Repository: kohya-ss/sd-scripts Branch: main Commit: b2abe873a5fe Files: 223 Total size: 14.9 MB Directory structure: gitextract_ok9rjsar/ ├── .ai/ │ ├── claude.prompt.md │ ├── context/ │ │ └── 01-overview.md │ └── gemini.prompt.md ├── .github/ │ ├── FUNDING.yml │ ├── dependabot.yml │ └── workflows/ │ ├── tests.yml │ └── typos.yml ├── .gitignore ├── LICENSE.md ├── README-ja.md ├── README.md ├── XTI_hijack.py ├── _typos.toml ├── anima_minimal_inference.py ├── anima_train.py ├── anima_train_network.py ├── bitsandbytes_windows/ │ ├── cextension.py │ └── main.py ├── configs/ │ ├── qwen3_06b/ │ │ ├── config.json │ │ ├── merges.txt │ │ ├── tokenizer.json │ │ ├── tokenizer_config.json │ │ └── vocab.json │ └── t5_old/ │ ├── config.json │ ├── spiece.model │ └── tokenizer.json ├── docs/ │ ├── anima_train_network.md │ ├── config_README-en.md │ ├── config_README-ja.md │ ├── fine_tune.md │ ├── fine_tune_README_ja.md │ ├── flux_train_network.md │ ├── gen_img_README-ja.md │ ├── gen_img_README.md │ ├── hunyuan_image_train_network.md │ ├── lumina_train_network.md │ ├── masked_loss_README-ja.md │ ├── masked_loss_README.md │ ├── sd3_train_network.md │ ├── sdxl_train_network.md │ ├── train_README-ja.md │ ├── train_README-zh.md │ ├── train_SDXL-en.md │ ├── train_db_README-ja.md │ ├── train_db_README-zh.md │ ├── train_lllite_README-ja.md │ ├── train_lllite_README.md │ ├── train_network.md │ ├── train_network_README-ja.md │ ├── train_network_README-zh.md │ ├── train_network_advanced.md │ ├── train_textual_inversion.md │ ├── train_ti_README-ja.md │ ├── validation.md │ ├── wd14_tagger_README-en.md │ └── wd14_tagger_README-ja.md ├── fine_tune.py ├── finetune/ │ ├── blip/ │ │ ├── blip.py │ │ ├── med.py │ │ ├── med_config.json │ │ └── vit.py │ ├── clean_captions_and_tags.py │ ├── hypernetwork_nai.py │ ├── make_captions.py │ ├── make_captions_by_git.py │ ├── merge_captions_to_metadata.py │ ├── merge_dd_tags_to_metadata.py │ ├── prepare_buckets_latents.py │ └── tag_images_by_wd14_tagger.py ├── flux_minimal_inference.py ├── flux_train.py ├── flux_train_control_net.py ├── flux_train_network.py ├── gen_img.py ├── gen_img_diffusers.py ├── hunyuan_image_minimal_inference.py ├── hunyuan_image_train_network.py ├── library/ │ ├── __init__.py │ ├── adafactor_fused.py │ ├── anima_models.py │ ├── anima_train_utils.py │ ├── anima_utils.py │ ├── attention.py │ ├── attention_processors.py │ ├── chroma_models.py │ ├── config_util.py │ ├── custom_offloading_utils.py │ ├── custom_train_functions.py │ ├── deepspeed_utils.py │ ├── device_utils.py │ ├── flux_models.py │ ├── flux_train_utils.py │ ├── flux_utils.py │ ├── fp8_optimization_utils.py │ ├── huggingface_util.py │ ├── hunyuan_image_models.py │ ├── hunyuan_image_modules.py │ ├── hunyuan_image_text_encoder.py │ ├── hunyuan_image_utils.py │ ├── hunyuan_image_vae.py │ ├── hypernetwork.py │ ├── ipex/ │ │ ├── __init__.py │ │ ├── attention.py │ │ ├── diffusers.py │ │ └── hijacks.py │ ├── jpeg_xl_util.py │ ├── lora_utils.py │ ├── lpw_stable_diffusion.py │ ├── lumina_models.py │ ├── lumina_train_util.py │ ├── lumina_util.py │ ├── model_util.py │ ├── original_unet.py │ ├── qwen_image_autoencoder_kl.py │ ├── safetensors_utils.py │ ├── sai_model_spec.py │ ├── sd3_models.py │ ├── sd3_train_utils.py │ ├── sd3_utils.py │ ├── sdxl_lpw_stable_diffusion.py │ ├── sdxl_model_util.py │ ├── sdxl_original_control_net.py │ ├── sdxl_original_unet.py │ ├── sdxl_train_util.py │ ├── slicing_vae.py │ ├── strategy_anima.py │ ├── strategy_base.py │ ├── strategy_flux.py │ ├── strategy_hunyuan_image.py │ ├── strategy_lumina.py │ ├── strategy_sd.py │ ├── strategy_sd3.py │ ├── strategy_sdxl.py │ ├── train_util.py │ └── utils.py ├── lumina_minimal_inference.py ├── lumina_train.py ├── lumina_train_network.py ├── networks/ │ ├── check_lora_weights.py │ ├── control_net_lllite.py │ ├── control_net_lllite_for_train.py │ ├── convert_anima_lora_to_comfy.py │ ├── convert_flux_lora.py │ ├── convert_hunyuan_image_lora_to_comfy.py │ ├── dylora.py │ ├── extract_lora_from_dylora.py │ ├── extract_lora_from_models.py │ ├── flux_extract_lora.py │ ├── flux_merge_lora.py │ ├── lora.py │ ├── lora_anima.py │ ├── lora_diffusers.py │ ├── lora_fa.py │ ├── lora_flux.py │ ├── lora_hunyuan_image.py │ ├── lora_interrogator.py │ ├── lora_lumina.py │ ├── lora_sd3.py │ ├── merge_lora.py │ ├── merge_lora_old.py │ ├── oft.py │ ├── oft_flux.py │ ├── resize_lora.py │ ├── sdxl_merge_lora.py │ └── svd_merge_lora.py ├── pytest.ini ├── pytorch_lightning/ │ ├── __init__.py │ └── callbacks/ │ ├── __init__.py │ └── model_checkpoint.py ├── requirements.txt ├── sd3_minimal_inference.py ├── sd3_train.py ├── sd3_train_network.py ├── sdxl_gen_img.py ├── sdxl_minimal_inference.py ├── sdxl_train.py ├── sdxl_train_control_net.py ├── sdxl_train_control_net_lllite.py ├── sdxl_train_control_net_lllite_old.py ├── sdxl_train_network.py ├── sdxl_train_textual_inversion.py ├── setup.py ├── tests/ │ ├── README.md │ ├── library/ │ │ ├── test_flux_train_utils.py │ │ ├── test_lumina_models.py │ │ ├── test_lumina_train_util.py │ │ ├── test_lumina_util.py │ │ ├── test_sai_model_spec.py │ │ └── test_strategy_lumina.py │ ├── manual_test_anima_cache.py │ ├── manual_test_anima_real_training.py │ ├── test_custom_offloading_utils.py │ ├── test_fine_tune.py │ ├── test_flux_train.py │ ├── test_flux_train_network.py │ ├── test_lumina_train_network.py │ ├── test_optimizer.py │ ├── test_sd3_train.py │ ├── test_sd3_train_network.py │ ├── test_sdxl_train.py │ ├── test_sdxl_train_network.py │ ├── test_train.py │ ├── test_train_network.py │ ├── test_train_textual_inversion.py │ └── test_validation.py ├── tools/ │ ├── cache_latents.py │ ├── cache_text_encoder_outputs.py │ ├── canny.py │ ├── convert_diffusers20_original_sd.py │ ├── convert_diffusers_to_flux.py │ ├── detect_face_rotate.py │ ├── latent_upscaler.py │ ├── merge_models.py │ ├── merge_sd3_safetensors.py │ ├── original_control_net.py │ ├── resize_images_to_resolution.py │ └── show_metadata.py ├── train_control_net.py ├── train_controlnet.py ├── train_db.py ├── train_network.py ├── train_textual_inversion.py └── train_textual_inversion_XTI.py ================================================ FILE CONTENTS ================================================ ================================================ FILE: .ai/claude.prompt.md ================================================ ## About This File This file provides guidance to Claude Code (claude.ai/code) when working with code in this repository. ## 1. Project Context Here is the essential context for our project. Please read and understand it thoroughly. ### Project Overview @./context/01-overview.md ================================================ FILE: .ai/context/01-overview.md ================================================ This file provides the overview and guidance for developers working with the codebase, including setup instructions, architecture details, and common commands. ## Project Architecture ### Core Training Framework The codebase is built around a **strategy pattern architecture** that supports multiple diffusion model families: - **`library/strategy_base.py`**: Base classes for tokenization, text encoding, latent caching, and training strategies - **`library/strategy_*.py`**: Model-specific implementations for SD, SDXL, SD3, FLUX, etc. - **`library/train_util.py`**: Core training utilities shared across all model types - **`library/config_util.py`**: Configuration management with TOML support ### Model Support Structure Each supported model family has a consistent structure: - **Training script**: `{model}_train.py` (full fine-tuning), `{model}_train_network.py` (LoRA/network training) - **Model utilities**: `library/{model}_models.py`, `library/{model}_train_utils.py`, `library/{model}_utils.py` - **Networks**: `networks/lora_{model}.py`, `networks/oft_{model}.py` for adapter training ### Supported Models - **Stable Diffusion 1.x**: `train*.py`, `library/train_util.py`, `train_db.py` (for DreamBooth) - **SDXL**: `sdxl_train*.py`, `library/sdxl_*` - **SD3**: `sd3_train*.py`, `library/sd3_*` - **FLUX.1**: `flux_train*.py`, `library/flux_*` ### Key Components #### Memory Management - **Block swapping**: CPU-GPU memory optimization via `--blocks_to_swap` parameter, works with custom offloading. Only available for models with transformer architectures like SD3 and FLUX.1. - **Custom offloading**: `library/custom_offloading_utils.py` for advanced memory management - **Gradient checkpointing**: Memory reduction during training #### Training Features - **LoRA training**: Low-rank adaptation networks in `networks/lora*.py` - **ControlNet training**: Conditional generation control - **Textual Inversion**: Custom embedding training - **Multi-resolution training**: Bucket-based aspect ratio handling - **Validation loss**: Real-time training monitoring, only for LoRA training #### Configuration System Dataset configuration uses TOML files with structured validation: ```toml [datasets.sample_dataset] resolution = 1024 batch_size = 2 [[datasets.sample_dataset.subsets]] image_dir = "path/to/images" caption_extension = ".txt" ``` ## Common Development Commands ### Training Commands Pattern All training scripts follow this general pattern: ```bash accelerate launch --mixed_precision bf16 {script_name}.py \ --pretrained_model_name_or_path model.safetensors \ --dataset_config config.toml \ --output_dir output \ --output_name model_name \ [model-specific options] ``` ### Memory Optimization For low VRAM environments, use block swapping: ```bash # Add to any training command for memory reduction --blocks_to_swap 10 # Swap 10 blocks to CPU (adjust number as needed) ``` ### Utility Scripts Located in `tools/` directory: - `tools/merge_lora.py`: Merge LoRA weights into base models - `tools/cache_latents.py`: Pre-cache VAE latents for faster training - `tools/cache_text_encoder_outputs.py`: Pre-cache text encoder outputs ## Development Notes ### Strategy Pattern Implementation When adding support for new models, implement the four core strategies: 1. `TokenizeStrategy`: Text tokenization handling 2. `TextEncodingStrategy`: Text encoder forward pass 3. `LatentsCachingStrategy`: VAE encoding/caching 4. `TextEncoderOutputsCachingStrategy`: Text encoder output caching ### Testing Approach - Unit tests focus on utility functions and model loading - Integration tests validate training script syntax and basic execution - Most tests use mocks to avoid requiring actual model files - Add tests for new model support in `tests/test_{model}_*.py` ### Configuration System - Use `config_util.py` dataclasses for type-safe configuration - Support both command-line arguments and TOML file configuration - Validate configuration early in training scripts to prevent runtime errors ### Memory Management - Always consider VRAM limitations when implementing features - Use gradient checkpointing for large models - Implement block swapping for models with transformer architectures - Cache intermediate results (latents, text embeddings) when possible ================================================ FILE: .ai/gemini.prompt.md ================================================ ## About This File This file provides guidance to Gemini CLI (https://github.com/google-gemini/gemini-cli) when working with code in this repository. ## 1. Project Context Here is the essential context for our project. Please read and understand it thoroughly. ### Project Overview @./context/01-overview.md ================================================ FILE: .github/FUNDING.yml ================================================ # These are supported funding model platforms github: kohya-ss ================================================ FILE: .github/dependabot.yml ================================================ --- version: 2 updates: - package-ecosystem: "github-actions" directory: "/" schedule: interval: "monthly" ================================================ FILE: .github/workflows/tests.yml ================================================ name: Test with pytest on: push: branches: - main - dev - sd3 pull_request: branches: - main - dev - sd3 # CKV2_GHA_1: "Ensure top-level permissions are not set to write-all" permissions: read-all jobs: build: runs-on: ${{ matrix.os }} strategy: matrix: os: [ubuntu-latest] python-version: ["3.10"] # Python versions to test pytorch-version: ["2.4.0", "2.6.0"] # PyTorch versions to test steps: - uses: actions/checkout@v4 with: # https://woodruffw.github.io/zizmor/audits/#artipacked persist-credentials: false - uses: actions/setup-python@v5 with: python-version: ${{ matrix.python-version }} cache: 'pip' - name: Install and update pip, setuptools, wheel run: | # Setuptools, wheel for compiling some packages python -m pip install --upgrade pip setuptools wheel - name: Install dependencies run: | # Pre-install torch to pin version (requirements.txt has dependencies like transformers which requires pytorch) pip install dadaptation==3.2 torch==${{ matrix.pytorch-version }} torchvision pytest==8.3.4 pip install -r requirements.txt - name: Test with pytest run: pytest # See pytest.ini for configuration ================================================ FILE: .github/workflows/typos.yml ================================================ --- name: Typos on: push: branches: - main - dev pull_request: types: - opened - synchronize - reopened # CKV2_GHA_1: "Ensure top-level permissions are not set to write-all" permissions: read-all jobs: build: runs-on: ubuntu-latest steps: - uses: actions/checkout@v4 with: # https://woodruffw.github.io/zizmor/audits/#artipacked persist-credentials: false - name: typos-action uses: crate-ci/typos@v1.28.1 ================================================ FILE: .gitignore ================================================ logs __pycache__ wd14_tagger_model venv *.egg-info build .vscode wandb CLAUDE.md GEMINI.md .claude .gemini MagicMock ================================================ FILE: LICENSE.md ================================================ Apache License Version 2.0, January 2004 http://www.apache.org/licenses/ TERMS AND CONDITIONS FOR USE, REPRODUCTION, AND DISTRIBUTION 1. Definitions. "License" shall mean the terms and conditions for use, reproduction, and distribution as defined by Sections 1 through 9 of this document. "Licensor" shall mean the copyright owner or entity authorized by the copyright owner that is granting the License. "Legal Entity" shall mean the union of the acting entity and all other entities that control, are controlled by, or are under common control with that entity. For the purposes of this definition, "control" means (i) the power, direct or indirect, to cause the direction or management of such entity, whether by contract or otherwise, or (ii) ownership of fifty percent (50%) or more of the outstanding shares, or (iii) beneficial ownership of such entity. "You" (or "Your") shall mean an individual or Legal Entity exercising permissions granted by this License. "Source" form shall mean the preferred form for making modifications, including but not limited to software source code, documentation source, and configuration files. "Object" form shall mean any form resulting from mechanical transformation or translation of a Source form, including but not limited to compiled object code, generated documentation, and conversions to other media types. "Work" shall mean the work of authorship, whether in Source or Object form, made available under the License, as indicated by a copyright notice that is included in or attached to the work (an example is provided in the Appendix below). "Derivative Works" shall mean any work, whether in Source or Object form, that is based on (or derived from) the Work and for which the editorial revisions, annotations, elaborations, or other modifications represent, as a whole, an original work of authorship. For the purposes of this License, Derivative Works shall not include works that remain separable from, or merely link (or bind by name) to the interfaces of, the Work and Derivative Works thereof. "Contribution" shall mean any work of authorship, including the original version of the Work and any modifications or additions to that Work or Derivative Works thereof, that is intentionally submitted to Licensor for inclusion in the Work by the copyright owner or by an individual or Legal Entity authorized to submit on behalf of the copyright owner. For the purposes of this definition, "submitted" means any form of electronic, verbal, or written communication sent to the Licensor or its representatives, including but not limited to communication on electronic mailing lists, source code control systems, and issue tracking systems that are managed by, or on behalf of, the Licensor for the purpose of discussing and improving the Work, but excluding communication that is conspicuously marked or otherwise designated in writing by the copyright owner as "Not a Contribution." "Contributor" shall mean Licensor and any individual or Legal Entity on behalf of whom a Contribution has been received by Licensor and subsequently incorporated within the Work. 2. Grant of Copyright License. Subject to the terms and conditions of this License, each Contributor hereby grants to You a perpetual, worldwide, non-exclusive, no-charge, royalty-free, irrevocable copyright license to reproduce, prepare Derivative Works of, publicly display, publicly perform, sublicense, and distribute the Work and such Derivative Works in Source or Object form. 3. Grant of Patent License. Subject to the terms and conditions of this License, each Contributor hereby grants to You a perpetual, worldwide, non-exclusive, no-charge, royalty-free, irrevocable (except as stated in this section) patent license to make, have made, use, offer to sell, sell, import, and otherwise transfer the Work, where such license applies only to those patent claims licensable by such Contributor that are necessarily infringed by their Contribution(s) alone or by combination of their Contribution(s) with the Work to which such Contribution(s) was submitted. If You institute patent litigation against any entity (including a cross-claim or counterclaim in a lawsuit) alleging that the Work or a Contribution incorporated within the Work constitutes direct or contributory patent infringement, then any patent licenses granted to You under this License for that Work shall terminate as of the date such litigation is filed. 4. Redistribution. You may reproduce and distribute copies of the Work or Derivative Works thereof in any medium, with or without modifications, and in Source or Object form, provided that You meet the following conditions: (a) You must give any other recipients of the Work or Derivative Works a copy of this License; and (b) You must cause any modified files to carry prominent notices stating that You changed the files; and (c) You must retain, in the Source form of any Derivative Works that You distribute, all copyright, patent, trademark, and attribution notices from the Source form of the Work, excluding those notices that do not pertain to any part of the Derivative Works; and (d) If the Work includes a "NOTICE" text file as part of its distribution, then any Derivative Works that You distribute must include a readable copy of the attribution notices contained within such NOTICE file, excluding those notices that do not pertain to any part of the Derivative Works, in at least one of the following places: within a NOTICE text file distributed as part of the Derivative Works; within the Source form or documentation, if provided along with the Derivative Works; or, within a display generated by the Derivative Works, if and wherever such third-party notices normally appear. The contents of the NOTICE file are for informational purposes only and do not modify the License. You may add Your own attribution notices within Derivative Works that You distribute, alongside or as an addendum to the NOTICE text from the Work, provided that such additional attribution notices cannot be construed as modifying the License. You may add Your own copyright statement to Your modifications and may provide additional or different license terms and conditions for use, reproduction, or distribution of Your modifications, or for any such Derivative Works as a whole, provided Your use, reproduction, and distribution of the Work otherwise complies with the conditions stated in this License. 5. Submission of Contributions. Unless You explicitly state otherwise, any Contribution intentionally submitted for inclusion in the Work by You to the Licensor shall be under the terms and conditions of this License, without any additional terms or conditions. Notwithstanding the above, nothing herein shall supersede or modify the terms of any separate license agreement you may have executed with Licensor regarding such Contributions. 6. Trademarks. This License does not grant permission to use the trade names, trademarks, service marks, or product names of the Licensor, except as required for reasonable and customary use in describing the origin of the Work and reproducing the content of the NOTICE file. 7. Disclaimer of Warranty. Unless required by applicable law or agreed to in writing, Licensor provides the Work (and each Contributor provides its Contributions) on an "AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied, including, without limitation, any warranties or conditions of TITLE, NON-INFRINGEMENT, MERCHANTABILITY, or FITNESS FOR A PARTICULAR PURPOSE. You are solely responsible for determining the appropriateness of using or redistributing the Work and assume any risks associated with Your exercise of permissions under this License. 8. Limitation of Liability. In no event and under no legal theory, whether in tort (including negligence), contract, or otherwise, unless required by applicable law (such as deliberate and grossly negligent acts) or agreed to in writing, shall any Contributor be liable to You for damages, including any direct, indirect, special, incidental, or consequential damages of any character arising as a result of this License or out of the use or inability to use the Work (including but not limited to damages for loss of goodwill, work stoppage, computer failure or malfunction, or any and all other commercial damages or losses), even if such Contributor has been advised of the possibility of such damages. 9. Accepting Warranty or Additional Liability. While redistributing the Work or Derivative Works thereof, You may choose to offer, and charge a fee for, acceptance of support, warranty, indemnity, or other liability obligations and/or rights consistent with this License. However, in accepting such obligations, You may act only on Your own behalf and on Your sole responsibility, not on behalf of any other Contributor, and only if You agree to indemnify, defend, and hold each Contributor harmless for any liability incurred by, or claims asserted against, such Contributor by reason of your accepting any such warranty or additional liability. END OF TERMS AND CONDITIONS APPENDIX: How to apply the Apache License to your work. To apply the Apache License to your work, attach the following boilerplate notice, with the fields enclosed by brackets "[]" replaced with your own identifying information. (Don't include the brackets!) The text should be enclosed in the appropriate comment syntax for the file format. We also recommend that a file or class name and description of purpose be included on the same "printed page" as the copyright notice for easier identification within third-party archives. Copyright [2022] [kohya-ss] Licensed under the Apache License, Version 2.0 (the "License"); you may not use this file except in compliance with the License. You may obtain a copy of the License at http://www.apache.org/licenses/LICENSE-2.0 Unless required by applicable law or agreed to in writing, software distributed under the License is distributed on an "AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. See the License for the specific language governing permissions and limitations under the License. ================================================ FILE: README-ja.md ================================================ # sd-scripts [English](./README.md) / [日本語](./README-ja.md) ## 目次
クリックすると展開します - [はじめに](#はじめに) - [スポンサー](#スポンサー) - [スポンサー募集のお知らせ](#スポンサー募集のお知らせ) - [更新履歴](#更新履歴) - [サポートモデル](#サポートモデル) - [機能](#機能) - [ドキュメント](#ドキュメント) - [学習ドキュメント（英語および日本語）](#学習ドキュメント英語および日本語) - [その他のドキュメント](#その他のドキュメント) - [旧ドキュメント（日本語）](#旧ドキュメント日本語) - [AIコーディングエージェントを使う開発者の方へ](#aiコーディングエージェントを使う開発者の方へ) - [Windows環境でのインストール](#windows環境でのインストール) - [Windowsでの動作に必要なプログラム](#windowsでの動作に必要なプログラム) - [インストール手順](#インストール手順) - [requirements.txtとPyTorchについて](#requirementstxtとpytorchについて) - [xformersのインストール（オプション）](#xformersのインストールオプション) - [Linux/WSL2環境でのインストール](#linuxwsl2環境でのインストール) - [DeepSpeedのインストール（実験的、LinuxまたはWSL2のみ）](#deepspeedのインストール実験的linuxまたはwsl2のみ) - [アップグレード](#アップグレード) - [PyTorchのアップグレード](#pytorchのアップグレード) - [謝意](#謝意) - [ライセンス](#ライセンス)
## はじめに Stable Diffusion等の画像生成モデルの学習、モデルによる画像生成、その他のスクリプトを入れたリポジトリです。 ### スポンサー このプロジェクトを支援してくださる企業・団体の皆様に深く感謝いたします。 AiHUB株式会社 ### スポンサー募集のお知らせ このプロジェクトがお役に立ったなら、ご支援いただけると嬉しく思います。 [GitHub Sponsors](https://github.com/sponsors/kohya-ss/)で受け付けています。 ### 更新履歴 - **Version 0.10.1 (2026-02-13):** - [Anima Preview](https://huggingface.co/circlestone-labs/Anima)モデルのLoRA学習およびfine-tuningをサポートしました。[PR #2260](https://github.com/kohya-ss/sd-scripts/pull/2260) および[PR #2261](https://github.com/kohya-ss/sd-scripts/pull/2261) - 素晴らしいモデルを公開された CircleStone Labs、および PR #2260を提出していただいたduongve13112002氏に深く感謝します。 - 詳細は[ドキュメント](./docs/anima_train_network.md)をご覧ください。 - **Version 0.10.0 (2026-01-19):** - `sd3`ブランチを`main`ブランチにマージしました。このバージョンからFLUX.1およびSD3/SD3.5等のモデルが`main`ブランチでサポートされます。 - ドキュメントにはまだ不備があるため、お気づきの点はIssue等でお知らせください。 - `sd3`ブランチは当面、`dev`ブランチと同期して開発ブランチとして維持します。 ### サポートモデル * **Stable Diffusion 1.x/2.x** * **SDXL** * **SD3/SD3.5** * **FLUX.1** * **LUMINA** * **HunyuanImage-2.1** ### 機能 * LoRA学習 * fine-tuning（DreamBooth）：HunyuanImage-2.1以外のモデル * Textual Inversion学習：SD/SDXL * 画像生成 * その他、モデル変換やタグ付け、LoRAマージなどのユーティリティ ## ドキュメント ### 学習ドキュメント（英語および日本語） 日本語は折りたたまれているか、別のドキュメントにあります。 * [LoRA学習の概要](./docs/train_network.md) * [データセット設定](./docs/config_README-ja.md) / [英語版](./docs/config_README-en.md) * [高度な学習オプション](./docs/train_network_advanced.md) * [SDXL学習](./docs/sdxl_train_network.md) * [SD3学習](./docs/sd3_train_network.md) * [FLUX.1学習](./docs/flux_train_network.md) * [LUMINA学習](./docs/lumina_train_network.md) * [HunyuanImage-2.1学習](./docs/hunyuan_image_train_network.md) * [Fine-tuning](./docs/fine_tune.md) * [Textual Inversion学習](./docs/train_textual_inversion.md) * [ControlNet-LLLite学習](./docs/train_lllite_README-ja.md) / [英語版](./docs/train_lllite_README.md) * [Validation](./docs/validation.md) * [マスク損失学習](./docs/masked_loss_README-ja.md) / [英語版](./docs/masked_loss_README.md) ### その他のドキュメント * [画像生成スクリプト](./docs/gen_img_README-ja.md) / [英語版](./docs/gen_img_README.md) * [WD14 Taggerによる画像タグ付け](./docs/wd14_tagger_README-ja.md) / [英語版](./docs/wd14_tagger_README-en.md) ### 旧ドキュメント（日本語） * [学習について、共通編](./docs/train_README-ja.md) : データ整備やオプションなど * [DreamBoothの学習について](./docs/train_db_README-ja.md) ## AIコーディングエージェントを使う開発者の方へ This repository provides recommended instructions to help AI agents like Claude and Gemini understand our project context and coding standards. To use them, you need to opt-in by creating your own configuration file in the project root. **Quick Setup:** 1. Create a `CLAUDE.md` and/or `GEMINI.md` file in the project root. 2. Add the following line to your `CLAUDE.md` to import the repository's recommended prompt: ```markdown @./.ai/claude.prompt.md ``` or for Gemini: ```markdown @./.ai/gemini.prompt.md ``` 3. You can now add your own personal instructions below the import line (e.g., `Always respond in Japanese.`). This approach ensures that you have full control over the instructions given to your agent while benefiting from the shared project context. Your `CLAUDE.md` and `GEMINI.md` are already listed in `.gitignore`, so they won't be committed to the repository. このリポジトリでは、AIコーディングエージェント（例：Claude、Geminiなど）がプロジェクトのコンテキストやコーディング標準を理解できるようにするための推奨プロンプトを提供しています。 それらを使用するには、プロジェクトディレクトリに設定ファイルを作成して明示的に有効にする必要があります。 **簡単なセットアップ手順:** 1. プロジェクトルートに `CLAUDE.md` や `GEMINI.md` ファイルを作成します。 2. `CLAUDE.md` に以下の行を追加して、リポジトリの推奨プロンプトをインポートします。 ```markdown @./.ai/claude.prompt.md ``` またはGeminiの場合: ```markdown @./.ai/gemini.prompt.md ``` 3. インポート行の下に、独自の指示を追加できます（例：`常に日本語で応答してください。`）。 この方法により、エージェントに与える指示を各開発者が管理しつつ、リポジトリの推奨コンテキストを活用できます。`CLAUDE.md` および `GEMINI.md` は `.gitignore` に登録されているため、リポジトリにコミットされることはありません。 ## Windows環境でのインストール ### Windowsでの動作に必要なプログラム Python 3.10.xおよびGitが必要です。 - Python 3.10.x: https://www.python.org/downloads/windows/ からWindows installer (64-bit)をダウンロード - git: https://git-scm.com/download/win から最新版をダウンロード Python 3.11.x、3.12.xでも恐らく動作します（未テスト）。 PowerShellを使う場合、venvを使えるようにするためには以下の手順でセキュリティ設定を変更してください。 （venvに限らずスクリプトの実行が可能になりますので注意してください。） - PowerShellを管理者として開きます。 - 「Set-ExecutionPolicy Unrestricted」と入力し、Yと答えます。 - 管理者のPowerShellを閉じます。 ### インストール手順 PowerShellを使う場合、通常の（管理者ではない）PowerShellを開き以下を順に実行します。 ```powershell git clone https://github.com/kohya-ss/sd-scripts.git cd sd-scripts python -m venv venv .\venv\Scripts\activate pip install torch==2.6.0 torchvision==0.21.0 --index-url https://download.pytorch.org/whl/cu124 pip install --upgrade -r requirements.txt accelerate config ``` コマンドプロンプトでも同一です。 （なお、python -m venv～の行で「python」とだけ表示された場合、py -m venv～のようにpythonをpyに変更してください。） 注：`bitsandbytes`、`prodigyopt`、`lion-pytorch` は `requirements.txt` に含まれています。 この例ではCUDA 12.4版をインストールします。異なるバージョンのCUDAを使用する場合は、適切なバージョンのPyTorchをインストールしてください。たとえばCUDA 12.1版の場合は `pip install torch==2.6.0 torchvision==0.21.0 --index-url https://download.pytorch.org/whl/cu121` としてください。 accelerate configの質問には以下のように答えてください。（bf16で学習する場合、最後の質問にはbf16と答えてください。） ```txt - This machine - No distributed training - NO - NO - NO - all - fp16 ``` ※場合によって ``ValueError: fp16 mixed precision requires a GPU`` というエラーが出ることがあるようです。この場合、6番目の質問（ ``What GPU(s) (by id) should be used for training on this machine as a comma-separated list? [all]:``）に「0」と答えてください。（id `0`のGPUが使われます。） ### requirements.txtとPyTorchについて PyTorchは環境によってバージョンが異なるため、requirements.txtには含まれていません。前述のインストール手順を参考に、環境に合わせてPyTorchをインストールしてください。 スクリプトはPyTorch 2.6.0でテストしています。PyTorch 2.6.0以降が必要です。 RTX 50シリーズGPUの場合、PyTorch 2.8.0とCUDA 12.8/12.9を使用してください。`requirements.txt`はこのバージョンでも動作します。 ### xformersのインストール（オプション） xformersをインストールするには、仮想環境を有効にした状態で以下のコマンドを実行してください。 ```bash pip install xformers --index-url https://download.pytorch.org/whl/cu124 ``` 必要に応じてCUDAバージョンを変更してください。一部のGPUアーキテクチャではxformersが利用できない場合があります。 ## Linux/WSL2環境でのインストール LinuxまたはWSL2環境でのインストール手順はWindows環境とほぼ同じです。`venv\Scripts\activate` の部分を `source venv/bin/activate` に変更してください。 ※NVIDIAドライバやCUDAツールキットなどは事前にインストールしておいてください。 ### DeepSpeedのインストール（実験的、LinuxまたはWSL2のみ） DeepSpeedをインストールするには、仮想環境を有効にした状態で以下のコマンドを実行してください。 ```bash pip install deepspeed==0.16.7 ``` ## アップグレード 新しいリリースがあった場合、以下のコマンドで更新できます。 ```powershell cd sd-scripts git pull .\venv\Scripts\activate pip install --use-pep517 --upgrade -r requirements.txt ``` コマンドが成功すれば新しいバージョンが使用できます。 ### PyTorchのアップグレード PyTorchをアップグレードする場合は、[Windows環境でのインストール](#windows環境でのインストール)のセクションの`pip install`コマンドを参考にしてください。 ## 謝意 LoRAの実装は[cloneofsimo氏のリポジトリ](https://github.com/cloneofsimo/lora)を基にしたものです。感謝申し上げます。 Conv2d 3x3への拡大は [cloneofsimo氏](https://github.com/cloneofsimo/lora) が最初にリリースし、KohakuBlueleaf氏が [LoCon](https://github.com/KohakuBlueleaf/LoCon) でその有効性を明らかにしたものです。KohakuBlueleaf氏に深く感謝します。 ## ライセンス スクリプトのライセンスはASL 2.0ですが（Diffusersおよびcloneofsimo氏のリポジトリ由来のものも同様）、一部他のライセンスのコードを含みます。 [Memory Efficient Attention Pytorch](https://github.com/lucidrains/memory-efficient-attention-pytorch): MIT [bitsandbytes](https://github.com/TimDettmers/bitsandbytes): MIT [BLIP](https://github.com/salesforce/BLIP): BSD-3-Clause ================================================ FILE: README.md ================================================ # sd-scripts [English](./README.md) / [日本語](./README-ja.md) ## Table of Contents
Click to expand - [Introduction](#introduction) - [Supported Models](#supported-models) - [Features](#features) - [Sponsors](#sponsors) - [Support the Project](#support-the-project) - [Documentation](#documentation) - [Training Documentation (English and Japanese)](#training-documentation-english-and-japanese) - [Other Documentation (English and Japanese)](#other-documentation-english-and-japanese) - [For Developers Using AI Coding Agents](#for-developers-using-ai-coding-agents) - [Windows Installation](#windows-installation) - [Windows Required Dependencies](#windows-required-dependencies) - [Installation Steps](#installation-steps) - [About requirements.txt and PyTorch](#about-requirementstxt-and-pytorch) - [xformers installation (optional)](#xformers-installation-optional) - [Linux/WSL2 Installation](#linuxwsl2-installation) - [DeepSpeed installation (experimental, Linux or WSL2 only)](#deepspeed-installation-experimental-linux-or-wsl2-only) - [Upgrade](#upgrade) - [Upgrade PyTorch](#upgrade-pytorch) - [Credits](#credits) - [License](#license)
## Introduction This repository contains training, generation and utility scripts for Stable Diffusion and other image generation models. ### Sponsors We are grateful to the following companies for their generous sponsorship: AiHUB Inc. ### Support the Project If you find this project helpful, please consider supporting its development via [GitHub Sponsors](https://github.com/sponsors/kohya-ss/). Your support is greatly appreciated! ### Change History - **Version 0.10.1 (2026-02-13):** - [Anima Preview](https://huggingface.co/circlestone-labs/Anima) model LoRA training and fine-tuning are now supported. See [PR #2260](https://github.com/kohya-ss/sd-scripts/pull/2260) and [PR #2261](https://github.com/kohya-ss/sd-scripts/pull/2261). - Many thanks to CircleStone Labs for releasing this amazing model, and to duongve13112002 for submitting great PR #2260. - For details, please refer to the [documentation](./docs/anima_train_network.md). - **Version 0.10.0 (2026-01-19):** - `sd3` branch is merged to `main` branch. From this version, FLUX.1 and SD3/SD3.5 etc. are supported in the `main` branch. - There are still some missing parts in the documentation, so please let us know if you find any issues via Issues etc. - The `sd3` branch will be maintained as a development branch synchronized with `dev` for the time being. ### Supported Models * **Stable Diffusion 1.x/2.x** * **SDXL** * **SD3/SD3.5** * **FLUX.1** * **LUMINA** * **HunyuanImage-2.1** ### Features * LoRA training * Fine-tuning (native training, DreamBooth): except for HunyuanImage-2.1 * Textual Inversion training: SD/SDXL * Image generation * Other utilities such as model conversion, image tagging, LoRA merging, etc. ## Documentation ### Training Documentation (English and Japanese) * [LoRA Training Overview](./docs/train_network.md) * [Dataset config](./docs/config_README-en.md) / [Japanese version](./docs/config_README-ja.md) * [Advanced Training](./docs/train_network_advanced.md) * [SDXL Training](./docs/sdxl_train_network.md) * [SD3 Training](./docs/sd3_train_network.md) * [FLUX.1 Training](./docs/flux_train_network.md) * [LUMINA Training](./docs/lumina_train_network.md) * [HunyuanImage-2.1 Training](./docs/hunyuan_image_train_network.md) * [Fine-tuning](./docs/fine_tune.md) * [Textual Inversion Training](./docs/train_textual_inversion.md) * [ControlNet-LLLite Training](./docs/train_lllite_README.md) / [Japanese version](./docs/train_lllite_README-ja.md) * [Validation](./docs/validation.md) * [Masked Loss Training](./docs/masked_loss_README.md) / [Japanese version](./docs/masked_loss_README-ja.md) ### Other Documentation (English and Japanese) * [Image generation](./docs/gen_img_README.md) / [Japanese version](./docs/gen_img_README-ja.md) * [Tagging images with WD14 Tagger](./docs/wd14_tagger_README-en.md) / [Japanese version](./docs/wd14_tagger_README-ja.md) ## For Developers Using AI Coding Agents This repository provides recommended instructions to help AI agents like Claude and Gemini understand our project context and coding standards. To use them, you need to opt-in by creating your own configuration file in the project root. **Quick Setup:** 1. Create a `CLAUDE.md` and/or `GEMINI.md` file in the project root. 2. Add the following line to your `CLAUDE.md` to import the repository's recommended prompt: ```markdown @./.ai/claude.prompt.md ``` or for Gemini: ```markdown @./.ai/gemini.prompt.md ``` 3. You can now add your own personal instructions below the import line (e.g., `Always respond in Japanese.`). This approach ensures that you have full control over the instructions given to your agent while benefiting from the shared project context. Your `CLAUDE.md` and `GEMINI.md` are already listed in `.gitignore`, so they won't be committed to the repository. ## Windows Installation ### Windows Required Dependencies Python 3.10.x and Git: - Python 3.10.x: Download Windows installer (64-bit) from https://www.python.org/downloads/windows/ - git: Download latest installer from https://git-scm.com/download/win Python 3.11.x, and 3.12.x will work but not tested. Give unrestricted script access to powershell so venv can work: - Open an administrator powershell window - Type `Set-ExecutionPolicy Unrestricted` and answer A - Close admin powershell window ### Installation Steps Open a regular Powershell terminal and type the following inside: ```powershell git clone https://github.com/kohya-ss/sd-scripts.git cd sd-scripts python -m venv venv .\venv\Scripts\activate pip install torch==2.6.0 torchvision==0.21.0 --index-url https://download.pytorch.org/whl/cu124 pip install --upgrade -r requirements.txt accelerate config ``` If `python -m venv` shows only `python`, change `python` to `py`. Note: `bitsandbytes`, `prodigyopt` and `lion-pytorch` are included in the requirements.txt. If you'd like to use another version, please install it manually. This installation is for CUDA 12.4. If you use a different version of CUDA, please install the appropriate version of PyTorch. For example, if you use CUDA 12.1, please install `pip install torch==2.6.0 torchvision==0.21.0 --index-url https://download.pytorch.org/whl/cu121`. Answers to accelerate config: ```txt - This machine - No distributed training - NO - NO - NO - all - fp16 ``` If you'd like to use bf16, please answer `bf16` to the last question. Note: Some user reports ``ValueError: fp16 mixed precision requires a GPU`` is occurred in training. In this case, answer `0` for the 6th question: ``What GPU(s) (by id) should be used for training on this machine as a comma-separated list? [all]:`` (Single GPU with id `0` will be used.) ## About requirements.txt and PyTorch The file does not contain requirements for PyTorch. Because the version of PyTorch depends on the environment, it is not included in the file. Please install PyTorch first according to the environment. See installation instructions below. The scripts are tested with PyTorch 2.6.0. PyTorch 2.6.0 or later is required. For RTX 50 series GPUs, PyTorch 2.8.0 with CUDA 12.8/12.9 should be used. `requirements.txt` will work with this version. ### xformers installation (optional) To install xformers, run the following command in your activated virtual environment: ```bash pip install xformers --index-url https://download.pytorch.org/whl/cu124 ``` Please change the CUDA version in the URL according to your environment if necessary. xformers may not be available for some GPU architectures. ## Linux/WSL2 Installation Linux or WSL2 installation steps are almost the same as Windows. Just change `venv\Scripts\activate` to `source venv/bin/activate`. Note: Please make sure that NVIDIA driver and CUDA toolkit are installed in advance. ### DeepSpeed installation (experimental, Linux or WSL2 only) To install DeepSpeed, run the following command in your activated virtual environment: ```bash pip install deepspeed==0.16.7 ``` ## Upgrade When a new release comes out you can upgrade your repo with the following command: ```powershell cd sd-scripts git pull .\venv\Scripts\activate pip install --use-pep517 --upgrade -r requirements.txt ``` Once the commands have completed successfully you should be ready to use the new version. ### Upgrade PyTorch If you want to upgrade PyTorch, you can upgrade it with `pip install` command in [Windows Installation](#windows-installation) section. ## Credits The implementation for LoRA is based on [cloneofsimo's repo](https://github.com/cloneofsimo/lora). Thank you for great work! The LoRA expansion to Conv2d 3x3 was initially released by cloneofsimo and its effectiveness was demonstrated at [LoCon](https://github.com/KohakuBlueleaf/LoCon) by KohakuBlueleaf. Thank you so much KohakuBlueleaf! ## License The majority of scripts is licensed under ASL 2.0 (including codes from Diffusers, cloneofsimo's and LoCon), however portions of the project are available under separate license terms: [Memory Efficient Attention Pytorch](https://github.com/lucidrains/memory-efficient-attention-pytorch): MIT [bitsandbytes](https://github.com/TimDettmers/bitsandbytes): MIT [BLIP](https://github.com/salesforce/BLIP): BSD-3-Clause ================================================ FILE: XTI_hijack.py ================================================ import torch from library.device_utils import init_ipex init_ipex() from typing import Union, List, Optional, Dict, Any, Tuple from diffusers.models.unet_2d_condition import UNet2DConditionOutput from library.original_unet import SampleOutput def unet_forward_XTI( self, sample: torch.FloatTensor, timestep: Union[torch.Tensor, float, int], encoder_hidden_states: torch.Tensor, class_labels: Optional[torch.Tensor] = None, return_dict: bool = True, ) -> Union[Dict, Tuple]: r""" Args: sample (`torch.FloatTensor`): (batch, channel, height, width) noisy inputs tensor timestep (`torch.FloatTensor` or `float` or `int`): (batch) timesteps encoder_hidden_states (`torch.FloatTensor`): (batch, sequence_length, feature_dim) encoder hidden states return_dict (`bool`, *optional*, defaults to `True`): Whether or not to return a dict instead of a plain tuple. Returns: `SampleOutput` or `tuple`: `SampleOutput` if `return_dict` is True, otherwise a `tuple`. When returning a tuple, the first element is the sample tensor. """ # By default samples have to be AT least a multiple of the overall upsampling factor. # The overall upsampling factor is equal to 2 ** (# num of upsampling layears). # However, the upsampling interpolation output size can be forced to fit any upsampling size # on the fly if necessary. # デフォルトではサンプルは「2^アップサンプルの数」、つまり64の倍数である必要がある # ただそれ以外のサイズにも対応できるように、必要ならアップサンプルのサイズを変更する # 多分画質が悪くなるので、64で割り切れるようにしておくのが良い default_overall_up_factor = 2**self.num_upsamplers # upsample size should be forwarded when sample is not a multiple of `default_overall_up_factor` # 64で割り切れないときはupsamplerにサイズを伝える forward_upsample_size = False upsample_size = None if any(s % default_overall_up_factor != 0 for s in sample.shape[-2:]): # logger.info("Forward upsample size to force interpolation output size.") forward_upsample_size = True # 1. time timesteps = timestep timesteps = self.handle_unusual_timesteps(sample, timesteps) # 変な時だけ処理 t_emb = self.time_proj(timesteps) # timesteps does not contain any weights and will always return f32 tensors # but time_embedding might actually be running in fp16. so we need to cast here. # there might be better ways to encapsulate this. # timestepsは重みを含まないので常にfloat32のテンソルを返す # しかしtime_embeddingはfp16で動いているかもしれないので、ここでキャストする必要がある # time_projでキャストしておけばいいんじゃね？ t_emb = t_emb.to(dtype=self.dtype) emb = self.time_embedding(t_emb) # 2. pre-process sample = self.conv_in(sample) # 3. down down_block_res_samples = (sample,) down_i = 0 for downsample_block in self.down_blocks: # downblockはforwardで必ずencoder_hidden_statesを受け取るようにしても良さそうだけど、 # まあこちらのほうがわかりやすいかもしれない if downsample_block.has_cross_attention: sample, res_samples = downsample_block( hidden_states=sample, temb=emb, encoder_hidden_states=encoder_hidden_states[down_i : down_i + 2], ) down_i += 2 else: sample, res_samples = downsample_block(hidden_states=sample, temb=emb) down_block_res_samples += res_samples # 4. mid sample = self.mid_block(sample, emb, encoder_hidden_states=encoder_hidden_states[6]) # 5. up up_i = 7 for i, upsample_block in enumerate(self.up_blocks): is_final_block = i == len(self.up_blocks) - 1 res_samples = down_block_res_samples[-len(upsample_block.resnets) :] down_block_res_samples = down_block_res_samples[: -len(upsample_block.resnets)] # skip connection # if we have not reached the final block and need to forward the upsample size, we do it here # 前述のように最後のブロック以外ではupsample_sizeを伝える if not is_final_block and forward_upsample_size: upsample_size = down_block_res_samples[-1].shape[2:] if upsample_block.has_cross_attention: sample = upsample_block( hidden_states=sample, temb=emb, res_hidden_states_tuple=res_samples, encoder_hidden_states=encoder_hidden_states[up_i : up_i + 3], upsample_size=upsample_size, ) up_i += 3 else: sample = upsample_block( hidden_states=sample, temb=emb, res_hidden_states_tuple=res_samples, upsample_size=upsample_size ) # 6. post-process sample = self.conv_norm_out(sample) sample = self.conv_act(sample) sample = self.conv_out(sample) if not return_dict: return (sample,) return SampleOutput(sample=sample) def downblock_forward_XTI( self, hidden_states, temb=None, encoder_hidden_states=None, attention_mask=None, cross_attention_kwargs=None ): output_states = () i = 0 for resnet, attn in zip(self.resnets, self.attentions): if self.training and self.gradient_checkpointing: def create_custom_forward(module, return_dict=None): def custom_forward(*inputs): if return_dict is not None: return module(*inputs, return_dict=return_dict) else: return module(*inputs) return custom_forward hidden_states = torch.utils.checkpoint.checkpoint(create_custom_forward(resnet), hidden_states, temb) hidden_states = torch.utils.checkpoint.checkpoint( create_custom_forward(attn, return_dict=False), hidden_states, encoder_hidden_states[i] )[0] else: hidden_states = resnet(hidden_states, temb) hidden_states = attn(hidden_states, encoder_hidden_states=encoder_hidden_states[i]).sample output_states += (hidden_states,) i += 1 if self.downsamplers is not None: for downsampler in self.downsamplers: hidden_states = downsampler(hidden_states) output_states += (hidden_states,) return hidden_states, output_states def upblock_forward_XTI( self, hidden_states, res_hidden_states_tuple, temb=None, encoder_hidden_states=None, upsample_size=None, ): i = 0 for resnet, attn in zip(self.resnets, self.attentions): # pop res hidden states res_hidden_states = res_hidden_states_tuple[-1] res_hidden_states_tuple = res_hidden_states_tuple[:-1] hidden_states = torch.cat([hidden_states, res_hidden_states], dim=1) if self.training and self.gradient_checkpointing: def create_custom_forward(module, return_dict=None): def custom_forward(*inputs): if return_dict is not None: return module(*inputs, return_dict=return_dict) else: return module(*inputs) return custom_forward hidden_states = torch.utils.checkpoint.checkpoint(create_custom_forward(resnet), hidden_states, temb) hidden_states = torch.utils.checkpoint.checkpoint( create_custom_forward(attn, return_dict=False), hidden_states, encoder_hidden_states[i] )[0] else: hidden_states = resnet(hidden_states, temb) hidden_states = attn(hidden_states, encoder_hidden_states=encoder_hidden_states[i]).sample i += 1 if self.upsamplers is not None: for upsampler in self.upsamplers: hidden_states = upsampler(hidden_states, upsample_size) return hidden_states ================================================ FILE: _typos.toml ================================================ # Files for typos # Instruction: https://github.com/marketplace/actions/typos-action#getting-started [default.extend-identifiers] ddPn08="ddPn08" [default.extend-words] NIN="NIN" parms="parms" nin="nin" extention="extention" # Intentionally left nd="nd" shs="shs" sts="sts" scs="scs" cpc="cpc" coc="coc" cic="cic" msm="msm" usu="usu" ici="ici" lvl="lvl" dii="dii" muk="muk" ori="ori" hru="hru" rik="rik" koo="koo" yos="yos" wn="wn" hime="hime" OT="OT" byt="byt" tak="tak" temperal="temperal" [files] extend-exclude = ["_typos.toml", "venv", "configs"] ================================================ FILE: anima_minimal_inference.py ================================================ import argparse import datetime import gc from importlib.util import find_spec import random import os import time import copy from types import SimpleNamespace from typing import Tuple, Optional, List, Any, Dict, Union import torch from safetensors.torch import load_file, save_file from safetensors import safe_open from tqdm import tqdm from diffusers.utils.torch_utils import randn_tensor from PIL import Image from library import anima_models, anima_utils, hunyuan_image_utils, qwen_image_autoencoder_kl, strategy_anima, strategy_base from library.device_utils import clean_memory_on_device, synchronize_device lycoris_available = find_spec("lycoris") is not None if lycoris_available: from lycoris.kohya import create_network_from_weights from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) class GenerationSettings: def __init__(self, device: torch.device, dit_weight_dtype: Optional[torch.dtype] = None): self.device = device self.dit_weight_dtype = dit_weight_dtype # not used currently because model may be optimized def parse_args() -> argparse.Namespace: """parse command line arguments""" parser = argparse.ArgumentParser(description="HunyuanImage inference script") parser.add_argument("--dit", type=str, default=None, help="DiT directory or path") parser.add_argument("--vae", type=str, default=None, help="VAE directory or path") parser.add_argument( "--vae_chunk_size", type=int, default=None, help="Spatial chunk size for VAE encoding/decoding to reduce memory usage. Must be even number. If not specified, chunking is disabled (official behavior)." + " / メモリ使用量を減らすためのVAEエンコード/デコードの空間チャンクサイズ。偶数である必要があります。未指定の場合、チャンク処理は無効になります（公式の動作）。", ) parser.add_argument( "--vae_disable_cache", action="store_true", help="Disable internal VAE caching mechanism to reduce memory usage. Encoding / decoding will also be faster, but this differs from official behavior." + " / VAEのメモリ使用量を減らすために内部のキャッシュ機構を無効にします。エンコード/デコードも速くなりますが、公式の動作とは異なります。", ) parser.add_argument("--text_encoder", type=str, required=True, help="Text Encoder 1 (Qwen2.5-VL) directory or path") # LoRA parser.add_argument("--lora_weight", type=str, nargs="*", required=False, default=None, help="LoRA weight path") parser.add_argument("--lora_multiplier", type=float, nargs="*", default=1.0, help="LoRA multiplier") parser.add_argument("--include_patterns", type=str, nargs="*", default=None, help="LoRA module include patterns") parser.add_argument("--exclude_patterns", type=str, nargs="*", default=None, help="LoRA module exclude patterns") # inference parser.add_argument( "--guidance_scale", type=float, default=3.5, help="Guidance scale for classifier free guidance. Default is 3.5." ) parser.add_argument("--prompt", type=str, default=None, help="prompt for generation") parser.add_argument("--negative_prompt", type=str, default="", help="negative prompt for generation, default is empty string") parser.add_argument("--image_size", type=int, nargs=2, default=[1024, 1024], help="image size, height and width") parser.add_argument("--infer_steps", type=int, default=50, help="number of inference steps, default is 50") parser.add_argument("--save_path", type=str, required=True, help="path to save generated video") parser.add_argument("--seed", type=int, default=None, help="Seed for evaluation.") # Flow Matching parser.add_argument( "--flow_shift", type=float, default=5.0, help="Shift factor for flow matching schedulers. Default is 5.0.", ) parser.add_argument("--fp8", action="store_true", help="use fp8 for DiT model") parser.add_argument("--fp8_scaled", action="store_true", help="use scaled fp8 for DiT, only for fp8") parser.add_argument("--text_encoder_cpu", action="store_true", help="Inference on CPU for Text Encoders") parser.add_argument( "--device", type=str, default=None, help="device to use for inference. If None, use CUDA if available, otherwise use CPU" ) parser.add_argument( "--attn_mode", type=str, default="torch", choices=["flash", "torch", "sageattn", "xformers", "sdpa"], # "sdpa" for backward compatibility help="attention mode", ) parser.add_argument( "--output_type", type=str, default="images", choices=["images", "latent", "latent_images"], help="output type", ) parser.add_argument("--no_metadata", action="store_true", help="do not save metadata") parser.add_argument("--latent_path", type=str, nargs="*", default=None, help="path to latent for decode. no inference") parser.add_argument( "--lycoris", action="store_true", help=f"use lycoris for inference{'' if lycoris_available else ' (not available)'}" ) # arguments for batch and interactive modes parser.add_argument("--from_file", type=str, default=None, help="Read prompts from a file") parser.add_argument("--interactive", action="store_true", help="Interactive mode: read prompts from console") args = parser.parse_args() # Validate arguments if args.from_file and args.interactive: raise ValueError("Cannot use both --from_file and --interactive at the same time") if args.latent_path is None or len(args.latent_path) == 0: if args.prompt is None and not args.from_file and not args.interactive: raise ValueError("Either --prompt, --from_file or --interactive must be specified") if args.lycoris and not lycoris_available: raise ValueError("install lycoris: https://github.com/KohakuBlueleaf/LyCORIS") if args.attn_mode == "sdpa": args.attn_mode = "torch" # backward compatibility return args def parse_prompt_line(line: str) -> Dict[str, Any]: """Parse a prompt line into a dictionary of argument overrides Args: line: Prompt line with options Returns: Dict[str, Any]: Dictionary of argument overrides """ parts = line.split(" --") prompt = parts[0].strip() # Create dictionary of overrides overrides = {"prompt": prompt} for part in parts[1:]: if not part.strip(): continue option_parts = part.split(" ", 1) option = option_parts[0].strip() value = option_parts[1].strip() if len(option_parts) > 1 else "" # Map options to argument names if option == "w": overrides["image_size_width"] = int(value) elif option == "h": overrides["image_size_height"] = int(value) elif option == "d": overrides["seed"] = int(value) elif option == "s": overrides["infer_steps"] = int(value) elif option == "g" or option == "l": overrides["guidance_scale"] = float(value) elif option == "fs": overrides["flow_shift"] = float(value) elif option == "n": overrides["negative_prompt"] = value return overrides def apply_overrides(args: argparse.Namespace, overrides: Dict[str, Any]) -> argparse.Namespace: """Apply overrides to args Args: args: Original arguments overrides: Dictionary of overrides Returns: argparse.Namespace: New arguments with overrides applied """ args_copy = copy.deepcopy(args) for key, value in overrides.items(): if key == "image_size_width": args_copy.image_size[1] = value elif key == "image_size_height": args_copy.image_size[0] = value else: setattr(args_copy, key, value) return args_copy def check_inputs(args: argparse.Namespace) -> Tuple[int, int]: """Validate video size and length Args: args: command line arguments Returns: Tuple[int, int]: (height, width) """ height = args.image_size[0] width = args.image_size[1] if height % 32 != 0 or width % 32 != 0: raise ValueError(f"`height` and `width` have to be divisible by 32 but are {height} and {width}.") return height, width # region Model def load_dit_model( args: argparse.Namespace, device: torch.device, dit_weight_dtype: Optional[torch.dtype] = None ) -> anima_models.Anima: """load DiT model Args: args: command line arguments device: device to use dit_weight_dtype: data type for the model weights. None for as-is Returns: anima_models.Anima: DiT model instance """ # If LyCORIS is enabled, we will load the model to CPU and then merge LoRA weights (static method) loading_device = "cpu" if not args.lycoris: loading_device = device # load LoRA weights if not args.lycoris and args.lora_weight is not None and len(args.lora_weight) > 0: lora_weights_list = [] for lora_weight in args.lora_weight: logger.info(f"Loading LoRA weight from: {lora_weight}") lora_sd = load_file(lora_weight) # load on CPU, dtype is as is # lora_sd = filter_lora_state_dict(lora_sd, args.include_patterns, args.exclude_patterns) lora_sd = {k: v for k, v in lora_sd.items() if k.startswith("lora_unet_")} # only keep unet lora weights lora_weights_list.append(lora_sd) else: lora_weights_list = None loading_weight_dtype = dit_weight_dtype if args.fp8_scaled and not args.lycoris: loading_weight_dtype = None # we will load weights as-is and then optimize to fp8 model = anima_utils.load_anima_model( device, args.dit, args.attn_mode, True, # enable split_attn to trim masked tokens loading_device, loading_weight_dtype, args.fp8_scaled and not args.lycoris, lora_weights_list=lora_weights_list, lora_multipliers=args.lora_multiplier, ) if not args.fp8_scaled: # simple cast to dit_weight_dtype target_dtype = None # load as-is (dit_weight_dtype == dtype of the weights in state_dict) if dit_weight_dtype is not None: # in case of args.fp8 and not args.fp8_scaled logger.info(f"Convert model to {dit_weight_dtype}") target_dtype = dit_weight_dtype logger.info(f"Move model to device: {device}") target_device = device model.to(target_device, target_dtype) # move and cast at the same time. this reduces redundant copy operations # model.to(device) model.to(device, dtype=torch.bfloat16) # ensure model is in bfloat16 for inference model.eval().requires_grad_(False) clean_memory_on_device(device) return model def load_text_encoder( args: argparse.Namespace, dtype: torch.dtype = torch.bfloat16, device: torch.device = torch.device("cpu") ) -> torch.nn.Module: lora_weights_list = None if args.lora_weight is not None and len(args.lora_weight) > 0: lora_weights_list = [] for lora_weight in args.lora_weight: logger.info(f"Loading LoRA weight from: {lora_weight}") lora_sd = load_file(lora_weight) # load on CPU, dtype is as is # lora_sd = filter_lora_state_dict(lora_sd, args.include_patterns, args.exclude_patterns) lora_sd = { "model_" + k[len("lora_te_") :]: v for k, v in lora_sd.items() if k.startswith("lora_te_") } # only keep Text Encoder lora weights, remove prefix "lora_te_" and add "model_" prefix lora_weights_list.append(lora_sd) text_encoder, _ = anima_utils.load_qwen3_text_encoder( args.text_encoder, dtype=dtype, device=device, lora_weights=lora_weights_list, lora_multipliers=args.lora_multiplier ) text_encoder.eval() return text_encoder # endregion def decode_latent( vae: qwen_image_autoencoder_kl.AutoencoderKLQwenImage, latent: torch.Tensor, device: torch.device ) -> torch.Tensor: logger.info(f"Decoding image. Latent shape {latent.shape}, device {device}") vae.to(device) with torch.no_grad(): pixels = vae.decode_to_pixels(latent.to(device, dtype=vae.dtype)) # pixels = vae.decode(latent.to(device, dtype=torch.bfloat16), scale=vae_scale) if pixels.ndim == 5: # remove frame dimension if exists, [B, C, F, H, W] -> [B, C, H, W] pixels = pixels.squeeze(2) pixels = pixels.to("cpu", dtype=torch.float32) # move to CPU and convert to float32 (bfloat16 is not supported by numpy) vae.to("cpu") logger.info(f"Decoded. Pixel shape {pixels.shape}") return pixels[0] # remove batch dimension def process_escape(text: str) -> str: """Process escape sequences in text Args: text: Input text with escape sequences Returns: str: Processed text """ return text.encode("utf-8").decode("unicode_escape") def prepare_text_inputs( args: argparse.Namespace, device: torch.device, anima: anima_models.Anima, shared_models: Optional[Dict] = None ) -> Tuple[Dict[str, Any], Dict[str, Any]]: """Prepare text-related inputs for T2I: LLM encoding. Anima model is also needed for preprocessing""" # load text encoder: conds_cache holds cached encodings for prompts without padding conds_cache = {} text_encoder_device = torch.device("cpu") if args.text_encoder_cpu else device if shared_models is not None: text_encoder = shared_models.get("text_encoder") if "conds_cache" in shared_models: # Use shared cache if available conds_cache = shared_models["conds_cache"] # text_encoder is on device (batched inference) or CPU (interactive inference) else: # Load if not in shared_models text_encoder_dtype = torch.bfloat16 # Default dtype for Text Encoder text_encoder = load_text_encoder(args, dtype=text_encoder_dtype, device=text_encoder_device) text_encoder.eval() tokenize_strategy = strategy_base.TokenizeStrategy.get_strategy() # Store references so load_target_model can reuse them # Store original devices to move back later if they were shared. This does nothing if shared_models is None text_encoder_original_device = text_encoder.device if text_encoder else None # Ensure text_encoder is not None before proceeding if not text_encoder: raise ValueError("Text encoder is not loaded properly.") # Define a function to move models to device if needed # This is to avoid moving models if not needed, especially in interactive mode model_is_moved = False def move_models_to_device_if_needed(): nonlocal model_is_moved nonlocal shared_models if model_is_moved: return model_is_moved = True logger.info(f"Moving Text Encoder to appropriate device: {text_encoder_device}") text_encoder.to(text_encoder_device) # If text_encoder_cpu is True, this will be CPU logger.info("Encoding prompt with Text Encoder") prompt = process_escape(args.prompt) cache_key = prompt if cache_key in conds_cache: embed = conds_cache[cache_key] else: move_models_to_device_if_needed() tokenize_strategy = strategy_base.TokenizeStrategy.get_strategy() encoding_strategy = strategy_base.TextEncodingStrategy.get_strategy() with torch.no_grad(): # embed = anima_text_encoder.get_text_embeds(anima, tokenizer, text_encoder, t5xxl_tokenizer, prompt) tokens = tokenize_strategy.tokenize(prompt) embed = encoding_strategy.encode_tokens(tokenize_strategy, [text_encoder], tokens) crossattn_emb = anima._preprocess_text_embeds( source_hidden_states=embed[0].to(anima.device), target_input_ids=embed[2].to(anima.device), target_attention_mask=embed[3].to(anima.device), source_attention_mask=embed[1].to(anima.device), ) crossattn_emb[~embed[3].bool()] = 0 embed[0] = crossattn_emb embed[0] = embed[0].cpu() conds_cache[cache_key] = embed negative_prompt = process_escape(args.negative_prompt) cache_key = negative_prompt if cache_key in conds_cache: negative_embed = conds_cache[cache_key] else: move_models_to_device_if_needed() tokenize_strategy = strategy_base.TokenizeStrategy.get_strategy() encoding_strategy = strategy_base.TextEncodingStrategy.get_strategy() with torch.no_grad(): # negative_embed = anima_text_encoder.get_text_embeds(anima, tokenizer, text_encoder, t5xxl_tokenizer, negative_prompt) tokens = tokenize_strategy.tokenize(negative_prompt) negative_embed = encoding_strategy.encode_tokens(tokenize_strategy, [text_encoder], tokens) crossattn_emb = anima._preprocess_text_embeds( source_hidden_states=negative_embed[0].to(anima.device), target_input_ids=negative_embed[2].to(anima.device), target_attention_mask=negative_embed[3].to(anima.device), source_attention_mask=negative_embed[1].to(anima.device), ) crossattn_emb[~negative_embed[3].bool()] = 0 negative_embed[0] = crossattn_emb negative_embed[0] = negative_embed[0].cpu() conds_cache[cache_key] = negative_embed if not (shared_models and "text_encoder" in shared_models): # if loaded locally # There is a bug text_encoder is not freed from GPU memory when text encoder is fp8 del text_encoder gc.collect() # This may force Text Encoder to be freed from GPU memory else: # if shared, move back to original device (likely CPU) if text_encoder: text_encoder.to(text_encoder_original_device) clean_memory_on_device(device) arg_c = {"embed": embed, "prompt": prompt} arg_null = {"embed": negative_embed, "prompt": negative_prompt} return arg_c, arg_null def generate( args: argparse.Namespace, gen_settings: GenerationSettings, shared_models: Optional[Dict] = None, precomputed_text_data: Optional[Dict] = None, ) -> torch.Tensor: """main function for generation Args: args: command line arguments shared_models: dictionary containing pre-loaded models (mainly for DiT) precomputed_image_data: Optional dictionary with precomputed image data precomputed_text_data: Optional dictionary with precomputed text data Returns: tuple: (HunyuanVAE2D model (vae) or None, torch.Tensor generated latent) """ device, dit_weight_dtype = (gen_settings.device, gen_settings.dit_weight_dtype) # prepare seed seed = args.seed if args.seed is not None else random.randint(0, 2**32 - 1) args.seed = seed # set seed to args for saving if shared_models is None or "model" not in shared_models: # load DiT model anima = load_dit_model(args, device, dit_weight_dtype) if shared_models is not None: shared_models["model"] = anima else: # use shared model logger.info("Using shared DiT model.") anima: anima_models.Anima = shared_models["model"] if precomputed_text_data is not None: logger.info("Using precomputed text data.") context = precomputed_text_data["context"] context_null = precomputed_text_data["context_null"] else: logger.info("No precomputed data. Preparing image and text inputs.") context, context_null = prepare_text_inputs(args, device, anima, shared_models) return generate_body(args, anima, context, context_null, device, seed) def generate_body( args: Union[argparse.Namespace, SimpleNamespace], anima: anima_models.Anima, context: Dict[str, Any], context_null: Optional[Dict[str, Any]], device: torch.device, seed: int, ) -> torch.Tensor: # set random generator seed_g = torch.Generator(device="cpu") seed_g.manual_seed(seed) height, width = check_inputs(args) logger.info(f"Image size: {height}x{width} (HxW), infer_steps: {args.infer_steps}") # image generation ###### logger.info(f"Prompt: {context['prompt']}") embed = context["embed"][0].to(device, dtype=torch.bfloat16) if context_null is None: context_null = context # dummy for unconditional negative_embed = context_null["embed"][0].to(device, dtype=torch.bfloat16) # Prepare latent variables num_channels_latents = anima_models.Anima.LATENT_CHANNELS shape = ( 1, num_channels_latents, 1, # Frame dimension height // 8, # qwen_image_autoencoder_kl.SCALE_FACTOR, width // 8, # qwen_image_autoencoder_kl.SCALE_FACTOR, ) latents = randn_tensor(shape, generator=seed_g, device=device, dtype=torch.bfloat16) # Create padding mask bs = latents.shape[0] h_latent = latents.shape[-2] w_latent = latents.shape[-1] padding_mask = torch.zeros(bs, 1, h_latent, w_latent, dtype=torch.bfloat16, device=device) logger.info(f"Embed: {embed.shape}, negative_embed: {negative_embed.shape}, latents: {latents.shape}") embed = embed.to(torch.bfloat16) negative_embed = negative_embed.to(torch.bfloat16) # Prepare timesteps timesteps, sigmas = hunyuan_image_utils.get_timesteps_sigmas(args.infer_steps, args.flow_shift, device) timesteps /= 1000 # scale to [0,1] range timesteps = timesteps.to(device, dtype=torch.bfloat16) # Denoising loop do_cfg = args.guidance_scale != 1.0 autocast_enabled = args.fp8 with tqdm(total=len(timesteps), desc="Denoising steps") as pbar: for i, t in enumerate(timesteps): t_expand = t.expand(latents.shape[0]) with torch.no_grad(), torch.autocast(device_type=device.type, dtype=torch.bfloat16, enabled=autocast_enabled): noise_pred = anima(latents, t_expand, embed, padding_mask=padding_mask) if do_cfg: with torch.no_grad(), torch.autocast(device_type=device.type, dtype=torch.bfloat16, enabled=autocast_enabled): uncond_noise_pred = anima(latents, t_expand, negative_embed, padding_mask=padding_mask) noise_pred = uncond_noise_pred + args.guidance_scale * (noise_pred - uncond_noise_pred) # ensure latents dtype is consistent latents = hunyuan_image_utils.step(latents, noise_pred, sigmas, i).to(latents.dtype) pbar.update() return latents def get_time_flag(): return datetime.datetime.fromtimestamp(time.time()).strftime("%Y%m%d-%H%M%S-%f")[:-3] def save_latent(latent: torch.Tensor, args: argparse.Namespace, height: int, width: int) -> str: """Save latent to file Args: latent: Latent tensor args: command line arguments height: height of frame width: width of frame Returns: str: Path to saved latent file """ save_path = args.save_path os.makedirs(save_path, exist_ok=True) time_flag = get_time_flag() seed = args.seed latent_path = f"{save_path}/{time_flag}_{seed}_latent.safetensors" if args.no_metadata: metadata = None else: metadata = { "seeds": f"{seed}", "prompt": f"{args.prompt}", "height": f"{height}", "width": f"{width}", "infer_steps": f"{args.infer_steps}", # "embedded_cfg_scale": f"{args.embedded_cfg_scale}", "guidance_scale": f"{args.guidance_scale}", } if args.negative_prompt is not None: metadata["negative_prompt"] = f"{args.negative_prompt}" sd = {"latent": latent.contiguous()} save_file(sd, latent_path, metadata=metadata) logger.info(f"Latent saved to: {latent_path}") return latent_path def save_images(sample: torch.Tensor, args: argparse.Namespace, original_base_name: Optional[str] = None) -> str: """Save images to directory Args: sample: Video tensor args: command line arguments original_base_name: Original base name (if latents are loaded from files) Returns: str: Path to saved images directory """ save_path = args.save_path os.makedirs(save_path, exist_ok=True) time_flag = get_time_flag() seed = args.seed original_name = "" if original_base_name is None else f"_{original_base_name}" image_name = f"{time_flag}_{seed}{original_name}" x = torch.clamp(sample, -1.0, 1.0) x = ((x + 1.0) * 127.5).to(torch.uint8).cpu().numpy() x = x.transpose(1, 2, 0) # C, H, W -> H, W, C image = Image.fromarray(x) image.save(os.path.join(save_path, f"{image_name}.png")) logger.info(f"Sample images saved to: {save_path}/{image_name}") return f"{save_path}/{image_name}" def save_output( args: argparse.Namespace, vae: qwen_image_autoencoder_kl.AutoencoderKLQwenImage, latent: torch.Tensor, device: torch.device, original_base_name: Optional[str] = None, ) -> None: """save output Args: args: command line arguments vae: VAE model latent: latent tensor device: device to use original_base_name: original base name (if latents are loaded from files) """ height, width = latent.shape[-2], latent.shape[-1] # BCTHW height *= 8 # qwen_image_autoencoder_kl.SCALE_FACTOR width *= 8 # qwen_image_autoencoder_kl.SCALE_FACTOR # print(f"Saving output. Latent shape {latent.shape}; pixel shape {height}x{width}") if args.output_type == "latent" or args.output_type == "latent_images": # save latent save_latent(latent, args, height, width) if args.output_type == "latent": return if vae is None: logger.error("VAE is None, cannot decode latents for saving video/images.") return if latent.ndim == 2: # S,C. For packed latents from other inference scripts latent = latent.unsqueeze(0) height, width = check_inputs(args) # Get height/width from args latent = latent.view( 1, vae.latent_channels, 1, # Frame dimension height // 8, # qwen_image_autoencoder_kl.SCALE_FACTOR, width // 8, # qwen_image_autoencoder_kl.SCALE_FACTOR, ) image = decode_latent(vae, latent, device) if args.output_type == "images" or args.output_type == "latent_images": # save images if original_base_name is None: original_name = "" else: original_name = f"_{original_base_name}" save_images(image, args, original_name) def preprocess_prompts_for_batch(prompt_lines: List[str], base_args: argparse.Namespace) -> List[Dict]: """Process multiple prompts for batch mode Args: prompt_lines: List of prompt lines base_args: Base command line arguments Returns: List[Dict]: List of prompt data dictionaries """ prompts_data = [] for line in prompt_lines: line = line.strip() if not line or line.startswith("#"): # Skip empty lines and comments continue # Parse prompt line and create override dictionary prompt_data = parse_prompt_line(line) logger.info(f"Parsed prompt data: {prompt_data}") prompts_data.append(prompt_data) return prompts_data def load_shared_models(args: argparse.Namespace) -> Dict: """Load shared models for batch processing or interactive mode. Models are loaded to CPU to save memory. VAE is NOT loaded here. DiT model is also NOT loaded here, handled by process_batch_prompts or generate. Args: args: Base command line arguments Returns: Dict: Dictionary of shared models (text/image encoders) """ shared_models = {} # Load text encoders to CPU text_encoder_dtype = torch.bfloat16 # Default dtype for Text Encoder text_encoder = load_text_encoder(args, dtype=text_encoder_dtype, device=torch.device("cpu")) shared_models["text_encoder"] = text_encoder return shared_models def process_batch_prompts(prompts_data: List[Dict], args: argparse.Namespace) -> None: """Process multiple prompts with model reuse and batched precomputation Args: prompts_data: List of prompt data dictionaries args: Base command line arguments """ if not prompts_data: logger.warning("No valid prompts found") return gen_settings = get_generation_settings(args) dit_weight_dtype = gen_settings.dit_weight_dtype device = gen_settings.device # 1. Prepare VAE logger.info("Loading VAE for batch generation...") vae_for_batch = qwen_image_autoencoder_kl.load_vae( args.vae, device="cpu", disable_mmap=True, spatial_chunk_size=args.vae_chunk_size, disable_cache=args.vae_disable_cache ) vae_for_batch.to(torch.bfloat16) vae_for_batch.eval() all_prompt_args_list = [apply_overrides(args, pd) for pd in prompts_data] # Create all arg instances first for prompt_args in all_prompt_args_list: check_inputs(prompt_args) # Validate each prompt's height/width # 2. Load DiT Model once logger.info("Loading DiT model for batch generation...") # Use args from the first prompt for DiT loading (LoRA etc. should be consistent for a batch) first_prompt_args = all_prompt_args_list[0] anima = load_dit_model(first_prompt_args, device, dit_weight_dtype) # Load directly to target device if possible shared_models_for_generate = {"model": anima} # Pass DiT via shared_models # 3. Precompute Text Data (Text Encoder) logger.info("Loading Text Encoder for batch text preprocessing...") # Text Encoder loaded to CPU by load_text_encoder text_encoder_dtype = torch.bfloat16 # Default dtype for Text Encoder text_encoder_batch = load_text_encoder(args, dtype=text_encoder_dtype, device=torch.device("cpu")) # Text Encoder to device for this phase text_encoder_device = torch.device("cpu") if args.text_encoder_cpu else device text_encoder_batch.to(text_encoder_device) # Moved into prepare_text_inputs logic all_precomputed_text_data = [] conds_cache_batch = {} logger.info("Preprocessing text and LLM/TextEncoder encoding for all prompts...") temp_shared_models_txt = { "text_encoder": text_encoder_batch, # on GPU if not text_encoder_cpu "conds_cache": conds_cache_batch, } for i, prompt_args_item in enumerate(all_prompt_args_list): logger.info(f"Text preprocessing for prompt {i+1}/{len(all_prompt_args_list)}: {prompt_args_item.prompt}") # prepare_text_inputs will move text_encoders to device temporarily context, context_null = prepare_text_inputs(prompt_args_item, device, anima, temp_shared_models_txt) text_data = {"context": context, "context_null": context_null} all_precomputed_text_data.append(text_data) # Models should be removed from device after prepare_text_inputs del text_encoder_batch, temp_shared_models_txt, conds_cache_batch gc.collect() # Force cleanup of Text Encoder from GPU memory clean_memory_on_device(device) all_latents = [] logger.info("Generating latents for all prompts...") with torch.no_grad(): for i, prompt_args_item in enumerate(all_prompt_args_list): current_text_data = all_precomputed_text_data[i] height, width = check_inputs(prompt_args_item) # Get height/width for each prompt logger.info(f"Generating latent for prompt {i+1}/{len(all_prompt_args_list)}: {prompt_args_item.prompt}") try: # generate is called with precomputed data, so it won't load Text Encoders. # It will use the DiT model from shared_models_for_generate. latent = generate(prompt_args_item, gen_settings, shared_models_for_generate, current_text_data) if latent is None: # and prompt_args_item.save_merged_model: # Should be caught earlier continue # Save latent if needed (using data from precomputed_image_data for H/W) if prompt_args_item.output_type in ["latent", "latent_images"]: save_latent(latent, prompt_args_item, height, width) all_latents.append(latent) except Exception as e: logger.error(f"Error generating latent for prompt: {prompt_args_item.prompt}. Error: {e}", exc_info=True) all_latents.append(None) # Add placeholder for failed generations continue # Free DiT model logger.info("Releasing DiT model from memory...") del shared_models_for_generate["model"] del anima clean_memory_on_device(device) synchronize_device(device) # Ensure memory is freed before loading VAE for decoding # 4. Decode latents and save outputs (using vae_for_batch) if args.output_type != "latent": logger.info("Decoding latents to videos/images using batched VAE...") vae_for_batch.to(device) # Move VAE to device for decoding for i, latent in enumerate(all_latents): if latent is None: # Skip failed generations logger.warning(f"Skipping decoding for prompt {i+1} due to previous error.") continue current_args = all_prompt_args_list[i] logger.info(f"Decoding output {i+1}/{len(all_latents)} for prompt: {current_args.prompt}") # if args.output_type is "latent_images", we already saved latent above. # so we skip saving latent here. if current_args.output_type == "latent_images": current_args.output_type = "images" # save_output expects latent to be [BCTHW] or [CTHW]. generate returns [BCTHW] (batch size 1). save_output(current_args, vae_for_batch, latent, device) # Pass vae_for_batch vae_for_batch.to("cpu") # Move VAE back to CPU del vae_for_batch clean_memory_on_device(device) def process_interactive(args: argparse.Namespace) -> None: """Process prompts in interactive mode Args: args: Base command line arguments """ gen_settings = get_generation_settings(args) device = gen_settings.device shared_models = load_shared_models(args) shared_models["conds_cache"] = {} # Initialize empty cache for interactive mode vae = qwen_image_autoencoder_kl.load_vae( args.vae, device="cpu", disable_mmap=True, spatial_chunk_size=args.vae_chunk_size, disable_cache=args.vae_disable_cache ) vae.to(torch.bfloat16) vae.eval() print("Interactive mode. Enter prompts (Ctrl+D or Ctrl+Z (Windows) to exit):") try: import prompt_toolkit except ImportError: logger.warning("prompt_toolkit not found. Using basic input instead.") prompt_toolkit = None if prompt_toolkit: session = prompt_toolkit.PromptSession() def input_line(prompt: str) -> str: return session.prompt(prompt) else: def input_line(prompt: str) -> str: return input(prompt) try: while True: try: line = input_line("> ") if not line.strip(): continue if len(line.strip()) == 1 and line.strip() in ["\x04", "\x1a"]: # Ctrl+D or Ctrl+Z with prompt_toolkit raise EOFError # Exit on Ctrl+D or Ctrl+Z # Parse prompt prompt_data = parse_prompt_line(line) prompt_args = apply_overrides(args, prompt_data) # Generate latent # For interactive, precomputed data is None. shared_models contains text encoders. latent = generate(prompt_args, gen_settings, shared_models) # # If not one_frame_inference, move DiT model to CPU after generation # model = shared_models.get("model") # model.to("cpu") # Move DiT model to CPU after generation # Save latent and video # returned_vae from generate will be used for decoding here. save_output(prompt_args, vae, latent, device) except KeyboardInterrupt: print("\nInterrupted. Continue (Ctrl+D or Ctrl+Z (Windows) to exit)") continue except EOFError: print("\nExiting interactive mode") def get_generation_settings(args: argparse.Namespace) -> GenerationSettings: device = torch.device(args.device) dit_weight_dtype = torch.bfloat16 # default if args.fp8_scaled: dit_weight_dtype = None # various precision weights, so don't cast to specific dtype elif args.fp8: dit_weight_dtype = torch.float8_e4m3fn logger.info(f"Using device: {device}, DiT weight weight precision: {dit_weight_dtype}") gen_settings = GenerationSettings(device=device, dit_weight_dtype=dit_weight_dtype) return gen_settings def main(): # Parse arguments args = parse_args() # Check if latents are provided latents_mode = args.latent_path is not None and len(args.latent_path) > 0 # Set device device = args.device if args.device is not None else "cuda" if torch.cuda.is_available() else "cpu" device = torch.device(device) logger.info(f"Using device: {device}") args.device = device if latents_mode: # Original latent decode mode original_base_names = [] latents_list = [] seeds = [] # assert len(args.latent_path) == 1, "Only one latent path is supported for now" for latent_path in args.latent_path: original_base_names.append(os.path.splitext(os.path.basename(latent_path))[0]) seed = 0 if os.path.splitext(latent_path)[1] != ".safetensors": latents = torch.load(latent_path, map_location="cpu") else: latents = load_file(latent_path)["latent"] with safe_open(latent_path, framework="pt") as f: metadata = f.metadata() if metadata is None: metadata = {} logger.info(f"Loaded metadata: {metadata}") if "seeds" in metadata: seed = int(metadata["seeds"]) if "height" in metadata and "width" in metadata: height = int(metadata["height"]) width = int(metadata["width"]) args.image_size = [height, width] seeds.append(seed) logger.info(f"Loaded latent from {latent_path}. Shape: {latents.shape}") if latents.ndim == 5: # [BCTHW] latents = latents.squeeze(0) # [CTHW] latents_list.append(latents) vae = qwen_image_autoencoder_kl.load_vae( args.vae, device=device, disable_mmap=True, spatial_chunk_size=args.vae_chunk_size, disable_cache=args.vae_disable_cache, ) vae.to(torch.bfloat16) vae.eval() for i, latent in enumerate(latents_list): args.seed = seeds[i] save_output(args, vae, latent, device, original_base_names[i]) else: tokenize_strategy = strategy_anima.AnimaTokenizeStrategy( qwen3_path=args.text_encoder, t5_tokenizer_path=None, qwen3_max_length=512, t5_max_length=512 ) strategy_base.TokenizeStrategy.set_strategy(tokenize_strategy) encoding_strategy = strategy_anima.AnimaTextEncodingStrategy() strategy_base.TextEncodingStrategy.set_strategy(encoding_strategy) if args.from_file: # Batch mode from file # Read prompts from file with open(args.from_file, "r", encoding="utf-8") as f: prompt_lines = f.readlines() # Process prompts prompts_data = preprocess_prompts_for_batch(prompt_lines, args) process_batch_prompts(prompts_data, args) elif args.interactive: # Interactive mode process_interactive(args) else: # Single prompt mode (original behavior) # Generate latent gen_settings = get_generation_settings(args) # For single mode, precomputed data is None, shared_models is None. # generate will load all necessary models (Text Encoders, DiT). latent = generate(args, gen_settings) clean_memory_on_device(device) # Save latent and video vae = qwen_image_autoencoder_kl.load_vae( args.vae, device="cpu", disable_mmap=True, spatial_chunk_size=args.vae_chunk_size, disable_cache=args.vae_disable_cache, ) vae.to(torch.bfloat16) vae.eval() save_output(args, vae, latent, device) logger.info("Done!") if __name__ == "__main__": main() ================================================ FILE: anima_train.py ================================================ # Anima full finetune training script import argparse from concurrent.futures import ThreadPoolExecutor import copy import gc import math import os from multiprocessing import Value from typing import List import toml from tqdm import tqdm import torch from library import flux_train_utils, qwen_image_autoencoder_kl from library.device_utils import init_ipex, clean_memory_on_device from library.sd3_train_utils import FlowMatchEulerDiscreteScheduler init_ipex() from accelerate.utils import set_seed from library import deepspeed_utils, anima_models, anima_train_utils, anima_utils, strategy_base, strategy_anima, sai_model_spec import library.train_util as train_util from library.utils import setup_logging, add_logging_arguments setup_logging() import logging logger = logging.getLogger(__name__) import library.config_util as config_util from library.config_util import ( ConfigSanitizer, BlueprintGenerator, ) from library.custom_train_functions import apply_masked_loss, add_custom_train_arguments def train(args): train_util.verify_training_args(args) train_util.prepare_dataset_args(args, True) deepspeed_utils.prepare_deepspeed_args(args) setup_logging(args, reset=True) # backward compatibility if not args.skip_cache_check: args.skip_cache_check = args.skip_latents_validity_check if args.cache_text_encoder_outputs_to_disk and not args.cache_text_encoder_outputs: logger.warning("cache_text_encoder_outputs_to_disk is enabled, so cache_text_encoder_outputs is also enabled") args.cache_text_encoder_outputs = True if args.cpu_offload_checkpointing and not args.gradient_checkpointing: logger.warning("cpu_offload_checkpointing is enabled, so gradient_checkpointing is also enabled") args.gradient_checkpointing = True if args.unsloth_offload_checkpointing: if not args.gradient_checkpointing: logger.warning("unsloth_offload_checkpointing is enabled, so gradient_checkpointing is also enabled") args.gradient_checkpointing = True assert not args.cpu_offload_checkpointing, "Cannot use both --unsloth_offload_checkpointing and --cpu_offload_checkpointing" assert ( args.blocks_to_swap is None or args.blocks_to_swap == 0 ) or not args.cpu_offload_checkpointing, "blocks_to_swap is not supported with cpu_offload_checkpointing" assert ( args.blocks_to_swap is None or args.blocks_to_swap == 0 ) or not args.unsloth_offload_checkpointing, "blocks_to_swap is not supported with unsloth_offload_checkpointing" cache_latents = args.cache_latents use_dreambooth_method = args.in_json is None if args.seed is not None: set_seed(args.seed) # prepare caching strategy: must be set before preparing dataset if args.cache_latents: latents_caching_strategy = strategy_anima.AnimaLatentsCachingStrategy( args.cache_latents_to_disk, args.vae_batch_size, args.skip_cache_check ) strategy_base.LatentsCachingStrategy.set_strategy(latents_caching_strategy) # prepare dataset if args.dataset_class is None: blueprint_generator = BlueprintGenerator(ConfigSanitizer(True, True, args.masked_loss, True)) if args.dataset_config is not None: logger.info(f"Load dataset config from {args.dataset_config}") user_config = config_util.load_user_config(args.dataset_config) ignored = ["train_data_dir", "in_json"] if any(getattr(args, attr) is not None for attr in ignored): logger.warning("ignore following options because config file is found: {0}".format(", ".join(ignored))) else: if use_dreambooth_method: logger.info("Using DreamBooth method.") user_config = { "datasets": [ { "subsets": config_util.generate_dreambooth_subsets_config_by_subdirs( args.train_data_dir, args.reg_data_dir ) } ] } else: logger.info("Training with captions.") user_config = { "datasets": [ { "subsets": [ { "image_dir": args.train_data_dir, "metadata_file": args.in_json, } ] } ] } blueprint = blueprint_generator.generate(user_config, args) train_dataset_group, val_dataset_group = config_util.generate_dataset_group_by_blueprint(blueprint.dataset_group) else: train_dataset_group = train_util.load_arbitrary_dataset(args) val_dataset_group = None current_epoch = Value("i", 0) current_step = Value("i", 0) ds_for_collator = train_dataset_group if args.max_data_loader_n_workers == 0 else None collator = train_util.collator_class(current_epoch, current_step, ds_for_collator) train_dataset_group.verify_bucket_reso_steps(16) # Qwen-Image VAE spatial downscale = 8 * patch size = 2 if args.debug_dataset: if args.cache_text_encoder_outputs: strategy_base.TextEncoderOutputsCachingStrategy.set_strategy( strategy_anima.AnimaTextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, args.text_encoder_batch_size, False, False ) ) train_dataset_group.set_current_strategies() train_util.debug_dataset(train_dataset_group, True) return if len(train_dataset_group) == 0: logger.error("No data found. Please verify the metadata file and train_data_dir option.") return if cache_latents: assert train_dataset_group.is_latent_cacheable(), "when caching latents, either color_aug or random_crop cannot be used" if args.cache_text_encoder_outputs: assert train_dataset_group.is_text_encoder_output_cacheable( cache_supports_dropout=True ), "when caching text encoder output, shuffle_caption, token_warmup_step or caption_tag_dropout_rate cannot be used" # prepare accelerator logger.info("prepare accelerator") accelerator = train_util.prepare_accelerator(args) # mixed precision dtype weight_dtype, save_dtype = train_util.prepare_dtype(args) # Load tokenizers and set strategies logger.info("Loading tokenizers...") qwen3_text_encoder, qwen3_tokenizer = anima_utils.load_qwen3_text_encoder(args.qwen3, dtype=weight_dtype, device="cpu") t5_tokenizer = anima_utils.load_t5_tokenizer(args.t5_tokenizer_path) # Set tokenize strategy tokenize_strategy = strategy_anima.AnimaTokenizeStrategy( qwen3_tokenizer=qwen3_tokenizer, t5_tokenizer=t5_tokenizer, qwen3_max_length=args.qwen3_max_token_length, t5_max_length=args.t5_max_token_length, ) strategy_base.TokenizeStrategy.set_strategy(tokenize_strategy) text_encoding_strategy = strategy_anima.AnimaTextEncodingStrategy() strategy_base.TextEncodingStrategy.set_strategy(text_encoding_strategy) # Prepare text encoder (always frozen for Anima) qwen3_text_encoder.to(weight_dtype) qwen3_text_encoder.requires_grad_(False) # Cache text encoder outputs sample_prompts_te_outputs = None if args.cache_text_encoder_outputs: qwen3_text_encoder.to(accelerator.device) qwen3_text_encoder.eval() text_encoder_caching_strategy = strategy_anima.AnimaTextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, args.text_encoder_batch_size, args.skip_cache_check, is_partial=False ) strategy_base.TextEncoderOutputsCachingStrategy.set_strategy(text_encoder_caching_strategy) with accelerator.autocast(): train_dataset_group.new_cache_text_encoder_outputs([qwen3_text_encoder], accelerator) # cache sample prompt embeddings if args.sample_prompts is not None: logger.info(f"Cache Text Encoder outputs for sample prompts: {args.sample_prompts}") prompts = train_util.load_prompts(args.sample_prompts) sample_prompts_te_outputs = {} with accelerator.autocast(), torch.no_grad(): for prompt_dict in prompts: for p in [prompt_dict.get("prompt", ""), prompt_dict.get("negative_prompt", "")]: if p not in sample_prompts_te_outputs: logger.info(f" cache TE outputs for: {p}") tokens_and_masks = tokenize_strategy.tokenize(p) sample_prompts_te_outputs[p] = text_encoding_strategy.encode_tokens( tokenize_strategy, [qwen3_text_encoder], tokens_and_masks ) accelerator.wait_for_everyone() # free text encoder memory qwen3_text_encoder = None gc.collect() # Force garbage collection to free memory clean_memory_on_device(accelerator.device) # Load VAE and cache latents logger.info("Loading Anima VAE...") vae = qwen_image_autoencoder_kl.load_vae( args.vae, device="cpu", disable_mmap=True, spatial_chunk_size=args.vae_chunk_size, disable_cache=args.vae_disable_cache ) if cache_latents: vae.to(accelerator.device, dtype=weight_dtype) vae.requires_grad_(False) vae.eval() train_dataset_group.new_cache_latents(vae, accelerator) vae.to("cpu") clean_memory_on_device(accelerator.device) accelerator.wait_for_everyone() # Load DiT (MiniTrainDIT + optional LLM Adapter) logger.info("Loading Anima DiT...") dit = anima_utils.load_anima_model( "cpu", args.pretrained_model_name_or_path, args.attn_mode, args.split_attn, "cpu", dit_weight_dtype=None ) if args.gradient_checkpointing: dit.enable_gradient_checkpointing( cpu_offload=args.cpu_offload_checkpointing, unsloth_offload=args.unsloth_offload_checkpointing, ) train_dit = args.learning_rate != 0 dit.requires_grad_(train_dit) if not train_dit: dit.to(accelerator.device, dtype=weight_dtype) # Block swap is_swapping_blocks = args.blocks_to_swap is not None and args.blocks_to_swap > 0 if is_swapping_blocks: logger.info(f"Enable block swap: blocks_to_swap={args.blocks_to_swap}") dit.enable_block_swap(args.blocks_to_swap, accelerator.device) if not cache_latents: vae.requires_grad_(False) vae.eval() vae.to(accelerator.device, dtype=weight_dtype) # Setup optimizer with parameter groups if train_dit: param_groups = anima_train_utils.get_anima_param_groups( dit, base_lr=args.learning_rate, self_attn_lr=args.self_attn_lr, cross_attn_lr=args.cross_attn_lr, mlp_lr=args.mlp_lr, mod_lr=args.mod_lr, llm_adapter_lr=args.llm_adapter_lr, ) else: param_groups = [] training_models = [] if train_dit: training_models.append(dit) # calculate trainable parameters n_params = 0 for group in param_groups: for p in group["params"]: n_params += p.numel() accelerator.print(f"train dit: {train_dit}") accelerator.print(f"number of training models: {len(training_models)}") accelerator.print(f"number of trainable parameters: {n_params:,}") # prepare optimizer accelerator.print("prepare optimizer, data loader etc.") if args.fused_backward_pass: # Pass per-component param_groups directly to preserve per-component LRs _, _, optimizer = train_util.get_optimizer(args, trainable_params=param_groups) optimizer_train_fn, optimizer_eval_fn = train_util.get_optimizer_train_eval_fn(optimizer, args) else: _, _, optimizer = train_util.get_optimizer(args, trainable_params=param_groups) optimizer_train_fn, optimizer_eval_fn = train_util.get_optimizer_train_eval_fn(optimizer, args) # prepare dataloader train_dataset_group.set_current_strategies() n_workers = min(args.max_data_loader_n_workers, os.cpu_count()) train_dataloader = torch.utils.data.DataLoader( train_dataset_group, batch_size=1, shuffle=True, collate_fn=collator, num_workers=n_workers, persistent_workers=args.persistent_data_loader_workers, ) # calculate training steps if args.max_train_epochs is not None: args.max_train_steps = args.max_train_epochs * math.ceil( len(train_dataloader) / accelerator.num_processes / args.gradient_accumulation_steps ) accelerator.print(f"override steps. steps for {args.max_train_epochs} epochs: {args.max_train_steps}") train_dataset_group.set_max_train_steps(args.max_train_steps) # lr scheduler lr_scheduler = train_util.get_scheduler_fix(args, optimizer, accelerator.num_processes) # full fp16/bf16 training dit_weight_dtype = weight_dtype if args.full_fp16: assert args.mixed_precision == "fp16", "full_fp16 requires mixed_precision='fp16'" accelerator.print("enable full fp16 training.") elif args.full_bf16: assert args.mixed_precision == "bf16", "full_bf16 requires mixed_precision='bf16'" accelerator.print("enable full bf16 training.") else: dit_weight_dtype = torch.float32 # If neither full_fp16 nor full_bf16, the model weights should be in float32 dit.to(dit_weight_dtype) # convert dit to target weight dtype # move text encoder to GPU if not cached if not args.cache_text_encoder_outputs and qwen3_text_encoder is not None: qwen3_text_encoder.to(accelerator.device) clean_memory_on_device(accelerator.device) # Prepare with accelerator # Temporarily move non-training models off GPU to reduce memory during DDP init # if not args.cache_text_encoder_outputs and qwen3_text_encoder is not None: # qwen3_text_encoder.to("cpu") # if not cache_latents and vae is not None: # vae.to("cpu") # clean_memory_on_device(accelerator.device) if args.deepspeed: ds_model = deepspeed_utils.prepare_deepspeed_model(args, mmdit=dit) ds_model, optimizer, train_dataloader, lr_scheduler = accelerator.prepare( ds_model, optimizer, train_dataloader, lr_scheduler ) training_models = [ds_model] else: if train_dit: dit = accelerator.prepare(dit, device_placement=[not is_swapping_blocks]) if is_swapping_blocks: accelerator.unwrap_model(dit).move_to_device_except_swap_blocks(accelerator.device) optimizer, train_dataloader, lr_scheduler = accelerator.prepare(optimizer, train_dataloader, lr_scheduler) # Move non-training models back to GPU if not args.cache_text_encoder_outputs and qwen3_text_encoder is not None: qwen3_text_encoder.to(accelerator.device) if not cache_latents and vae is not None: vae.to(accelerator.device, dtype=weight_dtype) if args.full_fp16: train_util.patch_accelerator_for_fp16_training(accelerator) # resume train_util.resume_from_local_or_hf_if_specified(accelerator, args) if args.fused_backward_pass: # use fused optimizer for backward pass: other optimizers will be supported in the future import library.adafactor_fused library.adafactor_fused.patch_adafactor_fused(optimizer) for param_group in optimizer.param_groups: for parameter in param_group["params"]: if parameter.requires_grad: def create_grad_hook(p_group): def grad_hook(tensor: torch.Tensor): if accelerator.sync_gradients and args.max_grad_norm != 0.0: accelerator.clip_grad_norm_(tensor, args.max_grad_norm) optimizer.step_param(tensor, p_group) tensor.grad = None return grad_hook parameter.register_post_accumulate_grad_hook(create_grad_hook(param_group)) # Training loop num_update_steps_per_epoch = math.ceil(len(train_dataloader) / args.gradient_accumulation_steps) num_train_epochs = math.ceil(args.max_train_steps / num_update_steps_per_epoch) if (args.save_n_epoch_ratio is not None) and (args.save_n_epoch_ratio > 0): args.save_every_n_epochs = math.floor(num_train_epochs / args.save_n_epoch_ratio) or 1 accelerator.print("running training / 学習開始") accelerator.print(f" num examples / サンプル数: {train_dataset_group.num_train_images}") accelerator.print(f" num batches per epoch / 1epochのバッチ数: {len(train_dataloader)}") accelerator.print(f" num epochs / epoch数: {num_train_epochs}") accelerator.print( f" batch size per device / バッチサイズ: {', '.join([str(d.batch_size) for d in train_dataset_group.datasets])}" ) accelerator.print(f" gradient accumulation steps / 勾配を合計するステップ数 = {args.gradient_accumulation_steps}") accelerator.print(f" total optimization steps / 学習ステップ数: {args.max_train_steps}") progress_bar = tqdm(range(args.max_train_steps), smoothing=0, disable=not accelerator.is_local_main_process, desc="steps") global_step = 0 noise_scheduler = FlowMatchEulerDiscreteScheduler(num_train_timesteps=1000, shift=args.discrete_flow_shift) # Copy for noise and timestep generation, because noise_scheduler may be changed during training in future noise_scheduler_copy = copy.deepcopy(noise_scheduler) if accelerator.is_main_process: init_kwargs = {} if args.wandb_run_name: init_kwargs["wandb"] = {"name": args.wandb_run_name} if args.log_tracker_config is not None: init_kwargs = toml.load(args.log_tracker_config) accelerator.init_trackers( "finetuning" if args.log_tracker_name is None else args.log_tracker_name, config=train_util.get_sanitized_config_or_none(args), init_kwargs=init_kwargs, ) if "wandb" in [tracker.name for tracker in accelerator.trackers]: import wandb wandb.define_metric("epoch") wandb.define_metric("loss/epoch", step_metric="epoch") if is_swapping_blocks: accelerator.unwrap_model(dit).prepare_block_swap_before_forward() # For --sample_at_first optimizer_eval_fn() anima_train_utils.sample_images( accelerator, args, 0, global_step, dit, vae, qwen3_text_encoder, tokenize_strategy, text_encoding_strategy, sample_prompts_te_outputs, ) optimizer_train_fn() if len(accelerator.trackers) > 0: accelerator.log({}, step=0) # Show model info unwrapped_dit = accelerator.unwrap_model(dit) if dit is not None else None if unwrapped_dit is not None: logger.info(f"dit device: {unwrapped_dit.device}, dtype: {unwrapped_dit.dtype}") if qwen3_text_encoder is not None: logger.info(f"qwen3 device: {qwen3_text_encoder.device}") if vae is not None: logger.info(f"vae device: {vae.device}") loss_recorder = train_util.LossRecorder() epoch = 0 for epoch in range(num_train_epochs): accelerator.print(f"\nepoch {epoch+1}/{num_train_epochs}") current_epoch.value = epoch + 1 for m in training_models: m.train() for step, batch in enumerate(train_dataloader): current_step.value = global_step with accelerator.accumulate(*training_models): # Get latents if "latents" in batch and batch["latents"] is not None: latents = batch["latents"].to(accelerator.device, dtype=dit_weight_dtype) if latents.ndim == 5: # Fallback for 5D latents (old cache) latents = latents.squeeze(2) # (B, C, 1, H, W) -> (B, C, H, W) else: with torch.no_grad(): # images are already [-1, 1] from IMAGE_TRANSFORMS, add temporal dim images = batch["images"].to(accelerator.device, dtype=weight_dtype) latents = vae.encode_pixels_to_latents(images).to(accelerator.device, dtype=dit_weight_dtype) if torch.any(torch.isnan(latents)): accelerator.print("NaN found in latents, replacing with zeros") latents = torch.nan_to_num(latents, 0, out=latents) # Get text encoder outputs text_encoder_outputs_list = batch.get("text_encoder_outputs_list", None) if text_encoder_outputs_list is not None: # Cached outputs caption_dropout_rates = text_encoder_outputs_list[-1] text_encoder_outputs_list = text_encoder_outputs_list[:-1] # Apply caption dropout to cached outputs text_encoder_outputs_list = text_encoding_strategy.drop_cached_text_encoder_outputs( *text_encoder_outputs_list, caption_dropout_rates=caption_dropout_rates ) prompt_embeds, attn_mask, t5_input_ids, t5_attn_mask = text_encoder_outputs_list else: # Encode on-the-fly input_ids_list = batch["input_ids_list"] with torch.no_grad(): prompt_embeds, attn_mask, t5_input_ids, t5_attn_mask = text_encoding_strategy.encode_tokens( tokenize_strategy, [qwen3_text_encoder], input_ids_list ) # Move to device prompt_embeds = prompt_embeds.to(accelerator.device, dtype=dit_weight_dtype) attn_mask = attn_mask.to(accelerator.device) t5_input_ids = t5_input_ids.to(accelerator.device, dtype=torch.long) t5_attn_mask = t5_attn_mask.to(accelerator.device) # Noise and timesteps noise = torch.randn_like(latents) # Get noisy model input and timesteps noisy_model_input, timesteps, sigmas = flux_train_utils.get_noisy_model_input_and_timesteps( args, noise_scheduler_copy, latents, noise, accelerator.device, dit_weight_dtype ) timesteps = timesteps / 1000.0 # scale to [0, 1] range. timesteps is float32 # NaN checks if torch.any(torch.isnan(noisy_model_input)): accelerator.print("NaN found in noisy_model_input, replacing with zeros") noisy_model_input = torch.nan_to_num(noisy_model_input, 0, out=noisy_model_input) # Create padding mask # padding_mask: (B, 1, H_latent, W_latent) bs = latents.shape[0] h_latent = latents.shape[-2] w_latent = latents.shape[-1] padding_mask = torch.zeros(bs, 1, h_latent, w_latent, dtype=dit_weight_dtype, device=accelerator.device) # DiT forward (LLM adapter runs inside forward for DDP gradient sync) noisy_model_input = noisy_model_input.unsqueeze(2) # 4D to 5D, (B, C, 1, H, W) with accelerator.autocast(): model_pred = dit( noisy_model_input, timesteps, prompt_embeds, padding_mask=padding_mask, source_attention_mask=attn_mask, t5_input_ids=t5_input_ids, t5_attn_mask=t5_attn_mask, ) model_pred = model_pred.squeeze(2) # 5D to 4D, (B, C, H, W) # Compute loss (rectified flow: target = noise - latents) target = noise - latents # Weighting weighting = anima_train_utils.compute_loss_weighting_for_anima( weighting_scheme=args.weighting_scheme, sigmas=sigmas ) # Loss huber_c = train_util.get_huber_threshold_if_needed(args, timesteps, None) loss = train_util.conditional_loss(model_pred.float(), target.float(), args.loss_type, "none", huber_c) if args.masked_loss or ("alpha_masks" in batch and batch["alpha_masks"] is not None): loss = apply_masked_loss(loss, batch) loss = loss.mean([1, 2, 3]) # (B, C, H, W) -> (B,) if weighting is not None: loss = loss * weighting loss_weights = batch["loss_weights"] loss = loss * loss_weights loss = loss.mean() accelerator.backward(loss) if not args.fused_backward_pass: if accelerator.sync_gradients and args.max_grad_norm != 0.0: params_to_clip = [] for m in training_models: params_to_clip.extend(m.parameters()) accelerator.clip_grad_norm_(params_to_clip, args.max_grad_norm) optimizer.step() lr_scheduler.step() optimizer.zero_grad(set_to_none=True) else: # optimizer.step() and optimizer.zero_grad() are called in the optimizer hook lr_scheduler.step() # Checks if the accelerator has performed an optimization step if accelerator.sync_gradients: progress_bar.update(1) global_step += 1 optimizer_eval_fn() anima_train_utils.sample_images( accelerator, args, None, global_step, dit, vae, qwen3_text_encoder, tokenize_strategy, text_encoding_strategy, sample_prompts_te_outputs, ) # Save at specific steps if args.save_every_n_steps is not None and global_step % args.save_every_n_steps == 0: accelerator.wait_for_everyone() if accelerator.is_main_process: anima_train_utils.save_anima_model_on_epoch_end_or_stepwise( args, False, accelerator, save_dtype, epoch, num_train_epochs, global_step, accelerator.unwrap_model(dit) if train_dit else None, ) optimizer_train_fn() current_loss = loss.detach().item() if len(accelerator.trackers) > 0: logs = {"loss": current_loss} train_util.append_lr_to_logs_with_names( logs, lr_scheduler, args.optimizer_type, ["base", "self_attn", "cross_attn", "mlp", "mod", "llm_adapter"] if train_dit else [], ) accelerator.log(logs, step=global_step) loss_recorder.add(epoch=epoch, step=step, loss=current_loss) avr_loss: float = loss_recorder.moving_average logs = {"avr_loss": avr_loss} progress_bar.set_postfix(**logs) if global_step >= args.max_train_steps: break if len(accelerator.trackers) > 0: logs = {"loss/epoch": loss_recorder.moving_average, "epoch": epoch + 1} accelerator.log(logs, step=global_step) accelerator.wait_for_everyone() optimizer_eval_fn() if args.save_every_n_epochs is not None: if accelerator.is_main_process: anima_train_utils.save_anima_model_on_epoch_end_or_stepwise( args, True, accelerator, save_dtype, epoch, num_train_epochs, global_step, accelerator.unwrap_model(dit) if train_dit else None, ) anima_train_utils.sample_images( accelerator, args, epoch + 1, global_step, dit, vae, qwen3_text_encoder, tokenize_strategy, text_encoding_strategy, sample_prompts_te_outputs, ) # End training is_main_process = accelerator.is_main_process dit = accelerator.unwrap_model(dit) accelerator.end_training() optimizer_eval_fn() if args.save_state or args.save_state_on_train_end: train_util.save_state_on_train_end(args, accelerator) del accelerator if is_main_process and train_dit: anima_train_utils.save_anima_model_on_train_end( args, save_dtype, epoch, global_step, dit, ) logger.info("model saved.") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) train_util.add_sd_models_arguments(parser) train_util.add_dataset_arguments(parser, True, True, True) train_util.add_training_arguments(parser, False) train_util.add_masked_loss_arguments(parser) deepspeed_utils.add_deepspeed_arguments(parser) train_util.add_sd_saving_arguments(parser) train_util.add_optimizer_arguments(parser) config_util.add_config_arguments(parser) add_custom_train_arguments(parser) train_util.add_dit_training_arguments(parser) anima_train_utils.add_anima_training_arguments(parser) sai_model_spec.add_model_spec_arguments(parser) parser.add_argument( "--cpu_offload_checkpointing", action="store_true", help="offload gradient checkpointing to CPU (reduces VRAM at cost of speed)", ) parser.add_argument( "--unsloth_offload_checkpointing", action="store_true", help="offload activations to CPU RAM using async non-blocking transfers (faster than --cpu_offload_checkpointing). " "Cannot be used with --cpu_offload_checkpointing or --blocks_to_swap.", ) parser.add_argument( "--skip_latents_validity_check", action="store_true", help="[Deprecated] use 'skip_cache_check' instead", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) if args.attn_mode == "sdpa": args.attn_mode = "torch" # backward compatibility train(args) ================================================ FILE: anima_train_network.py ================================================ # Anima LoRA training script import argparse from typing import Any, Optional, Union import torch import torch.nn as nn from accelerate import Accelerator from library.device_utils import init_ipex, clean_memory_on_device init_ipex() from library import ( anima_models, anima_train_utils, anima_utils, flux_train_utils, qwen_image_autoencoder_kl, sd3_train_utils, strategy_anima, strategy_base, train_util, ) import train_network from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) class AnimaNetworkTrainer(train_network.NetworkTrainer): def __init__(self): super().__init__() self.sample_prompts_te_outputs = None def assert_extra_args( self, args, train_dataset_group: Union[train_util.DatasetGroup, train_util.MinimalDataset], val_dataset_group: Optional[train_util.DatasetGroup], ): if args.fp8_base or args.fp8_base_unet: logger.warning("fp8_base and fp8_base_unet are not supported. / fp8_baseとfp8_base_unetはサポートされていません。") args.fp8_base = False args.fp8_base_unet = False args.fp8_scaled = False # Anima DiT does not support fp8_scaled if args.cache_text_encoder_outputs_to_disk and not args.cache_text_encoder_outputs: logger.warning("cache_text_encoder_outputs_to_disk is enabled, so cache_text_encoder_outputs is also enabled") args.cache_text_encoder_outputs = True if args.cache_text_encoder_outputs: assert train_dataset_group.is_text_encoder_output_cacheable( cache_supports_dropout=True ), "when caching Text Encoder output, shuffle_caption, token_warmup_step or caption_tag_dropout_rate cannot be used" assert ( args.network_train_unet_only or not args.cache_text_encoder_outputs ), "network for Text Encoder cannot be trained with caching Text Encoder outputs / Text Encoderの出力をキャッシュしながらText Encoderのネットワークを学習することはできません" assert ( args.blocks_to_swap is None or args.blocks_to_swap == 0 ) or not args.cpu_offload_checkpointing, "blocks_to_swap is not supported with cpu_offload_checkpointing" if args.unsloth_offload_checkpointing: if not args.gradient_checkpointing: logger.warning("unsloth_offload_checkpointing is enabled, so gradient_checkpointing is also enabled") args.gradient_checkpointing = True assert ( not args.cpu_offload_checkpointing ), "Cannot use both --unsloth_offload_checkpointing and --cpu_offload_checkpointing" assert ( args.blocks_to_swap is None or args.blocks_to_swap == 0 ), "blocks_to_swap is not supported with unsloth_offload_checkpointing" train_dataset_group.verify_bucket_reso_steps(16) # WanVAE spatial downscale = 8 and patch size = 2 if val_dataset_group is not None: val_dataset_group.verify_bucket_reso_steps(16) def load_target_model(self, args, weight_dtype, accelerator): self.is_swapping_blocks = args.blocks_to_swap is not None and args.blocks_to_swap > 0 # Load Qwen3 text encoder (tokenizers already loaded in get_tokenize_strategy) logger.info("Loading Qwen3 text encoder...") qwen3_text_encoder, _ = anima_utils.load_qwen3_text_encoder(args.qwen3, dtype=weight_dtype, device="cpu") qwen3_text_encoder.eval() # Load VAE logger.info("Loading Anima VAE...") vae = qwen_image_autoencoder_kl.load_vae( args.vae, device="cpu", disable_mmap=True, spatial_chunk_size=args.vae_chunk_size, disable_cache=args.vae_disable_cache ) vae.to(weight_dtype) vae.eval() # Return format: (model_type, text_encoders, vae, unet) return "anima", [qwen3_text_encoder], vae, None # unet loaded lazily def load_unet_lazily(self, args, weight_dtype, accelerator, text_encoders) -> tuple[nn.Module, list[nn.Module]]: loading_dtype = None if args.fp8_scaled else weight_dtype loading_device = "cpu" if self.is_swapping_blocks else accelerator.device attn_mode = "torch" if args.xformers: attn_mode = "xformers" if args.attn_mode is not None: attn_mode = args.attn_mode # Load DiT logger.info(f"Loading Anima DiT model with attn_mode={attn_mode}, split_attn: {args.split_attn}...") model = anima_utils.load_anima_model( accelerator.device, args.pretrained_model_name_or_path, attn_mode, args.split_attn, loading_device, loading_dtype, args.fp8_scaled, ) # Store unsloth preference so that when the base NetworkTrainer calls # dit.enable_gradient_checkpointing(cpu_offload=...), we can override to use unsloth. # The base trainer only passes cpu_offload, so we store the flag on the model. self._use_unsloth_offload_checkpointing = args.unsloth_offload_checkpointing # Block swap self.is_swapping_blocks = args.blocks_to_swap is not None and args.blocks_to_swap > 0 if self.is_swapping_blocks: logger.info(f"enable block swap: blocks_to_swap={args.blocks_to_swap}") model.enable_block_swap(args.blocks_to_swap, accelerator.device) return model, text_encoders def get_tokenize_strategy(self, args): # Load tokenizers from paths (called before load_target_model, so self.qwen3_tokenizer isn't set yet) tokenize_strategy = strategy_anima.AnimaTokenizeStrategy( qwen3_path=args.qwen3, t5_tokenizer_path=args.t5_tokenizer_path, qwen3_max_length=args.qwen3_max_token_length, t5_max_length=args.t5_max_token_length, ) return tokenize_strategy def get_tokenizers(self, tokenize_strategy: strategy_anima.AnimaTokenizeStrategy): return [tokenize_strategy.qwen3_tokenizer] def get_latents_caching_strategy(self, args): return strategy_anima.AnimaLatentsCachingStrategy(args.cache_latents_to_disk, args.vae_batch_size, args.skip_cache_check) def get_text_encoding_strategy(self, args): return strategy_anima.AnimaTextEncodingStrategy() def post_process_network(self, args, accelerator, network, text_encoders, unet): pass def get_models_for_text_encoding(self, args, accelerator, text_encoders): if args.cache_text_encoder_outputs: return None # no text encoders needed for encoding return text_encoders def get_text_encoder_outputs_caching_strategy(self, args): if args.cache_text_encoder_outputs: return strategy_anima.AnimaTextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, args.text_encoder_batch_size, args.skip_cache_check, False ) return None def cache_text_encoder_outputs_if_needed( self, args, accelerator: Accelerator, unet, vae, text_encoders, dataset: train_util.DatasetGroup, weight_dtype ): if args.cache_text_encoder_outputs: if not args.lowram: # We cannot move DiT to CPU because of block swap, so only move VAE logger.info("move vae to cpu to save memory") org_vae_device = vae.device vae.to("cpu") clean_memory_on_device(accelerator.device) logger.info("move text encoder to gpu") text_encoders[0].to(accelerator.device) with accelerator.autocast(): dataset.new_cache_text_encoder_outputs(text_encoders, accelerator) # cache sample prompts if args.sample_prompts is not None: logger.info(f"cache Text Encoder outputs for sample prompts: {args.sample_prompts}") tokenize_strategy = strategy_base.TokenizeStrategy.get_strategy() text_encoding_strategy = strategy_base.TextEncodingStrategy.get_strategy() prompts = train_util.load_prompts(args.sample_prompts) sample_prompts_te_outputs = {} with accelerator.autocast(), torch.no_grad(): for prompt_dict in prompts: for p in [prompt_dict.get("prompt", ""), prompt_dict.get("negative_prompt", "")]: if p not in sample_prompts_te_outputs: logger.info(f" cache TE outputs for: {p}") tokens_and_masks = tokenize_strategy.tokenize(p) sample_prompts_te_outputs[p] = text_encoding_strategy.encode_tokens( tokenize_strategy, text_encoders, tokens_and_masks ) self.sample_prompts_te_outputs = sample_prompts_te_outputs accelerator.wait_for_everyone() # move text encoder back to cpu logger.info("move text encoder back to cpu") text_encoders[0].to("cpu") if not args.lowram: logger.info("move vae back to original device") vae.to(org_vae_device) clean_memory_on_device(accelerator.device) else: # move text encoder to device for encoding during training/validation text_encoders[0].to(accelerator.device) def sample_images(self, accelerator, args, epoch, global_step, device, vae, tokenizer, text_encoder, unet): text_encoders = text_encoder if isinstance(text_encoder, list) else [text_encoder] # compatibility te = self.get_models_for_text_encoding(args, accelerator, text_encoders) qwen3_te = te[0] if te is not None else None text_encoding_strategy = strategy_base.TextEncodingStrategy.get_strategy() tokenize_strategy = strategy_base.TokenizeStrategy.get_strategy() anima_train_utils.sample_images( accelerator, args, epoch, global_step, unet, vae, qwen3_te, tokenize_strategy, text_encoding_strategy, self.sample_prompts_te_outputs, ) def get_noise_scheduler(self, args: argparse.Namespace, device: torch.device) -> Any: noise_scheduler = sd3_train_utils.FlowMatchEulerDiscreteScheduler(num_train_timesteps=1000, shift=args.discrete_flow_shift) return noise_scheduler def encode_images_to_latents(self, args, vae, images): vae: qwen_image_autoencoder_kl.AutoencoderKLQwenImage return vae.encode_pixels_to_latents(images) # Keep 4D for input/output def shift_scale_latents(self, args, latents): # Latents already normalized by vae.encode with scale return latents def get_noise_pred_and_target( self, args, accelerator, noise_scheduler, latents, batch, text_encoder_conds, unet, network, weight_dtype, train_unet, is_train=True, ): anima: anima_models.Anima = unet # Sample noise if latents.ndim == 5: # Fallback for 5D latents (old cache) latents = latents.squeeze(2) # [B, C, 1, H, W] -> [B, C, H, W] noise = torch.randn_like(latents) # Get noisy model input and timesteps noisy_model_input, timesteps, sigmas = flux_train_utils.get_noisy_model_input_and_timesteps( args, noise_scheduler, latents, noise, accelerator.device, weight_dtype ) timesteps = timesteps / 1000.0 # scale to [0, 1] range. timesteps is float32 # Gradient checkpointing support if args.gradient_checkpointing: noisy_model_input.requires_grad_(True) for t in text_encoder_conds: if t is not None and t.dtype.is_floating_point: t.requires_grad_(True) # Unpack text encoder conditions prompt_embeds, attn_mask, t5_input_ids, t5_attn_mask = text_encoder_conds # Move to device prompt_embeds = prompt_embeds.to(accelerator.device, dtype=weight_dtype) attn_mask = attn_mask.to(accelerator.device) t5_input_ids = t5_input_ids.to(accelerator.device, dtype=torch.long) t5_attn_mask = t5_attn_mask.to(accelerator.device) # Create padding mask bs = latents.shape[0] h_latent = latents.shape[-2] w_latent = latents.shape[-1] padding_mask = torch.zeros(bs, 1, h_latent, w_latent, dtype=weight_dtype, device=accelerator.device) # Call model noisy_model_input = noisy_model_input.unsqueeze(2) # 4D to 5D, [B, C, H, W] -> [B, C, 1, H, W] with torch.set_grad_enabled(is_train), accelerator.autocast(): model_pred = anima( noisy_model_input, timesteps, prompt_embeds, padding_mask=padding_mask, target_input_ids=t5_input_ids, target_attention_mask=t5_attn_mask, source_attention_mask=attn_mask, ) model_pred = model_pred.squeeze(2) # 5D to 4D, [B, C, 1, H, W] -> [B, C, H, W] # Rectified flow target: noise - latents target = noise - latents # Loss weighting weighting = anima_train_utils.compute_loss_weighting_for_anima(weighting_scheme=args.weighting_scheme, sigmas=sigmas) return model_pred, target, timesteps, weighting def process_batch( self, batch, text_encoders, unet, network, vae, noise_scheduler, vae_dtype, weight_dtype, accelerator, args, text_encoding_strategy, tokenize_strategy, is_train=True, train_text_encoder=True, train_unet=True, ) -> torch.Tensor: """Override base process_batch for caption dropout with cached text encoder outputs.""" # Text encoder conditions text_encoder_outputs_list = batch.get("text_encoder_outputs_list", None) anima_text_encoding_strategy: strategy_anima.AnimaTextEncodingStrategy = text_encoding_strategy if text_encoder_outputs_list is not None: caption_dropout_rates = text_encoder_outputs_list[-1] text_encoder_outputs_list = text_encoder_outputs_list[:-1] # Apply caption dropout to cached outputs text_encoder_outputs_list = anima_text_encoding_strategy.drop_cached_text_encoder_outputs( *text_encoder_outputs_list, caption_dropout_rates=caption_dropout_rates ) batch["text_encoder_outputs_list"] = text_encoder_outputs_list return super().process_batch( batch, text_encoders, unet, network, vae, noise_scheduler, vae_dtype, weight_dtype, accelerator, args, text_encoding_strategy, tokenize_strategy, is_train, train_text_encoder, train_unet, ) def post_process_loss(self, loss, args, timesteps, noise_scheduler): return loss def get_sai_model_spec(self, args): return train_util.get_sai_model_spec_dataclass(None, args, False, True, False, anima="preview").to_metadata_dict() def update_metadata(self, metadata, args): metadata["ss_weighting_scheme"] = args.weighting_scheme metadata["ss_logit_mean"] = args.logit_mean metadata["ss_logit_std"] = args.logit_std metadata["ss_mode_scale"] = args.mode_scale metadata["ss_timestep_sampling"] = args.timestep_sampling metadata["ss_sigmoid_scale"] = args.sigmoid_scale metadata["ss_discrete_flow_shift"] = args.discrete_flow_shift def is_text_encoder_not_needed_for_training(self, args): return args.cache_text_encoder_outputs and not self.is_train_text_encoder(args) def prepare_text_encoder_grad_ckpt_workaround(self, index, text_encoder): # Set first parameter's requires_grad to True to workaround Accelerate gradient checkpointing bug first_param = next(text_encoder.parameters()) first_param.requires_grad_(True) def prepare_unet_with_accelerator( self, args: argparse.Namespace, accelerator: Accelerator, unet: torch.nn.Module ) -> torch.nn.Module: # The base NetworkTrainer only calls enable_gradient_checkpointing(cpu_offload=True/False), # so we re-apply with unsloth_offload if needed (after base has already enabled it). if self._use_unsloth_offload_checkpointing and args.gradient_checkpointing: unet.enable_gradient_checkpointing(unsloth_offload=True) if not self.is_swapping_blocks: return super().prepare_unet_with_accelerator(args, accelerator, unet) model = unet model = accelerator.prepare(model, device_placement=[not self.is_swapping_blocks]) accelerator.unwrap_model(model).move_to_device_except_swap_blocks(accelerator.device) accelerator.unwrap_model(model).prepare_block_swap_before_forward() return model def on_validation_step_end(self, args, accelerator, network, text_encoders, unet, batch, weight_dtype): if self.is_swapping_blocks: # prepare for next forward: because backward pass is not called, we need to prepare it here accelerator.unwrap_model(unet).prepare_block_swap_before_forward() def setup_parser() -> argparse.ArgumentParser: parser = train_network.setup_parser() train_util.add_dit_training_arguments(parser) anima_train_utils.add_anima_training_arguments(parser) # parser.add_argument("--fp8_scaled", action="store_true", help="Use scaled fp8 for DiT / DiTにスケーリングされたfp8を使う") parser.add_argument( "--unsloth_offload_checkpointing", action="store_true", help="offload activations to CPU RAM using async non-blocking transfers (faster than --cpu_offload_checkpointing). " "Cannot be used with --cpu_offload_checkpointing or --blocks_to_swap.", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) if args.attn_mode == "sdpa": args.attn_mode = "torch" # backward compatibility trainer = AnimaNetworkTrainer() trainer.train(args) ================================================ FILE: bitsandbytes_windows/cextension.py ================================================ import ctypes as ct from pathlib import Path from warnings import warn from .cuda_setup.main import evaluate_cuda_setup class CUDALibrary_Singleton(object): _instance = None def __init__(self): raise RuntimeError("Call get_instance() instead") def initialize(self): binary_name = evaluate_cuda_setup() package_dir = Path(__file__).parent binary_path = package_dir / binary_name if not binary_path.exists(): print(f"CUDA SETUP: TODO: compile library for specific version: {binary_name}") legacy_binary_name = "libbitsandbytes.so" print(f"CUDA SETUP: Defaulting to {legacy_binary_name}...") binary_path = package_dir / legacy_binary_name if not binary_path.exists(): print('CUDA SETUP: CUDA detection failed. Either CUDA driver not installed, CUDA not installed, or you have multiple conflicting CUDA libraries!') print('CUDA SETUP: If you compiled from source, try again with `make CUDA_VERSION=DETECTED_CUDA_VERSION` for example, `make CUDA_VERSION=113`.') raise Exception('CUDA SETUP: Setup Failed!') # self.lib = ct.cdll.LoadLibrary(binary_path) self.lib = ct.cdll.LoadLibrary(str(binary_path)) # $$$ else: print(f"CUDA SETUP: Loading binary {binary_path}...") # self.lib = ct.cdll.LoadLibrary(binary_path) self.lib = ct.cdll.LoadLibrary(str(binary_path)) # $$$ @classmethod def get_instance(cls): if cls._instance is None: cls._instance = cls.__new__(cls) cls._instance.initialize() return cls._instance lib = CUDALibrary_Singleton.get_instance().lib try: lib.cadam32bit_g32 lib.get_context.restype = ct.c_void_p lib.get_cusparse.restype = ct.c_void_p COMPILED_WITH_CUDA = True except AttributeError: warn( "The installed version of bitsandbytes was compiled without GPU support. " "8-bit optimizers and GPU quantization are unavailable." ) COMPILED_WITH_CUDA = False ================================================ FILE: bitsandbytes_windows/main.py ================================================ """ extract factors the build is dependent on: [X] compute capability [ ] TODO: Q - What if we have multiple GPUs of different makes? - CUDA version - Software: - CPU-only: only CPU quantization functions (no optimizer, no matrix multiple) - CuBLAS-LT: full-build 8-bit optimizer - no CuBLAS-LT: no 8-bit matrix multiplication (`nomatmul`) evaluation: - if paths faulty, return meaningful error - else: - determine CUDA version - determine capabilities - based on that set the default path """ import ctypes from .paths import determine_cuda_runtime_lib_path def check_cuda_result(cuda, result_val): # 3. Check for CUDA errors if result_val != 0: error_str = ctypes.c_char_p() cuda.cuGetErrorString(result_val, ctypes.byref(error_str)) print(f"CUDA exception! Error code: {error_str.value.decode()}") def get_cuda_version(cuda, cudart_path): # https://docs.nvidia.com/cuda/cuda-runtime-api/group__CUDART____VERSION.html#group__CUDART____VERSION try: cudart = ctypes.CDLL(cudart_path) except OSError: # TODO: shouldn't we error or at least warn here? print(f'ERROR: libcudart.so could not be read from path: {cudart_path}!') return None version = ctypes.c_int() check_cuda_result(cuda, cudart.cudaRuntimeGetVersion(ctypes.byref(version))) version = int(version.value) major = version//1000 minor = (version-(major*1000))//10 if major < 11: print('CUDA SETUP: CUDA version lower than 11 are currently not supported for LLM.int8(). You will be only to use 8-bit optimizers and quantization routines!!') return f'{major}{minor}' def get_cuda_lib_handle(): # 1. find libcuda.so library (GPU driver) (/usr/lib) try: cuda = ctypes.CDLL("libcuda.so") except OSError: # TODO: shouldn't we error or at least warn here? print('CUDA SETUP: WARNING! libcuda.so not found! Do you have a CUDA driver installed? If you are on a cluster, make sure you are on a CUDA machine!') return None check_cuda_result(cuda, cuda.cuInit(0)) return cuda def get_compute_capabilities(cuda): """ 1. find libcuda.so library (GPU driver) (/usr/lib) init_device -> init variables -> call function by reference 2. call extern C function to determine CC (https://docs.nvidia.com/cuda/cuda-driver-api/group__CUDA__DEVICE__DEPRECATED.html) 3. Check for CUDA errors https://stackoverflow.com/questions/14038589/what-is-the-canonical-way-to-check-for-errors-using-the-cuda-runtime-api # bits taken from https://gist.github.com/f0k/63a664160d016a491b2cbea15913d549 """ nGpus = ctypes.c_int() cc_major = ctypes.c_int() cc_minor = ctypes.c_int() device = ctypes.c_int() check_cuda_result(cuda, cuda.cuDeviceGetCount(ctypes.byref(nGpus))) ccs = [] for i in range(nGpus.value): check_cuda_result(cuda, cuda.cuDeviceGet(ctypes.byref(device), i)) ref_major = ctypes.byref(cc_major) ref_minor = ctypes.byref(cc_minor) # 2. call extern C function to determine CC check_cuda_result( cuda, cuda.cuDeviceComputeCapability(ref_major, ref_minor, device) ) ccs.append(f"{cc_major.value}.{cc_minor.value}") return ccs # def get_compute_capability()-> Union[List[str, ...], None]: # FIXME: error def get_compute_capability(cuda): """ Extracts the highest compute capbility from all available GPUs, as compute capabilities are downwards compatible. If no GPUs are detected, it returns None. """ ccs = get_compute_capabilities(cuda) if ccs is not None: # TODO: handle different compute capabilities; for now, take the max return ccs[-1] return None def evaluate_cuda_setup(): print('') print('='*35 + 'BUG REPORT' + '='*35) print('Welcome to bitsandbytes. For bug reports, please submit your error trace to: https://github.com/TimDettmers/bitsandbytes/issues') print('For effortless bug reporting copy-paste your error into this form: https://docs.google.com/forms/d/e/1FAIpQLScPB8emS3Thkp66nvqwmjTEgxp8Y9ufuWTzFyr9kJ5AoI47dQ/viewform?usp=sf_link') print('='*80) return "libbitsandbytes_cuda116.dll" # $$$ binary_name = "libbitsandbytes_cpu.so" #if not torch.cuda.is_available(): #print('No GPU detected. Loading CPU library...') #return binary_name cudart_path = determine_cuda_runtime_lib_path() if cudart_path is None: print( "WARNING: No libcudart.so found! Install CUDA or the cudatoolkit package (anaconda)!" ) return binary_name print(f"CUDA SETUP: CUDA runtime path found: {cudart_path}") cuda = get_cuda_lib_handle() cc = get_compute_capability(cuda) print(f"CUDA SETUP: Highest compute capability among GPUs detected: {cc}") cuda_version_string = get_cuda_version(cuda, cudart_path) if cc == '': print( "WARNING: No GPU detected! Check your CUDA paths. Processing to load CPU-only library..." ) return binary_name # 7.5 is the minimum CC vor cublaslt has_cublaslt = cc in ["7.5", "8.0", "8.6"] # TODO: # (1) CUDA missing cases (no CUDA installed by CUDA driver (nvidia-smi accessible) # (2) Multiple CUDA versions installed # we use ls -l instead of nvcc to determine the cuda version # since most installations will have the libcudart.so installed, but not the compiler print(f'CUDA SETUP: Detected CUDA version {cuda_version_string}') def get_binary_name(): "if not has_cublaslt (CC < 7.5), then we have to choose _nocublaslt.so" bin_base_name = "libbitsandbytes_cuda" if has_cublaslt: return f"{bin_base_name}{cuda_version_string}.so" else: return f"{bin_base_name}{cuda_version_string}_nocublaslt.so" binary_name = get_binary_name() return binary_name ================================================ FILE: configs/qwen3_06b/config.json ================================================ { "architectures": [ "Qwen3ForCausalLM" ], "attention_bias": false, "attention_dropout": 0.0, "bos_token_id": 151643, "eos_token_id": 151643, "head_dim": 128, "hidden_act": "silu", "hidden_size": 1024, "initializer_range": 0.02, "intermediate_size": 3072, "max_position_embeddings": 32768, "max_window_layers": 28, "model_type": "qwen3", "num_attention_heads": 16, "num_hidden_layers": 28, "num_key_value_heads": 8, "rms_norm_eps": 1e-06, "rope_scaling": null, "rope_theta": 1000000, "sliding_window": null, "tie_word_embeddings": true, "torch_dtype": "bfloat16", "transformers_version": "4.51.0", "use_cache": true, "use_sliding_window": false, "vocab_size": 151936 } ================================================ FILE: configs/qwen3_06b/merges.txt ================================================ #version: 0.2 Ġ Ġ ĠĠ ĠĠ i n Ġ t ĠĠĠĠ ĠĠĠĠ e r ĠĠ Ġ o n Ġ a r e a t s t e n o r Ġt h Ċ Ċ Ġ c l e Ġ s i t a n a r a l Ġth e ; Ċ Ġ p Ġ f o u Ġ = i s ĠĠĠĠ ĠĠĠ in g e s Ġ w i on e d i c Ġ b Ġ d e t Ġ m Ġ o ĉ ĉ r o a s e l c t n d Ġ in Ġ h en t i d Ġ n a m ĠĠĠĠĠĠĠĠ ĠĠĠ Ġt o Ġ re - - Ġ { Ġo f o m ) ;Ċ i m č Ċ Ġ ( i l / / Ġa nd u r s e Ġ l e x Ġ S a d Ġ " c h u t i f * * Ġ } e m o l ĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠ t h ) Ċ Ġ{ Ċ Ġ g i g i v , Ċ c e o d Ġ v at e Ġ T a g a y Ġ * o t u s Ġ C Ġ st Ġ I u n u l u e Ġ A o w Ġ ' e w Ġ < at ion ( ) Ġf or a b or t u m am e Ġ is p e t r c k â Ģ Ġ y i st -- -- . ĊĊ h e Ġ e l o Ġ M Ġb e er s Ġ on Ġc on a p u b Ġ P ĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠ as s in t > Ċ l y ur n Ġ $ ; ĊĊ a v p ort i r - > n t ct ion en d Ġd e it h ou t t urn ou r ĠĠĠĠ Ġ l ic re s p t = = Ġth is Ġw h Ġ if Ġ D v er ag e Ġ B h t ex t = " Ġth at ** ** Ġ R Ġ it es s Ġ F Ġ r o s an d Ġa s e ct k e ro m Ġ // c on Ġ L ( " q u l ass Ġw ith i z d e Ġ N Ġa l o p u p g et Ġ} Ċ i le Ġa n at a o re r i Ġp ro ; čĊ ĉĉ ĉĉ t er a in Ġ W Ġ E Ġc om Ġre turn ar t Ġ H a ck im port ub lic Ġ or e st m ent Ġ G ab le Ġ - in e il l in d er e : : it y Ġ + Ġt r el f ig ht ( ' or m ul t st r . . " , Ġy ou y pe p l Ġn ew Ġ j ĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠ Ġf rom Ġ ex Ġ O l d Ġ [ o c : Ċ Ġs e Ġ le ---- ---- . s { Ċ ' , an t Ġa t as e . c Ġc h < / av e an g Ġa re Ġin t âĢ Ļ _ t er t i al a ct } Ċ iv e od e o st Ġc lass Ġn ot o g or d al ue al l f f ( );Ċ on t im e a re Ġ U Ġp r Ġ : i es iz e u re Ġb y i re Ġ} ĊĊ . p Ġs h ic e a st pt ion tr ing o k _ _ c l # # Ġh e ar d ) . Ġ @ i ew ĉĉ ĉ Ġw as i p th is Ġ u ĠT he id e a ce i b a c r ou Ġw e j ect Ġp ublic a k v e at h o id Ġ= > u st q ue Ġre s ) ) ' s Ġ k an s y st un ction **** **** Ġ i Ġ us p p on e a il == == n ame Ġst r Ġ / Ġ & a ch d iv yst em el l Ġh ave er r ou ld ul l p on Ġ J _ p Ġ= = ig n S t . Ċ Ġp l ) ;ĊĊ f orm p ut ou nt } ĊĊ d d it e Ġg et r r om e Ġ âĢ ar am c c Ġ* / E R I n le s _ s on g i e Ġc an Ġ V er v p r Ġ un ro w b er Ġd o l l Ġ el Ġs elf at ed ar y Ġ . ' ] u d Ġ en ĠT h ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠ t e _ c u ct Ġa b or k . get Ġ # a w res s o b N ame ap p [ ' Ġal l or y it ion an ce e ar Ġcon t v ent i a Ġw ill I N ĠĠĠĠĠĠĠĠ Ġ re turn Ġ< / d ata ) ĊĊ R e p le il d th er Ġy our " Ċ ( $ Ġ out ) , Ġh as S tring s o Ġ up a x Ġde f Ġb o g e al se O N p er ic h Ġb ut Ġ Ċ Ġ _ _ m ad d que st od el s elf er y f t en s // // a ke . C Ġg o Ġf unction Ġ K iv ate Ġ im Ġcon st . t Ġ*/ Ċ ) ;čĊ Ġv oid Ġs et ĠS ystem c ri ( )Ċ l i ĉ if . m al ly s et e p âĢĻ s b o de f ' ,Ċ Ġm e Ġ ! at ch " > " ,Ċ e c ĠI n p h Ġ | _ f Ġv ar en ce I d re e in k le ct u g et h Ġel se -------- -------- con t Ġs o at ic Ġl o p ro t on s s ow n ab el o int ou s el d S T T he ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ R E " : ol or t p e g ke y u de ĠS t ou nd Ġa r " );Ċ en er s er b ject ess age f er Ġm ore ation s ent s Ġh is Ġthe y . S Ġ Y u se n e is h ol d _ d i o i eld Ġp er C ont ing s ## ## Ġd ata Ġs a e f f o Ġon e en g Ġd is A T Ġn ame Ġtr ue v al le d . f Ġn e Ġ end . T c re ar k lo g E x err or _ id ur re ang e Ġn ull rr ay Ġm y p an ic t at or V iew L ist ĉ return âĢ Ŀ Ġp re Ġ x cl ude ar g o v . h Ġ > Ġthe ir ' ) ir st ic k g h L E O R Ġpr ivate t em čĊ čĊ us er Ġ ) c om . A " ;Ċ Ġ id re ad Ġwh o _ b " >Ċ Ġt ime Ġm an r y ==== ==== rou p ro p p ublic v el um ber b le Ġwh ich ******** ******** Ġan y Ġf alse w e Ġv alue Ġl i " ) nd er g r Ġn o p aram f ig .c om Ġa pp _ l ion s . D ĠC h Ġab out Ġa dd Ġs u Ġstr ing I D Ġo ver str ing . l our ce _ C ] Ċ Ġ qu ĠS tring c a S E Ġ ro s h u al T ype s on n ew er n Ġa g A R ] ;Ċ ] . Ġ ? ic al Ġd es ut h i x ay s Ġt ype ' t a ult Ġin ter v ar . b Ġp art . d urre nt I T E N en c ( f r a v alue ch o ut ton o se Ġ! = at er à © re ate ol l p os y le n g A L us ing am es Ġ{ čĊ at es el y Ġw ork Ġ em in al Ġs p Ġwh en .s et ĠĠĠĠ ĠĠ ) :Ċ t o qu ire ind ow le ment pe ct as h [ i Ġu se . F pe c Ġa d o ve ce ption eng th in clude ad er ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠ at us T h it le r it v oid () . ( Ċ Ġof f Ġo ther Ġ& & ' ;Ċ m s Ġbe en Ġt e m l c o n c erv ice Ġ % ** Ċ an n ad e ĊĊ ĊĊ lo ck con st pon se Ġs up + + d ate Ġa cc Ġh ad Ġb u ĠR e Ġw ere Ġf ile Ġw ould ĠâĢ ľ v en is s Ġ our c lass r aw Ġy ear D ata Ġv al Ġs ome f ter y s Ġ// / rou nd v iew Ġp e Ġth ere Ġsa id d u o f l ine / * d uct Ġh er ĠĠĠĠĠĠĠĠ ĠĠĠĠĠ R es Ġc o Ġcom m is e m in ĠĠĠĠ Ċ # include eth od . P ut e Ġas s I nt as k lo c Ġli ke od y Ġle t lo ad Ġa m ro l Ġg r y p Ġal so ĠI t ur l if ic or s _ P _ n ig h Ġth an C om A N U L at ing ĠTh is re f _ S Ġst atic ro ll Ġj ust Ġres ult i an id th Ġthe m ) );Ċ d er re ak C on : // u le .. . ar ch em ent Ġ< < us h en se ar r Ġint o c ess am p i ed um ent Ġ \ ] , w o al s Ġwh at an c V alue = ' ol um Ġp os ag es ay er Ġs c u es " )Ċ _ T Ġl ist ( s Ġc ase C h ĉĉĉĉ ĉ //// //// pon ent Ġ z Ġk n le t D E re d Ġf e Ġ} ,Ċ Ġ , ( t Ġf irst ' );Ċ w ord Ġ import Ġa ct Ġch ar C T ĠT r op le = { ĉ f i ent c ent . j le ction ) )Ċ Ġon ly Ġpr int m er . W o ck Ġ -- T ext Ġo p an k Ġit s Ġb ack [ " Ġne ed Ġc l Ġs ub Ġl a ( ( . " O bject Ġst art f ile ( self n er e y Ġus er Ġ ent ĠC om it s ĠC on ou ble ow er it em ver y ĠW e lic k Ġ Q ph p t tp ' : ic s Ġu nder Ġ* Ċ . L ) ; ic es Ġre g ) čĊ ĉ public S S Ġth en re at i ous . G e k ire ct he ck cri pt n ing ĠU n Ġm ay ĠW h B o I tem str uct . st re am ib le lo at Ġor g u nd s um _ in .. / _ M Ġh ow r ite ' Ċ T o w w Ġpe ople ind ex . n ht tp ( m ect or Ġin d Ġj av ] ,Ċ ĠH e _ st f ul o le ) {Ċ Ġsh ould op y el p i er _ name ers on I ON ot e Ġt est Ġb et rr or ul ar ã Ģ Ġ Ð b s t ing Ġm ake T r Ġa fter ar get R O olum n r c _ re def ine Ġr ight r ight d ay Ġl ong [ ] ( p t d con d ĠP ro Ġre m ption s v id . g Ġ ext Ġ __ ' )Ċ p ace m p Ġm in st ance a ir a ction w h t ype ut il a it < ? I C t ext Ġp h Ġf l . M cc ess b r f ore ers ion ) ,Ċ . re ate g Ġl oc in s - s tr ib ĠI nt Ġa rray , " P ro ( c ess ion > ĊĊ Ġs he " ] ap h Ġex p ert y ĠS e Ġp ar un c E T Ġre ad pr int Ġre l Ġfor m Ġd r Ex ception in put Ġtr ans #### #### ord er B y Ġa w it ies u ff pl ay . add ĠâĢ ĵ Ġw ant Ġcom p ment s Ġ| | a z b e Ġn umber Ġre quire ĠE x Ġc ol Ġ key em ber Ġt wo Ġs ize Ġwh ere U T res ult ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ou gh or ld o od u ch at ive g er are nt Ġ/ * Ġar g Ġwh ile ( this Ġre c Ġd if St ate Ġs pec r ide _ F Ġlo ok A M il ity et er âĢĻ t ĊĊ Ċ ay out ---------------- ---------------- ag er Ġc ould Ġb r end s u res Ġkn ow et s ĠI f ĠS h . w b ack Ġs er Ġ+ = Ġf r () );Ċ Ġh and I nd UL L I m () ;ĊĊ Ġm ost Ġtr y Ġn ow rou gh > čĊ ack age Ġh im . _ if y Ġb reak Ġ );Ċ re n # define it t Ġa p ĉ c ( n ĠY ou : ĊĊ - m Ġe very ust om li ent oc ument cri ption E rror - b Ð ¾ ] [ tr ans Ġp oint Ġst d Ġf il T ime Ġm od Ġ -> Ġ error a h Ġt ext roll er lo se q l Ġp ol > < . B - c Ġop en Ġe st ĠĠĠĠĠĠĠĠ Ċ Ġn ext I M Ñ Ĥ O T à ³ Ġf ollow cont ent ĠĠĠĠĠĠĠĠ ĠĠĠĠ Ġin clud H E ĠR es Ġh ref Ð ¸ Ġc ar yp es im age U n Ġbo ol A D Ġg ame .F orm row s * / vel op .D rawing Ġp ath is ion Ġe ach ĠP l _t ype P ath ne ction Ġa v ' ). Ġsup port EN T re m " ). Ġo wn Ġc or c ount m iss u ally Ġm em st d i ence se arch " ĊĊ F orm Ġs ex en ame Ġs ign Ġ et ĠĠĠĠĠĠĠĠ ĠĠ ', ' ĠA pp Ġth ose o ff Ġ err Ġs ystem Ġbe st c ode Ġs ame Ġd i us s Ġc reate ath er A rray . in f e S ervice U N at s Ġ Z al th Ġm ade tr ue A B Ġm ark r id if ied , čĊ y n p ress Ġg roup Ġf in ĠL icense F ield eg er Ġw orld in ess t y Ġpro cess ( b Ġc re ar n iv es Ġm ain ide o _ g A G val id im g P I Ġc olor Ġre port Ġt ake ri b O M Ġd ay Re quest Ġs k b ers ĉ s .A dd o ot Im age Ġcom ple ol lection Ġto p Ġf ree A S D e ĠO n I G et a D ate Ġa ction O ver it or ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ n ot Ġind ex h er ic on O n ;čĊ čĊ iv ity m and .W indows O L Ġre al Ġm ax l and .. .. r aph Ġbu ild le g ass word ? ĊĊ âĢ ¦ o ok u ck Ġm essage t est iv ers Ġin put Ġar t Ġbet ween G et ent er g round en e à ¡ .l ength N ode ( i C lass f or ĠâĢ Ķ t en o in Ġ ke u i ĠI N Ġt able s ub ĠL e Ġhe ad Ġm ust //////// //////// . util Cont ext Ġor der Ġm ov o ver Ġcont in Ġs ay st atic .T ext Ġclass Name pan y Ġt er he ad r g Ġpro duct Th is . âĢĿ ĠB ut lo y Ġd ouble s g Ġpl ace . x m essage Ġin formation pr ivate Ġo per c ed d b "> ater ial ile d Ġp ut Q u Ñ Ģ un g m ap ĉĉĉĉ ĉĉĉĉ Ġle vel Com ponent bo ok cre en _ RE Ġcon fig ã ģ O r . data Ġd ocument ", " trib ute u x L og fer ence p ost _ e Ġloc al and om ass ert V al lect ed in a atab ase A dd Ġcont ent .p rint s igned r ic ." ĊĊ Ġf a ! ĊĊ - f iv ed Ġ quest . ex Ġf loat Ġde velop о Ð M ap ad ing Ġpos s U E n amespace _ O ĉ b .G et > ( j son etail s Ġto o Ġext ends ĠN one Ġf ore ( String form at Ġg reat int er ca le Ñ ģ r on iv ing E nt enc y x t o y Ġmon th Ġh app Ġsup er b ar def ault _ de ord s l n ( {Ċ ĠI nd as es Ġt itle Ġcont ext o h - p E m Ġm et T est Ġl ife _ v ĠU S U I oc ation m d Ġ[ Ċ Ġ ] s w Ġin cre s cript ent ial w ays . de Ġs rc Ġc atch ĠA meric // Ċ ĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠ Ġp ay pl it âĢ Ķ Ġc oun ob j .ph p Ġch ange eth ing ' re ast er lo s l ation ĠĠ Ċ L e à ¤ ( { read y ĠN o Ġpos ition Ġo ld Ġbo ok able d b ug H and } ;ĊĊ is play av ing Ġgo ver Ġv ersion S ystem n ect res ponse St yle U p ang u Ġth ree in it er o Ġl aw end if Ġb ase em ail ( l _ V Ġcon f AT E Ġd uring t es Ġcon sole ĠP r Ġs pe v es p ath ial og d ition _t o ard s Ġagain st et work ĠP h _ L c ur im it W ith Ġp ower i um ' ;ĊĊ Ġw om le ft our ces at ri ĠI m ĠM an or th $ { qu als es e _s ize Ġis s ot al - g i que r ame Ġw idth er g ) ( itt le T R ĠThe y enc es r l on s Ġl abel . y - t up date an el s c .t o Ġpro ject à ¼ Ġe lement Ġsu ccess ĉĉ Ċ .s h r am ch ed () )Ċ Ġ( Ċ Ġd ate Ġto t _ ST A ll ific ation ĉ var Ġt ri ch em m y Ġb ig ĠA d ĠA t ot s n um A ct Ġm ap er a co pe . $ , âĢĿ Ġp op Ġf ew Ġl en u id et ers u les Ã Ń s ource http s Ġd em Ġe ar ######## ######## Ġm atch or ies ac es ĠC l Ġn ode ir c loc al un ity } ;Ċ Ġan other < < og le Ġs it ew ork T E . I N S olog y ou ght .C ont > > Ġc are st ate ĉ private Ġe ffect ++ ) _f ile end ing L ine F or i or ĠS c Ġf un .S ize ĉ else ] ) st art v ious Ġ} , our s Ġle g Ġs ervice Ġs ince ir on L abel Ġn on Ġl os ict ion Ġf ull act er bo ard g ress Ġt urn ith er .s ize Ġb ody res h et urn ( _ y les orm al p i Ġsom ething ! -- u int Ġpro du Ġst and Ġpro ble Ġav ailable m t ĠB l Ġ ... Ġb lock In put Ġke ep C ount op en Ġ[ ' Ġth row uild er A ction Ġth ings Tr ue Ġ url ĠB o print f Ġre d j s .c reate ĠO r St atus In stance Ġcont rol Ġcom e Ġc ustom loc ation m odel Ġ čĊ Ġs ource Ġe as . out ] ĊĊ one y Ġaw ait Ġpart ic A P ub lish od es _p ro p ly rit er Ġpro v Ġm ill H T ] )Ċ Ġch ang Ġas k ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠ Ġout put Ġem ail .p ush Ġ} čĊčĊ in ation atri x T able u ccess ] );Ċ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ġdis c ( [ Ġb usiness he ight . html t a f ield Ġrequire d _ R Ġgover n } čĊčĊ le x . , ĠS et ur ch // / t s a f Ġm ight ist ory S tr Ġne ver Res ponse ar se ad a ĠH ow Ġ* ) Ġ ; Ġh ard A d Ġinter n us ed ( data m od ann el Ġn p ug g Ġ/ >Ċ Ġcal led b ody Ġch o ( r _s et ir d Ġ> = Ġ} ;Ċ Ġo ptions ĠG ener Ġhe ight P oint Y ou et y C lick Ġsm all Ġ ide Ġacc ess angu age Ġprot ected Ġj ob ĠTh ere D ef Ġadd ress Ġu int N ot o o ap s < div ain ed at ur Ġs um - w ĠD ate Ġl ittle Ġf ri Y PE Ġp ort e h pr ing _p ath Ġst atus a im bo ol Ġap pe Ġo s . name ens ion _ G Ġup date Con fig a ff ER R Ġ< = at ely # if u ction ĠT e Ġl ink ĠU ser .f ind . org m e Ġg iven O ut # endif Ġbet ter P age Ġfe el en n M L Ġal ready Ġinclud ing o ogle r u ic ally pro p le an out er Ġal ways ord ing I f or age Ġp arent v is ĉĉĉĉ ĉĉĉ Ġg ot st and Ġle ss / s ĠA ss ap t ire d ĠA dd Ġacc ount p loy Ġd er res ent Ġl ot Ġval id ĉ d Ġb it pon ents Ġfollow ing _ ex S ON Ġs ure oc ial Ġp rom ert ies he ader .p ro Ġbo olean Ġse arch k en Ġor ig Ġ er E d E M a ut l ing al ity By Id b ed ĉc ase eth er pos it Ġinv est ĠO R Ġs ays miss ion AM E Ġtem p o ad Ġre st in fo Ġinter est A rg Ġper form pon s ĠV iew Ġv er l ib ( const U til List ener ar ge Ġm ult Ġd ie Ġs ite ../ ../ E L Ġval ues Ġ} )Ċ p en N o ic ro Ġbe h Ġ' ./ ac y re c () -> ĉ ĠĠĠ " )) Cont ent _ W ple ment Ġw on Ġv ideo ad i p oint % % Ġg l erv ed v iron I F ut ed ã ĥ ' m Ġc ert Ġpro f Ġc ell ar i Ġpl ayer a is Ġc ost Ġh um ( R Ġoff ic k s .t ext at ures Ġtot al Ġ*/ ĊĊ o pe Ġst at U M Ġlo ad ight s Ġc lear u ro Ġte chn up port I R Ġ row Ġse em Ġ q Ġsh ort ĠN ot ip p G roup se ction m ax ir l Ġover ride Ġcom pany Ġd one " );čĊ Ġg re . Re Ġbel ie r ist Ġhe alth AN T () ĊĊ ĠB e . value ĠG r ott om Ġarg s P T st atus f unc um ents - h N umber : čĊ ĠL og er ver Ġ) ,Ċ am ent Ġob j in c Ġchild ren ic y I Z and s ab ly Ġdist rib Ġc ur er ial Ġd ays re ated re ct - l ir m idd en om b Ġin itial .j s Ġ â Qu ery Ġon line im al . con a u U rl cont rol ire ction Ġin stance OR T ĠF r wh ere Ġjav ax Ġorg an ap ter Ġre ason o ptions ĠM ar ( a Ġwith in .âĢĿ ĊĊ O DE _ DE ad min end ed Ġdes ign ĠD ata un e ĠF ile ro ot Ġc ent Ġa rr _ add l en p age , ' _ str Ġb ro ab ility ou th / c p ose irt ual ear ch _ url arg in H ttp Ġs chool av a Ġcons ider .l abel ĠA rray we b o pt .print ln ul ation Ġf unc P L Ġ" \ ĠT ext act ory (f unction n ull Ġen g d own Ġin clude ĠE n ĠD r Ġd b ! ! s ide Ġin it quire d ĠS he C olumn re act Ġan n Ġst op Ġl ater ĠTh at ent ion d f U G I LE Ġc lient ra ft ff er PO ST el per Ġlo ve qu ote ou d Ġj son Ġab le Ġm en A X ĠC opyright à ¶ av ig re q C lient } );Ċ .C om er c il t pec ial _c om ro om . Name Ġg ive am b i ke Ġcon dition cl ient ator s : " Ġc opy ut ure ivers ity ern al { { ĠC an ou nc d o Ġo cc Ġapp ro th ers z e Ġe ither ĠF l Ġimport ant Ġle ad at tr AR T E qual Ġd a et ch ent ity Ġfam ily add ing Ġo ption Ġex ist ic a ĠO bject ' ve v ers ition al out put ĠTr ue ĠO F _t ime Ġof fer Ġ} );ĊĊ H ER eg in " " Ġw ater Ġc he ĠM y ore d Ġst ep anc es C K A Y à ¸ str uction ( C ou ch St ream act ive am a Ent ity pro duct () {Ċ Ġgovern ment ĠI D aj or A nd Ġdis play Ð » Ġt imes Ġf our Ġf ar Ġpres ent ĠN S Ġ\ Ċ ue st Ġb as e cho ch ild if ier Hand ler Ġl ib Prop erty trans lation Ġro om Ġon ce Ġ[ ] cent er ================ ================ Ġresult s Ġcontin ue Ġt alk _ get Ġg row .s w e b ĠP ublic O P ec ute ol s Ġ ** " );ĊĊ Ġm ass ure d .c lass om ic Ġme an ip s Ġa ut );čĊ čĊ Ġun til Ġmark et Ġare a u it Ġl ength ĠW ith struct or e vent "> < ĠS p I V Ġm us if f Ġk ind a uthor ound s m b _ key w idth posit ory Ġl ight u k R ow oh n al f viron ment app er ollection s Ġs ide _in fo Ġex ample im ary Ġw r Ġc amp cri be " / Ġm iss w ay Ġb ased Ġpl an V is om ain un k Ġaw ay U P < T O S i od ĠM on âĢĻ re Ġli k à § iv ely . v im er iz er S ub Ġbut ton ĠU p Ġexper ience C L Ġre nder _ value Ġn ear UR L al t Ġcoun try ib ility () ,Ċ e ad Ġa uthor Ġspec ific b ase ( name on es ĠD o Ġal ong y ear Ġexp ress . ' en v Ġbeg in Ġso ftware Ġim p Ġw in ó n Ġth ing Tr ans ĠT HE Ġ< ? Ġwh y Ġdoes n i j g ing ĉ g Ġs ingle off set ar ning og raph le y _c ount Ġan al cre ate / m ĠR eg un ch = $ is k Ġright s ( M Ġ"" "Ċ ap er .m odel Ġp o em pty art ment Ġa nt ĠWh en Ġwom en ĠE d Ġse ason Ġde st à £ ( h Ġposs ible Ġse ver Ġb tn Ġdid n Ġs ent Ġen c Ġcomm and Ġ ],Ċ _ x Ġre cent ol ution v ector ĠB y ĠM ay ĠA ct » ¿ Ġm oney IN T bs ite ĉ p . čĊ ï »¿ s l atter n ĠC lass Ġto ld ud io c urrent Ġe qu Ġa uto ĠSt ate d a ms g )) ;ĊĊ Ġwork ing Ġqu ery ĠB r Ġw indow a uth on ly ĉ t Ġle ast ag n Ġex pl it ter ar ing Ġc olumn ĠGener al ": " er al ri or Ġrec ord I B E X Ġd at Ġm aking u ed ĠC ar em p " . ĠM ed Ġc lose Ġper cent Ġp ast ( g : ( Ġw rite Ġm ove Ġp at Cont rol .T o Ġv i */ Ċ in ate ' ll ag ed N ull Ġspec ial IZ E Ġc ity /* Ċ ĠE ng ix ed in ary p y Ġe ff ar io Ġt ell av or Ġse lect le vel im um op er B uilder I P ') ,Ċ es c Ġf ont " ;ĊĊ ĠA m ish ed ill s Int er O W Ġcour se Ġl ate idd le Ġam ount Ġas ync in o c ul Ġ ì and le _ user Ġb en ĠC al Ġ$ _ ĠR ep Ġen ough T oken . user ( j S c W idth n ow at form Ġlook ing Ġh old M odule IT Y v o is on .D ata y c Ġp ot ĠTr ump id ual id es r t Ġprop erty ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠ am ework g o Ġl ow Ġpar a Ġpr ice ur y Ġto day ro y Ġ' / Ġpol it Ġ' ' ym b P h Ġad v Ġatt ack ĠS te RO M an a Ġme ans Ġst ory id s ak en Ġme et Ġm om ĠâĢ ĺ Ġ? > Ġd en ob ile ch ange ĠĠĠĠĠĠĠĠ ĠĠĠĠĊ ic i n a ĠF orm Ġs ort Se lect p are Ġth ought _ con Ġt ask oc us ĠD E ĠM in Ġo pt ĉb reak um er K E th en Ġd et ĠT est port s Ġre view (' / m ove Ġsw itch ER T p atch ann ot ã Ĥ Ġab ove it ive Ġquest ion ĠQ u ãĢĤ ĊĊ g le Ġw ord Ġprov ide ĠR eturn Ġre search ã o u str Ġp ublish chem a } } ĠC ON - in all back Ġco ver \ \ c olor ĠI S Ġwh ether im ate is c B ar Ġd iv B e our n Ġh aving le m pl ayer ab s am era ne y Ġex c get her pl ied a o [ $ Ġ+ + i pe sh ow / d [ : ag ement le v _ ID r ary ad es _ se a use Ġem ploy Ġ*/ čĊ Ġf re Ġ' @ Ġcomple t Ġl arge r al \ x Ġf ac < String Ġcre ated up er .st ate Ġh ost ener ic / b ( ! wh ile i as B UG Ġ );ĊĊ Ġro le Re g ĠC olor St art Ġp orn t op Ġwe b Ġde v Ġde al ++ )Ċ Int eger pos ition . on Ġ( " ä ¸ Ġproble m s v Ġp ress AB LE AT ION ĠSe e an ch Ġth ough le ep Ġ< !-- Ġpoint s ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠ . J Ġ :: p tr D B ++ ;Ċ .p ng n ode so ft pon d Ġe ver -------------------------------- -------------------------------- M enu (' # Ġs ervices p g } )Ċ param s Ġact ually Ġ" / Em pty M ethod Ġid ent un ic Ġmill ion Ġa ff st yle Ġcon c i os ign ment UL T P r " ;čĊ Ġunder stand u ary Ġhapp en Ġser ver ĠC o S C Ġle s Ġfile s G rid s ql Ġof ten Ġin fo _ tr s rc on y Ġsp ace um b Ġpass word Ġst ore , ĊĊ ĠWh at g ed ĠF alse U s sw er _ index Ġform at m ost s m N ew Ġd etails Ġpro b ĠAN D () čĊ il ar Ġ$ { ry pt .C ollections $ this ĠF ree _ of (f alse d ated Ġ> > Ġf ace CT ION Ġs ave Ġt yp de v (" # AG E cont ainer ed it Q L Ġitem s Ġs ocial i en ĠRe act ) .ĊĊ Ġm ar Ġre du ĠR E .p ut Ġm ajor C ell n ext Ġexpect ed Ġy et Ġin div trib utes at is am ed Ġf ood S ource ( string Ġ+ Ċ it es d r Ġmem bers Ġcom b item s ĠP er T H = True Ġb ar _ SE com m ( w )ĊĊ Ċ Ġs end Ġin c un signed F A Ġparam s app ing ro s ug in f a Ġcon nection Ġ} ;ĊĊ Ġbe come M ode Ġe v Ġdif f ĠUn ited He ight ful ly im ages Ġm akes Ġg lobal Ġcont act ' :Ċ Ġab s а Ð f loat Ġex cept ĠP ol Ch ild t yp Ġcert ain i ón O UT Ġim pro ile s Ġ-- >Ċ ĠP art val ues os s / ** il it ĠE vent cur ity st er Ġchar acter Ġnew s Ġ" , Ġde vice c el log in he et Def ault @ " ĉ Ġ c lick ( value ĠA b Ġpre vious ERR OR oc al Ġm aterial Ġbel ow ĠCh rist Ġmed ia co ver ĠU I Ġf ail Ġbl ack Ġcom ponent ĠAmeric an Ġadd ed Ġbu y st it Ġc ame Ġde lete prop erty od ing Ġc ard rop s Ġhttp s Ġro ot Ġhand le C C B ack em plate Ġget ting _b y m ail _s h . assert ĠD ec ( true Ġcom put Ġcl aim ' => ĠS ub Ġa ir op s n av em ents ( id Ġent er ang ed E nd Ġloc ation Ġn ight Ġdo ing ĠR ed l in }ĊĊ Ċ vid er Ġp ick Ġw atch ess ages Ġhum an Ġd am p end d ir Ġt ax Ġg irl re et Ġbo x Ġstr ong ( v re l Ġinter face Ġm sg f ect _ at Ġh ouse Ġtr ack ' );ĊĊ j e ĠJ ohn ist r ( S ub e Ġc e itt ed V ER * ) p arent Ġapp lication an y .sw ing Ġp ack \ u Ġpr act Ġse ction ct x Ġun signed .P oint ĠO ne Ä ± ip le a id Ñ ĥ V ector by te Ġw ait Ġà ł à ¥ Ġto gether Ġth rows F O ' )) h ost is ing . view Ġter ms fr amework - r Ġapp ly Ġs ession O ptions ugg est Ġo thers w itter Ġf und In it __ ( ens or G ET Ġsever al i i [ j I O Ġtem plate P osition Ġe con ach ine Ġ il .s pring m ain el t im ent Re c m m ĠUn iversity urs or ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠ G L ict ure ith ub c er c ast F rom a les Ġsub ject p assword n y Ġes c .w rite ï¼ Į Wh at . H Ġh istory ĠF e Ġindiv idual un it Ġ-- > Ġd u I ST Ġus ers f s f alse un t T itle Ġm ot Ġf uture ach ed Ġstart ed Ġm ode Ġ' < _ array Ġa x '] ;Ċ i res Th ere ug ht t ml pos ed ic ult Ġto ok Ġg ames Ġ} } Ġ? >Ċ Ġproduct s I s Ġb ad ĠD es .p ath ' ĊĊ ĠP ost av el ( : Ġneed s Ġkn own F l Ġex ec Ġse en um e Ġb order Ġl ive tem p P er Ġvar iable i et ĠD ef Ġg e em e _b ack f irst Ġprovid ed //////////////// //////////////// Ġfil ename Ġh ope ul y a uto f ind _ string b tn it ude At tribute Ġyou ng .t xt Ġwe bsite ĠP rop Ġe y > ();Ċ ion al AR R iction ary ur ther . t x Ġp ur u el ymb ol u ation ang er Ġback ground ec ess ef ined .... .... Ġdes cription Ġrep resent ") );Ċ press ion row ser Ġser ies ward s ($ _ a ise Ġh ot ac ity ri es action s C reate ad io amp les Ġorig inal ens ive f ont st ream  using .spring framework ser ver Ġb ill AC K il ename Ġfr ame Ġ= Ċ Ed it adi us Ġd raw ank s Ġd eter Ġcom es _ int Ġfore ach ang le Ġe lect pect ed He ader ist ration F alse ĠG ame Ġfil ter Act ivity Ġl arg in ition Ġ" < is ed Ġrem ove ĠTr ans m et se e Form at Com mand ĠE X N one Ġfr ont A SE ĠR ec ound ation Ġv o = \" ( * Ch ange .W rite g roup i ents u y ******************************** ******************************** Ġd ig h r ( - Ġg en n umber ve c uro pe ent ry L L Ġst e Val id '] , _p aram Ġse lected Ġacc ording ĠD is Ġ util B uffer _ error Ġass oci _S IZE Ġw or Ġprint f r ag  ł D D ĠV al Ġact iv E ng et ime Ġv irtual a ign a ur ĠP res ĠEx ception Ġany thing ĠO ff Ġh ours Ġw ar Arg s ag ing Ġmodel s ĠT ime O b am s j oy Ġear ly . read Ġc enter ĠIn itial Ġl anguage l ength x y Ġs n Ġin f P ost Ġag o Ġeas y _c ode ĠAN Y _ ch Ġdown load ( T av ed âĢ ĵ Ġstud ents Ġf ig l ight x x Ġbu ffer ĠD ep ĠM ath IT H Ġvar i Ġd ue F actory Ġp or Ġe p ot ype Ġcan not Ġwh ite < int ter n Ġreg ister Ġpre d cl us _d ate Ġ/ ** Ġa uth Ġ[ ]Ċ Ġper iod n own Ġv ot Ġs creen ' d T ypes Ġt mp е Ð ur al Ġben ef _ y Ġn et ĠSt ates '] [' ĠN e ĠN OT Ġn eg Ġcomm on s cope Ġc red g es _T YPE Ġs uggest o om .ĊĊ Ċ Ġac cept Ġr andom er m ĠV ector w ith T ER ( str Ġres pons Ġh it .S et gr id ri a Ġc lick und le C ase ins ert Util s Ġ"" " Ġim plement at al tem pt tem plate oc r return s Ġplay ers us ers ed ef ĠTh ese Ġam ong Ġde b h a .get Element Ġc irc Ġan swer Ġw alk Ġt reat ĠG e ĠC reate Ġa ge Ġre q O ST ang ular Ñ ı Ġf ive Ġdistrib uted Ġfri end T P Ġc lean ow s .Control s d is Ġw ords . io z y Ġhe ader ĠC heck âĢĻ m j ust h older =" čĊ . annot Ġcol lection ' . Ġsim ilar Ġt aken (" % Or der '] Ċ -m d ĠT H ac ed Ġis n / j Ġs on gr aph ĠInt eger Ġn ecess re en Ġ um Ġ\ < Ġmom ent Ġbr ing Ġind ic ys is Le vel ver se urre nc _t est Ġent ire D own Ġ}ĊĊ Ċ ( result ĠRe ad à ¨ M od Ġtry ing ") ,Ċ Ġm ember ĠC or OD O - control un time ĠS im D ialog pl ot _ on Ġph ys } / Ġn amespace ĉ čĊ ac c Pl ayer A RE Ġf oot Ġbo ard p art Ġs us w ise ĠM c Ġp ush AT A Ġp lease ri ed we et b it id ed V E ĠS w U B Ġt ypes ed ia Ġc los ace book Wh en Ġed it ig ger Ġen erg Cont ainer Ġph ot ĠC ount ĠE urope .I s ĠR uss pe ed ĠS tr Ġp y Ġc ult Ġdef ined cc ount Ġob t .L ocation Ġth read il le Ġinst ead str ong ĠS ec U RE Ġide a . se em y select ed Con nection ac ing th read .n ext Ġc oll Ġfil m ist ic Ġcomp et Ġcon n th ough Ġcom pan ock et Ġte ach = ( Ġph one Ġact ive de lete tr ies Ġm o Ġde ath } );ĊĊ oc ol W idget Ġart icle ro du and id Ñ ĭ ĠC r k a () : lo od ĉĉĉ Ċ Ġal most Ġs ell erv let ri p Un it Ġapp lic Ġcon nect Ġfe ature Ġv ia ' ), Ġl im ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠG u Eng ine Ġen s Ġen vironment b lock HER E N ULL g y t ag ) ). ex p Ġcom pl Ġinst all Ġcomple te que ue atur al Ġgener al th on Ġask ed o res ( res Ġres erved S P ĠâĢ ¦ Å Ĥ Ġsign ific O ff ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠA g ĠJ ust ĠE rror Ġin fl ad ata Ġ icon ask s ' ' _ LO ? . ac count Ġ( * ' )ĊĊ r ap _ var ĠF OR Ġpart y ĠY our c at str y . new bo ot ĠN ov Ġv ector Ġn ormal Ġf urther Re pository Ġd atabase att le Ġmus ic Ġspe ed Ġd oc pro cess IG HT .p arse Ġt aking Ġvi ol ce ed ĠA fter Ġfor ward Ġc rit "/ >Ċ ro t Ġfa iled ef ore Ġconc ern o e b a Ġs ender Ġter m h as =" # Ġpot ential N um Ġpublish ed .c lose ĠIm age str aint U D ĠO b Ġprob ably l im " :Ċ olum e Ġcon sum ag ue ens ions Ġinvest ig - year ') ; -s m Ġen joy or ig er ing c p le ased ple ments Ġreturn s p at B O ĠH ouse .L abel Ġwe ight igh b Ġcondition s Ġex ception d escription Ġtr ad - to Ġ{ } Ġmod ule EN D . ap .p rops Ġcon structor av es Ġf avor ĠN ow ; i ĠM ain _ k er ies âĢĻ ll trans form imest amp P re Ġm er . res st ant L ocation _N AME Ġlos s Ġ ĊĊ n et Ġeng ine B lock Ġiss ues Ġpar se ĠB ar Ġst ay ĠJ SON Ġd om air s w ner Ġl ower ", čĊ ĠD em uf act Ġp s Ġper fect R L Ġed uc l s em ory ARR ANT u ge Ġex act . key al led e ch ie f \ / o ke Ġfor mer al loc Ġs ix id a Ġm argin Ġhe art al d p ack .getElement ById ĠW ARRANT Ġr ather Ġbuild ing er man lic e Ġquest ions iz es le ge irect ory Ġj e Ġc as pro ps ut f Ġse curity Ġhow ever we ight Ġins ide Ġpres ident Ch ar ĠW ITH .m ap Ġgr aph Ġt ag _st atus Ġat tempt op p us es ĉ const Ġr ound , $ Ġfri ends Em ail ? > Res ource KE Y os p . query ĠN orth able s ist rib _c lass el lo Th at Ð º pecial ly ĠPres ident Ġcamp aign Ġal t are a Ġch all Ġop port .C on Ġenerg y li ke . string ing ton ) * y y Ġprof ession ir th Ġse g æ ľ Ġh or i ers c an Ġbeh ind Pro duct f g ĠS k .j pg ? : ] ;ĊĊ Ġcall back ĠH ttp Ñ Į l ong M S AT H Ġr aise Ġwant ed row n ut or l t ] = el ine M A Ġse par c s se mb D is bs erv ĠW ill Ġpol icy Ġth ird ph one Ġb ed / g . __ ĠIn c iz ing .re move in stance .t ype Ġs erv E ach Ġh ar ĠM essage ( key SE LECT P os )) ;čĊ Ġre comm Ġtr aining ĠE nt ĠCh ar ic ht (f ile Ġp rior G ame Ġex it Param s .c ore P C n es anc ed ( request P assword } >Ċ Ġm ag Ġre lease Ġsh all ud ent ĠS outh and o : ' .Tab Index s k ann er is set Ġout side led ge Ġ å ĠR ob Ġim m ! Ċ ĠWe b D es B C anc ial R oute D ec fer ences Ġp urch ĠM odel ct or g n _st art _ un . * is es Ġg round Ġun ique Ġbe aut { " Ġp our ĠO ct Ġt ree set s _ res ') -> _re g (" \ Ġby te B l Ġd ating Ġm atter ĠR em Ġ' ../ ĠA ug ĠL a Ġ$ ( ourn al i am Ġshow s w rite Ġb all Ġsim ply Ġf ast Ġmem ory A SS ĠO f ov ed ant e a ul ist ry )) );Ċ Ġf it < string Ġpolit ical anc el _ . c ard .c urrent o ch _ image \ t # Ċ ( L Ġindu stry com ing Ġex tra Ġreport ed .st art Ġres ources Ġim g fl ow _E X (n ull ĠP re Ġwr ong inter face Param eter n ers á » t ure ers ist oun try Ġseem s al ance de st ĉ String Ġm aint Ġun it act ers ĠT R if ul export s pro ject App lication leg ate Ġt akes ter m Ġet c ust er Ġappe ar add ress Ġf em h s Ġh om , - Ġdiff icult Ġcom ing O pen Ġset tings ĠW ar ĠTh en Ġaut om ĠF oundation Ġqu ite D escription Ġb log i qu P S _f ield J son SS ION ĠS ch ĠL O Ġdes cri Ġevery one Ġpret ty Ġlong er Ġm enu Ġcurrent ly se c Ġrelations hip ################ ################ ĠM ap as et Ġparam eters Ġcr ush " čĊ IL ITY ig ration Ġc out t otal Ġn ames nd ef ") ; ri end yn amic Ġeff ort Ġact ual Ġfield s O UN t ers Ġf ix _m odel Ġc ases C A M y Inter face ĠS E ] ] al le ĠN ational ĠArray List in line . V ar a ref ix as c Re ader ĠÐ ¿ ast ic ( () C l .annot ation Ġperform ance ail y .to String .n et view s . end ay ers l ate ĠA pr ed eral '] ) .b ody Ġhigh er _f l c r al ert _n ode ĠG oogle Ġit self A uth urrenc y Ġsignific ant app end Ġres pect str ap Ġun a riter ia P ORT .ap ache Out put Ġpro gress Ġm id ĠM icrosoft Ġres ource ab lish Ġd im . load .A pp Ġd irection Ġadd itional ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠ Ġnum bers Ġcompan ies .T h Ġs ound user name Ġstat ement Ġal ert Ġcon tract h ome _l ength .Com ponent e v . Ex ï¼ ļ " ; ĠH igh Ġ )ĊĊ ĠP oint op h Ġl ines -> _ " )ĊĊ o x app lication Ġ ]Ċ ĊĊĊĊ ĊĊ Ġso on ction s ing er Ġj oin ĠP e Ġ ë Ġl as . E c ss / or ĠSt art ĠT O Ġsub s con n com ponents DE BUG qu are F unction end ar . index Ġf ill Ä Ļ Ġcho ose h ow ĠAmeric a ass ets -------- ---- ĠV alue Ġoff ice Ġv eh Ġtrans form ĠAr t Ġin de Ġf n Ġim plements ang o ple te + " t mp am ily Ġhas h miss ions E ST g t Pro vider ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠ Ġfl ag Ġpartic ip d en ĠReturn s Ġnot e ü r p m ide os Ġspec ified ĠE N est er ol id Ġup on ( std ĉ v Ġ' \ u z Ġv ert Ġv ict ĉ self Ġ" $ . k Ġgroup s g ithub l ang Ġm ut T O Ġv e ĠP lease ;ĊĊ Ċ ac cess Ġ{ " re a Ġr isk ick er og gle ĉ while AN G .s end Ġwom an Ġget s Ġ ign ĠI d _ log ON E Ġe vid ĠH ar _s ub Ġend l Ġinclud ed () );ĊĊ ĠA p ig r Ġs em ĠBl ack d oc _t able ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ - up Ġca use Ġ .. Ġv an _d ict Ġf ocus IN D CE SS .L og Ġmult iple id o Ġreg ard - M and ler our se Ġde g . U Ġadd ition Ġvar ious Ġrece ive е н ĠH T Ob j D F Ġincre ase ĠO pen ] ; Ġcomm it ? Ċ ateg ories at ory sh ip ĠM ich Ġh tml rom ise Ġle ave Ġstr ateg av en ĠCon sole k nown - n _ LE .com ponent Ġb re S ession i ance Ġal ign typ edef _ result ĠW HERE .s plit Ġread ing FA ULT Ġc lo Ġnot ice _p r ar ter Ġlo ck Ġstand ard et ic ell ow Ġp adding ĠH is Ġst ates _c ast ( P a a Ġintern al e an ĠP RO ĠK ey Ġes pecially m ing Ġc ross Ġn ational _ object f ilter Ġs cript . update _ i ĠAss ert / core %% %% Ġproble ms ist or Ġ. = Ġar ch Ġwrit ten Ġm ilit M ENT . ch ca pe ĠM us _ config ĠA PI fo ot Ġim ages end l . In F irst Ġpl atform .pro t O ption st e ĠT ODO Ġfor ce . cont ĉ echo ĠD av P tr ( B R T ĠB ase ] [' Ġann ounc con sole ĠP y d s . as Ġpre vent ap an Ġ{ ' } ' Ġde ad V AL Q UE **************************************************************** ******** Ġch arg R eturn Ġf ul d om Ġr ules Ġmod ify Ġe val h am at ement \ < ul a = False R A Ġcont ains Ġst ack m ar Ġ{ }Ċ Ġund efined A ss ĠCh ina ve y * Ċ Ġplay ing ) / act or Ġb ottom li er ĠN umber Ġcou ple D C ĠS O g or .set Text s uccess com mand F ilter ĠO ur _ item Ġc tx Ġro ad V ersion c ase ur t av ior y ch semb ly ĠPro duct Ġh eld a fe Ġinclud es < quote Ġa void ĠF in ĠM od Ġt ab an o à ± ipp ing - e Ġins ert t arget ch an .M odel IM E \ Ċ Ġm achine av y ĠN O ĠInt er Ġoper ation mod al T ag ] : Ġprodu ction Ġare as Ġre n _f rom n bsp Ġoper ator m en app ed _p er z en (" . .s ave =" {{ Ġt or ( response Ġc andid Ġcon v a iled ĠL ib com p ur a ï¿ ½ ĠH ere Ġarg ument h ood Ġest ablish ograph y Ġon Click amb da Ġs ch Ġmov ie Ġse c Ġact ivity Ø § Ġs ql _ all inc ip Ġprovid es Ġs ys ack et Ġwas n Ġus es ĠF unction .g oogle ĠRes ult Vis ible ag ma el come ĠS y ĠC ent AL SE ac ión EX T Ġl icense ĠL ong Ġacc om Ġab ility . height Act ive olog ical ol y )) , .S e Ġparam eter pr ite AB ILITY .s ervice ĠG roup _ query ĠI tem in ing Ġj ud im s f ix ind er ag ram Ġfunction s Ġexper i ĠE m Ġro t Ġp en .b tn ĠA S #if def Ġcho ice ĠP age _P RO Q U å ı ant ity Â Ń word s Ġread only Ġf lex prot ected ĠAn y Ġchar acters enc ed ĠJ uly il er C ard ur ance Ġre v .e vent al y Ġwon der ĠP ort Ġleg al ro le Ġt en Ġgo es M P wh ite ): čĊ )) čĊ Ġre ference Ġm is ĠPro ject ick s > & C ON Ġre pl Ġreg ular St orage ram ework Ġgo al Ġt ouch .w idget Ġbu ilt d es P art ( re Ġw orth h ib g ame ĠÐ ² ac ion ĠWh ite (t ype ( ` Ġn atural Ġin j Ġcal cul ĠApr il . List Ġassoci ated ĉ System ~ ~ = [ Ġst orage Ġby tes Ġtr avel Ġs ou Ġpass ed ! = as cript . open Ġgr id Ġb us Ġrec ogn A b Ġh on ĠC enter Ġpre c b uild HT ML ĠS an Ġcoun tries a led t oken k t Ġqu al L ast ad ow Ġman ufact id ad j ango N ext x f . a Ġporn o ĠP M er ve it ing _ th c i = None g s Ġlog in at ives '] );Ċ Ä ħ Ġ ill I A child ren D O Ġlevel s Ġ{ { Ġlook s Ġ" # To String Ġnecess ary ĠĠĠ Ċ c ell En try Ġ' # Ġext rem Select or Ġplace holder L oad Ġre leased O RE En umer ĠT V SE T in q P ress ĠDep artment Ġprop erties Ġres pond S earch a el Ġre qu ĠB ook / Ċ ( st Ġfin ancial ick et _in put Ġth reat ( in Str ip ì Ŀ ç ão Ġevid ence )) ; ĠB ro Ġ[ ];Ċ Ġ ou b uf S cript d at Ġr ule # import =" / S erial Ġstart ing [ index a e Ġcon trib s ession _ new ut able o ber Ġ" ./ Ġlog ger Ġrecent ly Ġreturn ed č čĊ )) )Ċ ition s Ġse ek Ġcomm unic Ġ" . Ġuser name E CT D S Ġother wise ĠG erman . aw Ad apter ix el Ġsystem s Ġd rop Ġstruct ure Ġ$ ("# enc ies ann ing ĠL ink ĠRes ponse Ġst ri Å ¼ ĠD B æ Ĺ and roid sub mit ot ion ( @ .t est ĊĊĊĊ ĊĊĊĊ ] ;čĊ Ġdirect ly Ġ" % r is el ta A IL ) {čĊ m ine ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠ ( k b on as ic p ite __ _ M ax Ġerror s ĠWh ile Ġarg uments Ġens ure R ight -b ased We b Ġ- = Ġint rodu ĠIn st ĠW ash ord in j oin D atabase Ġgr ad Ġus ually IT E Prop s ? >Ċ ĠG o @ Override RE F Ġ ip ĠA ustral Ġ ist View ById Ġser ious Ġcustom er .prot otype od o c or Ġdo or ĠWITH OUT Ġpl ant Ġbeg an Ġdist ance () ). Ġch ance Ġor d c ame pr agma Ġprot ect rag ment ĠN ode en ing Ñ ĩ Ġr oute ĠS chool h i Ġne ighb A fter lic it Ġcon tr Ġpr imary A A .Write Line util s Ġb i R ed .L inq . object Ġlead ers un ities Ġg un on th ĠDe v F ILE Ġcom ments _l en ar row am ount R ange s ert Grid View Ġup dated ĠM o Ġin form oci ety al a A ccess Ġh ab Ġc reat _ arg ĠJan uary ĠD ay ") čĊ up le d ocument gor ith m enu ĠO ver b b .t itle _ out Ġle d ur i Ġ? >Ċ r un Ġsc ene ( array de vice _t itle ag on ] čĊ ab y Ġbe came bo olean Ġp ark ĠC ode up load rid ay ĠSept ember F e Ġs en c ing F L C ol ut s _p age in n Ġim plied al ing Ġyour self .C ount con f Ġa ud _in it . ) Ġw rote N G . Error ä » .f or Ġe qual ĠRe quest Ġser ial Ġallow s X X Ġm iddle ch or à ¸ erv al .C olumn read ing Ġesc ort ĠAug ust Ġquick ly Ġwe ap ĠC G rop ri h o Ġc op ( struct ĠB ig Ġv s Ġfre qu . Value Ġaction s Ġpro per Ġin n Ġobject s Ġm atrix av ascript Ġon es .g roup Ġgre en Ġp aint ool s y cl enc ode ol t com ment . api D ir Ġun e iz ont .p osition Ġdes igned _ val av i ir ing t ab Ġl ayer Ġview s Ġre ve ra el ĠO N r ics n p Ġc ore () );čĊ M ain Ġexp ert ĉĉ čĊ _ en Ġ/ > ut ter I AL ail s ĠK ing */ ĊĊ ĠM et _ end add r or a Ġ ir M in Ġsur pr Ġre pe Ġdirect ory P UT - S Ġe lection h aps .p re c m Val ues Ġ" Ċ c olumn iv il Log in in ue Ġbeaut iful Ġse cret (e vent Ġch at um s Ġorig in Ġeffect s Ġman agement ill a t k Ġset ting ĠC our Ġmass age ĉ end Ġhapp y Ġfin ish Ġc amera ĠV er ĠDem ocr ĠH er ( Q con s it a Ġ' . { } ĉ C Ġst uff Ġ :Ċ ĠA R T ask h idden er os IG N at io ĠHe alth ol ute Ent er ' > ĠT witter ĠCount y s cribe Ġ= >Ċ Ġh y f it Ġmilit ary Ġsa le re quired n on boot strap h old r im - old ĠD own Ġm ention cont act _g roup od ay Ġto wn Ġsol ution u ate ell ing ] -> ot es ent al om en osp ital ĠS up _ EN Ġsl ow SE SSION Ġbl ue ag o Ġl ives Ġ ^ . un in st en ge Ġcustom ers Ġc ast ud get ï¼ ģ ic ens Ġdeter min Se lected _ pl ue ue Ġd ark // ĊĊ s i ther n ĠJ apan / w P U ĠE ast ov ie Ġp ackage Ġn or Ġap i b ot " ];Ċ _p ost ul ate Ġcl ub ') );Ċ Ġlo op PI O ion e sh ot In itial Ġplay ed reg ister rou ght _m ax ac ement m atch raph ics A ST Ġexist ing Ġcomple x D A .C h .com mon m o Ġ' ../../ it o Ġanal ysis Ġdel iver ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ċ id x à ł ong o ĠEng lish < !-- Ġcomput er EN SE Ġp as Ġr ais H ash Ġm obile Ġo wner F IG ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ th es Ġat tr w d .t ime aw n Ġtreat ment ĠA c . View im pl m ore p ass Ġh a .f rom Ġle ading FF FF ( error . ui at ar ad ers d ates Ġz u Ġfl ow T arget Ġinvol ved Ġi o par se $ _ he st . int - item as y S p Ġsh ift N T Ġt f _T R . web C S Ġ} ) Ġey es _ z ' );čĊ if orn Ġ{ @ Ġn ice .l ist ĠĠĠĠ čĊ Ġf loor Ġred irect ĠU K ( [' Ġw ish Ġcap t leg al ĠI O Ġst age . String ĠA fr ig en ĠS H De lete ell s Ġsol id Ġmeet ing Ġwork ed Ġed itor in y Ð ¼ _ read . Id e ff Off set ch a US ER ĉĉ ĠĠĠ ipp ed Ġd ict ĠR un .h pp Ġan g x ml im ple Ġmed ical _t oken con nect Ġh our Ġcont roller _m essage U ID G r and ed _C H Ġbook s Ġspe ak am ing Ġm ount Rec ord ĉ struct .W eb ond on Ġ// Ċ Ġf elt .A uto id ge _p os P R Ġmod ern C ollection _m sg C D ĠL o Ġsecond s ib ly .e quals Ġintern ational # pragma oo th W riter i ate Ġce le ĠB it iv o iv ery r d HE CK Ġc ache .c ount Ġro ll .Re ad RE D Ġset up izont al model s arg v Ġconsider ed =" ../ set tings ĠR el Ġgrow th Ġm ix ĠWash ington Ġpl t ĠI M á º Ġturn ed ĠDate Time ĠW ed ( url Ġ" - Ġlet ter As ync ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠ ĠOct ober _l ine Ġatt ention Ġcol lect ĠH ash Ġim ag T ree Ġsit uation et te _n o IV E Ġv on .t arget Ġknow ledge Ġdr ive .p ost Ġb lood Ġc it pr imary Ġconfig uration te e Ġph oto is ode Tr ace Ġg ave Ġsh ot ĠA ir Ġm other pr ice Ġmor ning )) {Ċ - x Ġtr ade Ġdes c Ġ&& Ċ Ġparent s A pi å Ī t ed w er Ġ æ Ġs y ĠK e Par ser å ħ anc y Ġpie ce iforn ia to String r an id ing PT ION com es / lic .c lient E l L ong Ġprofession al ru pt v a Ġcomplet ely Ġpract ice Ġse lection R em in i Ġc am RE E Ġsit es p a AT US Ñģ ÑĤ arr ant * ( _ KEY ĠB utton ĠF riday se qu Ġre ader Ġm essages è ¯ Ġbu f K e Ġn ov H P M sg al ign ar ily Ġ' , _w ith Ġd as Ġhe ard at omic ri al ) [ Ġdis e @ end Ġg old Ġf air Ġsa les . Button str ict s ave Ġme asure Ġ" + ec ause View Controller ĠT able .p aram Ġdec ided (( ( IN FO Ġopport unity T e IC ENSE cc ording k i ĠU N Ġcont ain Ġman ager Ġp ain ĠF ire rom e Ġpl ans F ound l ay ĠDec ember Ġinfl u à º ren ch ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ġ az ing b rief c all wo od Ġload ed Ġgr and / f im p _ U ST R âĢ ¢ Ġcred it .C olor or ge QUE ST Ġdiffer ence ĠP C w args Ġp ub und ay Ġf ra .m ax Ġtri ed ann els s end Ġreport s Ġad ult ä º Ġcons ist ĠSt reet ĠPro gram S QL M atrix ounc il - A ĉ w Ġwho se Ġrel ig ĠS ex Ġg ives n one .m essage ( G .aw t - right ĠNov ember ell ig ut ive Ä ĥ over n Ġeas ily Ġide as ĠÐ ½ /c ss ly ing el le C an _c olor оР² Ġp air ng th Ġs plit d rop art y on a Ġcap ital Ġhe ar Ġex ists ĉ log em o R un o i Ġpar ser ĠM ethod Ġeduc ation [ k Ġlib rary > ";Ċ _ UN ĉ std od ed Ġcall s h ere R el Ġbr and back ground g a _add ress _param s C ategory ĠInd ia _e vent Ġ ing R ender .c l ump y Ġp et F C ĠA nt Ex t Ġchar ge en ed gr ad E O Ġdep end Ġ .ĊĊ fr ame Ġd f Ġh uge ĠP ART ed s ; ; ĠA M Ġbas ic ĠL et lic h Ġar m Ġst ar Ġf ederal W ork Ġcar ry ĠIs rael ( obj ={ { Ġs aved Ġs yn Ġconst ant V ENT Ġpos itive Ġcon duct Ġsk in Ġear lier Ġl ayout ĠI P O UR Ġt im styles heet _ cl ĠC ard ++ ){Ċ Ġtem per ĠDav id ĉ try .d art Ġwant s Ġp icture Ġv ideos ĠCom m is ions _M AX M apping - content ĠE ar - de Ġpre m br uary Ġcom ponents Ġthrough out Ġp ull Ġp ages ent e res pond Ġg as cript or Ġed ge Ġb ound A CT **** ** Ġcre ating ĠC H Ġnull ptr B r + ' .c o > :: Ġle arning .L ength _S H Ġpat ients A IN Ġk ids Ġcom fort Ġsh own ug ins ĠB ack ell a _C L Ġl at Ġdis patch Ġclass es . at .b egin Ġsuccess ful b an Ġobt ain ĠS l Ġl ack iter ator Th read (s ize Ġn one .h as _ X s ort n ap p et b in ĠCan ada The y Ġd ans ĠM at < td Ġh air Ġ' ',Ċ Ġc u Ġlaw s let ed p ed Ġp ow Ġk new _C OM _ , ĠM ag id ents ( req Ġ ), - center Ġw ide ĠA uthor st ants Ġjob s Ġm ath et imes Bo olean Ġs cope _ is Ġme as Ġkey s el ay Ġexact ly '=> ' ĠP aul m as ĉ print (l en f d Ġ) ; . Event q li ir it ield s om an ĠT op Ġv ote Ġm ask Ġthem e - Ċ Ġpro ps Ġf ine Ġwrit er _ offset c ar Ġal tern Ġc opyright Ġdest roy pp er Ġgener ate pp ed âĢĻ d ĠĠĠĠĠĠ Ċ m ake ĠSh ow Ġb rowser Ġfavor ite Ġcare er Ġhappen ed ( char Ġrecomm end Ġl iter .f ilter gr ade Ġ £ Ph one om s Ġn amed - label ip o ĠO ther Ġp anel Ġro ck S cale ĉ assert Ð ´ Ġtr ust fr ont Ġdem on A r N et Ġecon omic foot er Ġr ace (n ode ĠO ption s plit Ġphys ical if est Ġrem oved . http )) ,Ċ Ġlook ed ' ; d ing g est atur day /lic enses Pr ice Ġd ro Ġto wards Ġun s ĠC L ĉ static Ġ rows Ġdef ine .re place Ġf ather ĠDes ign ass ign m ut De vice D id ') )Ċ omet ry ay load Ġh istor ĠP aram ĠBo olean Ġn ature Ġj s Ġn ation i h Ġdis cover se m Hand le ĉ r ĠTe chn Ġw all { $ @ property Ġ" ../ Ġex am .d raw opp ing Ġnear ly Ġco ol Ġinde pend RE S Ġhand ler ĠMon day Ġs un St yles ous ly Ġ ĉ v est D isplay ( y atic ally Ġpred ict y ing Ġsom etimes " ]Ċ Ġdr ink Ġb ul ific ations . insert .re g Ġtest s Al ignment Ġal leg Ġat tribute ĠN ote Ġmy self art s N ow Ġinterest ing li ents Ġpop ulation ĠCal ifornia " I å ¹ Ġgre ater ues day Ġth ous Ġcost s Ġla unch \ Http k er b and ĠPl ay Ġb and .sh ape es ome art icle .r f Ġw er á s em bers us r B A ic an et t valid ate ult i Ġimmedi ately z er Ġfig ure o es ell er irc le ĠS ign .d b Ġr ank By tes Ġproject s _re c UL AR A PI ĠL ine P ort Ġp oll Ġg iving id ence -- Ċ Ġpl ot ic ial Ġw arrant IT ION ĠD ouble Ġbill ion gorith m Ġequ ipment D ATE Ġ@ " E E Ġp le i ation Ġhead ers Ġpro ced .Component Model ĠOb ama Ġp a ĠB est im ately .get String . \ mp loy Ġr aw _b lock und red " },Ċ .Group Layout Ġb rought NS String th row cre ated .N ew _ view C P ep s O p Ġgr atis Ġ' " Ġinter view "" "Ċ Ġpart ial Ġa ria b ing A uthor Bo ok ĠP at um an Us ers pl us ĠD irect ven ue al pha UC CESS ĠC all Ġ );čĊ im ated Ġrem ain Ġant i ĠL ondon Ġsaf ety PO SE o les cont roller By te ĠCour t ĠPh il ĠAss oci en a å IJ _ST R co in resh old Ġb atch _C lick entic ation > ';Ċ ent y Ġbegin ning Ġz ero ĠCon vert Ġt err Ġp aid Ġincre ased c atch -s ize act ivity e quals Ġque ue Ġ" ' ĠIntern ational Ġf ür urs day Ġsc ient all ow ax is Ġapp ropri ed ge Ġid x S uccess ent ifier : \ x is Ġmax imum ark s Ġb irth ( index Ġmay be .p y file s Ġlim ited _ check lo ok pl ies Ġmov ement '] . Ġbro ad ĠB E ĠUn ityEngine .c pp ĠE very Ad min Ġf ans p ared Ċ ĠĠĠĠĊ Ġfore ign Ġp an Ġt our ĠOr der Ġmov ing Ġa uf C all c b Å Ł vent ory ĠS ql Ġful ly Click Listener W ORD Ġannounc ed ) čĊčĊ Ġagre ed ri e Ġe arn _l ink . array (t ext Ġmaterial s , p ff ff v g Ġ © Ġun less aj ax LO G Ġsex ual Ġ\ " - time Ġco ach Ġsupport ed Ġphot os if orm .C reate ) ] ri er Ġd ialog av er ig e ) + _id x : [ _m in ĠC ong Ġpress ure Ġteam s S ign b egin ri an NE SS L S Ġimpro ve ĠS unday Ġdef inition ig er roll ers Ġthink ing T emplate - F Ġem erg pl ates ĠUS A .set State ĠAl so re v Ġen able ĠC O PE CT Ġcon cept ) - ĠâĢ ¢ Ġset s Ġmean ing em on ĠCon s c mp ed er ann ed icens ed ĠS uper Ġd aily Ġmult i _ u Ġchall eng _m ode ĠP romise Ġstr ict j o int on ( list On ly > { Ġveh icle í ķ ĠPl ayer ĠD el Ġp ool . url nes day ();čĊ čĊ Ġ" );Ċ L ocal . ");Ċ Ġorgan ization re nder ĠApp lication Ġsum mer ex pected N A Ġr ap _ obj Ġsur face ĠP UR Ġ}, ĊĊ Ġvariable s (m essage Ġop in .b ack а н Ġwork ers v m C o ught er Ġm aster Ġ" ", Ġst ories . User Ġcele br ines e B S ĠCom mand ash board Ġo g k g . image .st yle Ġstep s ĠB en ( args ĠP erson , y Ġofficial s | Ċ Ġsk ills v c Ġbuild er Ġg ar A ccount ĠA uth ç Ķ '] )Ċ ĠA T n n . Int SS ERT Ġeffect ive LE TE Ġto ols AR D Ġdig ital D ouble ĠF ind R C Ġin line / r AR AM AS K Ġint ent a ight _add r Ġrequest s .f irst Ġde bug Ġsp ent () ));Ċ Å Ľ Ġpr incip Log ger clud es . use Ġsur v med ia ĠFe bruary ĠM ac Ġmiss ing Ġw ife Ġtalk ing ĠM ake Ġc art Ġloc ated E nc - a ch ron Ġc ards Ġgu y Ġp ers ĠY es ate ver ĠA ng ol ar ĠE ven Ġacc ur ĠP ower ĠG old c lear Pro cess Ġrec ords Ġk illed .c lear ĠWARRANT IES Ġpur pose pan el J ECT ÃŃ a Ġex erc W S / L . exports Ġ__ _ Ġs in S ervlet Ġd é .de lete ro ke S l ug h ear s Ġpoint er Ġh op all ery Ġo bs co very ĉ char ĉĉĉĉ ĉĉĉĉĉĉ ĉ def oc ity itch en ul ations ĠF IT Ġ ). straint s vent ion Ġrequ ires ĠO per M E OUN T al let Ġn orm I RE ex as Ġprogram s Ġwe ak ' .$ u ing ĉ ĠĠĠĠĠĠĠ Ġm il Ġf irm init ely _VAL UE ap se atis f Ġdem and _m od Ġdescri bed Ġpl aces V ID Ġal one Ġex port Ġv ec ĠM ax Ġactiv ities ict ures g ener Ġm a Ĥ ¬ Ġexpress ion C allback _ content ĠM ost Ġtest ing E C CH ANT Ġad just .Th reading ( ctx Ġag ree ig hest Ġu i ĠL aw . Y > ĊĊ .ex ample ber g Ġmov ed ĉ e ĠS aturday Ġpay load Ä ĩ ) :ĊĊ Ġbe y ur er < script Ġs ymbol Ġass um Ġp ul E ffect Ġh undred To ol ak ed con nection Ġvo ice Ġp d Ġtrans action Ġlink s E rr ĠInd ian T C atal og n i s ign << " j i y a Ġdemon str ul ated . St Ġinst it Ġbo ost Ġcell s ol ic .P ro : , "> \ Ġth us ĠReg ister h ol ĠCh inese Ġpost ed Ġm agn ab ilities Ġdise ase Ġrem ains ĠPro f - form Ġc in org an ic ate Ġst ress ] * Ġ ---------------------------------------------------------------- _ context or ry Ġd ied m at Ġstart s .M essage Ġrun s Ġgu ide Ġwarrant y ential s d ict ĠS ize ul er Ġrespons ible _SE T Ġcont aining ĠPr ice | | F S Ġem p _b utton ( uint Ġsu ff p th Ġdef initely put e Ġmarket ing ĠW H ĠS ie + = OL OR Ġcons ult Ġs igned Ġse quence le e Ġrequire ments h y Ex press M T se y Ġ ult å ® ellig ence Ġanal y Ġd ress eng ine ĠG reat ĠAnd roid ĠA lex m ode D ictionary .D ate ä ½ V ICE Ġfam ilies ĠRuss ian ĠT imes .c all $ ( Pro file Ġf older ch es Ġleg is _ row un es Ù Ħ Ġ} ). Ass ert ag en ĠH and I ter Ġbig gest ore ach Ġpol ic Ġper missions Ġshow ed ĠE lement Ġtop ic âĢĶ âĢĶ ro ad ĠB ank rec ord Ġpart ners ĠR ef ess ions Ġass ess U ST ĠPart y pro du L C Ġ ul . form h ide c opy UT F ĠSO FTWARE čĊčĊ čĊ ĠL in un a ug ar Ġadmin istration Ġopen ing Ġsc an Ġcontin ued com ponent .s p Ġhapp ens um my ĠP R .F ile ĠDown load Lo ading d i Ġwait ing _A DD T ab .query Selector Ġecon omy ĠF rench t xt Ġf ant _ ;Ċ H older S H Ġn umpy Ġst reet Ġm ale \ Model ang ing ĠB ill Ġprevious ly B I ĠSec ret Ġm ist ĠF ield up s ĠPro cess Ġke pt ĠO T Ġtrad itional . i am in Ġhelp s An y orig in ilt ers j u d esc ĠA ccount Ġ) čĊ k top ol ly Ġf s Ġ ê Ġ ut Ġcent ral (t est .A n Ġs atisf G R ĠF ull Ġhe at ib er Ġon to m os S chema Ġfact ory " .$ aw s St atement (t arget ĉ new .b e Ġg uest Ġm al AR Y Ġre ached Ġm ouse Ġchall enge ĉd ouble ĠT em Ġt error Ġex tract _T O Ġsepar ate Ġm ir h elp Ġcap acity ĠProp erty k an _c reate ĠL ight .p arent Ġunderstand ing Ġeas ier Ġ| = Ġen h Ġf at Ġprot est am m _ AT - of il s ĠO h Ġps ych Ġ$ . ind s Ġrel ative sh op sh ort ĠS and uest ion Ġf ear / ĊĊ . context Ġschool s Ġser ve z one _d b Ġmajor ity ex ample Ġl ang ĉ ĠĠ Reg ister end o Ġprocess ing _t emplate - user Ġe g C OM ĠBl ue i ro Ġrem ote ĠI T #! / Ġred istrib ra z ĠS ince ĠT ur Back ground == = Ġref lect Ġpro s c md Ġwh om Com pat ĠA re Id entifier ĠTh om _ port g u Ġmon itor r m Ġpat ient ver ter Ġg ain - ui In st Ġd ies A rea _f ilter Ġgr at Ġreal ity ord inate ol ved Cont act Ġcompl iance _ or ĠV ar d l Ġapp end G ER (m ax .re nder Ġd ynamic ordin ates _ options _c olumn Ġb atter s pace L a ĠS ource /b in Ġd os ĠBo ard ĠTh read ĠA L ( config ĠM er Ġm iles _ header ETH OD iz z Ġbenef it Ġinteg r (c urrent ul o . default ĠD iv Ġt on o th erv ation ed om Ġb aby ce ived .t op rior ity ĠL ocal ri age Ġattack s Ġh ospital Ġfem ale ĠLog in ĠFl or Ġch ain ash ion Text ure S ave Ġf arm .cont ains .T est Ġknow s Ġgener ally ip eline Ġme ant enc ia Ġn icht Ġcont ents P M ched ule ( line C G j ob ĠRe al u er f irm Ġ Ø et ro " `Ċ Ġspe ech Ġth r fore ach Ġw arn ĉ l Ġhe avy < li N e Ġinvestig ation M ath - title Ġch urch Ġdes pite ch ain Ġwh atever ar ian f n Ġm eta } )ĊĊ U FF Ġregard ing _S UCCESS m es ĠInt ent Ġres olve pos s ir a for ce o ice à ¢ Ġp m Ġup dates A rr Ġ Ñ test ing Ġto ward nt ax ë ĭ Ġlist en Ġgo als Instance State D r Ġr are Ġtr ail Ke ys C al C ar ĠPe ople ĉ local class es Re ference .for Each em b act iv Ġpr im red ict Ġr ad æķ ° .B ack Ġsp read Ġc lock Ġv ir ed itor Ġeffort s Ġbr anch Ġind ust Ġmot or Ġam b Ġdat etime Ġren cont ĠChrist ian ĠAmeric ans f ull Ġf mt .m ain Ġca used _ update ĠCont ent AT CH Ġb ath ĠE ach Ġr adio ach ment uz z Sub mit Ġre strict ab in ĠL oad Ġext ension Ġess ay Ġh at avi our to Be ": [ Ġoffer ed Ġv ill (d ouble æĹ ¥ b c _f ree ĠM iss ĠB er Ġ è ĠL ike Ġhelp ed .get Name _ AL Ġsp irit ĠAp ache w s Ġthere fore ( params _ img Ġpe ace Ġinc or ĠEX PECT Ġmin or ip es ĉ data select or c ity tr ie .b ase _f rame Ġopen ed / json L Y n u .D e t f m argin .P arse Ġp i Ġe q b d Field s ĠT ree Ġb an ist an Ċ ĠĠĠĠĠĠĠĠĊ ĉg l Ġprodu ced s ystem M ark _h ash Ġb g Ġconst it ĠLe ague Ġmiss ion _ format ([ Ċ clus ion ! " Ð · b reak ĉs witch Ġth er Trans form Ġfoot ball - link r oute . auth Ġb ag ov ers Ġen abled Ġr ac ( I C R anc ing Ġman aged _ q NG TH Ġm ac ĠA uto ament e Ġ' ', .App end Ġp in . item ack ing Ġocc as p erson Ġt i .Re g Ġh aven Ġg lass Ġ" ) _ char res ource Ġep isode Ġ' _ ĠE s ĠEar th Âł Âł UP DATE ĠS ou u is t ypes Ġm as Ġf av Ġcon struct _r ate er as Ġ| Ċ rop erties Ġext ernal Ġap plied Ġpre fix ot ed l ers Ġc old ĠS P ĠCh urch ĠOut put los ed ç ļ ific ate oper ation her it x FF . env _ err os h D irection C ancel ĠFr ank Ġfind ing . )ĊĊ Ġr outer ãĥ » s es Ġc row == ' Ġs and Ġr id it ure Ġent re Ġo bserv Ġv ac ð Ł - T A rt n ight . search Ġex change Ġdistr ict . os Ġdep artment Ġdoc uments Ġcent ury ĠN ext H ost ĠK IND Ġsus p - P re nd . em u ite ist ers ( json ĠAn n w t at i ĠHT ML wh en D irectory Ġsh ut < a ed y Ġhealth y Ġtemper ature ĠG en Ġmet al Ġsub mit ĠD O Ġat tract Ġ{ };Ċ ĠW ord Ġl l Ġseem ed k o I ED Ġl abor .Cont ext Ġas set y ou Ġc ars ĠC olumn Ġr é Ġs quare ĠNS String âĢĿ , ap es .. .Ċ Ġthan ks ( props Ġt ick Ġexper iment Ġpr ison t ree - text ĠIO Exception -w idth _ST ATUS f ast -b ody - header Ġgu ar cre te ĠT im Ġclear ly ĠRepublic an Ġjust ify и ÑĤ ĉ ĠĠĠĠ c ache ; // Ġpres ence Ġfact ors Ġemploy ee ] )) M ember Ġselect or b or ĠM ex çļ Ħ ut ex _t ag ail ure ĠN et Ġre li E G Ġf printf Ġte en lo ss Ġle aving De legate Ġbe at Ġmin ute sub scribe Ġredistrib ute Con stants Ġcan cer / { B L Ġs pan ĠCh ild C enter Ġear th Y S ĠLe vel Ġse a .s upport .in ner . Item ill ing ĠĠĠĠĊ ĠĠĠĠĊ ĠL abel ĠE st ( arg bo Box ĉf oreach c os F ailed sw ers Ed itor r ont ĠM P ex pr ĠL ife Ġ? ? ö r Ġatt end ĠQ ue Ġspec ies - D Ġa us Str uct Ġadvant age ost on -b lock in itial C RE Ġtr uly Ġcomp are or ney Ġs pect F ull b es Ġvis ible Ġm ess st ances Ġcl oud _v ersion Ġf urn ic ago LO W Ġtraff ic Ġf ol rypt o Ġdecl ar Ġsl ot ĠEx t ĠEng land ĠU nder Ġt a let ter Ġoffic er ĠDon ald Y es _ json IT ableView ĠU SE mploy ee Ġopin ion ĠA ut b order Ġad vice Ġautom atically is co Ġm m . vis am l Ġinitial ize Ġ( { Ġ ;ĊĊ Ġgener ation Ġb its clip se Ġun f ut ors pl t Ġdel ta est roy is is < br Ġlimit ations Ġend ed ĠM ad il m Th ese ĠMin ister Ġch art F ragment Ġindepend ent Y ear Ġin str Ġt ags A VE ĠAr ch st op Pro gress Ġm i Ġlearn ed G e Ġhot el S M T YPE Ġc y ERS ION un ately l imit s el Ġmov ies Ġste el o z g b ĠC amp s ite ĠLog ger P LE оР´ . right ĠC ore Ġm ixed st ep Ġput s s uper R outer . Http ly ph ĠColor s Ġandroid x . str Ġinn ov Ġde ck ' >Ċ ap ers ] ( cont inue s pec ĠR oad AS H ili ar Ġcontin ues Ġapp oint Ġ# Ċ ĠV ir Ġ?> " Ġb in } ", go ing e ach B D ĠA ccess D oc ĠMan agement B ER ask et .get Instance Ġestablish ed so cket IN S ĉv irtual ĉ result RE AD _ height ĠF ont Ġ( );Ċ _ html Ġneighb or l or Ġg ather Ġ} )ĊĊ Ġid entity Ġf ab p adding ĠR oute Enumer able à ´ Ġfor ced /j query .ĊĊ ĊĊĊĊ res ents _ left .P aram ĉ throw ĠH am Ġevent ually ac er p ub Ġtr a un ique d el ĠFlor ida ĠC lean x a Ġ · Ġvalid ate Vis ual Ex pression _f unc m ember ĉ h tr l ĉ G nap shot ĠProp Types v in ] )ĊĊ ow l if ies Ġ$ ('. ĠCont ext ĠTo ast . Key Ġoffic ers / n s n und efined . items ut ow am age Ġaccount s ook ie Se ction ici ans Ġad vis ( is [: , ĠFr ance F unc ic ious Ġto k Ch annel ĠA D _N UM Ġtime out lem ma rem e u j .A l uc lear ( os (" < [ Ċ f etch Ġb al Ġgu id - align ĠW rite ĠOn ce utow ired OD ULE Ġp itch C F by tes ĠCom mission Ġincre d P ER _ response ĠL os par ser Ġass ume . Request ĠT oken _p osition Ġn om - term Ġrem aining i ostream Ġpie ces ap y ĠL ess r ange umb n pr ise _ option Im pl k wargs Ġbusiness es Al ert Ġpart ies ĠCont ainer ĠPr ivate ĠPl an Ġregister ed Ġj our ack er ен и / > ch at se ct Ġcre ation olut ely Ġinst ant Ġdel ivery ick en y es ĠFr anc bl ing end a [ ( _r ange ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠ Ġsched ule Con n Ġthan k x d Ġh ook Ġdocument ation Param eters H ello v t Ġart icles Ġw est def ined . select ok ens ĠV AL .f ile res et Ġmy s ĠM A ] ), Ġc ities rel ated å Ľ Ġappe ared Ġw id .p anel ĠIn s . entity Ġde cre ĠL ou (t ime ĠTh ank .create Element Ġmention ed oun ce ĠT ry ĠW all / images ĠM enu ' čĊ ĠE r Ġcrit ic ĠY ear ( param Ġf lo N N oot er Ġ ];Ċ ĠA ff " github room s Ġh yp g lobal Ġa vec æľ Ī Ġcomplet ion Ġcon d onym ous ( temp Ġst ars Ġre levant Ġcover ed Ġel im _t ypes ( bool Ġt u _ex ists Ġsec ure Ġst ored ] / x F ĠCont roller Ġm igr M I ĠD en Ġann ual U IL - and Ġcr ime b el Ġk itchen @ g _p h ourn ament ĠS ocial ĠS pecial log ger Ġt ail Ġun known d ed Ġapp rec (d b c f Ġass ign - out ĠM ont d p w idget Ġst one - primary . grid Result s az z Ġda ughter Ġcur r Ġl in Ġs outh form s ĠO UT let te ak s ig ure ĠE U var iable Ġb rief ĠSc ott Ġcon ference and a _ lock or al Ġe ine OR S //////////////////////////////// //////////////////////////////// ess o Ġr is Ġg ender est ic L icense ( out Ġm s Se e Ġwill ing az e Ġs ports Ġy es l u Ġp urs /j avascript - pro nav bar _pro duct / bootstrap Ġdr iving Ġ Ä Ġpro pos ult ip up lic . email Ġappro x ( cl Ġwe ar Ġrep ly ass et Ġ ice Ġt x k r ĠGerman y ĠGe orge Ġc b ĉ err M ove Ġpol y vo ice } " Ġan imal A v ĠL ocation Ġn ative ] [" < double Ġm ais , int Ġpre par Ġinter val plement ation _ ERR Ġb ug > " st at Ġ} ,čĊ < span Ġfa ith Ġ rom pre v ĠE lect F ind Ġg od ot or // ---------------------------------------------------------------- orig inal C pp ĠSen ate Ġposition s Ġweap ons Ġco ff Ġpur poses p ol Ġim press Ġanim als . Entity (n p Ġmur der Ġ` ` fl ag Ġsol utions ĠAct ive Ġb right .d ate Ġsit u ï¼ Ī . ID Ġs ie ), čĊ ak t S pace .d at .index Of h an az ine ĠZ e Ġcr ash ( / > = Ð ± iv a .Auto Size ĠL at _ ext Initial ize .reg ister OP Y Ġre verse _d is '] [ Ġprom pt ont o ĠJ ournal r outer Ġmys qli # else ) " -x s let s ph an . LE W ill Ġaff ord Ġsk ill -t oggle N C B ind T S J ust iter al Y P ĉ unsigned Ġw ind )) :Ċ Ġw arning ĠW ater Ġd raft Ġc m Ġs am Ġhold ing z ip ĠSc ience Ġsup posed G en Ġdi et < h ĠP ass v i Ġhus band � � n ote ĠAb out ĠIn stitute Ġcl imate .Form at Ġn ut est ed Ġapp arent Ġhold s f i new s C M v ideo ': ' D ITION p ing Ġsen ior w a -- >Ċ _ default ĠD atabase re p E SS ner gy .F ind _m ask Ġr ise Ġk ernel :: $ . Q Ġoffer ing de cl ĠC S Ġlist ed Ġmost ly eng er Ġblock s ol o Ġgover ning \ F Ġcon cent .get Text Ġm b Ġocc urred Ġchang ing Sc ene _C ODE B eh " The Ġt ile ĠAssoci ation ĉ P al ty _ ad od ies i ated Ġpre pared poss ible Ġm ort TE ST Ġign ore Ġcal c Ġr s Ġassert Equals Ġs z ĠTH IS . "Ċ Ġcan vas j ava Ġd ut VAL ID .s ql . input Ġa ux S up Ġart ist V ec _T IME .string ify et ween ĠC ategory Ġ[ - ĠDev Express ĠJ ul Ġr ing . ed Y Y L et Text Field Ġfl at _p rint ĠOT HER ad ian Ġcheck ed e le Al ign stand ing Ġ[ ], Ġl ab uck y ĠChrist mas ( image .m odule Ġl ots Ġslight ly (f inal er ge è ¿ ĠPol ice ĠR ight Ġaw ard ĠO S Ġ{ }ĊĊ Ġp tr ov es ic ated еР¼ Ġman age olid ay Am ount ool Strip t body N av w rap B B Ġwatch ing ari os Ġoption al _ K ĠL icensed .M ap T imer ĠA P ĠRe v ( o , c um in eta iled ĠH y Ġbl ank ag ger ĠS elf () [ .m ake ear n ch annel < pre ble m _p assword _s p ic ing e z Ġthe ory ĠT er , n log o ĠHT TP () )) .h andle > ;Ċ W orld Ġpy thon Ġl if Ġtr av Ġcon ven com pany ĠCl ub V er B tn Ġz one product s ĠE duc Ġver ify ĠM il on o ] );ĊĊ EN CE Ġpack et Ġc er Ġen umer Ġpar s form ed Ġocc up t re Ġexerc ise D ay _s um Ġask ing apt ion Ġord ers Ġsp ending ĠE RR .D is ĠU til âĢľ I \ ' ? ) / >Ċ Ġem ot Ġinflu ence ĠAfr ica att ers Ù ħ .s ession Ġch ief ĉĉĉĉĉĉĉĉ ĉĉĉ Ġto m clud ed ser ial _h andler .T ype ap ed Ġpolic ies - ex - tr bl ank mer ce Ġcover age Ġr c _m atrix _ box Ġcharg es ĠB oston P e Ġcirc um Ġfil led Ġn orth icture Box ĉ res è ® Ġter min Ġ[ âĢ¦ IRE CT Ġb er Ġ" ../../ ret ch .c ode _c ol ĠGovern ment Ġarg v ĠL ord as i Ex ec ĉ let vert is Ġdiscuss ion en ance out ube type of Ġs erved ĠP ut ĉ x Ġs weet B efore ateg y . of ĠM aterial S ort ON T ig ital Wh y Ġs ust Ġ ç ab et Ġseg ment Ġ[ ],Ċ ĠMus lim Ġfind ViewById c ut _T EXT ĠM ary Ġlo ved Ġl ie ĠJ O Ġis set mon th Ġpr ime t i ĠCar ol U se ĠP op ĠS ave Int erval ex ecute d y ĠI ran _ cont ĉ T Ġph ase check box we ek Ġh ide Ġt il Ġj u C ustom b urg / M T ON Ġqu ant Ġr ub ix els Ġinst alled Ġd ump Ġproper ly ( List Ġdec ide app ly H as Ġkeep ing Ġcitiz ens Ġj oint p ool S ocket _ op Ġweap on gn ore ĠEx ec ott en ĠM S Ġ( - ĠRe view Ġex amples Ġt ight ! ( D P ĠMessage Box Ġphot ograph UR I é t l ow ĠGr and .p ersistence Ġmaint ain Ġnum s Ġz ip ial s ĠG ets pe g ĠB uffer ~~ ~~ ra structure ĠP L u en ob by size of Ġp ic Ġse ed Ġexperi enced Ġo dd Ġk ick Ġproced ure avig ator - on , j ĠAl though Ġuser Id ac cept Bl ue IC olor l ayer av ailable Ġend s .t able Ġdat aset b us Ġexpl ain ( pro ĠCommit tee Ġnot ed ] :Ċ D im std io . ",Ċ _s ource ĠWe ek ĠEd ge Ġoper ating Ġest e i pl ag ination Ġpro ceed Ġanim ation .Model s ĠW atch i at Ġopp on / A Re port Ġs ounds _b uf IEL D Ġbu nd ĉ get .p r (t mp Ġk id >ĊĊ Ċ Ġy ang Not Found Ñ Ĩ m ath @g mail ĠL IMIT red ients Ġv ent avig ate L ook Ġrelig ious Ġr and ri o ( GL _ ip u an ici ency ĠCh ange > čĊčĊ ĠEnt ity Ġrencont re ĠR et pl an é n BO OL ur ies tr ain Def inition ======== ==== z z An imation ĠO K _m enu .b l _s core Ġac ad ( System Ġref resh '=> $ .G raphics ament o p id t c Ġt ips Ġhom es Ġf uel â ĸ _h elper ĠĠ čĊ ĠR oom .C lose _ attr ĠM ount ĠE v ar ser _t op e ah ĠDe lete ãĢ į u ke Ġus age ar ia _de v Ġtext ure Ġconvers ation e per Be an d one non atomic ĠSe cond Ġshoot ing _p re Com ponents Ġ] ĊĊ __ , stit ution .Ch ar > ();ĊĊ Ġpresent ed Ġw a ok er - ĊĊ in er Ġbe coming Ġinc ident At t Ġreve aled for c Ġbo ot .p age Enumer ator _ -> Ph oto Ġs pring . ", ĠD ictionary B JECT Ġloc ations Ġs amples Input Stream ĠB rown Ġst ats qual ity Ñ ħ -d is Ġhelp ing Ġp ed ( se ĠWh o al ian int ernal Ġf t > (). -> { Ġm ine Ġs ector Ġg ro Ġopport unities Ġà ¼ Ġm p Ġalleg ed Ġdoub t M ouse Ab out _p art Ġch air Ġstop ped lo op ent ities Ġapp s ans ion Ġm ental ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠ F R Ġdef end c are Ġide al / api ur face Ġe le ul ator ĠR ights angu ages Ġfund s Ġad apt At tributes Ġdep loy opt s Ġvalid ation Ġconcern s u ce .n um ult ure il a Ġc up Ġp ure .F ore ĠHash Map .value Of as m M O Ġc s Ġst ores Ġ ************************************************************************ Ġcommunic ation m em .Event Handler . Status _ right .set On S heet Ġident ify ener ated order ed Ġ" [ Ġs we Con dition ĠA ccording Ġpre pare Ġro b P ool Ġs port r v ĠR outer Ġaltern ative ( [] ĠCh icago ip her is che ĠDirect or k l ĠW il key s Ġmy sql Ġw elcome k ing ĠMan ager Ġca ught ) }Ċ S core _P R Ġsur vey h ab He aders AD ER Ġdec or Ġturn s Ġr adius err upt C or Ġm el Ġin tr ( q ĠA C am os M AX ĠG rid ĠJes us ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠ .D E Ġt s Ġlink ed f ree ĠQ t Ġ/** čĊ Ġf aster ct r _ J D T .C heck Ġcomb ination Ġint ended - the - type ect ors am i ut ing Ġum a X ML U CT A p ĠR andom Ġr an .s ort Ġsort ed . Un _P ER it ory Ġprior ity ĠG al ĠO ld h ot ĠD isplay (s ub _T H _ Y ĠC are load ing K ind _h andle , , r ase _re place .add EventListener ĠR T Ġenter ed g ers Ġ ich ( start / app Ġbro ther M emory Out let Ġ utf pre c Ġn avigation OR K Ġd st D etail Ġaud ience Ġd ur Ġcl uster un ched Ġ ], Ġcomfort able . values ĠT otal Ġsn ap Ġstand ards Ġperform ed h and (" @ å Ń Ġph il ib r tr im Ġfor get Ġdo ctor .Text Box icon s , s ĠO p S m St op ĉ List ĉ u Com ment _V ERSION .X tra P erson r b LO B ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĊ ĠCent ral IC K ra q Ġput ting Ġm d ĠL ove Pro gram B order o or Ġallow ing a fter Ġent ries ĠMay be ] ). ĠSh ort ) \ .n ow f riend Ġpre fer ĠG PIO os is ĠGame Object Ġsk ip Ġcompet ition _m atch lic ations _CON T .group Box Ġal s " We _e q l an _ search ĠMus ic as is Ġb ind ĠIs land r um ( E Ġse at V ideo Ġa ck ree k ={ () Ġr ating Ġrestaur ant DE X (b uf pp ing ual ity Ġle ague Ġfoc used ap on $ data CL UD CLUD ING Ġabs olute ( query Ġtell s A ng Ġcomm unities Ġhon est ok ing Ġap art ar ity / $ _m odule ĠE nc . an .Con fig C re Ġsh ock ĠAr ab I ENT / re Ġre trie ycl er is a ĠO rgan . graph Ġ í ĠB AS En um Ġposs ibly ÑĢ аРĠJapan ese Ġc raft ĠPl ace Ġtal ent Ġfund ing Ġconf irmed Ġc ycle / x G E Ġhe aring Ġpl ants Ġm outh p ages or ia ĠRem ove _t otal Ġo d oll apse do or Ġb ought Ġadd r AR CH _d im dd en Ġdec ades RE QUEST Ġvers ions f ire Ġmov es f b Ġcoff ee .con nect ĠR ow Ġs chema S cope - Type Ġfight ing Ġret ail Ġmod ified T F File s n ie _com mand st one Ġ ÑĤ _ thread Ġb ond ĠDevelop ment Ġp t F ORM ple t Ġident ified c pp Ġc oding ok ed ĠM aster ID TH Ġres idents red it ĠPh oto = - un te ate ur _ST ATE ĠS ing Ġshe et . val or se Ġh ers Ġdetermin ed Com mon Ġw ed _ queue P H ĠAt l cre d /L ICENSE Ġm es Ġadv anced .j ava .S h G o k ill f p _set tings Ġp al Ġtr uck Ġcomb ined Ġ" ${ ĠCor por Ġjo ined ĠJ ose ĠC up un s est ival lev ision Ġbro ken Ġmar riage ĠWest ern Ġrep resents ĠT itle Ġs s .A ss ongo ose ient o < >();Ċ Ġabs olutely Ġsm ooth TER N ĠUn less W ord Ġmer ge ig an ĠV ol Ġn n .get Id ĠÐ · Ġsex y Ġseek ing S ingle . this Ġk om b ound ; " Ġfont Size _d f Ġinj ury ( H Ġiss ued _ END : self Ġp atch Ġle aves Ġad opt File Name ãĢ IJ Ġexec utive ĠBy te ] ))Ċ Ġn u out ing clud ing - R . options Ġsub stant av ax ĠB UT Ġtechn ical Ġtw ice Ġm ás Ġun ivers y r Ġdr ag ĠD C Ġs ed Ġb ot ĠP al ĠH all forc ement Ġa uch .m od not ation _file s .l ine _fl ag [ name Ġres olution Ġb ott (" [ end e ( arr F ree ( @" ĠD istrict PE C : - P icker ĠJ o ĠĠĠĠĠ Ċ ĠR iver _ rows Ġhelp ful Ġmass ive --- Ċ Ġmeas ures ĠR untime Ġwor ry ĠS pec ĉ D ãĢ ij Ġ) {Ċ Ġwor se (f ilename Ġl ay Ġmag ic ĠThe ir ou l st roy ĠWh ere Ġsu dden Ġdef e Ġb inding Ġfl ight ĠOn Init ĠW omen ĠPol icy Ġdrug s ish ing (' ../ ĠM el pe at t or Ġpro posed Ġst ated _RE S Ġe ast ĠCON DITION _d esc Ġwin ning fol io M apper ĠP an ĠAn ge .s ervlet Ġcop ies L M Ġv m å į Ġd ictionary S eg el ines ĠS end Ġ iron ĠF ort .d omain Ġdeb ate Not Null e q ach er l f ĉf mt Ġlaw y Ä Ł ĠM en Ġtr im ( NULL Ġ! ! Ġp ad Ġfollow s "] [" re qu ĠE p .g ithub ( img et o (' \ S ervices umbn ail _m ain ple ted fort unately Ġw indows Ġpl ane ĠCon nection . local u ard } \ == " and on ĠR oy w est ig inal em ies it z ') :Ċ ĠP eter Ġt ough Ġredu ced Ġcalcul ate Ġrap id c ustomer Ġeff icient Ġmed ium Ġf ell . ref ĠC as Ġfeed back S peed ( output aj e Ġc ategories Ġfe e } ; Ġde leted re h Ġpro of D esc B uild Ġs ides .Array List - % ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠ Ø ± .m atch л и Ġfe els Ġachie ve Ġcl im _ ON ĠC D Ġteach er _c urrent b n _P L ist ing En able G EN Ġt v Ġso ck Ġpl ays Ġdis count ĠK E ĠDe bug F ore ĠI raq Ġappear ance M on Ġst yled ĠH uman i ot ĠH istory Ġs ac ĠC ollection Ġrecomm ended .Se lected Ġorgan izations Ġdiscover ed co hol ad as ĠThom as M ay Ġcons erv Ġdom in ĠF ollow ĠSe ction ĠTh anks User name Ġrec ipe Ġwonder ful .s leep _ if ĉĊ ĉĊ orn o Ġr u _t arget ." " à ¦ Event Args Ġinput s Ġf if Ġv ision c y ĠS eries ) ((( Ġtr ading Ġmark er B egin Ġtyp ically Ġca uses drop down _DE BUG Ġdet ect c ountry ! ");Ċ ĉ R app y Ġc ref (' < " => ĠL E read er Ġadmin istr à µ uck et Ġf ashion . char iz ar Ġdis able Ġsu c ĠL ive iss ue Ġmet adata fl ags Ġ ðŁ Ġcomm itted Ġv a Ġr ough Ġ'' 'Ċ Ġhigh light _var s V O Ġenc oding - Z _s ign $ ("# Ġr ain reate st ĠEN D Se lection Ġcandid ates Ġs av . Empty Ġdec isions Ġcoll abor rid ge fe ed ress ion Ġperson s V M eg a _B IT A ccording ack ed Ġdoll ars _lo ss ĠC ost } "Ċ Not ification Ġpro stit Ġauthor ity .re c Ġsp okes ĠT oday ist ant ĠHe ad âĢĿ . ertain ment ce an cul ate Ġv en How ever _ arr Ġtok ens G raph ĠJ ud ĠVir gin ĠS erial un ning M utable ag ers .c sv Ġdevelop ing Ġinstruction s Ġprom ise Ġrequest ed _ encode / " ĠI con u ilt - day Ġint elligence . IS ĠO bservable ĠH ard Bo ol ident ial .An chor Ġsell ing C I AG ES t le b ur UFF ER R Y Ġbig ger Ġr at Ġfam ous Ġtyp ename Ġexpl ained } }Ċ Ġn uclear - N Ġcr isis ĠEnt er Ġan swers / ${ / pl Ġse qu _n ext m ask Ġstand ing Ġpl enty ĠC ross ĉ ret d ro ĠC ast = true ĠCh ris ic io ĠM ike Dec imal add Component L en Ġco ck Ġ# { UR N < tr Ġauthor ities Res ources - H B ottom _ qu put er ester day Dis patch s ince Ġfam iliar , i V C Ġm ent , C Ġfre edom Ġr outes ĠB uy Ġcomm ands Ġm esh / C ĠSet tings - style Ġw itness Ġc le Ġun ion ef ault are t Ġthought s Ġ ---- _pro cess _ us ing ly U ES T ouch ĠÐ ¼ _ open ĠV ec Ġre ward .C lick / : Ġn ie Ch anges M onth ï¼ Ł Ġexec ution Ġbe ach ( Integer ĉ a / ' .Font Style Ġab ort ĠS ingle ( isset Ġd p Ġ}} Ġ* = ĠP S Ġdanger ous [ p OM E O ther ĠString Builder Point s head ing Ġc urrency Ġpercent age _A PI Ġclass ic the ad ĠM O F E Id x aw ait Ġà ¨ Ġacc ident Ġvari ant Ġm yst ĠL and ĠB re Ġh arm ĠA cc Ġcharg ed ion es Vis ibility ar ry ĠL anguage Ġwalk ing " .ĊĊ if er Ġleaders hip .F rom yn am Ġt imestamp i pt ĠH as REF ER ĠIt s Ġlist ener UT E _d escription Ġexperi ences Ġcre ates R S c art bl ack Ġcho ices w ar Ġ'' ' Ġorder ed Ġeven ing Ġp il Ġt un ĠB ad ( app r andom Ġexp licit Ġarr ived Ġf ly Ġecon om -m ail Ġlist s Ġarch itect ĠP ay Ġd s ĠS ol Ġveh icles H z - com Ġk ing _e qual ĠH elp Ġab use -- ;Ċ Ġex tr Ġchem ical ä ¿ Ġor ient Ġbre ath ĠS pace (e lement w ait DE D ig ma Ġent r Ġs ob - name Ġaff ected ik a Ġco al _w ork Ġhundred s Ġpolit ics sub ject Ġconsum er ANG E Ġrepe ated S end Ġ# [ Ġprot ocol Ġlead s use um E very Im port (c ount Ġchalleng es Ġnov el Ġdep art b its .C urrent Ġ` ${ ot ing ( \ Ġcreat ive Ġbu ff Ġintrodu ced us ic mod ules A re -d oc l anguage _c ache Ġto d ? > {{ ĠRes ource ĠSt andard ĠP rem up dated ival ent Ġas sets _t emp Ġinterest s Ġhard ware ĠR om ĠSh are Ġ' 'Ċ Ġ* , ĠT ake ĠIm ages _C HECK (type of ĠJ un \< ^ Ġli qu Ġwor st ymb ols ĉĉĉ ĠĠĠ Ġdr ivers ĠD ocument en o ĠTechn ology Ġappro ved ump s Ġs now form ance _A SSERT u its Ù Ĩ Ġdiffer ences . Visible ĉĉĉ čĊ ĠP s _f etch Ġto do . ',Ċ Ġs el ur ers in valid Ġt weet V EL Ġresearch ers Ġs printf ĠR O Ġp el .Tr ans Ġil legal d ialog sm arty l g _M IN Ġher o f inal Ġp p .L e Ġc i ĉ RT Ġsuggest ed p df ach ing ĠR o ĠProp erties ĠS i Ġbuy ing Ġm u Ġl ands if iers ĠF ILE RO UP Ġh older ĠS on Ġsym pt .r oute ) ? Ġarg c Ġfor t Ġcas ino _c ategory Ġfor um p refix apt ure T ube em s im ize Ġn ue a us c ourse AT OR () ), Ad vertis ING S Ġack now ĠKore a pl ing Ġwork er PL IED h al ĠRich ard Element s ĉĉĉ Ġ st ar Ġrelationship s Ġche ap AC H ĠX ML , & ĠLou is Ġr ide _F AIL Ġch unk [ s _O UT Ġch osen _ [ / ( ĠJ eff _s l pr iv ĠCan adian Ġun able _F LAG Ġn os h igh Ġl ift f un () { el ly ycler View _ as _L IST Ġr adi .get Value ĠAnge les ĠS pan _in stance it ors Ġm igration A K O h  ® . selected ĠG T Ġadv ance ĠSt yle .Data GridView e ction Ñ İ p io ro g Ġsh opping ĠR ect I lluminate O U ĉ array Ġsubstant ial Ġpre gn Ġprom ote IE W .L ayout Ġsign s / . Ġlet ters Bo ard ct rl " \ ĠJ ones Ġvert ex Ġj a Ġaff ili Ġwe alth ĉ default Ġsignificant ly Ġe c Ġx s act ual .p er _st ep an vas m ac Ġtrans l ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Iter ator Ġo ch agnost ic ĠD uring ĠDE FAULT Ġt ill Ġsign ature Ġb ird ĠO l ĠI r H S av atar ESS AGE Ġe lev Ġm t ĠN av Ġrel ax Ġpl ate IT EM ( date .n ot Ġgr ade Ġ} ),Ċ ? "ĊĊ i ences H igh ĠD IS dis abled Q UI Ġno ise a ux ĠU P os a Ġv oc Ġ )) oc om _O FF ĠD b L ock .e clipse , d ĠD raw Ġ" ( Ġvis ited Ġâ Ī Ġsuc ceed Ġim possible a ire ĠT urn Ġd ish F G Ġs ensor AN N ab a Ġsur g ] );čĊ Ġf p _ an - J - G ĠJ ob Con vert ĠKE Y Ġauth ors _s erver \ r Ġ-* - f lex Ġs oc R et Ġs alt ĠâĢ¦ ĊĊ ĠC lear (p age -d anger Ġroom s con v # { . op ĠA rea _S C h en Ġbeg ins - y Ġexc ited Ġign ored Ġbon us st udent ĠM ember Ġrel atively ĠL ow ĠPro du ate way pos ure Ġth ick ani el ( view ĠCr ush Ext ension I l e ed LO C . im . Items Ġconflic t .pre vent Ġon Create u v is er Ġw ave M ar ĠComm unity ic he ĠNo thing [ m ĠLe e ri ends è re !! ! an z . result ĠS K _P ARAM Ġdem ocr Back Color .ex ists " It ( options ra zy as er \ Database al endar _ ass ; }Ċ vert ex ine craft W arning arg o Ġact or ĠInst ead ĠUs ing S elf @ interface Ġspe aking ĠPar is ĠL ICENSE .n ode ĠF ood E IF ĠB i . Start ĠI B Ġun iversity ĠHe ader .pro duct C opy et c r ical Ġ> >> book s Ġal gorithm Ġ' __ (j avax Ġnumer ous Sh are H ave Ġrec ru Ġpro ve .sub string he alth е л Ġdec imal Ġcomm ission s cription x C Ġsum mary att ed Ġclo ser fin ished () ){Ċ ĠW ood _field s k u _ items Fl ag Ġconf idence ĠF ederal du x Ġcomp at Ġvert ical Ð ¹ è s ; ">Ċ _m anager () ))Ċ ID E : ", __ Ċ ĠW ay Ñ Ī T emp ĠS TR rit ten S ync ĠA V ĠC EO ĠG uid Ġenvironment al Ġcorrespond ing ĉ console Ġjust ice ĠJ S Ġl ived g ar ĠG raph ĠSt at Ġi Phone . al ĠH D Ġocc ur Ġth reshold Ġon click RE G .Graphics Unit M eta Å ¾ Ġc um .g nu à « Ġobt ained Ġcompl aint Ġe ating Ġt ar _t ask Ġopt s ( to P ass Ġpl astic t ility ĠW in .prevent Default p ile ĠG ar Ġqu antity _l ast Ġg reatest D ao _D IS ĠUs ed ĠH P rit ing S ION bl ue d omain Ġs cores N ormal _ admin ĠA SSERT Th en ** * d ist l on Ġh ate sh al Image View d atabase Ġp and Ġlog ic = false b g ĠConfig uration Ġn ur O G Ġmar ried : + Ġdro pped Ġreg istration оР¼ ult iple iz ers sh ape .c opy Ġwe aring ĠC ath Ġded icated Ġ.. .Ċ Ġadv oc ĠF amily Ġstat ements em atic ampions hip Ġmot iv ĠH ave Ġbl ow J ob c ert _v ector inst all ĠC OPY em bed D IR ĠS pring Ġex hib cd n ĠCom ment ĠOption al . player ĠD ark ( pos ĠSh ould Ġcent re ĠGu ard ó w Ġtr ouble EN ER ( unsigned _s ervice Ġn s ul ing ĠMex ico ĠN Y mys ql Ġl ic å ľ M r - fl ĠC ustomer id i Ġ? >ĊĊ ri ble Ġп ÑĢ Ġs izes _STR ING valid ation ĠJ on ( Http add Class N odes Ġfrag ment Ġsp oke Ġw aste J oin Ġill ustr el i c ient Ġa id Ġpro sec ') {Ċ Ġpass ing Ġf aces Sh ape _ Z it i Ġal le Ġro bot ĠĠĠĠĠĠĠ Ċ ĠS pe Ġrece iving ĠD etails Ġ" ) m g _RE F Ġcompar ison * , ĠF ound _s ession ( U / F Ġx xx N etwork d ers Ġcap ture Ġcor re ĠL td ĠAd v [ @ Ġcl ip M ill ĠPro file Ġend if Ġob lig des cribe .e lement riter ion L D er ed Ġfav our s core ĠF ilter at tributes Ġcheck s In flater ĠPl us Ġscient ific Ġpriv acy He ad Ġfe at Ġdeg rees ĠP ale ; "> Ġfil ms ĠA udio ĠT ag ĠE nergy it ar par ator Ġf ellow Ġev t ĠT ri ĠD AM cl oud ĠP assword ĠDemocr ats ĠAc ad $ lang Ġre b () )ĊĊ н Ñĭ ĠB ur read cr Ġh ex Con sole ct l ous el ĠWill iam Ġa z _P ORT Ġpract ices Ġany where ĠP osition Ġ- >Ċ i ams .user name place holder Ġo der ĠSecret ary Ġi T mon d event s ? âĢĿ .S ub Ġatt ached Ġn ão Ġest ate . action Ġfig ures Ġ} );čĊ Ġsubs cri .t ag n am . plot no on li ament Char acter .t ab Ġw inter ĠVar iable Ġtre es Ġpr oud ( V _ load Ġh ier ĠE con Ġf d Ġvict ims R est ian a Ġf ake .Print ln Ġstr len Ġs ad Ġb le Pro t Ġbutton s Ġte levision Ġlog o ext ension ĉ j ste in acion es Ġ"" "ĊĊ Ġsim p Ġrecord ed Ġbr ings Ġprincip al Ġfe es (s ource k dir Ġutil s Ġcorrect ly f il Ġw el P air -b utton s cale ver ify [ c Ġ-- - Ġes cape ik es Lower Case ic ian Ġch apter ĠT YPE Ġsh adow Ġaw esome W E el if Ġl ambda Ġdist inct Ġb are - off Ġcol our .append Child ole c ag a .f ill ĉs uper Ġad j ( position .get Item Sh ort Ġtot ally V D ĠT re _ ep v ements ĠS olution Ġfund ament F ollow Ġfac ility Ġhappen ing O F .text Box S pan Ġ « id en Ġex ceed (p arent Ġc p ç » Ġhas n Ġp ri Ġcon sequ n en ĠIN TO I gnore ĠF uture Ġcar bon ĠSte el f mt ok ie Ġs pl (t itle - info Ġde als Ġfix ture e a D iv Ġtest ed _ return )ĊĊ ĊĊ upport ed ĠC ook Ġpay ing ĠI ll Ġarrest ed ĠPr ime _c allback > ,Ċ dr iver On ce ab b _by tes ĠS ets ( Object Ġc c Ġsh ell al o ); // ( log ct ors ) Ġ$ (". .p os Ġbo ys Ġwed ding Ġag ents =" _ ĠAr my Ġh int v ision Ġte ch ĠCon nect Ġleg end ĠB et .B ase Sub ject Ġl it Rem ove Ġ" : ĠF inal pear ance ĠiT unes Ġparticip ants ĠPy thon Ġbus y i el vert ices Ġtemplate Url ĠC lose Im g ĠCorpor ation t imestamp Ġext end Ġwe bsites Ġposs ibility о ÑĤ Ġk ö Ġme at Ġrepresent ation Ġ ĉĉ _ST ART .app ly ĠVal ley ĠS uccess H i Ġn ob ĠI Enumerable _ select ge o . ")Ċ Ġturn ing Ġfab ric (" ");Ċ Ġpers pective é Ĺ ĠS n Th ank ; j .Param eters ĉ ĠĠĠĠĠĠĠĠĠĠĠ Ġfact s Ġun t .in stance ################################ ################################ - end ĠJO IN ĠH en Ġur i åIJ į Ġн а ĠIn fo Ġconduct ed Ġà ¥ OUR CE Ġw ine J ohn .Error f ĠA ge ound ed Ġreal ize Ġ] ; Ġsub sequ , m ( User ian o Ġaccom pl is p .st d é ĩ ĠB ed .set Attribute B R ke ep ĠA LL Ġis ol am ma P ackage Ġoccas ion -s uccess еР´ ĠLIMIT ED st rip () ĊĊĊ istrib ution Color s Ġ+ :+ Did Load al er Ġt id ĠL ED ĠLink ed ĠC art () )čĊ _RE AD Ġkill ing ĠP HP fe ction Ġinst ances c v "/ > Ġs f Ġtax es _ location ĠBit coin u able r ank ign ore tr ack к а Ġshould n ĠO P => {Ċ Ġk m Ġh elper _ head ĠWh ether oc o _b l Ġstat istics Ġbeaut y Ġto g t ip ëĭ ¤ Ġc sv (s ql std lib we ak Ġlik es Ä į Ġrepe at Ġap artment Ġem ph _ edit Ġv it ĉ type E ven ut en Ġcircum stances b ian Ġs ugar W indows ì ŀ Ġobs erved / data Ġcal endar Ġstri ke ĠR ES _s c f ony ore m ( z p ower et ect ĠS at .d escription Ġg ang ĠS ports ong s ĠB undle .s um on ce Ġacc used Ġexplo re Ġapprox imately Ġlos ing thes is ĠF und Ġdi agn A utowired prop erties Ġ_ . Ġc nt ced ure Ġy y Ġgr ant so ck .inner HTML Ġ] );Ċ ĠCON FIG =' $ ] ];Ċ UN D Ġg lob Ġd ire uff le _M EM Ġauth entic > (" Ġdec ade ĠIm port Ġorigin ally Ġj Query Ġindic ate Ġours elves S w .l bl ener ate Ġbas ically ĠH om Ġ+ #+ ĠBrit ain ĠK ar to Equal .st op Ġmod al is i Ġsuggest s Ġd type Ġt ur b f Ġconnection s ĠB efore ist ed m ouse Ġpul led .b uild Ġlegis lation Ġfor th p ad eg o .N ow Ġexc iting }ĊĊ ĊĊ Ġcom pr Ġsh ares Ġr ig g reen _ vec Ġenumer ate A uto ic ator ĠR ay as se Ġh oliday Ġnull able g un _d etails Ġwr apper se q ĠYou ng ju ana Ġ" __ lic ense ser ve ^ ( id ers .Rem ove rop down ' S p in (t oken .D efault Ġreason able amp ion ĠS ociety Ġbe i erv es r ad ĠF ox _ images Ġw heel ') [ Ġc fg ( By Con structor Ġv ary .sw ift Ġpro xy ĉ H ĠAn other ĠP en Ġcheck ing Ġj est man ager Or igin ug s o ir >< !-- Ġexpress ed Ġmod er Ġag encies Ġi h -h idden ious ly ĠR od Ġso le M ed .A ny Ġp c b al Ex ample ĠS ale Ġst rip ĠCom p Ġpresident ial M ost put ation ( ref ĠF our _f ilename Ġen forcement Ø ¯ ĠGe org we ights / l Ġag gress Ġd rawing and y < I - j ak a h ref Ġteach ers _ Q ( it ĠM B Ġtemp orary ire base str a æĹ ¶ è ´ ( label ou p Ġtop ics Ġport ion id os ĠJew ish Ġre covery Ġstand s # [ Ġafter noon ĠArt icle _ att Ġexpl an ĠP ak .setOn ClickListener . children Ġi k + ( l ag Ġdis k Ġcont rovers "> & as p Ġw ie ĠAustral ian ĠYou Tube At tr cont ains du ce ĠM att at ern Ġvol unte Ġnew sp V P olt ip Ġde legate _m eta Ġaccur ate ĠEx ample % , ĠD aily Ġc abin ĠS W Ġlim its k ip Ġar my Ġend ing Ġb oss ĠD ialog Al so ="# " ord an row se - min Ġ" & _ loc U X Ġdevelop ers Ġaccur acy Ġmaint enance Ġhe av Ġfil ters .T oolStrip Ġn arr ĠE mp ORD ER ĠM obile .S erial .out put .c ol M aterial um a Ġconsum ers sh ift Ġp ued Ġmin i c ollection Ġk an .c enter H istory Ġben ch () ); itor ies Ġcrow d _c all Ġpow ers - E Ġdis miss Ġtalk s ĠCh annel for ward _ control /s rc i est **************** ******** Ġbet a (c olor _O BJECT ĠA pi Ġeffect ively C amera s d uss y D ict ĠE ffect ib ilities Ġreturn ing ĠF ar Ġ' ') Ġmod ules il ation Ġ( % TR GL Ġst orm on na ĠEX P Ġs pons Ġdis pl ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠ f all å Į ign Key _ US et rics Ġhand les T L _ amount ow a br and ĠT ool Ġus ual . Z cre ment ad ium st ock Ġserv ing ĠB on Ġline ar ĠT arget ĠR adio H L Sh ader om atic ag ues in ity d iff _ iterator qu ot Ġ ,Ċ c allback Ġsympt oms [ _ ĠB ul ĠF eb und o _ account Ġtyp edef и Ñģ tr as User Id ĠP enn ĠSup reme } > user Id ĠK im Ġg a Ġart ists å ¸ ĠAb stract ok emon Ġh am o val Ġch a at en å Ĩ F ixed Ġvul ner ĠParam eters qu antity .C lear Servlet Request Ġy a Ġsou l trans action Ġsol o Ġp airs æ Ķ ĠG re _ word ĠC C Ġg i z ie Ġsched uled rot ation gy pt ul ous :: _ ĠE ll < ! ĉĉ ĠĠ l p ah a C opyright Ġdr am Ġdi agram ĠM em Ġg arden Com p Ġattempt s uff ix > () Ġphil osoph _re l å ¼ Ġs v .se cond ant o .J son ĠTe le _ local _s end Ġas pects ì Ĺ IB LE Ġr ail Ġwid ely ash ed i ar in f up per d jango _result s iss ing Ġequ ivalent OUN D Ġt y Ġpotential ly Advertis ement ĠRec ord resent ation _w idget ound ing Ġrelig ion Ġcons c ĠL im . am H tml Ġ' : P ATH _s pec ort ed id ades _sh ape Ġkeep s .S ave ĠL oc or i ĠT EST unic ip Ġreg ions Ġbelie ves / en pos ite { ' pre pare _ const s ample ĠWill iams Ġstr t _ Get ĠAnd rew . active Ġl ayers Visual Style az y ĠK n Ġac id ĠAs ia Ġex cess ĉm y Ġkey board ens us Ġcre w Ġmiss ed m aster ĠW ild Ġnew ly Ġwin ner Ġst ub ic ode .m ove D omain ĠS ar Ġfore st LE D claim er .ex it ĠW indow Ġres istance ĠC HECK (" - ĠR yan Ġp ipe Ġco ast DE F // ! _ off ex it Ġult imately imit ive ĠKe ep Ġhistor ical Ġany way ĠJack son ock er ER N ĠU INT y ntax ER Y is ms Ġc n Ġocc urs Ġ; ; Text View A E / img Ġy esterday - default Ġt iny Ġpro c Ġal ive ĠRE G . th ear ing .get Logger < link _ login F older ab c lyph icon н о Ġnot iced od igo Ġed ition im ator . Enabled .parse Int Ġy ards ĉĉĉĉĉĉĉĉ ĉĉĉĉ Ġver bose л Ñı _B Y .log in .* ;Ċ ĠM id é es Ġg lo Ġbuild ings Ġz e ĠI ter Ġt ube ĠP ot \ M < th br idge ĠS cript ĠM odule Ġv acc Ġinstall ation v y VisualStyle BackColor ĠS M .t otal b at Ġfind s Ġat mos Sub view iz ard Ġrepl acement lic ated ap is Ġlog ged ĠLe ft G ui _ Type t m P ad Ġhouse hold Ġre le Ġpropos al _CL ASS :: :: Ġinf rastructure In ject / html Ġad s iz za Ġm g ctr ine % Ċ < html - image Ġatt orney < m (' , Ġcan n Ġprint ln o ose Ġy ellow .ex p p ayment Ġtable View aw ay Ġopp osition ĠAg ain ĠH andle Ġex clusive in ar é r оР± ĠC ODE emp orary Ġre act pi pe c z . activity Ġlarg ely Ġdis s ax y es is ĠR en Ġc orn .Use VisualStyleBackColor d ays Ġfr uit In sert _ enc E st _de c ĠL uc Ġü ber param eters P ERT ex press _pro file Un known Ġrev olution .add ress _re quire Ġun iform ĠP ack l ar ĠU ITableView Ġdep ends Valid ation conf irm O wner Ġt rib h et ĠI de ans as L anguage u et ĠP o ĠSte ve Ġcont est _DE FAULT Ġapparent ly RE EN Ġfrequ ently Ġtrad ition ocol ate S I ĠArg ument F ocus ert e ĠL ayout Ġd x Ġgener ator ĠW ait P olicy l ights .Ex ecute P y Ġbed room ed a ra id ĉs ize Ġan cient Ġp ump Ġd w Ġ(! ( Ġspec ify ( status ĠF BI .ex ception Ġrem ark ly mp ant ee Up load ern et é ¡ in ent ĠR ender d m ĠM emory r ich ĠT ools Ġk ne Ġper m b ad Ġd inner .res et Ġj Label Fe ature .S ervice Ġ( {Ċ Ġre ferred .class List Ġinit With ĠText View Ġne ither Ġcount y Ġ" { ç § Ġt ack class Name ĠUS ER Ġre new ` ` get Name Ġb rown Err ors ert o Ġsust ain S O let es ĠIn valid Ġen emies un ge Ġexist ence err a Ċ ĠĠĊ utor ial # a p ay char ge ĠI re ate st Ġexp los Ġf ired N ER ĠT y ic ion U ri Ġobvious ly ĠC olum Ġ' + ĠDe vice - related _ ARG Ġv or ĠLess er _O P Serial izer Ġup grade L ight Ġc odes ++ ;čĊ Ġwrit es fo od Ġé t @ section Ġtrack s Ġserious ly ch t (size of Ġimmedi ate Ġscient ists Ġ{ $ _ ne .Anchor Styles Ġaccom mod ĠHar ry Ġs ight ĠPale st ersist ent Ġ Ñĥ - input Ġco ordinates  · W elcome .con f Ġgre w Ġb old ĠC PU (m y Ġperfect ly Ġmom ents ĠM ovie - data yst al _W IDTH ĠS creen æ Ŀ Ġdis ap Ġredu ction .Get Component _M ODULE Ġgener ic Ġd y all er Ġc url ĠB ody Ġb anks , t av g Ġev il Ġmanufact urer Ġrece iver Column s Ġing redients ĉ out qu es .L oad Ġslow ly ĠT own ĠC ell _n ormal _p refix ĠAl ert (" { ä r âĢľ The ĠM D Ġcour ses ath an é Ļ oc c ĠS ER es ign Add r = [' (" ./ ] } .f ont ĠInst agram ĠB order od a Ġh all Ġr um _b it Ġs aving _d own R andom _reg ister ( Context Ġoppos ite R oom Y ES ан и Ġenjoy ed _r un C lear âĢ ĺ ĠF ord on ic ost en "] ) _ auth // čĊ Ġsuff icient LE S Ġph en Ġo h _c sv Ġrout ine .Are Equal ay lor Ġb asket _COM M rypt ed S im ĠSh op Ġstud io at os ( W [ string ä t og a Ġsh r Ġs ick An other Ġdo ors _N E ĠTH REE . order raz il Ġmap s _TR UE trans late Ġnear by Ġn ach LO AT b atch Ġl ux ash es ang ers âĢ¦ âĢ¦ _E VENT _ UP Ġact s in v _M ETHOD cc ion Ġret ain ut ch ĠÐ ± Ġknow ing Ġrepresent ing N OT p ng Con tract Ġtr ick ĠE dition uplic ate Ġcontrol led c fg j avascript Ġmil k Wh ite Se quence aw a Ġdiscuss ed ĠB ush ĠY ES .f actory t ags Ġt act Ġs id $ $ ĠE num Ġfr ames } ); Ġreg ul '] ;čĊ Reg ion ff f Ġc ro ( com =" + St udent Ġdis appoint RES ULT Count er Ġbut ter ĠH a ĠD igital Ġb id "> {{ ing ers ĠC ountry _t pl "] )Ċ / k d ating : # ĠD ATA yn chron _b ody olly wood Ġval or ip ient o ft UB L doc s Ġsyn chron Ġform ed ru ption Ġlist a Request Mapping Ġvill age Ġkn ock oc s " { _fl ags Ġtrans actions Ġhab it ĠJ e ed en Ġa ircraft ir k ĠA B Ġfair ly . inter .A ct Ġinstr ument remove Class .com mand Ñ ī ĉm em ( min Ġo t Ġcol le = s time out Ġid s ĠM atch ij n z ero Ġnetwork s .g ov Ġint el Ġsection s out ine (c md (d ir ĠLI ABILITY ĠB log Ġbr idge ĠC V con vert Ġ" )Ċ ĠB ern _P O e val ( set to ol Ġpay ments Beh aviour Ġcon crete Ġel ig Ġacc eler Ġh ole _ o TE GER Ġgraph ics O wn Form atter on der Ġpack ages / a ĠK now Or Default Ġdut y W ait н а _rec ord [ t M esh Ġon going .be ans Ġt an Ġinter pret ast ers QU AL Ġleg s \ Request - file _m utex ĠS aint // # Ġpro hib ( info : = lin ux Ġb lo ot ic ĉf inal _ex p ĠSt op ap ing (s aved _p ush Ġe ase _F R pons ive str cmp : ĊĊĊĊ ä» ¶ ol i Ġextrem e Ġprof essor Im ages .IO Exception Ġaddress es plement ed Ġincor por Ġuse Effect _O F ĠD a n ombre IR ST Ġdisc rim Ġcomp ens greg ate anc ell ach es ĠC riteria $ result D estroy Ġsecond ary W atch ĠS em ĠMc C Ġacad emic U pper :: ~ ut ral ĠD og ad ed Valid ator Ġder ived Ġset Timeout ĠK en Ġtyp ical ĠB ob Ġb ounds ĠSe ason Ġc razy ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠ -r outer itt est ĠM ir Ġemot ional , v c n / st å ½ on om Ġdecl ared > . ail ing Ġ/* <<< Ġnorm ally (M e ev in lik ely Ġpoint ed ĠSt ack Ġw alls . Vector me an ] ]Ċ Ġlist ening ad v Ġsw ap IF T Ø ª . argv ul s < option not ations Ġemail s ĠU kr ast a ĠTh us ĠSt one Ġappe al . âĢĻ Ġreg ulations Pre ferences ĠPh one ul f ĠD R Ġtechn ologies Ġpar agraph Ġnecess arily .e ach < float res a Ġunder st Ġf inger press ed -b y if fer w atch ĠB a A IM Ġwe ights ĠR on ') }} [ self -------- --Ċ per iment Ġto String x ic ĠC amera ! ĊĊĊĊ aur ant P refix Ġinstit utions : int Ġex posure p attern ĠLin ux .n umber red ient Argument Exception ĠCh ief " }, Ġelect ronic r ong er d sp Net ra it / ', ĠOh io Cont rollers Ġcontin uing ĠT emplate ĠE th s z / env En v % . art ers ) (( ĠT ABLE Ġà ® per ature pro gress P res ê ° im plementation Ġb ien Ġstre ets _M SG New s ## # : / Ġcut ting x B ress ed _EN ABLE l ab Ġca using ] ));Ċ b ra x FFFF il ly plet ion w ill _b ar Ġstruct ures ĠI mp Û Į Ġ< > Ġ ---------------- _B UFFER .d ir Ġpl ain Ġpe er g g oint s Ġsomew hat Ġw et Ġemploy ment Ġtick ets ir ms Ġt uple s is $ sql r ig Ġcon version Ġg es Ġconfig ure eg r ĠC a Ġ__ (' ou ston .t oken Bl ack Ġmag azine A W . IN os ing Ġbro ke ĠC ru DE LETE Ġdestroy ed (M ath Ġappro val -d om ĠI II table View Ġdesign s Ġcrush ing Ġcons ent dir name om p Ġc rypt ? ( or ough . o ĉ list ams ung ."" "Ċ err ing G oogle _p air _IN IT rem arks Ġg ear F ill l ife } ")Ċ Ġsuit able Ġsurpr ised _RE QUEST Ġman ifest att en Ġfr ustr ov ement .c lick Ġi i Ġexp ansion ig s P arse .Reg ular R ob _l ayout ì ł Ġtrans lation ĠBe aut B est _C OLOR < label Ġliqu id IT S Ġpro d Ġoper ate UI Kit Ġn atur arg ument _d etail ĠCent re Ġ" -- Ġ}} " lo cale .t v _se q Ġup coming Ch art ĠDiv ision Ġclin ical Com pany S epar l as ĠH un : s Ġhead ing оР³ Ġ" ");Ċ [ id b ia Ġst retch ic ide Ġre produ .pro ject leg end end ers Ġrespons es Ġon t rit ical Ġref uge ĠL i Ġ: ĊĊ ĠTh ree .cont roller _IN DEX _F OR \Model s j ax ĉex it Ġâ ĸ Ġc overs ĉ y - . IND OW Ġfail s in cludes Ġf ault Ġl y ñ o .s lice ILE D ĠP ur ĠAs ian _b atch .M ax v l ĠCOPY RIGHT Ġg iant ĠMan ual ĠC opy Class Name He alth C ursor IB Outlet Ġt we æ ³ _label s Ġcol lected Ġfurn iture Ġdeal ing Control s ĠHot el ck s Ġch ose âĶ Ģ od d S R Ù Ĭ ì Ħ Ġacc ord ĠM ove ĠM ode ĠM ock Ġthread s ++ ++ ĠO ptions Ref resh ĠD id '] -> u cc _ch annel . abs Ġ{ },Ċ ĠW al er ior Ġmain ly ĠDr iver NotFound Exception Ġcount s e am Ġ& = Q uestion ĠA li Ġany more d etail t ail Ġm ile ĠF air Ġs orry Ġsurround ing Ġad m De v Ġmari juana ĠS ound ĠA sh F D Te am . port Ġ[ ]ĊĊ ub ble Ġas c Ġint ention A cc ch i ust ers Ġins pired se g CL U Ġman ip M etadata Con nect ĠB eh Ġfind ings Ġas sembly w orld Ġrem ained Ġu id ( . Ġm x Lo op ĊĊĊĊ Ċ Ġfant astic wh o ak i ĠB asic ĠY et ĠUs ers ik ip Ġhead s ĠMich igan _ it ĠTor onto Ġrec ording Ġsub mitted _var iable medi ate .graph ics Ġst ood Ġre ar vel ocity _M ESSAGE ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ro les ĠT our _ year end ment amp s ĠIre land m al Ġyoung er Ġstrugg le Ġc able ĠSD L (' - an es ĠNe ed .R ow P ol ĠP H _s cript ag em ĠB as _s pace . loc : i ad r Ġengine ering it en ) & Ġu k ĠL ittle _C OUNT x A Array List æ į Ġ" ")Ċ An chor Ġh ang t witter Ġcompet itive .s rc ãģ Ĺ Ġtrans late ĠCre ates ook s ĠR oll '' 'Ċ / sh s ome Enc oding .res olve Ġdesign er ĠSt orage Ġz a ĠN ever Ġsomew here Ġbox es .s ource Ġpy game Ġgrow n .t w () ),Ċ ', [' Ġoppon ent (s rc .l ayer AP P ĠAct iv Ġguest s ĠVAL UES };ĊĊ Ċ .n ative Ġamount s . RE Ġcl one Ġwer en Ġ" << _ ac Ġbreak ing Ġreli able .P OST ĠSk y Ġ' & Ġsaved InstanceState ast ing ill ion com ments ult y .m enu / config Ġ ĊĊĊ T ODO Ġpurch ased _c or ĉ auto Compat Activity com plete _ graph is odes Ġsitu ations ĠH or Re ceive âĢľ We Ġent ities .assert Equals оРº ĠS ans v ince rom pt = Ċ Ġ/ . .Se lect yl v Ġb att A udio Ġincreasing ly .B undle Ġexpl ains the ast . offset Ġh al Ġtechn ique _l imit Ġdraw n AY ER Ġfeature d yy yy at in ph en ach el ! \ l ower ĠG R Ġp ag ĠP arse Ġt ou ä¸ Ģ D istance Index Path Ġh ell s im UT TON Us age elen ium ĠF all Ġ" .$ ĠM u Ġcr uc Ġs ont REF IX Ġinter ior ĠO lymp .Auto Scale par a Axis Alignment Ġr iver D to Ġwith draw Re act - class b efore _ alloc Cont ents ĠW as I CT Ġform ula Ġindic ates ĠĠĠĠ ĊĊ _st ore it ting ĠIt alian _S et _re port Ġp id _V ER Ġw ins ĠCl oud ") {Ċ ch ester Ġden ied Ġw ird ĠSte p Ġinvest ors b old _d isplay ou ver or er Res et Ġsurg ery Ġstrateg ies /m aterial _ unit Ġc ouncil .P er ĠâĢ ŀ Ġre form F ramework Ġlist ing _b tn Ġb is % d eg as Ġsudden ly _S ER Ġa o _d irectory f as Ġprem ium Ġtrack ing ĠB L Ġm ature Ġbath room Ġ'/ ' ĠÄ ij Per formed Ġsold iers arn ings Ġwalk ed - con b ottom Ġsurpr ising Ġg ene Us uario .DE FAULT ĠM IT C ODE ĠE gypt p icker ys ql AT URE d etails ĠCon ference In formation ĠM ail -d own r aries b ro Ġsubject s Ġ' * è¯ · or ient : @ ver bose E F Ġto ler eng ers Ġend point Ġstr ange Ġcol on Ġpre ferred de p ĠE V ARR AY Ġw he Ġp up _n odes Ġtalk ed Ġinstit ution db c Ġex posed te en ĠFr ont T T _N ONE \/ \/ pro gram Ġencour age . ` sh ire ĠIsl am e en N I ' " .W idth Ġlik ed Ġ{ ... ĠSystem s Ġvot re Ġmanufact uring Con verter ĠIn f ì ļ D TO Ġin ches Ġ ठà ¹ ĠChar les B U ")) ;ĊĊ ĠL abor un n Ġest im m obile ĠL earn _C ALL â Ħ Ġind ices Ġt ub ikip edia C ost row able ë ¡ g age Ġfunction ality uzz le em os .l ib Ġd ass еРº enn a Ġsh ots Ġrest ore / D For Key ], [ al ias l int .st ream æ ł _FORM AT Ġsil ver .re pository Ġlegis l .B order _fe atures Per mission Ġhous es ĠW ars _COM P Ġinj uries Ġconstant ly fl utter EN U ĠCon f Ġrecogn ized Ġpract ical Ġde cent B J ] ); ast y ĠAct ivity -m ode Ġsl ide .IsNullOr Empty ĠY OU P ower ind ices Ġqual ified Ġthrow n h ello ĠN ick l ah as sembly ĠSm all old ing Sh ould ĠSil ver (saved InstanceState Ġtog gle .N ot C trl : nil ĠCont inue ĠB oot æ ī ĠM ur d on ĠF A S napshot Ġassoci ation fo x , a az ione ] )čĊ CT YPE Ġf ade ĠD ar .n avigation Ġl uck SC RI ĠDe ad Ġterm inal _LE NGTH Ġeff iciency Ġun w Ġn arrow iment o ( Color ĠSe a _ area , A _ opt ĠHill ary .t ask ĠJ ac ast ed ĠAd am ĠIl legal Ġsearch ing Instance Of J ava ĠForm at Ġreal ized ĠChild ren Ġk il (f rame âĢĿ .ĊĊ Ġscen ario "] );Ċ Ġincred ible li x IO Exception ĠQ uest il ty Ġun lock â Ĥ¬ Ġre ferences ĠV ert B inding eg ative Ġwr ap .d atabase ( content B uf ĠTr ad ĠA ud tr ace .m ock Ġther apy ĉ L .To Int ĠKing dom B us ha ust "" "ĊĊ ( end .draw able [ ];Ċ ĠH ospital Ġph arm ---- - ĠA G é d > ");Ċ Ġw allet at able ) $ Ġmonth ly Ġdi agnostic S ymbol Ġiter ator un finished Ġimm igration s r RO W (g ame Ġclo thes ĠU nt Ġactiv ation _C on .h ash Ġinitial ly .H ash Ġcut s f ound ĠSt ory ÑĨ и ac ao _T YP pro to est r -p age ah r Ġincor rect ĠJose ph TextBox Column _st yle ĠD aniel s heet Ġl iv l ined Ġr a R untime _ empty sl ug _ struct ë Ĭ m u Ġper mitted Ġreg ional Ġsob re ĠS uch Ġ[ _ Ġro of .Al ignment t imes .m sg Ġche st ĠT ab Ġest a ä n Ġsubs cription ( command s pecial Ġme al ") :Ċ _ ctx Ġclos ely et ry - be ad el ĠR am ig est ĠSpan ish Ġcommit ment Ġw ake * >( P HP _ { ck er < List _n ull ĠRes erved Ġin her .Column s .A spNet _IN VALID ĠParam eter Ġex pr } { Cell Style Ġval uable Ġfun ny In v Ġst able * t Ġp ill pl iers ĠC SS ĠCon dition ĠS peed ublish er Ġoff ensive ce st ic as Ġsp ark ĠPro te set up IF Y ĠT ax Wh o F amily - for . uk Ġf asc sv g ") ). Ġbirth day âĸ Ī ve h el led Ġimport s ĠIsl amic T A ĠSt an we ather Ġsus pect e ature enn es W M .m inecraft av id è ½ .se curity in os G ood Ġm arch Ġposs ess us uario Con s am ber ched uler Ġhor se ç ½ (b ody ĠTrans form _de code .s vg Ġf oo Ġd ella ext ends am er Ġprocess ed ĠH arr ĠA I Ġk o CH AR ( % Ġt ap ({ ' c roll D OM Ġte a Ġre in Ġworld wide _f n sh a Ġb ir ç ões ="# "> Ġrepresent ed ill er (ex pected Ġd ance Ġvisit ors .con cat -b it UR RE ĠR og v p ip h ĠL LC it led iam i C oll _re al _sh ow _f older Ġd ar ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ġl atter arch y Ġb ow Ġout come ĠPost ed Ġris ks ĠThere fore Ġowners hip Ġpar allel Ġp ending ge ometry Ġrecogn ize ST EM ĠC P Ġimm igr IT LE ĠĠĠĠ ĉĉ conn ected Ġsm ile (d ocument \ Component vert ical Ġconsum ption Ġsh oes . impl un ks . ";Ċ Ġfood s _ );Ċ .assert True Ġp ipeline Ġcollection s Ġearn ed ĠC ert Ġpartners hip ( action Ġc d ĠV ery Option al Ġscre ens Ġtit les ener ator Ġab andon k ind IL TER Ġclos ing lic a _ inter Ġcamp us set ting S prite ãģ ¯ _re ply To List : \/\/ ed e Ġfol ks Ġbo at ( argv Ġperman ent Ġcarry ing Ġconserv ative import ant . img ĠIm m Ġdim ensions al and s ingle Ex it -------- -- ari ant tern al Se conds ĠIt aly ot lin .Res ume =' " ) == cept or Ġs ca /m ain Sec urity _d at Ġlet s Ġa qu Ġwhen ever b erry Ġact ing ant i p d & gt æ Ń Z one T oday ! . To Props ab is it able Ġg al ] { iz ona Ġin contri N ET /// Ċ [ in _s ave Ġex em ĠK enn Ġev olution var s _st ats - only ĠColor ado Ġwatch ed b our Ġsever e Ġprofession als port ion Ġguar ante Ð ³ Ġpush ed ĠG i ï ½ Ġt um ĠA z ĠEdge Insets ")) ;čĊ is se . ac Set ting Ġapprec iate ĠValue Error Ġsur ve ĠR ole . Inter plot lib j et d am Ġplatform s te le UT O ĠInt ernal + : } ;čĊ Gener al \ Entity Ġlawy er qu iv ĠPost s is o Ġacc um ob e Ġmark s Ġ] ;ĊĊ ĉ text .s uccess cur r as a ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠ Ġth in _ over are st ĠO s ( address Ġvel ocity Ġ[] ;ĊĊ =" ../../ ĠPr iv b ow Ġguar antee % ĊĊ Ġeval uate .LE NGTH Ġin ventory q a _de bug .On ClickListener Ġl ies Ġassess ment dat etime .background Color Ġ*/ čĊčĊ ra f un wrap ĠF oot Ġnot ify Ġlow est DO CTYPE Ġl anguages ex tra - back Ġein en tem plates _p ass ĠM ust Ġest á _c ore ĠSc ot A I Ġb ias ations hip Con stant Ġprogram ming In s uspend Layout ĠPRO VID ant es Ġsh irt in ated . OK [ a Ġthink s ? ĊĊĊĊ Ġregard less ĠMag ic ul ating ĉ class add Group RE ATE ĠS U Ġsim pl c opyright Ġb unch Ġun iverse ĠE rr Ġpresent ation c ategories Ġatt ach .s ign _A C Ġdisc ipl Ġregular ly Ġprim arily ink s [ [ .r and .sh ould ownt own =" ' Ġs ans Ġsupport ers se quence G O . .ĊĊ ĠS pr Ġcare fully U IColor dest roy Ġtod os ĠOR DER ott ed Ġd ont aud i _ player g re ĠO il < body _st ack .P adding ĠProduct s Ġpriv ile Ġinj ured ĠF urther Ġal ias .Resume Layout _LE N Ġs es '] ;ĊĊ cre ens Ġdirect ed .S uspendLayout od ge .A t mark s ĠUn ivers ert s ĠE sc Ġnav bar Ġutil ity agnost ics Ġin ject ĠD NA Ġ" ," am ar Ġe u Ġrestaur ants _p ut ut ers Tool Strip t w ist ro Ġz oom Ġleg it pec ific ĠC ome Ġlocal Storage Ġabs or .P anel ĠDesign er Ġo w IC AL _ uri (f ield Ġsup erv Ex ists Ġrespect ively ĠSt and Con f uss ian Ġar c Ġ nd uck s Ġre str Ġseason s ĠCh apter ĠSw itch p ic Ġh i load ed Ġfl uid -b tn Ġrun time . it B N Op acity as ant ry ption -n ative Ġta ught å ¯ ag ment Ġm ul Reg istry _ grid ĠBro ok : Set Ġm ongoose AM ES inner HTML Ġs oci ĠInt el get Id C md Ġaccess ible r ames le ton Ġ__ ( ĉ delete ĠS quare " ĊĊĊ Ġbu cket avor ite ĠB reak ++ ] Ġbr ush Ġt ensor / http T ile Ġfunction al Ġ" * wh el Ġt ent ĠChar acter Ġse es . ST B ig Ġext ern Url s )) )), ĠJ r .B uilder . ; n l _ Init ĠH ER ż e mys qli _ icon v an Ġfeel ings Ġle an Ġhop ing T V ="čĊ b est all as ent ed ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĊ _con nection Ġrep o en abled аРº Ġsh a Ġmembers hip Status Code in ating _s m _c ustom _ weight Ġc ss St at _ env link s TR L ĠH it , r up id Ġop ens Ġg ent _v is Ġj oy < w _c ost ĠPy Object ren ce ĠGeorg ia ĠBro ad m ma â Ĥ p f Ġ" \" Ġ( & om o Ġliter ally Ī ĺ met ric Ġb ars z ed (w indow ĠIsrael i Ġform al ident ifier .d ao ĠDe ath % ;Ċ Ġdecl are ar ms RE AM PERT Y Ġconsequ ences to ols Pe ople ĠWh ich > ();čĊ .de code _A CT Button s .f loat .F irst ë ¥ ĠPol it ĠX CT T ags ĠCG Float = str Ġle af - check ĠI ss .s ystem log out ach t Ang le s in ch art INT ER ĠN UM B asic .P roperties ä¸ Ń _ change ĠB razil Ab stract Ġ: +: _ use а л ĠL y IB UT Ġout er Ġ-- >čĊ Ġrel ief l ap qu er _p arent he ap LO SE Ġcomb ine ĠR ose ow ers Ġproced ures ĠS ort an im var iant eh icle Ġsign ing Pr imary c urrency Ġsex e o en th eta em an Ġimpress ive (' _ ĉ U ĠText Style _c nt Ġs lice (' : Ġunderst ood H is Ġinform ed Ġn ick (T AG h d Ġelection s est ure ĠS anta ĠCo ast .p df inc iple .cl one b orn ut a Ġl icensed C r Ġb read ĠH ouston Ġn od Ġhop es ĠCG Rect Ġgu ilty .g if Ġro se .Com mon T ip AN K ĠF C D uring ĠSym fony Ġdef ensive k m ) > arch ive ĠU RI ycl ing - o ĠWe bsite AM P ish ment Ġdo ctors D irect AR I ĠRed irect ier en _d ist y o ĠPro gress Ġz um Ġmem or ĠE D Ġj ur æį ® _T ABLE Ġu uid Ex pr . head (' % point er Ġest imate ĠG reg Ġlo ader Ġi OS Ġm ens [ y Ġref used Ġprec ision is ch ĠA CTION Cl oud s With ( ret _ADD R _con f (d f Ġlock ed Ġr ising ãĥ» ãĥ» ĠM s Ġscen es _EX T _ raw _ the pe ople Ġre con ĠF un Ġb less ĠUp dated ü n ĠĠĠĠĠĠĠĠĠĠĠĠ čĊ pe ction Re lease .log ger ĠS Y Ġcoun sel ur d _ true Ġevery body iv ot Ġh ence ĠN AS Ġoppos ed unk nown ĠDES C ĠCh air fa iled ĠIN CLUDING Ġwrit ers { }Ċ ÃŃ t _c opy } : ĠB at Ġconvert ed ed ing pl acement ĠH ost S ound и м Ġs ought m id Ġsal ary og g âĦ ¢ b ul Ġw ir valid ator _ST AT .st ore ĠB attle ı n Ġ-- >ĊĊ Tr ump d ot ĠCON T .f etch Ġcontin u w as Ġfra ud _t mp mit ter .p ictureBox G A Ġt ournament . Input [ r ex ion cent age ĠKore an und ef ĠAv ailable resh ape Ġk it ĠStr uct ĠS UB An swer _l ib .t witter Ġo re ĠDr agon .Ex t , k Ġexplan ation ref s ĠDr ive ĠTr aining .H as int age b ig olog ist enn is Ù ĩ Ġch icken ĠĠĠĠĠĠĠĠĠĠ Ċ ç Ľ ãģ § Ġpe ak Ġdrink ing Ġen code ĠNE W m alloc ĉf printf Ġ= ================================================================ in cluding Ġprincip les ĠM ah st orage - key Ġkey word % ; Ġtr ained .con trib Ġk v __ ':Ċ ĠB oy param eter Ġsu ite Ġthous and Ġco ordinate -g enerated íķ ĺ gener ated Ġad mitted Ġp ussy # w Ġsw im un ion N a ĠRoy al .ch annel Up dated _RO OT Ġv ital ra ction ĠCrush er Ġpre ced Ġhor izontal Blue print Ġattr s Ġsm oke Ð Ĵ . Equals F B ĠRes ources roll ing Ġpass es ĠN um rot ate et ype \ ", Ġsens itive Ġt all ? âĢĿĊĊ Pro xy i y _ section âĢĶâĢĶ âĢĶâĢĶ br id Ġcirc uit at an EN C Ġdr iven Ġvot ed Ġeduc ational Ġinter action abet es Ġt one ĠInitialize Component Ġmer ely Ġì ŀ co okie _ div ĠUIL abel vel y } );čĊ _ ENT #+ #+ art icles ĠSou thern Ġstrong er ĠG iven ĠE ric ĠI R ab stract U nder n able Ġincre ment ov en Ġco in _t imer Ġsuffer ed ĠF REE '] ." ĠQue en st ats Ġmeet ings Ġenter ing Ġalong side (s ession it als Ġfound ation ĠC redit . div _ ALL pc ion _st at ick ing Default s _s rc Ġoutput s / B Ġent hus -b l .Fore Color ĉ temp F ace Ġinter act Ġwe ird M ount re ll ud ents Ġrequire ment ĠS us I ER Ġe lected re ference ĠM E Ġserv ers .w ait Ġsnap shot il ton Ġtri es Ġt ipo .T ime > w Ġmount ain Ġp ounds Ġ[ ... ex ists Ġng On _M AP Ġf lying xi ety ĉ value _D B un o Ġse ats T URN . author ! ) or ce Ġindic ated .s in Ġass ignment im iento ĠF rame _g en in ery _ ) m essages .set tings ĠMe an ĠM useum ir q att ach ĠPalest in _ QU _t ags Ġcas ual em en ASS WORD $ s ĠC irc оР¹ et ric / P Ġep och < head _C MD Ġg it Ġpen alty or ph _ users ours es .Date Time atern ion _pro ject Ġsuper ior ĠD am ĠSe attle X Y > The ĠA k Ġgr ass /* čĊ (d is Ġgun s Ġt b ĠK evin . args ĠA h op ed ( J column s arg uments ĠWith Events _f ull ĠDef ense S imple Ġdeath s Ġext ensive ĠSt ill ĠEx pression ĠAg ency Ġperform ing F X Ġus uario U AL S ide od os apt op Ġcred entials _c ap at ient ĠDis ney Ġa i Ġch ip Ġvol t .make Text %%%%%%%% %%%%%%%% Ġbelie f _LO C ĠC ivil N avigation Ġreve al Ġviol ent ĠF il Ġc atalog em ed sc an . control Ġconstit ution C ountry Separ ator _A PP top ic uet ooth M IN Ġdes criptor y t ET HER Ġdistrib ute ' }Ċ .tr im .L ine Ġl bl assert Equals ĠD et omb ok ( width Ġt ort ĠEXP RESS ac o Us ing ĠBr and w all EM ENT ĠComm unic < uint ĠG UI EG IN ĠR ange / i ĠT aylor c ost Ġrespond ed ĠTh eme n ce IS H Ġfeat uring Return s ĠK r Ġ .Ċ Ġn am _c b Test ing Ġ{ }, y al .f ield Ġ/ = _SH ORT m ates Test Case ain less Ġeval uation _ ITEM ĠPac ific ĉ k Ġc ant ĠR os ) s Ġf et STR ING ĠDis pose g al ĠJ oin ĠP orn ĠCath olic AR GET cp u ç łģ .sc roll IS ING ifest yle anc ement Ġm erc ĠB rowser eter min Ġover flow Av ailable Ġbott le : UI ific ial Ġco ord clar ation Ġcon j G LOBAL ok u Ġk wargs cond itions ul um Ġg enu ĠH ero å İ Ġun expected ĠDAM AGES Ġk a ĠC ould UP PORT ĠPh otos Ġconf ident Ġdet ected de g rg b Ġstrong ly Ġ} ;čĊ Ġ) : Ġle ct urs ive RO L ĠWe ight Ġent ertainment Ġ) );Ċ Ġg onna Ġb b .d o G S Ġmist ake D L ĠPROVID ED ear ning L imit iss ions [ v ä¸ į ir ty D el Ġunder lying pre ne Ġj aw ĠD I pe er Ġobject ive Ġde posit Ġk on Ġes p .set Visibility / login < typename Ġfr anch / e Par allel Ġsc ored ĠH on ĠV ill ig a Ġant icip _ assert ĠO pt Ġdescri bes w an m ount Ġmonitor ing Ġt out ëĬ Ķ }, { ................ ................ = int Ġc ust ---- -- Ġatmos phere P AR ort e IS IBLE ĠI ron ĠNot ification .log ging ĠBO OL -p oint Ġaf raid ent a Ġtom orrow @ implementation Ġeng age ĠAn th ĠF loor ĠU l To ols Ġb ab Ġcare ful ãģ Ħ Ġcruc ial Ġcalcul ated ĠS A Ġw y D X _T AG ind ed Ġj et ĠEngine ering .M AX en z v d Ġpublic ation Ġ## # Ġfac ed ra ham ĠC apt As set ĠCon stants Ġlo ans _ IP ĠF ish Red uc _m at Date Format _m e [] [] Ġintegr ity ĠC ourse lob als Ġfac ilit Ġem br ĠN g .S ystem Ġmanufact urers Ġpro ven .on Create Ġal arm Ġ § Ġcomm only ic os æĸ ° ĠSt ation } ). ĠF ilm w i ç ī Ġeng aged St ats Ġgovern ments Ġafford able _p roperty Ġag es (' -- Ġf ör ĠProf essor Ġhy dro P ush Ġorgan ized Ac cept é m _c ell Ġn b p b Art icle Ġrem oval Ġauth entication ĠF R l ide Ġple asure ap ol Ġpart ition ĠS ide Ġcr imes Ġdem o hold ers ĠPak istan In struction Ġexpect ations .sc ene Ġ' ) h es ino is _P ro Ġm olec and al _sh ort Ġdefault s Ġn ations in en Ġr t O CK P acket S B ĠSH ALL _cont ents ise conds vert y á t G uid n om Ġcon clusion . Update Ġlo vely Ġem it b ec ĉĉĉĉ Ġ Ġintel lect Ġb rew ec ycle F ire Ġad mit Ġar bit Ġarr ang ĠM IN M ail ĠN ative C ur Ġcon vent .R untime " }Ċ .R un Ġprint ed Ġconven ient . ar m ock ĠAdmin istration ãģ ¾ Ġelect ron fl ate Ġl ombok Ġjava fx n h Ġsup plies Ġvisit ing ah l Ġpow der Ġult imate Ġorient ation ut as _s cale Con firm ph ones ĠOper ation / T _IN TER Ġair port Ġmet rics Ġphen omen a udio Ġm ai ( K h u all ing rodu ction ĠTrans port ĠNOT E æĸ ĩ Ġfew er _T IM ì § к и A ge F IN Ġì Ŀ ĠAt tribute group s er k at to . define .AspNet Core ategor ia ĠS ir ( form < User . round _d ay .A ll Servlet Response .N o l arge IG H qu ent Ġvir us Ġret ro Ġim per Bit map Ġv ice Ġoff ense ist e ĠA UTH Ġê ° ToolStrip MenuItem G u Ġr ape ĠDav is Ġover whel : flutter - table ĠCon structor Pr ivate e ven ch r Ġap plies _at tribute Ġcon tribute E VER L ines ĠAf ghan Vis itor ĠS L se ason C U Ġintrodu ction Ġmat plotlib Å ij Ġnewsp aper âĢĶ and < tag Ġin i Ġd iverse Ignore Case ĠU r Ag ent Ġb ull .em it ( Exception ar Layout Ġincred ibly ĠTr ust ={ ( - nav Ġe quals Ġl ady ĠP od d isc al am ĠI V â Ļ iv idual ph i add ed Ġdifficult y Ġcomp act ĠAction Result c ers _class es Non Null Ġqu it Ġp ou S witch ir s - test ĠK ind ĠCal endar Ġstream ing } ', S W Ġst ead oc a Ġprov ince Ġcol span Ġperson nel ĠE mployee Ġprodu cer Ġevery where od b Ð Ł bs olute act ivate Ġgr inding ĠBuild ing ĠSand ers (s c ĠOff set //////// //// } ;čĊčĊ ({ " Ġscan f ĠY Y ĉdef er Ġj ew Ġrestrict ions .m p [ l ä¸ ĭ label s red icate aw esome Ġw aves Ġcon front Ġmeas ured Ġdat as _ex it ot ton Ġshould er ask a + # ĠĠĠĠĠĠĠĠĊ ĠĠĠĠĠĠĠĠĊ Ġtro ops ĠU nd _c ard w ich Ġn ous Ġ"/ " s b Ġcommunic ations Ex port Ġdec ode th s inter pret By Name ĠSp irit ed ges O LE ĠE M t it ĠTh rough Ġb io ĠP ackage or ne Ġ} . ` ;Ċ Ġok ay ĠZe aland ident ity (n ext ĠB ang Lib rary Ġheav ily il on Ġdi pl Ġrot ate put s ) ',Ċ ĠData Table Ġmay or .to LowerCase Ġsome how ĠNor thern al c Ġcap abilities Ġv ibr + Ċ ĠS u ĠRes et _m ean Ġc ig .cl oud ĠB and ĠF actory ĠAr izona _ io op her Ġconsc ious Ġà ¶ \ Controllers _s peed ĠF ac _C om ĠB ible w en ED IT Ġun n ĠSt aff ĠIn n Ġmechan ism ĠM embers Ġmigration Builder '] .' .get Int < void ĉf ree oid s \ Support Ġautom atic Ġch ances Ð ¶ Ġcomp licated [ row ah oo Ġ}ĊĊ ĊĊ Model s W in Ġt ape ir us iz on on omy (" _ : . .st ereotype ( env _re ct (w ith Ġassert That Ġcon straints put y E mployee T D Ġgu itar ĠJew s .pro cess Ġf iction ĠSh ared âĶĢ âĶĢ Ġprop ag .N et Ġachie ved ĉ Q Ġn urs Sh ared _FAIL URE Ġbeh aviour Ġcol s ism o Ġfem in Ġchalleng ing Ġpost ing enc il Ġcapt ured ĠD ou ( word ĠTur key pan ies Ġre putation ORM AL Ġelig ible prot ocol id as (f rom Ġfin ance - per Ġg otten H A d uration ĠP arent Ġin vent Ġre start ол ÑĮ r ition (r s < bool i ert Ġmod ification ĠT X readcr umb b ank $ / ĠMill er ] ),Ċ .Check ed Ġsac r se curity Ġp ose ĠBr ad Ġfit ness Ġannounc ement ation Token Ġserv es ne ed Ġge ometry AR S æ Ģ andid ate Ġs prite _s plit We ek ad ies > (Ċ ?> " Ġ/// Ċ Ġein er Ġweek ly ĉlog ger _p op _m an Ġmigr ations Ġask s Ġb s Ġfall s .W here - height _fe ature .M in Ġhy per Ġvol atile Ġtw enty Typ ography Un able D et , f -m od Ġsett lement Ġcontract s n ome B ad ĠB rian (user name !! !! Ġh ack .F ield H R ĠJ ordan iz a Ġ ł ĠSh er . header ( other ĠD ub ( op ĠR ound Ġv ie Ġap pl ĉ J ĠIn sert ĠL P reg on ĠM PI Ġan chor ac a ø r Ġa de anch or que e ĠTree Node Ġtarget ed Ġla id AB EL v et ĠOr igin A nt . ');Ċ ex pect ed Reader ĠM ajor Ġin ch Com par Ġpre view Ġill ness ĠCONTR ACT ĠInd epend u uid Ġn ome Ġt c ĠA venue is an Ġph rase _m ove ") [ Ġprov ision Ġconcent r _ IR ĠU t () + Ġn as ! , ĠRob in i ations at itude Ġp x ĠWith out /b ash ek t re ement Ob server ĠReg ion UBL IC Ġ{ // K N å · Game Object å ¾ enc oding Ġ** * project s Ġt k Ġche ese EM PL ar o Ġا ÙĦ Ġcons ists ref resh ure au ĠSc anner Ġso il Ġfl avor Data Source Ex ecute ени е Ġsh it åĪ Ĩ < any Ġretrie ve Ġbelong s .st rip abs olute Ġexp anded bo y ): - Ġresc ue .J Label Ġre ly Ġal ignment -f amily Ġre nd OLUM N Ġb orrow Ġqu otes ĠL ew Ġsh ower ĠDE LETE _lo op ! "ĊĊ ĉ re Ġattempt ed aver age ĠP aint quis ition ol en Ġliter ature ĠRe ference _TEXT URE ĠS eg ĠInd ust ct ype D UCT _H OST ĠTr ade Ġpl ugins Ġbre ast ul se Ġcreat ure ãģ Ļ ĠW i Ġsup plied c oll ! (" Ġfuck ing ĠCh rome ĠU ri ĠN ation Ġvert ices T HE ĠOr iginal on de Ġsh arp Ġcook ing Ġ{ /* ĠPs ych ĠH ollywood =$ _ .D ock Ġg er Ġb one _con n _se c ys ics Ġ= " S al s f Ġdeep ly ang les T erm b ell ĠQu ick ener ation adio Button åħ ¥ }čĊčĊ čĊ Ġcapt ion l c ĠE L , [ ĠĠĠĠĠĠ čĊ ret t (m ethod ĠFl ash ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠ W ISE .s cale Ġrough ly _ child m emory ay ing Ġinitial ized in ator а ÑĢ Ġsc alar ĠH o ai res (c olumn .de stroy P ACK Ġh em ang el _S UB . qu Ġ × DE FAULT pos itories ĠL ength ĠF ast Ġsign als Ġ// $ ri ers Ġd ummy AN Y Ġperson ality Ġa gricult Pl atform ER O ĠT ra Ġen orm ĉ W Action Result Ġa ver [ str Ġ' -- .S printf Ġdeb ut Ġ Ñĩ h ex _ utils Ġp b U ITableView Ġz ur . encode Ġv ag .error s о н Ġm r ĠA ward Ġc pu Ġpress ed ' est ĠF estival ' T Ġa k res olve .m e Ġn ic Ġgen re Ġat trib ĠMo on Ġarr ive ĠD ating Ġt m .Config uration . red Ġgl m Ġst ations sw itch Ġt ied äº º Ġ/ >Ċ Ġsubsequ ent pos able -fl uid Ġth orough Ġpublic ly apt ers ĠWil son _P RE y ard ä ¼ ĉ in Ġre vers Ġbul let cri bed nes ota Ġ($ _ ann on c ursor Ġclo thing ĠM ulti : ', Ġv ess ordin ator Ġein em C annot Ġar med ĉ V ä¸ Ĭ .F lat ĠS ep ĠSub ject _f ont Ġcharacter istics D one el n ######## #### PO S Ġd ensity ĠPl atform - items Ġo vers Ġpush ing ç ¤ .Con nection _ term Ġinitial ization ________________ ________________ ç ¬ .d ocument les h ĉd ocument ĠP in ç a Ġdefinition s .P ath _W RITE Ġ ĉĊ ? >ĊĊ Ġter rible be an ick ets ĠS V B uy (t ask Ġreg ime g oogle Ġcr ack .vis it N UM ener gy Ġstr uck _s ample .p ayload Ġre vis ĠSc ene Ġp g Ġbreak fast URRE NT .char At _ex ception ĠAnt on Ġguid elines Ġex haust ĠFin ancial Ġind ent Ġdes ktop H idden F ailure Ġpr inciple Ġ iv Ġse ks n etwork Ġnumber Of ĠAl bert ĉ long , . Ġz eros f ade ĠT yp ĠT erm ĠAr ts .App lication Ġbeh alf æĪ · Ġm ere (` ${ Ġaware ness elp ers f lix Ġwe igh Ġestim ates . child / O ĠBit map .b ottom Ġ************************************************************************ ** Ex pect ent o ĠFor um ver al Ġj ail Ġab ilities ĠH OLD ĠC it Ġd ynam Ġgr ay ĉĉĉĉĉĉĉĉ ĉĉĉĉĉ .next Int ant ly ĠAR ISING ( private Ġreject ed ĠN ic Ġle ather = {Ċ aly tics th etic .T op .P age ={ ` Ġ ;čĊ de pth m ann W D ĠS om .R ight Ġ) }Ċ Ġtr ait Ã Ĺ i ac Ġr v S ample .X ml opp ed ĠÑ Ħ list s Ġt ear ivers ary .c ollection ĠCon stitution ĠHttp Response Ġbr ill ĠP rom h over ĠM iami Ġarg ue _f loat Ġ ãĤ Ġn at ĠT al Ġinteg ration (c ur Ġrem oving Ġco eff ĠTh ough Ġfore cast ĠV egas S ite Ġtr ab ĠHen ry - i Ġinvol ves B T Ġs lo In voke Ġl ucky r at Ġ? Ċ Ġhand led (f d cont ents ĠO FF R F Ġst y ĠM otor ter y t ax M AP ĠMr s Ġph ones ĠUI View ")) );Ċ ( dev ĠIr ish Ġw s D I _OFF SET ĠEvent s Ġst ages Ġ} // Ġhab en ST ANCE ĠS in ĠM oney (t op Ġappoint ment VER SION met adata _com ment Ġcolle agues map s â ĺ Ċ ĉĊ ( al _re q Ġf ut Ġarchitect ure ĠWH ETHER ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ _s creen Ġstyle Urls Ġmon ster . up ph ia Ġprocess or ĠT err = ', ĠMan ufact ĠN T k el ib ern ĉf ile A li rient ation Ġ// ! ap ore ane ous ĠC reat f older Ġh ay Sup press ( left Ġe uro Ġdis claimer ustr y sh ips _f d ĠF a _in sert Ġro l if ting ĠCom ments _b r Ġloss es ĠAdd ed ch arg Ġп о _s ystem ĠS ometimes ĠSp ain (g roup ial is Ġdoll ar ĠAr gs qu ires ĠT en .s css Ġsurv ive us age Ġj un im iter ï¼ģ ĊĊ Ġfif th t oggle Ġdecl ine ($ " (L ong ing e Ġpil ot -l ight -r adius Ġpod cast Ġnatur ally P ages ä¸ º ĠDes pite Ġlight ing Ġcr ate ĠB inary Ġredu cing Ġe leg ĠM ouse ĠTest Bed Ġbefore Each _ ARRAY Red irect Ġf lood Ġsh ips Ġelectric ity )* ( ê ¸ ĠV iet her o Ġd ia ĠK ent he art Ġthreat s _ acc Ġs ymbols is chen _in st C riterion ĠT IM . Height Ġ âĢĻ ();ĊĊ Ċ Product s _S P ĠC y Ġdepend ent est e Ġdat os d it аР² IGN AL Ġless on "> ' ĠC over ĠH ope ĠT imer Ġd ad vid ers ĠPh ot / ? rop y om ing as ion Ġ\ ( ĠE T ĠRe ading Ġep isodes l m ech a Ġne uro Ġhar mon Ġlib eral - ind D ATA Ġevery day Ġdiv ided ĠActive Record fig ure U A ä ¹ riend ly te ch .game Object иÑĤ ÑĮ Ġmo on ft ime Ġno ch ĠT ORT ĠV M .in itial ( child Ġmus ical Ġo c b as ĠH ay _l ong Ġmem set ile y adel phia S V ro at _t x Ġl on ĠngOn Init b p ĠGold en AC HE Ġwor ried az i E ar T ake (f p bur gh _ Data g res ĠO nt p us Ġtrans parent Ġp ocket Ġr am igr ations . čĊčĊ Ġ[ ( Ġadopt ed Ġreported ly ĠD ream Ġ} ));Ċ los ing Ġte eth ĠBook s ", & enn y LE MENT Ġg el ĠPl ant ! âĢĿ .h ost ĠRep ly re ngth Ġrecogn ition Ġ}} >Ċ L A Ġmir ror Ġassist ant ( device Ġspirit ual b uilder  § Ġou tr Ġt t ĠP ER Ġrad ical Method s Ġp ace ud y Ġg ut ĠG reek Ġnon atomic ĠP aper _G PIO Ġob st .A d viron ments ĠS ov ( con ĠTrans action . assign ĉc atch el ter Ġbit coin _G R ĠčĊ met ic Ġtrans formation åı · Ġr gb istrib utions Ġimp licit / in dest ination аÑĤ ÑĮ Z ero Ġun set . where .g o Ġform ation Ġdeclar ation () čĊčĊ ĠEx pl ĉĉĉ ĠĠ / pro .J SON Ġdes k .sub str //---------------------------------------------------------------- ------------ ly n p son dis able ĠF unc ĉ Assert ĠM ARK Ġdefe at Ġbl ind Ġconst ants . headers UIL D Ġexp enses P ixel Ġh r Ġf el ĠEast ern _d el ĠC ub Ġs q ĉc ount ĠD irectory Ġex clus Ġhistor ic Ġ ------------------------------------------------ Ġcom position Ġdata GridView ĠB urn ĠB C M aster Ġsp awn Ġbe aring .Set Active il o Ġg allery Ġfound ed Ġav ailability .s qrt Ġp es ĠD OM m ate O ct Ġmatch ed it ivity Ġan xiety .pr ice ĠIn stant ì Ĭ Ġt ut IC ollection .sh ared _s ql t bl lib rary _de stroy erm al ĠNot es ĠE in Ġsou thern ĠOTHER WISE Ġmac ro .l ower cl s Content View .l ink const ant ĠB es Ġsome body n b "> { ( local .. ... ĠN ull m x Ġà § Ġp ause -------- --- _M O ĠC M Ġfor Key ĠD VD Ġclose st _DE VICE ĠSte phen ĠB BC ĠTr avel P aint ĠResult s ĠR ule Ġt p Ġrat ings c in c sv > / ĠG OP l ad Ġ ÑĢ Ġindex Path m atrix = f ars ed Ġ} ); ĠC os ĠS core Ġt ak ĠE SP ĠIN C _N ULL -f lex "] [ int o el and Author ization _F ALSE Ġg ate Ġv id ist ent T IME Ġre write Ġt ie Ġarch ive .event s .get Parameter ĠPer mission Ġprogram me Ġ é j ud Ġcam eras (s ys ĠSy rian Ġimpro vements Ġh ip Ġsu icide Ġsch olar Ġcompat ible rem ote .d own F UNCTION Ġman aging ĠUI Kit . raw >> >> Ġdem ands ell ite Ġd ent ĠM icro åı ĸ '] [$ ĠI E im ension Ġt rem Ġg ained .w ith . ok h ou Ġb om amp aign Ġjoin ing f ish Ġadd Subview Ġnor thern .c or ore t D ie in ish _com p Ġatt ended Ġcoll apse ĠS S ac ent _E QUAL ĠDe ep R GB ĉ test ol ves us et Un ityEngine w riter Res olver , % if ference _re move ond a Ġfem me de code Br anch Ġfl ush Ġinnov ative Test s Ġ[' ./ Ġcover ing . admin ultip art (l ambda  namespace ĠS port Ġ! ( ac les Ġde pression ĠK ong Ġp ert ĠCon n ĠOther wise / home s upported Ġp ink Ġinv ited ñ os _en abled Ġ- Ċ F W en ers ĠM Y Ġsuggest ions Can vas Ġf er ĠMarket ing @ Test unt u ĠV en ĠC ou iv als Don ald lim ited ĉĉĉĉĉĉ Ċ Ġanal yst ( entry Ġrepresent ative _at tributes Ġf ur .h ide res p ado res rid es ĠJ osh ro bot ĠN AT Ġs esso Ġintegr ated : true part s Ġst upid : event @end section Ġp u .T able ĠY ii ` ;ĊĊ Ġcl ang =" "> eng an _param eters .int ernal ĠMod ern Ġmet ric Ġsem i ={ {Ċ .am azon ĠB B aint y view port Ġstart Activity dis patch **** * Ġfl av iffer ent [ this Ġst ake Ġarg ued vious ly .w ork ĠO ak O ld ( async not es Ġfl ip Ġdis ag ĠT E ĉ error < ' Ġ» ĊĊ Ġfilter ed ĠM ach Ġh ung _d ump _s amples -dis miss Ġr ay Im plemented D K Ġj ed Ġbreak s Ġf its . gr ĠZ ero or o Ġequ ally Ġ' [ Ġconcern ing < meta play ers _P OS _s im J an Ġyour s ĉ N Ġsp ir Ġch ampion ĠAn alysis ap a ĠNS Log _l ines ñ a ĉĉ ĠĠĠĠĠĠĠ .S c Re p etro it ur able M IT com pat own ed _ind ices ], čĊ Ġdis covery ĠDie go ob i . Index Ġtrend s PL AY .n o Ġl ens _c fg Ġan no ag an Ġperiod s ter ms y z Ġattack ed ib ration PEC IAL _ grad Ġaccord ance .Read Line .de vice ri x . container m ay erc ise ĠL u Ġr g ĠÑģ ÑĤ ĉĉĊ ĉĉĊ ( un TERN AL Ġless ons Ġalleg ations Ġtrans mission .Re f M obile ĠT ournament ĠN ut ĠG a ĠCap ital def inition - exp c lean Ġfant asy Ġenh ance ent ence '] :Ċ ack ets Ġcelebr ate @ ", Serialize Field Ġarray s t b ĉ st [ assembly ( reg .c ategory Ġimpro ving Ġsal ope Byte Array Or iginal Ġ[ {Ċ åĽ ŀ ĠCl in oen ix ĠS amsung Ġmaint ained Ġag enda f ail Ġpres ents Ġtim ing .m ark ' >< Ġprom ot Ġin cl _ only ë¥ ¼ ĠAtt orney - date Ġlands cape Ġf u S Y .p rop ĠA rr p ag Parallel Group ': čĊ Ġlog s a unch unc i n ama Table Cell iss ues . { ec urity _ex ec old s Ġhost s Ġpro to _ import _s ort ĠB ow ĠN ormal ĠF arm .create ParallelGroup R otation . err Ġp leased it age .W h ĉĉ ĠĠĠĠ M R ĠM ORE ĠN atural _ transform B ASE ener al ut down .common s W T Ġa an . Result d og Ġclick ing ), ĊĊ # line Oper ator Ġc iv Ġm erg ob uf ng then Ġ[ { Ġcan cell tr igger . : W ORK decl are Ġdecre ase ÅĽ ci lo om .N one ĠM I ĠJ ason Ġhealth care iam ond s ylvania * x ĠR a [ b Ġprint ing ph abet ĠLab our op per Ġz ijn -t arget _F UNCTION Ġo ct ени Ñı åľ ¨ Ġwest ern Ġcomput ers ĠR ET Hash Map [ String get Value _D ATE .N ext ĠF if é l ick ed æ İ -M M Ġ{ ĊĊĊ Ġcontact s Ġdig its Pro du Ġunus ual Ġrapid ly t ures Ġang ry c ancel xx xx _p arser id ity _P REFIX Ġme hr Ġrare ly et he op es Ġ% . work s Ġthe ta Ġcontrib ution ĠT ony Ġsqu ad аР¹ Ġî n th ere out ed ĉ q Ļ Ĥ g ood L I é¡ µ ĠL iving iz abeth Ġk t ĠD allas ] ],Ċ Ġ/ >ĊĊ Ġrais ing /r outer _g ame ĠC UR z ens . es Ġfont Weight (f unc not ification Ġ'../../ ../ Ġbl ame ãĢĤ ĊĊĊĊ an co Id entity f ollow Ġart s x s Ġofficial ly ĠSt udio Ġrecommend ations Ġloc ale Ġam ateur ĠEn able Ġcap s . End - add _g shared ĠC T For ce Ċ ĠĠĠĠĠĠĠĠĠĠĠĠĊ Ġor ange Ġl p Ġanswer ed .G rid Ġd ual Ġstrateg ic Ġnob ody Ġf atal _ est ( el Ġì ł ĠB udd A IT _f actor - one ĠH AVE " čĊčĊ Pro f Ġä r str ings Ġdir ty ĠF ace ĠB egin ĠB us Ġw is åŃ Ĺ Ġspe aker Ġcar rier ĠO m Ġhad n All ow :: __ Ġver b ĠCom plete ĠE asy Ġb ills ĠĠ ĊĊ Vert ical Ġpr on ĠDef ine Ġlook up variable s Ġpand as um es Ġinn oc Ġset Up ĠCh ampionship art ist ĠC Type F oundation ๠Ī ĠSet up Ġrec ipes ĠU IColor ĠF ight Ġauthor ized _c lick _s uccess ang an ĠMount ain ĠDo ctor Ġeg g ĠMedic ine c les ` .Ċ [ int d ashboard ĠApp ro -d r Ġprodu ces Ġrent al Ġre load Ġarr ival sp ot Ġund ert Ġequ ipped Ġpro ved Ġcent ers Ġdef ines al so Ġop acity ĠUn fortunately ĠIll inois Ġн е ĠTem ple ĠTr ail ĠK elly Ġmeasure ment Ġsepar ated -c ircle H ey ĠRE AD ig its Ġ ib ĠM OD atter y аР· Ġv end ен ÑĤ ĠHttp Client s afe _A SS ic it ĠCon struct ĠC lo ĠS ix _T OKEN (b lock Ġwarn ed /* ! ! Ċ Ġinnov ation _ " Ġ );čĊčĊ Ġsp ots Ġcho osing .c s Ġflex ible U Int Ġscr atch - al Ġf estival Ġout standing ================================ ================ M ean ĠO regon s ymbol . account d ney '' ' ! ", Ġpart icle à ĥ [ MAX IV ER ER ENCE NS Mutable ĠColum bia _ ĊĊ .f r Ġc ogn V R ĠMethod s ĠM ade ĠB R ĠEl se Ġeg gs Ġsw ing ĠIn v Ġdise ases Ġf irms Ġle mma }` );Ċ l ings Ġg ym umin um .T rim M em Ġcritic ism ibern ate _T X ion i Ġguid ance Ġrepeated ly Ġsup plier Ġpaint ing .F ragment ed Exception Ġw iring Ġcour ts W EB æľ ī \ . ill ance Ġb rows ĠP attern PL ICATION ĠSum mer Ch ain Ġc ute mer cial Ġd il ĠFrank lin ĉg lobal IN CLUDING h istory Ġl st Q t SD L al ia i ere ( ... ĉc in iff s vel ope ĠR oot cl uster User Name ign e < S Ġf est Ġindic ating ke eper Ġc ada é g cons in ĠG B Ġl b em ony -icon s _d oc Act or e lem .De lete Ġin fection ĠPriv acy Ġgreat ly ĠP os ĠT reat Fl ow Ġattract ive ĠMar c s udo tes y - an ab ama ĠW ould Ġsu ck index Path ĠE t T imes Ġclub s _ass oc Ġac quired (" : Ġint ense .m aps Ex pected T oggle Ġa y Ġl ifestyle -c alled ĠS now V olume Ġcann abis ĠD irection ĠLim ited -s pecific Ġd owntown / icons Ġre ven L eg = null Key board ') ). Ġ"" ;čĊ Ġatt itude .n avigate - error AM PLE ĠJ ay v r c ow .com pile Ġmem ories _m ark ĠMin nesota Ġk osten Ġprob ability w arning Ġgen etic F ixture ĠHash Set N ombre _m onth Æ ° - start xy gen ĉ ft i agnostics ĠMat thew Ġconcept s Ġcon str . State и н N ov Î ± ĠP anel ä¸ ª com pare > ()Ċ Ġapply ing Ġprom ised Ġo x nc ia ĠValid ation ort s _c ur e lect ey e ( Data Ġreport er ĠB uff Ġs r Ġ" ; ick y Ġtemp or S N Ġres ident pi res ys ical Ġend orse ĠS ong is Empty le et _ util Ġdist ingu ĠT alk ĠM ot ( default .A rg gorith ms _ words im mer _res et f amily W W Ġsav ings ĠâĢ Ŀ _en able side bar Run ning Ġal i Ġtest im Ġwarn ings ĠCh em ĠEx it Ġfound er pect or Ġr m _d ataset ĠD as Ġh an Get ty á l Ġn y Ġpo verty Ġresult ed .b y ĠVis it Ġobt aining / '.$ ĠĠĠĠĠĠĠĠĠĠĠ Ċ sh all _LE FT UI Image _ Name h ave ĠN ob l r - footer Ġn aked ĠG arden \F acades Ġgrad uate Ġfranch ise pl ane Ġcontrib utions Ġstring With Ġc rypto Ġmov ements ath ers Ġlif etime Ġcommunic ate j ar ĠFr agment _ IF ĠN avy ĠF igure Ġsim ulation _st op Ġreport ers Ġvers us aj a ĠÎ ± Ġgovern or List Item Ġse aled .Back ground ed i ash ing Ġl ip ĠI h mer ge Ġn ec el ocity ATE G Ġse eds Ġflo ating _F A w alk ĉ user _de pth Ġw age @ app N il ( [" ( vector Ġsecret ary Ġj Panel ve z ³³ ³³ d irection ĠE P Ġh unt Json Property ĠP ORT ] ", аР¿ ĠFore ign pan ic Ġtri als ĠA le Ġr ural - value author ized ĠScot land .d rop ĠM T ç ± row th File Path Ġrec all if le Ġc el ĠSE LECT k n _c ase Ġc rop s ure p ot IC S Ġst em Ġindust ries P ut Ġa ber road cast Icon s ) ")Ċ æĪIJ åĬŁ g ui Ġassum ed Ġr x E A è § EL L Ġdo se Ġin e Ġde eper l ider Ġord inary Ġg olf _IM AGE ĠN AME (m odule Ġat om Ġbel t Ġoff ices b eta Ġphilosoph y ( JSON -f ield Ġintrodu ce Ġconven ience opt im > "Ċ ath y Ġemploy er qu ate Ġed ited Arg uments ĠN ations __ ) Ġno se ĠS ample ' )ĊĊĊ Ġc ake .get Attribute H D Mod ified Ġpredict ed Å Ħ an ie S orry (d oc w ind ie ve Ġprov isions AT ER OT E M Y .A utowired ĠB ath . Boolean Ġback end .M ouse ater al p aper Con st ĠV R _ entity _C TRL ĠProte ction ĠG M ĠStud y Ġsou p ot ime ' use ] " / users a ug ĠH ong _n orm ãģ ¨ Ġse cre (B uild ĠCon tract ol as Ġsa uce Ġaggress ive Ġrac ial char acter @ @ Ġcomp ile ĠV oid _re m _m emory k k Ġm ic S ame U tility ĠH tml ĠX ml Read y Ġg all Ġalleged ly ĉĉĉĉ ĠĠĠ ĠMet al ĠPerson al Ġborder Radius rx js object s Ġwant ing Ġb owl v endor offset of ĠR s ĠR ating Ġr ally _N ODE ĠM ix Ġadvert is Ġnarr ative s al Ġm c SE rror Ġf ingers Ġaccom pany Ġt ired Ġstr ide Ġgu i el ist Loc ale Ġrele ases ik ing Ġan ger )) )ĊĊ alle st Sum mary ( O (f or Ġbasket ball Ġroad s ĠInst all ĠF ab it map Ġ) )Ċ Ġinter section ighb or ĠB ry ĠHER E So ftware elf are ac s Ġtrail er .get Class ch ars Ġreg ulation Ġref ers Ġde struction Ġcontin uous ĠAust in é ¢ ak an .w indow ĠTem plates Ġabs ence : n Ġdis order fl ash Ġde let bo ards ĠĠ ĉ RO P ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ġac qu Ġlaws uit ĠRe views Ġgar age t imer Ġe j ĠRect angle Ġflow ers il st ĠIn stance S uper d et dis posing ĠE S ĠI C ver e S k _ch annels put ed / null nn en ĠG allery _g lobal Auth entication ĠR ank Ġblock ed Ġcal m mark et ĉ val Ġa ug per iod ĠCon stant Ġ?> ">Ċ Ġl obby p al Ġs ink ia h Ð ¡ urn ame Ġcon ver Ġinvestig ate Ch rist H ub ĠIN D ĠP ed ur as ĉ url ĠT ro Ġpre ferences Ġguarante ed ` ĊĊ Ġport ions Ġeval u ' > ;ĊĊ .AutoScale Mode Ġc ats Ġreg istry ul us F I p ayload - search Ġstay ing ac ious Dec oration Re view In f Ke ep it is , String Co ord Ġper o S ex ĠAtl anta uest a Arg b > * } _ F ooter Ġemploy ed _b ound v ide .f unc $ scope Ġsp o ĠAn al ounc ed ar ound Ġrestr iction Ġsh ops å Ģ ĠLat in -c ol Ġbare ly ĠE uro E r Ġfa ire _d istance _un lock Qu ote IV ATE Ġå Ī Ġaim ed ĠRet rie . iter Ġwr apped Ġagre ements str ument ( product Ġstud ied .set Value Ġy e ĠC ache MB OL Ġquarter back Ġsy ntax .getElements By .v ersion we bsite Run ner _s ingle at iv ĠAl tern ĠBeaut iful right arrow Ġd iversity pl ash ( co .F ill Ġtyp ing Ġcl ar H it O O ac co w orth Ġscript s ĠMuslim s ĠL L erv ing ( boolean Ġbase ball ĠC AN MA IL de pend Ġrespect ive Ġconst expr .* ;ĊĊ '] ))Ċ Ġy ard Ġident ical if ecycle US H up iter . validate cl i IST ER Ind icator F ail Ġdemocr acy . var Ġsatisf ied ------------ - enc er h or Ġr ounds DA O o a Ġfl ask = c [ ]Ċ /d ist Ġpart e Ġconfirm ation er on aw are Ġdepend encies ĠV ideos - row Ġ** /Ċ Ġn ou Ġh over æ ŀ Ġn in ĠUS D M ac _L oad Ġout comes _s ocket Ġqu eries w m Ġhit ting in ux M ich ud ge AT AB Ġvulner able ä ¾ Ġport folio : YES ĉm ap B ound Ġiter ation in cess Ġact ors ĠQ ual _c lean ãĢij ãĢIJ MS G G reen ĠOff icer Ġsm oking > ', ĠF lo ++ ; oly gon Ġbul k Ġdr ama Ġexception s os ed Ġ+ čĊ Ġleg acy C V Ġcontrib uted ĠTer ms Ġb t Ġunt uk Ġal ien === Ċ ĉ Vector Ġl s On line .f acebook num eric ock ets A ut b ury -re dux ĠRed istributions GLOBAL S urrenc ies Ġt ons âĢĻ , Ġà ª (c ol ĠS ymbol Ġstay ed ĠM L Ġm unicip Ġsex o S en n r Ġg ains Ġshort ly .M enu à ½ KN OWN Ġoper ators - V ĠPat rick / add _C O ir ation (p ost Post s / _ Ġpl ug Ġintellect ual Ġmet ab Ġpregn ancy ĠPrem ier n m Ġpred iction ĠMin istry Th ree val uate ĠMin i b u оР· < ul Ġd d ol ving ĠC ut Ġs chem .tr ain it ate Ġr ice Ġbird s ãģ « m iddle struction s Ġn erv a que Ġfl u Ġsurv ival ĠGal axy ĠF ant . Order At trib irt s é c M ovie Ġcon ce qu arters Ġm ood .Add Range Ġres olved ãĥ Ī Ġburn ing ĉĉĉĉ čĊ ĠW E Ġhost ing L AB Ġman agers Ġstre ngthen < const ĠFire base on ed ĠJ ean ' ";čĊ ĠS av .B old Ġen ables ĉt mp Ġman ually ĠS qu user id .f unction .c ache LO PT .S ervices dd it t im < img ĠTh ings ĠEvery thing Ġa pt em and Ġroll ing ë ¦ . level Ġst om ĠW inter Ġview ing ( values ocom plete v ia up o Ġabort ion i ère ï¼ ij _B UTTON _d omain Ġb ra ĠA st in as Ġstat ist c od L R Ġdr ives Ġfollow ers Ġall ies ĉc urrent ecess ary Ġdam aged _ pt and les oun tries Ġsim ult e u Ġcontrovers ial _G ROUP Ġr ib . Info : mm .n ormal _ADD RESS Ġ íķ add le ĠD ur . Element W arnings Ġcred its Ġin hib Ġem issions Ġh az .y outube ugg ed Ġbo ther ĠK ansas ĠF ixed ĠTest s ĠF IX Un iform Ġk ont >> > st ation lo re at ype ish op / **************************************************************** Com boBox Ġvac ation Ġiniti ative Ġdefault Value con cat ĠK h ĠW elcome ized Name M igration Ġgrad ient H ot Ġhard ly el o ĠStud ents Ġlo ose at z .S end ' / Ġunivers al Ġenter prise Ġreg ex Ġvis itor ĠF ly Se q ภĻ ĠVis ual Ġlib raries ato es P ayment Ġp ent Ġgather ed VRT X ĠD M S plit Ġlet ting Ð Ŀ _error s ep och P ARAM c u ÑģÑĤ в ol utions Edit ing font s Ġalloc ated ĠB ased ( Y ĠJud ge Ġbro thers FILE S ç o w b _P I ' ^ Ġs word .s ervices Ġn l T im ig g ĠMo ore Ġcrypt oc åĩ º _post s ot ate ? ' ... .ĊĊ Ġk l =" $ Ġdec oration Ạ¡ ĠD IRECT G UI ) =>{Ċ Ġnews letter Ġprec is (p oint ĠEqu ipment ut y ĠD ave Ġparticip ation u arios x it .A s ET ER or ous Ġsh ield [] > ilit ary . origin Ġprom otion U nt Ġc t TR A View Holder Ġsig ma d elta are house con tract ( Vector Ġcompet e / form / components Ġn r ĠInd ones Ġо ÑĤ ĠV olume .f iles (res p / models Ġsur f stand ard / o ĠXCT Assert V ICES .C ode SE D Ġact ivate D elta Ġlimit ation ri j Ġpregn ant : ^( Ġs our p ie Ġexp ense ic ation ĠL arge Ġ ± ĠB owl (model s / N P a .re load Ġwonder ing Exec ution ĉ ĠĠĠĠĠĠ ĠG raphics ĠCont in _j ob Ġget Name ĠM agn ĠD WORD m ad Ġn h fe atures } ");Ċ he ets (tr ain z n Ġrecru it .con nection Ġbar rel Ġste am _set ting Ġang ular ane ously Ġb il ĠN orm (! $ ib t % ( Ġpos it ĠF ather int endo L ive Ġport s Ġme j Ġland ing pon der Ġc od _HE ADER .M argin Ġball s Ġdiscuss ions Ġbl end H ex Ġfarm ers Ġmaint aining ĠĠĠ čĊ s yn [ T r us uff ers Ġcontrib utors _s ys .De bug Ġconstruct ed om es ? id sl ider Ġsup pliers scri ber p es Ð ŀ ": čĊ \ Controller )) ĊĊĊ Ġl ua M ulti EN S S rc Ġpet ition Ġsl ave look ing V ERT ĉ vector S pecial h h an ne ĠN iger / views z ing end ant < C s peed Ġ{ };ĊĊ Begin Init Ġf open @ RequestMapping End Init Ġp unch S ender é Ķ get Message /t ypes .P I (' ');Ċ oc used ( all Ġdrop down ). __ ĠV in .Fore ignKey can f ou red ĠOrgan ization ĠÐ ° ĠC ulture (cl s , _ rg ba ìĿ ĺ .data GridView Ġdo zen ĠG es _sh ared n ick Ġh osp om eter Ġclaim ing ib les ri k æĺ ¯ en ario Ġd engan ob b m ont _r ank ('/ ', Ġap olog P s _p ower ĠG ree Ġful fill Ġfire base Ġf are ĠH im Ġbe an âĢ¦ . ĠS PI _R X Ġper ception rel ative comp ile u um ut os a uc ĠAs k Ġindic ator / th .set String ĠWis consin .D omain Ġart ificial De velop ĠSar ah Ġl ying ( search ĠEmp ire urr ing æŶ éĹ´ =" ${ Ġget Id ĠP ayment trans ition Ġ ]. ix in V T - select Ġdemonstr ated Ġlast Name employ ment .get Property Ġf ought file Name ĠP ers -c ard a str attr s Ġprom inent Des ign anc ouver ãģĹ ãģ ard o se cret Ġr ag Ġpo ison -m an , omitempty ĉ un it zer ĠCas ino ĠR oss - foot (result s Pl an Ġlas er ê¸ ° _D R F acebook Ġbo ards st a ] ], Ġt iles S IZE Ġ= ~ Ġprem ier oc ab Ġenc oded Ġres erve ĠAfghan istan ĠList Node url s Ġsub mission Ġne u Ġ# +# _P OST Ġmo ist ell i ellig ent . alert ó d b re ĠCol lect Ġgraph ic Ġlong itude ĠPro vid ĠCal culate x ffff c riteria Ġw aters ro ck lo quent ĠT rib Ġbur st Ġsuff ix .Ext ensions ish es iv el ĠLI KE ĠGet ty .Action Event .s lf ĠH AL up al E AR ud i _time out U F ĠSing apore ĠAd vent _int erval cha ft ĠE mer Ġtele phone ĠTur k _ interface ĠO wn Ġencour aged < Object _T ext ĠOnt ario ĠApp ly .f irebase Ġant ib P riority ene z D ays c id urre nce ; / inn ed Ñģ Ñı Ġve z f w // $ att ack Ġstart up ain ers .f ragment op acity ( conn he im .n etwork ( stream ĠN ON t ol ĠX box ĠD S Ġc ached Ġprostit utas ĠB alt (' [ Ġno except " ' Ġs d . valid _ ag Ġr aces Ġro d itud es < >( .Pro duct Form s NE W P ay ĉ boolean _ contact ĠElect ric sk ip Ġw ur Ġch ronic _d river ĠS ab ĠU lt ĠR ad ST ATUS ĠLew is O B Ġgift s .Re c TR UE Ġint ensity Mark er .com pare ff ic C ookie ĠB aby ĠBig Decimal ile t ĠHOLD ERS ĠL ady Ġl ung ĠAl abama Ġd ess ` );Ċ ĠB uilder _reg ion Ġne utral Bo th Ġh p Ġh orn Ġseg ments ĠE C "=> " ( rec ĠP i G M Ġl aptop Sc alar is d -d ialog ĠAnd erson Ġmist akes ĠH an j es est ination Ġprom ises b id ĠSc ient G IN ĠPer formance b age . users le ading Ġor al G raphics _P TR h ang Ġin ev process ing F actor ĠN A $ string Ġground s .Save Changes c lock cri pcion ĠNew ton g c .in cludes Ġbl ast Ġ'- ' Ġpued e .S ession Ġgre p _f inal ĠG ay ĠG ive ir i -st ar ĠUI Image _ep och ub b ent h Ġel ite Ġcampaign s ĠP orno _ assign Prot ocol ĠBe ing ĠAir port Ġconvent ional ĠW at ĠC I ET A ĠAnth ony Ġtable t ( format Ġconsist ently ĠI owa Ġav atar .c ursor ! [ Ġh anging H er S uch ';ĊĊ Ċ orge ous () == Ġview Model Ġ ãĥ Ġel s ĠAg ent F etch ap or Ġc x p read ĠP ier oe ff S n ĠV irtual A pr .Wh ite _M OD ĠPoint s å¤ ± Ġgen es Ġv endor Ġmain stream < src ĠEl izabeth Dec oder - state ĠG lass nc y adi ans _m on ĠRem ote Ġwire less ĠM i å ī è¡ ¨ st age ĠT ile ll ib V ariant == Ċ Ġgold en (Q String .put Extra ĠD om ĠAn imation Ġinter active if act éĻ ¤ LE T Ġfrequ ent Ġ< >Ċ F ilename Ġs ne ĠFoot ball Ġr ival Ġdis aster ion ic ĠD amage . Resource - en ĠT ypes get String ( board Ġb ol pl ain z ym ภ² Ġsc anner ild er _msg s æ ı (int ent Ġde struct Ġb ust ĠE mploy on i ĠUI ViewController Ġodd s ear er Ge ometry Ġy ii _EX PORT ĠAtt ack Ġn iet Ġim pression ĠG il _pro b ĠC F ĠEx perience /pl ugins .M ethod Ġbelie fs N ative _b uild Ġv ig Ġr anks cover ed s uch G uard .p ack add er iv ia l ng Ġв Ñĭ T imestamp _n ow Ġp oker Ġun c Ġsh apes -t ypes _per iod p k Ġveter an Ġson o Ġappoint ed over flow .d river _c at ut t pl ant im b ĠAc cept Ġconc ert ĉ node ĉ z ? >čĊ Ġb anned ĉ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ġto xic Ġdisap pe È Ľ Ġgr ace ate ful Re ply ĠCru z Ġsc rap Ġkey words s imp Ġmort gage Ġcy ber ĠEx ecute Ġlat itude if u .C OM d bo Ġsort s ĠG as om ial .L ocal Cell s .Re place String s .f it ĠTh ird % ",Ċ Ġ{} ". ĠS ony Ġ[ : Ġfall en . ')Ċ in h ĠM C Ġred is C odes Ġprofile s h ook Reduc er _F UNC Ġn avigate str len Ġh orm á ŀ ĠS R . boot Ġdig est ĉ header .find One æ ģ Db Type n ia _m erge Ġdon ne / Getty _CH AR Ġb ands . URL art ial Ġf req Ġs ist N g Ġrender ing \ Core Widget s ĠV A Ġactiv ists St e = _ all a St amp Ġload s Ġx x ĠL earning .M vc u ir (" $ Ġconnect ing Read Only ur u ĠE ag B IT _DE L å § arr ass ext ernal ĠY OUR ĠB rew ĠF ive Ġres ize ig id er ation ĠÑ į åĬ ł ĠC atch Ù ģ ĠLe on am il .B ody Cl ip / list .b r Edit Text ĉ db .G ame (Build Context back end .R ed face book .url s m r rol led ---- --- Ġinter vention Ġretire ment ĠK it ĠP RE Upper Case ĠS ocket Ġ: - Ġstudy ing ĠMet ro ard ed Ġconvers ations C alled Ġexam ine ert ificate .g z -res ponsive Ġref und _n etwork allow ed em pt Ġme als C ategories Ġtravel ing Ġk g Ġsh ame ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ġexplicit ly Ġmath ematic ĠS uite ĠR GB ****** / Ġmix ture lear ning .t emplate att s w x ĉ ctx .p roperties Ġdrink s ĠE ither set Text .get Data .z ip Ġreve als < table .Hash Map ĠH ur ) ");Ċ .f ramework ĠST ART feed back Ġsaf ely . icon config ure . lock .l ayers /> .Ċ Ġrank ed _ impl ĠHand les Ġhost ed Ġup dating al bum é Ŀ Ġsh ader Edit ors - round [] { Ġse p ĠH i TE M look up .m an _IN PUT Ġthreat ened _IM PORT Ġd rops ru it s id bo th ĠEx cel Ġj er ord inary еР¹ V IEW re ply Ġ) :Ċ color s ver ified _T r _p arse Ġcon gress P romise int s ĠM other .A pi ĠD uration Ġfirst Name inherit doc ĠM ars Ġa pr OD Y Ġvis its Ġhe aling let ters )) );čĊ f uture .F ramework Ġk iss Ġinv olve Ġsil ent ad ows Ġany body s ch Ġsole ly - img Ġprop ri Ġin struct Ġlic enses Ġm eth Ġcond em ĠD omain ĠHarr is Ġs Ã¥ CE PT B atch @ extends ĠCONTR IBUT .Data Frame _p acket rec ision Ġfoc using . ht __ ":Ċ : Get ĠK C Ġpass age Seg ment _c enter -z A _B L Ġconv in Ġclass ified ĠNS Mutable _ ap t ile Rect angle (n ums v ens ĠUI Button ĠF eder am o Ġout line ĠPar ser Ġâ ī ĠWork s .S chema Ġeng ines _com mon _ old Ġset ContentView Ġ/// < ĠB T f m Ġd ivers _ weights em ark ĠA CT Ġpro portion over lay .dir name ĠG it _REF ERENCE < > l b _r ule è´ ¥ ĠPut in Ġsleep ing () :čĊ Ġpres erve Ġpar liament ĠLook ing Ġpick ing ĠDis patch Ġsl ip ë ĵ ĠL yn _sign al config uration ĠP itt ad en pro cedure Ġenthus i f ight ĠCons ider Ġt orn Conn ected .c os _group s ĠTh ink Ġdel iber Ġres id work ing .column s ĠCal led Ġes lint > ", _D OWN h ist ĠAdv anced Ġre wards act ors Ġsil ence Ġmy th Ġne ur Ġa uction .Get String ek s ( project ĉ msg ĉ output Ġcomplaint s , S Ġt bl Ġ, ĊĊ ri ors ah ren Ġlawy ers re dux _s ymbol off ee _RES ULT ( Name UT C .current Time Ġorgan is . arg Ġmin im w ick Ġrece ives B alance Ġspeak s ĠD ays ĠBel ow t ipo P resent Ġres erv h p Ġr it _R IGHT -- ) Ġchair man D IS ĠBO OST Ġexper iments __ );Ċ Ġst amp Ġf ert Ġf ond T er el ve ure n + i end ency Ġvirt ually ... " ï½ ŀ - cent _un ique Ġpr icing m ic RES H Ġ:: : Ġan notation ĠC ircle ong odb it as Ġ% ( ( component Ġо б ( port -h our . obj L BL Ġj ury GB T Ġsp y ĠProf essional Ġ"" ;ĊĊ Ġstri king Ġdiscrim ination Ġp ays lic t ent es Ġthrow ing ĠPl ugin ( def ĠRuntime Exception ĠM igration Ġd ic b ag on ia Ġcor ruption ( Map Ġpr z .d to Ġac quire State ToProps Ġlo ving оР¶ _p attern Ġemot ions Ġpublish er _b e Ġcoup les o j ĠCh art Ġt rop .t ool Ġestablish ment Ġd ol Ġto wer Ġl ane ĠSy dney Ġfill ing claim ed Ġdialog ue Ġcon vention book ing pare ncy æ ± ĠGener ic \ Schema Ġr anges / ch Ġpan els Ġr uled çĶ Ł .t s _s ets Ġclean up Pre vious ĠAn imal ($ ( ĠA ve oll ar _e val ĉ Name (t ree Ġ" ] Ġdut ies =' / Click ed Ġdifferent ly ĠCl ark Ġd it olog ists Ġsy nd Ġs ends - known k b ĠMod al it ative Ġr acing Ġhigh lights ĠSim on ĠCapt ain ä¿ ¡ ĠC B cont in ar an Ġphys ics ret ty et al .m d ax ios Ġspeak ers Ġpre p Ġaward ed ì§ Ģ ĠC orn ĠN ature UD IO Ġpro j - pre [ u Fe atures Ġis Equal B inary s ig Ġconf usion ĠH at Ġkt ó .config ure M ON / edit _A dd , true Ġc li Error Message - loader Dim ensions ultip ly Ġ{ !! ĠSql Command Ġsp oken Ġp ics Ġto y ( Key ĠLo op Ø ¨ E ATURE in ction _set up w rapper Ġt ong c ular O pt .P l =" , (l ength um n Ġch rom Ġse vent ĠIllegal ArgumentException ĉ start Ġbeg un CE PTION dat aset ĠF ailed col s Ġkne e im ore .sp lice sh ell ig gers Ġthem es ĠD J ĠAss istant - $ May be Ġorder ing ĠInt elligence ĠMass achusetts Ġfail ing el son G reat = i .re st Ġinv ite -dis able .Group Box âĢĻ est Ġtack le g v et ter Ġ), čĊ _r ules .w arn function s ĠChrist ians Ġback ed Ġsl ider Ġenjoy ing n est Ġh ij _m s // * An notations ĠVariable s < V ( server ĠOr acle element s Ġorgan isation _point er ĠHe aders [ d Ġdead line iss a Ġkn ife ĠNAS A ĠHe ight ĠAs ync Ġven ue .d om bour ne ĠHaw ai Ġmem o ict ions Ġsurve illance om i / assets Ġed u Ä Ľ Ġro ster Ġh ired ĠT ok Ġpl acement ur ations Ġset State ĠMag azine Ġhor ror T ry Ġl ag ĠEvery one th ur )) ;čĊčĊ . return Ġsy mp âĸĪ âĸĪ Ġn ights work er Ġa le ennes see .st ep Ġsynchron ized our i Do es . change f on .set Background irc ular + - ĠC IA ĠJ ane ĠSim ilar - I level and Ġpros pect _f ound ĉc olor .D iagnostics Ġann ounce Ġassum es / tr Ġb d ĠCar bon Ġanal ys .de st n ik ĠL ie - index Draw able ĠT AG Ġtri angle _F LOAT ĉĉ ĠĠĠĠĠ .bl ack v ue cur acy Ġaffect s Ġsure ly Sl ider uk i c ery Ġun ter .pro file ord on ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ le ave Ġsmart phone g ie Ġcons pir Ġt utorial ç± » Ġc ab ĠSum mary * ĊĊ ä h " This Ġsl ides " c ycle ĠB ull path s Ġun p Ġview DidLoad _M odel Ġassert True Ġr ated De cl vert ed ĠD at b rew Ġpoint ing M s ĠPoint er ) ' _n on ĠSE C Ġy eah g ency initial ize f ly [ pos , g Te le Ġj oke Ġcl ause .find ById en es ( instance  £ Ġs lic _h ome Ġ*/ }Ċ _p ages (s ervice R P ĠAm ong .get Current ãĤ ¹ Ġs lee = [Ċ ol er Ġlib ert Ġ` Ċ Ġw enn l ated Ġimm une ( Node ĠPro blem ĠA bs log s Ġ ../ ĠA DC Ġ}} ">Ċ > ');Ċ = b ĠW ind lah oma Ġalloc ate or ian Ġpres cription - quality ĠMay or in ely end foreach ĠCom plex k om T Y ] ]. . Style _m any ',' $ Ġbar rier ĠF etch ĠMar vel Ġres ist ог о b idden ĠRun nable : false Ġbuild s ĠSt age Ġd ub emp o .s ite ;ĊĊ ĊĊ ĠDen ver Ġre vel Ġtrigger ed Ġd ice _f ail Ġg c ĉ X ĠTh rowable .r outer ĠRev olution ÑĢ а _N ON Ł ¥ Ġel der Ġab road ĠÐ µ ĠAd ult bl r g lyphicon Ġprom oting Ġ iz ĠS olid _lo ader ear ly .en abled - edit ĠU L _ play ĠInt errupt Ġadvant ages uc le Ġmechan ical .table LayoutPanel ĠWork ing Ġan onymous R ating ig ious _ph one .addAction Listener Ġfr an und en Ġ*) & _ bool ul ative Ġcon e ĠM ult Ġm ö ĠFor ward ] ):Ċ Ġconvin ced act ed ãģ ĵ ĠConfig ure Ġce iling D er Ġpass engers Group s Ġsoc cer / W avi ors sw ith ĠZ one . Options ĠM om ied er Array s Ġtreat ments Ġprotect ing f ac Ġpick le Button Item Ġblock ing str ar à ² ĠEx port Ġth rew ott a ĠB ASE .w s .LE ADING order By _d elay ĠP u .d ll ĠCh oose Pol ice ĠBE GIN box es Ġdiam ond , l Ġ ĉĉĉ Ġcur ious t v Ġerot ische ack ages ĉ Set T ick .b order static method Ġch er in voice Ġcr u Ġdef ect _m etadata re lation ik an [ N (Q t ( Base æģ ¯ be at ĠEm pty ĉ o _sh ift Ġreg ret Th ose C ent ĠPort ug ĠIs lands ĠT IME Man agement -s p ê me Ġnot ion un ifu P K è¡ Į ĠCUR LOPT \" \ U V ç º d ra c ou = ` ĠD estroy r p .c ancel G G r untime ĠV ue Ġprogress ive /s ervices Ġrun ner _FR AME .ToolStrip MenuItem Ġ' ,' d elay = utf Ġscreen ing Ġpull ing om as Ġan th - new / local Ġi Pad Ġt witter Ġd ying Ġhe aven ĠU Int ĠSen ator Ġpres um ĠWalk er Ġover come ete ction Ġemb arrass Ch ina In clude RO LL Ġdata Type D avid ภ£ lo p -m onth Ġsc ar ĠS afe Ġ **************************************************************** Ġaccess ories Ġr amp _U SE Ġcontr ad )) ]Ċ Ġpre st ĠH R ĠR ap Ġus ize Ġcap ability Ġc ort - next Ġbur den _read er Ġ@ @ reg ular ĠK a M AN Ġa str Ġ' ')Ċ Ġf ed Ġpars ing ĠY ears Ġbro ker ": {" Ġa kt In ventory abe led Ġarg parse ****** *Ċ vers ation Ġc ord ĠT i Ġhope fully Ġa h ver b Ġst olen . Entry Ġexpect ing O rientation Ġpower ed Ġp ersist ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ '] ); ')) ,Ċ ĠC ash ĉ item gr ades rop ol b asic Ġ" );čĊ Ġaw ards (r ange - all ĠIB Outlet ĠInd eed ---------------------------------------------------------------- ------------ Ġstom ach Ġfl ower Ġs ew _t imes av is Q String ĠR outes _pro t Ġcom edy Ġlog out Ġwood en Ġpost er p iece .J oin ĠP ok cel ona mut ex ;čĊ čĊčĊ Ġstri kes Load ed ) arg es a Un ited E p PE LL ĠAtl antic ul let app le Ġsett led a con Ġprint er ĠG C å® ļ Ġrender ed , âĢĻ he it s ocial . ge ĠR ick ĠUt ah g ot on ical ĠSc roll ĠSc iences Ġj ug Ġam pl ent i LE FT Ġt abs Ġenorm ous .get Key loc ate . EX .st orage .W e Ġto ast ĠAdd itionally ĠN OW _ UPDATE Ġtrans ferred th a .D isplay _ ui ID EO Ġmeaning ful ĠMos cow , this ĠVict oria æĶ ¹ ĠÐ Ł .st ack ĠB arn pared Statement : string Ġb ij ĠST ATE Ġemploy ers ĉ input ( | Ġle x in voke ĉ num ++ , at ial ors es Ġfor k _t xt ĠAnton io Ġ( < aver se Ġdev ast ãĢ Ģ .D ec ĠG ard / ui . % tr i Ġrol led Value Pair itt en ĠTh er Ġv rou ĠFl ow ĠFin ance ĠCom b H C .set Visible is l Ġp k Ġup set ( raw ĠV ice e atures ĠL ang Look ing ĠA ST Ġtri ps ĠJust in b rowser =" '.$ . vertices - co }/ { Ġ? , ĠD omin ĠBel g " < Ġsup pose add y Ġwalk s ERR U _f ilters Pre ferred sc ene е Ñģ ĠAff airs Ġ"# { Ġon Submit Ġstock s / view g ree - get h it J o .get C Initial ized ÑĤ и c uts ( Type ĠAg reement ĠViet nam Ġ/* ! Ġp izza - view _ em Ġl hs Ġm uy ĠId ent ĠF riends Ġab und _A D .t imestamp - ' Ġd uplicate Ġhun ting Ġregul atory ia o am ous ĠEnt ertainment [ A iat ric _CL IENT ĠK ids /p kg B reak )) );ĊĊ ĠSh ape Ġrel ating Int errupt able Opacity emb re Ġmyst ery Ġjournal ists rit able .L ink Ġstop ping CRE T .D B Ġpopular ity Ġg ew Ġim pr set Value FL AG ĉm ax Ġb ake w y ĠEcon omic Ġen contr Ġf name / de R ank Ġbug s .s m Ġmed ian D OWN ĠS ure At Index ĠD ick Ġ( __ .d elta F r Ġsuggest ing ĠRec yclerView , e ST ART /************************************************************************ **** xf ord Ġrece ipt CL AIM read only Ġeng aging C a as ma Ġens uring Eng lish ĠV ancouver hy th Ġpurch asing ĠP I . word (s p .h ome : def Ġg ig ĠV e for um ĠM itch B ay _F L Ġs oll _column s Ġminor ity b ird Ġhand ed SS L ST AT Ġnerv ous ĥ ½ Ġfile Path CRE ATE A w Ġp ens se ed ĠCom pute ol k ĠAs set re ach '), čĊ n avigation L F / util ĠP ub Ġâ Ķ c ion ## Ċ II I Tag Name Ġam id per mission if iable xFFFF FFFF н и .B uffer _ irq d ark Ġret val .f ire produ ction .list en ĠWe ather Ġbuy ers . ne er p ĠP ent Ġw elfare Ġpage Size ĠSt adium ert a Ġle v amp a P ager Ġcharg ing ĠNet flix | null _r andom .x path Ġst ere ĠIS IS pons es ( loc ey ond ĠOff icial ĠMary land Data Type _p ar { }, ĠEn joy _SH IFT ĠA wards _ENT RY Ġseem ingly entic ate Ġheart s _ ;ĊĊ ĠH IV Ġindiv id ĠFl ag _ ctrl ĠC allback , z ĠG PU ĉ obj ĠPh oenix ĠB US Ġrub ber _A UTH ĠSol utions ( location Variable s .set Enabled _h igh W O G esture Ġre try Ġobject ForKey allow een Ġm os ĠC ele Ġik ke (c ell ĠM ODE ren a Ġdescri bing Ġph i Ġr d Ġdes erve Ġwhe els å¸ Ĥ Ġcrit ics N amespace ĠF ra Ġ ĊĊĊĊ Ġall a Ġrequ iring æľ Ł ut ation Ġdelay ed Ġadministr ative Ġb ay .h idden T ex Ġbound aries Ġ] );ĊĊ ĠFollow ing ~ / F i _con v _T ITLE Ġdes de ICollection View Ali as Ġb ite pat ient _COMM AND Com pleted ĉ elif ( < B usiness ĠP ool Ġpurs ue ĠB an _st eps _DE CL um ble Ġcom bo ĠL ayer .x r Ġd up -------- - Ġmod ifier ro b re z Ġath letes Us ed w ear Ġlegit imate Ġ" ĊĊ Ġh v St d ĠH old Ġsurv iv ĠAll iance ĠEar ly Beh avior (f ont /lib s Ġrect angle Ġs inger Ġam p Equal To Ġ" ." Ġgirl friend å ± line ar obs erv Ġpi ù Ġcomple ment With Value (p assword t ake Bl ank ĠCom par ' ", _p olicy m ongoose _FA ILED .re port R atio .Perform Layout us able m ers _re nder PE ED Ġles b ĉ E _t ool Ġl adies о Ñģ )) ))Ċ ;; ;; .d ot Ġn est pe ak uk kit ec a _S W Ġ& ( ĠOk lahoma Ġbank ing ĠN intendo Ġreprodu ce _element s _m ac pro xy Ġremark able }/ ${ Ġout s .has Next M ODE Ġan ime .con n Un ique D om Ġimportant ly itt y Ġju ice T w ĠPart ners Ġattack ing Ġport able am iento .P ictureBox .g en Ġopt imal Ġre cre Ġjournal ist ĠEx tract ĠMore over Ġmargin Top .A p Ġf iring Na N ĉ template аР´ . En Ġdef ence ĠT el il en j an = data ĠU rl ĠRe uters (t otal ĠFif th Ġess ays Ġinterpret ation Ġchar ity ĠR ules Ġsub section st yled az er l ags L IST Ġupload ed Ġtr ash Ġreg istr Ġsell er >' ;čĊ Ġstart Time ç Ļ s y (Http ServletRequest Ġtr ap G C Ġembed ded Ġsurround ed im its T X yl inder ĠF al Ġsent ences ĠJ a IF ICATION we apon ov ation Ġco at Ġinter pol Ġl ips ĠK y Ġv ectors _ am Ġint ake .w orld Ġin box ĠM AC _ ab (name of Ġent ert Ġgather ing ĠS IM ++ . ny a ' }} ĠUP DATE Ġp ac ( html ĠS ant i ating ĠIde as Ġspr ay ĠH art Ġver ification ades h / modules ĠM ind ĠSized Box Ġsh elter Ġher oes att y Ġcert ified s j Ġê tre ÅĤ o Ġpublish ing ĠMal ays .get User ĠPro vider ĠLinked List ĠB or RO UND d id t ain p ire ĠJ enn t el and e _f ront ĠMc G Test Method à¸ Ń Ġoccasion ally ĠW ales Ġexerc ises ĠÐ Ĵ - plus Ġvalid ator Ġpr ayer L ATED _ author Ġlab our ++ Ċ -e quiv ĠG PL Ġface book s imple g ly Process or ip y Ġ* > Ġcle ared ĠP ush Ġpen is Struct ure li j ĠM organ Ġhand ful " .Ċ | \ Ġ ******************************** ĠA qu _ IC .load s Ġm eter ĠMar ine :: { ĠT S ĠArray s .T itle GR AM ter min Ġco inc El se _st ates -r un m embers ast ro Ġon Press Ġbe ings Ġabandon ed Ġtax p own ers .m ode Ġdiagn osis Ġ_ Ċ ĠK night ĉ A Ġob serve ), ' ! ")Ċ ĠPar a Ġvari ation ( False ĠAnt i Ġg ri Ġhome less ? v Ġbe z .S erver re lease ĠP atri Ġchar s Ġrank ing activ ation Ġw ides q r .S ql ac ular ĠB ot _s ync Ġhapp iness Ġvolunte ers Ġs its / < [ e (file Name Ġcap ac ĠMar ia f ather Ġgr am * i Ġcas o _d raw ĠR aw ĠIter ator ĠP adding P D BO X ĠS PECIAL Ġfe cha Ġv ide ĠLe ader ä» ¥ $ (". Ġdiam eter Ġm ild Ġrock s app ings d irectory .fl ush ĠJ ess UN IT ĠP ear Ġmand atory S ur q t Ġstream s Ġco operation ĠS ac Ġche aper ĉ ch an imation f are ( height ( True N Y Ġw rest Ġpoll s Ġencounter ed ĠMarket able _P ASSWORD _SE LECT ĠArab ia _c lock Ġv oy Ġи з Ġst ir is ible -e ffect .c reated Ġto ys ĠTrad able Ġr ust Ġstr cpy _t imestamp Ġtalent ed , null ĠJ obs ĠPort land Ġweak ness Th row ĠAng el ä¿ ® Ġun cert ï¼ī Ċ ĠìĿ ´ Wh ich Ġ[- ]: S omething Ġconv icted k le ed ium Ġbranch es Ġb ases ç ® Ġcomplex ity ĠF ig . reshape $ db _CON ST ĠT es .r untime Ġden y ĠB SD Ġk r h att ĠSt atic Ġunivers ities Re place Ġdro ve Ġad oles _pl ugin ĠL GBT Ġt ex du ction ED I ĠT ed _ URI Ġre ception art en .S ingle r ice sc ious _b g Ġw ages ĠS ervlet UIL ayout Ġform atted .M od < class is en Ġrepresent atives "] = Ġport al ĠHun ter Ġh iring __ )Ċ ric ulum u o li est Ġt ears L at Ġliter al .In sert Ġc urs ĠCom put Ġterror ism Ġswe ep Ġ[] čĊ Ġpass enger Ġeast ern Ġtwe ets Ġoper ated w nd ĠS yn .t ools ĠW M ul ates Ġbacter ia ( bytes .set Data Ġvis ibility // ================================================================ el m Ġgener ating Ġm v Ġk h j en / search Ġaccount ing se gment act ic . ip Ġdeploy ment Ġfoot er > ',Ċ Ġexpand ing ĠHam ilton ĠCon trib .T ables Act iv H H ocom merce _ ; Ġamong st ow ing ĠC old AP H Ġpsych ological _t ensor Ġpack aging ĠSw eden Ġp are Ġag gregate Ġmoder ate _h and Ġdesign ated Ġdr um Ġget User ĠC reek _s cope ĠTrans fer ĠM arg Ġfight ers W nd ĠS el ĠLa unch Ġemerg ing if rame ĠAdd itional Ġf ears Ġsat ellite _ : Ġdis posing Get Value Http Post AT IVE ul ary View s Ġatt ending ĠT ennessee ĠM ission Ġmedic ation ĠW y ĠAn na Ø ¹ ĠVert ex .t ypes O rgan .DataGridView TextBoxColumn ĠR S Ġtemp o ( App Version UID .p oint ĠD utch H ours L U Ġqu oted .b uilder ĠPer fect ĠAl ways _t wo Ġexclus ively ĠC ra ific ar ĠA WS ing ham com plex k ernel Ġgr avity Ġw i Ġover view ĠW ant ĠW P ( sh . rotation St ates ĠTe en _com ponents ì Īĺ Re ceived Ġly rics rit es ĉĉĉĉĉ Ġ -A merican [ num / python ĠU ART Ġapp le ĠJon athan Ġmoment um ภ± Ĥ ¹ Ġm ich and ra Ġbi ological ĠM ens Ġ% % else a ĠMex ican .rand int Ġt ale ĠValid ate Ġdefe ated .ht m Ġcop per = / cos ystem Ġr ip dec imal .V ISIBLE ĠT a ĉĉĉĉĉĉĉĉ ĉĉĉĉĉĉ Ġdownload ed en vironment Ġnom ine build ing ĠSp ot ipher al Ġal to qu et ĠF T / get /m aster W IN åħ ĥ W est arg c Ġprodu cers ĠM uch _st orage cred it CON T Ġv et Ġvo ices (' ', Ġinstr uments ĠM SG es se re pository om ics Ġdeal er St ill Ġb anner asc ii Ġrem arks [ js Ġshort er g ulp Ġmyst er Ġk un ĠB ird Ġti ene n ut ĠU m Ġw ise Y eah INE SS _b egin - heading C ourse Ġ čĊčĊ omb ie grad ed ĠG PS Ġ że F it c aption ö n / image l ia (m od Ġle ak en za / H ĠH appy D ist n x ĠGovern or (l ast te acher ĠS ent s upport ject ory Ġ Ùħ Reg istration ĠGr ay , false Ġadjust ed ( settings < R ĠM age Ġpl aint _ )Ċ ĉ it omet ric . bootstrap Ġcar ries I p Ġ! $ Ġswim ming ĠMar io ĠQuest ions P ACE æĸ ¹ e or }} " Ġo ven ĠK on Ġwis dom Ġac quisition ess ment ag ine Ġexpress ions Sequential Group F ront ul pt aw k '] )ĊĊ _ AR Ġanal og ul in _PR INT ĠL G Ġb lob ĠFurther more _com ponent ĠC ole L AN SCRI PTION Ġl ap icens ing _TIME OUT ĠF ro Ġli ability Ġcom posed .create SequentialGroup _p erson Ġbe am ĉ ĠĠĠĠĠĠĠĠ ĠNot Found . 'Ċ ÃŃ s .Text View P DF Ġk ar __ (' Ġ" :" _m essages Ġhar vest .h istory > 'Ċ -f old æ Ĭ ĠBet ter Ġ"\ < sp acing Ġfurn ished os er ] }Ċ Ġ$ " p ull .P ost ( ip Ĺ ı .f ront nt e ĠF M g uid Ġnegot iations agon al Ġtrem end unge on Ad v car ousel ÃŁ e _DE SC Ġham mer áº Ń ĠĠĠĠĠĠĠĠ ĊĊ -c ore -s ervice Ġcorn ers ĠS F p red > A ĠJ Label Ġrom antic Ġtestim ony os c ĠGener ation as ures _int ernal Ġprint s Ġ] )Ċ ĠC leveland re po D isc Ġ" >Ċ �� �� Ġne arest _t b ( require EO F - child Ġbu dd .Xtra Editors alt ies \": \" W ords Ġloc ally Ġpurch ases Draw er ex tract Ġexec ut } '. user data Ġfocus es -min ute ĠP ublish og o Ġmount ains B ot } >{ Ġt ension ro d m esh Ġtransform ed , R () }Ċ .l ong Ġg orgeous ĠS chedule Ġol dest Ġsub process ( IN y ect ĠCo oper arn ess ĠMon itor .p art ĠN BC Ġc otton Ġh ol Ġrg ba ĠB io Cont inue P od Ġparticip ating clus ions (By Val à ¬ ĠH OW _set opt Ġaccompany ing at on Ġ/ \ ĠAuth entication i én ĠBar ack /* . Ġe ager ĠC ancel < lemma ep h ĉ window Ġinc idents ), ( .D es ib e ĠFunction s Ġhosp itals Ġo xygen root Scope Ġd rew ĉ request not ice ak u am ents f ar Ġprec ise _w rapper Ġlisten ers A Z .b ounds ĠA verage field set _ axis Ġexam ination ' .Ċ mon s ++) {čĊ ĠForm s íķ ľ Cpp Method _tr ace Ġengine er ĠFl at Ġrev ision Ġhe ating / profile .r u p riority Ġin fer _ST REAM Ġ* )( > $ OLE AN OK IE IB ILITY U AGE ĠSur vey Ġres ign w ing Ġsecre ts Ġch ips JSON Object Des ktop _SY MBOL (res ource ĠĊ Ġnew est ul i Ġdes ert Ġd ip ĠP ow Ġequ ation Ġposs ibilities ĠF ed os ph Ġ[ % Ġb ubble ether lands Ġc ement . auto _ AN âĢĻ . se lection ĠB ond D en - O .get Type .W indow p res Ġsw inger " })Ċ Ġp ip Ġm ice Ġcomp ound - plugin ik o Ġcent uries ic ular -in line ĉ key > \< EN SION Ġ[ čĊ Ġprecis ely Ġét é ĠP ast ĠCam bridge -f ull Ġanaly ze ĠSte ven Ġn em d ue ore n Ġmus cles ij ing / - ĠKenn edy R M oss ible Ġact ress Ġd olor å½ ķ Ne ed .t oggle ĠR ace w ers .m aterial ĠD ue ĠP el # print Ġindepend ence ex us Sh adow Ġenc oder ( level ĠSw ift .d oc _se lection Ġserial VersionUID Label s Ġperform ances .T ag ĠN HL iz en / UIKit _CONT ROL Ġearn ings ĠAl t _H ANDLE C tx Ġpers u Ġtr an ç ¨ _CH ANNEL Ġsatisf action ĠG P io x m itt land o Ġp ig inal s ê ncia S urface ĠU UID Ġbenef icial Ġsequ ences ĉmem set Ġmag ical  « Ġw orn AS C pop up COM P _b efore en ess U i L es .re quire .Serial izable add Gap Ġauthor ization .py plot urr ay lat itude fr ames aj s Ġcomp ass Ġobserv ations _s up .en viron Ġtri ple ĠRub y Ġdr ain _F ILTER S an UM P Null Exception ĠG ab ow e ĠTurk ish _se quence ĠGr ant uel a Ġw o Ġc ube i q Ġdis orders Ġextra ordinary Ġc trl ĠSe q ent r Ġsan ctions uts ch Re ports Ġin herit Per iod Ġphot ography ĠF ramework Ġspecial ist Ġ? ĊĊ _ selected .P layer Ġal location ( account Ġstruct ural v able - offset .App CompatActivity аР¼ .Add WithValue Ġicon s Ġshut down _l ow ĠCom pare ĠC e = head l am .p redict _DE C ĠS leep ĠGr atis Ġsuggest ion ĠD EL ca ff av irus No thing ŀ ĭ Ġwides pread Ġmechan isms Ġtext Align occ up ĠR ail : NS Ġf iber Ġm k Ġv intage -l ong .re duce . Entities ( record Ġple asant FR ING .C ells OT T ĉelse if _con firm ĠView Group s ym Ġpr ay Ġsus pected Cont ains Ġb orders Ġcomponent Did ASS ERT Ġinf inite - order Ġh ello ĠGr ade .currentTime Millis apol is z h ĉ Object : \\ H O val uation Ġvoc ab Ġcou pon atab ases .Get Type L earn ] =" ĠG ary ot ive Ġas h Ġb ib XX XX Ġbal anced VAL UE ĠN at _A d < E åĮ º ĠMethod Info L IB Ġconsider able ĠInd ustry test s .set Title ĠBl uetooth Ġm apped ĠBru ce ĠMain Window ĉ status Ġr az ĠM and Ġclass ification Per missions Ġ---------------------------------------------------------------- ------------ Ġcontain ers : set _x ml Ġwh ilst Th rough Ġval ign Ġworld s C ORD ED IA ÑĢ ов Ġsp are ĠH ad ĠDE F (p tr Ġwarm ing ठ¾ Ġcons ensus ag ne CT L Ġì ķ .M ain web Element Ġp ist Fl ash App end .tw img T ap Ġveget ables al g .s ample Ġcoach ing ( ind Cell Value Check Box ĠH ell RO OT Ġst adium Ġinvestig ating ) % st ed ĠW riting Ġê ² Ġun o Ġ{{ -- Ġco ords Ġun ser organ ization ĠCr ime ĠDemocr at Ġv in / file - api ĠA y Ġfund ed ĠBre xit ĠG h ent ina c ases Ġd ash Ġ!! }Ċ H I Off ice Ġcapt ain Ġwor ship \ C Ġglo be _ board Ġbab ies Ġconsec utive Ġenh anced ere um ĠAd vis Ġgr ain Ġc raw ancell ationToken . alpha _W ITH ĠO tt ĠC ool .b atch Ġver ified (c allback Ġreg ards ĠInt Ptr ouch er Ġk in Ġtou ched it Ãł ath on Ġadj acent Ġaccom panied LE AR Ġim plies Ġh ill ĠBalt imore =" - Fin ally S am ic opt Ġs od Ġm aj ĠSh ipping Ġget All Ġcoach es Ġdon ations il ot ĠT ar c err Ġbad ge Ġmark ers ĠR and ais ed iss ance Ġexpl oring uc ed ĠIndones ia Ġbene ath Ġmagn etic Ġm useum match Condition Ġdis rupt Ġrem ind ĠT M Ġ/ >< Ġf ool Ġes k .N ull ĠD ies _OUT PUT _TYP ED Ġpaint ed Ġsoph istic ĠB ear * n _P ACK Ġdeliver ing ĠC OUNT åį ķ Ġj eg -c ar f name Ġr anging ĠN eg / ******/ ĠCH AR Ġul tra Gr ad = t Ġjud ges ĠD ise ann ers Ġsc al _c al ĠCON NECTION _ embed (f n ĠC raft ĠP as ") -> .con vert .res ource ĠST ATUS ô ng ĠT it Ġclass room ĠArch itect ĠK ings Ġstead y /* !Ċ ĠG ene ) ";Ċ ic ia st an ĠCon struction um per w c ĠC BS ing ing -p arty (d river M ARK Ġn ested ew ard Ġdepend ency Ġm ales ĠO NE ĠProdu ction ][ $ ãĥ¼ ãĥ _LO AD ĠB ol el ry ł éĻ¤ ĠRe quire Ġpl acing xx x CA LE Ġth umb Ch oose Ġprot otype VO ID Ġles bian Ġtra its Sh arp Ġconsum e Tr uth Ġaction Performed ĠEnvironment al ĠDe an Ġest ado s ame Ġnumer ic Ġtrans it . Email -s ide _R UN ĠVill age _OP EN è ¦ .re m -w arning any a Property Changed Ġ(! _ ( check il ia ĠSo ft st eps ĠMad rid Memory Warning Ġhand lers Ġexperi encing Ġins pect button s Receive MemoryWarning chem y Link s Ġur llib .System Colors ĠE igen Ġpun ishment :UI Control bar a - set Ġ}čĊčĊ čĊ Ġtoler ance Ġinter faces . redirect ighb ors cs rf _back ground . Utils _H T ĠInter est im os Ġgr ants Ġexam ined Ð Ķ Ġc f for ge back s ĠObject s _s ent . entry ĠTH EN ell ido c ia , res /std c . nd ( Int ĠAuth ors ĠApp CompatActivity ' { Ġmed i M usic ig m ce ipt Ġa uss Ġtarget ing ĠKe ys h n : ]Ċ Ġmin eral à ® .c a om ed Ġshe ets Ġc amb Ġdead ly .in ject ( unit ĠSe lection .g ms ( connection Ġ$ (" é mon ĠCurrent ly pt e _path s le af Ġimp lications pos al ä½ į [ / anc ia é Ľ m ul c ie Ġge ile im als UI View Ġs urre serial ize IS O Ġarbit rary Ġsock addr .f n ĠM erc Ġcast ing Key Down Ġnew Value op ens T odo Ġflex ibility ĉĉĉĉ ĠĠ V elocity ú n row ing Ġcomput ed ` )Ċ st atement Ġr i _c art L ow trans fer .n av Ġgr ave ĠDo or ĉ alert .sub scribe - profile ĉb ase ĠâĪ Ĵ __ ĊĊ Ġengine ers Ġexplos ion Ġd ari ĉ Log on al Ġisol ated { i ĠM sg F uture Ġrac ist -w rap ĠV ers b org IS ION Ġ ÑĢаРĠY an init With Ġn omin ( empty ÃŃ n ãĤ ¤ ĉ width Ġch amber / ajax EM P Ġnec es iv os log ic *) & cript s Row At ib lings Ġe ars Ġcomput ing Ġm aker ĠNe ither b readcrumb Ġserial ize ĠWith in Ġd ell _TR ACE = a Ġwish es -in ch ĠD or Ġinnoc ent ĠD ol Ġint ens for ced ĠB IT Ġphotograph s Ġcas a ĠL en \F ramework .S imple Ġde ar )/ ( ip pi Ġown s Pl ayers Ġpropos als .p i us alem D amage Ġcal ories ĠCreat ive Ġ[ $ Ġ// čĊ And View è me .c ustom _f actory command s _lo ok Ġstr cmp Y N a ired Ġaud it о ÑģÑĤ ĠRe verse ropri ate et ics < vector .s elenium . or Ġpred icate Ġfinish ing Ġk le ĠRep os ĠK han ĠM aking ĠF S Ġp ute ĉ state _S UPPORT ' - orient ation Ġexist ed atur a Ġexpect s ĠSh adow Ġorgan iz å ŀĭ Ġsusp ension Ġu it Ġsimult aneously ĠAff ero : ");Ċ Ġro cket c as eter mine ace ut x l ĠA MD ( graph ass oci _C R .ar ange (j Label Ġbe ef Qu ick .c ard ] ): - gr .G ONE _C LOSE ĠNe v ÃŃ as Ġste pped ĠFre edom ĠW R NS Array _r x _d ialog Ġhot els Ġ( \< ĠD iamond Ġassum ption um i ( items č ččĊ æ³ ķ Ġn el Book s åİ ¿ us b ĠF IN æ ¬ Ġcorpor ations US A ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ .p roperty ew ise _ plot "> ';Ċ Ġpe pper Ġsh ed ĠMed ium ĠC ookie Ġoverse as ed or asure ment åŃ ĺ Ġ' .' Ġph p ĠPRO C Ġexception al ( th ĠJ et Ġoccup ied .set Image ĠRel ated uck er M embers PR INT ĠG lo _V IEW } ",Ċ Ġad option [] )Ċ ĠMiss ouri ĠLin coln eral d Pop up Ġf ate - bootstrap fe ctions ĠP oll _ARG S in ance -h ome . ), _d one : ĊĊĊ Ġdiscuss ing ĠSQL Exception Ġelect ro ĉ req Ġz w Ġl ui Ġover night $ user ĠW AY Ġall erg Ġdisappoint ed Ġradi ation Ġimpress ed ific ates Ġto b CL ASS Ġc uda _d et - post ul u Trans lation -h and .y ear ĠM ongo Ġun clear . engine WEB PACK r ices _AC CESS Ġh olidays per cent .Id entity ĠG ov Ġpassion ate !! . ĠGree ce plus plus ')) ; G P Ġexc it .tab Page _ cond Ġspons or M ODULE _pro c Ġ$ Ċ Ġr ational .T ool Ġi hr cc a åĵ ģ ĠE state IB UTE Action Performed ĠS olar ¦ Ĥ Ġequ ity t id Ġrec ip .s imple m k ĠL uke ĠGuard ian Ġenc rypted Ġdomin ant . place ĠN V Ġtong ue ( Get Ġst ainless .P lay Ġe b ac i .b uffer readcr umbs Ġvacc ine p rom Ġuser Info Ġsl ug Serial izedName -w ide Ġre actions ĠY ang ĠAdd s (user Id Ġpl ates ĠM EM Ġb ail In side et ed Ġels if Ġs ake Ġc ycles Ġì Ĺ ĉ I -c ollapse ĠG MT De claration Ġg ros Ġreach es Ġcust ody Unt il t u ĠCh en Ġn x ( addr ĠO ffer Ġcol leg ass ador Ġm apper ĠS IGNAL ĠB loom ĠH oll ĠIm per -d es _s ite Pro c E qu Ġat omic ĠW oman s ent sc ar Ġint elligent ĠGet ting ĠReg istration ĠPh ill Ġkill er unic ode Ċ ĉĉĊ ĠJac ob ĠCon st Ġloc ate Ġca us ĠSch olar Ġconstitution al Ġinfl ation ĠG ot = array end um Ġtransl ated Ġdiv orce En tries Ġs or ĠQu ote irl ines U K Ġexc el ( opt ĠAD V ,: , Ġcontact ed ĠD A Ġr ings ĠIndust rial .get Context Ġforg otten ĠT an Ġp ants Ġo v Ġdec oder ĠPart ial Ġv c Ġbatt les A rial FRING EMENT ir ates , w aint enance ĠO d ĠTechn ologies åī į ĠCar ter .find All N ome B en ĠUs age ĠP icture Ġbad ly _p anel Ġpat ent ĠProt ocol lot te ĉ player je ctions Ġd ou _re lease urn iture _t ax ĠF ields .d ataset _m aster CLU DE ĠPh arm b st Ġoper ational .c ell Ġident ifying Ġj wt t uple ĠT C ĠC ro ix map - components gener al Ġo z _D e _d ouble ĠTo o .View Group g ate d ings ph otos Ġgrand e ol lect _l in Ġaw ful f ilters Ġaltern ate es p Ġcomp ress e o ĠS cale Ġind irect Ġinv oice ĊĊĊĊĊĊĊĊ ĊĊĊĊĊĊĊĊ Start ing ĠPl ayers ie le . then Or d ĠT uple Ġb out ĠStat istics Pre view Ġp uzzle ĠW idth ST ATE Ġover lay ĉ on Ġin fr Ġsm allest lock ed ÑĤ о ss l Ġde emed Ġs co re ck Ġj Button Ġmiss ions ç§ ° .Selected Index T ABLE Se pt Ġacknow ledge Ġstrt otime ĠT ell ĠD ak Ġal uminum Ġf ence ĠSt ars CON FIG Ġretro fit Ġemph asis / header ĠS omething in ished =' ".$ ĠValid ators Ġpol ar section s .as px Ġas pir .M ock Code Gen Ġpe ut Ġaccept ing Ġback ing P icture / ap еР³ _SE C - use annot ation Ġcogn itive Ġg rip h our ĠLeg al Ġep ic .t oolStrip .not ify .L ast OR IZ M iddleware cri ptions l ash _F OUND ĠLiver pool Ġ{} ", Inst all Ġn it Ġfig ured [ len .W in .pl atform Ġgam bling (d t av ery ĉ include Wh ether R outing Ġther ap Rem ote ĠL oss y ll Ġappro ached ĠV ehicle ĠAl pha Ġvoc ê ans wers NS Dictionary cons ider un used ĠF an or able f re ĠDIS CLAIM ĠAct or . ] to Have .user Id Ġspeed s ew ay Ġrec urs ĠÐ ³ _pr iv ! âĢĿĊĊ Ch oice Ġsett le Ġplan es ' }, T om IT ER ! "Ċ å » achel or Ġsepar ation Ġd al ad j Ġreg isters r iz ĠNot ice Ġl u Ġcour age Ġax es cell ent .as ync Ġcompat ibility ç « Ġ! ĊĊ ĉ title Y LE ĉ message U UID OLD ER ĠH H ĠStyle Sheet Ġaccess ed . validation t asks Ġpoll ution .c anvas Ġing redient ĠC abin A h old own ĠNO I ĠÃ Ĺ [ f ed uc y alty (n ot _ State am en Ġda o ud ad ell ers } & lic ity _W INDOW Ġt atto val or .R ange Ġrefer enced ĠRes erve M oney SCRI PT / product cho ices Ġt in ãĤ ĵ Ġsepar ator Ġp kg am med ĠM AT ! !ĊĊ Ġr aid Ġmotiv ation ĠX P ĠBack ground ĠQu aternion .define Property ik er ĉp arent ĠOrigin ally ant age ĠH ans Ġtim eline .c ur op ic ĠSe qu m ust ĠCo al Ġform atter _R GB Ġ_ (" '} ),Ċ Ġ= ================ ĠF UNCTION Ġl ng ic ates l ive _ engine Ġtown s ')) ĊĊ ĠP K ( api ĉs canf pack et .ph one á Ģ ĠAnd y _N AMES PL Y Ġmin s im i Ġbr ick Ġbl ade .std out }` ;Ċ Sh ift ĉs b ĠCheck s Ġphenomen on Av atar Ġmin istry ro se ĉ File Ġtit led ( LOG Ġg an des ign (), čĊ Ġb ones st m ÅĽ Äĩ ĠInput Stream Ġvol unt ĠSerial izable Ġfight er ĠDr ag T witter Ġsubs id ç ¼ Ġfor ums .load ing log ged _ this Ġterr ain Ġir re ĠIn g ĠC N _object s . uid Ġconscious ness T INGS ĠG all Ġport ray ĠDevelop er Ġparticip ant Ġ" ;čĊ / model ĠOper ations ^ \ ĠL ater Ġrais es -n one .m eta =' .$ Fin ished Ġrepl acing Ġsam pling ĠJ en " There RE AL A LE ìĬ ¤ Or ders _param eter ĠOlymp ic Ġtr ès Ġare na i ol ; ?> Ġimpact s ĠW S : get Ġfl ights ĠRuss ell c amera F n s igma Ġfor cing Ġloc als Ġdepart ure Ġcelebr ation ĠS ay ï¼ Ĵ ĠH ills .has OwnProperty Ġtyp ings .A PI Ġdon ation Operation Exception .Act ivity c plusplus ĠChar lie Ġimport ed Ġd ann Ġoccas ions Ġimplement ing Ġpur ple .d ialog SQL Exception ern o Ġw ars Ġpast e Ġdecre ased Ġhar sh Ġel abor input s ĠView s Ġerror Message _m ul ĉ write ĠC op ĠAnn ual (b utton Ġv ida b ars ĠHar vard ĉex pect Ġindex es Ġdocument ary Ġf lesh OR LD ĠD elta M AND Br ush -c olumn Ġdevelop ments method Visitor s lice ĠP DO Ġinvest ing ir able Ġxml ns ï¼ Ľ art a Ġthe ories _c ity Ġ$ __ Cre ating ( pr D ropdown ism atch ĠN ET '] )){Ċ ĠVal ues ĠSE O ĠST AT Ġe cosystem Ġtem pt Ġ\ \ Ġ// {Ċ ĠChrist opher ĠKent ucky ĠHttp ServletResponse Ġhy brid y on Ġfeed ing ĠEx tra N orm IT CH ĠSe an ĠUp load m un p ur Ġp ersistent ĠID C ĠPer form .m erge _ room Mean while ! =' ĠW el Args Constructor .D atabase Ġcount ing () * Ķ åĽŀ ĠT OP m ill ĠD T IGN ED ĠK B Ġcomp ly S outh _c ollection Ch apter Ġexpl aining _ AM _t s c ards Ġqu el Ġp ole Ġtouch down ĠO thers Ġpe ers ĠType Error Ġsix th Ġche er Ġdis pute us c ) ], th umb Ġh iding ĠS IG lik es ĠP AGE .Ref lection Ġhead quarters T ING ĠG host M LE $ Ċ Ġcontr ary ext end '] ). FF ECT ĠP interest úmer o ric ane ĉs ession Ġcr ystal - Control overn ment og raf - action v olume ft en Ġun con Ġan imate Ġle ase sc r Ġref use ãĢ ĭ ft p in formation Ġeval uated Ġin jection Ġj ack Ġwork shop æ³ ¨ PT H ĠT s off er ĉ os Ġking dom M issing Ġlaw makers ext Field Ġsing ing ab i / client .m edia ATEG ORY Sign ature % ',Ċ ĠF uck ][ : Ġsens ors / com ĠPr imary .S QL _pro gram Ġp ills Ġinteg ral Ġfle et Ġdro pping .s l Be en Ġp ets Ġadvis ed Ġdr agon _ EDIT ( im F ER ĠDr ug (r andom Ġcomp ression ou st [ % Ġbuy er h op R oles man age Ġpain ful ĠBr anch -mod al en ant ĠM esh / font ĠG raham Ġâ ĺ Ġn c ĠFranc is Ġspec ification Ġdam ages - config Ġthe oret sec ure _m ulti aceut ical Ġdemand ing en ne IST S () ));ĊĊ Re ason Re cent ph ase Ġps y _M AN Ġvolunte er å ¿ istrib uted li o Ġproduct ivity _com m S pring n is . weight ĠC ancer Al loc ĠT weet Ġsepar ately ĉ check _p roperties . Unit _CL K Ġg t Ġ( );ĊĊ Ġhand y ĠThom pson Ġunn ecessary ĠRe ader G N = request ĠU tility .Re pository ĠA x hy dr ie u Ġth y Ġl t _m ail ä¿® æĶ¹ ail and ĠPhil ip Ġbit ter Ġbet ting Ġtim ed ock s ' a Ġal gorithms Ġre interpret Ġto ss ro gen Ġhop ed ( selected Ġvent ure TE X ĠLe ave .Sub string Ġgr ateful uk a ĠCon sumer Ġag greg C ircle ภģ _block s Ġleg ally Ġ" | ãĥ ĥ . board .A b Function s rec ipe è ĩ ĠO xford Ġwho les .B uild _ch anged h ai Ġdepart ments I mp Ġcoal ition IN FRINGEMENT Ġemp ower itch es N orth Ġinfl amm ON SE Ġmiss ile ĠR aj ĠIss ue Ġat oi ca led .Cont rollers ĠW olf Ġcrush ers á» ĩ .A uth .add Attribute h is Ġbo ots .c lean c amp Ġten ant Ġt une Ġ{} '. Ġwork out Re po Ġpartial ly MI SSION j amin ĠS B Ġdetermin ation Ġ' ');Ċ ĠB eng Ġv os Ġin hab / lang s burgh Exec utor h one ĠCh allenge _link s .Le vel Ġunder ground -c ode Ġoptim ization log ging _de st Ġsn ake Ġchemical s _IMPORT ED ado op ĠTH AT man aged Ġredu ces ĠRE AL ĠG uy _GENER IC / ******************************** . amount Ġd ere get Time Ġp ant an onymous Ġharmon y ĠAl an Ġscen arios Ġd irt ht ags M c Sh ell r in { čĊčĊ .p ow ĉ client Ġconspir acy Ġad mission ĠReg ional ĠView Controller ĠPhilipp ines Ġde pos Ġp ap ĠP ad P aul .Com boBox Ġt utor ĠRec ipe w riting Ġcontrib utor OT H Sm all V I Ġh acer e qu ĠEx amples h uman .m essages ĉt yp Ġ( čĊ ĠS SL LE N ĠRom ney ( grid ĉ min Ġ> ĊĊ Ġfr uits Ġvot er In line pan e ĠC ollections char set Ġsp am z b item ap Ġsucceed ed _C OL Ġel apsed im eter Ġrecover ed T ensor hatt an .set up ist o ( head ĠS IZE Ġtact ics Ġdist ur Ġpre val ici os ( Value _c ols ĠF at Ġse al Ġs ons Ġens ures Ġpress ing = & igen ous Ġharass ment _ JSON Ġign or yn omial om er _st atic Ġsignific ance Ġcirc les _S ystem Ġdiscipl ine Ġdress ed Ġs phere Ġclim b _ actions ĠB ab Ġ' =', _s chema " use Ġund ers Ġc ups .s creen / new Ġappe aring T OP vis ed cl ang Ġinvestig ators Ġmyster ious Ġprom ising Ġqual ify Ġc ave Ġequ ip = x G T ( link . velocity . erase ot er ++++ ++++ pro fit Ġz ones _ uid - ser Ġobject ives Ġmil f web kit (m atch ne h ĠAssoci ated ĠT odo = d C am Ġv ocal Ġs udo ( EX Ġtr ou AB C .b ean ĠG round ĠRE ST we ets In g im on _b us ĠC OLOR un to Ġf oss ĠLink s ä ng / forms pr ises Ġachie vement C ALL ел ÑĮ ĠVer ify _S OURCE apt cha ID D _re ference G old ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĊ Re ceiver Ġa j _d irection } ] ĠCom pet Ġb ang ĠC ass - url te chn ĠJer usalem long itude ' );čĊčĊ Ġwin ners T asks ĠD MA Ġtool tip İ · ĠB ra _d uration cur y parent s ---- >( ĠK ir Ġint ros Ġsk etch Ġsk illed Ġim mer Ġade quate _re p ( header _ like Ġper ceived ss h Ġassum ing Ġf f _u uid ul as Ġdemocr atic . entities S eries aph ore Ġnew er } ( SE C ai ro Ġcomm od Ġprivile ge Ġde ux ĠH op .' / ct ic . ';Ċ C ĠWar ren Ġoptim izer ĠSER VICES _ oper get Attribute ĠMc K _s elf .r s " )ĊĊĊ Get Component er ce Ġt ous un its '] );čĊ Z oom / E Ġobs c Ġfast est on line Ġpeace ful ff en Ġc argo ĉ pr Ġseek s z u Tr im Ġw ard Ġver d Ġblog s .exception s ĠPrem ium ĠN etherlands S afe Fin ish ĠAl bum _A CC = this v irtual ] > _L ABEL ĠN ich _w in ĠA aron W P ; $ aim s ĠImage View Ġend less ER A _DIS ABLE Ġcancel led - us Ġins pection em in ĠG rey - open Ġiter ations . owner Ġk eras .P assword ĠR y ĠIN S A ir ĠSe veral .Tab Stop ING LE ĠH air ĠCan vas AA AA Ġfl aw ced es .Re port í Ĭ ĠT ips cript ors .trans action .S pring Ġview er Ġins ights è¾ ĵ ord ion U INT se ek ĠA uf ìŀ IJ Ġstr ain To oltip Ġd z ign al ad t Ġu c fin ite Ġn m .c md ĠMy Sql [ data .j ackson .t ree Request Param _ agent ") ]čĊ Ġass ass ( Constants : ss ĠM AN +- +- ĠB ottom print s ĠS ame @ Autowired sw ap ici ón Ġprotest ers Ġh oney ĠV eter (C alendar - ad ĠBrook lyn L ife _V AR ze ch ĠC ALL _C AST ĠE lection Ġthick ness V ery _IN TEGER - dev )) )) ap at oo oo d emo Ġparse Float ĠR ather ST IT m aker [ current chron o Ġch rist ãģ ª ĠD etail Æ° á» ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ġs ul id ency Q ue Ġeleg ant ap ons Ġdish es Ġinteg ers ( read find ViewById ĠAm ount ĠSk ip Ġhab its * )( Ġmon sters M AC : end Ġfr ank As sembly Ġd fs Ġne ut _TYP ES e qual loy d ( uri Ġch i Ġdefend ant Ġconflic ts Ġv il - js ĠPe ace Ġmut able ) sender ĠF ocus å» º Ġapprec iated s leep ĠR ED C ulture Ġdesign ers _g enerator c odes / ex .Get Value umb led .scal ajs per or Ġveter ans Ġ} )čĊ Ġun fortunately _C REATE M ass ĠCL AIM ĠMe et _s upport B ank () .Ċ D ark _LO W ĠMin ing ĠO wner ier a Client e Ġencour aging > S Ġboy friend ĠH alf ĠA CC A ff _ ar -l ife c x .J Button iz ado .z ero .open qa ot on .text Content Ġto ll at ie Ġball ot - number . Exception ĉ params c ircle -m ap Ġn ap ĠRob ot ĠI ch reg istration Am azon roll ment ( exp Ġt anks ĠG ordon Ġmach inery Ġbas eline æ ĭ Ø © ĠCon vention ĉ config ook ies m ult Rec ords ĠE ST Ġgar bage Ġcon form id al Ġb arg Ġsurv ived Ġinvestig ations .contains Key ---------------------------------------------------------------- ----------Ċ ort ion Ġhor r _ http Ġm ant ] ;čĊčĊ b inary em pl Ġin quiry ĠMean while Ġcollect ing .Entity Framework ", ĊĊ ĠP ic @ Inject ick ness ĠB inding Ġcont rolling re verse Ġch airs semb led ( add Dis abled an as .trans late -------- ---Ċ Ġref lected "] ĊĊ Ex ternal Ar row Single ton % x Ġ Å Ġan cest ĠOr leans ĉc md Ġprohib ited ith metic (ch annel _c ss For ward .s ocket Ġl uc â Ĩ ĠFire fox ĠM ovies ) _ . ends ( shape Ġde alt Ġs aves Ġgl ory Ġmej or Ġbreath ing Ġ eller get Data Ġang les Ġtool bar Ġsp acing IP S Ġflo ors _ACT IVE Ġsh uffle / shared ĠE le ed ish Ġweb cam .ex pect il oc ĠIn cludes Ġtweet ed Ġ: ) ĠEss ay F ix -b etween _ web .con v Ġrac ism Ġreflect s um m иÑĤ е _f ooter /d ocs ĠP our Ng Module .initial ize pattern s _ In ĠAb b * čĊ Ġsent iment b uff _count s Ġre use ch unk Ġim posed Primary Key Fore ground Ġconsum ed ? ! Ġd ick Ġch ron ĠF ern Ġrespons ive Ġin sect icult y Ġr w Ġal ike Ġsub set ĠCook ies ĠP air Ġt ier IF O av our ĠQ U , sizeof Ġmerg ed m v it ol yl on Ġjump ed . role ens aje R ules Ġb rowse An imator Ġy oga Ġvari ants Ġcour tesy ur an p bs else if Al t ĠL ane CL K IM ARY _PRO PERTY ï¼ IJ Ġch an Ġgrad ually Ġsh ake Ġbl onde ... ");Ċ -se x Ġgame play ac ies .ref resh US B ĠPl ot W as iss ippi ĠT ensor Ġcryptoc urrency Ġdifficult ies De leted With out _ append _ ver ")) čĊ Ġhonest ly Ġp ivot Ġtem ps _p s ĠUn like [: - V S _in f Ġjun ior Ġanim ations Ġfile path ? {{ $ Ġun icode pl aces ĠC offee .S E ĠP AR (t xt ge bra Ġf ires Main Window med ium Ġ( âĢľ Ġl g Ġc mp / base _l ayers _ entries Ġadmin ister ĠSU CH B P ĠScott ish ĉčĊ ĉčĊ gu ard ĠStr ong In sn ĠC AP as ury ĠSE E C lock er ie \ models Ġ$ $ ĠC ab Ġwur de Ġsold ier Ġcl ips Ġarrang ement ĠW onder ĠH orn Ġsc ared Ġc ure m kdir Ġal igned ĠP ink Ġland ed Dim ension Scroll Pane .ch at .W ith ĠTr ain ] .Ċ Ġth irty Ġdur able Ġl d Ġlate init Ġch arts Ġins ult .F atal _ ct Ġm asks CLU DED Pres ident Ġcol ours g ments .at tributes ĠF lex ĠC lock ÃŃ cul im en J O ĠReg ex _L INK Ġc ouch ĠIN PUT Ġbe ating b usiness pre ced . unit ĠF el N ever osp el .start swith ĠE PA . only Ġprevent ing y er Column Name Ġelev ation fl u icy cle Ġoff line Tool bar Ġcompet ing ) ]. Ġm og Ġis Valid As k _ av _l at AN C ĠJ oh k ers Ġgu ards Ġch ains ĠSimple DateFormat .st atic Ġvess el Ġm ud Ġst abil Ġst ret g m am ation ç ľ -w ith Ġro s _P A Ġresult ado Ġconf idential ĠTok yo ĉ using ĠMath f omb ine ĠESP N Ġdeal ers Ġdismiss ed TR Y Ġte ens rec ords Ġw ings g allery account s _L IB Ġj acket ĠNS Object Ġst ones ĠDel ivery ĠD iet /w atch Ġto ilet ĠG uest .d ay Ġint val Vis it Ġinvestig ated Ġpent ru ĠThe atre andid ates L ang ĠS erv Ġcont rollers Ġset Title N P am y fl at ( ui _d ocument è ĥ½ ĠC oin ĠAd ams pt ic Ġproduct ive Ġaccompl ished čĊčĊ čĊčĊ Ġdefer red ient es Ġs inc ol ars Right arrow Ġvari ations ( offset .Layout Inflater Ġsus pend Ġprevent ion _pr ivate _ js âĺ ħ Ġw ieder at um Ĵ Į Ġappear ances .D ocument Ġvalid ates cal endar } ";Ċ .d emo con ut Ġcorre ction ĠDe al Ġbatter ies .d uration , \ _m arker m ulti Ġh alt Ġc ms Ġsh aped B ro re duce Ġ #### CT OR ĠBen ef Ġicon ic Ġp iano Ġeffect iveness | .Ċ Ġa jax Ġv olumes ภ¡ Ġcl js ĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ċ ath s ra its å¤ § Ñ ĸ _m ult Ġfasc inating A verage Ġpr é ĠChair man .find Element _p in Ġcomp aring Ġdark ness -F i - server Ġselect ing ster dam ĠPart s FORM ATION Ġnot ing Ġp ile og s Ġpa lette _d o it ize () ( Ġdef ining Ġremain der Un its _T ASK Http Client S ocial Ġfund ra N R ch est C urrency .ad apter Ġd op un ting ANG UAGE " He ĉ index _p ackage .I con Ġrep et m ass =" .$ ĠS ud Ġl id pro vince ì ľ G PIO Ð ļ ĠMy SQL Ġdoc s ĠG A Ġip sum K ernel Ġaccept s Ġfit ting Ġcu ando Ġd uplic ĠBro ther ĠK le num s Ġmor ph Ġ ######## ĠCG Point < unsigned ä¾ ĭ ĠD uke .set Bounds q s or ic j er Ġregard ed Http Request Ġbond s Ġthorough ly enc ent Ġhighlight ed Ġac res Ġwork place ĠL ux Ġqu ot .in flate Ġdocument ed Ġadd iction Ġmut ation .c ity Ġbott les ĠRepos itory on n err no ARI ABLE åº ¦ _B EGIN gl as ' })Ċ ĠMass age ĠWh it reg ex W A Ġout let - head Ġexp ired ĠTh ai / include grad ient scan f Ġse am w al ĉb uf B earer Ġprec ious if acts co ord Ġexpl oration .get Y (h andle Top ic ĠV ent r hs ---- --Ċ ĠB right Ġg uild m other st orm Ġmunicip al Ġin k .T YPE w l ... manual ĠTechn ical Ġcorpor ation ĠH W ank a T AIL ist as Ġperform s ĠBeh avior .F or _ ORDER ĠK ick Ġcallback s _d r ue go h ub uff icient sk y Ġb p ht able ĠON LY ĠAUTH ORS .Arg ument " };Ċ ĠTh under ĠK om .Sh ould A UTH ah u _p ayment Ġst arter ìĦ ľ ìļ © B log .p atch Ġgovern ed ass y -f ound Ġthe ater ĠFont Weight ĠBat man " If .R andom _d elta ĠC E Auth enticated Ġdr one Ġc ous r adius M er ( None ĠN J _ headers Ġam er py test ĠA ctions ĉĉĉ ĠĠĠĠ Ġet t Ġh oly Ġun comfort ĠN in ĠDec imal ĠM essages .s ender ] ])Ċ Ġembr ace Th ough / sp Ġcult ures Ġhigh way t ar .f ail _h idden ĠcomponentDid Mount ĠW right Ġj ag _ il ../../ ../ ig u F ood Ġa ce Ġa ños US D Ġmut ual Log ic Ġtem ple Ġbrief ly ĠT rip class method default s Ġch unks ,, ,, ĠRe ason $ id -up s Ġdam n Ġtruck s Ġun limited Ġsc ulpt ĠC ards Ġaut or ĠTest ing Ġdies e sh ops ç ´ (p ayload ĠP ATH ĠMem orial Ġridic ulous eg ree -w inning Ġre hab Ġsophistic ated wp db ĉ path ! ";Ċ _S YS .s peed Ġso ap s uffix W rap Ġenh ancement à ī ú b Ġplay list Ġmix ing ant idad =" ";Ċ ĠRev ision ĠBe at .in c -w ay enc ias ul ers C at id el ĠSh ip .set Color Ġthreat ening .mod ules Ġafter wards ĠD ashboard Ċ ĠĊ Sign al Ġpr imer orne ys ici ary Ġl igne _p redict Ġa est _ https > : ĠL ex Ġrencont res eg ral sc ala _f amily ÃŁ en _s ym Ġuncert ainty ĠVAL UE Ġ} ;čĊčĊ Ġbro ader Ġh orses ãģ Ŀ ĠK al ob a _IN ET ĠK ill j query am ination [ @" Ġm uj ## #Ċ First OrDefault then Return C he / footer Ġpark s as je ĠG ulf Ġmod est . Init ï¼Ł ĊĊ Ġpros pects Ġs vg Ġå ı .D ialog _N ET Ġ( ($ Ġe k ĠW arning ĠM K < LM Ġ' čĊ i em h etic Ġi x th ink -sh adow ĠE ld ĠNev ada ĠLe af ĠG ROUP Ġprom o ent ine ĉ Map ĠModel s ĠK rist _k ernel -m ade Ġc err As sets ell ar Ġinv oked .v ue Ġcult iv C losed Ġgener ates ffff ff thes ize s qrt ĠCast le .c ar Ġke en und a ĠC row ĠSing h y thon Ġbe ans l arg æĸĩ 件 Aw esome unc ate Path s o ji (c urr CON DS Ġm im Ġshould ers H ard ast es а еÑĤ Ġconv ince de cess m ade ĠC MD . Im Ġcha os ens ively Ġcool ing Ġbur ied (' @ _S e ĉĉĉĉĉĉĉĉ ĉĉĉĉĉĉĉĉ .com pany .sub mit ph ant Ġboot strap _h elp à § .d ump Ġdif er _m apping Ġcirc ular Ġescort s Ġb ere Ġgrad u ĠLeg end im edia ĠBar celona Ġbed s åĪ ° ãĢ Ĭ _v olume Ġtremend ous Ġsc aling Ġp ins en as type param D ashboard render er Ġsp i Ġ& $ ĠSk in alm art Ġh ockey Ġ'" .$ Ġerr no Ġb ew Follow ing .M odule er able ĠM ilitary ĠR io _ available ĠSur face Ġst ab IF IER ĠL IST Ġd ashboard Ġcl usters .pl ugin Ġj ou ĠDec or F our Ġdel le ****** /Ċ ia z in de ch ing Ġget Item .Add ress ment ed A meric Pl ain Ġus b ĠPract ice _ ment .bl ue H int ÑĢаР² Ġconn ector Ġinher ited и в Ġinterval s Ġc ere Ġu d Ġin con .Ex ists ĠM ic F K (c ard .Set tings Ġexhib ition Ġon Pressed Ġrest ored eng u . def Ġrec v ." );čĊ enc oder ather ine ( dest az ed # endregion sem bl , M ob y Ġп еÑĢ .C all Ġattend ance -b order Ġaddress ing ê n ĠLe v Ġb ash ben ch C redentials Sp acing ( of _RE SET ig uous Ġcr uel Ġcross ed Ġle ur ĠG olf or rect Ġpack ets ĠData Set Ġpart ly SEQU ENTIAL Ġindic ation ĠS alt ac ia Ġ* );Ċ ĉ info ĠView Bag on z Ġeditor ial ĠA rena Ġs ir _ Static ( socket s u cho ose .m onth .M y é ri ; font do es Ġcon verter Ġsal v Ġl r Ġinflu enced (f eature ĠQue ens let t _M ON & amp Touch ableOpacity O FF Ġmetab ol ( iter Ġvit amin ĠIND IRECT aut om _p ublic Ġadjust ment Ġspecial ized w indows .add All Ġaccording ly ĠJ OptionPane Ġcell spacing Ġqu ad Ġcre ep Ġout lets }` )Ċ Ġpri est _TH READ ĠMar x ĠBy Val Ġc ual éĿ ¢ Ġtempor arily An n ke leton å ¥ ĠLO C au er der ive Ġbeh aviors as ename ĠCent ury Ġhor rible ME SS _ List we i P at ĠCh oice _F ROM ĉ line .in voke .B ottom Ġnow here ." ĊĊĊĊ _ export Ġstrugg led .Ap pearance ĠJ Button ĠJer emy ([ [ Ġkick ed mar shal st aff es ity Ġqu iz _e ffect Ġ} ));ĊĊ m el b anner ĠP IN Ġin vention Ġcons olid Ġop s ĠB etween j ack ern ational Ġsacr ifice ag ation ĠJ oy Ġam endment ĠS old Ġprison ers ан нÑĭ Doc uments ) ])Ċ ust ed ĠLine arLayout os o _E M .s elf .M iddle ) // Ġ\ ' Ġfuck ed ĠM urray Ġprof ound _E LEMENT ult a il ers port folio J une t cp mod ified ĠTr ace ĠK el aly zer ) => ĠRep air _B E Br and u art pre view Ġiniti atives run ning b ang ĉ update ĠCo ach R ich Ġy outube Ġrit ual app a ĠRobin son prec ision //////////////////////////////////////////////////////////////// //////////// =[ ]Ċ Ġcelebr ated OT O Ġin clusion J P ' ;čĊčĊ Ġnot able (_ . Man aged Ġgu ides & nbsp ated Route ĠAd just Ġcol ored _s cores ĠTes la _pro gress .in st [' _ .fl ags Ġf close _O PER ż y _n ote Ġtrans gender å ķ RI PT Ġabs ent Ġam et Ġoper and ë © Ġh ood to LowerCase av o ĠCirc uit ĠL ind -- }}Ċ = m Ġsup press ĠM AP i ang - admin Ġside bar ĠB u ĠH ex , F ĠSign al Ġtrans parency ĠFeder ation / V Re q Ġpul se Ġt ends Num bers % ' Ġde port dat as _U INT _ tra ok o Ġ" ? comp et sole te und ry Ġover lap }` ,Ċ . ly _sum mary ĠL ost .C enter Ġdis ability .Serial ization Ġge om Ġ? : ĠW o Ġsh ipped Ĥ æķ° Ġu gly Ġexcit ement Ġext erior Ġcheck out Ġk ur , D ĠAl aska Ġsyn thetic ĠB udget ĠSub scribe Ġ& Ċ ÈĻ i ĠY u ĉ query } .Ċ Ġtr aged ass en Ġaccommod ation Ġphys ician Ġren amed Ġtid ak z Äħ Ġmin us ny ch _EX CEPTION thread s Ġt ire _c reated ens ure Ġworth y Ġexc use Ġclo th .parent Node /pl atform ĠU FC ĠG tk un ny Ġg ibt ke ley h um (t x ĉ dev Ġout fit do ors Ġf on ic ut vol atile Ġhom osex Max imum Ġexp end Ġ});ĊĊ Ċ E q ond ers dep artment ĠPhys ics " });Ċ Ġpar ad .S tr Ġse le IF IED Ġdel ivers iv an Ġrespons ibilities Ġadvoc ates è µ ĠR ID .param eters M etrics ron ics ĠUITableView Cell A bsolute ip se yl um MLE lement _VAL ID < title D lg p aces Ġsynd rome be ans _d atabase oz illa ĠM eg DB G Ġl ub Bag Constraints ab ad Ġproject ed _BY TE .Size F st reet ĊĊĊĊ ĊĊĊĊĊĊ ĠLO SS Ġdirect ors / news Ġnurs ing ĠD one . HTTP dis count ĠR ot To Many Ġen abling Ġauss i ost a ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ čĊ è½ ½ Ġhel icopt ĠIn side ä¿¡ æģ¯ is per ĠAll ah ARCH AR Ġroll s Com pare X P Index Of S UM Ġass ured ĠPhys ical End point .G lobal .d etail Ġthe ft .j upiter Ġhum or .R ender A lex .c ap Ġbuff ers Ġdis pose t ion .p resent z el , P Ġdesper ate .get Column Ġtw in ì ĸ .c an Ġf lee ĠIran ian Ġstick y ĠU TC L T //////////////////////////////// //////////////// Ġl icensing _PO INT ĠM aps Ġl ol = models -t ab ĠN ash _log ger tor ch ĠCON SEQUENTIAL Not Empty / react Ġp f Ġassert ion Ġsubsequ ently _c an Ġpand emic og ue "+ Ċ _ ent _P aram .ĊĊ ĊĊĊĊĊĊ Res earch C apture Ġbel oved d em Ġextract ed Ġf ights ER C (a uth position s Ġrevers ed (st ack Ġ_ ) uto ff _fl ow ç Ĥ¹ ( Game Ġex cluded ĠCS V c g ĠT itan p ause Ġcer ca Ġdump ster L ess Ġkotlin x aster xml Ġpoint ers Ġfl ows ĠT un ĠMain Activity Ġdis cret Ġcomb inations vis it _b ind oot ing d ater _look up .n io Ġswe at ĠR d Ġscient ist ĠP ixel @ NgModule Play ing Ġunf old Trans late ĠLaw rence ĠFIX ME B ill ĠR IGHT Ġwhere ver Ġo ok vid ence Ġ] ]; ĠSk ill unist d ĠðŁ ĻĤ Ġfem ales -- )Ċ İ· åıĸ ĠF red Over all Ù Ĥ Ġess ence Ġthere by Ġw ounded ĠD OWN les son text ure R ound Ġautom ated ĠÐ ¡ ĠUp dates Ġsh ade p ublish ĠG ear = lambda Ġle ver ) +" h ill Ġrad ar ry ing Ġ" ). f illed Ġline up Ġd l Ġworks pace V o _d t ë ² _ Item NS URL . verify ĠHawai i G od M arch Ġ[âĢ¦ ] Ġpel o ur ious ĠPitt sburgh . It C lean > \<^ Ġi os s ound "] ; Ġfre ed rot tle ĠL ower [ count å Ŀ Ġp ale ĠWay ne ear th _c ategories U CK .m etadata Ġsum mon H OME олÑĮ з Ġmanufact ured Ġdo ck Ġcompet itors _MODE L ok ia ĠH ey Î ¿ Ġback ward ĠPO SS rop a Ġc ri _O BJ Trans port -h igh Ġerot ik _s lot Ġart ic _f ramework -ser if ĠSql DbType ') ( + "/ Ġw ore S il Ġst oring ĠPh ase u ant Ġb ump in ho Ġd ign Ġback s q q (h ash Ġge o Ġt ender Log o ! )Ċ ĠM X ĠAr thur esso a _C h Ġbed rooms ="# ">< Ġth roat ins ic .int eger Ġpr imitive Truth y Ġfacilit ate Ġcreat ivity ĠD NS Ġg ra ue z Ġcount less ĠPol and ' M ĠD ist Ġv est Ġcert ification á» ij h eld ext ensions ( static Ġgr ades ĠU ber ãģ Ł Ġ[ ])Ċ dat os Ġget Data ĠCh arg ĠB S .m icrosoft .v ideo .d irection ->{ ' l ua ape st Ġbo iler ere k Ġdec ides .j ar IS C ĠW ords (C ON EMPL ATE ree ze sh ots app s unt ed .set Name :: < -b old ê ² å¯ Ĩ Long rightarrow Ġunf air Ġear ning Ġsh elf URE MENT Ġid le _M ENU .C ustom AG ER - " _s witch b ecause ) view m are _ condition ĠStart ing M vc (p re d ump _LO CK at etime .c allback ĠC er op ol ib rary Ġres ervation ĉĉĉĉĉĉĉ Ċ lect or grad uate Ġgener ous Ġ ion ric ao m q _com plete (c ursor ĠForm Control : center Ġsub stitute ĠPl anning Ġp ension Ġrecommend ation ĠT ags Ġg ef Ġalbum s Ġwash ing ro c Ġtr ains at ings Ġex ponent ack bar - ln á g .Data Annotations ĠE IF ĠMalays ia ĉ PORT on us Ġcle ver Ġpe u > ĊĊĊĊ ĠArg uments Ġdebug ging ( right ' D com pute Ġfin est OR AGE Ġspect acular ph rase Ġind ia Ġlegend ary b irth Ġcom posite Ġg rows ĠT D Ġep id Ġlaunch ing ] ][ Min utes ĠCh a Ġclean ed Ġwitness es uk an ĉ Type Ġhab e par agraph ĠJ Panel ĠH ann Ġvar ied ĠP okemon ĠM UST åĬ ¨ .vis ibility op up ^ [ .exp and Ġ" ', .f asterxml _ auto ĠShe et mark er Par cel ew s ĠStr ategy -m aking Ġun ve Ġtrail ing Ġclick s ĠGet Component ĉ content IG ENCE ERN EL NSMutable Array Ġb reat Ġharm ful ¶ Ī Ġbes ides Ġb oring Ġbrut al v ang (p arse qu ick Ġpy test Ġswitch ing () ]Ċ Ġì Ħ L ER ĉf ont Ġnet t ) ]ĊĊ (/ \ æŀ ľ to Array Ġbre ed ĠC AR ĠWe apon A bs t ot Ġset Name apt ive Ġ: , Ġesc aped ord en ĠP ri th umbnail Ġdescri ptions / styles ĠPC I Ġal phabet astic search NOT E Ġc ialis ĠGr iff Ġpor que Ġprote ins pl ays Ġst ating Ġimag ination Ġfac ial ĠMe chan Ġarr anged _ used Ġarrang ements ĠP ipe host name Ġprov inc T it .Flat Style ĠS plit ĠLo ader .c c Ġclin ic ---------------- ------------ Ġb aking ĠEN T ne ath ãĢģ ĊĊ AN E .EntityFramework Core app ers . ic ĠNg Module ĠF ORM Ġ' ; -pro fit h w en emy ĠE ye Ġca ution t own Ġur ged ĠJim my ynchron ous -s ized m aking , { ] ', _ Object ah oma Ġactiv ist IN VAL ĠCom mercial ĠOr lando (t ab ĠØ ¨ Al gorithm Ġher itage Get Mapping Ġfail ures ri os at iva Ġt et Ġcar pet ( Z th ree Ġdisc losure . ERROR _c alled Ġd ial Ġoccas ional .E rr Ġfunc ion caff old Ġrele asing ï¼ī ĊĊ _ Value ĠV ari y ellow Ġstrugg les .c al ĠDak ota ĉc lose Ġsand wich Ġanaly tics Ġ** ) & # ĠJ os Ġpass ive AT TR Th rowable ĠM un ĠU int (dis posing ar ak ĠLe aders Ġaffect ing Ġitem View Ġeconom ics f v ๠Ģ .r b ĠOver all Ġwealth y Ġev olved nd a ĠH us re strict um en ĠA gricult ! ĊĊĊ Ġexp ires Ġspokes person int erval Ġà ¢ Ġque en (n il ing o He ap Ù İ Ġcompl ain S ym ĠCl one ĠR u ĠW ILL ĠCr ystal / content ing en oint ment Last Name av icon ĠIB M ĠDim ension an h icip ants ĠAn ne .pro gress Ġal go ob il ĠV oice ĠF E Ġg li Ġv ed Ġprevent s \ Column Ġfol k ett i Ġm n ĠCL ASS Ġdisplay ing ĠK l ĠF err d uto . ib Ġd ados ' name -s pace Ġit alian Ġin verse Ġd ense ut er ĠI Enumerator -s ign Ġnation wide Ġperson a Ġsol ved Ġdram atically Log out Ġgr av Ġanalys es ol lo Ġl amp . team ĠE rot = [" Ġd ancing Ġ?> / Ġc ater ff e ĠSh a ĠB os ĠRE QUIRE ĠMon ster ĠR B ĠI DE Ġsu its Ġform Data ( theta Ġsp atial = NULL ĠSql Connection Ġ à ĠV enez ĠMor ning Ġpublic ations ĠNON INFRINGEMENT first Name ud s W ould _HE AD Ġinvest ed st able f red Ġcommand er SE S âĢĶ a an che ĠM ovement ë ³ S uite Ġjur isdiction ë¦ ¬ ĠB eth j Query ĠIs a Ġd ental , * ĠL imit ili ation =" { b ast Ġt urb is y O OK Ġadvoc ate im ag LE CTION л ÑĮ (c ategory .de c Ġun iqu _s n Ġattract ed Ġà ī ĠRun ning _ edges ĠDis able _A S åĽ ¾ Ġnetwork ing _br anch H aving toBe Truthy G I Ġcamp s se p -p art Ġ)ĊĊ ĊĊĊĊĊĊ ustral ia ĠRe ports rit o Ġwa ist _pl us ĠW W -p erson Apr il Ġs ar .t ar Ġagricult ural t ic Ġt cp Ġset Value agent o ĠAp pe p iler CA DE Ġan che atch er Ġcom ics Ġl bs _se gment '] =$ itt ers ich er G INE Ġutil ize ĠC ursor _ex pression Ġd ag < long Ġr hyth æı IJ Ġconsult ation Y et ")) ĊĊ _M AC c ould Ġ' \\ ĠV o ĉ http Ġg s ph er - grid J ames J ul Ġsch on Ġtensor flow ĠLOG GER am as Ġsc ipy Ġconv iction . ag Ġadministr ator )) {čĊ Ġn un " group P or Ġnur se ex pression ak y ĠHe avy . opt .get All Ġover l / ", _c ountry ç İ ĠG ENER _r oute ĠD al  ´ ol oad Ġuncomfort able (m enu Ġhost name ' ");Ċ Ġcalcul ations -c lick Ġprotect ive ãĤ ¯ _F orm ung s Act ual m f ĠProcess ing ĠIn ventory (m atrix app ropriate w eg ij a Ġch r Ġr ifle -w sj k ar Ġindepend ently I OS Ġconsist ency v n /s ystem ĠCh anges Ġexp ose ici ents Ġrel ate ĉ next è ¨ ud es Ġglass es F XML .... .. ĠP df Ġappro ve Ġ{ \ Ġexist e )) ( ARE NT оР¿ ĠL atest ĠNiger ia .Inter faces Ġrem oves En emy Ġen force vert s ĉ pos _text ure W ARD ĠINC IDENT ( container Ġdef ending ĠR X ĠH ook br is ĠFl ask Gr ay . )Ċ vis ibility ĠRedirectTo Action err al _e lem Ġres on front end _variable s ater ia Ġ+ " ave led RI X Ġdef icit _C heck YY YY To One sp y Ġun ited end ent Ġp ode ãģ Į C AT (f mt ĠBon us Ġre ck  º Mod ules Ġvac uum R adio ĠDAM AGE P en ĠPark er ; ;Ċ ĠRe ally _n eg p ending Ġnomine e ĠC ategories ĠUl tra We apon Ġdef ender I ss ĠG ender ĠD ress Ġimpr ison Ġbank rupt imension al PH A ĠStr ateg ĠPROF ITS Ġp atri //////////////////////////////////////////////////////////////// //////////////// de legate Ġfor State Ġdev oted _m ake Ġterror ists ĠS nap _n av ĠA A ĠI an ĉ app Pl acement _h dr < K Ġs ang st roke - Q > x .T ask m oney ib aba ' });Ċ ĠSpec ific ĠLine ar _O PT Hash Code ( Player .Contains Key Ġcoll apsed trans parent _R ANGE View er (c fg Ġsort ing Ġinf ected ĠN ach Ġaccommod ate .element s _P ART ĠSex y = get ( year Ġx hr : ] ows ki Ġsum mar Ġ ¿ Ġint e Ġwork flow ĠTai wan vers ions åı ij Ġsurprising ly Ġopt ical Ġpro ces Ġdisag ree Ġnue vo ĠC AM sort ed le ases ist le Id ent ĉ event ject ed Ch unk V ars .pro vider Ġproceed ings Ġin clusive Ġart work end ants ï¼ļ Ċ se en Ġl ig Ġm akers _f un Ġlength s Path Variable [ item ภµ De ad FFFF FF ĠUr ban up les ich en (null ptr .s pec , System UR ATION (j ob å¼ ı Ġtrack er Å Ļ ĠM R ĠSQL ite Ġd to Ġ; ;Ċ Ġm int ĠInt roduction ca o Ġquestion ed Ġf itted rev ision s q Ġm ig _un its _ async Ġf lick });ĊĊ Ċ Ġnot re }` , F ilters Ġm undo _d ays Ġfr m ut c Ġval s ew idth ĠGener ator ĠArt ist ĠID s ĠArt icles re ater ĠComponent Fixture . = Ġr ou - no .b ukkit eg g ĠD iff atic s Ñĥ Ñĩ âĢĶ ĊĊ ĠChar lotte by e Ġ} );čĊčĊ ĠV ik ĠB row Ġl v ĠG ib -w ing GL IGENCE (I l ĠEngine er .W ait ĠP ictures Ġr het Ġth ermal Ġpr aise < >();ĊĊ ĠSp ider P ause ĠB aker Ġsl ower Ġ} ]Ċ _en queue Ġdisappe ared ĠT icket IN UX _LOC AL аÑģ Ñģ @Inject able comm unity Gesture Recognizer åĽ ½ Ġsca les Ġ- ( / '+ ĠS it Ġexecut ives ard ing Ġad vers Ġback wards ĉ context ĠH amp ĠP F ĠDe ck ĠCra ig A merican Ġb ell Ġpro l uf en Ġr ng ar shal ĠSim ply first name sh ore J uly Ġmort ality ĠâĨĴ ĊĊ Help ers Ġbench mark em ade Ġorganis ations .g son ĠText Field Ġciv ilians .Array s ĠMiss issippi Ġinter mediate get User _cl uster Rel ative fore ign .querySelector All Fore ignKey Ġreason ably -------- -Ċ C ards ĠK am ĠTh or Ġroll er -e lement ĠC urrency dd ie ALL Y ĠR A Ġper met aa aa Ġhom ework ĠV it Ġm old ĠF er [ start Ġstatist ical Ġsc ary _H OME .B egin Con struct ogen ic ĠDEAL INGS Ġtamb ién ix on . ind ac re Ġtransform s ĠN ap .B lock uss ia pir ation ul ent Ġce il Cl ause na ire T ES Ġne at ST D ĠReg Exp per form : ) Ġun ions Ġs ublic Ġw inds lo ating g lich Ġp agination S kill App ly ĠOper ator ist ogram Ġqual ities C ross Ġde com ], " ĠJ uan .mod al .Ch ild ĠRog er STIT UTE :CGRect Make a lette Ġst a as ide Ġbl ur ĠW a if etime re ed control s Ġb ins Ġп ол */ ,Ċ U IS ĠR ou ĠDem o - awesome ĠCh ain Ġh asta ĠB art . KEY Ġvend ors nof ollow ĠD est _b uilder Ġarg ues _ answer g oto ĠRES ULT ĠM ON Ġp oder o ons _C ASE Ġrep lic Ġfin ancing ĠD ATE c ern _tr ack t ies / logo ĠNE GLIGENCE get Type > T b et g irl ĠINCIDENT AL -s ite .tr igger ĠL isa _input s Ġrel atives Logged In Config ure I K . accept Res ume ĠD raft Ġ* >( ĠW A ed ian ern ess ĠLayout Inflater */ čĊčĊ oth y Ġoblig ation Sub scribe Ġth umbnail ex ist Ġins isted ĠU ICollectionView ĠAng ular Ġtable ts ĠImp act ãĢį ĊĊ ah o Ġcharacter istic g d Ġ= ================================================ our t ` . App ro Co ordinate Rem ember Ġmar ine ] ==' ĠAdmin istrator .get Default Ġforg ot ĠStruct ure V ue ars ing m oment k w _c ursor Att ack Ġath letic Ġdiagn osed Ġend e åĪ łéĻ¤ H ouse ĠP ARAM Ġw iki ĠO pp Ġcons ervation Ġs nd _t em sub str ĠC ape .s im UT ION an an âĢĻ un Ġg y - work Ġcomp elling =' # ĉs ub Ġdirect ories íĬ ¸ Ġtouch es out ines .C ollection s chedule .l at ĠDo ctrine CA A ĠRe fer Ġshift s Ġlik elihood pre ter ĠF emale Ġinter cept Ġl ou çĻ » Ġr ug ĠC rown Ġ************************************************************************ **** - product Ġprompt ed ung le d ocker ĠT u ĠUn ique _ Error ul os Ġâ Ħ Ġ( ` Get ting _s cal ĠEn h ü t Ġsust ained Ġp atches Ġpros per ĠG aza _l ight Ġin cons -------- Ċ ĉĉ ĠĠĠĠĠĠ S F C N : ";Ċ ĠColl ins ( *) Ġcomp ilation '] čĊ Ġcon sequence , ... Ġd m ĠB LOCK Cl uster Ġsk i (arg c T uple Ġjo ins ĠSher iff W ar ind i Ġcomment ed H OST Ġinv itation apan ese Ġperm its preced ented _z one ĠA my _R D Min imum Ġinv ocation .en able icht en - owned " id _PO INTER F ac Ġspecific ations Ġnom ination Ġg p < ( Ġrob ots ĠJ erry Ġhold ers Ġw and c ms Ġ} ))Ċ .To ast ĠI List B ased z oom / style ĠBe ck M en Ġcontrib uting Ġund o ĠO H Ġadd Object Ġe igen sign up éĶ Ļ Ġdist ant PAR ATOR ĠM ari Ġm á E mp ó s Ġì Īĺ ev t + j p ark ĠSt ay ĠD un Ġso y > % az ines Ġti empo (m e p resent .Th is Ġedit ors F IELD .W ork ĠUn iverse Ġdr unk .t imer Ġalter ed ĠN ar ëł ¥ .Act ive id or ç Ń .delta Time Ġawk ward & quot ĠSaf ari Ġtr icks MENT S div ision Ġvary ing ĠHigh way Ġphotograph er ĠSt ewart Ġlast ing .P re .amazon aws ĠL uck .D escription ĠN az n eg Ġc ó <<" \ ĠSur v ĠU nc Rec ipe .Border Style Ġmod ifications - at AT FORM h dr ak o Ġsublic ense ĠJ ump Ġbe im ĠMan hattan . bool _h w ÑĤ ÑĮ B in Ġg ateway " ": ĠU IS :" + - def ĠReg ular / testing ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ string stream Ġdis par Ġmob il - read ĠAd apter ĠCh ampions Ġsched uler Ġk ills ĠM ultiple ir ror Ġgod s AD O ak te ĠUs uario .c ircular Ġre cept ĠEx pr Ġelder ly Ġnic ely Ġbest e W ant Ġclass ical .s prite obj c ĠM ason Ġsist ema .Bl ack es o ĠZe it Ġdiv id Ġent ers _sub ject ĠPlan et .w arning ĠG ram _t okens Ġhousehold s _c ustomer user Name c ross Ġp ione Ġass ists _S M ib o Ġlo yal Ġuse less # elif ĠUlt imate C ome g el Ġd ich xy z ik el ob ra _s can ĠInter ior ĠN ice Ġpl ac ĉt arget Ġvir al ass o () / und e ĠAd obe O s vis ited ĠO W ĠFe ed ĠSe quence Ġman ages in son ĠLouis iana { }) ĠH ab ĠL D Ġb ip pr ites (e lem .h ibernate él é Ġoh ne _trans action Ġann unci P ublished ĠH onda ĠT am ĠP acket _ selector Ġchalleng ed Process ing -h over Ġtr ainer _c ancel ĠNS Dictionary ab ric ĠM LS _s ensor Ġshr ink ĠF X th reshold ĉH X -m ark ` .` S cheme (f ull _w riter ĠS ys Ġf led ĠC in -w idget ĠPre vious G ender _ question Fe ed Ġscr ut (p refix ãĢĤ ãĢĤ Ġin fections Part s Ġhier archy _DE LETE ĠPat ient _p ay Ġprom oted Ġì ĭ Ġcivil ian Ġagricult ure ĠP iece Ġst ance uts che Ass ign .A CTION F ig _r adius ĠS ync du cer f ailure ens ed pt ime B M _dat etime qu ivo QUE UE èĢ ħ Ap pear Ġsum mit : void Ġv ine è® ¤ on ne _TR ANS .g reen _ cc Ġhung ry Ġ" > () );čĊčĊ Ex tract iz ens Ġsol ver Not ify Ġeng lish ĠSh opping inter faces RE Q Ġil leg ĠUI ImageView Ġdis connect ĠUnt il ĠConserv ative @ Column Ġshift ed Ġ: čĊ Ġf ich Ġd la Ġsh oe "), čĊ ular ity _RE SP We ather UI Application . iterator Ġag ing .P arent ow ie (e qual ĠCon v / default Ġmeas uring .pre v .Is Valid .F at Ġs Äĥ key words with out Ġso vere Ġex changes Ġm elt Ġis lands ĠInt egr Ġjump ing Ġg le Ġjournal ism Ġd ated Local ized ĠRef resh Part icle Ġa a ĠSTR ICT Ġb od .Pro cess _A UTO ĠP ublished e very Ġtechn ological ls x Ġir rit Add itional Ġdel imiter _l anguage - area bo ys ĠT ube Ġw at Ġmechan ics _ owner Sp ell ĠSt ories .Append Line Table View h em st ick oll ower I FF ĠU V oll ision S UB Ġcompar able Ġdon de s ales ll vm Ġ} ],Ċ OTT OM ĠPur pose L ab Ġinterview ed o is as il .set Id ĠIn struction -- > ĠMod ified ation ally ĠMe eting è¯ ¯ # region Ġrout ing .f ocus ĠYou th < D ĠN ag contact s Ġform ing Ġm ie ',[' ../ ĠB P Ġapp et ĠTe acher ĠT P Ġann ually outed EventArgs ĠSpe aker Ġre name CF G (" // æİ ¥ /p ages Ġpr és ĠSp ell .All ow ĠINT ERRU Ġ( # âĢĻ ĊĊ _G eneric .im show _t im - face (& ( atin um Ġrevolution ary ĠH ours r ain Ġany time Ġab b .j sp Scroll View ĠTr uth Ġanticip ated Ġacc ent . checked Ġspec ifies Ġca f Ġcell padding Ġcook ed ĠH ugh pe ek _R ATE Ġd orm / čĊ IV ITY .Cont roller (p art .con straint Ġinv asion MO VE Ġgl uc l ename Ġam en eng lish ĠSw itzerland ";ĊĊ Ċ pe st .col lect N ib ĠD ict ĠE mb (sub ject Ġoutr age Ġdec iding Ġsent enced F echa " A Ġqu er Ġfont Family Ġqu adr - Y _C ACHE Ġanaly zed Ġg aining ĠAgain st ĠSou l ta u Ġlight weight ĠT F ĠEffect s .T ypes .add Class Ġv egan é ģ .' " ĠExpl orer .d etect .sh ift Ġoblig ations last Name Ġassoci ations ĠTime Span un ter ĠF resh Compat ible P ub id ges . option var i .hash Code Ġg eb . section - not ĠSub mit T N reg istry _m edia Ġn aj ff t Ġm ate -th ird Ġp ockets est a Ġb ent ĠN ord Ġretail ers ĠMor ris ."" "ĊĊ W rong Ġ ÅĽ R ay . ec ĠB ind _H AND (n on is Valid Ġsimilar ly _L IMIT Ġdynam ics Ġdist inction ãģ Ĩ < N Ġor th ĠToy ota ĠK ate ĠL S or ie ĠSpr ings Ġf reak last name _M ULT -st ep " ( AD DR Ġentert aining _CON F Ġdec oded Ġst reak Ġwait ed Ġnot ified rodu ced vis ual .Layout Params æ ° es ian f its s pring ĠBern ie User Defaults Ġped est Ap pearance ĠW iki ĠNOT ICE Ġs sh Ġdur ante ĠZ ip ı r ĠNAT O Ġtw elve Ġro yal ï ¸ Ġmer chant ĠF urniture '] ),Ċ , X Ġfold ers ĠG ate ĉf unc p ick _us uario ĠV erm ment ion ur pose Ġalert s x ious _s ig ĠF u Ġ( : Ġd umb åħ ³ Ġaccur ately éĩ į R B -s creen ĠV ER j our Ġrom ance uc ceed . choice Ġad ip _d ims Serial izable ãĤ ĭ .j ob Ġpro g uch ar Ġg ently ĠR SS ict ured _ENABLE D ĉ label aw ks ĠEn sure rem ember ìł ķ Ġtrans mit {{ $ .Trans action ur se _rel ative Ġs ized ĠX X ĠPr incess ĠL arry Ġpr ó ĠÑģÑĤ ÑĢ Ġs isters estr uct Ġcheck point : length ĠCar los / icon _T ARGET T okens Ġpat ience ĠSe lected q ty .show Message Ġwild life ĠP rops b m - arrow Ġpar cel fire base ĠBen jamin cess o .t im ĠG arc . any ĠHOW EVER ĠK o Ġgrab bed _f rames Ġobject AtIndex ĠADV ISED Ġsub ur ĉ GL Ġ}) }Ċ -l ength ìĭ ľ ĠPot ter _b uff .g ui ĠEnc oding E lect -m essage Ġ � Ġ ÈĻi ĠArgument NullException а ÑĨи Ġmin imize Ġrespond ing $_ [' ĠInd ividual á c ĠIN TER Ġmast urb ĠB in (' $ ëĵ ľ Ġopen ly Ġ> < Ġun to olog ically ĠM ul VID IA Ġsl im ĠCommission er ( on Ġunder neath / db v ote ( Message ĠP ope Def ined Ġsw ift ur f Ġadapt ed SE L Ġreven ues Ġdiv ine = y Grad ient _ act Ġ/*! < Ġpoly gon ĠF DA ĠC arr at ables (std out Ġrefr iger Ġco ordin avor ites ÑĪ и Ġcompass ion ĠPOSS IBILITY - secondary ur acy Ġcomp romise _A V _ os Ġbes ide ĥ Ŀ Ġl n .pl ugins Cap acity al ah .b in ĠC RC _b alance Ġflex Direction Ġam bit Ġnick name ĠFor ces C LE ĠSh ell Ġs ail ĠW riter ĠA lice d w ĠInd ians ĠMar shall _S RC Ġnormal ized ĠJ ag ãĤ Ĵ ze it r pc ÃŃ c .in line Ġtrav ers _n umeric Ġutil ities Ġev ac IN PUT ĉ register M X ĠCamp bell Ġdatas ets Ġdem anded Ġinitial State g an Ġe i Un expected - web tr ait , Y ĠT odd Ġske leton Ġoptim ize ç¬ ¬ ĠU pon ĠSt Object Ġap lic .' P v ron . UN Ġpaint er izar re Ġl av Ġp om p reg = function ( serial ific a um ing åľ ° ãģ Ĥ - op U CH ĠH end .prop Types Ġy o Ġrout ines Ġcar ing S em Ġres erves Ġprior ities red its IST R Content Type ĠSch w / media Ġe str Ġclim bing - week cher che s ensor To Array ĠMont real Ġcloud s ĠInject able ĠR ice Ġpropag anda _pro vider Ġind oor Ġin aug Ġdipl om Ġmess aging _m ut å ¦Ĥ Ġk w ON S ari ans R PC ) ]čĊ -r ay ĠS or m all Ġmarket place Ġv tk M a og an ig i Ġspons ored ĠD ani .S EVER >' .$ m ultipart ĠW ol Ġtable Name ĠUser name Background Color Ġf right _E MAIL Sept ember _val s op ia Ġsp otted - Ch Ġdata Source / "Ċ ек ÑĤ ĠRequest Method ĠRe place -d o ah n ĠPh D ] .ĊĊ N ON g ement ĠTh r Ġquiet ly Ġtort ure Ġte as ĠC Y Ġa tr develop ment -d etail Ġlight er Ġarg uing Ġdes erves Ġcur riculum _CON TEXT ÅĤ y H ITE ĉ ID / uploads Ġt its re o _d rop . UTF Ġpick up Ġgro cery ĠP ure Ġeas iest Ph il .f eature (" * Ġinvest or t ok Ġj ar L os âĢĶâĢĶâĢĶâĢĶ âĢĶâĢĶâĢĶâĢĶ . queue -s peed M al um blr ĠCON ST ĠH RESULT ĠD ance (file Path Ġattrib uted ॠį ĠB und co ins Ġs ão Ġp ir person al Ġpre lim Ġprop ose ĠT L ] ]) ĠSub scription ĠK re , len .First OrDefault ) -- _product s .Get Bytes Sh ip Ġenc rypt ĠS G ĠM yst h ir Ġiter ate Ġint end .mock ito Ġch apters ( angle ĠV lad è® ¾ ' .ĊĊ Response Body ĠAb d de al Ġbar riers -out line b ill ĠF alls _se cond . include . ceil Ġoccup ation ph ony .move To ĠJenn ifer AST ER ; ">< ĠEn abled Ġtermin ate ĠI o l ations ĠTHE ORY Ġear liest Ġr ack ĠSc ar sh ake ch ip Ġu v Ġall iance п иÑģ ĠGOOD S z ione ĠV I Ġ{ - Ġfilter ing Ġmis con .Dock Style Ġb ush Ġj unk æ Į ĠQ UE Ġhook s Ġfirm ware Ġmiddle ware d ic ĠOak land Ġarr ives P ayload p ixel ] | Ġstart Date .P RO _a udio Ġmid field igid body ĠSw iss ĠCl ip ĠD ump ĠText Box Ġg eh y ield od s Ġrefer endum Back end ĠC ream Ġdomin ated ĠArch ive Ġrid ers .prepare Statement Ġqu ando Ġche f w iki in el am pling (" \\ Ġs ag _pro xy ãģ ķ p do .getElementsBy TagName Ġdemonstr ation ĠN PC Ġarch ivo end ance Ġefficient ly ( actual .t ableView Ġm ush Ġbe ars _thread s j as ah un Ġne ural Ġdesign ing ĠG DP Ġlift ed çĽ ® ĠJ oint ĠIn clude ĠGi ants Ġwithdraw al ĠR ent n ative ĠSe ek gress ion _C PU \ S ĠSh ield Ġsol ic Ġbo om yect o Ġmanufact ure ĠâĢ ĭ Ġb box Ġearth qu ollect ors :@" % Ġlo ops J e alk ing ĠWh ats ĠBo ys . book ARG E _p ixel Ġsus pects Î ¹ us p ĠBM W ie ces (p erson å¼ Ģ é » ĠPod cast Ġb ou ( Item à » ( Input Http Get Ġb urg ) ^ BO ARD */ , Ġg ulp ĠB enn Ġdeck s .status Code Ġac ute Ġh ug ug u Ġp led ," % h ape Ġз ап ĠMain e .re al Ġd alam ĠMin or .F loat dis p Ġt l Ġen count => $ Ġf g te es ĠRec omm ä l Ġchem istry Block s O ID Ġfore x ĠApp end Ġ{ * ĠSup ply CG Float (b l Ġat e ador a Ġg ust Ass oci > .Ċ F ETCH .s erial widget s ard less ie fs _F ULL ernet es ĠP red Ø Ń äº ĭ ub ernetes ĠL aura Ġl abeled High light Ġanno ying / update (d escription Ġintim id $ c ")) )Ċ .A P Ġ[] * ĠEX IT .H ost ĠOP EN .send Message _c amera _t ile Ġth erm onom ous Ġdis adv Ġna ar index Of ĠP P .prot ocol AF E Ġtext ures ################################ ################ umb ai .st ats ĠG E Ġi e ĠST D ĠM ann .ref lect K B Ġd ive .w av /* ---------------------------------------------------------------- / settings .l ifecycle Ġda ughters or us ub er N ING st ri ĠT ip Ġz n Ġswitch ed in et uff y ĠTransport ation ( conf fr ica ĠX L ĠLe ad _per cent < Map Ġthr ust or b ik k Ġtra uma Access or ĠF it ĠString Buffer ex pl (s creen Ġaud iences ĠO PTION _ round [ node be h -> __ per missions ĠD etermine .M an Ġadv ances . InputStream Ġstrong est Ġe Bay Ġ# - Ġdir name ĠS MS Ġmedic ations Ġam ended Ġchurch es ĠImper ial $ row ĠMad ison ĠIn sp Ġaff air Ġpsych ology v h Ġsever ity âĢ IJ Ġstri ps A H vert ising Ġcon se IM AGE ĠSt ats ĉs c .C ursor Ġfree ze ss on (x ml ĠSus an .t ile ed ed ĠĠĠĠ ĉĉĉ uel le ĠMitch ell b ased Oper and ½ æķ° ĠF F ĉstr cpy ounc es ild o .execute Query Ġapproach ing ĠSe ven Ġn uts Ġr ic ass ignment Ġcalcul ator ĠMur phy ĠB ou í Ħ Ġbut t Ġt icks Project s il ib .text Color m ov _log o ( template ĠIN IT Ġimage View scri ptions OR ITY Con sumer Ġun precedented Ġtour ist Ġbr on Ġcontract or Ġlic ence ĠN am æ ¯ ( transform _AT T P ref ĠG am Ġvess els Ġh av L ater .To Lower Ġurl s Ġbreak down Ġpen alties Ġf oster ĠU E Ġcl ue com ed åIJį 称 -m ain Ġp ts Ġcount ed ict s / post Ġget attr Ġp ing ANCE L Ġp ec Ñħ од ant om ĠBlue print ĠEvent Emitter Ġl ä æ ² Ġstr aw ( comp ' une > N - client es Module -b ase Ġret reat _s imple ĉĉĉĉĉĉ Ġ fe e ') čĊčĊ Control Item Ġsubscri bers ple ase ĠE ff Ġp ound ĠBy tes ĠTe a _ activity Ġmax im Ġop code B SD . constant ; } omb res Ġcare ers ) .ĊĊĊĊ Ġsp reading -exp anded ĠOr d amar in Ġmob ility Un fortunately ak k N L _ redirect ĠP G ĠS ensor b ol t ap _MEM ORY ĠUI Alert plit ude We bsite ĠLog o lo ve [ ind Ġalto gether Ġwonder ed Ġes per ĠLib eral Ġo ss Ġel it Ġst iff od ox _ment ions ĠDou glas _p id ĠC K ĠinitWith Frame .b log p kg ang hai QUI RED u u Ġm kdir AT AL Ġun h in ces st h Ġhypo thesis Ġc ata ĠT B ĠCl ar Ġpre decess Ġsitu ated -w orld )) / Ġhead lines .st at Ġout break sp ath _FLAG S ĠServlet Exception S un F ROM ĠD ir ãĥ»ãĥ» ãĥ» _co ord ĠOpt im Mon itor .b it XX X Ġtod as f eld ÑĢ и im ir Ġpolit ically Ġmolec ular Ġtrad ed Ġ{{ $ ĠSw edish Ġ'@ / _RE AL Ġw arehouse t oday , L or p < section - br ym e ĠUser Service Ġlib erty Ġmoment o ( Image < size S ch Ġj og i ology arent ly Ġquant um ĠAb u Ġr im Ġman a Font Size Build ing st airs AIL ABLE Ġ& ' Ġs ect Ġs igh (b atch .I Container p oll ĠCor ps Î µ ar u ĠK ay .r ange _click ed ĠRobert s .N etwork fin ish - Man Ġcolleg es ĠF ine ")) ,Ċ f ilm Ġrem inded Ġgest ure out il Ġthread ing Ġobj et Ġt ours activ ated .m kdir = user Ġre de f ü _SY STEM p v Ġcon gr Ġmass asje Ġpract ition Un iversity Ġtab index Ð ĺ S ets Ġcount ies g uest f an Ġword en .d i на Ñĩ  ¿ ig Decimal Ġsh ore Ġg ö Ġrep airs Ġhelp ers Ġcenter ed OL LOW Ġmap StateToProps Ġc ents < A Ġexpect ation Oct ober Ġbg color ca les .C ON ĠV el Ġcry ing -se ason Ġfunction ing _LOC ATION ü ss ber y Par a omin ator - le Ġeth ical has htags emp lo Ġn úmero ( activity .St op .str ftime IL D Ġto e ĉ Node ") čĊčĊ ĠPu erto Ġexec uting ĠG UID Ġoppos ing al ph Ġexhib it _fl ash Ġme ille Ġjson Object H ero aint ed _D OM Ġw il Ġslo pe Ġm Ã¥ ĠIraq i Ġorgan ize ĉj Query H UD sh ine . we ĠSk ills pons or Ġcon clusions Ġre forms Ġrel uct n amed ĠOl iver Ġ// }Ċ - looking Ġf og ĠH O ĠF ried Ġinev itable ĠData GridView H our il les log ical Ġconnect ivity .tw ig ĠK yle (d st - Sh ĠStud ios ( Level .j et _PRO TO -de coration OT HER Ġread ily .Param eter Ġmultip ly ĠL IB ar med Ġsoon er æ Ħ _ ES Ġfoss il ĠA nc âĢľ This l odash Py thon Ġhist ogram west ern Ġinf ant Ġco ordinator Ġn ib : m Ġres pected Ġdef init & T _p ad ĠTr igger th al Ġimage Named Ġbeat en ĉ rc ĠPal ace Ġhaz ard Ġisol ation _ rc cont re OUT PUT Ġre ign ĠPl ate AT ES Ġfl ux Ġpack s .get Selected Ġparticip ated Ġneed le -de pth :::: :: -l aw ins pace on itor = no ĠAt omic ĠBr ain Edit able -s c red ential ĠP erry k ie Ġ ----------Ċ .st roke ( Intent Ġun ity um lah F urther Ġpr ze Ġs ø ãĤ Ĭ ĠPROC UREMENT ĠH ousing Ġatt orneys Ġcomp ose atter ing " What dra ul Ġstraight forward In stant .J TextField Ġtr ades л а Ġ{ ! Ġl ately IM G ĠA ld ĠIN NER Ġcart oon .S ource F ALSE Ġd ough f en ( rect Data Table N ick ĠBut ter read s _com ments EN V ĠConnect icut -F IRST ĉĉĉ ĠĠĠĠĠ ach i .M sg re ction Ġrelax ed Ġsha ft Ġe f ĠAdd ing Ġbre ach Ġ ï¼ļ ram a Ġconduct ing Ġ( ; (g l ĠCA USED ash i ĠF LAG ĠCom merce ĠIN TEGER h ours ĠSchool s Ġn ucle Ag ain pro j Ġsevent h EMPL ARY (m ock '] ,čĊ _S PEED > false Ġsp a ĠN ear ì ķ Ġintr ig _m embers w ave Ġanalyst s _O S ed in ĠF ri Ġretrie ved Reg ular _ obs EX PORT ')}} " " class __ (( b ucket Ġst ro ĠP atch yst ick ful ness ap os D a ĉĉĉĉĉ ĠĠĠ Ġen rich un ordered h ole C ong < Product ĠC urt ( the _l ower Ġavoid ing Ġbu zz Ġv iable ub a - is are l Ġact ed -d etails ภĩ ĠThe ory ĠP un ĠAn onymous ... "Ċ è res åı ¯ ĠV ision _se m ash a Ġcelebr ity Ġend Date Ġpop ulate Ġcu is qu ant f loor Ġglob ally Ġcru ise ĠStan ley Ġb ikes .get Connection Ġpoor ly _ other amp ing ." );ĊĊ od i _A DMIN .color s ĠG aming > ';ĊĊ STR UCT Q R ID s (arg uments _a ux ( Event _PR IVATE ĠTre k Ġdownload s m utable _STR UCT (w x Ġdom ains js px ĠVi agra Command s J s .c fg Content Pane ĠEdit Text à¥į ठAtt ach ĠAR M posit ive ĠGener ated Ġse ized = : Ġelectron ics ĠApp Component / ',Ċ .equals IgnoreCase Do ctrine d isk ĠPolit ical CH O < F ĉ height ĠB ug . le ik h Ġmill iseconds Ġconstit u m ag .n l -r ange ang gal ', [ ropol itan Ġà ľ ĠU C .d esc -L AST f stream ib il Ġf ier VER Y Ġë ³ IR T _ UI ( abs Ġkne es Ġro okie ĠV ac are na comm end - \ ĠSUB STITUTE So ft Ġpart ir we alth è¦ ģ (d ataset ĠCl imate - show Ġreli ability _ch unk ä» £ _st ock ĠEX EMPLARY ï¸ ı Ġv ÃŃ Ġsm iled Ġdr ill .F unction ĠS I Ġreg ression - X ĠJ ar p ref ĉs uccess ĠHit ler Ġinst inct Ġfem mes Ġlo ver < Ċ Ġmulti plier r il Res ize ĠAuthor ization ĠK an Dispatch ToProps Ġc rops t okens ec n ential ly ĠINTERRU PTION f ake Und efined ĠA K ĠTest Case Ġr ab Ġtor rent ĠO t B ars Ġlect ure Ġen jo Ġrespond s Ġindex ed Of Work _ch ain )) -> ĠBeaut y Ġ` < Ġtouch ing Ġ| -- ĉf lag normal ize Ġtr apped Ġestablish ing /b uild A J f y - react av n RI PTION Ġk ut ĠF ashion ĠIn form cur ities < byte ĠUkr ain Ġs ug Ġconsist ing ood le . ctx .To List Ġcomment ary Ġtransf ers Ġn ost ih ad ĠU pper Ġconf using miss ing - cl Ġbound ing Ġcongress ional Ġreve aling d h r up Ġt res re peat , ĊĊĊĊ _t ac Ġexp ed G irl h orizontal Ġ"../../ ../ ( option Ġwe iter ĉs ql Ġ=> {Ċ Ġgar lic Ġre pr Ġrepl ies ( prop Ġspir its Ġins pire Ġbas ement .re ject Ġhint s Ġpoll ing ĉ ĠĊ _r ating Ġc ath av ier Ġcomp ressed ĠV S ] ' Ġjud icial ĠT rend tr aining EST AMP ogn ition Ä ģ SE NT vent ions Ġconsult ant um ph Ġuser Service , NULL k h D ear _B AD it ations Ġmet aph ' é and ise -f ont .ch art Ġs g _ Controller .j peg ĠUL ONG ĉg ame ( ss ĠM aj ĉg o ĠS ad ĠB erg ĠM ine P ack Ġres istant ĠR OM Ġp eg ĠStan ford ĠY ahoo Ġsca led Ġl an = [] "/ > ččĊ Ġs ud ĉ background Ġsch olars -m uted ar á Ġ= ==== Ġ__ __ C reat ene ver /w p ĠV PN Error Code ) ],Ċ (b uilder ĠEn emy S ensor us a Ġtr iggers Ġplayoff s _RE Q Ġ( ~ ĠBar ry Ġperman ently ĠR UN Ġb ure .Fat alf Ġch ick ĉ panic ps i ok a éĢ ī > [ Ġunderstand s ĠJun ior ĠIN FO = mysqli ust ain -s ource s erv ĠC REATE . au Ġsell s ĠĠĊ ĠĠĊ E urope z w pre h ĠNS A Ġx y ภ´ ĠB eyond Inst ead Non Query Ġar ise Ġavoid ed .em place _model s } ),Ċ Ġh id Ġ& _ .p oints .get Width .Ex ec Ġ// // ĠS essions ... \ ĠCol omb Ġacceler ation rest ore Ġ ile ob ic < Node ĠD X ĠBes ides . age ĠCont ains N ational ĠIm plementation Ġeff ic ĠR M H y ĠWed ding ok ies Ġrec ursive Ġprosec utors .Se lection ĠForm ula Been Called [i i ĠFr an Ġtraged y _F EATURE Ļ ¨ comp ass ĠB h ? ĊĊĊ .w riter ĠH our Db Context io v am on re pr é ĥ ĉf i '] ] ĠD ry . ro ĠO bserv æł ĩ Form er ĠB alance ĉ json Ġpr zy I SS ( sock ĠL INE Ġde ce Ġal ly Ġtend ency F un Ġschem es Ġinter ven æĺ İ Ġad verse quote lev Ġsacr ific _s ide Ġmut ex AG IC Ġocc urring ĠCommunic ation um ar ç¼ ĸ ĠTreat ment .p erson ĠL C Ġe ch ( (" ĠDise ase ä d ĠA Z .A ccount Ġcontinu ously END ING ĠRET URN - string .f ilename syn thesize Res ponder ( opts reg s Ġn uest Pe er // ------------------------------------------------ Ġg auge ĠK in .s chema Ġarr ange ĠBl ake _Type Info C over ĠHamp shire P aper -in ner util ity Ġcross origin F OR Ġign oring ĠD D av an Ġtrad itions Ġget String Ġeth ics ĠMaterial s DE SC Ġen zym io let ĠCh ip ĠMc Donald Ġn erve ç Ħ ") ] æ± Ĥ ĠS ugar _S IM j peg Ġdiscret ion ĠT N bo ve ĠMin imum ĠForm Group Ġwork force ĠExec ution err er ĉ ĠĠĠĠĉ Ġpres cribed .Text Align OP EN ĠP B im ity ĠEx ternal ° C ĠApplication Controller Ġb arr imp licit _d ot ĠCol on C OLOR .Pro ject * }Ċ pl aint get Text Ġindivid ually Ġcheck box U Y ĠL amb Ġdys function ĠL ar à ° ĠCre ating ');ĊĊ Ċ " They loc ations _C ORE Inter action umbn ails ĠPart ner b rit Ġless er ĠSl ot set Attribute ĠW ave .p o / store Ġbrows ing _p d sum e s ed Cur ve Ġpl asma Ġsusp icious ìĿ ¸ ĠB ah ĠExp licit _C C .Client Size \ View Ġsub stit lo on ĠG AME ĠB rid Ľ 建 _ User Ġsqu ares f one Ġsac red ug hs ] interface ĠTh row ĠK irk Ġemp ire Ġassess ed T ax ĠHe aven -b uffer _STAT IC én é -b ordered Ġpun ct (m ode Ġke ine S ent ĠCal cul ĠE ve Ġsty lish Ġoil s .Test Case Ġtrad emark Ġliter ary Ġconcentr ations ĠRel ations ( Class Ġstd in Ġv æ back up . VERSION .AutoScale Dimensions st arter Transaction al - panel St udio k c ĠCh amber ĠSpi el Ġr ho ا ÙĦ ! ' .At tributes Ġmurder ed apeut ic Ġint imate Ġtext Field ĠBuff alo d ummy " % ĠLib erty ob ar ĠT ank ĠPop ular erv isor ĠIn iti ĠM all ĠP rior C AP ĠCl ay ĠCert ificate .L ock -st rip -dr iven / all ĠMessageBox Buttons _SE CRET _p b Ġr ats ा ठĠn t .R outer _top ic Ġt ennis ĠP UBLIC ĠActiv atedRoute Ġ' ,Ċ Ġcost ume Ġj okes . Handle ĉ byte Ġflav ors ( cc Ġperson as ĉ image ĠN azi Ġgram mar Ġú lt Ġval ve Ġv ic ĠR achel _in valid P refs std int (r oute Ġhtml specialchars Ġpe oples pl ine Ġn v ĠQu ant opp ers Ġcurrent User ĠC atal Ġrecon c Ġconj unction l x amb urg Ġinflu ential d anger ind ers Ġ% @", .config uration os ome . identity Ġpick er n ost ĠDI Y Aug ust ab lo Le af ĠRec o ck o DO C ĠH erm : any ĠInt erview ĠT ex x fe ( work Ġle ap He ading Ġqu arters \ Bundle re b Per haps ĠG mbH B irth ĉ sum ĠWat son .n il ç ¡ { }ĊĊ ica id Get ter " name Ġ" čĊ _n one z m ac ute uest o Ġs ous Ġre build Ġnewsp apers ĠH az Ġk its if o Bl ur Ġsu ited - In à ¯ ĠKe ith ĠNor way IN IT ire ccion iet ies _us age ĠDou g r ise Ġtr illion im ited ĠR EL al ic Ġcritic ized the orem Ġce ase Ġsid ew ĠT erry Ġsubs idi Ġfirm ly Ġaw s Ġh ott Ġdress ing bad ge ĠApp lications è¿ ĶåĽŀ Ġlaugh ed Ġh obby Ġmus icians Ġ* . . placeholder Ġcount ers ĠCap itol SD K Ġhel met and box qu it Ġcriminal s Ġteen ager ( update G l .se lection Ġdis charge Ġpresent ing ufact urer _UN KNOWN Ġstress ed å Ļ¨ Pro to _cor rect ha us Ġren ov Ġfire arms Ġtechn ically -b rowser Ġc andy St roke Ġexec utor Ġocc urrence ĠIP v _INTER FACE ĠRetrie ve .b ad Ex change Nav bar ĠK id (get ApplicationContext _ST OP ĠB oss List eners Ġshoot er ĠAl b ä ch Ġp ix .key Code al one Ġabs urd ĠC um ĠNewton soft ik t Ġlaugh ing Ġcapital ism ree Node T x _QU ERY .S leep ( login Web Element Ġcelebr ating Ġde precated Ġma ar Ġart istic _ASS OC ĠBorder Radius ĉw p Ġsurviv ors In ner - red Ġprosec ution _ pp (" $ Ġcomm a un checked graph ics r ors G ROUND ( public Ġcustom ized ĠArk ansas ĠR ew Ġexp iration × ķ ĠC ul Ġn ons .F ilter Ġsen ator _def inition ash ington ym ph / J Ġf use ram id ĠSup plier Ġaut ocomplete Ġ} ), ." ĊĊĊ _function s ĉ to .e val ĠT Object Re ferences Ġhe ated H AL Ġ)) }Ċ } $ ĠB arr _UN IT + $ Ġget Value ip ed ch ied (v m c ue _int eger _c ourse th ird Ġrevis ed ** /Ċ _D IRECT Out Of (" ( ĠFe el Ġre ass Ġsub title per i n f Ġenjo ys Ġtreat s ) this -t abs anc ers Ġcontin ent Ġcard io S er . question Ġph rases Valid ators Ġpop ul Ġl ÃŃ s ong _IN TERNAL Ġadvis er Ġp uzz Ġambit ious ĠT ob ĠD P Ġpres idency Ġsurre nder Ġwatch es _b inary ĠSo on Ġcan ada (" ")Ċ ] =' ĠBr andon eps ilon r w .add Child .C opy Pr incipal Ph otos Ġmarg inal Ġbas ics e ing M ust _ String Ġo le M agento .c ustomer (p rev ภ¥ Ġlo yalty C og Ġprot ocols ĠCom panies Ġtheoret ical Ġaccess ing ĠZ en . ones att ice _w orld z es Ġtatto o Ġmen os Ġinter sect "] ;ĊĊ bel ie Ġin active .read line -label led .d one lick r ĠW ORK Ġderiv ative Ġd atabases âĤ Ĥ Ġs x .is Array Ġy s Ġp ada ĠBul let (` / is Active ĠCG Size (equal To ĠColum bus Ġmar ry DE V _l imits ron es I AS Ġt au min o _W rite ĠW ine Ġ[ [' ĠP ull rit ers ri ents Ġsh ifting up p _TIM ER ĠCondition s Ạ¥ ĠOr ders ĠSt rength æī Ģ Ġvalid ity Ġf ot et ur Ġb olt åĨ ħ ĠAl ong os hi Ġassum ptions Ġmag azines _S PI Ġp unt _PRO DUCT Ġrel ay ĠJ avascript . te - es Ġwidget s (f s < Item _ex tra Ġrecru iting E t Ġnecess ity p w Ġnov els uss els Cre ator ĠM VP ĠO C th ood cl ients )) * Ġcharacter ized _SE ND ut i T y .from Json @ Service ãĤ Ĥ Ch ris _ Is ĠJohn ny Ġclean er ĠInitial izes UN K ( axis еР· ie val ĠWar riors } )( DM I âĻ Ģ ĠTre asury Ġfe as Ġsl a _EN UM l hs ĠIn stit ipp ers Line ar Re ading quir ies -c ell ch rome .S earch IN A ç±» åŀĭ ĠĊ ĠĊ ĠSam uel Ġmill s Ġdon ate ĠGe o ( rows Ġshe ep Ġé l ä½ ĵ Ġb em _UN USED ĠR CC Ġintrodu cing att a ĠP riority ĠF B ĠSer ge > "; atch ing ĠKnow ledge ĉ The ; margin less ness op ard um atic () ));čĊ Ġf als (c ache Type Id éĢ ļ _ choice ĠGo th ĠS ites M G _b order Ind ices Compar er ĠRed istribution Ġclo set Ġvers atile Input s **************** **** Ġob esity qu iz gr a (g lobal åĬ ¡ Ġcollect or Ġk or ov able AD C ĠEvent Handler . nc Ġplay back ient os _p erm _W ARNING ĠOlymp ics .n orm ĠBroad cast _sm all dr ive . iloc Ġtyp ed M EM _con s DM ETHOD Ġl un .d istance (p ar po on Ġb ast activ ities ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ : čĊčĊ S ER ) && _l st ĠPol ish Ġknock ed Ġfrustr ation au kee Ġph osph iqu id _c oeff æŃ ¤ L atest ĠD ust T ipo Ġmaint ains Ġmar sh inc inn l bl C are Ġneighborhood s _g pio ĠAr senal D em ĠW he _h ook Ġl dc ĠHar per ĠBer keley Ġgrad uated Per cent Ġarr iving ĠAdvent ure (s cope (' * qu arter ĠMar ie Spe aking _code gen Ġimm un c aster ãĤ Į åķ Ĩ ĠDim ensions .rec ord Ġtext o ĠMich elle P ending ( by _P AR uch t be e .Th read amp ire k now ĠClin ical Ġmargin Bottom Ġdistingu ish .F ull . undefined ĠSequ elize ################################################################ ############ Ġeduc ated _O VER åº ı ĠÂł ĠÂł _e ach Ġur ge de part Ġdon ors ĠA u Ġbill ions Ġbelong ing _ age _ Int Ġsub stances m achine !! !ĊĊ Ġjson ify ib bean ĠC ad Ġend Time Ġc ycling ĠUIT extField Ġle verage Ġvan illa e at La unch ( pt st ates ĠControl s ĠRes pons ĠJ ake Ġas leep fort unate .next Line Size Mode ìĿ ¼ Testing Module G erman ĠInvest ig .re verse ĠB ACK ( DateTime Ġnon profit ĠEx pect Ġt anto '] ), ĉ the M ultiple (get Activity _W AIT Ġj á de cor lev ance ĠGit Hub min ation _qu antity .Sc anner ĠL ion éĶĻ 误 Ġd re Ġtan tra Ġcontent Type Ġf id _ alt NS IndexPath - pl åĮ ĸ Ġantib iot table s ac ial ĠReg istry Ġol ive ig ers Ġsubscri ber _p res ĠSy ntax Ġlo vers . Byte old ers _for ward al ways C aption Pr iv ĠT ampa is ateur -labelled by ĠTo String Ġì Ĥ¬ Ġinit iated W F Ġinstitution al in ject ĠSc r Ġdo ctrine Ġsp acious is ure ĠAn a " time ess aging Ġc id ĠN an Ġin complete T AG -b uild Dec ember Ġres idual (P DO ĠList en Ġg lyph Ġg aps ne a .R ect Ġsa u ĠPhot ograph Ġexec utable ĠExp ert Cor outine _s izes ĠN L .is Valid ); }Ċ - reg Ġc iting c wd ĠOtt awa ĠB att Ġrenew able Ġprelim inary Ġas ylum Ġw rist Ġutil iz Ġdet ention F ast Ġan ge incinn ati Ġste ering ĠNa N ios ity / page Ġè ¿ ster ol Ġdis g ( DB ĠDESC RIPTION Ġ_ $ Ġobst acle Ġb izarre Ġextr action _ex pected Ġlos es ĠCele br Ġhtml For Ġexplo it олÑĮз ов XY Z Ġmagn et amp ed Ġat oms S ources pect ives Ñģ ли Ġ= čĊ Ġd are ĠWal ter Ġbright ness Ġan notations ë ı is ke S chedule . images ros so Ġ" .. g amma Ġin structor Ġover write - am Ġdevast ating ĠSaint s Ġh s Ġbon uses $ output ij d (Action Event mon itor Ġmatt ress Jan uary .j p Ġcar acter Ġim pose _re st ĠSign ature Ġcoron avirus ãģ Ĭ _com pare Me asure it ated el ijk ig os es ar Ġrush ed met ry _SE PARATOR _W E _ATTR IBUTE Ġy aml Ġspec s ĠR ah ph eric ĠInvest ment ä ll Ġappe aling Ġview port ç © Ġmargin Left Ġsub tract ĠED IT ĉ ArrayList gr ading ĠF ailure as per EE K (n ow < object ĠAl ignment ple ado q tt ( ERROR ĠIN VALID Ġuser id ra ises ID I Ġvari ance ĠN il / delete _M AIN .T oken .C ategory > )Ċ Coll ision ĠGre ater ĠR acing al an Ġmon etary , new ĠS orry . Enable ĠInstant iate oll en ë© ´ ĠCall ing _h our AD A Ġsh y ) ** Ġ== > Ġes pecial Ġinterpre ted ! =" Ġpharm acy .s ingle ĠC ialis Ġpar as .to UpperCase ĠDem on Pr ime Ġrank ings Add ing _H ASH ĠEx am Ú © ĠVict or Ok ay "] ;čĊ Ġfort une ĠF ETCH exp and .Inter op Ġb arn æ ¶Ī ue vo Ġspec ulation âĶĢâĶĢ âĶĢâĶĢ ĠN u ĠBl ues (f name Ġinhab it Ġ\" % C ES ular io _c r Ġvalid ated Ġmid night ank ing Ġincorpor ate Ġpurs uit EX P pr ime P id - US ĠN urs ĠW heel é ĺ Ġin p Ġsupport ive .m ember ĠSh ot .Check Box Ġaff irm T or Full Year Ġconsider ably cred entials _ opts R oll ( round Ġcom ent _U ART Ġext ending R G result ado it u .get Session Ġattr action & D $ html ĠJess ica ĠAssoci ate a ñ _ ed ĠL ag Ġorig ins ()) -> add EventListener IAL OG åIJ ¦ .Com pare Al bum ĠK u < Q arg est Ġpro long Ġconfig urations Ġaccident ally _ph oto Ġ'' ;čĊ Ġver se B ob Ġfarm ing del ivery ĠM ack Ġuse Selector .bootstrap cdn keep ing en y . upload ĠM ETHOD cre ator < _ ĠE aster . -- UI Button ãĤ ī om eters Ġsh ine Ġh ogy \ s Ġh arness .C ell Ġlif ting Ġcomb ines ĠOcc up ex clude pat ial Ġres pir _f it Ġfif ty ĠM ol Ġtun ed -d imensional Ġq s Ġto ps > ";ĊĊ quis ite ch annels / res ĠAn alytics .app compat / to Ġon Error ( attr IR M Ġrag az - as .Se cond orient ed Ġdon n Ġlight ning f id ĠP le ãģ¾ ãģĻ t ro .Tr ue O bservable × Ļ umb ing Ġpros pective -f ilter Ġpurs uant (p oints .B ind Ġp alm clear fix ö s ĠG onz Ġwe aken Dr ive en ido l ld ob ox ane an G ot ä¿ Ŀ Reg ex æ ĥ Ġsal ad ass is " net inherit Doc ĠR V qu ier Ġcl azz ı ÅŁ oster one Ġair line .list dir Ġdownload ing ĠP alm w aukee & lt .B L _IN LINE off s << ( _new s Ġch ase / >< Ġeuro s ĠEgypt ian ĠSt ainless _BO OL ĠG uild ĠD ynam [index Path Ġ ï Ġmemor able ĠCh ampion Resource Manager .Log in ĠForm er yp ed Ġl leg ; ", D WORD Ġtax i Ġbom bs ra h .t ags _test s st ones âĢĿ ) [ g r type Ġv u Ġhost ile Ch ars ĠPatri ots / status < B ĠIn come ĠD ad Ġpat rol _CH ANGE Ġup graded Ġch ina set q Start ed .U ndef Ġcheck sum Ġfrustr ated { o Ġen f Ġwood s ĠAny one Enc ode ĠQt Widgets are as Ġshe er sk i end point _T est S oup ~~~~~~~~ ~~~~~~~~ (f iles ĉĉĉĉĉ čĊ .sp ark Ġval ued Ġ% Ċ .control s ĠXCTAssert Equal Ġf ame ĠR ic D OT ĠAlbert a ä½ ¿ os al .Web Controls Ġ ------------ ĠM is ĠS YS Non null = item Ġexp ire Dec ode _ operation ĠValid ator .C ENTER uff s * m Ġav ant æ¬ ¡ âĢľ You .per mission ... ) ĠL ic _co ords .n ombre c lo .Int ernal ĠCh o _s w ĉ Il cl k Ġcast le (l ayer p it Ġgu ided Ġâĸ Ī Ġsuper b Ġsup plements _c ent Ġpe ek IN ARY .Content Alignment f alls ")) ; W all ). čĊ ĠD anny irm ingham IAL IZ ( create " In Service Provider Ġpr iced mac ro am ac . box ---- Ċ ãĥ « ĠS uit ur st br u ourn als num ero __ ()Ċ D as ĠM itt ud er ? \ f u [ B Ġ: )ĊĊ (int er br ains Ġatt itudes Ver ify Ġsign atures ack Bar Ġg d J ack .c at Ġz z war f FT ER ");ĊĊ Ċ Al ive IC LE ĠWh atever Ġout lined s prite еР² _A B _DE PTH Ġcrush ed aa a (e v æľ º Ant i IC O is EqualTo .s un ic ulo s ale _h ex ĠV k apt or Un ion ĠDis count list a .Undef Or Ġautom ation N or å¯ ¹ åı Ĥæķ° Ġref lex ĠLa ure .showMessage Dialog .t emp Ġa kan Ġ__ ____ .Is True ARE D ag le E nergy Ġquant ities âĢĻ é ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ġcitizens hip m outh Ġin appropriate ĠOut door White Space An onymous load s webElement Properties T en Ġacc idents Ġadvertis ement ĠY emen (c all Ġsl avery Ñģ п ĠL am _BIT S ome ga ĠO le Ġkid n _A n ĠR aid Cre ation s aved Ġpro port W ARNING \ P Ġp wd Data Reader is cher ade on ĠP redict Ġreason ing Ġdestroy ing H el * d ĠLeg isl _P r ĉĉĉ ĠĠĠĠĠĠĠ Ġsymp ath Ġch ess Ġm am : hover Ġconvert s Ġp ela Ġprogress ion Ġ"_ " ĠG ill ĉ show Ġsupposed ly ac curacy el in Ġunf olding ĠHy per Ġw anna Ġup s ( # ĠCr iminal ( Point at Lng act ly Ġcontract ors '] } draul ic ód igo ĠT T ĠW ide ĠAR G _ ic FLAG S S chool Ġclear ing -be ing ={ [ , const man ent Over lay (' " éĩ ı ĠT imestamp Ġmail ing ĠC ake .Th at Ġmed itation q p Ġemp resa ĠL ions Ġw eld ĠLinked In Ġc ush Ġgen ome .Index Of ag ain Ġf allback Ġcamp ing re dd -strip ed Ġd v Fe bruary ĠPro xy us k Ġdies el W RITE RE AK L orem .In voke - div Inter ceptor ĠD H ia les Ġvill ages Ø ´ ĠEN V S ys .X R Ġpo em à Ĥ c ade pl ots Ġ{ ( .g it /s vg nc mp ĠÄ į ain es åĩ ½æķ° Ġ( )ĊĊ ops is ĠRel ationship _ aut ĠB omb ĉ com * sizeof off icial _p ayload ĉĉĉĉĉ ĠĠ .m anager ĠA round ĉs end ĠEx ercise ĠB illy iv i Ġneed ing _url s _t asks ĠH em Ġtear Down enc rypt .t ie Ġas m IC H ĠCGRect Make ìĦ ± ul ong Ġit r ĠG ST Ġoffer ings ro be EE E oper ators _PRO P ind ent A DE or f ë IJ Ġbless ed vas cular Ġcon oc H appy B ridge ilit ation j oint ĠAdmin istr - transform Ġmeant ime / K ĠBed room Ġrig id Ġbrows ers EM PTY .S erialize _ ED Ġst itch Ġj an ell t Ġbr ace Ġtr ails p ublished å¯Ĩ çłģ } ')Ċ Ġac ids Ġ! !! _d irect > ());Ċ aj Äħ _O CC Ġplan ets æ Ł¥ ĠDub lin Ġser ie .print f de ep ` ) Ġ\ $ ĠÎ ¼ _V IDEO end ors ĠC rypto F ar .Trans parent .T R ias m _tr aining Ġteach es ĠB elt Ġlimit ing ĠK ath ĠIndex Path Ġachie vements Ġser á interop Require Ġdis se .I f arm ing uls ion P o _DE TAIL Prot otype ĠC AL Ġagre es .v o .Execute NonQuery ĠTop ic Ġ' {} Ar m Ġe cc M ag Ġserial ized ĉ conn c ached = tf ĠByte Array prot obuf var char ĉ ASSERT Ġlist e _tr igger · ¸ Fe el T ahoma ĠL ik Ġstruct ured erg us .In itial _ ge cl js .cont act Ġand ere $ stmt _C URRENT ĠDis cover $ res form atter H a vang st Ġem erge ãĢĤ âĢĿ ĠCabin et -s quare éĥ ¨ Ġr age ĠA J ĠV T sh adow ĠFa ith en ames pret ty has il part y Ġvar char Ġf otos Ġal um ĠBelg ium .y label Ġde j _num bers Ġh u .set Adapter ĠUs ually (s ample .Sh ared Ġbook ed Ġ>> = Ġmin erals "> pro g bo o _m d _p ack (ex press ut z \ Auth , id ĠCh ile act ice Ġrecruit ment Ġpos es Ġvulner ability inst anc or um d ess Ġx l %%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%% ( fig Ġdelet ing .d el ) ')Ċ ĠWeek ly ?? ? (str cmp sm ith Ġpurs uing - so ĠApp s / 'Ċ Ġdec is FO RE Every one Ġl anes V irtual . attach ( Log ĠMed icaid ( Path ĠTurn er / application Ġport rait Ġopp ose check out Ġfinish es _M E Bar rier S ong V AR Ear lier rell a Ġh ast az ar Ġpull s ng x Ġinspir ing Ñĥ Ñİ -d irection Ġexplos ive Ġcreated At st o Ġwhe at ĠB uilt ' ai Ġtrack ed ham mad RowAt IndexPath _ heap D ue Ġconnect s .p ublish em u Ġbul lets B AR ol ate Ġintern ally Ġcatch ing -p assword ou ched æĢ § e ous Ġx range Q uality v v Man age ( ($ ac ements ĠBro thers ĠHE AD ĠUn supported s an es i ** *Ċ Ġadapt ation ĠWork er '] / .save fig ( trans Ø ¬ ne e Cor rect ... ")Ċ Ġsubmit ting -p ath ĉ last iss an .x label ĠS epar / no _b est ĠM ills _s ock (f lag Ġdest inations em ption ĠF AIL å ĴĮ Ġr p f act ĉ len D AY Ġse iz _d st l ip .Line ar ĠB asket $ t $ i - brand ĠNe il ĠE q Ġth ou og ene Ġscholar ship æĽ ´ Ġs wo ag inator en i ( book Ġbl ink th us Ġcancell ationToken ĠPalestin ians Ġprofit able Ġback pack ens on < Long Ġp ools Ġst icks Ġspokes woman Be ing ĠHer itage ĠN ike SH A ĠNotImplemented Exception $ core ĠR ico / latest ĠC zech ner Radius (l ines Ġsem ester Ġw ounds Pro cedure .m ail () ):Ċ Ġcor rid ter ed ĠN CAA Ġgal axy _k ind il k Ġtr as _P OL ĠH et Ġrefuge e Ġteen age .b inding post al Ġiç in ĠData Type é ĸ ycl erview , value _id entifier < b Ġout file čĊ ĠĠĠĠčĊ Ġcr é Ġrespond ents ĠBe ast ce led Ġinter f -th eme g if ĠR angers IT AL Ġauthentic ate Com pletion urs ors Ġcin ema Ġdisc our ĠJ aw OCK ET Ġpr ayers ĠL uis fr ag =[ Ċ Ġbr ave _p ose C ertificate - fe ifer ay ĠFl ags Container Gap ĠC rit Result Set ĉc ur Ġcorrespond s St aff .Http ServletRequest Ġneur ons ĠMain AxisAlignment ed ar Ġg ad _p arts ĠÎ ² Ġf x / files ĠB ros hip s Ġgluc ose Ġfar ms Ġment ally rest aurant Table Name ĠMer cedes . Visual Ġan ch inal g _r untime Ġpropri etary Ġintent ions iz i S lice ; "> true ĠNY C Ġb ored ĠD etect Ġapp ar Ġje ans ĠT ak I OD ĠH orse ( FILE ( ? ri que optim izer n at lo ys ĉ Token oub ted u ess oco a Data Member _P OWER class List Push Button ĠWi Fi . Stream .g uild Ġn og ĠPortug al ĠUnt er Pr imitive b oss ĠDe utsch Ġerot ic Ġstr conv .Try Parse Ġgr ams .S uccess _p k ĠHar vey -m inded .c ountry [] " Ġang el Ġbe ats ĠV or il io .m aster s omething ĠP ACK ( if Request Body Ġant es /w idget Ġmod o ĠA W find er Ġoptim ized Ġmiss iles N B ĉint ernal t ex ĠS ri Ġdam aging ĠM ais - Allow ĠZ h - alt Ġ ));ĊĊ è ī Ġinflu ences Ġc atal _REG ISTER ĠAPI s -cent ury Ġbi ology ĠAct ual Ġhe els TR ACE _D IG D ataset ĠM atter Ġclass ifier .w ikipedia ĠRog ers Ġdon ated raw ler en en Ġcas inos ort al Ġpr ive s pe duc ers . ep Ġgr asp ac ji Ġd airy Ġb uses .com m . ins ĠI RS ĠBe er ad c o ard _M ET Ġ' +' r ans Ġkind a ĠâĶ Ĥ ĠM aur аР³ Ġband width ib us ĠD ifferent (m at ĠRes ume _UN S est ablish Ġfon ction Sub scription _com pany Ġlight ly .con firm .y aml ĠBo ost Com merce - template _DEL AY ĠH I Ġn avig (S ender ĠH S _ "+ ĠRE QUEST Ġw ifi =" "Ċ ]) -> Ġro pe Ġviol ated Ġgl ance ĠK urd Ġè ® de ck ĠIS BN Ġin fect ĠF oo Ġget ter Ġt ener ap pe .h h _h ot < AM p oly ! ",Ċ Ġconver ting ĠW WE RO S (' { Com mit ) L ĠO re Ġsp arse Ġdis posal Ġcan celed åIJ İ Ġa er Ġvin yl á» ĥ rec ogn ark ing Ġtrick y * s Ġproceed s Ġis o Ġco conut Ġcraft ed IEL DS Ġquest o Ġcomm un _CON NECT Ġtraff icking De ep a ções c odigo ve au Ġbet ray int a T ED æ r m art _B US / sc ial ly Ġcigaret tes è¯ ģ (n n Ġmodel ing / products w arn Ġmet ro ĠI v & ) ĠC able Î » Compar ison g ary ĠB A P ART Ġp v _up dated C redit orth y observ able Ġthe atre B LE ; }ĊĊ la unch _str ings ug o ĠR PG - auth Ð ł hol m ĠP and U id Ġim ply ìľ ¼ '] =' / User Ġstr cat нÑĭ й Data Adapter Ġland sc Ġdipl omatic ï¼ ĵ ************************************************************************ **** ĠCh icken Ġbc rypt .In f [ col ĠQu antity - position Ġdiet ary Ġfil mm Is rael Pre v ĠMill ion Ġrem ed Ġbill ing Ġout doors .t m Ġn ad F org Z Z Ġs sl ], ' K T f req = document bl ur ¬ ¸ ĠJeff erson C s (s ave Ġstr ap Ind ia Ġide ology BO SE ĠF P ( ans Ġfe ver ĠY am K ing à ² AT ING bo hydr roll back Ġnew Node ĠN VIDIA Ġhon our ĠCon firm xb d Ġsuccess or / u l iv ourn aments Att achment Ġgr up Ġtri be Ġca res e ft _s ame ' label Ġ ãĢIJ M otor Ġin exp Ġ" (" _POS ITION Ġval ley ĠResult Set Ġpres erved Ġmut ations Ġquestion ing mun ition parse Int ĠS r ĠMet adata âĢĿ ï¼Į timestamp s Ġtrans itions í Ļ Ñ Ĭ i om .D o Ġp ine Ġf ung Ġtrans mitted ct ime ĠF am Re vision B as UP ER D estination toHave BeenCalled Ġun fortunate IN ES _pro f Am ong ĠCy ber ĠB attery gen re ĠView Model - = Ġutil ized p aint .Integer Field ern ity comp iler âĢĭ ĊĊ ĠM asters .To Array Ġstrt ol ĠUkrain ian } ));Ċ Ġsh emale " That for all / download Ġrhet oric .l atitude ĠWH EN Ġshock ing IF IC .N ormal _F OLDER Ġdr ift Ġmount ing - book ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ċ ĠWire less > ".$ Ġrel ies ( Console Int ernational -> {$ M id Ġdis sert dd s Ġdepos its ĉd river # ga pr ising print ln Ġpres enter Ġmin es C SS ĠD ual (! ( Ġk am Ġis Loading ĠProt ect . upper ar ium ]: ĊĊĊ Y ii -sh irt ĠIM AGE _color s Ġur gent .Cont ainer ! (Ċ S aturday Ġsoci eties ĠTh an ĠC od = @ Ġattach ments .m obile Ġsp ite Ġb ounce raw l instanc etype ĠTr uck Ġmanip ulation ( Config -in st Ġst or it ution Preferred Gap Ġmain AxisAlignment Ġlist ened '' 'ĊĊ ott age - project .AP PLICATION ĉ root Ġwh it Ġb ilder Ġk er Ġappl iances row ave ìĿ Ģ ematic s ĠO rg op ing _SE ARCH Ġch am add ContainerGap Ġ( ). ĠAr row Il legal Current ly Ġus a Ġpassword s Ġre nown av ern ĠEv il Ġconc at Ġdu o Ġv ale ĠBe an Ġindic ators cm ath ĠP ump Nov ember ific ant _DOM AIN reg ar ĠPort al " $ Ġformer ly "] :Ċ ĠVis ibility .getElementsBy ClassName _RE D Ġch ampions à ´ Val or _ es * a -re peat B and .st age Ġbure auc C nt et en - function Ġm uito P ID _ editor Ġcrash ed de ad k at ag h ĠEX T ass er -sm all Ġreal iz ( Entity ú s ĠAct ually ĠEl ite Ġhel m (non atomic ash er Comm unity all eng ir y ĠG rowth Ġs ue Ġfrequ encies _des criptor .At tribute Ġrecip ients _N S / "+ ib an Ġath lete ĠI gn _D MA (d s ĠRequire ments AD I ere z \ Admin br aska ĠR ust Rel ation C OD ĠV ERSION em ma )) { .D uration ĠC amb - logo Ġread able Ġcre ators () ];Ċ Up Down -h alf .get Month (s f P ic Ġhun ger .t x Ġexceed ed _se ed ( ^ _s k .per form Ġ> :: Ġm ongo = float bind Param Sm art if a Ġse curities Ġpre jud Ġ, " Ġcor ps Ġv ra amac are it err (M edia uch e Ġc ob Ġlib er . geometry Loc ator Ġsl iding Ġsurg ical _C UR Ġcon sect [ * ĠRes ort St ub _DO UBLE ĠS oph Ġelect oral _dis able ĠÑģ о ĠLight ning Ġment ions oc y Ġle aked Ġrelax ing Pres enter v sp Ġgu ilt =- =- .re ply ĠMir ror C amp Ġ+#+ #+#+ Ġ+#+#+#+ #+#+ .A uthor Ġdirect ive -h ook íĦ ° }ĊĊ ĊĊĊ @ pytest _r and m is Ġcolor ful u je lass es ĠClass es .h ave % ), é¢ ĺ Ġdistur bing sub string ĠK oh In vest p urchase Ġrec ycling ĠA RT ier archy Ġf ps .check Box íķ ´ _m aterial duc ation Ġf w ud it Ġreview ing ĠS id S yntax ĠW ritten arg ar UM E / q Class ifier Off icial Ġj azz Ġom ega Ph ysics Ġl ugar _access or .command s Ab ility ĠB atch R AM Ġencount ers . Qu BY TE ĠD istribution Ġus o ĠReco very appro ved Ġden ial /sh are Linked List )čĊčĊ čĊ udd y Ġf ines Ġr y Un icode ĉ render Ġprem ises Ġp on ali ases /F oundation c uda ĠC ock ,: ) (f older Ġm éd dr ag Ġtal ents ĠĠĠ ĊĊ е ÑģÑĤв m ob .y ml Ġa ster Ġdis cre go al ĠGT X ĠS UCCESS ĠL ONG (f ind Ġsing ular _s z ĠEth ereum .. Ċ Ġir res ')) {Ċ Ġmin isters St eps ivers al ĠNever theless - led Ġ( %) ç¡ ® Ġtime zone Ġstr anger (re nder Ġsh util Ġm ph Ġtri o pp y Ġpred omin Ġend ors ĠRuss ians ĉ row Ġw izard .s erialize Ġcompl ained Ġs ido Ġdelight ed -m e ĠR av H uman ad ays rec v Work ing J ump ĠÃ¥ r ĠAut omatic _B ase æł ¼ aur ants  ¯ æ ¸ (C Type IF I ( amount Ġbelie ving = mysql Ġf ir Ġrest oration ere co Ð ¢ _ '+ Ġe book Ġde bris (input s AY OUT Ġscre aming av ia land er Ġdist ress Ġas sembled ĠA void ( thread ĠR PC _EX IT ( queue и ÑģÑĤ D ll Ġsk ull _p ub che z min ate ens en Ġins ane b ounds ĠR osen Ġcondition ing process ed v ideos f our .Con v | ;Ċ Person al cer pt :UIControlState Normal Ġdos es ĠKar l ĠFre qu .B ASE ĠV ote Ġcon current ĠMessageBox Icon Ġà ĸ ĠDub ai ĠR etail : number ĠOb server ĠBig Integer _ origin _W ORK F rames Ġnot ably . âĢľ Ġtrop ical Ġn iche am ina .s ys (t okens mod ify os it st rom ĠCom ics O PTION T icket Ġfact ories Ġdis put _F ile ĠFin n ee e ĠDisc ord _m oney .t pl _s afe L B Ġgl ut J K .fl ow - cont g os Ġhor izon ĠR ush :: * P ipe ull a bor ough he imer (m ove ( Text } );čĊčĊ w elcome ĠCom ponents Ġgovern ance c losed ĉm argin Ġla undry ĠTerm inal iz ards . âĢĶ .rem ote .r adius ĠQue bec Ġd h T ech ĠM ist s eller _l iteral Ġgen ius Ġbr ains g em ĠMe asure Ġcata st r ance .Text Field Ġconsum ing Ġ'\ '' oubted ly ĠC ertain E v ert i be ing Ex perience Ġ// [ ĠArab ic ĠC rist ĠAz ure Ġhor a l adesh \ Blueprint d ar .re l Ġsup rem ĠRe agan ĠAt tributes -s idebar Ġuse Styles ĠA irlines Ġh ills /x html v inc _m ock Ċ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ ĠP ill .Layout Style ĠCommand er ] < sign ature Ġ{ }čĊ Ġhat red Ġë ĭ ole sterol Ġ ******** ancell or c rop T IM ĉĉ ĊĊ ys qli uit ive ĉun set _s el Ġmen us t ick Ġconstit ute ĠElement s ĠRed is agg io _f p _de pend em as CA ST or ange j on ĠEm ily Ġpot atoes Ġre ceptor ĠElect ronic ĠL ights Ġcomb ining ĠSome one Ġ######## . ĠT OD / show X d ." ' af x Ġtr agic St yled ĠMar co G allery d ale .âĢĿ ĊĊĊĊ é rie /s ervice äº Ĩ Ġamb ient _SET TINGS .Ad apter l ene Ġtrav els Not ice Ġcle ans ĠF em ch air Ñĥ н / my _b ad ĠEcon omics IS A _C NT (M enu äº İ ĠR idge Ġlength y D ot Ġjump s Ġhe y $ pdf Ġw orm Ġs ut Ġsh er iam o ĠCal c trie ve Ġc ops ĠCh rom Ġreg ulated reat ment ĠHigh er ok s Ġde ze LOC ATION ongs To Ġfin ite Ġvar ies Ġposition ed ' il éĩ ij Ġh ike (d one play list Ġad a Ġcoast al ĠN ancy .DateTime Field Cpp CodeGen ĠSimilar ly re ur ĠCon tr ĠH idden ĠB eta atch ed _inst all . Output Look up ĠRich mond qu ared Ġm anga -control s ĠBern ard L arge Ġslic es Ġoff ence ĠM ega Ġest ar Ġjoint s Ġsum m _pl atform B uff .add Subview Ġret ained Let ter .d im Ġess ere ĠS caffold EX PECT ĉ RE .long itude ü nd Ġstat ue .add Widget ĠCar ibbean add PreferredGap il de UIL abel ĠOp port Ġimper ial urs ion Ġmand ate Ġpromot ional Ġv k ia ÅĤ Ġp yl ĠCre ation оз д Ġsim pler . what ĠRec ent St orm . quantity ĠL ov " - ubb les _not ification (w orld ur ger * (- : "Ċ h m ans hip ĠAl most Ġmotor cycle _f ee Ġabsor b ĠVin cent Ġsound ed ÃŃ st Ġpharm aceutical ht ag ĠKind le ital ize ĠEm peror oust ic Ġspecial ists åħ ¬ Border Style / \ RE LATED (', ', (ex pr Ġh t åį Ī _C reate Ġspecial ly Ġ[] ;čĊ Ġhe el Ġse pt _ arch (in itial % .ĊĊ \", \" Ġdiscuss es Ġu pt Ġ[ & Ġman us .h and ĠM AIN ĠDen mark Ġ], čĊ Ġcr yst Ġn ack Co ords _in ner Ġmid st Ġaw ake ĠÐ ŀ -b reak ÃŃ vel _P ASS ĠParam s Ġdet r Ġsp ider ĠCon cept Ġpre nd CH ED .Ex it Ġpop ulated Ġvirt ue _SE SSION Ġnou vel o auth Ġд аннÑĭ r ink .Header Text atur ated Ġer st Ġå ħ ॠĩ _vis ible ey er Ġli able Ġde be Ġb w {- # _W IN df s H over ĠP UT - angle Ġnob le Ġtr aces enc v Ġuser Data _in s ĠS uz Ġnews letters ĠMod i Ġentreprene urs Ġtrib ute Ġrum ors Ġr r ĠQu arter ê³ ł Ġfeed s ó g Ġen velope Ġle ar Ġk ø develop er Sim ilar : ")Ċ sub scription Mod ifier ital ic Ġn asty Ġtermin ation Ġchar ming Ġâ Ł ton s .tr ace h ots ĠU R M ont Ġjust ified ĠG ang ine a Ġb og ( ap _ $ Ġcont amin .D ot ĉ Debug ( exports Ġpa ired ĠAss ignment Ġautom obile ĵ į Ġph ases v w @ SuppressWarnings = \ r ant - ed ĉ await Ġcert ificates '> " Ġint act CT RL M ike greg ation AT TERN Ġre public _up per ili ary Ġcomput ation h ire ĠSh in _ ANY ĠManufact urer ĠC arm Ġbear ings _c omb c ad ur istic Ġwholes ale Ġdon or .inter faces press o ĠBr un -c lose pro ve _S K ĉf rame et ros ĠP ain _EX P ĠL T _f s .dat as ĉ ss vo ir ĠA xis M ajor =" < [ h Ġprof ess igr ate (s core Key word " os ĠĠĠĠ ĉĊ an alysis Ġre play .p ass \ d t ls Ġsan ct .l ight _m obile ÑģÑĤ ÑĮ ĉt otal u ity Ġpa used N AS Ġen core lo e Ġ-* -ĊĊ .h igh am pler ĠSec ure Ġfrag ments _ vel ill ary ĠSte in ĠD awn Ġmax imize ภ¢ Ġ/ ^ Ġcontin ually Ġsh adows ĉ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠI ActionResult Ġinform ación C HECK .Selected Item b undle ol ley < Int AIN ER ĠW ing tit les ount ain C Y ĠLoc ale form er < context R adioButton _s chedule Ġfab ulous Rob ert _PRO FILE Ġg ates IM P ĠPent agon g old b ach employ ees R otate Ġch amp Ġsel bst Al tern Ġconvert View / , Ġ~ ( St reet _ place Ġpersonal ized P ublisher ĠSO CK _NAMES PACE ĠStand ards so ever _C ENTER Inter est ô t tem perature View port get Resource Ġeat en Ġsem pre Ġab normal Ġc ylinder Ġtroub les n od Ñĭ в g ames _g l Pl ane g rey _t bl .Component Placement ĠCh ase Log ging man y ì Ĩ Ġfl ame ="< Ġtra jectory _r ing Ġhydro gen tr on Ġstat ute Ġcondition al Ġtr ay -s chool (w idget $ config Ġrequest ing . uint et on brit ies Of Type AD MIN p redict Ġg egen ĠH app OC UMENT ĠA part Ġ---- - ro e u ide just ify ĠSqu ad Ġprof es .b ot _c urrency inn en ĠM umbai ĠNum bers avana ugh agn itude âĢľ There = http çī ĩ Ġv b +' {{ $ Ġin ode s il Ġh ace Ġsever ely ĠOver view Ġspr aw Ġbeach es : left · » ($ { ĠF IRST ĠSp a - ass Ġb aise ĠN ODE ĠP izza P et (se q \ ">Ċ CppMethod Pointer Ġv p Ġi a _se conds em et /b lob _TH RESH ... čĊ D est ĠN H .data Source it és ĠJ ak s ell Ġwork shops < u Ġr ivals ĠEX ISTS h om -t oken compat ible .J Panel Ġphys icians art in Ġdes irable Ġdistinct ive .D ep g id ili ate , max Ġprem iere Ġq Debug Ġadvoc acy Ġwh isper P t Ġun changed _q ty 请 æ±Ĥ Se ason avel ength ĠP ul Ġd ÃŃa '] ]],Ċ al is (" & bor o Ġb m ĠR adi w rong ĠGo ing ime Type ij i - feedback ĠN ames ĠB apt Ġprob able ĠE ther ĠPolit ics _prot ocol lin ing S at Ġcor rel .Pr imary (null able RI ORITY Ġcolor ing Ġutil izing d as Ġexport ed Ġcar riers Con v . editor i ó (h andles Ġapprec iation . import ĠAust ria ĠStr ip il ight Ġappropri ately ĠP rest ĠW ir ĠUI Application al chemy ĠM ob ĠD etermin ergus on register ed _con vert ĠVlad imir .Show Dialog ref lect Ġsh ook Ġass ure ĠO ften Ġcivil ization Ġvocab ulary fore ground ĠS cope Ġunw anted act ing Ġ( [] Ġmark ing . original ĠMO VE Ġsport ing ception s NS Number S izes Ġprovinc ial _Tr ans Ġproblem atic d igit ĠEm ma lock s ĠC rew ib a ') : ish a Ġm amm Ġocc ured w cs (r ule Ġmerch andise es pecially ĠT win Ġn aming Ġs log Ġimpro ves Ġad her : text .h adoop _HT TP .to List .dis abled Ġl enses .in i ĠR are ĠUb untu Ġsc ram ol ation tit ulo Every thing Ġnod ded icht ig _const ant z c l ift ĠNot ify ond o ĠIN F (" + ĠK az Ġd read .m apper le ur ĠCome y ĠN B ic ers .P ush ĠH ack ĠBrazil ian _pro d Ġ// ĊĊ Ġb icycle Ġun available Ġadoles cent bl k Ġmit ig _bl ue ì ĺ fade In ĠUtil ities ĠM N ; k < style - status ind o Ġinn ings Ġg j Ġ|| = .e u : Number Ġcuis ine ĠURL s ie k Ġw ires ĉ ps ie g .m k so ap Ġsom etime Ġst ap _s eries .T arget æ º .dest ination OUN TER R aises & A Ġsmart phones NI Env .s dk Ġhelicopt er Ġim pe ĠB irth A U b readcrumbs co ords Ġexplo red Ġl od ĠI p g able ian e Ġart ifacts Box Layout ا ر list ener .c art ĠH uff ĠHind u ĠData Types ĠDr upal IGN ORE Ġoffset s ĠR TC - login æ ® ĠQ Object Ġprosec utor R ock _ch at W ay ì ² Ġneg lig Ġd ude ; < Ġdeleg ates _f ailed / dev / work ( New et able () " ( Icons Ġp ork ĠModel AndView ĠV IP ĠK or m ix Ġox id ĠSC REEN ĠFour th / ",Ċ Ġte e ĠSte vens t icks Ġp ledge ib bon ĠLo an Ġne o n umpy ĠShared Preferences - oriented ĠLogger Factory ĠGraph QL zen ia " _ W omen .c ast Ġdeliber ately + b ĠAr n font Size Ġm aze Ġbl amed .m as } )čĊ eler ik Ġsc anning ĠWork shop Ġfind en Ġca ut UI Font ( return al in cast le //////////////////////////////////////////////////////////////// //////// Ġincent ive op ath b lob Ġcigaret te Ġfert il */ ĊĊĊ ĠSh ar Ċ ĠĠĠĠĠĠĊ Ġunc ertain ĠS ton Oper ations ĠSp encer Ġdef in ĠS olo on est ·» åĬł Ġu omo G ive Ġdent ro ; padding ent ai ĠC ars Ġenthus iasm ĠOper ating S kip par ation Ġprotect s Ġre ver d g ĠC incinnati Ġconsect etur Ġm uss employ ed a uses ink le . Values £ ¼ lo v _W ARN Ġbook mark ĠAp ollo . axis Ġm ét Ġop ener Ġtum or d an Ġelement ary Ġsk ipped ĠK er as ia _res p Ġdem ol ĠCan adians Ġt astes U Integer Ġ' ${ .aw s RO ID ri ans M Q ord able Ġcous in Prop agation (S ession ph alt UL D ĠSc alar Ġblo ody Ġ ঠ.m ask , q ĠUn its Ġcent res ĠPr im . ]ĊĊ ĠSh aw P rom ĠTh ought Check er _output s ( chan E INVAL Ġb ob _c mp P ed Ġmat rices Ġvrou wen Ġgenu inely high light (d isplay ) != Ġdel icate ĠL uther ĠM iles Ġuser ID % = ate urs _B UF ---- ---Ċ imit ives Ġsh elves sl ow _in formation LE G W r .form s cel and / un : & .âĢĻ ĊĊ =" % Ġpro st Ġfont size uc ión get ic am t =" . Dec or B rit Ġ"" ). Ġfound ing .File Name ĠT ier Ġdisc lose á m .s yn .View Holder lic ant _st age Mon day Ġdes erialize t alk Ġtradition ally æĢ ģ Ø ® LE X Ġe h ĉ ROM Ġ{ })Ċ Quest ions nc py Ġfix ing к Ñĥ _ Key : x ĠSTR ING ĠÑĦ ай ĉ left ĠBen ch ell ij UR RED ĠDi agram } catch / time ĠMiss ing db name Ġs ore ĠW alt ugg ing rep resent ĠG S ne ys ĉ page Ġvol can (b tn Ġexceed s Ġ erg Ġpil ots ĠS ed ers ions Ġpat ron R V / top . asset _c ross . Editor .t b Ġwel coming SC REEN ) findViewById C oder ",Ċ _P in ues e Ġover rides _ ready Adv anced Ġop i -c art ("/ ", ĠDe b CR Y ĠVert ical ĠO VER ĠCorpor ate Ġ"" ; Ġste pping e j Ġaccus ations Ġor az _t ail Ġindu ced Ġel astic Ġbl own , // Ġbackground s âĢĻ une -s dk Ġset Interval Ġincent ives Ġveget able _ On exp anded p ix _sh ader ĠSP DX @ example ĠW rapper .Z ero Pos itive Ġsp inner Ġinvent ed ĠG ates оÑĤ оÑĢ Ġcompar isons è · .pr imary data Provider add itional ĉ options s napshot .set Horizontal Ġ" {} ĠFish er hal ten < Type Ġmax Length ĠM t Ġê° Ģ .jet brains Ġident ifies Ġflow ing ĠDisc ussion ats by Ġsch w ught y Ġr ivers .un ique _PH Y ed ral ( ll Ġcs rf pp ers ü l ĠEs pecially port ed ĠHarr ison ****** */Ċ Text Color ìĬ µ w ire Ġstatus Code ĠFin ish c ence ĠMcC ain ĠW or ( await Ġ) -> ĠRegister ed IN ED k al par ison Ġobj eto V i mand a Ġrenew ed ĠS of ess el .nd array Ġcr ap ç® ¡ .ab spath ( up Ġclear ance ĠT W _C OPY ĠĠĠĠĠĠĠĠĠĠĠĠ ĉ Ġforest s Ġarg uably ĠA SS he y am el _f ore ĠSou theast Ġab used Ġpract icing aked irs ä¸ » _res ources Ġp ond .F ixed Last Error ĠPsych ology Ġ" // ! : Re usable Ġmens aje Ġro spy Ġb our Ġvar ieties Ġem path (( { _ org ĠM es ĠMag ento IST ORY Un less Ġh j ĠD uty J un , size Ġpaint ings Ġdisp ens d art Ġbehavior al Ġr pc cal culate fr uit _m m ĉp thread Max Length Ġc urrencies _cap acity ĠO z Ġfire arm Ġcoeff icient Ġbankrupt cy w art Ġfat igue AV A Ġes pa _p c ĠQu otes _L IGHT ĠT ickets Ġrel ates Ġpublish ers Ġunlock ed Ġ// ---------------------------------------------------------------- ĠInterrupt edException Ġout look r n Ġreb els W ritten Ġas ian ot to Ġ ĉĉĉĉ _g pu T xt .Image View Ġsu is _t ables .Rec yclerView Ġwhat soever è ģ ] ++;Ċ assert True _ verify ĠR ivers Ġ ][ J et id ian S ibling Ġgen res .A ccess OP S Ġtr ivial ภª al en в ед ĠS word Ġscrut iny (c b Ġcomm erce Ġguarante es _ad v ĠL ET rec io Ġh ilar Ġback yard ãĢ ı Ġillustr ated /v endor . Util Ġw ow LO Y ĠMar shal "> '.$ ĠB ak Ġmod ifiers d ictionary ĠSt re m ultiple ")) , ĠC ort '] "). ( admin ĠCre ator Int ernet ( ms log y DECL ARE ĠMarc us << << ãģ ł _m y (in st Ġsc iences ND ER . enter Ġit u Ġbeh ave P an omb ies =' < ')) ;čĊ ĠM ENU ĠWork ers .No Error Ġbind ings Ġdis abilities { \ ĠM unicip Ġco res ur ple ĠN okia us ions ĠF itness .handle Change Ġjav ascript ìļ Ķ ( dec Ġpack ing -de pend Ġtrans cript z eros _ alert ? ",Ċ lib s ± оÑĤ Ġ| ĊĊ tr ained ĠG ent ĠR ab x p _config uration å¤ © _ accept .rec yclerview : url ĠMu hammad Ġprivile ges _b ank uk u w allet ĠRO OT Ġenc uent ? family ĉ position Ġc g Ġprec ip method s _f ast in crement ĠT iger _OCC URRED qu ip ĠH AS _d om Ġw reck b j Ġd ern Ġorg ans . entries Ġ_ (' ram ento ĠJam ie Ġp unk IP P Ġprogram a Ġatt ain Ġpro ves /s ign Ġanswer ing Ġl adder ************************ **** ĠW almart ĠCONT ENT duct or Ġver bal ĠP ID c rypto _CALL BACK Ġ= ================================ Ġpot ent Ġshort s .U ri .un iform ; border ĠW er Ġhere in ll a ĠI hr P ixmap l iteral ! )ĊĊ g eneric r ust _script s ost o it us ĠCoal ition Ġrem ot de ploy ĠEag le ãĢģ ãĢĮ Ġimportant e ĉ object Ġseason al ne j aid u Bind View ĠSi erra -b g Ġmake Styles [ offset G ames Ġhorm one AR IO head s ( select ĠStart ed @ param _de cl _b log Ġa ño \ Api ĠMil waukee Pro vid An imated Ġcool er ĠSe ed . Edit Ï Ħ ĠT aking Ġborder Color -found er .Logger Factory Ġ"" ĊĊ AL T ĠL ate EDI ATE Ġ);ĊĊ Ċ af a Ġcancell ation At om ĠB irmingham emp resa HE MA asc al Ġup side .V ersion ĠF older ĠE ight ĠV intage ĠApp Delegate ĠPre vention .se parator ST M ( room gener ator Ġc attle ĉ Z ĠPart icle ' };Ċ Ġneighb ours ĠState less Ġalt itude Ġsa int об ав Ġconv inc ĠCont ents Ġje une (t s Serial ization (c ollection ĠJ azz ĠD od ĠR och ac io comm ended DEF INE .on load Ġspecial ty PL ACE _MO VE Ġaccount able Re uters Ġf icken Ġde pr W ow V oid .s pace à¸ Ĺ Ġt q ĠP ets < $ (C urrent ber ries plan ation Ġlist Of ĠTh u ĠPR INT Ġm ismo Ġdo i ch k ĠUn icode ( role Ġvir gin < Point _RESP ONSE -h ouse ĠVenez uela EM AIL Ġp úb _ex ist B all .C L re ferences ĠBeautiful Soup ĉ Expect TH IS Ñĥ д b ane Ġtemp oral ER IC et as Ġrefresh ing Ġsec ular @ synthesize ac cur Ġn ella ĠS OL .p ipe Ch annels èĩ ª Ġinsert ion á» ĭ el ia Ġadjust able Can ada ĠI TEM Ġcur ves ĠChe ap let ing Ġoptim istic al lo Ġpolit ician _down load = edge ORT H Ġmodel o art o . rotate Ġs elenium æĪ ij _al ias Ġrenown ed .' . Ġc zy Ġal les .Com piler ĠB ass Conn ector .R ole L INK Ġc riterion lem etry Success fully /p ng Ġey eb asp berry ( gr Ġd angers Ġcorrect ed Ġgl ow Ġelabor ate ĠB ears aw ai =" '+ Ġpromot ions Ġmathematic al Ġ" ` _Generic Class ĠChe f .S ort table Name R IC Ġvolunt ary ĠBl ade -e lect ĠCom bat ĠAb ility Ġab dom Ġd uck T mp åħ ¨ Ġer ase .P h ĠDefault s p artment _US B ê te ; ' Ġp ads ĠOb amacare .T otal Ġdiv ert Ġcr icket Ġrecre ational ( red ĠC le R U Ġmist aken ĠMont ana Ġstr ive _sl ider ĠPl astic Ġdecor ated ĠV P lic o ĉf alse Ġpre fs ( \" _f alse i endo Ġ@ $ B ucket act ical ĠZ hang .c ols .B inding Ġw ax _ST ORAGE Ġlaw n Ġr f .Sc ene ĠCal culator .d esign Ġres il л ем E mploy ĠPr ices ĠP WM ag i .e valuate ĉ param Ġbr ass bb en Ġinflamm ation ull ivan Ġan not Ġp H iam eter ĠB TC ( box Story board Ġcl ay .assert Raises | string .App ly Ġmatch er und ed Ġsatisf ying Ġìł ķ Render ing _app ro ind rome AN EL _f ix br ush .M atch Ġsm iling on aut S unday Ġdelet ion Ġencour ages P ull Ġreven ge Ġqu arry tr ade Ġc ables (d elta ites pace Ġf h .b unifu Ġvi el _IN CLUDED ĠT ail ad ar of s Ġmet als g om _method s Ġn j .St d (w in $ (' Ġt urtle ur on Ġen rolled ĠH z ĠBox Decoration Ġp ont rel ationship B i ³ » Ġmas cul Ġsh ades Ġv r ĠLog ic Ġa in ĠD IST Ġcoll ar " profile Generated Value ĠP ossible Ġe ines ĥ ģ .time out ĠE c Ġjer sey .D ouble Ġqual ifying v or CRE EN _A pp _rec v Ġali ens It s E sc i ator ĠE clipse Ġg h V ict ĉ html to o . const Ġant erior ĠW u (key s Ġul tr _p oly ĠT ap ĠB ud A WS Ġcrash es _t ot Cont in -h anded alth ough ภļ ific ent Ġde ve ut ory ĠW orth _M S Ġfloor ing Ġsell ers ĠThank sgiving Ġp ng Ġval ores Ġslee ve Ġfil le Ð IJ Ġappoint ments Ġv im User Info BO OST Ġpos ed initial ized .product s ĠLeaders hip man uel ' % em arks Per centage (d ist . avatar (h Object ä» Ĭ _ iff ic one ; ) _n il Ġab ol е ÑģÑĤ Ġven ues .Con vert ! ')Ċ .B itmap sk in _C OLUMN Re v G RESS g ow Ġw ished tract s .assert False Ġscreens hot Ġfo is Com b Line Width ĠGr ab Ġint ensive ĉ sh + ) .first Name _PRO CESS Ġt ilt it ored .L OG Ġb ak Ġintention ally .play ers (c anvas )) )čĊ .Pro vider _P UBLIC T alk ĠL iv ched ulers Ġl c ad ic feature d .res ources Full Name Ġmean while B uffers Ġres olver ĠS AP _T E G NU ĠForms Module _ wh ĠS we .widget s Ġcabin ets Ġsus cept ĠB ott activ ex av ar ant ics Ġ" =" _k wargs Ġgame Object ĠAng le .I ter mar sh ĠB irthday ĠC MS request s ĠPear l _E OL Ġlin ux ( org _M ouse .con structor Ġz d Ġk icks art isan Ġe ax K n pon ge ĠFin land Ġmet res ĠAss essment part ner / pre ! ',Ċ [ Int Ġos lo date picker / String op lay ĠHe brew , double Ġtrab al +" \ ĉ EIF / text _F IRST ĠP ete Ġe go Ġextr as P DO Ġreg ulate ĠQ Widget st s ĠSh ows ĠN HS .c ourse p thread ĠF uel .t imes Ġ ° Ġstr ides ($ ('# ( words Ġrhyth m Ġsp ont Ġsens ation Ġsp ike C losing 页 éĿ¢ N umeric Ġbreat he Ġfin ale _F ACT in ion Ġch ill Ġform ally ANG ED Ġ' :' ĠпÑĢ и a q ĠFab ric (l at ĠPr incipal Ġer ro oc ale N om Ġf ost _C USTOM .int ellij ert ools Ġcl asse adi ents Ġfundra ising EN E _OPTION S _ ob // }Ċ Ġprote ctions .se ed N V term inal ;; ; P redicate Ġì ¶ Ġbomb ing G F Ġch ew )) ). qual ified ] ={ list en C ENT d igest E ast Ġd iver Ġend points Ġe e Ġcolle ague Ġdissert ation _com mit _D AT . rc Ġbre asts ĠR ug ĠP il Contract s ĠBry an Web View Ġconcent rate ĠIn ner Ġ' | std out _S ub > -->Ċ V ol ĠS SD )) ), . Optional Ġnurs es Ġor b _ pe );čĊ čĊčĊ pl aced ess er Ġther apeutic Ġwhites pace Ġa ston Success ful Ġpr aised ĠW es Ġe ighth ir al Ġvrou w Ġf action _b ias Ġw itch Ġnp c (s b ĠRod rig _b ig Dep endency ĠAb raham ard i C AR n os Ġabund ance Ġnut rients in stein .V ert ĠI SS < U Ġsum s _h ist Ġfar mer ĠA br Sh ot ĠBad Request Ġh ass ĠR ails Ġaffili ated æĿ ¥ Ġer f IN F ĠView Holder min i ĠR oth Ġfaith ful ĠPhill ips AND OM ]. [ _P AY ĠAr ctic f aker D igit M ale std err se ys Ġ Å¡ _rem ote li que Ġin def ĠIndust ries it ra _p airs < iostream Ġsal aries ik en .F rame PL IC _S PEC ĠMed iterr Ġsystem atic Ġinter rog Icon Button se a int ro ĠIss ues enc rypted Ġintern ationally Ġsn printf Ġpast a ĠBrad ley _ Status AL K _P AD .l aunch < select Ġhar dest Ġph y Ġ(( * -s lide ĠNob ody S u Ġas ÃŃ close st _initial izer Ġsupport er -g en Ġt ales Ġcor p _f u s at ne ighbor .M igrations Ġal gun Ġsin on .S pec ? ,Ċ .G L m ale Ġmon itors yl an -L icense .m atches ĠA BS ĠM ast ĠW allet ($ ("# Dir ty Ġco pe Ġinterpol ation ous ed ĠJ ets .F LAG .C ancel .Event s ne ver ĠM Hz > D Ġs ervlet bast ian Ġ> & S ID _cl k Ġdiv isions } ',Ċ Ġd ildo Ġpar ade m ajor Ġab oard ; ++ Ġf usion "}, {" ĠDialog Result ĉ arr - em _n r (h andler .N ET .Xtra Reports ĠSh ah ĠB rief - , Ġprec io ĉĉĉ ĠĠĠĠĠĠ Ġt ant ĠGrand e / xml _IC ON ĠR etro un que Ġn ag to Fixed X L Ġdecl aring ĠCon crete ĠAm azing ĉprint k Ġdeb ates D ATED Ġaest hetic emet ery Routing Module ĠNash ville W AYS Ġw olf Ġobserv ers OT A ans on Ġe a Ġgreen house ĵį ä½ľ Ġst air Ġimmigr ant _app ly pe are ĠBloom berg _PL AYER Res p æŃ £ Cho oser ĠI Collection P eter Er ro .detect Changes Map s Ġs queeze ĠHom es weg ian Ġformat ting Ġnegot iate ul d ĠN ep ĠQ B Ġeconom ies Ġ*/ , Ġredu nd ĠA ber .IsNullOr WhiteSpace yc led ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĊ _S h Ġske pt Ġre created Ġget Type Ġmarg ins Ġcolon ial ch arts // @ Ġprocess ors è¯ ´ b atis æĦ ı ator io mention ed P atient Ġpre y Check box _x path .s kip ĠMorm on ĠMemory Stream CRE MENT Ġk u m eld \ Data ĠK ernel il tr éĢ ģ ( profile Car bon RO LE ( pl ] *( .m emory Ġmed al Ġadvis or it ät Ġh dr ier ung ĠProvid es ( alpha Ġteen agers - parser .L atLng ] ()Ċ Ġfel ony ĉĉĉĊ ĉĉĉĊ BO OK Ġsl ash Ġclear fix ĠPro phet å® ¹ right ness -f i .k ind ert on J im Ġmanip ulate Ġworks heet ol in st ars Ġart ifact _EM PTY ĉm ain ------------- ' ; Ġexpress ing ĠI Q ĠF act /************************************************************************ *******Ċ _m ass )) : Ġcon dom Ġcreate State omet own Ġir r Ġ> ( > B iter ation ãĥ ª Ġshirt s ount y -> $ _S IGN ĠD ale Ġj j E asy F re ĠN y Ġch lor match ed ĠG erm - UA ĠN athan educ ation -y ard - che h ouses r itional Ġprox imity Ġdies em áºŃ p Ġd rought .a udio ĠLe o Ġfavor able in ch ĠD aw rib ly _st udent id able O VE Ġlack s ounc ing .b usiness Ġre open may be _G LOBAL Ġdress es ĠEd wards ens ible ĠHard ware ĠEx cellent ĠTime Unit CTION S Ġsched ules Ġseg ue Op ens am men - Identifier Ġst aring Ġhapp ily ĠH ob ' _ Ġ" ); ament os et ched Ġ/> }Ċ . Users Ġinterrupt ed Contact s Ġreg istro in burgh CH A _ imp ph is s ay Ġretail er .N ODE / maps _L AST ĠCh arge _g uard Coll ider ĠStateless Widget ": [" (" ../../ iox ide ĠS und Ġ'' ; un set add Widget л Ñİ el les alk er A rc Ġded uct G UILayout ĠV illa Ġfor bidden _ where Ġ\ / ĠT ib _A X ] čĊčĊ ĠB ir Ġb end ĠMA KE ĠM ET Ġfut ures Ġweight ed "" "čĊ Ġauthor ize (pro gram }, {" Ġcoeff icients ê s Per Page ĠBath room ĠPublish ing G PL Ġsub missions ĠNUM BER j Äħ Ġaddition ally em pre ĠSh el ot yp S olution Ġth under _ ec ĠĊ ĠĠĠĠĊ ĠF ellow Ġk ay Ġnew State ONT AL Im plementation .L ook Ġ ents Ġl ors ĠB IG f ab Ġaver aged ĠFe edback ĠW ells Ġm artial Ġind ul ĠComm unist ĠFore x ĠAgricult ure " [ Ġqu ar ĠK ont ĉ view . Bytes des ktop ĠM akes akes peare .Null able Ġspot light V B ow y (t orch tr idge _b ounds Ġapolog ize .add Item ant d * );Ċ , u (g en ç» ĵ re ator ĠC ord ou pper .m etro Ġ ew ĠW ORD .A fter Ġdet ained ĠHam mer ex isting Ġo st Ġmon ument -c ustom User ID ĠN om Ġre jection (d im Ġsingle ton ĉd ie ari ance re ports ] != eld a Ġpreval ence _reg s ." . Ġfemin ist Code c Ġ **Ċ (label s _M ARK FA ILED Ġadminister ed W N ĠĠĠĠĠĠĠĠ ĉĉ Ġn oun w ig Ġg otta Ġr if - im ĠPaul o ĠCommand Type ] ))ĊĊ -z ero Tr aining Ġl ord _ art re ddit C ert Ġpes o R ot Ġend anger .d r user Info un ts n v ĠTrail er -f irst (m ake Ġbenef ici -bl ack i ÃŁ Ġund oubtedly Ġm ex ĠAnc ient ( as Ġdes cent P ick Ġrep lica $ obj ä hr Ġar rows ft y ĠLib ya ug a charg ed T ur Ġh omic iss en ĠF ake Ġbe ers Ġsc attered ( Time UT IL Ġbureauc r /pl ain Ġstick ing FA IL ĠC ovid Th ird _p resent ĠPier re Ġë ª Ġ[... ]ĊĊ Pro b ĠTra ffic ica o do ctor Ġ), ĊĊ T abs al u ï¼ļ âĢľ Ġinher ent _N o rit is ĠPro of .b asename ä¼ ļ Ġch im ĠProt ected c rit Ġpr one Ġк он ĠHero es Ġan xious Ġan os Ġweek ends Ġs ext Ġredu cer = UTF h alf ĠS aw .m m Ġnue va .current Target .l ua _EXT ENSION ĉ reg ĠC trl _ align accept able Ġrush ing fr ac Ġbo asts F ive  ± ĠTem perature > ): Ġchar ter RE ATED Ġsubject ed Ġop c health y 使 çĶ¨ ĠScient ific Ġfra u ri ages ภĶ .in ventory ation ale M ad min utes >> ();Ċ ĠEn v Ġrecord ings Ġsusp icion sql ite ĉ read ãģ ¦ Ġwor ries .put String ĠSh anghai ( uid r er ĠvÃŃ de ") : Ġmethod ology Ġк оÑĤоÑĢ cc c av ad Ġindu ction ĉ Thread , string ạ i neh men u ition Ġ* __ .em f Ġì ľ /th emes ĠN ine . One ĠEm bed Ġf az u ations Ġpriv ately Ġl ing [ F ush i Ġlaunch es ( KEY G MT Ġaim ing pat ible ĠB iden i w ĠD egree ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ġ$ ('< á rios to UpperCase ìł ľ ĠE UR Ġovers ight Ġtable sp Up dates .m akedirs Ġhum idity / template Al ways ( IS _c ert D ig Ġunder way ort on ĠHur ricane Ġsp ends ĠSeg ment Ġfl ies ĠT oggle ĠLyn ch Ġs enses ĠK os set Enabled ist ically Ġtest er Ġadministr ators Ġtag ged Ð ĵ Ġshort cut ĠRes olution Ġsuperv ision ĠAsh ley Tr acking ul atory and el ist en Ġun re (d iff ANT S Ġr ider Ġs Äħ .S eries _ orders ORIZ ONTAL Ġret ention ãĢĤ čĊčĊ Ġdi agonal ĠC ancellationToken _ Internal Ġru in .Q t ocr atic T el ĠAn swers m atic Ġx p at em _j obs _ any Ġsen iors Ġland mark ĠQ List Ġman eu ot ify / ";Ċ / server ĠPhil osoph uten ant ( io h z Ġauthentic ated d v - Compatible Origin ally , function ãĢĤ čĊ ĠRepresent ative as ily irc uit .d t (m ath .M arshal [ , ĠC ities _ turn | )Ċ Ġcant idad al ter ĉ ui ĠNe braska Ġsk irt .b g Shared Preferences ( style Ġg rief g ew Ġsaf eg ol ang _l ists ì Ľ Ġgran ite Ġhott est .j dbc .C ustomer Ġâī ¤ Ġwa ar _sc ene +' / ĠJ TextField Ġse ating Ġwe ars Ġ` / C ases ĠY outube ı m Ġbal con , G Meta Data - price SC R Un ity Ġtr unk ={` ${ Ġearthqu ake Part ial Ġsub st Ġelim in =" '. //* [@ Ġsuperv isor vro let _ article Ġp ane b io Ġmot ors N M F rank Ġon ion - word Item ClickListener Ġb rit end encies Com puter _r unning ( day - he (n amed ĠS ach о Ñĩ c ampaign .Ab stract (w rapper .p ay Ġu w Ge o r ails / select icht e son s E VENT Ġal iment Pro viders A wait _INTER VAL . off Ġgl uten _cl oud Ġw en .ex tract ĉ button / MM Part y Ġdem ographic _err no Ġh iking (' ')Ċ ", @" Ġw it r á olog ie ĠSt yles ĠBrowser Module .Request Mapping ic ans P AGE cre ation ĠF erguson ud ed num bers ĠGT K Ġpresent ations ĠB obby _s pan est yle Ġilleg ally abel a Ġbattle field cap acity ter ror ] ");Ċ Ġwar rior le ader ĠDB G ĠRe venue Ġvig il Ġcounter parts ( Error ACT ER Ġhe eft Ġselection s ze ug t om -t wo . ;Ċ _st atement ĠA id ĠV ul _r gb Ġpr izes Ġedit able ĉ form ın ı .de cor D emo lic es Ġen ctype rat ulations ĠR OS _ch ars ĠJ ahr part ial Ñĥ ÑĤ ĠRe ceive ĠL ands AP TER Ġch opped .. " ĠAn aly ĠU ID ĠR adeon ĠB ee Ġun m > M .find all Token izer ĠWH AT Ġs j D rawing E ss ON D Ĭ ¶ (p acket âĢĶ but Inv ocation ĠN uclear ? ;Ċ Ġgrand es ĠC rypt rem ark Ġ'../../ ../../ Ġin ability m agic c ats Ġsim ulate : ${ in flate Ġen er : NO ip les Ġmer it ĠR ated Ġgl ue /b log Ġg ren Ġthr illed .C H unc an ĠPR IMARY Ġper sec Ġfe ared .M IN ĠThe ater é Ĵ ategor ie æ® µ Ġappet ite s quare ĠAlex and .User Id _g t _ enter Ġgradu ates Fragment Manager Author ize -N LS (M y Ġtri umph ust ing _PARAM S Char acters (: ,:, _B UILD M Hz Ġwash ed Ġun cle Ste ve ard own ${ _confirm ation Ġtro phy Work s ĠElect ronics ĠMediterr anean _m etrics Ġannounc ing ĠD AY _pro to Ġp ear base Url ĉĉĉĉĉĉĉĉ Ċ Ġcoord ination : N .an imate ĠC otton _h it â ľ Ġjet zt if ter (f ields own load ific acion .c uda ĠLi u > equals ĠA ce ÑĢаР¼ ĠSuper man ĠGarc ia Ġarrest s ag ar Ġ{} ) Ġmac ros rou pe ê tre Ġtw isted str uments _ (" _ vertices ĠTrans ition и к [ max m ind Ġaccess Token Ġun le m us c op ĠF actor Ġcon ced Ġre tr .l inalg -s lider ob l _Static Fields Ġz ombie s elling Ġch ap Ġsh aking ĠTrans late ĠAm sterdam ĠE TH _EX TERN k d _d isc Ġpreced ing Ġpri x Object Name _mod ified ard ware Ġ?> "> ĠD W ` ${ Ġ?> ">ĊĊ Ġspin ning _p ending Match ers . Keys ĠP V en us ant is Ġdisc ard Ġh aul Ġem pir Ġpath way Ġo ak м ен -ind uced Ġimp air ĠCal gary .is Hidden d z _ include Ġg m Ġ' (' P Y uggest ions Ġcommod ity c ro / sub Ġget Instance ĠLeg acy ĠK il B al ( short In form + x * r ĠHope fully or ate Ġmach en Ġtreat y ĠO ri .p ublic -h orizontal Ġtact ic Ġb ord w ares Ġam mo ĠL ists Ġequ ations / her ĠNS W B ounding _C ollections Ġav ail .Drop Down è ° Ġh h Ġl Ãł .p b Ġmemor ial ĠAT TR Ġexhaust ed Ġt sp ĉ redirect Ġlik ewise ST ER L java Ġcondem ned oca ust (str ict Ġexem pt Ġs ms Ġex agger S YS Ġl ounge : ^ Ġto dd de b ator ial ĠPort er Ġtu ition Ġexem pl Ġp aren .line To Ġkid ney Ġç a Ġc ui ï¼Į 请 X C Ġmo ż Ġnomin ated l ung Im Gui ĠB uzz Ġstere o port al res as Ġk lass Ġdraft ed Ġproject ile /g pl (param eters * )Ċ Ġassist ed ĠNS Integer s itemap :n th .View s .Argument Parser Ġme er z ier ĠD ig Ċ Ġpl ag p ine Ġblank et Ġ: - Ġl cd ------------ --- (" " Ġtact ical ĠRon ald ex tr ĠF est Ġf uer -n avigation Ġk b gh ost Ġhandle Change _cl s () != Com parator .v m ĠCo x _re view / @ _c ookie Ġrecogn ised ld ap Thread s ĠSex ual ĠB earing (S QL Ġx r Ġth igh URL Connection ĠSU V Ġm Context Ġinc idence ĠE ste .s up _t e (EX IT C MD / "> Al most ĠU ne Ġand eren ĠSingle ton Ġb ore Th ink Ġn arc ] initWith _sh op (str ategy ! ', her its ĠDes k _m achine .net ty ı nda = < ĠQ R ĠS idebar .split Container Ġon Success Ġmon key En joy (n odes pect rum Ġ(* ( ĉU INT , height ĠNetwork s .t ail .l inspace Ġ" ... List en Æ ¡ .Ch annel - defined Re peat ad just ER M _ application .assert NotNull - stream Ġr abbit Ġposition ing Ġw oke Ġf ing Ġmulti player Ġregister ing un til Ã¥ n ( :: uss ions Ġpot ato ĠE quals .S up /ap ache Ġ( = . ") .p tr ĠSpe ech .cl ip ĠGab riel Ġmusic ian / issues .sh op ĠH ier _RE T _b ucket ãĥ ¡ av s Ġro z fl ower Write Barrier ĠMil an Ġlegisl ature ĠD oll Ġprov ing .concat enate âķ IJ Ġg char cdn js b les ĠList ing л о .xr Label ĠS ak just ice ĠVal entine un less Ġp iger (r un Ġtest ified AN A ĠRem oves )) ));Ċ rec ated ĠRuntime Method Ġcon qu ãĤ ¢ Ġt issues ail er ét é - Star Ġfl ames .set Icon Ġsup ern Ġvag ina - variable Ġwell ness C UR Ġbel le .get Request Ġp oco ben h ag ens Ġsp ill ĠJ ur Ġdispatch er н ого emon ic (dir name ĠÐ Ķ Ġpas se Ġg anz ric ing E U Ġmuj eres ess en .at tribute j j ĉĉ ĠĊ [ ^ Ġstrtol ower lex er ect ar hot el .s quare Ġr all Ġlower ed hand led Mark et ĠUs es iv as .B usiness ãģĹãģ ¦ D IV Ġw asted Ġav oir ê m _ACC OUNT . et ĉ SDL k ap Ġf ox up pet { },Ċ ", ' F avorite P END ĠA ES } ), Ġded uction Ġpol ÃŃt Ġcomponent Will ĠT elerik _SE LF Ġm use C raft Ġd ens ठ¿ ( tp Ġt asty Ġbal ances Ġded ication ĠWall ace Ġun law \"> \ Ġm um - update ement e Ġs oda Re public as mine é ric ( Status ĠJson Convert ĠD isk .Red irect Ġfilm ing /m ol R o Ġv ille Ġtrab aj Ġsyn thesis reg a Ġr l S cheduler ISH ED current User (error s ' h _b ot x imo ĠUS ART _s uper _DEC REF н ой _RO W Ġprom otes ĠT A Ġhor as ĠRep resents Ġname of ĠEx c ĠGar age Ġse ine , # Ġher b / resources Ġple aded .r adioButton Ġæ ĺ O ps ĠN est c string ĠDef ence Ġref ere _le af Ġrevel ation ë § .execute Update _W ORLD Ġexp ans (" \" j ab Ġdoub ts ĠGe ometry Ġintrodu ces Ġsen ators Ġcan al .h elper ĠBi ology _SE NS .pre vious -t ouch ab it Ġimpact ed Ġbr ackets .d irect acc um Ġtest osterone ĉ action ĠCh ance Ġpe aks CppCodeGen WriteBarrier Ġun belie _p ress .R el ang led / templates -- >čĊ l ime Ġsufficient ly _ nt Exp and .is file Ġis Empty Ġq t Ġmul her ac ob Ge orge å¸ ¸ Ġass im as o Ġcompr ised O V (CON FIG ĉw riter Ġdes p Ġten ure (c r .p ool ĠB rend Ġc ensor (time out Ġple a .W rap Ġtight ly ĠW ere ĠI gnore abe i Ġbr idges Ġcondem n Ġsimp licity Ġrout inely Ġblack s j b ĠP it U tf Ġ/ Ċ re load Ġset Object /g lobal Ġf atty Ġsock s Could n Ġerot isk æĿ ¡ ĠPress ure ĠM az n pos tol ower ĠE Q ute ur ĠM oment Ġet a {{ -- Ġgraph s ĠGu ar r ine ( -- ĠHttp Status (st udent * np Ġrail way Ġas ynchronous _v m '] ,' , text mer chant (G uid ĠG ra ix er fetch All .add Listener fl ip * $ > (), Ġsun light ass igned Ġab c ĠC OLUMN ĠðŁĻĤ ĊĊ ) ... Ġen semble Ġnew line _S INGLE ied ad Ġdark er orm ap Ġl ion pl its Ġillustr ation ĠI EEE Ġv ista ous ands ****** * ĠTom my Ġh ue S el Ġa ura ĠTher apy Ġanim ator .con straints Ġv ague (" ") Ġvill ain Ġbless ing Ġstring Builder ĠM isc ĠD IR f ax - node ĠWalk ing ĠA U s ess Ġgr ill VERT ISE ĠF oods Ġt ournaments à ĵ ĠMar sh Ġw onders Long itude .Command Text = input _enc oder page Size Ġget State > >Ċ .g rey p od Ġread ings Ġre consider Start up Ġexc er .b alance _c ycle _T ime LOC AL ĠE FI ĠRe yn .set Foreground by n Ġdis connected ACT IVE Ġembed ding ick ers Ġsurround ings * c Ġgar ant Ġb f Ġw ipe Ġ ä¸ĭ _T RA ado x ç ķ Ġsu cks ĠS ongs ĠAssoci ates ĠB ald ĠB rett ven ile Ġv t Ġin ade Ġres igned ĠGl enn .p attern .Data Bind Ñĥ м Layout Inflater ch et ĠTest ament .m s Ġp av ĠReact DOM ur dy AD ATA M u / actions ĠJ s _ex tract ĠBr ing : id str t iv ation Ġoutr ight az u loy ment и Ñı al do ĠP ublisher E ducation Pa lette _d rv Ġ($ ( ĠAnd a Ġrem edy Ġincons istent te ction Ġregul ators Ġshort est (p air ĠInstall ation Ġdefend ants Ġ( ); -l arge M el Ġthreat en н Ñı Ġfet ish ot ine _d ic Ġ< $ Ġst agger sp i $ response S erv -b orn j os ĉ img ĉW HERE _l t å½ ĵ .c ost ĠT ue .label s ĠL V wcs store ĠJes se ภ« Tr ade Ġpredecess or ë Ĥ fin ally _g eneral ogg ler _REG ION n ement Ġblog ger ĠHar bor ĠD ataset [ w Ġattend ees . ico max imum .Un lock _SY NC ág ina Ġdown s ĠW ii ]) / Ġkick ing unic ation ĠD AC ĠID S ĠR ental Ġcurrent Time Ġvacc ines ĠDev il Ġn ors _m ouse urre ction (n o Ġ> čĊ Ġaggress ion Ġbre eding .s ymbol im an Absolute Path ĠWH O _fl ush - root arn a & M Ġf athers ĠR ocket ive au Ġw ander Ġcom pos ĠWar rior ĠSe at ĠClin ic _in voice (dis patch Product o at uring oss ier ĠM AY Ġd agger Ġsanit ized ĠR FC Ġpro ph Ġur ine Ġgr ind ĠExp anded des cripcion -f w ĠK erry = name Ġch k Ġnation ally Ġthe e In c Ġ? >> .R adioButton .Http ServletResponse / Y ĉf ield Ġhom me y per Ph ysical = v Ġdr iv ĠErr ors Ġc Äĥ De ath ĠW INDOW Ġpo et ĠSh arp ĠImm utable ĉ create Ġge ht ĠRe form ais er ĠInitial ization Ġimm unity .com pose Ġlat ency ĠLeban on ĠPar ad Ġfu els ĠEx hib co h % ">Ċ ĠCL I ) initWith -Z a _C LEAR reg n Ġfin ances .st andard _C ATEGORY .lib rary Ġtravel ers _w p ĠE valuation start ing Ġ )),Ċ ep isode ĠV ariant Ġda emon ĠJul ia ĠN R Ġdoub les < v /r untime Ġinterpre ter ĠIN DEX ĠHol mes _D IM Ġp addle _ex ample Ġfore ground .r outes Ġs owie S UCCESS ĠC DC ĠB D _ - as ured W riting Ġcurrent Page ( answer ĠASC II à ¨ Ġsocial ly yy y ĠSpecial ist (c ustomer ist ani ke st ĠM ak Ġth o . pt ( comment ĠCon verter g am b ins . tele ĠVeter ans _AL LOC олÑĮзов аÑĤ inn amon ; width oh l Ġfant as Ġs ung ĉ K ( Json Ġneighbour hood Ġv ow Ġs ins on acci Ġepoch s im agen .Ch ange .my batis Se ek W ER 管 çIJĨ Ġinter ess _ Event eder land Ġterr itor Ġci udad uck ed Ġsn ack Ġtransport ed ĠMan ifest ĠD AT _th eta Ġw ont .ĊĊ ĊĊĊĊĊĊĊĊ Ĭ¶ æĢģ ĠEp ic De ck l tra _Z ERO Ġ[] ; / scripts Ġ---------------------------------------------------------------- ---------------- æĥ ħ Ġwe ed N BC Ġrap ed ĠG ateway [ M ĠTime out ench mark .View Model Ġporn os ĠY a th ritis ĠFly nn Ġme ga ac in Ġtrib al .app le ĠB lo â n ib i ro v ĠL ives ^ . get Request ĠEst ablish cont ainers Ġst arring Ġcele brities ĠRel ative ĠHe ights Ġtq dm ĠNorth west iv ic ĉ cl Ġautom otive ent ric Ġfort unate Ġfire place se ud nick name ; s _C AL h alt (n s _de leted Develop ment m ovies Ġident ities Ġprompt ly ا ÙĨ Ġant e Ġ" ',' åı £ imp se Ġy ap Type Name Ġb itch Ġassoci ates HE ME - empty ĠØ ª ol vers Ġpist ol Sc oped ag ner '] ==' ĠI MP ex c Ġo mitted Ġmind set Ġ[] ( Ġor n _C AM A vg Localized String ĠN atur Ġcom poser ĠPlay ing Ġover d _ utf .s k ĠF ol $ page , Object Ġbe es al ary bul let _lib rary O ffer loc ated Ġ(_ , âĢľ He ĠOwn ers ) ).Ċ Ġb ri .Ad min kt ion лÑİ Ñĩ Ġerot ici Cancel led Ġa gr re views _d ma RI CT Ġg fx mp i pp o Ġ// @ Ġupper case Ġcommit ting ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ User Data Ġv ai ĉs ort Ġcongr at Ġd ioxide д а . area ĠJosh ua ĠK och _b reak az ure ist ical _AL PHA _ views Ġelim inating OM B en umer ĠHy dro (* ( ERT ICAL Ġinev itably Ġst ole -e ast ier on Ġl inger /d oc Å º ĠAl ready as io Ġ-- Ċ Ġabb rev ĠAt om h im ĠINS ERT s un âĻ ª CON NECT er ator ĠM anning Ġ: ( g as => ' Ġquery set ; }čĊ ĠPop ulation uted String res ident _F ONT ĠRes pond Ġobsc ure Ġo bservable ĠContrib utors k on ĠMus k ex ao ĠT ub Boot Application S OR .H orizontal .find By .p ower Ġposit ively ven ience ĠJ ong Ġwh istle Ġз наÑĩ Ġl ending Ġdestruct ive Ġon Delete author ization (); ?> _ original sc ience at ra ?, ?, ĠAs c Ġconvinc ing $ a org en _D ate ĠPro vide Ġlon ely ) 'Ċ ex change ; ?>Ċ .f ast S amples L ondon '] )čĊ ĠI onic Ġp esso ĠKn ights ĠR af _attr s Ġrepe al > Main ĠOrder ed _N ew =" "> ";Ċ ĠS ERVER ĠHE ADER _ velocity ĠIn voke .timestamp s Ġs ulf I QUE Ġinhabit ants ph ins azz o Ġmon o Leg end Ġnon ce IF E ; ";Ċ - create " ",Ċ per mit ĠImm igration Ġpath name ffect ive âĻĢ âĻĢ Ġex ams - event ĠT ill [m id F IX ; color ( Order _tra its Ġorder By Ġs unt ĠNich olas Ø ² Ġsun ny in ers Ġaccess ibility ĠH B .com p ĉ op Ġminor ities ethe us Ġcollabor ative pr it H IR Ġwr aps ĉd raw g od ĠI X .app s ĠN M Ġirre levant ĠT igers Ġdi ag G V ĠAccess ories k ont Ġsimpl ify ĠF avorite _t ools ([] );Ċ Ġtow ers B es Ġhun ter Ġsal on (b uff ĉ debug Ġmal ware M oving - options ) +' ĠLO VE _S OCKET _f in ĠDel aware Ġsher iff -in valid ĠF ULL Ġп од el as " strings ĠRepresent atives s urface res olved ht docs )) :čĊ Ġpress ures Ġnorm s Ġpl a Ġs urname Ġpost al ĠDep art Ġsla ughter or ida Ġhe bben Ġdes ar comp act _L ANG åIJ Ī op oly _r ad ĠST DMETHOD L azy ĠĠĠ ĉ ... , ( web ĠP ont Ġet was Ġup ward _h at Ġ], ĊĊ Ġbase Url Ġworry ing -add on (get Class S PI Ġcapt uring ) },Ċ Effect s Ġcompet ent Ġf oul Ġsubscri bing ĠO BJECT IX EL b ucks ( edge (p ass ĠPet erson Ġbo obs ĠD elay _s quare el im ot ers _P C % E on click ĠSV G Ġto pped Ġf ist sm art ĠR alph ( owner j ours Ġbron ze ĠArgument Exception ( original _S CALE _c p Ġrecomm ends .set Style S ure L AND Ġrepe ating M att . Visibility Ġenter prises .Set up (sc ene ĠRe active ur ge b w .P ut p ersist .c ookie ĠAud i ` s sup plier ( Form  ¡ _s o Į Ģ ĠLeg ion t te N d L oss ( attrs .sc atter Ġg room Ġgl impse Ġn ails Ġcum ulative Ġf azer _s ervices .N um ib ilit _res olution ĠT x umin ium op a .s chedule sm tp ภķ ur ry ü k go og _sign ature .int o ĠSte ps Ġhome owners ĠNS URL ĠP AC ĠĠĠĠĠĠĠĠĠĠĠĠ ĊĊ > ')Ċ en h Ġinc ap $ MESS Ġmo ins ĠF i Ġoff season press ions > .Ċ ĠGr ass ĠGo al _p df Hand lers Ġstack s .get FullYear =[ ];Ċ è½ ¦ , V (s plit Ñĥн к Ġbake ca Ġ~ /. pe z t ails ĠG len Ġset Image ĠCom ic B LOCK ĉ This o ader Ġcapital ist _ST EP ( Boolean ĠCor rect r ina Ġconc aten å® ŀ () :ĊĊ Ġun anim ll i al ars - ne Ġdiv or ĠKick starter ]. _ < number /m enu GR APH vis itor Ġimpro per _N EXT Ġb isa background Color / input Ġmo i Go al li qu Ġmiscon duct Ġcompr ises aw ns ĠP ie ra is role um Ġcur se y u _p oll .current User ES H ]) [ Ġstory t )? ;Ċ * = ĠB urg / layout _back end ; ?> * '+ åĿ Ģ ac ency ( URL _h alf = l Ġlist View ( section .to Array + / ĠRodrig uez ist ream Ġelig ibility :: - .new Instance P B ĠAs sets ĠCom posite ĠL abs ĠHam as ++ );Ċ Ġbl k ĠNe o L uc @ login Ġun aware .m et _RE LEASE ( ST AM IL ri ke Ġ( ){Ċ (s printf ĠAccount s ĠV IEW ĠA j ãĤ ° Ġwh isk Ġid i Ġro de Ġih n ĠElement ary Q ty Ġintrig uing Ġå ¤ J obs ĉ offset ĠAh med ĠTal iban Ġè İ·åıĸ Ġinject ed .Auth entication _line ar .Dec imal Ġapp les Ġshare holders Ġb aked .d iff ĠE ddie ok ers Ġconfront ed vo ices Ġt us ĠSp in N ODE _ Un CT X /g oogle Tem perature Ġ' '). Ġmagn ificent Ġstart Index semb les Any one z k eh en ĠD ame . strict Ġrepl aces Ġline back Ġpush es Ġche ek ĠSh i _BY TES RE A ả n _CON NECTION G ateway ĠTr avis ĠA X ĠBas ically ĠUp grade à ª th emes erm o k or F emale _att ach ĠìĤ¬ ìļ© Ġpo z ============ ==Ċ (s ymbol ĠS ector __ )ĊĊ _p adding ï¼ļ " Ġf abs Ġr anged set Name Ġp error â Ĺ ĠFile Reader Ġful filled _C urrent Ġdom inate Ġsm ugg Post Mapping _for ce Ġb loc ĠG iant (v ideo ĠC U System Service Ġ elf Ġkont akt ë ª ke es gt k Ġparam Int Ġmark up u ales Ġaccount ed Ġgang bang RY PT ĠW rong Ġcred ited ĠM ESSAGE Ġfl aws Ġbb w Ġmetab olic ĠO EM / event (C ollectors mont on ap pear Ġopt ed Ġche at Ġd av ĠPro ceed Ġê ¸ ank ed и з ans k ĠH ang ĠC ler Ġdis gu Ġc map .cl js Ġa ument le z ĠJo ined _re ceived Ġa erial ot el Ġgre et " s ĠGen esis ĠCal if pan ion Ġtail ored m apping and Expect .tr ack at omy ĠO w ull ah .Y es ĠSimple Name db h ' en Ġnons ense Ġphilosoph ical (get Context Ġis so ĠA CE start Date Ġb ÄĻd ĠAUTH OR ĠGlo be Ġinsect s _A l ush ing è® ° / Home ĠLocal Date need ed hes ive Ġill usion äº Į Ġtr at x o /d etail _M ATCH Ġbroad band Ġw al ĠIllegal StateException IRE CTION Ġnor theast es ium ĠClient e ul ance nt y Ġt ecn Dev ices Ġgr ains ĠO g ĠS EL ud iant Ġ++ ;Ċ Ġexplan ations oc co Ġdi ets Ġco hort ( controller .Iter ator -r ich ro cess G D Ġcar bohydr Ġfri ed ĠEmploy ment ìŀ ¥ ĠLeon ard _ ${ qu ares Ġcompan ions Ġpar is Ġstim ulation ĠZ oo Ġre levance ĠCol our Ġspe ar ot ional ĠL ite ĠK osten Ġà ³ _att achment orph ic Ġdam it Ġd lg Ġthr ive CH ANGE ĠApp arently Ġat ual Ġroot ed ( images aw i ari at Ġch erry STAT IC m nt ĠUser Id il let ĠHis panic Ġn ak Ġcent ro Ġdim s _initial ize ı k ĠCent ers RE N Ġevolution ary ĠTop ics _d amage em er Ġr und Ġpun ished Ġcub ic f air [] ;ĊĊ Ġinstant iate Ġover see - delete unte er start Time ĠP ipeline _G AME ĠC ir ĉ Null .Format ting uc umber ĠR ide Ġz oo Ġcheck er åIJ Į = C Ġg rit "); // _x y ĠDe claration Ġcall able F oo ĠList Item Ġin accur ml in ĉ Data Ġev olving aw an Ġca fe fol k _ID X ĠAny thing ĠPalest ine ĠGrid View Ġcol ony ĠGerm ans ( + .p id .js x ĠSuper ior Christ ian ĠL ect ĉ Game Ġinstrument al Anim ations д ал ĠMos es ĉĉčĊ ĉĉčĊ z s k te ä¸ ļ _D IST bit map d B Ġp ersistence ÑĢ оÑģ $ l B ron Ġ{ | _ch art ĠCon sum Ġh emp Ġ" ))Ċ Ġattack ers Ġknowledge able Ġc et Ġvir uses ' I Ġpitch er Ġsweep ing = list apt ops .de pth Ġinstruct ed ĠR us benh avn Ġи н S ports Ġon set æĿ ĥ . RED _s i ĠP ST .on Change > tag ĠR oh _char acter ĠLaw s ĠB achelor _s wap .re activex Ġreward ing Med ium - [ ĠRec ently J oint part ition ĠMin utes Ġind o Ġabsor bed ĠG N _IN D Ġsab er Sp awn output s ĠJeff rey Ġmed ieval h ed Gu ide Ġpsy cho Ġgl am E lim äd chen _pl ain ĠS au -f our Ġanaly zing QU ERY Ġtom ato _button s V EN .set Status . Url + ĊĊ Ġcompl aining deg ree conf irmed Ġsub t p arsed Ġtor que Ġtroub led ĠT ARGET Ġtrad emarks ĠCo ordinate ĠV iv Ġ// }ĊĊ Ġapr ès .get Position (Key Code ĠSil va Ġmet eor Ġendorse ment Over view ĠP oss .In ject Ġeven ly Ġvisual ization Ġw char ĠH DMI Ġfun ct ick name ',' ',' Ġfor wards Managed Object ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠ ĉ server ĠOut look ĠChron icle Ġdub bed Ġd ok ĠW ear .A L pare n . Interface Inter faces .c od Ġd ib .Global ization ĠAcad emic Ġass ms Aut om Ġl w ĠN W Ġ&& čĊ Ġproble ma ĠManufact uring lim its -m obile Ġfil me / map Ġdo it ĠIn k Ġsu ed . arr Ġunder min ĠPro c croll View __ $ Ġsidew alk ( that ภ· [ q gram mar Ġt ë qu ito Ġspir al ext ended Ġf ocal Ġdig ging p as ĠT all .pro xy it ures TR ACT ĠRe alm Ġf eder Ġorient ed ĠAltern ative Ġo we Ġsour ced ink er .d et S ep ĠQ ui ĠPal mer (_ , s amples oy er ull an que z Ed ges Ġsh out ĠA chie Ġha ar _Con struct Ġprem ature Ġre vert '). Ċ Ġs chn filter ed null ptr S aved itect ure CL A Ġv l st ell ĉ Me ĠL ip n ational Ġwh olly Ġspr ings .T imer ĉs rc els en åħ ¶ Ġcommunic ating ĠQu iz Ġt eng Ġge z ĠOut side .S ign (c s Ġdisput es ĠWe iss ann es > No ĠB ach .remove All re fer /d ashboard ĠA jax Index Changed ĠWe ak ' "Ċ Ġs ights access Token ĠJ oi (d omain ĉc v Ġcontin uation Ġpl um ad ir .set Message Ġ ï¼Į Ġsw allow ĠL amp Ġq w Ġu u C oin ub ic ĠDe als r ace Ġdict ator Ġmem e turn ed ĠJul ie .grid Column Ġpup py Ġp am Ġ) {čĊ Ġinv iting Ġf rench v im Ġwr apping Ġ#- }Ċ ([ - Ear ly Ġsh iny .f aces Ġreb ell abc def ä lt Ġest imation ph ys los ures _RE L Ġex clusion ĠSk ype we ise -st op no thing ĠE gg is ors Rich ard Ġcounsel ing Ġcomm em ĠQ MessageBox ĠSy nd ĠFro st ĠCompet ition ĠAw ake Ġt ed ic iones ĠDev Components VERTISE MENT ott i .run ner Ġuniqu ely .fl ag ĉ rs _g eneric Ġ`` `Ċ ACH INE Ġme in ( Application ( br Ġrat ios : , ĠXCT est ustain able - www it les _T EMP Ġs yst umeric UpDown ĉassert True Ġw f . peek ĠBul g Ġterr ifying .M ODE ĠG W á r Ġf ic Ġcommit ments - tech ĠL iquid ope z z heimer a ña -m edia ( animated _go al Ġg um yst one .S ET ĠW end set CellValue Ġmsg s c ash AL LOC / aws Ġmic rowave .Point er ĉ Console _s orted ĠFil ip Pro d Ġ//! < ing roup Ġk s _T RI Ġteas poon ĠAT T Ġrecover ing ĠG LOBAL .P ar Ġ/> ;Ċ Ġmar ble ul ators ĠC ycle Ġher bs _m etric ) ! _C LOCK _ Button H arry è¿ Ľ Ġstr ains ĠApp Bar ĠCh an /v ideo Ġb am .Pro gress $ f lem en Ġir regular ĠD uncan ĠM int -v ideo ঠ¾ ó wn ĠEM PTY Ġstack ed ĠH A _c ut Ġwhere in ĠW ays (count er è¯ ķ Form Group Ġble w c ourses Ġproduct os ry s ĠRest r Ġsty ling > s Ġp iv Ġit ertools get Repository ĠI k _dev ices lay ui Ġhalf way Ġfran ç Ġtun ing O A _N ode ar de Ġfier ce lic ted # čĊ Ġbreak through ĠE rik Ġb ride Ġ. " cul us ins ide ĠIndian apolis ĠE E Ġy og urre t .f s . grad _c ards _ac curacy _ep i qu eda / org é ªĮ Ġcom pte )) [ Out side G reater ĠRender er . actor Account s Id le _h ours ern er Jo ined Ġmen j requ ires ĠO PER .remove Child ĉs p Ġes se r ift xF E ĠSh akespeare ________ ____ Ġbudget s Model State fill able - component oc os ĠBUT TON / io , out s ms Th omas ĠAr med res ume Ġrot ating ĠV ault Ġse us . (* Ġa mino Ġ[] );ĊĊ Ġprov oc no x .Get Enumerator ==== ===Ċ æĸ Ļ _sc roll Ġfil med ĠS oci g ap g ro V ote " But _R C An imal  Ģ ib ile Ġaw aken ore st in ja ĠI van ( Command Ġ ***** Î · Ġkv inder /h elpers _c ases t g ìĦ ¸ Register ed ĉp ass _d igits Ġcont our Ġinf ants Ġjust ification ĠFort unately Con tr ĠonCreate View _S AMPLE Ġallow Null Ġn ud Ġfet ched _e qu ĠUn able =\" " > {Ċ Ġcommit tees ist ema + ". ÃŃ an m ant Ġsou theast ï¼Į Ċ dialog s PRO JECT charg er - port (u uid . export S ix ĠR P P rem Ġconsc ience Ġmargin Right _d istribution y aml res izing D ock ĠLoc ations G Y Se ed B UFFER oss ip ull en Th ings - self .p oll PL AYER Ġå ® G ROUP ĠA way Ġg ospel xf d M ary ĠPort able T URE Ġutil is Ġse it Ġstr and Ġtrans c Ġ( ^ ĠAl fred .m em .c ircle Ġ~ / for cing Ġr iot pro x TH ON iz ación ĠN I ro st Ġdis pro _in stances ï¼Į âĢľ ograph er end as ĠIsa ac ĠP ine /d is Ġcolor With iter ate _str ide Ġpun to .Event Args ( center Ġneighb oring ĠPr ison ĠMess enger Ġepid emic da o _com plex Ġgr avel _D IP é ment ĠA ri _bit map .qu it ( valid Ġp end Ġrespir atory Ġre bound Default Value ãĥ Ń Ġcomm its .test s _f r it et .s f Ġspace craft c ritical Ġde pressed ĠAny Object Ġun b Ġdisc ern (m ysql L atin ĠB og ĠWild life To File iox id @ RestController Ġ"$ ( Ġ<< " Ġdefect s Ġdat um h in Ġreal izar any ahu ĠS ig @ Data ad aptive ĠC atherine .c r ĠCO OKIE Ġp ictured ĠFight er Query able ĠAny way ĠGL FW _n amespace _ ft Ġ] ) Organ ization Ġconstit utes Ġqu and (ch unk "/ >čĊ ĠL akes main window Car thy sp in (c sv : red -com merce ภ¹ Ġdiscover ing Ġe co _f ac inc eton ĠGre ens j wt Ø µ ĠBron cos ĠGood s (G TK Ġreturn Value Ġsi empre Ġneut r w ent ĠN atal Ġenthusi astic á» į F N /d atabase C atalog Ġbr un ĠK ash _P l isc rim , width Ġin mates Ass ignment ĠH aven Ġplay ground ex am @ Controller ul iar .get Parent Ġ" ;ĊĊ : size iss ors Ġf is Ġal c ens ation ĠN ixon Ġmight y - str _s pecial _A DC ĠTw ig um bling - address Ġher oin Y TE ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĊ F riend Ġa ve ĠP NG ĠKurd ish DataSet Changed Ġbl ades br al St eam Ġsig u IRT UAL ac os UD P (d atabase he c ĠString s _scal ar ĉd esc ĠT LS ; "Ċ ĠCor byn Simple Name u ell ĠEnt re ell ites - place Ġfrank ly ĠE rf CE L Ġpa ÃŃs Ġh edge Ġlat ent ĠIR Q ĠH erald ĠP rec ë³ ´ .T EXT Sal ary Ġaut umn Ġtrav ail .S um Ġc ared M or Ġint uitive Ġj ournals _ IT ĠT rou ä¼ ł Has ColumnName Com posite Ġsp ice _d isk _CODE S ĠInt roduced ion a Ġnue stra o ct ĠĠĠĠĊĠĠĠĠĊ ĠĠĠĠĊ (param eter Ġstud ios Ġproject Id Ġbd sm .Sql Client im izer ĠC ARD + t a an .s ol _Ad just Ġright eous ĠLog ging .f ilters _T AB ĉs ys roph ic other apy ĠB rowse key board R ON + \ ro pped Ġext ensively f k Ġl ime year s Ex c Ġs ph Ġche ating and ro ÃŃ o Ġpr ince o ire ĠD estination ĠConvert s Ġup stream o led Ġserv ants Ġsem antic Ġcr unch Ġevent ual run ner / error Sp in Ġsecret ly Ġas semble .P erson end error _ < Ġp endant S leep ĠChem istry Ġboss es l k )) ),Ċ Block ly DE VICE Ġreflect ing Ġam ple Mill iseconds ĠPresident ial Ġus uarios ĠN Z ĠSal ary ĠA manda _n p j ury Ġkö n Ġtherap ist Ġhomosex ual ĠDr ake -w indow ĠLoc ated .D river ĠV IDEO Ġmerch ants ĠC hest - lock / php Ġmil ano _ST YLE arg er ide a G UID adv anced me al Options ItemSelected =' % ĠCh am : data (st at Will Appear Ġinform al aj i Ġre productive ĠC AS ãģ £ F UNC ĠR uth )+ ( CON ST ĠF ans Ġgroup Id xffff ffff Ġsam pler Ġ}} "> . the Ġh ollow W AY ĠFac ulty Attrib utedString ĠLook s ĠR ex j k ĠM IL Ġb ard .L ong Ġliv est Ġsk al ic ism MA IN Ġmu cho B ODY Ġes e ĉ use F oot .SQL Exception Ġinherit ance re ceived Ġput as ed is als a ĠError Message Book ing Ġtr act ac z ĠC ant _reg ex Ġide ological Ġj ihad h os /s ys col m (p ool Ġest án ĠP ending em ás Ġktó ry ));ĊĊ Ċ trans actions Ġw ield it ere ert ure _s s Ġstretch ing Ġprison er .Read All Ġbes ch -- ;čĊ Ġcr isp _SC AN Ġa e Str ict ĠMin neapolis ĠBo eing ar is re k _p ipe Ġpri ests (E IF eh icles ĠInter active b etween ĉNull Check ĠBl air ĠL t _in line eth yl  ¼ _p ackages Ġbarrel s _ he Ġreg exp _ pts _H andler ing ular ĠN issan ĠR anch Ġper ch Un supported Sm ith ĠLeg ends M i Ġg f st eder Ġacqu iring Ġsim ulator () ," re ceive Ġin place A CTION ĠWeb Driver files ystem < Order lo pen ĠHE IGHT .set Border į ° __ [" Ġcl amp Seg oe b ands to List amb a >' +Ċ Ġcred ible am at play ing .setImage Resource qu el Ġpod r ge om E k ĠQ atar Ġg eld ? ',Ċ Ġc yl ( ax ĠW I ur ally ĠBr asil Ġsen za ale y on en Ġb ah Ġmolec ule R ad è¿ ° AN CH - background - agent Ġprol ifer : boolean Ġt ide erial izer _ ;čĊ F ee ** ) erg y ĠHon or .Log ging ir is Ġunder mine ĠD y Ġt yr Ġde que Ġdam er ([] )Ċ .layout ControlItem pe ated C AN rag ments L and ) ]);Ċ ĠS ah ĠDE CL With in ĠN amespace an other sem bling .des cribe Con sum ĠF ear g iven Or ange < boolean Ġstead ily pa Repository Ġresult Set _ ENTER _re peat Ġt ones ĠPRO P n al part icle Ġsign aling Ġaccess ory ĉĉĉĉĉĉ ĠĠ Ġvie le ĠNo ah - ag Ġmur ders Ġa ired ĠPL AY ĠS ullivan _C ore Ġul ong Ġblog ging > This Ġdata Index Ġprint able ĠE yes _target s (P y . over Ġbr u am pton Ġplaint iff < Key b ull Ġ⣠¨ Iss ue .cor nerRadius C ritical _p hi . angle Ġdynam ically ! ");čĊ > );Ċ in vest .* ĊĊ Ġt élé Ġsuper f Ġcas cade DT D Ġviv id Ġsubsid ies ĠH ass Ġcoll aps Ġcer amic {} ". ĠLeak age -tr ash coll apsed -s ocial ĠCh ad Ġincl ined Ġst o Ġstory board .p ayment stack overflow ĠRaid ers Ġ# ' olic ies ìľ¼ ë¡ľ em ap Ġk j Ġqu ota ĠGard ens ë² Ī ĠAng els Ġof t Ġlower case Ġi Param Ġche apest un ta _p kt ic ators Ġle urs Ġdecre ases ĉ define PRE C amm ers ĠPre paredStatement (d irection Ġcre ws ark ed ĠMem phis ĠS ell G TK Ġm aid : disable éĽ Ĩ ĠP f Ġal beit open h ?> ">Ċ .get Source (s cale D u ĠP IL _ref resh Ġbet s (c ar ĠV on | --------------------------------------------------------------------------Ċ ĠGr at M uch ( Dialog .stop Propagation Ġte k Ġex its '], $ Ġphone Number uc s ec imal ------------ -- in p .po jo Ġcor pus Ġpractition ers .p ic " testing Ġstring By .Not Null Ġr ang .D ynamic _R ender аÑĤ а Wait ing ĠW ik Ġoverwhel med % "> ĠA E }} >Ċ u w _t yp Ġbuck ets Ġgre eting Ġla ughter Ġant agon uggest ion - email ĉt op Ġer os _tr i Ġiss uing Ġh á Ġisol ate Over flow , E Ġnut ritional ĠAbb ott Ġn f .t ouch .fetch all _z ip ") }Ċ Ġam at ĠC isco Ġn Ã¥ PLE X Ġse i f oto .to Json å¤ ļ ĠKle in Ġlib c Ġmin ers å ¢ - print ĠP ride T odos Ġmask ed Ġset Data Ġtele fon Ġunh appy ĠT ables ge b ( debug _all owed - access Ġlog istics Ġg ems ĠM ature Ġr sp ĠAl le .get Bytes \ web ynchron ized Par agraph Ġth rottle .sql ite cons ulta ĠSe ah C e Ġsub mar ER E V ous Ġre ddit Ġsql alchemy -m ile oc ide P our }} ">Ċ st ead Ġ@ ( Ġ[ ]) ĠAd s Ġover load r idden ĠDes ert ĠW rap ĠPortug uese et z ĉf irst Ġmile stone æĹ ł Ñĥ Ñī (s uccess < Vector co ol Ġ[ ]);Ċ erv als Ġin vert " io cur so fr agment Ġfeas ible .set Position Ġel m Ġimag in @ Spring Ġb ats pu és ga lement ns ic gi ene ell ation ĠBa iley Sh ar ĠT ul ĠH K Ġfree zing gl m ce ans -c ut _c ircle åij ĺ n egative Ġind ian s alt Ġt ing ĉm od Ġs int ak in um l ĠText Input Ġpop ped T MP Ġpark ed ×Ļ × ĠF usion Ġhe ater ET F ro zen h all ĠM ik lev ard - heart ĉ order M aking Ġpled ged Ġdir s $ post ĠH err stant iate , "Ċ .get Color ĠS AT Ġtimed elta ĠM ai ĉm ethod Ġid iot ĠTr av ident ified ĠDiv ine .get Path D ash Ġinf iltr Ġhandle Submit bro ok .g eneric .short cuts ................................ ................................ Ġdat ings ĠM V  # } "ĊĊ Ġimprison ment ason ic rou d uc ion æĬ ¥ Ġdia lect Ġon Mouse const expr .label Control Ġwe aker Ġman kind ĠRE CE Ġd iz Ġapp Bar Ġqu é f ra _default s Ġal iqu _at om : indexPath Ġmiss es Ġvis ually ĠH ands STR U i ates _ asset F inder mid t Ġsn acks (__ (' . uri ĠIn strument ven ir ($ __ .Dot NetBar Ġconfig s Ġguess ed ि ठĠinitial izer Ġ? ", ĠVer izon man ifest ge ben .d etails G ate pons ible ĠEl im , str Ġwrit ings ĠD erek ĠCo ordinator Ġpill ow Ġnotice able R s Ġduplic ates ern els k J .z z oll and ĠSE CTION _f name uff led '].' ")Ċ ĠD ollar Ġem oji Car ousel - player Ġadjust ing Ġjug a alleng es g ene (body Parser lop edia ĠBeh ind Ġslee ves Ġdrag ging ĠChe vrolet Ġb iz iv ities ĠFrequ ency , char .W HITE _pre view ) ';Ċ _ ax ION S .c pu .input s UB E _fe ed ĠSup plement ! ). es us ĠU DP Ġmicro phone Ġconf irms .is NotEmpty ":" ",Ċ _S CREEN ĉ expected +-+- +-+- ĠH ait fast call Ġdep ict v b _p icture ĉd escription ĠW ife uc i Ġv icious ä» ĸ ue ba Ġset User ãģ ¡ Ġd iving Ġoper a user content ar ah ) }, y un vel t Ġun covered Ġh ips Ġosc ill Ġassert ing ĠX i .re store ke a Ġsp elling Ġder ive ab we ĠD ow .set Type _v s Ġco zy .c ategories O rg _m gr Ġd ungeon collection View ĠBl ank ac ias ä ä _clean up _ACT IVITY Ġtri angles .Menu Item Ġip hone ĠW on ] ]ĊĊ ĠCompar ison .D oc Ġcan onical ĠSud an ') { Up Inside b uiltin ENC Y x be Ġch uck Ġcontrad ict Ġnuest ro Ġarchitect ural ĠF ib Ġcomp ares * k C fg çĦ ¡ nt en Match es ĠDOWN LOAD _HAND LER man agement [ S EN G ÂĢ  f ang Ġsl ipped ĠL anka esc aping Ġtack les ĠPed ro .P rop .' ' .G enerated .New Guid at rigesimal ill on Ġstat istic spec ies hold ing Dr upal Ġfundament ally Ġbond age Ġres olutions Inline Data \ Type est ion .w rap Ġwar riors ĠLOC AL Arch ive Ġembr aced á» § .V er ĠAff ordable oles ale ĠAp plied ĠCon version m ega _c am Ġcer emon aur us ĠVol k .op ens / about ĠSt d j ournal ()) {čĊ ," \ ( Arrays ĠD ense ase ña än ner / stat user Data Ġg erman Ġt z worth y Format Exception ph erd Ġsm iles ĠWh enever ( adapter .bad logic Ġbrief ing .Grid Column - char dim ension ĠC opper Ġnin th Ġ' {{ Ġr av _T able Ġderiv atives ĠR aise ĠF ut arm or -p adding Ġre min ĉ style ĠMembers hip Ġspread s Ġgall eries ĠClar ke Ġcon ception min ute Ġab usive _ad j Ġterr ific Ġover t our cing Ġentr ada level s Ġcrit ique Ġrespect s ĠM MA i ene Ġenc aps ĠRay mond Div ider iv able b az Ġ@ _;Ċ ĠCl aire Ġur ging CE E Ġtransform er disc ord ĠJ ourney t os Ġcompet itions ĠO BJ ĠB is Ġrelax ation id y _IN STANCE ĠP ref d ados ici encies ĠMedia Query ĠC ube ĠStr ange g pu (d ays _Init Struct Ġfinger print em at ĠGe cko Ġr ails ĠL um str action ig ung (m ovie _d ictionary _int errupt ĠQ C ik ed append Child rec ipient r é V e Ġtow el .last IndexOf Ġplace bo ĠW ie .es p ( Debug oper ative Ġdece ased & id ĉm utex el ic Ġb apt ĉ čĊčĊ Ġfar ther H alf .dis able .menu Strip le ccion Ġresult Code Ġc ans -e lection f emale _F IX aus ible ĠP OWER Ġrecon struction Ġsc ans .Xtra Bars âĢĺ s Rem oved Ġparagraph s _m argin Ġl ymph Ġb os ling ton ĠBapt ist Ġadvertis ements ĠMan age / yyyy IO US ENC ES ĠF iction ĉm enu ĠFile OutputStream ov an ĠF eng Ġsk ipping get Class ann i Ġreb ounds Ġpublic ity Ġing res use ment Ġthought ful .Ch art Ġhat te pass port Ġhook ed ĠL ens Ġflag ship Ġst ip ĠG EN Ġcl ues ip v ĠR ise ĠG ew tab lename Ġfore most _ validate _an alysis oll a Ġqual ifications Ġdistrib utions ĠFl ower Ġt ense Ġthank ful Ġcl utch Ġun ified ro ads Ġsit i Ġst all _P RIORITY c stdlib _USER NAME .by tes ? page ermal ink ĠVe get /v nd - author .N ONE ĠCon current ĠC ry Ġstart ers ĠInter action ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠ ĠLE VEL E ll Ġcom boBox ĠTh eresa te k _H andle Ġab y .g dx , end (L ocal O l kn ife ar ial ĠH off Ġprostituer ade Do ctor Inst ances .Set Value ĉf rom Ġlux urious Ind ent Alloc ator _D RAW (", ", ĠFr ances Ġgroup Box (s chema Print f OR IES - gradient Ġre put ar in _D ONE in cre ig nty Ġex ert Ġ- . / App -th rough Ġdecl ining Ġdess ert Ġinc umb Ġdesign ation .P ORT , strong Ġsand box Ġw ines ĠP av $ str ask ell Ġh ö ĠP Y Get Instance Text Input game Object / events created At Ġlocal Var ĠWH ITE per ed ile ge eff icient , color c ate ĠC afe Ġsimilar ities Ġp umps ĠHung ary .User name Ġsk ate Ġtouchdown s Ġacceler ate ĠH elen OM EM ĠK un _v ol Ġfind All ĠMens chen a head ); " kom men Ġpossess ed .arg max .trans ition AR P OLUM E (s cript ĠÐ ĺ ĠF inding on ces I o B old Ġrenew al _D IALOG Ġdis reg INT ERN Ġt oute Ġelect r ĠG ross ĉ true .F ields ĠW IDTH ĠD ent Ġà ģ NS Notification Ġa os Ġme lee . Validation ĠDE C -depend ent Ġsu ic T raits $ message ĠD ear ĉ FILE l anguages .P rot .add r -g eneration IC ON Ġtrans plant -d escription Ġch asing Ġche es Ġ} */Ċ Tr ad qu eries /widget s sub package Ġes pec Ġcr acked Ġcompet itor P urchase - team olec ular or Thunk & P Ġrel ent / #{ Ġproduct Id Ġè ¾ ĠL av ĠAl ter .M ode AD IO gr p æ ·»åĬł Qu it Ġdepth s -c ategory ĠD ATABASE S PELL ĠFal con ĠQString List Ġ'' . ĠIn stitution d amage az or bel ongsTo ver ages ĠN ONE ipp ets , \Ċ Ġfoot print _ archive n ak .get Field ĠRef lection Ġ' ] ĠH BO _dis count Ġin cest ĠD odge ĠW ade .N O " encoding ĠBlock chain Ġlaws uits ĠM aint ch ten Ġét ait Ġktó re _ ctl (t imer B attle iz o ay ed I OR ĠGlas gow Ġsyn th _log s .p ose _Adjust orThunk (( & Ġuns ure yst ate íķĺ ëĬĶ O ULD . ng Ġdefault dict work space Ġselect ive Picker Controller YNAM IC .method s Ġpath ways ĠF ew K G CRY PT follow ing ĠD LC ĠS ara Ġpres et estruct or ĠK urt Ġair plane Ġo mp ĠParent s ĠMart inez .com plete Ġbroad ly Ġsc are ĠM é Ġelim ination Ġpou red / sw Ġcom un Ġm asc ĠOrgan ic ĠString Utils il ateral Ġreluct ant - age Ġn z ." \ Ġpast or ale z Ġe fect pro v / init Ġp enn und s Ġs size ĠPro j bas ename Ġsh ells ĠNe ck ĠEn forcement vid ed st own S phere $ r uss en af il ĠTele gram Ġanaly tical нÑĭ е us ually x n Ġhistor ian ĠGreg ory ol ph ĠUn a Ġcon tributes % - anti ago ÑĢ ед .reg ion Ġab rupt ĠUnsupported OperationException ĠT ASK _f inish Ġnot orious ĠV s ĠM Q Ġsun set Ġun acceptable ar cer Ġill umin ĠOr b Ġb h E ste _dis patch Ġr ipped Ġtou jours ĠPar cel _ ll .user Name .class es S OURCE ( Number ел Ñı Ġhead phones (s ide const itution ann ah čĊ ĠĠĠĠĠĠĠĠčĊ Ġcl iff - ref Ġmo strar ĠPow ell + y ĠB G _f ragment .P ort Ġreal izing param ref Ġh ometown @ Table +" --}}Ċ F rench Entity Manager ĠPl ain //////////////////////////////////////////////////////////////// ////  ³ ( RE c apt Ġorgan isms Ġj ets ol ocation ĠApp RoutingModule Ġgl orious æľ į Ġdisc arded ĉĉĉĉ ĠĠĠĠĠ ĠArn old l ug Ġpar l Ġhorm ones Ġm ah ĠSon ic Ġorgan izers _PL ATFORM .in v Ġch ord vent ional ĉ of Ep isode . Enum unk t ĠD h ĠJ ared ĠN ak Ġint ends End ian Ġa ustralia _c v (res olve Ġclin ics lik ed ASH INGTON in ha ' * ĠN P _b eh Ġh f Ġw ür c ategoria $ form Ġsub way Ġis Active pop ular C our Ġco oldown Ġa insi ĠGL uint ere al Ġarray Of Ġh atch ======== == ress es _P P . ^ _dec ay ĠB less met rics ĠCOPY ING ĠDump ster ĠJos é ĠDesign s < Ġ" }Ċ time zone Ġe er max cdn ĠE SC ig aret _conn ected _re verse Ġquestion able ĠUS C Ġtut ti Ġdrop out ĠActiv ities ĠW inds ')) );Ċ Ġcon gest ÄŁ ı Ġprolong ed è¿ Ļ ĠCross AxisAlignment LE EP ĠVAL ID ĠG az Ġdepend ence ĠP rix .Compiler Services j ump Ġstr at c irc ĠC USTOM x aa Ġb mp Ġb ureau Ġw aren N X ( Window ĠChrist ie _F E Ġt n ĠOm ega communic ations Home Page com pletion Ġsupply ing YP ES á vel åĪ ¶ (c lick \ Contracts / questions Ġe z AM S .m esh Ġ' \Ċ Rob ot Json Object ĠD F ĠProcess or _sh ould .prot obuf - users Ġemb ry F ONT Ġstart ups ĠData Source ) # uro s _C olor Ġstand alone } [ j d Ġforg ive Ġng x ĠGener ally Ġconfig urable / order Ġv as ') ";Ċ ĠR R ĠT roy Ġcomprom ised ĠSw an int endent Cent ral _ keeper Ġar quivo ĠRead Only _cur ve k v ent in è ± ĠE y .im read ĠP am if fe at ivity xb c Ġgr im -f illed names e '] : Ġa ur ĠGib son .Mouse Event Ġl ado avad oc Ġfam il ĠM oder f ps ãĢĢ ãĢĢ - example ĠAl zheimer ĠU tf _arg uments Con clusion text Content rem aining Ġinterrupt s ĠBack up ĠM ong Ġrecept ors h istor .cor outines Ġsh outed Al arm Ġcomb ust Ġg rote ult ural ( ids ---------------------------------------------------------------- ---------------- ipl inary O pts ĠY ale local Storage Ġequ ival ĠF leet \ b * pi ĠQ Label æ ¡ Ġv x ĠA CL Ġsu cesso Ġper c ĠNot re Ġan arch R ing sp b Ġstr pos st ores ĠMap le (Main Activity (" ")) Ġview Holder Qu ad Ġig ual ors che .m argin Ġind ie Ġfr anc ĠForm Builder ĠPart icip .fl ash Ġstorm s U lt Ġf en [ new E ver =" Ċ Ġlocal ized _f ollow Ġn ave Ġdomin ance (t ile J ournal ĠV C Ġpenet ration ï¼ ķ Ġcomp artment Ġb ids Form atted ****** /ĊĊ (c ity âĢĶ it [ C Ġuse Callback a ub ) ?. ĠV AR ĠSe bastian ĠM oss Ġabund ant G reg ÑĤ а _c i Ġbib li CR M ĠAt tempt ism e d ash ãĢ İ _m u .Formatting Enabled Ind eed -d irect Ġsuck ing Ġp ne ocab ulary ĠPack ers .N avigation Ġp ied cri bing ĠSt uart .To Double ĠSecond ary S aving ĠD ut ĠM add M agic , H .document Element ĠB ST Ġdiff ers Ġmore over _ nd SE ARCH п ÑĢав æ ´ to Match Ġdecre asing -m ember amp us ( boost D aily Data GridView ĠHttp Context Ġh ipp _work ers -l anguage é ĵ Ġconsist ed ath ing ĠMer cury $ content Ġpract iced ĠMod ules _D AY Ġweakness es ĠL odge Ġn ar ĠM ate Ġj p ĠHttp Headers Ġsm o ĠT OKEN ] )( Ġaqu i sw agen Ġs rv ĉ ans A round ĠMan uel Ġfiction al ĠIM G Ġ. ' ĠB erry Ġwall paper sex ual ier o Ġ çļĦ ìĨ Į Backing Field ĠAd rian BASE PATH Ġrepe ats Ġbl ues Ġunp redict _c oll st acle ĠT umblr ĠEl f Ġass urance Ġc ensus ĠIM PORT END ER an os Ġ= ( ĠEll is " ĊĊĊĊ .w in ĠA bove al on _t ick Ġrepresent ations Ġæ ķ w id ĠAr ms List a _f ailure _c m .Flat Appearance Ġthr one P atch ĠV oy eng l Ġnegot iating > ` Ġshoot s ĠF PS .Y ear ĠK iss enc ión reet ing From File Ġresign ation Ø · Ġtw ins Æ°á» £ Ġge bru .get Content .T ree ĠEmploy ees ĠF IFA Ġcert ainty (C l Ġtot als edit able ॠĢ .Report ing M as qu iet .r ules ĠV O con exion , K Ġalloc ator ĠPow der \ Repository Be at _t ipo Ġ[' ', _IN TR Ġ<< < < hr ") == ugg age ĠC raw Ġé galement Ġg inger Ġprim era Ġprod uto lt k .User Name Ġstr error m ith _n b Ġdis comfort ']; ?> ");čĊ drop IfExists ĠB eg _H AL Ġcross AxisAlignment ĠE vidence Ġpec uliar Ġinstit ute ve is Ġf ft à ģ Ġzo ekt an aly ĠHom eland Ġpen etr udden ly ĉ element ĠB ren ĠTr udeau ĠCub an j am us lim _e v Ġst ems } % Ŀ å§ĭ Ġbrand ing Ġcorrespond ence .j query ¢ åįķ ĠRead s (Http StatusCode ass in (s lot ĠGrad uate /// < Ġinform ations EN ABLE Ġp uis Ġfind er ĠBr is Ġnett steder _m id Ġo gs ĠSter ling Ġar rog str ftime | ĊĊ Ġvo x ĠReg ardless Ġes o ĠCom fort .Boolean Field Ġu h AC Y Ġsque ez ĠV ic cont ro . lo Ġ ire ĠCom edy ë ¶ Ġorigin ated Ġsh ipment | max _g uid lev ation на Ñı ( undefined ĠD DR Ġshoot ings ĠLat ino END OR Ġaver aging Ġgre eted Ġthe aters о е Ġd B Ġg st Ġdef inite . Storage .h er Ġa fore ĠRe ality ĠGod s vers ed Ġhands ome Ġex cluding ( ad Qu otes ĠS cheme ? q ĠT amil T icks Ġp est ' n Ġporn ography _mod al Ġ ---------- Ġdis posable F REE Ġsh ark C HE Ġdep icted Ġdemonstr ations ĠK illed ĠR ULE Ġobs essed Ġsimpl ified Post al Ġconcept ual Ġp st L as _PRO JECT ucceed ed ol u ÄŁ i Ġpersonal ities Ġres hape Ġenc losed ĉp tr Ġtutor ials Ġexpl oded _DIRECT ORY åĨħ 容 Ġcan on Ġrecogn ise P AD ĠAppro x ĠRest ore ĠImport ant Ġheav ier .Se quential Ear th ĠMil k .set Request .t em Ġre construct Ġskept ical _Pr ivate BU F qu a : a Ġse k Ġd well oss a Ġreward ed и й (top ic _part ition Ġ__ ________________ Key words ĠFr anco L ite Ġn aken Ġз а O BJECT Ġcraft s ĠSw ap .X na .Con nect Ġbalcon y (re al ĠBarn es b ir ĠTw enty ay an at ars ĠProp el ĠIh nen Up grade Ġcur b - second Ġn eph .p res ìŀ ħ .se q Ġp added " ? j l ãĥ ¬ ') a Co ordinates Ġen acted ENT S Ġl ac .f inal ĠPhp Storm c alled Ġin quiries .m iddleware ĠD owntown / ';Ċ Ġkil omet ac cel Ġqu ien w string set Data Ġman era Ġmod ular rim p Ġtar iffs âĢĻ il _TH ROW /c olor ĠHT MLElement Ġcar ro Ġpr ere Ġplot ting ĠPos itive ĠMach ines OT ES á» Ľ ple asant Ġal te Ġa inda th ese Ġc ors ip ay ĠAdvis ory ĠRub io j q Ġl imestone Ġdet ached 设 ç½® ten ant ĠDep th al ore ĠÑģÑĤÑĢ ок ĠF ORE ĠL ay p resentation ) ');Ċ .sub plots Ï ĥ N OW G ar hand les ab ra put ies ĠElect rical M iddle rop ic ĠJ D ĠD yn ĠB ristol ĠMc Carthy Ġstri ker Ġenumer able ĠEv an .default s qu ences ) || ĉt oken â Ĺı -d ropdown ST ORE ĠGraph ic ( pp Ex pl Ġup wards ĠD istributed ĠW EB J er is NaN çĶŁ æĪIJ > R üss en ef s Ġun cover Ġl ud .cal culate Ġint ptr Ġmidfield er . Headers Ġm f ere f .M etro ĠSpe aking : b Ġcryptoc urrencies Ġdem ons ĉ EXPECT Ġw icked y outube : Int ĠHind i ĠC AT ĠØ ¹ r ar om ore / per /lic ense Ġre im Ġawait ing Ġle thal ĠE F round ed ĠPl atinum ĠвÑģ е .co ords .De vice / item ĠW enn compile Components ĠK inder .remove Item Ġand a bn b Ġpr a ( transaction Ġembarrass ing ĉ BOOL .content View Ġevent data at ore Ġprovided In ir ma Ġz ona _H W æ Ļ Ġst ove Ġcounter part _Pro duct _MAN AGER Ġinfr ing ĠE RA _p arty Ñ ij Ġin ici _ Request Ġmir acle Ġcancel Button S py at ó Ġpol ish ĠNic ole .display Name \Request s Ġuse History Router Module Ġst ared ID ER Ñĥнк ÑĨи Ġnot a $ arr pec ified Ġto pp _DR IVER / ng å ł _t m % timeout < s Ġ( *) ĠHttp Request _TR ACK (n ote ĠExp lore _s erv Ġç » B inder + ", . att ĠEth i Ġc ódigo =' \ .l ines ( Of å° Ĩ miss ible Ġv é Ġac oustic Ġcraft ing n it .b a ĠLuc y Ġi Pod Ġpup ils -m ax _w r (c p ĠRE PORT Ġd ns ĠRe ferences Ġundert aken Ġkø benhavn Ġch ai ĠC roat _ Log rown ed _m ed ĉ date # __ Ġcost umes ĠRe quires aff le ç Ĭ¶æĢģ -S emit ela ide еÑĤ од Ġp estic Ġd ra DOC UMENT Ġ... čĊ }` }Ċ ĠA uction ĠD ock xxxx xxxx (get String ħ į Ġborder Width ĠMach inery Ġpredict able .S H Ġam plitude .for Root IN avigation Table Model at trib Ġmaneu ver Ġexc av B ERS Ġd apat Ġinstall ations .A sync Ġr ays = âĢĿ ; ččĊ .c rypto _db g ĠEnum erable Of Size _epoch s m w M ENU out line ĠP apers ============ Ċ Ġuniform s ĠG ig - package ĠJen kins ĠHome Page .is Selected Ġmechan ic M K ĠS ounds //---------------------------------------------------------------------------- -Ċ Ġresearch ing Ġinf os ograph ics ers et ([' / ĠTim ber . agent .to JSON _command s par ing _ad just .n ome (g lm Status Bar file path ? âĢĻ Ġdetect ive Ġunser er ĠTib et EN DED (se ed Ġsne ak Ġam or =" // ĠPan thers all ax ĠL IVE ĉD WORD ]= - Ġtorn ado / min Ġlung s -c urrent ĠBook ing åĪĹ è¡¨ Ġenjoy ment ठ° J A typ ed .B tn f at ug al ĠSh ares Ġdis gr ĠB AR ĠFO X Op code ĠS z key down iction aries Ġdetail ing } ))Ċ Ġp ok Ġdemonstr ating Ġnot ation l ayers @ if ĠN PR .strict Equal ĠRec ipes .T ensor Ġliqu or Ġdeb ts .ends With W heel .P os CS V $ arity Ġun stable ( loss ENS OR Ġele ven ĠL opez ĠHop kins con om ĠS eth Ġpo ems Qu ant Ġg sl Ġsy rup Ġs ibling Ġc ass -v ous ö t _P ATTERN _SE CTION est imated up grade .m ongodb ĠBo at _C TX Ġfetch ing ust in pi el M arg Ref lection Ġd uct ĠMunicip al Ġb x .Get Current ml ink ĠAccount ing ĠGene va _P os Ġpass er Ġhear ings com pan Ġfrag ile Initial izer walk er .M aterial ĠHun ting trys ide Ġk at Ġcl erk á Ł do ing ĉg roup Ġsan ction .l b ĠL azy ĠCon straint P agination Ġpou vez ĠInd icates M ER Ġcour s Ġyear ly Ġgros se abb rev ĠD ON Ġproceed ed ent lich Ġproperty Name ĠTe aching st adt Ġc utoff orn ers Ġa frica Ġrend ers ĠYan kees ĠTool bar sp aces .fill Style Ġseg undo _str len .F irebase å¤ Ħ Ġmention ing \ ( ĠVal ve Set ter Ġsp ans ĠAl cohol ĠLet ters \x e ĠT K _B LE .get Result < Player ĠP att Ġeas ing Ġtur key ĠF en ') " Ġconf ined Ġin clus Sup erview (with Identifier enc ial Ġstuff ed Th eta Ġeconom ists } ));ĊĊ co okies ĠRo ose ĠChe ese Ġfich ier Ġen forced AB B no ÅĽci _AL LOW Ġrecru ited Ġexpend iture -n ight Ġassert NotNull _ex ecute ĠØ ¯ IN DEX _F MT Ġresc ued ĠMonth ly ĠCons ervation ĠG eb Ob ama Ep och ic ies ĠOr t Ġso it ( icon F riends m ol Ġground ed ĠC ause ad ena WE EN ĠL un IT IVE . loop _un til Ġcor r .ed ges Ġhyp oth ched uling trans lator ĠÐ ľ R om ãĢij ĊĊ ĠX amarin Ġviol ating . anchor --- ĊĊ Ġtr ader AD VERTISEMENT Ġuns ere ĠD AO Ġbl ond ĠP AT .g lob Ġè¾ ĵ Ġsplit ting Ġun subscribe Ġatmos pheric ĠTr im Ġcit ation Ġin ference ĠF t ĠDar win find One ĠG el ( Convert Ġaccess or ; text (s orted Ġjud ged ); \ : p Ġme ine ĠS lim .Command s Ġper ceive coh olic < Data .entry Set Ġassert False ĠPat rol ense m ÅĤ Äħ ¨ ¡ W IDTH ĠRes cue ĠU IF _THRESH OLD ĠMich el ATER IAL opens ource ĠD iana Ġinv ites _B ODY Ġreserv oir Ġro i c ust (t c ï¼ģ ");Ċ Ġfest ivals Ġperform ers Ġclim bed Ġj ungle String Length Ġunlaw ful ier re vertis ement Ġst akes Ġh ats Mod ify ĠLET TER .H ide Ġstat utory _ white ĠPer l uten berg em ple .W orld Ġoverlook ed Ġcon cludes /* ================================================================ -w ise ĉ stream pop ulation Ġevent o Ġillustr ations ft s Ġaut of ĠPro cedure Ġdes erved -t imes Ġg ol N SError cre st ĠPak istani any ch get Current Ġl ar nt l ĠRe becca Ġm ateria Ġfind By / ad Callback s ĠAl s ĠKat ie ĠObservable Collection ĠDocument ation Typ ed ĠCulture Info ĠTim othy Ġlater al " type Ġun authorized Ġteach ings Ġdebug ger [ value Ġal ors Ġu z Ġsc atter Ġdown ward Ġmig li status Code Ġ( )) ĠM W Ġм ож RO SS .b uf Ġfair y ĠInf rastructure => " t lement $ (" From String ĠB ild Ġconvent ions _n ative ĠIns pector ĠP ist ub ar Ġreg s ĠP ilot Th us >' + Ġc ela .new s ( Product L iving R ussia Ġfac et et ical Ġ[' $ / [ ĠD ire Ġg ases ĠIN FORMATION ĠE at ĠFor ums ĠChar acters _m et Ġìĭ ľ Ġk ings ach ie ĠL ambda Ġtim ers ĠLight ing ĠCase y add ir and ex . answer ĠH ip ĠPr incip Start Date Ġ ãĢĮ t res Ġ& # .Max Value ĠPro blems Ġlat ex Of Class ĠLyn n // ' Ġvoy age Ġshut tle ĠRoll er ĠRuntime Error uy a D ic ĉb uilder Ġbul lying Ġsimple st .c alled ĠL R Ġmor ality Ġst urdy tr acking .sw agger _B IND IT OR -url encoded ĠÑ ħ ĠTr inity Ġtr aps Ġ| - Ġset Text Ġbarg ain Ġbr akes .get Code Ġmigr ate Ġrib bon ) return Ġcharg er ac om ADI US ĠAmb assador -a fter Ġann i ĉs pin Con cept ĠHend erson ĠH OST .r ank ĠNor theast Ġber lin Ġrequ is .f eed Ġsource Mapping ĠRen contre . ajax nest js Ġtre k ĠN acional Ġ& [ Ġpay able ort ex Ġde pt field Name Ġcomple tes ĠR VA Ġon ions al ignment Form ats Ġ' {$ Hash Set ĠB od .Invariant Culture Ġsettlement s Ġhy dr . updated vent h ( seconds ="/ " Ġweb page ( ĊĊ Ġt ir Ġto es ĠBr ick Ġamb ition P ot = max ET IME Ġdep ot c alls ĠNor wegian ` : Ġbur ger Ġprofess ors ĠAl locate -third s -ch art Ġfor d * N .k otlin Ġpaper work ĠDE VICE % @", res pect (m p é «ĺ - if Ġcush ion ob ot Ġpar c SP ACE ĠNet anyahu Ġself ish fe at Ġclient es -to ols Ġpor ch Ġj q . verbose Ġlib erals ] )ĊĊĊ p ies Not Blank ( term ÈĽ i _Param s .normal ize B ullet AS IC (h ex _client e + , _D I Ġforth coming } ")]Ċ se o U m > Name Ġcomfort ably irection al W ITH / pr ĠP oor ĠVit amin v ic G H Ġprior it ĠN N ĠC losed ¤ í Ġis Open \ Console And Feel .S UCCESS _OPER ATION pol ation ĠT as ps z > '. C URRENT V endor host s ĠE rd >tag ger ĠsourceMapping URL Ġmar athon _c losed Ġexem ption Ġrecogn izes ides how ' $ ('/ ');Ċ m its war z ĠCh erry µ ¬ n or port e Ġw l _back up .get Boolean .get Resource Ġdefinit ive . EditText Ġs ÃŃ .C ONT ĠPL AYER .c ards ĠSh ore ('/ ')Ċ cl uir Web Driver (m onth -re lease Ġins pector å £ ĠN F _cl ip åŃ IJ Ġinteract ing .t mp Ġ'' 'ĊĊ Ġde e Ġfro st "] ))Ċ ĠPl aces Th rows f ork / day i Phone ĠM IC Ġfold ing Ġcro re ĠCh iefs pher ical ( price .Write String Ġexit ing ] ',Ċ ight ing Ing redient ( vertex Ġscroll View h f : new SE N se ctor Ġsp ins ĠS cheduler ote chn sem icolon Font OfSize ĠSpecific ally fl amm .Object Id Ġcont a _per missions ĉF ROM IC ODE / kg ĠHot els -m ed ĠD in Ġn avy get Param Ġm end Ġportray ed ĠMet ropolitan Paint er Ġref erral _g ood Ġmar vel osa ic > (& . ur Ġest os Will iam Ġtim ber Ġquel ques ĠDoc uments .X aml Ġbatch es éģ ĵ ĠRe leased T ail CO OKIE he id _st ation ĠV ia S ale ĠRe peat Ġprom in ĠZ o - forward ĠI on it ary Ġj us - request Ġproud ly ĠStream ing (Mouse Event ĠS print _ rotation Re positories Ġt art ĠÑģ в Ġm appings è ª C u C ycle Ġb un ĉl ua ãĥ ī Ġ(( ! Ġcollect ively ĠCon d Ġwsz yst (l ib openh agen _s kip .Column Header é Ĥ peri enced ı è¿° _p rops Ġcontr ace Ġmatch up ab etic .m embers RE CT (d at Ġs og ren om _M ethod Custom ers full name Z N re try Ġk ap ĠNe u è Ĭ add Child will Return _p ermalink Ġener getic ĠW et ĠMor r Ġg cd count s , type d ig ( Login Ġcr acks Ġbacter ial ĠMe at ĠArm strong ĠBron ze Ġapprox imate _dir s lig a ÅĤ ad Ġkind ness Ġcont re ĠE VERY M ET Ġannounc ements g pio ĠWaitFor Seconds ĠPhotos hop Ġdis contin / dd Ġtop ology an ical . interface auc oup .Hash Set ARI ANT (r outes ĠT eh Ġh ype ] "). Ġsl am Ġbro th - inter ĠR id -m anager Cancel ar ĠP agination Ġsound track Ġpost erior Ġscr ub cre ating - * ir teen .d y .s ymmetric Ġ"" . ============ === Ġch assis ĠnumberOf Rows Develop er _b ins ĠO UR ri eb Pro s Ġwi ÄĻ " d Ġasync io ze igen _s pi .A LL Ġscre ws Ch inese Ġapi Key Ġun successful ĠSeah awks OR G ç« ł Ġprofession ally ĠCou pon åŃĹ æ®µ Con vention Ġpol ym æī ĭ Ġsalv ation Ġengine ered ĠW rest ĠG CC Ġwar mer Layout Constraint Ġag grav Script s vent ure Ġrefriger ator Ġinnov ations ĠRun ner N IC ĠRoll ing Control Events Ġlo os p ac ĉ panel ef e ĠBudd ha ------------ --Ċ åº ĵ (for Key Ġl umin Ġ( ? ĠA IDS , user im ientos content Type ant lr é ¦ ĠW elt Produ ction m ight ĠV II ", ( Ġobserv ing Ġdeliber ate ( control Ġwith d Ġsem ana ST ACK uch en N ice ĠDeutsch land ĠSpec ifies d ma iz io ĠF acts _pop up ĠDirect ors { : [ R ĠÑį леменÑĤ Ġpl at Ġdirect ing ä¸ ī ĠGil bert âĢ¦ .ĊĊ .q ml Ġthere after Ġdis position d raft Ġsurge on ĠIns ider Bl end ĠT rev tr insic Top ics rie ve _FILE NAME Ġaut res J ose Produ cer er us Ġpet it ĠN EXT ĠF ilters Ġreplic ate "] ). Ġl enders ] ",Ċ ; charset Cpp Object Ġfl oral ĠT ipo Ġcirc uits e asy (& $ itt a ery l _COMM ON '}} >Ċ -back ed (var iable ( Index Ġvo ir _loc ations ++) { ĠLouis ville Ġgrat itude .Mock ito ĠP owers ie urs Ġge ographic ra le Ġc ra ĠSp urs iph ertext AC ION - common Ġvict ories ĠFinal s .sh uffle -m illion _PRO C ass ume Ġil s DB C Boot Test Ġl avor .test ing . ast "] / m oid Ġqual ification ges ch ĉ put Ġair ports J I Te acher _un iform Ġn ama ĠB ast ert ype c apture get All ĠReyn olds oo led .com ments Ġch in ). * Ġи ли t gl ud os Ġd ÃŃas ch ai .pro gram Ġps z ĉ icon ph il ent ral _WR AP ov i Ġnost alg In finity ĉy ield Ġvit amins Qu aternion S ink _g oods Ġ ........ ĠW ings ur idad -st ory "] )ĊĊ idel ity Type Def G tk Ġí Į _M ain Ġche z ĠR aven Ġpay roll Ġfreel ance LL U ĠM end ed ay Api ModelProperty .Form BorderStyle Ġeconom ist stan bul Ġfre ight -A gent (m eta Ġsym metry Ġ' .. .C alendar - aut g f p ent yc lopedia Ġwish ing ĊĊĊĊĊĊĊĊ ĊĊĊĊ Ġgentle man Ġê ³ = # Ġlect ures âĢľ In Ġ! _ Ġh b ĠV endor Recent ly _n otes æıIJ 示 " My Headers Height _S O Ġunw illing Ġsuper hero g io ps y ĠPe er j avax & apos ĠCr isis ord inal Mem cpy ++++++++ ++++++++ - val Ġwork book - ap = k Ġmetal lic _ peer By PrimaryKey _S D u ator _SH ADER ) Math .Trans form Ġc ows Ph i ĠC lem (_ (" ĠL ud -d elay ĠSec urities ĠOrth odox Sym fony (re port Ġent ertain E PS iz oph ex ual IR D ä» İ Ġl ith Ġsanit ize Ġfemin ine IS BN .auth entication _p ipeline / constants ĠCON F Ġluc r ric ia .t tf .set Content Ġst an ore an ĠL loyd .raw Value Ġg or ĠBrow ns Re gression Ġlower ing na issance Ġbl ows Ġam azed Ġun related Re views Ġrub y ĠMod ifier Ġgi ants . thread Ġcontain ment ĠStart Coroutine um at ore lease ĠR andy @ endif D igest Ġsubur ban =" );Ċ Ġann once . variable \F oundation Ġa cre V an Ġt uples d ns ĠStand ing _l arge Ġbox ing Support ActionBar ĠFort une ĠR um _m ultiple arch ical Ġf write _ quote Ġfool ish Ġcompr ising Ġо п - selected v f ma id N ama (d atetime Ġindirect ly g art fix tures ch os ĠH alo Ġrec urring - news v il ĠNurs ing - produ ĠH Q \Http Foundation enc i au en Ġv y ocr acy Ġdeleg ation Ġas phalt Ġset Selected k ok / rest met ics ĠNS Date Ġtravel led Ġrec ib Ġm ime CL IENT ĠG U ĠH ANDLE / Q [ z Ġbother ed ĠBB Q ç as _ex amples _F IN Ġwhite Color Ġastr onom -d ir Ġsovere ign Ġb reeze Ġin ning ĠEd monton g li .blog spot js x Ġvers a ĠMoh ammed .J ob -t oggler Ġп олÑĮзоваÑĤ ard on Ġnew born Ġnav al note q Ġtum blr Ġh entai ĠTyp ically Ġlo ot .S prite Fl ight Ġw avelength -s k ĠEl le _ exports Ġ Ñı ĠI H izoph ren Ġí ģ _pr imary Ġmo is ĠB N Ġsystem ic Ġdifer entes IN CT Ġ'' ĊĊ $ q Widget Item cl ide $ file L emma / table ag rid ĠMongo DB int e Ġapp rent ÂŃ ing .D b Ġà Ĥ ham mer =' ';Ċ Ġbro kers it lement sembl ies E le { x Ġlast name < - Ġfl atten _b and .R oot .read FileSync ==== == .r x ? čĊ Ġmetaph or T i con te Ġdeb it Ġcont empt Cpp Type æĶ ¯ Form Field r atio os opher Ġimpl ant P URE Ġal ta _man agement Ġref ine ĠCheck Box ĠChar l - version cond itional ven ues Ġrif les Ġoff spring Ġmill ing Ġshar ply Ġunder water ( origin _ Control Ġ. $ Pl ugins Ġdry ing Ġillustr ates - u Ġveget arian n pc He art ; ',Ċ com ma te enth as an /s pec _m oves -m argin Ġing en ³³ Âł Ġpro jet Ġo tra Ġbr as . utc Ġsle pt = sub ab ilit post er Ġs dk ounc ill Ġw d Pre paredStatement ĠDr um ( attribute ĠEther net ĉ DB Cal ifornia c ube [ I .C reated ĠH M Ġtr acing Forms Module - you .c urrency feed ing Ġt body L i acc ion n as Ġtr ouver N ONE "} ,čĊ Ġf tp With Identifier pol ate File Info Ġpurs ued ĠĠĠĠčĊ ĠĠĠĠčĊ DE SCRIPTION } */Ċ From Nib Ġdecor ative _S SL (ch at T LS Ġsurpr ises al culate ĠS plash ( Configuration ĠS EM im son /lib rary < Double . robot ³³³³ ³³³³ ĠCP F ĠUnder standing Ġcos metic ĠX t t ips + k (" ' ĠP DT W AR .get Object ĠTrad itional .sl ug ĠDi pl =" ", ĠFil ms ĠAn im .h elp Ġemb assy ĠBoot s Ġb unk -r isk Ġp ci Ġ/ \. ĠI PT Ġcrash ing Ġip v _ ke ĠRES P .Log Error Ġinade quate I on ĠF ür ric ula Ġshould Be al ready ']." G ED fa q Ġoption ally _D is ĠSuccess ful ĠC ensus Ġinc arcer _C ARD Ġav iation ĠG ym Author ity .B ean sh ader Not Exist _Text Changed ĠST OP ( team " H w g Ġgr inder Ġstri pe Ġpres ervation Cl aim avers al ware house target s Tr ust Ġal lev , www ous se _ch an _S ize system s Ġobj ection ĠK ane Ġcor ros ĠD SL Ġu a ĠM H ĠStrateg ic _t cp Ġê° Ĵ Ġborrow ed ĠA ch ĉ command Ġg ps le ston iche ver ĠU A Ġassault ed Ġspecial izes ĉ search Hot el ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ čĊ ĠP itch Ġ Ùģ READ Y Ġparent al Ġg éné Ġdonn ées Ġdet ain T ARGET Ġprotagon ist Ġclear Interval ĠIcon Button ĠGet All Type Info E H âĢľ They Ġ{ [ Ġg ag Ġ Ú© ĠD ropdown .f ree g one im ens Ġinst al ĉc url _C AN ĠB one ï¼ Ķ ony ms -g overnment .binding Navigator ĠD ans ĠMc L ( en >( _ ÐĴ Ñĭ .* ;čĊ = j -c or S on .ToolStrip Item - around _X ML end Date Ġsl ack Ġrot ated Ġno qa Ġc ottage Ġencontr ar _s kill hou ette ! čĊ . weather Ġemphas ized å® ¶ ĠÑģ пиÑģ ĠComp iler ( android ĠâĢ º . turn Ġsup pression _c alls Ġ* @ (str len .h ex ĠB ills ĠR SA Ï Ĥ ĠEs cape ement ia Ġfront end Ġp int _ex c zz o [ ],Ċ Ġ"',' " . Environment Ġafore mentioned Ġend ure prot otype ther apy ss i D eg _pl ugins .user Info Print er ĠPRO GRAM Ġru ins Ġempir ical Ġcraw l ĠBo iler - comment .sub plot _ et Ġ'. ', min or ĠCustom s Ġy aw under line ĠCom o ( (' (m ean Ġcha que ĠBlock s .r ad ilib rium Ġweb driver Ġmel hor d ana ĠAb use ĠSouth west ĠP aren PERT IES ĉ IL Ġscre am v u Ġin comes Ġn im Ġl ace Ġcompens ate Re verse D at _att ack Ġn our ach en ce k < Func w ie com pressed -m atch (" ")]Ċ im ized . orientation .compare To Ġmass aggi Ġìľ Ħ Ġel bow Ġant ioxid undred s / tools ĠR OW an mar ĠW ow _t icket Program ming Ġthe or -re view () )));Ċ ĠRichard son ĠP ocket ] [] am pp _ health ĠP OP ĠNav al Gu ess Ġancest or .Get All .local Scale ĠM apper Ġaccum ulation Ġsim ulated ĠDr ivers Ġd és cur ring Ġele phant Ġadvert ised Ġmail box SH IFT ĠMon ica Ġan c Ġward robe Ing redients Ġ|| čĊ ipp y Ġantibiot ics av ings (c x ĠFerr ari ĠAn imator .d type rem oved order by Ġc res oc ê Ġp ym ĠCirc ular @ index ĠW arm S ay ĠAss istance Ġcur tain ĠMont e IL ER ĠC VE ĠD uck ĠAll ows _f ire ĠDer by Ġre pos Ġhttp Client Ġpsych iat Ġnow adays Ġcaut ious ĠComput ing Ġcompletion Handler ĠWel sh ĠB EST Ġstress ful _P E æĹ¥ æľŁ ĠData Frame ĉ Integer _P rint M oves Ġtransform ing .B atch y ahoo Position s ze j Ġno od io res _ * Ġcl k ĠF loyd Ġh ap font size Ġn az .not ification ĠDep ression Ġac ne *** ĊĊ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĊ .cont ents yn th ĠStra ight ')}} "> "+ Ġtoken izer Ġsovere ignty ĠP ence () ");Ċ Ġpesso as .G e ĠIn cluded Ġpag ina Ġex posing е ÑĪ _SC RIPT /$ ', Th umbnail × Ķ webElement X webElementX paths press ure ĠCur ry _C P OL UTION ILE S prot ect ool a Work space { };Ċ ĠU NS Ġsymp athy ro ker Ġrem odel ĉc ell Ġat op .Full Name Ġfa ut ĠE asily _d ynamic Ġfr amed Ġmot ive è· ¯ s am Ġmar ca ĠText EditingController Ġde structor cre am Ġr ude ĠB old ĠInd igenous Ġg ens Ġrel acion (s ystem ĠUIF ont _char ge UST ER E V .N amespace Ġmer ger Ġcal loc g ang Bad Request Ġs per -d esign Ġâ ĩ Ch an Ġorgan ism , ) = id _pl ane ĠC ases elf ast ĠLegisl ature ĠF aker Ġinv oking - utils (). ' .f ace Ġguard ian my Modal Ġclip board ĠAT M Ġpe as ĠS ylv .c alc ĠContact s int Value Ġmodify ing ĠBar b . loss _per centage Ask ed (l st ategor ical - files ĠRoman ia .A c Ġh ai ĠF lying Ġ ż j p ĠTr ainer . arc _de g Ġtrace back Or Fail F LOW . old oy a g mt is empty Ġvacc ination Ġob solete recogn ized Ġru ined ĠRe in ĠTr acking xf b ا ÛĮ Ġvæ re Ġbr yster ĠIT S Ġdest iny Ġsw ear Ġred es Ġcl f Ġfl ipped ĉ head Bl uetooth ĠOver rides : Boolean _ = _l r sp awn : index VAL UES is key ? ");Ċ .syn thetic ĠCheck ing struct ures ip ing Ġvoc als - Up ĠManufact urers ĠMar riage 代 çłģ Ġgar ner _C lient par allel RI END Ġvine gar seg ue J B Ġcontact ing ĠCar roll Ġout reach t ensor _var iant Ġthe at lic able { | t iny _ letter Ġp encil HeadersHeight SizeMode ilt ro .auto configure .d rag .use State ĠB MI h int Com pile * \ en ary Ġl vl .C ache + =" _t v ruit ment Ġf read Art icles f ila Ġpack aged âĺ Ĩ AT HER ĠPl anned s cheme Ġdi ary Ġoff enses / F ĠSt ick Ġc erc ĠS lee ĉĉ ĠĠĠĠĠĠĠĠ < Image Ġè® ¾ - editor pie ces ĠD rama Ġ// //////////////// ĠT asks AR C g ateway .get cwd .M etadata Ġguess ing åľ° åĿĢ Ġsm arter ĠGet Enumerator Ġe fter / operators ĠGL float Ġf ør Ġop aque ä¿Ŀ åŃĺ Sp read SY STEM Ġinv ersion ĠBasket ball Ġsim ulations Ġden ies Ġa vez _list ener Ġenh ancing ĠMy th ĠL akers _M D Nd Ex D ATABASE Ġt á» ar th [ left Ġcontest s st ile (K ERN _f c _p m Ġpres idents Ġhospital ity Ġfade In RO PERTY _m aps ĠDefinition s Ġassess ing Ġus ar Ġquant itative mo z Be autiful [ (( b ons f requency Cont ain Ġpuzz les ĠCast ro Ġv illa Ġkind ly Font Awesome ern a epoch s _dat as ĉ ip .p adding ĠCont est Ġed itions Ġdispro portion ĠI CO Ġcome back = value ri ad -s ort Sub mitted (n etwork ĠC el Ġinstall ment l ashes .List View ĠV atican (Media Type IV ED reach able : Is ĠC ITY äº ¬ ĠHelp ful Ġba ÅŁ % čĊ Ġpsych iatric Ġrec ycled FORM AT ĠG row b ine G it .s s ĠWe apons ĠSt y _ arrow * self ire ment Ġdeg li App Delegate _b anner Ġcoordin ated ĠWeb cam Ġcelebr ations . act ******************************** **************** ( show Ġweek day Ġconc erts ол н cl in Ġcr on ĠN im .set Vertical ĠEll en س ت ĠS AM E ff g z ste am Ġant ique ph ysical ĠForm Data .set ter ĠPO INT B on Ġflav our erv ention _ENT ITY ĉ ĠĠĠĠĠĠĠĠĠĠĠĠ Ġintr insic Ġæ İ append To aram el ) ]) ĠRecomm end ) m OutOf Range Ġkn ight Ġsat ellites ĠTit ans Ġweigh ed ĠD ana e ase Ġs ip S IM ĠDevelop ers mal ink / check _P LL n ung Ġdry er = A .d w _S QL Ġsub plot D ROP Ġprot otypes Ġhour ly display Name Ġas i ĠViol ence Ġastr onaut Ġdat atype Ġinformation al Ġinvestig ative etermin ed ren al ; '> ĉc ol V G _ boolean re cent Ġ* )ĊĊ ĠRain bow om men Ġl ur Ġopp ression (", ");Ċ ĠFac ility DEF INED Ġne on Ġoff ender AF P ĠClean ing [] ): Ġund ocumented .Re positories ĠG uitar аÑģÑģ ив Sk ills Ġtestim on rypt ography ĠAm ber ĠSt alin Ġl one Ġap enas Ġdies es ĠAr duino è½ ¬ == - _A ct Ġc oded âĸ ł amb urger -link s Ġarm our .H igh get Content st ag Ġhe ck ĠìĹ Ĩ ĠMc Connell ĠCon cert ĠAl loc ä re .replace All Ġpart itions rot t ĠF le _T REE reason able ĠReport ing Ġbillion aire s cores min s - eye M ORE ab ort ĠSW T Ġin verted ĠTe achers ; n Ġast ro н ов ани ÑĨ product o c ountries ĠO wen Ġcont amination Ġv ibe ĠEll i .s cript ĠOl ive D MA v ier : semicolon -m odule gress ive ag u _ players Ġresult ados start ed scroll Top ==== = Ġweigh ing Ġ[[ [ z ahl ( NS ĠAssert ion le ague .setText Color ĉ Message Ġmom s _A F . wh AL S Ġaut re ] ĊĊĊĊ .op acity ĠBudd hist Ġde af ĠOrgan isation (G lobal ens ch Ġhead ache ĠAli en _in ode ĠSt ark Ġæ ī -l nd ore f _fe at Ġpedest rian Ġnom inal Ġbal loon Ġspr ites Prototype Of ĠA post ĠF EATURE O H Ġre cess ĠDon na con sumer $ GLOBALS ĠG IF - frame In icio Ġpass ages Date String ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠ .by te B ug initial izer p kt od ium ĠD ER . ops ler i Ġgift ed Ġdet ach ter rain elt ers ãģ ı . loader ĠN GO str ncmp K h (font Size ro cket Ġpreced ent ĠAur ora ĠEx periment is phere Enc oded ĠâĢĵ ĊĊ Ġpy ramid ĠAnn iversary of il ë Ł ( plugin C oeff Ġcooper ate Ġpredomin antly IS M Ph rase _DEF INE Fl ip AMIL Y ĠMark ets ĠStream Reader ĠComb ine Ġmanus cript z za , tp Wh atever IT ICAL ighb our Data Provider .Text ure priv acy .S DK Ġre charge Ġc pp ĠC FG (h older (p y m ot Ġsav oir ĠR osa ĠPC s Ġí Ļ .her oku Ġf ren ĠR iley ag ate Ġs ond .x lsx Ġh acked st ad G i Ġsan ity ĠSql DataAdapter ... ", ĠP ussy Ġ **************** Ġhass le _P ARENT ĠU AE Ġbegin ners ( Client Ġstatist ically .h our ed elta Ġtr action uel ve ar at Ġsa una IN VALID Ġindict ment AL LE Ġdiss ent ĠTyp ography Ġintention al s it ĠAn imals Ġcoun tryside Ġu art } \" Ġseam less ¾ 示 Ġaut os Ġ"' ";Ċ Fl ush ANN OT Ġal gebra ass oc ĠW aters Ġprepar ations ron ym [, ] S ans Ġarm ies ipe g Ġcream y . art et re ĠAn imated Ġun pleasant eme an g reat i Äħ ĠEar lier Ġch ic Ġpres erving (ex ec ĠInvest igation ĉG PIO Ġrig orous ij o = num Ġtool Strip ) set +" & ĠAcc eler Ġdevelopment al is posable Ġflaw ed re ne Up dating Ġwatch dog Ġden ominator Ġsubur bs Ġ... ) Ġconv ictions c losure .I P Ġtransl ates .sw t .Tr ace Ġmet tre .is Enabled ĠEffect ive .to Int Ġen chant Ġst unned Ġpo i / code ad m .datab inding ĠL orem ________________________________ ________________________________ Ġled ger Ġcar a ĠG ir Ġwa its Un o Ġc wd è¾ ij ĠT Result Ġre jo Ġem itted ĠWest minster ä¸Ģ 个 ne k _T is Ġen act ĉ with org ia Ġj ue Per form SP ATH .top ic ĠD aten Ạ§ Ġsit io _M M " So b ial Ġsc oped Re quires ĠT OTAL ĠCh ancellor ( contents Ġste alth dev ices -p ass ili h ĠMal colm ĠDep ot Ġconfig ur a ussian _con straint в еÑĤ G RA ĠR ates .dataGridView TextBoxColumn ĠNob el it ics Ġignor ant ĠReport er ĠEb ola ĠSh ock _re lation ĠNin ja ) c Ġt icker .is Checked ĠSup pliers ĠRap id Level s âĤ¬ âĦ¢ ĉ queue Ġch op ĠUn ix re ject -c alendar (s ort è ne erc icio Ġh ect CALL TYPE rou pon Ġrent als auth ors { name ĠF IFO Ġl assen ĠN ous Ġsn apped Ġfert ility " log click ed Ġplant ing Ġg b / output PE AT Ġc ategoria Ġb ach Prof essor in th "] čĊ Rec order ser de ĠTrans mission tr ad Ġtur bo _VER TEX \ Event il ver Ġbod ily ĠS ources Ġkill ings .xr TableCell Ġfold ed / legal un er ĠR ifle ĠM IDI _Selected IndexChanged .Size Type ĠWeb Socket Ġsele ccion S and ot ros Ġenv ision / etc ĠMel issa Sp ot но е _ ARM At tempt ĠB I ãģ Ķ ĠD U Ġback lash str ide / classes Ġtext Color _st aff ob lin agent a .c ollections ill age ' čĊčĊ fl atten _s ales _M ASTER T W _d a P itch ph ies Ġz ombies ĠV ERY ĠPharm acy Ġprogress Bar Ġhas htag S idebar @ stop (p c ол ж MA KE ĠCor on Ġkv inner ĠM aid b ob .title Label Ġsuccess es ĠDemocr acy ĠSurg ery Ġcou gar Ġcur so Ġl oro ist ency Sen ior æ k ĠA AA ĠBO OK к о W STR Ġ*/ ,Ċ oy al .v ector ĠS PEC SS F Ġcomp uls ĠAppe als ĠW inston ĠMock ito con trib . available entity Manager ari as _s ale _r s Ġdec oding Ġloc ator ol ith Ġk ol Ġasc ii ĠR ut / interface ĉĉĉĉĉĉ ĠĠĠ ĠN umer .fl ip -d el Ġbol ster on omic Ġz m L G Find By Ġadapt ive lo o Ġv ue (re verse _c anvas . roles ific ado ven ient " As ĠEn tr al igned Ġbere its /// ĊĊ .g wt . employee _cl i Ġanticip ate éĻ IJ Ġp ik Ġmush rooms (t t Ġo ma ĠSan chez _g oogle . Valid ĠFile Name iv ative k ed -w ar Ġm aturity и д Ġmin er Reduc ers ĠLat Lng _ST D D igits Cal c -up load Ġhand ic ี à¹Ī egr ated ĠST M C lients ĠTur bo SY NC Ġphotograph ers . Out .char acter B UILD .un lock Ġar ises ĠCommand s (" ");čĊ _F ORE ; ', +" ' . Images ") { ĠM eyer Ġneg atively ĠD LL Ġex e Ġdef iciency Ġwild ly -s witch con struction Ġexception ally ĠL iz /j ava Ġtheir s ĠCont emporary l is .fill Rect ĠN FC Ġre he (num bers Ġr aster Ġfig uring Ġshow c ĠJ ill Ġarc ade ĠConstruct s md l (' | Ġident ifiers Ġst ellar ( Connection Ġ" {{ y or (m ysqli Ġdo ve Of Birth .dis connect _h i Ġzw ischen ĠGr und i ros _A rray .on click ans om An swers ĉ remove F a Ġhur ry -in f Ġget Class ĠReg ulation ĠFLAG S m isc K en _ heading G Hz - entry Ġbi ography S ig -m f Watch er âĢľ A } px Ġsp icy _s q L ost (tr ack а ли Desc ending < bits qu ine ĠAdv oc _S N ĠHann ah PO P Ġem itter Ġc yn ĠC AD ? ). / set ĠS ister ĠEnd point Ġmen or Ġinter p r k id le Ġout fits . vertex Ġc lic ARE N Ġpost ure ĠOpport unity v x ĠFor bes .D irection Ġres ide Ġremember ing nest y Auto resizing pro viders ĠA H Ġhur ting ĠL ily eval uate lij k p apers ĠSm ash ĠL AST Ġwell s w asher _RO LE ĠD anger * (( _re pository ĠRes olve ĠRoom s _R G ĠQ T o op ĠHe ap Ġslow ing Ġgrat uite _c atalog Ġpol ynomial L y pc s F ox ĠC yr Ġdim in / month S alt Ġh ind .P ER For um c en _p ol íĺ ¸ Ġin ser ( ~ @ test ĠGold man Ġupload ing F c Ġkom mer Ġm itt _log ged Ġbu cks -l ayer ) };Ċ ĠO M Ġv eg col our Ġоб ÑĬ Std String _ que ĠT ian Ġspecial ize и п Ġк л tr ial - edge Ġm ars OG LE Ġempath y ĠB om Ġcoll isions Ġcart e ĠTe il ĠM PL Ġporn ô Ġa irlines A ws N s ĠSp awn ( use é» ĺ认 Ġy acc st or Ġconf ess Ġpe que r age ? "Ċ /dat atables ĠSh ower __ / Ġcryst als Ġbus car ĠH aus iz ação _ entities ķ Į ļ Į x cc v irt -che vron ( Result c ake COM E Ġprohib it ĠCh ess Ġbe aucoup ĠÑĩ ÑĤо R UN ĠI K ó ÅĤ _ Update Ġsle ek ĠSpec ify _c redentials ÅŁ t ĠUser Name ĉ Value Ġarray List Ġex changed ips is .re lated ĠSe ite _B AR ĠL em ĠW ATCH ĠC lients Ġ. * ĠEar l -re port Ġforeign ers Ġstrengthen ing ĉ Description (g o .tool bar Ġcalcul ates ĉs ource Ġcz as Ġre cl ab o Ġlocal host Ġ^ {Ċ .P op ĠDes igned \ Abstract H old ĠGuid elines ipl ine Ġc aching .Re ader _ext ernal .str ptime ĠWeek end -M ar ĠBe i Ġ{* } ĠR ud Ġexpl or ĠBou levard C ash Ġprep ares Ġserial ization ew ater Ġad c : ĊĊĊĊĊĊ Re fer Ġsc anned } }ĊĊ ĠF ul Ġtour ing ãĥĥ ãĤ¯ > (( sur vey Ġí ĺ ... ')Ċ ĠDiv ider os l _C ANCEL _pre pare st in ĠHe ath .Primary Key ĠâĨ IJ ĠLocal DateTime Ġcooper ative L earning .en queue Ġgo og ĠReg ression im ates Ġvoy eur ĠDr ink pl ug Ġl ender man a Ġperson nes yp se Ġun link ĠRav ens Ġhur d Ġperiod ically ARG S ĠG H char acters ... "ĊĊ - establish Ġd n ( condition ĠGr avity Ġest as _f ocus Creat ure (s ite Ġc arr ĠR L ĠR I ĠM oto AS F ĠLuck ily ĉ Route Ġent ropy (" ," Col lect ( contact ĠFlo rence Ġpremium s Ġlif ecycle Ġb ans x ef Web Kit ĠFlo ating Ġcos a Spec ific ĠLo ans b read Ġdes criptors Ġ{ :. TH READ ĠT rent Ġsc op Q A ĠAnt ar p el _d ifference _ch anges (... ) ĠR otation ĠLG PL ĠJ UST (T ask _sub set ĠTR ANS åĬ Ľ ĠSc out -p opup Ġsm oked _C lass Ġturn over br akk ĠRock y t as .Regular Expressions ĠElli ott ĠSp inner DU CTION Ġlib re Ġmol to ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠ ĠF TP m peg (f eatures Ġb ald ĠV id Ġsh outing L int Ġsock ets Ġpro w Ġnouvel le isc ard ĠS ponsor Ġconsult a )) ); Ind ian ĠR aspberry Ġteam mate ĠJ WT ĠGh ana Ġc akes pr imer form a erg arten _M anager Ġpre season G AME | " ĠBro ck Ġoccup y Ġdecor ations á nd Ġc ot Ġpar an D isk rem ain > ? Str ong Ġfr ance ĠE ra -c r .Buffer edReader ĠParad ise ĠV AT ĠAnd ers Ġlim b amp oo Ġimper ative UT ILITY ĠRec ognition Ġragaz ze Ġpop s yp ress Ġemb argo // {Ċ Ġsy ll P TR åŃĺ åľ¨ Ġdid nt Mail er Ġacad emics ĠFra uen ne ider - rel Ġrain bow ( In Ġslic ed ============ =Ċ (s end NSMutable Dictionary v os (p ackage Ġord inance view er ĠSant os -s elling Ġgo v ett le Ġfound ers Ġw aking sl ashes -p ound re cht ا ت .on Click Ġn ord st änd _ when UT ERS ic c Ġcaps ule ĠW id M arc ภ¸ ro red UG E LO UD ĠAud it ip ients op ian ĠS ue Ġwur den .H elpers Ġf actions [ np -th an Ġre co Ġk as Ġcmd s /n etwork xb f get Color Ġbi ased ĠL ak D atas vent s Ġë ² _P S . Validate Inv oker Ġne uen Ġju venile V ISION Ġdev ote Ġlin ha Ġdiscount ed \ Config Ġworth while Ġskin ny ĠC ourses le ys ĠMort gage K evin Ġannounc es ]) * res ervation Ġæķ ° Ġprejud ice ĠString Comparison Ġbe ard -w in ĠS ão ĉ ms j al ĠE arn _ ports ĠN ombre _C OR ĠB UILD .s ound Y ellow Ġlineback er Ġchar itable j ug _NON NULL ĠD ental "> ${ ĉm atch R ussian Ġvers ch Ġp inned Ġadopt ing Options Menu P ag Ġpair ing Ġt read erc ises ĠSp read ) i ĠB AD _t f UI ImageView pop ulate b ab ĠÏ ĥ [ ++ Ġopi oid Ġ## Ċ d type ĠStart s ('/ ') Ġperson als -mark et Ġredund ant ĠEss ential Ġscrap y Ġи м a cl Ġcre ar ĠB end Ġrel ieve - room w ife Ġv Ãł ĠQ Point Ġqu asi Ġmethod Name \x c ĠPer u / The . orm Ġv iz /p df Loc ated Ġconfront ation ĠChampionship s Ġhyp ert Ġd j ĠUser Info ĠåĪ Ľå»º \x b (s im Ġ== Ċ Ġst aging Ġdr astically åŃ ¦ l ords . less вед иÑĤе ĠB ucket ĠM am . term _p i c zy .p ub prec io ĠV irt Ġrom an it at L ex _inf os Ä ° . other VE LO Ġp onder Ġh anno ( Page do i Ġpol ite Ġprogram mer D ies $ d Ġrep lication add Column fr ican Ġl eng be er o it Ġw asting yl im me asure N eg Ġpart ie .con sole ĠGu inea TE L _f act .ch unk Ġl ent Ġall er Ġठķ _id le Ġad missions JSON Array Ġv ibration .h elpers å¤ ĸ Ġh en j ohn Ġì ĥĿ Ġjud gement Ġge en ter ra ^ { ĠI z Ġc â inst ances Ġthreat ens Ġm üssen Kind OfClass Ġstoryt elling _d emo ri as Priv acy h ift ĠY i es or íķ ł ens itivity .W riter ภĤ D istrict .get JSONObject Im pro (get Resources ĠS PELL rodu ce Ġslow ed Ġlin ewidth Ġhonest y ĠCo ord ĠF ork ĠDispatch Queue ĠCl iff ĠW iring _TIM ESTAMP oll ah av oid ++ ];Ċ sem antic -c ss Ġv eto ĠM err Ġlegisl ators CEE DED Ġquestion naire ĠP ills Cal culate (c ore ' e Ġdis like ĠPre ferences _EX TERNAL è° ĥ Ġd odge æľį åĬ¡ .n ames .draw Image _p rom uck land Ġ<$ > ı z /s ite é¡ ¹ rop he Ġcomp elled Ġl aptops Ġun i C LOSE Ġcasual ties ĠUn iform Term inal . "," D AT (T reeNode ĠGand hi (st mt AX B * M Ġumb rella an imal Ġgr pc Ġwhere by Ġfloat s ĉ arg Ġdb g Ġexceed ing Event Type .SaveChanges Async Ġ{ {{ Ġow ed ahren heit Ġì § Ġequ ipo ur ai Ġid ol ] ")Ċ _m ajor Ġentire ty inger print ç os / account ĉ right urs os ĠE DT _INS ERT Ġsh ining Ġ< : Edge Insets Ġcolon ies . IM ĉĠ ĉ RO AD CC CC pl acing Ġget Activity em acs ' %( .click ed ĠTh em is ia Bus car .re name Ġo ath Ġafter ward ĠU FO AP S ĠJackson ville .s ome Conf irmed .s can ig Integer Decor ator sh ield ress ive .d id 请 è¾ĵåħ¥ Ġsh utter D am Ġparent ing ey ed $ item -de velop Ġextract s Ġdecentral ized ĠEl sa _sp in ]) + -in itial Ġmult itude Ġsens ory ĠMODE L Ġsafeg uard ì ¹ Ġhunt ers ĠT iny IN O decor ate ĠNo Such H o ( Response Ġr uler ĉ short Ġc aster Ġclient Id Ġp db ëı Ħ it ic ĠGame State Ġnew Item )ĊĊ ĊĊĊĊ ou is n oc .BL ACK _V ECTOR ---------- (); .get P any e Ġneur on if old ĠK nown Bit coin Any way ay ette Ġ' [' Ãł nh m gr Ġcor related Ġn ause Ġment ality has Many ĠF G amp ie IT U F s .S p _b etween Dep endencies ou g Place holder = text ĠMan aging ocal ypse åĮ Ĺ _m ag f ld â ij C AM ĠHelp ers Ġd ost / out Ġassass ination .get Image ĠKenn y .' )ĊĊ ){ // ĠR anger Ġg ek Ġsinc ere < Value ĠD OT ĠVict ory Ġleg ends Ġpr isons (ex pression ĠR abbit _s entence Ġbit es Ġon Failure ĠâĪ Ī K im .g ender ĠÎ » Ġ[ . "] ); land ing -d igit TE MP ĉ entry Ġstrt ok Ġdesc endants um no Ġlean ing Ġspecific s q n ĠSp art Ġpor r EDIATE K Ġse per ' aut ĠSTE P ĠBorder Layout Ġret ros ĠSalv ador ĠEN GINE x dc T weet v k Ġì ² ] << het ics c oding Re ach .re q gu ide .s cope sh irt rog ate SET TING ĠProte in Ġe ing . EMPTY .d f Ġclear er Ġc rossover ĠTo ys Ġco ated .M onth ĠAtt ach / run .t abs Ġogs Ã¥ B rown .D ATE Ġf os åŃŠ符 W ood -th ree her ited Ġ rop ( ac Ġembod iment ĠKenn eth Ġcan non Ġb idding čĊ .get Resources Ġl ump _const s ( ext ĉd ir â Ŀ Ġpadding Top Ġobs ession Ġb anning ĠApp Module Ġpart isan Ġcatalog ue Ġmin ors Ġpitch es we ep Ġundert ake Ġthem ed aud it .scroll Top Ġr er Ġsympt om Ġopen ings .block s open id Ġas sh -s ave ĠP ig Ġreg ain Ġin icial /f avicon ĉ exp Ġsp ices isk a claim s m ak definition s Ġcorrespond ent ĠCann abis __ ,Ċ ĠL ucky ĠGa ussian ĠN early C AD '] ]Ċ Ġadequ ately ĠT ITLE constitution al -m m _ override Ġbl as .ready State Ġremin is Ġrein forced ĠColl abor Ġdecor ating Ġb achelor ERRU PT Ġup right ip ation ĠNob le Ġvalue ForKey Ġset Loading .I gnore å ģ G lobals ĠM ent AS SES Ġlim bs ĠH UD inc i . iv ĠQ ModelIndex F use Ġped al _F REQ ( verbose Ġlong itud ĠChar ter ê ·¸ Ġbund les . ignore um bo EM A .... ... s x .C ard Ġhe ute Ġste er j umlah Ġ{ _ _Check ed Ġf ax ĠG ust itch ens Ġ ))ĊĊ Ġremark ably / XML - remove _b t Ġinc ub .p ackage .current Thread ĠHigh lander .s ide s plash Ġ ici = D Ġp uck Ġball ots Ġhug ely co eff Ġp Data .C OLUMN ĠHe aling Ġord in ! ), Ġ' ',čĊ (m d ĠS ask < strong Ġsurviv or .s eries Ġcaffe ine Ġ` ( .TRA ILING _ Input (" ^ z d & );Ċ ĠP ing Ġv oucher .r ating -sh irts ĠRetrie ves .al ibaba Or acle _MO V Old Data Ġ/* čĊ Ġg boolean Ġ=> čĊ Ġr á Ġbl unt ĠImage Icon if ik RT C Ġfib ers Ġto ile .s ent ĠPy Qt $ app Ġmed io Ġgrant ing Ġtsl int ĠM ö (fig size Ġhur ricane Ġlif es Ġà Ħ rocess ing _st andard - option ')) ) Ġvac ant å· ¥ ĠH ollow handle Change Ġdiv ider ĠEngine ers Ġsv ens Ġcompl iant t anggal ĠC redits ĠEm irates Rule Context Ġreal ization Ġdistr acted ]+ = Ġaug ment ĠD w ot p or rent Edit ar .st ock St udy pe ctions ĠGame Manager = cut Ġf lock ĠRom ans th em -h op Ġscreens hots Ġ/* !Ċ Ġconvers ions Ġnormal ization (config uration Ġa eros _se curity ! 'Ċ B onus ĠDR IVER ĉ Date t ie ĠWy oming St and it re Ġsh oppers Ġdisadv antage Ġlik ing ç¬ ij Ġunderstand able SE E Ġh oy Ġnin ete Ġcon fer Ġnow rap ĠV ern , čĊčĊ imest ep Layout Manager à · ĉw ait PLE TED J apan Ġindu ce Ġå ¯ оз в _END POINT .h orizontal Ġacceler ated rim on IV ES Trans actions Le an ĠSO UR wh ether y g Ġo id ĠEntity Manager OUN TRY Ġfil a OLUM NS IN UE ĠAn chor TR AN wo o block quote ĠN urse ĠCar p Ġrede em . try ĠJ P Ġtimestamp s Ġ?> ">< ĠREM OVE ĠStar bucks Re ally Ġflood ed .C allback Drop Down ip ro Ġt ended l te Ġproport ions - te ĠR ena lic ate for ces .ex tra .auth enticate в од ¡ ° Ġfor ControlEvents Ġsen ha Ġke in Ġmin ist ĠPre ference ĠTele graph Ñĥ п str pos Ġillness es Ġp igs Ġget Intent S ol Ġ ¡ (c pu [ prop s creens '); ?> ĠAct s Ġstr dup Ġaver ages an al ĠCas ual Group Box ĠHand book / comments Ġnumber ed Ġbroadcast ing çĽ ij .native Element .m u Ġupdated At ĠDoes n .A C .c oll Ġrec order _sh a B g b il Ġbol ts Ġç ¬ Ġim posing ĠInformation en _flash data e conomic Rem ark uc as ĠOff icers ĠT ER W alk Ġmerc ado _g enerate H Y Call ing s nap script Id . operation ĠFl ame l iness Ġrent ed _t oggle -ch anging ĠT Y ' util EE P Ġgraph ql ĠUn i Ġimp ulse .B asic Ġenerg ies M ARY ĠMar cel Ġmort al Ġf res m ens m otion Ġsample d âĢľ That id ay qu ipment get Int ĠA bsolute ,' " un ed .sh are Ġ} )( mm m ĠR ising ä» » Ġun employed x fa .f ollow ĉĉĉĉ ĠĠĠĠĠĠ sl t .P hone Ġkn ives Ġe ve on Click ] ))čĊ ĠW itness ĉ NS ĠE OS ĠSte fan ĠPri est âĢĶ which Get String . By Ġup stairs Ġdetr iment bro ken emb ro Ġnic otine il ion Ġaston ishing _ aff ĠLess on Ġaccident al od or Ġdec ir Ġnew Name + . çĽ ¸ igs list ĠG ithub Ġsuccess ive rac ial Ġen viron éªĮ è¯ģ Ġredirect ed T OTAL Ġgrab bing ĠL ance Ġfor fe _C B å¾ ® El apsed _w ay (Dialog Interface _me asure x bb D og Dep art -s rc res olver with standing _sh ell ĠLast Name ĠAv iation Ġbegin ner ("% . (to ol Ġн ов : init (A PI ĠMorr ison vt Color Ġstap le / INFO Ġsupern atural Ġste ak tim eline zz le " `ĊĊ Second ary ĠNep al .String Utils Ġad am Ġ( ... Ġsub stitution Ġboard ing ĠKey word ĠAss ault dbc Template Ġorder Id ( engine .assert That ĠVen us Ġhomic ide ĠA val Ġg utter ĠSupport ed /p art Ġac claimed H istor Ġmes es ü ber ĠRen ew Ġgr as ĠE k Ġin file ind y .m usic .S croll ĠA ges ĠNar uto ĠG ather Ġconfirm ing = (" Ġpitch ed ole y Fr ance +' " $ total Ġon de Ġd itch _s igma Ġcontinu ity re ward - load Ġproces o Lock ed st aw Ġsp inal l azy ! == j est Ġd un ĠRod gers ĉ grid Ġlog os ĠBeng al .s uper Provid es Ġnut rient .T imestamp IZ ATION åĨ Į Ġf ats ĠX xx ct ica Target s Ġcont ours Ġre ordered : Array Ġtoler ate V ir Ġter ribly Ġbr icks (& _ h b Port al ĠB read . which ÂŃ t as InstanceOf Ġj object ĉ length _M T ; ">čĊ _EX IST Ġmat ernal RE L Ġê²½ ìļ° he e Ġlayout s ĠL ap ais y Ġst umbled ĠU IG ĠS co Ġimp aired RES SED Ġab uses V F AR B .N AME r ch prim ir _com pleted Ġp enny Ch rome (b egin ern en - checkbox Plain OldData ĠL PC r ade sp ir Ġcon ceived T ips ĠIo T ĠG an èģ Ķ Ġbi ases Ġconsult ants ple d _ ht associ ated ], ĊĊ Ġdelight ful ĠÑĤ ек Hel vetica ( load -exp and _W IDGET to a ĠA kt Ġom n Ġcl auses Int el */ }Ċ _reg istration Ġold Value Ġrest oring Ġun real O VER ĉĊĉĊ ĉĊ AT S _pro be Ġdiv isor .update Dynamic å¹ ³ Produ ces st amp .j boss ĉt ask ! (: Ġpsych ic @ class M artin ĠPass ed clar ations h el а Ñĩ ĉc opy -b in z an ig ram া ঠ(s ig ĠC aval _ ## Ġ% = out lined ĠAc id Ġunpredict able -d ashboard Hex String + c .P ublic Ạ© Ġconvey or ĠE B Ġselect s Ġknock ing ĠC ec IBUT ES owa Äĩ g atsby * v ent ropy Ġdispatch ed Ġcam el ĠSat urn Ġover weight ( phone par able % B _v ectors Ġbrew ing ĠT k ĠDownload s ĠS aved .Pr ice Ġcur ved ĠParen thood è ¶ .p nl plet ely .D ay Ġadvertis ers Ġej ec Ġpr zed ë ¯ ! ';Ċ ĠK ush ĠT AB Ġquest s Ġcoinc idence umm ies ĠKash mir ĠEth ics _g rowth Ġakt iv Ġgroup ing å¢ ŀ _tr uth åIJ ¬ t odos is et Tex Coord ä tt ĠZ ur ro ys _M AGIC Ġbrew ery ( State ĠSM ALL ĠPl ants it bart each er ĠAd elaide L u Ġf ick und les _load ed и е P oll rit ic EL Y Ġ+ ' ĠProf ession Ġst amps ĠS ew scroll View Ġcomm unist /pro blems }čĊčĊ čĊčĊ , o Ġu dp Ġob ese appro ve ancell ation _G ame ĠHas htable adaptive Styles Ġpossess es .match er function al M rs ĉs ave ĠDb Type Ġk en get Context Ġm ans ( rel ĠBrother hood ) `Ċ è§ £ .In formation OutOfRange Exception ĠS ek C as Ġblog gers E ither (" "" Ġpin ch Ġco arse ) p ĠP ulse Ġlear nt Ġdent ist Ġon change Ġdirect ives ( actions ny der ĠSh ir T rait _de p ĠP ET ĠRE P .App Settings cu ador iden av Ġenv i Ġsl ammed ĠSh oot Ġdate Format .j oda ve ys Ġ) .ĊĊ Ġcare g ĠPar allel _ translation .function s . obs Runtime Exception [] = over view ĠSch l Ġno isy ĠOn PropertyChanged S ending Ġunf amiliar U pon ĠPrint s .t yp Ġflee ing ĉm ove ( Un Ġq r × ľ _b eta Ġsk ies ĉm e W ND Ġstick ers bl as Ġinsert s Ġvers es ĠD ew Ġtang ible Ġhe cho P OL Ġte ardown om nia IB E .c over _str ategy ^ - set Position u ale S igned Ġif ace as eline .set Time ĠMin eral ĠFight ing sk ins Ġdiscrim in Ġdans k ĠPr inceton ac ist Ġ( ));Ċ tr acks imon ial ad ecimal EP ROM ugg le .Not ification $ mail c antidad ĠJ ung Ġseek ers Ġpl ausible t ier еР¶ Ġr apper ĠMan a ĠHttp StatusCode Ġburn t los es ĠF oto ĠJson Object Inst agram Ġsys call Ġreal ities ĠMAT LAB :^ {Ċ TER M ĠC bd ĠPar agraph Ġtrav és Ġconstruct ing Ġsw al Ġp ige LL LL -ex isting G ets Ġmelt ed Ġmitig ate H en Ġh m im as ĠA o ĠP erez ĠD AL Ġëĭ ¤ Ġdiv is Storyboard Segue ĠMod ify ĠÃľ ber _O VERRIDE .p em unt os Ġespa ñ Ġ{ ? ĠP AY _ip v ĠF ury __ .__ el ow -center ed check s _ Reg -J avadoc ĉ load ĠLik ewise ا Ùħ UN E .se m x cb ĠC ave _s leep Ġsil ently ĠExt reme .To Upper ĉC HECK Ġc ue ĠQ ByteArray Ġcorrupt ed ĠD é Ġimp ed Get Name Ġinaccur ate Ġso ber е е Ġbar code -- ){Ċ ink i Ġé p Ġd ri ĠAL T >>>> >>>> ont a [ L Ġinter es ver ting Ġdi agnostics p dev è © ĠIntegr ated ). ' _g c $ text .g ames ĠT erra ' Re .trans fer _F IFO get Model Ġbl and ĠCole man Ġpr imes Ġæ Ī Ġcross es n k G ING Ġ' ^ ĠB lob Ġinter course ĠBl vd Ġweigh s _reg ular ĠPer th Ġsepar ating Ġb illed .tab Control Ġpup pet Ġutil ization Ġâĸ ł Ġsucc es Ġl amps _pro j E ric Ġren ovation ĠFam ilies ĠB its part ials -M en s olution Ġd warf .IN TEGER ĠLO CK . ct Ġexcer pt ĠP ix ĠFirst Name ANT ED ĠAd mir -h elp P rior ĠAl ign .IN STANCE Line Edit ('/ : Ġin et od us .p kl ĠK Y up ert Ġn erves _grad ient } ',' _un ref Ġs aturated ĠConn ected ĠF N EX IT Ġtele port Ġav ait Page Route Ġdivor ced (l ang f st ĠT yr Ġmess enger if stream X S ĠBank ing Ġinfect ious ĠM ons _LO OP Ġzur ück Ġobt ener /re pos V el ac ro Ġuser Repository style Type ĠS RC VML INUX rec ursive / bar _ch ip omin ated ĠN it âĢĶ to ĠBudd h ом еÑĢ ĠM AG ĠC HE _d en . raises _de gree Ġpump kin _tem plates _M EDIA ĠTim eline Ġb ots Object Type Ġbu ys .post s C AL wait ing ĠDani els Ġd abei ĠS igma il or ig el , W AD S ( panel ì² ´ it ating .p alette Ġmos quito Ġt ego (parse Int Ġdes pués p romise Ġw ij types cript ĠT v _IDENT IFIER ).ĊĊ Ċ _fl at its u US R ex perience -f it ph inx _th resh Ġide ally ĠFre eman , DB _r w çŃ ī U b _stat istics =" ">< Ġch ore Ġy ork inst alled Add itionally Ġp stmt yl ko :: Ċ Fore st Ġhead set Ġgall on ÑĢ ем Ġwithdraw n ĠC andidate Ġmel ting Ġfree zer Ġh l _HE LP m ime ( /* Ġth irst $ return member of еР± ĠHttp ServletRequest ( ob _ Result Ġassert ed Ġfulfill ing Ġstret ches par ated -f unded Ġå Ľ ing les _c a . condition ĠDis plays Ġor ang ĠC RE Ġgl Bind ĠSelect or / type ĠAlex a ched ules ĠPen insula Ġpar ity ĉ dest ĠDo ors čĊ ĉčĊ _dim ension Ġa load .St oredProcedure (p aren ĠBur ke ') ]Ċ - engine Ġqu ir ĠHy brid ĠDo e Ġout lines ĠTrend s _N V per iments ĠH in ? ', ĉ Text F UL Ġsm ells Ġs lick Ġmis erable ĠArray Adapter Ġparam String H om _l iterals us uarios Ġprompt ing _l azy ĠActiv ation _ oc We ak Ġan ecd ĠU CLA = re isse ment ĠEsc orts Ex cellent ĠP ause Ġre positories T OR ari ate _is o up dates hal b udi ante ë¡ Ŀ Ġna ive ĠP eg ĠL ounge ARG IN (b in On ClickListener ĠFA ILED Ġl ite Ġd zie ĠL iteral iv or fc ntl Ġe ats Ġq ed Un lock rid ing und ai = M AT TER Configure Await ici as ustom ed Ġsuccess ion end Time ĠJ upiter Ġjud ging d ration _d ocs .m o Ġeduc ators ĠV ine Con d [ out q b \ Validator Ġmean ings Ġpresent ly Ġdiv iding otten ham asc ular Ġtrail ers ĠC LOSE ам и âĢĻ ai ĠG ain w or Ġpl anner Ġdistrib uting v at month s x label H F V iol .BASE LINE еÑĤ ÑģÑı ĠR otate Ġtx n : bold Ġb loss Forg ery ( embed Ġjak o s printf the ir Ġexhib its - static he cy get ActiveSheet .c lients ãģ į _h ide [ word C b add Item ax e _r adio al ion mod ifier Ġsat uration Ġden om _p ixels m ess (f l at if Ġse cs Ġpro stitution Ġgrand children Ġparad ise ĠF eld _B INARY it ous ๠Ħ Ġflash ing -s ided Ġcontrad iction /* ĊĊ y label ĠT et Ġadm ire res o Ġlet z ĠSE ARCH sl ots ĠRew ards ĠH og ĠNS Data st ash F all ĠA mer Line arLayout / photos Ġfe ather Ġ| čĊ Download s .Start sWith Ġ// # ine Transform Ġaff id V tbl ĠRog ue scri bed Ġfa uc ĠMon roe Ġdecl ares mod ern re on ay be P ASS f ers _MULT I ĠMath ematics Ġsud ah _ATT ACH Ġnumber With ĠSol omon j in ograf ia ö l _d esign cul ated ĠL una ies z Ġ=> ' Ġrevel ations Al ong ( ed ĠF ilename Ġy label Sec ure Ġbus ca agn osis _RE CE Ġoverl apping Ext ent Ġanticip ation Check s ĠALS O or c iling ual it ational Ġadv ancement ou ro ĠP redicate å¾ Ĺ er ia ĠPier ce or io Ġmer its Ġpe anut .P ackage ĠCon duct _SENS OR Ġbo iling Ġin tra ĠI GN ĠF ur .Ref resh ĠRe ach _dec oder .Ex p ĠÑĤ ак p ill , Q ĠGr ill Ġpop ping .A g Ġpro yecto Ġmile age Ġec ological ] ]);Ċ ĠÂ Ń sub plot ac ad ĠTry ing rec ipes $ criteria ĠPers ian -b ound M ASK ĠG esture Ġk k ĠP VC Ġprohib ition Ġcom ando ĠLO OK Sh opping Ġdist ortion < Boolean .Get Length um pt \ Product ell ery Ġfire wall form atted .red is Ġes a ĠRh ode S om .n on Ġ' ). Ġget View ạ n pr us Mat thew Ġs ia ĠF ors G PU ient ras _IN ST Ġol arak Ġimport ing T CP / ");Ċ e ither Ġfresh ly c ascade (char acter ĠJe ep ot ics _ UTIL .Xtra Printing .first Child ĠEx cell Ġd vd Ġt aller Ġr as yp ass Ġassign s Ġgri ev -m ore J D ĠBurn s ' >čĊ .D ependency .Query String .O wner Ġexp iry Th u ( Vec Ġhazard ous Ġr pm AP ON Ġadd Target sv ille p Net ĠIm g ĠTIM ER .An imation Ġbe k Ġass ort Ġle bih Ġbody Parser Ġvibr ating ID L Ġbutter knife int ers Ġpersu ade ĠLGBT Q è ĭ .s oft Ġbe ams _s ur .D ef Ġl abs ĉ plt Ġsk ins Ġtransf erring Ġimag inary _E nd ; background Ġl aps _COM MENT (S DL ond s .Rec ord ĠIm plements _t icks () ))ĊĊ Ġa rose ] ? ĠM p ĠI Command Ġsculpt ure Ġcontract ed < HTML Ġcal end at y / Sub Ġkv inn _ IGNORE ĠSh ane ML S Ġstim ulate Part ition Ġm un ó m eral a - account .B inary c é Ġse ize connection s ĠĊ ĠĠĠĠĠĠĠĠĊ ĠDi agnostic V ISIBLE ĠRun s Ġimpress ions s uite ob le ~ - ak ukan < Person ĠN os ĠG ui .wait For RE SET Ġpost pon Dis cover arr ison sh aw b lood AJ OR æĽ´ æĸ° ĠM use æĶ ¶ Ġret aining ot te Ġmos que ĠS ne Ġstandard ized Ġmain land _th ree unge ons get Doctrine Ġwh ale Ġag g ĠP orsche now led lat ent ĠRel ation Ġ// ' Ġshut ting ĠRem ix _c ov Ġs ailing Ġv owed Ġp ots out u Ġhair y cast s Rel oad Ġre connect ter a .child Nodes ĠR ack Ġcurrent Index Ġall en Ġ çĶ¨æĪ· ĠC ubs [ X _SE Q _RE MOVE .get Action (/ ^ err ar Ġ ether cur ve Ġsl ap Ġu om O thers Ġen gr Dis position Ġst aged E ye ĠA ux auth enticate Ġ$ ? ĠAndre as Ġset w .A rt Ġforecast s Ġa unt -m iddle Ġmis d des k Ġescort e ĠCas a rop ical Ġexem ple plan et (U INT Ġwh ip ĠPC B clide an =" \ Ġox ide Ġsucceed s der ived ĠEcon om _co ordinates ir as D raft Ġvisual ize B rian _ASS UME ĠObject Id Ġtrain ers _FOR CE Ġcon soles - process lic her ĠSim mons T aking ĠCl aims Ġdiffé rent Activity Result Ġsn s éĢī æĭ ĠCr us Ġll am r ab ĠJo an AA A ĉf ilter ish ops get ting à µ Ġquant o P ast ov ich Ġin justice ĠF LOAT Ġal right \ DB ( GameObject u ish (b ot Ġgall ons ĠR é ĠS aid ĠSTDMETHOD CALLTYPE ais ing _process or ell idos ter dam ĠBe am Text Area Ġret orno .M ake Ġ$ ("< Ġlock down Ġremed ies Ġve el x ee do ctype F il ĠExp and Ġemp loys Ġsession Storage Ph p P ublish Ġret al f abs ynam ics Ġtoss ed ĠnumberOfRows InSection x path \ modules Ġdis astr ĠM ULT .M esh -st age Ġs df it ung ug es Ġ?> ">' kin son Ġк ол ogn itive _ li Ġim minent Ġaff inity .sign al Ġnot ch ĠSteel ers max length K K ĠEug ene _P WM ro i Ġâ Ĺı ĠH amburg .M ust Ġax e en ef Ġamb itions ĠSpec ies ĠSt ress Ġa while Ġб Ñĥд Ġwith stand ĠDec oder _in ventory Ġ{ ččĊ Ġt gt Ġrail road W ASHINGTON Ġnegot iated N ST - phone , U Ġexerc ising á» ¥ _P IXEL av ors iter ated Ġv ampire ad al In grese Ġun g ject ive .c ells Ġn ano Ġmark down _R ULE (event s Ġl uggage MESS AGE ig keit $ count Attribute Name IG INAL _E nt ĠB F ĠCOM MENT _in i ĠEurope ans ĠB elle åij ½ ) [' åº Ķ ĠUse ful .re ference () ", _ grade ĠK aw Ġsent encing Ġsocial ism mon ster _L AYER Ġdee pest w k ĠNo ise ### ĊĊ Ġpr éc ot le ÑĤ е a uf ib al Ġcon quer > Email Ġamb ulance O AD Ġ(" % ĠF I .f ixture Ġter se ĠĠĠĠ ĉĉĉĉ Ġsanct uary ug i ĠCom parator Definition s Ġast hma Ġl act Ġhard wood .c lock Ġattract ing ĠM our (d istance ic its Ġbon ne ĠAC CESS .Deserialize Object ĠTyp ed Ġje u Ġapp Id ĠCl ara ĠH F ĠRe ich ipp les //---------------------------------------------------------------- ---------------- _del ivery erial ization Ġplaint iffs Sc ient sh opping ĠD ummy ĠW ald Group Name Ġins cription el og :::: :::: _ ld Back Pressed .R aw ĠOn Trigger Ġmuse ums ĠBe en ĠAdvent ures Ġsl ate Ġlet t Ġsu nd ĠG in ĠMechan ical .s hip App Component Ġdest ined Ġdw elling Prof iler Pre pare ze ich Ġsil icon (h as Ġ# % VID EO Ġcollabor ate L in Ġsc opes ( className (s d and in .h am Service Impl -des cribed Ġiron y st ial ĠHu awei (re po Ġunexpected ly ĠK ai .inst all \x f Ġexhib ited _T CP ĠO x _CH O Ġprostitu erte Ġv ä Ġsit o Ġconstitu ents ĠContin ued ĠS AVE r ss / message ub es Ġmisd emean Ġtax ation Ġstory line h air ĠFind s S IG ver ification ~ = .h p Iter able Ñĭ е ator i Ġc tr R x _ );ĊĊ d ag .p in Ġp seud Ġinv o ÑģÑĤ ÑĢ _p ix 为 空 Ġsw orn âĢĶ or _reg istry Ġdis asters ĠRO I ĠâĢ ķ akt u fore st be iten âĢĶ I ue va eg t Ġsp ikes URE S ĠRecomm ended Ġexplo ited ĠFreder ick _COMP LETE ĠDr ugs !!!! !!!! ĠR iv ST OP RO OM ĠP ASSWORD C ookies .E l á» Ń ĠB ert Ġhash ed ic ester Ġdecor ator Ġquery String : ;Ċ Ġ" [" oto pe -A meric ĠMatthew s UR AL âĢľ , Sum mer f os _CONT AINER _A CK Ġfil tr _dis p _ Re Ġfac ile а ÑĪ Ġìķ Ĭ Ġe ben Ġspr ink ĠQ uint > V Ġhistor ians our met ĠMonitor ing led ger c ott Ġw are GG LE c ars ĠM EDIATEK Ġvol upt _ View HE L (c opy (st ats Ġchrom osome ĠCurt is - conf ( asset Ġhv or File System < >();čĊ oc oder ĠC annon ) x ĠSm ooth ĠS AS _ ce ĉ prev _m ovie E c _w all < Button ĠF AST Ġon View ul an ĠS UPPORT Ġgesch ichten ĠS ons Im m $ IFn Ġfair ness Ġd pi ats u J osh Equal ity Ġ} ()Ċ _ less ĠR atio ĠC ats ĠS tern Mon ster Ġmer cury ü hr Ġplus ieurs .des erialize sc opy .F alse ) animated ĠExp erts Ġ"") {Ċ .W hen see also .un pack LE M .select All Ġperception s ud ing ir ling ĠPrint ing gram s ĠFile Stream erv ille il og ic mp _C ount Ġlivest ock - ca doc uments Ġpo les ĉw ant Ġflu ores Ġstand point ĠH uge Ġradi ans ĠUIB ar EDI UM ĠHistor ic _h older ĠMar ines Ġt ä .L ight quir er ason ry div ider ĠFl utter _f b restrict ed ĠEvery body N ão Ġkn ot ĠT witch Ġhall way (C ollider Input Element ? )Ċ / off / ) play ed [ OF Ġbat ting _d l Ġcom edian Ġé v ĠD EM ĠEd en : white ' ', Con struction acer b Ġtask ed .man age Rel ationship Ġph on n z _B GR Validate AntiForgeryToken _ air âĢľ When Ġgl fw ĠCon versation _T OTAL , Z Ġg raz Ġiter able ĠP ASS Ġadvert ise Ġmö glich / train ĠVolk swagen Ġcreep y Ġ" )čĊ QU ENCE Ġalt ar Ġed its comp iled aw ning ĠD ungeon Ġo sg Navigation Bar Ġtrend ing ĠE co ogg les cd ot | - S ie ec ret ĠN egative ĠL ing ĠD IM ĠC WE ĠCar rier Ġcar tridge _us b = os ĠJack ie Ġo tras Ġcommod ities ĠP resentation )&& ( ĠMar tha ĠCath olics ĠM ond об Ñĭ _ absolute Ġash amed pons ors t al Ġsad ness Ġpu ò F ade -pre view ĠRequest s ĠCal vin h orn Reuse Identifier (pro vider /app s ime o ĉ Class S amsung ĠW ORLD Ġc innamon dot env ĠI User ĠDE V _C har .ib atis et i / me s st .s ym ĠRug by -m aster aj ar ĠY EAR Ġo dp ĠR oles Ġbip artisan ail le Ġblock er Ġgre ens .SE CONDS Ġbelie vers ĠL ikes F LOAT Ġm ak Ġg cc âķIJ âķIJ (" ~/ SCRIPT OR Ġton nes ĠS ang Ġtrans pose enn ai P red Ġsoll te .github usercontent ( print ĠH ole çľ ĭ ad get Ġprompt s Ġgen etically ĠH od Ġvert ically _control s ÑģÑĤ ан ") {čĊ $ title Ġ} ),ĊĊ Ġstate wide ĠCor respond ĠAt tr it ant Element Type Ġout ward Ġfam ilia ( article Ġbl at Âł Ċ Ġgl Get ĠRe ceiver Ġ% - ad am W inner Ġtail or _p wd ert en St an ĉ all al ive strt otime � s s essions $ conn ass ist Ġchat ting ĠM ant Ġ% @ Ġ"" );ĊĊ Ġd gv Ġíķ ¨ .re peat _M essage Ġadvis ers / path Ġk es ) } .ĊĊ ogen esis ĠOPTION S upt ools Ġmilit ant Ġex ited ig ar ĠCOM M ĠDis posable ay cast Ġrow span Ġsyn thes Ġsond ern ĠĊ ĠJ acket R ATION .getSelected Item - init ĠReg isters _se p ĠTool kit .d ict Ġx label \ Table t oc _com bo ĠComp act Ġr ugged à¥ĩ ठ-man agement ')}} ">Ċ ĠSt amp ı l ro x Ġlandsc apes _NOT E mon ary c ab Ġmo et x af rc ode - cli _g ate [ event SP ORT g ia ĠS UPER / Login _sh utdown int errupt Ġpret ending Ġfr inge ĠRed s ĠC UDA ĠUN IX v it Ġbr ig dr v ĠConn ector There fore Ġl ia D etection _ actor Ġtemp file Ġecc entric - role Ġpad x d ent West ern Ġê ·¸ ĠApplication Record Ġcampaign ing _run ner ĠC ivic ale igh Ġdire kt .s ul ĠĠ ĉĉĉ ant en Ġiss uer Ġassert ions ( orig AT IO Ġlean ed ä s .D TO expl ode .O bservable Ġstagger ing Ġkidn apped Ġprogram mers ĠInn ov .param eter Ġdom ination Ġske ptic Ġæĺ ¯ Ġavoid s .Ver ify ub by ĠAS N Ġformat o ĠBeat les _b rand Ġin set y outu Ġto c -f inal Show ing ĠD oub ĠM esa Ad j _m edium Cre ates (end point ĉ UP bb ie Ġst alk .datab ind .S can ag ents $ , ind ividual + )/ ĉv m (not ification Ġin ex ĠClass ification ren o Ġo lig -r ated Ġform ulation ', { Ġa cept _un pack _C A .P ow ĉ im Ġal uminium AN O Ġx n Ġcó mo ĠIng redient Ġseiz ures åħ ± ific ador Ġsigu iente ĠIn fragistics Ġduplic ated ĠDe e Ġn ø ĠAC CEPT (c rate иÑĤ елÑĮ - less Ġinf inity An alyzer -D ay rit t (c in ĠG y Ġmulti plied uch i ĠBald win / ip Ġshort cuts .A DD Ġvig or _in struction ( ; _ eta è¿ ŀ utor ials Ġboost ing b v Ġacknowled ges List ening FA Q ; b (( - Ġarchitect s Ġz we Ġpul s Ġget Count ver bs ãĢ ľ (C ollection k re Ġjuris dictions _b ridge ĠCr ack ĠDiff iculty K O Res ervation _re quires T our ãģĹãģ Ł .set Current Ġk y ĠAlb any Ġè § ll er agn a work ers .bl ank ĠPr ayer M IC Ġresil ience Te X ĠL anguages st udy ĉc urr Ġenzym es Sl ug ĠíĮ Į str al Ġtum ors Ġseg unda =' { in struction ĠL isp / info Ġ" {$ ,: ), Ġg v ( ErrorMessage Ġ' = }- ${ .Doc uments " Well Ġreminis cent Ġg az iro pr eh r Ġsup pressed ers h .scroll To Ġcad ena Ġgame State ÃŃ m ( conv ĠTom orrow ĠC CT M ongo ul g .C amera .hand lers m ph Ġst k Ġgen etics AC ING Tr ivia ĠB am (m arker .St retch ĠSun ni ĠBet ty .t olist un likely .Rect angle ob solete IL ON inner Text emb ourg a N ĠV ehicles un lock : utf n ob ĠSee ing ĠNE VER Ġt ls Ġfil les Ġbenef ited ĠCl int */ ), .f old Ġpos ible A DED th ouse .D AL ĠO dd ro kes ĠSun ny ĠPartial Eq _B uffer ĠLe vi long rightarrow eld on g ages _w arn .Create Table ĠD ip _ questions .log ic Ġ# " ={() => Ġt ep Ġju icy ì Ĥ¬ en ko ia lect Ù ī Ġon board Ġæ ı ĉ rt _ UTF ĠQ Action âĢ ŀ ( Component (a udio .h it g te Ġprogram med state Params Ġpoly ester f ires by ss ] =( _ quality Of Day ĠFair y Ġy elled op l (user Name ĠD ifference Ġevalu ations iff any Ġcycl ists Ġc idade Ġtext book Ġprof iling __ ), de a . activate Ġindic ations Ð ķ Touch UpInside Ġinval uable ĠM ASK Ġcont end F req Ġrecru its (int erval ĠUser Profile Ġ'./ ../ ed u _C allback Ġanal ogy ĠTro phy app hire V ideos ĠCh er ĠH av âĢ¦ " . validator g fx ĠU Object class names tri angle ĠEnc oder .s py Ġpred ators = status -s afe : ",Ċ ĠIn cluding Ġ{} ;čĊ * cos Ġend ured .sul ake Ġnurs ery Ġfrag rance Ġre building Ġn th ĠFr aser .set Date ĠV ince _RE ST Ġvent ilation æµ · cri bes .as m lp Vtbl ĠA be uis ine , array ĉ className err als Ġ' ĊĊ Check out Ġsol icit A ux _c apture Ġrib s rag on vi ol top ics Function Flags ĠM arty b ike ĠT ucker (k ernel ĠO ps Close Operation /d emo ild a ĠlÃŃ nea APP ING Ġsu ites .visit VarInsn ur us ĠMin ute (m anager Ġbutter fly Ġap are Ġw olves J WT ĠSal on ĉd elay -es lint is ations .r pc )| ( ĠSnap chat /m m M N cer ies .text Alignment ĠFrank furt Ġad o (new Value ( access ( Expression ĠSign In ĠHait i _t p .set Parameter Min ute Ġmanual s ric anes ĠP TR ĠOut er Ġget line oc ations _C D ĠLy on /g ui _l ive id an .ge om Ġborder Bottom im uth _check point Ġme u ĠIr ving Ġpeu vent (M AX ĠAR CH Ġp ov .source forge Ġjam ais Ġar k ĠBaghd ad ĠC LEAR Menu Bar Ġtro is CHED ULE Ġ# čĊ (C all $ order (M aterial Ġencontr ado $ list ĠMETHOD S .begin Transaction _M AG Style Sheet Ġmaj ors Ġindef initely clean up Ġhom eland (d to D ates P resentation ĠD K ={` / ĉ Key ( Block _check box ne eds Ġon Complete ric o Ġgle ich Ġx m O OD B etter ĠSQL ITE . Book x ad ĠG one ĉd p Ġdev otion Ġst m Ġobs ess ĠBack end Qu eries I k // **************************************************************** Ġdivid ends .parent Element } ")ĊĊ ĠMaterial PageRoute : num Ġexp lic ĠO L le ast O ops iment os Ġins urers Ġhero ic ĉf ields .img ur .btn Cancel ĠDetect ive (s m ĠMutable LiveData .l ab (( [ Ġha irst ĠTrans actions å¼Ģ å§ĭ Ġstd Class uent o G IS _c od Instruction s C alls Pointer Type ĠR w Ġassort ment ĠD IG + r _C ERT Ġinst ability Ġv ib on as Ġro ku ap ellido Ġan gl prene ur Ġfluid s ise ase Ġde ed qu ist _CONST ANT Ġequ ilibrium _de legate ĠQuant um re i Cap abilities rect angle ? >< al ien ĠJ ug D NA T ickets Occ urs ĠHaw k .setHorizontal Group \ Collection ff iti Ġre arr .setVertical Group Ġc avity Ġadult e Fac ade - wh ĠL OL Ø ° Ġgrand parents Sw ift ĉw x æīĢ æľī if en ff set B eyond // }ĊĊ Ġw ager Ġb ury Ġcomm ence reg istro sc ient ĠPer cent Ġд олж ( identifier .set Model Ġs eldom nt on Ġappl iance am us rys ler Ġpant ies engu ins Ġmim ic Ġon Changed Ġal coholic .reload Data Ch arge ĠF ax Ġj ScrollPane Emp resa Ġsh attered x ba Font s ? s Ġpost season ret ain _r ates Ġrequest Code .t odo ´ s CH K ĠKeep ing enge ance Ġvs code IPP ING Default CloseOperation _ raise ĠO culus ogram s ra j pc i Ġcorros ion .handle Submit Access ible ĠP iano l ittle AC L Äĩ e .un wrap ĠCon vers ĠLe ben ione er ĠMer chant ĠJ orge Ġembr acing Ġvent a á st Ġvi ene < QString Ġexplos ions Ġdistur bed ." < m emo ĠAb original Ġcomple to Tex Parameter Ġuom ini ( agent Ñĥ ÑĢ ĠWh olesale / am ĠBook mark dr agon Ġglo ve Ġ" "));Ċ iv ariate now rap In Children .B r Ġcon exion Ġback bone Ġe clipse Ġpersec ution ': ĊĊ / link ĠP ero and as ĠT ek . "); -an alysis Ġer ad Mar shal Ġanch ors og er Ġconver gence st icky Ġnave g int ern _DE SCRIPTOR ĠConsult ant ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ċ ĠA uch Ġer re ÅĽ li ĠHor izon col a Install ation hot mail C NN .C ollectors ch s (tr ace ĠEnc rypt Ġ---- -- ĠBase Controller Ġag ua Ġre active id l Ġclass Names ĉ Session ĠDod gers H ad _l v Is Valid ĠHEL P ut to ĠVer ification Ġget env _p a .b mp : f ĠLou ise (' ; / socket Gr anted .c alendar ( IP ĠP X .R oom Ġprogram m ens i Ġtablesp oons Ġle ve Ġmo str .t ipo / an (d i Ġb iod Ġdb Context ĠJS X ĉ results . END ht e l ify P recision èĬ Ĥ ARS ER )did ReceiveMemoryWarning at tempt IS P & a _P OP ĠT ac Ġprepared Statement Ġзап иÑģ Ġow ing , start Ġreview er Ġr st Ġprop Types Ġrock y _lo cale ĠStrateg ies ĠWe ber .C ascade _equal To Ġcos as ĠDe letes ĠMax im Ġsh rimp re trieve .In clude IG IN ĠO E ] );čĊčĊ .en umer Ġco ef _N ull R a ty ard ĠSh awn keep ers Ġq q _s b om ens ĠExec utes # " TT Y ĠValue Type ); */Ċ ĠAbs olutely ĠT ottenham / art Ġbless ings Ġswift ly b uster Ġa vid COM M , temp Ġ} ?>Ċ -g rowing Ġdeep copy A ck egg ies Ġ__ (" Ġno ir terror ism Ġanth em ag ency _PACK AGE ĠC losure .reg istry Ġmamm als < L U ICollectionView ĠLED s Ġvol ley ( Buffer _N ATIVE lib c impl ode Scroll Bar ĠMar ion .Con tracts _A t ĠWe instein compare To ĠH ose en ity .create Query _r outer Ġstim uli Ġ++ ) ĠCh amp ĠBay ern ass a .v a Ġdistrib utors Ġfile private Ġdepart ed cc cc @ click ĠL unch > L Ġbl uetooth .De ep - standing ác il Ġro oft ĠPath s _iter ations Invalid ArgumentException .s pi ĠUIAlert Action uy e sign in .p riority ĠEss ays =' {$ Ġè¿ ĶåĽŀ _s igned .p ersist Ġred esign To Lower ĠNew man = start ĠIsrael is asis wa Spe ech Ġnum eros hand lers ĠW ong Ġм еÑĤод We ights ĠGu jar te il ĠNon etheless _E FFECT Ġv ect ĠO sc Ġco ats ĠW heat Ġge ek ĠPRO PERTY w orm _const ants ĠB oulder ĠP arm co le Ġdefault Center ĠRou ge : A xc f ĠVen ice med ian Ġred emption F resh Ġcos m Ġfig ur Ġref urb CO PE .c d Ġch ords ĠS gt Å į VP N ĠS END ain en _account s Ġtent h Ġdiss olved < App ĠCover age use State é ro .. < Ġì £¼ Ġdream ing ĠFore cast .C ursors Ġvis as / script _start ed Ġga str (P RO ]; // .T ile * sin ( Adapter ĠSand ra _S IG ard ash ĠO val Ġdescri pcion (s l ĠDes criptor Ġ` $ /f ree ĠKey words Ġt udo ion ale (f ound .x yz ĠGeneration Type _DISABLE D ( area Ġel ites Ġh ombre (m essages ĠR ac Ġext ingu ĠEst a op o . vel mouse out Ġconv olution ĠHand ling Ġceil ings T ek ĠAre as .writer ow < View ĠCorn ell _B IN .in valid '' 'čĊ ie ż _P osition Ġk idding PC ODE Ġwatch er lo x Ġâ Ĺ D ave _all ow Ġbis exual Ġun ordered ĠSch we _se gments Ġt earing IN LINE Ġund es .g oods .c am ĠL W ĉ where Cal culator -th reat - alert ĠSuz uki ĠIP A ĠAtt achment AC CESS (d type O pp _s ymbols Ġdans ke l age or get res olution е Ñĩ ĠQ Color ĠBar rett аÑĨи Ñı = \' ĠNav Controller / ref (c ountry _H DR Ġterse but pet ition Ġsu f cred its ๠Į x m ĠDav ies .re ddit Ġw oven ĠO bl ĠK M ĠConsider ing ens ored .per iod Ġd dl $ wp Ġextrem ist ; \Ċ Ġk im al ers Ġspan ning Ġco herent Ġconse gu .text Label .g eneral _d ashboard л ение k ick _P ID ĠExt ensions reg exp ĠCl ause _m ov ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠ ĠR eward ĠLEG O A k =-=- =-=- ĉ parser Ġon ze éĢ Ģ âĢĿ ãĢĤ _b all (r hs Ġch orus < count as urable Ġwirk lich ĠEr in ĠMS NBC Ġet ter ĠC ron _F LOW Ġ, čĊ Ġcal idad ĠFile Writer ĉ stmt ( Byte _p at Ġte lescope Ġgre ed ĠT ort (w rite \ application ĉRT LR ĠConfiguration Manager Un ix End Time In cludes ĠHar vest en berg ĠAustral ians Ġë ĵ Ġr n Ġreput able Ġbl ending UL ATION ĠBrend an d ad Ġm ø ĠW oo _d c U ne Ġr ue with in ang ep Ġp ouch \" ", ĠS ic âĢĿ ), aly ze ĠG ef c overs Ġd bo replace All ĉ Logger Try ing [ state -p iece éĸ ĵ beh avior all ows l rt _p ython ert ura -c ountry ĠT G .UI Manager b ens ale x ĠBre itbart b ac Ġpredict s Ġg ab Ġcard inal .Time Unit ĠVis itor ĠM ing Ġliv re Ġparent Id port un Ġdimension al ĠV est en ic à ³ Ġ Ùĩ ĠBL UE Ġitem Count Ġfe athers ĉp stmt ĠPol ar { // und i Ñĥ ж z ar Error Response ì ĥģ Rep resentation * _ + ] pre pend Ġ' > Ġlegitim acy Ġo o S linky Ġnation als . words ; p tr ap oman ip Ġc ues Ġgradu ating Ġsem aphore "] );ĊĊ ace y RE ET Gr ab ĠFel ix ( Id _ne ighbors Ġmeaning less (d el Ġj eder ĠContent Values .abs olute / cl Ġx b dat um Ġtort ured Ġrub bing S cores ĠðŁĺ ī Ġav ons Ġam sterdam E OS H al Ġtrust worthy # = .EX TRA Ġman o is icing -s upport ĉc ursor ĠSp o aim assage M ission [] {" Ġprint ers G REEN Ġt eg Ġabdom inal ! ĊĊĊĊĊĊ .Sh ort аз в ĠGift s } ") (b inding x ce âĢ ij inf os Form Data Ġd art Ġele ms (in v Y L t in GEN ER á» ¯ ĠT aken uck le : e Ġspect ral .b aidu / ');Ċ Ġgre edy es ion ,,,, ,,,, Ġ/> ,Ċ Internal ServerError NSNotification Center ĠA i Ġsp it Ġaug mented Ġstandard UserDefaults FIN ITY R ace : C ĠRE CORD ĠHigh light Ġ' ` Ġdef icits Ġne i Ġresearch ed T a Ġc opp .Get HashCode ): čĊčĊ On Click ĠWell ington Ġrev ival æ¯ Ķ éĹ ® ĠN SS Ġfor n Ġint é ĠKu wait _fl ip _ bo _ \ Ġocc urrences ĠScient ists S RC og ens igr ant RE MOTE ĠS ID . opts u ve () ])Ċ Ġlibert arian ĠGl ide les en Ġform e ow ania Ġannoy ed Def s ĠExec utor Ġcast s .set Checked ĠSh aring .Serialize Object Ġselect ors _ OTHER ë¯ ¸ (s uper ( OS _VER IFY id unt < header Ġ/> ';Ċ Ġvidé o ĠNeg ro ĠL ords ĠT ours Ġsoft ly .re ceive ĠE RC Ġdata Set Bad ge ĉ Event Ġper l Ġ{} \ (s entence Or Update Ġdim inish P IN (d raw .To DateTime .Equal To (p in -p encil lu ent ĠCall er Ġplay ful - '+ x ca sw ick ){ }Ċ }: ${ ĠM eth .get Cell .b reak Ġy max =' Ċ ĠH iro ( TRUE as urer Ġcu er U ber . Operation Ġol an Ġthr illing < Response ĠF emin Ġtravers al Ġp oc Ġset Status decl ar std afx Ġaddict ive ĠB tn Ġexplos ives ĠCook ing ĠPl aint Ġaccum ulator ĠApp ointment , password ĠF AR lu et Further more decl spec _Static s .D ictionary "> '. ĉ valid " ", In strument > J Ġno str ĠR ift _P ort Ġvec es [ [' Ġrall ies - series Ġv v . uc Ġr tn State Changed ( ins ĠCl a ------------ Ċ c us ĠRel oad //---------------------------------------------------------------- -------------------------------- .se conds _dest ination Ġscrew ed > c Th ickness Design er Ġgr ids n Äħ ( cookie T rip -M obile Ġv oll Ġgen ital Ġconf isc ĠConfeder ate Ġweb View Ġm ise Ġcl er (se lection $ date Ġshar pen rag en And Update Ġrem ix Ġh tons R W M PI Ġretrie val Ġric hest .Dec ode :init Components ĠT Value S aint @ include ĠPER SON .se p ĠLD AP g ba Ġgro ÃŁe Ġreli ably ĠD FS .getItem Id Ġprés ent .get Token Ġch inese ĠMe al Y OU "> >ĊĊ b ower Ġsw apped / install Ġs inks etr ize Ġdecl ines ĉm ysql ĠC String ĠMotion Event .L anguage R oad ÑĤ еÑĢ asc imento ')) -> . about ( editor ĠR atings in come Å¡ e .de queueReusableCell ĠAust rian Ġs ulla ĠTrib unal ĠDid n ов аÑĢ Ġins pections B oss Ġcock tails Ġapolog ized _sub plot op al + =( Ġreson ance ib u Ġë ¦¬ rom a res erve pl s ĠT ah ax ies OP LE ĠDar ren ĠZ ombie _M ap Ġ] )ĊĊ ĠQ i ĠS ail Ġrestrict ive Ġeros ion - par WH ITE Ġold u Ġap erture Ġbit coins text o ĠCom cast Ġtime less en kins Ġfeed er / tmp res den +' _ .D estroy Ġç ok ĠD OCUMENT .l ng .tag Name Ġk ullan eg rate Ġ(* . ç¼ĸ è¾ij Ġhand shake s oc _ geometry ĠDam ascus Min or ĠK afka ìĹ ¬ Fl orida _com pute .ex pr Ġpar alle ĠD iaz c ir [ target Ġj oking Ġgl or (set q _hand lers H ang Ġf err rim inal ĉĠĠĠĠ ĉĉ ent ies def ines -t ax json p ĠU PS met ro __ ;Ċ ĠUg anda ])) :Ċ _t d x ae l w . OS ĠLog ged ac id ĠMay o as pect Ġvag inal Ġinitial izing Ġster oids f iction G RE g end Ġli abilities ĠL ets M ech ( nc ( change Ġconnect ors : k Ġt ast ! ");ĊĊ th ings ro phy luet ooth ĠSign Up . ctrl Ġthere in ord a . escape ig ator Ġpet rol Ġspec imen Ġdeb uted - Pro Ġcr ises .add View ëı Ļ -d oor Ġmon et Ġmill is Ġv ier Internal Enumerator Ġadmin s ĠL air z in get Query umb les L IMIT ĠV ig _s ong < Character :: . _h om _b p ĠSup ervisor sub mission ab ile Ġno i Or Create Ġpe el Ġon Start Ġsent iments veh icles Ġclass rooms Ġs zer Ġb ending Ġlong evity Ġa cl ĠAle ppo ĠU M ĠR icht Ġmultip rocessing DOM AIN "," + _Y EAR Ġsc rape Ġsol itary Ġ"] ";Ċ / errors ìŀ ¬ ľ ëł¥ b etter ĉ number ĠL F ĠAc ross Pub Med \" " ĠExcell ence Ġus ando ĠU IP Activity Indicator _V OID Ġbre eds ï½ ¥ uest as ĠTre asure ustral ian (f ace ĠT ennis ĉ Int ĠHans en ç µ : I Ġâľ Ķ GR AY O USE Ġhe pat ł í A IR ó ż Ġque ued vinc ia ĠChrom ium Ġcompet ence ung al ill i Ġget By ĠF inder Ġincap able Ġs add Ġc ites ĠChurch ill S dk More over As pNet ( Float $ password ĠConn or -s ession _d m * )) Ġde utsch ĠN X Ġper ks _S ORT _TO OL _V ISIBLE .as p æĪ ĸ ĠBre ath D etect ĠD uel .c mb [ it .Set Bool Ġnarc iss Ġab ide Ġej emplo ĠâĦ ķ Ġm ornings Ġcomput es .s sl j t Ġmuch os _S S [ end Ġbas in Ġalgun os ĠCroat ia lin ewidth (t ags (h idden ÃŃc io Ġap ar ĠÐ ¶ ä¸ İ . food ĠR ural Ġbread th å½ ± (s ess + ") ĠP aste Ġserv idor ĠBit Set ĠTr an la us v ette ey es ĠCL ICK ĠV III ĠTurn s ĠLe Bron ĠM uj ĠD eg ĠAdult s _s uite process able ĠPH Y g hest .F ail ĠSl ack ce j \ Carbon Ġsuper star Ġhold ings ( forms Ġ'# ' M ultip ("[ % -s olid / url -t ier [ length ĠStream Writer ĠMarket place get text _T ICK ĠFor ge Ġblack jack ĠDO ES ĠM atters w aves Ġwhisper ed Ġl ush ìĺ ¤ d igital Ġwr ink ĠH ogan Ġrust ic .Apply Resources ĠHard y os omes A UT .ST ATE Ġnarr atives ĉ store b ib ĉ Scanner ĠC ody \ Repositories Ġre union and um âĢĻ h Ġsn iff NS Bundle Ġcompreh end _US AGE _ occ URRE NCY J NI Ġspecial izing Ġvis ions Ġdol ore Ġv á ĠChe vy ĠSt yled imp act all en Ġk art ĠTable t st uff re esome аÑĤ оÑĢ //---------------------------------------------------------------- -----------Ċ _Ad min Ġcell phone Ġaut oplay Ġcamb io Ġmar itime _BO OT - quarter Ġlat ina ĠAJ AX e quiv ĠFront ier ĠX Y } ]Ċ ĠR ough .pro to Ġcorrect ness Ġfac il ĠRe ached ãģĿ ãģ® V IS .p s Ġstr ncpy Ġdiff usion .start Activity �� � Ġaccom p AMES PACE imon ials ĠBl ast aby rin Ġd ome Ġextr av Ġy en Ġcul inary P RI ĠComm unities n id _oper ations .h s ĠMil ton Ġno ises Autoresizing Mask (c id }ĊĊ ĊĊĊĊ ] },Ċ ĠD etection tab la Ġlib erties _D YNAMIC w get ĠT ür ĠP ascal Trans parent Delay ed ] () ĠHer bert < ActionResult ch allenge Ġmush room .insert Before ĠR in Ġhum our Ġf ø api Key alloc ated Ġconf ession . ",čĊ ĉassert That ĠS ORT ĠL ORD Ġexport er .set Level p okemon ash tra Ġf é ur ator (M SG Ġt up ĠH ull Ġyield ed .Sub ject \ Route ! ? ĠÑĥ дал \ Security - ar Ġalleg ation ( Settings ä nder Ġell ipse ĠRetro fit Ġregul ating ĠM olly ĠL ok _C ustom ĠProm o is in Ġres umed Ġmet ropolitan .error Message : ------------- Ġpas ado th ank _De lete ĠBright on , unsigned ä½ľ èĢħ Ġaspir ations -h ow R ose = (( _ne eded _pl ural < Application ĠW EEK ĠUn lock ĠT EMP S ou Ġschizophren ia Ġt roll Ġcomplement ary ĠNET WORK Ġbl ir Ġprogress Dialog " %( ĠAttribute Set ĉ ts .iter items è¯ Ŀ Ġesc rit v ous _pl aces H K Ġseg uir _f w ĠR ounded Ġdis posit è§ Ĩ par m w ow STRU CTION . allow ĠChar Sequence ĉ extern Ġprosec uted Ġmort ar ĠJ uda - msg Ġest ud .get Description Ġs ow amb re Ġrom a En h bon us Ġsqu at Ġdist ra ed Image Ġpe ppers -per formance , ĊĊĊ , file ĠM IME _con cat AB S -f ashion Ġunder cover One ToMany Ġre claim C OPY Ġb inds ĠT ape Ġg ossip ĠEqu ity / Card . activ ' am Ġdrain age < Scalars ĠonBind ViewHolder () ?. Ġs orrow ĠI b up y _U UID ĠCh arm ĠElection s .on Destroy ĠInterest ingly ounding Box _d etection -h eld _ unknown Ġrefr ain Ġmét odo Ġe Book EN OMEM Ġd ang Prof essional Ġd ictionaries /m ysql ĠST UD Ġmas se s cape Ġdre i : name .log o Sign Up Ġt ahun ( theme ĠFem me Ġbom ber ĠJ ade ĠT ay Ġsubmar ine _cl ause zy ch Ġsimult aneous Ġcas os . boolean (l hs Ġcontin ental -s ale ĉ env ĠC ute ĠFactory Girl ab us / value Ġj adx Ġst ern > >ĊĊ Ġsurf aced Ġìł Ģìŀ¥ pl atz ĉ email cept ors "> ( Ġep ile è¯ » ĠDe bt åij Ĭ N OP " https : j Form Item _L ICENSE .get Double ĠAg enda ĉf inally (f ilters ( av ç¾ İ AP ER Ġl ava еÑĢ ж )) ))ĊĊ Ġfault y _n m Ġtr ava (B itmap Ġspeed ing > '). Ġscreen ed _ roll ĠMac Book ĠA UD Ġdiagn ose .G enerate Ġ^ ^ Ġstr s [ Test Ġr ansom ĠDH CP eld en Ġinterpret ations () ]. flat Map Ġline Height _m ount ĠW izards Ġsl uts eh ler od al Ġmilit ia å ² earn ed Ġmis ery int val f und Ġh ides Ġdi arr ĠWes ley Ġx mm Ġqu em ĠAr abs if th ategor ized Dis posable P ure _NOT IFY sn ippet ĠGar rett .run ning . weights Ġ( -- Ġin variant äºĭ 件 ĠAll owed dir s Ġpass ions Ġl ad ĠFl ush men us : block Ġcompr a .ch omp alloc ator Ġcur ated ĠKnow ing ĠPatt erson Ġtel ah ' ex Ġdo omed Ġphil anth ott y .st yles Own ed Ġallerg ies = params oc ese it elist ĠS ending b ef orr ar ĠN ão ĠF argo ĠL ub ĠComb ined _g iven ĉĉĉĉĉ ĠĠĠĠ Ġreconc iliation Pattern s az ard Ġbiom ass ĠH ouses resp uesta cc o /top ics ĠY uk Ġweaken ed _c alendar Ġmulher es ĠMar l Ġs ine ĠT il ĠSou ls ĠDe utsche ĠF OLLOW Ġpip elines ĠBever ly _DIP SETTING " # ĠPro to .b ig ĠSav ings ĠT anz j un ĠG amma ĠS add Ġadvis ors Ġro ast Ġun ters ud ies _l on -point er ĠElement Ref \ Builder example Input .web driver data Type ĠQu ite ĠCelt ics u il -def ense b ish ĠUI Window ĠS uddenly .h ot .re ason Ġg ör AM D .M ulti auth enticated reg ions ; ( а ÑĢам ĠKir by $ route PREC ATED ĠDur ham ow o ĠPer forms Ġdisreg ard n st ĠP ols Ġget P "] : -col ored ( Keys ĠAl leg _mod ify _ loading str ained Ġat roc _p hr < Sprite Ġsatisf actory m anship .p ipeline T ony Ġth ief pol ator ( lock bur st ĠOptim ization Ġsurf ing " Yes Ġdesc ended æ Ĵ _C lear Ġc ries ĠFro zen D IRECT - Con ĠLe icester å¥ ³ O OM = db Ġget Message < Student _b atches .M ask _ eth \ ) Ġsom a C atch [ ch Own ers ind le : auto . vert iv r .set Location Ġfl uent _END IAN ĠCar lo cept s add Action .o auth < UnityEngine re ements .S kip ? )ĊĊ .default Props Ġc abe ĠSh en eros is ĠPro fit Ġpo is _C REATED Ġremove From (w s ? action ( Field Ġerr one .min imum ĠRetrie ved Ġd ado ĠPR IVATE -s pec Ġg zip p data Ġpos Y (l ow Ġqual quer / cloud ê² Į ( common ĠAr beit organ isation Ġtid y ĠRol and ( ph .z one Ġgent lemen ượ c å± ± Ġenc losure ĠMan afort ĉ Color St encil N ic Ġthe orem ĠV G Ġcol oured V BoxLayout uls ive Drag on c ff et est ens a of day .A zure :UIControlEvent TouchUpInside _up dates Ġtrend y ug as weak Self Ġr idge ib ri Ġì¶ Ķ (C G ĠMon key .write Int .tim edelta ViewController Animated ĠProvid ence ãģ Ī Ġbl ends /Sub threshold ĠAp pl Ġat an Ġreload Data umb otron st üt O Auth ĠG iving ĠìĦ ¤ ĠFinn ish check ing . Embed sequ elize Ġinitial izes ĠOs lo Ø ¶ get Extension _AL T (bl ank Ġfatal Error Ġdem ise **** *Ċ ĠX S (A F ĠEn s an tha ĠP OR Ġn ich .N amed Ġgig antic ĠObserv atory .Res olve ĠPay ments g uild Ġcurrent State ============ ===Ċ ĠS ey p Data Ġdead lines Ġcentral ized ĠScholar ship _s upported .ch rome () ]);Ċ Ġc yan ĠC age Auth ors _ čĊ / os k im de e .t ex Ġyours elves Ġm gr Ġal k -inst all Ġdraft ing Ġrum or Ġstat ues Pool ing ol ina AAAA AAAA /* ---------------------------------------------------------------------------- Ġextrem ists Cal cul ighth ouse In set (IN PUT Ġsynchron ization iv irus . axes ĠG ap - An _T emplate Ġgam er ĠCr icket Ġl int Ġauthor itarian NS UInteger Ġred o Ġadip iscing _F ETCH che id ĠF ang . indices t one д ел Ġ{{-- < bra him Ġsal a get Code Ġcommunic ated start sWith ert z Read able Item Id oref errer cred ible á ria Ġcombine Reducers ** /ĊĊ Ġbl iss Ġad orn dep ends ĠRO OM Ġfr aming Ġ? ', aut y _p ot _t abs Ex act , ", Ġ'} ';Ċ Ġarbit r ahr ain .getString Extra Ġ$ \ Ġoutput Stream Ġcomm enc an us ch y < Employee Ġhex atrigesimal Ġn acional (serial izers _put char _S AFE ential Action ItemSelected Listener .Dis patch Conf lict _ about os aur Bound ary Ġclear Color ( Location ĠMON TH ĠT aste - General ĠW AR Ġer halten -s aving Ġcou pling -tr igger m otor Ġy yyy ĠPat ent pt o Ġmisdemean or vas ion ĠAdmir al à¹ī า _P WR Ġdevast ated fol ios ITU DE urre ct Ġrobot ic ĠSan ct ĠHawai ian .R oute - condition Ġr k /**************************************************************************** Ċ create Element ĠK op ign ant . rollback Ġsal ud _ ', ĠAN SI Ex cept ĠDraw able .Utc Now ":[ {Ċ Ġk ole L ua ĠBel ieve Com put Ġhall uc ĠSign s r st .h u ĠKN OW W i ĠBr ass ĠR as @ hotmail Ġsed iment Ġap k Ġì ĥģ _reg ions Ġpod ium < Book ж е Ġsix teen ĠAli as Ġinfr ared ĠV ander ĠLe ading uc ing ,: ,: _h or w at Ġdé cou _W idget S ounds _n avigation Ġschn ell (g enerator uc ene Ġrem ake IP v Ġré al _IN CREMENT Ġhypoth etical _ ang Ġof s Ġ! Ċ .com pleted Get Type Ġkom men ál ido add On Ġz ÅĤ UL A _ind icator '] ĊĊĊ ap ache _S elect ĠGre ene Wh ats _an im Ġrepet itive m uch ĠTh reshold Ġl f (C ategory con e M ix _MET ADATA ays ia Ne ighbors ĉĊ ĉĉĊ IP HER ĠFr ag ĠC ells Ġnames paces ( back ĠRest aurants sv c Ġл и ote ch -s l ¥ ¿ ĠW T ĠRed uction Ġd otted ĉf ound ĠTE AM B orn ĠM ush ĠCompar able Ġh itch AT O Ġmax Height begin Transaction ÃŃ v _b n Ġher d Ġrevers al ĠH ond del imiter Ġconf use Ġh ops Ġcent roid Ġcourt room .decor ators Ġm pi ĠImpro ved IN NER ĠBang alore ĠT amb Ġbo ast () ))čĊ Ġil licit ĠMor occo greg ator _res ume Ġcrack down Ġport raits /h igh ( \' Ġay ud _fe edback Ġc ate / avatar Ġhe b Point Cloud Ġå ĴĮ Ġ< ![ Ġget Resources } :{ Oper ating ĠF og ĉt ab ĠResearch ers Ġfabric ation .datas ets ĠCamp o ĠKa uf Ġd ll lig t ] ));ĊĊ st ellen ACK ET l vl ĠGl ory .date Time Ġcomm ute ĠonCreate ViewHolder ĠX Element ĠT okens < thead _p ick ì ¤ v on depart ure (render er phone Number (P erson gen es ĠL ars Ġ) {ĊĊ ĠJson Result Ġmet odo VO KE .get UserId Acc eler ĉ required Ġchampionship s Build Context /t ask /re leases C ategoria _over lay Ġscar ce _l im n gr ah len ĠArt ificial sp read Ġbow ling .an alysis SM TP ĉp assword Ġbath s ] )){Ċ current ly ac iente _se parator Ġde ber ĠDis abled i ères Ġâ ķ _process ing Ġprotest ing ĠR OT gr ab Ġз ак Ġpro active word press ĠSe ver ind en Ġw ikipedia ){ čĊčĊ _w indows is lation Ġun rest Ġdismiss al .N UM _F AST iss ued ĠF ACE _u nder Ġpl ugged Ġå ° ĠbÄĻd zie ĠI CC Ġcombust ion Ġkiss ed Ġstar red ĠW atts Ġspi elen -p urpose ĠE val arg es , result techn ology Ġnational ity ic us ĠN ug ĠÑĤ о ĉĉĉĉĉĉĉ ĠĠ col o Ġg astro ante ed OL ID .b ias _t ele .ins pect Ġve il . footer Ġneglig ence Ġjud gments Room s yn n ĉcount er occup ation Ġ çĶŁ un as Ġ(^ )( L ambda f el .Param s Ġд обав set Layout Ġdeport ation Ġlocal Object ĠPharm aceutical cept ive ĠN ome Equ ipment F an Un iversal ĉ socket Ġgr in Ġex poses Ġhab er Ġsincer ely Ġc ams Ġm ü en ia E mer C rypto Sl ow (x hr ! =( -s ervices ĠP W Ġprend re Ġm ädchen em ons озв ÑĢаÑī .M anager ì Ļ Ġg raf - ra met rical / fl Ġc emetery g ens Ġp ÅĻ ĠMySql Command - To Ġv Ã¥ Ġa irst oment um Ġserv o m illion ĠMir anda " She Ġadvoc ating -c aption ĠAt tribution Ġwel che _v endor ĉ Status arr is Ġprint k "," # Ġrel ativ if ferences izz es Ġdec imals ĠPro v .max imum Ar n Ġhelicopt ers _B OTTOM ch ure od ings ' ( ")) );čĊ ( bean .f d F und Ġhang s app id /k ernel .p oi .Min Value - validation L uke c df ĠFun eral ĠS amples ĉ de Ġto astr Ġtax able Ġcl ustering Ġ'\ ' Ġre straint ec ed ch ains ãĢĤ ï¼Ī _GR APH Ġfue led éľ Ģ H p å¤ į T iles Ġa unque J C Ġhost age ĠE sk Ġm av Ġgest ion Ġb anners } {$ .int Value .' "ĊĊ _M ATRIX Ġce ased ĠG OD _CAM ERA .Allow User tr acked C ook b airro ( company Ġview point .get Writer ĠN ets w ives Ġ( ))Ċ example Modal ĉ child Ġmyth ology Ġ// " _ axes ib old .D ark ĠMax well Ġg pointer olic itud B at ul ner bal anced mail er Ġcont empor æīĭ æľº (" __ Ġ" )" re ar ĠHu ang ] ')Ċ × © FT A ĠCalling Convention ĠOutput s P k .Re ference lect ual Ġ) :ĊĊ Ġbrace let ug er ĉ Error S weet ("/ ");Ċ h x Ġun reasonable Inter preter Ġlo ft _product o Ġsoci etal .P arser ĠAd apt . foo ( where .F eature ĠYam aha g lass For ge Ġprohib its Ġcapac ities Ġíķ¨ ìĪĺ Ġper mutation Ġih m F ld el ial ======== ===Ċ @ Configuration Ġge ared ios o iest a trans lations Input Change Pop ular ĠPL US Ġv f _F ree b box Ġcaus al PI LE Ġsch ö Ġiron ic M ir . @ åį Ĺ Ġè ĩ R ew ul ence fl en Ġcan Activate - response Ġacc ents ign ored ° F .Dependency Injection ĉ point Ġconting ent Ġsqu ash Ġpar ms ĠC emetery Ġdelta Time ĠD OS Ġvan ished аÑĢам еÑĤ ĠD PS t foot ĠZ us _IN STALL G AN Ġar b Ġmunicipal ities Into Constraints AutoresizingMask IntoConstraints , image _ ignore Ġdanger ously quis a pl uck Ġhar us up pe Http Exception Br acket .' 'ĊĊ ĠT ol ĠView er zb ollah .Code Analysis ì nh Ġcorrect amente .d a ĠAl ger × IJ ba um ĠPan ther part icipant å¿ ħ -s up Ġem ulator Ġf ading ĠW olver cre ates Ġbook ings .Q uestion § è¡Į Ġstress es Ġre written .PI PE ed es Ġc bd ": "/ Ġenh ancements _s y B IN ĠSl ip Ins pect ĠW eg Ġcon gregation Ġ_ : _r m Frame buffer Ġ'& # ĠFall out Is Required ĠPear son ĠF ACT Ġrel ie ĉ box ĠShe pherd ĠWiki Leaks ĠCollect or Ġres ized method Name Ġevent Type ĠA then Des criptors Ġb ers - oper ĠInitial ly å ¡ _B TN ĠĠĠĠĠĠĠĠĠ čĊ á b _c ampaign _w atch F ord -date picker Ġvis c Ġsat u _s ms Ġcont ador -s vg ĠDO I $ args Ġkn ob .B OLD Ġdeb ated img s sock opt tr uth ĠFe es Ġh Wnd _f ood Ġab ras Ġnot ions ĠT od : create ĠConf lict Us uarios OT OS Ġm sm K HTML ([ ( ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠ Ġ} ] w izard Ġm ientras Ġdata List Ġemerg es Äĥ ng .Read Int PG A ILL ISE I Enumerator (t uple Christ mas Look AndFeel og enerated Ġ# ĊĊ control led Ġex quisite Ġa cest Read Write G ain ãĢį ãĢĮ Ġcopyright ed Ġdo om .Table LayoutPanel ĠD ort Ġch ili Ġwer k ĠEVENT S ĠBe acon Ġship ments Ġse bagai up on ut om .con verter .Drop Table ={ }Ċ f ic ~ ĊĊ Ġlesb ians _n a Fore ign ĉ then / ms Ġor i get Property ĉsn printf hes ion ãģ ¤ "} ," Ġac rylic P ers @ Enable I sl (C ard . Stack L icensed _G UID : title Ġh ust Ġprincipal Table an itize / embed Ġens ured ĠE GL ÙĪ ر ĠåĪ Ĩ / ,Ċ Ġfundra iser Key Name Ġmarch ed _VAL UES ĠSc enario Ġmet ic _ass oci ĠPast or ĉĉĉĉĉĉĉĉ ĉĉĉĉĉĉĉĉĉĉ er ate Ġinv itations quo ise Ġbl aming Ġd aring UM MY Ġrich er em aker ĠIdent ification ĠìĿ ¸ ĠBinding Flags ch as Ġresil ient _p g Ġre leg ĠI RA ST E Ġtr actor - loading ĠPre viously ĠV acc / be Ġn Ã¥r Ġurl encode ĠNor folk .Re lease ĠNe utral ä¸Ń åĽ½ ĠAr lington Ġalleg es ĠW riters Test er ĠR ally Ġc á ĉ Print Ġâĩ Ĵ ĠUser Controller ĠSeek ing .V AL List Node _ ff ĠPhill ip FA CT Ġc aramel ĠM ultip ĠCom pared ĠSer bia Ł ³ Ġrev ive ĠK anye Ġver ge ĠBulg aria get Body Ġ| > ce ph .DateTime Picker ." ;ĊĊ ĠT ie , item Ġm enn G as och a _v irtual Ġmaster piece _se quences L TE ĠSub mission Call er $ \ S port ag us Constraint Maker Ġcol oc Ġw ig ĠÐ £ ĉ Array Look s ĠGT A .st eps atch ewan _r anges ext Alignment ĠBren nan Ġab straction uler Angles .m isc Ġantib odies Ġexponent ial ĠCH ANNEL exp ense ' y Ġdetect ives Ġpur ported Y STEM Ġradio active ĠLat ina .Enc oding .T AG x in D egree ur acion pr ices ĠRefer entialAction Ġr arity Ġp iles g ende _project s _g lobals .start Time Ġê µ¬ SE CTION _p ublish F ault DD L _p rior M om Ġth icker Ġsequ elize Ġessential s str as in tr >( () .man agement e il éĹ Ń A ware .C ity ĠAr bit _D M _key board L Object - webpack ĠNew port Ġprincipal Column leg ant Ġp allet Ġfract ure Ġg mail .M eta A bove .Key Event j it _mac ro _P USH á» © / controller åĬł è½½ Ġsuperf icial exter ity Ġmens agem W ind ist on .open api и ÑĢов ĠSerial izer uct ive Ġz ar Pl aces .St atic B a Ġin advert ĠIndones ian _IP V (h orizontal Ġget Title ide press ĠConsole Color ip ers $ out Ġfest ive Ġeven ings .Get Data uit ka ĠManual s uss ed _M ax .Ch at ĠA ircraft = com FO UND ap ro Ġtre asures _al ive Ġgad get ek ing Button Down B rowsable .PER MISSION P ASSWORD ĠH ASH f é \ TestCase LO SS o thers , J Ġassh ole wer k Ġm ã . ie ev il kont akte //////////////////////////////////////////////////////////////////////////////// Ċ = sys ĉ lock -- ;ĊĊ _F UN Fill Color ó a pre nd Ġcompress or M other ĠAr cher .g oto Ġwür de Ġbam boo ï¼ İ ĠT rees Ġb umper Ġsa usage ĠEl asticsearch Ġhor izontally ĠG ul Im mutable Ġlos er Ġabort ed -d emo ĠH atch Ġund e Ġprocess o -c all In come å ĥ _ returns ']." ' (s w C BS am ilies ĠYour self ĠH olt .M ON ৠĩ ÑĪ е an on ĠFont Awesome produ cer j r Ġm au ĉint er Ġdish onest Ġmagn a ĠCollect ive Ġvra iment Ġcho ix st ay Ġweld ing r ising , min ĠF ate g lob RGB A Ġdet te V en Ġembarrass ment .DE LETE greg ar -re nder (b ucket "> ĊĊĊ .wait Key Bus y Ġdifferent iation ĠC ST .Con stant Ġline Number (m atches Ġweb socket Ġbar red Ġpued es M ono C ORE I ID ĠĠĠĠ čĊčĊ Ġpúb lico lean ing Ġcleans ing Ġcr is ĠDev ils _SET TING unt ary . );Ċ Ċ ĠĠĠĊ [ curr ts y ĠAlex is rit el Ġpet roleum .pre processing m atter For Result - license Ġtrav ellers ĠDispatch er enn ifer Ġdigest ive P ED hib ition MAS ConstraintMaker ĠW att Ben ef .set View d to TE E ĠPel osi _EX TRA Ġmed als x hr fore cast Ġn argin oun s -f ill _CUR SOR Ġsuperv ised Ġtur f ĠEd gar POS ITION Ġcategory Id â ī _ ER ủ a Sh own . ll _POL ICY (), ' ĠPre v ĠString Field ĉG lobal ass ed Through out o stringstream .awt extra Ġslo pes ĠSe quential Ġgi orn Ġz elf Ġvers atility lene ck .c gi Ġdou bling ĠBang kok Ġbu urt Ġusu ário st udio Ġje unes Ġm uted Ġ ips _f raction && ( Ġst unt '); ?>čĊ Ġev apor b able ĠPR ICE Ġæ ³ lu cent Ġv amp ĠTechn ician Ġuniqu eness M es ur ban .param etrize ĠRe play S essions em br -Americ ans _PRO XY Ġp ian Ġtri e ĠD estructor Game State ĠIM F ch in Ġport e ĠSw al åŁ İ Sub string im ing /L ibrary Ġfright ened w rites Ġrecurs os ar Result _INIT IALIZ ĠBad ge _c rc E ight ĠDIST INCT Ġth ro @ Xml ĠLegend ary -t witter _e asy Ġ+ ++ (D ATA .L ocale Ġk ä Ġn urt Ġcr uis _ ios Ġsens ing _L ine Ċ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ pon g ole on Ġwild card çĶ¨æĪ· åIJį Ġbeg ging R od ĠÃ İ _C ELL Research ers . selector _ ing Ġaspir ing Ġimm ortal Ġy min _ robot Ġpl ur B TC ĠD ID Ġpier cing * u _DEFIN ED ĠTh i ita ire (m edia - ons Ġche fs Ġ"* . / AP Ġraz or Ġsearch Data Ġ= & Ġ ãĢĤ Ġm ourn ting ham Ġo li ĠVern on _R S ŀ æĢ§ Ġf ácil ang en cel ain Ġa il le st ĠQ COMPARE g ain ĠÎ µ ĠK ob ĠF ault _config s ç»ĵ æŀľ . + cal ar (color s M ul _ ART Ġexperiment ing erm en ĠAng lo .Fixed Single Se a Ġc txt .s lider C ollapse G rey Ġf ld -pro of .cap acity get Parent ĠCom pliance Ġburg l - rec Ġover written M U Ġrout ers ĉ Model Ġfantas ies av ian _p rec ĠSc andin Ġ// < /o ct Ġceremon ies Month s und y Ġqu ed ĠN ou ĠV ibr .r gb Ġcit rus Ġbr aces -upper case get Table Ġdop o ĠK err _CH ILD - cloud ĉ Matrix Ġgard ening S ing al most Require ments ugu ay ( Property sub scriber FA ST re action (l p ) })Ċ ` ). .w allet _ex change .Max imum ĠVer b âĶ ģ () < ï¼Ľ Ċ RO T C ARD ub it { @ _k el ĠTool tip My SQL Main Activity ar f Ġm align Ġse inen ap ist Ġ< % Method Impl M il ĠM ick .de pend < ID Ġpredict ive ĠAP PLICATION le f dim ensions Ġconoc er / conf ĠTr acy F oto _rem aining = file Ġpage Index ĠPar ish Ġt exas ĠM AGIC ĠH ew d ifference Ġalt ura c um ĉdata Type Ġcaracter es avi ours ĠV OID è¿ ij P UBLIC B io ĠstringBy Appending Parse Exception ĠS uff ĠN orton /d etails .n ull >> & ĉ ok -l ow . usuario n ested X B OUR S .Border Color Ġb row ĠÐ ķ cor r ĠRed skins .get Tag .get Transaction Ġst igma hard t ĠPlayer Prefs als y uc son L anguages ĠOl ivia Ġt ac Ġb li Ġc aval Ġconsolid ated Ġper il Ġde le Ġform ulated Ġhigh ways .sp awn == $ ĠN iet Ġv eggies yp o -r ule ĠV ie /e pl Ġenf ants string Literal Ġtou ghest buy er Ġcov ariance Ġil i ĠSoph ie ĠB AB Ġ" ), ĠU k current Index _user data .code c ĠPun jab ĠSN P l ol adv ance Ġcom fy Json Ignore Ġfashion able ĠI CON Ġor a ĠP ricing < num ĠI RC ER V ĠMe in ĠID ictionary AD OW is New ĠDev on at l (request Code ĉ PreparedStatement IM PORT Ġmar ital _SELECT ED get Response ar Down B V ib Name ĠP ATCH ä än Ġda ar ĠFile Mode Ġm arty .Spring Application c ene amp oline get Size Rest art æķ Ī .project s ĠEthi opia Ġstatus es T ION (b g ĠX unit Temp orary ĠEng agement Ġx f Ġprox ies Ġgen esis Pager Adapter ĠSl ave Ġsung lasses ĠCh loe Ġko ji ad em ĉ JSONObject Î ³ Ġh ors * w ó r es ch Ġcritic ised z ial ĠSale m .Vert ical ĠR ash > E ter ing /s creens Ġheight ened аÑĢ ÑĤ Author ities _b box ün st .font Size ĠBO OLEAN div ide ĠSlo ven uc er Ù Ĵ st ub Ġnavig ating : animated _N OW _v ect } {Ċ @ ( Ġtele com Ġcontract ing ĠAss ange Ġextract ing Ġgr ö c obra .D IS Ġcr ab Ġtw itch Ġvert s Ġreject s ĉ format Ġreg eneration .S ys s olve ĉd ialog sh i m eter (b est valid ators Ġon wards Ġg uru Ġmoder ator ow ied ex periment r ub Ġm qtt ĠCa ucas Ġnational ism Ġm ange ĉ ImGui / Edit Ġin h Ġint ellig ero kee ĉ export Ġdiscrim inate sub tract ĠM oodle ens er ĠGuid es R AP -h ot _gr p .p icture X A Ġinit View _Com m Ġoverd ose Ġ+ ĊĊ ĠSil ent show s Ġinterpol ate Form ation Ġb isc mark ets ( SC Z e ĠNetwork ing Ġad renal ĠG uns ete or Decl ared orget own Ġk arena / password _address es ITER AL B uzz ĠCon way (c ase P WD he iro ( act ** čĊ ());ĊĊ Ċ Ġan v Ġ. .ĊĊ (Menu Item (m ail _section s ĉ net Ġpl ut Ġw rench / object ĠI st ĠV IS /p ub al ten Ġguit ars Ġantibiot ic ï¼ ĸ  ¹ Ġ" +" form ula Ġbab es ĠP rompt Ġen im / player ĉ ref Ġby Äĩ Ġconsum es ĠH ast ĠT ao Ġ' ))Ċ Ġcl am Ġthigh s Ġmot if Api Operation ĠW L get C ĉf lags oint ments Ġeconom ical need le x ls pr actice ut zer time ofday - output Ġfind ById ĠBudd y Ðŀ ÑĤ Se ven ĠB ark Ġenv oy _al gorithm åĪ © Ġball istic ç§ » r ades ĉd oc rodu cing ĠE ating Un mount /data Tables _b onus Ġl itt pp s ) localObject per f ĠHel vetica sh utdown / ml .t okens ĠHard core , row /b g Sc aler âĢĶ as _log its âĢĻ int ĉ App Imp licit .F printf ET O Ġterr a Ġpossess ing .r strip , ), = yes ĠStr ipe ? = ne utral .g ood Ġk ennen ĠS ung f ault ystate change Can adian ',' ".$ ĠM its æ nd ĠSTR UCT ĠURL WithString ĠCom pass Ġ-- ĊĊ ĠNS LayoutConstraint | min -ad just Ġreb uilt L IGHT / se -m ount vp n valid ated (Q Object Ġign ition ĠCharg ers RYPT O ]initWith Frame ĠFl uid Ġcad re Ġnomin ations Ne ill ĠH ou Ġcurrent s _g ene (in p Par is z ÄĻ ag gregate Ġass oc weet ed err at âĢĵ ĊĊ Ġ'/ ',Ċ fix ture ĠH ighest amb ient Ġch mod Ġcon te Ġsens ual Ġgar ment z ers ĠPower ed dom ains R eward i omanip Ġcock pit out file Ġbuilt in Ġins isting . vars zip code Ġ ���� f ails Ġconsolid ation _ oid Plan et Ġ= ", ĉ el UIL T ät z af ari ĠMc Cl Tim eline Est a Ġfr am Y E Ġcere bral Of Month ĠP regn Ġкл аÑģÑģ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ ĠF res Appro ved .S pecial ĠProtest ant Ġallerg y _p cm ĉC opyright Ġsuper Class " strconv ĠMoh amed Ġ' // Fore Color Ar thur ĠJ ungle Ġve ins S ad Ġback ups ĠOp inion û t Ġinter mitt ody n ĠChrist ina Ġand re Ġevac uation pa lette h orse ĠRes ident ĠHass an .N il Ġa isle ĠG rowing Ġblog info /s ql _io ctl Sc aling ĠMon ad _c pp ĠH utch ĠApple WebKit Exp ense _J OB Ġpoint less From Body ant al Ġdepict ing ĠC ELL Ġref in ĠC NC ì¹ ĺ _dim ensions ĠS AN Ġa ft Ġfoot steps cc oli _PH ONE /m ath -k ind ĠMe ans ich ael .g una Ġinaug uration -dr iving ( delete Ġtotal Count _M C .Ext ension Com mercial Ġz Index < Customer " g -sh are Ġp act ag ara ĠS IL _m odes ĠM olecular Ġsystem atically < G _s cr ĠO ro as ers Ġb ic Ġdest roys PI PE .Start Position Ġc ủa ire z .B unifu _F unction Ġs ü _f uture ĠWe alth ĠNatur ally æĢ » _y es Ġabrupt ly String Encoding ĠCGPoint Make Ġz h Ġimp erson Ġpiv otal ĠSom alia Ġsegment ation _AN AL ĠLogin Component Cons ult Ġtr uncated ] ";Ċ .get Config Ġintern ship B aby ê° ľ Ġstrengthen ed _M I b asket Ġnicht s ĠTV s ĠSh an ãĤ µ rac use .Re LU / interfaces ĠgetItem Count Ġret iring Ġspecial s Ġentity Manager bel ief Ġs older da ughter ij kl Ġutil izes .f ixed S U Ġdr astic Ġh acks gr und ĠM U ĠSt arter .Com ponents _m otor Gold en Ġl odge Ġ )); ĠCor inth иÑĩ еÑģÑĤво ón ico gre SQL ĠFl uent Ġmar c .Load Scene .Group s Ġer h ĠAut umn St opped Ġitalian o Ġmin ions ĠAssert ions Ġm ux B u Ġ---------------------------------------------------------------- -------------------------------- ĉ up read ystatechange _M eta Ġcurrent Date ĠChap man Und o Se an ap r Ġpar m _ icons ĠSt a á z Ġsub division Ġalter ing P NG ponent ial Ġpost gres ĠB DS -ex istent ĠBrad ford ĠO MX _W HITE _PRO GRAM q c Ġtypings Slinky ĠP ics _M ETA IT TER _sub scription IRON MENT ĠHy undai ();ĊĊ ĊĊ ĠØ ³ Ġj ac Ġelimin ates ) });Ċ Ġcomp rend ĉ insert _f aces "> $ Ġeb ay Ġcapt ive pl iant ĠCalcul ates ol ta est ing _re vision Ġm ús + m "," "," WH AT Ġcompassion ate h arga [ random Ġmod ulo (s n Ġoccup ations //// Ċ ĉ board ĠB alk wi Äħ ĠW ifi .Pro file :m aj ĉm at LOCK S (j Button Ġ(' $ M ur æĮ ī b ble Ġf rog -h ide Ġbroad caster ภŀ ha led Ġam using _predict ions _in tr Ġe agle аÑĤ елÑĮ Ġget List ps ilon Ġcharacter ization AR DS Ġre location Ġr ulers P AY ĠDef initely _A ction Ġclos ures Ġfact ual odyn amic Ġpreca utions nie j ĠPart ies ĠSub aru Ġcous ins ar beit .m oney gun ta ( and get item .Style Priority Ġsl id single ton Ġg arn ĠP AS Ġd azz a ż Ġbog us ĠM og Ġrival ry is ol Ġland marks ñ as B ern ĠSach s Ġ" )ĊĊ Ġhost ility _m ex m ere M ot p ictureBox Def ense Ġaffid avit other wise .d irectory _ UnityEngine -b log .s kin ph em Ap ellido er chant [ class Ġw art ." [ ale ur / back ĠĠĠĠ ĉĠĠĠ Ġprecip itation Ġob struction Ġp Obj Ġr upt UCK ET ay e æİ Ĵ g x Ġe cl Ġsecre cy / Header ĠLes b Ġle i ĠBullet in Ġgive away .H ome _RO OM " W Ġcow ork _ ra ĠC ycling ĠP aw Ġpup il / arch ĠFile Utils é¦ ĸ r sp Ġfreed oms ĠL ear }` ). Ġbow ls /b lock _log ging Ġmeth ane Ġhorn s Ġwonder fully Ġalter ations Ġex ile ls en _p ause _L ANGUAGE ĠUS DA _m ysql _AM OUNT ĠL IFE Ġyoung sters Ġri ots [ E Ġun forgettable , },Ċ Dis posed ĠAss assin UN G ĠNew sp User Service : aload + ', Ġsett lers Ġscre ams Ġincon venience .R otate Ġj ars ĠP uzzle Ġm est ars i ĠSh arma | ( .d s ĠSac red _e vt Ġexpress es Ġh och ĠD uch .c alls th r ĠShe ffield .Alert Dialog Ġrad ically Ġtr ous Ġprev ailing ĠWW II âĢĻ n ens ely ĠY esterday ĠSir ius Ġkill ers ĠF FT Ġo val ') :čĊ Ġìłķ ë³´ our age ĠCheck box Work book .def er _f loor Ġc ouncill Ġnors ke mo il ore a Ġmarket ed _S UR x AA Ġst ained e ut ĠM eng Ġi eee . extern eg ie Ġr app ĠPy ongyang ' class M ob Ġinitial Value _w ave Ġj ab Ġmascul ine Ġampl ifier Ġt ty Path Component _ xt ĠG FP / sec ĉdis patch mark down ĠS chn bo le · · mouse move Ġerr Msg Ġas ign _m ono To Selector ĠZ u (R ect ĠError Code lat in ang ible v tk CG Size P okemon Ġclass mates Ġattract s ĠT atto ult an ol óg Ġhalt ed ठ¨ ĠK art Ġ ue _Init Structure Test Class ĠAir bnb _ ", Ġchar coal Ġip c ĠSt retch .g lide lates AutoresizingMaskIntoConstraints Ġpot ion ITT LE Ġcount ert _h d pre pared Ad s ĠV ampire rob ots .Create Index Status Label Ġt ucked af ür U t Ġswe ater _F N ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĉ ata ka Ġeyeb rows ac oes ud en .LinearLayout Manager Ġsw ay Ġmult in () )))Ċ ĠNS UInteger ĠMy Base Part ner uts chen ĠC ater .setBackground Color Ġaccompl ishment _pro blem .d td Ġpage Number Ġj ackets Ġcro pped u els ĠH ep Ġc apped * Math _callback s Ġpub b ĠBrun swick .res pond [" _ Ġbed ding hyth m O X (s peed Ġpestic ides Ġ---- --- .Bl ue Ġnood les ĠGo es Ġs aver o xy _com pletion ĠSw inger Ġget Date Ġmind ed int egration ĠLot us (st op (', ');Ċ Ġflood s ĠWork flow Ġerupt ed Mac ro ĠSau ce Ġevent Name \ Input Break ing ĉ when _p w IND ER ĠWell ness Ġvox el ĠM ell ĠM EDIA SE NS ĠFund s ĠM ild < Array - this ump ed /f w ĠDb Context W I girl s H OW '); ?>Ċ Ġtempt ing Ġtest ament Ġb ible Ġconsult ed ĠIndex Error è¨ ĺ Ġkey pad izz o ( ok Ġwhats app ĠRemote Exception Ġteam ed âĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶ âĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶ » , Ġget Time di ag iss y Ġh ed Ġkn ots j om Ġfun nel -m ails Ġexport ing ĠV L ĠK arn ĠBuddh ism ĠAll an _R ADIUS Ġw ording ĠFor get ĠCor ona ip hy Ġlim burg ugg y ĠUser Repository im in (e le Ġlabel led ç¤ ¾ ĠH erman .q q Ġ" ));Ċ ie ber .Trans late ry n Ġdes env um d Sim ply ĉm ode R pc ĠVal encia Ġstaff ers Ġsel v ĠSpi ke Ġdel ic Ġer u _D T J udge á» ķ ĠBas in .m utable " url Ġtar iff ĠSlee ve Ġfl are .drop out Ġbr ides )) ,čĊ _con straints de struct Out line Ġdisappe ars _lock ed ĠNS LocalizedString ck e ĉ null ad resse Ġto pping ĠJ oker b ishop но ÑģÑĤÑĮ and ering _ amp = time _S pace _P ULL ' = Ġant iqu Ġc ach ___ ĊĊ ON ES о Ñı Ġun read .p olicy oooo oooo ëŁ ¬ Ġu sted ĠRe ce Ġal lem ãĥ¼ ãĤ¹ ĠThought s ve illance istr ate _l ane Ġfam ed .Get Name Ġsmo other ĠQual ified az ers _ geo F ax ĠM inds ĠR aises Ġtrans cripts Con versation Ġremark ed ëĤ ĺ d ling Ġdeploy ing Ġshared Application Ġk p FontAwesome Icon _d ummy reib en ĠJane iro Direction s .get Bean s ass Ġcommand ers v ation error Code ĠAl loy .local ized Ð ij Ġdish washer ĠSou p N u _D efault Ġune ven Ġ/> ";Ċ -B ased Ġseam lessly - null ĠX C Ġst ew (d elay AT ORS ĠWhe eler " H e ast . air âĢľ But Object Context success fully _l and Ġfold s _CO ORD Ġsub po .get Address in str Material s Ñĥ ÑģÑĤ de posit -l ast _GR AY = find Ġmut ant Ġlesb ienne let cher RO UGH ure ka .c apture Ġen n Ġ([ [ ĠFl u Ġtask Id ĠHus sein .f older Ġa usterity ISTR ATION _ Impl 注 æĦı Ġdec ree - chat Ġimp lication Ġguess es ul kan An alytics . plus COM MAND е ли » ĊĊ _S ITE Ġequal To Support FragmentManager ĠRec ording å®Į æĪIJ Ġbag gage Ġpitch ers ĠE h o que ĉc nt Ġ=> $ / foo IR A ĠSat ellite bor ah Ġ}} "Ċ ĠEnd s ĠSpr ay , param .Ch rome * q th ought ibr ated Ġth ieves Ġbenefici aries Enter ed ottes ville Ġveter in By ID qu ipe um ption - unit Execution Context @ s ĠG iov .Tool Tip _f riend ( attributes Ġdump ing ĠJ C _D OCUMENT ĠArm our ( insert .Horizontal Alignment ĠQ ed ãģĦ ãģ¾ãģĻ /g it ĠY YYY ĠCard iff Ġap a organ ic ĠWhere as Ġæ Ŀ ĠM ia Ġdemol ition Ġsc ars Ġp ai Ġre tries Ġr q ĠDen is ( Utils Ġallev iate ĠP IC id ue Ġacknowled ging Ġ// //////////////////////////////// ç¡® å®ļ Ä « \ Json .b inary Ġx type sign als ĠAp pearance & r } s C i ĠI llum por ate h og Ġindex Of \ Command _par allel ĠSher lock í ĥ Ġ" ")čĊ //////////////////////////////////////////////////////////////// //////////////////////////////// Ġcritic ize ĠSo ap ĠMatch er Ġgr illed * T Ġad ore ull ing Ġjed och _ref s lean up ĠJ AXB Ġro ses ĠL iam size i Ġget char Ġtar de -to oltip Ġqual ifier ĠInter mediate _W indow ĠMal ta Dis connect ew here Camp o Ġirr ational led o ĠD N ARG V Ġout ro Ġth irteen Jose ph M AR /g l J ess ĠPsych iat Ġpadding Bottom - loop / fonts _se en Te ams React DOM (m an (x path .get SimpleName >( * ĠP vt Ġel ders Ġp ies .user Agent - region ĠGree ks (f ragment st u Ġcouncil s Ġst amina ĠGod dess è ¥¿ Ġphilosoph ers Ġpers one ĠL ose ĠCL R ĠD ocs Ġso ak ĠHOLD ER Ġb ells hash Code R ATE _WE IGHT in ous end ra oph obic Ġpro se Ġfin ely /o auth (s pace ad ge ĠM ama Ġstring Buffer Ġst int Ġmis ma Ġvill ains ĠCrime a Ġdipl oma Ġпо Ñģл ĠBe a (j oin Ġíķ ´ CH AT per ing ĠC ros Ġmon keys Ġpred s yl a ,, , Ġvibr ator ĠN U åħ Ī f ant z et Ġb ietet un ft sw orth .F low Ġpsy ched ĠContin ental > t Ġqu ilt . UP Ġexpans ive Dis pose (l anguage C aps _Z ONE Ġrec ycle ĠMan aged current Color .b roadcast sign In .p rom ll u ue blo Ġpunch es Ġautom at Ġassign ing Ġcreate User ĠAll ied Ġconduct or Ĥ ¨ Ġs addle Ġd ni omed ical -W est Positive Button Ġit alic ? [ (tr igger Ġele phants ":" "," Ġcal iber raft ed d igits Ġmar shal mill iseconds mark ers m om / place Ġhol istic : t # , Ġb oto Ġnause a ĠSh ooting ite ch Ġtext Status < Class ĠDes cribe Ġbuff et g il Ġlog its std call mod s ĠSk ull ĠB are h ope ĠIn tr F air ĉ pt Ġacompan h Ġf kk _r pc Inst alled _ ans .get Minutes âĢ¦ "ĊĊ - thread Ġpres chool AIL S Ġdiff ic ( convert ĠN ath ĠDO J Ġreg imes Ġenthusi ast Ġwarrant ies Ġfasc inated _b inding _N ot oft en _R W /m ail Ġtitle Label Ġvill agers ĠJ iang Ġsw agger .Row Index _img s rap y VER AGE . Up Ġno op c io ĉ ST Ġdecre ment Ġmagn esium _ rotate S it Ġnieu we Ġter med íķ ©ëĭĪëĭ¤ Ġur g _t ouch Ġsw arm Ġcl ave th est ĠL af H X ĠH ulk Ġplaint ext ĠSof a get Session L ed Ġecosystem s he i ĠK ills Ġhus bands Ñħ ÑĢан (d om _t iles Nib Name Ġdon ating . acc Ġlifes pan .b n _RG CTX æ ¥ ans en Ġmod elling Layout Params ĠonChange Text rs a - location .P e (b us (s ong Ġprodu k ĠSH OULD ĠC J Ġs os ĠHome Controller .load ed (D ocument .s ocial t iles Ġl ame = df .parse Long Ġpr ac Ġdet ox ĠV E Ġpunt os Ġdo ctr Ġan cor CA PE Ġc mb çĦ ¶ *) " :// / Value Type Ġmort gages ; q ĠRock ets s port UG C ct s ãĤ ģ ie ur ĠAppe al (n b //////////////////////////////////////////////// //////// IM ATION ĠC res ĠMan ip C ause at ypes man ufacturer # ---------------------------------------------------------------------------- Ġsp or es on Ġpun ched Ġbook marks ĠBul k Complete Listener ĠTalk ing ĠEr nest Ġrub bish k ills ĠDE FIN Ġneighbour ing ar lo ĠP CA ĉm atrix lo k Ġat las ĠG ur Ġw yn -n egative Ġt ul Ġre lic ĠV oltage ĠPre is ĠJ NICALL ĠPM ID ak et ĉ attr Ġet iqu ĠM J ĠG mail cl r _exec ution éĶ ® pos itor . af N r Ge orgia Top ology Ġperch é Ġmus lim Ġepid emi Ġsab ot act us Ġë ĮĢ ĠIO Error . est p refs ĠKr ish .Read Key NAS A u ção _D b umer ator W ide (st atement .end point .... ..... Ġ[ * stream s m time P x at r Ġt pl R oman Ġscen ic .n z ĠSe conds sub menu Ġìĭ ¤í _b undle Ġde ÄŁ ĠS isters pre ferences Ġport a Ad visor max Length ĠG REAT __ (Ċ ole st ĠLabel s Ġen fer ĠĠĠĠĠĠ ĊĊ ĠThe ft _F ILL ĠW ise ) application un ami > ())Ċ ADD RESS B ST et zt ĠQ gs S ense Exception Handler ĠCh u .get OwnProperty Ġexerc ised iot ic ĠRe leases Ġp interest ol ie is oft Ġsequ encing Ġpad re ] ));čĊ (r adius .m ed aint ies .Object Model Ġem ple Ġseg uro St ars Ġqual itative lem n á» ± > "). Ġg x -c ert ĠAST M Ġfull name Ġte lemetry ĠCamb odia _ ul ĠCl are C USTOM Q C ĠUn s ĠHTTP S ĠPark inson ancy box ',' . T ue .get Last Ġab i Äħ d A st ĠEd iting .Un ity j mp Ġm ats Ġshared Preferences Capt ain .page Size Ġr tl Ġan meld Runtime Object Ġdemand e (" ; se ite -head ed ĠK ra ĠF ONT ` \ Class NotFoundException . avg atic al A j Ġpermit ting Pro j ERR Q Ġcre ampie ĠBuy er -mod ules ĠSund ays | `Ċ Ġday time Ġ+ ( Ġgl itch ĠOper and Ġtox ins iny a D NS ĠS as C ake ĠNation als .add To Ġs inking Ġcompreh ension Ġsc or ag ements Ġt ard Ġmarch ing ĠM TV Ġs ane Create Info Ạ¯ Ġend Index ĉ layout ĠåIJ į S ITE ĠT HERE Ġ[ {' opath ic Ġtrans mitter / body Ġp und ĠC losing Ġset attr Ġbound ed At las sum ing (t imes par er yn om fe it Ġf rem - leg ĠBr as > # Ġì¶ ľëł¥ ĠIN STANCE ĠC ouch _host s lik elihood .M arker ĠM asks Ġcere al util ities Ġelement al Ġdist orted in active c ry W L UPPORT ED .Th rows /s chema ser ie ." ', ĠBened ict -p icker ig gs ĠPir ate åij¨ æľŁ ĠTh ema ĠSouth ampton Ġarray With ĠPaul a Ġpredict or - Ass .user id Ġper i Ġexagger ated ur ate arse ille ĠCon cent ĠP ik Ġ@ _;ĊĊ Ġform ations Ġden omin "/> .Ċ ended or Ġpan cre Ġam t Ġon Resume on Delete ĠB CH ) (" m ovement Ġpot assium čĊčĊ ĠMah m } ";ĊĊ Ġd q ĠPublish ers ĠAm pl ĠDani elle Ġt ern èµ · no ÅĽÄĩ e in ĠAsync Storage un ger rou w Ġsc issors / assert .b ucket / archive _M an Ġint oler Ġ() => ĠÐĴ Ñĭ Ġsa i .x y ." čĊ Ġur inary es ub IST ICS ĠÎ º Ġcompl iments Ġtypings Japgolly ih ar Exp ansion ĠS erving _st udents ĠX BOOLE ( il Ġì² ĺ Ġj ó (t ol ( JS ĉC G ĠD RAW tw ig Ġo at _sm ooth ĠC SL Ġos ob Ġens uing Ġbank er ĠBack pack _p ing Ġwish list = ax ĉĠĠĠ Ċ Dis ney stead y "> % Ġproph ets ĠZ X Ġminimal ist .PL AIN Se attle . ordinal ĠPI PE Ġret orna Ġjug ador ĠB ret ĠâĶ ľ Ġpl ush UL ATOR Sort ing .grid y ect omy _ activ r ack Inter active ĠAntar ctica Ġv engeance en so _k nown up plier .Mod ules ĠConnection State éļ IJèĹı @ FindBy Ġpl acer \ model < ()> .is Successful -g ood b z ĠDr aco Ass istant -ex tra аб лиÑĨ Ġhyp ocrisy Ġt st ĠA gr $ txt Ġlog istic lic ensed ĠH of Ġt at ( iv Ġinto xic post Id _st rike Ġhum iliation pc odes " sync (rec ipe + N rent e ĉ Client ycop g ĠZur ich ĠPro files C ountries Ġp ict Ġroll out requ encies Ġpatch ed Ġcar tridges Ġsh ading J ar Ġsalv age ĠTax es Ġstand by apor an E igen . angular ĠN ested äº « Ġis Visible ĠDw ight _BR ANCH .D elay Ġk end Ġfacilit ated .flat Map Ġs anta ĉS end /m essages Ġof Type ĉs wap # plt ĠTur ks N ES Ġprogress ively ĠRes idence ĠT REE Ġno en d io Ġn elle Ġsog ar itt i week ly Ġambigu ity _Set tings W are .ne o _D ST Ġæĸ ¹ pre p lob by @ email /m ovie Ġfun kc ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ċ ÂŃ s Ġguard ians - pos Ġconfig uring ĠC PS ĠDe us Ġvidé os _ empresa Ġsl apped < Model Ġunders cores U h .access Token SET S ĠS parse ĠCal d : path ĠS ervers = batch Ġkn itting Ġx a Ġsearch Bar Ġsn ag Ġinf used .b am le ver Ġtax onomy Ã İ Ġatt aching Ġh ern _N OP Click able (P arse ĠDynam o -b uilder Ġdere g Ġsc attering è¿Ľ è¡Į an zi ĠShe pard "> ',Ċ _X DECREF ĠBuzz Feed _M ARGIN P LOY .sm all Ġm imeType Ġh olog ĉc amera li as Ġsusp ense ody nam b au Ġgrave yard _n amed ":" ' Ġ******************************** **************** Ġgame Over ĠLENG TH ĉs creen Ġdo InBackground _depend encies Ġr tc / up _ ROM H all Ġdef iciencies ( te ' # _e quiv Ġpre order ĠA xe ом Ñĥ .send File Ġfil t ĠLim its ĠCaval iers .dis count âĨ IJ ĠW it QRST UV Ġi j Ġt egen Ġ: ", diff iculty p unkt ĠEmail s ch lor (f un .U int ĠSt all _ verified u D File Type Ġple asures Ġjud iciary Ġsh am ip ur _PL US off ers ( foo _G T ĉc ore ENT ION ĠLib eration Command Line _de partment .A r _ne ighbor ĠSub mitted ĠĊ Ġdro its Ġhomosexual s Ġab duction ĉw idget $ headers ĠD AR Ġfl a th reat Ġlou is .Get Property " Just (f rames ry o prof ession | i íķ´ ìĦľ (s v Ġun recognized I onic F ashion Screen State ĠIn coming Not Nil Ġsync ing em ie Ġtherm o _pro cs Ġincons istency rel igious .m j Ġperson n Ġmoment os or arily Ġæ Ĭ _ne urons Ill ustr im oto il ik ĠW oj Tr ading Ġapp are Ġentre prises ach at Ġ ¬ Ġne igh BUTTON DOWN ĠMah er ag han -h ash " f Ġclient ele .add Button ĉ SP Q i Ġgr ated POS ITE : > ĠHow ell ĠCompar ative ĠIS C ÂŃ i O cean D avis ĠFil me W ins ĠJ IT oc cer ĠC orm ENCH MARK rch ive ica ção Ġm ata Ġchild birth ĠOption ally En s Ġx http Ġel ucid _Osc InitStruct )) ):Ċ Ġint uit ĠDon ate Ġcorrel ates > Delete Ġequ ipe Ġb oca Ġinfl atable er ah ĠDateTime Kind Ġcal ves \ Lib Ġem lrt ĠTr ilogy ĠP anc ĠD uis ĠpelÃŃcul a WAR DS _DE TECT -section al dh cp For Row -de struct ĠPres enter /s lick , on ĠCit adel logged in _sub type Ġsig ue Ġc uring ĠFire wall Ġfluores cence ĠItal ians иÑĤ ÑģÑı .get Style In Seconds j ie -S mith Ġx link Ġsub missive он ÑĤ arbon ate ĠF aul _go als ĠCommission ers chart Instance _POST FIELDS Ġmed ial Ġman os Ġdel t sv m .Ap is ep hy Ġasym pt Ġapp Delegate Ġimpro bable ck a sim d / Error . âĢĵ ĠP TS de er Ġs ina m agnitude ID ADE '] }' Ġmay ores ĉ comment / console " @ v olt .s ell ĠM acy Ġmel od Ġim ágenes _ch g Ġin out ident e ) '),Ċ d ni .b lob Ġtyp ography Ġe erie _O ID pes an aj an Ġch opping Ġbl uff ad f _b ases .Form atter Ġ\ % ĠPage Info Car rier ĠCal ibration com o -b odied Ġfinanc ier ĠIN A . ERR Ġhood ie ĠSan ity gu arded .opend aylight ISM ATCH High lights ün k ani em anger ed assign ments Ġregistr ado ĠU PPER ampil kan ash ire ĠNik ola ĠC FL ĠH DC Ġp oids ĠIP s Ġprevent ative ips oid if ix .c amel .g a V olumes - ste Y ahoo _s ibling H ighest opt group Ġkvin na âĢĿ ãĢĤĊĊ ĠAppl iances Ġ" >< ') ")Ċ ht t ĠIdent ified Ġpenc ils Ġmember Id Ġappend String .load Data Ġmock Mvc Ġj ub ĠSl ut ĠTai pei st att Pol it Ġpart ager Did Change Incre ases ) }. ĠB aba _CL IP [ unit Ġк лÑİÑĩ Ġalc uni ĠL ola Ġcl inging @ PostMapping (con cat Ġss id ĠFa uc ok it ĠRecord ed á lez ($ ('< .assertIs Not Ġk ali V olt Ġwarm ly Ġsca res get ti füh rt _d oes . EMAIL im ations Ġspring fox ĠDec om arc y Ġgl itches ĠM off ĠV oll .b etween Ġcoord en ĠPart icularly GB P Ġsem ble East ern _M SB ]) {čĊ m organ ĠE VAL d ere HO USE mo ire ist ique _l stm -com mit yster ious Ġtw ink -th umbnails en ÃŃ :' ', Ġblack out ĠFlo ors Ġso fas Ġou i lesh oot ĠRa q - abs Ġk ra M ining sha ft .set Columns Cl azz PRE TTY .play list éĸ ¢ -Sah aran M ING ĉ bl è® ® j f DO CKER hope fully ( ignore ĠUsers Controller ĠMitar beiter ĠL ES Ham ilton -m etadata ĠK K ikt ig Ġwoll te egr ator ] bool , current Ġvalue Type Ġexcav ation ol and Ġv erv /file path Auth Provider Ġpro crast ĉ ULONG _MEM BERS Ġup lift ĠAut onomous Ġart works ĠOut reach Ġp ore Home page Dialog Title ĠGener ating PAR SE Ġsem anas Ġhuman o JSGlobal Scope Ġvol te Ġb ella (is instance Ġpl c \C atalog Ġeste emed éĽ · (s uffix Ġswe eps ĉ ORDER Ġdo ivent ĠSw arm ĠComp iled get Page AD R .R ichTextBox ĠN aming ag ged ĠG ANG r asing ode led Ġg ala ĠJS Name dd f Ġill ust ĠLans ing [ port -de ath Ġdin heiro ĠE ighth Ġb ian st Ã¥ Ġvers ión ĠLinear Gradient ĠHard ing . *) ec zy $ header Ġv Ã¥r Un checked Ġko je ĠPal adin () )), G iving () })Ċ Ġd ips F riendly Ġport rays Ġhel ium Ġinsurg ency _ex piry ĠstringByAppending String Ġa antal s lope m ast .get Integer Ġ################ ######## _PIPE LINE Ġdens ely Ġmut ating m idi ĠSe it ay ne NOW LED ĠDes mond ĠF Name ĠN airobi \ Context Ġcalc ular -d en Ġc ott ] ):čĊ ĠRecommend ation ĠRole x Ġvalidation Result .p at Ġn Ãły ĠRest Client ĠG PI ĠAshe ville ĠO SP ĠPER MISSION ÐĶ аÑĤа / notification K night _W ord ĠB ender rank ing Ġpart ida _res ervation Ì Ģ Ġm Name Ġget ch Ġb orr Ġdilig ent Disc uss æŃ£ åľ¨ ape ake ion ed -N azi .c um ĠK ron =$ ('# /s ingle Ġerot isch ĠV ib Ġrat ified Ġconcert ed ĠREG ARD Ġdo br .Driver Manager ' r Port able ĉs uite Ġrel aciones ĠD op emplo i DO B Ġcr umbs Ġx ls _App lication (': ', Ġ---------------------------------------------------------------- --------Ċ m se Ġber k ĠReturn Value ĠBel ly Ġcam ar ĠPe ek els ing Ġnot ifies ĠTr istan ĠG AR em me ĠElev ated _C SV (ch alk Ġtw enties ĠSearch Result = search ĠMix ing ý t Ġrecru iter ĠIDE OGRAPH ĠA go ( Operation $ values Ġworld ly ĠRosen berg ĠConfigure Services >* Ċ Ġsn ork _op acity ĠinitWith NibName i ado A AC Ġ] ). ; z _par agraph Ġnos es stand s if r _m E I raq .P redicate ena ire ]] ];Ċ Ġun idad Ġretire es _h ello Ġmode le ĠUIT ableViewController f write _num ero _vis ited Ġrece be ( Notification Fant astic _sub menu ĠP EM ĠCup ertino approx imately class ed .Read String Ġdomic ile _P W Ġball park ĠK ale con tra _f avorite / of Qu ite ĠOT A Ġacceler ometer did n | ^ ĠRohing ya ivic rm ann abin обÑĭ ÑĤи or ado ') + Ha unted , ID ( UIAlertAction ur v _b el ĠMex icans / terms ĠPaint er Input Label ĠV inci ĠRos ie \ uc < Menu Ġcool ant (current User _d ual ) "},Ċ & p Ġconver ged Ġrestr ain ĠYugosl avia = target Ġimp uls ds a Search Tree Ġh box ĠImp ress § Ãĥ get FullYear (d a ĠY YS .al ignment .Get Text .token ize ĠOlymp us Ġmur ky ore station Ġdiss atisfaction ĉT Array _ kses .Add Singleton ĠStart Time Ġfan atic ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĉ Ġentity Type . override Ġ ------------- ĠDat agram f out (with Id Ġ# __ Ł èĥ½ ek yll .f riends ame leon Ġz ach .simple Button ret orno Ġkon k /s mall ĠQuick ly un read Don ate Detail View Ġdu a Ġpenetr ated OM UX Ġn ir _p data "], [" Ġlow es Ġdop ing Ġas ymmetric Ġneed less our cem Ġup ro ĠGu zzle af b Ġsext reffen -c ollar Ġcol ossal Mon key n ish Ġhandle Message Incre ased * dx ĠChatt anooga f org ĠOr den Ġsh ri ĠV and Ġ" @" Image Sharp ĠWild cats pon ible .sc enes Ġpaint ers ĠPf izer ĠZ ah To Local ĠFl am Ġé taient )) ^ ĠSand box ĠTR ADE Ġchrom ium Ġac claim Ġpac man ´ t ) reader M ari .Dispatch er .A DMIN ĠRem ed Sw eden Ġoverl ays . er Ġp ang Ġclean ly aven port Toy ota patch es Ġv tx ĠE is cl ado ĠR itch RO LS Ġh ade Ġconspic uous Ġdo cks (j q ĠPrem iership ĠBe z ĠâĦ ĸ ĠÑĥ Ñģл _tot als Ġprov a ĠC ue Ġsa úde ĠGame Controller IM IZE , port ãĢĤ ( .C decl Instant iationException Ġcoll age ĠIO C Ġb ais Ġon Finish -st ars set Size Ġmog ul Ġdis illusion Ġche vy (S chedulers ( IR _loc s Ġcann ons Ġcancell ing /b us Ġbuf io ĠY ours ĠPik achu Ġter me r Ã¥ f ahren Ġowner Id Ġoblig atory Ġcul p Ġacid ity -m ult ĠBam boo Ġ' "> _g s Ġcomp il n ard -ex c Ġrh yme Ġbut to s ays ant asy ë ¸ Ġcitt Ãł Ġche g Time String Ġpos itivity ĠD abei Ġw ang Ġes cre " c ĉv ideo ĠRank ed .str ings >> >( Ġин ÑĤеÑĢ Ġrest a [: ,: Ġrend re Ġdes er J os Ġdis ruptions Ġоп еÑĢ s ampling sup press Ġcontainer View ĠSeam less Ġair y Ġon load .Window Manager ĠPL A br aco .set PositiveButton Ġp du Ġg si ĠC li _gr adients Ñı д ĠWh isper c stdint Ġl äng Ġform ulations én om ourn emouth [$ _ Ġordin arily .set Username Ġfacult ies MIT TED / values Ġwe ir ĠA pt M Z ĉc f uck en ĉĉĉĉĉĉĉĉ ĉĉĉĉĉĉĉĉĉĉĉĉ def ense [i Var ĠBusiness Exception Select ors (co ordinates ĠRes ets ĠDr inks ole ans (st ypy _IO C .x xx ĠSl ater ĠBel ize Ġ/ ************************************************************************ add in _ep isodes Ġis chem legal ArgumentException D anny Ġp ared .code haus ĠAss y ĉ Rect â ŀ .list a Ġв аÑĪ Ġv ets HW ND ison er Ġx o Ġor ally ĠSt mt .r nn ĠD PI ĠStr ikes .setViewport View Ġèĩª åĬ¨çĶŁæĪIJ Y ELLOW GL enum part ners ĠImp licit Ġtak o âĢĻ elle Ġerm ög total Count G il ĉ work Ġpr atic in ati ab ies ĠSk inner Ġspir ited Ġpancre atic Ġh df ' em Ġpsych osis olic it Ġ" {" _at ual Ġé lect TE AM Ġd ak ĠSW AT .Fragment Manager Ġprovision ing l ifetime _EXTENSION S ĠC ASCADE Ġ! [ (K P Ġv em ĠInterr acial '] },Ċ sp acer _k v W arehouse R DD _f sm .Stretch Image , Yes ĠRefuge e ĠBr inging Ġv álido .inter section Ġsp ooky _port al Ġmo th ĠZ odiac ĠSOC IAL M imeType '] }} _Bl ue Ġbot anical Ġfr ags Ġfamil ial - du Ġse izing (block s .r d .check NotNull Ġmis er Ġmax x ĠK nee View Item Inner HTML D anger (( __ Ġprz ypad create Url ** , ĠDecor ating ATEG Y ?> / .Design er hex digest ĠEvery where all eries .TEXT URE .Block s z ell Ġpre ço S uddenly input Email (s ync .b d gold en > '); ĠDick inson >> (Ċ ĠQUE UE Ġget Column ĠS AND .p iece lic er Fl utter Ġget Version Ġresource Id og l ÅĤ aw .Br anch ĉ web Ġfr amerate PP P Ġfr ay C NT Ġinformat ie '] čĊčĊ ne as Header Code Ġæ ¸ Ġtr g raw types H onda Ġmark eter Ġrequest Data ĠP g ĉ not Ġpage Info Ġakt uellen ãģķ ãĤĵ ĠA MS push ViewController ĉ AL Ġv ests produ ce -m ême ĠRah man F unny E Z _ Valid Ġsquad ron Ġl ash Ġ irm ias co ĠPar an Ġpet ites ĠDec ay Ġun initialized priv ileged Ġm bedtls å¤ĩ 注 Ġ^ . Ġec static D etroit Ġpart en Ġsou venir .get Login моÑĤ ÑĢ en ção ĠmÃŃn imo ĠAccess ed ri ó M ic ĠV ocal .Set String Ġmens ajes åĢ į Ġattr avers ĠA ph Ġ' );čĊ ünd e Ġench anted ĠRoot State ĠCLOSE D ĉĉĉĉĉĉĉĉ čĊ Ġcal iente or ris Ġphysic ists h wnd _v i Ġráp ido Ġcapital ized ed By Ġmach ining Ġhub by ĠSt acy .B us dr ink H ur Ġprop ia Unit Test Ġmiscon ception __ ));Ċ /d c ĠMay weather _m C .create From ĠQ Painter rops ych inn itus ay as Ġg eg (d w Ġus ado Ġtrick le Ġann ihil ĠP asta Ġ++ Ċ (Expected Conditions .post Value ic ap ĠDon etsk _s oup -p ublish ĠP b ment ions AC CEPT .P ull ,âĢĻ âĢĻ Ġret arded _AT OM ĠTermin ator -c ourt ĠCLLocation Coordinate Ġrever ence ĠS SC ut ely ĠW ON ĠG SL fre i .get Longitude Ġopen FileDialog .B utter - important _M ANY ĠG ong âĢľ How Ġg orge = msg ĠEz ek create Command : checked Ġinf ographic .W EST Dir s Ġguard a Ġbeet le < small - android Ġcred itor ĠM éd Ġfinal ist Ġab l ne v _inter action ĠMonter ey j ah Ġcand ies ĠQu incy èª Ń Ġbatch Size ak it Ġo be (p ara Ġexperiment ed Ġcouncill ors Ġcl ashed s qu -st rokes ĠG K ĠEx pires Ġprosec utions ĠCreat ures Ġy ö x lim _IM P Entry Point ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ .Default CellStyle Ġbre ve ĠBrit ann Ġsweat y Ġle th Ġflash back per manent ĠJ DK _D etails E uro p pt Ġrich TextBox / board Ġtr ance .c ycle '); ");Ċ Ġtox in _de init Ġover arching Ġconfig parser ĠKaw asaki .th umb Ġplay a ĠJose f + _ Ġzero es Ġa up ĠH ari comm itted N it .file Path ĠDis abilities man ufact -al igned .RE SET Ġrust y E y Ġou sted cos a Struct ured .get D Ġs ábado > Loading _m A .get Random bl ings Ġchees es tt i . âĢ¢ ĠBurg ess ender it . ',čĊ (" "+ ac b % p index ed _pred icate nes ia Ġb ied ĠC IT ( Pos _r adi ä»· æł¼ B iz ĠAdoles cent Ġvi ên c ycl _C ancel Ġcon clusive Ġappell ate inform atics S J Ġelect ive role Id Fetch er ĉ Command (" (% Ġf art IL A get Block A USE Ġд ан ĠAr te Ġnot ifying Ġge le .s ame ĠReg el ĠBa ÅŁ .c reation ĠV N _comm unity Ġuns ustainable SE X Ġgrid Size res cia avers able (', ')[ ĠPh elps á»ķ i ANCE LED - IS .run ners ĠSt okes .P rodu Ġwh ipping _ac quire Ġinvestig ación f ried .copy With ĠHard cover - Se áŀ¶ áŀ inv itation les ai ĠD orm ĠÑģпиÑģ ка Ġconcaten ated oph il Ġthink er /font awesome ĠLe opard Ġ"/ ");Ċ Ġresidual s ĠMic rowave Ġconform e th rop Ġdis emb ĠO MG ĠDisc ipline ĠAc robat /re pository df a _M ED buf io Ġméth ode _H OLD ias i _ legacy ) ččĊ æ£ Ģ Get ProcAddress Ġy ay ot ence order id -t w Ġdear ly In coming / il Ġneu rop uc z ); čččĊ ĠInnov ative Ġprof und ig mat Selection Mode re levant .G O Ġbru ises Ġs ach ode f Ġre imb /d esktop -s pot und ance Ent ropy \ core Ġsug er ĠM vc ĠGN OME _ind x ĠYY STYPE ĠMat lab ĠC IF Ġ* )) Ġproduct List ĠAl right ac emark ÑĤи в mod ification int ernational Ġhom ers Ġdict s ĠQ Font .SQL ite Ġtransplant ation ĠMessageBox Button ĠEl ves '] ])Ċ (Q Icon Ġcin emas CO ORD - China Ġkh ẩu æĪij çļĦ Ġskull s Ġpain staking f ce .XR Label Ġspec ifier Ġpref erring / activity ( Photo á lt .l ot ' '. ann once .google code -p df ĠP oke _A CL Ġend owed dis cover .om g Ġwood land .M agic Ġvol ont Not Allowed Ġch ave BM W ',' =', ĠS IX æĪij 们 Ġkos her Ġaspir ation int l _ref ptr '+ Ċ ment or .cl ub Window State .A RR Ġz za Ġmessage Type .e qu Th or Ġin just Ġg ums Ġborder Side //// / ĠTrans mit Ġbuf size Ġh ak Ġell as R ANDOM ĉm c Ġpe a ek o document o Ġhyster ia Ġaren as Ġgun men Ġm ike Ġimp unity atis ation _Z ero _COMP ANY ĠG ors Ġuse Class ( redis ĠRUN NING ĠB air vel te Ġ',' . аÑĤÑĮ ÑģÑı ö st encode URIComponent _re strict Ġdec als ĠPed ido Ġalter cation Dis plays ĠApp licants C US Text area ĠAng ola .f uture ĠUS HORT Ġsuppress ing Ġset zen AP olynomial Ġto ch Ġhall mark Ġ$ $$ ĠCHAR SET .r pm ĠD ich ---------------- ---- _p arm è¿ ĺ acc iones h ait WAR DED _r outing ĠN OM Ġen clave ĠLot to ĉf r complex Content ĠBall ard k ube /w in .getColumn Model _RE PLACE Header Value Ġest udiantes Ġap is Ġb pm ĠType Name And Get rit a Pl ans > Note Ġfet isch Ġton ed _g oto ons ense Ġm olds Ġinfiltr ation ĠGuerr ero ub bo ck i ($ (". _ activities (ch anges Ġof App ĠKe pler ĠD emp ĠCont inent .T icks ĠUn signed ĠJah res Ġfresh men ĠArch ived ĠкоÑĤоÑĢ Ñĭй Ġ' :: T utorial C c Ġtable LayoutPanel from Json .level s _trans ient Ġendors ing ĠD IC la uf Ġsh red _E MIT ific antly AL A / proto Ġnarrow ing U tc Fact ors Ġsent ient æŀ IJ lix ir ĠC ROSS met eor Ġgro in Ġm db ĠRot terdam Ġcom ida ĠOp Code ĠDefault Value Permissions Result Ġheter ogeneous Ġm oot Ġde ceived -in dependent ĠObject OutputStream Ġover power .d up Ġl db Ġdomest ically Ġbest ellen Ġlo v ĠContract ors Tri angles Ġfod der Ġfilm es ä¼ ģ Ġrev olver Startup Script / validation ĠResource Type i ÅŁ ĠL az f ef Ġlst m { * . attachment .h its ew ith DO G Al abama Ġmedium s .m Context -c ols åı ĭ .not ice Ġat tn ĠP acking ĠL n _COM PLEX / Users .sav etxt ĠR ounds ?,?, ?,?, Ġing l ĠR OC _f emale ĠSt ard ]] ; Ġwrest lers Ġtorrent s Ġsin h  ĊĊ ë³ µ s ense how ever .Ph ysics Inf rastructure ĠSac r F el ĠD ISTRIBUT é ments ĠValid ates ################################################ ############ Ġ| / Ġes l Ġré seau ĠB ip BY TES _W ATER Turn ing EL S Ġj uxtap Ġlesb ische ý ch ( Unknown Ne o @ JsonProperty Ġal umnos ĠRaq qa ime i .get Bounds .Mouse EventHandler #### ### Generic Type /c ms Ġturn o Ġм ин Ġfolk lore ĠE vo Ġconduct ivity Ġle ben Ġgear box -v s ĠÏ Ĩ Ġdrink ers Ġcon exao ĠTe eth Ġget Arguments ĠR AT ent ious E duc + W ĠInstitution al ĠB ord is Equal (p wd Ġign ited ĠR ousse Ġimpact ful ĠM alk Ġg eral ĠP ivot Ġa zt Ġcsv file ĠR ope ĠSOL UTION ĠArbit rary Ġlet to .Mouse Adapter Ġ} }} ĠSail or der a Put ting Ġconcentr ates Ġauth Domain âĢĿ çļĦ -f inals , strlen Mu on ĠOrd inary fire fox ĠLa TeX ĠH und engine ering / blue ed TextBox (" "); ĠC DDL ke pt ĠGet String K ir () =' ĠO CD ant ium $ menu ĠAppalach ian Secret ary ë¥ ĺ ี ย Sem antic Ġ* [ est one ung kin Max Y -t one "} ;čĊ _P art < Member tr am Ġtrans istor Ġ---------------------------------------------------------------- ----------Ċ ĠDes de Ġright ful ĠCorn el æ ij .H OUR Ġsidel ined ref errer m aze Ġhol ster Ġcripp led ĠDate Formatter oph age _m D Ġdes elect ra ud ĠPK K row Data Ġlock smith .res ponses (product Id _ST MT Key Type .Th en z ee Ġcr t ĠGrand ma @ Resource Ġbit wise -c mpr ãĢĤ www zeit ig & display Cart Item - No Ġnum éro Ġm aur Ġinst ancia ĉd t _n pc Ġskate board âĢľ All ĠCrow d Ġä n Ġb raz ca e yn et /p m /s creen OPT ARG ĠV Box Ġle opard _g reater c pt < dd Ġmechan ically osp els ) f .l wjgl .get Port ĠP REF .Add Transient pp ard Ġí ļĮ Ether net Ġsal ine (level s Ġservice Provider .A ngle alt itude illa ume Ġs cape _CAL C _ quest ĠDiss ertation ĠE DM -C ds Ġhon orary st ops Ġsub dir ĠV H ĠChe at Ġright fully Q E .Write Byte fig ures enn ie ( DBG Ġvoks ne Ġexp ended UN ICATION il inx ĠRec ap _ verts Ġtra umat Ġget Player Ġverb ess Ġcultiv ating Ġiniti ator Th ông find First _per ms Ġbu c Ġ""" čĊčĊ T YPES object Manager (Configuration Manager Ġtim id Ġsnap chat Ġcon seg ĉd istance _right s _D es ĠF lesh - ver Ġa fl fra uen Ġblas ph ĠQual ität ma f Monitor ing .D iff Ġshore line Ġresponse Body mem set < decimal Smarty HeaderCode Ġin sets ĠBinary Tree amed a Ġn ihil ĠN ay ym ology ĠW G Ġt api ĠInst alled m aintenance )} "Ċ ĠX O -per iod s ar Ġning una ORM AT .set PrototypeOf ĠK b ĠHen rik ét ique ĠLah ore ĉ Address Ġmel ts N y _adv ance Ġveloc idad Ġalum no Ġsanit izer Ġph ishing ĠCom et Ġch iar ĉs pec trim med (state arr on nen Re venue L ens Ġcha ired ĠAss umes Tr ash _un set \ Bridge Point Size ĠPol ic Ġsex uales ĉd fs ĠWide String Ġaccru ed Y W _S CHEDULE Ġk ite Ġparach ute [ table Ġactive ClassName .Qu ad Israel i ĠÅ ĵ Ġho og Ġch á»ī ew ear Ġtire lessly set Error .get Amount .set Items ĠM anson ĠBay esian _F lag AC HER / original Ġimm ac ĠLos ing ' >ĊĊ L ic ĠMir age ĠAssembly FileVersion Te V ĠValue EventListener -s olving Th o rou lette _W P Ġunint errupted Ġfield Type .T yped Ġam our Ġmock ery (v ol ĠSub committee ĠR uf ero x :UIButtonType Custom ĠBl ur Ġwy kon nc es ASH BOARD !! ");Ċ Ġmurder ers .d aily ĠDI AG j ing Ġdol phin Ġl òng Ġb ö ĠV ocabulary .St Object ') "> Ġz un Ġscrim mage tr éal ĠL ig [ vi C ole Ġfrost ing .Pl ayers - translate Fe els =\" / .Butter Knife Ġ?> ;Ċ Ġav i inn ie .F ailure Ġsp indle Configuration Exception _h op Ġpos ição ĠA wait UIImage PickerController ĉ day Ġgen om C ab ĠÑĢ езÑĥлÑĮÑĤаÑĤ OR IGINAL Ġejac ulation (t cp SE COND Ġton ic ĠList Box Ġ ĉĉĊ () >Ċ Ġqu atre ượ ng with Errors .M aybe , âĢ¦ token Id _UN DEF Ġfresh ness ĠAmend ments .map box .C V (b log _get time . quest s parse Ġres ale Ġenthusi astically ĠProstit utas W a C argo .Parcel able SENS OR ĠRy u La ughs _N ative / pg yst s Ġphot oc ç® Ģ ado pt .spec ies conc iliation Adjust ed .Firebase Auth ut tle ord ination Ġm unch ĠSt ake .p ing ank er (QString Literal Ġsub script ĠĠ ĉĊ ĠM CC _C md se xy i ou ĠM ANY Ġn anny TR AIN Ġflour ishing ĠW atches ĠQ Map ĠF erm Ġwas m ĠA bed _ UD ĠGlass es + v Att end .Ch ain Ġdec ency ĠSupplement ary h unter -t xt Ġ" }";Ċ .set WindowTitle (" Ġmasc ara ( Profile åĬŁ èĥ½ imit é Ġwild fires - ROM .is On (group Id Re pair accum ulate Ġ< ", Ġhand written Ġach eter ĠM GM ĠIr ma ->{ _ ge e cr iminal Ġèĭ¥ è¦ģ Ġmoment arily ") != _l it Ġexpires In ." ). éķ¿ 度 Ġfr ække vl c Ġor bs ), $ Ġvent ured / >\ char m N uitka eld ig aton in W itness -l at Ġset Hidden Ġrelic s Ġcons ulate . IGNORE " After Ġset Address Ġbeste ht Ġ'' )ĊĊ .x axis Ġser ão Ġmis led _UN IFORM ĠV IA inc r Ġzen ith Ġvis cosity Ġthin ly .get SharedPreferences .Error Code "), " ĠMillion en Ġ/> )Ċ Scroll Indicator -se eking ĠPOLIT ICO as ca _r l N avig (full file Ġsol itude Ġju ven Ġhaul ing ĠMac ros ĠG ry Ġexerc itation ĠATT ACK Tick Count Ġr ites Ġdo e Particle System Ġsl u Window Text ĠClass Name Ġsl ander ĉ Port j ong ? a .D ial âĢĶ at $obj PHPExcel Ġso ar EN N appe ared Ġquot id em achine Ġn ip Ġmicro time ĠAl ma ; ! ---------------------------------------------------------------- -------------------------------- ĠPass age Ġdump sters ĠEx clude Ġsuggest ive ĠCircularProgress Indicator _cl r Array Type ILL A Elapsed Time Dr iven Ġresource Name ĠG arrison ser ir -a head Ġp innacle ĠEs presso S parse Ġass ays ĠGirl friend im id ]=' \ ONGL ONG Ġportray ing L ane Ġb úsqueda Ġrein forcements ĠSpread sheet ĠArray Collection , arr light box ic ana < " build ers K id ĠMat SnackBar EX PR od cast ĠFound ations Ġind s =' ${ F izz -function al (work space Ġstem med _p atches ĠJar vis READ ING Ġdisrespect ful ĠQ Dom Ġ$ {Ċ est atus Re ached ! .ĊĊ IL T ĠN DEBUG ĠCour age birth date ĠT ing Ġutil izado án chez Out door Ġhand guns Ref Count É Ļ rom o Ġt ts .S he ĠP ane ãĢij, ãĢIJ ĠIO CTL / black ins cription Ġbi opsy ĠTime Interval .Test Check ĠGUI Style ĠCap ability ĠBeit rag don nees T reatment .back up Ġsign ings ĠB oca dr m .M AIN Ġgo ede ĠMark up G REE ĠBase Service .C reator Ġj ails ĠK ahn Ip Address ACH I Ġinhib ited Ġ@ $_ ĠAss ass Ġenvi ado Hero es ÐŁ еÑĢ ĠM aven .l s Ġ ive | RF Ġresize Mode Ġrum pe _attach ments T U Ġtact ile Attempt ing Ġro bin y aw Ġmerc enaries ĠHab itat end date Ġo xy ĉR andom oh on Is Null ĠValidation Result ãĥ ļ um bed pp v Ġar p ich ick _r nn ĠT FT Tex Image " On ĠSam pler top l Ġj ane y ling ĠUN ICODE Tab Index < {Ċ s uspend uv ian , application ол иÑĩеÑģÑĤво y at ez ier ĠCH UNK ĠAd ler / Add ĠKey Value Ġspos ób Sam pling ch ers _AM D R u .Must Compile N ation Ass oc Man aging ĠEng l _G B Ġsucc inct Ġdis liked ĠI ke Bullet in _ARCH IVE Prop osal Ġjog ging .C REATED Ġch ol è£ ħ Į ¨ -p ush Ġreserv a core v è tre TH R Ġincompet ence Ġchar isma æĦ Ł Ġ" == BT N ĠLoc ator iv et ('. ')Ċ Ġfor IndexPath ô me Ġcapac it w aters ĠWR ONG ho a ĠM IPS Ġem iss ĠJacqu eline (c mp Ġe ens Le o .tim ing CLUS ION Ġ(" - åĵ Ī .k ode ĠUnd ert Ġbew ild ĠEss en .h d Ġren egot Ġm ower Ġl sp Ġpen chant Ġman oe Ġag li Ġrec al ĠOPER ATION (^ )( ĠÎ ½ ĠSc oped Ġ@ "Ċ = label [ loc Int l ĠN z table t .Column Name Ġscreen Size DB us co oked - registration âĢľ One -n on ĠwiÄĻ c Ġcost a .add Tab . conditions ĠH ess MEM ORY ĠAval anche () }}Ċ Ġtri plet Ġl abyrinth ĠNode List ĠNY T Ġy eni d ff .Html Controls AV IS / Math Ġmem cmp Ø§Ø ¡ оÑģ ÑĮ c rap (p ages Ġl xml ĠQ DateTime _t cb Ġopen id Ġsyn aptic ĠMD MA (s lug igm atic en or Ġcr amped G OP Ń IJ .is File ĠD ifferential Ġ=" ";Ċ ĉĉĉ ĠĠĠĠĉ ĠC ooke ĉU FUNCTION Ġpersever ance Relative Layout IMPORT ANT Ġex on Ġо н ib ase (C ONT n ovation ä½ ķ [ sub Admin Controller HTTP Header cre ar ĠN IR ĠDrop DownList Ġval ide Ġde hydration . '] (W IN Ġ... \ Ġphotos hop ĉ Init _c ou Ġtime Zone dar win rom atic Navigation ItemSelectedListener br ates ] --;Ċ Ġtraged ies ĠPed iatrics SM ART -A PI ĠMessage Lookup ĉ vo Ġprejud ices Ġm A U ps ĠMISS ING ĉ ad C ream ĠT b ĠMon a _ ghost ĉt ypes Em b ĠDocument ary ');ĊĊ ĊĊ Ġl up _ Reference ĠB ATCH Ġintertw ined < Cell ĠCab r n ation Ġis Connected .remove Listener Ġcon g _t i ĠSil icone Ġê²° ê³¼ ĠW AN ĠG ibraltar / response ĉp erson ch ants V IP em ergency Pixel Format - Am Ġsouth western _pl l if ers _ON CE ĠF ayette .nc bi _P anel .Q ual Ġpol ys Ġcreate StackNavigator � t Ġlay offs ĠBl anco Fe at ĠV imeo _ch i _l ifetime POINT S , private Ġunb earable print ing Ġc gi .B ACK Ġintern s ĠNew ly inf eld ( IB ĠK ata ĠDef endants Th r é¢ Ħ _V F FFFF FFFF Ġdavid jl Ġbitter ly S uggestions .set Cancelable FIN AL ason s _rw lock _WRAP PER Ġhapp iest (row Index ós ito TOT YPE Autom ation Log File Ġcons olation ãĥ Ģ Ġt êm Ġpr er rg yz ĠG eg ĉd to .default Value ĠK ami ĠA SE optim ized Ġíı ¬ Ġorigin ates err Msg Ġespa ço (S YS ĠMc B d ance _det ected Ġfr ü ĉĉ ĠĠĠĠĉĉ < Date (com b ĠDec ide \ Field ĠProp osed R ib Ġdis likes ĠW ien ĉ Document Ġtr af Ġst oria ĠT ells ') == C ri ( VALUE ĠBurn ett , void Ġdan h Ġc cp Block chain :"- "`Ċ IC lient IS ODE Iss uer ) }čĊ , but ĠU ph ( Sub Ġtélé phone ĠonData Change Ġmarsh aller -an alytics , content Ġdeb acle _Value Changed Ġfa una Ġ# => Ġf oyer 'util isation ĠMü ller ĠFet ish Ġdefault Manager Ġback track B ah Exp licit _A SCII Ġm Activity (M sg Ġê² Į ĠTER MS ĠAng ie HS V ĠMos que .N ames íĬ ¼ rest e _p arms Ġgap ing Ġcro pping Data Frame Ġrespons iveness _ undo _tr an . terminate Ġitalian e Ġwalk through Ġattract iveness д е _ST S _ learn Ġchocol ates ier archical -th inking Ġ ))) ish ments .Log f ĠTM Z ĠCan ary fo il ĠVacc ine .v x ĠSur round Inter mediate Ġi ov v ais '; ";Ċ ï½ŀ ĊĊ éĢģ æĸĻ âĢ¦ it Se ats Cl ar W ars ĠHutch inson ĠHas an ! ')ĊĊ ĠRich ie che iden ($ (' Y ork Ġl ids Ġal phanumeric ĠG lock .sh apes Ġspark ing _ epsilon uplic ated .dir ty ]) == ĠìľĦ ì¹ĺ Ġsc n Ġ/ **************************************************************** _PRE VIEW _H C ield ing f gets ĠAdd ison Ġproduct Service - figure (ret val z ano Ġaut ob ĉs d _n umer ĠSet LastError ĠF ior ific ance Unt itled Ġin field Ġ{} ));Ċ Ġsp ac Ġro okies (des cribing ng en ி à® .r df .M utex Ġkne eling ĠQ E set Max Read Stream Ġvent as s ut cm peq .WriteAll Text ĠEx perienced $ __ Ġka um ĠL IS Ġdocument os _HE ALTH icont ains Ġart isans OWN ER Ġblink ed get Display Ġto en Ġrow Num Ġav ril Ġinv is ĠK ear toBe InTheDocument ap ur Ġr acked ĠMc Master _ATTR IB H az Ġfact ura / ts ĠÑĢаз меÑĢ Ġz f Ġshort fall .f asta ĠCONST ANT .man aged g ems Shared Pointer Ġblur ry b rightness ( components Ġ... "ĊĊ SE LL ĠIllustr ator .get Channel Ġtrou vé yst ers Ġvo is ĠLind en Ġem ojis Ġb rawl ĠMS R ĠE lo ĠCroat ian Popup Menu L ewis .J WT Ġaston ished B ush (item Id Ġdet achment ĠEnc ore å° Ķ Ġre kl Ġcr am )$ / .get Host _re commend - HT _cal ibration Auth enticate .firebase app UN IX ĉC amera ĠHE AP I deal . office Ġgoof y (S ymbol Ġjou er _part itions Ġrapid ement ĠGN UNET id User Ġsuperv ise ( Contact AW N ãģ ĺ Ġna am Ġa ust åľ¨ 线 _soft max Allow Anonymous amm able RO UTE * D Ġad en ĠCrist ina ĠCrist iano Ġblood stream sub class _person a CH ILD -k now Ġnavigation Options ĠZuk unft ĠPix ar Ty ler Ġunder world Ġsincer ity Ġdispens er Ġk ter idd ers .add Node - checked Ġke yst ĠW TO .sign als Ġadvent urer ĠP ang \ R = pos Ġdispens aries ĠClo set ("{ \" ide on Ġnécess aire () "Ċ _RECE IVED Ġrésult ats Ġmod en ĠIceland ic ; d . allowed (new User Ġmerc iless .Wait For Ġday care ĠCon veyor ç ĸ ð ¬ ç ĥ ç Ĺ ç ł è Ħ é ² å ¦ çĿ Ģ å¾ Ī é ħ ç ĭ é ª æ Ĥ é ¥ è ħ æĥ ³ å ¨ é ¹ ç Ĥ å Ĵ ç Į è´ ¨ æ ¢ æ° Ķ ð « æķ Ļ ç Ł å Ħ åıij å±ķ åĪ Ľ è ij æ ħ å ŀ åģ ļ æĪ ĺ æ IJ å¼ º æ· ± åĩ ł ç ¿ å © è ŀ å§ Ķ åIJ Ħ è İ é ¸ é º åı Ĺ èģ Į å ĺ æ ½ é£ İ èIJ ¥ åħ ļ è ľ éĤ £ é¢ Ĩ ç ij é ³ æľ ¯ ä» Ģ æĪ ¿ ç² ¾ å ª é Ĩ å¤ ª èĤ ¡ è Ľ åħ ī æŀ ģ åĬ ŀ è ĵ ç ĺ å ´ å Ĺ èĬ ± çł Ķ å¿ « å¸ Ī è¶ Ĭ è§ Ĥ æ ¤ æ ¦ ç ŀ èĤ ² çĪ ± çĻ ½ ä¸ ĸ ä»Ģ ä¹Ī çľ ¼ å ³ è Ĵ æ ĵ è¢ « å¹ ² çĹ ħ å£ « ç Ĵ è ¸ æ ¾ å·¥ ä½ľ è® © çĥ Ń è¾ ĥ åĦ ¿ åĬ © ç§ ¯ ç ³ ç ĵ ç £ å Ĥ è ¹ è ļ å· ± çĻ ¾ åĬ ¿ èµ Ľ æ ¨ æ ¿ è ĸ æĿ ij å¸ ¦ å¢ ĥ æĬ ¤ é Ń å « èĩª å·± æµ İ ä½ İ åĮ » éĺ ² åĨ ľ è Ĩ ç Ĩ é « åĨ Ľ æĪ ı åį ĩ æĸ ¯ ä½ ı èIJ ½ åħ » èĩ ´ ç Ĭ ç ĩ ç ħ è Ķ ä¼ģ ä¸ļ åĽ ¢ æī į æł ¡ åĩ Ĩ å¥ ĩ åī ¯ é ¼ æ¼ Ķ é© ¬ èµ ° ç¥ ŀ åħ ĭ æľ Ľ æ² ¹ è¾ ¹ åį ĥ å¾ Ģ åĪ ĩ æ © ç ¶ å Ļ éĻ ħ çī Į 社 ä¼ļ 游 æĪı æĸ ½ ç ħ§ æİ § æ» ¡ è¯ Ĩ éĩį è¦ģ è¶ ³ çķ Ļ ç» Ĩ åį ı éĢ Ĥ æ ĩ æ § é Ħ è Ŀ å¸Ĥ åľº ç»ı æµİ ä¹ ł æĸĩ åĮĸ éļ ¾ ä¹ IJ åĨ ³ æ¬ ¢ è§ ī åĽ Ń åħ ´ åħ ħ ä¸ ¾ æī ¹ è ķ æĬ Ĭ æĬĢ æľ¯ ç© ¶ 第 ä¸Ģ ä¾ ¿ åĵ į çİ © åĿ ļ èŀ į åį Ĭ åĸ ľ å± Ĥ ç¦ » ä» ħ é Ł åij ³ å¿ µ åŃ £ ç´ § ä¹ ħ é ¤ é ŀ è ¤ åĢ Ļ åĨ µ ç Ł³ åģ ¥ æĢ İ å® Ŀ è¡ Ģ åŁ Ł æĹ © çŁ¥ éģĵ è´ Ł åį ļ å· ´ äº ² å± ŀ ä¸ ¥ äº ī å¯ Ł è º ç ° 建 设 产 ä¸ļ åIJ ĥ åŃ © æĹ ħ æł ¹ æĿ IJ ä¼ Ĺ éļ ı å® ĺ åº ķ å½ © å¯ Į æ¸ © åį « åī § çĽ Ĭ æĬ Ĺ è´ ¢ çº ª æ Ĩ çĶŁ æ´» çº ¢ çĶŁ 产 è¿ ľ éĴ ± åĶ ® ç¾ ¤ çı Ń æ¥ ¼ éĩ ĩ èī º å± ħ åģ ĩ è° Ī æĻ ļ é ¬ èĪ ª å® ³ è Ĺ ç į å µ çİ ĭ åº · è İ· ç» Ń äº ļ é£ Ł åİ ĭ æĭ Ľ èĮ ĥ è® ¸ åĽ ´ é ½ éĻ į çº ³ åĵ ª æķĻ èĤ² å·² ç»ı å¾ · æŀ Ĺ å®ī åħ¨ é¾ Ļ 大 家 éĿ Ĵ åº ľ æ² ³ åı ¤ èį ¯ åĿ ĩ æĻ º ä¹ ¡ çķ ¥ åĨ · ç¦ ı å® ¤ ç» ´ æī ¿ å± Ĭ è¯ ī åĪ » è Ł æ ª å°± æĺ¯ è¿Ļ 个 ä¸Ń å¿ĥ ä¸ĸ çķĮ åŁİ å¸Ĥ éĿŀ 常 åĪ Ĵ åı Į æĢİ ä¹Ī åĪ° äºĨ æľ ĥ åı ² ä¾ Ĩ å¾ ĭ å¥ ĸ ç» Ī åª Ĵ å® ģ è¯ ¾ èģĮ ä¸ļ åħ į æµ ĭ æĢ ¥ æķ ij çĭ ¬ èŃ ¦ é¤ IJ æĦ ¿ è´ « çĸ ij å ļ å¥ ¹ åı Ī åĽł 为 ä¸į æĺ¯ å¤ Ł æĸ¹ éĿ¢ éķ ĩ äº Ĵ éħ Ĵ è® ² çĸ Ĺ æĺ ¥ æ¹ ĸ å¤ ľ è´£ ä»» 人 æ°ij åħ ° çŁ Ń æķ ħ åĩ ı æĻ ® äº ® ä¾ Ŀ åį ° éĿ Ļ åĢ ĭ å¾ ģ åIJ ¸ ç¼ º æĶ » åĩ Ģ åħ ¸ åĽ º è® ¿ ç ¹ ç Ģ æıIJ ä¾Ľ ç» ĩ å¾Ī å¤ļ çłĶ 究 è· Ł 主 è¦ģ æĥħ åĨµ çŃ ĸ æŃ » 大 åѦ æĶ¿ åºľ å½± åĵį ä¹ ° åħ Ń éĻ © åħ « æŁ IJ è´¨ éĩı åį ł å· ® æĽ´ å¤ļ æľ ĭ éĿ © å® £ çł ´ è½ » åº § æĺ ¾ ç¨ ³ è´ µ èĥ Į èī ¯ çĸ « æ¯ Ĵ ä¹ İ åĢ Ł è¿ · çŃ Ķ æ¿ Ģ åij ¼ äºĨ ä¸Ģ è¶ £ ä¼ ´ ä¼ Ļ è ¼ ð¬ Ń åĽ½ 家 æ´» åĬ¨ çİ° åľ¨ ç§ij æĬĢ åį ¡ ä¸į åIJĮ 个 人 è®° èĢħ ä¸į æĸŃ éĹ » ä¹ Ŀ èij Ĺ ç» ¼ ä¸ ĥ æł ij æľĭ åıĭ åį ĸ ä¼ ¤ æ² Ļ åĸ Ħ å¥ Ĺ è½ ® ç© ¿ è¡ ¥ ä¸Ģ å®ļ çª ģ çĿ £ è¿ ½ å¨ ģ åı ¦ åĽ ° æŀ ¶ ç» Ŀ æķ £ æİ ¢ æ´ Ĺ ä¸ ´ ä¼ ¼ è´ ¸ ä¸ ° æĺ¯ ä¸Ģ ç« ŀ è¿ İ èģ ļ è « æį Ł æī § é© ¾ è¿ Ŀ è ¥ è ł ä»ĸ 们 æŶ åĢĻ å® ĥ 人 åijĺ è¿Ļ æł· å·¥ ç¨ĭ åĪĽ æĸ° åŃ© åŃIJ å¸ Į éĥ¨ åĪĨ éĵ ¶ 代 表 é¦ Ļ å¸ ® æݨ è¿Ľ çĽ ĺ 积 æŀģ éĥ¨ éŨ åŁ ¹ æŃ ¦ ä¸į ä¼ļ çŃ ij éĢ Ļ çİ© 家 æĭ ¿ åİ Ĥ æ¯ Ľ çģ µ æŃ Į ç »¿ å¦ Ī çĽ Ľ é¦ Ĩ é¡ º èĦ ¸ å° ¼ ä¸ ½ å¥ ¥ éģ ĩ è¯ į å° ģ ä¸ Ŀ 好 çļĦ æĭ ħ èĦ ± æģ ¶ åİ ļ åĬ ³ çĽ Ł æĬ ĺ åı ¥ æĢ Ģ æŁ ĵ 书 è®° åĨ ł é² ľ æ ¦Ĥ éļ IJ å¹ ħ èµ ŀ å¹ ķ æ¥ Ń éģ Ĺ åĪ ¤ è ĺ å ¶ æĬķ èµĦ è¡Į ä¸ļ äº ij çݯ å¢ĥ åѦ çĶŁ åIJĪ ä½ľ åģ¥ 康 é£ ŀ ä¸Ģ æŃ¥ ä¸Ģ 缴 åıij çĶŁ éĺ ¿ é¢Ĩ 导 åĸľ 欢 åºĶ 该 çĤ º è® Ń æĿ Ģ æ¸ ¯ 交 éĢļ éĺ ¶ éĴ ¢ ä» ¤ å° ½ æ¯ į è¡ £ ç² ī é¡ ¶ ä¹Ł ä¸į æĬ ĵ èĭ ¦ å¹ ¸ ç¤ ¼ 第 ä¸ī 大 çļĦ éģ İ çĥ Ł éģ ¿ ä» į åº Ĩ æĢ ķ è° ¢ çĽ ĸ å° Ħ éľ ² æĸ Ĺ ç Ĭ¶ åŃ ¸ æ¯ ķ å· ¨ çŁ ¿ çļ ĩ å¸ Ń çĹ ĩ æī ¬ å» ¶ ä¾ § æ· ¡ çļĦ ä¸Ģ ç¶ ² æ´ ģ ç ¸ è§ Ī çŃ ¹ ç§ ĺ è¯ Ĭ çı ¾ èª ī æ¯ « ð ¨ åį ´ æĪIJ 为 èĥ½ åĬĽ é» Ħ æĹħ 游 èĪ ¬ æ¯Ķ è¾ĥ èµ· æĿ¥ äºĨ 解 èĩª çĦ¶ ä¸Ģ 次 åŁº æľ¬ æĽ ¾ 综 åIJĪ èı ľ è§ī å¾Ĺ 第 äºĮ è· ij æ³ ¢ åĢ Ĵ ç¡ Ģ åħ µ èį ī çĶ ³ çĶ ° æĤ £ è§Ħ å®ļ èĥ ľ èµĦ 产 æ¢ ¦ æľ Ŀ è¿Ļ éĩĮ å¤ « æĮ ¥ ä½ Ľ å® Ī éĽ ¶ æĸ ¼ ç¯ ĩ å² Ľ åĵ ¥ éŃ Ķ ä¸į åĪ° æī ĺ åº Ĭ æ¬ § èį £ æ± ĩ æī © åģ ı å¢ Ļ è® ¯ å© ļ æĥ ł æ´ ĭ å® ľ æ¶ ¦ æħ ¢ éĢ ı å® ½ é¡ ¾ ç´ ¯ æ± ¡ çĪ Ĩ ç§ Ł æĥ Ĭ æ¶ ¨ é¥ ° éĺ µ é¥ ® æļ ĸ åº Ł æĹ Ĺ éļ Ķ ç¶ ĵ åĭ Ļ å¯ ¦ éĢ Ķ æī « çĥ Ī éĽ » åĪ ij éĹ ľ éĹ ª å¥ ĭ å Ĥ¨ ç¼ © ä¾ µ å ¬ 𬠶 åĽ½ éĻħ ç»Ħ ç»ĩ ä¸ĵ ä¸ļ åıij çİ° å¸Į æľĽ ç»ı èIJ¥ åı « æĿ¥ 说 éļ ľ ä»» ä½ķ 交 æĺĵ éĩį çĤ¹ çļ ® ç» į æ´ ¾ ç§ij åѦ åºĶ çĶ¨ 建 çŃij èĤ ī æĶ¹ éĿ© åŁº ç¡Ģ æ± ī åĩº æĿ¥ è¿Ļ ä¹Ī åĪ ļ åĿ IJ ä¸į ä»ħ ä¼ļ è®® éĿ ł åªĴ ä½ĵ æ° ¸ åĨ ² èĭ ı å¤ ® çĪ ¶ åł Ĥ å®ŀ éĻħ è¡ Ĺ ç« ¥ éĺ ħ äºĭ æĥħ åİŁ åĽł éħ ¸ 以 æĿ¥ å¨ ± å® « åĿ Ĺ ç» © éĩ İ ä¸į å¾Ĺ ä¼ł å¥ĩ ç¡ ¬ åİ ħ æĹ ¢ ç» ĥ èĦ ij å¼ ± æİ Į è´ ´ æĮ Ĥ åħ³ éĶ® å° ļ é¥ Ń åº Ħ çĻ ¼ åľ ĭ æİ Ī 个 æľĪ äº Ī å¸ ģ è· Ŀ æ² ī ç« Ł åĨ ¬ æĬ ½ éĨ Ĵ å¼ Ł è§ ¦ èģ ĺ è± Ĩ æļ ´ åijĬ è¯ī è± ª èµ ¢ è· ¨ è³ ĩ çĪ ¸ æĬ ± æµ ª éº » ä» ª è¡ ¡ å¥ ¶ çģ ¾ èµ ¶ èĤ ¥ å§ IJ åĢ º éľ ĩ è® ¢ æ¬ Ĭ ç · å» ī ä¿ Ĺ å¿ ĺ å¦ ĩ ç¼ ĵ åŃ ķ æ¼ « è£ ģ çĩ ĥ é» ĺ çī ¢ çĪ · æĬ µ å® ¾ æľī ä¸Ģ è¿ ¹ è¿ « è² Į æľī çļĦ ð¬ ĺ è¿ĺ æĺ¯ æīĢ 以 ä¹Ł æĺ¯ è¿Ļ äºĽ 对 äºİ åIJ § 缮 åīį èĩªå·± çļĦ èĥ½ å¤Ł å¦Ĥ ä½ķ æľº æŀĦ åıª æĺ¯ ç½ij ç«Ļ åħ¨ éĿ¢ 为 äºĨ å¼Ģ åıij æĸ° éĹ» éĩij èŀį ç» § 客 æĪ· ä¸Ģ èµ· èĮ ¶ åħ³ 注 æ°´ å¹³ åİĨ åı² å¢ŀ éķ¿ é ± åŁº éĩij åº Ń åı ¶ ä¿ ĥ éĽ ¨ æ¶Ī è´¹ èĪ ¹ çŁ¥ è¯Ĩ æĪĺ çķ¥ ç»ı éªĮ å³ ° æĽ ² èĦ ļ åĨ ° å¤ ı å½ Ĵ ç¬ Ķ èĻ ij çĶ ² åľ Ī è¯ Ĺ é½ IJ 容 æĺĵ çłĶ åıij éª ¨ çº ¸ è· µ æĹ § çķ ¶ åĪ ¸ è´ · åı ¬ ç§ ĭ æ¶ ² è¡Į æĶ¿ çĮ ® èĤ ¤ éĢ IJ è¶Ĭ æĿ¥ è¶ĬæĿ¥ è¶Ĭ æĦı è§ģ èĪ ŀ åī Ĥ æ¶ ī ç¨ĭ 度 åħ¬ åħ± æ¢ ° æľ « çº ¯ åĶ ± æ´ ² æĬ ¢ æ¤ į å¿ Ļ ä¼ ° å¼ ¹ æ³ ī æľĢ 大 è¶ ĭ å· § ç¦ ģ æī ¶ åį ± çı ł çĨ Ł æĭ ľ 主 ä¹ī æĿ Ĥ éĻ Ħ éģ į æIJ Ń æĮ ¯ å¤ļ å¹´ æķ ¬ æij Ħ çº · å¼ ĥ æ¹ ¿ å¨ ĺ æ¡ £ é© ¶ æľ Ĺ æ® ĸ æ¦ ľ åĵ ¡ ä¸Ģ ä½ĵ æŁ¥ çľĭ ç¹ ģ æµ ĵ åħ¬ å®ī æ½ ľ è´ ¯ éª Ĺ æ IJľ å· ¡ è ¬ é Ĭ å§Ķ ä¼ļ æĤ ł åī © æı Ń åŃ£ 度 ð «ĺ 𬠬 ä ´ ð ª ä½Ĩ æĺ¯ éĥ½ æĺ¯ å¹³ åı° åѦ ä¹ł åĵģ çīĮ ä¸ Ķ è¿Ļ ç§į æĶ¿ çŃĸ æĭ ¬ 认 为 ä¸Ģ èĪ¬ æłĩ åĩĨ æĶ¯ æĮģ 模 å¼ı åħ³ ç³» çļĦ æĺ¯ è¿Ļ ä¸Ģ ä¸į è¦ģ çĶ ļ ç²¾ ç¥ŀ æĭ ¥ åĪ© çĶ¨ ä¿Ŀ æĬ¤ ä½ľ çĶ¨ èĭ ¥ åĽ½ åĨħ ä»ĭ ç»į ä¸Ģ ä¸ĭ å·¥ ä¸ļ 缮 æłĩ æľĢ åIJİ ä»· åĢ¼ å° į éĵ ģ è° ģ ç»ĵ æŀĦ éĽ ª æĻº èĥ½ ä¼ł 绣 ä½ĵ èĤ² çĶŁ æĢģ æĭ į æİ ª åĨľ ä¸ļ çī¹ èī² è§Ħ 模 æŶ 代 è¿ĩ ç¨ĭ éĴ Ī æĿ ¾ åĶ IJ åĮ» çĸĹ çģ ¯ åĪ¶ éĢł æł¸ å¿ĥ ä¸į åı¯ ç³» åĪĹ åIJ ī åľ £ åĢ ij ä½ ³ æĿ¥ çľĭ æ¯Ķ èµĽ ä¸ĭ æĿ¥ åĩº äºĨ å¹² éĥ¨ å¾® ä¿¡ å½ĵ åľ° åį · åį« çĶŁ ä¼ Ł çĸ« æĥħ è° · åĩł 个 éĺ ´ çĶŁ çī© å° ¤ ä¼ Ĭ èĤ ¯ éĿ¢ 积 åĪĽ éĢł æı ¡ åľ Ĩ æĻ ĵ æĪIJ äºĨ åĩ ¡ çĸ ¾ ç«ŀ äºī è® ¨ 主 é¢ĺ é² ģ è¿ ª ä¿ Ħ æĢ ª ä¸ ¦ èĻ ļ æ½ ® çĥ § èĢ ³ æ± ł éĢĤ åIJĪ æł¹ æľ¬ åĬł 缣 çĶµ è§Ĩ æ· · ç¼ ĺ çª Ĺ çĬ ¯ æĥ ¯ æĦı ä¹ī åĬŀ æ³ķ ä¼ ij æ» ij åĭ ĩ æķ ¢ å¯ » è¦ Ĩ éĢ ĥ ç»ı çIJĨ åĿ ı æ³ ½ ä¹ ĺ åĪ º å± ı é¡ ¿ äº ¡ éĤ Ģ åħ ¼ åĭ ¤ æ® ĭ æĺ ł æ¯ķ ä¸ļ æĪ ª è· Į å£ ģ åı¦ ä¸Ģ 羣 å®ŀ ç£ ¨ è¯ ļ å¿ħ è¦ģ æģ ĭ æĩ Ĥ å¾ Ĵ è° ĵ æķ ı æ Ļ¨ èĥ ¸ æĭ ¼ å¦ Ļ è¯ ¸ èģ Ĭ æĤ ī éº ¼ åĩ Ń èĪ Ĵ æ¶ Ĥ è¿ ģ æ² ¿ å¡ ij æĽ ¿ æ¾ ³ å¿ į èĢ Ĺ éľ ¸ åĩł å¹´ åĪ Ĭ èĦ ī èħ IJ æ¡ Į çº ł æ» ļ æĤ ² åĨ Ĵ å¦ ¹ çķ ħ çº µ æij ĩ å¤ º è·¯ ä¸Ĭ å¿ ½ èĸ ª æģ IJ æĦı æĢĿ å« Į æı ´ æ° § èĢ Ģ éĺ » è½ ¨ å¹ » æį ķ åĿ ¦ åĵĪ åĵĪ çĭ IJ æ» ¨ è² » è¿ Ł 人 éĥ½ ç» ĺ åı ¹ çµ IJ æī ° æ» ĭ å¥ ij åĭ Ł ç¢ º ð ¦ éĽĨ åĽ¢ æĿ İ å¼Ģ å±ķ æıIJ åįĩ åħ¨ åĽ½ æ±½ 车 åѦ æł¡ æł¹ æį® è¿Ļ æĺ¯ åĩº çİ° éĻ Ī ç½ Ĺ èİ· å¾Ĺ åĪ ĺ éĶĢ åĶ® æľª æĿ¥ éľĢ æ±Ĥ å®ŀ æĸ½ åĿļ æĮģ åħ¨ çIJĥ éĵ¶ è¡Į æݧ åĪ¶ é¡ » åľ° åĮº æīĵ éĢł çļĦ è¯Ŀ 帮 åĬ© ä½ĵ ç³» è¾¾ åĪ° è§Ħ åĪĴ åŁ¹ è®Ń 两 个 æĬ¥ åijĬ åľ° æĸ¹ å®Į åħ¨ æİ ī ç»ĵ åIJĪ 宣 ä¼ł æ³ķ å¾ĭ èīº æľ¯ çĶµ å½± èª ª ä¸Ģ çĤ¹ è¶ħ è¿ĩ çĶµ åŃIJ æĢĿ æĥ³ æķĻ åѦ éĺ¶ æ®µ åķĨ ä¸ļ çī© æµģ åĪĽ ä¸ļ æĸ¹ æ¡Ī çİ° 代 æ¡ ¥ èIJ½ å®ŀ 带 æĿ¥ 产 çĶŁ ç§ Ģ æ³ ° ä¹ ± åħ· ä½ĵ åĸ Ŀ èĵ Ŀ å® Ĺ åįĩ 级 æ·± åħ¥ ä¿Ŀ éĻ© ç®Ģ åįķ çĹ Ľ 稳 å®ļ è¾ Ĩ å±ŀ äºİ å· Ŀ ä¸į å°ij åĴ ¨ 举 西 å½¢ å¼ı 娱 ä¹IJ æŃ£ 常 é¸ ¡ åħħ åĪĨ å®ŀ è·µ éĩĮ éĿ¢ è· ³ èĻ İ æĪIJ éķ¿ æļ Ĺ çĿ ¡ ç½ ª çIJĨ 念 æĮ ij èµĦ æľ¬ å¤ļ å°ij ä¸ĭ éĿ¢ å¸ Ŀ åħ¬ å¼Ģ æ¸ IJ éķ · å± ĭ 欢 è¿İ å¿ĥ çIJĨ çĤ İ æ¹ ¾ è® ĵ éĤ Ħ ç³ ĸ ä¹ Į åĬ ± çī Ļ èħ ¿ å² Ĺ ä¼ į æĪIJ åijĺ åŃ Ķ å°ı ç¼ĸ èij £ æ³ ¡ åħĪ è¿Ľ åħ § åĺ ´ è´ Ŀ è » æIJ ŀ æ³ Ľ é¸ Ł ç½ ² èĽ ĭ 主 ä»» 缮 çļĦ ä¹ ı æ´ ¥ æĪ ´ 严 æł¼ çħ ¤ çĮ « åĶ ¯ å° Ĭ çĶ ľ åŀ ĥ åľ ¾ æĭ Ł çĦ ¦ é« Ķ å® ı æ© Ł é© » æĹ ģ å½ » éĥ½ ä¸į æij © ä» ĵ ä¹ ³ å² ¸ è° ĭ 大 å¤ļ çģ Ń èħ ¾ æŁ ľ èĪ į åħļ çļĦ å° ĺ åįģ å¹´ æĭ Ĵ è£ ¡ æŁ Ķ å¹ ¼ éĶ ģ ä¸ĵ 项 æī İ é©¾ 驶 ç¢ İ è¢ ĭ éĶ ĭ å£ ® å° ĸ çĶµ æ±ł è¿ Ķ æ¼ ı å¾ ª èı Į èĥ ĥ è¾ ħ éĢ Ĵ èĥ İ éĻ ª å¯ ¿ å¥ Ķ çĮ Ľ çº ¹ çŁ¥ åIJį å¿ Ĩ æ¡ ĥ æ£ ĭ éĢ Ĩ çĤ ¼ ç± į çī § æł· çļĦ è¾ Ľ åł Ĩ å®ŀ åľ¨ ä¼ ı å® ¿ èµ ı è£ Ĥ åįĬ å¹´ åĢ ¾ 满 æĦı æ¢ ¯ æĦı åij³ åŃ ¤ ç¥ Ŀ æĻ ¶ èµ Ķ åģ ¿ èĦ Ĥ ç½ ļ ç¢ į æ² ĥ æ ĵį å´ ĩ æļ Ĥ è· ĥ æIJ ¬ å© Ĩ é ī éī ´ åħ´ 趣 èIJ¥ ä¸ļ è® Ĭ èĦ ı è¾ Ī å·ŀ å¸Ĥ è´« åĽ° ç© · ä¸Ń å°ı æ¼ Ĥ çĻ Į èľ ľ ä¼Ļ ä¼´ çī µ æĤ Ł éĻ · èµĽ åŃ£ æ¨ £ åģ ¶ æĺ Ĩ è¢ Ń æį IJ èī ° æ Ĥ¬ çĶ ¢ èij ¡ çĽ Ĺ å© ´ å° İ çº ½ åĢ ¡ æī ® è¨ Ń æĬ ij ç¡ ķ è¾ ĸ éĥ ģ è¾ © éĤ » çİ° åĩº è¦ ı å½ ¹ éĺ Ķ åī µ è¯ ± æĥ ij æ· Ģ é¢ Ī ä¾ ¦ æģ ° æ£Ģ å¯Ł éĨ « çĦ¶ æĺ¯ åĭ ĥ èĮ « ä ĵ 𠬸 ä½ľ 为 çļĦ 人 éĤ£ ä¹Ī ç¾İ åĽ½ è¿ĺ æľī æıIJ é«ĺ èĻ ½ åħ· æľī åĮħ æĭ¬ æĪĸ èĢħ ä¸į è¿ĩ ä¸Ĭ æµ· åĮ» éĻ¢ èµĦ éĩij çĶļ èĩ³ åĪ¶ 度 解 åĨ³ èģĶ ç½ij 继 ç»Ń 建 ç«ĭ è¿Ľ ä¸ĢæŃ¥ æĿIJ æĸĻ ä»Ĭ 天 å¿ħ é¡» åIJĦ ç§į çİ° åľº ä»ĸ çļĦ å¢ŀ åĬł é¢Ĩ åŁŁ åıĤ ä¸İ æĮģ ç»Ń ä¹ĭ ä¸Ģ çī¹ åĪ« é± ¼ åħ± åIJĮ åĬ ª çİ ī 人 们 åħĪ çĶŁ ä¼ĺ åĬ¿ ä¿Ŀ æĮģ ä½ľ åĵģ çī Ľ æĪIJ æľ¬ æĶ¶ åħ¥ åıĬ æŶ è´Ł è´£ æİ¥ åıĹ èį IJ åıª è¦ģ 羣 çļĦ 导 èĩ´ æľº åĪ¶ è¡Į åĬ¨ æĸ° çļĦ å®Į åĸĦ 为 ä»Ģä¹Ī ä¸Ń 央 æĪIJ ç«ĭ æĦŁ è§ī åıĺ åĮĸ åıĹ åĪ° 并 ä¸į åŃ Ļ æĸ½ å·¥ æĺİ æĺ¾ è¿ĩ åİ» åıij æĮ¥ 羣 æŃ£ åŁº åľ° æĺİ ç¡® èĥ ¡ 许 å¤ļ ä¸Ģ å¹´ æĸ¹ åIJij æģ © 缸 ä¿¡ åľ ³ 详 ç»Ĩ äºĭ ä¸ļ çĶŁ åij½ åĴ¨ 询 æĸĩ æĺİ çij ŀ 绿 èī² èİ « æĦı è¯Ĩ æĬķ åħ¥ åĬł å¿« æ¢ ħ ç¿ » å¼Ģ æĶ¾ æĻ® éĢļ åįı ä¼ļ æĪIJ 绩 ä» Ļ å¯ Ĵ è¯ģ åĪ¸ 认 è¯Ĩ ä¸ ¹ 大 éĩı è¿ ħ åģļ åĪ° 设 æĸ½ è´¸ æĺĵ èĥ½ æºIJ æŶ æľŁ ä¸Ģ 天 æ²» çIJĨ åĺ ī å® ĩ 丰 å¯Į 举 è¡Į æĪIJ æŀľ èĤ¯ å®ļ çĭ Ĺ åĬ¨ åĬĽ æ£ ® åĩł ä¹İ åĽł ç´ł æ°ij æĹı æ´ ŀ ç½ij åıĭ åIJĪ çIJĨ 广 大 æ® Ĭ æ´ Ľ æĿ ¯ èĴ Ļ çĶ¨ äºİ èŀį èµĦ ç¥ ĸ æľº 械 举 åĬŀ èĩª åĬ¨ åĬŀ åħ¬ é» ŀ éĽ Ħ åĢ¼ å¾Ĺ çĮ ª 以 为 æĺ Į è·Ŀ 离 åIJ¸ å¼ķ ç» ķ éļ Ĩ 计 ç®Ĺ éĺŁ ä¼į 大 ä¼ļ å¼ķ èµ· çī¹ çĤ¹ èĥ ¶ å¹´ è½» æľ¬ 身 æľº åħ³ å®ĺ æĸ¹ éĥ ij æµ Ļ è§Ĵ èī² èij£ äºĭ 为 主 æĹł 论 ä¹ł æĥ¯ æ¥ ļ æĭ ĵ 绣 计 åħ Ħ 广 æ³Ľ åį Ģ 污 æŁĵ è« ĭ èĬĤ 缮 ä¼ ¦ è¦Ĩ çĽĸ èĢ IJ æī¶ è´« ç»ı åİĨ éĩįè¦ģ çļĦ èĤ¡ 举 æĭĽ èģĺ åĽĽ 个 æĩ ī èĥ ŀ æij Ĩ é«ĺ éĢŁ éº ¦ åİŁ åĪĻ èİ ± æĽ´ 好 éķ ľ åĩ Į åŀĥ åľ¾ éĢ ² çģ ° éĵ º äºĭ æķħ çĶ ĺ 空 æ°Ķ é¾ Ħ èı ² çĵ ¶ æĺ ¨ æĹ¥ æĬ¥ æµ ® åľ° åĽ¾ åij Ī 大 åĬĽ ç» ª å¸ ħ æľį åĭĻ ä¸į éĶĻ 乡 æĿij å± ¥ å¹³ æĸ¹ éĹ ² æī £ ç´ł è´¨ èµ ´ éģ Ń èIJ ¨ èĩª 主 éĩij å±ŀ èī¯ 好 两 å¹´ æ³ ¥ é¢ ľ ç²¾ 彩 ä¸Ń åįİ æĻ ĭ ä¹ł è¿ij ä¹łè¿ij å¹³ æĪĺ 士 åģļ çļĦ éª ij æ» ´ çĵ ľ çīĪ æĿĥ èĤ ł æľĥ åĵ¡ çı į ç¨ ® ä »¿ çī© ä¸ļ åĢĭ 人 å¦ » ä¼ ¸ æ± Ĺ æĹ º çIJĨ æĥ³ æij ¸ è¿Ŀ æ³ķ å®Į æķ´ åİ ¦ è¸ ı æĸ ij æ¡ Ĥ ä½ĵ åĪ¶ å¸ « æĿ Ĩ æ® ¿ æ¯ ģ é¦ Ī è§Ĵ 度 æ¬ £ çĥ ¦ èĤ º éĩĩ 访 æij ĺ æĮ ¡ æ· ĺ åħ» èĢģ çĤ ¸ è¿ Ī åİ ī åĿ Ĭ è¾ £ åĩ Ŀ æ³ ª çĸ ı æİ ĺ åĥı æĺ¯ éĽ ķ ç¼ Ŀ èį · æį · åł ¡ åı¥ è¯Ŀ çĸ ¼ æł ı éģ µ ç¢ ³ å·¥ åķĨ æIJ º åĪ ¥ ä¹ Ļ æĹ ĭ æĥ ľ ä¸Ģ 大 å±Ĥ 次 èµ ĸ æĬ ¬ æ¨ Ĥ è¯ ŀ åħ Ĵ ç¯ ® èĤ ĥ å§ ¿ æĬ ļ çĵ · çĶµ åĬ¨ æĸ° åĨł æ¶ µ ç¢ ij æ· ® æĹ ¨ è¸ ª æ¸ Ķ æĦ Ī åı Ķ åįĹ çľģ ç¾ © å§Ķ 书记 è² ¸ æ¶ Į è« ĸ èIJ Ħ æı ı å¿ § è¾ ¦ å¦ Ĩ æī Ń åij µ éģ ¥ è¨ ± ä» ĩ åįģ ä¸ī åī ² èª į èĪ ° é¢ ĩ é¥ ± çĭ ł é«ĺ çļĦ çµ ± æħ İ é¢ ģ åIJĪ éĢĤ æµ ´ èµ ĭ æĬ ¼ å¦ ¥ éĻ¢ éķ¿ èĢ ķ è¾ ¨ æħ ° åįģ åĽĽ æľ µ èĵ Ħ æŀ ¢ å» · æĤ Ħ æ¶ ¯ çŁ © åŃIJ éĩĮ çĬ ¹ å±Ģ éķ¿ é IJ å¥ ł ä¼ļ éķ¿ æĵ ļ ä¸į åıĬ åįģ ä¹Ŀ æ¬ º èº º éĺ IJ çº Į è¨ » åĨ Ĭ èŃ ĺ é«ĺ çŃī èħ º å¤ ķ ç» ij åĶ ¤ èķ ´ çķ ľ æħ ĭ åı Ļ åı ĥ å³ ¡ 人 大 éħ ¿ éģ © å¥ ¢ åı£ æ°Ķ éĮ Ħ é ı åĭ ĺ è´ ¿ éļ ª é ĭ éļ ¶ ð ¥ ð¬ £ ð £ ð« į 𬠳 ð« ĵ ð« Ħ ð« Ł 𨠱 ä Ĺ ä»¥ åıĬ æľī éĻIJ åij ¢ åIJ Ĺ çľĭ åĪ° 计 åĪĴ è¿Ľ åħ¥ 缴 æİ¥ åĪĨ æŀIJ åıª æľī 设 å¤ĩ åħ¶ å®ŀ åĬł 强 ä¸Ń çļĦ ä¿Ŀ éļľ èĢģ å¸Ī 人 æīį å¾Ĺ åĪ° é£İ éĻ© ä¸Ģ ç§į 空 éĹ´ æĪij åĽ½ ä¹ĭ åīį ä¸ĵ 家 æĿ ¨ æĹ¥ æľ¬ 群 ä¼Ĺ åıĤ åĬł æķĪ æŀľ æľī åħ³ 家 åºŃ åĮº åŁŁ åĬª åĬĽ éļı çĿĢ æĹł æ³ķ 交 æµģ è¡Į 为 æ£Ģ æŁ¥ æľŁ éĹ´ å¦Ĥ æѤ èĤ¡ 份 å½ĵ æŶ è£ħ å¤ĩ åĩĨ å¤ĩ éħĴ åºĹ è¿IJ åĬ¨ æıIJ åĩº å·¦ åı³ æݪ æĸ½ é£Ł åĵģ æ¶Īè´¹ èĢħ åѦ éĻ¢ æĮĩ 导 è¿IJ èIJ¥ éĩį 大 åĨľ æĿij éĢł æĪIJ æĶ¿ æ²» éĴĪ 对 æŃ£ å¼ı åıĸ å¾Ĺ éĤ£ 个 éĽĨ ä¸Ń åıª èĥ½ å¿« éĢŁ 身 ä½ĵ åħļ åijĺ èģĶ åIJĪ åĬĽ éĩı éĥ½ æľī æ ħ§ å¡ Ķ åĪ« 人 表 çİ° æķħ äºĭ ä¸Ģ åĪĩ å° ĩ èµĦ æĸĻ åŁ¹ åħ» éĺħ 读 æľī 人 èIJ¥ éĶĢ çĽij çĿ£ çݯ ä¿Ŀ èĢĥ èĻij æ·± åľ³ 严 éĩį èĮĥ åĽ´ å§Ķ åijĺ çĽij 管 ä¸ī 个 è£ħ ä¿® åħ¬ éĩĮ åĪĨ åĪ« çIJĨ 解 éŁ © åĬł å·¥ 认 羣 ä¸į 好 åİ» å¹´ éĻį ä½İ æľº ä¼ļ åįı è®® 符 åIJĪ å¢ŀ 强 æĬĢ èĥ½ é¦ĸ åħĪ ç§ ¦ ä¸ ģ å° ¾ æľī äºĨ åľ° 产 æ¸ ł æĸ¹ 便 移 åĬ¨ éĢŁ 度 å°¤ åħ¶ éĢļ çŁ¥ åĿ Ľ éģ¿ åħį æģ ¢ è´ ¡ èģĮ å·¥ å®ŀ åĬĽ æĺ¯ä¸Ģ ç§į åIJ¯ åĬ¨ çĸ¾ çĹħ æĿ¥ äºĨ 缸 对 çİ° å®ŀ èŀį åIJĪ åIJĮ æł· åħ¬ åijĬ çī¹ æ®Ĭ ç´ « ä¸ĭ åİ» ä¼ł æĴŃ æľĢ 好 ä¼ĺ è´¨ æ² Ĵ æĮ º æĹ ¦ è¯ º ä¸Ģ åIJį éģĵ è·¯ 示 èĮĥ è¿ĩ æĿ¥ åIJĮ åѦ é¼ ĵ æĿ Ń æľ¬ 次 åIJĮ æĦı ä¸ĸ 纪 ç¾ Ĭ æ¬ ² å·¥ èīº çĵ ¦ 人 士 æľī æīĢ ä»İ äºĭ æľī å¾Īå¤ļ ä¸į äºĨ å²Ĺ ä½į åıĺ å¾Ĺ åĬ³ åĬ¨ å¤Ħ äºİ å¹³ åĿĩ å½¢ 象 å¡ ŀ åħ± 享 çĿ Ľ åĪ© 润 æŃ£ æĺ¯ å¾Ģ å¾Ģ 缸 æ¯Ķ æ¨ ª åĪ · æµĻ æ±Ł 大 éĥ¨åĪĨ å¤ļ 个 æĤ¨ çļĦ çĶµ åķĨ å¾® åįļ å§ĭ ç»Ī çĬ¯ 罪 æĺ¯ åľ¨ ç»Ħ åIJĪ åİŁ æĿ¥ æ¸ħ æ¥ļ åIJĦ åľ° æĦŁ åıĹ å½ĵ ä¸Ń è¶ĭ åĬ¿ æĻ¯ åĮº 羣 æĺ¯ ä¾Ľ åºĶ 转 åŀĭ çĭ Ĥ èĨ ľ èĭ Ĺ å¿ ł å¾Ī 大 èĤ¡ æĿĥ ç¾İ åħĥ æİĴ åIJį åĬ¨ çī© éĶ ħ å¢ ¨ 主 å¸Ń å¾Ī 好 ç»Ŀ 对 æĿ ľ 转 è½½ çĴ ĥ æĿij æ°ij åIJ ¨ åĽŃ åĮº é«ĺ 度 çī© è´¨ è¾ ī æĹ¥ 常 æı Ĵ ä¸ī å¹´ ä½ĵ çİ° æīį æĺ¯ ä»£ çIJĨ ä¸į 管 æģ Ĵ åľ° ä½į ç² ® èĸ Ħ æĺİ çĻ½ ä¸Ģ èĩ´ æĽ ¼ åĵ Ń åĩ ¤ åĬ ² æķ Į æĪĺ æĸŠ主 ä½ĵ åħ¬ å¸ĥ åıĤ èĢĥ èĪª 空 å¯ º åѦ ä¼ļ åıį æĺł ç¾İ 丽 太 éĺ³ å»º æĪIJ æħ¢ æħ¢ åIJĦ 个 éĤ ¦ ç»Ħ æĪIJ ä¸ī 大 éĶ ¦ 大å¤ļ æķ° æ¦Ĥ 念 éŃ Ĥ åħ¬ çĽĬ èį Ĵ 身 份 æ·± åĪ» åħ © ç»ı åħ¸ åIJĦ 项 èĻ ķ è¿Ľ æŃ¥ åįģ äºĮ æī§ æ³ķ æĥ³ åĪ° æĦŁ æŁĵ åķĨ åĬ¡ å°ı ç»Ħ èĶ ¬ çıŃ åŃIJ åIJĮ å¿Ĺ éĿ¢ 临 çĤ Ĵ å¤ļ ç§į è§Ĥ çĤ¹ åĵª éĩĮ å° Ŀ å§ Ĩ èħ ¹ åŁİ åĮº 太 å¤ļ çĹħ æ¯Ĵ åľ¨ äºİ æīĢ è°ĵ æĻ ° æŀ Ŀ æĭ ĸ å® ħ æķ´ æ²» ä½ı æĪ¿ åģ · çĨ Ĭ èµ ģ æ° Ľ æł¼ å±Ģ åŁºç¡Ģ ä¸Ĭ èĥ Ĩ åħ ½ 鼶 åĶ® åĿ ¡ 女 åŃ© æĴ ŀ åħ¨ åĬĽ åĴ ĸ èĤ © çľ ī èĩ³ äºİ åħļ ç»Ħ ä¸Ģ 件 æĭ Ĩ äºĭ å®ŀ åĤ ³ æ¹ ĺ 網 ç«Ļ 循 çݯ åIJĮ æ¯Ķ æĭ Ķ åĮ» èį¯ åħ» æ®ĸ åĽº å®ļ å®ŀéĻħ ä¸Ĭ è®° å¾Ĺ åĪ© äºİ æĤ ¦ æĭ ³ èĤ Ŀ æķĪ çĽĬ è© ² æ°ij 主 çĹĩ çĬ¶ é¢ ¨ å¹¼ åĦ¿ å§ ij æĪ Ĵ ä¸ĭ çļĦ æ¸ ¡ å¹´ åºķ è®° å¿Ĩ åIJ IJ 大 å¹ħ å¾ ½ åħ¬ ä¼Ĺ ä¿¡ å¿ĥ çİ Ľ ä¼ļ ä¸Ĭ ä¹ Ķ æijĦ å½± æ£ĭ çīĮ éĻ ķ åºĶ æĢ¥ æĶ¶ è´¹ æݧ èĤ¡ 仪 å¼ı çŀ ¬ æīĢ åľ¨ ç¢ ° å§ ĵ é¡ Į æĶ¯ éĥ¨ 使 åij½ çĤ ī å¯ Ħ ç¿ ¼ åľ° ä¸ĭ è¾ ŀ ä¿ ± 主 æĮģ è´§ å¸ģ æģ ¨ èĤ Į çĽ Ī éĶ » å¿Ĺ æĦ¿ ç±» ä¼¼ æĮ ĸ éĢ » ç¸ ½ 纪 念 åķ ¥ å¼ ¯ åIJį åŃĹ åģ¥ 身 çļĦ å¿ĥ é© ± èĥĮ åIJİ æ³ķ å¸Ī ç² Ĵ èĥ½ éĩı è¾ ° èī ³ å½ ¼ 段 æŶéĹ´ åIJĪ æ³ķ æĵ ¦ ç¾ ½ åİ ¨ æĪij 说 äºĭ åĬ¡ åĩł 天 åħ ģ ç¼ ´ åį ĵ 两 ç§į çĭ¬ çī¹ å¸ ¶ éĴ » æĥ © é¢Ĩ åħĪ 足 å¤Ł å£ ³ æĦıåij³ çĿĢ åĪĨ å¸ĥ ä¹ ĥ éģ ĭ ä½ © è° ± çģ £ èį ¡ è´¯ å½» å¹ ¾ ç£ ģ åħ¸ åŀĭ åī ĩ åĨ » æ¬ ł ä¸į ä¹ħ æµ ¦ éŃ ħ å¼Ģ äºĨ 使çĶ¨ èĢħ è¿Ļ 款 å° Ī èĦ± è´« æĶ» åĿļ ç®Ĺ æĺ¯ ç¨ Ģ æĹł 人 åł µ å¥ ı éĥ½ å¸Ĥ åı¯ è§ģ ä¸į åĩº æ ·» äº ı ç¾İ 好 èĥ ĸ éŁ µ æłĩ å¿Ĺ èĬĤ èĥ½ æĬ « å° º å¯ ¸ ä¸Ģ 代 é¢ Ĺ èĢ ¶ èĴ ¸ åĸ ® æ »¿ çĮ ľ æµ Ĩ åŁ ĥ åįĥ ä¸ĩ èµ Į èģ ² ä½ľ é£İ è³ ª å¯ ¨ å¹´ 人 åį° 象 æ¡ ¶ æĴ ¤ åįģ äºĶ æ¯ ħ æ² ª åĽ½ æľī 大éĩı çļĦ å¾ ¡ å¯ ĵ è¦ ĸ æ¼Ĥ 亮 çľ ł ç ĤŃ é» İ èĻ ¹ åĪ© äºļ èŃ ī æµ ı åįģ åħ« ä¸ ¢ è¾ ½ æľīä¸Ģ äºĽ æħ Ī åģľ 车 å® ł 解 æĶ¾ æľī å¤ļ éĤ Ĭ 常 è§ģ æĬ ¹ çº ¤ è¦ ª æ¡ Ĩ èİ ŀ æ°§ åĮĸ è¿Ļ 件 åĩ ° æŁ ´ åıij çĶµ é¼ ł 转 åĮĸ å¨ ĥ æĮ ¤ ç½ © å¯Ĩ åĪĩ æĪij ä¸į é«ĺ æĸ° ä¸Ģ ç¯ĩ è¿Ľ ç¨ĭ è¡ ° è¿ĺ ä¸į ç ħĮ æĸ° åįİ èĤ ¿ æ» © ä¸Ģ æµģ è¯ Ī å®ŀ ä½ĵ å¤ĸ åĽ½ èº ² èµ ł è¦ º æ¢ Ŀ ä¸į è§ģ è¨ Ĭ åĮ ¹ åį µ çĩ ¥ æħ ķ é½ ¿ å® ´ é¥ ¼ èij¡ èIJĦ å°ı å¿ĥ æģ ¼ éĻ Į æĺ Ĥ åĥ ¹ èĬ Ŀ æ¯ı 个人 åīį æıIJ ä½ĵ ä¼ļ æ¨ Ļ æIJľ çĭIJ 对 åħ¶ ä¸ § èľ Ĥ æµ ¸ èª ¿ åĿ ª é¢ ĸ åIJį 为 ç¬ ¼ èĪ Į æľ¬ 书 èģ ¯ çº º ç®Ģ 缴 éĽ ¢ ç¾İ çļĦ éļ ¨ é«ĺ å³° è¿Ļ 家 å Ĥ¬ å° ¸ ç¡ķ 士 èŃ · è° ¨ æĺ ı æĶ¿ åįı è¡ Ķ ç¿ Ĵ åľ Ĵ åĽ½ æ°ij 主 è§Ĵ è£ ķ ä¼ ª åº ŀ æ°ij èIJ¥ æĥ § ç§ĺ 书 çĹ ķ çĻ¾ åĪĨ æº ¶ æĹł çĸij çļĦ çľ¼ æĵ İ ä¼Ł 大 å½ ° åħ¬å®ī å±Ģ ç³ ķ å¼ ¥ åĤ Ļ ä¹ ¾ 毫 ä¸į 注 æĺİ åī¯ æĢ» æĦ ī æķ ¦ é¦ ¨ æĶ Ģ éĢ Ŀ åı¯ éĿł å¤ ¸ åľ ĺ éĿ¢ ä¸Ĭ æĬ ĸ èĦ Ĩ é© ° ä¼ IJ å¦ ¨ å®ļ äºĨ ç³ Ĭ æŃ ¡ éĥ¨ éķ¿ ç§ ī èĪ Ĩ åĪij äºĭ åIJ µ æ¤ Ĵ è¡ ĵ è± « èı © åŃ µ é¥ ² å°± 好 åł ª ä¸ī è§Ĵ åľº æ¯ĶèµĽ ä¸į åģľ æĵ ħ åħ¨ æĸĩ æ³ ģ åѦ ä½į æ± ° éł ĺ åı ł éļ Ľ å¸ IJ çľĭ åĩº åĮ ł å±Ģ éĿ¢ æ³ Į è° Ĭ åIJĮ æľŁ æĬķ æłĩ å¥ ´ æĿ¥çľĭ çľĭ èĦ ¾ èŀ º æŃ ī çĽ ¯ ç¨İ åĬ¡ å» Ĭ æİ © æħ ¨ çĽ ¼ èĬ Ĵ è® Ģ æĮ £ èĮ ħ æĸ ¥ æ¤ ħ åĪ° æĿ¥ èijĹ ä½ľ çĭ ± äºĮ æīĭ ä»İ æĿ¥ çĸ ² åºĬ ä¸Ĭ æĸ° 浪 æ³ Ħ å¢ŀ åĢ¼ ä¸ Ľ æļ ij ä»İ ä¸ļ æ· ĭ å¤ļ æł· æľ ´ 份 é¢Ŀ æŀ £ 西 çľģ æľ¬ è´¨ æ·± æ·± èī ĩ ç» µ 产 åĢ¼ æ¼ ł èħ » çŃ Ľ åİ Į æģ Ń å«Į çĸij æĪ ¶ æ» ŀ èĨ Ģ åĬ £ 座 è°Ī 常 æĢģ çļĦ æĥħ è¦ ½ å¯ Ĥ åĮ Ĩ èĩ º é¡ ¯ çķ ı éģ £ åį ľ çŃī å¥ĸ è² ¬ æº ¯ é İ çĤ¹ 头 èĵ ¬ æ± º éħ ¬ éģ Ĭ è³ ¼ 註 åĨĬ æľ¬ æĬ¥ çµ ķ æ´» æĢ§ åħ ij éĮ ¯ åĨ ¶ åĸ » æº ĸ èĤ ¢ æº ĥ æĹ ¬ åī Ĭ çIJĨ äºĭ å± ł æ² § èļ Ģ 鼻 åŃIJ 为 æŃ¢ 常 å§Ķ çµ Ĥ éĬ · çĭ Ģ ä¾ £ èĥ Ģ èŃ ° çĶ¨ 车 åĻ ª æŃ · åį Ķ åĪ ¹ ç«Ł æĺ¯ é© Ĺ èIJ Ŀ çĻ « çĹ « æŃ § å¼ Ĭ åª ½ çı Ĭ è¡ · éľ ī åŁº çĿ£ éļ ± æ° ¨ ç» ¸ å°¼ æĸ¯ çĥ ĺ æľŁ åĨħ è° ħ éĽ ĩ éļ Ļ å ĸī åī ¥ çĹ ĺ æĮ ½ çĵ £ æ¹ Ľ æ¨ ± æ¾ İ æ¹ ĥ åĨ¬ 奥 æ£ µ å® ° åŀ Ĵ æ§ ĭ ä¾ Ī èĮ Ħ åĺ ¿ èı ĩ ç ĻĤ åĬ ĥ é į èĶ ½ çŀ Ń æķ ŀ ä¹ ĸ éŁ § è¾ ľ æĩ Ī ä½ £ çŀ » åŁ Ķ èĪ ħ å®ŀ äºĭ é ¨ å§ ¥ çµ ¡ åĺ » çķ ¢ æ²ĥ å°Ķ è¿ Ħ èĤ ĩ æħ ij ã § ä ı ð ł ð¬ ĩ ð« Ń ð« IJ ã ³ © ½ ð« ł ã Ľ ð¬ į é ¿ ð¬ Ĵ ã Ļ 𬠤 ð ¬´ ð« ĸ ð ¤ ã ¬ ä ² ð« Ķ ð« ļ è¦ģ æ±Ĥ ä¸Ģ äºĽ å®ŀ çİ° èĢĮ ä¸Ķ åĽł æѤ çĶ± äºİ åħ³ äºİ çĦ¶ åIJİ æݨ åĬ¨ ä¸Ģ æł· æĮī çħ§ è¿Ļæł· çļĦ å½¢ æĪIJ æľī äºĽ æĽ´ åĬł ç»ı è¿ĩ 建 è®® æ²» çĸĹ ä½ł 们 æīį èĥ½ ä¿ĥ è¿Ľ åijĺ å·¥ ä½ĵ éªĮ èĪ ĩ åģļ 好 ä¿Ŀ è¯ģ æķ´ 个 æĺ¯ ä¸Ģ个 éĩĩ çĶ¨ çIJĨ 论 æ¯Ķ å¦Ĥ ä¸Ĭ çļĦ æݨ èįIJ çĶ³ 请 天 空 éĥ¨ èIJ½ åįģ åĪĨ æĿ¥ èĩª ä¹ĭ éĹ´ è°ĥ æķ´ æ¯ı 天 è°ĥ æŁ¥ æĤ£ èĢħ è¿ĩç¨ĭ ä¸Ń é¦Ļ 港 广 åijĬ éĿ¢ 对 满 足 éķ¿ æľŁ è§Ħ èĮĥ æķ´ ä½ĵ æĶ¹ åıĺ æĻº æħ§ å¦Ī å¦Ī å¦Ĥ ä»Ĭ åIJĪ åIJĮ éĥ½ ä¼ļ åĦ¿ ç«¥ åĩı å°ij éŁ³ ä¹IJ ç»ı 常 ä¸Ĭ å¸Ĥ ä¼ĺ ç§Ģ çļĦ éĩįè¦ģ ä¸Ģ æĿ¡ æµ· å¤ĸ åı¦ å¤ĸ ä¸Ģ 家 åİĭ åĬĽ 大 åŀĭ çľĭ çĿĢ åĪ Ģ 幸 ç¦ı æݨ 广 åIJ Ľ å¾ IJ æī¾ åĪ° äºİ æĺ¯ èĩª 身 ä¸Ģ ä½į åľŁ åľ° åĬł åħ¥ æİ¢ ç´¢ æ¢ ģ 主 åĬ¨ å°± ä¸ļ 女 æĢ§ çªģ çł´ ä¸įåIJĮ çļĦ è¿IJ è¾ĵ èĩª çĶ± å±ħ æ°ij æѤ 次 çļĦ æŶéĹ´ 家 éķ¿ ä¸Ģ个 人 æ£Ģ æµĭ åĨħ éĥ¨ 广 å·ŀ 缴 æĴŃ ä»İ èĢĮ è´· 款 åı¬ å¼Ģ æĶ¹ éĢł 人 çĶŁ å±ķ 示 æ¯ı å¹´ 女 人 çļĦ æĸ¹å¼ı æķĪ çİĩ å±± 举 æ¸ł éģĵ ä¼¼ ä¹İ æ¡Ī 件 åĪ© çĽĬ çľĭ çľĭ å¿ĥ éĩĮ ç»´ æĬ¤ å®Ŀ å®Ŀ ç½ij ä¸Ĭ 论 åĿĽ å°± åı¯ä»¥ ä¸į 足 æģ¢ å¤į å¸ĥ å±Ģ è´¡ çĮ® ä¸ĭ éĻį æİĮ æı¡ çļ® èĤ¤ å·¥ åħ· éĩį åºĨ åĵģ è´¨ æݨ åĩº çĶ· 人 æī¿ æĭħ çªģ åĩº èĢĮ è¨Ģ æ² Ł åįı è°ĥ æĺ¯ ä»Ģä¹Ī æ± ¤ æĴ ij çĭ¬ ç«ĭ çݯ èĬĤ æī© 大 æ´ ª æĿ ° çĽ IJ ä» ģ æ¶ī åıĬ èĢģ 人 åį³ 使 åįĹ äº¬ éħį åIJĪ é¬ ¼ çĪ¶ 亲 ç½Ĺ æĸ¯ å°ı åĮº æķĻ æİĪ åĨ³ çŃĸ é¢Ħ 计 æľ¬ 人 ä¼ ¯ ç« ¹ åĪ° åºķ å¸Ĥ æ°ij åĩº åı£ éĩĩ è´Ń æĢ» ç»ĵ æѦ æ±ī åĬł 大 广 举 æµģ ç¨ĭ 人 åı£ å¦Ĥæŀľ ä½ł åĩº åİ» åĩ ī åĨľ æ°ij çİ° 象 åĬĽ 度 ç»Ļ äºĪ åħļ å§Ķ è¯Ń è¨Ģ 线 ä¸Ĭ æĢİ æł· åĦ¿ åŃIJ ç¡® å®ŀ ä¹ĭ å¤ĸ éĥ½ åľ¨ èī ¾ çļĦ æĥħåĨµ éĩĮ çļĦ åĽ´ ç»ķ æĽ´å¤ļ çļĦ ä¾Ŀ æ³ķ åħ¬ åĽŃ 家 éĩĮ æ¯į 亲 ä¸į åĨį èĭ ¹ æ³ķ éĻ¢ 飩 åĽ½ 缸 å½ĵ ä¸į çŁ¥ è¯Ħ ä¼° ä¸į çĶ¨ 顺 åĪ© éĩį è§Ĩ è´¢ åĬ¡ ä»ĸ åĢij åıij è¡Į ä¸ĵ éŨ åħ· å¤ĩ 并 ä¸įæĺ¯ è¶³ çIJĥ é ŀĭ åıij 表 æ°¸ è¿ľ èIJ¥ åħ» éħį å¥Ĺ æķ´ åIJĪ è´ º åĽŀ çŃĶ æĶ¶ çĽĬ ä¹Ł 许 è» Ĭ æİ¥ 触 æĶ» åĩ» åĽĽ å·Ŀ æĢ§ èĥ½ åĽŀ åĪ° èħ ° ä¹Ł 没æľī å¼ Ħ 设 ç«ĭ éĺ² æݧ æĬĢ å·§ éĢļ 常 è´¢ æĶ¿ éĥ¨ ç½² åľº æĻ¯ æ±Ł èĭı 表 è¾¾ åĸ · 女 åĦ¿ èĪ ¶ çµ ¦ ä¼ļ åijĺ æĪĸ 许 äº © 举 æĸ¹ 天 æ´¥ è¿ij å¹´ çľĭ æĿ¥ æ¯Ķ ä¾ĭ å² © éĵ ľ çİ » å®ŀ éªĮ æĢĿ ç»´ æĭħ å¿ĥ æ² Ī 身 è¾¹ æ·± åĮĸ ç²¾ åĩĨ ç§ģ æľį æ¶Ī éĺ² åİ» äºĨ ç»Ĩ èĥŀ çIJĥ éĺŁ æĺİ æĺŁ é£Ł çī© å¾Ī å¿« 让 ä½ł ä¿¡ çĶ¨ åĶ¯ ä¸Ģ åħ¶ å®ĥ çŃī æĸ¹éĿ¢ å¾ĭ å¸Ī æŃ» 亡 æ Ł³ ä¸Ģ æī¹ ä¸Ĭ 涨 æľº åľº å½¢ åĬ¿ æĦ¿ æĦı éĽĨ ä½ĵ æĸ° åŀĭ æįŁ 失 æĽ ¸ ä¸ĭ åįĪ æ¯ı 次 æĪIJ å°± åħ¬ è·¯ èĻ « åĴ ± 西 å®ī æľĢ ä½³ ç§ij çłĶ å¤į æĿĤ æľº åĻ¨ çĪ± æĥħ çħ§ çīĩ å¹´ é¾Ħ è³ĩ æĸĻ ç² Ĺ åĩĨ ç¡® åĬł ä¸Ĭ åĩº çīĪ è° IJ 家 å±ħ èĥĮ æĻ¯ ä¸Ģ 线 äºĭ 项 åĬ¨ ä½ľ ç¥ ¥ æĢ» ä½ĵ æĪ¿ åŃIJ ä¹Ł å°±æĺ¯ å¤§ æ¦Ĥ é«ĺ æķĪ åIJ ¹ æİ ĪæĿĥ éĻĦ è¿ij æ¡Ī ä¾ĭ éĹ ¹ çĪ¸ çĪ¸ 彩 票 æĢ Ĵ 举 æĬ¥ æĻ® éģį çķĻ ä¸ĭ è¡£ æľį æĹłè®º æĺ¯ åħħ 满 æ·± 度 æ¡ ij æĪª èĩ³ 带æĿ¥ çļĦ éĻ µ æĦŁ æĥħ èµ ļ åĵª äºĽ æķ´ æĶ¹ æĪIJ çĨŁ å¨ ľ é¼ » çŁ Ľ çĽ ¾ 好 好 第 åĽĽ åĨł åĨĽ è´¢ å¯Į æľĢ 好çļĦ 车 åŀĭ éĸ Ģ åį³ å°Ĩ åĪĨ 为 éĿĴ å²Ľ 纷 纷 ä»Ĭ æĹ¥ å¹³ è¡¡ å¹³æĸ¹ ç±³ éĤ£ ç§į åĩº çĶŁ éĿĴ æĺ¥ äºº 群 人 å·¥ ä¹ĭ ä¸ĭ æ¹ĸ åĮĹ åľ¨ æѤ åįļ 士 æŶ åĪ» æ²³ åĮĹ æĶ¾ å¼ĥ éĢļ éģĵ 森 æŀĹ çĸ Ĩ æķ ¸ èĬ ³ æīĵ åĩ» æĽ ¹ åĮĸ åѦ æĥ³ 象 ä¸ĩ 人 è´¢ ç»ı åħĥ ç´ł ä¼ļ 计 åħ¨ ä½ĵ æĦ Ľ é«ĺ ä¸Ń æľº éģĩ 声 éŁ³ æĹħ è¡Į æµ © æŁ ± å°ij å¹´ åĽ½ å¤ĸ èijĹ åIJį çĶŁ åŃĺ å§ ľ 带 é¢Ĩ é¢ľ èī² ä¸Ĭ ä¸ĭ 产ä¸ļ éĵ¾ æĽ´ 好çļĦ å² Ń ä¼ĺ æĥł 便 æĺ¯ åħ§ 容 ä¸Ģ åıª çIJ ´ 梦 æĥ³ 秣 èµģ å¼Ģ åIJ¯ è´Ń çī© åĮħ åIJ« åĪ© çİĩ èµ· äºĨ æľī åĬĽ éĤ£ éĩĮ 审 æī¹ 对 æīĭ çİ° éĩij 天 çĦ¶ çĽ Ĵ çĪ ½ å¿ħ çĦ¶ åĮĸ å·¥ ä¸ĵ åĪ© åķ ¡ å¼Ģ å¿ĥ 人 ä½ĵ éģĵ 士 æĢģ 度 空 è°ĥ æĭĽ åķĨ å§ » 第 äºĶ æ£ Ĵ ä¸Ģ ç³»åĪĹ åį± æľº 转 åıĺ åľº æīĢ é¸ £ æĪ¿ éĹ´ éĢ ¼ è¯ķ çĤ¹ 对 å¤ĸ åĩº åı° åľ¨ è¿Ļ åİĤ 家 å·¨ 大 ç®Ģ ä»ĭ çľĭ äºĨ åħļ 建 æĮĩ æĮ¥ çŁ³ æ²¹ ä¸į åı¯èĥ½ èİ ² ä¸į 太 åĪĽ æĦı 第 ä¸Ģ个 è´µ å·ŀ è¿ĩ äºĨ æľ¬ æĿ¥ éģĵ å¾· çŃĶ æ¡Ī éĻ ¶ ä¸Ģ è·¯ èĤ ĸ æ¸ħ æ´ģ æľī æľº åIJį åįķ æĿ ± åij¼ åIJ¸ ä¸ Ī ç¦ı 建 è¯ķ éªĮ å¼ķ åıij ä¹Ł 没 ä¸į ä½ı çĨŁ æĤī èIJ ¬ ä¸į èī¯ çł ĸ èĩ´ åĬĽ çŃ¾ 订 åIJ Ĭ ä¾ ¯ çĺ ¦ å§ij å¨ĺ æĸ ¤ 妻 åŃIJ æĺ¥ èĬĤ çĪ ¬ æĽ Ŀ çĥŃ æĥħ éķ¿ æ²Ļ èIJ¥ éĢł éħ · éĵ Ŀ åŁºæľ¬ ä¸Ĭ åij¨ åĽ´ ä»Ģ 麼 认 åı¯ åĪĨ åŃIJ ä¸Ģ æĸ¹éĿ¢ è½ ´ å¼ · 马 ä¸Ĭ éĽ ¾ èĩ £ å° ¿ çĶŁ æĦı å®ī å¾½ ç¥ŀ ç»ı åĩº å¸Ń èį¯ åĵģ çIJĨ çĶ± åįı åIJĮ æµģ åĬ¨ åıij åĬ¨ åĿļ å®ļ 表 æĺİ åIJİ éĿ¢ ä¹ī åĬ¡ å¦ ĸ æľī åı¯èĥ½ å¹´è½» 人 大 éĻĨ å² ³ ä¸į èµ· çŀ¬ éĹ´ ä¸įå¾Ĺ ä¸į çŃ¾ 约 åIJĪ æł¼ åħļ æĶ¯éĥ¨ æµİ åįĹ ä¾¿ åĪ© éļı æŶ å¥ ī 称 为 产 æĿĥ åIJ ķ çĽ Ĩ 课 åłĤ ç· ļ æ£ ī 线 ä¸ĭ èĩª è¡Į 举 æݪ åݦ éŨ èĩª ä¿¡ å½± è§Ĩ ä» Ķ çĶŁæ´» ä¸Ń æĿĥ çĽĬ çĻ½ èī² å°± ä¸į è¿Ľ å±ķ æ¯ı æĹ¥ ä¾Ľ ç»Ļ æĿĥ åĪ© æĹł æķ° çIJĨ è´¢ ä¾Ŀ æŧ ä¸Ĭ åįĪ è¯Ĩ åĪ« çĽĪ åĪ© çł Ĥ 许 åı¯ åIJĮ äºĭ åĺ Ľ éģ ¸ çĿĢ åĬĽ éŨ åı£ ä¸į å¤ļ åħ¶ 次 ç¢ § çī© çIJĨ åĨħ å¿ĥ çĻ¾ å§ĵ æĢ» 绣 å¹² åĩĢ 积 ç´¯ åıį é¦Ī æłij ç«ĭ 社 交 ç§ © åįģ ä¸Ģ éĤ ĵ 驱 åĬ¨ å±ķ è§Ī èĪĴ éĢĤ åŁº åĽł å·® å¼Ĥ 转 让 å°ı å§IJ æł· åŃIJ ç¿ Ķ é«ĺ åħ´ å½±åĵį åĬĽ æīĭ ç»Ń 缸 åIJĮ 缸 åºĶ æĻ Ĵ è§ Ģ å¸Ĥ å§Ķ èĬ ¯ å±ķ çİ° åľ° çIJĥ éĤ ª ä¸Ģå®ļ çļĦ åħģ 许 ä¿¡ ä»» æī ij éĻ¢ æł¡ ç®Ģ 称 åģļ æ³ķ ä¹ĭ è·¯ æĹĹ ä¸ĭ èħ Ķ æ¶Ī 失 ä¸ĸçķĮ ä¸Ĭ åŁİ 乡 èĪŀ åı° å¾Ī 大çļĦ 绣 çŃ¹ åħ¬ å¹³ èĤ ¾ çļĦ 好 æ± ģ çľ¼ åīį éĽ £ å¹ ½ åħ± 产 主 åĬŀ å¤Ħ ç½ļ åº Ļ éģĵ çIJĨ å¼ µ æİ¥ çĿĢ çĮ İ çģ Į çĶ± æѤ 人 åĬĽ æµģ è¡Į ä¾ ł åı¯ä»¥ 说 èĴ ĭ å½¢ æĢģ æĹ¥ åŃIJ æ¼ Ĩ çķĻ åѦ 缸 éĹľ æľĢ å¤ļ åĩŃ åĢŁ åħ¬ 交 æĮĸ æİĺ æĿĤ å¿Ĺ 主 人 éļľ ç¢į æł¡ éķ¿ æĸ¹ ä½į ä¸Ĭ çıŃ å¤ļ åħĥ è ĥģ éŃħ åĬĽ èĮ Ĥ åħħ çĶµ 强 大 çĥ ¤ å¥ĭ æĸĹ å®ŀ çĶ¨ éĺ ģ ç»Ļ äºĨ æľ¬ ç§ij æł ĭ æĭ ¨ æķĻ ç»ĥ éĥ½ çŁ¥éģĵ æ¯ķä¸ļ çĶŁ ç¢ Ĺ åŀ Ĥ è® ¼ å®ģ æ³¢ åѦ èĢħ è°¢ è°¢ åŁİ éķĩ æĢİä¹Ī åĬŀ éģ Ķ æĪIJ 交 æ½ľ åĬĽ åį § æĸ° å¼Ģ éħį å¤ĩ 主 åĬĽ åij³ éģĵ çĥ Ĥ é£ŀ è¡Į å« ģ 大 大 ç»Ļ 大家 å¤ĸ éĿ¢ éĨ ī åıij è¨Ģ æĹ© é¤IJ åIJĦ èĩª å® Ļ èį£ èªī æĬ« éľ² é¡ ŀ åĨħ çļĦ èĤ ª è¾ IJ æ³ µ æĬ Ľ æĺŁ æľŁ ä¸Ģ 带 çĶŁ ç´ł ç»ı éĶĢ åĩ ¶ åľ° ä¸Ĭ åij½ è¿IJ åĵ ² ä¸Ĭ åİ» æĸĩ çī© è¯ ij æĮ¯ åħ´ éķ¿ æŶéĹ´ ç¥ Ń åIJĪ èĤ¥ è¿Ŀ è§Ħ èģ ª ä½İ äºİ éĢĤ å½ĵ æľī åºı æľ¬ ç½ij çķĻ è¨Ģ æĥ³ æ³ķ çŃ¾ ç½² å§ ļ æĢ§ æł¼ èĴĻ åı¤ æŁ ı åŀ « åѦ åİĨ ä»ħ ä»ħ 讲 è¯Ŀ éĶ IJ æĢ ĸ åī ª èĭ į åIJ ĵ 强 çĥĪ åģ¥ åħ¨ çĸ ¯ åı¤ 代 å¥ Ī ä¸į çĦ¶ 乡 éķĩ æľĭåıĭ 们 åĤ ħ èģ ½ 个 æĢ§ æ³ķ è§Ħ å°ı éķĩ çĶ» éĿ¢ 第 åħŃ ç¶² è·¯ åīį æĻ¯ åIJ¬ 说 ä¼ł åªĴ æĿ¡ ä¾ĭ åĪ« çļĦ ä¸į æĩĤ 顾 éĹ® 强 度 éĺ¿ éĩĮ èµ° åĬ¿ å¸ ½ çļĦ ç¡® åĮº åĪ« éĮ ¢ 主 管 ä¸Ģ çľĭ æĸ ľ åŃĺåľ¨ çļĦ ä» ² åį± 害 éĵ Ń æ¸¸æĪı ä¸Ń éħ ± é¾Ļ 头 人 å¿ĥ éĢĢ ä¼ij æµı è§Ī åĬ « éĺ² æ²» ç® Ń å± Ī è¾½ å®ģ å£ ¤ è¿İ æĿ¥ éŀ į çĶ¨ æĿ¥ 大 åľ° ä» ° éĢļ 讯 å¼Ģ å·¥ è£ ¤ å¦Ĥ åIJĮ éª ¤ éĺŁ åijĺ è½ © ç¾İ æľ¯ èĻ Ł åIJĮ ä¸Ģ åľ ĸ 书 æ³ķ æīĵ åį° åIJ« æľī éĽĨ æĪIJ éĹ · å¸Ĥåľº ä¸Ĭ æĹģ è¾¹ åľ° æĿ¿ 产çĶŁ çļĦ ç² ¤ éĩį ç»Ħ è¡Ģ 液 çŃ ĭ åĬŀ äºĭ 常è§ģ çļĦ ä¸Ĭ åįĬå¹´ å±ı å¹ķ åIJī æŀĹ å· © åĸľ çĪ± ç¿ ł ä¸ī ç§į æ¡Ĩ æŀ¶ 举 èİŀ çĶĺ èĤĥ èĬ ¬ åĽ¾ 书 åĩ¤ åĩ° æ°Ķ åĢĻ å° ´ å° ¬ 两 天 è¾ħ 导 åĢŁ 款 æĹ¥ èµ· æ´ Ĵ ä¸Ģ 度 è¹ Ī æ½ Ń æī ĩ çĻ ľ æĸ° åħ´ åĤ ² 诸 å¤ļ è´ ª éĻ· åħ¥ èĪ Ł èĤº çĤİ ä¸Ģ æł·çļĦ åİ ĺ åľ° çIJĨ æĬķ 注 éļ Ĭ åħī ä¼ı ä¿Ŀ åģ¥ åħ Ķ åħ¬ åĬ¡ æīĵ çł´ çĶ· åŃ© åĬ³ åĬ¡ ä½ł ä¼ļ çĶ¨ åľ° æº ¢ åıij è¾¾ èĤ ļ è¿ĩ äºİ èĩ Ĥ éĢĻ 樣 è½» è½» ä¸Ń åħ± åIJĦ åĽ½ åĶ ĩ å®ŀ ä¹ł èĻ ¾ æ§ ½ ä¸į ä¸Ĭ åħį çĸ« åįł æį® å·¥ ä¼ļ åĽ Ĭ èĪª 天 åı¯ çĪ± æĸĹ äºī çĺ ¤ å¦Ĥ æľī éĽ ĸ 对 æĪij åĩº 秣 好 çľĭ 太 大 æ°´ åĪ© åĬ¿ åĬĽ åħ¨ æ°ij ç½ ¢ èµ¢ å¾Ĺ çĶµ ä¿¡ 车 éĹ´ æĻĤ åĢĻ å°ij æķ° éĵ ¸ åħ³ èģĶ ä¸įä»ħ ä»ħ 为 æĤ¨ åĴ ¸ æľº åĬ¨ è£ Ļ åĵį åºĶ éģ ł è² · ç© ´ å¢ ħ éĶ ¡ çµ Ħ çģ« 车 è³ĩ è¨Ĭ åĨ³ èµĽ 污 æ°´ èª ŀ å´ Ľ ç´§ å¯Ĩ 缺 å°ij å¤ļ 人 æĢ» 书记 éĶ Ī èij Ľ å¿ĺ è®° éĻĮ çĶŁ éķ¿ 大 åħĪè¿Ľ çļĦ ç¡ ħ åıij æĺİ å©´ åĦ¿ æīİ å®ŀ èĽĭ çĻ½ ä¸Ģ çĻ¾ 缮 åħī æ ħĮ åĬł æ²¹ åIJ ŀ ä¸Ģ 群 ä¸Ń ä»ĭ å¸ ĸ å¿ Į èģĮ èĥ½ 广 æĴŃ çĽij å¯Ł ç§ĺ å¯Ĩ çĭ ® è¿Ļ æĿ¡ éĢ ¢ æĢ ¨ åįģ åħŃ è© ¦ 说 åĪ° åĩĿ èģļ æĮĩ 示 æ° ¢ å¼ ĺ éĺ Ģ æĸ © éł ħ ä¸Ģ å¼Ģå§ĭ æİĴ è¡Į åľ¨ æĪij 纪 å½ķ æĬ Ħ æł ª 说 æ³ķ ä¸Ń èį¯ 好 å¤ļ åıª ä¸įè¿ĩ çķĻ åľ¨ 个 å°ıæŶ 认 çŁ¥ çķ « è§ģ è¿ĩ å°ı å¾® ä½Ľ å±± çľ ¾ 讲 è¿° æ¢ ³ 称 åı· æĹ¥ æĻļ è¢ ĸ åķ ¤ æľª ç»ı æľĢ æĹ© æī® æ¼Ķ è¡Ģ 管 çº ± æĥħ èĬĤ 第 ä¸ĥ æį § ä» Ĺ æ¿Ģ çĥĪ æĹł 线 ä¸į 容æĺĵ å¼Ģ å¹ķ æĸ° çĶŁ ä¸ĵ 注 èij ± åįĹ æµ· çĩ Ł èµ· ä¾Ĩ æ´¾ åĩº åĦ Ĵ ä¾ ¨ è¼ ĥ åįļ è§Ī éĢ ¾ åĮ Ģ ç»ıæµİ åѦ æ¸ Ĺ ä¿Ŀ èŃ· çī º çī ² çİ « çij ° æľĢåIJİ ä¸Ģ æĶ¿ åĬ¡ æ§ Ľ èĻķ çIJĨ éļIJ æĤ£ æī¿ åĮħ æ¥ µ æ¡ © çĽ ² 导 åIJij èĩ´ å¯Į ç¼ Ĩ æģĭ çĪ± ä¸į åĬ¨ ç»Ļ 人 å· ¢ 表 æĥħ 举 åįĹ åĨħ å¤ĸ è¾Ī åŃIJ åı ī åįļ ä¼ļ åĬŁ æķĪ æ¸ ´ å± ¬ æİĴ éĻ¤ éĢ Ľ ä¸Ģ ä¼ļ ä¸į å¼Ģ å¼Ģ å¥ĸ é»ij é¾Ļ é»ijé¾Ļ æ±Ł å¿« ä¸ī 度 åģĩ åĿ ¤ éĤ® 件 æĩ Ĵ ä¾Ľ çĶµ å» £ 好 è¯Ħ ç§ĺ书 éķ¿ æĪĺ åľº 好 å¥ĩ ä¾µ æĿĥ æĨ ¾ æľĢ åĪĿ æī¹ åıij åİ ķ è¼ ķ æŀ ¯ ä¸ļ åĨħ è´Ń æĪ¿ ä¸į åľ¨ 纪 å§Ķ æīĢ éľĢ å¸Ĥ éķ¿ è³ ½ å¼ķ æĵİ çģµ éŃĤ éĬ Ģ æ» ¤ çĿ IJ å¤ļ 项 åĽŀ 头 èī ĺ å¤į å·¥ éĥ¨ 件 ç´§ ç´§ æŁIJ ç§į 使 åħ¶ æĸ° 人 æŀ ļ æ³ķ å®ļ å·´ å·´ 涵 çĽĸ ç¨ » æĭ ¾ æĻ ķ è½ ¿ éĢļ è¡Į åĵ Ģ æ³ Ĭ 温 馨 éĽĨ èģļ çĨ Ļ åĩ ij åįģ ä¸ĥ æ°Ķ æģ¯ æıIJä¾Ľ çļĦ æ³ ³ 奥 è¿IJ çģ¾ 害 åĩĢ åĮĸ è·¨ è¶Ĭ åĵª æĢķ éŁ ¿ å¢ŀ æ·» çĦ Ĭ æ®ĭ çĸ¾ ç¢ Į æĤ Ķ è§ģ è¯ģ è¾ĸ åĮº å¿ĥ èĦı éļ § åį ¸ åı¯èĥ½ æĢ§ æľī 趣 åī¯ 书记 åĮĸ å¦Ĩ ä¿ Ĥ æ£ ļ éĨ ĩ 带 头 éł Ī 追 究 æij Ķ è¿Ļ éĥ¨ ä¸į 论 ç¥ ¸ å ³» éģ ķ çĶŁ èĤ² å¤ ł å¤ĸ 交 è¯Ħ 为 ä»İ å°ı å°ı å°ı é ¥¿ æĴ ¼ è·¨ å¢ĥ 被 åijĬ åįĹ å®ģ 身 å¿ĥ åĨį çĶŁ æīĢ 说 æŶéĹ´ åĨħ åĪĹ åħ¥ éĿĴ æµ· çĪ± 好 çª Ħ èĪ Ī è¿ĩ 渡 æ¿ Ł éĽ Ģ 审 è®® åĽ½ èµĦ æŃ¥ ä¼IJ 轨 éģĵ ä¿¡ 念 ä¸ī åĪĨ çĨ ¬ åѵ åĮĸ ç¼ ł éĥ Ĭ èĪĴ æľį 纪 æ£Ģ ä¸Ģä¸ĭ åŃIJ 鼻 話 è² ł éĴ ¥ åĮ Ļ çĹ ´ è¶ ģ ç» £ çĪ µ è½ ° éª Ħ å§ ¨ æĭ ĺ çĮ ´ è® ¶ è¿Ļ 座 çį ¨ æ·ĺ æ±° çĹħ ä¾ĭ æ²Ļ åıij è§Ĩ 为 头 æĿ¡ å¿ħè¦ģ çļĦ åı¯ è°ĵ è¯Ŀ 说 ç¯ Ħ æĹ© çĤ¹ æŀ¢ 纽 ç¾ ¡ çĪ± åĽ½ çªģ åıij éĢ Ĭ æ½ į èį£ èĢĢ èŁ ¹ æ¦Ĥ çİĩ å¾Ī ä¹ħ æĥ ķ è¨ ´ åľĨ 满 çļ ± åĪĨ æ³Į åħħ 足 çľĭ æ³ķ è¾ Ł æĭ ¦ æĭ © 对 åºĶ 为 æł¸å¿ĥ èħ Ĭ å¤ļ ä¹Ī æµ ij å®ı è§Ĥ èĦ ĸ åIJĪ èµĦ çĶŁ 涯 å®ŀ è´¨ ä¼ĺ çĤ¹ çĶ¨ æ°´ 寿 åij½ æ² « åIJ ģ è© ¹ åĽ½ éĺ² å´ © åĿ İ èĨ ı ä¸Ģ è½® éģĹ äº§ æ¹¾ åĮº ç» İ åįķ 纯 æ¾ Ħ åīį åĪĹ èº« å½± é»ĺ é»ĺ æį ī çĴ ° èı Ĭ æĢ ľ åħĭ æĢĿ æĢ» å±Ģ çĩĥ æĸĻ ä¸ļ æĢģ åIJĦ æł· åĴ ½ åĩº èī² åĪĿ å¿ĥ åı Ľ çłĶ 讨 è¡ « åİĨ ç¨ĭ ç¦ ½ è¶³å¤Ł çļĦ èį Ĩ çľĭ å¾ħ è´ © åĨ³ å¿ĥ è£ ¹ å¸Ī èĮĥ åŀ Ħ æĿ ł åĩ ¸ çĬ¹ 豫 çĥŃ è¡Ģ åIJĪ ä¼Ļ éħ µ èIJ½ åľ¨ åįł åľ° è¡ ¬ èĵ ī æĦ ¤ æ¸ Ĭ åĪĨ æķ° ç¬ij çĿĢ 太 å¹³ çĤ « æݨ ä»ĭ æĸ¯ åĿ¦ å½¢ 容 æĵ Ĭ æĦŁ åħ´è¶£ åĨĽ 人 åĩĮ æĻ¨ 对 çħ§ åıij çĹħ å· ¾ èĪ ī æª ¢ ç¬ij äºĨ ç¡® è¯Ĭ è´Ł åĢº 壮 大 æĪ ļ äºĴ èģĶ èª ² èħ ¦ æĹ ± åıĹ æ¬¢è¿İ åį ī éĻ¢ 士 æ© ¡ ä¸Ģ 对 è¾ ± æ² Ĥ åı² ä¸Ĭ æIJ ı å´ ĸ 代 è°¢ ç£ · é¡ ĺ æµ ĩ 常 çĶ¨ åį ij åĩº åĽ½ è¯ ł 稳 æŃ¥ ç»ı 纪 å¤ļ å¤ļ æīĢ å¾Ĺ 为 主é¢ĺ ä¸Ģ åĪĨ æł ½ é¡ § çº ² åĥ ħ å£ ĵ åĦ ª ç¿ ° æİ Ģ 人 为 åª ³ æ´ ½ èĿ ¶ å¤į åħ´ ä¼ļ å½±åĵį åIJĦ çķĮ éĤ£ ä¸Ģ é¢ ¤ çĢ ı çĢı 覽 å¯ ŀ åı¯ æĢķ åį³ æŶ çķ ´ ä¸ĭ åįĬå¹´ ç¬Ķ è®° éĻĦ åĬł çĥŃ æ°´ å¥ ¸ ç£ ħ æĿ ī æ¸ħ åįİ éĸ ± ç° ¡ å¤Ħ å¤Ħ åIJĪ éĩij æ²³ æµģ ç´ ° è´Ł éĿ¢ çļĦ 羣å®ŀ åĻ¨ 械 èĴ IJ 西 äºļ å· ħ ç² ¹ åİŁ æĸĩ æŀ ķ è¡Ģ åİĭ åļ ´ å¸ ĺ åĨ Ģ æĮ « çĶµ è·¯ å°ı ä¼Ļä¼´ èĿ ´ æľĢ å¿« æĭ Į å® ª æĸ · ç¿ ħ åĴ ³ åĹ ½ ç¾ ŀ 躺 åľ¨ èµĽ 车 æ² IJ éĻIJ 度 为 ä¸Ģä½ĵ èĴ ľ å¹ « æIJ ħ åĭ ĭ åī ĸ 纳 ç¨İ éķ¿ æķĪ ç½ ķ åī¯ æľ¬ ç© į éĴ © ç¹ ¼ åĽ½ åľŁ è¼ ī ä¸į å¿ĺ èѦ 示 çģ ¿ å¿ĥ å¾Ĺ æĦ ļ 忽 çķ¥ åĽŀ äºĭ åįł æľī æ· Ħ çī ¡ çĽij äºĭ ç¿ ¡ éĴĪ对 æĢ§ çª ĥ è£ ½ èĨ Ŀ ç³ Ł 港 æ¾³ 太 太 æ¾ ¡ ç»Ĩ åĮĸ åĶ® åIJİ å®ŀåľ¨ æĺ¯ ç« £ çį ² åĢ¾ åIJij å¼ķ çĶ¨ é¹ ħ ç¬ij 容 ä¹IJ 趣 æ°ij æĶ¿ éŨ æĪ· å± ģ è¿· 失 éĶ Į å°ı 康 åĭ ī æ³ ¼ ä¾ĭ åŃIJ ä¸ī ä½į å» ł èĶ ĵ 广 éĺĶ èĢ į èĢģ èĻİ åĭŁ éĽĨ èĦļ æŃ¥ æĭ ¯ åŃĹ åı· çĦ ° é¢ ł èļ Ĥ èļ ģ é£ ¯ 人 æĢ§ æĴ ° åİ ¢ å±Ģ éĻIJ æľª æĪIJ åĵª åĦ¿ 大 åıij ä¸į å®ļ å¾ģ æ±Ĥ éĥ µ åĢº æĿĥ çĪ± ä½ł èº ģ ä»ħ ä¾Ľ è¿ľ å¤Ħ éĨ Ľ åĥ µ 积æŀģ æĢ§ æİ ¡ åīį ä¸ī äºİ ä¸Ģä½ĵ çŀ Ħ çĿ ģ æ² ¸ åħ± èµ¢ éĢĢ å½¹ è´Ŀ å°Ķ æİ ı æĪ ² è¡ į éĶ Ĥ ä¸ĩ ä½Ļ ç§ij åĪĽ æ¼Ķ åĶ± 欧 åħĥ æ·¡ æ·¡ éĿĴ å±± èĹ Ŀ ç» ½ 令 çīĮ éĽĨ 群 ä½ľ çī© çĢ ij å¤ ¯ ç½ij 游 åħ« 大 éª ļ èª ĵ ä¼ļ å±ķ åħļ åı² æ£Ģå¯Ł éĻ¢ åĸ ĺ éĺ ± èĢĮ åĩº éĢļ 车 éĴ ĵ æĥħ 人 æ¸ Ľ ä¸Ń ç§ĭ çĪ Ń åıª åī© æĺ Ķ éĩİ çĶŁ ç¡ « èIJĿ åįľ æĬµ æĬĹ çĻ« çĹ« éĻ Ģ èĶ ļ å¸ ľ 满 满 èı ± éļĨ éĩį æĺŁ çº§ æ½ ĩ åħ¬ åħĥ è° £ æ¯Ķ äºļ æ¡Į åŃIJ èµ £ è² ¼ æĦ¿ æľĽ é¡ ½ æ´¾ éģ£ ç¥ Ľ åª ļ éĺ ľ èij « èĬ ¦ æ³ » å¡ Į çĭ Ń å»ī æĶ¿ å¥ij æľº æĹĹ èĪ° æĥ « 严 åİī åıĭ æĥħ å¦ Ĭ å¨ ł åĵª 家 èĨ ¨ è¶ Ł æĮ ª èĻ IJ é łģ çŀ © éº Ł ç¨ £ èģĶ éĢļ åı ® çİĭ èĢħ ä¸į ç¡®å®ļ ç ijľ è° İ çī¢ è®° ç¢ ¼ æĬ¤ èĤ¤ é¡ · çĦ ķ åģļ 强 éļ± ç§ģ éļ±ç§ģ æ¬Ĭ åıĹ å®³ ä¸į çĶ± çĥ ¹ é¥ ª é© ³ ä¼ ½ ä¸Ŀ 绸 è¥ Ħ åįģ ä½Ļ éº Ĺ æ¬Ĭ åĪ© èģ ŀ åı¤ èĢģ éģ ı åIJĦ å¼ı å°± è¡Į åħ¥ å¢ĥ ç ĥģ èľ ĺ èĽ Ľ çº ¬ çŁ « è» Ł æ´Ĺ è¡£ æĦ § é¢Ħ æ¡Ī éľ Ĩ æ·± åİļ éĺ¿ æĭī åĨĻ åŃĹ åį ¦ éķ Ģ 模 æł· åĤ į æIJ į èĸ ¯ åł ħ åħ¬ 积 è¨ İ ä¼ł æŁĵ æ¯ ¯ çIJĨ å·¥ åĨ· éĵ¾ ç«ĭ æĸ¹ æ¢ Ń åľ£ è¯ŀ 综 èīº çİ© ç¬ij æĥ³ ä¸įåĪ° æijĩ 头 æ· ¹ åģĩ æĹ¥ åĢ ĺ èĢ ½ èİ ĵ åŁ · èĩª è´¸ åįĬ 天 æª Ķ æ¾İ æ¹ĥ éķ ij ä¸ « éĩĮ ç¨ĭ å¼Ģ èįĴ èı ı å®Ŀ è´µ èŃ ¬ åķ Ł æŁ ł æª ¬ é© Ń æ± Ľ çĨĬ çĮ« èķ ī éļı ä¹ĭ å± ij è¾ĥ 强 èĥ ³ èĨ Ĭ éĿĻ éĿĻ åĴ ª æĭĽ åij¼ 代 è¨Ģ ä¿¡ ç®± è£ħ éħį æĤ į åįķ 车 èIJ İ å¤ļ 彩 éĻ ¸ ä»İ 严 æ© Ħ æ¦ Ħ éĢ ® éĩĮ æĸ¯ 姿 æĢģ 太 æŀģ éĩ Ŀ æº ī è¿ Ń ç§ ¸ ç§ Ĩ å·¥ å§Ķ æ± ķ èģ Ĩ ä½ ¬ ç¼ ħ çĶ ¸ åī¯ å±Ģéķ¿ éĹ º èª ¤ è¤ IJ ä¸į éĻIJ èħ ķ åij ķ çŁ ¶ åĨľ 家 管 å§Ķä¼ļ é¥ º èĬ ľ æ¾ Ī è© ¢ å¨ģ å°¼æĸ¯ ä½ķ åĨµ å°ı ä¼Ļ 奢 ä¾Ī è¿Ļ ç¯ĩ è¯ µ ç«ł ç¨ĭ ç´ Ģ éIJ ĺ éĤ ¢ ç³ Ļ ç¼ Ģ ä¹ Ĵ ä¹ ĵ çī¢ åĽº åĿ ŀ å¼ Ī ä¾ĭ å¤ĸ å» ³ è§Ħ ç«ł èĬ Ļ ç¯ · èº ¯ æł Ī åĿļ å®ŀ åŁº 建 çĿĢ çľ¼ ç· ´ èij © ç¼ ļ æ¦ Ĩ 主 åĭķ ç¥ Ģ äºĴ éĢļ å°¤ 为 å® Ľ éª ¼ æ± ² ä¾ ĥ æĤł ä¹ħ æij § æĭ ĩ é« ĵ éº Ĵ éĻ Ľ æŀ ¸ æĿ ŀ è´ ¬ å°ı é¾Ļ åĵ ® èĵ¬ åĭĥ åĮ Ī çķľ çī§ å¨ © 个 å¤ļ æ² ¥ æĺ § çĦ ļ æĬij éĥģ çĸ ¡ èĺ ij éģİ ç¨ĭ æ© ± éĿ ĵ 大 çIJĨ é« ¦ åĪĨ 辨 æ¸ ¤ çĸ ¤ åĬ¨ èĥ½ å¼ł 家 ä¸ĩ åįĥ æ» ¥ é¥ ¥ åºŁ å¼ĥ å¸ ³ æ¼ ³ è± IJ ä» ij å« ī å¦ Ĵ çŀ Ĵ è¡ ħ çĭ ¸ å¾ģ ç¨ĭ éĤ ¯ éĥ ¸ ç¥ Ī ç¥ · è¶ ´ ç»ĵæŀĦ æĢ§ è§Ĩ åIJ¬ è¬ Ŀ çĴ Ģ çĴ ¨ åĩº å¤Ħ è¯ Ģ å¾ ĺ å¾ Ĭ çľ ¨ åĸ ĩ åı Ń åĺ ² çķ ¸ å¹² äºĭ æļ § æ² Ľ åĦ Ħ å» ĵ åİ¿ éķ¿ èĥ ļ çIJ ¢ çŃ · éĩ ĭ ä¾ ® åIJ © åĴ IJ åĮ ¿ æĬ¬ èµ· æ³ £ æ¶ ¤ éº ½ æĽ Ļ åī¯ éĻ¢éķ¿ åħļ åĴĮ æķ£ åıij 润 æ»ij åĵ º æĥ ¬ 漫 éķ¿ ä¸į æĩĪ åŁ ł åĹ ĵ èĢģ çĪ· è® ½ æĪĺ ç»ĦåIJĪ æ£ ł åħ¨ åŁŁ èł ¢ è¯ ¡ åīį çŀ» æķ Ľ ä¸Ģ å°ģ å¹ Ĥ èİ Ĩ è¯Ŀ è¯Ń ç»Ĩ åĪĻ å± ¿ åµ Į éĢ į åĺ ± æ¸ ² çĥ ¯ çĿ ¹ é¦ Ĵ èħ ¥ æĬĹ åĩ» çĿ « èį Ķ éļ İ æ³ī æ°´ è¬ Ĥ ç Ĥ¬ åĩı æİĴ è¸ Ĭ è ·» æ· Į éľ ¾ å¥ĩ 纳 å¯ Ŀ æ¤ İ æŁ ¬ æĸ¯ åŁº åħ¬ ç«ĭ è¨ ĵ é£ Ļ é© ¿ åĤ µ èĽ Ļ ç¯ĩ ç«ł åĪĨ æĶ¯ ä¸Ĭ å¹´ çŃ Ŀ ç¼ ¤ èĢģ æŧ åĻ ¬ æľ ¦ èĥ § æ¶Ī è²» æĵ Ķ æ¦ ´ æ¿ Ĵ ç³ ¯ æ³ ¸ æį Ĩ ç» ļ èµ İ çIJ IJ èµ Ĥ æħ ® æ² Į çĦ Ļ æĴŃ æĬ¥ æ· ĩ åĪĩ åħ¥ çij ķ çĸ µ éģ ´ ç¨ ļ ç© © èŀ ĥ æ£ ķ æĨ § æĨ ¬ ä¼ º æ¯ Ĺ æį į æĬ ī ç´ Ĭ å¼ Ľ æĭ Ń æĹı èĩªæ²» åĿ · ç« ¶ è© ³ è¿Ħ ä»Ĭ è° ´ çŀŃ è§£ æŁ ¿ é¢ Ĭ ç° § çĥŁ èĬ± ä¾ ¥ çĿ ¦ éħ Ŀ æ° ĵ çIJ ī å§ Ĭ æ² ® æħ · èľ ķ çij ļ éĩĩ çŁ¿ åł ° åºķ èķ´ èĨ ³ è¾ ķ éŁ Ń åĴ Ļ ç² ½ åī Ķ æ² ¦ èĤ ´ éķ ¶ æĺ ¼ è¾ Ĺ å© ª åĮ ® æĸ ĵ æ± ¶ éĥ ´ éł » çª Ĵ è¢ ± åĽ ± èĢ ĺ è ļĮ çĭ Ļ çĹ ¹ ç¥ ī æı ® æ· Ĩ ç£ ĭ éĺ ª æ « ã ¸ Ļ ¶ ã ij 𣠲 ä ¢ ã Ń ð¬ ¨ ð¬ Ģ 𬠮 𬠯 ð¬ ľ 𪠨 ð« Ĺ ð¬ Ĭ 𬠱 ð¬ Ł ä İ ð ¡ ä ĥ ã ł ð © ð© ¾ 𬠺 ð¬ Ļ ãĢ Ķ ãĢ ķ çļĦ æŶåĢĻ æľīéĻIJ åħ¬åı¸ ä¹ĭ åIJİ ä¸ļ åĬ¡ åķ Ĭ èĻ½ çĦ¶ æĭ¥ æľī äºĴ èģĶç½ij éĤ£ äºĽ ä½ł çļĦ åĨ³ å®ļ éĻ¤ äºĨ åĽ¢ éĺŁ åı¯ æĺ¯ ä»¥ åIJİ ç¤¾ åĮº çļĦ éĹ®é¢ĺ 并 ä¸Ķ æķĻ å¸Ī å°± ä¼ļ 天空 éĥ¨èIJ½ æľĢ ç»Ī å½ĵ çĦ¶ ä¹Ł æľī ç¡® ä¿Ŀ æĥ³ è¦ģ è´Ń ä¹° 人 çļĦ åIJ ´ çļĦ åıijå±ķ ä¸į çŁ¥éģĵ 软 件 æĪij们 çļĦ çĪ¶ æ¯į åī ij èĢĮ æĺ¯ å®ī æİĴ åIJİ æĿ¥ çļĦ åľ°æĸ¹ èµ µ èĢĥ è¯ķ çªģ çĦ¶ ä¸Ģå®ļ è¦ģ åĪ¶ ä½ľ è¯Ħ ä»· åħį è´¹ è´¹ çĶ¨ 绣 ä¸Ģ çĦ¶ èĢĮ è¿Ļ 次 éĿĴ å¹´ 人 ç±» äº ¦ 让 人 è´Łè´£ 人 éĩĩ åıĸ çļĦ äºĭæĥħ ä¹Ł ä¼ļ 车 è¾Ĩ æĽ´ æĺ¯ å¼º åĮĸ æĪij åĢij 以 åīį ä¼ĺ åĮĸ å§Ķåijĺ ä¼ļ åĽ° éļ¾ å¹´ 度 ä½į äºİ æĮĩ åĩº åĨį 次 åĬŀ çIJĨ æ¯ı 个 对 æĸ¹ è¿Ľè¡Į äºĨ æľĢ é«ĺ 课 ç¨ĭ 身 ä¸Ĭ æĽ¾ ç»ı åĮ» çĶŁ å®ī è£ħ æľ ± è¿IJ è¡Į åıĮ æĸ¹ æľĢ 大çļĦ æŀĦ 建 è¿ŀ ç»Ń çļĦ å°ı 她 çļĦ çŃī çŃī æĶ¹ åĸĦ åIJĦ ç±» éģĩ åĪ° æľī çĿĢ 人 çī© æĢ» æĺ¯ è¿ħ éĢŁ åĪ¶ å®ļ å®ĥ 们 å®ĺ ç½ij è¿ĺ è¦ģ ç»Ī äºİ æĪ¿ åľ°äº§ è¯ģ æĺİ èĤ¡ 票 åºĶ å½ĵ èĭ± åĽ½ è¿IJ çĶ¨ æľĢ æĸ° 享 åıĹ è®© æĪij æĻļ ä¸Ĭ å¾ ŀ å°ı 说 å°¤åħ¶ æĺ¯ è®Ń ç»ĥ åħ¨ å¸Ĥ æĮij æĪĺ æľī çĤ¹ 带 çĿĢ çļĦ ä¸ľè¥¿ é£İ æł¼ é»Ħ éĩij å¼ķ 导 æѤ å¤ĸ æľĢ è¿ij 追 æ±Ĥ 强 è°ĥ ä¹Ł åı¯ä»¥ æĦŁ åĪ° èĩª æĪij çī¹åĪ« æĺ¯ æĪIJ éĥ½ éĢIJ æ¸IJ å¿« ä¹IJ ä¹ĭ ä¸Ń æĬķèµĦ èĢħ ä»ĸ们 çļĦ æ° ı å·¥ä½ľ 人åijĺ äºĨ ä¸Ģ个 åķ ¦ ä¸Ģ åĢĭ åŁº å±Ĥ æ²Ł éĢļ 第ä¸Ģ 次 并 没æľī çļĦ å·¥ä½ľ åľ¨ è¿ĻéĩĮ æŀ ª æĶ¯ æĴij æŶ å°ļ æĿ¥ åĪ° æĶ¶ è´Ń éĿ© åij½ æĺ¯ ä¸įæĺ¯ è®¨ 论 ä¸ļ 绩 å°± èĥ½ ç«ĭ åį³ è¡Ĺ éģĵ åľ¨ ä¸Ģèµ· æľĪ 份 é«ĺ 端 å¾Ī éļ¾ ä¿Ħ ç½Ĺæĸ¯ æīĭ 段 åģļ åĩº ä¼Ĺ å¤ļ å®ŀ è¡Į æīĵ å¼Ģ 游 客 ä¾Ŀ çĦ¶ å°± åĥı 离 å¼Ģ 说 éģĵ æĸ° èĥ½æºIJ æº ª äº ķ 令 人 ä¸Ģ åľº æĪij æĥ³ 两 人 èĩ³ å°ij çļĦ çĶŁæ´» æĺ¯ ä¸ª èĭ± è¯Ń æ²Ĵ æľī æĢĿ èĢĥ éĻIJ åĪ¶ åı° æ¹¾ ä¸Ģ æŦ çļĦ ä¸Ģ个 é«ĺ 级 åĬŀåħ¬ 室 å¾· åĽ½ æĪij å°± å®ļ ä½į éĢĤ åºĶ æĮĩ æłĩ åħ¨ çľģ ä¸Ĭ è¿° å®ĥ çļĦ åĽŀ 家 欧 æ´² éĵģ è·¯ é¼ĵ åĬ± çļĦ å½±åĵį é«ĺ æł¡ 天 ä¸ĭ é«ĺ è´¨éĩı æĿŃ å·ŀ èµĦ 讯 æĶ¾ åľ¨ æľī ä¸Ģ个 å°± è¦ģ ä¸Ĭ éĿ¢ 解 éĩĬ éĢIJ æŃ¥ å°½ 管 æľī ä»Ģä¹Ī çļĦ äºĭ çĻ» è®° 人æ°ij å¸ģ è§Ĥ ä¼Ĺ è§Ĥ å¯Ł çĶµ èĦij çļĦ åIJĮæŶ ä½ľ ä¸ļ 宣 å¸ĥ çļĦ ä½ľçĶ¨ åĽŀ æĿ¥ éļ¾ 以 æīĢæľī çļĦ å°ı åѦ æıIJ åīį æ¤į çī© åĩ ¯ ä¸Ĭ äºĨ å°± åľ¨ åħĪ åIJİ æīĭ æľ¯ éĥ Ń éĿ¢ åīį æ¯ķ ç«Ł äºĮ æĺ¯ çº¢ èī² éĺ³ åħī èĭ¹ æŀľ å¾Īå¤ļ 人 ç»Ļ æĪij åĵ ¦ çľ¼ çĿĽ éł Ń ä¸Ģ æĺ¯ åıijå±ķ çļĦ åıį åºĶ æĪ¿ å±ĭ æľŁ å¾ħ ç§į æ¤į æĸĩ åѦ åį³ åı¯ é¦ĸ 次 èĭ± éĽĦ å¤ļ 次 åĮħ è£ħ æ²³ åįĹ ä¹ĭéĹ´ çļĦ ä»į çĦ¶ åIJ¬ åĪ° èij£äºĭ éķ¿ è§Ħ åĪĻ ä¸Ģ 份 大 ä¼Ĺ 使 å¾Ĺ è¿Ľ åı£ ä¸Ģ çīĩ æĢ§ çļĦ çļĦ 大 æĪij æĺ¯ äºĴ åĬ¨ æ° £ çļ Ĩ åħ¬åı¸ çļĦ ä¸Ģ è¾¹ åıĬ åħ¶ èī¯ 好çļĦ æĭĵ å±ķ å½ĵ å¹´ 广 åľº åģļ äºĨ åŁº äºİ æıIJ éĨĴ åħĦ å¼Ł èĢģ æĿ¿ è¿ij æĹ¥ çĬ¶ åĨµ 注 éĩį åĪļ åĪļ è°ĥ çłĶ å¿ĥ ä¸Ń æĬĬ æı¡ éļı åIJİ ä¸į å¤Ł åĪĽ ä½ľ ç«Ļ åľ¨ 缸 äºĴ çĸ«æĥħ éĺ²æݧ å¹´ 代 带 åĬ¨ 伤 害 ç«Ł çĦ¶ å¼ķ è¿Ľ ç´¯ 计 让 æĪij们 åĽŀ æĶ¶ æĬ¥ åIJį åĬ© åĬĽ èģĶ 缣 çŃĸ çķ¥ åij¨ è¾¹ åĭ Ĵ è¿ĺ åľ¨ æµģ éĩı 寻 æī¾ çĶµ åĬĽ èĪ¹ èĪ¶ è¿ĺ èĥ½ æĭħ ä»» çļĦæĥħåĨµ ä¸ĭ çļĦ åİŁåĽł 缺 ä¹ı çIJĥ åijĺ å²ģ çļĦ çĶ· åŃIJ å·¥ èµĦ è¿ijå¹´ æĿ¥ åij Ģ æıIJä¾Ľ äºĨ 她 们 家 åħ· çĩ ķ è½» æĿ¾ æł¡ åĽŃ èĢĥ æł¸ åį± éĻ© åħļ ç»Ħç»ĩ æĢ» ç»ıçIJĨ çļĦ æĸ° çİ» çĴĥ è¿Ļ ä½į 对 æѤ 家 人 çļĦ è¦ģæ±Ĥ 温 度 æĮĩ æķ° 缴 åĪ° æѤ æŶ æ¹ĸ åįĹ éĥ½ è¦ģ ä½ľ åĩº åIJĦ ä½į èĢĥ çĶŁ ä¾Ŀ æį® 说 è¯Ŀ æĪij ä¹Ł å·¥ åİĤ åıĺ æĪIJ ä»ĸ 人 æĪij è§īå¾Ĺ åIJĦ 级 ä¼łå¥ĩ ç§ģæľį ä¸Ĭ åįĩ 好 åĥı åĬł éĢŁ äºĮ åįģ è¢ ģ è£ħ 饰 éĥ½ èĥ½ ä¸Ģ å¼ł åĬ¨ æĢģ å¹´ çļĦ è¿Ļ å°±æĺ¯ ä¹Ł è¦ģ èµĦ æł¼ æĪĺ äºī æĦŁ è°¢ åŁ¹ èĤ² 天 æ°Ķ 女 士 åı¯èĥ½ ä¼ļ çļĦ 产åĵģ ä¹Ł å°± 主è¦ģ æĺ¯ åĪº æ¿Ģ ç»Ļ ä½ł 大 æķ°æį® åĮ» åѦ åĪ ¤æĸŃ ä»ĸ 说 表 æ¼Ķ äºļ æ´² ä¸ĵ é¢ĺ ç«ŀäºī åĬĽ éĤ£ æł· å±ķ å¼Ģ å¹³ æŶ æİ¥ ä¸ĭæĿ¥ æī¿ 诺 æ³ķ åĽ½ åħ³ å¿ĥ ä¼ļ æľī éĤĢ 请 é¢Ħ éĺ² å¯¹ æİ¥ 好 äºĨ åĴ± 们 çļĦ æĦŁè§ī æĢĿ è·¯ éĥ½ 没æľī çļĦ æĸ¹æ³ķ 女 åŃIJ åı¸ æ³ķ è¿ĺ ä¼ļ è¶ĬæĿ¥è¶Ĭ å¤ļ åĽł çĤº æµ· åįĹ äºº æķ° å°Ĩ ä¼ļ ä¸ļ 主 é¤IJ 饮 å±ħ ä½ı åıij åĩº è¿ij æľŁ å¼ķ é¢Ĩ æľºåĻ¨ 人 åĩºæĿ¥ çļĦ çľĭ è§ģ ä¿ Ĭ 让 ä»ĸ ä¸į æĥ³ å·¥ä½ľ çļĦ è¡¥ åħħ æµ ħ çī¹ å¾ģ ä¸Ĭå¸Ĥ åħ¬åı¸ ç¾İ é£Ł 广 西 æ¯ı ä¸Ģ个 èIJ½ åľ° åĵģ ç§į åĴĮ è°IJ å½» åºķ é«ĺ èĢĥ æĺ¨ å¤© åīį å¾Ģ çĽij æµĭ çĻ¾ 度 åľ¨ ä¸ŃåĽ½ çļĦ éľĢæ±Ĥ 亿 ç¾İåħĥ åѦ æľ¯ æĶ¶ åĪ° æĿ¿ åĿĹ ä¸Ģ 段 æŀĦ æĪIJ ä¼ģä¸ļ çļĦ 表 éĿ¢ æķ´ çIJĨ ç»ĵ å©ļ 人 家 åģľ æŃ¢ åѦ ç§ij æĺ¾ å¾Ĺ ä¼ij æģ¯ é¢Ħ æľŁ æĪĸ æĺ¯ çļĦ 主è¦ģ åºĶ 对 èµ° äºĨ ä¸Ń éĹ´ èµ° è¿Ľ åijĪ çİ° æIJŃ éħį é¹ ı æĺ¯ åĽłä¸º æĥħ 绪 å®ļ æľŁ 社ä¼ļ 主ä¹ī çŃī 级 磼 çĽ¾ é£ŀ æľº èĩ³ ä»Ĭ æĶ¶ éĽĨ çļĦ æķħäºĭ åĪĩ å®ŀ å®ŀçİ° äºĨ å½¢ æĪIJäºĨ åįĹ æĸ¹ ä¸Ń åѦ æµ· æ´ĭ åIJ¦ åĪĻ æĭį æijĦ 大åѦ çĶŁ åĩºçİ° äºĨ æĦı å¤ĸ ä¹Ł èĥ½ çļĦ èĥ½åĬĽ åĿIJ åľ¨ åĪĻ æĺ¯ èĢĥ å¯Ł å°Ĭ éĩį éĺ² æŃ¢ ç´§ å¼ł 读 书 åĩº è¡Į å°± æľī å±¥ è¡Į çݰ代 åĮĸ åĽ½ åĬ¡ åĽ½åĬ¡ éĻ¢ ç»´ ä¿® åİŁ åĪĽ æĺ¯ æĮĩ ä¼ij éĹ² çĤ ® æĸ° æĹ¶ä»£ éĢĻ åĢĭ ä¸į æķ¢ å®Į ç¾İ ç»Ĩ èĬĤ éŃ ı èĶ¬ èıľ é¢Ĩ导 çıŃåŃIJ è¶ħ 级 è¡Į æĥħ 人工 æĻºèĥ½ åį° 度 åŁºç¡Ģ 设æĸ½ åıĪ æĺ¯ èį¯ çī© åIJ¸ æĶ¶ åį´ æĺ¯ éĥ İ å¥ĸ åĬ± çļĦ æľĭåıĭ ä¿Ŀ çķĻ è§Ħ å¾ĭ æĸ° çĸĨ è¿ĺ åı¯ä»¥ æİ¥ è¿ij æѤ åīį æī¹ åĩĨ æĢİä¹Ī æł· çļĦ ä½įç½® ä¸Ģ åĿĹ æĭĴ ç»Ŀ 顾 客 ä¹Ł åľ¨ ä¸Ģ çĶŁ éĥ¨ éĺŁ å¹´ åīį æĸ¹éĿ¢ çļĦ å°Ŀ è¯ķ 羣æŃ£ çļĦ ç¦ģ æŃ¢ è¿ĺ 没æľī æ°ij çĶŁ èµ° åIJij èĦ¸ ä¸Ĭ å½ĵ 天 éĽĨåĽ¢ åħ¬åı¸ çļĦä¸Ģ ç§į 西 æĸ¹ åĽŀ åºĶ ä¸Ģ 声 常 常 æıIJ åĪ° èħ¾ 讯 æľį è£ħ 为 ä½ķ äºij åįĹ å°± ç®Ĺ ä¼ł æī¿ åıį èĢĮ ä¸ĩ åIJ¨ è´¢ 产 å¦Ĥ ä¸ĭ æĹ¥ åīį åİŁ æľ¬ æľĢ éĩįè¦ģçļĦ 认 è¯ģ ä¸Ģ éģĵ ä¿¡æģ¯ åĮĸ å¾Ĺ åĪ°äºĨ éĢ² è¡Į æĪij è¦ģ éĢļ ä¿¡ 室 åĨħ èµļ éĴ± æĶ¶ èĹı 解åĨ³ æĸ¹æ¡Ī æĪ¿ 产 çĭ ¼ æ´» åĬĽ ç»ıæµİ åıijå±ķ çŃī å¾ħ ä¹Ł å¾Ī åĿ ij å¾Ī 好çļĦ éļ¾ 度 ä¸į å¦Ĥ 人æ°ij æĶ¿åºľ åĩº åıij åīį æľŁ æ¼Ķ åijĺ 女 çĶŁ èģļ çĦ¦ 审 计 é¢Ħ æµĭ ä¾Ŀ æīĺ äºĶ å¹´ è¡¥ è´´ æ¸ħ æĻ° éª Ĥ çľĭ èµ·æĿ¥ çļĦ åŃ©åŃIJ é¢ij éģĵ ä½ı å®ħ éĿ¢ åIJij æľĢ ä½İ æĹ¢ çĦ¶ ä¸Ģ å¥Ĺ æķ° åѦ 群 ä½ĵ åĮĹ京 å¸Ĥ å±ħ çĦ¶ æ°Ľ åĽ´ éĢĶ å¾Ħ çļĦ åŁºç¡Ģä¸Ĭ èģĮ è´£ åı¯èĥ½ æĺ¯ åĨĽ äºĭ æĪIJ æķĪ åŃ©åŃIJ 们 计ç®Ĺ æľº èµ ¤ 产ä¸ļ åıijå±ķ å·¨ 大çļĦ å·¥ 人 çĶŁ éķ¿ éĥ½ åı¯ä»¥ çļĦ æľºä¼ļ èµĦ è´¨ çĹĽ èĭ¦ ç²ī ä¸Ŀ å¢ ĵ å¹³ å®ī 管 éģĵ è·Ł çĿĢ 饮 é£Ł åķĨ 家 å¤ļ 家 åı¸ æľº åºĶ该 æĺ¯ éĢı éľ² 认 å®ļ è¡Įä¸ļ çļĦ çļĦ ä¼ģä¸ļ æ¯ı ä¸Ģ èĮĥåĽ´ åĨħ è¾ĥ 大 è´ ¤ 大 èµĽ å¤ļ äºĨ é¸ ¿ 临 åºĬ åľ¨ è¿Ļ个 çļĦ åĨħ容 éĶĢ éĩı å¾Ī å°ij åŃ Ł ç»´ æĮģ åĴĸ åķ¡ æľ¬ åľ° èī² 彩 并 éĿŀ èĢĮ å·² 温 æļĸ èIJ § æĬĵ ä½ı èĢĮ ä¸įæĺ¯ åĸ Ĭ çļĦ åħ³ç³» çī© åĵģ éĤ£ æĺ¯ åĨľ 产åĵģ è¿Ļ æŶ å©ļ 姻 æ°´ æŀľ æĶ¶ èİ· ä»ĺ åĩº 客æĪ· 端 æ¼Ķ åĩº åħ¨ æĸ° è¿Ļ ä¹Łæĺ¯ æĺ¯ çĶ± è§Ĥ 念 æľī 个 éĢł åŀĭ èĥľ åĪ© ä¸ī æĺ¯ è¶ħ å¸Ĥ åħļ建 å·¥ä½ľ æĶ¾ å¿ĥ 线 è·¯ æĭĽ çĶŁ åIJĥ é¥Ń è½ ī å°½ éĩı è§ģ åĪ° åIJĮæ¯Ķ å¢ŀéķ¿ åįİ ä¸º æĪij å¸Ĥ æıIJ åĩºäºĨ æ°ij èѦ åįļ çī© åįļçī© é¦Ĩ è¯ļ ä¿¡ åīį éĿ¢ å±± 西 è¾ħ åĬ© 转 移 æĽ´ 为 丰å¯Į çļĦ åį ¢ å¿« éĢĴ æĺ¾ èijĹ çī© èµĦ åĪ° è¾¾ æľī åĪ©äºİ åij Ĩ åŃ©åŃIJ çļĦ ä¸į ä½Ĩ çłĶ究 éĻ¢ çĶ³ æĬ¥ æļ ¨ æ°ij éĹ´ åį » çļĦ å£°éŁ³ å¸Ĥåľº çļĦ ä¸Ģ åı¥ çľģ 级 æĿ¥ çļĦ åĵª 个 æīį ä¼ļ åĪĨ éħį èĶ ¡ ä»ĸ åľ¨ åħ± æľī å¡ ĺ èĴ Ĥ éľ į åıĤ è§Ĥ ä¸Ī 夫 ä¾Ŀ éĿł æľī æŶ äºĨ å¾Īå¤ļ ä¸ĸçķĮ æĿ¯ 家 æĹı ä¸į éľĢè¦ģ 大 å¸Ī èŀį åħ¥ éĿŀ æ³ķ çĹħ 人 åIJİ æľŁ 大家 éĥ½ ç½ij åĿĢ åİŁ æĸĻ 便 å®ľ æ¶ Ľ 仿 ä½Ľ å·® è·Ŀ åı¦ä¸Ģ æĸ¹éĿ¢ 产åĵģ çļĦ èµ « æĥħåĨµ ä¸ĭ éĴ¢ éĵģ æľ¬ ç«Ļ 纳 åħ¥ å·² æľī æľī 没æľī ä¼° 计 é£ ĺ æľŁ è´§ åĢĭ人 è³ĩæĸĻ ä¸ĵä¸ļ çļĦ çĪĨ åıij èĩ´åĬĽ äºİ çİ°åľ¨ çļĦ æľī åĵªäºĽ çł´ åĿı æķ°åŃĹ åĮĸ åľ° éĿ¢ é»ij èī² å¹¼åĦ¿ åĽŃ çļĦ ç²¾ç¥ŀ äº Ń å¯¼ æ¼Ķ çİ° æľī æѦ åĻ¨ èĭı å·ŀ çİ Ħ æ±Ł 西 延 伸 论 æĸĩ è¾ĥ 为 çİ© æ³ķ é¼ İ åIJĮ æŃ¥ éĩĬ æĶ¾ æĽĿ åħī åĿļ åĨ³ å§Ķ æīĺ å°Ĩ åľ¨ äºĪ 以 ä½ľ æĸĩ èĢĮ åľ¨ ä¼ĺ åħĪ åĽŀ åİ» ä¿® å¤į åĽ½åĨħ å¤ĸ çŃĸ åĪĴ åıij æĶ¾ å¿ĥ æĥħ çļĦ åİĨåı² éĿ¢ è¯ķ 举 åĮĹ ä¿¡ åı· ç²® é£Ł è¯ģ 书 æŁIJ äºĽ è¿IJ ä½ľ åĨ² åĩ» çĥŃ çĤ¹ æŶ æŶ æŶæŶ 彩 åľ° çĤ¹ ä¸Ģä½ĵ åĮĸ éļ¾ é¢ĺ æĽ ° ç«ĭ åĪ» æĺ¯ éĿŀ常 åħ± åĴĮ åħ±åĴĮ åĽ½ æ¿Ģ åĬ± æľīæķĪ çļĦ å¤Ħ ç½® 该 åħ¬åı¸ æ£Ģ éªĮ èѦ æĸ¹ è´ ¾ äºĨä¸Ģ ä¸ĭ ä»Ĭ åIJİ çħ ® çĶ¨ åĵģ 读 èĢħ æĪij åľ¨ åĽŀ å¤į ä¸Ģ 座 è¿ĺ 没 å®ļ åĪ¶ 没 æĥ³åĪ° å¤ ¹ ä¼ł éĢĴ ä¸Ģ 款 强 大çļĦ çļĦ è¡Į为 å¤ı 天 åıijåĬ¨ æľº é¢ĨåŁŁ çļĦ å®ŀéªĮ 室 ä¸Ģ æĬĬ æĺ¯ ä¸ºäºĨ éĻķ 西 æĭħ ä¿Ŀ è¾¾ æĪIJ è¦ģ æĺ¯ æĺİ å¤© ç»Ļ ä»ĸ 建ç«ĭ äºĨ ä¸į è¡Į ä¸Ń æĸĩ åľ° 说 åIJİ çļĦ çĽij æݧ éĢ ¸ æĢ» éĥ¨ æľ¬ æĸĩ é¹ ¿ æĻ¯ è§Ĥ çļĦ 缮æłĩ èĽ ĩ åĨ ¯ ä¸Ń åĮ» æķĪ åºĶ 产 éĩı åŃ Ŀ è´¦ æĪ· è¿Ŀ åıį èij£äºĭ ä¼ļ 京 举 责任 ç¼ĸè¾ij åķı é¡Į çĪ± å¿ĥ èѦ å¯Ł é¤IJ åİħ å¸Ĥ æĶ¿åºľ 天 天 æĸ° é²ľ éĥij å·ŀ è¶ħ è¶Ĭ å½ Ń çŁ¥è¯Ĩ 产æĿĥ åĽŀ å¿Ĩ è·¯ 线 å»ī æ´ģ éĿĴ å°ijå¹´ åıĸå¾Ĺ äºĨ çľĭ åĪ°äºĨ é¦ ¬ ç²¾ åĵģ åľ° éĵģ æĮģ æľī ä¸ĭ äºĨ æľī æŶåĢĻ ä¸Ģ 人 æĴ Ĵ ä»Ķ ç»Ĩ èĢģ åħ¬ äºĭå®ŀ ä¸Ĭ èģĶ èµĽ ä¾ĽåºĶ éĵ¾ é¢Ħ ç®Ĺ åĪ¶éĢł ä¸ļ å®īåħ¨ çĶŁäº§ 俱 ä¹IJ 俱ä¹IJ éĥ¨ çļĦ æł¸å¿ĥ æīĵ ç®Ĺ å½± çīĩ æIJŃ å»º ä¹Ł ä¸įä¼ļ æĭħ å½ĵ å±Ĥ éĿ¢ åѦ åijĺ 临 æŶ 缸 ç»ĵåIJĪ 对 æ¯Ķ ä»ĸ æĺ¯ æĸ° åĮº è¿Ľ åİ» çĻ¾ å¹´ ä¿ © å°½ å¿« çĶµåŃIJ åķĨåĬ¡ æĽ´ æľī æ¸ħ çIJĨ åı¦ ä¸Ģ个 åĤ » ä»Ģä¹Ī æł·çļĦ æĺ¯ æľĢ åij¨ å¹´ å¾Ī 容æĺĵ åĽ¢ ç»ĵ ç´ Ħ æĹ© å·² çļĦ åıĺåĮĸ éľ ŀ æĹ¥ ä¸ĬåįĪ 失 åİ» ä¸Ń åľĭ çļĦä¸Ģ äºĽ å°ı åŃ© ä¸ĭ è·Į éĶ» çĤ¼ é ij éij « å¿ĹæĦ¿ èĢħ èĤ¡ å¸Ĥ èµĽ äºĭ 许åı¯ è¯ģ åı¯ æĮģç»Ń åijĬè¯ī è®°èĢħ éĢ» è¾ij å¼ķ åħ¥ çļĦ è¿ĩç¨ĭä¸Ń è§Ĩ è§ī èĩªæ²» åĮº è¯ģ æį® è£ħ ç½® 第ä¸ī æĸ¹ å¹´ æĿ¥ å¹¿ä¸ľ çľģ 带æĿ¥ äºĨ éķ¿ æ±Ł 访 éĹ® å·® ä¸įå¤ļ æĺ¯ æĪij éģŃ éģĩ æĬĵ 好 é«ĺ è¾¾ 并 åľ¨ èĩª è§ī ä¾ĽåºĶ åķĨ æĥħ æĦŁ ä½ı äºĨ çļĦ èģĮä¸ļ çļĩ å¸Ŀ 西 éĥ¨ åĴĮ å¹³ çļĦ åĬĽéĩı æ± ª åħħåĪĨ åıijæĮ¥ æĬķ è¯ī èµ· åĪ° äºĴ 缸 æ¾³ éŨ æİ¥ åĪ° æ°´ æ³¥ 模 åŀĭ ä¸Ģ åįĬ 秩 åºı æĪij们 åľ¨ æī¿ 认 ä¸Ģ éĥ¨åĪĨ åįł æ¯Ķ å¦ĩ 女 ç² ĺ äºĨ解 åĪ° ä¸Ģå®ļ ä¼ļ åIJĦ 大 èµ° åĩº 为 大家 é«ĺ éĵģ åı¯ä»¥ åľ¨ ä½Ĩ åľ¨ çĶŁæĢģ çݯå¢ĥ èı ¯ çļĦ ä»·æł¼ 麻 çĥ¦ æ¿Ģ åıij éĤ£ å°± çļĦ æł·åŃIJ 为 æѤ 天 åľ° çļĦ 缮çļĦ åĢº åĪ¸ å·² ç¶ĵ åĽĽ 大 åIJĮæŶ ä¹Ł å½¼ æѤ æĭ¿ åĪ° åIJ« éĩı åįģ 大 éļ¾ éģĵ å¼ Ĺ ä¸Ģ 段æŶéĹ´ çħ§ 顾 æķ°æį® æĺ¾ç¤º æĪIJ为 äºĨ èµ° åĪ° æľ¬ åħ¬åı¸ ç»Ī 端 ä¹Ł ä¸įæĺ¯ å¤´ åıij 大 约 é£İ æĻ¯ æ¶Ī èĢĹ å®¡ æŁ¥ äºī åıĸ æ³ķ æ²» äºĭ çī© ç¼ĵ 解 æĥ ¨ 缸åºĶ çļĦ çļĦ æķĪæŀľ åıį å¤į åıijçĶŁ äºĨ éĢĻ äºĽ ç»ĥ ä¹ł åݨ æĪ¿ å¼Ģ æĭĵ 欣 èµı 夫 妻 ä¸į ä¸Ģæł· 产 èĥ½ èĬ¯ çīĩ è¦ģ ç´ł åıį 对 çİĩ åħĪ è´§ çī© æĹ¥ çĶµ ä½ľ 家 æĶ¹ è¿Ľ æĪIJ åĪĨ åĽł èĢĮ åĩı èĤ¥ æ½ ĺ å±±ä¸ľ çľģ åĬ Ŀ åŁ ĭ æѦ è£ħ æ±ĩ æĬ¥ ä¸Ģ个 æľĪ çĥŃ éŨ 大 éģĵ æ´» åĭķ éĥ½ å¾Ī çĶµ 梯 ç´§ æĢ¥ åĢº åĬ¡ 客 æľį ä¸Ģ éĥ¨ ä½ł æĺ¯ çİ° çĬ¶ æŃ£ç¡® çļĦ ä¹ĭ å¤Ħ ç¼ĸ åĪ¶ ä½ł åı¯ä»¥ çŃī åľ° èİ ī 对 è¯Ŀ æ·ĺ å®Ŀ è°ĥ èĬĤ æİĴ æĶ¾ åºĵ åŃĺ ç´ ļ çļĦ ä¼ĺåĬ¿ æĿĥ å¨ģ 以ä¸ĭ ç®Ģ称 ä¸Ģ 项 èģļ éĽĨ ä¼łç»Ł çļĦ æ·· åIJĪ è¿Ļä¸Ģ çĤ¹ ä¸Ģ çľ¼ æĹł éĻIJ èİ·å¾Ĺ äºĨ éĢī æīĭ åĪ¶ åĵģ åįı ä½ľ çĭ¬çī¹ çļĦ ä¸Ģ 级 è¿Ļ个 éĹ®é¢ĺ æĸ Į æĺ¯ æĪij们 æķĮ 人 æ¸ħ æ´Ĺ ä¸Ģ缴 åľ¨ å°ı ç±³ çļĦ è¿ĩç¨ĭ åľ¨ åĮĹ京 ä¸Ģ æĶ¯ æĹ© ä¸Ĭ æĸĩ èīº ç¦ı åĪ© é£Ł çĶ¨ æĦŁ åĬ¨ åħ¨ ç¨ĭ æĶ¯ åĩº æĸ° 建 å¸ ķ æĺ¾ çĦ¶ 羣 çļĦæĺ¯ æĸ°éĹ» ç½ij èĥ½ åIJ¦ åįı åĬ© 亲 èĩª å¾Ī æľī çĻ¼ å±ķ æĦı 大 æĦı大 åĪ© çĶµ ç½ij æĹ¥ çĽĬ çĨ ± èĤĮ èĤ¤ çĶ· æĢ§ ç»Ħ 建 çŃī éĹ®é¢ĺ æ¶Ī éĻ¤ æĬ¤ çIJĨ å¡ij æĸĻ ä¹Į åħĭ ä¹Įåħĭ åħ° åķĨ æłĩ çIJ ³ æĸ° æīĭ çļĦ çī¹çĤ¹ åĴ ¬ å½ĵ ä¸ĭ 设计 å¸Ī èµĶ åģ¿ 第 åįģ æĻºèĥ½ åĮĸ å¼Ģåıij åĮº åı¯ä»¥ éĢļè¿ĩ åħ±äº§ åħļ åİī 害 çģµ æ´» æŶ åħī éĥ¨ ä½į 人 æĸĩ è¿Ľ æĿ¥ ä¹ĭ æīĢ以 ä¸ī åįģ çļĦ åѦçĶŁ éĺ² æĬ¤ åĽ½ 产 æ·±åľ³ å¸Ĥ éĤ£ å°±æĺ¯ åĪ° ä½į çī¹ æľĹ çī¹æľĹ æĻ® å®ŀ æŶ åı° çģ£ èĢĮ ä¸į æĮĩ å®ļ åĿ Ŀ èħIJ è´¥ çī¹ å®ļ å¢ŀ éĢŁ æłĩ çŃ¾ æĪ¿ ä»· æĦ ģ 贯彻 èIJ½å®ŀ æĢ§ è´¨ çłĶ究 çĶŁ ç¾İ 容 æī¹ è¯Ħ 究 ç«Ł 人åĬĽ èµĦæºIJ éĸĭ å§ĭ åĽŀ å½Ĵ èIJ¥ åķĨ èIJ¥åķĨ çݯå¢ĥ ä¸ŃåĽ½ 人 çļĦ åŁºæľ¬ è¯Ŀ é¢ĺ æłĩåĩĨ åĮĸ 西 èĹı åĭ ¾ çļĦ 设计 ç®Ģåįķ çļĦ å¤į åĪ¶ æ¸IJ æ¸IJ 以 å¤ĸ èģĶ åĬ¨ 两 次 æĢ§ åĴĮ æĽ´ 大 çļĦ åIJįåŃĹ éŁ ¦ ä½ł è¦ģ å¢ĥ å¤ĸ æĹ© æľŁ åĪĿ æŃ¥ è´¦ åı· 害 æĢķ æĺ¨ æĹ¥ åĪļ æīį ç¥ŀ ç§ĺ ç²¾ å¿ĥ æµģ éĢļ åħ¨ æĸ¹ä½į 以 å¾Ģ ä¹Ł å°Ĩ æĺ¯ ä¸ŃåĽ½ åĽ½å®¶ 级 å°Ĩ åĨĽ æij Ĭ æľĢ 为 第ä¸Ģ æŶéĹ´ æ¶Ī æ¯Ĵ å°Ĩ äºİ å¨ģ èĥģ èĭ± æĸĩ æīĭ ä¸Ń çIJĥ è¿· è§Ĥ çľĭ 离 å©ļ æľ¬ åľŁ åĪĨ æķ£ æĻ ´ è¦ģ 注æĦı 浪 è´¹ 管 æݧ åĩº åĶ® æĢ» è£ģ ä¸Ģ éĺµ å¨ ĩ äºĶ 个 å½ĵ åĪĿ çºł 纷 ä¸ĵ çĶ¨ å¤ĩ æ¡Ī åĪĿ æľŁ å®ĥ æĺ¯ åĮº åĿĹ åĮºåĿĹ éĵ¾ 大 è¿ŀ è¿Ļ ç±» åıĺ æĪIJäºĨ éĤĦ æĺ¯ åįļ 客 çı¾ åľ¨ ä¸Ģ æĸ¹ å®ĮæĪIJ äºĨ è¿Ļ个 æŶåĢĻ åħ¨ å¹´ ä¸Ĭ 线 ç½ IJ ç«ŀ èµĽ åĩºçīĪ 社 åĵ¥ åĵ¥ å¯ « å¾Ĺ 以 èĬ± åĽŃ äºĨ èµ·æĿ¥ èĦ±è´« æĶ»åĿļ çļĦ åİŁåĪĻ 讲 解 æ¶Ī åĮĸ æįŁ 害 æļĤ æŶ å¾Ĺ çŁ¥ éĢĤ çĶ¨ éŨ åºĹ 解 读 æĻ® åıĬ 人æ°ij æ³ķéĻ¢ åī¯ 主任 å¿ĥ çģµ è¯Ĭ æĸŃ ç¾İ 女 æŁ ¯ å¹´ 以æĿ¥ æ´» è·ĥ åĢŁ åĬ© åħ± 建 è¯ī 讼 æĶ¾ æĿ¾ çªĹ åı£ ä¼ģ æ¥Ń åĬł æĭ¿ åĬłæĭ¿ 大 ä¹° äºĨ 主 æµģ æĩĤ å¾Ĺ å°Ĩ åħ¶ éĢı æĺİ å·¥ä½ľ ä¸Ń èĤ¡ ä»· æ¡£ æ¡Ī 没æľī ä»»ä½ķ åijĬ çŁ¥ å¹´ åĪĿ æĹ¥ ä¸ĭåįĪ åİĤ åķĨ èĬĤ å¥ı 主 导 è£ Ŀ åħ³éĶ® è¯į èģĬ 天 åĨĻ ä½ľ æĶ¹éĿ© å¼ĢæĶ¾ æľī æľĽ éĢļ æĬ¥ èIJ Į æĢ» é¢Ŀ çŁŃ æľŁ ä¸Ģ çķª çĶŁæ´» çļĦ åĮĸ çļĦ æĺ¥ å¤© è¿Ļ åľº æĸ°å¼Ģ ä¼łå¥ĩ æĺ¯ è¦ģ å°ļ æľª åıĺ æĽ´ ä¸Ģ åij¨ 客 è§Ĥ æĹ¥ èĩ³ é¹ ° çİ ² å°Ĩ æĿ¥ 客 人 åıĺ éĿ© 说 äºĨ åİŁ çIJĨ èģĮ åĬ¡ åıĪ æľī ä¸Ģ åı¥è¯Ŀ æĦŁ åıĹåĪ° ç¬Ķ èĢħ 移 æ°ij 西 åįĹ ä¹ĥ èĩ³ æŃ£ è§Ħ åĪĿ ä¸Ń çĬ ¬ å½ĵ äºĭ å½ĵäºĭ 人 æĪij们 è¦ģ åħ¥ åı£ éĤ£ æŶ æľīéĻIJ 责任 å°ij 女 è¿Ļä¹Ī å¤ļ åĪĨ åħ¬åı¸ å®ĩ å®Ļ çļĦ éĢīæĭ© å§IJ å§IJ åıij èµ· è» į æĽ´å¥½ åľ° éĻĨ ç»Ń æľ¬ æľįåĭĻ å« © 赶 ç´§ èĦĤ èĤª 第äºĮ 天 æĪij ä¼ļ 两 ä½į æķ ² åħ¬å®ī æľºåħ³ ç§ijæĬĢ åĪĽæĸ° å°º 寸 è¾IJ å°Ħ å®Ĺ æķĻ 转 æį¢ åĩº çİ°åľ¨ ä¸Ģ é¢Ĺ æľŁ éĻIJ åIJĮåѦ 们 åĮĹ æĸ¹ ä½ł å°± ä¸Ģ带 ä¸Ģè·¯ èĢģ å©Ĩ 游æĪı çݩ家 çļĦ ç»ĵæŀľ è¡¥ åģ¿ å¤ĸ è´¸ 对 å¾ħ ç»´ çĶŁç´ł ç»ıéĶĢ åķĨ è¿ĺ å°Ĩ åŃIJ 女 æĽ´ é«ĺ ä¸į 大 éī´ å®ļ 让 ä»ĸ们 æīĢè°ĵ çļĦ æŃ» äºĨ 帮 æī¶ åĵ² åѦ 以ä¸Ĭ çļĦ çļĦ åħ³éĶ® æĹ© å°± æĬ¥ ä»· éģµ å®Ī æī© å¼ł æĺ¯ å¾Ī å¼Ģ éĢļ æĸ° åĬł æĸ°åĬł åĿ¡ ç¿» è¯ij 询 éĹ® é¸ Ń ä½ĵ åĨħ 两 个人 çĪ ¹ éľ ľ 乡æĿij æĮ¯åħ´ çĿ¡ è§ī å®ĺ åijĺ åĪĽ å§ĭ åĪĽå§ĭ 人 ä¼Ĺ 人 åį³ 便 çĸ« èĭĹ ä¼ģä¸ļ 家 æ¸ £ ç²¾ åĬĽ å¤ĸ éĥ¨ èģª æĺİ è¿Ļ ä¹Ł å½ķ åıĸ åĨ² çªģ åħ¨ 身 åŃ£ èĬĤ 忽 çĦ¶ çļĦ æĢģ度 åĤ¨ å¤ĩ ä¿Ŀ åħ» çļĦ æĥ³æ³ķ ä¸Ĭæµ· å¸Ĥ æIJº æīĭ çļĦ ä¿¡æģ¯ åķĨ åľº çļĦ æĢĿæĥ³ æĿĥ åĬĽ 毫 æĹł æĢĢ åŃķ 硬 件 åĨħ èĴĻåı¤ æİ¢ 讨 åħ» çĶŁ çļĦ 表çİ° 空 ä¸Ń æģIJ æĢĸ å¾Ī é«ĺ ç»ıæµİ 社ä¼ļ ä¸Ĭ æĿ¥ 延 ç»Ń éĩį å¤į éĺ² èĮĥ çļĦ å½¢å¼ı æľĪ åºķ èĢģ 年人 绿 åĮĸ å±± åĮº æĭ¿ åĩº æĹħ 客 æĽ´ æį¢ åħ¬ 主 èĬĤ 约 åħ¨ åİ¿ åĽŀ æĬ¥ çIJĨ æĢ§ çĸ¯ çĭĤ æ¶ī å«Į åī§ æĥħ åĨ¬ åŃ£ åIJİ ç»Ń è¿Ļæĺ¯ ä¸Ģ个 æ¼Ķ 讲 ä¸Ģ å±Ĥ æľīåħ³ éĥ¨éŨ æĹł å¥Ī ç§į ç±» 缸åħ³ çļĦ æĪĸèĢħ æĺ¯ æī¶ æĮģ å¤ļ æķ° çļĦ ä½ľåĵģ ä¸ĭ ä¸ĢæŃ¥ å¸Ī åĤħ é«ĺéĢŁ åħ¬è·¯ 好 åıĭ ä¼ĺç§Ģ çļĦ è¿Ľ äºĨ æģIJ æĢķ äºĨ åIJ§ 大 è§Ħ模 çļĦ ä¸ĸçķĮ æĢĢ çĸij å· · åħ´ å¥ĭ æĪ ° æĿij éĩĮ æľĭåıĭ åľĪ åĨ¬ 天 ä¸Ńåįİ äººæ°ij åįı åķĨ è¯Ħ éĢī æĹ Ń å¢ŀåĬł äºĨ åıĹ ä¼¤ ä¸Ģ èĤ¡ 便 æį· ä¸ ij é¹ ¤ å¤ĸ è§Ĥ å·¥ç¨ĭ å¸Ī åĴĮ åħ¶ä»ĸ è¿Ļ å°± ä¸Ńå°ı ä¼ģä¸ļ 西 åĮĹ åĽ½æľī ä¼ģä¸ļ èĭ¥ æĺ¯ åı¯ æĥľ çĶŁ æĹ¥ åĩ ½ ä¹° åįĸ ç¥Ŀ ç¦ı 人æ°ij 群ä¼Ĺ åħī æĺİ åħ¬ å¯ĵ æĺ¯ è°ģ æĪij çŁ¥éģĵ è¯Ń æĸĩ æķı æĦŁ ä¸įéĶĻ çļĦ æĿ¥ 讲 æ³¢ åĬ¨ çļĦ 第ä¸Ģ åľ° éľĩ åľ¨ åħ¨åĽ½ 骨 å¹² å®ī ç½® 家 çĶµ ä¸İ æѤ ä¸İæѤ åIJĮæŶ åıĹ çģ¾ çĥŃ çº¿ çļĦ æĬĢæľ¯ æµĭ éĩı ä¾Ŀ èµĸ ä¸ŃåĽ½ çļĦ çī¹ æĢ§ è¾ĥ é«ĺ è¸ © ä¼ļ åľ¨ 建 éĢł 导 èĪª æĥ³ èµ· åħ¨ ä¸ĸçķĮ 建 æĿIJ ç¯ Ģ çļĦ åŁºç¡Ģ èĩªåĬ¨ åĮĸ åīį åIJİ çĿ¡ çľł æݨ è¡Į æį® äºĨ解 ä»Ģä¹Ī æŶåĢĻ ä¸į åĸľæ¬¢ çħ¤ çĤŃ éĤ£ä¹Ī å¤ļ å¸Ĥåľº åĮĸ ä¸į管 æĺ¯ ç«ĭ åľº éĥ½ 没 课 é¢ĺ æĪij们 å°Ĩ è¿ĩ çļĦ åĨį åĬłä¸Ĭ çĪ ¾ 身 æĿIJ çĶ· 女 è¿ľ è¿ľ çĶ· çĶŁ èĩªèº« çļĦ è´Ł æĭħ çĻ¾ ä¸ĩ 西 çıŃ è¥¿çıŃ çīĻ åĩĢ åĪ©æ¶¦ æ¾³ 大 澳大 åĪ©äºļ ä¸į åİ» æī¿ åıĹ æ¥¼ çĽĺ å¢ĥ åĨħ æ·· åĩĿ æ··åĩĿ åľŁ æĢĿæĥ³ æĶ¿æ²» å¸Ĥ åĮº æĭĽ æłĩ åĽ¢ ä½ĵ è¿Ľ 度 åĨĽ éĺŁ åıį å¼¹ äºĨä¸Ģ äºĽ æİ¥ å¾ħ çļĦ åŃ¦ä¹ł éħį éĢģ é£Łåĵģ å®īåħ¨ æĽ¿ 代 æĺ¯ ä»¥ éĢļ çĶ¨ çłĶ究 æīĢ ç¦ ħ æī Ķ éļĶ 离 ä¸ĩ å¹³æĸ¹ç±³ çļĦ è§Ħå®ļ ç»Ļ æĪij们 æ¿Ģ åħī ä¼ļ åĩºçİ° çŁŃ ä¿¡ ç©¿ çĿĢ æ²Ī éĺ³ æķĻ æĿIJ éĺ² çĸ« ä¼ĺ èī¯ 约 å®ļ æĪij çľģ åħ¬ æ°ij éģ¸ æĵ éģ¸æĵ ĩ å·² æĪIJ为 ä¸į å¿ħ ç¥ĸ åĽ½ 并 æľª åľŁ 壤 å¾® ç¬ij äºĭä¸ļ åįķä½į çļĦ 游æĪı åħ¬ 示 åIJĪçIJĨ çļĦ çª Ŀ æ°Ķ 象 家 ä¸Ń 亮 缸 åį« æĺŁ è®° è½½ è§Ĩ éĩİ åľ°åĮº çļĦ ä½Ĩ ä»ĸ èĤĮ èĤī äºı æįŁ åĬŀ åѦ ä¸Ģ è¡Į è¯ŀ çĶŁ åıijå¸ĥ çļĦ çļĦ æľįåĬ¡ çļĦ çłĶ究 åij¨ æľ« 产ä¸ļ åĽŃ é«ĺ 温 æĪIJåĬŁ çļĦ æŃ¥ 骤 åŃĺ åĤ¨ åŃIJ åħ¬åı¸ 让 她 ä¸Ń æľī åĺī 宾 å¦ ® æĺİ å¹´ äºĨ åIJĹ äºī è®® æĪ Ī ä¸Ģ æľ¬ ç¾İ丽 çļĦ ä½ł 说 大 人 æĶ» çķ¥ ä¸į æľĥ å¾ħ éģĩ ä¸Ģ è¾Ĩ çīĪæĿĥ æīĢæľī æ°ij ä¼Ĺ åĬŁ 夫 å±ķ ä¼ļ 大 èĦij æ¯ı æľĪ å°ı 麦 æµĻæ±Ł çľģ çļĦ æīĢæľī ä¸ĭ æ»ij èĵĿ èī² è¦ģ æĥ³ åѦçĶŁ çļĦ å½ĵ ä½ł ä½ľ æĪĺ 家 乡 å¤ļ åIJį é«ĺ äºİ åĿļ 强 è¿ŀ éĶģ åIJİ æŀľ 人 äºĭ ç´ ħ æ¿Ģ åĬ¨ è¿Ľ æĶ» ç© Ĩ ä¸ ĺ 让 èĩªå·± 以 æѤ 夫 人 å¼Ģ 设 æ°Ķ è´¨ 鸡 èĽĭ çĦ¡ æ³ķ åIJĥ äºĨ åĪĨåĪ« 为 èģĶåIJĪ åĽ½ å½ĵ 代 å¦Ĥæŀľ æĺ¯ è¿ľ ç¨ĭ åĸ Ĥ è®° ä½ı æ¸ħ åįķ åIJĪä½ľ ä¼Ļä¼´ åİ» åģļ æķħ éļľ 模 æĭŁ å¸Ī çĶŁ åīį æĿ¥ çĶµè§Ĩ åī§ çĥŃ çĪ± éľ² åĩº é«ĺ å±Ĥ çĶµ åĻ¨ 纪 å¾ĭ å¼Ģåıij åķĨ éķ¿ å®ī è½½ ä½ĵ çļĦ å°±æĺ¯ è¢« 人 åıĹ çIJĨ 篮 çIJĥ èİ İ äº¤ ç»Ļ æľªæĿ¥ çļĦ 两 大 åIJķ å¸ĥ çŃī 人 çļĦ æĹ¥åŃIJ åIJĪä½ľ 社 æĮij éĢī åŃĺ 款 ç³»ç»Ł çļĦ æĬĬ å®ĥ 没æľī ä»Ģä¹Ī ä»İ æѤ ä¸Ń åįĪ çĸ¼ çĹĽ å·© åĽº 浪 漫 缸åħ³ éĥ¨éŨ éķ¿ åŁİ 纤 ç»´ ä¸Ĭ éŨ çĪĨ çĤ¸ èµ· çĤ¹ çļĦ éĢļçŁ¥ èĢĮ æĿ¥ çļĦ èĢģ æīĭ éĩĮ è¯Ń éŁ³ è¾Ľ èĭ¦ æ±Łèĭı çľģ çĶ¨ äºĨ 身份 è¯ģ æľī åĬ© æľīåĬ© äºİ çī© èģĶç½ij åĩº éŨ å¼Ł åŃIJ æĥ ¹ è¿Ļ件 äºĭ æĪij们 åı¯ä»¥ çļĦ çĶŁåij½ æľīä¸Ģ ç§į åºĹ éĵº åıĮ æīĭ çļĦ æ¶Īæģ¯ èĢIJ å¿ĥ å°´ å°¬ éĤ£ 天 é¦ĸ æī¹ æĺ¯ä¸Ģ 家 人 æ°Ķ åıį æŃ£ æĪij åĴĮ å®ł çī© ä¸į 对 寻 æ±Ĥ 缸 ä¼¼ åľ¨ ç¾İåĽ½ åı« åģļ åĹ İ ç«ĭ 足 çĶ¨ éĢĶ åħ Ĩ 大 æ°Ķ åIJij ä¸Ĭ ä»ĸ å°± é¡¹çĽ® 建设 èĭ¥ å¹² æĺ¯ æľī æ¿Ģ æĥħ çļĦ æĦıä¹ī æĺ Ń ä¸¥éĩį çļĦ å¯Ĩ éĽĨ èĪŀ è¹Ī èį£ èİ· èİ· æĤī æ±Ł åįĹ åģĩ å¦Ĥ æĪ· å¤ĸ 线 ç´¢ ç§ģ 人 转åŀĭ åįĩ级 çļĦ ä»·åĢ¼ åįķ çĭ¬ èĢģ çĻ¾å§ĵ å°į æĸ¼ åĽ½éĻħ åĮĸ ä¼° åĢ¼ æľįåĬ¡ ä¸ļ èĩ Ń æİī äºĨ 解åĨ³ äºĨ ä¹Ł ä¸įèĥ½ åħ ¹ æĸ¯ çī¹ æķħ æĦı è¿ĩ 度 èĬĤ æĹ¥ çĻ½ çĻľ çĻ½çĻľ é£İ 继 æī¿ äºĨ ä¸įå°ij äºĮ 人 è§ģ éĿ¢ æĥ³ æĥ³ å¤į åIJĪ 康 å¤į åİ¿ åŁİ åľ¨ åĽ½åĨħ åľº åľ° éĻ¶ çĵ· è¿Ļ 项 çľ¼ ä¸Ń çł ¸ æĦŁè§ī åĪ° æŀľ çĦ¶ æĶ¾ åħ¥ 约 æĿŁ æİĴ æŁ¥ 车 主 çļĦ æĦıæĢĿ æĸ° åŁİ æĥ³ çĿĢ éģ Ĥ èĮ¶ åı¶ ä¹° æĪ¿ åĨľ æĪ· é«ĺ æīĭ çİī ç±³ æĸ°åĨł èĤºçĤİ çħ§ æĺİ æĮĩ åįĹ è¸ ¢ æķij æı´ æĻ¯ çĤ¹ ç¨İ æĶ¶ çļĦ æīĭ æŃ£ 好 è¦ģ æĬĬ éļı æĦı åħ¶å®ŀ æĺ¯ ç»Ļ èĩªå·± è°Ī åĪ¤ æ¯ı天 éĥ½ æĢģ åĬ¿ é¢Ħ 约 åİĨåı² ä¸Ĭ å®Ŀ è´Ŀ åīį è¿Ľ ä¹Łå°±æĺ¯ è¯´ çļĦ æĦıè§ģ åı£ 罩 åİĺ ç±³ èĬ± è´¹ ä½ĵèĤ² æĬķ注 åħ¬ä¼Ĺ åı· èijĹåIJį çļĦ å¼Ģ æĪ· æĭį åįĸ å²ģ æľĪ åĨħ 涵 å®Įæķ´ çļĦ é«ĺ åİĭ åħ¬åĬ¡ åijĺ 使çĶ¨ çļĦ çĶŁäº§ 线 妹 妹 èµ° 访 æĺ¯ åı¯ä»¥ åľ¨ 家 æļ´ åĬĽ æ³° åĽ½ è´¨ çĸij ä¸į éģİ å¤©çĦ¶ æ°Ķ 缺 çĤ¹ å°ı åŀĭ ä¸įä»ħ æĺ¯ é»ij æļĹ æ¢ ¨ æĸĩ æĹħ è¦ģ æľī ä¸Ń å±± çļĦ æķ°æį® å¾Ĺ å¾Ī 以 便 对 ä»ĸ åĬł 以 çĻ¼ çı¾ 设 å®ļ èĤļ åŃIJ éĿ ĸ å¥ī çĮ® ä¸į åıĺ åı£ ç¢ij åľ¨ åĵªéĩĮ ä½ IJ è¿Ļ 两个 çļĦ æĸ¹åIJij æŀ « äºĮ 次 çīĩ åĮº éł IJ ç£ Ĭ æĭ¿ çĿĢ å·²ç»ı æĪIJ为 ä¹ĭ ä¸Ĭ å®Ĺ æŨ 奶 奶 é«ĺæĸ° åĮº 社 æľĥ è·Ł 踪 æľįåĬ¡ ä¸Ńå¿ĥ æī ¯ æīĭ æĮĩ 礼 çī© 宿 èĪį çĶ¨ å¿ĥ æıIJé«ĺ äºĨ 亮 çĤ¹ ä¸į æĦ¿æĦı æĴŃ æĶ¾ å¤ļå°ij éĴ± 没 ä»Ģä¹Ī æķ° åįģ æĢ» çĽij çļĦ åŁİå¸Ĥ æī¾ åĪ°äºĨ åĨħ åľ° åĪ° çİ°åľ¨ æĪĺæĸĹ åĬĽ åİŁ å§ĭ åĥ § åĢĴ æĺ¯ æľĢ åħ· è´«åĽ° æĪ· éĢģ åĪ° 级 åĪ« åĩº èµĦ æĪª æŃ¢ ç§į åŃIJ èĥ½ ä¸įèĥ½ 幸 è¿IJ èĸ ĩ 项 éĵ¾ æĮĤ çīĮ ä¸Ģ 樣 ä¹ĺ 客 èIJ½ åIJİ ä½Ĩ æĪij æĹ© åľ¨ åĬ¨ 漫 å¹³ çŃī 对 ä½ł ä¸į æĢķ å¤ĸ çķĮ å¤ļå¹´ æĿ¥ é¦ĸ 个 æ²³ åįĹçľģ æĪĸ åħ¶ä»ĸ éķľ 头 åįĹ æĺĮ ä¸Ģ éĿ¢ éĢłæĪIJ çļĦ å´ Ķ çŃ Ĵ æķĻèĤ² éĥ¨ åľ° åŁŁ æĺĨ æĺİ å·´ é»İ æīĭ 游 ä¸Ģ æŶ çł į 顶 级 åħ± 计 åİŁ æ²¹ è¾ī çħĮ 说 æĺ¯ æĸ°åįİ ç¤¾ ç»ıåİĨ äºĨ ä¸į æŃ¢ è¦ģ ä¹Ī èĢħ çļĦ æĢ» æĬķèµĦ è¡Į 驶 ä¸Ĭ å¸Ŀ å¹´ 纪 çIJ ¼ ä¼ł 说 ç²¾ èĭ± æĸ¹ éĴĪ æ±Ł æ¹ĸ æĪIJ çĤº æĢ» éĩı æĬķ æĶ¾ åĬ¨ çĶ» èĹ ¤ çĶµ æºIJ éĴ Ļ åIJĮ è¡Į æĻ®éĢļ çļĦ åĽ¾ä¹¦ é¦Ĩ è¯Ī éªĹ æħĪ åĸĦ è¿Ļ 份 主æĮģ 人 å°± è¿Ļæł· èĢĮ æĪIJ èĩªè¡Į 车 ä¸ŃåĽ½ çī¹èī² èĤ¿ çĺ¤ åIJ ¾ å¼Ł å¼Ł åıĹ çĽĬ éĢīæĭ© äºĨ æĺİæĺ¾ çļĦ æĬ¥ èĢĥ ç¬ij éģĵ éĽĸ çĦ¶ 温 å·ŀ éĿŀ æ´² ç§į ç§į åıĤåĬł äºĨ è´§ è¿IJ éļı 便 å°± 没æľī ç¸ £ 央 è§Ĩ ç©¿ è¶Ĭ çļĦ çݰ象 åĩł 次 çļĦ é£İéĻ© æŃĮ æĽ² æľ¬ å±Ĭ å¹´ åĨħ ä¸į è¶ħè¿ĩ è¿ĩ å¤ļ å¿ħé¡» è¦ģ ç»ĵ 论 åĢŁ éī´ ç¥ŀ å¥ĩ æľŁ æľĽ ä¸ĵ 享 éĿŀ常 éĩįè¦ģ æĦıè¯Ĩ åĪ° åIJĪ 并 æĬĬ èĩªå·± å¥Ĺ è£ħ éŃĶ æ³ķ å¤ı åŃ£ ä¸į åĥı å¢ĥ çķĮ æĥĬ åĸľ æľīä¸Ģ 天 çĦ¦ çĤ¹ æĪij 认为 åħ° å·ŀ çĶµ æ°Ķ èģĶç³» æĪij们 ç§ij æĻ® 她 说 çļĦ æĸĩç«ł å¥ĩ æĢª åıĭ 好 饮 æĸĻ çļĦ æĶ¯æĮģ çŃĶ åºĶ éĩį éĩı çij ¶ åĩı è½» ç§ijåѦ 家 å·´ 西 éĩijèŀį æľºæŀĦ åħļ å§Ķ书记 貸 款 ç²¾ èĩ´ ä»İ æľª åį° åĪ· åĽŀ 顾 é¦ĸ éĥ½ åıij èĤ² éĹ® éģĵ è¾¾ åĪ°äºĨ å¿į ä¸įä½ı æīį æľī æįIJ èµł ä½Ľ æķĻ ä¸į æ¸ħ éĺŁ éķ¿ 缸 åıį æĬ¥ èѦ 大 åħ¨ 欧 缣 帮 å¿Ļ çļĦ æĻĤåĢĻ 缮 å½ķ 足 以 èī° éļ¾ ä»ĸ ä¹Ł å·¥ ä½ľèĢħ 头 èĦij 缺 éĻ· æĪIJç«ĭ äºĨ å°± å¼Ģå§ĭ 认 åIJĮ é»Ħ èī² çĹħ æĥħ 覺 å¾Ĺ è¿Ļ 两 ä¿¡ ä»° åľĭ 家 ä¸įä»ħä»ħ æĺ¯ çĭ¬ 家 èĪ¬ çļĦ æĿIJ è´¨ æµ· ä¸Ĭ çĤº äºĨ æľºåĬ¨ 车 缸å½ĵ äºİ å¤ļåħĥ åĮĸ æĽ´ 大çļĦ èĽ ® åģĩ æľŁ å¼ı çļĦ 交éĢļ è¿IJè¾ĵ çľģ å§Ķ ä¸į ç®Ĺ æĶ¾ ä¸ĭ éĹ ¯ 人 åľ¨ 港 åı£ æŨ åľ¨ åij½ 令 æŁIJ 个 å¹³ 稳 åıª 好 人 人 äº ŀ äºĮ ç»´ äºĮç»´ çłģ æŀģ 为 åĪ« å¢ħ åħ¶ ä½Ļ 大 äºĭ 主管 éĥ¨éŨ æĹł éĶ¡ éĹ µ éģŃ åĪ° 说 è¿ĩ 为 ä½ł 解 çŃĶ éªĮ æĶ¶ çļĦ ç»ıéªĮ åĮ¹ éħį çģ« ç®Ń 豪 åįİ æŁIJ æŁIJ çļĦ æĹ¶ä»£ 书 éĿ¢ æģĴ 大 延 éķ¿ ä¸Ģ åIJĮ æľª èĥ½ 交 æį¢ çĶ¢ åĵģ çŃī åĪ° åĪĨ 离 æīĵ çĶµè¯Ŀ å¹² çĩ¥ è¾ĥ å¤ļ å¤ļå¹´ çļĦ èĥĮæĻ¯ ä¸ĭ 为 ä¾ĭ æijĺ è¦ģ å´Ľ èµ· æѤ åĪ» æľī æľºä¼ļ æĿ¡ 款 é¢Ĩ导 å°ıç»Ħ çļĦ 身ä½ĵ åįķ ä¸Ģ 央 è¡Į ä¸įæĸŃ æıIJé«ĺ ä»·åĢ¼ è§Ĥ èĬ ½ èIJ į æ³ķå¾ĭ æ³ķè§Ħ ä¸į éĶĪ ä¸įéĶĪ éĴ¢ åĩº äºİ èĻļ æĭŁ æį® æĤī çĥ¦ æģ¼ åħ¨ æĸ°çļĦ æī« æıı çĻ» éĻĨ èīºæľ¯ 家 çļĦ é£Łçī© çļĦ åŃĺåľ¨ 客 åİħ æĪij们 å°± æŁ¥çľĭ æĽ´å¤ļ è¯Ħ 审 å¸Ĥ åł´ è¬ Ľ å·¨ 头 ä¸ŃåĽ½ ç»ıæµİ äºĨ èĩªå·±çļĦ åĨ³ è®® çĽijçĿ£ 管çIJĨ æĬķ 票 åĨį 度 è¡Į çĤº 注 åħ¥ ä½ľä¸º ä¸Ģ个 æ¯ı个人 éĥ½ åįķ åħĥ è¦ģ çŁ¥éģĵ 被 称为 ä¹ĭ éĻħ 解 éĻ¤ ä¸ ¸ æº « ä¸ī æĺŁ é²ľ æĺİ ä¹Ł éĥ½ æŶ æľº åĩº æīĭ æĥħ å½¢ åķĨ è´¸ éĢī 举 对 èĩªå·± çĶŁ åĬ¨ åħĭ æľį 个 ä½ĵ èĭ ij ç¨ ± 大 åݦ æĺ¯ å¯¹ åĪ© æģ¯ è¿IJåĬ¨ åijĺ åĮĸ 解 åīį 沿 æĦŁ æģ© æĢ» ä¹ĭ é«ĺæĸ° æĬĢæľ¯ åĿĩ 为 åħ¨ åĮº æ°Ķ æ°Ľ åı¯ä»¥è¯´ æĺ¯ ä½ı 宿 åħļåijĺ å¹²éĥ¨ åĹ ¯ è·µ è¡Į çļĦ ä¸ĵä¸ļ èĢĥ éªĮ èķ ¾ åħ¬ åŃIJ çļĦ çĬ¶æĢģ æ½® æµģ ä¿¡ æīĺ è´ ¼ åIJĦ æĸ¹ æķij åĬ© éĿŀ常 çļĦ æ¡¥ æ¢ģ åħ¬ æĸ¤ ä¼¼ çļĦ çľĭ 好 å±Ģ éĥ¨ å®ī éĿĻ éħį 件 常 è§Ħ å¼Ģ 车 第äºĮ 次 ä¸Ĭ 级 åıĤ èµĽ 家 å±ŀ 强 åĬ¿ åľ¨ ä»ĸ åIJij åīį ä¹ĭ åľ° éĥ ¡ è¡Į ç¨ĭ èѦ åijĬ è§Ħå®ļ çļĦ åķĨ åŁİ äºĶ 大 æķĻ 室 åįģ 足 æīĢ以 åľ¨ å°Ĩ 继ç»Ń çŃī æĸ¹å¼ı 家 ä¼ģä¸ļ 交 ä»ĺ çĤ¹ è¯Ħ ç»ĵ ç®Ĺ ä¹Ł åı¯ å¤ĸ æ±ĩ è¿Ļç§į æĥħåĨµ æİĪ äºĪ å¸ĥ ç½® æĪIJç«ĭ äºİ é¢Ħ èѦ 管çIJĨ 人åijĺ å©ļ 礼 ç»ĵæĿŁ åIJİ åħ¥ éĢī æĹł æ¯Ķ åĴĮ åıijå±ķ çĻ½ éħĴ çİ© åħ· ä¸ĩ ç¾İåħĥ çļĦ æĪIJ绩 æĭį çħ§ èĢĥèĻij åĪ° ä¼ģä¸ļ åıijå±ķ äºĨ 个 çĶŁ æ°Ķ çļĦ 女人 äºĶ åįģ çĪ· çĪ· 纽 约 éĥ½ 被 ä¸Ĭ 课 çĽ ¡ ä¼łç»Ł æĸĩåĮĸ æ½ľ åľ¨ åıij å°Ħ ä¸Ģ 身 éĺ² å®Ī åĪ ® é¢ĺ 缮 åľ¨ åĨħçļĦ ç¾İ 好çļĦ è¿ĻéĩĮ çļĦ ä¸Ģ ä¸Ŀ 人 åĿĩ åĢ¡ 导 身 åIJİ æī© å±ķ 大 éŨ å°± 被 该 é¡¹çĽ® æŀ¶ æŀĦ ä¸Ģ åı£ ä¿¡æģ¯ æĬĢæľ¯ å¼Ģ ä¸ļ æĶ¶ åıĸ ç½ij 页 æĶ¯ æı´ å°ģ éĹŃ å¡ij éĢł 大 èĥĨ å¿«éĢŁ åıijå±ķ çľĭ ä¼¼ æ¸ Ŀ è¿Ļæł· ä¸Ģ个 模 åĿĹ æ³¨æĦı åĪ° çł´ 解 èĩª ä»İ åijµ åijµ ä¹ĭ å¾Į ä¹ĭ æĹħ è·Ł æĪij æ³ķ 人 æİĴè¡Į æ¦ľ åĿļ å®Ī 好 å¤Ħ çŁ³ 头 并 å°Ĩ èĪ ± æŃ ĩ 两 岸 å¤ļ ä¹ħ 象 å¾ģ 个æĢ§ åĮĸ çļĦ è§Ĵ度 å¸ Ĩ ç¦ı å·ŀ æŁ¥ å¤Ħ 两 åĽ½ åIJ¸å¼ķ äºĨ é¦ĸ å¸Ń 大 åĵ¥ é¤ Ĭ 涨 å¹ħ éĢī çĶ¨ 許 å¤ļ èIJ½ æĪ· åĵĪ å°Ķ åĵĪå°Ķ 滨 åģļ ä»Ģä¹Ī 以 åħį é¾ į æĹł éľĢ åĪ°åºķ æĺ¯ æĢ ¡ åijĬè¯ī ä½ł éĺ² æ°´ è¿Ļ æŶåĢĻ 欢 ä¹IJ 转 åIJij è¿Ļ个 åľ°åĽ¾ åħ¥ é©» èįī åİŁ æĹ¶ä»£ çļĦ åıĺ åĬ¨ åĬłå¼º 对 åģ¶ å°Ķ å®Ī æĬ¤ æ°Ķ 温 人 éĹ´ æľĿ é²ľ ç»ı è´¹ åĽŃ æŀĹ å·¥ åľ° è§Ħ æł¼ åĩł åįģ è¯ķ åĽ¾ å¦ ĥ éĤ£ æŶåĢĻ å¼ĺ æī¬ ä¸ļ çķĮ çļĦ éĢŁåº¦ ä¼ļ ä¸įä¼ļ èIJ¥ æĶ¶ å°ıå¾® ä¼ģä¸ļ çľĭ è¿ĩ æĬĬ ä»ĸ éģµ 循 è¿Ļ è¾¹ 没æľī 人 å£ ¶ æ¹ĸ åįĹçľģ æŀģ åħ¶ çļĦ人 çĶŁ ä»ĸ è¿ĺ 转åĮĸ 为 èµ° è¿ĩ æĬ± çĿĢ çīĽ 奶 ä¸ĩ 亩 å¿ĥ æĢģ æĹ¥å¸¸ çĶŁæ´» ä½ĵ æ£Ģ æĻ ĥ çŃī é¢ĨåŁŁ æĩī 該 åı¯ä»¥ çľĭåĪ° æī¾ ä¸įåĪ° èĢģ å¹´ æĬĬ æĪij 积 åĪĨ 梳 çIJĨ ç» ³ çļĦ æĶ¿æ²» å¸Ŀ åĽ½ éĻª ä¼´ æ´Ľ éĺ³ åħ¬ æŃ£ å¼Ģ åı£ çī¹èī² çļĦ åĽ° å¢ĥ ä¸Ĭ æľī ç«ĭ ä½ĵ æīĵ å·¥ åķ¤ éħĴ åľ¨ éĤ£éĩĮ éĤ£ è¾¹ 个 åĪ« ä¸Ģå®ļ æĺ¯ çļĦéĩįè¦ģ æĢ§ 主 å¼ł åĴĮ æľįåĬ¡ ä¸Ĭ ç½ij è¡¥ åĬ© åıª éľĢ å¼ ¦ éģ ® åĬĽ äºī 度 è¿ĩ èij ¬ é¡¿ æŶ éĦ ī 纺 ç»ĩ åľ° åĿĹ ä¿¡çĶ¨ åį¡ ç½ļ 款 åijĬè¯ī æĪij éĽ Ļ 书 çĶ» è¨Ń è¨Ī æĢ» ä¼ļ åĪ¤ åĨ³ ä¿¡ èªī 个 èĤ¡ å¹³ 常 æĢİ éº¼ ä½ĵ çİ°åľ¨ é»Ħ æ²³ åĽĽå·Ŀ çľģ 羣 缸 åIJĦ项 å·¥ä½ľ åĬ¨ åijĺ å³° ä¼ļ ä¸Ģ æľŁ æľī ä¸Ģå®ļçļĦ é«ĺ度 éĩįè§Ĩ ç¹ģ èį£ åıijçİ° äºĨ ç½ij 红 æīĭ æ³ķ 家 åĽŃ 仪 åĻ¨ è¾ĥ ä½İ çļĦ å®īåħ¨ æ¡ IJ ä»ĺ 款 æĬij åĪ¶ åįĵ è¶Ĭ æŃ£ éĿ¢ åĵ ij 强 åĪ¶ ä»Ĭ天 çļĦ æĪĺ èĥľ 楼 å¸Ĥ æĭ¿ ä¸ĭ é¢ľ åĢ¼ 举 éĥ¨ çłĶ åĪ¶ çļĦ æĪĺçķ¥ åľ¨ ä¸Ģ个 ä¸ī 人 å®Į äºĨ æĸ° æĬĢæľ¯ ç»ıæµİ æķĪçĽĬ å¯Į æľī æ¾³ æ´² åĬ© çIJĨ é¢Ĩ åıĸ è° Ń çĩĥ çĥ§ ç´ł åħ» éĤĦ æľī è¿Ľ èĢĮ ä»Ģä¹Ī æĺ¯ çłĶ究 ä¸Ńå¿ĥ éĢĤ çĶ¨äºİ æİ¥ æĶ¶ 失 æľĽ äºĮ 级 éĹ´ çļĦ åİŁ æłĩé¢ĺ èªį çĤº æį ¡ 对 çĿĢ 对 éĿ¢ ä¸Ń åİŁ éĵ ĥ çĶŁäº§ çļĦ åıijå¸ĥ ä¼ļ 士 åħµ è¿Ļ åı¥è¯Ŀ ç¼´ 纳 ä¸Ģ个 个 åѸ çĶŁ çĸij éĹ® 交 èѦ 示èĮĥ åĮº 天 使 åľ¨ ä¸Ĭæµ· åIJĮ æĻĤ è½» æĺĵ åĶ¯ä¸Ģ çļĦ çĥŃ éĹ¹ ä¹IJ è§Ĥ çļĦ 身份 åĸĦ äºİ 大 åİħ èĤ¯å®ļ æĺ¯ éĺ² çģ« å¤ĸ åĩº æį® 说 é¡¹çĽ® çļĦ ä¸Ģ åı° èĻļ åģĩ ä¸Ģ ç¬Ķ ç«ĭ æ³ķ 严 èĤĥ æī¿ åĬŀ åįģ åĩł çļĦ 空éĹ´ æľ¬ ç½ijç«Ļ åģļ å¾Ĺ ä¿Ŀ 温 æľĪ åĪĿ åľ¨ ç½ijä¸Ĭ åIJĦ æĸ¹éĿ¢ ä¸ī 天 交æĺĵ æīĢ 解 æŀIJ åħļ ä¸Ń央 è¿Ľ åĩºåı£ åĴĮ 社ä¼ļ 次 æķ° ä¹ĭ 家 ç»´ 度 æ´¾åĩº æīĢ 产çĶŁ äºĨ 带 æľī å¾Ī 强 æľīäºĽ 人 å¹´ åIJİ äºĨ 许å¤ļ å¯Ĩ 度 åѦ æľŁ çıł æµ· æľĢå¤ļ çļĦ è¾¹ ç¼ĺ 容 éĩı 第äºĮ 个 ä¸Ģ缴 æĺ¯ ä¸į ç¦ģ æŃ ² ä»ĭç»į äºĨ ä¼ĺ éĽħ æ¯Ķ è¼ĥ èģĮ ä½į 温 æŁĶ æľī éĴ± æľĢ é«ĺçļĦ åįļè§Ī ä¼ļ ä¸į æĪIJ éĶĻ äºĨ è¯ģ çĽij è¯ģçĽij ä¼ļ æĪIJ 人 åĿĩ åĮĢ æľī åĪ© è¶Ĭ åįĹ æīĵ äºĨ 好 åIJĥ ç³» çµ± è·Ł éļı çļĦ åľ°ä½į æŃ£ å¦Ĥ ç¨į å¾® åį° åıij åĪĽ ç«ĭ é£İ åħī å°Ĩ æĪIJ为 ä¸į é«ĺ é¢ij ç¹ģ 设 æľī ä¼ ŀ æĭĨ éĻ¤ å½± åĥı æ¸Ĺ éĢı å¹´ å¼Ģå§ĭ ç½ij æĺĵ è¦ģ åģļ çĶµåĬ¨ 车 羣 å¿ĥ æµ· åĨĽ ä¼ł æĿ¥ å·® åĪ« è°¨ æħİ çĥŁ åı° åįĥ å¹´ è¯ģ å®ŀ çIJ ª çļĦ åħ·ä½ĵ åĪ° å¤Ħ ä¸į å®ľ èľ Ģ èĥ½åĬĽ åĴĮ çīº çī² çļĦ éĴ± 大 éĺŁ é¦ĸ è¦ģ ä¸į æĦ¿ çİ« çij° 人æ°ij ç½ij è¿ĺæĺ¯ è¦ģ åĽĽ å¹´ æįŁ 伤 çļĦ åģļæ³ķ éĿ Ī è¡Ķ æİ¥ åIJĪ æĪIJ 没 人 éŨ æ§Ľ ä¿¡ è´· çļĦ 缸åħ³ 举 é£İ 社 ä¿Ŀ ä¸ĭ 游 åĿĹ éĴ± è¿ĩ åIJİ çļĦ åºĶçĶ¨ é¥ ¶ é¢ģ åıij ä¸Ģ å¤Ħ åįİ å¤ı 为 ä¼ģä¸ļ åıª ä¼ļ ä¾µ 害 çļĦ åĬŁèĥ½ åѸ ç¿Ĵ ä¸Ńåįİ æ°ijæĹı åıijå¸ĥ äºĨ è¿İ æİ¥ æĪij èĩªå·± è¿ĺ éľĢè¦ģ 太éĺ³ èĥ½ åİ» ä¸ĸ æĺ¯ ä½ł åIJĪ åĬĽ ç»ĺ çĶ» åı° åĮĹ çĿ£ ä¿ĥ åĮĹ éĥ¨ æľī å¤ļå°ij å¾Ī éĩįè¦ģ åĪĴ åĪĨ åı· 线 æĶ¾ 大 ä¼ļ 被 èİ· å¥ĸ ä¹ĭ åĨħ 失 åİ»äºĨ çݩ家 们 éĩĩ éĽĨ å£ ¹ 家 ä¼Ļ çĻ½ 天 åĽłä¸º ä»ĸ 社ä¼ļ æ²»çIJĨ å¼Ģ åĪĽ çĶµ ç¼Ĩ æĸ° ä¸Ģ代 并 è´Ń å°± å·²ç»ı çļĦ 社ä¼ļ éĻ¤ éĿŀ åı¯ä»¥ çĶ¨ å© ī æ¯Ķè¾ĥ 好 å®ŀ ä¸ļ åĪĽ åĬŀ æıIJ èµ· é» ĥ ä½ı åľ¨ å¸Ĥ æĶ¿ éĿ¢ä¸´ çļĦ èĥ½ åľ¨ çŁŃ çŁŃ 羣 人 æĺİ æĺİ èµĦ åĬ© çļĦ ä¸įåIJĮ å°ı æľĭåıĭ é¢ĺ æĿIJ ç¾İ åij³ æĺŁ åº§ ä¸į ä¸Ģæł·çļĦ çľĭ ä¸Ĭåİ» ä¸Ģ æł¹ 广 å·ŀå¸Ĥ åıijçĶŁ çļĦ é«ĺ ç§ijæĬĢ ä¸Ģ è¾ĪåŃIJ 交 åıī ä½ĵç³» 建设 åĽłä¸º æĪij çıį æĥľ ä¸Ĭ åѦ æĪĺ æľ¯ æѤ ç±» 交 å¾Ģ æĮī æij© 人们 çļĦ åħ¶ 實 åİŁ æĿIJæĸĻ 渴 æľĽ 缸 å¤Ħ å¾® å¾® æ® · ä¹ĺ åĿIJ å¼Ģå±ķ äºĨ é«ĺ åĵģè´¨ æĹłäºº æľº ä¸įæĺ¯ å¾Ī çļĦ æĬķèµĦ èĬĤ çľģ èĩ ī ç²¾ éĢī çļĦ æłĩåĩĨ åįĹ éĥ¨ 认è¯Ĩ åĪ° å¹³ éĿĻ èĹ ¥ æī« é»ij æī«é»ij éĻ¤ æī«é»ijéĻ¤ æģ¶ éĢĻ 種 建çŃij éĿ¢ç§¯ ç¡® ç«ĭ 管çIJĨ åĬŀæ³ķ æĦı å¿Ĺ ä¸ ¨ 让 åŃ©åŃIJ æķij çģ¾ å½ĵ ä»Ĭ çģ« çģ¾ åIJĦ éĥ¨éŨ ä¾µ çĬ¯ æ¯ı åij¨ æı ½ ä¸Ģ次 æĢ§ åħ¶ä»ĸ 人 éĶĻ è¿ĩ ä¸İ åħ¶ åĭĩ æ°Ķ çĩĥ æ°Ķ é¦ĸ å±Ĭ æľį 饰 ç² ¥ å®Į æ¯ķ å°± æĬĬ åĬŀäºĭ å¤Ħ ä¸Ģä¼ļ åĦ¿ 离 ä¸įå¼Ģ å¦Ĥæŀľ æĤ¨ ä»ĵ åºĵ 导 å¸Ī åIJĪéĢĤ çļĦ 毫 ç±³ å®īåħ¨ æĢ§ ä¾Ŀ çħ§ 产ä¸ļ åĮĸ ä½ł çľĭ 羣çļĦ å¾Ī åѤ çĭ¬ éĺ² å¾¡ å¾Ī ç®Ģåįķ é£İ æ°´ ä½Ĩ ä¹Ł æݨ åĩºäºĨ æ°ijèIJ¥ ä¼ģä¸ļ çłģ 头 å¤įæĿĤ çļĦ ç»ĦæĪIJ éĥ¨åĪĨ åħħ满 äºĨ è¿ij åĩłå¹´ çľģ æĶ¿åºľ æľī å¿ħè¦ģ éĻ ³ ä¹ĭ ç±» ä¹ĭç±» çļĦ æĢ§ ä»· æĢ§ä»· æ¯Ķ åķĨ åºĹ å¸Ĥ åĢ¼ 人æīį åŁ¹åħ» æ·± åıĹ ç®¡çIJĨ å±Ģ æģIJ æĥ§ ä»ħ æľī æĬµ è¾¾ æµ· åħ³ èµĭ äºĪ äºĭ åĦ¿ ä»· éĴ± æīĭ ä¸Ĭ èĩª å¾ĭ åħ³ çĪ± 享 æľī éģĹ æĨ¾ å¾Īå¿« å°± æĽ´ å¿« æłĩ è¯Ĩ åºĨ ç¥Ŀ ä¹Ł 好 ä¸į æĺĵ æĪij å¾Ī æĶ¹éĿ© åıijå±ķ å¤ĸ åľ° æĬµ æĬ¼ è¯Ĺ 人 åİķ æīĢ æĸ° åªĴä½ĵ èĸ Ľ è°Ī è¯Ŀ ä¸Ģå®ļ ç¨ĭ度 èµ° åľ¨ æľĢ 强 åĬŁ çİĩ åħ± è¯Ĩ 大 æ¡¥ ä¸ĭ æĸ¹ å¤ĸ èµĦ ç¢ ± å·¡ è§Ĩ æ¹ĸåĮĹ çľģ 个 çĻ¾åĪĨ 个çĻ¾åĪĨ çĤ¹ çļĦ 责任 çļĦ åĵģçīĮ åĬ© æݨ åĪĽéĢł äºĨ ä»» èģĮ å¿« æį· æĿij åºĦ åİ» çľĭ æīį èĥ½å¤Ł å± ¤ æĪij 家 æĺ¯ä¸Ģ 款 ç¾ ħ åĨ° éĽª æŀģ 大 çģ¯ åħī éĨ ĭ ä¸İ åħ¶ä»ĸ æıIJåĩº çļĦ éĿł è¿ij è°ĥ åĬ¨ å°½ åı¯èĥ½ åıij åĬĽ ç»Ļ 她 éĢĤ éĩı è·¨ åĽ½ åħĪ è¡Į æĸ° æĿIJæĸĻ ä½ľ äºĨ 满 äºĨ ä¸į 满 çļĦçľ¼ çĿĽ çľĭ å¾Ĺ è¿Ļ ä¸Ģ次 é½IJ åħ¨ çļĦä¸Ģ éĥ¨åĪĨ ä¸ Ļ æ¸ħ æĸ° 說 æĺİ èº«è¾¹ çļĦ æīĢæľī 人 å½° æĺ¾ è± ¹ åį ¿ è¿IJ 转 æĮĩ å¼ķ å¸Ĥ åħ¬å®īå±Ģ åıĤ å±ķ ä¹ĭ æŶ éĩijèŀį æľįåĬ¡ èµĦæľ¬ å¸Ĥåľº èĥ½ 让 å¿ĺ äºĨ 天 åłĤ æ¯Ķå¦Ĥ 说 éĬĢ è¡Į èĽĭ ç³ķ çĶ © æł¸ å®ŀ æĻ® 京 ä¼ĺ ç¾İ åı£ èħĶ 漫 çĶ» çľ¼ éĩĮ äºĨ ä¸ĭæĿ¥ æĪij们 ä¹Ł ä¾ į 为 ä¸Ńå¿ĥ å¥ĩ 迹 éĿĴ çĿIJ æĪªèĩ³ 缮åīį åĩº ä¾Ĩ æĢ» åħ¬åı¸ å¼¥ è¡¥ ç®Ĺ æ³ķ å·¥ä½ľ 室 æīĢ以 æĪij æ°´ åĪĨ æīĢ å±ŀ ä¸į 说 ä½Ĩæĺ¯ åľ¨ è¦ģ åİ» åĪĽä¸ļ èĢħ ä¸į æ¸ħæ¥ļ åĽĽ åij¨ æĺ¯ ä»İ çļĦ æł¹æľ¬ çģ ¶ æ¯Ľ æ³½ æ¯Ľæ³½ 举 æµ· åı£ åĽĽ åįģ ä¹Ł 被 èģ · ä¸Ģ æīĭ 绩 æķĪ çļĦ çĶ·äºº 书 ç±į ä¸Ģ èĦ¸ 大 äºİ 鼶 éĥ¨ä»¶ åħ³ æĢĢ å¹³ ç±³ æļ´ éľ² å¾Ĺ å¤ļ ä¸ī 级 æľ¬ åij¨ 两 èĢħ 对 ä¸ŃåĽ½ åıª è§ģ 欧 ç¾İ å¦Ĥæŀľ æľī å·²ç»ı æĺ¯ çľĭ å®Į çģ« éĶħ èµ IJ ä¸Ģ éģį æĦŁ åĨĴ ç»ĵ å±Ģ ä»ĵ åĤ¨ å®ŀ åľ° åī¯æĢ» ç»ıçIJĨ ä¹Łä¸į çŁ¥éģĵ 碰 åĪ° åIJĪ 计 客æĪ· çļĦ ç½Ĺ 马 æĦī å¿« é£ Ľ çĥŃ çĥĪ 伦 æķ¦ åĮ» ä¿Ŀ éĺ¿éĩĮ å·´å·´ åĨį 说 为 åŁºç¡Ģ çĶŁäº§ ç»ıèIJ¥ è¿ĻäºĽ 人 åĪĹ è½¦ æ²³åĮĹ çľģ è¿Ļ 段 æ´»åĬ¨ ä¸Ń å© · çĶŁ çIJĨ ä¸ŃåĽ½ 人æ°ij éĦ Ĥ åIJ¬ åıĸ å¤į ä¹ł æľī çĽĬ æĶ¶ æĭ¾ å¾Ī åı¯èĥ½ ç½ij绾 游æĪı 们 çļĦ èµĭ èĥ½ éļ¾ å¾Ĺ åĪĨ æīĭ 羣 è¯ļ åħ¬åı¸ åľ¨ åĿĩ è¡¡ åı£ åij³ çīµ 头 ä¸ĢèĪ¬ çļĦ 轿 车 çŃī äºİ æ²ī é»ĺ æĪij éĥ½ å°ı ç¨ĭåºı ä¸Ģ åī¯ æī¿ è½½ åľ° è´¨ çķĮ éĿ¢ çĶµ æľº çĦ¦ èĻij éĶĢåĶ® é¢Ŀ æĸ° 车 ä¸Ĭ 游 主 æ¼Ķ éļIJ ç§ģ åıijå±ķ æĪĺçķ¥ çļĦ åĬªåĬĽ å¼Ģ åħ³ 解åĨ³ éĹ®é¢ĺ çĿ£ 导 对 æĬĹ å¾Īå¤ļ 人éĥ½ æĹł æķĪ 产åĵģ è´¨éĩı å®ī å¿ĥ åįİ äºº ä¸į 符åIJĪ èĩª 家 éĺµ å®¹ çļĦ åIJĦç§į çļĦ çIJĨ念 çļĦ æĸĩåĮĸ 为 èĩªå·± å±± æ°´ 游 æ³³ éľĩ èį¡ çĶŁæ´» æĸ¹å¼ı è¿ľ 离 çŁ³ åĮĸ æѤ äºĭ æĺ¯ çľŁçļĦ çļĦ æ¯Ķä¾ĭ çĶ¨ çĶµ 奥è¿IJ ä¼ļ ä¿Ŀ å®ī èĽĭçĻ½ è´¨ çļĦ å¿ĥçIJĨ å· « åı· çłģ æ°Ķ ä½ĵ åıij æĶ¹ åıijæĶ¹ å§Ķ åĮ» å¸Ī æ¶Ĥ æĸĻ æĺ Ĭ å¸Ĥ 级 ä¸ĸçķĮ çļĦ åĪĨåĪ« æĺ¯ çł´ 产 ä¸Ģ æĿ¯ æĭī å¼Ģ å¹³ åĩ¡ çļĦ åıijçĶŁ åĬ¨ æīĭ ä¸Ģ缴 以æĿ¥ æīĭ å·¥ éĩĮéĿ¢ çļĦ æĹł åħ³ ä»ĭ åħ¥ èµ° ä¸Ĭ å°±æĺ¯ è¦ģ å¹´ éĹ´ åĩº çı¾ å½± éŁ¿ å¹ħ 度 éĽ ģ éģĵ åħ· 缮çļĦ åľ° åIJİ èĢħ ä¸Ĭ æ¼Ķ äºĨ åĩł æ®ĭçĸ¾ 人 å¿Ļ ç¢Į æĺ¯åIJ¦ æľī 并 对 ä¼ļ 导èĩ´ æ°´ åºĵ ç»Ĩ èĩ´ åIJİ æĤĶ å¿ĥ æĢĿ åģļ äºĭ åİĤ æĪ¿ çĿ ¿ è¿IJèIJ¥ åķĨ 头 éĥ¨ çļĦ è§Ĵèī² æĺ¯ ä»ĸ æĹ¢ æľī å°ıæŶ åĢĻ 强 åĬ² 主 æĴŃ åħ¨åĽ½ åIJĦåľ° æį ı æįŁ åĿı åķĨ ä¼ļ ä¿Ŀ ç½Ĺ çľģ å¸Ĥ éļ§ éģĵ æľī ä¸įå°ij è¦ģ åľ¨ 建设 é¡¹çĽ® ç³ĸ å°¿ ç³ĸå°¿ çĹħ æĿ¡ä»¶ ä¸ĭ ä¼ĺè´¨ çļĦ é¦ĸ åıij å½ĵæŶ çļĦ 丰 çĶ° 大 çĽĺ 缸 继 å®ģ å¤ı åħ¥ ä½ı æĪij è¿ĺ åħĭ æĸ¯ å®ļ ä»· å¹³æĸ¹ åħ¬éĩĮ çļĦ çŁ¥è¯Ĩ æĪij们 ä¼ļ åħĥ å®Ŀ ä½ĵ éĩį è³ £ 对 æĪij们 çŁ³ 家 çŁ³å®¶ åºĦ ç²¾ åįİ å½¢ çĬ¶ åıĹ åĪ°äºĨ ä¿® 订 ç¾İ åľĭ é«ĺ æ¸ħ çľ¼ éķľ è§īå¾Ĺ èĩªå·± 带 ç»Ļ åĶ® ä»· éŨ 票 åŃķ å¦ĩ çĶµè§Ĩ åı° åıij ä½ľ çļĦ åij³éģĵ éķ¿ è¿ľ åħ¬åħ± æľįåĬ¡ æŃ£å¸¸ çļĦ æľī è¿ĩ é£İ æĥħ æ¯Ķ éĩį åIJ » 管çIJĨ å·¥ä½ľ 综åIJĪ æĢ§ å·² 被 说 èµ· æİĴ æ°´ ä¸įæĸŃ åľ° æĥħ æĢĢ è¾ĵ éĢģ è¿ĩ æķı çļĦ åı¯èĥ½æĢ§ æľį çĶ¨ æľī 许å¤ļ å§Ķ åī¯ä¹¦è®° åĮĸå¦Ĩ åĵģ æļĤ åģľ æĬķèµĦ 人 çıŃ çº§ 说 çĿĢ åįĹ åĮĹ åĪĨ è¡Į çıł å®Ŀ å¯ ¶ å¢ŀ å¤ļ 被 åĬ¨ çī¹æ®Ĭ çļĦ éĹľ ä¿Ĥ çļĦ èĦ¸ æĥ Ł ä¸į ä¸Ģå®ļ ç¶ Ń çģ« çĪĨ 秣 éĩij çŀ § éĩį 建 è· ª ä¸Ģ 種 çļĦ åIJĪä½ľ å®ī æħ° ä»į æĺ¯ ä¸ĵä¸ļ åĮĸ è°ĥ 解 ä¸į 妨 éĢĻ æĺ¯ å¿ħ éłĪ ä¼Ĭ æľĹ å¾Ĺ äºĨ æľįåĬ¡ å¹³åı° å§ ¬ åħĪ éĶĭ çİĭ åŃIJ çļĦä¸Ģ åĪĩ æĢ» çIJĨ åĵ ¼ çª ij çļĦå¿ĥ æĥħ çļĦ éĩį大 çij Ł ä¸Ģ ç¬ij åıijå±ķ ä¸Ń åģ¥åº· åıijå±ķ åĵģçīĮ çļĦ ç¦ ® ä½Ļ 人 ä»Ĭå¹´ 以æĿ¥ æķ° çłģ çŃ¾ è¯ģ åİ» æī¾ åŁºéĩij ä¼ļ æĬ± æĢ¨ æŃ£ å½ĵ çıŃåŃIJ æĪIJåijĺ ä¸į åIJĪæł¼ åĪ¶ å®ļäºĨ ç¼ĵ æħ¢ åĪ¶ 约 æłı 缮 å¸Ĥåľº ç»ıæµİ ç»ĦæĪIJ çļĦ 严 å³» æĹ¥ 讯 ä¸ĢçĤ¹ çĤ¹ æĺ¯ æĢİä¹Ī çļĦ çħ§çīĩ éĺ» æŃ¢ 模 ç³Ĭ ç¼ ¸ éģķ åıį æIJ¬ è¿ģ éĩij éĴ± å½ ¬ ä¸į å®ī æĪĺçķ¥ åIJĪä½ľ å¡« åĨĻ 讲 究 åħħåĪĨ åĪ©çĶ¨ èĥ½ å¤ł èij¡èIJĦ éħĴ éĩĩçĶ¨ äºĨ åľ¨ ä»Ĭå¹´ ä¸Ńå°ı åѦ åľ¨ æĦı çļĦ åİĭåĬĽ ä¸į 幸 åĪ¶ èį¯ åı¯ä»¥ 让 被 è¯Ħ为 ç»Ĩ èıĮ æĪı åī§ åįĬ 导 åįĬ导 ä½ĵ è§Ĩ è§Ĵ åĸľ æŃ¡ å¾ģ æĶ¶ è°ĭ åĪĴ æŀģ 大çļĦ çĤ¹ èµŀ è®°èĢħ ä»İ 两 åIJį èĩª åĬ© èµ· æŃ¥ æĬ¤ 士 å®Ŀ 马 太 åŃIJ å°ıå°ı çļĦ 温 æ³ī åĩºç§Ł 车 秣 æĪ¿ 两 家 éľĩ æĴ¼ ç§ī æī¿ ä¸Ģ件 äºĭ çĥĪ 士 å®ĺ åħµ 转 身 ä¹IJ åĽŃ çĻĮ çĹĩ 模 èĮĥ æĦ £ è¿ĩåİ» çļĦ 代 ä»· çļĦ æ¦Ĥ念 åĩł çĻ¾ è´µ éĺ³ æĭħ 忧 éĢĤ å®ľ çݯå¢ĥ ä¿ĿæĬ¤ çĥ « ä½ł æĥ³ æѤ åIJİ ä½ł ä¹Ł çį İ éĻ¤ æѤ éĻ¤æѤ ä¹ĭå¤ĸ è°ĥ 度 ç§ij 缮 æīĢ说 çļĦ åĬ ĩ 忽 è§Ĩ ä¸ī 次 ä¸Ģ æĹ¥ åŀĤ 缴 ç«ŀ æĬĢ éĿ¢ åĮħ 大 æĪĺ æIJº 带 å¦Ĥæŀľ 没æľī åħ» æĪIJ åĩº è¡Ģ çĪ±å¥½ èĢħ æīĵ éĢļ èµ· è¯ī åijĪ çİ°åĩº æŃĮ æīĭ åľ¨ å¤ĸ é¢Ĩ导 å¹²éĥ¨ åĨ ¥ èĪĨ 论 æıIJ åıĸ éĺ¿ å°Ķ æľĽ çĿĢ ä¸ī äºļ è² ¡ åĪ ·æĸ° æĻļ æĬ¥ è¿ĺæľī ä¸Ģ个 åĨ° ç®± ç½ij çĤ¹ åĩº åħ· 强çĥĪ çļĦ æĪij çĽ¸ä¿¡ å¸ĮæľĽ èĥ½ çīĻ 齿 äºĭ å®ľ ä¸ļåĨħ 人士 代 æĽ¿ åıĺ å½¢ éĽ ² è°ĥ æݧ åĪĽæĸ° åĪĽä¸ļ æĭĨ è¿ģ æł¸ æŁ¥ éĢ Ĺ åħ¥ åѦ æĦı åIJij æı Ľ ä¸ĭ 次 ä¼ł è¾ĵ ä»ĸ们 åľ¨ èĢĮä¸Ķ è¿ĺ æĹ¥ åľ¨ æķĻ è®Ń æ´» çĿĢ çļĦ æľīæķĪ å¤įå·¥ å¤į å¤įå·¥å¤į 产 æĺ¯ä¸Ģ 件 çŃī çĿĢ å¾ © åĭĩ æķ¢ éģŃ åıĹ å¥Ķ é©° 讲 座 说 å®Į ç»Ļ åĩº è° ¦ è¯Ĭ çĸĹ çĽ² 缮 客 è¿IJ å°± è¿ŀ å¼Ģ åħĥ å¼Ģåħĥ æ£ĭçīĮ ä¸įæĸŃ æıIJåįĩ çĶ¨æĪ· çļĦ æĴ ķ ä¾Ľ æ°´ ç¶ĵ æ¿Ł ä¸Ń åĮ»èį¯ èģĶ æĥ³ åħ¬äº¤ 车 èĪª çıŃ æĬĢ è¡ĵ å¼ķèµ· çļĦ å° ¹ èµĦ æ·± åĽ½èµĦ å§Ķ èĺ Ń é¼» åŃIJ éĹ ½ æİĴ éĺŁ è§Ĥ åħī éģĹ åĿĢ 举 京 é¥Ń åºĹ ä¸įæĸŃ çļĦ å°±æĺ¯ ä¸Ģ个 éķ¿ ä¹ħ çļĦ è§ĤçĤ¹ å¨ ¶ æĪij çİ°åľ¨ çķ ° å¾Ĺ åĩº å¿ħ å®ļ ä¸į åıĹ åıª éľĢè¦ģ åĽ° æī° ç§ijåѦ æĬĢæľ¯ çīĽ èĤī è¾ĥ é«ĺçļĦ è·ij æŃ¥ æ² ¾ èı© èIJ¨ æľĢ å¾Į ä¿Ŀ å¯Ĩ æ²» å®ī éĤ ± 常 è¯Ĩ èĦ¸ èī² åĮĹ å¤§ æ±ĩ èģļ æijĨ èĦ± é¾Ļ头 ä¼ģä¸ļ 女 åıĭ çŃī å·¥ä½ľ ä¸Ń ç¾İ èģĮ åľº èĦij è¢ĭ åĨĻ çļĦ 饲 æĸĻ åĬ³ åĬ¨åĬĽ å± ¯ æĮģ èĤ¡ åĽ¾ åĥı è¿ĩåİ» äºĨ è² ¨ è¾ ² éĹ® æĪij è·Ł ä½ł çĶŁ æŃ» 审 ç¾İ é¢Ĺ ç²Ĵ ä¸Ń æĸ¹ åĬł çĥŃ æĹħè¡Į 社 çĻ¼ çĶŁ ä¸į åłª åĤ · æ¥ ł åĬŀ æ¡Ī æŁ Ħ æĹ¢ æĺ¯ å¤Ħ åĪĨ 羣å®ŀ çļĦ æĬ¥ 纸 å¸Ī çĪ¶ å®īå¾½ çľģ åī¯ 主å¸Ń ä¹ĭ éģĵ 导 å¼¹ åŃ¦æł¡ çļĦ åŁİå¸Ĥ çļĦ è°Ī åĪ° æ¢ Ĺ å¹³ éĿ¢ 说 ä»Ģä¹Ī é¢ij çİĩ éķ¿ ä¸īè§Ĵ çļĦ åĪ©çĽĬ é» ¨ è±Ĩ èħIJ å®ŀéĻħ æĥħåĨµ æŀĹ ä¸ļ 纪æ£Ģ çĽijå¯Ł ä½ı éĻ¢ çļĦ æķ´ä½ĵ åīį è¡Į æĮ ¨ çħ¤ çŁ¿ åī¯æĢ» è£ģ å°ı åIJĥ æŀģ 端 å©Ĩ å©Ĩ çİ° è´§ è¯Ĺ æŃĮ éĴ¥ åĮĻ 缩 çŁŃ ä½Ĩ è¿Ļ æĸ° åĵģ è¿Ļ 对 çŁ¥åIJį 度 å¿ĹæĦ¿ æľįåĬ¡ 大 å±Ģ è¡¡ éĩı ä½ĵçİ° äºĨ æ¡ĥ èĬ± åIJ¸å¼ķ åĬĽ åł ¤ æĵħ éķ¿ åĴ Ĵ 缸 æľº ä¸Ģ ç«Ļ ä¸Ģç«Ļ å¼ı æľĢ ç¾İ æ°¸ ä¹ħ çļĦ éĥ¨åĪĨ åĪĨ å·¥ å·¥ç¨ĭ 建设 æIJŃ è½½ æ°´ ä¸Ń èĮ ¨ çļĦ æĵįä½ľ 绣 æ²» çķħ éĢļ åħļçļĦ åįģ è¼ ¸ æ¸ ¬ ç¾İ è§Ĥ ä¸į åĪ© åıį æĢĿ éªĦ åĤ² æłĩ çļĦ æĿĢ 人 éĺ¿ å§¨ é£Ł æĿIJ åIJĥ çļĦ åIJİ åĨį çŁ £ 两 侧 æ¸ħ æ°´ è¿Ľ çIJĥ å¼Ģå§ĭ äºĨ åIJ¬ äºĨ çĦĬ æİ¥ çŁ ® å¨ Ł 为 人 éĢģ ç»Ļ åĨĴ éĻ© æķ · ç»Ī æŃ¢ æīį çŁ¥éģĵ è¿IJ æ°Ķ éĢļ é£İ æĥĬ 讶 ç§ijåѦ éĻ¢ æıIJ éĹ® 太 åİŁ 缸åIJĮ çļĦ ä» ķ èģ ĸ æĥħ æ³ģ é¢Ĩ导 人 åĩºæĿ¥ äºĨ 沿 线 éĻ ½ æĦŁ 覺 ä»į åľ¨ æ© Ļ 约 为 åĸĿ éħĴ çĶ¨ èį¯ ä¸ĭ ä¸Ģ æ³ķ å®ĺ 顺 åºı åģļ ä¸Ģ个 åĭ ¢ æŃ ª çĶµ ç«ŀ ä¼´ éļıçĿĢ ä¹ĭ åĬĽ ä¹ĭ 人 äºij 计ç®Ĺ åĪ«äºº çļĦ ç§ijåѦ åıijå±ķ 第 åħ« å¹² æī° 女 ç¥ŀ è¿Ļæł· åģļ å¤Ħ åľ¨ æ°´ è´¨ éķ¿ æĺ¥ å¸Ĥåľº éľĢæ±Ĥ ç»´ æĿĥ èĢ³ æľµ æĸĩåĮĸ çļĦ 奶 ç²ī ä¼ł è¾¾ æīĭæľº çīĪ æĽ¾ åľ¨ äºĮ æľŁ åİŁåĽł æĺ¯ æºIJ 头 åıĪ èĥ½ è£ ¸ æĬĢæľ¯ åĪĽæĸ° æĸĩåĮĸ æĹħ游 åıij 票 å¹´ 级 ä½ł ä¸į ä¹ĭ å¿ĥ æķ° çĻ¾ åIJij å¾Ģ èĢģ 家 åľĭ éļĽ çļĦ é«ĺ度 æľĿ éĺ³ æ¸ħ éĻ¤ èĩª æľī 书 ä¸Ń 游æĪı è£ħå¤ĩ ä¸ĩ å¤ļ 驾驶 åijĺ ä½ł çŁ¥éģĵ åĽ½ åºĨ é£Ł åłĤ æİ¥ åı£ æĢ» æķ° åħ¶ä»ĸ çļĦ çĶŁåij½ çļĦ ä½ł åľ¨ çļĦ 缮åħī è¿Ļ æĸ¹éĿ¢ éĥ½ 说 çĸĹ æ³ķ åĭĩ 士 åľ¨ åħ¨çIJĥ ä¿ĿéĻ© åħ¬åı¸ çĿ£ æŁ¥ åĸĦ èī¯ 表 å½° è¹ ² è·¯ 段 æľĥåĵ¡ è¦ı æľĥåĵ¡è¦ı ç¯Ħ æĪ· åŀĭ ä¿ĥ 使 ä¿® 建 é«ĺ æ°´å¹³ åģļ åĩºäºĨ 主 åľº è¡Į èµ° 空 çĻ½ æľī人 说 è¿Ļ个 ä¸ĸçķĮ åIJį ä¹ī å®Į ç¾İçļĦ 羡 æħķ åıĬ åħ¶ä»ĸ åı¯ çĶ¨ æĭ IJ è¾ĥ 大çļĦ æĬĢæľ¯ åĴĮ å°¼ äºļ çĻ¾ è´§ æı ī éĢī è´Ń éĺŁ åıĭ ä¼ł æĦŁ ä¼łæĦŁ åĻ¨ åıªè¦ģ ä½ł 为ä»Ģä¹Ī è¦ģ ä¸ĵ注 äºİ ä½Ļ é¢Ŀ åħ¸åŀĭ çļĦ 缮åīį å·² 欲 æľĽ èģĶ 绾 æµģ ä¼ł çļĦ 家åºŃ åı· åı¬ çıį è´µ ä¼Ł 大çļĦ éī´ äºİ è·Ł ä»ĸ 产 çī© ä¸į å·² è¿Ŀæ³ķ è¡Į为 头 ä¸Ĭ åĪĨ 解 åı¯ä»¥ çľĭåĩº æł¡ åĮº åŃĹ ä½ĵ ä¿® çĤ¼ çĶļèĩ³ æĺ¯ å¾®ä¿¡ åħ¬ä¼Ĺ åıĸ 代 èIJ¥ä¸ļ æĶ¶åħ¥ æ½į åĿĬ ä½ł èĥ½ 社ä¼ļ ä¿Ŀéļľ æ¯ĶèµĽ ä¸Ń 污水 å¤ĦçIJĨ 夫 å¦ĩ ä¸Ģ å¹ħ 沿 æµ· åı£ æĦŁ ä½Ĩ åį´ å½ĵ æĹ¥ çļĦ æľĢ大 æ¯ı ä¸Ģä½į 没 äºĭ çī¹ åĪ¥ å¼Ģ åѦ è·¯ éĿ¢ å¿ĥçIJĨ åѦ æĶ¾ ç½® éĩįåºĨ å¸Ĥ ä½ł èĩªå·± æ¶Īè´¹èĢħ çļĦ ä¸Ģ æ³¢ èѦ æĥķ åį§ 室 注 å°Ħ é£İ 鼨 沿 çĿĢ åijĬ 訴 表 çİ°åĩº åĽĽ æĺ¯ åı¤ åħ¸ æĽ´ éĩįè¦ģçļĦ 好 äºĭ çľ¼ 泪 æ¨ ĵ 审 åĪ¤ 碰 æĴŀ 车 ç«Ļ è¿Ľåħ¥ äºĨ éĽĨ åIJĪ æł¼ å¤ĸ 宾 é¦Ĩ æĶ¯ä»ĺ å®Ŀ 她 æĺ¯ æĺ¯ å¦Ĥä½ķ 人 次 çļĦ æĪIJåĬŁ æĹł åĬĽ æµ· æĭĶ æĺ¥ åŃ£ éĥ½ ä¸įä¼ļ çŃī å¤ļç§į ä¸Ģ个 å°ı åģľè½¦ åľº 让 æĽ´å¤ļ è¿Ļ çĤ¹ æĪIJ åĵģ éĴ ī éģĩ è§ģ çıŃ ä¸»ä»» æĦı æĦ¿ çļĦ åIJĮåѦ 游 è§Ī åİĭ 缩 åľ¨ ä¼łå¥ĩ å¼¹ æĢ§ æĹ¥ åĨħ ç¦ı建 çľģ è§Ĵ èIJ½ åĪĨ å¼Ģ ä¼ļ 让 å¤ĸ åĽ´ çĨŁæĤī çļĦ çĨ Ķ ä¸ĩ è¾Ĩ å¤ľ éĹ´ 车 身 ä¸Ń æľŁ å®ĮåĸĦ çļĦ åĵģ ç±» åıĭ è°Ĭ éĢīæĭ Ķ éªij 士 å½ ¦ çļĦ çľĭæ³ķ åĽ½ çİĭ è¾£ æ¤Ĵ åıijå¸ĥ æŶéĹ´ åı¤ åŁİ éļı æľº ç« ĸ å¼Ģ è¾Ł ä¼Ĺ çĶŁ 没 åĬŀæ³ķ åįĥ éĩĮ æĿ¥æºIJ äºİ çļĦ æĿĥåĪ© æ¯Ķ åĪĨ 满æĦı çļĦ ä¿® è¡Į åĿ ł 大 æµ· èİ ¹ åĩº 身 è« ĩ åħ³ èĬĤ åIJį 人 éľĢè¦ģ 注æĦı æĹ© æĻ¨ å¤ĸ åįĸ åıĪ è¦ģ æ¶ī æ¡Ī çĶ³è¯· 人 éĻĦè¿ij çļĦ åĬłå¿« æİ¨è¿Ľ æĸ° å¹´ 大 è¡Ĺ ä¸Ģ é»ŀ èĭı å®ģ æĤĦ æĤĦ èĦ¾ æ°Ķ å¸Į èħĬ éļı åį³ æķ¢ äºİ å®ŀè·µ ä¸Ń æĺ¯ æ²¡æľī æľī趣 çļĦ æĿ¥èĩª äºİ è£ģ åĪ¤ 女 åŃ©åŃIJ èĩ³ åħ³ èĩ³åħ³ éĩįè¦ģ æĻº åĬĽ èµ° åĩºåİ» çŁŃ æĿ¿ 大 åĽ½ çļĦ 认è¯Ĩ å¹´ å¤ľ åĨį åĪ° åIJĮ æł·çļĦ å¯Ĩ å°ģ å¤ĸ交 éĥ¨ çĶŁ æķĪ æĤ¨ åı¯ä»¥ ä½ł åĢij è¿ĩ å¹´ å¼ ĵ è¡Į æĿİ æ¯Ķ èµ· 身 é«ĺ è¿Ļ个 人 ä¸Ń å¤ĸ éģĵ æŃī çĽ¯ çĿĢ 亲 åŃIJ éĹ ¸ çĻ½ äºij èĦĸ åŃIJ ä¸ĢåĪĩ éĥ½ æ· ij è° ľ åģ¶ çĦ¶ éĿł è°± é«ĺ 管 ä¸ĭ åıij æĶ¾ åĪ° ç±» åĪ« ä¸ĭ åĪĹ æ·· ä¹± åIJĪæ³ķ æĿĥçĽĬ çݯ çIJĥ æľīæķĪ åľ° åķĨ æĪ· æ¹ĸ 人 æµ· 岸 æĬķ 产 两 个æľĪ éĥ½ éĿŀ常 å¢ŀ强 äºĨ æĿ¥ åĪ°äºĨ åī© ä½Ļ æĤ¨çļĦ åŃ©åŃIJ æµģ æ°´ æŃ£ ä¹ī 天 çĮ« åģļ è¿ĩ ä½ķ æŶ æĪij åİ» çľģ 份 å¥ĸ éĩij 该 å¦Ĥä½ķ ä¸ĭ çıŃ åģ¶ åĥı æijĨ æĶ¾ æĸ° 模å¼ı æĬķ è³ĩ è·¯ åı£ åĨľæ°ij å·¥ 大 åѸ 件 äºĭ æł¹æľ¬ ä¸į æµĵ 度 æµĵ åİļ è½® èĥİ æĪ¿ ä¼ģ éĿŀ常 好 ä»İ ä¸Ń 人 æł¼ ç¿ ģ æŶéĹ´ åĴĮ è¿Ļ ä¸įæĺ¯ åĪ¸ åķĨ æĥĬ 人 åĻ¨ å®ĺ åĩĨ åĪĻ æĥħ æĻ¯ æĽ´ é«ĺçļĦ åѦ 家 泡 沫 åľ°æĸ¹ æĶ¿åºľ å°± çŁ¥éģĵ åij¼ åIJģ ç»ı è´¸ èĬ± éĴ± æľī ä¸Ģ次 æĦŁ æħ¨ ä¸Ģ åįĥ å¤ľ æĻļ 詹 å§Ĩ 詹å§Ĩ æĸ¯ è¦ģ éĹ» ç» Ĵ æºIJ äºİ çļĦ è´¨éĩı 注æĦı äºĭ项 æħ¢ æĢ§ 稳å®ļ çļĦ 建设 åĴĮ æĻ¯ 象 éĩı åĮĸ çļĦ 話 è¯Ħ 级 æº ľ 红 åĮħ éĢļ éģİ ç¤¾ä¼ļ 责任 æĸ° 产åĵģ åĨ· éĿĻ çľĭ ä¸įåĪ° èģĶ éĤ¦ éŃ Ħ çļĦ åīįæıIJ çļĦåīįæıIJ ä¸ĭ è¾ĥ 好 çļĦ æĦŁæĥħ 客æĪ· æıIJä¾Ľ çĭ¬ èĩª å¢ŀ æĶ¶ æĸĩ çĮ® æĭ¼ åij½ 管çIJĨ åĴĮ æµģåĬ¨ æĢ§ åħ¨ 家 ä¸Ĭ æĸ¹ æݨåĩº çļĦ ä¸ī åĽ½ ä¸Ģ个 æĺ¯ æĸ° ä¸Ģè½® æĸĩåĮĸ éģĹ产 æ® º 大 æ¹¾åĮº éĥ½ éľĢè¦ģ çļĦ å®ŀéĻħ ç· Ĭ 大 å¥ĸ åħī èĬĴ 便 äºİ çļĦ 表æĥħ æ¼Ķ ç»İ 红 åĨĽ å½ĵ æĪij æ²» æĦĪ é¢Ŀ 度 éĿ ľ ä»»ä½ķ 人 è¡Ĺ 头 çī¹ æĸ¯ çī¹æĸ¯ æĭī åĮ»çĸĹ æľºæŀĦ ç»Ļ åŃ©åŃIJ è§Ħ 磩 è£ ľ çļĦ 身影 ä¸ĵ æłı æĿ¥ 临 ç«¥ å¹´ å¤į èĭı è¨ Ĥ åŀĭ åı· åĽ¾ æ¡Ī ç®Ģ åİĨ æĭ ± èį· åħ° ä»» æĦı æī¿ æİ¥ è¿Ļ æīį 客 车 æľĿ çĿĢ éłħ 缮 åı° é£İ çļĦ æĪ¿åŃIJ éª ı æĿ± 西 éģĹ ä¼ł è¶Ĭ å¤ļ äºĨ ä»ĸçļĦ ä¸Ĭ åij¨ 管çIJĨ åĪ¶åº¦ 失 ä¸ļ çĶ· åıĭ æİ¥ ç§į å¨ģ åIJį çĴ° å¢ĥ åıijçĶŁ åľ¨ 个 åĽ½å®¶ åĪĽæĸ° åıijå±ķ æĶ¹åıĺ äºĨ åģ¥åº· çļĦ åĢ¼å¾Ĺ ä¸Ģ åĢ¼å¾Ĺä¸Ģ æıIJ åĽ¢ ä¼Ļ åģĩ 设 åı° ä¸Ĭ è§ĦèĮĥ åĮĸ éĻª åIJĮ 座 æ¤ħ åı¯ æĢľ åħĭæĢĿ 主ä¹ī æ³ķå¾ĭ 责任 ä¸Ģ é¡¿ æĬ¬ 头 为 éĩįçĤ¹ è¿ľ æ´ĭ éĢı è¿ĩ åħ¨çIJĥ åĮĸ 趣 åij³ 票 æĪ¿ æ¯ı 人 åIJĦç§į åIJĦæł· äºĨ åĩºæĿ¥ ç»Ŀ对 æĺ¯ ä¸ĭ å±ŀ ä¸Ģ åıĮ è¿Ļ åĿĹ æĬĹ çĸ« è¦ģ çĤ¹ å½¢æĪIJ çļĦ æĪij çľĭ ä¸ĩ éĩĮ èĢĥ çłĶ 为 åħ¶ æ°ij 宿 å¤ļ ä½į 大 èĩ´ ä»ĺ è´¹ åħ¥ æīĭ å±ħ 家 æīĢåľ¨ åľ° 人 身 è¿ĩ å¾Ĺ è¯ķ è¯ķ 访 è°Ī åĬł éĩį å°± ä¸įä¼ļ çĶŁäº§ ä¼ģä¸ļ åĽŀ åĽ½ åºķ 线 赶 åĪ° æĶ¯ éĺŁ æĪij们 éĥ½ éĤ® æĶ¿ 缴 èĩ³ éĴ¢ çIJ´ åħ ľ çłĶ讨 ä¼ļ æľĪ 亮 åĿļæĮģ 以 åħ¬å®ī éĥ¨ éĴ¢ 管 å°ı çĻ½ ç½® ä¸ļ èģ ĭ 书 åĨĻ æĿ ı éħį æĸ¹ èĢĮ åıĪ çijŀ 士 çķĮ çļĦ èĢģ 大 æĪIJçĨŁ çļĦ å¹² ä»Ģä¹Ī ä¸ĵ项 æĸĹäºī çŃī å¤ļ个 èĦ± 离 ä¸ī 个æľĪ çłĶ究 åijĺ æĹĭ 转 æŀģ èĩ´ åħį è´£ åħįè´£ 声æĺİ å¾Īå¤ļ çݩ家 车 ä¸Ĭ 交 äºĴ å·² æĺ¯ ä¸Ģ å°ı çļĦ éĩįçĤ¹ èĬ± äºĨ ä¸į æĺİ æľīåħ³ è§Ħå®ļ çĬ¹ å¦Ĥ çľ ¸ å¯ ¡ çļĦ è¡£æľį åĮħ 裹 身 åŃIJ å¸ĪèĮĥ 大åѦ äºĭ åħĪ 线 æĿ¡ æ³ķ åĪ¶ åħ» æĬ¤ 稳å®ļ æĢ§ éĤ µ åŀĦ æĸŃ é¡ į èĢĥ åı¤ æĿł æĿĨ èĭı èģĶ æ°´ çĶµ åħ·ä½ĵ çļĦ æ¿Ģ æ´» æĪij æł¡ åĪļ å¼Ģå§ĭ åĩ¸ æĺ¾ ç¦ ¾ åħ¼ èģĮ éĢı éģİ åľ¨ 游æĪıä¸Ń 社ä¼ļ åıijå±ķ 好 çİ© å¹» æĥ³ ä¸į 代表 注æĦı åĬĽ æ£ į çĶ¨ æīĭ ç¾İ 人 许å¤ļ 人 å¾Ī æĺ¯ çļĦ çłĶåıij æīĵ åĩº åIJĪä¼Ļ 人 ä¸Ģ å¤ľ ç¼ĵ ç¼ĵ ä¿® æŃ£ æĦŁ çŁ¥ ç»Ī 身 æ¿Ģ ç´ł çݯå¢ĥ ä¸ĭ 次 ä¼ļè®® ç»ıæµİ å¢ŀéķ¿ æī Ľ åıij éħµ åĪĨæŀIJ å¸Ī åľ¨ æľªæĿ¥ 主è¦ģ æľī ä¸Ģ åŃ£åº¦ çļĦ 说æ³ķ ä»İæĿ¥ 没æľī è´§ 车 缩 å°ı 太 è¿ĩ æķĪ åĬĽ ä¸į ä¸ĭ æĬķ 稿 èį¯ ä¸ļ ç»Ħ éķ¿ ç«Ļ çĤ¹ å¾Ī åĸľæ¬¢ éIJ µ åĬ¿ 头 æ¼ı æ´ŀ æĦ¤ æĢĴ åħħ å®ŀ åĪĽä¸ļ æĿ¿ çĪ ª æľª å¿ħ åºķ éĥ¨ å¾Ĺ åĪĨ 人æ°ij åĮ»éĻ¢ äºĮæīĭ æĪ¿ å·²ç»ı 被 大 楼 æĸ° æĪ¿ 辦 æ³ķ çĶ¨ åĬĽ æĭĵ 宽 åĨħ åľ¨ æĴŃ åĩº 饰 æ¼Ķ ä¹Ł 让 ä½ľ çĤº çī©ä¸ļ 管çIJĨ åį´ ä¸į 为 ä¸ŃåĽ½ å±Ģ åĬ¿ ä¸į èĤ¯ æľĢ æĸ°çļĦ åı¯ä»¥ éĢīæĭ© æĺ¾ çİ° å°± ç®Ĺæĺ¯ åľ¨ æł¡ é¾ Ł 两 æĿ¡ çļĦ å®ŀåĬĽ è¶Ĭ 好 她 åľ¨ å¿ł è¯ļ ä¹Ł éľĢè¦ģ 游æĪı æĵįä½ľ è¶ħ åĩº å¦Ĥæŀľ ä¸į æīĢåľ¨ çļĦ ä½ł è¿ĺ 以 åĨħ æľī ä¸Ģå®ļ åı¯ è¾¾ è·ij åĪ° åī Ľ 建ç«ĭ åģ¥åħ¨ æķ´ 车 åīį æĸ¹ éĹ´ æİ¥ çŃ¹ å¤ĩ çĸ² åĬ³ 离 å¼ĢäºĨ æ± Ŀ éĿ¢ éĥ¨ ä¹ĭåīį çļĦ åıĺ 为 å¦Ĥæŀľ 说 对 ä»ĺ åĿĩ åı¯ 被åijĬ 人 ç²¾ ç¾İ èģļ ä¼ļ çĿĢ æĢ¥ è°· æŃĮ ä¸Ģ åı· 红 åĪ© ä¼łå¥ĩ 游æĪı å» ĸ è´ ŀ ä¹° åĪ° éŃ ļ ä½ĵ è´¨ å°ij äºĨ æ³ī å·ŀ åIJ Ł ç»Ŀ ä¸į é»ij æģ¶ é»ijæģ¶ åĬ¿åĬĽ ä¸Ĭ æĺł çļĦè¯Ŀ é¢ĺ ä¸ĩ人 次 ä¸ĸ éĹ´ çĶ¨ å·¥ è´¯ ç©¿ å®Ŀ çŁ³ ä½ł 好 åĪĩ åī² 强 åĽ½ åĽŀ èIJ½ æ°´ æĻ¶ 模 仿 æ´ª æ°´ éĢĻ 麼 åįģä¸ī äºĶ ä½ ij éĻ Ħ件 çļĦ å¢ŀéķ¿ éĻĦ å±ŀ çİ° å·² 帮 ä½ł éĩij çīĮ é«ĺ åİŁ åľ¨ 家éĩĮ éĺ² èħIJ ç¡®å®ŀ æĺ¯ å®£ 讲 天 æīį ç»ıèIJ¥ 管çIJĨ éĶħ çĤī åIJĪ ä¸Ģ è§Ĥ èµı éķ¿ è¾¾ 主ä¹ī æĢĿæĥ³ éĤ£ 麼 é£İ äºij 为主 çļĦ æļij åģĩ æĮģ ä¹ħ å¼Ĥ åľ° å¼Ģ éŨ 模 æĿ¿ æī¹ 次 ä¸į 便 天 çĶŁ åĩł 个æľĪ ä¸ĵ ç§ij åı¦ æľī åħ¬å¸ĥ çļĦ æĩ · åľº åIJĪ çļĦå¿ĥ æĢģ è¿ĺ 好 å®ŀ æĪĺ èĢģå¸Ī çļĦ åħ© åĢĭ åı¯ åľ¨ éĤ£ ä½į å¥ł å®ļäºĨ ä¿ĥ éĶĢ æı´ åĬ© ä¸ĩ çī© æĥħ æĬ¥ é¦ĸåħĪ è¦ģ æĸĩåĮĸ åĴĮ éĥ½ å·²ç»ı ä¸Ĭ ä¸ĸ纪 åĨľ åľº 大 æī¹ æĺİçĻ½ äºĨ çļĦ æĪIJéķ¿ çļĦ æ¯ĶèµĽ 失 误 åģļ æĪIJ ä»Ĭ天 å°ıç¼ĸ é¢Ĩ è¢ĸ æıIJåįĩ äºĨ å¾IJ å·ŀ ä»į æľī è¿ĩ 滤 å¹½ é»ĺ çĥŃ éĩı ä¸Ģ é¦ĸ æ¼Ĥ亮 çļĦ åĩł ç§į åĢ¡ è®® å°±åı¯ä»¥ äºĨ æİĴ åĪĹ éĩį éĩį ä¼ģä¸ļ åĴĮ ä¸ĵ å±ŀ çħ İ äº² æĪļ çĻ¾åĪĨ ä¹ĭ 稿 件 è¿ĺ å¾Ĺ 人 åĵ¡ äºī 夺 æĽ´ 容æĺĵ 大 èĩªçĦ¶ 鼻 èħ¦ 太 空 åľ° å¤Ħ å¤ ¢ ä»ĸ 对 å¿ħ å°Ĩ ä¸į å½ĵ 严 è°¨ åĩº åľº å·²ç»ı æľī é¢Ĩ åĨĽ é«ĺ æ¡£ ä¸Ģ æīĢ æł Ĺ è®© åѦçĶŁ æĽ¹ æĵį æŁIJ ä¸Ģ 伸 åĩº èĬ± åįī æ¸ħ éĨĴ èģĶç³» æĸ¹å¼ı åĪĨ å±Ģ èħ ³ æ©¡ èĥ¶ éķ¿ å¾Ĺ 绿 åľ° è¢ į çļĦ èīºæľ¯ 女 æľĭåıĭ ä¸Ń è¶ħ 离 åŃIJ å¤ļæł· åĮĸ éĺ³ åı° ä½İ 碳 ä¸Ģ ç±» çŃīæĸ¹éĿ¢ çļĦ å¾Ĺ 好 模 åħ· ä¸ĩ 亿 çķĻ æĦı 临 æ²Ĥ å°ij éĩı çľĭ åIJij ç»ıèIJ¥ èĢħ çķĻä¸ĭ äºĨ åĿı äºĨ åijĬ åĪ« 羣 çIJĨ ç¼´ è´¹ æĬĬ ä½ł çļĦ ä»»åĬ¡ æĪij 对 ä¹° åħ¥ çĻ» ä¸Ĭ æľī 两个 ä¸Ģ 头 æĵį æݧ åħ¨ è¦ĨçĽĸ çĿĢ æīĭ å¢Ļ éĿ¢ å¤ļ æĸ¹ åı¯çĪ± çļĦ ä¹Ł åı¯èĥ½ æľĢ æľī è¿ĻäºĽ éĥ½æĺ¯ æĥ ¡ å® ® å¾Ī å°ı éĹ®é¢ĺ æĺ¯ åĿĩ æľī å¾ģ éĽĨ 说 åĩº æľī æĦı é¢ Ĥ æī¬ å·ŀ åķĨä¸ļ 模å¼ı çĶŁ èĤĸ æįIJ 款 å² Ĥ ç¾İ æĻ¯ è¿ĺ 羣 æĭ¥ æĬ± 身ä½ĵ åģ¥åº· æ·± å¤Ħ çľ¼ ç¥ŀ çļĦ 形象 ä¼ĺ è¶Ĭ å½ĵ æĪIJ åĮº åĪĨ åİ» éĻ¤ 注 å®ļ å§IJ 妹 åĮº åĨħ é© ļ æļĹ ç¤º æĺİ äº® æħ° éĹ® å¸Ĥåľº 份é¢Ŀ çĮª èĤī çļĦ èµĦéĩij åİĨ ç»ı å§ĭç»Ī åĿļæĮģ çĶŁ æľº ä¸į 顾 éĩij åĪļ 大 声 éĻķ 西çľģ é² į åĨľä¸ļ åĨľæĿij æľī 害 éŨ è¯Ĭ æ¯ı ä¸Ģ次 çļĦ åĽłç´ł é¢Ŀ å¤ĸ åİ¿ 级 çļĩ åIJİ åĽ½ ä¼ģ é¦ĸ éĢī ç¼ĸ åĨĻ æĭ¿ èµ· åģ· åģ· ä¸İ ä¸ŃåĽ½ åįĸ 家 ç»Ļ ä»ĸ们 ç¥ŀ è¯Ŀ åѸ æł¡ æĪij ä¸Ģ缴 çŁ¥éģĵ äºĨ åį Ĵ åĴĮ åľ°åĮº ä»Ģä¹Ī éĥ½ çĶ» 家 æľ¬ çĿĢ ä½Ļ åIJį 审 çIJĨ ä¸Ģ åIJij åıijå±ķ è¶ĭåĬ¿ åĮº éĹ´ 注åĨĮ èµĦæľ¬ çIJ ¦ ä¸į åı¯ä»¥ çļĦ åĦ¿åŃIJ åĢ¼ çıŃ ä¸¥æł¼ çļĦ å®ŀä½ĵ ç»ıæµİ æľī æĿĥ æĪij åıĪ éĵ¶ æ²³ ç«ĭ 马 æĿĢ äºĨ åĮħ 容 管 家 身 é«Ķ éĵ ħ å°ı åŃIJ 管çIJĨ ç³»ç»Ł æľīçļĦ 人 é£İ çĶµ æĻºèĥ½ åĪ¶éĢł ç²¾ ç¡® æĭĽåķĨ å¼ķ æĭĽåķĨå¼ķ èµĦ äºĮæīĭ 车 åİ¿ å§Ķ èīº 人 å¥ ķ è¿İ æĿ¥äºĨ ç»ĵæĿŁ äºĨ çļĦ ä¼łç»Ł æĭ¼ æIJı 奥 迪 çĸij æĥij ä¹ĭ æĹ¥èµ· æłĩå¿Ĺ çĿĢ åľ° åįĢ è¯ł éĩĬ åĪ° æľŁ åħ¨ éĥ½ çŁŃ æļĤ æĺ¯ æĪijåĽ½ æĪij å·²ç»ı æ»´ æ»´ 天 èµĭ 对 她 åį«çĶŁ éĹ´ çĶŁäº§ åŁºåľ° æĹ¥ è®° çļĦ æķĻåѦ åĵ ĩ æ°ij äºĭ è¿ĺ åİŁ æīĭ ä¸ŃçļĦ çļĦ èī¯å¥½ æ· « ä¸Ńåħ± ä¸Ń央 åĪ ĥ åĵ Ħ åľ¨ ä»ĸçļĦ å°Ī æ¥Ń åľº éĿ¢ éĤ» å±ħ çĹ Ĵ å¦ Ħ å¤ĸ ç§ij ä¸į éĢĤ 举åĬŀ çļĦ é Ĥ¹ åħļçļĦ 建设 çĻ¼ 表 è·¨ çķĮ æ²ī æ·Ģ 大 çīĩ è¶Ĭ é«ĺ å°Ĩ æĺ¯ è§ī éĨĴ åĤ¨ åŃĺ å¢ŀ 大 ä¸į 让 æķ´ å½¢ å¹³åı° ä¸Ĭ åĩł ä½į è¯ī æ±Ĥ 好 ä¸į好 åľ į æĸĩ æľ¬ éĢ² åħ¥ ç´ į æł¹ æĵļ èįī æ¡Ī åħŃ ä¸ª åĭ ¿ åĪ¶ æĪIJ 饮 æ°´ æ°¸ æģĴ èĩª æĿĢ åı¸ 马 éļ¾ çĤ¹ 为 æĪij们 å¼ § åī© ä¸ĭçļĦ åĩĨå¤ĩ 好 çļĦ æľĢä½³ èģĶåIJĪ ä¼ļ æĤ£èĢħ çļĦ æĪijä¸į çŁ¥éģĵ ä¸ĭ ä¸Ģ个 åıijå±ķ æĸ¹åIJij ç¬ ¨ æīĢ以 æĪij们 åĨĻ äºĨ éĢł æĪIJäºĨ æ²Ļ æ¼ł çŃĽ éĢī çģ¾ åĮº ä¸Ĭ çľĭ éħ ¶ æ»ļ åĬ¨ éļ¾ åħį åIJī åĪ© ä¸Ģ ä¸Ģ ç²¾ å¯Ĩ 伸 æīĭ 礼 仪 åħ¨ æĺ¯ è¶Ĭ 大 ä¸Ń æłĩ åıĸ åĨ³ åıĸåĨ³ äºİ éĢĶ ä¸Ń 讨 åİĮ æīĭ åĨĮ 第 ä¹Ŀ åŃĶ åŃIJ çĦ¶ å¾Į ä¸Ģ åħ± æµ· æĬ¥ 款 å¼ı æķ´ 天 è¾¹ çķĮ è·¯ è¾¹ æĻĭ 级 åIJIJ 槽 çļĦ åħ³æ³¨ æĪij 没æľī å°±æĺ¯ åľ¨ 缮 çļĦæĺ¯ åį³ä½¿ æĺ¯ é¡¶ å°ĸ å·²ç»ı åľ¨ å®īåħ¨ éļIJæĤ£ æłĩ æĿĨ åįĹ éĢļ ä¼ļ 对 座 ä½į èµ¢å¾Ĺ äºĨ åİŁæĿ¥ çļĦ 身 为 书 åºĹ è¢Ń åĩ» ä»Ĭ æĻļ 以 èī² 以èī² åĪĹ æĬĸ éŁ³ åį´ 没æľī 丧 失 çļĦ å±ĢéĿ¢ åįģåĽĽ äºĶ çŃī 缸åħ³ æ±ĩ æĢ» å¤ĸ 表 为 æ°ij éľĩ æĥĬ å¥Ĺ è·¯ çĬ¯ç½ª å«Įçĸij å°Ĩ 以 çİĩ é¢Ĩ éħĴ åIJ§ è¡Įä¸ļ åıijå±ķ å¹´ èĩ³ åĻ¨ æĿIJ åĴĮ æĬĢæľ¯ æľĢ å°ı è¿Ļä¸Ģ åĪĩ èģĮ 称 å½ĵ ä½ľ æİĢ èµ· åĴ ĭ ä¸Ń éĥ¨ æīĭ èĩĤ ç½¢ äºĨ 媳 å¦ĩ æ´½ è°Ī æĹ¶ä»£ ä¸ŃåĽ½ 人çĶŁ çļĦ æŀģ éĻIJ ç¦ Ħ åĮº æĶ¿åºľ æľ¬ éĴ± 礼 åĵģ çļĦ éĤ£ä¸ª 侦 æŁ¥ 太å¤ļ çļĦ å®ŀæĸ½ æĸ¹æ¡Ī é«ĺ æłĩåĩĨ æĮĩæĮ¥ éĥ¨ åĢ¾ æĸľ çī¹èī² 社ä¼ļ çµIJ æŀľ éĴ» çŁ³ 移 æ¤į çī¹ ç§į èĩª æĦ¿ æĭľ çĻ» åįķ 身 åį´ åıĪ åĪ¥ 人 åIJĪ è§Ħ æľº çĶµ çī¹ æĦı å½ĵåīį ä½įç½® ä¹° 家 åIJĪ 约 èĤ© èĨĢ 为 åĩĨ 家 è£ħ çļĦ çĥŃæĥħ éĿŀ éģĹ çļĦ éŃħåĬĽ åİŁ åijĬ 社ä¼ļ åIJĦçķĮ ä¹° çļĦ å¤ļ åIJĥ éĽķ å¡ij èµ· ä¹ī åĬł åī§ éĤ£ä¸Ģ åĪ» å°Ĩ è¿Ľä¸ĢæŃ¥ æ¡Ĥ æŀĹ æĽ´ 强 对 ä¼ģä¸ļ æĹł æĦı ä¹łè¿ijå¹³ æĸ° æµģ 失 å¾® 软 缸 对äºİ 座è°Ī ä¼ļ 主 èIJ¥ä¸ļ 主èIJ¥ä¸ļ åĬ¡ ç§ģ åĭŁ å±ķ示 äºĨ 常æĢģ åĮĸ è² ´ 符 åı· å¹´è½» çļĦ å°± éľĢè¦ģ ä¹Ł æĽ¾ çļĦæĥħ 绪 è¾¾ æłĩ èĩ ¨ ä½į å±ħ ä»ħ 为 é¦ĸ 家 éĺ´ éĺ³ ä¸įåĨį æĺ¯ åĽłä¸º å®ĥ ä¼ģä¸ļ åľ¨ çĺ ¾ åIJ¬ è§ģ åİŁ æľī åĪ¶ è£ģ å¯Ĥ å¯ŀ éĢļè¿ĩ 对 æ»ij éĽª è¿Ļ å¼ł çļĦ çIJĨ解 æĸ° ä¸ŃåĽ½ è¿Ļ åĦ¿ ä½İ ä»· æĥ³ è¿ĩ çļĦ ä¿¡å¿ĥ 建çŃij çī© çļĦ é¢ľèī² ä¸į åºĶ该 æĹłçĸij æĺ¯ å¼ķèµ· äºĨ åħ¨ åijĺ æĿ° åĩº è¿Ļæĺ¯ æĪij èª ° èĺ ĩ éĺµ åľ° åħħ åĢ¼ çŁ¿ ä¸ļ çĿĢ ä»ĸ ä¿¡ 访 ä¸ĩ è¾¾ æij© æĵ¦ å¼Ģ 端 èı² å¾ĭ èı²å¾ĭ 宾 车 åŃIJ æľ¬èº« çļĦ çģ«è½¦ ç«Ļ 常 å·ŀ 为 代表 为代表 çļĦ 广 çĶµ 亲 人 åı³ æīĭ éĽĨ è£ħ éĽĨè£ħ ç®± çļĦ åį°è±¡ æ©Ł æľĥ åĮĨ åĮĨ åħī çĶµ 大 æĸ¹ è¿ĺ æľª åĪ© 好 ç»Ŀ 大å¤ļæķ° åľ¨ è¿Ļç§į ä¸Ģ ç»Ħ æĸ° èĤ¡ 转 åıij æ³ķ åºŃ æĹł æīĢ éģĵ è·¯ä¸Ĭ çŁ¿ å±± èij ī æĶ¶ åĽŀ 称 ä¹ĭ 称ä¹ĭ 为 æıŃ éľ² åı£ 岸 åIJ ¼ å¿ĥ æĥ³ çļĦ 梦æĥ³ éĽ ¯ ä¹ĭ åĪĿ å¥ĸ 项 订 éĺħ èĵĿ 天 åĿ¦ åħĭ ç«ĭ æ¡Ī èģĶ æīĭ ä½Ĩæĺ¯ æĪij 帮 æĪij ä»ħ 代表 说 æĪij çļĦ è¶ĭåĬ¿ æ¯Ķè¾ĥ 大 èµ° å»Ĭ éĩįçĤ¹ é¡¹çĽ® èµĮ åľº åIJį çīĩ æĦŁ åı¹ åľ¨ åľ°ä¸Ĭ åıij çĥŃ èĮĥ çķ´ çļĦ éģĵè·¯ éĩij èī² ä»ĸ åıĪ ä¼ļ 产çĶŁ æ°ij åĽ½ å®ĺæĸ¹ ç½ijç«Ļ æĶ¶çĽĬ çİĩ çļĦ åĪ°æĿ¥ çļĦ åĬŀæ³ķ æĶ¹ åĪ¶ ä¸ĩ ç§ij ä¸į äºĪ è¿ĻäºĽ éĹ®é¢ĺ çĪ± ä¸Ĭ çIJĥ åľº è´£ 令 æİĪ 课 åľ¨ é¦Ļ港 ç»Ĩ èħ» å¤ļ ä¸ĩ åIJĮ å¹´ 大 使 æĸ ĭ ä¹Ł 为 æĥł å·ŀ åIJī 祥 çĶ° åĽŃ åĽ½å®¶ éĺŁ éĩį çĶŁ åľ¨ åħ¶ é¦Ļ åij³ è´Ł èį· 亲 åĪĩ èĩª 豪 没 éĶĻ åĽłä¸º åľ¨ æĺŁ æĺŁ éĤ ij è¿ĺæľī å¾Īå¤ļ æij© æīĺ æij©æīĺ 车 æŃ¥ è¡Į 管çIJĨ ä½ĵç³» èĦļ ä¸ĭ éģİ åİ» æ±ī è¯Ń 对 ä¸įèµ· çļĦ ç»ıåİĨ åıĬ 缸åħ³ ä¸įå°ij 人 éĩį ç£ħ åĬ³åĬ¨ èĢħ 大åĬĽ åıijå±ķ æĢİä¹Ī åģļ çĭĹ çĭŠ举åįĹ äºļ åĭĩ äºİ åħ¬ éĸĭ çĵ· çłĸ åıĤ çħ§ 广æĴŃ çĶµè§Ĩ 举 åĬ¨ æ±Ł 西çľģ æķĪ èĥ½ åĶ¯ æľī éĿ¢ è²Į èĩªåĬ¨ 驾驶 æ¦ľ åįķ å½ĵ æĪij们 仲 è£ģ æľ¨ æĿIJ ç±³ åħ° çĻ½ éĵ¶ çļĦ 人éĥ½ å°± åĥıæĺ¯ æŃ¥ åħ¥ åįł çĶ¨ åĩ» è´¥ 让 大家 ä¼ļ è®©ä½ł åİ¿ æĶ¿åºľ è¦ģ çĶ¨ çŃī å½¢å¼ı åįĩ é«ĺ 责任 æĦŁ å¤ĩ çĶ¨ ä»ĸ 认为 æ¸ħåįİ å¤§åѦ ä»ĸ èĩªå·± éĸ± è®Ģ 太平 æ´ĭ éĶģ å®ļ çŃ Ĩ è¿Ļ çīĩ æī§ æĶ¿ è¿ĶåĽŀ æIJľçĭIJ å°± æѤ éģĩ åĪ°äºĨ å¼Ģå¹ķ å¼ı 管çIJĨ éĥ¨éŨ 姿 åĬ¿ 设 æĥ³ åĽĽ åŃ£ æĬĢæľ¯ 人åijĺ å·® çĤ¹ è¾ŀ èģĮ èĢģ 師 çļĦ æĦŁåıĹ ä¹Ł éĿŀ常 å¹´ ä¸ĬåįĬå¹´ æĢª çī© èĮĥ æĸĩ æĪĺ å½¹ åIJ« ä¹ī åħ¨ è¿ĩç¨ĭ èĢĮ éĿŀ éĢļ讯 åijĺ è¿Ļæł· æīįèĥ½ æľº ç»Ħ è£ ı çķ¶ çĦ¶ èµĮ åįļ åIJĦ æľī å·¥ä½ľ æľºåĪ¶ äºĭ åIJİ åī§ éĻ¢ å±Ĭ æŶ åĺ´ éĩĮ 主 线 ä¸Ģ åľĪ 主è¦ģ åİŁåĽł å°¸ ä½ĵ åĮ»çĸĹ åĻ¨æ¢° ä½ł æĢİä¹Ī ä½Ĩ çĶ±äºİ æŶ 空 çĶ· æľĭåıĭ çĶľ èľľ é«ĺ åľ° æĻ ĸ èĴIJ éĽĨ åĩĿèģļ åĬĽ å¤ĩ åıĹ æĸĩ åĪĽ 马 æĿ¥ 马æĿ¥ 西äºļ æŁ´ æ²¹ 使 人 æķĻ ä¼ļ ç§ĭ 天 æĺİ çıł åħŃ åįģ çݯå¢ĥ ä¸Ń æ¸ħ æĻ¨ 积æŀģ åıĤä¸İ å·ħ å³° 为 æľŁ çŃ¾ åŃĹ æĦŁ æ¿Ģ ç§ĭ åŃ£ æĿij åŃIJ æ¢ħ 西 æļ´ 鼨 çĶŁæ´» åľ¨ çªĹ æĪ· æģ¶ åĬ£ 纯 ç²¹ åľ¨ æİ¥åıĹ æ²¡ èĥ½ è¡Į 人 åĭ º æĭ¨ æīĵ ä½ľ åĩºäºĨ çļĦ 主é¢ĺ æľª ä¾Ĩ ä¸Ń æľĢ æ¾ ľ é«ĺ è¡Ģåİĭ åħ´ èµ· æŃ£ èĥ½éĩı åŁ¹è®Ń çıŃ æİ¥ åħ¥ çĦ¶åIJİ åĨį åѦçĶŁ 们 é¢ĨåħĪ çļĦ çģ« çĥŃ ä¸ĵ èģĮ æĪĸèĢħ 说 建 è¨Ń é» ı 对 åħ¬åı¸ çī¹ æľīçļĦ åħī èį£ å½ĵ åľº éĿ¢ åŃIJ èµĦ产 管çIJĨ æĹ¶æľŁ çļĦ çŀ İ åįİ ä¸ľ åıĪ ä¸Ģ次 èĥİ åĦ¿ å®ļ çĤ¹ 头 çĹĽ 液 ä½ĵ æĺ¯ä¸Ģ ä½į 帽 åŃIJ å¹´ èµ· ä¸į ä½İäºİ è¾ĥ å°ij éĿ¢ä¸´ çĿĢ å±Ĥ å±Ĥ èĿ´ èĿ¶ èī° èĭ¦ éĺ¿ æł¹ éĺ¿æł¹ å»· æ¦Ĥ æĭ¬ 请 éĹ® èµ· åºĬ å±Ģ å±Ģéķ¿ 稳 åģ¥ å¦Ĥæŀľ æĪij们 éħĴ ç²¾ æĪ· åı£ æĦŁ æĤŁ æĪij们 éľĢè¦ģ æĬĢ èīº èĩª åªĴä½ĵ è¿Ľ åĮĸ æ¿ĢçĥĪ çļĦ ä½ĵ 温 èļ ķ èĩ´ è¾ŀ 宪 æ³ķ ä¸Ģ çŃīå¥ĸ çĵ¶ é¢Ī æĥł æ°ij èµ° è·¯ çİ° ä»» åķĨ éĩı ä¸ĭ 车 åĪ ł 責 ä»» èŀįåIJĪ åıijå±ķ ç´ł æĿIJ æ²¹ ä»· åģļ 人 çŀ ª æĶ¹éĿ© åĪĽæĸ° çļĦ åĮºåĪ« è·¨å¢ĥ çĶµåķĨ æ¶īåıĬ åĪ° æīĺ 管 æĪij è¿ĺæĺ¯ åĿIJ æłĩ ç½ij 讯 å½ĵåľ° çļĦ 追 溯 åľŁ èĢ³ åľŁèĢ³ åħ¶ åºķ ä¸ĭ åĩł åįģå¹´ ç©¿ è¿ĩ çĶŁæĢģ æĸĩæĺİ æݨ èĸ æݨèĸ ¦ éł Ĩ åĴ³ åĹ½ åĪĨ æĪIJ çĹķ 迹 æĪ· ç±į éĥ½ ä¸įèĥ½ æĻļ ä¼ļ åĢ © ä½ĵ åĬĽ è¿Ļ个 èģĮä¸ļ æĹł å½¢ åıª æĥ³ è¿Ľ åıĸ æĿĢ æŃ» èĦ Ĭ äºij åįĹçľģ æľª çŁ¥ ç¾İ èģĶ ç¾İèģĶ åĤ¨ å¤ĸ å½¢ 诱 æĥij çĽ £ è¡Į 使 åłĨ 积 çĨŁ ç»ĥ éĺIJ è¿° æľĢ大 éĻIJ度 å·¡ æŁ¥ 夺 åĨł ä¼ģä¸ļ æĸĩåĮĸ çĭ® åŃIJ ä¿Ŀ å®Ī ä¸ºæł¸å¿ĥ çļĦ æī© æķ£ åĪ¶éĢł åķĨ æŁĶ 软 为ä¸Ģä½ĵ çļĦ 游 çİ© çĶŁ çĹħ 幫 åĬ© åĶ± æŃĮ æīį åı¯ä»¥ 宽 æĿ¾ è¦ģ æ¯Ķ æĺ¯ æĢİæł· çģ° èī² çİĭ åĽ½ æIJħ æĭĮ 计 éĩı åij¨åĽ´ çļĦ æĻºèĥ½ æīĭæľº 常 åĬ¡ 常åĬ¡ åī¯ é© ´ å°Ĩ è¿ij 寻 常 ä¸ŃåĽ½ å¸Ĥåľº 容 åĻ¨ å±± ä¸Ĭ èĥĮåIJİ çļĦ 亲 å¯Ĩ æīĢ以 说 éİ ® çļĦ çIJĨçĶ± 大 åŁİå¸Ĥ 常 å¹´ æĹħ游 ä¸ļ å°±æĺ¯ è¿Ļæł· åĨį æĿ¥ é«ĺ ä½į åĨħ 饰 æŀĦ éĢł ä¸Ģ èµ·æĿ¥ çĶ³ è«ĭ å·²ç»ı å¼Ģå§ĭ çļĦ åĬ¨ä½ľ 被 è¿« éģį å¸ĥ åīĸ æŀIJ å°ı äºĭ å¿ĥ ä¸ŃçļĦ ä½ĵåĪ¶ æĶ¹éĿ© çļĩ 家 æķĻ åłĤ åIJĥ å®Į åĽ½æ°ij åħļ æĺİç¡® äºĨ åıijå±ķ è§ĦåĪĴ 第ä¸Ģ æŃ¥ å¾Ĺ èµ· åľ¨ åĵª çļĦ è·¯ä¸Ĭ é» Ķ çķ¶ æĻĤ 大åĬĽ æĶ¯æĮģ åıĮ éĩį çŁ¥éģĵ èĩªå·± åIJĪä½ľ åįıè®® æ°Ķ åĬ¿ éķ¿æķĪ æľºåĪ¶ ç½ķ è§ģ åĽŀ æĿ¥äºĨ ä»ĸ ä¼ļ ä¸Ń æĸ° ä¸Ńæĸ° ç½ij çļĦ åķĨåĵģ èµł éĢģ 決 å®ļ å¸Ĥåľº çĽij管 çķĻ åѦçĶŁ çĶµ åİĭ äºļ 马 äºļ马 éĢĬ è¿ĺæĺ¯ æ¯Ķè¾ĥ ä¿ĥè¿Ľ äºĨ æµģ åħ¥ æijĦ åĥı æijĦåĥı 头 æıIJ åıĬ åıij æİĺ æī¾ åĩº æ¢Ŀ 件 ç¹¼ çºĮ æĪij åĸľæ¬¢ å¥ İ æ¦ľ æł· å¼Ģ èĬ± æ²ī éĩį åŁº åĩĨ ä»ħä»ħ æĺ¯ è½¨éģĵ 交éĢļ åĶIJ å±± çŃī ä¸Ģç³»åĪĹ ä¸įè¿ĩ æĺ¯ åŃĺåľ¨ çĿĢ èĬ± çĶŁ å¤ · ç»Ī 究 ä¹Łæĺ¯ ä¸Ģ个 åįģ åŃĹ èĸª éħ¬ 伤 å¿ĥ æĺ¥ ç§ĭ åĨ· åį´ ç²¾ çģµ çļĦ åľ°åĽ¾ æ¯Ķ çī¹ æ¯Ķçī¹ å¸ģ æĢ§ åĪ« ä½Ļ ä¸ĩåħĥ ä¸įå¿ĺ åĪĿå¿ĥ å¿ĥ çĸ¼ æĽ² 线 é«ĺ ä½İ è¦ı å®ļ æĻ¯ èī² è¦ģ 说 åħ¬åı¸ å°Ĩ 液 åİĭ è¿Ŀ 约 åİļ 度 åºŀ 大çļĦ è¿ĺæĺ¯ å¾Ī é¦ĸåħĪ æĺ¯ çµ ² åĬ¡ å®ŀ 並 ä¸Ķ å¢ŀ è¿Ľ ç»Ħç»ĩ å¼Ģå±ķ èµ·æĿ¥ äºĨ è¾ĥ å°ı 导 游 两 åľ° ç¿ ĺ çģ¿ çĥĤ é£İ éĩĩ æĶ¯ 线 æĶ¯çº¿ ä»»åĬ¡ 娱ä¹IJ åľĪ 天津 å¸Ĥ åĮħ åĽ´ æľ¬ èµĽåŃ£ éĩįè¦ģ 讲è¯Ŀ åıĮ åIJij åįİ ä¸½ éĶ ¤ åĦ¿ 女 åįĸ åĩº ä¾Ĩ 說 ä»ĭç»į ä¸Ģä¸ĭ åIJ¦ 认 åĭ Ŀ æĻ®éĢļ 人 çļĦ åĬ¨åĬĽ 涨 åģľ åŁºéĩij 管çIJĨ ä¸Ģ个 éĩįè¦ģ è¿IJ æ²³ çħ ŀ è´¢æĶ¿ éĥ¨ è¡Įä¸ļ åįıä¼ļ éĥ½ å°Ĩ è¨Ģ 论 ä¸ĭ ä¾Ĩ 墨 西 墨西 åĵ¥ åĽłä¸º ä»ĸ们 æĢİä¹Ī åĽŀäºĭ åĬłå¤§ 对 èĬ Ń çīĮ åŃIJ ä¼ļ 使 妹 åŃIJ ç«Ļ éķ¿ å¿ħ å¤ĩ æłij æľ¨ æģ¶ æĦı æ²³ éģĵ å¯Į è£ķ ç¹ģ åįİ ä»£è¡¨ åĽ¢ æµij 身 é¦ĸ ä½į èĪªç©º åħ¬åı¸ 鼻 å½± ä¸ĵ è¾ij æ°´ æºIJ ä¸Ń æ¯Ĵ 並 ä¸į èĢĮ åİ» é ĥĿ äºİ æѤ æĸĩåĮĸ 建设 èĤ¯å®ļ ä¼ļ å¸ĮæľĽ 大家 æıı åĨĻ ä½İ è°ĥ æĸ°åħ´ 产ä¸ļ æ·Ħ åįļ æĶ¾ å¼Ģ çļĦ æĢ§æł¼ çĸ¾çĹħ çļĦ æķ´ é¡¿ 线ä¸Ĭ 线ä¸ĭ éĢī 项 çļĦ 认åı¯ æķ´ é½IJ çĶļ ä¹Ī çľģ åĨħ åı¤ 人 æ°ij ä¿Ĺ çī¡ 丹 éŨ çªĹ éĤ£ æł·çļĦ çĽijäºĭ ä¼ļ ç¿¡ ç¿ł ç¦ ¹ åįĥä¸ĩ ä¸įè¦ģ æĶ¶ 缩 çļĦ æĸĩåŃĹ åĴĮ å°ļ æĮĩ 令 åħ±äº§ åħļåijĺ çļĦ çĪ¶äº² å®Į å·¥ åĬ¡ å·¥ 马 æĭī 马æĭī æĿ¾ æµĭ è¯Ħ å² ļ ä¸į åģļ ä¸ĥ å¹´ åĿĩ ä»· 主 è§Ĥ å¾Ī ä¸įéĶĻ èĤ¡ä¸ľ 大ä¼ļ äºĶ ä¸Ģ é£İ åIJ¹ å¼Ģ éĩĩ è¿Ļä¹Ī 大 èĥ½ çľĭåĪ° èĢĥ è¯Ħ åį³ 便æĺ¯ çݰ代 åĨľä¸ļ æ¯Ķè¾ĥ é«ĺ è¦ģ çľĭ 没 äºĨ 解 決 çݯ æ¯Ķ åĨ² åĬ¨ æ·± å¤ľ åĩł åįĥ ä¿ ı ç½ij æ°ij å°± 没 ä»ĸ 表示 éĩı åŃIJ æĹ©é¤IJ åĬłçĽŁ åįĬ å²Ľ æIJŀ ç¬ij ä¸Ĭ æĬ¥ å¯ © é¢Ħ 订 èľĤ èľľ æŁ¥ æī¾ ä¼Ĺ æīĢ ä¼ĹæīĢ åij¨ ä¼ĹæīĢåij¨ çŁ¥ æĹ© æĹ¥ åıij æī¬ åĴĮ 个人 åĬłåħ¥ äºĨ åĸ® ä½į åĪĨ æĺİ ç¬¬ä¸Ģ æī¹ ç¾İ åĨĽ æĿĢ æīĭ éŨ å¤ĸ åķĨ åľĪ ä¸Ģ åĪ» çļĦçľ¼ ç¥ŀ éľ Ħ äºĽ ä»Ģä¹Ī åĬł æ·± æ¯ı ä½į å¸Ĥ éĿ¢ä¸Ĭ åıĶ åıĶ çļĦ éĤ£ç§į 粤 港澳 è´´ å¿ĥ æĸĩåĮĸ 产ä¸ļ 红 æĹĹ åĺī åħ´ æĶ¶ çĽĺ å®ĮæĪIJ åIJİ ä¼ģä¸ļ 管çIJĨ 纵 横 ä¸į ä¿¡ æĪIJ éĥ½å¸Ĥ æ´Ĺ 澡 举è¡Į çļĦ çĶ¢ çĶŁ ç©¿ ä¸Ĭ åĪļ 好 åħī 线 æīĵ æŀ¶ è¿Ļ æľ¬ä¹¦ åĶ®åIJİ æľįåĬ¡ åĩł åĪĨ ä¸Ĭ 次 ä¸į åĪĨ 产 åIJİ éģ¿ å¼Ģ ç»Ī æŀģ 代表 大ä¼ļ æ¼Ķ æĬĢ åĽŀ è´Ń åѦ è´¹ éĺ» ç¢į ä¸Ģ大 æī¹ ç«£ å·¥ åĨ³ å®ļäºĨ ä½Ĩ å¦Ĥæŀľ çĶµ æµģ ä¸Ŀ 毫 èĥ½å¤Ł åľ¨ éĶĢåĶ® æĶ¶åħ¥ åľ¨ åŃ¦æł¡ æ°´ åĩĨ è§Ĩ 线 èĩª åľ¨ åķĨä¸ļ éĵ¶è¡Į 为äºĨ 让 çį² å¾Ĺ çݩ家 æľĭåıĭ éĿ¢ èĨľ åĪĨ åī² åī§ æľ¬ ç« Ń è¯´ å¾Ĺ æĥ³ çŁ¥éģĵ çļĦ人 çī© èĮħ åı° åIJĮ ä¸Ģ个 æķ°æį® ä¸Ńå¿ĥ çĶ Ħ åĸľ æĤ¦ ä¸ĭæĿ¥ çļĦ å®ļ åIJij æŀģ åħ· çļĦ åľŁåľ° éĤ£ åĢĭ æijĦ åħ¥ äºĨ æĪijçļĦ 马 è·¯ åħ¨ 社ä¼ļ è®® æ¡Ī å±ĭ åŃIJ åIJį åı« åĮ ª åľ¨ å¤ĸéĿ¢ åįİ åįĹ åıij è´§ å¯Ĵ åĨ· é«ĺçŃī æķĻèĤ² 详ç»Ĩ çļĦ 个 é¡¹çĽ® çĶŁäº§ åĬĽ æŶ 常 å°± æľĥ ä¸ĩ èĤ¡ éĻĮçĶŁ 人 æıı ç»ĺ å½ĵ çĦ¶æĺ¯ æĭī åĬ¨ éĵ¾ æĿ¡ æī£ éĻ¤ ä¸Ģ缴 éĥ½ å°ı åŃ©åŃIJ 伤 åı£ 第äºĮ å±Ĭ è´Ń ç½® çļĩ 马 æĹł èģĬ 表 åĨ³ 诸 å¦Ĥ åĵį èµ· é£İ æļ´ ä¸Ģæµģ çļĦ ç ·¨ 解æĶ¾ åĨĽ 室 å¤ĸ å°± è¿Ļä¹Ī å³ ¶ æīĢæľī 人éĥ½ æIJľç´¢ å¼ķæĵİ çļĦ æĪIJæľ¬ åħļ æĶ¿ åıijè¡Į 人 çļĦ äºĭå®ŀ 对 该 åıĹ æįŁ ä¿Ħ ä¹Į é²ľ èĬ± åĨľ èį¯ æŀģ éĢŁ æĢ¥ æĢ§ 两 ä¼ļ ä¸ĢèĪ¬ æĿ¥è¯´ æµ· é²ľ åĨ Ī çĶ¨ 人 çĶ¨äºº åįķä½į åĢ ª åĦª æĥł æł¹ æºIJ åĽ¢ è´Ń ç¾İ æ´² ä¸ĭ è¡Į å¹´ æľ« èľ ¡ è¯ģ 件 åľ¨ æĪijåĽ½ ä¸į åºĶ æĮī æŶ åłª 称 åľº ä¸Ĭ å¹²éĥ¨ èģĮå·¥ æľī å¾Ī大çļĦ æķ°åŃĹ ç»ıæµİ æ¼Ķ ç»ĥ æį® ç»Łè®¡ å¾Ģ æĿ¥ 广åijĬ æľįåĬ¡ çļĦ è·Ŀ离 æŃ ¸ è¨Ģ è¯Ń 被 èªī 被èªī 为 åĭī 强 å°Ĭ æķ¬ ä¸ĩ 亿åħĥ ä¸ŃåĽ½ åĽ½éĻħ å¹² é¢Ħ å¹´ 产 èĢķ åľ° èĮ İ åį³ æĺ¯ æĺ¨ æĻļ æĪIJ为 ä¸Ģ个 çºł æŃ£ åij½ åIJį é¢ģ å¸ĥ çĮľ æµĭ ä¿ĿèŃ· æĶ¿çŃĸ æĭ ¢ æ´» æ³¼ çŃī éĥ¨éŨ åѦ åĪ° å¢ŀåĢ¼ ç¨İ èĪª 线 åĨ ¤ åįģ åĩłå¹´ æݧèĤ¡ èĤ¡ä¸ľ ä¸Ģ éŨ 个 å·¥ä½ľ ä¸ªå·¥ä½ľ æĹ¥ æĸ° 西 æĸ°è¥¿ åħ° 论 è¯ģ ä» Ĩ åı¦å¤ĸ ä¸Ģ个 æĶ¹ ç¼ĸ 严 ç¦ģ åĸľ 好 个人 ä¿¡æģ¯ 满æĦı 度 åĵ ¨ å¸Ī èµĦ æĶ¹ 为 ç«ŀäºī 对æīĭ åĩº çĤī åķĨ 人 大 æ£ļ æĮĩ导 ä¸ĭ å¦ĩ ç§ij è¼ ª æī ģ åIJĮæŶ è¿ĺ 并 éĢļè¿ĩ æĪĺ éĺŁ èĶĵ 延 ä¿ ŀ éĢĤå½ĵ çļĦ åīį è¾Ī åĵģ åij³ 湿 åľ° æĪIJ åŀĭ ä¸į åıªæĺ¯ æĥ© ç½ļ åĩºåı° äºĨ çİ© 游æĪı æīį åıijçİ° åºĶ èģĺ å¤ĸ æĿ¥ åįł é¢Ĩ å±ķ æľĽ å« Ĥ 港 èĤ¡ æ¡Į ä¸Ĭ æĶ¯ æŁ± çļĦæĥħ å½¢ 广éĺĶ çļĦ æĶ¯ è¡Į å´© æºĥ æľĪ ä¸Ń æľĪä¸Ń æŬ ç»į åħ´ 临 è¿ij æĬ¤ æłı æļ ® åįķ èģĮä¸ļ è¾¹ å¢ĥ æĹ¥ çħ§ ä¸Ģ åłĨ 缴 å¾Ħ åħ±åIJĮ ä½ĵ æĸ°åįİ ç½ij æīĵ 好 çĶµåĬ¨ 汽车 ä¸į æĺİçĻ½ éĢĻ 裡 缼 大 çİĭ æľĿ åĨį ä¸Ģ次 åĬŀåħ¬ åİħ è´¨ æĬ¼ åIJĪ åĩ» 人们 对 鼶 é£Ł éĥ½ä¸į çŁ¥éģĵ çļĦ è¯Ńè¨Ģ åĭŁéĽĨ èµĦéĩij åĬ¨ èĦī å½ ¤ è¿Ļ åĩłå¹´ çŁŃ è§Ĩé¢ij 太 é«ĺ 常 å§Ķä¼ļ åĬł çıŃ éĩį å¿ĥ åªĴä½ĵ æĬ¥éģĵ 没 æ³ķ éĹ» åIJį çĥŃ åº¦ å¹¿æ³Ľ çļĦ åħŃ å¤§ çī© ä½ĵ ä¸į 该 é¢ĺ 主 精彩 çļĦ 为 è¿Ľä¸ĢæŃ¥ èĻ ŀ åĽº çĦ¶ è´µå·ŀ çľģ çºł ç»ĵ 代çIJĨ 人 æ³ķå®ļ 代表 åı¦ä¸Ģ ç§į ä¸į åIJ« æĭ¯ æķij ä¼ļ ç»Ļ è¯Ĺ è¯į åIJĮ ç±» å¾Ĺ ä¸įåĪ° æĬĵ ç´§ 以 åħ¶ åħ¥ åħļ è¿ĺ åı¯ æľŁ åĪĬ å¾Īå¤ļ æŶåĢĻ æĹ¥ åIJİ åħ¬ 约 ä¸Ģ 举 æ¯Ķè¾ĥ å¤ļ éĩij æ²Ļ æį ŀ æİĴ åĩº æѦ æľ¯ ä¸į æĸ· ä¸Ń èĢĥ ä¿¡ èµĸ ä»İä¸ļ 人åijĺ çģ« çĦ° éĨĴ æĿ¥ ä½İ 温 éĢ¾ æľŁ åĬ± å¿Ĺ éħ ¥ åı¯è°ĵ æĺ¯ è¿Ļ æĦıåij³çĿĢ é¢ł è¦Ĩ åĮĹ京 大åѦ ä¸ĵ 线 åıĬ 以ä¸Ĭ è¨ ª èĢĮ åIJİ çŁ¥ ä¹İ ä¸Ģ对 ä¸Ģ å¨ĥ å¨ĥ çģ¾ éļ¾ åħ¨ å±Ģ æīĢå¾Ĺ ç¨İ å®ŀ æĥł èļĤ èļģ ä¹Ł çŁ¥éģĵ 温 åĴĮ èIJ½ ä¸ĭ åŀĭ ä¼ģä¸ļ åĨį ä¹Ł ä¾Ľ çĥŃ é«ĺ æ½® çĢı覽 åĻ¨ çļĦ 巨大 åħĪ 天 å¹´ ä¸ŃåĽ½ 类似 çļĦ çIJĨäºĭ ä¼ļ 空 éĸĵ çģµ æĦŁ åĬĽ æ°Ķ 带 ä¸Ĭ ä¸į好 æĦıæĢĿ æľī ä½ķ å·² åľ¨ åıĸ åĩº è¿Ŀæ³ķ çĬ¯ç½ª åŃ¦ä¹ł 贯彻 åľ° 带 楼 梯 çŃī æĥħåĨµ ä»İ åīį çļĦ ä¹łæĥ¯ ç³Ł ç³ķ å°± èĥ½å¤Ł è© ķ ä¸Ģ å¾ĭ æĮ« æĬĺ åİŁæĸĩ åľ°åĿĢ å½ĵ å±Ģ ä¸į éĢļ æķ° åįĥ éĺŁä¼į 建设 æŶ èĬĤ åģļ èµ· çļĦ è®°å¿Ĩ ç½ij绾 å®īåħ¨ åĩ¡ æĺ¯ æ° ¯ éĽķ åĪ» åŁĥ åıĬ æĪij åı¯ä»¥ çĽij çIJĨ æĽ´ åħ· åŁİ 管 èĭ ¯ åı¥ åŃIJ èĭ¥ æľī ä»İæĿ¥ ä¸į 缸åħ³ è´Łè´£ å®īåħ¨ æĦŁ æĽ´ è¦ģ çļĦæĥħ æĦŁ çī¢ çī¢ è¾ĥ 好çļĦ æ° ® ç¬ij è¯Ŀ 车 å±ķ ä¹ĭ ç¾İ ç®Ģ 约 ç±»åŀĭ çļĦ èĢģ åĮĸ çľĭ ä½ł è¿ĩ åĪĨ éŨ åīį ä¸Ģ éĹ´ æĥ³ åİ» åª Ľ åľŁ è±Ĩ åıĪ 称 ä¸Ń ä¿¡ åŃĺ éĩı 马 äºij èĩ´ 使 åħĪ åīį èĢģ åŃIJ æīĵ æī® æ¯ķä¸ļ äºİ æ¯ķä¸ļ åIJİ ç¾İ好 çĶŁæ´» å·¥ä¸ļ ä¼ģä¸ļ 就好 äºĨ èħIJ èļĢ çıį çıł åĪ° è¿ĻéĩĮ æīĢéľĢ çļĦ è¿Ļæĺ¯ åĽłä¸º çIJĨæĥ³ çļĦ å·®å¼Ĥ åĮĸ é ® é® ® äºļ 太 æĹł ç©· æıIJ çİ° ä¸ĵä¸ļ æĬĢæľ¯ çĶ¢ æ¥Ń åѦ åŃIJ ç§ij å¹» åįłåľ° éĿ¢ç§¯ ä¸į åĩĨ æľªæĪIJ 年人 æĶ¶ å½ķ è¿ĺ 款 éĴ¢ çŃĭ æ¼ ¢ å¾Ĺ æĦı 综åIJĪ ä½ĵ æŀģ é«ĺ åįķ è¯į é«ĺæķĪ çļĦ 骨 头 æī§ çĿĢ 缼 ä¸ĸ 模 çī¹ æĽ´ èĥ½ ç»Ŀ æľĽ 对åºĶ çļĦ æ¨ Ĭ æĸ° ä¸ī æĸ°ä¸ī æĿ¿ æģ° æģ° åIJį 家 æł¸å¿ĥ æĬĢæľ¯ 个 å°ı æĢİä¹Ī ä¼ļ 说 ä¸įå®ļ 西 çĵľ åĵ İ ç¢ Ł å¿ħ ä¸įåı¯ å¿ħä¸įåı¯ å°ij ä¹ĭ éĸĵ åĪĨ 管 交éĢļ äºĭæķħ å¼Ģ åĬŀ å¾ģæ±Ĥ æĦıè§ģ äº ¨ 鼻åŃIJ éĥµ 鼻åŃIJéĥµ 件 ä¿¡æģ¯ æľįåĬ¡ ä½ł è§īå¾Ĺ 缴 è§Ĥ å·² å®ĮæĪIJ åĪĨ ä¼ļ åĽŀ åįĩ éļ » 好 人 äºĨ解 ä¸Ģä¸ĭ åį« æµ´ æľĢ çĪ± åºŀ 大 客 æĪ¿ çijŀ åħ¸ éĥ½ ä¸įæĺ¯ é¤ ¨ èĹ ī çļĦ åIJĦ项 为 缮æłĩ çļĦ è®¤çŁ¥ å½±åĵįåĬĽ çļĦ 夸 å¼ł 佩 æĪ´ æ±ĩ çİĩ çļĦ çĪ±æĥħ æĺ¥ é£İ æĺ¯ æĪijçļĦ æ¨ ¹ åįĬ å°ıæŶ å±± åİ¿ å±± 西çľģ èĢĮ è¿Ļ æĽ´å¤ļ ä¿¡æģ¯ è¿ĺ æľīä¸ĢäºĽ ç²¾ ç»ĨåĮĸ ç¾İ åѦ çĶ± æĸ¼ ä»ħä¾Ľ åıĤèĢĥ å¾Ī é«ĺçļĦ åıł åĬł è¿Ļä¹Ī 说 å±ķ åĩº åĽĽ å¤Ħ ä¸ĩ 家 æĭĽ åĭŁ çļĦ 强大 æĤ£ æľī å°ı äºİ ä¹Łè®¸ æĺ¯ å¯¹ èĩªå·±çļĦ èģĮä¸ļ æķĻèĤ² æĿ¥ è¿Ľè¡Į æ¡£ 次 æīĵ èµ¢ éĥ½æľī çĿĢ åº ¸ è¯Ń æ°Ķ çĶ² éĨĽ 空 åĨĽ 车 åĨħ åĽłä¸º ä½ł å®ŀ æķĪ æĥħ ä¾£ åıijè¾¾ åĽ½å®¶ éķľ åŃIJ æ¯į å©´ ä½Ĩæĺ¯ ä»ĸ 积æŀģ æİ¨è¿Ľ 大å¹ħ 度 çļĦ 女åĦ¿ é¤IJ æ¡Į åIJ¬ å¾Ĺ çļĦ 积æŀģæĢ§ 好 åIJ§ æĹ¥ æ¶Īæģ¯ æľī ä»»ä½ķ æ¯Ĵ åĵģ æĹ©çĤ¹ åĬłçĽŁ 第ä¸Ģ 天 å°½ åĬĽ æł ĸ 主 æīĵ æĺ¯ä¸Ģ åIJį çĪĨ æĸĻ äºĭä¸ļ åıijå±ķ å¾® åķĨ äºİä¸Ģä½ĵ çļĦ çĶŁ çĮª èĩªçĦ¶ èµĦæºIJ çŀĦ åĩĨ è§Ħ模 åĮĸ 并 ä¸İ èĤ¥ èĥĸ 家 çĶ¨ 大 çĪ· é¢Ħ åijĬ æĿ¥ åģļ éĺ³ åİ¿ æŀĦ çŃij é¢ģ å¥ĸ åİĨåı² æĸĩåĮĸ æľįåĭĻ æĪĸ æĢ» åĨ³èµĽ åıij åŀĭ æĪij 羣çļĦ æĽ ¦ åıĤ ä¼ļ èĦĨ å¼± åĩĨ åħ¥ èħ¹ éĥ¨ åı¸ 令 æĤ² åī§ 天 ä¸Ĭ åı£ ä¸Ń ä¸ĩ 个 åѦ ä¸ļ æıIJ åĢ¡ 两 è¾¹ 大 èĤ¡ä¸ľ åı¤ éķĩ è¡Ģ ç³ĸ çļĦ ç¨ĭ度 æ£ī èĬ± åIJİ åı° å°± åĮ» æķ´ æķ´ èĴ ² çĽĪåĪ© èĥ½åĬĽ ç± ½ èĦ « çľĭ éĩį 家 éķ· èģĺ çĶ¨ èµĽ éģĵ åīį èĢħ 建 èŃ° å¾ĭå¸Ī äºĭåĬ¡ èīºæľ¯ åĵģ æľī èĩªå·±çļĦ åIJ¦ å®ļ 社 åĽ¢ åij¨ äºĶ 带 åĪ° å·¥ä½ľ ä¼ļè®® èĤ¡ æľ¬ å¤ĸ åĮħ 家 åħ¬åı¸ çĽij çĭ± èĪ Ĭ åIJį æł¡ 西 æ¹ĸ è¶ħè¿ĩ äºĨ åįĹ å±± ç»Ħ 件 åĢ¼å¾Ĺ 注æĦı æĮ£ æīİ äºĭ 迹 ç¶ĵ çĩŁ ç§ij 室 好 åIJĹ æ¤ħ åŃIJ åľĪ åŃIJ ä½Ĩ 她 æµģ çķħ åIJĦèĩª çļĦ èģĮ åijĺ è¡į çĶŁ åħ¨ åľº æĴ¤ éĶĢ åį´ 被 å®ģ éĿĻ åīį æīĢ åīįæīĢ æľª åīįæīĢæľª æľī 主 ä¸ļ åĮĹ ç¾İ è¯Ħ å®ļ åĵģ å°Ŀ 大家 éĥ½åľ¨ 主 å¸ħ ç»Ĩ å¿ĥ ä¿¡æģ¯ æĬ«éľ² çļĦ ç«ŀäºī éĢĻ樣 çļĦ ç§ijåĪĽ æĿ¿ éĩĩ æijĺ 票 æį® éĢIJ å¹´ èĭ± è¶ħ è¡Įä¸ļ åĨħ 人 寿 åIJİ åĭ¤ å¦Ĥ æĦı ç¬Ķ è¯ķ æ·¡æ·¡ çļĦ ä¸į èĪĴæľį ä½ĵ 积 ä¹Łä¸į è¦ģ éĿ¢ æĸĻ æł· æľ¬ ç¥ ģ æĮī è§Ħå®ļ 大æ¦Ĥ æĺ¯ æĥħåĨµ è¿Ľè¡Į åIJĦ åįķä½į çļĦ ç¬ij容 åĩºèī² çļĦ 代表 æĢ§ çļĦ ç¾İ好 éĴ ¦ å¾® çĶŁçī© è¶Ĭ æĺ¯ æĸ¹ åı¯ å¹² èĦĨ éģĬ æĪ² çļĦ åħ´è¶£ éĹ® è´£ åĽłä¸º æĪij们 èĢĥ éĩı çĶŁ çĶŁ éĺ» åĬĽ ä¸į åħģ许 æıIJ è®® åĩı æĮģ åıªæĺ¯ ä¸Ģ个 æĪij æĬĬ åıijçİ° èĩªå·± å¢ŀ å¹ħ å¦ į èĹĿ è¡ĵ ä¸Ģ家 人 åĪĨ 级 çļĦ æķ°éĩı è½® èŀįèµĦ çŃī åĽłç´ł 大 夫 èģĺ 请 é£İ æľº 绽 æĶ¾ ä»»ä½ķ ä¸Ģ个 éł Ĥ éĺ¶ çº§ æĬĬ 她 è¿Ľ åĨĽ èĥ½ åģļåĪ° åŁ¹è®Ń æľºæŀĦ çī© æĸĻ ç«¥ è¯Ŀ æĮĩ导 æĦıè§ģ éĺ ® æ·±åħ¥ æİ¨è¿Ľ 主 æľº æ¸Ķ ä¸ļ ä¸į æľį æµĵ éĥģ è¡Ĺ ä¸Ĭ ä¾Ŀ 次 æŶ 段 æ¢ µ çļĦ åĸľçĪ± å¾Ī éķ¿ åĪĿ 级 æŀľ æĸŃ æĬ¢ æķij é¼ĵ èĪŀ ä¾Ľ éľĢ æ·±åħ¥ å¼Ģå±ķ 产ä¸ļ éĽĨ群 åĻª éŁ³ åIJ¬ çĿĢ æ·±åĪ» çļĦ å¿į åıĹ çĶµ ç£ģ 强 èĢħ æ»ĭ åij³ æĽ¼ èģĶ åı¯ä»¥ 缴æİ¥ 大 ç±³ æŃ· åı² æĶ¿åĬ¡ æľįåĬ¡ åħ¬ å¼ı 社 群 éģĵ士 èģĮä¸ļ ä¹ĭ æĥħ æµ· æ°´ æ¼Ķ å¥ı åºĹ éĩĮ 迹 象 åıijå±ķ çIJĨ念 é«ĺ 空 åij¨ åĪĬ åĽŀ åĪ°äºĨ ä¸į éĢĤåIJĪ åłµ å¡ŀ åĬ Ī æ°´ ä¸Ĭ çĢij å¸ĥ 纳ç¨İ 人 çĩĥ æ²¹ å·¥ç¨ĭ é¡¹çĽ® 峡 è°· æľī éĴĪ对æĢ§ åľĨ å½¢ æľ¬ å¸Ĥ è¿Ļ è¯Ŀ 管çIJĨ èĢħ ç¡®è¯Ĭ çĹħä¾ĭ æĬĬ æīĭ 彩 èī² ä¸Ĭ åīį 夯 å®ŀ ç¾Ĭ èĤī å¾Ģ å¹´ æĵħ èĩª è¿· 人 èĪª æ¯į ç²¾ ç»Ĩ åľ¨ æĪijçļĦ åĪĽ æĬķ 麦 åħĭ æľĪ ç»ı åĮĹ æµ· ä¹ĭ æĺŁ åı¶ åŃIJ å¸Ĥåľº ç«ŀäºī è¿Ļ äºĭ åıĥ èĪĩ 产 åľ° åĶ ī åķĨåĵģ æĪ¿ èĪª è¿IJ ä¼ĺ å¼Ĥ ä»ĸ们 æĺ¯ éĽ¨ æ°´ è¯į æ±ĩ åĨľ çĶ° 欧 éĺ³ çŁŃ 线 管 ç½ij æł¹ åŁº åıªæľī ä¸Ģ个 éŀĭ åŃIJ å¸Ĥ å§Ķ书记 åĪ» æĦı è¡Į 车 åıĪ 被 åı¯éĿł æĢ§ è´ ± ä»» åij½ åºĶ åľ¨ å°± å¾Ĺ æľįåĬ¡ ä½ĵç³» æĶ¿ æĿĥ åıijè¨Ģ 人 è¿ĩ å¾Ģ 两 åıª èĻ½ 说 éĢģ ä¸Ĭ ä»Ģä¹Ī äºĭ æķ£ æĸĩ æİĮ æݧ èĸĦ å¼± ä¸ĭéĿ¢ å°± 主è¦ģ åĨħ容 å¾Ī éĩįè¦ģçļĦ å°± 说 çĻ½èī² çļĦ éĤ£ä¸ª æŶåĢĻ ç»ı纪 人 çļĦ æ¯į亲 ç¬Ķè®° æľ¬ åºķ å±Ĥ è¿ij 代 解 说 è²ł 責 æľĢ大 åĮĸ åķĨ éĵº æł¡ åıĭ æ² ģ ä¸į åĩºæĿ¥ éĻ· éĺ± ç¨ ħ åħ¬å¸ĥ äºĨ åĩĢ åĢ¼ çĽ¸å¯¹ è¾ĥ ç¬ Ľ æł¸ ç®Ĺ åįİ ä¾¨ æĢ¥ æķij æĮº 好 åħĴ ç«¥ äºĮ èĥİ åĩº èĩª åĿ Ł æīĭ ä¸ĭ å± ¡ åĪĽéĢł æĢ§ ä¸¥æł¼ æĮīçħ§ åĨį åİ» 举 缣 人 æµģ äºĨä¸Ģ 声 å°ıæŶ åīį è´µ æĹı éľ ĸ ä¹Łæĺ¯ éĿŀ常 éĢ ± çľĭäºĨ çľĭ ç¹ģ æ®ĸ èĩ³ æѤ é¢Ħ å¤ĩ å¾Ī æĺİæĺ¾ æ¼Ķ èīº åĿIJ çĿĢ ä¿Ħ åĨĽ åľ¨ è¿ĩåİ» ä¹ĭ äºĭ æĬĵ èİ· åĿIJ ä¸ĭ çĶ± ä¸ŃåĽ½ ä¹Ł å¼Ģå§ĭ çŃĶ å¤į åŀĥåľ¾ åĪĨç±» éĴĵ é±¼ åIJĦ 種 缸 éģĩ ä¸įåģľ çļĦ æī¹ éĩı éĩįè¦ģ ä½ľçĶ¨ å§Ķ å±Ī åħŃ å¹´ ä¸ĥ åįģ ä¹ĭ æĪĺ é£İéĻ© 管çIJĨ éŁ³ æ¨Ĥ è¡ĮæĶ¿ å¤Ħç½ļ æľ¬ äºĭ æĴ° åĨĻ èģļ åIJĪ éĢĤ æŶ æIJ¬ 家 ç¢İ çīĩ 缼 å®´ ç®Ģ æ´ģ åı¬ éĽĨ ç®Ģ åĮĸ åĮĹ京 æŶéĹ´ 第ä¸ī å±Ĭ æĿ¥ åĽŀ 常çĶ¨ çļĦ 京 æ´¥ 京津 åĨĢ 梦 å¹» è¯ķ è¡Į æľº åºĬ åĪ° æľĢåIJİ åĬ© æīĭ åĪĨ 彩 åĩº åĵģ åĪ¹ 车 åIJ¯ åıij 侧 éĿ¢ æ¯ı å½ĵ 缸åħ³ è§Ħå®ļ ä¸ĸ 人 è´Ń 车 å¿ĥ 缮 å¿ĥ缮 ä¸Ń äºĶ éĩij è¿ĺ è®°å¾Ĺ ä¾Ŀ çĦ¶æĺ¯ æıIJ æ¡Ī çĶµåķĨ å¹³åı° åģļ åĪ°äºĨ æĿľ ç»Ŀ å®ī åįĵ ä¸ĸçķĮ åIJĦåľ° åīį éĢĶ æ´Ĺ åĩĢ å¥ĭ åĬĽ åŁİå¸Ĥ 建设 å¤ļ åĬŁèĥ½ ä¼ļ éĢłæĪIJ åıijå¸ĥ ä¼ļä¸Ĭ 究 ç«Łæĺ¯ åĪĨ 红 çŁ¥ èŃĺ éĿ¢ æĿ¿ æĹł 声 æĢ¥ éľĢ 失 çľł çĪ¸ å¦Ī äº Ĥ åħ¨ æĻ¯ ç»ıåħ¸ çļĦ åī§ ä¸Ń é¢Ĩ导 ä¸ĭ åħļ åĨħ åħ¥ ä¾µ æĭī æĸ¯ ä¸Ģ å¹ķ åĬł ä¹ĭ èĤ Ĩ èĭ± æł¼ èĭ±æł¼ åħ° å·§ åħĭ å·§åħĭ åĬĽ ä¸Ģ å¿ĥ èģ Ĥ å¾Ģå¾Ģ æĺ¯ ç®¡çIJĨ å±Ĥ çĻ» åħ¥ 建ç«ĭ èµ· 建 åĽ½ åŃIJ 宫 åºĶ ä»ĺ æİ¢ 究 第ä¸Ģ ä½į ä½Ļ 家 çŃī æ´»åĬ¨ æīĢ èĩ´ è¾ĥ å¿« æĺ¯ éĿŀ æıIJ åIJį äºĮ èĢħ åıªåī© ä¸ĭ åħ¶ä¸Ń åĮħæĭ¬ ç¼ĸ ç¨ĭ çł´ ç¢İ ä¸Ń 举 å·¥ä½ľ æĬ¥åijĬ çŃ¾ åIJį éħĴ ä¸ļ çŁ¥ æĻĵ çĥŃ å¿ĥ éĿŀ åĩ¡ èIJ¥ä¸ļ æī§ èIJ¥ä¸ļæī§ çħ§ 人大 代表 ä¸Ģ个 æĸ°çļĦ å¨ģ æµ· éĤ£ 人 涨 ä»· æ¶Ī çģŃ éļ¾ å¿ĺ ç¶ĵ é©Ĺ åı£ è¢ĭ ç³» æķ° æĸĩ ä¸Ń 好 转 æĸ° 鼶åĶ® 讲述 äºĨ å¼Ģ çĽĺ çķĻ ç»Ļ æħ¢æħ¢ çļĦ æĤ² 伤 æľ¬ æľŁ äºĨ å¤ļå°ij è¿Ļ 让 åIJĮ çŃī æ¸ħ æĺİ ä¸ª åŁİå¸Ĥ æºĸ åĤĻ åĩłä¹İ æĺ¯ å¼º åĬĽ ä¿ ¯ æ°´ 稻 åĽºå®ļ çļĦ æł¸ åĩĨ 说 æľį 顯 示 è¿Ļ å¥Ĺ æĻºæħ§ åŁİå¸Ĥ å±ĭ 顶 ä¸į æĿ¥ çĶŁ é²ľ çŁ¥ æĥħ æĬķ 身 åijĬè¯ī æĪij们 ä¸ī åĽĽ ä¸ĩ ä¸Ģ è¾Ĩ 车 为 ä¹ĭ åĪ° æŶåĢĻ è¿Ļ æīįæĺ¯ åIJį çīĮ åºŁ æ°´ åݻ年 åIJĮæľŁ å¹´ éĻIJ éģĭ åĭķ åıĮ çľ¼ è¦ģ ç´§ 对 çŃĸ åľº é¦Ĩ çĻ¾ ç§ij è¶Ĭ éĩİ å¯Į åIJ« 大å¤ļæķ° 人 æľĢ å°ij åı¬ åĶ¤ åħ¸ èĮĥ åĨľ æľº æŃ£ æĸĩ åºĶçĶ¨ äºİ æ·± èĢķ ä¿ Ń ä»Ģä¹Ī ä¸ľè¥¿ å¥Ĺ é¤IJ å½ĵ éĢī å·¦ æīĭ è°ĥ çIJĨ æĻļ é¤IJ éļ¾ åħ³ åĩŃ è¯ģ çĪ± 人 æĮĩ è´£ è´£ ç¼ĸ çļĦä¸Ģ 款 éĵ ² åįģ 个 èĢ » æľįåĬ¡ åķĨ åľ° çĭ± è¿ŀ å¿Ļ åĽ° æĥij çļ ĵ ä¸į åIJĥ çİ°åľ¨ å·²ç»ı çĽĺ çĤ¹ ä¸įåģľ åľ° 管çIJĨ 模å¼ı è¿Ļ 段æŶéĹ´ æ¤ ° 礼 åĮħ æµģ 转 æī« çłģ éĽĨä¸Ń åľ¨ æ±Ĥ åĬ© åįĬ 个 å¿«éĢŁ å¢ŀéķ¿ å¾Ģ ä¸ĭ è¯Ħ åĪĨ å°± æĥ³ åķĨåĬ¡ éĥ¨ æľī éĹ®é¢ĺ èİ· åĪ© æ¯Ľ çĹħ æĦŁ åºĶ èī¯ æĢ§ åĪĨ æѧ åĨ ī æĪij们 çİ°åľ¨ è¦ģ åĬłå¼º å·§ å¦Ļ èŀº æĹĭ åĪĩ æį¢ çĭ Ħ 顺 çķħ å°¤åħ¶ æĺ¯åľ¨ èĬĿ 麻 éļ¾ è¿ĩ æĹĹ å¸ľ å¤į åį° å¤įåį° 件 å¿ħ éľĢ 对å¤ĸ å¼ĢæĶ¾ éļ¾ åıĹ åİŁæĿ¥ æĺ¯ ç®Ĺ äºĨ é«ĺ å±± 离 èģĮ çµĦ ç¹ çµĦç¹ Ķ å±ģ èĤ¡ çĻ¾ 家 éģĩ ä¸Ĭ æĺĶ æĹ¥ ä¸į 容 çĽij管 éĥ¨éŨ 主 æĦı æµģ åŁŁ è·Į å¹ħ èĩ³ ä¸Ĭ åĪ« 说 æĺ¯ æ¯Ķè¾ĥ å®ıè§Ĥ ç»ıæµİ å¸Ĥåľº 主ä½ĵ 污æŁĵ çī© æķij æ²» 丰 æĶ¶ åŃĺ æĶ¾ åĩ Ħ éĩij å±± æį¢ äºĨ ä¸ĵ 人 éĹľ æĸ¼ æĹ¢ è¦ģ åĽ½ 足 éļ ĭ åıį åĩ» èµ· 身 åħĪ æĺ¯ å¸ĮæľĽ èĥ½å¤Ł åĪ¶ 订 åºĹ éĿ¢ åĸ Ģ æķĻ ä½ł éĻį 温 åĬĽ æ±Ĥ ä¸ī çĻ¾ çī© ä»· 丢 失 å¢Ļ ä¸Ĭ éĥ¨ 份 æł· æĿ¿ ä¹ĭ æĦı ç½ij å°ıç¼ĸ ä¸ĸ ä¸Ĭ è°ĥ è¯ķ 污æŁĵ éĺ²æ²» å½± éĻ¢ å®Įåħ¨ åı¯ä»¥ éĢļ åħ³ ä¹īåĬ¡ æķĻèĤ² 没æľī åĬŀæ³ķ èĢ ¿ å¦ ³ æĹł æĥħ å¾Ĺ çĽĬ å¾ĹçĽĬ äºİ æľŁ çĽ¼ 娱ä¹IJ åľº çĶ² æĸ¹ ä¸Ģ æ±½ çĹ ° çĸij ä¼¼ æĸ°æµª å¾®åįļ 强 è¡Į å½ĵ ä»ĸ èĥ º çĶ¨æĪ· æıIJä¾Ľ åĮº å§Ķ æĦ¿ æĻ¯ æĬĺ æī£ 失 踪 è¿« åĪĩ åŃĹ æ¯į åĴ ¯ èªį èŃĺ ä»Ģä¹Ī æĦıæĢĿ çĽĴ åŃIJ å½ķ éŁ³ 建设 å·¥ç¨ĭ ä¸ļ ä½Ļ å®ŀè·µ æ´»åĬ¨ 羣 空 çĤ ĸ åľ¨ è·¯ä¸Ĭ 主è¦ģ åĮħæĭ¬ 该 æĢİä¹Ī æĢ» æľī æĢ§ æĦŁ æ°ij èĪª å¼Ģ åºĹ 欺 éªĹ çªģ åĩ» 缺 失 æī§ ä¸ļ åľ° éģĵ 并 æĹł æ°ij åĬŀ ç»Ħç»ĩ çĶŁæ´» æĪij å¦Ī è¨ĺ èĢħ 管 åĪ¶ æī¾ 个 èĹ » çĤİ çĹĩ äºĴ åĬ© æµıè§Ī åĻ¨ çݩ家 æĿ¥è¯´ éĻįä½İ äºĨ è£ Ķ æĮ£ éĴ± åķĨ æľº æĶ¹ è£ħ æµģ 浪 æĶ¿ æ³ķ èĢģ 头 çĶŁäº§ åĴĮ ç© Ĺ äº² çĪ± 亲çĪ± çļĦ å±¥ èģĮ åŁİ éĩĮ ç»Ĩ åĪĨ åĬ³åĬ¨ åIJĪåIJĮ åľ¨ æĹ¥æľ¬ å¨ģ å°Ķ åį« è§Ĩ éĢ£ çµIJ çĿĢ éĩį æĬĺ 磨 åĽ¾ 为 çľ · å·¥ åºı æĵ ģ æĵģ æľī ç½ijç«Ļ åľ°åĽ¾ çļĦä¸Ģ 大 ç»Ħç»ĩ å®ŀæĸ½ æĬĽ å¼ĥ åĴĮ æĶ¯æĮģ æ³ķ åĪĻ 浪 æ½® çİ° æľīçļĦ åĩł çİĩ 为 客æĪ· åįģ ä¸ĩ è ¹Ħ çªģåĩº éĹ®é¢ĺ åıĥ åĬł éĥ½ä¼ļ æľī çĽ ¤ è°ģ éĥ½ æīĭ åĬ¨ 缴 è¾¾ çĤ¹ å¤ļ éĺ¶ å±Ĥ ä¸į ä½³ éĤ£ 段 滨 æµ· æĺ¯ åĽ½åĨħ æĪij å¸ĮæľĽ åIJĽ åŃIJ è§Ĥ éŁ³ åģļ é¥Ń æ±½ è»Ĭ åħ³ ç¨İ çľ¼åīį çļĦ æ°´ éĿ¢ èĢ³ æľº 追 踪 æݨ éĢģ éĴ± åĮħ æģ¶ å¿ĥ æµ· åŁŁ å· į å¼Ģ æĿ¥ 表 æĢģ 仪 表 å¹³ åİŁ åįģ å¤ļå¹´ ä¹Ł æĹłæ³ķ åħ¼ 顾 è¡£ æŁľ æł½ åŁ¹ æĪ¿ æºIJ 设ç«ĭ äºĨ ä¸ĩ åIJį æķ° é¢Ŀ è¦ģ åĿļæĮģ åIJīæŀĹ çľģ 请 èģĶç³» ç»ıåİĨ è¿ĩ çļĦ æľ¬è´¨ åħ¥ éŨ æľ¬ æ¡Ī çİĩ è¾¾åĪ° åı° éĺ¶ éĴ ŀ æĪij èĥ½ èݲ èĬ± éĴ ł ä¸Ģ äºĭ åİŁ æľīçļĦ æ¯ı åĢĭ æ¯Ķäºļ 迪 æ£ĭçīĮ 游æĪı ä¸įä¼ļ æľī å½Ĵ æĿ¥ äºĶ çĻ¾ è¿ĩ é«ĺ 鼷 è¾¾ ä¸Ģèµ· åİ» æķĻ 导 å°± è¯Ĭ å°± å¾Ī ä¸įåIJĮ äºİ ä¿ º å¸ĸ åŃIJ æĶ¿åįı å§Ķåijĺ çĸ«æĥħ å½±åĵį åĪĨ è£Ĥ 为ä»Ģä¹Ī ä¼ļ äºĶ æĺŁ å°ij åĦ¿ æĬ¢ éĻ© 梦 è§ģ è®°èĢħ éĩĩ访 å±± è·¯ æĪij 个人 æ²Ļ 滩 è¹ Ń æĶ¹ è®Ĭ æĸ°åŀĭ åĨł æĸ°åŀĭåĨł çĬ¶ åĮ» æĬ¤ åĮ»æĬ¤ 人åijĺ æµ· å°Ķ åħ³äºİ æĪij们 éĻ¤ å¤ĸ åº ļ 宣 åijĬ ä¸ī åįĥ æ¦ ¨ ç§ijæĬĢ 大åѦ ä¸ĥ åħ« 顺 åºĶ çĪ¸çĪ¸ å¦Īå¦Ī éĢī åıĸ åī§ çĥĪ 乡æĿij æĹħ游 积æŀģ æݢ索 表çİ° 为 å¾Ī æ¸ħæ¥ļ 大 åĨĽ æĿ¥ çĶµ å¥Ĺ æĪ¿ çİ° è¡Į 享 åıĹåĪ° çľĭ çĤ¹ åĽºå®ļ èµĦ产 以 人为 以人为 æľ¬ ä¸į å®Į éĻį 鼨 åģļçļĦ äºĭæĥħ 并 äºİ 顽 强 èĢ ¸ åĺ´ å·´ 缸åħ³ ä¿¡æģ¯ æĪij 没 æĪĺçķ¥ æĢ§ æĢĿ 念 åĪĺ å¤ĩ åĬ© æĶ» é£İ è²Į éĿ¢å¯¹ éĿ¢ 积æŀģ å¼Ģå±ķ çĸĹ æķĪ çľĭ 书 缺 åı£ åĽ½æ°ij ç»ıæµİ 使çĶ¨ æĿĥ éģ¥ è¿ľ å¡« è¡¥ 第ä¸ī 人 åįĬ å¤ľ æѦæ±ī å¸Ĥ æĪij åıijçİ° ä¼ĺæĥł æĶ¿çŃĸ é£İ åı£ å°± ä¸įèĥ½ 为 主è¦ģ æµģ åĩº å´ĩ æĭľ 并 ä¸įèĥ½ é«ĺ ä¸ī ä¸ĸçķĮä¸Ĭ æľĢ æĥ³ å¿ħ åħ¶ æīĢ åĢĻ éĢī åĢĻéĢī 人 ä¸į çĪ± åī¯ ä½ľçĶ¨ 人æ°ij æĹ¥æĬ¥ æĪij ä¸įæĺ¯ å®ŀ çī© çĶµ åİĤ ä¹Ł ç®Ĺæĺ¯ æľī éĹľ æľī èĥ½åĬĽ æĮĤ åľ¨ çľ¼ ä¸ĭ 约 ç¿° å°ı åѦçĶŁ èµ· åĪ°äºĨ å·¥ 夫 åIJĮ å¿ĥ åĿ¦ è¨Ģ çł Į åıijæĮ¥ äºĨ èģĮä¸ļ éģĵå¾· è¿ĻäºĽ å¹´ 念 头 èĢģ é¼ł åħ¨ èµĦ åħ¨èµĦ åŃIJ ä¸Ģ åij³ å¤ļ ä¸ĩåħĥ æł¼ æľĥ éķ¿ éĢĶ 带 èµ° èĭ± 寸 æĸĩ ä½ĵ 对 ä»ĸ们 åĵŃ äºĨ å¡« æĬ¥ çīĪæĿĥ 声æĺİ çĶµ 线 è´Ńçī© ä¸Ńå¿ĥ 饱 满 ä½İ 头 强 è¿« ä¿Ŀ æ´ģ 欧 åĨł 缸 è¿ŀ 认 è´Ń çģ« æĺŁ é«ĺ å°Ķ é«ĺå°Ķ 夫 èij« èĬ¦ æłĩ 注 çļĦ çIJĨæĥ³ æł¸ éħ¸ æł¸éħ¸ æ£Ģæµĭ åĬ ī ä¸ĢèĪ¬ æĺ¯ æĢĿ ç´¢ 轨 迹 çĥŃ å¸¦ éĻ £ åĩĨç¡® æĢ§ æĪ´ çĿĢ åľ¨ çĶŁæ´»ä¸Ń æīĢ èĥ½ æľ¯ åIJİ å¸¦ ä½ł ç¥ ł æ®ĭ éħ· ä¹Ł åıªæĺ¯ çĶ³ è´Ń 举åĬŀ äºĨ æľī æĦıä¹ī æĹº 缼 åľ¨ 網 åľ¨ç¶² è·¯ä¸Ĭ å¾Ī大 ç¨ĭ度 管 è¾ĸ çĸ«æĥħ æľŁéĹ´ 触 æij¸ éĺ¶æ®µ æĢ§ ä¼ļ è§īå¾Ĺ çļĦ çĶ»éĿ¢ æİ¥åıĹ äºĨ 表达 äºĨ éĤĵ å°ı éĤĵå°ı å¹³ åħļ é£İ åħļé£İ å»īæĶ¿ åķĨ åѦéĻ¢ åħij æį¢ é£Łåĵģ èį¯åĵģ éĿŀ常 好çļĦ çľ ¯ 纳 ç±³ åĬ¨ æijĩ åĽŀ éģ¿ çľĭ èijĹ æ¬¾ 项 åħ« å¹´ åģļ 个 æĸĩ æ¡£ éĩijèŀį ç§ijæĬĢ åħ¶ä¸Ń æľī äºĨä¸Ģ ç³»åĪĹ æĹĹèĪ° åºĹ 称 èµŀ éĽ¢ éĸĭ åĪ¶ åĨ· 家 éŨåı£ åįģ å¤ļ ä¼´ ä¾£ çľĭ çĹħ æĭī çĿĢ æī Ĵ çĸ² æĥ« å°ijæķ° æ°ijæĹı åĽ¾ å½¢ è½ § å¢ŀ éĩı 饲 åħ» çģ« å±± æ¯ı 个æľĪ ä½ľä¸º ä¸ĢåIJį è½´ æī¿ æĸĩ 书 ç¼ ķ åħ·ä½ĵ æĥħåĨµ çĹĽ çĤ¹ 缴 éĶĢ å¡ Ĭ ä¹Ł æľĥ çĥŃ æ½® å¹³ æ°ij æ¼ĶåĶ± ä¼ļ æķĻ çłĶ éĢĥ éģ¿ ä¸Ģ è´¯ å°± è¶Ĭ å®ŀ å®ŀåľ¨ å®ŀå®ŀåľ¨ åľ¨ ä¹łè¿ijå¹³ æĢ» æº º å¿ĥ åºķ éķ¿ å¾ģ 媽 媽 第ä¸ī 次 åĩº æ¼Ķ çĭĢ æ³ģ å°Ķ æĸ¯ 代çIJĨ åķĨ çĨ ı çļĦ 对象 çĶµ éĩı è¡Į åĪĹ åĽ½ 人 è·ij äºĨ åįĶ åĬ© èIJ¥ è¿IJ å¸Ī åħĦ æ¦ ® æĥ³ åĥı æĢ§ 强 ç§ijåѦ çłĶ究 延 å®ī ä¸¥æł¼ èIJ½å®ŀ é¢Ĩ ä¼ļ 缸 å·® è·¯ 人 çĶ « æľī ä»·åĢ¼ æľīä»·åĢ¼ çļĦ ç¾İ åĽ¢ æ°ij主 çĶŁæ´» æĪij æīį ç¾İåĽ½ 人 æ°Ķ åij³ åıį å°Ħ çļĦ åĨ³å¿ĥ 大 è±Ĩ 交 代 è¿Ľ åĩº åıį æĬĹ æĮĩ çļĦæĺ¯ ä»· ä½į è¿Ľ é©» ä¸Ĭ çĻ¾ ä½į åĪĹ ä¸ŃåĽ½ ä¼ģä¸ļ çļĦ好 å¤Ħ 主 ç¼ĸ æ±½ æ²¹ ä½Ĩ æĪij们 æĢİä¹Ī çľĭ é»Ħ å±± å¤ļ åªĴä½ĵ åIJİ åį« èİ·å¾Ĺ æĽ´å¤ļ åĬ¡ å¿ħ 为 å¥ijæľº é¦ĸ 饰 ä¸ĩ åįļ è¶ĬæĿ¥è¶Ĭ 大 ä¸ĵ项 è¡ĮåĬ¨ å¥ĭ è¿Ľ ä»į çĦ¶æĺ¯ è´¨ æĦŁ å¦Ĥæŀľ ä¸įæĺ¯ ç«Ļ èµ·æĿ¥ ä¹¾ éļĨ åı¯æĢķ çļĦ å¯Į è´µ æ¸ħ ç®Ĺ åIJij ä¸ĭ åĢ ļ çļĦ çŃĶæ¡Ī èĪ¹ ä¸Ĭ çļĦ羣å®ŀ æĢ§ çŃī åĬŁèĥ½ åĸľ åī§ å¨ģ åĬĽ æĸ° é¢ĸ æł¸ çĶµ æĬ¥ éĶĢ æķħ 乡 ä¼´ éļı éŀ Ń å¦Ĭ å¨ł åĪĨ åĮĸ æľī å¾Ī大 æĢİä¹Ī 说 æĻĤ 代 产 åĩº ä»ĭç»į 说 å¤ĦçIJĨ åĻ¨ èĨ¨ èĥĢ åī¯ å¸Ĥéķ¿ çļĦ 妻åŃIJ æł· åĵģ åIJĮæ¯Ķ ä¸ĭéĻį åħĥ å·¦åı³ çĶ¨ èĩªå·±çļĦ é«ĺ éĽĦ æĺ¥ æĻļ ä¹Ł æľīå¾Īå¤ļ çľ¼ çIJĥ æķ£ æŃ¥ ä»ĸ们 éĥ½ 第ä¸Ģ 家 åĬŀ 好 å®ī éĺ² ä¸Ģ ä¸ĩ åľ¨ éĩĮéĿ¢ éŁ³ é¢ij åı£ åı· ä¸Ģ è¶Ł ç¦ı çī¹ é³ ŀ æĥĬ èī³ æĸ° å¨ĺ 绿èī² åıijå±ķ ä¸Ń å¼ı ä¹Ł åıªæľī çİ° 身 åı¯ ä¾Ľ æ¯ı ä¸Ģ个人 第ä¸ī èĢħ åľ° å½¢ éĴ¢ ç»ĵæŀĦ çĽijçĿ£ æ£ĢæŁ¥ åı« æĪij èĩ´ æķ¬ æ´Ĺ æīĭ ä¸ĭ è°ĥ 康 çĨĻ æĪIJ交 éĩı ä¹Ł æĪIJ为 åħī æ»ij å®Įæķ´ æĢ§ çģ ¼ 網 éłģ éķ¿ 寿 éģ© çĶ¨ çļĦä¸Ģ 项 çŀ© 缮 æĬĬ èĩªå·±çļĦ éĵ¶è¡Į åį¡ å°± å¿ħé¡» ç¾İ çĻ½ éŀį å±± æľ¬ é¢Ĩ ä¸Ģ ç¢Ĺ æīĵ æ³ķ æĤ¨ 好 对 åŃ©åŃIJ æĬ¥éģĵ 称 ä¼ł åĩº 大 èĩ£ ç¬ ĭ çĽ ı é¾ ļ 缴 线 æĻº åºĵ 秣 车 é£İ åij³ çľĭ ä¸Ģä¸ĭ æݨ éĶĢ éĥ¨ éĥ¨éķ¿ è´¨éĩı åĴĮ åĪĬ çĻ» å·¥ä¸ļ åĮĸ çİĩ 为 鼶 件 硬 åĮĸ ä¸Ĭ åįĥ ç»ıéªĮ åĢ¼ å¹³ è¡Į 声 éģĵ æľįåĬ¡ è´¨éĩı çĶŁ çĶ¢ æľĢ 容æĺĵ ä¸Ģ æŀļ å¹´ æĬ¥ åħ¬ ç½ij åħ¬ç½ij å®ī åħ¬ç½ijå®ī å¤ĩ çļĦ èĥ½éĩı å®ŀéĻħ è¡ĮåĬ¨ è¦ģ ä¸įè¦ģ æĹ¥æľ¬ 人 èĢ¶ 稣 ç¼ĸ åī§ æ¶ © åį° å°¼ ä¸Ĭä¸ĭ 游 åĩł åı¥ ä¸Ń éĵģ ç°¡ åĸ® èĩª 带 çĶŁ äºİ ä¸Ģ åı£æ°Ķ åĭ¤ å¥ĭ éĻį ä»· å±ķçİ° äºĨ å¸ĥ æĭī ä¼ļ éĢīæĭ© çļĦ ç»ıåħ¸ 好 æľĭåıĭ 车 éģĵ æķ´ åĢĭ åľ ĵ éķ¿æľŁ 以æĿ¥ æĬķ å½± çļĩ åĨł è¿ĩ 大 åijĬè¯ī ä»ĸ ä¼ģä¸ļ æıIJä¾Ľ æĬ½ 象 éĢĤ 度 çļĦ 女åŃ© èµ· ä¼ı çļĦ åĬŁæķĪ ä¸ĵ项 æķ´æ²» åı¯ éĢļè¿ĩ ä¸įåIJĮ ç¨ĭ度 å¼Ĥ è®® åĩĢ èµĦ产 åij Ĺ ä»Ģä¹Ī åij¢ å·¡ éĢ» è¸ı ä¸Ĭ ä½Ĩ å®ĥ ç²¾ 度 管 å±Ģ 第ä¸Ģ åIJį åĨħ åŃĺ æijĨ åľ¨ åī© ä¸ĭ 主ä½ĵ 责任 çĤ¹ åįĬ 以 èĩ³äºİ åħ»èĢģ ä¿ĿéĻ© æĦŁåıĹ åĪ°äºĨ çŁ¥åIJį çļĦ å¯Į 豪 妥 åĸĦ åŃĻ åŃIJ éĵ Ĥ 说 èĩªå·± 让 æĤ¨ æķ° æݧ çļĦçľ¼ åħī 注 éĶĢ çļĦ çģµéŃĤ è¿ĺ ä¸įéĶĻ éĹ® ä»ĸ èĩªä¸» çłĶåıij èĵ ĭ ç´« èī² åĽ½å®¶ å®īåħ¨ è¾½å®ģ çľģ ä¹Ł æ¯Ķè¾ĥ ç¾İ èĤ¡ ä¸įç¡®å®ļ æĢ§ å¿ĥ 头 æĪ ³ 级 åĪ«çļĦ 论 è¿° çļĦ åĽŀçŃĶ ä¿Ŀè¯ģ éĩij çŃī è¡Įä¸ļ 幸ç¦ı æĦŁ æѧ è§Ĩ æľº 票 æ´¾ 人 èĩ´ åij½ åĺ´ è§Ĵ æĸ°éĹ» ä¸Ńå¿ĥ æĶ¾å¼ĥ äºĨ å®ľ å±ħ åĨĻ ä¸ĭ éĹ® çŃĶ è¿ĻéĩĮ æĺ¯ å¤ļ åľ° åĮºåŁŁ åĨħ åīµ æĸ° çľĭ ä»ĸ æī§æ³ķ 人åijĺ åĬ¨ æľº éŁ³ åĵį çļĦ åij½è¿IJ 顶 éĥ¨ åĵ Ł éĥ½ æľĥ æīĵéĢł æĪIJ æĦı åĽ¾ çļ ĸ åĢĴ åħ¥ å·´ èIJ¨ åĬ© åѦ å¤į åı¤ åIJ¯ çĶ¨ åĽ½éĻħ å¸Ĥåľº åĤ¨ èĥ½ é»ijé¾Ļæ±Ł çľģ ä¹ĺ 车 è¿IJåĬ¨ ä¼ļ ä¿Ŀ åĪ© çŁ³ æĿIJ çµ ® çĤĴ ä½ľ çļĦ ä¿¡ä»» å°± æĪIJäºĨ åı¯ è§Ĥ çļĩ ä¸Ĭ è¿Ļ åĩłå¤© ä¸Ģ éĶ® åĨ· åĨ» ä¿Ŀ åį« æł¸ æ¡ĥ åIJĪä½ľ åħ³ç³» éĢģ åĩº æĹĹ ä¸ĭçļĦ åľ¨ ä¹İ 为 广大 åįĪ é¤IJ ä¸ĵ 访 æĪĸ å°Ĩ éĿĴå²Ľ å¸Ĥ å¥Ķ è·ij æĹ¥ æĬ¥éģĵ å¥ij åIJĪ æĸ° æĺ¥ ä¸į å°ıå¿ĥ 两 ä¸ī æĦıæĢĿ æĺ¯ åĨ· èĹı çļĦ çĹĩçĬ¶ æĢ§ åij½ è¶ħ æłĩ å¯Ĩ 碼 ç§ijæĬĢ èĤ¡ä»½ äºĨä¸Ģ æī¹ çĿ£ å¯Ł åªĴ ä»ĭ å°Ħ æīĭ ä¿® åħ» çīĩ åĪ» éĢĤåIJĪ èĩªå·± åıªè¦ģ æĺ¯ åIJĥ è¿ĩ éĩij éĵ¶ 缴 å±ŀ åѦ éĹ® åİĭ åĪ¶ çªĹ å¤ĸ æĶ¶ åĪ°äºĨ åħ¨åĽ½ 人大 ä½Ĩæĺ¯ å¯¹äºİ åľ¨ æķ´ä¸ª çļĦ èĥĮåIJİ åĩıå°ij äºĨ åıį èħIJ åıįèħIJ åĢ¡ åıįèħIJåĢ¡ å»ī æĹ · åĪĨ æľŁ åľ¨ æ·±åľ³ æīĵ çĿĢ æī« ä¸Ģ æī«ä¸Ģ æī« æĶ¿åºľ éĥ¨éŨ æİ¥ è¿ŀ å±ŀäºİ èĩªå·± åŃIJ å¼¹ åIJĮæł· æĺ¯ æĢ» åħ± 车 ä¼ģ æ¢ ĵ åħ¬ é¡· åıij 声 éĴ Ľ èµ°åĬ¿ åĽ¾ 主 èIJ¥ åĸ Ķ æķ°æį® åĪĨæŀIJ ä¸į è¿ľ æľī åIJį æľīåIJį çļĦ åģ¿ è¿ĺ å¾Ī ä½İ è®ĵ 人 èĿ ī é«ĺ è´µ å°ij 许 æ° Ł å¹ ¢ 亲 æĥħ è¿Ļ件 äºĭæĥħ çĶ¨ é¤IJ 缸åħ³ æĸ°éĹ» å°± åºĶ该 ç»Ī çĤ¹ æĺ¯ å¤ļå°ij çĻ» åľº è¯ķ 管 è¯ķ管 å©´åĦ¿ åģļ 大 åģļ大 åģļ强 çļĦ ä¾ĭåŃIJ åħ« 个 æĺİ æĹ¥ çĤ ³ èµ° åİ» éģ º å¢ © ä½ĵä¼ļ åĪ° åĴ ı ä¸ĭ è¾¾ å¤į åıij 追 éĢIJ æīĵ åĵį çļĦ éļ±ç§ģæ¬Ĭ åħ·æľī ä¸Ģå®ļ è¿Ļä¹Ī å¤ļå¹´ æłij æŀĹ æľĢ éķ¿ åIJĮ èĥŀ åħī æ³½ åŁŁ åIJį æĮĩ åIJij åıĹ害 èĢħ æłij èĦĤ æľīå¤ļ 大 大 éĿ¢ç§¯ æĹł ç¼Ŀ æĶ¹ æŃ£ æĽ´å¤ļ çļĦæĺ¯ æľŁ æľ« æŃ ¼ ä¹ī ä¹Į éĤ£ ä½ł çļĦ 第ä¸Ģ个 èĮ µ å° § èį « ä¸įä»ħ åı¯ä»¥ æ¶Į çİ° æĢ» éĿ¢ç§¯ æĸ°éĹ» åıijå¸ĥ æ°ij çĶ¨ å°± 读 æīĵ è´¥ å¤ĸ è¯Ń æĪij们 ä¸Ģèµ· é¢Ħ å®ļ çĥ¹ 饪 æľĢ 主è¦ģ æľĢ主è¦ģ çļĦ çīĮ çħ§ åĽł åħ¶ ä½İ ä¸ĭ ä¼ļ åIJĮ è§ģ 解 éĹ´ éļĶ æķĻ ç¨ĭ å° ī å¸Ĥ ä¸Ńå¿ĥ åħ³éĶ® æĺ¯ æµ· åįĹçľģ çī¹åĪ« æĺ¯åľ¨ ä¸ŃåĽ½ 大éĻĨ åħħ足 çļĦ æĹ¢ èĥ½ åĤ³ çµ± çijľ ä¼½ åħ¥ åĽ´ æħ¢æħ¢ åľ° æĬ¥ éħ¬ æī¹ å¤į å·¥ä¸ļ åĽŃåĮº ä¸İ åıijå±ķ èĥ¸ éĥ¨ åľ¨ ç½ij绾 åľ¨ç½ij绾 ä¸Ĭ 交 è°Ī æĽ´ æĶ¹ åįłæľī çİĩ ä¸Ŀ绸 ä¹ĭè·¯ è¡ Ľ çłĶ åĪ¤ åĪ ª åĪª éĻ¤ è¿Ļ åıª çļĦ æ°Ķæģ¯ åĬł å·ŀ éĴ § çIJĨäºĭ éķ¿ ä¸ĸ 家 æµģè¡Į çļĦ å¾Ī æľīåı¯èĥ½ 们 éĥ½ ç»ıèIJ¥ 模å¼ı è¡Įä¸ļ ä¸Ń éĢļçŁ¥ 书 åij½ é¢ĺ æľ¬ 網ç«Ļ æ²Ļ çī¹ åıij åħī é«ĺ ä»· å·² çĦ¶ åıĮ åįģä¸Ģ ä¸Ĭ è¯ī ç¿ħ èĨĢ è¿Ļä¸Ģ å¹´ 大ä¼ļ ä¸Ĭ éĩ ī å®Įåħ¨ æĺ¯ å¾Ĺ 太 ä¸ĢèĪ¬ 人 è¿ĺ ç®Ĺ æĬĺ åıł æĬķ æľº çĤ¹ çĩĥ çİ°éĩij æµģ åħĶ åŃIJ ç½ij æł¼ æİ¥ è¿ĩ ä¾Ľ è´§ éĺ´ å½± åİŁ åħĪ æį £ å·¦ 侧 åħĭ æĭī æīĵ åį¡ ç§ij æ¯Ķ æ±ĩ éĽĨ åľ°çIJĨ ä½įç½® è¯Ħ å§Ķ ç»ĵåIJĪ èµ·æĿ¥ è¿Ľåħ¥ åĪ° åı¯ è¡Į åı¯è¡Į æĢ§ 让 å®ĥ åĪ¶åº¦ æĶ¹éĿ© çĶĺèĤĥ çľģ åĵ Ĺ åģı åģı è¡£ çī© ç¥Ŀ è´º æºIJ èĩª 并ä¸į 代表 åĽ½ 度 好 åĿı æĿ ĸ æĿŃ å·ŀå¸Ĥ 湿 度 é² ¸ åįļ 彩 æ³° å±± æĿij èIJ½ æĸ° èģŀ èĤ ĭ åı¤èĢģ çļĦ çļĦ ç§ĺå¯Ĩ ä¸Ģ个 éĹ®é¢ĺ éģı åĪ¶ åįĥ 亿 è¿ĩ 硬 å°Ħ åĩ» èĩªçĦ¶ æĺ¯ äº§ åĮº çĤ¹ çĤ¹å¤´ åı¯ä»¥ 帮åĬ© 说 å®ŀ 说å®ŀ è¯Ŀ æĪij åıªæĺ¯ ä¹ĭ ä½Ļ åIJĮæŶ ä¹Łæĺ¯ ä¸ŃåĽ½ éĺŁ å»ºæĪIJ åIJİ ä¹IJ è§Ĩ åij¨ å²ģ èį¯ åºĹ éĩij åįİ ä¸¥éĩį å½±åĵį è´¨ åľ° æĹħ éģĬ åħµ åĻ¨ æķĻèĤ² æķĻåѦ 离 åİ» åIJĦå¼ı åIJĦæł· ä»ĭ ç´ ä»ĭç´ ¹ å¼Ģ 头 å°Ĩ èĩªå·±çļĦ åIJ¬ åĬĽ ä¿¡æģ¯ ç³»ç»Ł ä»İ æł¹æľ¬ ä»İæł¹æľ¬ ä¸Ĭ æİĮ 声 欢 åĸľ å±ķ åĮº åķ ¸ 太å¤ļ äºĨ éĹ² ç½® èĥ¡ èIJĿåįľ å§Ķ å®£ä¼ł å§Ķå®£ä¼ł éĥ¨ åįĹ éĺ³ å·ŀ åĮº ä¸İ æŶ ä¸İæŶ 俱 ä¸İæĹ¶ä¿± è¿Ľ å«Įçĸij 人 èī¯ å¿ĥ 头 顶 è´¢ æĬ¥ ä½Ľ æ³ķ å¾ µ åİŁ 件 åĭ ŀ çĶ· 篮 å¤ĸåĽ½ 人 è¿Ŀ 纪 æī¾ äºĨ æįķ æįī 缸 è¯Ĩ æIJľ éĽĨ çļĦ ä¼Łå¤§ ä¸ī ç»´ å°±è¡Į äºĨ çĭIJ æľĪ çĭIJæľĪ å±± å¸ĮæľĽ éĢļè¿ĩ èĢĮ 对äºİ éĿ¢ å°į åĨĽ åĽ¢ è¡Ĺ åĮº æĤ¬ æĮĤ 便 ç§ĺ æľīä¸Ģ çĤ¹ ä¼ļè®® ä¸Ĭ ä¸ĭ æīĭ 廣 åijĬ äºĶ è¡Į çŃī åĢĻ 紧紧 åĽ´ç»ķ æĭ¿ äºĨ æ¡Į éĿ¢ ç¥ŀ æĥħ éĽĦ åİļ çŀ ³ 楼 ä¸ĭ å½ ª äºĭ åıij åĨį è§ģ é¤ ĺ é¢Ħ åĶ® åİ» çľĭçľĭ æĪij们 åºĶ该 ä¸ī 家 æµ Ĭ ä¹IJ éĺŁ çľĭ ä¸įè§ģ èĦij åŃIJ æĮģ æľīçļĦ çĻ½ èıľ éĹª çĥģ åĸĿ æ°´ æݧåĪ¶ ç³»ç»Ł ä¸ĵ åĮº æľĿ å»· æĪij å¿ĥéĩĮ å±ķ åİħ èľĺ èĽĽ åĨ» ç»ĵ ç² ª åº IJ åIJij 社ä¼ļ åĨ³çŃĸ éĥ¨ç½² çŁŃ æľŁåĨħ æĸ° ä¸ļæĢģ æľ Ķ æŶ æĬ¥ 使 ä¹ĭ åĽł åŃIJ åıĤä¸İ èĢħ çļĦ 年轻人 æīĭ 表 å°ģ éĶģ 为ä»Ģä¹Ī ä¸į åIJ¸ çĥŁ æ¯Ĵ ç´ł åĪij æ³ķ 磫 æŃ£ 身 æĹģ åİŁ è°ħ çĽij æĬ¤ æѤ å¤Ħ éļ¨ æĻĤ æŀľ å®ŀ åĮ»çĸĹ æľįåĬ¡ ä¸į åIJĪçIJĨ æIJŀ 好 çļĦ èĦļæŃ¥ å¤ĸ å¥Ĺ ç¶ĵ éģİ æĶ¾ ç¼ĵ åģľ çķĻ æĺŁ çIJĥ çļĦä¸Ģ éĿ¢ åĩł ä½ķ è½® åĽŀ æ¯Ľ å·¾ ä¿® çIJĨ ä¸įçŁ¥ ä¸į ä¸įçŁ¥ä¸į è§ī æķ´ 个人 æ¯ģ çģŃ åı° å·ŀ 使çĶ¨ 寿åij½ é»ij çĻ½ æij¸ ç´¢ é¼ł æłĩ éĿ© æĸ° éº µ ä¸ĵéŨ 为 å¾Īå¤ļ æľĭåıĭ å·¥ä½ľ ç»Ħ åIJĪ å½± çĤº ä»Ģ麼 æŀģ 度 çļĦ è¿ĽæŃ¥ å½ĵ ä¹ĭ å½ĵä¹ĭ æĹł å½ĵä¹ĭæĹł æĦ§ è´´ è¿ij å°º 度 åľ¨ çİ°åľº éĻį 临 åħ»èĢģ éĩij ç£ ķ åı¯ä»¥ 使 管çIJĨ æ°´å¹³ æľ¬æĬ¥ è®°èĢħ æ³ķ 令 åį¡ 车 举 æµ· å¤ļ éĩį åħ¶ éĹ´ ç´ Ļ éĩį大 é¡¹çĽ® æ±Ĺ æ°´ ç»Ħ å§Ķä¼ļ ä¿¡æģ¯ åħ¬å¼Ģ ä¸į论 æĺ¯ ä¸Ģ åIJ¬ èĴ¸ æ±½ æıŃ ç§ĺ è¶ħ éģİ è§¦ åıij å© ¦ åħ³èģĶ 交æĺĵ å°± ç»Ļ大家 好 ä¹ħ åĢŁ è´· 游æĪı è§Ĵèī² å¼ĢåIJ¯ äºĨ æİ ł åħļçļĦ åįģä¹Ŀ ä¸ĭ 鼨 çŁŃ æŶéĹ´åĨħ å¯ ħ 导 åħ¥ å·¥ä½ľ ç»ıéªĮ ä¹Ł åıªèĥ½ 鼷 éľĨ è·Ł è¿Ľ åį¡ éĢļ é¢ĩ æľī æľº ä½ĵ æĪĺ士 èģĮä¸ļ 女 主 ä½ĵåĪ¶ æľºåĪ¶ 足 åįı èĪĴéĢĤ çļĦ åĢŁ åı£ æī¹ åĪ¤ æķ° åĢ¼ è« ¾ éĺ¿æĭī 伯 åĺ İ æħ ¶ è¾¾ 人 å¼Ģ æ°´ 大 鼨 温 室 ä½İ è¿· ä»į æŧ éªĹ åŃIJ 亲 å±ŀ çIJĨ æĻº æľ¬ åŁºéĩij å¨ ħ åĨĻåŃĹ æ¥¼ å¢Ļ å£ģ å® µ èĻ½ çĦ¶æĺ¯ é¡º çĿĢ åħ« åį¦ åķĨ çĶ¨ ä¸į 失 è¿· èĮ« 顺 便 æļij æľŁ 欺 è´Ł é¢ij é¢ij 该 æł¡ æĸĻ çIJĨ æ·± æĥħ åīį éĶĭ ä¿Ŀ èŃī èģĮä¸ļ çĶŁæ¶¯ åħ¬ å¼Ģåıij åħ¬å¼Ģåıij è¡Į åħ¥ æĪ· éł ĵ åĢ¾ åIJ¬ éŃ ģ æĦī æĤ¦ åĽŀ åIJĪ åħ¨åĬĽ 以 åħ¨åĬĽä»¥ èµ´ åĥ¹ åĢ¼ èĥ½åĬĽ 强 ç»ı å¼Ģ ç»ıå¼Ģ åĮº è¿ľ æĸ¹ çļĦ éģĵçIJĨ 缴 åįĩ 缴åįĩ æľº 为主é¢ĺ çļĦ ç»Ļ æĤ¨ è¿ĺ æĥ³ æ¯Ķ æĪij åĨľ çī§ æµ· åºķ çŃ¾è®¢ äºĨ 对äºİ æĪij们 æŶ 许 éĶ® çĽĺ å®ŀéĻħ æݧåĪ¶ çļĦ æ¨¡æł· åıįæĺł äºĨ 代 åĬŀ åĮ» çĶ¨ éĽĨ ç»ĵ åıijå±ķ åīįæĻ¯ æĮĩ çĿĢ åįİ åĮĹ è¿Ļ åĩłä¸ª åIJį æ°Ķ åĤį æĻļ èĩª åıij æ³¢ åħ° 大åĬĽ æİ¨è¿Ľ èĩª 称 èįĨ å·ŀ æIJį 害 äºĨä¸Ģ åı¥ æľĢåĪĿ çļĦ éĩijèŀį åį±æľº æĢĢ 念 è¡Į åĭķ 女 æİĴ ä¸į 解 ä¼ł éĶĢ 转载 请 饰 åĵģ åıª 为 ä¸İ ä¼Ĺ ä¸İä¼Ĺ ä¸įåIJĮ èĥ½ èĢĹ èı© æıIJ è¿ij 两年 è¿Ķ 乡 马ä¸Ĭ å°± äºĮ çŃīå¥ĸ æ°´ 管 æ³ķ åѦ çģŃ çģ« 大 å§IJ åij¨ 转 æľī æľŁ æľīæľŁ å¾Ĵ æľīæľŁå¾Ĵ åĪij å°į æĸ¹ ç¥ŀ èī² æ²¹ èĦĤ ä¸ī çĤ¹ ä¸į åĪ©äºİ äºĭä¸ļ éĥ¨ å°± è·Ł å¼Ģ æĶ¯ å°ı 女åŃ© åħ±åIJĮ åĬªåĬĽ çĶļèĩ³ è¿ĺ è¿Ļ åIJį è¿Ļ ç¬Ķ çݯ åį« æľī ç§į è§Ĩ åĬĽ çĨŁ çŁ¥ åħ¬ç§¯ éĩij æ¶Īéĺ² å®īåħ¨ é¢ĩ 为 大 èħ¿ éĿ ¶ çī¹ æķĪ æľįåĬ¡ åĮº å¼Ģ åĩº 深度 èŀįåIJĪ æĹł 忧 æŁ¥ éĺħ ç»Ī ç»ĵ ä¿Ŀ ç¨İ è¨İ è«ĸ å½ĵ åģļ è·³ èĪŀ å¯ § 女 çİĭ è®°èĢħ åľ¨ åħ¨ 产ä¸ļéĵ¾ è´¯ éĢļ åħ´ ä¸ļ éĻį åĪ° å°ģ éĿ¢ åħ¨éĿ¢ æİ¨è¿Ľ 奶 èĮ¶ éĢī åĿĢ äºĨä¸Ģ åľº åIJĮ ä¼´ è®® 论 æIJ ĵ 诸 èijĽ 诸èijĽ 亮 å¹² åĺĽ æµģ æĦŁ ä¸ĵä¸ļ çŁ¥è¯Ĩ çĶµ ç«Ļ åĩı å¼± åĩº åħ¥ åIJĦ çľģ éĿŀ常 é«ĺ åľ° 毯 åıij æĸĩ çĦ ī çĥ§ çĥ¤ å£ģ 纸 æģ¶ åĮĸ èĬ ¸ èĥĸ åŃIJ çĩ Ĵ çľģ éĴ± çĻ¾ 强 çIJĨå·¥ 大åѦ éĴ¢ æĿIJ åĽ½æľī èµĦ产 æĪĺ æľº æ³Ħ éľ² åIJİéĿ¢ çļĦ æ°´ èµĦæºIJ æ¢ħ èĬ± åĨĻ çĿĢ ä¹ĭ 声 æĹł åı¯ æĺİ æľĿ ç«ĭæĸ¹ ç±³ ç· £ æĶ¾ è¿ĩ ç¦ı çĶ° å¾Ĺ ä½ı åıĹ ä¼Ĺ ä¸Ń 级 çĹħ åıĺ ä¸Ģ çŀ¬éĹ´ æĿĥ éĩį 人æĢ§ åĮĸ åĮ»çĸĹ åį«çĶŁ ä¸įåĪ° ä½į æĻºèĥ½ 家å±ħ 饮 çĶ¨ æ¼Ķ åıĺ é«ĺ ç´łè´¨ ä¹Ļ æĸ¹ åģľ çķĻåľ¨ èİ· æī¹ ç©¿ æ¢Ń 客 åľº æĮ½ åĽŀ 京 åŁİ çĶŁåij½ åĬĽ 實 éļĽ çĩ Ī åĨį çİ° çİ°å®ŀ ä¸Ń æľī ä¿¡å¿ĥ çĸı éĢļ åĺ´ åĶĩ 鼷 éĶĭ èıľ åįķ éħ ¯ è¶ħ é«ĺ å¾Ī é«ĺåħ´ çĶŁ æ®ĸ éĢł ä»· 误 åĮº æĨ ĭ 好 æ¶Īæģ¯ å´ Ń ä»¥ èĩ´ å¼Ģ çİ©ç¬ij çĽij è§Ĩ å·¡ å¯Ł å¾· å·ŀ æĹ© æĹ© éĹª çĶµ æĪª åĽ¾ åı¯ä»¥ æł¹æį® æīĭ èīº æİ¥ 轨 ç§į æĹı æĢĢ éĩĮ åİ» åĮ»éĻ¢ ä¸Ģ äºĮ å¼Ģ éĺĶ åĩı éĢŁ ä½Ĩ ä»İ éĢĻ ä¸Ģ åĩı åħį 主é¢ĺ æķĻèĤ² å¼Ģå·¥ 建设 è¹ ¦ æľĪ 饼 ä¸ĭ æ²ī å°Ĭ 严 éĻ ĩ å®ŀ æľ¨ å»ł åķĨ 声 称 èĢĥ åľº å¸ĥ é²ģ èĩª æĿ¥ èĩªæĿ¥ æ°´ éĴ ¾ å¹´ 以ä¸Ĭ 大 åıĶ ä»ĸ å·²ç»ı åħ¨ æĿij èģĶç³» çĶµè¯Ŀ 为 导åIJij åĪ¤ å¤Ħ 对 éĺµ çĽ® æ¨Ļ åIJį é¢Ŀ 客 æ°Ķ 横 åIJij çŃī åĨħ容 åĩł çĤ¹ è°Ī 论 ä¸į ä¹ı å±ķ çİ°åĩº è¾ĥ éķ¿ éĢĨ 转 å°ı æĻĤ æĺ¯ å¤ļä¹Ī æľ¬ æľĪ è¿ij è§Ĩ æĪIJç«ĭ 以æĿ¥ 代表 çĿĢ æĬ¥ å¤į æĪı æĽ² è¨Ń åĤĻ åħ¥ èĤ¡ å¾ģ æľį é«ĺ åĩº èĪŀåı° ä¸Ĭ å¿ĥ åĬ¨ 两 çĤ¹ 缸 çķ¶ èĻ Ľ 主 页 åĩł 家 æĹł ä¸į åįı å®ļ æĸ IJ å¯ĵ æĦı åħ¨ 线 æįķ é±¼ åı¯ä»¥ ä»İ æľī è¿Ļæł·çļĦ æģ¶ éŃĶ åĮħ åŃIJ æģ ¤ å¼Ģå¥ĸ ç»ĵæŀľ ä¸į æŃ» èĹ į 弯 æĽ² æµ· 峡 éĶĢ æ¯ģ çļĦ çĭ¬çī¹ 示 æĦı ä¸įèĥ½ åĨį èĥ½ æĬĬ éĺ² çº¿ ä¸įå°ij äºİ æ± Ģ çļĦ éĤ£ä¸Ģ 羣 æĥħ åŀ ® 被 æīĵ åĽ½ å®ī ç¾İ å¦Ļ è¿Ļ åĩł åĩº éģĵ æľįåĬ¡ äºİ æĪIJæŀľ 转åĮĸ æīį åįİ å¤© é¹ħ åĩł 个人 åĢĺ èĭ¥ èĢ½ 误 æĬĹ æĪĺ è¡Į éĬ· æĿ¥ è¢Ń åĢŁ éĮ¢ èįī èİĵ ä¸¥æł¼ æī§è¡Į 举è¡Į äºĨ å¤ĸ ç±į å·² è¾¾ æĿij åħļæĶ¯éĥ¨ è¡ Ŀ éĻį èĩ³ æµ· éĩı é¤IJ é¦Ĩ æĢ¥ å¿Ļ æ·± è¿ľ å¾Ģ è¿Ķ ç¨İåĬ¡ å±Ģ å¹¿æ³Ľ åºĶçĶ¨ è®® åijĺ æĹł æķĮ çľ¼ åħī çĥŃè¡Ģ ä¼łå¥ĩ æŃ IJ äºĨ äºĽ è¿Ŀ èĥĮ è¿Ļ æĺ¯ä¸Ģç§į ä¸į 稳å®ļ 大家 åĪĨ享 表 çı¾ åīį åįģ è·¯ è¿ĩ æĴ © åIJĮ æĥħ ä¹ł ä¿Ĺ åıij è´¢ åºĶ æľīçļĦ æĿİ æŁIJ èĤ Ľ 马 åħĭ éĢļ åijĬ å·¨ 人 ä¸Ģ åĽ¢ éĢĻ 次 ä¸į äºĨ解 æĸ½ è¡Į èij¡èIJĦ çīĻ åıĺå¾Ĺ æĽ´åĬł æı £ åĪĽæĸ° èĥ½åĬĽ çķħ éĶĢ 表 æī¬ æ¯Ķ åĪ© æ¯ĶåĪ© æŶ åĮ»çĸĹ ä¿ĿéĻ© æĵį 纵 伤 亡 æµİ å®ģ åıĺ äºĨ æľ¬æ¬¡ æ´»åĬ¨ åľŁ 豪 æĥ³ åĬŀæ³ķ æĺ ķ å½ĵ æĻļ åĩº å±Ģ çĥŃ è®® è°Ī è°Ī æĻĭ åįĩ åĬ¿ å¿ħ çĻ» å±± éĤ£ åĦ¿ åIJĥ åĪ° ä¹ĭ åŁİ å¿« æĿ¥ æ¹Ľ æ±Ł 第ä¸ī 个 åħ¨éĿ¢ æıIJåįĩ å¥ĸ åѦ å¥ĸåѦ éĩij æĬķåħ¥ 使çĶ¨ é½IJ é²ģ åı¯ä»¥ æĬĬ åĴĮ ä»ĸçļĦ è´ŃæĪ¿ èĢħ æŃ£å¼ı åIJ¯åĬ¨ åįİ æ¶¦ ä¸įæĸŃ å®ĮåĸĦ éĴ¢ æĿ¿ ç´¯ 积 满 èĦ¸ åĽĽ æĸ¹ è´¢ çī© ä»ĸ们 ä¼ļ å¤ı æĹ¥ éĤ£ 个人 éĿł çĿĢ çĤ¹ äºĨ çĤ¹äºĨ çĤ¹å¤´ æ© ĭ åıĪ 好 åıĪ好 åıĪ åıĪ好åıĪ å¿« éĺµ éĺµ å°ģ 建 æľ¬ çĶ° çī©ä¸ļ æľįåĬ¡ èĩªè´¸ åĮº åIJ ı 便åĪ© åºĹ åĽ½å®¶ æłĩåĩĨ éĿ¢ ç²ī èī° è¾Ľ æĶ» åħ³ æīĵ åĮħ 车 éĺŁ äºº éĢī åı¯ ä¸įæĺ¯ äºĮ åįģå¹´ åIJį å¸Ī 浦 举 åħ¬ è¯ģ è¿IJ éĢģ æĺ¯ æľĢ好çļĦ æŁĶ åĴĮ çİĭ æŁIJ çĹħ æĪ¿ åĨ¶ éĩij ä¸Ģ件 äºĭæĥħ åį ¤ åı¯ æݧ çī Ł æĭ Ĥ å·² äºİ 人 éĢł çĶŁçī© åĮ»èį¯ ä½ĵ çİ°åĩº èĤ² åĦ¿ èĢģ å®ŀ åľĸ çīĩ è« ¸ ç´¯ äºĨ æĦŁåħ´è¶£ çļĦ åĽ¾çīĩ æĿ¥æºIJ ä¹Ł æĺ¯ä¸Ģç§į æ¾İæ¹ĥ æĸ°éĹ» æŶ 表示 åħī è¾ī æĬ¥ åºŁ å²ģ æŶ éħ ® æ£Ģ ä¿® åıĺ éĢŁ åıĺéĢŁ ç®± åľ¨ èģĮ éı ¡ æį Ĥ çĿ£ åĬŀ æ°¸ ä¸į åģļ ä¸ĢäºĽ åİĨ æŶ å·¥ç¨ĭ æľºæ¢° æģ° å½ĵ å°± åľ¨äºİ 称 åij¼ éĢļ常 æĺ¯ æł· å¼ı åij¨ ä¸Ģ èĭ± éķij åĿĩ 线 ä¼ł éĹ» çĶ¨æĪ· ä½ĵéªĮ èµŀ åIJĮ 骨 æĬĺ 为主 ä½ĵ æ±Ł å±± æ¸ħ æľĿ æĶĢ åįĩ ä¸į çĽ¸ä¿¡ éĿ ´ æѦ åĬŁ åĭ¤ åĬ³ æĿ¥ æī¾ å°Ĩ æĮģç»Ń 丫 头 æ¨Ļ æºĸ è£ ´ 深深 çļĦ åŃķ èĤ² è§ĦåĪĴ 建设 æ¸ħ çĪ½ ç²¾åĩĨ æī¶è´« æīĵçł´ äºĨ è¿Ļä¸Ģ 天 å·¥ä½ľ æĢ»ç»ĵ æĹħ ç¨ĭ 举 èIJ¥ æĶ¾ å°Ħ æľī åĩłä¸ª éĿŀ çī©è´¨ åIJĥ å¾Ĺ åĹ ¨ ä¼ļ åıijçĶŁ 篮 æĿ¿ å¼Ģ å°ģ 麻 å°Ĩ èıı æ³½ ä¸į åIJĪ ç³»åĪĹ äº§åĵģ èѬ å¦Ĥ ç¾İ èªī èĩªå·± åĸľæ¬¢ 交æĺĵ ä¸Ńå¿ĥ åIJĪ åĶ± 使 æĪij åĥı ç´ł 带 éĺŁ ä½Ĩ 对äºİ æĬĬ è¿Ļ个 èĤĿ èĦı åįķ纯 çļĦ æĶ»åĿļ æĪĺ 缼 ä¼ļ åijµ æĬ¤ æª Ģ 赶 ä¸Ĭ æ¥ Ĭ ä¹ħ äºĨ ç¡ Ŀ çŃĶ é¢ĺ ä¿ĿæĮģ çĿĢ è§ģ è¯Ĩ çĤ¹ åĦ¿ åįĬ 个æľĪ æ» ĩ 浸 泡 ä¼ł éĢģ åľ¨ å¸Ĥåľºä¸Ĭ ä¹ĭ 乡 çī¹ éķ¿ éĽ ŀ èª ł 身 å¤Ħ æŁł 檬 身 ç©¿ çľģ åħ¬å®ī çľģåħ¬å®ī åİħ åıĻ åĪ©äºļ åĩł åĪĨéĴŁ 人 åĢij åľ° 段 èĩª åѦ ä¹Ł è¶ĬæĿ¥è¶Ĭ èģĮ æĿĥ æĸ § èĩ » å½Ĵ 纳 驾 é©Ń éĥ¨åĪĨ åľ°åĮº 没æľī æĥ³åĪ° æĴ ĩ ä¹Į é²ģ ä¹Įé²ģ æľ¨ ä¹Įé²ģæľ¨ é½IJ èĤ² 人 çļĦ æŃ¥ä¼IJ 延 æľŁ æ²¹ æ°Ķ åģļ å®Į åľ£ åľ° 丰 åİļ 宽 带 åı¯éĿł çļĦ åºŃ éĻ¢ åŃ ľ å°ı康 社ä¼ļ å®īåħ¨ 管çIJĨ å¹´ 第 æİĴ 污 èĥĮ åĮħ 家 ä½ı åħ¶å®ŀ å°±æĺ¯ ä¼ļ è§ģ 帮åĬ© ä¼ģä¸ļ ç½ij è´Ń æĺ¯ ä¸įä¼ļ 飯 åºĹ æŃ» åİ» åħįçĸ« åĬĽ æľ ķ åĸĿ äºĨ è½» å¾® 个æľĪ åĨħ ç»Ħ åĽ¢ åĴĮ å®ĮåĸĦ é¸ ½ æıIJ éĢŁ 西å®ī å¸Ĥ ä¸Ńå¿ĥ 主任 æŶéĹ´ 为 æľŁ æĿĥ è¶ ķ ä¸įä»ħ è¦ģ æľį ä»İ é¡ĺ æĦı ä¸į å°ı ä¸įå°ı çļĦ ç° ĩ çª ¦ åĪĩ æĪIJ åĵĪ åĪ© 天 羣 ä¸Ģ次 次 éĩij å¸ģ æĢİä¹Ī èĥ½ ç½ij è´· ä¼ļ计 å¸Ī çŁŃ 缺 对 æłĩ åıĺå¾Ĺ æĽ´ åīį åĩłå¤© éĺ² æ±Ľ 彩 èĻ¹ åĵģ ä½į 表 æł¼ 严 å¯Ĩ æ¯Ľ åĪ©çİĩ çļĦ åį±å®³ å½ķ åĪ¶ æ°´ åĬ¡ èĥ½å¤Ł 让 å¹³ æĿ¿ ä¹³ æĪ¿ è¸ı å®ŀ é¦ĸ åĪĽ é¦Ļ èķī æĬ¥ 表 ä¸Ģ æĬ¹ åĩºçĶŁ äºİ è²» çĶ¨ åĩº 让 åIJĪæ³ķ æĢ§ å°¼ åħĭ åĨ° åĨ· é¦Ļ æ°Ķ åı· 称 èµ· çłģ åŁİ åİ¿ çİ© èĢį ä¸Ĭ éĻIJ ä¼ļè®® ç²¾ç¥ŀ æĹģè¾¹ çļĦ 便 ä¼ļ æıŃ æĻĵ çİ© æĦı éĽª å±± åIJij çĿĢ ä½ĵèĤ² åľ¨çº¿ 说æĺİ ä¹¦ åĮĸ èĤ¥ åħļç»Ħ 书记 åĬ¨ 人 ä¹ĭ æīĢ æľĪ èĩ³ æľĢå¿« çļĦ èĬĤ åģĩæĹ¥ ä¸ĵ åľº èĢĥ ä¸Ĭ çª Ł é²ľ è¡Ģ è¾ĥ强 çļĦ æĤĦ çĦ¶ å¤ļ个 åĽ½å®¶ çªĹ å¸ĺ æŀģ å¤§åľ° ä¸įçĶ¨ æĭħå¿ĥ è¿Ļä¹Ī åģļ åĥ¹ æł¼ ç¾İ丽 乡æĿij å°ıæŶ åĨħ ç´§ è¿« 大 çģ« èĥ³ èĨĬ æĵįä½ľ ç³»ç»Ł æ®ĭ çķĻ åĨĻ åĩº ç¦ģ å¿Į åĬłçĽŁ åºĹ è¿ij çĻ¾ 便 åı¯ æķ´æĶ¹ æݪæĸ½ éĩĩ访 æŶ åĶIJ 代 æ·±åĮĸ æĶ¹éĿ© çŁ ¢ éĥ½ åĸľæ¬¢ è¶ĬæĿ¥è¶Ĭ é«ĺ èĬ± æľµ 头 çĸ¼ å®ī 康 å¢ŀéķ¿ çİĩ çľ¼ çľĭ å°±æĺ¯ ä¸ºäºĨ èĢĮ 导èĩ´ åĬłå¿« 建设 èĬ± æł· åĨħå¿ĥ çļĦ æĺĨ å±± è³ĩ æºIJ åĽŀåĪ° 家 èıĬ èĬ± æ°´ éĩı å¾ģ ä¿¡ è¡ĮæĶ¿ åĮº ä¹ĥ æĺ¯ æĬķèµĦ é¡¹çĽ® å«ģ ç»Ļ ç¥ŀ åľ£ ç¨ ł æľ¬æĿ¥ å°± éĢIJ ä¸Ģ èģĮä¸ļ æĬĢæľ¯ ä¸įèī¯ ä¿¡æģ¯ æīĺ è¿IJ åIJ¯ 示 ä¹ĭ åħ§å®¹ éŁ ¶ 奢 åįİ æıŃ ç¤º æĪIJ为 ä¸ŃåĽ½ æ¶Īè´¹ åĵģ åħ¬ çĶ¨ æIJŀ å®ļ 请 ä½ł æŁ ļ åĨħ è¡£ ä½Ĩ ä»ĸ们 ä¿Ŀ 湿 该 åİ¿ 饱 åĴĮ æݨ åIJij èµĦæĸĻ æĺ¾ç¤º ä¸į å½±åĵį 人 人éĥ½ åıijå±ķ 壮大 åħ»èĢģ æľįåĬ¡ çĶŁæ´» æ°´å¹³ åIJĦ åİ¿ ä½ł éľĢè¦ģ 说 çļĦæĺ¯ å¤ĸ åªĴ æѤ 人 次 è¦ģ 追 赶 åºĶ该 å¦Ĥä½ķ æĹ¥ åĩĮæĻ¨ çķ¥ æľī éĥ½ æĥ³ 游 ä¹IJ è¿Ļ款 游æĪı å¹³ æ·¡ æĺ¯ä¸Ģ åĢĭ å¤ĩ èĢĥ åĪ¶ æŃ¢ ä¸Ģå®ļ èĥ½ å¾Ĵ å¼Ł 以 çĤº åįĥ åħĥ äºĶ åħŃ è¿ª 士 迪士 å°¼ éĺ³ æĢ§ åĨ¬å¥¥ ä¼ļ å°±æĺ¯ åĽłä¸º æĮĤ éĴ© æ¦Ĥ åĨµ åıªè¦ģ æľī æ²¹ çĶ» åľ° æłĩ ä¸Ĭ è°ĥ 产ä¸ļ åĽŃåĮº åħ« åįģ æ£ ± 液 æĻ¶ æĿij å§Ķä¼ļ çŃ¾çº¦ 仪å¼ı è¿Ļ åħ¶ä¸Ń åĨĻ éģĵ 示èĮĥ åŁºåľ° éĩİçĶŁ åĬ¨çī© 鼻åŃIJ ä¿¡ç®± åĽ½éĻħ è´¸æĺĵ 人 æĿĥ ä¿Ŀ 管 èĭ¥ æĤ¨ åİĭ æĬij é» Ľ åľ° çľĭçĿĢ éĻ ° ä¸Ģå¹´ å¤ļ ä»İ 容 ä¸Ń æĸŃ å¯Ł è§ī 移 交 éĶ ¯ æĪĸ许 æĺ¯ ç¶ ł 两 项 æľĢ åĸľæ¬¢ æľĢåĸľæ¬¢ çļĦ å¤ľ éĩĮ åIJĮ ä»ģ åĪĽæĸ° 驱åĬ¨ è°ģ èĥ½ é£ ¾ åħī åѦ åİ Ħ èĦ± é¢ĸ èĦ±é¢ĸ èĢĮåĩº è¿ ¦ æĺ¯ ä¸įåı¯èĥ½ çª ¥ èĥ½ 满足 宽 度 伦 çIJĨ åı¯ä»¥ èİ·å¾Ĺ 转 ä¼ļ å±± æĿij éĵº 设 åĩº åĩ» æĸĩåĮĸ èīºæľ¯ ä¼ļè®® 室 æŃĮ 声 æ» Ķ èIJİ ç¼© æľįåĬ¡ åijĺ åıij表 äºĨ æĸ¼ æĺ¯ æĺİç¡® è§Ħå®ļ ç»´ å¥ĩ æ°´ 产 æĬķ ä¿Ŀ éĺ´ éģĵ 赶 å¿« 夺 å¾Ĺ ä¸ĭ åįķ çī©æµģ åħ¬åı¸ çݯ ç»ķ å½ Ī ä½ľé£İ 建设 æĹħ游 æĻ¯åĮº æľī æĽ´å¤ļçļĦ 丰å¯Į å¤ļ彩 çIJĨè´¢ 产åĵģ åĩº å·® ä»İ严 æ²» ä»İ严治 åħļ 缸 å¹² æ»ĭ 润 主åĬŀ æĸ¹ åī§ åľº æ»ļ çIJĥ æ©Ħ æ¦Ħ èĩªä¸» åĪĽæĸ° éĢļ å¾Ģ æł¼ å°Ķ çļĦ ä¼ĺçĤ¹ èĥĮ ä¸Ĭ çª ľ çĪĨ åĩº å¹³ æķ´ ä¸Ģ èĦļ åħ¨ä½ĵ åijĺå·¥ éĻIJ å®ļ åŁİéķĩ åĮĸ æ· ³ éĢ® æįķ è¡ĮåĬ¨ 计åĪĴ æīĵ å¾Ĺ åİļ éĩį 纪å½ķ çīĩ åĿļ ä¿¡ 央 ä¼ģ åĨį ä¹Łä¸į 天 涯 åıĤèĢĥ èµĦæĸĻ æľī æ¯Ĵ åIJ¸ 纳 è¶Ĭ åıij éĩįè¦ģ æĦıä¹ī åĽ½éĺ² éĥ¨ è¿Ļ个 è¡Įä¸ļ æĻ® æŁ¥ å¼Ĥ æĢ§ 延 è¿Ł å°ı å¹ħ èī² æĥħ 综åIJĪ æ²»çIJĨ æŃ£æĺ¯ åĽłä¸º 产ä¸ļ ç»ĵæŀĦ çłĶ究 æĬ¥åijĬ åģľ ä¸ĭ éķ¿ èĢģ éĩĿ å°į åįĹ京 å¸Ĥ çģĮ æºī 转 è¿IJ 欺 è¯Ī éĢł åģĩ åĪĨå¸ĥ å¼ı æĦŁ 触 æĪij å½ĵæŶ åıij è§ī åĽ¾ 纸 æĶ¹ èī¯ çĭł çĭł åĨ² åĪº æĸ° 京 æĸ°äº¬ æĬ¥ ç¥ŀ åĻ¨ 秸 ç§Ĩ çĪ º å°Ĩ è¿İæĿ¥ å·¥ ä¿¡ 工信 éĥ¨ éĻIJ éĩı æŃ¢ æįŁ åѦä¼ļ äºĨ åįİ çĽĽ åįİ缼 é¡¿ å¾Į ä¾Ĩ ä¸ĭéĿ¢ æĺ¯ ä¸ĭéĿ¢æĺ¯ å°ı æIJ¬ è¿IJ ç¾İæľ¯ é¦Ĩ æ¸ħ åĩī å¤ļå¹´ åīį è© ŀ åįĥ ç±³ 表 è¿° æ±Ł éŨ åĬłæ²¹ ç«Ļ æľ¬ èĥ½ 导 读 åĽ´ è§Ĥ 并 åIJij åŁºæľ¬ æĥħåĨµ æīĵ å¼ĢäºĨ è¿Ļ ä¸ī个 æ±ķ 头 强 æľīåĬĽ 强æľīåĬĽ çļĦ è¿Ľ åľº ä¹Ŀ æ±Ł çIJĥ æĺŁ å¥½çľĭ çļĦ 大 æĪ· æ¹ ¯ å¥ĩ å¦Ļ ä¹IJ åĻ¨ æĪijçļĦ å¿ĥ çľī 头 åĨľä¸ļ çĶŁäº§ ç¼ĸ çłģ åŁº ç¤ åŁºç¤ İ å¤© æĸĩ åĢĭ人 è³ĩè¨Ĭ åİ» è¿ĩ èģĨ åIJ¬ æĶ¾ åģĩ ä¸į åħ·å¤ĩ æ·Ģ ç²ī 大 佬 åħ¨ 天 åħ¨éĿ¢ 建æĪIJ éļIJ å½¢ ç¼ħ çĶ¸ åIJ ³ è¡ĮæĶ¿ æī§æ³ķ åŁİ åł¡ èİ« æĸ¯ èİ«æĸ¯ ç§ij æīĢæľī æĿĥ éĽĨ åľĺ å±Ģ åī¯å±Ģéķ¿ åĩłä¹İ 没æľī æ´ģ åĩĢ çĶµå½± èĬĤ åŃ© ç«¥ æīĢ åģļçļĦ æ¸ħ 代 æĸ° çīĪ éĵĿ åIJĪéĩij 为 æĬĵ 为æĬĵ æīĭ åĪ¤ å®ļ çī¹ 产 æīĭ æ©Ł ä¸įåı¯ æĪĸ ä¸įåı¯æĪĸ 缺 å¸Ĥåľº è§Ħ模 åĿ ¯ åĮ» åѦéĻ¢ å¿« è¦ģ èĮ ľ æĬĺ èħ¾ äºĨ è¿ĩæĿ¥ æĬ¥åijĬ æľŁåĨħ çī© ç§į ç»Łè®¡ å±Ģ æī© 建 æ¶ ħ 责任 人 éĺ İ è¯Ħ è®® å¾Ģ äºĭ æīĢ 示 æķ´ æ´ģ éĹº èľľ æĹħ éĢĶ å®ŀ è®Ń ä¹ĭ 称 å·´ 士 éĢŁåº¦ å¿« ä¸įä»ħ å¦ĤæѤ å®Ŀè´µ çļĦ åºŁ çī© æ²³ æ°´ æİ¥ 纳 ç²¾ æ¹Ľ åħ¶æ¬¡ æĺ¯ é¡º å¾· åħ¬åħ± åį«çĶŁ è¤IJ èī² ä¸į æĥľ æĬĢæľ¯ æľįåĬ¡ æİ · æ±Ĥ èģĮ ä¸ī 峡 æĬķåħ¥ åĪ° 太 åIJİ åIJ¯åĬ¨ 仪å¼ı 缴æİ¥ å½±åĵį æĸ° 款 个 乡éķĩ çĻ¾ 亿 åº « ä¹Ł æŃ£æĺ¯ åı¶ çīĩ æľĢæĹ© çļĦ æĪĺ 绩 å·¥ æľŁ æĻļ æľŁ è¿Ļæł· 说 è¯į è¯Ń ä¾ Ħ æķ£ çĥŃ éĽĨæĪIJ çĶµè·¯ åIJį è¯į æĻº åķĨ æĭ¥ åłµ çĭĤ 欢 è¿Ļ èĪ¬ æµ´ 室 åijķ åIJIJ æľªæĿ¥ åıijå±ķ ä¸īä½į ä¸Ģä½ĵ åªĴ é«Ķ ä¸įå¾Ĺ 转载 åĽłä¸º 她 æĺ¾ç¤º å±ı ä¾Ľ æļĸ éĨ« éĻ¢ æľī æĦıæĢĿ æľīæĦıæĢĿ çļĦ 娱ä¹IJ åŁİ åįµ å·¢ åĪĽéĢł åĬĽ ç«ł èĬĤ 人大 常å§Ķ èĢĮ çİ°åľ¨ å¤ĸ å©Ĩ å¢ŀ æĮģ äºĶ åįĥ èĢģå¸Ī 们 æ´Ľ æĿī æ´ĽæĿī 磶 æİĮæı¡ äºĨ ä¸ŃåĽ½ æĸĩåĮĸ æĸ° æĶ¿ 主è¦ģ çĶ¨äºİ åıij çĥ§ 类似 äºİ åĮĹ æŀģ æĪij们 认为 å¼¥ 漫 åħ¨çIJĥ ç»ıæµİ é¢ IJ ä¸Ģèµ· è£ħä¿® æĶ Ĵ æĭī èIJ¨ 帶 ä¾Ĩ åĨ· æ°´ ä¸ī åĨľ æĿ¿ æĿIJ è¿ŀ è¿ŀ éĵ ® ç»ıèIJ¥ çIJĨ念 å±± 顶 å¾Ī æĥ³ çĺ « å§ĭç»Ī ä¿ĿæĮģ åľ¨ 广å·ŀ ä¸įåIJĮ æĦı åıĺ åİĭ åıĺåİĭ åĻ¨ 产 éĶĢ 表 éĿ¢ä¸Ĭ æīĢ以 ä»ĸ ç»ıéªĮ 丰å¯Į éĥ¨ å§Ķ åħµ åĽ¢ æīĢ è¿° æķ¦ çħĮ ç»ıèIJ¥ èĮĥåĽ´ åı£ è¯Ń 失 ä¿¡ æ¯ı个人 çļĦ æīĭ æĮģ æģIJ æħĮ åł¡ åŀĴ é¦ ħ éĵ¸ éĢł æĭ¿ åĩºæĿ¥ æİ¢ æµĭ 大家 ä¸Ģèµ· å¥ § å®ŀè´¨ æĢ§ å°ı åĦ¿ èĩº åįĹ èĩºåįĹ å¸Ĥ å¼Ģåıij èĢħ åı¯ æł¹æį® ç®± åŃIJ 饺 åŃIJ å¿Ļ çĿĢ æĿ¥ ä¸įåıĬ 缸 ä¼ł åĽ½ ç½ij èħ¹ æ³» è¿ĻéĩĮ æľī é£İ æĻ¯åĮº åıĤ ä¿Ŀ æŃ» èĢħ æĪ´ ä¸Ĭ æ©Ł æ§ĭ è¯ķéªĮ åĮº ä¼ł æİĪ æµ· è¾¹ 泪 æ°´ 缸åħ³ åĨħ容 éĥij å·ŀå¸Ĥ åħij çİ° 两 åij¨ èĬľ æ¹ĸ çĶµåŃIJ ä¿¡æģ¯ 红 å¤ĸ æĹħ游 å±Ģ å¾Ģå¾Ģ ä¼ļ è¿ħ çĮĽ ä¼ł 羣 æ¸ħ æ¾Ī å°± è¿ij 微信 群 ç³»åĪĹ æ´»åĬ¨ ç»ı常 ä¼ļ è§Ĥ æµĭ å¿ĥå¾Ĺ ä½ĵä¼ļ éĻĪ åĪĹ åĮĹ æĸĹ è« ® è«® è©¢ è¿ĺæĺ¯ ä¼ļ æµĭ ç®Ĺ æĺŁ ç©º 宽 容 çī©ä¸ļ åħ¬åı¸ æĪĴ æĮĩ å¸ħ æ°Ķ ä¸ĢæŃ¥ æŃ¥ åħ± 鸣 åĨ³ ä¸į æİ¥ 管 å¦ĩ èģĶ æ¯Ķ åĸ» é²ģ è¿ħ æĮģ çºĮ 缸 亲 å¨ģå°¼æĸ¯ 人 ç«ĭ 项 åĪ Ŀå§ĭ èĩª åĪ¶ è¿Ī è¿Ľ ä¸Ĭ æ±½ å®ı ä¼Ł æł¹æľ¬ 没æľī æĸ°åĨł çĹħæ¯Ĵ åĵª ç§į 康 åħ» è¡° èĢģ å½ķ åĥı é«Ķ é©Ĺ ç»ij å®ļ é¢Ŀ 头 äºĶ æľĪ èĬ± å¼Ģ ä¸Ģ线 åŁİå¸Ĥ åĪ° åľº æĬķ éĻį çĹĺ çĹĺ åıĹ ä¸įäºĨ æīİ æł¹ æĽ´ ä½ķåĨµ æĬ½ æŁ¥ åĩº è·¯ 审议 éĢļè¿ĩ ä¸į åĥħ èī² è°ĥ çĻ¾ ä½Ļ èĤł éģĵ æ·±åİļ çļĦ 马 åĬĽ æĹ© æĻļ æŃĮ èĪŀ éĺ² æĻĴ æľĢåIJİ ä¸Ģ个 樱 èĬ± å°ıä¼Ļ åŃIJ åľ¨ å½ĵåľ° å°ıä¼Ļä¼´ 们 èµ· æºIJ åħ¨ åªĴä½ĵ ç° ½ éħ± æ²¹ æĹłè®º å¦Ĥä½ķ 裤 åŃIJ åģľ 产 ä¸įçĶ± å¾Ĺ çīµ å¼ķ ä¼ł åĬ¨ ä¹Ŀ é¾Ļ åĬł åĽº ä¹Łä¸į æķ¢ æĬĢæľ¯ æĶ¯æĮģ ä¸Ĭ å²Ĺ ç»ıéªĮ åĴĮ æł¼ æŀĹ åIJ¸ éĻĦ æľªæĪIJ å¹´ 奢ä¾Ī åĵģ 追 æį§ 好 ä¸į容æĺĵ èķ´ åIJ« ä¿Ŀ å®ļ æĬ¥ ä¸ļ æµ· åĨħå¤ĸ ä½ł çİ°åľ¨ æ²¹ èĢĹ è´¨éĩı 管çIJĨ æ½ľ æ°´ 丽 æ±Ł 转 åħ¥ è¿Ļä¹Ī ä¹ħ æĺİ ä»£ 责任 åĪ¶ éĩį å·¥ 大 å·´ 触 åıĬ èµ· åĪĿ 大 å¦Ī æĸ¯ å¡Ķ åĨĽ å·¥ 书 éĻ¢ å³ ¨ æݨ çIJĨ è¿Ļç¯ĩ æĸĩç«ł è¿ģ 移 åľ¨ åIJĮä¸Ģ ç»Ĩ ç»Ĩ åīĬ å¼± 书 æĪ¿ ç¶ĵ 常 è¯ķ é¢ĺ æĤ£ ä¸Ĭ çĻ«çĹ« çĹħ åĨ² æ´Ĺ å¤ĸ æı´ åħĭ åĪ¶ åįģ æľĪ åģļ ä¸įåĪ° ç¾İ åĮĸ å¦Ĥ æľŁ è¿ĺ éľĢ 天 åºľ å°± æĦıåij³çĿĢ çļĦç¡® æĺ¯ éªĹ å±Ģ å°ıç»Ħ èµĽ è© © ä¹Ŀ å¹´ æĻĵ å¾Ĺ çłĶ究 人åijĺ 大 éħĴåºĹ ç§ij åѸ åħŃ åIJĪ çķĮ å®ļ 车 è½½ å¼Ģ çĿĢ 毫 æĹłçĸij 毫æĹłçĸij éĹ® è¿IJ ç»´ ç¦ģ åĮº èĦ± èIJ½ 讲 å¸Ī 产ä¸ļ åŁºåľ° é«ĺ æĢ§èĥ½ åħī 彩 çİ° éĺ¶æ®µ åĩ ¿ è¾ĥ å·® 饮 çĶ¨æ°´ éĸĭ çĻ¼ ç½ij åIJ§ çĮ´ åŃIJ æѦ æŀĹ å®ī åİ¿ ä¸įåı¯ æĢĿ ä¸įåı¯æĢĿ è®® éĬ· åĶ® è´« ç©· 为 åķ¥ éº ĵ å¹¾ åĢĭ è§Ħ模 以ä¸Ĭ æı ļ 被 åĽ° 缺 å¸Ń å¿« é¤IJ æĬ¢ åįł æĻ Ł å¤į æ´» æľ¬æĬ¥ 讯 åĪĽ ä¸ĭ æµ· 滩 éĩı 产 å¦Ĥä½ķ åİ» 车 ä½į å¯ ĩ äºĮ åįģåĽĽ ç»ıæµİ æįŁå¤± éħįå¥Ĺ 设æĸ½ åŁºæľ¬ éĿ¢ äºī 论 就好 åĥı çłĶ究 æĪIJæŀľ éĻĪ è¿° æīĵ åĬ¨ ä¸ĭ å·´ ç§Ĵ éĴŁ 对 人ä½ĵ æĬĢæľ¯ çłĶåıij åİŁ åŃIJ æĺ¯ä¸Ģ 项 äºĨä¸Ģ 份 æĮĩ çĶ² çĶ¨ éĩı è¿ĺä¸į å¤Ł æĶ¿åºľ éĩĩè´Ń çŁ¥è¯Ĩ çĤ¹ ä¸ŃåĽ½ 梦 å¾Ī å¼Ģå¿ĥ 礼 è²Į éĿŀ常 å¤ļ éĿŀ常å¤ļ çļĦ åĽ ļ æĹħ é¦Ĩ å°½ æĥħ æŃĮ åĶ± æ²Ļ é¾Ļ 车 åİ¢ 客 æµģ åģı å·® 积累 äºĨ æ¡ Ķ çĶ» çĶ» ä¹Ł åºĶ该 åºĶçĶ¨ ç¨ĭåºı èĥĥ èĤł 以 å¾Į 豪 å®ħ æ·± åĬłå·¥ 缴 è¨Ģ åĮĸ çŁ³ åĽ½ éģĵ ä¸ĥ 个 ä»İèĢĮ 使 èĤł èĥĥ æĹ¥ è¶ĭ çĪ¶ åŃIJ ç· © æĭĽ çīĮ 产 å¦ĩ çķª èĮĦ æĪij éĻ¢ 建çŃij å·¥ç¨ĭ å±ķè§Ī ä¼ļ 家éķ¿ 们 åĨľ ä½ľçī© æĹ¥ å¤ľ æĶ» æĵĬ è§Ħ éģ¿ èĪŁ å±± 便 æ°ij åħ« åŃĹ ä¸į æĽ¾ æĶ¯ éħį çĨ¬ å¤ľ 人 é¡ŀ ç´Ģ éĮĦ ç»ıèIJ¥ æ´»åĬ¨ 大 涨 å¸Ĥå§Ķ 常å§Ķ åĪĨ éIJĺ ä¸Ģ个 èģĮä¸ļ çĹħ åĽł è¿Ļ 对äºİ ä¸įå¾Ĺä¸į 说 åıijçĶµ æľº æľīæīĢ 帮åĬ© 缮æłĩ ä»»åĬ¡ åĽł åľ° åĽłåľ° åĪ¶ åĽłåľ°åĪ¶ å®ľ å°Ĩ è¾¾åĪ° ç²Ĺ ç³Ļ 稳 åĽº å« £ çİ°åľ¨ å¾Īå¤ļ ä¸ĸçķĮ 级 å¼ł æŁIJ çĤ¹ ç¼Ģ èij µ 社ä¼ļ ç»Ħç»ĩ å¾Ģ åIJİ åĬł æģ¯ åĻª 声 æľī åħ´è¶£ 为æĤ¨ æıIJä¾Ľ æ²¹ æ¼Ĩ ç¬¬åĽĽ å±Ĭ çļĩ 宫 ä¹Ĵ ä¹ĵ ä¹Ĵä¹ĵ çIJĥ éļ¨ èijĹ éģ© åIJĪ åįĹ éĿŀ æĵ ´ 西 æ´ĭ åĬł å¯Ĩ æĪIJåĬŁ 举åĬŀ åı£ æ°´ æĪIJ 年人 æīĢ æıIJä¾ĽçļĦ éļĶ å£ģ åľ¨ 京 å½ĵåľ° æŶéĹ´ çŃī åIJĦç§į é£İ æ°Ķ å±ĭ éĩĮ ä¸Ģ åŃĹ çļĦæŶéĹ´ éĩĮ åĺ¿ åĺ¿ å¿« 讯 ä¸Ń åľº ä¸Ģ çĵ¶ æ» ķ é¢Ĩ è·ij 好 èݱ 好èݱ åĿŀ 没 åħ³ç³» åĩº å¢ĥ ä¸įæĺ¯ ä¸Ģ个 éĥ½æĺ¯ éĿŀ常 éľĩ åĬ¨ èİ· èĥľ åįļ å¼Ī æĬļ åħ» 对 ç«ĭ æľįåĬ¡ æľºæŀĦ è°£ è¨Ģ 社ä¼ļ ç§ijåѦ åIJ¬è¯´ è¿ĩ æī ³ æīĵ 磨 åı£ æľį 好 åĥıæĺ¯ ä»¥åıĬ åħ¶ä»ĸ çī¹ è´¨ 亲 è¿ij ä¸Ģ ç»ı æ¶ Ŀ éŃĶ æľ¯ éģĵè·¯ 交éĢļ è§Ħ模 æľĢ大 å®ŀæĸ½ æĦıè§ģ ä¹ ŀ ä¸Ģ ä¸ĸ åŁ· è¡Į è±Ĩ çĵ£ åĪĹ ä¸º æķħ 宫 çĶŁ åij½åij¨æľŁ ä¸īç§į èģĮä¸ļ 详ç»Ĩ ä»ĭç»į å®Į å¤ĩ 岩 çŁ³ éļı æīĭ é£ ² æķĪæŀľ åĽ¾ ç§ĭ åĨ¬ åĬŁ å¾· è§Ħç«ł åĪ¶åº¦ æĹ¥ æ¸IJ æīĢ éľĢè¦ģ æīĢéľĢè¦ģ çļĦ å²Ľ ä¸Ĭ åĩº åľŁ åĽ¾ æĸĩ ç§ijæĬĢ è¿ĽæŃ¥ éĢļ èĥĢ èĢģ 太太 èĭĹ æľ¨ éĵ¶ å·Ŀ å¸IJ 篷 éĿŀ è¦ģ éħį çĶµ å¤Ħ å¢ĥ èĤ¡æĿĥ æĬķèµĦ ä¸Ģ缴 åĪ° åĿĩ çĶ± æĬĹ æĹ¥ æį® ä»ĭç»į ä½ł åĸľæ¬¢ åĪĽæĸ° åŀĭ åıĺ è¿ģ è§Ĩ å¯Ł å®Įåħ¨ 没æľī åħĥ æŦ åı¯ ä¿¡ åı¦ è¡Į æĿij 级 åħ¥ åľº æIJŃ æ¡£ ä¹Ł åĽłæѤ æį¢ æĪIJ ä¸į è´Ł äºĨ 大éĩıçļĦ éģĶ åĪ° å¸Ĥ åİ¿ å¹´ è¼ķ å¿« æīĭ å¸Į å°Ķ èĩª èIJ¥ éĽª èĬ± æIJ ģ çľ¼ ç§ij æŃ£ 確 çļĦ 姿æĢģ åĿļå®ŀ çļĦ æĮĩ 纹 æªĶ æ¡Ī ç½® äºİ 佩 æľį 豪 éŨ åĵ Ĵ æģ° 好 檢 æŁ¥ åĪĿ è¡· 大 åĶIJ 约 ä¼ļ èĴ¸ åıij çŃ¹ åĪĴ å¹´ ç»Ī è¡Į æ¥Ń åħ± éĿĴ åħ±éĿĴ åĽ¢ ä¼ļ å¼ķèµ· ä¸Ń ç§ij ä¸Ńç§ij éĻ¢ æĮ¯ åĬ¨ åį´ åıijçİ° ä¸įåĬ¨ 产 èĮ ¹ æĪ¿éĹ´ éĩĮ è´§å¸ģ æĶ¿çŃĸ æ²» çĻĤ æħİ éĩį å¡ŀ å°Ķ åĽ½ ç±į åĽł æŀľ çŃī çī¹çĤ¹ å±± è°· ä¸ĭ è¼ī è®ĵ æĪij 饮 éħĴ è¿Ļ个 游æĪı ç»Ŀ 大éĥ¨åĪĨ åĴ¨è¯¢ æľįåĬ¡ å¹² æ´» è®® ä¼ļ æ¦Ĥ è¿° åĪĨ åĮº æŃ» åIJİ ç«Ļ çĿĢ 主è¦ģ é¢Ĩ导 åIJĮ åŁİ 大 æłij 对 åѦçĶŁ 社ä¼ļ ä¿ĿéĻ© å¢ŀ èµĦ 主人 åħ¬ å®£ä¼ł æķĻèĤ² æĸĩåĮĸ 交æµģ 客 æĪ¶ çŁ¥åIJį åĵģçīĮ æ»ŀ åIJİ äºĴ è¡¥ æĦŁ 人 åī ¿ åIJİ ä»£ äºī 龸 æķĻèĤ² åŁ¹è®Ń éĿĻ èĦī ä¹ı åĬĽ 说 åĩºæĿ¥ çİĭèĢħ èį£èĢĢ åĢ « åįĩ èµ· éķ ģ åĩº 游 éĢļè¡Į è¯ģ å·¥ä½ľ å²Ĺä½į åĮł å¿ĥ æĭ¿ æĿ¥ æ´Ĺè¡£ æľº æĪijä¸į æĥ³ é¢Ħ è§ģ æ¼Ķ 示 ä¸Ģ缴 没æľī è·Ł 她 对çħ§ æ£ĢæŁ¥ ç° ¿ ä¸ĵ å¿ĥ è®® äºĭ åīį 端 åį¡ å°Ķ è¨Ń å®ļ 设置 äºĨ å©ļ 纱 åľ¨ åĽ½å¤ĸ åı³ 侧 è³¼ çī© å¥ĩ èij© å¢ŀåĬł åĢ¼ 好 è¿IJ åĽ½éĻħ æľºåľº ä¸ĭ 称 缮åīį 为æŃ¢ ç¥ŀ ä»Ļ å®ĥ åı¯ä»¥ æ¾Ħ æ¸ħ èĥ½ 使 游 åĩ» 游åĩ» éĺŁ åĩ ¹ ä¸įè¦ģ åĨį åĨ³ èĥľ åĨ³ æĪĺ æĭ ½ 缼 åħ¸ å¾Ī好 åľ° æľĢ ç¾İçļĦ åĥ ļ å·´ åŁº å·´åŁº æĸ¯åĿ¦ æľĢ éĢĤåIJĪ é«ĺ èģĮ ä¿Ŀ å§Ĩ æİĪ æ¬Ĭ 说åĪ° è¿ĻéĩĮ æݨ å¼Ģ çİĩ è¾¾ ä¸īåĪĨ ä¹ĭä¸Ģ 管çIJĨ ä¸Ńå¿ĥ 交 æ±ĩ 森æŀĹ åħ¬åĽŃ å¾Ģ ä¸Ĭ éªij è¡Į æį® æѤ 纽 带 ç» ŀ ä¸ī æĸ¹ æĦıä¹ī ä¸ĬçļĦ æݨ è¿Ł å¤ļæł· æĢ§ æĥ³ èµ·äºĨ æİĴåIJį 第 å·¨ é¢Ŀ æĿŁ ç¼ļ å®ī å®ļ äºĭ 實 çļĦ æĦ¿æľĽ è£ħå¤ĩ åĪ¶éĢł 人 å±ħ 人å±ħ çݯå¢ĥ å¿ĺè®° äºĨ 该 游æĪı 楼 ä¸Ĭ å¼Ģ ä¼ļ æģ ³ åıĭæĥħ éĵ¾æİ¥ ç¡ Ĵ ç»ĻäºĪ äºĨ åģı 好 åĵ ī 交éĢļ å®īåħ¨ éĽ Į æ²» çĹħ è§īå¾Ĺ å¾Ī 衬 è¡« å¿ĥ æĦ¿ æ´ŀ å¯Ł æ°ij æ£Ģå¯ŁéĻ¢ æıIJ çĤ¼ è¦ģ è¿Ľä¸ĢæŃ¥ 驾 车 æĻ® æĥł æķ ĸ ç¦ı éŁ³ éĢģ è¾¾ è§ĦåĪĴ 设计 æīĭ å¥Ĺ å®ī ä¿Ŀ è¿ĺä¸į å¦Ĥ åīį è¿° æłĩ è®° ç´§ æİ¥çĿĢ æ§ IJ 深深 åľ° 满满 çļĦ æĺ¥ è¿IJ æĹ¥ 产 çĪ± æĬ¤ åħ¨ æĹ¥ åħ¨æĹ¥ åĪ¶ 转 åĬ¨ ç¥Ń ç¥Ģ ä¹° ä¸ľè¥¿ 对 æľªæĿ¥ æ¶Ī失 äºĨ åļ´ éĩį ä¸ī æĿ¡ éħ¸ 奶 éĽĨåĽ¢ èĤ¡ä»½ 西 è·¯ åıª å¾Ĺ éĢģ åİ» çĭł æĬĵ åĪ©çĶ¨ çİĩ ä¸ĭ åij¨ å¥ĭ æĪĺ æĺ¥èĬĤ æľŁéĹ´ è´Ł 责任 æĺĤ è´µ å°¾ å·´ ç¯ĩ æĸĩç«ł åħ ® è®Ĭ æĪIJ å¹ ¹ çĻ» éĮĦ ä½ Ī å·¥ åĮł åĵªæĢķ æĺ¯ åıį åĵį ç§ ĥ åĩº 轨 æĹ¥ åĨĽ åIJį èªī æķı éĶIJ æľįåĬ¡ æ°´å¹³ çħ§ å°Ħ ä¼Ĭ æĭī ä¼Ĭæĭī åħĭ åĨħ éĺģ èĬĴ æŀľ ä¸ĩ åĪĨ éĢĢ 款 缴æĴŃ éĹ´ æĭ¿ åĪ°äºĨ å°İ èĩ´ 空æ°Ķ ä¸Ń 客æĪ· æľįåĬ¡ è¿IJ åĬ¿ ç»ĵ çŁ³ ä¸į å¿ħè¦ģçļĦ èĥ¶ åĽĬ çIJĨ ä¼ļ æĬ½ åĩº 空æ°Ķ è´¨éĩı æ¯ķ ç«Łæĺ¯ åĨ· æ¼ł ä¸Ģ å¦Ĥ ä¸Ģå¦Ĥ æĹ¢ ä¸Ģå¦ĤæĹ¢ å¾Ģ æĤ£ çĹħ åĬł æĮģ èµŀ åĬ© é« ® åij½ ä¸Ń æĦıä¹ī ä¸Ĭ ä¸į èĪį åģļ 梦 æīĵ æī« æĺŁ åħī æĸŃ è£Ĥ åħ¨ å¥Ĺ è£ģ å®ļ 马 åħĭæĢĿ 骨 骼 ä¸Ģ è·¯ä¸Ĭ å®ļ æŶ å·¥ç¨ĭ æĬĢæľ¯ å½¼ å¾Ĺ æ±² åıĸ ä¸Ģ è§Ī åIJµ æŀ¶ ä¿Ĺ 称 æłª æ´² åºŁ æŧ è¡Į æĺŁ åıijçĶŁ åıĺåĮĸ é¦ĸ ä»ĺ åįģåĪĨ éĩįè¦ģ æĬĬ è¿ĻäºĽ ç¥ŀ å·ŀ æıIJä¾Ľ åķĨ æ¥ · å± İ çĬ¶ åħĥ åŁİ å¢Ļ çľĭ ä¸Ģçľĭ çĶŁäº§ èĥ½åĬĽ åŁºæľ¬ä¸Ĭ éĥ½ æīĵ æī° åĪĿ 次 åĩº 示 åħ¶ä¸Ń ä¸Ģ个 çĶŁæĢģ ç³»ç»Ł æīĭ æİĮ æµİåįĹ å¸Ĥ åľĭ åħ§ æŃ£ åĢ¼ å¹¾ ä¹İ æݨèįIJ éĺħ读 è¿Ń 代 è°ĥ ä¾ĥ 饮 åĵģ å¢Ļ ä½ĵ åıĺ çİ° äºĨ 好 äºĨ好 åĩł ä¸į çķĻ çĪ ² å°½ æĹ© æŃ£åľ¨ è¿Ľè¡Į åĩº éĻ¢ æĿĢ 害 æıIJ 款 åıijå±ķ 空éĹ´ åīį 身 ä¸įæĸŃ å¢ŀ强 æ·± å±Ĥ次 容 纳 éĤ£ 份 å·¥ä½ľ æķĪçİĩ æľ¬ åĽ½ 失 èIJ½ æŃ£ åĽłä¸º èĬĤ æ°´ ä¸ĭ ä¸Ģ代 çłĶåıij ä¸Ńå¿ĥ ä¸į çIJĨ å®Į 好 ä¿ĿæĬ¤ åĮº ç»ĵæŀĦ è°ĥæķ´ å¥ł å®ļ 宣 称 éĺ» æĮ¡ æĴ¤ 离 ä¸į æĸ¹ä¾¿ åĴ ķ ç¬ijäºĨ ç¬ij çݯå¢ĥ 污æŁĵ ä½ı æĪ· ç»Ŀ ç¼ĺ éĻ¤ å°ĺ é«ĺ å°ļ æĢİä¹Ī åı¯èĥ½ éĿ¢ èī² åķĨ æ¥Ń çĸ ¹ èµĦæºIJ ä¼ĺåĬ¿ è¾ĸåĮº åĨħ èĢĢ çľ¼ æij§ æ¯ģ ä¸ĸçķĮ ç»ıæµİ å¼ķ æĿ¥ ä¸Ģ åĪĻ æĭĩ æĮĩ æĬµ 御 éĽ į åĩĨå¤ĩ å·¥ä½ľ çıł ä¸īè§Ĵ ç¨Ģ åľŁ èİ·å¾Ĺ æĦŁ æĪIJåĬŁ çİĩ ç½ij 约 ç½ij约 车 èĦ IJ æķ¬ ä¸ļ éĩij ä»· ç²¾ é«ĵ ä¹° 车 åħ³ åı£ åĨį å¤ļ æŀģ åĵģ åIJĦ 家 举æĬ¥ çĶµè¯Ŀ èļ Ĭ æĸ¹ å½¢ ç§ijæĬĢ æĪIJæŀľ æľĢ好 æĺ¯ éĹ® åĢĻ 红 éħĴ åĽĽ ç§į ç¿Ĵ æħ ç¿Ĵæħ £ åŀ ¦ éĤ£ åıª é¢Ĩ æĤŁ çľ¼ éĥ¨ æ³° å®ī ä»» æľŁ 磨 æįŁ æĽ¿ æį¢ åħ¸ 礼 符åIJĪ æĿ¡ä»¶ è¿ĺæľī ä»Ģä¹Ī åħ±äº« åįķ车 åı¯ åĪĨ为 åŃ£ åIJİ åŃ£åIJİ èµĽ 举èİŀ å¸Ĥ å¿ĥ æĦı æīŃ æĽ² ä½ľä¸º ä¸Ģç§į è¿Ļ éĥ¨åĪĨ åıĤä¸İ åĪ° ç½ij çIJĥ 實 çı¾ ç»Ħ è£ħ åIJij å¤ĸ å·¥ä½ľ æĸ¹æ¡Ī åįģ æĿ¡ 課 ç¨ĭ 颤 æĬĸ åĵ © éĤ® å¯Ħ äº ¢ åħį è²» ç§ ¤ åºĶæĢ¥ 管çIJĨ åĽĽ äºĶ éºĴ éºŁ å¾Ĵ æŃ¥ è¨ĺ å¾Ĺ çĴ IJ æĺ¯åIJ¦ ä¼ļ æĦıè§ģ åıįé¦Ī éļ¾ æĢª çª į 交 æİ¥ 两 åįĥ æĩī çĶ¨ æľŁ éĸĵ æIJ¬ åĪ° è®® é¢ĺ 碧 æ¡Ĥ 碧æ¡Ĥ åĽŃ åģļ çĶŁæĦı éĻĽ ä¸ĭ è· ĭ èĢģ人 家 带 åĽŀ æŀ¸ æĿŀ è¡Į éķ¿ åĨħ容 ç®Ģä»ĭ æ¢ ¢ æĮĩ æݧ éĩį çĹĩ ç½ijåıĭ 们 çı¾ 代 ç±» 产åĵģ å¥Ķ æ³¢ æ¸ º ç²ī ç¢İ è¿Ļ åıªæĺ¯ æ£Ģå¯Ł æľºåħ³ é½ Ĭ æĪ¿ 秣 å¾· æĭī å²ģ 以ä¸Ĭ 纯 åĩĢ åĪĨå¸ĥ åľ¨ èĥ½ å¾ĹåĪ° ä¸į å°½ ç«ŀ ä»· çļĦ 带é¢Ĩ çļĦ带é¢Ĩ ä¸ĭ ä¸Ńèį¯ æĿIJ æĿij éķĩ ä¸įåı¯ éģ¿åħį éľ² 天 å°ı å§ijå¨ĺ çī© 件 èijĹä½ľ æĿĥ æĭĺ çķĻ éĥ½ è§īå¾Ĺ æĽ² æĬĺ æ·»åĬł åīĤ åı¬ åĽŀ æīİå®ŀ æİ¨è¿Ľ æĬĦ è¢Ń åĮĸ 身 缴 èIJ¥ ä¹Ł å¸ĮæľĽ èį£èªī 称åı· åįĸ ç»Ļ æľī ä¸įåIJĮçļĦ å¥ĩ çī¹ éĥ½ 认为 å¦ ŀ æĪIJéķ¿ 为 辩 æĬ¤ 主 æķĻç»ĥ æ³ķå¸Ī èģĮä¸ļ æ¤į åħ¥ ç´¢ å°¼ åIJ¬ è¿ĩ ä¹łæĥ¯ äºĨ 夺 åıĸ éŁ ĵ æľ¬è´¨ ä¸Ĭ æİ¥ åĬĽ äºij 端 è¦ģ åģļ好 è·¯ çģ¯ åįıåIJĮ åıijå±ķ æľī å¾ħ æ°´ åŁŁ æIJľçĭIJ é¦ĸ页 è´¨éĩı å®īåħ¨ åįģäºĮ äºĶ åĵ® åĸĺ èĵ¬åĭĥ åıijå±ķ åIJį 声 身 亡 çİĭ åºľ åİŁåĪĻ ä¸Ĭ çĥĺ å¹² éģĹ æ¼ı éĿ¢ 缮 åĽ½ ä¼ļ ä¸Ģ缴 éĥ½æĺ¯ æľīä¸Ģ ä½į éħį æľī éĻª çĿĢ ä¼ģ åĽ¾ æĮī ä¸ĭ èĵĿ åĽ¾ æ© ĺ 大å¤ļ æĺ¯ è¾© 论 æĹĭ å¾ĭ æĬ¥ éĢģ æĿ¡ è§Ħå®ļ åĬ¨ éĿĻ åĮĪ 奴 æĭľ 访 ä¸Ģ åĪĢ ä»ĸ çŁ¥éģĵ 主 æĿĥ ä»ĸ æĽ¾ æĴŃ ç§į å£ģ åŀĴ çī¢è®° 使åij½ åľ¨è¿Ļ æĸ¹éĿ¢ æīĭ èħķ æĶ¯ æŀ¶ ä¾Ĩ èĩª éĩį å¡ij å¤ļ å±Ĥ次 ä»ĭ è´¨ éĿ¢ åŃĶ æ½® 湿 åİ¿ åŁŁ 游æĪı å½ĵä¸Ń å£ ŀ åĪĹ åĩº èµĽ åĮº å¤ļ åįĬ éĩįçĤ¹ å·¥ä½ľ æĪij们 å¿ħé¡» æŁı æŀĹ é²ģ èĥ½ æĸ½ å±ķ åIJĦ åĮº åħį ç¨İ èµĽ åIJİ æľĢ éĩįè¦ģ ä¸Ģ个 好çļĦ è¿Ŀæ³ķ è¿Ŀè§Ħ äºĨ解 æĽ´å¤ļ æķ¬ 请 ç¬ijçĿĢ 说 ä¸įæĸŃ åıijå±ķ æijĦå½± å¸Ī 以 éĺ² çĤ¸ å¼¹ 声 åĵį ç¤ ģ æĩ ¿ èĪĨ æĥħ èĩªçĶ± è´¸æĺĵ æķı æį· ä¸ī大 éĺ¶æ®µ èĭ Ķ æĹº åŃ£ ä¸į 满æĦı 微信 åı· ä¿® 为 çł´ è£Ĥ éĢĥ 离 æ¯ı èĤ¡ è¾¾ ä¸įåĪ° æ¯ıå¹´ éĥ½ çģ¯ 笼 æѤ åŁºç¡Ģä¸Ĭ åĥı 个 åĪĨ 娩 æĻ ¾ ä¸į èĩ³äºİ 红 线 误 解 举 è·¯ æ·® å®ī 产 åѦ 产åѦ çłĶ èī¾ æ»ĭ èī¾æ»ĭ çĹħ åīįæıIJ æĺ¯ æ¯ı ä¸Ģ天 ä¸ĥ 大 æłij åı¶ èµ° å¾Ĺ è¿Ļ 两ç§į æİı åĩº æİ IJ é¢Ĩ导 èĢħ ä¸Ģ æľµ 个å¤ļ æľĪ ä¸Ń åħ³ ä¸Ńåħ³ æĿij 课åłĤ æķĻåѦ 大 åĴĸ éģĭ çĶ¨ è¯ļ æĦı ç»Ħ åĽ¾ è¯ķ çĿĢ ä¹Ķ æ²» è¿ĺ ä¸įæĺ¯ æľī æĽ´å¥½çļĦ åIJİ å¤ĩ æĸ°çĶŁ åĦ¿ æ°Ķ è¡Ģ æ²¥ éĿĴ å±ı éļľ æ¥Ń åĭĻ æĪij 以为 éķ¿ 缸 èĢģ çĪ¸ éķĩ æ±Ł æľºæ¢° 设å¤ĩ ä½Ĩæĺ¯ å¦Ĥæŀľ åĿļå®ļ ä¸į åĿļå®ļä¸į 移 åĨ² éĶĭ ç®Ģ缴 æĺ¯ åĤ¨ èĵĦ 纯 çĶµåĬ¨ 漫 æŃ¥ 举 èµ· æģ¶ æĢ§ è¨ĺ éĮĦ èģĮèĥ½ éĥ¨éŨ åħ¨ éķ¿ 鼻 è¦ĸ ä¹³ èħº ä½ķ å¤Ħ æ¶Ī æŀģ æŃ£ å¤Ħäºİ å®ī å®ģ æĪIJ éķ· åıĻ è¿° æºĥ çĸ¡ ä½Ĩ çİ°åľ¨ 女 æĺŁ å©´ å¹¼åĦ¿ æĬķ èŀįèµĦ éĹ® éĹ® æıŃ å¼Ģ è¯ ı åIJį å½ķ èĺij èıĩ åIJĬ 顶 æ¹ĸ åĮº åįĸ åľº 建 ç¯ å»ºç¯ ī èİ ½ åIJ¬ åIJ¬ ç«ŀäºī ä¼ĺåĬ¿ åĩº ä»» æľī 两ç§į 橱 æŁľ è¤ ª è¯ķ åį· ç»ıæµİ æĬĢæľ¯ æ·± å±Ĥ éĩįè¦ģ åĨħ容 é£İ æݧ çĬ¶æĢģ ä¸ĭ éĥ¨ éĸĢ 广 æ±½ è§Ĥ æij© éģĹ çķĻ 转 è´¦ æĮģ ä»ĵ æĢ» 计 åľĺ éļĬ æĪ¿ 举 éĺĢ éŨ åħ¬ åħ³ åħ³ åĪĩ èĤ ĺ æķ¸ æĵļ ä¸ī åįģå¹´ è§ģè¯ģ äºĨ å± Ĩ çģ° å°ĺ æ¦ľ é¦ĸ è¦ĨçĽĸ çİĩ ä»Ļ 女 çĶŁäº§ æĢ» çĶŁäº§æĢ» åĢ¼ æĪ¿ è´· æ±Ł åĮº åħħçĶµ æ¡© çĻ¾ åIJĪ 確 èªį 转 移åĪ° éĥ½ æĹłæ³ķ 纪念 é¦Ĩ çŃ¾ç½² äºĨ 并ä¸į å¤ļ æĮ ł ä¸į太 好 ä¸ĸ 代 误 导 é«ĺå³° 论åĿĽ åħ¼ 容 龸 æ°Ķ æĿ¥ 访 æīĢ 带æĿ¥çļĦ æĺ¯ä¸Ģ éĥ¨ æĻļ é¥Ń åİĨ 代 åIJ¦ åīĩ ä¹ħ ä¹ħ æľīæķĪ æľŁ 诱 åıij æĢ» èµĦ产 æľ¬èº« å°±æĺ¯ çĶŁäº§ åİĤ家 æŶ 髦 èĢIJ çĶ¨ ä»İå°ı å°± æĿ¡ 约 èĭ± åĭĩ ä¿Ĺ è¯Ŀ说 寺 åºĻ å¿ĥçIJĨ åģ¥åº· ä»Ģä¹Ī äºĭæĥħ æ±ī åŃĹ çķĻ ä½ı åįĹ è·¯ ä¸ī 项 丢 äºĨ æĥ³ åĪ°äºĨ çŃ¹ éĽĨ éĻĦåĬł åĢ¼ 西 è£ħ ä¹ĭ ä½ľ åģļçļĦ äºĭ çķ¶ æĤ¨ çķ¶æĤ¨ åľ¨ é¦ĸ 款 ä¸įåľ¨ ä¹İ å·¥ç¨ĭ æĸ½å·¥ éļIJ éļIJ åıĺ 身 沿 éĢĶ æĤł æĤł ä¿Ŀ æļĸ çĶŁæ´» åŀĥåľ¾ 渤 æµ· æѦ ä¾ł 女 主è§Ĵ 举 ä¾ĭ æ ·¨ çĻ½ é¢Ĩ è£Ļ åŃIJ è¿Ķ è¿ĺ è¿Ī åĩº é¾Ļ éŨ ç»ıæµİ ä½ĵ æĶ¶ å®ĺ çķĮ éĻIJ è·³ åĩº åįĩ åĢ¼ 绵 éĺ³ çĸ¤ çĹķ çľĭ æ¸ħ æĭĴ çµķ è¥Ħ éĺ³ è¯¾ å¤ĸ åŃIJ åŃĻ æŃĮ è¯į æĪIJ åIJį 溶 液 åĦĴ 家 åķĨä¸ļ åĮĸ 辨 åĪ« å¤ļ è¾¾ ç½ij åºĹ ä¹Ŀ 大 ä¹Ŀ大 ç²¾ç¥ŀ æѤ 举 è¿ŀ è½½ ä¸Ģ åĢĭ人 èī² æ³½ 涵çĽĸ äºĨ è¦ı åĬĥ åĽ½ æĥħ åį«çĶŁ åģ¥åº· 积æŀģ åĵįåºĶ æĭ Ļ åĪ¶ åĬ¨ æĥ³è±¡ åĬĽ çļĦ ä¹IJ趣 å¼łå®¶ çķĮ å´ İ éĩį åŀĭ å¤ĸ å¢Ļ æĶ¾ åѦ è®¤çľŁ åŃ¦ä¹ł è´¬ åĢ¼ æ³ķ æ¡Ī æĬ¤èĤ¤ åĵģ éĻ·åħ¥ äºĨ 请 æĤ¨ åŀ ¢ æķĻèĤ² èµĦæºIJ 交æĺĵ å¹³åı° æŶ è£ħ ä¼łæŁĵ çĹħ æ¹ĸ æ³Ĭ èµĦ 管 åݨ å¸Ī éĹľ éį éĹľéį µ åĵĪåĵĪ åĵĪ çĽĹ çªĥ çĶľ ç¾İ åºĦ åĽŃ 缮åīį å·²ç»ı è¾¹ ä¸Ĭ çģ« èĬ± æĬ¥ è®°èĢħ æģĭ æĥħ ç´§ åĩij æ°´ æµģ è¿Ļæĺ¯ æĪij们 æ³¥ åľŁ æĽ¾ ä»» æĸ¹ è¨Ģ åij¨ åħŃ åı· 楼 ä¼ij åģĩ 误 ä¼ļ åĽ½ åĢº åīį å¤ķ 两 å¼ł éĹ « éŃĶ 鬼 æĬĬ æĮģ èĬĤèĥ½ çݯä¿Ŀ æ¸ħæ´ģ èĥ½æºIJ èĤ¥ æĸĻ é«ĺ é¢ij å°± æľīäºĨ 交 ä¼ļ 没 éĴ± éĽħ æĢĿ è¦ģ åıĬæŶ åŁ¹åħ» åѦçĶŁ 欣 åĸľ çĥŃæ°´ åĻ¨ é¾Ļ æ¹ĸ äºĮ 楼 æĸ°æµª è´¢ç»ı æĸ° åĬ¨èĥ½ èµ£ å·ŀ æĭ³ 头 æµģ åIJij ä¹Łæĺ¯ å¾Ī åıij åĶ® ä¸Ń åIJ«æľī åIJĵ å¾Ĺ å·¨ æĺŁ æĹł æīĢè°ĵ æ¯Ľ åŃĶ åħ¬åħ± 交éĢļ çĤİ çĥŃ èµ· èįī åĬłçĽŁ åķĨ 说 ä¸įåĩº 大åѦ æ¯ķä¸ļ å·¥ä¸ļ åĽŃ éłĺ åŁŁ åºĨ åħ¸ æµģ 产 èģ² éŁ³ ä¼¼ä¹İ æĺ¯ è´§ æºIJ æ·± åĪĩ æ²»çĸĹ æĸ¹æ³ķ èµĦæºIJ éħįç½® 網 åıĭ çĶ £ äº ¥ 躲 åľ¨ 社 ç§ij è»Ł é«Ķ 女 è£ħ æŃ¡ è¿İ 综åIJĪ å®ŀåĬĽ æł¼ å°ĩ åħļåı² åŃ¦ä¹ł æľĢ åŁºæľ¬ æľĢåŁºæľ¬ çļĦ çľĭ æľĽ åıĹ è´¿ ä¸įä»ħ èĥ½ ä½ķ å¿ħ ä¸Ģ个 å°ıæŶ ç¾ Į æĭĽ æĶ¶ çĤĴ èĤ¡ æĿij å¹²éĥ¨ 缸 çĪ± æ½ľ èĥ½ ä¹ į æŶ è¾° 欣 æħ° éĵ¶ è¡Įä¸ļ çĭŃ çªĦ éĩįçĤ¹ é¢ĨåŁŁ çİ°å®ŀ çĶŁæ´» éĮ¯ 誤 æĸ° è§Ħ 滥 çĶ¨ æŶ ä¸į æŶä¸į æŶ 帳 èĻŁ ç¨Ģ 缺 åIJij 举 ä¿Ŀåģ¥ åĵģ çıŃ éķ¿ äºĴ åĭķ 笼 罩 æ½ Ľ æļĸ å¿ĥ è½° çĤ¸ åºĨ 幸 è²Į ä¼¼ æĵ º èĢIJ 磨 ä¸ĵä¸ļ 人士 ä¸ĢèĪ¬ éĥ½æĺ¯ æ¼³ å·ŀ åħ¨ èĩªåĬ¨ å½ķ çĶ¨ 大 è·Į æľīæķĪ æĢ§ èĩª åĭķ ä¸ī个 æĸ¹éĿ¢ 港 åĮº ä¿¡ 貸 éĢļ è¯Ŀ é«ĺ 涨 æ³Ħ æ¼ı éħį ä¸Ĭ åħļ å·¥å§Ķ 被 认为 被认为 æĺ¯ ä¸įä¼ļ åĨį è°ĥ åīĤ åıĤ èĤ¡ èĦ± åıij å¿ł å®ŀ åĨħ åĪĨæ³Į ç¹ģ å¿Ļ åıĮ åĪĽ é©» æĿij åĪĴ ç®Ĺ éģİ ä¾Ĩ åľ£ ç»ı èıľ 鸣 æĭ¼ å¤ļå¤ļ ä¸ŃåĽ½ 汽车 çĥŁ èįī 缴 æµģ äºĨä¸Ģ åı£æ°Ķ ä½İ æĪIJæľ¬ æī¾ åĽŀ èĩª åįij 總 æĺ¯ æĸĩåĮĸ åĪĽæĦı 天 æ²³ 樱 æ¡ĥ éªij åħµ éĩĮéĿ¢ æľī çİ ® èĥ½ æī¾åĪ° éĢĥ è·ij åĪĩ å°Ķ åĪĩå°Ķ 西 以ä¸ĭ æĺ¯ å²³ éĺ³ çļĦ æ¦Ĥçİĩ æĬµ åĪ¶ å¸Ī äºĭåĬ¡ å¸ĪäºĭåĬ¡ æīĢ åĩĨ æŶ 屬 æĸ¼ 订 è´Ń åįłæį® äºĨ ä¸Ń éĢĶ å° ĭ é»ij 马 åİ¿ åħ¬å®īå±Ģ ä¸ĥ æľĪ èī² ç´ł å¿ĥèĦı çĹħ æŶ éĻIJ æ¯į åħ¬åı¸ å¹ķ åIJİ ä¸Ĭ æ¦ľ åĢ¾åIJij äºİ 纸 ä¸Ĭ æ¡ ĵ éĽĨä½ĵ ç»ıæµİ æĥħ å¢ĥ è¦ģ åģļåĪ° ç©į 極 åıª æĢķ æ¹ĺ 西 çļ± 纹 åħ¨ åľĭ çĦ¡ è«ĸ 好 æĦŁ åįķ ä»· è¿Ľç¨ĭ ä¸Ń æĺĨ ä»ij åĪĽ 客 åħħ æĸ¥ åħĪ æĬĬ 该 æĢİä¹ĪåĬŀ åĵģ å¾· åħ¨éĿ¢ åıijå±ķ è¨Ī åĬĥ æĢ» å·¥ä¼ļ ä½Ľå±± å¸Ĥ æĬĹ è¡¡ å¼Ģ åľº éĴ± å¸ģ åıĭ 们 å«ī å¦Ĵ ç´¢ èµĶ è®Ĭ åĮĸ æĮ¤ åİĭ æĮij è¡ħ çŃī ä¸Ģæī¹ æĿ¨ 欢 ä¸ĵ家 åѦèĢħ èĥ½ è¾¾åĪ° èµ° è¿ij è´«åĽ° åľ°åĮº éĻIJ æľŁ ä¸į 平衡 åĽ½åĨħ å¸Ĥåľº èµĽ åľº éħį èµĦ è¦ģ èĢĥèĻij ä¸ĩ åı° æľĪ æľ« éĶ ¥ åŃ « æݥ触 åĪ° åĩº 产 æķĻ åѸ ä½ľ å¼Ĭ çļĦ æľĢåIJİä¸Ģ ä¿ĥ æĪIJ åIJ¸ åıĸ æ½ľ èīĩ 被 éªĹ è¾ĵ äºĨ çĭIJ çĭ¸ åįĩ éĻį è¿ĻäºĽ ä¸ľè¥¿ æĬķèµĦ åŁºéĩij çĶŁçī© åѦ ç½ij绾 èIJ¥éĶĢ åIJij è®°èĢħ èįī åľ° æĢ ¯ æľįåĬ¡ èĥ½åĬĽ éĥģ éĹ· åįķ åĵģ å¾Ĺ 罪 æĺĵ äºİ 个å¤ļ å°ıæŶ éĩį ä»» ä¸Ĭ å®ĺ æľ¬ éĩij çı¾ åł´ 溢 ä»· æĺŁ è¾° æ´»åĬ¨ çİ°åľº 丹 麦 å¸Ŀ çİĭ æŁ¥ æĺİ åŃĺåľ¨ äºİ é¦Ļ æ°´ æĬ½ æ£Ģ å®ŀéĻħä¸Ĭ æĺ¯ æĸ° å¾ģç¨ĭ è´¢åĬ¡ 管çIJĨ æİ Ľ åĨľ åİĨ éĥ½ èĥ½å¤Ł éĤ¯ éĥ¸ 羣 實 ç» Ĭ åĨµ ä¸Ķ ç½® 身 ç¥Ī 祷 çĿģ å¼Ģ æĮĩ çĤ¹ å¼Ģ æľº 西 å®ģ åĮĹ çº¦ 积 æ°´ åĩº åĬ¨ åıijå±ķ 模å¼ı 转 æĬĺ èĢĥ çĤ¹ æľī ç½ijåıĭ è´«åĽ° æĿij æĪij们 çŁ¥éģĵ åĪĨ éĶĢ å±± èĦī æ¯Ķ æĭŁ ä¼° ç®Ĺ æĶ¹ 建 壮 è§Ĥ ç§ī æĮģ æı ª ç¦ Ģ åĮĸåѦ åĵģ ä¸ŃåĽ½ åĪ¶éĢł ä¸Ģ æŀ¶ æīį è¡Į æĭĽ å¾ħ åıĺ æį¢ åīį 线 幸 好 è¿Ļæł· çļĦè¯Ŀ å¿ĥ è¡Ģ管 æĢ§ çĸ¾çĹħ åħ¨ èĥ½ åĪij 侦 ä¿¡æģ¯ åıijå¸ĥ æĺ¾ çĦ¶æĺ¯ éĿĴ éĵľ åIJĥ ä»Ģä¹Ī çĶµ ä»· æ³ķå¾ĭ è§Ħå®ļ çħ ² çĵ· åĻ¨ èĤī ç±» æıĴ åħ¥ åĹ ľ è¿Ł è¿Ł ä¸ĢçĤ¹ éĥ½ä¸į è¿ĺ åĮħæĭ¬ èĪį ä¸įå¾Ĺ æłĩå¿Ĺ æĢ§ æľĪ 以æĿ¥ ç³ĸ æŀľ éĥ½ åºĶ该 çݯå¢ĥ åį«çĶŁ èĪª è¡Į éĥij éĩį ç½ij æĬķ åįģ ä½³ ç§ģ ä¸ĭ æļ´ è·Į åĬłå¿« åıijå±ķ 产åĵģ çłĶåıij åĪĽéĢł åĩº æĢ» è§īå¾Ĺ åºķ çĽĺ èķ Ĭ åĩºå¸Ń ä¼ļè®® 主 æĿ¿ æĹ¥æĻļ éĹ´ å®ĺæĸ¹ å¾®åįļ å¼ķçĶ¨ æĹ¥æľŁ åī¯ æķĻæİĪ çĶµåŃIJ 产åĵģ è¡° éĢĢ çķĻ åŃĺ çģ« åĬĽ çĴ § çļ Ĥ åħ¼ åħ· éĩį è¿Ķ é¢Ĩ çķ¥ åĪĩ éĻ¤ åĨįçĶŁ èĥ½æºIJ å®ŀåľ¨ 太 çIJĨ论 ä¸Ĭ ä¸ī å±Ĥ ä¸ĸçķĮ åIJĦåĽ½ å®ľ æĺĮ èĢ³ è¾¹ 宽 æķŀ æ±ī æĹı çĻ½ çĻ½ è¿ĻéĩĮ éĿ¢ çĶŁæ´» ä¹łæĥ¯ èµŀ èµı çĶ· 士 ä¸Ń ä¿Ħ 车 祸 åīĤ éĩı éĻ¤ åİ» å·¦ è¾¹ çŃij çī¢ çīĽ å¸Ĥ 家 åĬ¡ åķ ĥ ç½® æį¢ ç´« å¤ĸ ç´«å¤ĸ 线 å¾Ģ åīį åĬĽ åѦ ç´§ è·Ł 缮çļĦ åľ¨äºİ ç» ® ç¥ Ĥ 宣 è¨Ģ äºĮ æ°§åĮĸ äºĮæ°§åĮĸ 碳 æĹł ç¼ĺ ç²¾ éĢļ è¨ º å¼ķåıij äºĨ æľĢ åħĪ æ´¾ é©» ä¸į å¿į æĪij çĪ¸ å¹´ ä¸ĭåįĬå¹´ æ·ĭ å·´ 没 éĹ®é¢ĺ åºĹ åĨħ è·Ł æĪij说 çĶŁäº§ çĶŁæ´» è§Ĥ æľĽ æ¸ į 被 æī§è¡Į 被æī§è¡Į 人 èĪ ľ æİ º ä¸Ģ ç§Ĵ èįī åĿª åij¼ åĴĮ åij¼åĴĮ 浩 åij¼åĴĮ浩 çī¹ 人æ°ij éĵ¶è¡Į çĦķ åıij è¯ģåĪ¸ 交æĺĵ çķ Ķ æľº èĥ½ å¦ ¾ æĻļ å¹´ å·¥åķĨ èģĶ åİŁ åŀĭ è§Ĵ度 çľĭ æĬ¥ 社 è¯į æĿ¡ 躲 éģ¿ éĩį åIJ¯ å¤ķ éĺ³ èĤ¡æĿĥ 转让 åľ¨ ä¸Ģ åľ¨ä¸Ģ æĹģ 社ä¼ļ åĮĸ åıijå±ķ åİĨç¨ĭ æĭĸ æ¬ł 使 èĢħ ä¸İ åIJ¦ æĸ° å±ĢéĿ¢ ä»Ĭ天 æĪij们 é½IJ èģļ 对 æĪij说 éĢĴ 交 æľª æĽ¾ èİ Ĭ éĸ ī 亲 æīĭ è§Ĵ éĢIJ æľī é»ŀ ç¨İ çİĩ ä½İ 声 é»ĺ å¥ij æĻ® æ³ķ 大 ä¸ĵ 第äºĮ 大 ä½ı åĿĢ æĶ¾ è¿Ľ äºĮ æĪĺ 亲 身 åĽº åĮĸ ä¸ĭ 乡 åħ³éĶ® æĬĢæľ¯ åĽŀ æĥ³ æĬ¥ åĪĬ æ¶Ĥ æĬ¹ èĹı çĿĢ ç¥Ŀ æĦ¿ åįĩ 温 çĶļèĩ³ è¿ŀ åħ¬åħĥ åīį ç¾İ æĸ¹ è¯ļ å®ŀ æĹł åģ¿ åīµ æ¥Ń å°ıå¿ĥ 翼 å°ıå¿ĥ翼 翼 两 æīĭ 温馨 æıIJ示 仿 羣 æĥ ¶ èĥ¡ åŃIJ å·¥ä½ľ ç«Ļ 硬 çĽĺ ç« ¿ åĤ³ éĢģ åħ¨ æł¡ é²ľ æ´» çĴĢ çĴ¨ ç»ĵ å°¾ æį¢ æĿ¥ æĪ Ģ ä½İ ä½į ä¸ĩåħĥ 以ä¸Ĭ åĬł åĪĨ æݨä»ĭ ä¼ļ çIJĨ èµĶ å¾· å°Ķ æĬĹ è®® æ´ ¼ åĸ § åŁİ éĻħ å¾Ī æ£Ĵ 人 æŃ»äº¡ ä¼ļå±ķ ä¸Ńå¿ĥ äºĴèģĶ äºĴéĢļ èĸĦ èĨľ éĩį é»ŀ ç¦ģ æ¯Ĵ åĨ· ç¬ij 大家 åı¯ä»¥ é¦ĸ 缸 è¿ij è·Ŀ离 æµ® çİ° ç§ĺ è¯Ģ èµ· é£ŀ æIJ ¶ 羣 åģĩ æģ ķ å°ı åºĹ æ°ij çľ¾ åıijå¸ĥ åħ¬åijĬ 侧 éĩį å¾ĺ å¾Ĭ æĢ Ķ æª IJ æķ° 缮 åī¯ ç§ĺ书éķ¿ 两 åı¥ éļIJ çŀĴ åıĮ åıĮ æīĭ æĦŁ èij¡ 京 éģĹ å¿ĺ é¬ ¥ è¿Ļ个 åľ°æĸ¹ 说 çļĦè¯Ŀ å·¡ åĽŀ è¿Ŀ ç«ł æī¾ å·¥ä½ľ æĶ¯ çIJĥéĺŁ è£¡ éĿ¢ æĺ¾ç¤º åĩº èĩ³ å°Ĭ 两 级 åīį 段æŶéĹ´ çĺ¦ èº« èĤ¢ ä½ĵ æ¯į 親 æīĭç»Ń è´¹ 汽车 è¡Įä¸ļ æİ© çĽĸ æݧèĤ¡ éĽĨåĽ¢ åı£ å¾Ħ æĶ¿çŃĸ æݪæĸ½ æµ· 绵 åħ¨ éķĩ äºĭ åħ³ å¸Ń æī§è¡Į å¸Ńæī§è¡Į å®ĺ éĤ£ 次 åı¯èĥ½ åĩºçİ° ä¸Ńå¿ĥ åŁİå¸Ĥ ç¿» 身 ä¹Ł ç®Ĺ ä¾µ çķ¥ åĸĩ åıŃ æ¯ı次 éĥ½ è§ ħ éĻ¢ éĻ¢éķ¿ å§ĭ äºİ èѦ åĬ¡ èį¯ æĿIJ å±ł æĿĢ æľ¬èº« å°± éļıæŶ éļı éļıæŶéļı åľ° åĶ® åįĸ æĹłäºº 驾驶 é¢ ħ åĵģ 質 åĺ² ç¬ij è·ij åİ» åħĭ éĩĮæĸ¯ çķ¸ å½¢ ä¿® 饰 磩 éĺµ éŁ³ä¹IJ ä¼ļ æŁ³ å·ŀ é½ ¡ ä¼ļ è°Ī æŃ£ çīĪ ä¹Ł åIJĮæł· æļ§ æĺ§ è¡ĮæĶ¿ éĥ¨éŨ ä¹ĸ ä¹ĸ èĤ¤ èī² æŶ ä»» 羣 åĪĩ æľĪ ä¸ĭ æľĪä¸ĭ æŬ 举æĸ¹ è´¢å¯Į è£ħä¿® åħ¬åı¸ éĢĢ è¿ĺ åĭĺ å¯Ł åĵ¥ 伦 åĵ¥ä¼¦ æ¯Ķäºļ çĭ¬ ä¸Ģ çĭ¬ä¸Ģ æĹł çĭ¬ä¸ĢæĹł äºĮ è°ĥ åij³ åİĭ è¿« åħ¨çIJĥ æľĢ大 åī¯ æł¡éķ¿ æĽ´ ä½İ åĪĨéĴŁ åIJİ åĽŀ ä¾Ĩ åĪ¶ åīĤ åijĬè¯ī 大家 çĤ¹ éĴŁ åįģä¸ī å±Ĭ åij¨ åĽĽ è¿Ļæł· ä¸Ģ è¿Ļæł·ä¸Ģ æĿ¥ èĭ Ł æľĽ åİ» æĪIJ è¯Ń å½ĵ åį³ ç¬ij 声 ä¹ĭ åĬ¿ åĪijäºĭ æ¡Ī件 æĮĤ çĿĢ ä½ķ ç§į å°ı 游æĪı åĽ½å®¶ æĪĺçķ¥ åĨ· åĨ· å®ľ 宾 æIJº ç¨ĭ è¶ĭ äºİ åıį çľģ 常 说 ä¸ĩ æĪ· åĥµ å°¸ åįĥä¸ĩ åĪ« åıijçİ° éĹ®é¢ĺ åı¯ çŁ¥ éŨæĪ· ç½ijç«Ļ åģ¥åº· 产ä¸ļ åı³ è¾¹ æµ· è¿IJ è¿ij ä¹İ åĮ» æ²» æĢ» ç®Ĺ ä¸Ģ åĪĨéĴŁ æĭ § ä¹Ł æľīä¸ĢäºĽ ä¾ĽçĶµ åħ¬åı¸ å»ī ä»· 帮 ä»ĸ æŃ¤æ¬¡ æ´»åĬ¨ åıªèĥ½ 说 èĬ ĭ çīĩ 段 åŃĺåľ¨ éĹ®é¢ĺ ä½łä¼ļ åıijçİ° è½® å»ĵ ç½ij éĢļ 滨 æ±Ł æİĪ ä¿¡ é»İ æĺİ ä¸į å±ŀäºİ 约 åįł éķ¿æ²Ļ å¸Ĥ èĥļ èĥİ åħĥ 件 éĻĨ åĨĽ è³¼ è²· æĮĩ æľĽ å®ŀä¹ł çĶŁ çī¹çĤ¹ æĺ¯ çıł æ±Ł çľĭ ä¸įåĩº ä¸įè§ģ äºĨ ç¼ ī éĺµ èIJ¥ åĶIJ æľĿ 没 å¿ħè¦ģ åĽ½åľŁ èµĦæºIJ ç»ıæµİåѦ 家 åIJĪèĤ¥ å¸Ĥ çIJ¢ 磨 ç¡® åĪĩ åŁİå¸Ĥ åıijå±ķ çŃ· åŃIJ 人æ°ij æľįåĬ¡ 满 åĪĨ è¿· ä¿¡ ä½ľèĢħ æľ¬äºº æĸĩç«ł æĿ¥æºIJ ç«Ļ ç«ĭ æŀĦ æĪIJäºĨ è¾Ľ åĭ¤ è¶ħ 强 éĶ ļ åīįä¸ī åŃ£åº¦ å°± è§īå¾Ĺ å´ĩ é«ĺ è¶Ĭ ä¾Ĩ è¶Ĭä¾Ĩ è¶Ĭ å¸Ĥåľº èIJ¥éĶĢ 综åIJĪ ç´łè´¨ åŃ ļ ä¾® è¾± äºĮ åŃĹ å·¥ä½ľ ä»»åĬ¡ åı²ä¸Ĭ æľĢ æľĢ ä¼ĺ åIJ© åĴIJ 表 çĻ½ èİ« åIJį èİ«åIJį åħ¶ èİ«åIJįåħ¶ å¦Ļ å¹ £ åIJĮå¿Ĺ 们 建设 çĶ¨åľ° åĦ Ģ éħį åģ¶ å¼ © åĶ± çīĩ æīĭ èĦļ åħ¼ ä»» åģľ æĶ¾ æŃ£ å®Ĺ æĸ° åĨľæĿij åĤ¬ çĶŁ æīĢ åŃ¦æł¡ 念 ä½Ľ åĶ¤ éĨĴ åħ± åĪĽ æĭī ä¸ģ èĥĮ çĿĢ çĶŁæĢģ ä¿ĿæĬ¤ åı£ 头 æĸ¹åIJij çĽĺ 調 æķ´ æĭĽèģĺ ä¿¡æģ¯ åħ¶ä»ĸ åĽ½å®¶ ç®Ģ æĺĵ åĮ¿ åIJį è¯Ħ æµĭ æĺ¯ä¸Ģ 座 çīµ æīĭ 足 迹 çIJĨ解 åĴĮ æľĢ åıĹ å¿ĥ è·³ çĪ¶ 親 éĿŀ常 åĸľæ¬¢ èĭ¦ éļ¾ æĬĢ å¸Ī æ°ij æĦı æĪĺ åĽ½ æĽ¿ è¡¥ æ´¥ è´´ ä¸ŃåĽ½ ä¼łç»Ł åIJĦ è¡Į åIJĦè¡Į åIJĦ åIJĦè¡ĮåIJĦ ä¸ļ 第äºĶ å±Ĭ èį· èĬ± æĦı èŃĺ 票 ä»· åĪĨ æµģ æĿİ çĻ½ æ±Ł åĮĹ æİĴ æĸ¥ ä½ĵ éĩı åĮħåIJ« äºĨ åĪĺ æŁIJ çİ° å¦Ĥä»Ĭ å·¥èīº åĵģ è¿Ļç§į æĸ¹æ³ķ åĬŀåħ¬ 楼 çĶµ å·¥ çħ Ļ åį¡ çīĩ å¹´ å¹´åºķ ä¸ĵ项 èµĦéĩij åĮ» ç§ij åĮ»ç§ij 大åѦ åĽŀ头 çľĭ ä¸į å±ij èĩª 驾 没 æĶ¶ æīĵ çĮİ èĦ¸ éĥ¨ åıĥ èĢĥ å°Ĩ 士 è´«åĽ° 人åı£ çIJĨæĥ³ 信念 é£İ å°ļ 人æīį éĺŁä¼į çij ¾ æĿ¥ è¿ĻéĩĮ æ´Ĺ 涤 å¹´ èĸª èĭį çĻ½ ä¸ĩ äºĭ 课 æľ¬ åºĵ éĩĮ çī¹ æ´¾ çī¹æ´¾ åijĺ èµŀ ç¾İ ç©¿ æĪ´ 製 ä½ľ èµŀ æĪIJ ä¸Ģ 侧 å½ĵåľ° 人 æĭ İ çº¸ è´¨ ä½Ļ 个 éĶĤ çĶµæ±ł æľº åŀĭ éĻ¢ éĻ¢å£« åģļ å·¥ å¼ł è´´ ç¥Ľ æĸij æ®ĸ æ°ij å¥ij 约 æ¹ĺ æ½Ń æIJ ĸ åŃĺ è´§ 交éĢļ 大åѦ è¶ģ çĿĢ æĸĩçī© ä¿ĿæĬ¤ å¤ĩ æĪĺ éĩĩ 纳 åįĬ æľĪ æľĢ åħ³éĶ® æľĢåħ³éĶ® çļĦ æİ¥ éĢģ æĶ¶ åī² åıį åĢĴ çĥ Ľ æ ½Ķ ä¼Łå¤§ å¤įåħ´ çļĦè¯Ŀ è¯Ń 容 å¿į å®ļ éĩı æķ Ĺ åĵģçīĮ 形象 æīŃ è½¬ åĽ½å®¶ éĩįçĤ¹ èĨĿ çĽĸ ä¸Ģ 楼 大 éĻ¸ éĤª æģ¶ åĽŀ åij³ çĮ ¿ çĿ¡ åīį æĹł è¾ľ çĹħæ¯Ĵ æĦŁæŁĵ æľºæ¢° åĮĸ çĤ¹ 亮 溶 解 åĩłä¹İ æīĢæľī è·ij éģĵ çĶµè§Ĩ æľº åı ¨ æijĩ äºĨ æijĩäºĨ æijĩ头 èĩª è´Ł 综åIJĪ åĪ©çĶ¨ èĩª å¦Ĥ åİŁ ä¾Ĩ ä¹Łä¸į æĥ³ èĬĤ 课 è¿ĩ åī© çĶ² çĬ¶ çĶ²çĬ¶ èħº æĸ° ä¸ĸ纪 èĩªä¸» åĵģçīĮ é«ĺ å±Ĥ次 ä¸Ģ è§Ĵ è¡Į äºĭ ç¥ĸ åħĪ å©ļ åIJİ éĹ´ éļĻ ç¼Ŀ éļĻ è¿Ļ æĶ¯ ä¸įæĸŃ åĪĽæĸ° å¾® åŀĭ æĽĻ åħī 享 çĶ¨ ä¸ŃåĽ½ 移åĬ¨ éĹŃ çݯ æī§ æĦı åıijå±ķ æł¼å±Ģ æł¸å¿ĥ åĮº éªļ æī° åħļåĴĮ åĽ½å®¶ ä¸ŃåĽ½ æĶ¿åºľ 帶 èijĹ ä¸ĩåįĥ çĵ¦ åħ© 人 äºİæĺ¯ æĪij åĽº ä½ĵ çªģ å¦Ĥ çªģå¦Ĥ åħ¶ çªģå¦Ĥåħ¶ æĿ¥ éĩĮç¨ĭ ç¢ij çĪ± ç¾İ æŁ¥ éªĮ åıĮ èµ¢ éĹª åħī 楼 å®ĩ æĻ ı æľī è¶³å¤ŁçļĦ æŁĶ æĢ§ ä¿¡æģ¯ å®īåħ¨ 管 线 并 ä¸įä¼ļ åĻ¨ 件 ä½ł åºĶ该 çĿĢ å®ŀ æĺİ æ¸ħ æĬĹ çĶŁç´ł æīĵ æŃ» å®Įåħ¨ ä¸įåIJĮ èĬ± æ¤Ĵ æĶ¾ 宽 ä½İ 端 åĽĽ èĤ¢ åĮĹ京 èµĽè½¦ éĽĨ å¸Ĥ æľª å©ļ 大å¹ħ æıIJåįĩ 建çŃij 设计 çĭ¬ æľīçļĦ æİ¢ éĻ© æ²³æµģ åŁŁ æħķ 容 被 çĽĹ åĵº ä¹³ èı ģ æĥ¬ æĦı è¶ĬæĿ¥è¶Ĭ 好 广大 群ä¼Ĺ å¾· èĤ² å¸Ĥåľº ä»·æł¼ 奥 å·´ 奥巴 马 èĬĤ缮 ä¸Ń 两 款 ä¸ĩä½Ļ åħĥ ç»´ å°Ķ çĶŁçī© ç§ijæĬĢ åIJ¬ èµ·æĿ¥ çł ļ æĭŁ å®ļ æ²¹ çĶ° 声 èªī 建çŃij ä¸ļ éĻIJ è´Ń çīĩ åŃIJ çķľ 禽 ç½ij é¦ĸ页 ä¼Ĺ çŃ¹ æĴŀ åĩ» åīį ä¸įä¹ħ åīį ä¸ĸ åĽĽä¸ª æĦıè¯Ĩ æµĭ ç»ĺ éĺ² ç©º 漫éķ¿ çļĦ æ²IJ æµ´ æ¯Ķè¾ĥ ç®Ģåįķ æµĭ å®ļ åĽŀ è°ĥ 让 人们 èĴĭ ä»ĭ èĴĭä»ĭ çŁ³ ç»ĵ æĻ¶ å¢ŀæ·» äºĨ æĿ¡ è¯Ħ论 åī¯ ä¼ļéķ¿ ä½ı æīĢ ç»Ļ åĩºäºĨ è°ĥ éħį æ² ĸ æľī çĶ¨ æľīçĶ¨ çļĦ ä¸ĢæĿ¡ é¾Ļ éĩİ å¤ĸ ç¼ĺ åĪĨ æ°¸è¿ľ ä¸įä¼ļ æŀľ æłij 大åıij å¿«ä¸ī 麻 éĨī äºij éĽĨ åİ» åĵªéĩĮ åħ¥ å¸Ĥ ä»» æĢ§ 建 æ¡£ 建档 ç«ĭ 建档ç«ĭ åį¡ ä¸Ģ 棵 社 åįĢ 缸 ä¼´ åļ · å¡« åħħ ä¸Ģ æĹı ç¾ ģ åıĸ è¯ģ èĪ° éĺŁ åİĤ åĮº è¡· å¿ĥ åıijå±ķ éĺ¶æ®µ é«ĺ 强度 åĹĵ åŃIJ é¢Ĩ è¡Ķ 楼 主 大 èĴľ æŀķ 头 ç²® æ²¹ é»Ħ çĵľ æĵ Ĵ å°ı çĭĹ æĶ¹éĿ© å§Ķ åįģ åĪĨéĴŁ é²ľ èī³ åħ³ ç¾½ çĭĢ æħĭ å®ŀçĶ¨ æĢ§ å°ij è§ģ é£ŀ æī¬ çĶ° éĩİ æIJ Ĥ è¿Ļ个 è¯į åºĶæĢ¥ é¢Ħæ¡Ī è§Ĵ度 æĿ¥çľĭ æķ¬ çķı æ³ķ å®Ŀ åĸĦ æĦı æīĵ æĸŃ å¯¹ åĨ³ çµķ å°į åĢŁ æѤ å¼Ģ æºIJ å°ı 說 ç¥ º å²ģ 以ä¸ĭ éĢĢå½¹ åĨĽäºº ä¸įä¹ħ åīį åĩº åİĤ 讽 åĪº æĿ¥çľĭçľĭ åIJ§ éŃĶ åħ½ çķĻ ä¸ĭæĿ¥ å±ħ 室 åłħ æĮģ çľĭ äºĨä¸Ģ çľĭäºĨä¸Ģ çľ¼ éĽĨåĽ¢ æĹĹä¸ĭ æĪĺ æĪĺç»ĦåIJĪ è®¤çľŁ èIJ½å®ŀ 汽车 产ä¸ļ çī©çIJĨ åѦ æķ µ éĴ Ŀ åĽ¢ éķ¿ ä¸įæĸŃ æī©å¤§ èĤ© è´Ł åıijå±ķ 缮æłĩ è³ĩ éĩij åīį ç½® ä¸ŃåĽ½ åı¤ä»£ æŃ» åĪij åħħåĪĨ ä½ĵçİ° åħ³ éŨ ç¾İ æĦŁ æīĵ åħ¥ æĬijéĥģ çĹĩ å°ij çĪ· æłij æŀĿ æ¶Īæģ¯ 称 æ´Ľ åħĭ åį ¯ è¿Ī åIJij æݨ åĭķ ä»İä¸ļ èĢħ åİ» ä¹° 欢 å¿« æĭ¥ æĮ¤ 马 桶 æĬĬ æݧ æĶ¿ åħļ å¼ł æī¬ 客 æłĪ 红 æĺŁ éĢģ æĿ¥ åħ¨åŁŁ æĹħ游 èĩª ç§ģ åįģäºĮ æĿ¡ åı¹ æģ¯ ä¸Ģ èīĺ ä¿Ŀ è´¹ æĸ½å·¥ çİ°åľº æľī 幸 ç»Ń èĪª åı¯èĥ½ æľĥ èĥĮ åıĽ ä½£ éĩij ä¸ī çŃīå¥ĸ å¾Ī 满æĦı 游æĪı åī¯æľ¬ 群 éĩĮ æŀĦ 件 åºı å¹ķ 太 æ¹ĸ æľ¨ è´¨ æĻĭ æ±Ł çµĤ æĸ¼ è·³ è·ĥ åĢºæĿĥ 人 çŃī 诸å¤ļ æĶ¾ åĩº åħ³éĶ® æŶåĪ» æĦŁæŁĵ èĢħ é£ŀè¡Į åijĺ èĥĨ åĽº èĥĨåĽº éĨĩ æĬ± æŃī åij¨ äºĮ æĸ° æĹ¶æľŁ åĨ·éĵ¾ çī©æµģ è¿Ļç§į æĸ¹å¼ı 该 æĿij åĽŀ é¦Ī åŁºçĿ£ æķĻ 人 åıĤ æŀ¯ çĩ¥ æī¹åıij å¸Ĥåľº åħħåĪĨ èĤ¯å®ļ å¸Ĥ æĶ¿åįı äºĭ æ¥Ń 龸 çİĭ çĥŃ æIJľ åįģä¹Ŀ 大 ä¼´ æľī ç¾İåĽ½ æĢ»ç»Ł åŁİå¸Ĥ 管çIJĨ ä¸ĭ 令 èĥ¸ åı£ åıª çŁ¥éģĵ åij¨ ä¸ī çĶ¨ æĪ¶ éŃ ¯ å¿ĥ è¡Ģ 带头 人 åĮ» åĬ¡ åĮ»åĬ¡ 人åijĺ æݧåĪ¶ åĻ¨ ä½ľåĵģ åĨħ容 æĪĺ åıĭ åİĨ å¹´ ä¸į åħĭ ä¸įåħĭ ä¸įåıĬ æĹ¥ æŃ£å¼ı è±IJ å¯Į ç¨İ è´¹ æŶ æķĪ å±ķ ä½į è¡¡ éĺ³ æĪ¿ 貸 çĪĨ 款 ä¹IJ æĦı çĶ· 主 å¯ ¬ æľĥ èŃ° ä¹ĭ å¤ľ åIJĮ 樣 ä¸įè¦ģ 太 ä¼Ĭ æĸ¯ ä¼Ĭæĸ¯ åħ° åŁºæľ¬ åİŁåĪĻ åİ» æİī ä½İ ä¿Ŀ 个 交æĺĵ 个交æĺĵ æĹ¥ èģĬ èģĬ åĽĽ ä½į åħļç»Ħ æĪIJåijĺ 主è¦ģ ä»İäºĭ å½± éŁ³ åĨĴ åĩº åij¼åIJ¸ éģĵ è¾¾ å°Ķ æľ¨ åľ°æĿ¿ 诡 å¼Ĥ çģ¯ åħ· çģ« çĥ§ 解 èĦ± æĦĪ åıij æ¹ĸ å·ŀ é£İ ä¿Ĺ æĸ° å½¢åĬ¿ æĸ°å½¢åĬ¿ ä¸ĭ è² Ŀ èĦ ĵ åĬ¨åĬĽ çĶµæ±ł é£ŀ èĪ¹ 飧 æĢ§ åĪ© çī© åĪ©çī© 浦 ä¸į 认è¯Ĩ ç¼ĸ ç»ĩ ä½ľ åĿĬ èģĮä¸ļ æĬĢèĥ½ çľĭ è¦ĭ åĽ´ æ£ĭ æĺı è¿· å½Ĵ å±ŀäºİ æĤ¬ å´ĸ éĨ« çĻĤ å®ĭ 代 åºĦ æĿij èĹ ķ çĮĽ çĦ¶ çĩĥæĸĻ çĶµæ±ł å®ŀä½ĵ åºĹ ä¸į足 以 æĥħ ç· æĥħç· Ĵ å»Ĭ åĿĬ çĶµ åı° åºĶ åĬĽ ä¸Ńå°ı åѦçĶŁ èĥ¡ åIJĮ éī´ åĪ« åĨħ ç½® ä¹± 象 æ¬Ĭ çĽĬ å¼ĢæĶ¾ å¼ı åįļ æĸĩ 讲 课 çŃī åİŁåĽł ç©· 人 交 æĽ¿ æĬ¤ çħ§ åıijå±ķ æľºéģĩ 客 åķĨ åıį ä¹ĭ ç±³ é¥Ń 并 åıij 并åıij çĹĩ æ±ī åŃIJ æŀľ åĽŃ 对æĪij æĿ¥è¯´ åģı åIJij æī¹ 示 读 åIJİ è¯»åIJİ æĦŁ æĺİ æĻº åĽ´ çĿĢ åıį 转 æĿ¨ å¹Ĥ ä¸ĵ åįĸ ä¸ĵåįĸ åºĹ åıĹ éĻIJ åºŁ è¯Ŀ æŀģ å°ij åįĪ åIJİ è¿Ľ ä¿® åīĬ åĩı æľ¬ç§ij çĶŁ ä¼ĺ éĢī åħī çħ§ åıĻ äºĭ åıĸ æļĸ åĮĹ è·¯ æ¦ ķ èİĨ çĶ° 楼 å±Ĥ 天 èĬ± 天èĬ± æĿ¿ çĤ ľ å·²ç»ı æľīäºĨ è¶ ¾ çĶ³ åįļ çĶµ éĺ» åĬŁ 课 æŃ¥ æŃ¥ éĤ£ä¹Ī 容æĺĵ æѤ æĸĩ ä½ ° 计 è¾ĥ çīĩ éĿ¢ çĶµå½± éĻ¢ ä¸į åħ¬å¹³ ä¸ī æľŁ æĹħ游 èµĦæºIJ å¤ļç§į å½¢å¼ı è£Ĥ ç¼Ŀ åIJİ æİĴ 硬 度 åĽŀ æļĸ éģĵ æķĻ è´« è¡Ģ æ¸ħ é¦Ļ 伤 çĹħ æĦı 義 çļĦ ç¼ĺ çļĦç¼ĺ æķħ åºĦ 严 åıªæĺ¯ ä¸ºäºĨ æīĵ æĬĺ 以 ä¾Ĩ 滿 足 çİĽ 丽 風 éļª æĸĩ ç§ij éħįå¤ĩ äºĨ è¿Ľ é£Ł æ¶ ¡ è·¯ ç¨ĭ åı« 声 ä¸Ńå¿ĥ åŁİåĮº æľīæīĢ ä¸įåIJĮ å¼µ è²¼ é¢Ħ æĬ¥ æľīå¤ļ ä¹Ī è¿Ľè¡Į åħ¨éĿ¢ æĽ¾ ç¶ĵ ä¸ī 代 å®ı 大 æ¸ħ æī« éĢī åĩº åĵª ä¸Ģ个 主 義 ä¾Ŀ æĵļ çļ® éĿ© 赶 æĿ¥ çŃĽ æŁ¥ æ¨ Ł ä¿Ŀ èįIJ åIJĥ æĥĬ æľĭåıĭ们 对 ä»ĸ æĺ¯ä¸Ģ个 åºŁ æ°Ķ æ» ħ è´¢ ç¨İ æĿij æĿijæ°ij èµĦ产 è´ŁåĢº å®ī å¨ľ 缮åīį åĽ½åĨħ æĦŁè§ī èĩªå·± çµIJ åIJĪ éĶ¦ æłĩ éĶ¦æłĩ èµĽ æĽ´ æ·± åŁº æķ° éħ¿ éħĴ çī¹èī² 产ä¸ļ åİĭ å®ŀ ä¾Ŀæ³ķ 追究 æ·¡ å®ļ ç®Ģ缴 å°±æĺ¯ å£ĵ åĬĽ æ°ij å¿ĥ ä¸į åIJĪéĢĤ çĶ±æѤ åı¯è§ģ èµŀ èªī æ¾ ¤ åĩłå¹´ åīį åIJī ä»ĸ çł´ æįŁ 轻轻 åľ° å²Ľ 屿 æĦı å¢ĥ ä»Ģä¹Ī åı« åģĩ è£ħ éĢģ è´§ å¹ķ å¢Ļ 妥 åįı åĽ½ æĹĹ äºĨ å¾Īä¹ħ åĪĨ辨 çİĩ ç´ Ķ éĺ³ åĮº åĩŃ çĿĢ åģľè½¦ ä½į 京 éĥ½ éĶ £ æĵ ¾ è¿Ľ éŨ åĪĺ æµ· åĽĽ 级 女 足 è¡ĮæĶ¿ 审æī¹ éģ¥ æݧ ä¸į éĮ¯ å¾Ĺ å¾Ī好 为 缮çļĦ ä»į æľª ç²¾ è£ħ éĢį éģ¥ å°½ 头 çºł ç¼ł éłĺ å°İ æĭħ è´Ł æĪĸèĢħ åħ¶ä»ĸ åıªä¸įè¿ĩ æĺ¯ åı® åĺ± åģĩ åĨĴ æļĸ æ°Ķ çĽIJ åŁİ 被 è§Ĩ为 诺 è´Ŀå°Ķ ç»ĻäºĨ æĪij è¿ij åįĥ éĩį åĽŀ éĨĴ äºĨ çĶµ 解 忽çķ¥ äºĨ èĥĮ éĥ¨ æĸĩæĺİ åŁİå¸Ĥ æº ħ è² ĵ æĬµ æĮ¡ åĸľæ¬¢ åIJĥ éĿĻéĿĻ åľ° å¾Ī æ·± åŁºç¡Ģ çŁ¥è¯Ĩ è¿ĩ éĶĻ çIJĨ ç§ij 交æµģ åIJĪä½ľ èĪ Ķ 調 æŁ¥ æħĪ æĤ² éĴ ° èĩ´ çĶµ å®£ä¼ł æ´»åĬ¨ åıĺ éĩı çļĦ人 æĿ¥è¯´ æŶ éļĶ ä¸į管 ä½ł 缸 è¿ij è´µ éĩijå±ŀ ä¹Łä¸į åı¯èĥ½ ç²ī æľ« åįĹ çĵľ çĻ½ 马 åħī æºIJ éĩij å¥ĸ çĭ¬ è§Ĵ çĭ¬è§Ĵ åħ½ 妨 ç¢į ç»Ļ åĬĽ ä½Ĩ ä»į å¼łå®¶ åı£ èIJ¬ åħĥ 渲 æŁĵ éķ¿å¤§ äºĨ è®°èĢħ äºĨ解 æĢĢ çĿĢ è¦ģ åѦä¼ļ 游æĪı 代 游æĪı代 ç»ĥ äºĮ çĻ¾ æĦıè¯Ĩ å½¢æĢģ çİ º 计åĪĴ çĶŁèĤ² æī¾ åĩĨ åħ° èĬ± è¿Ļ座 åŁİå¸Ĥ 污 æ³¥ å®ĺæĸ¹ 微信 å½Ĵ å±ŀ æ°§ æ°Ķ éģİç¨ĭ ä¸Ń åį°è±¡ æ·±åĪ» 稳 妥 çµIJ æĿŁ åŃķ æľŁ çī¹ æĿĥ åĿļ åĽº 顺 åĬ¿ æŀľ èĶ¬ éĨ« 師 åİ ® ä¹Łæĺ¯ å¦ĤæѤ é¦Ĵ 头 缸 åĬ© å¹² 线 ä¸Ģ æľ¬ä¹¦ ç» ¥ æĮ¯ å¥ĭ èĤ¾ èĦı åĭķ çī© é£ŀ è·ĥ èıľ åĵģ å¤ļ ä½Ļ å¤ļä½Ļ çļĦ éĢĿ ä¸ĸ æģĭ 人 å¼Ģåıij åĪ©çĶ¨ 顺 丰 éĩİ å¿ĥ æł¡ å¤ĸ æģIJ é¾Ļ éĿ¢ åħ· éķ¿ è¾Ī éļı å¤Ħ éļıå¤Ħ åı¯è§ģ ç´§ 缺 éĩį ä¸Ń éĩįä¸Ń ä¹ĭ éĩįä¸Ńä¹ĭ éĩį 奥 æĸ¯ 奥æĸ¯ åį¡ ä¸Ģ个 å¤ļ ä¸Ģ个å¤ļ æľĪ ä¸įåı¯ 缺å°ij æĸ° æł¼å±Ģ æıIJ æĮ¯ è¡Į è´¿ æ¼Ĥ æµģ èģĬ åŁİ åħ´ 建 è´¨ æ£Ģ ç§ģæľį 游æĪı æĽ´ éĩįè¦ģ è´ ® çħ ľ 转åıĺ 为 è¿Ļ 两年 ä¿Ŀ é²ľ æī§ æķĻ çĥ ¨ å¼Ģåıij 建设 è¿IJèIJ¥ 管çIJĨ 误 å·® 京 åī§ å¸IJ åı· å·¥ä½ľ ä½ľé£İ ä¸ĸ ä¿Ĺ çĻ½ 宫 天 åĽ½ å¤©åĽ½ 继ç»Ń å·´ æĸ¯ èIJ¥ åĪ© åĵģ æł¼ æĿijæ°ij 们 æĪ¿ 车 çŃī çĹĩçĬ¶ å¦Ĥ å®ŀ å® ¸ å±Ĥ 级 éĶĻ è¿ĩäºĨ ç»ĵ å®ŀ ç¬ij èĦ¸ 羣å®ŀ æĢ§ éĥ½å¸Ĥ æĬ¥ é¥Ń èıľ åºĶ 注æĦı æĬ½ çĥŁ 伪 éĢł åīį ä¸Ģ天 éŃĶ é¾Ļ éŃĶé¾Ļ 令çīĮ 约 è°Ī 绣çŃ¹ æİ¨è¿Ľ 让 çĶ¨æĪ· åħ¨éĿ¢ èIJ½å®ŀ å¼Ħ å¾Ĺ è°Ī æģĭçĪ± 鸣 æĪIJéķ¿ 鸣æĪIJéķ¿ è®° æ´ĭ æ´ĭ çĸı æķ£ éĿ¢ç§¯ 约 æµĵ 缩 æĸ¯ é¡¿ çĶŁæĢģ åľĪ æī§ 导 移 éĢģ 齿 è½® æł¹æľ¬ å°±ä¸į 缩 åĩı èµ° ä¸ĭåİ» çĿ« æ¯Ľ ä¹Łä¸į éĶĻ åıįæĺł åĩº èĭ¦ æģ¼ 缸åħ³ æĶ¿çŃĸ é«ĺ 楼 ç²ī èī² æĬķèµĦ é¢Ŀ ä¸į ç»ı ä¸įç»ı æĦı å®ģ æĦ¿ èĪĮ 头 æ»ĭ çĶŁ å®ģ åİ¿ åīįåĪĹ èħº åĩ ³ é£Ł 欲 åıĸ èĥľ éĻ¢ åŃIJ ç´łè´¨ æķĻèĤ² 滨 å·ŀ æĬ¢ æĬĵ å¼Ĥ åij³ åĴ ļ åĬ į 宽 éĺĶ æļ´ 涨 æĥł åıĬ è§Ħ ç¨ĭ ä¾Ľ åħ» éĢģ å¾Ģ å±± åºĦ 举 äºļ å±ķ é¦Ĩ 解 éĶģ æĹł è§Ĩ éĻį èIJ½ è¿ŀ äºij è¿ŀäºij 港 åıĤ è°ĭ çİ ĸ ç¬ ĥ èĢĹ è´¹ æī¿ å¾· 社ä¼ļ æķĪçĽĬ åįĹæµ· ç½ij åĪĽ 伤 èIJ ± åħħ æ²Ľ ç½ijç«Ļ 建设 大 åºĨ åĨį éĢł åŃĹ æł· åħ¨æ°ij åģ¥èº« èĮ« èĮ« æµ® åĬ¨ åīį åı° å¢ŀ 设 éĢĽ è¡Ĺ åĢĴ éĹŃ æ³ķå¾ĭ 顾éĹ® çĸ ® çĹħ çĹĩ 空 åīį 请 æķĻ èĥľ ä»» æĿĢ èıĮ æĪĺæĸĹ æľº ç»ĺ åĪ¶ å¤Ħ æĸ¹ çªģ åĽ´ çĮ« åĴª æĬ¥åijĬ æĺ¾ç¤º ç¿ Ł çķ¶ åľ° æľĢ éļ¾ 纪 å§Ķ书记 ä½İ åİĭ èĻļ 空 è¿Ļéĥ¨ çĶµå½± 产ä¸ļ åįĩ级 è°· çĪ± è°·çĪ± åĩĮ æĬ¼ éĩij 女 æĸ¹ éĴ» çłĶ æļĹ æļĹ è¿· ä½ł æīĢ è¬Ĥ å¨ģ å»ī å¼Ģ æľĹ å² Ķ çģ« çĤ¬ åIJĪçIJĨ æĢ§ åħ¬ åĬŀ ä¼ļ ä¼ļéķ¿ éĺ´ è°ĭ å¼Ģ å±Ģ æĻ®éĢļ è¯Ŀ åį¡ æĭī å°ij åIJĥ éĹª èĢĢ æŀľ æ±ģ æī§è¡Į åĬĽ è° Ľ æĬ¢ åĬ« é«ĺéĢŁ åıijå±ķ éŁ ¬ åįĹ æ²Ļ é«ĺçŃī åŃ¦æł¡ æį¢ 个 åı¯èĥ½ åŃĺåľ¨ æĬ Ĵ è°± åĨĻ 被 æĬĵ æĿ¯ åŃIJ èĬĤèĥ½ åĩıæİĴ æ°ĶåĢĻ åıĺåĮĸ åĪĨ åĪ¥ ä¸Ń æŀ¢ 欢 åij¼ åħī 纤 è¿Ļ 群 çľ¼ çķĮ åħ±åIJĮ åıijå±ķ çİ° ä»Ĭ éĹ» è¨Ģ çī¹èī² å°ıéķĩ æķij 人 éĻį æ°´ ä¸ĸçķĮ ä¸Ģæµģ å°± é¤IJ çŀ ¥ å¤į ä»ĩ ç¾½ æ¯Ľ ç¾½æ¯Ľ çIJĥ è´© åįĸ æºIJ æ³ī æĢ»ä½ĵ è§ĦåĪĴ åĬ¨ æĦŁ ä¸Ģ 审 åĢŁ éĴ± è§ģ æķĪ èĬ± èįī åIJĮ ä¸ļ æŁ¥ è©¢ åĽ½éĻħ åIJĪä½ľ ä¾Ľ åĽ¾ åģ ´ æł ĵ 缸 éĢļ è°Ī åıĬ è¿ĩç¨ĭ å½ĵä¸Ń é¦Ļ èıĩ åįģåĽĽ æĿ¡ ä¸Ģå¼Ģå§ĭ å°± ä¸ĵ åijĺ æĺİ é¡¯ æīĵéĢł åĩº ä¸ĭéĿ¢ æĪij们 æľº æ²¹ åı° è¯į åŃIJ å¼Ł æľĢ 常è§ģçļĦ æĪij è®°å¾Ĺ ç» ° æĤ¬ æµ® è¿ĺ 羣æĺ¯ æĮĤ åı· åıĭ åĸĦ éĩį 伤 çħ§ 亮 æѦ èѦ åĩºçİ° éĹ®é¢ĺ è¸Ĭ è·ĥ åľ°çIJĥ ä¸Ĭ å¸Ĥ 人大 åıĹ害 人 å² IJ åIJĮ åѸ éĩijèŀį å¸Ĥåľº æľīçļĦ çݩ家 å¸Ĥ æķĻèĤ² å¸ĤæķĻèĤ² å±Ģ åIJĦ å¼Ĥ ç·ļ ä¸Ĭ æģ º æľī 大éĩıçļĦ åķĨ æĬ¥ åįķ åįķ åħ¨ é¢Ŀ ä¾Ŀæŧ æĺ¯ å¥½ åĩłä¸ª åĸ µ éĩį æķ´ çĶŁæ´» è´¨éĩı æİ¢ 访 åį° èĬ± 缼 è¡Į å¾® è§Ĥ èĪį å¾Ĺ åºŁå¼ĥ çī© 积 èĵĦ å®ļ å±ħ æĤ ¼ èĮ ¸ çļĦ 帮åĬ© çļĦ帮åĬ© ä¸ĭ 亿 åIJ¨ åŃĶ éĽĢ è¿ĻæĿ¡ è·¯ é¥ µ æĦĪ åĬł éķ į ä½ľ æ¡Ī èįĶ æŀĿ 太 å°ij è·» 身 åħ¬çĽĬ æ´»åĬ¨ çĻ½ æĸij æĬĢæľ¯ æ°´å¹³ å¸ § æĹł çŁ¥ åºĶ该 æĢİä¹Ī éĢĢ å¸Ĥ æ¸ Ń åħ» çĮª é© ¼ 群 å²Ľ 大 åį« ä¹ĺ çĶ¨è½¦ èı² å°Ķ è´´ åIJ§ åģľ ä¸ĭæĿ¥ æľīæľº ç»ĵåIJĪ åĪ» èĭ¦ çļĦ åľ° çļĦåľ° æŃ¥ è¯Ĭ æīĢ å¼Ģ æĪĺ èĢģ çīĮ çŃ¹ çłģ åħ«å¤§ 以æĿ¥ 楼 æĪ¿ åŃĻ æĤŁ åŃĻæĤŁ 空 åħĴ åŃIJ 第ä¸Ģ æĿ¡ 社交 åªĴä½ĵ æĥ³ èµ·æĿ¥ 大 æ´ĭ æĭ¼ éŁ³ è¿Ľ åįļä¼ļ è¿ĩ åħ³ æ² ¼ ç©¿ æIJŃ éĤ£ ä¸Ģ天 çł´ éŨ æĬķæłĩ 人 èµ¢ 家 èĻļ å¼± æ¿ ĥ å®ī æ£Ģ 客 家 çĭ¬ç«ĭ èij£äºĭ æīĭ åĬ¿ åīµ éĢł åľĨ满 å®ĮæĪIJ 为主 线 好å¥ĩ å¿ĥ é¢Ĩ åľŁ çª ĸ åħ¸åŀĭ æ¡Īä¾ĭ çªģåıij äºĭ件 åºķ æ°Ķ 头 æĻķ å®Ľ å¦Ĥ è§ ¸ æ¸ħ æ·¡ åļ ¼ åģľ çĶµ ç²ī å°ĺ éĻįä½İ æĪIJæľ¬ æĶ¾ æīĭ è®°èĢħ 表示 æĭĸ 延 éª ĩ æ®ĭ å¿į çľģ æķĻèĤ² çľģæķĻèĤ² åİħ é«ĺ é¢Ŀ éĦ Ļ æ¥ ŀ åĨħ ç§ij èIJ¥ä¸ļ é¢Ŀ åŁº çŁ³ æµģ æ·Į 主 æŨ éĺIJ éĩĬ 建 åįİ æĥĬ åı¹ çī¢åĽº æłijç«ĭ æĺ¯åIJ¦ åŃĺåľ¨ 建 åĨĽ éĽ¾ éľ¾ åħ¬ 认 åħ¬è®¤ çļĦ æ°¨ åŁº æ°¨åŁº éħ¸ åīį åĩłå¹´ åĪ¹ éĤ£ æ±Ł 举 å·¥ æ¥Ń ä¸ĢçĤ¹ ä¹Łä¸į ä¿® 士 äºĨä¸Ģ éģį åĪ ģ æ»ļ æ»ļ åĪĨ æł¡ 羣 çĪ± è¡Ģ èĦī æĢ¥ åī§ ä¸Ģ群 人 ç¾ ¯ æĪIJ é¾Ļ ç²¾ç¥ŀ çĹħ 缸åħ³ 人åijĺ éĿĵ 丽 ä¸ī åŃ£åº¦ åĪĴ å®ļ ä¸ĸçķĮ 第ä¸Ģ éĢļ ä¿Ĺ åķĨä¸ļ åľ°äº§ åĬŁèĥ½ æĢ§ èµĦæľ¬ 主ä¹ī 详 è§ģ æĬĵ æįķ æĸĩ æĺĮ å®Ŀ å®ī è£ħéħį å¼ı æºIJ æºIJ æºIJæºIJ ä¸įæĸŃ çĶŁ æĢķ 纵 åIJij å£ ½ çľ¼ è¢ĭ èĤī ä½ĵ åı¤ ä»Ĭ èŀį åªĴä½ĵ åģ ī æł¼ æľĥåĵ¡ çĥ · åĬŁ çĶ¨ æīŃ çŁ© 绿èī² éĢļéģĵ åī§ ç»Ħ å¼± åĬ¿ è´¨éĩı éĹ®é¢ĺ éĻIJ é¢Ŀ éª Ĩ éģµ ä¹ī å¯Ŀ 室 æĥ³ 念 åł± åijĬ ä»ħ 次 ä»ħ次 äºİ èŀį åĪĽ æĭĽèģĺ ä¼ļ åºĬ åŀ« 转åŀĭ åıijå±ķ ä¸ŃåĽ½ çĶµä¿¡ åIJ¬ è¯Ŀ è«ĭ æ±Ĥ 大éĥ¨åĪĨ 人 æ´» å¾Ĺ åĵŃ æ³£ è¶ Ļ åıijçĹħ çİĩ ä¸į 符 åĨĽ å®ĺ é¢Ī æ¤İ æĸ°åĨł çĸ«æĥħ æŁ¬ åŁĶ æŁ¬åŁĶ 寨 ä»»ä½ķ å½¢å¼ı 人 éĻħ 人éĻħ åħ³ç³» æĢ» æī¿åĮħ å¹³åĿĩ æ¯ı æģŃ åĸľ åĦ ĺ åħµ 马 è¿Ł åĪ° å·¥ 伤 çīĪæĿĥ å½Ĵ çīĪæĿĥå½Ĵ åİŁ æĭ¥ æĬ¤ ç³Ĭ æ¶Ĥ å¹² æ¶ī å°ij ä¸įäºĨ æĥ³ æī¾ è´¹ çİĩ 该 éĻ¢ èŀį åĮĸ è¿İ åIJĪ è§ĨåIJ¬ èĬĤ缮 æł¼ 網ç«Ļ çľī æ¯Ľ 欢è¿İ 大家 家åºŃ æķĻèĤ² ä¾µ èļĢ ç»Ļ ä½łä»¬ è¡Ģ液 循çݯ å¯Ħ æīĺ å°ĸ åı« 以ä¸ĭ åĩłä¸ª è¿ĺ 以为 åħ¶ä»ĸ çݩ家 ç¬ij ç¬ij æīĵ åIJ¬ èĩªçĦ¶ ç§ijåѦ åŁº ç«Ļ ä¹Ŀ å·ŀ ä¿Ŀ 驾 ä¿Ŀ驾 æĬ¤ ä¿Ŀ驾æĬ¤ èĪª æĶ¾ çľ¼ çŁ¥åIJį ä¼ģä¸ļ ç¸ ® ç¨ ½ æļ ĩ 使çĶ¨ 網路 é¢Ħ çķĻ 大 象 åıijæĺİ ä¸ĵåĪ© æĸĩ 娱 éĢł ç¦ı 湿 润 éĿ¢ æĿ¡ æ¶Īè´¹ åįĩ级 è®Ĭ å¾Ĺ åĩł åIJį ä» Ħ 认 æ¸ħ è¿ľ æĻ¯ æıĴ 座 诸 侯 åıĺ æĢģ ç¦ı 彩 è´§ æŀ¶ 失 æݧ 移åĬ¨ 端 ä¸Ĭ åı¸ éĢł 纸 å¸ĥ æľĹ çĴ ĩ åı° åįĹ åĮĹ京 åĨ¬å¥¥ èĵĿ çīĻ éķ¿ çŁŃ æĬĺ å°Ħ ç»ij æŀ¶ å¯Ĵ åģĩ 转 åŁºåĽł æĢ¥ äºİ æŃ£ åĵģ åħħ 滿 大 纲 æĬĹ ä½ĵ è¨ĵ ç·´ æĶ¶ ç´§ æ¯Ķ è³½ åħµ åĬĽ æľ¬ æĽ¸ äºĮ 代 æĢ¥ è¯Ĭ æĸĩ æ¡Ī ç»ı åķĨ æĻ¨ æĬ¥ æ£ ĺ æĢ»ä¹¦è®° åľ¨ åıĹ éĤĢ äºĶ åĽĽ å²Ń åįĹ çĪ± åIJĥ åŁĥ å°Ķ å¿ĥ å¢ĥ è¦ĨçĽĸ éĿ¢ å®ŀåľ¨æĺ¯ å¤ª æł¹ åºķ 纷纷 表示 åĹ ħ éļıçĿĢ æŶéĹ´ åİĨåı² æĤłä¹ħ éħ ī æĢ» éĺŁ ä¸»é¢ĺ æ´»åĬ¨ éĹ® åį· é©¿ ç«Ļ æı¡ ä½ı åı¯èĥ½ 导èĩ´ æ°ij éĸĵ éĸĭ åķŁ ä½Ĩ ä¸įéĻIJ ä½Ĩä¸įéĻIJ äºİ åįģ éĩĮ å¨ ¥ æįŁ èĢĹ çĸı 导 çݯ æ°§ ç¥ŀ éĢļ çĪ± å°Ķ çĪ±å°Ķ åħ° æľ´ å®ŀ å¿« æĬ¥ æĶ¶ åıĹ æĪĸ 許 èĥĮ éĿ¢ æĸĩåĮĸ ä¼łåªĴ ä¸ī åĢĭ æĶ» åĬ¿ å®ī 举 å®ī举 å°¼ åĿĩ å·² 顾 èĻij éĦ Ń è¿Ļ家 åħ¬åı¸ åħ¬åijĬ 称 æıIJä¾Ľ ä¼ĺè´¨ 稳æŃ¥ æİ¨è¿Ľ å¤į è¯ķ å°Ĩ é¢Ĩ è°Ī èµ· å¨ Ħ è¿ŀ 线 æ©Ł éĹľ åºĶçĶ¨ åľºæĻ¯ çĶ» åĥı è´¢ è¿IJ ä¿Ŀ éļª çĹħ çIJĨ æ¯Ľ 主å¸Ń ä¸Ŀ 毫ä¸į çĪ± å¥ĩ çĪ±å¥ĩ èīº ä¸ĵ家 ç»Ħ åij¼ åĶ¤ éĭ ¼ çģ ¸ é¢ĨåħĪ åľ°ä½į æıIJ æĭĶ 龸 éģĵ å±± åĿ¡ èĿ İ æ²¸ èħ¾ 该 项 ä»Ĭ çĶŁ ä¸Ģç¯ĩ æĸĩç«ł æĸ¹å¼ı è¿Ľè¡Į é»ij 客 æĶ¹ åĬ¨ 主 é¡Į æķ£ å¸ĥ ä»Ģä¹Ī åľ°æĸ¹ åĮĸ åIJĪ åĮĸåIJĪ çī© éĿĻ çĶµ æĢ» æĶ¶åħ¥ å§Ķ ç»Ħç»ĩ å§Ķç»Ħç»ĩ éĥ¨ éĿĻ æĢģ èĢģ åŃĹåı· 室 åıĭ éĥ½ä¸į æķ¢ æŀ¶ åŃIJ çģµ æķı 审 è§Ĩ æĤ£ åĦ¿ å±± 寨 èĸª èµĦ é©° æı´ éĥ¨åĪĨ åĨħ容 好 ä¼¼ æĪIJåijĺ åĽ½ åľ¨æĪij çľĭæĿ¥ åħ³æ³¨ 度 éĻĪ æŁIJ è¿Ļç§į äºĭæĥħ éĢī å®ļ ç²¾ åŃIJ å£ģ çĶ» æ±Ł æ·® é«ĺ æĺĤ æł¼ åĬĽ è¼ © åѦ åłĤ æĤ¨ åIJĮæĦı ä¸ĢåĪĩ éĥ½æĺ¯ æ½ ¤ éĸ ĥ å¸ĮæľĽ èĩªå·± ä¿ ĺ æ±Ł åİ¿ æ³ ¾ ç§ij æķĻ æīĵ è¿Ľ ä¸į æħİ å¯Ĵ åĨ¬ æ¸Ķ æ°ij 鼷 æĸ¯ 主 å®° æĹħ游 度åģĩ çĶµåŃIJ éĤ®ä»¶ æ±Ĥ å©ļ éļİ æ®µ åģ¥èº« æĪ¿ 注æĺİ åĩºå¤Ħ äºĭæķħ åıijçĶŁ 级 以ä¸Ĭ åŃĺ æ´» æĸ½ èĤ¥ èľľ èľĤ åµ © æĮĸæİĺ æľº æĬĹ æĭĴ ä¼ł 导 æĺ¯ä»Ģä¹Ī åij¢ ä¸Ĭå¹´ åIJĮæľŁ 建 åħļ çĶŁ æħĭ ä¿Ŀ ä½ı 款 车åŀĭ 人 èĦī éļIJ èĶ½ 失 æķĪ éģ¿ åŃķ ç®Ģ 便 谢谢 ä½ł å®Ī ä½ı æĶ¾ æĺł è¨Ī çķ« çݰ代 çī©æµģ é¤IJ 廳 æķħ å±ħ 大 大å°ı 大大å°ı å°ı çī¹åĪ« 声æĺİ éģį åıĬ å¿ĥçIJĨ åĴ¨è¯¢ è³ ´ çĮ® è¡Ģ å·²ç»ı è¾¾åĪ° æīĵ æĭĽåij¼ åıĮ è¾¹ ä¸Ģæĸ¹éĿ¢ æĺ¯ å´ĩ å°ļ éĺ¿ å¯Į éĺ¿å¯Į æ±Ĺ æĮģ æľī人 è± ģ é£İ çŃĿ åĬ¨ èį¡ äºĨä¸Ģ ä¼ļ äºĨä¸Ģä¼ļ åĦ¿ ä¸ĩ 象 çľĭ çĶµè§Ĩ åįģä¸ī æĿ¡ çĮĽ çĥĪ è¦ģ ä¸įçĦ¶ 太æŀģ æĭ³ å¼ķ çĪĨ ç»ıè¿ĩ å¤ļå¹´ 游æĪı éĩĮçļĦ é¾Ļ æ³ī æłĩ éħį è®ĵ ä»ĸåĢij éĢł æŀĹ åĮºåŁŁ æĢ§ 亿 ä¸ĩ æĪĺçķ¥ å¸ĥå±Ģ éķĩ æĶ¿åºľ åĶ® 票 çĶŁäº§ å·¥èīº éķĩ åħļå§Ķ ä¸Ńå°ı åŀĭ æľ¨ èĢ³ æ²³ è¾¹ èĦ¾ èĥĥ 欢è¿İ æĤ¨ åıĺ å¼Ĥ 缤 纷 åŀĥåľ¾ 桶 辩 è¯ģ 车 åºĵ æ¯Ķ çİĩ åħ´ æĹº 详ç»Ĩ äºĨ解 å®ī å±ħ çħ§ æĸĻ æĸ¹ æīį èµ ¦ åĨ ķ å¥Ķ èµ´ å®Ŀ 鸡 åľº åĿĩ 缮åīį æŃ£åľ¨ åIJŀ åĻ¬ è¿° èģĮ æĩ µ å¥ĩ çijŀ ä»į å°Ĩ èĪī 辦 å·¥åķĨ å±Ģ å¡ij èĥ¶ åĬŀ å®ŀäºĭ æĸ¹ æĸ¹éĿ¢ æĸ¹æĸ¹éĿ¢ éĿ¢ æĸĩåĮĸ èĬĤ åħ¥ èģĮ é¸ ¥ ç©¿ éĢı 以 ä¹łè¿ijå¹³ åį± éļª æľ¦ èĥ§ åİĨåı² æĢ§ æķŀ å¼Ģ ä¼Ļä¼´ åħ³ç³» çŁ¿ åĮº åĽ½éĻħ åľ¨çº¿ ä¼łå¥ĩ éĩĮéĿ¢ è¿ij äºĽ è¿ijäºĽ å¹´ åĬ£ åĬ¿ æĶ»åĩ» åĬĽ æĻº éĢł ç¦ § çİĭ åħĪçĶŁ éĨ« çĶŁ åĽĽ 项 å®ŀ æĻ¯ åĪĿ åĪĽ å¿ĥ 裡 æĻ¶ ä½ĵ 交 éĻħ 让 æ¶Īè´¹èĢħ 课 æĸĩ æİĴ æ°Ķ 并ä¸į æĦıåij³ 缸 声 第ä¸Ģ å±Ĭ åİŁ èijĹ éĽ ľ 没æľī 太大 è¡¥ æ°´ çī©æµģ ä¼ģä¸ļ 第äºĮ æī¹ åħ¶å®ĥ éĹ®é¢ĺ æİĮ éŨ 责任 å¿ĥ é¤IJ åħ· ç¾Ĭ æ¯Ľ 没æľī å¿ħè¦ģ ä¹IJ åĽ¢ è¿Ľ åŁİ ä¸ĢçĤ¹ åĦ¿ 身 å½¢ çļ®èĤ¤ çĹħ æĺ ± å¢ŀ èĩ³ èģ² æĺİ æıIJ è´¨ ä½ĵèĤ² åľº çŃ¹ 建 é¬ Ĩ 车 çīĮ éļĶ éŁ³ è´Łè´£ åIJĮå¿Ĺ 丰 ç¡ķ ä½Ľ éĻĢ äºī åIJµ åº ¶ æ·¡ æ°´ å°ı çĶ·åŃ© ç§ģ èĩª åĮĸ è¿Ľç¨ĭ æĪĺ士 æĿ¥è¯´ æ²¹ èħ» èĦ±è´« èĩ´å¯Į æĹ¥å¸¸ å·¥ä½ľ 交 èŀį åĨľ è´¸ åĨľè´¸ å¸Ĥåľº åĵĪ çĻ» çĶµ è´¹ èµ ĺ åıĮ èħ¿ æĵĶ å¿ĥ æĿ¥ 形容 使åij½ æĦŁ éĤ£ä¹Ī ç®Ģåįķ èĬĻ èĵī åĢŁæ¬¾ 人 ç§Ģ 丽 è®ĵ ä»ĸ 严åİī æīĵåĩ» è³ ŀ æļ « çħ¤ æ°Ķ çĪ¬ ä¸Ĭ æ½ĩ æ´Ĵ 太 ä¹ħ åij½ åIJį为 è·¯ çĶ± è·¯çĶ± åĻ¨ é© ¯ æıIJ æĹ© æĬĹåĩ» çĸ«æĥħ åĩ Ľ 交 åıĭ éĶĢåĶ® æ¸łéģĵ 毫ä¸į çĬ¹è±« èIJ¥ åľ° çłĶ究 表æĺİ é±¼ ç±» æį¢ å±Ĭ æİ¡ åıĸ çī Ĩ 缼 å¼Ģ 沧 æ¡ij åºŃ 审 ç»ı æŁ¥ åĬł å¼· 缸æ¯Ķ äºİ ä¸ĵ çıŃ ä½ĵ åŀĭ 被 害 被害 人 æĶ¶ 款 åħ·æľī èī¯å¥½ é«ĺå³° æľŁ åģı ä½İ åĦ Ł åĨľä¸ļ ç§ijæĬĢ çī¹æ®Ĭ æĥħåĨµ å¦Ĥæŀľ çݩ家 éķ¿ 约 第åħŃ å±Ĭ åħ¬å¼Ģ æĭĽèģĺ åĪĩ æĸŃ è¿« 使 çĸĹ ç¨ĭ 第äºĮ ç§į ä¸į åħį å¹² èѦ çŁ³ 榴 åĹ £ 两 ç±» çĪµ 士 åŁİ乡 å±ħæ°ij æѤ 项 缴 è¾ĸ 缴è¾ĸ å¸Ĥ åij¼ åºĶ éĴ ¯ ç¦ı å¾· æľº 身 æĵį åľº æ¿Ĵ 临 人群 ä¸Ń èĤ¡ æ°ij åŃ ½ æ³ķ åħ° é¨ İ ç³¯ ç±³ æĢ» çļĦ æĢ»çļĦ æĿ¥è¯´ åħ¸ éĽħ æĸ° éĻĪ æĸ°éĻĪ 代谢 缮 çĿ¹ é¢Ħ è¨Ģ è·Į çł´ æĸ° ç¯ĩç«ł æ¯Ĵ æĢ§ åĸĿ èĮ¶ æŁ¥ èİ· 亮 丽 çĶŁäº§ åķĨ æĶ¹ æĪIJ 为äºĨ æĽ´å¥½ æ·± 交 深交 æīĢ æİ ĥ ä¹Ļ èĤĿ 泸 å·ŀ åħĪè¿Ľ æĬĢæľ¯ è¾ĵ ç»Ļ æķ£ æĪ· æĢĿç»´ æĸ¹å¼ı åºĹ 主 è°ĭ æ±Ĥ 游æĪı æĬĢå·§ ä¸Ģå¹´ 级 çľ¼ è§Ĵ ä¸Ńä»ĭ æľºæŀĦ å·§ åIJĪ éĺ² çĽĹ 导 è´Ń æĪ Ĭ æĽ´ éĢĤåIJĪ åŁºæľ¬ ä¿¡æģ¯ 马 ä¸ģ åħ»æ®ĸ åľº åıį è¿ĩæĿ¥ æݨ å´ĩ å¯ĨåĪĩ åħ³æ³¨ åŁºéĩij ç»ıçIJĨ æĮī éĶ® åĨħéĥ¨ æݧåĪ¶ æĪIJåijĺ åįķä½į æľ¯ è¯Ń åĪ¶ æľį åĪļ éľĢ æ£Ģ ç´¢ 大大 æıIJé«ĺ åģ¥åº· 管çIJĨ èĩª æѤ 客æĪ· éľĢæ±Ĥ 丰 èĥ¸ èµ· éĩį èµ·éĩį æľº æ¬ł 缺 æ¡Ī åŃIJ æĥħ人 èĬĤ åħļ æł¡ è¢ ľ 该 åī§ 迷失 ä¼łå¥ĩ ç»ļ 丽 åķ ª æĹł ç§ģ éĢ² ä¸ĢæŃ¥ 第ä¸Ģ ç«ł åĻ¨ åħ· åĨľ èµĦ 確 實 åºı åĪĹ å¨±ä¹IJ å¹³åı° èŀįèµĦ 秣èµģ èµĦæºIJ åħ±äº« èģ½ åĪ° æIJŀ å¾Ĺ 继ç»Ń ä¿ĿæĮģ åIJ¯ èĴĻ çľ º ä¸Ŀ è·¯ 设æĸ½ 建设 æİ¥ åľ° æİ¥åľ° æ°Ķ 第ä¸ī åŃ£åº¦ åŁº è°ĥ åıij éŁ³ 社ä¼ļ èµĦæľ¬ éĽĩ 主 è¿ŀ èĥľ 没 åķ¥ å» ¢ 赶 èµ´ æ¼Ķ åĮĸ åı¤ æĢª çİĭ çĪ· é¢Ħ åħĪ å¼Ģ åħ· åĽŀ é¦ĸ åľ°ä¸ĭ æ°´ å°ıç¼ĸ ä¸Ģèµ· èµİ åĽŀ åľ° è²Į åĪĿ ä¸ī åı¯ çĶ¨äºİ éģĹ è¿¹ è¿Ļ æī¹ èĸª æ°´ å¿ħçĦ¶ ä¼ļ æ² ½ éį ĭ 第ä¸Ģ éĥ¨ åĪĬ çī© å®ŀ ä¾ĭ æ¸ħ åĩĢ ä¸Ĭ èµĽåŃ£ åĽ¾ 表 éĤ® è½® åĵª 裡 缸 è§ģ æī° ä¹± æ¯ı æ¯ı è¿Ļ è¾ĪåŃIJ ç¡« éħ¸ äºī 缸 溯 æºIJ åĩº ä¼Ĺ çİī çŁ³ åħ± çĶŁ æŶéĹ´ 段 éĩįè¦ģ æĮĩ示 æ¶Īè´¹ éľĢæ±Ĥ éķ¿ éķ¿ éķ¿éķ¿ çļĦ å®ī æĬļ å¢ŀ é«ĺ æľ¬ è½® 亲 çľ¼ é£İ æ³¢ èĢģ å¦Ī æĶ¶è´¹ æłĩåĩĨ åĨħ éĻĨ æĮ¥ åıij åįĩ åѦ èĥ¸ åīį åģı è¿ľ 纯 æ´ģ æĸ½å·¥ åįķä½į 身 ä»· è´¢ åĬĽ çº ¶ è£ħ çĶ² æĺ¾ç¤º åĻ¨ 毫 åįĩ æ·± çŁ¥ èĢ¶ ç© èĢ¶ç© Į è¾ĥ éĩı åľ¨ è¿ĩ渡 åľ¨è¿ĩ渡 æľŁ èĮ Ĺ ä¸Ģ个 æĺŁæľŁ èĬ · è´¿ èµĤ æ¿ ķ æĩĤ äºĭ ç§ § åħħ å½ĵ åĽ½ ç«ĭ èĬ± çĵ£ éĤĦ è¦ģ åħ¬ åľĴ 触 åĬ¨ æ³° å·ŀ ä»Ģä¹Ī æł· æ»ĭ åħ» è¯Ħ åĪ¤ æĮ¥ æīĭ èĦ Ī 姥 姥 è¿IJ è´¹ æ¯ħ åĬĽ å¿ĥ æĻº ä¸į æİĴéĻ¤ 第ä¸ī 代 éĢĢ è´§ æĺŁ éĻħ æ°¸ åĪ© æĬ¤ åį« çıŃ è½¦ è¨Ģ è¡Į ç¹ ª 主åĬ¨ æĢ§ å·¥ç¨ĭ è´¨éĩı éĥĬ åĮº ä¸Ģ æłĭ ä½Ĩ å®ŀéĻħä¸Ĭ ä¸ī大 èģĮä¸ļ åij¼ åı« 女 åħĴ è¯ģåĪ¸ æĬķèµĦ èĢĥ æħ® çĤ« èĢĢ æ²» 好 åĺ ¶ èĥ ¤ åħīä¼ı åıijçĶµ åĩł æŃ¥ æīĢ æīĢ æīĢæīĢ éķ¿ çħ§ æł· åĵ¥ 们 è¯ Ľ è¿Ļä¸Ģ åĪ» çŁ¿ çī©è´¨ ä¸įå¾Ĺ å·² åIJĮ 缣 ç»Ĩ å¾® è·¯ èĻİ çĻ¾ èĬ± æ·· æ²Į ä¸Ĭæµ· è¯ģåĪ¸ éĢĢ ç¨İ èµŀ åı¹ æī®æ¼Ķ 游æĪı åIJį åĪĹ åIJįåĪĹ åīį åIJįåĪĹåīį èĮħ ç±³ å°Ķ ä»Ģä¹Ī åİŁåĽł å®īåħ¨ ä¿Ŀéļľ ä¸Ģåıª æīĭ ä¹³ ä¸ļ ä¸į çĶĺ æĥħ åķĨ æĮ¡ ä½ı åİŁåĽł ä¹ĭä¸Ģ è¿Ļ 两天 çĥĺ çĦĻ è± ¬ ä½ł 以为 没 è§ģè¿ĩ åĵªå®¶ 好 åīį ä»» è¿Ľ è´§ éĢĢ åĽŀ 串 èģĶ èĩ³ æĸ¼ åĨ° æ·ĩ åĨ°æ·ĩ æ·ĭ æŁ¥çľĭ 详æĥħ çı¾ 實 æݨ æµĭ æİ¥ æīĭ éļ¶ å±ŀäºİ åŁİå¸Ĥ 群 æĿİ åħĪçĶŁ çŁ¿ æ³īæ°´ çī¹ ä»· æĽ´å¤ļ 精彩 ç¨ĭ å¼ı 读 æĩĤ å±ı èĶ½ 奥 æŀĹ å¥¥æŀĹ åĮ¹ 奥æŀĹåĮ¹ åħĭ 红 èĸ¯ å¥ ® å®Ŀ çİī 網 絡 è² § 欧 å¼ı çĻ½ ç³ĸ èĩªçĦ¶ çģ¾å®³ åijĬè¯ī 她 å» ļ çĤ¹åĩ» æŁ¥çľĭ é£İ 湿 èµĦ产 éĩįç»Ħ ä¹Łä¸į ä¾ĭå¤ĸ åįĬ 个å°ıæŶ åIJ¸å¼ķ æĽ´å¤ļ æŶéĹ´ èĬĤçĤ¹ æĶ¶ 纳 åIJ¸ æ¯Ĵ èĢģ 乡 çIJ ħ æľĢ çµĤ åıį æĦŁ çĶ¨ 微信 çĶ¨å¾®ä¿¡ æī« éĢŁ çİĩ 大 çĨĬçĮ« åı¯ æĥ³ åı¯æĥ³ èĢĮ åı¯æĥ³èĢĮ çŁ¥ åĴ § èµ° åħ¥ 碳 éħ¸ èĮĥ åĨ° èĮĥåĨ° åĨ° 被 åĪ¤ 积æŀģ æݨåĬ¨ 足 足 ç²Ĵ åŃIJ 大 å®Ĺ 大å®Ĺ åķĨåĵģ ç½ij绾 ç§ijæĬĢ æĽ¼ åŁİ å·² ä¹ħ å·²ä¹ħ çļĦ 秦 çļĩ 秦çļĩ å²Ľ ä»» æķĻ åĶ¯ ç¾İ æ·¡ åĮĸ æ¡Ĥ èĬ± çŁ¥è¯Ĩ åĪĨåŃIJ æĩĴ å¾Ĺ 主 åħ¬ 设计 çIJĨ念 è³ º æīĢ æıIJä¾Ľ æīĢæıIJä¾Ľ ä¹ĭ æĶ» åħĭ åĤ ¾ è¯Ń æ³ķ åįĥ åı¤ éĸĭ æĶ¾ 第ä¸Ģ èĬĤ éĤĦ æ²Ĵ éĢĥ çĶŁ æ³ Ĺ åİ¿ å§Ķ书记 ä½ľèĢħ æīĢæľī çħ ½ ç» ħ æł ħ æľ´ ç´ł çijķ çĸµ åĮħ åĮħ æ°ij主 åħļ ä¸į è¿ľå¤Ħ å¥ĩ å¼Ĥ åĺ» åĺ» æī ¼ ç¿» å¼Ģ æĢİ èĥ½ éģ´ éĢī 解 éĩĭ å¹¼ ç¨ļ è¦ģ 好好 趴 åľ¨ ç´¢ åıĸ ç»Ī çĶŁ åħ¨ æµģç¨ĭ éģ© çķ¶ åįıè°ĥ åıijå±ķ æĬ¥ ä»ĩ ç§ijæĬĢ åĽŃ ä»Ģä¹Ī éĥ½ä¸į æľĢåIJİ ä¸Ģ次 ç»Ļ人 ä¸Ģç§į æł¸ å®ļ 被 åĪĹåħ¥ æĦı æĥ³ä¸įåĪ° èĢĥ æŁ¥ åľ¨æѤ ä¹ĭåīį æīĵ çIJĥ è¶ĬæĿ¥è¶Ĭ å°ij å®ļ å¾ĭ è¡ĮæĶ¿ æľºåħ³ ä½ıæĪ¿ åħ¬ç§¯ å°ıå§IJ å§IJ ä¸ī èı± ä¿® è¡¥ èŀĥ èŁ¹ 西 çĶ² æĢ ł çŃī å¤ļ项 产ä¸ļ éĽĨèģļ ä»·æł¼ ä¸Ĭ涨 åħ¬åħ± åľºæīĢ è¢ĭ åŃIJ æĨ§ æĨ¬ çļĦæĸ¹å¼ı æĿ¥ åĪ° è´¦ çģ ½ å·´ èı² å·´èı² çī¹ æ¼Ķ ä¹ł èŃ¦ç¤º æķĻèĤ² çķı æĥ§ å¼ķ æµģ æĶ¶ æĶ¯ å±Ĥ åĩº å±Ĥåĩº ä¸į å±Ĥåĩºä¸į ç©· æijĩ æ»ļ 辦 çIJĨ 纵 è§Ĥ æķij æµİ 家 éĥ½çŁ¥éģĵ åĮ ¯ å°ı 鸣 ä»» åĭĻ 计 åħ¥ ç«ŀ éĢī å¼ĢèįĴ æĹ¶æľŁ åij¨ æģ© åij¨æģ© æĿ¥ 交 ç»ĩ çķ¢ æ¥Ń æł¹æį® èĩªå·± æĸ°äºº çݩ家 åѵåĮĸ åĻ¨ éĩĩ æļĸ å¹³åĿĩ æ°´å¹³ åħ¬å¼Ģ 课 失 åĪ© 伺 æľį çĬ ģ 忽 æĤł 主è¦ģ éĽĨä¸Ń æ¤į æłij æ¯Ĺ éĤ» èĩº çģ£ åĩºåĽ½ çķĻåѦ æĬĹ éľĩ æĥ© æĪĴ å¹´åºķ åīį åĴ¸ éĺ³ æ°ij å±ħ 大çIJĨ çŁ³ éĿ ³ éķ ĸ æ¸ħ è¿ľ è£ħ è½½ èĩ Ģ å½± ä¸ļ å¼Ł åħĦ æĤ² è§Ĥ çĿĢçľ¼ äºİ æįį åį« åī¥ 夺 ç¯ Ĩ å¾Ī éķ¿æŶéĹ´ è¥ Ł 第ä¸Ģ çĻ¾ ä¸ĢåĪĨ éĴ± æĸ°éĹ» è®°èĢħ éķ· æľŁ æ³ķ æĪĺç»ĦåIJĪ è°ģ çŁ¥éģĵ èħ° éĥ¨ æ±ī åł¡ åħ¥ çĿ¡ åįĸ æİī æ¶Īè²» èĢħ æĥ¯ ä¾ĭ æĥ³ äºĨ æĥ³äºĨ æĥ³ èĢģæŧ å°ıåĮº ä¼ł è¨Ģ åĪĨæķ° 线 æµģ 泪 ç»Ħç»ĩ é¢Ĩ导 äºļ åĨĽ å¢ŀåĢ¼ æľįåĬ¡ å¾ ¹ ä¼ ¶ äºĽ 许 å¸ĥ èݱ 强 æĤį 宫 å»· 绿 èĮ¶ åĮ ¡ å¾Ī æŃ£å¸¸ æĺ¥ å¤ı æ¯ Ļ è¯Ħ æ¯Ķ åĩ¡ äºĭ æĬī æĭ© åĢĴ éľī éĩį 度 åįıä¼ļ ä¼ļéķ¿ 忧 èĻij ä¸ĭ ä¸Ģç¯ĩ 沪 æ·± æĪ İ æīĵ ä»Ĺ åįĪ é¥Ń å¹´é¾Ħ 段 ä¸ŃåĽ½ 足çIJĥ 设计 æĸ¹æ¡Ī åºĶçĶ¨ æŁ¥çľĭ é¢Ħ æĸĻ åĹ ¡ ç¥ĸ çĪ¶ çļĦä¸Ģ åijĺ æ´Ĺ å¹²åĩĢ åİĨåı² æĸ° åİĨåı²æĸ° é«ĺ çĭ¬ åħ· æħĭ 度 æīĵ 交 æīĵ交 éģĵ é»Ħ çŁ³ çĽ¼ æľĽ çī§ åľº 转 弯 åįĩ åįİ åĨį ä¹Łæ²¡æľī èĭ± æīį æĽ´ åIJį为 åĢŁ çĶ¨ çºł éĶĻ ç»Ŀ对 ä¸įä¼ļ çİĭ çīĮ çĽĨ åľ° 失 è°ĥ 好 象 é³ ¥ ä¿Ŀ ä¿® åĽĽä¸ª èĩªä¿¡ 头 çļ® åİŁ åīĩ æĬ¥ æ¡Ī 奴 éļ¶ å³ Ļ è°ĥ æĸĻ ä¹Ł 許 èIJ½ åĪ° èIJ½åĪ° å®ŀ èIJ½åĪ°å®ŀ å¤Ħ çĦļ çĥ§ çĶŁæ´» çݯå¢ĥ åºĶ åıĬæŶ è¶Ĭ è¿ĩ æĦŁ è¬Ŀ æĻ¯ å¾· æĻ¯å¾· éķĩ çĬ Ģ 身 éĤĬ ç¨İåĬ¡ æĢ»å±Ģ åĩĢ åľŁ ä¾µ åįł åĬ¨ å·¥ å¹´ ä¹ĭ å¹´ä¹ĭ ä¹ħ 第äºĮ èĬĤ åĬ¨çī© åĽŃ 第ä¸Ģ 书记 éħ ļ çĶŁäº§ 设å¤ĩ æŁIJç§į ç¨ĭ度 åľ Ń åĩŃåĢŁ çĿĢ éĺħ è§Ī çĻ½ æ²Ļ æ²¹ çĥŁ çªģçł´ åı£ åıĹ å½±åĵį åı¯ä»¥ æĽ´å¥½ å³° åĢ¼ æĿĤ è´¨ 宿 è¿ģ çĽĺ æ´» æ¿Ģ èµ· åĦ¿ ç§ij åĿIJ èIJ½åľ¨ æĮª å¨ģ æµ· å²Ľ 绣 绣 éĻ ¨ ä¼ĺ äºİ å°Ī 家 ä¸Ģ éĤĬ èIJ Ĭ äºĨä¸Ģ åı£ æ²ĥå°Ķ æ²ĥ æŃ£å¸¸ 使çĶ¨ æĻ®éģį åŃĺåľ¨ 丰 满 çĶ» åį· åºĶ æĶ¶ åºĶæĶ¶ è´¦ åºĶæĶ¶è´¦ 款 å®Įæķ´ çĥŃ å®Įæķ´çĥŃ æ¦ľ 注 è§Ĩ çĨ Ħ èº ¬ éĶĢåĶ® 人åijĺ è¶ĭ åIJij çĦ¦ æĢ¥ åįģå¹´ åīį ä¼łç»Ł 产ä¸ļ 質 éĩı åĩ¤åĩ° ç½ij èµĦæºIJ æķ´åIJĪ æ¶Į åħ¥ æĸĩåĮĸ ä¼łæĴŃ çķĮ 第ä¸Ģ æ°´ æ³µ 宫 殿 æİ¢ 寻 ä¿® åīª æĦı è¦ĭ ç´Ĭ ä¹± æĽ ī çĻ½ è¡£ èĻİ åį« ç´§ æī£ å¤Ħå¤Ħ éķ¿ åĪĽå»º å·¥ä½ľ 红 æŀ£ 饼 å¹² äºĨ åįĬ天 ä¼ļå½±åĵį åĪ° çĽ¸ä¿¡ 大家 èħ¾ é£ŀ å°± å¦ĤåIJĮ ä¸ĭéĿ¢ å°ıç¼ĸ æ°ijèIJ¥ ç»ıæµİ æĻ ¦ è£ħ æī® é»ij å¤ľ 常 å¾· å·¥ä¸ļ 大åѦ æĺİ çŁ¥ éĺŁåijĺ 们 åIJ¬ 课 æ¯ı éļĶ 羣æĺ¯ å¤ª åIJĪä½ľ åħ±èµ¢ çIJĨ åıij æīį å¹² çľĭ èµ·ä¾Ĩ 殿 ä¸ĭ å®ī éĺ³ æīĢ 产çĶŁçļĦ éĽĩ ä½£ æĬ¬èµ· 头 æį® æĬ¥éģĵ éļĨéĩį 举è¡Į 交 éĶĻ è¶ħ é¢Ŀ åĮĸ çĸĹ é¡ Ĩ 纵 æ·± çĪ±åĽ½ 主ä¹ī éĻ¢ åī¯éĻ¢éķ¿ è® ³ 羣æŃ£ åģļåĪ° åѤ åįķ èĩªçĦ¶ èĢĮ èĩªçĦ¶èĢĮ çĦ¶ ä¿® 身 èĬ ¹ æģ¯ æģ¯ æģ¯æģ¯ 缸åħ³ 驾 æł¡ æİ© 饰 æ³½ è¿ŀ æ³½è¿ŀ æĸ¯åŁº 举 æŃ¢ 管çIJĨ ä½ĵåĪ¶ åħ¶ä¸Ń ä¹ĭä¸Ģ æĿ¾ å¼Ľ æĭ¦ æĪª åį« åģ¥ åį«åģ¥ å§Ķ ä»İ åݻ年 åĤ ¢ è´Ń 票 åĽ¾ æłĩ æ²³ 西 æ°ijæĶ¿ å±Ģ ç§ģ èIJ¥ å¤ĸåĽ½ è¯Ń å¹² è´§ æĵ¦ æĭŃ åľ° ä¸Ń åľ°ä¸Ń æµ· æµĵ æµĵ æµĵæµĵ çļĦ å§ĭ 建 å§ĭ建 äºİ ç¶ĵ æŃ· è·¯ æ¼Ķ æļ´ é£İ åŁº è¾ħ æī¶è´« å·¥ä½ľ ä¸Ģ缴 å¤Ħäºİ æĥħ 趣 äºĮ åŃ£åº¦ åİĮ æģ¶ 顺åĪ© å®ĮæĪIJ æŁ¥ å°ģ 顶 端 ä¸į åŃķ ä¸Ģ大 åłĨ 被 æ·ĺæ±° æĺ¯ çĶ¨æĿ¥ æľĢ åIJĪéĢĤ 亮 çľ¼ 并ä¸įæĺ¯ å¾Ī ç§ijçłĶ éĻ¢ ç§ijçłĶéĻ¢ æīĢ ç² Ł é¢Ī éĥ¨ é»ĺé»ĺ åľ° é«ĺä¸Ń çĶŁ æĹıèĩªæ²» åİ¿ æķĻåѦ è´¨éĩı æĪĺ çģ« åĿİ åĿ· æIJŃ ä¹ĺ è¯Ĺ æĦı åĪij èѦ åĩº æ±Ĺ åįģåħŃ æĿ¡ 请 åıĬæŶ åĨľä¸ļ 大åѦ èIJ½ åı¶ æĢ» èĢĮè¨Ģ æĢ»èĢĮè¨Ģ ä¹ĭ æĿľ åħ° æĿľåħ° çī¹ éĻª ä½ł åħ¬ æĬ¥ çķĻè¨Ģ æĿ¿ éĺħ åİĨ 競 çĪŃ ç»Ļ åĪ«äºº æĹ¥æĬ¥ 社 åĿIJ èIJ½ åĿIJèIJ½ äºİ éĩij åŃĹ éĩijåŃĹ å¡Ķ åĽ ¤ è¯Ŀ åī§ æĮģç»Ń æİ¨è¿Ľ æ¼ı æ°´ 詳 ç´° æĢĢ æĬ± åıĺ å¹» 饥 饿 éļIJ 身 个 èµĽåŃ£ åĵ¡ å·¥ æģ¢å¤į æŃ£å¸¸ äºĨ 好å¤ļ æĺŁ å·´ æĺŁå·´ åħĭ åħī çݯ å¸ħ åĵ¥ çĻ½ éĽª ç¨į ç¨į 计 æıIJ æĦĽ æĥħ éİ ĸ ä¿¡ éĺ³ è§Ģ å¯Ł å¦Ĥæŀľä½ł æĥ³ 缸æ¯Ķ ä¹ĭä¸ĭ 解 å¼Ģ æīĵåį° æľº 身 躯 ç²¾ç¥ŀ æĸĩæĺİ èĤ¡ æĮĩ å¾® åĪĽ 红 èĮ¶ èĩ´ çĻĮ æģ© æĸ½ èħ¿ éĥ¨ 大åŀĭ å¤ļ人 å®ī åĢį è¾ħ导 åijĺ èĪª éģĵ å¸ĥ å°Ķ åįĹå®ģ å¸Ĥ ä¸ĬçıŃ æĹı 侧 ç»ĵæŀĦæĢ§ 追 éļı å½ĵåľ° æĶ¿åºľ èµ° åĩºæĿ¥ éĩijèŀį ä¸ļ 丼 书 é¡¹çĽ® ç»ıçIJĨ è¿ĩ æĪ· 骨 æŀ¶ è¡ Ļ ä»Ģ 麽 èħ ĭ è¦ģ 害 åľ¨ åºĬä¸Ĭ 代è¨Ģ 人 並 å°ĩ åIJĦ个 æĸ¹éĿ¢ è°´ è´£ åħ± æĮ¯ åį³å°Ĩ åĪ°æĿ¥ èĤº çĻĮ ä¾Ľ éĶĢ 丼 æŀĹ èµ ĥ åįģä½Ļ å¹´ åĭĺ æİ¢ 飵 åij³ èĭ¦ ç¬ij æľĢ大 ç¨ĭ度 éĩįçĤ¹ åħ³æ³¨ ä¹ĭ 举 满 æĢĢ åıĹåĪ° å½±åĵį æĭĽ æĬķæłĩ è¡¥ é½IJ 西 红 西红 æŁ¿ é¬ § è£ħ åį¸ éĤ» éĩĮ èĤĩ äºĭ æİĴ æ¯Ĵ åѤ åĦ¿ 鼶 è·Ŀ离 å®ŀ å¹² çľĭ æŁ¥çľĭ æĶ¶è´¹ ç«Ļ ç» · åħ¬çĽĬ æĢ§ éĢĴ ç»Ļ æĶ» æīĵ æĺŁçº§ éħĴåºĹ æĺİ åªļ çį¨ ç«ĭ è¯Ŀè¯Ń æĿĥ ä¸ĢæŃ¥ ä¸ĢæŃ¥ 书æ³ķ 家 æľªç»ı æİĪæĿĥ çŁ³ èĨı åĩŃ ä»Ģä¹Ī çļĦ æĹ¥ çļĦæĹ¥ åŃIJéĩĮ 诱 人 çĻ¾åĪĨ çĻ¾ èĪĪ 趣 å¼ł åħĪçĶŁ èĢģçĪ· åŃIJ æ³¢ çī¹ åŁºéĩij 份é¢Ŀ æ²Ļåıij ä¸Ĭ å¥ĭæĸŠ缮æłĩ æ°¢ èĥ½ æ²ĥå°Ķ çİĽ 義 åĭĻ éŁ³ ç®± æ²ī 浸 æ²ī浸 åľ¨ èĭ± åľĭ çģ¯ çģ« è¿Ľ 项 两 端 ä¹Ķ 丹 èĦ¸ é¢Ĭ åıijå±ķ æ½ľåĬĽ åĭķ ä½ľ åĵĪ ä½Ľ å®´ ä¼ļ æ§ į ç«ĭ å¿Ĺ ç¡ķ士 åѦä½į åĭĭ ç«ł è¿Ļ åľºæ¯ĶèµĽ æĮģ å¹³ éķĢ éĶĮ èĭ± çī¹ èĭ±çī¹ å°Ķ æķĻ èģĮå·¥ åĬŁ åĬĽ 该 æ¡Ī ä¸Ģ æ¢Ŀ åĺī å¹´ åĺīå¹´ åįİ è¿« ä¸įåıĬ è¿«ä¸įåıĬ å¾ħ è¿Ļ个 æĹ¶ä»£ 精彩 æĴŃæĬ¥ 人 èĦ¸ 人èĦ¸ è¯ĨåĪ« æ£Ģå¯Ł å®ĺ å°ı èħ¿ éĨĴ 缮 åħļ æĢ» åħļæĢ» æĶ¯ æĪ Ł èĮ« çĦ¶ è±Ĩ æµĨ 主 æ²» éĿĴæµ· çľģ åĪijäºĭ 责任 çł ° ä¹ĭ æ¬ĬåĪ© äºĶ å®ĺ è¿· æĥij åħ¥ åºĵ 家 纺 å¼¹ ç°§ åįģäºĶ æĿ¡ ç»Ļ å®Ŀå®Ŀ èĪªç©º èĪªå¤© å¾Ģ å¤ĸ å¼ķ åĬĽ çľ¼ çļ® æ¶ī 足 æĿ¥ 宾 åľ¨çº¿ è§Ĵèī² çĥŃ éĶĢ æµģ éĢĿ 泡 泡 éĻį å¹ħ è´ŁéĿ¢ å½±åĵį 红 楼 红楼 梦 éļĶ çĿĢ ä¾¥ 幸 许 ä¹ħ åĴĮ çĿ¦ èŃ ½ 使çĶ¨èĢħ æĪĸ ä¹° åįķ è¿ ´ é£İ æīĩ æķĻ 師 æ¡ĮåŃIJ ä¸Ĭ å¾Ī æ¼Ĥ亮 åł± å°İ 第ä¸Ģ åŃ£åº¦ ç©© å®ļ æĤ² åĵĢ çĿĢåĬĽ æīĵéĢł æĮ Ł è·¯ æ¡¥ åij IJ åľ£è¯ŀ èĬĤ çļĩ åŃIJ ä»ĩ æģ¨ éħĿ éħ¿ ä¸į éĹ´ ä¸įéĹ´ æĸŃ æĮĩ å°ĸ ä¸ŃåĽ½ ç½ij游 åŀ £ æĦıè§ģ 建议 æ¯ħ çĦ¶ 亮 度 èģĶ è°Ĭ å½ķ åħ¥ åĦ ² å¨ĺ 家 ç§ij å°Ķ ä¹Łæ²¡ ä»Ģä¹Ī æł¹æį® ä¸įåIJĮ åı¶ ä¿® åĢ¼ å®Ī æľ« 端 åĪ ¨ åĤµ åĭĻ èģ¯ åIJĪ å¥ĩ å¹» èĻļ æŀĦ é»Ħ æĺı å¹³ åĿ¦ æµģ æ°ĵ æĸ° åŁºå»º æĮ½ æķij åįİ å°Ķ åįİå°Ķ è¡Ĺ æľĢ åıĹ欢è¿İ ç»Ń 约 å¼Ĭ 端 éŃĶ æ³ķå¸Ī éŃĶæ³ķå¸Ī åĴĮ åħ·ä½ĵ åĨħ容 çIJī çĴĥ æī© 容 èĮ¶ åĽŃ 主ä¹ī èĢħ ç«ĭ éĿ¢ æİ¥åıĹ éĩĩ访 åĩº åħ¥å¢ĥ ç§ij åįı éĴ ³ çµIJ æ§ĭ ç»ĵæŀľ æĺ¾ç¤º åı° è´¦ å°± æĿ¥çľĭçľĭ èĩª æķij åıį æĩī åİ» åĵªåĦ¿ è¿Ļ é¦ĸ è¿Ļé¦ĸ æŃĮ åIJ¬ ä¼Ĺ å¤ĸ 壳 ä½ĵèĤ² é¦Ĩ 實 æĸ½ èŀº ä¸Ŀ æĭī åįĩ çĮĽ åľ° åħ¨åĽ½ 人æ°ij æĤī å°¼ æĹı 群 åĽ¢ åijĺ 两个 å°ıæŶ åľ¨ çݩ家 åľ¨çݩ家 ä¸Ń çĶľ çĶľ æĬķ è¡Į åįĶ æľĥ éĻ ¡ åĬłå·¥ åİĤ æ¦Ĩ æŀĹ æŃ» è§Ĵ åĨħ å¹ķ æīĢæľī æĥħèĬĤ åĪ· åį¡ æ°´ èĤ¿ èĥĥ åı£ å«Į å¼ĥ æ²® 丧 ä¸īå¹´ 级 æ¶Ĥ å±Ĥ å¿ĥ 仪 å¿ĥ仪 çļĦ å¤ Ń é¦ĸ è½® æĹłè®ºæĺ¯ åħ¶ éĢı æ°Ķ äºĮ åįģäºĶ ç® « åĬŁ åĬ³ çŃ¾ ä¸ĭ æ²ī è¿· æķij åij½ éĹª éĹª åIJĥ äºı å±ķ åĵģ åį³æŶ åıijçĶŁ ç¶ ľ 綾 åIJĪ æłĩ æĺİ çľĭ çĶµå½± åħ¬ ç«ł éĺ¿ æ£® éĺ¿æ£® 纳 身 åĪĽéĢł 身åĪĽéĢł çļĦ æ¸Ľ å°ij åĢ¼å¾Ĺ åħ³æ³¨ 鼶åĶ® åķĨ æįĨ ç»ij è¸ı åħ¥ èĽ Ł æŁ´ 纳 èĢģ åħµ 绿èī² çݯä¿Ŀ é¹ Ń éº» æľ¨ æıŃ çīĮ è¿Ļ款 车 ç¾İ å¾· ç¾İå¾· åħ¬åı¸ æ¶ § è°ģ çŁ¥ æ´ĭ èij± æ¯į æł¡ ä¸Ģ éĹª çĶ· 主è§Ĵ æĹłçº¿ çĶµ å±ł å®° æĺ¯ éŁ©åĽ½ æĺ¯éŁ©åĽ½ 娱 容 è²Į åĿĩ 使åħ¶ 太 å¿« å¹´ çĶ± å¹´çĶ± 缼 èĭ¦ èĭ¦ åĬĽ è¿ĺæĺ¯ åĬĽè¿ĺæĺ¯ èĩª æĨ © èģ¯ 絡 åĶ ¾ åħ·æľī æĪĺ士 追 éĹ® åłĨ æĶ¾ åıį 驳 å®ŀäºĭ æ±Ĥ å®ŀäºĭæ±Ĥ æĺ¯ åѸ éĻ¢ åįģ åĩłä¸ª æķij æĬ¤ æķijæĬ¤ 车 ç½ij绾 ä¼łæĴŃ åįģåħ« å±Ĭ éĥ¨ åī¯ éĥ¨åī¯ éĥ¨éķ¿ çĹ´ è¿· 管çIJĨ æĿ¡ä¾ĭ èŀį 为ä¸Ģä½ĵ æĢ» 产åĢ¼ è³ ĵ ä¸ĥ æĺŁ çıŃ ç»Ħ 绣 é¢Ĩ 请 大家 éĩij éĻµ èĪħ èĪħ æµ· æ¹¾ æĸ½ çŃĸ 享 èªī éº ¥ 端 åįĪ 绿 åŁİ 確 ä¿Ŀ å·´ æĭī åĨĴ çĿĢ æħ· æħ¨ 个人 è§ĤçĤ¹ ä¹Ļ çĥ¯ ç¡ħ è°· éĸĭ å±ķ å°ļ 书 åĿļ 飧 åº µ èĢģ é¾Ħ èĢģé¾Ħ åĮĸ 羨 çľ¼ 绿 æ°´ 绿水 éĿĴå±± 书 é¦Ļ 主åĬĽ åĨĽ æīįæĺ¯ çľŁæŃ£ æĬ¢ åħĪ æĪIJå°± æĦŁ éĩį æŀĦ éĴ¢ åİĤ æĪIJ 份 èĬ± 纹 ä¹ĭ äºī å¹² ç»Ĩèĥŀ æĹ¢ åı¯ä»¥ ç¹ģ çIJIJ æĦļ èł¢ éĿŀ常 æĺİæĺ¾ ä½ĵ 彩 æĬĢ æ³ķ æĿĨ èıĮ å¹¿æ³Ľ åħ³æ³¨ åĮĹ å®ĭ å§Ĭ 妹 åįı åĬŀ æ·® åįĹ çĥ ı æ´Ĺ èĦ¸ åıĹ è®¿ åıĹ访 èĢħ éĩįè¦ģ åĽłç´ł å½±è§Ĩ åī§ 综èīº èĬĤ缮 èľķ åıĺ äºĮ 线 äºĮ线 åŁİå¸Ĥ ä¼Ĭ å§ĭ çıĬ çijļ èĩª æŁ¥ åħ¥ åĽŃ åĩ¶ æīĭ åħ¬ è¯ī éģĩ éļ¾ éĩĩçŁ¿ çŃī èĩª çIJĨ åĸ· æ¶Ĥ æī© åħħ éĢı è§Ĩ é«ĺéĢŁ å¢ŀéķ¿ åĽ¾ çĶ» ç¾ ¹ èĤĩ åºĨ è¾ľ è´Ł èµĶ ä»ĺ è· ¡ åģ¥åº· æĪIJéķ¿ 以ä¸Ĭ åѦåİĨ åıĸå¾Ĺ 以åıĬ æ²ī 积 åįģä¹Ŀ å±Ĭ 缸éĹľ æľįåĭĻ æī§ åĭ¤ åī¯ åİ¿éķ¿ å¯ ° åģľ æ»ŀ æ·¹ 没 çŁ³ çģ° çį ¸ åĢ ¦ ç¾İ åªĴ æķĻ æ¡Ī åĬł çĽĸ åħ¬å¼Ģ èµĽ å¥ł åŁº æĺĨ èĻ« çŀ ħ 磷 éħ¸ äºī åĪĽ çİĭ æĻĵ ç¼ĵ åĨ² åİļ åİļ åİļåİļ çļĦ æŀ£ åºĦ ç²¾ çĽĬ ç²¾çĽĬ æ±Ĥ ç²¾çĽĬæ±Ĥ ç²¾ åĪĨæĶ¯ æľºæŀĦ å®ŀæĸ½ ç»ĨåĪĻ æĸ° èµĽåŃ£ 總 çµ± éĢł è¡Ģ é¢ĩ åħ· é»Ħ åŁĶ è¡Ģ èĦĤ 交éĢļ å·¥åħ· å³ ¥ æĹıèĩªæ²» å·ŀ 寺 éĻ¢ 確 å®ļ æ¦Ĥ念 èĤ¡ æĦŁ å®ĺ æŁľ åı° åĶ Ķ çŀŃ解 並 æĢ» ä»· åIJ¸ åħ¥ æĢ ¼ æĻļ éĹ´ å±Ĭ æ¯ķä¸ļçĶŁ çĶŁ å§ľ éĺħ读 åħ¨æĸĩ å¾ĹåĪ° æľīæķĪ æIJľ æķij åİĨ æĿ¥ èŃī æĺİ åĥ » èĨ³ é£Ł åĦĦ åħĥ æīĵ åİĭ 宾 客 åķ ¼ ä¸ĢçĻ¾ å¤ļ æ·±åħ¥ 人å¿ĥ æ¢ħ å·ŀ çłĶ åѦ åħ³ ä¹İ è¼ Ľ 亲 åıĭ éħį æĸĻ æĪij çĪ±ä½ł è´¸æĺĵ æĪĺ æľī èī² æľīèī² éĩijå±ŀ æįIJ åĬ© 为 é¦ĸ 为é¦ĸ çļĦ å¯Į åĬĽ çĶ· ç¥ŀ é³ ³ æµĩ æ°´ åIJ ± æĺİç¡® æıIJåĩº åı¹ äºĨ åı¹äºĨ åı£æ°Ķ 礼 æĭľ è¿Ļ个 åIJįåŃĹ ä¿¡ å¾Ĵ å¿Ĺ 强 éĻIJ æŶ æĶ¶ è²» åĨľå®¶ ä¹IJ å°ıé¾Ļ èĻ¾ èIJ½ å¹ķ æ§ Ł åѦ 龸 æĪĸ å¤ļ æĪĸå¤ļ æĪĸ æĪĸå¤ļæĪĸ å°ij 座è°Ī ä¼ļä¸Ĭ æ¶ ¼ éŃĶ çİĭ å² ± 顶 å±Ĥ 顶å±Ĥ 设计 èĦij åŃIJéĩĮ éĻ¢ åŃIJéĩĮ 轩 è¾ķ 身å¿ĥ åģ¥åº· èħ ij éĹľ 注 åıĤåĬł ä¼ļè®® ä¸Ńåįİ æĸĩåĮĸ 追 寻 å®ī çĦ¶ é£Ļ åįĩ éŁŃ èıľ é¸ ¦ åĤ¨ éĩı çĶ· æĸ¹ å¤ĩ 份 æijĶ åĢĴ 润æ»ij æ²¹ éĢ¼ è¿ij çĶ³ è¯ī 鸣 ç±» çŁ³æ²¹ åĮĸå·¥ åĿļ æŀľ è¿Ļ家 ä¼Ļ æĭĴ ä¸į 羣 çļ® è·Ŀ éĽ¢ è¿ĺ æĮº éĽķ åĥı åĪĿ æģĭ æıIJä¾Ľ æĽ´å¤ļ æŁ¥çľĭ åħ¨æĸĩ æķ°åŃĹ è´§å¸ģ åĸī åĴĻ åı¦ä¸Ģ ä½į åĤ¬ åĮĸ åĤ¬åĮĸ åīĤ ä»İæĿ¥ 没 å¯ĨåĪĩ 缸åħ³ éĥ¨ 主任 产åĵģ ç»ıçIJĨ 並 åIJĮæĦı èIJ½ åħ¥ å±ıå¹ķ ä¸Ĭ åħ¬åı¸ ç«łç¨ĭ æį¢ åı¥è¯Ŀ æį¢åı¥è¯Ŀ 说 ä½į æĸ¼ ä½ Ķ åĩ» æĿĢ 缸 è¾ĥ 缸è¾ĥ äºİ ç²½ åŃIJ åįĹ æŀģ 宫 é¢Ī è£ģ åijĺ æĺİ ç»Ĩ ä»·åĢ¼ éĵ¾ åĽĽä¸ª æĸ¹éĿ¢ æĥħåĨµ æĿ¥çľĭ æĮij åīĶ æ® ĺ æŀģ åĬĽ çĸij éļ¾ æĬµæĬĹ åĬĽ æĢ¥ éĢŁ æĪ Į ä½İ ä¼° éĹª è¿ĩ æģ ¬ èµŀ æī¬ ä»ĸ å¦Ī æĪIJ为 ä¸ĢåIJį æ´Ĺ 礼 é¢Ħ计 å°Ĩ åħĪè¿Ľ åįķä½į è¼ Ķ éĢĥ èĦ± çİ° åŃĺ èĢģèĻİ æľº åįģä¸ĥ æĿ¡ åı¦ä¸Ģ åįĬ 温 æĥħ åī¥ 离 ä¸ĸ è´¸ å®ĺ åı¸ å¾Ī å·® éĹ´ è·Ŀ 请 注æĦı åı² è¯Ĺ åĪ© åĻ¨ è¿IJ ç®Ĺ 沦 为 該 使çĶ¨èĢħ èĮ ¬ éĶ¦ 绣 åı² æĸĻ çģµ æ´»æĢ§ èģĶ 社 æĹł åĬ© æĬĹ æ°§åĮĸ èıľ èĤ´ éĢł èĪ¹ æİī èIJ½ å¤į æŁ¥ åĭĥ åĭĥ åij¼ 声 給 äºĪ åIJĮäºĭ 们 ç½ ° è¯ķ æİ¢ åħ³éĶ® åŃĹ æįIJ çĮ® ç»Łè®¡ æķ°æį® åĪĽ ä½ľèĢħ ä¸ĭ åįĬ ä¸ĭåįĬ åľº æī¿æĭħ 责任 端 æŃ£ ç©¿ è¡£ ä¼ł çIJĥ åĬ© éķ¿ åĩ ± éķ¶ åµĮ é£ŀ ç¿Ķ è¾ĵ åįµ è¾ĵåįµ 管 ä¸ĩ åħ¬éĩĮ æݨ广 åºĶçĶ¨ å¿« æ¨Ĥ ç§ ½ èī° å·¨ åIJ¬ å®Į åĿļ 硬 奥 åľ° å¥¥åľ° åĪ© é¢ ĵ èĻIJ å¾ħ ä¾Ľ æ±Ĥ éľī ç´ł 伪 è£ħ 乡 åľŁ åĩ¡ æľ¬ç½ij åĩ¡æľ¬ç½ij 注 ä¼Ĭ åĪ© è¡¡ æ°´ æĽ´ åĥıæĺ¯ åĪĨéĴŁ å·¦åı³ è¦ı 模 äºĶ åĪĨéĴŁ åºĹ åĬłçĽŁ åĽ° éĽ£ åħ³ åģľ æĢĿ 绪 åĴ½ åĸī 缸 符 çĥ¦ èºģ æĻĤ æľŁ åijĪ çı¾ 解 æķ£ 诱 导 éļĶ çĥŃ çĮ ¶ åįĹ å®ĭ æ·±åħ¥ äºĨ解 çŃĶ çĸij æĺ¼ å¤ľ åįĥ ä¼ı åĬ³åĬ¡ æ´¾éģ£ 红 è±Ĩ åĿı äºĭ çĤ¹ æ»´ å°±ä¸ļ å²Ĺä½į 约 åIJĪ åħį éĻ¤ éĢĨ åĬ¿ éĩį éĩijå±ŀ å®ĺ 宣 ä½İ å»ī æģ¨ ä¸įå¾Ĺ å¾Ĺ 天 å¾Ĺ天 çĭ¬ å¾Ĺ天çĭ¬ åİļ ä¸Ģå°ģ ä¿¡ æĬ½ å¥ĸ è¾Ĺ 转 çķĻ å®Ī çķĻå®Ī åĦ¿ç«¥ çŃĶ åį· å·¨ åŀĭ æľĢ好 ä¸įè¦ģ æµĻæ±Ł 大åѦ æĨ ¨ æı¡ æīĭ éĴĪ ç»ĩ æİĴ 骨 çĤ ½ å°ģ è£ħ åįĢ åŁŁ 空æ°Ķ åĩĢåĮĸ åħī å½± åĢĴ å¡Į å§ļ æĺİ æ¤į 被 åѦ åīį åѦåīį æķĻèĤ² èĬĿ åĬł èĬĿåĬł åĵ¥ 缩 æ°´ ä½ Ł åľ¨çº¿ åĴ¨è¯¢ èµı æŀIJ éĿĴ èĽĻ æĬ± ä½ı èĮĤ åIJį åħ¨åĬĽ æīĵéĢł åįļ士 åѦä½į 沧 å·ŀ åĻ ¢ æĿĤ çī© åĪ» çĶ» æį ħ å¾® éĩı å¾®éĩı åħĥç´ł ä¸Ģ åĽŀäºĭ 鸡 èĤī åĪ©æ¶¦ çİĩ æīį ç®Ĺ å¾® å¦Ļ 棵 æłij è´ª 婪 åĩı åĢ¼ 梦 å¢ĥ åı¯ è§Ĩ åı¯è§Ĩ åĮĸ 广大 å¸Ĥæ°ij ä¸ĵä¸ļ ä»İäºĭ ç»ı 纬 ç´§ çĽ¯ çŁ¥ å·± è¤ ļ æĸĩåĮĸ åºķèķ´ åݦéŨ å¸Ĥ 临 港 对åħ¶ 羣å®ŀ 岸 è¾¹ è¦ĸ çĤº æĬĹ çĻĮ åĶIJ å®ĩ ä¸įå¾Ĺ è¶ħè¿ĩ å¨ģ æħij æ¡Ĩæŀ¶ åįıè®® èµ° ç§ģ åĽ¢ å§Ķ 夸 大 æ¬ Ħ ç¥ŀç»ı ç³»ç»Ł æijĦå½± ä½ľåĵģ èĬ ¥ å®ī åºĨ æµ· 滨 æŀĦ æĢĿ çīµ æĮĤ åı © éĺIJ æĺİ éģ ģ ç²¾ æ²¹ ç©´ ä½į æĬ¤ 身 æĬ¤èº« 符 æĮĩ å°İ åŃĺåľ¨ ä¸Ģå®ļ å¯Ĥ éĿĻ æµ·å¤ĸ å¸Ĥåľº éĿ ¡ 综åIJĪ å¾ģ ä¿ IJ è¨Ī ç®Ĺ æĺİ æľĹ äºļ è¿IJ äºļè¿IJ ä¼ļ åīįçŀ» æĢ§ åĮ® ä¹ı 产ä¸ļ æī¶è´« èĦij æµ· èĦijæµ· ä¸Ń åħļçļĦ é¢Ĩ导 åĪĺ éĤ¦ æµģ æĺŁ æĵ Ĥ æĶĢ çĻ» åĴ Ķ ä¸Ģä¸ĭåŃIJ å°± è¯Ĭ æ²» 使 åĬ² åīµ ä½ľ éĵŃ è®° éĴ± è´¢ æĹ¥æĬ¥ è®°èĢħ çĥŁ çģ« èĥľ è´Ł åįļ 主 ä¸ŃåĽ½ èģĶéĢļ ç½ijç«Ļ é¦ĸ页 å°± å¤Ł å°±å¤Ł äºĨ æīij åħĭ å±ħ å§Ķä¼ļ è° ¬ å®īåħ¨ äºĭæķħ åķĨ çĶ¨è½¦ 循çݯ ç»ıæµİ æ· ¤ èĢĥ è¯ģ å®Ŀ èĹı å®Į ç»ĵ çłĶåıij æĬķåħ¥ å² ij æģŃ æķ¬ 离 éĢĢä¼ij æ°´ 墨 å© ¶ è¯Ĺ åı¥ å®ģæ³¢ å¸Ĥ å¼± çĤ¹ åģľ çīĮ 奶 æ²¹ å¥ĩ纳 æ²³ æĨ Ĥ 社ä¼ļ å®ŀè·µ è´Ŀ 壳 çłĤ æµĨ èĪ¹ åıª 宣 æī¬ 综åIJĪ æķ´æ²» åĤ ij æ°ijæĹı æĸĩåĮĸ éĩį çİ° 积 æ·Ģ åħ¬ çĦ¶ çħ ī 缸 èģļ æ± ¾ 纹 çIJĨ çĩĥ çħ¤ æѤ ç§į ç¾İ å¦Ĩ åįĥ çĵ¦ çIJ Ľ 驾驶 è¯ģ éĺ¶ æ¢¯ ä¸Ŀ ä¸Ŀ å¾Īå¤ļ äºĭæĥħ åħī éĺ´ èijĹä½ľ æ¬Ĭ åħ§ éĥ¨ çĽ¸å¯¹ æĿ¥è¯´ éĸ Ĵ éľĩ æħij 說 話 æĨ ij ç«¥ è£ħ ä½ıæĪ¿ åĴĮ ä½ıæĪ¿åĴĮ åŁİ å·²ç»ı è¶ħè¿ĩ 侦 å¯Ł çŁ¿ çī© ä¾Ľ 大家 çī¹ éĤĢ ç¨ĭåºı åijĺ çķľçī§ ä¸ļ æ° ª çij ª åĢĴ åľ¨ åĢĴåľ¨ åľ° æ¯ Ģ 梯 éĺŁ æİ¥ èijĹ æĬĹ èıĮ è¤ ĩ ç¬ Ļ æ¯Ķ ä¸Ĭå¹´ 鸡 汤 åŃ¦ä¹ł æĪIJ绩 æĸij æĸĵ åħĪ 导 åĪĹ ä¸¾ è°ĥæŁ¥ æĺ¾ç¤º æ© « ä¹Ŀ åįģ è°¢ 飵 è·¨è¶Ĭ å¼ı 女æĢ§ æľĭåıĭ èIJ¥åħ» ä»·åĢ¼ å®ŀè·µ ç»ıéªĮ èĭı å·ŀå¸Ĥ çĵ¶ åŃIJ æĸ° çļĦä¸Ģ æĸ°çļĦä¸Ģ å¹´ æĺİ æĻ° å®ł çĪ± åŃŠ第 æľĹ 诵 纳 æĸ¯ éĢĨ è¡Į è«ĭ æĤ¨ è«ĭæĤ¨ æıIJä¾Ľ èĥ¸ æĢĢ 第ä¸ĥ å±Ĭ 强 壮 代 åŃķ 汶 å·Ŀ 家 åĸ» 家åĸ» æĪ· 家åĸ»æĪ· æĻĵ èħ ® åIJ¯ 迪 æĹł éļľç¢į èĻķçIJĨ åıĬ æĿ¥ åİĨ å®ŀ åĬ¡ ä¹Ł éļıä¹ĭ æĬĢèĥ½ åŁ¹è®Ń åѤ ç«ĭ åī ģ éĥ´ å·ŀ æĶ¶ æķĽ éł» éģĵ èį£ 幸 èİ« è¿ĩäºİ æѤ æĻĤ 纪å§Ķ çĽij 纪å§ĶçĽij å§Ķ 缸 éĤ» åı¦ä¸Ģ è¾¹ çªĴ æģ¯ æľīå¾Īå¤ļ ç§į æ¯ı éĢ¢ éĹ® ä¸ĸ ç´¯ ç´¯ éĿĴæĺ¥ æľŁ è·¯ åĨµ åħĭ èݱ è¿Ħä»Ĭ 为æŃ¢ æĥĬ å¥ĩ è·¨ 度 éħ¿ éĢł åĩ ĭ è¿ij ä¸īå¹´ åĨħ 马 åĨħ马 å°Ķ æı į è¿Ľå±ķ æĥħåĨµ èĮ § æľīåºı æİ¨è¿Ľ æĢ» åĨłåĨĽ æĪIJ绩 åįķ éĽ»è©± åıĬ ç´§å¯Ĩ ç»ĵåIJĪ åºĬ ä½į é¹ Ĭ æķ£åıij çĿĢ åĭŁ èµĦ æ°¨ éħ¸ 彩 ç¥ŀ è®Ģ åıĸ éĩį 温 ä¸Ń åŃĺåľ¨çļĦ ç¾İ éºĹ ä¸įæĸŃ å¢ŀåĬł è½® æµģ æİ¥ åIJ¬ å¹´ 产åĢ¼ åįĥ åħĭ æĪĺåľº ä¸Ĭ çħ§ 顧 å¹²éĥ¨ éĺŁä¼į åį° ç«ł ä¸Ģèĩ´ æĢ§ è¿ŀ å¤ľ åħħ è£ķ é»ij åIJįåįķ åĩĢ æ°´ ä¸Ģ大 æĹ© åĮħ 袱 çĬ¯ è§Ħ çIJĨ è«ĸ æŀģ æĺĵ éª ¸ å¨ĺ å¨ĺ åĽ¢ åľĨ 亿åħĥ 以ä¸Ĭ åĪ©çĶ¨ æĤ¨çļĦ 带æĿ¥ æĽ´å¤ļ ä¸Ń央 空è°ĥ æľĪ èĸª çĮľ æĥ³ åĪº 客 ä½ľ æģ¯ åįķ è°ĥ äºĴ åĪ© å¦Ĥæľī ä¾µæĿĥ å°ı å·§ åįģ åł° åĵĪåĵĪ åĵĪåĵĪ è¾¹ éĻħ æłĩ è¯Ń åĪĩåħ¥ çĤ¹ éĢĨ è¢Ń è¯ķ åīĤ 绿 è±Ĩ è® ļ åŁºçĿ£ å¾Ĵ å£ ¬ åħ¨ æĺİæĺŁ éĢī ç§Ģ èĪĮ å°ĸ ä¸įåIJĮ ç±»åŀĭ çĥŁ åĽ± çģµ æ°Ķ åĮº 管å§Ķä¼ļ åĨľ åī¯ åĨľåī¯ 产åĵģ èĶļ æĿ¥ 沪 æĮĩ åħ»æ®ĸ æĪ· æĸĹ å¿Ĺ é¦ĸ é¢Ĩ è¡Ģ èħ¥ åĬł ç´§ ä¸Ģèĩ´ 好è¯Ħ 第ä¸ī èĬĤ æī¬ å°ĺ 交éĢļ æŀ¢çº½ 鼶 ç¢İ é»ij æ´ŀ çľĭ ä¸įæĩĤ å±ŀ å®ŀ 主 åŁİåĮº å¨ Ľ å¨Ľ æ¨Ĥ ç¬ij æĦı èĻ¹ æ¡¥ åIJĦ个 çݯèĬĤ çķ¥ å¾® èĢķ èĢĺ æľ¬ åľºæ¯ĶèµĽ æĪIJ è´¥ éĢī èĤ¡ èªŀ è¨Ģ çŃĶ 辩 èĩª ä¹ł æ£ º ä¸ĩ 欧åħĥ åģľ å·¥ 对åħ¶ è¿Ľè¡Į 积æŀģ éħįåIJĪ ä¹¾ åĿ¤ å¦ĸ æĢª èļĮ åŁł èµĦ产 è¯Ħä¼° è°ĥ çļ® éĻ¤ å¤ķ åĽ´ å¢Ļ æľį å½¹ æ·± æ¸Ĭ é¢Ħ åĪ¶ ç ĥ½ å®ī 稳 建 æŀĦ çĭĻ åĩ» 主åĭķ 註åĨĬ éĥ½æľī èĩªå·± æİĴåIJį 第ä¸Ģ 麻 è¾£ çĢ ļ çĥŁèĬ± çĪĨ çĥŁèĬ±çĪĨ 竹 èĩªçĦ¶ ä¿ĿæĬ¤ ä»Ļ å¢ĥ 为äºĨ éģ¿åħį åĨ· åºĵ 解æĶ¾ æĢĿæĥ³ åĪĿ äºĮ ä½ĵ è´´ é¦ĸ å¯Į 迪 æĭľ æļĤ ç¼ĵ æĶ¯æĮģ åĬĽåº¦ 侦 æİ¢ 马 åĪº åĮĹ æ±½ ç¹ ŀ è°İ è¨Ģ éĢ£ çºĮ å· ³ ä»»ä½ķ æŶåĢĻ 车 èģĶç½ij åįķ 项 å¸Ń åį· 建çŃij æĿIJæĸĻ ä¸Ńç§ĭ èĬĤ ç¡ķ士 çłĶ究 ç§ģ ç«ĭ åħļåĴĮ æĶ¿åºľ æľ¬æ¬¡ 交æĺĵ èººåľ¨ åºĬä¸Ĭ ç½ijåıĭ è¯Ħ论 å¦ Ŀ 害 ç¾ŀ åħ¬ç«ĭ åĮ»éĻ¢ ä¸ ŀ çĶŁçī© è´¨ åºĶ éĤĢ æĬ½ åıĸ åĩł å¼ł æijĺ ç¼ĸ ç»ĺ æľ¬ 详 解 强 硬 æľĢ åħĪè¿ĽçļĦ æĭĽ èĤ¡ æĭĽèĤ¡ 书 åįĥ æĸ¹ åįĥæĸ¹ çĻ¾ åįĥæĸ¹çĻ¾ 计 éħį éŁ³ 驾 çħ§ å¾ģ æĪĺ èªĵ è¨Ģ æĭľ å¸Ī æĭľå¸Ī åѦ æĭľå¸ĪåѦ èīº æĬ± åĽ¢ ç±³ ç²ī éĿŀ常 éĢĤåIJĪ èĪª æµ· å±¥ 约 åįģåħ« æĿ¡ éĶ» éĢł éĩįè¦ģ 举æݪ åıijæĮ¥ ä½ľçĶ¨ æ· ļ 人 社 人社 å±Ģ è¯ķçĤ¹ å·¥ä½ľ éĺľ éĺ³ æ¡ĥ åľĴ æ°ij ä¼ģ æ´ģ çĻ½ è´µ 宾 åħ¬ 社 è§ī æĤŁ è®°å¿Ĩ åĬĽ æľĥåĵ¡ 註åĨĬ æѤ æ¡Ī 麻 çĹ¹ çı Ģ æĸ© èİ· çĶ· åŃ©åŃIJ å±ĢéĻIJ äºİ åĭĺ æŁ¥ åIJĥ 饱 èĬ¬ åħ° æ£ķ èī² ç¦ı ç¥ī çĶ³ èĬ± æµ· çĽĹ èĶ ij æĸĩ åѸ æ´»æĢ§ çĤŃ çĽ´ éĢļ车 è°¢ éĤĢ 躺 çĿĢ åľ ĥ æ¯ıæĹ¥ ç»ıæµİ åħ¬åħ± æĸĩåĮĸ 讲 æķħäºĭ å¯Ł çľĭ æĤł éĹ² åľ° åĿª æ¶Į çİ°åĩº é«ĺçŃī éĻ¢æł¡ èĮĦ åŃIJ éĺ² åį« ä¾ĭ è¡Į æĺ¾ éľ² æĸ° 常æĢģ ç»Ŀ ä½³ å¯Į æ°ij 以 人æ°ij 以人æ°ij 为 éĤ¢ åı° å±ķ æ¼Ķ çĻ¼ å¸ĥ è´Ł è½½ åģı 离 æ°¸ éģł éĩįè¦ģ åİŁåĽł åįıä¼ļ ä¼ļåijĺ éļ¾ æ°ij çĶŁäº§ 车éĹ´ çģµ åĬ¨ 两年 åīį æĸ¹ åľĨ æ´» ä¸ĭåİ» ä¸ĸçķĮ è§Ĥ éªĹ åıĸ ç¾İ è²Į èĥ½ çľĭåĩº çĻ¼ æı® è§Ĥ å½± åī ĥ åIJĪèµĦ åħ¬åı¸ å© § å¹² æű åħŃ ä¸ªæľĪ 尤为 éĩįè¦ģ èĤ ½ 秦 åĽ½ æīĺ ç¦ı 建çŃij å¸Ī åįĩ级 æĶ¹éĢł å°ı é¢Ŀ å°ıé¢Ŀ 贷款 两个 ç»´æĬ¤ æĭį æĭį åı¯ çĸij æį¢ åıĸ æѦ 士 èµĸ 以 èµĸ以 çĶŁåŃĺ æĮ ļ 殿 åłĤ èĩªçĦ¶ çķĮ ç£ģ åľº å¦Ĥä½ķ çľĭå¾ħ ä»ĬæĹ¥ 头æĿ¡ 西 åŁŁ èİ· è¯Ħ 風 æł¼ ä¿Ħ åĽ½ æīĵ æĭ¼ å®£ä¼ł çīĩ å¾Ī æĸ¹ä¾¿ ä¾Ľç»Ļ 侧 纪念 ç¢ij 毫 åħĭ èĬ³ é¦Ļ å·¥åķĨ éĵ¶è¡Į 请 çĤ¹åĩ» ç¼ ª æĹłæķ° 次 èį¯ å¸Ī èħ ¸ 游 èīĩ åĮ ¾ å·¡ èĪª æ²»çIJĨ ä½ĵç³» èIJ¥éĢł èī¯å¥½ æ·· æ·Ĩ éĢļ çķħ åĬ³ ç´¯ ä»ĵ ä½į å¢ŀ éķ· éļIJ 约 æĿĤå¿Ĺ 社 åħ» èĤ² åı¯èĥ½ åıijçĶŁ èĢĥ 試 西 侧 åĬł åĢį 主æĮģ åı¬å¼Ģ çķ¢ ç«Ł éĹ® 询 æµ· æ£ł èĹ © 注æĺİ æĿ¥æºIJ æ£Ģ çĸ« 请 åģĩ æĬļ æij¸ èĵĦ çĶµæ±ł è·Ł ä¸įä¸Ĭ çݰ代 社ä¼ļ çŃ¹ èµĦ ä½ĵèĤ² 彩票 延 误 è¾Ľ è¾£ éĿ¢ 容 åį° è®° çģŃ äº¡ ç´ł é£Ł åħ´ èĩ´ éľĢè¦ģ çĶ¨ éľĢè¦ģçĶ¨ åĪ° å®Ŀ å¦Ī ç£ĭ åķĨ éļ¶ å±ŀ è´¡çĮ® åĬĽéĩı åħ¬åħ± èµĦæºIJ 大 éĺª åĨĽ è®Ń æĤ¬ 念 社ä¼ļ 稳å®ļ å¹²äºĭ åĪĽä¸ļ æľī æĿ¡ä»¶ æľīæĿ¡ä»¶ çļĦ ä¸Ģå¹´ ä¸Ģ度 åİ ¥ 强 奸 豪 车 æİĮ æŁľ æ°´åĪ© å·¥ç¨ĭ å³ ª 积æŀģ ä½ľçĶ¨ æµ· æ·Ģ æµ·æ·Ģ åĮº çĥŃ æĴŃ åĿļæĮģ ä¸įæĩĪ åıĮ èĦļ 绣 æĪĺ ä»»ä½ķ 人éĥ½ åľ°ä¸ĭ 室 åĨ¶ çĤ¼ è°ħ 解 æ¸Ķ èĪ¹ 太éĺ³ åŁİ 被 æįķ 计ç®Ĺ åĻ¨ 西 åĮ» èĪĴ å¿ĥ æ¡ ¦ éģ ² åĬ ij è¨ Ĺ èİ º åĸ ¬ çĵ ¯ åĺ ĺ åł ķ æķ Ŀ åij ¦ èĭ ŀ æŃ ¹ æĵ ¬ æ£ Ħ èĪ µ å¥ ª çļ ĭ æĶ ¸ åľ © ç¤ Ļ ç¢ ĺ éı Ī æĦ ķ ç¹ ³ èĺ ¸ è² Ĥ æ¼ ² æij ¹ æĶ Ŀ åŃ ¢ èķ Ń é¨ ° æ½ ¼ éħ ° æĴ ¥ è¹ ¬ é¨ Ļ è¸ ¹ éģ IJ çĺ Ģ èĽ ¤ æĤ ĸ çĴ ŀ ç£ IJ æİ ° è¾ Ĭ å¾ ij æİ ĸ éģ ŀ éĤ ¸ éĽ ı æĨ İ æľ ½ çį » ç® Ķ è¤ ¶ æļ ¢ æĺ µ çı Ĥ æĤ ¸ åģ µ åĻ ľ å£ ¯ æĴ ® æģ į å© ķ ç¯ ± éĺ Ļ çī ł è£ ĺ è³ ¢ éĩ ľ éĵ ł èİ ĺ æ® Ĩ çĻ ¸ è´ ı ç² ± å« ¡ åĨ ¢ è¤ Ĵ æĩ Ĭ éľ ĵ å¡ µ æĭ £ å» Ł é£ ½ é¢ Į åļ İ æ· º èĨ ł åİ Ń åļ ĩ åij ĥ çĴ ĭ çŃ ± æĭ · èį § éĶ ° åŃ ° èĵ ĵ èĨ ½ æŀ ī åĸ ½ çĽ Ķ çŃ IJ ç¾ ļ è ħĮ è¾ « æ³ ĵ çĶ ¬ èŁ ² åĸ ª å¦ ĵ è¬ Ģ çĤ Ĭ æĽ ľ æ± IJ è´ Ī èį Ģ æĬ ł ç¢ ¾ æ« ĥ éŀ ł èij Ĩ ç¥ ¯ å½ Ŀ é¦ į åĮ £ æľ Ń åĿ Ĥ ä¿ ij èĵ ® çij Ľ æī ī èĩ Ł è² « çİ ¥ æ· ¼ åİ ² é³ Į å³ Ń åij Ľ é § é§ IJ éģ · ä¿ ª æĢ Ĥ è¾ į å± į åĭ ģ å¥ ļ éļ ħ éĴ ´ è¼ Ŀ å® ¦ èIJ ĥ çĺ ĭ æĨ ¶ æĤ ħ è¾ Ļ åij ľ çł º éĢ ŀ æµ ļ éĸ £ èĸ © éĻ ĭ çĤ Ļ èª ķ ä¸ Ł é¹ ½ ç± Į è´ ° éĭ ª çľ © æĴ IJ èĨ º éŀ ĺ ç¾ ² çª ® ç´ IJ æ® ´ çº ¾ èº į ç´ ĭ çĦ ĸ çĶ º çī ½ çĤ ¯ ç¼ Ķ æ¯ ĵ å¬ ° æ¢ § äº Ł è¢ ħ çį Ħ è¿ ¥ æ¼ ¾ çĿ ij ç¸ ¾ é¦ ĭ é¤ ħ æ ¹Ħ æĺ ĩ æŀ Ń èĸ ° æŁ ij æ¦ » åĻ Ĺ åĻ ´ æ£ £ åĶ § çĨ ¹ è¼ ¯ å¢ Ł é² ² æĪ Ľ èī ¦ èĬ ® åĺ Ł å¸ ¥ å¿ » çĮ Ŀ å¯ µ è³ ¦ èĽ ¾ æ» ¾ çĤ ķ éĵ ¬ èĴ ¿ éĴ ¨ çĥ Ļ ç² ķ æĥ ¦ æº § é¢ į éħ £ å³ ¦ ç± ģ çĥ ĥ åĨ Ĺ åı ģ çĽ § ç½ µ éĴ Ĺ å¬ ī è° ı ç³ § è¾ Ń æ· ¬ èŁ Ĵ è¯ © è¦ ĥ çĻ ĸ é½ Ĵ çĪ IJ ç® į ç¼ İ ç£ º è¯ « è¤ ² æĵ ł èIJ ¦ çĿ ¬ è° į éĦ ° æł ¾ é¡ ı ç¸ ± æ¡ ¨ éĨ ¬ è¥ ² è® ª å© º èį Ł åĮ Ŀ çĨ ł èĽ Ĭ æ¸ ļ å´ ½ é² ¤ åķ ° åĮ ķ ä¸ IJ è® ¥ åı ½ åı ¼ çļ ¿ è¿ Ĥ åIJ Ĩ å± ¹ èĩ ¼ è® ¹ é© ® çº « æ± ŀ æĬ ¡ èĭ ĩ åIJ ł åIJ Ń åIJ ® å² ĸ ä½ ĥ çĭ Ī åº ĩ åIJ Ŀ éĹ ° æ± ¹ å¿ ± æĭ Ħ æĭ Ĺ èĮ ī èĭ Ľ èĮ ģ çŁ ¾ èĻ ı åij » åĴ Ħ å¿ ¿ èĤ ® çĭ ŀ çĸ Ł çĸ Ļ çĸ ļ æ³ ŀ å¸ ļ å± ī è¿ ¢ é© ¹ ç İ· çıĬ ó çıĬó ł çıĬół Ħ çıĬółĦ ģ æĮ İ æĭ ´ åŀ Ľ èį ¤ æ® ĥ çĽ ¹ åĵ Ĩ è´ » æ¯ ¡ çĭ ° çĭ ¡ æŁ Ĵ æģ ĥ è¯ ¬ è¢ Ħ è¯ ² èļ ¤ èĢ Ļ åŁ Ĥ æį İ æį Į æ¢ Ĩ é ħĮ çł ¾ æ® ī åĶ ł æĻ Į èļ £ èļ ª èļ ĵ é¸ ¯ åĶ ģ åĶ Ĩ åĢ Ķ èĪ Ģ è± º èĥ ° é¸ µ é¸ ³ é¦ ģ ç¾ Ķ æ¶ £ æ¶ ķ æĤ ¯ è¯ ½ è° Ĩ ç¥ Ł ç» ¢ æį º æį ¶ æį » æİ Ĥ èı ł èIJ ¤ éħ Ĺ çľ ¶ åķ Ħ èļ ¯ èĽ Ģ åĶ ¬ å¸ · éĵ IJ éĵ Ľ åģ İ å¾ Ļ èĦ ¯ è± ļ çĮ ĸ çĹ Ĭ æ¶ ® æĥ Ń æĤ ´ æĥ ĭ è° ļ æı © æIJ Ģ æIJ Ķ æ¦ Ķ æ¤ Ń éĽ ³ åĸ ³ è· Ľ èľ ĵ èľ Ĵ é¹ ĥ éĶ Ħ çĶ ¥ çŃ ı çĮ © çĮ ¬ çĮ ¾ çĹ ¢ çĹ ª æĥ ° çª ĺ è° ¤ éļ ĺ å© ¿ é¹ ī çij Ļ æĸ Ł æ¤ ¿ éħ ª éĽ ¹ åĹ ¦ è· · è· º è· ¤ èľ Ī èľ Ĺ å¹ Į é¦ ı èª Ĭ æ¼ ĵ è¤ Ĥ èĶ Ĺ èĶ ¼ åħ ¢ è£ ³ èľ » èĿ ĩ åĺ Ģ éĶ ¹ ç® ķ ç® © çĺ © çĺ Ł æ¼ ± å¯ ¥ éª ¡ æĴ µ æĴ ¬ è± Į åĺ ¹ èĿ ł èĿ Į èĿ Ĺ èĿ Ļ éķ IJ ç¨ ¼ ç¯ ĵ èĨ Ľ é² « çĺ ª é² ¨ æĨ Ķ ç¿ © è¤ ¥ ç¼ Ń åĻ © çĵ ¢ éľ İ è¸ ± è¹ Ĥ èŁ Ĩ é¹ ¦ ç¯ ¡ çĺ ¸ çª ¿ ç¼ ° èĹ IJ è¹ ĭ èŁ ĭ èŁ Ģ èµ ¡ èĩ Ĭ é³ Ħ ç³ ł æĩ ¦ åļ £ éķ ° é³ į ç° ¸ çĻ £ é³ ĸ é¬ ĵ èł ķ éľ ¹ èº ı é» ¯ çĵ ¤ çŁ Ĺ ä¹ Ĥ ä¹ ľ åħ Ģ å¼ ĭ åŃ ij åŃ ĵ å¹ º äº ĵ å »¿ ä¸ ı åį ħ ä» ĥ ä» ī ä» Ĥ åĪ Ī çĪ » åį ŀ éĹ © è® £ å¤ ¬ çĪ ¿ æ¯ ĭ éĤ Ĺ éĤ Ľ èī ½ èī ¿ åı µ ä¸ ķ åĮ ľ åĬ ¢ åį Ł åı ± åı » ä» ¨ ä» Ł ä» ¡ ä» « ä» ŀ åį ® æ° IJ çĬ ° åĪ į éĤ Ŀ éĤ Ļ è® ¦ è® § è® « å° » éĺ ¡ å° ķ å¼ ģ èĢ Ĵ çİ İ çİ ij åľ ¬ æī ¦ åľ ª åľ ¹ æī ª åľ ® åľ ¯ èĬ Ĭ èĬ į èĬ Ħ èĬ ¨ èĬ ij èĬ İ èĬ Ĺ äº ĺ åİ į å¤ ¼ æĪ į å° ¥ ä¹ © æĹ ¯ æĽ ³ å² Į å± º åĩ ¼ åĽ ¡ éĴ ĩ ç¼ ¶ æ° ĺ æ° ĸ çī Ŀ ä¼ İ ä¼ Ľ ä¼ ¢ ä½ ¤ ä» µ ä¼ ¥ ä¼ § ä¼ ī ä¼ « åĽ Ł æ± Ĩ åĪ ĸ å¤ Ļ æĹ ® åĪ İ çĬ · çĬ ¸ èĪ Ľ åĩ « é Ĥ¬ é¥ § æ± Ķ æ± ľ æ± Ĭ å¿ ĸ å¿ ı è® ´ è® µ è® · èģ ¿ èī ® åİ ¾ å¦ ģ çº ¡ çº £ çº ¥ çº ¨ çİ ķ çİ Ļ æĬ Ł æĬ Ķ åľ » åĿ į æĬ ĥ 㧠IJ èĬ « èĬ ¾ èĭ Ī èĭ £ èĭ ĭ èĬ ¼ èĭ Į èĭ ģ èĬ © èĬ ª èĬ ¡ èĬ Ł èĭ Ħ èĭ İ èĭ ¡ æĿ Į æĿ ĵ æĿ Ī å¿ ij åŃ Ľ éĤ ´ éĤ ³ å¥ ģ è± ķ å¿ Ĵ æ¬ ¤ è½ « è¿ ĵ éĤ ¶ å¿ IJ åį £ éĤ º æĹ ° åij ĭ åij Ĵ åij ĵ åij Ķ åij ĸ æĹ ¸ åIJ ¡ èĻ ¬ åIJ ½ åIJ £ åIJ ² å¸ ı å² Ī å² ĺ åħ ķ åĽ µ åĽ « éĴ Ĭ éĴ ĭ é ĴĮ è¿ ķ æ° Ļ æ° ļ çī ¤ ä½ ŀ ä½ ļ ä½ Ŀ ä½ Ĺ å½ · ä½ ĺ ä½ ¥ è± ¸ åĿ Į èĤ Ł å¥ Ĥ åĬ ¬ çĭ ģ é¸ ł é¥ ¨ é¥ © é¥ « é¥ ¬ åº ij åº ĭ çĸ Ķ çĸ ĸ èĤ ĵ éĹ ± éĹ ³ çĤ Ģ æ² £ æ² ħ æ² Ķ æ² ¤ æ² ı æ² ļ æ± © æ± ¨ æ² ¨ æ± ´ æ² Ĩ æ² © æ³ IJ æĢ ĥ æĢ Ħ å¿ ¡ å¿ ¤ å¿ ¾ æĢ ħ å¿ ª æĢ Ĩ å¿ Ń å¿ ¸ è¯ Ĥ è¯ ĥ è¯ ħ è¯ ĭ è¯ Į è¯ Ĵ éĻ Ĥ éĻ ī å¦ © å¦ ª å¦ £ å¦ Ĺ å¦ « å§ Ĵ å¦ ¤ åĬ Ń åĪ Ń éĤ ° çº Ń çº ° çº ´ çİ ¡ çİ Ń çİ ł çİ ¢ çİ ¦ çĽ Ĥ å¿ Ŀ åĮ ¦ åĿ © æĬ ¨ æĭ ¤ åĿ « æĭ Ī åŀ Ĩ æĬ » åĬ ¼ æĭ ĥ æĭ Ĭ åĿ ¼ åĿ » 㧠Ł åĿ ¨ åĿ Ń æĬ ¿ åĿ ³ èĭ · èĭ ¤ èĮ ı èĭ « èĭ ľ èĭ ´ èĭ Ĵ èĭ ĺ èĮ Į èĭ » èĭ ĵ èĮ ļ èĮ Ĩ èĮ ij èĮ ĵ èĮ Ķ èĮ ķ è ĮĢ èĭ ķ æŀ ¥ æŀ ĩ æĿ ª æĿ ³ æŀ § æĿ µ æŀ ¨ æŀ ŀ æŀ ĭ æĿ » æĿ · æĿ ¼ çŁ ¸ ç łĢ åĪ ³ å¥ Ħ æ® ģ éĥ ı è½ Ń éĥ ħ é¸ ¢ çĽ ± æĺ Ļ æĿ ² æĺ ĥ åĴ Ĥ åij ¸ æĺ Ģ æĹ » æĺ ī çĤ ħ çķ Ģ èĻ ® åĴ Ģ åij · é» ¾ åij ± åij ¤ åĴ Ĩ åĴ Ľ åij ¶ åij £ åĴ Ŀ å² ¢ å² ¿ å² ¬ å² « å¸ Ļ å² £ å³ ģ åĪ ¿ å² · åī Ģ å¸ Ķ å³ Ħ æ² ĵ åĽ ¹ ç½ Ķ éĴ į éĴ İ éĴ ı éĴ Ĵ éĴ ķ éĤ ¾ è¿ ® çī ¦ ç« º è¿ ¤ ä½ ¶ ä¾ ij ä¾ ī èĩ ¾ ä¾ Ĺ ä¾ ı ä¾ © ä½ » ä½ ¾ ä¾ ª ä½ ¼ ä½ ¯ ä¾ ¬ å¸ Ľ ä¾ Ķ å¾ Ĥ åĪ ½ éĥ Ħ ç± ´ çĵ ® æĪ Ĺ èĤ ¼ äı Ŀ èĤ ± èĤ « è¿ © éĥ ĩ çĭ İ çĭ į çĭ Ĵ åĴ İ é¥ ¯ é¥ ´ åĨ ½ åĨ ¼ åº ĸ çĸ ł çĸ Ŀ åħ ĸ åĬ ¾ ð¬ ī ð¬ī ¼ çĤ ĺ çĤ Ŀ çĤ Ķ æ³ Ķ æ² Ń æ³ · æ³ ± æ³ ħ æ³ ł æ³ º æ³ ĸ æ³ « æ³ ® æ² ± æ³ ¯ æĢ Ļ æĢ µ æĢ ¦ æĢ Ľ æĢ ı æĢ į ã ¤ 㤠ĺ æĢ © æĢ « æĢ ¿ å® ķ ç© ¹ å® ĵ è¯ ĵ è¯ Ķ è¯ ĸ è¯ ĺ æĪ ¾ è¯ Ļ æĪ ½ éĥ ĵ è¡ © ç¥ Ĩ ç¥ İ ç¥ ĩ è¯ ľ è¯ Ł è¯ £ è¯ ¤ è¯ § è¯ ¨ æĪ ķ éĻ Ķ å¦ ² å¦ ¯ å§ Ĺ å¸ ij åŃ ¥ é© ½ èĻ ± è¿ ¨ ç» Ģ ç» ģ ç» Ĥ é© · é© ¸ ç» ī ç» Į éª Ģ çĶ ¾ çı ı çı IJ çı ij çİ ³ é¡ ¸ çı ī çı Ī æĭ ® åŀ Ń æĮ Ŀ æĮ ŀ åŀ ¤ èµ ³ è´ ² åŀ ± åŀ Į åŀ § åŀ ĵ æĮ ¦ åŀ ł èį ļ èį ij è´ ³ èį ľ èİ Ĵ èĮ ¼ èĮ ´ èĮ ± èİ Ľ èį ŀ èĮ ¯ èį ı èį ĩ èį ĥ èį ł èĮ Ń åŀ © èį ¥ èį ¦ èį ¨ èį © åī ĭ èį ª èį ¬ èį ® æŁ ° æł ī æŁ ĺ æł Ĭ æŁ © æŀ ° æł Į æŁ Ļ æŀ µ æŀ ³ æŁ ŀ æŁ Ŀ æł Ģ æŁ ¢ æł İ æŁ Ī æŁ ģ æŀ · æŁ ½ åī Į éħ Ĭ éĥ ¦ çĶ Ń çł Ĺ çł ĺ çł Ĵ æĸ « çł Ń çł ľ èĢ · èĻ º æ® Ĥ æ® ĩ æ® Ħ è½ ± è½ ² è½ ³ è½ ¶ è½ ¸ èĻ ¿ æ¯ ĸ è§ ĩ å° ľ åĵ IJ çľ Ħ çľ į ðł ³ ðł³ IJ éĥ ¢ çľ ĩ çľ Ĭ çľ Ī ç¦ º åĵ Ĥ åĴ ´ æĽ · æĺ ´ åĴ ¦ åĵ ĵ åĵ Ķ çķ İ åij ² èĥ Ħ çķ ĭ çķ Ī èĻ ¼ èĻ » çĽ ħ åĴ £ åĵ ķ åī IJ éĥ § åĴ » åĽ ¿ åĴ ¿ åĵ Į åĵ Ļ åĵ ļ åĴ © åĴ ¤ åĵ Ŀ åĵ ı åĵ ŀ å³ £ ç½ ĺ å³ Ĵ å³ ¤ å³ ĭ è´ ¶ éĴ ļ éĴ ¡ éĴ £ éĴ ¤ éĴ « æ° ¡ çī ¯ éĥ ľ ç§ ķ ç§ Ń ç« ½ ç¬ Ī ä¿ ¦ ä¿ ¨ ä¿ ħ åı Ł åŀ ¡ çī ® ä¿ £ ä¿ ļ çļ Ī ä¿ Ł éĢ ħ å¾ ĩ å¾ ī èĪ ¢ éĥ Ĺ ä¿ İ éĥ ¤ çĪ ° éĥ Ľ çĵ ´ èĥ ¨ èĥ ª èĥ Ľ èĥ Ĥ èĥ Ļ èĥ į èĥ Ĺ è ĥĿ æľ IJ èĥ « é¸ ¨ åĮ į çĭ ¨ çĭ ¯ é£ ij çĭ © çĭ ² è¨ ĩ éĢ Ħ æĺ Ŀ é¥ · é¥ ¸ é¥ ¹ åŃ ª å¨ Ī åº ¥ çĸ ¬ çĸ £ çĸ ¥ çĸ Ń åº ł ç« ij é£ Ĵ éĹ ¼ éĹ ¾ éĹ ¿ éĺ Ĥ ç¾ ij è¿ ¸ ç± ¼ éħ ĭ çĤ » çĥ Ģ çĤ · æ´ ± æ´ ¹ æ´ § æ´ Į æµ ĥ æ´ ĩ æ´ Ħ æ´ Ļ æ¶ İ æ´ İ æ´ « æµ į æ´ ® æ´ µ æµ Ĵ æµ Ķ æµ ķ æ´ ³ æģ ¸ æģ ĵ æģ ¹ æģ « æģ » æģ Ĥ æģ ª æģ ½ å® ¥ æī ĥ è¡ ² è¡ ½ è¡ ¿ è¢ Ĥ ç¥ ľ ç¥ ĵ ç¥ ļ è¯ ® ç¥ Ĺ ç¥ ¢ è¯ ° è¯ ³ é¸ © æĺ ¶ åĴ « å¼ Ń çī ģ èĥ ¥ éĻ Ł å§ ® å¨ Ĩ å§ Ŀ å§ £ å§ ĺ å§ ¹ ç¾ ¿ çĤ ± çŁ ľ ç» Ķ éª ģ éª ħ ç» Ĺ ç» Ľ éª Ī èĢ ĸ æĮ Ī çı ¥ çı Ļ é¡ ¼ çı ° çı © çı § çı £ çı ŀ çIJ ¤ çı ² æģ ļ åŁ ķ åŁ ĺ åŁ Ļ åŁ ļ æĮ ¹ èĢ Ĩ èĢ Ħ åŁ Ĵ æį ĭ è´ ½ åŀ ¸ æį ĥ çĽ į èį ¸ èİ ³ èİ ´ èİ ª èİ ł èİ ľ èİ ħ èį ¼ èİ © èį ½ èİ ¸ èį » èİ ¨ é¸ ª èİ ¼ æł ² æł ³ æ¡ ¡ æ¡ İ æ¡ ¢ æ¡ ¤ æ¢ ĥ æł Ŀ æ¡ ķ æ¡ ģ æ¡ § æ¡ ħ æł Ł æ¡ ī æł © éĢ ij éĢ ĭ å½ § é¬ ² è± ĩ éħ IJ éĢ ¦ åİ Ŀ åŃ ¬ çł Ŀ çł ¹ çł § çł · çł Ł çł ¼ çł ¥ çł £ åī ŀ çł » è½ ¼ è½ ¾ è¾ Ĥ é¸ « è¶ ¸ é¾ Ģ é¸ ¬ èĻ Ķ çľ ¬ åĶ Ľ çľ Ļ åĵ § åĵ ½ æĻ ģ é¸ ® è¶ µ è¶ ¿ çķ Ľ èļ ¨ èļ ľ èļ į èļ ĭ èļ ¬ èļ Ŀ èļ § åĶ ¢ åľ Ħ åĶ £ åĶ ı çĽ İ åĶ ij å´ Ĥ å´ ĥ ç½ ¡ ç½ Ł è§ Ĭ èµ ħ éĴ ² éĴ µ éĴ ¹ éĴ º éĴ ½ éĴ ¼ éĴ ¿ éĵ Ģ éĵ Ħ éĵ Ĩ éĵ Ī éĵ ī éĵ Ĭ éĵ ĭ éĵ Į é ĵį ä ¥ ä¥ ½ éĵ İ æ° © æ° ¤ æ° ¦ æ¯ ª èĪ IJ ç§ £ ç§ « çĽ ī ç¬ Ħ ç¬ ķ ç¬ Ĭ ç¬ ı ç¬ Ĩ ä¿ ¸ ä¿ µ åģ Į ä¿ ³ ä¿ ¶ åĢ ¬ åĢ ı æģ ģ åĢ Ń ä¿ ¾ åĢ ľ éļ ¼ éļ ½ åĢ Į åĢ ¥ èĩ ¬ éĥ « åĢ ¨ è¡ Ħ é¢ Ģ å¾ ķ èĪ « è¡ ¾ èĥ ¯ èĥ ± èĥ ´ èĥ Ń èĦ į èĥ ¼ èĦ Ĵ é¸ ± é¸ ² çĭ · çĮ ģ çĭ ³ çĮ ĥ çĭ º éĢ ĸ æ¡ Ģ é¥ ½ åĩ ĩ æĮ Ľ äº ³ çĸ ³ çĸ ´ çĸ ¸ çĸ ½ çĹ Ī çĸ ± çĹ Ĥ çĹ ī è¡ ® é¢ ĥ æģ £ æĹ Ĩ æĹ Ħ æĹ ĥ éĺ ĥ éĺ Ħ è¨ ļ éĺ Ĩ æģ Ļ ç² ij çĥ ľ çĥ © çĥ Ĭ åī ¡ éĥ ¯ çĥ ¬ æ¶ ij æµ ¯ æ¶ ŀ æ¶ Ł å¨ ij æ¶ ł æµ ŀ æ¶ ĵ æµ ¥ æ¶ Ķ æµ ľ æµ ł æµ £ æĤ ļ æ ĤŃ æĤ Ŀ æĤ Ĵ æĤ Į æĤ Ľ çª Ī åī ľ è¯ ¹ è¯ ¼ è¢ Ĵ è¢ ¢ è¯ ¿ è° Ģ è° Ĥ è° Ħ è° ĩ å± IJ å± Ļ éĻ ¬ åĭ IJ å¥ ĺ çī Ĥ èļ © éĻ ² å¨ Į å¨ ī å¨ ² å¨ ´ å¨ £ å¨ ĵ å© Ģ çķ ļ éĢ ¡ ç» ł éª Ĭ ç» ¡ éª ĭ ç» ¦ ç» ¨ éª İ éĤ ķ é¸ ¶ å½ Ĺ èĢ ľ çĦ ĺ èĪ Ĥ çIJ ı çIJ ĩ éº ¸ æı ¶ åŁ ´ åŁ ¯ æį ¯ æİ ³ æİ ´ åŁ ¸ åŁ µ èµ § åŁ ¤ æį Ń éĢ µ åŁ Ŀ åł ĭ åł į æİ ¬ é¸ · æį ½ æİ Ĭ åł ī æİ ¸ æį © æİ ® æĤ « åŁ Ń åŁ ½ æİ ĩ æİ ¼ èģ ĥ èIJ ģ èı ĺ åł ĩ èIJ ĺ èIJ ĭ èı ½ èı ĸ è IJľ èIJ ¸ èIJ ij æ£ » èı Ķ èı Ł èIJ ı èı ¹ èı ª èı ħ èı Ģ èı ° èı ¡ æ¢ ¿ æ¢ ı è§ ĭ æ¡ ´ æ¡ · æ£ ģ æ¡ « æ£ Ĥ åķ ¬ éĥ ¾ æķ ķ è± ī éĦ Ħ éħ ŀ ç¡ İ ç¡ Ń ç¡ ĸ ç¡ Ĺ ç¡ IJ ç¡ ĩ ç¡ Į é¸ ¸ çĵ ł åĮ ı åİ © æ® Ĵ æ® ĵ æ® į èµ ī éĽ © è¾ Ħ åł ij çľ Ń çľ ¦ åķ § æĻ ¡ æĻ ¤ çľ µ åľ Ĭ åĸ ı åķ ī åĭ ĸ æĻ ŀ åĶ µ æĻ Ĺ åķ Ń çķ ¦ è¶ º åķ ® è· Ħ èļ ¶ è ĽĦ èĽ İ èĽ Ĩ èļ ° åľ ī èļ ± èĽ ī èĽ ı èļ ´ åķ ģ åķ ķ åĶ ¿ åķ IJ åĶ ¼ åĶ · åķ ĸ åķ µ åķ ¶ åķ · åĶ ³ åĶ ° åķ ľ å¸ » å´ ļ å´ ¦ å¸ ¼ å´ ® å´ ¤ å´ Ĩ èµ ĩ èµ Ī èµ Ĭ éĵ ij éĵ Ĵ éĵ Ĺ éĵ Ļ éĵ Ł éĵ ¡ éĵ ¢ éĵ £ éĵ ¤ éĵ § éĵ ¨ éĵ © éĵ ª éĵ « éĵ ¯ éĵ ° éĵ ± éĵ ³ éĵ µ éĵ · çī ¾ é¸ ¹ ç§ ¾ éĢ ¶ ç¬ º çŃ ĩ ç¬ ¸ ç¬ ª ç¬ ® ç¬ ł ç¬ ¥ ç¬ ¤ ç¬ ³ ç¬ ¾ ç¬ ŀ åģ ¾ åģ ĥ åģ ķ åģ Ī åĤ Ģ åģ ¬ åģ » çļ ij çļ İ é¸ » å¾ ľ èĪ ¸ èĪ » èĪ ´ èĪ · é¾ Ľ ç¿ İ èĦ ¬ èĦ ĺ èĦ ² åĮ IJ çĮ Ĺ çĮ ¡ çĮ ŀ æĸ Ľ çĮ ķ é¦ Ĺ é¦ ĥ é¦ Ħ é¸ ¾ åº ¹ åº ¾ çĹ Ķ çĹ į ç¿ Ĭ æĹ Į æĹ İ è¢ ¤ éĺ ĩ éĺ Ī éĺ ī éĺ Ĭ éĺ ĭ éĺ į éĺ ı ç¾ Ł ç² Ŀ çĦ IJ çĦ ĵ çĦ Ĺ æ· ħ æ· ŀ æ¸ İ æ¶ ¿ æ· ĸ æĮ ² æ· ł æ¶ ¸ æ¸ ij æ· ¦ æ· Ŀ æ¶ ª æ· Ļ æ¶ « æ¸ Į æĤ » æĤ ± æ ĥĿ æĥ ĺ æĥ Ĩ æĥ ļ æĥ ĩ æĥ ® çª ķ è° Į æī Ī çļ ² è° ij è£ Ĩ è¢ · è£ ī è° Ĵ è° Ķ è° ķ è° ĸ è° Ĺ è° Ļ è° Ŀ éĢ ¯ éĥ ¿ éļ Ī ç² ľ éļ į éļ Ĺ å© Ĭ å¨ ¼ å© ¢ å© µ èĥ ¬ è¢ Ī ç¿ Į æģ ¿ æ¬ ¸ ç» « éª IJ ç» ¯ ç» ± éª Ĵ ç» ² éª ĵ ç» ¶ ç» º ç» » ç» ¾ éª ĸ ç¼ ģ èĢ ł çIJ « çIJ µ çIJ ¶ çIJ ¥ çIJ ¨ çIJ ° çIJ ® çIJ ¯ çIJ ¬ çIJ ļ è¾ ĩ é¼ ĭ æı ³ åł ŀ æIJ ½ æı ¸ æı ł åł Ļ è¶ Ħ æı ĸ é¢ ī å¡ Ħ æı ¿ èĢ ĭ æı Ħ èĽ © èĽ ° å¡ Ĩ æij Ĵ æı Ĩ æİ ¾ èģ Ĵ èij ij èij ļ éĿ ° éĿ ¸ èij ³ èij º èij ¸ èIJ ¼ èij ¶ è ĴĮ èij Ń æ¥ ® æ £¼ æ¤ Ł æ£ ¹ æ¤ ¤ æ£ ° èµ į æ¤ ĭ æ¤ ģ æ¤ ª æ¤ IJ é¹ ģ éħ ¤ éħ ¢ éħ ¡ é¹ Ĥ æ® ļ æ® Ľ éĽ ± è¾ ĭ æ¤ ł è¾ İ çĿ Ħ çĿ ĩ çĿ ĥ æĪ ¢ åĸ ĭ åĹ Ĵ åĸ ĥ åĸ ± åĸ ¹ æĻ · åĸ Ī è· ĸ è· Ĺ è· ŀ è· ļ è· İ è· ı è· Ĩ èĽ ± èĽ ² èĽ Ń èĽ ³ èĽ IJ èĽ Ķ èĽ ŀ èĽ ´ èĽ ĺ åĸ ģ åĸ Ł åķ ¾ åĹ ĸ åĸ ij åĹ Ł åĹ ŀ åĸ Ļ åµ ĺ åµ ĸ å´ ´ éģ Ħ è© Ī åµ İ å µ¬ åµ Ľ åµ ¯ åµ Ŀ åµ « å¹ Ħ åµ ĭ èµ ķ éĵ » éĵ ¼ éĵ ¿ éĶ ĥ éĶ Ĩ éĶ ĩ éĶ ī éĶ ı éĶ ij éĶ Ĵ éĶ Ķ éĶ ķ æİ £ çŁ ¬ æ° ° æ¯ ³ æ¯ ½ çĬ Ĭ çĬ Ħ çĬ ĭ é ¹Ħ çĬ į åµ ĩ é» į ç¨ ĥ ç¨ Ĥ çŃ ļ çŃ µ çŃ Į åĤ £ åĤ Ī èĪ Ħ çī į åĤ ¥ åĤ § éģ ij åĤ © å¾ ¨ åª Ń çķ ² å¼ ij ç¿ ķ é¹ Ĩ èħ Ī èħ ĵ èħ Ĩ èħ ´ èħ ļ èħ ± é± ¿ é² Ģ é² Ĥ çĮ ¢ çĮ ¹ çĮ ¥ é£ ĵ è§ ŀ è§ ļ çĮ ± é¢ İ é£ § é¦ ĩ é¦ Ĭ äº µ èĦ Ķ è£ Ĵ çĹ £ çĹ ¨ çĹ ¦ çĹ ŀ çĹ ¤ çĹ § èµ ĵ ç« ¦ çĵ ¿ åķ » é¢ ı é¹ ĩ éĺ ij éĺ Ĵ éĺ ķ ç² ŀ éģ Ĵ åŃ ³ çĦ ¯ çĦ ľ çĦ ± é¹ Ī æ¸ « æ¹ ® æ¹ İ æ¹ ľ æ¹ į æ¹ « æº ² æ¹ Ł æº Ĩ æ¹ ² æ¹ Ķ æ¹ ī æ¸ ¥ æ» ģ æĦ ł æĥ º æĦ ¦ æĥ ´ æĦ Ģ æĦ İ æĦ Ķ åĸ ¾ å¯ IJ è° Ł è£ ¢ è£ İ è£ ¥ ç¥ ¾ è° ł è° ¡ è° ¥ è° § åŃ ± å¼ ¼ å· ½ éª ĺ åª ª å· ¯ ç¿ ļ çļ ´ éª Ľ ç¼ Ĥ ç¼ ĥ ç¼ Ħ å½ ĺ ç¼ ĩ ç¼ Ī ç¼ Į ç¼ ij ç¼ Ĵ ç¼ Ĺ é£ ¨ èĢ ¢ çij ģ çij Ĺ çij Ħ éģ ¨ éª ľ éŁ « é« ¡ å¡ ¬ éĦ ¢ è¶ Ķ è¶ ij æij ħ æij ģ èľ ĩ æIJ ĭ æIJ ª æIJ IJ æIJ Ľ æIJ ł æij Ī å½ Ģ æ¯ Ĥ æIJ ¦ æIJ ¡ èĵ ģ æĪ ¡ è ĵį éĦ ŀ èĵ IJ èĵ ¦ é¹ ĭ èĴ ½ èĵ ĸ èĵ Ĭ èĴ ¯ èĵ Ł èĵ ij èĴ º èĵ ł èĴ Ł èĴ ¡ èĴ ¹ èĴ ´ èĴ Ĺ èĵ ¥ æ¥ Ķ æ¥ Ĥ æ¥ Ŀ æ¥ « æ¥ ¸ æ¤ ´ æ§ Į æ¥ ¯ çļ Ļ æ¦ Ī æ§ İ æ¦ ī æ¥ ¦ æ¥ £ æ¥ ¹ æ¤ ½ åī ½ éħ © èľ ĥ ç¢ Ľ ç¢ ĵ ç¡ ¼ ç¢ ī ç¢ ļ ç¢ ĩ ç¢ ľ é¹ Į è¾ ı é¾ ĥ é¾ ħ è¨ ¾ ç² ² çĿ ļ åĹ ª éŁ ª åĹ · åĹ ī çĿ ¨ çĿ ¢ éĽ İ çĿ ¥ åĹ ij åĹ « åĹ ¬ åĹ Ķ åĹ Ŀ æĪ ¥ åĹ Ħ çħ ¦ æļ Ħ éģ ¢ æ ļĮ è· ¬ è· ¶ è ·¸ è· IJ è· £ è· ¹ èĽ ¸ èľ Ĭ èľ į èľ ī èľ £ çķ ¹ èĽ ¹ åĹ ¥ åĹ ² åĹ ³ åĹ Į åĹ į åĹ IJ åĹ ¤ åĹ µ ç½ ¨ åµ Ĭ åµ ´ éª ° éĶ Ĺ éĶ Ľ éĶ ľ éĶ Ŀ éĶ ŀ éĶ Ł éĶ ¢ éĶ ¨ éĶ © éĶ Ń éĶ ± éĽ ī æ° ² çĬ ı æŃ ĥ ç¨ ŀ ç¨ Ĺ ç¨ Ķ çŃ ł çŃ ¢ çŃ ® çŃ ² çī Ĵ æķ « å¾ Ń æĦ Ĩ èī Ħ è§ İ æ¯ ¹ è² Ĭ è² ħ è² ī é¢ Ķ èħ ł èħ © èħ ¼ èħ Ń è ħ§ å¡ į åª µ é² ħ é² Ĩ é² ĩ é² Ī é² ĭ é² IJ èĤ Ħ é¹ IJ é£ ķ è§ ¥ éģ Ľ é¦ IJ é¹ ij äº ¶ çĺ ĥ çĹ ± çĹ ¼ çĹ ¿ çĺ IJ çĺ ģ çĺ Ĩ éº Ĥ æŃ Ĩ æĹ Ĵ éĺ ĸ éĺ Ĺ ç¾ § è± ¢ ç² ³ çĮ · çħ ³ çħ ¨ çħ ħ çħ Ĭ çħ ¸ çħ º æ» Ł æº ± æº ĺ æ¼ Ń æ» ¢ æº ¥ æº ½ è£ Ł æº » æº · æ» Ĺ æ» « æº ´ æ» ı æ» ĥ æ» ¦ æº ı æ» Ĥ æ» ĵ æº Ł æ» ª æĦ « æħ Ĭ é² İ éª ŀ çª ł çª £ è£ ± è£ ¨ è£ ¾ è£ ° ç¦ Ĭ è° © è° ª åª ¾ å« « åª ² å« Ĵ å« Ķ åª ¸ ç¼ Ļ ç¼ ľ ç¼ Ľ è¾ Ķ éª Ŀ ç¼ Ł ç¼ ¡ ç¼ ¢ ç¼ £ éª Ł èĢ ¥ çĴ Ī çij Ń çį Ĵ è§ ı æħ Ŀ å« ł åı Ĩ æij ½ å¢ ģ æĴ Ĥ æij ŀ æĴ Ħ ç¿ ¥ è¸ ħ æij Ń å¢ ī å¢ Ĵ æ¦ ĸ ç¶ ¦ èĶ « èĶ · éĿ º éĿ ¼ éŀ ħ éĿ ¿ çĶ į èĶ ¸ èĶ Ł èĶ º æĪ ¬ èķ ĸ èĶ » èĵ ¿ æĸ ¡ é¹ ķ èĵ ¼ æ¦ Ľ æ¦ § æ¦ « æ¦ Ń æ§ Ķ æ¦ ± æ§ ģ æ§ ł æ¦ · åĥ ° éħ ½ éħ ¹ ç¢ ¡ ç¢ ´ ç¢ £ ç¢ ² èĩ § è± ¨ æ® ¡ éľ ģ èľ ļ é¾ ĩ é¾ Ī ä ģ äģ ĸ çĿ ½ åĺ ŀ åĺ Ī åĺ Į åĺ ģ æļ Ŀ è¸ Į è¸ ī èľ ŀ èľ ¥ èľ ® èĿ Ī èľ ´ èľ ± èľ © èľ · èľ ¿ èŀ Ĥ èľ ¢ åĺ ¡ é¹ Ĺ åĺ £ åĺ ¤ åĺ ļ åĹ ¾ åĺ § ç½ ´ ç½ ± å¹ Ķ å¶ Ĥ å¹ Ľ èµ Ļ ç½ Ĥ éª · éª ¶ é¹ ĺ éĶ ² éĶ ´ éĶ ¶ éĶ · éĶ ¸ éĶ µ éķ Ĥ çĬ Ĵ ç® IJ ç® ¦ ç® § ç® ¸ ç® ¬ ç® ħ ç® ª ç® ľ ç® ¢ ç® ĵ åĥ ĸ åĦ Ĩ åĥ ³ åĥ Ń åĬ ģ åĥ ® éŃ ĥ éŃ Ĩ çĿ ¾ èī ĭ éĦ ± èĨ Ī èĨ ij é² ij é² Ķ é² ļ é² Ľ é² Ł çį IJ è§ « éĽ Ĵ å¤ ¤ é¦ ij éĬ ® å¡ ¾ çĺ Į çĺ Ĭ çĺ ĺ çĺ Ļ æĹ ĸ èĨ Ĥ éĺ ļ éĦ ¯ é² ŀ ç² ¿ ç² ¼ ç³ ģ æ§ Ĭ é¹ ļ çĨ ĺ çĨ ¥ æ½ ¢ æ¼ ķ æ» ¹ æ¼ ¯ æ¼ ¶ æ½ ĭ æ½ ´ æ¼ ª æ¼ ī æ¼ © æ¾ ī æħ µ æIJ ´ çª ¨ å¯ ¤ ç¶ ® è° ® è¤ ¡ è¤ Ļ è¤ ĵ è¤ Ľ è¤ Ĭ è° ¯ è° ° è° ² å± £ é¹ Ľ å« ± å« ĸ å« ¦ å« ļ å «ĺ é¼ IJ çŀ Ģ é¹ ľ éª ł ç¼ ¥ ç¼ ¦ ç¼ § ç¼ ¨ éª ¢ ç¼ « èĢ ¦ èĢ § çĴ ľ çĴ İ çĴ ģ å¥ Ń é« ¯ é« « æĴ · æĴ ħ èµ Ń æĴ ¸ éĭ Ĩ æĴ Ļ æĴ º å¢ Ģ èģ © è§ IJ éŀ ij èķ Ļ éŀ Ĵ èķ Ī èķ ¨ èķ ¤ èķ ŀ èķ º çŀ ¢ èķ ĥ èķ ² èµ ľ æ§ ¿ æ¨ ¯ æ§ Ń æ¨ Ĺ æ¨ ĺ æ§ ² éĨ Į éĨ ħ éĿ ¥ éŃ ĩ é¤ į ç£ Ķ ç£ Ļ éľ Ī è¾ ĺ é¾ ī é¾ Ĭ è§ ij çŀ Į ç ŀĭ çŀ ij åĺ Ń åĻ İ åĻ ¶ é¢ Ļ æļ ¹ åĻ ĺ è¸ Ķ è¸ Ŀ è¸ Ł è¸ Ĵ è¸ ¬ è¸ ® è¸ ¯ è¸ º è¸ ŀ èĿ ½ èĿ ¾ èĿ » èĿ ° èĿ ® è ŀĭ èĿ ĵ èĿ £ è Ŀ¼ åĺ ¬ é¢ ļ åĻ į åĻ Ļ åĻ Į åĻ Ķ é¢ Ľ å¹ ŀ å¹ ¡ å¶ Ļ å¶ Ŀ éª º éķ Ĭ éķ ī éķ Į éķ ı éķ Ĵ éķ ĵ éķ Ķ ç¨ · ç® ´ ç¯ ij ç¯ ģ ç¯ Į çī ĸ åĦ ĭ èĻ ¢ é¹ ŀ èĨ ĺ é² ł é² ¡ é² ¢ é² £ é² ¥ é² § é² © çį Ĺ çį ł è§ ¯ é¦ ĵ é¦ Ķ éº ¾ å» Ľ çĺ Ľ çĺ ¼ çĺ ¢ çĺ ł é½ ij ç¾ ° 𥠻 ð¥» Ĺ ç³ Į ç³ į ç³ ħ çĨ ľ ç Ĩµ æ¾ į æ¾ Į æ½ ¸ æ½ ¦ æ½ ² éĭ Ī æ½ Ł æ½ º å¯ ® çª ³ è° ³ è¤ ´ è¤ Ł è¤ « è° µ çĨ ¨ å± ¦ åĭ ° æĪ ® èĿ ¥ ç¼ ¬ ç¼ ® ç¼ ¯ éª £ çķ ¿ èĢ © èĢ ¨ èĢ ª çĴ Ł éĿ Ľ çĴ ł çĴ ĺ èģ ± èŀ ¯ é« » é« Ń é« ¹ æĵ Ģ çĶ ı æĵ ŀ ç¸ ł ç£ ¬ é¢ ŀ èķ » é¢ Ł èĸ ¤ èĸ ¨ æª ł èĸ ı èĸ ® èĸ ľ èĸ ħ æ¨ ¾ æ© Ľ æ© ĩ æ¨ µ æª İ æ© ¹ æ¨ ½ æ¨ ¨ æ© ¼ å¢ ¼ æ© IJ ç¿ ® éĨ IJ éĨ į éĨ ļ ç£ ² èµ Ŀ æ® ª éľ ı éĮ ¾ è¾ ļ éģ ½ æ° ħ çŀ Ł çŀ ł çŀ ° åļ Ħ åļ Ĩ åĻ ¤ æļ ¾ è¹ Ģ è¸ µ è¸ ½ è¹ ī è¹ ģ èŀ ¨ èŀ Ī èŀ ħ èŀ Ń èŀ ł èŀ Ł åĻ ± åĻ « åĻ » åĻ ¼ ç½ ¹ åľ ľ ä ¦ ä¦ ĥ éķ Ĺ éķ ĺ éķ ļ éķ Ľ éķ Ŀ éķ ŀ éķ ł æ° ĩ æ° Ĩ ç© ij ç¯ Ŀ ç¯ ¥ ç¯ ¦ ç¯ ª ç¯ Ļ çĽ ¥ åĬ ĵ ç¿ ± éŃ ī éŃ Ī å¾ ¼ æŃ Ļ èĨ ¦ èĨ Ļ é² ® é² ± é² ³ é² ´ é² µ é² · é² » çį ´ çį Ń çį ¬ éĤ Ĥ é¹ § å» ¨ èµ Ł çĺ ° å» ª çĺ ¿ çĺ µ çĺ ´ çĻ ĥ çĺ ³ éº ĩ éº Ī å ¬´ å£ ħ ç³ Ĺ çĶ ij çĩ İ çĩ ł çĩ Ķ çĩ § æ¿ ij æ¿ ī æ½ ŀ æ¾ § æ¾ ¹ æ¾ ¥ æ¾ ¶ æ¿ Ĥ è¤ ° çª ¸ å¬ ĸ çĬ Ł éļ ° å¬ Ĺ é¢ ¡ ç¼ ± ç¼ ² ç¼ ³ çĴ © çĴ ª èŀ « æĵ ¤ å£ ķ è§ ³ ç½ Ħ æĵ ¢ èĸ ¹ éŀ ¡ éŀ ¬ èĸ · èĹ ĵ èĹ ģ æª Ħ æª © æĩ ĭ éĨ ¢ ç¿ ³ ç¤ ħ ç£ ´ é¹ © é¾ ĭ é¾ Į è± ³ å£ ij é» » åļ ı åļ ħ è¹ ij è¹ Ĵ è¹ Ĭ è Ł¥ èŀ ¬ èŀ µ çĸ ĥ èŀ ³ èŁ ij åļ ĵ ç½ ½ ç½ ¾ å¶ · é» ľ é» Ŀ é« ģ é« Ģ éķ ¡ éķ ¢ éķ £ éķ ¦ éķ § éķ © éķ ª éķ « ç½ ħ ç° Į ç¯ ¾ ç¯ ¼ ç° ĸ ç° ĭ é¼ ¢ åĦ ¡ é¹ ª é¼ ¾ çļ ¤ éŃ į é¾ ł ç¹ ĩ è² ĺ éĤ Ī è² Ķ èĩ Į èĨ » èĩ Ĩ èĩ ĥ é² ¼ é² ½ é³ Ģ é³ ĥ é³ ħ é³ ĩ é³ Ĭ èŀ ½ çĩ ® é¹ « ç³ ľ ç¸ » çĻ į éº ĭ æĩ ij æ¿ ¡ æ¿ ® æ¿ ŀ æ¿ ł æ¿ ¯ è¹ ĩ è¬ ĩ éĤ ĥ è¥ ģ æª Ĺ æ ĵĺ åŃ º éļ ³ å¬ · èŁ Ĭ é¹ ¬ éį ª éı Ĭ é¬ Ī é¬ ĥ çŀ ½ éŀ ¯ éŀ ¨ éŀ « éŀ § éŀ £ èĹ ľ èĹ ł éĨ ª è¹ Ļ ç¤ ĵ çĩ ¹ é¤ ® çŀ ¿ æĽ Ľ é¢ ¢ èº ĩ è¹ ļ èŁ Ľ èŁ ª èŁ ł èŁ ® é¹ ® é» ł é» Ł é« ħ é« Ĥ éķ ¬ éķ Ń éķ ¯ é¦ ¥ ç° Ł ç° ª é¼ ¬ éĽ ł èī Ł é³ İ é³ ı é³ IJ çĻ ŀ çĻ Ķ ç³ ¨ è¹ © éİ ı éĤ ĭ é¬ ı æĶ ī éŀ ² éŀ ´ èĹ ¿ èĺ § èĺ ħ éĨ ® éĨ ¯ éħ ĥ éľ ª éľ Ń éľ ¨ é» ¼ åļ ¯ è¹ ° è¹ ¶ è¹ ½ è¹ ¼ è¹ ´ è¹ ¾ è¹ ¿ èł ĸ èł ĵ èŁ ¾ èł Ĭ é» ¢ é« ĭ é« Į éķ ² ç± Ģ é½ ģ éŃ ij èī ¨ é³ ĵ é³ Ķ é³ ķ é³ Ĺ é³ Ļ éı ĸ ç¾ ¸ 㸠Ĩ çĢ £ çĢ Ľ è¥ ¦ è° ¶ è¥ ŀ éª ¥ ç¼ µ çĵ Ĵ æĶ ĺ èĺ © èĺ ĸ éĨ ´ éľ ° éħ Ĩ çŁ į èº ħ é¼ į å· ī é» © é» ¥ é» ª éķ ³ éķ ´ é» § çº Ĥ çĴ º é¼ ¯ èĩ ľ é³ ľ é³ Ŀ é³ Ł çį ¾ åŃ Ģ éª § ç ĵĺ é¼ Ļ éĨ º ç¤ ´ é¢ ¦ æĽ © é³ ¢ éº Ŀ å¤ Ķ çĪ Ŀ çģ ı ç¦ ³ éIJ ¾ ç¾ ¼ èł ¡ èĢ ± é¹ ³ æ° į é¥ ķ èº IJ é« ij éķ µ ç© ° é¥ Ķ é¬ » é¬ Ł è¶ ± æĶ « æĶ ¥ é¢ § èº ľ é¼ ¹ çĻ ¯ èł ² èł ¹ èº ŀ è¡ ¢ çģ ŀ è¥ » çº Ľ é¬ £ æĶ ® åĽ Ķ é¦ ķ æĪ Ĩ çĪ ¨ é½ ī äº į å° ¢ å½ ³ åį ¬ æ® ³ ðł Ļ¶ æ¯ Į éĤ ĺ æĪ ĭ åľ ¢ æ° ķ ä¼ ĭ ä» Ŀ åĨ ® æ° ¿ æ± Ī æ° ¾ å¿ ī å® Ħ 𬣠Ļ è® ± æī ŀ åľ ² åľ « èĬ ı èĬ ĥ æľ ³ æľ ¸ ð¨ Ļ ð¨Ļ ¸ éĤ ¨ åIJ Ĵ åIJ ĸ å± ¼ å± ¾ è¾ ¿ éĴ Ĩ ä» ³ ä¼ £ ä¼ Ī çĻ ¿ çĶ ª éĤ ł çĬ ´ åĨ ± éĤ ¡ ð¬ĩ ķ æ± ĭ ä ľ äľ £ è® » 𬣠ŀ åŃ ĸ ð¬ĺ ĵ çº © çİ Ĵ çİ ĵ çİ ĺ çİ ļ åĪ ¬ ð«Ń Ł åĿ ľ åĿ ī æī ½ ð«Ń ¢ åĿ ĭ æī º 㧠ij æ¯ IJ èĬ ° èĬ £ èĭ Ĭ èĭ ī èĬ ĺ èĬ ´ èĬ ł ð« ĩ ð«ĩ Ń èĬ ¤ æĿ ķ æĿ Ļ æĿ Ħ æĿ § æĿ © å° ª å° ¨ è½ ª ð«IJ Ħ åĿ Ĵ èĬ Ī æĹ ´ æĹ µ åij Ļ ã ķ ãķ ® å² į ð« µ 𫵠· å² ł å² ľ åij ĩ åĨ ı è§ ĥ å² Ļ ä¼ ¾ ãij ĩ ä¼ Ń ä½ ĸ ä¼ ² ä½ ģ é£ ı çĭ ĥ éĹ ¶ æ± § æ± « 𣲠ĺ ð£² Ĺ æ² Ħ æ² ĺ ð¬ĩ Ļ æ± Ń ã³ ĩ æ² ĩ å¿ ® å¿ ³ å¿ º 𬣠¡ ç¥ ĥ è¯ ĩ éĤ ² è¯ İ è¯ IJ å± ĥ ð« ¸ 𫸠© å² Ĭ éĺ ½ ä¢ º éĺ ¼ å¦ § å¦ ĺ ð¨ ļ ð¨ļ ķ çº ® é© ² ð«ĺ ľ çº » ð¬ĺ ĺ ð«ĺ Ŀ çº ¼ çİ ¤ çİ ŀ çİ ± çİ Ł éĤ ½ éĤ ¿ åĿ ¥ åĿ ° åĿ ¬ åĿ ½ å¼ Ĩ èĢ µ ä¢ ¼ ð¦ Ń ð¦Ń ľ èĮ ĭ èĭ § èĭ ¾ èĭ ł æŀ ħ ãŃ İ æŀ ĺ æŀ į çŁ ¼ çŁ » åĮ ¼ 𬨠Ĥ ð¬Ģ © ð¬Ģ ª æĹ ¿ æĺ Ħ æĺ Ĵ æĺ Ī åĴ ī åĴ ĩ åĴ į å² µ å² ½ å² ¨ å² ŀ å³ Ĥ ã Ł ãŁ ĥ åĽ · 𬬠© éĴ IJ éĴ Ķ éĴ ĸ çī ¥ ä½ ´ åŀ Ī ä¾ ģ ä¾ ¹ ä½ ¸ ä½ º éļ ¹ ãij Ĭ ä¾ Ĥ ä½ ½ ä¾ ĺ éĥ Ī èĪ ł éĥ IJ éĥ ĥ æĶ ½ èĤ Ń èĤ ¸ èĤ · çĭ ī çĭ Ŀ é¥ ³ å¿ ŀ çĤ Į çĤ Ĩ æ³ Ļ æ² º æ³ Ĥ æ³ ľ æ³ ĥ æ³ ĩ æĢ Ĭ å³ ĥ ç© ¸ ç¥ ĭ ç¥ Ĭ ð«į £ 𬣠³ 𬠩½ é¸ ¤ å¼ ¢ å¼ ¨ éĻ ij 𬮠¿ éĻ İ ð¬¯ Ģ åį º ä¹ ¸ å¦ Ń å§ Ī ð« ° ð«° Ľ è¿ ³ åı ķ 𬳠µ é© µ 𬳠¶ ä Į äĮ ¹ é© º ð«ł Ĭ ç» ĭ ç» IJ çł ī èĢ Ķ ãĽ ĥ çİ ¶ çı ĩ çı ħ ð¬į Ľ çı ĭ çİ ¹ çı Į çİ ¿ éŁ ¨ åŀ ļ åŀ ¯ åŀ Ļ åŀ ² åŁ ı åŀ į èĢ ĩ é¿ į åŀ İ åŀ ´ åŀ Ł åŀ ŀ æĮ ĵ åŀ µ åŀ ı æĭ ¶ èį ĸ èį ģ èį Ļ èį Ľ èĮ Ī èĮ ½ èį Ħ èĮ º ð¬ľ ¬ èį ĵ èĮ ³ 𦠰 𦰠¡ èĮ Ľ èį Ń ãŃ ķ æŁ · æŁ ĥ æŁ Ĭ æŀ ¹ æł IJ æŁ ĸ éĥ ļ åī ħ ä´ ĵ è¿ º åİ ĸ çł Ĩ çł ij çł Ħ èĢ ı å¥ ĵ ä ¶ ä¶ ® è½ µ è½ · è½ ¹ è½ º æĺ º 𪠾 𪾠¢ æĺ ½ çĽ · åĴ ¡ åĴ º æĺ ³ æĺ £ æĺ ¤ æĺ « æĺ ¡ åĴ ¥ æĺ ª èĻ · èĻ ¸ åĵ ĥ å³ ĺ èĢ ij å³ Ľ 𪨠° å³ Ĺ å³ § å¸ ¡ éĴ ĺ ð«ĵ § éĴ ľ 𬬠® 𬬠± ð¬¬ Ń éĴ ª éĴ ¬ éĴ Ń çŁ § ç§ ¬ ä¿ « èĪ ģ ä¿ ľ ä¿ Ļ ä¿ į åŀ ķ è¡ İ èĪ £ å¼ ĩ ä¾ ´ é¸ § äı ¡ èĥ ł ð¦ Ļ¶ èĥ Ī èĥ © èĥ £ æľ ı é£ IJ è¨ Ħ é¥ » åº ¤ çĸ ¢ çĤ £ çĤ Ł ã ¶ 㶠² æ´ Ń æ´ ĺ æ´ ĵ æ´ ¿ ã³ ļ æ³ ļ æµ Ī æµ ī æ´ ¸ æ´ ij æ´ ¢ æ´ Ī æ´ ļ æ´ º æ´ ¨ æµ IJ ã³ ĺ æ´ ´ æ´ £ æģ Ķ å® ¬ çª Ģ æī Ĥ è¢ Ĩ ç¥ ı ç¥ IJ ç¥ ķ åı ļ éĻ § éĻ ŀ å¨ Ģ å§ ŀ å§ ± å§ ¤ å§ ¶ å§ ½ æŀ ² ç» ĸ éª ĥ ð¬ĺ ¡ 𬳠½ ð¬ĺ © ð«Ħ § å½ ĸ éª ī æģ Ŀ çı ª çı Ľ çı ¹ çIJ Ĭ çİ ¼ çı ĸ ðª Ł ðªŁ Ŀ çı ½ çı ¦ çı « çı Ĵ ð¬į ¤ çı ¢ çı ķ çı Ŀ ð«Ń ¼ åŁ Ĺ åŀ ¾ åŀ º åŁ Ĩ åŀ ¿ åŁ Į åŁ ĩ èİ ° èĮ Ŀ ð¬ľ ¯ éĦ Ģ èİ ¶ èİ Ŀ äĵ ĸ èİ Ļ æł » æ¡ ł ð¬ Ĥ ð¬Ĥ © æ¡ Ħ æ¢ ł æł ´ æ¢ ´ æł Ĵ éħ İ éħ ı ð«ł Ĩ çł µ çł ł çł « çł ¬ ç¡ ģ æģ § ç¿ ĥ éĥ ª ð¨ IJ ð¨IJ Ī è¾ Ģ è¾ ģ ð¬ Į ð¬Į Ĺ åī ķ èµ Ģ åĵ ¢ æĻ ħ æĻ Ĭ åĶ Ŀ åĵ ³ åĵ ± åĨ Ķ æĻ Ķ æĻ IJ çķ ĸ èļ Ħ èļ Ĩ ð« ij ð«ij ¡ å¸ ± å´ ģ å³ ¿ 𪨠¶ å´ Ħ å¸ ¨ å ´Ģ èµ Ĩ 𬠬¸ éĴ · 𬬠» 𬬠¹ 𬬠¿ ð¬Ń ģ çľ ļ çĶ ¡ ç¬ « åĢ » åĢ ´ èĦ © åĢ ® åĢ ķ åĢ ŀ ð« ¢ ð«¢ ¸ åĢ ĵ åĢ § è¡ ĥ èĻ Ĵ èĪ Ń èĪ ¯ èĪ ¥ çĵ ŀ é¬ ¯ é¸ ° èĦ İ æľ ĵ èĥ ² èĻ ĵ é± ½ çĭ ´ å³ ± çĭ » çľ ¢ ð«Ĺ § åĭ į çĹ Ħ çĸ ° çĹ ĥ ç« ĺ ç¾ ĸ ç¾ ĵ æ¡ Ĭ æķ ī çĥ ł çĥ Ķ çĥ ¶ çĥ » ð¬Ĭ Ī æ¶ į æµ ¡ æµ Ń æµ ¬ æ¶ Ħ æ¶ ¢ æ¶ IJ æµ ° æµ Ł æµ Ľ æµ ¼ æµ ² æ¶ ĺ æĤ Ī æĤ ĥ æĤ ¢ ð¬Ĵ Ī å® § çª ħ çª Ĭ çª İ æī ħ æī Ĩ è¢ ª è¢ Ĺ è¢ ¯ ç¥ § éļ º åł ² çĸ į 𨠺 𨺠Ļ éĻ ´ ç ĥĿ çł ® ãĽ ļ åĵ ¿ ç¿ Ģ ç¿ Ĥ åī Ł 𬳠¿ ð«Ħ ¨ ç» ¤ éª į ð¬ĺ « ä Ĥ äĤ ® çIJ İ çı ¸ çı µ çIJ Ħ çIJ Ī çIJ Ģ çı º æİ Ń åł İ åł IJ åŁ ¼ æİ İ åŁ « åł Į æĻ ¢ ð« ® ð«® ĥ æİ ŀ åŁ ª å£ ¸ ãĻ į èģ į èı Ŀ èIJ ļ èı ¥ èİ ¿ äĵ « åĭ ļ äĵ ¬ èIJ Ĩ èı Ĥ èı į èı ¼ èIJ £ äĵ ¨ èı ī äĵ Ľ æ¢ ¼ æ¢ ½ æ¡ ² æ¢ ¾ æ¡ ¯ æ¢ £ æ¢ Į æ¡ ¹ æķ Ķ åİ £ ç¡ Ķ é¿ İ ç¡ Ļ ç¡ ļ ç¡ Ĭ ç¡ į åĭ Ķ ä´ ķ é¾ ģ éĢ ´ åĶ ª åķ « ç¿ Ī ã « ã« ° æĻ Ļ çķ ¤ 𬱠ĸ è¶ ¼ è· Ĥ èĽ ĥ èļ ² ð¬Ł ½ èļ º åķ ´ äİ ĥ å´ § å´ Ł å´ ŀ å´ Ĵ å´ Į å´ ¡ éĵ ı ð«ĵ ¯ ð«Ł ¹ éĵ ķ ð«Ł ¼ éĵ ĸ éĵ ĺ éĵ ļ éĵ ŀ éĵ ¥ éĵ ´ çī » çī ¿ ç¨ Ĩ ç¬ ± ç¬ ¯ åģ ° åģ ¡ é¸ º åģ Ń åģ ² åģ ģ ã ¿ ã¿ ł éĦ ħ åģ ĵ å¾ Ľ è¡ Ĵ èĪ ³ èĪ ² é¸ ¼ æĤ Ĩ éĦ ĥ çĵ » ä Ŀ äĿ Ļ èĦ ¶ èĦ ŀ èĦ Ł äı ² é± ¾ çĮ ĩ çĮ Ĭ çĮ Ħ è§ ĸ ðł ħ ðłħ ¤ åº ± åº ¼ åº ³ çĹ ĵ ä´ Ķ ç« « åł ĥ éĺ Į ç¾ Ŀ ç¾ ķ çĦ Ĩ çĥ º çĦ Į æ· ı ð¬ĩ ¹ æ· Ł æ· ľ æ· ´ æ· ¯ æ¹ ´ æ¶ ´ ð¬į ¡ ã ¥ 㥠Ħ æĥ Ľ æĥ Ķ æĤ ° æĥ Ļ å¯ ģ éĢ Ń ð¬¤ ĩ ð«į ¯ è¢ ¼ è£ Ī ç¥ ² 𬤠Ĭ ð«į ² è° ŀ èī ´ å¼ ¸ å¼ ¶ ð¬¯ İ éļ ĥ å© ŀ å¨ µ å© ¼ åª ĸ å© ³ å© į å© Į å© « å© ¤ å© ĺ å© ł ð¬ĺ ¬ ð¬ĺ Ń ð¬´ Ĥ ð«ĺ ¦ ç» ¹ ð«Ł ħ ð¬ĺ ¯ éª ķ ð«ĺ § çµ ľ çı · çIJ ² çIJ ¡ çIJ Ł çIJ Ķ çIJ Ń åł ¾ åł ¼ æı ķ ãĻ ĺ åł § åĸ Ĩ åł ¨ å¡ ħ åł ł çµ · 𪠣 𪣠» ð¡ İ ð¡İ ļ è ijľ æĥ İ èIJ ³ èij Ļ éĿ ¬ èij ´ èĴ ĩ èĴ Ī éĦ ļ èĴ ī èĵ ĩ èIJ © èij ° èij İ éĦ ij èĴ İ èij ĸ èĴ Ħ èIJ ¹ æ£ ¤ æ£ ½ æ£ « æ¤ ĵ æ¤ ij ð¬ ĥ ð¬ĥ Ĭ é¹ Ģ æ¤ Ĩ æ£ ĵ æ£ ¬ æ£ ª æ¤ Ģ æ¥ Ĺ ð¬ · 𬷠ķ çĶ ¦ éħ ¦ è§ Į å¥ ¡ çļ ķ ç¡ ª æ¬ ¹ è© Ł ð«IJ IJ è¾ Į æ£ IJ é¾ Ĥ 𬠹 𬹠¼ é» ¹ çī ļ çĿ İ æĻ « æĻ ª æĻ ± ð § ð§ ¿ 𧿠¹ èĽ ij çķ ¯ æĸ Ŀ åĸ ¤ å´ ¶ åµ ģ ð« ¶ 𫶠ĩ å´ ¾ åµ ħ å´ ¿ åµ ļ ç¿ Ļ ð«ĸ ® åľ Į åľ IJ èµ ij èµ Ĵ é¿ ı éĵ ¹ ð¬Ń Ĭ éĵ ½ 𨱠ĩ ð«ĵ ¶ éĶ Ĭ éĶ į éĶ İ ð¬Ń İ éĶ ĵ çĬ ĩ é¢ ĭ ç¨ Į çŃ Ģ çŃ ĺ çŃ ľ çŃ ¥ çŃ ħ åĤ ĥ åĤ ī ç¿ Ľ åĤ Ĵ åĤ ķ èĪ ¾ çķ ¬ ð«ĸ ¯ èĦ ¿ èħ ĺ ä IJ äIJ ĥ èħ Ļ èħ Ĵ 𬱠Ł é² ĥ çĮ ° ð« Ľ ð«Ľ Ń çĮ ¯ ã º 㺠Ħ é¦ ī åĩ ĵ éĦ Ĺ ð« · ð«· · å» ĭ å» Ĩ éĦ Į ç² ¢ éģ Ĩ æĹ IJ 𬮠± çĦ ŀ ð¬Ĭ ¤ æ¬ » 𣠸 𣸠£ æº ļ æº ģ æ¹ Ŀ æ¸ ° æ¹ ĵ ã ´ ã´ Ķ æ¸ Ł æº ł æ¸ ¼ æº ĩ æ¹ £ æ¹ ij æº ŀ æĦ IJ æĦ ĥ æķ © çĶ ¯ æ£ ¨ æī Ĭ è£ £ ç¥ ¼ å© » åª Ĩ åª ŀ ãĽ ¹ åª ĵ åª Ĥ åª Ħ æ¯ µ çŁ ŀ 𬴠ĥ ð«ĺ ¨ ç¼ Ĭ ç¼ IJ éª Ļ çij ĥ çij ĵ çij ħ çij Ĩ ä´ ĸ çij ĸ çij Ŀ çij Ķ çij Ģ 𤠧 𤧠Ľ çij ³ çij Ĥ å¶ ħ çij ij éģ ĺ é« ¢ å¡ ¥ åł ½ èµ ª æij Ľ å¡ Ŀ æIJ Ĵ æIJ Į èĴ ± èĴ ¨ èĵ ı èĶ Ģ èĵ ¢ èĵ Ĥ èĴ » èĵ £ æ¤ ¹ æ¥ ª æ¦ ĥ æ¦ ħ æ¥ Ĵ æ¥ © æ¦ ĩ æ¤ ¸ æ¥ Ļ æŃ ħ 𬠪 𬪠© ç¢ ĥ ç¢ ı ð¬Ĵ Ķ ç¢ Ī äĥ ħ ç¡ ¿ éĦ ł è¾ Ĵ ð¬¨ İ ð«IJ ĵ é¾ Ĩ è§ ľ ä £ ä£ ĺ æļ ķ é¹ į ð« « ð«« ĩ 㬠Ĭ æļ ħ è· ± èľ IJ èľ İ åµ ² èµ Ĺ éª ± éĶ ĸ ð«ĵ ¹ éĶ ĺ éĶ ³ éĶ § éĶ ª ð¬Ń ļ éĶ « éĶ ¬ ð¬Ń Ľ ç¨ ij ç¨ Ļ ä ħ äħ Ł ð¬ ķ ð¬ķ Ĥ çŃ » çŃ ¼ çŃ ¶ çŃ ¦ çŃ ¤ åĤ º é¹ İ åĥ ĩ èī ħ èī ī è° ¼ è² Ĩ èħ ½ èħ ¨ èħ ¯ é² ī é² Ĭ é² Į ä² Ł 𬶠ĭ 𬶠į é² ı éĽ Ĭ çĮ º é£ Ķ è§ Ł ð¦ Ŀ¼ é¦ Į è£ Ľ å» Ĵ çĺ ħ éĦ ĺ é¹ Ĵ éĦ ľ éº Ģ éĦ £ éĺ ĺ ð«Ķ ¶ çħ ģ çħ ĥ çħ ´ çħ ĭ çħ Ł çħ ĵ æ» ł æº į æº ¹ æ» Ĩ æ» ī æº ¦ æº µ æ¼ · æ» § æ» ĺ æ» į æĦ Ń æħ ¥ æħ Ĩ å¡ ± ð« ĮĢ è £¼ ç¦ ĭ ç¦ Ķ ç¦ ĺ ç¦ Ĵ è° « é¹ Ķ ð«ĸ ³ æĦ į å« Ħ åª ± æĪ ¤ åĭ ł æĪ £ ð«ĺ ª ð«ĺ ¬ ç¼ ŀ èĢ ¤ çij § ð« ŀ ð«ŀ © çij ¨ çij ± çij · çij ¢ æĸ ł æij ı å¢ ķ å¢ Ī å¢ IJ å¢ ĺ æij ´ éĬ İ ð¡ IJ ð¡IJ ĵ å¢ ļ æĴ ĸ 𪠤 ðª¤ Ĺ éĿ ½ éŀ ģ èĶ Į èĶ Ī èĵ ° èĶ ¹ èĶ Ĭ åĺ ı æ¦ ° æ¦ ij æ§ ļ ð£ Ĺ ð£Ĺ ĭ æ§ ľ æ¦ į çĸ IJ 𬸠ĺ éħ º éħ ¾ éħ ² éħ ´ ç¢ ¶ äĥ İ ð¬Ĵ Ĺ ç¢ ¨ ð¥ Ķ ð¥Ķ ² ç¢ ¹ ç¢ ¥ åĬ Ĥ ð«ļ ĸ ä´ Ĺ å¤ ¥ çŀ į é¹ ĸ ã¬ İ è· ½ èľ ¾ å¹ ĸ å¶ į åľ Ļ 𨱠ı éĶ º éĶ ¼ éĶ ½ ð¬Ń ¤ éĶ ¾ éĶ ¿ éķ ĥ éķ Ħ éķ ħ é¦ Ŀ é¹ Ļ ç® ¨ ç® ĸ åĬ Ħ åĥ ¬ åĥ ¦ åĥ Ķ åĥ İ æ§ ĥ ãĻ ¦ é² Ĵ é² ķ ð«ļ ķ é² ĸ é² Ĺ é² ĺ é² Ļ 𬶠IJ 𬶠ı ð ©½ 𩽠¾ å¤ IJ çį į é£ Ĺ ð¬¸ ļ åĩ ĺ å» ij å» Ļ çĺ Ĺ çĺ ¥ çĺ ķ é² Ŀ éĦ « çĨ ĩ æ¼ ¹ æ¼ ĸ æ½ Ĩ æ¼ ¤ æ½ © æ¼ ¼ æ¼ ´ ã ½ ã½ ı æ¼ Ī æ¼ ĭ æ¼ » æħ ¬ çª ¬ çª Ń ã ® ã® ¾ 𬤠Ŀ è¤ ķ ç¦ Ľ ç¦ ļ éļ © å« ķ å« Ń å« ľ å« ª ð¬ ĻĤ ã » ã» ¬ éº ¹ çĴ Ĩ æ¼ ¦ åı ĩ å¢ £ å¢ ¦ å¢ ¡ åĬ IJ èĸ ģ èķ ° èĶ ĥ é¼ Ĵ æ§ ± é¹ Ŀ ç£ ı ç£ ī æ® £ æħ Ń éľ ħ æļ µ æļ ² æļ ¶ è¸ ¦ è¸ £ äĹ ĸ èĿ ĺ èĿ ² èĿ ¤ åĻ ĩ å ĻĤ åĻ Ģ ç½ ¶ å¶ ² å¶ ĵ ãł ĩ å¶ Ł å¶ Ĵ éķ Ĩ éķ Ī éķ ĭ éķ İ ð¬Ń © éķ ķ ç¨ ¹ åĦ ĩ çļ ŀ çļ Ľ ä´ ĺ èī İ èī ı é¹ Ł 𩾠ĥ é² ¦ é² ª é² ¬ æ© ¥ è§ Ń é¹ ł é¹ ¡ ç³ ĩ ç³ Ī ç¿ ¦ é¹ ¢ é¹ £ çĨ Ľ æ½ ĸ æ½ µ ã µ ãµ IJ æ¾ Ĥ æ¾ Ľ çij ¬ æ½ ½ æ½ ¾ æ½ ı æĨ Ń æĨ ķ 𬸠£ æĪ Ń è¤ ¯ ç¦ ¤ ð«į ½ å« ½ éģ ¹ 𬴠Ĭ çĴ ¥ çĴ ² çĴ Ĵ æĨ Ļ æĵ IJ éĦ ¹ èĸ ³ éŀ Ķ é» ĩ ð¬ ŀ ð¬ŀ Ł èķ Ĺ èĸ ¢ èķ ¹ æ© ŀ æ© ij æ© ¦ éĨ ij è§ ± ç£ ¡ ð¥ ķ ð¥ķ ¢ ç£ ľ è± ® ð«Ł ¦ 𬺠Ī ð«ł ľ é¹ ¾ èĻ ¤ æļ ¿ æĽ Į æĽ Ī 㬠ļ è¹ ħ è¸ ¶ äĹ Ľ èŀ Ĺ çĸ ģ ãł ĵ å¹ ª 𪠩 𪩠ĺ å¶ ¦ ð¬Ń ¬ 𨱠ij ð¬Ń ¯ é¦ ŀ ç© Ħ ç¯ ļ ç¯ ¯ ç° ī é¼ ½ è¡ ł çĽ ¦ èŀ £ ç¸ ¢ é² Ń é² ¯ é² ° é² º é² ¹ ð«Ĺ ´ äº ¸ çĻ Ģ çĺ Ń ð¬¸ ¦ ç¾ ± ç³ Ĵ çĩ ĭ çĨ » çĩ Ĭ çĩ ļ çĩ ı æ¿ © æ¿ ĭ æ¾ ª æ¾ ½ æ¾ ´ æ¾ Ń æ¾ ¼ æĨ · æĨ º æĩ Ķ é» ī å¬ Ľ é¹ ¨ ç¿ ¯ ð«Ħ · çĴ ± 𤠩½ çĴ ¬ çĴ ® é« ½ æĵ ¿ èĸ ¿ èĸ ¸ æª ij æ« Ĩ æª ŀ éĨ ¨ ç ¹Ħ ç£ ¹ ç£ » çŀ « çŀ µ è¹ IJ èŁ ı ã ĺ ãĺ İ ð¬Ń ³ éķ ¤ ð¬Ń ¶ ð«Ķ į éķ ¥ éķ ¨ ð¬Ń ¸ 𨱠Ķ ð¬Ń ¼ ð«Ķ İ çŁ ° ç© Ļ ç© ľ ç© Ł ç° ķ ç° ĥ ç° ı åĦ ¦ éŃ ĭ æĸ ¶ èī ļ 𬸠ª è° ¿ ä² ł 𬶠Ł é² ¾ 𬶠ł é² ¿ é³ ģ é³ Ĥ é³ Ī é³ ī çį ¯ äĹ ª é¦ ĺ è¥ ķ è¥ ļ 𬶠¨ èŀ ± çĶ ĵ å¬ ¬ å¬ ¥ ð¦ Ī ð¦Ī ¡ ð«Ħ ¸ çĵ Ģ éĩ IJ é¬ ¶ çĪ ĩ éŀ ³ éŀ ® ð¬Ł ģ èĹ Ł èĹ ¦ èĹ ¨ é¹ ² æª « é» ¡ ç¤ ŀ ç¤ Į ð¥ ĸ ð¥ĸ ¨ è¹ ¢ è¹ ľ èŁ « äĹ ´ åļ ļ é« ĥ éķ ® éķ ± éħ Ĥ é¦ § ç° ł ç° Ŀ ç° ° é¼ « é¼ © çļ ¦ èĩ ij ä² ¢ é³ ij é³ Ĵ é¹ ± é¹ ¯ çĻ Ĺ ð¦ Ĵ ð¦Ĵ į æĹ ŀ ç¿ · åĨ ģ äİ ĸ çĢ Ķ çĢ į çĢ Į è¥ ľ ä´ Ļ ð¬Ļ Ĭ åļ Ń ã ° ã° Ģ é¬ · éĨ Ń è¹ ¯ èł ĭ ç¿ ¾ é³ ĺ åĦ ³ åĦ ´ é¼ Ĺ ð¬¶ Ń ð©¾ Į é³ ļ é³ Ľ éº ij éº ĸ èł ĥ å½ Ł å¬ ¿ é¬ Ĵ èĺ ĺ æ¬ Ĥ é Ĩµ é¢ ¥ çĶ Ĺ ð¨ Ł ð¨Ł ł å· ĩ éħ ħ é« İ çĬ ¨ 𬶠® ð¨ Ń ð¨Ń ī 㸠Į çĪ Ķ çĢ ± çĢ ¹ çĢ ¼ çĢ µ è¥ « åŃ ħ éª ¦ ð¬Ļ ĭ èĢ ° 𤠫 𤫠ī çĵ ĸ é¬ ĺ è¶ ¯ 𬺠ĵ ç½ į é¼ ± é³ ł é³ ¡ é³ £ çĪ Ł çĪ ļ çģ Ī éŁ Ĥ ç³ µ èĺ ¼ ç¤ µ é¹ ´ èº Ķ çļ Ń é¾ ¢ é³ ¤ äº ¹ ç± ¥ é¼ · ð«ļ Ń çİ ĥ éĨ ¾ é½ ĩ è§ ¿ èł ¼ × § × ¤ × Ľ ×ķ× ª × ¡ ×Ļ× Ŀ × ¦ × Ĵ × ĺ ×ķ× ¨ × Ŀ ×ķ× ľ × ĸ ๠Ĥ ï º ðŁ į ðŁ IJ ×Ļ× ¨ ï » ðŁ ij ðĿ IJ ðŁ ı ðŁ Ķ ðŁ Į ðŁ İ ðŁ ĵ × Ł ðĿ ij ×ķ× ĵ ï ¦ Ġ× ķ ×ķ× ij à¸Ń à¸ĩ ðĿ ĺ ×Ļ× ª ðĿ ķ à¸Ĺ ีà¹Ī Ø§Ø ¦ ðŁ ¤ ×ķ× Ł ر ÙĬ ×Ļ× ľ ร ะ า ย ï ¯ ï ® า ม â ĩ ðŁ ¥ ï Ń ðĿ Ļ ×ķ× ł á ½ Ġ× Ľ ðŁ ļ â ļ ï § ×ij ר ×Ļ× ł á ´ Ġ× Ĺ á ¼ ðĿ Ĺ Ġ× ¢ ×Ļ× Ķ ãģ£ ãģŁ ãģĵ ãģ¨ á ¸ ÙĬ ÙĨ ãģª ãģĦ ا ع ภ¨ à¹Ī à¸ĩ ×Ļ× ĵ ×ŀ ש á Ī ׳ ×Ļ ×Ļ× ij ï ¥ ðĿ ĵ Ġ× Ļ × ļ ั à¸ĩ â ĵ ï ¤ ĠاÙĦ Ø£ า à¸ģ à¹ī à¸Ļ à¹Ģ ร ×ķ× Ŀ á ¹ ภ¶ ×Ļ× § ภĭ à¸Ħ ร ภĺ ั à¸ģ ðŁ ķ ÙĪ ÙĨ à¸Ń ย â Ĭ ðĿ Ĵ ĠاÙĦ ع า à¸Ļ ×Ļ× Ł ÙĦ ÙĬ ×Ļ× © à¸Ľ ระ à¹Ģ à¸Ľ Ġ× ł ×ķ× ¡ ภł Ùħ ÙĨ ×ķ× ¢ ×ķ× ŀ â Į ðŁ § à¹ĩ à¸Ļ ภį ã İ á µ ĠاÙĦ س ×ķ× § ห ล ðŁ ĩ â ı ðŁ ¦ Ġ×Ķ ×ŀ ÙĪ ا Ġ× ª ר ×IJ à¸Ń à¸Ļ ภ© à¹Ī ว ×ķ× ¦ í Ĺ ã Ħ ï ¨ ï ¹ â İ ï ² ðĿ ļ ð IJ à¸Ħ ว ห à¸Ļ Ġ× ¨ ب ÙĬ ร à¹Į ر ا Ø´ ر ×ķ× Ĺ ×ķ× ¤ ×ķ× © ×ķ× Ĵ í Ŀ â Ľ à¸ķ ิ à¹Ģ à¸ģ ï ³ ï ± à¸Ķ à¹ī ë ¹ ï ¬ á ¿ ðŁ Ľ ðĿ ĸ à¹Īา à¸ĩ ู à¹ī Ġ×Ķ ×IJ ĠاÙĦ ØŃ ×¤ ר ÙĪ Ùħ à¹Ģ ล í ĸ ×Ļ× ¢ ì Ī í ĵ ðŁ ħ á ł à¸Ħว าม à¸Ī ะ ׳ ×Ķ Ġ× § ภŁ à¹ī à¸ĩ ห ม ت Ùħ ׾ ×Ļ ÙĬ د à¹Ī à¸Ļ ׊ר ש ר à¹Ģ à¸Ĺ ×ŀ ר ë ĸ ع ÙĦ ×ŀ ×¢ â ² ׾ ×Ķ Ġ× ¤ à¸Ń à¸ģ س ÙĦ ×Ļ× ŀ ÙĤ ÙĬ í İ Øª ØŃ ×Ļ× ¡ ×Ļ× Ĺ í Ľ ï ° â ½ á ī á Ĭ á ¨ Ùĩ ا Ġ׾ ×Ķ ×ķ× IJ Ùħ ا à¹īà¸Ń à¸ĩ ر ب ĠاÙĦ ج ×ŀ ×ĵ Ùħ ÙĦ ت ر à¹Ģ à¸Ķ ק ר í ħ ì ¼ ê ¿ ã Ī á IJ ðŁ Ĺ ê ¦ á ĭ ðĿ Ķ à¹Ģà¸Ľ à¹ĩà¸Ļ à¹ĥ ห ม า ว à¹Īา ม ี ี à¹ī à¹Ħม à¹Ī ÙĨ ÙĬ Ø ¤ ร า ×ķ ×Ļ ãĤĪ ãģĨ ิ à¸Ķ ×Ļ× ¤ ׊׾ ÙĤ د à¹Ģ ส ×Ļ× ĺ à¸ģ ล ר ׼ ×ķ× Ľ ×Ļ× Ľ ë Ī ë ĥ ðŁ ĸ á ħ â ¼ ã ī à¹Ħ à¸Ķà¹ī ת ×Ļ ×Ļ× IJ ĠاÙĦ Ø¥ à¸ł า ร ิ ÙĤ Ø© ØŃ Ø¯ ê » ì ± ת ×Ĺ ì º â ĭ á Ħ á ¾ â µ â ¾ ĠÙĪ اÙĦ ׳ ×ķ Ù Ģ ÙĬ ا à¸ģ à¹ĩ ×ŀ ×Ķ ãģĦ ãĤĭ ع د ĠاÙĦ ÙĨ Ġ×Ķ ש Ø ¦ ั à¹īà¸ĩ ร ัà¸ļ ÙĪ ÙĤ ãģ§ ãģį à¹Ģ à¸ŀ ׼ ׾ ×ĺ ר ั à¸Ķ à¸Ń า ì ¢ à¸Ń à¸ļ à¸ķ ร à¹Ģ à¸Ĭ ì Ķ ãģĹ ãģ¾ ë ģ ë ķ ðŁ Ļ â Ĵ á ¶ à¹ģ ล ÙĨ ا à¹ĥห à¹ī à¹Ħ à¸Ľ × £ ั ว า à¸ĩ ×ĵ ר ×ij ׾ פ ×Ļ Ġ× ĵ ĠاÙĦ Ùģ à¹Ģ à¸Ĥ ש ×Ķ ×IJ ר ë ¬ ãģ« ãģª ÑĢ о ว ิ Ùħ ر ×IJ ת Ùĥ ر س ب ÙĨ ت ãģĹ ãģĦ ا ج à¸Ń รà¹Į Ùĥ ÙĦ س Ùħ ส ิ ×Ļ× ¦ ë Ŀ í ľ ì ī á Ĩ Ùĩ Ùħ à¸Ļ ีà¹ī ãģĤ ãĤĭ ãģĦ ãģ¦ س ÙĬ ׾ ×IJ د ر ãģ ļ ÙĪ ج ĠاÙĦ Ø® ص ر í ı à¹īา à¸ĩ ุ à¸Ķ ×ķ× ĺ ×ij ×¢ í Ĩ à¸Ĭ า ร ม ש ×ŀ ×ŀ ס ê ´ ì ´ ë ľ ì ¿ ì © ë » â ¤ ðŁ Ĩ á Į á ķ Ø° ا à¸Ĺ ำ à¸ķ à¹Ī ĠاÙĦ ÙĤ ÙĦ Ùĥ ู à¹Ī à¸Ħ ุ ÙĬ Ùħ ׳ ×Ļ×Ŀ ืà¹Ī à¸Ń ÙĪ ع ãĤ ĩ ا ÙĤ Ġ×ij ×¢ à¹Ģ ม ج Ùħ á» « ãģĵãģ¨ ãģĮ ب د ×ķ× Ķ ש ׾ Ùĩ ر à¹Ģ à¸Ļ ãģ ¹ í ĭ ì » ì ½ ë Ń ì Į í Ģ ë Į ë º ã Ĭ à¹ĥ à¸Ļ Ġ× Ĵ ๠Ĩ à¸Ī าà¸ģ ว ย à¹ĥ à¸Ĭ à¸ĩ าà¸Ļ ĠاÙĦ Ø´ ا ØŃ à¹īา à¸Ļ ืà¹Ī à¸Ńà¸ĩ ×IJ ×Ļ ب ÙĦ ãģ¨ æĢĿ ׳ ס ãģ¾ ãģĽ Ùĥ ÙĨ ×¢ ר ĠاÙĦ د ש ת í ŀ Ùħ س ص ÙĦ ×ķ׳ ×Ķ ار Ø© ÙĦ Ùħ ส ม Ø£ ÙĨ ת ר ×IJ ×ŀ ع ب Ø® ت ãĤ ĥ ì ¡ ì £ ив а ส ั ึ à¸ģ ì ¸ ë Ĩ алÑĮ н ì ³ ì į ê ¼ ê ½ ì ı ã Į ã ı ï © ê ª á İ Ġ× ĸ à¸ģ ัà¸Ļ ×Ļ ×ķ à¸Ħ à¸Ļ ׳ ×ķת à¸ľ ูà¹ī à¹ĥ à¸Ī ãģĦ ãģŁ Ùģ ر ×ĺ ×Ļ צ ×Ļ ãĤĤ ãģ® ĠاÙĦ ص ãģ¾ãģĽ ãĤĵ د Ø© ×ij ×Ļ ĠاÙĦ ر Ġ×ŀ ×IJ ส ำ à¹Ģ ห ع ر ãģª ãģı à¸ģร ะ ×ij ×ĵ à¹Ģ à¸Ī ×Ļ× ļ ×Ĺ ×Ļ ÙĬ ع ש ×ij ÙĨ Ø© ÙĪ ض ÙĦ Ùģ ÙĢ ÙĢ פ ×¢ í Ī ×ŀ ק ภIJ ØŃ Ø© ا ص Ñĭв а à¸Ħ ม ว ั à¸Ľ ล ì Ł í ļ ë ´ ë ij ë ī ë ĩ ì ¨ ë ± ë İ â ¬ á ¥ á Ĺ á Ľ á į Å © à¸Ķ ี ô i Ġ× ¡ ׾ ×ķ á»Ŀ i à¸Ħุ à¸ĵ â y à¸Ļ า ×Ĺ ×ĵ ×ĵ ×Ļ ห า ج ÙĦ à¹Ģ ว ãĤĩ ãģĨ Ùħ Ø© ĠاÙĦ Ùĥ Ġ×Ķ ×¢ ج ر ×ĸ ר ا Ø· ׼ ת ×ķ׳ ×Ļ×Ŀ ØŃ Ùħ ê ¶ ر Ùĥ Ġ׾ ×¢ ×ķ× ĸ ส ร צ ׾ Ø ¢ ا ست à¹Ī ม Ø® ر צ ×¢ ×Ļר ×ķת اد Ø© Ø´ ار ×ŀ ×Ĺ í Ĵ à¹Ģร ีย ׊ק Ø§Ø « ร à¸ĩ à¹Ģ à¸ķ à¸Ī ำ ภĿ à¹Īา ย à¸Ħ ล ÙĤ ÙĪ иÑĩеÑģ к à¸ĵ à¹Į ั ย Ùħ ع ë ¨ ë ¿ ë ® ï ´ ì ¥ ì « ë µ á ¡ â į ð ĵ â ° à¸Ĥ à¸Ńà¸ĩ Ù ĭ à¸ģ ัà¸ļ ãģ® ãģ§ à¹ī ว à¸Ńย à¹Īาà¸ĩ ãģ Ń á»ĩ t à¸ķ à¹īà¸Ńà¸ĩ ×ŀ ×Ļ à¹ģ à¸ļ ×Ĵ ר ÙĪ Ùģ ÙĤ ÙĦ à¸łà¸² à¸ŀ ר ×Ļ ล า ÙĬ س Ġ× ¦ ÙĬ Ùģ Ġ× ĺ à¸ľ ล á ng ร ว Ġ×ŀ ש ×IJ ×ķת ×ĸ ×Ķ ู à¸ģ à¸Ļ ัà¸ģ اÙĨ ÙĬ د ا ãģ ³ ׼ ף ãĤī ãĤĮ ãĤĮ ãģ° ת ק ú c ÙĪ ز ×Ļר ×Ķ Ġn gh án h Ġ×ķ ×IJ á» ħ ส ุà¸Ķ ë į° ا ض اÙĦ ÙĬ ب ار ع Ùħ à¸ļ า ت ج à¸ŀ ร ×ķר ×Ķ ả ng Ø® ÙĦ ภī ắ c ש ×Ļ×Ŀ í Ķ Ùģ س ×Ļ× Ĵ п ÑĢ ĠاÙĦ Ø« س Ø· ร ูà¹ī ีà¹Ī ย à¸Ń à¸Ķ ãģª ãĤĬ ×Ĵ ×ĵ ãģĦ ãģ¾ãģĹãģŁ ס ק Ø® ص la ÅŁ ен но ب ØŃ à¸ª à¸Ļ ภ® ר×IJ ש Ùħ ÙĪ دÙĬ د ษ า ×ķ× ļ ãĥ§ ãĥ³ à¸ķ ุ Ġê µ ĠÑģв о צ ×ij à¸Ń ม à¸Ľ ร ت ع ×Ķ ת اÙħ ÙĦ ×ŀ ׳ ç ¶ļ ภ¤ í į ë ĺ ë ¤ ì ij â ´ ã ĭ Ġب اÙĦ á»ģ u ĠاÙĦ ÙĦ à¸ķ ัว Ø° Ùĩ ึ à¸ĩ à¹ĥà¸Ĭ à¹ī á»ĵ ng à¸Ļ ั ม าà¸ģ ãĥ Ł ×ŀ ×ķ à¸Ĺ ย á»Ļ i Ạ± ả o à¹Ĥ à¸Ķ ×IJ ׾ ส าม ÙĪ ب à¸Ĺ ุ ย ัà¸ĩ ×¢ ת ×ķ׳ ×ķת à¸Ĥ ึ à¸Ĥึ à¹īà¸Ļ à¸ģ à¹Ī Ạ« á»ij c ãģĹ ãĤĩãģĨ á»ĭ ch Ġ×IJ ×ķת Ġש ×IJ ׼ ×ķ׾ á»Ļ c ع Ø© à¸Ĺ ี à¹Ģ à¸Ń Ùĥ ت ãģ » Ạ» ìĹ ħ à¸Ń à¸Ńà¸ģ اÙĨ ت à¹Ħ ร Ġ×IJ ×Ĺר Ø· ر ÙĨ د ื à¹īà¸Ń Ø· ÙĦ ×IJ ×Ķ uy ên í ĸī ×ij ×Ķ à¸Ħ à¹Ī à¸Ĭ à¹Īว ãģĤãĤĬ ãģ¾ãģĻ ÙĬ ب ק ׾ ãĥ Ļ Ä © س ر า ว ãĤ ± à¸ļ ริ ר ×Ĵ á»ĥ u ØŃ Øª ×ķ×ŀ ×Ļ ب ÙĨ êµ IJ ÄŁ u ãģª ãĤĵ ×ij ק Ġפ ר ắ n ØŃ ÙĦ ×ij ×Ĺ áº¥ u ×ij ×ķ×ĵ ãĥ ¯ Ġ׾ ק ั à¸į à¸ŀ ิ ×Ĺ ×Ķ ×ĸ ׼ ãĥ¼ãĥ ł ÑĤ елÑĮ ×ŀ ×Ļ×ĵ ÙĬ Ø® Ạ³ ت ص à¸ĺ ิ è¾ ¼ ì ĵ Ùĥ Ø© ÙĤ ب à¸Ħ à¹Į à¹īา ย à¸ĵ ะ า ะ ë Ĵ ê ¾ ë · ì ĩ ê º ì ģ ë Ģ ì ¾ ë ½ ë ļ ì Ń ì İ á ij ë Ĺ ê Ĵ à ¡ à ¬ ðIJ Į ã ĩ ðĿ Ħ Ġ׾ ×IJ ãģ¨ ãģĦãģĨ Ġn hi ×Ļ ×ķת Ġש ×Ķ à¹ģล à¹īว Æ°á»Ľ c à¸Ķà¹ī วย à¸Ĺ าà¸ĩ ׳ ת פ ת à¹ģ à¸ķà¹Ī Æ° ng à¸Ńย ูà¹Ī à¹ī ำ Ġ×IJ ׾ Ùĥ Ùħ ấ p ล à¸ĩ ãģŁ ãĤģ ×Ĵ ׾ ห ร ĠÑĢ е à¹Ģà¸Ĥ à¹īา ÙĤ ر Ġ×Ķ ס ÙĪ ÙĬ สาม าร สามาร à¸ĸ Äĥ n à¸Ń ี פ ×ķ ×Ļ׳ ×ķ ว ัà¸Ļ ặ c íķ Ļ ×ŀ ת ê u Ạ¹ Ùģ ÙĬ ×ŀ צ à¸Ħ า ãģĿ ãģĨ ãĢ ħ ا ز ا Ùĩ ר ×Ļ×Ŀ ấ n ห าร ạ t ÙĨ Ùĩ à¹Ģ à¸Ħร ج Ùĩ ׼ ×Ļ ắ t à¸Ħ à¹īา ر Ø© ãĥ ı Ùĥ ÙĪÙĨ ứ ng Ġìļ ° ย à¹Į à¹Īว à¸Ļ à¸ģ ำ Ø« ر Ñģ и ĠاÙĦ Ø· Ġ×Ķ צ ĠØ · ĠاÙĦ ÙĪ ê¹ Į ØŃ ÙĬ ار ات à¹Ģ à¸ĭ ب ا г ÑĢ ร ี ืà¸Ń à¸Ļ ع ت ÙĤ اÙĦ د Ùħ Ø ¡ Ġ×ŀ ק ×ĵ ×Ļ×Ŀ ×¢ ׾ ãģ Ĵ ëĭ ĺ ×¢ ×Ķ Ġìĸ ´ Ñģ ÑĮ ÙĤ Ø· ãĥ Ľ èĢĥ ãģĪ à¹ģ à¸Ļ ÙĪ ات â u ĠìĤ¬ ëŀ ห ว ĠاÙĦØ£ Ùħ Ġ×Ķ ×ŀש ب ÙĪ à¸Ĭ à¸Ļ ãĤĵ ãģ§ãģĻ ว à¸Ļ à¸ģร รม ×ŀ ×ķ×ĵ Ùĥ اÙĨ ×ķ× £ ол ог ت ÙĨ à¸ķ à¹Į ê² ĥ ר ×ĺ ừ ng ×ķ×ij ×Ķ Ùħ ØŃ ĠÐ § פ ×Ĵ ส à¸ĸ ãģĭ ãĤĬ ını z à¹Ģ ย ãĥ¼ ãĥ³ ãģĬ ãĤĬ פ ש ิ à¸ķ Ø· ÙĨ ×Ļת ×Ļ ×IJ ׳ ç ek ì ª ×ŀ ×ij ศ า ãĤ¹ ãĤ¿ à¸ļ ุ ×ĵ ×ijר ãģĦ ãģı ส ะ à¹Ģ หล ิ à¸ĩ à¸ŀ ัà¸Ļ ãģĦ ãģŁãģł ãĤĤ ãĤī à¹ī ม ãģĵãģ¨ãģĮ ãģ§ãģį าร à¹Į ุ à¸ĩ í ij ì ¯ ë ¼ í Ĥ ì · ê ¡ á ı á Ĵ ðĿ ľ á © ðŁ Ħ ðIJ ¤ Ġש ׾ Ġ×ŀ ×Ķ à¹ģล ะ Ġ׼ ׾ Ạ½ á»Ļ ng Ø° ÙĬ л е × ¥ ãģª ãģ© ĠÙĪ Ø£ หà¸Ļ à¹īา ãģ¾ ãģ§ à¸ķà¹Ī à¸Ń à¸Ĺ ัà¹īà¸ĩ ãģł ãģij à¹ģà¸ļ à¸ļ à¹Ģร า פ ׾ ãģŁ ãģĦ à¹Ģล ย ãģ£ãģ¦ ãģĦãĤĭ ế p ึ à¹Īà¸ĩ ê ´Ģ ê³ Ħ ׼ ×ķ à¹Ģร ืà¹Īà¸Ńà¸ĩ ק ×Ļ êµ Ń ×¤ ס ت ÙĬ ãĥ Ħ Ġ×Ķ ×Ĺ Ð³ и ר×IJ ׾ ×ŀ ׾ ĠØ£ ÙĬ Ġع ÙĦÙĬ ãģĭ ãģ£ãģŁ ש ×Ļ д Ñĥ ×ŀ ף ׳ ×ĺ ׳ ×Ļת mi ÅŁ ׼ ×Ŀ Ġ×ij ר Ġ׾ ×ij ĠÐ Ľ ç e ×ķ׳ ×Ļ ãĤĪãģĨ ãģ« פ ×ķר ãĥ į Ùĥ ÙĬ ×Ĺ ×ª Ùģ ÙĦ Ġ×Ķ ק Ġ×Ķ ×ij Ġ×ŀ ס à¹Īา à¸Ļ п еÑĢ à¹Īา ว Ġ×ij ×IJ ĠÙĪ Ùĩ à¸Ļ ำ Ġ×ij ש ׳ ק ãģ© ãģĨ ש ×ķת ×ĵ ×Ķ à¹Ģ à¸ļ ÙĨ س Ġìļ° 리 ส à¹Īวà¸Ļ ล ัà¸ĩ ج ز Ġ×Ĺ ×Ļ Ùĥ ثر ล ะ Ùĩ د ĠÙĪ ب اÙĦ Ùħ à¹ģ ม Æ¡ i Ġ×ij ×Ĺ á»¯ a à¹Ģà¸Ĺ ศ à¸ķ ัà¹īà¸ĩ ог да ׾ ק د د สร à¹īาà¸ĩ à¸Ĭ ี Ùģ ض à¹ģ ห uy á»ĩn ร ัà¸ģ á»ĩ m ส า פ ק ีย à¸ĩ à¸ķ à¹Īาà¸ĩ à¸Ħร ัà¹īà¸ĩ ØŃ ÙĤ à¹Ģ à¸Ńà¸ĩ ائ ÙĬ ×ĺ ×¢ اÙĦ Ø© ิ à¹Īม ãĤ ½ د Ùī Ġר ×IJ ãģ£ ãģ¨ ãĥĥ ãĥĹ ÙĬر Ø© ê± ´ ×ŀ ×IJ ×ķ ×ķ ب ع ãģ ² ร าย ×ĵ ×Ŀ ت Ùģ à¸ķ à¸ģ ạ ng ãĤĴ è¦ĭ à¸Ĭ ั Æ°á» Ł Æ°á»Ł ng ج ب ×ķ×ŀ ר ĠìĤ¬ëŀ Į ó ng ร ั Ġ×Ķ ×ĸ ר צ Ġ×Ĺ ×ĵ Ø° ÙĦÙĥ ×ķר ×Ļ ãģ¡ ãĤĥ Ùģ ع Ġ׾ צ á i à¹ĩ à¸ļ ãģ İ à¸ģ ิ ạ c ë© ° ãģª ãĤĭ ×ķ׾ ×Ŀ à¹ģ à¸Ĺ ×ķ× ¥ м еÑĤ ü ÅŁ ÑĢ Ñı ภĴ ÑģÑĤ оÑı ع ÙĪد Ùħ ار Ø· Ø© à¸ŀ ื к ÑĢ à¹ģ à¸ģ à¹Ĥ รà¸ĩ ×ij ×Ļ×ĺ ê² ł ×ķ׾ ×Ķ ØŃ Ø± ืà¹Ī à¸Ńà¸Ļ ×ķ×ij ר ׊ש ãĥķãĤ ¡ ×ŀ ×ĺ ú t Ġd ön ắ ng ëł ĩ ẳ ng ว à¸ģ ص د Ø® Ø· à¸Ń ั ãĤı ãĤĮ سÙĦ اÙħ à¹Ģร à¹ĩ ×Ļש ×Ļ ج اÙĦ ãģij ãĤĭ à¸Ĭา à¸ķิ ÙĪا ÙĤ à¹Ĥ à¸Ļ ãģ¦ ãģĹãģ¾ اع Ø© ãĤŃ ãĥ£ à¸į า ÙĦا ÙĤ ิ à¸ģ ĠÑģ ов ÑĢаРº ×Ļ׳ ×Ļ ü ÄŁ Ã¼ÄŁ ü ק ×ij à¹Ī à¸Ńà¸ĩ Ġger çek à¸Ĺ ั ов аниÑı ×ŀ ׼ س Ø© ×Ļ× £ le ÅŁ Ùħ ؤ ĠìĿ ĺ à¸IJ าà¸Ļ ĠÑģ об Ġêµ Ń ×¢ צ з в ส à¸ĩ ز ÙĦ ãģı ãĤĮ и ÑĢÑĥ ت Ø£ п олн ìĺ Ģ ÙĨ Ø´ ׼ ×IJ Ùħ Ø´ à¸Ķ à¹Į ÙĪ ÙĬÙĦ à¹ģ à¸Ĥ ãģ£ãģ¦ ãģĹãģ¾ но ÑģÑĤ в л Ùħ ÙĤ را ج å¤ ī ë Ľ â ¸ ì IJ à » á ļ â » ê Ļ â § ð Ĵ ðĿ ĩ Ġ×IJ ת ĠÙĦ ÙĦ ĠØ£ ÙĨ Ġ×ķ ×Ķ ãģ« ãģ¯ Ġ×Ļ ש ت Ùĩ ÃŃ nh ÙĬ ات Ġ×ij ×ŀ à¸Ļั à¹īà¸Ļ à¸Ļ à¹īำ Ãł o à¸ķ าม ãģ® ãģ¯ d ır Ġn ghi ặ t ×ŀ ×Ļ×Ŀ ãģ¦ ãģĦãĤĭ Ġ×ij ת หร ืà¸Ń Ġس ÙĬ ãģª ãĤī à¹Ĥà¸Ķ ย ı yor à¸Ńี à¸ģ á»ĩ nh Ñĭ м à¸Ĺุ à¸ģ Ġ׾ ×Ĺ Ġ×Ķ ר Ġ×Ķ ×Ļ à¸ŀ ระ à¹Ģว ลา ĠØ º ẫ n m Ä±ÅŁ ׼ ×Ķ á»ij n ãģ§ ãģĹãĤĩãģĨ ãĥ ¢ à¸Ľ ี ס ×Ļ ãģĵ ãĤį Ġ׾ פ ร à¸ĸ ê¸ Ī à¸ģ วà¹Īา ë ¬´ á»į ng ãĤĵ ãģ§ ãĤĪãģĨ ãģª á»ĵ i ãĤ ¬ ส à¹Īà¸ĩ ×Ļ׳ ×Ķ à¸ĸ ูà¸ģ à¸Ī ัà¸Ķ Ġ×Ķ ×Ĵ ãĥ ľ ×ŀ ×ķת ÙĪ Ùĥ ëĭ ¨ ĠØ « ãģ® ãģĮ à¹Ģห à¹ĩà¸Ļ ع ا à¸Ļ ิ Å ŀ à¸Ń ะ ãģĪ ãĤĭ Ø« ÙĦ ØŃÙħ د à¹Ģà¸ģ ิà¸Ķ פ שר פ ×Ķ ม ิ ئ ÙĬس à¸Ĺำ à¹ĥหà¹ī ×¢ ×ĵ ìĭ ¤ à¸Ĭà¹Īว ย ĠاÙĦÙħ ÙĨ ز ÙĬ ع ÙĬ Ġ׼ ×IJ ạ nh á» ¹ ãĤĵ ãģª ส ู צ ר Æ°á»Ľ ng ×ķ ×ķ×Ķ à¹Ĥ ล ĠاÙĦ Ùĩ ว า หล าย Ñī е à¸Ĥ à¹īà¸Ń à¹īà¸Ń ย ب Ø· ка Ñı ĠØ ¢ Ġи Ñģ ĠاÙĦ غ à¸ģ า à¸Ļ à¹Īา ÙĬ ÙĪ ×ij ×ķר á»ħ n ว à¸ĩ ×Ļ× ĸ ì² Ń Ð½ им ëŁ ° ×Ĵ ×ķר ص ØŃ ÙĦ ÙĪ ×Ĺ ×ķת ส ุ رÙĬ ÙĤ ס ×ĺ Ġ×ŀ ×¢ ãĥĨ ãĤ£ à¸Ħ ิà¸Ķ ãĤį ãģĨ à¹Ħ ล à¸Ļ à¹Į á»ı i ÑģÑĤÑĢ о ส à¸Ķ ส าร ÙĪÙĦ Ø© ầ m ร à¹Īว รà¹Īว ม ร ุ ĠاÙĦس ÙĬ ìĺ ģ Ġ×ŀ ×ij פ ×ĺ à¸ķิ à¸Ķ ×ĺ ×Ļ×Ŀ Ġë ¬´ ÙĤد Ùħ Ġdü ÅŁ ائ ÙĦ м Ñĭ ØŃ Ø³ ÙĪ ص ×Ļק ×Ķ ãģ§ãģ¯ ãģªãģĦ à¹Ģ หม оÑĢ ÑĤ í Ĩµ ãģ IJ к ÑĢа ีย ว ع ار ئ Ø© íĥ Ģ ãģ«ãģª ãĤĬ ج Ø© ÙĪÙĤ ع ÑĮ Ñı ×ķצ ×Ķ ש ×Ŀ ب ÙĤ Ġ×Ļ ×Ķ ÙĬ Ø· ım ız д еÑĢж ×Ļש ר×IJ׾ غ ÙĬر ร à¸Ńà¸ĩ à¹Ģรีย à¸Ļ Ġ×Ķ ×ĺ หม าย Ùħ Ùĩ اÙģ Ø© Ġо ÑĢг ÙĪ Ùī ãĥ© ãĤ¤ ×ŀ ׳×Ķ ĠÄij o Ġг оÑĢ اÙħ Ø© æ¥ ½ Ø« ÙĬر à¸ģิ à¸Ī á»ĵ n ÙĨ ب ÑĢÑĥ д ìĹ Ī Ġ×Ĺ ×ijר ÑĢаР¶ ạ ch ت ÙĪ à¹Ĥ ม ×ij ×Ļ×ij Ġí Ĩµ aca ģı جÙĦ س à¹Ģà¸Ľ ล ว à¸Ķ à¸Ń ล ãģŁ ãĤĬ à¸Ľ ัà¸į Ġìķ Į عر Ùģ à¹Ħ à¸Ł Ø£ Ø® å¤ļ ãģĦ à¸Ķ ัà¸ĩ Ø´ Ùģ ãģ£ãģ¦ ãģĦãģ¾ãģĻ ׼ ×ł×¡ ÑĨ е еÑģ п Ùħ اÙħ à¸ŀื à¹īà¸Ļ иÑĩеÑģ ки Ø® د Ùĥ ÙĪÙħ Ġ×Ķ ר×IJש ت اب é£Ł ãģ¹ ื à¸Ļ оÑĢ о Ġb öl ×ķ×Ĺ ×ĵ دÙĬ ر ắ m د ع ãģķ ãģĽ à¸ĺ ร à¸ĺร รม ãģĭ ãĤĤ å¤ļ ãģı r ä س ع ×Ļ׾ ×Ķ ض ر ĠاÙĦ شر ×ĸ ×ķר ×¢ ×ijר ạ m алÑĮ но ر ÙĨ اÙħ ج ׼ ×ļ d ıģ д ен ض ا ÙĦÙĬ Ùħ Ġê·¸ 룬 تÙħ اع ار ÙĬØ® à¹Ĥ à¸ķ ĠÑģ ÑĢед Ġ׳ ×ķס ÙĤ بÙĦ оÑĤ ов le ÅŁtir Ġм еÑģÑĤ سÙĦ Ùħ Ġ×¢ צ ĠاÙĦس ÙĦ еÑĤ ÑĮ اب Ø© н ак สà¸ĸ าà¸Ļ Ġ×ij ׳ à¸ļ ัà¸Ļ ׼ ׳ Ġö ÄŁ ãģ¨ è¨Ģ uy ến di ÄŁ áºŃ u ÑĢ аÑģ ãĤ· ãĥ§ãĥ³ n ız ×ķ×ĵ ×Ķ ت س Ùħ اÙĦ à¹Ģห à¸ķุ ย ว à¸ŀ ัà¸ģ ãģĦ ãģªãģĦ Ġк аÑĩ ล à¹Į ר׼ ת ÅŁt ur ×ŀ ×ķס ãģ ¥ б ол عÙħ اÙĦ ×ķר ת ÑĨи он ศ ึà¸ģ ภı ÑĢ ен اس ÙĬ ائ ر à¹Ĥ à¸Ľà¸£ Ġse ç غ ÙĬ Ñį ÑĤ ен н ãģª ãģ® ×Ļש ×Ķ ×Ļפ ×ķר ãģŁãĤģ ãģ« ز Ø© Ġç oc ãĤ¯ ãĥª ÑĪ ен ãĤı ãģij رÙĬ د ĠÑĢ аÑģÑģ Ùĥ ات ส à¸Ńà¸ļ ce ÄŁi ãĤ¿ ãĤ¤ à¸ļ ร ĠاÙĦ بر ׳ ×ķ×¢ r ün را ض ศา ส à¸ķ รà¹Į ãģį ãģŁ ×ķ׾ ×ĵ еÑĢ и íĹ ĺ ắ p ت عÙĦ Ùĥ د иÑĤелÑĮ но Ø· Ùģ Ġав ÑĤом Ġ×ŀ צ ÑĪи Ñħ ات Ùģ ĠÑħ оÑĤ Ùİ Ø§ ãģı ãĤĭ ×Ķ פ à¹Ĥ à¸Ĺ à¹ģ à¸ŀ à¹Ī à¸Ńย ĠاÙĦÙħ Ø´ à¸ģาร à¸ĵà¹Į ани з ×Ķ ׾ ظ Ùħ ย ุ li ÄŁ à¹Ħ à¸Ĥ à¸ĸ ืà¸Ń ö z ãģij ãģ¦ à¹Ģ à¸ľ ุ ม ãĥĹ ãĥ¬ Ġ×Ķ×IJ ×Ĺר خت ÙĦÙģ à¸ İ ÙĦا ØŃ Ġdü zen צ ×Ķ س اء ×ķר ×ļ ×ķ×ĵ ×Ļ ÑĢа ÑĦ ÅŁt ır ãģ« åħ¥ ãģĪ ãģ° ص ÙĪÙĦ ĠÐľ оÑģ ا Ùĩر ãģ£ ãģ ĠлÑİ Ð± ×Ļ×¢ ×Ķ Ġ×Ķ×ŀ ק สิ à¸Ĺ สิà¸Ĺ à¸ĺิ ×Ļ׳ ×Ŀ ÙĦا Ùģ à¸ŀัà¸Ļ à¸ĺ ×ķ×IJ ×Ķ ม ั à¸Ĥ à¸ĵะ д оÑĢ ãģ¨ ãģª à¸ģระ à¸Ĺ ac ı ×ķ׾ ×ķ×Ĵ Ñĥ ÑĪ ãĥ¥ ãĥ¼ ãĥ ¦ Ùħ ست Ġa ÅŁ ש ק פ ת×Ĺ à¸²à¸¢ à¸Ļ í ĩ ë ¢ ï · í ī ì µ ì ¬ ðĿ Ľ ì Ĵ ë Ļ ê § á ĸ â ¨ â ± á ĺ ð ĸ à ł á Ķ ðIJ Ń á»¯ ng Å© ng Ġ×Ķ ת ĠاÙĦ ا Ġ×ŀ ת à¸ĸ ึà¸ĩ ò n á»ĭ nh нÑĭ м Ġc ả à¸Ķ ู Ġ à¹ģà¸ķà¹Ī Ġ×ij ×Ķ ó i ãģ¨ ãģĹãģ¦ ú ng ĠØ ° Ġ×Ķ ׳ Ġب ÙĨ ÙĦ اÙĦ à¹Ħ à¸Ĺย á»ĩ p t ı ม ัà¸Ļ ằ ng á»ij t к ом à¸ĭ ึà¹Īà¸ĩ à¸Ħร ัà¸ļ à¸ļ à¹īาà¸Ļ ĠاÙĦ ÙĬ l ü ÙĪ س ãģł ãģ£ãģŁ à¹Ģ à¸ĩ Ġê³ µ н Ñĥ ãĤĪ ãĤĬ м Ñĥ à¹Ģà¸Ĥ า ãĤ Ģ ни е ãģ«ãģª ãĤĭ áºŃ y ĠÙĪ ا ëł ¤ ש ×ķ á p ×ĵ ×ķ ãģ§ ãģĹãģŁ ع ض Ñģк ой æĦŁ ãģĺ ÑİÑĤ ÑģÑı Ġ×Ļ ׼×ķ׾ ãĤĵ ãģł в и à¹Ģล à¹Īà¸Ļ ìĿ´ ëĭ¤ ĠÙĦ Ùĩ à¸Ħ ืà¸Ń ت Ùĥ Ùħ ÙĥÙĨ a ģı ׳ ×ĵ ë¯ ¼ à¹Ħ ว สำ ห สำห รัà¸ļ Ñģл ед t ır ĠÙĦ ÙĬ ĠاÙĦع ÙħÙĦ ×ij ×ķת ×ij ×Ļ×Ŀ à¸Ħ ำ à¹Ģà¸Ħร ืà¹Īà¸Ńà¸ĩ lı ģı ืà¸Ń à¸ĩ ج د íŀ Ī ìĭ ¬ ×¢ ×ķת ส ิà¸Ļ Ñĩ и ر ض à¹Ģà¸Ľ ิà¸Ķ à¸Ħ à¹Īา ìĦ ł ÙĪر Ø© ק ×ĺ ìľ ł ع ÙħÙĦ ×IJ ×Ļ×Ŀ ׾ ×Ļ×Ŀ à¹ĥห à¸į à¹ĥหà¸į à¹Ī ừ a á»į i ãģ ¶ ÃŃ ch ãĥĩ ãĤ£ ×ķר ×Ļ×Ŀ Ñģ о ìķ ½ ов а Ñĩ аÑģÑĤ à¹Ģà¸Ī à¹īา п ÑĢо Ġ×ŀ ×Ĺ ãĥ İ ×ķ×Ļ ×ķת Ġд е ë§ Ī ì§ ģ ×Ļפ ×Ķ ĠاÙĦع اÙĦÙħ ë¥ ´ ר×IJ ×Ķ uy á»ĥn ×¢ ×Ļ ม ืà¸Ń Ø¥ ÙĨ ร ู ĠØ ² ×Ļ ×ķ×Ŀ à¸ķ à¹īà¸Ļ ãģ¦ ãģĦãģ¾ãģĻ Ùħ اÙĨ ĠÐ ¥ à¸Ľà¸£à¸° à¹Ģà¸Ĺศ á» ³ ׾ ×ij à¹Ģà¸Ķ à¹ĩ ãģŁ ãģ¡ à¸Ĺี ม à¸Ļ ะ ìĹ ° Ġìł Ģ ÙĦ Ùĩ ợ i ĠاÙĦ ز د ار ãĤ³ ãĥ³ м ин à¹ģห à¹Īà¸ĩ à¸Ķ ัà¸ļ ׼ ר ж а íĸ Ī ×ŀ ×ĸ ợ i à¸Ķ า Ġع بد à¹ģ ร ×IJת ר ×¢ ׳×Ļ à¹Ģ à¸Ħ ×ķצ ר ì§Ģ ë§Į ائ Ùħ Ø£ س uy á»ģn Ġ×IJ ׳ ׊׳×ķ ×ĸ ×Ļ ร à¹īาà¸Ļ ĠÐł оÑģ ĠÐłÐ¾Ñģ Ñģ رب ÙĬØ© t ür ãĤĭ ãģĵãģ¨ ظ ر б Ñĭ à¸Ĺีà¹Ī สุà¸Ķ Ġצ ר èĩª åĪĨ л аÑģ ĠÑı в ĠÑıв лÑı à¸ŀร à¹īà¸Ńม à¸Ńา à¸Ī à¸ļริ à¸ģาร Ġç ı ëį ĺ ĠاÙĦÙħ ست ت Ø´ ש ×ķ×ij ãĤ ´ Ġyap ıl ĠاÙĦ Ø° ุ à¹Īม à¸ĸ à¹īา ìĦ ¤ ì° ¨ в аÑĢ à¹Ģà¸ŀ ิà¹Īม Æ°á»Ľ i Ùĥ س à¸Ńย าà¸ģ ãģ¦ ãĤĤ Ġг од ÙĬ ار à¸ķ à¸Ńà¸Ļ Ġиг ÑĢ à¹Ħà¸Ķà¹ī รัà¸ļ ĠاÙĦÙħ ر ÙĤ ت Ġë ĺ Ġëĺ IJ ẩ n ãģĻãĤĭ ãģĵãģ¨ ×Ĵ ×Ŀ Ġ×ij ×ij ت د ÙĪ ار ãĤ ® п ол Ġм ог تر Ùĥ ÙĪ Ø« Ġç ık ا Ø© à¹Ģà¸Ķ ียว มี à¸Ħวาม Ġ×ŀ ×Ĵ ص Ùģ ĠТ ак Ġ׼ ת ×Ļ×ĵ ×Ļ ов оÑĢ ầ y สิ à¹Īà¸ĩ ب ت ür ü ÙĨ ج หล ัà¸ģ ×Ļ×Ķ ×Ŀ ÙĤ ص з Ñĭ ×Ľ×ª ×ij Æ° u m ız ĠìĦ ¸ л ог Ùħ ÙĬÙĦ ÙĬ ج íĴ Ī à¸ŀ à¸ļ ห ัว з на ר ק à¹Ĥ ร Ġ×ij ס ĠBaÅŁ kan ĠëĶ ° à¸Ń ัà¸Ļ ีà¹Īย ว н еÑģ à¹Ģà¸Ķ ิà¸Ļ ÙĬ اÙĨ ×ķ׾ ×Ļ ا خت צ ×ķת ãģĵ ãģĵ ĠاÙĦ اÙĨ ĠпÑĢо ÑĨ ãģ¾ ãģł ׼ ס ĠاÙĦ Ø¢ ÙĬ ز ĠاÙĦد ÙĪÙĦ Ġíķĺ ëĤĺ ض ع ê» ĺ ÅĽ wi ย ิ ãģ¡ãĤĥ ãĤĵ ĠÙħ Ø´ à¸ĺ ี ãģ¨ ãģį ׳×Ļ ×ķת Ġë ¯ Ġë¯ ¸ Ġs ı ëĭĪ ê¹Į Ġп л غ ÙĦ à¹ģ รà¸ĩ ب ÙĬر ãģĤãĤĬ ãģ¾ãģĽãĤĵ ê· ¼ Ġy üz ĠdeÄŁ er åł´ åIJĪ á» ¡ м аÑĤ รา à¸Ĭ ÙĪر ÙĬ ж ен ãģ¾ ãĤĬ ãģ® ä¸Ń ×Ļ×ĵ ×¢ à¸Ń ุ à¸ļ à¸Ńล à¸Ľà¸±à¸į หา ز Ùħ ÄŁ a à¸Ń ืà¹Ī à¸Ńืà¹Ī à¸Ļ п л Ġне обÑħодим ׼ ×ij à¹Ģ ศ קר ×Ķ ì² ĺ ëł ¨ ×ŀק ×ķ×Ŀ jÄħ c Ùĩ ÙĦ Ġ×¢ ×ij×ķ×ĵ à¹Ħม à¹ī à¸ģล ัà¸ļ ×ķ׼ ׾ ק ×ĵ اÙĦ ÙĬØ© ر Ùĩ ãģij ãĤĮãģ° ĠÙĨ Ùģس ãĤ¢ ãĥ« ìĹ Īëĭ¤ ק ×ķר н еÑĢ ب اب ãĤ ¶ سب ب ÙĦ ÙĬÙĦ ص ÙĨ ص در ế m à¸Ĭà¹Īว à¸ĩ ØŃ ÙĨ Ġ×ij ×Ĵ ×ŀ ×ķ×¢ ׾ ×Ĺ å¤§ ãģį ت ب н еÑĤ ×Ļ×ij ×Ķ б л ãĥĹ ãĥª اص Ø© ãģ¤ ãģij ×Ļ×ŀ ×ķש ãģĮ ãģĤ ëĭ ´ ãģĭãĤĤ ãģĹ ãģĭãĤĤãģĹ ãĤĮ ãģ¡ ãĤī ×ij ×ĺ Ġba ÄŁ ×Ļ×Ĺ ×¡ ×ij ×ķ×¢ ล ี פע ×Ļ׾ им и g ÅĤ Ġим е خد اÙħ ×IJ ×Ļר Ġy apt ãģ¨ ãģĦ à¸ĩ à¹Īาย ׾×Ļ ×ķ ØŃد Ø« را ÙĤ ĠÄIJ i اد ر ãģĵãģ¨ ãĤĤ ×ij ×Ļר Ġв з ض اÙģ ת ×ķ׼ ÑĢ ом ر ات à¹Ģà¸Ĺ à¹Īา ãģĺ ãĤĥ ãģĿ ãģĵ اج تÙħاع à¹īà¸Ń à¸Ļ ÙĤ Ùħ ë³ ¸ Ä ŀ ש ×Ļ×ķ ×ij ׳×Ļ ìľĦ ìĽIJ à¹ģ à¸Ī ×Ĺ ×ķר دÙĬ ÙĨØ© ت Ø· ằ m ò a ย à¸Ńà¸Ķ Ġëĭ ¹ สุ à¸Ĥ ×ĵר ×ļ د ÙĨ س ÙĬÙĨ ÙĪÙĤ Ùģ ÑĨ Ñĭ г оÑĤов еж дÑĥ à¸ŀ วà¸ģ اÙĤ تص اÙĤتص اد cz ÄĻ ni ÄĻ ÑĢ еб ØŃ ÙĪ à¸Ĺ à¹Į ãĤĪ ãģŃ Ð´ ж à¸ģล à¹Īาว دÙĬ Ø« ãĤ³ ãĥŁ ÙĤ ÙĪÙħ Ġت ØŃ à¹Ģ à¸ķิ اÙģ ظ à¸Ī ุ رÙĬ اض ×ŀש ×ļ à¹Ĥ ย еÑĢ е ãģ¿ ãģŁãģĦ ìĿ´ ëĿ¼ ĠاÙĦÙħ ÙĪ ĠÑģÑĤ о à¹Ģรà¹ĩ ว Ġд еÑĤ ĠÑģ дел à¹Ģà¸Ĭ ืà¹Īà¸Ń פ ׳×Ļ ÙĪض ÙĪع ×ij ס à¹ģ à¸Ķ ó c ริ ม ÑĢаР´ ìĪ ł ãĥ¼ãĤ º ãģ« ãģĬ и но פ ×Ļ׾ à¸Ĭั à¹Īà¸Ļ ×Ĺ×ĵ ש à¹Ģà¸Ļ ืà¹Īà¸Ńà¸ĩ ׳ ×Ļס غ رب ãĤ¸ ãĥ£ ส ัà¸ĩ à¹Ģ à¸Ĺีà¹Ī à¹Ģà¸Ĺีà¹Ī ยว ëŁ ¼ à¹ģ à¸Ł ãĥ¼ãĤ · ãĥ¼ãĤ· ãĥ§ãĥ³ Ġвоз мож جÙħ ÙĪع ×ijר ×Ļ×Ŀ ãĥĪ ãĥ© ĠкаÑĩ еÑģÑĤв Ø· ÙĬ ÑĤ Ñı צ ×ķ×¢ ÄŁ ını ع ÙĦÙī ا Ø° ÙĪاÙĤ ع Ùħ ÙĪا ائ ÙĬÙĦ к ол á»ģ m à¸ľà¸¥ ิà¸ķ ×Ļ׳ ×ĺר س Ùĥ ש ×Ļר ศึà¸ģ ษา à¸ļ ั Ñĩ аÑģ ×ķפ ×Ķ ×Ļפ ×ķ׾ ĠاÙĦس اب رÙĬ ب ĠاÙĦ بÙĬ ãĤ¹ ãĥĨ Ñĩ ен à¹ģ à¸ľ Ġ׳ ש ز ÙĬد ØŃ Ø§Ø¯ ëį Ķ رÙĪ ع à¸Ĺุ à¸Ļ ส มา c zeÅĦ ×Ļ×ĵ ×Ķ ãģ§ ãģĤ Ġçoc uk Ø® ب à¸ļ าย à¸Ľà¸£à¸° à¸Ĭา ×ŀש ׾ ãģª ãģĭ à¸ģ าย ãĥģ ãĥ£ аÑĢ и ĠÑĩ а à¸Ķ ำ à¸Ĺั à¹Īว Ñĥ Ñħ Ġö z Ġì¢ ĭ ج رÙĬ ائ ÙĤ à¸ł ัย Ø· ار د ارة Ä© nh Ø« ÙĨ zell ik اÙĦ ت Ġg eli ãĥķãĤ © ол од رب ع שת ×ŀש à¸ļร ร íĿ ¬ Ġü rün Ġê·¸ ëłĩ ศาส à¸ķรà¹Į ãģ ľ ×Ļ×ij ׾ ĠпÑĢед ÑģÑĤав سط ÙĬÙĨ ãĤĴ 使 Ġпом оÑī ×ķק ר ãĥ¯ ãĥ¼ Ġyö net ×Ļק ר à¸Ĥ า еÑĢи ал ØŃ Ùģ Ġ×Ļ צ à¸Ĺ ิ å£ ² à¸Ļ à¸Ńà¸ģ ×ķ׼ ר íĻ ľ ủ y ĠاÙĦÙĤ ر ×Ļ×ij ×ķת ÅĽ ni Ùħ شار ượ t ĠÙĦ دÙĬ ÑĤ ел ĠØ¥ ÙĦÙĬ عÙĦ ÙĪÙħ ìķ ĺ в иÑĤ à¸Ħ ะ yr ı ãģ¨ ãģ£ãģ¦ à¹Ģ à¸ī à¸ĸ าม ÙĤ ار عÙĦ اÙħ ặ ng Ùħ ÙĴ ×Ļ×ŀ ת سب Ø© ãĤ¯ ãĥ© ×ķס ×£ ĠпÑĢ ин ãģĦ ãĤį س اس عت بر วิ à¸Ĺย วิà¸Ĺย า س Ùĥر ãĤ· ãĥ§ ãģ ģ ัà¸ģ ษ ×ij ×ķ×Ķ ห ย ãģ¾ ãĤĮ ĠоÑĢг аниз каз ал ĠÑģв Ñıз uy ết ĠпÑĢо из Ġק ×ĺ à¹ģà¸ģ à¹ī п ÑĥÑģ Ġê·¸ ê²ĥ ëĬ IJ л екÑģ ãĥ¼ãĥ Ĺ à¸ķ ำ ת×Ĺ ×Ļ׾ à¸Ńà¸ĩ à¸Ħà¹Į Ạµ ׳ צ Ø£ Ø´ Ø´ Ùĩ ย ะ à¸ģ à¸İ ĠاÙĦØ¥ سÙĦاÙħ ед ÑĮ ãģ² ãģ¨ ëıĦ ë¡Ŀ ãģ© ãģ® Ñĥ в еÑĩ ение ĠاÙĦت ج ãģ« è¡Į Ġп озв ãĤı ãĤĬ ÙĦ اث íķĺ ìĺĢ Ġм аÑĢ Ġkon uÅŁ ãĥ¬ ãĤ¹ ãĤĴ æĮģ ĠоÑģ нов ×Ĺ ×ij ÙĪج ÙĪد פ ×ķף в оÑĢ Ġн ик ãģĭ ãĤĭ ÅŁtır ma ×Ļס ×ĺ Ø£ ÙĦ ห à¹Į и она лÑĮ н Ġг оÑģ ĠÐľÐ¾Ñģ к ÑĢ об ×ķ×IJ ×Ļ ãģĬãĤĬ ãģ¾ãģĻ ãģ£ãģ ± к л à¸Ļ à¸Ķà¹Į رÙĬ Ùģ اس ب ĠÑĢ еÑĪ Ġд ол ãģ¹ ãģį ×Ļ×ij ×ķר м еÑī Ġна ÑĪ à¹ģ à¸Ľà¸¥ ÑĢ иÑĤ кÑĥ Ñģ и ÑĢа аÑĤ ÑĥÑĢ ÙĪا صÙĦ à¹Ģà¸ľ ย à¸Ń ำ à¹Ģà¸ģ ิà¸Ļ غ Ùħ ãģĻ ãģİ lı kl ÅĦ sk ê² ¬ ×Ļ׼ ×Ķ ׊ש×ij ÙĪر ÙĬØ© Ġд ейÑģÑĤв ×Ĺ׾ ×ĺ Ġ׾ ×ŀ×¢ צ׾ ×Ļ×Ĺ ÐµÑĩ а Ùģ اع ×Ĵ ×Ļ×ĵ áºŃ m ÄĻ b Ø´ ع ãģı ãĤĬ à¸ŀ ุ ед еÑĢ à¸Ĥ à¸Ļ à¸Ħ าร ĠболÑĮ ÑĪ ãģı ãģªãĤĬ à¸ĵ า ×ĵ ×ķ×Ĵ Ġм н ä¸Ĭ ãģĮ ç¶ļ ãģį ฤ ษ ภĨ Ø® ÙĬ à¹Ģà¸Ĺ à¸ŀ สั ม à¹Ģส à¸Ļ à¹Ģสà¸Ļ à¸Ń ãĥ ´ Ġи ÑģÑĤ با شر ĠÑĥ ÑĢов ×ŀ ×ķ×ĸ ab ı wa ż ×ķצ ×IJ×Ķ ÑĤ веÑĢ à¸ŀัà¸Ļà¸ĺ à¹Į ׳ ×Ĵ×ĵ ãĤĭ ãģĵãģ¨ãģĮãģ§ãģį ĠÑĤÑĢ еб à¸ģร ุà¸ĩ ØŃت اج à¹Ģ à¸Ħล ã Ĩ ÄĻ tr Ġszcz eg Ġר ש à¸Ĺ à¸ĺ Ġн ек Ġнек оÑĤоÑĢ в ÑĪ Ð ¬ à¹Īว ย ล ุ б ÑĢÑı หม ูà¹Ī à¹ģ à¸ķà¸ģ ר׼ ×Ļ×Ŀ Ġí ĸī ã i Ùĥر Ø© â Ń í IJ ã į á ģ â ® â ¥ ì ® à ¿ â ¿ á Ĥ á ¤ â ł í Ł ðIJ į ðIJ ° ðĿ Ĩ ðŁ Ī Ġ×¢ ׾ Ġع ÙĨ ĠÙħ ع Ġ×ĸ ×Ķ ĠÙħ ا Ġm Ãł Ġd ụ á»ĩ c а Ñħ s ı íķĺ ê³ł Ġ×ķ ×ij ĠÐŁ о ×ķת ר ĠÙĦ Ùħ Ġ×ķ ׾ ãģĹãģ¦ ãģĦãĤĭ Ġ×ŀ ×Ļ Ġب ÙĬÙĨ з а ĠÙĥ اÙĨ Ġ×Ķ ×Ļ×Ķ ëħ Ħ ×IJ ×ķ д и ĠпеÑĢ е d ı Ġ׾ ש Ġש ×ŀ ãģĮ ãģĤãĤĭ ãģĦ ãģĦ ÑĢ е ק ×ķ и ли м е ÙĬ ت ãģ§ ãģĤãĤĭ Ġв о à¹ĥ หม à¹ĥหม à¹Ī Ġש ×ij Ġ à¹Ĥà¸Ķย ÙĬ Ùĩ ãģ§ãģĻ ãģĮ ãģ¨ ãģ¯ ר ×ķ Ġ à¸ĭึà¹Īà¸ĩ ãģ§ãģį ãĤĭ м о à¹Ģà¸ŀ ืà¹Īà¸Ń צ ×ķ ×ĺ ×ķ ìķ Ī Ġh á»į à¹Ģà¸ĩ ิà¸Ļ ĠاÙĦ ب Ġ มี ë¬ ¼ Ñģ е ëĵ¤ ìĿ´ Ġë§ IJ Ġl Ỽ a ÅĤ ×Ĺ ×ijר Ġd á»± ÙĬ Ø« Ġth á»ĭ à¸ģà¹Ī à¸Ńà¸Ļ Ġ×ij ׼׾ ãģ ¸ ãģ¨æĢĿ ãģĦãģ¾ãģĻ ả nh ย า Ùģ ا ส ี à¸ķ า ë² ķ ãĥª ãĥ¼ รา à¸Ħา Ġ×ķ ׾×IJ ãģ¨ ãģĵãĤį à¹Ģล ืà¸Ń di ÄŁi ÙĪ اÙĨ Ġ׾×Ķ ת รว ม פ ×Ļ×Ŀ à¸ľ ม ж и c ı ÑĢ од Ġkar ÅŁÄ± ×Ĵ ×ķ ãģ« ãģ¤ ãģ«ãģ¤ ãģĦãģ¦ r Ãł ×Ļ×ķת ר ĠìĨ Į ק ×Ķ ÑģÑĤв о ãģij ãģ© g é à¸Ķ à¹īาà¸Ļ çļĦ ãģ« ĠÙĬ ÙħÙĥÙĨ ìĨ į ÙĬ Ùĥ à¹Ħว à¹ī Ñģки й ì m Ġ׾×IJ ×Ĺר à¸Ńา หาร Ġà¹Ģ à¸ŀ รา ะ ล ูà¸ģ ÑģÑĤ а Ġìľ ł ÙĤ ÙĪÙĦ б оÑĢ Ñģк ого หล ัà¸ĩ à¸Ĥ à¹Īาว à¹Ģม ืà¸Ńà¸ĩ ê° ģ t Ãł ÙĬ ÙĬÙĨ عر ض ë° © Ġëı Ļ Ġà¹Ģ à¸Ľ Ġà¹Ģà¸Ľ à¹ĩà¸Ļ ç i li ÄŁi ìĹIJ ê²Į ãĤ¿ ãĥ¼ Ġ׾ ת פ ×ķת à¸Ĥ à¸Ń ر س ìł IJ à¸ľ à¹Īาà¸Ļ ÑĦ и ج ÙĨ ì¢ ħ Ġ×Ķ פ Ġn go á»ĭ a Ġtá» ķ Ġê·¸ 리 à¹Ģม ืà¹Īà¸Ń Ø° Ùĥر ìĸ ij ìĹ Ń ×ĺ ׾ k ı Ġع ÙħÙĦ Ġع ÙĨد à¸ĭ ืà¹īà¸Ń Ġê± ° в е r ü à¹Ģ à¸Ńา ส à¹Į à¸Ī à¸Ļ ס ת Ġgi ả ãĤĭ ãģ¨ à¸ģำ ลัà¸ĩ н ей à¸Ī ริ à¸Īริ à¸ĩ Ġë į Ġëį Ķ à¸Ħà¹Ī ะ ì n Ġsü re Ġqu y à¸ļ าà¸ĩ åıĸ ãĤĬ ר ×Ĺ ×ij ת ãģĮ ãģĤãĤĬãģ¾ãģĻ ר ש ìĹIJ ëĬĶ Ġ×IJ פשר ay ı ãģĮ ãĤī ØŃ Ø¨ ан Ñģ س ÙĪ ĠпÑĢ е د ÙĪ ãģ« ãĤĪ à¹Ģà¸ģ ม สู à¸ĩ m akt makt ad maktad ır Ġön em ×Ļ×ŀ ×Ļ×Ŀ б о ÙĪ ÙĬØ© รู à¸Ľ à¹Ĥล à¸ģ Ùħ ÙĬع ÑģÑĤ Ñĥп à¹Ĥ à¸Ń دÙĬ ÙĨ ì¤ ij ãģĹãģ ı à¹Ģส ีย в Ñĭ Ùħ ت íĺ Ħ ãĥIJ ãĥ¼ ا Ø´ ק ס Ġtá» ¥ ล à¸Ķ Ùģ Ø© í ijľ ر ج k ÅĤad ĠÅŁ ey ĠØ£ Ùħ Ġà¹Ģ ม Ġب ÙĦ Ñģ каÑı ãģ¨ ãģ® Ġìĭ ¤ ấ m ห à¹īà¸Ńà¸ĩ à¸Ĭ ม d ü Ġç ek Ġê³ ł ×Ĵ ×ij à¸Ĭี วิ à¸Ĭีวิ à¸ķ Ùģض ÙĦ ภ¯ ç ı Ġب Ø´ ĠÙĩ ÙĨا ãģį ãģ¾ãģĹãģŁ t ü Ġìĺ ģ ĠTür k к ÑĤ פר ס ãģ¨ãģĦãģĨ ãģĵãģ¨ í ĶĦ à¹ģร à¸ģ ר ×ķף Ġar as ×ŀצ ×IJ Ġtá» ī س ا à¸ŀ à¸Ń ĠاÙĦÙħ ØŃ ãĥ ¤ ĠاÙĦ است Ùģ ÙĨ ×Ļ×ŀ ×Ķ ر ت ãģ¨ ãĤĤ Ġна Ñģ п ÑĢи Ġ×Ĺ ×ķ и ла ÙĬ Ø´ Ġgö z Ġ×ij ׳×Ļ ım ı ĠÑĤ еÑħ Ġh á»Ļ غ ر к он اØŃ Øª Ġ à¸ŀ à¸Ń à¸Ńà¸Ļ à¸Ńà¸Ńà¸Ļ à¹Ħล à¸Ńà¸Ńà¸Ļà¹Ħล à¸Ļà¹Į Ñħ о Ñı в à¹ģ สà¸Ķ à¹ģสà¸Ķ à¸ĩ à¹Ģà¸ŀ ียà¸ĩ ÑĤ ов ا ÙĬ Ġ×Ķ ×ĵ Ġ×ķ ׼ ãĤī ãģĦ ×ķפ ף Ġë ¶Ī ล à¸Ńà¸ĩ Ø· اÙĦ Ġн и ĠÙħ ست ế c Ġש ׼ ĠëķĮ 문 วัà¸Ļ à¸Ĺีà¹Ī ×Ļ׾ ×ĵ ØŃ Ø§ е ÑĨ Ġc ứ ×ĵ ×ķר ĠÙħ ØŃ ×¨×Ľ ×ij بÙĬ ع ни и ĠاÙĦØ£ ÙĪÙĦ à¸Ħว ร ãģ¨æĢĿ ãģĨ ĠС о ائ ÙĬØ© ر اء оÑģ об Ġب Ø£ÙĨ ×¢ ×ķ×ĵ ĠÑĤ е ãģĵ ãģĨ ÑģÑĤ ÑĢа ай н Ġsö z ت ÙĨا à¸Ń ิ ặ p ĠìķĦ ëĭĪ íķ Ń Ġר×IJ ש Ġ à¹Ħà¸Ķà¹ī Ġ×Ĵ ×ĵ Ġס פר обÑī е ĠÙĪ Ø¥ ada ÅŁ ãģ¡ ãĤĩ ק ×ķ׾ ÑĢ ез ĠdÃ¼ÅŁ ün Ġ×ij ×IJ×ŀ Ġìĸ´ ëĸ ער ×ij н ее ĠÑģÑĤÑĢ ан س اÙĨ yn ı ĠاÙĦر ئÙĬس ãģĹãģ ª Ġ׳ ת ãģ«ãģª ãģ£ãģŁ g ü åıĹ ãģij ׾ ת ìł Ī ëĬĶ ëį° Ø® ÙĬر à¸ķà¹īà¸Ńà¸ĩ à¸ģาร ĠÙĦ Ø£ÙĨ Ġch á»ĭ ÙĪ Ø© à¹ĥ ส ë¶Ģ íĦ° íķĺ ë©´ ữ u à¹Ģหม ืà¸Ńà¸Ļ б еÑĢ ĠìĿ´ ìļ© ĠÑģ еб wiÄĻ ks Ġ׳ ×¢ ÑĤ ÑĥÑĢ Ġngh Ä© ש ×ķ×ĺ ti ÄŁi Ġde ÄŁi ×IJ ×ij Ġ×ŀ ×ŀ ãĥĹ ãĥŃ wa ÅĤ à¸Ī ึà¸ĩ Ø® دÙħ ×IJ ×Ŀ Ä±ÅŁ ı cz Äħ ר ×ĵ ĠÑĢ Ñĥб خر Ùī ãģ® æĸ¹ Ġд енÑĮ ×Ĺ ×Ļ×Ŀ еÑĤ е ëĤ ľ ×IJ ×Ĵ ×¢ ×ķר ë³ Ħ åIJĮ ãģĺ ãĤ ² ר ×ļ ×ķש ×IJ ìľ ¡ ا Ø® צ ×Ļ×Ķ á»± a ãģĪ ãģ¦ ש×Ķ ×ķ ан ÑĤ ลา à¸Ķ ин г ë¡ ł اع د ÙĪ سط Ġв оп Ġвоп ÑĢоÑģ Ùħ ÙĬÙĨ à¸Ħ à¸ĩ ×Ļר ×Ļ×Ŀ c ów ê² © Ġê·¸ 룰 Ġì§ Ħ Ġש ׾×Ķ à¹Ģร ิà¹Īม à¸Ĭ à¸Ńà¸ļ д еÑĤ ÑİÑī иÑħ à¸ļ à¸Ńà¸ģ æĢĿ ãģĦ ع ÙĬد ס ×ŀ ×Ĵ ×Ļ×¢ צ ×ĵ ب ات ĠëĶ° ëĿ¼ à¸Ī ัà¸ĩ ãģłãģij ãģ§ ×¢ ×Ļר ĠÑĩ ел ĠÑĩел ов ĠÑĩелов ек ãĥĥ ãĥģ à¹Ģà¸ģ ีà¹Īยว à¸Ķ ิ Ġפ ×¢ ×Ļ×ŀ ×Ļ ë° ĺ Ø® ار ×ij ×Ļת ×¢ ×Ļ×Ŀ ü yor ãĤģ ãģ¦ к лад Ġ à¸Īาà¸ģ à¹Ģà¸Ħ ย ส à¸Ńà¸ĩ à¹ģ à¸Ħà¹Ī ẫ u หà¸Ļ ัà¸ĩ ש׾ ×ķ×Ŀ اÙĨ ÙĬØ© åĩº ä¼ļ åĩºä¼ļ ãģĦ à¸ł าย à¸ļา à¸Ĺ à¸Ĭา ว mu ÅŁ Ġ׾ק ×ij׾ ãĤ· ãĥ£ ĠÄ° ÅŁ ×Ĵ×ĵ ×ķ׾ ج عÙĦ ë³ Ģ ยิ à¹Īà¸ĩ à¸Ļ าย à¸Ļ ีà¹Ī วิ à¸ĺี ãĤī ãģªãģĦ ëł Ī Ġ문 ìłľ Ġ à¸ģ à¸Ĺำ à¸ĩาà¸Ļ à¹Ģว à¹ĩà¸ļ ÑĦ е 楽 ãģĹ à¸ªà¸³ à¸Ħ สำà¸Ħ ัà¸į ر Ùħ ãģķãĤĮ ãģ¦ Ġоб ла ר×IJ ×Ļ หม à¸Ķ ÙĨ ÙĬØ© ли н Ġe ÄŁ it im ëł ¹ ص اÙĦ ÅĽ l à¸ľ ิà¸Ķ ãĥŀ ãĥ³ åħ¥ ãĤĮ à¹Ģà¸ķ à¸Ńรà¹Į ار ÙĬ ĠÐ ¦ d ür ส วย ë¦ ½ رÙĥ Ø© Ġh ã ×Ļת ×Ķ à¸Ĥ à¸Ļา à¸Ĥà¸Ļา à¸Ķ à¸Īำ à¸Ļ à¸Īำà¸Ļ วà¸Ļ ש ×ķק Ġд ом ì± ħ ãģĭ ãģij פ ×ķ׾ à¸Ĭ าย Ñģ моÑĤÑĢ Ñģл Ñĥж ש ×IJ׾ кÑĢÑĭ ÑĤ Ġìŀ ĺ é«ĺ ãģĦ ĠÑĢ Ñĥк ÙĨ ص д ав Æ°á» ¡ ưỡ ng ر اÙħ ×Ļ׳ ×Ļ×Ŀ ãĥ© ãĥ¼ ëĦ ¤ Ġت ع l ke 好 ãģį æĮģ ãģ¡ Ġë§ İ Ġy ük ĠÑģоÑģÑĤ ав енÑĤ ÑĢ pe ÅĤ à¹Ģà¸Ľà¸¥ ีà¹Īย à¹Ģà¸Ľà¸¥à¸µà¹Īย à¸Ļ íı ī ãĤĦ ãģĻ ×Ĺ ×ĸ ×ijר ×Ķ ë£ ¨ ìĶ Ģ بØŃ Ø« à¹Ģà¸ķ à¹ĩ ów i ب Ùĩ ãģį ãģ¾ãģĻ Ġ×¢ ×ŀ ×Ĵ ×ķ׾ ез д ÙĬÙģ Ø© สà¸Ļ à¹ĥà¸Ī Ġת ׾ Ñı Ñī Ġس ÙĨ ĠÙĪا ØŃد ĠÑģ м lad ı ı ld ×Ļר ת ีย à¸Ļ ת×Ĺ ×ª Ġж из à¸ŀ ั à¸ŀั à¸Ĵ à¸ŀัà¸Ĵ à¸Ļา à¸Ĭ ิ ا Ø®ÙĦ ãģ£ãģ¦ ãģĦãģŁ รั à¸IJ ãĤģ ãĤĭ à¹Ĥ à¸ģ ĠT á»ķ Ġh akk ر Ùģ ìł Ģ Ñģ об ãģª ãģijãĤĮãģ° Ùĩ ÙĪ Ġë² ķ ãĤ Ĩ ĠاÙĦس عÙĪد Ġ×IJ תר Ø§Ø º Ġ׾ ×ĵ à¹ģ à¸ķ à¹ģà¸ķ à¹Īà¸ĩ íĮ Į Ñĥп иÑĤÑĮ à¸ŀืà¹īà¸Ļ à¸Ĺีà¹Ī ×ij ת×Ļ à¹ĩ à¸ģ ÅĤ at Ġê°ľ ìĿ¸ ìłķ ë³´ ÑĤ ал Ġgü ven ĠÄ° l Ġê° ģ Ġب ت ×ŀ ×ķ׳×Ķ ĠاÙĦØŃ ÙĥÙĪÙħ ÙĤ ات à¹ģ à¸ģà¹Ī ห าà¸ģ н ÑĮ à¸Ľ รัà¸ļ มา à¸ĵ Ġне Ñģк ĠØ ¶ สม ั สมั à¸Ħร ãģĮ ãģĤãĤĬ м еÑģÑĤ Ġ×IJ צ׾ Ġкомп ани ס ר ÙĬÙħ Ø© ĠÑħ оÑĢо ĠÑħоÑĢо ÑĪ Ġ×Ļ ×ķ×ĵ ü s ×Ĵ ×Ļש à¸ļ à¸Ĺ تÙĨ ظ ว าà¸ĩ ม หา Ġ׼ ×ķ׾ à¸Ĥ à¹īาà¸ĩ ë° ľ г од д ан ãģĭãĤĤãģĹãĤĮ ãģ¾ãģĽãĤĵ ãģĵ ãģ¡ãĤī ãĥIJ ãĤ¤ ece ÄŁi دÙĬ دة ÙĨ Ùī Ġëĭ¤ ìĿĮ ว ี غ ا ли з à¹Ģà¸Ķ ิ à¹Ģà¸Ķิ ม ĠÙĬ ست Ġy ılı ko ÅĦ ãģ§ãģĹãĤĩãģĨ ãģĭ ãģĤ ãģª ãģĤãģª ãģŁ ÑĨ ен ĠÙĪ ز ×IJ ×Ļש à¹Ī à¸Ń ر ØŃ ê´ ij ÑĢа ÑģÑĤ Ġ×Ķ ׾ ãģĹãģ¦ ãĤĤ ×ŀר ׼ ×ŀר׼ ×ĸ éģķ ãģĦ ãģŁ ãģı ĠÑģ Ñĥд в еÑģÑĤи ĠíķĦ ìļĶ ãĥķ ãĤ§ ÑĤелÑĮ но à¹Ģà¸ŀ ืà¹Īà¸Ńà¸Ļ ÅĤu ż à¹Ģà¸Ķิà¸Ļ à¸Ĺาà¸ĩ ש ×ķר Ġ×ŀ ×ĵ ×ķ×¢ ׾ ÙĦ اÙħ à¹Ħ à¸ĭ л ей кÑĥ ÑĢ Ạ¢ à¸Ĺ าà¸Ļ ì§ ij ĠгоÑĢ од ר ס ׾ ×ķ×Ĵ mas ını Ġл ÑĥÑĩ ล à¹Īา ìļ ¸ ש ×ĺ ĠÐĺ н í Ĥ¤ ÙĪÙĦ ا ìķ ł ĠØ£ÙĬ ضا Ùĥ ار ĠاÙĦت ع ส ูà¹Ī ãĤ ¼ ×ij ×Ļ×IJ ย à¸ģ ĠØŃ ÙĤ ر بÙĬ ãģĺãĤĥ ãģªãģĦ รัà¸ģ ษา Ñħод иÑĤ à¸ķ à¸Ńà¸ļ ׳ ×ĺ×Ļ ĠاÙĦÙħ ج تÙħ ع ов аÑĤÑĮ ÙĦ ÙĬÙĨ ×Ļ×ŀ ×ķת Ġm ù n ÄĻ Ġد ÙĬ ׼ ש×Ļ×ķ Ġhi ç ë ijIJ ÙĪ اء ÙĪ Ø· ĠاÙĦ بÙĦ à¹ģม à¹ī ק ×ķת ÙĪج د å§ĭ ãĤģ ÙĬ ئة Ġë§ ¤ ص بØŃ ×¤ ×IJ г оÑĢ ס ×Ķ بÙĬ ÙĤ ย าà¸ģ Ġн ад ÙĬ Ùij Ġب ÙĪ ס ×ķר Ùħ ÙĥاÙĨ ר ×ij ×Ĵ ×ĸ צ ת b ilit л аг ĠN go ×IJ ×ķר à¸ķ à¸Ļ íĬ ¹ à¸Ĺีà¹Ī à¸Ķี à¸Ľà¸£à¸° à¸Īำ ов ание ãģĦ ãģ¤ ãĥĥãĤ¯ ãĤ¹ åIJĪ ãĤı åIJĪãĤı ãģĽ ×Ļ׳ ×ķ×Ļ ạ y Ø« ÙĤ ĠпÑĢ об ĠпÑĢоб лем ÅŁ eh ÅŁeh ir ع ادة اÙĨ ÙĪÙĨ à¸ķัว à¹Ģà¸Ńà¸ĩ ì¶ ķ ı lan б ан ãĥ³ ãĥī à¸Ī ี Ġ×Ķש ׳×Ļ п оÑĤ ×ķ׾ ×Ļ×Ŀ ล ัà¸ļ ĠÑį ÑĤи ×ijק ש ë¹Ħ ìĬ¤ à¸Ńยà¹Īาà¸ĩ à¹Ħร ×Ļ׾ ×Ļ à¹ĥà¸Ĭ à¹Ī ĠاÙĦ ÙĥÙĦ ãĥļ ãĥ¼ãĤ¸ ص Ø© ÑĤи ÑĢ ãĤĵ ãģ© зÑĭ к wy ż Ùĩ ÙĬ ĠÙħ ÙĦÙĬ Ġвид е ظ اÙħ دا ÙĪÙĦ ×ŀ ת×Ļ Ġs ık à¹Ģà¸ķิ ม ãĤ¢ ãĤ¤ ка Ñħ צ ×Ļ׾ à¹Ģà¸Ĭ à¹Īà¸Ļ м аг маг аз магаз ин à¸Ľ ั à¸Ľà¸± à¸Ī Ġש ×Ļר×ķת ีย ม ãĥĸ ãĥ« Ġد ÙĪÙĦ קר ×Ļ×Ŀ Ùĩ Ùı ов о Ġü ret د ÙĪÙĨ à¹ģà¸Ļ ว à¹Ģà¸Ļ ืà¹īà¸Ń ĠÑĦ оÑĤ ãĥ ĺ ãģ¤ ãģĭ Ñı Ñģ ĠíķĺëĤĺ ëĭĺ ائ ع Ġп лаÑĤ ìĺ Ī Ġdost ÄĻp ÙĪج Ùĩ Ġ×Ķ ×Ĺ×Ļ ׳ ×Ļק д ей í ĽĦ ı y بØŃ Ø± à¹Ģส ริม Ġ׾ ×Ĵ Ø°Ùĩ ب ج ÙĬÙĦ رÙĥ ز Ġë ħ Ġëħ ¸ פ×Ļ׾ ×ķ ãģ¾ ãģļ iri ÅŁ ĠÙĥ ÙĬÙģ Ġ×ij צ Ġêµ IJ ÑĢоÑģ Ñģ ĠØ´ ÙĬ Ġiç er ×Ĵ ×ķ×ij×Ķ мен но ×¢ ×ij×Ļר ×ķ×ŀ ×Ķ ãĤī ãģĹãģĦ ãģ ¼ Ñī ин è²· ãģĦ جÙħÙĪع Ø© Ġdön em Ġ×ij ×IJר в еÑģÑĤ ×ķר ×ķת س Ùģ à¹ģà¸Ĺ à¸Ļ Ġд окÑĥменÑĤ Ġا ÙĬ ج اÙĨ צ×ķ×¢ ×Ļ ĠоÑģ об ĠاÙĦÙħ س ÑĢаР± à¸ł ู à¸Ķ าว л екÑĤ ع ÙĤ ×ķ×ĵ ×ķת Ġol u Ġolu ÅŁtur ãģ¾ ãģ¾ ед ин à¹Ģ à¸Ńà¸ģ ãĤµ ãĤ¤ ëĦ Ī Ø· ÙĨÙĬ Ø· ÙĤØ© ĠÐł аз ÙĦ Ùij Ñĩ ем Ġ׾ ×ĺ สั à¹Īà¸ĩ سر ائÙĬÙĦ Ġפר ×ĺ×Ļ д еÑģÑĮ Ġ׳ ׼ اÙĨ ب ÙĬا Ø© Ùħ بر Ġk ı à¸Ľ à¸ı à¸Ľà¸ı ิ à¸ļั à¸ķิ ׳ ת×Ļ ìĨ ¡ ر اب à¹ĥ à¸ķ à¹ĥà¸ķ à¹ī ×Ļ׳ ת ÙĪ ÙĬر Ġ×Ķ×ŀ ×Ļ ей ÑĩаÑģ ק ×ķ×ij در اس ĠÙħ ÙĤ رÙĬ ÙĨ Ø® اص ãģĬ éĩij Ġج دا ãģĨ ãģ¡ ëħ ¸ ır ım æ§ ĺ ãģ« å¯ ãģ«å¯ ¾ ÑĨ ев Ġv ard ĠÐIJ н e ÄŁ ÑģÑĤв енно Ð ¨ س د à¸ģ ุ à¹ģà¸ľ à¸Ļ รูà¹ī ส รูà¹īส ึà¸ģ ات ØŃاد Ñij ÑĤ ×Ĺ ×ķק ãģĻ ãģIJ Ø· ÙĦاÙĤ Ġק ×ķ×ĵ à¹ĥà¸Ĭ à¹īà¸ĩ à¹ĥà¸Ĭà¹īà¸ĩ าà¸Ļ ãĥ¼ãĤ ¿ Ġs ür ÑĢ ок ë³ ij สมา à¸Ĭ สมาà¸Ĭ ิà¸ģ ãĥķ ãĥ¬ è¾¼ ãģ¿ ãĤ» ãĥ³ Ġê°Ģ ì§Ģ à¸ľ à¹īา ÑįÑĤ омÑĥ иÑĤ ел à¸ł ั ภij ãĥĸ ãĥ© ×Ľ×ª ×ķ×ij ׳ ×Ŀ ен нÑĭе ×¢ ×¨×Ľ×ª Ġì Ĥ ĠìĤ ´ à¸Ĥ à¹īา ׳ ×ķס ãĥ¬ ãĥĵ ÑĢ еÑģ à¹Ģล à¸Ĥ Ø« اÙĦ ìĹ Ĩ ĠÑĩ аÑģÑĤ า ศ ãĥª ãĤ¢ u ç ×Ļ׼ ×ķת ล à¹īาà¸Ļ i ë ãĤ¸ ãĤ§ à¸Ī à¸Ń ÙĪ ØŃد ×Ļצ ×ķ×ij Ġ×ij ש׾ ок о ض Ø© Ø° ر ĠÑĥ д Ä° L ×ķצ ×Ļ×Ŀ ×ĸ ×ŀף à¸Ľ à¸ģ íķĻ êµIJ س اÙħ à¹Ħ à¸Ķ ละ à¹Ģà¸Ń ละà¹Ģà¸Ń ีย ละà¹Ģà¸Ńีย à¸Ķ ả y аÑĨи он ãĤ¹ ãĤ¯ פ ×ķס ร à¹Īาà¸ĩ ен нÑĭй ع ÙĨ عÙĦ ÙĨ ائ Ùģ d ÄĻ ؤ ÙĪÙĦ ׾×ķ ×ķ Ġ×ij ש×ij ä»Ĭ åĽŀ ĠاÙĦج ÙĨ د اد wa Äĩ ãĥª ãĥ³ ĠìŀIJ ìĭł اÙĨ ÙĬا ãĥ¡ ãĥª ÙĦ ÙĪÙĨ à¸Ĺ à¹Īà¸Ńà¸ĩ à¸Ĺà¹Īà¸Ńà¸ĩ à¹Ģà¸Ĺีà¹Īยว اÙģ ÙĬ Ġли ÑĪ Ùħ ÙĬØ© оÑĤ веÑĤ Ñĩ ин à Ĭ ãĥ¡ ãĥ³ å® Ł éļĽ ãģ« ĠÑĢаР¹ ãĤ¦ ãĥ³ ×Ļר ×ķש ×Ļר×ķש ׾×Ļ×Ŀ ม ะ Ġar a каз аÑĤÑĮ à¸ķ ัà¸Ķ ÑĥÑİ ÑĤ Ġü st ×Ĵ ×ķ×ij ×Ĵ×ķ×ij ×ķת mal ı ег од егод нÑı اÙģ ÙĤ à¸Ĭ à¹Īà¸Ńà¸ĩ Ġö zellik ×Ļצ ×ķר Ġmi ÄĻd Ġili ÅŁ Ġна Ñħод ×¢ ×ĸר ׾ ×Ľ×ª ÙĨت اج ĠÑģ ем à¸Ī à¹Īาย à¸ķร ว à¸ķรว à¸Ī פר ×ķ à¸Ĥ ัà¸ļ ãģ ŀ Ġп ло к олÑĮ ×ŀ×¢ ×ĺ íķĺ ìĭľ jÄħ ce ÙĨ اÙĨ ลี à¸ģ н ÑĥÑĤ Ġоб ÑĢаз Ùĥ بر ĠاÙĦÙĪ Ø·ÙĨ ãģķãģĽ ãģ¦ ÙĤ اء ×ŀ×ĵ ×Ļ׳ y ü פ ×Ļת ׳ ×ķף ÙħÙĨ ظ หà¸Ļ ัà¸ģ ìŀ Ī ãĤ« ãĥ¼ãĥī ع ÙĨÙĬ п од ض اء à¸Ļ à¸ķà¹Į ×ŀש פ ว à¹Į ר ×ķק ส ืà¹Īà¸Ń פק ×Ļ×ĵ ãģªãĤī ãģªãģĦ ĠìŬ 룬 ÙĦ ج Ñī иÑĤ ãĥĥ ãĤ· ÙĦÙĬ س ĠÙĦ Ùħا ìł ij ×ij ×Ļף ãĥģ ãĤ§ Ġgü ç Ġch ứ ×ķצ ×IJ קר ×ij à¹Ĥ à¸ŀ оÑĩ но סק ×Ļ ש׾ ×Ŀ صر Ùģ ĠL Ãł ×¢ ×Ļת á» · à¹Ĥ à¸Ńà¸ģ à¹Ĥà¸Ńà¸ģ า à¹Ĥà¸Ńà¸ģา ส Ġ×Ķ ×ĵ×ijר à¸Ļั à¹Īà¸Ļ ز ر нак о íļ į ãĤĤ ãģ¡ ãĤĤãģ¡ ãĤį ãĤĤãģ¡ãĤį ãĤĵ اÙħ ت عد اد и нÑĭ ÅĤy w à¸Ħ à¸ĵะ à¸Ĺ ะ kt ör ×Ļ×Ĺ ×Ķ Ġм е Ġме ÑģÑı ׳×Ķ ×Ĵ ĠÑģ ÑĥÑīеÑģÑĤв à¸Ļ ัà¸Ļ ÑĦ ÑĦ ек ÑĤив عÙĦÙĪÙħ ات б Ñĥд à¸Ļัà¸ģ à¸ĩาà¸Ļ หà¸Ļà¹īา à¸Ĺีà¹Ī ÙĤÙĬ ÙĤ ãĤ· ãĥ³ ãģ« éĸ¢ ×IJר ×Ĵ ĠпÑĢ оÑĤ ĠпÑĢоÑĤ ив ĠìŀĪ ìĸ´ ÙĤÙĬ ÙĤØ© ìĹ ĩ k ür ãģ«ãģªãĤĬ ãģ¾ãģĹãģŁ Ġде ÑıÑĤ ĠдеÑıÑĤ елÑĮ פ×ķר ×ĺ à¸Ł à¹īา à¹Ģ à¸ł ĠавÑĤом аÑĤ ×ĸ ×Ļק Ġold uk ع اÙħ ĠÑĤ оÑĢ yrı ca ê Ì ãĤŃ ãĥ³ãĤ° ãģ« ãģ¨ãģ£ãģ¦ à¹Ģà¸ī à¸ŀ à¹Ģà¸īà¸ŀ าะ ãģ¯ ãģļ ×ŀ ×IJ×Ļ สะ à¸Ķ สะà¸Ķ วà¸ģ ìľ¼ ë©° à¸ģ ี ภ¬ Ġ×¢ ×ķש à¸łà¸² ษา à¸Ĺ ัà¸Ļ ac akt acakt ır اع دة ĠÑĥÑģл Ñĥг ס ר×ĺ ×ķ×ŀ ×ķת ×Ķ ×ķר ×ŀ ×ķ×ij ×ŀ×ķ×ij ף سÙĬ اس اتÙģ اÙĤ ×Ķ צ׾ Ùħؤ س Ġp ó Ġк ни ×Ļ׼ ×ķ׾ à¹Ģหล ืà¸Ń ׼׾ ׼ ׳ ×ĸ ÑĪи е r ès ĠاÙĦØŃ ÙĤ лÑı ÑĢ ห à¸į หà¸į ิà¸ĩ ר×Ĵ ×Ļש à¹Ģส à¹īà¸Ļ ש×ij ×ķף ô tel ап ÑĢ апÑĢ имеÑĢ اب ÙĦ ĠÑĢаз виÑĤ Ġп олÑĮз ĠС еÑĢ ×ķ×ij ×Ļ r óż ìĭ Ń ãĤ¯ ãĥĪ ãģĹ ãĤĪãģĨ à¸ģร ม ØŃ ÙĥÙĪÙħ à¹Ĥ à¸ļ à¸Ĺ à¹īาย ĠM á ĠÑĤ Ñĭ à¸Ħร ัว ÑĢÑĥ б ạ p Ġm ÅĤ ĠmÅĤ od Ġgör Ã¼ÅŁ Ġgeli ÅŁ Æ°Æ¡ i ×ŀש ק ÙĢÙĢ ÙĢÙĢ รา ว ãģĹãģ £ ãģĹãģ£ ãģĭãĤĬ ĠÐļ он Ġk ê à¹Ĥà¸Ĺ ร èIJ½ ãģ¡ åĩº ãģ¦ ล ัà¸ģษ Ġ×Ĵ ×ij×ķ×Ķ ãĥĻ ãĥ« ê±° ëĤĺ ë§ IJ ×Ļ׾ ×ĵ×Ļ×Ŀ ĠëĦ Ī ×ŀר ×Ļ ร ส ãĥŃ ãĥ³ и ло ноÑģÑĤÑĮ Ñİ ×ĸר ×Ĺ Ð¿ он Ġ×Ķש ׾ ê²ł ìĬµëĭĪëĭ¤ Ġki ÅŁ ĠÐļ и ว ร د اع ÅŁ im ÙĨ Ùij в аÑĤ را Ùĥ ب اÙĦ ид е Ġ×Ķ×ŀ ×Ĺ ìĸ µ تÙģ اع Ø£ ت ëĬ ĺ ש ×Ļת ست Ùħر ĠÑĦ ак ĠاÙĦØ£Ùħ رÙĬ ëŀ ¨ اس Ùħ Ġa ÄŁ Ġç ev Ùĥ ÙĪر ãģķ ãģ¾ Ġç öz Ġر س Äħ da สà¸Ļ ุ ãģĹãģ¦ ãģıãĤĮ н Ñİ leÅŁ me ãĤª ãĥ³ ãģ¨ ãģªãĤĬ ava ÅŁ ×ĺ ×Ļ×ij ØŃ Ø¶ ×ķצ ×IJ×ķת ÙĨ ÙħÙĪ ı t ĠÑħ а ĠÑħа ÑĢак ĠÑħаÑĢак ÑĤеÑĢ Ġd ÅĤ ãĥĹ ãĥ© à¸Ĭ ุม à¹Ī à¸Ńà¸Ļ ×ķ×ij ׾ Ñģ ол ×ĵ ×Ĵ аÑĢ аÑĤ n ivers Ġgerçek leÅŁtir ĠاÙĦ ÙĦÙĬ ระ ยะ ĠÙħ ختÙĦÙģ Ġgö nder Ùģ ار do ÄŁ doÄŁ an ص ÙĦاØŃ Ġyay ın ãĥĨ ãĥ³ รว à¸Ī ×Ļ×Ĺ ×Ļ×ĵ ünk ü ÑĨи алÑĮн à¸ļ ู ม ุ h ä Ø® Ùģ å¢ Ĺ å¢Ĺ ãģĪ еÑĩ но ĠاÙĦس ÙĨ à¸Ĥ าว im di Ð « à¸Ļà¸Ńà¸ģ à¸Īาà¸ģ à¸ļา ล ת ש Ġdüzen le мÑĭ Ñģл ãģı ãģª ż u Ġwsp óÅĤ Ġн аз ınd aki تر Ø© ÅŁ ek Ġö d ĠÙĪ Ùĥ Ġпозв олÑı Ġת ×ķ׼ ÙħÙĨ تج ë§ ī ĠاÙĦØ« ÙĦاث аÑĨи Ñİ ÙĪر ÙĪ Ñĭв аеÑĤ خص ص ĠاÙĦÙģ ÙĦ ĠاÙĦÙģÙĦ سطÙĬÙĨ Ø¥ جر إجر اء اÙĨت Ø® اÙĨتخ اب ار ÙĬØ© ×ķ Ö Ø¢ ÙĨ ×ŀ×¢ ×ķת Ġм ал Ġ×IJ ×Ĺ à¸Ĺ à¹īà¸Ńà¸ĩ ze ÅĽ Ġë§Į ëĵ¤ رÙĬ ع äºĭ ãĤĴ à¸ļริ หาร ׾ ×ŀ×Ļ×ĵ Ġм Ñĥж ت رÙĪ ĠباÙĦ Ø¥ פ ×Ļק ز ÙħØ© ĠÃ¶ÄŁ renc ãĥ ¶ اÙħ عة ק×ij ×ķצ ×ŀ ׳×ķת رÙĬ Ùħ Ġо каз ãģłãģij ãģ© Ġh ız Ġש ×IJת ãĤ¢ ãĥ¼ Ġmożli wo ìĦ ¼ ÙĪ اب ог ÑĢаÑĦ Ġعبد اÙĦ ãĤĴ è¡Į ب ÙĬÙĦ ĠÄ° ç ย าย ĠÑĥ ÑĩаÑģÑĤ ÑĦ еÑģÑģ ÑĦеÑģÑģ иона Ạ¤ ÙĨ ÙĬÙĨ عد ÙĦ สร ร دÙĬ ÙĦ ×ij ×Ļק czy ÅĤ ÑĢом е Ġм ед ìĻ Ķ ãĥ© ãĤ¤ãĥ³ ĠÑĤ еп еÑĢ ÑĮ i ÄŁi в ели ÑĢи ÑģÑĤ ס ×ķפ ×ŀ׾ ×Ĺ ĠاÙĦØ¥ ÙĨ Ġ׾×Ķ ש è¶Ĭ ãģĹ ĠÑĢ Ñĭ ×ķ×IJ ר رÙĩ اب פ ×ķ×IJ×Ļ ĠгоÑģ Ñĥд ĠгоÑģÑĥд аÑĢ ĠгоÑģÑĥдаÑĢ ÑģÑĤв ĠاÙĦØ£Ùħ ÙĬر Ùħ ج à¹Ģหม าะ ÑĢ ев à¸Ĭี à¸ŀ ãĥķ ãĥĪ иÑĩ но ĠاÙĦÙħ ؤ Ġi ht íħ ľ د ÙĨÙĬ ر ص ла ÑģÑĤ à¹Ģหล à¹Īา ılı r ร à¸ĵà¹Į ×ŀש ×Ļ×ļ Ġd á»ĭ Ø·Ùģ اÙĦ ×ĺ ×ķף Ġ×ij ×Ļ׳ ãģ¾ ãģ£ãģŁ лож ениÑı تØŃ Ø± ب اØŃ à¹Ģส ืà¹īà¸Ń ãģĻ ãģĶ lt ür à¸ĩ าม Ġt ü ĠпÑĢ им ĠпÑĢим ен Ġhay at ëĥ IJ ëĭ Į ׳×Ļ ×ķ вед ен ìħ ¨ à¸Ī ัย à¸ģà¹Ī à¸Ń Ġв од оÑģÑĤ оÑı н аÑĤ à¹ģ หล سÙħ ÙĬ à¸Ķำ à¹Ģà¸Ļ à¸Ķำà¹Ģà¸Ļ ิà¸Ļ w ód ö yle ãĥĢ ãĤ¤ ÑĪи й меÑī ен ãģĹãģ¾ ãģĨ ãĥī ãĥ© ÙĪض ØŃ à¸Ńà¸Ļ ุ ĠاÙĦ اجتÙħاع laÅŁ ma à¸Ħ à¸Ńà¸Ļ ×ŀר ×Ļ×Ŀ ÙĨ اÙħج שר ×ķת اÙĦ Ø£ Ġksi Äħż Ġа н ÑĢаР¹ اÙĩر Ø© ×ŀ×ĵ ×Ķ ä¸Ģ ç· ä¸Ģç· Ĵ ä¸Ģç·Ĵ ãģ« ÑĢиÑĤ оÑĢ d ıkl à¹ģ à¸ĸ à¹ģà¸Ĥ à¹Īà¸ĩ екÑĤ оÑĢ ×ŀס ×¢ ÑĢак ÑĤи u ÄŁu ×ķ×ij ת สู à¸ķร ĠçalÄ±ÅŁ m ĠçalÄ±ÅŁm alar Ġа на ãĥĽ ãĥ¼ãĥł Ġböl üm Ġب ص ол оÑģ ĠìķĬ ëĬĶ à¹Ī ะ ÙĪ تر ä¹ Ĺ Ø³Øª خداÙħ פ×Ļ ×Ļס פ×Ļ×Ļס ×ij פ×Ļ×Ļס×ij ×ķק Ġк ÑĢаÑģ ли к رÙĬ ØŃ ×ŀש ׾×Ķ à¹Ģย ีà¹Īย à¹Ģยีà¹Īย ม в иÑģ ом н ÄŁ un ãĥŃ ãĥ¼ãĥ³ Ø£ تÙĬ à¸ķร ี çĶ³ ãģĹ ØªÙħ ر ìĹ ĪìĬµëĭĪëĭ¤ ĠÙĪ غÙĬر red ni ĠاÙĦص Ùģ Ġна ÑģÑĤоÑı ĠнаÑģÑĤоÑı Ñī à¸ķ รา ĠÑĥÑģл ов ĠÑĥÑģлов иÑı ÑĨ еп ×Ķ ×Ĺ׾×ĺ Ø· ÙĬع ĠB akan ĠاÙĦ رÙĪ илÑĮ но Ġм еÑĤ à¸Ķ à¸Ńà¸ģ ãģĭãĤī ãģªãģĦ Ġпо ÑģÑĤоÑı ĠпоÑģÑĤоÑı н ĠÑĩ аÑģ ü c wr ó б ÑĥÑĢ ãĥIJ ãĥĥãĤ¯ ãĥ©ãĥ³ ãĥī Ġо гÑĢ สั à¸į สัà¸į à¸įา มั à¹Īà¸Ļ à¸Ħ à¸Ńม al ık Ġн ед üm üz ĠÅĽ wie é rio ×Ļ×IJ ×Ķ دÙħ ات ı rl ĠоÑĤ з ĠоÑĤз Ñĭв ä»ĺ ãģį Ġkaż de мин иÑģÑĤ ãĤ° ãĥ« ë° ĸ ез н اÙĦ Ùģ Ġש ק׾ Ùħ ض ãĥĿ ãĥ¼ãĥĪ ÙħÙĨ ت ÙĤÙĬ اÙħ Ø´ ÙĨ ×Ļר ×ķ×¢ ãĤŃãĥ£ ãĥ³ доÑĢ ов ×ŀ ×Ļת×Ļ ÙĪÙĦ ÙĪج Ùĥ اÙģ ĠÑĢаз лиÑĩ иÑĤ еÑĤ н олог ลà¸ĩ à¸Ĺุà¸Ļ Ġyak laÅŁ ãĥ¬ ãĤ¤ ê²ł ëĭ¤ æ±Ĥ ãĤģ رÙĪ Ùģ Ġí Ĭ ĠíĬ ¹ ãģ£ ãģıãĤĬ à¸Ħวาม à¸Ħิà¸Ķ ×Ķ ×Ļס×ĺ Ø¥ ÙĤ ãģ¦ ãģĦ à¹Ĥ à¸Ĭ ĠBü yük ĠФ едеÑĢ ÑĨи н ÑĢов а ĠاÙĦ اÙĤتصاد Ġch á à¸ĺ าà¸Ļ ë¥ ł à¹Ħ à¸ķ ÃŃ pio Ùĭ ا Ġоб Ñıз Ùĩ ج Ġì¤ij ìļĶ ãģ® ãģ§ãģ¯ãģªãģĦ بار اة ãĤ¤ ãĥ« Ġн оÑĢм á»ī nh m ö mö glich ÑĨи п ãĤ¢ ãĤ¯ ×Ķ ×Ļ ÑĨи алÑĮно ĠÅĽ wi ت ÙĤ ĠÑģÑĤо им بÙĬ عÙĬ Ġ׾ ש×ŀ г лÑı глÑı д ãģ¦ ãģıãĤĮ ÄĻd zi à¸Ĥ ั à¸Ĥั à¹īà¸Ļ Ø· ÙĤ ĠìĹ Ń ãģ£ãģ¦ãģĹãģ¾ ãģĨ ĠdeÄŁer l ĠdeÄŁerl endir Ġü lk Ġмн ог ๠ĭ ë¿ IJ ĠУ кÑĢа ÄŁ ini Ġбез оп Ġбезоп аÑģ à¸Ńà¸Ńà¸ģ à¹ģà¸ļà¸ļ Ø§Ø ¸ ØŃد اث л еÑĢ ×Ļ× ¥ ×Ļ׳×ĺר ׳×ĺ lar ınız ØŃÙĬ ØŃ Å¼ eli à¸Ń ัà¸ĩ à¸Ńัà¸ĩ à¸ģ à¸Ńัà¸ĩà¸ģ ฤษ ĠоÑĤ лиÑĩ ั ส ëŀ į ож но ãĤ¹ ãĥĿ ĠÑħ оÑĩ Ġк ап еÑĩ ен ØŃÙĦ Ø© ÙĬا Ùĩ на л ×ķצ ר×Ļ×Ŀ Ġk ald åĥ į ĠاÙĦØ´ خص Ġз на Ġwz gl ż ycz ê° Ŀ à¸ŀ ลัà¸ĩ íģ ¼ Ġö l Ġb ụ Ø´ Ùĩر Ġз ам Ġд ев ×Ļ×ĺ ת تعÙĦ ÙĤ ÙĪÙħ Ø© ãĤĴ ä½ľ ãģį ãģ¦ í ĥĿ ras ında ãĤĴ æİ¢ ĠÙħ باشر راج ع Ġв озд ÙħØŃ Ø§ ×ķש ר ĠиÑģÑĤ оÑĢ ม ัà¸ģ t ıģ Ø« ار تر ÙĨت à¹ģà¸Ĥ à¹ĩ à¹ģà¸Ĥà¹ĩ à¸ĩ п оÑĩ Ġ×ij ×IJ×ķת ë¯ Ģ ëĿ¼ ëıĦ à¸Ĭ ัà¸Ķ ส à¸ķà¹Į ãĥĭ ãĥĥãĤ¯ ид енÑĤ Ġг ÑĢÑĥпп ت Ø® Ạł ย ืà¸Ļ ย ัà¸Ļ ó ry T Ãľ ãģĹ ãĤĥ ĠпÑĢов ед лÑı еÑĤ Ùħ Ø® ย à¸Ńม ×Ľ×ł×¡ ת ĠاÙĦÙħ ÙĨت Ġol mad ר׼ ×ĸ×Ļ Ġв ÑģÑĤÑĢ ĠиÑģ Ñģлед ÑĤвеÑĢ ж بد ÙĪ еÑĢ ÑĤ ï» · ± ħ สัม à¸ŀัà¸Ļà¸ĺà¹Į ิ à¹Īà¸Ļ צ ×Ļ×ij wiÄĻ t Ġì° ¸ Ġz wiÄħz سب ÙĪع ãĥĥ ãĤ° à¸Ľà¸¥ à¸Ńà¸Ķ à¸Ľà¸¥à¸Ńà¸Ķ à¸łà¸±à¸¢ ãĤĤ ãĤĬ ÙĤد س Ġspr z Ġsprz eda Ġist edi Ġk hu Ġд ен Ġko ÅĦ Ġ×ij ×Ĺ×Ļ à¹Ģà¸Ĺ à¹īา ×ķס ×Ļ×£ ãĥĭ ãĥ¥ãĥ¼ ĠпÑĢед оÑģÑĤ ĠпÑĢедоÑģÑĤ ав à¹Ĥ à¸Ł é v ĠاÙĦص ØŃ ØµØŃ Ø§Ø¨ à¹Ģà¸Ī à¹ĩà¸ļ вл ек วั à¸ķ à¸ĸ ุ ãģĵãģ¨ãģĮãģ§ãģį ãģ¾ãģĻ ÙĤÙĬ ÙĤÙĬ ×ķ׊ר Ñĭ ÑĪ ĠоÑĤ но ĠоÑĤно ÑĪ об илÑĮ Ùģ ØŃ Ä± nt ınt ı Ġ׾ ×ij×ĵ í İĺìĿ´ì§Ģ ãĥĬ ãĥ« ĠÙħ ساء ×Ļ×ĺ ×ij ÑĮ еÑĢ ëĦ · Ñĭ ÑĤа ĠоÑĩ еÑĢ à¸Ķ ืà¹Ī à¸Ķืà¹Ī ม ĠN gh ت عب ÙĦاÙĤ ات ×ķ׾×ķ×Ĵ ×Ļ×Ķ ĠìĿ´ ê²ĥ Ġ×Ķ ×ijר ìľ µ à¹Ģà¸Ħล ืà¹Īà¸Ńà¸Ļ Ùĩ Ø© à¸Īำ à¹Ģà¸Ľà¹ĩà¸Ļ å¤ī ãģĪ wi ÅĽcie ch od chod zÄħ в ÑĢо ×ŀ×Ĺ ×Ļר Ġy ı Ġyı ll ì¡ Į à¹Ħ หว ãģªãģı ãģª Ġзав иÑģ ĠìĺĪ ìĪĺ Ùģ Ø° ủ ng à¸ŀุ à¸Ĺà¸ĺ з н lay an ãĤ ¡ à¸ģà¹ĩ à¸ķาม ĠsaÄŁ lam ร à¸ĵ ĠÑģ иÑĤ ĠÑģиÑĤ Ñĥ ĠاÙĦت ÙĨ ×Ķ ×ĸ ĠØ· ÙĪÙĬÙĦ ta ÅĤ Ġgö rd å¤ī ãĤı ëĥ ¥ à¸Ħà¹Ī à¸Ńย ×IJ ×ķ×ĺ ëħ IJ ãĥ©ãĥ³ ãĤ¹ วั à¸Ĵ วัà¸Ĵ à¸Ļ Ġol uÅŁ פע ×ķ׾ Ġszczeg óÅĤ à¸Ħา สิ à¸Ħาสิ à¹Ĥà¸Ļ pow ied ĠÑĤ еб หà¸Ļ à¹Īวย Ġм ил ØŃ Ùĥ à¸Ĺ à¸Ķ ĠмаÑĤ еÑĢиал ÅĤ ow à¹Ģà¸ģ ีย ĠÑģов еÑĢ ãĤ © à¸Ľ ริ Ġи Ñİ Ð½Ð°Ñĩ ен ÑĢен д mu ÅŁtur ĠпÑĢод Ñĥк з д Ñı ÑĤи ÑıÑĤи Ñı à¹Ģม ีย رات ÙĬج Ġam acı ש ×ķ׾ ש×ķ׾ ×Ĺ à¸ªà¸° à¸Ńา สะà¸Ńา à¸Ķ פ×Ĵ ×¢ عب Ø© d ın íħ Ķ Ġ×ŀש ×Ĺק Ġfi yat Ġз аÑı ĠзаÑı в à¹Ĥ หล à¹Ĥหล à¸Ķ à¸ģรุà¸ĩ à¹Ģà¸Ĺà¸ŀ צ×Ļ ×Ļף ìļ ± Ùħ ب Ùħب اد land ır Ġв еÑģÑĮ Ġh ük ĠÐĴ оз ÑĩиÑĤ Ñĭва ว ล ×ķצ ×¢ à¸Ĥà¸ĵะ à¸Ĺีà¹Ī ĠaÅŁ aģı ׾×IJ ×ķ×ŀ×Ļ tr zym Ã¤ÃŁ ig owo ÅĽci ãģĿ ãĤĤ Ġroz wiÄħz ĠgÅĤ ówn м онÑĤ ×ŀ ×ķ×ŀ ĠÑģÑĤ ан ÙĦا ÙĤØ© p rowad prowad zi ĠÑģоÑģÑĤ оÑı ×Ļ×IJ ×ķת r ı g ı ãĥij ãĥij Ġна лиÑĩ ×Ķ צע Ġ׳ ×Ķ à¸Ħ ัà¸ļ ع راض и ж Ùĩ ائÙĬ ãĤī ãģı ож еÑĤ Ġоб оÑĢ ĠобоÑĢ Ñĥд Ø£ سÙĦ à¹ĩ à¸Ķ ÑĢÑĥ ÑĤ دÙĬ ÙħÙĤ دÙĬÙħÙĤ را Ġjest e ×ķ×ķ ×Ļר ×ij×ĵ ×Ļק деÑĢж ива ãģĬ ãģı ewn ÄĻtr ewnÄĻtr zn à¸ŀ ฤ Ġ×IJ ×ķ×Ķ ת×Ĺ ×ķש Ġz ob д Ñĥм ĠÑģ Ñĭ ÙĬر ا ĠwiÄĻ ks à¹ģà¸ķà¸ģ à¸ķà¹Īาà¸ĩ lar aras lararas ı íĺ Ģ ëī ´ ×ķ×Ĵ ׾ ĠоÑĤ меÑĤ ĠÑĢ ан ت ÙĥÙĦ иÑĤелÑĮ н à¸Ľà¸£à¸° วั à¸Ľà¸£à¸°à¸§à¸± à¸ķิ ìŀ ĸ мож но pie czeÅĦ pieczeÅĦ st ëª » ìĬ ¨ ×ŀס ×ŀ á» ¦ ศ ิ ศิ ล ศิล à¸Ľ ĠÅļ w ãĥĥ ãĤ·ãĥ§ãĥ³ unit Ãł Ġmiesz ka Ġmieszka ÅĦ pr zed przed si przedsi ÄĻb przedsiÄĻb ior à¸Ľà¸£à¸° สิà¸Ĺà¸ĺิ à¸Ľà¸£à¸°à¸ªà¸´à¸Ĺà¸ĺิ à¸łà¸²à¸ŀ ย à¹Ī ìķ Ļ รว à¸Ķ รวà¸Ķ à¹Ģรà¹ĩว å½ĵ ãģŁãĤĬ äl le Ñĥ еÑĤÑģÑı ã n ëł µ th è ãĤĴ åĪ©çĶ¨ ì µľ íĵ ¨ à¸Ĺ ัà¸ļ า à¸Ħม ãģ ĩ ëĤ Į à¹Ģà¸Ľà¸¥ à¹Īา â ¦ ë ¾ ê Ģ ê ĩ â ¡ ðŁ Ł ã IJ â º á Ń á Ļ á ĵ á ² ðĵ ı á ¬ â ¯ ä ¨ ê Ŀ ê « ð ij ðĵ ĥ ðĿ ħ < unk Ġع ÙĦÙī Ġm á»Ļt Ġv Ỽi Ġng Æ°á»Ŀi ĠØ¥ ÙĦÙī Ġnh ững Ġth á»ĥ Ġ×IJ ×ķ Ġ×¢ ×Ŀ ا Ùĭ Ġ à¹ģละ ĠÙĦ ا Ġnh Æ° ĠاÙĦت ÙĬ Ġ×Ķ ×ķ×IJ ĠÄij ến ĠØ£ ÙĪ Ġv á»ģ ĠlÃł m Ġs ẽ Ġc Å©ng Ġ ợ ĠÄij ó Ġnhi á»ģu Ġt ại Ġtr ên Ġ×Ĵ ×Ŀ Ġnh Ãł Ġ׼ ×Ļ Ġs á»± ĠÄij ầu Ġb á»ĭ ĠÙĩ ذا Ġnh ất Ġph ải Ġhi á»ĩn Ġdụ ng ĠÄij á»Ļng ĠاÙĦÙĦ Ùĩ ĠØ Į ĠÙĥ ÙĦ Ġvi á»ĩc Ġn Äĥm Ġth ì Ġh á»įc ĠÙĪ ت t é Ġا ÙĨ Ġt ôi Ġ×IJ ׳×Ļ Ġ׾ ×Ļ Ġ×ŀ ×ķ Ġng Ãły Ġn Æ°á»Ľc Ġ×Ķ ×Ļ×IJ Ġ×IJ ×Ļ Ġh Æ¡n ĠÙĩ Ø°Ùĩ ĠÙĪ ÙĬ ĠاÙĦ Ø°ÙĬ Ġ×ķ ×ŀ Ġgi á Ġnh ân Ġch ÃŃnh Ġm ình ĠÐĿ а Ġth ế Ġ×Ļ ×ķתר Ġ×IJ ×Ŀ Ġn ên Ġh ợ Ġhợ p Ġc òn ĠÙĩ ÙĪ Ġc Æ¡ Ġr ất ĠVi á»ĩt Ġب عد Ġש ×Ļ Ġth á»Ŀi Ġc ách ĠÄij á»ĵng Ġн о Ġtr Æ°á»Ŀng Ø Ł ĠÄij á»ĭnh ĠÄiji á»ģu ×Ļ ×Ļ×Ŀ Ġth á»±c n ın Ġh ình Ġn ói Ġc ùng Ġ×Ķ ×Ķ ĠØ¥ ÙĨ Ġ×IJ ×ij׾ Ġnh Æ°ng Ġbi ết Ġж е Ġch úng ĠÄij ang ĠØ° ÙĦÙĥ Ġl ên Ġkh ách Ġn Ãło Ġs á»Ń Ġkh ác Ġë° ı Ġl ý ×Ļ ×Ļ ĠÄij ây Ġ׾ ×ŀ Ġc ần Ġtr ình Ġph át ãģ« ãĤĤ п о Ġn Äĥng Ġb á»Ļ Ġv ụ ĠÄij á»Ļ Ñĩ е Ġnh áºŃn Ġtr Æ°á»Ľc Ġ×¢ ×ĵ Ġh Ãłnh ĠØ® ÙĦاÙĦ Ġl ượng Ġc ấp Ġtá» ± Ġv ì Ġt Æ° Ġch ất Ġ׼ ×ŀ×ķ Ġg ì Ġש ׳ Ġt ế ת ×ķ Ġnghi á»ĩp Ġm ặt ĠÙĥ Ùħا Ġ×ij ×Ļף Ġר ק Ġth ấy Ġmá y ĠÙģ Ùī Ġd ân Ġ×IJ ×Ĺ×ĵ Ġt âm Ġ׼ ×ļ Ġ׾ ×ķ в о Ġt ác Ġto Ãłn ĠÙĪ Ùħ Ġk ết Ġ หรืà¸Ń ĠÙĪاÙĦ Ùħ ĠÄiji á»ĥm Ġ×ĸ ×ķ Ġ×ij ×ķ ׼ ×ķת Ġh á»Ļi Ġb ằng ت Ùĩا Ġ׼ ×ĵ×Ļ Ġ×Ķ ×Ŀ Ġxu ất ĠÙĤ د Ġb ảo Ġt á»ijt Ġt ình ĠÙĩ ÙĬ ĠÄij á»iji Ġthi ết Ġhi á»ĩu Ġti ếp Ġt ạo ת ×Ķ Ġch ủ o ÅĽÄĩ Ġgi ú Ġgiú p Ġà ½ Ġqu ả Ġlo ại Ġc ô Ġà ´ Ġô ng Ġ×Ķ ×ķ ĠاÙĦÙĬ ÙĪÙħ ĠtÃŃ nh г а Ġph òng Ġ Äĥn Ġع اÙħ Ġv á»ĭ lar ını r ÃŃa Ġt Ỽi ĠÄij Æ°á»Ŀng Ġgi Ỽi Ġb ản Ġc ầu Ġnhi ên Ġb á»ĩnh Ġth Æ°á»Ŀng Ġ×IJ ×Ļף ĠÄij á»ģ Ġh á»ĩ Ġ×Ļש ר×IJ׾ Ġqu á ĠÐĹ Ð° ãģ® ãģ§ãģĻãģĮ ĠÐŁ ÑĢи Ġph ần ĠÙĪ ÙĦا ĠlỼ n Ġtr á»ĭ Ġcả m Ġм о Ġd ùng ĠاÙĦ Ùī ĠعÙĦÙĬ Ùĩ ĠìŀĪ ìĬµëĭĪëĭ¤ ÙĬ ÙĤ ĠÙĤ بÙĦ Ġho ặc ĠØŃ ÙĬØ« Ġ à¸Ĺีà¹Ī Ġغ ÙĬر ĠÄij ại Ġsá»ij ng нÑĭ ми Ġth ức Ġפ ×Ļ ĠÄiji á»ĩn ãģª ãģĭãģ£ãģŁ Ġgi ải Ġv ẫn Ġи Ñħ Ġö nce Ġv áºŃy Ġmu á»ijn Ġ ảnh à¹ĥà¸Ļ à¸ģาร ĠQu á»ijc Ġk ế ׳ ×IJ Ġס ×Ļ Ġy êu ãģ® ãģĭ ĠÄij ẹ ĠÄijẹ p Ġch ức Ġy ıl ĠTür kiye d é ĠÙĤ اÙĦ Ġd á»ĭch ĠolduÄŁ u Ġch á»įn Ġت Ùħ หà¸Ļ ึà¹Īà¸ĩ ãģķãĤĮ ãģŁ Ġph áp ìĽ Ķ Ġti á»ģn ãģĹ ãģ¾ãģĹãģŁ Ġש ׾×IJ ÙĦ Ø© Ġ׾פ ׳×Ļ Ġ×ij ×Ļת ĠH Ãł ĠØŃ Øª ĠØŃت Ùī Ġ×¢ ×ķ×ĵ Ġn ó Ġth áng à¹Ģลืà¸Ń à¸ģ ר ×Ķ Ġt Äĥng Ġcá i Ġtri á»ĥn Ġ×IJ×ķת ×ķ ìłģ ìĿ¸ ĠC ông Ġ׾×Ķ ×Ļ×ķת Ġг ода и Ñİ Ġب عض Ġ à¸ģาร èī¯ ãģĦ ÙĪ ت Ġli ên ĠÐĿ о ĠÐĿ е çļĦ ãģª ĠÙħ ت ĠÑĤак же ĠкоÑĤоÑĢ Ñĭе Ġ×Ļ ×ĵ×Ļ Ġtr á»įng ãĤµ ãĤ¤ãĥĪ ìłģ ìľ¼ë¡ľ Ġt áºŃp Ġש ׾×Ļ íķĺ ê²Į Ġt Ãłi ĠÐ ¯ Ġr á»ĵi ا Ùĥ Ġth Æ°Æ¡ng Ġ×Ķ ×ĸ×Ķ ĠÙĪ ÙħÙĨ à¸Ĺีà¹Ī มี Ġcu á»Ļc Ġbü yük ãģ¨ ãģĭ Ġ×ij ×Ļ×ķתר Ġl ần Ġgö re Ġtr ợ Ġ×ĺ ×ķ×ij ÑĤÑĮ ÑģÑı Ġth á»ijng Ġ׼ ש Ġti êu Ġ×ŀ×IJ ×ķ×ĵ Ø Ľ k Äħ Ġ à¹ĥà¸Ļ Ġv ấn Ġש ׾×ķ ĠÄij á»ģu Ùģ ت Ġê²ĥ ìĿ´ Ġh óa ĠاÙĦع اÙħ ĠÙĬ ÙĪÙħ к ой Ġbi á»ĩt ÑģÑĤ о Ġ×Ķ ×Ļ×ķ à¸Ĺีà¹Ī à¸Īะ Ġ×ĵ ×Ļ Ġ×IJ ×ļ Ġá n ص ÙĪر Ġtr ÃŃ ĠÐŁÑĢ о Ġl á»±c ãģĹãģ¦ ãģĦãģ¾ãģĻ Ġb Ãłi Ġ×ĸ ×IJת Ġb áo à¸ļ à¸Ļ ĠëĮĢ íķľ Ġti ế Ġtiế ng Ġb ên ãģķãĤĮ ãĤĭ s ión Ġt ìm ×¢ ×ķ m é ни Ñı ãģ» ãģ© Ġà¹Ģà¸ŀ ราะ ب Ø© Ġë¶ Ħ Ġ×IJ ×ĸ à¸Ĺ à¹Īาà¸Ļ ת ×Ŀ Ġth êm Ġho ạt y ı ×ĸ ×ķ Ġgi á»Ŀ Ġb án à¸Ĥ าย Ñĩ а Ġ à¹Ĩ ĠاÙĦÙħ ت ĠоÑĩ енÑĮ Ġb ất Ġtr ẻ ÑĤ ÑĢ ĠØ£ ÙĨÙĩ ĠØ« Ùħ Ġ׼ ×ŀ×Ķ Ġkh ó Ġr ằng ĠÙĪ ÙģÙĬ ни й Ġho Ãłn t ó Ġ×IJ שר ĠìĥĿ ê°ģ Ñģ а Ġ׼ ×ijר ĠÑįÑĤ ом lar ının Ġch Æ°a з и Ġd ẫn ĠÐļ ак ج ÙĪ ĠбÑĭ ло ĠÙĬ ت n ı ÅĤ am ĠÙĪÙĩ ÙĪ ×ij ×ķ п и ר ת Ġqu á»ijc ж д ĠÄij Æ¡n Ùĥت ب Ġm ắt ระ à¸ļ ระà¸ļ à¸ļ ĠÙĥ اÙĨت Ġth ân สิà¸Ļ à¸Ħà¹īา ×Ĵ ×Ļ Ġph Æ°Æ¡ng à¹Ħมà¹Ī à¹Ħà¸Ķà¹ī ĠìĦ ± ĠC ác Ġ×Ķ×ŀ ×ķ ĠÑĤ ем Ġ×ĵ ×ķ à¸Ńะ à¹Ħร Ġv Äĥn ãģª ãģ®ãģ§ ĠN á»Ļi Ġ×¢ ×ķ ãĤīãĤĮ ãĤĭ Ġs áng Ġgö ster ãģĵãģ¨ ãĤĴ Ġtaraf ından Ġм а ĠпоÑģл е Ġ׳ ×Ļת Ġ׳×Ļת ף Ġл еÑĤ Ġ׾ ׳×ķ Ñģ Ñģ Ġ×Ļ ×ķ п е ĠÙĪ ÙĦÙĥ ĠÙĪÙĦÙĥ ÙĨ Ġngo Ãłi ĠÄij á»ĭa r zÄħd dz iaÅĤ ĠÙħ ر иÑĤÑĮ ÑģÑı Ġ×IJ×Ĺר ×Ļ Ġ׾ ׼׾ à¸Ĥ à¹īà¸Ńม à¸Ĥà¹īà¸Ńม ูล Ġб ол Ġбол ее جÙħ ع л еÑĤ Ġl á»ĭch ĠÙħ Ø«ÙĦ Ġ그리 ê³ł Ġth ứ ĠdeÄŁ il ÙĪ ØŃ Ġש׾ ×ļ ĠÙħ ØŃÙħد Ġn ếu ĠÄij á»ķi Ġv ừa Ġm á»įi Ġо ни Ġl úc ĠÙĬ ÙĥÙĪÙĨ ì§ Ī Ġש׾ ׳×ķ ĠÐĶ о Ġש ׳×Ļ ล ิ ×IJ פשר Ġs ức ê¶ Į Ġ ứng à¹Ħมà¹Ī มี Ø·ÙĦ ب ĠÑĩ ем Ġch uyên Ġth ÃŃch Ġ×ķ ×Ļ íķ © ĠÙħ صر д о ĠÄij ất Ġch ế à¸Ĭ ืà¹Īà¸Ń Ġìĭ ł ĠØ¥ ذا Ġر ئÙĬس Ġש ×Ļש Ġgiả m Ñģ ка lar ında Ġs ợ ĠtÃŃ ch ĠÙĦ ÙĥÙĨ Ġب Ùħ ×¢ ×ķ×ij ×¢×ķ×ij ×ĵ ÅĤÄħ cz ları na Ġש ×Ŀ ĠÙĦ ت Ġש×Ķ ×ķ×IJ t ów Ġëĭ¤ 른 ĠØ£ Ùĥثر ãģ® ãģ§ãģĻ ׼ ×Ļ×Ŀ ĠolduÄŁ unu ãģĭ ãģª ãĤĤ ãģĨ ÙĬ ØŃ Ġnh ìn Ġngh á»ĩ ãģ«ãģª ãģ£ãģ¦ п а Ġquy ết ÙĦ ÙĤ t á Ġlu ôn ĠÄij ặc Ġ×IJ ר Ġtu á»ķi s ão ìĻ ¸ ر د ĠبÙĩ ا Ġ×Ķ×Ļ ×ķ×Ŀ ×ķ ×ķ×Ļ ãģ§ãģĻ ãģŃ ĠÑĤ ого Ġth ủ ãģĹãģŁ ãģĦ ر ÙĤ Ġb ắt г Ñĥ Ġtá» Ń ÑĪ а Ġ à¸Ľà¸µ Ġ×Ķ×IJ ×Ŀ íı ¬ ż a Ġ×IJת ×Ķ Ġn á»Ļi Ġph ÃŃ ĠÅŁek ilde Ġl á»Ŀi d ıģı Ġ׼×IJ ף Ġt üm Ġm ạnh ĠM ỹ ãģĿ ãĤĵãģª Ġnh á»ı ãģª ãģĮãĤī Ġb ình ı p à¸ŀ า ĠÄij ánh ĠÙĪ ÙĦ ר ×ķת Ġ×IJ ×Ļ×ļ Ġch uyá»ĥn Ùĥ ا ãĤĮ ãĤĭ à¹ģม à¹Ī ãĤĪ ãģı ĠÙĪ ÙĤد íĸ Īëĭ¤ Ġn Æ¡i ãģ«ãĤĪ ãģ£ãģ¦ Ġvi ết Ġà¹Ģà¸ŀ ืà¹Īà¸Ń ëIJĺ ëĬĶ اد ÙĬ ĠÙģ Ø¥ÙĨ ì¦ Ŀ ĠÄij ặt Ġh Æ°á»Ľng Ġx ã Ġönem li ãģł ãģ¨ Ġm ẹ Ġ×ij ×Ļ Ġ×ĵ ×ijר Ġv áºŃt ĠÄij ạo Ġdá»± ng ĠÑĤ ом ĠÙģÙĬ Ùĩا Ġج ÙħÙĬع Ġthu áºŃt st ÄĻp Ġti ết Ø´ ÙĬ Ġе Ñīе ãģĻãĤĭ ãģ¨ ĠmÃł u ĠÑįÑĤ ого Ġv ô ĠÐŃ ÑĤо Ġth áºŃt Ġn ữa Ġbi ến Ġn ữ Ġ׾ ׼×Ŀ ×Ļ ×Ļף Ġس ت ĠÐŀ ÑĤ Ġph ụ ê¹Į ì§Ģ Ġ׾ ×ļ Ġk ỳ à¹ĥ à¸Ħร Ġg ây ĠÙĦ ÙĦÙħ Ġtụ c ت ÙĬÙĨ Ġtr ợ Ġ׾ פ×Ļ Ġb á»ij ĠÐļ а ĠÄij ình ow Äħ s ında Ġkhi ến s ız Ġк огда ס ׾ ĠбÑĭ л à¸Ļ à¹īà¸Ńย обÑĢаР· Ġê²ĥ ìĿ´ëĭ¤ ëĵ¤ ìĿĢ ãģ¸ ãģ® Ġà¹Ģม ืà¹Īà¸Ń Ġph ục Ġ׊׾ק Ġh ết ĠÄij a à¹Ģà¸Ķà¹ĩ à¸ģ íĺ ķ l ÃŃ ê¸ ī Ġع دد ĠÄij á»ĵ Ġg ần Ġ×Ļ ×ķ×Ŀ Ġs Ä© ÑĢ Ñıд Ġquy á»ģn Ġ×IJ ׾×IJ Ùĩ Ùħا ׳ ×Ļ×Ķ ׾ ×ķת Ġ×Ķר ×ij×Ķ Ġti ên Ġal ın Ġd á»ħ 人 ãģĮ но Ñģ л ÑģÑı ĠÄij Æ°a ส าว иÑĢов ан Ġ×ŀס פר ×Ĵ ף Ġki ến ĠÐ ¨ p é б Ñĥ ов ой б а ĠØ¥ ÙĦا ×IJ ׾×Ļ Ġx ây Ġb ợi Ġש ×ķ 人 ãģ® ק ×Ļ×Ŀ à¹Ģà¸Ķ ืà¸Ńà¸Ļ Ġkh á Ġ×ķ ׾×Ķ ×ĵ ×ķת Ġ×¢ ×ij×ķר Ġبش ÙĥÙĦ ĠÙĩÙĨا Ùĥ ÑĤ ÑĢа Ġ íķĺëĬĶ ร à¸Ńà¸ļ owa ÅĤ h é Ġdi á»ħn Ġ×Ķ ׼׾ ĠØ£ س Ġch uyá»ĩn ระ à¸Ķัà¸ļ ĠNh ững Ġ×IJ ×Ĺת ĠØŃ ÙĪÙĦ л ов ׳ ר Ġ×ķ ׳ Ġch Æ¡i Ġiç inde ÑģÑĤв Ñĥ Ġph á»ij ĠÑģ Ñĥ ç§ģ ãģ¯ Ġch ứng Ġv á»±c à¹ģ à¸Ń Ġl áºŃp Ġtừ ng å°ij ãģĹ ĠNg uy ĠNguy á»ħn ĠÙģÙĬ Ùĩ Ġб а ×Ļ ×Ļת Ġ×ľ×¢ ש×ķת Ġ×ŀ ׼ Ġnghi á»ĩm Ġм ного Ġе е ëIJĺ ìĸ´ Ġl ợi Ġ׾ ׾×IJ Ġ׼ ף Ġch ÃŃ ãģ§ ãģ® ×Ĺ ×ķ ש ×ķ×Ŀ Ġ×ŀ ר ĠÐĶ лÑı Å ģ Ġ׼×IJ שר ĠM á»Ļt ĠÙĪاÙĦ ت ĠìĿ´ 룰 ÅŁ a Ġchi ến Ġaras ında Ġ×ij ×IJתר ãģķãĤĮ ãģ¦ãģĦãĤĭ Ø´ ÙĥÙĦ Ġt ượng Ġت ت ĠC ó Ġb á»ı Ġtá»ī nh Ġkh ÃŃ ĠпÑĢ оÑģÑĤ ĠпÑĢоÑģÑĤ о ĠÙĪ ÙĤاÙĦ Ġgi áo ĠN ếu ×IJ ×ŀר ×¢×ł×Ļ ×Ļף íİ ¸ Ùĩد Ùģ ĠB á»Ļ Ġb Ãłn Ġng uyên Ġgü zel ส าย ì² ľ ×ŀ ×ķר Ġph ân ס פק ק ×ij׾ ĠاÙĦÙħ تØŃ ĠاÙĦÙħتØŃ Ø¯Ø© ائ د Ġ×IJ ×ŀר Ġki ÅŁi ì¤ Ģ Ġtr uyá»ģn ĠÙĦ Ùĩا ĠÐľ а à¸ļริ ษ à¸ļริษ ั à¸ļริษั à¸Ĺ Ġש ׳×Ļ×Ŀ Ġмен Ñı ÅŁ e Ġdi á»ĩn Ġ×IJ׳ ×Ĺ׳×ķ k ü Ġc á»ķ Ġm á»Ĺi w ä Ùħ ÙĬ Ġhi á»ĥu ëĭ ¬ Ġ×Ķ ×Ĺ׾ Ġt ên Ġki á»ĩn ÙĨ ÙĤÙĦ Ġv á»ĩ ×ĵ ת ĠÐłÐ¾ÑģÑģ ии л Ñĥ ĠاÙĦع ربÙĬØ© ĠØ· رÙĬÙĤ Ġ×Ķ×ij ×Ļת Ñģ еÑĢ Ġм не ä u Ġtri á»ĩu ĠÄij ủ Ġר ×ij ت ÙĩÙħ à¸ĭ ี Ġì§Ģ ê¸Ī li ÅĽmy د عÙħ ãģł ãĤįãģĨ Ñģки е Ġh á»ıi Ġק ×ķ ÑĢÑĥ Ñģ ÙĨ ظر ãģ® ãĤĤ Ġ×Ķ ׼×Ļ ĠìĽ IJ ÙĪ Ùĩ ĠÙĪ Ùİ ĠB ạn п лаÑĤ Ġ×ŀ ×ŀש лÑİ Ð± ĠнÑĥж но Ġth Æ° ãģ µ ãģı ãĤīãģĦ ر Ø´ ר ×ķ×Ĺ ĠÙĬ تÙħ Ġצר ×Ļ×ļ Ġph á ม à¸Ńà¸ĩ Ġ×ij×IJ ×ķפף Ġcả nh Ġíķľ ëĭ¤ Ġ×Ķ×ŀ ת à¸ķà¹Īาà¸ĩ à¹Ĩ มี à¸ģาร Ñģки Ñħ ĠÐĴ Ñģе Ġا ÙĪ ج ÙĬ ãģĵãģ¨ ãģ¯ Ġd Ãłi Ġh á»ĵ èĩªåĪĨ ãģ® à¹Ħ หà¸Ļ ëĵ¤ ìĿĦ ĠV Äĥn Ġд аж Ġдаж е Ñĭ ми лаÑģ ÑĮ ÙĬ ÙĪÙĨ ÙĨ ÙĪ c ó ãģĹãģ¦ ãģĦãģŁ ãģł ãģĭãĤī طاÙĦ ب Ġc á»Ńa п ÑĢоÑģ ãģªãģ© ãģ® รุ à¹Īà¸Ļ Ġchi ếc л Ñĭ ĠÑıвлÑı еÑĤÑģÑı Ġn á»ķi ãģ® ãģĬ Ġ×IJת ×Ŀ ĠëķĮ문 ìĹIJ à¸ģล าà¸ĩ ĠbaÅŁ ka ìĦ Ŀ ĠÑĨ ел Ùģ ÙĤ ãģ«ãĤĪ ãĤĭ ÙĤ ا Ġçı kar Ġcứ u Ø· ا Ġש ת à¹Ĥ à¸Ħ Ġ×ŀ ׾ Ġ×Ķ פר Ġг де ĠØ® Ø· åīį ãģ« c jÄĻ Ġ׊ש×ķ×ij ר×Ĵ ×¢ Ġkho ảng ĠÄij á»Ŀi ĠÐł е Ġо на Ġ×IJ ׳×ķ ãģ® ãģ« ĠاÙĦØ° ÙĬÙĨ кÑĥ п ãĤµ ãĥ¼ãĥ ãĤµãĥ¼ãĥ ĵ ãĤµãĥ¼ãĥĵ ãĤ¹ в ал г е Ġgi ữa ĠKh ông ĠâĹ ĭ à¸ģล ุà¹Īม ĠÙħÙĨ Ø° à¸Ń à¹Īาà¸Ļ ĠÑģп оÑģоб ĠÄij á»Ļi Ġdi ÄŁer Ġ à¸ĸà¹īา Ùħ Ø«ÙĦ Ġ×Ķ×IJ ×Ļ Ġد ÙĪÙĨ ÙĬر اÙĨ Ñī и بÙĨ اء ĠØ¢ خر ظ Ùĩر Ġ×ij ׼ ĠاÙĦÙħ ع ãĥ Ĵ Ġt ất Ġm ục ĠdoÄŁ ru ãģŁ ãĤī Ġס ×ķ Ġx ác ร à¸Ń ĠcÄĥ n Ġон л Ġонл айн Ġk ý Ġch ân Ġ à¹Ħมà¹Ī اØŃ Ø© r án ׳×Ļ ×Ļ×Ŀ Ġ×ij ף ĠÐ ĸ à¸ķร à¸ĩ д Ñĭ Ġs ắc ÙĦ ت ãĥŃ ãĥ¼ ĠÙĦ ÙĨ Ġר ×ķ Ġd Æ°á»Ľi à¹Ģ à¸ĺ à¹Ģà¸ĺ à¸Ń e ÄŁi Ġ×ķ ש ĠÙĦ Ø£ Ġg ặp Ġc á»ij ãģ¨ ãģ¦ãĤĤ رÙĪ س Ġ׾×Ķ ×Ļ Ġë³ ¸ ä¸Ĭ ãģĴ Ġm ức Ñħ а Ġìŀ ¬ à¸ī ัà¸Ļ ÑĢÑĥ ж Ġaç ık ÙĪ اÙĦ Ġ×ĸ ×ŀף 人 ãģ¯ ع ÙĬÙĨ Ñı Ñħ Ġ×Ĵ×ĵ ×ķ׾ ר ×ķ×ij g ó ëĿ¼ ê³ł Ġark adaÅŁ ÙĨ شر Ġгод Ñĥ ĠболÑĮ ÑĪе ãģ¡ãĤĩ ãģ£ãģ¨ Ġcâ u Ġs át íĶ ¼ Ġti ến íķ´ ìķ¼ ĠÙĪ Ø£ÙĨ à¸Ļ าà¸Ļ Ġ×ij×IJ×ŀ צע Ġ×ij×IJ×ŀצע ×ķת Ġ׾ ר Ġqu ản ĠÙĪاÙĦ Ø£ Ġ×IJ×ķת ×Ķ Ġìĸ´ëĸ ¤ Ġê²ĥ ìĿĢ ØŃس ÙĨ Ġm ất à¸Ħ ูà¹Ī ãĥ¬ ãĥ¼ ĠÐĶ а Ġol ması Ġthu á»Ļc ׳ ×Ĺ íĨ ł Ġsö yle ãģĿãģĨ ãģ§ãģĻ Ġت ÙĥÙĪÙĨ л ÑĥÑĩ ׾ ×Ļ×ļ ĠØ£ ØŃد ли ÑģÑĮ ĠвÑģ его Ġ×Ķר ×ij Ġëª » o ÄŁ oÄŁ lu ĠìĦ ł Ġк аÑĢ à¸łà¸² à¸Ħ e ÅĦ Ġ à¸ģà¹ĩ Ġa ynı Ġb Ãł ãģªãĤĵ ãģ¦ Ġ모 ëĵł ÙĤر ار ãģĹãģª ãģĦ ĠÐĴ о ĠÙĪÙĩ ÙĬ ни ки ãĤĮ ãģŁ Ġchu ẩn ר ×¢ Ùģ رÙĬÙĤ ãĤĴ åıĹãģij ĠÄij úng б е ׼ ×ķ×Ĺ Ð¿ Ñĥ Ġ×ķ ×Ĵ×Ŀ ×ŀ ׳×Ļ íĸ ¥ צ ×Ļ×Ŀ à¸ĭ ิ Ùĩ ÙĨ н ем Ġ×ij×ij ×Ļת ر ع Ġ ส ĠÄIJ Ãł íķĺ ëĭ¤ Ġ ấy ×Ĺ ×ķ×ĵ ×Ĺ×ķ×ĵ ש ĠÑĩеÑĢ ез Ñĥ л ĠB ình Ġê²ĥ ìĿĦ Ġ×Ĵ ר ä»ĺ ãģij ×Ĺ׾ ק Ġت ÙĦÙĥ à¹ĥส à¹Ī sz Äħ ÙĤ اÙħ د ÙĪر ĠÙģ ÙĤØ· Ġh ữu Ġмог ÑĥÑĤ Ġg á»įi Ġק ר à¸Īะ มี ت ÙĤدÙħ Ġع بر Ġ׾×Ķ ×Ŀ ĠÑģам о ס ×ĵר Ġc Ãłng r ÃŃ Ġìŀ ¥ ëĵ¤ ìĿĺ ĠÙĦ Ùĥ п оÑĢÑĤ Ġkh ả ĠÑģеб Ñı ׳ ף Ġد ÙĪر Ġm ợ Ġcâ y Ġf ark Ġfark lı а ÑİÑĤ Ġtr á»±c wiÄĻks z Ġthu á»ijc Ġت ØŃت ت ÙĦ ов Ñĭе ëĤ ł Ġв ам بÙĦ غ Ġê°Ļ ìĿĢ íĮ IJ ÙĦ ب Ġnas ıl Ġод ин м ан ĠعÙĦÙĬ Ùĩا б и Ġפ ש×ķ×ĺ ×ijר ×Ļ Ġש ׳×Ķ Ġëı Ħ ĠÄIJ ại Ġ×IJ×ķת ×Ŀ ĠاÙĦØŃ Ø± Ġб о à¸Ī ุà¸Ķ Ġr õ ĠdeÄŁi ÅŁ Ġëĭ ¨ ĠÑģлÑĥÑĩ а ĠÑģлÑĥÑĩа е Ġ×IJ׳ ש×Ļ×Ŀ ×ĵ ×£ ש×ij ת Ġש׾ ׼×Ŀ Ġch ú nik ów Ġtan ı Ġcá o ĠÄij á Ġ×IJ ×ĵ×Ŀ Ġê° ķ Ġnhi á»ĩm Ġ׾ ס Ġ×Ľ×ª ×ij Ġ×Ķס פר ĠÄij Äĥng Ġë ijIJ à¸ľ ิ à¸ľà¸´ ว ج ا Ġê° IJ ر Ø£ ست خدÙħ ãģ«ãģªãĤĬ ãģ¾ãģĻ Ġtá» · ×ĺ ×ķר г овоÑĢ Ġв оÑģ ĠÙħÙĨ Ùĩا иÑĢов аÑĤÑĮ ĠÄij ầy ׳ ×Ĵ ĠÙħ ÙĪ ĠÙħ ÙĪÙĤع ר׼ ×Ļ ت Ùı ëª ¨ Ġת ×ķ ÙĬا Ùĭ à¹ĥ à¸Ķ ãĤĬ ãģ¾ãģĻ à¸Ńยูà¹Ī à¹ĥà¸Ļ ĠØ£ ÙĪÙĦ ĠØ£ خرÙī Ġc Æ° ص ار ×ŀ׊ש×ij б ÑĢа ÅĦ ski б ÑĢ ĠÙĬ Ùı à¸ģ ิà¸Ļ Ġch á»ijng Ùħ Ùı Ġ à¸Ħืà¸Ń Ġت ÙĨ t ÃŃ y Äĩ Ġm ạng Ùģ ÙĪ Ġdü nya ק ר×IJ Ġק ׾ ĠØŃ Ø§ÙĦ c ÃŃa Ġà¹Ģ รา Ġר ×ķצ×Ķ Ġá p ë° ķ ا ÙĤØ© ни Ñİ Ġ×IJ ׾×ķ Ġ×ŀס ×ķ ãģ§ãģ¯ ãģªãģı Ġtr ả Ġק שר mi ÅŁtir Ġl Æ°u Ġh á»Ĺ ĠбÑĭ ли Ġl ấy عÙĦ Ùħ Ġö zel æ°Ĺ ãģĮ Ġ×ĵ ר×ļ Ùħ د s ını ׳ ×ķש×IJ r ów Ñĩ еÑĢ êµIJ ìľ¡ ĠÐľ о л ег ĠV Ỽi วัà¸Ļ à¸Ļีà¹ī ÑİÑī ие ãģĬ ãģĻ ãģĬãģĻ ãģĻ ãģĬãģĻãģĻ ãĤģ ëı ħ Ġ×Ļ×Ķ ×Ļ×Ķ ×ŀ ×ĺר Ñı ми Ġl á»±a ĠÄij ấu à¹Ģส ียà¸ĩ Ġt Æ°Æ¡ng ëĵ ± ĠÑģÑĤ аÑĢ à¹ĥ à¸ļ ว ัà¸Ķ ĠÄ° stanbul Ġ à¸Īะ à¸ķ ลาà¸Ķ Ġب ÙĬ à¹ģà¸Ļ ะ à¹ģà¸Ļะ à¸Ļำ س اعد Ġب Ø£ Ġki á»ĥm ØŃ Ø³Ø¨ à¸Ĭั à¹īà¸Ļ Ġ×ķ ×¢×ķ×ĵ ов ÑĭÑħ оÑģ нов Ġtr Æ°á»Łng צ ×ij×¢ ĠÃŃ t Ġk ỹ cr é Ñı м êµ ° ãģĮ ãģªãģĦ ÙĬÙĦ Ø© ãĥķ ãĤ£ ر Ùī ĠÙĬ جب Ġ×IJ ×£ Ġc á»±c ãĤīãĤĮ ãģŁ Ġ à¸ľà¸¹à¹ī Ġ à¸Ń lar ımız Ġkad ın Ġê·¸ ëŀĺ Ġê·¸ëŀĺ ìĦľ ĠëĺIJ ëĬĶ ĠÄij ả ĠÄijả m Ġ×IJ ×ķ×ŀר Ġy ếu ci Äħ ciÄħ g Ġt á»ij Ġש×IJ ׳×Ļ Ġdz iaÅĤa Ñī а ĠÄij Ãłn s ına ãģĵãĤĮ ãģ¯ Ġ×ij ׾×Ļ Ġ×ij ×Ļשר×IJ׾ л оÑģÑĮ Ġgi ữ ê° IJ ÑĢ он تج ار г лав в ин Ġh ạn Ġyapı lan ب س Ġ à¸ŀรà¹īà¸Ńม ê´Ģ 리 mÄ±ÅŁ tır b ü r ück ĠBaÅŁkan ı ĠÙĦ ÙĬس Ġs Æ¡ à¸Īัà¸ĩ หว à¸Īัà¸ĩหว ัà¸Ķ د اء Ġ×Ķ ׼ v ÃŃ ×© ×IJר Ġh Æ°á»Łng Ġb óng ĠCh ÃŃnh Äħ c à¹Ģà¸ģีà¹Īยว à¸ģัà¸ļ Ġtá» © Ġtứ c ĠÑĨ веÑĤ Ġt á»iji ĠnghÄ© a ÙĦا عب د ÙĦ Ġפע ×Ŀ h ör à¸Ĭ ุà¸Ķ à¸ŀ ู à¸ŀู à¸Ķ п аÑģ ĠÅŁ u Ġt Æ°á»Łng خار ج Ġâ m ĠинÑĤеÑĢ еÑģ ен нÑĭÑħ ×IJ ׳×Ļ بد Ø£ ëĿ¼ ëĬĶ ì¹ ´ æĸ¹ ãģĮ ли в Ġ à¸Ħà¸Ļ ער ×ļ à¸Ĥà¸Ńà¸ĩ à¸Ħุà¸ĵ п ад Ġc ạnh ĠëĤ ¨ ĠÄij âu Ġbi á»ĥu ãĤĤ ãģĤãĤĭ ׾ ×Ĵ Ġ สำหรัà¸ļ Ġxu á»ijng ס ×ķ ĠØ° ات ĠÐľ е ع اÙĦÙħ ×IJ ס ب ÙĬØ© Ø´ ا и ем ĠNg Æ°á»Ŀi íĺ ij Ñģл ов Ġп а Ġm ẫu ĠпÑĢоÑĨ еÑģÑģ ĠNh Ãł пÑĢо из пÑĢоиз вод à¸łà¸²à¸¢ à¹ĥà¸Ļ Ġ à¸ļาà¸Ĺ ×ŀ ׳×ķ ĠоÑĢг ан רצ ×ķ ×ķ×ŀ ×Ļ×Ŀ Ġyaz ı Ġd ù ãĥ¬ ãĥ³ ÙĪÙĦ ÙĬ ย ู Ġtr ò à¹Ģà¸ŀ ลà¸ĩ Ġ×ŀ ׾×IJ à¸ķ ล à¸ķล à¸Ńà¸Ķ ĠÄij ạt Ġ×Ĺ×ĵ ש p óÅĤ Ġ×ŀ ×ĵ×Ļ ujÄħ c ×ŀ׳×Ķ ׾ Ġש×ij ×ķ Ġ×Ķ×ŀש פ×ĺ Ġ×IJ ׾×Ķ ĠÙĪ Ø°ÙĦÙĥ à¹Ģà¸ŀ ราะ ĠÄijo Ãłn Ġíķ¨ ê»ĺ Ġd ục Ø´ ت Ġ ula Ġula ÅŁ Ġqu ý Ġ×Ķ ×Ĵ×ĵ×ķ׾ à¸ķัà¹īà¸ĩ à¹ģà¸ķà¹Ī Ġש ר Ø´ Ùĩد ׳ ש×Ļ×Ŀ à¸ŀ ล رÙĪ ا ãĤĮ ãģ¦ Ġн иÑħ Ġдел а ãģ§ãģį ãģªãģĦ ÅĤo ż ×IJ ×Ĺר ì ½Ķ ãĤ¢ ãĥĥãĥĹ Ø¯ Ùģع Ġti á»ĩn Ġkh á»ı Ġkhá»ı e ĠاÙĦع اÙħØ© ãģ« ãģĤãĤĭ ĠÄij á»Ļc ì¡ ± Ġc ụ й ÑĤе Ġзак он ĠпÑĢо екÑĤ ìĸ ¸ ÙĦ ØŃ ĠçalÄ±ÅŁ ma ãĤĴ ãģĻãĤĭ Ñħ и ع اد Ġ׳ ×ŀצ×IJ Ġר ×Ļ à¸Ńà¸Ńà¸ģ มา ĠT ôi Ġth ần ĠÙĬ ا ล าย Ġав ÑĤо Ġsı ra ĠÙĥ Ø«ÙĬر Ùħ ÙĬز ĠاÙĦع ÙĦÙħ æĸ¹ ãģ¯ ×ķ×¢ ×ĵ Ġобла ÑģÑĤи ×Ļ׾ ×Ļ×Ŀ ãģĮ åĩº à¸ĺ ุ à¸ĺุ ร à¸ĺุร à¸ģิà¸Ī ÙĤت ÙĦ ר×IJ ×ķ Ġng u Ġngu á»ĵn Ġ มา Ġпл ан t ório Ġcu á»iji Ñģк ом ĠاÙĦÙħ اض ĠاÙĦÙħاض ÙĬ Ġ×ij×¢ ׾ Ġר ×ij×Ļ×Ŀ Ġlu áºŃn Ùĥ ÙĪ à¸Ĺัà¹īà¸ĩ หมà¸Ķ в ан Ġtho ại à¹Ħ à¸Ń б иÑĢ ĠاÙĦ ض ت ا ĠÑĢ од ĠV Ãł ×ŀ ×Ļף ĠбÑĭ ла к ами ĠÐĶ е t ık קר ×Ļ ĠeÄŁ itim ĠÙĥ بÙĬر ب Ùĥ ĠÙĦ ÙĪ в ой Ġ ãģĵãģ® ĠÑĤ ÑĢÑĥд my ÅĽl Ġs Æ° à¸ŀ ีà¹Ī Ġ à¹ģลà¹īว ×¢ ק Ġ×Ĺ×ijר ת ระ หว ระหว à¹Īาà¸ĩ ×Ļ ×Ļ×Ķ ĠاÙĦÙĨ اس ün ü Ġ׾ ×ŀ×Ķ Ġch Æ°Æ¡ng ĠH á»ĵ ار ت ãĤĪãģĨ ãģ§ãģĻ l á ק×Ļ ×Ļ×Ŀ æľ¬ å½ĵ æľ¬å½ĵ ãģ« ãģĵãĤĵ ãģª Ñģ ов Ġ×ķ ×Ĺ à¹Ģà¸ģ à¹ĩà¸ļ Ġк ÑĤо à¹Ĥร à¸Ħ ĠØ´ رÙĥØ© ع زÙĬ عزÙĬ ز Ø·ÙĦ ÙĤ п ÑĥÑģÑĤ Ùģ تØŃ ëŀ Ģ Ġhã y ض Ùħ ë¦ ° åł´åIJĪ ãģ¯ ãĤª ãĥ¼ Ġh ắn Ġ×IJ ×ij×Ļ×ij Ġש׾×Ķ ×Ŀ Ġ×Ķ×Ļ ×Ļת×Ķ ĠاÙĦد ÙĪÙĦØ© ĠاÙĦ ÙĪÙĤ ĠاÙĦÙĪÙĤ ت ãģĤ ãģ¾ãĤĬ Ġta ÅŁÄ± Ä° N ×¢ סק ãģ¦ ãģĦãģŁ Ġtá»ķ ng ĠاÙĦØ¥ ÙĨس ĠاÙĦØ¥ÙĨس اÙĨ ÑĢ еÑĪ Ġg ái ĠÑĨ ен ĠÙģ ÙĤد Ùħ ات ãģķãĤĵ ãģ® Ġph ù ×ĺ ×Ķ ĠÙĪاÙĦ تÙĬ Ġب Ùĥ ìĿ´ ëĤĺ к Ñģ Ùħ ÙĬر Ġv ùng ĠاÙĦØ´ عب ĠNh Æ°ng ãĥĢ ãĥ¼ Ġ×Ĺ×Ļ ×Ļ×Ŀ ĠØ´ خص ק ×ķ×ĵ ê² Ģ ×¢ ש ×¢ ×ķ׾×Ŀ צ ×ķר ع ÙĤد ĠiÅŁ lem Ġ×Ķ×ij ×IJ Ġd ưỡng à¸Ł รี Ġph ÃŃa ãģ®ä¸Ń ãģ§ Ġп и Ġng Ãłnh ним а ĠÙĩ ÙĦ Ġ×ķ ×IJת ĠÄij áng é quipe ĠÑįÑĤ оÑĤ Ġgö rev ë§ ¤ Ġqu ân å¼ķ ãģį æĻĤ ãģ« Ġب Ùħا ×ŀ ×Ļת Ġü lke Ġ×ŀק ×ķ×Ŀ ×ij ף æ°Ĺ æĮģãģ¡ Ġë§İ ìĿĢ Ġyük sek ÑĨ енÑĤÑĢ ĠÙħ جÙĦس ç§ģ ãģ® ÙĤد ر Ġë¶Ģ ë¶Ħ Ġì° ¨ خر ج ãģĭ ãģªãĤĬ ë³´ ëĭ¤ Ġ×ŀ ×Ļ×ĵ×¢ peÅĤ ni Ġx á»Ń ìĹIJìĦľ ëĬĶ ĠباÙĦ Ùħ ĠÙĪ Ùħا ĠÑįÑĤ ой ب ÙĬÙĨ n ü ØŃ Ø² ØŃز ب ĠÑĢабоÑĤ а ĠNh áºŃt ÙĦ اء Ġëĵ ¤ Ġëĵ¤ ìĸ´ ãĤĦãģĻ ãģĦ ×Ĺ×ĸ ק Ġ×Ķ×Ĺ ×ijר×Ķ п иÑĤ ãģĭãĤī ãģ® Ġë§IJ ìĶĢ Ġפ ×ķ ÙĦ Ùİ à¹Ģà¸ķà¹ĩ ม ĠÐļ о Ġm ówi Ġt ÃŃn ר×Ĵ ש פר ק Ġtr ạng ĠÐŀ н ×Ĺ ×ķ×¥ ĠعÙĨد Ùħا Ġب ر 使 ãģĦ Ġr á»Ļng ëĮĢ ë¡ľ íĪ ¬ Ġktóry ch в ид ลูà¸ģ à¸Ħà¹īา Ġmog Äħ Ġש ×Ĺ ×ij ×Ĺר ãĥĸ ãĥŃãĤ° ĠTh Ãłnh Ġ×Ķ ר×Ļ ĠÑģÑĤ аÑĤÑĮ ĠH á»Ļi à¸ļ à¹īาà¸ĩ çī¹ ãģ« ĠÄIJ ức èĢħ ãģ® ×¢ ×ŀ×ķ×ĵ ×ĺר ×Ķ Ð ¥ ĠÙħ Ùħا Ġe ÅŁ ĠнеобÑħодим о ник ов Ġüzer inde a ÅĤa Ġchá»ĭ u ĠاÙĦ دÙĬÙĨ أخ بار ĠÄij au ãģĮ å¤ļãģĦ jÄħ cych د Ø®ÙĦ ları nd larınd an Ġs ẻ à¸ŀิ à¹Ģศ à¸ŀิà¹Ģศ ษ ת ף t ıģı Ġlu áºŃt ĠÅŀ e ãĤ« ãĥ¼ ãģ® ãģĤãĤĭ Ġ×Ķ×IJ תר ĠاÙĦØ¢ ÙĨ ıld ı Ġá o ĠнаÑĩ ал Ġvi á»ĩn Ġ×ij×¢ ×ķ׾×Ŀ з наÑĩ ×Ļ×ĺ ×Ķ к ам ĠÐĺ з à¹Ģà¸Ĥ ียà¸Ļ à¸Ļ à¹īà¸Ńà¸ĩ ÑĤ ÑĢо à¹Ģ à¸Ł Ġжиз ни Ġ สà¹Īวà¸Ļ Ġv áºŃn Ġê´Ģ 볨 Ġl âu ס ×ĺר ק ש س ÙĬر Ġ×IJ×ķת ×Ļ Ġm ôi ائ ب Ġо ÑģÑĤа Ġm ón Ġ×ij ×ŀק×ķ×Ŀ Ġد اخÙĦ Ġ×IJ ×ķר Ġв аÑģ Ùĥ Ø´Ùģ ìĺ ¨ à¸ĸ à¹Īาย Ġkullan ıl Ġt ô ãģ« ãĤĪãĤĬ ĠëĺIJ íķľ Ġ×¢×ij×ķ×ĵ ×Ķ Ġri ê Ġriê ng Ġyak ın ز ا Å » ×IJ ×ķ׼׾ شار Ùĥ Ġб еÑģ × ´ Ġا بÙĨ ĠTá»ķ ng ÙĨ ظ ÅĽwi ad ãĤµ ãĥ¼ ห าย ĠG ün Ġhakk ında à¹Ģà¸Ĥà¹īา มา ز ÙĨ ĠÐł о Ġbi á»ĥn ãģ© ãģĵ Ùģ عÙĦ ز ع פר ×ĺ Ġ×Ķ ף Ø£ ÙĩÙĦ Ġth ất ØŃ ÙħÙĦ Ñĩ Ñĥ ĠìĤ¬ ìĭ¤ ì° ¸ ĠìľĦ íķ´ ÙĪ ظ ĠÐŁ од Ġkho ản ÑĤ ен ĠÙģ اÙĦ Ñģ ад à¸Ļ à¸Ńà¸Ļ ĠاÙĦسعÙĪد ÙĬØ© " ØĮ ĠاÙĦ ÙĴ ãĤī ãģļ Ġto án Ġch ắc ׼ ×Ļר m éd méd ia ز ÙĪ Ġyan ı פ ׳×Ļ×Ŀ ØŃ Ø¸ Ġб еÑģп ĠбеÑģп лаÑĤ ĠбеÑģплаÑĤ но ĠØ£ ÙħاÙħ à¸Ń าย à¸Ńาย ุ ר שת Ġg á»ĵ Ġgá»ĵ m Ġu á»ijng ص ب k ır ãĥij ãĥ¼ Ġ׾×ĵ עת Ġк ÑĥпиÑĤÑĮ ׾ ×ķ×Ĺ ÙĪض ع ÙĤÙĬ Ùħ à¸Ľ า ж ив à¸Ķ ิà¸Ļ ×IJ ×ķפ à¹Ģล à¹ĩà¸ģ ãĥĥ ãĥī иÑĩеÑģки Ñħ ĠCh ủ кÑĢ аÑģ ÙĪ صÙĦ p ÅĤat м оÑĢ Ġ×Ķ×IJ ×ķ à¸Ń ิà¸Ļ Ġíķľ êµŃ гÑĢ е Ġìłľ ê³µ ì° ½ Ġê°ľìĿ¸ ìłķë³´ Ġngh á»ĭ à¸ĭ า ØŃس اب Ġby ÅĤa ÙħÙĦ Ùĥ иÑĩеÑģки е Ġb ác ض ØŃ ê¸ ¸ ש ×ŀ×¢ Ġìĸ´ëĸ » Ġìĸ´ëĸ» ê²Į ìĽ Į ات Ùĩ à¹Ĥรà¸ĩ à¹ģ à¹Ĥรà¸ĩà¹ģ รม خد ÙħØ© ĠÐł а ׼×ķ׾ ×Ŀ ×ŀש ×Ĺק ĠÙĪ ÙĥاÙĨ ס ×ķ×£ ĠاÙĦØŃÙĥÙĪÙħ Ø© Ġ×ij ×ĺ Ġtr áºŃn Ġ×Ķ×¢ ×ķ׾×Ŀ ĠÃŃ ch t Äħ ש×ŀ ×ķ Ġ×Ķר×IJש ×ķף Ġíķĺ ê³ł ãģķ ãĤī ãģķãĤī ãģ« ãģ« ãģĹãģ¦ Ġ à¸ľà¸¡ ãģ® ãĤĪãģĨãģª ĠÙĪ ÙĤت ãĥį ãĥĥãĥĪ ÙĦ عب ÙĪ Ø´ ìĺ ¬ Ġ หาà¸ģ Ġm iaÅĤ à¸Ĺ à¸Ńà¸ĩ иÑĤ а ا صر ил ÑģÑı з е à¸Ľà¸£à¸° มาà¸ĵ ãģĿãĤĮ ãģ¯ Ġb ır Ġbır ak صÙĨ اع Ð ® Ø´ عر Ġ׳ ×Ĵ×ĵ Ġب سبب ãĥĿ ãĤ¤ ãĥĿãĤ¤ ãĥ³ãĥĪ ĠاÙĦج ÙĪ ĠнеÑģк олÑĮко Ġki ếm Ùģ Ùİ Ġض د ×ij×Ļ×ĺ ×ķ×Ĺ ØªØ§Ø¨ ع ÙĨ ز ĠB ản Ġaç ıkl Ġaçıkl ama Ġ à¸Ħุà¸ĵ à¸Ĺ า ÅĤ ów Ø· ب ÙĨ ØŃÙĨ Ġ×ŀק ×ķר ĠÄ° s Ġдом а Ġ วัà¸Ļ Ġd Ãłnh Ñı н ми ÑĢ Ġm ô ĠvÃł ng ص اب s ının à¸Ħ ืà¸Ļ Ø® بر ×ĸ׼ ×ķ Ġ×ŀ ש×Ķ×ķ m ü Ġкомпани и Ġ×Ķ×¢ ×Ļר ĠÙĥ ÙĪ ÙĤÙĦ ب ĠlỼ p и ки ׳ ×ij à¹Ĥ à¸Ħร à¹Ĥà¸Ħร à¸ĩ à¹Ĥà¸Ħรà¸ĩ à¸ģาร ×ŀ×ķ×¢ ×ĵ ÑıÑĤ ÑģÑı หลัà¸ĩ à¸Īาà¸ģ ени Ñİ Ġש ×¢ Ġb Æ°á»Ľc ãĥ¡ ãĥ¼ãĥ« ãĤĦ ãĤĬ Ġ×Ļ×ķ×ĵ ×¢ Ġê´Ģ íķľ ĠاÙĦØ£ Ùħر Ġböl ge ĠÑģв ой ÙĦ س Ġ×ŀ×Ļ ×ķ×Ĺ×ĵ ĠëĤ´ ìļ© ĠØ£ جÙĦ ĠÄIJ ông Ġ×ŀ ×ł×ª Ġìĭľ ê°Ħ Ùĥ Ùİ ãģ¨ãģĦãģĨ ãģ®ãģ¯ Ġnale ży تÙĨظ ÙĬÙħ ĠÑģозд а Ġph é Ġphé p ãģ§ãģį ãģ¾ãģĻ Ġع ÙĦÙħ 大ãģį ãģª ãĤ² ãĥ¼ãĥł í ħĮ Ġ׼×ķ׾ ׾ ĠинÑĤеÑĢ неÑĤ ĠT ừ ãģ¨ ãģªãĤĭ ز اÙĦ Ġktóry m Ġnh é ìĪ ľ н ев д еÑĢ ãĤ¢ ãĥĹãĥª i á»ĩu ×ij ×Ļ׾ Ġت س ĠÄIJ ây ĠاÙĦØ® اصة Ġà¹Ģ à¸Ĭ Ġà¹Ģà¸Ĭ à¹Īà¸Ļ ص اد Ġd ạng س عر Ġש ×Ļ×ŀ×ķש ×Ĵ ×Ļ×Ŀ ãģĮãģĤ ãģ£ãģŁ п ÑĢов пÑĢов од Ġ×IJ ×Ļ׳×ķ Ġ׾ ר×IJ Ġ׾ר×IJ ×ķת ĠØ£ ÙģضÙĦ ĠØŃ ÙĦ ĠØ£ بÙĪ ê° ķ Ġì§ ij ãģ® ãĤĪãģĨãģ« Ġפ ׳×Ļ ס ×Ļ×Ŀ ĠÙĪÙĩ ذا Ġka ç Ġé én Ġê± ´ ë° Ķ Ñĥ з à¸Ĥà¸Ńà¸ĩ à¹Ģรา i ÅĤ ĠÐľ Ñĭ Ġch ết ĠاÙĦØ« اÙĨÙĬ ×IJ ק Ġ×ķ ×¢×ľ ĠاÙĦØ· ب ×ij×ĺ ×Ĺ Ġج دÙĬدة Ġع دÙħ ع ز สิà¹Īà¸ĩ à¸Ĺีà¹Ī ãģĻ ãĤĮãģ° ĠÄij ô ì£ ł د ÙĤ н омÑĥ Ġk á»ĥ ãĤ¢ ãĥ³ å¤ļãģı ãģ® à¸Ľà¸£à¸° à¸ģ à¸Ľà¸£à¸°à¸ģ à¸Ńà¸ļ פע×Ļ׾ ×ķת ĠÑģÑĤ ол may ı ãģ¤ ãģĦ Ġyılı nda Ġ à¸Īึà¸ĩ koÅĦ cz ĠTh ông Ġак ÑĤив н ÑģÑĤ нÑģÑĤ ÑĢÑĥ ĠÃĸ z Ġת ×ŀ×Ļ×ĵ ĠÙĥ ÙĨت Ñģ иÑģÑĤем pr és prés ent Ġn â Ġnâ ng gÅĤ os ĠÙĪز ÙĬر ØŃ ØµÙĦ Ġиме еÑĤ ØŃ Ø±ÙĥØ© à¸ŀ à¹Īà¸Ń ãĤĴ ãģĬ Ġاست خداÙħ ×IJ×Ļר ×ķ×¢ ä»ĸ ãģ® Ġש×Ķ ×Ŀ ãģĹãģŁ ãĤī ש×ŀ ×Ļ Ñģ ла m ı Ġbaz ı Ġíķĺ ì§Ģë§Į ×ĵ ׾ Ġyapt ıģı ãĥĬ ãĥ¼ ׾ ×Ļ׾×Ķ ãģ¨ãģĦ ãģ£ãģŁ änd ig ĠÅŁ a ĠÙģÙĬ Ùħا иÑĤ елÑı ×ŀ ×ķש à¸Ĥ à¸Ńà¸ļ l ük Ġh á»ĵi Ġëª ħ ĠاÙĦÙĥ Ø«ÙĬر צ ×IJ Ġhaz ır طر Ùģ ا ÙĬا ĠÄij ôi ен д ÙĦ غ ×Ĺ ×ĸ×ķר ĠвÑģ ег ĠвÑģег да ëIJĺ ê³ł ×ĵ ×ķ×ĵ ан а د ÙĪÙĦØ© Ġho ạch ع ÙĦا عÙĦا ج Ġ×ķ ×¢×ĵ ×Ķ ×Ŀ ки й ÙĦ ÙIJ Ġ×¢ ׾×Ļ×ķ ÑİÑī ий Ġng ủ صÙĨ ع ĠاÙĦع راÙĤ à¸ķà¹Īà¸Ń à¹Ħà¸Ľ ãģŁãģı ãģķãĤĵ Ġph ạm ÙĦ اÙĨ ات Ùĩا Ġbö yle تÙĨ ÙģÙĬ تÙĨÙģÙĬ Ø° Ġש×Ķ ×Ļ×IJ Ñģ Ñĥ ย าว Ġש ×ķ׳×Ļ×Ŀ Ġ×ŀ ×ķ׾ ĠÑģ ил Ġ×IJ×Ĺר ×Ļ×Ŀ Ġph ủ ÙĤØ· ع ĠTh ủ à¸Ľà¸£à¸°à¹Ģà¸Ĺศ à¹Ħà¸Ĺย ÙĨ ÙĤ ĠÄijo ạn Ġب Ø¥ п ÑĢедел ×ķת ×ķ Ġy arı пÑĢ е ĠczÄĻ ÅĽci ØŃ ÙĥÙħ ×ķ׳ ×Ļת פע ׾ ãĤĴ ãģĹãģ¦ Ġktó rzy ׾ ×Ŀ ĠÄIJi á»ģu ĠкоÑĤоÑĢ аÑı ĠìĿ´ ìĥģ ãģĤ ãģ£ãģŁ Ġ×ŀ×ĵ ×ķ×ijר פ ×ķ×¢×ľ d ım éĢļ ãĤĬ ĠбÑĥд ÑĥÑĤ à¹Ģวà¹ĩà¸ļ à¹Ħà¸ĭ à¹Ģวà¹ĩà¸ļà¹Ħà¸ĭ à¸ķà¹Į ا خر ×Ĺ ×Ļ׾ Ġ×Ļ ׾ Ġ×Ļ׾ ×ĵ×Ļ×Ŀ ×Ĺ ×Ļפ ×Ĺ×Ļפ ×ķש Ġd òng Ġש ×ĸ×Ķ ÑĮ е ãģĤ ãģ¨ ìŀIJ ê°Ģ ×IJ ×ĵ Ġü z Ġüz ere ظ ÙĦ Ġ×IJ ×ķ׾×Ļ Ġ×ij ×Ļ×ķ×Ŀ ÙĦ ات Ġm ê ì¹ ¨ تØŃ Ø¯ تØŃد Ø« ĠØ® اصة Ġب رÙĨ ĠبرÙĨ اÙħج ĠH Ãłn ×Ĺ ×¡ ĠÙĪ ÙĦÙħ ×¢ ×Ŀ Ġm ı à¸Ł ัà¸ĩ ש ×¢×Ķ ÙĪÙģ ÙĤ ס ×ij×Ļר алÑĮ нÑĭй ×Ĺש ×ķ×ij Ġn Ãłng ë³ ¼ ĠкоÑĤоÑĢ ÑĭÑħ Ġ×Ĺ ×ķק t ör ĠлÑĥÑĩ ÑĪе ãĥij ãĥ³ ลà¹Īา สุà¸Ķ Ġج دÙĬد ÙĬد Ø© à¸Ĺ รà¸ĩ ãĤĪãĤĬ ãĤĤ ÙĦ ÙĦ ãĤĤ ãģ£ãģ¨ ש×ĺ ×Ĺ Ġ×ķ ×IJ×Ļ Ġgi á»ijng Ø¥ ضاÙģ ק ת ë§ Ŀ Ġzosta ÅĤ ÑĢ оз ×Ļפ ×Ļ×Ŀ Ġ׼׾ ׾ ת×ķ׼ ף dıģ ını ÙĤ سÙħ ĠÑģ ÑĩиÑĤ ĠÑģÑĩиÑĤ а ×ĺ ×ķת Ġ Æ°u ĠØ¢ ÙĦ Ġм ом Ġмом енÑĤ ĠاÙĦتع ÙĦÙĬÙħ ×¢×ľ ×ķת Ġch ữa Ġy ön Ġtr Ãł ĠØŃ ÙĬÙĨ à¸ĭ ั ĠC á ×¢ ×ĸ ĠاÙĦØ£ ÙħÙĨ c ÃŃ Ġv á»ijn Ġ à¸Ļาย об ÑĢа ק ×IJ Ġthi ếu ãĥŀ ãĥ¼ ส วà¸Ļ Ġg á»Ń Ġgá»Ń i Ġê ¹ Ġê¹ Ģ Ġthi á»ĩn ÙĤ ع w ÄĻ Ġн ам ÑĤ ол Ġs ân ס ×ķ×Ĵ Ġgeç ir ÑĤ он ев а ĠÙĪ ضع Ġع شر Ñģ ло à¸Ī ัà¸ļ ãĤ· ãĥ¼ ãĤĤ ãģĤãĤĬãģ¾ãģĻ Ġv ẻ ĠÄIJ á»ĥ ر Ùģع ĠاÙĦØ£ÙĪÙĦ Ùī ÑĤ аÑĢ ãģªãģı ãģ¦ Ùħ Ùİ qu ÃŃ ×¢×ł×Ļ ×Ļ׳ г ен Ġh ôm à¸Ī า Ġnh Ỽ ĠاÙĦع ربÙĬ ×IJ ף Ġl á»Ļ Ġje ÅĽli à¹Ģà¸Ĺà¹Īา à¸Ļัà¹īà¸Ļ ĠØ£ÙĨ Ùĩا Ġt uy Ġtuy á»ĩt Ġت ص Ġتص ÙĨÙĬ ĠتصÙĨÙĬ Ùģ Ġê·¸ëŁ¬ ëĤĺ о ÑĨен à¸ģิà¸Ī à¸ģรรม ãĤĦ ãģ£ãģ¦ Ġkh á»ıi Ġl á»ĩ ĠاÙĦÙħج تÙħع à¸Ńาà¸Ī à¸Īะ à¸Īะ à¹Ģà¸Ľà¹ĩà¸Ļ ов Ñĭй ר ×Ŀ ร à¹īà¸Ńà¸Ļ ש ×ŀש 人 ãģ« Ġüzer ine פר ×Ļ du ÄŁu Ñĩ ик Ġmù a Ġ×ŀת ×ķ×ļ Ġc áºŃp Ġت ارÙĬØ® ×ij׾ ת×Ļ Ġì¢ Ģ ÙĦ ع ب اÙĨ Ġch út Ġ×Ķ×ĸ ×ŀף n ée ĠLi ên ĠÙĦÙĦ Ø£ ØŃد ÙĪد Ġ×¢ ׼ש×Ļ×ķ в оз Ġyapt ı Ġоб о à¹ĥหà¹ī à¸ģัà¸ļ Ġ×ij×Ķ ×Ŀ ãģı ãģ¦ ر أس ĠÑģÑĢед ÑģÑĤв ĠB Ãłi ãģĵãģ¨ ãģ« ĠìĤ¬ íļĮ Ġ모 ëijIJ ×ij ×IJ Ġtr ắng ĠاÙĦبÙĦ د ĠHo Ãłng ли бо ĠдÑĢÑĥг иÑħ Ä° R Ñĥм а ĠJe ÅĽli ãĤĤ ãģĹ Ġv òng Ġ×IJתר ×Ļ×Ŀ ĠÄij á»įc Ġв оÑĤ ãģł ãģĮ ë° ° à¸Ķู à¹ģล Ġ×ŀ ׼׾ ìĹIJ ëıĦ г аз Ġ׳×ķס פ×Ļ×Ŀ ãģĵãģ¨ ãģ§ Ġت ÙĪ ãģ§ ãģĤãĤĬ à¸Ļั à¹Īà¸ĩ ĠможеÑĤ е sz ÄĻ ãģ® ãģł ĠÙħÙĨ Ùĩ Ġb á»ķ Ġb üt Ġbüt ün ë³´ ê³ł Ġch á»ĵng à¹ģà¸Ī à¹īà¸ĩ ĠV ì ĠØŃ Ø± Ġgi ản ĠÙħ دÙĬÙĨØ© تط بÙĬÙĤ à¸Ī ิ æĹ¥ ãģ® б ил à¸ģ à¸Ńà¸ĩ ê³ ³ ĠØ£ Ùħا ìĨ IJ Ġtr ái ĠвÑģ ем Ġس ÙĨØ© ĠÑģай ÑĤ Ġг оÑĤов п Ñĭ ĠëIJ ł ĠاÙĦØ® Ø· ĠاÙĦرئÙĬس ÙĬØ© Ġíķ ©ëĭĪëĭ¤ ĠìķĦëĭĪ ëĿ¼ ĠìĿ´ ëłĩ ĠìĿ´ëłĩ ê²Į ) ØĮ h ält ĠØ£ Ùħر Ġع Ùħر à¸ģà¹ĩ à¸Īะ Ġ à¸Ĺำà¹ĥหà¹ī Ġc ân Ġ×ij ׾ Ġ×ij׾ ×ij×ĵ פ סק ĠÙĬ ÙĤÙĪÙĦ н ÑĥÑĤÑĮ à¹ģ à¸Ħ Ġק צת Ġn ằm Ġh òa bilit Ãł ĠìĹĨ ëĭ¤ Ġ׼ פ×Ļ ÑĢ ож лаг а Ġ×Ķש ×Ļ ĠNgo Ãłi ĠÙĪ ج ĠÙĪج ÙĪد ĠìľĦ íķľ Ġus ÅĤug Ġtu ần d ź ×ŀ ×ķף ĠاÙĦع دÙĬد Ġch ẳng สุà¸Ĥ à¸łà¸²à¸ŀ Ġ×ij ×ĵר×ļ ĠÑģеб е ĠìŀĪ ìĿĦ ĠاÙĦØŃ Ø§ÙĦ Ġd á Ġc Æ°á»Ŀi Ġnghi ên ie ÅĦ ĠD Æ°Æ¡ng ï¼ ħ Ø´ د ãģĦãģ¤ ãĤĤ ĠвÑĭб оÑĢ Ġc á»Ļng ש ×Ļ׳×ķ×Ļ Ġch ạy Ġ×ij×¢ ׾×Ļ اخ بار íķĺ ë©° ż Äħ ج از Ġ׳ ר×IJ×Ķ ศ ู ศู à¸Ļ ศูà¸Ļ ยà¹Į ×Ĵ ×¢ Ġ×¢ ×ĵ×Ļ Ġ×¢×ĵ×Ļ ×Ļף بر ا ÑĨи й ĠÄIJ á»ĵng ÙĤ اÙĨÙĪÙĨ ĠÄij ứng ãģĹãģŁ ãĤĬ Ġ×Ĺ×Ļ ×Ļ Ġë IJľ ĠëIJľ ëĭ¤ Ġм еждÑĥ à¸ŀวà¸ģ à¹Ģà¸Ĥา ĠB ắc ล ำ ë° ± ĠíĻ ķ มาà¸ģ ม มาà¸ģม าย бан к à¸Ńา à¸ģาร Ġh Ãł Ġ׾ ׳ à¸Ń à¸Ń Ġë°Ķ ë¡ľ л ом m ática ĠØŃ Ø¯ اب ت à¸Ĺีà¹Ī à¸Ļีà¹Ī Ġco ÅĽ ÙģÙĬ دÙĬ ÙģÙĬدÙĬ ÙĪ ĠмеÑģÑĤ о Ġph út มาà¸ģ à¸ģวà¹Īา ×IJ פ ب ÙIJ ĠPh ú ì± Ħ ĠÙĪ سÙĦÙħ à¸Īี à¸Ļ поÑĤ ÑĢеб Ġ×Ĺ×ĵ ש×ķת Ø´ ÙĪ Ġעצ ×ŀ×ķ ĠعÙħÙĦ ÙĬØ© à¸Ħุà¸ĵ à¸łà¸²à¸ŀ ãģ¾ãģĻ ãģĮ دع ÙĪ طر ÙĤ à¹Ħมà¹Ī à¸ķà¹īà¸Ńà¸ĩ ë² Ķ ìĬ ¹ Ġk ÃŃch ĠìĹĨ ëĬĶ ĠÑĤ ам ĠÙĨ ØŃÙĪ ĠاÙĦÙĤ اÙĨÙĪÙĨ ×Ĺ ×ķ×Ŀ Ġk ız Ġ×ĵ ×Ļף ĠвÑĢем ени ãģ£ãģŁ ãĤĬ ĠØ´ Ùĩر ĠìĦľ ë¹ĦìĬ¤ ×¢ ש×Ķ Ġgi ác ĠاÙĦسÙĦ اÙħ Ġ×IJ ש ĠполÑĥÑĩ а à¸Īัà¸Ķ à¸ģาร к оÑĢ Ġ×Ķ×ĺ ×ķ×ij ราย à¸ģาร 주 ìĿĺ à¹ģà¸ķà¹Ī ละ Ġê·¸ëŁ° ëį° à¸Ĺีà¹Ī à¹Ģà¸Ľà¹ĩà¸Ļ Ġת ×ķ×ļ بÙĬ اÙĨ Ð Ļ oÅĽci Äħ ÑĤ ок Ġà Ķ ĠÃĶ ng à¹Ħมà¹Ī à¹ĥà¸Ĭà¹Ī ãģ¿ ãģ¦ ÐŁ о ĠЧ ÑĤо íĻ © ×ĺ ×ij×¢ меÑĤ ÑĢ Ġ×ij ×ŀ×Ķ Ġ×ij×ŀ×Ķ ׾ Ġ×ij×ŀ×Ķ׾ ×ļ Ñĩ ÑĮ ק ש×Ķ з нак знак ом uj ÄĻ ×Ļצ ר ĠاÙĦÙħ ÙĦÙĥ ı yla ×IJ×ŀ ת à¸Ľ ิà¸Ķ ×IJ ×Ĺ×ĵ ر اد Ġm áºŃt ëĭ¤ ëĬĶ Ġl ạnh ש׾ ×ķש ØŃ Ø¯ÙĬØ« ت ز å¹´ ãģ® Ġк ваÑĢ ĠкваÑĢ ÑĤиÑĢ ä½ľ ãĤĬ رÙĪ ب ов ан ĠТ е à¸Īำ à¸ģ à¸Īำà¸ģ ัà¸Ķ ب اط ×Ĵ ת Ġм аÑĪ ĠмаÑĪ ин ×Ļצ ×Ķ ãģ» ãģ¨ ãģ»ãģ¨ ãĤĵãģ© ÃŃ do ĠÑı зÑĭк à¸ļ ิà¸Ļ สà¸ĸาà¸Ļ à¸Ĺีà¹Ī ĠìĹ ´ ãĤ¦ ãĤ§ Ġc Ãł п ан åı£ ãĤ³ãĥŁ Ġر د اÙĤ ت ĠÙĥ ب ĠÙĥب ÙĬرة ÑģÑĤ ал ש×ŀ ×Ĺ pos ición ĠÙħÙĦÙĬ ÙĪÙĨ ĠìĿ´ ìķ¼ ĠìĿ´ìķ¼ 기 Ġh út ĠÅĽw iat Ġë°© ë²ķ ĠÑģв еÑĤ Ġвиде о ĠاÙĦÙĨ ظاÙħ Ġtr á»Ŀi ĠëĮĢ íķ´ìĦľ ר ×ŀת ت داÙĪÙĦ ×ķר ×ĵ ת ×ŀ ת×ŀ ×ķ׳×ķת Ġ×ŀ ף Ġдв а Ġ×Ķק ×ķ æĹ¥ ãģ« Ġ×Ķ×Ĵ ×Ļ×¢ à¹Ģà¸ŀิà¹Īม à¹Ģà¸ķิม Ùħار س Ġê²ĥ ìŀħëĭĪëĭ¤ ãģªãģĦ ãģ¨ Ġnhi á»ĩt ëIJ ©ëĭĪëĭ¤ Ġ×ij׳ ×ķש×IJ Ġê°Ģ ìŀ¥ Ġv ợ ĠÄij óng צ×Ļ׾ ×ķ×Ŀ ê´Ģ ê³Ħ в аÑı ×IJ ×Ļ×ĸ ×IJ×Ļ×ĸ ×Ķ ĠÙĨ ظاÙħ ÙħØŃ Ø§Ùģظ Ġt ải 기 ëıĦ à¸Ľà¸±à¸Ī à¸Īุ à¸Ľà¸±à¸Īà¸Īุ à¸ļัà¸Ļ ׼ ×ĵ×ķר ĠìķĦ ìĿ´ ׼׳ ×Ļס à¹Ģ à¸ķร à¹Ģà¸ķร ียม Ġngo ại ĠدÙĪÙĦ ار Ġr ẻ Ġkh Äĥn عد د Ø´ عب czy Äĩ ĠاÙĦ Ùĥر ĠÑĩеловек а ĠÙĪ Ø¥ÙĨ ×IJ ×ĺ Ġth Æ¡ ĠاÙĦ رÙĬاض оп ÑĢедел опÑĢедел ен ×Ķ ×ŀש×ļ ĠÐĿ ово з Ñĭва ĠاÙĦدÙĪÙĦ ÙĬ ĠÄij áp Ġк ÑĢед ĠкÑĢед иÑĤ ов ого Ġm ôn à¸Ľà¸£à¸° à¹Ĥย à¸Ľà¸£à¸°à¹Ĥย à¸Ĭà¸Ļ à¸Ľà¸£à¸°à¹Ĥยà¸Ĭà¸Ļ à¹Į ÑģÑĤ е ĠTh á»ĭ د ÙĬØ© ×ŀצ ×ķ Ùģ ات ק ×ĵ×Ŀ ìĿ´ëĿ¼ ê³ł ÙĪ Ø® Ġ×Ĺ ×ĸ ĠÑĦоÑĤ о ׾ ×Ļת ت Ùİ ÙĪ بر й ÑĤи ĠÃ¶ÄŁ ren Ġ×Ķ×ĸ ×ķ Ġv á»įng ÙĤÙĪ Ø© ĠT ây ĠÐĿ и Ġש ×ķ×ij ãģ¨è¨Ģ ãĤıãĤĮ ãģ© ãĤĵãģª ׊צ×Ļ ï½ ľ Ġ×ķ×Ķ ×ķ×IJ ä¸Ģ ãģ¤ ĠÑģÑĤо иÑĤ ni Äħ ×ĺר ×Ļ ĠдеÑĤ ей нÑı ÑĤÑĮ ĠÑģдел аÑĤÑĮ Ġë§İ ìĿ´ ä½ķ ãģĭ ãģĽ ãĤĭ à¹Ħ หม à¸ķิà¸Ķ à¸ķà¹Īà¸Ń Ġ×ij ת×Ĺ Ġ×ijת×Ĺ ×ķ×Ŀ ìĻ Ħ ì§Ģ ëĬĶ ÑģÑĤ аÑĤ ÑıÑģ н ü b Ġth ả Ġ×ij×IJ×ŀ ת Ġt uyến ×ĵ ×Ļר×Ķ Ġ×IJ ×Ļש×Ļ ×ĸ׼ ר ãģ° ãģĭãĤĬ Ġx ét ׼ ×Ļ×ķ ׼×Ļ×ķ ×ķף diÄŁ ini ĠاÙĦÙħ ÙĪضÙĪع Ġh áºŃu à¸Īาà¸ģ à¸ģาร ×ijס ×Ļס Ġ×ŀ×Ĵ ×Ļ×¢ ×ij ×Ļ×¢ ĠÙĪ جÙĩ à¹ģà¸Ķ à¸ĩ à¸Ļ าà¸ĩ ĠÅŀ a ì ¡´ ë¡ Ģ à¸ķ ะ Ġ×Ķ×Ĺ×Ļ ×Ļ×Ŀ Ùģ ÙĬد ãģ§ãģĻ ãģĭãĤī ê· ľ ź ni ĠлÑİ Ð´ÐµÐ¹ Ġyüz de ıy orum ĠاÙĦ بØŃر e ño п аÑĢ ÙĬ ÙĤØ© об ÑĢ ר ×ķ×ļ ت ÙĪÙĤع ĠاÙĦØ´ ÙĬØ® åĪĿ ãĤģãģ¦ ĠÑĤ елеÑĦ ĠÑĤелеÑĦ он Ġth ôi Ġ×Ļ׼×ķ׾ ×Ļ×Ŀ ĠÅŁ irk ĠÅŁirk et Ġìļ°ë¦¬ ê°Ģ ĠÄij ông Ġת ×ķ×ĵ×Ķ ÑģмоÑĤÑĢ еÑĤÑĮ ĠÙĦ ÙĩÙħ Ġ׾ ׼ ĠN ó ĠØŃ Ø§ÙĦØ© ãģĦ ãģij קר ×ķ az ı ãĤ³ ãĥ¼ ĠÙĦÙĦ ت s ınız ĠH ải 기 ìĪł ยัà¸ĩ à¹Ħมà¹Ī ëĭ¤ ê³ł פ ×Ĺ Ġ׾×Ĵ ×ij×Ļ Ġع ÙĨÙĩ Ġк аз Ġказ ино ب ÙĪر ÑĦ еÑĢ Ġê°Ļ ìĿ´ تس جÙĬÙĦ ĠاÙĦÙħ رÙĥز ĠTh ái д аÑĤÑĮ ×ŀ×Ļ ×Ļ׾ Ġpay laÅŁ ãģ¤ ãģ® à¹Ģร ืà¸Ń n ça ׳ ×ķ×Ĺ Ġ×IJ פ×Ļ׾×ķ ãģ¨ èĢĥãģĪ ãģ¨ãģĹãģ¦ ãģ¯ à¹Ģà¸Ī à¸Ń ×ŀ פ Ġg iriÅŁ л иÑĤ ÑĤ елÑı Ñij н æ°Ĺ ãģ« Ġg ó Ġgó p åĪĩ ãĤĬ Ġ×Ķ ×Ĺ×ĵש ж ал Ġ×ĵ עת éģķ ãģĨ à¹Ģà¸Ĥà¹īา à¹Ħà¸Ľ Ġס ר×ĺ e ña æĸ° ãģĹãģĦ ر Ùİ ĠÐIJ ÑĢ Ġph ản à¸Īะ à¹Ħà¸Ķà¹ī Ġ×ijצ ×ķר×Ķ Ø´ اÙĩ شاÙĩ د ÙĪر د à¹Ģà¸Ļืà¹Īà¸Ńà¸ĩ à¸Īาà¸ģ или ÑģÑĮ à¹ģละ à¸ģาร Ġ×Ķ ×ĸ׼ Ġ×Ķ×ĸ׼ ×ķ×Ļ×ķת ei ÃŁ ãĥ ¨ ìĥ Ī ĠÃĩ a Æ ¯ ש ×Ĵ ÙĬÙĨ Ø© ร à¹īà¸Ńà¸ĩ ãĤµ ãĥ³ ÑĢоÑģÑģ ий ÑĢоÑģÑģий Ñģк a ÄŁa ĠнаÑĩ ина Ġص ÙĦÙī à¸Ĺุà¸ģ à¸Ħà¸Ļ íļĮ ìĤ¬ Ġли ÑĨ Ø´ ÙĬر ĠØ´ÙĬ Ø¡ ÙĬÙĨ ا Ġפ ×Ĺ×ķת Ġiçer is Ġiçeris inde ĠØ£ ØŃÙħد Ġże by ì´ Ŀ Ġп оказ Ġи менно หà¸Ļัà¸ĩ ส หà¸Ļัà¸ĩส ืà¸Ń ĠÑĤÑĢ е สัà¸ĩ à¸Ħม Ø¥ ÙIJ ãģĮ å¿ħè¦ģ ÙĬÙij Ø© פ צ íĭ ° ĠÙħ جاÙĦ ׳ פש к ан ×Ĺ ×ķפ ×Ĺ×ķפ ש ì²ĺ ëŁ¼ ов аÑı з ов Ġh ạ Ġdzi ÄĻki ×Ļר ×ķ Ġ׾ ×ŀצ Ġ׾×ŀצ ×ķ×IJ ×Ļ×ĵ ×ķ Ġs ợ Ġ׾×Ķ ×Ĵ×Ļ×¢ ק ×ij×¢ Ġchi á»ģu ãĥŀ ãĤ¤ Ġd Ãłng à¹ģà¸Ł à¸Ļ Ġü ye ×Ļ׳ ×Ĵ à¹Ģรีย à¸ģ ç§ģ ãģĮ th é ĠÑĦ илÑĮ ĠÑĦилÑĮ м ĠNg Ãły Ġж ен Ġжен Ñīин ج ÙĬد n ç à¸Ľ รา ×Ļ×ŀ ×ķ Ġn á»ģn ×IJ ×ķ׾×Ŀ Ġвозмож ноÑģÑĤÑĮ Ġëĭ¤ ìĭľ è¦ĭ ãģŁ à¸ĸ à¸Ļ à¸ĸà¸Ļ à¸Ļ mız ı ĠÙħ جÙħÙĪعة c jÄħ ĠÐł Ф à¸ģำ หà¸Ļ à¸ģำหà¸Ļ à¸Ķ ĠìŬ 기 land ı ни ÑĨ ÑģÑĤв е Ġ×ĵ ×ijר×Ļ×Ŀ Ġsk ÅĤad ãĤĬ ãģ¾ãģĹãģŁ ĠоÑĤ кÑĢÑĭÑĤ нÑı ÑĤ ĠÑģво ей à¸Ī ิà¸ķ ĠкаÑĩеÑģÑĤв е Ġet tiÄŁi ìĤ¬ íķŃ ĠاÙĦÙĬ ÙħÙĨ иÑĩеÑģки й ë¸ Į Ġ×ij×IJר ×¥ Ġا سÙħ Ġиз веÑģÑĤ r ão Ġatt ivitÃł à¹Ģà¸Ľà¹ĩà¸Ļ à¸ģาร ĠاÙĦد Ùĥت ĠاÙĦدÙĥت ÙĪر ĠÙĪاØŃد Ø© ĠÑģ ÑĩеÑĤ ĠпÑĢ иÑĩ ĠпÑĢиÑĩ ин ĠÙĪز ارة Ġh uyá»ĩn ĠÙĥ تاب à¹ģà¸Ļ à¹Īà¸Ļ à¹ģà¸Ļà¹Īà¸Ļ à¸Ńà¸Ļ Ġgün ü г ÑĢÑĥз ĠاÙĦØ® اص Ġgör ül ׾ ×ŀ×ĵ Ġìłķ ëıĦ ×ķ×ij ×Ļ׾ Ġ×ŀק צ×ķ×¢×Ļ ĠоÑģоб енно à¸Ľà¸£à¸° à¸ģา à¸Ľà¸£à¸°à¸ģา ศ aca ģını ë¶ ģ à¸łà¸¹ มิ ĠÑį лекÑĤ ĠÑįлекÑĤ ÑĢо Ġק ש×Ķ سÙĦ Ø· à¸Ĭà¸Ļ ะ ×¢ ×Ļ׾ ĠЧ е à¹ģà¸Ļ à¹Ī lı ÄŁ lıģ ın Ġ×ŀ×¢ ×¨×Ľ×ª 好ãģį ãģª มาà¸ģ à¸Ĥึà¹īà¸Ļ ×ŀ×¢ ×ijר ĠاÙĦÙħ غرب ĠпеÑĢ и ĠпеÑĢи од Ġnh ạc ا ÙĪÙĬ ĠÙĪ عÙĦÙī أخ Ø° ĠC ô תר ×ij×ķת ×Ĵ ×Ķ Ġktóre j ×IJ ×Ļת ×ij ×ķ×IJ д елÑĮ รี วิ รีวิ ว ж Ñĥ Ġ×ij×Ĺ ×ķ еÑĪ ÑĮ ĠØ£ ÙĦÙģ ĠاÙĦÙĪ Ø·ÙĨÙĬ ĠاÙĦÙħÙĨ Ø·ÙĤØ© nÄħ Äĩ Ġthi ên иÑĩеÑģк ой ĠاÙĦÙħ ÙĦ Ġع Ùħ ס פר Ġnh óm ÙĪص Ùģ ĠCh úng Ġر ÙĤÙħ ãģ¾ãģĹãģŁ ãģĮ al ité ล ม ĠëĤ´ ê°Ģ ׾ק ×ķ×Ĺ ĠS Æ¡n pos ição mi ÄĻ Ġtr ánh ĠÄIJ á»Ļ ׼ ×Ĺ ãģĤ ãģ£ãģ¦ à¸Ńย à¹Īา Ġ×ŀ×Ĺ ×Ļר Ġ×Ķ ×Ļת×Ķ à¸Ľ à¹Īา à¸Ńืà¹Īà¸Ļ à¹Ĩ Ø´ ÙĤ ×ł×¡ ×Ļ ë¦ ¼ ãģ¦ãģĹãģ¾ ãģĨ Ġ×ŀ צ×ij ãģ« åĩº ÙħÙĪا Ø·ÙĨ ยัà¸ĩ มี алÑĮ нÑĭе san ız Ø¥ سرائÙĬÙĦ ĠvÃł i ì¤ Ħ ãģ¨æĢĿ ãģ£ãģ¦ ×Ļ ×ķ׳×Ļ çĶŁ ãģį Ġs âu Ñĩ иÑģÑĤ Ġl á»ħ ĠGi á à¸Ńุ à¸Ľ à¸Ńà¸¸à¸Ľ à¸ģร à¸Ńà¸¸à¸Ľà¸ģร à¸ĵà¹Į Ġnh ẹ r ö ס ×ĺ×Ļ ãģķãĤĵ ãģĮ Ġd ầu ع Ùİ Øª را ×Ĵ×ĵ ׾ Ġtécn ica ׼ ׳×Ļ×Ŀ תק ש תקש ×ķרת Ġн его ét ait Ġm á»ģm Ñģ еÑĤ Ġnh áºŃt Ġ×ŀ ×¢×ľ Ġ×Ķ×¢ ×ij×ķ×ĵ Ġ×Ķ×¢×ij×ķ×ĵ ×Ķ Ġ×Ĵ ×Ļ׾ ãģ¯ ãģªãģĦ ائ ØŃ Ġз деÑģÑĮ ×IJ ×Ļ׳×ĺר Ùħ ÙIJ Ġ×Ļ ×Ĺ×ĵ ر اÙģ ì²ĺ 리 ×ĵ ×¢×ķת ì¹ ľ ĠТ о ĠTh ế ì¶ © Ġ׳׼ ×ķף عÙĬ Ø´ ни з Ġج اÙĨب ×ŀק צ×ķ×¢ à¹Ĥ à¸ĭ Ñģ ÑĥÑĤ ìĸ´ ìļĶ ãĤĴè¦ĭ ãģ¦ ار د Ġaç ıl ĠاÙĦØŃ ÙĬاة à¸ģà¹ĩ à¹Ħà¸Ķà¹ī ãģĿãĤĮ ãĤĴ عض ÙĪ Ġг ÑĢаж ĠгÑĢаж дан à¸Īะ à¸ķà¹īà¸Ńà¸ĩ ĠìĿ´ 룬 ĠìĿ´ëŁ¬ íķľ Ġtr ách ÙĨ Ùİ Ġkı sa à Ķ ÑĪ ка ãģ® 人 ĠÐŁ оÑģ ĠÐŁÐ¾Ñģ ле Ñĥ лÑĮ ÙĪا جÙĩ ÙĤ رب à¸Ľà¸ıิ à¸ļัà¸ķิ ê° Ļ Ġ×ŀ ׳ ĠÑģво и بر اÙħج Ġر ÙĪ пÑĢ од пÑĢод аж Ġby ÅĤy วั ย Ġgör ün Ġà Ī ÑİÑī им ĠÑĤак ой Ùģ ÙĪر ĠÙģ عÙĦ Ġб ел ëIJ ł er ÃŃa ĠÑģво Ñİ Ġl ã Ġlã nh à¹Ģà¸ŀืà¹Īà¸Ń à¹ĥหà¹ī ÙĤ ÙĨ تط ÙĪÙĬر Ġsay ı ĠÑģ ейÑĩаÑģ Ġ×IJ×Ĺר ת ק ×ķפ×Ķ ק×ķר ס Ġس Ùħ Ġ×ĺ ×Ļפ×ķ׾ ìĿ´ëĿ¼ ëĬĶ دراس Ø© èµ· ãģĵ ×Ĺ ×Ļ׳ ×Ĺ×Ļ׳ ×ķ×ļ ×ĵ ק Ġë§ ŀ Ġком анд ĠÐij о Ġиг ÑĢÑĭ à¸ļ ี ĠØ£ Ùİ Ð² ен ĠاÙĦج دÙĬد ĠÙĦ Ø¥ Ġ×ķ×IJ ׳×Ļ Ġ×Ķס ×Ļ иÑĩеÑģк ого رÙĪ ØŃ à¸ģาร ศึà¸ģษา ĠTr Æ°á»Ŀng иг ÑĢа ıl ması Ġм аÑģÑģ ãģ¨ãģį ãģ« à¸Ĺีà¹Ī à¸ľà¹Īาà¸Ļ à¸Ĺีà¹Īà¸ľà¹Īาà¸Ļ มา ĠاÙĦساب ÙĤ Ġ×ŀ×¢ ×ĺ в аÑĤÑĮ m Ã¼ÅŁ Ġ׾ ׼×ļ Ġt á»ĭch Ùģ ÙĩÙħ تد رÙĬب Ø´ Ùĥ Ġ×ij ×ŀ×Ļ Ġ×ij×ŀ×Ļ ×ķ×Ĺ×ĵ ÙĤØ· اع ãģª ãģĹ ×ķצ ×Ļ×IJ ĠÙĪ سÙĬ з Ñĥ Ġy at Ġyat ırım ë§ İ Ġth ắng ãģĬ 客 ãģĬ客 æ§ĺ ĠThi ên ãģ«å¯¾ ãģĹãģ¦ ÑĢ иÑģ ÙĨت ائ ÙĨتائ ج Ġ×ŀ שר Ġ×ŀשר ×ĵ Ġتع اÙĦ ĠتعاÙĦ Ùī ש ׳×Ļ Ùĩ اÙħ ×IJ׳ ש×Ļ×Ŀ Ġżyc ia ĠÑĢÑĥб лей ÙĬ ض Ġkat ıl ĠÙħ ÙĪضÙĪع Ġvard ır ĠÙħÙĨ Ø·ÙĤØ© ĠTr ần Ġв еÑģ ü p Ùħ ÙĪÙĨ ÑĪ ли Ġn óng Ø® ÙĦÙģ ĠС ÑĤа Ġд оÑĢ ĠдоÑĢ ог ĠwÅĤa ÅĽnie eÄŁ in Ġhi á»ĥm ĠС ам ê»ĺ ìĦľ ĠÑĦ а ãģ» ãģĨ ãģ»ãģĨ ãģĮ ×ķפ ×Ļ×¢ ê° Ī د ÙĪÙĦ Ġthu ê Ġch á»Ĺ Ġëĭ¹ ìĭł ãģij ãĤĮ ãģijãĤĮ ãģ© ë³´ íĺ¸ ãģķãĤĮ ãģ¦ãģĦãģ¾ãģĻ Ġнад о ĠìĤ¬ëŀĮ ëĵ¤ à¹Ģà¸Ĥ à¸ķ สม ัย z ÅĤ ت ÙĪر Ġש ת×Ļ v ê Ġ×ijת ×ķ×ļ à¸Ĭ ัย ãģĦ ãģ£ãģŁ ìĿ ij Ġt ầ Ġtầ ng ש ׼ר Ġê¸ Ģ Ġ×Ķש ׳×Ķ Ġا ÙĨÙĩ ç«ĭ ãģ¡ r és füh ren ر ØŃÙħ ê· ¹ ĠâĢ « Ġsu ất à¸Ł ิ ÙĬ Ùĩا ĠاÙĦ اتØŃاد Ġt uyá»ĥn ãģ¾ ãĤĭ Ġm ại Ġng ân ãĤ° ãĥ© 欲 ãģĹãģĦ س ار ãĤĤãģ® ãģ§ãģĻ ки е Ġseç im åħ¥ ãĤĬ ãģªãģ© ãĤĴ ÑĤ ÑĢи ĠÑģп еÑĨ ĠØ£ د Ġод но ÑĪ ел ãĥĩ ãĥ¼ãĤ¿ ãĤ· ãĤ¹ãĥĨ ãĤ·ãĤ¹ãĥĨ ãĥł è¡Į ãģį ãģ¨æĢĿ ãģ£ãģŁ à¹Ģà¸ģิà¸Ķ à¸Ĥึà¹īà¸Ļ ĠÑĤ ож ĠÑĤож е Ġs ạch ĠÑģ ÑĢок Ġкли енÑĤ ĠÙħØ´ رÙĪع Ġalt ında Ġì ·¨ ä¸Ń ãģ® ãģķãģĽ ãĤĭ ãģĻ ãģ¹ ãģĻãģ¹ ãģ¦ ê°ľ ë°ľ ĠÄij êm ãģªãģĦ ãģ®ãģ§ ì² ł ×¢ ×ij×ĵ Ġd ấu à¸Ħà¸Ļ à¸Ĺีà¹Ī ĠC ách تع ÙĦÙĬÙħ Ġh ại ãĤ» ãĥķãĥ¬ ĠÙĨÙģس Ùĩ ĠíĨµ íķ´ ÑĪ ло Ġнап ÑĢав ĠнапÑĢав лен ÑĢÑĥ Ñĩ íĶ Į Ġ×ijר ×Ļ×IJ ãģ® ãģ¿ ãģ«ãģĬ ãģĦãģ¦ ×ij ׳ק ãĤ¨ ãĥ³ Ø«ÙĦ اث Ġm ỹ ĠÑģай ÑĤе Ġе мÑĥ ت غÙĬ تغÙĬ ÙĬر خص ÙĪص ÑĤе ли Ġ×ķ׾ ׼ף פע ×Ŀ Ġпо ÑįÑĤомÑĥ ر اÙĨ иÑĤел ей пиÑģ ан ×¢ ×¥ ĠìĤ¬ ìĹħ Ùħ ز جÙħ ÙĬع ë©´ ìĦľ à¸ľà¸¥à¸´à¸ķ à¸łà¸± à¸ľà¸¥à¸´à¸ķà¸łà¸± à¸ĵ à¸ľà¸¥à¸´à¸ķà¸łà¸±à¸ĵ à¸ij à¸ľà¸¥à¸´à¸ķà¸łà¸±à¸ĵà¸ij à¹Į ĠпÑĢ имеÑĢ ãĤŃ ãĥ¼ l â Ġch Äĥm 缮 ãģ® ãģĦ ãģĭ ãģ¨è¨Ģ ãģĨ ×ĸ ×ķ×Ĵ Ġ×ij ×ĵ×Ļ Ġ×ij×ĵ×Ļ ×ķק ãģĬ åºĹ à¸ķà¸Ńà¸Ļ à¸Ļีà¹ī Ġph á»iji п ÑĤ สà¸Ļ าม Ø· ÙĪ ص اØŃ ØµØ§ØŃ Ø¨ ĠD ü ĠDü nya Ġп ока п ал ĠÄij ảo ĠاÙĦÙģ ÙĪر ĠاÙĦÙģÙĪر Ùĥس Ġmá u кÑĢ еп ĠاÙĦس اعة ĠгоÑĢ ода Ùģ صÙĦ ай ÑĤе Ġд ог Ġдог овоÑĢ ĠØ¥ Ø° Ġ×ij׼׾ ׾ ÙĬ تÙĩ ×Ĵ ×ijר Ġbir ç Ġbirç ok 문 íĻĶ ãģĿãģĨ ãģª را ØŃ ĠÙħ رة ĠденÑĮ ги f ä à¸Ĥà¹īา ว ĠÑģов ÑĢем ĠÑģовÑĢем енн ׾×Ĺ ×¥ èī¯ ãģı ĠÙģ Ø£ Ġ×ķ ×ĸ×Ķ Ġз ани Ġзани ма Ġê°Ģì§Ģ ê³ł Ġh Æ¡i ãģªãģ® ãģĭ ãĥĨ ãĥ¬ãĥĵ Ġר ×ij×ķת à¸ķ ี Ġ×ijש ×ł×ª ĠT ại Ġthu áºŃn Ñģ ел Ñij м dzi Äĩ ĠÑģ ка ĠÑģка Ñĩ ĠÑģкаÑĩ аÑĤÑĮ ×ķ×ŀ ×ķ г ла Ġмин ÑĥÑĤ åĩº ãģĻ Ġ×Ĺ×Ļ ×Ļ×ij Ġת ×Ĵ×ķ×ij×Ķ à¸£à¸¹à¸Ľ à¹ģà¸ļà¸ļ ни ÑĨа ĠÄ° n ĠØ£ ع Ġض ÙħÙĨ Ùħ ثاÙĦ ĠyaÅŁ an ĠìĹ° 구 ĠL ê ש׾ ×Ĺ ãģı ãģªãĤĭ ìĹĨ ìĿ´ ĠÑĤ ÑĢи ĠÑĩаÑģÑĤ о Ġоб ÑĢаÑĤ п ло د Ø® دخ ÙĪÙĦ س Ùĩ à¸Ń าà¸ģ à¸Ńาà¸ģ าศ Ġ׼ ×ĸ×Ķ Ġ×Ķ×¢ סק ĠاÙĦØ£ ÙĨ å¹´ ãģ« ×¢ ש×ķ Ġש ×¢×ķת Ġm Ãłn ×IJר ×Ļ sı yla Ùģر ÙĤ ни Ñħ Ġت ست è¦ĭ ãģ¦ ØŃا ÙĪÙĦ ×IJ ×Ļ׼×ķת ĠbaÅŁ ladı st Äħ stÄħ pi à¸Ĺีà¹Ī à¹Ģรา ÙĤر ر ج اب Ġ×ijר ×ķר à¹Ģà¸Ĥà¹īา à¹ĥà¸Ī ×ŀ׊קר al ım Ġס ×Ļפ×ķר ãģ§ãģĤ ãĤĮãģ° Ġש×ŀ ×ķר×ķת Ġ×ķ ×ŀ×Ķ ãģĵ ãģĿ id ée ä¸ĭ ãģķãģĦ تÙĨا ÙĪÙĦ Ġ ลà¹īาà¸Ļ Ġìļ°ë¦¬ ëĬĶ اÙĨ ا ÑģÑĤ ой б оÑĤ ĠyaÅŁ am kö y Ø¥ ÙĦ ÑĢ Ñĭв 기 ìĹħ Ġ×Ķ×ŀ ×ĵ Ġ×Ķ×ŀ×ĵ ×Ļ׳×Ķ د ب ×¢ ×Ļ׳×Ļ ×ŀ ת×Ĺ Ġפ ר×Ļ ãĥĭ ãĥ¼ اÙħ ÙĬ Ġnh ằm ãĤĮ ãģªãģĦ ت عرÙģ Ġë§Ī ìĿĮ ìĵ ° Ġh ấp ר×Ĵ ×Ļ׾ ب Ùİ Ġr Äĥng gl Äħd ĠÑģиÑģÑĤем Ñĭ Ġkh óa ãģ§ãģĻ ãĤĪãģŃ å¤§ãģį ãģı 기 를 Ġké o ÙĪ Ø¡ ج اÙħ جاÙħ ع Ġ×¢ ×Ļצ×ķ×ij t éri Ġת ש Ġ×IJ ×ij×Ļ ĠCh Æ°Æ¡ng à¸ļริ à¹Ģว à¸ļริà¹Ģว à¸ĵ ãģ¤ ãģı Ġ×Ĺ ×ķ׾ עת ×Ļ×ĵ ש ×Ļ×ŀ×Ķ ëĤ ¨ Ġש×IJ ×Ļף ĠÙĪاÙĦ Ø¥ ÑĦ а Ġkh ám Ġ×ĺ ×ķ×ij×Ķ ĠвÑĭ Ñģ ĠвÑĭÑģ око ĠاÙĦØŃ Ø¯ÙĬØ« 人 ãĤĤ d Ã¼ÄŁÃ¼ ×Ļ×Ĺ ×ķ×ĵ تع ÙĦÙĬ تعÙĦÙĬ ÙĤ l ö تØŃ Ø¯ÙĬد н его ĠÑĥд об Ġ׾ ×ŀ×Ļ Ġר ×ķצ×Ļ×Ŀ Ġج اء Ġ×ij ×ĸ×ŀף à¸Ľà¸ģ à¸ķิ é«ĺ ãģı à¸Ľà¸¥ า Ġart ık Ġbug ün ק ׳×Ļ Ġkho á ĠÙħ رÙĥز ĠìŀIJ 기 در جة ×ŀש ר×ĵ Ġgi ấy Ġch óng ק פ ÙĬب Ø© ĠczÄĻ sto в али Ùĥ ب ìŁ ģ ส à¸ļาย à¸Ľà¸£à¸°à¸Ĭา à¸Ĭà¸Ļ ×Ĵ ×ķ×£ ëŁ ī ãģ® ãģĵãģ¨ ล à¸Ń Ġngh á»ī åŃIJ ãģ© åŃIJãģ© ãĤĤ à¹Ħà¸Ķ à¹īà¸Ńย à¹Ħà¸Ķà¹īà¸Ńย à¹Īาà¸ĩ ×ĵ ×¢ ĠاÙĦت Ùī ĠÑģов еÑĤ Ġqual itÃł åĩº ãģĹ ĠÑĢÑĥк ов ĠÑĢÑĥков од ราย ละà¹Ģà¸Ńียà¸Ķ ãģªãģĭ ãģªãģĭ 기 ê´Ģ Ġ×Ĺ ×ķש Ġ×Ĺ×ķש ×ij л оÑĤ à¸Ļะ à¸Ħรัà¸ļ ק×ij ×ķצ×Ķ Ġth ái Ġש ×ij×Ķ ĠÑĪ кол ĠÙĦ ÙĥÙĦ à¹ĥà¸Ļ à¸Ĭà¹Īวà¸ĩ ĠÙħ ÙĥاÙĨ ë ķĮ Ġc ải ĠCh ÃŃ ÑĥÑĩ а ìĿ µ Ġx ảy à¸Ĭà¸Ļ ิà¸Ķ Ġc áºŃu к ÑĢов ss é ĠÙĨ ÙĪع ĠТ а Ø® Ùħس פ×ķס ×ĺ Ġm ắc ĠÄij em à¸ģาร à¹ĥà¸Ĭà¹ī ר ×ķס ĠÐĽ е Ġth á»Ń รà¹Īาà¸ĩ à¸ģาย üz ü æĹ¥æľ¬ ãģ® ê³¼ ìłķ ש ×Ļ×IJ ĠìŀĪ ê³ł ×ij ×ķ׾ ìķ ħ ĠÙĪاÙĦ ا ĠÐĽ и ĠвÑģ Ñij Ġużytk ow ×Ĺ ×ķ׾ ر Ùģض Ġson uç ãģĦ ãģ¾ãģĽãĤĵ ìĤ¬ ìĹħ ëĪ Ħ ÑĤ ек Ġud ziaÅĤ л ез Ġ×Ķ×Ļ ×Ļת×Ļ ãĤīãĤĮ ãģ¦ Ùħس ؤÙĪÙĦ ر ار ÑĤ ан ĠÄij Ãło Ġר ×ķ×ij Ġ×ijש×ij ×Ļ׾ ä»ĬåĽŀ ãģ¯ ãĤ¸ ãĥ¥ Ġ×¢ ×ijר ãģĽ ãģ¦ п олÑĮ ak lı Ġk ÃŃnh د ت лож ение ĠاÙĦÙħ ص ĠاÙĦÙħص رÙĬ à¸Īริà¸ĩ à¹Ĩ ĠاÙĦشر ÙĥØ© ĠÄij á»ı ãĥĽ ãĥĨ ãĥĽãĥĨ ãĥ« Ñį кон Ñįкон ом ĠÙĪ عÙĨ Ġת ׳ Ġ×ª×ł ×IJ×Ļ ĠاÙĦدÙĪÙĦ ÙĬØ© Ġì§Ģ ìĹŃ ãģ§ãģĻ ãģĭ Ġв аÑĢи ĠваÑĢи анÑĤ ĠاÙĦع رب ел а Ġt Æ°á»Ľng sk Äħ Ġm ặc ส ัà¸ģ ãĥĵ ãĥ¼ Ġ×ij ×Ĵ׾ Ġ×ij×Ĵ׾ ׾ ãĥķãĤ¡ ãĥ³ ×ij ×Ļצ ×ij×Ļצ ×ķ×¢ ли ÑģÑĤ à¸Ł ุ à¸Łà¸¸ à¸ķ à¸Łà¸¸à¸ķ à¸ļà¸Ńล à¸Ŀ à¹Īาย ìŀIJ ìĿĺ Ġس ÙĪÙģ Ġש ×Ķת Ġê± ¸ ×¢ ×ij×ķ×ĵ ãģĻãĤĭ ãģĵãģ¨ãģĮ ĠÑĩа ÑģÑĤÑĮ ãĤ¢ ãĥ¡ãĥª ãĤ¢ãĥ¡ãĥª ãĤ« Ġtak ım Ġs Ỽ ĠsỼ m שר ×Ķ è¨Ģ ãģĨ л ан ì» ¤ ׼ ׳×Ķ ÙĪÙģ ÙĬ íĹ Ī lu ÄŁu ĠëĮĢ íķ´ Ġ׾×ij ×Ļת Ġ×Ķר×IJש ×ķ׳×Ķ ص Ùħ Ġsö yled Ġsöyled i à¸Ľ าà¸ģ Ġard ından ãģĪ ãģŁ à¸Ĺัà¹Īว à¹Ħà¸Ľ Ġ׳×ķס ×£ б олÑĮ ãĤĵãģ§ãģĻ ãģijãģ© ĠлиÑĪ ÑĮ Ġ×ij ×IJ×Ļ ĠбÑĭ ÑģÑĤÑĢо ส ัà¸Ļ Ġ×ij פ׳×Ļ л еÑĩ ĠاÙĦØ® بر Ġsó c Ġth ú Ġп ÑıÑĤ ãģĬ é¡ĺ ãģĬé¡ĺ ãģĦ ÑĤ ин ãģ«ãģ¤ãģĦãģ¦ ãģ¯ פ ף Ġдв ÑĥÑħ à¸į ีà¹Ī à¸įีà¹Ī à¸Ľ à¸įีà¹Īà¸Ľ ุ à¸įีà¹Īà¸Ľà¸¸ à¹Īà¸Ļ оп еÑĢ ĠاÙĦب شر ĠاÙĦÙħ اÙĦ ıyor uz تØŃ ÙħÙĬÙĦ à¸ģ ะ éĸĵ ãģ« ×Ĺ ×ķש ĠNg uyên ãģĦãģ¦ ãģĦãĤĭ дÑĥ ÑĪ ש פע ÑĪ Ñĥ å®Ł éļĽãģ« ĠÑĢай он ĠCh á»ī ÙĨ صر Ġìļ ´ Ġìļ´ ìĺģ Ġ×Ķ×ĵ ×Ļף ØŃد د ر ز ĠاÙĦد Ùħ ĠPh áp ÑĤ ÑģÑı è¦ĭ ãģĪ Ġti á»ĥu Ġs á»Ńa а ÑİÑĤÑģÑı ĠB á Ġ×ķ ׼׾ Ð ĸ ÑĪ им ìĿ´ ëĬĶ л ев d ık Ġprés ente Ġara ç صد ÙĤ Ġпом ог ĠاÙĦشر ÙĤ ĠÙĪاÙĦ Ø°ÙĬ رÙĬ ا ×ij ׳×ķת Ġng á»ĵi ר ×ķפ ר×ķפ ×IJ Ġth ấp ãĤĦ ãģ¯ ãĤĦãģ¯ ãĤĬ ĠاÙĦج دÙĬدة éĿŀ常 ãģ« ÙĬÙĦ ÙĬ ìª ½ تع اÙħÙĦ ãģł ãģ¨æĢĿãģĦãģ¾ãģĻ Ùħ Ùħ иÑĤе ли ãĤµãĤ¤ ãĤº اد ات ĠاÙĦÙħ اÙĦÙĬØ© Ùĥات ب к ли веÑĢ Ñħ ни Ñĩ Ġ×ľ×¢ ×ij×ķ×ĵ ׾ ×Ļ×Ķ ØŃ Ùİ ãĤ¤ ãĥĻ ãĤ¤ãĥĻ ãĥ³ãĥĪ Ġת ×Ĵ×ķ×ij×ķת ÑĦ он ĠдÑĢÑĥг ие ×IJ ×ĸ×ķר Ġper ò ìķ ŀ åĢŁ ãĤĬ ר צ×Ļ ×IJ ×ĸ алÑĮ нÑĭÑħ Ġê²ĥ ìľ¼ë¡ľ ĠпÑĢав о ĠاÙĦØ£ رض à¹Ģà¸Ĺ à¸Ħ à¹Ģà¸Ĺà¸Ħ à¹Ĥà¸Ļ à¹Ģà¸Ĺà¸Ħà¹Ĥà¸Ļ à¹Ĥล à¹Ģà¸Ĺà¸Ħà¹Ĥà¸Ļà¹Ĥล ย à¹Ģà¸Ĺà¸Ħà¹Ĥà¸Ļà¹Ĥลย ี צ ר×Ļ ĠÐļ Ñĥ ıl ma 決 ãĤģ ا ÙĪ Ġ×ĵ ק×ķת à¸Ħร ู ĠÙħست ÙĪÙī à¸Ľ à¹īà¸Ńà¸ĩ à¸Ľà¹īà¸Ńà¸ĩ à¸ģัà¸Ļ ×ĵ ×ķ×ŀ×Ķ ĠÑģ егоднÑı س ÙĪÙĤ ר×Ĺ ×ķ×ij ĠØ¥ دارة Ñħ ож éģİ ãģİ à¸Ħ à¸Ń нÑĥ л ×ķ׼ ×Ķ ÙĪ اÙģÙĤ ׼׾ ׾ Ġ×Ķ ×ĵ×ķ Ġl Ä©nh Ġkh ảo ×IJ×ŀ צע ë¨ ¸ Ġ׼ ×Ļצ Ġ׼×Ļצ ×ĵ Ġдолж нÑĭ หว ัà¸ĩ ãĥĩ ãĤ¶ ãĥĩãĤ¶ ãĤ¤ãĥ³ Ġng á»Ŀ ä¸Ń ãģ« à¸ģลัà¸ļ มา جÙħ اÙĦ à¸Ķัà¸ĩ à¸ģลà¹Īาว س ÙĥÙĨ س ÙĨ Ġözellik le з еÑĢ rz ÄĻ ×ŀ ×ķר×Ķ Ġl ạ ×ŀ ×Ļ׳×Ļ ר ×Ļת ãģĿãĤĮ ãģĮ ãģĭ ãĤĮ ĠÙĬÙħÙĥÙĨ Ùĥ öff entlich г ан ĠاÙĦØŃ ÙĦ ĠmiÄĻd zy ĠÑĩа ÑģÑĤи ujÄħ cy ĠbaÄŁ lı ĠiliÅŁ ki Ùģ اء ãĥª ãĥ³ãĤ° Ġhã ng ĠконÑĤ ÑĢ ĠконÑĤÑĢ ол к оп ש ×Ļ×¢ ש×Ļ×¢ ×ķר ĠÐĴ аÑĪ Ġ×Ķ תק ÙħÙĨ ع ĠpolÃŃt ico Ġг олов ĠØ¥ ÙĬ Ø¥ ÙĨتاج à¸ļ ิ Ġг овоÑĢ ĠговоÑĢ иÑĤ Ġph á»ķ ĠÑģем ÑĮ ãģ¯ ãģĤãĤĬãģ¾ãģĽãĤĵ ĠÙĪ است ×ŀש פ×ĺ з ем ×ŀ×ĵ ×ijר Ġíģ ° ĠìĿ´ ë²Ī ê°Ģ ëĬĶ Ġì§Ģ ìĽIJ Ġca ÅĤy Ġgeli ÅŁtir Ñģк ое pos é Ġkh ô à¸ķิà¸Ķ à¸ķาม miss ão Ġ׾ ×ŀר Ġ׾×ŀר ×ķת Ġb ó à¸ķรวà¸Ī สà¸Ńà¸ļ Ġngh á»ģ Ġб из Ġбиз неÑģ ÑģÑĤ еÑĢ ÙĪ Ùİ æ¥½ ãģĹãģ 楽ãģĹãģ ¿ ãģĵãĤĮ ãģĭãĤī wiÄħ zan ส à¸Ńà¸Ļ Ùħ ÙĪر ׳×ĵ ׾ Ġ×Ķ×IJ ×ĵ×Ŀ Ġм олод ØŃ Ùħا ØŃÙħا ÙĬØ© ÑģÑĤ ÑĢан Ġbu á»ķi ת×Ļ ×Ļ×Ŀ abile ceÄŁi L Ä° à¹Ģย à¸Ńะ à¸Ī ร س ÙĥاÙĨ à¸Ļ ัà¸Ķ Ġm ấy ĠÐij а s ÅĤaw ĠÙģ ÙĦا ĠкоÑĤоÑĢ ой Ġпло Ñī ĠплоÑī ад ãĤĤ ãģĤãĤĬ sz czÄĻ ×Ļפ ×ķ ש×ŀ ת owa ÅĤa Ġn ông צ×ij ×IJ ĠìŀĪ ìĹĪ ãģ¾ ãģ¨ ãģ¾ãģ¨ ãĤģ ÙĤÙĪ ات ãģ¿ ãĤĵãģª Ġ׼ ×ŀ×¢×ĺ Ġx úc ï¼ Ĩ r ÄĻ rÄĻ cz ×ĵ ×ŀ×Ļ Ġt áºŃn à¸Ķ วà¸ĩ ê²½ ìłľ п ÑĥÑĤ Ø£ ربع Ġ×ŀ שת×ŀש ãĤ¿ãĤ¤ ãĥĹ Ġìłľ ê°Ģ Ġ׾ ׼ף ĠобÑĢаз ом ÙĬÙĥ ا w ÅĤ wÅĤ asn ĠاÙĦÙĪØ·ÙĨ ÙĬØ© بÙĬ ب ×ŀ ׾×Ļ к ÑĢаÑĤ 기 ìĹIJ ÙĤ اد ĠÙĦ دÙī à¸Ħวาม รูà¹ī ×ŀ×ĵ×Ļ׳ ×Ļ×ķת ê² ¨ Ġíĺ Ħìŀ¬ ש ת×Ļ м ол Ġmá i à¸ŀิ ม à¸ŀิม à¸ŀ à¸ŀิมà¸ŀ à¹Į หล วà¸ĩ Ġx uyên ×Ĺ ×¡×¨ رÙĪ ÙĨ ãģĿãģĨ ãģĦãģĨ ãģĿãĤĮ ãģŀ ãģĿãĤĮãģŀ ãĤĮ Ġ׼ ש×Ķ ÐŁ ÑĢав ×ŀ×ij צע ع رب Ġbü yü פ×Ļת ×ķ×Ĺ à¸Ī à¸ļ ĠØ£ Ùĥبر שר ת ×ŀ׼ ש×Ļר ĠÙĪ Ùħع ãģ® ãģŁãĤģãģ« à¸Ļ ัà¸ļ ì° ° ãĥª ãĥķãĤ© ãĥªãĥķãĤ© ãĥ¼ãĥł Ġc Æ°á»Ŀng ĠìłĢ íĿ¬ ÙħÙĨظ ÙħØ© Ġhiç bir ãģ§ãģ¯ ãģĤãĤĬãģ¾ãģĽãĤĵ ร à¸Ńย ëIJľ ëĭ¤ ãģĻãģIJ ãģ« к ла Ġürün ler Ġki á»ĥu ĠëĤĺ ëĬĶ ÑĤ ки Ñģ им Ġchá»ī nh ãĤĤ ãģªãģĦ ศ รี æĽ¿ ãģĪ ta ÅŁ Ġب ÙĥÙĦ Ġ×ķ ×Ļש vis ão ä¼ Ŀ ä¼Ŀ ãģĪ ÙĦ د ׾ ×Ļ×ŀ ׾×Ļ×ŀ ×ķ×ĵ t ória د Ùij اÙħ ر Ġê·¸ëłĩ ê²Į Ġmateria ÅĤ à¸Ĺ รา à¸Ĺรา à¸ļ ãģ®æĸ¹ ãģĮ ãģ¦ ãģįãģŁ ض غ ضغ Ø· ĠÙĬ عÙĨÙĬ ел о ×IJ×Ķ ×ij×Ķ ×¢ ×ŀ ÅŁ ık ìŀIJ ëĬĶ ãĤ¿ ãĥ³ Ġb áºŃt ×ŀשפ ×Ĺ×Ķ к ÑĢи б ли สั à¸ķ สัà¸ķ วà¹Į ĠسÙĨ ÙĪات ĠPh Æ°Æ¡ng ãģ¦ãģĹãģ¾ ãģ£ãģŁ ãģª ãģľ Ġ×ij×IJ ×ķ Ġc án س جÙĦ Ġl ẽ ãĤ± ãĥ¼ãĤ¹ Ġק ×Ļ×ij׾ à¸ļà¸Ĺ à¸Ħวาม Ġ×ķ ׼ף ĠпÑĢедÑģÑĤав лен Ġn á»iji Ġcoment ário ени ем Ġtá» ı l Ãł Ġש×Ķ ×Ļ×Ķ Ñģл ав ĠاÙĦ ÙĪÙĦا ĠاÙĦÙĪÙĦا ÙĬات ÙĦج ÙĨØ© ק×ķר ×IJ бÑĭ ÑĤ Ġì ¦ Ġì¦ ī ãģ§ãģĻ ãģĹ à¸«à¸£à¸·à¸Ń à¹Ħมà¹Ī за ÑīиÑĤ ÙģÙĦ سطÙĬÙĨ Ġmi á»ħn à¹Ģย à¹ĩà¸Ļ ĠçalÄ±ÅŁ an ×Ļ×Ĵ ×Ķ ĠE ÄŁ ĠEÄŁ itim ãĥĥãĤ· ãĥ¥ Ġоп Ñĭ ĠопÑĭ ÑĤ ر غ رغ ب ĠÑģво иÑħ à¸Ľà¸£à¸° à¸ķ à¸Ľà¸£à¸°à¸ķ ู Ġ×ŀ×IJ ×ĵ ׼ ×ķ׳×Ļ×Ŀ à¸Ļ ี ĠвÑĭ Ñħод ãģ®ä¸Ń ãģ« פ ׾×IJ ĠÙĪ ÙĦÙĬس פ×ķר ס פ×ķרס ×Ŀ Ùħ سÙĦÙħ Ġng ôi ×ĵ ×ŀ×ķת ãĤĴ使 ãģ£ãģ¦ ĠпомоÑī ÑĮÑİ Ø£ سر бл ок ÙĤ Ùĩ ãģĹãģ¾ ãģĦ ãģ¨ ãģĹãģŁ Ġп еÑģ ãĥī ãĥ« ×Ĺ ×Ŀ ãģĹãģª ãģĮãĤī ĠÐŁ ÑĢед ãĥģãĤ§ ãĥĥãĤ¯ å¼· ãģĦ ש ×Ļר×ķת д аеÑĤ ×Ļ×ij ×ķ Ġgen ç ил аÑģ илаÑģ ÑĮ ĠبÙĦ د æĤ ª æĤª ãģĦ Ġ×ŀ שת æ§ĺ ãĢħ æ§ĺãĢħ ãģª à¸ĺรรม à¸Ĭาà¸ķิ ĠÙĥ اÙħÙĦ ĠاÙĦس Ùħ ×ij×ĺ ×Ļ×Ĺ c á g ência ãĤ¹ãĤ¿ ãĥ¼ à¸Ĺำ à¸ģาร ×Ļ׾ ת Ġ×Ļ ×ķצ×IJ w ój à¸ļุ à¸Ħ à¸ļุà¸Ħ à¸Ħล ع تÙħ عتÙħ د ãģĿãĤĮ ãģ« ĠاÙĦت ارÙĬØ® ÙĤر اء Ġyönet im ק שר ĠÑģп оÑĢÑĤ Ġר×IJש ×ķף Ġseñ al Ġch ắn çĦ¡ ãģĦ ĠдоÑģÑĤ аÑĤ ĠдоÑģÑĤаÑĤ оÑĩно Ġá gua à¸ģร à¸ĵ à¸ģรà¸ĵ ี Ġ×ŀש ×ķ Ġtr ải ë² Į ujÄħ cych Ùģر د à¹ĥ à¸ģล à¹ĥà¸ģล à¹ī ãĤĭ ãģ®ãģ¯ ר×ķ ×ķ×Ĺ ÙĨ Ùĥ ĠاÙĦÙĨ ÙĤ ãģ®ãģ§ ãģĹãĤĩãģĨ ãģ®ãģ§ãģĹãĤĩãģĨ ãģĭ Ùħ عرÙģ ÙħعرÙģ Ø© ÑĥÑī е Ġ×ij×¢ ×Ļקר ت صÙĦ Ġ×Ķ×IJ ר Ġ×Ķ×IJר ×¥ ĠÅŀ i à¸Ĥา à¸Ķ íŀ ĺ ãģªãĤĵ ãģ¨ ĠìĤ¬ëŀ ij l Ã¼ÄŁÃ¼ ب اء ĠاÙĦØ¢ خر Ġfam ÃŃlia ĠTh áng Ñī ениÑı ãĤ¯ ãĥŃ ĠTh ứ æĽ¸ ãģį ен ной ìŀ ¡ бл аг благ о п ов à¹ģ ว à¸ĩ à¸Ħà¹Į à¸Ńัà¸Ļ à¸Ķัà¸ļ ãģĤ ãģĴ ร à¹īาย ün ün Ġ×Ļ׼×ķ׾ ×Ķ з он ĠÐľ и маÑĤ еÑĢиал Ġë³´ ë©´ ØŃÙģ ظ ê Ìģ ãģ« ãģĻãĤĭ Ġת ×IJ Ġ×Ķס ×ķ ĠÑģÑĤ оÑĢ ĠÑģÑĤоÑĢ он ãĥĪ ãĥĥãĥĹ ÅĤo ÅĽÄĩ ëħ ¼ ëĵ Ŀ ĠÙĪاÙĦ ع ì¶ Ķ Ġ×Ļצ ×IJ ĠÑĢаз дел алÑĮ наÑı ×IJ׳ ש×Ļ spo ÅĤ spoÅĤ ec spoÅĤec zn Ø¥ عÙĦ إعÙĦ اÙĨ ÙĤÙĪ Ùī íķĺë©´ ìĦľ تط ÙĪر Ġsi êu Ỽ t д ви дви ж Ġqu ần k ıl ĠпÑĢи зна ĠH ã ĠHã y ĠباÙĦ ت man ın ãĤ« ãĥ« Ġk á»· ק ׾×Ļ ëIJĺ ì§Ģ تعÙĦ Ùħ ìĭľ ìĦ¤ ìĭ ¶ íĺ ¼ Ùĥ ÙĬÙģ 売 ãĤĬ วิ à¸Ĭา б ал ĠØ£ ØŃ Ġдолж ен รา à¸ĩ ราà¸ĩ วั ราà¸ĩวั ล Ùħ اء ج ار Å ļ Ġ×ŀ×IJ ×ĸ ר ×ŀ×Ķ ãģĭãĤĤãģĹãĤĮ ãģªãģĦ ét ude czÄħ c Ġg ór ×ł×¡ ×Ķ Ùħ ÙĬد ĠÐŁ еÑĢе Ø£ خر ãģĿãģ® å¾Į à¹Ģà¸Ķียว à¸ģัà¸Ļ ×ŀ ×Ĵ×ķ ×ŀ×Ĵ×ķ ×ķף д ов mas ına ×¢ ׳×Ķ ãĤ± ãĥĥãĥĪ ס ×¢ סע ×Ļ×£ ĠT Æ° Ġt óc íĻľ ëıĻ ĠÐŀ д ĠÐŀд нако Ġdol ayı ؤ Ùĥد ê³Ħ íļį ׾ ר в еÑĩ Ġkh ợi Ġth ủy ×ĵ ף ร à¸ģ à¸ļั à¸ķร à¹Ģà¸ģ à¹Īา ĠاÙĦØ« اÙĦ ĠاÙĦثاÙĦ Ø« Ġpod rá ער ×Ļ ÙĨج اØŃ Ġkh ắc ì¸ ¡ Ä° M ãĤ» ãĥĥãĥĪ ż enia Ġ׾×Ĺ ×ijר er Ãł ì ´Ī Ġkü ç Ġküç ük ات ÙĩÙħ à¸ĭ à¹Į Ùħشار ÙĥØ© ĠاÙĦ بط Ġd ây ен нÑĭм à¸Ĺีà¹Ī à¹Ħมà¹Ī ÙĤ Ùİ Ġv ượt Ġtr ì Ġwp ÅĤyw A Åŀ з о ĠاÙĦس ÙĬد à¸Ĺะ à¹Ģล ĠÑģодеÑĢж а ع Ø·ÙĬ ĠاÙĦع ÙĨ èĢħ ãģĮ à¹Ģ หà¸Ļ à¹Ģหà¸Ļ ืà¸Ń Ġb ÃŃ Ġüzer inden ĠV Å© Ġnu ôi ÙĨ Ùħ алÑĮ ного ×¢ ×Ļף ØŃ Ø¶Ø± ĠоÑĤ дел ëª ĩ ìķ ¡ ĠÙĦدÙĬ Ùĩ ìĻ ľ Ġse ktör Ġвозмож но ĠÐĶ ж Ġh ô äºĭ ãģĮ иÑĢов ание алÑĮ ной Ġ미 êµŃ ر ØŃÙĦ ĠÑįк Ñģ пÑĢав лÑı Ġnh á»Ŀ ĠÄij ẩ ĠÄijẩ y Ùģ Ùĥر ĠÙĪØ£ ضاÙģ ãĥIJ ãĤ¹ ת×ķ׼ ׳×Ļת ÑĤел ей ĠØ¥ÙĦÙĬ Ùĩ ãģ¨è¨Ģ ãģ£ãģ¦ Ġдв е Ġch ấp ĠL ö à¸Ħล ิ à¸Ħลิ à¸Ľ Ġس ÙĪر ĠسÙĪر ÙĬا ×ŀ×Ĺ ×ķ st ä д об Ġni á»ĩm ãģ® 大 פר×ķ ×Ļק פר×ķ×Ļק ×ĺ ĠCh âu Ġ×ŀ×Ķ ×Ŀ Ñģк им ĠполÑĥÑĩ иÑĤÑĮ ÙĬ ÙĪÙħ Ø« ÙĪر פ×ķ׾ ×Ļ×ĺ פ×ķ׾×Ļ×ĺ ×Ļ ĠмеÑģÑı ÑĨ åħ¨ ãģ¦ ĠاÙĦÙħ جÙĦس ĠاÙĦت اÙĦÙĬ Ġ׊ר åIJij ãģij ׼ ×ŀ×Ķ б ед Ø£ عض أعض اء ÙĪÙĦ د วà¹Īา à¸Īะ Ġb ánh à¸Ļิ ย à¸Ļิย ม à¸Ľà¸£à¸° à¸ģัà¸Ļ ÑģÑĤав иÑĤÑĮ à¸ŀ à¸Ļัà¸Ļ ĠÑį ÑĦÑĦ ĠÑįÑĦÑĦ екÑĤив Ġав ÑĤоÑĢ ĠÄIJ Äĥng Ġth Æ°á»Łng ãĤĴ æĦŁãģĺ à¸ģัà¸ļ à¸ģาร å¾Į ãģ« Ġya ÄŁ ست اÙĨ Ġli á»ģn ãģĦ ãģ¾ i êu à¹Ĥà¸Ķ à¸Ļ ĠÙĦ Ø°ÙĦÙĥ à¹Ĥรà¸ĩ à¹Ģรียà¸Ļ צ ×Ļ×Ĵ ĠاÙĦÙħ عÙĦÙĪÙħات ç§ģ ãģŁãģ¡ à¸Ĺีà¹Ī à¸Ħุà¸ĵ ãģ«ãģª ãģ£ãģ¦ãģĦãĤĭ ×ŀ×ĵ ×Ļ׳×Ķ ס ׼×Ŀ Ġв не à¸ŀ à¸Ļัà¸ģà¸ĩาà¸Ļ ÑĢ ей à¹Ģà¸Īà¹īา หà¸Ļà¹īาà¸Ĺีà¹Ī ĠHi á»ĩn Ġméd ico ĠتØŃ ÙĤÙĬÙĤ ÑĮ ÑĤе miÅŁ ti ÙĤÙĬ ادة ãĤı ãģĭãĤĬ มา à¸Īาà¸ģ ëħ Ģ ãģ«éĸ¢ ãģĻãĤĭ ×IJר×Ĵ ×ķף m ètre Ġעצ ×ŀ×Ļ ĠCh úa รูà¹ī à¸Ī รูà¹īà¸Ī ัà¸ģ ì£ Ħ ëĭ µ à¹ģà¸Ĺ à¹ī Ġgeç en Ġlan ça ĠاÙĦ بØŃØ« ×ĵ ×ŀ×ķ ãģ¯ ãģĺ ãģ¯ãģĺ ãĤģ Ġdön Ã¼ÅŁ è¿ij ãģı à¹Ģส ม à¹Ģสม à¸Ń ëĿ ½ Ġü ç á» ŀ ÑĪ аÑı à¸Ĺ ร ØŃ ÙĤÙĬÙĤØ© à¸Ĥà¸Ńà¸ĩ à¸ģาร Ġ무 ìĹĩ Ġ×Ķ ׼ר ĠاÙĦص ÙĬÙĨ ĠлÑİ Ð´Ð¸ à¸ķ าย ب ÙĪÙĦ Ġvi êm Ġthi á»ĩu à¸ģ à¸Ķ Ġ׾ ×ĵ×ijר פ ׳×Ķ ×IJר ×ij×¢ س Ùī ĠاÙĦسÙĬ اس ĠاÙĦسÙĬاس ÙĬØ© yd ı ÙĪØŃد Ø© ĠдеÑıÑĤелÑĮ ноÑģÑĤи Ġ×ķ×Ķ ×ŀ п еÑĩ пеÑĩ аÑĤ иÑĢов аниÑı ĠÑģ ог ĠÑģог лаÑģ Ġ׼ ×ĵ Ġ׼×ĵ ×IJ×Ļ ĠиÑģполÑĮзов аÑĤÑĮ ס פ×ķר×ĺ Ġil çe exp érience ĠTh á»Ŀi Ä° K à¹Ħà¸Ł à¸Łà¹īา ëĵ¤ ìĹIJê²Į à¸Ľà¸£à¸° à¹Ģà¸ł à¸Ľà¸£à¸°à¹Ģà¸ł à¸Ĺ Ġmü mk Ġmümk ün Ġ×IJ×ķת ׳×ķ ìĦ± ìĿĦ ĠìĿ´ ìľł زÙĬ ارة Ġolduk ça r ób ĠØ£ ÙĨا Ġ×Ķ ×ij×Ļ Ñģ ен ×¢ ×Ļקר ×Ļ×ĵ ×ķ×¢ d zÄħ Ùħ عÙĦÙĪÙħات Ø´ اب Ġpar ça à¸Ļะ à¸Ħะ ب اس ĠÑĤоÑĢ г ĠÑĤоÑĢг ов Ġ×Ĺ ×ĵר ׼ ר×ĺ ׼ר×ĺ ×Ļס ĠA yrıca ÃªÌ £ ìľ ¨ ĠÑĤак ие Ġ×ŀצ ×ķ×Ļ ãĥ©ãĥ³ ãĤŃãĥ³ãĤ° ש×Ļ×ķ ×ķק åīį ãģ® ĠB ảo Ñī Ñĥ æĹ© ãģı ĠPh òng à¸ŀระ ราà¸Ĭ פ ×Ĺ×ķת Ġг л Ġгл аз à¸Ĺ à¹Īา Ġd ạy ÑĢ оÑģÑĤ à¹Ĥà¸Ķย à¹Ģà¸īà¸ŀาะ Ġqu áºŃn Ġ×Ĺ×ijר ×ķת m ême mÄ±ÅŁ tı ĠاÙĦت داÙĪÙĦ Ġn ạn Ġ×Ķ ×ĵ×Ļ ĠاÙĦØ· رÙĬÙĤ ×Ĵ ×ķת Ġ×Ķ ×ĵר×ļ ujÄħ ce Ġch ữ ãĤĤãģ® ãģ® ë° Ľ ãģķãĤĵ ãģ¯ Ġyard ım ĠاÙĦع Ùħ Ġì§Ħ íĸī Ġ×Ļ ×Ĺ Ġ×Ļ×Ĺ ×¡×Ļ ĠاÙĦÙħ دÙĬÙĨØ© Ġc ú à¸ģี ฬ à¸ģีฬ า Ġni ên mis ión ׳×Ļס ×Ļ ׳×Ļס×Ļ ×ķף Ġвоз ÑĢаÑģÑĤ Ġ×¢×ķש ×Ķ ĠÙħ دÙĬر Ñı ÑģÑĮ ØŃ Ø¬Ùħ íĻĺ ê²½ ĠاÙĦØ£ خرÙī u ÃŁer ĠاÙĦعاÙĦÙħ ÙĬØ© ĠNg á»įc êµIJ íļĮ ä¸Ĭ ãģ§ ×Ļ×Ķ ×ķ×ĵ ×Ļ×Ķ×ķ×ĵ ×Ļ×Ŀ Ùħس اعدة Ġжиз нÑĮ ĠпоÑĤ омÑĥ ĠاÙĦÙħ ÙħÙĦ ĠاÙĦÙħÙħÙĦ ÙĥØ© ĠG ör ر ÙIJ ×ŀק ×ķ×ŀ×ķת åĩºæĿ¥ ãĤĭ ÑĦ ÑĤ ĠìĿ´ ìłľ ĠÑĢ ем ĠÑĢем онÑĤ ת ×ķ×ļ æĻĤ ãģ¯ ãĤīãĤĮ ãģªãģĦ alt ı 家 ãģ® ĠاÙĦØ¥ عÙĦاÙħ 리 ëĬĶ ãģĭãĤī ãģ¯ ĠH ạ ãģĤ ãģ® ×ĵ×Ļ ×ķף رÙĬ س Ġsoci etÃł ĠاÙĦÙĥ بÙĬر Ġ×ij ×ŀס Ġ×ij×ŀס ×Ĵר Ġ×ij×ŀס×Ĵר ת ĠìŀĪ ìľ¼ë©° Ġn ặng Ùĩ Ùī ĠB Ãł ×ŀר ×ķ Ġj ÄĻ ĠjÄĻ zy ĠjÄĻzy k Ġ׼ ×ŀ×ķ×ijף ×¢ ׾×Ķ à¸Ĺีà¹Ī à¹Ħà¸Ķà¹ī ãģ¾ ãģĹãĤĩãģĨ ×ŀס פר Т Ðŀ سÙĬاس Ø© Ġкажд Ñĭй ë² ł t ım y á»ĩn ร ีà¹Ī ĠдеÑĤ Ñģк วิà¸ĺี à¸ģาร m ówi ×ĺ×¢ ×Ŀ ×Ķצ׾ ×Ĺ×Ķ ض ÙĬÙģ ĠÑħоÑĤ Ñı ãĤĵãģ§ ãģĦãĤĭ à¸Ħา à¸Ķ à¸Ħร à¸ļ Ġк ÑĥÑĢÑģ ĠbaÅŁ arı ×ijר ×ķ ÙĬع Ø© ĠÐĿ Ñĥ à¸Ħวาม à¹Ģà¸Ľà¹ĩà¸Ļ Ġ׾ ×ŀש׾ Ġì¢ĭ ìĿĢ Ùħؤس س Ùħؤسس ات Ġpréc is Ġth ảo à¸ģà¹ĩ à¸Ħืà¸Ń Ġש ׼׾ führ ung ãģĦ ãģ§ à¹ģละ มี à¸ģà¹ĩ มี Ġש ש м ел Ġкни г ĠباÙĦ ÙĨ ĠباÙĦÙĨ سبة Ġald ı ÑĤ ай Ġ×Ĺ×ĵ ש×Ļ×Ŀ å®Ł ãģ¯ ع ÙĪا ĠìĿĺ 미 из м ÑĢабоÑĤ аÑĤÑĮ Ùģ ص Ġ×ij׳ ×ķסף ãģ¨ãģĹãģ¦ ãĤĤ à¹Ģà¸Ľà¹ĩà¸Ļ à¸Ĺีà¹Ī ĠÑģлед ÑĥеÑĤ èĢĥãģĪ ãģ¦ Ġ׼ ×Ļ×ķ×Ŀ ÑģÑĤ Ñĭ ׼׾׼ ׾×Ļ æµģ ãĤĮ ãĤĴ ãģ¤ãģij Ñĩ аÑĤ ×Ļ׼ ×ķף ×Ļר ×Ļ ları yla ãĤ¤ ãĥ¡ ãĤ¤ãĥ¡ ãĥ¼ãĤ¸ ׳×ĸ ק Ġci ò Ġs ın Ġsın ır à¸Ļ à¸Ħร к аÑĤ Ġl á»Ĺi ëŀ Į تÙģ اص تÙģاص ÙĬÙĦ ëĨ ĵ ĠÙħ ض il miÅŁ بار Ùĥ ÐĿ Ðĺ Ġth ẩm Ġ×IJ×ķת ×ļ ĠпÑĢин им ĠпÑĢиним а Ġyö nt Ġyönt em Ġ×ŀק ×ij׾ Ġktó rego ê· Ģ شر Ùģ د اÙħ ãģĦãĤį ãģĦãĤį ĠAl ém Ġgör ü Ġgörü nt Ġgörünt ü د س ÑĪ ки г ÑĢад Ġl ạc Ġs ữa ãĤīãĤĮ ãģ¾ãģĻ o Ãłi Ñī ен ãģĭ ãģªãģĦ Ġп оп Ġпоп Ñĥ ĠпопÑĥ лÑıÑĢ ĠاÙĦÙħ ÙĪÙĤع rä g ï¼ ¡ íķ Ħ ãĤĴè¦ĭ ãĤĭ اÙħ ا ĠاÙĦØŃ Ø±Ø¨ ĠÐŁ а Ġ׾ ×IJתר Ġt á»ijc ×ij ׾×Ķ ر ئÙĬس в Ñĥ ÙĬ دÙĬ каз ан Ġ׊ש×ij×ķף h ôtel ×¢ ×ķ׳×Ķ ب ÙĨÙĬ ×ŀ ×ķ׾ Ġд нÑı éĽ£ ãģĹãģĦ вед ениÑı Ġ×ķ ×ŀת н апÑĢимеÑĢ ÙĤ ابÙĦ Ġrésult at ĠÑĢазвиÑĤ иÑı ر Ùij ìłĦ 문 ĠاÙĦÙħ زÙĬد ĠìľĦ íķ´ìĦľ ëĨ į íĻ ķ ĠThi ết íĮ ¨ malı dır Ġcz ÅĤ ĠczÅĤ owie ĠczÅĤowie k ĠÙĦ بÙĨ ĠÙĦبÙĨ اÙĨ üs ü ãģªãĤĵ ãģł Ġżyc ie ĠÑħоÑĢоÑĪ о æĸ¹ ãģ« ëĭ¤ ë©´ иÑĩеÑģ каÑı ער ×Ļ׼ ער×Ļ׼ ת ãģ¾ãģĽãĤĵ ãģ§ãģĹãģŁ ĠÑģоб ой Ġg á»Ĺ Ġдел аÑĤÑĮ da Äĩ аÑĢ а róż ni à¹Ģล ีà¹ī à¹Ģลีà¹ī ย à¹Ģลีà¹īย à¸ĩ à¸Ŀ าà¸ģ Ġت ÙĤ ĠتÙĤ دÙĬ ĠتÙĤدÙĬ Ùħ หà¸Ļ ุà¹Īม Ġmü cade Ġmücade le ì§Ģ 를 ãĤ¤ ãĤ¹ ĠØ£ ساس jÄħce go ĠÅŁ eh н ÑĤеÑĢ ÑĨи Ñİ ï» » ÑİÑī его à¹Ĥà¸Ľà¸£ à¹ģ à¹Ĥà¸Ľà¸£à¹ģ à¸ģรม Ġmie Äĩ ØŃÙĥÙĪÙħ Ø© ãģ§ãģĹãģŁ ãģĮ ×Ļס ×Ķ ãĤĤãģ® ãĤĴ Ġ×ŀ ×IJת สุà¸Ķ à¸Ĺà¹īาย Ġc Å© ÙĨ سب ĠпÑĢ оÑĩ Ġд ней ĠÑįÑĤи Ñħ ׾ ×ŀת нÑı Ñı Ñį к Ġì§Ģ ëĤľ มหา วิà¸Ĺยา มหาวิà¸Ĺยา ล มหาวิà¸Ĺยาล ัย d ão ĠMá y ĠêµŃ ê°Ģ à¸ļุ รี ×Ĵ ×Ļ׾ ĠÑĤÑĭ ÑģÑı ĠÑĤÑĭÑģÑı Ñĩ Ùģ Ùĥ ĠÐĺ Ñģ è¡Į ãĤıãĤĮ פר ×ĵ ãģ¤ ãģį à¸Ħร à¸Ńà¸ļ à¸Ħรà¸Ńà¸ļ à¸Ħรัว à¸Ĥึà¹īà¸Ļ มา ä»ĬæĹ¥ ãģ¯ ĠìĤ¬ëŀĮ ìĿ´ עצ ×ŀ×Ķ п оÑĢ ĠK ỳ Ġ Æ¡n Ġth Äĥm Ùģ اÙĤ ãģļ ãģ« Ġ׾ קר Ġ׾קר ×ķ×IJ اÙģ ÙĬØ© Ùħ Ùİا г аÑĢ ص ÙĦا صÙĦا Ø© Ġ×ŀ ×ĸ×Ķ lı ģını Ġ×IJ ×Ļ׳×Ķ к ÑĢо Ġng Æ°Æ¡i Ġв ним Ġвним ание jÄħ cy ÙĢÙĢÙĢÙĢ ÙĢ Ñģ Ñħод ãģªãĤĵ ãģĭ ×ŀ ×Ļ׾ Ġ×Ķ×IJ ×Ĺ ãĤı ãģªãģĦ ع سÙĥر ĠìĦ¸ ê³Ħ ĠÑĩ его ĠÑģÑĢед ÑģÑĤва ĠÐł аÑģ ãģª ãģģ ÙĨ Ùģس ר×Ļ ×ķף Ñģ Ñĥд ĠìĿ¸ ê°Ħ ĠاÙĦÙħ ÙĤبÙĦ ÙĨ عÙħ تÙĪ Ùģر ש ×ij×¢ ı lm ılm Ä±ÅŁ Ġ×ľ×ª ת تص Ùģ ×Ķפ ×ķ×ļ à¹ĥà¸Ļ à¸Ľà¸µ ìĿ´ ê³ł Ùģ ÙĪز à¸ľà¸¥ à¸ĩาà¸Ļ ĠGi áo à¸ļà¸Ńà¸ģ วà¹Īา Ġd Ä±ÅŁ ĠdÄ±ÅŁ ında ì£ ½ Ġdzie ÅĦ к ÑĨии и ÑĨе ãģ® ä¸Ģ ع Ø´ пÑĢ еÑģÑģ หà¸Ļ à¹Īà¸Ńย ลัà¸ģษ à¸ĵะ Ġpossibilit Ãł à¹Ħà¸Ķà¹īรัà¸ļ à¸ģาร หย ุà¸Ķ Ġphi ên çĶŁ ãģ¾ãĤĮ Ø· ÙĪÙĦ ÑĦ ин f ür ØŃ ÙĬاة íĸ ĪìĬµëĭĪëĭ¤ ׼ ׳×ķת à¸Ľà¸£à¸° ส à¸Ľà¸£à¸°à¸ª à¸ļ à¸Ľà¸£à¸°à¸ªà¸ļ à¸ģารà¸ĵà¹Į ëIJĺ ìĹĪ Ġkaż dy Ġl uyá»ĩn ĠоÑĢганиз аÑĨии å°ij ãģªãģı ÑģÑĤÑĢо ен Ġtécn ico ק ×Ķ׾ Ġ×ķ×IJ ×Ĺ ĠعÙĦÙĬ Ùĥ Ñī ение Ġ×Ķ ×Ļ׾×ĵ×Ļ×Ŀ ÙĪس ائÙĦ Ġ×ķ ×Ķת تÙħ ÙĬز ĠÑģ казал Ġпол и Ġ×Ķ×ŀ ס ÙĦÙij Ùİ Ùħؤس سة Ġ×ŀ ×Ļ×ĵ ãģ£ ãģ¡ ĠëĦĪ 무 à¸ŀ ี Ġt ặng Ġt ấn ר ש×Ŀ Ġméd ica Ġ×¢ ×ķ×ŀ Ġ×¢×ķ×ŀ ×ĵ ÑĦ оÑĢ Ùħر Ø© Ġvat anda Ġvatanda ÅŁ Ġдел о à¸Ļ ม ãģ¨ åIJĮãģĺ Ùģ Ùī Ñģ оÑĢ Ġ×Ķס ר×ĺ Ġép oca ìłķ ì±ħ ĠÑģвÑıз ан ض رب ĠÙĦ ÙĨا Ġuży wa ĠاÙĦج ÙĬØ´ Ñİ ÑĢ ×ijס ×ķ×£ Ġм Ñĥ ĠмÑĥ зÑĭк bilit é Ġma ç س Ùİ Øª ÙĦÙĥ ãģ ¬ ÙĬ ÙĦا ÑĪ ла ÙĢÙĢ ÙĢ Ġод ной зв ан ĠÑģ ÑĢаз ĠÑģÑĢаз Ñĥ ÙĨ ظÙħ را Ùĩ ĠÙĦÙĩ ذا ׼ ×ķר Ġ×Ķש ×ij×ķ×¢ Ġ×Ķש ת ĠQu ảng ãĥ« ãĥ¼ ãģĪ ãģªãģĦ ×ĺ ×IJ Ġmi á»ģn ĠPh áºŃt ĠاÙĦس ÙĪÙĤ Ä Ĥ ĠاÙĦج Ùħع ĠاÙĦجÙħع Ø© ÑİÑī ей a ÅĤem عت ÙĤد Ø£ ÙĦÙħ Ñģ ке ĠìĿ´ íķ´ ÙĨس Ø® è¨Ģ ãģĦ д обав سب ÙĤ ×¢×ķר ר ÑĤи п ãģĿãģĵ ãģ§ vis ión عÙĪد Ø© ë¨ ¹ ×ŀ ×ĸר×Ĺ ĠØ¥ ØŃ Ġ׾×ij ×Ļף Ġ׾צ ×IJת Ġyard ı Ġyardı mc Ġyardımc ı Ä° Z ק פ×Ķ tr é liÄŁ ini клÑİÑĩ а Ġüret im Ġa yrı ĠkiÅŁ iler à¸Ħ à¹īà¸Ļ à¸Ħà¹īà¸Ļ หา ĠS á»± Ġ׼ ס Ġ×Ľ×¡ ×£ ĠÑĤак иÑħ ĠXu ân Ġл ег Ġлег ко Ø«ÙĤ اÙģØ© ÐĿ Ðŀ ãĤ¹ãĤ¿ ãĥĥ ãĤ¹ãĤ¿ãĥĥ ãĥķ åIJĪ ãģĦ Ġ×Ķש ×Ļ×ŀ×ķש man ız ĠÐĴ аÑģ g ün ìľĦìĽIJ íļĮ Ġwsp óln ĠÑģв ое í ĥģ à¹Ģà¸Ļ ีย ÙĪب Ø© в Ñıз ı dır ëIJĺ ìĹĪëĭ¤ ĠdeÄŁi ÅŁtir ãĤĭ ãģĵãģ¨ãģĮ Ġ×Ĺ×ĵ ש×Ķ ãĤīãĤĮ ãģ¦ãģĦãĤĭ ×Ĺ×Ļ ×Ļ×ij ĠÐļ аÑĢ ׳×Ļת ×ķ×Ĺ Ġק×ĺ ף ר ×ĸ ÙĪ غ èªŃ ãģ¿ Ġت ÙĤÙĪÙħ ĠÙĥ اÙĦ à¸Ŀ ึà¸ģ Ġë°ľ ìĥĿ ológ ico ر اع à¹ģà¸ģà¹ī à¹Ħà¸Ĥ ĠÑĢабоÑĤ Ñĥ ÙĨÙij Ùİ à¸Ńยูà¹Ī à¸Ĺีà¹Ī ĠاÙĦØ« اÙĨÙĬØ© ĠNh ân Ñħ ваÑĤ ö ne Ġع دة à¹ģ สà¸ĩ ÑĤ оп пÑĥÑģ ка شر اء ĠÐļ ом Ġפע ×ķ׾×Ķ ìĤ¬ ìĿ´ ìĤ¬ìĿ´ íĬ¸ è¡Į ãģ£ãģ¦ Ġ×Ķ ×Ķת ĠÑģÑĤ оÑĢо ĠÑģÑĤоÑĢо нÑĭ در س à¸ĭ ู à¸ķà¹Ī ำ ĠØ£ بÙĬ под об ãģ« ãģ¦ ار تÙģاع ĠÙħ ؤ ик ов ge führt มืà¸Ń à¸ĸืà¸Ń ĠÙĦ ÙĤد ĠØ£ÙĨ Ùij سÙĬ طر ãģ¾ãģļ ãģ¯ ס ×ĵ Ñģк олÑĮко ãģ¿ãģŁãģĦ ãģª ×ĵר ×Ĵ ×¢ ×Ļ×ĵ à¹ĥหà¹ī à¸ļริà¸ģาร ĠÐĶ и ×ij×¢ ×Ļ×ķת Ġ×Ķ×Ĺ ×ķ пиÑģ ÑĮ ĠاÙĦØ® ÙĦ б ав ĠÄ° lk ĠاÙĦØ® Ùħ ĠاÙĦØ®Ùħ ÙĬس ĠÙĬ ÙĤÙĪÙħ æĻĤ ãģ® ĠsÅĤ ow ĠØ£ ÙĩÙħ Ø®ÙĦ ÙĤ ĠØ£ صبØŃ Ġchứ a Ġth ác Ùģ اÙĦ Ġch á»Ŀ ĠاÙĦØ® ار ĠاÙĦخار ج ĠاÙĦخارج ÙĬØ© Ø· ائر Ġt Ãł ĠtÃł u à¸ģล à¹īà¸Ńà¸ĩ ĠاÙĦÙħر Ø£ ĠاÙĦÙħرأ Ø© åħ¨ ãģı ĠÃĸ n çļĦ ãģ«ãģ¯ Ġpiè ce ×Ĵ ×Ļ×ij ĠاÙĦ ÙĪاÙĤع ä»Ĭ ãģ® ĠاÙĦÙħ ÙĤ cz nÄħ Ùģع اÙĦ ен ного ĠÑĦак ÑĤ ìĭł ì²Ń ĠÐŀ ни ĠاÙĦبÙĦ اد ов иÑĩ ëı Į ÑĦ ÑĥнкÑĨи Ġìĸ´ ëĬIJ ãĥķãĤ© ãĥ¼ d ÃŃ Ð¸Ð» оÑģÑĮ Ùħ Ùī ĠاÙĦØ£ÙħرÙĬ Ùĥ ĠاÙĦØ£ÙħرÙĬÙĥ ÙĬØ© ×ĺ ×Ļפ×ķ׾ íĶĦ ë¡ľê·¸ íĶĦë¡ľê·¸ ëŀ¨ Ġש ×ķ׳×ķת Ø´ ÙħÙĦ ĠпаÑĢ а Ġ×Ķ×Ĺ ×ķק ÙĪز ارة ãģ¨ ãģĻãĤĭ Ġqu ảng ĠaÄŁ ır ĠاÙĦÙĦ ج ĠاÙĦÙĦج ÙĨØ© ê¸ ´ ĠT ân ج ÙħÙĦ д ол à¹ģà¸ŀ à¸Ĺย à¹ģà¸ŀà¸Ĺย à¹Į Ġר×IJ ש×Ļ Ñī ей Ġçev re Ġкомп лекÑģ Ġ×ij ×ŀש×ļ Ġalt ın ĠØ£ عÙħاÙĦ ĠÑģво его ãĤĪ ãģĦ ×Ĺ׾ ×Ļ×ĺ ×ŀ׳ ×¢ Ġר ×ij×Ķ ĠØ£ÙĬضا Ùĭ ×ĸ ׾ ĠاÙĦسÙĬ اسÙĬ æĢĿ ãģĨ קר ק קרק ×¢ ĠاÙĦÙģ رÙĬÙĤ б иÑĤ ק ׳×Ķ ĠØ¥ ÙĨÙĩ ĠÐĴ ам Ðł Ðŀ ãĥĪ ãĥª å¿ħè¦ģ ãģª Ġch âu ç¶ļ ãģij Ġçöz üm gÅĤ ow ع ÙĤÙĦ 売 ãĤĭ i ết à¸Ĭิ à¹īà¸Ļ ĠØŃÙĤ ÙĪÙĤ Ø·ÙĦ ع ĠÄij en ĠÙĥ اÙģØ© ãģ® ãģĶ Ġë ¬ Ġë¬ ¼ Ġ물 ë¡ł Ġرس ÙĪÙĦ з ам зам ен Ġkullan ıcı ×¢ ×ķ׾ èī² ãĢħ ÑĪи ÑĢ Ġ׊ש Ġwy gl Ġwygl Äħda ש ×Ļ×ŀ×ķש å¿ĺ ãĤĮ ×¢ ×Ļצ×ķ×ij ĠاÙĦس ÙĪرÙĬ å°ij ãģªãģĦ Ġпо иÑģк สำ à¸Ļัà¸ģà¸ĩาà¸Ļ Ġ×ŀצ ×ĵ Ġmü ÅŁ ĠmÃ¼ÅŁ ter ĠmÃ¼ÅŁter i ĠÙħÙĨ ÙĩÙħ à¸ķำ à¹ģ à¸ķำà¹ģ หà¸Ļ à¸ķำà¹ģหà¸Ļ à¹Īà¸ĩ ÅĽ mie Ġש ×ł×ª Ġ×Ķ פ×Ļ פר ש ×¢×ijר ×Ļת สà¸Ļ ัà¸ļ สà¸Ļัà¸ļ สà¸Ļุ สà¸Ļัà¸ļสà¸Ļุ à¸Ļ è¨Ģ ãģ£ãģ¦ à¸ģาร à¸Īัà¸Ķ ĠMo że из аÑĨии ứ t ĠÙĪب عد ĠdeÄŁ ild ĠdeÄŁild ir Ġת ×ŀ Ġ×ŀ×ŀ ׳×ķ 話 ãĤĴ ĠÑĨ ена Ġth úc ×Ļ×ŀ ×ķף ĠB áo ãĤĴ åıĸãĤĬ å®ī ãģĦ Ġ×¢×ķש ×Ļ×Ŀ èĩªåĪĨ ãģĮ l ée ãĤĭ ãģ®ãģ§ иÑĢÑĥ еÑĤ ãģ¦ ãĤĭ ست ر ĠاÙĦØŃ ÙĬ ×Ļ׾ ×ķת Ġ×Ĺ ×ij ÙĤر Ø£ تÙħ ÙĥÙĨ س ائÙĦ prü f ãģĭ ãģijãģ¦ ĠÑģоб ÑģÑĤвенно ĠìľĦ íķĺìŬ ׾ ×Ļ×ĺ ãģĮ å¤ļãģı ÙĬت Ùĩا ç«ĭ ãģ¦ ม à¸Ńà¸ļ ìĭľ ìŀ¥ оÑĢ а Ġs avaÅŁ ×ĺ×Ļ×ij ×Ļ ×ij ׳×ķ Ùħا ذا 기 ê°Ħ ãģªãģ© ãģ§ Ġ×ŀ ת×Ĺ×Ļ׾ Ġnhi á»ħ Ġnhiá»ħ m ка ÑĢ каÑĢ ÑĤ Ġ׾×Ķ שת×ŀש ׳ ×Ļ×Ĺ Ø§Ø¯ ÙĬØ© ราย à¸ĩาà¸Ļ Ġprzy kÅĤad Ñī ий ØŃض ÙĪر Ġh ôn à Ŀ ת ×ķצ×IJ×ķת راب Ø· Ġb ếp ĠполÑĥÑĩ и åĩºä¼ļãģĦ ç³» à¸Ľà¸¥ à¹Īà¸Ńย ĠاÙĦØ´ باب اÙĩ ÙĦ ä»Ĭ ãģ¾ãģ§ رج ع ãĤ¶ ãĥ¼ ÙĤ Ùģ ĠGro ÃŁ ĠíļĮ ìĽIJ اج ر Ġ×ij×ŀ קר×Ķ Ġseg urança fü hl ãģ¦ ãģĦãģı หม à¸Ń ĠкоÑĤоÑĢ ом ĠN Äĥm ĠdÅĤ ugo ÙħÙĨ ØŃ ×©×ķ ×ķ×Ļ ĠØ£ÙĬ اÙħ ส à¸łà¸²à¸ŀ r zÄħ شر Ùĥات ãĤĴ èĢĥãģĪ д аÑĢ à¸Ľà¸£à¸° à¸Ĭุม Ġ×ķ×IJ ×ĸ i á»ĩn Ġt Æ°Æ¡i ש ×Ļ×Ĺ à¸Ń à¹Īà¸Ńà¸Ļ æĽ¸ ãģĦãģ¦ Ġng ữ ×ij×Ļ×ĺ ×Ĺ ×ij×Ļ×ĺ×Ĺ ×ķף Ġs ẵ Ġsẵ n ì§Ģ ëıĦ ĠпÑĢ еп ĠпÑĢеп аÑĢаÑĤ Ġна ÑĥÑĩ ĠÃľ nivers ĠÃľnivers ites ĠÃľniversites i Ġ×Ĵ×ĵ ×ķ׾×Ķ Ġ×Ķ ×ł×ª Ġ×Ķ×ł×ª ×ij×¢ ãģ§ãģĤ ãģ£ãģŁ Ġmies iÄħ ĠmiesiÄħ c г ÑĢам гÑĢам м Ġبش Ø£ÙĨ ĠÑħ ÑĢ ק ×Ļ×ĵ ק×Ļ×ĵ ×ķ×Ŀ Ø´ Ùĥر Ġ á»ķ Ġá»ķ n ãģĮãģĤ ãģ£ãģ¦ ãģķãĤĮ ãģ¾ãģĻ Ġ×Ĺ ×ķ×ĵ Ġ×Ĺ×ķ×ĵ ש×Ļ×Ŀ ÙħÙĪا جÙĩ ÙħÙĪاجÙĩ Ø© أش خاص ب غ à¹Ģรียà¸Ļ รูà¹ī ãģĹãģ¦ ãģĦãģı Ġs ạn å¿ħ ãģļ ׳ ×Ļ×Ĵ ׳×Ļ×Ĵ ×ķ×ĵ باÙĦ غ ׊ש×ŀ ×Ĺש×ŀ ׾ Ġnap raw Ġnapraw dÄĻ Ø´Ùĩ اد ×IJ ×ķ×Ķ ×IJ×ķ×Ķ ×ij и ÑĨÑĭ Ġ×Ķ ר׼×ij ëŀ ij Ġת ×¢ Ġ×Ķ ×Ļש Ġ×Ķ×Ļש ר×IJ Ġ×Ķ×Ļשר×IJ ׾×Ļ Ø£ ÙħÙĨ ÑİÑī аÑı sk ór LER Ä° Ġ×Ķ×IJ×Ĺר ×ķף ×¢ ׳ק ĠÙĪ ÙĥÙĦ ãģĵãģĵ ãģ§ Ġqu án liÄŁ in à¸ģà¸İ หมาย Ø· Ùħ Ø£ جÙĩ أجÙĩ زة ĠEr doÄŁan ãģ§ ãģĬ Ġв ÑĢа ĠвÑĢа Ñĩ ĠPh ó à¸Ĭั à¹Īว à¸Ĭัà¹Īว à¹Ĥม à¸Ĭัà¹Īวà¹Ĥม à¸ĩ Ġph úc ×Ļפ ×ķת ×¢×Ļ ×ķף Ġduż o ãĥģ ãĥ¼ãĥł ĠÙĬ Ùİ Ġзад аÑĩ Ġ×Ĵ×ij×ķ×Ķ ×Ķ Ġ׼ ׼׾ лож ен ét at Ġng Äĥn èµ· ãģį ĠTi ến ص عب Ġexperi ência Ø® Ùħ à¸ģาร à¸Ĺำà¸ĩาà¸Ļ س ÙĬد ĠD á»± ĠкоÑĤоÑĢ ого lad ıģı Ġkh á»ķ Ġê³Ħ ìĨį Ñī ик สà¹Īวà¸Ļ à¸ķัว з оÑĢ ÙĨ Ùı Ġ à¸Ķัà¸ĩ Ġà¸Ķัà¸ĩ à¸Ļัà¹īà¸Ļ Ġc ấu ĠÄij á»ijc о ÑĦ ĠاÙĦØ£ عÙħاÙĦ ãģªãģı ãģ¦ãĤĤ ×ķ׼ ×Ļ×Ŀ à¹ģ à¸Ľ ĠB ên ãĥ¯ ãĥ³ Ġgi ám ĠÅŀ u Ġd áng ع ÙĦÙĬ à¹Ģà¸ģ ษ à¹Ģà¸ģษ à¸ķร ÙĪج ب н нÑĭе ÙĤ ضاء à¸Ħว à¸ļ à¸Ħวà¸ļ à¸Ħุ à¸Ħวà¸ļà¸Ħุ ม ãģ¤ ãģ¤ ĠVi á»ĩc ×ŀ×ij ×ĺ ש×Ļת ×ķ×£ Ġв едÑĮ k aza kaza ÅĤ à¸ķำ รวà¸Ī ãĤ¿ ãĥ« Ġпов Ñĭ ĠповÑĭ ÑĪен ĠS ợ ĠìĦ¤ ëªħ ĠÃĩ ünkü ìĥĿ íĻľ Ö ¾ ãĤĮ ãģ¦ãģĦãĤĭ Ġ×ij ר×IJש ר ×ķ×Ĵ Ġо ÑĦи ĠоÑĦи ÑĨиалÑĮн ĠÑĥ ÑģÑĤанов ĠÑĥÑģÑĤанов лен ĠاÙĦÙħ صر ĠاÙĦÙħصر ÙĬØ© ĠÐŁÐ¾ ÑįÑĤомÑĥ ÙĨ صÙģ ĠÙĪاÙĦ ÙĨ Ġh Ãłi à¸Ħ ิ ĠApr ès ì³ IJ à¹Ģà¸ĭ ีย ×ĵ ×ŀ×Ķ activ ité à¸Ħิà¸Ķ วà¹Īา ÑĤ ÑĢен à¹Ģ ฮ ãĥı ãĤ¤ ãģĮ å¢ĹãģĪ ен наÑı Ġìĺ¤ ëĬĺ ãĥ¢ ãĥ³ Ġкон еÑĩно ĠÙħÙĤ ابÙĦ cl é Ġh ü Ġth ẳng ìłģ ìĿ´ ĠÐIJ лекÑģ ĠÐIJлекÑģ ан ĠÐIJлекÑģан дÑĢ ãĥŀãĥ³ ãĤ·ãĥ§ãĥ³ ãģ²ãģ¨ ãģ¤ ãģª ãģĬ à¹Ģà¸Īà¹īา à¸Ĥà¸Ńà¸ĩ ëĵľ 리 Ø´ اء ĠsaÄŁ lık ĠÅŁ imdi ×Ļ×IJ ׾ تأ Ø«ÙĬر Ø£ سب أسب اب ĠвÑĭполн ен л ок ש ×Ļ×ij×Ķ Ġl ắm ĠTr Æ°á»Ľc Ġ×Ķ×¢ ׾ 리 를 ĠÑĢ еж ĠÑĢеж им int é inté gr ×Ĵ ׳×Ļ ĠاÙĦØ´ عر Ġmil hões Ġpeque ño ãĤ³ ãĥ¼ãĤ¹ ×ķ׼ ×Ĺ à¹Ģà¸Ĭ à¹īา شر ÙĤ Ġh Æ°Æ¡ng รัà¸IJ à¸ļาล à¸ģล าย à¸ģลาย à¹Ģà¸Ľà¹ĩà¸Ļ Ġпод Ñħод תש ×ķ×ij×Ķ ãģıãģª ãģ£ãģ¦ ĠاÙĦØ£Ùħ Ùħ ĠH á»įc ĠwspóÅĤ pr ĠwspóÅĤpr ac Ñĩ Ñĥв ÑĩÑĥв ÑģÑĤв ÃŃst ico à¹Ģà¸ģ าะ ìĽ Ģ Ġназ ад ãĤĭ ãĤĪãģĨãģ« ĠС Ш ĠСШ ÐIJ м он ĠAs ÃŃ ×ķר ×Ĵ полн ен ×ŀס ׾ ×ŀ×¡×ľ ×ķ׾ à¹Ģลืà¸Ń à¸Ķ à¹Ģริà¹Īม à¸ķà¹īà¸Ļ ĠاÙĦØ¥ Ùħ ĠاÙĦØ¥Ùħ ارات צ×Ķ ר ãĥ¡ãĥª ãĥĥãĥĪ ĠпоÑĤ ом в из ĠÙģ ترة å¾Į ãģ® ÐĿ ÐIJ ×ŀס ר ÙĬر ÙĬ pr é Ġte ÅŁek ĠteÅŁek kür Ġöd eme د اÙĨ ãģ¾ ãģĹãģ¦ 缮 ãģ« ĠÑĤ еÑĩение l ard lard ır à¹Ģรา à¸Īะ ס פ×Ļ ĠÙĪÙĥ Ø°ÙĦÙĥ Ġh át Ġt á»Ļc à¸Ħุ ย Ġb ức ØŃ ÙĬÙĨ èģŀ ãģĦãģ¦ Ùħؤ شر ĠNh Æ° Ġмен ее ละ à¸Ħร Ñģ ин ĠÑĢ ек ĠÑĢек л ĠÑĢекл ам ĠÙģ ÙĩÙĪ Ġ׾ ×ĸ ×Ļ׳ ×ķת ĠÅŁ art ÑģÑĤав ка Ġíı¬ íķ¨ ãģ«è¡Į ãģı ï¼ Ŀ ĠпозволÑı еÑĤ Ġת×ķ׼ ׾×ķ ов ал صÙĦ Ø© Ġ׾ש ׳×ķת ĠÐĺ гÑĢ ÙħÙĨتج ات Ġsat Ä±ÅŁ Ñģ ко ĠاÙĦØ«ÙĦاث اء Ġ×Ķ×ĵ×ijר ×Ļ×Ŀ ãģĹãģ¾ ãģĹãĤĩãģĨ بÙĤ Ùī åĬĽ ãĤĴ ĠÃĩ ok ãĥģ ãĥ¥ à¹Ģà¸Ĭ ืà¹īà¸Ń ยุ à¸Ħ ศา ล Ġק×ķ×ĵ ×Ŀ ×ĸר ×Ļ×Ŀ ãģ® åł´åIJĪ ĠìķĬ ìķĺ ãģĤãĤĬãģ¾ãģĻ ãģĮ ×IJ שר è¡Į ãģı ãģ» ãģĭ æ°Ĺ ãģ«ãģªãĤĭ й деÑĤ íķĺìĺĢ ëĭ¤ ستÙħر ار ĠÐŁÑĢ е ĠÑģ боÑĢ ĠìķĦ 무 ç§ģ ãĤĤ ع ص Ġн иÑĩ ĠниÑĩ его ĠпÑĢи ем ק ×ķ×ŀ ĠìĪĺ ëıĦ Ġì ¡´ Ġì¡´ ìŀ¬ ĠØ£ Ø«ÙĨ ĠأثÙĨ اء ĠÙĪاÙĦ ØŃ ãģĮ ãģ§ãģįãĤĭ Ġת ×Ķ Ġת×Ķ ×Ļ×Ķ ר ף ĠÑģвÑıз и ×Ĵ שת Ñģп екÑĤ ס ×ij×Ļ×ij ס×ij×Ļ×ij ×Ķ ĠíķĦìļĶ íķľ ت خصص Ġж ив Ġжив оÑĤ ĠMay ıs تع ا تعا ÙĪÙĨ ĠعÙĨ Ùĩا ów ki ĠاÙĦÙģÙĦسطÙĬÙĨ ÙĬ ãģłãģijãģ§ ãģªãģı ìĿ¸ ì§Ģ ĠاÙĦس ÙĪد ĠاÙĦسÙĪد اÙĨ إجراء ات Ġkö tü Ġ×Ļ תר ×Ĵ ×Ļש×Ķ Ġצ ×ķר×ļ รà¸ĸ ย รà¸ĸย à¸Ļà¸ķà¹Į Ñħ оÑĤ Ðł ÐIJ ÙĪ Ø·ÙĨ Ġsay ısı ס ×Ĺר Ùħ ÙĪÙĦ ãĤĴæĮģ ãģ£ãģ¦ ع اÙĨ Ġt á»Ļi ĠвÑĭ ÑĪе Ġt ầm ãĥĪ ãĥ¬ ×Ļצ ×ķ ม ุม س ÙĪد ìłĦ ìŀIJ ãĤµ ãĥŃãĥ³ ìĤ° ìĹħ ĠоÑģнов ан Ø® Ùģض רצ ×Ķ بÙĬ ض ×ķÖ ¹ ס×Ļ ×Ļ×¢ Ġש ×IJ×Ļ ĠاÙĦÙĤر Ø¢ÙĨ ĠТак же ×ŀש ×ŀ×¢×ķת س ÙĩÙĦ Ġ×Ķ ׳×Ķ ãĤĴ ãģĹãģ¦ãģĦãĤĭ ×Ļ ×Ļס ×Ķ ×ķ×IJ ĠB ÃŃ Ġмал о ĠëĶ°ëĿ¼ ìĦľ Ġר ×Ĺ×ij ãģĮ é«ĺãģĦ ÙĪ اس ìĤ ¼ ׳ ×¢ ãģ£ ãģ¡ãĤĥ ĠT üm à¸Ńีà¸ģ à¸Ķà¹īวย ãģĹãģ¦ ãģıãģłãģķãģĦ ÙĨØ´ اط ãĥĹ ãĥ©ãĥ³ али ÑģÑĮ ×ĵ ×ľ×ª Ġwc zeÅĽ ĠwczeÅĽ niej ĠÑįÑĤ им Ġthá»ĭ t à¸ļ ัà¸į à¸ļัà¸į à¸Ĭี ãģļ ãģ£ãģ¨ ÑĢ ин Ġswo jÄħ íķĺëĬĶ ëį° Ġë§Įëĵ¤ ìĸ´ تش Ùĥ تشÙĥ ÙĬÙĦ ائ Ùĩ Ġ׾פ ×Ĺ×ķת ãĥĭ ãĥ¥ ãĥĭãĥ¥ ãĥ¼ãĤ¹ ׼×IJ ף ãģ§ãģį ãģŁ зв он Ġsta ÅĤ ×Ĺ×ijר ת×Ļ ĠØ£ عÙĦÙĨ à¹ģà¸ļà¸ļ à¸Ļีà¹ī بد Ø¡ ãĤģ ãģŁ Ġ×ŀש ×ŀ×¢×ķת Ġ×ŀש×ŀ×¢×ķת ×Ļ ör ü Ġh ạnh z ähl ĠL ý Ġ×ij ×Ķת Ġ×ij×Ķת ×IJ×Ŀ б аÑĢ ì¦ Ī ä»ĬåĽŀ ãģ® Ġy ü Ġyü ks Ġyüks el ãĤ½ ãĥ¼ ãģĤ ãĤĮ ת ׾×ŀ×Ļ×ĵ ãģ¤ ãģª ×ij ׳×Ļ×Ŀ Ġx ếp ĠмÑĥж Ñĩин ĠاÙĦÙĥ تاب ׼ ×ŀ×ķת Ġç e Ġçe ÅŁ ĠçeÅŁ it ĠçeÅŁit li ×ĵ ×Ļר×ķת à¸ļุ à¸į ĠاÙĦØ¥ ÙĦÙĥ ĠاÙĦØ¥ÙĦÙĥ ترÙĪ ĠاÙĦØ¥ÙĦÙĥترÙĪ ÙĨÙĬ ĠباÙĦØ¥ ض ĠباÙĦإض اÙģØ© Ġyö nel Ġyönel ik mys ÅĤ à¸Ķà¹īวย à¸ģาร à¸ģาร à¸Ĺำ ов Ñĭм Ø£ زÙħØ© æİ¢ ãģĹ íļ ¨ Ġ×ķ×IJ ×Ŀ Ġnghi êm ÑĪ ин ка л Ġcrian ças èĩªåĪĨ ãģ§ Ġн ай Ġнай ÑĤи ĠS á»ij ĠÃ¶ÄŁrenc iler ãĥ¶ æľĪ Ñģ ан ĠJ á ĠkonuÅŁ ma شر Ø· ëĪ Ī ar rière ضر ÙĪرة ãĥĶ ãĥ³ ×¢ שר аÑĢ ÑĮ جÙħ اع Ġdé co Ġ×Ļ×Ķ ×ķ×ĵ×Ļ à¸ŀ ลาà¸Ķ ĠÙĬ ÙĥÙĨ Ġج اÙħعة Ø· بÙĤ Ġbo ÅŁ ×ķ ×ķ×IJ ×ŀ×ĵ ×¢ ק×ij×ķצ ת פ ×Ļר jÄħc ym ÙħØ´ ا Ùħشا ÙĥÙĦ צ פ×ķף Ø¥ ست ×ŀ׼ ר سÙħ ع Ġкак ой ÑĤ воÑĢ ØŃ Ø¬ Ùģر ض пÑĢав лен Ġник ак Ġmi á»ĩ Ġmiá»ĩ ng ü ÃŁ иÑĢов ал ׾ ×ŀ×ķת 次 ãģ® ÙĦ Ø· à¸ķ ัà¸Ļ ×Ķ ת×Ĺ×Ļ׾ Ġfoto ÄŁ ĠfotoÄŁ raf طر ØŃ à¸Ńà¸Ńà¸ģ à¹Ħà¸Ľ Ġy ên Ġп ок Ġпок Ñĥп ĠпокÑĥп а ÑĨ Ñĥ Ġкомп ÑĮÑİ ĠкомпÑĮÑİ ÑĤеÑĢ ĠاÙĦÙĥ رÙĬÙħ تص Ùħ تصÙħ ÙĬÙħ Ġоказ а Ġzar ówn Ġzarówn o ëĮĢ ì¶ľ ãĤ»ãĥ³ ãĤ¿ãĥ¼ Ġjako ÅĽci æĤ © æĤ© ãģ¿ Ø£ÙĨ ÙĪ Ø£ÙĨÙĪ اع ë¹ ł Ġìłķ ë§IJ Ġk ẻ ĠÑģай ÑĤа Ġ×Ķ ער×ij Ùĩ ز pres ión ĠÑģÑĤ ен ãģ£ãģ¦ ãĤĭ Ġhız lı Ðļ ÐIJ ×ŀשפ ×Ĺת ĠÙĨ Ùĩا ĠÙĨÙĩا ÙĬØ© ãģ¾ ãģĦ о ÑħÑĢан ร à¹īà¸Ńย ล ึà¸ģ ĠÙĪب اÙĦ ãĤĤãģ® ãģĮ ר׼ ×Ļ×ij ãĤ¤ ãĥ¤ س ؤ سؤ اÙĦ ĠÙĦØ£ÙĨ Ùĩ ĠkonuÅŁ tu Ðļ ÑĥпиÑĤÑĮ Ġש×IJת ×Ķ ĠÙĪاÙĦ س Ġmożliwo ÅĽci Ġpró b ëĶ ° ãģ© ãĤĮ ĠÐľ ин ĠоÑĢганиз м ãģ«å¯¾ ãģĻãĤĭ ĠPr é Ġpriv é ch è ãģĦãģŁãģł ãģį สà¸Ļุ à¸ģ ajÄħ ce ĠD zi ĠDzi ÄĻki ÅĤat w r än rän k æĿ¥ ãģŁ Ġ×Ķ×Ļ×Ķ ×ķ×ĵ×Ļ ãĤ¬ ãĥ¼ ĠÑĢаР´ ĠÑĢад и к ÑĤив Ø£ Ùĩد Ø£Ùĩد اÙģ ש ×IJ×Ļר ãģ¦ ãģĦãģªãģĦ Ġfr üh Ġок ол Ġокол о Ġreg ião ĠÑĩиÑģ ле Ġpon iew Ġponiew aż ìĦ¼ íĦ° Ġb ầu Ġê · Ġê· ľ Ġê·ľ ìłķ ĠH òa ĠÑĤ оÑĤ ãĤĤ å¤ļãģĦ ĠاÙĦإسÙĦاÙħ ÙĬØ© ãģĭ ãģĦ Ñį н ĠÑĥказ ан ĠÑĤак ое ï¼ ³ ëĮĢ íķĻ Ġgen iÅŁ ĠاÙĦØ® ÙĬ ĠاÙĦØ®ÙĬ ارات ãĤĴè¡Į ãģĨ ש ×ŀ×Ķ ĠLÃł m ÙĪÙĨ ÙĬ Ġ×IJ ׾×Ļ×ķ Ä ĺ à¹Ħมà¹Ī สามารà¸ĸ 人 ãģ¨ بر ز ×Ļס ×ķ×ĵ ×Ĵ ׾×Ļ ĠÙĬ ÙĨا ĠÙĬÙĨا ÙĬر ĠкаÑĢÑĤ ин Ġt ôn à¹Ģ à¸ģร à¸Ħ à¸Ķี Ġ׾×IJ ×ķר×ļ ãĤĤãĤī ãģĨ ãģĭ ãģĭãĤĭ ани и Ġara ÅŁtırma ÙĦاØŃ Ø¸ ãģĦ ãĤĦ ĠT Ãłi Ġ à¸Ļà¸Ńà¸ģà¸Īาà¸ģ Ġà¸Ļà¸Ńà¸ģà¸Īาà¸ģ à¸Ļีà¹ī ĠÄIJ ảng ãģ£ãģ¦ ãģįãģŁ Ġà¸ĭึà¹Īà¸ĩ à¹Ģà¸Ľà¹ĩà¸Ļ Ġt ả Ġmożliwo ÅĽÄĩ ĠS ản ĠÄ° ki Ġc ắt س Ø£ÙĦ Ġbak ım Ø´ ب à¸ķ ีà¹ī à¸ŀ ยาย à¸ŀยาย าม สั à¸Ľ à¸ªà¸±à¸Ľ à¸Ķา à¸ªà¸±à¸Ľà¸Ķา หà¹Į ë° Ģ еÑĢ Ñĭ Ġc ánh Ġthu ế ت بع ãģ«åħ¥ ãĤĮ Ñİ ÑģÑĮ íļĮ ìĿĺ ç°¡ åį ç°¡åį ĺ ç°¡åįĺ ãģ« Ġtr úc ĠاÙĦÙĥ ÙĪÙĬ ĠاÙĦÙĥÙĪÙĬ ت ãĤıãģij ãģ§ãģĻ ĠÑģв об ĠÑģвоб од ĠÑĥÑĩаÑģÑĤ ник สิ à¹īà¸Ļ ĠпÑĢо ÑĦеÑģÑģиона ĠпÑĢоÑĦеÑģÑģиона лÑĮн Ñģп оÑĢ ×Ĺ ×ķ×ij×Ķ Ùħع ÙĨÙī ĠاÙĦÙģ ترة สูà¸ĩ สุà¸Ķ ãĤı ãģļ ĠÄij è ĠÄijè n æ¯Ķ ãģ¹ า à¸ĺิ Ġmoż emy à¹ģ à¸ĭ à¸Īะ à¹Ħมà¹Ī Ġs ắp Ðļ Ðŀ Ġprá ctica ÙĪÙĥ اÙĦØ© è¾¼ ãĤĵãģ§ ológ ica Ġе Ñī ĠеÑī Ñij تع دÙĬÙĦ ĠØ£ Ùĥد Ġצר ×Ļ׼ Ġצר×Ļ׼ ×Ļ×Ŀ Ø« Ùħ Ġк ÑĢÑĥ ĠкÑĢÑĥ п ×ij×Ļק ×ķרת Ġì¡° ê¸Ī ãģ¨ãģį ãģ¯ Ġb ạc ĠÑĢаÑģ пол ĠÑĢаÑģпол ож ĠÑĢаÑģполож ен ز ÙĬÙĨ ĠÐļ ÑĢоме ĠاÙĦÙĨ ظر ×Ķ ×ķ×ĵ ĠاÙĦس بت ãģ¨æĢĿ ãģĦ Ġpa ÅĦst ĠpaÅĦst w ĠÙĦÙĬ ست ĠбÑĥд Ñĥ à¸Ĺัà¸Ļ à¸Ĺี ร าม ØŃ ØµÙĪÙĦ ãģĹãģ¦ãģıãĤĮ ãĤĭ ĠاÙĦØ¥ سرائÙĬÙĦ ĠاÙĦإسرائÙĬÙĦ ÙĬ ãģĵãĤĮ ãģ¾ãģ§ ìĤ¬ 를 Ġs ürü à¹Ģว à¸Ńรà¹Į à¹Ģà¸ĭ à¸Ńรà¹Į Ġutilis é ĠÑģиÑģÑĤем а Ġdw ó Ġdwó ch Ġpróp rio Ġëĵ± ìĿĦ arr êt ĠЧ а ×IJ×ŀ ׳×ķת عار ض à¹Ģà¸ģม สà¹Į Ġ׾×Ķ ×ij×Ļף Ġ׾ ×ij×Ĺ Ġ׾×ij×Ĺ ×ķר สา à¸Ĥา ĠÐľÐ¾Ñģк ве ب عد ĠاÙĦÙĤر ار ĠÄIJ á»ĭa Ġ×Ĺ ×Ĵ Ùģ تر ÙĪÙĨ Ø© Ġ×Ķ×ĸ ×IJת å¸Ĥ ãģ® ãģ» ãģĹãģĦ Ġ×ij×¢ ×Ļר ĠÑĤеп еÑĢÑĮ ìĬµ ëĭĪê¹Į à¹Ħม à¹Īว à¹Ħมà¹Īว à¹Īา à¹Ħมà¹Īวà¹Īา à¸Īะ ×ŀ ×IJ×Ķ æĥħ åł± æĥħåł± ãĤĴ غ ÙĨ Ġпо Ñı ĠпоÑı ви éģİ ãģĶ تش غ تشغ ÙĬÙĦ в ел Ġ×Ĺ ×ŀ ãģ¨ãģªãĤĬ ãģ¾ãģĻ Ġra ÄŁ ĠraÄŁ men ãģĭ ãģ©ãģĨ ãģĭãģ©ãģĨ ãģĭ ен ко ì§Ģ ê³ł Ġ×IJ׾ ×Ļ×Ķ ĠØ£ ÙĦ à¸Īำ หà¸Ļ à¸Īำหà¸Ļ à¹Īาย nız ı Ġ׾ק ×Ĺת Ø£ ÙĩÙħ Ø£ÙĩÙħ ÙĬØ© ت غÙĬر ש ×Ĺר ס×ķפ ר ×ĵ ×Ļר èī¯ ãģĭãģ£ãģŁ ×ŀ׾×Ĺ ×ŀ×Ķ ÑģÑĤв ие ÑĤ ÑĢаÑĤ ĠاÙĦØ£ Ø® ĠاÙĦأخ ÙĬرة ĠاÙĦØŃ ØµÙĪÙĦ Ġcréd ito צ ×Ļ×¢ ãĥ¬ ãĥĻãĥ« بر ÙĬ ëIJ IJ ãģł ãģ£ãģ¦ Ġreal tÃł س Ùģر ×ķ׳ ×ķ ×Ĵ ×ķ×ĵ ×Ĵ×ķ×ĵ ׾ ฮ า ãģĹãģ¦ ãģĬãĤĬãģ¾ãģĻ Ġg Ãł Ġ׾×ij צע å¼ķ è¶ĬãģĹ Ġ×ŀ ×Ļ׾×Ļ Ġ×ŀ×Ļ׾×Ļ ×ķף Ùħ در Ùħدر سة פ ×ķ×ĺ à¸Ļà¹īำ มัà¸Ļ ëģ Ŀ ع Ùĥس ĠÙĤ ض ĠÑĢÑĭ б خط Ø· ×ŀ×ķס ×ĵ Ġ׼׾ ׾×Ļ ĠкоÑĤоÑĢ ое צ×Ļ ×ķף ĠмеÑģÑĤ а ãģĭ ãģ¤ г ÑĢÑĥпп ׾ ×Ļ׾ ת ×ķ×IJר ë³µ ì§Ģ à¹ģà¸ľ à¹Īà¸Ļ Ġ×ij×¢ ת æĻĤéĸĵ ãĤĴ ï¼ £ ãģ¨ãģĦãģĨãģĵãģ¨ ãģ§ Ġ׾×Ķ ק Ġ׾ ×ĸ×Ķ ĠìłĢ ëĬĶ ĠاÙĦØ¥ رÙĩاب ĠìŀĪëĬĶ ëį° ĠÑĤ огда Ġ×Ķ צ×Ļ ×ķ׾ ×ĺ Ġר פ×ķ×IJ×Ļ ãģĵãģ¨ ãģ§ãģĻ ĠÄij ÃŃch ØŃ ÙĬا Ġ×Ķ×ŀש ×Ĺק ãģľ ãģ² Ġ×ŀ×IJ פשר ãģ¿ ãģ¾ãģĹãģŁ ĠاÙĦØ£ÙħÙĬر ÙĥÙĬ Ùħج تÙħع Ġس اب Ġساب ÙĤ ׼ ×Ļ׾ Ạ¾ ãĥª ãĤ¹ãĥĪ Ġì ĥ Ġìĥ Ī ĠìĥĪ ë¡ľ ĠìĥĪë¡ľ ìļ´ ĠD á»ĭch à¹Ģหมาะ สม ĠاÙĦÙĨ بÙĬ ׾ ׾ ÙĨ ع Ðĵ лав Ðĵлав наÑı Ùħر ض Ġ×ķ ×ĵ ت ÙĤÙĬ تÙĤÙĬ ÙĬÙħ Ġb ảng ĠÙģ ÙĤاÙĦ ×¢ ×ŀ×Ļ д ÑĢа Ġsu á»ijt سر عة Ġc á»Ń Ġ×Ķ ×Ļ×Ĺ×Ļ×ĵ سع ÙĬد à¸Ńา à¸Ĭีà¸ŀ Ġس ÙĪاء ãĤ½ ãĥķãĥĪ Ġл иÑĩно ĠÐļ оÑĢ اÙĩ تÙħ اÙĩتÙħ اÙħ à¸Ń à¸Ķี à¸Ńà¸Ķี à¸ķ ãģIJ ãĤīãģĦ Ġiht iya Ġihtiya ç ãģ¾ãģ§ ãģ® ìĭľ ìĬ¤ ìĭľìĬ¤ íħľ ÑĢÑĥ ÑĪ ãĤĦ ãģ£ãģ± ãĤĦãģ£ãģ± ãĤĬ к еÑĢ Ġ ży Ġży w кл он Ġl ượt à ¾ да Ñĩи tür k غ ÙĪ ĠигÑĢ ок Ġph ê Ġש ×¢×ľ ĠاÙĦÙħ دÙĨÙĬ ĠìŬ룬 ë¶Ħ ער ×Ļ×Ŀ Ñħод ÑıÑĤ Ġx ứ ÐĹ Ð° ĠÙģ رص à¸Īะ à¸Ĺำà¹ĥหà¹ī íģ ´ ×¢ ×ij×ķר à¹Ģหลà¹Īา à¸Ļีà¹ī èĢĥãģĪ ãĤĭ ÑĢ еÑģÑĤ н нÑĭй Ġc ầm دا Ø®ÙĦ ĠÙħÙĦÙĬ ار ĠÐIJ л ĠвÑĢем ен à¸Ĭà¹Īวย à¹ĥหà¹ī ר×Ļ ×ķת ëĵ ¯ 飲 ãģ¿ ׳ ׾ שת ×£ ĠاÙĦسعÙĪد ÙĬ u ÃŁ ìĿ¸ ëį° ĠìĿ¼ ë°ĺ ÅĤ ÄĻ Ġm á»iji ×ŀ ×Ļ׳ ĠاÙĦØ£ Ø·ÙģاÙĦ Ġçı kan é cole ק ×Ļש ק×Ļש ×ķר ĠоÑģ ÑĥÑīеÑģÑĤв ĠоÑģÑĥÑīеÑģÑĤв лÑı ×ij ×IJר à¹Ħà¸Ľ à¸Ķà¹īวย Ġ×¢ ×ķ׾×Ķ à¸ģà¹ĩ à¹Ħมà¹Ī ãĥ¢ ãĥĩ ãĥ¢ãĥĩ ãĥ« تØŃ ÙĪÙĦ Ġод ного ת×Ĺ×Ļ׾ ת Ġت Ø® Ġch cia Ġchcia ÅĤ ãĥIJ ãĥ³ èĢħ ãģ¯ ĠÙħ ØŃÙĦ Ñģл ож Ñģлож н Ġt ÄĻ Ġçı kt Ġçıkt ı ĠC Æ¡ à¹Ħà¸Ķà¹ī à¹Ģลย ır ken à¹Ģà¸Ĥà¹īา สูà¹Ī ÙħØŃ Ùĥ ÙħØŃÙĥ ÙħØ© à¸Ħุ à¹īม à¸Ļà¹Īา à¸Īะ лÑİ Ð´ де ÑģÑı деÑģÑı ÑĤ ĠлÑİб ой تØŃر ÙĬر צע ×ĵ Ġе Ñij ĠاÙĦØŃ ÙĥÙħ Ġص باØŃ à¹Ģà¸ļ à¸Ńรà¹Į Ġróż nych ги б ĠÑģ оÑĤ ĠÑģоÑĤ ÑĢÑĥд ĠÑģоÑĤÑĢÑĥд ник ĠобÑĬ ем פ ×ĺר ãģĻãģĶ ãģı ãģ«éĸ¢ ãģĹãģ¦ в ол Ø« ÙħاÙĨ Ġd ần æĬ ľ æĬľ ãģij Ġ×¢ ש Ġעש ×ķ×Ļ ס ×ķף ãģªãģ® ãģ§ãģĻ ãģ¯ ãģ©ãģĨ ×ŀ×¢ ר×ij ï¼ ° Ùħ صر ÙħÙĨ اسب ÙħÙĨاسب Ø© ä¸Ĭ ãģ® ×IJ×Ļש ×ķר ĠìĦ¤ ì¹ĺ ×ŀ×ĵ×Ļ׳ ×ķת ×ŀר ת ãĤĭ ãģ®ãģĮ د Ùİ ĠاÙĦشر Ùĥات ìĭľ ê°Ħ ĠÑĢеÑĪ ение ãģĻãĤĭ ãģ®ãģ¯ ĠìŀIJìĭł ìĿĺ ׾ ×ŀ×ķ ãģ¨ãģĵãĤį ãģ§ Ġק צר Ġmã i Ġkü ltür ãĥ©ãĤ¤ ãĥĸ à¸ľà¸¹à¹ī หà¸įิà¸ĩ æĻĤéĸĵ ãģĮ клÑİÑĩ и diÄŁ iniz มาà¸ģ à¹Ĩ تØŃ ÙħÙĦ Ġh ạt ãĤ¦ ãĤ£ п ле ×ŀ ׾×IJ ÅĤ ó Ġg á»ijc Ġ×IJ ×ķ×ĵ×ķת หว าà¸Ļ ĠاÙĦ ÙĪز ĠاÙĦÙĪز راء ëĵ¤ ê³¼ Ġص ØŃ ĠصØŃ ÙĬÙģØ© Ġм м تد Ø®ÙĦ Ġpersön lich Ġز ÙĬ ĠزÙĬ ادة ãĤ· ãĤ¢ Ġng ắn à¸Ħล ิà¸ģ Ġs ông Ġtü ket Ñį ÑĦÑĦ ÑįÑĦÑĦ екÑĤ ש ×Ļ×ij Ġا عت ت ض تض ÙħÙĨ ĠاÙĦÙħØ´ رÙĪع Ġprodu ção ĠпÑĢимен Ñı ни ÑĨÑĭ 주 ëĬĶ ر Ùı Ġm Æ¡ Ġhayat ı ëŁ ½ Ġü cret Ġyan ında Ġpr ática ×ij×Ļק ×ķר Ãľ N Ñģ оÑĤ ãĤıãģij ãģ§ Ġдол го ת ׼×ķ ĠìķĦ ëĭĮ ë į°ìĿ´ Ġç iz Ġcho Äĩ Ġ×Ķ ×Ļת Ġ×Ķ×Ļת ר Ġso át ׼ ×ij×ĵ à¹Ģล à¹Īา Ġд еÑĢ ĠдеÑĢ ев ãĤĴ åħ¥ãĤĮ ×Ĺ ×ķס ×Ĺ×ķס ר ج ÙĬÙĨ t ón onn é Ġпол ноÑģÑĤÑĮÑİ äºº ãģŁãģ¡ Ġpr êt ëł ¸ Ġdéc embre cı lar Ġת ת Ġê²½ìļ° ìĹIJëĬĶ ÙĪ عد è¦ĭ ãĤĭ วิ à¸Īัย ë ¶Ī ز ÙĪا زÙĪا ج d ì ãģ§ãģĻ ãĤĪ Ġвод о ĠÙĬ ÙĪجد Ñģ оÑģÑĤоÑı Ðŀ С ĠÄIJ ó ׊פש Ġצ ×Ļ×ij×ķר ĠاÙĦÙĤ Ø· ĠاÙĦÙĤØ· اع Ġиме ÑİÑĤ Ġph áºŃn ×Ľ×¡ פ×Ļ полн иÑĤелÑĮ éĻIJ ãĤĬ ĠÑģ ÑĢав ĠÑģÑĢав н ÙħاÙĦ Ùĥ ×ĵר ×ķ×Ŀ çļĨ ãģķãĤĵ ØŃÙĤ ÙĤ à¹ģหล à¹Īà¸ĩ ĠاÙĦر سÙħÙĬ оÑĩ ки ×ĺ ×ij×Ĺ Ġcan lı Ġ׾ ׾ Ġ׾׾ ×ŀ×ķ×ĵ ×ŀ×ij ×ķ ת ׼ ×ª×Ľ ׳×Ļת ĠاÙĦÙħ شار ĠاÙĦÙħشار ÙĥØ© Ä° Åŀ ĠسÙĬ اسÙĬ в олÑĮ ĠÑģ пÑĢав æĿ¥ ãģ¦ פ×ķר ×ķ×Ŀ สำ à¹Ģรà¹ĩ สำà¹Ģรà¹ĩ à¸Ī ĠÅŁ öyle Ġzosta ÅĤa ĠH ü ר ×ķש د ÙĦÙĬÙĦ ÑĢи д ש ף ×ŀק ×ķר ĠÑĥ Ñĩ ĠÑĥÑĩ еб ĠÑį ÑĤа ков а à¸ķà¸Ļ à¹Ģà¸Ńà¸ĩ ÙĨ ÙIJ à¸Ńีà¸ģ à¸Ħรัà¹īà¸ĩ ระ à¸ļุ Ġd ữ ĠاÙĦØŃ Ø§ÙĦÙĬ ׼ ×ķ׼ ׼×ķ׼ ×ij Ġ×ŀ×IJ שר Ġtr ụ ÑĤел ем Ġв ли Ġвли Ñı Ġש×IJת ×Ŀ Ġuw ag Ġuwag ÄĻ ×ĺ ×Ļת ×IJ ×ĵ×Ŀ à¸Ķ ุ Ġ×Ķ×IJ ׾×Ķ Ġkar Ä±ÅŁ ĠÄIJ á»iji да ÑİÑĤ ãģªãģ® ãģ« Äħ cych à¹Ģà¸Ļ à¹īà¸Ļ ãģĹãģ¦ ãģĹãģ¾ãģĨ int érieur ĠfÃŃs ica ĠÐŁ ол ãģĹãģ ķ à¸Ĺำ à¹Ħม ĠL âm ĠاÙĦÙħ سÙĦÙħ ĠاÙĦÙħسÙĦÙħ ÙĬÙĨ ص ØŃØ© ìĹ Ħ à¹Ģà¸Ķà¹ĩ à¸Ķ ĠÑĥ ÑĩеÑĤ â Ìģ Ġب ÙĦا ĠاÙĦاجتÙħاع ÙĬ פרס ×Ŀ ãĥķ ãĥ© ĠÐļ огда mie ÅĽci ĠبÙĬÙĨ Ùħا Ġ×ŀ×IJ ×ŀר×Ļ×Ŀ Ġ×ij×IJ ×ĸ×ķר ×ķש ×Ļ×Ŀ ĠÑģдел а entr ée à¹Ģ à¸Ħà¹īา Ñĥг л ĠاÙĦÙģ ÙĨÙĬ ĠÐĴ оÑĤ à¸Ĺีà¹Ī มา ×ķצ ×Ĵ ÙĤد رة Ġëª © Ġ목 ìłģ íıī ê°Ģ ĠاÙĦØ£ ربع ĠاÙĦأربع اء פס ×Ļק ĠÑıвлÑı ÑİÑĤÑģÑı ب ÙĪÙĨ ì° ¾ ×ŀ×¢ ר׼ ×ŀ×¢×¨×Ľ ×ķת ãĤ· ãĤ§ ĠباÙĦ Ø£ íĸĪ ëįĺ ĠاÙĦبر ÙĨاÙħج ĠاÙĦØ£ ØŃد Ġm Å© ĠmÅ© i п аÑĤ ب Ø« ĠÑĨ енÑĭ Ġ×ijת ׾ è¨Ģ ãĤıãĤĮ ĠاÙĦÙħ جاÙĦ ĠìĦ¸ ìĥģ Ġ×Ĵ ×ķפ ĠнаÑĪ ей Ġкомп аниÑı б ин öl ü ×Ļ ×Ļ×ĺ Ġ×ŀס פ×Ļק ยัà¸ĩ à¸Ħà¸ĩ ĠЧ и Ġан ÑĤи ĠÑģÑĢед и สà¹Īวà¸Ļ à¹ĥหà¸įà¹Ī оÑĩ ка íĬ¹ ë³Ħ ว à¹Īาà¸ĩ гоÑĢ од با Ùĥ à¹Ģส ีà¹Īย à¹Ģสีà¹Īย à¸ĩ ãĤĤãĤī ãģĦ ק ×ķ×Ŀ ãģĽ ãģļ ĠاÙĦÙĤ اÙĩرة Ġ×ij ׼×ļ Ùħشار ÙĬع باØŃ Ø« Ġпо Ñĩ ĠпоÑĩ ÑĤи ĠÑĦоÑĢм а S Ä° Ġ×ŀצ ×Ļ×¢ ล ื ลื ม ĠÑĤ еÑĢ ĠÑĤеÑĢ ÑĢиÑĤоÑĢ ĠÑĤеÑĢÑĢиÑĤоÑĢ ии Ġв меÑģÑĤ ĠвмеÑģÑĤ е dıkl arı op ération à¹Ĥ ห ص دÙĬ صدÙĬ ÙĤ íĸī ìłķ تج ا تجا ÙĪز Ġsu ç Ġar ty Ġarty ku Ġartyku ÅĤ ãĤ·ãĥ§ ãĥĥãĥŠש פ שפ ×Ļ×¢ Ġ×Ķש ×Ļר×ķת à¹ģà¸ĸ ม ë¸ Ķ Ġuk ÅĤad Ġ×ķ ׼×Ļ หล าà¸ģ หลาà¸ģ หลาย æĸ¹ ãĤĤ Ġpodr óż ĠE ÄŁer Ġком наÑĤ ĠÑģам ÑĭÑħ Ġв кÑĥÑģ б еж Ġ×ij ק×ķ æİĽ ãģij ãģ¿ ãĤĭãģ¨ ĠiliÅŁ kin ĠÙĬ عÙħÙĦ Ġпод аÑĢ Ġyaz ılı ãĤĴ å¾Ĺ Ġwyst ÄĻp à¸Ĺีà¹Ī à¹ĥà¸Ĭà¹ī ØŃاد Ø« ÙĪ ÙĬد кÑĥ лÑĮÑĤ кÑĥлÑĮÑĤ ÑĥÑĢ à¸ģาร à¹ģà¸Ĥà¹Īà¸ĩ à¸ģารà¹ģà¸Ĥà¹Īà¸ĩ à¸Ĥ à¸ģารà¹ģà¸Ĥà¹Īà¸ĩà¸Ĥ ัà¸Ļ ÙħÙĪ ظ ÙħÙĪظ Ùģ ÙĬÙħ ÙĬ ãĤĵãģ§ãģĻ ãģĮ diÄŁ im diÄŁim iz ĠÐŁ еÑĢ ĠÐŁÐµÑĢ в Ġm ão ĠÑģ ез ĠÑģез он Ġ×Ķ×ŀ ×¢ Ùħ جÙħÙĪعة ĠинÑĦоÑĢм аÑĨии i ếc ã ng ĠÄij ấy ãģĶ ç´ ãģĶç´ ¹ ãģĶç´¹ ä»ĭ Ġad ım à¹Ħ หล Ġп ÑĢакÑĤи ĠпÑĢакÑĤи Ñĩ ĠпÑĢакÑĤиÑĩ еÑģ ĠпÑĢакÑĤиÑĩеÑģ ки ĠاÙĦÙĨ Ùģس ĠÑĢабоÑĤ е ÙĦÙĬ Ùģ ĠاÙĦجÙĨ ÙĪب Ġвод Ñĭ ì¹ Ļ Ġм иÑĢа ĠÄij ừng ĠпÑĢоÑĤив о ĠÑģÑĤÑĢан Ñĭ ล ู ìĤ ¶ kre ÅĽl Ġbul und Ġbulund uÄŁu à¹ģ สà¸Ļ ãĤ± ãĤ¢ ת×Ĺ ×ķ×ŀ×Ļ ר׼ ×Ķ Ġ׾ק ×ķ×Ĺ Ġ׾ק×ķ×Ĺ ×ķת Ġ×Ľ×ª ×ķ×ijת ĠÙĦ ÙĥÙħ ب شر Ġr Ãłng Ġ×ŀ×Ķ ×ŀ Ġ×IJ×Ĺר ×ķת Ġб он Ġбон ÑĥÑģ ï½ Ĺ à¹ģ ยà¸ģ ãģĤãģªãģŁ ãģ® ĠÑĥÑĩаÑģÑĤ ие ĠE yl ĠEyl ül ĠçalÄ±ÅŁmalar ı Ø® طر ìĿ ½ à¸ģาร à¹ĥà¸Ĭà¹īà¸ĩาà¸Ļ Ġана лиз תק ×ij׾ ни ем ĠÄ° ns ĠÄ°ns an ĠبÙĪ اس ĠبÙĪاس طة Ġ׳ ×Ľ×ł×¡ Ġ×Ķ×ŀ ×Ļ×ĵ×¢ Ġç o Ġço ÄŁu á» ĺ ĠêµŃ 민 ãĤĤ ãģĦãģĦ Ġ׼ ׾×Ļ ĠÑģÑĢед не g ÅĤo gÅĤo ÅĽ Ġneg ó Ġnegó cio ĠÑĢ егиÑģÑĤ ĠÑĢегиÑģÑĤ ÑĢа ĠÑĢегиÑģÑĤÑĢа ÑĨии Ġtr á»ĵng ĠпÑĢ Ñı ĠпÑĢÑı мо ëłĪ ìĿ´ Ġk ém к ле à¸Ļำ มา ĠÑĦ ин ĠÑĦин анÑģ ĠÑĦинанÑģ ов Ġki á»ĩm ยัà¸ĩ à¹Ħ ยัà¸ĩà¹Ħ à¸ĩ ย ิà¸ĩ à¹Ĥ à¸Ľ ĠполÑĥÑĩ ил ×Ļ×ĸ ×Ŀ à¹ģละ à¸Ħวาม Ġво обÑīе ص ÙĬر ãĥı ãĥ³ ĠاÙĦÙĤ اد ĠاÙĦÙĤاد Ùħ Ġب دÙĪÙĨ ع ظÙħ ת ׳×ķ×¢ ×ª×ł×ķ×¢ ×Ķ Ø£ ÙħÙĦ ãģķ ãģĪ ÑĤ ем ÑĤем пеÑĢ ÑĤемпеÑĢ аÑĤÑĥÑĢ Ġ׾ ×Ļצ×ķר Ġr ÄĻk ر سÙĦ ìŀIJ 를 Ġ×Ļצ ×Ļרת ÙĨ بÙĬ Ñĩ наÑı تØŃ ÙĦÙĬÙĦ Ġм ик Ġмик ÑĢо ĠS öz Ġfor ça Ñģ он ĠاÙĦع را ĠاÙĦعرا ÙĤÙĬ ĠH á»ĵng ãģĻãĤĭ ãģŁãĤģãģ« à¸Ĺีà¹Ī à¸Ńยูà¹Ī Ġ×ķ×IJ ×£ ص ÙĬد ĠìķĬ ê³ł ร ัà¸ĩ ĠاÙĦت ÙĪاصÙĦ à¹Ģม à¸ķร Ñĥ ÑģÑĤÑĢой ÑĥÑģÑĤÑĢой ÑģÑĤв m ıyor Ġبا سÙħ Ġ×ķ ׼×ķ ĠG ül á» IJ Ãī tat غ اÙĦ Ø¥ ÙĨØ´ Ø¥ÙĨØ´ اء T Ä° à¸Ĥà¹īา ม Ġtro ch Ġtroch ÄĻ Ø¥ ص إص ابة ĠØ« اÙĨÙĬ ĠاÙĦص ØŃØ© Ġ×ĸ×Ķ ×ķ jÄħ cej ãĥĢ ãĥ³ ìĿ¸ ìĿ´ Ġв олоÑģ ëIJĺ ë©´ Ġzak ÅĤad ãģĻ ãģĵãģ¨ 以ä¸Ĭ ãģ® Ġ×Ķ×ŀק ×ķ×Ŀ ÙħØ´ اÙĩ ÙħشاÙĩ دة Ñĩ ив ب Ø´ ย à¹īาย Ġsür dür ĠN ẵ ĠNẵ ng ĠигÑĢ аÑĤÑĮ Ġê·¸ëŁ¬ ë©´ ãĥķ ãĥ« ล à¹Īะ Ġtend rá Ġb Ãły à¹Ģà¸Ľà¹ĩà¸Ļ à¸ľà¸¹à¹ī Ġok o Ġoko ÅĤo w ÅĤa wÅĤa ÅĽci wÅĤaÅĽci w æĢĿ ãĤı ĠYa ÅŁ ĠB á»ĩnh íı Ń Ø¨ÙĬ د קר ף à¹Ģศ ร à¹Ģศร ษ à¹Ģศรษ à¸IJ à¹Ģศรษà¸IJ à¸ģิà¸Ī ĠاÙĦØ£ ÙĪرÙĪ ĠاÙĦØ£ÙĪرÙĪ بÙĬ fl äche ä¹Ĺ ãĤĬ Ġb á»ģn Ùĩ ب æľĢ ãĤĤ Ġsa ç à¸Ńำ à¹Ģà¸ł à¸Ńำà¹Ģà¸ł à¸Ń ĠØ£ ج ĠاÙĦد اخÙĦ ĠاÙĦداخÙĦ ÙĬØ© ×ĺ ×ķ×ij ãĤĤ ãģªãģı Ġли ÑĨа à¹ģลà¹īว à¸ģà¹ĩ ×ĸ׼ ×Ļר Ġqu Ãł ĠÙĥ Ø°ÙĦÙĥ صØŃ Ùģ ĠÃĤ u ÙĪب ا à¹Ģà¸Ľà¸¥à¸µà¹Īยà¸Ļ à¹ģà¸Ľà¸¥ à¹Ģà¸Ľà¸¥à¸µà¹Īยà¸Ļà¹ģà¸Ľà¸¥ à¸ĩ à¸ķัว à¸Ńยà¹Īาà¸ĩ Ġráp ida Ġtas ar Ġtasar ım ĠعÙĦÙĬ ÙĩÙħ ס ×ķ׾ c ılı cılı k Ġر غÙħ ìĭľ íĤ¤ Ġ×IJ׾ ק Ġ×IJ׾ק ×ĺר Ġ×IJ׾ק×ĺר ×ķ׳×Ļ à¹ģà¸ļ à¹Īà¸ĩ Ġh ạng ãģ£ãģ¦ ãģıãĤĮ ĠÙĨ تÙĬ ĠÙĨتÙĬ جة ıkl ı غ اÙĨ à¸Ĥà¹īà¸Ń à¸Ħวาม à¸Ľà¸¥ าย ĠØ£ Ùħس à¸Ĺีà¹Ī à¹Ģà¸ģีà¹Īยว à¸Ĺีà¹Īà¹Ģà¸ģีà¹Īยว à¸Ĥ à¸Ĺีà¹Īà¹Ģà¸ģีà¹Īยวà¸Ĥ à¹īà¸Ńà¸ĩ Ġdé fin Ġdéfin i ÙģÙĨ اد ÙģÙĨاد ÙĤ à¹Ħà¸Ķà¹ī วà¹Īา ãģªãģĦ ãĤĪãģĨãģ« Ġpróp ria ĠPh át ãĤĦãģĻ ãģı สวย à¸ĩาม ê³ł ìļĶ Ñı еÑĤ ãģĭãĤĤãģĹãĤĮãģ¾ãģĽãĤĵ ãģĮ تر جÙħ ĠкÑĢаÑģ ив Ġ×ŀ ר×IJש д еж ĠÙĬ ÙĪÙĨ ĠÙĬÙĪÙĨ ÙĬÙĪ Ñģк оÑĢ ĠKas ım ê³Ħ ìķ½ к оÑģ Ġна ÑĢÑĥ ĠнаÑĢÑĥ ÑĪен Ġdu że acc ès Ġh á»ĵng Ġv Å© ãģĦãģŁ ãģĹãģ¾ãģĻ Ġ×ĺ ×Ļ Ġ×ĺ×Ļ ×ķ׾ lıkl arı Ġqu ê ëħ¸ ëıĻ ìķ Ķ CI ÃĵN Ġt ắc press ão ĠìŀĪ ìľ¼ สิà¸Ĺà¸ĺิ à¹Į íĥ Ħ Ġ×Ķ×ŀ ×ŀש׾×Ķ å¬ī ãģĹãģĦ ĠÄIJ ặc ÙĨ زÙĦ ĠдÑĢÑĥг ой д ÑĥÑĤ ìĪ Ļ Ġth ụ à¹Ģส ร à¹Ģสร à¹ĩ à¹Ģสรà¹ĩ à¸Ī Ġto plant Ġtoplant ı ×IJ×ŀ ף ×ķ׾ ת п омн Ġyo ÄŁun ÅĦsk iego ì° © ĠØ« ÙĦاث ĠØ«ÙĦاث Ø© Ġl ắng ë¦ ´ ราà¸Ĭ à¸ģาร ĠÑģлов а á» Ĩ à¸Ķี à¸ģวà¹Īา ãģĶãģĸ ãģĦãģ¾ãģĻ Ġд из Ġдиз айн fé rence lıkl ar ãģªãĤĵ ãģ§ãģĻ ajÄħ cy Ġëĭ¤ ìĸij Ġëĭ¤ìĸij íķľ ק ×Ļר ØŃ Ø§Ø± ส ูà¹ī Ġz ro Ġzro bi Ġzrobi Äĩ ×ŀ ×Ļ׼×Ķ à¸Ĭà¹Īวย à¹Ģหลืà¸Ń ĠÑįÑĤ Ñĥ ë´ ī 楽 ãģĹãģĦ س ÙĪر íķĺ ê±°ëĤĺ Ùħؤ تÙħر Ġpoc zÄħ ĠpoczÄħ tk ĠpoczÄħtk u Ġع ربÙĬ اÙĦØ£ ر اÙĦأر دÙĨ à¸Ķ ร Åĵ uvre ĠÙĪÙĥ اÙĨت ĠÅĽ redni Ø® ضر Ġch uyến н ÑĤ ĠìķĮ ê³ł Ġv á»Ŀi Ġ×ij ×Ļ×ĵ×Ļ ×ŀ×ĵ ×ķ×ijר ÙĪ Ùģر ÙĬ Ø¡ ׳ ×Ľ×¡ ĠÐĽ а л он Ġx ấu Ùģ ÙĬÙĨ Ġfé vrier ĠÐŀ на ĠV á»ģ ĠÅŁey ler ĠполÑĥÑĩ ен з ад Ġn ét à¹Ħà¸Ľ ยัà¸ĩ ×Ĺש×ij ×ķ à¸ļัà¸Ļ à¸Ĺ à¸ļัà¸Ļà¸Ĺ ึà¸ģ Ġgerçek leÅŁ иÑĩеÑģк ое ìĪĺ ê°Ģ Ø« بت ãģ¤ ãģ¾ãĤĬ ĠÑĥÑģловиÑı Ñħ ëĭ¤ ê°Ģ ราย à¹Ħà¸Ķà¹ī ׼×IJ ×ij à¹Ĥà¸Ľà¸£ à¹Ĥม à¹Ĥà¸Ľà¸£à¹Ĥม à¸Ĭัà¹Īà¸Ļ j ähr jähr ige ק ׳×Ļ×Ŀ ×ŀ ×ķק ×ŀ×ķק ×ĵ ãģ«è¡Į ãģ£ãģ¦ Ø¢ ÙĦ вед ение Ġ׾ ×Ľ×ª×ķ×ij جÙħ Ùĩ جÙħÙĩ ÙĪرÙĬØ© à¸ī à¸ļ à¸īà¸ļ ัà¸ļ ĠC òn à¸ľ สม ãģªãģ© ãģĮ ×IJ×Ķ ×ij ĠдейÑģÑĤв иÑı y ız à¹Ħมà¹Ī à¹Ģà¸Ħย ج ÙĪز ×Ķ×Ĺ׾×ĺ ×Ķ f ällt ãĥĵ ãĤ¸ ãĥĵãĤ¸ ãĥį ãĥĵãĤ¸ãĥį ãĤ¹ Ġ×IJ ×Ļ׳×Ŀ ĠнаÑħод иÑĤÑģÑı Ġdzi ÅĽ ست Ø·ÙĬع ׾ ×Ļף Ø® ÙĦاÙģ Ùĩ ÙIJ Ġatr ás íĺ ģ ãĤĴ ãģĶ Ġ×Ķ×ŀ ×ķצר ĠBakan lıģı ÑİÑī ее ÙħÙĨ اط ÙħÙĨاط ÙĤ Ùģ د à¸Ļำ à¹Ħà¸Ľ Ġв аж Ġваж но Ġm ạch ׼ ׳×ķ بع Ø« lan ması Ġa yr Ġayr ıl ìĤ¬ íļĮ d ÃŃa p ÅĤyw اÙħ ÙĬØ© íĺ ľ ×IJ׳ ×Ĵ׾ ×IJ׳×Ĵ׾ ×Ļת ĠìŀĪëĭ¤ ëĬĶ Ġس اعة ĠëĤĺ íĥĢ b ö à¸Ħ ัà¸Ļ ĠdziaÅĤ ania Ø© Ùĭ Ġng Å© ׳צ ×Ĺ ãģ¯ ãģĤãĤĭ ĠyaÅŁ ında st ück car acter caracter ÃŃsticas Ġr á»Ńa ĠÙħختÙĦÙģ Ø© ãģ«ãģĬ ãģijãĤĭ à¹ģà¸ŀ à¸ĩ วิ à¹Īà¸ĩ ת פ×ķ سا ÙĩÙħ 使 ãģĨ Ùĥ رÙĬ ×IJ פ×Ļ ........ ....... ĠÑĤак им ×Ļ׼ ×ķ×Ļ Ø´ بÙĩ ج ÙĬر ãģĿãģ® ãģ¾ãģ¾ ac jÄĻ ĠاÙĦت رÙĥ ĠاÙĦترÙĥ ÙĬ ĠпÑĢав илÑĮно Ġت عÙħÙĦ à¸ģล à¹īา Ġbi ên Ġ×ij׳×Ļ ×Ļת Ġкл Ñĥб Ġ×ŀ ש×Ķ в ÑĪий ãģĵãģ¨ãģĮãģ§ãģį ãĤĭ à¸ŀัà¸Ļà¸ĺ ุ à¸ŀัà¸Ļà¸ĺุ à¹Į ר ×ķ×Ŀ ĠاÙĦÙģ رÙĨ ĠاÙĦÙģرÙĨ سÙĬ à¹Ģà¸Ľà¹ĩà¸Ļ à¸Ħà¸Ļ ãģĹãģ¦ ãģĬãĤĬ Ġth ầy ãĤĵ ãģłãģijãģ© ìĶ ¨ Ùħ دÙĨ ت ÙĪÙĨ ĠмеÑĤ ал ĠмеÑĤал л Ġin ÃŃcio à¸Ńà¸Ńà¸ģ à¸Īาà¸ģ ëĴ ¤ Ġcu á»ijn Ġbu á»Ļc ÙĨ سÙĬ ä cht ×ŀ ×Ļ׳×Ļ×Ŀ ãģķ ãģ¦ ãģĮ ãģ§ãģį ÑĬ ем Ġtá i ĠЧ ÑĤ ĠЧÑĤ обÑĭ à¸Ľà¸¥ ูà¸ģ à¸Ĭุม à¸Ĭà¸Ļ н Ñģкий Ġv ững Ġ×Ķ ׾×ij ë le Ġש ×¢×ijר в аÑĤÑĮÑģÑı б ой ع ÙĪÙĨ à¹ģà¸Ķ à¸Ļ Ġספר ×Ļ×Ŀ Ġt uyên Ġnhi êu ĠQu ý Ġh uyết ãĤı ãģĭãĤīãģªãģĦ Ġ×ŀ ׼ף Ġ×Ķ ק׾ Ġ׾×IJ ×ķר ĠÄIJi á»ĩn Ø´ ؤ شؤ ÙĪÙĨ Ġ×ŀ׊פש ĠпоÑģÑĤоÑıн но ×ŀ ×Ļר ìħ Ķ Ðŀ Ñģ ÐŀÑģ нов ×ĸ ×Ļת ĠH á ĠÑĩаÑģ ов ×IJ ×ķ׾×Ļ Ġm át Ø® رÙĪ خرÙĪ ج ÙĤ ضا ÙĤضا ÙĬا à¹Ģà¸Ľ à¸Ńรà¹Į ĠÙĬ ÙĪÙĦ ĠÙĬÙĪÙĦ ÙĬÙĪ à¹Ĥà¸Ĺ ษ ׳ פ׾ ת ×ķש ת×ķש ×ij×Ļ Ġv ários ×ŀ ר×IJ×Ķ ëĿ¼ ìĿ´ ÙĨ غ ×ij צע г он ĠÄIJ ược ع Ùı пÑĥÑģ к ĠÙĪاÙĦ Ùģ üc ü ×Ļק ×Ļ×Ŀ Ġس بÙĬÙĦ ׾×ij ף ĠاÙĦÙĤ رÙĨ ס ×ķת ĠQu áºŃn ãģĵãĤĮ ãģĮ ãĥĸ ãĥ©ãĥ³ãĥī ×Ĵ ×ŀר Ġwarto ÅĽci ĠÙĪب ÙĬÙĨ Ġd ạ ÐIJ в ÐIJв ÑĤо Ġol acaktır à¸Ļ à¸Ĺà¹Į Ùħ طار Ġ×¢ ק×ij Ġת פ ãģĹãģ¦ ãģĦãģ¦ צ ×ŀ×Ĺ à¸Ī à¸Ńà¸ĩ Ġö de ìį ¨ ÙĨ اس 調 ãģ¹ ĠогÑĢ омн ë³´ íĹĺ ×ĺ ק ×ĺק ס×ĺ ĠbaÅŁ v ĠbaÅŁv uru Ġpom ys Ġpomys ÅĤ ãģ« ä¹Ĺ Ġש ׼ף ĠاÙĦÙħس ؤÙĪÙĦ Ġз ан Ġзан ÑıÑĤ Ġd Æ°Æ¡ng ãĥĹãĥ¬ ãĤ¤ ล à¸ļ ÑĤи ка ĠAr alık Ġнед о Ġm á»Ļ Ġor an Ġoran ı Ġktó r Ġktór Äħ Ġ×Ķ×IJ×Ĺר ×ķ׳×ķת ائ ÙĨ ÅĦ s ÅĦs ka åĽ½ ãģ® ×ŀ ×ĺ×Ļ ĠвопÑĢоÑģ Ñĭ à¸Ńà¸ĩà¸Ħà¹Į à¸ģร ×ŀ ×ķצ×IJ Ġpó ź Ġpóź niej ש×ŀ ×IJ׾ Ġk aps Ġkaps am Ġkapsam ında Ġmá quina ĠÅĽwie cie Ġho Ãłng Ġöz gü ×Ĵ×ķר ×Ŀ ãģĤ ãģŁãĤĬ à¸ķัà¸Ķ สิà¸Ļ à¸ķัà¸Ķสิà¸Ļ à¹ĥà¸Ī б ÑĢи ãģ«ãģªãĤĭ ãģ¨ ت ÙĥÙĪÙĨ Ġ×ķ×Ķ ×Ļ×IJ Ġchi ếu ÑģÑĤан ав ÑģÑĤанав ли ÑģÑĤанавли ва ×ŀ ×ķ×Ĵ c ité ĠK örper Ġש ×Ĵ×Ŀ ع ظ عظ ÙĬÙħ Ġ×Ķ×IJ ×Ļש×Ļ Ġmat ière ĠÙģ ÙĪÙĤ Ġk to Ġkto ÅĽ à¸Ļ à¹Ĥย à¸Ļà¹Ĥย à¸ļาย å¾ħ ãģ¡ à¹Ģม à¸Ļ à¹Ģมà¸Ļ ู A ÃĩÃĥO Ġt ù Ġtù y ãĥĪ ãĥ³ ĠоÑĤ каз Ġ×ŀ ×ķצר ül ü ãģķãĤĵ ãģ« Ġ×Ĺ ×ķ×ij קר ×Ļ×IJ×Ķ ĠاÙĦØ® دÙħات ĠÙĦÙħ دة ر ؤ رؤ ÙĬØ© ãĤĴè¦ĭ ãģ¤ãģij à¸Ł า Ġréuss i à¸Ļัà¸ģ à¹Ģรียà¸Ļ ĠÑĩиÑģ л à¸ģาร à¹Ģลà¹Īà¸Ļ Ġhaz ırl Ġhazırl an ĠпеÑĢв Ñĭй ли м ĠоÑĤзÑĭв Ñĭ Ġwy jÄħ ĠwyjÄħ tk ĠØ£ ÙĤÙĦ ס ×ļ Ġê²° ìłķ Ġ׾×ŀ×¢ ש×Ķ Ġl ắp à¹ģà¸ļ ร à¹ģà¸ļร à¸Ļà¸Ķà¹Į วà¹Īา à¹Ģà¸Ľà¹ĩà¸Ļ Ġب دا Ġبدا ÙĬØ© ãģ¨ãģĦãģĨ ãģ®ãģĮ иÑĩеÑģк им à¸ģาร à¸ŀัà¸Ĵà¸Ļา Ġb Ãło Ġmia ÅĤa y waÄĩ ĠMär z ĠÙĨ سبة Ġéconom ique ×ĸ ×ŀ ×ĸ×ŀ ׳×Ļ×Ŀ æŃ¢ ãĤģ Ġt ủ íķĺ ìĭł Ġkażde go stra ÃŁe à¸Ĭ ีà¹ī à¹Ģ à¸ļา ÑĢеÑģ ÑĥÑĢÑģ ев ой Ø´ باب à¸ķà¹Īาà¸ĩ à¸Ľà¸£à¸°à¹Ģà¸Ĺศ Ġ×IJ ×Ļש Ġ×IJ×Ļש ×Ļת ×Ļ ×ķפ ×Ļ×ķפ ×Ļ ĠìļĶ 구 ì¡° ìĤ¬ ãģ£ãģŁ ãĤī ׾ ×Ļק миниÑģÑĤ ÑĢ ãĤĤãģ® ãģ¯ Ġl Æ°Æ¡ng Ġна и Ġнаи бол Ġнаибол ее íİ ĺ à¹ģà¸ŀ à¹ī ãĤŃ ãĥ¥ ĠкоÑĤоÑĢ Ñĭм à¹ģà¸Ĺ à¸ĩ à¹ģà¸Ĺà¸ĩ à¸ļà¸Ńล Ġ׳ ×Ļ×Ķ Ġ׳×Ļ×Ķ ×ķ׾ âĤ ª ĠGi ải ĠиÑģполÑĮзов а ëł¥ ìĿĦ ãģĹãģĭ ãĤĤ à¸ģà¹ĩ à¸ķà¹īà¸Ńà¸ĩ ĠÑĢ еб ĠÑĢеб ен ĠÑĢебен ка ت ÙĪاصÙĦ ãĤ°ãĥ« ãĥ¼ãĥĹ ãĤĦ ãĤī à¹Ģà¸Ľà¸´à¸Ķ à¸ķัว б ÑĢо ë°ĸ ìĹIJ ÙĨ Ùİا ×Ķ ×Ĵ ×Ķ×Ĵ ׳×Ķ à¸Ĺ รั à¸Ĺรั à¸ŀ à¸Ĺรัà¸ŀ ยà¹Į Ġkh á»iji עצ ×ŀ×ķ бол езн Ġë°Ľ ìķĦ ม à¸Ļ มà¸Ļ ุ มà¸Ļุ ษ มà¸Ļุษ ยà¹Į âĹ Ĩ ×ŀ צ׾×Ļ×Ĺ Ñıв ление Ùħ Ø·ÙĦ ÙħØ·ÙĦ ÙĪب Ø® اÙĦÙģ ت ÙĪÙĤÙģ ãģ§ãģį ãģ¾ãģĽãĤĵ оÑģÑĤ ей м еÑĩа 기 ëĬĶ תש ×¢ ص ÙĬب Ġ×ij×¢ ×ķ×ĵ à¸Ĥà¸Ńà¸ĩ à¹Ģà¸Ĥา ÑĤÑı ж ĠÑĥ пÑĢав ĠÑĥпÑĢав лениÑı Ġgén ér Ġth ÃŃ ×¤ ×ļ Ġر Ùħض ĠرÙħض اÙĨ Ġtr uyá»ĩn Ø¥ عداد ãĤµ ãĥĿãĥ¼ãĥĪ Ġпол но Ø® اÙħ ÐŁ еÑĤ ÐŁÐµÑĤ еÑĢ ÐŁÐµÑĤеÑĢ бÑĥÑĢ ÐŁÐµÑĤеÑĢбÑĥÑĢ г ÙħÙĨت دÙī ãģķãĤĮ ãģ¾ãģĹãģŁ ĠëĮĢ íķĺìŬ à¸ľà¸¹à¹ī à¸Ĺีà¹Ī Ġ×ŀ×IJ ×ķ ׾ ׳×ĵ оÑĩ нÑĭе ĠнаÑĩ ала Ġ׾ ×Ļ׾×ĵ×Ļ×Ŀ ов ое ãģĻãĤĭãģĵãģ¨ ãģ§ ĠاÙĦÙĨ Ùģ ĠاÙĦÙĨÙģ Ø· ìŀĪ ëĬĶ غ ÙĨÙĬ פ ×ĵ ãĤ ¾ ĠCr é ãģ© ãģ¡ãĤī Ø« اÙĨ ÑĢаб аÑĤ ÑĢабаÑĤ Ñĭва Ġê°Ļ ëĭ¤ à¸Ī ั à¸Īั à¸ģร Ġch ụ Ġchụ p Ġм аÑģÑĤ ĠмаÑģÑĤ еÑĢ Ġn ắm ĠÑģÑĤ али Ġ×Ķ×IJ ×Ļר×ķ×¢ ãĤ½ ãĥ³ åĪĨ ãģĭãĤĬ Ø· بع بد ا gr áfico г еÑĢ à¸Ķำà¹Ģà¸Ļิà¸Ļ à¸ģาร Ġsal dır Ġsaldır ı в ÑĪиÑħ ãģĭãģ£ãģŁ ãģ§ãģĻ Ġyapı yor ĠاÙĦÙģ ت צר פת з доÑĢов ×ij×¢ ׾ Ġ×IJ ×ŀ×Ļת×Ļ Ġоб Ñĭ ĠобÑĭ Ñĩ ĠобÑĭÑĩ но Ġ׾ ×ķ×ŀר ت ÙĥÙĨ تÙĥÙĨ ÙĪÙĦÙĪج تÙĥÙĨÙĪÙĦÙĪج ÙĬا Ġhakk ı ĠÑĢаР² ĠÑĢав но رÙĬ Ùĥ Ġ×ij ×ŀ×Ļ×ĵ Ġ×ij×ŀ×Ļ×ĵ ×Ķ à¹ģà¸ģ à¹īว Ġìĸ ĺ Ġìĸĺ 기 ãģĹãģ¦ ãģĦãģ¾ãģĹãģŁ Ġkı sm Ġkısm ı ê± ¸ åĨħ ãģ® ì§ ķ à¹Ģหมืà¸Ńà¸Ļ à¸ģัà¸Ļ ĠÙģ ÙIJ ĠÙģÙIJ ÙĬ ÙĤ اعدة Ġmoż esz Ùħ صاÙĦ ÙħصاÙĦ ØŃ ãģ¾ãģŁ ãģ¯ б ег Ġs ıc Ġsıc ak Ñĩ иÑģ ÑĩиÑģ лен Ġн ог ãĥģãĥ£ ãĥ³ ãĥ« ãĥī Ġgi ó Ġs ını Ġsını f ив аÑĤÑĮ Ġqu ên Ġì łģ Ġìłģ ìļ© ĠJo ão Ùģ اد ĠGl ück à¸Ĺ à¸Ńà¸Ķ Ġg ói ï¼ Ĭ Ġdé tail ĠدÙĬ سÙħ ĠدÙĬسÙħ بر ë¡ľ ìĦľ ×ŀ ×ķ×Ĺ à¹Ħ ฮ ĠоÑĤ д ĠоÑĤд ÑĭÑħ Ġkh uyến à¸Ħ à¸Ńย Ġج ÙĨÙĬ ĠجÙĨÙĬ Ùĩ ĠاÙĦد Ùģاع à¸Ļà¹īำ หà¸Ļัà¸ģ ĠìĤ¬ëŀĮ ëĵ¤ìĿ´ Ġth ừa ĠÃ¶ÄŁrenc i ĠпомоÑī и ĠczÄĻ ÅĽÄĩ ש ×ĺר ĠN hi ĠNhi á»ģu ׳ צ×Ļ ĠнаÑĪ ем ĠkarÅŁÄ± laÅŁ Ġ×Ķש ׳×Ļ×Ŀ ĠÄIJ Æ°á»Ŀng Ġtr ú ĠÑĢазлиÑĩ нÑĭÑħ ĠاÙĦØ´ Ùĩر Ġ×ľ×¢ ×ķ׾×Ŀ ØŃ Ø¬Ø± ĠÄij á»ķ ĠìĿĺ íķ´ à¸ļ à¹Īà¸Ńย Ġ×Ķ ×Ļ׾×ĵ ãģ¨ãģª ãģ£ãģŁ Ġ×Ĺ×ķ ×ķת Ġש×Ļר×ķת ×Ļ Äħ cy س رÙĬ K Ä° פ ׳×ķ ÑģÑĤÑĢÑĥк ÑĤÑĥÑĢ ÑĤ ÑĢÑĥд Ġ×Ķ קר Ġ×Ķקר ×ķ×ij Ġth áºŃm èģŀ ãģį ÙĤÙĪ ÙĬ клÑİÑĩ ен ÑĤе Ñħ ÑĤеÑħ нолог è¡Į ãģ£ãģŁ Ġ×ķ×IJ ×Ļף ĠÅŁek lin ĠÅŁeklin de r ô ÑĢ ог Ġнов Ñĭе Ġס ×ij×Ļ×ij Ġtecn ologÃŃa ס ׼ ×¡×Ľ ×ķ×Ŀ ĠÅŀ ub ĠÅŀub at Ġ×Ķ×ŀ ׾×IJ Ġwy pos Ġwypos aż ãģ¯ ä½ķ ãĤ¬ ãĥ³ ê° ĸ Ġкак ие Ġçocuk lar Ġ׾צ ×ĵ Ġkay ıt ĠмеÑģÑĤ е Ùħ دÙĬÙĨØ© Ġ׼ ×Ĵ Ġ׼×Ĵ ×ķף ãģĹãģ¦ ãĤĭ ĠÙħا ÙĬÙĪ ãģ£ãģ¦ãģĹãģ¾ ãģ£ãģŁ ĠпÑĢогÑĢамм Ñĭ à¹ģล à¸Ļà¸Ķà¹Į ãĥ¯ ãĤ¤ ער ×ķ×¥ Ñģ ид ĠB öyle Ġì²ĺ ìĿĮ Ġת פק×Ļ×ĵ ĠTr ên íĥ Ī ĠÐłÐ¾ÑģÑģ ий ĠÐłÐ¾ÑģÑģий Ñģкой Ġs Ãłn Ġrè gle ĠyaklaÅŁ ık à¹Ģล ิà¸ģ Ġد ائÙħ Ġ×ķ ×Ĵ اب ر Ġb è ĠاÙĦ ÙĤدÙħ ĠÑĢеÑĪ ениÑı hi ên ÑĤи к Ä Ħ à¸ļรร ยาà¸ģ à¸ļรรยาà¸ģ าศ רצ ×ķף åĭķ ãģį ĠGä ste Ġ기 본 ĠÙĬ عرÙģ ĠS á»Ń gÅĤ ÄĻb à¹Ģà¸Ń ส ×IJ×ŀ ×Ļף Ġп Ñĥнк ĠпÑĥнк ÑĤ Ġ×Ļ×ķ×ĵ ×¢×Ļ×Ŀ ãĤ« ãĥ©ãĥ¼ Ġ×ijס ×ĵר Ġbu á»ĵn й ÑĤ йÑĤ еÑģÑĮ ãĤĴ æ±ĤãĤģ Ġ×IJת ׼×Ŀ Ġ모 르 ظ رÙĪÙģ Ñĩ еÑģÑĤво ìĸ´ ìĦľ Ġод на Ġkap ı Ġëħ¸ ëł¥ ĠKü che ĠاÙĦت Ø´ Ø· ÙĬب ĠíĬ¹ íŀĪ ĠвÑĭп ÑĥÑģ ĠвÑĭпÑĥÑģ к ×ĵ ת×Ļ Ġu ÄŁ ĠuÄŁ ra ائ Ùĩا Ġtho át ãģª ãĤĤãģ® Ñij ÑĢ 기 ê°Ģ ĠgeliÅŁ me تØŃ ÙĤ تØŃÙĤ ÙĤ Ġоп аÑģ б ÑĢоÑģ ห ุ หุ à¹īà¸Ļ ì¼ Ģ ãĤ¹ ãĥŀ ãĤ¹ãĥŀ ãĥĽ Ø£ Ùģر Ø£Ùģر اد ĠTh á»±c Ġth ắ ãĥªãĥ³ ãĤ¯ Ġni á»ģm ĠHö he عÙħ ار ÙĥÙĪر ÙĪÙĨ ÙĥÙĪرÙĪÙĨ ا ĠÄIJ ến ĠÑģам ом ĠÑĤ еле ĠÄijo án à¸Ħวามà¸Ħิà¸Ķ à¹Ģหà¹ĩà¸Ļ Ġд иÑģк Ø£ Ø·ÙģاÙĦ ม ารà¹Į à¸Ĺ หาร à¸Ĺ à¸Ļ Ġب عÙĬد ĠاÙĦÙĩ ÙĨد åĩº ãģĹãģ¦ Ġkar de Ġkarde ÅŁ ×Ķ×Ļס×ĺ ×ķר ×Ķ×Ļס×ĺ×ķר ×Ļ×Ķ éģ¸ ãģ³ ع اÙħÙĦ à¸Ĥ ยาย Ġtü rl Ġtürl ü ĠìĿ¼ ìĿ´ Ġmaté ria Ġ׼׾ ×ķ×ŀר ãĥģãĥ£ ãĥ¼ جÙħ اعة ĠÑģво им Ø¥ÙĤ اÙħØ© ä¾ĭ ãģĪãģ° س اب Ø¢ خر ÙĤ دÙĬر ×IJ×ŀ ×Ļ ìĸ » Ġ׳×ķס פת ĠÐĴ лад ĠÐĴлад им ĠÐĴладим иÑĢ Ġest ará ãģĵãģĨ ãģĦãģĨ ãĤĴ 使çĶ¨ มา à¸ķร มาà¸ķร à¸IJาà¸Ļ ãģ£ãģ ½ Ġn ú Ġnú i ย าà¸ĩ ĠاÙĦج ÙĨس Ġüst ün ëľ » ãĤ» ãĥ« ãģ¦ãģĦ ãģįãģ¾ãģĻ Ġ×Ĺ ×ķ×ĸ Ġ×Ĺ×ķ×ĸ ר ĠÐĵ лав à¹Ĥà¸Ĭ à¸Ħ íı IJ ÙĨت ظر Ġ×Ĵ ×ij×Ļ ع ÙĤب int ér intér êt ×ŀ פ×Ĵ ×ŀפ×Ĵ ש Ġth ù اÙģ ت Ġ×ŀש פ Ġ×ŀשפ ×ĺ×Ļ ĠÙħ ÙĪاÙĤع è¦ ļ è¦ļ ãģĪ ×ĵ ×Ļף à¹Ģรืà¹Īà¸Ńà¸ĩ ราว ãģ¾ ãģĤ Ġgh ế иÑĢÑĥ ÑİÑĤ à¸ģ ว à¸ģว à¹īาà¸ĩ Ġпов еÑĢ ĠповеÑĢ Ñħ ĠповеÑĢÑħ ноÑģÑĤ ׳ ×ĵר Ġкон ÑĨе Ġдолж на Ġ×Ļש ×Ļר acaģı z ìĹ Ķ Ġn ÃŃvel Ġö r Ġör nek Ùĥ Ùģ ĠФедеÑĢ аÑĨии Ġ구 ìĦ± หัว à¹ĥà¸Ī ĠV áºŃy м ед мед и меди ÑĨин медиÑĨин Ñģк از ÙĬ ×Ĵ×ij ×ķ׾ ÑĦ ÑĢ Ġzus ätzlich à¸ģ à¸ģ ĠاÙĦاÙĤتصاد ÙĬØ© Ġh è lu ÄŁun ج Ùİ à¹Ħà¸Ł ลà¹Į ÄIJ T ãģĿãģ® ä»ĸ à¸Ĺิ à¹īà¸ĩ ĠاÙĦØ£ ÙĪ ر سÙħ æ°Ĺ ãģ¥ ìĿ´ ë©° ÑĮ ев ص Ø· ĠاÙĦاست Ø« ĠاÙĦاستث Ùħار à¸Ńา à¸Ħาร ĠÑĤоÑĩ но ĠV ân à¸Ń ร à¸Ńร à¹Īà¸Ńย ĠاÙĦس ÙĨØ© Ġc Æ°á»Ľi ×Ļ×Ķ ף íį ¼ 話 ãģĹ âĹ ĭ ĠìķĬ ìĿĢ ãĥ¡ ãĥ¼ãĤ ãĥ¡ãĥ¼ãĤ « ãĥ¡ãĥ¼ãĤ« ãĥ¼ ĠÑĤеп ло å½¼ ãĤī ĠÄ° z ĠÄ°z mir íĻ į Ġr ượ Ġrượ u æĢĿãģĦ åĩº ĠPh ạm Ġchá u צ×Ļ ×ķת ĠìĿ¼ 본 ìĤ¬ ëĬĶ ĠÑģозд ан Ġar acı Ġ×¢ ר Ġער ×Ļ׼×Ķ ĠíķĺëĤĺëĭĺ ìĿĺ dzi ÅĤ à¸Ľà¸£à¸° à¸ĺาà¸Ļ Ġser ÃŃa ĠìŀĪ ëıĦë¡Ŀ در ج íķľëĭ¤ ëĬĶ à¸Ńา à¸Ĺ à¸Ńาà¸Ĺ ิà¸ķ à¸Ńาà¸Ĺิà¸ķ ยà¹Į ÑĤелÑĮ нÑĭй ĠØ® دÙħات ×ŀ׳ ×ĺ Ġl ược ĠS Ãłi ĠÙĪ اض ĠÙĪاض ØŃ Øº از ĠdoÄŁ al Ġ×ijש ×Ŀ Ġд лин ĠØ¥ طار Ġ×ijס פר ãĤĴ ä¸İ ãĤĴä¸İ ãģĪ Ġë²ķ ë¥ł ĠÑĥ вели ĠÑĥвели Ñĩи ส à¹Ħà¸ķ สà¹Ħà¸ķ ลà¹Į à¹Ħ à¸ģล ×ij׊ף ĠìĿ´ íĽĦ Ġm unic Ġmunic ÃŃpio تÙħ Ø«ÙĦ ĠÄij áo H ôtel Ġl á»Ńa ĠÄij ẳng Ñĩ ки Ø´ رÙĪ شرÙĪ Ø· ĠìĿ´ 를 ÙĬ Ùĭا ×ŀ׾ ×ļ ×ŀ×Ķ ×Ļר×ķת ĠобÑıз аÑĤелÑĮ ĠобÑıзаÑĤелÑĮ но é nergie Ġmud ança Ġm ụ Ġmụ n Ġn º ĠاÙĦت عا ĠاÙĦتعا ÙĪÙĨ ĠاÙĦاجتÙħاع ÙĬØ© Ġп лаÑģÑĤ Ġëĵ± ìĿĺ ãĥIJãĤ¤ ãĤ¯ Ùĩج ÙĪÙħ ĠSa úde Ġì¤ijìļĶ íķľ Ġ×Ķצ ×Ļ×ij×ķר תק ף ĠاÙĦعاÙĦÙħ ÙĬ ĠболÑĮÑĪ ой ĠÙĥ ÙĦÙħ ĠÙĥÙĦÙħ Ø© ãģ®ãģ§ãģ¯ãģªãģĦ ãģ§ãģĹãĤĩãģĨãģĭ ĠÙħ باراة Ġש×IJ ׳ Ġש×IJ׳ ×Ĺ׳×ķ ãĤ¹ãĤ¿ ãĤ¤ãĥ« ĠSa ÄŁ ĠSaÄŁ lık Ġh Æ° ׳ ×Ĺ×Ķ Ġ×ij קר×ij Ø· عÙħ ห ิà¸Ļ à¸Ĺุà¸ģ วัà¸Ļ à¸Ħรัà¹īà¸ĩ à¸Ĺีà¹Ī ĠlÃł nh Ġdonn é ãģĽ ãģĦ جز ÙĬرة доÑĢ ож ì¼ ľ تÙĨظ ÙĬÙģ ãĥģ ãĥ§ Ġald ıģı ج اج ĠÑĤ омÑĥ à¸Ľ ิ Ġ×ijר שת ãģıãģªãĤĬ ãģ¾ãģĻ ĠпÑĢин ÑĨип Ġ׊׾×ķ ëı ¼ ×ķ×Ĵ ש س س à¸Ľ ู Ġh ầu æĦŁãģĺ ãĤĭ ï¼ ´ د ÙĪا ĠÑģм ог scri ção Ġth áºŃn Ġר ×ķ×IJ×Ķ обÑĢаж ен ĠاÙĦتج ارÙĬØ© Ø· بÙĬع jÄħc Äħ íĸī ìľĦ Ġнов Ñĭй Ġ×ŀ ×Ĺ×ĵש æĮ¯ ãĤĬ gu é Ġ×IJ ×Ļר×ķ×¢ Ġ×IJ×Ļר×ķ×¢ ×Ļ×Ŀ ĠاÙĦ Ø°Ùĩب ×ĵ ×IJ ت اÙĨ ãģł ãģĹ à¸Ńั à¸ķรา à¹Ĥ à¸Ī بÙĦ اد ×Ķ×Ļ ×Ļ׳×ķ ĠÑģп е ĠÑģпе ÑĨиалÑĮно ĠÅĽwi ata ãĤĵãģ§ãģĻ ãĤĪ شر ÙĥØ© ĠpÅĤ yt Ġsitu é Ġ׼×IJ ׾×Ķ ס ×ijר Ġkaż d Ġkażd ym ãĤĴæĮģ ãģ¤ ׾×Ķ ׾ ׾×Ķ׾ ף ĠwÅĤ as ĠwÅĤas ne ĠsaÄŁ lan ×ŀ×¢ ׾×Ķ ĠاÙĦا ÙĪÙĦ ìĹIJìĦľ ëıĦ ×IJ×Ļר ×ķפ×Ķ تÙĤ ÙĨÙĬØ© Ùħ ائ Ùħائ Ø© Ġcompañ ÃŃa Ġsü rek Ġsürek li ĠиÑģ кÑĥÑģ ĠиÑģкÑĥÑģ ÑģÑĤв ĠB ürger ת ×Ĺר ת×Ĺר ×ķת à¸ŀรà¹īà¸Ńม à¸ģัà¸ļ Ø´ Ùħ à¸ĸืà¸Ń วà¹Īา è¾¼ ãĤĢ ä¼ij ãģ¿ ĠاÙĦØ£ ب ĠÑģÑĤоим оÑģÑĤÑĮ ĠпÑĢав а may ın ห วย ĠاÙĦØ· بÙĬعÙĬ à¸Ĺีà¹Ī à¸ŀัà¸ģ ĠEst á Ñĭва ÑİÑĤ ب سÙĬ بسÙĬ Ø· Ġ×ij×¢ ×ijר åı¯èĥ½ ãģ§ãģĻ Ġ×ĵ ×ķ׾ Ġ×ĵ×ķ׾ ר Ùĩ Ùİا воÑĢ оÑĤ ãģ¦ ãģĦãģ¾ãģĹãģŁ à¹Ĥà¸Ĺร ศ à¹Ĥà¸Ĺรศ ั à¹Ĥà¸Ĺรศั à¸ŀ à¹Ĥà¸Ĺรศัà¸ŀ à¸Ĺà¹Į Ġק ׳ ĠاÙĦØ« ÙĨ ĠاÙĦØ«ÙĨ ائÙĬØ© Ġco ût à¸ķิà¸Ķ à¸ķัà¹īà¸ĩ Ġö rg Ġörg üt ĠاÙĦØ® ÙĦÙĬ ĠاÙĦØ®ÙĦÙĬ ج Ġb á»įn ×ķ׾×ķ×Ĵ ×Ļ ëŀ ľ ĠÐij олÑĮ ĠÐijолÑĮ ÑĪ ×Ĵ ×ijר×Ļ×Ŀ ÙĤ ÙĬد ×ij×Ļ×ĺ ×ķ×Ļ æīĵ ãģ¡ Ġol muÅŁ f äh fäh ig ล าà¸Ļ ĠÙĤ طر ש פ×Ķ èªŃ ãĤĵãģ§ à¸Ĥ วา Ġchi ếm ãĤ¤ãĥ³ ãĤ¿ ãĤ¤ãĥ³ãĤ¿ ãĥ¼ãĥ ãĤ¤ãĥ³ãĤ¿ãĥ¼ãĥ į ãĤ¤ãĥ³ãĤ¿ãĥ¼ãĥį ãĥĥãĥĪ Ġ׾ש×ŀ ×ķר Ġت رÙĥ ĠترÙĥ ÙĬا ר ×ķ×ĺ ãģ¨æĢĿ ãģĦãģ¾ãģĹãģŁ ĠاÙĦت ÙĤ Ġd Æ° ãģ¦ãģıãĤĮ ãĤĭ ãģĹãģŁ ãģĵãģ¨ Ġróż ne ĠاÙĦØ· ÙģÙĦ ĠPost é Ġ×ŀש ×ķ×Ŀ Ñį ÑĢ ĠÑĢабоÑĤ аеÑĤ ãĤ· ãĥª ãĤ·ãĥª ãĥ¼ãĤº Ġ×ij×Ķ ×Ĺ׾×ĺ ק×Ķ ×Ļ׾×Ķ ãĤ« ãĥ¡ ãĤ«ãĥ¡ ãĥ© ï¼ ¯ ĠìĤ¬ ìĿ´ Ġk ì Ġth Æ°á»Ľc ض بط ÙĤب ÙĪÙĦ åĪ¥ ãģ® Ġparticul ière ĠÑģво ем Ġ×¢ סק Ġעסק ×Ļ×Ŀ ×ij×Ĺ ×Ļר×ķת ×ij ×Ļ׳×ķ à¸ĭ à¸Ń Ġ×¢ ×ķ×ijר ãģłãģ£ãģŁ ãģ®ãģ§ ıld ıģı Ùħ دار Ùħدار س 주 ìĭľ à¸Ńา ศ à¸Ńาศ ัย Ġt ấm à¸ŀิ à¸Ī à¸ŀิà¸Ī าร à¸ŀิà¸Īาร à¸ĵา ÑĤелÑĮ нÑĭе Ñģк ÑĥÑİ Ðľ Ðĺ à¹Ģà¸ģ า à¹Ģà¸ģา หล à¹Ģà¸ģาหล ี ×ĵ ×Ĺ à¹Ģà¸Ĭ ิà¸ĩ Ġد ÙĤÙĬÙĤØ© íķĻ ìĥĿ Ġש×IJ ׾×Ķ Ġcontr ôle Ġsit uação à¸Ĥà¸Ńà¸ĩ à¸ľà¸¹à¹ī ÙĨ Ø·ÙĤ ê³¼ íķĻ หลาย à¸Ħà¸Ļ Ġn ắng ÙĤ Ùı ì¡° ê±´ Ñ ķ ãĥĥ ãģ¨ ×ŀ ×Ļ׾×Ķ Gr ün ×Ļ ×Ļ×¢ ×Ļ×Ļ×¢ ×ķ×¥ ×ŀ׳ ׼ ë ŃIJ ×ŀ×¢ ×ŀ×ĵ สำ à¸Ļัà¸ģ ج دد à¸Ħ ัà¸Ķ Ġ×Ķ×ŀש פ Ġ×Ķ×ŀשפ ×Ĺ×Ķ ×ŀש ק׾ ÙĦ Ùı Ġty tu Ġtytu ÅĤ ÑĪ ей ĠìĿ¼ ë¶Ģ ÑĪ ение Ġph óng ĠìĹŃ ìĤ¬ ãĤ« ãĥ³ Ġtú i ĠÙĨ ÙĪÙģ ĠÙĨÙĪÙģ Ùħبر gr ün ĠاÙĦØ´ ÙħاÙĦ ÅĽwi adc ÅĽwiadc zenie ער ×Ķ Ġ×¢ ×ķ×ij Ġ×¢×ķ×ij ×ĵ×Ļ×Ŀ ×ĵ×ķ×Ĵ ×ŀ×IJ ä»Ĭ ãģ¯ Ġv ão ĠТ ем Ñģ илÑĮ Ġch ợ Ùħ را Ùħرا ÙĤب à¹Ħมà¹Ī รูà¹ī Ġر ائع ×IJ׳ ×Ĺ׳×ķ สà¹Īà¸ĩ à¹Ģสริม צ ×Ĺ ĠìŀĪìĸ´ ìĦľ Ġkur ulu Ġkurulu ÅŁ ĠÃĸ zellik ĠÃĸzellik le Ġת ×Ļק Ġgh é Ġspr zÄĻ ĠsprzÄĻ t ער ×ķת را ØŃØ© ãģ£ ãģį ãģ£ãģį ãĤĬ ĠìķĦ ëŀĺ stit uição Ġдолж но ×Ķ רש ×Ķרש ×ŀ×Ķ ×Ķ׾ ×ļ ãģ¡ ãģª ãģ¡ãģª ãģ¿ ãģ¡ãģªãģ¿ ãģ« פ ×Ĺ×ĵ ĠاÙĦج ÙħÙĬع ×ij×¢ ׾×Ļ Ġtr ùng Ġפ ת×Ĺ ×ŀ׾×Ĺ ×ŀת ãĥĨ ãĥ¼ãĥ ãĥĨãĥ¼ãĥ ŀ Ùħ تاب Ùħتاب عة Ġ모 ìĬµ ÙĬ ص åIJĪ ãģĨ ĠY ap ĠYap ı ĠÑģ казаÑĤÑĮ ëª ° à¸Ĺีà¹Ī สำà¸Ħัà¸į ĠìĹĨ ìĬµëĭĪëĭ¤ Ġnh ắc Ġülk eler Ġмног ие íķĺ ìħ¨ มาà¸ģ à¸Ĺีà¹Īสุà¸Ķ à¸ģ à¹īา à¸ģà¹īา ว ĠÄ° yi л еж леж а ãĤ¸ ãĥ§ à¸Ĺั à¸ŀ ا ÙĪر Ġ×Ĺ×ijר ×Ļ Ġ׾ ש×Ŀ ì² « ĠT á»Ń ×ŀ ×ķ׳×Ļ ÙĤ ÙĪد à¸ģระ à¹Ģà¸Ľ à¸ģระà¹Ģà¸Ľ à¹ĭ à¸ģระà¹Ģà¸Ľà¹ĭ า ĠпÑĢоблем Ñĭ Ġaç ıs Ġaçıs ından Ġ×Ķ×ŀ ׼ ĠÙħع ظÙħ ÙĤÙĬ اس ĠпÑĢод олж ĠпÑĢодолж а Ġver diÄŁi ĠпÑĢед меÑĤ ãģĦãģ¾ãģĻ ãģĮ ĠëĶ° 른 ĠاÙĦ ÙĤÙĬاÙħ ĠØ¥ÙĦÙĬ Ùĩا Т ÐIJ п оз ãĤ· ãĥ¥ ä¸ĬãģĮ ãĤĬ à¹Ģà¸Ķิม à¸ŀัà¸Ļ à¸ģุ ล ØŃر ÙĬØ© ק×ij×ķצ ×ķת ë¯ ¿ ĠاÙĦÙħ ÙĨا ĠاÙĦÙħÙĨا Ø·ÙĤ ĠвÑĭп ол ĠвÑĭпол нÑı ãĥĭ ãĤ¢ Ġê²° êµŃ ×Ĺ ×ķ×ŀ ×Ĺ×ķ×ŀ ר×Ļ×Ŀ ĠУкÑĢа инÑĭ ห à¸Ńม ר ×Ļס ĠÑħоÑĤ ел ĠобÑĢаз ованиÑı Ġkh ẳng Ġm Æ°a Ġgör me Ġgüç lü سع Ùī มัà¹Īà¸Ļ à¹ĥà¸Ī íķĺ ê²łìĬµëĭĪëĭ¤ Ġпол Ñĥ Ġfün f ãģ¨æĢĿ ãģ£ãģ¦ãģĦãģ¾ãģĻ Ġê·¸ê²ĥ ìĿĢ ĠdÃ¼ÅŁÃ¼n ce ìŀ ł ĠH Æ°á»Ľng ĠTi á»ĥu Ġç ift ãģij ãģ° à¸Īà¸Ļ à¸ĸึà¸ĩ à¸Ĺำ à¹Ħà¸Ķà¹ī ĠìŀIJ ì²´ Ġd õ Ġdõ i à¸Ī ัà¸Ļ à¸Īัà¸Ļ à¸Ĺ à¸Īัà¸Ļà¸Ĺ รà¹Į ece ÄŁini ׳×ķ×¢ ר غ ار ĠاÙĦØ£ÙħرÙĬ ÙĥÙĬ داع Ø´ ĠбезопаÑģ ноÑģÑĤи Ġб Ñİ ĠбÑİ Ð´Ð¶ ĠбÑİдж еÑĤ ãĥĬ ãĤ¤ à¸ŀà¸ļ วà¹Īา da ÄŁ ×IJ ×ķפף íĹ Į ãĥĢãĤ¤ ãĤ¨ ãĥĢãĤ¤ãĤ¨ ãĥĥãĥĪ ĠëĮĢ íĨµ ĠëĮĢíĨµ ëł¹ D Ä° Ø£ ØŃداث ĠA ÄŁ ĠAÄŁ ust ĠAÄŁust os ØŃÙĦ ÙĪÙĦ Ġw ÅĽ ĠwÅĽ ród ĠÑģо оÑĤвеÑĤ ĠÑģооÑĤвеÑĤ ÑģÑĤв ĠÑģооÑĤвеÑĤÑģÑĤв ии ĠLu áºŃt Ġ׼׾ פ×Ļ Ġв еÑī ĠвеÑī еÑģÑĤв ק ×Ļ×¥ ĠبÙĩ ذا عا Ø´ à¹Ģà¸Ľà¹ĩà¸Ļ à¹Ģรืà¹Īà¸Ńà¸ĩ Т Ðķ Ġ×ij×IJ ×Ļ׳×ĺר׳×ĺ س عد Ġ×Ķ×ĺ ×Ļפ×ķ׾ פ ×Ļס à¸ĩà¹Īาย à¹Ĩ ĠGer ät ׾ ×Ļ×ĵ×Ķ ĠÑĢ иÑģк ׾ק ×Ĺ Ð½ наÑı ר ×Ļ×ĵ п ÑĢакÑĤи пÑĢакÑĤи к à¸Ĥัà¹īà¸Ļ à¸ķà¸Ńà¸Ļ à¸Ļà¹Īา รัà¸ģ larınız ı à¸Ńà¸Ļุ à¸įา à¸Ńà¸Ļุà¸įา à¸ķ ĠzdjÄĻ cia Ġb ây Ñģ ÑĢ ÑģÑĢ оÑĩ ãĥĭ ãĥ³ãĤ° Ġö ner Ġöner i Ġнов ÑĭÑħ دع ÙĪØ© Ġg ắn ĠاÙĦÙĦ بÙĨ ĠاÙĦÙĦبÙĨ اÙĨÙĬ ãĥĨãĤ£ ãĥ¼ Ġص ØŃÙĬØŃ ÐµÐ¼ ÑĭÑħ çĸ² ãĤĮ ĠпÑĢо иÑģ ĠпÑĢоиÑģ ÑħодиÑĤ ส à¸ķิ ĠT ết Ġ×Ķ׾ ׾×ķ à¹Ģรืà¹Īà¸Ńà¸ĩ à¸Ļีà¹ī ×ŀ×ij ׳×Ķ Ġconte údo Ġا خت Ġاخت ÙĬار Ùħ سÙĦ ÙħسÙĦ سÙĦ ëı Ī Ġ׾ ×Ļ×ĵ à¸ŀิ à¸ĺี ĠÑģов Ñģ ĠÑģовÑģ ем ãģĮãģĤãĤĬ ãģ¾ãģĹãģŁ Ġsó ng Ø¥ صÙĦاØŃ ë§ ģ Ùģ ÙĬر ĠJe żeli ìłľ ëıĦ d ÅĤug ìĥģ ìĿĦ Ġc áºŃn Ġhá»į p Ø£ ست أست اذ Ġ×ŀ ×Ļש×Ķ Ġ×ŀ×Ļש×Ķ ×ķ Ġd Ãły Ġch Ãłng ãģ¡ãĤĥãĤĵ ãģ¨ ĠÄij ám Ġsw ój Ġpoder á ĠоÑĤлиÑĩ а Ġpéri ode ünd ig ×ĺ×¢ ף ÑģÑĤÑĢо иÑĤелÑĮ ר ת×Ļ Ġ×Ļ×Ķ ×Ļ×ķ ׾ ס ĠاÙĦÙħÙĨ زÙĦ à¸Ļิ à¹īว иÑĦ ика иÑĦика ÑĨи ðŁĺ ī Ġad ına ãĢĤãĢĤ ãĢĤ ×IJ ×Ļף ס ×Ļר ĠÙĬ عد çŃĶ ãģĪ اÙĦ جز اÙĦجز ائر енÑĮ к ร ห รห ัส ĠTürk çe ê¾ ¸ Ġ×Ļ ×ķ׼׾ Ġש ×ķ׳×Ķ Ġ×ij×ŀ צ×ij ĠдейÑģÑĤв иÑĤелÑĮно ĠبأÙĨ Ùĩ ×ŀק ×ĵ Ġ×Ķש ק Ø®ÙĬ ارات Ġf ı Ġfı rs Ġfırs at ëij ĺ ĠìĦľ ìļ¸ Ġ×Ķ×Ĵ ×ķ×£ ر عا رعا ÙĬØ© ĠK ết к Ñģи ĠÑĥÑģлÑĥг и ноÑģÑĤ ей ìļ´ ëıĻ ĠобÑĬ Ñı ĠобÑĬÑı вл н еж ×Ķפ ×ļ Ġ×ij×¢ ×Ļ׳×Ļ ëĨ Ĵ ĠпÑĢоÑĨ ед ĠпÑĢоÑĨед ÑĥÑĢ Ġiht iy Ġihtiy acı Ġë°Ķ ëŀį Ġë°Ķëŀį ëĭĪëĭ¤ à¸ģล ัว ĠÑģл ожно ק×Ļ ×Ļ×ŀת ĠÄIJ ình ĠÙħ ÙĦÙģ Ġà¹Ĥà¸Ķย มี Ġkat kı تØŃ ÙĪÙĬÙĦ à¹Ħ à¸ŀ ĠH á»į ñ e Ġдо Ñħод Ġtho ải íķĺìŬ ìķ¼ ãĤ¹ãĥĿ ãĥ¼ãĥ ãĤ¹ãĥĿãĥ¼ãĥ Ħ ĠG òn Ġk è Ġkè m éĢ² ãĤģ ãĤ¹ ãĥ¼ãĥ ãĤ¹ãĥ¼ãĥ ij ãĤ¹ãĥ¼ãĥij ãĥ¼ ĠgiÃł u ĠØ¥ عادة Ġ׾ ×ķק Ġ׾×ķק ×Ĺ ĠÑħоÑĩ еÑĤ ×ĺ ׾×ķ×ķ ×ĺ׾×ķ×ķ ×Ļ×ĸ ×ĺ׾×ķ×ķ×Ļ×ĸ ×Ļ×Ķ Ġth uyết ãģĿãĤĮ ãģ§ Ġvard ı à¹Ħร à¹ī ع بد ĠRep ública ãĥ¼ãĤ¿ ãĥ¼ Ġ×ŀ×IJ ×ķת à¹Ħà¸Ľ à¹ģลà¹īว Ġyapıl acak ãĤ¹ãĤ¿ ãĥ¼ãĥĪ ãģ» ãģ¼ Ġko ÅŁ ĠмаÑĤ еÑĢи Ġsiè cle ĠاÙĦÙħ ختÙĦÙģ ĠاÙĦÙħختÙĦÙģ Ø© Ġ׾ק ר×IJ Ġ׾קר×IJ ת Ġ×Ķפ ×ķ×¢×ľ Ġt òa Ġr Æ¡i åij¨ ãĤĬ à¸Ŀ à¸Ļ j ÅĽÄĩ ĠìķĬ ìĿĦ اÙĨت ÙĤاÙĦ ëĸ ł ив аеÑĤ ãĥĪ ãĥ« ĠاÙĦÙģÙĦسطÙĬÙĨ ÙĬØ© à¸ģลà¹Īาว วà¹Īา ا Ùĥت ĠÃĸ l ĠÑĢе ÑĪи ĠÑĢеÑĪи л Ġ׳×ķס פ×ķת Ġìłķ ì¹ĺ вл еÑĩен Ùħر ØŃÙĦØ© Ġcome ça Ġy ık ìĤ ´ à¸ĺ à¸Ļา à¸ĺà¸Ļา à¸Ħาร à¸Ńà¸Ļ า à¸Ńà¸Ļา à¸Ħ à¸Ńà¸Ļาà¸Ħ à¸ķ Ġpeque ña ä»ķ äºĭãĤĴ Ġب Ø°ÙĦÙĥ Ġнов ого ãģĹãģ¦ ãģĦãģªãģĦ ĠاÙĦÙħ ÙĬاÙĩ à¸ģà¹ĩ à¹Ģà¸Ľà¹ĩà¸Ļ Ġж ÑĥÑĢ ĠжÑĥÑĢ нал в еÑģ خت ار Ġ매 ìļ° ĠM ã ĠавÑĤомаÑĤ Ñĭ ضع Ùģ ĠاÙĦÙģ Ùĥر ãģ§ãģĻ ãģ®ãģ§ ãĥ¡ãĥ³ ãĥIJãĥ¼ Ġк ÑĢÑĥг ĠاÙĦسÙĦ طة à¸Ħรัà¹īà¸ĩ à¹ģรà¸ģ à¸ģระà¸Ĺ รว à¸ģระà¸Ĺรว à¸ĩ ÑĨ ов éķ· ãģĦ 大ãģį ãģĦ Ġgeç miÅŁ ìĦ± ìĿ´ Ġצר ×Ļ׼×Ķ Ġм оÑī ĠмоÑī н Ġק ×Ļש Ġק×Ļש ×ķר×Ļ×Ŀ ĠNas ıl г ÑĢан Ġ×ŀ ×ķצר×Ļ×Ŀ Ġ×ŀס ×ķ×Ĵ Ġy ür Ġyür üt Ġ׾׊צ×ķ ×ķÖ ¼ ĠìŀĪ ìĹĪëĭ¤ Ġter ör ĠTh Æ°Æ¡ng ĠÙĪ ÙĬÙħ ĠÙĪÙĬÙħ ÙĥÙĨ ج ÙĪÙĨ ĠÙĪغÙĬر Ùĩا ×ŀ פ×ķ ×Ĵ×ķר ×ŀ×Ļ×Ŀ ׼×ij ×Ļש ĠاÙĦÙĦ غ ĠاÙĦÙĦغ Ø© شر Ùĥ ĠاÙĦر اب ĠاÙĦراب ع ĠпÑĢ ек ĠпÑĢек ÑĢаÑģ ĠпÑĢекÑĢаÑģ н Ġenerg ÃŃa ק×ĵ ×ŀ×Ļ ãģıãģª ãģ£ãģŁ ĠÄij ứ ĠÄijứ a Serv i Servi ço Ġkald ır åĥį ãģį Ġод еж Ġодеж д 물 ìĿĦ ãģĿãģĨ ãģ§ ãģĮãģĤ ãĤĮãģ° ìĻ ķ צ×ĵ ק Ġart ır Ġile ti Ġileti ÅŁim ãĤĪãģĨ ãģ§ ãĥĪ ãĥ¼ ãĤ¢ ãĥĭ ãĤ¢ãĥĭ ãĥ¡ ×ĺ×Ļ ×Ļ׾ ãĥķ ãĥªãĥ¼ ãĥĿ ãĥ³ ÐŁÑĢ о Ġع اÙĦÙĬØ© ĠÃ¶ÄŁ ret ĠÃ¶ÄŁret men ĠкаÑĩеÑģÑĤв а Ġ×Ķ×ĺ ×ij×¢ Ġзна Ñİ ãģ¦ ãģıãĤĭ Ġm ừng ÙħÙĪ ت ש ×ķ×ŀר ×Ĺ׾ ×ij Ġwzgl ÄĻ ĠwzglÄĻ du ë²Ī 째 Ġtá» ĵ Ġtá»ĵ n ãĥ¯ãĥ¼ ãĤ¯ Ġpo życz Ġpożycz k ×Ļ ×ķצר×Ļ×Ŀ Ùĥر Ùħ Ġг аÑĢ ĠгаÑĢ ан ĠгаÑĢан ÑĤи ล à¹īาà¸ĩ Ġìĺģ íĻĶ ×ĺ ×Ļס Ġth ẻ ĠìŀĪëĭ¤ ê³ł اÙĦت ز اÙĦتز اÙħ Ġна ÑĪи is ée ãģĵãĤĮ ãĤĴ Ġm ẽ ض ÙĦ بÙĪ ت Ġ׼ ׼×Ķ h ợ ĠاÙĦس ÙĪرÙĬØ© Ġ×ľ×¢ ×ķ×ŀ Ġ×ľ×¢×ķ×ŀ ת ĠbaÅŁ ar ĠbaÅŁar ılı е ÑģÑĤÑĮ à¸Ħร ี à¸Ħรี ม ĠìłĦ ì²´ ĠسÙĬ ÙĥÙĪÙĨ Ġ×ŀ×ĵ ×ķ×¢ ĠëķĮ문 ìĿ´ëĭ¤ Ġc ứng ger ät Ġм иÑĢ ĠмиÑĢ е ĠÙĥÙĬÙģ ÙĬØ© Ġפר ×ĺ×Ļ×Ŀ Ġgo ÅĽci иÑĤ еÑģÑĮ ÑĥÑĪ ки ؤ ÙħÙĨ Ġ×IJ ׼ף ĠاÙĦر جÙĦ Ġl á»įc à¹Ģรีย à¸ģวà¹Īา ãģĵãģ® ãĤĪãģĨãģª ë§Į íģ¼ Ġп еÑĩ ÙĪÙĦ ات ĠÃľ ye liÄŁ inde à¸Ħะ à¹ģà¸Ļ à¸Ħะà¹ģà¸Ļ à¸Ļ ãĤĭãģĵãģ¨ ãģ¯ วิ à¹Ģà¸Ħร วิà¹Ģà¸Ħร าะ วิà¹Ģà¸Ħราะ หà¹Į Ġвозмож ноÑģÑĤи ĠاÙĦÙĨ ساء ãĥīãĥ© ãĥŀ Ġgü c Ġgüc ü Ġt Æ°á»Ŀng Ġacomp aña ãĤ¤ ãĥ© ק צ×ij ĠY ö ĠYö net ĠYönet im สัม à¸ľ à¸ªà¸±à¸¡à¸ľ ัส à¸Ļ าม ĠÄij ợi à¹ģหà¹Īà¸ĩ à¸Ĭาà¸ķิ ãģĿãĤĮ ãģ§ãĤĤ ät ig ת ×ķ×Ŀ ĠbaÅŁ lat ĠвÑģ ей ת ×Ļק ת×Ļק ×ķף ĠNg ô ĠGesch ä ĠGeschä fts Ø£ Ùħ Ø£Ùħ راض à¹Ģà¸Ĺ à¸Ħà¸Ļ à¹Ģà¸Ĺà¸Ħà¸Ļ ิ à¹Ģà¸Ĺà¸Ħà¸Ļิ à¸Ħ Ġм енÑĮ ĠменÑĮ ÑĪе Ġöl ç Ġölç ü ĠÙĬ جعÙĦ ĠÄij ỡ ש ×Ļ׾ ש×Ļ׾ ×ķ×ij ĠGr Ã¶ÃŁe ĠÙĩ اتÙģ รà¹īาà¸Ļ à¸Ńาหาร ×Ķ׾ ×Ļ׼ ×Ķ׾×Ļ׼ ×Ļ иÑĢÑĥ ÑİÑī èĭ¥ ãģĦ ĠÃĸ zel ãģĦãģŁ ãĤī à¸Ħำ à¸ĸาม Ġzosta ÅĤy Ġ×Ķס ×Ļפ×ķר ×Ķ ×ķ׾ ×Ķ×ķ׾ ×ļ à¹Ģà¸Ĭà¹Īà¸Ļ à¸ģัà¸Ļ à¹Ĥ à¸Ĩ à¹Ĥà¸Ĩ ษ à¹Ĥà¸Ĩษ à¸ĵา ×IJר צ×ķת ×Ĵר פ×Ļ Ġao ût ĠÙĬ رÙĬد ت ÙĪج تÙĪج ÙĬÙĩ ĠÑįÑĤ ап ãĤ¹ãĤ¿ ãĥ³ Ġkr ó Ġkró tk ãĤĴ使 ãģĨ ì ·¨ éĸ¢ ãĤı à¸Ķà¹īวย à¸Ħวาม à¸Ļำ à¹Ģสà¸Ļà¸Ń Ġa yrıca à¸Ī à¹īาà¸ĩ ĠÑĦоÑĤ огÑĢаÑĦ Ġв еÑĩ ĠвеÑĩ еÑĢ åĩº ãģĹãģŁ ĠÐ¥ о Ġ×ŀ ר×Ĵ×Ļש à¹ĥหà¹ī à¹Ģà¸Ľà¹ĩà¸Ļ ãĤĴ 缮 ãĤĴ缮 æĮĩ ׾ ×ŀ×Ļ×Ŀ nÄħ ÅĤ ĠÑģÑĤ анд ĠÑģÑĤанд аÑĢÑĤ ĠSü d ĠT âm اخت بار à¹Ģà¸ģ à¸Ńรà¹Į Ùħس رØŃ Ġbi á»ĩn ب Ùı Ġص اÙĦ ĠصاÙĦ ØŃ ĠPh ụ íľ ´ ãĥ¬ãĥĵ ãĥ¥ãĥ¼ Ġbụ ng Ġrég ime ĠØ£ Ø´Ùĩر ĠÑĢабоÑĤ ник à¸Ŀ ัà¸Ļ اع تÙħ اعتÙħ اد Ġзам еÑĤ ãģ¾ ãģ£ãģ¦ Ġch ặt æĿ¥ ãĤĭ ĠاÙĦÙĤ ÙĪات ãģ«åħ¥ ãģ£ãģ¦ تØŃ Ø§ÙĦÙģ Ùħ زÙĬد ĠÙĬ صÙĦ ìĹ ¼ à¹Ģà¸Ĭ à¹ĩ à¹Ģà¸Ĭà¹ĩ à¸Ħ Ġk á»ĭ Ġká»ĭ p ĠìķĦ ì§ģ ×IJ׳ ×Ĵ Ġобла ÑģÑĤÑĮ Ġpomoc Äħ Ġ×ķ ש׾ ëĵł ì§Ģ ĠGi ám ĠSt ück Ġchá y ĠëĤĺ ìĺ¤ ×© ×Ļ×ĺת ×ŀ×ĵ ר ×ŀ×ĵר ×Ļ×ļ Ġsüre ç к ва ×ij׾ ×Ļ×Ŀ ×Ķ ת×Ļ ×Ķת×Ļ ×Ļ×Ĺס ÙĤب اÙĦ Ġס ×ķ×Ĵ Ġס×ķ×Ĵ ×Ļ ÑģÑĤ олÑĮ ä½ķ ãĤĤ ×ĸ׼ ×ķר è²· ãģĨ å®ī ãģı à¸Ħรัà¹īà¸ĩ à¸Ļีà¹ī kö p ĠÑģеÑĢ виÑģ оÑĩ нÑĭÑħ ê±° ëŀĺ تأ Ùĥ تأÙĥ ÙĬد ×ĵ ׾ק Ġпо Ñĩем ĠпоÑĩем Ñĥ пиÑģ аÑĤÑĮ ×ij שר ĠH Ãłng ĠT ìm Ġtr ừ ãĤ» ãĥĥãĤ¯ãĤ¹ ×ķ׳ ×Ĵ mız da п Ñģи ĠìŀĪ 기 Ġr út ز اÙĨ تÙĨ ÙĪع ÙħÙĤ ا ÙħÙĤا ÙĪÙħØ© Ġ׾צ ×ķר×ļ Ġ×ij ×Ļר×ķש׾×Ļ×Ŀ ãĥ´ ãĤ£ eb ile ebile ceÄŁi ãĥ¦ ãĥ¼ãĤ ãĥ¦ãĥ¼ãĤ ¶ ãĥ¦ãĥ¼ãĤ¶ ãĥ¼ ãĤĴä½ľ ãĤĭ Ñģ меÑĢ ÑģмеÑĢ ÑĤ Ġì§ ģ Ġì§ģ ìłij ĠÐŁ аÑĢ ØŃ Ø§Ø¶ ØŃاض ر Ùħ ÙĥاÙģ ÙħÙĥاÙģ ØŃØ© ล ิà¸Ļ ãģ¦ ãģįãģ¦ ÑĢоÑģ л ĠÄ°ÅŁ te ÙĤص ÙĬر Ġ×ij×Ĵ ×Ļ׾ Ġ×ŀת ×IJ×Ļ×Ŀ Ġ×Ķ ×Ĺ×ĵ Ġ×Ķ×Ĺ×ĵ ש×Ķ ר ×ķ×¢ Ġprodukt ów ĠÙħ صدر не ÑĨ ĠاÙĦعÙħÙĦ ات Ġçık ma Ġد بÙĬ ק ×Ļף ת ×IJר ת×IJר ×Ļ×ļ ׳×Ļ ×Ļ×ĵ صر اع l ève צ ×Ļר à¸Ķ ัà¸Ļ à¹ĥหà¹ī à¹Ħà¸Ķà¹ī ãĤ¿ãĤ¤ ãĥł Ġgi ảng С ÐŁ ĠاÙĦÙħ ØŃÙĦ ĠاÙĦÙħØŃÙĦ ÙĬØ© ĠT ất ׾ ×ķ×ĺ h á»ķ Ġam éric Ġaméric ain Ġ×ijש׾ ×ij Ġ׾×IJ ×ķ×ŀ×Ļ Ġpe ça ĠÑĢаз нÑĭÑħ ãģĦãĤĭ ãģ¨ ãĥĩ ãĥ³ ס קר Ġ×Ķ×ŀ×Ĺ ×Ļר ãģ¨ãģĦãģĨ ãĤĤãģ® رت بط ĠиÑģÑĤ оÑĩ ĠиÑģÑĤоÑĩ ник สมัà¸Ħร สมาà¸Ĭิà¸ģ Ġ à¸Ĺัà¹īà¸ĩ Ġà¸Ĺัà¹īà¸ĩ à¸Ļีà¹ī ĠT áºŃp ãģ£ãģ¦ ãģĦãģĨ ĠاÙĦÙĪ صÙĪÙĦ Ġdéc ada Ġо ÑĦоÑĢм ĠоÑĦоÑĢм лен สำหรัà¸ļ à¸ģาร Ġog óln ãģĨãģ¡ ãģ« Ġvá rias ãģĻãģİ ãĤĭ ÙĪ Ùĩا à¹Ĥà¸Ľà¸£ à¸Ķ ĠÐłÐ¾ÑģÑģ иÑı 人 ãĢħ ãģĹãģ¦ ãģįãģŁ Ġsı rasında Ġng ôn س ÙĨØ© تÙħ تع ×ŀ׼ ×ij×Ļ Ġnh ấn ×¢ ×ŀ×Ļ×ĵ á» ¨ ж иÑĤÑĮ ãĤī ãģĽ gr áf gráf ica ĠÙĤ ÙĪÙĦ ĠÙĤÙĪÙĦ Ùĩ ëĭ¨ ì²´ ห à¹īา หà¹īา ม 使 ãģ£ãģ¦ ת ×Ļ×ij ת×Ļ×ij ת i á»ĥu à¹ģ à¸Ĭม à¹ģà¸Ĭม à¸Ľ à¹ģà¸Ĭà¸¡à¸Ľ à¹Į Ạ¬ ĠëĤĺ ëĿ¼ ĠÙħباشر Ø© Ġtr Äĥm سÙĥ ÙĪ ĠاÙĦØ° Ùī Ġbi ç Ġbiç im ت راجع Ġоб еÑģп ĠобеÑģп еÑĩ ĠобеÑģпеÑĩ ива Ġвозд ÑĥÑħ Ñĭв аÑĤÑĮ ÙĦ ØŃÙĤ ĠMü dü ĠMüdü rl ĠMüdürl Ã¼ÄŁÃ¼ Ġyapt ır Ġפר ס Ġפרס ×ķ×Ŀ Ø· ÙĪر ÑģÑĤв оваÑĤÑĮ ìŀ¥ ìĿĦ à¸Ĺีà¹Īà¸Ķี à¸Ĺีà¹Īสุà¸Ķ à¸Ńั ล ÑĢ Ñİ Ùħست ÙĤبÙĦ Ñģл ÑĥÑĪ ÑģлÑĥÑĪ а èªį ãĤģ Ġ׾ ×Ļ×ŀ Ġ׾×Ļ×ŀ ×ķ×ĵ×Ļ ת ש×ķ×ij תש×ķ×ij ×ķת ĠgerçekleÅŁtir il ĠاÙĦ اتÙģاÙĤ ĠÑĥÑĢов не ĠÑĤ ÑĢав Ġ×Ķ×ŀ ×ķף ØŃÙģ اظ ĠÙħ ÙIJ ĠÙħÙIJ ÙĨ ĠÙħÙIJÙĨ ÙĴ Ġdem ás ×ŀ×ķ×ĸ ×Ļק×Ķ ש ×Ļ×Ĺ×Ķ Ġb ú алÑĮ нÑĭм ãĤı ãģŁ ãĤıãģŁ ãģĹ ĠاÙĦÙħÙĪ اد ת ׼׳ ×ª×Ľ×ł ×ķף ãĥŃ ãĥĥãĤ¯ hi ếu ĠÑĥ ме ÙħØŃا ÙĪÙĦØ© ×IJ ×ķשר Ġкон кÑĥÑĢ ĠконкÑĥÑĢ Ñģ Ġ×ŀ ×ij×Ĺ Ġ×ŀ×ij×Ĺ ×Ļ×ł×ª Ġan lam Ġanlam ı Ġli á»ĩt Ġв Ñħод ĠH ình ĠÙĨ ÙĬ ĠÙĨÙĬ ÙĪز ãĤ¸ãĥ£ ãĥ¼ ×ij ×Ļ×¥ ÑĤелÑĮ нÑĭÑħ à¸Ĺุà¸ģ à¸Ńยà¹Īาà¸ĩ ĠkiÅŁ inin Ø£ Ùĥثر ĠиÑģÑĤоÑĢ ии Ġë³Ģ íĻĶ פ׾ ס×ĺ ×¤×ľ×¡×ĺ ×Ļ׳×Ļ ĠÑģ еÑĤ ĠÑģеÑĤ и dıģ ımız íķĺ ëıĦë¡Ŀ ×Ķ ר ×Ķר ×ij×Ķ ãģĻãĤĭãģĵãģ¨ ãģ¯ Ġphi ếu تØŃ Ø³ÙĬÙĨ ĠÅĽ rod ĠÅĽrod ow ĠÅĽrodow isk ĠÑĢаÑģ Ñħод بر ÙĬد Ġر ÙĬ ĠرÙĬ اÙĦ Ġ×ķ ׼×ļ ì§Ģ ìļĶ ׼ ×ŀ×ķ Ġ×¢×ľ ×Ļ×Ķ×Ŀ f ÃŃcio Ġkar arı tıģ ını ĠС ов ĠСов еÑĤ ãģĬéĩij ãĤĴ м еждÑĥ междÑĥ на междÑĥна ÑĢод междÑĥнаÑĢод н Ġm á»Ŀi ĠاÙĦØ¥ ÙĬر ĠاÙĦØ¥ÙĬر اÙĨÙĬ ĠاÙĦرÙĪ سÙĬ ص ÙĨد صÙĨد ÙĪÙĤ ĠاÙĦØ¥ÙĨ ترÙĨت Ġt ắm ĠÑĤак ого Ġ×ij ׾×ķ×Ĵ Ġü crets Ġücrets iz ×Ĺ×ĸ ×Ļר ìĸ´ ìķ¼ ĠPh ần ï¼ ľ Ġ×ĺ ×ij×¢ Ġ×ĺ×ij×¢ ×Ļ ×IJ×ŀ ×IJ اÙĤ ÙĦ Ġcondi ções ÙĤات ÙĦ ĠÑĢезÑĥлÑĮÑĤаÑĤ е ĠÑģво ими צ×ij ×Ļ×¢ gé ni Ġz es Ġzes po Ġzespo ÅĤ ÑĪ ив Ġפר×ĺ×Ļ ×ķת Ùħست Ø´Ùģ ÙħستشÙģ Ùī شر ع Ġko ÅĽci Ġ×Ķ×IJ ×Ļ׳×ĺר׳×ĺ ĠЧ еÑĢ поÑĩ ÑĤ Ġactiv ités çŁ¥ ãģ£ãģ¦ Ġ×ij ×ĸ×Ķ Ġyüz den ãģªãĤĬ ãģ¾ãģĽãĤĵ Ġíĺ ¹ Ġíĺ¹ ìĿĢ Ġ×ŀש ׳×Ķ ĠÐĴ еÑĢ Ġ×ij×IJ×ķת ×ķ éĿ¢ çĻ½ éĿ¢çĻ½ ãģĦ شر ØŃ gr ünde Ùģ Ø´ ÙģØ´ ÙĦ Ġsé jour ë´ IJ Ġr ôle Ø´ عار ем Ñĭе ĠاÙĦج سÙħ алÑĮ ное Ġìĥģ íĥľ ï¼ ¤ ë¯Ģ ë¡ľ ĠÙĨ ÙĤØ· ĠÙĨÙĤØ· Ø© ãģĿãģĨ ãģł ãģĻãĤĭ ãģ®ãģĮ ห ู Ġnh á»ĭ Ġeconóm ica ס×ĺ ×ķ×ĵ ס×ĺ×ķ×ĵ ׳×ĺ มี à¹Ĥà¸Ńà¸ģาส Ġgest ão รูà¹ī วà¹Īา Ġlo ạt ĠاÙĦÙħ Ùı ĠاÙĦØŃ ÙħÙĦ ĠاÙĦعÙħÙĦ ÙĬØ© Ġê²ĥ ëıĦ ĠÐľÐ¾Ñģк ва ק×ĺ ×ķר Ġпод ÑĢоб ĠподÑĢоб н Ġl Æ°ng ت Ùģس تÙģس ÙĬر ĠاÙĦ بع ĠاÙĦبع ض ئ ت Ðķ ÐĿ ìĹ° 구 à¹ĥหà¹ī à¸Ħุà¸ĵ ãģĤãĤĬ ãģ¾ãģĹãģŁ Ġbir ka Ġbirka ç ĠÄ° sl ĠÄ°sl am çĹĽ ãģ¿ Ġh ảo Ġм аÑı ĠiÅŁ çi ש × ×©× ģ à¸ģาร à¹Ģมืà¸Ńà¸ĩ ×ķ×Ķ ר Ġch ó ëĨ Ģ Ġyan lı Ġyanlı ÅŁ 幸 ãģĽ ×IJר×Ĵ ×ķ׳×Ļ à¸Ńาà¸Ī าร à¸Ńาà¸Īาร ยà¹Į ĠинÑĦоÑĢм аÑĨиÑİ Ðĵ Ðŀ ׳ ×Ĺש ĠìķĮ ìķĦ ĠÑħаÑĢакÑĤеÑĢ иÑģÑĤ ĠÑħаÑĢакÑĤеÑĢиÑģÑĤ ик à¸Ħุà¸ĵ สามารà¸ĸ è¦ĭ ãģĪãĤĭ à¸Ĭัà¸Ķ à¹Ģà¸Ī à¸Ĭัà¸Ķà¹Ģà¸Ī à¸Ļ ĠdziaÅĤ al ĠdziaÅĤal noÅĽci à¹Ĥà¸ŀ สà¸ķà¹Į ĠÐļ ол ĠÙģ ÙĩÙĬ Ġ×ŀ פ׳×Ļ Ġ×Ķק שר Ùħر Ùĥ ÙħرÙĥ ز Ġho á Ġа пп Ġапп аÑĢаÑĤ Ġp ami Ġpami ÄĻ ĠpamiÄĻ ta Ġç ünkü ×ĵ ×ķף ãģ¯ ãģĵãģ¡ãĤī ĠM Ãł ĠÙĬ ÙĤدÙħ ĠпÑĢ ез ĠпÑĢез иденÑĤ à¸Ńุ à¸ķ à¸Ńุà¸ķ สา à¸Ńุà¸ķสา ห à¸Ńุà¸ķสาห à¸ģรรม ì§Ģ ìĽIJ Ġ×IJפשר ×ķת sch üt schüt z ĠTi ên Ġsay ılı ĠгÑĢÑĥпп Ñĭ оÑĩ нÑĭй Ġ×ľ×¢ ×ŀ×ķ×ĵ Ġwr zeÅĽ ĠwrzeÅĽ nia ĠÄIJ ầu à¹Ģà¸Ĥà¹īา รà¹Īวม nız da Ø®ÙĬ ص Ġgü nc Ġgünc el ĠÙĦÙĩ Ø°Ùĩ ĠÙĬ عتبر lé gi ãĤı ãģĭãĤĭ Ġr ừng ظ Ùĩ ظÙĩ ÙĪر Ġ×ŀ×ij ×Ļף Ġ기 íĥĢ åĪĩ ãĤĮ lan mÄ±ÅŁ à¸Ĺีà¹Ī มีà¸Ħวาม Ġh á»ģ ت ÙĪجÙĩ ĠاÙĦØ¥ دارة Ġú til ס פ×ķ à¸Ħวาม รัà¸ģ à¹Ĥ ฮ Ġпол иÑĤ ĠполиÑĤ ик Ġsat ın ĠÅŀ imdi ×ŀ ×ķר×Ļ×Ŀ ìķĺ ëĭ¤ ×Ĺ ×ķ×ķ ×Ĺ×ķ×ķ ×Ļ×Ķ à¸Ħà¸Ńม à¸ŀิ à¸Ħà¸Ńมà¸ŀิ ว à¸Ħà¸Ńมà¸ŀิว à¹Ģà¸ķà¸Ńรà¹Į Ġا ذا تخ اذ ãĤ¨ ãĥ« Ġpossibilit é ยืà¸Ļ ยัà¸Ļ Ġü nivers Ġünivers ite ĠاÙĦد ÙĪرÙĬ ĠìķĬëĬĶ ëĭ¤ ĠìĦľ ë¡ľ ØŃ Ø§ÙĦ Ġë ¨ Ġë¨ ¼ Ġ먼 ìłĢ à¸Ĺีà¹Ī à¸ĸูà¸ģ ì§ ľ Ġsk óry лÑĮ ÑĨ à¹ĥà¸Ĭà¹ī à¹Ģวลา ×ijק שת ĠØ° ÙĪ æĹ¥ ãĢħ ĠкоÑĤоÑĢ ÑĥÑİ ĠÑĥÑĢов енÑĮ ê¹ ¨ à¹Ħ à¸Ĺ ãĤµ ãĥĹãĥª ãĤ¸ ãĥ§ãĥ³ ãģĻ ãģ¹ãģį ĠG ór ãĥĪ ãĤ¤ ãĥĪãĤ¤ ãĥ¬ ĠyaÅŁ ama Ġdá»ĭ p Ġb ữa à¸ĭ ุ Ġöl üm ãģ£ãģ¦ ãģıãĤĭ à¸ģาร à¸Ħà¹īา ש ער ĠÑĤип а Ġг еÑĢ ĠгеÑĢ о רק ×¢ Ġu waż Ġuważ a ש×ŀ ף Ġhast alık ãĤıãĤĮ ãĤĭ ba ÅŁÄ± Ñĩ ÑĤо Ġ×ij ×ŀר׼×ĸ Ġìļ°ë¦¬ ìĿĺ ĠÙĥاÙĨ ÙĪا ĠØ£ بر Ġأبر ÙĬÙĦ ì¸ µ à¹Ħà¸Ĥ à¹Ī ĠÙĪ ÙĦÙĪ à¸Ĺ ัว à¸Ĺัว รà¹Į ĠÙĪØ£ Ùĥد à¸Ĭ วà¸Ļ ׾ ×ķק æį ¨ æį¨ ãģ¦ Ġİç in p éri Ġy al Ġyal nız ÑĮÑı н Ġg ắng à¸ģà¹ĩ ยัà¸ĩ ĠУкÑĢа ин ĠÑģ ами ĠпÑĢовед ен à¸ķà¸ģ à¹ģà¸ķà¹Īà¸ĩ ĠQu ân é paration ĠbaÅŁ ında Ġzn ale Ġznale ź Ġznaleź Äĩ ãĤ± ãĥ¼ ãĥİ ãĥ¼ à¸ĸูà¸ģ à¸ķà¹īà¸Ńà¸ĩ ëª ¸ Ġëı Į ĠëıĮ ìķĦ ĠSch üler Ġпод гоÑĤов ĠподгоÑĤов к ع رÙĪ عرÙĪ ض la ÅŁtır ĠÑģоÑģÑĤав лÑıеÑĤ ĠпÑĢоиз вод ĠпÑĢоизвод ÑģÑĤва ĠоÑģнов е ĠØ´ ÙħاÙĦ à¸ģร ี ĠgörÃ¼ÅŁ me оÑĩ ек Ġ×Ĺ×ijר ×Ļ×Ŀ ÙħØ® اط Ùħخاط ر ï¼ Ń ×¨ פ×IJ ĠM ẹ ยà¸Ńม รัà¸ļ Ġv ết Ø® Ø° ĠاÙĦت Ø· ĠاÙĦتط بÙĬÙĤ à¸Ļ ึà¸ģ Ġ×Ķ ×Ľ×ł×¡×ª ĠогÑĢ ани ĠогÑĢани Ñĩен ĠÃĩ alÄ±ÅŁ ĠاÙĦÙħÙĨت دÙī à¸Īำà¸Ļวà¸Ļ มาà¸ģ ĠÑĤоÑĢ ÑĢ ĠÑĤоÑĢÑĢ енÑĤ ĠìĤ´ ìķĦ à¸ŀลัà¸ĩ à¸ĩาà¸Ļ à¸Ĭ ัà¸Ļ ĠÐIJн дÑĢ Ġréalis é ×ŀש ×IJ à¹ģ à¸Ĭ à¹ģà¸Ĭ รà¹Į Ġб ог มา à¹ģลà¹īว ĠاÙĦÙĨ ار Ġolmad ıģı ×ĵ ×¢×Ķ ĠÑĥ веÑĢ ĠÑĥвеÑĢ ен ãĤĭ ãĤĤãģ® Ø£ د أد ÙĪات Ġ×Ķ×ĸ ×ķ×Ĵ Ø¥ عÙĦاÙħ h á»ı ĠNä he ĠÑĤ еÑģÑĤ Ġ×ŀ ×ķ׼ר Ġë¬¸ìłľ ê°Ģ ת ×ķצ×IJ×Ķ m ó mó vel ĠاÙĦتج ارة Ġмног иÑħ обÑī а Ġ×¢ סק×Ļ ĠEdu cação ק ש×Ļ×Ŀ é tabl établ issement Ġд еле иÑĢÑĥ еÑĤÑģÑı Ø¢ ثار Ġ×Ķ×ŀ ר׼×ĸ×Ļ ãĥIJ ãĥ« ĠвÑģÑĤÑĢ еÑĩ ãģĴ ãĤĭ Ġci Äħ ĠciÄħ gu ÙĬ ست à¸łà¸² ว à¸łà¸²à¸§ ะ Ø£ Ùħر Ġо жи Ġожи да Ġ ủy ãĥŀ ãĥ« ر اس оÑĩ ной ת ×Ĵ×ķ×ij×ķת تع رÙĬÙģ ĠÑģо ÑĨиалÑĮно ãĤĴ éĸĭ ĠиÑģÑģлед ова Ġd ú Ġdú vida Ġsk ÅĤ ĠskÅĤ ada Ġhä ufig ĠвÑĭб ÑĢ ĠвÑĭбÑĢ аÑĤÑĮ ãģ®ãģ§ãģ¯ãģªãģĦ ãģĭ ĠÑģ илÑĮно ÑĤвеÑĢж ден ר פ רפ ×ķ×IJ×Ķ æĢĿ ãģĦãģ¾ãģĻ ØŃر ص ש×ķת ×£ Ùħس جد à¹Ĥà¸Ĭ วà¹Į ем ÑģÑı в ÑĪие Ġм л Ġмл н Ġ׾×Ķ ×ij×Ļ×IJ ĠÙĬ تعÙĦÙĤ à¸ķ ูà¹ī Ġп ÑĢаз ĠпÑĢаз д ĠпÑĢазд ник Ġн ем Ġнем ного Ġs Ãłng تÙĨ سÙĬ تÙĨسÙĬ ÙĤ Ġtá» Ŀ Ġмед и ãģ« æĪ ãģ«æĪ » à¸Ħว à¹īา ãģĭ ãģijãĤĭ ×ij׾ ×ķת ĠÑįк Ñģп ĠÑįкÑģп еÑĢÑĤ Ġдев ÑĥÑĪ ĠдевÑĥÑĪ к ĠØŃ Øµ ÙĨØ´ Ø£ ãģĮãģĤãĤĭ ãģ®ãģ§ Ġت راÙħ ĠتراÙħ ب أس ÙĪاÙĤ Ġ׾פ ׳×ķת Ġا ï»· ãģ« ãģı ãģ«ãģı ãģĦ ĠØ£ عÙĦÙī Ġ׾×Ķ ×ŀש×Ļ×ļ rä u ש×ŀ ×Ļ×Ŀ åĪĨ ãģij ãģĻ ãģ§ ãģĻãģ§ ãģ« ×Ķ׾ ׼×Ķ ×Ĺ׾ ×Ļ×£ Ġì ±ħ Ġì±ħ ìŀĦ à¹Ģà¸Ī ริ à¹Ģà¸Īริ à¸į éģĬ ãģ³ ج سد สา à¸ĺ สาà¸ĺ าร สาà¸ĺาร à¸ĵ Ġbas ın ÑĢаР³ г ад Ġho ÅŁ íķ µ ×ij×Ĺ ×Ļר×Ķ ×ŀס ×ļ Ġìłľ íĴĪ تÙħ ÙĪÙĬÙĦ ĠL Æ°u ë¡ľ ë¶ĢíĦ° Ġп об Ġпоб ед ÙħÙĨ Ø° 常 ãģ« ÙĤ س ĠاÙĦÙħ صدر ĠÙĪاÙĦ است Ġkh ắp ĠاÙĦج اÙĨب Ġng uyá»ĩn éĸĵ éģķãģĦ ĠÑģÑĤ ÑĢа ĠÑģÑĤÑĢа Ñħ ĠÑģÑĤÑĢаÑħ ов รี à¸ļ Ġx Æ°Æ¡ng Ġì° ¾ Ġì°¾ ìķĦ Ġng ại г ал à¸ĭ ีà¹Ī Ġ×ij פ×Ļ×Ļס×ij×ķק Ц енÑĤÑĢ Ġaval iação Ġeconóm ico ×ĸ ף ĠÐľ ак Ġinter és à¸ģล ิà¹Īà¸Ļ ÑģÑĤÑĮ Ñİ ĠÄij Æ°Æ¡ng å¼· ãģı ĠKh ách à¹Ģà¸Ļืà¹īà¸Ń หา ĠYaz ı è²· ãģ£ãģ¦ Ðł Ðķ à¹Ģà¸ŀิà¹Īม à¸Ĥึà¹īà¸Ļ สม à¸ļู สมà¸ļู รà¸ĵà¹Į Ġм иÑĢов ×Ĵ ׳×Ļ×Ŀ ĠÄij ức à¸Ń ารà¹Į ص اص ãģĬ ãĤĪ ãģĬãĤĪ ãģ³ ÃªÌ ī ĠاÙĦÙħؤ تÙħر ĠاÙĦÙħر ØŃÙĦØ© สà¸Ńà¸ļ à¸ĸาม Ġà¸Īาà¸ģ à¸Ļัà¹īà¸Ļ Ġت عد ãģĿãģ® ãģŁãĤģ Ġkh áng à¸Ļ ิà¸Ķ ãĥĬ ãĥ³ ëĦ¤ ìļĶ ĠاÙĦ اØŃت ĠاÙĦاØŃت ÙĦاÙĦ ìļ ķ Ġмод ели ĠпÑĢоÑĨ енÑĤ à¸ŀวà¸ģ à¹Ģรา Ġ×Ķצ ×ĵ Ġ×Ķצ×ĵ ×ĵ×Ļ×Ŀ ständ e ׳ ×Ĵר Ġdot yc Ġdotyc zÄħ ĠdotyczÄħ ce ĠÅĽ wiÄĻt ×ŀר ×Ķ ãģĻãģĶ ãģĦ ãĥĩãĤ£ ãĥ³ãĤ° à¸ģาร สรà¹īาà¸ĩ ë Ĥ¬ Ġì°¸ ìŬ Ñģ Ñħ ÑģÑħ ем ÙħÙĪ س Ġn ấu Ġ׾×ŀ×¢ ׾×Ķ à¹Ģà¸Ľ à¹īา à¹Ģà¸Ľà¹īา หมาย Ġmù i ائ ز íĽ Ī ×Ĺ×ij ×ķר×Ķ à¸ľà¸¹à¹ī à¹ĥà¸Ĭà¹ī Ġpa ź Ġpaź dzi Ġpaździ ern Ġpaździern ika ลà¸ĩ à¹Ħà¸Ľ ÙĤ اع Ġch áºŃm Ġözellik leri ĠÄIJ o ĠÄIJo Ãłn ж ение Ġh ẳ Ġhẳ n ĠaÅŁ k ï½ į ãĥij ãĤ¹ ×Ķ×ķר ×IJ×ķת ĠÅ » ĠÅ» y ×ŀ×ĸ ׾ ĠÑĥ кÑĢа ĠÑĥкÑĢа ин à¹Ģà¸Ĭ ิ à¹Ģà¸Ĭิ à¸į Ðł Ðĺ ĠzwiÄħz ku ×Ķ×Ĺ׾×ĺ ת ãĤĵãģ§ãģĻ ãĤĪãģŃ ãģ¦ ãģĬãĤĬ лож иÑĤÑĮ ×ŀ ×ķ׳×Ļ×Ŀ ฮ ิ ì° ¬ ĠاÙĦÙħØ´ ترÙĥ ĠdÃ¼ÅŁ ük аг енÑĤ ĠاÙĦØ£ سبÙĪع ĠÙĤ رÙĬب ин д инд ив индив ид индивид Ñĥ индивидÑĥ алÑĮн för der Ġseç en Ġseçen ek Ġét ant ĠлÑİб им каз ÑĭваеÑĤ ว ิà¸Ļ Ġ×Ķ×ij ×IJ×Ļ×Ŀ Ġд ов Ġдов олÑĮ ĠдоволÑĮ но ×¢×ĵ ×Ļ×£ Ġok re Ġokre ÅĽ ĠokreÅĽ lon Ġت رÙĬد à¹Ģมืà¹Īà¸Ń วัà¸Ļà¸Ĺีà¹Ī ãĤĪ ãģĭãģ£ãģŁ Cum h Cumh ur Cumhur ba Cumhurba ÅŁ CumhurbaÅŁ kan CumhurbaÅŁkan ı Ġn ợ à¸ľà¸¹à¹ī à¹Ģลà¹Īà¸Ļ Ġcompl ète à¹Ģà¸ŀ ศ د ÙIJ Ġdü z Ġdüz ey ãģ§ãģĤãĤĭ ãģĵãģ¨ ext érieur × ³ Ġinform ação ãĤ¯ãĥª ãĥĭãĥĥãĤ¯ ĠPub li ĠPubli é ר ×ķ×ĵ à¸Ħวาม à¸Ľà¸¥à¸Ńà¸Ķà¸łà¸±à¸¢ ĠØ£ÙĬ ض ĠØ£ÙĬض Ùĭا ت سبب ãģ¤ ãĤĤãĤĬ из ма à¸Ĥึà¹īà¸Ļ à¹Ħà¸Ľ Ùĥ ÙIJ ÙĦ ÙĪÙħ Ġש צר Ġשצר ×Ļ×ļ ãģ¯ ãĤĤãģ¡ãĤįãĤĵ Ġк ан Ġкан ал ãģ«ãģª ãģ£ãģ¦ãģĦãģ¾ãģĻ ĠاÙĦØ£ Ùĥثر ت اØŃ ÙĨت Ùĩ ÙĨتÙĩ اء ا ÙĪÙĬØ© ĠBug ün н Ñģкого à¸Ķ à¹Īวà¸Ļ é volution ãģ£ãģ¦ ãģĦãģ¾ãģĹãģŁ ãĤ ħ ĠV Æ°Æ¡ng à¸łà¸²à¸ŀ ย à¸łà¸²à¸ŀย à¸Ļ à¸łà¸²à¸ŀยà¸Ļ à¸ķรà¹Į Ġ×Ķ צ׾×Ļ×Ĺ ĠاÙĦإسÙĦاÙħ ÙĬ ÙĦÙĬ ب Ġed ição ÑģÑĤÑĢ ел Ġkh úc ÙĨÙħÙĪ Ø° ÙĨÙħÙĪØ° ج ׾ צ×Ķ ÑģÑĤав ил à¸ĸ า สรà¹īาà¸ĩ à¸Ħวาม ãģĦ ãģ£ãģ± ãģĦãģ£ãģ± ãģĦ ÑģÑĤав лен ĠاÙĦ ÙĤدس Ġng ược ب Ø® ส หร สหร ั สหรั à¸IJ ĠØ£ غ Ġأغ سط Ġأغسط س ãģĨ ãģ¾ ãģĨãģ¾ ãģı ĠêµŃ ìłľ ØŃض ار Ġd ừng æĬ¼ ãģĹ Øª ÙĪا تÙĪا جد ש×ŀ ×Ĺ×Ķ ãģı ãĤĵ Ġ×ij×¢ צ Ġ×ijעצ ×Ŀ ×ŀ ׳×Ļ×ķת ×ķ ×Ļ×ĵ ×ķ×Ļ×ĵ ×IJ×ķ à¸Ĭ ิà¸ĩ Ġprac ÄĻ Ġз аÑĤ ĠзаÑĤ ем ĠìŀIJ ìľł Ġì¤ Ģ Ġì¤Ģ ë¹Ħ Ġb áºŃ ĠbáºŃ c Ġ×Ķ×ŀ צ×ij ĠÙĤ ÙĬÙħØ© à¹Ģà¸Ń à¹Ģà¸Ĭ à¹Ģà¸Ńà¹Ģà¸Ĭ ีย Ġperch è ĠاÙĦع سÙĥر ĠاÙĦعسÙĥر ÙĬØ© ج ÙĬب ëŀ µ Ùħ Ùĩر ÙħÙĩر جاÙĨ Ùħ راÙĥ ÙħراÙĥ ز Ġод нако à¸Ķี à¹Ĩ Ġצ פ×ķ Ġkullan ılan Ġк ино ãĥĨãĤ£ ãĥ³ãĤ° ĠGi Ỽi ت ÙĪز تÙĪز ÙĬع ย ิà¸Ļ ยิà¸Ļ à¸Ķี Ġc Åĵur ĠiÅŁ aret Ġ×ij×¢ ×ĸר Ġ×ij×¢×ĸר ת Ġп аÑĨи ĠпаÑĨи енÑĤ ãģ¿ãģŁãģĦ ãģ§ãģĻ в ез ли на од е Ġ×IJ×ķת ף dıģ ınız ĠÐIJ в ĠÐIJв ÑĤоÑĢ ï¼ ® ĠC ần ĠاÙĦا Ø® ĠاÙĦاخ بار Ġê±° ìĿĺ Ġat enção Ġgeld iÄŁi ãĤª ãĤ¹ ãĤªãĤ¹ ãĤ¹ ãĤªãĤ¹ãĤ¹ ãĥ¡ ев Ñĭе кÑĢÑĭ л à¹Ģà¸Ĭ ียà¸ĩ à¹Ģà¸Ĭียà¸ĩ à¹ĥหมà¹Ī Ġmar ço ĠاÙĦÙħ ادة Ġг ол Ġsprzeda ży Ġíķ´ ê²° ĠÐķ го ê¹ Ģ Ġ׾ק×ij׾ ת ĠاÙĦÙģ ÙĨاÙĨ Ġcomunic ación à¹Ģสà¹īà¸Ļ à¸Ĺาà¸ĩ íĺ ¹ à¸Ĭ ำ à¸Ĭำ ระ Ġ׼ ×IJ×ŀ Ġ׼×IJ×ŀ ×ķר à¸Ĭ à¹Īาà¸ĩ ز Ùĩر Ġklient ów ива ÑİÑĤ ан г ׳ ×ļ Ġg á»įn Ãľ R ìĺģ ìĥģ Ġغ زة ìĿĮ ìĿĦ Ġbez po Ġbezpo ÅĽ ĠbezpoÅĽ redni ĠاÙĦÙħ ÙĪا ĠاÙĦÙħÙĪا Ø·ÙĨ ĠاÙĦÙħÙĪاطÙĨ ÙĬÙĨ ãĤĮ ãģ¾ãģĻ ĠмаÑĤ Ñĩ ×IJ ×ķף Ġر سÙħÙĬ ĠÑįк он ĠÑįкон ом ĠÑįконом иÑĩеÑģк ãĥľ ãĥ¼ Ġд иÑĢ ĠдиÑĢ екÑĤоÑĢ ĠÑģк оÑĢо à¸ļ ำ à¸ļำ ร à¸ļำร ุà¸ĩ ĠÑĦ ÑĥÑĤ ĠÑĦÑĥÑĤ бол Ġ×IJ ×Ļ׾ Ġì¤ij êµŃ ìľ ¤ eÄŁ e à¹Ħ à¸ģà¹Ī tra î traî n ĠÑĤ ÑĢÑĥб à¹Ģà¸ļ ื à¹Ģà¸ļื à¹īà¸Ńà¸ĩ à¹ģม à¸Ļ ĠتØŃ Ø¯ÙĬØ« Ġ׼ עת ØŃ Ø§Ø³Ø¨ lı ÄŁa ק×Ļ ×Ļ×ŀ×Ļ×Ŀ оÑģÑĤ ÑĮÑİ à¸Ŀ ั à¸Ŀั à¹Īà¸ĩ Ø´ غÙĦ ìĽ ¹ Ġкажд ого Ġbölüm ü หà¸Ļ ี Ġistedi ÄŁi Ġtr Æ°ng ãĥ Į ฮ à¸Ń Ø£ÙĨ Ø´ Ø£ÙĨØ´ طة ĠاÙĦÙħ سÙĬ ĠاÙĦÙħسÙĬ ØŃ à¸¥à¸±à¸ģษ à¸ĵà¹Į Ġn á»Ńa à¸Ĺีà¹Ī à¸ķà¹īà¸Ńà¸ĩà¸ģาร ÑĪ ек л Ñij Ġש ×Ļ×Ķ Ġש×Ļ×Ķ ×Ļ×Ķ Ġkhu ôn ĠÑĤÑĢеб ованиÑı Ġ×ľ×¢ ×ĸ×ķר ĠاÙĦع Ùħر ราà¸Ħา à¸ĸูà¸ģ ÙĩÙı ÙħÙĴ ü st üst ü Ġден ег Ġn ạ à¸Ĥà¸Ļ ม Ġбл аг Ġблаг од Ġблагод аÑĢ ĠблагодаÑĢ Ñı Ø¥ سÙĦاÙħ à¸Ļิ ว çŁ¥ ãĤīãģªãģĦ Ø« ÙĤØ© Ġг олоÑģ ×IJ×ķר ×Ĺ Ġtr ứng Ġод ном ĠkoÅĦ cu Ġ×ķ רק Wi ÄĻ WiÄĻ cej Ġ×IJ ×Ļ׼×ķת Ġ×IJ×Ļ׼×ķת ×Ļ Ñģ оÑģ Ġje żeli 以ä¸ĭ ãģ® å°ı ãģķ å°ıãģķ ãģª олог ии Ġоб ÑģлÑĥж ĠобÑģлÑĥж ива Ùĥت ابة Ġê´Ģ ìĭ¬ ×¢ ש×Ļר Ġaras ındaki ĠÑĢай она ÙĪا جب Ġ×ij×Ĺ×Ļ ×Ļ íķ´ 주 Ġg óc ай л ĠT ình æļ® ãĤī æļ®ãĤī ãģĹ æĻĤ ãģ«ãģ¯ ĠгоÑĢод е Ġ׼×IJ ×Ļ׾ Ġ׼×IJ×Ļ׾ ×ķ ĠC á»Ļng ãģ©ãģĨ ãģĹãģ¦ãĤĤ ×Ĺ ×ķ×£ تØŃ Ø±Ùĥ ĠÑģлов ам à¸Īะ à¸Ĭà¹Īวย ĠاÙĦÙħست ÙĤبÙĦ ÙĤ ض ÙĤض ÙĬ ×ijס ×ķפ ×ijס×ķפ ×ķ iÄĻ Äĩ ĠY ıl Ø´ ÙĬØ® à¸Ħุà¸ĵ à¸Īะ ש×ŀ ×ķת Ġت عرض Ġanál ise ĠÑģоб иÑĢа à¹Ģà¸ŀ à¸Ĭ à¹Ģà¸ŀà¸Ĭ ร Ġв ели Ġвели к สั à¹īà¸Ļ Ġpop ulação รà¹Īวม à¸ģัà¸Ļ ×Ĺ ×ŀ ×Ĺ×ŀ ×Ļש×Ļ ס ×Ļס åĨħ ãģ§ Ġsob Äħ ĠY ay ĠYay ın ãĥ¡ ãĥĭãĥ¥ãĥ¼ ĠпÑĢедоÑģÑĤав лÑı ãģł ãģ¨æĢĿãģĨ Ġê³ł ê°Ŀ Ġод ним à¹ĥà¸Ļ à¹Ģรืà¹Īà¸Ńà¸ĩ Ġs á»ķ ĠÐĹ Ð´ÐµÑģÑĮ Ġизмен ениÑı ĠìĿ¼ ìĿĦ ãģªãģ® ãģł клад Ñĭва ÑĢ ма Ġ×ķ×ij ׼׾ تأ ÙħÙĬÙĨ ĠпÑĢи ÑıÑĤ ĠпÑĢиÑıÑĤ н Ùħ Ùħار ÙħÙħار سة ãģ¨ãģª ãģ£ãģ¦ Ġج ÙħÙĬÙĦ Ġì§ Ī Ġì§Ī 문 Ġquest ão i é ié ndo หà¹īà¸Ńà¸ĩ à¸ŀัà¸ģ ãĥij ãĥ¼ãĥĪ ÑĤвеÑĢж да н Ñģкой з ал มุ à¹Īà¸ĩ á» Ĭ Ġ×Ķ×IJ×Ĺר ×ķ׳×Ķ ĠTh Æ° 주 민 ĠاÙĦع ب év én évén ement ÙĤÙĪ اعد د Ùı ĠìķĬ ìĬµëĭĪëĭ¤ Ġë³´ 기 Ġyapıl ması à¹Ģร าà¸ģ à¹Ģราà¸ģ à¹ĩ ØŃ Ø°Ø± ÙĤ صر ãģ¦ãģĹãģ¾ ãģĦãģ¾ãģĹãģŁ Ġà¹Ģà¸Ľà¹ĩà¸Ļ à¸ķà¹īà¸Ļ ãģ¨ ãģ« ãģ¨ãģ« ãģĭ ãģ¨ãģ«ãģĭ ãģı н ÑĨе зв Ñĥк ãģĹãĤĪãģĨ ãģ¨ ĠاÙĦصØŃ ÙĬØ© Ġש×Ķ ×Ļ×ķ ĠDi ÄŁer ÙĤÙĦ ÙĤ ãĤ¸ãĥ£ ãĥ³ Ġr á»Ŀi Ġл еÑĩ ĠлеÑĩ ениÑı تب اد تباد ÙĦ צ פ×Ķ à¸Ħวาม à¹Ģหà¹ĩà¸Ļ ĠØ´ ب Ġشب ÙĥØ© ר ×Ļק Ùħ عد Ùħعد ات dıģ ında Ġ×ijש ׳×Ļ×Ŀ Ġ×Ķ ×Ļשר×IJ׾ Ġ×Ķ×Ļשר×IJ׾ ×Ļת Ġsı nav ׳צ ×Ļ×Ĵ วัà¸ķ à¸ĸุ ĠاÙĦبر ÙĦÙħ ĠاÙĦبرÙĦÙħ اÙĨ t ivitÃł ãĤĵãģł ãĤįãģĨ ק×Ļ ×Ļ×ŀ ÙĦÙĬ Ùĥ ĠÄij ò ĠÄijò i ĠÐĺн ÑĤеÑĢ ĠÐĺнÑĤеÑĢ неÑĤ ãģ«ãģ¨ãģ£ãģ¦ ãģ¯ ãģ£ ãģĵ ק ×ķס ست ØŃÙĤ æķĻ ãģĪãģ¦ ãĥĢ ãĥ¡ ĠÙħÙĨ زÙĦ à¹Ģà¸ĭ à¹ĩà¸Ļ 使 ãģĪãĤĭ è¦ĭ ç©į è¦ĭç©į ãĤĤãĤĬ Ø£ Ùģ Ø£Ùģ Ùĥار Ġиг ÑĢов ĠигÑĢов Ñĭе Ġm ÄĻż ĠmÄĻż czy ĠmÄĻżczy zn ĠاÙĦØŃ ÙĤÙĬÙĤÙĬ ع بر ׼×ķ׾ ׳×ķ íĿ ¥ ×ŀ×IJ ×ķ×Ĺר خت ص ãĥŀ ãĥŀ Ġ×IJ×Ĺ ×ķ×ĸ í ĮĢ Ġr á»iji Ġв ÑĤоÑĢ ĠвÑĤоÑĢ ой Ġl ẫn пÑĢ ом пÑĢом ÑĭÑĪ пÑĢомÑĭÑĪ лен пÑĢомÑĭÑĪлен н ĠоÑĤноÑĪ ениÑı Ġs ứ Ġм обилÑĮ ĠмобилÑĮ н ĠÑįÑĤ омÑĥ Ġt ạp ĠìĤ¬ ê±´ ĠìķĮ 볤 Ùĥ Ùı ÙĥÙı ÙħÙĴ Ġק ×ķר×Ķ ĠÑĦ иÑĢ ĠÑĦиÑĢ м Ġsık ıntı ׳ ׼ ׳׼ ×ķף ÙĪÙĦÙĪج ÙĬ ØŃ Ø§ÙĨ Ġlo ạn Ġ×IJ׾ ×£ Ġm ắn abh äng abhäng ig ĠÑĥÑĢов нÑı Ġ׾×ij×ĵ ×ķק ÙĬ ÙħÙĨ lay ın Ġh ải Ġзав од ĠìķĦ 주 สà¸ĸ า สà¸ĸา à¸ļัà¸Ļ Ġgüven lik à¹Ģà¸Ķ à¹Īà¸Ļ ×ij×ĵ ק Ġë Ī ĠëĪ Ħ ĠëĪĦ 구 éĩįè¦ģ ãģª รà¸Ńà¸ĩ รัà¸ļ sch lie schlie ÃŁen Ġìĸ ¼ Ġìĸ¼ ë§Ī Ġìĸ¼ë§Ī ëĤĺ ÑĤи ки íķľëĭ¤ ê³ł ãģłãģ£ãģŁ ãĤī Ġ×Ķ ×Ļ×ĺ×ij ãģªãģijãĤĮãģ° ãģªãĤīãģªãģĦ â Ì Ã¢Ì £ Ġph ạt ak Ä±ÅŁ ãģ¦ãģĹãģ¾ ãģĦãģ¾ãģĻ à¹Ģà¸ĭ à¹ĩ ĠС егоднÑı Ġinsan ların Ġdévelop pe ת פר תפר ×Ļ×ĺ اÙĨت شار ê° ij Fran çois Ø£ÙĦ ع Ø£ÙĦع اب ãĤĴ è¶ħ ãĤĴè¶ħ ãģĪ Ġê°Ļ ìĬµëĭĪëĭ¤ ãĤ³ ãĥ¬ ĠмеÑģÑı ÑĨев íĮ ħ ĠاÙĦج اÙħعة ìĿ¸ íĦ° ìĿ¸íĦ° ëĦ· ×ĵר ×ķש ĠÙĪØ£ شار ĠпÑĢав ила ãģĿãģĵ ãģ« ×Ĺ ×ŀ×ĵ à¹Ģหà¸ķุ à¸ģารà¸ĵà¹Į Ġê²½ íĹĺ ãģ¶ ãĤĬ ׾ ש ׾ש ×ķף à¹Ģ à¸ĸ ĠDo ÄŁu ĠиÑģполÑĮзов ание Ġçoc uÄŁu магазин е ĠÄiji á»ĥn Ġas lı Ġaslı nda Ġdoen ça Ġس اع Ġساع ات ĠиÑģполÑĮзов аниÑı ר ×ķצ×Ļ×Ŀ ĠзнаÑĩ иÑĤ ĠÑĢаР¼ ĠÑĢам каÑħ ê±° 리 Ġп ÑĭÑĤа ãĥģ ãĥ³ Ġпо Ñģк ĠпоÑģк олÑĮ ĠпоÑģколÑĮ кÑĥ Ø¥ بر إبر اÙĩ إبراÙĩ ÙĬÙħ ĠÑĤÑĢ еÑħ ĠGen ç س ÙĪÙģ Ġve ÃŃculo ĠNg ân ĠоÑĩеÑĢ едÑĮ à¸Ħร ึà¹Īà¸ĩ ×IJ ×ij×Ļ à¸ķ à¹īม ãĤĴè¡Į ãģĦ ĠاÙĦساب ÙĤØ© на ÑĨи наÑĨи она наÑĨиона лÑĮн Ġgest ión ت ÙĤد ĠاÙĦبÙĬ اÙĨ ĠاÙĦبÙĬاÙĨ ات ĠاÙĦ اÙĨتخاب ĠاÙĦاÙĨتخاب ات à¹Ģà¸Ĭ à¹Īา ×ĵ ×IJ×Ĵ Ġ׾×Ĵ ×ŀר×Ļ Ġت ØŃتاج Ġth ôn à¸ķ à¹īà¸Ńà¸Ļ à¸ķà¹īà¸Ńà¸Ļ รัà¸ļ 女 ãģ® 女ãģ® åŃIJ Ġth ợ Ø· ØŃÙĨ ารà¹Į à¸Ķ ת ×ŀ×Ļ×ĵ ĠÑģам Ñĭм Ġìĭľ íĸī Ø¥ صد إصد ار ĠNgh á»ĩ ìķ ķ س ئ سئ ÙĦ à¸Ń าร à¸Ńาร ม à¸Ńารม à¸ĵà¹Į à¹ģ ฮ ׳×ĺ ׾ Ġì¢ĭ ìķĦ ×ķ׾ ׾ Ġ×ij ×Ľ×ª×ij ãĤ« ãĥ© צע ×Ļר×Ļ×Ŀ تعب ÙĬر Ġ×ŀ קר×Ķ ĠÑĦак ÑĤоÑĢ Ġت ÙħاÙħ ĠتÙħاÙħ ا ëį ķ Ġv Æ°á»Ŀ ĠvÆ°á»Ŀ n Ġd Ä±ÅŁÄ± ãģĦ ãģ¡ Ġ׾ק ׳×ķת ĠاÙĦع ÙĦاÙĤات п Ñĥб пÑĥб ли Ø¥ ÙĬÙħ Ø¥ÙĬÙħ اÙĨ à¸Ńำ à¸Ļา à¸Ńำà¸Ļา à¸Ī åIJ« ãģ¾ãĤĮ ãĤĭ ãģŁãĤģãģ« ס ×Ĵ ס×Ĵ ׳×ķף تØŃ Ø¯ÙĬ Ġaup rès ĠاÙĦج Ùĩا ĠاÙĦجÙĩا ز Ġ×ŀ ת×Ĺת ен нÑĥÑİ Ġз им à¸ģา à¹ģà¸Ł Ġ×ijת ×ķר Ġngh è Ġnghè o ĠÐĽ Ñİ ĠÐĽÑİ Ð± תק צ×Ļ×ij ×ŀ×¢ ש×Ķ ĠاÙĦبÙĬ ت צ ×Ļפ ĠобÑıз ан ĠM á»Ĺi ĠТ ÑĥÑĢ ĠÙĪب اÙĦت ĠÙĪباÙĦت اÙĦÙĬ Ġdéc ision Ġب د Ġبد أت Ġc ục Ġb ask Ġbask ı Ġhat ırl Ġhatırl a å°ı ãģķãģĦ Ġgerçek ten à¸ľ ัà¸ģ åı¯èĥ½ ãģª ×ŀ×IJ ס Ġcr ÃŃtica ĠìĿĺ ìĽIJ عÙĤ ÙĪد ×ĺ ׼׳ ×ĺ׼׳ ×ķ׾×ķ×Ĵ×Ļ×Ķ è¨Ģ ãģĪãģ° ĠÙĤ ÙĨا ĠÙĤÙĨا Ø© ĠìĿ´ê²ĥ ìĿĢ ت صر à¸Ł ัà¸Ļ ĠÑĢе ÑĨеп ĠÑĢеÑĨеп ÑĤ ĠبÙĨ Ùģس ÑĢо ÑĪ ĠмаÑĢ ÑĤа Ġson ras Ġsonras ı ×ķ×ij ש ãĥª ãĤ¹ãĤ¯ ĠFranç ais á» ļ ê° Ķ Ġ×Ķ×ijר ×Ļת פ ×Ļצ פ×Ļצ ×ķ×Ļ ĠÙĦÙħا ذا ĠÐļи ев ĠÑģ мÑĭÑģл ê¸Ī ìľµ ãĤ·ãĥ£ ãĥ« ãĥ© ãĤ¤ãĥĪ ìĽ ĥ ×ŀ ×Ĺר ãĨ į Ġkullan ım Ġ×IJצ׾ ׳×ķ Ġt Ãłn ãĥı ãĥ¼ ãģ¨ ãģ¨ãĤĤ ãģ¨ãģ¨ãĤĤ ãģ« ÑĢ ег ÑĢег и ÑĢеги он ãģªãģı ãģªãĤĭ Ġch ảy Ġج ÙĩØ© ÅĦsk iej à¸Ńี à¹Ģม à¸Ńีà¹Ģม ล ãģį ãģ£ãģ¨ ĠìĺĪ ìĤ° Ġkit abı Ġedu cação Ġbul uÅŁ олог иÑı Ġкон кÑĢ ĠконкÑĢ еÑĤ ×Ĵ ×Ļר ĠпÑĢед лаг ĠпÑĢедлаг аеÑĤ ĠY ên Ġíķľ ë²Ī Ġ×ŀ ר׼×ĸ×Ļ à¹Ģà¸Ľà¸´à¸Ķ à¹Ģà¸ľà¸¢ ÑĤвеÑĢ д ĠH á»ĩ ĠÐĵ ÑĢ à¸Ŀ à¹īา ×Ķ שק ×Ķשק ×¢×Ķ Ġна Ñĥк ìłIJ ìĿĦ Ġн елÑĮ ĠнелÑĮ з ĠнелÑĮз Ñı г ин ĠB öl ĠBöl ge Ġв ла Ġвла ÑģÑĤи à¹Ģà¸Ļ à¹ĩ à¹Ģà¸Ļà¹ĩ à¸ķ ê³ ¨ Ġö ld Ġöld ür ׼׳ ×¢ ĠاÙĦÙĩ ÙĬئة ت ارÙĬØ® ĠÐij ÑĢ ĠÑģ мож ĠÑģмож еÑĤе ĠL úc à¹Ħà¸Ľ à¸ĸึà¸ĩ ĠBakan ı Ġerklä rt ĠÐIJ на Ġsc ène åķı ãģĦ åķıãģĦ åIJĪãĤıãģĽ ÙħÙĩ ÙĨد ÙħÙĩÙĨد س Ġн азвание ив аниÑı ãĤĴ å¤īãģĪ ä»ĺãģį åIJĪ ãĥij ãĤ½ ãĥijãĤ½ ãĤ³ãĥ³ æĺİ ãĤī æĺİãĤī ãģĭ à¹Ģà¸Ńà¸ģ สาร à¹Ģà¸ģิà¸Ļ à¹Ħà¸Ľ л еп ãģĹãģŁ ãĤĤãģ® ĠC âm ĠCâm ara ק×ķ׾ ׳×ķ×¢ Ġ×ij×Ĵ ×Ļף Ġoc zy Ġoczy wiÅĽcie att ivitÃł ãĥĵ ãĥ¥ãĥ¼ Ġeduc ación Ä° YE ê¹Į ìļĶ ãĤ¨ ãĥªãĤ¢ н еÑģÑĤи Ġm óg Ġmóg ÅĤ Ġק×ĺ ׳×Ļ×Ŀ ĠPr ä Ġ×ľ×¢ ×ij×ķר بÙĨ Ùī з ол зол оÑĤ Ġwn ÄĻtr ĠwnÄĻtr z Ġconstr ução รัà¸ļ รà¸Ńà¸ĩ س جÙĨ Ġק ×ķ׳ ס ×Ļפ×ķר ĠÙħ دÙī رض Ùī п лав ï¼ ¥ Ġil a Ġila ç ãĤĭ ãģ¹ãģį ĠÙħ ÙĪÙĤÙģ à¸ģร ุ à¸ģรุ à¸ĵา chodzÄħ c ĠÑĤÑĭ Ñģ Ðķ вÑĢо ĠÙĬ ØŃدث ãĥ¡ ãĤ¤ãĥ³ ĠاÙĦص ØŃÙĬ ĠÐĶ ан دع اء ãĤ´ ãĥ¼ãĥ« ש ×ł×ª×Ļ ×©×ł×ª×Ļ ×Ļ×Ŀ à¸Ķà¹īวย à¸ģัà¸Ļ Ġol acaģı Ġ×ij ×ŀ×Ĺ×Ļר ×Ķ ק ×Ķק ×ŀת ãĥ¢ ãĥİ ĠçalÄ±ÅŁ tı Ġjó venes ãģĦãģı ãĤī ĠÙħ عدÙĦ ĠC Å©ng ĠSeg ún Ġdönem de Ġ׾ ×Ļ×ĵ×Ļ ãģį ãģ¡ ãģįãģ¡ ãĤĵ ãģįãģ¡ãĤĵ ãģ¨ Ùģر ÙĨس ÙģرÙĨس ا åIJij ãģį Ġcamp aña ĠÑģам оÑģÑĤоÑı ĠÑģамоÑģÑĤоÑı ÑĤелÑĮно á» Ģ ÙĤ ÙĪا س ÙĦاØŃ à¸ģระ à¹ģ à¸ģระà¹ģ ส ĠполÑĮз Ñĥ n qu nqu ête รà¹Īวม à¸ģัà¸ļ ëĬIJ ëĥIJ à¸Ĺีม à¸Ĭาà¸ķิ Ġyıll ık ìĬ ¬ ĠØ£ صØŃاب ill é Ġdó la Ġdóla res Ġк ож Ġкож и ล à¹īà¸Ń à¹Ģรีย à¸ļร à¹Ģรียà¸ļร à¹īà¸Ńย à¹Ģà¸ŀ ิ à¹Ģà¸ŀิ à¹Īà¸ĩ ÑĢиÑĤоÑĢ и Ġí ijľ Ġíijľ íĺĦ ĠпеÑĢ ев ĠпеÑĢев од פ×Ĵ ×Ļ×¢×Ķ ĠdeÄŁerlendir me Ùģ ائ ĠвÑĭ год ınız ı ×ķ׼ ×Ļ×Ĺ ĠдоÑģÑĤ иг Ġng Ãłn æĢĿ ãģ£ãģŁ ĠÐķ ÑģÑĤÑĮ ĠاÙĦر غÙħ ĠzwiÄħz ane رب Ø· à¸Ļ ึà¸ĩ Ġ׾×Ĺ ×ķק Ġszczeg óln Ġszczególn ie Ġبا ستخداÙħ ĠfÃŃs ico ×¢ ס עס ×ķק سÙĦ ÙĪÙĥ Ġا ØŃد Ñĩ ÑijÑĤ ×ĸ׼ ×Ķ Ġl á»ĩnh ĠÙĪ ØŃت ĠÙĪØŃت Ùī à¸Ħวาม สามารà¸ĸ à¸Ńยูà¹Ī à¹ģลà¹īว à¸ģาร à¹Ģà¸Ķิà¸Ļà¸Ĺาà¸ĩ تخ Ø° צ×Ļ ×ķ×ĵ ĠاÙĦØ£ س ĠاÙĦأس ÙĩÙħ Ġt á»ĩ ãģ£ãģ¦ ãģĦãģ¦ สร ุ สรุ à¸Ľ Ġком ÑĦ ĠкомÑĦ оÑĢÑĤ ìĺ¤ ëĬĶ ĠÑĢаз в ĠÑĢазв ива л анд h änge ĠبÙĨ سبة à¹Ģà¸Ĥ ียว עצ ×Ŀ Ġ׾ ×ľ×Ľ×ª Ñģо ÑĨиалÑĮн Ġëĭ¤ìĿĮ ê³¼ Ġרש ×ķ×ŀ ×ŀר ×Ĺ×ij س ÙĤØ· Ġalan ı ĠÄij á»ĩ é£Łãģ¹ ãĤĭ à¸Ķ ึà¸ĩ Ġgegen über ĠبÙĩ Ø°Ùĩ à¸ĸืà¸Ń à¹Ģà¸Ľà¹ĩà¸Ļ ëķ ħ à¸Ħà¸Ļ à¹Ħà¸Ĺย ãĤ¢ ãĤ¦ ãĤ¢ãĤ¦ ãĥĪ ศ ัà¸ģ ศัà¸ģ à¸Ķิ ศัà¸ģà¸Ķิ à¹Į ÙĤÙĪ اÙĨ ÙĤÙĪاÙĨ ÙĬÙĨ Ġhá»Ļ p ãģªãģıãģª ãģ£ãģ¦ Ġ×IJ ×ŀ׳ Ġ×IJ×ŀ׳ ×Ŀ à¹Ģà¸ķ ืà¸Ńà¸Ļ ĠзавиÑģ им ĠзавиÑģим оÑģÑĤи ת ×Ļ×IJ ת×Ļ×IJ ×ķר å§ĭãĤģ ãģŁ Ġng á»į Ġngá»į t íĴ į ê³¼ ìŀ¥ Ġb ại ãģ§ãģį ãģ¦ Ġcomeç ar à¸Ľà¸£ าà¸ģ à¸Ľà¸£à¸²à¸ģ à¸ı Ġгод Ñĭ м еÑģ ĠاÙĦÙħست ÙĪÙī ĠÑģам Ñĭе л леÑĢ ãģ£ãģ¦ãģĹãģ¾ ãģĦãģ¾ãģĻ ãģ¨ãģ® ãģĵãģ¨ bi ó à¸ģล à¹Īà¸Ńà¸ĩ ĠاÙĦز ÙĪج ãģ«è¡Į ãģ£ãģŁ à¸Ħà¹Ī à¸Ńà¸Ļ à¸Ħà¹Īà¸Ńà¸Ļ à¸Ĥà¹īาà¸ĩ ĠbaÄŁ l ĠbaÄŁl ant ĠbaÄŁlant ı 確 ãģĭ 確ãģĭ ãģ« ãĥľ ãĥ¼ãĥ« çµĤ ãĤıãĤĬ ש ×ŀר à¸Ĺีà¹Ī สามารà¸ĸ ÙĦ زÙħ д аеÑĤÑģÑı รัà¸ļ à¸Ľà¸£à¸° รัà¸ļà¸Ľà¸£à¸° à¸Ĺาà¸Ļ å¤ī ãĤıãĤĬ ï¼ ¢ ĠìĺĪìĪĺ ëĭĺ ãĤĪãģĨ ãģ¨ มัà¸ģ à¸Īะ ĠH Æ°Æ¡ng ÙĨ ÙģØ° ×ŀ×ĵ ×ĵ ĠìĿ¸ ìłķ Ñħод иÑĤÑĮ ĠзавиÑģ иÑĤ ×ķ×ĵ ×Ļ×¢ ãģĵãģ¨ãģĮ ãģĤãĤĬãģ¾ãģĻ ع راÙĤ سط ØŃ à¸ģำ à¹Ħร ëĵ¤ ëıĦ ×Ļצ ×Ļר×Ķ ãģĨ ãģĵãģ¨ ÙĦا ØŃÙĤ ãģĦ ãĤĮãģ° ĠиÑģполÑĮз ÑĥÑİÑĤ ĠB ợi Ġשק׾ ×Ļ×Ŀ ÑĨи кл ÐIJ Ðŀ Ġ×ijש ׳×Ķ ÙĨØ´ Ø· Ġש ×Ļ׳×ķ×Ļ Ġש×Ļ׳×ķ×Ļ ×Ļ×Ŀ Ġpobl ación ĠH Æ°ng ระ ว ระว ัà¸ĩ رÙĬاض Ø© ر صد تÙĤ ÙĦÙĬ تÙĤÙĦÙĬ د Ġülk em Ġülkem iz à¸Ĭ ะ ãĤ¯ãĥª ãĥ¼ãĥł èģŀ ãģĦãģŁ Ġwa ż Ġważ ne ê±° ëĵł ê±°ëĵł ìļĶ ×ŀ×IJ ×ijק ×Ĺ×ĵ ש×ķת ĠW roc ĠWroc ÅĤaw ĠKü ltür s ist sist ência ×¢×ĸר ×Ķ Ġg Æ°Æ¡ng รà¹īาà¸Ļ à¸Ħà¹īา ĠÙĪØ£ ÙĪضØŃ Ã¡nd ose ãĤ· ãĥ¼ãĥ³ ×IJ׳ ר×Ĵ ×IJ׳ר×Ĵ ×Ļ×Ķ ãģªãģĦ ãģ§ãģĻ Ġkh ủng Ġ문 ìĦľ Ġ×ij ×ĵ×ijר ×ĵ ×Ļ×ķ ×ĵ×Ļ×ķ ×ķ×Ĺ Ġré gl ÙħÙĪ اد об оÑĢ обоÑĢ оÑĤ Ġ×Ķ ×ij׾ Ġ×Ķ×ij׾ ×ķ×Ĵ ØŃ Ø§Ùħ ĠاÙĦع اص ĠاÙĦعاص ÙħØ© пеÑĢ аÑĤоÑĢ ت Ø®ÙĦ تخÙĦ ص ãģŁãģł ãģĹ Øª سÙħ à¹Ĥรà¸ĩ à¸ŀ à¹Ĥรà¸ĩà¸ŀ ยา à¹Ĥรà¸ĩà¸ŀยา à¸ļาล ĠY ük ĠYük sek Ġש ׳×Ļת Ġש׳×Ļת ף liÄŁ e Ġפ ת Ġפת ×ķ×Ĺ Ġbe ÄŁ ĠbeÄŁ en Ġ×ŀ ×ķר Ġ×ŀ×ķר ׼×ij Ġرس اÙĦØ© íĨµ ìĭł Ġaval ia Ġavalia ções Ġman h Ġmanh ã Ġìķ ŀ Ġìķŀ ìľ¼ë¡ľ ÙĤ تر ÙĤتر ØŃ à¹Ģà¸ģ ืà¸Ń à¹Ģà¸ģืà¸Ń à¸ļ Ġpropos é Ø£ Ùħا Ø£Ùħا ÙĥÙĨ ĠÐŀ Ðŀ ĠÐŀÐŀ Ðŀ ÙħÙĤ ار ÙħÙĤار ÙĨØ© ëĦ IJ ãģĦãģŁãģł ãģı ÙĤ ÙĬÙĦ Ġна ÑĪиÑħ ãĤ« ãĥĥãĥĹ ×Ĺ׾ ת Ġëĭ¤ ë§Į à¸Ĺัà¹Īว à¹Ĥลà¸ģ ãĥį ãĤ¿ ØŃس اس ãģ«ãģª ãĤĮ ج ائ جائ زة é change é conom économ ie Т Ðĺ סת ׼׾ à¸Ĺัà¹īà¸ĩ สà¸Ńà¸ĩ ĠاÙĦØ® اÙħ ĠاÙĦخاÙħ س ק ×ĺ×¢ au waż à¸ľà¸¹à¹ī à¸Ĭาย à¹ģà¸Ľà¸¥ à¸ģ åIJĮæĻĤ ãģ« зн аниÑı ãģĦãģŁãģł ãģįãģ¾ãģĹãģŁ Ġ×ŀ×ij ׾×Ļ à¸Ĥà¸Ń à¹ĥหà¹ī ĠاÙĦت ربÙĬØ© Ġdécou vert Ġżyc iu apr ès Ġy ab Ġyab anc Ġyabanc ı ĠbaÅŁ layan ìĹĪ ëįĺ Ġhes abı Ġë§Į ìķ½ ë§ Īëĭ¤ ĠTh ánh ãĥ´ ãĤ¡ à¸Ľà¸£à¸±à¸ļ à¸Ľà¸£ à¸Ľà¸£à¸±à¸ļà¸Ľà¸£ ุà¸ĩ ĠM ặc à¹Ģหà¸ķุ à¸ľà¸¥ ĠÐij ез Ġcapac itÃł ÅĤe ÅĽ ĠпÑĢе им ĠпÑĢеим ÑĥÑīеÑģÑĤв ĠÅļ wiÄĻt Ġpubli é ×ŀ×¢ צ×ij Ùħشار Ùĥات à¸łà¸² ษ à¸łà¸²à¸© ี Ġdeux ième ĠÙħØŃ Ø§Ùģظ ĠÙħØŃاÙģظ Ø© ĠSch ön ï½ ¤ Ġ×Ķ ×ij×¢ Ġ×Ķ×ij×¢ ×Ļ×Ķ ĠÙĪاÙĦ ÙĦÙĩ è¨Ģ ãģ£ãģŁ à¸ķ à¹īาà¸Ļ วร รà¸ĵ à¸Ĺิ ศ ĠbaÅŁ ına Ġmog ÄĻ ש ×Ļפ×ķר ĠÙĪ عد ĠÙĪعد Ùħ Ġhistó rico Ġk ısı ĠìĿ´ ê²Į ĠPol ÃŃtica ĠÑģиÑĤÑĥ аÑĨии ĠkoÅĦ ca ×ij×ĵ ×Ļק×Ķ ĠاÙĦسÙĬ ارات ãģªãĤī ãģ° ãĤµ ãĥ© ãĤĭãģĵãģ¨ãģĮãģ§ãģį ãĤĭ Ġdecis ão ×ķ ×ķ×ĵ lä ss läss ig Ġ׾ ×Ļשר×IJ׾ ĠÙĬ أتÙĬ ר ×ķ×ĸ ö ÄŁ Ã¶ÄŁ ret Ã¶ÄŁret im Ġд ек Ġдек аб Ġдекаб ÑĢÑı Ġש ×Ĺ×ķר ãģ¦ãģıãĤĮ ãģŁ عب ارة Ġélect rique ĠاÙĦتÙĨ ÙħÙĬØ© جر Ùī ĠìĪĺ íĸī à¸Ĺ ู ĠÑĢе алÑĮно Ñģп оÑģоб à¸Ħล à¹īาย Ġس عÙĪد ön ü ĠÙģ ÙħÙĨ تÙĥ ÙĪ تÙĥÙĪ ÙĬÙĨ ĠкаÑĩ еÑģÑĤво ĠконÑĤ ак ĠконÑĤак ÑĤ Ġsöz leÅŁme à¸Ń à¹īาà¸ĩ Ġت ÙĪÙģ ĠتÙĪÙģ ÙĬر ×Ķ×ĸ ×ĵ ×Ķ×ĸ×ĵ ×ŀ׳×ķת ĠØ·ÙĪÙĬÙĦ Ø© Ġtér mino Ġ×IJ ×Ļפ×Ķ ãĥĵ ãĥ« ส à¹Ĥม สà¹Ĥม สร ĠاÙĦ اث ĠاÙĦاث ÙĨÙĬÙĨ ев иÑĩ Ġopin ión à¸Ľ วà¸Ķ åı¤ ãģĦ ร à¹Īา ĠB iaÅĤ ĠÑģÑĤ ал ĠÑģÑĤал о ó logo ĠìķĦ ëĭĪëĭ¤ Ġ×IJ ×Ļת Ġ×IJ×Ļת ×ķ à¹Ģหà¹ĩà¸Ļ วà¹Īา à¸ļ ารà¹Į çĦ ¼ çĦ¼ ãģį ĠìĿ´ìļ© ìŀIJ ĠнекоÑĤоÑĢ Ñĭе ks z ksz taÅĤ ksztaÅĤ c ãĤŃãĥ£ ãĥĥãĤ· ãĤŃãĥ£ãĥĥãĤ· ãĥ³ãĤ° Ġro ÅĽ ĠroÅĽ lin ÑĢаж а ×ij׳×Ļ ×Ļ×Ķ à¸Ľà¸£ สิ à¸Ľà¸£à¸ªà¸´ à¸ķ Ġgörd ü ×ŀ׳×Ķ ×Ļ×Ĵ å¤īãĤı ãģ£ãģ¦ Ġ×IJ ×Ķ Ġ×IJ×Ķ ×ijת×Ļ à¹Ģร à¹Īà¸ĩ Ġön ünde Ġê·¸ ëĥ¥ пол иÑĤ полиÑĤ иÑĩеÑģк ãĥ¡ ãĥĩãĤ£ ãĥ¡ãĥĩãĤ£ ãĤ¢ ĠDet ay ĠDetay lı ĠاÙĦصÙģ ØŃØ© à¸ģาร à¹Ģà¸ĩิà¸Ļ Ġìµľ ê·¼ ׼ ש׾ ï¼ © вÑĪ его íķĺ ìĭ¤ ĠÐŃ ÑĤ ĠÐŃÑĤ оÑĤ ส ื สื à¸ļ Ġng ừng ĠдокÑĥменÑĤ ов дав аÑĤÑĮ ĠاÙĦشخص ÙĬØ© Ġצ ×¢×Ļר در Ùĥ س ØŃب à¹Ħมà¹Ī à¸Ħà¹Īà¸Ńย Ġ×Ķ×ŀק ×ķ×ŀ×Ļ สัà¹Īà¸ĩ à¸ĭืà¹īà¸Ń Ġê·¸ê²ĥ ìĿĦ ãģĤãĤĭ ãģĦ ãģĤãĤĭãģĦ ãģ¯ ×IJ×ķ×ĺ ×ķ×ij ×IJ×ķ×ĺ×ķ×ij ×ķס к ÑĨион ĠÐľ ожно ãģı ãģł ãģıãģł ãģķ ĠинÑĦоÑĢм аÑĨиÑı ï» Ł Ġìŀij ìĹħ Ġ×Ļ ×ķסף Ø¥ دارة ĠاÙĦØŃ Ø§Ø¬ ×ł×¡ ×Ļ×¢×Ķ из аÑĨиÑı ×IJ׾ ×ij ×IJ׾×ij ×ķ×Ŀ п ед Ġק×ĺ ׳×Ķ ĠÙĨÙģس Ùĩا ĠMinist ério Ġп ен Ġпен Ñģи ãĥIJ ãĥ©ãĥ³ãĤ¹ Ġ×Ķת ×ķר×Ķ Ġt ạm ĠìĹŃ ìĭľ ï½ ¡ Ġth á»± Ġ ısı ì» ¨ ãģĹãģ£ãģĭãĤĬ ãģ¨ Ġx Æ°a Ġc ặp ×Ĺ ×Ļ×ij×ķר วัà¸Ĵà¸Ļ à¸ĺรรม st är stär ke ĠÑģам Ñĭй p isa pisa Äĩ ĠoluÅŁ an ĠاÙĦØ¥ ÙħاÙħ ĠcÄĥ ng Ġgü nl Ġgünl ük Ġ׳ש ×IJר Ġkhi á»ĥn ç¶ļ ãģijãĤĭ stit ución Ġcapac ité Ġj aki Ġjaki ÅĽ вÑĪ иÑģ вÑĪиÑģ ÑĮ פע×ķ׾ ×ķת ĠØŃ ÙĬات ĠØŃÙĬات Ùĩ Ġник огда ÐĽ Ь Ġ×Ķ×¢ ×ķ×ij Ġ×Ķ×¢×ķ×ij ×ĵ×Ķ Ġch Ãło หลาย à¹Ĩ ĠÑı н ĠÑıн ваÑĢ ĠÑıнваÑĢ Ñı à¸Īำà¹Ģà¸Ľà¹ĩà¸Ļ à¸ķà¹īà¸Ńà¸ĩ Ġhö her ãģķãĤĮãģ¦ ãģĦãģŁ สà¸ĩ สั สà¸ĩสั ย ĠاÙĦ اس ĠاÙĦاس ÙĦاÙħ ĠاÙĦØ´ Ùħس สà¸ĸาà¸Ļ ี ãĤ¯ãĥ© ãĤ¹ à¸ŀร ร à¸ŀรร à¸Ħ p õ põ e Ġpor ém à¸Ľà¸£à¸° สà¸ĩ à¸Ľà¸£à¸°à¸ªà¸ĩ à¸Ħà¹Į powied zie powiedzie Äĩ Ġмог Ñĥ Ġж ел Ġжел ез ĠاÙĦØ« ÙĤ ĠاÙĦØ«ÙĤ اÙģÙĬ ĠпÑĢав ило Ġgdy ż פש ×ķ×ĺ ÑĢабоÑĤ ка ĠÙĥ رة Ø´ دد Ùħار Ùĥ Ùħ ÙĥØ© Ġпод пиÑģ ×ĺ×ķ ×ķ×Ĺ ĠÅĽ c ĠÅĽc ian Ġر جاÙĦ Ġ×ª×ľ ×ķ×Ļ и ÑĪ иÑĪ ÑĮ Ġmé dec Ġmédec in ëįĶ ëĿ¼ëıĦ ĠÑĤеб Ñı Ġ׾×Ķ ×ķס×Ļ×£ ãģĬ 話 Ġà¹ģà¸ķà¹Ī à¸ģà¹ĩ د اÙģ داÙģ ع ĠC ùng ãĥ»ãĥ» ãĥ»ãĥ» ê¶ ģ Ġdeber ÃŃa หà¸Ļà¹Īวย à¸ĩาà¸Ļ Ġva ÌĢ Ġעצ ×ŀ Ġעצ×ŀ ×Ŀ à¹Ģà¸Ĭืà¹Īà¸Ń วà¹Īา שק ×¢ Ġ×Ķ ׼×ķ׾ Ġ×Ķ׼×ķ׾ ׾ ни бÑĥд нибÑĥд ÑĮ ĠëĦĪ íĿ¬ Ġоб ÑĢаÑī ĠобÑĢаÑī а Ġ×¢×ij×ķ×ĵ ת ĠاÙĦÙħÙĨت خب ıy ord ıyord u ÙĪ Ø° ×Ĺש ×Ļ×ij×ķת Ġ×Ķ×¢ ×Ļק Ġ×Ķ×¢×Ļק ר×Ļ ì¢ Į ยุ à¹Ĥร ยุà¹Ĥร à¸Ľ Ġа пÑĢ ĠапÑĢ елÑı sz ed szed ÅĤ д он à¹Ģà¸ķิ à¸ļ à¹Ģà¸ķิà¸ļ à¹Ĥà¸ķ кол о Ġkażde j å¸ ° 帰 ãĤĬ Ġмил ли Ġмилли он ç¾İåij³ ãģĹãģĦ ت ÙĤار تÙĤار ÙĬر ĠìĿ´ 루 ĠìĿ´ë£¨ ìĸ´ Ġsprzeda ż ×Ķ ×ķצ×IJ×ķת ãĤ¢ãĤ¯ ãĤ» ãĤ¢ãĤ¯ãĤ» ãĤ¹ ר ×ķ×¥ ĠгоÑģÑĥдаÑĢÑģÑĤв енн Ø£ ØŃÙĥ Ø£ØŃÙĥ اÙħ ĠoluÅŁ u ĠA ç ĠAç ık ãĤ¸ ãĥ¼ ç´ł æĻ´ ç´łæĻ´ ãĤīãģĹãģĦ Ġ×ijש×ij ×ķ×¢ ب Ø° بذ ÙĦ สา à¹Ģหà¸ķุ Ġpoz osta Ġpozosta ÅĤ ØŃر Ùħ Ġimport ância leÅŁtir me Ġд ÑĢев Ġmó vil ĠA ynı Ġна лог Ġналог ов Ġ×Ĺ ×Ļפ×Ķ ĠÑĦоÑĢм Ñĥ à¸Ĺà¸Ķ สà¸Ńà¸ļ ĠksiÄħż ki Ġma ÅĤe Ùħس Ø£ÙĦ ÙħسأÙĦ Ø© ï¼¾ ï¼¾ ç ãeste év iter Ġкон ÑģÑĤÑĢÑĥк ĠконÑģÑĤÑĢÑĥк ÑĨи ï¾ ŀ Ġת×ķ׼ ׳ ãĤ¹ãĥĪ ãĥ¬ãĤ¹ ĠاÙĦاÙĤتصاد ÙĬ ×ŀ×ĵ ×Ļ Ġw ÅĤad ĠwÅĤad z Ø® ÙĪÙģ ĠмаÑĤеÑĢиал ов ãģ¨ãģ£ãģ¦ ãĤĤ Ġznaj du Ġznajdu jÄħ Ùģ ئة ãģ©ãģ® ãĤĪãģĨãģª æĬij ãģĪ ׳ ×Ĺ׾ Ġdü ny Ġdüny an Ġdünyan ın гÑĢ ани гÑĢани Ñĩ Ġ×Ķש׾ ×Ļש×Ļ Ġ×Ķ×IJ ש åıĬ ãģ³ ìĭŃ ìĭľ ìĭŃìĭľ ìĺ¤ Ġдол л Ġдолл аÑĢ Ġпов ÑĤоÑĢ Ġ×Ĺ ×Ļ׳×Ŀ ת פת×Ĺ Ñĥв ели Ñĥвели Ñĩен ãĤ« ãĥª raw id rawid ÅĤow ×ķ ×ķ׾ ãĥŁ ãĥ¥ ì½ ĺ ĠBy ÅĤ Ðľ ÐIJ ع ÙIJ ĠÑģовеÑĢ ÑĪ ĠÑģовеÑĢÑĪ енно Ġм ой Ġ×ķ׾×IJ ×Ĺר æħ £ æħ£ ãĤĮ ØŃ Ø§Ùģظ Ġ무 ë£Į à¸Ħà¸ĵะ à¸ģรรม à¸Ħà¸ĵะà¸ģรรม à¸ģาร Ġìĸ´ ëĶĶ Ġdif eren Ġdiferen ça ĠاÙĦØ£ ساس ĠاÙĦأساس ÙĬØ© Ġ׾×IJ×Ĺר ×ķ׳×Ķ ê· ł Ġ×Ķש׳×Ļ ×Ļ×Ķ ìľĦìĽIJ ìŀ¥ ลุ à¸ģ ç iler Ġ×Ķ×IJ ׾×ķ èģŀ ãģı Ġ×ķ×IJ פ×Ļ׾×ķ ĠÑĢе ализ ĠÑĢеализ аÑĨи ระยะ à¹Ģวลา Ġجدا Ùĭ تب اع Ġveh ÃŃculo Ġдол г à¸Ľà¸£à¸´ มาà¸ĵ ì¦ IJ Ġ׾ ×ŀק×ķ×Ŀ ĠìĤ¬ ì§Ħ à¸Ĭ à¹īา Ġ×ŀ×¢ ×ķ׾×Ķ Ġgö rm Ġgörm ek ĠÙĪÙĩ Ø°Ùĩ пеÑĢ в пеÑĢв ÑĭÑħ ê·¸ ëŀĺ ĠاÙĦبر ÙĬØ· ĠاÙĦبرÙĬØ· اÙĨÙĬ ĠиÑİ Ð½Ñı ĠÐĵ оÑĢ Ġ׾ ש׾×Ŀ ÐIJ ÐĿ Ġназ наÑĩен о оÑĢ ооÑĢ Ñĥж Ġöz elli Ġözelli ÄŁi Ġни же ç¶ļ ãģijãģ¦ Ġа ÑĢенд Ġkat ılı Ġkatılı m ĠØ¥ Ø·ÙĦاÙĤ ĠÙĪØ¥ ذا Ġок ÑĤÑı ĠокÑĤÑı бÑĢÑı à¹Ĥà¸ķ ๠à¹Ĥà¸ķ๠Ĭ à¹Ĥà¸ķà¹Ĭ ะ Ġolduk ları Ùħ ÙĪÙĤع ëĤ © ãģ¨æĢĿ ãģ£ãģ¦ãģĦãĤĭ Ġש ×Ļ׼×ķ׾ วา à¸Ķ س ÙĬÙĦ à¸Ĥ วั à¸Ĥวั à¸į تØŃ ÙĥÙħ ì ĤŃ Ġconna ît ׳ פת×Ĺ Ġch ặ Ġchặ n ĠÙħ ØŃÙħ ĠÙħØŃÙħ ÙĪد ãģ ´ ĠпÑĢодÑĥк ÑĨии зд ÑĢав ãģĶ è¦ ãģĶè¦ § ×IJ×ij ×IJ Ġvé ritable ĠØ· ÙģÙĦ ãĥĪãĥ© ãĥĸãĥ« ê³ ¡ Ġת ×ŀ×ķ׳×Ķ Ġki ên ĠÙĤ ادر Ø¥ÙĤ ÙĦÙĬÙħ ĠпÑĢед пÑĢи ĠпÑĢедпÑĢи ÑıÑĤиÑı Ġb Äĥng Ġay ında Ġg ấp еÑħ ал Ġgi Ãłnh Ġд ав Ġдав но ìĺĢ ëĭ¤ à¸Ļัà¸ģ à¹Ģà¸ķ à¸Ļัà¸ģà¹Ģà¸ķ ะ Ùħست شار ست راتÙĬج ستراتÙĬج ÙĬ رÙħ ز Ġt Ä©nh ë¡ Ń ĠÑĩ еÑĤ ĠÑĩеÑĤ Ñĭ ĠÑĩеÑĤÑĭ ÑĢе ĠEnt ão Ġص غ Ġصغ ÙĬرة ×ij×Ļ×ĺ ×ķ׾ خط ÙĪØ· ĠÑĢазвиÑĤ ие Ġamacı yla à¸Ĺี วี Ġо ÑģÑĤ ĠоÑģÑĤ алÑĮн ש×ķ׾׊ף Ġ׼ ׳×Ļס Ġ׼׳×Ļס ×Ķ Ġd áºŃy ĠyaÅŁ ayan Ġ×ŀ×Ķ ×ķ×ķ×Ķ ĠÑĥ Ñģи ĠÑĥÑģи ли ×ŀ פ×Ļ ĠпÑĢовед ениÑı Ġر ب Ġرب Ùħا ĠاÙĦØ£ ÙĪسط Ġìľł ì§Ģ Ġprac ownik Ġpracownik ów ×ŀס ×ķרת ÙĤار ب à¸Ħวาม รูà¹īสึà¸ģ à¹ģหล ะ ĠاÙĦÙĨ ÙĤد Ġ×IJ׾ פ×Ļ Ùħس ئ Ùħسئ ÙĪÙĦ ев ÑĭÑħ клÑİÑĩ ениÑı ×ij ×Ļ׳ ×ij×Ļ׳ ×Ļ×Ķ×Ŀ ש ×ķ×IJ×Ķ ĠÅŁ ark ĠÅŁark ı Ġsü rec Ġsürec in à¹Ģà¸Ħร à¸Ķ à¹Ģà¸Ħรà¸Ķ ิà¸ķ ãĥIJ ãĥ¬ ĠØ´ Ø£ÙĨ à¹Ģà¸Ńา à¹Ħวà¹ī niÄĻ cie רצ ×Ĺ ĠaÅŁ ama ׳ פ×Ĵ×¢ Ġth á»Ŀ Ġkhu ẩn diÄŁ inde ÑıÑī иÑħ ãĥĺ ãĥ« Ġüber h Ġüberh aupt ĠÑĤÑĢеб ова ĠdÅĤ ugi ×ĺ ×Ļף à¸Ĥà¸Ļาà¸Ķ à¹ĥหà¸įà¹Ī ĠاÙĦØ£ Ùĩ ĠاÙĦØ£Ùĩ ÙĦÙĬ ĠMü d ĠMüd ürü Ġ×Ļ×Ķ ×ķ×ĵ×Ķ Ñĭв аеÑĤÑģÑı س اط ×Ķת ׳×Ķ×Ĵ ×Ķ×ª×ł×Ķ×Ĵ ×ķת à¸ģาร à¸ľà¸¥à¸´à¸ķ íĴ Ģ สà¸ĸาà¸Ļ à¸ģารà¸ĵà¹Į Ġо ÑĦ ĠоÑĦ иÑģ ĠÙĦ عبة Ġstron ÄĻ Ġר×IJ ×ķ×Ļ ×Ĺ ×ij׾ ĠÑĢÑĭ н ĠÑĢÑĭн ке Ġ׾×ŀ×¢ ף اس ÙĦ ห ัà¸Ļ Ġ×IJ ×Ĺ×Ļ ĠпÑĢод ол ê°Ģ ìŀħ Ġ×ijר ×Ĺ Ġ×ijר×Ĺ ×ij×Ļ дж еÑĢ Ġ׾ ×Ĺ׾ Ġ׾×Ĺ׾ ×ķ×ĺ Ġ׾×Ĺ׾×ķ×ĺ ×Ļף ศาส à¸Ļา ãĤ¢ãĤ¤ ãĥĨ ãĤ¢ãĤ¤ãĥĨ ãĥł Ġפר ×ķפ جز اء ล à¸Ńย Ġc iaÅĤa Ġgi ết ĠзнаÑĩ иÑĤелÑĮно Ġolmad ıģ Ġolmadıģ ını н д нд екÑģ تأ Ùĥد Ġìĸ ¸ Ġìĸ¸ ìłľ ay dın ãĥī ãĥ¬ãĤ¹ Ġs ắt Ġíĺ¸ íħĶ Ġë¶ ģ Ġë¶ģ íķľ ãĥij ãĤ¤ Ġ×ŀש×Ĺק ×Ļ à¸Ħà¸Ļ à¸Ńืà¹Īà¸Ļ Ġиз гоÑĤов ĠизгоÑĤов лен à¹Ģà¸ģีย ร à¹Ģà¸ģียร à¸ķิ תק שר ĠÑĢаÑģ ÑĩеÑĤ ส à¹Ģà¸ķ Ġl änger ĠiÅŁ let ĠiÅŁlet me Ġع ÙĦÙĬÙĨ ĠعÙĦÙĬÙĨ ا é lection ĠاÙĦغ ربÙĬØ© íĭ Ģ ãĤĤãĤī ãģĪ Ġкни ги Ø£ سÙħ أسÙħ اء Ġth á»ı Ġthá»ı a หà¸Ļ ู Ġ×ł×¢ ש×Ķ à¸łà¸²à¸¢ à¹ĥà¸ķà¹ī à¸ŀื à¸Ĭ رÙĬ Ø· Ùģ ÙĪض ãģĤãĤĬãģĮãģ¨ãģĨãģĶãģĸ ãģĦãģ¾ãģĹãģŁ ש ×ĵ×Ķ Ġng á»±c ĠÑģеÑĢ ÑĮ ĠÑģеÑĢÑĮ езн T ôi Ġfiyat ları ĠвÑģ Ñİ ĠC ódigo Ġ×Ķש ×IJ Ġ×Ķש×IJ ׾×Ķ ĠP ública Ø¥ Ø® إخ ÙĪاÙĨ ĠзаÑıв ил ãĥ¦ ãĥ¼ ר×IJ ×Ļת vol ución Ġsz ko Ġszko ÅĤy جرÙĬ دة Ġpens é ìī ¬ ĠBüyük ÅŁehir ĠØ£Ùħ رÙĬ ĠØ£ÙħرÙĬ ÙĥÙĬ à¸Ļัà¸ģ ศึà¸ģษา Ġtod av Ġtodav ÃŃa ĠС ан ĠСан кÑĤ íķĺ ìŀIJ ØŃÙĪ اÙĦ ׼ ×ķשר à¹Ģลย à¸Ħรัà¸ļ Ġal gu Ġalgu ém Ùģ ز Ġçek il Ġ×ĵ ר׼×Ļ×Ŀ ãĥIJ ãĥ© à¸ģà¹ĩ สามารà¸ĸ สà¹Īวà¸Ļ ลà¸Ķ íı ° ĠP úb ĠPúb lico à¹ģà¸Ļว à¸Ĺาà¸ĩ ×IJת ×Ĵר Ø´ اش شاش Ø© ci ÅĽni ĠÃľ rün ÙĦÙĪ ØŃ ĠاÙĦ بÙĨ ĠاÙĦبÙĨ Ùĥ ì¡° ì¹ĺ Ġorganiz ación ãģĤãĤĬãģĮãģ¨ãģĨãģĶãģĸ ãģĦãģ¾ãģĻ s ätze ĠÑģем ей ÙĤ صد ÑģÑĤв еннÑĭе Ġpréc éd Ġprécéd ent à¸ģรุà¸ĩà¹Ģà¸Ĺà¸ŀ ฯ ãģ¨è¨Ģ ãģĦ ×ij׳×Ļ ×Ļף ĠØŃ ÙĪ ĠØŃÙĪ اÙĦÙĬ סק ס ĠsaÄŁlam ak Ġ׾ צ×Ļ×Ļף ק×ĵ ש Ġ×Ķ×ŀ ×¢×¨×Ľ×ª Ġ׾×Ķ ×¢×ij×Ļר Ġg ünd Ġgünd em ĠнаÑĪ его à¹ĥà¸Ļ à¸ŀืà¹īà¸Ļà¸Ĺีà¹Ī à¹Ģà¸Ħร ืà¸Ń à¹Ģà¸Ħรืà¸Ń à¸Ĥ à¹Ģà¸Ħรืà¸Ńà¸Ĥ à¹Īาย ظ اÙĩرة ÙħÙĨ ظÙħ ÙħÙĨظÙħ ات Ùħت از 追 ãģĦ dı kt dıkt an ĠëįĶ ìļ± ĠÐĿ апÑĢимеÑĢ tw ór ×ŀ×ķ×¢ צ×Ķ Ùĥ ÙĪÙĥ Ð © ×ŀ×ĺ פ׾ ó lica 訪 ãĤĮ ĠëĮĢ ë¶Ģ ĠëĮĢë¶Ģ ë¶Ħ ãĤ¯ãĥª ãĥĥãĤ¯ ãĤĴ éģ¸ ãĤĴéģ¸ ãģ¶ Ġpow sta Ġpowsta ÅĤ Ġraz ón ×ij ×ķ×Ĺר ĠÑģообÑī ил Ġק ×ij×ķ×¢ r êt à¸Ķี à¸Ĥึà¹īà¸Ļ ×ŀס ×¢×ĵ ×ŀסע×ĵ ×ķת ĠÃĸ sterreich Ġ׳ ×Ĺש×ij Ùħباد رة ì´ ī ×Ĵ ׳×ĺ×Ļ ä¿¡ ãģĺ du ÄŁ duÄŁ unu Ġph ú ĠاÙĦØ£ Ø®ÙĬر Ġت عتبر landır ıl ãģ¨ãģ¯ ãģĦ ãģ¨ãģ¯ãģĦ ãģĪ ĠاÙĦ Ø·ÙĦ ĠاÙĦØ·ÙĦ اب ĠN º éģ¿ ãģij اÙĦ Ùħع اÙĦÙħع رÙĪÙģ ส à¸łà¸² éĽ¢ ãĤĮ ĠпомоÑī ÑĮ Ġзна еÑĤ ãĥĹãĥ¬ ãĤ¼ ãĥĹãĥ¬ãĤ¼ ãĥ³ãĥĪ Ġsup érieur Ġש׾ ×Ļש×Ļ ĠاÙĦÙĨ ÙĪع ãĤĵãģ§ãģĻ ãģŃ à¸Ńà¸ļ รม Ġgi á»įng Ġwzgl ÄĻd ĠاÙĦÙģ ÙĤر è rent Ġ×ŀ×IJ ×Ĺ Ġ×ŀ×IJ×Ĺ ×ķר×Ļ ×Ĵ ×Ĵ ×Ļ ×Ļ×ij ÙħÙĦ اب ÙħÙĦاب س Ġhük ü Ġhükü met Ġ×ŀ×Ĵ ×Ļ×ij ĠÐŀ Ñĩ ĠÐŀÑĩ енÑĮ æĹ© ãģĦ Ġconstr ucción Ġth ượng ï¼ ĭ Ġcor ação à¹Ģหล à¹ĩà¸ģ ĠBaÅŁ b ĠBaÅŁb akan éĢ£ ãĤĮ ãģĻãĤĭ ãģĵãģ¨ãģĮãģ§ãģįãģ¾ãģĻ ĠÙĤ اÙħت Ġا Ùĥثر Ùģاع ÙĦ ĠÑĦ оÑĢ ĠÑĦоÑĢ Ñĥм غ Ø°ÙĬ ĠiÅŁ le ĠiÅŁle ml ĠiÅŁleml eri ĠìĤ¬ëŀĮ ìĿĢ Ġìŀij ìĦ± Ġë§Ī 볨 Ùħ جÙĦس หม ู д в дв иг двиг а à¹Ģสีย à¸Ĭีวิà¸ķ ×Ķת פת×Ĺ ×Ķתפת×Ĺ ×ķת ĠмеÑĤ ÑĢо ĠÑģ енÑĤ ĠÑģенÑĤ Ñı ĠÑģенÑĤÑı бÑĢÑı ê³ § Ġ׾ פע Ġ×ľ×¤×¢ ×ŀ×Ļ×Ŀ à¹Ģà¸ļ ีย 詳 ãģĹãģı çķ° ãģªãĤĭ ĠÄ°l çe ĠAt at ĠAtat ür ĠAtatür k รุ à¹Īà¸ĩ Ġkald ı Ġ주 ìŀ¥ Ġprés ence Ġн аб Ġнаб лÑİ ĠнаблÑİ Ð´Ð° ĠÑģам ого ×Ĵ ×ķש ×ŀ×ĺ ×ķפ ×ŀ×ĺ×ķפ ׾ ĠвÑĭб иÑĢа ĠìŀIJ 리 åĪĨ ãģĭãĤīãģªãģĦ Ġз Ñĥб Ġש׼ ×ijר Ġد ائ Ġدائ Ùħا ĠпаÑĢ ÑĤи ï¼ ² ĠاÙĬ ضا ĠÑħ оз ĠÑħоз Ñı ĠÑħозÑı й ĠÑħозÑıй ÑģÑĤв ĠاÙĦØ£ ج ĠاÙĦأج ÙĨب ĠاÙĦأجÙĨب ÙĬØ© ĠÐĹ Ð½Ð° ĠAp ós ĠÑį неÑĢ ĠÑįнеÑĢ ги Ġy ans Ġyans ı ĠJust i ĠJusti ça Ġpré vu ม วล ìŀ¥ ëĭĺ à¸ģระ à¸ļ à¸ģระà¸ļ วà¸Ļ à¸ģระà¸ļวà¸Ļ à¸ģาร ×ŀ ×ŀ ×ŀ×ŀ ×ķצע Ġh ẹ Ġhẹ n зд ание Ġak ÅŁ ĠakÅŁ am ×ĺ ×ķפ Ġgere kt Ġgerekt i Ġgerekti ÄŁini Ġnar z Ġnarz ÄĻdzi é po épo que ĠTh ần Ġwys oko Ġwysoko ÅĽci à¸ľà¸¹à¹ī à¸Ľ à¸ľà¸¹à¹īà¸Ľ à¹Īวย ĠÙĬ بدÙĪ ÑĤелÑĮ ного Ġвз глÑıд Ġjed nÄħ ĠìĿĺ 견 Ġ à¸Ĥà¸ĵะà¸Ĺีà¹Ī פ ×Ļ×ĵ ìĥģ ëĭ´ Ġm ỡ ×Ķ ×ŀ׾ ×Ķ×ŀ׾ צ×ķת ĠÑģоÑģÑĤ о ĠÑģоÑģÑĤо иÑĤ Ġав и Ġави а ĠL änder تص ÙĪÙĬر ×ŀ×ĵ ×Ļ×Ķ ìłĪ ì°¨ ãģ¨ ãĤĬ ãģ¨ãĤĬ ãģĤ ãģ¨ãĤĬãģĤ ãģĪ ãģ¨ãĤĬãģĤãģĪ ãģļ ĠÑĢ Ñıд ĠÑĢÑıд ом ĠNh ất ĠاÙĦÙĥ اÙħÙĦ ×Ĺ׾ ׾ ĠGi ấy צ ×ĺר צ×ĺר ×£ Ġ׾×ij ×ĺ׾ Ġим еÑĤÑĮ ס×ŀ ×ķ×ļ Ġparticip ação íķľëĭ¤ ë©´ ÙħÙĨت دÙĬ ÙħÙĨتدÙĬ ات ĠeÄŁ len g änge رب ØŃ ãĤ® ãĥ£ ĠاÙĦر ÙĤÙħ à¸ĭ à¹īำ ĠH óa ×ŀר ×Ĺק ØŃÙħ اÙħ بÙĪ Ùĥ ĠArt ÃŃculo ãĥĦ ãĤ¢ãĥ¼ ×Ķפ ׼×Ķ ×Ĺ׾ ×ķף ĠпеÑĢе Ñħод len miÅŁ زر اعة Ġseñ or ãģ£ãģ¦ ãģįãģ¦ Ø¥ Ø´ إش ارة Ġpod ÃŃa ĠÃľ lke н ÑģкаÑı Ġadapt é Ġdüzen len Ġdüzenlen en ĠÑģÑĤ ала ĠÙĬ ØŃتاج Ġn ier Ġnier uch Ġnieruch omo Ġnieruchomo ÅĽci ãģĵãģ¨ãģĮ ãģĤãĤĭ ยà¸Ńà¸Ķ à¹Ģยีà¹Īยม ĠÙħ ج ĠÙħج اÙĨÙĬ Ġз аб Ġзаб ол Ġзабол ев Ġзаболев аниÑı ĠÅĽ ro ĠÅĽro dk ĠÅĽrodk ów Ġ×Ķ ׾×IJ×ķ×ŀ×Ļ Ġdok ÅĤad ĠdokÅĤad nie ãģŁãģı ãģªãģĦ ãģ¯ãģļ ãģ§ãģĻ ãģ¨æĢĿ ãģ£ãģ¦ãģĦãģŁ é cran ìĹħ ì²´ trzym aÅĤ ÑģÑĤв еннÑĭй ĠNot ÃŃc ĠNotÃŃc ias Ùħ رÙĬ ÙħرÙĬ ض æ°Ĺ è» æ°Ĺè» ½ æ°Ĺ軽 ãģ« ëĵ £ Ġ×ĵ ×ķ×IJר Ġ׾ ×ŀ׳ Ġ׾×ŀ׳ ×ķ×¢ ĠçalÄ±ÅŁ ıyor ĠÅŁ idd ĠÅŁidd et ĠM ặt Ġate ÅŁ ĠполÑĥÑĩ ениÑı à¹Ģà¸Ħรืà¹Īà¸Ńà¸ĩ มืà¸Ń Ġgrö ÃŁer د ائ دائ رة Ġbul un Ġbulun maktadır à¹Ģห ร à¹Ģหร ีย à¹Ģหรีย à¸į à¸Ļัà¸ģ à¸Ĺà¹Īà¸Ńà¸ĩà¹Ģà¸Ĺีà¹Īยว Ġalan ında ĠÑĥ зна Ġл еÑĩение 売 ãĤĮ Ġçev ir Ġdeste ÄŁi ĠheiÃŁ t âĸ ² ØŃ Ø· à¸Ħำ à¸ķà¸Ńà¸ļ ãĤªãĥ³ ãĥ©ãĤ¤ãĥ³ Ġ×ij×Ĺ×Ļ ×Ļ×Ŀ ãĥ¦ ãĥĭ Ġdüzenle me Ġmodal itÃł سر Ø· سرط اÙĨ ×ŀ׼ ×ķף ĠданнÑĭ й تر ت ترت ÙĬب à¸ļาà¸ĩ à¸Ħà¸Ļ ĠÄIJ á»ĭnh ม ูล มูล à¸Ħà¹Īา ÙĨ ÙĤص à¸ģาร รัà¸ģษา ĠÑĦ он ĠÑĦон д ãĤĪãģĨ ãģ«ãģªãģ£ãģŁ Ùħع اÙĦ ÙħعاÙĦ جة ĠOs man ĠOsman lı иÑĩеÑģк ом à¸Ńยาà¸ģ à¸Īะ ãģķãģ¾ ãģĸ ãģķãģ¾ãģĸ ãģ¾ ãģķãģ¾ãģĸãģ¾ ãģª Ġת ×ķ׼׾ ×¢ צ×ij ĠاÙĦع سÙĥ ĠاÙĦعسÙĥ رÙĬ Ġvé hic Ġvéhic ule Ġ×Ļצ ×Ĺק ĠاÙĦÙĪ ØŃ ĠاÙĦÙĪØŃ ÙĬد ĠاÙĦع دÙĪ ĠQu ản Ġê³µ ëıĻ بد ÙĦ ĠÄij ảng Ġm á»ĩnh Ġnie zb Ġniezb ÄĻ ĠniezbÄĻ dn Ġyayın lan обÑī и Ġgö tür צ פ צפ ×ķ×Ļ ĠÙĦÙĬ بÙĬ ĠÙĦÙĬبÙĬ ا ØŃ ÙĪا Ġд об Ġдоб ÑĢо иÑĢÑĥ ем ĠاÙĦØŃÙĥÙĪÙħ ÙĬØ© m Ã¤ÃŁig Ġed ición влек аÑĤелÑĮ влекаÑĤелÑĮ н Ġת ש׾×ķ×Ŀ Ġ×Ķש ×ķ׳×Ļ×Ŀ มิ à¸ĸุ มิà¸ĸุ à¸Ļ มิà¸ĸุà¸Ļ ายà¸Ļ é£Łãģ¹ ãģ¦ ĠìĪĺ ì§ij ס ×ij×Ļ ĠиÑİ Ð»Ñı Ġà¹Ħà¸Ķà¹ī à¹ģà¸ģà¹Ī ׾×Ĺ ×Ŀ tr ä trä gt ãģĿãĤĤ ãģĿãĤĤ ÐĿ Ðķ Ġв нÑĥÑĤ ĠвнÑĥÑĤ ÑĢи ãģ¨ ä¸Ģç·Ĵãģ« ãĤ« ãĥķãĤ§ Ġ×ij×Ĺ ×ĵר ×Ĺ ×ŀש ãĤ¨ ãĥį ãĤ¨ãĥį ãĥ« ãĤ¨ãĥįãĥ« ãĤ® ãĤ¨ãĥįãĥ«ãĤ® ãĥ¼ à¸Ĥà¸Ńà¸ĩ à¸ķัวà¹Ģà¸Ńà¸ĩ بÙĤ اء פס ×Ļ׼ פס×Ļ׼ ×ķ׾×ķ×Ĵ ãĥ¡ ãĥĥ ãĥ¡ãĥĥ ãĤ» ãĥ¡ãĥĥãĤ» ãĥ¼ãĤ¸ ÙĦ ÙĤب A Äŀ שק ×Ļ×¢ ÙĤ ساÙħ ×ĵ×ķ×Ĵ ×ŀ×Ķ æ·± ãģĦ íĸĪ ëĬĶëį° ĠrozwiÄħz anie à¸Ļัà¹Īà¸Ļ à¹Ģà¸Ńà¸ĩ ×Ļצ ×ij Ġtr ông à¹ĥà¸Ĭà¹ī à¸ļริà¸ģาร ĠاÙĦÙħÙĪ سÙħ ĠдеÑĤ и ãģĹãģĭ ãģªãģĦ ס ×Ļף Ġréfé rence à¹ģห à¹īà¸ĩ ãĤĤãĤī ãģ£ãģŁ Ġ׾ ר׼ Ġ׾ר׼ ×ķש شع ÙĪر ĠÐij ог Ġlaz ım Ġ×Ļש ׳×Ŀ Ġп аÑĢÑĤ ĠпаÑĢÑĤ неÑĢ ĠÑĥ ника ĠÑĥника лÑĮн Ġmaté riel ×ŀר ק Ġph Æ°á»Ŀng Ġз ай Ġзай м Ùģ ÙĤد Univers itÃł ×¢ ר׼×Ļ×Ŀ Ġba ño Ġн оÑı ĠноÑı бÑĢÑı à¸Ľ à¹īาย Ġt ats Ġtats äch Ġtatsäch lich ĠÑĤÑĢ еÑĤÑĮ Ñį м ãĥĻ ãĥ¼ãĤ¹ Ġnh á»±a ìĬ¤ íģ¬ ĠعبداÙĦ ÙĦÙĩ Ġת ×ķר×Ķ أش ÙĬ أشÙĬ اء ĠÙĦÙĦ غا ĠÙĦÙĦغا ÙĬØ© Ùħ ÙĪاÙĤ ÙħÙĪاÙĤ Ùģ ĠgÅĤówn a Ġart Ä±ÅŁ Ġ×ŀק ×ķ×ŀ×Ļ ãĤ¯ãĥ© ãĥĸ Ġس ÙĪÙī ĠìŬ ìĦ± اس ر اسر ائÙĬÙĦ Ġ׳ ×Ľ×ª×ij ย à¹īà¸Ńà¸Ļ Ġdeber á Ġph ẫu ÑİÑī ем ĠÙĦدÙĬ ÙĨا ×ŀ×ĺ ×Ķ Ġ׳ ×ķ׾×ĵ ĠвÑģÑĤÑĢ еÑĩа ãĤīãĤĮ ãģ¦ãģĦãģ¾ãģĻ ĠcaÅĤ ej ย ึ ยึ à¸Ķ поÑĤ ен поÑĤен ÑĨи Ġл иÑĤ ĠлиÑĤ еÑĢ ĠлиÑĤеÑĢ аÑĤÑĥÑĢ Ġкажд ом ĠíĮ IJ ĠíĮIJ ëĭ¨ à¸Ī ู Ġpres ença ãģªãĤĵ ãģ§ Ùħ ÙĬاÙĩ ин ÑĦоÑĢм инÑĦоÑĢм аÑĨион инÑĦоÑĢмаÑĨион н ĠìŀIJ ìĹ° ר׼ ש Ġöd ül ç¶ļ ãģı Ġп Ñģ ĠпÑģ иÑħ ĠпÑģиÑħ олог ت Ø°Ùĥر Ġìŀħ ìŀ¥ ล à¸Ķà¹Į ìĦł ê±° ãģ£ãģ¦ ãģĬãĤĬãģ¾ãģĻ Ġ×Ļ ×¢ Ġ×Ļ×¢ ק×ij ĠاÙĦØ· عاÙħ ãĥĨ ãĤ¹ãĥĪ ĠTu ấn Ġparticip ación ×ŀ×ķ×ŀ ×Ĺ×Ķ ×Ĵר ס×Ķ ĠاÙĦتÙĨ ÙģÙĬ ĠاÙĦتÙĨÙģÙĬ Ø°ÙĬ ĠбезопаÑģ н ge f gef ähr Ø´ ÙĪر Ġmy ÅĽli ÙĪا Ø´ÙĨ ÙĪاشÙĨ Ø·ÙĨ ׳×ķס ×¢ Ùĥ Ùĩ ÙĥÙĩ رب ÙĥÙĩرب اء Ġmus iaÅĤ ìĭ ¸ ãĥĸãĥ© ãĥĥãĤ¯ Ġcré é ÙĨÙĩ ار owo ÅĽÄĩ ÙħØŃا ÙĥÙħ ĠwÅĤa ÅĽ ĠwÅĤaÅĽ c ĠwÅĤaÅĽc iciel ĠÙĬ ؤ ĠÙĬؤ دÙĬ ×ŀ×¢ ×ķ׳ ×IJ ×ij׾ خط Ø£ ĠÑħ олод ×ĸ ×ķ׾ ãģĵãĤĮ ãĤī ãģĵãĤĮãĤī ãģ® Ġbás ica ฤ à¸Ķ ฤà¸Ķ ูà¸ģ ฤà¸Ķูà¸ģ า ฤà¸Ķูà¸ģา ล èIJ½ãģ¡ çĿĢ ãģªãģĦ ãģĵãģ¨ ص ÙĪÙħ ÙĨج ØŃ ×ł×§ ×ķ×ĵ ׳ק×ķ×ĵ ת кл аÑģÑģ íķĺìĭľ ëĬĶ ëĦ ĺ Ġש×IJ ×Ļ׳×ķ ĠС ейÑĩаÑģ may acaģı Ġyap ılır Ġcategor ÃŃa عب اد ĠТ еп ĠТеп еÑĢÑĮ ×Ķ×Ļס×ĺ ×ķר×Ļ h ế ãĤ³ ãĥ¼ãĥī Ġcabe ça ج Ùħا جÙħا Ùĩ جÙħاÙĩ ÙĬر ä½İ ãģĦ ĠÑĤоваÑĢ ов à¸Ĭาว à¸ļà¹īาà¸Ļ ĠÑģÑĤан ов ĠÑģÑĤанов иÑĤÑģÑı ĠавÑĤом обилÑĮ ĠÑģлÑĥÑĩ ай à¸Ńั à¸ŀ ĠG iriÅŁ ĠìĿ¼ ëĭ¨ ĠпÑĢ оÑģ ĠпÑĢоÑģ моÑĤÑĢ ãģªãģıãģª ãģ£ãģŁ มี à¸Ľà¸±à¸įหา ïº İ Ã©c oute ĠÙħ ÙĪجÙĪد Ġس رÙĬع ĠÙĪÙĩ ÙĨا ĠÙĪÙĩÙĨا Ùĥ à¸Ħุà¸ĵ สม à¸Ħุà¸ĵสม à¸ļัà¸ķิ Ġìļ° ìĦł à¸ŀระ à¸ŀุà¸Ĺà¸ĺ 好 ãģ¿ ظ ÙĦÙħ Ġм акÑģ ĠмакÑģ ималÑĮ ĠмакÑģималÑĮ но ãĥª ãĤ¢ãĥ« à¹ģมà¹ī วà¹Īา ĠاÙĦØŃ ÙĪار ãĥĹãĥ© ãĤ¹ Ġع ÙĦاÙĤØ© Ġíĸī ëıĻ Ġgönder il Ġl ãi ĠsaÄŁ lıkl ĠsaÄŁlıkl ı ĠÑĪ аг Ġ×ij×IJר ×Ķ prowadzi Äĩ ãģĦãģı ãģ¤ãģĭ Ġبت ارÙĬØ® Ġ×ij×IJ×ķת ×Ķ Ġmó c ĠÐľ не ãĥĹãĥ¬ ãĥ¼ ×IJ ×ĸר×Ĺ åł´åIJĪ ãģ«ãģ¯ 使 ãģĪ à¹Ģร ืà¸Ńà¸Ļ ĠÐŁ еÑĤ ĠÐŁÐµÑĤ ÑĢ ãģ«åħ¥ ãĤĭ Ùħ ادة à¹Ģà¸ĩ ืà¹Īà¸Ńà¸Ļ à¹Ģà¸ĩืà¹Īà¸Ńà¸Ļ à¹Ħà¸Ĥ ĠÑģоÑģÑĤоÑı ние ôn ica ĠÑĦ ев ĠÑĦев ÑĢа ĠÑĦевÑĢа лÑı Ġ×ķ ×ĸ Ġ×ķ×ĸ ×IJת à¸Ħร ิ à¸Ħริ ส ĠÐķ Ñīе ãģ£ãģ¦ãģĹãģ¾ ãģĦãģ¾ãģĹãģŁ ĠпÑĢав иÑĤелÑĮ ĠпÑĢавиÑĤелÑĮ ÑģÑĤв Ġtä glich Ġëĭ¹ ìĭľ ×ŀ×ķ×¢ ×ŀ×ĵ Ġдв оÑĢ æī ķ æīķ ãģĦ ĠÑģÑĤан еÑĤ Ġвозд ейÑģÑĤв ĠвоздейÑģÑĤв и Ġf ête à¹Ģส า תק ×ķ×ķ×Ķ Ġu yar Ġuyar ı à¸ģลัà¸ļ à¹Ħà¸Ľ Ġgi Æ°á»Ŀng Ġв а Ġва ÑĪи ĠÄij áºŃu ĠSpa ÃŁ ĠìķĦ ë§Ī à¹Ħà¸Ķà¹ī à¸ĩà¹Īาย Ġ×Ķ×ŀ ×ijקש æĸ° ãģŁ æĸ°ãģŁ ãģª ılı yor пл ан Ġ×Ķ×ijר ×Ļ×IJ×ķת ĠaÄŁ rı Ġsay gı 建 ãģ¦ Ġnaj wyż Ġnajwyż sz سÙĬاس ات ãģĬ å¾Ĺ ĠاÙĦع ÙĦÙĬ ĠاÙĦعÙĦÙĬ ا Ġcoraz ón ì¹ĺ ë£Į หัว à¸Ĥà¹īà¸Ń Ġب ØŃÙĬ ĠبØŃÙĬ Ø« зв езд بÙĪ ابة ÐĽ Ðĺ ÙĦا زÙħ Ġroz p Ġrozp oc Ġrozpoc zÄĻ 触 ãĤĮ ĠاÙĦج ÙħÙĩ ĠاÙĦجÙħÙĩ ÙĪر Ġsp ÄĻd ĠspÄĻd z วิà¸Ĺยา ศาสà¸ķรà¹Į ив аеÑĤÑģÑı Ġдан ной Ġreprés ente ĠÄij á»ĭch Ġ×¢×ŀ ×ķק à¸Ńัà¸Ļ à¸ķร à¸Ńัà¸Ļà¸ķร าย Ġestr atég Ġestratég ia pad ÅĤ Ġв полн Ġвполн е ĠпÑĢедоÑģÑĤав лен ×Ĺ׾ ×ķק ×Ĺ׾×ķק ת ãĤ¢ ãĥĬ ĠاÙĦغ Ø° ĠاÙĦغذ ائÙĬ ĠÑĥ зн ĠÑĥзн аÑĤÑĮ à¸ĭ à¹īาย å½ĵ ãģ¦ ØŃÙĬ اء Ġbás ico ק×ķ×ij ×¢ ĠاÙĦÙħ باراة ĠاÙĦÙĩ اتÙģ Ġ׼ ׳×Ĵ×ĵ à¸Ľà¸£à¸° หย à¸Ľà¸£à¸°à¸«à¸¢ ัà¸Ķ Ðļ ак à¸Ĺีà¹Ī à¸Ļà¹Īา à¸Ĺีà¹Īà¸Ļà¹Īา สà¸Ļà¹ĥà¸Ī ãģ¾ ãģģ ï½ ¢ Ñģк оп Ġson rasında Ġur zÄħd ĠurzÄħd zenia ׼×ķ ×ķ׳ ׼×ķ×ķ׳ ת Ġ׾×Ķת ×ŀ×ķ×ĵ Ġ׾×Ķת×ŀ×ķ×ĵ ×ĵ ĠÑģ ли ĠÑģли ÑĪ ĠÑģлиÑĪ ком ĠÑģÑĤ Ñĥд ĠÑģÑĤÑĥд енÑĤ Ġ×Ķ ×ķ×ĵ Ġ×Ķ×ķ×ĵ ×¢×Ķ ë¹Ħ ìļ© à¸Ńยาà¸ģ à¹ĥหà¹ī Ġb á»ģ ยุ à¸Ĺà¸ĺ Ðĺ ÐĿ س ائر Ø£ صÙĪÙĦ ĠاÙĦغ رÙģ ãģĵãģ¨ãĤĤ ãģĤãĤĬãģ¾ãģĻ è¾¼ ãģ¾ãĤĮ ĠاÙĦساب ع Ġc ủ ãģĦãģŁãģł ãģĦãģŁ ì§ ĵ ìĤ¬ 무 powied ź تÙģ Ùĥ تÙģÙĥ ÙĬر иÑĢов ки ĠíĨµ íķ´ìĦľ ãĤ¨ ãĤ¹ãĥĨ ĠдеÑıÑĤелÑĮ ноÑģÑĤÑĮ ĠданнÑĭ м Ġ×¢ ×ķר Ġ×¢×ķר ׼×Ļ ×ķ×ĵ עת Ġhayat ını Ġb Äħd ĠbÄħd ź obs ÅĤug à¹Ģà¸ŀียà¸ĩ à¹ģà¸Ħà¹Ī à¸ĭ à¹Īา è²ł ãģij ĠÑģÑĤÑĢ ем ĠÄij á»īnh ĠÐł ÑĥÑģ ĠN ữ Ġ׾×Ķש ×Ļ×Ĵ Ġjed noc Ġjednoc ze Ġjednocze ÅĽnie Ġ×Ķ×Ĵ ×ij×ķ×Ķ أخ ÙĦاÙĤ ĠнаÑģ ел ĠнаÑģел ениÑı ĠÙĬ ÙĨب ĠÙĬÙĨب غÙĬ ãģĮ ãģĭ ãģĮãģĭ ãģĭ ×Ĵ עת Ðŀ Ðł ĠналиÑĩ ии Ġë§Ī ì§Ģ Ġë§Īì§Ģ ë§ī Ġíĸī ìĤ¬ Ġtre ÅĽci Ġê°Ģ ì¹ĺ ì¦ ĺ Ġана лог ×Ķצע ת в лад влад е ĠÑģдел ал Ġ׳ ×Ĵ×Ļש Ġ׳×Ĵ×Ļש ×ķת полн ение à¸Ĩ à¹Īา ĠD ön ׼׾׼ ׾×Ķ ×ŀ×ĸ ×Ĵ Ùħ Ùģ ÙħÙģ Ùĩ ÙħÙģÙĩ ÙĪÙħ ×Ķ ×ĵ ×Ķ×ĵ פס ×Ķ×ĵפס ×Ķ ãģĻãģİ ãģ¦ Ġг ÑĢ ĠгÑĢ н ×ŀ×ĺ ×ķס Ġ기 ìĸµ ï¾ Ł ĠpÅĤ yn ĠGr ünde ĠBü cher Ġwed ÅĤug ãģ¾ãģł ãģ¾ãģł Ġ׳×Ķ ×ĵר ĠÙĬست Ø·ÙĬع ĠHi á»ĩp ãĤŃãĥ£ãĥ³ ãĥļ ãĤŃãĥ£ãĥ³ãĥļ ãĥ¼ãĥ³ Ġth á»ķ Ġeuropé enne à¸ļ ัà¸ĩ à¸ļัà¸ĩ à¸Ħัà¸ļ ĠszczegóÅĤ owo ׳ שק ãĥķ ãĥ©ãĥ³ãĤ¹ ×ŀ×ķ×ŀ ×Ĺ×Ļ Ġcom ún Ġç arp ØŃت ÙĬا ØŃتÙĬا ج ØŃتÙĬاج ات ëĭ´ ëĭ¹ ä½ķ 度 ä½ķ度 ãĤĤ ×ĵ ×ijק ãģį ãĤĮ ãģįãĤĮ ãģĦ Ġк ам Ġкам еÑĢ ĠespecÃŃf ico Ġtel éfono à¸ķัà¹īà¸ĩ à¸Ńยูà¹Ī I Åŀ ãģ© ãĤĵãģ© ãģ©ãĤĵãģ© ãĤĵ עצ ×ŀ×IJ×Ļ à¸Ķัà¸ĩ à¸Ļีà¹ī ĠÑĦоÑĢм иÑĢов ĠÑĦоÑĢмиÑĢов а ×ķ×ŀ ×ij Ġkullan ımı Ðľ Ðŀ ×¢ ש×Ļ עש×Ļ ×Ļ×Ķ Ġön lem à¹Ģà¸Ń à¹ĩ à¹Ģà¸Ńà¹ĩ ม ×ŀשק ×Ļ×¢ ר ×Ļ×Ĺ à¸Ĥ ัà¸Ķ ĠíĻ ľ ĠíĻľ ìļ© à¸ĭ ะ ãĤĪãģĨ ãģ«ãģªãĤĬãģ¾ãģĹãģŁ ĠÑĢаÑģ пÑĢ ĠÑĢаÑģпÑĢ оÑģÑĤ ĠÑĢаÑģпÑĢоÑģÑĤ ÑĢан ĠÑĢаÑģпÑĢоÑģÑĤÑĢан ен ׼×Ļ ×ķף ÙĤب ض تص رÙĬØŃ ØªØµØ±ÙĬØŃ Ø§Øª Ġо ÑĢи ĠоÑĢи г ĠоÑĢиг ина ĠоÑĢигина л ĠاÙĦع اÙĦÙĬ à¹ģหà¹Īà¸ĩ à¸Ļีà¹ī ãĥķãĤ¡ ãĥ¼ ãģ¦ãģĦ ãģį ãģ¦ãģĦãģį ãģŁãģĦ פ תר פתר ×ķ׳×ķת Ġ×ij ×Ļ×Ĺ Ġ×ij×Ļ×Ĺ ×ĵ Ġod by Ġodby ÅĤ ĠоÑĩеÑĢ ед Ġtr Æ°Æ¡ng ãĤŃ ãĥ³ ×ŀ ×ķפ ×ŀ×ķפ ×¢ ëĵľ 립 ëĵľë¦½ ëĭĪëĭ¤ à¸ŀืà¹īà¸Ļ à¸IJาà¸Ļ ìŀIJ 격 ĠVi á»ĩn ĠDes pués Ġ×IJ׾ ×Ļ׳×ķ Ġdur ée íĩ ´ Ġmü zik i ếu ĠÑĢаз меÑīен Ġк Ñĥд ĠкÑĥд а غ ض غض ب ĠTamb ém à¸Īัà¸Ķ สà¹Īà¸ĩ à¸ģาร à¹ģสà¸Ķà¸ĩ onom ÃŃa Ġан г Ġанг ли Ġангли й Ġанглий Ñģк Ġzn al Ġznal az Ġznalaz ÅĤ תר ×Ĵ תר×Ĵ ×ķ×Ŀ ĠÑģ нов ĠÑģнов а ĠÑĩаÑģ а Ġcommun auté ĠespecÃŃf ica ĠL á»ĭch Ġli é Ùģ جر à¹Ģà¸ģ à¹Īà¸ĩ ع اÙĦ عاÙĦ ج Ø£ÙĨ ظ Ø£ÙĨظ ÙħØ© ES Ä° ĠاÙĦØŃ Ø¯ÙĬد à¸ŀระ à¸Ńà¸ĩà¸Ħà¹Į Ġפר שת Ġдв иж Ġдвиж ениÑı ĠاÙĦج ارÙĬ à¸ĺาà¸Ļ ี неÑģ ен ĠاÙĦÙĨ ÙĩائÙĬ Ġб еÑĢ ĠбеÑĢ ем ĠбеÑĢем енн Ġdépart ement à¹Ģà¸Ĺ ีย à¹Ģà¸Ĺีย à¸ļ ĠÐľ аÑĢи ĠнекоÑĤоÑĢ ÑĭÑħ об еÑģп обеÑģп еÑĩен ×Ĺ ×ķ×ĸ ×Ĺ×ķ×ĸ ×Ķ ÙĨت ج à¸Īะ à¹Ħà¸Ķà¹īรัà¸ļ á» ° Ġél éments ع Ø· عط اء Ġt ắt i á»ĩm ÑİÑīиÑħ ÑģÑı ãģĹãģ ° ãģĹãģ° ãĤīãģı Ġпом ожеÑĤ à¸Ĥà¸ĵะ à¸Ļีà¹ī Ġ×¢ שר×ķת éģķ ãģ£ãģ¦ ĠпÑĢ ог ĠпÑĢог н ĠпÑĢогн оз Ġt ÅĤ ĠtÅĤ um ĠtÅĤum acz T ür Tür kiye ãģį ãģ£ ãģįãģ£ ãģĭãģij Ġ×Ķ׳ ×ķ׼ Ġ×Ķ׳×ķ׼ ×Ĺ×Ļ ĠìĥĿ ìĤ° ĠÑĦоÑĢм Ñĭ ç¾İ ãģĹãģĦ à¸Ľà¸£ ึà¸ģ à¸Ľà¸£à¸¶à¸ģ ษา Ġlum ière ãĤª ãĥ¼ãĥĹ ãĤªãĥ¼ãĥĹ ãĥ³ à¸Ľ ืà¸Ļ วั สà¸Ķ วัสà¸Ķ ุ еÑĢÑĤ в ÙĥÙĦ Ùģ ï½ £ à¸ĺรรม à¸Ķา ׳ ×ĺר ĠпÑĢедÑģÑĤав лÑıеÑĤ Ġanál isis Ġb ãi با ÙĤÙĬ à¸Ľà¸£à¸° à¹Ģà¸Ķ à¸Ľà¸£à¸°à¹Ģà¸Ķ à¹ĩà¸Ļ ĠÑģлÑĥÑĩ аÑı ĠÑģлÑĥÑĩаÑı Ñħ ÐĽ ÐIJ สัà¸ĩ à¹Ģà¸ģ สัà¸ĩà¹Ģà¸ģ à¸ķ Ġprz ec Ġprzec ież Ùħ صÙĦ ÙħصÙĦ ØŃØ© ש×ķק ×ķ׾×ĵ ĠобоÑĢÑĥд ованиÑı Ġtr waÅĤ رÙĪ Ùħ ìķĪ ëĤ´ ĠNgh á»ĭ Ø® Ø´ à¸ļา à¸Ħาร à¸ļาà¸Ħาร à¹Īา Ġоп ÑĨион ĠÑģозд аниÑı ãĤ³ ãĤ¹ãĥĪ Ġ×Ķ×¢ ׾×Ļ Ġ×Ķ×¢×ľ×Ļ ×ķף lä uft ãĥĻ ãĤ¹ãĥĪ Ġr ê Ġrê ve ×IJ ×ij×Ļ×ij ×Ļ ×Ļ×ļ ë¶ Ļ ãĤ¤ãĥ³ ãĥī ÅĤo ży ÅĤoży Äĩ ع ائÙĦ عائÙĦ Ø© Ø£ ÙĪر Ø£ÙĪر اÙĤ à¸Ĺà¹īà¸Ńà¸ĩ à¸ĸ à¸Ĺà¹īà¸Ńà¸ĩà¸ĸ ิà¹Īà¸Ļ Ġä hn Ġähn lich ãĥŁ ãĥĭ à¸ľ ู à¸ľà¸¹ à¹īà¸Ļ à¸ľà¸¹à¹īà¸Ļ ำ ĠмаÑĤеÑĢиал Ñĭ Ġкап иÑĤ ĠкапиÑĤ ал ï¼ ¦ Ġseç il Ġh ứng Ġintéress ant ãģ£ãģ¦ ãģĦãģı Ġe ÄŁer ëIJĺ ìĹĪìĬµëĭĪëĭ¤ Ġan laÅŁma ãģĶ åĪ©çĶ¨ Ġ×ij ×ĸ׼ Ġ×ij×ĸ׼ ×ķת ëĿ¼ ë©´ ĠÙĬ ÙĪس ĠÙĬÙĪس Ùģ أسÙĦ ØŃØ© ĠGef ühl ĠноÑĢм алÑĮн ãĥĻ ãĥ³ ãģķãĤĮ ãĤĭãģĵãģ¨ ĠÐij еÑģ ãģ¨ãģĦ ãģĪãģ° ĠÙħ ÙĩÙħ ĠÙħÙĩÙħ Ø© ãģ§ãģĹãĤĩãģĨ ãģŃ ĠêµŃ ëĤ´ à¹Ģม à¹ĩà¸Ķ ×ŀ×ij קר ĠاÙĦد ÙĨÙĬ ĠاÙĦدÙĨÙĬ ا à¸Ĭ ู к ÑĢÑĥÑĤ Ġtho áng Ġ׳ ×ĵר Ġ׳×ĵר ש ĠÑĢаÑģÑģ казал ĠAu ÃŁerdem פ ×IJר פ×IJר ק Ġ×ŀש×Ĺק ×Ļ×Ŀ צ ר׼×Ļ×Ŀ ×ŀ×ĵ ×ķ ×ŀ×ĵ×ķ ×Ļק èĭ¦ ãģĹ ĠÑģ иг ĠÑģиг нал ĠM á»įi Ġtr ữ Ġnast ÄĻp ĠnastÄĻp nie Ġì¶Ķ ì§Ħ ĠاÙĦÙģ ÙĨد ĠاÙĦÙģÙĨد ÙĤ koÅĦ czyÅĤ ส ีà¹Ī ק ×Ļ×ij ק×Ļ×ij ×ķ×¥ ĠнÑĥж нÑĭ 大 åĪĩ 大åĪĩ ãģª æıĽ ãģĪ ת ×ķס ת×ķס פת ãģ£ãģ¦ ãģĦãģªãģĦ Ġм Ñı ĠмÑı г ĠмÑıг к Ġjak ie Ġjakie ÅĽ à¸ķำ à¸ļ à¸ķำà¸ļ ล ĠìŀĪ ì§Ģ ×ij×ĺ ×IJ ĠоÑĤлиÑĩ но ÙĤ ÙIJ ĠавÑĤом об ĠавÑĤомоб и ĠавÑĤомоби лÑı دÙĬÙħÙĤرا Ø·ÙĬ ĠاÙĦ ÙĪا ĠاÙĦÙĪا ØŃد Ġس ÙĪرÙĬØ© Ø£ غÙĦ أغÙĦ ب ĠÑįк ÑĢан ãĥĹ ãĥ©ãĤ¤ Ġjeste ÅĽ ãĥIJ ãĥª Ġ×Ķ×IJ ×ķ×ķ×Ļר ائ Ùĥ à¸Ńยà¹Īาà¸ĩ ยิà¹Īà¸ĩ ÑĢ екÑĤ Ġum o Ġumo ż Ġumoż li Ġumożli w Ġumożliw ia Ġnäch ste ĠìŀĪ ì§Ģë§Į ĠпÑĢед н ĠпÑĢедн аз ĠпÑĢедназ наÑĩен Ġma çı Ġp omi Ġpomi ÄĻd ĠpomiÄĻd zy ĠاÙĦÙĦ ÙĤاء à¹Ģà¸Ķ à¸Ńะ Ġнов оÑģÑĤи ×ŀ׊׾×Ķ رÙĬاض ÙĬ à¸Ķ à¸Ļ à¸Ķà¸Ļ à¸ķรี ب صر ìĬ¤ íĥĢ scri pción Ġnap isa Ġnapisa ÅĤ Ġ׳ש ×ŀ×¢ ĠاÙĦÙħØŃ ÙĦÙĬ Ġhi á»ĥn ×IJ ×Ĺ ×IJ׊ר×IJ×Ļ Ġг ÑĢаниÑĨ æīĭ ç¶ļãģį Ùĥ سب Ġà¹ģà¸ķà¹Ī à¸ĸà¹īา à¸Ķาว à¸Ļà¹Į à¸Ķาวà¸Ļà¹Į à¹Ĥหลà¸Ķ ãĤĭãģĵãģ¨ãģĮãģ§ãģį ãģ¾ãģĻ åŁºæľ¬ çļĦãģ« ÙĪÙĦ اد rä ume د Ùģاع ×Ļצ ×¢ ĠO czy ĠOczy wiÅĽcie ĠÅ ģ ĠÅģ a اÙĦÙĬ اب اÙĦÙĬاب اÙĨ áºł I ĠBir liÄŁi ×Ķ ×ķצ ×Ķ×ķצ ×IJת ĠÄij ua Ġê·¸ëŁ¬ ëĭĪê¹Į Ġréal ité ع ÙĦاÙĤات J este Jeste ÅĽ Ġмн ож Ġмнож еÑģÑĤво ï¼ « ãĥĹãĥŃ ãĤ¸ãĤ§ ãĥĹãĥŃãĤ¸ãĤ§ ãĤ¯ãĥĪ ĠÑĦ л ظ ÙĨ ×Ĵ׾ ×Ĵ׾ ĠmÅĤod zie ĠmÅĤodzie ż à¸Ļà¹īำ à¸ķา à¸Ļà¹īำà¸ķา ล ÐĽ Ðķ ×ij ×ķ×ĺ Ġ׾×Ķ ×Ĵ×Ļ×ĵ ãģĵãģ¨ãĤĤ ãģĤãĤĭ ز اد ×ŀ×Ļ×ĵ ×¢ ĠgÅĤówn ie ãĥı ãĤ¦ ãĥıãĤ¦ ãĤ¹ б ел Ġét ape ðŁĺ Ģ Ġмод елÑĮ a ģını ש ×Ĺק ש×Ĺק ף Ġni ño à¸Ĭ à¹īาà¸ĩ à¹Ģล ีย ĠÑĦоÑĢм е ĠاÙĦØ´ رÙĬÙģ ĠÑĥд аÑĢ arr iv arriv ée Ġmies iÄĻ ĠmiesiÄĻ cy ØŃ Ø±Ùĥ ØŃرÙĥ ات ĠDi á»ħn ÐĿ Ы ãģ¾ãģ£ãģŁ ãģı Ġ×Ļ ר×ķק еÑģÑĤ еÑģÑĤв еÑģÑĤеÑģÑĤв енн Ġê·¸ ëŁ¼ ĠاÙĦÙħ تÙĪ ĠاÙĦÙħتÙĪ سط Ġbéné fic Ġbénéfic ie Ġwy bra Ġwybra Äĩ ĠاÙĦز ÙħÙĨ ĠпÑĢин Ñı ĠпÑĢинÑı л Ùģر ØŃ Ġk sz Ġksz taÅĤ ĠksztaÅĤ t ק׾ ×ĺ ×ij×ĵ×Ļק ת Ġgi ấ Ġgiấ c Ġpropriet Ãł деÑĢж ан ĠKö ln ĠGü zel ×Ļפ ×ķ×Ļ ĠCu á»Ļc ÑįÑĤ аж تر ÙĥÙĬ ترÙĥÙĬ ز лож ений Ġп Ñĥ ĠпÑĥ ÑĤи اخت ÙĦاÙģ åĩºãģ¦ ãģıãĤĭ à¸ļุ à¸ģ âĿ ¤ ÑĦ ан פש ×ĺ à¸ļัà¸Ļ à¹Ģà¸Ĺ à¸ļัà¸Ļà¹Ģà¸Ĺ ิà¸ĩ ĠاÙĦس اد ĠاÙĦساد س ĠاÙĦÙĤ ÙĪÙħ ĠاÙĦÙĤÙĪÙħ ÙĬ Ġyönet ici Ùĩ ÙĪات ÙĩÙĪات Ùģ Ġrespons ável Ġпод деÑĢжива ĠاÙĦسÙĦ Ø· ĠاÙĦسÙĦØ· ات ãģĹãģ¦ ãģĬãģı ãĥļ ãĥĥãĥĪ à¸Ľ ุà¹Īม Ġogl Äħda ÙĨا ÙĤ ÙĨاÙĤ Ø´ à¸Ħà¸Ńà¸Ļ à¹Ĥà¸Ķ ĠMü sl ĠMüsl ü ĠMüslü man ĠMo ż ĠMoż na Ġnum érique Ġv á»ı ĠسÙĬ تÙħ Ġyer leÅŁ монÑĤ аж Ġgo ût ãģ¦ ãģĬãĤĬãģ¾ãģĻ ĠKh ánh Ġе дин Ġедин ÑģÑĤв اÙĨ Ø®Ùģ اÙĨØ®Ùģ اض ìĭľ íĹĺ Ġl ặng ĠÑĢ олÑĮ à¸ķัว à¹ģà¸Ĺà¸Ļ à¸Ħà¹Īา à¹ĥà¸Ĭà¹ī à¸Ħà¹Īาà¹ĥà¸Ĭà¹ī à¸Īà¹Īาย Ġver füg Ġverfüg bar ìĻĶ ëĭ¤ ãģĦ ãģļ ãģĦãģļ ãĤĮ ĠиÑģÑģлед ованиÑı меÑī а ×Ķ ×Ĺ ×Ķ×Ĺ ×ĸר à¹ģà¸Ł à¸Ĭัà¹Īà¸Ļ ت صرÙģ Ø¥ رÙĩاب Ġexerc ÃŃcio Ġé lev Ġélev é สัà¸įà¸įา à¸ĵ Ãĸ Z ãĥĹ ãĥŃãĤ° ãĥĹãĥŃãĤ° ãĥ© ãĥĹãĥŃãĤ°ãĥ© ãĥł Ġw ewnÄĻtrzn Ġhen üz é£Ľ ãģ³ à¹Ģà¸Ķ à¸Ńรà¹Į Ñģ Ñĥж ÑģÑĥж ден شع ÙĪب ãģ²ãģ¨ ãĤĬ Ġwy ÅĤÄħ ĠwyÅĤÄħ cznie Ġпло Ñħо ÐĶ Ðķ Ạ¦ Ùģع اÙĦÙĬ ÙģعاÙĦÙĬ ات ĠاÙĦع شر ÑģÑĤÑĥп ил Ġy arg Ġyarg ı нÑİ Ñİ ×ķ×IJ ×ij Ġu ç Ġuç ak ë² ½ تÙĪ ÙĤÙĬ تÙĪÙĤÙĬ ع Ġì¤ij ìĭ¬ ׳×Ļ×ķ ×ķ×ĺ Ø£ ÙĥÙĦ ç½® ãģĦãģ¦ éłĤ ãģį Ġ×Ķת ×ij Ġ×Ķת×ij ×Ļ×¢×Ķ Ġdür fen Ùħ ÙĤاÙĦ ÙħÙĤاÙĦ ات Ġز ÙħÙĨ à¸ŀฤ ศ à¸ŀฤศ à¸Ī à¸ŀฤศà¸Ī ิà¸ģ à¸ŀฤศà¸Īิà¸ģ ายà¸Ļ ĠнеÑģк олÑĮ ĠнеÑģколÑĮ ки ĠнеÑģколÑĮки Ñħ Ġcrian ça มิ à¸ķร ×ŀ׼ ×Ļר×ķת à¸ģาร à¸ļริหาร Ġtélé charg Ġ×IJ×ķ×Ķ ×ijת ĠBü ro ä½ľ ãģ£ãģŁ ĠKi ÅŁi ç¾İåij³ ãģĹ à¹Ģลย à¸Ħà¹Īะ à¸ŀà¸ļ à¸ģัà¸ļ à¸Ī à¹īา Ġç er Ġçer ç Ġçerç eve ãĤĴä½ľ ãģ£ãģ¦ ĠпеÑĢв ÑĥÑİ ×ŀצ ר×Ļ×Ŀ ×IJ׾ ×ķ×Ķ ×IJ׾×ķ×Ķ ×Ļ×Ŀ Ġagr é Ġagré able Ġay ır Ä°L Ä° ãĤ ¥ Ġíĺ Ħ ĠíĺĦ ìĭ¤ ثاÙĦ Ø« ת ×ĸ ת×ĸ ×ķ׳×Ķ ãģ¨ãģĦ ãģ£ãģ¦ ãģ¨ãģĦãģ£ãģ¦ ãĤĤ Ġا بÙĪ ĠÑģоб ак é£Łãģ¹ ãģŁ Ġдан ном à¹Ģล ิ à¹Ģลิ ศ Ġí ļ Ġíļ ¨ Ġíļ¨ ê³¼ ãĤĤãĤī ãģĪãĤĭ ׳ צ׾ ÑĦ ик ÑĦик Ñģ Ġjeste ÅĽmy ת×Ĺ×ķש ×Ķ à¹Ħมà¹Ī à¸Ħวร ĠØŃ Ø³ÙĬÙĨ à¸ģาร ลà¸ĩà¸Ĺุà¸Ļ ë´ ¤ ĠÐĺ менно à¸ļ à¸Ńรà¹Į à¸ļà¸Ńรà¹Į à¸Ķ ĠC ảnh ìĦľ ë¹ĦìĬ¤ Ġпол ов Ġполов ин Ġзам еÑĩа ãģĦãĤį ãĤĵãģª Ġ×ij ×Ļק Ġ×ij×Ļק ש л ÑĥÑĪ ãĤĴ è¿İ ãĤĴè¿İ ãģĪ جرÙĬ ÙħØ© Ġt ây ĠاÙĦÙĨ ÙĪ ĠاÙĦÙĨÙĪ ÙĪÙĬ ÃĤ N ì¿ ł หà¸Ļ าว Ġ×ij׊ש×ij×ķף ز ار à¸Ķ าร à¸Ķาร า ĠÅĽ l ĠÅĽl ub มีà¸Ħวาม สุà¸Ĥ Ġn hu Ġnhu áºŃn ÙħØŃ Ø·Ø© à¹Ģสืà¹īà¸Ń à¸ľà¹īา ĠТ олÑĮко ĠÙĥ س ĠÙĥس ارة ÙħØ´ رÙĪع niÄĻ cia ×¢ ׼ש×Ļ×ķ ت ÙĦÙģ تÙĦÙģ زÙĬ تÙĦÙģزÙĬ ÙĪÙĨ Ġl Æ°á»Ľi ĠÐľÐ¾Ñģк вÑĭ Ġré serve Ġan laÅŁ ĠanlaÅŁ ıl Ġed eceÄŁi รà¸Ńà¸ĩ à¹Ģà¸Ĺà¹īา Ġب Ø· Ġبط رÙĬ ĠبطرÙĬ ÙĤØ© ãģ¦ãģĹãģ¾ ãģ£ãģ¦ ãĤĤãĤī ãģ£ãģ¦ بر ج æ± ļ æ±ļ ãĤĮ Ġch oc Ġchoc ia Ġchocia ż Ġzob ac Ġzobac zyÄĩ пÑĢ Ñı пÑĢÑı жен ĠÑĨ иÑĦ ĠÑĨиÑĦ ÑĢ Ġм ам Ġвз ÑıÑĤÑĮ Ġch ạm ج سÙħ ØŃÙħ اس à¹Ģล à¹Īม à¸ŀิ ษ ×Ķפ ׼×ķ à¸Ĭà¹Īà¸Ńà¸ĩ à¸Ĺาà¸ĩ Ġв ек Ġвек а Æ¡ Ìģ Æ¡Ìģ i ĠTi á»ģn Ġtr ầm мÑĭ ÑĪ мÑĭÑĪ л ĠÑĤ Ñĥ ĠÑĤÑĥ ÑĢиÑģÑĤ Ġch c Ġchc Äħ Ġав г Ġавг ÑĥÑģÑĤ ĠавгÑĥÑģÑĤ а ס ×IJ×ķת Ġר ×Ĵ׾ à¸ľà¸¥ à¸ģระà¸Ĺ à¸ľà¸¥à¸ģระà¸Ĺ à¸ļ å¤īãĤı ãĤĭ Ġ×Ķ×IJ×Ĺר ×ķ׳×Ļ×Ŀ سÙģ ÙĬر ĠÑĩа Ñīе ãģĦ ãĤī ãģĦãĤī ãģ£ ãģĦãĤīãģ£ ãģĹãĤĥ ×ķ×ŀ ׳×Ļ×Ŀ Ġart tır ĠCh á»ĭ Ġì¡° ì§ģ ĠÑĥÑģп еÑħ Ġ×¢ ×ķס Ġ×¢×ķס ק ĠìĥĿ ëªħ ÑĨ иÑĤ Ġreg ión Ðŀ ÐĿ ĠdoÄŁ um ĠyaÅŁ ad ĠyaÅŁad ıģı à¸Ĺà¸Ķ ลà¸Ńà¸ĩ Ġgöz ü ש ×Ļר×Ķ дÑĥм ал Ġda ģı Ġdaģı t à¸Ĺีม à¸ĩาà¸Ļ Ġti á»ģm ĠاÙĦÙĥ بر ĠاÙĦÙĥبر Ùī ì¹ Ń ĠGü nc ĠGünc elle ĠGüncelle me ê¹ Ĭ ĠобоÑĢÑĥд ование ĠÑĢеÑĪ а á» ¤ Ġп иÑĤ ĠпиÑĤ аниÑı à¹Ģรีย à¸ļ ×Ľ×ª ×Ļ×ij×Ķ Ġп он Ġпон ÑĢав ĠпонÑĢав и Ġ×Ķ ×ķ׾×ĵ Ġ×Ķ×ķ׾×ĵ ת Ġê² ģ Ġê²ģ ëĭĪëĭ¤ ĠпеÑĢв ой ãĥ©ãĤ¤ ãĥķ ĠÅŁi ir kr ÄĻ krÄĻ c Ġthi á»ĥu à¹Ģลย à¸Ĺี à¹Ģลยà¸Ĺี à¹Ģà¸Ķียว ×ĺ×¢ ׳×ķת ائ ÙĩÙħ Ġ×IJ ס×ķר ĠплаÑĤ еж تر دد Ġmożli we Ġkh Ỽ ĠkhỼ p تÙģاع ÙĦ ĠÑĪ колÑĮ ĠÑĪколÑĮ н ĠÙĤ صة Ġmét ier nÄĻ ÅĤa หล à¹Īà¸Ń Ġ ủng Ġprz egl Ġprzegl Äħd ĠاÙĦÙħ تعÙĦ ĠاÙĦÙħتعÙĦ ÙĤØ© ĠÑģÑĭ н Ġв олн ãĥĩ ãĥ¼ãĥĪ ĠÐŃ ÑĤи Ġк ÑĢоме à¸Ħ ารà¹Į ׳ק ×ķ×ĵ×Ķ Ġ׾ש×ŀ ×ķ×¢ Ġ×ĸ ×ķ׼ר ï¼ § ÙĬ Ùİا Ġgi á»ıi åĥį ãģı ĠÑģ ни ĠÑģни жен à¹ģà¸Ķ à¸Ķ รุ à¸Ļ รุà¸Ļ à¹ģรà¸ĩ Ġhi á»ĩp ograf ÃŃa à¹Ģà¸Ī à¸Ńรà¹Į Ġдв иг Ġдвиг аÑĤ ĠдвигаÑĤ ел Ġü y Ġüy eler Ġüyeler i Ġб Ñĥк ĠбÑĥк в ãĤĤ å¤ļãģı Ġthi á»ĩt ĠPa ÃŃs ĠØ· بÙĬعÙĬ à¹ģà¸Ī à¸ģ ĠاÙĦص ØŃÙĬØŃ Ġapp ré Ġappré ci Ġdecis ión Ġë°ĺ ëĵľ Ġë°ĺëĵľ ìĭľ ĠÑĤеб е ãĤ· ãĥ¼ãĤº ãĤ·ãĥ¼ãĤº ãĥ³ Ġд алÑĮн ĠìĬ ¤ ĠìĬ¤ ìĬ¤ ĠìĬ¤ìĬ¤ ë¡ľ ĠTh á»ĥ Ġkar ÅŁ ĠkarÅŁ ıs ĠkarÅŁÄ±s ında ĠK ön ĠKön ig ив ание ×ij ×ķצע г лаÑģ Ġtw ó Ġtwó rc à¸Ľà¸ģ à¸Ħร à¸Ľà¸ģà¸Ħร à¸Ńà¸ĩ ĠG ÅĤ ĠGÅĤ ówn ĠUnter stüt ĠUnterstüt zung Ġд ÑĥÑħ ĠдÑĥÑħ ов Ø£ ÙħاÙĨ ×Ĺש ש ت ظ تظ اÙĩر ĠлÑİб ом à¸ķ าร à¸ķาร าà¸ĩ Ġkr ól Ø£ ØŃدث ì¡Į ëĭ¤ Ðļ ÑĥÑĢÑģ ãĥĥ ãĥĦ ×ŀק ×ķ×ij׾ ĠÑģимв ол Ġdés orm Ġdésorm ais w üns wüns che Ñĥ ни Ñĥни ÑĨип ÑĥниÑĨип алÑĮн หลัà¸ģ สูà¸ķร ÙĨت شر Ġа л Ġал к Ġалк ог Ġалког ол ĠÑĥ ÑĩиÑĤÑĭва à¸ģำ à¸ģัà¸ļ Ġ׾ פע×ķ׾ ĠìĹ° ê²° s Äħd ĠاÙĦØ£ ÙĬ ĠاÙĦØ£ÙĬ اÙħ غÙĬ اب Ġна ÑĢ ĠнаÑĢ ко ×ŀ×ķ×ĵ ×¢ ĠÑģеÑĢ ии пиÑģ Ñĭва สิ ว ç¶ļ ãģĦãģ¦ çĶ³ãģĹ è¾¼ãģ¿ Ġ׾ ×Ĵר Ġ׾×Ĵר ×ķ×Ŀ Ġд ем Ġдем о Ġë³´ ëĤ´ تÙĩ دÙĬد ĠÙħØ´ ÙĬرا Ġdu y Ġduy á»ĩt ĠwiÄĻks ze Ùħع اÙĬ ÙħعاÙĬ ÙĬر ĠG da ĠGda ÅĦsk Ġr ah Ġrah ats Ġrahats ız ר ×ķצ×Ķ l ös lös ung ĠТак им ÑĪ ед ÑĪед ÑĪ ع زÙĦ Ġרש ×Ļ×ŀת Ġ׾×Ķ ×Ļ׼ Ġ׾×Ķ×Ļ׼ ×ł×¡ Ġп ÑĥÑĤ ĠпÑĥÑĤ еÑĪ ĠпÑĥÑĤеÑĪ еÑģÑĤв Ġnot ÃŃcia Ġal Ä±ÅŁ ĠalÄ±ÅŁ ver ĠalÄ±ÅŁver iÅŁ ĠwÅĤ os ĠwÅĤos ów Ġب غ Ġبغ داد Ġver öffent Ġveröffent licht ĠKh á Ġt án ëIJĺ 기 Ġë°© 문 Ùģ ÙĬÙĦ à¹Ģà¸ģิà¸Ķ à¸Īาà¸ģ åı¯ æĦĽ åı¯æĦĽ ãģĦ à¸ĸ ุà¸ĩ Ġz ewnÄĻtrzn à¸łà¸²à¸©à¸² à¸Ńัà¸ĩà¸ģฤษ Ġmá xima Ġul us Ġulus lararası Ġ׳×Ķ ׳ à¸Ĥà¹Īาว สาร ĠìĿĺ ìĤ¬ à¹Ģหล ืà¸Ńà¸ĩ Ġد ÙĤ ĠدÙĤ ائÙĤ สืà¹Īà¸Ń สาร ë¨ ¼ ĠÑģоÑģÑĤоÑı нии สมา à¸Ħม á» Ĥ ĠÐľÐ¾Ñģ ков ĠÐľÐ¾Ñģков Ñģк ×ŀס ×ķ×Ĵ׾ ãģĭ ãģĭãĤĬ ĠTr uyá»ģn à¹ģà¸Ĥà¹ĩà¸ĩ à¹ģรà¸ĩ ×ŀ×Ĺ ×ĸ×Ļק à¹Ĥà¸ģ à¹ī ÙĬس ر ìĶ © ×IJ ×ķק ×IJ×ķק ×ĺ ×IJ×ķק×ĺ ×ķ×ijר Ġprox imité ÙħÙĨ Ùĩج ĠاÙĦج ز ĠاÙĦجز ائ ĠاÙĦجزائ رÙĬ ĠÄIJi á»ĥm Ġден еж Ġденеж н ÙģØŃ Øµ Ùģ ئ ĠÐij Ñĥд ×Ĵ×Ļ×ĵ ×ķ׾ ĠÐĴ едÑĮ عÙĦ اÙħØ© Ġ×IJ×Ĺר ×ķ׳×ķת ãģĦãģŁãģł ãģĦãģ¦ سÙĦ ØŃ ØŃ ÙĦÙħ ز ÙĪار Ùĥ سر ×ĺ קס Ġб ан Ġбан ков ĠпÑĢ ож ĠпÑĢож ива li wo liwo ÅĽci ĠTi ếp ĠاÙĦÙħÙĨ اسب ĠاÙĦØ® ÙĬار ãģĬ ãģĭ ãģĬãģĭ ãģĴ à¸Ķà¸Ńà¸ģ à¹Ħมà¹ī ä mp ämp fe à¸ķัà¹īà¸ĩ à¹ĥà¸Ī Ġза ÑīиÑĤ ĠзаÑīиÑĤ Ñĭ ĠTh Æ°á»Ŀng Ġص Ùģ ĠصÙģ ØŃØ© ×Ĺ×ķר ×£ ãĥIJ ãĥĥãĤ° Ġ×ĵ ×Ļ×Ĵ Ġ×ĵ×Ļ×Ĵ ×Ļ×ĺ Ġ×ĵ×Ļ×Ĵ×Ļ×ĺ ׾×Ļ Ġ×Ķ×Ĺ ×ķ׾×Ļ×Ŀ в еÑī веÑī а Ġк ÑĥлÑĮÑĤ ĠкÑĥлÑĮÑĤ Ñĥ ĠкÑĥлÑĮÑĤÑĥ ÑĢÑĭ ĠاÙĦاÙĨ ترÙĨت Ġhö ch Ġhöch st Ġíĺ ķ Ġíĺķ íĥľ Ġв ой Ġвой нÑĭ ÐĽ Ðŀ ìĭł ìļ© Ġ×ŀ×ij ×ķס Ġ×ŀ×ij×ķס ס ×ŀ׳ ×Ļ×¢ Ġfiyat ı ĠÑģл Ñĥж ĠÑģлÑĥж бÑĭ à¸Ĺั ศ à¸Ĺัศ à¸Ļ ãģĵãģ¨ãģĮ å¤ļãģĦ Ġ×Ķ×ŀש ת Ġ×Ķ×ŀשת ×ŀש å¯Ħ ãģĽ ×ŀש׾ ×ķ×Ĺ æĻĤ çĤ¹ æĻĤçĤ¹ ãģ§ à¸ŀร ี à¸ŀรี à¹Ģมีย à¸ŀรีà¹Ģมีย รà¹Į à¸ŀรีà¹Ģมียรà¹Į ลีà¸ģ Ġdiffic olt Ġdifficolt Ãł ãĥ¬ ãĤ¹ãĥĪ ãĥ¬ãĤ¹ãĥĪ ãĥ©ãĥ³ สม à¹Ģà¸Ķà¹ĩ สมà¹Ģà¸Ķà¹ĩ à¸Ī Ġж ид Ġжид к Ġzu peÅĤ ĠzupeÅĤ nie ĠÙħ جر ĠÙħجر د ãģĮ å§ĭ ãģĮå§ĭ ãģ¾ ãĤŃãĥ£ ãĥ© Ġ×IJ ×ķ×ķ×Ļר ãģĬ äºĴ ãģĬäºĴ ãģĦ Ġpot rÃł ĠPa ÅĦst ĠPaÅĦst wo Ġب ÙĬاÙĨ ĠبÙĬاÙĨ ات Ġин огда ĠÑĢ а ĠÑĢа ÑģÑĤв ĠÑĢаÑģÑĤв оÑĢ Ġ×ĸ ×ŀ׳ ยิ à¹īม Ä Ĩ ãģ¾ ãģķ ãģ¾ãģķ ãģ« ãĥķãĤ¡ ãĤ¤ãĥ« Ġgörd Ã¼ÄŁÃ¼ สà¸ĩ à¸Ħร สà¸ĩà¸Ħร าม ĠArk adaÅŁ ĠrozwiÄħz ania ×ŀ ×ķ×ĺ pi ÄĻ piÄĻ t ص غر ส ย สย าม ãĤĨ ãģ£ãģıãĤĬ Ġtr ần Ġeconom ÃŃa Ġgeh ören ãĤ·ãĥ§ ãĥ¼ ĠsÅĤ ucha à¸ŀà¸Ń à¹ĥà¸Ī ĠоÑĤмеÑĤ ил ÙĨت ÙĤÙĦ Ġprop ósito ĠваÑĪ его Ġnh ắn à¹ģà¸ĸ ว Ġком иÑģ ĠкомиÑģ Ñģи waż nie Ġy avaÅŁ ×ŀ ×Ļק ×ŀ×Ļק ×ķ×Ŀ ש×IJ׾ ת Ġyıll arda ĠÐ ® ĠЮ ÑĢ ×ł×¡ ×Ļ×ij×ķת ת צ תצ ×ķ×Ĵ Ġод нÑĥ Ġ à¸Ńยà¹Īาà¸ĩà¹Ħร Ġà¸Ńยà¹Īาà¸ĩà¹Ħร à¸ģà¹ĩà¸ķาม ëģ ¼ à¹Ħล à¹Ī تس ÙĦÙĬÙħ بÙĦ اغ Ġì ī Ġìī ½ Ġìī½ ê²Į ãĥļ ãĥ³ зв ÑĥÑĩ ĠW äh ĠWäh rend Ġ×Ļ ×Ļת Ġ×Ļ×Ļת ׼ף Ġkh uyên Ġv ẽ Ġа меÑĢ ĠамеÑĢ ик ĠамеÑĢик ан ĠамеÑĢикан Ñģк ع جب ãĥĽãĥ¼ãĥł ãĥļãĥ¼ãĤ¸ Ġник ÑĤо ĠÙĤ Ùİ ĠÙĤÙİ Ø§ÙĦ ĠÙĤÙİاÙĦ Ùİ ÐIJ ÐĹ Ùħ جÙħÙĪع ÙħجÙħÙĪع ات Ġnecess itÃł Ġpob li Ġpobli żu Ġph ấn ĠСо обÑī ÙħÙĤ اط ÙħÙĤاط ع Ġ×Ķצ ×ķר×ļ la ÅŁtırma ว ิà¸Ķ วิà¸Ķ ี วิà¸Ķี à¹Ĥà¸Ń Ġ그리 ìĬ¤ Ġ그리ìĬ¤ ëıĦ ãĤ¿ãĤ¤ ãĥŁ ãĤ¿ãĤ¤ãĥŁ ãĥ³ãĤ° ק×ĺ ×Ĵ×ķר ק×ĺ×Ĵ×ķר ×Ļ×Ķ Ġ×Ĺ ×ķפ Ġ×Ĺ×ķפ ש×Ļ Ø£ جر Ġим ени ĠÑĢан ее à¹Ģà¸ŀืà¹Īà¸Ńà¸Ļ à¹Ĩ ĠJes ús Ñģо един Ñģоедин ен Ġר ×Ĺ×ķק à¹Ĥà¸ļ รา à¹Ĥà¸ļรา à¸ĵ ĠH Æ¡n Ġth áºŃp تع ÙĬÙĬÙĨ Ġtart Ä±ÅŁ ĠtartÄ±ÅŁ ma ĠGes pr ĠGespr äch תר ×ķפ תר×ķפ ×ķת Ġcat égorie Ġоказ Ñĭва ĠналиÑĩ ие Ġprésent é Ġk ull Ġkull and Ġkulland ı Ġü nl Ġünl ü ĠÙģ Ùĥرة из аÑĤоÑĢ ×IJ ×ķ׳ ×IJ×ķ׳ ×Ļ×ij ×IJ×ķ׳×Ļ×ij רס ×IJ×ķ׳×Ļ×ijרס ×Ļ×ĺת ĠÑĢаÑģÑģ маÑĤ ĠÑĢаÑģÑģмаÑĤ ÑĢ ĠÑĢаÑģÑģмаÑĤÑĢ ива تÙĥÙĦ Ùħ Ùĥت رÙĪ ÙĥترÙĪ ÙĨÙĬ ĠÑģо ÑĩеÑĤ ĠÑģоÑĩеÑĤ а ãĤĴè¦ĭ ãģĽ Ġng ừa ĠÐł еÑģп ĠÐłÐµÑģп Ñĥб ĠÐłÐµÑģпÑĥб лик ãĤ¦ ãĤ© ãĤ¦ãĤ© ãĥ¼ ĠÐľ еждÑĥ ĠìŀĪ ê²Į Ġm â ĠìļĶ ì²Ń ض ار ลุ à¹īà¸Ļ ëĮĢ íķĻêµIJ ×ĸ ×Ļ׼ ×ĸ×Ļ׼ ר×ķף ãĤ¹ ãĥļ ãĤ¹ãĥļ ãĥ¼ãĤ¹ ĠкÑĢаÑģ оÑĤ ï¼ ¨ ê¼ Ń ãĤĴ éĽĨ ãĤĴéĽĨ ãĤģ ë° Ŀ Ġ×Ķ׳ ×IJ Ġ×Ķ׳×IJ ש×Ŀ Ġê°Ģ ìļ´ Ġê°Ģìļ´ ëį° تÙĥÙĦ ÙģØ© ĠØŃ ÙĤÙĬÙĤÙĬ Ġh alk Ġhalk ın ÑİÑī ÑĥÑİ ĠÑģп ин סר×ĺ ף ĠпеÑĢв ого Ġпол ож Ġполож иÑĤелÑĮн Ġд л Ġдл иÑĤелÑĮн ĠV Ä©nh ê´ ´ ĠÑģÑĭ ÑĢ ĠíĨµ íķĺìŬ ë³ij ìĽIJ à¹Ĥรà¸ĩ à¸ĩาà¸Ļ รัà¸ļ à¸ľà¸´à¸Ķ รัà¸ļà¸ľà¸´à¸Ķ à¸Ĭà¸Ńà¸ļ تج ÙĨب s ÅĤ sÅĤ uch ãĤ¢ãĥ« ãĥIJ ãĤ¢ãĥ«ãĥIJ ãĥł ëī´ ìĬ¤ Ġpat ië Ġpatië nt Ġìĺ ¤í Ġìĺ¤í ŀ Ġìĺ¤íŀ Ī Ġìĺ¤íŀĪ 볤 ĠDer ne ĠDerne ÄŁi wró ci wróci Äĩ Ġоб Ñī ĠобÑī еÑģÑĤв ĠобÑīеÑģÑĤв енно ĠêµIJ ìĪĺ tıģ ımız Ġ×Ķ×ŀש ×Ļ×ij k örper Ġпозв ол Ġпозвол иÑĤ ĠChi ến أخ ÙĪ ĠAy dın à¸Ķà¹īาà¸Ļ ล à¸Ķà¹īาà¸Ļล à¹Īาà¸ĩ Ġdr u Ġdru ż Ġdruż yn Ġë°ľ íijľ ĠTh ảo جÙĩ اد à¸ģระà¸Ĺ ูà¹ī Ġк ÑĢов ĠкÑĢов и Ġiçer ik Ġnad zie Ġnadzie jÄĻ ĠС моÑĤÑĢ Ġph ức ج تÙħاع جتÙħاع ÙĬØ© ком пон компон енÑĤ Ġб ил Ġбил еÑĤ ãĥIJ ãĥ³ãĥī ĠPol ÃŃcia اÙĦ تÙĩ اÙĦتÙĩ اب ØŃر Ùģ ت خط تخط ÙĬØ· ãĤ³ ãĥ¼ãĥ ãĤ³ãĥ¼ãĥ Ĵ ãĤ³ãĥ¼ãĥĴ ãĥ¼ ･･ ï½¥ à¸ĭ à¸Ńย Ġcréd it è²· ãģ£ãģŁ ĠпоÑĢ Ñıд ĠпоÑĢÑıд ке Ġph ó Ġw ida Ġwida Äĩ جر ائÙħ à¸ľ ี ĠbÄĻd ÄĻ Ġ×ŀ פת×Ĺ ãĥij ãĥ¼ãĥ ãĥijãĥ¼ãĥ Ĩ ãĥijãĥ¼ãĥĨ ãĤ£ ãĥijãĥ¼ãĥĨãĤ£ ãĥ¼ ĠKa ż ĠKaż dy ĠнеобÑħодим оÑģÑĤи à¸Ł à¸Ńรà¹Į à¸Łà¸Ńรà¹Į ม Ġмал ÑĭÑĪ Ġпл оÑĤ ĠÑĥ ÑģÑĤÑĢой ĠÑĥÑģÑĤÑĢой ÑģÑĤва à¸ĸ à¸Ńà¸Ļ ĠoluÅŁtur ul ĠÅĽwi ad ĠÅĽwiad om Ùħع Ùĩد ĠпÑĢоиз веден Æ ł ר ×Ļש Ùħست Ø« Ùħستث Ùħر ׳×Ļ ×Ļר pa ñ Ġ; -) Ġë°ľ 견 Ġgör üyor Ùħؤ ÙĦÙģ ĠÄIJ á»ģ ĠاÙĦÙĨ ÙĪاب ×Ĺק ×Ļר×Ķ Ġm á»ıi è¿° ãģ¹ ÐĿ ик ìŀĸ ìķĦ ìŀĸìķĦ ìļĶ prowadzi ÅĤ l óg lóg ica פס ×ĺ פס×ĺ ×Ļ×ij׾ Ġ×ŀ ×ĵ×Ķ Ġ×ŀ×ĵ×Ķ ×Ļ×Ŀ ãģĵãģĵ ãģ¾ãģ§ ×Ķ ת×Ĺ ×Ķת׊׾×Ķ Ġפ ×ķס Ġפ×ķס ×ĺ×Ļ×Ŀ Ġн ев Ġнев оз Ġневоз можно ĠdostÄĻp ny Ġغ اÙĦ ĠغاÙĦ ب Ġbez pieczeÅĦst ĠbezpieczeÅĦst wa åĪĨ ãģĭãĤĭ ĠF ührung à¸ģ ีà¹ī gem Ã¤ÃŁ à¸Ĭà¹Īวà¸ĩ à¹Ģวลา Ġìļ°ë¦¬ ëĤĺ Ġìļ°ë¦¬ëĤĺ ëĿ¼ ãģ¥ ãģıãĤĬ ĠاÙĦÙħ سÙĦ ĠاÙĦÙħسÙĦ ØŃØ© Ġlibert é клÑİÑĩ ение Ġzam ów Ġzamów ienia รà¸ĸ à¹Ħà¸Ł Ø£ ÙģÙĦ Ø£ÙģÙĦ اÙħ Ùħ راج Ùħراج عة Ġë¹Ħ êµIJ ĠاÙĦت اب ĠاÙĦتاب عة Ġë§Į ëĤĺ Ġб Ñĥм ĠбÑĥм аг Ġgé nero Ġìŀĺ 못 ×ŀ פ×ķר×ĺ è²·ãģĦ çī© ĠÙĦدÙĬ Ùĥ Ġ×ľ×¢ ×Ļת Ġ×ľ×¢×Ļת ×Ļ×Ŀ ĠsÅĤ ab ĠпÑĢедÑģÑĤав лÑı ãĤ¿ ãĤ¤ãĥĪ ãĤ¿ãĤ¤ãĥĪ ãĥ« Ùħ ص Ùħص Ø·Ùģ ÙħصطÙģ Ùī Ġdifficult é ãĥĨãĤ£ ãĥĸ Ġpew noÅĽci ĠpewnoÅĽci Äħ Ġ무 ìĬ¨ Ø¥ رس إرس اÙĦ Ġд алÑĮ ĠдалÑĮ ÑĪе Ġ׾ ×ł×¡ Ġ×ľ×ł×¡ ×ķת หมูà¹Ī à¸ļà¹īาà¸Ļ ×ŀס×ŀ ׼×Ļ أسÙĦ ÙĪب Ġzw ÅĤ ĠzwÅĤ as ĠzwÅĤas zc ĠzwÅĤaszc za ĠпÑĢ еж ĠпÑĢеж де ĠоÑĢганиз аÑĨиÑı Ġdön emin Ġdönemin de Ġ Ủ ĠỦ y ä¸ĭ ãģĴ ĠпоÑģлед ние Ġgü ne Ġgüne ÅŁ Ġ×IJ ×ĸר Ġ×IJ×ĸר ×Ĺ×Ļ ãģ§ãģĤ ãĤįãģĨ ĠÙĨ ÙĤ ĠÙĨÙĤ اط æŃ£ ãģĹãģĦ ĠÑĢ ег ĠÑĢег иона ĠFör der ê²½ ìĺģ dıkl ar dıklar ını trzym aÄĩ أش Ùĥ أشÙĥ اÙĦ ×Ķת ×IJ ×Ķת×IJ ×ŀ×Ķ à¸Ĺำà¹ĥหà¹ī à¹Ģà¸ģิà¸Ķ ĠGeb ä ĠGebä ude ĠСеÑĢ г ĠСеÑĢг ей Ġз доÑĢов ĠздоÑĢов ÑĮÑı Ġr ãi ĠпÑĢед ÑĥÑģ ĠпÑĢедÑĥÑģ моÑĤÑĢ ĠпÑĢедÑĥÑģмоÑĤÑĢ ен Ġ×Ķצ ×Ļ×ij Ġ×Ķצ×Ļ×ij ×ķר×Ļ Ġdés ir Ġн оÑĩ ĠноÑĩ ÑĮ möglich keiten Ġ×IJ×Ĺר ×ķ׳×Ļ×Ŀ Ġsoir ée ĠNh áºŃn Ù ª à¸Ľà¸£à¸°à¸§à¸±à¸ķิ ศาสà¸ķรà¹Į êµIJ íĨµ ĠØ£ Ø®ÙĬ Ġdé cid Ġdécid é Ġwy ja Ġwyja ÅĽni Ġ สิ Ġสิ à¸ĩ Ġสิà¸ĩ หา Ġสิà¸ĩหา à¸Ħม à¹ģ à¸Ńรà¹Į หà¸Ļà¹īา à¸Īà¸Ń ס תר Ġê ¶ Ġê¶ Į Ġê¶Į 리 pl ätze ب Ø·ÙĦ ê±´ ìĦ¤ Ġ×IJ ×Ļ×ŀ×Ļ Ġ×IJ×Ļ×ŀ×Ļ ×Ļ׾ ãģ ½ تر اث ×IJ׾ ×Ļ×ŀ×ķת Ġdispon ÃŃveis Ġz ale Ġzale ży à¸Ľà¸£à¸°à¸Ĭา สัมà¸ŀัà¸Ļà¸ĺà¹Į ĠÅļw iat Ġpor ówn Ġporówn a Ġ׾×ĺ ×ķ×ijת ×Ķ×ĸ ×ŀ׳×Ķ Ġ×Ľ×ª ×ķצ×IJ×Ķ Ġ×ij ק׾ Ġ×ijק׾ ×ķת ĠоÑĤ кÑĢ ĠоÑĤкÑĢ Ñĭва ãĥij ãĥ¯ãĥ¼ ë¿IJ ë§Į Ġв ÑģÑı ĠвÑģÑı к ãģ¨ãģª ãģ£ãģ¦ãģĦãĤĭ Ġgi áºŃn Ġок ÑĢÑĥ ĠокÑĢÑĥ жа ĠокÑĢÑĥжа ÑİÑī ĠUnivers ität ĠÑĢ ож ĠÑĢож д ĠÑĢожд ениÑı Ø® ÙĬÙĦ Ġкомпани й ĠÑĢазлиÑĩ нÑĭе ĠЦ ена ׳×Ļ ×ķ×ĸ ׳×Ļ×ķ×ĸ ׾ ׳×Ļ×ķ×ĸ׾ ×ĺר Ġê³µ ê°Ħ Ġê°ľ ëħIJ landır ma ĠÑĥдал ен à¸ŀัà¸ģ à¸ľ à¸ŀัà¸ģà¸ľ à¹Īà¸Ńà¸Ļ Ġprote cción Ġb ÅĤ ĠbÅĤ ÄĻd à Ī Ġíĸī ë³µ ĠÅŁ ü ĠÅŁÃ¼ phe Ġí Ķ ĠíĶ ¼ ĠíĶ¼ íķ´ Ġëĭ¤ 르 à¹Ħมà¹Ī à¹Ģà¸ģิà¸Ļ ãģ¿ ãģª ãģ¿ãģª ãģķãĤĵ ĠпоÑĤ ÑĢеб ĠпоÑĤÑĢеб иÑĤел ĠاÙĦÙĥÙĦ اÙħ ìķĦ ë²Ħ ìķĦë²Ħ ì§Ģ ãĤĴ使 ãģ£ãģŁ Ġbụ i ĠпоÑĤ еÑĢ ĠпоÑĤеÑĢ Ñı ĠØ¢ ÙĦاÙģ ĠнаÑģÑĤоÑıÑī ее ãģıãģªãĤĬ ãģ¾ãģĹãģŁ clus ão ãĤ³ ãĥĶãĥ¼ צ פ×Ļ צפ×Ļ ×Ļ×Ķ Ø® ÙĦا Ø®ÙĦا ص ล à¹īำ ãĥ¯ ãĤ¤ãĥ³ Ġมี à¸Ļา Ġมีà¸Ļา à¸Ħม Ø´ خص شخص ÙĬات Ġ×ĸ ק Ġ×ĸק ×ķק ×Ļ ×Ļצ ×Ļ×Ļצ ×Ĵ èĢĥãģĪ æĸ¹ Ġürün ü ĠиÑģп ол ĠиÑģпол ни Ġcompañ ero ק צ×Ķ ×ŀ×¢ ׳×Ļק Ùħ ØŃÙħد Ġc ámara Ġп ед Ġпед аг Ġпедаг ог м аÑĢ маÑĢ к ×Ķת ׳×Ĵ×ĵ ĠìĨĮ ê°ľ Ġcom unitÃł ê³ ¤ ĠNg Ãłi สà¸ĩ à¸ļ ĠmieszkaÅĦ ców ĠÙĨ ÙĩائÙĬ iv ité Ġи де Ġиде алÑĮн ĠØ£ سبÙĪع Ġ×Ļ ×¢×ľ Ġ׾ ר×IJש Ġ׾ר×IJש ×ķ׳×Ķ ĠзапиÑģ и ĠкоÑĢ пÑĥÑģ วà¸ĩ ศ วà¸ĩศ à¹Į ĠÐĶ м ĠÐĶм иÑĤ ĠÐĶмиÑĤ ÑĢ Ġkön nt Ġböl ges Ġbölges inde ׼ ×Ļ׼ ׼×Ļ׼ ר ĠاÙĦØ¥ Ø«ÙĨ ĠاÙĦإثÙĨ ÙĬÙĨ Ġng á»Ļ ì¹ ł د راج Ġu da Ġuda ÅĤo ìº IJ بر ÙĨاÙħج ĠÑģÑĥд еб ĠÑģÑĥдеб н Ġzun ächst ĠEduc ación ãģ¨ãģª ãģ£ãģ¦ãģĦãģ¾ãģĻ Ġ×Ķ×IJ ×ŀ×Ļת×Ļ ĠÄ° nt ĠÄ°nt ernet ĠcaÅĤ ego ãĥĹãĥª ãĥ³ Ø¥ بد إبد اع ĠпоÑĢ ÑĤал à¹Ĥà¸ķ à¹ī Ġ×Ķק ש×ķר пл од ĠÙħ د ĠÙħد رÙĬد ×ŀסע ×ĵ×Ķ ĠØ´ÙĬ ئ ĠØ´ÙĬئ ا à¸ģà¹Īà¸Ń สรà¹īาà¸ĩ Ġì°¸ ê³ł à¹Ģà¸Ĺ ร à¹Ģà¸Ĺร à¸Ķ Ġ×ij×ŀ קר×Ļ×Ŀ Ġb ât Ġbât iment åij¼ ãģ³ ç´ł æķµ ç´łæķµ ãģª przedsiÄĻbior st przedsiÄĻbiorst w Ġ×ł×ª ×ķ׳×Ļ×Ŀ ×Ĺ׾ ×ķ×Ŀ ร วย Ùħ ÙĪضÙĪع ĠÑģоб ÑĢан вед ÑĥÑī ĠÑĤе аÑĤ ĠÑĤеаÑĤ ÑĢ m eye meye ceÄŁi Ġpien iÄħ ĠpieniÄħ d ĠpieniÄħd ze ÑĢез иденÑĤ ØŃ ØµØ± ìĺ ¥ à¹Ģย ืà¸Ńà¸Ļ ĠÑĥ ни ĠÑĥни веÑĢ ĠÑĥнивеÑĢ Ñģ ĠÑĥнивеÑĢÑģ иÑĤеÑĤ ĠاÙĦر ØŃ ĠاÙĦرØŃ ÙħÙĨ ĠÑĤеÑħ нолог ĠÑĤеÑħнолог ии ìĹIJ ëĦĪ ìĹIJëĦĪ ì§Ģ Ġíķ Ń ĠíķŃ ìĥģ à¸ĺ า à¸ĺา à¸ķุ ĠEspañ ol ×ĵ×Ĵ ש Ġêµ ī Ġêµī ìŀ¥ Ġêµīìŀ¥ íŀĪ ĠÅĤ at ĠÅĤat wo Ġk á»ĭch Ø¥ ز إز اÙĦØ© ĠдейÑģÑĤв ие ĠsaÄŁ layan สุà¸Ķ ยà¸Ńà¸Ķ Ġzosta Äĩ Ġdispon ÃŃvel ïº į ver ständ verständ lich tw or twor zyÄĩ ع جز à¹Ģà¸Ĥ à¹īม ยà¹Ī à¸Ńม Ġstrat ég Ġstratég ie à¸ľà¸¥ à¹Ħมà¹ī Ġê°ģ ì¢ħ ĠÙħ ÙĪا ĠÙħÙĪا ض ĠÙħÙĪاض ÙĬع اØŃ ØªØ¬ اØŃتج اج Ġ Ấ ĠẤ n ×ŀ ×ŀש׾×Ķ ĠÅŁek il ×ŀ ×Ĺ׾ ×ŀ×Ĺ׾ ×ķת Ġ à¸ĺ Ġà¸ĺ ัà¸Ļ Ġà¸ĺัà¸Ļ วา Ġà¸ĺัà¸Ļวา à¸Ħม Ġìĭ¤ ìłľ Ġìĭ¤ìłľ ë¡ľ ì¤ij ìķĻ ëįĶ ëĿ¼ ĠÑĪ иÑĢ ĠÑĪиÑĢ око Ġsol ución วาà¸ĩ à¹ģà¸ľà¸Ļ ×IJ×ķ×ĺ ×ķ×ŀ ×IJ×ķ×ĺ×ķ×ŀ ×ĺ×Ļ ĠÑĢ еÑģÑĤ ĠÑĢеÑģÑĤ оÑĢ ĠÑĢеÑģÑĤоÑĢ ан ëį ¸ ÑĤ ÑĢад ÑĤÑĢад и ÑĤÑĢади ÑĨион ÑĤÑĢадиÑĨион н มะ à¹Ģรà¹ĩ มะà¹Ģรà¹ĩ à¸ĩ à¹Ĥ ส Ġol masını ×ŀ×ķס ר ĠоÑĤноÑĪ ении Ġê°ĢëĬ¥ ìĦ± Ġy uk Ġyuk arı ìĨ Ķ ĠÑģ ÑĦ ĠÑģÑĦ еÑĢе Ġק ×ķפ ãĤ± ãĥ¼ãĤ ãĤ±ãĥ¼ãĤ Ń âĢķ âĢķ ĠاÙĦØ£ ÙĦÙħ ĠاÙĦØ£ÙĦÙħ اÙĨÙĬ Ả N ת×ķ׼ ׳×Ļ×ķת ĠÑģÑĥÑīеÑģÑĤв ÑĥеÑĤ æĪij ãĢħ ĠاÙĦص ادر ĠTr á»įng Ġа д Ġад миниÑģÑĤ ĠадминиÑģÑĤ ÑĢа ĠадминиÑģÑĤÑĢа ÑĨи ĠдÑĢÑĥг ими Ñģп еÑĪ عÙĦاÙħ ات Ġа б Ġаб Ñģол ĠабÑģол ÑİÑĤ ĠабÑģолÑİÑĤ но ฤ à¸Ķู é tr étr anger нÑı ÑĤи нÑıÑĤи е ×¢ ×ķ׳ ×¢×ķ׳ ש ĠÙĤ ائ ĠÙĤائ ÙĦا Ġм аÑģ ĠмаÑģ ло ãĥī ãĤ¤ ãĥīãĤ¤ ãĥĦ å¿ħè¦ģ ãģĮãģĤãĤĬãģ¾ãģĻ ×ŀ×ķ×ĸ ×Ļ×IJ ×ŀ×ķ×ĸ×Ļ×IJ ×ķף ĠNgo ại Ġkê nh à¸ģาร à¸Ńà¸Ńà¸ģà¹ģà¸ļà¸ļ ×ŀ פק ×ŀפק ×ĵ ÙħÙĨ از ÙħÙĨاز ÙĦ ë· ° íĹ ¤ ÙħÙĩ ارات Ġpropri été פ×Ĵ ×Ļש×Ķ Ñĩ ÑĢ ÑĩÑĢ еж ÑĩÑĢеж ден ×Ķ ×ķצ×IJ×Ķ ØŃÙĥ ÙĬÙħ ĠíĻ Ī ĠíĻĪ íİĺìĿ´ì§Ģ åİ ³ åݳ ãģĹãģĦ ×¢ ×ŀ×ĵ×Ķ ĠAu ÃŁen سÙĪ Ø¡ ë¹ Ī ĠÙĪ Ø® ĠÙĪØ® اصة ин ÑĤеÑĢ инÑĤеÑĢ еÑģ èĩ´ ãģĹãģ¾ãģĻ Ġhük üm à¹Ħà¸Ĥ มัà¸Ļ Ġdav ran Ġdavran Ä±ÅŁ à¹Ģà¸ķ ียà¸ĩ в ÑĢем вÑĢем енно à¹Ģà¸Ĺศ à¸ģา à¹Ģà¸Ĺศà¸ģา ล å¼ķ ãģ£ å¼ķãģ£ è¶ĬãģĹ ×IJר ×ķ×Ĺ ×IJר×ķ×Ĺ ×ª à¹Ģ วิ à¹Ģวิ รà¹Į à¸Ńยà¹Īาà¸ĩ รวà¸Ķà¹Ģรà¹ĩว ĠìŬ íĸī ĠÑĢан ÑĮ ĠÑĢанÑĮ ÑĪе Ġzob ow Ġzobow iÄħ ĠzobowiÄħ z Ġ×ķ׼ ×ŀ×ķ×ijף ĠاÙĦÙħ Ùĩ ĠاÙĦÙħÙĩ ÙĨÙĬ ãĤ¢ ãĤ¸ ãĤ¢ãĤ¸ ãĤ¢ ë°© ìĨ¡ à¸Ńà¸Ńà¸ģ à¸ģำลัà¸ĩ à¸Ńà¸Ńà¸ģà¸ģำลัà¸ĩ à¸ģาย am éli améli orer å½ĵãģŁãĤĬ åīį Ġreg elm Ġregelm Ã¤ÃŁig ãģĬ åĭ ãģĬåĭ § ãģĬåĭ§ ãĤģ Ġm Æ°á»Ŀi بر Ùħج ĠNat ürlich ĠD Å©ng ĠاÙĦر جاÙĦ Ġthé p Ġol muÅŁtur ×ŀ×ķס ×Ļק×Ķ f älle 주 íĥĿ ĠاÙĦÙģ رص Ġnaj wiÄĻks ĠnajwiÄĻks zy Ġça ÄŁ ĠçaÄŁ rı ì¸ ł ĠvÃŃ ct ĠvÃŃct ima ĠÑģовеÑĢ ÑĪен ×Ķ×Ļ ×Ļת×Ļ à¹Ģà¸Ķ ี à¹Ģà¸Ķี à¹ĭ à¹Ģà¸Ķีà¹ĭ ยว ü yü Ġд оп Ġдоп олн Ġдополн иÑĤелÑĮно à¹ģà¸ķà¸ģà¸ķà¹Īาà¸ĩ à¸ģัà¸Ļ Ġá l Ġál bum à¸Ľà¸£à¸°à¸Īำ à¸Ľà¸µ ĠÑĦ едеÑĢ ĠÑĦедеÑĢ алÑĮн Ġobs ÅĤ ĠobsÅĤ ugi à¹Ģร ืà¹Ī à¹Ģรืà¹Ī à¸Ńย à¹Ģรืà¹Īà¸Ńย à¹Ĩ ëģ Į Ġngh ìn ĠBaÅŁkan lıģı تأ سÙĬ تأسÙĬ س Ġ×ij×ij ×ķקר Ġ×¢×ij×ķ×ĵ ×ķת Ġبص ÙĪرة ãĤıãģij ãģ§ãģ¯ãģªãģĦ führ er ãĤ¹ ãĤŃ ãĤ¹ãĤŃ ãĥ« ĠاÙĦÙĤ ض ĠاÙĦÙĤض ÙĬØ© Ġдолж ноÑģÑĤ Ùģار ÙĤ Ġcomeç ou Ġorganis é Ġxu ân ĠÑģообÑī аеÑĤ ĠпÑĢи д ĠпÑĢид еÑĤÑģÑı TÃľ RK ãĥ¬ ãĥ¼ãĤ·ãĥ§ãĥ³ Kh ông است Ùģ استÙģ ادة ä¸ĬãģĮ ãģ£ãģ¦ Ġum ie Ġumie jÄĻ ĠumiejÄĻ tn ĠumiejÄĻtn oÅĽci ëĤ ¸ à¹Ģà¸Ļ à¸Ńรà¹Į ×ĵ×ķ ×ķ×Ĺ ÃŃs imo I ÃĬ IÃĬ N Ġalcan ç Ġ à¸ķุ Ġà¸ķุ ลา Ġà¸ķุลา à¸Ħม ש׾ ×ĺ×ķף Ġél è Ġélè ves ĠÄij u ĠÄiju á»ķi ĠØ£ Ùģ ĠØ£Ùģ رÙĬ ĠØ£ÙģرÙĬ ÙĤÙĬ ĠØ£ÙģرÙĬÙĤÙĬ ا ãĤĴæİ¢ ãģĻ ĠпÑĢед ложениÑı ج اد ĠÑħоÑĤ ÑĮ Ñģ ал Ñģал он à¸Ľà¸£à¸° à¹Ģม à¸Ľà¸£à¸°à¹Ģม ิà¸Ļ ãĤŃ ãĥĥãĥģ ãĤŃãĥĥãĥģ ãĥ³ ×ij×ĵ×Ļק ×ķת Ġch ù Ġchù a ÐĴ иде ÐĴиде о иÑĢов ка ĠÑħоÑĤ иÑĤе Ġspéc ifique รส à¸Ĭาà¸ķิ è¾¼ ãĤĵãģł 伸 ãģ³ ×Ķצ׾ ×Ĺת ãģ©ãģ® ãĤĪãģĨãģ« سع ادة Ġл ид Ġлид еÑĢ ม à¸ĩ มà¸ĩ à¸Ħล ØŃ Ø§ÙħÙĦ หล ุà¸Ķ à¸Ńยà¹Īาà¸ĩ à¸ķà¹Īà¸Ń à¸Ńยà¹Īาà¸ĩà¸ķà¹Īà¸Ń à¹Ģà¸Ļืà¹Īà¸Ńà¸ĩ ãģķãģĽãģ¦ éłĤ تس ÙĪÙĬ تسÙĪÙĬ ÙĤ ĠaÅŁaģı d ĠaÅŁaģıd aki ĠÑĨ елÑĮ ĠÑĨелÑĮ Ñİ ĠAra ÅŁtırma à¸Ĥัà¸ļ รà¸ĸ Ùĩ Ø°Ùĩ ลà¸ĩ à¸Ĺะ ลà¸ĩà¸Ĺะ à¹Ģà¸ļ ลà¸ĩà¸Ĺะà¹Ģà¸ļ ียà¸Ļ تÙĥ اÙħÙĦ Ġc io Ġcio è ãģ¦ ãģĬãģı ĠاÙĦصØŃ ÙģÙĬ ĠíĬ¹ ìłķ полн иÑĤÑĮ ãĤĵ ãģĺãĤĥãģªãģĦ ãĤĵãģĺãĤĥãģªãģĦ ãģĭ ĠاÙĦج Ùĩ ĠاÙĦجÙĩ ات ĠÑĥÑģпеÑĪ но Ġв ок Ġвок ÑĢÑĥг ĠÑģиÑĤÑĥ аÑĨиÑı Ġ×Ķ×IJ ×ŀר Ġ×Ķ×IJ×ŀר ×Ļק Ġ×Ķ×IJ×ŀר×Ļק ×IJ×Ļ ×ŀ ×Ĵ×ĸ ×ŀ×Ĵ×ĸ ×Ļף Ġак ÑĤÑĥ ĠакÑĤÑĥ алÑĮн é ta éta is Ġmog ÅĤa ĠÑĤоÑĩ ки Ġ×ŀ×Ķ ×ŀ×¢ Ġ×ŀ×Ķ×ŀ×¢ ×¨×Ľ×ª มี à¸Ľà¸£à¸°à¸ªà¸´à¸Ĺà¸ĺà¸´à¸łà¸²à¸ŀ ×Ļר ×Ļ×ĵ×Ķ ×Ĵר ×ŀ׳ ×Ĵר×ŀ׳ ×Ļ×Ķ Ġг лав Ġглав ное Ġ미 ëŀĺ Ġ׳׼ ×ķ׳×Ķ ĠÙĪ Ø·ÙĨÙĬ op port opport unitÃł Ġh ủy ĠÙĦ تØŃ ĠÙĦتØŃ ÙĤÙĬÙĤ Ġó rg Ġórg ão ãĤ¹ ãĥĶ ãĤ¹ãĥĶ ãĥ¼ãĥī Ġön ü Ġönü ne Ùħع اÙħÙĦ ש×ŀ ×Ļר×Ķ ĠвеÑģÑĮ ма ĠwiÄĻks zo ĠwiÄĻkszo ÅĽÄĩ Ġاست راتÙĬج ĠاستراتÙĬج ÙĬØ© ĠÙģ Ø¥ ĠÙģØ¥ ذا à¹Ģà¸Ĭืà¹Īà¸Ń ม à¹Ģà¸Ĭืà¹Īà¸Ńม à¸ķà¹Īà¸Ń Ġ׾ פר Ġ׾פר ×ĺ×Ļ×Ŀ Ùħض ÙĬ ĠGer çek Ġçocuk ların ÙĪØ« ائÙĤ ĠÙħساء Ùĭ Ġunterstüt zt Ġpré st Ġprést amo ĠÐłÐ°Ð· меÑĢ ĠÅŁ eker Ġsé culo ×ij×Ķ ×Ļר Ø´Ùĩ ÙĪر Ġ à¸Ńีà¸ģ Ġà¸Ńีà¸ģ à¸Ĺัà¹īà¸ĩ Ġlleg ó à¸¨à¸´à¸¥à¸Ľ ะ æĪij ãģĮ æĪijãģĮ 家 ع ÙĤÙĪ عÙĤÙĪ بات ĠF älle Ġs ÅĤuż ĠsÅĤuż b ĠاÙĦØŃÙĤ ÙĪÙĤ Ġпл иÑĤ Ġи ноÑģÑĤ ĠиноÑģÑĤ ÑĢан ĠиноÑģÑĤÑĢан н à¹ĥà¸Ļ à¸Ĥà¸ĵะà¸Ĺีà¹Ī ãĤ« ãĥĨ ãĤ«ãĥĨ ãĤ´ ãĤ«ãĥĨãĤ´ ãĥª à¸Ńิ ส à¸Ńิส ระ à¹Ģà¸ľà¸¢ à¹ģ à¹Ģà¸ľà¸¢à¹ģ à¸ŀร à¹Ģà¸ľà¸¢à¹ģà¸ŀร à¹Ī ãģĬ ãģĦ ãģĬãģĦ ãģĹãģĦ است ÙĤÙĦ استÙĤÙĦ اÙĦ تØŃ Ø¶ تØŃض ÙĬر åĬ© ãģij Ùħر اÙģÙĤ Ġ×ĵ ×ķר Ġ×ĵ×ķר ש ×ŀת×Ļ ×Ļ×Ĺס ס ×Ļ׼ ס×Ļ׼ ×ķ×Ŀ íĮĮ íĬ¸ Ġwy ÅĽ ĠwyÅĽ w ĠwyÅĽw iet ĠwyÅĽwiet l ĠاÙĦاÙĨ ساÙĨ ĠStra ÃŁen ï¼ ¬ ãģ« åŁº ãģ«åŁº ãģ¥ Ġcap ÃŃtulo ลุ ย Ġ×Ķ×ŀק צ×ķ×¢×Ļ ãģĤãĤĭ ç¨ĭ度 á» ¢ ĠاÙĦ ÙĦا ĠاÙĦÙĦا زÙħØ© æķĻ ãģĪ Ġרש ×IJ×Ļ з ав зав иÑģ завиÑģ им à¸Ľà¸±à¸Ī à¸Īัย à¹Ģà¸ĭ ล à¹Ģà¸ĭล ลà¹Į Ġdiffé rence ĠAlt ın Ġк ÑĢай ĠкÑĢай не Ġз ло Ġgün ümüz Ġн аÑĤÑĥÑĢ ĠнаÑĤÑĥÑĢ алÑĮн ×Ĵ×ķ׾ ש×Ļ×Ŀ Ġк аÑĤегоÑĢ ĠкаÑĤегоÑĢ ии Ġз нак à¸ģà¹Īà¸Ńà¸Ļ หà¸Ļà¹īา à¸ģà¹Īà¸Ńà¸Ļหà¸Ļà¹īา à¸Ļีà¹ī ĠÙħÙĨ ت ĠÙħÙĨت خب ãĥĽ ãĥ¼ãĥ« Ġе вÑĢо ส ว สว ม ĠìľĦ ìĽIJ ĠìľĦìĽIJ ëĭĺ ĠاÙĦØŃ ÙĪØ« ĠاÙĦØŃÙĪØ« ÙĬ ĠÑģодеÑĢж иÑĤ ãĥķãĤ¡ ãĥĥãĤ·ãĥ§ãĥ³ Ġ à¸ģัà¸Ļ Ġà¸ģัà¸Ļ ย Ġà¸ģัà¸Ļย ายà¸Ļ ãĤª ãĥª ãĤªãĥª ãĤ¸ ãĤªãĥªãĤ¸ ãĥĬãĥ« Ġб ÑĢенд ãĤĴæĮģ ãģ£ãģ¦ãģĦãĤĭ Ġinvers ión Ġê° ĸ Ġê°ĸ ê³ł Ġnov itÃł ê´Ģ ê´ij Ġà¸ŀ ฤษ Ġà¸ŀฤษ à¸łà¸² Ġà¸ŀà¸¤à¸©à¸łà¸² à¸Ħม ×ķר ×Ĺ×Ļ×Ŀ ׼׾ ×ķ׾ Ġng ạc ×Ļ ×Ļש ×Ļ×Ļש ×ķ×ij f äll fäll ig ĠÑĤÑĢеб ÑĥеÑĤÑģÑı Ġcar á Ġcará cter Ġprinc ÃŃpio ĠÅĤ az ĠÅĤaz ien ĠÅĤazien k Ġgi ãn ÑģÑĤÑĢа ива Ùħس اب Ùħساب ÙĤØ© à¹Ģà¸Ħรืà¹Īà¸Ńà¸ĩ à¸Ķืà¹Īม ترÙĥ ÙĬب vol ução ĠÐŁ оÑĩ ĠÐŁÐ¾Ñĩ ем ĠÐŁÐ¾Ñĩем Ñĥ казал оÑģÑĮ ĠпÑĢимен ениÑı à¹Ģà¸Ĺ ียม íĮ Ķ à¸Ĥà¹īà¸Ń à¹Ģสà¸Ļà¸Ń à¸Ľà¸±à¸į à¸įา Ġоб ÑĥÑĩ ĠобÑĥÑĩ ениÑı ĠÑģеÑĢ и ĠÑģеÑĢи ал Ġingl és ĠÙĦ Ùĥرة Ġ×ĺ ׾ Ġ×ĺ׾ פ×ķף Ġìł ij Ġìłij ê·¼ ×IJ ×ķ×Ĵ ×IJ×ķ×Ĵ ×ķס ×IJ×ķ×Ĵ×ķס ×ĺ ĠболÑĮÑĪ ое ĠÐļон еÑĩно ×¢×Ļת ×ķ׳ ×¢×Ļת×ķ׳ ×IJ×Ļ Ġкноп к Ġз н Ġзн аÑĤÑĮ ĠÄij á»± ĠÄijá»± ng вл аж влаж н ×ŀ ×Ļ×ĺ×ij ãĤ¬ ãĤ¤ ãĤ¬ãĤ¤ ãĥī ........ .. Ġà¸ģ ุม Ġà¸ģุม à¸łà¸²à¸ŀ Ġà¸ģà¸¸à¸¡à¸łà¸²à¸ŀ ัà¸Ļ Ġà¸ģà¸¸à¸¡à¸łà¸²à¸ŀัà¸Ļ à¸ĺ Ġà¸ģà¸¸à¸¡à¸łà¸²à¸ŀัà¸Ļà¸ĺ à¹Į be z bez pieczeÅĦst bezpieczeÅĦst w ãĥijãĥij æ´» ع اط عاط Ùģ ĠÄij áºŃm Ġз ÑĢ ĠзÑĢ ениÑı Ġbor ç Ġнед ел Ġнедел Ñİ Ġh á»ı Ġhá»ı ng ìŀ¥ ìķł ìŀ¥ìķł ìĿ¸ ĠاÙĦع ÙĦاÙĤØ© Ġíģ ¬ Ġíģ¬ ê²Į à¹Ħร à¹Ī à¸ļา à¸Ķ à¸ļาà¸Ķ à¹Ģà¸Īà¹ĩà¸ļ à¸Ŀ รั à¸Ŀรั à¹Īà¸ĩ à¸Ŀรัà¹Īà¸ĩ à¹Ģศ à¸Ŀรัà¹Īà¸ĩà¹Ģศ ส ר ×¢×Ļ רע×Ļ ×ķ׳×ķת Ġë Į ĠëĮ ĵ ĠëĮĵ ê¸Ģ Ġnaj b Ġnajb li Ġnajbli ż Ġnajbliż sz ĠиÑģполÑĮз ÑĥеÑĤÑģÑı Ġcient ÃŃf ĠcientÃŃf ico ×¢ ×ŀק Ġg ợi Ø´ ØŃÙĨ ĠÅĽ m ĠÅĽm ier ĠÅĽmier ci à¸Ħาสิà¹Ĥà¸Ļ à¸Ńà¸Ńà¸Ļà¹Ħลà¸Ļà¹Į ×Ĺש×ij ת×Ļ Ġn ingu Ġningu ém è¾¼ ãĤģ ãģ · ĠÑĥ г ĠÑĥг ол ï½ ° פת ×Ļ×Ĺ ×¤×ª×Ļ×Ĺ ×ª Ġ×Ķר×IJש ×ķ׳×Ļ×Ŀ p ósito ãĤŃ ãĥ¬ãĤ¤ ãģ© ãģĵãĤį à¹Ģà¸Ĺà¹Īา à¹Ħ à¹Ģà¸Ĺà¹Īาà¹Ħ หร à¹Ģà¸Ĺà¹Īาà¹Ħหร à¹Ī ĠинÑĤеÑĢ ÑĮеÑĢ ĠØŃ Ø§Ø¬ ĠØŃاج Ø© สี à¸Ĥาว ìĸ ¼ Ġn á»Ļ Ġná»Ļ p ĠÃŃ nd ĠÃŃnd ice สำ รวà¸Ī Ġкажд ой Ġhot éis Ġnast ÄĻ ĠnastÄĻ pn Ġ×Ķק ×ķ×ĵ Ġ×Ķק×ķ×ĵ ×Ŀ פ ×ķפ פ×ķפ ×ķ׾ פ×ķפ×ķ׾ ר×Ļ вÑĪ ей ãĤ·ãĥ³ ãĥĹ ãĤ·ãĥ³ãĥĹ ãĥ« ĠzdjÄĻ Äĩ ĠгÑĢÑĥпп а Ġпом еÑī ĠпомеÑī ениÑı ãģ©ãģĨ ãģĦãģĨ ĠиÑģп ÑĭÑĤа Ġog ÅĤ ĠogÅĤ os ĠogÅĤos zen ĠogÅĤoszen i สรà¹īาà¸ĩ สรร สรà¹īาà¸ĩสรร à¸Ħà¹Į à¸ŀร รà¸ĵ Ġçık Ä±ÅŁ ĠÑĩаÑģÑĤ ноÑģÑĤи Ġ×ķ ×Ļ×ķתר ç¶ļãģį ãĤĴ ç¶ļãģįãĤĴ èªŃ ç¶ļãģįãĤĴèªŃ ãĤĢ à¸ģร ั à¸ģรั ม г ÑĢаÑĦ Ġв лад Ġвлад елÑĮ ĠвладелÑĮ ÑĨ Ġistedi ÄŁ ĠistediÄŁ iniz ×ij׾ ×¢ ×ij×ľ×¢ ×ĵ×Ļ ÙħÙĪ اÙģ ÙħÙĪاÙģ ÙĤØ© Ġ×Ļ ×ķר Ġ×Ļ×ķר ק ãĤ«ãĥ¼ãĥī ãĥŃãĥ¼ãĥ³ ĠاÙĦÙħØ´ ÙĥÙĦ ĠاÙĦÙħØ´ÙĥÙĦ Ø© ĠêµŃ íļĮ ס פ×ĺ ספ×ĺ ×ŀ ספ×ĺ×ŀ ×ijר Ġìĸ´ ëłµ Ùĥ اÙħ ÙĥاÙħ ÙĬرا sch lü schlü sse ĠØ« ÙĨ ĠØ«ÙĨ ائÙĬ ìī ½ ĠÐŀ Ñģоб ĠÐŀÑģоб енно Ġин веÑģÑĤи ĠинвеÑģÑĤи ÑĨи اØŃ ØªÙħ اØŃتÙħ اÙĦ E Äŀ EÄŀ Ä° íķĺ ê²łëĭ¤ Ġ×IJ ×ijר×Ķ Ġ×IJ×ijר×Ķ ×Ŀ Ġ×ij×Ĺ ×Ļ׳×Ŀ Ø£ ÙĪض Ø£ÙĪض اع Ġdé l Ġdél ai Ġ×IJ×ķ×Ķ ×ij×Ļ×Ŀ ĠÑģо Ñħ ĠÑģоÑħ ÑĢ ĠÑģоÑħÑĢ ани ĠдоÑģÑĤ иж ĠдоÑģÑĤиж ени สิà¹Īà¸ĩ à¹ģ สิà¹Īà¸ĩà¹ģ วà¸Ķ สิà¹Īà¸ĩà¹ģวà¸Ķ ล สิà¹Īà¸ĩà¹ģวà¸Ķล à¹īà¸Ńม ĠاÙĦÙħ باشر ĠÑĦ иг ĠÑĦиг ÑĥÑĢ мож ем ׾×ŀ×Ļ×ĵ ×Ķ Ġcin é Ġciné ma Ġb ada Ġbada ÅĦ جب ÙĩØ© Ġд еп Ġдеп ÑĥÑĤ ĠдепÑĥÑĤ аÑĤ Ġdist ância ĠاÙĦÙħ عار ĠاÙĦÙħعار ضة thè se ü nc ünc ü Ġдан ного ĠBel gi ĠBelgi ë Ġ×ij ×ijק Ġ×ij×ijק ש×Ķ ย à¹Īาà¸Ļ Ġsol ução Ġ×Ķצ ×ĺר Ġ×Ķצ×ĺר פ×ķ ĠØ£ÙĨ ØŃ ĠØ£ÙĨØŃ Ø§Ø¡ Ġد ÙħØ´ ĠدÙħØ´ ÙĤ มั à¹ī มัà¹ī ย Ùħ غرب است عÙħاÙĦ ĠS ÅĤow ĠëıĻ ìĭľ ĠëıĻìĭľ ìĹIJ ĠÑģ оÑģ ĠÑģоÑģ ед ì²Ń ìĨĮ ì²ŃìĨĮ ëħĦ Ġг ÑĢаÑĦ ĠгÑĢаÑĦ ик Ġìŀij ìĿĢ Ġyet i Ġyeti ÅŁtir ĠìĿ´ê²ĥ ìĿ´ ห à¹Īาà¸ĩ Ø¥ ÙħÙĥاÙĨ Ø¥ÙħÙĥاÙĨ ÙĬØ© است عراض ÙħØ® در ĠÑĩ ÑĥÑĤÑĮ Ùħ دÙĬر ÙħدÙĬر ÙĬØ© Ġà¹Ģม ษ Ġà¹Ģมษ ายà¸Ļ Ġм еÑħ ĠмеÑħ аниз ĠмеÑħаниз м ĠÑģ Ñĥм ĠÑģÑĥм мÑĥ Ġv ö Ġvö ll Ġvöll ig Ġд ÑĢÑĥз ĠдÑĢÑĥз ÑĮÑı ãĤĴåĪ©çĶ¨ ãģĹãģ¦ à¸ļรร à¸Īุ po życz ×ŀש ׼ ×ŀש׼ ×ł×ª ×ŀ×©×Ľ×ł×ª ×IJ Ġeuropé en Ġpropri é Ġproprié taire Ġkh ấu ãģĦãģŁãģł ãģijãĤĭ Ġtec rü Ġtecrü be ×Ķ ×ij ×Ķ×ij ׳×Ķ Ġcu Ì ĠcuÌ ī ĠcuÌī a ×IJ ×ķ×ķ ×IJ×ķ×ķ ×Ļר×Ķ Ġ׼×ķ׾ ×ķ U lus Ulus lararası Ġ׳ ×ķת Ġ׳×ķת ף ãģ« åIJij ãģ«åIJij ãģijãģ¦ ë¹ Ľ à¸Ĺ ัà¸ģษ à¸Ĺัà¸ģษ ะ س ÙĤÙĪ سÙĤÙĪ Ø· Ġв н Ġвн еÑĪ ĠвнеÑĪ не Ġur z Ġurz ÄĻd Ġá mb Ġámb ito à¸Ń à¸ĺิ à¸Ńà¸ĺิ à¸ļาย Ġ ÅĤad ĠÅĤad n ê±´ ì¶ķ wód zt wództ w Ġquest ões Ġש ק Ġשק ×Ļ×ij׾ Ġmiejsc owoÅĽci Ġв ал Ġвал ÑİÑĤ hä user หà¸Ļ à¸Ńà¸ĩ ãģ¨ åħ± ãģ¨åħ± ãģ« ãĥı ãĥ¼ãĥī Ġê°ľ ìµľ ĠоÑģнов ном Ġм ÑıÑģ اع ت اعت ÙĤاÙĦ สà¸ĸ ิ สà¸ĸิ à¸ķิ N gu Ngu á»ĵn ĠÙħ جÙĦ ĠÙħجÙĦ Ø© à¹ģà¸Ĥ à¸Ļ ĠاÙĦÙĦÙĬ بÙĬ פע×Ļ׾ ×ķ×Ļ×ķת Ġ×Ķר פ×ķ×IJ×Ļ פר ×ķפ פר×ķפ ×Ļ׾ ק ׾×IJ ק׾×IJ ס×Ļ Ùĥت Ø´Ùģ ãģ«ãģª ãģ£ãģ¦ãģĹãģ¾ãģĨ à¹Ģà¸Ħล à¹ĩà¸Ķ à¹Ģà¸Ħลà¹ĩà¸Ķ ลัà¸ļ Ġì» ´ Ġì»´ íĵ¨ Ġì»´íĵ¨ íĦ° Ġ×Ĺ×Ļ ×ķ×ij×Ļ Ġnä m Ġnäm lich åij¼ ãģ° åij¼ãģ° ãĤĮ ĠÑĢ ол ĠÑĢол и Ġspécial isé à¸Ļ วัà¸ķ à¸Ļวัà¸ķ à¸ģรรม ÙĨص ÙĪص пеÑĢ ед пеÑĢед аÑĩ thè que Ġר×IJ ×Ļת×Ļ ãĥĢ ãĤ¦ãĥ³ ãĤı ãģĭ ãĤıãģĭ ãģ£ãģ¦ беÑĢ еж ĠÑģ ек ĠÑģек ÑĢ ĠÑģекÑĢ еÑĤ ĠпоÑģÑĤоÑıн н à¸Ĥà¸Ļ สà¹Īà¸ĩ Ġm ük Ġmük em Ġmükem mel еÑĤ еÑģÑĮ ĠاÙĦسÙĨ ÙĪات ĠìłĦ íĺĢ Ġ×Ķ×ŀק ×ķר×Ļ Ġmü d Ġmüd ah Ġmüdah ale Ġwy b Ġwyb ór Ġtend ência Ø¥ دار إدار ÙĬØ© Ġunterstüt zen ת ×ijר ת×ijר ר Ġdi á Ġdiá logo ĠÃĸ nce ĠÃĸnce ki ãĤ¹ãĥĿ ãĥĥãĥĪ ëĦ £ ĠG eli ĠGeli ÅŁ ãĤĴ éĢļ ãĤĴéĢļ ãģĹãģ¦ ĠFuÃŁ ball Ġsal ari Ġsalari é ĠпÑĢодÑĥк ÑĤов صÙģ ÙĤØ© รว à¸ļ รวà¸ļ รวม à¹ĥà¸Ļ à¸IJาà¸Ļ à¹ĥà¸Ļà¸IJาà¸Ļ ะ Ġkay na Ġkayna ģı Ġìŀij íĴĪ ĠвÑĭ ÑĢаж ĠвÑĭÑĢаж ен ĠÑģÑĤ еп ĠÑģÑĤеп ени ĠاÙĦÙħ ÙĪجÙĪد ĠاÙĦÙħÙĪجÙĪد Ø© ล à¹īม Ġnaj czÄĻ ĠnajczÄĻ ÅĽcie ĠnajczÄĻÅĽcie j Ġz wy Ġzwy k Ġzwyk ÅĤ Ġê·¸ëłĩ ì§Ģ à¸ģระ à¸Ī à¸ģระà¸Ī าย Ġëĭ µ Ġëĭµ ë³Ģ ĠÑĢе ак ĠÑĢеак ÑĨи ĠÅĽwie ż ĠÑģÑĤоим оÑģÑĤи ÙħÙĨ اÙĤ ÙħÙĨاÙĤ Ø´ ÙħÙĨاÙĤØ´ Ø© ĠÑħоÑĩ Ñĥ ãĥľ ãĥ¼ãĥī Ġróż nic Ġк ÑĢÑĭ ĠкÑĢÑĭ ÑĪ âľ ĵ ãĤ³ãĥ³ ãĥĨãĥ³ ãĤ³ãĥ³ãĥĨãĥ³ ãĥĦ ĠпÑĢед поÑĩ ×ŀר ×ij×Ļת ĠØ´ Ùĥ ĠØ´Ùĥ را Ġд ал Ġдал ек Ġдалек о بر ÙĬØ· برÙĬØ· اÙĨÙĬا ع ÙĨا عÙĨا ÙĬØ© ĠÑĢаÑģÑģ каз ĠÑĢаÑģÑģказ Ñĭва Ø£ ÙĦÙĪ Ø£ÙĦÙĪ اÙĨ æĮģ ãģ£ãģ¦ æĮģãģ£ãģ¦ ãģĦ Ùħباد ئ ×Ķ ×¢×ijר ×Ķ×¢×ijר ת Ġyay ı Ġyayı ml Ġyayıml a m át mát icos à¸ģ ัà¸ĩ à¸ģัà¸ĩ วล Ġ׾ פת Ġ×ľ×¤×ª ×ķ×Ĺ à¸ŀฤ à¸ķิ à¸ŀฤà¸ķิ à¸ģรรม í Ĥ¬ Ġок ÑĢÑĥг Ġ×ŀצ ×ķ×ķ×Ķ ÐĽ ени ÐĽÐµÐ½Ð¸ н ĠTri á»ģu ãĤ³ãĥŁ ãĥ¥ ãĤ³ãĥŁãĥ¥ ãĥĭ ãĤ³ãĥŁãĥ¥ãĥĭ ãĤ± ãĤ³ãĥŁãĥ¥ãĥĭãĤ± ãĥ¼ãĤ·ãĥ§ãĥ³ Ùĥ ÙĨÙĬ ÙĥÙĨÙĬ سة ãĤĴ ä¸Ńå¿ĥ ãĤĴä¸Ńå¿ĥ ãģ« ĠmiÄĻd z ĠmiÄĻdz yn ĠmiÄĻdzyn ar ĠmiÄĻdzynar od ĠmiÄĻdzynarod ow ÙĦ ÙĨ ÙĦÙĨ دا بر Ø´ برش ÙĦÙĪÙĨ برشÙĦÙĪÙĨ Ø© à¸ģระ à¸ķุ à¸ģระà¸ķุ à¹īà¸Ļ Ġg ı Ġgı da à¸Ľà¸£à¸° à¸Ĺัà¸ļ à¸Ľà¸£à¸°à¸Ĺัà¸ļ à¹ĥà¸Ī Ġë¶Ī 구 Ġë¶Ī구 íķĺê³ł ĠÙĨ Ø· ĠÙĨØ· اÙĤ ĠÐľ ожеÑĤ Pr äs Präs ident ĠÑģк оÑĢ ĠÑģкоÑĢ оÑģÑĤÑĮ Ġ×Ķ×ij ×ķקר еÑħ аÑĤÑĮ Ġg ạo Ġש×IJ ×Ļ׳×Ŀ Ġ×ij׳ ×ķ×Ĵ Ġ×ij׳×ķ×Ĵ ×¢ Ġо пиÑģание Ġucz ni Ġuczni ów à¹Ģà¸Ń à¹ĩà¸Ļ Ġت Ø´ Ġتش رÙĬÙĨ Ġnh ãn ë¹ ¨ Ġcaract ère ×¢ ׾×Ļ ×¢×ľ×Ļ ×Ļ×Ķ 楽ãģĹ ãĤģãĤĭ ĠÑģ аÑħ ĠÑģаÑħ аÑĢ дÑĥм аÑĤÑĮ ĠÐĴоз можно ص ÙĬاÙĨ صÙĬاÙĨ Ø© öm ür ส ล สล à¹ĩ สลà¹ĩ à¸Ń สลà¹ĩà¸Ń à¸ķ ë¡ ¯ Ġth ói gr Ã¶ÃŁe Ġksi ÄĻ ĠksiÄĻ g ĠÑĢ ом ĠÑĢом ан ÙĤ اسÙħ ×ŀ×ij ×ķ×Ĵ ×ŀ×ij×ķ×Ĵ ר×Ļ×Ŀ bes ch besch äft beschäft ig ×Ķצע ×Ķ ĠÃģ rea ĠзаÑıв к Ä ¹ ĠлÑİб ого Ġ ม Ġม à¸ģร Ġมà¸ģร าà¸Ħม ÑĦ из ÑĦиз иÑĩеÑģк ин ÑĦ инÑĦ ек инÑĦек ÑĨи اÙĦ Ø· اÙĦØ· ائÙģ Ġкол л Ġколл екÑĤив ез жа Ġس بØŃ ĠسبØŃ Ø§ÙĨ ĠسبØŃاÙĨ Ùĩ sch lä schlä ge Ġд и Ġди аг Ġдиаг ноÑģÑĤ ĠоÑĤмеÑĤ иÑĤÑĮ Т Ь ĠاÙĦ در ĠاÙĦدر اسÙĬ עצ ×ŀ עצ×ŀ ×IJ×ķת Ġdém arch Ġdémarch e Ġ×ĺ ×ķ×¢ Ġ×ĺ×ķ×¢ ף Ġfuncion ários á» µ ׾ ׼×IJ ׾׼×IJ ×ķר×Ķ à¸ĭ à¹Ī à¸ĭà¹Ī à¸Ńม ĠÑĩ Ñĥв ĠÑĩÑĥв ÑģÑĤво âĸ ¼ п ÑĥÑī пÑĥÑī ен Ġм еÑĢ ĠмеÑĢ оп ĠмеÑĢоп ÑĢи ĠмеÑĢопÑĢи ÑıÑĤиÑı Ġu çu Ġuçu ÅŁ ãĤĴåĪ©çĶ¨ ãģĻãĤĭ a ÄŁ aÄŁ lı ìĺĪ ìĪł à¹ģ ยà¹Ī ĠاÙĦÙĥ Ùħ ĠاÙĦÙĥÙħ بÙĬ ĠاÙĦÙĥÙħبÙĬ ÙĪتر ت ÙĪÙĬ تÙĪÙĬ تر à¹Ģà¸Ĭ ีà¹Īยว à¹Ģà¸Ĭีà¹Īยว à¸Ĭา à¹Ģà¸Ĭีà¹Īยวà¸Ĭา à¸į á» Ķ Ġhi ếm ذا Ùĥرة Ġ×Ķ×ŀ×Ļ ×ķ×Ĺ×ĵ ĠìĪ ľ ĠìĪľ ê°Ħ ĠK ı ĠKı sa Ġgele ceÄŁi пÑĢо ÑĦеÑģÑģиона пÑĢоÑĦеÑģÑģиона л Ġog ó Ġogó le ĠgÅĤ ów ĠgÅĤów ne ĠÑģÑĤ илÑĮ ×IJ פ׾ ×IJפ׾ ×Ļק ×IJפ׾×Ļק צ×Ļ×Ķ สม ารà¹Į สมารà¹Į à¸Ĺ สมารà¹Įà¸Ĺ à¹Ĥà¸Ł สมารà¹Įà¸Ĺà¹Ĥà¸Ł à¸Ļ Ġth ánh ÐŁ од ÐŁÐ¾Ð´ ÑĢоб ÐŁÐ¾Ð´ÑĢоб нее ĠاÙĦت ÙĪÙĨ ĠاÙĦتÙĪÙĨ سÙĬ Ġbah çe à¹ģà¸ģà¹ī à¸Ľà¸±à¸įหา é ducation eu rop europ ä europä ische ĠK si ĠKsi ÄĻ ĠëĦ ĺ ĠëĦĺ ìĸ´ Ġv üc Ġvüc ud Ġyay g Ġyayg ın Ġnie kt Ġniekt óry Ġniektóry ch ãģŃ ãģĩ Ġк аж Ġкаж еÑĤÑģÑı к аж каж еÑĤ ĠاÙĦ دÙĬÙħÙĤرا ĠاÙĦدÙĬÙħÙĤرا Ø· ĠاÙĦدÙĬÙħÙĤراط ÙĬØ© æŃ © æŃ© ãģĦãģ¦ Ġv az Ġvaz ge Ġvazge ç Ġмин ималÑĮ ĠминималÑĮ н ãĥij ãĤ¿ ãĥijãĤ¿ ãĥ¼ãĥ³ Ġë Ĭ ĠëĬ IJ ĠëĬIJ ëĤĮ ãģ¡ ãĤĩãģĨ ãģ¡ãĤĩãģĨ ãģ© Ġ à¸ģร Ġà¸ģร à¸ģà¸İ Ġà¸ģรà¸ģà¸İ าà¸Ħม تج دÙĬد ĠØ´ اÙħÙĦ หลัà¸ģ à¸IJาà¸Ļ ĠмаÑĢ ÑĪ ĠмаÑĢÑĪ ÑĢÑĥÑĤ Ġv ÃŃt ĠvÃŃt ima Ġquiz á ay gı ×ĵ×ijר ×Ļ×ķ Ġиз д Ġизд ели Ġиздели Ñı п ла пла Ñĩ плаÑĩ ива ä»» ãģĽ Ġéquip é ä¹ħ ãģĹãģ ä¹ħãģĹãģ ¶ ä¹ħãģĹãģ¶ ãĤĬ Ġк аÑĤ ĠкаÑĤ ал ĠкаÑĤал ог ส à¹īม ĠÑĢ ей ĠÑĢей ÑĤ ĠÑĢейÑĤ инг Ġth uyá»ģn ĠاÙĦÙħ ÙĤدس esp ère ãģ«åħ¥ ãģ£ãģŁ หมาย à¹Ģลà¸Ĥ ת×Ĺ×ķש ת à¸Ļ à¹Īะ Ġpe ÅĤ ĠpeÅĤ ne Ġpé rd Ġpérd ida หม วà¸Ķ หมวà¸Ķ หมูà¹Ī иÑĩеÑģк ÑĥÑİ çµĤ ãĤı çµĤãĤı ãģ£ãģŁ Ġ×Ĵ ×ķ×Ĵ׾ à¸Ĺำ à¸Ħวาม à¸Ĺำà¸Ħวาม สะà¸Ńาà¸Ķ Hot éis Ġз аÑĢ ĠзаÑĢ егиÑģÑĤ ĠзаÑĢегиÑģÑĤ ÑĢи ĠзаÑĢегиÑģÑĤÑĢи ÑĢова ĠÑģ обÑĭÑĤи ĠÑģобÑĭÑĤи Ñı Ġ×ĸ ׼×IJ ÙħÙĨظ ÙĪÙħØ© Ġ×Ķ×ŀ צ Ġ×Ķ×ŀצ ×Ļ×IJ×ķת Ùħ ÙĥÙĪÙĨ ÙħÙĥÙĪÙĨ ات ä¸ĬãģĮ ãĤĭ Ġm ÄĻ ĠmÄĻ sk หรืà¸Ń à¹Ģà¸Ľà¸¥à¹Īา ëĤ ® Ġnok tas Ġnoktas ı ĠболÑĮÑĪ им ĠлÑĥÑĩ ÑĪиÑħ Ø´Ùĩ ÙĬد à¸Ńำ à¸Ļ à¸Ńำà¸Ļ วย à¸Ńำà¸Ļวย à¸Ħวาม à¸Ńำà¸Ļวยà¸Ħวาม สะà¸Ķวà¸ģ Ġе в Ġев ÑĢ ĠевÑĢ оп ĠевÑĢоп ей à¸ī าย ìĦ Ń Ùħ Ùģا ÙħÙģا ÙĪض ÙħÙģاÙĪض ات ë¹ Į 赤 ãģ¡ãĤĥãĤĵ ĠÑĥдал оÑģÑĮ ĠÐ¥ оÑĤ ĠХоÑĤ Ñı przedsiÄĻbior c ĠH ôm íķĺìĺĢ ìĬµëĭĪëĭ¤ Ġн аг Ġнаг ÑĢÑĥз ĠнагÑĢÑĥз к Ġ×ij×Ļ׳ ׾×IJ×ķ×ŀ×Ļ Ġê°ĢëĬ¥ íķľ ĠH ữu à¸Ń ุà¸Ķ à¸Ńุà¸Ķ ม ת ×ķפ ת×ķפ ×¢×Ķ Ġmi ÅĤo ĠmiÅĤo ÅĽci ksi Äħż ksiÄħż ka ĠاÙĦÙĦ عبة à¸ī าà¸ģ สะ สม ×ŀ תר ×ŀתר ×Ĺש Ġlég ère Ġ׾צ פ Ġ׾צפ ×Ļ×Ķ ĠиÑģÑĤоÑĢ иÑı Ġ ãĥĪãĥ© ĠãĥĪãĥ© ãĥĥãĤ¯ ĠãĥĪãĥ©ãĥĥãĤ¯ ãĥIJãĥĥãĤ¯ Ġк а Ġка ÑĦе ×ŀס×ŀ ×ļ Ġc üm Ġcüm le à¹Ģà¸Ħลืà¹Īà¸Ńà¸Ļ à¹Ħหว ãģĬ ãģĿ ãģĬãģĿ ãĤīãģı ìŀIJ ëıĻ ìŀIJëıĻ ì°¨ à¸Ńั à¸ķ à¸Ńัà¸ķ à¹Ĥà¸Ļ à¸Ńัà¸ķà¹Ĥà¸Ļ มั à¸Ńัà¸ķà¹Ĥà¸Ļมั à¸ķิ ĠÅŁ ik ĠÅŁik ay ĠÅŁikay et extr ême kr ä krä fte ëĤ Ļ íķ ij ì² Ļ íĺ Ī ì° į âĻ ¡ ìŀ Ķ ë¢ ° íĿ Ķ íĿ IJ âĩ Ĵ ë§ Ľ ìĬ Ī á» Ĵ ìĺ µ âĹ İ í Ĥ¨ ê¿ Ī ìĪ ¨ ìĽ ¨ ë§ ¥ ï½ Ģ ï¼ ª Ạ¨ ãħ İ Ñ Ĺ ìĦ ¬ ì¹ ¼ ï¼ ¶ ìĽ ł ëŁ ´ Å ĥ ëĤ ¼ ëĭ IJ âĢ ¹ ë¦ Ń ì§ IJ âĢ ¤ à ħ ëľ ¨ íĦ ¸ íľ ĺ ê² ģ ë´ ħ à ĺ ëŃ Ķ ëĺ ij âĹ ĩ ìĹ ĺ ï» ´ ë§ ¹ ï¾ Ŀ ìĬ · íĥ ķ ï¼ ł ì» ´ ëł Į ì½ ľ ï» ¹ ãħ ł ì¡ ¸ ëħ ¹ âĤ º âĸ ¶ íĥ IJ êµ ´ íij ¸ Ñ Ķ íĶ ½ Ð ħ ë° ¤ Ô ģ ì² ¨ ì¶ ĺ ë² Ĺ ë© ¸ ï¼ » ï¼ ½ ï¼ · ì° Į à Ĵ íı ´ ìĵ ¸ ì´ Į ëģ Ķ ëĶ © ëĩ Į ë© Ģ ë² ¨ ï¼ µ ë§ ¡ ëĭ « ภ¿ ãģ ± ìĩ ¼ ìº ł ë® ¤ ê± ± ì» ¬ âĦ ĥ ëĶ ± ëĥ Ī ìĭ ± íĻ Ī ëŀ IJ ìħ Ģ ìł ł Ð Ĩ ëł ī ï½ ħ ï½ ı íĻ Ģ ëĽ ° á» ® í Ĥ¹ ê½ ĥ ï» ¤ ïº Ķ êº ¼ ìķ ī âĻ ¦ ï½ ģ ìĵ ´ ãĢ ī ì° ® ì¤ ĺ á» ª ëģ Ħ ëIJ ¨ ìķ Į íĿ ĺ íħ IJ ãĢ Ī ê² ª ëĭ ¥ ê² ¼ á» Į ë§ ¨ ëģ Ĭ ë² ¤ ëij Ķ íĿ ¡ á» ¬ ë¬ ĺ ãģ ī ëŀ « íĶ Ī í ħį ìŀ ĥ ï½ ī ìģ ľ âĸ ½ ë¬ » âĸ ³ ï¼ ¸ ìģ ĺ ì¶ ° ìĬ ´ ìķ ± ìĩ Ħ Ạ® ï´ ¿ ï´ ¾ âĤ ½ ëĦ ĵ ë£ © ì³ ¤ ê´ ľ à Ļ á» ľ ï¿ £ ëĵ Ń ë© ĺ ê» ´ ëł ´ Ð ĥ ë¬ µ ì§ Ŀ ãģ º ðŁĺ Ĥ ëŀ ¬ ìł Ĭ ê´ Ħ ìŀ Ĭ íŀ Į ìĦ ¯ âĪ Ģ âĸ ¡ ëĢ Į ëŀ Ļ ï½ ĥ Ạ¶ ï¾ Ħ ïº ĺ ë¹ ¼ à Į âĸ · ê¸ į ë© ĭ ãģ ĥ ìĺ Ĩ ìĺ ® ëª ¬ ë¡ ¤ ëł ¬ ëĬ ¦ âĸ ª ì¼ ĵ ìľ Ī ì§ § ï½ ½ ëĥ ī ï¾ Į ëĺ IJ ï¼ ĥ á» Ħ ì´ ¬ ì¶ ¤ ï¼ ¹ ï» Ń âĤ « ï½ ĩ ìĺ · ëĸ ¨ âī « ë¦ ¿ âľ ¨ Ù ± ì¯ ¤ ê¹ Ķ ðŁĺ Ĭ ìĪ « ê³ ± êµ ³ ï½ ĭ ภĮ Ä ł ëĶ ¸ ë° ij ìħ ĭ íİ ´ âľ ħ íĥ ij ëĪ ĩ íı ¼ ðŁĺ į ìĺ Ľ ï» £ Ñ ĺ ì© Į ë¦ ħ ìĿ į ï½ ¸ ëį ľ ãģ ħ íİ ¼ ëĭ Ŀ ë¿ Į ì¼ ° ìĭ « ë° ¥ íĽ Į ì¨ Į ë¹ Ļ ï½ İ ë´ Ħ ìĦ ¹ ï½ ² ìĮ ĵ Ò ij ë° į ëł Ģ íĨ ¤ ï½ ¯ ë¤ Ħ ê½ ¤ ï½ Ĵ ìķ ¨ ï½ ¼ ê¹ IJ íģ IJ âĦ ĸ ë§ º ïº ® ëħ ģ ê² ¸ ï» ł íĬ ľ Å ¹ ë¥ Ń ëĪ ī ï½ Ķ íĮ ¬ ìŀ ĩ ï ¬ģ ï» ¨ ëij ¥ ëŀ Ħ Ù ¬ íĭ ´ ìŀ ī Ú ¾ ìĽ ħ ï» ® ëĭ ī âī ª âĹ Ħ ëĪ Į íĽ ¼ ì¤ į Å ¸ ì¤ ¬ ì¾ Į ï½ ĵ ï¾ Ĭ ðŁı » ï¾ ī Ð ģ íĺ IJ ï¾ Ļ ê¼ ¬ íŀ IJ âĢ ¥ ëŁ Ń ë§ ŀ ìĥ ¤ ïº Ĵ íĭ ± ë½ ij à ķ âĪ ļ ëĤ Ħ ê¹ Ŀ ëĨ Ī Ạº ìħ Ī ìĮ į âĢ ¡ ï¼ ± ìģ ¨ âĺ º ëĴ · ìĺ ³ ðŁij į ëª ½ ëĤ Ń ïº Ń ë© Ī á» Ī íķ Ģ ëĭ Ļ ë¦ ĩ ìķ ¤ ìį ¼ ãĥ µ Ñ £ ìľ Ĺ â ŃIJ ï¾ ĺ íĹ ¬ ê¾ ¼ ìķ Ĺ ï» Į ê± · ëħ ķ ë¡ ± ìķ Ĭ ï¾ Ģ ìĩ ł íĮ © ïº ª ë§ Ļ ï¼ ¿ ê¿ Ķ íİ ľ ë£ ¸ íĶ Ķ ï» ³ ëı ķ ìĭ ¼ á» İ ë§ ĺ ì¢ ĭ íĨ ¡ ï½ ± íĿ ij á» ¸ ì¦ Į ì¹ ¸ ëŃ ĺ ï¾ Ĺ ï» ĭ íĬ Ģ ë¥ Ļ ì½ © ëģ Ĺ ëį ´ ìħ ľ  ¸ ë» IJ ìĥ µ ê² IJ ëĵ ¬ ë£ ° ãħ ĭ ìĹ ī á» ĸ ëĦ Į ï½ ¶ ë´ ĩ ëĤ ³ ãĤ ľ ëĸ » íİ Ģ ëį © íķ ¸ à · ê¼ ¼ ëĶ ľ ë° ´ ë© į âĹ ¯ ìĹ ij ìĻ ¼ ïº ij ë¶ ķ ë¡ ¬ ï½ Į íĨ ¨ ïº ´ ëł ĺ ê° ¤ ìĪ ² Ñ ĵ ìħ ī ï» ĵ ëĪ Ķ ëį § âĢ ¼ ï» ² ê° ± ê¿ Ģ ëĭ · Ạ¸ Ạª Æ Ĵ ëį ¤ ìĪ Ń ï½ Ĥ ï½ Ī Å ł ë£ ¬ Ñ µ ëĸ ¡ ëĥ Ħ ìĦ ° ëĵ Ī ï¾ ĥ ëĩ ¨ ï½ IJ êµ ½ ìĹ ½ ëĤ Ģ ë¬ ¶ ï½ · ìı Ł íĺ Ķ ê¼ Ī ëģ Ī ì¥ IJ ïº Ĺ Ä Į ëĪ ł ëĸ ¼ íĢ ´ âī ¥ ëĭ Ń ì± Ļ ê» ı ë© ¤ ìĥ ĺ ëį ® ë£ ¡ ìĤ ½ ãĪ ľ Ä ¨ âĢ § ï½ º Ä £ ì¦ ī ï¼ ¼ Û © âĪ Ļ ë° ı ë¹ ħ ðŁĺ Ľ íĪ ´ ðŁĴ ķ ãĢ Ĵ ìŀ ĺ ïº ¤ ï½ ĸ ë© ľ ë² ¼ ëĿ Ħ ëļ ľ ï» ĺ ìĥ Į ï½ Ħ ì© Ķ ï½ Ļ ïº © Û ŀ âĺ İ ìł ¤ ëIJ © Å Ŀ âŀ ¡ ï» § Ð ı ì« ĵ ê³ ½ É ij ãĥ ² ëĤ « ë¦ ī ì¢ ģ ë° Ń ðŁĺ ģ ë¹ µ ì² © ì» µ ðŁĺ ĺ ë± ħ âī Ī ë¹ ļ ï» ľ ðŁĻ ı íģ ° ìĦ ŀ ï¾ ļ ìĺ ¹ ë¼ Ī ëĤ ¯ ëŀ © íļ ¡ ï½ ķ íĥ ĵ ëĿ ł ê³ ģ ëĵ Ģ ìĹ ł ï¼ º ë§ ij ëĭ ¿ ì¿ ¨ ãİ ¡ Ð Ĭ íĦ ± Å ¨ ïº ³ ï¾ ı âĭ ħ ê¼ ´ âī ¤ íĮ ģ Î © ê¶ ¤ ìĪ į âľ ¿ ì½ ¤ ëĪ ħ íĨ ± ãħ ľ áIJ ħ Å Ĵ ðŁij ī ï» ¦ Ð ª ë¥ ľ íķ « ï¾ ĭ âĻ « ê¹ ľ ë° ¸ ëĶ ĺ íĿ ī ï¾ ģ ï¾ Ľ ëł Ľ ê² ¹ ì¿ ¼ ï» ¬ âŀ ¤ ðŁĻ ģ ïº ł ëĨ ¨ ë¯ ¹ ê¸ ĭ ë» Ķ ê¹ ĥ ëij ij íĭ ¸ íİ Ļ âŀ ĸ ãĥ ½ ì§ ļ ï½ ¬ ï» ¥ íĮ ½ âĢ Ĵ ì ĮĢ ìŃ ī ëļ ± ãĤ ŀ íĭ Ī ãĤ IJ ëī ĺ Î £ ê³ ° ë¹ Ĺ ï¾ İ ðŁĺ Ń íĿ ł ìĹ ¿ ê° ļ ì¤ Į ë§ µ ï½ ³ ãģ ¢ ï» Ĺ âī ¦ Ú ¤ ë łģ ê¼ ½ ï» « âī § ì´ Ľ ìł Ŀ Ạ° âĻ £ ìº ĺ âĪ ĩ ê² ī ë° Ł ï» Ķ íĸ ĩ âĸ Ĵ ðŁij ı à ŀ ðŁĺ Ĩ ïº ¼ âĿ Ĺ ìº Ķ ì¹ © ëĸ ¤ ëĥ ħ âĶ ľ ï½ » Î Ķ áĥ ¦ ìŀ İ âĺ Ģ âĪ ¼ ðŁĶ ¥ ë° Į ìł ĸ íĹ Ľ Î ķ ïº ĥ ë¶ ī âĪ ŀ íĥ Ń Ã ĭ âģ Ħ ãħ ĩ ëĦ ¥ ëĭ ® ëł · íĮ Ŀ ìº ¡ ë· Ķ ì© į íĤ ´ ëļ « âĵ Ĵ íķ į âĻ Ĥ ï¾ Ĩ âĨ © ìį © ïº ķ íĿ Ļ Ñ ľ íĤ · íĿ ° íĥ ± ëķ IJ ï¾ Ĵ × ĥ ëĮ Ħ ìĺ ´ ìķ µ ê¹ ¥ ëŀ Ń ìª ¼ ãİ Ŀ ðŁĺ ħ ëı ĭ ëª « ïº ¸ ë® ¬ ë² ħ ëij ł ìħ ° ì» · ëĶ ª ëħ Ķ ãħ ¡ ìĶ » íķ ı ëį ± ïº ¨ ï¾ į ï½ µ ì¢ Ģ íİ Į ï» ° ïº £ Æ £ ðŁ¤ £ ï· º ëĤ ļ âĭ Ĩ ë³ į ðŁĺ Ħ ìĸ Ģ ìĻ ł ëĨ Ķ íĹ ¨ ï» Ľ ï» Ŀ á» ¶ ìĸ ĺ ìİ Ħ Ú Ĩ ï» ŀ ëĢ IJ ê² Ķ ï» µ âĹ ¦ íļ Ł ê¹ ģ ê° ĵ ëĶ ´ ìı ĺ ëļ Ŀ á» ł ëŀ ´ ëĦ ī âĺ ŀ ï½ ĺ Å ½ ë¦ İ âĸ ¬ ëŃ ī âĩ Ľ ìį ¬ ïº Ł Ë ľ ë¶ ĵ ìĽ ° Å ľ ëŃ ĩ á» ² Ë ļ ëķ Ģ âĺ ij ðŁı ¼ ìĸ ½ âĮ Ĵ Ð İ É ¾ íĮ ¡ ï¾ ħ ìŀ Ń ï½ ¨ ì¹ « ìľ Į Ò Ľ êµ ¿ ëĭ ¦ âĶ Ķ ï¾ ij ì§ ĸ ìº Ħ ãĢ ĥ Ê ¼ ê² Ł ï½ § Ä ¢ íİ ł ë§ · ê° ĩ ìĭ ¹ ðŁĴ ¦ ï¾ ľ ëĬ Ļ ë² ¡ Å ¿ ðŁĺ ĭ ðŁĴ ª ì¿ Ħ ë© ķ ìŃ ¤ ëĬ Ħ ðŁĮ ¸ ãĤ Ŀ Ç İ ï½ ļ Ä Ĺ ëģ ĵ ê¶ IJ áµ ī ãĥ Ĥ ê» į ðŁĺ ¦ ãĢ Ŀ ðŁ¤ Ĺ Ñ Ł ìĹ İ âľ Į ìī IJ à Ĩ íĹ IJ ðŁİ ī Î ij ï½ Ń ðŁĴ Ļ ìĽ ¬ íĢ ĺ ï» ¢ ðŁĺ İ íij ¼ íĿ © ï» Ħ íħ Ģ ëł IJ ì¥ ¬ Ð ĭ ìĥ · ëľ ¬ ðŁĺ ĥ ëĦ ¬ ë¥ ¨ ìĽ į ï½ Ĩ ï½ ´ ãĥ ħ à ı ï» ª âĻ ł ëĬ ¬ ë± Ģ ë° ĭ ìĥ Ģ ï½ ¾ ëĤ ± ì» ¸ ðŁĴ ĸ ðŁij Į Ñ ŀ ì§ ± Ë Ĩ ðŁĵ ļ âŃ ķ ï¬ Ĥ ï» ¡ ëij ¬ íĪ ¼ âĸ ¸ ê° ¯ ê¹ ħ ï½ ® ëĺ ¥ Ä ¡ íĮ Ł Ð Į ìĨ Ł ïº ĵ ï» ¼ à Ľ ãĥ ¾ ëĮ ĵ íĴ ĭ ìķ ĵ ï½ ¹ ëĤ ¡ ðŁij ĩ Ạ¼ ãĢ Ł ðŁĮ Ł íĥ ł ãĢ Ĩ âĢ Ł ë¸ IJ ðŁĮ ¹ ìł ¼ ðŁĵ Į ìĶ ¬ âĹ Ģ ðŁĴ ĵ ê¹ İ ìĤ IJ ìĶ Į Ñ Ľ âĶ Ī ë² ³ ãİ ŀ Õ ¡ íĤ µ ðŁ¤ Ķ ëĢ Ķ ìĬ IJ íĻ ī âľ ¦ ëľ ¯ ìł ¯ ëĶ § Î ¦ Ë Ī ìī ¼ âĹ Ĭ ëľ © ëľ ° ï¾ IJ ë¿ Ķ ìĹ ® ì· Į ïº § Î Ĵ ëµ Ļ ï» Ĭ ì° Ķ íİ Ħ ðŁĴ Ĺ áº ´ ì° ¢ íľ ¼ ê½ Ĥ ì± Ķ ìī ´ âĸ ¾ íĪ ° ëĭ Ľ âĿ £ ï½ ª ðŁĴ ľ Ë ĺ ãħ ¤ âĨ Ĺ íĸ Ħ âĻ ¬ ìķ ° ïº ľ âī ¡ ãĢ ĵ ìij ¥ íĮ į íī ģ ë» Ĺ íľ ł íľ © âľ Ī íĢ Ħ ìĸ ĩ ì¢ ĩ íŀ Ļ ëª ¹ ãĤ Ľ ðŁĺ ± ëį Ł ๠ħ êµ ¶ Ù « ìĶ ģ âľ ª ï¾ Ī ðŁĻ Į âļ ¡ Î ļ ì¼ Ī ï¾ Ķ ï¾ Ĥ êµ ī ïº » ðŁĴ ĭ á¹ £ Ó Ļ ìĨ ľ ìĹ £ âľ © ìľ Ļ ïº ° Ạ² ìŀ £ âĿ Į âĺ ģ ìķ İ Ä ½ Û ģ ãĦ ± ëŁ ¿ íĮ ¸ ê½ ī ìı ł ðŁį Ģ âĨ Ķ ëŃ ¡ ï» ģ ï¼ Ħ ðŁĴ ¥ âĺ Ľ íĹ · ëij ¡ Î ł Î ¤ âĦ ĵ ïº · Î Ļ ëı Ķ ì§ ¤ âĶ ĥ ãĦ · Ç Ĵ ðŁ¥ ° ëĶ ķ ìļ ¥ ì¸ Ħ íĽ Ķ ïº ĩ ïº ¬ ðŁĺ ¢ ë¹ ¡ ìĶ ¹ Å ³ Ë Ŀ íİ ij ï¾ ĵ ðŁĴ ļ ëĬ ij êº ¾ íĨ ° à ¿ Ð Ħ ëĮ IJ ë½ Ģ ì· Ħ ðŁ ĵį ðŁĻ Ī âĹ Ī ê¿ ĩ ì¼ Ħ íİ « ðŁĩ · âĶ ĭ âļ ł ë± ī ì į° ìĻ Ī É ª ïº ĭ ðŁĺ ľ Î Ł ðŁ ĻĤ âļ ½ Å Ī ë¹ Ķ íĮ ľ ๠ı ìĸ ¹ íĪ Ń ðŁ¥ ĩ ãĦ ´ ëĶ ¥ ìŃ Ī âĪ Ĩ ëĸ ³ ë± ĥ ìŀ ¦ ï» IJ Î ľ âľ § Ï į ìł ĵ âĹ ķ ëĴ Ģ ï» Ģ ðŁĶ ´ ê½ ģ ëĮ Ī ëİ Į ãĤ İ â¦ ģ ì½ § ï¯ ¾ âĿ ¯ ภħ ðŁĻ Ħ âĿ Ģ ðŁĶ ¹ âĩ IJ êµ µ âĩ Ķ ë¶ IJ ðŁĴ Ľ Î ¾ íĥ ¬ âĿ Ħ Ò £ ãĢ ° âĪ ij âĺ ¼ âī ł Ò ¯ ïº ¯ ê¿ ¨ âľ ĸ Ê ĸ íĢ Ģ ê¾ Ģ íĹ Ŀ âĶ £ ãİ ľ ëĶ Ľ ëľ ¸ ï º« ê¿ ° ðŁĩ ¹ Ç IJ Û Ĵ ë£ » ïº ĸ Ñ ļ ëĬ ł Û ķ ê¹ ¡ ë¿ ľ ì² ¼ ï¨ ij ë¥ µ ìį ¸ íħ ħ íij ¹ Ö Ģ ï³ Į ãħ £ ìij ¤ ì½ ķ ëķ ł ðŁĮ ¿ íĥ Ķ ìĽ ģ Î ¶ âŀ ľ ìĬ ĺ íĽ Ĺ ë© § ìī ĺ Õ ¶ á¹ ĩ ðŁİ ģ ï½ ¿ ï¼ Ĥ á¼ IJ âľ ķ âŀ ¢ ëĦ ¨ ì» « ì¯ Ķ ì° ľ ðŁĴ ° íħ Ŀ ãİ ı ë³ ¶ Ò ĵ âĨ ³ ìĥ ´ íģ ĺ âĸ Ģ ë² Ļ ภĥ á½ ¶ Ä ķ ⬠ĩ ë¤ ĺ ðŁİ µ âľ ļ ïº ı Î ¡ âĹ ī ðŁĴ « Ð Ī ìĸ Ħ ì§ Ļ ï» ĥ ðĿij Ĵ ëŃ Ħ âĿ ¥ âĿ ĸ âĺ Ŀ Ê ¹ Ḡ¥ âĢ ¿ ãħ ħ ê¸ ģ ëķ ¡ ëį ¥ âĪ © ê» Ħ ë® Į Ò ± âĪ Ĺ ëł Ļ ïº Į Ë IJ ðŁĺ ³ ðŁij © ðŁİ ¶ ì¿ µ ðŁ¤ © ê· ¤ ëĮ Ķ ïº IJ Ï İ ì¶ ¥ ï½ Ĭ á¹ Ń ë¤ ¼ âĸ « ì§ ł á¼ Ģ ê» ij ëĮ ģ íĢ ¸ âĻ Ľ ðŁĴ ŀ âĸ ° ðĿij ĸ ëĿ ¤ ठ¦ ì´ ĺ ðŁĺ ĩ ëĶ ¤ Î Ĺ ðŁĻ ĩ Ë Ľ ì© ¡ âĪ § Õ ¥ Ñ Ļ ëIJ ¬ ëĸ Ħ ðŁĮ · ìĹ Į ðŁĺ ¥ ëĪ ´ ï» ļ É Ľ ïº Ħ ï» ı Å Į ë² ļ ìĭ £ ïº Ģ Î ĵ ðŁĺ Į Ë Ļ ëŀ ı ðŁĶ ¸ ðŁĵ · ëģ ½ íģ ½ ðŁĴ ¡ ðŁĮ ± ëº ı ìģ ł ìĥ IJ ëı Ĺ ì¸ ° ëĪ ķ Î Ŀ âģ ī ðŁĮ ¼ íĮ ł âĭ ¯ áĥ ĺ âľ ¤ ê± Ķ íĮ İ ðŁĴ ¯ ìı Ļ íĹ ī Ù Ń ì½ ° ïº ¿ ï» ± ì± Į âĺ ķ ðŁİ Ģ Ä Ŀ ë° § ìĤ ¿ áij ķ ðŁį ĥ âĩ ¨ Î Ľ ë§ ´ ë³ ķ á ijIJ âĸ ĵ ðĿ ijľ âĻ » íĤ ¥ Õ ¸ ãĪ ± ëº Ģ ì² ¸ ïº Ľ ðŁı Ĩ ðŁĩ ª âĿ ĵ Ä Ģ ì½ ¥ ðŁĩ § á½ · âľ Ĥ ìŀ ¼ ï§ ¡ ðŁĵ ¸ âĻ ¯ É Ķ á½ ¸ âĮ ª ï» ĸ ï¥ § âļ « âĶ Ĺ ðŁĮ Ī ï» © ðŁĵ ² Ï Ī ðŁĺ ¡ ðĿij İ ìľ ½ ì§ ¬ ì§ Ĭ á½ ³ ìĮ ¤ ëĤ į âī Ĵ ðŁij ¨ âĺ ĺ Ó © âĤ ĵ âĪ Ĥ ï¹ ģ ðŁĴ IJ íħ ĥ ðŁı ½ ê· Ħ ðŁĺ ı ðŁĮ º ðŁĺ Ķ ï½ « âľ İ ëµ Ī ðŁĩ ¸ âĢ £ âŀ Ķ ëĺ ĺ ìĥ ¬ Ê ĥ ⬠ħ ì© IJ ðŁĻ Ĩ ðŁİ Ħ Ä ¾ ⣠¶ áĥ IJ âĺ » ì± ķ ìģ © ë½ ķ ìº £ ðŁij Ī ðŁĻ ĭ ï¾ ĸ Ò ļ Õ « ìĮ Ī ë² § ðŁĩ ® ï½ Ŀ ðŁį ģ ìĹ ¥ Ä ³ ë½ IJ íį ½ íĽ ij âĤ ¹ ãħ ģ ìĶ ½ ðŁĶ ģ ठ¯ ê¾ ¹ ëī ľ âĹ ¡ íķ Į Î ĺ ë£ ¹ ìĻ ĵ ðŁĩ ¦ ðŁij Ģ âĶ Į á¿ ¦ ëĦ Ľ ìĦ £ ìŃ Ļ ï± ł Î ŀ Ê » á¿ ¶ âĿ Ŀ ê± Ģ ëĸ ´ ãĦ ¹ ðŁĴ İ Ï ¹ ⼠ħ ï» ķ ãĥ ± ï½ Ľ ëĮ ķ ë¹ ½ ì¥ Ķ ì¿ ¤ ðŁĸ ¤ Ñ Ĵ ê¹ į ëİ Ģ ìĭ ¯ ë» ¤ ðŁĵ ŀ ðŁĵ £ ðŁĺ Ŀ ìį ¹ ìĹ ¡ ì° IJ á½ IJ ï» Ī âľ į Ä ı ðŁĮ ŀ âĦ ¦ ê½ Ŀ ë» ĺ ìĪ ± âĶ ĺ ðŁĮ » âĤ ´ âŀ ¨ íIJ ģ ê ¶Ī âĺ ¢ ðŁĺ Ī ï½ © âĦ Ĺ ê° Ń ê° ¸ ë» ij ì¥ ´ ì» ¥ ï¤ Ĭ ï» Ĵ ðŁĺ ķ âĺ Ķ ìĺ IJ ðŁļ Ĺ ëĹ Ħ ë§ ı Õ ½ âĸ » ⣠µ ìī ° ï» ij âĻ © Î ¥ ðŁĺ £ âĬ Ĥ ãħ Ĥ ìħ ¸ íı Ħ âľ ½ ì¦ Ļ âĸ £ ê± į ê¿ ĭ ì« Ħ ìº ĩ ðŁĩ µ ðŁij ij âľ ĺ ðĿij Ľ ìį ½ ìº ī ï¬ µ ðŁĶ º âĦ ® íĥ ¤ ðŁĩ º ðŁĴ µ íħ ¨ ï½ ij Î ¨ ìĥ ¹ ìĸ ķ ì¹ µ ðŁĵ ± ठµ ðŁij Ĭ ðŁĴ Ħ ðŁĴ Ŀ ãĮ Ķ ìĻ ģ Ð ĩ à® IJ âĸ ¹ á´ Ľ âĹ ĺ ëº ¨ íĥ ī ìĸ Į ðŁIJ ¶ ãĤ ij Ë ĩ Å ı á½ ¹ ìħ § ï¹ ° ðĿij ¡ ðŁĶ Ŀ ðŁĺ » ðŁĴ ĥ ðŁ¤ ¦ ðŁį Ĵ íĢ µ âľ Ĩ ë¹ ´ ï§ ¤ ï» Ļ á´ Ĺ ðŁĮ ´ Í ¾ ëĮ ij ì¨ ĭ ìµ ¸ ðŁİ Ī ðŁı ł á½ ± Û Ĩ á¿ ĸ âĢ Ľ ì° ¼ íķ ¥ íĹ ´ ðŁĩ ¬ ì° Ŀ âĪ ł ï¼ ĩ âĬ Ļ âĿ ij ëĦ ĭ ëŀ Ĺ ë° ī ìĹ Ĭ ì¢ Ĩ íĮ ¥ ï° ² ðŁĵ ĸ ðŁĺ ® âļ ª ðŁĺ ļ âĿ ŀ ðĿij Ł ðŁİ Ĥ Å ķ áIJ Ī êº ½ ì± ł ïº Ŀ ê¿ ī áĥ ł ðŁı ĥ ðŁĴ ¸ âĿ ģ âĹ ¾ Ú ª á¹ ĥ íĬ ¬ ðŁĩ ± íİ Ń ðŁĺ ŀ ë¾ ° á¹ Ľ ëĽ ¸ âĿ Ĥ êĴ ³ âĶ IJ íĵ ° âŀ ł ê´ ĺ ëħ ĺ ë» ¥ ì¾ ħ ðŁĺ IJ âĪ ª ðŁij ģ âĪ ´ âĹ ģ ëº IJ ìŀ ¤ ì± Ĺ ðŁı ¾ Î § á½ » âŀ ¥ ìŁ Ī ï» ī âĸ Į ãĥ ® ðŁ¤ ¤ âĩ ĵ ì¼ ł á´ ı ë§ ¬ ë» £ ðŁĴ ¬ ðŁį ĵ Ä ¸ Ù ¹ Ê ¿ á½ ° ëķ ľ ì° ¡ ì° » íİ į ðŁİ ¯ ðŁį Ĥ ðŁij § âĻ ¢ áĨ ŀ âĻ § âļ ľ âľ ī ëĵ ¦ ëŃ £ ìĪ ı ìĵ ± Å Ń Ê Ĭ âĴ ¸ âĩ © ðŁĴ Ķ Õ µ Ð ī Ò » ë§ £ ìĽ ľ ì¿ ¡ íĽ ħ íĽ ¤ ïº ¢ âľ ĭ âĪ Ī ðŁĮ į Ê ľ ëĬ ª ëĴ ¹ ïº ² âĸ Ħ ãħ Ī ëļ ¤ íİ © âĪ ¨ ðŁ¤ ª áĥ ļ ê³ ¶ íĬ ķ ðŁĺ ¬ âĪ « ðŁij ĭ Ò IJ íĬ ¿ ðŁĶ µ ðŁĴ ¨ ðŁĮ Ļ ëĩ © âľ ³ ë¨ ģ ëº Ħ ìĻ ij ìº ħ íı Ī ðĿij Ļ ðŁĴ ĺ ãİ ¥ âĿ ı âľ ° ï¯ ¿ ëµ IJ ì¼ IJ ïº ± Õ ´ ï¬ Ģ âľ ´ ðŁ¤ Ń ðŁij Ĩ ⼠Ķ ê· ĵ ìĮ Į ðŁ¤ · Û Ķ ðŁ§ ¡ ðŁĺ ĵ Î ĸ âı ° ê² ľ ëĭ ³ ëİ ħ ë° Ī ï® IJ ðŁı ¡ âĨ ª âĵ Ķ âľ Ĭ Ï ² Ü IJ ðŁĩ ³ Ö Ĥ âľ ı ìĸ Ĺ ì« Ļ ðŁĺ ² Ä Ń âĻ Ń âĶ ı âĹ Į ðŁĺ ¯ áµ Ĵ íĬ ł Ä · Ê ģ ठŁ á¹ ģ á¼ ° á¿ Ĩ â « â« ¸ ëį « ì³ ĩ ì¼ ¤ íĽ ¨ ðŁĴ Ł Ê Ģ Ê ³ ëĵ IJ âķ ° âĿ ĩ Ç Ģ Ç Ķ É ´ âĺ ļ âĺ ľ ê¶ Ĥ ì« Ĵ ì± Ī ðŁĩ ¨ ðŁİ ¥ ðŁĵ Ŀ Ä § ðĿ ijIJ Û Ī ठ¬ ì¬ IJ íĹ ¥ âĻ ¨ ðŁį ´ ï¹ ı Ë ĭ ðŁ¥ º âĸ ¨ íĻ ĭ âĪ ħ ëģ Ļ ëŀ ł ìĨ ¥ âĢ ĸ ðŁ¤ ĺ ðŁIJ » áµ ķ Ç Ŀ âĺ ı ïº ļ ï» Ĥ ðŁļ © ìĪ Ł Ë Ĭ ⤠µ ðŁĴ § ã ħį ë© © Æ ¬ Î ĩ âĩ § âĵ ļ ìĤ ¯ ìĪ ¯ ëĨ ĭ âľ ¯ ðŁļ Ģ Ú ĺ Ú ¨ âľ Ń ê² ħ íĮ ° íľ Ļ ðŁĮ Ĭ ðŁİ ĵ ðŁĺ Ļ Ë ĥ ðŁĴ ģ ðŁij İ âĺ ¹ ðŁĺ « ðŁĴ » ëĤ µ ìĿ Ĭ íĮ » Ò ³ á½ ² âŀ ŀ ëĤ ij ëĿ Ī ì£ ¤ ï» ¯ ðŁĩ © ðŁ¥ ³ âĴ ¼ ðŁ¦ ĭ âĺ Ĥ ðŁĺ ° ðŁĻ ĥ ðŁĺ Ĵ Û İ Ï ķ Ḡ¤ ë£ ½ ìĬ ¥ ðĿij ī É IJ ðŁį İ âķ ¯ âķ ¹ ຠ² ï¾ ł ë¹ ķ ïº Ĩ Ê º Ó § âĨ ł ëĥ ĩ ìİ Ī ìŁ ¤ ï± ¢ âķ ¬ âĺ ł ðŁİ Ĭ ãį į ãİ İ âĺ ° âľ ĥ ãħ ī ë¯ Ī ë¹ ¤ ìı Ń ðĿij ¢ ðŁIJ ¾ Å ĭ ðŁij ¶ âĶ Ľ ï¿ ¢ áĥ ¡ Ä ¼ Å Ĩ Ñ IJ ìĥ Ľ ìĺ Į ì± ¤ íħ ģ íļ ĥ ï³ Ĭ ðĿij Ķ ðŁĩ « âĭ ° ðŁĺ ¨ âĤ © Õ ¬ Ḡį á» ´ âĨ ĺ âĺ ¯ ãħ ı ìł ¬ âĻ Ķ ðŁĶ Ķ ðŁĺ ł ðŁĻ Ĭ à® ľ á¹ ħ âĹ IJ âĿ Ī âŀ ½ ìĥ ħ ðĿij ł Æ ¢ âĭ Ļ ê° Ľ ëĿ µ ë£ Ł ìı ľ ïº ģ ðŁĴ Ń âĬ ĥ ðŁIJ ° ãħ Į Ü ĵ âŀ ķ á½ ģ ìķ ³ ðĿij Ŀ ðŁİ ¬ É ¡ à¤ Ĺ áIJ ī ì© ľ ì¶ § ï³ ī ï» ħ ðĿIJ ŀ ठ¶ ðŁĵ ¢ ðŁį ĭ ðŁĴ ħ ï¾ ķ ⬠Ĩ âĪ µ ðŁ¤ ij áĥ £ Æ Ħ Ñ ¹ á¼ Ķ ê° ł ê´ Į ê· IJ ëĽ ´ ì± ĺ ï® Ń ïº ¹ ïº ¾ âľ Ĺ âĿ ¦ ðŁij ¦ áĥ Ĺ Ù ² á½ ´ âĪ ı âľ ® ê¹ ° ë² µ ìĦ Ģ ì© Ŀ ïº ŀ ïº ½ ðŁĩ Ń Ë Ĥ ðŁį ij ðŁį Į ðŁĶ » ê¹ ¬ ìĬ Ń ìľ · ðŁĽ ij Ç § ë¼ Ľ ïº ¡ ïº º ðĿij ļ ðŁĵ ¦ ðŁĶ İ ðŁĹ ĵ áĥ Ķ âľ Ĵ âľ ¡ ðŁĮ µ âĶ ķ ëĢ Ŀ ðŁį Ĭ âĺ ĥ ìĺ ħ ঠ¬ ðŁ¦ ģ âİ ¯ ðŁIJ ķ Ñ ¿ ॠ¤ ༠ĭ ê· Ī ì« Į ðŁĩ ° âĿ ī ì« Ģ íĿ Ħ ðĿIJ ¢ ðŁļ ¨ âĻ ¤ ðŁĺ © ðŁį į ðŁĺ ij ðŁļ ļ Ö Ħ ë « ë« ¼ ठı á¿ · âĮ © âĺ IJ âŀ £ ê¸ ± ê¼ ¿ ëĦ Ŀ ìı ´ ìļ ¤ ì¿ ± íİ IJ ðŁĴ ¢ ì´ IJ âĩ ij âĶ ĵ âģ ¾ Ü Ŀ ðŁ į° â´ ° Æ ı Ï Ł Ú º Û ĥ áĦ Ĵ âĪ Ł âĿ į ãĦ ² ìľ ħ ì¤ ı ðŁĩ ² êº Ħ ðŁİ ¤ âľ £ ⸠Ŀ ï¸ µ ຠ§ áĢ Ļ âķ ł Õ ¯ âı © ðĿij £ ðŁĴ £ Å ĺ ॠIJ âģ ĥ âĮ ĺ ê» Į ìĮ Ķ ðĿij ĺ ðŁ¤ ĵ Õ ¿ à¤ Ń âĮ ļ âľ Ŀ ðŁIJ ¼ Ë Į âķ ļ ï¦ Ĺ âĿ ķ âķ £ ðŁIJ ± à® ¤ Ñ ¾ ठļ ठľ ìĪ Ħ ìļ ľ ðŁİ ® É Ĵ Ú · ຠį âĨ µ â Īĺ âĿ Ĭ ë¿ į ìIJ Ī ìļ ĺ ì¯ § íĥ ¯ ìĸ ı ï¸ ° ðŁĩ ¯ ðŁ§ ļ ðŁĺ µ ðŁĺ · ðŁĮ ³ ຠ¥ Ä ī Ä ¥ âľ ¶ á¿ ¾ âĬ ± âĺ ¾ ê° ī ê¼ ° ëº ij ðŁĶ Ĭ ðŁĸ IJ Å ¤ Ò « à® ® âĮ Ī âĹ Ĺ ëĦ µ ëħ ľ ëľ ¹ ðĿij ¥ ðŁĴ ¿ ðŁĽ Ĵ Ê Ĵ áŀ ĵ ðŁIJ Ŀ ðŁ¦ Ħ ðŁį · âĺ Ł ï¸ ¶ ðŁ¤ Ł Ô ± âĨ ² âĪ İ âľ « ëĩ ½ ëı IJ ëķ Ħ ï¦ ³ ï§ Ŀ ïº Ļ ðŁij » ðŁĵ º êµ ¼ ìĮ © ðŁĮ ² È ± íĶ ķ ðŁĺ ¤ ãĮ ¢ Ê Ķ ठ¡ á¼ Ī ëİ ĥ ë© ± ë® Ī ðĿIJ « âĬ ķ ëĥ ł ë» ¬ íĭ Ķ Õ ¤ á¼ ± âľ ¥ âĺ Ħ âĪ ¥ âļ ķ ðŁij Ħ ðŁİ ħ ຠĻ âĶ ¬ á½ µ Õ ¾ Ö ģ âĹ Ķ ê¿ į ëĸ µ ë© İ ë® ´ ìķ ´ áĥ ľ á¼ ¡ âĶ Ĭ âķ ® âĹ ¼ ðŁį ¾ ðŁĽ į ðŁij Ĺ ðŁ¤ ŀ âľ Ħ Õ Ģ ঠ² Ë ī ⣠¨ Ä ¯ Ï Ĭ á´ ľ ë¹ ³ ï³ ĭ ï¿ ł Ä ª âĤ ¸ âľ ± ê» IJ ëĭ » ë§ ¸ ìŀ ¿ ì© ¨ ì ŃIJ ì° ¿ íħ Ł ðĿIJ § ðĿij ij ðŁĮ İ ðŁĵ ® ðŁķ Ķ âĹ Ļ âĹ » âŀ § ìŁ Ŀ âľ ¬ ãĥ ° âģ Ī â ĵĺ ðŁ ĴĮ ï¬ ĥ ຠĶ ìĶ ° ðŁĺ ª × Ģ ìĥ ¨ ïŃ ĭ ðŁį ķ ðŁĺ ´ Ï ³ á¼ Ħ á½ ħ âĩ ¢ âķ Ń ìĺ » íĬ ¤ Ü ĺ ⤠´ âĹ į áŀ Ł ðŁį º áŀ ļ ðŁı Ĭ ðŁIJ · Ê Į á½ º âģ » ê½ Į ëĪ Ĺ ë Ĺı ì¿ ° íĢ ¼ íį ħ ï· ² ðŁĮ ı ðŁį « ðŁį ³ ðŁİ ° ðŁij ° ðŁĴ ² ᥠĻ ðŁIJ Ł ï¿ ¡ ðŁĹ £ ðŁį ľ âľ ² ãİ ¢ ðŁĶ ° á¼ ¸ á½ ij Ä İ áĦ Ģ âĻ ķ ëł Ŀ ìĪ ´ ïŃ Ń Ó ľ Ô Ģ ëĢ ľ ëĥ Ķ ìĬ Ľ ì« ij ìº ¥ ìº ¬ ðĿij ¦ ðŁĶ ¶ ì¾ ¨ ðĿIJ ļ ðŁį » ðŁĴ į ðŁ¤ ¡ ðŁķ Ĭ â½ ĩ âĵ IJ ðŁį Ń ðŁį ª ðŁĶ Ĩ Ò ¡ á´ ĩ É Ĺ Ü Ķ âĦ İ âĿ ĥ ëĹ Ģ ï² Ķ ïº Ī ðĿIJ » ðŁĴ Ĭ ðŁļ « Ñ ° Ñ ³ ठ· âĹ ł ðŁij ¤ ï¾ ĩ âĺ ĵ ðŁį µ ðŁ¤ ¨ âĸ Ń à® ´ Ü ¢ Ü ¬ à´ ® ðŁķ º Ô ¹ Õ £ à´ ¯ á ´Ģ âĮ ī âľ IJ âŀ ¦ ê¹ ½ ëĮ ľ ðŁı ¥ ðŁĵ © Ò ¹ Ó ĺ ठħ âĿ § Æ Ĺ âĹ ½ ðŁij « ðŁİ § ðŁij £ âľ » ðŁĻ ħ ðŁĺ ĸ ðŁĴ ® ຠ° ðŁĶ ľ ðŁį Ħ ðŁ¤ Ŀ á ĥĿ áŀ Ģ âĩ ¦ Ê ¾ Ò ® Õ ¼ ठĨ âĹ ħ âļ ĵ âļ ĸ ê¿ © ë¯ Ħ ìIJ IJ ìŀ ° ì§ Ń íĭ ĭ íİ ¨ íĻ § ï² ij ðŁİ Ĺ Ù ³ ðŁij ¸ ঠ® ðŁij ķ Ú µ âĢ ¾ âŀ ° ðŁij ¯ ðŁİ ¼ ðŁı ģ Ä º Ê ı Ú ³ âı ± ê½ Ī ëĿ Į ìĮ ī ìĹ · ìŀ ´ íĹ ¹ íľ ¨ ðĿĹ ² ðŁĮ IJ ðŁİ Ļ ðŁı µ íĽ Ļ ðĿij ħ ðŁĺ ¶ âĵ ħ âķ ¥ ðŁį ı ï¦ İ Õ © ðĿIJ Ħ Ó £ Ú ¿ âĻ ļ ðŁĶ ŠḠ« âĭ ® âĸ ¦ ⼠½ âľ µ ãħ Ĩ ãħ Ĭ ëĦ Ļ ëĿ ¨ ë¥ Ħ ìĦ ¦ ì§ ° ì§ ¹ íī Ī ï§ ij ï» ĩ ðŁĮ ¾ ðŁı ĸ ðŁIJ ij ðŁĴ ³ ðŁĵ Ĩ Û ĩ Ü ķ á½ ½ ëĦ ľ à´ ² à´ ³ àº Ń áĥ Ľ âĿ Ķ âij ħ áĥ ¥ ðŁĵ ħ âŀ ³ á´ µ ï¹ ¡ ï¹ ¶ Î Ĩ ठ¥ áī µ âĿ Ļ âĿ ± ëī ł ëİ ł ëı Ľ ë¿ ħ ìĶ ¸ íij ¯ íŀ ī íŀ Ľ ï§ Ħ ïŃ ĺ ïº ¦ ï» ¸ ðĿij Ĥ ðĿij ı Ï ij Ú ł áĢ Ķ áŀ Ķ á¹ ¢ ëĦ ¸ ðĿIJ ¨ ðŁĩ ´ Õ ° ðŁij ł ðŁį Ĩ ðŁı Ģ ðŁ ijIJ ðŁį ĩ ðŁIJ £ áĪ Ń Ü ª ðŁ ĮĢ áŀ ĺ âĩ Ħ ðĿIJ Ģ Ê Ļ âĶ ¼ ðŁı ¿ Æ · È ł Ñ ½ âĤ ¨ ê´ Ń ê¹ » ëĶ ¨ ìĪ Ģ ì¾ ° íĨ Ī ï® § ï¯ ½ ðŁĶ ħ ðŁĶ ® Å ¢ Ê ° Ñ ¸ ठ£ âĬ Ĺ ëª Ħ ï¹ · ïº ħ ðĿIJ µ ðŁĮ ¶ ðŁĵ ° ðŁĶ · ðŁĸ Ĵ ðŁ¤ ² ëī © ðŁİ Ĩ ðŁ§ IJ ðŁį ® âĨ º âĿ ¢ ðŁij ª ðŁij ± âĨ ¡ áŀ ı Ú ķ ðŁį ¹ ðŁĴ Ģ Ë ® Ó ¨ Ö ħ ठĩ âĤ ¡ âĪ ķ âĺ ī ê¹ ¼ ê¼ IJ ì½ ¸ ðĿIJ ¬ ðŁı ħ ðŁij Ļ ðŁĴ ī ðŁ¤ Ļ È ĺ É ³ É ¹ Ù º áĢ Ħ á¿ ³ âļ ĺ âĿ Ĩ ëĨ ī ìĸ į ìĺ ĩ ì¥ ĺ íĸ ħ íĻ ij ï® Ĭ ï¿ Ń ðĿĴ IJ ðĿĹ ¢ ðŁĶ ĸ ðŁĶ ¨ ðŁļ ij ðŁļ ² Æ ¸ âĹ ¥ ðĿIJ Ń ðŁį ½ âĹ ij âĵ ĩ ðŁĶ ± âľ ¼ ï¹ ĥ âķ ± ãĢ Ĺ ðŁı ĭ ðŁļ ´ ðĿIJ ® Ä ļ Õ ı Ä ¶ áĥ ij á¹ ¬ Ä Ī Ä Ĵ Ò ° Ó ķ â IJ âIJ £ âĹ ¢ âļ Ļ ãħ Ĺ ê° ¬ ê³ ª ê» Ģ ëĦ ´ ëİ ģ ëĿ Ķ ë¬ ½ ëŃ į ìĩ ³ ì° ¹ íĮ ¹ íŀ Ŀ ï® ĭ ï ¶Ī ðĿĴ Ĥ ðŁ¥ Ģ ðŁ¦ ħ Ê ĺ á¼ ij âģ İ ðŁį ŀ âĨ ĸ âĨ Ļ ðŁİ ĥ âĦ ¡ âĭ ± ðŁĶ į ಠ¨ áµ ĥ âĶ « ⦠¿ ðŁĩ » Æ ¤ Ò ı Ò · Û ī à® ķ Ḡ³ ï¬ ± ðŁĨ Ķ Ú Ń Û ¦ áħ ¡ âĦ ¹ ê¿ İ ëķ Ķ ë¼ ī ìļ § ì² µ ì´ ¨ íĬ Ī íĸ IJ ðĿĹ ĺ ðŁĩ ¿ ðŁİ ĸ ðŁij ħ ðŁ ĵĺ ðŁļ Ļ ðŁĽ µ ච½ ⼠µ ðĿIJ ³ ðĿIJ ¸ âļ Ķ ðŁij Ń Ó ij âĶ ¯ ðŁħ ¿ ðŁĺ ¹ ï¿ « â¼ ¤ ðŁĴ ĩ ðŁĵ İ ðŁĸ ĭ ঠ¸ ðĿIJ į Ä ² Ï ĭ Ñ ¬ Ú ¬ Ü Ĵ á´ ¬ ï¨ Ħ É £ Ë ij Ï µ Ò Ŀ Û ¥ Ü ł ๠Ľ áĥ ķ áĬ ķ á¾ ¶ âĤ · âĩ ¾ âķ © âĸ IJ âĺ ª âĺ ® âĿ ļ âĿ Ń âŀ ± âµ İ ãı Ĭ ë© ĵ ìĹ ¾ ìª Ħ íĵ Į íķ ¼ ïŃ ¬ ðĿij Ĩ ðĿij ŀ ðĿĸ Ĭ ðŁİ ¸ ðŁı Ħ ðŁij µ ðŁĴ ł ðŁĶ ĺ ðŁ¥ Ĥ Å ª à· ĥ á´ ¼ âĬ ° ë³ ı ë´ £ ï¥ ľ ðŁĵ Ī ðŁķ ¯ ðŁ§ Ģ âĻ IJ ðŁĨ Ĺ ðŁĵ ķ ðŁ§ ģ Ü « âĿ IJ Õ ķ འķ âŀ Ŀ ঠķ ðĿIJ ¶ É ¢ Î Ħ áĨ ¢ âĤ ± Õ į à¡ ķ á´ ° Ḡ© ⼠· âĿ ® ê¡ ĵ ëı ¤ ëĹ IJ ëµ Į ìij Ī íı ¿ íĹ µ ðĿIJ İ ðŁĨ ĺ ðŁı Ł É ¥ Õ » à¡ Ķ ठĸ á´ ¸ âİ Ļ âİ ¥ âı ³ ëģ ķ ëĬ ī ì¡ į ì¹ ¡ ï¦ ¶ ï¬ Ł ï® « ï® ¯ ï± ĥ ï ·» ïº µ ðĿĹ Ķ ðĿĹ ¡ ðŁİ ¨ ðŁĶ Ĵ Ú Ľ ठ§ âŀ ¹ áĢ Ģ ðŁį ħ âĹ ¤ ठł ðŁIJ ¥ áĥ Ĵ ðŁı Ŀ ðŁį ¼ ãĮ § âĿ Ľ ðŁIJ Ī ঠ¯ áĢ ŀ ãĢ ĸ áŀ Ļ ঠª Õ Ĩ âĬ Ĩ âľ ¾ ðŁIJ Ĺ ï¹ ¿ Ä ¦ Ü Ł ಠł ಠ¥ áŀ ī á´ ¥ á´ © á½ Ģ á½ ¡ âĨ ķ âŀ ¯ ê¡ ij ëij £ ë± Į ìĪ ij ìľ Ķ ìŀ ½ ì¨ į ðĿij Ģ ðŁĮ Į ðŁį ¦ ðŁį © ðŁIJ ļ ðŁĵ Ĵ ðŁĵ ¹ ðŁ¥ ij Ä ĭ Ë Ĺ Ñ « Õ ¢ Ú ° â ĮĢ âĹ Ĥ âĹ £ âľ Ľ âĿ Ĵ âĿ ĺ âŀ Ļ âŀ ² ãİ į ê¡ IJ ëŀ ĸ ìĬ Ŀ ìĽ ¤ ì¡ ĭ ì¨ ° íĹ Ļ ï¥ ¸ ï³ į ï» İ ðĿij ĵ ðŁĵ Ĭ ðŁļ ¼ ï¦ ģ ðĿķ Ĵ ðŁ ijľ ðŁij ¿ ðŁĩ ½ à· Ħ âĸ ´ ãį ī âĬ ĩ ðŁ§ ¸ Ú ¡ â¾ ĥ ðŁĹ » âĵ ij ðŁ¤ ¸ ðŁ¤ ¯ êĴ ° ðĿIJ ĵ âĶ ´ êĴ ± áĢ ĺ â ĽĦ ï¹ ¹ Ó Ķ áĥ ± Ü ¡ ß ŀ âĻ ı âľ ¸ ìij ¨ ðĿIJ Ŀ ðĿIJ ¥ ðŁį ī ðŁij ¼ ðŁ¥ Ŀ Æ Ķ Ý ¬ ठ« ຠļ á´ ´ á½ ĸ âĤ ¶ âİ ¢ âĿ ħ ⣠« ãİ Ľ ë® ¨ ëº Į ë¼ ĺ ìĨ Ŀ ìľ ³ ìŀ Į ì£ Ĺ ìª ĺ ì» ¹ ï· ¼ ïº Ĥ ðĿIJ ´ ðĿIJ ¼ ðŁĮ ļ ðŁı « ðŁĴ ¤ ðŁĴ ¶ ðŁĴ ¼ Ê ķ Ê ½ â² Ł ãī ł ê¡ Ĵ ëľ Ģ ìĥ ¾ ì¸ ¤ ï¥ ģ ðĿļ Ĭ ðŁļ ĥ âŀ Ľ ìħ ´ áĦ ĭ âĩ Ĺ ï§ · âĺ ĸ ðŁIJ ¦ ⸠ľ ðŁĴ ´ ðŁ¤ ļ ãĬ Ĺ âĮ Ľ áĪ Ľ ༠º â½ ī ðŁı ¢ âĵ ŀ âĺ ½ ãĢ Ļ ðŁ¤ ® Å IJ áĥ ¬ ðĿĹ » ðŁį ĸ Æ Ĭ Ê Ł ß ĭ ठĭ áµ Ķ á¿ ĥ âĦ ī âĮ ĭ âı ² âĵ Ī âĵ ¢ âķ Ķ âļ ij âĿ ĭ âĿ İ â µľ âµ £ ëĴ Ī ëľ ģ ë¶ ĩ ìį » ìĺ Ń ì§ ¢ íĹ Ģ ï§ Ĭ ï ¬¸ ï± ¡ ðĿIJ º ðĿij § ðĿĺ ¦ ðŁĵ ¥ ðŁĺ Ł ðŁ¥ IJ Ä ĸ É ¨ áĢ IJ áĥ ĵ Ạĵ á¼ ¶ á½ Ħ âĤ ¤ âĮ ľ âĮ Ł âİ ł ⼠¸ âµ į âµ ı âµ ĵ ãĢ ĺ ë ·¸ íħ ¼ ï¦ Į ïŃ Ħ ïŃ İ ðĿĻ ļ ðĿļ ĺ ༠ĵ ëŃ ħ áIJ Ľ ãİ ¾ ï¨ Ģ ðŁĹ ½ âĻ ŀ Ë ĸ âĹ ŀ ðŁ¤ « ðŁĺ Ĺ ï½ ¦ ðŁ¤ ¢ âģ ĩ ãĢ µ ðŁį Ķ áĬ ł ðŁĺ ¼ ðĿĹ ® ðŁIJ ³ ðĿIJ ĭ ðŁĨ ļ ðŁĶ Ľ Ñ » Ü ¨ à® ² âľ ŀ âµ Ļ êµ £ ì¸ ¨ ðĿ IJľ ðĿĺ ° ðŁĶ ½ Ç » Ç ¿ Ê ĩ Î IJ Ð Ģ Ñ ¡ Ñ ² Ò Ĵ Ù ¶ ß ķ ච± áIJ ģ âģ ŀ âĸ § ⼠Ī âľ ľ âľ ¹ ⣠¹ ⤠ĩ ê² Ĭ ê¾ ľ ë¯ IJ ë³ IJ ìħ © ìIJ ¬ ìij ¹ ï¤ Ķ ï¦ ļ ï¬ ł ïŃ Ķ ïº ¶ ðĿĴ ı ðĿĸ Ĩ ðĿĹ ¶ ðŁı Ĥ ðŁIJ ½ ðŁĴ © ðŁĵ ½ ðŁĹ ¨ ðŁĹ º ðŁĺ ¸ ðŁ¥ § Å Ĺ Ê İ Ò Ļ × ² ठĪ á¼ ´ á¿ ij âµ ī ãħ ĵ ì½ ´ ðĿĸ ĵ ðŁĵ Ĺ ðŁĶ ª ðŁĸ į Ï Ĵ ðŁij ¬ áĥ Ļ âĨ ¬ âĶ ¤ ⼠¹ âĻ Ł ðŁļ ¶ ðŁij ¾ âĪ ĭ ðŁIJ ¯ à¼ İ âľ · ï¨ Ļ âĶ » ðŁij ¹ áĦ ī ຠª â¾ ı â½ ħ ãİ ĸ Ñ ´ Õ ® Ú ¼ áĢ ķ áĨ ¼ ëŃ ı ðŁIJ ¸ ðŁļ £ Æ Ŀ Ô » áĥ ¢ ðŁį ¯ É ¦ Õ ¦ âĻ ĭ ï¬ « ðĿĹ ¦ Ç ļ É ± ठī á´ Ħ âĻ ĵ ⼠° ⣠ª ëĥ ĺ ë¢ ¸ ìĤ ij ï® Ķ ðĿķ ĸ ðĿĹ § ðŁĩ ¼ ðŁĵ ĭ ðŁļ ľ ðŁ¥ ¤ Ä ® Å · ß Ĭ ॠ¥ à® ª áŀ Ħ áµ Ģ Ḡħ á¼ ¢ âĪ Ŀ âĬ ¹ âĴ ¶ âķ ´ ⼠± ⼠³ ⼠º âŀ Ł ãı Ħ ê¸ Ķ ê¹ Ł ëĩ ° ë¹ » ìĤ ¥ ìĽ » ì° Ł íĥ ° íĨ º íļ ½ ï¤ ´ ï¥ ¾ ï³ Ŀ ðĿIJ ¦ ðĿĴ ľ ðĿĴ Ł ðĿļ Ĺ ðŁİ Ń ðŁı ĵ ðŁı ³ ðŁı º ðŁIJ į ðŁij ĥ ðŁĴ ı ðŁ¤ ĸ ðŁ¤ µ Õ ² âµ Ķ ëĺ ¬ ï¦ £ Ê Ĥ áĨ « áŀ ij ðĿĸ İ ðĿĹ ĸ áĦ ĥ âĩ ł áĢ ¡ འĦ âŀ ¸ ï¦ Ļ âĩ ļ ðŁIJ ¬ ðŁIJ ¢ â¾ Ĵ ðŁIJ ¤ ðŁĶ « ãĢ ŀ ï¸ º ðŁĺ º â½ ´ ðŁĨ ķ âģ ¿ ðŁį ¨ ಠķ ðŁļ ĺ áŀ ħ ঠħ áŀ ¢ ਠľ â ļĮ ãĢ ½ à· ´ âĵ Ľ áĢ ľ ìĨ ¨ Ë © Ü Ĺ âĭ ¼ ðŁĻ ī Å Ĭ É ĵ Ê ² Î ° Ñ ¼ Ô ¿ à¡ IJ ༠ľ འ¦ ᶠľ âĤ ² âĨ ¨ âĬ ¥ âķ § âĻ ľ ãĭ ¡ ë´ ¬ ë¶ ij ìī ¿ ìİ ħ ìł ± ì° § ï² ¡ ðĿĴ Ľ ðĿķ £ ðĿĹ ľ ðŁį ² ðŁİ © ðŁIJ IJ ðŁIJ ł ðŁij ½ ðŁĴ ij ðŁĵ ľ ðŁķ µ ðŁ ļĮ ðŁĽ £ Ê ĭ Ó ¯ Ù ¸ ß Ķ ß Ļ à¡ ĵ á´ į Ḡ¿ âı º âĸ ¥ ë¤ ½ íľ ij ðĿIJ ¹ ðĿĸ Ķ ðĿļ İ ðŁĵ Ħ ðŁ¦ · Æ ĥ ঠŁ âĮ Ĥ âĺ Ń â² ļ ëĿ ķ ðŁİ £ à® ĩ འĨ áħ µ áĹ ľ âĢ ½ âĮ £ âģ ½ ðŁĵ ¬ ðŁ¤ § âĩ ª â½ £ âĹ Ł ï¨ Ĺ êĴ ª ðŁĽ Ģ Ç Ĥ ðŁ¥ ¶ ðŁİ į ï¿ © ðŁij Ĵ áµ Ī ï¸ ¿ áħ © â¾ ¦ à° ¤ á´ ĸ ਠ¬ àº Ĺ à¼ » Ñ º ਠª á´ ³ ðĿIJ Ī à» Ģ á´ ¿ âĤ į âĩ ¡ ⼠ª ðĿIJ Ĥ ðĿĴ ķ ðŁ IJľ Ê į Ñ ± འĥ ë® IJ ìĽ ¡ ìľ ģ ðĿIJ ¿ ðĿķ ł ðŁij Ľ Æ ª Ï º Ó ¬ Ù ¿ Ý £ ઠī à® ¹ འij áĨ ¯ áµ ĩ âĩ ¥ âı ª âĻ ° âļ Ń âļ ¾ ãħ Ħ êĢ ° ê° Ĺ ê² ĭ ê² » ê¶ ľ ê¼ ĩ ê½ ¹ ëĤ Ł ëħ Ī ëĭ ¢ ë§ Ł ëª Ĩ ëµ Ģ ì½ ± íĩ ĺ íľ ľ ï§ ¾ ï± µ ï² ¢ ï² ¤ ðĿĴ Ĭ ðĿĺ ¯ ðŁį Ĺ ðŁı į ðŁIJ ĺ ðŁĵ ¡ ðŁĶ ŀ ðŁ¤ ³ ðŁ¥ ģ ðŁ¥ Ĺ ðŁ¦ Ĭ Ä µ Æ ¦ Ç µ É ¯ Î ı Õ Ħ Ü ¥ འģ ᨠł âķ « ãİ ī ë· ´ ìĨ İ ìİ Į ì£ µ íĽ ł ï§ ª ï³ ı ï» º ðĿij ģ ðĿij ĩ ðĿĴ Ĩ ðŁİ ł ðŁIJ Ķ ðŁij Ł Å ĸ ठĮ á¾ ½ ê¦ Ĵ à® Ł á´ ± ðŁı ° ðŁIJ ŀ འĢ áĢ ħ âĬ ¿ ðŁIJ § ἠģ â¼ Ī âĶ ¿ ðŁ¥ ´ â¼ ¿ ðŁ§ ľ ãħ ¿ âĦ « ãĢ ³ ãĬ Ļ â¼ Ģ ï ¦¬ ðŁı ¬ ðŁĵ » áĬ Ľ áĦ ħ ຠĬ ຠĽ áħ ³ ðŁij ® à® ± âĺ ĩ ðĿIJ ı à´ µ à» ģ འı འ¢ ᥠ± âĤ £ ï¥ ¦ ïŃ Ļ ï´ © ï¹ Ĥ ðŁį £ ðŁķ ¹ Ï ĸ ච¸ ຠ¢ áĭ Ń âİ Ŀ âĹ Ŀ âĻ Ī âĻ İ ê½ ¥ ì³ Ķ ì¼ ij ï± ° ðĿij ĥ ðŁĮ ª ðŁį ¡ Å İ Ê ¦ Ñ § Ó İ Ô ´ Ú Ī ß ĵ ß § ठĶ áĪ « áĪ µ áĹ © á´ ł á¼ ł âĢ Ĺ âģ ij âĦ ı âĸ ĩ â² £ ãĦ ³ ãī ® ê³ Ĺ ëĦ Ĵ ëĸ « ë¡ Ħ ë¹ ° ë½ ģ ìĦ ģ ìĮ ĺ ìŁ Į ì³ ī ì¼ ķ ï¬ » ï³ İ ï¹ ¸ ï¹ ¾ ðĿIJ Ĩ ðĿij · ðĿĽ ¼ ðŁİ ı ðŁİ ŀ ðŁIJ Ļ ðŁij Ĥ ðŁĵ ģ ðŁĸ ± ðŁļ į ðŁļ § ðŁĽ ¡ ðŁ¤ Ĵ ðŁ¥ ŀ ðŁ¥ © ðŁ¦ Ģ ðŁ¦ ĸ Ë ¢ Ü ļ à® µ áĢ ģ áī ° âı Ń âĻ ¿ ê³ ĺ ëı Ŀ ëķ ĥ ìħ Į ìĴ ¸ ìĽ Ł íħ Ħ íľ « ï§ ĺ ï¿ ¬ ðŁı · ðŁĶ § ðŁ¥ Ī Æ ĸ áŀ ĩ áŀ ĸ âģ º âĹ ľ âŀ © ê¦ Ń ëĻ ¤ ïŃ ¼ ðĿĻ ĸ ðĿĻ £ ðĿĻ ¤ ðŁĮ Ŀ ðŁĶ ij ðŁĽ ł ຠĩ âĺ £ ãĦ ¨ ðĿĸ Ĺ Ó ĵ âĨ £ ðŁ¥ ī ðŁĮ ł ðŁĺ ½ ãİ ł Å § ðŁIJ Ĵ ï§ IJ ðŁĺ ¿ âĪ ¬ ðŁIJ ® ⣠± ಠ¡ â¾ ¼ à° ² Ë ¶ âĸ ¿ Õ Ī áŀ İ áħ ¥ áŀ Ĺ Õ § ðŁ¤ IJ ðŁį ł ঠ¤ චº âĻ į ìĺ Ļ íĺ ĵ ï¹ º ðŁĽ ³ Å ī á´ İ âı ľ âĶ ³ ê¸ · ì¡ Ķ ðĿĴ Ī ðĿĴ į ðĿĴ ¹ ðĿĵ ĩ ðĿķ Ł ðĿĹ ¹ ðŁĮ ħ ðŁı ´ Ä Ķ Ä ¤ Å µ Ç ¾ Ï ŀ Ï ¶ Ô ³ Ü Ĩ ß © à¡ Ĵ ठĺ චļ འĸ áģ Ĭ áĥ ŀ áĦ Ĥ áĭ « á´ º Ḡ£ Ḡª á¹ Ĥ á¼ · á¿ ĩ âĩ Į âı ¬ âĻ Į â® Ł â´ » âµ Ł ê¦ ķ ê¦ ª ê¦ ® ê² Ħ ê¾ IJ ëĥ ij ëķ ĭ ë¡ ¸ ë¬ Ģ ìĩ ¤ ìĪ © ìľ ķ ìŃ ĺ ì· ° ì ·¸ íľ Ģ ï¤ £ ï§ į ï± Ħ ï³ ij ðĿIJ ¤ ðĿĴ ĵ ðĿĴ ¶ ðĿĹ ¼ ðĿĻ Ĭ ðŁĩ ¾ ðŁĮ Ľ ðŁĮ ® ðŁİ ĩ ðŁİ ² ðŁı Ľ ðŁij ¥ ðŁij ´ ðŁĴ Ĩ ðŁĵ Ĥ ðŁĵ § ðŁķ IJ ðŁĸ ķ ðŁĺ § ðŁĻ Ģ ðŁļ Ĵ ðŁĽ « ðŁ¤ ł ðŁ¥ ļ ðŁ¥ Ľ ðŁ¥ £ Ç ¯ È § Î Ĭ Ò ² × ° Û ij áĥ © áĦ Į áĪ į áī ¥ áı Ĥ âģ ± âĬ ¢ âĹ ĵ âĿ ° ë¿ ¡ ìĽ © íģ Ń íĨ ³ íĬ Ħ íĵ ¸ ï¥ £ ï¥ ´ ï± IJ ï± ¯ ï³ ļ ðĿĸ ĺ ðĿĺ Ģ ðŁIJ Ĭ ðŁIJ Į ðŁij ļ ðŁĵ ĥ ðŁļ Ľ ðŁļ ª ðŁ¤ ° Ä ´ áĥ ® áĹ ¨ âĻ ® â² ŀ ãĪ Ķ ì ħį ãħ ĥ ï¥ ¡ ຠ¡ Õ İ Õ º ⬠Ľ â½ ¤ ðĿIJ ² âŀ µ áĢ Ľ âĶ ħ âĨ Ł â¼ Ĭ ðŁĮ ½ ðŁļ ¿ ï¦ Ĭ ãĦ £ ⼠© ï© Ľ ðŁį ± â¾ ¨ à´ ¤ áŀ ģ ຠŀ Ê ļ ðĿIJ Ĵ à´ ± áŀ ľ à® © à° Ĺ à´ ļ âĩ £ ï¦ ķ Õ ħ Æ ĺ âĤ ¦ âĶ Ħ ï¦ Ł ï¦ « ðĿIJ ģ ðĿIJ ĥ ðŁį ¸ ðŁIJ ² Å ¶ É ĸ ß ĺ ภ¦ འĶ áĨ · âģ ķ âĵ Ĥ âĿ ľ ï¥ ¥ ï¬ ® ðĿĹ Ŀ ðĿĹ ¿ ðŁİ ¾ ðŁĹ Ŀ ðŁ¦ Į Æ ħ Ç ª Ò Ĺ Ü Ľ ß ł à¡ ij áī £ áĬ Ń á¹ ¡ âŀ ¼ âŀ ¾ â´ ± ãī ¡ ê³ ¯ ë½ Ī ìĤ ĺ ìī ij ì «ĺ íĮ ĥ íĻ ° ï¤ Ĺ ðŁĮ ¬ ðŁĮ ° ðŁį ¤ Ä » Å ĩ Æ ¨ É ķ Ò ¢ Ò º Ö į × ± Ú ± Ú ½ Û IJ ठĽ à· Ģ ๠ļ ຠ« á´ ¹ á ½Ķ á¾ ³ âĤ Ĵ âĨ ´ âĩ Ŀ âī ħ â Į¨ âĵ ĵ âĸ ¢ âļ ¬ âŀ Ń â² Ĵ ãİ ¿ ê¿ ´ ëĪ ± ëį ¬ ëİ IJ ëIJ « ëĶ « ë± ģ ìĥ ¥ íĮ ¼ ïŃ ĵ ï® ¥ ï² ° ðĿIJ ĩ ðĿIJ ij ðĿij Į ðĿĵ ª ðĿķ ļ ðĿĺ ª ðĿĺ ¼ ðĿļ Ľ ðŁĩ ¶ ðŁĮ Ħ ðŁĮ ķ ðŁĮ ¤ ðŁĮ § ðŁį ¬ ðŁİ ĭ ðŁİ » ðŁı ¨ ðŁIJ ĩ ðŁij ĵ ðŁĵ IJ ðŁĵ Ļ ðŁĶ ¼ ðŁķ Ĵ ðŁĸ ı ðŁĸ ¥ ðŁ¤ ¬ ðŁ¥ Ĭ ðŁ¥ Ĵ ß Į ຠĦ á¼ µ âķ ¡ â² ¤ â´ ¼ âµ ¢ ãĪ ¯ ëĵ ¸ ëŁ ĩ ëº į ðĿĻ § ðŁį Ī ðŁĶ ¬ ðŁĸ Ĭ ðŁ¤ ¾ Ë ¡ Ü © âĮ ¡ âŃ ij â² ¦ ë© ī ì¼ Ń ï¿ ¤ ðĿĴ İ ðĿĹ ¥ ðŁIJ µ ðŁķ ¶ ðŁķ ¸ ðŁ¤ ľ Õ ª áĪ ĭ ðŁ¥ µ ï° ģ áµ IJ âķ ĵ áĢ ĸ âĭ Ī É ŀ âŀ ® ॠ° ãĨ ģ ðŁĴ ± ðŁı Ń áĨ ¨ ðŁį ļ ðŁ¦ IJ á´ » âĺ Į à´ ķ Õ ± áħ ® ðĿIJ Į Å ¦ ຠķ âľ Ļ Ë ³ Ô µ âķ Ĵ ðĿĹ Ĺ ðĿĹ ł Ú ļ ঠ§ âĨ Ŀ âĻ ī ãĮ » ì¹ Ĭ ðĿĹ º ðŁ§ ĺ ì³ £ ï¬ Ŀ ðŁij º Ç Ł Î Ī Î « Ñ ¥ Ô ² Õ ¨ Ü ¦ ঠĨ ঠ¥ áIJ ¢ á¼ ģ á¼ ĺ á¼ ¦ âĵ Ŀ ãĪ ° ãİ Ĺ ê² ¡ ë¨ Ģ ì£ Ķ ì´ ¤ ìµ Ŀ ï§ ´ ïŃ Ĭ ï² Ł ðĿIJ · ðĿij ĭ ðĿĵ ī ðĿĺ µ ðŁĴ · ðŁĽ © ðŁ§ ¹ Å Ķ Ê ŀ Ë ¥ Î Į Ñ © Ó IJ Ó ł Ú ij Ú Ĵ ß ¨ ઠĪ áIJ ĥ á¹ ¯ âĤ ĭ âĤ µ âĦ ħ âĦ ł âĪ £ âī º âī » âĬ Ľ âĮ IJ âİ ĵ âĺ ¸ âĻ Ĵ âļ Ĵ âľ ĩ âľ ł â´ · âµ ĸ ãĦ ¸ ãī ¢ ãī ° êĩ ´ ê´ ¸ êº ł ëĤ ı ëĤ ¢ ëIJ Ģ ëº ´ ìĥ ľ ìį ħ ì¤ « ì± ¦ ìº ij ì¼ ģ ì¿ ³ íĤ ģ íħ ¡ íĴ Ĥ íĴ ī íľ Ħ ïŃ ª ï® ¬ ï¯ ¦ ï± ª ï² ı ï ´Ģ ï» Ĩ ï¿ ¦ ðĿij Ĺ ðĿĸ Ļ ðŁĮ ¡ ðŁį Ŀ ðŁį § ðŁİ « ðŁı ĺ ðŁı ª ðŁIJ ĭ ðŁIJ Ľ ðŁIJ º ðŁij ĸ ðŁij ŀ ðŁij · ðŁĵ Ģ ðŁ ĶĦ ðŁĶ Į ðŁķ Ļ ðŁĻ į ðŁĻ İ ðŁ¦ į Ç ° É Ł Ê Ĩ Ô ¼ Ú ľ ঠ¡ ঠ¶ áĴ ĥ á¼ © âĵ ķ â² Ī ê° ° ê¹ ł êº ħ ëĦ ¹ ë¯ ĵ íIJ Ī ï§ ¶ ï® ij ï² ¨ ðĿĴ ī ðĿĴ Ķ ðĿĹ ¨ ðĿĻ ŀ ðĿļ Ĵ ðĿļ ķ ðŁIJ İ ðŁ¤ ķ ðŁ§ Ķ Ï ° Ô Ŀ âĮ Ĭ âĴ ¾ ãī £ ïŃ © ðĿļ ŀ Ê ij ঠ¦ áĦ ĩ âī ĥ â² Ģ ìŁ İ ðĿij ¶ ðĿĵ ² ðŁ İ· ðŁļ ¹ ຠģ áł ł ãĦ ļ ðŁIJ ¿ ἠļ âķ ³ ðŁIJ Ń âĴ ¹ ðĿĸ ļ âĻ ĸ ãĪ ² âĨ ¾ áĦ Ĩ âķ Ľ ðŁ¤ į â½ ¥ ðŁ Į¨ âĪ ® ãĮ ĺ ãį ij ï¹ Ģ âĵ Ĺ âĬ Ħ ðŁı ¹ Ë Ĵ ðŁ¤ ± ãı ľ ðŁİ Į ï¥ Ń à¦ £ ðŁİ ¹ ãĬ Ł à´ ° ðĿIJ Ķ à´ ¨ འļ âľ º Õ · ðŁij ³ ঠľ âĺ ĭ âĻ Ĭ ãĢ Ľ È ĭ à® ° áĥ ¨ âĦ ķ íij Ģ ðĿĵ ĥ ðŁ¦ Ķ Ä ¿ Å Ģ Æ ³ É ļ Ö ĥ Ü £ ß Ł à¦ Ń à§ ¡ ච» ຠ£ འĩ Ḡ¨ á½ Ī â½ ¬ ê¡ Ķ ì³ Ħ ï¨ ī ðĿIJ ¡ ðĿĺ ¢ ðŁį ¿ ðŁİ Ł ðŁı ī ðŁĶ IJ ðŁļ ħ ðŁ¤ ½ Æ į Ç « Ç ½ È ļ Î ī Ó ¤ Ó ª Õ Ĭ Ù ¼ Ú ´ ß Ŀ චľ á¼ ķ á¿ ¥ âİ ŀ ãĢ ļ ãī ¤ ê³ ¸ ê· ģ ëĵ Ħ ëĵ ķ ì¨ Ķ ì± ¨ ðĿIJ ¾ ðĿij » ðĿĶ ¼ ðĿķ Ŀ ðĿĺ Ń ðŁĨ Ļ ðŁĵ ¤ ðŁĶ Ł ðŁĹ ¼ Ä ľ Æ ģ Æ ¿ Ç ³ Ç · É ĥ É ł Ê ī Ê § Ë ² Ï ´ Õ ģ Õ ŀ Ö ĩ Û Ĥ Û ĵ ß Ĺ ß ¦ ঠ¹ à® ³ à´ ¸ à» Ĥ áĪ Ŀ áĪ ª áĭ µ áIJ Ĭ áĴ ª áļ ĸ áŀ Ľ á´ ¢ áµ ı áµ Ń á¶ « Ḡı ẠĴ á¼ ¥ á½ ķ á½ ¼ âĤ Ĭ âĦ Ĥ âĦ © âĩ ī âī £ âĮ ł âİ Ł âı ® âķ ĺ âĹ ĸ âĺ © âĻ ij âĻ ² âļ Ľ ãĦ Ł ãī ± ãİ ļ ê¡ ķ êª ĸ ê° ¹ ê² Ĩ êµ Ħ ëĩ ¬ ëĭ ¯ ëı ł ëĴ ¬ ëĸ Ī ëĸ ½ ëĺ Ķ ëŀ ¸ ë¸ ħ ë» ł ë¿ Ł ìĤ µ ìĬ ī ìľ ° ìł ĭ ìł Ķ ì¥ ¡ ìŃ Ŀ ì¼ ¬ íĪ ĩ íī ľ íį Ħ íĽ ¾ íĿ £ ï¤ © ï¤ ¯ ï¦ ľ ï¦ § ï§ ľ ï¨ Ī ï¬ ª ï ¬´ ïŃ ½ ï® ī ï¯ ŀ ï° Ĵ ï± ĩ ï¿ Ħ ðĿIJ ħ ðĿij Ħ ðĿij º ðĿĴ Ĺ ðĿĵ ® ðĿķ Ľ ðĿķ ŀ ðĿĸ ij ðĿĺ ģ ðĿĺ Ĩ ðĿĺ ¶ ðĿĻ ¢ ðĿļ ľ ðŁĮ ĥ ðŁĮ ¦ ðŁį Ł ðŁİ İ ðŁı Ļ ðŁIJ © ðŁIJ « ðŁIJ ´ ðŁij Ķ ðŁĵ ī ðŁĵ Ľ ðŁĶ ī ðŁĸ ¼ ðŁĹ ĥ ðŁĹ ¯ ðŁļ ĩ ðŁļ IJ ðŁļ µ ðŁ¤ ¶ ðŁ¥ ĭ ðŁ¥ ĵ ðŁ¥ ® ðŁ¦ İ ðŁ¦ ł ðŁ§ Ĵ ðŁ§ ¨ Æ IJ Ç į Ó Ģ Ô Ľ ಠ° à´ Ļ áĢ Ĵ ê² Ŀ ê¹ ¹ ë© ¥ ìĸ Ķ ï¤ ģ ï¤ ı ï¦ ī ï¦ ĵ ï§ ī ï² Ŀ ðĿĹ ŀ ðĿĹ ± ðŁĮ ĭ ðŁį ¶ ঠļ ìķ ľ ðĿIJ ¯ ðĿļ Ŀ à° ¨ འĺ འł á¡ ¥ á¾ ° âģ į âĶ ° ⬠ľ ðĿIJ ł ðĿij ¯ ðĿĹ Ľ ðĿĵ » ðĿĸ Ī âŀ » áŀ ł â¡ ± â» ij ðŁ§ µ ï¦ ¢ ðŁij ĺ ãĤ Ķ â¼ Ł ãĬ ¤ ï¦ Ŀ ãĮ ¦ âĢ ¸ ðŁĶ Ļ ã ¹ ã¹ ¦ ï¹ ħ ï© Į ãī ¨ ï¸ ½ âį ¥ ðŁļ ī ðŁ¥ ľ âĵ ľ â» Ŀ ï¨ ľ ðŁĴ Ĵ áĦ ij â¾ ŀ ï¨ ģ à´ ª áĦ İ âŀ ´ ঠ· áħ ¬ áŀ § âĨ ¢ âķ ¦ âľ ij Ë ¬ Õ IJ ༠Ķ Ê ¤ Ë ¨ ठŀ à» ĥ ༠ļ âĵ ¥ âķ ľ ðŁIJ ĸ á¼ Ļ á¼ ¤ ìĨ ° È Ĥ Ê ± à® ļ áĥ § á´ ĭ á´ ® âĿ ¡ âŀ · ëĿ ¡ ï§ ¢ ï¯ ¡ ðĿķ ķ ðŁħ ° ðŁ¦ ¸ Ç ¸ Ó ŀ Ô ¶ Ö Ĩ Ú ģ Û ĭ áİ ¥ á¾ ¿ âĶ Ń âĶ ® êĢ Ģ ê± ĺ ëIJ Ń ë½ Ħ ìĶ IJ ì¸ Į íģ ł íĻ ± ï¥ ī ï¨ ĸ ðĿij ´ ðĿĸ Ĵ ðĿĺ ¨ ðĿ ļĮ ðŁIJ ¡ ðŁij ¢ ðŁĵ Ķ Å ħ Æ İ È © Ò ª Ô ĥ áĥ « Ḡĩ ⼠Ł ê» Ń ë¨ Ħ ìŁ Ģ ì¤ ´ íļ IJ ï¤ ³ ðŁŁ ¢ Æ § È ¼ Ê Ŀ Ë Ħ Ë ħ Ë į Ë § Ò ¥ Õ Ķ Ø ı Ø ¼ ß IJ ß ľ ठĵ ঠĻ à® ĵ ච´ ༠į ༠Ĵ འ£ áĢ Ĥ áĢ Ĭ áĦ Ħ á Īĺ áĭ Ĭ áĮ į áij ĭ áŀ Ĥ áł ¢ á¡ Ŀ á´ ¦ áµ į áµ ¨ Ḡ¡ Ḡ¯ á¼ £ âģ Ĥ âĦ ĺ âĦ ľ âĦ ³ âĦ µ âĨ ¦ âĩ Ĩ âĪ · âĬ ļ âĮ « âĮ ¯ âİ Ľ âİ ľ âİ ¤ âİ ¦ âİ ® âij ī âĶ ī âķ Ļ âĸ Ĥ âĹ Ń âĺ Ĭ âĺ į âĺ Ĵ âļ Ĩ ⼠§ ⼠² âŀ ĺ ⥠Ħ â´ ³ â´ ½ âµ Ī ãī ¯ ãİ ij 㧠¬ êĻ ¬ ê§ ģ ê³ ¬ ê´ ŀ ê» ľ ëħ ĵ ëĭ ¼ ëį ĸ ëĸ ± ëĿ ° ë¡ ¹ ë¢ ´ ë£ Ģ ë¤ ł ë¨ ķ ëŃ ¥ ìĦ ¶ ìħ ¤ ìĮ ķ ìį ª ìı © ìĴ Ģ ìĶ ¯ ìĿ Ķ ìĿ ľ ìł Ń ì§ ¦ ì¨ © ì² ¬ ì³ ¥ ì¼ ¯ íĢ « íĢ Ń íĥ ¸ íĵ ģ íķ ¬ íĹ ¸ íĽ ķ íľ Ń íĿ Ĺ ï¤ Į ï¤ ª ï§ ¿ ï¬ Ħ ï¬ ħ ïŃ ij ïŃ « ïŃ º ï® Ĥ ï® ¢ ï® ¨ ï° İ ï° ł ï² £ ï³ IJ ï³ Ĵ ï³ ĺ ï³ ľ ï¹ ¼ ï¿ ¨ ðĿIJ © ðĿĴ ļ ðĿķ Ķ ðĿķ ¤ ðĿĸ Į ðĿĹ £ ðĿĹ ° ðĿĹ ´ ðĿĺ Ĥ ðĿĺ ¥ ðĿĺ ® ðĿĺ ¸ ðĿĻ Ģ ðĿĽ ¾ ðĿľ ı ðŁĮ ģ ðŁĮ ľ ðŁĮ ¥ ðŁĮ ¯ ðŁį IJ ðŁİ Ĵ ðŁı Ķ ðŁı ķ ðŁı ® ðŁIJ Ĥ ðŁIJ ī ðŁIJ ¹ ðŁĶ ķ ðŁĶ ļ ðŁķ ij ðŁķ £ ðŁĹ ŀ ðŁĹ ¡ ðŁĹ ¿ ðŁļ Ĩ ðŁļ Ĭ ðŁļ ĵ ðŁļ ķ ðŁļ ¾ ðŁĽ ģ ðŁĽ İ ðŁĽ ı ðŁ¤ ´ ðŁ¥ ķ ðŁ¥ ĸ ðŁ¥ ł ðŁ¥ ¥ ðŁ¦ Ĩ ðŁ¦ ī ðŁ¦ ļ ðŁ§ ij ðŁ§ ¥ ðŁ§ ¿ Å ° Æ º É § ઠĩ à® £ áĪ Ī áĬ ¤ áĭ ® áĮ Ī áĮ µ ᥠ² âĵ Ł êĻ ³ ê° Ĭ ëķ ģ ëķ ¨ ìĬ ģ ï¦ µ ï¬ ² ðĿĸ į ðĿĺ Į ðĿĺ ³ ðĿĻ © ðŁį Ļ ðŁĸ ĸ áī ³ áĭ ¨ áĸ ĩ áŀ Į á¹ § âķ ª âŀ ļ â² ĺ ê ķ êķ ¥ ï¤ · ï® £ ï¯ ł ðĿĴ ĸ ðĿķ ĺ ðĿĸ ĩ ðĿĹ Ł ðĿĹ ª ðĿĹ ¯ ðĿĻ ł ðŁĵ ı à¦ Ĺ âĴ » â² ł ðĿĵ µ Ê £ à° ľ áĬ ¢ áŀ IJ Ḡ· âĦ Ľ âĩ Ģ âĩ Ĭ êĴ ¦ ê¦ ł ï® ¤ ðŁį Ľ ðŁ¤ Ľ ᨠ¾ âŀ º áķ ¯ ἠı âĩ Ĥ âĶ ¹ âĻ Ĺ ðŁĸ ¨ ê¦ ı ઠ° áļ ¨ ðŁ¤ ¥ ðŁ§ ¢ ãIJ Ĥ ãĦ ¥ ðŁĸ Į â¼ Ĵ ãĬ § âį © ðŁ¦ ij âĶ · ï© IJ ï© ¡ ðĵ Ī ðĵĪ Ĵ â» Ħ ï¨ Ĵ âĦ ª Ò § Ú Į âĢ ¶ ⺠ł â» ģ âĨ ¸ áĦ IJ ãħ IJ à» Ħ áĹ ª âĨ ¼ âĩ ĭ âĩ ĺ âĮ ij âĸ © ðĿIJ Ĺ Ä Ĭ ঠī ìī ł É ¤ ß į ß ı áµ Ĺ âĤ ¥ âĵ ī âĶ ł âĶ ¨ âķ Ħ ä ¤ ä¤ Ģ ê» ¸ ï® ģ ðĵ Ĥ ðĵĤ ĥ ðŁ¦ ķ Æ Ľ ঠĩ ãı ĺ ï® ¼ Ú ĵ Ú Ŀ ঠĵ ච¯ á´ ħ á½ Ļ âģ ¼ âĸ İ â¼ © ä Ķ äĶ Ģ ë» ¡ ìĽ ½ íģ Ħ ï¥ ¼ ï± ī ï¹ » ðĿĸ ĭ ðĿĻ Ī ðĿĻ ª ðĿ Ļ¶ ðŁIJ Ħ ðŁIJ Ĩ áİ ¢ ḠĮ âĿ ´ ðŁı ¸ È Ŀ É ¸ Î ħ Ï ľ Ó ¢ Õ ¹ à´ ħ ຠĪ áĭ ° áij İ áł µ á¡ ł á´ ī Ḡµ á¿ ´ âĵ £ âĶ ¶ â½ ¯ ê² ¥ ê¿ ĺ ëģ İ ëİ Ī ëĶ ¯ ë² ° ìĺ ¯ ìĽ ¸ ìŀ Ĺ ì§ ĺ ì¬ ¬ ì· ¬ íģ ħ íĵ Ķ íĽ Ŀ ï¤ ® ï¤ ¹ ï¥ ² ï¯ ĸ ðĿĵ ħ ðĿĻ Ħ ðŁĵ ¶ ðŁĹ Ĵ ðŁ¥ Ķ ðŁ¥ Ń Å ® Å ´ Æ ī Æ « Ç ģ Ç £ Ç º Ç ¼ È į È ¯ É ľ Ê ¬ Ë ģ Ë ¤ Ë µ Ï Ľ Ò ¤ Ò ¬ Ó ı Ó Ľ Ó ¡ Ó ³ Ô Į Ô ¬ Õ ³ Ù » Ú ī Ú § Ü ľ ß ª ठĿ ঠĽ ਠĨ ઠķ ઠ¡ à® İ à° ¬ ൠ» ൠ¼ චł à¶ Ń à¶ ¶ à· Ĩ ༠½ áĢ ļ áħ ¢ áĨ ¸ áĪ Ģ áĪ ķ áĪ ° áī ¡ áī ¤ áĬ ¦ áĬ « áĭ ĭ áĭ į áİ ¯ áij Ń áķ ŠᣠĽ ᥠĴ á© ī áŃ º á´ ¡ áµ ĺ áµ Ľ ᶠł Ḡģ Ḡĭ á¹ Ļ á¹ Ŀ á¹ ¦ Ạħ á¼ Ĥ á½ ĥ á½ į á½ § á¾ · âĢ µ âĤ İ âĦ Ŀ âħ Ģ âĨ ŀ âĨ § âĩ ħ âĪ ĥ âī ı âī ½ âĬ ŀ âĬ ¡ âĬ § â Ĭ¶ âĭ Ħ âİ Ĵ âİ ¡ âİ £ âİ ª âı İ âĵ ĥ âĵ ĸ âĵ ¨ âķ ĭ âķ ĸ âķ ¢ âķ ² âĸ Ĩ âĸ Ĭ âĸ į âĸ ® âĺ ¡ âĺ ¦ âĺ ± âĺ ¿ âĻ ĺ âĻ Ŀ âļ ° ⼠ij âŀ ª ⤠Ŀ ⤠¢ ⤠· ⧠« â¨ Ń â¨ ¯ â± £ â² İ âµ Ľ ãħ Ķ ãĪ ı ãī ² ãī ³ ãĬ ij ãĭ Ľ ãİ IJ ê² ¤ ê· ¿ ê¹ ŀ ê» ¨ ê¼ į ê¿ ¸ ëĥ ¬ ëĩ IJ ëĭ ł ëį ¯ ëĹ Į ëĹ ij ë¥ Ģ ëª ĥ ëª ¯ ë± ¡ ë³ ĵ ë³ ½ ë µľ ìĤ ³ ìħ ¥ ìĩ ½ ìı ¨ ìı ¸ ìķ į ìĸ ĸ ìŁ ¨ ì¢ ĥ ì¢ į ì¥ ij ì§ ¼ ì© ĥ ì® ľ ì® ¸ ì³ ij ì´ ¥ ì¾ ĥ íħ ¦ íĪ ¿ íĵ ½ íķ ³ íĸ ı íĹ ł íĿ « ï¤ ĵ ï¤ ĺ ï¥ İ ï¥ ¶ ï¦ ħ ï¦ ½ ï§ ĩ ï¬ Ĩ ï¬ ³ ï® ĩ ï® Ī ï® Ŀ ï® © ï® ± ï¯ ĺ ï¯ Ļ ï¯ ¢ ï¯ £ ï¯ ¤ ï¯ ¥ ï± Ĥ ï² Ĩ ï² ª ï´ ¼ ïº ī ïº Ĭ ïº ¥ ðĿij ¨ ðĿij © ðĿij ² ðĿ ĴĮ ðĿĴ ª ðĿĴ ® ðĿĵ Ĥ ðĿĵ Ī ðĿĵ ¯ ðĿĶ ¨ ðĿķ Ģ ðĿķ Ĩ ðĿķ ¦ ðĿķ § ðĿķ « ðĿķ · ðĿĹ µ ðĿĹ ¸ ðĿĺ Ħ ðĿĺ Ļ ðĿĺ ł ðĿĺ ¬ ðĿĻ į ðĿĻ ij ðĿĻ ¡ ðĿ Ļ¨ ðĿĻ · ðĿļ į ðĿĽ ¿ ðŁ ĥ ðŁĥ ı ðŁħ ĺ ðŁ ī ðŁī ij ðŁİ ¡ ðŁİ ª ðŁİ ± ðŁİ ³ ðŁİ º ðŁı İ ðŁı Ĺ ðŁı ļ ðŁı ŀ ðŁı ¦ ðŁı § ðŁIJ ģ ðŁIJ ħ ðŁIJ ĵ ðŁĴ Ĥ ðŁĵ ij ðŁĵ ĵ ðŁĵ ¨ ðŁĵ « ðŁĶ ĭ ðŁĶ Ń ðŁĶ ¯ ðŁķ Ĺ ðŁļ Ĥ ðŁļ ¢ ðŁļ ¦ ðŁļ ¬ ðŁĽ ĭ ðŁĽ Į ðŁĽ ¬ ðŁĽ ¶ ðŁŁ ¡ ðŁ¥ ĺ ðŁ¥ Ł ðŁ¥ ¦ ðŁ¦ ĩ ðŁ¦ Ī ðŁ§ Ĭ ðŁ§ Ĺ ðŁ§ ¤ Ê · Ë ¹ á¹ ļ á½ ¥ âĦ Ł ê² ¯ ê» « ë° · ìĥ Ĩ ìĽ Ŀ ì¨ ī ì« ı ï¯ ķ ðĿľ ĭ É ² Ò Ń Ó Ī འĽ áĭ ĵ áĻ Ń áł © á¹ ® âĦ Ĵ âĨ » âµ ĥ ëĢ ¨ ëł § ìī ¥ ìĮ ľ ìĹ ¶ ì¨ Ī ìª ¾ íı ½ íļ Ķ íĽ µ ï¤ ¸ ï¦ IJ ï§ Ĺ ï§ ļ ï¬ ¯ ðĿIJ Ĭ ðĿķ Ĺ ðĿĹ ļ ðĿļ ĸ ðŁħ ´ È ĥ É Ŀ Ï ± Ó Ĺ à¤ ¢ áħ ł áī ¦ áij Į áĴ ¼ áŀ ¡ áł ¨ áł Ń á¨ ħ ᨠĶ á´ ĺ ᶠ¦ á¸ İ á¼ ħ á¼ ¹ âĨ ¯ âĵ İ ãı Į ê ī êī Ĥ ëĨ § ëĿ ± ì¢ ¡ íĪ ½ ï¤ ĩ ï¤ Ľ ðĿIJ ķ ðĿĵ ¸ ðĿĵ ¼ ðĿĹ ķ ðĿĺ Ī ðŁı £ ðŁı ¤ ðŁĹ Ħ Ñ · Ò ł áµ ĸ á¼ ¨ ë¬ Ħ ï° ´ âĪ ½ Õ Ń Ú ¹ ॠŁ áĢ Ĩ áŀ Ĵ ãĢ ¶ ê¦ « ï¸ ĵ ðĿIJ Ľ ðĿĺ Ĺ ðŁı ľ ì« Ń ðŁ§ ŀ འĤ âĨ ¿ âĩ ı âĵ ģ âĶ § âķ ģ âķ ¤ ê¦ Ĺ ê¦ ¤ ðŁı Ī áŀ ķ Ô ½ àª Ĺ à¬ Ĩ âķ ķ ï½ ł â¼ ¦ â¼ ¯ â¾ · âĶ ĸ ଠĵ âĺ Ĺ âį ĭ ï¨ Ŀ â¼ ¥ ï¦ ª âĦ Ĭ ãĢ ´ âį ¢ ð¡ Ī ð¡Ī ½ ï© ¨ ãĢ » ãı ĥ ï¦ ¡ ï¨ ĺ ðŁIJ ĥ ðŁĨ ĸ ðŁĹ ¾ ãĦ ĩ Þ ĭ â¼ ¼ ï¨ Ń Þ Ģ Þ Ħ Þ Ī Þ IJ âĮ Ħ â» ĺ ãŁ ¢ á ħ§ ðIJĮ ¿ Ë » à² Ĺ áĢ ĩ áŀ Ĭ âķ ĩ ãĩ ¼ ãİ ° Õ Ĵ Ü Ī ß ¥ à¿ IJ áĢ Ł âĨ ¥ âķ Į â½ Ģ â½ ° â¾ Ĭ ä Ħ äĦ Ģ ðĵ IJ ðĵIJ į ðŁİ ¦ âĤ ¯ âĬ ĺ âĦ į Ê µ Ñ ¶ Ú ĥ ঠĶ à´ ¦ áİ ¶ áĵ ķ á¹ ¨ âĤ ł âĩ ° âĹ Ĵ â¿ Ĭ ê· ± ì¹ ķ íĪ © ïŃ Ģ ðĿĴ ¸ ðĿĵ Ĭ ðĿĺ © Ç ¦ É « áĬ ¨ È ¹ Ê ¯ Î ª Ú Ģ áĮ ¸ áİ » áı ķ áı ´ á² Ĥ á½ ¨ âı Ŀ âĺ Ļ ëĥ ¨ ëĦ ¼ ëĪ Ļ ë£ ħ ìĶ ¼ ìķ Ŀ ìļ ¬ ìľ ± ï¥ Ĥ ï¦ ¹ ï¬ ¹ ïŃ ģ ï³ Ī ðĿĶ ħ ðĿĺ ¤ ðĿĻ ı ðĿĻ Ļ ðŁķ ī ðŁ§ Ļ Ḡij ê´ ¼ ëģ į ëĹ ´ ëĿ ³ ë° ŀ ë° ¢ ëµ ĺ ìĤ Ķ ìĦ Ħ ì¼ ļ íĢ ł íĬ ± íĮ ĸ ï¤ ij ï¦ ´ ï¦ ¸ ï´ į ðĿĺ · Ä ¬ Å ¬ Æ Ģ Æ ĭ Æ ľ Ç ij Ç ĺ Ç ŀ Ç ¥ Ç ® É ° É ¶ É · É ½ Ê Ī Ê IJ Ë İ Ë Ł Ë ¦ Ë ¯ Ï IJ Ï ĵ Ï ¢ Ï ¤ Ï ª Ï Ń Ï ® Ï » Ñ ł Ñ Ń Ò ¨ Ó Ŀ Ô ¡ Ô · Õ ī Õ ĵ Õ ĸ Õ ļ Õ Ŀ Ö İ Ø ¿ Ú ħ Ú į Ú Ķ Û Ĭ Û ¾ Ü Ļ Ý Ĵ Ý ĺ ß Ĵ ß ĸ ठĬ ठIJ ঠı ঠĸ ৠŁ ઠ® ઠ¹ à® ħ à® Ĩ à° ¡ à° ° ಠļ ಠ® ಠ¯ à´ Ł à´ · ൠ¾ චij චŀ ༠¼ འĵ áĢ ĵ áĤ ¦ áĥ ĸ áĥ Ń áĥ ¯ áħ ¨ áħ ª áĨ ° áĪ ģ áĪ İ áĪ ĵ áĪ ¥ áĪ ² áĪ ´ áĪ » áī ł áī ² áī ¶ áĬ £ áĬ ¥ áĬ ª áĭ ĺ áĭ ² áĭ ¶ áĮ £ áį ¡ áį £ áİ ¬ áİ ¾ áIJ ¡ áķ ķ áĸ ± áĹ IJ áĹ Ń áĺ ī áļ ± ἠŁ áŀ ¥ ᣠĶ áł £ áł ª áł ° áł ´ ᤠĸ ᥠ£ á ® á® ł á ¯ ᯠĻ á ° á° į á´ Ĭ á´ ¾ áµ ģ áµ İ áµ ŀ áµ ¤ ᶠħ ᶠĺ ᶠŁ ᶠ¢ ᶠ¤ ᶠ± ᶠ» Ḡī Ḡŀ Ḡº á¹ ĵ á¹ Ĺ á¹ ª ẠĬ Ạı ẠĽ á¼ ĥ á¼ Į á¼ ¿ á½ Ĥ á½ ĵ á½ Ĺ á½ ¦ á¾ ± á¾ ´ á¿ ĺ á¿ Ł á¿ ¸ âģ ĺ âĤ ij âĤ Ľ âĤ ¿ âĦ ĩ âĦ ŀ âĦ ± âĩ Ł âĩ ² âĪ ¤ âĪ ¶ âī Ĥ âī ¾ âĬ ¨ âĬ ³ âĬ · âĭ Į âĭ ĺ âĮ ķ âĮ ¥ âĮ µ âĮ º âį £ âį ² âį µ âİ ĩ âı ĥ âı IJ âı ł âı ¤ âı ¶ âı ¸ âı ¹ âij Ĥ âĴ · âĴ º âĵ ¡ âĵ ¤ âĶ ¾ âĸ ĺ âĸ µ âĹ ª âĹ · âĺ ¨ âĺ « âĺ ² âĺ ³ âĻ Ĩ âļ ¤ âļ ¥ ⼠ĵ ⼠´ ⼠¾ âŀ « âŀ ¿ ⣠· ⤠ij ⤠« ⤠¶ ⤠½ ⧠ª ⨠Ģ â ©½ ⬠¡ ⬠¢ ⬠¤ â² ĸ â² ª âµ Ģ ⸠® ⸠½ ãĢ ł ãĢ · ãĦ Į ãĦ ĺ ãħ ij ãĪ İ ãĪ IJ ãĬ ľ ãĮ ĵ ãĮ ł ãİ Ł ãİ ¤ ãİ § 㬠® ä Ī äĪ Ģ ä ° ä° Ģ ê ħ êħ ī êĩ Ĺ ê Ī êĪ į ê§ Ĥ ê§ Ĭ êª Ģ ê² Ī ê² į ê³ Ģ êµ ł ê½ IJ ê¾ Ī ê¿ ± ëĥ ı ëĦ ij ëħ ¤ ëĩ ¸ ëĪ ¼ ëī ħ ëĬ £ ëĭ º ëį ŀ ëIJ Į ëķ ¸ ëĺ ł ëĻ ĩ ëĻ Ī ëľ ½ ëŀ Ķ ëł ľ ë£ IJ ë§ Ģ ë§ Ĭ ëª Ģ ë¬ Ń ë¯ ¾ ë³ ľ ë´ Ĭ ëµ ī ë· ľ ë¸ Ģ ë¹ ĭ ìģ Ħ ìĤ £ ìĤ » ìĦ µ ìħ Ĵ ìī Ī ìī Ķ ìĬ Į ìĬ Ļ ìIJ ´ ìĵ º ìķ ļ ìķ º ìĸ ľ ìĹ ª ìĺ ľ ìĻ ¤ ìļ Ľ ìļ º ìĿ ħ ìĿ ı ìĿ Ń ìĿ ¶ ìł Ľ ì¡ Ī ì¢ ī ì¢ Ķ ì© ł ìŃ Į ì¯ © ì´ £ ì¸ ķ ì¹ Ł ì¾ ¡ ì¿ Ļ íģ ĩ íģ ī íĩ Ģ íĪ ¶ íĸ ij íĸ ¤ íĹ ħ íľ ı íĿ Ŀ ï¤ Ĵ ï¤ ķ ï¤ ¬ ï¥ ħ ï¥ ĩ ï¥ ı ï¥ ļ ï¥ Ł ï¦ Ħ ï¦ Ī ï¦ ¨ ï¦ © ï¦ ² ï§ ģ ï§ ĥ ï§ Ķ ï§ ł ï§ £ ï§ ® ï ŃIJ ïŃ ĸ ïŃ ¦ ïŃ ´ ïŃ µ ïŃ ¶ ïŃ ¸ ï® Į ï® İ ï® ŀ ï® Ł ï® ¡ ï® ª ï¯ Ķ ï¯ Ĺ ï¯ ļ ï¯ Ľ ï¯ Ŀ ï¯ Ł ï¯ § ï¯ ¨ ï¯ « ï¯ ¯ ï¯ ° ï¯ ± ï¯ ² ï¯ ³ ï¯ ´ ï¯ µ ï¯ ¶ ï° Ģ ï± ħ ï± Ķ ï± ´ ï² ģ ï³ ķ ï· ½ ï¸ ķ ï¸ ± ï¹ £ ï¹ ½ ï» į ï¾ ± ðĿIJ Ļ ðĿIJ ½ ðĿij ¤ ðĿij ® ðĿij µ ðĿĴ ĥ ðĿĴ Ħ ðĿĵ Ń ðĿĵ · ðĿĶ ĸ ðĿĶ ŀ ðĿĶ ¢ ðĿĶ ¦ ðĿĶ ¬ ðĿķ Ħ ðĿķ Ĭ ðĿķ İ ðĿķ Ļ ðĿķ ľ ðĿķ Ń ðĿķ ³ ðĿķ ¸ ðĿķ ¾ ðĿ ĸī ðĿĸ ı ðĿĺ ĩ ðĿĺ ī ðĿĺ ĸ ðĿĺ Ľ ðĿĺ ŀ ðĿĺ « ðĿĺ ¾ ðĿĻ ĩ ðĿĻ ī ðĿĻ ĭ ðĿĻ İ ðĿĻ ĺ ðĿĻ ¥ ðĿļ ĥ ðĿļ IJ ðĿļ Ķ ðĿľ ĥ ðŁĦ · ðŁħ Ŀ ðŁħ ¾ ðŁĨ Ĥ ðŁĨ ĵ ðŁĮ Ĥ ðŁĮ Ĩ ðŁĮ ī ðŁĮ ij ðŁĮ ĺ ðŁĮ © ðŁĮ « ðŁį ¢ ðŁį ¥ ðŁİ Ľ ðŁİ ¢ ðŁİ ´ ðŁij ¡ ðŁĴ ¾ ðŁĵ Ń ðŁĶ Ī ðŁĶ ¦ ðŁĶ ² ðŁĶ ³ ðŁķ ĵ ðŁķ ķ ðŁķ ĺ ðŁķ Ł ðŁķ · ðŁĹ ³ ðŁļ Ħ ðŁļ Ķ ðŁļ ĸ ðŁĽ IJ ðŁĽ ¤ ðŁĽ ¸ ðŁ ł ðŁł ³ ðŁ¤ ¹ ðŁ¥ ĥ ðŁ¥ ¨ ðŁ¥ ª ðŁ¥ ¾ ðŁ¦ ĥ ðŁ¦ Ĵ ðŁ¦ Ļ ðŁ¦ ¶ ðŁ§ ł ðŁ§ ª ðŁ§ Ń ðŁ§ ² 𣠷 ð£· Ń ð¦ ĺ ð¦ĺ Ĵ Æ ij Ç Ļ È ® Ø ł Ú Ħ Ü Ģ ß ¢ áī Ģ áĬ IJ áİ ł Ạŀ ëĪ ŀ ëķ Ł ë£ ģ ë¤ Ĺ ìĦ ¥ ìħ ij ìĸ IJ ìĽ Ľ ì£ ķ íİ ı íĽ ĵ ï¥ º ï³ Ľ ï´ « ðĸ § ðĸ§ · ðĿķ ģ ðŁIJ ª ðŁĴ Ī ðŁĵ ł ðŁķ Ľ ðŁķ ´ Ñ Ŀ Ó Ĭ ॠ² ઠª áĥ ¤ áį IJ ᶠ° á¼ Ŀ á½ © âĭ ĭ âĴ ½ âĻ ¾ â ½Ķ â¾ ¯ ãĦ Ĵ ãħ ļ ëIJ į ë· ģ ìĭ Ģ ìļ Ŀ ì¥ ° ìº ´ íĭ ī íĿ ½ ï¦ Ģ ï¦ ¿ ï§ ħ ï§ ĵ ïŃ ¯ ï® Ĩ ðIJ¤ ķ ðĿIJ Ł ðĿĴ ħ ðĿĵ ľ ðĿĶ ° ðĿĶ » ðĿĺ į ðĿĻ ¯ ðŁĦ ½ ðŁħ Ĥ ðŁħ Ķ ðŁħ ½ ðŁĵ ´ ðŁ§ ĸ Ó Ĵ Ḡ² ëī ¼ Ç ı È ĵ Ê ¸ Õ Ĥ Û ħ ß ¡ ß £ à® ¯ à° Ī ಠ¸ ຠ® ༠ķ áĢ İ áĨ ¡ áIJ ĭ áIJ ķ áij ¯ áŀ Ĩ ᨠķ á© Ī âģ ħ âĨ ļ âĶ İ âł © â² Ĥ â² Ķ â² ¨ ãĬ ļ íĵ ² ðĿij Ī ðĿij ¬ ðĿij ¹ ðĿĴ ¾ ðĿĵ ± ðĿĵ ½ ðĿķ ¯ ðĿķ » ðĿĺ ½ ðĿļ Ĩ ðŁĦ ° ðŁIJ ¨ Ò ķ ಠħ ï¨ Ĩ ðĿij ° ðŁĦ ¸ Ô İ Ø į Ù µ ಠ¶ áĢ Ī áĺ Ĺ áł ¸ á¡ ¡ ᨠ² á© ģ á´ · áµ § âķ ¨ âļ ģ â¾ Ŀ ãĢ ¼ ãĦ ı êĴ « ê¦ ¥ ê¦ © ê¦ ² ìĺ ¼ íĵ IJ ðĵ ĩ ðĵĩ ¼ ðĿķ ¿ ðŁĽ ´ ë¨ ľ ಠµ à´ İ à¼ Ģ âĩ ĸ ãĪ « âĵ Ģ áħ ´ áļ ¾ ἠŀ ἠ« ᥠ´ âĨ Ľ âĨ ¶ âĩ ¤ âķ Ł âĺ · âļ IJ ðŁ§ ´ á¹ ³ âĶ į âĶ Ĵ âĶ © âĶ ¦ â¾ µ ઠľ ઠ¤ âĩ Ļ âĶ ± âķ Ģ â½ Ĭ ï½ Ł ଠ¡ ðł ® ðł® · âķ ĥ â° Ķ ãĬ ¦ ðŁİ IJ ãĩ ° â¼ Ŀ â¾ Ķ â½ Ĵ âł Ĵ ï¨ ¦ ï© Ĵ ï¨ ² ï© ĸ ðĵı ¸ ãĮ ĥ ðĸ ¤ ðĸ¤ IJ ï¦ Ń âĬ ħ â¾ ³ ä´ ¥ ï© ķ ðŁĮ Ķ áŀ ĭ âļ į â¼ ĭ ãİ ĺ ðIJĮ ² É © áİ ij âĨ ® âĩ ĥ âļ İ ãĩ ± ãĭ © ãĮ ¶ êĻ ª ëİ ¬ ï¨ IJ ï¨ Ľ ï© Ĭ ï© į ðĵ ħ ðĵħ º Ï ¡ È ij É Ĥ Ô ĵ ß İ à´ § áĢ ī áĢ ĭ áĢ ij áĢ ł áļ Ļ ᨠĦ ᨠ© ᨠ¹ á© ĵ ᬠľ á´ Ļ áµ ij âĤ Ń âĨ ° âľ ģ â½ IJ ãĭ ¯ ãĮ ½ íĨ ¢ ï¤ ¿ ðŁ Ĥ ðŁĤ » È Ĵ Í º Ô ¥ Õ ij Ú ¶ à§ İ à¶ ® ຠĸ ຠľ ຠ½ áĥ » áħ ¯ áĭ ŀ áĸ ķ á ´Ī ᶠĨ Ḡľ á¹ ¼ á¿ ¨ âĦ ĭ âĦ Ń âĪ ± âĮ ĵ âĶ ĩ âĶ ¢ â± ® â² Ħ ãĩ ¾ ãĪ ¬ ë¸ ¡ ìIJ ī íĻ Ľ ðĿķ ª Æ ¹ Í ² Ó ģ Û ¼ ঠ« áħ Ł áī Ĩ áį Ī Ạĸ á½ ī âĶ ¸ â½ © ê ľ êľ ¥ êµ ħ ëĤ Ķ ëĦ ł ëĩ Ĺ ëĻ Ŀ ìļ ¯ ìļ · ìŁ Ľ ì· IJ íŁ ¬ íŁ ® íŁ ° ï¦ Ĩ ï¦ ± ï² ŀ ï³ ¤ ï³ ¥ ðIJĮ ¸ ðĿĶ ı ðĿķ ® ðĿĺ £ ঠĪ âı ı ãĦ ĸ ê² ĩ ëĸ ĺ ëľ · ëŀ Ĵ ë¡ ĵ ë¢ ī ë£ ĥ ë§ ĭ ë² ĭ ìĤ · ìĪ ķ ì Į¨ ìĵ » ìĸ Ĭ ìĻ ¬ ìĿ » ì¦ ģ ìµ ¤ ì· ĥ íĢ ľ íħ ī íį ł íı ħ íij ± íķ ķ íĸ ł íĿ ķ Æ Ļ Æ ļ Æ ŀ Ç ĥ Ç Ĭ Ç ľ Ç ¤ Ç Ń Ç ¹ È Ģ È ģ È ħ È ī È Ĺ È Ł È ¤ È ¥ È ¨ È µ È º È » É Į É ® Ê ħ Ê ¥ Ê ¨ Ë ĵ Ë Ķ Ë ł Ë £ Ë ¸ Í ´ Ï Ĺ Ï ĺ Ï Ļ Ï ļ Ï Ŀ Ï ¨ Ï ¬ Ï ¾ Ï ¿ Ñ ª Ò Ģ Ò ľ Ò ¼ Ò ½ Ó Ĥ Ó ħ Ó ĩ Ó į Ó ĸ Ó Ł Ó « Ó ± Ô Ĩ Ô ĩ Ô º Õ ĭ Ö ī Ø Ī Ø Ĭ Ø ½ Ø ¾ Ù · Ú Ĥ Ú Ĭ Ú ĸ Ú Ĺ Ú £ Ú « Ú ¸ Û Ģ Û į Û ½ Ü ī Ü ¤ Ý § Ý ´ Þ ĥ Þ ¤ Þ ¥ ß ļ ß Ľ ß ¤ àł į àł ĵ àł ³ à¡ ¢ ॠł ৠł ৠº ਠĬ ਠIJ ਠ® ਠ¯ ਠ° ਠ¸ ઠĨ ઠ³ ઠµ ઠ½ ଠĮ ଠĺ ଠ½ à® ĥ à® ¸ à° Ĩ à° ķ à° ¦ ಠĨ ಠĬ ಠĮ ಠIJ ಠĽ ಠ¤ ಠ¦ ಠª ಠ² ಠ¹ à´ Ĩ à´ ı à´ Ĺ à´ « à´ ¹ ൠº ൠ½ චħ චĬ චĶ ච§ ච« ච° ༠Ħ ༠ħ ༠Ĭ འĻ འ¡ འ§ à¿ Ģ à¿ Ļ áĢ Ŀ áĢ § áĢ © áĢ ¿ áģ µ áĤ ģ áĤ ½ áĥ Ĥ áĥ ª áĦ Ĭ áĦ ¢ áħ ¦ áħ Ń áĨ ® áĨ ± áĨ » á ĩ áĩ Ĥ áĪ ħ áĪ ī áĪ Į áĪ IJ áĪ Ĵ áĪ Ļ áĪ ļ áĪ ľ áĪ ŀ áĪ © áĪ ³ áĪ º áĪ ½ áī ħ áī ¢ áī ± áī ´ áĬ ĥ áĬ į áĬ ĸ áĬ ® áĬ ¸ áĭ Ľ áĭ Ŀ áĭ ³ áĮ ģ áĮ ħ áĮ ¥ áĮ ¦ á Į¨ áį Ĭ áį į áį ķ áį ĸ áį ¢ áį ¤ áİ Ĵ áİ ª áı ģ áı IJ áı Ł áIJ Ĥ áIJ ĸ áIJ Ŀ áIJ ŀ áIJ Ł áIJ ł áij ĸ áĴ ĭ áĴ į áĴ ¡ áĵ « áĶ ķ áķ ĭ áķ ij áķ Ļ áķ ļ áķ Ľ áķ ¤ áķ ¦ áķ ® áķ ¼ áĸ ĵ áĹ Ĺ áĹ ¢ áĹ ¯ áĹ · áĺ Ħ áĺ ij ἠĤ ἠĻ áŀ į áł Ĩ áł ¡ áł ¦ áł ® áł ¯ áł ² áł · á¡ į á¡ ŀ á¡ ¤ á ¡´ á¡ µ ᤠĵ ᥠĸ ᥠ° ᨠ¦ ᨠ§ ᨠ¨ ᨠª ᨠ¬ ᨠ¯ ᨠ³ ᨠµ á© ĥ ᬠķ áŃ £ á ± á± ļ á² ł á´ ĵ á´ ¶ áµ Ĥ áµ Į áµ ¥ áµ ´ ᶠĩ ḠĪ Ḡł Ḡ§ Ḡ´ Ḡ¾ á¹ Ģ á¹ ĸ á¹ Ł á¹ ł á¹ « á¹ ± á¹ · á¹ ¿ ẠĦ Ạį Ạij áº Ĺ á¼ ī á¼ ĵ á¼ Ń á½ ĭ á½ Ĵ á½ ł á½ £ á¾ Ħ á¾ ı á¾ ij á¾ Ĺ á¾ ¦ á¾ § á¾ ¾ á¿ Ħ á¿ ĵ á¿ ¡ á¿ ¬ âģ ļ âĤ Į âĦ ģ âĦ Ķ âĦ £ âĦ § âĦ ¯ âĦ ° âĦ ´ âħ ħ âĨ ľ âĨ « âĨ Ń âĨ ± âĨ ¹ âĨ ½ âĩ ĩ âĩ ľ âĩ µ âĪ ī âĪ Ĭ âĪ ĸ âĪ ľ âĪ ¾ âī Ģ âī ĭ âī Į âī ĵ âī ľ âī ´ âī ¿ âĬ Ĭ âĬ ĭ âĬ Ķ âĬ ĸ âĬ £ âĬ ¦ âĭ İ âĭ ª âĭ ² âĮ ¦ âĮ § âį º âİ Ī âİ ¨ âİ ¬ âİ ³ âİ ¼ âİ ¾ âı Į âı ļ âı « âı ¯ âı µ âĴ ľ âĴ Ŀ âĴ « âĵ Ħ âĵ Ĭ âĵ Ļ âĵ © âĶ ij âĶ Ļ âĶ ļ âĶ ¥ âķ ħ âķ ī âķ į âķ ı âķ ŀ âĸ ļ âĸ ¯ âĹ ĥ âĹ ļ âĹ ¬ âĹ ´ âĺ Ī âĺ ¤ âĺ ¥ âĺ § âĺ ¬ âĻ ģ âĻ ± âļ ĥ âļ Ħ âļ ħ âļ ı âļ ļ âļ ŀ âļ Ł âļ ± âļ ² âľ Ģ âľ Ł âľ ¢ âĿ µ ⣠¡ ⣠¦ ⣠§ ⣠³ ⣠¾ ⣠¿ âł ĩ ⤠Ħ ⤠º ⥠Ĥ ⥠¹ ⧠ī ⧠¼ ⧠½ ⨠į ⬠Ĭ ⬠Ł âŃ ŀ â® ŀ â® ³ ⯠Ī ⯠ij â± ł â± ± â² Ń â´ ¹ âµ ķ ⸠¾ â º« â¼ Ĩ â¼ ł â½ Ł â½ ¼ â¾ Ľ â¾ § â¿ ĥ â¿ » ãĤ ķ ãĤ Ł ãĦ Ľ ãĦ ¡ ãĦ ¶ ãĦ º ãħ Ĵ ãħ Ł ãĨ Ģ ãĩ » ãĪ ij ãĪ Ń ãĪ ® ãĪ ³ ãĪ ¹ ãī ¥ ãī ¦ ãī ¹ ãī ¿ ãĬ ŀ ãĬ ¨ ãĭ ij ãĭ ¥ ãĭ ´ ãĭ º ãİ Ħ ãİ ķ ãİ ¯ ãı Ĥ ãı Ī ãı ĵ ãı ĸ ãı ± ãIJ ± ãŁ ģ ã ¢ 㢠¨ ã ¨ 㨠³ ã« ª ã« ´ 㶠³ 㺠¾ ä Ģ äĢ Ģ ä ĭ äĭ Į ä ĮĢ äIJ Ģ ä łĢ ä ł äł ¼ ä § ä§ ŀ ä¨ ° ä¨ º ä ´Ģ ä · ä· ħ ä ·¸ ê Ĥ êĤ « ê Į êĮ ¼ ê į êį ² êĴ µ ê ĵ êĵ ½ êĻ Ń êĿ Ľ êĿ ¥ ê ŀ êŀ Ĭ ê¦ Ĩ ê¦ ĩ ê¦ Ł ê¦ ¨ ê§ Ī ê © ê© Ł êª ĭ êª ij êª ķ êª Ĺ êª ľ êª ® êª ± êª » êª ¼ ê« Ģ ê« Ŀ ê° ĥ ê° ĺ ê± ľ ê² ĵ ê² ļ ê³ Ļ ê³ ¾ ê´ Ĺ ê´ Ļ êµ Ľ ê¶ ĥ ê¶ ķ ê¶ ¨ ê¸ © ê¸ ¿ ê ¹Ħ ê¹ Ĩ ê¹ ī ê¹ ĵ ê¹ ¢ ê¹ £ ê¹ ¸ êº ³ ê¿ ı ê¿ ķ ê¿ § ëĢ © ëģ ħ ëĥ µ ëĦ ĸ ëĦ Ĺ ëĦ ¢ ëħ Ĥ ëĨ IJ ëĩ ľ ëĪ ĭ ëĪ ļ ëī į ëī ¨ ëĬ ļ ëĬ ¡ ëĭ ľ ëĭ ª ëĮ ĺ ëĮ ¤ ëĮ ¸ ëİ Ł ëı ¨ ëIJ Ħ ëIJ ı ëIJ ´ ëIJ ¸ ëij ģ ëij ¿ ëĴ ¨ ëĵ · ëĶ ® ëĶ ² ëķ § ëĸ Ķ ëĸ ª ëĺ Ń ëļ Ģ ëļ ł ëĽ Ķ ëĽ © ëľ ħ ëŀ ķ ëŀ ° ëŁ IJ ëł ¡ ë¡ ŀ ë¡ £ ë¡ µ ë£ Ħ ë£ į ë¤ ³ ë¦ į ë¦ ı ë¦ ³ ë§ Ħ ë§ Ĩ ë§ į ë§ ľ ë§ « ë§ » ë¨ ® ë© Ĥ ë© Ń ëª ´ ë¬ ľ ë¬ ł ë¬ « ë¬ ¾ ëŃ ¬ ë® ĺ ë® ¹ ë¯ ķ ë¯ ľ ë° ¨ ë° ª ë± Ķ ë² ĺ ë² Ľ ë² ± ë² ´ ë´ ½ ëµ ¤ ëµ ¨ ë· Ĺ ë· ĺ ë¸ ĵ ë¸ ľ ë¹ ª ëº ĥ ëº ĺ ëº µ ë» ´ ë¼ IJ ë¾ Ķ ìģ Ń ìĤ ł ìĤ ® ìĥ ı ìĥ Ļ ìĦ º ìħ ¢ ìĨ Ģ ìĨ ħ ìĨ ¤ ìĨ ¦ ìĨ ¬ ìĩ ± ìĪ µ ìĭ ¨ ìĭ ´ ìĮ ° ìį ľ ìİ Ĺ ìİ ĺ ìİ ¼ ìij ī ìij Ŀ ìij » ìĴ Ķ ìĴ ¯ ìĵ © ìķ IJ ìķ ĸ ìĸ ł ìĸ ¾ ìĹ ĥ ìĹ Ĺ ìĹ ľ ìĹ ¨ ìĺ Ĥ ìĺ Ħ ìĺ ı ìĺ ¾ ìĺ ¿ ìľ § ìĿ IJ ìĿ ĸ ìĿ · ìŀ į ìŀ ı ìŀ ¨ ìŀ ª ìŀ ³ ìł ¡ ìł ´ ìł ¹ ì¡ Ģ ì¡ ª ì¡ µ ì¢ IJ ì¢ ¨ ì£ Į ì£ Ļ ì£ ³ ì¦ ij ì§ ¥ ì§ ´ ì§ ¾ ì¨ ĵ ì¨ ķ ì© ° ì© » ì© ¼ ìª Ĺ ì¬ Ķ ì¬ ĺ ì® ® ì¯ ķ ì¯ ĺ ì° İ ì° ¯ ì± ĥ ì± µ ì² § ì² ® ì² ¯ ì³ ¬ ì´ ĭ ì´ ¢ ìµ ¥ ì¶ £ ì¸ Ī ì¸ Ļ ìº ¤ ìº Ń ì» ½ ì¼ Ļ ì½ ¬ ì¾ Ģ ì¿ ħ ì¿ ½ íĢ ħ íģ ¦ íĤ ħ íĥ ¶ íĥ ¹ íĦ Ķ íħ £ íĨ Ħ íĨ § íĨ ¹ íĩ ¼ íī ¤ íĬ ½ íĭ Ĥ íĭ ij íį Ī íį Ļ íį ¿ íİ ¶ íIJ Ŀ íĴ ľ íĵ Ŀ íĵ ª íĵ ± íĵ · íĵ ¼ íĶ Ļ íĶ ł íķ ļ íķ Ľ íķ ŀ íķ Ł íķ § íķ ¶ íĸ Ĭ íĸ ĭ íĸ į íĸ Ķ íĸ ĺ íĸ ¡ íĸ ¬ íĹ £ íĹ ¿ íĺ ĸ íĺ Ń íļ ° íĽ į íĽ ½ íĿ Ł íĿ Ń íĿ ´ íŀ ľ ï¤ ī ï¤ Ń ï¤ ² ï¤ µ ï¤ ¼ ï¥ Ģ ï¥ ij ï¥ Ĵ ï¥ ķ ï¥ ĺ ï¥ Ļ ï¥ « ï¥ ¬ ï¥ ° ï ¥¿ ï¦ ĭ ï¦ ı ï¦ Ķ ï¦ ĸ ï¦ ĺ ï¦ Ľ ï¦ ł ï¦ ® ï¦ ¯ ï¦ º ï¦ » ï¦ ¾ ï§ Ĩ ï§ ĸ ï§ Ľ ï§ ŀ ï§ Ł ï§ § ï§ ³ ï§ º ï§ ½ ï¨ ĥ ï¨ ļ ï¨ ¢ ï© Ł ï¬ ¤ ï¬ ¬ ï¬ ¼ ïŃ Ĵ ïŃ ķ ïŃ Ľ ïŃ Ŀ ïŃ ŀ ïŃ Ł ïŃ ¤ ïŃ § ïŃ ¨ ïŃ ® ïŃ ° ïŃ ± ïŃ · ïŃ ¹ ïŃ » ï® Ģ ï® ĥ ï® Ħ ï® ħ ï® į ï® Ĵ ï® ĵ ï® ķ ï® ¦ ï® ® ï® ° ï¯ ĵ ï¯ ľ ï¯ © ï¯ ª ï¯ ¬ ï¯ Ń ï¯ ® ï¯ · ï¯ ¹ ï¯ » ï¯ ¼ ï° ĥ ï° Į ï° IJ ï° ĺ ï° Ļ ï° ľ ï° ŀ ï° ¢ ï° ® ï° ° ï° ¼ ï° ¿ ï± Ģ ï± ģ ï± Ī ï± ĭ ï± ı ï± Ń ï² Ģ ï² ĩ ï² Ī ï² ĭ ï² İ ï² Ĵ ï² ľ ï² ł ï² ¬ ï² » ï³ ĩ ï³ Ķ ï³ £ ï³ « ï´ ĺ ï´ ° ï´ ½ ï ¶ ï¶ ° ï¸ ĸ ï¸ ´ ï¸ ¹ ï¹ į ï¹ Ĺ ï¹ ¢ ï¹ ¤ ï¹ © ï¹ ± ï¾ ° ï¿ Ĥ ï¿ ® ðIJĮ ° ðIJĮ ¹ ðIJĮ º ðIJĮ ½ ðIJį Ĥ ðIJį ĥ ðIJį Ħ ðIJ İ ðIJİ ¹ ðIJ¤ Ĥ ðIJ¤ į ðIJ¤ ı ðIJ¤ ĵ ðIJŃ ī ðIJŃ į ðIJ° ĩ ðIJ° ° ðij Ĥ ðijĤ Ħ ðij ĺ ðijĺ ģ ðĴ Ģ ðĴĢ ¸ ðĴ ģ ðĴģ º ðĴ Ħ ðĴĦ · ðĴ Ĭ ðĴĬ ij ðĴ ĭ ðĴĭ Ĺ ð ĴĮ ðĴĮ ¨ ðĵĥ ¢ ðĵĥ ° ðĸ ł ðĸł ļ ðĿĦ ĥ ðĿĦ ħ ðĿĦ ķ ðĿĦ Ļ ðĿĦ ± ðĿĦ ´ ðĿĦ ¹ ðĿħ İ ðĿħ ª ðĿĨ £ ðĿĨ ³ ðĿĨ ¹ ðĿĩ Ĭ ðĿĩ Ĺ ðĿĩ ļ ðĿĩ ľ ðĿĩ ł ðĿIJ ī ðĿIJ ĸ ðĿIJ ĺ ðĿIJ £ ðĿIJ ± ðĿij Ĭ ðĿij Ń ðĿij ¼ ðĿij ½ ðĿĴ ° ðĿĴ · ðĿĴ ¿ ðĿĵ ģ ðĿĵ ĭ ðĿĵ İ ðĿĵ Ĵ ðĿ ĵĺ ðĿĵ ¢ ðĿĵ ¦ ðĿĵ « ðĿĵ ¿ ðĿĶ İ ðĿĶ ± ðĿĶ ´ ðĿĶ · ðĿĶ ¸ ðĿĶ ½ ðĿķ Ĥ ðĿķ ĥ ðĿķ ĭ ðĿķ ı ðĿķ IJ ðĿķ ¥ ðĿķ ´ ðĿķ º ðĿĸ IJ ðĿĸ Ľ ðĿĸ Ŀ ðĿĸ ŀ ðĿĹ © ðĿĹ ³ ðĿĹ ½ ðĿĺ Ĭ ðĿĺ ĭ ðĿĺ Ķ ðĿĺ ± ðĿĺ ´ ðĿĺ ¿ ðĿĻ Ĵ ðĿĻ Ŀ ðĿĻ Ł ðĿĻ ¬ ðĿĻ Ń ðĿĻ » ðĿĻ ¾ ðĿļ Ī ðĿļ ĭ ðĿļ ij ðĿļ Ł ðĿļ ł ðĿļ £ ðĿĽ ½ ðĿľ Ĥ ðĿľ Ķ ðĿľ Ļ ðŁ Ģ ðŁĢ Ħ ðŁĦ ² ðŁĦ ¶ ðŁħ IJ ðŁħ ĸ ðŁħ ļ ðŁħ Ľ ðŁħ ¦ ðŁħ ¶ ðŁħ » ðŁħ ¼ ðŁĨ ĥ ðŁĨ Ĩ ðŁĨ İ ðŁĪ ¯ ðŁĪ ² ðŁĪ ¹ ðŁĮ ĩ ðŁĮ ĵ ðŁį ĺ ðŁİ ij ðŁİ ¿ ðŁı ı ðŁı Ĵ ðŁı © ðŁı ¯ ðŁIJ Ģ ðŁij Ŀ ðŁĴ ¹ ðŁĴ º ðŁĵ Ł ðŁĵ ª ðŁĵ ¼ ðŁĶ Ģ ðŁĶ Ĥ ðŁĶ ĥ ðŁĶ ĩ ðŁĶ ĵ ðŁĶ ¢ ðŁĶ ¤ ðŁĶ © ðŁķ ĸ ðŁķ ļ ðŁķ ľ ðŁķ Ŀ ðŁķ ŀ ðŁķ ł ðŁķ ¢ ðŁķ ³ ðŁĸ ĩ ðŁĸ ij ðŁĸ ¶ ðŁĹ ģ Ñ ¨ Ú İ á¡ Į Ḡ° ẠĢ á¼ ® á½ Ŀ âĦ ¬ âļ § ⼠¤ ã³ ¬ êĻ ĭ ê¸ ij ëĶ ī ëĹ į ë¡ ij ë¯ ij ë» ħ ë¼ Ŀ ìĦ IJ ìī ¡ ìĭ ² ìı ± ìĹ ¤ ìĿ © ìĿ ¿ ìŁ Ļ ìł ° ì¥ ī íĬ Ń íķ ® ï® ı ðŁħ ± ðŁĨ Ĵ ðŁķ ĭ É ĺ Ê ĵ Õ ĥ à´ ´ འħ áĨ º áĪ Ĭ áĪ ¨ áĪ ¾ áī IJ áĮ ĥ áĮ ½ áĶ Ń áł Ĥ áł ¬ ᨠ¸ á© ĭ ᶠı á¾ Ķ á¿ IJ á¿ ļ âĻ Ļ âļ Ĥ âļ Ĺ â¡ ¢ ⤠¦ ëĸ ° ë¤ Ĥ ë§ ł ë± ĭ ë± IJ ìĽ ¢ ìľ ¾ ì³ ħ ì» ģ íģ » íĥ Ļ íĵ ĸ íĵ Ń íķ ± íĽ ľ ï¤ ħ ï¤ Ĩ ï¦ ĥ ï§ © ï¨ Ĥ ðIJ¤ Ķ ðIJŃ ĵ ðIJ° ¼ ðĿĵ ŀ ðĿĵ ° ðĿĻ ľ ðĿļ ģ ðŁħ ¢ ðŁı ĩ È ² Ê ¶ Ô Ī Ô ij Ý ĵ Ý ¥ ठij ॠ± ଠī à° ³ à° µ ಠŁ áĢ ı áģ ¼ áī ¨ áĬ Ĵ áĭ © áĮ Ħ áĮ Ķ áIJ § á ĴĮ áĶ ħ áĶ Ĭ áł Ħ ᨠģ Ḡĥ Ḡ» âĶ ŀ âĺ µ âļ £ â² ¢ ãĪ ª ä¶ µ ê² Ļ ê² ´ ê³ Ĥ ë¡ ¼ ìĨ Ĭ ì¼ ĩ íĭ į íĵ ¬ íĵ ® íĵ ¶ íĵ » ï¤ ¦ ï¥ ł ï¥ ± ïŃ ² ðIJŃ Ĭ ðIJ ±ħ ðĸ ¥ ðĸ¥ ¨ ðĿij ³ ðĿĵ ķ ðĿĵ ¬ ðĿĵ ¹ ðĿĵ ¾ ðĿĶ ĵ ðĿķ į ðĿķ ¡ ðĿķ ± ðĿĸ ĸ ðĿĺ ı ðĿĺ IJ ðĿĺ ļ ðĿĻ ® ðĿĻ ° ðĿĻ ¸ ðĿĻ º ðĿĻ ¼ ðĿĻ ½ ðĿĻ ¿ ðĿļ Ħ ðĿļ ı ðŁħ ħ ðŁħ ĵ Æ Ī àł Į áĻ ³ á ļĮ ἠħ ἠIJ ᤠĬ ḠĬ âĶ ½ âķ Ĭ ⼠ĩ ⼠ı âĿ ª âĿ « ⣠° ãĦ į ãĦ ĵ ãĦ § ãħ ĸ ãī « ê¦ Ķ ï± Ĭ ຠĤ áħ £ ᥠĶ ᥠ¤ âĨ ¤ âĨ · âĩ ŀ âĸ ¤ âŀ ¶ ãĪ ¼ ï¨ · ðĵı § âĶ ² âĢ ´ âĴ Ł âĴ ¡ â° Ĥ â° į â° İ â° IJ â° ij â° Ł â° ł â° ¡ â¼ Ń ãĬ ¥ âĴ ł â½ º ãĩ º ãĩ ½ ï¨ Ĭ áķ · âį ¨ ⺠Ł â½ Ĺ ================================================ FILE: configs/qwen3_06b/tokenizer.json ================================================ { "version": "1.0", "truncation": null, "padding": null, "added_tokens": [ { "id": 151643, "content": "<|endoftext|>", "single_word": false, "lstrip": false, "rstrip": false, "normalized": false, "special": true }, { "id": 151644, "content": "<|im_start|>", "single_word": false, "lstrip": false, "rstrip": false, "normalized": false, "special": true }, { "id": 151645, "content": "<|im_end|>", "single_word": false, "lstrip": false, "rstrip": false, "normalized": false, "special": true }, { "id": 151646, "content": "<|object_ref_start|>", "normalized": false, "lstrip": false, "rstrip": false, "single_word": false, "special": true }, { "id": 151647, "content": "<|object_ref_end|>", "normalized": false, "lstrip": false, "rstrip": false, "single_word": false, "special": true }, { "id": 151648, "content": "<|box_start|>", "normalized": false, "lstrip": false, "rstrip": false, "single_word": false, "special": true }, { "id": 151649, "content": "<|box_end|>", "normalized": false, "lstrip": false, "rstrip": false, "single_word": false, "special": true }, { "id": 151650, "content": "<|quad_start|>", "normalized": false, "lstrip": false, "rstrip": false, "single_word": false, "special": true }, { "id": 151651, "content": "<|quad_end|>", "normalized": false, "lstrip": false, "rstrip": false, "single_word": false, "special": true }, { "id": 151652, "content": "<|vision_start|>", "normalized": false, "lstrip": false, "rstrip": false, "single_word": false, "special": true }, { "id": 151653, "content": "<|vision_end|>", "normalized": false, "lstrip": false, "rstrip": false, "single_word": false, "special": true }, { "id": 151654, "content": "<|vision_pad|>", "normalized": false, "lstrip": false, "rstrip": false, "single_word": false, "special": true }, { "id": 151655, "content": "<|image_pad|>", "normalized": false, "lstrip": false, "rstrip": false, "single_word": false, "special": true }, { "id": 151656, "content": "<|video_pad|>", "normalized": false, "lstrip": false, "rstrip": false, "single_word": false, "special": true }, { "id": 151657, "content": "", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false }, { "id": 151658, "content": "", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false }, { "id": 151659, "content": "<|fim_prefix|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false }, { "id": 151660, "content": "<|fim_middle|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false }, { "id": 151661, "content": "<|fim_suffix|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false }, { "id": 151662, "content": "<|fim_pad|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false }, { "id": 151663, "content": "<|repo_name|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false }, { "id": 151664, "content": "<|file_sep|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false } ], "normalizer": { "type": "NFC" }, "pre_tokenizer": { "type": "Sequence", "pretokenizers": [ { "type": "Split", "pattern": { "Regex": "(?i:'s|'t|'re|'ve|'m|'ll|'d)|[^\\r\\n\\p{L}\\p{N}]?\\p{L}+|\\p{N}| ?[^\\s\\p{L}\\p{N}]+[\\r\\n]*|\\s*[\\r\\n]+|\\s+(?!\\S)|\\s+" }, "behavior": "Isolated", "invert": false }, { "type": "ByteLevel", "add_prefix_space": false, "trim_offsets": false, "use_regex": false } ] }, "post_processor": { "type": "ByteLevel", "add_prefix_space": false, "trim_offsets": false, "use_regex": false }, "decoder": { "type": "ByteLevel", "add_prefix_space": false, "trim_offsets": false, "use_regex": false }, "model": { "type": "BPE", "dropout": null, "unk_token": null, "continuing_subword_prefix": "", "end_of_word_suffix": "", "fuse_unk": false, "byte_fallback": false, "vocab": { "!": 0, "\"": 1, "#": 2, "$": 3, "%": 4, "&": 5, "'": 6, "(": 7, ")": 8, "*": 9, "+": 10, ",": 11, "-": 12, ".": 13, "/": 14, "0": 15, "1": 16, "2": 17, "3": 18, "4": 19, "5": 20, "6": 21, "7": 22, "8": 23, "9": 24, ":": 25, ";": 26, "<": 27, "=": 28, ">": 29, "?": 30, "@": 31, "A": 32, "B": 33, "C": 34, "D": 35, "E": 36, "F": 37, "G": 38, "H": 39, "I": 40, "J": 41, "K": 42, "L": 43, "M": 44, "N": 45, "O": 46, "P": 47, "Q": 48, "R": 49, "S": 50, "T": 51, "U": 52, "V": 53, "W": 54, "X": 55, "Y": 56, "Z": 57, "[": 58, "\\": 59, "]": 60, "^": 61, "_": 62, "`": 63, "a": 64, "b": 65, "c": 66, "d": 67, "e": 68, "f": 69, "g": 70, "h": 71, "i": 72, "j": 73, "k": 74, "l": 75, "m": 76, "n": 77, "o": 78, "p": 79, "q": 80, "r": 81, "s": 82, "t": 83, "u": 84, "v": 85, "w": 86, "x": 87, "y": 88, "z": 89, "{": 90, "|": 91, "}": 92, "~": 93, "¡": 94, "¢": 95, "£": 96, "¤": 97, "¥": 98, "¦": 99, "§": 100, "¨": 101, "©": 102, "ª": 103, "«": 104, "¬": 105, "®": 106, "¯": 107, "°": 108, "±": 109, "²": 110, "³": 111, "´": 112, "µ": 113, "¶": 114, "·": 115, "¸": 116, "¹": 117, "º": 118, "»": 119, "¼": 120, "½": 121, "¾": 122, "¿": 123, "À": 124, "Á": 125, "Â": 126, "Ã": 127, "Ä": 128, "Å": 129, "Æ": 130, "Ç": 131, "È": 132, "É": 133, "Ê": 134, "Ë": 135, "Ì": 136, "Í": 137, "Î": 138, "Ï": 139, "Ð": 140, "Ñ": 141, "Ò": 142, "Ó": 143, "Ô": 144, "Õ": 145, "Ö": 146, "×": 147, "Ø": 148, "Ù": 149, "Ú": 150, "Û": 151, "Ü": 152, "Ý": 153, "Þ": 154, "ß": 155, "à": 156, "á": 157, "â": 158, "ã": 159, "ä": 160, "å": 161, "æ": 162, "ç": 163, "è": 164, "é": 165, "ê": 166, "ë": 167, "ì": 168, "í": 169, "î": 170, "ï": 171, "ð": 172, "ñ": 173, "ò": 174, "ó": 175, "ô": 176, "õ": 177, "ö": 178, "÷": 179, "ø": 180, "ù": 181, "ú": 182, "û": 183, "ü": 184, "ý": 185, "þ": 186, "ÿ": 187, "Ā": 188, "ā": 189, "Ă": 190, "ă": 191, "Ą": 192, "ą": 193, "Ć": 194, "ć": 195, "Ĉ": 196, "ĉ": 197, "Ċ": 198, "ċ": 199, "Č": 200, "č": 201, "Ď": 202, "ď": 203, "Đ": 204, "đ": 205, "Ē": 206, "ē": 207, "Ĕ": 208, "ĕ": 209, "Ė": 210, "ė": 211, "Ę": 212, "ę": 213, "Ě": 214, "ě": 215, "Ĝ": 216, "ĝ": 217, "Ğ": 218, "ğ": 219, "Ġ": 220, "ġ": 221, "Ģ": 222, "ģ": 223, "Ĥ": 224, "ĥ": 225, "Ħ": 226, "ħ": 227, "Ĩ": 228, "ĩ": 229, "Ī": 230, "ī": 231, "Ĭ": 232, "ĭ": 233, "Į": 234, "į": 235, "İ": 236, "ı": 237, "IJ": 238, "ij": 239, "Ĵ": 240, "ĵ": 241, "Ķ": 242, "ķ": 243, "ĸ": 244, "Ĺ": 245, "ĺ": 246, "Ļ": 247, "ļ": 248, "Ľ": 249, "ľ": 250, "Ŀ": 251, "ŀ": 252, "Ł": 253, "ł": 254, "Ń": 255, "ĠĠ": 256, "ĠĠĠĠ": 257, "in": 258, "Ġt": 259, "ĠĠĠĠĠĠĠĠ": 260, "er": 261, "ĠĠĠ": 262, "on": 263, "Ġa": 264, "re": 265, "at": 266, "st": 267, "en": 268, "or": 269, "Ġth": 270, "ĊĊ": 271, "Ġc": 272, "le": 273, "Ġs": 274, "it": 275, "an": 276, "ar": 277, "al": 278, "Ġthe": 279, ";Ċ": 280, "Ġp": 281, "Ġf": 282, "ou": 283, "Ġ=": 284, "is": 285, "ĠĠĠĠĠĠĠ": 286, "ing": 287, "es": 288, "Ġw": 289, "ion": 290, "ed": 291, "ic": 292, "Ġb": 293, "Ġd": 294, "et": 295, "Ġm": 296, "Ġo": 297, "ĉĉ": 298, "ro": 299, "as": 300, "el": 301, "ct": 302, "nd": 303, "Ġin": 304, "Ġh": 305, "ent": 306, "id": 307, "Ġn": 308, "am": 309, "ĠĠĠĠĠĠĠĠĠĠĠ": 310, "Ġto": 311, "Ġre": 312, "--": 313, "Ġ{": 314, "Ġof": 315, "om": 316, ");Ċ": 317, "im": 318, "čĊ": 319, "Ġ(": 320, "il": 321, "//": 322, "Ġand": 323, "ur": 324, "se": 325, "Ġl": 326, "ex": 327, "ĠS": 328, "ad": 329, "Ġ\"": 330, "ch": 331, "ut": 332, "if": 333, "**": 334, "Ġ}": 335, "em": 336, "ol": 337, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 338, "th": 339, ")Ċ": 340, "Ġ{Ċ": 341, "Ġg": 342, "ig": 343, "iv": 344, ",Ċ": 345, "ce": 346, "od": 347, "Ġv": 348, "ate": 349, "ĠT": 350, "ag": 351, "ay": 352, "Ġ*": 353, "ot": 354, "us": 355, "ĠC": 356, "Ġst": 357, "ĠI": 358, "un": 359, "ul": 360, "ue": 361, "ĠA": 362, "ow": 363, "Ġ'": 364, "ew": 365, "Ġ<": 366, "ation": 367, "()": 368, "Ġfor": 369, "ab": 370, "ort": 371, "um": 372, "ame": 373, "Ġis": 374, "pe": 375, "tr": 376, "ck": 377, "âĢ": 378, "Ġy": 379, "ist": 380, "----": 381, ".ĊĊ": 382, "he": 383, "Ġe": 384, "lo": 385, "ĠM": 386, "Ġbe": 387, "ers": 388, "Ġon": 389, "Ġcon": 390, "ap": 391, "ub": 392, "ĠP": 393, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 394, "ass": 395, "int": 396, ">Ċ": 397, "ly": 398, "urn": 399, "Ġ$": 400, ";ĊĊ": 401, "av": 402, "port": 403, "ir": 404, "->": 405, "nt": 406, "ction": 407, "end": 408, "Ġde": 409, "ith": 410, "out": 411, "turn": 412, "our": 413, "ĠĠĠĠĠ": 414, "lic": 415, "res": 416, "pt": 417, "==": 418, "Ġthis": 419, "Ġwh": 420, "Ġif": 421, "ĠD": 422, "ver": 423, "age": 424, "ĠB": 425, "ht": 426, "ext": 427, "=\"": 428, "Ġthat": 429, "****": 430, "ĠR": 431, "Ġit": 432, "ess": 433, "ĠF": 434, "Ġr": 435, "os": 436, "and": 437, "Ġas": 438, "ect": 439, "ke": 440, "rom": 441, "Ġ//": 442, "con": 443, "ĠL": 444, "(\"": 445, "qu": 446, "lass": 447, "Ġwith": 448, "iz": 449, "de": 450, "ĠN": 451, "Ġal": 452, "op": 453, "up": 454, "get": 455, "Ġ}Ċ": 456, "ile": 457, "Ġan": 458, "ata": 459, "ore": 460, "ri": 461, "Ġpro": 462, ";čĊ": 463, "ĉĉĉĉ": 464, "ter": 465, "ain": 466, "ĠW": 467, "ĠE": 468, "Ġcom": 469, "Ġreturn": 470, "art": 471, "ĠH": 472, "ack": 473, "import": 474, "ublic": 475, "Ġor": 476, "est": 477, "ment": 478, "ĠG": 479, "able": 480, "Ġ-": 481, "ine": 482, "ill": 483, "ind": 484, "ere": 485, "::": 486, "ity": 487, "Ġ+": 488, "Ġtr": 489, "elf": 490, "ight": 491, "('": 492, "orm": 493, "ult": 494, "str": 495, "..": 496, "\",": 497, "Ġyou": 498, "ype": 499, "pl": 500, "Ġnew": 501, "Ġj": 502, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 503, "Ġfrom": 504, "Ġex": 505, "ĠO": 506, "ld": 507, "Ġ[": 508, "oc": 509, ":Ċ": 510, "Ġse": 511, "Ġle": 512, "--------": 513, ".s": 514, "{Ċ": 515, "',": 516, "ant": 517, "Ġat": 518, "ase": 519, ".c": 520, "Ġch": 521, "": 589, "ust": 590, "que": 591, "Ġres": 592, "))": 593, "'s": 594, "Ġk": 595, "ans": 596, "yst": 597, "unction": 598, "********": 599, "Ġi": 600, "Ġus": 601, "pp": 602, "one": 603, "ail": 604, "====": 605, "name": 606, "Ġstr": 607, "Ġ/": 608, "Ġ&": 609, "ach": 610, "div": 611, "ystem": 612, "ell": 613, "Ġhave": 614, "err": 615, "ould": 616, "ull": 617, "pon": 618, "ĠJ": 619, "_p": 620, "Ġ==": 621, "ign": 622, "St": 623, ".Ċ": 624, "Ġpl": 625, ");ĊĊ": 626, "form": 627, "put": 628, "ount": 629, "}ĊĊ": 630, "dd": 631, "ite": 632, "Ġget": 633, "rr": 634, "ome": 635, "ĠâĢ": 636, "aram": 637, "cc": 638, "Ġ*/": 639, "ER": 640, "In": 641, "les": 642, "_s": 643, "ong": 644, "ie": 645, "Ġcan": 646, "ĠV": 647, "erv": 648, "pr": 649, "Ġun": 650, "row": 651, "ber": 652, "Ġdo": 653, "ll": 654, "Ġel": 655, "Ġself": 656, "ated": 657, "ary": 658, "Ġ.": 659, "']": 660, "ud": 661, "Ġen": 662, "ĠTh": 663, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 664, "te": 665, "_c": 666, "uct": 667, "Ġab": 668, "ork": 669, ".get": 670, "Ġ#": 671, "aw": 672, "ress": 673, "ob": 674, "Name": 675, "app": 676, "['": 677, "Ġall": 678, "ory": 679, "ition": 680, "ance": 681, "ear": 682, "Ġcont": 683, "vent": 684, "ia": 685, "Ġwill": 686, "IN": 687, "ĠĠĠĠĠĠĠĠĠ": 688, "return": 689, "Ġ": 755, "\",Ċ": 756, "ec": 757, "ĠIn": 758, "ph": 759, "Ġ|": 760, "_f": 761, "Ġvar": 762, "ence": 763, "Id": 764, "ree": 765, "ink": 766, "lect": 767, "ug": 768, "eth": 769, "Ġelse": 770, "----------------": 771, "cont": 772, "Ġso": 773, "atic": 774, "Ġlo": 775, "pro": 776, "ton": 777, "ss": 778, "own": 779, "abel": 780, "oint": 781, "ous": 782, "eld": 783, "ST": 784, "The": 785, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 786, "RE": 787, "\":": 788, "olor": 789, "tp": 790, "eg": 791, "key": 792, "ude": 793, "ĠSt": 794, "ound": 795, "Ġar": 796, "\");Ċ": 797, "ener": 798, "ser": 799, "bject": 800, "essage": 801, "fer": 802, "Ġmore": 803, "ations": 804, "ents": 805, "Ġhis": 806, "Ġthey": 807, ".S": 808, "ĠY": 809, "use": 810, "ne": 811, "ish": 812, "old": 813, "_d": 814, "io": 815, "ield": 816, "Ġper": 817, "Cont": 818, "ings": 819, "####": 820, "Ġdata": 821, "Ġsa": 822, "ef": 823, "fo": 824, "Ġone": 825, "eng": 826, "Ġdis": 827, "AT": 828, "Ġname": 829, "Ġtrue": 830, "val": 831, "led": 832, ".f": 833, "Ġne": 834, "Ġend": 835, ".T": 836, "cre": 837, "ark": 838, "log": 839, "Ex": 840, "error": 841, "_id": 842, "urre": 843, "ange": 844, "Ġnull": 845, "rray": 846, "Ġmy": 847, "pan": 848, "ict": 849, "ator": 850, "View": 851, "List": 852, "ĉreturn": 853, "âĢĿ": 854, "Ġpre": 855, "Ġx": 856, "clude": 857, "arg": 858, "ov": 859, ".h": 860, "Ġ>": 861, "Ġtheir": 862, "')": 863, "irst": 864, "ick": 865, "gh": 866, "LE": 867, "OR": 868, "Ġprivate": 869, "tem": 870, "čĊčĊ": 871, "user": 872, "Ġ)": 873, "com": 874, ".A": 875, "\";Ċ": 876, "Ġid": 877, "read": 878, "Ġwho": 879, "_b": 880, "\">Ċ": 881, "Ġtime": 882, "Ġman": 883, "ry": 884, "========": 885, "roup": 886, "rop": 887, "public": 888, "vel": 889, "umber": 890, "ble": 891, "Ġwhich": 892, "****************": 893, "Ġany": 894, "Ġfalse": 895, "we": 896, "Ġvalue": 897, "Ġli": 898, "\")": 899, "nder": 900, "gr": 901, "Ġno": 902, "param": 903, "fig": 904, ".com": 905, "Ġapp": 906, "_l": 907, "ions": 908, ".D": 909, "ĠCh": 910, "Ġabout": 911, "Ġadd": 912, "Ġsu": 913, "Ġstring": 914, "ID": 915, "Ġover": 916, "string": 917, ".l": 918, "ource": 919, "_C": 920, "]Ċ": 921, "Ġqu": 922, "ĠString": 923, "ca": 924, "SE": 925, "Ġro": 926, "sh": 927, "ual": 928, "Type": 929, "son": 930, "new": 931, "ern": 932, "Ġag": 933, "AR": 934, "];Ċ": 935, "].": 936, "Ġ?": 937, "ical": 938, "Ġdes": 939, "uth": 940, "ix": 941, "ays": 942, "Ġtype": 943, "'t": 944, "ault": 945, "Ġinter": 946, "var": 947, ".b": 948, "Ġpart": 949, ".d": 950, "urrent": 951, "IT": 952, "EN": 953, "enc": 954, "(f": 955, "ra": 956, "value": 957, "cho": 958, "utton": 959, "ose": 960, "Ġ!=": 961, "ater": 962, "é": 963, "reate": 964, "oll": 965, "pos": 966, "yle": 967, "ng": 968, "AL": 969, "using": 970, "ames": 971, "Ġ{čĊ": 972, "ates": 973, "ely": 974, "Ġwork": 975, "Ġem": 976, "inal": 977, "Ġsp": 978, "Ġwhen": 979, ".set": 980, "ĠĠĠĠĠĠ": 981, "):Ċ": 982, "to": 983, "quire": 984, "indow": 985, "lement": 986, "pect": 987, "ash": 988, "[i": 989, "Ġuse": 990, ".F": 991, "pec": 992, "Ġad": 993, "ove": 994, "ception": 995, "ength": 996, "include": 997, "ader": 998, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 999, "atus": 1000, "Th": 1001, "itle": 1002, "rit": 1003, "void": 1004, "().": 1005, "(Ċ": 1006, "Ġoff": 1007, "Ġother": 1008, "Ġ&&": 1009, "';Ċ": 1010, "ms": 1011, "Ġbeen": 1012, "Ġte": 1013, "ml": 1014, "co": 1015, "nc": 1016, "ervice": 1017, "Ġ%": 1018, "**Ċ": 1019, "ann": 1020, "ade": 1021, "ĊĊĊĊ": 1022, "lock": 1023, "const": 1024, "ponse": 1025, "Ġsup": 1026, "++": 1027, "date": 1028, "Ġacc": 1029, "Ġhad": 1030, "Ġbu": 1031, "ĠRe": 1032, "Ġwere": 1033, "Ġfile": 1034, "Ġwould": 1035, "ĠâĢľ": 1036, "ven": 1037, "iss": 1038, "Ġour": 1039, "class": 1040, "raw": 1041, "Ġyear": 1042, "Data": 1043, "Ġval": 1044, "Ġsome": 1045, "fter": 1046, "ys": 1047, "Ġ///": 1048, "round": 1049, "view": 1050, "Ġpe": 1051, "Ġthere": 1052, "Ġsaid": 1053, "du": 1054, "of": 1055, "line": 1056, "/*": 1057, "duct": 1058, "Ġher": 1059, "ĠĠĠĠĠĠĠĠĠĠĠĠĠ": 1060, "Res": 1061, "Ġco": 1062, "Ġcomm": 1063, "ise": 1064, "min": 1065, "ĠĠĠĠĊ": 1066, "#include": 1067, "ethod": 1068, ".P": 1069, "ute": 1070, "Ġass": 1071, "Int": 1072, "ask": 1073, "loc": 1074, "Ġlike": 1075, "ody": 1076, "Ġlet": 1077, "load": 1078, "Ġam": 1079, "rol": 1080, "Ġgr": 1081, "yp": 1082, "Ġalso": 1083, "ĠIt": 1084, "url": 1085, "ific": 1086, "ors": 1087, "_P": 1088, "_n": 1089, "igh": 1090, "Ġthan": 1091, "Com": 1092, "AN": 1093, "UL": 1094, "ating": 1095, "ĠThis": 1096, "ref": 1097, "_S": 1098, "Ġstatic": 1099, "roll": 1100, "Ġjust": 1101, "Ġresult": 1102, "ian": 1103, "idth": 1104, "Ġthem": 1105, "));Ċ": 1106, "der": 1107, "reak": 1108, "Con": 1109, "://": 1110, "ule": 1111, "...": 1112, "arch": 1113, "ement": 1114, "Ġ<<": 1115, "ush": 1116, "ense": 1117, "arr": 1118, "Ġinto": 1119, "cess": 1120, "amp": 1121, "ied": 1122, "ument": 1123, "Ġ\\": 1124, "],": 1125, "wo": 1126, "als": 1127, "Ġwhat": 1128, "anc": 1129, "Value": 1130, "='": 1131, "olum": 1132, "Ġpos": 1133, "ages": 1134, "ayer": 1135, "Ġsc": 1136, "ues": 1137, "\")Ċ": 1138, "_T": 1139, "Ġlist": 1140, "(s": 1141, "Ġcase": 1142, "Ch": 1143, "ĉĉĉĉĉ": 1144, "////////": 1145, "ponent": 1146, "Ġz": 1147, "Ġkn": 1148, "let": 1149, "DE": 1150, "red": 1151, "Ġfe": 1152, "Ġ},Ċ": 1153, "Ġ,": 1154, "(t": 1155, "Ġfirst": 1156, "');Ċ": 1157, "word": 1158, "Ġimport": 1159, "Ġact": 1160, "Ġchar": 1161, "CT": 1162, "ĠTr": 1163, "ople": 1164, "={": 1165, "ĉf": 1166, "ient": 1167, "cent": 1168, ".j": 1169, "lection": 1170, "))Ċ": 1171, "Ġonly": 1172, "Ġprint": 1173, "mer": 1174, ".W": 1175, "ock": 1176, "Ġ--": 1177, "Text": 1178, "Ġop": 1179, "ank": 1180, "Ġits": 1181, "Ġback": 1182, "[\"": 1183, "Ġneed": 1184, "Ġcl": 1185, "Ġsub": 1186, "Ġla": 1187, "((": 1188, ".\"": 1189, "Object": 1190, "Ġstart": 1191, "file": 1192, "(self": 1193, "ner": 1194, "ey": 1195, "Ġuser": 1196, "Ġent": 1197, "ĠCom": 1198, "its": 1199, "ĠCon": 1200, "ouble": 1201, "ower": 1202, "item": 1203, "very": 1204, "ĠWe": 1205, "lick": 1206, "ĠQ": 1207, "php": 1208, "ttp": 1209, "':": 1210, "ics": 1211, "Ġunder": 1212, "Ġ*Ċ": 1213, ".L": 1214, ");": 1215, "ices": 1216, "Ġreg": 1217, ")čĊ": 1218, "ĉpublic": 1219, "SS": 1220, "Ġthen": 1221, "reat": 1222, "ious": 1223, ".G": 1224, "ek": 1225, "irect": 1226, "heck": 1227, "cript": 1228, "ning": 1229, "ĠUn": 1230, "Ġmay": 1231, "ĠWh": 1232, "Bo": 1233, "Item": 1234, "struct": 1235, ".st": 1236, "ream": 1237, "ible": 1238, "loat": 1239, "Ġorg": 1240, "und": 1241, "sum": 1242, "_in": 1243, "../": 1244, "_M": 1245, "Ġhow": 1246, "rite": 1247, "'Ċ": 1248, "To": 1249, "ww": 1250, "Ġpeople": 1251, "index": 1252, ".n": 1253, "http": 1254, "(m": 1255, "ector": 1256, "Ġind": 1257, "Ġjav": 1258, "],Ċ": 1259, "ĠHe": 1260, "_st": 1261, "ful": 1262, "ole": 1263, "){Ċ": 1264, "Ġshould": 1265, "opy": 1266, "elp": 1267, "ier": 1268, "_name": 1269, "erson": 1270, "ION": 1271, "ote": 1272, "Ġtest": 1273, "Ġbet": 1274, "rror": 1275, "ular": 1276, "ãĢ": 1277, "ĠÐ": 1278, "bs": 1279, "ting": 1280, "Ġmake": 1281, "Tr": 1282, "Ġafter": 1283, "arget": 1284, "RO": 1285, "olumn": 1286, "rc": 1287, "_re": 1288, "define": 1289, "Ġright": 1290, "right": 1291, "day": 1292, "Ġlong": 1293, "[]": 1294, "(p": 1295, "td": 1296, "cond": 1297, "ĠPro": 1298, "Ġrem": 1299, "ptions": 1300, "vid": 1301, ".g": 1302, "Ġext": 1303, "Ġ__": 1304, "')Ċ": 1305, "pace": 1306, "mp": 1307, "Ġmin": 1308, "stance": 1309, "air": 1310, "action": 1311, "wh": 1312, "type": 1313, "util": 1314, "ait": 1315, "ĊĊ": 1339, "Ġshe": 1340, "\"]": 1341, "aph": 1342, "Ġexp": 1343, "erty": 1344, "ĠSe": 1345, "Ġpar": 1346, "unc": 1347, "ET": 1348, "Ġread": 1349, "print": 1350, "Ġrel": 1351, "Ġform": 1352, "Ġdr": 1353, "Exception": 1354, "input": 1355, "Ġtrans": 1356, "########": 1357, "order": 1358, "By": 1359, "Ġaw": 1360, "ities": 1361, "uff": 1362, "play": 1363, ".add": 1364, "ĠâĢĵ": 1365, "Ġwant": 1366, "Ġcomp": 1367, "ments": 1368, "Ġ||": 1369, "az": 1370, "be": 1371, "Ġnumber": 1372, "Ġrequire": 1373, "ĠEx": 1374, "Ġcol": 1375, "Ġkey": 1376, "ember": 1377, "Ġtwo": 1378, "Ġsize": 1379, "Ġwhere": 1380, "UT": 1381, "result": 1382, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 1383, "ough": 1384, "orld": 1385, "ood": 1386, "uch": 1387, "ative": 1388, "ger": 1389, "arent": 1390, "Ġ/*": 1391, "Ġarg": 1392, "Ġwhile": 1393, "(this": 1394, "Ġrec": 1395, "Ġdif": 1396, "State": 1397, "Ġspec": 1398, "ride": 1399, "_F": 1400, "Ġlook": 1401, "AM": 1402, "ility": 1403, "eter": 1404, "âĢĻt": 1405, "ĊĊĊ": 1406, "ayout": 1407, "--------------------------------": 1408, "ager": 1409, "Ġcould": 1410, "Ġbr": 1411, "ends": 1412, "ures": 1413, "Ġknow": 1414, "ets": 1415, "ĠIf": 1416, "ĠSh": 1417, ".w": 1418, "back": 1419, "Ġser": 1420, "Ġ+=": 1421, "Ġfr": 1422, "());Ċ": 1423, "Ġhand": 1424, "Ind": 1425, "ULL": 1426, "Im": 1427, "();ĊĊ": 1428, "Ġmost": 1429, "Ġtry": 1430, "Ġnow": 1431, "rough": 1432, ">čĊ": 1433, "ackage": 1434, "Ġhim": 1435, "._": 1436, "ify": 1437, "Ġbreak": 1438, "Ġ);Ċ": 1439, "ren": 1440, "#define": 1441, "itt": 1442, "Ġap": 1443, "ĉc": 1444, "(n": 1445, "ĠYou": 1446, ":ĊĊ": 1447, "-m": 1448, "Ġevery": 1449, "ustom": 1450, "lient": 1451, "ocument": 1452, "cription": 1453, "Error": 1454, "-b": 1455, "о": 1456, "][": 1457, "trans": 1458, "Ġpoint": 1459, "Ġstd": 1460, "Ġfil": 1461, "Time": 1462, "Ġmod": 1463, "Ġ->": 1464, "Ġerror": 1465, "ah": 1466, "Ġtext": 1467, "roller": 1468, "lose": 1469, "ql": 1470, "Ġpol": 1471, "><": 1784, ".B": 1785, "-c": 1786, "Ġopen": 1787, "Ġest": 1788, "ĠĠĠĠĠĠĠĠĊ": 1789, "Ġnext": 1790, "IM": 1791, "ÑĤ": 1792, "OT": 1793, "ó": 1794, "Ġfollow": 1795, "content": 1796, "ĠĠĠĠĠĠĠĠĠĠĠĠ": 1797, "Ġinclud": 1798, "HE": 1799, "ĠRes": 1800, "Ġhref": 1801, "и": 1802, "Ġcar": 1803, "ypes": 1804, "image": 1805, "Un": 1806, "Ġbool": 1807, "AD": 1808, "Ġgame": 1809, ".Form": 1810, "rows": 1811, "*/": 1812, "velop": 1813, ".Drawing": 1814, "Ġpath": 1815, "ision": 1816, "Ġeach": 1817, "ĠPl": 1818, "_type": 1819, "Path": 1820, "nection": 1821, "Ġav": 1822, "').": 1823, "Ġsupport": 1824, "ENT": 1825, "rem": 1826, "\").": 1827, "Ġown": 1828, "Ġcor": 1829, "count": 1830, "miss": 1831, "ually": 1832, "Ġmem": 1833, "std": 1834, "ience": 1835, "search": 1836, "\"ĊĊ": 1837, "Form": 1838, "Ġsex": 1839, "ename": 1840, "Ġsign": 1841, "Ġet": 1842, "ĠĠĠĠĠĠĠĠĠĠ": 1843, "','": 1844, "ĠApp": 1845, "Ġthose": 1846, "off": 1847, "Ġerr": 1848, "Ġsystem": 1849, "Ġbest": 1850, "code": 1851, "Ġsame": 1852, "Ġdi": 1853, "uss": 1854, "Ġcreate": 1855, "ather": 1856, "Array": 1857, ".in": 1858, "fe": 1859, "Service": 1860, "UN": 1861, "ats": 1862, "ĠZ": 1863, "alth": 1864, "Ġmade": 1865, "true": 1866, "AB": 1867, "Ġmark": 1868, "rid": 1869, "ified": 1870, ",čĊ": 1871, "yn": 1872, "press": 1873, "Ġgroup": 1874, "Ġfin": 1875, "ĠLicense": 1876, "Field": 1877, "eger": 1878, "Ġworld": 1879, "iness": 1880, "ty": 1881, "Ġprocess": 1882, "(b": 1883, "Ġcre": 1884, "arn": 1885, "ives": 1886, "Ġmain": 1887, "ideo": 1888, "_g": 1889, "AG": 1890, "valid": 1891, "img": 1892, "PI": 1893, "Ġcolor": 1894, "Ġreport": 1895, "Ġtake": 1896, "rib": 1897, "OM": 1898, "Ġday": 1899, "Request": 1900, "Ġsk": 1901, "bers": 1902, "ĉs": 1903, ".Add": 1904, "oot": 1905, "Image": 1906, "Ġcomple": 1907, "ollection": 1908, "Ġtop": 1909, "Ġfree": 1910, "AS": 1911, "De": 1912, "ĠOn": 1913, "IG": 1914, "eta": 1915, "Date": 1916, "Ġaction": 1917, "Over": 1918, "itor": 1919, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 1920, "not": 1921, "Ġindex": 1922, "her": 1923, "icon": 1924, "On": 1925, ";čĊčĊ": 1926, "ivity": 1927, "mand": 1928, ".Windows": 1929, "OL": 1930, "Ġreal": 1931, "Ġmax": 1932, "land": 1933, "....": 1934, "raph": 1935, "Ġbuild": 1936, "leg": 1937, "assword": 1938, "?ĊĊ": 1939, "âĢ¦": 1940, "ook": 1941, "uck": 1942, "Ġmessage": 1943, "test": 1944, "ivers": 1945, "Ġinput": 1946, "Ġart": 1947, "Ġbetween": 1948, "Get": 1949, "enter": 1950, "ground": 1951, "ene": 1952, "á": 1953, ".length": 1954, "Node": 1955, "(i": 1956, "Class": 1957, "for": 1958, "ĠâĢĶ": 1959, "ten": 1960, "oin": 1961, "Ġke": 1962, "ui": 1963, "ĠIN": 1964, "Ġtable": 1965, "sub": 1966, "ĠLe": 1967, "Ġhead": 1968, "Ġmust": 1969, "////////////////": 1970, ".util": 1971, "Context": 1972, "Ġorder": 1973, "Ġmov": 1974, "over": 1975, "Ġcontin": 1976, "Ġsay": 1977, "static": 1978, ".Text": 1979, "ĠclassName": 1980, "pany": 1981, "Ġter": 1982, "head": 1983, "rg": 1984, "Ġproduct": 1985, "This": 1986, ".âĢĿ": 1987, "ĠBut": 1988, "loy": 1989, "Ġdouble": 1990, "sg": 1991, "Ġplace": 1992, ".x": 1993, "message": 1994, "Ġinformation": 1995, "private": 1996, "Ġoper": 1997, "ced": 1998, "db": 1999, "\">": 2179, "aterial": 2180, "iled": 2181, "Ġput": 2182, "Qu": 2183, "ÑĢ": 2184, "ung": 2185, "map": 2186, "ĉĉĉĉĉĉĉĉ": 2187, "Ġlevel": 2188, "Component": 2189, "book": 2190, "creen": 2191, "_RE": 2192, "Ġconfig": 2193, "ãģ": 2194, "Or": 2195, ".data": 2196, "Ġdocument": 2197, "\",\"": 2198, "tribute": 2199, "ux": 2200, "Log": 2201, "ference": 2202, "post": 2203, "_e": 2204, "Ġlocal": 2205, "andom": 2206, "assert": 2207, "Val": 2208, "lected": 2209, "ina": 2210, "atabase": 2211, "Add": 2212, "Ġcontent": 2213, ".print": 2214, "signed": 2215, "ric": 2216, ".\"ĊĊ": 2217, "Ġfa": 2218, "!ĊĊ": 2219, "-f": 2220, "ived": 2221, "Ġquest": 2222, ".ex": 2223, "Ġfloat": 2224, "Ġdevelop": 2225, "оÐ": 2226, "Map": 2227, "ading": 2228, "Ġposs": 2229, "UE": 2230, "namespace": 2231, "_O": 2232, "ĉb": 2233, ".Get": 2234, ">(": 2235, "json": 2236, "etails": 2237, "Ġtoo": 2238, "Ġextends": 2239, "ĠNone": 2240, "Ġfore": 2241, "(String": 2242, "format": 2243, "Ġgreat": 2244, "inter": 2245, "cale": 2246, "Ñģ": 2247, "ron": 2248, "iving": 2249, "Ent": 2250, "ency": 2251, "xt": 2252, "oy": 2253, "Ġmonth": 2254, "Ġhapp": 2255, "Ġsuper": 2256, "bar": 2257, "default": 2258, "_de": 2259, "ords": 2260, "ln": 2261, "({Ċ": 2262, "ĠInd": 2263, "ases": 2264, "Ġtitle": 2265, "Ġcontext": 2266, "oh": 2267, "-p": 2268, "Em": 2269, "Ġmet": 2270, "Test": 2271, "Ġlife": 2272, "_v": 2273, "ĠUS": 2274, "UI": 2275, "ocation": 2276, "md": 2277, "Ġ[Ċ": 2278, "Ġ]": 2279, "sw": 2280, "Ġincre": 2281, "script": 2282, "ential": 2283, "ways": 2284, ".de": 2285, "Ġsrc": 2286, "Ġcatch": 2287, "ĠAmeric": 2288, "//Ċ": 2289, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 2290, "Ġpay": 2291, "plit": 2292, "âĢĶ": 2293, "Ġcoun": 2294, "obj": 2295, ".php": 2296, "Ġchange": 2297, "ething": 2298, "'re": 2299, "aster": 2300, "los": 2301, "lation": 2302, "ĠĠĊ": 2303, "Le": 2304, "ä": 2305, "({": 2306, "ready": 2307, "ĠNo": 2308, "Ġposition": 2309, "Ġold": 2310, "Ġbook": 2311, "abled": 2312, "bug": 2313, "Hand": 2314, "};ĊĊ": 2315, "isplay": 2316, "aving": 2317, "Ġgover": 2318, "Ġversion": 2319, "System": 2320, "nect": 2321, "response": 2322, "Style": 2323, "Up": 2324, "angu": 2325, "Ġthree": 2326, "init": 2327, "ero": 2328, "Ġlaw": 2329, "endif": 2330, "Ġbase": 2331, "email": 2332, "(l": 2333, "_V": 2334, "Ġconf": 2335, "ATE": 2336, "Ġduring": 2337, "tes": 2338, "Ġconsole": 2339, "ĠPr": 2340, "Ġspe": 2341, "ves": 2342, "path": 2343, "ialog": 2344, "dition": 2345, "_to": 2346, "ards": 2347, "Ġagainst": 2348, "etwork": 2349, "ĠPh": 2350, "_L": 2351, "cur": 2352, "imit": 2353, "With": 2354, "Ġpower": 2355, "ium": 2356, "';ĊĊ": 2357, "Ġwom": 2358, "left": 2359, "ources": 2360, "atri": 2361, "ĠIm": 2362, "ĠMan": 2363, "orth": 2364, "${": 2365, "quals": 2366, "ese": 2367, "_size": 2368, "Ġiss": 2369, "otal": 2370, "-g": 2371, "ique": 2372, "rame": 2373, "Ġwidth": 2374, "erg": 2375, ")(": 2376, "ittle": 2377, "TR": 2378, "ĠThey": 2379, "ences": 2380, "rl": 2381, "ons": 2382, "Ġlabel": 2383, ".y": 2384, "-t": 2385, "update": 2386, "anel": 2387, "sc": 2388, ".to": 2389, "Ġproject": 2390, "ü": 2391, "Ġelement": 2392, "Ġsuccess": 2393, "ĉĉĊ": 2394, ".sh": 2395, "ram": 2396, "ched": 2397, "())Ċ": 2398, "Ġ(Ċ": 2399, "Ġdate": 2400, "Ġtot": 2401, "_ST": 2402, "All": 2403, "ification": 2404, "ĉvar": 2405, "Ġtri": 2406, "chem": 2407, "my": 2408, "Ġbig": 2409, "ĠAd": 2410, "ĠAt": 2411, "ots": 2412, "num": 2413, "Act": 2414, "Ġmap": 2415, "era": 2416, "cope": 2417, ".$": 2418, ",âĢĿ": 2419, "Ġpop": 2420, "Ġfew": 2421, "Ġlen": 2422, "uid": 2423, "eters": 2424, "ules": 2425, "ÃŃ": 2426, "source": 2427, "https": 2428, "Ġdem": 2429, "Ġear": 2430, "################": 2431, "Ġmatch": 2432, "ories": 2433, "aces": 2434, "ĠCl": 2435, "Ġnode": 2436, "irc": 2437, "local": 2438, "unity": 2439, "};Ċ": 2440, "Ġanother": 2441, "<<": 2442, "ogle": 2443, "Ġsit": 2444, "ework": 2445, "TE": 2446, ".I": 2447, "NS": 2448, "ology": 2449, "ought": 2450, ".Cont": 2451, ">>": 2452, "Ġcare": 2453, "state": 2454, "ĉprivate": 2455, "Ġeffect": 2456, "++)": 2457, "_file": 2458, "ending": 2459, "Line": 2460, "For": 2461, "ior": 2462, "ĠSc": 2463, "Ġfun": 2464, ".Size": 2465, "ĉelse": 2466, "])": 2467, "start": 2468, "vious": 2469, "Ġ},": 2470, "ours": 2471, "Ġleg": 2472, "Ġservice": 2473, "Ġsince": 2474, "iron": 2475, "Label": 2476, "Ġnon": 2477, "Ġlos": 2478, "iction": 2479, "Ġfull": 2480, "acter": 2481, "board": 2482, "gress": 2483, "Ġturn": 2484, "ither": 2485, ".size": 2486, "Ġbody": 2487, "resh": 2488, "eturn": 2489, "(_": 2490, "yles": 2491, "ormal": 2492, "pi": 2493, "Ġsomething": 2494, "!--": 2495, "uint": 2496, "Ġprodu": 2497, "Ġstand": 2498, "Ġproble": 2499, "Ġavailable": 2500, "mt": 2501, "ĠBl": 2502, "Ġ...": 2503, "Ġblock": 2504, "Input": 2505, "Ġkeep": 2506, "Count": 2507, "open": 2508, "Ġ['": 2509, "Ġthrow": 2510, "uilder": 2511, "Action": 2512, "Ġthings": 2513, "True": 2514, "Ġurl": 2515, "ĠBo": 2516, "printf": 2517, "Ġred": 2518, "js": 2519, ".create": 2520, "ĠOr": 2521, "Status": 2522, "Instance": 2523, "Ġcontrol": 2524, "Ġcome": 2525, "Ġcustom": 2526, "location": 2527, "model": 2528, "ĠčĊ": 2529, "Ġsource": 2530, "Ġeas": 2531, ".out": 2532, "]ĊĊ": 2533, "oney": 2534, "Ġawait": 2535, "Ġpartic": 2536, "AP": 2537, "ublish": 2538, "odes": 2539, "_pro": 2540, "ply": 2541, "riter": 2542, "Ġprov": 2543, "Ġmill": 2544, "HT": 2545, "])Ċ": 2546, "Ġchang": 2547, "Ġask": 2548, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 2549, "Ġoutput": 2550, "Ġemail": 2551, ".push": 2552, "Ġ}čĊčĊ": 2553, "ination": 2554, "atrix": 2555, "Table": 2556, "uccess": 2557, "]);Ċ": 2558, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 2559, "Ġdisc": 2560, "([": 2561, "Ġbusiness": 2562, "height": 2563, ".html": 2564, "ta": 2565, "field": 2566, "Ġrequired": 2567, "_R": 2568, "Ġgovern": 2569, "}čĊčĊ": 2570, "lex": 2571, ".,": 2572, "ĠSet": 2573, "urch": 2574, "///": 2575, "ts": 2576, "af": 2577, "Ġmight": 2578, "istory": 2579, "Str": 2580, "Ġnever": 2581, "Response": 2582, "arse": 2583, "ada": 2584, "ĠHow": 2585, "Ġ*)": 2586, "Ġ;": 2587, "Ġhard": 2588, "Ad": 2589, "Ġintern": 2590, "used": 2591, "(data": 2592, "mod": 2593, "annel": 2594, "Ġnp": 2595, "ugg": 2596, "Ġ/>Ċ": 2597, "Ġcalled": 2598, "body": 2599, "Ġcho": 2600, "(r": 2601, "_set": 2602, "ird": 2603, "Ġ>=": 2604, "Ġ};Ċ": 2605, "Ġoptions": 2606, "ĠGener": 2607, "Ġheight": 2608, "Point": 2609, "You": 2610, "ety": 2611, "Click": 2612, "Ġsmall": 2613, "Ġide": 2614, "Ġaccess": 2615, "anguage": 2616, "Ġprotected": 2617, "Ġjob": 2618, "ĠThere": 2619, "Def": 2620, "Ġaddress": 2621, "Ġuint": 2622, "Not": 2623, "oo": 2624, "aps": 2625, "": 2759, "ĉĠĠĠ": 2760, "\"))": 2761, "Content": 2762, "_W": 2763, "plement": 2764, "Ġwon": 2765, "Ġvideo": 2766, "adi": 2767, "point": 2768, "%%": 2769, "Ġgl": 2770, "erved": 2771, "viron": 2772, "IF": 2773, "uted": 2774, "ãĥ": 2775, "'m": 2776, "Ġcert": 2777, "Ġprof": 2778, "Ġcell": 2779, "ari": 2780, "Ġplayer": 2781, "ais": 2782, "Ġcost": 2783, "Ġhum": 2784, "(R": 2785, "Ġoffic": 2786, "ks": 2787, ".text": 2788, "atures": 2789, "Ġtotal": 2790, "Ġ*/ĊĊ": 2791, "ope": 2792, "Ġstat": 2793, "UM": 2794, "Ġload": 2795, "ights": 2796, "Ġclear": 2797, "uro": 2798, "Ġtechn": 2799, "upport": 2800, "IR": 2801, "Ġrow": 2802, "Ġseem": 2803, "Ġq": 2804, "Ġshort": 2805, "ĠNot": 2806, "ipp": 2807, "Group": 2808, "section": 2809, "max": 2810, "irl": 2811, "Ġoverride": 2812, "Ġcompany": 2813, "Ġdone": 2814, "\");čĊ": 2815, "Ġgre": 2816, ".Re": 2817, "Ġbelie": 2818, "rist": 2819, "Ġhealth": 2820, "ANT": 2821, "()ĊĊ": 2822, "ĠBe": 2823, ".value": 2824, "ĠGr": 2825, "ottom": 2826, "Ġargs": 2827, "PT": 2828, "status": 2829, "func": 2830, "uments": 2831, "-h": 2832, "Number": 2833, ":čĊ": 2834, "ĠLog": 2835, "erver": 2836, "Ġ),Ċ": 2837, "ament": 2838, "Ġobj": 2839, "inc": 2840, "Ġchildren": 2841, "icy": 2842, "IZ": 2843, "ands": 2844, "ably": 2845, "Ġdistrib": 2846, "Ġcur": 2847, "erial": 2848, "Ġdays": 2849, "reated": 2850, "rect": 2851, "-l": 2852, "irm": 2853, "idden": 2854, "omb": 2855, "Ġinitial": 2856, ".js": 2857, "Ġâ": 2858, "Query": 2859, "Ġonline": 2860, "imal": 2861, ".con": 2862, "au": 2863, "Url": 2864, "control": 2865, "irection": 2866, "Ġinstance": 2867, "ORT": 2868, "ĠFr": 2869, "where": 2870, "Ġjavax": 2871, "Ġorgan": 2872, "apter": 2873, "Ġreason": 2874, "options": 2875, "ĠMar": 2876, "(a": 2877, "Ġwithin": 2878, ".âĢĿĊĊ": 2879, "ODE": 2880, "_DE": 2881, "admin": 2882, "ended": 2883, "Ġdesign": 2884, "ĠData": 2885, "une": 2886, "ĠFile": 2887, "root": 2888, "Ġcent": 2889, "Ġarr": 2890, "_add": 2891, "len": 2892, "page": 2893, ",'": 2894, "_str": 2895, "Ġbro": 2896, "ability": 2897, "outh": 2898, "/c": 2899, "pose": 2900, "irtual": 2901, "earch": 2902, "_url": 2903, "argin": 2904, "Http": 2905, "Ġschool": 2906, "ava": 2907, "Ġconsider": 2908, ".label": 2909, "ĠArray": 2910, "web": 2911, "opt": 2912, ".println": 2913, "ulation": 2914, "Ġfunc": 2915, "PL": 2916, "Ġ\"\\": 2917, "ĠText": 2918, "actory": 2919, "(function": 2920, "null": 2921, "Ġeng": 2922, "down": 2923, "Ġinclude": 2924, "ĠEn": 2925, "ĠDr": 2926, "Ġdb": 2927, "!!": 2928, "side": 2929, "Ġinit": 2930, "quired": 2931, "ĠShe": 2932, "Column": 2933, "react": 2934, "Ġann": 2935, "Ġstop": 2936, "Ġlater": 2937, "ĠThat": 2938, "ention": 2939, "df": 2940, "UG": 2941, "ILE": 2942, "Ġclient": 2943, "raft": 2944, "ffer": 2945, "POST": 2946, "elper": 2947, "Ġlove": 2948, "quote": 2949, "oud": 2950, "Ġjson": 2951, "Ġable": 2952, "Ġmen": 2953, "AX": 2954, "ĠCopyright": 2955, "ö": 2956, "avig": 2957, "req": 2958, "Client": 2959, "});Ċ": 2960, ".Com": 2961, "erc": 2962, "ilt": 2963, "pecial": 2964, "_com": 2965, "room": 2966, ".Name": 2967, "Ġgive": 2968, "amb": 2969, "ike": 2970, "Ġcondition": 2971, "client": 2972, "ators": 2973, ":\"": 2974, "Ġcopy": 2975, "uture": 2976, "iversity": 2977, "ernal": 2978, "{{": 2979, "ĠCan": 2980, "ounc": 2981, "do": 2982, "Ġocc": 2983, "Ġappro": 2984, "thers": 2985, "ze": 2986, "Ġeither": 2987, "ĠFl": 2988, "Ġimportant": 2989, "Ġlead": 2990, "attr": 2991, "ART": 2992, "Equal": 2993, "Ġda": 2994, "etch": 2995, "entity": 2996, "Ġfamily": 2997, "adding": 2998, "Ġoption": 2999, "Ġexist": 3000, "ica": 3001, "ĠObject": 3002, "'ve": 3003, "vers": 3004, "itional": 3005, "output": 3006, "ĠTrue": 3007, "ĠOF": 3008, "_time": 3009, "Ġoffer": 3010, "Ġ});ĊĊ": 3011, "HER": 3012, "egin": 3013, "\"\"": 3014, "Ġwater": 3015, "Ġche": 3016, "ĠMy": 3017, "ored": 3018, "Ġstep": 3019, "ances": 3020, "CK": 3021, "AY": 3022, "à¸": 3023, "struction": 3024, "(C": 3025, "ouch": 3026, "Stream": 3027, "active": 3028, "ama": 3029, "Entity": 3030, "product": 3031, "(){Ċ": 3032, "Ġgovernment": 3033, "ĠID": 3034, "ajor": 3035, "And": 3036, "Ġdisplay": 3037, "л": 3038, "Ġtimes": 3039, "Ġfour": 3040, "Ġfar": 3041, "Ġpresent": 3042, "ĠNS": 3043, "Ġ\\Ċ": 3044, "uest": 3045, "Ġbas": 3046, "echo": 3047, "child": 3048, "ifier": 3049, "Handler": 3050, "Ġlib": 3051, "Property": 3052, "translation": 3053, "Ġroom": 3054, "Ġonce": 3055, "Ġ[]": 3056, "center": 3057, "================================": 3058, "Ġresults": 3059, "Ġcontinue": 3060, "Ġtalk": 3061, "_get": 3062, "Ġgrow": 3063, ".sw": 3064, "eb": 3065, "ĠPublic": 3066, "OP": 3067, "ecute": 3068, "ols": 3069, "Ġ**": 3070, "\");ĊĊ": 3071, "Ġmass": 3072, "ured": 3073, ".class": 3074, "omic": 3075, "Ġmean": 3076, "ips": 3077, "Ġaut": 3078, ");čĊčĊ": 3079, "Ġuntil": 3080, "Ġmarket": 3081, "Ġarea": 3082, "uit": 3083, "Ġlength": 3084, "ĠWith": 3085, "structor": 3086, "event": 3087, "\"><": 3088, "ĠSp": 3089, "IV": 3090, "Ġmus": 3091, "iff": 3092, "Ġkind": 3093, "author": 3094, "ounds": 3095, "mb": 3096, "_key": 3097, "width": 3098, "pository": 3099, "Ġlight": 3100, "uk": 3101, "Row": 3102, "ohn": 3103, "alf": 3104, "vironment": 3105, "apper": 3106, "ollections": 3107, "Ġside": 3108, "_info": 3109, "Ġexample": 3110, "imary": 3111, "Ġwr": 3112, "Ġcamp": 3113, "cribe": 3114, "\"/": 3115, "Ġmiss": 3116, "way": 3117, "Ġbased": 3118, "Ġplan": 3119, "Vis": 3120, "omain": 3121, "unk": 3122, "Ġaway": 3123, "UP": 3124, "": 3370, "Ġden": 3371, "obile": 3372, "change": 3373, "ĠĠĠĠĠĠĠĠĠĠĠĠĊ": 3374, "ici": 3375, "na": 3376, "ĠForm": 3377, "Ġsort": 3378, "Select": 3379, "pare": 3380, "Ġthought": 3381, "_con": 3382, "Ġtask": 3383, "ocus": 3384, "ĠDE": 3385, "ĠMin": 3386, "Ġopt": 3387, "ĉbreak": 3388, "umer": 3389, "KE": 3390, "then": 3391, "Ġdet": 3392, "ĠTest": 3393, "ports": 3394, "Ġreview": 3395, "('/": 3396, "move": 3397, "Ġswitch": 3398, "ERT": 3399, "patch": 3400, "annot": 3401, "ãĤ": 3402, "Ġabove": 3403, "itive": 3404, "Ġquestion": 3405, "ĠQu": 3406, "ãĢĤĊĊ": 3407, "gle": 3408, "Ġword": 3409, "Ġprovide": 3410, "ĠReturn": 3411, "Ġresearch": 3412, "ão": 3413, "ustr": 3414, "Ġpublish": 3415, "chema": 3416, "}}": 3417, "ĠCON": 3418, "-in": 3419, "allback": 3420, "Ġcover": 3421, "\\\\": 3422, "color": 3423, "ĠIS": 3424, "Ġwhether": 3425, "imate": 3426, "isc": 3427, "Bar": 3428, "Ġdiv": 3429, "Be": 3430, "ourn": 3431, "Ġhaving": 3432, "lem": 3433, "player": 3434, "abs": 3435, "amera": 3436, "ney": 3437, "Ġexc": 3438, "gether": 3439, "plied": 3440, "ao": 3441, "[$": 3442, "Ġ++": 3443, "ipe": 3444, "show": 3445, "/d": 3446, "[:": 3447, "agement": 3448, "lev": 3449, "_ID": 3450, "rary": 3451, "ades": 3452, "_se": 3453, "ause": 3454, "Ġemploy": 3455, "Ġ*/čĊ": 3456, "Ġfre": 3457, "Ġ'@": 3458, "Ġcomplet": 3459, "Ġlarge": 3460, "ral": 3461, "\\x": 3462, "Ġfac": 3463, ">": 3578, "Ġface": 3579, "CTION": 3580, "Ġsave": 3581, "Ġtyp": 3582, "dev": 3583, "(\"#": 3584, "AGE": 3585, "container": 3586, "edit": 3587, "QL": 3588, "Ġitems": 3589, "Ġsocial": 3590, "ien": 3591, "ĠReact": 3592, ").ĊĊ": 3593, "Ġmar": 3594, "Ġredu": 3595, "ĠRE": 3596, ".put": 3597, "Ġmajor": 3598, "Cell": 3599, "next": 3600, "Ġexpected": 3601, "Ġyet": 3602, "Ġindiv": 3603, "tributes": 3604, "atis": 3605, "amed": 3606, "Ġfood": 3607, "Source": 3608, "(string": 3609, "Ġ+Ċ": 3610, "ites": 3611, "dr": 3612, "Ġmembers": 3613, "Ġcomb": 3614, "items": 3615, "ĠPer": 3616, "TH": 3617, "=True": 3618, "Ġbar": 3619, "_SE": 3620, "comm": 3621, "(w": 3622, ")ĊĊĊ": 3623, "Ġsend": 3624, "Ġinc": 3625, "unsigned": 3626, "FA": 3627, "Ġparams": 3628, "apping": 3629, "ros": 3630, "ugin": 3631, "fa": 3632, "Ġconnection": 3633, "Ġ};ĊĊ": 3634, "Ġbecome": 3635, "Mode": 3636, "Ġev": 3637, "Ġdiff": 3638, "ĠUnited": 3639, "Height": 3640, "fully": 3641, "images": 3642, "Ġmakes": 3643, "Ġglobal": 3644, "Ġcontact": 3645, "':Ċ": 3646, "Ġabs": 3647, "аÐ": 3648, "float": 3649, "Ġexcept": 3650, "ĠPol": 3651, "Child": 3652, "typ": 3653, "Ġcertain": 3654, "ión": 3655, "OUT": 3656, "Ġimpro": 3657, "iles": 3658, "Ġ-->Ċ": 3659, "ĠPart": 3660, "values": 3661, "oss": 3662, "/**": 3663, "ilit": 3664, "ĠEvent": 3665, "curity": 3666, "ster": 3667, "Ġcharacter": 3668, "Ġnews": 3669, "Ġ\",": 3670, "Ġdevice": 3671, "cel": 3672, "login": 3673, "heet": 3674, "Default": 3675, "@\"": 3676, "ĉĠ": 3677, "click": 3678, "(value": 3679, "ĠAb": 3680, "Ġprevious": 3681, "ERROR": 3682, "ocal": 3683, "Ġmaterial": 3684, "Ġbelow": 3685, "ĠChrist": 3686, "Ġmedia": 3687, "cover": 3688, "ĠUI": 3689, "Ġfail": 3690, "Ġblack": 3691, "Ġcomponent": 3692, "ĠAmerican": 3693, "Ġadded": 3694, "Ġbuy": 3695, "stit": 3696, "Ġcame": 3697, "Ġdelete": 3698, "property": 3699, "oding": 3700, "Ġcard": 3701, "rops": 3702, "Ġhttps": 3703, "Ġroot": 3704, "Ġhandle": 3705, "CC": 3706, "Back": 3707, "emplate": 3708, "Ġgetting": 3709, "_by": 3710, "mail": 3711, "_sh": 3712, ".assert": 3713, "ĠDec": 3714, "(true": 3715, "Ġcomput": 3716, "Ġclaim": 3717, "'=>": 3718, "ĠSub": 3719, "Ġair": 3720, "ops": 3721, "nav": 3722, "ements": 3723, "(id": 3724, "Ġenter": 3725, "anged": 3726, "End": 3727, "Ġlocation": 3728, "Ġnight": 3729, "Ġdoing": 3730, "ĠRed": 3731, "lin": 3732, "}ĊĊĊ": 3733, "vider": 3734, "Ġpick": 3735, "Ġwatch": 3736, "essages": 3737, "Ġhuman": 3738, "Ġdam": 3739, "pend": 3740, "dir": 3741, "Ġtax": 3742, "Ġgirl": 3743, "reet": 3744, "Ġbox": 3745, "Ġstrong": 3746, "(v": 3747, "rel": 3748, "Ġinterface": 3749, "Ġmsg": 3750, "fect": 3751, "_at": 3752, "Ġhouse": 3753, "Ġtrack": 3754, "');ĊĊ": 3755, "je": 3756, "ĠJohn": 3757, "istr": 3758, "(S": 3759, "ube": 3760, "Ġce": 3761, "itted": 3762, "VER": 3763, "*)": 3764, "parent": 3765, "Ġapplication": 3766, "any": 3767, ".swing": 3768, "Ġpack": 3769, "\\u": 3770, "Ġpract": 3771, "Ġsection": 3772, "ctx": 3773, "Ġunsigned": 3774, ".Point": 3775, "ĠOne": 3776, "ı": 3777, "iple": 3778, "aid": 3779, "Ñĥ": 3780, "Vector": 3781, "byte": 3782, "Ġwait": 3783, "ĠÃł": 3784, "Ã¥": 3785, "Ġtogether": 3786, "Ġthrows": 3787, "FO": 3788, "'))": 3789, "host": 3790, "ising": 3791, ".view": 3792, "Ġterms": 3793, "framework": 3794, "-r": 3795, "Ġapply": 3796, "Ġsession": 3797, "Options": 3798, "uggest": 3799, "Ġothers": 3800, "witter": 3801, "Ġfund": 3802, "Init": 3803, "__(": 3804, "ensor": 3805, "GET": 3806, "Ġseveral": 3807, "ii": 3808, "[j": 3809, "IO": 3810, "Ġtemplate": 3811, "Position": 3812, "Ġecon": 3813, "achine": 3814, "Ġil": 3815, ".spring": 3816, "main": 3817, "elt": 3818, "iment": 3819, "Rec": 3820, "mm": 3821, "ĠUniversity": 3822, "ursor": 3823, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 3824, "GL": 3825, "icture": 3826, "ithub": 3827, "cer": 3828, "cast": 3829, "From": 3830, "ales": 3831, "Ġsubject": 3832, "password": 3833, "ny": 3834, "Ġesc": 3835, ".write": 3836, "ï¼Į": 3837, "What": 3838, ".H": 3839, "Ġhistory": 3840, "ĠFe": 3841, "Ġindividual": 3842, "unit": 3843, "Ġ-->": 3844, "Ġdu": 3845, "IST": 3846, "Ġusers": 3847, "fs": 3848, "false": 3849, "unt": 3850, "Title": 3851, "Ġmot": 3852, "Ġfuture": 3853, "ached": 3854, "Ġstarted": 3855, "Ġmode": 3856, "Ġ'<": 3857, "_array": 3858, "Ġax": 3859, "'];Ċ": 3860, "ires": 3861, "There": 3862, "ught": 3863, "tml": 3864, "posed": 3865, "icult": 3866, "Ġtook": 3867, "Ġgames": 3868, "Ġ}}": 3869, "Ġ?>Ċ": 3870, "Ġproducts": 3871, "Is": 3872, "Ġbad": 3873, "ĠDes": 3874, ".path": 3875, "'ĊĊ": 3876, "ĠPost": 3877, "avel": 3878, "(:": 3879, "Ġneeds": 3880, "Ġknown": 3881, "Fl": 3882, "Ġexec": 3883, "Ġseen": 3884, "ume": 3885, "Ġborder": 3886, "Ġlive": 3887, "temp": 3888, "Per": 3889, "Ġvariable": 3890, "iet": 3891, "ĠDef": 3892, "Ġge": 3893, "eme": 3894, "_back": 3895, "first": 3896, "Ġprovided": 3897, "////////////////////////////////": 3898, "Ġfilename": 3899, "Ġhope": 3900, "uly": 3901, "auto": 3902, "find": 3903, "_string": 3904, "btn": 3905, "itude": 3906, "Attribute": 3907, "Ġyoung": 3908, ".txt": 3909, "Ġwebsite": 3910, "ĠProp": 3911, "Ġey": 3912, ">();Ċ": 3913, "ional": 3914, "ARR": 3915, "ictionary": 3916, "urther": 3917, ".": 3997, "tx": 3998, "Ġpur": 3999, "uel": 4000, "ymbol": 4001, "uation": 4002, "anger": 4003, "Ġbackground": 4004, "ecess": 4005, "efined": 4006, "........": 4007, "Ġdescription": 4008, "Ġrepresent": 4009, "\"));Ċ": 4010, "pression": 4011, "rowser": 4012, "Ġseries": 4013, "wards": 4014, "($_": 4015, "aise": 4016, "Ġhot": 4017, "acity": 4018, "ries": 4019, "actions": 4020, "Create": 4021, "adio": 4022, "amples": 4023, "Ġoriginal": 4024, "ensive": 4025, "font": 4026, "stream": 4027, "using": 4028, ".springframework": 4029, "server": 4030, "Ġbill": 4031, "ACK": 4032, "ilename": 4033, "Ġframe": 4034, "Ġ=Ċ": 4035, "Edit": 4036, "adius": 4037, "Ġdraw": 4038, "anks": 4039, "Ġdeter": 4040, "Ġcomes": 4041, "_int": 4042, "Ġforeach": 4043, "angle": 4044, "Ġelect": 4045, "pected": 4046, "Header": 4047, "istration": 4048, "False": 4049, "ĠGame": 4050, "Ġfilter": 4051, "Activity": 4052, "Ġlarg": 4053, "inition": 4054, "Ġ\"<": 4055, "ised": 4056, "Ġremove": 4057, "ĠTrans": 4058, "met": 4059, "see": 4060, "Format": 4061, "Command": 4062, "ĠEX": 4063, "None": 4064, "Ġfront": 4065, "ASE": 4066, "ĠRec": 4067, "oundation": 4068, "Ġvo": 4069, "=\\\"": 4070, "(*": 4071, "Change": 4072, ".Write": 4073, "group": 4074, "ients": 4075, "uy": 4076, "****************************************************************": 4077, "Ġdig": 4078, "hr": 4079, "(-": 4080, "Ġgen": 4081, "number": 4082, "vec": 4083, "urope": 4084, "entry": 4085, "LL": 4086, "Ġste": 4087, "Valid": 4088, "'],": 4089, "_param": 4090, "Ġselected": 4091, "Ġaccording": 4092, "ĠDis": 4093, "Ġutil": 4094, "Buffer": 4095, "_error": 4096, "Ġassoci": 4097, "_SIZE": 4098, "Ġwor": 4099, "Ġprintf": 4100, "rag": 4101, "Âł": 4102, "DD": 4103, "ĠVal": 4104, "Ġactiv": 4105, "Eng": 4106, "etime": 4107, "Ġvirtual": 4108, "aign": 4109, "aur": 4110, "ĠPres": 4111, "ĠException": 4112, "Ġanything": 4113, "ĠOff": 4114, "Ġhours": 4115, "Ġwar": 4116, "Args": 4117, "aging": 4118, "Ġmodels": 4119, "ĠTime": 4120, "Ob": 4121, "ams": 4122, "joy": 4123, "Ġearly": 4124, ".read": 4125, "Ġcenter": 4126, "ĠInitial": 4127, "Ġlanguage": 4128, "length": 4129, "xy": 4130, "Ġsn": 4131, "Ġinf": 4132, "Post": 4133, "Ġago": 4134, "Ġeasy": 4135, "_code": 4136, "ĠANY": 4137, "_ch": 4138, "Ġdownload": 4139, "(T": 4140, "aved": 4141, "âĢĵ": 4142, "Ġstudents": 4143, "Ġfig": 4144, "light": 4145, "xx": 4146, "Ġbuffer": 4147, "ĠDep": 4148, "ĠMath": 4149, "ITH": 4150, "Ġvari": 4151, "Ġdue": 4152, "Factory": 4153, "Ġpor": 4154, "Ġep": 4155, "otype": 4156, "Ġcannot": 4157, "Ġwhite": 4158, "čĊ": 4424, ".annot": 4425, "Ġcollection": 4426, "'.": 4427, "Ġsimilar": 4428, "Ġtaken": 4429, "(\"%": 4430, "Order": 4431, "']Ċ": 4432, "-md": 4433, "ĠTH": 4434, "aced": 4435, "Ġisn": 4436, "/j": 4437, "Ġson": 4438, "graph": 4439, "ĠInteger": 4440, "Ġnecess": 4441, "reen": 4442, "Ġum": 4443, "Ġ\\<": 4444, "Ġmoment": 4445, "Ġbring": 4446, "Ġindic": 4447, "ysis": 4448, "Level": 4449, "verse": 4450, "urrenc": 4451, "_test": 4452, "Ġentire": 4453, "Down": 4454, "Ġ}ĊĊĊ": 4455, "(result": 4456, "ĠRead": 4457, "è": 4458, "Mod": 4459, "Ġtrying": 4460, "\"),Ċ": 4461, "Ġmember": 4462, "ĠCor": 4463, "ODO": 4464, "-control": 4465, "untime": 4466, "ĠSim": 4467, "Dialog": 4468, "plot": 4469, "_on": 4470, "Ġphys": 4471, "}/": 4472, "Ġnamespace": 4473, "ĉčĊ": 4474, "acc": 4475, "Player": 4476, "ARE": 4477, "Ġfoot": 4478, "Ġboard": 4479, "part": 4480, "Ġsus": 4481, "wise": 4482, "ĠMc": 4483, "Ġpush": 4484, "ATA": 4485, "Ġplease": 4486, "ried": 4487, "weet": 4488, "bit": 4489, "ided": 4490, "VE": 4491, "ĠSw": 4492, "UB": 4493, "Ġtypes": 4494, "edia": 4495, "Ġclos": 4496, "acebook": 4497, "When": 4498, "Ġedit": 4499, "igger": 4500, "Ġenerg": 4501, "Container": 4502, "Ġphot": 4503, "ĠCount": 4504, "ĠEurope": 4505, ".Is": 4506, "ĠRuss": 4507, "peed": 4508, "ĠStr": 4509, "Ġpy": 4510, "Ġcult": 4511, "Ġdefined": 4512, "ccount": 4513, "Ġobt": 4514, ".Location": 4515, "Ġthread": 4516, "ille": 4517, "Ġinstead": 4518, "strong": 4519, "ĠSec": 4520, "URE": 4521, "Ġidea": 4522, ".se": 4523, "emy": 4524, "selected": 4525, "Connection": 4526, "acing": 4527, "thread": 4528, ".next": 4529, "Ġcoll": 4530, "Ġfilm": 4531, "istic": 4532, "Ġcompet": 4533, "Ġconn": 4534, "though": 4535, "Ġcompan": 4536, "ocket": 4537, "Ġteach": 4538, "=(": 4539, "Ġphone": 4540, "Ġactive": 4541, "delete": 4542, "tries": 4543, "Ġmo": 4544, "Ġdeath": 4545, "});ĊĊ": 4546, "ocol": 4547, "Widget": 4548, "Ġarticle": 4549, "rodu": 4550, "andid": 4551, "Ñĭ": 4552, "ĠCr": 4553, "ka": 4554, "():": 4555, "lood": 4556, "ĉĉĉĊ": 4557, "Ġalmost": 4558, "Ġsell": 4559, "ervlet": 4560, "rip": 4561, "Unit": 4562, "Ġapplic": 4563, "Ġconnect": 4564, "Ġfeature": 4565, "Ġvia": 4566, "'),": 4567, "Ġlim": 4568, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 4569, "ĠGu": 4570, "Engine": 4571, "Ġens": 4572, "Ġenvironment": 4573, "block": 4574, "HERE": 4575, "NULL": 4576, "gy": 4577, "tag": 4578, ")).": 4579, "exp": 4580, "Ġcompl": 4581, "Ġinstall": 4582, "Ġcomplete": 4583, "queue": 4584, "atural": 4585, "Ġgeneral": 4586, "thon": 4587, "Ġasked": 4588, "ores": 4589, "(res": 4590, "Ġreserved": 4591, "SP": 4592, "ĠâĢ¦": 4593, "ÅĤ": 4594, "Ġsignific": 4595, "Off": 4596, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 4597, "ĠAg": 4598, "ĠJust": 4599, "ĠError": 4600, "Ġinfl": 4601, "adata": 4602, "Ġicon": 4603, "asks": 4604, "''": 4605, "_LO": 4606, "?.": 4607, "account": 4608, "Ġ(*": 4609, "')ĊĊ": 4610, "rap": 4611, "_var": 4612, "ĠFOR": 4613, "Ġparty": 4614, "ĠYour": 4615, "cat": 4616, "stry": 4617, ".new": 4618, "boot": 4619, "ĠNov": 4620, "Ġvector": 4621, "Ġnormal": 4622, "Ġfurther": 4623, "Repository": 4624, "Ġdatabase": 4625, "attle": 4626, "Ġmusic": 4627, "Ġspeed": 4628, "Ġdoc": 4629, "process": 4630, "IGHT": 4631, ".parse": 4632, "Ġtaking": 4633, "Ġviol": 4634, "ceed": 4635, "ĠAfter": 4636, "Ġforward": 4637, "Ġcrit": 4638, "\"/>Ċ": 4639, "rot": 4640, "Ġfailed": 4641, "efore": 4642, "Ġconcern": 4643, "oe": 4644, "ba": 4645, "Ġsender": 4646, "Ġterm": 4647, "has": 4648, "=\"#": 4649, "Ġpotential": 4650, "Num": 4651, "Ġpublished": 4652, ".close": 4653, "ĠImage": 4654, "straint": 4655, "UD": 4656, "ĠOb": 4657, "Ġprobably": 4658, "lim": 4659, "\":Ċ": 4660, "olume": 4661, "Ġconsum": 4662, "ague": 4663, "ensions": 4664, "Ġinvestig": 4665, "-year": 4666, "');": 4667, "-sm": 4668, "Ġenjoy": 4669, "orig": 4670, "ering": 4671, "cp": 4672, "leased": 4673, "plements": 4674, "Ġreturns": 4675, "pat": 4676, "BO": 4677, "ĠHouse": 4678, ".Label": 4679, "Ġweight": 4680, "ighb": 4681, "Ġconditions": 4682, "Ġexception": 4683, "description": 4684, "Ġtrad": 4685, "-to": 4686, "Ġ{}": 4687, "Ġmodule": 4688, "END": 4689, ".ap": 4690, ".props": 4691, "Ġconstructor": 4692, "aves": 4693, "Ġfavor": 4694, "ĠNow": 4695, ";i": 4696, "ĠMain": 4697, "_k": 4698, "eries": 4699, "âĢĻll": 4700, "transform": 4701, "imestamp": 4702, "Pre": 4703, "Ġmer": 4704, ".res": 4705, "stant": 4706, "Location": 4707, "_NAME": 4708, "Ġloss": 4709, "ĠĊĊ": 4710, "net": 4711, "Ġengine": 4712, "Block": 4713, "Ġissues": 4714, "Ġparse": 4715, "ĠBar": 4716, "Ġstay": 4717, "ĠJSON": 4718, "Ġdom": 4719, "airs": 4720, "wner": 4721, "Ġlower": 4722, "\",čĊ": 4723, "ĠDem": 4724, "ufact": 4725, "Ġps": 4726, "Ġperfect": 4727, "RL": 4728, "Ġeduc": 4729, "ls": 4730, "emory": 4731, "ARRANT": 4732, "uge": 4733, "Ġexact": 4734, ".key": 4735, "alled": 4736, "ech": 4737, "ief": 4738, "\\/": 4739, "oke": 4740, "Ġformer": 4741, "alloc": 4742, "Ġsix": 4743, "ida": 4744, "Ġmargin": 4745, "Ġheart": 4746, "ald": 4747, "pack": 4748, ".getElementById": 4749, "ĠWARRANT": 4750, "Ġrather": 4751, "Ġbuilding": 4752, "erman": 4753, "lice": 4754, "Ġquestions": 4755, "izes": 4756, "lege": 4757, "irectory": 4758, "Ġje": 4759, "Ġcas": 4760, "props": 4761, "utf": 4762, "Ġsecurity": 4763, "Ġhowever": 4764, "weight": 4765, "Ġinside": 4766, "Ġpresident": 4767, "Char": 4768, "ĠWITH": 4769, ".map": 4770, "Ġgraph": 4771, "Ġtag": 4772, "_status": 4773, "Ġattempt": 4774, "opp": 4775, "uses": 4776, "ĉconst": 4777, "Ġround": 4778, ",$": 4779, "Ġfriends": 4780, "Email": 4781, "?>": 4782, "Resource": 4783, "KEY": 4784, "osp": 4785, ".query": 4786, "ĠNorth": 4787, "ables": 4788, "istrib": 4789, "_class": 4790, "ello": 4791, "That": 4792, "к": 4793, "pecially": 4794, "ĠPresident": 4795, "Ġcampaign": 4796, "Ġalt": 4797, "area": 4798, "Ġchall": 4799, "Ġopport": 4800, ".Con": 4801, "Ġenergy": 4802, "like": 4803, ".string": 4804, "ington": 4805, ")*": 4806, "yy": 4807, "Ġprofession": 4808, "irth": 4809, "Ġseg": 4810, "æľ": 4811, "Ġhor": 4812, "iers": 4813, "can": 4814, "Ġbehind": 4815, "Product": 4816, "fg": 4817, "ĠSk": 4818, ".jpg": 4819, "?:": 4820, "];ĊĊ": 4821, "Ġcallback": 4822, "ĠHttp": 4823, "ÑĮ": 4824, "long": 4825, "MS": 4826, "ATH": 4827, "Ġraise": 4828, "Ġwanted": 4829, "rown": 4830, "utor": 4831, "lt": 4832, "]=": 4833, "eline": 4834, "MA": 4835, "Ġsepar": 4836, "cs": 4837, "semb": 4838, "Dis": 4839, "bserv": 4840, "ĠWill": 4841, "Ġpolicy": 4842, "Ġthird": 4843, "phone": 4844, "Ġbed": 4845, "/g": 4846, ".__": 4847, "ĠInc": 4848, "izing": 4849, ".remove": 4850, "instance": 4851, ".type": 4852, "Ġserv": 4853, "Each": 4854, "Ġhar": 4855, "ĠMessage": 4856, "(key": 4857, "SELECT": 4858, "Pos": 4859, "));čĊ": 4860, "Ġrecomm": 4861, "Ġtraining": 4862, "ĠEnt": 4863, "ĠChar": 4864, "icht": 4865, "(file": 4866, "Ġprior": 4867, "Game": 4868, "Ġexit": 4869, "Params": 4870, ".core": 4871, "PC": 4872, "nes": 4873, "anced": 4874, "(request": 4875, "Password": 4876, "}>Ċ": 4877, "Ġmag": 4878, "Ġrelease": 4879, "Ġshall": 4880, "udent": 4881, "ĠSouth": 4882, "ando": 4883, ":'": 4884, ".TabIndex": 4885, "sk": 4886, "anner": 4887, "isset": 4888, "Ġoutside": 4889, "ledge": 4890, "Ġå": 4891, "ĠRob": 4892, "Ġimm": 4893, "!Ċ": 4894, "ĠWeb": 4895, "Des": 4896, "BC": 4897, "ancial": 4898, "Route": 4899, "Dec": 4900, "ferences": 4901, "Ġpurch": 4902, "ĠModel": 4903, "ctor": 4904, "gn": 4905, "_start": 4906, "_un": 4907, ".*": 4908, "ises": 4909, "Ġground": 4910, "Ġunique": 4911, "Ġbeaut": 4912, "{\"": 4913, "Ġpour": 4914, "ĠOct": 4915, "Ġtree": 4916, "sets": 4917, "_res": 4918, "')->": 4919, "_reg": 4920, "(\"\\": 4921, "Ġbyte": 4922, "Bl": 4923, "Ġdating": 4924, "Ġmatter": 4925, "ĠRem": 4926, "Ġ'../": 4927, "ĠAug": 4928, "ĠLa": 4929, "Ġ$(": 4930, "ournal": 4931, "iam": 4932, "Ġshows": 4933, "write": 4934, "Ġball": 4935, "Ġsimply": 4936, "Ġfast": 4937, "Ġmemory": 4938, "ASS": 4939, "ĠOf": 4940, "oved": 4941, "ante": 4942, "aul": 4943, "istry": 4944, ")));Ċ": 4945, "Ġfit": 4946, "_": 5129, "\")ĊĊ": 5130, "ox": 5131, "application": 5132, "Ġ]Ċ": 5133, "ĊĊĊĊĊĊ": 5134, "Ġsoon": 5135, "ctions": 5136, "inger": 5137, "Ġjoin": 5138, "ĠPe": 5139, "Ġë": 5140, "Ġlas": 5141, ".E": 5142, "css": 5143, "/or": 5144, "ĠStart": 5145, "ĠTO": 5146, "Ġsubs": 5147, "conn": 5148, "components": 5149, "DEBUG": 5150, "quare": 5151, "Function": 5152, "endar": 5153, ".index": 5154, "Ġfill": 5155, "ÄĻ": 5156, "Ġchoose": 5157, "how": 5158, "ĠAmerica": 5159, "assets": 5160, "------------": 5161, "ĠValue": 5162, "Ġoffice": 5163, "Ġveh": 5164, "Ġtransform": 5165, "ĠArt": 5166, "Ġinde": 5167, "Ġfn": 5168, "Ġimplements": 5169, "ango": 5170, "plete": 5171, "+\"": 5172, "tmp": 5173, "amily": 5174, "Ġhash": 5175, "missions": 5176, "EST": 5177, "gt": 5178, "Provider": 5179, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 5180, "Ġflag": 5181, "Ġparticip": 5182, "den": 5183, "ĠReturns": 5184, "Ġnote": 5185, "ür": 5186, "pm": 5187, "ideos": 5188, "Ġspecified": 5189, "ĠEN": 5190, "ester": 5191, "olid": 5192, "Ġupon": 5193, "(std": 5194, "ĉv": 5195, "Ġ'\\": 5196, "uz": 5197, "Ġvert": 5198, "Ġvict": 5199, "ĉself": 5200, "Ġ\"$": 5201, ".k": 5202, "Ġgroups": 5203, "github": 5204, "lang": 5205, "Ġmut": 5206, "TO": 5207, "Ġve": 5208, "ĠPlease": 5209, ";ĊĊĊ": 5210, "access": 5211, "Ġ{\"": 5212, "rea": 5213, "Ġrisk": 5214, "icker": 5215, "oggle": 5216, "ĉwhile": 5217, "ANG": 5218, ".send": 5219, "Ġwoman": 5220, "Ġgets": 5221, "Ġign": 5222, "ĠId": 5223, "_log": 5224, "ONE": 5225, "Ġevid": 5226, "ĠHar": 5227, "_sub": 5228, "Ġendl": 5229, "Ġincluded": 5230, "());ĊĊ": 5231, "ĠAp": 5232, "igr": 5233, "Ġsem": 5234, "ĠBlack": 5235, "doc": 5236, "_table": 5237, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 5238, "-up": 5239, "Ġcause": 5240, "Ġ..": 5241, "Ġvan": 5242, "_dict": 5243, "Ġfocus": 5244, "IND": 5245, "CESS": 5246, ".Log": 5247, "Ġmultiple": 5248, "ido": 5249, "Ġregard": 5250, "-M": 5251, "andler": 5252, "ourse": 5253, "Ġdeg": 5254, ".U": 5255, "Ġaddition": 5256, "Ġvarious": 5257, "Ġreceive": 5258, "ен": 5259, "ĠHT": 5260, "Obj": 5261, "DF": 5262, "Ġincrease": 5263, "ĠOpen": 5264, "];": 5265, "Ġcommit": 5266, "?Ċ": 5267, "ategories": 5268, "atory": 5269, "ship": 5270, "ĠMich": 5271, "Ġhtml": 5272, "romise": 5273, "Ġleave": 5274, "Ġstrateg": 5275, "aven": 5276, "ĠConsole": 5277, "known": 5278, "-n": 5279, "_LE": 5280, ".component": 5281, "Ġbre": 5282, "Session": 5283, "iance": 5284, "Ġalign": 5285, "typedef": 5286, "_result": 5287, "ĠWHERE": 5288, ".split": 5289, "Ġreading": 5290, "FAULT": 5291, "Ġclo": 5292, "Ġnotice": 5293, "_pr": 5294, "arter": 5295, "Ġlock": 5296, "Ġstandard": 5297, "etic": 5298, "ellow": 5299, "Ġpadding": 5300, "ĠHis": 5301, "Ġstates": 5302, "_cast": 5303, "(P": 5304, "aa": 5305, "Ġinternal": 5306, "ean": 5307, "ĠPRO": 5308, "ĠKey": 5309, "Ġespecially": 5310, "ming": 5311, "Ġcross": 5312, "Ġnational": 5313, "_object": 5314, "filter": 5315, "Ġscript": 5316, ".update": 5317, "_i": 5318, "ĠAssert": 5319, "/core": 5320, "%%%%": 5321, "Ġproblems": 5322, "istor": 5323, "Ġ.=": 5324, "Ġarch": 5325, "Ġwritten": 5326, "Ġmilit": 5327, "MENT": 5328, ".ch": 5329, "cape": 5330, "ĠMus": 5331, "_config": 5332, "ĠAPI": 5333, "foot": 5334, "Ġimages": 5335, "endl": 5336, ".In": 5337, "First": 5338, "Ġplatform": 5339, ".prot": 5340, "Option": 5341, "ste": 5342, "ĠTODO": 5343, "Ġforce": 5344, ".cont": 5345, "ĉecho": 5346, "ĠDav": 5347, "Ptr": 5348, "(B": 5349, "RT": 5350, "ĠBase": 5351, "]['": 5352, "Ġannounc": 5353, "console": 5354, "ĠPy": 5355, "ds": 5356, ".as": 5357, "Ġprevent": 5358, "apan": 5359, "Ġ{'": 5360, "}'": 5592, "Ġdead": 5593, "VAL": 5594, "QUE": 5595, "************************************************************************": 5596, "Ġcharg": 5597, "Return": 5598, "Ġful": 5599, "dom": 5600, "Ġrules": 5601, "Ġmodify": 5602, "Ġeval": 5603, "ham": 5604, "atement": 5605, "\\<": 5606, "ula": 5607, "=False": 5608, "RA": 5609, "Ġcontains": 5610, "Ġstack": 5611, "mar": 5612, "Ġ{}Ċ": 5613, "Ġundefined": 5614, "Ass": 5615, "ĠChina": 5616, "vey": 5617, "*Ċ": 5618, "Ġplaying": 5619, ")/": 5620, "actor": 5621, "Ġbottom": 5622, "lier": 5623, "ĠNumber": 5624, "Ġcouple": 5625, "DC": 5626, "ĠSO": 5627, "gor": 5628, ".setText": 5629, "success": 5630, "command": 5631, "Filter": 5632, "ĠOur": 5633, "_item": 5634, "Ġctx": 5635, "Ġroad": 5636, "Version": 5637, "case": 5638, "urt": 5639, "avior": 5640, "ych": 5641, "sembly": 5642, "ĠProduct": 5643, "Ġheld": 5644, "afe": 5645, "Ġincludes": 5646, "&": 5789, "CON": 5790, "Ġrepl": 5791, "Ġregular": 5792, "Storage": 5793, "ramework": 5794, "Ġgoal": 5795, "Ġtouch": 5796, ".widget": 5797, "Ġbuilt": 5798, "des": 5799, "Part": 5800, "(re": 5801, "Ġworth": 5802, "hib": 5803, "game": 5804, "Ġв": 5805, "acion": 5806, "ĠWhite": 5807, "(type": 5808, "(`": 5809, "Ġnatural": 5810, "Ġinj": 5811, "Ġcalcul": 5812, "ĠApril": 5813, ".List": 5814, "Ġassociated": 5815, "ĉSystem": 5816, "~~": 5817, "=[": 5818, "Ġstorage": 5819, "Ġbytes": 5820, "Ġtravel": 5821, "Ġsou": 5822, "Ġpassed": 5823, "!=": 5824, "ascript": 5825, ".open": 5826, "Ġgrid": 5827, "Ġbus": 5828, "Ġrecogn": 5829, "Ab": 5830, "Ġhon": 5831, "ĠCenter": 5832, "Ġprec": 5833, "build": 5834, "HTML": 5835, "ĠSan": 5836, "Ġcountries": 5837, "aled": 5838, "token": 5839, "kt": 5840, "Ġqual": 5841, "Last": 5842, "adow": 5843, "Ġmanufact": 5844, "idad": 5845, "jango": 5846, "Next": 5847, "xf": 5848, ".a": 5849, "Ġporno": 5850, "ĠPM": 5851, "erve": 5852, "iting": 5853, "_th": 5854, "ci": 5855, "=None": 5856, "gs": 5857, "Ġlogin": 5858, "atives": 5859, "']);Ċ": 5860, "Äħ": 5861, "Ġill": 5862, "IA": 5863, "children": 5864, "DO": 5865, "Ġlevels": 5866, "Ġ{{": 5867, "Ġlooks": 5868, "Ġ\"#": 5869, "ToString": 5870, "Ġnecessary": 5871, "ĠĠĠĊ": 5872, "cell": 5873, "Entry": 5874, "Ġ'#": 5875, "Ġextrem": 5876, "Selector": 5877, "Ġplaceholder": 5878, "Load": 5879, "Ġreleased": 5880, "ORE": 5881, "Enumer": 5882, "ĠTV": 5883, "SET": 5884, "inq": 5885, "Press": 5886, "ĠDepartment": 5887, "Ġproperties": 5888, "Ġrespond": 5889, "Search": 5890, "ael": 5891, "Ġrequ": 5892, "ĠBook": 5893, "/Ċ": 5894, "(st": 5895, "Ġfinancial": 5896, "icket": 5897, "_input": 5898, "Ġthreat": 5899, "(in": 5900, "Strip": 5901, "ìĿ": 5902, "ção": 5903, "Ġevidence": 5904, "));": 5905, "ĠBro": 5906, "Ġ[];Ċ": 5907, "Ġou": 5908, "buf": 5909, "Script": 5910, "dat": 5911, "Ġrule": 5912, "#import": 5913, "=\"/": 5914, "Serial": 5915, "Ġstarting": 5916, "[index": 5917, "ae": 5918, "Ġcontrib": 5919, "session": 5920, "_new": 5921, "utable": 5922, "ober": 5923, "Ġ\"./": 5924, "Ġlogger": 5925, "Ġrecently": 5926, "Ġreturned": 5927, "ččĊ": 5928, ")))Ċ": 5929, "itions": 5930, "Ġseek": 5931, "Ġcommunic": 5932, "Ġ\".": 5933, "Ġusername": 5934, "ECT": 5935, "DS": 5936, "Ġotherwise": 5937, "ĠGerman": 5938, ".aw": 5939, "Adapter": 5940, "ixel": 5941, "Ġsystems": 5942, "Ġdrop": 5943, "Ġstructure": 5944, "Ġ$(\"#": 5945, "encies": 5946, "anning": 5947, "ĠLink": 5948, "ĠResponse": 5949, "Ġstri": 5950, "ż": 5951, "ĠDB": 5952, "æĹ": 5953, "android": 5954, "submit": 5955, "otion": 5956, "(@": 5957, ".test": 5958, "ĊĊĊĊĊĊĊĊ": 5959, "];čĊ": 5960, "Ġdirectly": 5961, "Ġ\"%": 5962, "ris": 5963, "elta": 5964, "AIL": 5965, "){čĊ": 5966, "mine": 5967, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 5968, "(k": 5969, "bon": 5970, "asic": 5971, "pite": 5972, "___": 5973, "Max": 5974, "Ġerrors": 5975, "ĠWhile": 5976, "Ġarguments": 5977, "Ġensure": 5978, "Right": 5979, "-based": 5980, "Web": 5981, "Ġ-=": 5982, "Ġintrodu": 5983, "ĠInst": 5984, "ĠWash": 5985, "ordin": 5986, "join": 5987, "Database": 5988, "Ġgrad": 5989, "Ġusually": 5990, "ITE": 5991, "Props": 5992, "?>Ċ": 5993, "ĠGo": 5994, "@Override": 5995, "REF": 5996, "Ġip": 5997, "ĠAustral": 5998, "Ġist": 5999, "ViewById": 6000, "Ġserious": 6001, "Ġcustomer": 6002, ".prototype": 6003, "odo": 6004, "cor": 6005, "Ġdoor": 6006, "ĠWITHOUT": 6007, "Ġplant": 6008, "Ġbegan": 6009, "Ġdistance": 6010, "()).": 6011, "Ġchance": 6012, "Ġord": 6013, "came": 6014, "pragma": 6015, "Ġprotect": 6016, "ragment": 6017, "ĠNode": 6018, "ening": 6019, "Ñĩ": 6020, "Ġroute": 6021, "ĠSchool": 6022, "hi": 6023, "Ġneighb": 6024, "After": 6025, "licit": 6026, "Ġcontr": 6027, "Ġprimary": 6028, "AA": 6029, ".WriteLine": 6030, "utils": 6031, "Ġbi": 6032, "Red": 6033, ".Linq": 6034, ".object": 6035, "Ġleaders": 6036, "unities": 6037, "Ġgun": 6038, "onth": 6039, "ĠDev": 6040, "FILE": 6041, "Ġcomments": 6042, "_len": 6043, "arrow": 6044, "amount": 6045, "Range": 6046, "sert": 6047, "GridView": 6048, "Ġupdated": 6049, "ĠMo": 6050, "Ġinform": 6051, "ociety": 6052, "ala": 6053, "Access": 6054, "Ġhab": 6055, "Ġcreat": 6056, "_arg": 6057, "ĠJanuary": 6058, "ĠDay": 6059, "\")čĊ": 6060, "uple": 6061, "document": 6062, "gorith": 6063, "menu": 6064, "ĠOver": 6065, "bb": 6066, ".title": 6067, "_out": 6068, "Ġled": 6069, "uri": 6070, "Ġ?>Ċ": 6107, "run": 6108, "Ġscene": 6109, "(array": 6110, "device": 6111, "_title": 6112, "agon": 6113, "]čĊ": 6114, "aby": 6115, "Ġbecame": 6116, "boolean": 6117, "Ġpark": 6118, "ĠCode": 6119, "upload": 6120, "riday": 6121, "ĠSeptember": 6122, "Fe": 6123, "Ġsen": 6124, "cing": 6125, "FL": 6126, "Col": 6127, "uts": 6128, "_page": 6129, "inn": 6130, "Ġimplied": 6131, "aling": 6132, "Ġyourself": 6133, ".Count": 6134, "conf": 6135, "Ġaud": 6136, "_init": 6137, ".)": 6138, "Ġwrote": 6139, "NG": 6140, ".Error": 6141, "ä»": 6142, ".for": 6143, "Ġequal": 6144, "ĠRequest": 6145, "Ġserial": 6146, "Ġallows": 6147, "XX": 6148, "Ġmiddle": 6149, "chor": 6150, "ø": 6151, "erval": 6152, ".Column": 6153, "reading": 6154, "Ġescort": 6155, "ĠAugust": 6156, "Ġquickly": 6157, "Ġweap": 6158, "ĠCG": 6159, "ropri": 6160, "ho": 6161, "Ġcop": 6162, "(struct": 6163, "ĠBig": 6164, "Ġvs": 6165, "Ġfrequ": 6166, ".Value": 6167, "Ġactions": 6168, "Ġproper": 6169, "Ġinn": 6170, "Ġobjects": 6171, "Ġmatrix": 6172, "avascript": 6173, "Ġones": 6174, ".group": 6175, "Ġgreen": 6176, "Ġpaint": 6177, "ools": 6178, "ycl": 6179, "encode": 6180, "olt": 6181, "comment": 6182, ".api": 6183, "Dir": 6184, "Ġune": 6185, "izont": 6186, ".position": 6187, "Ġdesigned": 6188, "_val": 6189, "avi": 6190, "iring": 6191, "tab": 6192, "Ġlayer": 6193, "Ġviews": 6194, "Ġreve": 6195, "rael": 6196, "ĠON": 6197, "rics": 6198, "np": 6199, "Ġcore": 6200, "());čĊ": 6201, "Main": 6202, "Ġexpert": 6203, "ĉĉčĊ": 6204, "_en": 6205, "Ġ/>": 6206, "utter": 6207, "IAL": 6208, "ails": 6209, "ĠKing": 6210, "*/ĊĊ": 6211, "ĠMet": 6212, "_end": 6213, "addr": 6214, "ora": 6215, "Ġir": 6216, "Min": 6217, "Ġsurpr": 6218, "Ġrepe": 6219, "Ġdirectory": 6220, "PUT": 6221, "-S": 6222, "Ġelection": 6223, "haps": 6224, ".pre": 6225, "cm": 6226, "Values": 6227, "Ġ\"Ċ": 6228, "column": 6229, "ivil": 6230, "Login": 6231, "inue": 6232, "Ġbeautiful": 6233, "Ġsecret": 6234, "(event": 6235, "Ġchat": 6236, "ums": 6237, "Ġorigin": 6238, "Ġeffects": 6239, "Ġmanagement": 6240, "illa": 6241, "tk": 6242, "Ġsetting": 6243, "ĠCour": 6244, "Ġmassage": 6245, "ĉend": 6246, "Ġhappy": 6247, "Ġfinish": 6248, "Ġcamera": 6249, "ĠVer": 6250, "ĠDemocr": 6251, "ĠHer": 6252, "(Q": 6253, "cons": 6254, "ita": 6255, "Ġ'.": 6256, "{}": 6257, "ĉC": 6258, "Ġstuff": 6259, "Ġ:Ċ": 6260, "ĠAR": 6261, "Task": 6262, "hidden": 6263, "eros": 6264, "IGN": 6265, "atio": 6266, "ĠHealth": 6267, "olute": 6268, "Enter": 6269, "'>": 6270, "ĠTwitter": 6271, "ĠCounty": 6272, "scribe": 6273, "Ġ=>Ċ": 6274, "Ġhy": 6275, "fit": 6276, "Ġmilitary": 6277, "Ġsale": 6278, "required": 6279, "non": 6280, "bootstrap": 6281, "hold": 6282, "rim": 6283, "-old": 6284, "ĠDown": 6285, "Ġmention": 6286, "contact": 6287, "_group": 6288, "oday": 6289, "Ġtown": 6290, "Ġsolution": 6291, "uate": 6292, "elling": 6293, "]->": 6294, "otes": 6295, "ental": 6296, "omen": 6297, "ospital": 6298, "ĠSup": 6299, "_EN": 6300, "Ġslow": 6301, "SESSION": 6302, "Ġblue": 6303, "ago": 6304, "Ġlives": 6305, "Ġ^": 6306, ".un": 6307, "inst": 6308, "enge": 6309, "Ġcustomers": 6310, "Ġcast": 6311, "udget": 6312, "ï¼ģ": 6313, "icens": 6314, "Ġdetermin": 6315, "Selected": 6316, "_pl": 6317, "ueue": 6318, "Ġdark": 6319, "//ĊĊ": 6320, "si": 6321, "thern": 6322, "ĠJapan": 6323, "/w": 6324, "PU": 6325, "ĠEast": 6326, "ovie": 6327, "Ġpackage": 6328, "Ġnor": 6329, "Ġapi": 6330, "bot": 6331, "\"];Ċ": 6332, "_post": 6333, "ulate": 6334, "Ġclub": 6335, "'));Ċ": 6336, "Ġloop": 6337, "PIO": 6338, "ione": 6339, "shot": 6340, "Initial": 6341, "Ġplayed": 6342, "register": 6343, "rought": 6344, "_max": 6345, "acement": 6346, "match": 6347, "raphics": 6348, "AST": 6349, "Ġexisting": 6350, "Ġcomplex": 6351, "DA": 6352, ".Ch": 6353, ".common": 6354, "mo": 6355, "Ġ'../../": 6356, "ito": 6357, "Ġanalysis": 6358, "Ġdeliver": 6359, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ": 6360, "idx": 6361, "Ãł": 6362, "ongo": 6363, "ĠEnglish": 6364, "Ċ": 9992, "_default": 9993, "ĠDatabase": 9994, "rep": 9995, "ESS": 9996, "nergy": 9997, ".Find": 9998, "_mask": 9999, "Ġrise": 10000, "Ġkernel": 10001, "::$": 10002, ".Q": 10003, "Ġoffering": 10004, "decl": 10005, "ĠCS": 10006, "Ġlisted": 10007, "Ġmostly": 10008, "enger": 10009, "Ġblocks": 10010, "olo": 10011, "Ġgoverning": 10012, "\\F": 10013, "Ġconcent": 10014, ".getText": 10015, "Ġmb": 10016, "Ġoccurred": 10017, "Ġchanging": 10018, "Scene": 10019, "_CODE": 10020, "Beh": 10021, "\"The": 10022, "Ġtile": 10023, "ĠAssociation": 10024, "ĉP": 10025, "alty": 10026, "_ad": 10027, "odies": 10028, "iated": 10029, "Ġprepared": 10030, "possible": 10031, "Ġmort": 10032, "TEST": 10033, "Ġignore": 10034, "Ġcalc": 10035, "Ġrs": 10036, "ĠassertEquals": 10037, "Ġsz": 10038, "ĠTHIS": 10039, ".\"Ċ": 10040, "Ġcanvas": 10041, "java": 10042, "Ġdut": 10043, "VALID": 10044, ".sql": 10045, ".input": 10046, "Ġaux": 10047, "Sup": 10048, "Ġartist": 10049, "Vec": 10050, "_TIME": 10051, ".stringify": 10052, "etween": 10053, "ĠCategory": 10054, "Ġ[-": 10055, "ĠDevExpress": 10056, "ĠJul": 10057, "Ġring": 10058, ".ed": 10059, "YY": 10060, "Let": 10061, "TextField": 10062, "Ġflat": 10063, "_print": 10064, "ĠOTHER": 10065, "adian": 10066, "Ġchecked": 10067, "ele": 10068, "Align": 10069, "standing": 10070, "Ġ[],": 10071, "Ġlab": 10072, "ucky": 10073, "ĠChristmas": 10074, "(image": 10075, ".module": 10076, "Ġlots": 10077, "Ġslightly": 10078, "(final": 10079, "erge": 10080, "è¿": 10081, "ĠPolice": 10082, "ĠRight": 10083, "Ġaward": 10084, "ĠOS": 10085, "Ġ{}ĊĊ": 10086, "Ġptr": 10087, "oves": 10088, "icated": 10089, "ем": 10090, "Ġmanage": 10091, "oliday": 10092, "Amount": 10093, "oolStrip": 10094, "tbody": 10095, "Nav": 10096, "wrap": 10097, "BB": 10098, "Ġwatching": 10099, "arios": 10100, "Ġoptional": 10101, "_K": 10102, "ĠLicensed": 10103, ".Map": 10104, "Timer": 10105, "ĠAP": 10106, "ĠRev": 10107, "(o": 10108, ",c": 10109, "umin": 10110, "etailed": 10111, "ĠHy": 10112, "Ġblank": 10113, "agger": 10114, "ĠSelf": 10115, "()[": 10116, ".make": 10117, "earn": 10118, "channel": 10119, ";Ċ": 10133, "World": 10134, "Ġpython": 10135, "Ġlif": 10136, "Ġtrav": 10137, "Ġconven": 10138, "company": 10139, "ĠClub": 10140, "Ver": 10141, "Btn": 10142, "Ġzone": 10143, "products": 10144, "ĠEduc": 10145, "Ġverify": 10146, "ĠMil": 10147, "ono": 10148, "]);ĊĊ": 10149, "ENCE": 10150, "Ġpacket": 10151, "Ġcer": 10152, "Ġenumer": 10153, "Ġpars": 10154, "formed": 10155, "Ġoccup": 10156, "tre": 10157, "Ġexercise": 10158, "Day": 10159, "_sum": 10160, "Ġasking": 10161, "aption": 10162, "Ġorders": 10163, "Ġspending": 10164, "ĠERR": 10165, ".Dis": 10166, "ĠUtil": 10167, "âĢľI": 10168, "\\'": 10169, "?)": 10170, "/>Ċ": 10171, "Ġemot": 10172, "Ġinfluence": 10173, "ĠAfrica": 10174, "atters": 10175, "Ùħ": 10176, ".session": 10177, "Ġchief": 10178, "ĉĉĉĉĉĉĉĉĉĉĉ": 10179, "Ġtom": 10180, "cluded": 10181, "serial": 10182, "_handler": 10183, ".Type": 10184, "aped": 10185, "Ġpolicies": 10186, "-ex": 10187, "-tr": 10188, "blank": 10189, "merce": 10190, "Ġcoverage": 10191, "Ġrc": 10192, "_matrix": 10193, "_box": 10194, "Ġcharges": 10195, "ĠBoston": 10196, "Pe": 10197, "Ġcircum": 10198, "Ġfilled": 10199, "Ġnorth": 10200, "ictureBox": 10201, "ĉres": 10202, "è®": 10203, "Ġtermin": 10204, "Ġ[âĢ¦": 10205, "IRECT": 10206, "Ġber": 10207, "Ġ\"../../": 10208, "retch": 10209, ".code": 10210, "_col": 10211, "ĠGovernment": 10212, "Ġargv": 10213, "ĠLord": 10214, "asi": 10215, "Exec": 10216, "ĉlet": 10217, "vertis": 10218, "Ġdiscussion": 10219, "enance": 10220, "outube": 10221, "typeof": 10222, "Ġserved": 10223, "ĠPut": 10224, "ĉx": 10225, "Ġsweet": 10226, "Before": 10227, "ategy": 10228, ".of": 10229, "ĠMaterial": 10230, "Sort": 10231, "ONT": 10232, "igital": 10233, "Why": 10234, "Ġsust": 10235, "Ġç": 10236, "abet": 10237, "Ġsegment": 10238, "Ġ[],Ċ": 10239, "ĠMuslim": 10240, "ĠfindViewById": 10241, "cut": 10242, "_TEXT": 10243, "ĠMary": 10244, "Ġloved": 10245, "Ġlie": 10246, "ĠJO": 10247, "Ġisset": 10248, "month": 10249, "Ġprime": 10250, "ti": 10251, "ĠCarol": 10252, "Use": 10253, "ĠPop": 10254, "ĠSave": 10255, "Interval": 10256, "execute": 10257, "dy": 10258, "ĠIran": 10259, "_cont": 10260, "ĉT": 10261, "Ġphase": 10262, "checkbox": 10263, "week": 10264, "Ġhide": 10265, "Ġtil": 10266, "Ġju": 10267, "Custom": 10268, "burg": 10269, "/M": 10270, "TON": 10271, "Ġquant": 10272, "Ġrub": 10273, "ixels": 10274, "Ġinstalled": 10275, "Ġdump": 10276, "Ġproperly": 10277, "(List": 10278, "Ġdecide": 10279, "apply": 10280, "Has": 10281, "Ġkeeping": 10282, "Ġcitizens": 10283, "Ġjoint": 10284, "pool": 10285, "Socket": 10286, "_op": 10287, "Ġweapon": 10288, "gnore": 10289, "ĠExec": 10290, "otten": 10291, "ĠMS": 10292, "Ġ(-": 10293, "ĠReview": 10294, "Ġexamples": 10295, "Ġtight": 10296, "!(": 10297, "DP": 10298, "ĠMessageBox": 10299, "Ġphotograph": 10300, "URI": 10301, "ét": 10302, "low": 10303, "ĠGrand": 10304, ".persistence": 10305, "Ġmaintain": 10306, "Ġnums": 10307, "Ġzip": 10308, "ials": 10309, "ĠGets": 10310, "peg": 10311, "ĠBuffer": 10312, "~~~~": 10313, "rastructure": 10314, "ĠPL": 10315, "uen": 10316, "obby": 10317, "sizeof": 10318, "Ġpic": 10319, "Ġseed": 10320, "Ġexperienced": 10321, "Ġodd": 10322, "Ġkick": 10323, "Ġprocedure": 10324, "avigator": 10325, "-on": 10326, ",j": 10327, "ĠAlthough": 10328, "ĠuserId": 10329, "accept": 10330, "Blue": 10331, "IColor": 10332, "layer": 10333, "available": 10334, "Ġends": 10335, ".table": 10336, "Ġdataset": 10337, "bus": 10338, "Ġexplain": 10339, "(pro": 10340, "ĠCommittee": 10341, "Ġnoted": 10342, "]:Ċ": 10343, "Dim": 10344, "stdio": 10345, ".\",Ċ": 10346, "_source": 10347, "ĠWeek": 10348, "ĠEdge": 10349, "Ġoperating": 10350, "Ġeste": 10351, "ipl": 10352, "agination": 10353, "Ġproceed": 10354, "Ġanimation": 10355, ".Models": 10356, "ĠWatch": 10357, "iat": 10358, "Ġoppon": 10359, "/A": 10360, "Report": 10361, "Ġsounds": 10362, "_buf": 10363, "IELD": 10364, "Ġbund": 10365, "ĉget": 10366, ".pr": 10367, "(tmp": 10368, "Ġkid": 10369, ">ĊĊĊ": 10370, "Ġyang": 10371, "NotFound": 10372, "ÑĨ": 10373, "math": 10374, "@gmail": 10375, "ĠLIMIT": 10376, "redients": 10377, "Ġvent": 10378, "avigate": 10379, "Look": 10380, "Ġreligious": 10381, "Ġrand": 10382, "rio": 10383, "(GL": 10384, "_ip": 10385, "uan": 10386, "iciency": 10387, "ĠChange": 10388, ">čĊčĊ": 10389, "ĠEntity": 10390, "Ġrencontre": 10391, "ĠRet": 10392, "plan": 10393, "én": 10394, "BOOL": 10395, "uries": 10396, "train": 10397, "Definition": 10398, "============": 10399, "zz": 10400, "Animation": 10401, "ĠOK": 10402, "_menu": 10403, ".bl": 10404, "_score": 10405, "Ġacad": 10406, "(System": 10407, "Ġrefresh": 10408, "'=>$": 10409, ".Graphics": 10410, "amento": 10411, "pid": 10412, "tc": 10413, "Ġtips": 10414, "Ġhomes": 10415, "Ġfuel": 10416, "âĸ": 10417, "_helper": 10418, "ĠĠčĊ": 10419, "ĠRoom": 10420, ".Close": 10421, "_attr": 10422, "ĠMount": 10423, "ĠEv": 10424, "arser": 10425, "_top": 10426, "eah": 10427, "ĠDelete": 10428, "ãĢį": 10429, "uke": 10430, "Ġusage": 10431, "aria": 10432, "_dev": 10433, "Ġtexture": 10434, "Ġconversation": 10435, "eper": 10436, "Bean": 10437, "done": 10438, "nonatomic": 10439, "ĠSecond": 10440, "Ġshooting": 10441, "_pre": 10442, "Components": 10443, "Ġ]ĊĊ": 10444, "__,": 10445, "stitution": 10446, ".Char": 10447, ">();ĊĊ": 10448, "Ġpresented": 10449, "Ġwa": 10450, "oker": 10451, "-ĊĊ": 10452, "iner": 10453, "Ġbecoming": 10454, "Ġincident": 10455, "Att": 10456, "Ġrevealed": 10457, "forc": 10458, "Ġboot": 10459, ".page": 10460, "Enumerator": 10461, "_->": 10462, "Photo": 10463, "Ġspring": 10464, ".\",": 10465, "ĠDictionary": 10466, "BJECT": 10467, "Ġlocations": 10468, "Ġsamples": 10469, "InputStream": 10470, "ĠBrown": 10471, "Ġstats": 10472, "quality": 10473, "Ñħ": 10474, "-dis": 10475, "Ġhelping": 10476, "Ġped": 10477, "(se": 10478, "ĠWho": 10479, "alian": 10480, "internal": 10481, "Ġft": 10482, ">().": 10483, "->{": 10484, "Ġmine": 10485, "Ġsector": 10486, "Ġgro": 10487, "Ġopportunities": 10488, "Ġü": 10489, "Ġmp": 10490, "Ġalleged": 10491, "Ġdoubt": 10492, "Mouse": 10493, "About": 10494, "_part": 10495, "Ġchair": 10496, "Ġstopped": 10497, "loop": 10498, "entities": 10499, "Ġapps": 10500, "ansion": 10501, "Ġmental": 10502, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 10503, "FR": 10504, "Ġdefend": 10505, "care": 10506, "Ġideal": 10507, "/api": 10508, "urface": 10509, "Ġele": 10510, "ulator": 10511, "ĠRights": 10512, "anguages": 10513, "Ġfunds": 10514, "Ġadapt": 10515, "Attributes": 10516, "Ġdeploy": 10517, "opts": 10518, "Ġvalidation": 10519, "Ġconcerns": 10520, "uce": 10521, ".num": 10522, "ulture": 10523, "ila": 10524, "Ġcup": 10525, "Ġpure": 10526, ".Fore": 10527, "ĠHashMap": 10528, ".valueOf": 10529, "asm": 10530, "MO": 10531, "Ġcs": 10532, "Ġstores": 10533, "Ġ************************************************************************": 10534, "Ġcommunication": 10535, "mem": 10536, ".EventHandler": 10537, ".Status": 10538, "_right": 10539, ".setOn": 10540, "Sheet": 10541, "Ġidentify": 10542, "enerated": 10543, "ordered": 10544, "Ġ\"[": 10545, "Ġswe": 10546, "Condition": 10547, "ĠAccording": 10548, "Ġprepare": 10549, "Ġrob": 10550, "Pool": 10551, "Ġsport": 10552, "rv": 10553, "ĠRouter": 10554, "Ġalternative": 10555, "([]": 10556, "ĠChicago": 10557, "ipher": 10558, "ische": 10559, "ĠDirector": 10560, "kl": 10561, "ĠWil": 10562, "keys": 10563, "Ġmysql": 10564, "Ġwelcome": 10565, "king": 10566, "ĠManager": 10567, "Ġcaught": 10568, ")}Ċ": 10569, "Score": 10570, "_PR": 10571, "Ġsurvey": 10572, "hab": 10573, "Headers": 10574, "ADER": 10575, "Ġdecor": 10576, "Ġturns": 10577, "Ġradius": 10578, "errupt": 10579, "Cor": 10580, "Ġmel": 10581, "Ġintr": 10582, "(q": 10583, "ĠAC": 10584, "amos": 10585, "MAX": 10586, "ĠGrid": 10587, "ĠJesus": 10588, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 10589, ".DE": 10590, "Ġts": 10591, "Ġlinked": 10592, "free": 10593, "ĠQt": 10594, "Ġ/**čĊ": 10595, "Ġfaster": 10596, "ctr": 10597, "_J": 10598, "DT": 10599, ".Check": 10600, "Ġcombination": 10601, "Ġintended": 10602, "-the": 10603, "-type": 10604, "ectors": 10605, "ami": 10606, "uting": 10607, "Ġuma": 10608, "XML": 10609, "UCT": 10610, "Ap": 10611, "ĠRandom": 10612, "Ġran": 10613, ".sort": 10614, "Ġsorted": 10615, ".Un": 10616, "_PER": 10617, "itory": 10618, "Ġpriority": 10619, "ĠGal": 10620, "ĠOld": 10621, "hot": 10622, "ĠDisplay": 10623, "(sub": 10624, "_TH": 10625, "_Y": 10626, "ĠCare": 10627, "loading": 10628, "Kind": 10629, "_handle": 10630, ",,": 10631, "rase": 10632, "_replace": 10633, ".addEventListener": 10634, "ĠRT": 10635, "Ġentered": 10636, "gers": 10637, "Ġich": 10638, "(start": 10639, "/app": 10640, "Ġbrother": 10641, "Memory": 10642, "Outlet": 10643, "Ġutf": 10644, "prec": 10645, "Ġnavigation": 10646, "ORK": 10647, "Ġdst": 10648, "Detail": 10649, "Ġaudience": 10650, "Ġdur": 10651, "Ġcluster": 10652, "unched": 10653, "Ġ],": 10654, "Ġcomfortable": 10655, ".values": 10656, "ĠTotal": 10657, "Ġsnap": 10658, "Ġstandards": 10659, "Ġperformed": 10660, "hand": 10661, "(\"@": 10662, "åŃ": 10663, "Ġphil": 10664, "ibr": 10665, "trim": 10666, "Ġforget": 10667, "Ġdoctor": 10668, ".TextBox": 10669, "icons": 10670, ",s": 10671, "ĠOp": 10672, "Sm": 10673, "Stop": 10674, "ĉList": 10675, "ĉu": 10676, "Comment": 10677, "_VERSION": 10678, ".Xtra": 10679, "Person": 10680, "rb": 10681, "LOB": 10682, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ": 10683, "ĠCentral": 10684, "ICK": 10685, "raq": 10686, "Ġputting": 10687, "Ġmd": 10688, "ĠLove": 10689, "Program": 10690, "Border": 10691, "oor": 10692, "Ġallowing": 10693, "after": 10694, "Ġentries": 10695, "ĠMaybe": 10696, "]).": 10697, "ĠShort": 10698, ")\\": 10699, ".now": 10700, "friend": 10701, "Ġprefer": 10702, "ĠGPIO": 10703, "osis": 10704, "ĠGameObject": 10705, "Ġskip": 10706, "Ġcompetition": 10707, "_match": 10708, "lications": 10709, "_CONT": 10710, ".groupBox": 10711, "Ġals": 10712, "\"We": 10713, "_eq": 10714, "lan": 10715, "_search": 10716, "ĠMusic": 10717, "asis": 10718, "Ġbind": 10719, "ĠIsland": 10720, "rum": 10721, "(E": 10722, "Ġseat": 10723, "Video": 10724, "Ġack": 10725, "reek": 10726, "={()": 10727, "Ġrating": 10728, "Ġrestaurant": 10729, "DEX": 10730, "(buf": 10731, "pping": 10732, "uality": 10733, "Ġleague": 10734, "Ġfocused": 10735, "apon": 10736, "$data": 10737, "CLUD": 10738, "CLUDING": 10739, "Ġabsolute": 10740, "(query": 10741, "Ġtells": 10742, "Ang": 10743, "Ġcommunities": 10744, "Ġhonest": 10745, "oking": 10746, "Ġapart": 10747, "arity": 10748, "/$": 10749, "_module": 10750, "ĠEnc": 10751, ".an": 10752, ".Config": 10753, "Cre": 10754, "Ġshock": 10755, "ĠArab": 10756, "IENT": 10757, "/re": 10758, "Ġretrie": 10759, "ycler": 10760, "isa": 10761, "ĠOrgan": 10762, ".graph": 10763, "Ġí": 10764, "ĠBAS": 10765, "Enum": 10766, "Ġpossibly": 10767, "ÑĢаÐ": 10768, "ĠJapanese": 10769, "Ġcraft": 10770, "ĠPlace": 10771, "Ġtalent": 10772, "Ġfunding": 10773, "Ġconfirmed": 10774, "Ġcycle": 10775, "/x": 10776, "GE": 10777, "Ġhearing": 10778, "Ġplants": 10779, "Ġmouth": 10780, "pages": 10781, "oria": 10782, "ĠRemove": 10783, "_total": 10784, "Ġod": 10785, "ollapse": 10786, "door": 10787, "Ġbought": 10788, "Ġaddr": 10789, "ARCH": 10790, "_dim": 10791, "dden": 10792, "Ġdecades": 10793, "REQUEST": 10794, "Ġversions": 10795, "fire": 10796, "Ġmoves": 10797, "fb": 10798, "Ġcoffee": 10799, ".connect": 10800, "ĠRow": 10801, "Ġschema": 10802, "Scope": 10803, "-Type": 10804, "Ġfighting": 10805, "Ġretail": 10806, "Ġmodified": 10807, "TF": 10808, "Files": 10809, "nie": 10810, "_command": 10811, "stone": 10812, "ĠÑĤ": 10813, "_thread": 10814, "Ġbond": 10815, "ĠDevelopment": 10816, "Ġpt": 10817, "FORM": 10818, "plet": 10819, "Ġidentified": 10820, "cpp": 10821, "Ġcoding": 10822, "oked": 10823, "ĠMaster": 10824, "IDTH": 10825, "Ġresidents": 10826, "redit": 10827, "ĠPhoto": 10828, "=-": 10829, "unte": 10830, "ateur": 10831, "_STATE": 10832, "ĠSing": 10833, "Ġsheet": 10834, ".val": 10835, "orse": 10836, "Ġhers": 10837, "Ġdetermined": 10838, "Common": 10839, "Ġwed": 10840, "_queue": 10841, "PH": 10842, "ĠAtl": 10843, "cred": 10844, "/LICENSE": 10845, "Ġmes": 10846, "Ġadvanced": 10847, ".java": 10848, ".Sh": 10849, "Go": 10850, "kill": 10851, "fp": 10852, "_settings": 10853, "Ġpal": 10854, "Ġtruck": 10855, "Ġcombined": 10856, "Ġ\"${": 10857, "ĠCorpor": 10858, "Ġjoined": 10859, "ĠJose": 10860, "ĠCup": 10861, "uns": 10862, "estival": 10863, "levision": 10864, "Ġbroken": 10865, "Ġmarriage": 10866, "ĠWestern": 10867, "Ġrepresents": 10868, "ĠTitle": 10869, "Ġss": 10870, ".Ass": 10871, "ongoose": 10872, "iento": 10873, "<>();Ċ": 10874, "Ġabsolutely": 10875, "Ġsmooth": 10876, "TERN": 10877, "ĠUnless": 10878, "Word": 10879, "Ġmerge": 10880, "igan": 10881, "ĠVol": 10882, "Ġnn": 10883, ".getId": 10884, "Ġз": 10885, "Ġsexy": 10886, "Ġseeking": 10887, "Single": 10888, ".this": 10889, "Ġkom": 10890, "bound": 10891, ";\"": 10892, "ĠfontSize": 10893, "_df": 10894, "Ġinjury": 10895, "(H": 10896, "Ġissued": 10897, "_END": 10898, ":self": 10899, "Ġpatch": 10900, "Ġleaves": 10901, "Ġadopt": 10902, "FileName": 10903, "ãĢIJ": 10904, "Ġexecutive": 10905, "ĠByte": 10906, "]))Ċ": 10907, "Ġnu": 10908, "outing": 10909, "cluding": 10910, "-R": 10911, ".options": 10912, "Ġsubstant": 10913, "avax": 10914, "ĠBUT": 10915, "Ġtechnical": 10916, "Ġtwice": 10917, "Ġmás": 10918, "Ġunivers": 10919, "yr": 10920, "Ġdrag": 10921, "ĠDC": 10922, "Ġsed": 10923, "Ġbot": 10924, "ĠPal": 10925, "ĠHall": 10926, "forcement": 10927, "Ġauch": 10928, ".mod": 10929, "notation": 10930, "_files": 10931, ".line": 10932, "_flag": 10933, "[name": 10934, "Ġresolution": 10935, "Ġbott": 10936, "(\"[": 10937, "ende": 10938, "(arr": 10939, "Free": 10940, "(@\"": 10941, "ĠDistrict": 10942, "PEC": 10943, ":-": 10944, "Picker": 10945, "ĠJo": 10946, "ĠĠĠĠĠĊ": 10947, "ĠRiver": 10948, "_rows": 10949, "Ġhelpful": 10950, "Ġmassive": 10951, "---Ċ": 10952, "Ġmeasures": 10953, "ĠRuntime": 10954, "Ġworry": 10955, "ĠSpec": 10956, "ĉD": 10957, "ãĢij": 10958, "Ġ){Ċ": 10959, "Ġworse": 10960, "(filename": 10961, "Ġlay": 10962, "Ġmagic": 10963, "ĠTheir": 10964, "oul": 10965, "stroy": 10966, "ĠWhere": 10967, "Ġsudden": 10968, "Ġdefe": 10969, "Ġbinding": 10970, "Ġflight": 10971, "ĠOnInit": 10972, "ĠWomen": 10973, "ĠPolicy": 10974, "Ġdrugs": 10975, "ishing": 10976, "('../": 10977, "ĠMel": 10978, "peat": 10979, "tor": 10980, "Ġproposed": 10981, "Ġstated": 10982, "_RES": 10983, "Ġeast": 10984, "ĠCONDITION": 10985, "_desc": 10986, "Ġwinning": 10987, "folio": 10988, "Mapper": 10989, "ĠPan": 10990, "ĠAnge": 10991, ".servlet": 10992, "Ġcopies": 10993, "LM": 10994, "Ġvm": 10995, "åį": 10996, "Ġdictionary": 10997, "Seg": 10998, "elines": 10999, "ĠSend": 11000, "Ġiron": 11001, "ĠFort": 11002, ".domain": 11003, "Ġdebate": 11004, "NotNull": 11005, "eq": 11006, "acher": 11007, "lf": 11008, "ĉfmt": 11009, "Ġlawy": 11010, "ÄŁ": 11011, "ĠMen": 11012, "Ġtrim": 11013, "(NULL": 11014, "Ġ!!": 11015, "Ġpad": 11016, "Ġfollows": 11017, "\"][\"": 11018, "requ": 11019, "ĠEp": 11020, ".github": 11021, "(img": 11022, "eto": 11023, "('\\": 11024, "Services": 11025, "umbnail": 11026, "_main": 11027, "pleted": 11028, "fortunately": 11029, "Ġwindows": 11030, "Ġplane": 11031, "ĠConnection": 11032, ".local": 11033, "uard": 11034, "}\\": 11035, "==\"": 11036, "andon": 11037, "ĠRoy": 11038, "west": 11039, "iginal": 11040, "emies": 11041, "itz": 11042, "'):Ċ": 11043, "ĠPeter": 11044, "Ġtough": 11045, "Ġreduced": 11046, "Ġcalculate": 11047, "Ġrapid": 11048, "customer": 11049, "Ġefficient": 11050, "Ġmedium": 11051, "Ġfell": 11052, ".ref": 11053, "ĠCas": 11054, "Ġfeedback": 11055, "Speed": 11056, "(output": 11057, "aje": 11058, "Ġcategories": 11059, "Ġfee": 11060, "};": 11061, "Ġdeleted": 11062, "reh": 11063, "Ġproof": 11064, "Desc": 11065, "Build": 11066, "Ġsides": 11067, ".ArrayList": 11068, "-%": 11069, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 11070, "ر": 11071, ".match": 11072, "ли": 11073, "Ġfeels": 11074, "Ġachieve": 11075, "Ġclim": 11076, "_ON": 11077, "ĠCD": 11078, "Ġteacher": 11079, "_current": 11080, "bn": 11081, "_PL": 11082, "isting": 11083, "Enable": 11084, "GEN": 11085, "Ġtv": 11086, "Ġsock": 11087, "Ġplays": 11088, "Ġdiscount": 11089, "ĠKE": 11090, "ĠDebug": 11091, "Fore": 11092, "ĠIraq": 11093, "Ġappearance": 11094, "Mon": 11095, "Ġstyled": 11096, "ĠHuman": 11097, "iot": 11098, "ĠHistory": 11099, "Ġsac": 11100, "ĠCollection": 11101, "Ġrecommended": 11102, ".Selected": 11103, "Ġorganizations": 11104, "Ġdiscovered": 11105, "cohol": 11106, "adas": 11107, "ĠThomas": 11108, "May": 11109, "Ġconserv": 11110, "Ġdomin": 11111, "ĠFollow": 11112, "ĠSection": 11113, "ĠThanks": 11114, "Username": 11115, "Ġrecipe": 11116, "Ġwonderful": 11117, ".sleep": 11118, "_if": 11119, "ĉĊĉĊ": 11120, "orno": 11121, "Ġru": 11122, "_target": 11123, ".\"\"": 11124, "à¦": 11125, "EventArgs": 11126, "Ġinputs": 11127, "Ġfif": 11128, "Ġvision": 11129, "cy": 11130, "ĠSeries": 11131, ")(((": 11132, "Ġtrading": 11133, "Ġmarker": 11134, "Begin": 11135, "Ġtypically": 11136, "Ġcauses": 11137, "dropdown": 11138, "_DEBUG": 11139, "Ġdetect": 11140, "country": 11141, "!\");Ċ": 11142, "ĉR": 11143, "appy": 11144, "Ġcref": 11145, "('<": 11146, "\"=>": 11147, "ĠLE": 11148, "reader": 11149, "Ġadministr": 11150, "õ": 11151, "ucket": 11152, "Ġfashion": 11153, ".char": 11154, "izar": 11155, "Ġdisable": 11156, "Ġsuc": 11157, "ĠLive": 11158, "issue": 11159, "Ġmetadata": 11160, "flags": 11161, "ĠðŁ": 11162, "Ġcommitted": 11163, "Ġva": 11164, "Ġrough": 11165, "Ġ'''Ċ": 11166, "Ġhighlight": 11167, "_vars": 11168, "VO": 11169, "Ġencoding": 11170, "-Z": 11171, "_sign": 11172, "$(\"#": 11173, "Ġrain": 11174, "reatest": 11175, "ĠEND": 11176, "Selection": 11177, "Ġcandidates": 11178, "Ġsav": 11179, ".Empty": 11180, "Ġdecisions": 11181, "Ġcollabor": 11182, "ridge": 11183, "feed": 11184, "ression": 11185, "Ġpersons": 11186, "VM": 11187, "ega": 11188, "_BIT": 11189, "According": 11190, "acked": 11191, "Ġdollars": 11192, "_loss": 11193, "ĠCost": 11194, "}\"Ċ": 11195, "Notification": 11196, "Ġprostit": 11197, "Ġauthority": 11198, ".rec": 11199, "Ġspokes": 11200, "ĠToday": 11201, "istant": 11202, "ĠHead": 11203, "âĢĿ.": 11204, "ertainment": 11205, "cean": 11206, "culate": 11207, "Ġven": 11208, "However": 11209, "_arr": 11210, "Ġtokens": 11211, "Graph": 11212, "ĠJud": 11213, "ĠVirgin": 11214, "ĠSerial": 11215, "unning": 11216, "Mutable": 11217, "agers": 11218, ".csv": 11219, "Ġdeveloping": 11220, "Ġinstructions": 11221, "Ġpromise": 11222, "Ġrequested": 11223, "_encode": 11224, "/\"": 11225, "ĠIcon": 11226, "uilt": 11227, "-day": 11228, "Ġintelligence": 11229, ".IS": 11230, "ĠObservable": 11231, "ĠHard": 11232, "Bool": 11233, "idential": 11234, ".Anchor": 11235, "Ġselling": 11236, "CI": 11237, "AGES": 11238, "tle": 11239, "bur": 11240, "UFFER": 11241, "RY": 11242, "Ġbigger": 11243, "Ġrat": 11244, "Ġfamous": 11245, "Ġtypename": 11246, "Ġexplained": 11247, "}}Ċ": 11248, "Ġnuclear": 11249, "-N": 11250, "Ġcrisis": 11251, "ĠEnter": 11252, "Ġanswers": 11253, "/${": 11254, "/pl": 11255, "Ġsequ": 11256, "_next": 11257, "mask": 11258, "Ġstanding": 11259, "Ġplenty": 11260, "ĠCross": 11261, "ĉret": 11262, "dro": 11263, "ĠCast": 11264, "=true": 11265, "ĠChris": 11266, "icio": 11267, "ĠMike": 11268, "Decimal": 11269, "addComponent": 11270, "Len": 11271, "Ġcock": 11272, "Ġ#{": 11273, "URN": 11274, "": 11403, "Ġ*=": 11404, "ĠPS": 11405, "Ġdangerous": 11406, "[p": 11407, "OME": 11408, "Other": 11409, "ĠStringBuilder": 11410, "Points": 11411, "heading": 11412, "Ġcurrency": 11413, "Ġpercentage": 11414, "_API": 11415, "Ġclassic": 11416, "thead": 11417, "ĠMO": 11418, "FE": 11419, "Idx": 11420, "await": 11421, "Ġè": 11422, "Ġaccident": 11423, "Ġvariant": 11424, "Ġmyst": 11425, "ĠLand": 11426, "ĠBre": 11427, "Ġharm": 11428, "ĠAcc": 11429, "Ġcharged": 11430, "iones": 11431, "Visibility": 11432, "arry": 11433, "ĠLanguage": 11434, "Ġwalking": 11435, "\".ĊĊ": 11436, "ifer": 11437, "Ġleadership": 11438, ".From": 11439, "ynam": 11440, "Ġtimestamp": 11441, "ipt": 11442, "ĠHas": 11443, "REFER": 11444, "ĠIts": 11445, "Ġlistener": 11446, "UTE": 11447, "_description": 11448, "Ġexperiences": 11449, "Ġcreates": 11450, "RS": 11451, "cart": 11452, "black": 11453, "Ġchoices": 11454, "war": 11455, "Ġ'''": 11456, "Ġordered": 11457, "Ġevening": 11458, "Ġpil": 11459, "Ġtun": 11460, "ĠBad": 11461, "(app": 11462, "random": 11463, "Ġexplicit": 11464, "Ġarrived": 11465, "Ġfly": 11466, "Ġeconom": 11467, "-mail": 11468, "Ġlists": 11469, "Ġarchitect": 11470, "ĠPay": 11471, "Ġds": 11472, "ĠSol": 11473, "Ġvehicles": 11474, "Hz": 11475, "-com": 11476, "Ġking": 11477, "_equal": 11478, "ĠHelp": 11479, "Ġabuse": 11480, "--;Ċ": 11481, "Ġextr": 11482, "Ġchemical": 11483, "ä¿": 11484, "Ġorient": 11485, "Ġbreath": 11486, "ĠSpace": 11487, "(element": 11488, "wait": 11489, "DED": 11490, "igma": 11491, "Ġentr": 11492, "Ġsob": 11493, "-name": 11494, "Ġaffected": 11495, "ika": 11496, "Ġcoal": 11497, "_work": 11498, "Ġhundreds": 11499, "Ġpolitics": 11500, "subject": 11501, "Ġconsumer": 11502, "ANGE": 11503, "Ġrepeated": 11504, "Send": 11505, "Ġ#[": 11506, "Ġprotocol": 11507, "Ġleads": 11508, "useum": 11509, "Every": 11510, "Import": 11511, "(count": 11512, "Ġchallenges": 11513, "Ġnovel": 11514, "Ġdepart": 11515, "bits": 11516, ".Current": 11517, "Ġ`${": 11518, "oting": 11519, "(\\": 11520, "Ġcreative": 11521, "Ġbuff": 11522, "Ġintroduced": 11523, "usic": 11524, "modules": 11525, "Are": 11526, "-doc": 11527, "language": 11528, "_cache": 11529, "Ġtod": 11530, "?>{{": 11764, "ĠResource": 11765, "ĠStandard": 11766, "ĠPrem": 11767, "updated": 11768, "ivalent": 11769, "Ġassets": 11770, "_temp": 11771, "Ġinterests": 11772, "Ġhardware": 11773, "ĠRom": 11774, "ĠShare": 11775, "Ġ''Ċ": 11776, "Ġ*,": 11777, "ĠTake": 11778, "ĠImages": 11779, "_CHECK": 11780, "(typeof": 11781, "ĠJun": 11782, "\\<^": 11783, "Ġliqu": 11784, "Ġworst": 11785, "ymbols": 11786, "ĉĉĉĠĠĠ": 11787, "Ġdrivers": 11788, "ĠDocument": 11789, "eno": 11790, "ĠTechnology": 11791, "Ġapproved": 11792, "umps": 11793, "Ġsnow": 11794, "formance": 11795, "_ASSERT": 11796, "uits": 11797, "ÙĨ": 11798, "Ġdifferences": 11799, ".Visible": 11800, "ĉĉĉčĊ": 11801, "ĠPs": 11802, "_fetch": 11803, "Ġtodo": 11804, ".',Ċ": 11805, "Ġsel": 11806, "urers": 11807, "invalid": 11808, "Ġtweet": 11809, "VEL": 11810, "Ġresearchers": 11811, "Ġsprintf": 11812, "ĠRO": 11813, "Ġpel": 11814, ".Trans": 11815, "Ġillegal": 11816, "dialog": 11817, "smarty": 11818, "lg": 11819, "_MIN": 11820, "Ġhero": 11821, "final": 11822, "Ġpp": 11823, ".Le": 11824, "Ġci": 11825, "ĉRT": 11826, "Ġsuggested": 11827, "pdf": 11828, "aching": 11829, "ĠRo": 11830, "ĠProperties": 11831, "ĠSi": 11832, "Ġbuying": 11833, "Ġmu": 11834, "Ġlands": 11835, "ifiers": 11836, "ĠFILE": 11837, "ROUP": 11838, "Ġholder": 11839, "ĠSon": 11840, "Ġsympt": 11841, ".route": 11842, ")?": 11843, "Ġargc": 11844, "Ġfort": 11845, "Ġcasino": 11846, "_category": 11847, "Ġforum": 11848, "prefix": 11849, "apture": 11850, "Tube": 11851, "ems": 11852, "imize": 11853, "Ġnue": 11854, "aus": 11855, "course": 11856, "ATOR": 11857, "()),": 11858, "Advertis": 11859, "INGS": 11860, "Ġacknow": 11861, "ĠKorea": 11862, "pling": 11863, "Ġworker": 11864, "PLIED": 11865, "hal": 11866, "ĠRichard": 11867, "Elements": 11868, "ĉĉĉĠ": 11869, "star": 11870, "Ġrelationships": 11871, "Ġcheap": 11872, "ACH": 11873, "ĠXML": 11874, ",&": 11875, "ĠLouis": 11876, "Ġride": 11877, "_FAIL": 11878, "Ġchunk": 11879, "[s": 11880, "_OUT": 11881, "Ġchosen": 11882, "_[": 11883, "/(": 11884, "ĠJeff": 11885, "_sl": 11886, "priv": 11887, "ĠCanadian": 11888, "Ġunable": 11889, "_FLAG": 11890, "Ġnos": 11891, "high": 11892, "Ġlift": 11893, "fun": 11894, "(){": 11895, "elly": 11896, "yclerView": 11897, "_as": 11898, "_LIST": 11899, "Ġradi": 11900, ".getValue": 11901, "ĠAngeles": 11902, "ĠSpan": 11903, "_instance": 11904, "itors": 11905, "Ġmigration": 11906, "AK": 11907, "Oh": 11908, "®": 11909, ".selected": 11910, "ĠGT": 11911, "Ġadvance": 11912, "ĠStyle": 11913, ".DataGridView": 11914, "ection": 11915, "Ñİ": 11916, "pio": 11917, "rog": 11918, "Ġshopping": 11919, "ĠRect": 11920, "Illuminate": 11921, "OU": 11922, "ĉarray": 11923, "Ġsubstantial": 11924, "Ġpregn": 11925, "Ġpromote": 11926, "IEW": 11927, ".Layout": 11928, "Ġsigns": 11929, "/.": 11930, "Ġletters": 11931, "Board": 11932, "ctrl": 11933, "\"\\": 11934, "ĠJones": 11935, "Ġvertex": 11936, "Ġja": 11937, "Ġaffili": 11938, "Ġwealth": 11939, "ĉdefault": 11940, "Ġsignificantly": 11941, "Ġec": 11942, "Ġxs": 11943, "actual": 11944, ".per": 11945, "_step": 11946, "anvas": 11947, "mac": 11948, "Ġtransl": 11949, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 11950, "Iterator": 11951, "Ġoch": 11952, "agnostic": 11953, "ĠDuring": 11954, "ĠDEFAULT": 11955, "Ġtill": 11956, "Ġsignature": 11957, "Ġbird": 11958, "ĠOl": 11959, "ĠIr": 11960, "HS": 11961, "avatar": 11962, "ESSAGE": 11963, "Ġelev": 11964, "Ġmt": 11965, "ĠNav": 11966, "Ġrelax": 11967, "Ġplate": 11968, "ITEM": 11969, "(date": 11970, ".not": 11971, "Ġgrade": 11972, "Ġ}),Ċ": 11973, "?\"ĊĊ": 11974, "iences": 11975, "High": 11976, "ĠDIS": 11977, "disabled": 11978, "QUI": 11979, "Ġnoise": 11980, "aux": 11981, "ĠUP": 11982, "osa": 11983, "Ġvoc": 11984, "Ġ))": 11985, "ocom": 11986, "_OFF": 11987, "ĠDb": 11988, "Lock": 11989, ".eclipse": 11990, ",d": 11991, "ĠDraw": 11992, "Ġ\"(": 11993, "Ġvisited": 11994, "ĠâĪ": 11995, "Ġsucceed": 11996, "Ġimpossible": 11997, "aire": 11998, "ĠTurn": 11999, "Ġdish": 12000, "FG": 12001, "Ġsensor": 12002, "ANN": 12003, "aba": 12004, "Ġsurg": 12005, "]);čĊ": 12006, "Ġfp": 12007, "_an": 12008, "-J": 12009, "-G": 12010, "ĠJob": 12011, "Convert": 12012, "ĠKEY": 12013, "Ġauthors": 12014, "_server": 12015, "\\r": 12016, "Ġ-*-": 12017, "flex": 12018, "Ġsoc": 12019, "Ret": 12020, "Ġsalt": 12021, "ĠâĢ¦ĊĊ": 12022, "ĠClear": 12023, "(page": 12024, "-danger": 12025, "Ġrooms": 12026, "conv": 12027, "#{": 12028, ".op": 12029, "ĠArea": 12030, "_SC": 12031, "hen": 12032, "Ġbegins": 12033, "-y": 12034, "Ġexcited": 12035, "Ġignored": 12036, "Ġbonus": 12037, "student": 12038, "ĠMember": 12039, "Ġrelatively": 12040, "ĠLow": 12041, "ĠProdu": 12042, "ateway": 12043, "posure": 12044, "Ġthick": 12045, "aniel": 12046, "(view": 12047, "ĠCrush": 12048, "Extension": 12049, "Il": 12050, "eed": 12051, "LOC": 12052, ".im": 12053, ".Items": 12054, "Ġconflict": 12055, ".prevent": 12056, "ĠonCreate": 12057, "uv": 12058, "iser": 12059, "Ġwave": 12060, "Mar": 12061, "ĠCommunity": 12062, "iche": 12063, "ĠNothing": 12064, "[m": 12065, "ĠLee": 12066, "riends": 12067, "ère": 12068, "!!!": 12069, "anz": 12070, ".result": 12071, "ĠSK": 12072, "_PARAM": 12073, "Ġdemocr": 12074, "BackColor": 12075, ".exists": 12076, "\"It": 12077, "(options": 12078, "razy": 12079, "aser": 12080, "\\Database": 12081, "alendar": 12082, "_ass": 12083, ";}Ċ": 12084, "vertex": 12085, "inecraft": 12086, "Warning": 12087, "argo": 12088, "Ġactor": 12089, "ĠInstead": 12090, "ĠUsing": 12091, "Self": 12092, "@interface": 12093, "Ġspeaking": 12094, "ĠParis": 12095, "ĠLICENSE": 12096, ".node": 12097, "ĠFood": 12098, "EIF": 12099, "ĠBi": 12100, ".Start": 12101, "ĠIB": 12102, "Ġuniversity": 12103, "ĠHeader": 12104, ".product": 12105, "Copy": 12106, "etc": 12107, "rical": 12108, "Ġ>>>": 12109, "books": 12110, "Ġalgorithm": 12111, "Ġ'__": 12112, "(javax": 12113, "Ġnumerous": 12114, "Share": 12115, "Have": 12116, "Ġrecru": 12117, "Ġprove": 12118, ".substring": 12119, "health": 12120, "ел": 12121, "Ġdecimal": 12122, "Ġcommission": 12123, "scription": 12124, "xC": 12125, "Ġsummary": 12126, "atted": 12127, "Ġcloser": 12128, "finished": 12129, "()){Ċ": 12130, "ĠWood": 12131, "_fields": 12132, "ku": 12133, "_items": 12134, "Flag": 12135, "Ġconfidence": 12136, "ĠFederal": 12137, "dux": 12138, "Ġcompat": 12139, "Ġvertical": 12140, "й": 12141, "ès": 12142, ";\">Ċ": 12143, "_manager": 12144, "()))Ċ": 12145, "IDE": 12146, ":\",": 12147, "__Ċ": 12148, "ĠWay": 12149, "ÑĪ": 12150, "Temp": 12151, "ĠSTR": 12152, "ritten": 12153, "Sync": 12154, "ĠAV": 12155, "ĠCEO": 12156, "ĠGuid": 12157, "Ġenvironmental": 12158, "Ġcorresponding": 12159, "ĉconsole": 12160, "Ġjustice": 12161, "ĠJS": 12162, "Ġlived": 12163, "gar": 12164, "ĠGraph": 12165, "ĠStat": 12166, "ĠiPhone": 12167, ".al": 12168, "ĠHD": 12169, "Ġoccur": 12170, "Ġthreshold": 12171, "Ġonclick": 12172, "REG": 12173, ".GraphicsUnit": 12174, "Meta": 12175, "ž": 12176, "Ġcum": 12177, ".gnu": 12178, "ë": 12179, "Ġobtained": 12180, "Ġcomplaint": 12181, "Ġeating": 12182, "Ġtar": 12183, "_task": 12184, "Ġopts": 12185, "(to": 12186, "Pass": 12187, "Ġplastic": 12188, "tility": 12189, "ĠWin": 12190, ".preventDefault": 12191, "pile": 12192, "ĠGar": 12193, "Ġquantity": 12194, "_last": 12195, "Ġgreatest": 12196, "Dao": 12197, "_DIS": 12198, "ĠUsed": 12199, "ĠHP": 12200, "riting": 12201, "SION": 12202, "blue": 12203, "domain": 12204, "Ġscores": 12205, "Normal": 12206, "_admin": 12207, "ĠASSERT": 12208, "Then": 12209, "***": 12210, "dist": 12211, "lon": 12212, "Ġhate": 12213, "shal": 12214, "ImageView": 12215, "database": 12216, "Ġpand": 12217, "Ġlogic": 12218, "=false": 12219, "bg": 12220, "ĠConfiguration": 12221, "Ġnur": 12222, "OG": 12223, "Ġmarried": 12224, ":+": 12225, "Ġdropped": 12226, "Ġregistration": 12227, "ом": 12228, "ultiple": 12229, "izers": 12230, "shape": 12231, ".copy": 12232, "Ġwearing": 12233, "ĠCath": 12234, "Ġdedicated": 12235, "Ġ...Ċ": 12236, "Ġadvoc": 12237, "ĠFamily": 12238, "Ġstatements": 12239, "ematic": 12240, "ampionship": 12241, "Ġmotiv": 12242, "ĠHave": 12243, "Ġblow": 12244, "Job": 12245, "cert": 12246, "_vector": 12247, "install": 12248, "ĠCOPY": 12249, "embed": 12250, "DIR": 12251, "ĠSpring": 12252, "Ġexhib": 12253, "cdn": 12254, "ĠComment": 12255, "ĠOptional": 12256, ".player": 12257, "ĠDark": 12258, "(pos": 12259, "ĠShould": 12260, "Ġcentre": 12261, "ĠGuard": 12262, "ów": 12263, "Ġtrouble": 12264, "ENER": 12265, "(unsigned": 12266, "_service": 12267, "Ġns": 12268, "uling": 12269, "ĠMexico": 12270, "ĠNY": 12271, "mysql": 12272, "Ġlic": 12273, "åľ": 12274, "Mr": 12275, "-fl": 12276, "ĠCustomer": 12277, "idi": 12278, "Ġ?>ĊĊ": 12279, "rible": 12280, "ĠпÑĢ": 12281, "Ġsizes": 12282, "_STRING": 12283, "validation": 12284, "ĠJon": 12285, "(Http": 12286, "addClass": 12287, "Nodes": 12288, "Ġfragment": 12289, "Ġspoke": 12290, "Ġwaste": 12291, "Join": 12292, "Ġillustr": 12293, "eli": 12294, "cient": 12295, "Ġaid": 12296, "Ġprosec": 12297, "'){Ċ": 12298, "Ġpassing": 12299, "Ġfaces": 12300, "Shape": 12301, "_Z": 12302, "iti": 12303, "Ġalle": 12304, "Ġrobot": 12305, "ĠĠĠĠĠĠĠĊ": 12306, "ĠSpe": 12307, "Ġreceiving": 12308, "ĠDetails": 12309, "Ġ\")": 12310, "mg": 12311, "_REF": 12312, "Ġcomparison": 12313, "*,": 12314, "ĠFound": 12315, "_session": 12316, "(U": 12317, "/F": 12318, "Ġxxx": 12319, "Network": 12320, "ders": 12321, "Ġcapture": 12322, "Ġcorre": 12323, "ĠLtd": 12324, "ĠAdv": 12325, "[@": 12326, "Ġclip": 12327, "Mill": 12328, "ĠProfile": 12329, "Ġendif": 12330, "Ġoblig": 12331, "describe": 12332, ".element": 12333, "riterion": 12334, "LD": 12335, "ered": 12336, "Ġfavour": 12337, "score": 12338, "ĠFilter": 12339, "attributes": 12340, "Ġchecks": 12341, "Inflater": 12342, "ĠPlus": 12343, "Ġscientific": 12344, "Ġprivacy": 12345, "Head": 12346, "Ġfeat": 12347, "Ġdegrees": 12348, "ĠPale": 12349, ";\">": 12350, "Ġfilms": 12351, "ĠAudio": 12352, "ĠTag": 12353, "ĠEnergy": 12354, "itar": 12355, "parator": 12356, "Ġfellow": 12357, "Ġevt": 12358, "ĠTri": 12359, "ĠDAM": 12360, "cloud": 12361, "ĠPassword": 12362, "ĠDemocrats": 12363, "ĠAcad": 12364, "$lang": 12365, "Ġreb": 12366, "())ĊĊ": 12367, "нÑĭ": 12368, "ĠBur": 12369, "readcr": 12370, "Ġhex": 12371, "Console": 12372, "ctl": 12373, "ousel": 12374, "ĠWilliam": 12375, "Ġaz": 12376, "_PORT": 12377, "Ġpractices": 12378, "Ġanywhere": 12379, "ĠPosition": 12380, "Ġ->Ċ": 12381, "iams": 12382, ".username": 12383, "placeholder": 12384, "Ġoder": 12385, "ĠSecretary": 12386, "ĠiT": 12387, "mond": 12388, "events": 12389, "?âĢĿ": 12390, ".Sub": 12391, "Ġattached": 12392, "Ġnão": 12393, "Ġestate": 12394, ".action": 12395, "Ġfigures": 12396, "Ġ});čĊ": 12397, "Ġsubscri": 12398, ".tag": 12399, "nam": 12400, ".plot": 12401, "noon": 12402, "liament": 12403, "Character": 12404, ".tab": 12405, "Ġwinter": 12406, "ĠVariable": 12407, "Ġtrees": 12408, "Ġproud": 12409, "(V": 12410, "_load": 12411, "Ġhier": 12412, "ĠEcon": 12413, "Ġfd": 12414, "Ġvictims": 12415, "Rest": 12416, "iana": 12417, "Ġfake": 12418, ".Println": 12419, "Ġstrlen": 12420, "Ġsad": 12421, "Ġble": 12422, "Prot": 12423, "Ġbuttons": 12424, "Ġtelevision": 12425, "Ġlogo": 12426, "extension": 12427, "ĉj": 12428, "stein": 12429, "aciones": 12430, "Ġ\"\"\"ĊĊ": 12431, "Ġsimp": 12432, "Ġrecorded": 12433, "Ġbrings": 12434, "Ġprincipal": 12435, "Ġfees": 12436, "(source": 12437, "kdir": 12438, "Ġutils": 12439, "Ġcorrectly": 12440, "fil": 12441, "Ġwel": 12442, "Pair": 12443, "-button": 12444, "scale": 12445, "verify": 12446, "[c": 12447, "Ġ---": 12448, "Ġescape": 12449, "ikes": 12450, "LowerCase": 12451, "ician": 12452, "Ġchapter": 12453, "ĠTYPE": 12454, "Ġshadow": 12455, "Ġawesome": 12456, "WE": 12457, "elif": 12458, "Ġlambda": 12459, "Ġdistinct": 12460, "Ġbare": 12461, "-off": 12462, "Ġcolour": 12463, ".appendChild": 12464, "olec": 12465, "aga": 12466, ".fill": 12467, "ĉsuper": 12468, "Ġadj": 12469, "(position": 12470, ".getItem": 12471, "Short": 12472, "Ġtotally": 12473, "VD": 12474, "ĠTre": 12475, "_ep": 12476, "vements": 12477, "ĠSolution": 12478, "Ġfundament": 12479, "Follow": 12480, "Ġfacility": 12481, "Ġhappening": 12482, "OF": 12483, ".textBox": 12484, "Span": 12485, "Ġ«": 12486, "iden": 12487, "Ġexceed": 12488, "(parent": 12489, "Ġcp": 12490, "ç»": 12491, "Ġhasn": 12492, "Ġpri": 12493, "Ġconsequ": 12494, "nen": 12495, "ĠINTO": 12496, "Ignore": 12497, "ĠFuture": 12498, "Ġcarbon": 12499, "ĠSteel": 12500, "fmt": 12501, "okie": 12502, "Ġspl": 12503, "(title": 12504, "-info": 12505, "Ġdeals": 12506, "Ġfixture": 12507, "ea": 12508, "Div": 12509, "Ġtested": 12510, "_return": 12511, ")ĊĊĊĊ": 12512, "upported": 12513, "ĠCook": 12514, "Ġpaying": 12515, "ĠIll": 12516, "Ġarrested": 12517, "ĠPrime": 12518, "_callback": 12519, ">,Ċ": 12520, "driver": 12521, "Once": 12522, "abb": 12523, "_bytes": 12524, "ĠSets": 12525, "(Object": 12526, "Ġcc": 12527, "Ġshell": 12528, "alo": 12529, ");//": 12530, "(log": 12531, "ctors": 12532, ")": 13004, "Ġ$(\".": 13005, ".pos": 13006, "Ġboys": 13007, "Ġwedding": 13008, "Ġagents": 13009, "=\"_": 13010, "ĠArmy": 13011, "Ġhint": 13012, "vision": 13013, "Ġtech": 13014, "ĠConnect": 13015, "Ġlegend": 13016, "ĠBet": 13017, ".Base": 13018, "Subject": 13019, "Ġlit": 13020, "Remove": 13021, "Ġ\":": 13022, "ĠFinal": 13023, "pearance": 13024, "ĠiTunes": 13025, "Ġparticipants": 13026, "ĠPython": 13027, "Ġbusy": 13028, "iel": 13029, "vertices": 13030, "ĠtemplateUrl": 13031, "ĠClose": 13032, "Img": 13033, "ĠCorporation": 13034, "timestamp": 13035, "Ġextend": 13036, "Ġwebsites": 13037, "Ġpossibility": 13038, "оÑĤ": 13039, "Ġkö": 13040, "Ġmeat": 13041, "Ġrepresentation": 13042, "Ġĉĉ": 13043, "_START": 13044, ".apply": 13045, "ĠValley": 13046, "ĠSuccess": 13047, "Hi": 13048, "Ġnob": 13049, "ĠIEnumerable": 13050, "_select": 13051, "geo": 13052, ".\")Ċ": 13053, "Ġturning": 13054, "Ġfabric": 13055, "(\"\");Ċ": 13056, "Ġperspective": 13057, "éĹ": 13058, "ĠSn": 13059, "Thank": 13060, ";j": 13061, ".Parameters": 13062, "ĉĠĠĠĠĠĠĠĠĠĠĠ": 13063, "Ġfacts": 13064, "Ġunt": 13065, ".instance": 13066, "################################################################": 13067, "-end": 13068, "ĠJOIN": 13069, "ĠHen": 13070, "Ġuri": 13071, "åIJį": 13072, "Ġна": 13073, "ĠInfo": 13074, "Ġconducted": 13075, "ĠÃ¥": 13076, "OURCE": 13077, "Ġwine": 13078, "John": 13079, ".Errorf": 13080, "ĠAge": 13081, "ounded": 13082, "Ġrealize": 13083, "Ġ];": 13084, "Ġsubsequ": 13085, ",m": 13086, "(User": 13087, "iano": 13088, "Ġaccompl": 13089, "isp": 13090, ".std": 13091, "éĩ": 13092, "ĠBed": 13093, ".setAttribute": 13094, "BR": 13095, "keep": 13096, "ĠALL": 13097, "Ġisol": 13098, "amma": 13099, "Package": 13100, "Ġoccasion": 13101, "-success": 13102, "ед": 13103, "ĠLIMITED": 13104, "strip": 13105, "()ĊĊĊ": 13106, "istribution": 13107, "Colors": 13108, "Ġ+:+": 13109, "DidLoad": 13110, "aler": 13111, "Ġtid": 13112, "ĠLED": 13113, "ĠLinked": 13114, "ĠCart": 13115, "())čĊ": 13116, "_READ": 13117, "Ġkilling": 13118, "ĠPHP": 13119, "fection": 13120, "Ġinstances": 13121, "cv": 13122, "\"/>": 13123, "Ġsf": 13124, "Ġtaxes": 13125, "_location": 13126, "ĠBitcoin": 13127, "uable": 13128, "rank": 13129, "ignore": 13130, "track": 13131, "ка": 13132, "Ġshouldn": 13133, "ĠOP": 13134, "=>{Ċ": 13135, "Ġkm": 13136, "Ġhelper": 13137, "_head": 13138, "ĠWhether": 13139, "oco": 13140, "_bl": 13141, "Ġstatistics": 13142, "Ġbeauty": 13143, "Ġtog": 13144, "tip": 13145, "ëĭ¤": 13146, "Ġcsv": 13147, "(sql": 13148, "stdlib": 13149, "weak": 13150, "Ġlikes": 13151, "Äį": 13152, "Ġrepeat": 13153, "Ġapartment": 13154, "Ġemph": 13155, "_edit": 13156, "Ġvit": 13157, "ĉtype": 13158, "Even": 13159, "uten": 13160, "Ġcircumstances": 13161, "bian": 13162, "Ġsugar": 13163, "Windows": 13164, "ìŀ": 13165, "Ġobserved": 13166, "/data": 13167, "Ġcalendar": 13168, "Ġstrike": 13169, "ĠRES": 13170, "_sc": 13171, "fony": 13172, "orem": 13173, "(z": 13174, "power": 13175, "etect": 13176, "ĠSat": 13177, ".description": 13178, "Ġgang": 13179, "ĠSports": 13180, "ongs": 13181, "ĠBundle": 13182, ".sum": 13183, "once": 13184, "Ġaccused": 13185, "Ġexplore": 13186, "Ġapproximately": 13187, "Ġlosing": 13188, "thesis": 13189, "ĠFund": 13190, "Ġdiagn": 13191, "Autowired": 13192, "properties": 13193, "Ġ_.": 13194, "Ġcnt": 13195, "cedure": 13196, "Ġyy": 13197, "Ġgrant": 13198, "sock": 13199, ".innerHTML": 13200, "Ġ]);Ċ": 13201, "ĠCONFIG": 13202, "='$": 13203, "]];Ċ": 13204, "UND": 13205, "Ġglob": 13206, "Ġdire": 13207, "uffle": 13208, "_MEM": 13209, "Ġauthentic": 13210, ">(\"": 13211, "Ġdecade": 13212, "ĠImport": 13213, "Ġoriginally": 13214, "ĠjQuery": 13215, "Ġindicate": 13216, "Ġourselves": 13217, "Sw": 13218, ".lbl": 13219, "enerate": 13220, "Ġbasically": 13221, "ĠHom": 13222, "Ġ+#+": 13223, "ĠBritain": 13224, "ĠKar": 13225, "toEqual": 13226, ".stop": 13227, "Ġmodal": 13228, "isi": 13229, "Ġsuggests": 13230, "Ġdtype": 13231, "Ġtur": 13232, "bf": 13233, "Ġconnections": 13234, "ĠBefore": 13235, "isted": 13236, "mouse": 13237, "Ġpulled": 13238, ".build": 13239, "Ġlegislation": 13240, "Ġforth": 13241, "pad": 13242, "ego": 13243, ".Now": 13244, "Ġexciting": 13245, "}ĊĊĊĊ": 13246, "Ġcompr": 13247, "Ġshares": 13248, "Ġrig": 13249, "green": 13250, "_vec": 13251, "Ġenumerate": 13252, "Auto": 13253, "icator": 13254, "ĠRay": 13255, "asse": 13256, "Ġholiday": 13257, "Ġnullable": 13258, "gun": 13259, "_details": 13260, "Ġwrapper": 13261, "seq": 13262, "ĠYoung": 13263, "juana": 13264, "Ġ\"__": 13265, "license": 13266, "serve": 13267, "^(": 13268, "iders": 13269, ".Remove": 13270, "ropdown": 13271, "'S": 13272, "pin": 13273, "(token": 13274, ".Default": 13275, "Ġreasonable": 13276, "ampion": 13277, "ĠSociety": 13278, "Ġbei": 13279, "erves": 13280, "rad": 13281, "ĠFox": 13282, "_images": 13283, "Ġwheel": 13284, "')[": 13285, "Ġcfg": 13286, "(By": 13287, "Constructor": 13288, "Ġvary": 13289, ".swift": 13290, "Ġproxy": 13291, "ĉH": 13292, "ĠAnother": 13293, "ĠPen": 13294, "Ġchecking": 13295, "Ġjest": 13296, "manager": 13297, "Origin": 13298, "ugs": 13299, "oir": 13300, ">čĊ": 15956, "Ġrelief": 15957, "lap": 15958, "quer": 15959, "_parent": 15960, "heap": 15961, "LOSE": 15962, "Ġcombine": 15963, "ĠRose": 15964, "owers": 15965, "Ġprocedures": 15966, "ĠSort": 15967, "anim": 15968, "variant": 15969, "ehicle": 15970, "Ġsigning": 15971, "Primary": 15972, "currency": 15973, "Ġsexe": 15974, "oen": 15975, "theta": 15976, "eman": 15977, "Ġimpressive": 15978, "('_": 15979, "ĉU": 15980, "ĠTextStyle": 15981, "_cnt": 15982, "Ġslice": 15983, "(':": 15984, "Ġunderstood": 15985, "His": 15986, "Ġinformed": 15987, "Ġnick": 15988, "(TAG": 15989, "hd": 15990, "Ġelections": 15991, "esture": 15992, "ĠSanta": 15993, "ĠCoast": 15994, ".pdf": 15995, "inciple": 15996, ".clone": 15997, "born": 15998, "uta": 15999, "Ġlicensed": 16000, "Cr": 16001, "Ġbread": 16002, "ĠHouston": 16003, "Ġnod": 16004, "Ġhopes": 16005, "ĠCGRect": 16006, "Ġguilty": 16007, ".gif": 16008, "Ġrose": 16009, ".Common": 16010, "Tip": 16011, "ANK": 16012, "ĠFC": 16013, "During": 16014, "ĠSymfony": 16015, "Ġdefensive": 16016, "km": 16017, ")>": 16018, "archive": 16019, "ĠURI": 16020, "ycling": 16021, "-o": 16022, "ĠWebsite": 16023, "AMP": 16024, "ishment": 16025, "Ġdoctors": 16026, "Direct": 16027, "ARI": 16028, "ĠRedirect": 16029, "ieren": 16030, "_dist": 16031, "yo": 16032, "ĠProgress": 16033, "Ġzum": 16034, "Ġmemor": 16035, "ĠED": 16036, "Ġjur": 16037, "æį®": 16038, "_TABLE": 16039, "Ġuuid": 16040, "Expr": 16041, ".head": 16042, "('%": 16043, "pointer": 16044, "Ġestimate": 16045, "ĠGreg": 16046, "Ġloader": 16047, "ĠiOS": 16048, "Ġmens": 16049, "[y": 16050, "Ġrefused": 16051, "Ġprecision": 16052, "isch": 16053, "ĠACTION": 16054, "Cloud": 16055, "sWith": 16056, "(ret": 16057, "_ADDR": 16058, "_conf": 16059, "(df": 16060, "Ġlocked": 16061, "Ġrising": 16062, "ãĥ»ãĥ»": 16063, "ĠMs": 16064, "Ġscenes": 16065, "_EXT": 16066, "_raw": 16067, "_the": 16068, "people": 16069, "Ġrecon": 16070, "ĠFun": 16071, "Ġbless": 16072, "ĠUpdated": 16073, "ün": 16074, "ĠĠĠĠĠĠĠĠĠĠĠĠčĊ": 16075, "pection": 16076, "Release": 16077, ".logger": 16078, "ĠSY": 16079, "Ġcounsel": 16080, "urd": 16081, "_true": 16082, "Ġeverybody": 16083, "ivot": 16084, "Ġhence": 16085, "ĠNAS": 16086, "Ġopposed": 16087, "unknown": 16088, "ĠDESC": 16089, "ĠChair": 16090, "failed": 16091, "ĠINCLUDING": 16092, "Ġwriters": 16093, "{}Ċ": 16094, "ÃŃt": 16095, "_copy": 16096, "}:": 16097, "ĠBat": 16098, "Ġconverted": 16099, "eding": 16100, "placement": 16101, "ĠHost": 16102, "Sound": 16103, "им": 16104, "Ġsought": 16105, "mid": 16106, "Ġsalary": 16107, "ogg": 16108, "âĦ¢": 16109, "bul": 16110, "Ġwir": 16111, "validator": 16112, "_STAT": 16113, ".store": 16114, "ĠBattle": 16115, "ın": 16116, "Ġ-->ĊĊ": 16117, "Trump": 16118, "dot": 16119, "ĠCONT": 16120, ".fetch": 16121, "Ġcontinu": 16122, "was": 16123, "Ġfraud": 16124, "_tmp": 16125, "mitter": 16126, ".pictureBox": 16127, "GA": 16128, "Ġtournament": 16129, ".Input": 16130, "[r": 16131, "exion": 16132, "centage": 16133, "ĠKorean": 16134, "undef": 16135, "ĠAvailable": 16136, "reshape": 16137, "Ġkit": 16138, "ĠStruct": 16139, "ĠSUB": 16140, "Answer": 16141, "_lib": 16142, ".twitter": 16143, "Ġore": 16144, "ĠDragon": 16145, ".Ext": 16146, ",k": 16147, "Ġexplanation": 16148, "refs": 16149, "ĠDrive": 16150, "ĠTraining": 16151, ".Has": 16152, "intage": 16153, "big": 16154, "ologist": 16155, "ennis": 16156, "Ùĩ": 16157, "Ġchicken": 16158, "ĠĠĠĠĠĠĠĠĠĠĊ": 16159, "çĽ": 16160, "ãģ§": 16161, "Ġpeak": 16162, "Ġdrinking": 16163, "Ġencode": 16164, "ĠNEW": 16165, "malloc": 16166, "ĉfprintf": 16167, "Ġ=================================================================": 16168, "including": 16169, "Ġprinciples": 16170, "ĠMah": 16171, "storage": 16172, "-key": 16173, "Ġkeyword": 16174, "%;": 16175, "Ġtrained": 16176, ".contrib": 16177, "Ġkv": 16178, "__':Ċ": 16179, "ĠBoy": 16180, "parameter": 16181, "Ġsuite": 16182, "Ġthousand": 16183, "Ġcoordinate": 16184, "-generated": 16185, "íķĺ": 16186, "generated": 16187, "Ġadmitted": 16188, "Ġpussy": 16189, "#w": 16190, "Ġswim": 16191, "union": 16192, "Na": 16193, "ĠRoyal": 16194, ".channel": 16195, "Updated": 16196, "_ROOT": 16197, "Ġvital": 16198, "raction": 16199, "ĠCrusher": 16200, "Ġpreced": 16201, "Ġhorizontal": 16202, "Blueprint": 16203, "Ġattrs": 16204, "Ġsmoke": 16205, "ÐĴ": 16206, ".Equals": 16207, "FB": 16208, "ĠResources": 16209, "rolling": 16210, "Ġpasses": 16211, "ĠNum": 16212, "rotate": 16213, "etype": 16214, "\\\",": 16215, "Ġsensitive": 16216, "Ġtall": 16217, "?âĢĿĊĊ": 16218, "Proxy": 16219, "iy": 16220, "_section": 16221, "âĢĶâĢĶâĢĶâĢĶ": 16222, "brid": 16223, "Ġcircuit": 16224, "atan": 16225, "ENC": 16226, "Ġdriven": 16227, "Ġvoted": 16228, "Ġeducational": 16229, "Ġinteraction": 16230, "abetes": 16231, "Ġtone": 16232, "ĠInitializeComponent": 16233, "Ġmerely": 16234, "Ġìŀ": 16235, "cookie": 16236, "_div": 16237, "ĠUILabel": 16238, "vely": 16239, "});čĊ": 16240, "_ENT": 16241, "#+#+": 16242, "articles": 16243, "ĠSouthern": 16244, "Ġstronger": 16245, "ĠGiven": 16246, "ĠEric": 16247, "ĠIR": 16248, "abstract": 16249, "Under": 16250, "nable": 16251, "Ġincrement": 16252, "oven": 16253, "Ġcoin": 16254, "_timer": 16255, "Ġsuffered": 16256, "ĠFREE": 16257, "'].\"": 16258, "ĠQueen": 16259, "stats": 16260, "Ġmeetings": 16261, "Ġentering": 16262, "Ġalongside": 16263, "(session": 16264, "itals": 16265, "Ġfoundation": 16266, "ĠCredit": 16267, ".div": 16268, "_ALL": 16269, "pcion": 16270, "_stat": 16271, "icking": 16272, "Defaults": 16273, "_src": 16274, "Ġoutputs": 16275, "/B": 16276, "Ġenthus": 16277, "-bl": 16278, ".ForeColor": 16279, "ĉtemp": 16280, "Face": 16281, "Ġinteract": 16282, "Ġweird": 16283, "Mount": 16284, "rell": 16285, "udents": 16286, "Ġrequirement": 16287, "ĠSus": 16288, "IER": 16289, "Ġelected": 16290, "reference": 16291, "ĠME": 16292, "Ġservers": 16293, ".wait": 16294, "Ġsnapshot": 16295, "ilton": 16296, "Ġtries": 16297, "Ġtipo": 16298, ".Time": 16299, ">w": 16300, "Ġmountain": 16301, "Ġpounds": 16302, "Ġ[...": 16303, "exists": 16304, "ĠngOn": 16305, "_MAP": 16306, "Ġflying": 16307, "xiety": 16308, "ĉvalue": 16309, "_DB": 16310, "uno": 16311, "Ġseats": 16312, "TURN": 16313, ".author": 16314, "!)": 16315, "orce": 16316, "Ġindicated": 16317, ".sin": 16318, "Ġassignment": 16319, "imiento": 16320, "ĠFrame": 16321, "_gen": 16322, "inery": 16323, "_)": 16324, "messages": 16325, ".settings": 16326, "ĠMean": 16327, "ĠMuseum": 16328, "irq": 16329, "attach": 16330, "ĠPalestin": 16331, "_QU": 16332, "_tags": 16333, "Ġcasual": 16334, "emen": 16335, "ASSWORD": 16336, "$s": 16337, "ĠCirc": 16338, "ой": 16339, "etric": 16340, "/P": 16341, "Ġepoch": 16342, "The": 16357, "ĠAk": 16358, "Ġgrass": 16359, "/*čĊ": 16360, "(dis": 16361, "Ġguns": 16362, "Ġtb": 16363, "ĠKevin": 16364, ".args": 16365, "ĠAh": 16366, "oped": 16367, "(J": 16368, "columns": 16369, "arguments": 16370, "ĠWithEvents": 16371, "_full": 16372, "ĠDefense": 16373, "Simple": 16374, "Ġdeaths": 16375, "Ġextensive": 16376, "ĠStill": 16377, "ĠExpression": 16378, "ĠAgency": 16379, "Ġperforming": 16380, "FX": 16381, "Ġusuario": 16382, "UAL": 16383, "Side": 16384, "odos": 16385, "aptop": 16386, "Ġcredentials": 16387, "_cap": 16388, "atient": 16389, "ĠDisney": 16390, "Ġai": 16391, "Ġchip": 16392, "Ġvolt": 16393, ".makeText": 16394, "%%%%%%%%%%%%%%%%": 16395, "Ġbelief": 16396, "_LOC": 16397, "ĠCivil": 16398, "Navigation": 16399, "Ġreveal": 16400, "Ġviolent": 16401, "ĠFil": 16402, "Ġcatalog": 16403, "emed": 16404, "scan": 16405, ".control": 16406, "Ġconstitution": 16407, "Country": 16408, "Separator": 16409, "_APP": 16410, "topic": 16411, "uetooth": 16412, "MIN": 16413, "Ġdescriptor": 16414, "yt": 16415, "ETHER": 16416, "Ġdistribute": 16417, "'}Ċ": 16418, ".trim": 16419, ".Line": 16420, "Ġlbl": 16421, "assertEquals": 16422, "ĠDet": 16423, "ombok": 16424, "(width": 16425, "Ġtort": 16426, "ĠEXPRESS": 16427, "aco": 16428, "Using": 16429, "ĠBrand": 16430, "wall": 16431, "EMENT": 16432, "ĠCommunic": 16433, "(Ċ": 17055, "?>\"": 17056, "Ġ///Ċ": 17057, "Ġeiner": 17058, "Ġweekly": 17059, "ĉlogger": 17060, "_pop": 17061, "_man": 17062, "Ġmigrations": 17063, "Ġasks": 17064, "Ġbs": 17065, "Ġfalls": 17066, ".Where": 17067, "-height": 17068, "_feature": 17069, ".Min": 17070, "Ġhyper": 17071, "Ġvolatile": 17072, "Ġtwenty": 17073, "Typography": 17074, "Unable": 17075, "Det": 17076, ",f": 17077, "-mod": 17078, "Ġsettlement": 17079, "Ġcontracts": 17080, "nome": 17081, "Bad": 17082, "ĠBrian": 17083, "(username": 17084, "!!!!": 17085, "Ġhack": 17086, ".Field": 17087, "HR": 17088, "ĠJordan": 17089, "iza": 17090, "ĠÂł": 17091, "ĠSher": 17092, ".header": 17093, "(other": 17094, "ĠDub": 17095, "(op": 17096, "ĠRound": 17097, "Ġvie": 17098, "Ġappl": 17099, "ĉJ": 17100, "ĠInsert": 17101, "ĠLP": 17102, "regon": 17103, "ĠMPI": 17104, "Ġanchor": 17105, "aca": 17106, "ør": 17107, "Ġade": 17108, "anchor": 17109, "quee": 17110, "ĠTreeNode": 17111, "Ġtargeted": 17112, "Ġlaid": 17113, "ABEL": 17114, "vet": 17115, "ĠOrigin": 17116, "Ant": 17117, ".');Ċ": 17118, "expect": 17119, "edReader": 17120, "ĠMajor": 17121, "Ġinch": 17122, "Compar": 17123, "Ġpreview": 17124, "Ġillness": 17125, "ĠCONTRACT": 17126, "ĠIndepend": 17127, "uuid": 17128, "Ġnome": 17129, "Ġtc": 17130, "ĠAvenue": 17131, "isan": 17132, "Ġphrase": 17133, "_move": 17134, "\")[": 17135, "Ġprovision": 17136, "Ġconcentr": 17137, "_IR": 17138, "ĠUt": 17139, "()+": 17140, "Ġnas": 17141, "!,": 17142, "ĠRobin": 17143, "iations": 17144, "atitude": 17145, "Ġpx": 17146, "ĠWithout": 17147, "/bash": 17148, "ekt": 17149, "reement": 17150, "Observer": 17151, "ĠRegion": 17152, "UBLIC": 17153, "Ġ{//": 17154, "KN": 17155, "å·": 17156, "GameObject": 17157, "å¾": 17158, "encoding": 17159, "Ġ***": 17160, "projects": 17161, "Ġtk": 17162, "Ġcheese": 17163, "EMPL": 17164, "aro": 17165, "ĠاÙĦ": 17166, "Ġconsists": 17167, "refresh": 17168, "ureau": 17169, "ĠScanner": 17170, "Ġsoil": 17171, "Ġflavor": 17172, "DataSource": 17173, "Execute": 17174, "ение": 17175, "Ġshit": 17176, "åĪĨ": 17177, "Ċ": 17419, "Ġsubsequent": 17420, "posable": 17421, "-fluid": 17422, "Ġthorough": 17423, "Ġpublicly": 17424, "apters": 17425, "ĠWilson": 17426, "_PRE": 17427, "yard": 17428, "ä¼": 17429, "ĉin": 17430, "Ġrevers": 17431, "Ġbullet": 17432, "cribed": 17433, "nesota": 17434, "Ġ($_": 17435, "annon": 17436, "cursor": 17437, "Ġclothing": 17438, "ĠMulti": 17439, ":',": 17440, "Ġvess": 17441, "ordinator": 17442, "Ġeinem": 17443, "Cannot": 17444, "Ġarmed": 17445, "ĉV": 17446, "ä¸Ĭ": 17447, ".Flat": 17448, "ĠSep": 17449, "ĠSubject": 17450, "_font": 17451, "Ġcharacteristics": 17452, "Done": 17453, "eln": 17454, "############": 17455, "POS": 17456, "Ġdensity": 17457, "ĠPlatform": 17458, "-items": 17459, "Ġovers": 17460, "Ġpushing": 17461, "ç¤": 17462, ".Connection": 17463, "_term": 17464, "Ġinitialization": 17465, "________________________________": 17466, "ç¬": 17467, ".document": 17468, "lesh": 17469, "ĉdocument": 17470, "ĠPin": 17471, "ça": 17472, "Ġdefinitions": 17473, ".Path": 17474, "_WRITE": 17475, "ĠĉĊ": 17476, "?>ĊĊ": 17477, "Ġterrible": 17478, "bean": 17479, "ickets": 17480, "ĠSV": 17481, "Buy": 17482, "(task": 17483, "Ġregime": 17484, "google": 17485, "Ġcrack": 17486, ".visit": 17487, "NUM": 17488, "energy": 17489, "Ġstruck": 17490, "_sample": 17491, ".payload": 17492, "Ġrevis": 17493, "ĠScene": 17494, "Ġpg": 17495, "Ġbreakfast": 17496, "URRENT": 17497, ".charAt": 17498, "_exception": 17499, "ĠAnton": 17500, "Ġguidelines": 17501, "Ġexhaust": 17502, "ĠFinancial": 17503, "Ġindent": 17504, "Ġdesktop": 17505, "Hidden": 17506, "Failure": 17507, "Ġprinciple": 17508, "Ġiv": 17509, "Ġseks": 17510, "network": 17511, "ĠnumberOf": 17512, "ĠAlbert": 17513, "ĉlong": 17514, ",.": 17515, "Ġzeros": 17516, "fade": 17517, "ĠTyp": 17518, "ĠTerm": 17519, "ĠArts": 17520, ".Application": 17521, "Ġbehalf": 17522, "æĪ·": 17523, "Ġmere": 17524, "(`${": 17525, "Ġawareness": 17526, "elpers": 17527, "flix": 17528, "Ġweigh": 17529, "Ġestimates": 17530, ".child": 17531, "/O": 17532, "ĠBitmap": 17533, ".bottom": 17534, "Ġ**************************************************************************": 17535, "Expect": 17536, "ento": 17537, "ĠForum": 17538, "veral": 17539, "Ġjail": 17540, "Ġabilities": 17541, "ĠHOLD": 17542, "ĠCit": 17543, "Ġdynam": 17544, "Ġgray": 17545, "ĉĉĉĉĉĉĉĉĉĉĉĉĉ": 17546, ".nextInt": 17547, "antly": 17548, "ĠARISING": 17549, "(private": 17550, "Ġrejected": 17551, "ĠNic": 17552, "Ġleather": 17553, "={Ċ": 17554, "alytics": 17555, "thetic": 17556, ".Top": 17557, ".Page": 17558, "={`": 17559, "Ġ;čĊ": 17560, "depth": 17561, "mann": 17562, "WD": 17563, "ĠSom": 17564, ".Right": 17565, "Ġ)}Ċ": 17566, "Ġtrait": 17567, "ÃĹ": 17568, "iac": 17569, "Ġrv": 17570, "Sample": 17571, ".Xml": 17572, "opped": 17573, "ĠÑĦ": 17574, "lists": 17575, "Ġtear": 17576, "iversary": 17577, ".collection": 17578, "ĠConstitution": 17579, "ĠHttpResponse": 17580, "Ġbrill": 17581, "ĠProm": 17582, "hover": 17583, "ĠMiami": 17584, "Ġargue": 17585, "_float": 17586, "ĠãĤ": 17587, "Ġnat": 17588, "ĠTal": 17589, "Ġintegration": 17590, "(cur": 17591, "Ġremoving": 17592, "Ġcoeff": 17593, "ĠThough": 17594, "Ġforecast": 17595, "ĠVegas": 17596, "Site": 17597, "Ġtrab": 17598, "ĠHenry": 17599, "-i": 17600, "Ġinvolves": 17601, "BT": 17602, "Ġslo": 17603, "Invoke": 17604, "Ġlucky": 17605, "rat": 17606, "Ġ?Ċ": 17607, "Ġhandled": 17608, "(fd": 17609, "contents": 17610, "ĠOFF": 17611, "RF": 17612, "Ġsty": 17613, "ĠMotor": 17614, "tery": 17615, "tax": 17616, "MAP": 17617, "ĠMrs": 17618, "Ġphones": 17619, "ĠUIView": 17620, "\")));Ċ": 17621, "(dev": 17622, "ĠIrish": 17623, "Ġws": 17624, "DI": 17625, "_OFFSET": 17626, "ĠEvents": 17627, "Ġstages": 17628, "Ġ}//": 17629, "Ġhaben": 17630, "STANCE": 17631, "ĠSin": 17632, "ĠMoney": 17633, "(top": 17634, "Ġappointment": 17635, "VERSION": 17636, "metadata": 17637, "_comment": 17638, "Ġcolleagues": 17639, "maps": 17640, "âĺ": 17641, "ĊĉĊ": 17642, "(al": 17643, "_req": 17644, "Ġfut": 17645, "Ġarchitecture": 17646, "ĠWHETHER": 17647, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 17648, "_screen": 17649, "ĠstyleUrls": 17650, "Ġmonster": 17651, ".up": 17652, "phia": 17653, "Ġprocessor": 17654, "ĠTerr": 17655, "=',": 17656, "ĠManufact": 17657, "ĠNT": 17658, "kel": 17659, "ibern": 17660, "ĉfile": 17661, "Ali": 17662, "rientation": 17663, "Ġ//!": 17664, "apore": 17665, "aneous": 17666, "ĠCreat": 17667, "folder": 17668, "Ġhay": 17669, "Suppress": 17670, "(left": 17671, "Ġeuro": 17672, "Ġdisclaimer": 17673, "ustry": 17674, "ships": 17675, "_fd": 17676, "ĠFa": 17677, "_insert": 17678, "Ġrol": 17679, "ifting": 17680, "ĠComments": 17681, "_br": 17682, "Ġlosses": 17683, "ĠAdded": 17684, "charg": 17685, "Ġпо": 17686, "_system": 17687, "ĠSometimes": 17688, "ĠSpain": 17689, "(group": 17690, "ialis": 17691, "Ġdollar": 17692, "ĠArgs": 17693, "quires": 17694, "ĠTen": 17695, ".scss": 17696, "Ġsurvive": 17697, "usage": 17698, "Ġjun": 17699, "imiter": 17700, "ï¼ģĊĊ": 17701, "Ġfifth": 17702, "toggle": 17703, "Ġdecline": 17704, "($\"": 17705, "(Long": 17706, "inge": 17707, "Ġpilot": 17708, "-light": 17709, "-radius": 17710, "Ġpodcast": 17711, "Ġnaturally": 17712, "Pages": 17713, "为": 17714, "ĠDespite": 17715, "Ġlighting": 17716, "Ġcrate": 17717, "ĠBinary": 17718, "Ġreducing": 17719, "Ġeleg": 17720, "ĠMouse": 17721, "ĠTestBed": 17722, "ĠbeforeEach": 17723, "_ARRAY": 17724, "Redirect": 17725, "Ġflood": 17726, "Ġships": 17727, "Ġelectricity": 17728, ")*(": 17729, "ê¸": 17730, "ĠViet": 17731, "hero": 17732, "Ġdia": 17733, "ĠKent": 17734, "heart": 17735, "Ġthreats": 17736, "_acc": 17737, "Ġsymbols": 17738, "ischen": 17739, "_inst": 17740, "Criterion": 17741, "ĠTIM": 17742, ".Height": 17743, "ĠâĢĻ": 17744, "();ĊĊĊ": 17745, "Products": 17746, "_SP": 17747, "ĠCy": 17748, "Ġdependent": 17749, "este": 17750, "Ġdatos": 17751, "dit": 17752, "ав": 17753, "IGNAL": 17754, "Ġlesson": 17755, "\">'": 17756, "ĠCover": 17757, "ĠHope": 17758, "ĠTimer": 17759, "Ġdad": 17760, "viders": 17761, "ĠPhot": 17762, "/?": 17763, "ropy": 17764, "oming": 17765, "asion": 17766, "Ġ\\(": 17767, "ĠET": 17768, "ĠReading": 17769, "Ġepisodes": 17770, "lm": 17771, "echa": 17772, "Ġneuro": 17773, "Ġharmon": 17774, "Ġliberal": 17775, "-ind": 17776, "DATA": 17777, "Ġeveryday": 17778, "Ġdivided": 17779, "ĠActiveRecord": 17780, "figure": 17781, "UA": 17782, "ä¹": 17783, "riendly": 17784, "tech": 17785, ".gameObject": 17786, "иÑĤÑĮ": 17787, "Ġmoon": 17788, "ftime": 17789, "Ġnoch": 17790, "ĠTORT": 17791, "ĠVM": 17792, ".initial": 17793, "(child": 17794, "Ġmusical": 17795, "Ġoc": 17796, "bas": 17797, "ĠHay": 17798, "_long": 17799, "Ġmemset": 17800, "iley": 17801, "adelphia": 17802, "SV": 17803, "roat": 17804, "_tx": 17805, "Ġlon": 17806, "ĠngOnInit": 17807, "bp": 17808, "ĠGolden": 17809, "ACHE": 17810, "Ġworried": 17811, "azi": 17812, "Ear": 17813, "Take": 17814, "(fp": 17815, "burgh": 17816, "_Data": 17817, "gres": 17818, "ĠOnt": 17819, "pus": 17820, "Ġtransparent": 17821, "Ġpocket": 17822, "Ġram": 17823, "igrations": 17824, ".čĊčĊ": 17825, "Ġ[(": 17826, "Ġadopted": 17827, "Ġreportedly": 17828, "ĠDream": 17829, "Ġ}));Ċ": 17830, "losing": 17831, "Ġteeth": 17832, "ĠBooks": 17833, "\",&": 17834, "enny": 17835, "LEMENT": 17836, "Ġgel": 17837, "ĠPlant": 17838, "!âĢĿ": 17839, ".host": 17840, "ĠReply": 17841, "rength": 17842, "Ġrecognition": 17843, "Ġ}}>Ċ": 17844, "LA": 17845, "Ġmirror": 17846, "Ġassistant": 17847, "(device": 17848, "Ġspiritual": 17849, "builder": 17850, "§": 17851, "Ġoutr": 17852, "Ġtt": 17853, "ĠPER": 17854, "Ġradical": 17855, "Methods": 17856, "Ġpace": 17857, "udy": 17858, "Ġgut": 17859, "ĠGreek": 17860, "Ġnonatomic": 17861, "ĠPaper": 17862, "_GPIO": 17863, "Ġobst": 17864, ".Ad": 17865, "vironments": 17866, "ĠSov": 17867, "(con": 17868, "ĠTransaction": 17869, ".assign": 17870, "ĉcatch": 17871, "elter": 17872, "Ġbitcoin": 17873, "_GR": 17874, "ĠčĊ": 17989, "metic": 17990, "Ġtransformation": 17991, "åı·": 17992, "Ġrgb": 17993, "istributions": 17994, "Ġimplicit": 17995, "/in": 17996, "destination": 17997, "аÑĤÑĮ": 17998, "Zero": 17999, "Ġunset": 18000, ".where": 18001, ".go": 18002, "Ġformation": 18003, "Ġdeclaration": 18004, "()čĊčĊ": 18005, "ĠExpl": 18006, "ĉĉĉĠĠ": 18007, "/pro": 18008, ".JSON": 18009, "Ġdesk": 18010, ".substr": 18011, "//----------------------------------------------------------------------------": 18012, "lyn": 18013, "pson": 18014, "disable": 18015, "ĠFunc": 18016, "ĉAssert": 18017, "ĠMARK": 18018, "Ġdefeat": 18019, "Ġblind": 18020, "Ġconstants": 18021, ".headers": 18022, "UILD": 18023, "Ġexpenses": 18024, "Pixel": 18025, "Ġhr": 18026, "Ġfel": 18027, "ĠEastern": 18028, "_del": 18029, "ĠCub": 18030, "Ġsq": 18031, "ĉcount": 18032, "ĠDirectory": 18033, "Ġexclus": 18034, "Ġhistoric": 18035, "Ġ------------------------------------------------": 18036, "Ġcomposition": 18037, "ĠdataGridView": 18038, "ĠBurn": 18039, "ĠBC": 18040, "Master": 18041, "Ġspawn": 18042, "Ġbearing": 18043, ".SetActive": 18044, "ilo": 18045, "Ġgallery": 18046, "Ġfounded": 18047, "Ġavailability": 18048, ".sqrt": 18049, "Ġpes": 18050, "ĠDOM": 18051, "mate": 18052, "Oct": 18053, "Ġmatched": 18054, "itivity": 18055, "Ġanxiety": 18056, ".price": 18057, "ĠInstant": 18058, "ìĬ": 18059, "Ġtut": 18060, "ICollection": 18061, ".shared": 18062, "_sql": 18063, "tbl": 18064, "library": 18065, "_destroy": 18066, "ermal": 18067, "ĠNotes": 18068, "ĠEin": 18069, "Ġsouthern": 18070, "ĠOTHERWISE": 18071, "Ġmacro": 18072, ".lower": 18073, "cls": 18074, "ContentView": 18075, ".link": 18076, "constant": 18077, "ĠBes": 18078, "Ġsomebody": 18079, "nb": 18080, "\">{": 18081, "(local": 18082, ".....": 18083, "ĠNull": 18084, "mx": 18085, "Ġç": 18086, "Ġpause": 18087, "-----------": 18088, "_MO": 18089, "ĠCM": 18090, "ĠforKey": 18091, "ĠDVD": 18092, "Ġclosest": 18093, "_DEVICE": 18094, "ĠStephen": 18095, "ĠBBC": 18096, "ĠTravel": 18097, "Paint": 18098, "ĠResults": 18099, "ĠRule": 18100, "Ġtp": 18101, "Ġratings": 18102, "cin": 18103, "csv": 18104, ">/": 18105, "ĠGOP": 18106, "lad": 18107, "ĠÑĢ": 18108, "ĠindexPath": 18109, "matrix": 18110, "=f": 18111, "arsed": 18112, "Ġ});": 18113, "ĠCos": 18114, "ĠScore": 18115, "Ġtak": 18116, "ĠESP": 18117, "ĠINC": 18118, "_NULL": 18119, "-flex": 18120, "\"][": 18121, "into": 18122, "eland": 18123, "Authorization": 18124, "_FALSE": 18125, "Ġgate": 18126, "Ġvid": 18127, "istent": 18128, "TIME": 18129, "Ġrewrite": 18130, "Ġtie": 18131, "Ġarchive": 18132, ".events": 18133, ".getParameter": 18134, "ĠPermission": 18135, "Ġprogramme": 18136, "Ġé": 18137, "jud": 18138, "Ġcameras": 18139, "(sys": 18140, "ĠSyrian": 18141, "Ġimprovements": 18142, "Ġhip": 18143, "Ġsuicide": 18144, "Ġscholar": 18145, "Ġcompatible": 18146, "remote": 18147, ".down": 18148, "FUNCTION": 18149, "Ġmanaging": 18150, "ĠUIKit": 18151, ".raw": 18152, ">>>>": 18153, "Ġdemands": 18154, "ellite": 18155, "Ġdent": 18156, "ĠMicro": 18157, "åıĸ": 18158, "'][$": 18159, "ĠIE": 18160, "imension": 18161, "Ġtrem": 18162, "Ġgained": 18163, ".with": 18164, ".ok": 18165, "hou": 18166, "Ġbom": 18167, "ampaign": 18168, "Ġjoining": 18169, "fish": 18170, "ĠaddSubview": 18171, "Ġnorthern": 18172, ".cor": 18173, "oret": 18174, "Die": 18175, "inish": 18176, "_comp": 18177, "Ġattended": 18178, "Ġcollapse": 18179, "ĠSS": 18180, "acent": 18181, "_EQUAL": 18182, "ĠDeep": 18183, "RGB": 18184, "ĉtest": 18185, "olves": 18186, "uset": 18187, "UnityEngine": 18188, "writer": 18189, "Resolver": 18190, ",%": 18191, "ifference": 18192, "_remove": 18193, "onda": 18194, "Ġfemme": 18195, "decode": 18196, "Branch": 18197, "Ġflush": 18198, "Ġinnovative": 18199, "Tests": 18200, "Ġ['./": 18201, "Ġcovering": 18202, ".admin": 18203, "ultipart": 18204, "(lambda": 18205, "namespace": 18206, "ĠSport": 18207, "Ġ!(": 18208, "acles": 18209, "Ġdepression": 18210, "ĠKong": 18211, "Ġpert": 18212, "ĠConn": 18213, "ĠOtherwise": 18214, "/home": 18215, "supported": 18216, "Ġpink": 18217, "Ġinvited": 18218, "ños": 18219, "_enabled": 18220, "Ġ-Ċ": 18221, "FW": 18222, "eners": 18223, "ĠMY": 18224, "Ġsuggestions": 18225, "Canvas": 18226, "Ġfer": 18227, "ĠMarketing": 18228, "@Test": 18229, "untu": 18230, "ĠVen": 18231, "ĠCou": 18232, "ivals": 18233, "Donald": 18234, "limited": 18235, "ĉĉĉĉĉĉĊ": 18236, "Ġanalyst": 18237, "(entry": 18238, "Ġrepresentative": 18239, "_attributes": 18240, "Ġfur": 18241, ".hide": 18242, "resp": 18243, "adores": 18244, "rides": 18245, "ĠJosh": 18246, "robot": 18247, "ĠNAT": 18248, "Ġsesso": 18249, "Ġintegrated": 18250, ":true": 18251, "parts": 18252, "Ġstupid": 18253, ":event": 18254, "@endsection": 18255, "Ġpu": 18256, ".Table": 18257, "ĠYii": 18258, "`;ĊĊ": 18259, "Ġclang": 18260, "=\"\">": 18261, "engan": 18262, "_parameters": 18263, ".internal": 18264, "ĠModern": 18265, "Ġmetric": 18266, "Ġsemi": 18267, "={{Ċ": 18268, ".amazon": 18269, "ĠBB": 18270, "ainty": 18271, "viewport": 18272, "ĠstartActivity": 18273, "dispatch": 18274, "*****": 18275, "Ġflav": 18276, "ifferent": 18277, "[this": 18278, "Ġstake": 18279, "Ġargued": 18280, "viously": 18281, ".work": 18282, "ĠOak": 18283, "Old": 18284, "(async": 18285, "notes": 18286, "Ġflip": 18287, "Ġdisag": 18288, "ĠTE": 18289, "ĉerror": 18290, "<'": 18291, "Ġ»ĊĊ": 18292, "Ġfiltered": 18293, "ĠMach": 18294, "Ġhung": 18295, "_dump": 18296, "_samples": 18297, "-dismiss": 18298, "Ġray": 18299, "Implemented": 18300, "DK": 18301, "Ġjed": 18302, "Ġbreaks": 18303, "Ġfits": 18304, ".gr": 18305, "ĠZero": 18306, "oro": 18307, "Ġequally": 18308, "Ġ'[": 18309, "Ġconcerning": 18310, "<": 18407, "Ġpromot": 18408, "Ġincl": 18409, "_only": 18410, "를": 18411, "ĠAttorney": 18412, "-date": 18413, "Ġlandscape": 18414, "Ġfu": 18415, "SY": 18416, ".prop": 18417, "ĠArr": 18418, "pag": 18419, "ParallelGroup": 18420, "':čĊ": 18421, "Ġlogs": 18422, "aunch": 18423, "unci": 18424, "nama": 18425, "TableCell": 18426, "issues": 18427, ".{": 18428, "ecurity": 18429, "_exec": 18430, "olds": 18431, "Ġhosts": 18432, "Ġproto": 18433, "_import": 18434, "_sort": 18435, "ĠBow": 18436, "ĠNormal": 18437, "ĠFarm": 18438, ".createParallelGroup": 18439, "Rotation": 18440, ".err": 18441, "Ġpleased": 18442, "itage": 18443, ".Wh": 18444, "ĉĉĠĠĠĠ": 18445, "MR": 18446, "ĠMORE": 18447, "ĠNatural": 18448, "_transform": 18449, "BASE": 18450, "eneral": 18451, "utdown": 18452, ".commons": 18453, "WT": 18454, "Ġaan": 18455, ".Result": 18456, "dog": 18457, "Ġclicking": 18458, "),ĊĊ": 18459, "#line": 18460, "Operator": 18461, "Ġciv": 18462, "Ġmerg": 18463, "obuf": 18464, "ngthen": 18465, "Ġ[{": 18466, "Ġcancell": 18467, "trigger": 18468, ".:": 18469, "WORK": 18470, "declare": 18471, "Ġdecrease": 18472, "ÅĽci": 18473, "loom": 18474, ".None": 18475, "ĠMI": 18476, "ĠJason": 18477, "Ġhealthcare": 18478, "iamond": 18479, "sylvania": 18480, "*x": 18481, "ĠRa": 18482, "[b": 18483, "Ġprinting": 18484, "phabet": 18485, "ĠLabour": 18486, "opper": 18487, "Ġzijn": 18488, "-target": 18489, "_FUNCTION": 18490, "Ġoct": 18491, "ениÑı": 18492, "åľ¨": 18493, "Ġwestern": 18494, "Ġcomputers": 18495, "ĠRET": 18496, "HashMap": 18497, "[String": 18498, "getValue": 18499, "_DATE": 18500, ".Next": 18501, "ĠFif": 18502, "él": 18503, "icked": 18504, "æİ": 18505, "-MM": 18506, "Ġ{ĊĊĊ": 18507, "Ġcontacts": 18508, "Ġdigits": 18509, "Produ": 18510, "Ġunusual": 18511, "Ġrapidly": 18512, "tures": 18513, "Ġangry": 18514, "cancel": 18515, "xxxx": 18516, "_parser": 18517, "idity": 18518, "_PREFIX": 18519, "Ġmehr": 18520, "Ġrarely": 18521, "ethe": 18522, "opes": 18523, "Ġ%.": 18524, "works": 18525, "Ġtheta": 18526, "Ġcontribution": 18527, "ĠTony": 18528, "Ġsquad": 18529, "ай": 18530, "Ġîn": 18531, "there": 18532, "outed": 18533, "ĉq": 18534, "ĻĤ": 18535, "good": 18536, "LI": 18537, "页": 18538, "ĠLiving": 18539, "izabeth": 18540, "Ġkt": 18541, "ĠDallas": 18542, "]],Ċ": 18543, "Ġ/>ĊĊ": 18544, "Ġraising": 18545, "/router": 18546, "_game": 18547, "ĠCUR": 18548, "zens": 18549, ".es": 18550, "ĠfontWeight": 18551, "(func": 18552, "notification": 18553, "Ġ'../../../": 18554, "Ġblame": 18555, "ãĢĤĊĊĊĊ": 18556, "anco": 18557, "Identity": 18558, "follow": 18559, "Ġarts": 18560, "xs": 18561, "Ġofficially": 18562, "ĠStudio": 18563, "Ġrecommendations": 18564, "Ġlocale": 18565, "Ġamateur": 18566, "ĠEnable": 18567, "Ġcaps": 18568, ".End": 18569, "-add": 18570, "_gshared": 18571, "ĠCT": 18572, "Force": 18573, "ĊĠĠĠĠĠĠĠĠĠĠĠĠĊ": 18574, "Ġorange": 18575, "Ġlp": 18576, "Ġanswered": 18577, ".Grid": 18578, "Ġdual": 18579, "Ġstrategic": 18580, "Ġnobody": 18581, "Ġfatal": 18582, "_est": 18583, "(el": 18584, "Ġìł": 18585, "ĠBudd": 18586, "AIT": 18587, "_factor": 18588, "-one": 18589, "ĠHAVE": 18590, "\"čĊčĊ": 18591, "Prof": 18592, "Ġär": 18593, "strings": 18594, "Ġdirty": 18595, "ĠFace": 18596, "ĠBegin": 18597, "ĠBus": 18598, "Ġwis": 18599, "åŃĹ": 18600, "Ġspeaker": 18601, "Ġcarrier": 18602, "ĠOm": 18603, "Ġhadn": 18604, "Allow": 18605, "::__": 18606, "Ġverb": 18607, "ĠComplete": 18608, "ĠEasy": 18609, "Ġbills": 18610, "ĠĠĊĊ": 18611, "Vertical": 18612, "Ġpron": 18613, "ĠDefine": 18614, "Ġlookup": 18615, "variables": 18616, "Ġpandas": 18617, "umes": 18618, "Ġinnoc": 18619, "ĠsetUp": 18620, "ĠChampionship": 18621, "artist": 18622, "ĠCType": 18623, "Foundation": 18624, "à¹Ī": 18625, "ĠSetup": 18626, "Ġrecipes": 18627, "ĠUIColor": 18628, "ĠFight": 18629, "Ġauthorized": 18630, "_click": 18631, "_success": 18632, "angan": 18633, "ĠMountain": 18634, "ĠDoctor": 18635, "Ġegg": 18636, "ĠMedicine": 18637, "cles": 18638, "`.Ċ": 18639, "[int": 18640, "dashboard": 18641, "ĠAppro": 18642, "-dr": 18643, "Ġproduces": 18644, "Ġrental": 18645, "Ġreload": 18646, "Ġarrival": 18647, "spot": 18648, "Ġundert": 18649, "Ġequipped": 18650, "Ġproved": 18651, "Ġcenters": 18652, "Ġdefines": 18653, "also": 18654, "Ġopacity": 18655, "ĠUnfortunately": 18656, "ĠIllinois": 18657, "Ġне": 18658, "ĠTemple": 18659, "ĠTrail": 18660, "ĠKelly": 18661, "Ġmeasurement": 18662, "Ġseparated": 18663, "-circle": 18664, "Hey": 18665, "ĠREAD": 18666, "igits": 18667, "Ġib": 18668, "ĠMOD": 18669, "attery": 18670, "аз": 18671, "Ġvend": 18672, "енÑĤ": 18673, "ĠHttpClient": 18674, "safe": 18675, "_ASS": 18676, "icit": 18677, "ĠConstruct": 18678, "ĠClo": 18679, "ĠSix": 18680, "_TOKEN": 18681, "(block": 18682, "Ġwarned": 18683, "/*!": 18684, "!Ċ": 18769, "Ġinnovation": 18770, "_\"": 18771, "Ġ);čĊčĊ": 18772, "Ġspots": 18773, "Ġchoosing": 18774, ".cs": 18775, "Ġflexible": 18776, "UInt": 18777, "Ġscratch": 18778, "-al": 18779, "Ġfestival": 18780, "Ġoutstanding": 18781, "================================================": 18782, "Mean": 18783, "ĠOregon": 18784, "symbol": 18785, ".account": 18786, "dney": 18787, "'''": 18788, "!\",": 18789, "Ġparticle": 18790, "Ãĥ": 18791, "[MAX": 18792, "IVER": 18793, "ERENCE": 18794, "NSMutable": 18795, "ĠColumbia": 18796, "_ĊĊ": 18797, ".fr": 18798, "Ġcogn": 18799, "VR": 18800, "ĠMethods": 18801, "ĠMade": 18802, "ĠBR": 18803, "ĠElse": 18804, "Ġeggs": 18805, "Ġswing": 18806, "ĠInv": 18807, "Ġdiseases": 18808, "Ġfirms": 18809, "Ġlemma": 18810, "}`);Ċ": 18811, "lings": 18812, "Ġgym": 18813, "uminum": 18814, ".Trim": 18815, "Mem": 18816, "Ġcriticism": 18817, "ibernate": 18818, "_TX": 18819, "ioni": 18820, "Ġguidance": 18821, "Ġrepeatedly": 18822, "Ġsupplier": 18823, "Ġpainting": 18824, ".Fragment": 18825, "edException": 18826, "Ġwiring": 18827, "Ġcourts": 18828, "WEB": 18829, "æľī": 18830, "\\.": 18831, "illance": 18832, "Ġbrows": 18833, "ĠPattern": 18834, "PLICATION": 18835, "ĠSummer": 18836, "Chain": 18837, "Ġcute": 18838, "mercial": 18839, "Ġdil": 18840, "ĠFranklin": 18841, "ĉglobal": 18842, "INCLUDING": 18843, "history": 18844, "Ġlst": 18845, "Qt": 18846, "SDL": 18847, "alia": 18848, "iere": 18849, "(...": 18850, "ĉcin": 18851, "iffs": 18852, "velope": 18853, "ĠRoot": 18854, "cluster": 18855, "UserName": 18856, "igne": 18857, "()Ċ": 18949, "Ġapplying": 18950, "Ġpromised": 18951, "Ġox": 18952, "ncia": 18953, "ĠValidation": 18954, "orts": 18955, "_cur": 18956, "elect": 18957, "eye": 18958, "(Data": 18959, "Ġreporter": 18960, "ĠBuff": 18961, "Ġsr": 18962, "Ġ\";": 18963, "icky": 18964, "Ġtempor": 18965, "SN": 18966, "Ġresident": 18967, "pires": 18968, "ysical": 18969, "Ġendorse": 18970, "ĠSong": 18971, "isEmpty": 18972, "leet": 18973, "_util": 18974, "Ġdistingu": 18975, "ĠTalk": 18976, "ĠMot": 18977, "(default": 18978, ".Arg": 18979, "gorithms": 18980, "_words": 18981, "immer": 18982, "_reset": 18983, "family": 18984, "WW": 18985, "Ġsavings": 18986, "ĠâĢĿ": 18987, "_enable": 18988, "sidebar": 18989, "Running": 18990, "Ġali": 18991, "Ġtestim": 18992, "Ġwarnings": 18993, "ĠChem": 18994, "ĠExit": 18995, "Ġfounder": 18996, "pector": 18997, "Ġrm": 18998, "_dataset": 18999, "ĠDas": 19000, "Ġhan": 19001, "Getty": 19002, "ál": 19003, "Ġny": 19004, "Ġpoverty": 19005, "Ġresulted": 19006, ".by": 19007, "ĠVisit": 19008, "Ġobtaining": 19009, "/'.$": 19010, "ĠĠĠĠĠĠĠĠĠĠĠĊ": 19011, "shall": 19012, "_LEFT": 19013, "UIImage": 19014, "_Name": 19015, "have": 19016, "ĠNob": 19017, "lr": 19018, "-footer": 19019, "Ġnaked": 19020, "ĠGarden": 19021, "\\Facades": 19022, "Ġgraduate": 19023, "Ġfranchise": 19024, "plane": 19025, "Ġcontributions": 19026, "ĠstringWith": 19027, "Ġcrypto": 19028, "Ġmovements": 19029, "athers": 19030, "Ġlifetime": 19031, "Ġcommunicate": 19032, "jar": 19033, "ĠFragment": 19034, "_IF": 19035, "ĠNavy": 19036, "ĠFigure": 19037, "Ġsimulation": 19038, "_stop": 19039, "Ġreporters": 19040, "Ġversus": 19041, "aja": 19042, "Ġα": 19043, "Ġgovernor": 19044, "ListItem": 19045, "Ġsealed": 19046, ".Background": 19047, "edi": 19048, "ashing": 19049, "Ġlip": 19050, "ĠIh": 19051, "merge": 19052, "Ġnec": 19053, "elocity": 19054, "ATEG": 19055, "Ġseeds": 19056, "Ġfloating": 19057, "_FA": 19058, "walk": 19059, "ĉuser": 19060, "_depth": 19061, "Ġwage": 19062, "@app": 19063, "Nil": 19064, "([\"": 19065, "(vector": 19066, "Ġsecretary": 19067, "ĠjPanel": 19068, "vez": 19069, "³³³³": 19070, "direction": 19071, "ĠEP": 19072, "Ġhunt": 19073, "JsonProperty": 19074, "ĠPORT": 19075, "]\",": 19076, "ап": 19077, "ĠForeign": 19078, "panic": 19079, "Ġtrials": 19080, "ĠAle": 19081, "Ġrural": 19082, "-value": 19083, "authorized": 19084, "ĠScotland": 19085, ".drop": 19086, "ĠMT": 19087, "ç±": 19088, "rowth": 19089, "FilePath": 19090, "Ġrecall": 19091, "ifle": 19092, "Ġcel": 19093, "ĠSELECT": 19094, "kn": 19095, "_case": 19096, "Ġcrop": 19097, "sure": 19098, "pot": 19099, "ICS": 19100, "Ġstem": 19101, "Ġindustries": 19102, "Put": 19103, "Ġaber": 19104, "roadcast": 19105, "Icons": 19106, ")\")Ċ": 19107, "æĪIJåĬŁ": 19108, "gui": 19109, "Ġassumed": 19110, "Ġrx": 19111, "EA": 19112, "è§": 19113, "ELL": 19114, "Ġdose": 19115, "Ġine": 19116, "Ġdeeper": 19117, "lider": 19118, "Ġordinary": 19119, "Ġgolf": 19120, "_IMAGE": 19121, "ĠNAME": 19122, "(module": 19123, "Ġatom": 19124, "Ġbelt": 19125, "Ġoffices": 19126, "beta": 19127, "Ġphilosophy": 19128, "(JSON": 19129, "-field": 19130, "Ġintroduce": 19131, "Ġconvenience": 19132, "optim": 19133, ">\"Ċ": 19134, "athy": 19135, "Ġemployer": 19136, "quate": 19137, "Ġedited": 19138, "Arguments": 19139, "ĠNations": 19140, "__)": 19141, "Ġnose": 19142, "ĠSample": 19143, "')ĊĊĊ": 19144, "Ġcake": 19145, ".getAttribute": 19146, "HD": 19147, "Modified": 19148, "Ġpredicted": 19149, "ÅĦ": 19150, "anie": 19151, "Sorry": 19152, "(doc": 19153, "wind": 19154, "ieve": 19155, "Ġprovisions": 19156, "ATER": 19157, "OTE": 19158, "MY": 19159, ".Autowired": 19160, "ĠBath": 19161, ".Boolean": 19162, "Ġbackend": 19163, ".Mouse": 19164, "ateral": 19165, "paper": 19166, "Const": 19167, "ĠVR": 19168, "_entity": 19169, "_CTRL": 19170, "ĠProtection": 19171, "ĠGM": 19172, "ĠStudy": 19173, "Ġsoup": 19174, "otime": 19175, "'use": 19176, "]\"": 19177, "/users": 19178, "aug": 19179, "ĠHong": 19180, "_norm": 19181, "ãģ¨": 19182, "Ġsecre": 19183, "(Build": 19184, "ĠContract": 19185, "olas": 19186, "Ġsauce": 19187, "Ġaggressive": 19188, "Ġracial": 19189, "character": 19190, "@@": 19191, "Ġcompile": 19192, "ĠVoid": 19193, "_rem": 19194, "_memory": 19195, "kk": 19196, "Ġmic": 19197, "Same": 19198, "Utility": 19199, "ĠHtml": 19200, "ĠXml": 19201, "Ready": 19202, "Ġgall": 19203, "Ġallegedly": 19204, "ĉĉĉĉĠĠĠ": 19205, "ĠMetal": 19206, "ĠPersonal": 19207, "ĠborderRadius": 19208, "rxjs": 19209, "objects": 19210, "Ġwanting": 19211, "Ġbowl": 19212, "vendor": 19213, "offsetof": 19214, "ĠRs": 19215, "ĠRating": 19216, "Ġrally": 19217, "_NODE": 19218, "ĠMix": 19219, "Ġadvertis": 19220, "Ġnarrative": 19221, "sal": 19222, "Ġmc": 19223, "SError": 19224, "Ġfingers": 19225, "Ġaccompany": 19226, "Ġtired": 19227, "Ġstride": 19228, "Ġgui": 19229, "elist": 19230, "Locale": 19231, "Ġreleases": 19232, "iking": 19233, "Ġanger": 19234, ")))ĊĊ": 19235, "allest": 19236, "Summary": 19237, "(O": 19238, "(for": 19239, "Ġbasketball": 19240, "Ġroads": 19241, "ĠInstall": 19242, "ĠFab": 19243, "itmap": 19244, "Ġ))Ċ": 19245, "Ġintersection": 19246, "ighbor": 19247, "ĠBry": 19248, "ĠHERE": 19249, "Software": 19250, "elfare": 19251, "acs": 19252, "Ġtrailer": 19253, ".getClass": 19254, "chars": 19255, "Ġregulation": 19256, "Ġrefers": 19257, "Ġdestruction": 19258, "Ġcontinuous": 19259, "ĠAustin": 19260, "é¢": 19261, "akan": 19262, ".window": 19263, "ĠTemplates": 19264, "Ġabsence": 19265, ":n": 19266, "Ġdisorder": 19267, "flash": 19268, "Ġdelet": 19269, "boards": 19270, "ĠĠĉ": 19271, "ROP": 19272, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 19273, "Ġacqu": 19274, "Ġlawsuit": 19275, "ĠReviews": 19276, "Ġgarage": 19277, "timer": 19278, "Ġej": 19279, "ĠRectangle": 19280, "Ġflowers": 19281, "ilst": 19282, "ĠInstance": 19283, "Super": 19284, "det": 19285, "disposing": 19286, "ĠES": 19287, "ĠIC": 19288, "vere": 19289, "Sk": 19290, "_channels": 19291, "puted": 19292, "/null": 19293, "nnen": 19294, "ĠGallery": 19295, "_global": 19296, "Authentication": 19297, "ĠRank": 19298, "Ġblocked": 19299, "Ġcalm": 19300, "market": 19301, "ĉval": 19302, "Ġaug": 19303, "period": 19304, "ĠConstant": 19305, "Ġ?>\">Ċ": 19306, "Ġlobby": 19307, "pal": 19308, "Ġsink": 19309, "iah": 19310, "С": 19311, "urname": 19312, "Ġconver": 19313, "Ġinvestigate": 19314, "Christ": 19315, "Hub": 19316, "ĠIND": 19317, "ĠPed": 19318, "uras": 19319, "ĉurl": 19320, "ĠTro": 19321, "Ġpreferences": 19322, "Ġguaranteed": 19323, "`ĊĊ": 19324, "Ġportions": 19325, "Ġevalu": 19326, "'>;ĊĊ": 19421, ".AutoScaleMode": 19422, "Ġcats": 19423, "Ġregistry": 19424, "ulus": 19425, "FI": 19426, "payload": 19427, "-search": 19428, "Ġstaying": 19429, "acious": 19430, "Decoration": 19431, "Review": 19432, "Inf": 19433, "Keep": 19434, "itis": 19435, ",String": 19436, "Coord": 19437, "Ġpero": 19438, "Sex": 19439, "ĠAtlanta": 19440, "uesta": 19441, "Argb": 19442, ">*": 19443, "}_": 19444, "Footer": 19445, "Ġemployed": 19446, "_bound": 19447, "vide": 19448, ".func": 19449, "$scope": 19450, "Ġspo": 19451, "ĠAnal": 19452, "ounced": 19453, "around": 19454, "Ġrestriction": 19455, "Ġshops": 19456, "åĢ": 19457, "ĠLatin": 19458, "-col": 19459, "Ġbarely": 19460, "ĠEuro": 19461, "Er": 19462, "Ġfaire": 19463, "_distance": 19464, "_unlock": 19465, "Quote": 19466, "IVATE": 19467, "ĠåĪ": 19468, "Ġaimed": 19469, "ĠRetrie": 19470, ".iter": 19471, "Ġwrapped": 19472, "Ġagreements": 19473, "strument": 19474, "(product": 19475, "Ġstudied": 19476, ".setValue": 19477, "Ġye": 19478, "ĠCache": 19479, "MBOL": 19480, "Ġquarterback": 19481, "Ġsyntax": 19482, ".getElementsBy": 19483, ".version": 19484, "website": 19485, "Runner": 19486, "_single": 19487, "ativ": 19488, "ĠAltern": 19489, "ĠBeautiful": 19490, "rightarrow": 19491, "Ġdiversity": 19492, "plash": 19493, "(co": 19494, ".Fill": 19495, "Ġtyping": 19496, "Ġclar": 19497, "Hit": 19498, "OO": 19499, "acco": 19500, "worth": 19501, "Ġscripts": 19502, "ĠMuslims": 19503, "ĠLL": 19504, "erving": 19505, "(boolean": 19506, "Ġbaseball": 19507, "ĠCAN": 19508, "MAIL": 19509, "depend": 19510, "Ġrespective": 19511, "Ġconstexpr": 19512, ".*;ĊĊ": 19513, "']))Ċ": 19514, "Ġyard": 19515, "Ġidentical": 19516, "ifecycle": 19517, "USH": 19518, "upiter": 19519, ".validate": 19520, "cli": 19521, "ISTER": 19522, "Indicator": 19523, "Fail": 19524, "Ġdemocracy": 19525, ".var": 19526, "Ġsatisfied": 19527, "-------------": 19528, "encer": 19529, "hor": 19530, "Ġrounds": 19531, "DAO": 19532, "oa": 19533, "Ġflask": 19534, "=c": 19535, "[]Ċ": 19536, "/dist": 19537, "Ġparte": 19538, "Ġconfirmation": 19539, "eron": 19540, "aware": 19541, "": 19542, "Ġdependencies": 19543, "ĠVideos": 19544, "-row": 19545, "Ġ**/Ċ": 19546, "Ġnou": 19547, "Ġhover": 19548, "æŀ": 19549, "Ġnin": 19550, "ĠUSD": 19551, "Mac": 19552, "_Load": 19553, "Ġoutcomes": 19554, "_socket": 19555, "Ġqueries": 19556, "wm": 19557, "Ġhitting": 19558, "inux": 19559, "Mich": 19560, "udge": 19561, "ATAB": 19562, "Ġvulnerable": 19563, "ä¾": 19564, "Ġportfolio": 19565, ":YES": 19566, "ĉmap": 19567, "Bound": 19568, "Ġiteration": 19569, "incess": 19570, "Ġactors": 19571, "ĠQual": 19572, "_clean": 19573, "ãĢijãĢIJ": 19574, "MSG": 19575, "Green": 19576, "ĠOfficer": 19577, "Ġsmoking": 19578, ">',": 19579, "ĠFlo": 19580, "++;": 19581, "olygon": 19582, "Ġbulk": 19583, "Ġdrama": 19584, "Ġexceptions": 19585, "osed": 19586, "Ġ+čĊ": 19587, "Ġlegacy": 19588, "CV": 19589, "Ġcontributed": 19590, "ĠTerms": 19591, "Ġbt": 19592, "Ġuntuk": 19593, "Ġalien": 19594, "===Ċ": 19595, "ĉVector": 19596, "Ġls": 19597, "Online": 19598, ".facebook": 19599, "numeric": 19600, "ockets": 19601, "Aut": 19602, "bury": 19603, "-redux": 19604, "ĠRedistributions": 19605, "GLOBALS": 19606, "urrencies": 19607, "Ġtons": 19608, "âĢĻ,": 19609, "Ġê": 19610, "(col": 19611, "ĠSymbol": 19612, "Ġstayed": 19613, "ĠML": 19614, "Ġmunicip": 19615, "Ġsexo": 19616, "Sen": 19617, "nr": 19618, "Ġgains": 19619, "Ġshortly": 19620, ".Menu": 19621, "ý": 19622, "KNOWN": 19623, "Ġoperators": 19624, "-V": 19625, "ĠPatrick": 19626, "/add": 19627, "_CO": 19628, "iration": 19629, "(post": 19630, "Posts": 19631, "/_": 19632, "Ġplug": 19633, "Ġintellectual": 19634, "Ġmetab": 19635, "Ġpregnancy": 19636, "ĠPremier": 19637, "nm": 19638, "Ġprediction": 19639, "ĠMinistry": 19640, "Three": 19641, "valuate": 19642, "ĠMini": 19643, "bu": 19644, "оз": 19645, "\";čĊ": 20078, "ĠSav": 20079, ".Bold": 20080, "Ġenables": 20081, "ĉtmp": 20082, "Ġmanually": 20083, "ĠSqu": 20084, "userid": 20085, ".function": 20086, ".cache": 20087, "LOPT": 20088, ".Services": 20089, "ddit": 20090, "tim": 20091, ">>": 20154, "station": 20155, "lore": 20156, "atype": 20157, "ishop": 20158, "/****************************************************************": 20159, "ComboBox": 20160, "Ġvacation": 20161, "Ġinitiative": 20162, "ĠdefaultValue": 20163, "concat": 20164, "ĠKh": 20165, "ĠWelcome": 20166, "izedName": 20167, "Migration": 20168, "Ġgradient": 20169, "Hot": 20170, "Ġhardly": 20171, "elo": 20172, "ĠStudents": 20173, "Ġloose": 20174, "atz": 20175, ".Send": 20176, "'/": 20177, "Ġuniversal": 20178, "Ġenterprise": 20179, "Ġregex": 20180, "Ġvisitor": 20181, "ĠFly": 20182, "Seq": 20183, "à¸Ļ": 20184, "ĠVisual": 20185, "Ġlibraries": 20186, "atoes": 20187, "Payment": 20188, "Ġpent": 20189, "Ġgathered": 20190, "VRTX": 20191, "ĠDM": 20192, "Split": 20193, "Ġletting": 20194, "ÐĿ": 20195, "_errors": 20196, "epoch": 20197, "PARAM": 20198, "cu": 20199, "ÑģÑĤв": 20200, "olutions": 20201, "Editing": 20202, "fonts": 20203, "Ġallocated": 20204, "ĠBased": 20205, "(Y": 20206, "ĠJudge": 20207, "Ġbrothers": 20208, "FILES": 20209, "ço": 20210, "wb": 20211, "_PI": 20212, "'^": 20213, "Ġsword": 20214, ".services": 20215, "Ġnl": 20216, "Tim": 20217, "igg": 20218, "ĠMoore": 20219, "Ġcryptoc": 20220, "åĩº": 20221, "_posts": 20222, "otate": 20223, "?'": 20224, "....ĊĊ": 20225, "Ġkl": 20226, "=\"$": 20227, "Ġdecoration": 20228, "ạ": 20229, "ĠDIRECT": 20230, "GUI": 20231, ")=>{Ċ": 20232, "Ġnewsletter": 20233, "Ġprecis": 20234, "(point": 20235, "ĠEquipment": 20236, "uty": 20237, "ĠDave": 20238, "Ġparticipation": 20239, "uarios": 20240, "xit": 20241, ".As": 20242, "ETER": 20243, "orous": 20244, "Ġshield": 20245, "[]>": 20246, "ilitary": 20247, ".origin": 20248, "Ġpromotion": 20249, "Unt": 20250, "Ġct": 20251, "TRA": 20252, "ViewHolder": 20253, "Ġsigma": 20254, "delta": 20255, "arehouse": 20256, "contract": 20257, "(Vector": 20258, "Ġcompete": 20259, "/form": 20260, "/components": 20261, "Ġnr": 20262, "ĠIndones": 20263, "ĠоÑĤ": 20264, "ĠVolume": 20265, ".files": 20266, "(resp": 20267, "/models": 20268, "Ġsurf": 20269, "standard": 20270, "/o": 20271, "ĠXCTAssert": 20272, "VICES": 20273, ".Code": 20274, "SED": 20275, "Ġactivate": 20276, "Delta": 20277, "Ġlimitation": 20278, "rij": 20279, "Ġpregnant": 20280, ":^(": 20281, "Ġsour": 20282, "pie": 20283, "Ġexpense": 20284, "ication": 20285, "ĠLarge": 20286, "Ġ±": 20287, "ĠBowl": 20288, "(models": 20289, "/N": 20290, "Pa": 20291, ".reload": 20292, "Ġwondering": 20293, "Execution": 20294, "ĉĠĠĠĠĠĠ": 20295, "ĠGraphics": 20296, "ĠContin": 20297, "_job": 20298, "ĠgetName": 20299, "ĠMagn": 20300, "ĠDWORD": 20301, "mad": 20302, "Ġnh": 20303, "features": 20304, "}\");Ċ": 20305, "heets": 20306, "(train": 20307, "zn": 20308, "Ġrecruit": 20309, ".connection": 20310, "Ġbarrel": 20311, "Ġsteam": 20312, "_setting": 20313, "Ġangular": 20314, "aneously": 20315, "Ġbil": 20316, "ĠNorm": 20317, "(!$": 20318, "ibt": 20319, "%(": 20320, "Ġposit": 20321, "ĠFather": 20322, "intendo": 20323, "Live": 20324, "Ġports": 20325, "Ġmej": 20326, "Ġlanding": 20327, "ponder": 20328, "Ġcod": 20329, "_HEADER": 20330, ".Margin": 20331, "Ġballs": 20332, "Ġdiscussions": 20333, "Ġblend": 20334, "Hex": 20335, "Ġfarmers": 20336, "Ġmaintaining": 20337, "ĠĠĠčĊ": 20338, "syn": 20339, "[T": 20340, "rus": 20341, "uffers": 20342, "Ġcontributors": 20343, "_sys": 20344, ".Debug": 20345, "Ġconstructed": 20346, "omes": 20347, "?id": 20348, "slider": 20349, "Ġsuppliers": 20350, "scriber": 20351, "pes": 20352, "Ðŀ": 20353, "\":čĊ": 20354, "\\Controller": 20355, "))ĊĊĊ": 20356, "Ġlua": 20357, "Multi": 20358, "ENS": 20359, "Src": 20360, "Ġpetition": 20361, "Ġslave": 20362, "looking": 20363, "VERT": 20364, "ĉvector": 20365, "Special": 20366, "hh": 20367, "anne": 20368, "ĠNiger": 20369, "/views": 20370, "zing": 20371, "endant": 20372, "(": 20591, ".Product": 20592, "Forms": 20593, "NEW": 20594, "Pay": 20595, "ĉboolean": 20596, "_contact": 20597, "ĠElectric": 20598, "skip": 20599, "Ġwur": 20600, "Ġchronic": 20601, "_driver": 20602, "ĠSab": 20603, "ĠUlt": 20604, "ĠRad": 20605, "STATUS": 20606, "ĠLewis": 20607, "OB": 20608, "Ġgifts": 20609, ".Rec": 20610, "TRUE": 20611, "Ġintensity": 20612, "Marker": 20613, ".compare": 20614, "ffic": 20615, "Cookie": 20616, "ĠBaby": 20617, "ĠBigDecimal": 20618, "ilet": 20619, "ĠHOLDERS": 20620, "ĠLady": 20621, "Ġlung": 20622, "ĠAlabama": 20623, "Ġdess": 20624, "`);Ċ": 20625, "ĠBuilder": 20626, "_region": 20627, "Ġneutral": 20628, "Both": 20629, "Ġhp": 20630, "Ġhorn": 20631, "Ġsegments": 20632, "ĠEC": 20633, "\"=>\"": 20634, "(rec": 20635, "ĠPi": 20636, "GM": 20637, "Ġlaptop": 20638, "Scalar": 20639, "isd": 20640, "-dialog": 20641, "ĠAnderson": 20642, "Ġmistakes": 20643, "ĠHan": 20644, "jes": 20645, "estination": 20646, "Ġpromises": 20647, "bid": 20648, "ĠScient": 20649, "GIN": 20650, "ĠPerformance": 20651, "bage": 20652, ".users": 20653, "leading": 20654, "Ġoral": 20655, "Graphics": 20656, "_PTR": 20657, "hang": 20658, "Ġinev": 20659, "processing": 20660, "Factor": 20661, "ĠNA": 20662, "$string": 20663, "Ġgrounds": 20664, ".SaveChanges": 20665, "clock": 20666, "cripcion": 20667, "ĠNewton": 20668, "gc": 20669, ".includes": 20670, "Ġblast": 20671, "Ġ'-'": 20672, "Ġpuede": 20673, ".Session": 20674, "Ġgrep": 20675, "_final": 20676, "ĠGay": 20677, "ĠGive": 20678, "iri": 20679, "-star": 20680, "ĠUIImage": 20681, "_epoch": 20682, "ubb": 20683, "enth": 20684, "Ġelite": 20685, "Ġcampaigns": 20686, "ĠPorno": 20687, "_assign": 20688, "Protocol": 20689, "ĠBeing": 20690, "ĠAirport": 20691, "Ġconventional": 20692, "ĠWat": 20693, "ĠCI": 20694, "ETA": 20695, "ĠAnthony": 20696, "Ġtablet": 20697, "(format": 20698, "Ġconsistently": 20699, "ĠIowa": 20700, "Ġavatar": 20701, ".cursor": 20702, "![": 20703, "Ġhanging": 20704, "Her": 20705, "Such": 20706, "';ĊĊĊ": 20707, "orgeous": 20708, "()==": 20709, "ĠviewModel": 20710, "Ġãĥ": 20711, "Ġels": 20712, "ĠAgent": 20713, "Fetch": 20714, "apor": 20715, "Ġcx": 20716, "pread": 20717, "ĠPier": 20718, "oeff": 20719, "Sn": 20720, "ĠVirtual": 20721, "Apr": 20722, ".White": 20723, "_MOD": 20724, "ĠPoints": 20725, "失": 20726, "Ġgenes": 20727, "Ġvendor": 20728, "Ġmainstream": 20729, "Ċ": 20758, "Filename": 20759, "Ġsne": 20760, "ĠFootball": 20761, "Ġrival": 20762, "Ġdisaster": 20763, "ionic": 20764, "ĠDamage": 20765, ".Resource": 20766, "-en": 20767, "ĠTypes": 20768, "getString": 20769, "(board": 20770, "Ġbol": 20771, "plain": 20772, "zym": 20773, "า": 20774, "Ġscanner": 20775, "ilder": 20776, "_msgs": 20777, "æı": 20778, "(intent": 20779, "Ġdestruct": 20780, "Ġbust": 20781, "ĠEmploy": 20782, "oni": 20783, "ĠUIViewController": 20784, "Ġodds": 20785, "earer": 20786, "Geometry": 20787, "Ġyii": 20788, "_EXPORT": 20789, "ĠAttack": 20790, "Ġniet": 20791, "Ġimpression": 20792, "ĠGil": 20793, "_prob": 20794, "ĠCF": 20795, "ĠExperience": 20796, "/plugins": 20797, ".Method": 20798, "Ġbeliefs": 20799, "Native": 20800, "_build": 20801, "Ġvig": 20802, "Ġranks": 20803, "covered": 20804, "such": 20805, "Guard": 20806, ".pack": 20807, "adder": 20808, "ivia": 20809, "lng": 20810, "ĠвÑĭ": 20811, "Timestamp": 20812, "_now": 20813, "Ġpoker": 20814, "Ġunc": 20815, "Ġshapes": 20816, "-types": 20817, "_period": 20818, "pk": 20819, "Ġveteran": 20820, "Ġsono": 20821, "Ġappointed": 20822, "overflow": 20823, ".driver": 20824, "_cat": 20825, "utt": 20826, "plant": 20827, "imb": 20828, "ĠAccept": 20829, "Ġconcert": 20830, "ĉnode": 20831, "ĉz": 20832, "?>čĊ": 20833, "Ġbanned": 20834, "ĉĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 20835, "Ġtoxic": 20836, "Ġdisappe": 20837, "ÈĽ": 20838, "Ġgrace": 20839, "ateful": 20840, "Reply": 20841, "ĠCruz": 20842, "Ġscrap": 20843, "Ġkeywords": 20844, "simp": 20845, "Ġmortgage": 20846, "Ġcyber": 20847, "ĠExecute": 20848, "Ġlatitude": 20849, "ifu": 20850, ".COM": 20851, "dbo": 20852, "Ġsorts": 20853, "ĠGas": 20854, "omial": 20855, ".Local": 20856, "Cells": 20857, ".Replace": 20858, "Strings": 20859, ".fit": 20860, "ĠThird": 20861, "%\",Ċ": 20862, "Ġ{}\".": 20863, "ĠSony": 20864, "Ġ[:": 20865, "Ġfallen": 20866, ".')Ċ": 20867, "inh": 20868, "ĠMC": 20869, "Ġredis": 20870, "Codes": 20871, "Ġprofiles": 20872, "hook": 20873, "Reducer": 20874, "_FUNC": 20875, "Ġnavigate": 20876, "strlen": 20877, "Ġhorm": 20878, "áŀ": 20879, "ĠSR": 20880, ".boot": 20881, "Ġdigest": 20882, "ĉheader": 20883, ".findOne": 20884, "æģ": 20885, "DbType": 20886, "nia": 20887, "_merge": 20888, "Ġdonne": 20889, "/Getty": 20890, "_CHAR": 20891, "Ġbands": 20892, ".URL": 20893, "artial": 20894, "Ġfreq": 20895, "Ġsist": 20896, "Ng": 20897, "Ġrendering": 20898, "\\Core": 20899, "Widgets": 20900, "ĠVA": 20901, "Ġactivists": 20902, "Ste": 20903, "=_": 20904, "alla": 20905, "Stamp": 20906, "Ġloads": 20907, "Ġxx": 20908, "ĠLearning": 20909, ".Mvc": 20910, "uir": 20911, "(\"$": 20912, "Ġconnecting": 20913, "ReadOnly": 20914, "uru": 20915, "ĠEag": 20916, "BIT": 20917, "_DEL": 20918, "å§": 20919, "arrass": 20920, "external": 20921, "ĠYOUR": 20922, "ĠBrew": 20923, "ĠFive": 20924, "Ġresize": 20925, "igid": 20926, "eration": 20927, "ĠÑį": 20928, "åĬł": 20929, "ĠCatch": 20930, "Ùģ": 20931, "ĠLeon": 20932, "amil": 20933, ".Body": 20934, "Clip": 20935, "/list": 20936, ".br": 20937, "EditText": 20938, "ĉdb": 20939, ".Game": 20940, "(BuildContext": 20941, "backend": 20942, ".Red": 20943, "facebook": 20944, ".urls": 20945, "mr": 20946, "rolled": 20947, "-------": 20948, "Ġintervention": 20949, "Ġretirement": 20950, "ĠKit": 20951, "ĠPRE": 20952, "UpperCase": 20953, "ĠSocket": 20954, "Ġ:-": 20955, "Ġstudying": 20956, "ĠMetro": 20957, "arded": 20958, "Ġconversations": 20959, "Called": 20960, "Ġexamine": 20961, "ertificate": 20962, ".gz": 20963, "-responsive": 20964, "Ġrefund": 20965, "_network": 20966, "allowed": 20967, "empt": 20968, "Ġmeals": 20969, "Categories": 20970, "Ġtraveling": 20971, "Ġkg": 20972, "Ġshame": 20973, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 20974, "Ġexplicitly": 20975, "Ġmathematic": 20976, "ĠSuite": 20977, "ĠRGB": 20978, "******/": 20979, "Ġmixture": 20980, "learning": 20981, ".template": 20982, "atts": 20983, "wx": 20984, "ĉctx": 20985, ".properties": 20986, "Ġdrinks": 20987, "ĠEither": 20988, "setText": 20989, ".getData": 20990, ".zip": 20991, "Ġreveals": 20992, ".Ċ": 21005, "Ġranked": 21006, "_impl": 21007, "ĠHandles": 21008, "Ġhosted": 21009, "Ġupdating": 21010, "album": 21011, "éĿ": 21012, "Ġshader": 21013, "Editors": 21014, "-round": 21015, "[]{": 21016, "Ġsep": 21017, "ĠHi": 21018, "TEM": 21019, "lookup": 21020, ".man": 21021, "_INPUT": 21022, "Ġthreatened": 21023, "_IMPORT": 21024, "Ġdrops": 21025, "ruit": 21026, "sid": 21027, "both": 21028, "ĠExcel": 21029, "Ġjer": 21030, "ordinary": 21031, "ей": 21032, "VIEW": 21033, "reply": 21034, "Ġ):Ċ": 21035, "colors": 21036, "verified": 21037, "_Tr": 21038, "_parse": 21039, "Ġcongress": 21040, "Promise": 21041, "ints": 21042, "ĠMother": 21043, ".Api": 21044, "ĠDuration": 21045, "ĠfirstName": 21046, "inheritdoc": 21047, "ĠMars": 21048, "Ġapr": 21049, "ODY": 21050, "Ġvisits": 21051, "Ġhealing": 21052, "letters": 21053, ")));čĊ": 21054, "future": 21055, ".Framework": 21056, "Ġkiss": 21057, "Ġinvolve": 21058, "Ġsilent": 21059, "adows": 21060, "Ġanybody": 21061, "sch": 21062, "Ġsolely": 21063, "-img": 21064, "Ġpropri": 21065, "Ġinstruct": 21066, "Ġlicenses": 21067, "Ġmeth": 21068, "Ġcondem": 21069, "ĠDomain": 21070, "ĠHarris": 21071, "ĠsÃ¥": 21072, "CEPT": 21073, "Batch": 21074, "@extends": 21075, "ĠCONTRIBUT": 21076, ".DataFrame": 21077, "_packet": 21078, "recision": 21079, "Ġfocusing": 21080, ".ht": 21081, "__\":Ċ": 21082, ":Get": 21083, "ĠKC": 21084, "Ġpassage": 21085, "Segment": 21086, "_center": 21087, "-zA": 21088, "_BL": 21089, "Ġconvin": 21090, "Ġclassified": 21091, "ĠNSMutable": 21092, "_ap": 21093, "tile": 21094, "Rectangle": 21095, "(nums": 21096, "vens": 21097, "ĠUIButton": 21098, "ĠFeder": 21099, "amo": 21100, "Ġoutline": 21101, "ĠParser": 21102, "Ġâī": 21103, "ĠWorks": 21104, ".Schema": 21105, "Ġengines": 21106, "_common": 21107, "_old": 21108, "ĠsetContentView": 21109, "Ġ///<": 21110, "ĠBT": 21111, "fm": 21112, "Ġdivers": 21113, "_weights": 21114, "emark": 21115, "ĠACT": 21116, "Ġproportion": 21117, "overlay": 21118, ".dirname": 21119, "ĠGit": 21120, "_REFERENCE": 21121, "<>": 21122, "lb": 21123, "_rule": 21124, "è´¥": 21125, "ĠPutin": 21126, "Ġsleeping": 21127, "():čĊ": 21128, "Ġpreserve": 21129, "Ġparliament": 21130, "ĠLooking": 21131, "Ġpicking": 21132, "ĠDispatch": 21133, "Ġslip": 21134, "ëĵ": 21135, "ĠLyn": 21136, "_signal": 21137, "configuration": 21138, "ĠPitt": 21139, "aden": 21140, "procedure": 21141, "Ġenthusi": 21142, "fight": 21143, "ĠConsider": 21144, "Ġtorn": 21145, "Connected": 21146, ".cos": 21147, "_groups": 21148, "ĠThink": 21149, "Ġdeliber": 21150, "Ġresid": 21151, "working": 21152, ".columns": 21153, "ĠCalled": 21154, "Ġeslint": 21155, ">\",": 21156, "_DOWN": 21157, "hist": 21158, "ĠAdvanced": 21159, "Ġrewards": 21160, "actors": 21161, "Ġsilence": 21162, "Ġmyth": 21163, "Ġneur": 21164, "Ġauction": 21165, ".GetString": 21166, "eks": 21167, "(project": 21168, "ĉmsg": 21169, "ĉoutput": 21170, "Ġcomplaints": 21171, ",S": 21172, "Ġtbl": 21173, "Ġ,ĊĊ": 21174, "riors": 21175, "ahren": 21176, "Ġlawyers": 21177, "redux": 21178, "_symbol": 21179, "offee": 21180, "_RESULT": 21181, "(Name": 21182, "UTC": 21183, ".currentTime": 21184, "Ġorganis": 21185, ".arg": 21186, "Ġminim": 21187, "wick": 21188, "Ġreceives": 21189, "Balance": 21190, "Ġspeaks": 21191, "ĠDays": 21192, "ĠBelow": 21193, "tipo": 21194, "Present": 21195, "Ġreserv": 21196, "hp": 21197, "Ġrit": 21198, "_RIGHT": 21199, "--)": 21200, "Ġchairman": 21201, "DIS": 21202, "ĠBOOST": 21203, "Ġexperiments": 21204, "__);Ċ": 21205, "Ġstamp": 21206, "Ġfert": 21207, "Ġfond": 21208, "Ter": 21209, "elve": 21210, "uren": 21211, "+i": 21212, "endency": 21213, "Ġvirtually": 21214, "...\"": 21215, "ï½ŀ": 21216, "-cent": 21217, "_unique": 21218, "Ġpricing": 21219, "mic": 21220, "RESH": 21221, "Ġ:::": 21222, "Ġannotation": 21223, "ĠCircle": 21224, "ongodb": 21225, "itas": 21226, "Ġ%(": 21227, "(component": 21228, "Ġоб": 21229, "(port": 21230, "-hour": 21231, ".obj": 21232, "LBL": 21233, "Ġjury": 21234, "GBT": 21235, "Ġspy": 21236, "ĠProfessional": 21237, "Ġ\"\";ĊĊ": 21238, "Ġstriking": 21239, "Ġdiscrimination": 21240, "Ġpays": 21241, "lict": 21242, "entes": 21243, "Ġthrowing": 21244, "ĠPlugin": 21245, "(def": 21246, "ĠRuntimeException": 21247, "ĠMigration": 21248, "Ġdic": 21249, "bag": 21250, "onia": 21251, "Ġcorruption": 21252, "(Map": 21253, "Ġprz": 21254, ".dto": 21255, "Ġacquire": 21256, "StateToProps": 21257, "Ġloving": 21258, "ож": 21259, "_pattern": 21260, "Ġemotions": 21261, "Ġpublisher": 21262, "_be": 21263, "Ġcouples": 21264, "oj": 21265, "ĠChart": 21266, "Ġtrop": 21267, ".tool": 21268, "Ġestablishment": 21269, "Ġdol": 21270, "Ġtower": 21271, "Ġlane": 21272, "ĠSydney": 21273, "Ġfilling": 21274, "claimed": 21275, "Ġdialogue": 21276, "Ġconvention": 21277, "booking": 21278, "parency": 21279, "æ±": 21280, "ĠGeneric": 21281, "\\Schema": 21282, "Ġranges": 21283, "/ch": 21284, "Ġpanels": 21285, "Ġruled": 21286, "çĶŁ": 21287, ".ts": 21288, "_sets": 21289, "Ġcleanup": 21290, "Previous": 21291, "ĠAnimal": 21292, "($(": 21293, "ĠAve": 21294, "ollar": 21295, "_eval": 21296, "ĉName": 21297, "(tree": 21298, "Ġ\"]": 21299, "Ġduties": 21300, "='/": 21301, "Clicked": 21302, "Ġdifferently": 21303, "ĠClark": 21304, "Ġdit": 21305, "ologists": 21306, "Ġsynd": 21307, "Ġsends": 21308, "-known": 21309, "kb": 21310, "ĠModal": 21311, "itative": 21312, "Ġracing": 21313, "Ġhighlights": 21314, "ĠSimon": 21315, "ĠCaptain": 21316, "ä¿¡": 21317, "ĠCB": 21318, "contin": 21319, "aran": 21320, "Ġphysics": 21321, "retty": 21322, "etal": 21323, ".md": 21324, "axios": 21325, "Ġspeakers": 21326, "Ġprep": 21327, "Ġawarded": 21328, "ì§Ģ": 21329, "ĠCorn": 21330, "ĠNature": 21331, "UDIO": 21332, "Ġproj": 21333, "-pre": 21334, "[u": 21335, "Features": 21336, "ĠisEqual": 21337, "Binary": 21338, "sig": 21339, "Ġconfusion": 21340, "ĠHat": 21341, "Ġktó": 21342, ".configure": 21343, "MON": 21344, "/edit": 21345, "_Add": 21346, ",true": 21347, "Ġcli": 21348, "ErrorMessage": 21349, "-loader": 21350, "Dimensions": 21351, "ultiply": 21352, "Ġ{!!": 21353, "ĠSqlCommand": 21354, "Ġspoken": 21355, "Ġpics": 21356, "Ġtoy": 21357, "(Key": 21358, "ĠLoop": 21359, "ب": 21360, "EATURE": 21361, "inction": 21362, "_setup": 21363, "wrapper": 21364, "Ġtong": 21365, "cular": 21366, "Opt": 21367, ".Pl": 21368, "=\",": 21369, "(length": 21370, "umn": 21371, "Ġchrom": 21372, "Ġsevent": 21373, "ĠIllegalArgumentException": 21374, "ĉstart": 21375, "Ġbegun": 21376, "CEPTION": 21377, "dataset": 21378, "ĠFailed": 21379, "cols": 21380, "Ġknee": 21381, "imore": 21382, ".splice": 21383, "shell": 21384, "iggers": 21385, "Ġthemes": 21386, "ĠDJ": 21387, "ĠAssistant": 21388, "-$": 21389, "Maybe": 21390, "Ġordering": 21391, "ĠIntelligence": 21392, "ĠMassachusetts": 21393, "Ġfailing": 21394, "elson": 21395, "Great": 21396, "=i": 21397, ".rest": 21398, "Ġinvite": 21399, "-disable": 21400, ".GroupBox": 21401, "âĢĻest": 21402, "Ġtackle": 21403, "gv": 21404, "etter": 21405, "Ġ),čĊ": 21406, "_rules": 21407, ".warn": 21408, "functions": 21409, "ĠChristians": 21410, "Ġbacked": 21411, "Ġslider": 21412, "Ġenjoying": 21413, "nest": 21414, "Ġhij": 21415, "_ms": 21416, "//*": 21417, "Annotations": 21418, "ĠVariables": 21419, "": 21620, "cycle": 21621, "ĠBull": 21622, "paths": 21623, "Ġunp": 21624, "ĠviewDidLoad": 21625, "_Model": 21626, "ĠassertTrue": 21627, "Ġrated": 21628, "Decl": 21629, "verted": 21630, "ĠDat": 21631, "brew": 21632, "Ġpointing": 21633, "Ms": 21634, "ĠPointer": 21635, ")'": 21636, "_non": 21637, "ĠSEC": 21638, "Ġyeah": 21639, "gency": 21640, "initialize": 21641, "fly": 21642, "[pos": 21643, ",g": 21644, "Tele": 21645, "Ġjoke": 21646, "Ġclause": 21647, ".findById": 21648, "enes": 21649, "(instance": 21650, "£": 21651, "Ġslic": 21652, "_home": 21653, "Ġ*/}Ċ": 21654, "_pages": 21655, "(service": 21656, "RP": 21657, "ĠAmong": 21658, ".getCurrent": 21659, "ãĤ¹": 21660, "Ġslee": 21661, "=[Ċ": 22071, "oler": 22072, "Ġlibert": 22073, "Ġ`Ċ": 22074, "Ġwenn": 22075, "lated": 22076, "Ġimmune": 22077, "(Node": 22078, "ĠProblem": 22079, "ĠAbs": 22080, "logs": 22081, "Ġ../": 22082, "ĠADC": 22083, "Ġ}}\">Ċ": 22084, ">');Ċ": 22085, "=b": 22086, "ĠWind": 22087, "lahoma": 22088, "Ġallocate": 22089, "orian": 22090, "Ġprescription": 22091, "-quality": 22092, "ĠMayor": 22093, "inely": 22094, "endforeach": 22095, "ĠComplex": 22096, "kom": 22097, "TY": 22098, "]].": 22099, ".Style": 22100, "_many": 22101, "','$": 22102, "Ġbarrier": 22103, "ĠFetch": 22104, "ĠMarvel": 22105, "Ġresist": 22106, "ого": 22107, "bidden": 22108, "ĠRunnable": 22109, ":false": 22110, "Ġbuilds": 22111, "ĠStage": 22112, "Ġdub": 22113, "empo": 22114, ".site": 22115, ";ĊĊĊĊ": 22116, "ĠDenver": 22117, "Ġrevel": 22118, "Ġtriggered": 22119, "Ġdice": 22120, "_fail": 22121, "Ġgc": 22122, "ĉX": 22123, "ĠThrowable": 22124, ".router": 22125, "ĠRevolution": 22126, "ÑĢа": 22127, "_NON": 22128, "Ł¥": 22129, "Ġelder": 22130, "Ġabroad": 22131, "Ġе": 22132, "ĠAdult": 22133, "blr": 22134, "glyphicon": 22135, "Ġpromoting": 22136, "Ġiz": 22137, "ĠSolid": 22138, "_loader": 22139, "early": 22140, ".enabled": 22141, "-edit": 22142, "ĠUL": 22143, "_play": 22144, "ĠInterrupt": 22145, "Ġadvantages": 22146, "ucle": 22147, "Ġmechanical": 22148, ".tableLayoutPanel": 22149, "ĠWorking": 22150, "Ġanonymous": 22151, "Rating": 22152, "igious": 22153, "_phone": 22154, ".addActionListener": 22155, "Ġfran": 22156, "unden": 22157, "Ġ*)&": 22158, "_bool": 22159, "ulative": 22160, "Ġcone": 22161, "ĠMult": 22162, "Ġmö": 22163, "ĠForward": 22164, "]):Ċ": 22165, "Ġconvinced": 22166, "acted": 22167, "ãģĵ": 22168, "ĠConfigure": 22169, "Ġceiling": 22170, "Der": 22171, "Ġpassengers": 22172, "Groups": 22173, "Ġsoccer": 22174, "/W": 22175, "aviors": 22176, "swith": 22177, "ĠZone": 22178, ".Options": 22179, "ĠMom": 22180, "ieder": 22181, "Arrays": 22182, "Ġtreatments": 22183, "Ġprotecting": 22184, "fac": 22185, "Ġpickle": 22186, "ButtonItem": 22187, "Ġblocking": 22188, "strar": 22189, "ò": 22190, "ĠExport": 22191, "Ġthrew": 22192, "otta": 22193, "ĠBASE": 22194, ".ws": 22195, ".LEADING": 22196, "orderBy": 22197, "_delay": 22198, "ĠPu": 22199, ".dll": 22200, "ĠChoose": 22201, "Police": 22202, "ĠBEGIN": 22203, "boxes": 22204, "Ġdiamond": 22205, ",l": 22206, "Ġĉĉĉ": 22207, "Ġcurious": 22208, "tv": 22209, "Ġerotische": 22210, "ackages": 22211, "ĉSet": 22212, "Tick": 22213, ".border": 22214, "staticmethod": 22215, "Ġcher": 22216, "invoice": 22217, "Ġcru": 22218, "Ġdefect": 22219, "_metadata": 22220, "relation": 22221, "ikan": 22222, "[N": 22223, "(Qt": 22224, "(Base": 22225, "æģ¯": 22226, "beat": 22227, "ĠEmpty": 22228, "ĉo": 22229, "_shift": 22230, "Ġregret": 22231, "Those": 22232, "Cent": 22233, "ĠPortug": 22234, "ĠIslands": 22235, "ĠTIME": 22236, "Management": 22237, "-sp": 22238, "ême": 22239, "Ġnotion": 22240, "unifu": 22241, "PK": 22242, "è¡Į": 22243, "ĠCURLOPT": 22244, "\\\"\\": 22245, "UV": 22246, "çº": 22247, "dra": 22248, "cou": 22249, "=`": 22250, "ĠDestroy": 22251, "rp": 22252, ".cancel": 22253, "GG": 22254, "runtime": 22255, "ĠVue": 22256, "Ġprogressive": 22257, "/services": 22258, "Ġrunner": 22259, "_FRAME": 22260, ".ToolStripMenuItem": 22261, "Ġ','": 22262, "delay": 22263, "=utf": 22264, "Ġscreening": 22265, "Ġpulling": 22266, "omas": 22267, "Ġanth": 22268, "-new": 22269, "/local": 22270, "ĠiPad": 22271, "Ġtwitter": 22272, "Ġdying": 22273, "Ġheaven": 22274, "ĠUInt": 22275, "ĠSenator": 22276, "Ġpresum": 22277, "ĠWalker": 22278, "Ġovercome": 22279, "etection": 22280, "Ġembarrass": 22281, "China": 22282, "Include": 22283, "ROLL": 22284, "ĠdataType": 22285, "David": 22286, "ร": 22287, "lop": 22288, "-month": 22289, "Ġscar": 22290, "ĠSafe": 22291, "Ġ****************************************************************": 22292, "Ġaccessories": 22293, "Ġramp": 22294, "_USE": 22295, "Ġcontrad": 22296, "))]Ċ": 22297, "Ġprest": 22298, "ĠHR": 22299, "ĠRap": 22300, "Ġusize": 22301, "Ġcapability": 22302, "Ġcort": 22303, "-next": 22304, "Ġburden": 22305, "_reader": 22306, "Ġ@@": 22307, "regular": 22308, "ĠKa": 22309, "MAN": 22310, "Ġastr": 22311, "Ġ'')Ċ": 22312, "Ġfed": 22313, "Ġparsing": 22314, "ĠYears": 22315, "Ġbroker": 22316, "\":{\"": 22317, "Ġakt": 22318, "Inventory": 22319, "abeled": 22320, "Ġargparse": 22321, "*******Ċ": 22322, "versation": 22323, "Ġcord": 22324, "ĠTi": 22325, "Ġhopefully": 22326, "Ġah": 22327, "verb": 22328, "Ġstolen": 22329, ".Entry": 22330, "Ġexpecting": 22331, "Orientation": 22332, "Ġpowered": 22333, "Ġpersist": 22334, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 22335, "']);": 22336, "')),Ċ": 22337, "ĠCash": 22338, "ĉitem": 22339, "grades": 22340, "ropol": 22341, "basic": 22342, "Ġ\");čĊ": 22343, "Ġawards": 22344, "(range": 22345, "-all": 22346, "ĠIBOutlet": 22347, "ĠIndeed": 22348, "----------------------------------------------------------------------------": 22349, "Ġstomach": 22350, "Ġflower": 22351, "Ġsew": 22352, "_times": 22353, "avis": 22354, "QString": 22355, "ĠRoutes": 22356, "_prot": 22357, "Ġcomedy": 22358, "Ġlogout": 22359, "Ġwooden": 22360, "Ġposter": 22361, "piece": 22362, ".Join": 22363, "ĠPok": 22364, "celona": 22365, "mutex": 22366, ";čĊčĊčĊ": 22367, "Ġstrikes": 22368, "Loaded": 22369, ")arg": 22370, "esa": 22371, "United": 22372, "Ep": 22373, "PELL": 22374, "ĠAtlantic": 22375, "ullet": 22376, "apple": 22377, "Ġsettled": 22378, "acon": 22379, "Ġprinter": 22380, "ĠGC": 22381, "å®ļ": 22382, "Ġrendered": 22383, ",âĢĻ": 22384, "heit": 22385, "social": 22386, ".ge": 22387, "ĠRick": 22388, "ĠUtah": 22389, "got": 22390, "onical": 22391, "ĠScroll": 22392, "ĠSciences": 22393, "Ġjug": 22394, "Ġampl": 22395, "enti": 22396, "LEFT": 22397, "Ġtabs": 22398, "Ġenormous": 22399, ".getKey": 22400, "locate": 22401, ".EX": 22402, ".storage": 22403, ".We": 22404, "Ġtoast": 22405, "ĠAdditionally": 22406, "ĠNOW": 22407, "_UPDATE": 22408, "Ġtransferred": 22409, "tha": 22410, ".Display": 22411, "_ui": 22412, "IDEO": 22413, "Ġmeaningful": 22414, "ĠMoscow": 22415, ",this": 22416, "ĠVictoria": 22417, "æĶ¹": 22418, "ĠÐŁ": 22419, ".stack": 22420, "ĠBarn": 22421, "paredStatement": 22422, ":string": 22423, "Ġbij": 22424, "ĠSTATE": 22425, "Ġemployers": 22426, "ĉinput": 22427, "(|": 22428, "Ġlex": 22429, "invoke": 22430, "ĉnum": 22431, "++,": 22432, "atial": 22433, "orses": 22434, "Ġfork": 22435, "_txt": 22436, "ĠAntonio": 22437, "Ġ(<": 22438, "averse": 22439, "Ġdevast": 22440, "ãĢĢ": 22441, ".Dec": 22442, "ĠGard": 22443, "/ui": 22444, ".%": 22445, "tri": 22446, "Ġrolled": 22447, "ValuePair": 22448, "itten": 22449, "ĠTher": 22450, "Ġvrou": 22451, "ĠFlow": 22452, "ĠFinance": 22453, "ĠComb": 22454, "HC": 22455, ".setVisible": 22456, "isl": 22457, "Ġpk": 22458, "Ġupset": 22459, "(raw": 22460, "ĠVice": 22461, "eatures": 22462, "ĠLang": 22463, "Looking": 22464, "ĠAST": 22465, "Ġtrips": 22466, "ĠJustin": 22467, "browser": 22468, "=\"'.$": 22469, ".vertices": 22470, "-co": 22471, "}/{": 22472, "Ġ?,": 22473, "ĠDomin": 22474, "ĠBelg": 22475, "\"<": 22476, "Ġsuppose": 22477, "addy": 22478, "Ġwalks": 22479, "ERRU": 22480, "_filters": 22481, "Preferred": 22482, "scene": 22483, "еÑģ": 22484, "ĠAffairs": 22485, "Ġ\"#{": 22486, "ĠonSubmit": 22487, "Ġstocks": 22488, "/view": 22489, "gree": 22490, "-get": 22491, "hit": 22492, "Jo": 22493, ".getC": 22494, "Initialized": 22495, "ÑĤи": 22496, "cuts": 22497, "(Type": 22498, "ĠAgreement": 22499, "ĠVietnam": 22500, "Ġ/*!": 22501, "Ġpizza": 22502, "-view": 22503, "_em": 22504, "Ġlhs": 22505, "Ġmuy": 22506, "ĠIdent": 22507, "ĠFriends": 22508, "Ġabund": 22509, "_AD": 22510, ".timestamp": 22511, "-'": 22512, "Ġduplicate": 22513, "Ġhunting": 22514, "Ġregulatory": 22515, "iao": 22516, "amous": 22517, "ĠEntertainment": 22518, "[A": 22519, "iatric": 22520, "_CLIENT": 22521, "ĠKids": 22522, "/pkg": 22523, "Break": 22524, ")));ĊĊ": 22525, "ĠShape": 22526, "Ġrelating": 22527, "Interrupt": 22528, "ableOpacity": 22529, "embre": 22530, "Ġmystery": 22531, "Ġjournalists": 22532, "ritable": 22533, ".Link": 22534, "Ġstopping": 22535, "CRET": 22536, ".DB": 22537, "Ġpopularity": 22538, "Ġgew": 22539, "Ġimpr": 22540, "setValue": 22541, "FLAG": 22542, "ĉmax": 22543, "Ġbake": 22544, "wy": 22545, "ĠEconomic": 22546, "Ġencontr": 22547, "Ġfname": 22548, "/de": 22549, "Rank": 22550, "Ġbugs": 22551, ".sm": 22552, "Ġmedian": 22553, "DOWN": 22554, "ĠSure": 22555, "AtIndex": 22556, "ĠDick": 22557, "Ġ(__": 22558, ".delta": 22559, "Fr": 22560, "Ġsuggesting": 22561, "ĠRecyclerView": 22562, ",e": 22563, "START": 22564, "/****************************************************************************": 22565, "xford": 22566, "Ġreceipt": 22567, "CLAIM": 22568, "readonly": 22569, "Ġengaging": 22570, "Ca": 22571, "asma": 22572, "Ġensuring": 22573, "English": 22574, "ĠVancouver": 22575, "hyth": 22576, "Ġpurchasing": 22577, "ĠPI": 22578, ".word": 22579, "(sp": 22580, ".home": 22581, ":def": 22582, "Ġgig": 22583, "ĠVe": 22584, "forum": 22585, "ĠMitch": 22586, "Bay": 22587, "_FL": 22588, "Ġsoll": 22589, "_columns": 22590, "Ġminority": 22591, "bird": 22592, "Ġhanded": 22593, "SSL": 22594, "STAT": 22595, "Ġnervous": 22596, "ĥ½": 22597, "ĠfilePath": 22598, "CREATE": 22599, "Aw": 22600, "Ġpens": 22601, "seed": 22602, "ĠCompute": 22603, "olk": 22604, "ĠAsset": 22605, "reach": 22606, "'),čĊ": 22607, "navigation": 22608, "LF": 22609, "/util": 22610, "ĠPub": 22611, "ĠâĶ": 22612, "cion": 22613, "##Ċ": 22614, "III": 22615, "TagName": 22616, "Ġamid": 22617, "permission": 22618, "ifiable": 22619, "xFFFFFFFF": 22620, "ни": 22621, ".Buffer": 22622, "_irq": 22623, "dark": 22624, "Ġretval": 22625, ".fire": 22626, "production": 22627, ".listen": 22628, "ĠWeather": 22629, "Ġbuyers": 22630, ".ne": 22631, "erp": 22632, "ĠPent": 22633, "Ġwelfare": 22634, "ĠpageSize": 22635, "ĠStadium": 22636, "erta": 22637, "Ġlev": 22638, "ampa": 22639, "Pager": 22640, "Ġcharging": 22641, "ĠNetflix": 22642, "|null": 22643, "_random": 22644, ".xpath": 22645, "Ġstere": 22646, "ĠISIS": 22647, "ponses": 22648, "(loc": 22649, "eyond": 22650, "ĠOfficial": 22651, "ĠMaryland": 22652, "DataType": 22653, "_par": 22654, "{},": 22655, "ĠEnjoy": 22656, "_SHIFT": 22657, "ĠAwards": 22658, "_ENTRY": 22659, "Ġseemingly": 22660, "enticate": 22661, "Ġhearts": 22662, "_;ĊĊ": 22663, "ĠHIV": 22664, "Ġindivid": 22665, "ĠFlag": 22666, "_ctrl": 22667, "ĠCallback": 22668, ",z": 22669, "ĠGPU": 22670, "ĉobj": 22671, "ĠPhoenix": 22672, "ĠBUS": 22673, "Ġrubber": 22674, "_AUTH": 22675, "ĠSolutions": 22676, "(location": 22677, "Variables": 22678, ".setEnabled": 22679, "_high": 22680, "WO": 22681, "Gesture": 22682, "Ġretry": 22683, "ĠobjectForKey": 22684, "alloween": 22685, "Ġmos": 22686, "ĠCele": 22687, "Ġikke": 22688, "(cell": 22689, "ĠMODE": 22690, "rena": 22691, "Ġdescribing": 22692, "Ġphi": 22693, "Ġrd": 22694, "Ġdeserve": 22695, "Ġwheels": 22696, "å¸Ĥ": 22697, "Ġcritics": 22698, "Namespace": 22699, "ĠFra": 22700, "ĠĊĊĊĊ": 22701, "Ġalla": 22702, "Ġrequiring": 22703, "æľŁ": 22704, "utation": 22705, "Ġdelayed": 22706, "Ġadministrative": 22707, "Ġbay": 22708, ".hidden": 22709, "Tex": 22710, "Ġboundaries": 22711, "Ġ]);ĊĊ": 22712, "ĠFollowing": 22713, "~/": 22714, "Fi": 22715, "_conv": 22716, "_TITLE": 22717, "Ġdesde": 22718, "ICollectionView": 22719, "Alias": 22720, "Ġbite": 22721, "patient": 22722, "_COMMAND": 22723, "Completed": 22724, "ĉelif": 22725, "(<": 22726, "Business": 22727, "ĠPool": 22728, "Ġpursue": 22729, "ĠBan": 22730, "_steps": 22731, "_DECL": 22732, "umble": 22733, "Ġcombo": 22734, "ĠLayer": 22735, ".xr": 22736, "Ġdup": 22737, "---------": 22738, "Ġmodifier": 22739, "rob": 22740, "rez": 22741, "Ġathletes": 22742, "Used": 22743, "wear": 22744, "Ġlegitimate": 22745, "Ġ\"ĊĊ": 22746, "Ġhv": 22747, "Std": 22748, "ĠHold": 22749, "Ġsurviv": 22750, "ĠAlliance": 22751, "ĠEarly": 22752, "Behavior": 22753, "(font": 22754, "/libs": 22755, "Ġrectangle": 22756, "Ġsinger": 22757, "Ġamp": 22758, "EqualTo": 22759, "Ġ\".\"": 22760, "Ġgirlfriend": 22761, "å±": 22762, "linear": 22763, "observ": 22764, "Ġpiù": 22765, "Ġcomplement": 22766, "WithValue": 22767, "(password": 22768, "take": 22769, "Blank": 22770, "ĠCompar": 22771, "'\",": 22772, "_policy": 22773, "mongoose": 22774, "_FAILED": 22775, ".report": 22776, "Ratio": 22777, ".PerformLayout": 22778, "usable": 22779, "mers": 22780, "_render": 22781, "PEED": 22782, "Ġlesb": 22783, "ĉE": 22784, "_tool": 22785, "Ġladies": 22786, "оÑģ": 22787, "))))Ċ": 22788, ";;;;": 22789, ".dot": 22790, "Ġnest": 22791, "peak": 22792, "ukkit": 22793, "eca": 22794, "_SW": 22795, "Ġ&(": 22796, "ĠOklahoma": 22797, "Ġbanking": 22798, "ĠNintendo": 22799, "Ġreproduce": 22800, "_elements": 22801, "_mac": 22802, "proxy": 22803, "Ġremarkable": 22804, "}/${": 22805, "Ġouts": 22806, ".hasNext": 22807, "MODE": 22808, "Ġanime": 22809, ".conn": 22810, "Unique": 22811, "Dom": 22812, "Ġimportantly": 22813, "itty": 22814, "Ġjuice": 22815, "Tw": 22816, "ĠPartners": 22817, "Ġattacking": 22818, "Ġportable": 22819, "amiento": 22820, ".PictureBox": 22821, ".gen": 22822, "Ġoptimal": 22823, "Ġrecre": 22824, "Ġjournalist": 22825, "ĠExtract": 22826, "ĠMoreover": 22827, "ĠmarginTop": 22828, ".Ap": 22829, "Ġfiring": 22830, "NaN": 22831, "ĉtemplate": 22832, "ад": 22833, ".En": 22834, "Ġdefence": 22835, "ĠTel": 22836, "ilen": 22837, "jan": 22838, "=data": 22839, "ĠUrl": 22840, "ĠReuters": 22841, "(total": 22842, "ĠFifth": 22843, "Ġessays": 22844, "Ġinterpretation": 22845, "Ġcharity": 22846, "ĠRules": 22847, "Ġsubsection": 22848, "styled": 22849, "azer": 22850, "lags": 22851, "LIST": 22852, "Ġuploaded": 22853, "Ġtrash": 22854, "Ġregistr": 22855, "Ġseller": 22856, ">';čĊ": 22857, "ĠstartTime": 22858, "çĻ": 22859, "sy": 22860, "(HttpServletRequest": 22861, "Ġtrap": 22862, "GC": 22863, "Ġembedded": 22864, "Ġsurrounded": 22865, "imits": 22866, "TX": 22867, "ylinder": 22868, "ĠFal": 22869, "Ġsentences": 22870, "ĠJa": 22871, "IFICATION": 22872, "weapon": 22873, "ovation": 22874, "Ġcoat": 22875, "Ġinterpol": 22876, "Ġlips": 22877, "ĠKy": 22878, "Ġvectors": 22879, "_am": 22880, "Ġintake": 22881, ".world": 22882, "Ġinbox": 22883, "ĠMAC": 22884, "_ab": 22885, "(nameof": 22886, "Ġentert": 22887, "Ġgathering": 22888, "ĠSIM": 22889, "++.": 22890, "nya": 22891, "'}}": 22892, "ĠUPDATE": 22893, "Ġpac": 22894, "(html": 22895, "ĠSant": 22896, "iating": 22897, "ĠIdeas": 22898, "Ġspray": 22899, "ĠHart": 22900, "Ġverification": 22901, "adesh": 22902, "/modules": 22903, "ĠMind": 22904, "ĠSizedBox": 22905, "Ġshelter": 22906, "Ġheroes": 22907, "atty": 22908, "Ġcertified": 22909, "sj": 22910, "Ġêtre": 22911, "ÅĤo": 22912, "Ġpublishing": 22913, "ĠMalays": 22914, ".getUser": 22915, "ĠProvider": 22916, "ĠLinkedList": 22917, "ĠBor": 22918, "ROUND": 22919, "did": 22920, "tain": 22921, "pire": 22922, "ĠJenn": 22923, "tel": 22924, "ande": 22925, "_front": 22926, "ĠMcG": 22927, "TestMethod": 22928, "à¸Ń": 22929, "Ġoccasionally": 22930, "ĠWales": 22931, "Ġexercises": 22932, "ĠÐĴ": 22933, "-plus": 22934, "Ġvalidator": 22935, "Ġprayer": 22936, "LATED": 22937, "_author": 22938, "Ġlabour": 22939, "++Ċ": 22940, "-equiv": 22941, "ĠGPL": 22942, "Ġfacebook": 22943, "simple": 22944, "gly": 22945, "Processor": 22946, "ipy": 22947, "Ġ*>": 22948, "Ġcleared": 22949, "ĠPush": 22950, "Ġpenis": 22951, "Structure": 22952, "lij": 22953, "ĠMorgan": 22954, "Ġhandful": 22955, "\".Ċ": 22956, "|\\": 22957, "Ġ********************************": 22958, "ĠAqu": 22959, "_IC": 22960, ".loads": 22961, "Ġmeter": 22962, "ĠMarine": 22963, "::{": 22964, "ĠTS": 22965, "ĠArrays": 22966, ".Title": 22967, "GRAM": 22968, "termin": 22969, "Ġcoinc": 22970, "Else": 22971, "_states": 22972, "-run": 22973, "members": 22974, "astro": 22975, "ĠonPress": 22976, "Ġbeings": 22977, "Ġabandoned": 22978, "Ġtaxp": 22979, "owners": 22980, ".mode": 22981, "Ġdiagnosis": 22982, "Ġ_Ċ": 22983, "ĠKnight": 22984, "ĉA": 22985, "Ġobserve": 22986, "),'": 22987, "!\")Ċ": 22988, "ĠPara": 22989, "Ġvariation": 22990, "(False": 22991, "ĠAnti": 22992, "Ġgri": 22993, "Ġhomeless": 22994, "?v": 22995, "Ġbez": 22996, ".Server": 22997, "release": 22998, "ĠPatri": 22999, "Ġchars": 23000, "Ġranking": 23001, "activation": 23002, "Ġwides": 23003, "qr": 23004, ".Sql": 23005, "acular": 23006, "ĠBot": 23007, "_sync": 23008, "Ġhappiness": 23009, "Ġvolunteers": 23010, "Ġsits": 23011, "/<": 23012, "[e": 23013, "(fileName": 23014, "Ġcapac": 23015, "ĠMaria": 23016, "father": 23017, "Ġgram": 23018, "*i": 23019, "Ġcaso": 23020, "_draw": 23021, "ĠRaw": 23022, "ĠIterator": 23023, "ĠPadding": 23024, "PD": 23025, "BOX": 23026, "ĠSPECIAL": 23027, "Ġfecha": 23028, "Ġvide": 23029, "ĠLeader": 23030, "以": 23031, "$(\".": 23032, "Ġdiameter": 23033, "Ġmild": 23034, "Ġrocks": 23035, "appings": 23036, "directory": 23037, ".flush": 23038, "ĠJess": 23039, "UNIT": 23040, "ĠPear": 23041, "Ġmandatory": 23042, "Sur": 23043, "qt": 23044, "Ġstreams": 23045, "Ġcooperation": 23046, "ĠSac": 23047, "Ġcheaper": 23048, "ĉch": 23049, "animation": 23050, "fare": 23051, "(height": 23052, "(True": 23053, "NY": 23054, "Ġwrest": 23055, "Ġpolls": 23056, "Ġencountered": 23057, "ĠMarketable": 23058, "_PASSWORD": 23059, "_SELECT": 23060, "ĠArabia": 23061, "_clock": 23062, "Ġvoy": 23063, "Ġиз": 23064, "Ġstir": 23065, "isible": 23066, "-effect": 23067, ".created": 23068, "Ġtoys": 23069, "ĠTradable": 23070, "Ġrust": 23071, "Ġstrcpy": 23072, "_timestamp": 23073, "Ġtalented": 23074, ",null": 23075, "ĠJobs": 23076, "ĠPortland": 23077, "Ġweakness": 23078, "Throw": 23079, "ĠAngel": 23080, "ä¿®": 23081, "Ġuncert": 23082, "ï¼īĊ": 23083, "ĠìĿ´": 23084, "Which": 23085, "Ġ[-]:": 23086, "Something": 23087, "Ġconvicted": 23088, "kle": 23089, "edium": 23090, "Ġbranches": 23091, "Ġbases": 23092, "ç®": 23093, "Ġcomplexity": 23094, "ĠFig": 23095, ".reshape": 23096, "$db": 23097, "_CONST": 23098, "ĠTes": 23099, ".runtime": 23100, "Ġdeny": 23101, "ĠBSD": 23102, "Ġkr": 23103, "hatt": 23104, "ĠStatic": 23105, "Ġuniversities": 23106, "Replace": 23107, "Ġdrove": 23108, "Ġadoles": 23109, "_plugin": 23110, "ĠLGBT": 23111, "Ġtex": 23112, "duction": 23113, "EDI": 23114, "ĠTed": 23115, "_URI": 23116, "Ġreception": 23117, "arten": 23118, ".Single": 23119, "rice": 23120, "scious": 23121, "_bg": 23122, "Ġwages": 23123, "ĠServlet": 23124, "UILayout": 23125, "Ġformatted": 23126, ".Mod": 23127, "',Ċ": 23174, "Ġexpanding": 23175, "ĠHamilton": 23176, "ĠContrib": 23177, ".Tables": 23178, "Activ": 23179, "HH": 23180, "ocommerce": 23181, "_;": 23182, "Ġamongst": 23183, "owing": 23184, "ĠCold": 23185, "APH": 23186, "Ġpsychological": 23187, "_tensor": 23188, "Ġpackaging": 23189, "ĠSweden": 23190, "Ġpare": 23191, "Ġaggregate": 23192, "Ġmoderate": 23193, "_hand": 23194, "Ġdesignated": 23195, "Ġdrum": 23196, "ĠgetUser": 23197, "ĠCreek": 23198, "_scope": 23199, "ĠTransfer": 23200, "ĠMarg": 23201, "Ġfighters": 23202, "Wnd": 23203, "ĠSel": 23204, "ĠLaunch": 23205, "Ġemerging": 23206, "iframe": 23207, "ĠAdditional": 23208, "Ġfears": 23209, "Ġsatellite": 23210, "_:": 23211, "Ġdisposing": 23212, "GetValue": 23213, "HttpPost": 23214, "ATIVE": 23215, "ulary": 23216, "Views": 23217, "Ġattending": 23218, "ĠTennessee": 23219, "ĠMission": 23220, "Ġmedication": 23221, "ĠWy": 23222, "ĠAnna": 23223, "ع": 23224, "ĠVertex": 23225, ".types": 23226, "Organ": 23227, ".DataGridViewTextBoxColumn": 23228, "ĠRS": 23229, "Ġtempo": 23230, "(App": 23231, "VersionUID": 23232, ".point": 23233, "ĠDutch": 23234, "Hours": 23235, "LU": 23236, "Ġquoted": 23237, ".builder": 23238, "ĠPerfect": 23239, "ĠAlways": 23240, "_two": 23241, "Ġexclusively": 23242, "ĠCra": 23243, "ificar": 23244, "ĠAWS": 23245, "ingham": 23246, "complex": 23247, "kernel": 23248, "Ġgravity": 23249, "Ġwi": 23250, "Ġoverview": 23251, "ĠWant": 23252, "ĠWP": 23253, "(sh": 23254, ".rotation": 23255, "States": 23256, "ĠTeen": 23257, "_components": 23258, "ìĪĺ": 23259, "Received": 23260, "Ġlyrics": 23261, "rites": 23262, "ĉĉĉĉĉĠ": 23263, "-American": 23264, "[num": 23265, "/python": 23266, "ĠUART": 23267, "Ġapple": 23268, "ĠJonathan": 23269, "Ġmomentum": 23270, "ั": 23271, "Ĥ¹": 23272, "Ġmich": 23273, "andra": 23274, "Ġbiological": 23275, "ĠMens": 23276, "Ġ%%": 23277, "elsea": 23278, "ĠMexican": 23279, ".randint": 23280, "Ġtale": 23281, "ĠValidate": 23282, "Ġdefeated": 23283, ".htm": 23284, "Ġcopper": 23285, "=/": 23286, "cosystem": 23287, "Ġrip": 23288, "decimal": 23289, ".VISIBLE": 23290, "ĠTa": 23291, "ĉĉĉĉĉĉĉĉĉĉĉĉĉĉ": 23292, "Ġdownloaded": 23293, "environment": 23294, "Ġnomine": 23295, "building": 23296, "ĠSpot": 23297, "ipheral": 23298, "Ġalto": 23299, "quet": 23300, "ĠFT": 23301, "/get": 23302, "/master": 23303, "WIN": 23304, "åħĥ": 23305, "West": 23306, "argc": 23307, "Ġproducers": 23308, "ĠMuch": 23309, "_storage": 23310, "credit": 23311, "CONT": 23312, "Ġvet": 23313, "Ġvoices": 23314, "('',": 23315, "Ġinstruments": 23316, "ĠMSG": 23317, "esse": 23318, "repository": 23319, "omics": 23320, "Ġdealer": 23321, "Still": 23322, "Ġbanner": 23323, "ascii": 23324, "Ġremarks": 23325, "[js": 23326, "Ġshorter": 23327, "gulp": 23328, "Ġmyster": 23329, "Ġkun": 23330, "ĠBird": 23331, "Ġtiene": 23332, "nut": 23333, "ĠUm": 23334, "Ġwise": 23335, "Yeah": 23336, "INESS": 23337, "_begin": 23338, "-heading": 23339, "Course": 23340, "ĠčĊčĊ": 23341, "ombie": 23342, "graded": 23343, "ĠGPS": 23344, "Ġże": 23345, "Fit": 23346, "caption": 23347, "ön": 23348, "/image": 23349, "lia": 23350, "(mod": 23351, "Ġleak": 23352, "enza": 23353, "/H": 23354, "ĠHappy": 23355, "Dist": 23356, "nx": 23357, "ĠGovernor": 23358, "(last": 23359, "teacher": 23360, "ĠSent": 23361, "support": 23362, "jectory": 23363, "ĠÙħ": 23364, "Registration": 23365, "ĠGray": 23366, ",false": 23367, "Ġadjusted": 23368, "(settings": 23369, "'Ċ": 23431, "-fold": 23432, "æĬ": 23433, "ĠBetter": 23434, "Ġ\"\\<": 23435, "spacing": 23436, "Ġfurnished": 23437, "oser": 23438, "]}Ċ": 23439, "Ġ$\"": 23440, "pull": 23441, ".Post": 23442, "(ip": 23443, "Ĺı": 23444, ".front": 23445, "nte": 23446, "ĠFM": 23447, "guid": 23448, "Ġnegotiations": 23449, "agonal": 23450, "Ġtremend": 23451, "ungeon": 23452, "Adv": 23453, "carousel": 23454, "ÃŁe": 23455, "_DESC": 23456, "Ġhammer": 23457, "áºŃ": 23458, "ĠĠĠĠĠĠĠĠĊĊ": 23459, "-core": 23460, "-service": 23461, "Ġcorners": 23462, "ĠSF": 23463, "pred": 23464, ">A": 23465, "ĠJLabel": 23466, "Ġromantic": 23467, "Ġtestimony": 23468, "osc": 23469, "ĠGeneration": 23470, "asures": 23471, "_internal": 23472, "Ġprints": 23473, "Ġ])Ċ": 23474, "ĠCleveland": 23475, "repo": 23476, "Disc": 23477, "Ġ\">Ċ": 23478, "����": 23479, "Ġnearest": 23480, "_tb": 23481, "(require": 23482, "EOF": 23483, "-child": 23484, "Ġbudd": 23485, ".XtraEditors": 23486, "alties": 23487, "\\\":\\\"": 23488, "Words": 23489, "Ġlocally": 23490, "Ġpurchases": 23491, "Drawer": 23492, "extract": 23493, "Ġexecut": 23494, "}'.": 23495, "userdata": 23496, "Ġfocuses": 23497, "-minute": 23498, "ĠPublish": 23499, "ogo": 23500, "Ġmountains": 23501, "Bot": 23502, "}>{": 23503, "Ġtension": 23504, "rod": 23505, "mesh": 23506, "Ġtransformed": 23507, ",R": 23508, "()}Ċ": 23509, ".long": 23510, "Ġgorgeous": 23511, "ĠSchedule": 23512, "Ġoldest": 23513, "Ġsubprocess": 23514, "(IN": 23515, "yect": 23516, "ĠCooper": 23517, "arness": 23518, "ĠMonitor": 23519, ".part": 23520, "ĠNBC": 23521, "Ġcotton": 23522, "Ġhol": 23523, "Ġrgba": 23524, "ĠBio": 23525, "Continue": 23526, "Pod": 23527, "Ġparticipating": 23528, "clusions": 23529, "(ByVal": 23530, "ì": 23531, "ĠHOW": 23532, "_setopt": 23533, "Ġaccompanying": 23534, "aton": 23535, "Ġ/\\": 23536, "ĠAuthentication": 23537, "ién": 23538, "ĠBarack": 23539, "/*.": 23540, "Ġeager": 23541, "ĠCancel": 23542, "$": 23586, "OLEAN": 23587, "OKIE": 23588, "IBILITY": 23589, "UAGE": 23590, "ĠSurvey": 23591, "Ġresign": 23592, "wing": 23593, "Ġsecrets": 23594, "Ġchips": 23595, "JSONObject": 23596, "Desktop": 23597, "_SYMBOL": 23598, "(resource": 23599, "ĠĊ": 23600, "Ġnewest": 23601, "uli": 23602, "Ġdesert": 23603, "Ġdip": 23604, "ĠPow": 23605, "Ġequation": 23606, "Ġpossibilities": 23607, "ĠFed": 23608, "osph": 23609, "Ġ[%": 23610, "Ġbubble": 23611, "etherlands": 23612, "Ġcement": 23613, ".auto": 23614, "_AN": 23615, "âĢĻ.": 23616, "selection": 23617, "ĠBond": 23618, "Den": 23619, "-O": 23620, ".getType": 23621, ".Window": 23622, "pres": 23623, "Ġswinger": 23624, "\"})Ċ": 23625, "Ġpip": 23626, "Ġmice": 23627, "Ġcompound": 23628, "-plugin": 23629, "iko": 23630, "Ġcenturies": 23631, "icular": 23632, "-inline": 23633, "ĉkey": 23634, ">\\<": 23635, "ENSION": 23636, "Ġ[čĊ": 23637, "Ġprecisely": 23638, "Ġété": 23639, "ĠPast": 23640, "ĠCambridge": 23641, "-full": 23642, "Ġanalyze": 23643, "ĠSteven": 23644, "Ġnem": 23645, "due": 23646, "oren": 23647, "Ġmuscles": 23648, "ijing": 23649, "/-": 23650, "ĠKennedy": 23651, "RM": 23652, "ossible": 23653, "Ġactress": 23654, "Ġdolor": 23655, "å½ķ": 23656, "Need": 23657, ".toggle": 23658, "ĠRace": 23659, "wers": 23660, ".material": 23661, "ĠDue": 23662, "ĠPel": 23663, "#print": 23664, "Ġindependence": 23665, "exus": 23666, "Shadow": 23667, "Ġencoder": 23668, "(level": 23669, "ĠSwift": 23670, ".doc": 23671, "_selection": 23672, "ĠserialVersionUID": 23673, "Labels": 23674, "Ġperformances": 23675, ".Tag": 23676, "ĠNHL": 23677, "izen": 23678, "/UIKit": 23679, "_CONTROL": 23680, "Ġearnings": 23681, "ĠAlt": 23682, "_HANDLE": 23683, "Ctx": 23684, "Ġpersu": 23685, "Ġtran": 23686, "ç¨": 23687, "_CHANNEL": 23688, "Ġsatisfaction": 23689, "ĠGP": 23690, "iox": 23691, "mitt": 23692, "lando": 23693, "Ġpig": 23694, "inals": 23695, "ência": 23696, "Surface": 23697, "ĠUUID": 23698, "Ġbeneficial": 23699, "Ġsequences": 23700, "ĉmemset": 23701, "Ġmagical": 23702, "«": 23703, "Ġworn": 23704, "ASC": 23705, "popup": 23706, "COMP": 23707, "_before": 23708, "eness": 23709, "Ui": 23710, "Les": 23711, ".require": 23712, ".Serializable": 23713, "addGap": 23714, "Ġauthorization": 23715, ".pyplot": 23716, "urray": 23717, "latitude": 23718, "frames": 23719, "ajs": 23720, "Ġcompass": 23721, "Ġobservations": 23722, "_sup": 23723, ".environ": 23724, "Ġtriple": 23725, "ĠRuby": 23726, "Ġdrain": 23727, "_FILTER": 23728, "San": 23729, "UMP": 23730, "NullException": 23731, "ĠGab": 23732, "owe": 23733, "ĠTurkish": 23734, "_sequence": 23735, "ĠGrant": 23736, "uela": 23737, "Ġwo": 23738, "Ġcube": 23739, "iq": 23740, "Ġdisorders": 23741, "Ġextraordinary": 23742, "Ġctrl": 23743, "ĠSeq": 23744, "entr": 23745, "Ġsanctions": 23746, "utsch": 23747, "Reports": 23748, "Ġinherit": 23749, "Period": 23750, "Ġphotography": 23751, "ĠFramework": 23752, "Ġspecialist": 23753, "Ġ?ĊĊ": 23754, "_selected": 23755, ".Player": 23756, "Ġallocation": 23757, "(account": 23758, "Ġstructural": 23759, "vable": 23760, "-offset": 23761, ".AppCompatActivity": 23762, "ам": 23763, ".AddWithValue": 23764, "Ġicons": 23765, "Ġshutdown": 23766, "_low": 23767, "ĠCompare": 23768, "ĠCe": 23769, "=head": 23770, "lam": 23771, ".predict": 23772, "_DEC": 23773, "ĠSleep": 23774, "ĠGratis": 23775, "Ġsuggestion": 23776, "ĠDEL": 23777, "caff": 23778, "avirus": 23779, "Nothing": 23780, "ŀĭ": 23781, "Ġwidespread": 23782, "Ġmechanisms": 23783, "ĠtextAlign": 23784, "occup": 23785, "ĠRail": 23786, ":NS": 23787, "Ġfiber": 23788, "Ġmk": 23789, "Ġvintage": 23790, "-long": 23791, ".reduce": 23792, ".Entities": 23793, "(record": 23794, "Ġpleasant": 23795, "FRING": 23796, ".Cells": 23797, "OTT": 23798, "ĉelseif": 23799, "_confirm": 23800, "ĠViewGroup": 23801, "sym": 23802, "Ġpray": 23803, "Ġsuspected": 23804, "Contains": 23805, "Ġborders": 23806, "ĠcomponentDid": 23807, "ASSERT": 23808, "Ġinfinite": 23809, "-order": 23810, "Ġhello": 23811, "ĠGrade": 23812, ".currentTimeMillis": 23813, "apolis": 23814, "zh": 23815, "ĉObject": 23816, ":\\\\": 23817, "HO": 23818, "valuation": 23819, "Ġvocab": 23820, "Ġcoupon": 23821, "atabases": 23822, ".GetType": 23823, "Learn": 23824, "]=\"": 23825, "ĠGary": 23826, "otive": 23827, "Ġash": 23828, "Ġbib": 23829, "XXXX": 23830, "Ġbalanced": 23831, "VALUE": 23832, "ĠNat": 23833, "_Ad": 23834, "<": 23976, "Ġfool": 23977, "Ġesk": 23978, ".Null": 23979, "ĠDies": 23980, "_OUTPUT": 23981, "_TYPED": 23982, "Ġpainted": 23983, "Ġsophistic": 23984, "ĠBear": 23985, "*n": 23986, "_PACK": 23987, "Ġdelivering": 23988, "ĠCOUNT": 23989, "åįķ": 23990, "Ġjeg": 23991, "-car": 23992, "fname": 23993, "Ġranging": 23994, "ĠNeg": 23995, "/******/": 23996, "ĠCHAR": 23997, "Ġultra": 23998, "Grad": 23999, "=t": 24000, "Ġjudges": 24001, "ĠDise": 24002, "anners": 24003, "Ġscal": 24004, "_cal": 24005, "ĠCONNECTION": 24006, "_embed": 24007, "(fn": 24008, "ĠCraft": 24009, "ĠPas": 24010, "\")->": 24011, ".convert": 24012, ".resource": 24013, "ĠSTATUS": 24014, "ông": 24015, "ĠTit": 24016, "Ġclassroom": 24017, "ĠArchitect": 24018, "ĠKings": 24019, "Ġsteady": 24020, "/*!Ċ": 24021, "ĠGene": 24022, ")\";Ċ": 24023, "icia": 24024, "stan": 24025, "ĠConstruction": 24026, "umper": 24027, "wc": 24028, "ĠCBS": 24029, "inging": 24030, "-party": 24031, "(driver": 24032, "MARK": 24033, "Ġnested": 24034, "eward": 24035, "Ġdependency": 24036, "Ġmales": 24037, "ĠONE": 24038, "ĠProduction": 24039, "][$": 24040, "ãĥ¼ãĥ": 24041, "_LOAD": 24042, "ĠBol": 24043, "elry": 24044, "łéĻ¤": 24045, "ĠRequire": 24046, "Ġplacing": 24047, "xxx": 24048, "CALE": 24049, "Ġthumb": 24050, "Choose": 24051, "Ġprototype": 24052, "VOID": 24053, "Ġlesbian": 24054, "Ġtraits": 24055, "Sharp": 24056, "Ġconsume": 24057, "Truth": 24058, "ĠactionPerformed": 24059, "ĠEnvironmental": 24060, "ĠDean": 24061, "Ġestado": 24062, "same": 24063, "Ġnumeric": 24064, "Ġtransit": 24065, ".Email": 24066, "-side": 24067, "_RUN": 24068, "ĠVillage": 24069, "_OPEN": 24070, "è¦": 24071, ".rem": 24072, "-warning": 24073, "anya": 24074, "PropertyChanged": 24075, "Ġ(!_": 24076, "(check": 24077, "ilia": 24078, "ĠSoft": 24079, "steps": 24080, "ĠMadrid": 24081, "MemoryWarning": 24082, "Ġhandlers": 24083, "Ġexperiencing": 24084, "Ġinspect": 24085, "buttons": 24086, "ReceiveMemoryWarning": 24087, "chemy": 24088, "Links": 24089, "Ġurllib": 24090, ".SystemColors": 24091, "ĠEigen": 24092, "Ġpunishment": 24093, ":UIControl": 24094, "bara": 24095, "-set": 24096, "Ġ}čĊčĊčĊ": 24097, "Ġtolerance": 24098, "Ġinterfaces": 24099, ".redirect": 24100, "ighbors": 24101, "csrf": 24102, "_background": 24103, ".Utils": 24104, "_HT": 24105, "ĠInterest": 24106, "imos": 24107, "Ġgrants": 24108, "Ġexamined": 24109, "ÐĶ": 24110, "Ġcf": 24111, "forge": 24112, "backs": 24113, "ĠObjects": 24114, "_sent": 24115, ".entry": 24116, "ĠTHEN": 24117, "ellido": 24118, "cia": 24119, ",res": 24120, "/stdc": 24121, ".nd": 24122, "(Int": 24123, "ĠAuthors": 24124, "ĠAppCompatActivity": 24125, "'{": 24126, "Ġmedi": 24127, "Music": 24128, "igm": 24129, "ceipt": 24130, "Ġauss": 24131, "Ġtargeting": 24132, "ĠKeys": 24133, "hn": 24134, ":]Ċ": 24135, "Ġmineral": 24136, "î": 24137, ".ca": 24138, "omed": 24139, "Ġsheets": 24140, "Ġcamb": 24141, "Ġdeadly": 24142, ".inject": 24143, "(unit": 24144, "ĠSelection": 24145, ".gms": 24146, "(connection": 24147, "Ġ$(\"": 24148, "émon": 24149, "ĠCurrently": 24150, "pte": 24151, "_paths": 24152, "leaf": 24153, "Ġimplications": 24154, "posal": 24155, "ä½į": 24156, "[/": 24157, "ancia": 24158, "éĽ": 24159, "mul": 24160, "cie": 24161, "Ġgeile": 24162, "imals": 24163, "UIView": 24164, "Ġsurre": 24165, "serialize": 24166, "ISO": 24167, "Ġarbitrary": 24168, "Ġsockaddr": 24169, ".fn": 24170, "ĠMerc": 24171, "Ġcasting": 24172, "KeyDown": 24173, "ĠnewValue": 24174, "opens": 24175, "Todo": 24176, "Ġflexibility": 24177, "ĉĉĉĉĠĠ": 24178, "Velocity": 24179, "ún": 24180, "rowing": 24181, "Ġcomputed": 24182, "`)Ċ": 24183, "statement": 24184, "Ġri": 24185, "_cart": 24186, "Low": 24187, "transfer": 24188, ".nav": 24189, "Ġgrave": 24190, "ĠDoor": 24191, "ĉalert": 24192, ".subscribe": 24193, "-profile": 24194, "ĉbase": 24195, "ĠâĪĴ": 24196, "__ĊĊ": 24197, "Ġengineers": 24198, "Ġexplosion": 24199, "Ġdari": 24200, "ĉLog": 24201, "onal": 24202, "Ġisolated": 24203, "{i": 24204, "ĠMsg": 24205, "Future": 24206, "Ġracist": 24207, "-wrap": 24208, "ĠVers": 24209, "borg": 24210, "ISION": 24211, "ĠÑĢаÐ": 24212, "ĠYan": 24213, "initWith": 24214, "Ġnomin": 24215, "(empty": 24216, "ÃŃn": 24217, "ãĤ¤": 24218, "ĉwidth": 24219, "Ġchamber": 24220, "/ajax": 24221, "EMP": 24222, "Ġneces": 24223, "ivos": 24224, "logic": 24225, "*)&": 24226, "cripts": 24227, "RowAt": 24228, "iblings": 24229, "Ġears": 24230, "Ġcomputing": 24231, "Ġmaker": 24232, "ĠNeither": 24233, "breadcrumb": 24234, "Ġserialize": 24235, "ĠWithin": 24236, "Ġdell": 24237, "_TRACE": 24238, "=a": 24239, "Ġwishes": 24240, "-inch": 24241, "ĠDor": 24242, "Ġinnocent": 24243, "ĠDol": 24244, "Ġintens": 24245, "forced": 24246, "ĠBIT": 24247, "Ġphotographs": 24248, "Ġcasa": 24249, "ĠLen": 24250, "\\Framework": 24251, ".Simple": 24252, "Ġdear": 24253, ")/(": 24254, "ippi": 24255, "Ġowns": 24256, "Players": 24257, "Ġproposals": 24258, ".pi": 24259, "usalem": 24260, "Damage": 24261, "Ġcalories": 24262, "ĠCreative": 24263, "Ġ[$": 24264, "Ġ//čĊ": 24265, "AndView": 24266, "ème": 24267, ".custom": 24268, "_factory": 24269, "commands": 24270, "_look": 24271, "Ġstrcmp": 24272, "YN": 24273, "aired": 24274, "Ġaudit": 24275, "оÑģÑĤ": 24276, "ĠReverse": 24277, "ropriate": 24278, "etics": 24279, "';Ċ": 24352, "Ġpepper": 24353, "Ġshed": 24354, "ĠMedium": 24355, "ĠCookie": 24356, "Ġoverseas": 24357, "edor": 24358, "asurement": 24359, "åŃĺ": 24360, "Ġ'.'": 24361, "Ġphp": 24362, "ĠPROC": 24363, "Ġexceptional": 24364, "(th": 24365, "ĠJet": 24366, "Ġoccupied": 24367, ".setImage": 24368, "ĠRelated": 24369, "ucker": 24370, "Members": 24371, "PRINT": 24372, "ĠGlo": 24373, "_VIEW": 24374, "}\",Ċ": 24375, "Ġadoption": 24376, "[])Ċ": 24377, "ĠMissouri": 24378, "ĠLincoln": 24379, "erald": 24380, "Popup": 24381, "Ġfate": 24382, "-bootstrap": 24383, "fections": 24384, "ĠPoll": 24385, "_ARGS": 24386, "inance": 24387, "-home": 24388, ".),": 24389, "_done": 24390, ":ĊĊĊ": 24391, "Ġdiscussing": 24392, "ĠSQLException": 24393, "Ġelectro": 24394, "ĉreq": 24395, "Ġzw": 24396, "Ġlui": 24397, "Ġovernight": 24398, "$user": 24399, "ĠWAY": 24400, "Ġallerg": 24401, "Ġdisappointed": 24402, "Ġradiation": 24403, "Ġimpressed": 24404, "ificates": 24405, "Ġtob": 24406, "CLASS": 24407, "Ġcuda": 24408, "_det": 24409, "-post": 24410, "ulu": 24411, "Translation": 24412, "-hand": 24413, ".year": 24414, "ĠMongo": 24415, "Ġunclear": 24416, ".engine": 24417, "WEBPACK": 24418, "rices": 24419, "_ACCESS": 24420, "Ġholidays": 24421, "percent": 24422, ".Identity": 24423, "ĠGov": 24424, "Ġpassionate": 24425, "!!.": 24426, "ĠGreece": 24427, "plusplus": 24428, "'));": 24429, "GP": 24430, "Ġexcit": 24431, ".tabPage": 24432, "_cond": 24433, "Ġsponsor": 24434, "MODULE": 24435, "_proc": 24436, "Ġ$Ċ": 24437, "Ġrational": 24438, ".Tool": 24439, "Ġihr": 24440, "cca": 24441, "åĵģ": 24442, "ĠEstate": 24443, "IBUTE": 24444, "ActionPerformed": 24445, "ĠSolar": 24446, "¦Ĥ": 24447, "Ġequity": 24448, "tid": 24449, "Ġrecip": 24450, ".simple": 24451, "mk": 24452, "ĠLuke": 24453, "ĠGuardian": 24454, "Ġencrypted": 24455, "Ġdominant": 24456, ".place": 24457, "ĠNV": 24458, "Ġtongue": 24459, "(Get": 24460, "Ġstainless": 24461, ".Play": 24462, "Ġeb": 24463, "aci": 24464, ".buffer": 24465, "readcrumbs": 24466, "Ġvaccine": 24467, "prom": 24468, "ĠuserInfo": 24469, "Ġslug": 24470, "SerializedName": 24471, "-wide": 24472, "Ġreactions": 24473, "ĠYang": 24474, "ĠAdds": 24475, "(userId": 24476, "Ġplates": 24477, "ĠMEM": 24478, "Ġbail": 24479, "Inside": 24480, "eted": 24481, "Ġelsif": 24482, "Ġsake": 24483, "Ġcycles": 24484, "ĠìĹ": 24485, "ĉI": 24486, "-collapse": 24487, "ĠGMT": 24488, "Declaration": 24489, "Ġgros": 24490, "Ġreaches": 24491, "Ġcustody": 24492, "Until": 24493, "tu": 24494, "ĠChen": 24495, "Ġnx": 24496, "(addr": 24497, "ĠOffer": 24498, "Ġcolleg": 24499, "assador": 24500, "Ġmapper": 24501, "ĠSIGNAL": 24502, "ĠBloom": 24503, "ĠHoll": 24504, "ĠImper": 24505, "-des": 24506, "_site": 24507, "Proc": 24508, "Equ": 24509, "Ġatomic": 24510, "ĠWoman": 24511, "sent": 24512, "scar": 24513, "Ġintelligent": 24514, "ĠGetting": 24515, "ĠRegistration": 24516, "ĠPhill": 24517, "Ġkiller": 24518, "unicode": 24519, "ĊĉĉĊ": 24520, "ĠJacob": 24521, "ĠConst": 24522, "Ġlocate": 24523, "Ġcaus": 24524, "ĠScholar": 24525, "Ġconstitutional": 24526, "Ġinflation": 24527, "ĠGot": 24528, "=array": 24529, "endum": 24530, "Ġtranslated": 24531, "Ġdivorce": 24532, "Entries": 24533, "Ġsor": 24534, "ĠQuote": 24535, "irlines": 24536, "UK": 24537, "Ġexcel": 24538, "(opt": 24539, "ĠADV": 24540, ",:,": 24541, "Ġcontacted": 24542, "ĠDA": 24543, "Ġrings": 24544, "ĠIndustrial": 24545, ".getContext": 24546, "Ġforgotten": 24547, "ĠTan": 24548, "Ġpants": 24549, "Ġov": 24550, "Ġdecoder": 24551, "ĠPartial": 24552, "Ġvc": 24553, "Ġbattles": 24554, "Arial": 24555, "FRINGEMENT": 24556, "irates": 24557, ",w": 24558, "aintenance": 24559, "ĠOd": 24560, "ĠTechnologies": 24561, "åīį": 24562, "ĠCarter": 24563, ".findAll": 24564, "Nome": 24565, "Ben": 24566, "ĠUsage": 24567, "ĠPicture": 24568, "Ġbadly": 24569, "_panel": 24570, "Ġpatent": 24571, "ĠProtocol": 24572, "lotte": 24573, "ĉplayer": 24574, "jections": 24575, "Ġdou": 24576, "_release": 24577, "urniture": 24578, "_tax": 24579, "ĠFields": 24580, ".dataset": 24581, "_master": 24582, "CLUDE": 24583, "ĠPharm": 24584, "bst": 24585, "Ġoperational": 24586, ".cell": 24587, "Ġidentifying": 24588, "Ġjwt": 24589, "tuple": 24590, "ĠTC": 24591, "ĠCro": 24592, "ixmap": 24593, "-components": 24594, "general": 24595, "Ġoz": 24596, "_De": 24597, "_double": 24598, "ĠToo": 24599, ".ViewGroup": 24600, "gate": 24601, "dings": 24602, "photos": 24603, "Ġgrande": 24604, "ollect": 24605, "_lin": 24606, "Ġawful": 24607, "filters": 24608, "Ġalternate": 24609, "esp": 24610, "Ġcompress": 24611, "eo": 24612, "ĠScale": 24613, "Ġindirect": 24614, "Ġinvoice": 24615, "ĊĊĊĊĊĊĊĊĊĊĊĊĊĊĊĊ": 24616, "Starting": 24617, "ĠPlayers": 24618, "iele": 24619, ".then": 24620, "Ord": 24621, "ĠTuple": 24622, "Ġbout": 24623, "ĠStatistics": 24624, "Preview": 24625, "Ġpuzzle": 24626, "ĠWidth": 24627, "STATE": 24628, "Ġoverlay": 24629, "ĉon": 24630, "Ġinfr": 24631, "Ġsmallest": 24632, "locked": 24633, "ÑĤо": 24634, "ssl": 24635, "Ġdeemed": 24636, "Ġsco": 24637, "reck": 24638, "ĠjButton": 24639, "Ġmissions": 24640, "称": 24641, ".SelectedIndex": 24642, "TABLE": 24643, "Sept": 24644, "Ġacknowledge": 24645, "Ġstrtotime": 24646, "ĠTell": 24647, "ĠDak": 24648, "Ġaluminum": 24649, "Ġfence": 24650, "ĠStars": 24651, "CONFIG": 24652, "Ġretrofit": 24653, "Ġemphasis": 24654, "/header": 24655, "ĠSomething": 24656, "inished": 24657, "='\".$": 24658, "ĠValidators": 24659, "Ġpolar": 24660, "sections": 24661, ".aspx": 24662, "Ġaspir": 24663, ".Mock": 24664, "CodeGen": 24665, "Ġpeut": 24666, "Ġaccepting": 24667, "Ġbacking": 24668, "Picture": 24669, "/ap": 24670, "ег": 24671, "_SEC": 24672, "-use": 24673, "annotation": 24674, "Ġcognitive": 24675, "Ġgrip": 24676, "hour": 24677, "ĠLegal": 24678, "Ġepic": 24679, ".toolStrip": 24680, ".notify": 24681, ".Last": 24682, "ORIZ": 24683, "Middleware": 24684, "criptions": 24685, "lash": 24686, "_FOUND": 24687, "ĠLiverpool": 24688, "Ġ{}\",": 24689, "Install": 24690, "Ġnit": 24691, "Ġfigured": 24692, "[len": 24693, ".Win": 24694, ".platform": 24695, "Ġgambling": 24696, "(dt": 24697, "avery": 24698, "ĉinclude": 24699, "Whether": 24700, "Routing": 24701, "Ġtherap": 24702, "Remote": 24703, "ĠLoss": 24704, "yll": 24705, "Ġapproached": 24706, "ĠVehicle": 24707, "ĠAlpha": 24708, "Ġvocê": 24709, "answers": 24710, "NSDictionary": 24711, "consider": 24712, "unused": 24713, "ĠFan": 24714, "orable": 24715, "fre": 24716, "ĠDISCLAIM": 24717, "ĠActor": 24718, ".]": 24719, "toHave": 24720, ".userId": 24721, "Ġspeeds": 24722, "eway": 24723, "Ġrecurs": 24724, "Ġг": 24725, "_priv": 24726, "!âĢĿĊĊ": 24727, "Choice": 24728, "Ġsettle": 24729, "Ġplanes": 24730, "'},": 24731, "Tom": 24732, "ITER": 24733, "!\"Ċ": 24734, "å»": 24735, "achelor": 24736, "Ġseparation": 24737, "Ġdal": 24738, "adj": 24739, "Ġregisters": 24740, "riz": 24741, "ĠNotice": 24742, "Ġlu": 24743, "Ġcourage": 24744, "Ġaxes": 24745, "cellent": 24746, ".async": 24747, "Ġcompatibility": 24748, "ç«": 24749, "Ġ!ĊĊ": 24750, "ĉtitle": 24751, "YLE": 24752, "ĉmessage": 24753, "UUID": 24754, "OLDER": 24755, "ĠHH": 24756, "ĠStyleSheet": 24757, "Ġaccessed": 24758, ".validation": 24759, "tasks": 24760, "Ġpollution": 24761, ".canvas": 24762, "Ġingredient": 24763, "ĠCabin": 24764, "Ah": 24765, "oldown": 24766, "ĠNOI": 24767, "ĠÃĹ": 24768, "[f": 24769, "educ": 24770, "yalty": 24771, "(not": 24772, "_State": 24773, "amen": 24774, "Ġdao": 24775, "udad": 24776, "ellers": 24777, "}&": 24778, "licity": 24779, "_WINDOW": 24780, "Ġtatto": 24781, "valor": 24782, ".Range": 24783, "Ġreferenced": 24784, "ĠReserve": 24785, "Money": 24786, "SCRIPT": 24787, "/product": 24788, "choices": 24789, "Ġtin": 24790, "ãĤĵ": 24791, "Ġseparator": 24792, "Ġpkg": 24793, "ammed": 24794, "ĠMAT": 24795, "!!ĊĊ": 24796, "Ġraid": 24797, "Ġmotivation": 24798, "ĠXP": 24799, "ĠBackground": 24800, "ĠQuaternion": 24801, ".defineProperty": 24802, "iker": 24803, "ĉparent": 24804, "ĠOriginally": 24805, "antage": 24806, "ĠHans": 24807, "Ġtimeline": 24808, ".cur": 24809, "opic": 24810, "ĠSequ": 24811, "must": 24812, "ĠCoal": 24813, "Ġformatter": 24814, "_RGB": 24815, "Ġ_(\"": 24816, "'}),Ċ": 24817, "Ġ=================": 24818, "ĠFUNCTION": 24819, "Ġlng": 24820, "icates": 24821, "live": 24822, "_engine": 24823, "Ġtowns": 24824, "'))ĊĊ": 24825, "ĠPK": 24826, "(api": 24827, "ĉscanf": 24828, "packet": 24829, ".phone": 24830, "áĢ": 24831, "ĠAndy": 24832, "_NAMES": 24833, "PLY": 24834, "Ġmins": 24835, "imi": 24836, "Ġbrick": 24837, "Ġblade": 24838, ".stdout": 24839, "}`;Ċ": 24840, "Shift": 24841, "ĉsb": 24842, "ĠChecks": 24843, "Ġphenomenon": 24844, "Avatar": 24845, "Ġministry": 24846, "rose": 24847, "ĉFile": 24848, "Ġtitled": 24849, "(LOG": 24850, "Ġgan": 24851, "design": 24852, "(),čĊ": 24853, "Ġbones": 24854, "stm": 24855, "ÅĽÄĩ": 24856, "ĠInputStream": 24857, "Ġvolunt": 24858, "ĠSerializable": 24859, "Ġfighter": 24860, "ĠDrag": 24861, "Twitter": 24862, "Ġsubsid": 24863, "ç¼": 24864, "Ġforums": 24865, ".loading": 24866, "logged": 24867, "_this": 24868, "Ġterrain": 24869, "Ġirre": 24870, "ĠIng": 24871, "ĠCN": 24872, "_objects": 24873, ".uid": 24874, "Ġconsciousness": 24875, "TINGS": 24876, "ĠGall": 24877, "Ġportray": 24878, "ĠDeveloper": 24879, "Ġparticipant": 24880, "Ġ\";čĊ": 24881, "/model": 24882, "ĠOperations": 24883, "^\\": 24884, "ĠLater": 24885, "Ġraises": 24886, "-none": 24887, ".meta": 24888, "='.$": 24889, "Finished": 24890, "Ġreplacing": 24891, "Ġsampling": 24892, "ĠJen": 24893, "\"There": 24894, "REAL": 24895, "ALE": 24896, "ìĬ¤": 24897, "Orders": 24898, "_parameter": 24899, "ĠOlympic": 24900, "Ġtrès": 24901, "Ġarena": 24902, "iol": 24903, ";?>": 24904, "Ġimpacts": 24905, "ĠWS": 24906, ":get": 24907, "Ġflights": 24908, "ĠRussell": 24909, "camera": 24910, "Fn": 24911, "sigma": 24912, "Ġforcing": 24913, "Ġlocals": 24914, "Ġdeparture": 24915, "Ġcelebration": 24916, "ĠSay": 24917, "ï¼Ĵ": 24918, "ĠHills": 24919, ".hasOwnProperty": 24920, "Ġtypings": 24921, ".API": 24922, "Ġdonation": 24923, "OperationException": 24924, ".Activity": 24925, "cplusplus": 24926, "ĠCharlie": 24927, "Ġimported": 24928, "Ġdann": 24929, "Ġoccasions": 24930, "Ġimplementing": 24931, "Ġpurple": 24932, ".dialog": 24933, "SQLException": 24934, "erno": 24935, "Ġwars": 24936, "Ġpaste": 24937, "Ġdecreased": 24938, "Ġharsh": 24939, "Ġelabor": 24940, "inputs": 24941, "ĠViews": 24942, "ĠerrorMessage": 24943, "_mul": 24944, "ĉwrite": 24945, "ĠCop": 24946, "ĠAnnual": 24947, "(button": 24948, "Ġvida": 24949, "bars": 24950, "ĠHarvard": 24951, "ĉexpect": 24952, "Ġindexes": 24953, "Ġdocumentary": 24954, "Ġflesh": 24955, "ORLD": 24956, "ĠDelta": 24957, "MAND": 24958, "Brush": 24959, "-column": 24960, "Ġdevelopments": 24961, "methodVisitor": 24962, "slice": 24963, "ĠPDO": 24964, "Ġinvesting": 24965, "irable": 24966, "Ġxmlns": 24967, "ï¼Ľ": 24968, "arta": 24969, "Ġtheories": 24970, "_city": 24971, "Ġ$__": 24972, "Creating": 24973, "(pr": 24974, "Dropdown": 24975, "ismatch": 24976, "ĠNET": 24977, "'])){Ċ": 24978, "ĠValues": 24979, "ĠSEO": 24980, "ĠSTAT": 24981, "Ġecosystem": 24982, "Ġtempt": 24983, "Ġ\\\\": 24984, "Ġ//{Ċ": 24985, "ĠChristopher": 24986, "ĠKentucky": 24987, "ĠHttpServletResponse": 24988, "Ġhybrid": 24989, "yon": 24990, "Ġfeeding": 24991, "ĠExtra": 24992, "Norm": 24993, "ITCH": 24994, "ĠSean": 24995, "ĠUpload": 24996, "mun": 24997, "pur": 24998, "Ġpersistent": 24999, "ĠIDC": 25000, "ĠPerform": 25001, ".merge": 25002, "_room": 25003, "Meanwhile": 25004, "!='": 25005, "ĠWel": 25006, "ArgsConstructor": 25007, ".Database": 25008, "Ġcounting": 25009, "()*": 25010, "ĶåĽŀ": 25011, "ĠTOP": 25012, "mill": 25013, "ĠDT": 25014, "IGNED": 25015, "ĠKB": 25016, "Ġcomply": 25017, "South": 25018, "_collection": 25019, "Chapter": 25020, "Ġexplaining": 25021, "_AM": 25022, "_ts": 25023, "cards": 25024, "Ġquel": 25025, "Ġpole": 25026, "Ġtouchdown": 25027, "ĠOthers": 25028, "Ġpeers": 25029, "ĠTypeError": 25030, "Ġsixth": 25031, "Ġcheer": 25032, "Ġdispute": 25033, "usc": 25034, ")],": 25035, "thumb": 25036, "Ġhiding": 25037, "ĠSIG": 25038, "likes": 25039, "ĠPAGE": 25040, ".Reflection": 25041, "Ġheadquarters": 25042, "TING": 25043, "ĠGhost": 25044, "MLE": 25045, "$Ċ": 25046, "Ġcontrary": 25047, "extend": 25048, "']).": 25049, "FFECT": 25050, "ĠPinterest": 25051, "úmero": 25052, "ricane": 25053, "ĉsession": 25054, "Ġcrystal": 25055, "-Control": 25056, "overnment": 25057, "ograf": 25058, "-action": 25059, "volume": 25060, "ften": 25061, "Ġuncon": 25062, "Ġanimate": 25063, "Ġlease": 25064, "scr": 25065, "Ġrefuse": 25066, "ãĢĭ": 25067, "ftp": 25068, "information": 25069, "Ġevaluated": 25070, "Ġinjection": 25071, "Ġjack": 25072, "Ġworkshop": 25073, "注": 25074, "PTH": 25075, "ĠTs": 25076, "offer": 25077, "ĉos": 25078, "Ġkingdom": 25079, "Missing": 25080, "Ġlawmakers": 25081, "extField": 25082, "Ġsinging": 25083, "abi": 25084, "/client": 25085, ".media": 25086, "ATEGORY": 25087, "Signature": 25088, "%',Ċ": 25089, "ĠFuck": 25090, "][:": 25091, "Ġsensors": 25092, "/com": 25093, "ĠPrimary": 25094, ".SQL": 25095, "_program": 25096, "Ġpills": 25097, "Ġintegral": 25098, "Ġfleet": 25099, "Ġdropping": 25100, ".sl": 25101, "Been": 25102, "Ġpets": 25103, "Ġadvised": 25104, "Ġdragon": 25105, "_EDIT": 25106, "(im": 25107, "FER": 25108, "ĠDrug": 25109, "(random": 25110, "Ġcompression": 25111, "oust": 25112, "[%": 25113, "Ġbuyer": 25114, "hop": 25115, "Roles": 25116, "manage": 25117, "Ġpainful": 25118, "ĠBranch": 25119, "-modal": 25120, "enant": 25121, "ĠMesh": 25122, "/font": 25123, "ĠGraham": 25124, "Ġâĺ": 25125, "Ġnc": 25126, "ĠFrancis": 25127, "Ġspecification": 25128, "Ġdamages": 25129, "-config": 25130, "Ġtheoret": 25131, "secure": 25132, "_multi": 25133, "aceutical": 25134, "Ġdemanding": 25135, "enne": 25136, "ISTS": 25137, "()));ĊĊ": 25138, "Reason": 25139, "Recent": 25140, "phase": 25141, "Ġpsy": 25142, "_MAN": 25143, "Ġvolunteer": 25144, "å¿": 25145, "istributed": 25146, "lio": 25147, "Ġproductivity": 25148, "_comm": 25149, "Spring": 25150, "nis": 25151, ".weight": 25152, "ĠCancer": 25153, "Alloc": 25154, "ĠTweet": 25155, "Ġseparately": 25156, "ĉcheck": 25157, "_properties": 25158, ".Unit": 25159, "_CLK": 25160, "Ġgt": 25161, "Ġ();ĊĊ": 25162, "Ġhandy": 25163, "ĠThompson": 25164, "Ġunnecessary": 25165, "ĠReader": 25166, "GN": 25167, "=request": 25168, "ĠUtility": 25169, ".Repository": 25170, "ĠAx": 25171, "hydr": 25172, "ieu": 25173, "Ġthy": 25174, "Ġlt": 25175, "_mail": 25176, "ä¿®æĶ¹": 25177, "ailand": 25178, "ĠPhilip": 25179, "Ġbitter": 25180, "Ġbetting": 25181, "Ġtimed": 25182, "ocks": 25183, "'a": 25184, "Ġalgorithms": 25185, "Ġreinterpret": 25186, "Ġtoss": 25187, "rogen": 25188, "Ġhoped": 25189, "(selected": 25190, "Ġventure": 25191, "TEX": 25192, "ĠLeave": 25193, ".Substring": 25194, "Ġgrateful": 25195, "uka": 25196, "ĠConsumer": 25197, "Ġaggreg": 25198, "Circle": 25199, "à¸ģ": 25200, "_blocks": 25201, "Ġlegally": 25202, "Ġ\"|": 25203, "ãĥĥ": 25204, ".board": 25205, ".Ab": 25206, "Functions": 25207, "recipe": 25208, "èĩ": 25209, "ĠOxford": 25210, "Ġwholes": 25211, ".Build": 25212, "_changed": 25213, "hai": 25214, "Ġdepartments": 25215, "Imp": 25216, "Ġcoalition": 25217, "INFRINGEMENT": 25218, "Ġempower": 25219, "itches": 25220, "North": 25221, "Ġinflamm": 25222, "ONSE": 25223, "Ġmissile": 25224, "ĠRaj": 25225, "ĠIssue": 25226, "Ġatoi": 25227, "caled": 25228, ".Controllers": 25229, "ĠWolf": 25230, "Ġcrushers": 25231, "á»ĩ": 25232, ".Auth": 25233, ".addAttribute": 25234, "his": 25235, "Ġboots": 25236, ".clean": 25237, "camp": 25238, "Ġtenant": 25239, "Ġtune": 25240, "Ġ{}'.": 25241, "Ġworkout": 25242, "Repo": 25243, "Ġpartially": 25244, "MISSION": 25245, "jamin": 25246, "ĠSB": 25247, "Ġdetermination": 25248, "Ġ'');Ċ": 25249, "ĠBeng": 25250, "Ġvos": 25251, "Ġinhab": 25252, "/lang": 25253, "sburgh": 25254, "Executor": 25255, "hone": 25256, "ĠChallenge": 25257, "_links": 25258, ".Level": 25259, "Ġunderground": 25260, "-code": 25261, "Ġoptimization": 25262, "logging": 25263, "_dest": 25264, "Ġsnake": 25265, "Ġchemicals": 25266, "_IMPORTED": 25267, "adoop": 25268, "ĠTHAT": 25269, "managed": 25270, "Ġreduces": 25271, "ĠREAL": 25272, "ĠGuy": 25273, "_GENERIC": 25274, "/********************************": 25275, ".amount": 25276, "Ġdere": 25277, "getTime": 25278, "Ġpant": 25279, "anonymous": 25280, "Ġharmony": 25281, "ĠAlan": 25282, "Ġscenarios": 25283, "Ġdirt": 25284, "htags": 25285, "Mc": 25286, "Shell": 25287, "rin": 25288, "{čĊčĊ": 25289, ".pow": 25290, "ĉclient": 25291, "Ġconspiracy": 25292, "Ġadmission": 25293, "ĠRegional": 25294, "ĠViewController": 25295, "ĠPhilippines": 25296, "Ġdepos": 25297, "Ġpap": 25298, "ĠPad": 25299, "Paul": 25300, ".ComboBox": 25301, "Ġtutor": 25302, "ĠRecipe": 25303, "writing": 25304, "Ġcontributor": 25305, "OTH": 25306, "Small": 25307, "VI": 25308, "Ġhacer": 25309, "equ": 25310, "ĠExamples": 25311, "human": 25312, ".messages": 25313, "ĉtyp": 25314, "Ġ(čĊ": 25315, "ĠSSL": 25316, "LEN": 25317, "ĠRomney": 25318, "(grid": 25319, "ĉmin": 25320, "Ġ>ĊĊ": 25321, "Ġfruits": 25322, "Ġvoter": 25323, "Inline": 25324, "pane": 25325, "ĠCollections": 25326, "charset": 25327, "Ġspam": 25328, "zb": 25329, "itemap": 25330, "Ġsucceeded": 25331, "_COL": 25332, "Ġelapsed": 25333, "imeter": 25334, "Ġrecovered": 25335, "Tensor": 25336, "hattan": 25337, ".setup": 25338, "isto": 25339, "(head": 25340, "ĠSIZE": 25341, "Ġtactics": 25342, "Ġdistur": 25343, "Ġpreval": 25344, "icios": 25345, "(Value": 25346, "_cols": 25347, "ĠFat": 25348, "Ġseal": 25349, "Ġsons": 25350, "Ġensures": 25351, "Ġpressing": 25352, "=&": 25353, "igenous": 25354, "Ġharassment": 25355, "_JSON": 25356, "Ġignor": 25357, "ynomial": 25358, "omer": 25359, "_static": 25360, "Ġsignificance": 25361, "Ġcircles": 25362, "_System": 25363, "Ġdiscipline": 25364, "Ġdressed": 25365, "Ġsphere": 25366, "Ġclimb": 25367, "_actions": 25368, "ĠBab": 25369, "Ġ'=',": 25370, "_schema": 25371, "\"use": 25372, "Ġunders": 25373, "Ġcups": 25374, ".screen": 25375, "/new": 25376, "Ġappearing": 25377, "TOP": 25378, "vised": 25379, "clang": 25380, "Ġinvestigators": 25381, "Ġmysterious": 25382, "Ġpromising": 25383, "Ġqualify": 25384, "Ġcave": 25385, "Ġequip": 25386, "=x": 25387, "GT": 25388, "(link": 25389, ".velocity": 25390, ".erase": 25391, "oter": 25392, "++++++++": 25393, "profit": 25394, "Ġzones": 25395, "_uid": 25396, "-ser": 25397, "Ġobjectives": 25398, "Ġmilf": 25399, "webkit": 25400, "(match": 25401, "neh": 25402, "ĠAssociated": 25403, "ĠTodo": 25404, "=d": 25405, "Cam": 25406, "Ġvocal": 25407, "Ġsudo": 25408, "(EX": 25409, "Ġtrou": 25410, "ABC": 25411, ".bean": 25412, "ĠGround": 25413, "ĠREST": 25414, "weets": 25415, "Ing": 25416, "imon": 25417, "_bus": 25418, "ĠCOLOR": 25419, "unto": 25420, "Ġfoss": 25421, "ĠLinks": 25422, "äng": 25423, "/forms": 25424, "prises": 25425, "Ġachievement": 25426, "CALL": 25427, "елÑĮ": 25428, "ĠVerify": 25429, "_SOURCE": 25430, "aptcha": 25431, "IDD": 25432, "_reference": 25433, "Gold": 25434, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ": 25435, "Receiver": 25436, "Ġaj": 25437, "_direction": 25438, "}]": 25439, "ĠCompet": 25440, "Ġbang": 25441, "ĠCass": 25442, "-url": 25443, "techn": 25444, "ĠJerusalem": 25445, "longitude": 25446, "');čĊčĊ": 25447, "Ġwinners": 25448, "Tasks": 25449, "ĠDMA": 25450, "Ġtooltip": 25451, "İ·": 25452, "ĠBra": 25453, "_duration": 25454, "cury": 25455, "parents": 25456, "---->(": 25526, "ĠKir": 25527, "Ġintros": 25528, "Ġsketch": 25529, "Ġskilled": 25530, "Ġimmer": 25531, "Ġadequate": 25532, "_rep": 25533, "(header": 25534, "_like": 25535, "Ġperceived": 25536, "ssh": 25537, "Ġassuming": 25538, "Ġff": 25539, "_uuid": 25540, "ulas": 25541, "Ġdemocratic": 25542, ".entities": 25543, "Series": 25544, "aphore": 25545, "Ġnewer": 25546, "}(": 25547, "SEC": 25548, "airo": 25549, "Ġcommod": 25550, "Ġprivilege": 25551, "Ġdeux": 25552, "ĠHop": 25553, ".'/": 25554, "ctic": 25555, ".';Ċ": 25556, "C": 25630, "ĠWarren": 25631, "Ġoptimizer": 25632, "ĠSERVICES": 25633, "_oper": 25634, "getAttribute": 25635, "ĠMcK": 25636, "_self": 25637, ".rs": 25638, "\")ĊĊĊ": 25639, "GetComponent": 25640, "erce": 25641, "Ġtous": 25642, "units": 25643, "']);čĊ": 25644, "Zoom": 25645, "/E": 25646, "Ġobsc": 25647, "Ġfastest": 25648, "online": 25649, "Ġpeaceful": 25650, "ffen": 25651, "Ġcargo": 25652, "ĉpr": 25653, "Ġseeks": 25654, "zu": 25655, "Trim": 25656, "Ġward": 25657, "Ġverd": 25658, "Ġblogs": 25659, ".exceptions": 25660, "ĠPremium": 25661, "ĠNetherlands": 25662, "Safe": 25663, "Finish": 25664, "ĠAlbum": 25665, "_ACC": 25666, "=this": 25667, "virtual": 25668, "]>": 25669, "_LABEL": 25670, "ĠNich": 25671, "_win": 25672, "ĠAaron": 25673, "WP": 25674, ";$": 25675, "aims": 25676, "ĠImageView": 25677, "Ġendless": 25678, "ERA": 25679, "_DISABLE": 25680, "Ġcancelled": 25681, "-us": 25682, "Ġinspection": 25683, "emin": 25684, "ĠGrey": 25685, "-open": 25686, "Ġiterations": 25687, ".owner": 25688, "Ġkeras": 25689, ".Password": 25690, "ĠRy": 25691, "ĠINS": 25692, "Air": 25693, "ĠSeveral": 25694, ".TabStop": 25695, "INGLE": 25696, "ĠHair": 25697, "ĠCanvas": 25698, "AAAA": 25699, "Ġflaw": 25700, "cedes": 25701, ".Report": 25702, "íĬ": 25703, "ĠTips": 25704, "criptors": 25705, ".transaction": 25706, ".Spring": 25707, "Ġviewer": 25708, "Ġinsights": 25709, "è¾ĵ": 25710, "ordion": 25711, "UINT": 25712, "seek": 25713, "ĠAuf": 25714, "ìŀIJ": 25715, "Ġstrain": 25716, "Tooltip": 25717, "Ġdz": 25718, "ignal": 25719, "adt": 25720, "Ġuc": 25721, "finite": 25722, "Ġnm": 25723, ".cmd": 25724, "ĠMySql": 25725, "[data": 25726, ".jackson": 25727, ".tree": 25728, "RequestParam": 25729, "_agent": 25730, "\")]čĊ": 25731, "Ġassass": 25732, "(Constants": 25733, ":ss": 25734, "ĠMAN": 25735, "+-+-": 25736, "ĠBottom": 25737, "prints": 25738, "ĠSame": 25739, "@Autowired": 25740, "swap": 25741, "ición": 25742, "Ġprotesters": 25743, "Ġhoney": 25744, "ĠVeter": 25745, "(Calendar": 25746, "-ad": 25747, "ĠBrooklyn": 25748, "Life": 25749, "_VAR": 25750, "zech": 25751, "ĠCALL": 25752, "_CAST": 25753, "ĠElection": 25754, "Ġthickness": 25755, "Very": 25756, "_INTEGER": 25757, "-dev": 25758, "))))": 25759, "apat": 25760, "oooo": 25761, "demo": 25762, "ĠparseFloat": 25763, "ĠRather": 25764, "STIT": 25765, "maker": 25766, "[current": 25767, "chrono": 25768, "Ġchrist": 25769, "ãģª": 25770, "ĠDetail": 25771, "Æ°á»": 25772, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 25773, "Ġsul": 25774, "idency": 25775, "Que": 25776, "Ġelegant": 25777, "apons": 25778, "Ġdishes": 25779, "Ġintegers": 25780, "(read": 25781, "findViewById": 25782, "ĠAmount": 25783, "ĠSkip": 25784, "Ġhabits": 25785, "*)(": 25786, "Ġmonsters": 25787, "MAC": 25788, ":end": 25789, "Ġfrank": 25790, "Assembly": 25791, "Ġdfs": 25792, "Ġneut": 25793, "_TYPES": 25794, "equal": 25795, "loyd": 25796, "(uri": 25797, "Ġchi": 25798, "Ġdefendant": 25799, "Ġconflicts": 25800, "Ġvil": 25801, "-js": 25802, "ĠPeace": 25803, "Ġmutable": 25804, ")sender": 25805, "ĠFocus": 25806, "建": 25807, "Ġappreciated": 25808, "sleep": 25809, "ĠRED": 25810, "Culture": 25811, "Ġdesigners": 25812, "_generator": 25813, "codes": 25814, "/ex": 25815, ".GetValue": 25816, "umbled": 25817, ".scalajs": 25818, "peror": 25819, "Ġveterans": 25820, "Ġ})čĊ": 25821, "Ġunfortunately": 25822, "_CREATE": 25823, "Mass": 25824, "ĠCLAIM": 25825, "ĠMeet": 25826, "_support": 25827, "Bank": 25828, "().Ċ": 25829, "Dark": 25830, "_LOW": 25831, "ĠMining": 25832, "ĠOwner": 25833, "iera": 25834, "Cliente": 25835, "Ġencouraging": 25836, ">S": 25837, "Ġboyfriend": 25838, "ĠHalf": 25839, "ĠACC": 25840, "Aff": 25841, "_ar": 25842, "-life": 25843, "cx": 25844, ".JButton": 25845, "izado": 25846, ".zero": 25847, ".openqa": 25848, "oton": 25849, ".textContent": 25850, "Ġtoll": 25851, "atie": 25852, "Ġballot": 25853, "-number": 25854, ".Exception": 25855, "ĉparams": 25856, "circle": 25857, "-map": 25858, "Ġnap": 25859, "ĠRobot": 25860, "ĠIch": 25861, "registration": 25862, "Amazon": 25863, "rollment": 25864, "(exp": 25865, "Ġtanks": 25866, "ĠGordon": 25867, "Ġmachinery": 25868, "Ġbaseline": 25869, "æĭ": 25870, "Ø©": 25871, "ĠConvention": 25872, "ĉconfig": 25873, "ookies": 25874, "mult": 25875, "Records": 25876, "ĠEST": 25877, "Ġgarbage": 25878, "Ġconform": 25879, "idal": 25880, "Ġbarg": 25881, "Ġsurvived": 25882, "Ġinvestigations": 25883, ".containsKey": 25884, "--------------------------------------------------------------------------Ċ": 25885, "ortion": 25886, "Ġhorr": 25887, "_http": 25888, "Ġmant": 25889, "];čĊčĊ": 25890, "binary": 25891, "empl": 25892, "Ġinquiry": 25893, "ĠMeanwhile": 25894, "Ġcollecting": 25895, ".EntityFramework": 25896, "\",ĊĊ": 25897, "ĠPic": 25898, "@Inject": 25899, "ickness": 25900, "ĠBinding": 25901, "Ġcontrolling": 25902, "reverse": 25903, "Ġchairs": 25904, "sembled": 25905, "(add": 25906, "Disabled": 25907, "anas": 25908, ".translate": 25909, "-----------Ċ": 25910, "Ġreflected": 25911, "\"]ĊĊ": 25912, "External": 25913, "Arrow": 25914, "Singleton": 25915, "%x": 25916, "ĠÅ": 25917, "Ġancest": 25918, "ĠOrleans": 25919, "ĉcmd": 25920, "Ġprohibited": 25921, "ithmetic": 25922, "(channel": 25923, "_css": 25924, "Forward": 25925, ".socket": 25926, "Ġluc": 25927, "âĨ": 25928, "ĠFirefox": 25929, "ĠMovies": 25930, ")_": 25931, ".ends": 25932, "(shape": 25933, "Ġdealt": 25934, "Ġsaves": 25935, "Ġglory": 25936, "Ġmejor": 25937, "Ġbreathing": 25938, "Ġeller": 25939, "getData": 25940, "Ġangles": 25941, "Ġtoolbar": 25942, "Ġspacing": 25943, "IPS": 25944, "Ġfloors": 25945, "_ACTIVE": 25946, "Ġshuffle": 25947, "/shared": 25948, "ĠEle": 25949, "edish": 25950, "Ġwebcam": 25951, ".expect": 25952, "iloc": 25953, "ĠIncludes": 25954, "Ġtweeted": 25955, "Ġ:)": 25956, "ĠEssay": 25957, "Fix": 25958, "-between": 25959, "_web": 25960, ".conv": 25961, "Ġracism": 25962, "Ġreflects": 25963, "umm": 25964, "иÑĤе": 25965, "_footer": 25966, "/docs": 25967, "ĠPour": 25968, "NgModule": 25969, ".initialize": 25970, "patterns": 25971, "_In": 25972, "ĠAbb": 25973, "*čĊ": 25974, "Ġsentiment": 25975, "buff": 25976, "_counts": 25977, "Ġreuse": 25978, "chunk": 25979, "Ġimposed": 25980, "PrimaryKey": 25981, "Foreground": 25982, "Ġconsumed": 25983, "?!": 25984, "Ġdick": 25985, "Ġchron": 25986, "ĠFern": 25987, "Ġresponsive": 25988, "Ġinsect": 25989, "iculty": 25990, "Ġrw": 25991, "Ġalike": 25992, "Ġsubset": 25993, "ĠCookies": 25994, "ĠPair": 25995, "Ġtier": 25996, "IFO": 25997, "avour": 25998, "ĠQU": 25999, ",sizeof": 26000, "Ġmerged": 26001, "mv": 26002, "itol": 26003, "ylon": 26004, "Ġjumped": 26005, ".role": 26006, "ensaje": 26007, "Rules": 26008, "Ġbrowse": 26009, "Animator": 26010, "Ġyoga": 26011, "Ġvariants": 26012, "Ġcourtesy": 26013, "uran": 26014, "pbs": 26015, "elseif": 26016, "Alt": 26017, "ĠLane": 26018, "CLK": 26019, "IMARY": 26020, "_PROPERTY": 26021, "ï¼IJ": 26022, "Ġchan": 26023, "Ġgradually": 26024, "Ġshake": 26025, "Ġblonde": 26026, "...\");Ċ": 26027, "-sex": 26028, "Ġgameplay": 26029, "acies": 26030, ".refresh": 26031, "USB": 26032, "ĠPlot": 26033, "Was": 26034, "issippi": 26035, "ĠTensor": 26036, "Ġcryptocurrency": 26037, "Ġdifficulties": 26038, "Deleted": 26039, "Without": 26040, "_append": 26041, "_ver": 26042, "\"))čĊ": 26043, "Ġhonestly": 26044, "Ġpivot": 26045, "Ġtemps": 26046, "_ps": 26047, "ĠUnlike": 26048, "[:-": 26049, "VS": 26050, "_inf": 26051, "Ġjunior": 26052, "Ġanimations": 26053, "Ġfilepath": 26054, "?{{$": 26076, "Ġunicode": 26077, "places": 26078, "ĠCoffee": 26079, ".SE": 26080, "ĠPAR": 26081, "(txt": 26082, "gebra": 26083, "Ġfires": 26084, "MainWindow": 26085, "medium": 26086, "Ġ(âĢľ": 26087, "Ġlg": 26088, "Ġcmp": 26089, "/base": 26090, "_layers": 26091, "_entries": 26092, "Ġadminister": 26093, "ĠSUCH": 26094, "BP": 26095, "ĠScottish": 26096, "ĉčĊĉčĊ": 26097, "guard": 26098, "ĠStrong": 26099, "Insn": 26100, "ĠCAP": 26101, "asury": 26102, "ĠSEE": 26103, "Clock": 26104, "erie": 26105, "\\models": 26106, "Ġ$$": 26107, "ĠCab": 26108, "Ġwurde": 26109, "Ġsoldier": 26110, "Ġclips": 26111, "Ġarrangement": 26112, "ĠWonder": 26113, "ĠHorn": 26114, "Ġscared": 26115, "Ġcure": 26116, "mkdir": 26117, "Ġaligned": 26118, "ĠPink": 26119, "Ġlanded": 26120, "Dimension": 26121, "ScrollPane": 26122, ".chat": 26123, ".With": 26124, "ĠTrain": 26125, "].Ċ": 26126, "Ġthirty": 26127, "Ġdurable": 26128, "Ġld": 26129, "Ġlateinit": 26130, "Ġcharts": 26131, "Ġinsult": 26132, ".Fatal": 26133, "_ct": 26134, "Ġmasks": 26135, "CLUDED": 26136, "President": 26137, "Ġcolours": 26138, "gments": 26139, ".attributes": 26140, "ĠFlex": 26141, "ĠClock": 26142, "ÃŃcul": 26143, "imen": 26144, "JO": 26145, "ĠRegex": 26146, "_LINK": 26147, "Ġcouch": 26148, "ĠINPUT": 26149, "Ġbeating": 26150, "business": 26151, "preced": 26152, ".unit": 26153, "ĠFel": 26154, "Never": 26155, "ospel": 26156, ".startswith": 26157, "ĠEPA": 26158, ".only": 26159, "Ġpreventing": 26160, "yer": 26161, "ColumnName": 26162, "Ġelevation": 26163, "flu": 26164, "icycle": 26165, "Ġoffline": 26166, "Toolbar": 26167, "Ġcompeting": 26168, ")].": 26169, "Ġmog": 26170, "ĠisValid": 26171, "Ask": 26172, "_av": 26173, "_lat": 26174, "ANC": 26175, "ĠJoh": 26176, "kers": 26177, "Ġguards": 26178, "Ġchains": 26179, "ĠSimpleDateFormat": 26180, ".static": 26181, "Ġvessel": 26182, "Ġmud": 26183, "Ġstabil": 26184, "Ġstret": 26185, "gm": 26186, "amation": 26187, "çľ": 26188, "-with": 26189, "Ġros": 26190, "_PA": 26191, "Ġresultado": 26192, "Ġconfidential": 26193, "ĠTokyo": 26194, "ĉusing": 26195, "ĠMathf": 26196, "ombine": 26197, "ĠESPN": 26198, "Ġdealers": 26199, "Ġdismissed": 26200, "TRY": 26201, "Ġteens": 26202, "records": 26203, "Ġwings": 26204, "gallery": 26205, "accounts": 26206, "_LIB": 26207, "Ġjacket": 26208, "ĠNSObject": 26209, "Ġstones": 26210, "ĠDelivery": 26211, "ĠDiet": 26212, "/watch": 26213, "Ġtoilet": 26214, "ĠGuest": 26215, ".day": 26216, "Ġintval": 26217, "Visit": 26218, "Ġinvestigated": 26219, "Ġpentru": 26220, "ĠTheatre": 26221, "andidates": 26222, "Lang": 26223, "ĠServ": 26224, "Ġcontrollers": 26225, "ĠsetTitle": 26226, "NP": 26227, "amy": 26228, "flat": 26229, "(ui": 26230, "_document": 26231, "èĥ½": 26232, "ĠCoin": 26233, "ĠAdams": 26234, "ptic": 26235, "Ġproductive": 26236, "Ġaccomplished": 26237, "čĊčĊčĊčĊ": 26238, "Ġdeferred": 26239, "ientes": 26240, "Ġsinc": 26241, "olars": 26242, "Rightarrow": 26243, "Ġvariations": 26244, "(offset": 26245, ".LayoutInflater": 26246, "Ġsuspend": 26247, "Ġprevention": 26248, "_private": 26249, "_js": 26250, "âĺħ": 26251, "Ġwieder": 26252, "atum": 26253, "ĴĮ": 26254, "Ġappearances": 26255, ".Document": 26256, "Ġvalidates": 26257, "calendar": 26258, "}\";Ċ": 26259, ".demo": 26260, "conut": 26261, "Ġcorrection": 26262, "ĠDeal": 26263, "Ġbatteries": 26264, ".duration": 26265, ",\\": 26266, "_marker": 26267, "multi": 26268, "Ġhalt": 26269, "Ġcms": 26270, "Ġshaped": 26271, "Bro": 26272, "reduce": 26273, "Ġ####": 26274, "CTOR": 26275, "ĠBenef": 26276, "Ġiconic": 26277, "Ġpiano": 26278, "Ġeffectiveness": 26279, "|.Ċ": 26280, "Ġajax": 26281, "Ġvolumes": 26282, "ม": 26283, "Ġcljs": 26284, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ": 26285, "aths": 26286, "raits": 26287, "大": 26288, "Ñĸ": 26289, "_mult": 26290, "Ġfascinating": 26291, "Average": 26292, "Ġpré": 26293, "ĠChairman": 26294, ".findElement": 26295, "_pin": 26296, "Ġcomparing": 26297, "Ġdarkness": 26298, "-Fi": 26299, "-server": 26300, "Ġselecting": 26301, "sterdam": 26302, "ĠParts": 26303, "FORMATION": 26304, "Ġnoting": 26305, "Ġpile": 26306, "ogs": 26307, "Ġpalette": 26308, "_do": 26309, "itize": 26310, "()(": 26311, "Ġdefining": 26312, "Ġremainder": 26313, "Units": 26314, "_TASK": 26315, "HttpClient": 26316, "Social": 26317, "Ġfundra": 26318, "NR": 26319, "chest": 26320, "Currency": 26321, ".adapter": 26322, "Ġdop": 26323, "unting": 26324, "ANGUAGE": 26325, "\"He": 26326, "ĉindex": 26327, "_package": 26328, ".Icon": 26329, "Ġrepet": 26330, "mass": 26331, "=\".$": 26332, "ĠSud": 26333, "Ġlid": 26334, "province": 26335, "ìľ": 26336, "GPIO": 26337, "Ðļ": 26338, "ĠMySQL": 26339, "Ġdocs": 26340, "ĠGA": 26341, "Ġipsum": 26342, "Kernel": 26343, "Ġaccepts": 26344, "Ġfitting": 26345, "Ġcuando": 26346, "Ġduplic": 26347, "ĠBrother": 26348, "ĠKle": 26349, "nums": 26350, "Ġmorph": 26351, "Ġ########": 26352, "ĠCGPoint": 26353, "manual": 26667, "ĠTechnical": 26668, "Ġcorporation": 26669, "ĠHW": 26670, "anka": 26671, "TAIL": 26672, "istas": 26673, "Ġperforms": 26674, "ĠBehavior": 26675, ".For": 26676, "_ORDER": 26677, "ĠKick": 26678, "Ġcallbacks": 26679, "_dr": 26680, "uego": 26681, "hub": 26682, "ufficient": 26683, "sky": 26684, "Ġbp": 26685, "htable": 26686, "ĠONLY": 26687, "ĠAUTHORS": 26688, ".Argument": 26689, "\"};Ċ": 26690, "ĠThunder": 26691, "ĠKom": 26692, ".Should": 26693, "AUTH": 26694, "ahu": 26695, "_payment": 26696, "Ġstarter": 26697, "ìĦľ": 26698, "ìļ©": 26699, "Blog": 26700, ".patch": 26701, "Ġgoverned": 26702, "assy": 26703, "-found": 26704, "Ġtheater": 26705, "ĠFontWeight": 26706, "ĠBatman": 26707, "\"If": 26708, ".Random": 26709, "_delta": 26710, "ĠCE": 26711, "Authenticated": 26712, "Ġdrone": 26713, "Ġcous": 26714, "radius": 26715, "Mer": 26716, "(None": 26717, "ĠNJ": 26718, "_headers": 26719, "Ġamer": 26720, "pytest": 26721, "ĠActions": 26722, "ĉĉĉĠĠĠĠ": 26723, "Ġett": 26724, "Ġholy": 26725, "Ġuncomfort": 26726, "ĠNin": 26727, "ĠDecimal": 26728, "ĠMessages": 26729, ".sender": 26730, "]])Ċ": 26731, "Ġembrace": 26732, "Though": 26733, "/sp": 26734, "Ġcultures": 26735, "Ġhighway": 26736, "tar": 26737, ".fail": 26738, "_hidden": 26739, "ĠcomponentDidMount": 26740, "ĠWright": 26741, "Ġjag": 26742, "_il": 26743, "../../../": 26744, "igu": 26745, "Food": 26746, "Ġace": 26747, "Ġaños": 26748, "USD": 26749, "Ġmutual": 26750, "Logic": 26751, "Ġtemple": 26752, "Ġbriefly": 26753, "ĠTrip": 26754, "classmethod": 26755, "defaults": 26756, "Ġchunks": 26757, ",,,,": 26758, "ĠReason": 26759, "$id": 26760, "-ups": 26761, "Ġdamn": 26762, "Ġtrucks": 26763, "Ġunlimited": 26764, "Ġsculpt": 26765, "ĠCards": 26766, "Ġautor": 26767, "ĠTesting": 26768, "Ġdiese": 26769, "shops": 26770, "ç´": 26771, "(payload": 26772, "ĠPATH": 26773, "ĠMemorial": 26774, "Ġridiculous": 26775, "egree": 26776, "-winning": 26777, "Ġrehab": 26778, "Ġsophisticated": 26779, "wpdb": 26780, "ĉpath": 26781, "!\";Ċ": 26782, "_SYS": 26783, ".speed": 26784, "Ġsoap": 26785, "suffix": 26786, "Wrap": 26787, "Ġenhancement": 26788, "Ãī": 26789, "úb": 26790, "Ġplaylist": 26791, "Ġmixing": 26792, "antidad": 26793, "=\"\";Ċ": 26794, "ĠRevision": 26795, "ĠBeat": 26796, ".inc": 26797, "-way": 26798, "encias": 26799, "ulers": 26800, "Cat": 26801, "idel": 26802, "ĠShip": 26803, ".setColor": 26804, "Ġthreatening": 26805, ".modules": 26806, "Ġafterwards": 26807, "ĠDashboard": 26808, "ĊĠĊ": 26809, "Signal": 26810, "Ġprimer": 26811, "orneys": 26812, "iciary": 26813, "Ġligne": 26814, "_predict": 26815, "Ġaest": 26816, "_https": 26817, ">:": 26818, "ĠLex": 26819, "Ġrencontres": 26820, "egral": 26821, "scala": 26822, "_family": 26823, "ÃŁen": 26824, "_sym": 26825, "Ġuncertainty": 26826, "ĠVALUE": 26827, "Ġ};čĊčĊ": 26828, "Ġbroader": 26829, "Ġhorses": 26830, "ãģĿ": 26831, "ĠKal": 26832, "oba": 26833, "_INET": 26834, "ĠKill": 26835, "jquery": 26836, "amination": 26837, "[@\"": 26838, "Ġmuj": 26839, "###Ċ": 26840, "FirstOrDefault": 26841, "thenReturn": 26842, "Che": 26843, "/footer": 26844, "Ġparks": 26845, "asje": 26846, "ĠGulf": 26847, "Ġmodest": 26848, ".Init": 26849, "ï¼ŁĊĊ": 26850, "Ġprospects": 26851, "Ġsvg": 26852, "Ġåı": 26853, ".Dialog": 26854, "_NET": 26855, "Ġ(($": 26856, "Ġek": 26857, "ĠWarning": 26858, "ĠMK": 26859, "": 27166, "ĠRepair": 27167, "_BE": 27168, "Brand": 27169, "uart": 27170, "preview": 27171, "Ġinitiatives": 27172, "running": 27173, "bang": 27174, "ĉupdate": 27175, "ĠCoach": 27176, "Rich": 27177, "Ġyoutube": 27178, "Ġritual": 27179, "appa": 27180, "ĠRobinson": 27181, "precision": 27182, "////////////////////////////////////////////////////////////////////////////": 27183, "=[]Ċ": 27184, "Ġcelebrated": 27185, "OTO": 27186, "Ġinclusion": 27187, "JP": 27188, "';čĊčĊ": 27189, "Ġnotable": 27190, "(_.": 27191, "Managed": 27192, "Ġguides": 27193, " ": 27194, "atedRoute": 27195, "ĠAdjust": 27196, "Ġcolored": 27197, "_scores": 27198, "ĠTesla": 27199, "_progress": 27200, ".inst": 27201, "['_": 27202, ".flags": 27203, "Ġfclose": 27204, "_OPER": 27205, "ży": 27206, "_note": 27207, "Ġtransgender": 27208, "åķ": 27209, "RIPT": 27210, "Ġabsent": 27211, "Ġamet": 27212, "Ġoperand": 27213, "ë©": 27214, "Ġhood": 27215, "toLowerCase": 27216, "avo": 27217, "ĠCircuit": 27218, "ĠLind": 27219, "--}}Ċ": 27220, "=m": 27221, "Ġsuppress": 27222, "ĠMAP": 27223, "iang": 27224, "-admin": 27225, "Ġsidebar": 27226, "ĠBu": 27227, "ĠHex": 27228, ",F": 27229, "ĠSignal": 27230, "Ġtransparency": 27231, "ĠFederation": 27232, "/V": 27233, "Req": 27234, "Ġpulse": 27235, "Ġtends": 27236, "Numbers": 27237, "%'": 27238, "Ġdeport": 27239, "datas": 27240, "_UINT": 27241, "_tra": 27242, "oko": 27243, "Ġ\"?": 27244, "compet": 27245, "solete": 27246, "undry": 27247, "Ġoverlap": 27248, "}`,Ċ": 27249, ".ly": 27250, "_summary": 27251, "ĠLost": 27252, ".Center": 27253, "Ġdisability": 27254, ".Serialization": 27255, "Ġgeom": 27256, "Ġ?:": 27257, "ĠWo": 27258, "Ġshipped": 27259, "Ĥæķ°": 27260, "Ġugly": 27261, "Ġexcitement": 27262, "Ġexterior": 27263, "Ġcheckout": 27264, "Ġkur": 27265, ",D": 27266, "ĠAlaska": 27267, "Ġsynthetic": 27268, "ĠBudget": 27269, "ĠSubscribe": 27270, "Ġ&Ċ": 27271, "ÈĻi": 27272, "ĠYu": 27273, "ĉquery": 27274, "}.Ċ": 27275, "Ġtraged": 27276, "assen": 27277, "Ġaccommodation": 27278, "Ġphysician": 27279, "Ġrenamed": 27280, "Ġtidak": 27281, "zÄħ": 27282, "Ġminus": 27283, "nych": 27284, "_EXCEPTION": 27285, "threads": 27286, "Ġtire": 27287, "_created": 27288, "ensure": 27289, "Ġworthy": 27290, "Ġexcuse": 27291, "Ġcloth": 27292, ".parentNode": 27293, "/platform": 27294, "ĠUFC": 27295, "ĠGtk": 27296, "unny": 27297, "Ġgibt": 27298, "keley": 27299, "hum": 27300, "(tx": 27301, "ĉdev": 27302, "Ġoutfit": 27303, "doors": 27304, "Ġfon": 27305, "icut": 27306, "volatile": 27307, "Ġhomosex": 27308, "Maximum": 27309, "Ġexpend": 27310, "Ġ});ĊĊĊ": 27311, "Eq": 27312, "onders": 27313, "department": 27314, "ĠPhysics": 27315, "\"});Ċ": 27316, "Ġparad": 27317, ".Str": 27318, "Ġsele": 27319, "IFIED": 27320, "Ġdelivers": 27321, "ivan": 27322, "Ġresponsibilities": 27323, "Ġadvocates": 27324, "èµ": 27325, "ĠRID": 27326, ".parameters": 27327, "Metrics": 27328, "ronics": 27329, "ĠUITableViewCell": 27330, "Absolute": 27331, "ipse": 27332, "ylum": 27333, "MLElement": 27334, "_VALID": 27335, "\\<^": 27530, "Ġios": 27531, "sound": 27532, "\"];": 27533, "Ġfreed": 27534, "rottle": 27535, "ĠLower": 27536, "[count": 27537, "åĿ": 27538, "Ġpale": 27539, "ĠWayne": 27540, "earth": 27541, "_categories": 27542, "UCK": 27543, ".metadata": 27544, "Ġsummon": 27545, "HOME": 27546, "олÑĮз": 27547, "Ġmanufactured": 27548, "Ġdock": 27549, "Ġcompetitors": 27550, "_MODEL": 27551, "okia": 27552, "ĠHey": 27553, "ο": 27554, "Ġbackward": 27555, "ĠPOSS": 27556, "ropa": 27557, "Ġcri": 27558, "_OBJ": 27559, "Transport": 27560, "-high": 27561, "Ġerotik": 27562, "_slot": 27563, "Ġartic": 27564, "_framework": 27565, "-serif": 27566, "ĠSqlDbType": 27567, "')(": 27568, "+\"/": 27569, "Ġwore": 27570, "Sil": 27571, "Ġstoring": 27572, "ĠPhase": 27573, "uant": 27574, "Ġbump": 27575, "inho": 27576, "Ġdign": 27577, "Ġbacks": 27578, "qq": 27579, "(hash": 27580, "Ġgeo": 27581, "Ġtender": 27582, "Logo": 27583, "!)Ċ": 27584, "ĠMX": 27585, "ĠArthur": 27586, "essoa": 27587, "_Ch": 27588, "Ġbedrooms": 27589, "=\"#\"><": 27590, "Ġthroat": 27591, "insic": 27592, ".integer": 27593, "Ġprimitive": 27594, "Truthy": 27595, "Ġfacilitate": 27596, "Ġcreativity": 27597, "ĠDNS": 27598, "Ġgra": 27599, "uez": 27600, "Ġcountless": 27601, "ĠPoland": 27602, "'M": 27603, "ĠDist": 27604, "Ġvest": 27605, "Ġcertification": 27606, "á»ij": 27607, "held": 27608, "extensions": 27609, "(static": 27610, "Ġgrades": 27611, "ĠUber": 27612, "ãģŁ": 27613, "Ġ[])Ċ": 27614, "datos": 27615, "ĠgetData": 27616, "ĠCharg": 27617, "ĠBS": 27618, ".microsoft": 27619, ".video": 27620, ".direction": 27621, "->{'": 27622, "lua": 27623, "apest": 27624, "Ġboiler": 27625, "erek": 27626, "Ġdecides": 27627, ".jar": 27628, "ISC": 27629, "ĠWords": 27630, "(CON": 27631, "EMPLATE": 27632, "reeze": 27633, "shots": 27634, "apps": 27635, "unted": 27636, ".setName": 27637, "::<": 27638, "-bold": 27639, "ê²": 27640, "å¯Ĩ": 27641, "Longrightarrow": 27642, "Ġunfair": 27643, "Ġearning": 27644, "Ġshelf": 27645, "UREMENT": 27646, "Ġidle": 27647, "_MENU": 27648, ".Custom": 27649, "AGER": 27650, "-\"": 27651, "_switch": 27652, "because": 27653, ")view": 27654, "mare": 27655, "_condition": 27656, "ĠStarting": 27657, "Mvc": 27658, "(pre": 27659, "dump": 27660, "_LOCK": 27661, "atetime": 27662, ".callback": 27663, "ĠCer": 27664, "opol": 27665, "ibrary": 27666, "Ġreservation": 27667, "ĉĉĉĉĉĉĉĊ": 27668, "lector": 27669, "graduate": 27670, "Ġgenerous": 27671, "Ġion": 27672, "ricao": 27673, "mq": 27674, "_complete": 27675, "(cursor": 27676, "ĠFormControl": 27677, ":center": 27678, "Ġsubstitute": 27679, "ĠPlanning": 27680, "Ġpension": 27681, "Ġrecommendation": 27682, "ĠTags": 27683, "Ġgef": 27684, "Ġalbums": 27685, "Ġwashing": 27686, "roc": 27687, "Ġtrains": 27688, "atings": 27689, "Ġexponent": 27690, "ackbar": 27691, "-ln": 27692, "ág": 27693, ".DataAnnotations": 27694, "ĠEIF": 27695, "ĠMalaysia": 27696, "ĉPORT": 27697, "onus": 27698, "Ġclever": 27699, "Ġpeu": 27700, ">ĊĊĊĊ": 27701, "ĠArguments": 27702, "Ġdebugging": 27703, "(right": 27704, "'D": 27705, "compute": 27706, "Ġfinest": 27707, "ORAGE": 27708, "Ġspectacular": 27709, "phrase": 27710, "Ġindia": 27711, "Ġlegendary": 27712, "birth": 27713, "Ġcomposite": 27714, "Ġgrows": 27715, "ĠTD": 27716, "Ġepid": 27717, "Ġlaunching": 27718, "]][": 27719, "Minutes": 27720, "ĠCha": 27721, "Ġcleaned": 27722, "Ġwitnesses": 27723, "ukan": 27724, "ĉType": 27725, "Ġhabe": 27726, "paragraph": 27727, "ĠJPanel": 27728, "ĠHann": 27729, "Ġvaried": 27730, "ĠPokemon": 27731, "ĠMUST": 27732, "åĬ¨": 27733, ".visibility": 27734, "opup": 27735, "^[": 27736, ".expand": 27737, "Ġ\"',": 27738, ".fasterxml": 27739, "_auto": 27740, "ĠSheet": 27741, "marker": 27742, "Parcel": 27743, "ews": 27744, "ĠStrategy": 27745, "-making": 27746, "Ġunve": 27747, "Ġtrailing": 27748, "Ġclicks": 27749, "ĠGetComponent": 27750, "ĉcontent": 27751, "IGENCE": 27752, "ERNEL": 27753, "NSMutableArray": 27754, "Ġbreat": 27755, "Ġharmful": 27756, "¶Ī": 27757, "Ġbesides": 27758, "Ġboring": 27759, "Ġbrutal": 27760, "vang": 27761, "(parse": 27762, "quick": 27763, "Ġpytest": 27764, "Ġswitching": 27765, "()]Ċ": 27766, "ĠìĦ": 27767, "LER": 27768, "ĉfont": 27769, "Ġnett": 27770, ")]ĊĊ": 27771, "(/\\": 27772, "æŀľ": 27773, "toArray": 27774, "Ġbreed": 27775, "ĠCAR": 27776, "ĠWeapon": 27777, "Abs": 27778, "tot": 27779, "ĠsetName": 27780, "aptive": 27781, "Ġ:,": 27782, "Ġescaped": 27783, "orden": 27784, "ĠPri": 27785, "thumbnail": 27786, "Ġdescriptions": 27787, "/styles": 27788, "ĠPCI": 27789, "Ġalphabet": 27790, "asticsearch": 27791, "NOTE": 27792, "Ġcialis": 27793, "ĠGriff": 27794, "Ġporque": 27795, "Ġproteins": 27796, "plays": 27797, "Ġstating": 27798, "Ġimagination": 27799, "Ġfacial": 27800, "ĠMechan": 27801, "Ġarranged": 27802, "_used": 27803, "Ġarrangements": 27804, "ĠPipe": 27805, "hostname": 27806, "Ġprovinc": 27807, "Tit": 27808, ".FlatStyle": 27809, "ĠSplit": 27810, "ĠLoader": 27811, ".cc": 27812, "Ġclinic": 27813, "----------------------------": 27814, "Ġbaking": 27815, "ĠENT": 27816, "neath": 27817, "ãĢģĊĊ": 27818, "ANE": 27819, ".EntityFrameworkCore": 27820, "appers": 27821, ".ic": 27822, "ĠNgModule": 27823, "ĠFORM": 27824, "Ġ';": 27825, "-profit": 27826, "hw": 27827, "enemy": 27828, "ĠEye": 27829, "Ġcaution": 27830, "town": 27831, "Ġurged": 27832, "ĠJimmy": 27833, "ynchronous": 27834, "-sized": 27835, "making": 27836, ",{": 27837, "]',": 27838, "_Object": 27839, "ahoma": 27840, "Ġactivist": 27841, "INVAL": 27842, "ĠCommercial": 27843, "ĠOrlando": 27844, "(tab": 27845, "Ġب": 27846, "Algorithm": 27847, "Ġheritage": 27848, "GetMapping": 27849, "Ġfailures": 27850, "rios": 27851, "ativa": 27852, "Ġtet": 27853, "Ġcarpet": 27854, "(Z": 27855, "three": 27856, "Ġdisclosure": 27857, ".ERROR": 27858, "_called": 27859, "Ġdial": 27860, "Ġoccasional": 27861, ".Err": 27862, "Ġfuncion": 27863, "caffold": 27864, "Ġreleasing": 27865, "ï¼īĊĊ": 27866, "_Value": 27867, "ĠVari": 27868, "yellow": 27869, "Ġstruggles": 27870, ".cal": 27871, "ĠDakota": 27872, "ĉclose": 27873, "Ġsandwich": 27874, "Ġanalytics": 27875, "Ġ**)": 27876, "&#": 27877, "ĠJos": 27878, "Ġpassive": 27879, "ATTR": 27880, "Throwable": 27881, "ĠMun": 27882, "ĠUint": 27883, "(disposing": 27884, "arak": 27885, "ĠLeaders": 27886, "Ġaffecting": 27887, "ĠitemView": 27888, "Ġeconomics": 27889, "fv": 27890, "à¹Ģ": 27891, ".rb": 27892, "ĠOverall": 27893, "Ġwealthy": 27894, "Ġevolved": 27895, "nda": 27896, "ĠHus": 27897, "restrict": 27898, "umen": 27899, "ĠAgricult": 27900, "!ĊĊĊ": 27901, "Ġexpires": 27902, "Ġspokesperson": 27903, "interval": 27904, "Ġâ": 27905, "Ġqueen": 27906, "(nil": 27907, "ingo": 27908, "Heap": 27909, "Ùİ": 27910, "Ġcomplain": 27911, "Sym": 27912, "ĠClone": 27913, "ĠRu": 27914, "ĠWILL": 27915, "ĠCrystal": 27916, "/content": 27917, "ingen": 27918, "ointment": 27919, "LastName": 27920, "avicon": 27921, "ĠIBM": 27922, "ĠDimension": 27923, "anh": 27924, "icipants": 27925, "ĠAnne": 27926, ".progress": 27927, "Ġalgo": 27928, "obil": 27929, "ĠVoice": 27930, "ĠFE": 27931, "Ġgli": 27932, "Ġved": 27933, "Ġprevents": 27934, "\\Column": 27935, "Ġfolk": 27936, "etti": 27937, "Ġmn": 27938, "ĠCLASS": 27939, "Ġdisplaying": 27940, "ĠKl": 27941, "ĠFerr": 27942, "duto": 27943, ".ib": 27944, "Ġdados": 27945, "'name": 27946, "-space": 27947, "Ġitalian": 27948, "Ġinverse": 27949, "Ġdense": 27950, "uter": 27951, "ĠIEnumerator": 27952, "-sign": 27953, "Ġnationwide": 27954, "Ġpersona": 27955, "Ġsolved": 27956, "Ġdramatically": 27957, "Logout": 27958, "Ġgrav": 27959, "Ġanalyses": 27960, "ollo": 27961, "Ġlamp": 27962, ".team": 27963, "ĠErot": 27964, "=[\"": 27965, "Ġdancing": 27966, "Ġ?>/": 27967, "Ġcater": 27968, "ffe": 27969, "ĠSha": 27970, "ĠBos": 27971, "ĠREQUIRE": 27972, "ĠMonster": 27973, "ĠRB": 27974, "ĠIDE": 27975, "Ġsuits": 27976, "ĠformData": 27977, "(theta": 27978, "Ġspatial": 27979, "=NULL": 27980, "ĠSqlConnection": 27981, "Ġà": 27982, "ĠVenez": 27983, "ĠMorning": 27984, "Ġpublications": 27985, "ĠNONINFRINGEMENT": 27986, "firstName": 27987, "uds": 27988, "Would": 27989, "_HEAD": 27990, "Ġinvested": 27991, "stable": 27992, "fred": 27993, "Ġcommander": 27994, "SES": 27995, "âĢĶa": 27996, "anche": 27997, "ĠMovement": 27998, "ë³": 27999, "Suite": 28000, "Ġjurisdiction": 28001, "리": 28002, "ĠBeth": 28003, "jQuery": 28004, "ĠIsa": 28005, "Ġdental": 28006, ",*": 28007, "ĠLimit": 28008, "iliation": 28009, "=\"{": 28010, "bast": 28011, "Ġturb": 28012, "isy": 28013, "OOK": 28014, "Ġadvocate": 28015, "imag": 28016, "LECTION": 28017, "лÑĮ": 28018, "(category": 28019, ".dec": 28020, "Ġuniqu": 28021, "_sn": 28022, "Ġattracted": 28023, "ĠÃī": 28024, "ĠRunning": 28025, "_edges": 28026, "ĠDisable": 28027, "_AS": 28028, "åĽ¾": 28029, "Ġnetworking": 28030, "_branch": 28031, "Having": 28032, "toBeTruthy": 28033, "GI": 28034, "Ġcamps": 28035, "sep": 28036, "-part": 28037, "Ġ)ĊĊĊĊĊĊĊĊ": 28038, "ustralia": 28039, "ĠReports": 28040, "rito": 28041, "Ġwaist": 28042, "_plus": 28043, "ĠWW": 28044, "-person": 28045, "April": 28046, "Ġsar": 28047, ".tar": 28048, "Ġagricultural": 28049, "tic": 28050, "Ġtcp": 28051, "ĠsetValue": 28052, "agento": 28053, "ĠAppe": 28054, "piler": 28055, "CADE": 28056, "Ġanche": 28057, "atcher": 28058, "Ġcomics": 28059, "Ġlbs": 28060, "_segment": 28061, "']=$": 28062, "itters": 28063, "icher": 28064, "GINE": 28065, "Ġutilize": 28066, "ĠCursor": 28067, "_expression": 28068, "Ġdag": 28069, "x": 28257, ".Task": 28258, "money": 28259, "ibaba": 28260, "'});Ċ": 28261, "ĠSpecific": 28262, "ĠLinear": 28263, "_OPT": 28264, "HashCode": 28265, "(Player": 28266, ".ContainsKey": 28267, "Ġcollapsed": 28268, "transparent": 28269, "_RANGE": 28270, "Viewer": 28271, "(cfg": 28272, "Ġsorting": 28273, "Ġinfected": 28274, "ĠNach": 28275, "Ġaccommodate": 28276, ".elements": 28277, "_PART": 28278, "ĠSexy": 28279, "=get": 28280, "(year": 28281, "Ġxhr": 28282, ":]": 28283, "owski": 28284, "Ġsummar": 28285, "Ġ¿": 28286, "Ġinte": 28287, "Ġworkflow": 28288, "ĠTaiwan": 28289, "versions": 28290, "åıij": 28291, "Ġsurprisingly": 28292, "Ġoptical": 28293, "Ġproces": 28294, "Ġdisagree": 28295, "Ġnuevo": 28296, "ĠCAM": 28297, "sorted": 28298, "leases": 28299, "istle": 28300, "Ident": 28301, "ĉevent": 28302, "jected": 28303, "Chunk": 28304, "Vars": 28305, ".provider": 28306, "Ġproceedings": 28307, "Ġinclusive": 28308, "Ġartwork": 28309, "endants": 28310, "ï¼ļĊ": 28311, "seen": 28312, "Ġlig": 28313, "Ġmakers": 28314, "_fun": 28315, "Ġlengths": 28316, "PathVariable": 28317, "[item": 28318, "ี": 28319, "Dead": 28320, "FFFFFF": 28321, "ĠUrban": 28322, "uples": 28323, "ichen": 28324, "(nullptr": 28325, ".spec": 28326, ",System": 28327, "URATION": 28328, "(job": 28329, "å¼ı": 28330, "Ġtracker": 28331, "ÅĻ": 28332, "ĠMR": 28333, "ĠSQLite": 28334, "Ġdto": 28335, "Ġ;;Ċ": 28336, "Ġmint": 28337, "ĠIntroduction": 28338, "cao": 28339, "Ġquestioned": 28340, "Ġfitted": 28341, "revision": 28342, "sq": 28343, "Ġmig": 28344, "_units": 28345, "_async": 28346, "Ġflick": 28347, "});ĊĊĊ": 28348, "Ġnotre": 28349, "}`,": 28350, "Filters": 28351, "Ġmundo": 28352, "_days": 28353, "Ġfrm": 28354, "utc": 28355, "Ġvals": 28356, "ewidth": 28357, "ĠGenerator": 28358, "ĠArtist": 28359, "ĠIDs": 28360, "ĠArticles": 28361, "reater": 28362, "ĠComponentFixture": 28363, ".=": 28364, "Ġrou": 28365, "-no": 28366, ".bukkit": 28367, "egg": 28368, "ĠDiff": 28369, "atics": 28370, "ÑĥÑĩ": 28371, "âĢĶĊĊ": 28372, "ĠCharlotte": 28373, "bye": 28374, "Ġ});čĊčĊ": 28375, "ĠVik": 28376, "ĠBrow": 28377, "Ġlv": 28378, "ĠGib": 28379, "-wing": 28380, "GLIGENCE": 28381, "(Il": 28382, "ĠEngineer": 28383, ".Wait": 28384, "ĠPictures": 28385, "Ġrhet": 28386, "Ġthermal": 28387, "Ġpraise": 28388, "<>();ĊĊ": 28389, "ĠSpider": 28390, "Pause": 28391, "ĠBaker": 28392, "Ġslower": 28393, "Ġ}]Ċ": 28394, "_enqueue": 28395, "Ġdisappeared": 28396, "ĠTicket": 28397, "INUX": 28398, "_LOCAL": 28399, "аÑģÑģ": 28400, "@Injectable": 28401, "community": 28402, "GestureRecognizer": 28403, "åĽ½": 28404, "Ġscales": 28405, "Ġ-(": 28406, "/'+": 28407, "ĠSit": 28408, "Ġexecutives": 28409, "arding": 28410, "Ġadvers": 28411, "Ġbackwards": 28412, "ĉcontext": 28413, "ĠHamp": 28414, "ĠPF": 28415, "ĠDeck": 28416, "ĠCraig": 28417, "American": 28418, "Ġbell": 28419, "Ġprol": 28420, "ufen": 28421, "Ġrng": 28422, "arshal": 28423, "ĠSimply": 28424, "firstname": 28425, "shore": 28426, "July": 28427, "Ġmortality": 28428, "ĠâĨĴĊĊ": 28429, "Helpers": 28430, "Ġbenchmark": 28431, "emade": 28432, "Ġorganisations": 28433, ".gson": 28434, "ĠTextField": 28435, "Ġcivilians": 28436, ".Arrays": 28437, "ĠMississippi": 28438, "Ġintermediate": 28439, "getUser": 28440, "_cluster": 28441, "Relative": 28442, "foreign": 28443, ".querySelectorAll": 28444, "ForeignKey": 28445, "Ġreasonably": 28446, "---------Ċ": 28447, "Cards": 28448, "ĠKam": 28449, "ĠThor": 28450, "Ġroller": 28451, "-element": 28452, "ĠCurrency": 28453, "ddie": 28454, "ALLY": 28455, "ĠRA": 28456, "Ġpermet": 28457, "aaaa": 28458, "Ġhomework": 28459, "ĠVit": 28460, "Ġmold": 28461, "ĠFer": 28462, "[start": 28463, "Ġstatistical": 28464, "Ġscary": 28465, "_HOME": 28466, ".Begin": 28467, "Construct": 28468, "ogenic": 28469, "ĠDEALINGS": 28470, "Ġtambién": 28471, "ixon": 28472, ".ind": 28473, "acre": 28474, "Ġtransforms": 28475, "ĠNap": 28476, ".Block": 28477, "ussia": 28478, "piration": 28479, "ulent": 28480, "Ġceil": 28481, "Clause": 28482, "naire": 28483, "TES": 28484, "Ġneat": 28485, "STD": 28486, "ĠRegExp": 28487, "perform": 28488, ":)": 28489, "Ġunions": 28490, "Ġsublic": 28491, "Ġwinds": 28492, "loating": 28493, "glich": 28494, "Ġpagination": 28495, "Skill": 28496, "Apply": 28497, "ĠOperator": 28498, "istogram": 28499, "Ġqualities": 28500, "Cross": 28501, "Ġdecom": 28502, "],\"": 28503, "ĠJuan": 28504, ".modal": 28505, ".Child": 28506, "ĠRoger": 28507, "STITUTE": 28508, ":CGRectMake": 28509, "alette": 28510, "Ġsta": 28511, "aside": 28512, "Ġblur": 28513, "ĠWa": 28514, "ifetime": 28515, "reed": 28516, "controls": 28517, "Ġbins": 28518, "Ġпол": 28519, "*/,Ċ": 28520, "UIS": 28521, "ĠRou": 28522, "ĠDemo": 28523, "-awesome": 28524, "ĠChain": 28525, "Ġhasta": 28526, "ĠBart": 28527, ".KEY": 28528, "Ġvendors": 28529, "nofollow": 28530, "ĠDest": 28531, "_builder": 28532, "Ġargues": 28533, "_answer": 28534, "goto": 28535, "ĠRESULT": 28536, "ĠMON": 28537, "Ġpoder": 28538, "oons": 28539, "_CASE": 28540, "Ġreplic": 28541, "Ġfinancing": 28542, "ĠDATE": 28543, "cern": 28544, "_track": 28545, "ties": 28546, "/logo": 28547, "ĠNEGLIGENCE": 28548, "getType": 28549, ">T": 28550, "bet": 28551, "girl": 28552, "ĠINCIDENTAL": 28553, "-site": 28554, ".trigger": 28555, "ĠLisa": 28556, "_inputs": 28557, "Ġrelatives": 28558, "LoggedIn": 28559, "Configure": 28560, "IK": 28561, ".accept": 28562, "Resume": 28563, "ĠDraft": 28564, "Ġ*>(": 28565, "ĠWA": 28566, "edian": 28567, "erness": 28568, "ĠLayoutInflater": 28569, "*/čĊčĊ": 28570, "othy": 28571, "Ġobligation": 28572, "Subscribe": 28573, "Ġthumbnail": 28574, "exist": 28575, "Ġinsisted": 28576, "ĠUICollectionView": 28577, "ĠAngular": 28578, "Ġtablets": 28579, "ĠImpact": 28580, "ãĢįĊĊ": 28581, "aho": 28582, "Ġcharacteristic": 28583, "gd": 28584, "Ġ=================================================": 28585, "ourt": 28586, "`.": 28587, "Appro": 28588, "Coordinate": 28589, "Remember": 28590, "Ġmarine": 28591, "]=='": 28592, "ĠAdministrator": 28593, ".getDefault": 28594, "Ġforgot": 28595, "ĠStructure": 28596, "Vue": 28597, "arsing": 28598, "moment": 28599, "kw": 28600, "_cursor": 28601, "Attack": 28602, "Ġathletic": 28603, "Ġdiagnosed": 28604, "Ġende": 28605, "åĪłéĻ¤": 28606, "House": 28607, "ĠPARAM": 28608, "Ġwiki": 28609, "ĠOpp": 28610, "Ġconservation": 28611, "Ġsnd": 28612, "_tem": 28613, "substr": 28614, "ĠCape": 28615, ".sim": 28616, "UTION": 28617, "anan": 28618, "âĢĻun": 28619, "Ġgy": 28620, "-work": 28621, "Ġcompelling": 28622, "='#": 28623, "ĉsub": 28624, "Ġdirectories": 28625, "íĬ¸": 28626, "Ġtouches": 28627, "outines": 28628, ".Collection": 28629, "schedule": 28630, ".lat": 28631, "ĠDoctrine": 28632, "CAA": 28633, "ĠRefer": 28634, "Ġshifts": 28635, "Ġlikelihood": 28636, "preter": 28637, "ĠFemale": 28638, "Ġintercept": 28639, "Ġlou": 28640, "çĻ»": 28641, "Ġrug": 28642, "ĠCrown": 28643, "Ġ****************************************************************************": 28644, "-product": 28645, "Ġprompted": 28646, "ungle": 28647, "docker": 28648, "ĠTu": 28649, "ĠUnique": 28650, "_Error": 28651, "ulos": 28652, "ĠâĦ": 28653, "Ġ(`": 28654, "Getting": 28655, "_scal": 28656, "ĠEnh": 28657, "üt": 28658, "Ġsustained": 28659, "Ġpatches": 28660, "Ġprosper": 28661, "ĠGaza": 28662, "_light": 28663, "Ġincons": 28664, "--------Ċ": 28665, "ĉĉĠĠĠĠĠĠ": 28666, "SF": 28667, "CN": 28668, ":\";Ċ": 28669, "ĠCollins": 28670, "(*)": 28671, "Ġcompilation": 28672, "']čĊ": 28673, "Ġconsequence": 28674, ",...": 28675, "Ġdm": 28676, "ĠBLOCK": 28677, "Cluster": 28678, "Ġski": 28679, "(argc": 28680, "Tuple": 28681, "Ġjoins": 28682, "ĠSheriff": 28683, "War": 28684, "indi": 28685, "Ġcommented": 28686, "HOST": 28687, "Ġinvitation": 28688, "apanese": 28689, "Ġpermits": 28690, "precedented": 28691, "_zone": 28692, "ĠAmy": 28693, "_RD": 28694, "Minimum": 28695, "Ġinvocation": 28696, ".enable": 28697, "ichten": 28698, "-owned": 28699, "\"id": 28700, "_POINTER": 28701, "Fac": 28702, "Ġspecifications": 28703, "Ġnomination": 28704, "Ġgp": 28705, "<(": 28706, "Ġrobots": 28707, "ĠJerry": 28708, "Ġholders": 28709, "Ġwand": 28710, "cms": 28711, "Ġ}))Ċ": 28712, ".Toast": 28713, "ĠIList": 28714, "Based": 28715, "zoom": 28716, "/style": 28717, "ĠBeck": 28718, "Men": 28719, "Ġcontributing": 28720, "Ġundo": 28721, "ĠOH": 28722, "ĠaddObject": 28723, "Ġeigen": 28724, "signup": 28725, "éĶĻ": 28726, "Ġdistant": 28727, "PARATOR": 28728, "ĠMari": 28729, "Ġmá": 28730, "Emp": 28731, "ós": 28732, "ĠìĪĺ": 28733, "evt": 28734, "+j": 28735, "park": 28736, "ĠStay": 28737, "ĠDun": 28738, "Ġsoy": 28739, ">%": 28740, "azines": 28741, "Ġtiempo": 28742, "(me": 28743, "present": 28744, ".This": 28745, "Ġeditors": 28746, "FIELD": 28747, ".Work": 28748, "ĠUniverse": 28749, "Ġdrunk": 28750, ".timer": 28751, "Ġaltered": 28752, "ĠNar": 28753, "ëł¥": 28754, ".Active": 28755, "idor": 28756, "çŃ": 28757, ".deltaTime": 28758, "Ġawkward": 28759, """: 28760, "ĠSafari": 28761, "Ġtricks": 28762, "MENTS": 28763, "division": 28764, "Ġvarying": 28765, "ĠHighway": 28766, "Ġphotographer": 28767, "ĠStewart": 28768, "Ġlasting": 28769, ".Pre": 28770, ".amazonaws": 28771, "ĠLuck": 28772, ".Description": 28773, "ĠNaz": 28774, "neg": 28775, "Ġcó": 28776, "<<\"\\": 28777, "ĠSurv": 28778, "ĠUnc": 28779, "Recipe": 28780, ".BorderStyle": 28781, "Ġmodifications": 28782, "-at": 28783, "ATFORM": 28784, "hdr": 28785, "ako": 28786, "Ġsublicense": 28787, "ĠJump": 28788, "Ġbeim": 28789, "ĠManhattan": 28790, ".bool": 28791, "_hw": 28792, "ÑĤÑĮ": 28793, "Bin": 28794, "Ġgateway": 28795, "\"\":": 28796, "ĠUIS": 28797, ":\"+": 28798, "-def": 28799, "ĠRegular": 28800, "/testing": 28801, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 28802, "stringstream": 28803, "Ġdispar": 28804, "Ġmobil": 28805, "-read": 28806, "ĠAdapter": 28807, "ĠChampions": 28808, "Ġscheduler": 28809, "Ġkills": 28810, "ĠMultiple": 28811, "irror": 28812, "Ġgods": 28813, "ADO": 28814, "akte": 28815, "ĠUsuario": 28816, ".circular": 28817, "Ġrecept": 28818, "ĠExpr": 28819, "Ġelderly": 28820, "Ġnicely": 28821, "Ġbeste": 28822, "Want": 28823, "Ġclassical": 28824, ".sprite": 28825, "objc": 28826, "ĠMason": 28827, "Ġsistema": 28828, ".Black": 28829, "eso": 28830, "ĠZeit": 28831, "Ġdivid": 28832, "Ġenters": 28833, "_subject": 28834, "ĠPlanet": 28835, ".warning": 28836, "ĠGram": 28837, "_tokens": 28838, "Ġhouseholds": 28839, "_customer": 28840, "userName": 28841, "cross": 28842, "Ġpione": 28843, "Ġassists": 28844, "_SM": 28845, "ibo": 28846, "Ġloyal": 28847, "Ġuseless": 28848, "#elif": 28849, "ĠUltimate": 28850, "Come": 28851, "gel": 28852, "Ġdich": 28853, "xyz": 28854, "ikel": 28855, "obra": 28856, "_scan": 28857, "ĠInterior": 28858, "ĠNice": 28859, "Ġplac": 28860, "ĉtarget": 28861, "Ġviral": 28862, "asso": 28863, "()/": 28864, "unde": 28865, "ĠAdobe": 28866, "Os": 28867, "visited": 28868, "ĠOW": 28869, "ĠFeed": 28870, "ĠSequence": 28871, "Ġmanages": 28872, "inson": 28873, "ĠLouisiana": 28874, "{})": 28875, "ĠHab": 28876, "ĠLD": 28877, "Ġbip": 28878, "prites": 28879, "(elem": 28880, ".hibernate": 28881, "élé": 28882, "Ġohne": 28883, "_transaction": 28884, "Ġannunci": 28885, "Published": 28886, "ĠHonda": 28887, "ĠTam": 28888, "ĠPacket": 28889, "_selector": 28890, "Ġchallenged": 28891, "Processing": 28892, "-hover": 28893, "Ġtrainer": 28894, "_cancel": 28895, "ĠNSDictionary": 28896, "abric": 28897, "ĠMLS": 28898, "_sensor": 28899, "Ġshrink": 28900, "ĠFX": 28901, "threshold": 28902, "ĉHX": 28903, "-mark": 28904, "`.`": 28905, "Scheme": 28906, "(full": 28907, "_writer": 28908, "ĠSys": 28909, "Ġfled": 28910, "ĠCin": 28911, "-widget": 28912, "ĠPrevious": 28913, "Gender": 28914, "_question": 28915, "Feed": 28916, "Ġscrut": 28917, "(prefix": 28918, "ãĢĤãĢĤ": 28919, "Ġinfections": 28920, "Parts": 28921, "Ġhierarchy": 28922, "_DELETE": 28923, "ĠPatient": 28924, "_pay": 28925, "Ġpromoted": 28926, "Ġìĭ": 28927, "Ġcivilian": 28928, "Ġagriculture": 28929, "ĠPiece": 28930, "Ġstance": 28931, "utsche": 28932, "Assign": 28933, ".ACTION": 28934, "Fig": 28935, "_radius": 28936, "ĠSync": 28937, "ducer": 28938, "failure": 28939, "ensed": 28940, "ptime": 28941, "BM": 28942, "_datetime": 28943, "quivo": 28944, "QUEUE": 28945, "èĢħ": 28946, "Appear": 28947, "Ġsummit": 28948, ":void": 28949, "Ġvine": 28950, "认": 28951, "onne": 28952, "_TRANS": 28953, ".green": 28954, "_cc": 28955, "Ġhungry": 28956, "Ġ\">": 28957, "());čĊčĊ": 28958, "Extract": 28959, "izens": 28960, "Ġsolver": 28961, "Notify": 28962, "Ġenglish": 28963, "ĠShopping": 28964, "interfaces": 28965, "REQ": 28966, "Ġilleg": 28967, "ĠUIImageView": 28968, "Ġdisconnect": 28969, "ĠUntil": 28970, "ĠConservative": 28971, "@Column": 28972, "Ġshifted": 28973, "Ġ:čĊ": 28974, "Ġfich": 28975, "Ġdla": 28976, "Ġshoe": 28977, "\"),čĊ": 28978, "ularity": 28979, "_RESP": 28980, "Weather": 28981, "UIApplication": 28982, ".iterator": 28983, "Ġaging": 28984, ".Parent": 28985, "owie": 28986, "(equal": 28987, "ĠConv": 28988, "/default": 28989, "Ġmeasuring": 28990, ".prev": 28991, ".IsValid": 28992, ".Fat": 28993, "ĠsÄĥ": 28994, "keywords": 28995, "without": 28996, "Ġsovere": 28997, "Ġexchanges": 28998, "Ġmelt": 28999, "Ġislands": 29000, "ĠIntegr": 29001, "Ġjumping": 29002, "Ġgle": 29003, "Ġjournalism": 29004, "Ġdated": 29005, "Localized": 29006, "ĠRefresh": 29007, "Particle": 29008, "Ġaa": 29009, "ĠSTRICT": 29010, "Ġbod": 29011, ".Process": 29012, "_AUTO": 29013, "ĠPublished": 29014, "every": 29015, "Ġtechnological": 29016, "lsx": 29017, "Ġirrit": 29018, "Additional": 29019, "Ġdelimiter": 29020, "_language": 29021, "-area": 29022, "boys": 29023, "ĠTube": 29024, "Ġwat": 29025, "Ġmechanics": 29026, "_owner": 29027, "Spell": 29028, "ĠStories": 29029, ".AppendLine": 29030, "TableView": 29031, "hem": 29032, "stick": 29033, "ollower": 29034, "IFF": 29035, "ĠUV": 29036, "ollision": 29037, "SUB": 29038, "Ġcomparable": 29039, "Ġdonde": 29040, "sales": 29041, "llvm": 29042, "Ġ}],Ċ": 29043, "OTTOM": 29044, "ĠPurpose": 29045, "Lab": 29046, "Ġinterviewed": 29047, "ois": 29048, "asil": 29049, ".setId": 29050, "ĠInstruction": 29051, "-->": 29052, "ĠModified": 29053, "ationally": 29054, "ĠMeeting": 29055, "误": 29056, "#region": 29057, "Ġrouting": 29058, ".focus": 29059, "ĠYouth": 29060, "<": 29348, "Ġunto": 29349, "ologically": 29350, "ĠMul": 29351, "VIDIA": 29352, "Ġslim": 29353, "ĠCommissioner": 29354, "(on": 29355, "Ġunderneath": 29356, "/db": 29357, "vote": 29358, "(Message": 29359, "ĠPope": 29360, "Defined": 29361, "Ġswift": 29362, "urf": 29363, "Ġadapted": 29364, "SEL": 29365, "Ġrevenues": 29366, "Ġdivine": 29367, "=y": 29368, "Gradient": 29369, "_act": 29370, "Ġ/*!<": 29371, "Ġpolygon": 29372, "ĠFDA": 29373, "ĠCarr": 29374, "atables": 29375, "(stdout": 29376, "Ġrefriger": 29377, "Ġcoordin": 29378, "avorites": 29379, "ÑĪи": 29380, "Ġcompassion": 29381, "ĠPOSSIBILITY": 29382, "-secondary": 29383, "uracy": 29384, "Ġcompromise": 29385, "_AV": 29386, "_os": 29387, "Ġbeside": 29388, "ĥĿ": 29389, "Ġln": 29390, ".plugins": 29391, "Capacity": 29392, "alah": 29393, ".bin": 29394, "ĠCRC": 29395, "_balance": 29396, "ĠflexDirection": 29397, "Ġambit": 29398, "Ġnickname": 29399, "ĠForces": 29400, "CLE": 29401, "ĠShell": 29402, "Ġsail": 29403, "ĠWriter": 29404, "ĠAlice": 29405, "dw": 29406, "ĠIndians": 29407, "ĠMarshall": 29408, "_SRC": 29409, "Ġnormalized": 29410, "ĠJag": 29411, "ãĤĴ": 29412, "zeit": 29413, "rpc": 29414, "ÃŃc": 29415, ".inline": 29416, "Ġtravers": 29417, "_numeric": 29418, "Ġutilities": 29419, "Ġevac": 29420, "INPUT": 29421, "ĉregister": 29422, "MX": 29423, "ĠCampbell": 29424, "Ġdatasets": 29425, "Ġdemanded": 29426, "ĠinitialState": 29427, "gan": 29428, "Ġei": 29429, "Unexpected": 29430, "-web": 29431, "trait": 29432, ",Y": 29433, "ĠTodd": 29434, "Ġskeleton": 29435, "Ġoptimize": 29436, "第": 29437, "ĠUpon": 29438, "ĠStObject": 29439, "Ġaplic": 29440, ".'P": 29478, "vron": 29479, ".UN": 29480, "Ġpainter": 29481, "izarre": 29482, "Ġlav": 29483, "Ġpom": 29484, "preg": 29485, "=function": 29486, "(serial": 29487, "ifica": 29488, "uming": 29489, "åľ°": 29490, "ãģĤ": 29491, "-op": 29492, "UCH": 29493, "ĠHend": 29494, ".propTypes": 29495, "Ġyo": 29496, "Ġroutines": 29497, "Ġcaring": 29498, "Sem": 29499, "Ġreserves": 29500, "Ġpriorities": 29501, "redits": 29502, "ISTR": 29503, "ContentType": 29504, "ĠSchw": 29505, "/media": 29506, "Ġestr": 29507, "Ġclimbing": 29508, "-week": 29509, "cherche": 29510, "sensor": 29511, "ToArray": 29512, "ĠMontreal": 29513, "Ġclouds": 29514, "ĠInjectable": 29515, "ĠRice": 29516, "Ġpropaganda": 29517, "_provider": 29518, "Ġindoor": 29519, "Ġinaug": 29520, "Ġdiplom": 29521, "Ġmessaging": 29522, "_mut": 29523, "å¦Ĥ": 29524, "Ġkw": 29525, "ONS": 29526, "arians": 29527, "RPC": 29528, ")]čĊ": 29529, "-ray": 29530, "ĠSor": 29531, "mall": 29532, "Ġmarketplace": 29533, "Ġvtk": 29534, "Ma": 29535, "ogan": 29536, "igi": 29537, "Ġsponsored": 29538, "ĠDani": 29539, ".SEVER": 29540, ">'.$": 29541, "multipart": 29542, "ĠWol": 29543, "ĠtableName": 29544, "ĠUsername": 29545, "BackgroundColor": 29546, "Ġfright": 29547, "_EMAIL": 29548, "September": 29549, "_vals": 29550, "opia": 29551, "Ġspotted": 29552, "-Ch": 29553, "ĠdataSource": 29554, "/\"Ċ": 29555, "екÑĤ": 29556, "ĠRequestMethod": 29557, "ĠReplace": 29558, "-do": 29559, "ahn": 29560, "ĠPhD": 29561, "].ĊĊ": 29562, "NON": 29563, "gement": 29564, "ĠThr": 29565, "Ġquietly": 29566, "Ġtorture": 29567, "Ġteas": 29568, "ĠCY": 29569, "Ġatr": 29570, "development": 29571, "-detail": 29572, "Ġlighter": 29573, "Ġarguing": 29574, "Ġdeserves": 29575, "Ġcurriculum": 29576, "_CONTEXT": 29577, "ÅĤy": 29578, "HITE": 29579, "ĉID": 29580, "/uploads": 29581, "Ġtits": 29582, "reo": 29583, "_drop": 29584, ".UTF": 29585, "Ġpickup": 29586, "Ġgrocery": 29587, "ĠPure": 29588, "Ġeasiest": 29589, "Phil": 29590, ".feature": 29591, "(\"*": 29592, "Ġinvestor": 29593, "tok": 29594, "Ġjar": 29595, "Los": 29596, "âĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶ": 29597, ".queue": 29598, "-speed": 29599, "Mal": 29600, "umblr": 29601, "ĠCONST": 29602, "ĠHRESULT": 29603, "ĠDance": 29604, "(filePath": 29605, "Ġattributed": 29606, "à¥į": 29607, "ĠBund": 29608, "coins": 29609, "Ġsão": 29610, "Ġpir": 29611, "personal": 29612, "Ġprelim": 29613, "Ġpropose": 29614, "ĠTL": 29615, "]])": 29616, "ĠSubscription": 29617, "ĠKre": 29618, ",len": 29619, ".FirstOrDefault": 29620, ")--": 29621, "_products": 29622, ".GetBytes": 29623, "Ship": 29624, "Ġencrypt": 29625, "ĠSG": 29626, "ĠMyst": 29627, "hir": 29628, "Ġiterate": 29629, "Ġintend": 29630, ".mockito": 29631, "Ġchapters": 29632, "(angle": 29633, "ĠVlad": 29634, "设": 29635, "'.ĊĊ": 29636, "ResponseBody": 29637, "ĠAbd": 29638, "deal": 29639, "Ġbarriers": 29640, "-outline": 29641, "bill": 29642, "ĠFalls": 29643, "_second": 29644, ".include": 29645, ".ceil": 29646, "Ġoccupation": 29647, "phony": 29648, ".moveTo": 29649, "ĠJennifer": 29650, "ASTER": 29651, ";\"><": 29652, "ĠEnabled": 29653, "Ġterminate": 29654, "ĠIo": 29655, "lations": 29656, "ĠTHEORY": 29657, "Ġearliest": 29658, "Ġrack": 29659, "ĠScar": 29660, "shake": 29661, "chip": 29662, "Ġuv": 29663, "Ġalliance": 29664, "пиÑģ": 29665, "ĠGOODS": 29666, "zione": 29667, "ĠVI": 29668, "Ġ{-": 29669, "Ġfiltering": 29670, "Ġmiscon": 29671, ".DockStyle": 29672, "Ġbush": 29673, "Ġjunk": 29674, "æĮ": 29675, "ĠQUE": 29676, "Ġhooks": 29677, "Ġfirmware": 29678, "Ġmiddleware": 29679, "dic": 29680, "ĠOakland": 29681, "Ġarrives": 29682, "Payload": 29683, "pixel": 29684, "]|": 29685, "ĠstartDate": 29686, ".PRO": 29687, "_audio": 29688, "Ġmidfield": 29689, "igidbody": 29690, "ĠSwiss": 29691, "ĠClip": 29692, "ĠDump": 29693, "ĠTextBox": 29694, "Ġgeh": 29695, "yield": 29696, "ods": 29697, "Ġreferendum": 29698, "Backend": 29699, "ĠCream": 29700, "Ġdominated": 29701, "ĠArchive": 29702, "Ġriders": 29703, ".prepareStatement": 29704, "Ġquando": 29705, "Ġchef": 29706, "wiki": 29707, "inel": 29708, "ampling": 29709, "(\"\\\\": 29710, "Ġsag": 29711, "_proxy": 29712, "ãģķ": 29713, "pdo": 29714, ".getElementsByTagName": 29715, "Ġdemonstration": 29716, "ĠNPC": 29717, "Ġarchivo": 29718, "endance": 29719, "Ġefficiently": 29720, "(actual": 29721, ".tableView": 29722, "Ġmush": 29723, "Ġbears": 29724, "_threads": 29725, "jas": 29726, "ahun": 29727, "Ġneural": 29728, "Ġdesigning": 29729, "ĠGDP": 29730, "Ġlifted": 29731, "缮": 29732, "ĠJoint": 29733, "ĠInclude": 29734, "ĠGiants": 29735, "Ġwithdrawal": 29736, "ĠRent": 29737, "native": 29738, "ĠSeek": 29739, "gression": 29740, "_CPU": 29741, "\\S": 29742, "ĠShield": 29743, "Ġsolic": 29744, "Ġboom": 29745, "yecto": 29746, "Ġmanufacture": 29747, "ĠâĢĭ": 29748, "Ġbbox": 29749, "Ġearthqu": 29750, "ollectors": 29751, ":@\"%": 29752, "Ġloops": 29753, "Je": 29754, "alking": 29755, "ĠWhats": 29756, "ĠBoys": 29757, ".book": 29758, "ARGE": 29759, "_pixel": 29760, "Ġsuspects": 29761, "ι": 29762, "usp": 29763, "ĠBMW": 29764, "ieces": 29765, "(person": 29766, "å¼Ģ": 29767, "é»": 29768, "ĠPodcast": 29769, "Ġbou": 29770, "(Item": 29771, "û": 29772, "(Input": 29773, "HttpGet": 29774, "Ġburg": 29775, ")^": 29776, "BOARD": 29777, "*/,": 29778, "Ġgulp": 29779, "ĠBenn": 29780, "Ġdecks": 29781, ".statusCode": 29782, "Ġacute": 29783, "Ġhug": 29784, "ugu": 29785, "Ġpled": 29786, ",\"%": 29787, "hape": 29788, "Ġзап": 29789, "ĠMaine": 29790, ".real": 29791, "Ġdalam": 29792, "ĠMinor": 29793, ".Float": 29794, "disp": 29795, "Ġtl": 29796, "Ġencount": 29797, "=>$": 29798, "Ġfg": 29799, "tees": 29800, "ĠRecomm": 29801, "äl": 29802, "Ġchemistry": 29803, "Blocks": 29804, "OID": 29805, "Ġforex": 29806, "ĠAppend": 29807, "Ġ{*": 29808, "ĠSupply": 29809, "CGFloat": 29810, "(bl": 29811, "Ġate": 29812, "adora": 29813, "Ġgust": 29814, "Associ": 29815, ">.Ċ": 29816, "FETCH": 29817, ".serial": 29818, "widgets": 29819, "ardless": 29820, "iefs": 29821, "_FULL": 29822, "ernetes": 29823, "ĠPred": 29824, "ØŃ": 29825, "äºĭ": 29826, "ubernetes": 29827, "ĠLaura": 29828, "Ġlabeled": 29829, "Highlight": 29830, "Ġannoying": 29831, "/update": 29832, "(description": 29833, "Ġintimid": 29834, "$c": 29835, "\")))Ċ": 29836, ".AP": 29837, "Ġ[]*": 29838, "ĠEXIT": 29839, ".Host": 29840, "ĠOPEN": 29841, ".sendMessage": 29842, "_camera": 29843, "_tile": 29844, "Ġtherm": 29845, "onomous": 29846, "Ġdisadv": 29847, "Ġnaar": 29848, "indexOf": 29849, "ĠPP": 29850, ".protocol": 29851, "AFE": 29852, "Ġtextures": 29853, "################################################": 29854, "umbai": 29855, ".stats": 29856, "ĠGE": 29857, "Ġie": 29858, "ĠSTD": 29859, "ĠMann": 29860, ".reflect": 29861, "KB": 29862, "Ġdive": 29863, ".wav": 29864, "/*----------------------------------------------------------------": 29865, "/settings": 29866, ".lifecycle": 29867, "Ġdaughters": 29868, "orus": 29869, "uber": 29870, "NING": 29871, "stri": 29872, "ĠTip": 29873, "Ġzn": 29874, "Ġswitched": 29875, "inet": 29876, "uffy": 29877, "ĠTransportation": 29878, "(conf": 29879, "frica": 29880, "ĠXL": 29881, "ĠLead": 29882, "_percent": 29883, "__": 29899, "permissions": 29900, "ĠDetermine": 29901, ".Man": 29902, "Ġadvances": 29903, ".InputStream": 29904, "Ġstrongest": 29905, "ĠeBay": 29906, "Ġ#-": 29907, "Ġdirname": 29908, "ĠSMS": 29909, "Ġmedications": 29910, "Ġamended": 29911, "Ġchurches": 29912, "ĠImperial": 29913, "$row": 29914, "ĠMadison": 29915, "ĠInsp": 29916, "Ġaffair": 29917, "Ġpsychology": 29918, "vh": 29919, "Ġseverity": 29920, "âĢIJ": 29921, "Ġstrips": 29922, "AH": 29923, "vertising": 29924, "Ġconse": 29925, "IMAGE": 29926, "ĠStats": 29927, "ĉsc": 29928, ".Cursor": 29929, "Ġfreeze": 29930, "sson": 29931, "(xml": 29932, "ĠSusan": 29933, ".tile": 29934, "eded": 29935, "ĠĠĠĠĉĉĉ": 29936, "uelle": 29937, "ĠMitchell": 29938, "based": 29939, "Operand": 29940, "½æķ°": 29941, "ĠFF": 29942, "ĉstrcpy": 29943, "ounces": 29944, "ildo": 29945, ".executeQuery": 29946, "Ġapproaching": 29947, "ĠSeven": 29948, "Ġnuts": 29949, "Ġric": 29950, "assignment": 29951, "Ġcalculator": 29952, "ĠMurphy": 29953, "ĠBou": 29954, "íĦ": 29955, "Ġbutt": 29956, "Ġticks": 29957, "Projects": 29958, "ilib": 29959, ".textColor": 29960, "mov": 29961, "_logo": 29962, "(template": 29963, "ĠINIT": 29964, "ĠimageView": 29965, "scriptions": 29966, "ORITY": 29967, "Consumer": 29968, "Ġunprecedented": 29969, "Ġtourist": 29970, "Ġbron": 29971, "Ġcontractor": 29972, "Ġlicence": 29973, "ĠNam": 29974, "æ¯": 29975, "(transform": 29976, "_ATT": 29977, "Pref": 29978, "ĠGam": 29979, "Ġvessels": 29980, "Ġhav": 29981, "Later": 29982, ".ToLower": 29983, "Ġurls": 29984, "Ġbreakdown": 29985, "Ġpenalties": 29986, "Ġfoster": 29987, "ĠUE": 29988, "Ġclue": 29989, "comed": 29990, "åIJį称": 29991, "-main": 29992, "Ġpts": 29993, "Ġcounted": 29994, "icts": 29995, "/post": 29996, "Ġgetattr": 29997, "Ġping": 29998, "ANCEL": 29999, "Ġpec": 30000, "Ñħод": 30001, "antom": 30002, "ĠBlueprint": 30003, "ĠEventEmitter": 30004, "Ġlä": 30005, "æ²": 30006, "Ġstraw": 30007, "(comp": 30008, "'une": 30009, ">N": 30010, "-client": 30011, "esModule": 30012, "-base": 30013, "Ġretreat": 30014, "_simple": 30015, "ĉĉĉĉĉĉĠ": 30016, "fee": 30017, "')čĊčĊ": 30018, "ControlItem": 30019, "Ġsubscribers": 30020, "please": 30021, "ĠEff": 30022, "Ġpound": 30023, "ĠBytes": 30024, "ĠTea": 30025, "_activity": 30026, "Ġmaxim": 30027, "Ġopcode": 30028, "BSD": 30029, ".constant": 30030, ";}": 30031, "ombres": 30032, "Ġcareers": 30033, ").ĊĊĊĊ": 30034, "Ġspreading": 30035, "-expanded": 30036, "ĠOrd": 30037, "amarin": 30038, "Ġmobility": 30039, "Unfortunately": 30040, "akk": 30041, "NL": 30042, "_redirect": 30043, "ĠPG": 30044, "ĠSensor": 30045, "bol": 30046, "tap": 30047, "_MEMORY": 30048, "ĠUIAlert": 30049, "plitude": 30050, "Website": 30051, "ĠLogo": 30052, "love": 30053, "[ind": 30054, "Ġaltogether": 30055, "Ġwondered": 30056, "Ġesper": 30057, "ĠLiberal": 30058, "Ġoss": 30059, "Ġelit": 30060, "Ġstiff": 30061, "odox": 30062, "_mentions": 30063, "ĠDouglas": 30064, "_pid": 30065, "ĠCK": 30066, "ĠinitWithFrame": 30067, ".blog": 30068, "pkg": 30069, "anghai": 30070, "QUIRED": 30071, "uu": 30072, "Ġmkdir": 30073, "ATAL": 30074, "Ġunh": 30075, "inces": 30076, "sth": 30077, "Ġhypothesis": 30078, "Ġcata": 30079, "ĠTB": 30080, "ĠClar": 30081, "Ġpredecess": 30082, "Ġsituated": 30083, "-world": 30084, "))/": 30085, "Ġheadlines": 30086, ".stat": 30087, "Ġoutbreak": 30088, "spath": 30089, "_FLAGS": 30090, "ĠServletException": 30091, "Sun": 30092, "FROM": 30093, "ĠDir": 30094, "ãĥ»ãĥ»ãĥ»": 30095, "_coord": 30096, "ĠOptim": 30097, "Monitor": 30098, ".bit": 30099, "XXX": 30100, "Ġtodas": 30101, "feld": 30102, "ÑĢи": 30103, "imir": 30104, "Ġpolitically": 30105, "Ġmolecular": 30106, "Ġtraded": 30107, "Ġ{{$": 30108, "ĠSwedish": 30109, "Ġ'@/": 30110, "_REAL": 30111, "Ġwarehouse": 30112, "today": 30113, ",L": 30114, "orp": 30115, "false": 30392, "Ġspa": 30393, "ĠNear": 30394, "ìķ": 30395, "Ġintrig": 30396, "_members": 30397, "wave": 30398, "Ġanalysts": 30399, "_OS": 30400, "edin": 30401, "ĠFri": 30402, "Ġretrieved": 30403, "Regular": 30404, "_obs": 30405, "EXPORT": 30406, "')}}\"": 30407, "\"class": 30408, "__((": 30409, "bucket": 30410, "Ġstro": 30411, "ĠPatch": 30412, "ystick": 30413, "fulness": 30414, "apos": 30415, "Da": 30416, "ĉĉĉĉĉĠĠĠ": 30417, "Ġenrich": 30418, "unordered": 30419, "hole": 30420, "Cong": 30421, "';ĊĊ": 30463, "STRUCT": 30464, "QR": 30465, "IDs": 30466, "(arguments": 30467, "_aux": 30468, "(Event": 30469, "_PRIVATE": 30470, "ĠTrek": 30471, "Ġdownloads": 30472, "mutable": 30473, "_STRUCT": 30474, "(wx": 30475, "Ġdomains": 30476, "jspx": 30477, "ĠViagra": 30478, "Commands": 30479, "Js": 30480, ".cfg": 30481, "ContentPane": 30482, "ĠEditText": 30483, "à¥įà¤": 30484, "Attach": 30485, "ĠARM": 30486, "positive": 30487, "ĠGenerated": 30488, "Ġseized": 30489, "=:": 30490, "Ġelectronics": 30491, "ĠAppComponent": 30492, "/',Ċ": 30493, ".equalsIgnoreCase": 30494, "Doctrine": 30495, "disk": 30496, "ĠPolitical": 30497, "CHO": 30498, "": 30584, "ĠBeauty": 30585, "Ġ`<": 30586, "Ġtouching": 30587, "Ġ|--": 30588, "ĉflag": 30589, "normalize": 30590, "Ġtrapped": 30591, "Ġestablishing": 30592, "/build": 30593, "AJ": 30594, "fy": 30595, "-react": 30596, "avn": 30597, "RIPTION": 30598, "Ġkut": 30599, "ĠFashion": 30600, "ĠInform": 30601, "curities": 30602, "{Ċ": 30634, "Ġgarlic": 30635, "Ġrepr": 30636, "Ġreplies": 30637, "(prop": 30638, "Ġspirits": 30639, "Ġinspire": 30640, "Ġbasement": 30641, ".reject": 30642, "Ġhints": 30643, "Ġpolling": 30644, "ĉĠĊ": 30645, "_rating": 30646, "Ġcath": 30647, "avier": 30648, "Ġcompressed": 30649, "ĠVS": 30650, "]'": 30651, "Ġjudicial": 30652, "ĠTrend": 30653, "training": 30654, "ESTAMP": 30655, "ognition": 30656, "Äģ": 30657, "SENT": 30658, "ventions": 30659, "Ġconsultant": 30660, "umph": 30661, "ĠuserService": 30662, ",NULL": 30663, "kh": 30664, "Dear": 30665, "_BAD": 30666, "itations": 30667, "Ġmetaph": 30668, "'é": 30669, "andise": 30670, "-font": 30671, ".chart": 30672, "Ġsg": 30673, "_Controller": 30674, ".jpeg": 30675, "ĠULONG": 30676, "ĉgame": 30677, "(ss": 30678, "ĠMaj": 30679, "ĉgo": 30680, "ĠSad": 30681, "ĠBerg": 30682, "ĠMine": 30683, "Pack": 30684, "Ġresistant": 30685, "ĠROM": 30686, "Ġpeg": 30687, "ĠStanford": 30688, "ĠYahoo": 30689, "Ġscaled": 30690, "Ġlan": 30691, "=[]": 30692, "\"/>ččĊ": 30736, "Ġsud": 30737, "ĉbackground": 30738, "Ġscholars": 30739, "-muted": 30740, "ará": 30741, "Ġ=====": 30742, "Ġ____": 30743, "Creat": 30744, "enever": 30745, "/wp": 30746, "ĠVPN": 30747, "ErrorCode": 30748, ")],Ċ": 30749, "(builder": 30750, "ĠEnemy": 30751, "Sensor": 30752, "usa": 30753, "Ġtriggers": 30754, "Ġplayoffs": 30755, "_REQ": 30756, "Ġ(~": 30757, "ĠBarry": 30758, "Ġpermanently": 30759, "ĠRUN": 30760, "Ġbure": 30761, ".Fatalf": 30762, "Ġchick": 30763, "ĉpanic": 30764, "psi": 30765, "oka": 30766, "éĢī": 30767, ">[": 30768, "Ġunderstands": 30769, "ĠJunior": 30770, "ĠINFO": 30771, "=mysqli": 30772, "ustain": 30773, "-source": 30774, "serv": 30775, "ĠCREATE": 30776, ".au": 30777, "Ġsells": 30778, "ĠĠĊĠĠĊ": 30779, "Europe": 30780, "zw": 30781, "preh": 30782, "ĠNSA": 30783, "Ġxy": 30784, "ิ": 30785, "ĠBeyond": 30786, "Instead": 30787, "NonQuery": 30788, "Ġarise": 30789, "Ġavoided": 30790, ".emplace": 30791, "_models": 30792, "}),Ċ": 30793, "Ġhid": 30794, "Ġ&_": 30795, ".points": 30796, ".getWidth": 30797, ".Exec": 30798, "Ġ////": 30799, "ĠSessions": 30800, "...\\": 30801, "ĠColomb": 30802, "Ġacceleration": 30803, "restore": 30804, "Ġile": 30805, "obic": 30806, "}Ċ": 31296, "plaint": 31297, "getText": 31298, "Ġindividually": 31299, "Ġcheckbox": 31300, "UY": 31301, "ĠLamb": 31302, "Ġdysfunction": 31303, "ĠLar": 31304, "à°": 31305, "ĠCreating": 31306, "');ĊĊĊ": 31307, "\"They": 31308, "locations": 31309, "_CORE": 31310, "Interaction": 31311, "umbnails": 31312, "ĠPartner": 31313, "brit": 31314, "Ġlesser": 31315, "ĠSlot": 31316, "setAttribute": 31317, "ĠWave": 31318, ".po": 31319, "/store": 31320, "Ġbrowsing": 31321, "_pd": 31322, "sume": 31323, "sed": 31324, "Curve": 31325, "Ġplasma": 31326, "Ġsuspicious": 31327, "ìĿ¸": 31328, "ĠBah": 31329, "ĠExplicit": 31330, "_CC": 31331, ".ClientSize": 31332, "\\View": 31333, "Ġsubstit": 31334, "loon": 31335, "ĠGAME": 31336, "ĠBrid": 31337, "Ľå»º": 31338, "_User": 31339, "Ġsquares": 31340, "fone": 31341, "Ġsacred": 31342, "ughs": 31343, "]interface": 31344, "ĠThrow": 31345, "ĠKirk": 31346, "Ġempire": 31347, "Ġassessed": 31348, "Tax": 31349, "ĠHeaven": 31350, "-buffer": 31351, "_STATIC": 31352, "éné": 31353, "-bordered": 31354, "Ġpunct": 31355, "(mode": 31356, "Ġkeine": 31357, "Sent": 31358, "ĠCalcul": 31359, "ĠEve": 31360, "Ġstylish": 31361, "Ġoils": 31362, ".TestCase": 31363, "Ġtrademark": 31364, "Ġliterary": 31365, "Ġconcentrations": 31366, "ĠRelations": 31367, "(Class": 31368, "Ġstdin": 31369, "Ġvæ": 31370, "backup": 31371, ".VERSION": 31372, ".AutoScaleDimensions": 31373, "starter": 31374, "Transactional": 31375, "-panel": 31376, "Studio": 31377, "kc": 31378, "ĠChamber": 31379, "ĠSpiel": 31380, "Ġrho": 31381, "اÙĦ": 31382, "!'": 31383, ".Attributes": 31384, "Ġmurdered": 31385, "apeutic": 31386, "Ġintimate": 31387, "ĠtextField": 31388, "ĠBuffalo": 31389, "dummy": 31390, "\"%": 31391, "ĠLiberty": 31392, "obar": 31393, "ĠTank": 31394, "ĠPopular": 31395, "ervisor": 31396, "ĠIniti": 31397, "ĠMall": 31398, "ĠPrior": 31399, "CAP": 31400, "ĠClay": 31401, "ĠCertificate": 31402, ".Lock": 31403, "-strip": 31404, "-driven": 31405, "/all": 31406, "ĠMessageBoxButtons": 31407, "_SECRET": 31408, "_pb": 31409, "Ġrats": 31410, "ाà¤": 31411, "Ġnt": 31412, ".Router": 31413, "_topic": 31414, "Ġtennis": 31415, "ĠPUBLIC": 31416, "ĠActivatedRoute": 31417, "Ġ',Ċ": 31418, "Ġcostume": 31419, "Ġjokes": 31420, ".Handle": 31421, "ĉbyte": 31422, "Ġflavors": 31423, "(cc": 31424, "Ġpersonas": 31425, "ĉimage": 31426, "ĠNazi": 31427, "Ġgrammar": 31428, "Ġúlt": 31429, "Ġvalve": 31430, "Ġvic": 31431, "ĠRachel": 31432, "_invalid": 31433, "Prefs": 31434, "stdint": 31435, "(route": 31436, "Ġhtmlspecialchars": 31437, "Ġpeoples": 31438, "pline": 31439, "Ġnv": 31440, "ĠQuant": 31441, "oppers": 31442, "ĠcurrentUser": 31443, "ĠCatal": 31444, "Ġreconc": 31445, "Ġconjunction": 31446, "lx": 31447, "amburg": 31448, "Ġinfluential": 31449, "danger": 31450, "inders": 31451, "Ġ%@\",": 31452, ".configuration": 31453, "osome": 31454, ".identity": 31455, "Ġpicker": 31456, "nost": 31457, "ĠDIY": 31458, "August": 31459, "ablo": 31460, "Leaf": 31461, "ĠReco": 31462, "cko": 31463, "DOC": 31464, "ĠHerm": 31465, ":any": 31466, "ĠInterview": 31467, "ĠTex": 31468, "xfe": 31469, "(work": 31470, "Ġleap": 31471, "Heading": 31472, "Ġquarters": 31473, "\\Bundle": 31474, "reb": 31475, "Perhaps": 31476, "ĠGmbH": 31477, "Birth": 31478, "ĉsum": 31479, "ĠWatson": 31480, ".nil": 31481, "ç¡": 31482, "{}ĊĊ": 31483, "icaid": 31484, "Getter": 31485, "\"name": 31486, "Ġ\"čĊ": 31487, "_none": 31488, "zm": 31489, "acute": 31490, "uesto": 31491, "Ġsous": 31492, "Ġrebuild": 31493, "Ġnewspapers": 31494, "ĠHaz": 31495, "Ġkits": 31496, "ifo": 31497, "Blur": 31498, "Ġsuited": 31499, "-In": 31500, "à¯": 31501, "ĠKeith": 31502, "ĠNorway": 31503, "INIT": 31504, "ireccion": 31505, "ieties": 31506, "_usage": 31507, "ĠDoug": 31508, "rise": 31509, "Ġtrillion": 31510, "imited": 31511, "ĠREL": 31512, "alic": 31513, "Ġcriticized": 31514, "theorem": 31515, "Ġcease": 31516, "Ġsidew": 31517, "ĠTerry": 31518, "Ġsubsidi": 31519, "Ġfirmly": 31520, "Ġaws": 31521, "Ġhott": 31522, "Ġdressing": 31523, "badge": 31524, "ĠApplications": 31525, "è¿ĶåĽŀ": 31526, "Ġlaughed": 31527, "Ġhobby": 31528, "Ġmusicians": 31529, "Ġ*.": 31530, ".placeholder": 31531, "Ġcounters": 31532, "ĠCapitol": 31533, "SDK": 31534, "Ġhelmet": 31535, "andbox": 31536, "quit": 31537, "Ġcriminals": 31538, "Ġteenager": 31539, "(update": 31540, "Gl": 31541, ".selection": 31542, "Ġdischarge": 31543, "Ġpresenting": 31544, "ufacturer": 31545, "_UNKNOWN": 31546, "Ġstressed": 31547, "åĻ¨": 31548, "Proto": 31549, "_correct": 31550, "haus": 31551, "Ġrenov": 31552, "Ġfirearms": 31553, "Ġtechnically": 31554, "-browser": 31555, "Ġcandy": 31556, "Stroke": 31557, "Ġexecutor": 31558, "Ġoccurrence": 31559, "ĠIPv": 31560, "_INTERFACE": 31561, "ĠRetrieve": 31562, ".bad": 31563, "Exchange": 31564, "Navbar": 31565, "ĠKid": 31566, "(getApplicationContext": 31567, "_STOP": 31568, "ĠBoss": 31569, "Listeners": 31570, "Ġshooter": 31571, "ĠAlb": 31572, "äch": 31573, "Ġpix": 31574, ".keyCode": 31575, "alone": 31576, "Ġabsurd": 31577, "ĠCum": 31578, "ĠNewtonsoft": 31579, "ikt": 31580, "Ġlaughing": 31581, "Ġcapitalism": 31582, "reeNode": 31583, "Tx": 31584, "_QUERY": 31585, ".Sleep": 31586, "(login": 31587, "WebElement": 31588, "Ġcelebrating": 31589, "Ġdeprecated": 31590, "Ġmaar": 31591, "Ġartistic": 31592, "_ASSOC": 31593, "ĠBorderRadius": 31594, "ĉwp": 31595, "Ġsurvivors": 31596, "Inner": 31597, "-red": 31598, "Ġprosecution": 31599, "_pp": 31600, "(\"$": 31682, "Ġcomma": 31683, "unchecked": 31684, "graphics": 31685, "rors": 31686, "GROUND": 31687, "(public": 31688, "Ġcustomized": 31689, "ĠArkansas": 31690, "ĠRew": 31691, "Ġexpiration": 31692, "×ķ": 31693, "ĠCul": 31694, "Ġnons": 31695, ".Filter": 31696, "Ġsenator": 31697, "_definition": 31698, "ashington": 31699, "ymph": 31700, "/J": 31701, "Ġfuse": 31702, "ramid": 31703, "ĠSupplier": 31704, "Ġautocomplete": 31705, "Ġ}),": 31706, ".\"ĊĊĊ": 31707, "_functions": 31708, "ĉto": 31709, ".eval": 31710, "ĠTObject": 31711, "References": 31712, "Ġheated": 31713, "HAL": 31714, "Ġ))}Ċ": 31715, "}$": 31716, "ĠBarr": 31717, "_UNIT": 31718, "+$": 31719, "ĠgetValue": 31720, "iped": 31721, "chied": 31722, "(vm": 31723, "cue": 31724, "_integer": 31725, "_course": 31726, "third": 31727, "Ġrevised": 31728, "**/Ċ": 31729, "_DIRECT": 31730, "OutOf": 31731, "(\"(": 31732, "ĠFeel": 31733, "Ġreass": 31734, "Ġsubtitle": 31735, "peri": 31736, "nf": 31737, "Ġenjoys": 31738, "Ġtreats": 31739, ")this": 31740, "-tabs": 31741, "ancers": 31742, "Ġcontinent": 31743, "Ġcardio": 31744, "Ser": 31745, ".question": 31746, "Ġphrases": 31747, "Validators": 31748, "Ġpopul": 31749, "ĠlÃŃ": 31750, "song": 31751, "_INTERNAL": 31752, "Ġadviser": 31753, "Ġpuzz": 31754, "Ġambitious": 31755, "ĠTob": 31756, "ĠDP": 31757, "Ġpresidency": 31758, "Ġsurrender": 31759, "Ġwatches": 31760, "_binary": 31761, "ĠSoon": 31762, "Ġcanada": 31763, "(\"\")Ċ": 31764, "]='": 31765, "ĠBrandon": 31766, "epsilon": 31767, "rw": 31768, ".addChild": 31769, ".Copy": 31770, "Principal": 31771, "Photos": 31772, "Ġmarginal": 31773, "Ġbasics": 31774, "eing": 31775, "Must": 31776, "_String": 31777, "Ġole": 31778, "Magento": 31779, ".customer": 31780, "(prev": 31781, "ล": 31782, "Ġloyalty": 31783, "Cog": 31784, "Ġprotocols": 31785, "ĠCompanies": 31786, "Ġtheoretical": 31787, "Ġaccessing": 31788, "ĠZen": 31789, ".ones": 31790, "attice": 31791, "_world": 31792, "zes": 31793, "Ġtattoo": 31794, "Ġmenos": 31795, "Ġintersect": 31796, "\"];ĊĊ": 31797, "belie": 31798, "Ġinactive": 31799, ".readline": 31800, "-labelled": 31801, ".done": 31802, "lickr": 31803, "ĠWORK": 31804, "Ġderivative": 31805, "Ġdatabases": 31806, "âĤĤ": 31807, "Ġsx": 31808, ".isArray": 31809, "Ġys": 31810, "Ġpada": 31811, "ĠBullet": 31812, "(`/": 31813, "isActive": 31814, "ĠCGSize": 31815, "(equalTo": 31816, "ĠColumbus": 31817, "Ġmarry": 31818, "DEV": 31819, "_limits": 31820, "rones": 31821, "IAS": 31822, "Ġtau": 31823, "mino": 31824, "_Write": 31825, "ĠWine": 31826, "Ġ[['": 31827, "ĠPull": 31828, "riters": 31829, "rients": 31830, "Ġshifting": 31831, "upp": 31832, "_TIMER": 31833, "ĠConditions": 31834, "ấ": 31835, "ĠOrders": 31836, "ĠStrength": 31837, "æīĢ": 31838, "Ġvalidity": 31839, "Ġfot": 31840, "etur": 31841, "Ġbolt": 31842, "åĨħ": 31843, "ĠAlong": 31844, "oshi": 31845, "Ġassumptions": 31846, "Ġmagazines": 31847, "_SPI": 31848, "Ġpunt": 31849, "_PRODUCT": 31850, "Ġrelay": 31851, "ĠJavascript": 31852, ".te": 31853, "-es": 31854, "Ġwidgets": 31855, "(fs": 31856, "\";": 31923, "atching": 31924, "ĠKnowledge": 31925, "ĉThe": 31926, ";margin": 31927, "lessness": 31928, "opard": 31929, "umatic": 31930, "()));čĊ": 31931, "Ġfals": 31932, "(cache": 31933, "TypeId": 31934, "éĢļ": 31935, "_choice": 31936, "ĠGoth": 31937, "ĠSites": 31938, "MG": 31939, "_border": 31940, "Indices": 31941, "Comparer": 31942, "ĠRedistribution": 31943, "Ġcloset": 31944, "Ġversatile": 31945, "Inputs": 31946, "********************": 31947, "Ġobesity": 31948, "quiz": 31949, "gra": 31950, "(global": 31951, "åĬ¡": 31952, "Ġcollector": 31953, "Ġkor": 31954, "ovable": 31955, "ADC": 31956, "ĠEventHandler": 31957, ".nc": 31958, "Ġplayback": 31959, "ientos": 31960, "_perm": 31961, "_WARNING": 31962, "ĠOlympics": 31963, ".norm": 31964, "ĠBroadcast": 31965, "_small": 31966, "drive": 31967, ".iloc": 31968, "Ġtyped": 31969, "MEM": 31970, "_cons": 31971, "DMETHOD": 31972, "Ġlun": 31973, ".distance": 31974, "(par": 31975, "poon": 31976, "Ġbast": 31977, "activities": 31978, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 31979, ":čĊčĊ": 31980, "SER": 31981, ")&&": 31982, "_lst": 31983, "ĠPolish": 31984, "Ġknocked": 31985, "Ġfrustration": 31986, "aukee": 31987, "Ġphosph": 31988, "iquid": 31989, "_coeff": 31990, "æѤ": 31991, "Latest": 31992, "ĠDust": 31993, "Tipo": 31994, "Ġmaintains": 31995, "Ġmarsh": 31996, "incinn": 31997, "lbl": 31998, "Care": 31999, "Ġneighborhoods": 32000, "_gpio": 32001, "ĠArsenal": 32002, "Dem": 32003, "ĠWhe": 32004, "_hook": 32005, "Ġldc": 32006, "ĠHarper": 32007, "ĠBerkeley": 32008, "Ġgraduated": 32009, "Percent": 32010, "Ġarriving": 32011, "ĠAdventure": 32012, "(scope": 32013, "('*": 32014, "quarter": 32015, "ĠMarie": 32016, "Speaking": 32017, "_codegen": 32018, "Ġimmun": 32019, "caster": 32020, "ãĤĮ": 32021, "åķĨ": 32022, "ĠDimensions": 32023, ".record": 32024, "Ġtexto": 32025, "ĠMichelle": 32026, "Pending": 32027, "(by": 32028, "_PAR": 32029, "ucht": 32030, "bee": 32031, ".Thread": 32032, "ampire": 32033, "know": 32034, "ĠClinical": 32035, "ĠmarginBottom": 32036, "Ġdistinguish": 32037, ".Full": 32038, ".undefined": 32039, "ĠSequelize": 32040, "############################################################################": 32041, "Ġeducated": 32042, "_OVER": 32043, "åºı": 32044, "ĠÂłĠÂł": 32045, "_each": 32046, "Ġurge": 32047, "depart": 32048, "Ġdonors": 32049, "ĠAu": 32050, "Ġbillions": 32051, "Ġbelonging": 32052, "_age": 32053, "_Int": 32054, "Ġsubstances": 32055, "machine": 32056, "!!!ĊĊ": 32057, "Ġjsonify": 32058, "ibbean": 32059, "ĠCad": 32060, "ĠendTime": 32061, "Ġcycling": 32062, "ĠUITextField": 32063, "Ġleverage": 32064, "Ġvanilla": 32065, "eat": 32066, "Launch": 32067, "(pt": 32068, "states": 32069, "ĠControls": 32070, "ĠRespons": 32071, "ĠJake": 32072, "Ġasleep": 32073, "fortunate": 32074, ".nextLine": 32075, "SizeMode": 32076, "ìĿ¼": 32077, "TestingModule": 32078, "German": 32079, "ĠInvestig": 32080, ".reverse": 32081, "ĠBACK": 32082, "(DateTime": 32083, "Ġnonprofit": 32084, "ĠExpect": 32085, "Ġtanto": 32086, "']),": 32087, "ĉthe": 32088, "Multiple": 32089, "(getActivity": 32090, "_WAIT": 32091, "Ġjá": 32092, "decor": 32093, "levance": 32094, "ĠGitHub": 32095, "mination": 32096, "_quantity": 32097, ".Scanner": 32098, "ĠLion": 32099, "éĶĻ误": 32100, "Ġdre": 32101, "Ġtantra": 32102, "ĠcontentType": 32103, "Ġfid": 32104, "_alt": 32105, "NSIndexPath": 32106, "-pl": 32107, "åĮĸ": 32108, "Ġantibiot": 32109, "tables": 32110, "acial": 32111, "ĠRegistry": 32112, "Ġolive": 32113, "igers": 32114, "Ġsubscriber": 32115, "_pres": 32116, "ĠSyntax": 32117, "Ġlovers": 32118, ".Byte": 32119, "olders": 32120, "_forward": 32121, "always": 32122, "Caption": 32123, "Priv": 32124, "ĠTampa": 32125, "isateur": 32126, "-labelledby": 32127, "ĠToString": 32128, "ĠìĤ¬": 32129, "Ġinitiated": 32130, "WF": 32131, "Ġinstitutional": 32132, "inject": 32133, "ĠScr": 32134, "Ġdoctrine": 32135, "Ġspacious": 32136, "isure": 32137, "ĠAna": 32138, "\"time": 32139, "essaging": 32140, "Ġcid": 32141, "ĠNan": 32142, "Ġincomplete": 32143, "TAG": 32144, "-build": 32145, "December": 32146, "Ġresidual": 32147, "(PDO": 32148, "ĠListen": 32149, "Ġglyph": 32150, "Ġgaps": 32151, "nea": 32152, ".Rect": 32153, "Ġsau": 32154, "ĠPhotograph": 32155, "Ġexecutable": 32156, "ĠExpert": 32157, "Coroutine": 32158, "_sizes": 32159, "ĠNL": 32160, ".isValid": 32161, ");}Ċ": 32162, "-reg": 32163, "Ġciting": 32164, "cwd": 32165, "ĠOttawa": 32166, "ĠBatt": 32167, "Ġrenewable": 32168, "Ġpreliminary": 32169, "Ġasylum": 32170, "Ġwrist": 32171, "Ġutiliz": 32172, "Ġdetention": 32173, "Fast": 32174, "Ġange": 32175, "incinnati": 32176, "Ġsteering": 32177, "ĠNaN": 32178, "iosity": 32179, "/page": 32180, "Ġè¿": 32181, "sterol": 32182, "Ġdisg": 32183, "(DB": 32184, "ĠDESCRIPTION": 32185, "Ġ_$": 32186, "Ġobstacle": 32187, "Ġbizarre": 32188, "Ġextraction": 32189, "_expected": 32190, "Ġloses": 32191, "ĠCelebr": 32192, "ĠhtmlFor": 32193, "Ġexploit": 32194, "олÑĮзов": 32195, "XYZ": 32196, "Ġmagnet": 32197, "amped": 32198, "Ġatoms": 32199, "Sources": 32200, "pectives": 32201, "Ñģли": 32202, "Ġ=čĊ": 32203, "Ġdare": 32204, "ĠWalter": 32205, "Ġbrightness": 32206, "Ġannotations": 32207, "ëı": 32208, "iske": 32209, "Schedule": 32210, ".images": 32211, "rosso": 32212, "Ġ\"..": 32213, "gamma": 32214, "Ġinstructor": 32215, "Ġoverwrite": 32216, "-am": 32217, "Ġdevastating": 32218, "ĠSaints": 32219, "Ġhs": 32220, "Ġbonuses": 32221, "$output": 32222, "ijd": 32223, "(ActionEvent": 32224, "monitor": 32225, "Ġmattress": 32226, "January": 32227, ".jp": 32228, "Ġcaracter": 32229, "Ġimpose": 32230, "_rest": 32231, "ĠSignature": 32232, "Ġcoronavirus": 32233, "ãģĬ": 32234, "_compare": 32235, "Measure": 32236, "itated": 32237, "elijk": 32238, "igos": 32239, "esar": 32240, "Ġrushed": 32241, "metry": 32242, "_SEPARATOR": 32243, "_WE": 32244, "_ATTRIBUTE": 32245, "Ġyaml": 32246, "Ġspecs": 32247, "ĠRah": 32248, "pheric": 32249, "ĠInvestment": 32250, "äll": 32251, "Ġappealing": 32252, "Ġviewport": 32253, "ç©": 32254, "ĠmarginLeft": 32255, "Ġsubtract": 32256, "ĠEDIT": 32257, "ĉArrayList": 32258, "grading": 32259, "ĠFailure": 32260, "asper": 32261, "EEK": 32262, "(now": 32263, ")Ċ": 32279, "Collision": 32280, "ĠGreater": 32281, "ĠRacing": 32282, "alan": 32283, "Ġmonetary": 32284, ",new": 32285, "ĠSorry": 32286, ".Enable": 32287, "ĠInstantiate": 32288, "ollen": 32289, "ë©´": 32290, "ĠCalling": 32291, "_hour": 32292, "ADA": 32293, "Ġshy": 32294, ")**": 32295, "Ġ==>": 32296, "Ġespecial": 32297, "Ġinterpreted": 32298, "!=\"": 32299, "Ġpharmacy": 32300, ".single": 32301, "ĠCialis": 32302, "Ġparas": 32303, ".toUpperCase": 32304, "ĠDemon": 32305, "Prime": 32306, "Ġrankings": 32307, "Adding": 32308, "_HASH": 32309, "ĠExam": 32310, "Ú©": 32311, "ĠVictor": 32312, "Okay": 32313, "\"];čĊ": 32314, "Ġfortune": 32315, "ĠFETCH": 32316, "expand": 32317, ".Interop": 32318, "Ġbarn": 32319, "æ¶Ī": 32320, "uevo": 32321, "Ġspeculation": 32322, "âĶĢâĶĢâĶĢâĶĢ": 32323, "ĠNu": 32324, "ĠBlues": 32325, "(fname": 32326, "Ġinhabit": 32327, "Ġ\\\"%": 32328, "CES": 32329, "ulario": 32330, "_cr": 32331, "Ġvalidated": 32332, "Ġmidnight": 32333, "anking": 32334, "Ġincorporate": 32335, "Ġpursuit": 32336, "EXP": 32337, "prime": 32338, "Pid": 32339, "-US": 32340, "ĠNurs": 32341, "ĠWheel": 32342, "éĺ": 32343, "Ġinp": 32344, "Ġsupportive": 32345, ".member": 32346, "ĠShot": 32347, ".CheckBox": 32348, "Ġaffirm": 32349, "Tor": 32350, "FullYear": 32351, "Ġconsiderably": 32352, "credentials": 32353, "_opts": 32354, "Roll": 32355, "(round": 32356, "Ġcoment": 32357, "_UART": 32358, "Ġextending": 32359, "RG": 32360, "resultado": 32361, "itu": 32362, ".getSession": 32363, "Ġattraction": 32364, "&D": 32365, "$html": 32366, "ĠJessica": 32367, "ĠAssociate": 32368, "añ": 32369, "_ed": 32370, "ĠLag": 32371, "Ġorigins": 32372, "())->": 32373, "addEventListener": 32374, "IALOG": 32375, "åIJ¦": 32376, ".Compare": 32377, "Album": 32378, "ĠKu": 32379, "\";ĊĊ": 32423, "quisite": 32424, "channels": 32425, "/res": 32426, "ĠAnalytics": 32427, ".appcompat": 32428, "/to": 32429, "ĠonError": 32430, "(attr": 32431, "IRM": 32432, "Ġragaz": 32433, "-as": 32434, ".Second": 32435, "oriented": 32436, "Ġdonn": 32437, "Ġlightning": 32438, "fid": 32439, "ĠPle": 32440, "ãģ¾ãģĻ": 32441, "tro": 32442, ".True": 32443, "Observable": 32444, "×Ļ": 32445, "umbing": 32446, "Ġprospective": 32447, "-filter": 32448, "Ġpursuant": 32449, "(points": 32450, ".Bind": 32451, "Ġpalm": 32452, "clearfix": 32453, "ös": 32454, "ĠGonz": 32455, "Ġweaken": 32456, "Drive": 32457, "enido": 32458, "lld": 32459, "obox": 32460, "anean": 32461, "Got": 32462, "ä¿Ŀ": 32463, "Regex": 32464, "æĥ": 32465, "Ġsalad": 32466, "assis": 32467, "\"net": 32468, "inheritDoc": 32469, "ĠRV": 32470, "quier": 32471, "Ġclazz": 32472, "Ä±ÅŁ": 32473, "osterone": 32474, "Ġairline": 32475, ".listdir": 32476, "Ġdownloading": 32477, "ĠPalm": 32478, "waukee": 32479, "<": 32480, ".BL": 32481, "_INLINE": 32482, "offs": 32483, "<<(": 32484, "_news": 32485, "Ġchase": 32486, "/><": 32487, "Ġeuros": 32488, "ĠEgyptian": 32489, "ĠStainless": 32490, "_BOOL": 32491, "ĠGuild": 32492, "ĠDynam": 32493, "[indexPath": 32494, "Ġï": 32495, "Ġmemorable": 32496, "ĠChampion": 32497, "ResourceManager": 32498, ".Login": 32499, "ĠFormer": 32500, "yped": 32501, "Ġlleg": 32502, ";\",": 32503, "DWORD": 32504, "Ġtaxi": 32505, "Ġbombs": 32506, "rah": 32507, ".tags": 32508, "_tests": 32509, "stones": 32510, "âĢĿ)": 32511, "[g": 32512, "rtype": 32513, "Ġvu": 32514, "Ġhostile": 32515, "Chars": 32516, "ĠPatriots": 32517, "/status": 32518, "());Ċ": 32872, "ajÄħ": 32873, "_OCC": 32874, "Ġplanets": 32875, "æŁ¥": 32876, "ĠDublin": 32877, "Ġserie": 32878, ".printf": 32879, "deep": 32880, "`)": 32881, "Ġ\\$": 32882, "Ġμ": 32883, "_VIDEO": 32884, "endors": 32885, "ĠCrypto": 32886, "Far": 32887, ".Transparent": 32888, ".TR": 32889, "iasm": 32890, "_training": 32891, "Ġteaches": 32892, "ĠBelt": 32893, "Ġlimiting": 32894, "ĠKath": 32895, "ĠIndexPath": 32896, "Ġachievements": 32897, "Ġserá": 32898, "interopRequire": 32899, "Ġdisse": 32900, ".If": 32901, "arming": 32902, "ulsion": 32903, "Po": 32904, "_DETAIL": 32905, "Prototype": 32906, "ĠCAL": 32907, "Ġagrees": 32908, ".vo": 32909, ".ExecuteNonQuery": 32910, "ĠTopic": 32911, "Ġ'{}": 32912, "Arm": 32913, "Ġecc": 32914, "Mag": 32915, "Ġserialized": 32916, "ĉconn": 32917, "cached": 32918, "=tf": 32919, "ĠByteArray": 32920, "protobuf": 32921, "varchar": 32922, "ĉASSERT": 32923, "Ġliste": 32924, "_trigger": 32925, "·¸": 32926, "Feel": 32927, "Tahoma": 32928, "ĠLik": 32929, "Ġstructured": 32930, "ergus": 32931, ".Initial": 32932, "_ge": 32933, "cljs": 32934, ".contact": 32935, "Ġandere": 32936, "$stmt": 32937, "_CURRENT": 32938, "ĠDiscover": 32939, "$res": 32940, "formatter": 32941, "Ha": 32942, "vangst": 32943, "Ġemerge": 32944, "ãĢĤâĢĿ": 32945, "ĠCabinet": 32946, "-square": 32947, "éĥ¨": 32948, "Ġrage": 32949, "ĠAJ": 32950, "ĠVT": 32951, "shadow": 32952, "ĠFaith": 32953, "enames": 32954, "pretty": 32955, "hasil": 32956, "party": 32957, "Ġvarchar": 32958, "Ġfotos": 32959, "Ġalum": 32960, "ĠBelgium": 32961, ".ylabel": 32962, "Ġdej": 32963, "_numbers": 32964, "Ġhu": 32965, ".setAdapter": 32966, "ĠUsually": 32967, "(sample": 32968, ".Shared": 32969, "Ġbooked": 32970, "Ġ>>=": 32971, "Ġminerals": 32972, "\">": 32991, "prog": 32992, "boo": 32993, "_md": 32994, "_pack": 32995, "(express": 32996, "utz": 32997, "\\Auth": 32998, ",id": 32999, "ĠChile": 33000, "actice": 33001, "Ġrecruitment": 33002, "Ġposes": 33003, "Ġvulnerability": 33004, "instanc": 33005, "orum": 33006, "dess": 33007, "Ġxl": 33008, "%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%": 33009, "(fig": 33010, "Ġdeleting": 33011, ".del": 33012, ")')Ċ": 33013, "ĠWeekly": 33014, "???": 33015, "(strcmp": 33016, "smith": 33017, "Ġpursuing": 33018, "-so": 33019, "ĠApps": 33020, "/'Ċ": 33021, "Ġdecis": 33022, "FORE": 33023, "Everyone": 33024, "Ġlanes": 33025, "Virtual": 33026, ".attach": 33027, "(Log": 33028, "ĠMedicaid": 33029, "(Path": 33030, "ĠTurner": 33031, "/application": 33032, "Ġportrait": 33033, "Ġoppose": 33034, "checkout": 33035, "Ġfinishes": 33036, "_ME": 33037, "Barrier": 33038, "Song": 33039, "VAR": 33040, "Earlier": 33041, "rella": 33042, "Ġhast": 33043, "azar": 33044, "Ġpulls": 33045, "ngx": 33046, "Ġinspiring": 33047, "ÑĥÑİ": 33048, "-direction": 33049, "Ġexplosive": 33050, "ĠcreatedAt": 33051, "sto": 33052, "Ġwheat": 33053, "ĠBuilt": 33054, "'ai": 33055, "Ġtracked": 33056, "hammad": 33057, "RowAtIndexPath": 33058, "_heap": 33059, "Due": 33060, "Ġconnects": 33061, ".publish": 33062, "emu": 33063, "Ġbullets": 33064, "BAR": 33065, "olate": 33066, "Ġinternally": 33067, "Ġcatching": 33068, "-password": 33069, "ouched": 33070, "æĢ§": 33071, "eous": 33072, "Ġxrange": 33073, "Quality": 33074, "vv": 33075, "Manage": 33076, "(($": 33077, "acements": 33078, "ĠBrothers": 33079, "ĠHEAD": 33080, "ĠUnsupported": 33081, "san": 33082, "esi": 33083, "***Ċ": 33084, "Ġadaptation": 33085, "ĠWorker": 33086, "']/": 33087, ".savefig": 33088, "(trans": 33089, "ج": 33090, "nee": 33091, "Correct": 33092, "...\")Ċ": 33093, "Ġsubmitting": 33094, "-path": 33095, "ĉlast": 33096, "issan": 33097, ".xlabel": 33098, "ĠSepar": 33099, "/no": 33100, "_best": 33101, "ĠMills": 33102, "_sock": 33103, "(flag": 33104, "Ġdestinations": 33105, "emption": 33106, "ĠFAIL": 33107, "åĴĮ": 33108, "Ġrp": 33109, "fact": 33110, "ĉlen": 33111, "DAY": 33112, "Ġseiz": 33113, "_dst": 33114, "lip": 33115, ".Linear": 33116, "ĠBasket": 33117, "$t": 33118, "$i": 33119, "-brand": 33120, "ĠNeil": 33121, "ĠEq": 33122, "Ġthou": 33123, "ogene": 33124, "Ġscholarship": 33125, "æĽ´": 33126, "Ġswo": 33127, "aginator": 33128, "eni": 33129, "(book": 33130, "Ġblink": 33131, "thus": 33132, "ĠcancellationToken": 33133, "ĠPalestinians": 33134, "Ġprofitable": 33135, "Ġbackpack": 33136, "enson": 33137, "true": 33284, "ĠNYC": 33285, "Ġbored": 33286, "ĠDetect": 33287, "Ġappar": 33288, "Ġjeans": 33289, "ĠTak": 33290, "IOD": 33291, "ĠHorse": 33292, "(FILE": 33293, "(?": 33294, "rique": 33295, "optimizer": 33296, "nat": 33297, "loys": 33298, "ĉToken": 33299, "oubted": 33300, "uess": 33301, "ocoa": 33302, "DataMember": 33303, "_POWER": 33304, "classList": 33305, "PushButton": 33306, "ĠWiFi": 33307, ".Stream": 33308, ".guild": 33309, "Ġnog": 33310, "ĠPortugal": 33311, "ĠUnter": 33312, "Primitive": 33313, "boss": 33314, "ĠDeutsch": 33315, "Ġerotic": 33316, "Ġstrconv": 33317, ".TryParse": 33318, "Ġgrams": 33319, ".Success": 33320, "_pk": 33321, "ĠHarvey": 33322, "-minded": 33323, ".country": 33324, "[]\"": 33325, "Ġangel": 33326, "Ġbeats": 33327, "ĠVor": 33328, "ilio": 33329, ".master": 33330, "something": 33331, "ĠPACK": 33332, "(if": 33333, "RequestBody": 33334, "Ġantes": 33335, "/widget": 33336, "Ġmodo": 33337, "ĠAW": 33338, "finder": 33339, "Ġoptimized": 33340, "Ġmissiles": 33341, "NB": 33342, "ĉinternal": 33343, "tex": 33344, "ĠSri": 33345, "Ġdamaging": 33346, "ĠMais": 33347, "-Allow": 33348, "ĠZh": 33349, "-alt": 33350, "Ġ));ĊĊ": 33351, "èī": 33352, "Ġinfluences": 33353, "Ġcatal": 33354, "_REGISTER": 33355, "ĠAPIs": 33356, "-century": 33357, "Ġbiology": 33358, "ĠActual": 33359, "Ġheels": 33360, "TRACE": 33361, "_DIG": 33362, "Dataset": 33363, "ĠMatter": 33364, "Ġclassifier": 33365, ".wikipedia": 33366, "ĠRogers": 33367, "Ġdonated": 33368, "rawler": 33369, "enen": 33370, "Ġcasinos": 33371, "ortal": 33372, "Ġprive": 33373, "spe": 33374, "ducers": 33375, ".ep": 33376, "Ġgrasp": 33377, "acji": 33378, "Ġdairy": 33379, "Ġbuses": 33380, ".comm": 33381, ".ins": 33382, "ĠIRS": 33383, "ĠBeer": 33384, "adc": 33385, "oard": 33386, "_MET": 33387, "Ġ'+'": 33388, "rans": 33389, "Ġkinda": 33390, "ĠâĶĤ": 33391, "ĠMaur": 33392, "аг": 33393, "Ġbandwidth": 33394, "ibus": 33395, "ĠDifferent": 33396, "(mat": 33397, "ĠResume": 33398, "_UNS": 33399, "establish": 33400, "Ġfonction": 33401, "Subscription": 33402, "_company": 33403, "Ġlightly": 33404, ".confirm": 33405, ".yaml": 33406, "ĠBoost": 33407, "Commerce": 33408, "-template": 33409, "_DELAY": 33410, "ĠHI": 33411, "Ġnavig": 33412, "(Sender": 33413, "ĠHS": 33414, "_\"+": 33415, "ĠREQUEST": 33416, "Ġwifi": 33417, "=\"\"Ċ": 33418, "])->": 33419, "Ġrope": 33420, "Ġviolated": 33421, "Ġglance": 33422, "ĠKurd": 33423, "Ġè®": 33424, "deck": 33425, "ĠISBN": 33426, "Ġinfect": 33427, "ĠFoo": 33428, "Ġgetter": 33429, "Ġtener": 33430, "appe": 33431, ".hh": 33432, "_hot": 33433, "\".$": 33643, "Ġrelies": 33644, "(Console": 33645, "International": 33646, "->{$": 33647, "Mid": 33648, "Ġdissert": 33649, "dds": 33650, "Ġdeposits": 33651, "ĉdriver": 33652, "#ga": 33653, "prising": 33654, "println": 33655, "Ġpresenter": 33656, "Ġmines": 33657, "CSS": 33658, "ĠDual": 33659, "(!(": 33660, "Ġkam": 33661, "ĠisLoading": 33662, "ĠProtect": 33663, ".upper": 33664, "arium": 33665, "]:ĊĊĊ": 33666, "Yii": 33667, "-shirt": 33668, "ĠIMAGE": 33669, "_colors": 33670, "Ġurgent": 33671, ".Container": 33672, "!(Ċ": 33673, "Saturday": 33674, "Ġsocieties": 33675, "ĠThan": 33676, "ĠCod": 33677, "=@": 33678, "Ġattachments": 33679, ".mobile": 33680, "Ġspite": 33681, "Ġbounce": 33682, "rawl": 33683, "instancetype": 33684, "ĠTruck": 33685, "Ġmanipulation": 33686, "(Config": 33687, "-inst": 33688, "Ġstor": 33689, "itution": 33690, "PreferredGap": 33691, "ĠmainAxisAlignment": 33692, "Ġlistened": 33693, "'''ĊĊ": 33694, "ottage": 33695, "-project": 33696, ".APPLICATION": 33697, "ĉroot": 33698, "Ġwhit": 33699, "Ġbilder": 33700, "Ġker": 33701, "Ġappliances": 33702, "rowave": 33703, "ìĿĢ": 33704, "ematics": 33705, "ĠOrg": 33706, "oping": 33707, "_SEARCH": 33708, "Ġcham": 33709, "addContainerGap": 33710, "Ġ().": 33711, "ĠArrow": 33712, "Illegal": 33713, "Currently": 33714, "Ġusa": 33715, "Ġpasswords": 33716, "Ġrenown": 33717, "avern": 33718, "ĠEvil": 33719, "Ġconcat": 33720, "Ġduo": 33721, "Ġvale": 33722, "ĠBean": 33723, "Ġindicators": 33724, "cmath": 33725, "ĠPump": 33726, "November": 33727, "ificant": 33728, "_DOMAIN": 33729, "regar": 33730, "ĠPortal": 33731, "\"$": 33732, "Ġformerly": 33733, "\"]:Ċ": 33734, "ĠVisibility": 33735, ".getElementsByClassName": 33736, "_RED": 33737, "Ġchampions": 33738, "à´": 33739, "Valor": 33740, "_es": 33741, "*a": 33742, "-repeat": 33743, "Band": 33744, ".stage": 33745, "Ġbureauc": 33746, "Cnt": 33747, "eten": 33748, "-function": 33749, "Ġmuito": 33750, "PID": 33751, "_editor": 33752, "Ġcrashed": 33753, "dead": 33754, "kat": 33755, "agh": 33756, "ĠEXT": 33757, "asser": 33758, "-small": 33759, "Ġrealiz": 33760, "(Entity": 33761, "ús": 33762, "ĠActually": 33763, "ĠElite": 33764, "Ġhelm": 33765, "(nonatomic": 33766, "asher": 33767, "Community": 33768, "alleng": 33769, "iry": 33770, "ĠGrowth": 33771, "Ġsue": 33772, "Ġfrequencies": 33773, "_descriptor": 33774, ".Attribute": 33775, "Ġrecipients": 33776, "_NS": 33777, "/\"+": 33778, "iban": 33779, "Ġathlete": 33780, "ĠIgn": 33781, "_DMA": 33782, "(ds": 33783, "ĠRequirements": 33784, "ADI": 33785, "erez": 33786, "\\Admin": 33787, "braska": 33788, "ĠRust": 33789, "Relation": 33790, "COD": 33791, "ĠVERSION": 33792, "emma": 33793, ")){": 33794, ".Duration": 33795, "ĠCamb": 33796, "-logo": 33797, "Ġreadable": 33798, "Ġcreators": 33799, "()];Ċ": 33800, "UpDown": 33801, "-half": 33802, ".getMonth": 33803, "(sf": 33804, "Pic": 33805, "Ġhunger": 33806, ".tx": 33807, "Ġexceeded": 33808, "_seed": 33809, "(^": 33810, "_sk": 33811, ".perform": 33812, "Ġ>::": 33813, "Ġmongo": 33814, "=float": 33815, "bindParam": 33816, "Smart": 33817, "ifa": 33818, "Ġsecurities": 33819, "Ġprejud": 33820, "Ġ,\"": 33821, "Ġcorps": 33822, "Ġvra": 33823, "amacare": 33824, "iterr": 33825, "(Media": 33826, "uche": 33827, "Ġcob": 33828, "Ġliber": 33829, ".geometry": 33830, "Locator": 33831, "Ġsliding": 33832, "Ġsurgical": 33833, "_CUR": 33834, "Ġconsect": 33835, "[*": 33836, "ĠResort": 33837, "Stub": 33838, "_DOUBLE": 33839, "ĠSoph": 33840, "Ġelectoral": 33841, "_disable": 33842, "ĠÑģо": 33843, "ĠLightning": 33844, "Ġmentions": 33845, "ocy": 33846, "Ġleaked": 33847, "Ġrelaxing": 33848, "Presenter": 33849, "vsp": 33850, "Ġguilt": 33851, "=-=-": 33852, ".reply": 33853, "ĠMirror": 33854, "Camp": 33855, "Ġ+#+#+#+": 33856, "Ġ+#+#+#+#+#+": 33857, ".Author": 33858, "Ġdirective": 33859, "-hook": 33860, "íĦ°": 33861, "}ĊĊĊĊĊ": 33862, "@pytest": 33863, "_rand": 33864, "mis": 33865, "Ġcolorful": 33866, "uje": 33867, "lasses": 33868, "ĠClasses": 33869, ".have": 33870, "%),": 33871, "é¢ĺ": 33872, "Ġdisturbing": 33873, "substring": 33874, "ĠKoh": 33875, "Invest": 33876, "purchase": 33877, "Ġrecycling": 33878, "ĠART": 33879, "ierarchy": 33880, "Ġfps": 33881, ".checkBox": 33882, "íķ´": 33883, "_material": 33884, "ducation": 33885, "Ġfw": 33886, "udit": 33887, "Ġreviewing": 33888, "ĠSid": 33889, "Syntax": 33890, "ĠWritten": 33891, "argar": 33892, "UME": 33893, "/q": 33894, "Classifier": 33895, "Official": 33896, "Ġjazz": 33897, "Ġomega": 33898, "Physics": 33899, "Ġlugar": 33900, "_accessor": 33901, ".commands": 33902, "Ability": 33903, "ĠBatch": 33904, "RAM": 33905, "Ġencounters": 33906, ".Qu": 33907, "BYTE": 33908, "ĠDistribution": 33909, "Ġuso": 33910, "ĠRecovery": 33911, "approved": 33912, "Ġdenial": 33913, "/share": 33914, "LinkedList": 33915, ")čĊčĊčĊ": 33916, "uddy": 33917, "Ġfines": 33918, "Ġry": 33919, "Unicode": 33920, "ĉrender": 33921, "Ġpremises": 33922, "Ġpon": 33923, "aliases": 33924, "/Foundation": 33925, "cuda": 33926, "ĠCock": 33927, ",:)": 33928, "(folder": 33929, "Ġméd": 33930, "drag": 33931, "Ġtalents": 33932, "ĠĠĠĊĊ": 33933, "еÑģÑĤв": 33934, "mob": 33935, ".yml": 33936, "Ġaster": 33937, "Ġdiscre": 33938, "goal": 33939, "ĠGTX": 33940, "ĠSUCCESS": 33941, "ĠLONG": 33942, "(find": 33943, "Ġsingular": 33944, "_sz": 33945, "ĠEthereum": 33946, "..Ċ": 33947, "Ġirres": 33948, "')){Ċ": 33949, "Ġministers": 33950, "Steps": 33951, "iversal": 33952, "ĠNevertheless": 33953, "-led": 33954, "Ġ(%)": 33955, "ç¡®": 33956, "Ġtimezone": 33957, "Ġstranger": 33958, "(render": 33959, "Ġshutil": 33960, "Ġmph": 33961, "Ġtrio": 33962, "ppy": 33963, "Ġpredomin": 33964, "Ġendors": 33965, "ĠRussians": 33966, "ĉrow": 33967, "Ġwizard": 33968, ".serialize": 33969, "Ġcomplained": 33970, "Ġsido": 33971, "Ġdelighted": 33972, "-me": 33973, "ĠRav": 33974, "Human": 33975, "adays": 33976, "recv": 33977, "Working": 33978, "Jump": 33979, "ĠÃ¥r": 33980, "ĠAutomatic": 33981, "_Base": 33982, "æł¼": 33983, "aurants": 33984, "¯": 33985, "æ¸": 33986, "(CType": 33987, "IFI": 33988, "(amount": 33989, "Ġbelieving": 33990, "=mysql": 33991, "Ġfir": 33992, "Ġrestoration": 33993, "ereco": 33994, "Т": 33995, "_'+": 33996, "Ġebook": 33997, "Ġdebris": 33998, "(inputs": 33999, "AYOUT": 34000, "Ġscreaming": 34001, "avia": 34002, "lander": 34003, "Ġdistress": 34004, "Ġassembled": 34005, "ĠAvoid": 34006, "(thread": 34007, "ĠRPC": 34008, "_EXIT": 34009, "(queue": 34010, "иÑģÑĤ": 34011, "Dll": 34012, "Ġskull": 34013, "_pub": 34014, "chez": 34015, "minate": 34016, "ensen": 34017, "Ġinsane": 34018, "bounds": 34019, "ĠRosen": 34020, "Ġconditioning": 34021, "processed": 34022, "videos": 34023, "four": 34024, ".Conv": 34025, "|;Ċ": 34026, "Personal": 34027, "cerpt": 34028, ":UIControlStateNormal": 34029, "Ġdoses": 34030, "ĠKarl": 34031, "ĠFrequ": 34032, ".BASE": 34033, "ĠVote": 34034, "Ġconcurrent": 34035, "ĠMessageBoxIcon": 34036, "ĠÃĸ": 34037, "ĠDubai": 34038, "ĠRetail": 34039, ":number": 34040, "ĠObserver": 34041, "ĠBigInteger": 34042, "_origin": 34043, "_WORK": 34044, "Frames": 34045, "Ġnotably": 34046, ".âĢľ": 34047, "Ġtropical": 34048, "Ġniche": 34049, "amina": 34050, ".sys": 34051, "(tokens": 34052, "modify": 34053, "osit": 34054, "strom": 34055, "ĠComics": 34056, "OPTION": 34057, "Ticket": 34058, "Ġfactories": 34059, "Ġdisput": 34060, "_File": 34061, "ĠFinn": 34062, "eee": 34063, "ĠDiscord": 34064, "_money": 34065, ".tpl": 34066, "_safe": 34067, "LB": 34068, "Ġglut": 34069, "JK": 34070, ".flow": 34071, "-cont": 34072, "gos": 34073, "Ġhorizon": 34074, "ĠRush": 34075, "::*": 34076, "Pipe": 34077, "ulla": 34078, "borough": 34079, "heimer": 34080, "(move": 34081, "(Text": 34082, "});čĊčĊ": 34083, "welcome": 34084, "ĠComponents": 34085, "Ġgovernance": 34086, "closed": 34087, "ĉmargin": 34088, "Ġlaundry": 34089, "ĠTerminal": 34090, "izards": 34091, ".âĢĶ": 34092, ".remote": 34093, ".radius": 34094, "ĠQuebec": 34095, "Ġdh": 34096, "Tech": 34097, "ĠMist": 34098, "seller": 34099, "_literal": 34100, "Ġgenius": 34101, "Ġbrains": 34102, "gem": 34103, "ĠMeasure": 34104, "Ġcatast": 34105, "rance": 34106, ".TextField": 34107, "Ġconsuming": 34108, "Ġ'\\''": 34109, "oubtedly": 34110, "ĠCertain": 34111, "Ev": 34112, "erti": 34113, "being": 34114, "Experience": 34115, "Ġ//[": 34116, "ĠArabic": 34117, "ĠCrist": 34118, "ĠAzure": 34119, "Ġhora": 34120, "ladesh": 34121, "\\Blueprint": 34122, "dar": 34123, ".rel": 34124, "Ġsuprem": 34125, "ĠReagan": 34126, "ĠAttributes": 34127, "-sidebar": 34128, "ĠuseStyles": 34129, "ĠAirlines": 34130, "Ġhills": 34131, "/xhtml": 34132, "vinc": 34133, "_mock": 34134, "ĊĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ": 34135, "ĠPill": 34136, ".LayoutStyle": 34137, "ĠCommander": 34138, "]<": 34139, "signature": 34140, "Ġ{}čĊ": 34141, "Ġhatred": 34142, "Ġëĭ": 34143, "olesterol": 34144, "Ġ********": 34145, "ancellor": 34146, "crop": 34147, "TIM": 34148, "ĉĉĊĊ": 34149, "ysqli": 34150, "uitive": 34151, "ĉunset": 34152, "_sel": 34153, "Ġmenus": 34154, "tick": 34155, "Ġconstitute": 34156, "ĠElements": 34157, "ĠRedis": 34158, "aggio": 34159, "_fp": 34160, "_depend": 34161, "emas": 34162, "CAST": 34163, "orange": 34164, "jon": 34165, "ĠEmily": 34166, "Ġpotatoes": 34167, "Ġreceptor": 34168, "ĠElectronic": 34169, "ĠLights": 34170, "Ġcombining": 34171, "ĠSomeone": 34172, "Ġ########.": 34173, "ĠTOD": 34174, "/show": 34175, "Xd": 34176, ".\"'": 34177, "afx": 34178, "Ġtragic": 34179, "Styled": 34180, "ĠMarco": 34181, "Gallery": 34182, "dale": 34183, ".âĢĿĊĊĊĊ": 34184, "érie": 34185, "/service": 34186, "äºĨ": 34187, "Ġambient": 34188, "_SETTINGS": 34189, ".Adapter": 34190, "lene": 34191, "Ġtravels": 34192, "Notice": 34193, "Ġcleans": 34194, "ĠFem": 34195, "chair": 34196, "Ñĥн": 34197, "/my": 34198, "_bad": 34199, "ĠEconomics": 34200, "ISA": 34201, "_CNT": 34202, "(Menu": 34203, "äºİ": 34204, "ĠRidge": 34205, "Ġlengthy": 34206, "Dot": 34207, "Ġjumps": 34208, "Ġhey": 34209, "$pdf": 34210, "Ġworm": 34211, "Ġsut": 34212, "Ġsher": 34213, "iamo": 34214, "ĠCalc": 34215, "trieve": 34216, "Ġcops": 34217, "ĠChrom": 34218, "Ġregulated": 34219, "reatment": 34220, "ĠHigher": 34221, "oks": 34222, "Ġdeze": 34223, "LOCATION": 34224, "ongsTo": 34225, "Ġfinite": 34226, "Ġvaries": 34227, "Ġpositioned": 34228, "'il": 34229, "éĩij": 34230, "Ġhike": 34231, "(done": 34232, "playlist": 34233, "Ġada": 34234, "Ġcoastal": 34235, "ĠNancy": 34236, ".DateTimeField": 34237, "CppCodeGen": 34238, "ĠSimilarly": 34239, "reur": 34240, "ĠContr": 34241, "ĠHidden": 34242, "ĠBeta": 34243, "atched": 34244, "_install": 34245, ".Output": 34246, "Lookup": 34247, "ĠRichmond": 34248, "quared": 34249, "Ġmanga": 34250, "-controls": 34251, "ĠBernard": 34252, "Large": 34253, "Ġslices": 34254, "Ġoffence": 34255, "ĠMega": 34256, "Ġestar": 34257, "Ġjoints": 34258, "Ġsumm": 34259, "_platform": 34260, "Buff": 34261, ".addSubview": 34262, "Ġretained": 34263, "Letter": 34264, ".dim": 34265, "Ġessere": 34266, "ĠScaffold": 34267, "EXPECT": 34268, "ĉRE": 34269, ".longitude": 34270, "ünd": 34271, "Ġstatue": 34272, ".addWidget": 34273, "ĠCaribbean": 34274, "addPreferredGap": 34275, "ilde": 34276, "UILabel": 34277, "ĠOpport": 34278, "Ġimperial": 34279, "ursion": 34280, "Ġmandate": 34281, "Ġpromotional": 34282, "Ġvk": 34283, "iaÅĤ": 34284, "Ġpyl": 34285, "ĠCreation": 34286, "озд": 34287, "Ġsimpler": 34288, ".what": 34289, "ĠRecent": 34290, "Storm": 34291, ".quantity": 34292, "ĠLov": 34293, "\"-": 34294, "ubbles": 34295, "_notification": 34296, "(world": 34297, "urger": 34298, "*(-": 34299, ":\"Ċ": 34300, "hm": 34301, "anship": 34302, "ĠAlmost": 34303, "Ġmotorcycle": 34304, "_fee": 34305, "Ġabsorb": 34306, "ĠVincent": 34307, "Ġsounded": 34308, "ÃŃst": 34309, "Ġpharmaceutical": 34310, "htag": 34311, "ĠKindle": 34312, "italize": 34313, "ĠEmperor": 34314, "oustic": 34315, "Ġspecialists": 34316, "åħ¬": 34317, "BorderStyle": 34318, "/\\": 34319, "RELATED": 34320, "(',',": 34321, "(expr": 34322, "Ġht": 34323, "åįĪ": 34324, "_Create": 34325, "Ġspecially": 34326, "Ġ[];čĊ": 34327, "Ġheel": 34328, "Ġsept": 34329, "_arch": 34330, "(initial": 34331, "%.ĊĊ": 34332, "\\\",\\\"": 34333, "Ġdiscusses": 34334, "Ġupt": 34335, "Ġ[&": 34336, "Ġmanus": 34337, ".hand": 34338, "ĠMAIN": 34339, "ĠDenmark": 34340, "Ġ],čĊ": 34341, "Ġcryst": 34342, "Ġnack": 34343, "Coords": 34344, "_inner": 34345, "Ġmidst": 34346, "Ġawake": 34347, "ĠÐŀ": 34348, "-break": 34349, "ÃŃvel": 34350, "_PASS": 34351, "ĠParams": 34352, "Ġdetr": 34353, "Ġspider": 34354, "ĠConcept": 34355, "Ġprend": 34356, "CHED": 34357, ".Exit": 34358, "Ġpopulated": 34359, "Ġvirtue": 34360, "_SESSION": 34361, "Ġnouvel": 34362, "oauth": 34363, "ĠданнÑĭ": 34364, "rink": 34365, ".HeaderText": 34366, "aturated": 34367, "Ġerst": 34368, "Ġåħ": 34369, "à¥ĩ": 34370, "_visible": 34371, "eyer": 34372, "Ġliable": 34373, "Ġdebe": 34374, "Ġbw": 34375, "{-#": 34376, "_WIN": 34377, "dfs": 34378, "Hover": 34379, "ĠPUT": 34380, "-angle": 34381, "Ġnoble": 34382, "Ġtraces": 34383, "encv": 34384, "ĠuserData": 34385, "_ins": 34386, "ĠSuz": 34387, "Ġnewsletters": 34388, "ĠModi": 34389, "Ġentrepreneurs": 34390, "Ġtribute": 34391, "Ġrumors": 34392, "Ġrr": 34393, "ĠQuarter": 34394, "ê³ł": 34395, "Ġfeeds": 34396, "óg": 34397, "Ġenvelope": 34398, "Ġlear": 34399, "Ġkø": 34400, "developer": 34401, "Similar": 34402, ":\")Ċ": 34403, "subscription": 34404, "Modifier": 34405, "italic": 34406, "Ġnasty": 34407, "Ġtermination": 34408, "Ġcharming": 34409, "ĠâŁ": 34410, "tons": 34411, ".trace": 34412, "hots": 34413, "ĠUR": 34414, "Mont": 34415, "Ġjustified": 34416, "ĠGang": 34417, "inea": 34418, "Ġbog": 34419, "(ap": 34420, "_$": 34421, "Ġcontamin": 34422, ".Dot": 34423, "ĉDebug": 34424, "(exports": 34425, "Ġpaired": 34426, "ĠAssignment": 34427, "Ġautomobile": 34428, "ĵį": 34429, "Ġphases": 34430, "vw": 34431, "@SuppressWarnings": 34432, "=\\": 34433, "rant": 34434, "-ed": 34435, "ĉawait": 34436, "Ġcertificates": 34437, "'>\"": 34438, "Ġintact": 34439, "CTRL": 34440, "Mike": 34441, "gregation": 34442, "ATTERN": 34443, "Ġrepublic": 34444, "_upper": 34445, "iliary": 34446, "Ġcomputation": 34447, "hire": 34448, "ĠShin": 34449, "_ANY": 34450, "ĠManufacturer": 34451, "ĠCarm": 34452, "Ġbearings": 34453, "_comb": 34454, "cad": 34455, "uristic": 34456, "Ġwholesale": 34457, "Ġdonor": 34458, ".interfaces": 34459, "presso": 34460, "ĠBrun": 34461, "-close": 34462, "prove": 34463, "_SK": 34464, "ĉframe": 34465, "etros": 34466, "ĠPain": 34467, "_EXP": 34468, "ĠLT": 34469, "_fs": 34470, ".datas": 34471, "ĉss": 34472, "voir": 34473, "ĠAxis": 34474, "Major": 34475, "=\"<": 34476, "[h": 34477, "Ġprofess": 34478, "igrate": 34479, "(score": 34480, "Keyword": 34481, "\"os": 34482, "ĠĠĠĠĉĊ": 34483, "analysis": 34484, "Ġreplay": 34485, ".pass": 34486, "\\d": 34487, "tls": 34488, "Ġsanct": 34489, ".light": 34490, "_mobile": 34491, "ÑģÑĤÑĮ": 34492, "ĉtotal": 34493, "uity": 34494, "Ġpaused": 34495, "NAS": 34496, "Ġencore": 34497, "loe": 34498, "Ġ-*-ĊĊ": 34499, ".high": 34500, "ampler": 34501, "ĠSecure": 34502, "Ġfragments": 34503, "_vel": 34504, "illary": 34505, "ĠStein": 34506, "ĠDawn": 34507, "Ġmaximize": 34508, "ย": 34509, "Ġ/^": 34510, "Ġcontinually": 34511, "Ġshadows": 34512, "ĉĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 34513, "ĠIActionResult": 34514, "Ġinformación": 34515, "CHECK": 34516, ".SelectedItem": 34517, "bundle": 34518, "olley": 34519, "<": 34681, "Ġtrajectory": 34682, "_ring": 34683, "Ġhydrogen": 34684, "tron": 34685, "Ġstatute": 34686, "Ġconditional": 34687, "Ġtray": 34688, "-school": 34689, "(widget": 34690, "$config": 34691, "Ġrequesting": 34692, ".uint": 34693, "eton": 34694, "brities": 34695, "OfType": 34696, "ADMIN": 34697, "predict": 34698, "Ġgegen": 34699, "ĠHapp": 34700, "OCUMENT": 34701, "ĠApart": 34702, "Ġ-----": 34703, "roe": 34704, "uide": 34705, "justify": 34706, "ĠSquad": 34707, "Ġprofes": 34708, ".bot": 34709, "_currency": 34710, "innen": 34711, "ĠMumbai": 34712, "ĠNumbers": 34713, "avanaugh": 34714, "agnitude": 34715, "âĢľThere": 34716, "=http": 34717, "çīĩ": 34718, "Ġvb": 34719, "+'{{$": 34802, "Ġinode": 34803, "sil": 34804, "Ġhace": 34805, "Ġseverely": 34806, "ĠOverview": 34807, "Ġspraw": 34808, "Ġbeaches": 34809, ":left": 34810, "·»": 34811, "(${": 34812, "ĠFIRST": 34813, "ĠSpa": 34814, "-ass": 34815, "Ġbaise": 34816, "ĠNODE": 34817, "ĠPizza": 34818, "Pet": 34819, "(seq": 34820, "\\\">Ċ": 34821, "CppMethodPointer": 34822, "Ġvp": 34823, "Ġia": 34824, "_seconds": 34825, "emet": 34826, "/blob": 34827, "_THRESH": 34828, "...čĊ": 34829, "Dest": 34830, "ĠNH": 34831, ".dataSource": 34832, "ités": 34833, "ĠJak": 34834, "sell": 34835, "Ġworkshops": 34836, "\",Ċ": 35452, "_Pin": 35453, "uese": 35454, "Ġoverrides": 35455, "_ready": 35456, "Advanced": 35457, "Ġopi": 35458, "-cart": 35459, "(\"/\",": 35460, "ĠDeb": 35461, "CRY": 35462, "ĠVertical": 35463, "ĠOVER": 35464, "ĠCorporate": 35465, "Ġ\"\";": 35466, "Ġstepping": 35467, "ej": 35468, "Ġaccusations": 35469, "Ġoraz": 35470, "_tail": 35471, "Ġinduced": 35472, "Ġelastic": 35473, "Ġblown": 35474, ",//": 35475, "Ġbackgrounds": 35476, "âĢĻune": 35477, "-sdk": 35478, "ĠsetInterval": 35479, "Ġincentives": 35480, "Ġvegetable": 35481, "_On": 35482, "expanded": 35483, "pix": 35484, "_shader": 35485, "ĠSPDX": 35486, "@example": 35487, "ĠWrapper": 35488, ".Zero": 35489, "Positive": 35490, "Ġspinner": 35491, "Ġinvented": 35492, "ĠGates": 35493, "оÑĤоÑĢ": 35494, "Ġcomparisons": 35495, "è·": 35496, ".primary": 35497, "dataProvider": 35498, "additional": 35499, "ĉoptions": 35500, "snapshot": 35501, ".setHorizontal": 35502, "Ġ\"{}": 35503, "ĠFisher": 35504, "halten": 35505, "": 35538, "ĠRegistered": 35539, "INED": 35540, "kal": 35541, "parison": 35542, "Ġobjeto": 35543, "Vi": 35544, "manda": 35545, "Ġrenewed": 35546, "ĠSof": 35547, "essel": 35548, ".ndarray": 35549, "Ġcrap": 35550, "管": 35551, ".abspath": 35552, "(up": 35553, "Ġclearance": 35554, "ĠTW": 35555, "_COPY": 35556, "ĠĠĠĠĠĠĠĠĠĠĠĠĉ": 35557, "Ġforests": 35558, "Ġarguably": 35559, "ĠASS": 35560, "hey": 35561, "amel": 35562, "_fore": 35563, "ĠSoutheast": 35564, "Ġabused": 35565, "Ġpracticing": 35566, "akedirs": 35567, "主": 35568, "_resources": 35569, "Ġpond": 35570, ".Fixed": 35571, "LastError": 35572, "ĠPsychology": 35573, "Ġ\"//": 35574, "!:": 35575, "Reusable": 35576, "Ġmensaje": 35577, "Ġrospy": 35578, "Ġbour": 35579, "Ġvarieties": 35580, "Ġempath": 35581, "(({": 35582, "_org": 35583, "ĠMes": 35584, "ĠMagento": 35585, "ISTORY": 35586, "Unless": 35587, "Ġhj": 35588, "ĠDuty": 35589, "Jun": 35590, ",size": 35591, "Ġpaintings": 35592, "Ġdispens": 35593, "dart": 35594, "Ġbehavioral": 35595, "Ġrpc": 35596, "calculate": 35597, "fruit": 35598, "_mm": 35599, "ĉpthread": 35600, "MaxLength": 35601, "Ġcurrencies": 35602, "_capacity": 35603, "ĠOz": 35604, "Ġfirearm": 35605, "Ġcoefficient": 35606, "Ġbankruptcy": 35607, "wart": 35608, "Ġfatigue": 35609, "AVA": 35610, "Ġespa": 35611, "_pc": 35612, "ĠQuotes": 35613, "_LIGHT": 35614, "ĠTickets": 35615, "Ġrelates": 35616, "Ġpublishers": 35617, "Ġunlocked": 35618, "Ġ//----------------------------------------------------------------": 35619, "ĠInterruptedException": 35620, "Ġoutlook": 35621, "rn": 35622, "Ġrebels": 35623, "Written": 35624, "Ġasian": 35625, "otto": 35626, "Ġĉĉĉĉ": 35627, "_gpu": 35628, "Txt": 35629, ".ImageView": 35630, "Ġsuis": 35631, "_tables": 35632, ".RecyclerView": 35633, "Ġwhatsoever": 35634, "èģ": 35635, "]++;Ċ": 35636, "assertTrue": 35637, "_verify": 35638, "ĠRivers": 35639, "Ġ][": 35640, "Jet": 35641, "idian": 35642, "Sibling": 35643, "Ġgenres": 35644, ".Access": 35645, "OPS": 35646, "Ġtrivial": 35647, "ส": 35648, "alen": 35649, "вед": 35650, "ĠSword": 35651, "Ġscrutiny": 35652, "(cb": 35653, "Ġcommerce": 35654, "Ġguarantees": 35655, "_adv": 35656, "ĠLET": 35657, "recio": 35658, "Ġhilar": 35659, "Ġbackyard": 35660, "ãĢı": 35661, "Ġillustrated": 35662, "/vendor": 35663, ".Util": 35664, "Ġwow": 35665, "LOY": 35666, "ĠMarshal": 35667, "\">'.$": 35668, "ĠBak": 35669, "Ġmodifiers": 35670, "dictionary": 35671, "ĠStre": 35672, "multiple": 35673, "\")),": 35674, "ĠCort": 35675, "']\").": 35676, "(admin": 35677, "ĠCreator": 35678, "Internet": 35679, "(ms": 35680, "logy": 35681, "DECLARE": 35682, "ĠMarcus": 35683, "<<<<": 35684, "ãģł": 35685, "_my": 35686, "(inst": 35687, "Ġsciences": 35688, "NDER": 35689, ".enter": 35690, "Ġitu": 35691, "Ġbehave": 35692, "Pan": 35693, "ombies": 35694, "='<": 35695, "'));čĊ": 35696, "ĠMENU": 35697, "ĠWorkers": 35698, ".NoError": 35699, "Ġbindings": 35700, "Ġdisabilities": 35701, "{\\": 35702, "ĠMunicip": 35703, "Ġcores": 35704, "urple": 35705, "ĠNokia": 35706, "usions": 35707, "ĠFitness": 35708, ".handleChange": 35709, "Ġjavascript": 35710, "ìļĶ": 35711, "(dec": 35712, "Ġpacking": 35713, "-depend": 35714, "Ġtranscript": 35715, "zeros": 35716, "_alert": 35717, "?\",Ċ": 35718, "libs": 35719, "±Ð¾ÑĤ": 35720, "Ġ|ĊĊ": 35721, "trained": 35722, "ĠGent": 35723, "ĠRab": 35724, "xp": 35725, "_configuration": 35726, "天": 35727, "_accept": 35728, ".recyclerview": 35729, ":url": 35730, "ĠMuhammad": 35731, "Ġprivileges": 35732, "_bank": 35733, "uku": 35734, "wallet": 35735, "ĠROOT": 35736, "Ġencuent": 35737, "?family": 35738, "ĉposition": 35739, "Ġcg": 35740, "Ġprecip": 35741, "methods": 35742, "_fast": 35743, "increment": 35744, "ĠTiger": 35745, "_OCCURRED": 35746, "quip": 35747, "ĠHAS": 35748, "_dom": 35749, "Ġwreck": 35750, "bj": 35751, "Ġdern": 35752, "Ġorgans": 35753, ".entries": 35754, "Ġ_('": 35755, "ramento": 35756, "ĠJamie": 35757, "Ġpunk": 35758, "IPP": 35759, "Ġprograma": 35760, "Ġattain": 35761, "Ġproves": 35762, "/sign": 35763, "Ġanswering": 35764, "Ġladder": 35765, "****************************": 35766, "ĠWalmart": 35767, "ĠCONTENT": 35768, "ductor": 35769, "Ġverbal": 35770, "ĠPID": 35771, "crypto": 35772, "_CALLBACK": 35773, "Ġ=================================": 35774, "Ġpotent": 35775, "Ġshorts": 35776, ".Uri": 35777, ".uniform": 35778, ";border": 35779, "ĠWer": 35780, "Ġherein": 35781, "lla": 35782, "ĠIhr": 35783, "Pixmap": 35784, "literal": 35785, "!)ĊĊ": 35786, "generic": 35787, "rust": 35788, "_scripts": 35789, "osto": 35790, "itus": 35791, "ĠCoalition": 35792, "Ġremot": 35793, "deploy": 35794, "ĠEagle": 35795, "ãĢģãĢĮ": 35796, "Ġimportante": 35797, "ĉobject": 35798, "Ġseasonal": 35799, "nej": 35800, "aidu": 35801, "BindView": 35802, "ĠSierra": 35803, "-bg": 35804, "ĠmakeStyles": 35805, "[offset": 35806, "Games": 35807, "Ġhormone": 35808, "ARIO": 35809, "heads": 35810, "(select": 35811, "ĠStarted": 35812, "@param": 35813, "_decl": 35814, "_blog": 35815, "Ġaño": 35816, "\\Api": 35817, "ĠMilwaukee": 35818, "Provid": 35819, "Animated": 35820, "Ġcooler": 35821, "ĠSeed": 35822, ".Edit": 35823, "ÏĦ": 35824, "ĠTaking": 35825, "ĠborderColor": 35826, "-founder": 35827, ".LoggerFactory": 35828, "Ġ\"\"ĊĊ": 35829, "ALT": 35830, "ĠLate": 35831, "EDIATE": 35832, "Ġ);ĊĊĊ": 35833, "afa": 35834, "Ġcancellation": 35835, "Atom": 35836, "ĠBirmingham": 35837, "empresa": 35838, "HEMA": 35839, "ascal": 35840, "Ġupside": 35841, ".Version": 35842, "ĠFolder": 35843, "ĠEight": 35844, "ĠVintage": 35845, "ĠAppDelegate": 35846, "ĠPrevention": 35847, ".separator": 35848, "STM": 35849, "(room": 35850, "generator": 35851, "Ġcattle": 35852, "ĉZ": 35853, "ĠParticle": 35854, "'};Ċ": 35855, "Ġneighbours": 35856, "ĠStateless": 35857, "Ġaltitude": 35858, "Ġsaint": 35859, "обав": 35860, "Ġconvinc": 35861, "ĠContents": 35862, "Ġjeune": 35863, "(ts": 35864, "Serialization": 35865, "(collection": 35866, "ĠJazz": 35867, "ĠDod": 35868, "ĠRoch": 35869, "acio": 35870, "commended": 35871, "DEFINE": 35872, ".onload": 35873, "Ġspecialty": 35874, "PLACE": 35875, "_MOVE": 35876, "Ġaccountable": 35877, "Reuters": 35878, "Ġficken": 35879, "Ġdepr": 35880, "Wow": 35881, "Void": 35882, ".space": 35883, "à¸Ĺ": 35884, "Ġtq": 35885, "ĠPets": 35886, "<$": 35887, "(Current": 35888, "berries": 35889, "planation": 35890, "ĠlistOf": 35891, "ĠThu": 35892, "ĠPRINT": 35893, "Ġmismo": 35894, "Ġdoi": 35895, "chk": 35896, "ĠUnicode": 35897, "(role": 35898, "Ġvirgin": 35899, "-->Ċ": 36360, "Vol": 36361, "ĠSSD": 36362, "))),": 36363, ".Optional": 36364, "Ġnurses": 36365, "Ġorb": 36366, "_pe": 36367, ");čĊčĊčĊ": 36368, "placed": 36369, "esser": 36370, "Ġtherapeutic": 36371, "Ġwhitespace": 36372, "Ġaston": 36373, "Successful": 36374, "Ġpraised": 36375, "ĠWes": 36376, "Ġeighth": 36377, "iral": 36378, "Ġvrouw": 36379, "Ġfaction": 36380, "_bias": 36381, "Ġwitch": 36382, "Ġnpc": 36383, "(sb": 36384, "ĠRodrig": 36385, "_big": 36386, "Dependency": 36387, "ĠAbraham": 36388, "ardi": 36389, "CAR": 36390, "nos": 36391, "Ġabundance": 36392, "Ġnutrients": 36393, "instein": 36394, ".Vert": 36395, "ĠISS": 36396, "D": 36495, "Ġservlet": 36496, "bastian": 36497, "Ġ>&": 36498, "SID": 36499, "_clk": 36500, "Ġdivisions": 36501, "}',Ċ": 36502, "Ġdildo": 36503, "Ġparade": 36504, "major": 36505, "Ġaboard": 36506, ";++": 36507, "Ġfusion": 36508, "\"},{\"": 36509, "ĠDialogResult": 36510, "ĉarr": 36511, "-em": 36512, "_nr": 36513, "(handler": 36514, ".NET": 36515, ".XtraReports": 36516, "ĠShah": 36517, "ĠBrief": 36518, "-,": 36519, "Ġprecio": 36520, "ĉĉĉĠĠĠĠĠĠ": 36521, "Ġtant": 36522, "ĠGrande": 36523, "/xml": 36524, "_ICON": 36525, "ĠRetro": 36526, "unque": 36527, "Ġnag": 36528, "toFixed": 36529, "XL": 36530, "Ġdeclaring": 36531, "ĠConcrete": 36532, "ĠAmazing": 36533, "ĉprintk": 36534, "Ġdebates": 36535, "DATED": 36536, "Ġaesthetic": 36537, "emetery": 36538, "RoutingModule": 36539, "ĠNashville": 36540, "WAYS": 36541, "Ġwolf": 36542, "Ġobservers": 36543, "OTA": 36544, "anson": 36545, "Ġea": 36546, "Ġgreenhouse": 36547, "ĵįä½ľ": 36548, "Ġstair": 36549, "Ġimmigrant": 36550, "_apply": 36551, "peare": 36552, "ĠBloomberg": 36553, "_PLAYER": 36554, "Resp": 36555, "æŃ£": 36556, "Chooser": 36557, "ĠICollection": 36558, "Peter": 36559, "Erro": 36560, ".detectChanges": 36561, "Maps": 36562, "Ġsqueeze": 36563, "ĠHomes": 36564, "wegian": 36565, "Ġformatting": 36566, "Ġnegotiate": 36567, "uld": 36568, "ĠNep": 36569, "ĠQB": 36570, "Ġeconomies": 36571, "Ġ*/,": 36572, "Ġredund": 36573, "ĠAber": 36574, ".IsNullOrWhiteSpace": 36575, "ycled": 36576, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ": 36577, "_Sh": 36578, "Ġskept": 36579, "Ġrecreated": 36580, "ĠgetType": 36581, "Ġmargins": 36582, "Ġcolonial": 36583, "charts": 36584, "//@": 36585, "Ġprocessors": 36586, "说": 36587, "batis": 36588, "æĦı": 36589, "atorio": 36590, "mentioned": 36591, "Patient": 36592, "Ġprey": 36593, "Checkbox": 36594, "_xpath": 36595, ".skip": 36596, "ĠMormon": 36597, "ĠMemoryStream": 36598, "CREMENT": 36599, "Ġku": 36600, "meld": 36601, "\\Data": 36602, "ĠKernel": 36603, "iltr": 36604, "éĢģ": 36605, "(profile": 36606, "Carbon": 36607, "ROLE": 36608, "(pl": 36609, "]*(": 36610, ".memory": 36611, "Ġmedal": 36612, "Ġadvisor": 36613, "ität": 36614, "Ġhdr": 36615, "ierung": 36616, "ĠProvides": 36617, "(alpha": 36618, "Ġteenagers": 36619, "-parser": 36620, ".LatLng": 36621, "]()Ċ": 36622, "Ġfelony": 36623, "ĉĉĉĊĉĉĉĊ": 36624, "BOOK": 36625, "Ġslash": 36626, "Ġclearfix": 36627, "ĠProphet": 36628, "容": 36629, "rightness": 36630, "-fi": 36631, ".kind": 36632, "erton": 36633, "Jim": 36634, "Ġmanipulate": 36635, "Ġworksheet": 36636, "olin": 36637, "stars": 36638, "Ġartifact": 36639, "_EMPTY": 36640, "ĉmain": 36641, "-------------';": 36709, "Ġexpressing": 36710, "ĠIQ": 36711, "ĠFact": 36712, "/*******************************************************************************Ċ": 36713, "_mass": 36714, ")):": 36715, "Ġcondom": 36716, "ĠcreateState": 36717, "ometown": 36718, "Ġirr": 36719, "Ġ>(": 36720, ">B": 36721, "iteration": 36722, "ãĥª": 36723, "Ġshirts": 36724, "ounty": 36725, "->$": 36726, "_SIGN": 36727, "ĠDale": 36728, "Ġjj": 36729, "Easy": 36730, "Fre": 36731, "ĠNy": 36732, "Ġchlor": 36733, "matched": 36734, "ĠGerm": 36735, "-UA": 36736, "ĠNathan": 36737, "education": 36738, "-yard": 36739, "-che": 36740, "houses": 36741, "ritional": 36742, "Ġproximity": 36743, "Ġdiesem": 36744, "áºŃp": 36745, "Ġdrought": 36746, ".audio": 36747, "ĠLeo": 36748, "Ġfavorable": 36749, "inch": 36750, "ĠDaw": 36751, "ribly": 36752, "_student": 36753, "idable": 36754, "OVE": 36755, "Ġlacks": 36756, "ouncing": 36757, ".business": 36758, "Ġreopen": 36759, "maybe": 36760, "_GLOBAL": 36761, "Ġdresses": 36762, "ĠEdwards": 36763, "ensible": 36764, "ĠHardware": 36765, "ĠExcellent": 36766, "ĠTimeUnit": 36767, "CTIONS": 36768, "Ġschedules": 36769, "Ġsegue": 36770, "Opens": 36771, "ammen": 36772, "-Identifier": 36773, "Ġstaring": 36774, "Ġhappily": 36775, "ĠHob": 36776, "'_": 36777, "Ġ\");": 36778, "amentos": 36779, "etched": 36780, "Ġ/>}Ċ": 36781, ".Users": 36782, "Ġinterrupted": 36783, "Contacts": 36784, "Ġregistro": 36785, "inburgh": 36786, "CHA": 36787, "_imp": 36788, "phis": 36789, "say": 36790, "Ġretailer": 36791, ".NODE": 36792, "/maps": 36793, "_LAST": 36794, "ĠCharge": 36795, "_guard": 36796, "Collider": 36797, "ĠStatelessWidget": 36798, "\":[\"": 36799, "(\"../../": 36800, "ioxide": 36801, "ĠSund": 36802, "Ġ'';": 36803, "unset": 36804, "addWidget": 36805, "лÑİ": 36806, "elles": 36807, "alker": 36808, "Arc": 36809, "Ġdeduct": 36810, "GUILayout": 36811, "ĠVilla": 36812, "Ġforbidden": 36813, "_where": 36814, "Ġ\\/": 36815, "ĠTib": 36816, "_AX": 36817, "]čĊčĊ": 36818, "ĠBir": 36819, "Ġbend": 36820, "ĠMAKE": 36821, "ĠMET": 36822, "Ġfutures": 36823, "Ġweighted": 36824, "\"\"\"čĊ": 36825, "Ġauthorize": 36826, "(program": 36827, "},{\"": 36828, "Ġcoefficients": 36829, "ês": 36830, "PerPage": 36831, "ĠBathroom": 36832, "ĠPublishing": 36833, "GPL": 36834, "Ġsubmissions": 36835, "ĠNUMBER": 36836, "jÄħ": 36837, "Ġadditionally": 36838, "empre": 36839, "ĠShel": 36840, "otyp": 36841, "Solution": 36842, "Ġthunder": 36843, "_ec": 36844, "ĠĊĠĠĠĠĊ": 36845, "ĠFellow": 36846, "Ġkay": 36847, "ĠnewState": 36848, "ONTAL": 36849, "Implementation": 36850, ".Look": 36851, "Ġents": 36852, "Ġlors": 36853, "ĠBIG": 36854, "fab": 36855, "Ġaveraged": 36856, "ĠFeedback": 36857, "ĠWells": 36858, "Ġmartial": 36859, "Ġindul": 36860, "ĠCommunist": 36861, "ĠForex": 36862, "ĠAgriculture": 36863, "\"[": 36864, "Ġquar": 36865, "ĠKont": 36866, "ĉview": 36867, ".Bytes": 36868, "desktop": 36869, "ĠMakes": 36870, "akespeare": 36871, ".Nullable": 36872, "Ġspotlight": 36873, "VB": 36874, "owy": 36875, "(torch": 36876, "tridge": 36877, "_bounds": 36878, "Ġapologize": 36879, ".addItem": 36880, "antd": 36881, "*);Ċ": 36882, ",u": 36883, "(gen": 36884, "ç»ĵ": 36885, "reator": 36886, "ĠCord": 36887, "oupper": 36888, ".metro": 36889, "Ġew": 36890, "ĠWORD": 36891, ".After": 36892, "Ġdetained": 36893, "ĠHammer": 36894, "existing": 36895, "Ġost": 36896, "Ġmonument": 36897, "-custom": 36898, "UserID": 36899, "ĠNom": 36900, "Ġrejection": 36901, "(dim": 36902, "Ġsingleton": 36903, "ĉdie": 36904, "ariance": 36905, "reports": 36906, "]!=": 36907, "elda": 36908, "Ġprevalence": 36909, "_regs": 36910, ".\".": 36911, "Ġfeminist": 36912, "Codec": 36913, "Ġ**Ċ": 36914, "(labels": 36915, "_MARK": 36916, "FAILED": 36917, "Ġadministered": 36918, "WN": 36919, "ĠĠĠĠĠĠĠĠĉĉ": 36920, "Ġnoun": 36921, "wig": 36922, "Ġgotta": 36923, "Ġrif": 36924, "-im": 36925, "ĠPaulo": 36926, "ĠCommandType": 36927, "]))ĊĊ": 36928, "-zero": 36929, "Training": 36930, "Ġlord": 36931, "_art": 36932, "reddit": 36933, "Cert": 36934, "Ġpeso": 36935, "Rot": 36936, "Ġendanger": 36937, ".dr": 36938, "userInfo": 36939, "unts": 36940, "nv": 36941, "ĠTrailer": 36942, "-first": 36943, "(make": 36944, "Ġbenefici": 36945, "-black": 36946, "iÃŁ": 36947, "Ġundoubtedly": 36948, "Ġmex": 36949, "ĠAncient": 36950, "(as": 36951, "Ġdescent": 36952, "Pick": 36953, "Ġreplica": 36954, "$obj": 36955, "ähr": 36956, "Ġarrows": 36957, "fty": 36958, "ĠLibya": 36959, "uga": 36960, "charged": 36961, "Tur": 36962, "Ġhomic": 36963, "issen": 36964, "ĠFake": 36965, "Ġbeers": 36966, "Ġscattered": 36967, "(Time": 36968, "UTIL": 36969, "Ġbureaucr": 36970, "/plain": 36971, "Ġsticking": 36972, "FAIL": 36973, "ĠCovid": 36974, "Third": 36975, "_present": 36976, "ĠPierre": 36977, "Ġëª": 36978, "Ġ[...]ĊĊ": 36979, "Prob": 36980, "ĠTraffic": 36981, "icao": 36982, "doctor": 36983, "Ġ),ĊĊ": 36984, "Tabs": 36985, "alu": 36986, "ï¼ļâĢľ": 36987, "Ġinherent": 36988, "_No": 36989, "ritis": 36990, "ĠProof": 36991, ".basename": 36992, "ä¼ļ": 36993, "Ġchim": 36994, "ĠProtected": 36995, "crit": 36996, "Ġprone": 36997, "Ġкон": 36998, "ĠHeroes": 36999, "Ġanxious": 37000, "Ġanos": 37001, "Ġweekends": 37002, "Ġsext": 37003, "Ġreducer": 37004, "=UTF": 37005, "half": 37006, "ĠSaw": 37007, ".mm": 37008, "Ġnueva": 37009, ".currentTarget": 37010, ".lua": 37011, "_EXTENSION": 37012, "ĉreg": 37013, "ĠCtrl": 37014, "_align": 37015, "acceptable": 37016, "Ġrushing": 37017, "frac": 37018, "Ġboasts": 37019, "Five": 37020, "±": 37021, "ĠTemperature": 37022, ">):": 37023, "Ġcharter": 37024, "REATED": 37025, "Ġsubjected": 37026, "Ġopc": 37027, "healthy": 37028, "使çĶ¨": 37029, "ĠScientific": 37030, "Ġfrau": 37031, "riages": 37032, "à¸Ķ": 37033, ".inventory": 37034, "ationale": 37035, "Mad": 37036, "minutes": 37037, ">>();Ċ": 37038, "ĠEnv": 37039, "Ġrecordings": 37040, "Ġsuspicion": 37041, "sqlite": 37042, "ĉread": 37043, "ãģ¦": 37044, "Ġworries": 37045, ".putString": 37046, "ĠShanghai": 37047, "(uid": 37048, "rer": 37049, "ĠvÃŃde": 37050, "\"):": 37051, "Ġmethodology": 37052, "ĠкоÑĤоÑĢ": 37053, "ccc": 37054, "avad": 37055, "Ġinduction": 37056, "ĉThread": 37057, ",string": 37058, "ại": 37059, "nehmen": 37060, "uition": 37061, "Ġ*__": 37062, ".emf": 37063, "Ġìľ": 37064, "/themes": 37065, "ĠNine": 37066, ".One": 37067, "ĠEmbed": 37068, "Ġfaz": 37069, "uations": 37070, "Ġprivately": 37071, "Ġling": 37072, "[F": 37073, "ushi": 37074, "Ġlaunches": 37075, "(KEY": 37076, "GMT": 37077, "Ġaiming": 37078, "patible": 37079, "ĠBiden": 37080, "iw": 37081, "ĠDegree": 37082, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 37083, "Ġ$('<": 37084, "ários": 37085, "toUpperCase": 37086, "ìłľ": 37087, "ĠEUR": 37088, "Ġoversight": 37089, "Ġtablesp": 37090, "Updates": 37091, ".makedirs": 37092, "Ġhumidity": 37093, "/template": 37094, "Always": 37095, "(IS": 37096, "_cert": 37097, "Dig": 37098, "Ġunderway": 37099, "orton": 37100, "ĠHurricane": 37101, "Ġspends": 37102, "ĠSegment": 37103, "Ġflies": 37104, "ĠToggle": 37105, "ĠLynch": 37106, "Ġsenses": 37107, "ĠKos": 37108, "setEnabled": 37109, "istically": 37110, "Ġtester": 37111, "Ġadministrators": 37112, "Ġtagged": 37113, "Ðĵ": 37114, "Ġshortcut": 37115, "ĠResolution": 37116, "Ġsupervision": 37117, "ĠAshley": 37118, "Tracking": 37119, "ulatory": 37120, "andel": 37121, "isten": 37122, "Ġunre": 37123, "(diff": 37124, "ANTS": 37125, "Ġrider": 37126, "ĠsÄħ": 37127, ".Series": 37128, "_orders": 37129, "ORIZONTAL": 37130, "Ġretention": 37131, "ãĢĤčĊčĊ": 37235, "Ġdiagonal": 37236, "ĠCancellationToken": 37237, "_Internal": 37238, "Ġruin": 37239, ".Qt": 37240, "ocratic": 37241, "Tel": 37242, "ĠAnswers": 37243, "matic": 37244, "Ġxp": 37245, "atem": 37246, "_jobs": 37247, "_any": 37248, "Ġseniors": 37249, "Ġlandmark": 37250, "ĠQList": 37251, "Ġmaneu": 37252, "otify": 37253, "/\";Ċ": 37254, "/server": 37255, "ĠPhilosoph": 37256, "utenant": 37257, "(io": 37258, "hz": 37259, "Ġauthenticated": 37260, "dv": 37261, "-Compatible": 37262, "Originally": 37263, ",function": 37264, "ãĢĤčĊ": 37265, "ĠRepresentative": 37266, "asily": 37267, "ircuit": 37268, ".dt": 37269, "(math": 37270, ".Marshal": 37271, "[,": 37272, "ĠCities": 37273, "_turn": 37274, "|)Ċ": 37275, "Ġcantidad": 37276, "alter": 37277, "ĉui": 37278, "ĠNebraska": 37279, "Ġskirt": 37280, ".bg": 37281, "SharedPreferences": 37282, "(style": 37283, "Ġgrief": 37284, "gew": 37285, "Ġsafeg": 37286, "olang": 37287, "_lists": 37288, "ìĽ": 37289, "Ġgranite": 37290, "Ġhottest": 37291, ".jdbc": 37292, ".Customer": 37293, "Ġâī¤": 37294, "Ġwaar": 37295, "_scene": 37296, "+'/": 37297, "ĠJTextField": 37298, "Ġseating": 37299, "Ġwears": 37300, "Ġ`/": 37301, "Cases": 37302, "ĠYoutube": 37303, "ım": 37304, "Ġbalcon": 37305, ",G": 37306, "MetaData": 37307, "-price": 37308, "SCR": 37309, "Unity": 37310, "Ġtrunk": 37311, "={`${": 37312, "Ġearthquake": 37313, "Partial": 37314, "Ġsubst": 37315, "Ġelimin": 37316, "=\"'.": 37317, "//*[@": 37318, "Ġsupervisor": 37319, "vrolet": 37320, "_article": 37321, "Ġpane": 37322, "bio": 37323, "Ġmotors": 37324, "NM": 37325, "Frank": 37326, "Ġonion": 37327, "-word": 37328, "ItemClickListener": 37329, "Ġbrit": 37330, "endencies": 37331, "Computer": 37332, "_running": 37333, "(day": 37334, "-he": 37335, "(named": 37336, "ĠSach": 37337, "оÑĩ": 37338, "campaign": 37339, ".Abstract": 37340, "(wrapper": 37341, ".pay": 37342, "Ġuw": 37343, "Geo": 37344, "rails": 37345, "/select": 37346, "ichte": 37347, "sons": 37348, "EVENT": 37349, "Ġaliment": 37350, "Providers": 37351, "Await": 37352, "_INTERVAL": 37353, ".off": 37354, "Ġgluten": 37355, "_cloud": 37356, "Ġwen": 37357, ".extract": 37358, "ĉbutton": 37359, "/MM": 37360, "Party": 37361, "Ġdemographic": 37362, "_errno": 37363, "Ġhiking": 37364, "('')Ċ": 37365, "\",@\"": 37366, "Ġwit": 37367, "rá": 37368, "ologie": 37369, "ĠStyles": 37370, "ĠBrowserModule": 37371, ".RequestMapping": 37372, "icans": 37373, "PAGE": 37374, "creation": 37375, "ĠFerguson": 37376, "uded": 37377, "numbers": 37378, "ĠGTK": 37379, "Ġpresentations": 37380, "ĠBobby": 37381, "_span": 37382, "estyle": 37383, "Ġillegally": 37384, "abela": 37385, "Ġbattlefield": 37386, "capacity": 37387, "terror": 37388, "]\");Ċ": 37389, "Ġwarrior": 37390, "leader": 37391, "ĠDBG": 37392, "ĠRevenue": 37393, "Ġvigil": 37394, "Ġcounterparts": 37395, "(Error": 37396, "ACTER": 37397, "Ġheeft": 37398, "Ġselections": 37399, "zeug": 37400, "tom": 37401, "-two": 37402, ".;Ċ": 37403, "_statement": 37404, "ĠAid": 37405, "ĠVul": 37406, "_rgb": 37407, "Ġprizes": 37408, "Ġeditable": 37409, "ĉform": 37410, "ını": 37411, ".decor": 37412, "Demo": 37413, "lices": 37414, "Ġenctype": 37415, "ratulations": 37416, "ĠROS": 37417, "_chars": 37418, "ĠJahr": 37419, "partial": 37420, "ÑĥÑĤ": 37421, "ĠReceive": 37422, "ĠLands": 37423, "APTER": 37424, "Ġchopped": 37425, "..\"": 37426, "ĠAnaly": 37427, "ĠUID": 37428, "ĠRadeon": 37429, "ĠBee": 37430, "Ġunm": 37431, ">M": 37432, ".findall": 37433, "Tokenizer": 37434, "ĠWHAT": 37435, "Ġsj": 37436, "Drawing": 37437, "Ess": 37438, "OND": 37439, "Ĭ¶": 37440, "(packet": 37441, "âĢĶbut": 37442, "Invocation": 37443, "ĠNuclear": 37444, "?;Ċ": 37445, "Ġgrandes": 37446, "ĠCrypt": 37447, "remark": 37448, "Ġ'../../../../": 37449, "Ġinability": 37450, "magic": 37451, "cats": 37452, "Ġsimulate": 37453, ":${": 37454, "inflate": 37455, "Ġener": 37456, ":NO": 37457, "iples": 37458, "Ġmerit": 37459, "ĠRated": 37460, "Ġglue": 37461, "/blog": 37462, "Ġgren": 37463, "Ġthrilled": 37464, ".CH": 37465, "uncan": 37466, "ĠPRIMARY": 37467, "Ġpersec": 37468, "Ġfeared": 37469, ".MIN": 37470, "ĠTheater": 37471, "éĴ": 37472, "ategorie": 37473, "段": 37474, "Ġappetite": 37475, "square": 37476, "ĠAlexand": 37477, ".UserId": 37478, "_gt": 37479, "_enter": 37480, "Ġgraduates": 37481, "FragmentManager": 37482, "Authorize": 37483, "-NLS": 37484, "(My": 37485, "Ġtriumph": 37486, "usting": 37487, "_PARAMS": 37488, "Characters": 37489, "(:,:,": 37490, "_BUILD": 37491, "MHz": 37492, "Ġwashed": 37493, "Ġuncle": 37494, "Steve": 37495, "ardown": 37496, "${": 37680, "_confirmation": 37681, "Ġtrophy": 37682, "Works": 37683, "ĠElectronics": 37684, "ĠMediterranean": 37685, "_metrics": 37686, "Ġannouncing": 37687, "ĠDAY": 37688, "_proto": 37689, "Ġpear": 37690, "baseUrl": 37691, "ĉĉĉĉĉĉĉĉĊ": 37692, "Ġcoordination": 37693, ":N": 37694, ".animate": 37695, "ĠCotton": 37696, "_hit": 37697, "âľ": 37698, "Ġjetzt": 37699, "ifter": 37700, "(fields": 37701, "ownload": 37702, "ificacion": 37703, ".cuda": 37704, "ĠLiu": 37705, ">equals": 37706, "ĠAce": 37707, "ÑĢам": 37708, "ĠSuperman": 37709, "ĠGarcia": 37710, "Ġarrests": 37711, "agar": 37712, "Ġ{})": 37713, "Ġmacros": 37714, "roupe": 37715, "être": 37716, "Ġtwisted": 37717, "struments": 37718, "_(\"": 37719, "_vertices": 37720, "ĠTransition": 37721, "ик": 37722, "[max": 37723, "mind": 37724, "ĠaccessToken": 37725, "Ġunle": 37726, "mus": 37727, "cop": 37728, "ĠFactor": 37729, "Ġconced": 37730, "Ġretr": 37731, ".linalg": 37732, "-slider": 37733, "obl": 37734, "_StaticFields": 37735, "Ġzombie": 37736, "selling": 37737, "Ġchap": 37738, "Ġshaking": 37739, "ĠTranslate": 37740, "ĠAmsterdam": 37741, "ĠETH": 37742, "_EXTERN": 37743, "kd": 37744, "_disc": 37745, "Ġpreceding": 37746, "Ġprix": 37747, "ObjectName": 37748, "_modified": 37749, "ardware": 37750, "Ġ?>\">": 37751, "ĠDW": 37752, "`${": 37753, "Ġ?>\">ĊĊ": 37859, "Ġspinning": 37860, "_pending": 37861, "Matchers": 37862, ".Keys": 37863, "ĠPV": 37864, "enus": 37865, "antis": 37866, "Ġdiscard": 37867, "Ġhaul": 37868, "Ġempir": 37869, "Ġpathway": 37870, "Ġoak": 37871, "мен": 37872, "-induced": 37873, "Ġimpair": 37874, "ĠCalgary": 37875, ".isHidden": 37876, "dz": 37877, "_include": 37878, "Ġgm": 37879, "Ġ'('": 37880, "PY": 37881, "uggestions": 37882, "Ġcommodity": 37883, "cro": 37884, "/sub": 37885, "ĠgetInstance": 37886, "ĠLegacy": 37887, "ĠKil": 37888, "Bal": 37889, "(short": 37890, "Inform": 37891, "+x": 37892, "*r": 37893, "ĠHopefully": 37894, "orate": 37895, "Ġmachen": 37896, "Ġtreaty": 37897, "ĠOri": 37898, ".public": 37899, "-horizontal": 37900, "Ġtactic": 37901, "Ġbord": 37902, "wares": 37903, "Ġammo": 37904, "ĠLists": 37905, "Ġequations": 37906, "/her": 37907, "ĠNSW": 37908, "Bounding": 37909, "_Collections": 37910, "Ġavail": 37911, ".DropDown": 37912, "è°": 37913, "Ġhh": 37914, "ĠlÃł": 37915, ".pb": 37916, "Ġmemorial": 37917, "ĠATTR": 37918, "Ġexhausted": 37919, "Ġtsp": 37920, "ĉredirect": 37921, "Ġlikewise": 37922, "STER": 37923, "Ljava": 37924, "Ġcondemned": 37925, "ocaust": 37926, "(strict": 37927, "Ġexempt": 37928, "Ġsms": 37929, "Ġexagger": 37930, "SYS": 37931, "Ġlounge": 37932, ":^": 37933, "Ġtodd": 37934, "deb": 37935, "atorial": 37936, "ĠPorter": 37937, "Ġtuition": 37938, "Ġexempl": 37939, "Ġparen": 37940, ".lineTo": 37941, "Ġkidney": 37942, "Ġça": 37943, "Ġcui": 37944, "ï¼Į请": 37945, "XC": 37946, "Ġmoż": 37947, "Ġnominated": 37948, "lung": 37949, "ImGui": 37950, "ĠBuzz": 37951, "Ġstereo": 37952, "portal": 37953, "resas": 37954, "Ġklass": 37955, "Ġdrafted": 37956, "Ġprojectile": 37957, "/gpl": 37958, "(parameters": 37959, "*)Ċ": 37960, "Ġassisted": 37961, "ĠNSInteger": 37962, "sitemap": 37963, ":nth": 37964, ".Views": 37965, ".ArgumentParser": 37966, "Ġmeer": 37967, "zier": 37968, "ĠDig": 37969, "Ċ": 38036, "Ġplag": 38037, "pine": 38038, "Ġblanket": 38039, "Ġ:-": 38643, "Ġlcd": 38644, "---------------": 38645, "(\"\"": 38646, "Ġtactical": 38647, "ĠRonald": 38648, "extr": 38649, "ĠFest": 38650, "Ġfuer": 38651, "-navigation": 38652, "Ġkb": 38653, "ghost": 38654, "ĠhandleChange": 38655, "_cls": 38656, "()!=": 38657, "Comparator": 38658, ".vm": 38659, "ĠCox": 38660, "_review": 38661, "/@": 38662, "_cookie": 38663, "Ġrecognised": 38664, "ldap": 38665, "Threads": 38666, "ĠSexual": 38667, "ĠBearing": 38668, "(SQL": 38669, "Ġxr": 38670, "Ġthigh": 38671, "URLConnection": 38672, "ĠSUV": 38673, "ĠmContext": 38674, "Ġincidence": 38675, "ĠEste": 38676, ".sup": 38677, "_te": 38678, "(EXIT": 38679, "CMD": 38680, "/\">": 38681, "Almost": 38682, "ĠUne": 38683, "Ġanderen": 38684, "ĠSingleton": 38685, "Ġbore": 38686, "Think": 38687, "Ġnarc": 38688, "]initWith": 38689, "_shop": 38690, "(strategy": 38691, "!',": 38692, "herits": 38693, "ĠDesk": 38694, "_machine": 38695, ".netty": 38696, "ında": 38697, "=<": 38698, "ĠQR": 38699, "ĠSidebar": 38700, ".splitContainer": 38701, "ĠonSuccess": 38702, "Ġmonkey": 38703, "Enjoy": 38704, "(nodes": 38705, "pectrum": 38706, "Ġ(*(": 38707, "ĉUINT": 38708, ",height": 38709, "ĠNetworks": 38710, ".tail": 38711, ".linspace": 38712, "Ġ\"...": 38713, "Listen": 38714, "Æ¡": 38715, ".Channel": 38716, "-defined": 38717, "Repeat": 38718, "adjust": 38719, "ERM": 38720, "_application": 38721, ".assertNotNull": 38722, "-stream": 38723, "Ġrabbit": 38724, "Ġpositioning": 38725, "Ġwoke": 38726, "Ġfing": 38727, "Ġmultiplayer": 38728, "Ġregistering": 38729, "until": 38730, "Ã¥n": 38731, "(::": 38732, "ussions": 38733, "Ġpotato": 38734, "ĠEquals": 38735, ".Sup": 38736, "/apache": 38737, "Ġ(=": 38738, ".\")": 38739, ".ptr": 38740, "ĠSpeech": 38741, ".clip": 38742, "ĠGabriel": 38743, "Ġmusician": 38744, "/issues": 38745, ".shop": 38746, "ĠHier": 38747, "_RET": 38748, "_bucket": 38749, "ãĥ¡": 38750, "avs": 38751, "Ġroz": 38752, "flower": 38753, "WriteBarrier": 38754, "ĠMilan": 38755, "Ġlegislature": 38756, "ĠDoll": 38757, "Ġproving": 38758, ".concatenate": 38759, "âķIJ": 38760, "Ġgchar": 38761, "cdnjs": 38762, "bles": 38763, "ĠListing": 38764, "ло": 38765, ".xrLabel": 38766, "ĠSak": 38767, "justice": 38768, "ĠValentine": 38769, "unless": 38770, "Ġpiger": 38771, "(run": 38772, "Ġtestified": 38773, "ANA": 38774, "ĠRemoves": 38775, "))));Ċ": 38776, "recated": 38777, "ĠRuntimeMethod": 38778, "Ġconqu": 38779, "ãĤ¢": 38780, "Ġtissues": 38781, "ailer": 38782, "été": 38783, "-Star": 38784, "Ġflames": 38785, ".setIcon": 38786, "Ġsupern": 38787, "Ġvagina": 38788, "-variable": 38789, "Ġwellness": 38790, "CUR": 38791, "Ġbelle": 38792, ".getRequest": 38793, "Ġpoco": 38794, "benh": 38795, "agens": 38796, "Ġspill": 38797, "ĠJur": 38798, "Ġdispatcher": 38799, "ного": 38800, "emonic": 38801, "(dirname": 38802, "ĠÐĶ": 38803, "Ġpasse": 38804, "Ġganz": 38805, "ricing": 38806, "EU": 38807, "Ġmujeres": 38808, "essen": 38809, ".attribute": 38810, "jj": 38811, "ĉĉĠĊ": 38812, "[^": 38813, "Ġstrtolower": 38814, "lexer": 38815, "ectar": 38816, "hotel": 38817, ".square": 38818, "Ġrall": 38819, "Ġlowered": 38820, "handled": 38821, "Market": 38822, "ĠUses": 38823, "ivas": 38824, ".Business": 38825, "ãģĹãģ¦": 38826, "DIV": 38827, "Ġwasted": 38828, "Ġavoir": 38829, "êm": 38830, "_ACCOUNT": 38831, ".et": 38832, "ĉSDL": 38833, "kap": 38834, "Ġfox": 38835, "uppet": 38836, "{},Ċ": 38837, "\",'": 38838, "Favorite": 38839, "PEND": 38840, "ĠAES": 38841, "}),": 38842, "Ġdeduction": 38843, "ĠpolÃŃt": 38844, "ĠcomponentWill": 38845, "ĠTelerik": 38846, "_SELF": 38847, "Ġmuse": 38848, "Craft": 38849, "Ġdens": 38850, "ि": 38851, "(tp": 38852, "Ġtasty": 38853, "Ġbalances": 38854, "Ġdedication": 38855, "ĠWallace": 38856, "Ġunlaw": 38857, "\\\">\\": 38858, "Ġmum": 38859, "-update": 38860, "emente": 38861, "Ġsoda": 38862, "Republic": 38863, "asmine": 38864, "éric": 38865, "(Status": 38866, "ĠJsonConvert": 38867, "ĠDisk": 38868, ".Redirect": 38869, "Ġfilming": 38870, "/mol": 38871, "Ro": 38872, "Ġville": 38873, "Ġtrabaj": 38874, "Ġsynthesis": 38875, "rega": 38876, "Ġrl": 38877, "Scheduler": 38878, "ISHED": 38879, "currentUser": 38880, "(errors": 38881, "'h": 38882, "_bot": 38883, "ximo": 38884, "ĠUSART": 38885, "_super": 38886, "_DECREF": 38887, "ной": 38888, "_ROW": 38889, "Ġpromotes": 38890, "ĠTA": 38891, "Ġhoras": 38892, "ĠRepresents": 38893, "Ġnameof": 38894, "ĠExc": 38895, "ĠGarage": 38896, "Ġseine": 38897, ",#": 38898, "Ġherb": 38899, "/resources": 38900, "Ġpleaded": 38901, ".radioButton": 38902, "Ġæĺ": 38903, "Ops": 38904, "ĠNest": 38905, "cstring": 38906, "ĠDefence": 38907, "Ġrefere": 38908, "_leaf": 38909, "Ġrevelation": 38910, "ë§": 38911, ".executeUpdate": 38912, "_WORLD": 38913, "Ġexpans": 38914, "(\"\\\"": 38915, "jab": 38916, "Ġdoubts": 38917, "ĠGeometry": 38918, "Ġintroduces": 38919, "Ġsenators": 38920, "Ġcanal": 38921, ".helper": 38922, "ĠBiology": 38923, "_SENS": 38924, ".previous": 38925, "-touch": 38926, "abit": 38927, "Ġimpacted": 38928, "Ġbrackets": 38929, ".direct": 38930, "accum": 38931, "Ġtestosterone": 38932, "ĉaction": 38933, "ĠChance": 38934, "Ġpeaks": 38935, "CppCodeGenWriteBarrier": 38936, "Ġunbelie": 38937, "_press": 38938, ".Rel": 38939, "angled": 38940, "/templates": 38941, "-->čĊ": 38942, "lime": 38943, "Ġsufficiently": 38944, "_nt": 38945, "Expand": 38946, ".isfile": 38947, "ĠisEmpty": 38948, "Ġqt": 38949, "Ġmulher": 38950, "acob": 38951, "George": 38952, "常": 38953, "Ġassim": 38954, "aso": 38955, "Ġcomprised": 38956, "OV": 38957, "(CONFIG": 38958, "ĉwriter": 38959, "Ġdesp": 38960, "Ġtenure": 38961, "(cr": 38962, ".pool": 38963, "ĠBrend": 38964, "Ġcensor": 38965, "(timeout": 38966, "Ġplea": 38967, ".Wrap": 38968, "Ġtightly": 38969, "ĠWere": 38970, "ĠIgnore": 38971, "abei": 38972, "Ġbridges": 38973, "Ġcondemn": 38974, "Ġsimplicity": 38975, "Ġroutinely": 38976, "Ġblacks": 38977, "jb": 38978, "ĠPit": 38979, "Utf": 38980, "Ġ/Ċ": 38981, "reload": 38982, "ĠsetObject": 38983, "/global": 38984, "Ġfatty": 38985, "Ġsocks": 38986, "Couldn": 38987, "Ġerotisk": 38988, "æĿ¡": 38989, "ĠPressure": 38990, "ĠMaz": 38991, "npos": 38992, "tolower": 38993, "ĠEQ": 38994, "uteur": 38995, "ĠMoment": 38996, "Ġeta": 38997, "{{--": 38998, "Ġgraphs": 38999, "ĠGuar": 39000, "rine": 39001, "(--": 39002, "ĠHttpStatus": 39003, "(student": 39004, "*np": 39005, "Ġrailway": 39006, "Ġasynchronous": 39007, "_vm": 39008, "'],'": 39009, ",text": 39010, "merchant": 39011, "(Guid": 39012, "ĠGra": 39013, "ixer": 39014, "fetchAll": 39015, ".addListener": 39016, "flip": 39017, "*$": 39018, ">(),": 39019, "Ġsunlight": 39020, "assigned": 39021, "Ġabc": 39022, "ĠCOLUMN": 39023, "ĠðŁĻĤĊĊ": 39024, ")...": 39025, "Ġensemble": 39026, "Ġnewline": 39027, "_SINGLE": 39028, "iedad": 39029, "Ġdarker": 39030, "ormap": 39031, "Ġlion": 39032, "plits": 39033, "Ġillustration": 39034, "ĠIEEE": 39035, "Ġvista": 39036, "ousands": 39037, "*******": 39038, "ĠTommy": 39039, "Ġhue": 39040, "Sel": 39041, "Ġaura": 39042, "ĠTherapy": 39043, "Ġanimator": 39044, ".constraints": 39045, "Ġvague": 39046, "(\"\")": 39047, "Ġvillain": 39048, "Ġblessing": 39049, "ĠstringBuilder": 39050, "ĠMisc": 39051, "ĠDIR": 39052, "fax": 39053, "-node": 39054, "ĠWalking": 39055, "ĠAU": 39056, "sess": 39057, "Ġgrill": 39058, "VERTISE": 39059, "ĠFoods": 39060, "Ġtournaments": 39061, "Ãĵ": 39062, "ĠMarsh": 39063, "Ġwonders": 39064, "Longitude": 39065, ".CommandText": 39066, "=input": 39067, "_encoder": 39068, "pageSize": 39069, "ĠgetState": 39070, ">>Ċ": 39071, ".grey": 39072, "pod": 39073, "Ġreadings": 39074, "Ġreconsider": 39075, "Startup": 39076, "Ġexcer": 39077, ".balance": 39078, "_cycle": 39079, "_Time": 39080, "LOCAL": 39081, "ĠEFI": 39082, "ĠReyn": 39083, ".setForeground": 39084, "byn": 39085, "Ġdisconnected": 39086, "ACTIVE": 39087, "Ġembedding": 39088, "ickers": 39089, "Ġsurroundings": 39090, "*c": 39091, "Ġgarant": 39092, "Ġbf": 39093, "Ġwipe": 39094, "Ġä¸ĭ": 39095, "_TRA": 39096, "adox": 39097, "çķ": 39098, "Ġsucks": 39099, "ĠSongs": 39100, "ĠAssociates": 39101, "ĠBald": 39102, "ĠBrett": 39103, "venile": 39104, "Ġvt": 39105, "Ġinade": 39106, "Ġresigned": 39107, "ĠGlenn": 39108, ".pattern": 39109, ".DataBind": 39110, "Ñĥм": 39111, "LayoutInflater": 39112, "chet": 39113, "ĠTestament": 39114, ".ms": 39115, "Ġpav": 39116, "ĠReactDOM": 39117, "urdy": 39118, "ADATA": 39119, "Mu": 39120, "/actions": 39121, "ĠJs": 39122, "_extract": 39123, "ĠBring": 39124, ":id": 39125, "strt": 39126, "ivation": 39127, "Ġoutright": 39128, "azu": 39129, "loyment": 39130, "иÑı": 39131, "aldo": 39132, "ĠPublisher": 39133, "Education": 39134, "Palette": 39135, "_drv": 39136, "Ġ($(": 39137, "ĠAnda": 39138, "Ġremedy": 39139, "Ġinconsistent": 39140, "tection": 39141, "Ġregulators": 39142, "Ġshortest": 39143, "(pair": 39144, "ĠInstallation": 39145, "Ġdefendants": 39146, "Ġ();": 39147, "-large": 39148, "Mel": 39149, "Ġthreaten": 39150, "нÑı": 39151, "Ġfetish": 39152, "otine": 39153, "_dic": 39154, "Ġ<$": 39155, "Ġstagger": 39156, "spi": 39157, "$response": 39158, "Serv": 39159, "-born": 39160, "jos": 39161, "ĉimg": 39162, "ĉWHERE": 39163, "_lt": 39164, "å½ĵ": 39165, ".cost": 39166, "ĠTue": 39167, ".labels": 39168, "ĠLV": 39169, "wcsstore": 39170, "ĠJesse": 39171, "ห": 39172, "Trade": 39173, "Ġpredecessor": 39174, "ëĤ": 39175, "finally": 39176, "_general": 39177, "oggler": 39178, "_REGION": 39179, "nement": 39180, "Ġblogger": 39181, "ĠHarbor": 39182, "ĠDataset": 39183, "[w": 39184, "Ġattendees": 39185, ".ico": 39186, "maximum": 39187, ".Unlock": 39188, "_SYNC": 39189, "ágina": 39190, "Ġdowns": 39191, "ĠWii": 39192, "])/": 39193, "Ġkicking": 39194, "unication": 39195, "ĠDAC": 39196, "ĠIDS": 39197, "ĠRental": 39198, "ĠcurrentTime": 39199, "Ġvaccines": 39200, "ĠDevil": 39201, "Ġnors": 39202, "_mouse": 39203, "urrection": 39204, "(no": 39205, "Ġ>čĊ": 39206, "Ġaggression": 39207, "Ġbreeding": 39208, ".symbol": 39209, "iman": 39210, "AbsolutePath": 39211, "ĠWHO": 39212, "_flush": 39213, "-root": 39214, "arna": 39215, "&M": 39216, "Ġfathers": 39217, "ĠRocket": 39218, "iveau": 39219, "Ġwander": 39220, "Ġcompos": 39221, "ĠWarrior": 39222, "ĠSeat": 39223, "ĠClinic": 39224, "_invoice": 39225, "(dispatch": 39226, "Producto": 39227, "aturing": 39228, "ossier": 39229, "ĠMAY": 39230, "Ġdagger": 39231, "Ġsanitized": 39232, "ĠRFC": 39233, "Ġproph": 39234, "Ġurine": 39235, "Ġgrind": 39236, "ĠExpanded": 39237, "descripcion": 39238, "-fw": 39239, "ĠKerry": 39240, "=name": 39241, "Ġchk": 39242, "Ġnationally": 39243, "Ġthee": 39244, "Inc": 39245, "Ġ?>>": 39246, ".RadioButton": 39247, ".HttpServletResponse": 39248, "/Y": 39249, "ĉfield": 39250, "Ġhomme": 39251, "yper": 39252, "Physical": 39253, "=v": 39254, "Ġdriv": 39255, "ĠErrors": 39256, "ĠcÄĥ": 39257, "Death": 39258, "ĠWINDOW": 39259, "Ġpoet": 39260, "ĠSharp": 39261, "ĠImmutable": 39262, "ĉcreate": 39263, "Ġgeht": 39264, "ĠReform": 39265, "aiser": 39266, "ĠInitialization": 39267, "Ġimmunity": 39268, ".compose": 39269, "Ġlatency": 39270, "ĠLebanon": 39271, "ĠParad": 39272, "Ġfuels": 39273, "ĠExhib": 39274, "coh": 39275, "%\">Ċ": 39276, "ĠCLI": 39277, ")initWith": 39278, "-Za": 39279, "_CLEAR": 39280, "regn": 39281, "Ġfinances": 39282, ".standard": 39283, "_CATEGORY": 39284, ".library": 39285, "Ġtravelers": 39286, "_wp": 39287, "ĠEvaluation": 39288, "starting": 39289, "Ġ)),Ċ": 39290, "episode": 39291, "ĠVariant": 39292, "Ġdaemon": 39293, "ĠJulia": 39294, "ĠNR": 39295, "Ġdoubles": 39296, "'": 39526, "Ġqueryset": 39527, ";}čĊ": 39528, "ĠPopulation": 39529, "utedString": 39530, "resident": 39531, "_FONT": 39532, "ĠRespond": 39533, "Ġobscure": 39534, "Ġobservable": 39535, "ĠContributors": 39536, "kon": 39537, "ĠMusk": 39538, "exao": 39539, "ĠTub": 39540, "BootApplication": 39541, "SOR": 39542, ".Horizontal": 39543, ".findBy": 39544, ".power": 39545, "Ġpositively": 39546, "venience": 39547, "ĠJong": 39548, "Ġwhistle": 39549, "ĠзнаÑĩ": 39550, "Ġlending": 39551, "Ġdestructive": 39552, "ĠonDelete": 39553, "authorization": 39554, "();?>": 39555, "_original": 39556, "science": 39557, "atra": 39558, "?,?,": 39559, "ĠAsc": 39560, "Ġconvincing": 39561, "$a": 39562, "orgen": 39563, "_Date": 39564, "ĠProvide": 39565, "Ġlonely": 39566, ")'Ċ": 39567, "exchange": 39568, ";?>Ċ": 39569, ".fast": 39570, "Samples": 39571, "London": 39572, "'])čĊ": 39573, "ĠIonic": 39574, "Ġpesso": 39575, "ĠKnights": 39576, "ĠRaf": 39577, "_attrs": 39578, "Ġrepeal": 39579, ">Main": 39580, "ĠOrdered": 39581, "_New": 39582, "=\"\">\";Ċ": 39663, "ĠSERVER": 39664, "ĠHEADER": 39665, "_velocity": 39666, "ĠInvoke": 39667, ".timestamps": 39668, "Ġsulf": 39669, "IQUE": 39670, "Ġinhabitants": 39671, "phins": 39672, "azzo": 39673, "Ġmono": 39674, "Legend": 39675, "Ġnonce": 39676, "IFE": 39677, ";\";Ċ": 39678, "-create": 39679, "\"\",Ċ": 39680, "permit": 39681, "ĠImmigration": 39682, "Ġpathname": 39683, "ffective": 39684, "âĻĢâĻĢ": 39685, "Ġexams": 39686, "-event": 39687, "ĠTill": 39688, "[mid": 39689, "FIX": 39690, ";color": 39691, "(Order": 39692, "_traits": 39693, "ĠorderBy": 39694, "Ġsunt": 39695, "ĠNicholas": 39696, "ز": 39697, "Ġsunny": 39698, "iners": 39699, "Ġaccessibility": 39700, "ĠHB": 39701, ".comp": 39702, "ĉop": 39703, "Ġminorities": 39704, "etheus": 39705, "Ġcollaborative": 39706, "prit": 39707, "HIR": 39708, "Ġwraps": 39709, "ĉdraw": 39710, "god": 39711, "ĠIX": 39712, ".apps": 39713, "ĠNM": 39714, "Ġirrelevant": 39715, "ĠTigers": 39716, "Ġdiag": 39717, "GV": 39718, "ĠAccessories": 39719, "kont": 39720, "Ġsimplify": 39721, "ĠFavorite": 39722, "_tools": 39723, "([]);Ċ": 39724, "Ġtowers": 39725, "Bes": 39726, "Ġhunter": 39727, "Ġsalon": 39728, "(buff": 39729, "ĉdebug": 39730, "Ġmalware": 39731, "Moving": 39732, "-options": 39733, ")+'": 39734, "ĠLOVE": 39735, "_SOCKET": 39736, "_fin": 39737, "ĠDelaware": 39738, "Ġsheriff": 39739, "-invalid": 39740, "ĠFULL": 39741, "Ġпод": 39742, "elas": 39743, "\"strings": 39744, "ĠRepresentatives": 39745, "surface": 39746, "resolved": 39747, "htdocs": 39748, ")):čĊ": 39749, "Ġpressures": 39750, "Ġnorms": 39751, "Ġpla": 39752, "Ġsurname": 39753, "Ġpostal": 39754, "ĠDepart": 39755, "Ġslaughter": 39756, "orida": 39757, "Ġhebben": 39758, "Ġdesar": 39759, "compact": 39760, "_LANG": 39761, "åIJĪ": 39762, "opoly": 39763, "_rad": 39764, "ĠSTDMETHOD": 39765, "Lazy": 39766, "ĠĠĠĉ": 39767, "...,": 39768, "(web": 39769, "ĠPont": 39770, "Ġetwas": 39771, "Ġupward": 39772, "_hat": 39773, "Ġ],ĊĊ": 39774, "ĠbaseUrl": 39775, "Ġworrying": 39776, "-addon": 39777, "(getClass": 39778, "SPI": 39779, "Ġcapturing": 39780, ")},Ċ": 39781, "Effects": 39782, "Ġcompetent": 39783, "Ġfoul": 39784, "Ġsubscribing": 39785, "ĠOBJECT": 39786, "IXEL": 39787, "bucks": 39788, "(edge": 39789, "(pass": 39790, "ĠPeterson": 39791, "Ġboobs": 39792, "ĠDelay": 39793, "_square": 39794, "elim": 39795, "oters": 39796, "_PC": 39797, "%E": 39798, "onclick": 39799, "ĠSVG": 39800, "Ġtopped": 39801, "Ġfist": 39802, "smart": 39803, "ĠRalph": 39804, "(owner": 39805, "jours": 39806, "Ġbronze": 39807, "ĠArgumentException": 39808, "(original": 39809, "_SCALE": 39810, "_cp": 39811, "Ġrecommends": 39812, ".setStyle": 39813, "Sure": 39814, "LAND": 39815, "Ġrepeating": 39816, "Matt": 39817, ".Visibility": 39818, "Ġenterprises": 39819, ".Setup": 39820, "(scene": 39821, "ĠReactive": 39822, "urge": 39823, "bw": 39824, ".Put": 39825, "persist": 39826, ".cookie": 39827, "ĠAudi": 39828, "`s": 39829, "supplier": 39830, "(Form": 39831, "¡": 39832, "_so": 39833, "ĮĢ": 39834, "ĠLegion": 39835, "tte": 39836, "Nd": 39837, "Loss": 39838, "(attrs": 39839, ".scatter": 39840, "Ġgroom": 39841, "Ġglimpse": 39842, "Ġnails": 39843, "Ġcumulative": 39844, "Ġfazer": 39845, "_services": 39846, ".Num": 39847, "ibilit": 39848, "_resolution": 39849, "ĠTx": 39850, "uminium": 39851, "opa": 39852, ".schedule": 39853, "smtp": 39854, "à¸ķ": 39855, "urry": 39856, "ük": 39857, "goog": 39858, "_signature": 39859, ".into": 39860, "ĠSteps": 39861, "Ġhomeowners": 39862, "ĠNSURL": 39863, "ĠPAC": 39864, "ĠĠĠĠĠĠĠĠĠĠĠĠĊĊ": 39865, ">')Ċ": 39866, "enh": 39867, "Ġincap": 39868, "$MESS": 39869, "Ġmoins": 39870, "ĠFi": 39871, "Ġoffseason": 39872, "pressions": 39873, ">.Ċ": 39945, "ĠGrass": 39946, "ĠGoal": 39947, "_pdf": 39948, "Handlers": 39949, "Ġstacks": 39950, ".getFullYear": 39951, "=[];Ċ": 39952, "车": 39953, ",V": 39954, "(split": 39955, "Ñĥнк": 39956, "Ġbakeca": 39957, "Ġ~/.": 39958, "pez": 39959, "tails": 39960, "ĠGlen": 39961, "ĠsetImage": 39962, "ĠComic": 39963, "BLOCK": 39964, "ĉThis": 39965, "oader": 39966, "Ġcapitalist": 39967, "_STEP": 39968, "(Boolean": 39969, "ĠCorrect": 39970, "rina": 39971, "Ġconcaten": 39972, "å®ŀ": 39973, "():ĊĊ": 39974, "Ġunanim": 39975, "lli": 39976, "alars": 39977, "-ne": 39978, "Ġdivor": 39979, "ĠKickstarter": 39980, "]._": 39981, "*'+": 40622, "åĿĢ": 40623, "acency": 40624, "(URL": 40625, "_half": 40626, "=l": 40627, "ĠlistView": 40628, "(section": 40629, ".toArray": 40630, "+/": 40631, "ĠRodriguez": 40632, "istream": 40633, "Ġeligibility": 40634, "::-": 40635, ".newInstance": 40636, "PB": 40637, "ĠAssets": 40638, "ĠComposite": 40639, "ĠLabs": 40640, "ĠHamas": 40641, "++);Ċ": 40642, "Ġblk": 40643, "ĠNeo": 40644, "Luc": 40645, "@login": 40646, "Ġunaware": 40647, ".met": 40648, "_RELEASE": 40649, "(ST": 40650, "AMIL": 40651, "rike": 40652, "Ġ(){Ċ": 40653, "(sprintf": 40654, "ĠAccounts": 40655, "ĠVIEW": 40656, "ĠAj": 40657, "ãĤ°": 40658, "Ġwhisk": 40659, "Ġidi": 40660, "Ġrode": 40661, "Ġihn": 40662, "ĠElementary": 40663, "Qty": 40664, "Ġintriguing": 40665, "Ġå¤": 40666, "Jobs": 40667, "ĉoffset": 40668, "ĠAhmed": 40669, "ĠTaliban": 40670, "Ġèİ·åıĸ": 40671, "Ġinjected": 40672, ".Authentication": 40673, "_linear": 40674, ".Decimal": 40675, "Ġapples": 40676, "Ġshareholders": 40677, "Ġbaked": 40678, ".diff": 40679, "ĠEddie": 40680, "okers": 40681, "Ġconfronted": 40682, "voices": 40683, "Ġtus": 40684, "ĠSpin": 40685, "NODE": 40686, "_Un": 40687, "CTX": 40688, "/google": 40689, "Temperature": 40690, "Ġ'').": 40691, "Ġmagnificent": 40692, "ĠstartIndex": 40693, "sembles": 40694, "Anyone": 40695, "zk": 40696, "ehen": 40697, "ĠDame": 40698, ".strict": 40699, "Ġreplaces": 40700, "Ġlineback": 40701, "Ġpushes": 40702, "Ġcheek": 40703, "ĠShi": 40704, "_BYTES": 40705, "REA": 40706, "ản": 40707, "_CONNECTION": 40708, "Gateway": 40709, "ĠTravis": 40710, "ĠAX": 40711, "ĠBasically": 40712, "ĠUpgrade": 40713, "àª": 40714, "themes": 40715, "ermo": 40716, "kor": 40717, "Female": 40718, "_attach": 40719, "ĠìĤ¬ìļ©": 40720, "Ġpoz": 40721, "==============Ċ": 40722, "(symbol": 40723, "ĠSector": 40724, "__)ĊĊ": 40725, "_padding": 40726, "ï¼ļ\"": 40727, "Ġfabs": 40728, "Ġranged": 40729, "setName": 40730, "Ġperror": 40731, "âĹ": 40732, "ĠFileReader": 40733, "Ġfulfilled": 40734, "_Current": 40735, "Ġdominate": 40736, "Ġsmugg": 40737, "PostMapping": 40738, "_force": 40739, "Ġbloc": 40740, "ĠGiant": 40741, "(video": 40742, "ĠCU": 40743, "SystemService": 40744, "Ġelf": 40745, "Ġkontakt": 40746, "ëª": 40747, "kees": 40748, "gtk": 40749, "ĠparamInt": 40750, "Ġmarkup": 40751, "uales": 40752, "Ġaccounted": 40753, "Ġgangbang": 40754, "RYPT": 40755, "ĠWrong": 40756, "Ġcredited": 40757, "ĠMESSAGE": 40758, "Ġflaws": 40759, "Ġbbw": 40760, "Ġmetabolic": 40761, "ĠOEM": 40762, "/event": 40763, "(Collectors": 40764, "monton": 40765, "appear": 40766, "Ġopted": 40767, "Ġcheat": 40768, "Ġdav": 40769, "ĠProceed": 40770, "Ġê¸": 40771, "anked": 40772, "из": 40773, "ansk": 40774, "ĠHang": 40775, "ĠCler": 40776, "Ġdisgu": 40777, "Ġcmap": 40778, ".cljs": 40779, "Ġaument": 40780, "lez": 40781, "ĠJoined": 40782, "_received": 40783, "Ġaerial": 40784, "otel": 40785, "Ġgreet": 40786, "\"s": 40787, "ĠGenesis": 40788, "ĠCalif": 40789, "panion": 40790, "Ġtailored": 40791, "mapping": 40792, "andExpect": 40793, ".track": 40794, "atomy": 40795, "ĠOw": 40796, "ullah": 40797, ".Yes": 40798, "ĠSimpleName": 40799, "dbh": 40800, "'en": 40801, "Ġnonsense": 40802, "Ġphilosophical": 40803, "(getContext": 40804, "Ġisso": 40805, "ĠACE": 40806, "startDate": 40807, "ĠbÄĻd": 40808, "ĠAUTHOR": 40809, "ĠGlobe": 40810, "Ġinsects": 40811, "_Al": 40812, "ushing": 40813, "è®°": 40814, "/Home": 40815, "ĠLocalDate": 40816, "needed": 40817, "hesive": 40818, "Ġillusion": 40819, "äºĮ": 40820, "Ġtrat": 40821, "xo": 40822, "/detail": 40823, "_MATCH": 40824, "Ġbroadband": 40825, "Ġwal": 40826, "ĠIllegalStateException": 40827, "IRECTION": 40828, "Ġnortheast": 40829, "esium": 40830, "ĠCliente": 40831, "ulance": 40832, "nty": 40833, "Ġtecn": 40834, "Devices": 40835, "Ġgrains": 40836, "ĠOg": 40837, "ĠSEL": 40838, "udiant": 40839, "Ġ++;Ċ": 40840, "Ġexplanations": 40841, "occo": 40842, "Ġdiets": 40843, "Ġcohort": 40844, "(controller": 40845, ".Iterator": 40846, "-rich": 40847, "rocess": 40848, "GD": 40849, "Ġcarbohydr": 40850, "Ġfried": 40851, "ĠEmployment": 40852, "ìŀ¥": 40853, "ĠLeonard": 40854, "_${": 40855, "quares": 40856, "Ġcompanions": 40857, "Ġparis": 40858, "Ġstimulation": 40859, "ĠZoo": 40860, "Ġrelevance": 40861, "ĠColour": 40862, "Ġspear": 40863, "otional": 40864, "ĠLite": 40865, "ĠKosten": 40866, "Ġó": 40867, "_attachment": 40868, "orphic": 40869, "Ġdamit": 40870, "Ġdlg": 40871, "Ġthrive": 40872, "CHANGE": 40873, "ĠApparently": 40874, "Ġatual": 40875, "Ġrooted": 40876, "(images": 40877, "awi": 40878, "ariat": 40879, "Ġcherry": 40880, "STATIC": 40881, "mnt": 40882, "ĠUserId": 40883, "illet": 40884, "ĠHispanic": 40885, "Ġnak": 40886, "Ġcentro": 40887, "Ġdims": 40888, "_initialize": 40889, "ık": 40890, "ĠCenters": 40891, "REN": 40892, "Ġevolutionary": 40893, "ĠTopics": 40894, "_damage": 40895, "emer": 40896, "Ġrund": 40897, "Ġpunished": 40898, "Ġcubic": 40899, "fair": 40900, "[];ĊĊ": 40901, "Ġinstantiate": 40902, "Ġoversee": 40903, "-delete": 40904, "unteer": 40905, "startTime": 40906, "ĠPipeline": 40907, "_GAME": 40908, "ĠCir": 40909, "ĉNull": 40910, ".Formatting": 40911, "ucumber": 40912, "ĠRide": 40913, "Ġzoo": 40914, "Ġchecker": 40915, "åIJĮ": 40916, "=C": 40917, "Ġgrit": 40918, "\");//": 40919, "_xy": 40920, "ĠDeclaration": 40921, "Ġcallable": 40922, "Foo": 40923, "ĠListItem": 40924, "Ġinaccur": 40925, "mlin": 40926, "ĉData": 40927, "Ġevolving": 40928, "awan": 40929, "Ġcafe": 40930, "folk": 40931, "_IDX": 40932, "ĠAnything": 40933, "ĠPalestine": 40934, "ĠGridView": 40935, "Ġcolony": 40936, "ĠGermans": 40937, "(+": 40938, ".pid": 40939, ".jsx": 40940, "ĠSuperior": 40941, "Christian": 40942, "ĠLect": 40943, "ĉGame": 40944, "Ġinstrumental": 40945, "Animations": 40946, "дал": 40947, "ĠMoses": 40948, "ĉĉčĊĉĉčĊ": 40949, "zs": 40950, "kte": 40951, "ä¸ļ": 40952, "_DIST": 40953, "bitmap": 40954, "dB": 40955, "Ġpersistence": 40956, "ÑĢоÑģ": 40957, "$l": 40958, "Bron": 40959, "Ġ{|": 40960, "_chart": 40961, "ĠConsum": 40962, "Ġhemp": 40963, "Ġ\"))Ċ": 40964, "Ġattackers": 40965, "Ġknowledgeable": 40966, "Ġcet": 40967, "Ġviruses": 40968, "'I": 40969, "Ġpitcher": 40970, "Ġsweeping": 40971, "=list": 40972, "aptops": 40973, ".depth": 40974, "Ġinstructed": 40975, "ĠRus": 40976, "benhavn": 40977, "Ġин": 40978, "Sports": 40979, "Ġonset": 40980, "æĿĥ": 40981, ".RED": 40982, "_si": 40983, "ĠPST": 40984, ".onChange": 40985, ">tag": 40986, "ĠRoh": 40987, "_character": 40988, "ĠLaws": 40989, "ĠBachelor": 40990, "_swap": 40991, ".reactivex": 40992, "Ġrewarding": 40993, "Medium": 40994, "-[": 40995, "ĠRecently": 40996, "Joint": 40997, "partition": 40998, "ĠMinutes": 40999, "Ġindo": 41000, "Ġabsorbed": 41001, "ĠGN": 41002, "_IND": 41003, "Ġsaber": 41004, "Spawn": 41005, "outputs": 41006, "ĠJeffrey": 41007, "Ġmedieval": 41008, "hed": 41009, "Guide": 41010, "Ġpsycho": 41011, "Ġglam": 41012, "Elim": 41013, "ädchen": 41014, "_plain": 41015, "ĠSau": 41016, "-four": 41017, "Ġanalyzing": 41018, "QUERY": 41019, "Ġtomato": 41020, "_buttons": 41021, "VEN": 41022, ".setStatus": 41023, ".Url": 41024, "+ĊĊ": 41025, "Ġcomplaining": 41026, "degree": 41027, "confirmed": 41028, "Ġsubt": 41029, "parsed": 41030, "Ġtorque": 41031, "Ġtroubled": 41032, "ĠTARGET": 41033, "Ġtrademarks": 41034, "ĠCoordinate": 41035, "ĠViv": 41036, "Ġ//}ĊĊ": 41037, "Ġaprès": 41038, ".getPosition": 41039, "(KeyCode": 41040, "ĠSilva": 41041, "Ġmeteor": 41042, "Ġendorsement": 41043, "Overview": 41044, "ĠPoss": 41045, ".Inject": 41046, "Ġevenly": 41047, "Ġvisualization": 41048, "Ġwchar": 41049, "ĠHDMI": 41050, "Ġfunct": 41051, "ickname": 41052, "','','": 41053, "Ġforwards": 41054, "ManagedObject": 41055, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 41056, "ĉserver": 41057, "ĠOutlook": 41058, "ĠChronicle": 41059, "Ġdubbed": 41060, "Ġdok": 41061, "ĠWear": 41062, ".AL": 41063, "paren": 41064, ".Interface": 41065, "Interfaces": 41066, ".cod": 41067, "Ġdib": 41068, ".Globalization": 41069, "ĠAcademic": 41070, "Ġassms": 41071, "Autom": 41072, "Ġlw": 41073, "ĠNW": 41074, "Ġ&&čĊ": 41075, "Ġproblema": 41076, "ĠManufacturing": 41077, "limits": 41078, "-mobile": 41079, "Ġfilme": 41080, "/map": 41081, "Ġdoit": 41082, "ĠInk": 41083, "Ġsued": 41084, ".arr": 41085, "Ġundermin": 41086, "ĠProc": 41087, "crollView": 41088, "__$": 41089, "Ġsidewalk": 41090, "(that": 41091, "ื": 41092, "[q": 41093, "grammar": 41094, "Ġtë": 41095, "quito": 41096, "Ġspiral": 41097, "extended": 41098, "Ġfocal": 41099, "Ġdigging": 41100, "pas": 41101, "ĠTall": 41102, ".proxy": 41103, "itures": 41104, "TRACT": 41105, "ĠRealm": 41106, "Ġfeder": 41107, "Ġoriented": 41108, "ĠAlternative": 41109, "Ġowe": 41110, "Ġsourced": 41111, "inker": 41112, ".det": 41113, "Sep": 41114, "ĠQui": 41115, "ĠPalmer": 41116, "(_,": 41117, "samples": 41118, "oyer": 41119, "ullan": 41120, "quez": 41121, "Edges": 41122, "Ġshout": 41123, "ĠAchie": 41124, "Ġhaar": 41125, "_Construct": 41126, "Ġpremature": 41127, "Ġrevert": 41128, "').Ċ": 41129, "Ġschn": 41130, "filtered": 41131, "nullptr": 41132, "Saved": 41133, "itecture": 41134, "CLA": 41135, "Ġvl": 41136, "stell": 41137, "ĉMe": 41138, "ĠLip": 41139, "national": 41140, "Ġwholly": 41141, "Ġsprings": 41142, ".Timer": 41143, "ĉsrc": 41144, "elsen": 41145, "åħ¶": 41146, "Ġcommunicating": 41147, "ĠQuiz": 41148, "Ġteng": 41149, "Ġgez": 41150, "ĠOutside": 41151, ".Sign": 41152, "(cs": 41153, "Ġdisputes": 41154, "ĠWeiss": 41155, "annes": 41156, ">No": 41157, "ĠBach": 41158, ".removeAll": 41159, "refer": 41160, "/dashboard": 41161, "ĠAjax": 41162, "IndexChanged": 41163, "ĠWeak": 41164, "'\"Ċ": 41165, "Ġsights": 41166, "accessToken": 41167, "ĠJoi": 41168, "(domain": 41169, "ĉcv": 41170, "Ġcontinuation": 41171, "Ġplum": 41172, "adir": 41173, ".setMessage": 41174, "Ġï¼Į": 41175, "Ġswallow": 41176, "ĠLamp": 41177, "Ġqw": 41178, "Ġuu": 41179, "Coin": 41180, "ubic": 41181, "ĠDeals": 41182, "race": 41183, "Ġdictator": 41184, "Ġmeme": 41185, "turned": 41186, "ĠJulie": 41187, ".gridColumn": 41188, "Ġpuppy": 41189, "Ġpam": 41190, "Ġ){čĊ": 41191, "Ġinviting": 41192, "Ġfrench": 41193, "vim": 41194, "Ġwrapping": 41195, "Ġ#-}Ċ": 41196, "([-": 41197, "Early": 41198, "Ġshiny": 41199, ".faces": 41200, "Ġrebell": 41201, "abcdef": 41202, "ält": 41203, "Ġestimation": 41204, "phys": 41205, "losures": 41206, "_REL": 41207, "Ġexclusion": 41208, "ĠSkype": 41209, "weise": 41210, "-stop": 41211, "nothing": 41212, "ĠEgg": 41213, "isors": 41214, "Richard": 41215, "Ġcounseling": 41216, "Ġcommem": 41217, "ĠQMessageBox": 41218, "ĠSynd": 41219, "ĠFrost": 41220, "ĠCompetition": 41221, "ĠAwake": 41222, "Ġted": 41223, "iciones": 41224, "ĠDevComponents": 41225, "VERTISEMENT": 41226, "otti": 41227, ".runner": 41228, "Ġuniquely": 41229, ".flag": 41230, "ĉrs": 41231, "_generic": 41232, "Ġ```Ċ": 41233, "ACHINE": 41234, "Ġmein": 41235, "(Application": 41236, "(br": 41237, "Ġratios": 41238, ":,": 41239, "ĠXCTest": 41240, "ustainable": 41241, "-www": 41242, "itles": 41243, "_TEMP": 41244, "Ġsyst": 41245, "umericUpDown": 41246, "ĉassertTrue": 41247, "Ġwf": 41248, ".peek": 41249, "ĠBulg": 41250, "Ġterrifying": 41251, ".MODE": 41252, "ĠGW": 41253, "ár": 41254, "Ġfic": 41255, "Ġcommitments": 41256, "-tech": 41257, "ĠLiquid": 41258, "opez": 41259, "zheimer": 41260, "aña": 41261, "-media": 41262, "(animated": 41263, "_goal": 41264, "Ġgum": 41265, "ystone": 41266, ".SET": 41267, "ĠWend": 41268, "setCellValue": 41269, "Ġmsgs": 41270, "cash": 41271, "ALLOC": 41272, "/aws": 41273, "Ġmicrowave": 41274, ".Pointer": 41275, "ĉConsole": 41276, "_sorted": 41277, "ĠFilip": 41278, "Prod": 41279, "Ġ//!<": 41280, "ingroup": 41281, "Ġks": 41282, "_TRI": 41283, "Ġteaspoon": 41284, "ĠATT": 41285, "Ġrecovering": 41286, "ĠGLOBAL": 41287, ".Par": 41288, "Ġ/>;Ċ": 41289, "Ġmarble": 41290, "ulators": 41291, "ĠCycle": 41292, "Ġherbs": 41293, "_metric": 41294, ")!": 41295, "_CLOCK": 41296, "_Button": 41297, "Harry": 41298, "è¿Ľ": 41299, "Ġstrains": 41300, "ĠAppBar": 41301, "ĠChan": 41302, "/video": 41303, "Ġbam": 41304, ".Progress": 41305, "$f": 41306, "lemen": 41307, "Ġirregular": 41308, "ĠDuncan": 41309, "ĠMint": 41310, "-video": 41311, "া": 41312, "ówn": 41313, "ĠEMPTY": 41314, "Ġstacked": 41315, "ĠHA": 41316, "_cut": 41317, "Ġwherein": 41318, "ĠWays": 41319, "(counter": 41320, "è¯ķ": 41321, "FormGroup": 41322, "Ġblew": 41323, "courses": 41324, "Ġproductos": 41325, "rys": 41326, "ĠRestr": 41327, "Ġstyling": 41328, ">s": 41329, "Ġpiv": 41330, "Ġitertools": 41331, "getRepository": 41332, "ĠIk": 41333, "_devices": 41334, "layui": 41335, "Ġhalfway": 41336, "Ġfranç": 41337, "Ġtuning": 41338, "OA": 41339, "_Node": 41340, "arde": 41341, "Ġfierce": 41342, "licted": 41343, "#čĊ": 41344, "Ġbreakthrough": 41345, "ĠErik": 41346, "Ġbride": 41347, "Ġ.\"": 41348, "culus": 41349, "inside": 41350, "ĠIndianapolis": 41351, "ĠEE": 41352, "Ġyog": 41353, "urret": 41354, ".fs": 41355, ".grad": 41356, "_cards": 41357, "_accuracy": 41358, "_epi": 41359, "queda": 41360, "/org": 41361, "éªĮ": 41362, "Ġcompte": 41363, "))[": 41364, "Outside": 41365, "Greater": 41366, "ĠRenderer": 41367, ".actor": 41368, "Accounts": 41369, "Idle": 41370, "_hours": 41371, "erner": 41372, "Joined": 41373, "Ġmenj": 41374, "requires": 41375, "ĠOPER": 41376, ".removeChild": 41377, "ĉsp": 41378, "Ġesse": 41379, "rift": 41380, "xFE": 41381, "ĠShakespeare": 41382, "____________": 41383, "Ġbudgets": 41384, "ModelState": 41385, "fillable": 41386, "-component": 41387, "ocos": 41388, "ĠBUTTON": 41389, "/io": 41390, ",out": 41391, "sms": 41392, "Thomas": 41393, "ĠArmed": 41394, "resume": 41395, "Ġrotating": 41396, "ĠVault": 41397, "Ġseus": 41398, ".(*": 41399, "Ġamino": 41400, "Ġ[]);ĊĊ": 41401, "Ġprovoc": 41402, "nox": 41403, ".GetEnumerator": 41404, "=======Ċ": 41405, "æĸĻ": 41406, "_scroll": 41407, "Ġfilmed": 41408, "ĠSoci": 41409, "gap": 41410, "gro": 41411, "Vote": 41412, "\"But": 41413, "_RC": 41414, "Animal": 41415, "ÂĢ": 41416, "ibile": 41417, "Ġawaken": 41418, "orest": 41419, "inja": 41420, "ĠIvan": 41421, "(Command": 41422, "Ġ*****": 41423, "η": 41424, "Ġkvinder": 41425, "/helpers": 41426, "_cases": 41427, "tg": 41428, "ìĦ¸": 41429, "Registered": 41430, "ĉpass": 41431, "_digits": 41432, "Ġcontour": 41433, "Ġinfants": 41434, "Ġjustification": 41435, "ĠFortunately": 41436, "Contr": 41437, "ĠonCreateView": 41438, "_SAMPLE": 41439, "ĠallowNull": 41440, "Ġnud": 41441, "Ġfetched": 41442, "_equ": 41443, "ĠUnable": 41444, "=\\\"\"": 41445, ">{Ċ": 41446, "Ġcommittees": 41447, "istema": 41448, "+\".": 41449, "ÃŃan": 41450, "mant": 41451, "Ġsoutheast": 41452, "ï¼ĮĊ": 41453, "dialogs": 41454, "PROJECT": 41455, "charger": 41456, "-port": 41457, "(uuid": 41458, ".export": 41459, "Six": 41460, "ĠRP": 41461, "Prem": 41462, "Ġconscience": 41463, "ĠmarginRight": 41464, "_distribution": 41465, "yaml": 41466, "resizing": 41467, "Dock": 41468, "ĠLocations": 41469, "GY": 41470, "Seed": 41471, "BUFFER": 41472, "ossip": 41473, "ullen": 41474, "Things": 41475, "-self": 41476, ".poll": 41477, "PLAYER": 41478, "Ġå®": 41479, "GROUP": 41480, "ĠAway": 41481, "Ġgospel": 41482, "xfd": 41483, "Mary": 41484, "ĠPortable": 41485, "TURE": 41486, "Ġutilis": 41487, "Ġseit": 41488, "Ġstrand": 41489, "Ġtransc": 41490, "Ġ(^": 41491, "ĠAlfred": 41492, ".mem": 41493, ".circle": 41494, "Ġ~/": 41495, "forcing": 41496, "Ġriot": 41497, "prox": 41498, "THON": 41499, "ización": 41500, "ĠNI": 41501, "rost": 41502, "Ġdispro": 41503, "_instances": 41504, "ï¼ĮâĢľ": 41505, "ographer": 41506, "endas": 41507, "ĠIsaac": 41508, "ĠPine": 41509, "/dis": 41510, "ĠcolorWith": 41511, "iterate": 41512, "_stride": 41513, "Ġpunto": 41514, ".EventArgs": 41515, "(center": 41516, "Ġneighboring": 41517, "ĠPrison": 41518, "ĠMessenger": 41519, "Ġepidemic": 41520, "dao": 41521, "_complex": 41522, "Ġgravel": 41523, "_DIP": 41524, "ément": 41525, "ĠAri": 41526, "_bitmap": 41527, ".quit": 41528, "(valid": 41529, "Ġpend": 41530, "Ġrespiratory": 41531, "Ġrebound": 41532, "DefaultValue": 41533, "ãĥŃ": 41534, "Ġcommits": 41535, ".tests": 41536, "_fr": 41537, "itet": 41538, ".sf": 41539, "Ġspacecraft": 41540, "critical": 41541, "Ġdepressed": 41542, "ĠAnyObject": 41543, "Ġunb": 41544, "Ġdiscern": 41545, "(mysql": 41546, "Latin": 41547, "ĠBog": 41548, "ĠWildlife": 41549, "ToFile": 41550, "ioxid": 41551, "@RestController": 41552, "Ġ\"$(": 41553, "Ġ<<\"": 41554, "Ġdefects": 41555, "Ġdatum": 41556, "hin": 41557, "Ġrealizar": 41558, "anyahu": 41559, "ĠSig": 41560, "@Data": 41561, "adaptive": 41562, "ĠCatherine": 41563, ".cr": 41564, "ĠCOOKIE": 41565, "Ġpictured": 41566, "ĠFighter": 41567, "Queryable": 41568, "ĠAnyway": 41569, "ĠGLFW": 41570, "_namespace": 41571, "_ft": 41572, "Ġ])": 41573, "Organization": 41574, "Ġconstitutes": 41575, "Ġquand": 41576, "(chunk": 41577, "\"/>čĊ": 41578, "ĠLakes": 41579, "mainwindow": 41580, "Carthy": 41581, "spin": 41582, "(csv": 41583, ":red": 41584, "-commerce": 41585, "ู": 41586, "Ġdiscovering": 41587, "Ġeco": 41588, "_fac": 41589, "inceton": 41590, "ĠGreens": 41591, "jwt": 41592, "ص": 41593, "ĠBroncos": 41594, "ĠGoods": 41595, "(GTK": 41596, "ĠreturnValue": 41597, "Ġsiempre": 41598, "Ġneutr": 41599, "went": 41600, "ĠNatal": 41601, "Ġenthusiastic": 41602, "á»į": 41603, "FN": 41604, "/database": 41605, "Catalog": 41606, "Ġbrun": 41607, "ĠKash": 41608, "_Pl": 41609, "iscrim": 41610, ",width": 41611, "Ġinmates": 41612, "Assignment": 41613, "ĠHaven": 41614, "Ġplayground": 41615, "exam": 41616, "@Controller": 41617, "uliar": 41618, ".getParent": 41619, "Ġ\";ĊĊ": 41620, ":size": 41621, "issors": 41622, "Ġfis": 41623, "Ġalc": 41624, "ensation": 41625, "ĠNixon": 41626, "Ġmighty": 41627, "-str": 41628, "_special": 41629, "_ADC": 41630, "ĠTwig": 41631, "umbling": 41632, "-address": 41633, "Ġheroin": 41634, "YTE": 41635, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ": 41636, "Friend": 41637, "Ġave": 41638, "ĠPNG": 41639, "ĠKurdish": 41640, "DataSetChanged": 41641, "Ġblades": 41642, "bral": 41643, "Steam": 41644, "Ġsigu": 41645, "IRTUAL": 41646, "acos": 41647, "UDP": 41648, "(database": 41649, "hec": 41650, "ĠStrings": 41651, "_scalar": 41652, "ĉdesc": 41653, "ĠTLS": 41654, ";\"Ċ": 41655, "ĠCorbyn": 41656, "SimpleName": 41657, "uell": 41658, "ĠEntre": 41659, "ellites": 41660, "-place": 41661, "Ġfrankly": 41662, "ĠErf": 41663, "CEL": 41664, "ĠpaÃŃs": 41665, "Ġhedge": 41666, "Ġlatent": 41667, "ĠIRQ": 41668, "ĠHerald": 41669, "ĠPrec": 41670, "ë³´": 41671, ".TEXT": 41672, "Salary": 41673, "Ġautumn": 41674, "Ġtravail": 41675, ".Sum": 41676, "Ġcared": 41677, "Mor": 41678, "Ġintuitive": 41679, "Ġjournals": 41680, "_IT": 41681, "ĠTrou": 41682, "ä¼ł": 41683, "HasColumnName": 41684, "Composite": 41685, "Ġspice": 41686, "_disk": 41687, "_CODES": 41688, "ĠIntroduced": 41689, "iona": 41690, "Ġnuestra": 41691, "oct": 41692, "ĠĠĠĠĊĠĠĠĠĊĠĠĠĠĊ": 41693, "(parameter": 41694, "Ġstudios": 41695, "ĠprojectId": 41696, "Ġbdsm": 41697, ".SqlClient": 41698, "imizer": 41699, "ĠCARD": 41700, "+t": 41701, "aan": 41702, ".sol": 41703, "_Adjust": 41704, "Ġrighteous": 41705, "ĠLogging": 41706, ".filters": 41707, "_TAB": 41708, "ĉsys": 41709, "rophic": 41710, "otherapy": 41711, "ĠBrowse": 41712, "keyboard": 41713, "RON": 41714, "+\\": 41715, "ropped": 41716, "Ġextensively": 41717, "fk": 41718, "Ġlime": 41719, "years": 41720, "Exc": 41721, "Ġsph": 41722, "Ġcheating": 41723, "andro": 41724, "ÃŃo": 41725, "Ġprince": 41726, "oire": 41727, "ĠDestination": 41728, "ĠConverts": 41729, "Ġupstream": 41730, "oled": 41731, "Ġservants": 41732, "Ġsemantic": 41733, "Ġcrunch": 41734, "Ġeventual": 41735, "runner": 41736, "/error": 41737, "Spin": 41738, "Ġsecretly": 41739, "Ġassemble": 41740, ".Person": 41741, "enderror": 41742, "_<": 41743, "Ġpendant": 41744, "Sleep": 41745, "ĠChemistry": 41746, "Ġbosses": 41747, "lk": 41748, "))),Ċ": 41749, "Blockly": 41750, "DEVICE": 41751, "Ġreflecting": 41752, "Ġample": 41753, "Milliseconds": 41754, "ĠPresidential": 41755, "Ġusuarios": 41756, "ĠNZ": 41757, "ĠSalary": 41758, "ĠAmanda": 41759, "_np": 41760, "jury": 41761, "Ġkön": 41762, "Ġtherapist": 41763, "Ġhomosexual": 41764, "ĠDrake": 41765, "-window": 41766, "ĠLocated": 41767, ".Driver": 41768, "ĠVIDEO": 41769, "Ġmerchants": 41770, "ĠChest": 41771, "-lock": 41772, "/php": 41773, "Ġmilano": 41774, "_STYLE": 41775, "arger": 41776, "idea": 41777, "GUID": 41778, "advanced": 41779, "meal": 41780, "OptionsItemSelected": 41781, "='%": 41782, "ĠCham": 41783, ":data": 41784, "(stat": 41785, "WillAppear": 41786, "Ġinformal": 41787, "aji": 41788, "Ġreproductive": 41789, "ĠCAS": 41790, "ãģ£": 41791, "FUNC": 41792, "ĠRuth": 41793, ")+(": 41794, "CONST": 41795, "ĠFans": 41796, "ĠgroupId": 41797, "xffffffff": 41798, "Ġsampler": 41799, "Ġ}}\">": 41800, ".the": 41801, "Ġhollow": 41802, "WAY": 41803, "ĠFaculty": 41804, "AttributedString": 41805, "ĠLooks": 41806, "ĠRex": 41807, "jk": 41808, "ĠMIL": 41809, "Ġbard": 41810, ".Long": 41811, "Ġlivest": 41812, "Ġskal": 41813, "icism": 41814, "MAIN": 41815, "Ġmucho": 41816, "BODY": 41817, "Ġese": 41818, "ĉuse": 41819, "Foot": 41820, ".SQLException": 41821, "Ġinheritance": 41822, "received": 41823, "Ġputas": 41824, "edis": 41825, "alsa": 41826, "ĠErrorMessage": 41827, "Booking": 41828, "Ġtract": 41829, "acz": 41830, "ĠCant": 41831, "_regex": 41832, "Ġideological": 41833, "Ġjihad": 41834, "hos": 41835, "/sys": 41836, "colm": 41837, "(pool": 41838, "Ġestán": 41839, "ĠPending": 41840, "emás": 41841, "Ġktóry": 41842, "));ĊĊĊ": 41843, "transactions": 41844, "Ġwield": 41845, "itere": 41846, "erture": 41847, "_ss": 41848, "Ġstretching": 41849, "Ġprisoner": 41850, ".ReadAll": 41851, "Ġbesch": 41852, "--;čĊ": 41853, "Ġcrisp": 41854, "_SCAN": 41855, "Ġae": 41856, "Strict": 41857, "ĠMinneapolis": 41858, "ĠBoeing": 41859, "aris": 41860, "rek": 41861, "_pipe": 41862, "Ġpriests": 41863, "(EIF": 41864, "ehicles": 41865, "ĠInteractive": 41866, "between": 41867, "ĉNullCheck": 41868, "ĠBlair": 41869, "ĠLt": 41870, "_inline": 41871, "ethyl": 41872, "¼": 41873, "_packages": 41874, "Ġbarrels": 41875, "_he": 41876, "Ġregexp": 41877, "_pts": 41878, "_Handler": 41879, "ingular": 41880, "ĠNissan": 41881, "ĠRanch": 41882, "Ġperch": 41883, "Unsupported": 41884, "Smith": 41885, "ĠLegends": 41886, "Mi": 41887, "Ġgf": 41888, "steder": 41889, "Ġacquiring": 41890, "Ġsimulator": 41891, "(),\"": 41892, "receive": 41893, "Ġinplace": 41894, "ACTION": 41895, "ĠWebDriver": 41896, "filesystem": 41897, "'+Ċ": 41909, "Ġcredible": 41910, "amat": 41911, "playing": 41912, ".setImageResource": 41913, "quel": 41914, "Ġpodr": 41915, "geom": 41916, "Ek": 41917, "ĠQatar": 41918, "Ġgeld": 41919, "?',Ċ": 41920, "Ġcyl": 41921, "(ax": 41922, "ĠWI": 41923, "urally": 41924, "ĠBrasil": 41925, "Ġsenza": 41926, "aley": 41927, "onen": 41928, "Ġbah": 41929, "Ġmolecule": 41930, "Rad": 41931, "è¿°": 41932, "ANCH": 41933, "-background": 41934, "-agent": 41935, "Ġprolifer": 41936, ":boolean": 41937, "Ġtide": 41938, "erializer": 41939, "_;čĊ": 41940, "Fee": 41941, "**)": 41942, "ergy": 41943, "ĠHonor": 41944, ".Logging": 41945, "iris": 41946, "Ġundermine": 41947, "ĠDy": 41948, "Ġtyr": 41949, "Ġdeque": 41950, "Ġdamer": 41951, "([])Ċ": 41952, ".layoutControlItem": 41953, "peated": 41954, "CAN": 41955, "ragments": 41956, "Land": 41957, ")]);Ċ": 41958, "ĠSah": 41959, "ĠDECL": 41960, "Within": 41961, "ĠNamespace": 41962, "another": 41963, "sembling": 41964, ".describe": 41965, "Consum": 41966, "ĠFear": 41967, "given": 41968, "Orange": 41969, "This": 41993, "ĠdataIndex": 41994, "Ġprintable": 41995, "ĠEyes": 41996, "_targets": 41997, "(Py": 41998, ".over": 41999, "Ġbru": 42000, "ampton": 42001, "Ġplaintiff": 42002, ");Ċ": 42013, "invest": 42014, ".*ĊĊ": 42015, "Ġtélé": 42016, "Ġsuperf": 42017, "Ġcascade": 42018, "DTD": 42019, "Ġvivid": 42020, "Ġsubsidies": 42021, "ĠHass": 42022, "Ġcollaps": 42023, "Ġceramic": 42024, "{}\".": 42025, "ĠLeakage": 42026, "-trash": 42027, "collapsed": 42028, "-social": 42029, "ĠChad": 42030, "Ġinclined": 42031, "Ġsto": 42032, "Ġstoryboard": 42033, ".payment": 42034, "stackoverflow": 42035, "ĠRaiders": 42036, "Ġ#'": 42037, "olicies": 42038, "ìľ¼ë¡ľ": 42039, "emap": 42040, "Ġkj": 42041, "Ġquota": 42042, "ĠGardens": 42043, "ë²Ī": 42044, "ĠAngels": 42045, "Ġoft": 42046, "Ġlowercase": 42047, "ĠiParam": 42048, "Ġcheapest": 42049, "unta": 42050, "_pkt": 42051, "icators": 42052, "Ġleurs": 42053, "Ġdecreases": 42054, "ĉdefine": 42055, "PREC": 42056, "ammers": 42057, "ĠPreparedStatement": 42058, "(direction": 42059, "Ġcrews": 42060, "arked": 42061, "ĠMemphis": 42062, "ĠSell": 42063, "GTK": 42064, "Ġmaid": 42065, ":disable": 42066, "éĽĨ": 42067, "ĠPf": 42068, "Ġalbeit": 42069, "openh": 42070, "?>\">Ċ": 42071, ".getSource": 42072, "(scale": 42073, "Du": 42074, "ĠPIL": 42075, "_refresh": 42076, "Ġbets": 42077, "(car": 42078, "ĠVon": 42079, "|--------------------------------------------------------------------------Ċ": 42080, "ĠGrat": 42081, "Much": 42082, "(Dialog": 42083, ".stopPropagation": 42084, "Ġtek": 42085, "Ġexits": 42086, "'],$": 42087, "ĠphoneNumber": 42088, "ucs": 42089, "ecimal": 42090, "--------------": 42091, "inp": 42092, ".pojo": 42093, "Ġcorpus": 42094, "Ġpractitioners": 42095, ".pic": 42096, "\"testing": 42097, "ĠstringBy": 42098, ".NotNull": 42099, "Ġrang": 42100, ".Dynamic": 42101, "_Render": 42102, "аÑĤа": 42103, "Waiting": 42104, "ĠWik": 42105, "Ġoverwhelmed": 42106, "%\">": 42107, "ĠAE": 42108, "}}>Ċ": 42109, "uw": 42110, "_typ": 42111, "Ġbuckets": 42112, "Ġgreeting": 42113, "Ġlaughter": 42114, "Ġantagon": 42115, "uggestion": 42116, "-email": 42117, "ĉtop": 42118, "Ġeros": 42119, "_tri": 42120, "Ġissuing": 42121, "Ġhá": 42122, "Ġisolate": 42123, "Overflow": 42124, ",E": 42125, "Ġnutritional": 42126, "ĠAbbott": 42127, "Ġnf": 42128, ".touch": 42129, ".fetchall": 42130, "_zip": 42131, "\")}Ċ": 42132, "Ġamat": 42133, "ĠCisco": 42134, "ĠnÃ¥": 42135, "PLEX": 42136, "Ġsei": 42137, "foto": 42138, ".toJson": 42139, "å¤ļ": 42140, "ĠKlein": 42141, "Ġlibc": 42142, "Ġminers": 42143, "å¢": 42144, "-print": 42145, "ĠPride": 42146, "Todos": 42147, "Ġmasked": 42148, "ĠsetData": 42149, "Ġtelefon": 42150, "Ġunhappy": 42151, "ĠTables": 42152, "geb": 42153, "(debug": 42154, "_allowed": 42155, "-access": 42156, "Ġlogistics": 42157, "Ġgems": 42158, "ĠMature": 42159, "Ġrsp": 42160, "ĠAlle": 42161, ".getBytes": 42162, "\\web": 42163, "ynchronized": 42164, "Paragraph": 42165, "Ġthrottle": 42166, ".sqlite": 42167, "consulta": 42168, "ĠSeah": 42169, "Ce": 42170, "Ġsubmar": 42171, "ERE": 42172, "Vous": 42173, "Ġreddit": 42174, "Ġsqlalchemy": 42175, "-mile": 42176, "ocide": 42177, "Pour": 42178, "}}\">Ċ": 42179, "stead": 42180, "Ġ@(": 42181, "Ġ[])": 42182, "ĠAds": 42183, "Ġoverload": 42184, "ridden": 42185, "ĠDesert": 42186, "ĠWrap": 42187, "ĠPortuguese": 42188, "etz": 42189, "ĉfirst": 42190, "Ġmilestone": 42191, "æĹł": 42192, "ÑĥÑī": 42193, "(success": 42194, "\")Ċ": 42363, "ĠDollar": 42364, "Ġemoji": 42365, "Carousel": 42366, "-player": 42367, "Ġadjusting": 42368, "Ġjuga": 42369, "allenges": 42370, "gene": 42371, "(bodyParser": 42372, "lopedia": 42373, "ĠBehind": 42374, "Ġsleeves": 42375, "Ġdragging": 42376, "ĠChevrolet": 42377, "Ġbiz": 42378, "ivities": 42379, "ĠFrequency": 42380, ",char": 42381, ".WHITE": 42382, "_preview": 42383, ")';Ċ": 42384, "_ax": 42385, "IONS": 42386, ".cpu": 42387, ".inputs": 42388, "UBE": 42389, "_feed": 42390, "ĠSupplement": 42391, "!).": 42392, "esus": 42393, "ĠUDP": 42394, "Ġmicrophone": 42395, "Ġconfirms": 42396, ".isNotEmpty": 42397, "\":\"\",Ċ": 42398, "_SCREEN": 42399, "ĉexpected": 42400, "+-+-+-+-": 42401, "ĠHait": 42402, "fastcall": 42403, "Ġdepict": 42404, "vb": 42405, "_picture": 42406, "ĉdescription": 42407, "ĠWife": 42408, "uci": 42409, "Ġvicious": 42410, "ä»ĸ": 42411, "ueba": 42412, "ĠsetUser": 42413, "ãģ¡": 42414, "Ġdiving": 42415, "Ġopera": 42416, "usercontent": 42417, "arah": 42418, ")},": 42419, "yun": 42420, "velt": 42421, "Ġuncovered": 42422, "Ġhips": 42423, "Ġoscill": 42424, "Ġasserting": 42425, "ĠXi": 42426, ".restore": 42427, "kea": 42428, "Ġspelling": 42429, "Ġderive": 42430, "abwe": 42431, "ĠDow": 42432, ".setType": 42433, "_vs": 42434, "Ġcozy": 42435, ".categories": 42436, "Org": 42437, "_mgr": 42438, "Ġdungeon": 42439, "collectionView": 42440, "ĠBlank": 42441, "acias": 42442, "ää": 42443, "_cleanup": 42444, "_ACTIVITY": 42445, "Ġtriangles": 42446, ".MenuItem": 42447, "Ġiphone": 42448, "ĠWon": 42449, "]]ĊĊ": 42450, "ĠComparison": 42451, ".Doc": 42452, "Ġcanonical": 42453, "ĠSudan": 42454, "'){": 42455, "UpInside": 42456, "builtin": 42457, "ENCY": 42458, "xbe": 42459, "Ġchuck": 42460, "Ġcontradict": 42461, "Ġnuestro": 42462, "Ġarchitectural": 42463, "ĠFib": 42464, "Ġcompares": 42465, "*k": 42466, "Cfg": 42467, "çĦ¡": 42468, "nten": 42469, "Matches": 42470, "ĠDOWNLOAD": 42471, "_HANDLER": 42472, "management": 42473, "[S": 42474, "ENG": 42475, "ÂĢÂ": 42476, "fang": 42477, "Ġslipped": 42478, "ĠLanka": 42479, "escaping": 42480, "Ġtackles": 42481, "ĠPedro": 42482, ".Prop": 42483, ".''": 42484, ".Generated": 42485, ".NewGuid": 42486, "atrigesimal": 42487, "illon": 42488, "Ġstatistic": 42489, "species": 42490, "holding": 42491, "Drupal": 42492, "Ġfundamentally": 42493, "Ġbondage": 42494, "Ġresolutions": 42495, "InlineData": 42496, "\\Type": 42497, "estion": 42498, ".wrap": 42499, "Ġwarriors": 42500, "ĠLOCAL": 42501, "Archive": 42502, "Ġembraced": 42503, "ủ": 42504, ".Ver": 42505, "ĠAffordable": 42506, "olesale": 42507, "ĠApplied": 42508, "ĠConversion": 42509, "mega": 42510, "_cam": 42511, "Ġceremon": 42512, "aurus": 42513, "ĠVolk": 42514, ".opens": 42515, "/about": 42516, "ĠStd": 42517, "journal": 42518, "()){čĊ": 42519, ",\"\\": 42520, "(Arrays": 42521, "ĠDense": 42522, "aseña": 42523, "änner": 42524, "/stat": 42525, "userData": 42526, "Ġgerman": 42527, "Ġtz": 42528, "worthy": 42529, "FormatException": 42530, "pherd": 42531, "Ġsmiles": 42532, "ĠWhenever": 42533, "(adapter": 42534, ".badlogic": 42535, "Ġbriefing": 42536, ".GridColumn": 42537, "-char": 42538, "dimension": 42539, "ĠCopper": 42540, "Ġninth": 42541, "Ġ'{{": 42542, "Ġrav": 42543, "_Table": 42544, "Ġderivatives": 42545, "ĠRaise": 42546, "ĠFut": 42547, "armor": 42548, "-padding": 42549, "Ġremin": 42550, "ĉstyle": 42551, "ĠMembership": 42552, "Ġspreads": 42553, "Ġgalleries": 42554, "ĠClarke": 42555, "Ġconception": 42556, "minute": 42557, "Ġabusive": 42558, "_adj": 42559, "Ġterrific": 42560, "Ġovert": 42561, "ourcing": 42562, "Ġentrada": 42563, "levels": 42564, "Ġcritique": 42565, "Ġrespects": 42566, "ĠMMA": 42567, "iene": 42568, "Ġencaps": 42569, "ĠRaymond": 42570, "Divider": 42571, "ivable": 42572, "baz": 42573, "Ġ@_;Ċ": 42574, "ĠClaire": 42575, "Ġurging": 42576, "CEE": 42577, "Ġtransformer": 42578, "discord": 42579, "ĠJourney": 42580, "tos": 42581, "Ġcompetitions": 42582, "ĠOBJ": 42583, "ĠBis": 42584, "Ġrelaxation": 42585, "idy": 42586, "_INSTANCE": 42587, "ĠPref": 42588, "dados": 42589, "iciencies": 42590, "ĠMediaQuery": 42591, "ĠCube": 42592, "ĠStrange": 42593, "gpu": 42594, "(days": 42595, "_InitStruct": 42596, "Ġfingerprint": 42597, "emat": 42598, "ĠGecko": 42599, "Ġrails": 42600, "ĠLum": 42601, "straction": 42602, "igung": 42603, "(movie": 42604, "_dictionary": 42605, "_interrupt": 42606, "ĠQC": 42607, "iked": 42608, "appendChild": 42609, "recipient": 42610, "ré": 42611, "Ve": 42612, "Ġtowel": 42613, ".lastIndexOf": 42614, "Ġplacebo": 42615, "ĠWie": 42616, ".esp": 42617, "(Debug": 42618, "operative": 42619, "Ġdeceased": 42620, "&id": 42621, "ĉmutex": 42622, "elic": 42623, "Ġbapt": 42624, "ĉčĊčĊ": 42625, "Ġfarther": 42626, "Half": 42627, ".disable": 42628, ".menuStrip": 42629, "leccion": 42630, "ĠresultCode": 42631, "Ġcans": 42632, "-election": 42633, "female": 42634, "_FIX": 42635, "ausible": 42636, "ĠPOWER": 42637, "Ġreconstruction": 42638, "Ġscans": 42639, ".XtraBars": 42640, "âĢĺs": 42641, "Removed": 42642, "Ġparagraphs": 42643, "_margin": 42644, "Ġlymph": 42645, "Ġbos": 42646, "lington": 42647, "ĠBaptist": 42648, "Ġadvertisements": 42649, "ĠManage": 42650, "/yyyy": 42651, "IOUS": 42652, "ENCES": 42653, "ĠFiction": 42654, "ĉmenu": 42655, "ĠFileOutputStream": 42656, "ovan": 42657, "ĠFeng": 42658, "Ġskipping": 42659, "getClass": 42660, "anni": 42661, "Ġrebounds": 42662, "Ġpublicity": 42663, "Ġingres": 42664, "usement": 42665, "Ġthoughtful": 42666, ".Chart": 42667, "Ġhatte": 42668, "passport": 42669, "Ġhooked": 42670, "ĠLens": 42671, "Ġflagship": 42672, "Ġstip": 42673, "ĠGEN": 42674, "Ġclues": 42675, "ipv": 42676, "ĠRise": 42677, "ĠGew": 42678, "tablename": 42679, "Ġforemost": 42680, "_validate": 42681, "_analysis": 42682, "olla": 42683, "Ġqualifications": 42684, "Ġdistributions": 42685, "ĠFlower": 42686, "Ġtense": 42687, "Ġthankful": 42688, "Ġclutch": 42689, "Ġunified": 42690, "roads": 42691, "Ġsiti": 42692, "Ġstall": 42693, "_PRIORITY": 42694, "cstdlib": 42695, "_USERNAME": 42696, ".bytes": 42697, "?page": 42698, "ermalink": 42699, "ĠVeget": 42700, "/vnd": 42701, "-author": 42702, ".NONE": 42703, "ĠConcurrent": 42704, "ĠCry": 42705, "Ġstarters": 42706, "ĠInteraction": 42707, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 42708, "ĠLEVEL": 42709, "Ell": 42710, "ĠcomboBox": 42711, "ĠTheresa": 42712, "tek": 42713, "_Handle": 42714, "Ġaby": 42715, ".gdx": 42716, ",end": 42717, "(Local": 42718, "Ol": 42719, "knife": 42720, "arial": 42721, "ĠHoff": 42722, "Ġprostituerade": 42723, "Doctor": 42724, "Instances": 42725, ".SetValue": 42726, "ĉfrom": 42727, "Ġluxurious": 42728, "Indent": 42729, "Allocator": 42730, "_DRAW": 42731, "(\",\",": 42732, "ĠFrances": 42733, "ĠgroupBox": 42734, "(schema": 42735, "Printf": 42736, "ORIES": 42737, "-gradient": 42738, "Ġreput": 42739, "arin": 42740, "_DONE": 42741, "incre": 42742, "ignty": 42743, "Ġexert": 42744, "Ġ-.": 42745, "/App": 42746, "-through": 42747, "Ġdeclining": 42748, "Ġdessert": 42749, "Ġincumb": 42750, "Ġdesignation": 42751, ".PORT": 42752, ",strong": 42753, "Ġsandbox": 42754, "Ġwines": 42755, "ĠPav": 42756, "$str": 42757, "askell": 42758, "Ġhö": 42759, "ĠPY": 42760, "GetInstance": 42761, "TextInput": 42762, "gameObject": 42763, "/events": 42764, "createdAt": 42765, "ĠlocalVar": 42766, "ĠWHITE": 42767, "pered": 42768, "ilege": 42769, "efficient": 42770, ",color": 42771, "cate": 42772, "ĠCafe": 42773, "Ġsimilarities": 42774, "Ġpumps": 42775, "ĠHungary": 42776, ".Username": 42777, "Ġskate": 42778, "Ġtouchdowns": 42779, "Ġaccelerate": 42780, "ĠHelen": 42781, "OMEM": 42782, "ĠKun": 42783, "_vol": 42784, "ĠfindAll": 42785, "ĠMenschen": 42786, "ahead": 42787, ");\"": 42788, "kommen": 42789, "Ġpossessed": 42790, ".argmax": 42791, ".transition": 42792, "ARP": 42793, "OLUME": 42794, "(script": 42795, "ĠÐĺ": 42796, "ĠFinding": 42797, "onces": 42798, "Io": 42799, "Bold": 42800, "Ġrenewal": 42801, "_DIALOG": 42802, "Ġdisreg": 42803, "INTERN": 42804, "Ġtoute": 42805, "Ġelectr": 42806, "ĠGross": 42807, "ĉtrue": 42808, ".Fields": 42809, "ĠWIDTH": 42810, "ĠDent": 42811, "ĠÃģ": 42812, "NSNotification": 42813, "Ġaos": 42814, "Ġmelee": 42815, ".Validation": 42816, "ĠDEC": 42817, "-dependent": 42818, "Ġsuic": 42819, "Traits": 42820, "$message": 42821, "ĠDear": 42822, "ĉFILE": 42823, "languages": 42824, ".Prot": 42825, ".addr": 42826, "-generation": 42827, "ICON": 42828, "Ġtransplant": 42829, "-description": 42830, "Ġchasing": 42831, "Ġchees": 42832, "Ġ}*/Ċ": 42833, "Trad": 42834, "queries": 42835, "/widgets": 42836, "subpackage": 42837, "Ġespec": 42838, "Ġcracked": 42839, "Ġcompetitor": 42840, "Purchase": 42841, "-team": 42842, "olecular": 42843, "orThunk": 42844, "&P": 42845, "Ġrelent": 42846, "/#{": 42847, "ĠproductId": 42848, "Ġè¾": 42849, "ĠLav": 42850, "ĠAlter": 42851, ".Mode": 42852, "ADIO": 42853, "grp": 42854, "æ·»åĬł": 42855, "Quit": 42856, "Ġdepths": 42857, "-category": 42858, "ĠDATABASE": 42859, "SPELL": 42860, "ĠFalcon": 42861, "ĠQStringList": 42862, "Ġ''.": 42863, "ĠInstitution": 42864, "damage": 42865, "azor": 42866, "belongsTo": 42867, "verages": 42868, "ĠNONE": 42869, "ippets": 42870, ",\\Ċ": 42871, "Ġfootprint": 42872, "_archive": 42873, "nak": 42874, ".getField": 42875, "ĠReflection": 42876, "Ġ']": 42877, "ĠHBO": 42878, "_discount": 42879, "Ġincest": 42880, "ĠDodge": 42881, "ĠWade": 42882, ".NO": 42883, "\"encoding": 42884, "ĠBlockchain": 42885, "Ġlawsuits": 42886, "ĠMaint": 42887, "chten": 42888, "Ġétait": 42889, "Ġktóre": 42890, "_ctl": 42891, "(timer": 42892, "Battle": 42893, "izo": 42894, "ayed": 42895, "IOR": 42896, "ĠGlasgow": 42897, "Ġsynth": 42898, "_logs": 42899, ".pose": 42900, "_AdjustorThunk": 42901, "((&": 42902, "Ġunsure": 42903, "ystate": 42904, "íķĺëĬĶ": 42905, "OULD": 42906, ".ng": 42907, "Ġdefaultdict": 42908, "workspace": 42909, "Ġselective": 42910, "PickerController": 42911, "YNAMIC": 42912, ".methods": 42913, "Ġpathways": 42914, "ĠFew": 42915, "KG": 42916, "CRYPT": 42917, "following": 42918, "ĠDLC": 42919, "ĠSara": 42920, "Ġpreset": 42921, "estructor": 42922, "ĠKurt": 42923, "Ġairplane": 42924, "Ġomp": 42925, "ĠParents": 42926, "ĠMartinez": 42927, ".complete": 42928, "Ġbroadly": 42929, "Ġscare": 42930, "ĠMé": 42931, "Ġelimination": 42932, "Ġpoured": 42933, "/sw": 42934, "Ġcomun": 42935, "Ġmasc": 42936, "ĠOrganic": 42937, "ĠStringUtils": 42938, "ilateral": 42939, "Ġreluctant": 42940, "-age": 42941, "Ġnz": 42942, ".\"\\": 42943, "Ġpastor": 42944, "alez": 42945, "Ġefect": 42946, "prov": 42947, "/init": 42948, "Ġpenn": 42949, "unds": 42950, "Ġssize": 42951, "ĠProj": 42952, "basename": 42953, "Ġshells": 42954, "ĠNeck": 42955, "ĠEnforcement": 42956, "vided": 42957, "stown": 42958, "Sphere": 42959, "$r": 42960, "ussen": 42961, "afil": 42962, "ĠTelegram": 42963, "Ġanalytical": 42964, "нÑĭе": 42965, "usually": 42966, "xn": 42967, "Ġhistorian": 42968, "ĠGregory": 42969, "olph": 42970, "ĠUna": 42971, "Ġcontributes": 42972, "%-": 42973, "antiago": 42974, "ÑĢед": 42975, ".region": 42976, "Ġabrupt": 42977, "ĠUnsupportedOperationException": 42978, "ĠTASK": 42979, "_finish": 42980, "Ġnotorious": 42981, "ĠVs": 42982, "ĠMQ": 42983, "Ġsunset": 42984, "Ġunacceptable": 42985, "arcer": 42986, "Ġillumin": 42987, "ĠOrb": 42988, "Ġbh": 42989, "Este": 42990, "_dispatch": 42991, "Ġripped": 42992, "Ġtoujours": 42993, "ĠParcel": 42994, "_ll": 42995, ".userName": 42996, ".classes": 42997, "SOURCE": 42998, "(Number": 42999, "елÑı": 43000, "Ġheadphones": 43001, "(side": 43002, "constitution": 43003, "annah": 43004, "čĊĠĠĠĠĠĠĠĠčĊ": 43005, "Ġcliff": 43006, "-ref": 43007, "Ġmostrar": 43008, "ĠPowell": 43009, "+y": 43010, "ĠBG": 43011, "_fragment": 43012, ".Port": 43013, "Ġrealizing": 43014, "paramref": 43015, "Ġhometown": 43016, "@Table": 43017, "+\"--}}Ċ": 43196, "French": 43197, "EntityManager": 43198, "ĠPlain": 43199, "////////////////////////////////////////////////////////////////////": 43200, "³": 43201, "(RE": 43202, "capt": 43203, "Ġorganisms": 43204, "Ġjets": 43205, "olocation": 43206, "ĠAppRoutingModule": 43207, "Ġglorious": 43208, "æľį": 43209, "Ġdiscarded": 43210, "ĉĉĉĉĠĠĠĠĠ": 43211, "ĠArnold": 43212, "lug": 43213, "Ġparl": 43214, "Ġhormones": 43215, "Ġmah": 43216, "ĠSonic": 43217, "Ġorganizers": 43218, "_PLATFORM": 43219, ".inv": 43220, "Ġchord": 43221, "ventional": 43222, "ĉof": 43223, "Episode": 43224, ".Enum": 43225, "unkt": 43226, "ĠDh": 43227, "ĠJared": 43228, "ĠNak": 43229, "Ġintends": 43230, "Endian": 43231, "Ġaustralia": 43232, "_cv": 43233, "(resolve": 43234, "Ġclinics": 43235, "liked": 43236, "ASHINGTON": 43237, "inha": 43238, "'*": 43239, "ĠNP": 43240, "_beh": 43241, "Ġhf": 43242, "Ġwür": 43243, "categoria": 43244, "$form": 43245, "Ġsubway": 43246, "ĠisActive": 43247, "popular": 43248, "Cour": 43249, "Ġcooldown": 43250, "Ġainsi": 43251, "ĠGLuint": 43252, "ereal": 43253, "ĠarrayOf": 43254, "Ġhatch": 43255, "==========": 43256, "resses": 43257, "_PP": 43258, ".^": 43259, "_decay": 43260, "ĠBless": 43261, "metrics": 43262, "ĠCOPYING": 43263, "ĠDumpster": 43264, "ĠJosé": 43265, "ĠDesigns": 43266, "<": 43269, "Ġ\"}Ċ": 43270, "timezone": 43271, "Ġeer": 43272, "maxcdn": 43273, "ĠESC": 43274, "igaret": 43275, "_connected": 43276, "_reverse": 43277, "Ġquestionable": 43278, "ĠUSC": 43279, "Ġtutti": 43280, "Ġdropout": 43281, "ĠActivities": 43282, "ĠWinds": 43283, "')));Ċ": 43284, "Ġcongest": 43285, "ģı": 43286, "Ġprolonged": 43287, "è¿Ļ": 43288, "ĠCrossAxisAlignment": 43289, "LEEP": 43290, "ĠVALID": 43291, "ĠGaz": 43292, "Ġdependence": 43293, "ĠPrix": 43294, ".CompilerServices": 43295, "jump": 43296, "Ġstrat": 43297, "circ": 43298, "ĠCUSTOM": 43299, "xaa": 43300, "Ġbmp": 43301, "Ġbureau": 43302, "Ġwaren": 43303, "NX": 43304, "(Window": 43305, "ĠChristie": 43306, "_FE": 43307, "Ġtn": 43308, "ĠOmega": 43309, "communications": 43310, "HomePage": 43311, "completion": 43312, "Ġsupplying": 43313, "YPES": 43314, "ável": 43315, "åĪ¶": 43316, "(click": 43317, "\\Contracts": 43318, "/questions": 43319, "Ġez": 43320, "AMS": 43321, ".mesh": 43322, "Ġ'\\Ċ": 43373, "Robot": 43374, "JsonObject": 43375, "ĠDF": 43376, "ĠProcessor": 43377, "_should": 43378, ".protobuf": 43379, "-users": 43380, "Ġembry": 43381, "FONT": 43382, "Ġstartups": 43383, "ĠDataSource": 43384, ")#": 43385, "uros": 43386, "_Color": 43387, "Ġstandalone": 43388, "}[": 43389, "jd": 43390, "Ġforgive": 43391, "Ġngx": 43392, "ĠGenerally": 43393, "Ġconfigurable": 43394, "/order": 43395, "Ġvas": 43396, "')\";Ċ": 43397, "ĠRR": 43398, "ĠTroy": 43399, "Ġcompromised": 43400, "ĠSwan": 43401, "intendent": 43402, "Central": 43403, "_keeper": 43404, "Ġarquivo": 43405, "ĠReadOnly": 43406, "_curve": 43407, "kv": 43408, "entin": 43409, "è±": 43410, "ĠEy": 43411, ".imread": 43412, "ĠPam": 43413, "iffe": 43414, "ativity": 43415, "xbc": 43416, "Ġgrim": 43417, "-filled": 43418, "namese": 43419, "']:": 43420, "Ġaur": 43421, "ĠGibson": 43422, ".MouseEvent": 43423, "Ġlado": 43424, "avadoc": 43425, "Ġfamil": 43426, "ĠModer": 43427, "fps": 43428, "ãĢĢãĢĢ": 43429, "-example": 43430, "ĠAlzheimer": 43431, "ĠUtf": 43432, "_arguments": 43433, "Conclusion": 43434, "textContent": 43435, "remaining": 43436, "Ġinterrupts": 43437, "ĠBackup": 43438, "ĠMong": 43439, "Ġreceptors": 43440, "histor": 43441, ".coroutines": 43442, "Ġshouted": 43443, "Alarm": 43444, "Ġcombust": 43445, "Ġgrote": 43446, "ultural": 43447, "(ids": 43448, "--------------------------------------------------------------------------------": 43449, "iplinary": 43450, "Opts": 43451, "ĠYale": 43452, "localStorage": 43453, "Ġequival": 43454, "ĠFleet": 43455, "\\b": 43456, "*pi": 43457, "ĠQLabel": 43458, "æ¡": 43459, "Ġvx": 43460, "ĠACL": 43461, "Ġsucesso": 43462, "Ġperc": 43463, "ĠNotre": 43464, "Ġanarch": 43465, "Ring": 43466, "spb": 43467, "Ġstrpos": 43468, "stores": 43469, "ĠMaple": 43470, "(MainActivity": 43471, "(\"\"))": 43472, "ĠviewHolder": 43473, "Quad": 43474, "Ġigual": 43475, "orsche": 43476, ".margin": 43477, "Ġindie": 43478, "Ġfranc": 43479, "ĠFormBuilder": 43480, "ĠParticip": 43481, ".flash": 43482, "Ġstorms": 43483, "Ult": 43484, "Ġfen": 43485, "[new": 43486, "Ever": 43487, "=\"Ċ": 43488, "Ġlocalized": 43489, "_follow": 43490, "Ġnave": 43491, "Ġdominance": 43492, "(tile": 43493, "Journal": 43494, "ĠVC": 43495, "Ġpenetration": 43496, "ï¼ķ": 43497, "Ġcompartment": 43498, "Ġbids": 43499, "Formatted": 43500, "******/ĊĊ": 43501, "(city": 43502, "âĢĶit": 43503, "[C": 43504, "ĠuseCallback": 43505, "aub": 43506, ")?.": 43507, "ĠVAR": 43508, "ĠSebastian": 43509, "ĠMoss": 43510, "Ġabundant": 43511, "Greg": 43512, "ÑĤа": 43513, "_ci": 43514, "Ġbibli": 43515, "CRM": 43516, "ĠAttempt": 43517, "isme": 43518, "dash": 43519, "ãĢİ": 43520, "_mu": 43521, ".FormattingEnabled": 43522, "Indeed": 43523, "-direct": 43524, "Ġsucking": 43525, "Ġpne": 43526, "ocabulary": 43527, "ĠPackers": 43528, ".Navigation": 43529, "Ġpied": 43530, "cribing": 43531, "ĠStuart": 43532, ".ToDouble": 43533, "ĠSecondary": 43534, "Saving": 43535, "ĠDut": 43536, "ĠMadd": 43537, "Magic": 43538, ",H": 43539, ".documentElement": 43540, "ĠBST": 43541, "Ġdiffers": 43542, "Ġmoreover": 43543, "_nd": 43544, "SEARCH": 43545, "пÑĢав": 43546, "æ´": 43547, "toMatch": 43548, "Ġdecreasing": 43549, "-member": 43550, "ampus": 43551, "(boost": 43552, "Daily": 43553, "DataGridView": 43554, "ĠHttpContext": 43555, "Ġhipp": 43556, "_workers": 43557, "-language": 43558, "éĵ": 43559, "Ġconsisted": 43560, "athing": 43561, "ĠMercury": 43562, "$content": 43563, "Ġpracticed": 43564, "ĠModules": 43565, "_DAY": 43566, "Ġweaknesses": 43567, "ĠLodge": 43568, "Ġnar": 43569, "ĠMate": 43570, "Ġjp": 43571, "ĠHttpHeaders": 43572, "Ġsmo": 43573, "ĠTOKEN": 43574, "])(": 43575, "Ġaqui": 43576, "swagen": 43577, "Ġsrv": 43578, "ĉans": 43579, "Around": 43580, "ĠManuel": 43581, "Ġfictional": 43582, "ĠIMG": 43583, "Ġ.'": 43584, "ĠBerry": 43585, "Ġwallpaper": 43586, "sexual": 43587, "iero": 43588, "ĠçļĦ": 43589, "ìĨĮ": 43590, "BackingField": 43591, "ĠAdrian": 43592, "BASEPATH": 43593, "Ġrepeats": 43594, "Ġblues": 43595, "Ġunpredict": 43596, "_coll": 43597, "stacle": 43598, "ĠTumblr": 43599, "ĠElf": 43600, "Ġassurance": 43601, "Ġcensus": 43602, "ĠIMPORT": 43603, "ENDER": 43604, "anos": 43605, "Ġ=(": 43606, "ĠEllis": 43607, "\"ĊĊĊĊ": 43608, ".win": 43609, "ĠAbove": 43610, "alon": 43611, "_tick": 43612, "Ġrepresentations": 43613, "Ġæķ": 43614, "wid": 43615, "ĠArms": 43616, "Lista": 43617, "_failure": 43618, "_cm": 43619, ".FlatAppearance": 43620, "Ġthrone": 43621, "Patch": 43622, "ĠVoy": 43623, "engl": 43624, "Ġnegotiating": 43625, ">`": 43626, "Ġshoots": 43627, "ĠFPS": 43628, ".Year": 43629, "ĠKiss": 43630, "ención": 43631, "reeting": 43632, "FromFile": 43633, "Ġresignation": 43634, "Ø·": 43635, "Ġtwins": 43636, "ượ": 43637, "Ġgebru": 43638, ".getContent": 43639, ".Tree": 43640, "ĠEmployees": 43641, "ĠFIFA": 43642, "Ġcertainty": 43643, "(Cl": 43644, "Ġtotals": 43645, "editable": 43646, "à¥Ģ": 43647, ".Reporting": 43648, "Mas": 43649, "quiet": 43650, ".rules": 43651, "ĠVO": 43652, "conexion": 43653, ",K": 43654, "Ġallocator": 43655, "ĠPowder": 43656, "\\Repository": 43657, "Beat": 43658, "_tipo": 43659, "Ġ['',": 43660, "_INTR": 43661, "Ġ<<<": 43662, "\");čĊ": 43691, "dropIfExists": 43692, "ĠBeg": 43693, "_HAL": 43694, "ĠcrossAxisAlignment": 43695, "ĠEvidence": 43696, "Ġpeculiar": 43697, "Ġinstitute": 43698, "veis": 43699, "Ġfft": 43700, "Ãģ": 43701, "Ġzoekt": 43702, "analy": 43703, "ĠHomeland": 43704, "Ġpenetr": 43705, "uddenly": 43706, "ĉelement": 43707, "ĠBren": 43708, "ĠTrudeau": 43709, "ĠCuban": 43710, "jam": 43711, "uslim": 43712, "_ev": 43713, "Ġstems": 43714, "}%": 43715, "Ŀå§ĭ": 43716, "Ġbranding": 43717, "Ġcorrespondence": 43718, ".jquery": 43719, "¢åįķ": 43720, "ĠReads": 43721, "(HttpStatusCode": 43722, "assin": 43723, "(slot": 43724, "ĠGraduate": 43725, "///<": 43726, "Ġinformations": 43727, "ENABLE": 43728, "Ġpuis": 43729, "Ġfinder": 43730, "ĠBris": 43731, "Ġnettsteder": 43732, "_mid": 43733, "Ġogs": 43734, "ĠSterling": 43735, "Ġarrog": 43736, "strftime": 43737, "|ĊĊ": 43738, "Ġvox": 43739, "ĠRegardless": 43740, "Ġeso": 43741, "ĠComfort": 43742, ".BooleanField": 43743, "Ġuh": 43744, "ACY": 43745, "Ġsqueez": 43746, "ĠVic": 43747, "contro": 43748, ".lo": 43749, "Ġire": 43750, "ĠComedy": 43751, "ë¶": 43752, "Ġoriginated": 43753, "Ġshipment": 43754, "|max": 43755, "_guid": 43756, "levation": 43757, "наÑı": 43758, "(undefined": 43759, "ĠDDR": 43760, "Ġshootings": 43761, "ĠLatino": 43762, "ENDOR": 43763, "Ġaveraging": 43764, "Ġgreeted": 43765, "Ġtheaters": 43766, "ое": 43767, "ĠdB": 43768, "Ġgst": 43769, "Ġdefinite": 43770, ".Storage": 43771, ".her": 43772, "Ġafore": 43773, "ĠReality": 43774, "ĠGods": 43775, "versed": 43776, "Ġhandsome": 43777, "Ġexcluding": 43778, "(ad": 43779, "Quotes": 43780, "ĠScheme": 43781, "?q": 43782, "ĠTamil": 43783, "Ticks": 43784, "Ġpest": 43785, "'n": 43786, "Ġpornography": 43787, "_modal": 43788, "Ġ----------": 43789, "Ġdisposable": 43790, "FREE": 43791, "Ġshark": 43792, "CHE": 43793, "Ġdepicted": 43794, "Ġdemonstrations": 43795, "ĠKilled": 43796, "ĠRULE": 43797, "Ġobsessed": 43798, "Ġsimplified": 43799, "Postal": 43800, "Ġconceptual": 43801, "Ġpst": 43802, "Las": 43803, "_PROJECT": 43804, "ucceeded": 43805, "olu": 43806, "ÄŁi": 43807, "Ġpersonalities": 43808, "Ġreshape": 43809, "Ġenclosed": 43810, "ĉptr": 43811, "Ġtutorials": 43812, "Ġexploded": 43813, "_DIRECTORY": 43814, "åĨħ容": 43815, "Ġcanon": 43816, "Ġrecognise": 43817, "PAD": 43818, "ĠApprox": 43819, "ĠRestore": 43820, "ĠImportant": 43821, "Ġheavier": 43822, ".Sequential": 43823, "Earth": 43824, "ĠMilk": 43825, ".setRequest": 43826, ".tem": 43827, "Ġreconstruct": 43828, "Ġskeptical": 43829, "_Private": 43830, "BUF": 43831, "qua": 43832, ":a": 43833, "Ġsek": 43834, "Ġdwell": 43835, "ossa": 43836, "Ġrewarded": 43837, "ий": 43838, "(topic": 43839, "_partition": 43840, "Ġ__________________": 43841, "Keywords": 43842, "ĠFranco": 43843, "Lite": 43844, "Ġnaken": 43845, "Ġза": 43846, "OBJECT": 43847, "Ġcrafts": 43848, "ĠSwap": 43849, ".Xna": 43850, ".Connect": 43851, "Ġbalcony": 43852, "(real": 43853, "ĠBarnes": 43854, "bir": 43855, "ĠTwenty": 43856, "ayan": 43857, "atars": 43858, "ĠPropel": 43859, "ĠIhnen": 43860, "Upgrade": 43861, "Ġcurb": 43862, "-second": 43863, "Ġneph": 43864, ".pres": 43865, "ìŀħ": 43866, ".seq": 43867, "Ġpadded": 43868, "\"?": 43869, "jl": 43870, "ãĥ¬": 43871, "')a": 43875, "Coordinates": 43876, "Ġenacted": 43877, "ENTS": 43878, "Ġlac": 43879, ".final": 43880, "ĠPhpStorm": 43881, "called": 43882, "Ġinquiries": 43883, ".middleware": 43884, "ĠDowntown": 43885, "/';Ċ": 43886, "Ġkilomet": 43887, "accel": 43888, "Ġquien": 43889, "wstring": 43890, "setData": 43891, "Ġmanera": 43892, "Ġmodular": 43893, "rimp": 43894, "Ġtariffs": 43895, "âĢĻil": 43896, "_THROW": 43897, "/color": 43898, "ĠHTMLElement": 43899, "Ġcarro": 43900, "Ġprere": 43901, "Ġplotting": 43902, "ĠPositive": 43903, "ĠMachines": 43904, "OTES": 43905, "Ỽ": 43906, "pleasant": 43907, "Ġalte": 43908, "Ġainda": 43909, "these": 43910, "Ġcors": 43911, "ipay": 43912, "ĠAdvisory": 43913, "ĠRubio": 43914, "jq": 43915, "Ġlimestone": 43916, "Ġdetached": 43917, "设置": 43918, "tenant": 43919, "ĠDepth": 43920, "alore": 43921, "ĠÑģÑĤÑĢок": 43922, "ĠFORE": 43923, "ĠLay": 43924, "presentation": 43925, ")');Ċ": 43926, ".subplots": 43927, "Ïĥ": 43928, "NOW": 43929, "Gar": 43930, "handles": 43931, "abra": 43932, "puties": 43933, "ĠElectrical": 43934, "Middle": 43935, "ropic": 43936, "ĠJD": 43937, "ĠDyn": 43938, "ĠBristol": 43939, "ĠMcCarthy": 43940, "Ġstriker": 43941, "Ġenumerable": 43942, "ĠEvan": 43943, ".defaults": 43944, "quences": 43945, ")||": 43946, "ĉtoken": 43947, "âĹı": 43948, "-dropdown": 43949, "STORE": 43950, "ĠGraphic": 43951, "(pp": 43952, "Expl": 43953, "Ġupwards": 43954, "ĠDistributed": 43955, "ĠWEB": 43956, "Jer": 43957, "isNaN": 43958, "çĶŁæĪIJ": 43959, ">R": 43960, "üssen": 43961, "efs": 43962, "Ġuncover": 43963, "Ġlud": 43964, ".calculate": 43965, "Ġintptr": 43966, "Ġmidfielder": 43967, ".Headers": 43968, "Ġmf": 43969, "eref": 43970, ".Metro": 43971, "ĠSpeaking": 43972, ":b": 43973, "Ġcryptocurrencies": 43974, "Ġdemons": 43975, "ĉEXPECT": 43976, "Ġwicked": 43977, "youtube": 43978, ":Int": 43979, "ĠHindi": 43980, "ĠCAT": 43981, "Ġع": 43982, "rar": 43983, "omore": 43984, "/per": 43985, "/license": 43986, "Ġreim": 43987, "Ġawaiting": 43988, "Ġlethal": 43989, "ĠEF": 43990, "rounded": 43991, "ĠPlatinum": 43992, "ĠвÑģе": 43993, ".coords": 43994, ".Device": 43995, "/item": 43996, "ĠWenn": 43997, "compileComponents": 43998, "ĠKinder": 43999, ".removeItem": 44000, "Ġanda": 44001, "bnb": 44002, "Ġpra": 44003, "(transaction": 44004, "Ġembarrassing": 44005, "ĉBOOL": 44006, ".contentView": 44007, "Ġeventdata": 44008, "atore": 44009, "ĠprovidedIn": 44010, "irma": 44011, "Ġzona": 44012, "_HW": 44013, "æĻ": 44014, "Ġstove": 44015, "Ġcounterpart": 44016, "_Product": 44017, "_MANAGER": 44018, "Ġinfring": 44019, "ĠERA": 44020, "_party": 44021, "Ñij": 44022, "Ġinici": 44023, "_Request": 44024, "Ġmiracle": 44025, "ĠcancelButton": 44026, "Spy": 44027, "ató": 44028, "Ġpolish": 44029, "ĠNicole": 44030, ".displayName": 44031, "\\Requests": 44032, "ĠuseHistory": 44033, "RouterModule": 44034, "Ġstared": 44035, "IDER": 44036, "ÑĥнкÑĨи": 44037, "Ġnota": 44038, "$arr": 44039, "pecified": 44040, "Ġtopp": 44041, "_DRIVER": 44042, "/ng": 44043, "åł": 44044, "_tm": 44045, "%timeout": 44046, "\"": 44488, "tlement": 44489, "$(\"": 44490, "FromString": 44491, "ĠBild": 44492, "Ġconventions": 44493, "_native": 44494, "ĠInspector": 44495, "ĠPist": 44496, "ubar": 44497, "Ġregs": 44498, "ĠPilot": 44499, "Thus": 44500, ">'+": 44501, "Ġcela": 44502, ".news": 44503, "(Product": 44504, "Living": 44505, "Russia": 44506, "Ġfacet": 44507, "etical": 44508, "Ġ['$": 44509, "/[": 44510, "ĠDire": 44511, "Ġgases": 44512, "ĠINFORMATION": 44513, "ĠEat": 44514, "ĠForums": 44515, "ĠCharacters": 44516, "_met": 44517, "Ġìĭľ": 44518, "Ġkings": 44519, "achie": 44520, "ĠLambda": 44521, "Ġtimers": 44522, "ĠLighting": 44523, "ĠCasey": 44524, "addir": 44525, "andex": 44526, ".answer": 44527, "ĠHip": 44528, "ĠPrincip": 44529, "StartDate": 44530, "ĠãĢĮ": 44531, "tres": 44532, "Ġ&#": 44533, ".MaxValue": 44534, "ĠProblems": 44535, "Ġlatex": 44536, "OfClass": 44537, "ĠLynn": 44538, "//'": 44539, "Ġvoyage": 44540, "Ġshuttle": 44541, "ĠRoller": 44542, "ĠRuntimeError": 44543, "uya": 44544, "Dic": 44545, "ĉbuilder": 44546, "Ġbullying": 44547, "Ġsimplest": 44548, ".called": 44549, "ĠLR": 44550, "Ġmorality": 44551, "Ġsturdy": 44552, "tracking": 44553, ".swagger": 44554, "_BIND": 44555, "ITOR": 44556, "-urlencoded": 44557, "ĠÑħ": 44558, "ĠTrinity": 44559, "Ġtraps": 44560, "Ġ|-": 44561, "ĠsetText": 44562, "Ġbargain": 44563, "Ġbrakes": 44564, ".getCode": 44565, "Ġmigrate": 44566, "Ġribbon": 44567, ")return": 44568, "Ġcharger": 44569, "acom": 44570, "ADIUS": 44571, "ĠAmbassador": 44572, "-after": 44573, "Ġanni": 44574, "ĉspin": 44575, "Concept": 44576, "ĠHenderson": 44577, "ĠHOST": 44578, ".rank": 44579, "ĠNortheast": 44580, "Ġberlin": 44581, "Ġrequis": 44582, ".feed": 44583, "ĠsourceMapping": 44584, "ĠRencontre": 44585, ".ajax": 44586, "nestjs": 44587, "Ġtrek": 44588, "ĠNacional": 44589, "Ġ&[": 44590, "Ġpayable": 44591, "ortex": 44592, "Ġdept": 44593, "fieldName": 44594, "Ġcompletes": 44595, "ĠRVA": 44596, "Ġonions": 44597, "alignment": 44598, "Formats": 44599, "Ġ'{$": 44600, "HashSet": 44601, "ĠBod": 44602, ".InvariantCulture": 44603, "Ġsettlements": 44604, "Ġhydr": 44605, ".updated": 44606, "venth": 44607, "(seconds": 44608, "=\"/\"": 44609, "Ġwebpage": 44610, "(ĊĊ": 44611, "Ġtir": 44612, "Ġtoes": 44613, "ĠBrick": 44614, "Ġambition": 44615, "Pot": 44616, "=max": 44617, "ETIME": 44618, "Ġdepot": 44619, "calls": 44620, "ĠNorwegian": 44621, "`:": 44622, "Ġburger": 44623, "Ġprofessors": 44624, "ĠAllocate": 44625, "-thirds": 44626, "-chart": 44627, "Ġford": 44628, "*N": 44629, ".kotlin": 44630, "Ġpaperwork": 44631, "ĠDEVICE": 44632, "%@\",": 44633, "respect": 44634, "(mp": 44635, "é«ĺ": 44636, "-if": 44637, "Ġcushion": 44638, "obot": 44639, "Ġparc": 44640, "SPACE": 44641, "ĠNetanyahu": 44642, "Ġselfish": 44643, "feat": 44644, "Ġclientes": 44645, "-tools": 44646, "Ġporch": 44647, "Ġjq": 44648, ".verbose": 44649, "Ġliberals": 44650, "])ĊĊĊ": 44651, "pies": 44652, "NotBlank": 44653, "(term": 44654, "ÈĽi": 44655, "_Params": 44656, ".normalize": 44657, "Bullet": 44658, "ASIC": 44659, "(hex": 44660, "_cliente": 44661, "+,": 44662, "_DI": 44663, "Ġforthcoming": 44664, "}\")]Ċ": 44665, "seo": 44666, "Um": 44667, ">Name": 44668, "Ġcomfortably": 44669, "irectional": 44670, "WITH": 44671, "/pr": 44672, "ĠPoor": 44673, "ĠVitamin": 44674, "vic": 44675, "GH": 44676, "Ġpriorit": 44677, "ĠNN": 44678, "ĠClosed": 44679, "¤í": 44680, "ĠisOpen": 44681, "\\Console": 44682, "AndFeel": 44683, ".SUCCESS": 44684, "_OPERATION": 44685, "polation": 44686, "ĠTas": 44687, "psz": 44688, ">'.": 44689, "CURRENT": 44690, "Vendor": 44691, "hosts": 44692, "ĠErd": 44693, ">tagger": 44694, "ĠsourceMappingURL": 44695, "Ġmarathon": 44696, "_closed": 44697, "Ġexemption": 44698, "Ġrecognizes": 44699, "ideshow": 44700, "'$": 44701, "('/');Ċ": 44702, "mits": 44703, "warz": 44704, "ĠCherry": 44705, "µ¬": 44706, "nor": 44707, "porte": 44708, "Ġwl": 44709, "_backup": 44710, ".getBoolean": 44711, ".getResource": 44712, "Ġdefinitive": 44713, ".EditText": 44714, "ĠsÃŃ": 44715, ".CONT": 44716, "ĠPLAYER": 44717, ".cards": 44718, "ĠShore": 44719, "('/')Ċ": 44720, "cluir": 44721, "WebDriver": 44722, "(month": 44723, "-release": 44724, "Ġinspector": 44725, "å£": 44726, "ĠNF": 44727, "_clip": 44728, "åŃIJ": 44729, "Ġinteracting": 44730, ".tmp": 44731, "Ġ'''ĊĊ": 44732, "Ġdee": 44733, "Ġfrost": 44734, "\"]))Ċ": 44735, "ĠPlaces": 44736, "Throws": 44737, "fork": 44738, "/day": 44739, "iPhone": 44740, "ĠMIC": 44741, "Ġfolding": 44742, "Ġcrore": 44743, "ĠChiefs": 44744, "pherical": 44745, "(price": 44746, ".WriteString": 44747, "Ġexiting": 44748, "]',Ċ": 44749, "ighting": 44750, "Ingredient": 44751, "(vertex": 44752, "ĠscrollView": 44753, "hf": 44754, ":new": 44755, "SEN": 44756, "sector": 44757, "Ġspins": 44758, "ĠScheduler": 44759, "otechn": 44760, "semicolon": 44761, "FontOfSize": 44762, "ĠSpecifically": 44763, "flamm": 44764, ".ObjectId": 44765, "Ġconta": 44766, "_permissions": 44767, "ĉFROM": 44768, "ICODE": 44769, "/kg": 44770, "ĠHotels": 44771, "-med": 44772, "ĠDin": 44773, "Ġnavy": 44774, "getParam": 44775, "Ġmend": 44776, "Ġportrayed": 44777, "ĠMetropolitan": 44778, "Painter": 44779, "Ġreferral": 44780, "_good": 44781, "Ġmarvel": 44782, "osaic": 44783, ">(&": 44784, ".ur": 44785, "Ġestos": 44786, "William": 44787, "Ġtimber": 44788, "Ġquelques": 44789, "ĠDocuments": 44790, ".Xaml": 44791, "Ġbatches": 44792, "éģĵ": 44793, "ĠReleased": 44794, "Tail": 44795, "COOKIE": 44796, "heid": 44797, "_station": 44798, "ĠVia": 44799, "Sale": 44800, "ĠRepeat": 44801, "Ġpromin": 44802, "ĠZo": 44803, "-forward": 44804, "ĠIon": 44805, "itary": 44806, "Ġjus": 44807, "-request": 44808, "Ġproudly": 44809, "ĠStreaming": 44810, "(MouseEvent": 44811, "ĠSprint": 44812, "_rotation": 44813, "Repositories": 44814, "Ġtart": 44815, "ĠÑģв": 44816, "Ġmappings": 44817, "èª": 44818, "Cu": 44819, "Cycle": 44820, "Ġbun": 44821, "ĉlua": 44822, "ãĥī": 44823, "Ġ((!": 44824, "Ġcollectively": 44825, "ĠCond": 44826, "Ġwszyst": 44827, "(lib": 44828, "openhagen": 44829, "_skip": 44830, ".ColumnHeader": 44831, "éĤ": 44832, "perienced": 44833, "ıè¿°": 44834, "_props": 44835, "Ġcontrace": 44836, "Ġmatchup": 44837, "abetic": 44838, ".members": 44839, "RECT": 44840, "(dat": 44841, "Ġsog": 44842, "renom": 44843, "_Method": 44844, "Customers": 44845, "fullname": 44846, "ZN": 44847, "retry": 44848, "Ġkap": 44849, "ĠNeu": 44850, "èĬ": 44851, "addChild": 44852, "willReturn": 44853, "_permalink": 44854, "Ġenergetic": 44855, "ĠWet": 44856, "ĠMorr": 44857, "Ġgcd": 44858, "counts": 44859, ",type": 44860, "dig": 44861, "(Login": 44862, "Ġcracks": 44863, "Ġbacterial": 44864, "ĠMeat": 44865, "ĠArmstrong": 44866, "ĠBronze": 44867, "Ġapproximate": 44868, "_dirs": 44869, "liga": 44870, "ÅĤad": 44871, "Ġkindness": 44872, "Ġcontre": 44873, "ĠEVERY": 44874, "MET": 44875, "Ġannouncements": 44876, "gpio": 44877, "ĠWaitForSeconds": 44878, "ĠPhotoshop": 44879, "Ġdiscontin": 44880, "/dd": 44881, "Ġtopology": 44882, "anical": 44883, ".interface": 44884, "aucoup": 44885, ".HashSet": 44886, "ARIANT": 44887, "(routes": 44888, "ĠTeh": 44889, "Ġhype": 44890, "]\").": 44891, "Ġslam": 44892, "Ġbroth": 44893, "-inter": 44894, "ĠRid": 44895, "-manager": 44896, "Cancelar": 44897, "ĠPagination": 44898, "Ġsoundtrack": 44899, "Ġposterior": 44900, "Ġscrub": 44901, "creating": 44902, "-*": 44903, "irteen": 44904, ".dy": 44905, ".symmetric": 44906, "Ġ\"\".": 44907, "===============": 44908, "Ġchassis": 44909, "ĠnumberOfRows": 44910, "Developer": 44911, "_bins": 44912, "ĠOUR": 44913, "rieb": 44914, "Pros": 44915, "ĠwiÄĻ": 44916, "\"d": 44917, "Ġasyncio": 44918, "zeigen": 44919, "_spi": 44920, ".ALL": 44921, "Ġscrews": 44922, "Chinese": 44923, "ĠapiKey": 44924, "Ġunsuccessful": 44925, "ĠSeahawks": 44926, "ORG": 44927, "ç«ł": 44928, "Ġprofessionally": 44929, "ĠCoupon": 44930, "åŃĹ段": 44931, "Convention": 44932, "Ġpolym": 44933, "æīĭ": 44934, "Ġsalvation": 44935, "Ġengineered": 44936, "ĠWrest": 44937, "ĠGCC": 44938, "Ġwarmer": 44939, "LayoutConstraint": 44940, "Ġaggrav": 44941, "Scripts": 44942, "venture": 44943, "Ġrefrigerator": 44944, "Ġinnovations": 44945, "ĠRunner": 44946, "NIC": 44947, "ĠRolling": 44948, "ControlEvents": 44949, "Ġloos": 44950, "pac": 44951, "ĉpanel": 44952, "efe": 44953, "ĠBuddha": 44954, "--------------Ċ": 44955, "åºĵ": 44956, "(forKey": 44957, "Ġlumin": 44958, "Ġ(?": 44959, "ĠAIDS": 44960, ",user": 44961, "imientos": 44962, "contentType": 44963, "antlr": 44964, "é¦": 44965, "ĠWelt": 44966, "Production": 44967, "might": 44968, "ĠVII": 44969, "\",(": 44970, "Ġobserving": 44971, "Ġdeliberate": 44972, "(control": 44973, "Ġwithd": 44974, "Ġsemana": 44975, "STACK": 44976, "uchen": 44977, "Nice": 44978, "ĠDeutschland": 44979, "ĠSpecifies": 44980, "dma": 44981, "izio": 44982, "ĠFacts": 44983, "_popup": 44984, "ĠDirectors": 44985, "{:": 44986, "[R": 44987, "ĠÑįлеменÑĤ": 44988, "Ġplat": 44989, "Ġdirecting": 44990, "ä¸ī": 44991, "ĠGilbert": 44992, "âĢ¦.ĊĊ": 44993, ".qml": 44994, "Ġthereafter": 44995, "Ġdisposition": 44996, "draft": 44997, "Ġsurgeon": 44998, "ĠInsider": 44999, "Blend": 45000, "ĠTrev": 45001, "trinsic": 45002, "Topics": 45003, "rieve": 45004, "_FILENAME": 45005, "Ġautres": 45006, "Jose": 45007, "Producer": 45008, "erus": 45009, "Ġpetit": 45010, "ĠNEXT": 45011, "ĠFilters": 45012, "Ġreplicate": 45013, "\"]).": 45014, "Ġlenders": 45015, "]\",Ċ": 45016, ";charset": 45017, "CppObject": 45018, "Ġfloral": 45019, "ĠTipo": 45020, "Ġcircuits": 45021, "easy": 45022, "(&$": 45023, "itta": 45024, "eryl": 45025, "_COMMON": 45026, "'}}>Ċ": 45027, "-backed": 45028, "(variable": 45029, "(Index": 45030, "Ġvoir": 45031, "_locations": 45032, "++){": 45033, "ĠLouisville": 45034, "Ġgratitude": 45035, ".Mockito": 45036, "ĠPowers": 45037, "ieurs": 45038, "Ġgeographic": 45039, "rale": 45040, "Ġcra": 45041, "ĠSpurs": 45042, "iphertext": 45043, "ACION": 45044, "-common": 45045, "Ġvictories": 45046, "ĠFinals": 45047, ".shuffle": 45048, "-million": 45049, "_PROC": 45050, "assume": 45051, "Ġils": 45052, "DBC": 45053, "BootTest": 45054, "Ġlavor": 45055, ".testing": 45056, ".ast": 45057, "\"]/": 45058, "moid": 45059, "Ġqualification": 45060, "gesch": 45061, "ĉput": 45062, "Ġairports": 45063, "JI": 45064, "Teacher": 45065, "_uniform": 45066, "Ġnama": 45067, "ĠBast": 45068, "ertype": 45069, "capture": 45070, "getAll": 45071, "ĠReynolds": 45072, "ooled": 45073, ".comments": 45074, "Ġchin": 45075, ").*": 45076, "Ġили": 45077, "tgl": 45078, "udos": 45079, "ĠdÃŃas": 45080, "chai": 45081, ".program": 45082, "Ġpsz": 45083, "ĉicon": 45084, "phil": 45085, "entral": 45086, "_WRAP": 45087, "ovi": 45088, "Ġnostalg": 45089, "Infinity": 45090, "ĉyield": 45091, "Ġvitamins": 45092, "Quaternion": 45093, "Sink": 45094, "_goods": 45095, "Ġ........": 45096, "ĠWings": 45097, "uridad": 45098, "-story": 45099, "\"])ĊĊ": 45100, "idelity": 45101, "TypeDef": 45102, "Gtk": 45103, "ĠíĮ": 45104, "_Main": 45105, "Ġchez": 45106, "ĠRaven": 45107, "Ġpayroll": 45108, "Ġfreelance": 45109, "LLU": 45110, "ĠMend": 45111, "eday": 45112, "ApiModelProperty": 45113, ".FormBorderStyle": 45114, "Ġeconomist": 45115, "stanbul": 45116, "Ġfreight": 45117, "-Agent": 45118, "(meta": 45119, "Ġsymmetry": 45120, "Ġ'..": 45121, ".Calendar": 45122, "-aut": 45123, "gf": 45124, "pent": 45125, "yclopedia": 45126, "Ġwishing": 45127, "ĊĊĊĊĊĊĊĊĊĊĊĊ": 45128, "Ġgentleman": 45129, "Ġê³": 45130, "=#": 45131, "Ġlectures": 45132, "âĢľIn": 45133, "Ġ!_": 45134, "Ġhb": 45135, "ĠVendor": 45136, "Recently": 45137, "_notes": 45138, "æıIJ示": 45139, "\"My": 45140, "HeadersHeight": 45141, "_SO": 45142, "Ġunwilling": 45143, "Ġsuperhero": 45144, "gio": 45145, "psy": 45146, "ĠPeer": 45147, "javax": 45148, "&apos": 45149, "ĠCrisis": 45150, "ordinal": 45151, "Memcpy": 45152, "++++++++++++++++": 45153, "-val": 45154, "Ġworkbook": 45155, "-ap": 45156, "=k": 45157, "Ġmetallic": 45158, "_peer": 45159, "ByPrimaryKey": 45160, "_SD": 45161, "uator": 45162, "_SHADER": 45163, ")Math": 45164, ".Transform": 45165, "Ġcows": 45166, "Phi": 45167, "ĠClem": 45168, "(_(\"": 45169, "ĠLud": 45170, "-delay": 45171, "ĠSecurities": 45172, "ĠOrthodox": 45173, "Symfony": 45174, "(report": 45175, "Ġentertain": 45176, "EPS": 45177, "izoph": 45178, "exual": 45179, "IRD": 45180, "ä»İ": 45181, "Ġlith": 45182, "Ġsanitize": 45183, "Ġfeminine": 45184, "ISBN": 45185, ".authentication": 45186, "_pipeline": 45187, "/constants": 45188, "ĠCONF": 45189, "Ġlucr": 45190, "ricia": 45191, ".ttf": 45192, ".setContent": 45193, "Ġstan": 45194, "orean": 45195, "ĠLloyd": 45196, ".rawValue": 45197, "Ġgor": 45198, "ĠBrowns": 45199, "Regression": 45200, "Ġlowering": 45201, "naissance": 45202, "Ġblows": 45203, "Ġamazed": 45204, "Ġunrelated": 45205, "Reviews": 45206, "Ġruby": 45207, "ĠModifier": 45208, "Ġgiants": 45209, ".thread": 45210, "Ġcontainment": 45211, "ĠStartCoroutine": 45212, "umat": 45213, "orelease": 45214, "ĠRandy": 45215, "@endif": 45216, "Digest": 45217, "Ġsuburban": 45218, "=\");Ċ": 45219, "Ġannonce": 45220, ".variable": 45221, "\\Foundation": 45222, "Ġacre": 45223, "Van": 45224, "Ġtuples": 45225, "dns": 45226, "ĠStanding": 45227, "_large": 45228, "Ġboxing": 45229, "SupportActionBar": 45230, "ĠFortune": 45231, "ĠRum": 45232, "_multiple": 45233, "archical": 45234, "Ġfwrite": 45235, "_quote": 45236, "Ġfoolish": 45237, "Ġcomprising": 45238, "Ġоп": 45239, "-selected": 45240, "vf": 45241, "maid": 45242, "Nama": 45243, "(datetime": 45244, "Ġindirectly": 45245, "gart": 45246, "fixtures": 45247, "chos": 45248, "ĠHalo": 45249, "Ġrecurring": 45250, "-news": 45251, "vil": 45252, "ĠNursing": 45253, "-produ": 45254, "ĠHQ": 45255, "\\HttpFoundation": 45256, "enci": 45257, "auen": 45258, "Ġvy": 45259, "ocracy": 45260, "Ġdelegation": 45261, "Ġasphalt": 45262, "ĠsetSelected": 45263, "kok": 45264, "/rest": 45265, "metics": 45266, "ĠNSDate": 45267, "Ġtravelled": 45268, "Ġrecib": 45269, "Ġmime": 45270, "CLIENT": 45271, "ĠGU": 45272, "ĠHANDLE": 45273, "/Q": 45274, "[z": 45275, "Ġbothered": 45276, "ĠBBQ": 45277, "ças": 45278, "_examples": 45279, "_FIN": 45280, "ĠwhiteColor": 45281, "Ġastronom": 45282, "-dir": 45283, "Ġsovereign": 45284, "Ġbreeze": 45285, "Ġinning": 45286, "ĠEdmonton": 45287, "gli": 45288, ".blogspot": 45289, "jsx": 45290, "Ġversa": 45291, "ĠMohammed": 45292, ".Job": 45293, "-toggler": 45294, "ĠполÑĮзоваÑĤ": 45295, "ardon": 45296, "Ġnewborn": 45297, "Ġnaval": 45298, "noteq": 45299, "Ġtumblr": 45300, "Ġhentai": 45301, "ĠTypically": 45302, "Ġloot": 45303, ".Sprite": 45304, "Flight": 45305, "Ġwavelength": 45306, "-sk": 45307, "ĠElle": 45308, "_exports": 45309, "ĠÑı": 45310, "ĠIH": 45311, "izophren": 45312, "Ġíģ": 45313, "_primary": 45314, "Ġmois": 45315, "ĠBN": 45316, "Ġsystemic": 45317, "Ġdiferentes": 45318, "INCT": 45319, "Ġ''ĊĊ": 45320, "$q": 45321, "WidgetItem": 45322, "clide": 45323, "$file": 45324, "Lemma": 45325, "/table": 45326, "agrid": 45327, "ĠMongoDB": 45328, "inte": 45329, "Ġapprent": 45330, "ÂŃing": 45331, ".Db": 45332, "ĠÃĤ": 45333, "hammer": 45334, "='';Ċ": 45335, "Ġbrokers": 45336, "itlement": 45337, "semblies": 45338, "Ele": 45339, "{x": 45340, "Ġlastname": 45341, "<-": 45342, "Ġflatten": 45343, "_band": 45344, ".Root": 45345, ".readFileSync": 45346, "======": 45347, ".rx": 45348, "?čĊ": 45349, "Ġmetaphor": 45350, "Ti": 45351, "conte": 45352, "Ġdebit": 45353, "Ġcontempt": 45354, "CppType": 45355, "æĶ¯": 45356, "FormField": 45357, "ratio": 45358, "osopher": 45359, "Ġimplant": 45360, "PURE": 45361, "Ġalta": 45362, "_management": 45363, "Ġrefine": 45364, "ĠCheckBox": 45365, "ĠCharl": 45366, "-version": 45367, "conditional": 45368, "venues": 45369, "Ġrifles": 45370, "Ġoffspring": 45371, "Ġmilling": 45372, "Ġsharply": 45373, "Ġunderwater": 45374, "(origin": 45375, "_Control": 45376, "Ġ.$": 45377, "Plugins": 45378, "Ġdrying": 45379, "Ġillustrates": 45380, "-u": 45381, "Ġvegetarian": 45382, "npc": 45383, "Heart": 45384, ";',Ċ": 45385, "comma": 45386, "teenth": 45387, "asan": 45388, "/spec": 45389, "_moves": 45390, "-margin": 45391, "Ġingen": 45392, "³³³": 45393, "Ġprojet": 45394, "Ġotra": 45395, "Ġbras": 45396, ".utc": 45397, "Ġslept": 45398, "=sub": 45399, "abilit": 45400, "poster": 45401, "Ġsdk": 45402, "ouncill": 45403, "Ġwd": 45404, "PreparedStatement": 45405, "ĠDrum": 45406, "(attribute": 45407, "ĠEthernet": 45408, "ĉDB": 45409, "California": 45410, "cube": 45411, "[I": 45412, ".Created": 45413, "ĠHM": 45414, "Ġtracing": 45415, "FormsModule": 45416, "-you": 45417, ".currency": 45418, "feeding": 45419, "Ġtbody": 45420, "Li": 45421, "accion": 45422, "nas": 45423, "Ġtrouver": 45424, "NONE": 45425, "\"},čĊ": 45426, "Ġftp": 45427, "WithIdentifier": 45428, "polate": 45429, "FileInfo": 45430, "Ġpursued": 45431, "ĠĠĠĠčĊĠĠĠĠčĊ": 45432, "DESCRIPTION": 45433, "}*/Ċ": 45434, "FromNib": 45435, "Ġdecorative": 45436, "_SSL": 45437, "(chat": 45438, "TLS": 45439, "Ġsurprises": 45440, "alculate": 45441, "ĠSplash": 45442, "(Configuration": 45443, "ĠSEM": 45444, "imson": 45445, "/library": 45446, "": 45521, "GED": 45522, "faq": 45523, "Ġoptionally": 45524, "_Dis": 45525, "ĠSuccessful": 45526, "ĠCensus": 45527, "Ġincarcer": 45528, "_CARD": 45529, "Ġaviation": 45530, "ĠGym": 45531, "Authority": 45532, ".Bean": 45533, "shader": 45534, "NotExist": 45535, "_TextChanged": 45536, "ĠSTOP": 45537, "(team": 45538, "\"H": 45539, "wg": 45540, "Ġgrinder": 45541, "Ġstripe": 45542, "Ġpreservation": 45543, "Claim": 45544, "aversal": 45545, "warehouse": 45546, "targets": 45547, "Trust": 45548, "Ġallev": 45549, ",www": 45550, "ousse": 45551, "_chan": 45552, "_Size": 45553, "systems": 45554, "Ġobjection": 45555, "ĠKane": 45556, "Ġcorros": 45557, "ĠDSL": 45558, "Ġua": 45559, "ĠMH": 45560, "ĠStrategic": 45561, "_tcp": 45562, "Ġê°Ĵ": 45563, "Ġborrowed": 45564, "ĠAch": 45565, "ĉcommand": 45566, "Ġgps": 45567, "leston": 45568, "ichever": 45569, "ĠUA": 45570, "Ġassaulted": 45571, "Ġspecializes": 45572, "ĉsearch": 45573, "Hotel": 45574, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠčĊ": 45575, "ĠPitch": 45576, "ĠÙģ": 45577, "READY": 45578, "Ġparental": 45579, "Ġgéné": 45580, "Ġdonnées": 45581, "Ġdetain": 45582, "TARGET": 45583, "Ġprotagonist": 45584, "ĠclearInterval": 45585, "ĠIconButton": 45586, "ĠGetAll": 45587, "TypeInfo": 45588, "EH": 45589, "âĢľThey": 45590, "Ġ{[": 45591, "Ġgag": 45592, "ĠÚ©": 45593, "ĠDropdown": 45594, ".free": 45595, "gone": 45596, "imens": 45597, "Ġinstal": 45598, "ĉcurl": 45599, "_CAN": 45600, "ĠBone": 45601, "ï¼Ķ": 45602, "onyms": 45603, "-government": 45604, ".bindingNavigator": 45605, "ĠDans": 45606, "ĠMcL": 45607, "(en": 45608, ">(_": 45609, "ÐĴÑĭ": 45610, ".*;čĊ": 45611, "=j": 45612, "-cor": 45613, "Son": 45614, ".ToolStripItem": 45615, "-around": 45616, "_XML": 45617, "endDate": 45618, "Ġslack": 45619, "Ġrotated": 45620, "Ġnoqa": 45621, "Ġcottage": 45622, "Ġencontrar": 45623, "_skill": 45624, "houette": 45625, "!čĊ": 45626, ".weather": 45627, "Ġemphasized": 45628, "家": 45629, "ĠÑģпиÑģ": 45630, "ĠCompiler": 45631, "(android": 45632, "ĠâĢº": 45633, ".turn": 45634, "Ġsuppression": 45635, "_calls": 45636, "Ġ*@": 45637, "(strlen": 45638, ".hex": 45639, "ĠBills": 45640, "ĠRSA": 45641, "ÏĤ": 45642, "ĠEscape": 45643, "ementia": 45644, "Ġfrontend": 45645, "Ġpint": 45646, "_exc": 45647, "zzo": 45648, "[],Ċ": 45649, "Ġ\"','\"": 45650, ".Environment": 45651, "Ġaforementioned": 45652, "Ġendure": 45653, "prototype": 45654, "therapy": 45655, "ssi": 45656, "Deg": 45657, "_plugins": 45658, ".userInfo": 45659, "Printer": 45660, "ĠPROGRAM": 45661, "Ġruins": 45662, "Ġempirical": 45663, "Ġcrawl": 45664, "ĠBoiler": 45665, "-comment": 45666, ".subplot": 45667, "_et": 45668, "Ġ'.',": 45669, "minor": 45670, "ĠCustoms": 45671, "Ġyaw": 45672, "underline": 45673, "ĠComo": 45674, "(('": 45675, "(mean": 45676, "Ġchaque": 45677, "ĠBlocks": 45678, ".rad": 45679, "ilibrium": 45680, "Ġwebdriver": 45681, "Ġmelhor": 45682, "dana": 45683, "ĠAbuse": 45684, "ĠSouthwest": 45685, "ĠParen": 45686, "PERTIES": 45687, "ĉIL": 45688, "Ġscream": 45689, "vu": 45690, "Ġincomes": 45691, "Ġnim": 45692, "Ġlace": 45693, "Ġcompensate": 45694, "Reverse": 45695, "Dat": 45696, "_attack": 45697, "Ġnour": 45698, "achen": 45699, "cek": 45700, "\"+": 45957, "Ġtokenizer": 45958, "Ġsovereignty": 45959, "ĠPence": 45960, "()\");Ċ": 45961, "Ġpessoas": 45962, ".Ge": 45963, "ĠIncluded": 45964, "Ġpagina": 45965, "Ġexposing": 45966, "еÑĪ": 45967, "_SCRIPT": 45968, "/$',": 45969, "Thumbnail": 45970, "×Ķ": 45971, "webElementX": 45972, "webElementXpaths": 45973, "pressure": 45974, "ĠCurry": 45975, "_CP": 45976, "OLUTION": 45977, "ILES": 45978, "protect": 45979, "oola": 45980, "Workspace": 45981, "{};Ċ": 45982, "ĠUNS": 45983, "Ġsympathy": 45984, "roker": 45985, "Ġremodel": 45986, "ĉcell": 45987, "Ġatop": 45988, ".FullName": 45989, "Ġfaut": 45990, "ĠEasily": 45991, "_dynamic": 45992, "Ġframed": 45993, "Ġmotive": 45994, "è·¯": 45995, "sam": 45996, "Ġmarca": 45997, "ĠTextEditingController": 45998, "Ġdestructor": 45999, "cream": 46000, "Ġrude": 46001, "ĠBold": 46002, "ĠIndigenous": 46003, "Ġgens": 46004, "Ġrelacion": 46005, "(system": 46006, "ĠUIFont": 46007, "_charge": 46008, "USTER": 46009, "EV": 46010, ".Namespace": 46011, "Ġmerger": 46012, "Ġcalloc": 46013, "gang": 46014, "BadRequest": 46015, "Ġsper": 46016, "-design": 46017, "Ġâĩ": 46018, "Chan": 46019, "Ġorganism": 46020, ",)": 46021, "=id": 46022, "_plane": 46023, "ĠCases": 46024, "elfast": 46025, "ĠLegislature": 46026, "ĠFaker": 46027, "Ġinvoking": 46028, "-utils": 46029, "().'": 46030, ".face": 46031, "Ġguardian": 46032, "myModal": 46033, "Ġclipboard": 46034, "ĠATM": 46035, "Ġpeas": 46036, "ĠSylv": 46037, ".calc": 46038, "ĠContacts": 46039, "intValue": 46040, "Ġmodifying": 46041, "ĠBarb": 46042, ".loss": 46043, "_percentage": 46044, "Asked": 46045, "(lst": 46046, "ategorical": 46047, "-files": 46048, "ĠRomania": 46049, ".Ac": 46050, "Ġhai": 46051, "ĠFlying": 46052, "Ġż": 46053, "jp": 46054, "ĠTrainer": 46055, ".arc": 46056, "_deg": 46057, "Ġtraceback": 46058, "OrFail": 46059, "FLOW": 46060, ".old": 46061, "oya": 46062, "gmt": 46063, "isempty": 46064, "Ġvaccination": 46065, "Ġobsolete": 46066, "recognized": 46067, "Ġruined": 46068, "ĠRein": 46069, "ĠTracking": 46070, "xfb": 46071, "اÛĮ": 46072, "Ġvære": 46073, "Ġbryster": 46074, "ĠITS": 46075, "Ġdestiny": 46076, "Ġswear": 46077, "Ġredes": 46078, "Ġclf": 46079, "Ġflipped": 46080, "ĉhead": 46081, "Bluetooth": 46082, "ĠOverrides": 46083, ":Boolean": 46084, "_=": 46085, "_lr": 46086, "spawn": 46087, ":index": 46088, "VALUES": 46089, "iskey": 46090, "?\");Ċ": 46091, ".synthetic": 46092, "ĠChecking": 46093, "structures": 46094, "iping": 46095, "Ġvocals": 46096, "-Up": 46097, "ĠManufacturers": 46098, "ĠMarriage": 46099, "代çłģ": 46100, "Ġgarner": 46101, "_Client": 46102, "parallel": 46103, "RIEND": 46104, "Ġvinegar": 46105, "segue": 46106, "JB": 46107, "Ġcontacting": 46108, "ĠCarroll": 46109, "Ġoutreach": 46110, "tensor": 46111, "_variant": 46112, "Ġtheat": 46113, "licable": 46114, "{|": 46115, "tiny": 46116, "_letter": 46117, "Ġpencil": 46118, "HeadersHeightSizeMode": 46119, "iltro": 46120, ".autoconfigure": 46121, ".drag": 46122, ".useState": 46123, "ĠBMI": 46124, "hint": 46125, "Compile": 46126, "*\\": 46127, "enary": 46128, "Ġlvl": 46129, ".Cache": 46130, "+=\"": 46131, "_tv": 46132, "ruitment": 46133, "Ġfread": 46134, "Articles": 46135, "fila": 46136, "Ġpackaged": 46137, "âĺĨ": 46138, "ATHER": 46139, "ĠPlanned": 46140, "scheme": 46141, "Ġdiary": 46142, "Ġoffenses": 46143, "/F": 46460, "ĠStick": 46461, "Ġcerc": 46462, "ĠSlee": 46463, "ĉĉĠĠĠĠĠĠĠĠ": 46464, "": 46639, "ĉcol": 46640, "VG": 46641, "_boolean": 46642, "recent": 46643, "Ġ*)ĊĊ": 46644, "ĠRainbow": 46645, "ommen": 46646, "Ġlur": 46647, "Ġoppression": 46648, "(\",\");Ċ": 46649, "ĠFacility": 46650, "DEFINED": 46651, "Ġneon": 46652, "Ġoffender": 46653, "AFP": 46654, "ĠCleaning": 46655, "[]):": 46656, "Ġundocumented": 46657, ".Repositories": 46658, "ĠGuitar": 46659, "аÑģÑģив": 46660, "Skills": 46661, "Ġtestimon": 46662, "ryptography": 46663, "ĠAmber": 46664, "ĠStalin": 46665, "Ġlone": 46666, "Ġapenas": 46667, "Ġdieses": 46668, "ĠArduino": 46669, "转": 46670, "==-": 46671, "_Act": 46672, "Ġcoded": 46673, "âĸł": 46674, "amburger": 46675, "-links": 46676, "Ġarmour": 46677, ".High": 46678, "getContent": 46679, "stag": 46680, "Ġheck": 46681, "ĠìĹĨ": 46682, "ĠMcConnell": 46683, "ĠConcert": 46684, "ĠAlloc": 46685, "äre": 46686, ".replaceAll": 46687, "Ġpartitions": 46688, "rott": 46689, "ĠFle": 46690, "_TREE": 46691, "reasonable": 46692, "ĠReporting": 46693, "Ġbillionaire": 46694, "scores": 46695, "mins": 46696, "-eye": 46697, "MORE": 46698, "abort": 46699, "ĠSWT": 46700, "Ġinverted": 46701, "ĠTeachers": 46702, ";n": 46703, "Ġastro": 46704, "нов": 46705, "аниÑĨ": 46706, "producto": 46707, "countries": 46708, "ĠOwen": 46709, "Ġcontamination": 46710, "Ġvibe": 46711, "ĠElli": 46712, ".script": 46713, "ĠOlive": 46714, "DMA": 46715, "vier": 46716, ":semicolon": 46717, "-module": 46718, "gressive": 46719, "agu": 46720, "_players": 46721, "Ġresultados": 46722, "started": 46723, "scrollTop": 46724, "=====": 46725, "Ġweighing": 46726, "Ġ[[[": 46727, "zahl": 46728, "(NS": 46729, "ĠAssertion": 46730, "league": 46731, ".setTextColor": 46732, "ĉMessage": 46733, "Ġmoms": 46734, "_AF": 46735, ".wh": 46736, "ALS": 46737, "Ġautre": 46738, "]ĊĊĊĊ": 46739, ".opacity": 46740, "ĠBuddhist": 46741, "Ġdeaf": 46742, "ĠOrganisation": 46743, "(Global": 46744, "ensch": 46745, "Ġheadache": 46746, "ĠAlien": 46747, "_inode": 46748, "ĠStark": 46749, "Ġæī": 46750, "-lnd": 46751, "oref": 46752, "_feat": 46753, "Ġpedestrian": 46754, "Ġnominal": 46755, "Ġballoon": 46756, "Ġsprites": 46757, "PrototypeOf": 46758, "ĠApost": 46759, "ĠFEATURE": 46760, "OH": 46761, "Ġrecess": 46762, "ĠDonna": 46763, "consumer": 46764, "$GLOBALS": 46765, "ĠGIF": 46766, "-frame": 46767, "Inicio": 46768, "Ġpassages": 46769, "DateString": 46770, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 46771, ".byte": 46772, "Bug": 46773, "initializer": 46774, "pkt": 46775, "odium": 46776, "ĠDER": 46777, ".ops": 46778, "leri": 46779, "Ġgifted": 46780, "Ġdetach": 46781, "terrain": 46782, "elters": 46783, "ãģı": 46784, ".loader": 46785, "ĠNGO": 46786, "strncmp": 46787, "Kh": 46788, "(fontSize": 46789, "rocket": 46790, "Ġprecedent": 46791, "ĠAurora": 46792, "ĠExperiment": 46793, "isphere": 46794, "Encoded": 46795, "ĠâĢĵĊĊ": 46796, "Ġpyramid": 46797, "ĠAnniversary": 46798, "ofil": 46799, "ëŁ": 46800, "(plugin": 46801, "Coeff": 46802, "Ġcooperate": 46803, "Ġpredominantly": 46804, "ISM": 46805, "Phrase": 46806, "_DEFINE": 46807, "Flip": 46808, "AMILY": 46809, "ĠMarkets": 46810, "ĠStreamReader": 46811, "ĠCombine": 46812, "Ġmanuscript": 46813, "zza": 46814, ",tp": 46815, "Whatever": 46816, "ITICAL": 46817, "ighbour": 46818, "DataProvider": 46819, ".Texture": 46820, "privacy": 46821, ".SDK": 46822, "Ġrecharge": 46823, "Ġcpp": 46824, "ĠCFG": 46825, "(holder": 46826, "(py": 46827, "mot": 46828, "Ġsavoir": 46829, "ĠRosa": 46830, "ĠPCs": 46831, "ĠíĻ": 46832, ".heroku": 46833, "Ġfren": 46834, "ĠRiley": 46835, "agate": 46836, "Ġsond": 46837, ".xlsx": 46838, "Ġhacked": 46839, "stad": 46840, "Gi": 46841, "Ġsanity": 46842, "ĠSqlDataAdapter": 46843, "...\",": 46844, "ĠPussy": 46845, "Ġ****************": 46846, "Ġhassle": 46847, "_PARENT": 46848, "ĠUAE": 46849, "Ġbeginners": 46850, "(Client": 46851, "Ġstatistically": 46852, ".hour": 46853, "edelta": 46854, "Ġtraction": 46855, "uelve": 46856, "arat": 46857, "Ġsauna": 46858, "INVALID": 46859, "Ġindictment": 46860, "ALLE": 46861, "Ġdissent": 46862, "ĠTypography": 46863, "Ġintentional": 46864, "sit": 46865, "ĠAnimals": 46866, "Ġcountryside": 46867, "Ġuart": 46868, "}\\\"": 46869, "Ġseamless": 46870, "¾ç¤º": 46871, "Ġautos": 46872, "Ġ\"'\";Ċ": 46873, "Flush": 46874, "ANNOT": 46875, "Ġalgebra": 46876, "assoc": 46877, "ĠWaters": 46878, "Ġpreparations": 46879, "ronym": 46880, "[,]": 46881, "Sans": 46882, "Ġarmies": 46883, "ipeg": 46884, "Ġcreamy": 46885, ".art": 46886, "etre": 46887, "ĠAnimated": 46888, "Ġunpleasant": 46889, "emean": 46890, "great": 46891, "iÄħ": 46892, "ĠEarlier": 46893, "Ġchic": 46894, "Ġpreserving": 46895, "(exec": 46896, "ĠInvestigation": 46897, "ĉGPIO": 46898, "Ġrigorous": 46899, "ijo": 46900, "=num": 46901, "ĠtoolStrip": 46902, ")set": 46903, "+\"&": 46904, "ĠAcceler": 46905, "Ġdevelopmental": 46906, "isposable": 46907, "Ġflawed": 46908, "rene": 46909, "Updating": 46910, "Ġwatchdog": 46911, "Ġdenominator": 46912, "Ġsuburbs": 46913, "Ġ...)": 46914, "Ġconvictions": 46915, "closure": 46916, ".IP": 46917, "Ġtranslates": 46918, ".swt": 46919, ".Trace": 46920, "Ġmettre": 46921, ".isEnabled": 46922, "ĠEffective": 46923, ".toInt": 46924, "Ġenchant": 46925, "Ġstunned": 46926, "Ġpoi": 46927, "/code": 46928, "adm": 46929, ".databinding": 46930, "ĠLorem": 46931, "________________________________________________________________": 46932, "Ġledger": 46933, "Ġcara": 46934, "ĠGir": 46935, "Ġwaits": 46936, "Uno": 46937, "Ġcwd": 46938, "è¾ij": 46939, "ĠTResult": 46940, "Ġrejo": 46941, "Ġemitted": 46942, "ĠWestminster": 46943, "ä¸Ģ个": 46944, "nek": 46945, "_Tis": 46946, "Ġenact": 46947, "ĉwith": 46948, "orgia": 46949, "Ġjue": 46950, "Perform": 46951, "SPATH": 46952, ".topic": 46953, "ĠDaten": 46954, "ầ": 46955, "Ġsitio": 46956, "_MM": 46957, "\"So": 46958, "bial": 46959, "Ġscoped": 46960, "Requires": 46961, "ĠTOTAL": 46962, "ĠChancellor": 46963, "(contents": 46964, "Ġstealth": 46965, "devices": 46966, "-pass": 46967, "ilih": 46968, "ĠMalcolm": 46969, "ĠDepot": 46970, "Ġconfigur": 46971, "aussian": 46972, "_constraint": 46973, "веÑĤ": 46974, "GRA": 46975, "ĠRates": 46976, ".dataGridViewTextBoxColumn": 46977, "ĠNobel": 46978, "itics": 46979, "Ġignorant": 46980, "ĠReporter": 46981, "ĠEbola": 46982, "ĠShock": 46983, "_relation": 46984, "ĠNinja": 46985, ")c": 46986, "Ġticker": 46987, ".isChecked": 46988, "ĠSuppliers": 46989, "ĠRapid": 46990, "Levels": 46991, "âĤ¬âĦ¢": 46992, "ĉqueue": 46993, "Ġchop": 46994, "ĠUnix": 46995, "reject": 46996, "-calendar": 46997, "(sort": 46998, "ène": 46999, "ercicio": 47000, "Ġhect": 47001, "CALLTYPE": 47002, "roupon": 47003, "Ġrentals": 47004, "authors": 47005, "{name": 47006, "ĠFIFO": 47007, "Ġlassen": 47008, "ĠNous": 47009, "Ġsnapped": 47010, "Ġfertility": 47011, "\"log": 47012, "clicked": 47013, "Ġplanting": 47014, "Ġgb": 47015, "/output": 47016, "PEAT": 47017, "Ġcategoria": 47018, "Ġbach": 47019, "Professor": 47020, "inth": 47021, "\"]čĊ": 47022, "Recorder": 47023, "serde": 47024, "ĠTransmission": 47025, "trad": 47026, "Ġturbo": 47027, "_VERTEX": 47028, "\\Event": 47029, "ilver": 47030, "Ġbodily": 47031, "ĠSources": 47032, "Ġkillings": 47033, ".xrTableCell": 47034, "Ġfolded": 47035, "/legal": 47036, "uner": 47037, "ĠRifle": 47038, "ĠMIDI": 47039, "_SelectedIndexChanged": 47040, ".SizeType": 47041, "ĠWebSocket": 47042, "Ġseleccion": 47043, "Sand": 47044, "otros": 47045, "Ġenvision": 47046, "/etc": 47047, "ĠMelissa": 47048, "Spot": 47049, "ное": 47050, "_ARM": 47051, "Attempt": 47052, "ĠBI": 47053, "ãģĶ": 47054, "ĠDU": 47055, "Ġbacklash": 47056, "stride": 47057, "/classes": 47058, "ĠtextColor": 47059, "_staff": 47060, "oblin": 47061, "agenta": 47062, ".collections": 47063, "illage": 47064, "'čĊčĊ": 47065, "flatten": 47066, "_sales": 47067, "_MASTER": 47068, "TW": 47069, "_da": 47070, "Pitch": 47071, "phies": 47072, "Ġzombies": 47073, "ĠVERY": 47074, "ĠPharmacy": 47075, "ĠprogressBar": 47076, "Ġhashtag": 47077, "Sidebar": 47078, "@stop": 47079, "(pc": 47080, "олж": 47081, "MAKE": 47082, "ĠCoron": 47083, "Ġkvinner": 47084, "ĠMaid": 47085, "bob": 47086, ".titleLabel": 47087, "Ġsuccesses": 47088, "ĠDemocracy": 47089, "ĠSurgery": 47090, "Ġcougar": 47091, "Ġcurso": 47092, "Ġloro": 47093, "istency": 47094, "Senior": 47095, "æk": 47096, "ĠAAA": 47097, "ĠBOOK": 47098, "ко": 47099, "WSTR": 47100, "Ġ*/,Ċ": 47101, "oyal": 47102, ".vector": 47103, "ĠSPEC": 47104, "SSF": 47105, "Ġcompuls": 47106, "ĠAppeals": 47107, "ĠWinston": 47108, "ĠMockito": 47109, "contrib": 47110, ".available": 47111, "entityManager": 47112, "arias": 47113, "_sale": 47114, "_rs": 47115, "Ġdecoding": 47116, "Ġlocator": 47117, "olith": 47118, "Ġkol": 47119, "Ġascii": 47120, "ĠRut": 47121, "/interface": 47122, "ĉĉĉĉĉĉĠĠĠ": 47123, "ĠNumer": 47124, ".flip": 47125, "-del": 47126, "Ġbolster": 47127, "onomic": 47128, "Ġzm": 47129, "LG": 47130, "FindBy": 47131, "Ġadaptive": 47132, "loo": 47133, "Ġvue": 47134, "(reverse": 47135, "_canvas": 47136, ".roles": 47137, "ificado": 47138, "venient": 47139, "\"As": 47140, "ĠEntr": 47141, "aligned": 47142, "Ġbereits": 47143, "///ĊĊ": 47144, ".gwt": 47145, ".employee": 47146, "_cli": 47147, "Ġanticipate": 47148, "éĻIJ": 47149, "Ġpik": 47150, "Ġmushrooms": 47151, "(tt": 47152, "Ġoma": 47153, "ĠSanchez": 47154, "_google": 47155, ".Valid": 47156, "ĠFileName": 47157, "ivative": 47158, "ked": 47159, "-war": 47160, "Ġmaturity": 47161, "ид": 47162, "Ġminer": 47163, "Reducers": 47164, "ĠLatLng": 47165, "_STD": 47166, "Digits": 47167, "Calc": 47168, "-upload": 47169, "Ġhandic": 47170, "ีà¹Ī": 47171, "egrated": 47172, "ĠSTM": 47173, "Clients": 47174, "ĠTurbo": 47175, "SYNC": 47176, "Ġphotographers": 47177, ".Out": 47178, ".character": 47179, "BUILD": 47180, ".unlock": 47181, "Ġarises": 47182, "ĠCommands": 47183, "(\"\");čĊ": 47184, "_FORE": 47185, ";',": 47186, "+\"'": 47187, ".Images": 47188, "\"){": 47189, "ĠMeyer": 47190, "Ġnegatively": 47191, "ĠDLL": 47192, "Ġexe": 47193, "Ġdeficiency": 47194, "Ġwildly": 47195, "-switch": 47196, "construction": 47197, "Ġexceptionally": 47198, "ĠLiz": 47199, "/java": 47200, "Ġtheirs": 47201, "ĠContemporary": 47202, "lis": 47203, ".fillRect": 47204, "ĠNFC": 47205, "Ġrehe": 47206, "(numbers": 47207, "Ġraster": 47208, "Ġfiguring": 47209, "Ġshowc": 47210, "ĠJill": 47211, "Ġarcade": 47212, "ĠConstructs": 47213, "mdl": 47214, "('|": 47215, "Ġidentifiers": 47216, "Ġstellar": 47217, "(Connection": 47218, "Ġ\"{{": 47219, "yor": 47220, "(mysqli": 47221, "Ġdove": 47222, "OfBirth": 47223, ".disconnect": 47224, "_hi": 47225, "Ġzwischen": 47226, "ĠGrund": 47227, "iros": 47228, "_Array": 47229, ".onclick": 47230, "ansom": 47231, "Answers": 47232, "ĉremove": 47233, "Fa": 47234, "Ġhurry": 47235, "-inf": 47236, "ĠgetClass": 47237, "ĠRegulation": 47238, "ĠFLAGS": 47239, "misc": 47240, "Ken": 47241, "_heading": 47242, "GHz": 47243, "-entry": 47244, "Ġbiography": 47245, "Sig": 47246, "-mf": 47247, "Watcher": 47248, "âĢľA": 47249, "}px": 47250, "Ġspicy": 47251, "_sq": 47252, "Lost": 47253, "(track": 47254, "али": 47255, "Descending": 47256, "((": 47453, "survey": 47454, "Ġíĺ": 47455, "...')Ċ": 47456, "ĠDivider": 47457, "osl": 47458, "_CANCEL": 47459, "_prepare": 47460, "stin": 47461, "ĠHeath": 47462, ".PrimaryKey": 47463, "ĠâĨIJ": 47464, "ĠLocalDateTime": 47465, "Ġcooperative": 47466, "Learning": 47467, ".enqueue": 47468, "Ġgoog": 47469, "ĠRegression": 47470, "imates": 47471, "Ġvoyeur": 47472, "ĠDrink": 47473, "plug": 47474, "Ġlender": 47475, "mana": 47476, "Ġpersonnes": 47477, "ypse": 47478, "Ġunlink": 47479, "ĠRavens": 47480, "Ġhurd": 47481, "Ġperiodically": 47482, "ARGS": 47483, "ĠGH": 47484, "characters": 47485, "...\"ĊĊ": 47486, "-establish": 47487, "Ġdn": 47488, "(condition": 47489, "ĠGravity": 47490, "Ġestas": 47491, "_focus": 47492, "Creature": 47493, "(site": 47494, "Ġcarr": 47495, "ĠRL": 47496, "ĠRI": 47497, "ĠMoto": 47498, "ASF": 47499, "ĠLuckily": 47500, "ĉRoute": 47501, "Ġentropy": 47502, "(\",\"": 47503, "Collect": 47504, "(contact": 47505, "ĠFlorence": 47506, "Ġpremiums": 47507, "Ġlifecycle": 47508, "Ġbans": 47509, "xef": 47510, "WebKit": 47511, "ĠFloating": 47512, "Ġcosa": 47513, "Specific": 47514, "ĠLoans": 47515, "bread": 47516, "Ġdescriptors": 47517, "Ġ{:.": 47518, "THREAD": 47519, "ĠTrent": 47520, "Ġscop": 47521, "QA": 47522, "ĠAntar": 47523, "pel": 47524, "_difference": 47525, "_changes": 47526, "(...)": 47527, "ĠRotation": 47528, "ĠLGPL": 47529, "ĠJUST": 47530, "(Task": 47531, "_subset": 47532, "ĠTRANS": 47533, "åĬĽ": 47534, "ĠScout": 47535, "-popup": 47536, "Ġsmoked": 47537, "_Class": 47538, "Ġturnover": 47539, "brakk": 47540, "ĠRocky": 47541, "tas": 47542, ".RegularExpressions": 47543, "ĠElliott": 47544, "ĠSpinner": 47545, "DUCTION": 47546, "Ġlibre": 47547, "Ġmolto": 47548, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ": 47549, "ĠFTP": 47550, "mpeg": 47551, "(features": 47552, "Ġbald": 47553, "ĠVid": 47554, "Ġshouting": 47555, "Lint": 47556, "Ġsockets": 47557, "Ġprow": 47558, "Ġnouvelle": 47559, "iscard": 47560, "ĠSponsor": 47561, "Ġconsulta": 47562, ")));": 47563, "Indian": 47564, "ĠRaspberry": 47565, "Ġteammate": 47566, "ĠJWT": 47567, "ĠGhana": 47568, "Ġcakes": 47569, "primer": 47570, "forma": 47571, "ergarten": 47572, "_Manager": 47573, "Ġpreseason": 47574, "GAME": 47575, "|\"": 47576, "ĠBrock": 47577, "Ġoccupy": 47578, "Ġdecorations": 47579, "ánd": 47580, "Ġcot": 47581, "Ġparan": 47582, "Disk": 47583, "remain": 47584, ">?": 47585, "Strong": 47586, "Ġfrance": 47587, "ĠEra": 47588, "-cr": 47589, ".BufferedReader": 47590, "ĠParadise": 47591, "ĠVAT": 47592, "ĠAnders": 47593, "Ġlimb": 47594, "ampoo": 47595, "Ġimperative": 47596, "UTILITY": 47597, "ĠRecognition": 47598, "Ġragazze": 47599, "Ġpops": 47600, "ypress": 47601, "Ġembargo": 47602, "//{Ċ": 47603, "Ġsyll": 47604, "PTR": 47605, "åŃĺåľ¨": 47606, "Ġdidnt": 47607, "Mailer": 47608, "Ġacademics": 47609, "ĠFrauen": 47610, "neider": 47611, "-rel": 47612, "Ġrainbow": 47613, "(In": 47614, "Ġsliced": 47615, "=============Ċ": 47616, "(send": 47617, "NSMutableDictionary": 47618, "vos": 47619, "(package": 47620, "Ġordinance": 47621, "viewer": 47622, "ĠSantos": 47623, "-selling": 47624, "Ġgov": 47625, "ettle": 47626, "Ġfounders": 47627, "Ġwaking": 47628, "slashes": 47629, "-pound": 47630, "recht": 47631, "ات": 47632, ".onClick": 47633, "Ġnord": 47634, "ständ": 47635, "_when": 47636, "UTERS": 47637, "icc": 47638, "Ġcapsule": 47639, "ĠWid": 47640, "Marc": 47641, "ุ": 47642, "rored": 47643, "UGE": 47644, "LOUD": 47645, "ĠAudit": 47646, "ipients": 47647, "opian": 47648, "ĠSue": 47649, "Ġwurden": 47650, ".Helpers": 47651, "Ġfactions": 47652, "[np": 47653, "-than": 47654, "Ġreco": 47655, "Ġkas": 47656, "Ġcmds": 47657, "/network": 47658, "xbf": 47659, "getColor": 47660, "Ġbiased": 47661, "ĠLak": 47662, "Datas": 47663, "vents": 47664, "Ġë²": 47665, "_PS": 47666, ".Validate": 47667, "Invoker": 47668, "Ġneuen": 47669, "Ġjuvenile": 47670, "VISION": 47671, "Ġdevote": 47672, "Ġlinha": 47673, "Ġdiscounted": 47674, "\\Config": 47675, "Ġworthwhile": 47676, "Ġskinny": 47677, "ĠCourses": 47678, "leys": 47679, "ĠMortgage": 47680, "Kevin": 47681, "Ġannounces": 47682, "])*": 47683, "reservation": 47684, "Ġæķ°": 47685, "Ġprejudice": 47686, "ĠStringComparison": 47687, "Ġbeard": 47688, "-win": 47689, "ĠSão": 47690, "ĉms": 47691, "jal": 47692, "ĠEarn": 47693, "_ports": 47694, "ĠNombre": 47695, "_COR": 47696, "ĠBUILD": 47697, ".sound": 47698, "Yellow": 47699, "Ġlinebacker": 47700, "Ġcharitable": 47701, "jug": 47702, "_NONNULL": 47703, "ĠDental": 47704, "\">${": 47705, "ĉmatch": 47706, "Russian": 47707, "Ġversch": 47708, "Ġpinned": 47709, "Ġadopting": 47710, "OptionsMenu": 47711, "Pag": 47712, "Ġpairing": 47713, "Ġtread": 47714, "ercises": 47715, "ĠSpread": 47716, ")i": 47717, "ĠBAD": 47718, "_tf": 47719, "UIImageView": 47720, "populate": 47721, "bab": 47722, "ĠÏĥ": 47723, "[++": 47724, "Ġopioid": 47725, "Ġ##Ċ": 47726, "dtype": 47727, "ĠStarts": 47728, "('/')": 47729, "Ġpersonals": 47730, "-market": 47731, "Ġredundant": 47732, "ĠEssential": 47733, "Ġscrapy": 47734, "Ġим": 47735, "acl": 47736, "Ġcrear": 47737, "ĠBend": 47738, "Ġrelieve": 47739, "-room": 47740, "wife": 47741, "ĠvÃł": 47742, "ĠQPoint": 47743, "Ġquasi": 47744, "ĠmethodName": 47745, "\\xc": 47746, "ĠPeru": 47747, "/The": 47748, ".orm": 47749, "Ġviz": 47750, "/pdf": 47751, "Located": 47752, "Ġconfrontation": 47753, "ĠChampionships": 47754, "Ġhypert": 47755, "Ġdj": 47756, "ĠUserInfo": 47757, "ĠåĪĽå»º": 47758, "\\xb": 47759, "(sim": 47760, "Ġ==Ċ": 47761, "Ġstaging": 47762, "Ġdrastically": 47763, "åѦ": 47764, "lords": 47765, ".less": 47766, "ведиÑĤе": 47767, "ĠBucket": 47768, "ĠMam": 47769, ".term": 47770, "_pi": 47771, "czy": 47772, ".pub": 47773, "precio": 47774, "ĠVirt": 47775, "Ġroman": 47776, "itat": 47777, "Lex": 47778, "_infos": 47779, "Ä°": 47780, ".other": 47781, "VELO": 47782, "Ġponder": 47783, "Ġhanno": 47784, "(Page": 47785, "doi": 47786, "Ġpolite": 47787, "Ġprogrammer": 47788, "Dies": 47789, "$d": 47790, "Ġreplication": 47791, "addColumn": 47792, "frican": 47793, "Ġleng": 47794, "beer": 47795, "oit": 47796, "Ġwasting": 47797, "ylim": 47798, "measure": 47799, "Neg": 47800, "Ġpartie": 47801, ".console": 47802, "ĠGuinea": 47803, "TEL": 47804, "_fact": 47805, ".chunk": 47806, "Ġlent": 47807, "Ġaller": 47808, "Ġà¤ķ": 47809, "_idle": 47810, "Ġadmissions": 47811, "JSONArray": 47812, "Ġvibration": 47813, ".helpers": 47814, "å¤ĸ": 47815, "Ġhen": 47816, "john": 47817, "ĠìĥĿ": 47818, "Ġjudgement": 47819, "Ġgeen": 47820, "terra": 47821, "^{": 47822, "ĠIz": 47823, "Ġcâ": 47824, "instances": 47825, "Ġthreatens": 47826, "Ġmüssen": 47827, "KindOfClass": 47828, "Ġstorytelling": 47829, "_demo": 47830, "rias": 47831, "Privacy": 47832, "hift": 47833, "ĠYi": 47834, "esor": 47835, "íķł": 47836, "ensitivity": 47837, ".Writer": 47838, "à¸Ĥ": 47839, "District": 47840, ".getJSONObject": 47841, "Impro": 47842, "(getResources": 47843, "ĠSPELL": 47844, "roduce": 47845, "Ġslowed": 47846, "Ġlinewidth": 47847, "Ġhonesty": 47848, "ĠCoord": 47849, "ĠFork": 47850, "ĠDispatchQueue": 47851, "ĠCliff": 47852, "ĠWiring": 47853, "_TIMESTAMP": 47854, "ollah": 47855, "avoid": 47856, "++];Ċ": 47857, "semantic": 47858, "-css": 47859, "Ġveto": 47860, "ĠMerr": 47861, "Ġlegislators": 47862, "CEEDED": 47863, "Ġquestionnaire": 47864, "ĠPills": 47865, "Calculate": 47866, "(core": 47867, "'e": 47868, "Ġdislike": 47869, "ĠPreferences": 47870, "_EXTERNAL": 47871, "è°ĥ": 47872, "Ġdodge": 47873, "æľįåĬ¡": 47874, ".names": 47875, ".drawImage": 47876, "_prom": 47877, "uckland": 47878, "Ġ<$>": 47879, "ız": 47880, "/site": 47881, "项": 47882, "rophe": 47883, "Ġcompelled": 47884, "Ġlaptops": 47885, "Ġuni": 47886, "CLOSE": 47887, "Ġcasualties": 47888, "ĠUniform": 47889, "Terminal": 47890, ".\",\"": 47891, "DAT": 47892, "(TreeNode": 47893, "ĠGandhi": 47894, "(stmt": 47895, "AXB": 47896, "*M": 47897, "Ġumbrella": 47898, "animal": 47899, "Ġgrpc": 47900, "Ġwhereby": 47901, "Ġfloats": 47902, "ĉarg": 47903, "Ġdbg": 47904, "Ġexceeding": 47905, "EventType": 47906, ".SaveChangesAsync": 47907, "Ġ{{{": 47908, "Ġowed": 47909, "ahrenheit": 47910, "Ġì§": 47911, "Ġequipo": 47912, "urai": 47913, "Ġidol": 47914, "]\")Ċ": 47915, "_major": 47916, "Ġentirety": 47917, "ingerprint": 47918, "ços": 47919, "/account": 47920, "ĉright": 47921, "ursos": 47922, "ĠEDT": 47923, "_INSERT": 47924, "Ġshining": 47925, "Ġ<:": 47926, "EdgeInsets": 47927, "Ġcolonies": 47928, ".IM": 47929, "ĉĠĉ": 47930, "ROAD": 47931, "CCCC": 47932, "placing": 47933, "ĠgetActivity": 47934, "emacs": 47935, "'%(": 47936, ".clicked": 47937, "ĠThem": 47938, "isia": 47939, "Buscar": 47940, ".rename": 47941, "Ġoath": 47942, "Ġafterward": 47943, "ĠUFO": 47944, "APS": 47945, "ĠJacksonville": 47946, ".some": 47947, "Confirmed": 47948, ".scan": 47949, "igInteger": 47950, "Decorator": 47951, "shield": 47952, "ressive": 47953, ".did": 47954, "请è¾ĵåħ¥": 47955, "Ġshutter": 47956, "Dam": 47957, "Ġparenting": 47958, "eyed": 47959, "$item": 47960, "-develop": 47961, "Ġextracts": 47962, "Ġdecentralized": 47963, "ĠElsa": 47964, "_spin": 47965, "])+": 47966, "-initial": 47967, "Ġmultitude": 47968, "Ġsensory": 47969, "ĠMODEL": 47970, "Ġsafeguard": 47971, "ì¹": 47972, "Ġhunters": 47973, "ĠTiny": 47974, "INO": 47975, "decorate": 47976, "ĠNoSuch": 47977, "Ho": 47978, "(Response": 47979, "Ġruler": 47980, "ĉshort": 47981, "Ġcaster": 47982, "ĠclientId": 47983, "Ġpdb": 47984, "ëıĦ": 47985, "itic": 47986, "ĠGameState": 47987, "ĠnewItem": 47988, ")ĊĊĊĊĊĊ": 47989, "ouis": 47990, "noc": 47991, ".BLACK": 47992, "_VECTOR": 47993, "----------();": 48281, ".getP": 48282, "anye": 48283, "Ġneuron": 48284, "ifold": 48285, "ĠKnown": 48286, "Bitcoin": 48287, "Anyway": 48288, "ayette": 48289, "Ġ'['": 48290, "Ãłnh": 48291, "mgr": 48292, "Ġcorrelated": 48293, "Ġnause": 48294, "Ġmentality": 48295, "hasMany": 48296, "ĠFG": 48297, "ampie": 48298, "ITU": 48299, "Fs": 48300, ".Sp": 48301, "_between": 48302, "Dependencies": 48303, "oug": 48304, "Placeholder": 48305, "=text": 48306, "ĠManaging": 48307, "ocalypse": 48308, "åĮĹ": 48309, "_mag": 48310, "fld": 48311, "âij": 48312, "CAM": 48313, "ĠHelpers": 48314, "Ġdost": 48315, "/out": 48316, "Ġassassination": 48317, ".getImage": 48318, "ĠKenny": 48319, ".')ĊĊ": 48320, "){//": 48321, "ĠRanger": 48322, "Ġgek": 48323, "Ġsincere": 48324, "čĊ": 48527, ".getResources": 48528, "Ġlump": 48529, "_consts": 48530, "(ext": 48531, "ĉdir": 48532, "âĿ": 48533, "ĠpaddingTop": 48534, "Ġobsession": 48535, "Ġbanning": 48536, "ĠAppModule": 48537, "Ġpartisan": 48538, "Ġcatalogue": 48539, "Ġminors": 48540, "Ġpitches": 48541, "weep": 48542, "Ġundertake": 48543, "Ġthemed": 48544, "audit": 48545, ".scrollTop": 48546, "Ġrer": 48547, "Ġsymptom": 48548, "Ġopenings": 48549, ".blocks": 48550, "openid": 48551, "Ġassh": 48552, "-save": 48553, "ĠPig": 48554, "Ġregain": 48555, "Ġinicial": 48556, "/favicon": 48557, "ĉexp": 48558, "Ġspices": 48559, "iska": 48560, "claims": 48561, "mak": 48562, "definitions": 48563, "Ġcorrespondent": 48564, "ĠCannabis": 48565, "__,Ċ": 48566, "ĠLucky": 48567, "ĠGaussian": 48568, "ĠNearly": 48569, "CAD": 48570, "']]Ċ": 48571, "Ġadequately": 48572, "ĠTITLE": 48573, "constitutional": 48574, "-mm": 48575, "_override": 48576, "Ġblas": 48577, ".readyState": 48578, "Ġreminis": 48579, "Ġreinforced": 48580, "ĠCollabor": 48581, "Ġdecorating": 48582, "Ġbachelor": 48583, "ERRUPT": 48584, "Ġupright": 48585, "ipation": 48586, "ĠNoble": 48587, "ĠvalueForKey": 48588, "ĠsetLoading": 48589, ".Ignore": 48590, "åģ": 48591, "Globals": 48592, "ĠMent": 48593, "ASSES": 48594, "Ġlimbs": 48595, "ĠHUD": 48596, "inci": 48597, ".iv": 48598, "ĠQModelIndex": 48599, "Fuse": 48600, "Ġpedal": 48601, "_FREQ": 48602, "(verbose": 48603, "Ġlongitud": 48604, "ĠCharter": 48605, "ê·¸": 48606, "Ġbundles": 48607, ".ignore": 48608, "umbo": 48609, "EMA": 48610, ".......": 48611, "sx": 48612, ".Card": 48613, "Ġheute": 48614, "Ġsteer": 48615, "jumlah": 48616, "Ġ{_": 48617, "_Checked": 48618, "Ġfax": 48619, "ĠGust": 48620, "itchens": 48621, "Ġ))ĊĊ": 48622, "Ġremarkably": 48623, "/XML": 48624, "-remove": 48625, "_bt": 48626, "Ġincub": 48627, ".package": 48628, ".currentThread": 48629, "ĠHighlander": 48630, ".side": 48631, "splash": 48632, "Ġici": 48633, "=D": 48634, "Ġpuck": 48635, "Ġballots": 48636, "Ġhugely": 48637, "coeff": 48638, "ĠpData": 48639, ".COLUMN": 48640, "ĠHealing": 48641, "Ġordin": 48642, "!),": 48643, "Ġ'',čĊ": 48644, "(md": 48645, "ĠSask": 48646, "čĊ": 48668, "Ġrá": 48669, "Ġblunt": 48670, "ĠImageIcon": 48671, "ifik": 48672, "RTC": 48673, "Ġfibers": 48674, "Ġtoile": 48675, ".sent": 48676, "ĠPyQt": 48677, "$app": 48678, "Ġmedio": 48679, "Ġgranting": 48680, "Ġtslint": 48681, "ĠMö": 48682, "(figsize": 48683, "Ġhurricane": 48684, "Ġlifes": 48685, "ĠÃĦ": 48686, "rocessing": 48687, "_standard": 48688, "-option": 48689, "')))": 48690, "Ġvacant": 48691, "å·¥": 48692, "ĠHollow": 48693, "handleChange": 48694, "Ġdivider": 48695, "ĠEngineers": 48696, "Ġsvens": 48697, "Ġcompliant": 48698, "tanggal": 48699, "ĠCredits": 48700, "ĠEmirates": 48701, "RuleContext": 48702, "Ġrealization": 48703, "Ġdistracted": 48704, "]+=": 48705, "Ġaugment": 48706, "ĠDw": 48707, "otp": 48708, "orrent": 48709, "Editar": 48710, ".stock": 48711, "Study": 48712, "pections": 48713, "ĠGameManager": 48714, "=cut": 48715, "Ġflock": 48716, "ĠRomans": 48717, "them": 48718, "-hop": 48719, "Ġscreenshots": 48720, "Ġ/*!Ċ": 48721, "Ġconversions": 48722, "Ġnormalization": 48723, "(configuration": 48724, "Ġaeros": 48725, "_security": 48726, "!'Ċ": 48727, "Bonus": 48728, "ĠDRIVER": 48729, "ĉDate": 48730, "tie": 48731, "ĠWyoming": 48732, "Stand": 48733, "itre": 48734, "Ġshoppers": 48735, "Ġdisadvantage": 48736, "Ġliking": 48737, "ç¬ij": 48738, "Ġunderstandable": 48739, "SEE": 48740, "Ġhoy": 48741, "Ġninete": 48742, "Ġconfer": 48743, "Ġnowrap": 48744, "ĠVern": 48745, ",čĊčĊ": 48746, "imestep": 48747, "LayoutManager": 48748, "à·": 48749, "ĉwait": 48750, "PLETED": 48751, "Japan": 48752, "Ġinduce": 48753, "Ġå¯": 48754, "озв": 48755, "_ENDPOINT": 48756, ".horizontal": 48757, "Ġaccelerated": 48758, "rimon": 48759, "IVES": 48760, "Transactions": 48761, "Lean": 48762, "ĠSOUR": 48763, "whether": 48764, "yg": 48765, "Ġoid": 48766, "ĠEntityManager": 48767, "OUNTRY": 48768, "Ġfila": 48769, "OLUMNS": 48770, "INUE": 48771, "ĠAnchor": 48772, "TRAN": 48773, "woo": 48774, "blockquote": 48775, "ĠNurse": 48776, "ĠCarp": 48777, "Ġredeem": 48778, ".try": 48779, "ĠJP": 48780, "Ġtimestamps": 48781, "Ġ?>\"><": 48782, "ĠREMOVE": 48783, "ĠStarbucks": 48784, "Really": 48785, "Ġflooded": 48786, ".Callback": 48787, "DropDown": 48788, "ipro": 48789, "Ġtended": 48790, "lte": 48791, "Ġproportions": 48792, "-te": 48793, "ĠRena": 48794, "licate": 48795, "forces": 48796, ".extra": 48797, ".authenticate": 48798, "вод": 48799, "¡°": 48800, "ĠforControlEvents": 48801, "Ġsenha": 48802, "Ġkein": 48803, "Ġminist": 48804, "ĠPreference": 48805, "ĠTelegraph": 48806, "Ñĥп": 48807, "strpos": 48808, "Ġillnesses": 48809, "Ġpigs": 48810, "ĠgetIntent": 48811, "Sol": 48812, "Ġ¡": 48813, "(cpu": 48814, "[prop": 48815, "screens": 48816, "');?>": 48817, "ĠActs": 48818, "Ġstrdup": 48819, "Ġaverages": 48820, "anal": 48821, "ĠCasual": 48822, "GroupBox": 48823, "ĠHandbook": 48824, "/comments": 48825, "Ġnumbered": 48826, "Ġbroadcasting": 48827, "çĽij": 48828, ".nativeElement": 48829, ".mu": 48830, "ĠupdatedAt": 48831, "ĠDoesn": 48832, ".AC": 48833, ".coll": 48834, "Ġrecorder": 48835, "_sha": 48836, "Bg": 48837, "bil": 48838, "Ġbolts": 48839, "Ġç¬": 48840, "Ġimposing": 48841, "ĠInformationen": 48842, "_flashdata": 48843, "economic": 48844, "Remark": 48845, "ucas": 48846, "ĠOfficers": 48847, "ĠTER": 48848, "Walk": 48849, "Ġmercado": 48850, "_generate": 48851, "HY": 48852, "Calling": 48853, "snap": 48854, "scriptId": 48855, ".operation": 48856, "ĠFlame": 48857, "liness": 48858, "Ġrented": 48859, "_toggle": 48860, "-changing": 48861, "ĠTY": 48862, "'util": 48863, "EEP": 48864, "Ġgraphql": 48865, "ĠUni": 48866, "Ġimpulse": 48867, ".Basic": 48868, "Ġenergies": 48869, "MARY": 48870, "ĠMarcel": 48871, "Ġmortal": 48872, "Ġfres": 48873, "mens": 48874, "motion": 48875, "Ġsampled": 48876, "âĢľThat": 48877, "iday": 48878, "quipment": 48879, "getInt": 48880, "ĠAbsolute": 48881, ",'\"": 48882, "uned": 48883, ".share": 48884, "Ġ})(": 48885, "mmm": 48886, "ĠRising": 48887, "ä»»": 48888, "Ġunemployed": 48889, "xfa": 48890, ".follow": 48891, "ĉĉĉĉĠĠĠĠĠĠ": 48892, "slt": 48893, ".Phone": 48894, "Ġknives": 48895, "Ġeve": 48896, "onClick": 48897, "]))čĊ": 48898, "ĠWitness": 48899, "ĉNS": 48900, "ĠEOS": 48901, "ĠStefan": 48902, "ĠPriest": 48903, "âĢĶwhich": 48904, "GetString": 48905, ".By": 48906, "Ġupstairs": 48907, "Ġdetriment": 48908, "broken": 48909, "embro": 48910, "Ġnicotine": 48911, "ilion": 48912, "Ġastonishing": 48913, "_aff": 48914, "ĠLesson": 48915, "Ġaccidental": 48916, "odor": 48917, "Ġdecir": 48918, "ĠnewName": 48919, "+.": 48920, "缸": 48921, "igslist": 48922, "ĠGithub": 48923, "Ġsuccessive": 48924, "racial": 48925, "Ġenviron": 48926, "éªĮè¯ģ": 48927, "Ġredirected": 48928, "TOTAL": 48929, "Ġgrabbing": 48930, "ĠLance": 48931, "Ġforfe": 48932, "_CB": 48933, "å¾®": 48934, "Elapsed": 48935, "_way": 48936, "(DialogInterface": 48937, "_measure": 48938, "xbb": 48939, "Dog": 48940, "Depart": 48941, "-src": 48942, "resolver": 48943, "withstanding": 48944, "_shell": 48945, "ĠLastName": 48946, "ĠAviation": 48947, "Ġbeginner": 48948, "(\"%.": 48949, "(tool": 48950, "Ġнов": 48951, ":init": 48952, "(API": 48953, "ĠMorrison": 48954, "vtColor": 48955, "Ġstaple": 48956, "/INFO": 48957, "Ġsupernatural": 48958, "Ġsteak": 48959, "timeline": 48960, "zzle": 48961, "\"`ĊĊ": 48962, "Secondary": 48963, "ĠNepal": 48964, ".StringUtils": 48965, "Ġadam": 48966, "Ġ(...": 48967, "Ġsubstitution": 48968, "Ġboarding": 48969, "ĠKeyword": 48970, "ĠAssault": 48971, "dbcTemplate": 48972, "ĠorderId": 48973, "(engine": 48974, ".assertThat": 48975, "ĠVenus": 48976, "Ġhomicide": 48977, "ĠAval": 48978, "Ġgutter": 48979, "ĠSupported": 48980, "/part": 48981, "Ġacclaimed": 48982, "Histor": 48983, "Ġmeses": 48984, "über": 48985, "ĠRenew": 48986, "Ġgras": 48987, "ĠEk": 48988, "Ġinfile": 48989, "indy": 48990, ".music": 48991, ".Scroll": 48992, "ĠAges": 48993, "ĠNaruto": 48994, "ĠGather": 48995, "Ġconfirming": 48996, "=(\"": 48997, "Ġpitched": 48998, "oley": 48999, "France": 49000, "+'\"": 49001, "$total": 49002, "Ġonde": 49003, "Ġditch": 49004, "_sigma": 49005, "Ġcontinuity": 49006, "reward": 49007, "-load": 49008, "Ġproceso": 49009, "Locked": 49010, "staw": 49011, "Ġspinal": 49012, "lazy": 49013, "!==": 49014, "jest": 49015, "Ġdun": 49016, "ĠRodgers": 49017, "ĉgrid": 49018, "Ġlogos": 49019, "ĠBengal": 49020, ".super": 49021, "Provides": 49022, "Ġnutrient": 49023, ".Timestamp": 49024, "IZATION": 49025, "åĨĮ": 49026, "Ġfats": 49027, "ĠXxx": 49028, "ctica": 49029, "Targets": 49030, "Ġcontours": 49031, "Ġreordered": 49032, ":Array": 49033, "Ġtolerate": 49034, "Vir": 49035, "Ġterribly": 49036, "Ġbricks": 49037, "(&_": 49038, "hb": 49039, "Portal": 49040, "ĠBread": 49041, ".which": 49042, "ÂŃt": 49043, "asInstanceOf": 49044, "Ġjobject": 49045, "ĉlength": 49046, "_MT": 49047, ";\">čĊ": 49048, "_EXIST": 49049, "Ġmaternal": 49050, "REL": 49051, "Ġê²½ìļ°": 49052, "hee": 49053, "Ġlayouts": 49054, "ĠLap": 49055, "aisy": 49056, "Ġstumbled": 49057, "ĠUIG": 49058, "ĠSco": 49059, "Ġimpaired": 49060, "RESSED": 49061, "Ġabuses": 49062, "VF": 49063, "ARB": 49064, ".NAME": 49065, "rch": 49066, "primir": 49067, "_completed": 49068, "Ġpenny": 49069, "Chrome": 49070, "(begin": 49071, "ernen": 49072, "-checkbox": 49073, "PlainOldData": 49074, "ĠLPC": 49075, "rade": 49076, "spir": 49077, "Ġconceived": 49078, "Tips": 49079, "ĠIoT": 49080, "ĠGan": 49081, "èģĶ": 49082, "Ġbiases": 49083, "Ġconsultants": 49084, "pled": 49085, "_ht": 49086, "associated": 49087, "],ĊĊ": 49088, "Ġdelightful": 49089, "ĠÑĤек": 49090, "Helvetica": 49091, "(load": 49092, "-expand": 49093, "_WIDGET": 49094, "toa": 49095, "ĠAkt": 49096, "Ġomn": 49097, "Ġclauses": 49098, "Intel": 49099, "*/}Ċ": 49100, "_registration": 49101, "ĠoldValue": 49102, "Ġrestoring": 49103, "Ġunreal": 49104, "OVER": 49105, "ĉĊĉĊĉĊ": 49106, "ATS": 49107, "_probe": 49108, "Ġdivisor": 49109, ".updateDynamic": 49110, "å¹³": 49111, "Produces": 49112, "stamp": 49113, ".jboss": 49114, "ĉtask": 49115, "!(:": 49116, "Ġpsychic": 49117, "@class": 49118, "Martin": 49119, "ĠPassed": 49120, "clarations": 49121, "hel": 49122, "аÑĩ": 49123, "ĉcopy": 49124, "-bin": 49125, "zan": 49126, "igram": 49127, "াà¦": 49128, "(sig": 49129, "ĠCaval": 49130, "_##": 49131, "Ġ%=": 49132, "outlined": 49133, "ĠAcid": 49134, "Ġunpredictable": 49135, "-dashboard": 49136, "HexString": 49137, "+c": 49138, ".Public": 49139, "ẩ": 49140, "Ġconveyor": 49141, "ĠEB": 49142, "Ġselects": 49143, "Ġknocking": 49144, "ĠCec": 49145, "IBUTES": 49146, "owaÄĩ": 49147, "gatsby": 49148, "*v": 49149, "entropy": 49150, "Ġdispatched": 49151, "Ġcamel": 49152, "ĠSaturn": 49153, "Ġoverweight": 49154, "(phone": 49155, "parable": 49156, "%B": 49157, "_vectors": 49158, "Ġbrewing": 49159, "ĠTk": 49160, "ĠDownloads": 49161, "ĠSaved": 49162, ".Price": 49163, "Ġcurved": 49164, "ĠParenthood": 49165, "è¶": 49166, ".pnl": 49167, "pletely": 49168, ".Day": 49169, "Ġadvertisers": 49170, "Ġejec": 49171, "Ġprzed": 49172, "ë¯": 49173, "!';Ċ": 49174, "ĠKush": 49175, "ĠTAB": 49176, "Ġquests": 49177, "Ġcoincidence": 49178, "ummies": 49179, "ĠKashmir": 49180, "ĠEthics": 49181, "_growth": 49182, "Ġaktiv": 49183, "Ġgrouping": 49184, "å¢ŀ": 49185, "_truth": 49186, "åIJ¬": 49187, "todos": 49188, "iset": 49189, "TexCoord": 49190, "ätt": 49191, "ĠZur": 49192, "roys": 49193, "_MAGIC": 49194, "Ġbrewery": 49195, "(State": 49196, "ĠSMALL": 49197, "ĠPlants": 49198, "itbart": 49199, "eacher": 49200, "ĠAdelaide": 49201, "Lu": 49202, "Ġfick": 49203, "undles": 49204, "_loaded": 49205, "ие": 49206, "Poll": 49207, "ritic": 49208, "ELY": 49209, "Ġ+'": 49210, "ĠProfession": 49211, "Ġstamps": 49212, "ĠSew": 49213, "scrollView": 49214, "Ġcommunist": 49215, "/problems": 49216, "}čĊčĊčĊčĊ": 49217, ",o": 49218, "Ġudp": 49219, "Ġobese": 49220, "approve": 49221, "ancellation": 49222, "_Game": 49223, "ĠHashtable": 49224, "adaptiveStyles": 49225, "Ġpossesses": 49226, ".matcher": 49227, "functional": 49228, "Mrs": 49229, "ĉsave": 49230, "ĠDbType": 49231, "Ġken": 49232, "getContext": 49233, "Ġmans": 49234, "(rel": 49235, "ĠBrotherhood": 49236, ")`Ċ": 49237, "解": 49238, ".Information": 49239, "OutOfRangeException": 49240, "ĠSek": 49241, "Cas": 49242, "Ġbloggers": 49243, "Either": 49244, "(\"\"\"": 49245, "Ġpinch": 49246, "Ġcoarse": 49247, ")p": 49248, "ĠPulse": 49249, "Ġlearnt": 49250, "Ġdentist": 49251, "Ġonchange": 49252, "Ġdirectives": 49253, "(actions": 49254, "nyder": 49255, "ĠShir": 49256, "Trait": 49257, "_dep": 49258, "ĠPET": 49259, "ĠREP": 49260, ".AppSettings": 49261, "cuador": 49262, "idenav": 49263, "Ġenvi": 49264, "Ġslammed": 49265, "ĠShoot": 49266, "ĠdateFormat": 49267, ".joda": 49268, "veys": 49269, "Ġ).ĊĊ": 49270, "Ġcareg": 49271, "ĠParallel": 49272, "_translation": 49273, ".functions": 49274, ".obs": 49275, "RuntimeException": 49276, "[]=": 49277, "overview": 49278, "ĠSchl": 49279, "Ġnoisy": 49280, "ĠOnPropertyChanged": 49281, "Sending": 49282, "Ġunfamiliar": 49283, "Upon": 49284, "ĠPrints": 49285, ".typ": 49286, "Ġfleeing": 49287, "ĉmove": 49288, "(Un": 49289, "Ġqr": 49290, "׾": 49291, "_beta": 49292, "Ġskies": 49293, "ĉme": 49294, "WND": 49295, "Ġstickers": 49296, "blas": 49297, "Ġinserts": 49298, "Ġverses": 49299, "ĠDew": 49300, "Ġtangible": 49301, "Ġhecho": 49302, "POL": 49303, "Ġteardown": 49304, "omnia": 49305, "IBE": 49306, ".cover": 49307, "_strategy": 49308, "^-": 49309, "setPosition": 49310, "uale": 49311, "Signed": 49312, "Ġiface": 49313, "aseline": 49314, ".setTime": 49315, "ĠMineral": 49316, "ĠFighting": 49317, "skins": 49318, "Ġdiscrimin": 49319, "Ġdansk": 49320, "ĠPrinceton": 49321, "acist": 49322, "Ġ());Ċ": 49323, "tracks": 49324, "imonial": 49325, "adecimal": 49326, "EPROM": 49327, "uggle": 49328, ".Notification": 49329, "$mail": 49330, "cantidad": 49331, "ĠJung": 49332, "Ġseekers": 49333, "Ġplausible": 49334, "tier": 49335, "еж": 49336, "Ġrapper": 49337, "ĠMana": 49338, "ĠHttpStatusCode": 49339, "Ġburnt": 49340, "loses": 49341, "ĠFoto": 49342, "ĠJsonObject": 49343, "Instagram": 49344, "Ġsyscall": 49345, "Ġrealities": 49346, "ĠMATLAB": 49347, ":^{Ċ": 49348, "TERM": 49349, "ĠCbd": 49350, "ĠParagraph": 49351, "Ġtravés": 49352, "Ġconstructing": 49353, "Ġswal": 49354, "Ġpige": 49355, "LLLL": 49356, "-existing": 49357, "Gets": 49358, "Ġmelted": 49359, "Ġmitigate": 49360, "Hen": 49361, "Ġhm": 49362, "imas": 49363, "ĠAo": 49364, "ĠPerez": 49365, "ĠDAL": 49366, "Ġëĭ¤": 49367, "Ġdivis": 49368, "StoryboardSegue": 49369, "ĠModify": 49370, "ĠÃľber": 49371, "_OVERRIDE": 49372, ".pem": 49373, "untos": 49374, "Ġespañ": 49375, "Ġ{?": 49376, "ĠPAY": 49377, "_ipv": 49378, "ĠFury": 49379, "__.__": 49380, "elow": 49381, "-centered": 49382, "checks": 49383, "_Reg": 49384, "-Javadoc": 49385, "ĉload": 49386, "ĠLikewise": 49387, "اÙħ": 49388, "UNE": 49389, ".sem": 49390, "xcb": 49391, "ĠCave": 49392, "_sleep": 49393, "Ġsilently": 49394, "ĠExtreme": 49395, ".ToUpper": 49396, "ĉCHECK": 49397, "Ġcue": 49398, "ĠQByteArray": 49399, "Ġcorrupted": 49400, "ĠDé": 49401, "Ġimped": 49402, "GetName": 49403, "Ġinaccurate": 49404, "Ġsober": 49405, "ее": 49406, "Ġbarcode": 49407, "--){Ċ": 49408, "inki": 49409, "Ġép": 49410, "Ġdri": 49411, "ĠALT": 49412, ">>>>>>>>": 49413, "onta": 49414, "[L": 49415, "Ġinteres": 49416, "verting": 49417, "Ġdiagnostics": 49418, "pdev": 49419, "è©": 49420, "ĠIntegrated": 49421, ").'": 49422, "_gc": 49423, "$text": 49424, ".games": 49425, "ĠTerra": 49426, "'Re": 49427, ".transfer": 49428, "_FIFO": 49429, "getModel": 49430, "Ġbland": 49431, "ĠColeman": 49432, "Ġprimes": 49433, "ĠæĪ": 49434, "Ġcrosses": 49435, "nk": 49436, "GING": 49437, "Ġ'^": 49438, "ĠBlob": 49439, "Ġintercourse": 49440, "ĠBlvd": 49441, "Ġweighs": 49442, "_regular": 49443, "ĠPerth": 49444, "Ġseparating": 49445, "Ġbilled": 49446, ".tabControl": 49447, "Ġpuppet": 49448, "Ġutilization": 49449, "Ġâĸł": 49450, "Ġsucces": 49451, "Ġlamps": 49452, "_proj": 49453, "Eric": 49454, "Ġrenovation": 49455, "ĠFamilies": 49456, "ĠBits": 49457, "partials": 49458, "-Men": 49459, "solution": 49460, "Ġdwarf": 49461, ".INTEGER": 49462, "ĠLOCK": 49463, ".ct": 49464, "Ġexcerpt": 49465, "ĠPix": 49466, "ĠFirstName": 49467, "ANTED": 49468, "ĠAdmir": 49469, "-help": 49470, "Prior": 49471, "ĠAlign": 49472, ".INSTANCE": 49473, "LineEdit": 49474, "('/:": 49475, "Ġinet": 49476, "odus": 49477, ".pkl": 49478, "ĠKY": 49479, "upert": 49480, "Ġnerves": 49481, "_gradient": 49482, "}','": 49483, "_unref": 49484, "Ġsaturated": 49485, "ĠConnected": 49486, "ĠFN": 49487, "EXIT": 49488, "Ġteleport": 49489, "Ġavait": 49490, "PageRoute": 49491, "Ġdivorced": 49492, "(lang": 49493, "fst": 49494, "ĠTyr": 49495, "Ġmessenger": 49496, "ifstream": 49497, "XS": 49498, "ĠBanking": 49499, "Ġinfectious": 49500, "ĠMons": 49501, "_LOOP": 49502, "Ġzurück": 49503, "Ġobtener": 49504, "/repos": 49505, "Vel": 49506, "acro": 49507, "ĠuserRepository": 49508, "styleType": 49509, "ĠSRC": 49510, "VMLINUX": 49511, "recursive": 49512, "/bar": 49513, "_chip": 49514, "ominated": 49515, "ĠNit": 49516, "âĢĶto": 49517, "ĠBuddh": 49518, "омеÑĢ": 49519, "ĠMAG": 49520, "ĠCHE": 49521, "_den": 49522, ".raises": 49523, "_degree": 49524, "Ġpumpkin": 49525, "_templates": 49526, "_MEDIA": 49527, "ĠTimeline": 49528, "Ġbots": 49529, "ObjectType": 49530, "Ġbuys": 49531, ".posts": 49532, "CAL": 49533, "waiting": 49534, "ĠDaniels": 49535, "Ġdabei": 49536, "ĠSigma": 49537, "ilor": 49538, "igel": 49539, ",W": 49540, "ADS": 49541, "(panel": 49542, "ì²´": 49543, "itating": 49544, ".palette": 49545, "Ġmosquito": 49546, "Ġtego": 49547, "(parseInt": 49548, "Ġdespués": 49549, "promise": 49550, "Ġwij": 49551, "typescript": 49552, "ĠTv": 49553, "_IDENTIFIER": 49554, ").ĊĊĊ": 49555, "_flat": 49556, "itsu": 49557, "USR": 49558, "experience": 49559, "-fit": 49560, "phinx": 49561, "_thresh": 49562, "Ġideally": 49563, "ĠFreeman": 49564, ",DB": 49565, "_rw": 49566, "çŃī": 49567, "Ub": 49568, "_statistics": 49569, "=\"\"><": 49570, "Ġchore": 49571, "Ġyork": 49572, "installed": 49573, "Additionally": 49574, "Ġpstmt": 49575, "ylko": 49576, "::Ċ": 49577, "Forest": 49578, "Ġheadset": 49579, "Ġgallon": 49580, "ÑĢем": 49581, "Ġwithdrawn": 49582, "ĠCandidate": 49583, "Ġmelting": 49584, "Ġfreezer": 49585, "Ġhl": 49586, "_HELP": 49587, "mime": 49588, "(/*": 49589, "Ġthirst": 49590, "$return": 49591, "memberof": 49592, "еб": 49593, "ĠHttpServletRequest": 49594, "(ob": 49595, "_Result": 49596, "Ġasserted": 49597, "Ġfulfilling": 49598, "Ġstretches": 49599, "parated": 49600, "-funded": 49601, "ĠåĽ": 49602, "ingles": 49603, "_ca": 49604, ".condition": 49605, "ĠDisplays": 49606, "Ġorang": 49607, "ĠCRE": 49608, "ĠglBind": 49609, "ĠSelector": 49610, "/type": 49611, "ĠAlexa": 49612, "chedules": 49613, "ĠPeninsula": 49614, "Ġparity": 49615, "ĉdest": 49616, "ĠDoors": 49617, "čĊĉčĊ": 49618, "_dimension": 49619, "Ġaload": 49620, ".StoredProcedure": 49621, "(paren": 49622, "ĠBurke": 49623, "')]Ċ": 49624, "-engine": 49625, "Ġquir": 49626, "ĠHybrid": 49627, "ĠDoe": 49628, "Ġoutlines": 49629, "ĠTrends": 49630, "_NV": 49631, "periments": 49632, "ĠHin": 49633, "?',": 49634, "ĉText": 49635, "FUL": 49636, "Ġsmells": 49637, "Ġslick": 49638, "Ġmiserable": 49639, "ĠArrayAdapter": 49640, "ĠparamString": 49641, "Hom": 49642, "_literals": 49643, "usuarios": 49644, "Ġprompting": 49645, "_lazy": 49646, "ĠActivation": 49647, "_oc": 49648, "Weak": 49649, "Ġanecd": 49650, "ĠUCLA": 49651, "=re": 49652, "issement": 49653, "ĠEscorts": 49654, "Excellent": 49655, "ĠPause": 49656, "Ġrepositories": 49657, "TOR": 49658, "ariate": 49659, "_iso": 49660, "updates": 49661, "halb": 49662, "udiante": 49663, "ë¡Ŀ": 49664, "Ġnaive": 49665, "ĠPeg": 49666, "ĠLounge": 49667, "ARGIN": 49668, "(bin": 49669, "OnClickListener": 49670, "ĠFAILED": 49671, "Ġlite": 49672, "Ġdzie": 49673, "ĠLiteral": 49674, "ivor": 49675, "fcntl": 49676, "Ġeats": 49677, "Ġqed": 49678, "Unlock": 49679, "riding": 49680, "undai": 49681, "=M": 49682, "ATTER": 49683, "ConfigureAwait": 49684, "icias": 49685, "ustomed": 49686, "Ġsuccession": 49687, "endTime": 49688, "ĠJupiter": 49689, "Ġjudging": 49690, "dration": 49691, "_docs": 49692, ".mo": 49693, "Ġeducators": 49694, "ĠVine": 49695, "Cond": 49696, "[out": 49697, "qb": 49698, "\\Validator": 49699, "Ġmeanings": 49700, "Ġpresently": 49701, "Ġdividing": 49702, "ottenham": 49703, "ascular": 49704, "Ġtrailers": 49705, "ĠCLOSE": 49706, "ами": 49707, "âĢĻai": 49708, "ĠGain": 49709, "wor": 49710, "Ġplanner": 49711, "Ġdistributing": 49712, "vat": 49713, "months": 49714, "xlabel": 49715, "HF": 49716, "Viol": 49717, ".BASELINE": 49718, "еÑĤÑģÑı": 49719, "ĠRotate": 49720, "Ġtxn": 49721, ":bold": 49722, "Ġbloss": 49723, "Forgery": 49724, "(embed": 49725, "Ġjako": 49726, "sprintf": 49727, "their": 49728, "Ġexhibits": 49729, "-static": 49730, "hecy": 49731, "getActiveSheet": 49732, ".clients": 49733, "ãģį": 49734, "_hide": 49735, "[word": 49736, "Cb": 49737, "addItem": 49738, "axe": 49739, "_radio": 49740, "alion": 49741, "modifier": 49742, "Ġsaturation": 49743, "Ġdenom": 49744, "_pixels": 49745, "mess": 49746, "(fl": 49747, "atif": 49748, "Ġsecs": 49749, "Ġprostitution": 49750, "Ġgrandchildren": 49751, "Ġparadise": 49752, "ĠFeld": 49753, "_BINARY": 49754, "itous": 49755, "à¹Ħ": 49756, "Ġflashing": 49757, "-sided": 49758, "Ġcontradiction": 49759, "/*ĊĊ": 49760, "ylabel": 49761, "ĠTet": 49762, "Ġadmire": 49763, "reso": 49764, "Ġletz": 49765, "ĠSEARCH": 49766, "slots": 49767, "ĠRewards": 49768, "ĠHog": 49769, "ĠNSData": 49770, "stash": 49771, "Fall": 49772, "ĠAmer": 49773, "LinearLayout": 49774, "/photos": 49775, "Ġfeather": 49776, "Ġ|čĊ": 49777, "Downloads": 49778, ".StartsWith": 49779, "Ġ//#": 49780, "ineTransform": 49781, "Ġaffid": 49782, "Vtbl": 49783, "ĠRogue": 49784, "scribed": 49785, "Ġfauc": 49786, "ĠMonroe": 49787, "Ġdeclares": 49788, "modern": 49789, "reon": 49790, "aybe": 49791, "PASS": 49792, "fers": 49793, "_MULTI": 49794, "ĠMathematics": 49795, "Ġsudah": 49796, "_ATTACH": 49797, "ĠnumberWith": 49798, "ĠSolomon": 49799, "jin": 49800, "ografia": 49801, "öl": 49802, "_design": 49803, "culated": 49804, "ĠLuna": 49805, "iesz": 49806, "Ġ=>'": 49807, "Ġrevelations": 49808, "Along": 49809, "(ed": 49810, "ĠFilename": 49811, "Ġylabel": 49812, "Secure": 49813, "Ġbusca": 49814, "agnosis": 49815, "_RECE": 49816, "Ġoverlapping": 49817, "Extent": 49818, "Ġanticipation": 49819, "Checks": 49820, "ĠALSO": 49821, "orc": 49822, "ilingual": 49823, "itational": 49824, "Ġadvancement": 49825, "ouro": 49826, "ĠPredicate": 49827, "å¾Ĺ": 49828, "eria": 49829, "ĠPierce": 49830, "orio": 49831, "Ġmerits": 49832, "Ġpeanut": 49833, ".Package": 49834, "ĠConduct": 49835, "_SENSOR": 49836, "Ġboiling": 49837, "Ġintra": 49838, "ĠIGN": 49839, "ĠFur": 49840, ".Refresh": 49841, "ĠReach": 49842, "_decoder": 49843, ".Exp": 49844, "ĠÑĤак": 49845, "pill": 49846, ",Q": 49847, "ĠGrill": 49848, "Ġpopping": 49849, ".Ag": 49850, "Ġproyecto": 49851, "Ġmileage": 49852, "Ġecological": 49853, "]]);Ċ": 49854, "ĠÂŃ": 49855, "subplot": 49856, "acad": 49857, "ĠTrying": 49858, "recipes": 49859, "$criteria": 49860, "ĠPersian": 49861, "-bound": 49862, "MASK": 49863, "ĠGesture": 49864, "Ġkk": 49865, "ĠPVC": 49866, "Ġprohibition": 49867, "Ġcomando": 49868, "ĠLOOK": 49869, "Shopping": 49870, "Ġdistortion": 49871, "čĊ": 49917, ".Dependency": 49918, ".QueryString": 49919, ".Owner": 49920, "Ġexpiry": 49921, "Thu": 49922, "(Vec": 49923, "Ġhazardous": 49924, "Ġrpm": 49925, "APON": 49926, "ĠaddTarget": 49927, "sville": 49928, "pNet": 49929, "ĠImg": 49930, "ĠTIMER": 49931, ".Animation": 49932, "Ġbek": 49933, "Ġassort": 49934, "Ġlebih": 49935, "ĠbodyParser": 49936, "Ġvibrating": 49937, "IDL": 49938, "Ġbutterknife": 49939, "inters": 49940, "Ġpersuade": 49941, "ĠLGBTQ": 49942, "èĭ": 49943, ".soft": 49944, "Ġbeams": 49945, "_sur": 49946, ".Def": 49947, "Ġlabs": 49948, "ĉplt": 49949, "Ġskins": 49950, "Ġtransferring": 49951, "Ġimaginary": 49952, "_End": 49953, ";background": 49954, "Ġlaps": 49955, "_COMMENT": 49956, "(SDL": 49957, "onds": 49958, ".Record": 49959, "ĠImplements": 49960, "_ticks": 49961, "()))ĊĊ": 49962, "Ġarose": 49963, "]?": 49964, "ĠMp": 49965, "ĠICommand": 49966, "Ġsculpture": 49967, "Ġcontracted": 49968, "\">'": 50446, "kinson": 50447, "Ġкол": 50448, "ognitive": 50449, "_li": 50450, "Ġimminent": 50451, "Ġaffinity": 50452, ".signal": 50453, "Ġnotch": 50454, "ĠSteelers": 50455, "maxlength": 50456, "KK": 50457, "ĠEugene": 50458, "_PWM": 50459, "roi": 50460, "ĠâĹı": 50461, "ĠHamburg": 50462, ".Must": 50463, "Ġaxe": 50464, "enef": 50465, "Ġambitions": 50466, "ĠSpecies": 50467, "ĠStress": 50468, "Ġawhile": 50469, "ĠбÑĥд": 50470, "Ġwithstand": 50471, "ĠDecoder": 50472, "_inventory": 50473, "Ġ{ččĊ": 50474, "Ġtgt": 50475, "Ġrailroad": 50476, "WASHINGTON": 50477, "Ġnegotiated": 50478, "NST": 50479, "-phone": 50480, ",U": 50481, "Ġexercising": 50482, "ụ": 50483, "_PIXEL": 50484, "avors": 50485, "iterated": 50486, "Ġvampire": 50487, "adal": 50488, "Ingrese": 50489, "Ġung": 50490, "jective": 50491, ".cells": 50492, "Ġnano": 50493, "Ġmarkdown": 50494, "_RULE": 50495, "(events": 50496, "Ġluggage": 50497, "MESSAGE": 50498, "igkeit": 50499, "$count": 50500, "AttributeName": 50501, "IGINAL": 50502, "_Ent": 50503, "ĠBF": 50504, "ĠCOMMENT": 50505, "_ini": 50506, "ĠEuropeans": 50507, "ĠBelle": 50508, "åij½": 50509, ")['": 50510, "åºĶ": 50511, "ĠUseful": 50512, ".reference": 50513, "()\",": 50514, "_grade": 50515, "ĠKaw": 50516, "Ġsentencing": 50517, "Ġsocialism": 50518, "monster": 50519, "_LAYER": 50520, "Ġdeepest": 50521, "wk": 50522, "ĠNoise": 50523, "###ĊĊ": 50524, "Ġpréc": 50525, "otle": 50526, "ÑĤе": 50527, "auf": 50528, "ibal": 50529, "Ġconquer": 50530, ">Email": 50531, "Ġambulance": 50532, "OAD": 50533, "Ġ(\"%": 50534, "ĠFI": 50535, ".fixture": 50536, "Ġterse": 50537, "ĠĠĠĠĉĉĉĉ": 50538, "Ġsanctuary": 50539, "ugi": 50540, "ĠComparator": 50541, "Definitions": 50542, "Ġasthma": 50543, "Ġlact": 50544, "Ġhardwood": 50545, ".clock": 50546, "Ġattracting": 50547, "ĠMour": 50548, "(distance": 50549, "icits": 50550, "Ġbonne": 50551, "ĠACCESS": 50552, ".DeserializeObject": 50553, "ĠTyped": 50554, "Ġjeu": 50555, "ĠappId": 50556, "ĠClara": 50557, "ĠHF": 50558, "ĠReich": 50559, "ipples": 50560, "//--------------------------------------------------------------------------------": 50561, "_delivery": 50562, "erialization": 50563, "Ġplaintiffs": 50564, "Scient": 50565, "shopping": 50566, "ĠDummy": 50567, "ĠWald": 50568, "GroupName": 50569, "Ġinscription": 50570, "elog": 50571, "::::::::": 50572, "_ld": 50573, "BackPressed": 50574, ".Raw": 50575, "ĠOnTrigger": 50576, "Ġmuseums": 50577, "ĠBeen": 50578, "ĠAdventures": 50579, "Ġslate": 50580, "Ġlett": 50581, "Ġsund": 50582, "ĠGin": 50583, "ĠMechanical": 50584, ".ship": 50585, "AppComponent": 50586, "Ġdestined": 50587, "Ġdwelling": 50588, "Profiler": 50589, "Prepare": 50590, "zeich": 50591, "Ġsilicon": 50592, "(has": 50593, "Ġ#%": 50594, "VIDEO": 50595, "Ġcollaborate": 50596, "Lin": 50597, "Ġscopes": 50598, "(className": 50599, "(sd": 50600, "andin": 50601, ".ham": 50602, "ServiceImpl": 50603, "-described": 50604, "Ġirony": 50605, "stial": 50606, "ĠHuawei": 50607, "(repo": 50608, "Ġunexpectedly": 50609, "ĠKai": 50610, ".install": 50611, "\\xf": 50612, "Ġexhibited": 50613, "_TCP": 50614, "ĠOx": 50615, "_CHO": 50616, "Ġprostituerte": 50617, "Ġvä": 50618, "Ġsito": 50619, "Ġconstituents": 50620, "ĠContinued": 50621, "ĠSAVE": 50622, "rss": 50623, "/message": 50624, "ubes": 50625, "Ġmisdemean": 50626, "Ġtaxation": 50627, "Ġstoryline": 50628, "hair": 50629, "ĠFinds": 50630, "SIG": 50631, "verification": 50632, "~=": 50633, ".hp": 50634, "Iterable": 50635, "Ñĭе": 50636, "atori": 50637, "Ġctr": 50638, "Rx": 50639, "_);ĊĊ": 50640, "dag": 50641, ".pin": 50642, "Ġpseud": 50643, "Ġinvo": 50644, "ÑģÑĤÑĢ": 50645, "_pix": 50646, "为空": 50647, "Ġsworn": 50648, "âĢĶor": 50649, "_registry": 50650, "Ġdisasters": 50651, "ĠROI": 50652, "ĠâĢķ": 50653, "aktu": 50654, "forest": 50655, "beiten": 50656, "âĢĶI": 50657, "ueva": 50658, "egt": 50659, "Ġspikes": 50660, "URES": 50661, "ĠRecommended": 50662, "Ġexploited": 50663, "ĠFrederick": 50664, "_COMPLETE": 50665, "ĠDrugs": 50666, "!!!!!!!!": 50667, "ĠRiv": 50668, "STOP": 50669, "ROOM": 50670, "ĠPASSWORD": 50671, "Cookies": 50672, ".El": 50673, "á»Ń": 50674, "ĠBert": 50675, "Ġhashed": 50676, "icester": 50677, "Ġdecorator": 50678, "ĠqueryString": 50679, ":;Ċ": 50680, "Ġ\"[\"": 50681, "otope": 50682, "-Americ": 50683, "ĠMatthews": 50684, "URAL": 50685, "âĢľ,": 50686, "Summer": 50687, "fos": 50688, "_CONTAINER": 50689, "_ACK": 50690, "Ġfiltr": 50691, "_disp": 50692, "_Re": 50693, "Ġfacile": 50694, "аÑĪ": 50695, "ĠìķĬ": 50696, "Ġeben": 50697, "Ġsprink": 50698, "ĠQuint": 50699, ">V": 50700, "Ġhistorians": 50701, "ourmet": 50702, "ĠMonitoring": 50703, "ledger": 50704, "cott": 50705, "Ġware": 50706, "GGLE": 50707, "cars": 50708, "ĠMEDIATEK": 50709, "Ġvolupt": 50710, "_View": 50711, "HEL": 50712, "(copy": 50713, "(stats": 50714, "Ġchromosome": 50715, "ĠCurtis": 50716, "-conf": 50717, "(asset": 50718, "Ġhvor": 50719, "FileSystem": 50720, "<>();čĊ": 50721, "ocoder": 50722, "ĠCannon": 50723, ")x": 50724, "ĠSmooth": 50725, "ĠSAS": 50726, "_ce": 50727, "ĉprev": 50728, "_movie": 50729, "Ec": 50730, "_wall": 50731, ".ĊĊ": 51278, "ogenesis": 51279, "ĠOPTIONS": 51280, "uptools": 51281, "Ġmilitant": 51282, "Ġexited": 51283, "igar": 51284, "ĠCOMM": 51285, "ĠDisposable": 51286, "aycast": 51287, "Ġrowspan": 51288, "Ġsynthes": 51289, "Ġsondern": 51290, "ĠĊ": 54769, "ĠJacket": 54770, "RATION": 54771, ".getSelectedItem": 54772, "-init": 54773, "ĠRegisters": 54774, "_sep": 54775, "ĠToolkit": 54776, ".dict": 54777, "Ġxlabel": 54778, "\\Table": 54779, "toc": 54780, "_combo": 54781, "ĠCompact": 54782, "Ġrugged": 54783, "à¥ĩà¤": 54784, "-management": 54785, "')}}\">Ċ": 54786, "ĠStamp": 54787, "ıl": 54788, "rox": 54789, "Ġlandscapes": 54790, "_NOTE": 54791, "monary": 54792, "cab": 54793, "Ġmoet": 54794, "xaf": 54795, "rcode": 54796, "-cli": 54797, "_gate": 54798, "[event": 54799, "SPORT": 54800, "gia": 54801, "ĠSUPER": 54802, "/Login": 54803, "_shutdown": 54804, "interrupt": 54805, "Ġpretending": 54806, "Ġfringe": 54807, "ĠReds": 54808, "ĠCUDA": 54809, "ĠUNIX": 54810, "vit": 54811, "Ġbrig": 54812, "drv": 54813, "ĠConnector": 54814, "Therefore": 54815, "Ġlia": 54816, "Detection": 54817, "_actor": 54818, "Ġtempfile": 54819, "Ġeccentric": 54820, "-role": 54821, "Ġpadx": 54822, "dent": 54823, "Western": 54824, "Ġê·¸": 54825, "ĠApplicationRecord": 54826, "Ġcampaigning": 54827, "_runner": 54828, "ĠCivic": 54829, "aleigh": 54830, "Ġdirekt": 54831, ".sul": 54832, "ĠĠĉĉĉ": 54833, "anten": 54834, "Ġissuer": 54835, "Ġassertions": 54836, "(orig": 54837, "ATIO": 54838, "Ġleaned": 54839, "äs": 54840, ".DTO": 54841, "explode": 54842, ".Observable": 54843, "Ġstaggering": 54844, "Ġkidnapped": 54845, "Ġprogrammers": 54846, "ĠInnov": 54847, ".parameter": 54848, "Ġdomination": 54849, "Ġskeptic": 54850, "Ġæĺ¯": 54851, "Ġavoids": 54852, ".Verify": 54853, "ubby": 54854, "ĠASN": 54855, "Ġformato": 54856, "ĠBeatles": 54857, "_brand": 54858, "Ġinset": 54859, "youtu": 54860, "Ġtoc": 54861, "-final": 54862, "Showing": 54863, "ĠDoub": 54864, "ĠMesa": 54865, "Adj": 54866, "_medium": 54867, "Creates": 54868, "(endpoint": 54869, "ĉUP": 54870, "bbie": 54871, "Ġstalk": 54872, ".databind": 54873, ".Scan": 54874, "agents": 54875, "$,": 54876, "individual": 54877, "+)/": 54878, "ĉvm": 54879, "(notification": 54880, "Ġinex": 54881, "ĠClassification": 54882, "reno": 54883, "Ġolig": 54884, "-rated": 54885, "Ġformulation": 54886, "',{": 54887, "Ġacept": 54888, "_unpack": 54889, "_CA": 54890, ".Pow": 54891, "ĉim": 54892, "Ġaluminium": 54893, "ANO": 54894, "Ġxn": 54895, "Ġcómo": 54896, "ĠIngredient": 54897, "Ġseizures": 54898, "åħ±": 54899, "ificador": 54900, "Ġsiguiente": 54901, "ĠInfragistics": 54902, "Ġduplicated": 54903, "ĠDee": 54904, "Ġnø": 54905, "ĠACCEPT": 54906, "(crate": 54907, "иÑĤелÑĮ": 54908, "-less": 54909, "Ġinfinity": 54910, "Analyzer": 54911, "-Day": 54912, "ritt": 54913, "(cin": 54914, "ĠGy": 54915, "Ġmultiplied": 54916, "uchi": 54917, "ĠBaldwin": 54918, "/ip": 54919, "Ġshortcuts": 54920, ".ADD": 54921, "Ġvigor": 54922, "_instruction": 54923, "(;": 54924, "_eta": 54925, "è¿ŀ": 54926, "utorials": 54927, "Ġboosting": 54928, "bv": 54929, "Ġacknowledges": 54930, "Listening": 54931, "FAQ": 54932, ";b": 54933, "((-": 54934, "Ġarchitects": 54935, "Ġzwe": 54936, "Ġpuls": 54937, "ĠgetCount": 54938, "verbs": 54939, "ãĢľ": 54940, "(Collection": 54941, "kre": 54942, "Ġjurisdictions": 54943, "_bridge": 54944, "ĠCrack": 54945, "ĠDifficulty": 54946, "KO": 54947, "Reservation": 54948, "_requires": 54949, "Tour": 54950, "ãģĹãģŁ": 54951, ".setCurrent": 54952, "Ġky": 54953, "ĠAlbany": 54954, "Ġè§": 54955, "ller": 54956, "agna": 54957, "workers": 54958, ".blank": 54959, "ĠPrayer": 54960, "MIC": 54961, "Ġresilience": 54962, "TeX": 54963, "ĠLanguages": 54964, "study": 54965, "ĉcurr": 54966, "Ġenzymes": 54967, "Slug": 54968, "ĠíĮĮ": 54969, "stral": 54970, "Ġtumors": 54971, "Ġsegunda": 54972, "='{": 54973, "instruction": 54974, "ĠLisp": 54975, "/info": 54976, "Ġ\"{$": 54977, ",:),": 54978, "Ġgv": 54979, "(ErrorMessage": 54980, "Ġ'=": 54981, "}-${": 54982, ".Documents": 54983, "\"Well": 54984, "Ġreminiscent": 54985, "Ġgaz": 54986, "iropr": 54987, "ehr": 54988, "Ġsuppressed": 54989, "ersh": 54990, ".scrollTo": 54991, "Ġcadena": 54992, "ĠgameState": 54993, "ÃŃm": 54994, "(conv": 54995, "ĠTomorrow": 54996, "ĠCCT": 54997, "Mongo": 54998, "ulg": 54999, ".Camera": 55000, ".handlers": 55001, "mph": 55002, "Ġstk": 55003, "Ġgenetics": 55004, "ACING": 55005, "Trivia": 55006, "ĠBam": 55007, "(marker": 55008, ".Stretch": 55009, "ĠSunni": 55010, "ĠBetty": 55011, ".tolist": 55012, "unlikely": 55013, ".Rectangle": 55014, "obsolete": 55015, "ILON": 55016, "innerText": 55017, "embourg": 55018, "aN": 55019, "ĠVehicles": 55020, "unlock": 55021, ":utf": 55022, "nob": 55023, "ĠSeeing": 55024, "ĠNEVER": 55025, "Ġtls": 55026, "Ġfilles": 55027, "Ġbenefited": 55028, "ĠClint": 55029, "*/),": 55030, ".fold": 55031, "Ġposible": 55032, "ADED": 55033, "thouse": 55034, ".DAL": 55035, "ĠOdd": 55036, "rokes": 55037, "ĠSunny": 55038, "ĠPartialEq": 55039, "_Buffer": 55040, "ĠLevi": 55041, "longrightarrow": 55042, "eldon": 55043, "gages": 55044, "_warn": 55045, ".CreateTable": 55046, "ĠDip": 55047, "_questions": 55048, ".logic": 55049, "Ġ#\"": 55050, "={()=>": 55051, "Ġtep": 55052, "Ġjuicy": 55053, "ìĤ¬": 55054, "enko": 55055, "ialect": 55056, "Ùī": 55057, "Ġonboard": 55058, "Ġæı": 55059, "ĉrt": 55060, "_UTF": 55061, "ĠQAction": 55062, "âĢŀ": 55063, "(Component": 55064, "(audio": 55065, ".hit": 55066, "gte": 55067, "Ġprogrammed": 55068, "stateParams": 55069, "Ġpolyester": 55070, "fires": 55071, "byss": 55072, "]=(": 55073, "_quality": 55074, "OfDay": 55075, "ĠFairy": 55076, "Ġyelled": 55077, "opl": 55078, "(userName": 55079, "ĠDifference": 55080, "Ġevaluations": 55081, "iffany": 55082, "Ġcyclists": 55083, "Ġcidade": 55084, "Ġtextbook": 55085, "Ġprofiling": 55086, "__),": 55087, "dea": 55088, ".activate": 55089, "Ġindications": 55090, "Ðķ": 55091, "TouchUpInside": 55092, "Ġinvaluable": 55093, "ĠMASK": 55094, "Ġcontend": 55095, "Freq": 55096, "Ġrecruits": 55097, "(interval": 55098, "ĠUserProfile": 55099, "Ġ'./../": 55100, "edu": 55101, "_Callback": 55102, "Ġanalogy": 55103, "ĠTrophy": 55104, "apphire": 55105, "Videos": 55106, "ĠCher": 55107, "ĠHav": 55108, "âĢ¦\"": 55109, ".validator": 55110, "gfx": 55111, "ĠUObject": 55112, "classnames": 55113, "triangle": 55114, "ĠEncoder": 55115, ".spy": 55116, "Ġpredators": 55117, "=status": 55118, "-safe": 55119, ":\",Ċ": 55120, "ĠIncluding": 55121, "Ġ{};čĊ": 55122, "*cos": 55123, "Ġendured": 55124, ".sulake": 55125, "Ġnursery": 55126, "Ġfragrance": 55127, "Ġrebuilding": 55128, "Ġnth": 55129, "ĠFraser": 55130, ".setDate": 55131, "ĠVince": 55132, "_REST": 55133, "Ġventilation": 55134, "æµ·": 55135, "cribes": 55136, ".asm": 55137, "lpVtbl": 55138, "ĠAbe": 55139, "uisine": 55140, ",array": 55141, "ĉclassName": 55142, "errals": 55143, "Ġ'ĊĊ": 55144, "Checkout": 55145, "Ġsolicit": 55146, "Aux": 55147, "_capture": 55148, "Ġribs": 55149, "ragon": 55150, "viol": 55151, "topics": 55152, "FunctionFlags": 55153, "ĠMarty": 55154, "bike": 55155, "ĠTucker": 55156, "(kernel": 55157, "ĠOps": 55158, "CloseOperation": 55159, "/demo": 55160, "ilda": 55161, "ĠlÃŃnea": 55162, "APPING": 55163, "Ġsuites": 55164, ".visitVarInsn": 55165, "urus": 55166, "ĠMinute": 55167, "(manager": 55168, "Ġbutterfly": 55169, "Ġapare": 55170, "Ġwolves": 55171, "JWT": 55172, "ĠSalon": 55173, "ĉdelay": 55174, "-eslint": 55175, "isations": 55176, ".rpc": 55177, ")|(": 55178, "ĠSnapchat": 55179, "/mm": 55180, "MN": 55181, "ceries": 55182, ".textAlignment": 55183, "ĠFrankfurt": 55184, "Ġado": 55185, "(newValue": 55186, "(access": 55187, "(Expression": 55188, "ĠSignIn": 55189, "ĠHaiti": 55190, "_tp": 55191, ".setParameter": 55192, "Minute": 55193, "Ġmanuals": 55194, "ricanes": 55195, "ĠPTR": 55196, "ĠOuter": 55197, "Ġgetline": 55198, "ocations": 55199, "_CD": 55200, "ĠLyon": 55201, "/gui": 55202, "_live": 55203, "idan": 55204, ".geom": 55205, "ĠborderBottom": 55206, "imuth": 55207, "_checkpoint": 55208, "Ġmeu": 55209, "ĠIrving": 55210, "Ġpeuvent": 55211, "(MAX": 55212, "ĠARCH": 55213, "Ġpov": 55214, ".sourceforge": 55215, "Ġjamais": 55216, "Ġark": 55217, "ĠBaghdad": 55218, "ĠCLEAR": 55219, "MenuBar": 55220, "Ġtrois": 55221, "CHEDULE": 55222, "Ġ#čĊ": 55223, "(Call": 55224, "$order": 55225, "(Material": 55226, "Ġencontrado": 55227, "$list": 55228, "ĠMETHODS": 55229, ".beginTransaction": 55230, "_MAG": 55231, "StyleSheet": 55232, "Ġmajors": 55233, "Ġindefinitely": 55234, "cleanup": 55235, "Ġhomeland": 55236, "(dto": 55237, "Dates": 55238, "Presentation": 55239, "ĠDK": 55240, "={`/": 55241, "ĉKey": 55242, "(Block": 55243, "_checkbox": 55244, "needs": 55245, "ĠonComplete": 55246, "rico": 55247, "Ġgleich": 55248, "Ġxm": 55249, "OOD": 55250, "Better": 55251, "ĠSQLITE": 55252, ".Book": 55253, "xad": 55254, "ĠGone": 55255, "ĉdp": 55256, "Ġdevotion": 55257, "Ġstm": 55258, "Ġobsess": 55259, "ĠBackend": 55260, "Queries": 55261, "Ik": 55262, "//****************************************************************": 55263, "Ġdividends": 55264, ".parentElement": 55265, "}\")ĊĊ": 55266, "ĠMaterialPageRoute": 55267, ":num": 55268, "Ġexplic": 55269, "ĠOL": 55270, "least": 55271, "Oops": 55272, "imentos": 55273, "Ġinsurers": 55274, "Ġheroic": 55275, "ĉfields": 55276, ".imgur": 55277, ".btnCancel": 55278, "ĠDetective": 55279, "(sm": 55280, "ĠMutableLiveData": 55281, ".lab": 55282, "(([": 55283, "Ġhairst": 55284, "ĠTransactions": 55285, "å¼Ģå§ĭ": 55286, "ĠstdClass": 55287, "uento": 55288, "GIS": 55289, "_cod": 55290, "Instructions": 55291, "Calls": 55292, "PointerType": 55293, "ĠRw": 55294, "Ġassortment": 55295, "ĠDIG": 55296, "+r": 55297, "_CERT": 55298, "Ġinstability": 55299, "Ġvib": 55300, "onas": 55301, "Ġroku": 55302, "apellido": 55303, "Ġangl": 55304, "preneur": 55305, "Ġfluids": 55306, "isease": 55307, "Ġdeed": 55308, "quist": 55309, "_CONSTANT": 55310, "Ġequilibrium": 55311, "_delegate": 55312, "ĠQuantum": 55313, "rei": 55314, "Capabilities": 55315, "rectangle": 55316, "?><": 55317, "alien": 55318, "ĠJug": 55319, "DNA": 55320, "Tickets": 55321, "Occurs": 55322, "ĠHawk": 55323, ".setHorizontalGroup": 55324, "\\Collection": 55325, "ffiti": 55326, "Ġrearr": 55327, ".setVerticalGroup": 55328, "Ġcavity": 55329, "Ġadulte": 55330, "Facade": 55331, "-wh": 55332, "ĠLOL": 55333, "Ø°": 55334, "Ġgrandparents": 55335, "Swift": 55336, "ĉwx": 55337, "æīĢæľī": 55338, "ifen": 55339, "ffset": 55340, "Beyond": 55341, "//}ĊĊ": 55342, "Ġwager": 55343, "Ġbury": 55344, "Ġcommence": 55345, "registro": 55346, "scient": 55347, "ĠPercent": 55348, "Ġдолж": 55349, "(identifier": 55350, ".setModel": 55351, "Ġseldom": 55352, "nton": 55353, "Ġappliance": 55354, "amus": 55355, "rysler": 55356, "Ġpanties": 55357, "enguins": 55358, "Ġmimic": 55359, "ĠonChanged": 55360, "Ġalcoholic": 55361, ".reloadData": 55362, "Charge": 55363, "ĠFax": 55364, "ĠjScrollPane": 55365, "Empresa": 55366, "Ġshattered": 55367, "xba": 55368, "Fonts": 55369, "?s": 55370, "Ġpostseason": 55371, "retain": 55372, "_rates": 55373, "ĠrequestCode": 55374, ".todo": 55375, "´s": 55376, "CHK": 55377, "ĠKeeping": 55378, "engeance": 55379, "Ġvscode": 55380, "IPPING": 55381, "DefaultCloseOperation": 55382, "_raise": 55383, "ĠOculus": 55384, "ograms": 55385, "raj": 55386, "pci": 55387, "Ġcorrosion": 55388, ".handleSubmit": 55389, "Accessible": 55390, "ĠPiano": 55391, "little": 55392, "ACL": 55393, "Äĩe": 55394, ".unwrap": 55395, "ĠConvers": 55396, "ĠLeben": 55397, "ioneer": 55398, "ĠMerchant": 55399, "ĠJorge": 55400, "Ġembracing": 55401, "Ġventa": 55402, "ást": 55403, "Ġviene": 55404, "Ċ": 55556, "-growing": 55557, "Ġdeepcopy": 55558, "Ack": 55559, "eggies": 55560, "Ġ__(\"": 55561, "Ġnoir": 55562, "terrorism": 55563, "Ġanthem": 55564, "agency": 55565, "_PACKAGE": 55566, "ĠClosure": 55567, ".registry": 55568, "Ġmammals": 55569, "L": 55600, "Ġbluetooth": 55601, ".Deep": 55602, "-standing": 55603, "ácil": 55604, "Ġrooft": 55605, "ĠPaths": 55606, "_iterations": 55607, "InvalidArgumentException": 55608, ".spi": 55609, "ĠUIAlertAction": 55610, "uye": 55611, "signin": 55612, ".priority": 55613, "ĠEssays": 55614, "='{$": 55615, "Ġè¿ĶåĽŀ": 55616, "_signed": 55617, ".persist": 55618, "Ġredesign": 55619, "ToLower": 55620, "ĠNewman": 55621, "=start": 55622, "ĠIsraelis": 55623, "asiswa": 55624, "Speech": 55625, "Ġnumeros": 55626, "handlers": 55627, "ĠWong": 55628, "ĠмеÑĤод": 55629, "Weights": 55630, "ĠGujar": 55631, "teil": 55632, "ĠNonetheless": 55633, "_EFFECT": 55634, "Ġvect": 55635, "ĠOsc": 55636, "Ġcoats": 55637, "ĠWheat": 55638, "Ġgeek": 55639, "ĠPROPERTY": 55640, "worm": 55641, "_constants": 55642, "ĠBoulder": 55643, "ĠParm": 55644, "cole": 55645, "ĠdefaultCenter": 55646, "ĠRouge": 55647, ":A": 55648, "xcf": 55649, "ĠVenice": 55650, "median": 55651, "Ġredemption": 55652, "Fresh": 55653, "Ġcosm": 55654, "Ġfigur": 55655, "Ġrefurb": 55656, "COPE": 55657, ".cd": 55658, "Ġchords": 55659, "ĠSgt": 55660, "Åį": 55661, "VPN": 55662, "ĠSEND": 55663, "ainen": 55664, "_accounts": 55665, "Ġtenth": 55666, "Ġdissolved": 55667, "": 55907, "Ġlegitimacy": 55908, "Ġoo": 55909, "Slinky": 55910, "Ġnationals": 55911, ".words": 55912, ";p": 55913, "trap": 55914, "omanip": 55915, "Ġcues": 55916, "Ġgraduating": 55917, "Ġsemaphore": 55918, "\"]);ĊĊ": 55919, "acey": 55920, "REET": 55921, "Grab": 55922, "ĠFelix": 55923, "(Id": 55924, "_neighbors": 55925, "Ġmeaningless": 55926, "(del": 55927, "Ġjeder": 55928, "ĠContentValues": 55929, ".absolute": 55930, "/cl": 55931, "Ġxb": 55932, "datum": 55933, "Ġtortured": 55934, "Ġrubbing": 55935, "Scores": 55936, "ĠðŁĺī": 55937, "Ġavons": 55938, "Ġamsterdam": 55939, "EOS": 55940, "Hal": 55941, "Ġtrustworthy": 55942, "#=": 55943, ".EXTRA": 55944, "Ġmano": 55945, "isicing": 55946, "-support": 55947, "ĉcursor": 55948, "ĠSpo": 55949, "aimassage": 55950, "Mission": 55951, "[]{\"": 55952, "Ġprinters": 55953, "GREEN": 55954, "Ġteg": 55955, "Ġabdominal": 55956, "!ĊĊĊĊĊĊ": 55957, ".Short": 55958, "азв": 55959, "ĠGifts": 55960, "}\")": 55961, "(binding": 55962, "xce": 55963, "âĢij": 55964, "infos": 55965, "FormData": 55966, "Ġdart": 55967, "Ġelems": 55968, "(inv": 55969, "YL": 55970, "tin": 55971, "GENER": 55972, "ữ": 55973, "ĠTaken": 55974, "uckle": 55975, ":e": 55976, "Ġspectral": 55977, ".baidu": 55978, "/');Ċ": 55979, "Ġgreedy": 55980, "esion": 55981, ",,,,,,,,": 55982, "Ġ/>,Ċ": 55983, "InternalServerError": 55984, "NSNotificationCenter": 55985, "ĠAi": 55986, "Ġspit": 55987, "Ġaugmented": 55988, "ĠstandardUserDefaults": 55989, "FINITY": 55990, "Race": 55991, ":C": 55992, "ĠRECORD": 55993, "ĠHighlight": 55994, "Ġ'`": 55995, "Ġdeficits": 55996, "Ġnei": 55997, "Ġresearched": 55998, "Ta": 55999, "Ġcopp": 56000, ".GetHashCode": 56001, "):čĊčĊ": 56002, "OnClick": 56003, "ĠWellington": 56004, "Ġrevival": 56005, "æ¯Ķ": 56006, "éĹ®": 56007, "ĠNSS": 56008, "Ġforn": 56009, "Ġinté": 56010, "ĠKuwait": 56011, "_flip": 56012, "_bo": 56013, "_\\": 56014, "Ġoccurrences": 56015, "ĠScientists": 56016, "SRC": 56017, "ogens": 56018, "igrant": 56019, "REMOTE": 56020, "ĠSID": 56021, ".opts": 56022, "uve": 56023, "()])Ċ": 56024, "Ġlibertarian": 56025, "ĠGlide": 56026, "lesen": 56027, "Ġforme": 56028, "owania": 56029, "Ġannoyed": 56030, "Defs": 56031, "ĠExecutor": 56032, "Ġcasts": 56033, ".setChecked": 56034, "ĠSharing": 56035, ".SerializeObject": 56036, "Ġselectors": 56037, "_OTHER": 56038, "미": 56039, "(super": 56040, "(OS": 56041, "_VERIFY": 56042, "idunt": 56043, "';Ċ": 56045, "Ġvidéo": 56046, "ĠNegro": 56047, "ĠLords": 56048, "ĠTours": 56049, "Ġsoftly": 56050, ".receive": 56051, "ĠERC": 56052, "ĠdataSet": 56053, "Badge": 56054, "ĉEvent": 56055, "Ġperl": 56056, "Ġ{}\\": 56057, "(sentence": 56058, "OrUpdate": 56059, "Ġdiminish": 56060, "PIN": 56061, "(draw": 56062, ".ToDateTime": 56063, ".EqualTo": 56064, "(pin": 56065, "-pencil": 56066, "luent": 56067, "ĠCaller": 56068, "Ġplayful": 56069, "-'+": 56070, "xca": 56071, "swick": 56072, "){}Ċ": 56073, "}:${": 56074, "ĠMeth": 56075, ".getCell": 56076, ".break": 56077, "Ġymax": 56078, "='Ċ": 56291, "ĠHiro": 56292, "(TRUE": 56293, "asurer": 56294, "Ġcuer": 56295, "Uber": 56296, ".Operation": 56297, "Ġolan": 56298, "Ġthrilling": 56299, "'.": 56321, "ĉvalid": 56322, "\"\",": 56323, "Instrument": 56324, ">J": 56325, "Ġnostr": 56326, "ĠRift": 56327, "_Port": 56328, "Ġveces": 56329, "[['": 56330, "Ġrallies": 56331, "-series": 56332, "Ġvv": 56333, ".uc": 56334, "Ġrtn": 56335, "StateChanged": 56336, "(ins": 56337, "ĠCla": 56338, "------------Ċ": 56339, "cus": 56340, "ĠReload": 56341, "//------------------------------------------------------------------------------------------------": 56342, ".seconds": 56343, "_destination": 56344, "Ġscrewed": 56345, ">c": 56346, "Thickness": 56347, "Designer": 56348, "Ġgrids": 56349, "nÄħ": 56350, "(cookie": 56351, "Trip": 56352, "-Mobile": 56353, "Ġvoll": 56354, "Ġgenital": 56355, "Ġconfisc": 56356, "ĠConfederate": 56357, "ĠwebView": 56358, "Ġmise": 56359, "Ġcler": 56360, "(selection": 56361, "$date": 56362, "Ġsharpen": 56363, "ragen": 56364, "AndUpdate": 56365, "Ġremix": 56366, "Ġhtons": 56367, "RW": 56368, "MPI": 56369, "Ġretrieval": 56370, "Ġrichest": 56371, ".Decode": 56372, ":initComponents": 56373, "ĠTValue": 56374, "Saint": 56375, "@include": 56376, "ĠPERSON": 56377, ".sep": 56378, "ĠLDAP": 56379, "gba": 56380, "ĠgroÃŁe": 56381, "Ġreliably": 56382, "ĠDFS": 56383, ".getItemId": 56384, "Ġprésent": 56385, ".getToken": 56386, "Ġchinese": 56387, "ĠMeal": 56388, "YOU": 56389, "\">>ĊĊ": 56948, "bower": 56949, "Ġswapped": 56950, "/install": 56951, "Ġsinks": 56952, "etrize": 56953, "Ġdeclines": 56954, "ĉmysql": 56955, "ĠCString": 56956, "ĠMotionEvent": 56957, ".Language": 56958, "Road": 56959, "ÑĤеÑĢ": 56960, "ascimento": 56961, "'))->": 56962, ".about": 56963, "(editor": 56964, "ĠRatings": 56965, "income": 56966, "Å¡e": 56967, ".dequeueReusableCell": 56968, "ĠAustrian": 56969, "Ġsulla": 56970, "ĠTribunal": 56971, "ĠDidn": 56972, "оваÑĢ": 56973, "Ġinspections": 56974, "Boss": 56975, "Ġcocktails": 56976, "Ġapologized": 56977, "_subplot": 56978, "opal": 56979, "+=(": 56980, "Ġresonance": 56981, "ibu": 56982, "Ġ리": 56983, "roma": 56984, "reserve": 56985, "pls": 56986, "ĠTah": 56987, "axies": 56988, "OPLE": 56989, "ĠDarren": 56990, "ĠZombie": 56991, "_Map": 56992, "Ġ])ĊĊ": 56993, "ĠQi": 56994, "ĠSail": 56995, "Ġrestrictive": 56996, "Ġerosion": 56997, "-par": 56998, "WHITE": 56999, "Ġoldu": 57000, "Ġaperture": 57001, "Ġbitcoins": 57002, "texto": 57003, "ĠComcast": 57004, "Ġtimeless": 57005, "enkins": 57006, "Ġfeeder": 57007, "/tmp": 57008, "resden": 57009, "+'_": 57010, ".Destroy": 57011, "Ġçok": 57012, "ĠDOCUMENT": 57013, ".lng": 57014, ".tagName": 57015, "Ġkullan": 57016, "egrate": 57017, "Ġ(*.": 57018, "ç¼ĸè¾ij": 57019, "Ġhandshake": 57020, "soc": 57021, "_geometry": 57022, "ĠDamascus": 57023, "Minor": 57024, "ĠKafka": 57025, "ìŬ": 57026, "Florida": 57027, "_compute": 57028, ".expr": 57029, "Ġparalle": 57030, "ĠDiaz": 57031, "cir": 57032, "[target": 57033, "Ġjoking": 57034, "Ġglor": 57035, "(setq": 57036, "_handlers": 57037, "Hang": 57038, "Ġferr": 57039, "riminal": 57040, "ĉĠĠĠĠĉĉ": 57041, "enties": 57042, "defines": 57043, "-tax": 57044, "jsonp": 57045, "ĠUPS": 57046, "metro": 57047, "__;Ċ": 57048, "ĠUganda": 57049, "])):Ċ": 57050, "_td": 57051, "xae": 57052, "lw": 57053, ".OS": 57054, "ĠLogged": 57055, "acid": 57056, "ĠMayo": 57057, "aspect": 57058, "Ġvaginal": 57059, "Ġinitializing": 57060, "Ġsteroids": 57061, "fiction": 57062, "GRE": 57063, "gend": 57064, "Ġliabilities": 57065, "ĠLets": 57066, "Mech": 57067, "(nc": 57068, "(change": 57069, "Ġconnectors": 57070, ":k": 57071, "Ġtast": 57072, "!\");ĊĊ": 57073, "things": 57074, "rophy": 57075, "luetooth": 57076, "ĠSignUp": 57077, ".ctrl": 57078, "Ġtherein": 57079, "orda": 57080, ".escape": 57081, "igator": 57082, "Ġpetrol": 57083, "Ġspecimen": 57084, "Ġdebuted": 57085, "-Pro": 57086, "Ġcrises": 57087, ".addView": 57088, "ëıĻ": 57089, "-door": 57090, "Ġmonet": 57091, "Ġmillis": 57092, "Ġvier": 57093, "InternalEnumerator": 57094, "Ġadmins": 57095, "ĠLair": 57096, "zin": 57097, "getQuery": 57098, "umbles": 57099, "LIMIT": 57100, "ĠVig": 57101, "_song": 57102, "": 57415, "Ġpasado": 57416, "thank": 57417, "_Delete": 57418, "ĠBrighton": 57419, ",unsigned": 57420, "ä½ľèĢħ": 57421, "Ġaspirations": 57422, "-how": 57423, "Rose": 57424, "=((": 57425, "_needed": 57426, "_plural": 57427, ">ĊĊ": 57545, "Ġsurfaced": 57546, "ĠìłĢìŀ¥": 57547, "platz": 57548, "ĉemail": 57549, "ceptors": 57550, "\">(": 57551, "Ġepile": 57552, "读": 57553, "ĠDebt": 57554, "åijĬ": 57555, "NOP": 57556, "\"https": 57557, ":j": 57558, "FormItem": 57559, "_LICENSE": 57560, ".getDouble": 57561, "ĠAgenda": 57562, "ĉfinally": 57563, "(filters": 57564, "(av": 57565, "ç¾İ": 57566, "APER": 57567, "Ġlava": 57568, "еÑĢж": 57569, "))))ĊĊ": 57570, "Ġfaulty": 57571, "_nm": 57572, "Ġtrava": 57573, "(Bitmap": 57574, "Ġspeeding": 57575, ">').": 57576, "Ġscreened": 57577, "_roll": 57578, "ĠMacBook": 57579, "ĠAUD": 57580, "Ġdiagnose": 57581, ".Generate": 57582, "Ġ^^": 57583, "Ġstrs": 57584, "[Test": 57585, "Ġransom": 57586, "ĠDHCP": 57587, "elden": 57588, "Ġinterpretations": 57589, "()].": 57590, "flatMap": 57591, "ĠlineHeight": 57592, "_mount": 57593, "ĠWizards": 57594, "Ġsluts": 57595, "ehler": 57596, "odal": 57597, "Ġmilitia": 57598, "å²": 57599, "earned": 57600, "Ġmisery": 57601, "intval": 57602, "fund": 57603, "Ġhides": 57604, "Ġdiarr": 57605, "ĠWesley": 57606, "Ġxmm": 57607, "Ġquem": 57608, "ĠArabs": 57609, "ifth": 57610, "ategorized": 57611, "Disposable": 57612, "Pure": 57613, "_NOTIFY": 57614, "snippet": 57615, "ĠGarrett": 57616, ".running": 57617, ".weights": 57618, "Ġ(--": 57619, "Ġinvariant": 57620, "äºĭ件": 57621, "ĠAllowed": 57622, "dirs": 57623, "Ġpassions": 57624, "Ġlad": 57625, "ĠFlush": 57626, "menus": 57627, ":block": 57628, "Ġcompra": 57629, ".chomp": 57630, "allocator": 57631, "Ġcurated": 57632, "ĠKnowing": 57633, "ĠPatterson": 57634, "Ġtelah": 57635, "'ex": 57636, "Ġdoomed": 57637, "Ġphilanth": 57638, "otty": 57639, ".styles": 57640, "Owned": 57641, "Ġallergies": 57642, "=params": 57643, "ocese": 57644, "itelist": 57645, "ĠSending": 57646, "bef": 57647, "orrar": 57648, "ĠNão": 57649, "ĠFargo": 57650, "ĠLub": 57651, "ĠCombined": 57652, "_given": 57653, "ĉĉĉĉĉĠĠĠĠ": 57654, "Ġreconciliation": 57655, "Patterns": 57656, "azard": 57657, "Ġbiomass": 57658, "ĠHouses": 57659, "respuesta": 57660, "cco": 57661, "/topics": 57662, "ĠYuk": 57663, "Ġweakened": 57664, "_calendar": 57665, "Ġmulheres": 57666, "ĠMarl": 57667, "Ġsine": 57668, "ĠTil": 57669, "ĠSouls": 57670, "ĠDeutsche": 57671, "ĠFOLLOW": 57672, "Ġpipelines": 57673, "ĠBeverly": 57674, "_DIPSETTING": 57675, "\"#": 57676, "ĠProto": 57677, ".big": 57678, "ĠSavings": 57679, "ĠTanz": 57680, "jun": 57681, "ĠGamma": 57682, "ĠSadd": 57683, "Ġadvisors": 57684, "Ġroast": 57685, "Ġunters": 57686, "udies": 57687, "_lon": 57688, "-pointer": 57689, "ĠElementRef": 57690, "\\Builder": 57691, "exampleInput": 57692, ".webdriver": 57693, "dataType": 57694, "ĠQuite": 57695, "ĠCeltics": 57696, "uil": 57697, "-defense": 57698, "bish": 57699, "ĠUIWindow": 57700, "ĠSuddenly": 57701, ".hot": 57702, ".reason": 57703, "Ġgör": 57704, "AMD": 57705, ".Multi": 57706, "authenticated": 57707, "regions": 57708, ";(": 57709, "аÑĢам": 57710, "ĠKirby": 57711, "$route": 57712, "PRECATED": 57713, "ĠDurham": 57714, "owo": 57715, "ĠPerforms": 57716, "Ġdisregard": 57717, "nst": 57718, "ĠPols": 57719, "ĠgetP": 57720, "\"]:": 57721, "-colored": 57722, "(Keys": 57723, "ĠAlleg": 57724, "_modify": 57725, "_loading": 57726, "strained": 57727, "Ġatroc": 57728, "_phr": 57729, "": 58721, "ceph": 58722, ".DateTimePicker": 58723, ".\";ĊĊ": 58724, "ĠTie": 58725, ",item": 58726, "Ġmenn": 58727, "Gas": 58728, "ocha": 58729, "_virtual": 58730, "Ġmasterpiece": 58731, "_sequences": 58732, "LTE": 58733, "ĠSubmission": 58734, "Caller": 58735, "$\\": 58736, "Sport": 58737, "agus": 58738, "ConstraintMaker": 58739, "Ġcoloc": 58740, "Ġwig": 58741, "ĠУ": 58742, "ĉArray": 58743, "Looks": 58744, "ĠGTA": 58745, ".steps": 58746, "atchewan": 58747, "_ranges": 58748, "extAlignment": 58749, "ĠBrennan": 58750, "Ġabstraction": 58751, "ulerAngles": 58752, ".misc": 58753, "Ġantibodies": 58754, "Ġexponential": 58755, "ĠCHANNEL": 58756, "expense": 58757, "'y": 58758, "Ġdetectives": 58759, "Ġpurported": 58760, "YSTEM": 58761, "Ġradioactive": 58762, "ĠLatina": 58763, ".Encoding": 58764, ".TAG": 58765, "xin": 58766, "Degree": 58767, "uracion": 58768, "prices": 58769, "ĠReferentialAction": 58770, "Ġrarity": 58771, "Ġpiles": 58772, "gende": 58773, "_projects": 58774, "_globals": 58775, ".startTime": 58776, "Ġ구": 58777, "SECTION": 58778, "_publish": 58779, "Fault": 58780, "DDL": 58781, "_prior": 58782, "Mom": 58783, "Ġthicker": 58784, "Ġsequelize": 58785, "Ġessentials": 58786, "stras": 58787, "intr": 58788, ">(()": 58789, ".management": 58790, "eil": 58791, "éĹŃ": 58792, "Aware": 58793, ".City": 58794, "ĠArbit": 58795, "_DM": 58796, "_keyboard": 58797, "LObject": 58798, "-webpack": 58799, "ĠNewport": 58800, "ĠprincipalColumn": 58801, "legant": 58802, "Ġpallet": 58803, "Ġfracture": 58804, "Ġgmail": 58805, ".Meta": 58806, "Above": 58807, ".KeyEvent": 58808, "jit": 58809, "_macro": 58810, "_PUSH": 58811, "ứ": 58812, "/controller": 58813, "åĬłè½½": 58814, "Ġsuperficial": 58815, "exterity": 58816, "Ġmensagem": 58817, "Wind": 58818, "iston": 58819, ".openapi": 58820, "иÑĢов": 58821, "ĠSerializer": 58822, "uctive": 58823, "Ġzar": 58824, "Places": 58825, ".Static": 58826, "Ba": 58827, "Ġinadvert": 58828, "ĠIndonesian": 58829, "_IPV": 58830, "(horizontal": 58831, "ĠgetTitle": 58832, "idepress": 58833, "ĠConsoleColor": 58834, "ipers": 58835, "$out": 58836, "Ġfestive": 58837, "Ġevenings": 58838, ".GetData": 58839, "uitka": 58840, "ĠManuals": 58841, "ussed": 58842, "_Max": 58843, ".Chat": 58844, "ĠAircraft": 58845, "=com": 58846, "FOUND": 58847, "apro": 58848, "Ġtreasures": 58849, "_alive": 58850, "Ġgadget": 58851, "eking": 58852, "ButtonDown": 58853, "Browsable": 58854, ".PERMISSION": 58855, "PASSWORD": 58856, "ĠHASH": 58857, "fé": 58858, "\\TestCase": 58859, "LOSS": 58860, "others": 58861, ",J": 58862, "Ġasshole": 58863, "werk": 58864, "Ġmã": 58865, ".ie": 58866, "evil": 58867, "kontakte": 58868, "////////////////////////////////////////////////////////////////////////////////Ċ": 58869, "=sys": 58870, "ĉlock": 58871, "--;ĊĊ": 58872, "_FUN": 58873, "FillColor": 58874, "óa": 58875, "prend": 58876, "Ġcompressor": 58877, "Mother": 58878, "ĠArcher": 58879, ".goto": 58880, "Ġwürde": 58881, "Ġbamboo": 58882, "ï¼İ": 58883, "ĠTrees": 58884, "Ġbumper": 58885, "Ġsausage": 58886, "ĠElasticsearch": 58887, "Ġhorizontally": 58888, "ĠGul": 58889, "Immutable": 58890, "Ġloser": 58891, "Ġaborted": 58892, "-demo": 58893, "ĠHatch": 58894, "Ġunde": 58895, "Ġprocesso": 58896, "-call": 58897, "Income": 58898, "åĥ": 58899, "_returns": 58900, "'].\"'": 58901, "(sw": 58902, "CBS": 58903, "amilies": 58904, "ĠYourself": 58905, "ĠHolt": 58906, ".MON": 58907, "à§ĩ": 58908, "ÑĪе": 58909, "anon": 58910, "ĠFontAwesome": 58911, "producer": 58912, "jr": 58913, "Ġmau": 58914, "ĉinter": 58915, "Ġdishonest": 58916, "Ġmagna": 58917, "ĠCollective": 58918, "Ġvraiment": 58919, "Ġchoix": 58920, "stay": 58921, "Ġwelding": 58922, "rising": 58923, ",min": 58924, "ĠFate": 58925, "glob": 58926, "RGBA": 58927, "Ġdette": 58928, "Ven": 58929, "Ġembarrassment": 58930, ".DELETE": 58931, "gregar": 58932, "-render": 58933, "(bucket": 58934, "\">ĊĊĊ": 58935, ".waitKey": 58936, "Busy": 58937, "Ġdifferentiation": 58938, "ĠCST": 58939, ".Constant": 58940, "ĠlineNumber": 58941, "(matches": 58942, "Ġwebsocket": 58943, "Ġbarred": 58944, "Ġpuedes": 58945, "Mono": 58946, "CORE": 58947, "IID": 58948, "ĠĠĠĠčĊčĊ": 58949, "Ġpúblico": 58950, "leaning": 58951, "Ġcleansing": 58952, "Ġcris": 58953, "ĠDevils": 58954, "_SETTING": 58955, "untary": 58956, ".);Ċ": 58957, "ĊĠĠĠĊ": 58958, "[curr": 58959, "tsy": 58960, "ĠAlexis": 58961, "ritel": 58962, "Ġpetroleum": 58963, ".preprocessing": 58964, "matter": 58965, "ForResult": 58966, "-license": 58967, "Ġtravellers": 58968, "ĠDispatcher": 58969, "ennifer": 58970, "Ġdigestive": 58971, "PED": 58972, "hibition": 58973, "MASConstraintMaker": 58974, "ĠWatt": 58975, "Benef": 58976, ".setView": 58977, "dto": 58978, "TEE": 58979, "ĠPelosi": 58980, "_EXTRA": 58981, "Ġmedals": 58982, "xhr": 58983, "forecast": 58984, "Ġnargin": 58985, "ouns": 58986, "-fill": 58987, "_CURSOR": 58988, "Ġsupervised": 58989, "Ġturf": 58990, "ĠEdgar": 58991, "POSITION": 58992, "ĠcategoryId": 58993, "âī": 58994, "_ER": 58995, "ủa": 58996, "Shown": 58997, ".ll": 58998, "_POLICY": 58999, "(),'": 59000, "ĠPrev": 59001, "ĠStringField": 59002, "ĉGlobal": 59003, "assed": 59004, "Throughout": 59005, "ostringstream": 59006, ".awtextra": 59007, "Ġslopes": 59008, "ĠSequential": 59009, "Ġgiorn": 59010, "Ġzelf": 59011, "Ġversatility": 59012, "leneck": 59013, ".cgi": 59014, "Ġdoubling": 59015, "ĠBangkok": 59016, "Ġbuurt": 59017, "Ġusuário": 59018, "studio": 59019, "Ġjeunes": 59020, "Ġmuted": 59021, "Ġips": 59022, "_fraction": 59023, "&&(": 59024, "Ġstunt": 59025, "');?>čĊ": 59049, "Ġevapor": 59050, "bable": 59051, "ĠPRICE": 59052, "Ġæ³": 59053, "lucent": 59054, "Ġvamp": 59055, "ĠTechnician": 59056, "Ġuniqueness": 59057, "Mes": 59058, "urban": 59059, ".parametrize": 59060, "ĠReplay": 59061, "Sessions": 59062, "embr": 59063, "-Americans": 59064, "_PROXY": 59065, "Ġpian": 59066, "Ġtrie": 59067, "ĠDestructor": 59068, "GameState": 59069, "ĠIMF": 59070, "chin": 59071, "Ġporte": 59072, "ĠSwal": 59073, "åŁİ": 59074, "Substring": 59075, "iming": 59076, "/Library": 59077, "Ġfrightened": 59078, "writes": 59079, "Ġrecursos": 59080, "arResult": 59081, "_INITIALIZ": 59082, "ĠBadge": 59083, "_crc": 59084, "Eight": 59085, "ĠDISTINCT": 59086, "Ġthro": 59087, "@Xml": 59088, "ĠLegendary": 59089, "-twitter": 59090, "_easy": 59091, "Ġ+++": 59092, "(DATA": 59093, ".Locale": 59094, "Ġkä": 59095, "Ġnurt": 59096, "Ġcruis": 59097, "_ios": 59098, "Ġsensing": 59099, "_Line": 59100, "ĊĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ": 59101, "pong": 59102, "oleon": 59103, "Ġwildcard": 59104, "çĶ¨æĪ·åIJį": 59105, "Ġbegging": 59106, "Rod": 59107, "ĠÃİ": 59108, "_CELL": 59109, "Researchers": 59110, ".selector": 59111, "_ing": 59112, "Ġaspiring": 59113, "Ġimmortal": 59114, "Ġymin": 59115, "_robot": 59116, "Ġplur": 59117, "BTC": 59118, "ĠDID": 59119, "Ġpiercing": 59120, "*u": 59121, "_DEFINED": 59122, "ĠThi": 59123, "itaire": 59124, "(media": 59125, "-ons": 59126, "Ġchefs": 59127, "Ġ\"*.": 59128, "/AP": 59129, "Ġrazor": 59130, "ĠsearchData": 59131, "Ġ=&": 59132, "ĠãĢĤ": 59133, "Ġmourn": 59134, "tingham": 59135, "Ġoli": 59136, "ĠVernon": 59137, "_RS": 59138, "ŀæĢ§": 59139, "Ġfácil": 59140, "angen": 59141, "celain": 59142, "Ġail": 59143, "lest": 59144, "ĠQCOMPARE": 59145, "gain": 59146, "Ġε": 59147, "ĠKob": 59148, "ĠFault": 59149, "_configs": 59150, "ç»ĵæŀľ": 59151, ".+": 59152, "calar": 59153, "(colors": 59154, "Mul": 59155, "_ART": 59156, "Ġexperimenting": 59157, "ermen": 59158, "ĠAnglo": 59159, ".FixedSingle": 59160, "Sea": 59161, "Ġctxt": 59162, ".slider": 59163, "Collapse": 59164, "Grey": 59165, "Ġfld": 59166, "-proof": 59167, ".capacity": 59168, "getParent": 59169, "ĠCompliance": 59170, "Ġburgl": 59171, "-rec": 59172, "Ġoverwritten": 59173, "MU": 59174, "Ġrouters": 59175, "ĉModel": 59176, "Ġfantasies": 59177, "avian": 59178, "_prec": 59179, "ĠScandin": 59180, "Ġ//<": 59181, "/oct": 59182, "Ġceremonies": 59183, "Months": 59184, "undy": 59185, "Ġqued": 59186, "ĠNou": 59187, "ĠVibr": 59188, ".rgb": 59189, "Ġcitrus": 59190, "Ġbraces": 59191, "-uppercase": 59192, "getTable": 59193, "Ġdopo": 59194, "ĠKerr": 59195, "_CHILD": 59196, "-cloud": 59197, "ĉMatrix": 59198, "Ġgardening": 59199, "Sing": 59200, "almost": 59201, "Requirements": 59202, "uguay": 59203, "(Property": 59204, "subscriber": 59205, "FAST": 59206, "reaction": 59207, "(lp": 59208, ")})Ċ": 59209, "`).": 59210, ".wallet": 59211, "_exchange": 59212, ".Maximum": 59213, "ĠVerb": 59214, "âĶģ": 59215, "()<": 59216, "ï¼ĽĊ": 59217, "ROT": 59218, "CARD": 59219, "ubit": 59220, "{@": 59221, "_kel": 59222, "ĠTooltip": 59223, "MySQL": 59224, "MainActivity": 59225, "arf": 59226, "Ġmalign": 59227, "Ġseinen": 59228, "apist": 59229, "Ġ<%": 59230, "MethodImpl": 59231, "Mil": 59232, "ĠMick": 59233, ".depend": 59234, ">&": 59267, "ĉok": 59268, "-low": 59269, ".usuario": 59270, "nested": 59271, "XB": 59272, "OURS": 59273, ".BorderColor": 59274, "Ġbrow": 59275, "ĠÐķ": 59276, "corr": 59277, "ĠRedskins": 59278, ".getTag": 59279, ".getTransaction": 59280, "Ġstigma": 59281, "hardt": 59282, "ĠPlayerPrefs": 59283, "alsy": 59284, "ucson": 59285, "Languages": 59286, "ĠOlivia": 59287, "Ġtac": 59288, "Ġbli": 59289, "Ġcaval": 59290, "Ġconsolidated": 59291, "Ġperil": 59292, "Ġdele": 59293, "Ġformulated": 59294, "Ġhighways": 59295, ".spawn": 59296, "==$": 59297, "ĠNiet": 59298, "Ġveggies": 59299, "ypo": 59300, "-rule": 59301, "ĠVie": 59302, "/epl": 59303, "Ġenfants": 59304, "stringLiteral": 59305, "Ġtoughest": 59306, "buyer": 59307, "Ġcovariance": 59308, "Ġili": 59309, "ĠSophie": 59310, "ĠBAB": 59311, "Ġ\"),": 59312, "ĠUk": 59313, "currentIndex": 59314, "_userdata": 59315, ".codec": 59316, "ĠPunjab": 59317, "ĠSNP": 59318, "lol": 59319, "advance": 59320, "Ġcomfy": 59321, "JsonIgnore": 59322, "Ġfashionable": 59323, "ĠICON": 59324, "Ġora": 59325, "ĠPricing": 59326, "E": 59384, "tering": 59385, "/screens": 59386, "Ġheightened": 59387, "аÑĢÑĤ": 59388, "Authorities": 59389, "_bbox": 59390, "ünst": 59391, ".fontSize": 59392, "ĠBOOLEAN": 59393, "divide": 59394, "ĠSloven": 59395, "ucer": 59396, "ÙĴ": 59397, "stub": 59398, "Ġnavigating": 59399, ":animated": 59400, "_NOW": 59401, "_vect": 59402, "}{Ċ": 59403, "@(": 59404, "Ġtelecom": 59405, "Ġcontracting": 59406, "ĠAssange": 59407, "Ġextracting": 59408, "Ġgrö": 59409, "cobra": 59410, ".DIS": 59411, "Ġcrab": 59412, "Ġtwitch": 59413, "Ġverts": 59414, "Ġrejects": 59415, "ĉformat": 59416, "Ġregeneration": 59417, ".Sys": 59418, "solve": 59419, "ĉdialog": 59420, "shi": 59421, "meter": 59422, "(best": 59423, "validators": 59424, "Ġonwards": 59425, "Ġguru": 59426, "Ġmoderator": 59427, "owied": 59428, "experiment": 59429, "rub": 59430, "Ġmqtt": 59431, "ĠCaucas": 59432, "Ġnationalism": 59433, "Ġmange": 59434, "ĉImGui": 59435, "/Edit": 59436, "Ġinh": 59437, "Ġintellig": 59438, "erokee": 59439, "ĉexport": 59440, "Ġdiscriminate": 59441, "subtract": 59442, "ĠMoodle": 59443, "enser": 59444, "ĠGuides": 59445, "RAP": 59446, "-hot": 59447, "_grp": 59448, ".picture": 59449, "XA": 59450, "ĠinitView": 59451, "_Comm": 59452, "Ġoverdose": 59453, "Ġ+ĊĊ": 59454, "ĠSilent": 59455, "shows": 59456, "Ġinterpolate": 59457, "Formation": 59458, "Ġbisc": 59459, "markets": 59460, "(SC": 59461, "Ze": 59462, "ĠNetworking": 59463, "Ġadrenal": 59464, "ĠGuns": 59465, "eteor": 59466, "Declared": 59467, "orgetown": 59468, "Ġkarena": 59469, "/password": 59470, "_addresses": 59471, "ITERAL": 59472, "Buzz": 59473, "ĠConway": 59474, "(case": 59475, "PWD": 59476, "heiro": 59477, "(act": 59478, "**čĊ": 59479, "());ĊĊĊ": 59480, "Ġanv": 59481, "Ġ..ĊĊ": 59482, "(MenuItem": 59483, "(mail": 59484, "_sections": 59485, "ĉnet": 59486, "Ġplut": 59487, "Ġwrench": 59488, "/object": 59489, "ĠIst": 59490, "ĠVIS": 59491, "/pub": 59492, "alten": 59493, "Ġguitars": 59494, "Ġantibiotic": 59495, "ï¼ĸ": 59496, "¹": 59497, "Ġ\"+\"": 59498, "formula": 59499, "Ġbabes": 59500, "ĠPrompt": 59501, "Ġenim": 59502, "/player": 59503, "ĉref": 59504, "ĠbyÄĩ": 59505, "Ġconsumes": 59506, "ĠHast": 59507, "ĠTao": 59508, "Ġ'))Ċ": 59509, "Ġclam": 59510, "Ġthighs": 59511, "Ġmotif": 59512, "ApiOperation": 59513, "ĠWL": 59514, "getC": 59515, "ĉflags": 59516, "ointments": 59517, "Ġeconomical": 59518, "needle": 59519, "xls": 59520, "practice": 59521, "utzer": 59522, "timeofday": 59523, "-output": 59524, "ĠfindById": 59525, "ĠBuddy": 59526, "ÐŀÑĤ": 59527, "Seven": 59528, "ĠBark": 59529, "Ġenvoy": 59530, "_algorithm": 59531, "åĪ©": 59532, "Ġballistic": 59533, "移": 59534, "rades": 59535, "ĉdoc": 59536, "roducing": 59537, "ĠEating": 59538, "Unmount": 59539, "/dataTables": 59540, "_bonus": 59541, "Ġlitt": 59542, "pps": 59543, ")localObject": 59544, "perf": 59545, "ĠHelvetica": 59546, "shutdown": 59547, "/ml": 59548, ".tokens": 59549, "ĠHardcore": 59550, ",row": 59551, "/bg": 59552, "Scaler": 59553, "âĢĶas": 59554, "_logits": 59555, "âĢĻint": 59556, "ĉApp": 59557, "Implicit": 59558, ".Fprintf": 59559, "ETO": 59560, "Ġterra": 59561, "Ġpossessing": 59562, ".rstrip": 59563, ",),": 59564, "=yes": 59565, "ĠStripe": 59566, "?=": 59567, "neutral": 59568, ".good": 59569, "Ġkennen": 59570, "ĠSung": 59571, "fault": 59572, "ystatechange": 59573, "Canadian": 59574, "','\".$": 59575, "ĠMits": 59576, "ænd": 59577, "ĠSTRUCT": 59578, "ĠURLWithString": 59579, "ĠCompass": 59580, "Ġ--ĊĊ": 59581, "ĠNSLayoutConstraint": 59582, "|min": 59583, "-adjust": 59584, "Ġrebuilt": 59585, "LIGHT": 59586, "/se": 59587, "-mount": 59588, "vpn": 59589, "validated": 59590, "(QObject": 59591, "Ġignition": 59592, "ĠChargers": 59593, "RYPTO": 59594, "]initWithFrame": 59595, "ĠFluid": 59596, "Ġcadre": 59597, "Ġnominations": 59598, "Neill": 59599, "ĠHou": 59600, "Ġcurrents": 59601, "_gene": 59602, "(inp": 59603, "Paris": 59604, "zÄĻ": 59605, "aggregate": 59606, "Ġassoc": 59607, "weeted": 59608, "errat": 59609, "âĢĵĊĊ": 59610, "Ġ'/',Ċ": 59611, "fixture": 59612, "ĠHighest": 59613, "ambient": 59614, "Ġchmod": 59615, "Ġconte": 59616, "Ġsensual": 59617, "Ġgarment": 59618, "zers": 59619, "ĠPowered": 59620, "domains": 59621, "Reward": 59622, "iomanip": 59623, "Ġcockpit": 59624, "outfile": 59625, "Ġbuiltin": 59626, "Ġinsisting": 59627, ".vars": 59628, "zipcode": 59629, "Ġ����": 59630, "fails": 59631, "Ġconsolidation": 59632, "_oid": 59633, "Planet": 59634, "Ġ=\",": 59635, "ĉel": 59636, "UILT": 59637, "ätz": 59638, "afari": 59639, "ĠMcCl": 59640, "Timeline": 59641, "Esta": 59642, "Ġfram": 59643, "YE": 59644, "Ġcerebral": 59645, "OfMonth": 59646, "ĠPregn": 59647, "ĠклаÑģÑģ": 59648, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ": 59649, "ĠFres": 59650, "Approved": 59651, ".Special": 59652, "ĠProtestant": 59653, "Ġallergy": 59654, "_pcm": 59655, "ĉCopyright": 59656, "ĠsuperClass": 59657, "\"strconv": 59658, "ĠMohamed": 59659, "Ġ'//": 59660, "ForeColor": 59661, "Arthur": 59662, "ĠJungle": 59663, "Ġveins": 59664, "Sad": 59665, "Ġbackups": 59666, "ĠOpinion": 59667, "ût": 59668, "Ġintermitt": 59669, "odyn": 59670, "ĠChristina": 59671, "Ġandre": 59672, "Ġevacuation": 59673, "palette": 59674, "horse": 59675, "ĠResident": 59676, "ĠHassan": 59677, ".Nil": 59678, "Ġaisle": 59679, "ĠGrowing": 59680, "Ġbloginfo": 59681, "/sql": 59682, "_ioctl": 59683, "Scaling": 59684, "ĠMonad": 59685, "_cpp": 59686, "ĠHutch": 59687, "ĠAppleWebKit": 59688, "Expense": 59689, "_JOB": 59690, "Ġpointless": 59691, "FromBody": 59692, "antal": 59693, "Ġdepicting": 59694, "ĠCELL": 59695, "Ġrefin": 59696, "ĠCNC": 59697, "ì¹ĺ": 59698, "_dimensions": 59699, "ĠSAN": 59700, "Ġaft": 59701, "Ġfootsteps": 59702, "ccoli": 59703, "_PHONE": 59704, "/math": 59705, "-kind": 59706, "ĠMeans": 59707, "ichael": 59708, ".guna": 59709, "Ġinauguration": 59710, "-driving": 59711, "(delete": 59712, "ĠtotalCount": 59713, "_MC": 59714, ".Extension": 59715, "Commercial": 59716, "ĠzIndex": 59717, "$": 59849, "Ġebay": 59850, "Ġcaptive": 59851, "pliant": 59852, "ĠCalculates": 59853, "olta": 59854, "esting": 59855, "_revision": 59856, "Ġmús": 59857, "+m": 59858, "\",\"\",\"": 59859, "WHAT": 59860, "Ġcompassionate": 59861, "harga": 59862, "[random": 59863, "Ġmodulo": 59864, "(sn": 59865, "Ġoccupations": 59866, "////Ċ": 59867, "ĉboard": 59868, "ĠBalk": 59869, "wiÄħ": 59870, "ĠWifi": 59871, ".Profile": 59872, ":maj": 59873, "ĉmat": 59874, "LOCKS": 59875, "(jButton": 59876, "Ġ('$": 59877, "Mur": 59878, "æĮī": 59879, "bble": 59880, "Ġfrog": 59881, "-hide": 59882, "Ġbroadcaster": 59883, "à¸ŀ": 59884, "haled": 59885, "Ġamusing": 59886, "_predictions": 59887, "_intr": 59888, "Ġeagle": 59889, "аÑĤелÑĮ": 59890, "ĠgetList": 59891, "psilon": 59892, "Ġcharacterization": 59893, "ARDS": 59894, "Ġrelocation": 59895, "Ġrulers": 59896, "PAY": 59897, "ĠDefinitely": 59898, "_Action": 59899, "Ġclosures": 59900, "Ġfactual": 59901, "odynamic": 59902, "Ġprecautions": 59903, "niej": 59904, "ĠParties": 59905, "ĠSubaru": 59906, "Ġcousins": 59907, "arbeit": 59908, ".money": 59909, "gunta": 59910, "(and": 59911, "getitem": 59912, ".StylePriority": 59913, "Ġslid": 59914, "singleton": 59915, "Ġgarn": 59916, "ĠPAS": 59917, "Ġdazz": 59918, "aż": 59919, "Ġbogus": 59920, "ĠMog": 59921, "Ġrivalry": 59922, "isol": 59923, "Ġlandmarks": 59924, "ñas": 59925, "Bern": 59926, "ĠSachs": 59927, "Ġ\")ĊĊ": 59928, "Ġhostility": 59929, "_mex": 59930, "mere": 59931, "Mot": 59932, "pictureBox": 59933, "Defense": 59934, "Ġaffidavit": 59935, "otherwise": 59936, ".directory": 59937, "_UnityEngine": 59938, "-blog": 59939, ".skin": 59940, "phem": 59941, "Apellido": 59942, "erchant": 59943, "[class": 59944, "Ġwart": 59945, ".\"[": 59946, "aleur": 59947, "/back": 59948, "ĠĠĠĠĉĠĠĠ": 59949, "Ġprecipitation": 59950, "Ġobstruction": 59951, "ĠpObj": 59952, "Ġrupt": 59953, "UCKET": 59954, "aye": 59955, "æİĴ": 59956, "gx": 59957, "Ġecl": 59958, "Ġsecrecy": 59959, "/Header": 59960, "ĠLesb": 59961, "Ġlei": 59962, "ĠBulletin": 59963, "Ġgiveaway": 59964, ".Home": 59965, "_ROOM": 59966, "\"W": 59967, "Ġcowork": 59968, "_ra": 59969, "ĠCycling": 59970, "ĠPaw": 59971, "Ġpupil": 59972, "/arch": 59973, "ĠFileUtils": 59974, "é¦ĸ": 59975, "rsp": 59976, "Ġfreedoms": 59977, "ĠLear": 59978, "}`).": 59979, "Ġbowls": 59980, "/block": 59981, "_logging": 59982, "Ġmethane": 59983, "Ġhorns": 59984, "Ġwonderfully": 59985, "Ġalterations": 59986, "Ġexile": 59987, "lsen": 59988, "_pause": 59989, "_LANGUAGE": 59990, "ĠUSDA": 59991, "_mysql": 59992, "_AMOUNT": 59993, "ĠLIFE": 59994, "Ġyoungsters": 59995, "Ġriots": 59996, "[E": 59997, "Ġunforgettable": 59998, ",},Ċ": 59999, "Disposed": 60000, "ĠAssassin": 60001, "UNG": 60002, "ĠNewsp": 60003, "UserService": 60004, ":aload": 60005, "+',": 60006, "Ġsettlers": 60007, "Ġscreams": 60008, "Ġinconvenience": 60009, ".Rotate": 60010, "Ġjars": 60011, "ĠPuzzle": 60012, "Ġmest": 60013, "arsi": 60014, "ĠSharma": 60015, "|(": 60016, ".ds": 60017, "ĠSacred": 60018, "_evt": 60019, "Ġexpresses": 60020, "Ġhoch": 60021, "ĠDuch": 60022, ".calls": 60023, "thr": 60024, "ĠSheffield": 60025, ".AlertDialog": 60026, "Ġradically": 60027, "Ġtrous": 60028, "Ġprevailing": 60029, "ĠWWII": 60030, "âĢĻn": 60031, "ensely": 60032, "ĠYesterday": 60033, "ĠSirius": 60034, "Ġkillers": 60035, "ĠFFT": 60036, "Ġoval": 60037, "'):čĊ": 60038, "Ġìłķë³´": 60039, "ourage": 60040, "ĠCheckbox": 60041, "Workbook": 60042, ".defer": 60043, "_floor": 60044, "Ġcouncill": 60045, "Ġnorske": 60046, "moil": 60047, "orea": 60048, "Ġmarketed": 60049, "_SUR": 60050, "xAA": 60051, "Ġstained": 60052, "eut": 60053, "ĠMeng": 60054, "Ġieee": 60055, ".extern": 60056, "egie": 60057, "Ġrapp": 60058, "ĠPyongyang": 60059, "'class": 60060, "Mob": 60061, "ĠinitialValue": 60062, "_wave": 60063, "Ġjab": 60064, "Ġmasculine": 60065, "Ġamplifier": 60066, "Ġtty": 60067, "PathComponent": 60068, "_xt": 60069, "ĠGFP": 60070, "/sec": 60071, "ĉdispatch": 60072, "markdown": 60073, "ĠSchn": 60074, "bole": 60075, "··": 60076, "mousemove": 60077, "ĠerrMsg": 60078, "Ġasign": 60079, "_mono": 60080, "ToSelector": 60081, "ĠZu": 60082, "(Rect": 60083, "ĠErrorCode": 60084, "latin": 60085, "angible": 60086, "vtk": 60087, "CGSize": 60088, "Pokemon": 60089, "Ġclassmates": 60090, "Ġattracts": 60091, "ĠTatto": 60092, "ultan": 60093, "ológ": 60094, "Ġhalted": 60095, "न": 60096, "ĠKart": 60097, "Ġue": 60098, "_InitStructure": 60099, "TestClass": 60100, "ĠAirbnb": 60101, "_\",": 60102, "Ġcharcoal": 60103, "Ġipc": 60104, "ĠStretch": 60105, ".glide": 60106, "latesAutoresizingMaskIntoConstraints": 60107, "Ġpotion": 60108, "ITTLE": 60109, "Ġcountert": 60110, "_hd": 60111, "prepared": 60112, "Ads": 60113, "ĠVampire": 60114, "robots": 60115, ".CreateIndex": 60116, "StatusLabel": 60117, "Ġtucked": 60118, "afür": 60119, "Ut": 60120, "Ġsweater": 60121, "_FN": 60122, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĉ": 60123, "ataka": 60124, "Ġeyebrows": 60125, "acoes": 60126, "uden": 60127, ".LinearLayoutManager": 60128, "Ġsway": 60129, "Ġmultin": 60130, "())))Ċ": 60131, "ĠNSUInteger": 60132, "ĠMyBase": 60133, "Partner": 60134, "utschen": 60135, "ĠCater": 60136, ".setBackgroundColor": 60137, "Ġaccomplishment": 60138, "_problem": 60139, ".dtd": 60140, "ĠpageNumber": 60141, "Ġjackets": 60142, "Ġcropped": 60143, "uels": 60144, "ĠHep": 60145, "Ġcapped": 60146, "*Math": 60147, "_callbacks": 60148, "Ġpubb": 60149, "ĠBrunswick": 60150, ".respond": 60151, "[\"_": 60152, "Ġbedding": 60153, "hythm": 60154, "OX": 60155, "(speed": 60156, "Ġpesticides": 60157, "Ġ-------": 60158, ".Blue": 60159, "Ġnoodles": 60160, "ĠGoes": 60161, "Ġsaver": 60162, "oxy": 60163, "_completion": 60164, "ĠSwinger": 60165, "ĠgetDate": 60166, "Ġminded": 60167, "integration": 60168, "ĠLotus": 60169, "(stop": 60170, "(',');Ċ": 60171, "Ġfloods": 60172, "ĠWorkflow": 60173, "Ġerupted": 60174, "Macro": 60175, "ĠSauce": 60176, "ĠeventName": 60177, "\\Input": 60178, "Breaking": 60179, "ĉwhen": 60180, "_pw": 60181, "INDER": 60182, "ĠWellness": 60183, "Ġvoxel": 60184, "ĠMell": 60185, "ĠMEDIA": 60186, "SENS": 60187, "ĠFunds": 60188, "ĠMild": 60189, "Ċ": 60198, "Ġtempting": 60199, "Ġtestament": 60200, "Ġbible": 60201, "Ġconsulted": 60202, "ĠIndexError": 60203, "è¨ĺ": 60204, "Ġkeypad": 60205, "izzo": 60206, "(ok": 60207, "Ġwhatsapp": 60208, "ĠRemoteException": 60209, "Ġteamed": 60210, "âĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶ": 60211, "»,": 60212, "ĠgetTime": 60213, "diag": 60214, "issy": 60215, "Ġhed": 60216, "Ġknots": 60217, "jom": 60218, "Ġfunnel": 60219, "-mails": 60220, "Ġexporting": 60221, "ĠVL": 60222, "ĠKarn": 60223, "ĠBuddhism": 60224, "ĠAllan": 60225, "_RADIUS": 60226, "Ġwording": 60227, "ĠForget": 60228, "ĠCorona": 60229, "iphy": 60230, "Ġlimburg": 60231, "uggy": 60232, "ĠUserRepository": 60233, "imin": 60234, "(ele": 60235, "Ġlabelled": 60236, "社": 60237, "ĠHerman": 60238, ".qq": 60239, "Ġ\"));Ċ": 60240, "ieber": 60241, ".Translate": 60242, "ryn": 60243, "Ġdesenv": 60244, "umd": 60245, "Simply": 60246, "ĉmode": 60247, "Rpc": 60248, "ĠValencia": 60249, "Ġstaffers": 60250, "Ġselv": 60251, "ĠSpike": 60252, "Ġdelic": 60253, "Ġeru": 60254, "_DT": 60255, "Judge": 60256, "á»ķ": 60257, "ĠBasin": 60258, ".mutable": 60259, "\"url": 60260, "Ġtariff": 60261, "ĠSleeve": 60262, "Ġflare": 60263, ".dropout": 60264, "Ġbrides": 60265, ")),čĊ": 60266, "_constraints": 60267, "destruct": 60268, "Outline": 60269, "Ġdisappears": 60270, "_locked": 60271, "ĠNSLocalizedString": 60272, "cke": 60273, "ĉnull": 60274, "adresse": 60275, "Ġtopping": 60276, "ĠJoker": 60277, "bishop": 60278, "ноÑģÑĤÑĮ": 60279, "andering": 60280, "_amp": 60281, "=time": 60282, "_Space": 60283, "_PULL": 60284, "'=": 60285, "Ġantiqu": 60286, "Ġcach": 60287, "___ĊĊ": 60288, "ONES": 60289, "оÑı": 60290, "Ġunread": 60291, ".policy": 60292, "oooooooo": 60293, "룬": 60294, "Ġusted": 60295, "ĠRece": 60296, "Ġallem": 60297, "ãĥ¼ãĤ¹": 60298, "ĠThoughts": 60299, "veillance": 60300, "istrate": 60301, "_lane": 60302, "Ġfamed": 60303, ".GetName": 60304, "Ġsmoother": 60305, "ĠQualified": 60306, "azers": 60307, "_geo": 60308, "Fax": 60309, "ĠMinds": 60310, "ĠRaises": 60311, "Ġtranscripts": 60312, "Conversation": 60313, "Ġremarked": 60314, "ëĤĺ": 60315, "dling": 60316, "Ġdeploying": 60317, "ĠsharedApplication": 60318, "Ġkp": 60319, "FontAwesomeIcon": 60320, "_dummy": 60321, "reiben": 60322, "ĠJaneiro": 60323, "Directions": 60324, ".getBean": 60325, "sass": 60326, "Ġcommanders": 60327, "vation": 60328, "errorCode": 60329, "ĠAlloy": 60330, ".localized": 60331, "Ðij": 60332, "Ġdishwasher": 60333, "ĠSoup": 60334, "Nu": 60335, "_Default": 60336, "Ġuneven": 60337, "Ġ/>\";Ċ": 60338, "-Based": 60339, "Ġseamlessly": 60340, "-null": 60341, "ĠXC": 60342, "Ġstew": 60343, "(delay": 60344, "ATORS": 60345, "ĠWheeler": 60346, "\"H": 60500, "east": 60501, ".air": 60502, "âĢľBut": 60503, "ObjectContext": 60504, "successfully": 60505, "_land": 60506, "Ġfolds": 60507, "_COORD": 60508, "Ġsubpo": 60509, ".getAddress": 60510, "instr": 60511, "Materials": 60512, "ÑĥÑģÑĤ": 60513, "deposit": 60514, "-last": 60515, "_GRAY": 60516, "=find": 60517, "Ġmutant": 60518, "Ġlesbienne": 60519, "letcher": 60520, "ROUGH": 60521, "ureka": 60522, ".capture": 60523, "Ġenn": 60524, "Ġ([[": 60525, "ĠFlu": 60526, "ĠtaskId": 60527, "ĠHussein": 60528, ".folder": 60529, "Ġausterity": 60530, "ISTRATION": 60531, "_Impl": 60532, "注æĦı": 60533, "Ġdecree": 60534, "-chat": 60535, "Ġimplication": 60536, "Ġguesses": 60537, "ulkan": 60538, "Analytics": 60539, ".plus": 60540, "COMMAND": 60541, "ели": 60542, "»ĊĊ": 60543, "_SITE": 60544, "ĠequalTo": 60545, "SupportFragmentManager": 60546, "ĠRecording": 60547, "å®ĮæĪIJ": 60548, "Ġbaggage": 60549, "Ġpitchers": 60550, "ĠEh": 60551, "oque": 60552, "ĉcnt": 60553, "Ġ=>$": 60554, "/foo": 60555, "IRA": 60556, "ĠSatellite": 60557, "borah": 60558, "Ġ}}\"Ċ": 60559, "ĠEnds": 60560, "ĠSpray": 60561, ",param": 60562, ".Chrome": 60563, "*q": 60564, "thought": 60565, "ibrated": 60566, "Ġthieves": 60567, "Ġbeneficiaries": 60568, "Entered": 60569, "ottesville": 60570, "Ġveterin": 60571, "ByID": 60572, "quipe": 60573, "umption": 60574, "-unit": 60575, "ExecutionContext": 60576, "@s": 60577, "ĠGiov": 60578, ".ToolTip": 60579, "_friend": 60580, "(attributes": 60581, "Ġdumping": 60582, "ĠJC": 60583, "_DOCUMENT": 60584, "ĠArmour": 60585, "(insert": 60586, ".HorizontalAlignment": 60587, "ĠQed": 60588, "ãģĦãģ¾ãģĻ": 60589, "/git": 60590, "ĠYYYY": 60591, "ĠCardiff": 60592, "Ġapa": 60593, "organic": 60594, "ĠWhereas": 60595, "ĠæĿ": 60596, "ĠMia": 60597, "Ġdemolition": 60598, "Ġscars": 60599, "Ġpai": 60600, "Ġretries": 60601, "Ġrq": 60602, "ĠDenis": 60603, "(Utils": 60604, "Ġalleviate": 60605, "ĠPIC": 60606, "idue": 60607, "Ġacknowledging": 60608, "Ġ//////////////////////////////////": 60609, "ç¡®å®ļ": 60610, "Ä«": 60611, "\\Json": 60612, ".binary": 60613, "Ġxtype": 60614, "signals": 60615, "ĠAppearance": 60616, "&r": 60617, "}s": 60618, "Ci": 60619, "ĠIllum": 60620, "porate": 60621, "hog": 60622, "ĠindexOf": 60623, "\\Command": 60624, "_parallel": 60625, "ĠSherlock": 60626, "íĥ": 60627, "Ġ\"\")čĊ": 60628, "////////////////////////////////////////////////////////////////////////////////////////////////": 60629, "Ġcriticize": 60630, "ĠSoap": 60631, "ĠMatcher": 60632, "Ġgrilled": 60633, "*T": 60634, "Ġadore": 60635, "ulling": 60636, "Ġjedoch": 60637, "_refs": 60638, "leanup": 60639, "ĠJAXB": 60640, "Ġroses": 60641, "ĠLiam": 60642, "sizei": 60643, "Ġgetchar": 60644, "Ġtarde": 60645, "-tooltip": 60646, "Ġqualifier": 60647, "ĠIntermediate": 60648, "_Window": 60649, "ĠMalta": 60650, "Disconnect": 60651, "ewhere": 60652, "Campo": 60653, "Ġirrational": 60654, "ledo": 60655, "ĠDN": 60656, "ARGV": 60657, "Ġoutro": 60658, "Ġthirteen": 60659, "Joseph": 60660, "MAR": 60661, "/gl": 60662, "Jess": 60663, "ĠPsychiat": 60664, "ĠpaddingBottom": 60665, "-loop": 60666, "/fonts": 60667, "_seen": 60668, "Teams": 60669, "ReactDOM": 60670, "(man": 60671, "(xpath": 60672, ".getSimpleName": 60673, ">(*": 60674, "ĠPvt": 60675, "Ġelders": 60676, "Ġpies": 60677, ".userAgent": 60678, "-region": 60679, "ĠGreeks": 60680, "(fragment": 60681, "stu": 60682, "Ġcouncils": 60683, "Ġstamina": 60684, "ĠGoddess": 60685, "西": 60686, "Ġphilosophers": 60687, "Ġpersone": 60688, "ĠLose": 60689, "ĠCLR": 60690, "ĠDocs": 60691, "Ġsoak": 60692, "ĠHOLDER": 60693, "Ġbells": 60694, "hashCode": 60695, "RATE": 60696, "_WEIGHT": 60697, "inous": 60698, "endra": 60699, "ophobic": 60700, "Ġprose": 60701, "Ġfinely": 60702, "/oauth": 60703, "(space": 60704, "adge": 60705, "ĠMama": 60706, "ĠstringBuffer": 60707, "Ġstint": 60708, "Ġmisma": 60709, "Ġvillains": 60710, "ĠCrimea": 60711, "Ġdiploma": 60712, "ĠпоÑģл": 60713, "ĠBea": 60714, "(join": 60715, "Ġíķ´": 60716, "CHAT": 60717, "pering": 60718, "ĠCros": 60719, "Ġmonkeys": 60720, "Ġpreds": 60721, "yla": 60722, ",,,": 60723, "Ġvibrator": 60724, "ĠNU": 60725, "åħĪ": 60726, "fant": 60727, "zet": 60728, "Ġbietet": 60729, "unft": 60730, "sworth": 60731, ".Flow": 60732, "Ġpsyched": 60733, "ĠContinental": 60734, ">t": 60735, "Ġquilt": 60736, ".UP": 60737, "Ġexpansive": 60738, "Dispose": 60739, "(language": 60740, "Caps": 60741, "_ZONE": 60742, "Ġrecycle": 60743, "ĠManaged": 60744, "currentColor": 60745, ".broadcast": 60746, "signIn": 60747, ".prom": 60748, "llu": 60749, "ueblo": 60750, "Ġpunches": 60751, "Ġautomat": 60752, "Ġassigning": 60753, "ĠcreateUser": 60754, "ĠAllied": 60755, "Ġconductor": 60756, "Ĥ¨": 60757, "Ġsaddle": 60758, "Ġdni": 60759, "omedical": 60760, "-West": 60761, "PositiveButton": 60762, "Ġitalic": 60763, "?[": 60764, "(trigger": 60765, "Ġelephants": 60766, "\":\"\",\"": 60767, "Ġcaliber": 60768, "rafted": 60769, "digits": 60770, "Ġmarshal": 60771, "milliseconds": 60772, "markers": 60773, "mom": 60774, "/place": 60775, "Ġholistic": 60776, ":t": 60777, "#,": 60778, "Ġboto": 60779, "Ġnausea": 60780, "ĠShooting": 60781, "itech": 60782, "ĠtextStatus": 60783, "())Ċ": 61004, "ADDRESS": 61005, "BST": 61006, "etzt": 61007, "ĠQgs": 61008, "Sense": 61009, "ExceptionHandler": 61010, "ĠChu": 61011, ".getOwnProperty": 61012, "Ġexercised": 61013, "iotic": 61014, "ĠReleases": 61015, "Ġpinterest": 61016, "olie": 61017, "isoft": 61018, "Ġsequencing": 61019, "Ġpadre": 61020, "]));čĊ": 61021, "(radius": 61022, ".med": 61023, "ainties": 61024, ".ObjectModel": 61025, "Ġemple": 61026, "Ġseguro": 61027, "Stars": 61028, "Ġqualitative": 61029, "lemn": 61030, "á»±": 61031, ">\").": 61032, "Ġgx": 61033, "-cert": 61034, "ĠASTM": 61035, "Ġfullname": 61036, "Ġtelemetry": 61037, "ĠCambodia": 61038, "_ul": 61039, "ĠClare": 61040, "CUSTOM": 61041, "QC": 61042, "ĠUns": 61043, "ĠHTTPS": 61044, "ĠParkinson": 61045, "ancybox": 61046, "','.": 61047, "Tue": 61048, ".getLast": 61049, "Ġabi": 61050, "Äħd": 61051, "Ast": 61052, "ĠEditing": 61053, ".Unity": 61054, "jmp": 61055, "Ġmats": 61056, "ĠsharedPreferences": 61057, "Captain": 61058, ".pageSize": 61059, "Ġrtl": 61060, "Ġanmeld": 61061, "RuntimeObject": 61062, "Ġdemande": 61063, "(\";": 61064, "seite": 61065, "-headed": 61066, "ĠKra": 61067, "ĠFONT": 61068, "`\\": 61069, "ClassNotFoundException": 61070, ".avg": 61071, "atical": 61072, "Aj": 61073, "Ġpermitting": 61074, "Proj": 61075, "ERRQ": 61076, "Ġcreampie": 61077, "ĠBuyer": 61078, "-modules": 61079, "ĠSundays": 61080, "|`Ċ": 61081, "Ġdaytime": 61082, "Ġ+(": 61083, "Ġglitch": 61084, "ĠOperand": 61085, "Ġtoxins": 61086, "inya": 61087, "DNS": 61088, "ĠSas": 61089, "Cake": 61090, "ĠNationals": 61091, ".addTo": 61092, "Ġsinking": 61093, "Ġcomprehension": 61094, "Ġscor": 61095, "agements": 61096, "Ġtard": 61097, "Ġmarching": 61098, "ĠMTV": 61099, "Ġsane": 61100, "CreateInfo": 61101, "ắ": 61102, "ĠendIndex": 61103, "ĉlayout": 61104, "ĠåIJį": 61105, "SITE": 61106, "ĠTHERE": 61107, "Ġ[{'": 61108, "opathic": 61109, "Ġtransmitter": 61110, "/body": 61111, "Ġpund": 61112, "ĠClosing": 61113, "Ġsetattr": 61114, "Ġbounded": 61115, "Atlas": 61116, "suming": 61117, "(times": 61118, "parer": 61119, "ynom": 61120, "feit": 61121, "Ġfrem": 61122, "-leg": 61123, "ĠBras": 61124, ">#": 61125, "Ġì¶ľëł¥": 61126, "ĠINSTANCE": 61127, "ĠCouch": 61128, "_hosts": 61129, "likelihood": 61130, ".Marker": 61131, "ĠMasks": 61132, "Ġcereal": 61133, "utilities": 61134, "Ġelemental": 61135, "Ġdistorted": 61136, "inactive": 61137, "cry": 61138, "WL": 61139, "UPPORTED": 61140, ".Throws": 61141, "/schema": 61142, "serie": 61143, ".\"',": 61144, "ĠBenedict": 61145, "-picker": 61146, "iggs": 61147, "ĠPirate": 61148, "åij¨æľŁ": 61149, "ĠThema": 61150, "ĠSouthampton": 61151, "ĠarrayWith": 61152, "ĠPaula": 61153, "Ġpredictor": 61154, "-Ass": 61155, ".userid": 61156, "Ġperi": 61157, "Ġexaggerated": 61158, "urate": 61159, "arseille": 61160, "ĠConcent": 61161, "ĠPik": 61162, "Ġ@_;ĊĊ": 61163, "Ġformations": 61164, "Ġdenomin": 61165, "\"/>.Ċ": 61166, "endedor": 61167, "Ġpancre": 61168, "Ġamt": 61169, "ĠonResume": 61170, "onDelete": 61171, "ĠBCH": 61172, ")(\"": 61173, "movement": 61174, "Ġpotassium": 61175, "": 69726, "ĠPPC": 69727, "isz": 69728, "akeFromNib": 69729, "ĠDisp": 69730, "ĠAthletics": 69731, "Ġnightclub": 69732, "GOOD": 69733, ".setGeometry": 69734, "+[": 69735, "/send": 69736, "Ġbinaries": 69737, "Ġráp": 69738, ":req": 69739, "-consuming": 69740, "ertime": 69741, "UPDATED": 69742, "_nullable": 69743, "VIN": 69744, "ulia": 69745, "cyan": 69746, "Ġmisunderstanding": 69747, "orical": 69748, "degrees": 69749, "Leading": 69750, ".AR": 69751, "ickest": 69752, "Nuevo": 69753, "uforia": 69754, "Ġgoodies": 69755, "Ġfores": 69756, "()<<\"": 69757, "ademic": 69758, "ActionCreators": 69759, "servername": 69760, "(nt": 69761, "dbContext": 69762, "Ġairborne": 69763, "Ġexhibitions": 69764, "cele": 69765, "Ġtela": 69766, "": 69782, ".setPreferredSize": 69783, "ĠMID": 69784, "ĠAless": 69785, "Ġhorsepower": 69786, "Ġatm": 69787, "ĠPackaging": 69788, "Ġciphertext": 69789, "RequestMethod": 69790, "Ġbeiden": 69791, "è£": 69792, "ĠPOW": 69793, ".WriteHeader": 69794, "director": 69795, "-but": 69796, "ãģłãģķãģĦ": 69797, "incer": 69798, "_dn": 69799, "!!!!!": 69800, "Ġmanufactures": 69801, ".TextUtils": 69802, "Ġconsciously": 69803, "Ġbounced": 69804, "culture": 69805, "ĠSpar": 69806, "ĠPiper": 69807, ".press": 69808, "-owner": 69809, "Ġevaluator": 69810, "ĠSTREAM": 69811, ".PictureBoxSizeMode": 69812, "Ġsugars": 69813, "ScreenWidth": 69814, "ĠnextState": 69815, "Ġivory": 69816, "Ġbrunch": 69817, "density": 69818, "_OW": 69819, "ĠCoronavirus": 69820, "ĠCFR": 69821, "bak": 69822, "\\Category": 69823, "æķ°ç»Ħ": 69824, "Ġinvokevirtual": 69825, "}()Ċ": 69826, "Ġsujet": 69827, "-marker": 69828, "isdigit": 69829, "ĠMobil": 69830, "ĠJsonRequestBehavior": 69831, "_REMOTE": 69832, ".existsSync": 69833, "Ġriches": 69834, ".presenter": 69835, "ĠglColor": 69836, "Ġhanya": 69837, "Ġfortress": 69838, "Ġflashed": 69839, "viz": 69840, "requently": 69841, "buat": 69842, "$con": 69843, ">|": 69844, ".Func": 69845, "Ġhumorous": 69846, "uem": 69847, ".ZERO": 69848, "ĠSTL": 69849, "ĠBuk": 69850, "/sample": 69851, "ĠGros": 69852, "Recipes": 69853, "Ġinflated": 69854, "Ġswung": 69855, ":F": 69856, "Facing": 69857, ".Theme": 69858, "ник": 69859, "Ġsplendid": 69860, "ĠrequestId": 69861, ".CenterScreen": 69862, "/autoload": 69863, "embedded": 69864, "_depart": 69865, "ĠPorts": 69866, "à¹ĥ": 69867, "айд": 69868, "discussion": 69869, "_consum": 69870, "Ġscouts": 69871, "Ġcolabor": 69872, ".Stage": 69873, ".nano": 69874, "eldorf": 69875, "Ġgemacht": 69876, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ": 69877, "Ġpolicymakers": 69878, "_PKT": 69879, ",Th": 69880, "oky": 69881, "_UID": 69882, "Ping": 69883, "Ġorchest": 69884, "Ġoptics": 69885, "uhan": 69886, "ĠXOR": 69887, "Ġespañol": 69888, "ĠAdidas": 69889, "rng": 69890, "mans": 69891, ".vstack": 69892, "Ġgetaway": 69893, "Ġhierarchical": 69894, "anoia": 69895, "ĠBitmapFactory": 69896, "realm": 69897, "ĉap": 69898, "_apps": 69899, "-divider": 69900, ".drawer": 69901, "ĠHARD": 69902, "'];?>Ċ": 69903, "-packed": 69904, "æ²»": 69905, "_STRUCTURE": 69906, "[Y": 69907, "iParam": 69908, "(eq": 69909, "Ġencompasses": 69910, "Ġ\\ĊĊ": 69911, "->[": 69912, "&utm": 69913, "groupon": 69914, "strate": 69915, "DY": 69916, "omorphic": 69917, "':[": 69918, "Ġgravitational": 69919, "ĠMicha": 69920, "ĠTencent": 69921, "Ġcoached": 69922, "ì¶ľ": 69923, "ÑĥменÑĤ": 69924, "/mobile": 69925, "MouseDown": 69926, "bud": 69927, "ĠYas": 69928, "ĠProviders": 69929, "NZ": 69930, "ĉreport": 69931, "errmsg": 69932, "ĠimagePath": 69933, "acterial": 69934, "ĠManga": 69935, "wicklung": 69936, "(usuario": 69937, "\"));čĊčĊ": 69938, "/***": 69939, "Ġorganise": 69940, "Indexed": 69941, "_QUAL": 69942, "(PyObject": 69943, "Ġsurrendered": 69944, "POCH": 69945, "ĠNOTES": 69946, "\\\\\"": 69947, "-job": 69948, "Ġseventy": 69949, "####Ċ": 69950, "ĠManor": 69951, "Ġdownright": 69952, "Ġtimeframe": 69953, "insurance": 69954, "checker": 69955, "ĠSECRET": 69956, "Ġechoes": 69957, "ĠCarmen": 69958, ".setHorizontalAlignment": 69959, "ĠisChecked": 69960, "ĠTOR": 69961, "_nn": 69962, "('(": 69963, "FetchRequest": 69964, "ĠPrinted": 69965, "Fluid": 69966, "ĠSTACK": 69967, "GES": 69968, "aigned": 69969, "igor": 69970, ".Unknown": 69971, "CBC": 69972, "ĠCarlson": 69973, ".URI": 69974, "Ġplight": 69975, "/start": 69976, "ĠPersonnel": 69977, "ĠPREFIX": 69978, ",**": 69979, "Ġlimite": 69980, "_heat": 69981, "%ï¼Į": 69982, "ĠDonne": 69983, "getNode": 69984, "ĠScientology": 69985, "Ġcomet": 69986, "Ġwenig": 69987, "Aside": 69988, "ĠMPEG": 69989, "'?": 69990, "variably": 69991, ".endDate": 69992, "Ġuncont": 69993, "ĠScores": 69994, "ĠLoginForm": 69995, ".generated": 69996, ",ch": 69997, "-mar": 69998, "ĠNed": 69999, "ĠeventId": 70000, "+p": 70001, "ĠSIN": 70002, "/reset": 70003, ".REACT": 70004, "ĠMessi": 70005, "_RANK": 70006, ".writeFile": 70007, "Ġcripp": 70008, "esthetic": 70009, "ERSIST": 70010, "Ġreimbursement": 70011, "CurrentValue": 70012, "Ġunin": 70013, "DownLatch": 70014, "ĠpaddingRight": 70015, "Ġstocked": 70016, "/'.": 70017, "Ġrepayment": 70018, "trak": 70019, "/backend": 70020, "Ġизмен": 70021, "CSR": 70022, "Ġpreventive": 70023, "Ġpantalla": 70024, "_trim": 70025, "Pedido": 70026, "hospital": 70027, "Ġmanageable": 70028, "routeParams": 70029, "textures": 70030, "......ĊĊ": 70031, "Ġsélection": 70032, "NameValuePair": 70033, "Ġpollut": 70034, "Modes": 70035, "ĠLaud": 70036, "jay": 70037, "ĠUrs": 70038, "Ġsigner": 70039, "ĠJJ": 70040, "ĠCherokee": 70041, "_EXISTS": 70042, "Ġdwar": 70043, "Ġ($('#": 70044, "Ġreef": 70045, ">{$": 70046, "ĠBaylor": 70047, "ĠModelState": 70048, "-_": 70049, "ĠStructures": 70050, "Ġsouvent": 70051, "Specify": 70052, "(pipe": 70053, "Ġfracking": 70054, "ĠGPA": 70055, "Ġbele": 70056, "ĉĉĉĉĉĉĉĠĠĠ": 70057, "ĠMinority": 70058, "Ġtud": 70059, "Ġopenness": 70060, "ĠIllustrated": 70061, "Ġoxidation": 70062, "ĠNK": 70063, "ĉUpdate": 70064, "ĠEMS": 70065, "ĠTeddy": 70066, "Ġgenerals": 70067, "ĉMat": 70068, "Ġradios": 70069, "ĠAntique": 70070, "conomy": 70071, "ĠSquadron": 70072, ")','": 70073, "声": 70074, "Ġyoure": 70075, "ĠMainPage": 70076, "Ġbehaviours": 70077, "enght": 70078, "(@\"%@\",": 70079, "Ġtestcase": 70080, "ĠCompilation": 70081, "Ġflavours": 70082, "ĠExtend": 70083, "illator": 70084, "Ġcoh": 70085, "Ġspline": 70086, "ĠKG": 70087, "-pay": 70088, "Ġcommunism": 70089, "ĠBusinesses": 70090, "ocking": 70091, ".MaxLength": 70092, "assandra": 70093, "quiring": 70094, "adden": 70095, "ĠJeb": 70096, "_fault": 70097, "[file": 70098, "Ġprominence": 70099, "disciplinary": 70100, "âĢĶthey": 70101, "_extent": 70102, "ĠVIC": 70103, "Ġentails": 70104, ".partner": 70105, "Ġhippoc": 70106, "League": 70107, "çĶ·": 70108, "wipe": 70109, "-spinner": 70110, "Ġsalute": 70111, "ĠSurgical": 70112, "(outputs": 70113, "worked": 70114, "[strlen": 70115, "appointed": 70116, "ĠHeg": 70117, "ĠACPI": 70118, "([^": 70119, "uala": 70120, "_tol": 70121, "ĠRit": 70122, ".Payment": 70123, "kowski": 70124, "Ġwalmart": 70125, "requirements": 70126, "ĠFINSEQ": 70127, "_BACKGROUND": 70128, "ĠOsborne": 70129, "(errorMessage": 70130, "Reporting": 70131, "Ġauctions": 70132, "Ġcombos": 70133, "ĠNoticed": 70134, "_oct": 70135, "Ġprimero": 70136, "taire": 70137, "_hr": 70138, "Ġмод": 70139, "Ġcontradictory": 70140, "=\"@": 70141, "achines": 70142, "(optarg": 70143, "ĠPenguin": 70144, "ĠAbbas": 70145, "Ġsublime": 70146, "Ġpageable": 70147, "ĠDefensive": 70148, "Ġdistinctly": 70149, "ĠAutomatically": 70150, "Understanding": 70151, "EqualityComparer": 70152, "gota": 70153, "Ġ\"::": 70154, "Ġpulver": 70155, "ĠBattles": 70156, "Ġunparalleled": 70157, "TCHA": 70158, "Ġconstrued": 70159, "-aff": 70160, "Ġprecursor": 70161, "-lfs": 70162, "Ġmaduras": 70163, "ĠDaisy": 70164, "ĠArbeits": 70165, ".Management": 70166, "ĉIn": 70167, "Ġrobes": 70168, "Ġspéc": 70169, "âĢľ(": 70170, "Ġmaternity": 70171, "extent": 70172, "ĠSpacer": 70173, "DidAppear": 70174, "ĉus": 70175, ".getRequestDispatcher": 70176, "(cols": 70177, "Ġplummet": 70178, "ìħ": 70179, "Ġ{ĊĊĊĊ": 70180, "érica": 70181, "ĠSizes": 70182, ".enum": 70183, ".Highlight": 70184, "Ġ!!}ĊĊĊ": 70193, "Wenn": 70194, "Ġclimax": 70195, "Ġcrem": 70196, "_that": 70197, "[âĢ¦": 70198, "_domains": 70199, "_REPLY": 70200, "Ġcompleta": 70201, "VEST": 70202, "_particle": 70203, "Ġsop": 70204, "Ġfatalities": 70205, "implify": 70206, "ĠSKF": 70207, "Ġinfusion": 70208, "ĠJavier": 70209, "Ġballet": 70210, "Ġamigo": 70211, ".want": 70212, "Ġcollagen": 70213, "ĠLawyer": 70214, ".Statement": 70215, ".rt": 70216, "baar": 70217, "EndPoint": 70218, "ĠBek": 70219, "SHIP": 70220, "Ġpatriarch": 70221, "ĠAunt": 70222, "_TM": 70223, "ĠmÃŃn": 70224, "Ġmastered": 70225, "WXYZ": 70226, "Ġespos": 70227, "=logging": 70228, "Ġrighteousness": 70229, "torrent": 70230, "Ġbst": 70231, "_CHAIN": 70232, "Ġoutskirts": 70233, "(rotation": 70234, "Ġ'.')": 70235, "igrants": 70236, "+lsi": 70237, "ĠCCTV": 70238, "_PHASE": 70239, ".azure": 70240, "_Process": 70241, "vae": 70242, "ĠTropical": 70243, "ĠAnkara": 70244, "imageView": 70245, "_RUNNING": 70246, "Ġ*)__": 70247, "ến": 70248, "(cli": 70249, "scatter": 70250, "Ġsche": 70251, "Registrar": 70252, "Ġairing": 70253, "Ġpyplot": 70254, "isión": 70255, "/customer": 70256, "Ġsimplement": 70257, "Ġclassy": 70258, "ĠDWC": 70259, "ĠBashar": 70260, "ĠDEVELO": 70261, "ĠVick": 70262, "avail": 70263, "ĠHö": 70264, "_extend": 70265, "drFc": 70266, ".isNotBlank": 70267, "Ġplais": 70268, "|}Ċ": 70269, "Ġpornofil": 70270, "labs": 70271, "Ġhaus": 70272, "Ġoriginating": 70273, "Ġsurrounds": 70274, "ĠQUAL": 70275, "meg": 70276, "/logger": 70277, "[obj": 70278, "Ġirresponsible": 70279, "ĠPublicKey": 70280, "HONE": 70281, ":'/": 70282, "ibox": 70283, "ĠFVector": 70284, "|{Ċ": 70285, "ataloader": 70286, "hawks": 70287, "HDR": 70288, "Ġescalation": 70289, "ĠPodsDummy": 70290, "elite": 70291, "Ġpresup": 70292, "Cached": 70293, ">G": 70294, ".optimizer": 70295, "ĠVisible": 70296, "´Ģ": 70297, "Ġnen": 70298, "Ġpcs": 70299, "ĠIdle": 70300, "[Any": 70301, "Ġkeyboards": 70302, "ĠCOMPONENT": 70303, "Ġtitanium": 70304, "(mut": 70305, "ĠLedger": 70306, "Ġprosperous": 70307, "etrofit": 70308, "_LL": 70309, "_patient": 70310, "Ġpdata": 70311, "Ġkontakte": 70312, "Swipe": 70313, "Ġcheerful": 70314, "ĠHonduras": 70315, "\"][$": 70316, "Ġhemorrh": 70317, "\":\"+": 70318, "Ġleasing": 70319, "Ġinstalls": 70320, "ĠPax": 70321, "ĠLogistics": 70322, "Ġkinetic": 70323, "ĠPhon": 70324, "_movement": 70325, "ĉbytes": 70326, "Ġcinco": 70327, "ĠMadness": 70328, "\")+": 70329, "ĠJE": 70330, "_ij": 70331, "SceneManager": 70332, "ĠBust": 70333, "ptest": 70334, "aea": 70335, "Ġbesser": 70336, "ÃŃg": 70337, "дин": 70338, "(tasks": 70339, "(\"(\"": 70340, "setType": 70341, "(outfile": 70342, "ĉreset": 70343, "ĠARC": 70344, "Ġmúsica": 70345, "ĠShelf": 70346, "ĠminY": 70347, "pch": 70348, "Ġweiber": 70349, "issor": 70350, "Ġtrouve": 70351, "ĉButton": 70352, "Ġregenerated": 70353, "Å£i": 70354, "imachinery": 70355, "blocking": 70356, ".dataTables": 70357, "_frac": 70358, "ĠAdvantage": 70359, ".visitMethod": 70360, "éĩįæĸ°": 70361, "Ġextrapol": 70362, "Ġteasing": 70363, "ĠHitch": 70364, "ĠGeek": 70365, "ESCO": 70366, "Ġwich": 70367, "ĉax": 70368, "_decor": 70369, "ĠscreenWidth": 70370, "ĠSophia": 70371, "Forgot": 70372, ".uni": 70373, "ĠVenture": 70374, "_collision": 70375, "Ġlawmaker": 70376, "(Edit": 70377, "blers": 70378, "ĠgetNext": 70379, "âĢĶyou": 70380, "MediaPlayer": 70381, "ĠHorde": 70382, "ĠCongressman": 70383, "observations": 70384, "ĉproperty": 70385, "Ġ<--": 70386, "CreatedAt": 70387, "ubyte": 70388, "Ġquarantine": 70389, "Ġdistressed": 70390, "_APB": 70391, "ĠGoodman": 70392, "ãĤ«": 70393, "Ġrecomend": 70394, "_PRINTF": 70395, "DONE": 70396, "Bindable": 70397, "rstrip": 70398, "centaje": 70399, "ĠUnexpected": 70400, "ĠSCHOOL": 70401, "ĠProfessionals": 70402, "ĠGPUs": 70403, "Lesson": 70404, "Exclusive": 70405, "Ġatrav": 70406, "ĠDank": 70407, "ĠLawyers": 70408, "ĠWalton": 70409, ">[]": 70410, "Ġaloud": 70411, "=\"../../../": 70412, "Ġdebating": 70413, "ĠAVG": 70414, "_VOL": 70415, "/cgi": 70416, ".deg": 70417, ":g": 70418, ".Infof": 70419, "MeasureSpec": 70420, ".song": 70421, "mtree": 70422, "ulls": 70423, "Jordan": 70424, "ĠCovers": 70425, "Ġattributable": 70426, "Ġjedis": 70427, "iatrics": 70428, "Ġrotterdam": 70429, "Ġmeld": 70430, "ĠContentType": 70431, "Ġmantle": 70432, "Ġalice": 70433, "_duplicate": 70434, "/Internal": 70435, "Ġfilesize": 70436, "ĉfire": 70437, "rese": 70438, "ondere": 70439, "Ġfamiliarity": 70440, "ĠCrest": 70441, "Ġkarma": 70442, "Ġtorino": 70443, "Ġmesa": 70444, "/temp": 70445, "Ġchir": 70446, "ĠOverflow": 70447, "Ġtenemos": 70448, "unik": 70449, "NEXT": 70450, "Alle": 70451, "Ġnxt": 70452, "Mart": 70453, "Ġatl": 70454, "Ġperiodo": 70455, "_you": 70456, "Ġ})).": 70457, "intestinal": 70458, ".AdapterView": 70459, "Ġhesitant": 70460, "Ġcomparatively": 70461, ".UInt": 70462, "(viewModel": 70463, "Ġsangat": 70464, "ĠResponsive": 70465, "ĠZack": 70466, "âħ": 70467, "JAVA": 70468, "ĠFuller": 70469, "ĠâĿ¤": 70470, ".Consumer": 70471, "Ġank": 70472, "Ġreactors": 70473, "fuck": 70474, "_rat": 70475, "ĠsessionFactory": 70476, "_backward": 70477, "Ġscrambled": 70478, "ĉth": 70479, "Ġinsensitive": 70480, "Ġchamps": 70481, "Ġnginx": 70482, "Ġconhec": 70483, "ĠJasper": 70484, ".fm": 70485, "StrictEqual": 70486, "achsen": 70487, "-Nov": 70488, "lassen": 70489, ".integration": 70490, "(lbl": 70491, "Compose": 70492, "ĠFon": 70493, "Ãļ": 70494, "Gratis": 70495, "ĠLime": 70496, "ĠAdapterView": 70497, "Ġpoisoned": 70498, "anchors": 70499, "设计": 70500, "']?>\"": 70501, "Ġprocur": 70502, "Italy": 70503, ".MONTH": 70504, "ĠLUA": 70505, "ĠLithuania": 70506, "ĠHeads": 70507, "_CHUNK": 70508, "ĠPUSH": 70509, "AspectRatio": 70510, "Ġweg": 70511, "Ġvids": 70512, "ĠWein": 70513, "ĉINT": 70514, "sessionId": 70515, "Industry": 70516, "Ġdenounced": 70517, "JKLM": 70518, "ĠVanessa": 70519, ".Identifier": 70520, "propri": 70521, "Ġиг": 70522, "Ġtécn": 70523, "Ġmosaic": 70524, "StreamReader": 70525, "-Th": 70526, "forth": 70527, "Ġadherence": 70528, "bate": 70529, "Ġknights": 70530, "sounds": 70531, "Ġsalle": 70532, "OMET": 70533, "ãĤ¹ãĥĪ": 70534, "-tm": 70535, "ĠRhe": 70536, ".FileOutputStream": 70537, "åĪĨç±»": 70538, "ĠENG": 70539, "holiday": 70540, "ĠCongratulations": 70541, ")(Ċ": 70542, "Ġaggregates": 70543, "HOOK": 70544, "ewire": 70545, "Senator": 70546, "Ġembeddings": 70547, "epy": 70548, "(COM": 70549, "Ġrobber": 70550, "äter": 70551, "wang": 70552, "_teacher": 70553, "Ġresentment": 70554, "Ġlettuce": 70555, "erreur": 70556, "(ic": 70557, "ĠTactical": 70558, "ĠContracts": 70559, "Ġmænd": 70560, "Ġsitios": 70561, "Ġbastante": 70562, "Ġnuevos": 70563, "ĉNdrFc": 70564, "ĠprivateKey": 70565, "ucch": 70566, "MMdd": 70567, "Ġè¾ĵåĩº": 70568, "umba": 70569, "@foreach": 70570, ":\");ĊĊ": 70571, "Ġslippery": 70572, "ĠKeystone": 70573, "Ġpioneering": 70574, "_triangle": 70575, "(\"Ċ": 70576, "ĉĉĉĉĉĉĉĉĠĠ": 70577, "ĠIntervention": 70578, "SCI": 70579, "ĠcJSON": 70580, "Ġterminating": 70581, "ë¹Ħ": 70582, "Ġbabys": 70583, "Subset": 70584, "Ġë¡": 70585, "Ġseulement": 70586, "Ġmuestra": 70587, "Entre": 70588, "以ä¸Ĭ": 70589, "ngo": 70590, "\"bytes": 70591, "QRST": 70592, "Ġypos": 70593, "persona": 70594, "ĠDeploy": 70595, "cee": 70596, "Ġà®": 70597, ".goal": 70598, "Ġhabitats": 70599, "ĠisAdmin": 70600, "Ġexploiting": 70601, "Ġventil": 70602, "ĠBalls": 70603, "اب": 70604, "Ġmindfulness": 70605, "(kwargs": 70606, "Ġresembling": 70607, "Ġchoir": 70608, "ĠonBackPressed": 70609, "ĠSECURITY": 70610, "/gtest": 70611, "Ġjustices": 70612, "ĠintegerValue": 70613, "blah": 70614, "ĠAim": 70615, "_finalize": 70616, "keh": 70617, "ĠComplexity": 70618, "Ġaugust": 70619, "getElementsByTagName": 70620, "Ġpreach": 70621, "Ġpronunciation": 70622, "ĠTrash": 70623, "-percent": 70624, "_PRIV": 70625, "ĠHunts": 70626, "ĠCurse": 70627, "uellen": 70628, "Ġheavyweight": 70629, "Xi": 70630, "ĉselected": 70631, "ĠMcCoy": 70632, "å¼Ĥ常": 70633, "|=Ċ": 70634, "ĠBattlefield": 70635, "ItemImage": 70636, "Ġdeductions": 70637, "ĠElemental": 70638, "());//": 70639, "ĠBurk": 70640, "})čĊčĊ": 70641, "swift": 70642, "/function": 70643, "Usually": 70644, "_St": 70645, "_feats": 70646, "ĠIsValid": 70647, "Ġzad": 70648, "ImageContext": 70649, "Ġclassname": 70650, "Ġdonner": 70651, "Ġ-->ĊĊĊ": 70652, "Ġmotorcycles": 70653, "+'/'+": 70654, "ĠsetBackground": 70655, "\\CMS": 70656, ".AllArgsConstructor": 70657, "ĠLexington": 70658, ".examples": 70659, "ĠPurs": 70660, "PushMatrix": 70661, "Ġ==============================================================": 70662, ".addTarget": 70663, "pora": 70664, "Fullscreen": 70665, "Ġgoof": 70666, "hlen": 70667, "äge": 70668, "ĠCURL": 70669, "ĠInteresting": 70670, "Ġretrieves": 70671, "_Obj": 70672, "inness": 70673, "-----ĊĊ": 70674, ".tsv": 70675, "(IM": 70676, "ĠBraves": 70677, "_ISR": 70678, "osti": 70679, "á»ĵ": 70680, "ĠExterior": 70681, "ĠCourtney": 70682, "Ġresidues": 70683, "Tier": 70684, ".*;čĊčĊ": 70685, ":black": 70686, "webView": 70687, "\"path": 70688, "Ġmasa": 70689, "]!='": 70690, "ĠMatching": 70691, "dur": 70692, "Jvm": 70693, "=context": 70694, "_RING": 70695, "Ġproponents": 70696, "ĠQStringLiteral": 70697, "Ġinflate": 70698, "\">čĊ": 70931, "_COST": 70932, "ilinear": 70933, "ĠWorkspace": 70934, "Ġspel": 70935, "agogue": 70936, "ĠMillennium": 70937, "ĠPopulate": 70938, "Ġnid": 70939, ".parseColor": 70940, "Solar": 70941, "ĠGad": 70942, "Ġì¤ij": 70943, "ĠKamp": 70944, "ĉrm": 70945, "Ġbenz": 70946, "ĠHonestly": 70947, "Ġelectrode": 70948, "ĠPrairie": 70949, "ĠPROFILE": 70950, "ĠOriental": 70951, "ĠOLED": 70952, "/copyleft": 70953, "awaii": 70954, "(products": 70955, ")\\<": 70956, "-created": 70957, ".ManyToMany": 70958, "\"How": 70959, "ĠвÑĭп": 70960, "Ġmitochondrial": 70961, "_testing": 70962, "(created": 70963, "ĠgetField": 70964, "_EVAL": 70965, "].\"": 70966, "ĠFSM": 70967, "ĠRita": 70968, "ĠåıĤæķ°": 70969, "Ġcôt": 70970, "ĠInsight": 70971, "ĉmysqli": 70972, "_timing": 70973, "IDO": 70974, ")))))Ċ": 70975, "COVERY": 70976, ".imag": 70977, "CDF": 70978, "lust": 70979, "ickt": 70980, "_FP": 70981, ".','": 70982, "gcc": 70983, "Ġkurz": 70984, "_pwm": 70985, "Ġodpowied": 70986, "ĠBarrier": 70987, "/***************************************************************************Ċ": 70988, "pak": 70989, "-Israel": 70990, "ĠRutgers": 70991, "ĠselectedItem": 70992, "ĠRamirez": 70993, "Farm": 70994, "Ġcalendars": 70995, "gzip": 70996, "Ġblockbuster": 70997, "ĠPlymouth": 70998, "çľĮ": 70999, "responses": 71000, ".DialogInterface": 71001, "-grand": 71002, "ĠgetSource": 71003, "Ġdejtings": 71004, "Ġtieten": 71005, "Ġcondemnation": 71006, "Ġcontinuar": 71007, ".MockMvc": 71008, "/english": 71009, "ĠMediaPlayer": 71010, "computed": 71011, "ĠClippers": 71012, "(delegate": 71013, ".Slf": 71014, "Ġë¡ľ": 71015, "ĠTide": 71016, "Ġihrem": 71017, "ĠWan": 71018, "ÑĥÑİÑī": 71019, "}><": 71020, "Discussion": 71021, "Ġwatts": 71022, "-minus": 71023, "ĠJuliet": 71024, "éĽħ": 71025, "Ġconcluding": 71026, "andscape": 71027, "Ġúltima": 71028, "ĠDERP": 71029, "ĠsignUp": 71030, "ĠSecondly": 71031, "WAIT": 71032, "lds": 71033, ".callbacks": 71034, "(hour": 71035, "imators": 71036, "volent": 71037, "AAF": 71038, "edriver": 71039, "ĠMathematic": 71040, "'": 71042, "{j": 71043, "_ABORT": 71044, "Ether": 71045, "Ġeducator": 71046, "Ġprecaution": 71047, "Ġfingertips": 71048, "getVar": 71049, "camatan": 71050, "-debug": 71051, "ĠRAF": 71052, "[arg": 71053, "Ġraced": 71054, "Ġtsunami": 71055, ".flink": 71056, "Ġglyc": 71057, "uko": 71058, "ĠMultiply": 71059, "Ġredistribution": 71060, "AGO": 71061, "ĠRoutine": 71062, "Ġopr": 71063, "(lower": 71064, "ĠFunktion": 71065, ".dk": 71066, "Ġegt": 71067, "_BASIC": 71068, "syscall": 71069, "ĠLSD": 71070, "ĠDuplicate": 71071, "_sell": 71072, "ĠerrorHandler": 71073, "_ips": 71074, "Ġerv": 71075, "annie": 71076, "(resourceName": 71077, "Ġbottled": 71078, "Ġcrawling": 71079, "egment": 71080, ".setTag": 71081, "Ġrss": 71082, "ĠQuarry": 71083, "_exact": 71084, ".jwt": 71085, "ĠBoards": 71086, "opi": 71087, "Ġnasal": 71088, "ĠXYZ": 71089, ".ud": 71090, "Northern": 71091, "Ġactivating": 71092, "edx": 71093, "ovah": 71094, "Ġindx": 71095, "AlertDialog": 71096, "Ġtienes": 71097, "annya": 71098, "_pan": 71099, "(decimal": 71100, ".Dict": 71101, "Ġsubsidiaries": 71102, "ProductName": 71103, "Few": 71104, "dato": 71105, "odied": 71106, "-under": 71107, "Ġê²ĥ": 71108, "çīĪæľ¬": 71109, "atism": 71110, "[Math": 71111, ".'<": 71112, "(infile": 71113, "Ġdenotes": 71114, "$class": 71115, "_SECURITY": 71116, "Ġsewage": 71117, "melon": 71118, "(Character": 71119, "/github": 71120, "Ġglaring": 71121, ".Guid": 71122, "_sparse": 71123, "ĠMargin": 71124, "_dns": 71125, "Ġmeiner": 71126, "Ġleftist": 71127, "ĉloc": 71128, "abytes": 71129, "Ġequipments": 71130, "expo": 71131, "ĠSomerset": 71132, "EK": 71133, "æį¢": 71134, "Ġlecturer": 71135, "Ġmemiliki": 71136, "æł¸": 71137, "ç´ł": 71138, "pron": 71139, ":pointer": 71140, "borrow": 71141, "ĠProtective": 71142, "_cf": 71143, "ĠÐķÑģли": 71144, "bpp": 71145, "';ĊĊĊĊ": 71146, "aturally": 71147, "_NAV": 71148, "Ġpeptide": 71149, ">d": 71150, "Ġifstream": 71151, "_FACTORY": 71152, "');//": 71153, "joined": 71154, "mong": 71155, "Ġtimespec": 71156, "Ġdestabil": 71157, "Ġautop": 71158, "-limit": 71159, "publication": 71160, "ĠDenn": 71161, ".Memory": 71162, "(skb": 71163, "ĠAnaheim": 71164, "_RETURNTRANSFER": 71165, "oueur": 71166, "(_('": 71167, "legt": 71168, "istingu": 71169, "ĉpriv": 71170, "Ġredirects": 71171, "Mt": 71172, "Ġalleen": 71173, "ĠPointF": 71174, "Ġomin": 71175, "Ġcitt": 71176, "ĠTage": 71177, "ĠWalls": 71178, "á»ī": 71179, "Ġoccupying": 71180, "xBF": 71181, "rangle": 71182, "Ġrelational": 71183, "-org": 71184, "Ġjpg": 71185, "-derived": 71186, "Ġmalfunction": 71187, "ĠBenson": 71188, "(scroll": 71189, "ĠXD": 71190, "Holy": 71191, "(commands": 71192, "Ġtipping": 71193, "Ġprimitives": 71194, "Ġsexle": 71195, "CallCheck": 71196, "ĠMASTER": 71197, "_TEAM": 71198, ".setRequestHeader": 71199, "_specs": 71200, "Ġserge": 71201, ".Master": 71202, "Ġims": 71203, ".SpringBootTest": 71204, "paypal": 71205, "ĠWANT": 71206, ".Inst": 71207, "ĠCarpet": 71208, "Ġwrongly": 71209, "($('.": 71210, "Ġbild": 71211, ".Roll": 71212, "ĠUrb": 71213, "-can": 71214, "ãģıãģłãģķãģĦ": 71215, "oliberal": 71216, "čĊčĊ": 71610, "ĠMahm": 71611, "}\";ĊĊ": 71612, "Ġdq": 71613, "ĠPublishers": 71614, "ĠAmpl": 71615, "ĠDanielle": 71616, "Ġtern": 71617, "èµ·": 71618, "noÅĽÄĩ": 71619, "ein": 71620, "ĠAsyncStorage": 71621, "unger": 71622, "rouw": 71623, "Ġscissors": 71624, "/assert": 71625, ".bucket": 71626, "/archive": 71627, "_Man": 71628, "Ġintoler": 71629, "Ġ()=>": 71630, "ĠÐĴÑĭ": 71631, "Ġsai": 71632, ".xy": 71633, ".\"čĊ": 71634, "Ġurinary": 71635, "esub": 71636, "ISTICS": 71637, "Ġκ": 71638, "Ġcompliments": 71639, "ĠtypingsJapgolly": 71640, "ihar": 71641, "Expansion": 71642, "ĠServing": 71643, "_students": 71644, "ĠXBOOLE": 71645, "(il": 71646, "Ġì²ĺ": 71647, "Ġjó": 71648, "(tol": 71649, "(JS": 71650, "ĉCG": 71651, "ĠDRAW": 71652, "twig": 71653, "Ġoat": 71654, "_smooth": 71655, "ĠCSL": 71656, "Ġosob": 71657, "Ġensuing": 71658, "Ġbanker": 71659, "ĠBackpack": 71660, "_ping": 71661, "Ġwishlist": 71662, "=ax": 71663, "ĉĠĠĠĊ": 71664, "Disney": 71665, "steady": 71666, "\">%": 71667, "Ġprophets": 71668, "ĠZX": 71669, "Ġminimalist": 71670, ".PLAIN": 71671, "Seattle": 71672, ".ordinal": 71673, "ĠPIPE": 71674, "Ġretorna": 71675, "Ġjugador": 71676, "ĠBret": 71677, "ĠâĶľ": 71678, "Ġplush": 71679, "ULATOR": 71680, "Sorting": 71681, ".gridy": 71682, "ectomy": 71683, "_activ": 71684, "rack": 71685, "Interactive": 71686, "ĠAntarctica": 71687, "Ġvengeance": 71688, "enso": 71689, "_known": 71690, "upplier": 71691, ".Modules": 71692, "ĠConnectionState": 71693, "éļIJèĹı": 71694, "@FindBy": 71695, "Ġplacer": 71696, "\\model": 71697, "<()>": 71698, ".isSuccessful": 71699, "-good": 71700, "bz": 71701, "ĠDraco": 71702, "Assistant": 71703, "-extra": 71704, "аблиÑĨ": 71705, "Ġhypocrisy": 71706, "Ġtst": 71707, "ĠAgr": 71708, "$txt": 71709, "Ġlogistic": 71710, "licensed": 71711, "ĠHof": 71712, "Ġtat": 71713, "(iv": 71714, "Ġintoxic": 71715, "postId": 71716, "_strike": 71717, "Ġhumiliation": 71718, "pcodes": 71719, "\"sync": 71720, "(recipe": 71721, "+N": 71722, "rente": 71723, "ĉClient": 71724, "ycopg": 71725, "ĠZurich": 71726, "ĠProfiles": 71727, "Countries": 71728, "Ġpict": 71729, "Ġrollout": 71730, "requencies": 71731, "Ġpatched": 71732, "Ġcartridges": 71733, "Ġshading": 71734, "Jar": 71735, "Ġsalvage": 71736, "ĠTaxes": 71737, "Ġstandby": 71738, "aporan": 71739, "Eigen": 71740, ".angular": 71741, "ĠNested": 71742, "享": 71743, "ĠisVisible": 71744, "ĠDwight": 71745, "_BRANCH": 71746, ".Delay": 71747, "Ġkend": 71748, "Ġfacilitated": 71749, ".flatMap": 71750, "Ġsanta": 71751, "ĉSend": 71752, "/messages": 71753, "ĠofType": 71754, "ĉswap": 71755, "#plt": 71756, "ĠTurks": 71757, "NES": 71758, "Ġprogressively": 71759, "ĠResidence": 71760, "ĠTREE": 71761, "Ġnoen": 71762, "dio": 71763, "Ġnelle": 71764, "Ġsogar": 71765, "itti": 71766, "weekly": 71767, "Ġambiguity": 71768, "_Settings": 71769, "Ware": 71770, ".neo": 71771, "_DST": 71772, "Ġæĸ¹": 71773, "prep": 71774, "lobby": 71775, "@email": 71776, "/movie": 71777, "Ġfunkc": 71778, "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ": 71779, "ÂŃs": 71780, "Ġguardians": 71781, "-pos": 71782, "Ġconfiguring": 71783, "ĠCPS": 71784, "ĠDeus": 71785, "Ġvidéos": 71786, "_empresa": 71787, "Ġslapped": 71788, "',Ċ": 71820, "_XDECREF": 71821, "ĠBuzzFeed": 71822, "_MARGIN": 71823, "PLOY": 71824, ".small": 71825, "ĠmimeType": 71826, "Ġholog": 71827, "ĉcamera": 71828, "lias": 71829, "Ġsuspense": 71830, "odynam": 71831, "bau": 71832, "Ġgraveyard": 71833, "_named": 71834, "\":\"'": 71835, "Ġ************************************************": 71836, "ĠgameOver": 71837, "ĠLENGTH": 71838, "ĉscreen": 71839, "ĠdoInBackground": 71840, "_dependencies": 71841, "Ġrtc": 71842, "/up": 71843, "_ROM": 71844, "Hall": 71845, "Ġdeficiencies": 71846, "(te": 71847, "'#": 71848, "_equiv": 71849, "Ġpreorder": 71850, "ĠAxe": 71851, "омÑĥ": 71852, ".sendFile": 71853, "Ġfilt": 71854, "ĠLimits": 71855, "ĠCavaliers": 71856, ".discount": 71857, "âĨIJ": 71858, "ĠWit": 71859, "QRSTUV": 71860, "Ġij": 71861, "Ġtegen": 71862, "Ġ:\",": 71863, "difficulty": 71864, "punkt": 71865, "ĠEmails": 71866, "chlor": 71867, "(fun": 71868, ".Uint": 71869, "ĠStall": 71870, "_verified": 71871, "uD": 71872, "FileType": 71873, "Ġpleasures": 71874, "Ġjudiciary": 71875, "Ġsham": 71876, "ipur": 71877, "_PLUS": 71878, "offers": 71879, "(foo": 71880, "_GT": 71881, "ĉcore": 71882, "ENTION": 71883, "ĠLiberation": 71884, "CommandLine": 71885, "_department": 71886, ".Ar": 71887, "_neighbor": 71888, "ĠSubmitted": 71889, "ĠĊ": 96121, "Ġdroits": 96122, "Ġhomosexuals": 96123, "Ġabduction": 96124, "ĉwidget": 96125, "$headers": 96126, "ĠDAR": 96127, "Ġfla": 96128, "threat": 96129, "Ġlouis": 96130, ".GetProperty": 96131, "\"Just": 96132, "(frames": 96133, "ryo": 96134, "profession": 96135, "|i": 96136, "íķ´ìĦľ": 96137, "(sv": 96138, "Ġunrecognized": 96139, "Ionic": 96140, "Fashion": 96141, "ScreenState": 96142, "ĠIncoming": 96143, "NotNil": 96144, "Ġsyncing": 96145, "emie": 96146, "Ġthermo": 96147, "_procs": 96148, "Ġinconsistency": 96149, "religious": 96150, ".mj": 96151, "Ġpersonn": 96152, "Ġmomentos": 96153, "orarily": 96154, "ĠæĬ": 96155, "_neurons": 96156, "Illustr": 96157, "imoto": 96158, "ilik": 96159, "ĠWoj": 96160, "Trading": 96161, "Ġappare": 96162, "Ġentreprises": 96163, "achat": 96164, "Ġ¬": 96165, "Ġneigh": 96166, "BUTTONDOWN": 96167, "ĠMaher": 96168, "aghan": 96169, "-hash": 96170, "\"f": 96171, "Ġclientele": 96172, ".addButton": 96173, "ĉSP": 96174, "Qi": 96175, "Ġgrated": 96176, "POSITE": 96177, ":>": 96178, "ĠHowell": 96179, "ĠComparative": 96180, "ĠISC": 96181, "ÂŃi": 96182, "Ocean": 96183, "Davis": 96184, "ĠFilme": 96185, "Wins": 96186, "ĠJIT": 96187, "occer": 96188, "ĠCorm": 96189, "ENCHMARK": 96190, "rchive": 96191, "icação": 96192, "Ġmata": 96193, "Ġchildbirth": 96194, "ĠOptionally": 96195, "Ens": 96196, "Ġxhttp": 96197, "Ġelucid": 96198, "_OscInitStruct": 96199, "))):Ċ": 96200, "Ġintuit": 96201, "ĠDonate": 96202, "Ġcorrelates": 96203, ">Delete": 96204, "Ġequipe": 96205, "Ġboca": 96206, "Ġinflatable": 96207, "erah": 96208, "ĠDateTimeKind": 96209, "Ġcalves": 96210, "\\Lib": 96211, "Ġemlrt": 96212, "ĠTrilogy": 96213, "ĠPanc": 96214, "ĠDuis": 96215, "ĠpelÃŃcula": 96216, "WARDS": 96217, "_DETECT": 96218, "-sectional": 96219, "dhcp": 96220, "ForRow": 96221, "-destruct": 96222, "ĠPresenter": 96223, "/slick": 96224, ",on": 96225, "ĠCitadel": 96226, "loggedin": 96227, "_subtype": 96228, "Ġsigue": 96229, "Ġcuring": 96230, "ĠFirewall": 96231, "Ġfluorescence": 96232, "ĠItalians": 96233, "иÑĤÑģÑı": 96234, ".getStyle": 96235, "InSeconds": 96236, "jie": 96237, "-Smith": 96238, "Ġxlink": 96239, "Ġsubmissive": 96240, "онÑĤ": 96241, "arbonate": 96242, "ĠFaul": 96243, "_goals": 96244, "ĠCommissioners": 96245, "chartInstance": 96246, "_POSTFIELDS": 96247, "Ġmedial": 96248, "Ġmanos": 96249, "Ġdelt": 96250, "svm": 96251, ".Apis": 96252, "ephy": 96253, "Ġasympt": 96254, "ĠappDelegate": 96255, "Ġimprobable": 96256, "cka": 96257, "simd": 96258, "/Error": 96259, ".âĢĵ": 96260, "ĠPTS": 96261, "deer": 96262, "Ġsina": 96263, "magnitude": 96264, "IDADE": 96265, "']}'": 96266, "Ġmayores": 96267, "ĉcomment": 96268, "/console": 96269, "\"@": 96270, "volt": 96271, ".sell": 96272, "ĠMacy": 96273, "Ġmelod": 96274, "Ġimágenes": 96275, "_chg": 96276, "Ġinout": 96277, "idente": 96278, ")'),Ċ": 96279, "dni": 96280, ".blob": 96281, "Ġtypography": 96282, "Ġeerie": 96283, "_OID": 96284, "pesan": 96285, "ajan": 96286, "Ġchopping": 96287, "Ġbluff": 96288, "adf": 96289, "_bases": 96290, ".Formatter": 96291, "Ġ\\%": 96292, "ĠPageInfo": 96293, "Carrier": 96294, "ĠCalibration": 96295, "como": 96296, "-bodied": 96297, "Ġfinancier": 96298, "ĠINA": 96299, ".ERR": 96300, "Ġhoodie": 96301, "ĠSanity": 96302, "guarded": 96303, ".opendaylight": 96304, "ISMATCH": 96305, "Highlights": 96306, "ünk": 96307, "aniem": 96308, "angered": 96309, "assignments": 96310, "Ġregistrado": 96311, "ĠUPPER": 96312, "ampilkan": 96313, "ashire": 96314, "ĠNikola": 96315, "ĠCFL": 96316, "ĠHDC": 96317, "Ġpoids": 96318, "ĠIPs": 96319, "Ġpreventative": 96320, "ipsoid": 96321, "ifix": 96322, ".camel": 96323, ".ga": 96324, "Volumes": 96325, "-ste": 96326, "Yahoo": 96327, "_sibling": 96328, "Highest": 96329, "optgroup": 96330, "Ġkvinna": 96331, "âĢĿãĢĤĊĊ": 96332, "ĠAppliances": 96333, "Ġ\"><": 96334, "')\")Ċ": 96335, "htt": 96336, "ĠIdentified": 96337, "Ġpencils": 96338, "ĠmemberId": 96339, "ĠappendString": 96340, ".loadData": 96341, "ĠmockMvc": 96342, "Ġjub": 96343, "ĠSlut": 96344, "ĠTaipei": 96345, "statt": 96346, "Polit": 96347, "Ġpartager": 96348, "DidChange": 96349, "Increases": 96350, ")}.": 96351, "ĠBaba": 96352, "_CLIP": 96353, "[unit": 96354, "ĠклÑİÑĩ": 96355, "Ġalcuni": 96356, "ĠLola": 96357, "Ġclinging": 96358, "@PostMapping": 96359, "(concat": 96360, "Ġssid": 96361, "ĠFauc": 96362, "okit": 96363, "ĠRecorded": 96364, "ález": 96365, "($('<": 96366, ".assertIsNot": 96367, "Ġkali": 96368, "Volt": 96369, "Ġwarmly": 96370, "Ġscares": 96371, "getti": 96372, "führt": 96373, "_does": 96374, ".EMAIL": 96375, "imations": 96376, "Ġspringfox": 96377, "ĠDecom": 96378, "arcy": 96379, "Ġglitches": 96380, "ĠMoff": 96381, "ĠVoll": 96382, ".between": 96383, "Ġcoorden": 96384, "ĠParticularly": 96385, "GBP": 96386, "Ġsemble": 96387, "Eastern": 96388, "_MSB": 96389, "]){čĊ": 96390, "morgan": 96391, "ĠEVAL": 96392, "dere": 96393, "HOUSE": 96394, "moire": 96395, "istique": 96396, "_lstm": 96397, "-commit": 96398, "ysterious": 96399, "Ġtwink": 96400, "-thumbnails": 96401, "enÃŃ": 96402, ":'',": 96403, "Ġblackout": 96404, "ĠFloors": 96405, "Ġsofas": 96406, "Ġoui": 96407, "leshoot": 96408, "ĠRaq": 96409, "-abs": 96410, "Ġkra": 96411, "Mining": 96412, "shaft": 96413, ".setColumns": 96414, "Clazz": 96415, "PRETTY": 96416, ".playlist": 96417, "éĸ¢": 96418, "-Saharan": 96419, "MING": 96420, "ĉbl": 96421, "è®®": 96422, "jf": 96423, "DOCKER": 96424, "hopefully": 96425, "(ignore": 96426, "ĠUsersController": 96427, "ĠMitarbeiter": 96428, "ĠLES": 96429, "Hamilton": 96430, "-metadata": 96431, "ĠKK": 96432, "iktig": 96433, "Ġwollte": 96434, "egrator": 96435, "]bool": 96436, ",current": 96437, "ĠvalueType": 96438, "Ġexcavation": 96439, "oland": 96440, "Ġverv": 96441, "/filepath": 96442, "AuthProvider": 96443, "Ġprocrast": 96444, "ĉULONG": 96445, "_MEMBERS": 96446, "Ġuplift": 96447, "ĠAutonomous": 96448, "Ġartworks": 96449, "ĠOutreach": 96450, "Ġpore": 96451, "Homepage": 96452, "DialogTitle": 96453, "ĠGenerating": 96454, "PARSE": 96455, "Ġsemanas": 96456, "Ġhumano": 96457, "JSGlobalScope": 96458, "Ġvolte": 96459, "Ġbella": 96460, "(isinstance": 96461, "Ġplc": 96462, "\\Catalog": 96463, "Ġesteemed": 96464, "鼷": 96465, "(suffix": 96466, "Ġsweeps": 96467, "ĉORDER": 96468, "Ġdoivent": 96469, "ĠSwarm": 96470, "ĠCompiled": 96471, "getPage": 96472, "ADR": 96473, ".RichTextBox": 96474, "ĠNaming": 96475, "agged": 96476, "ĠGANG": 96477, "rasing": 96478, "odeled": 96479, "Ġgala": 96480, "ĠJSName": 96481, "ddf": 96482, "Ġillust": 96483, "ĠLansing": 96484, "[port": 96485, "-death": 96486, "Ġdinheiro": 96487, "ĠEighth": 96488, "Ġbian": 96489, "stÃ¥": 96490, "Ġversión": 96491, "ĠLinearGradient": 96492, "ĠHarding": 96493, ".*)": 96494, "eczy": 96495, "$header": 96496, "ĠvÃ¥r": 96497, "Unchecked": 96498, "Ġkoje": 96499, "ĠPaladin": 96500, "())),": 96501, "Giving": 96502, "()})Ċ": 96503, "Ġdips": 96504, "Friendly": 96505, "Ġportrays": 96506, "Ġhelium": 96507, "Ġinsurgency": 96508, "_expiry": 96509, "ĠstringByAppendingString": 96510, "Ġaantal": 96511, "slope": 96512, "mast": 96513, ".getInteger": 96514, "Ġ########################": 96515, "_PIPELINE": 96516, "Ġdensely": 96517, "Ġmutating": 96518, "midi": 96519, "ĠSeit": 96520, "ayne": 96521, "NOWLED": 96522, "ĠDesmond": 96523, "ĠFName": 96524, "ĠNairobi": 96525, "\\Context": 96526, "Ġcalcular": 96527, "-den": 96528, "Ġcott": 96529, "]):čĊ": 96530, "ĠRecommendation": 96531, "ĠRolex": 96532, "ĠvalidationResult": 96533, ".pat": 96534, "ĠnÃły": 96535, "ĠRestClient": 96536, "ĠGPI": 96537, "ĠAsheville": 96538, "ĠOSP": 96539, "ĠPERMISSION": 96540, "ÐĶаÑĤа": 96541, "/notification": 96542, "Knight": 96543, "_Word": 96544, "ĠBender": 96545, "ranking": 96546, "Ġpartida": 96547, "_reservation": 96548, "ÌĢ": 96549, "ĠmName": 96550, "Ġgetch": 96551, "Ġborr": 96552, "Ġdiligent": 96553, "Discuss": 96554, "æŃ£åľ¨": 96555, "apeake": 96556, "ioned": 96557, "-Nazi": 96558, ".cum": 96559, "ĠKron": 96560, "=$('#": 96561, "/single": 96562, "Ġerotisch": 96563, "ĠVib": 96564, "Ġratified": 96565, "Ġconcerted": 96566, "ĠREGARD": 96567, "Ġdobr": 96568, ".DriverManager": 96569, "'r": 96570, "Portable": 96571, "ĉsuite": 96572, "Ġrelaciones": 96573, "ĠDop": 96574, "emploi": 96575, "DOB": 96576, "Ġcrumbs": 96577, "Ġxls": 96578, "_Application": 96579, "(':',": 96580, "Ġ------------------------------------------------------------------------Ċ": 96581, "mse": 96582, "Ġberk": 96583, "ĠReturnValue": 96584, "ĠBelly": 96585, "Ġcamar": 96586, "ĠPeek": 96587, "elsing": 96588, "Ġnotifies": 96589, "ĠTristan": 96590, "ĠGAR": 96591, "emme": 96592, "ĠElevated": 96593, "_CSV": 96594, "(chalk": 96595, "Ġtwenties": 96596, "ĠSearchResult": 96597, "=search": 96598, "ĠMixing": 96599, "ýt": 96600, "Ġrecruiter": 96601, "ĠIDEOGRAPH": 96602, "ĠAgo": 96603, "(Operation": 96604, "$values": 96605, "Ġworldly": 96606, "ĠRosenberg": 96607, "ĠConfigureServices": 96608, ">*Ċ": 96705, "Ġsnork": 96706, "_opacity": 96707, "ĠinitWithNibName": 96708, "iado": 96709, "AAC": 96710, "Ġ]).": 96711, ";z": 96712, "_paragraph": 96713, "Ġnoses": 96714, "stands": 96715, "ifr": 96716, "_mE": 96717, "Iraq": 96718, ".Predicate": 96719, "enaire": 96720, "]]];Ċ": 96721, "Ġunidad": 96722, "Ġretirees": 96723, "_hello": 96724, "Ġmodele": 96725, "ĠUITableViewController": 96726, "fwrite": 96727, "_numero": 96728, "_visited": 96729, "Ġrecebe": 96730, "(Notification": 96731, "Fantastic": 96732, "_submenu": 96733, "ĠPEM": 96734, "ĠCupertino": 96735, "approximately": 96736, "classed": 96737, ".ReadString": 96738, "Ġdomicile": 96739, "_PW": 96740, "Ġballpark": 96741, "ĠKale": 96742, "contra": 96743, "_favorite": 96744, "/of": 96745, "Quite": 96746, "ĠOTA": 96747, "Ġaccelerometer": 96748, "didn": 96749, "|^": 96750, "ĠRohingya": 96751, "ivicrm": 96752, "annabin": 96753, "обÑĭÑĤи": 96754, "orado": 96755, "')+": 96756, "Haunted": 96757, ",ID": 96758, "(UIAlertAction": 96759, "urv": 96760, "_bel": 96761, "ĠMexicans": 96762, "/terms": 96763, "ĠPainter": 96764, "InputLabel": 96765, "ĠVinci": 96766, "ĠRosie": 96767, "\\uc": 96768, "": 96929, "_gs": 96930, "Ġcompil": 96931, "nard": 96932, "-exc": 96933, "Ġrhyme": 96934, "Ġbutto": 96935, "says": 96936, "antasy": 96937, "ë¸": 96938, "ĠcittÃł": 96939, "Ġcheg": 96940, "TimeString": 96941, "Ġpositivity": 96942, "ĠDabei": 96943, "Ġwang": 96944, "Ġescre": 96945, "\"c": 96946, "ĉvideo": 96947, "ĠRanked": 96948, ".strings": 96949, ">>>(": 96950, "ĠинÑĤеÑĢ": 96951, "Ġresta": 96952, "[:,:": 96953, "Ġrendre": 96954, "Ġdeser": 96955, "Jos": 96956, "Ġdisruptions": 96957, "ĠопеÑĢ": 96958, "sampling": 96959, "suppress": 96960, "ĠcontainerView": 96961, "ĠSeamless": 96962, "Ġairy": 96963, "Ġonload": 96964, ".WindowManager": 96965, "ĠPLA": 96966, "braco": 96967, ".setPositiveButton": 96968, "Ġpdu": 96969, "Ġgsi": 96970, "ĠCli": 96971, "_gradients": 96972, "Ñıд": 96973, "ĠWhisper": 96974, "cstdint": 96975, "Ġläng": 96976, "Ġformulations": 96977, "énom": 96978, "ournemouth": 96979, "[$_": 96980, "Ġordinarily": 96981, ".setUsername": 96982, "Ġfaculties": 96983, "MITTED": 96984, "/values": 96985, "Ġweir": 96986, "ĠApt": 96987, "MZ": 96988, "ĉcf": 96989, "ucken": 96990, "ĉĉĉĉĉĉĉĉĉĉĉĉĉĉĉĉĉĉĉĉ": 96991, "defense": 96992, "[iVar": 96993, "ĠBusinessException": 96994, "Selectors": 96995, "(coordinates": 96996, "ĠResets": 96997, "ĠDrinks": 96998, "oleans": 96999, "(stypy": 97000, "_IOC": 97001, ".xxx": 97002, "ĠSlater": 97003, "ĠBelize": 97004, "Ġ/************************************************************************": 97005, "addin": 97006, "_episodes": 97007, "Ġischem": 97008, "legalArgumentException": 97009, "Danny": 97010, "Ġpared": 97011, ".codehaus": 97012, "ĠAssy": 97013, "ĉRect": 97014, "âŀ": 97015, ".lista": 97016, "ĠваÑĪ": 97017, "Ġvets": 97018, "HWND": 97019, "isoner": 97020, "Ġxo": 97021, "Ġorally": 97022, "ĠStmt": 97023, ".rnn": 97024, "ĠDPI": 97025, "ĠStrikes": 97026, ".setViewportView": 97027, "ĠèĩªåĬ¨çĶŁæĪIJ": 97028, "YELLOW": 97029, "GLenum": 97030, "partners": 97031, "ĠImplicit": 97032, "Ġtako": 97033, "âĢĻelle": 97034, "Ġermög": 97035, "totalCount": 97036, "Gil": 97037, "ĉwork": 97038, "Ġpratic": 97039, "inati": 97040, "abies": 97041, "ĠSkinner": 97042, "Ġspirited": 97043, "Ġpancreatic": 97044, "Ġhdf": 97045, "'em": 97046, "Ġpsychosis": 97047, "olicit": 97048, "Ġ\"{\"": 97049, "_atual": 97050, "Ġélect": 97051, "TEAM": 97052, "Ġdak": 97053, "ĠSWAT": 97054, ".FragmentManager": 97055, "Ġprovisioning": 97056, "lifetime": 97057, "_EXTENSIONS": 97058, "ĠCASCADE": 97059, "Ġ![": 97060, "(KP": 97061, "Ġvem": 97062, "ĠInterracial": 97063, "']},Ċ": 97064, "spacer": 97065, "_kv": 97066, "Warehouse": 97067, "RDD": 97068, "_fsm": 97069, ".StretchImage": 97070, ",Yes": 97071, "ĠRefugee": 97072, "ĠBringing": 97073, "Ġválido": 97074, ".intersection": 97075, "Ġspooky": 97076, "_portal": 97077, "Ġmoth": 97078, "ĠZodiac": 97079, "ĠSOCIAL": 97080, "MimeType": 97081, "']}}": 97200, "_Blue": 97201, "Ġbotanical": 97202, "Ġfrags": 97203, "Ġfamilial": 97204, "-du": 97205, "Ġseizing": 97206, "(blocks": 97207, ".rd": 97208, ".checkNotNull": 97209, "Ġmiser": 97210, "Ġmaxx": 97211, "ĠKnee": 97212, "ViewItem": 97213, "InnerHTML": 97214, "Danger": 97215, "((__": 97216, "Ġprzypad": 97217, "createUrl": 97218, "**,": 97219, "ĠDecorating": 97220, "ATEGY": 97221, "?>/": 97222, ".Designer": 97223, "hexdigest": 97224, "ĠEverywhere": 97225, "alleries": 97226, ".TEXTURE": 97227, ".Blocks": 97228, "zell": 97229, "Ġpreço": 97230, "Suddenly": 97231, "inputEmail": 97232, "(sync": 97233, ".bd": 97234, "golden": 97235, ">');": 97236, "ĠDickinson": 97237, ">>(Ċ": 97238, "ĠQUEUE": 97239, "ĠgetColumn": 97240, "ĠSAND": 97241, ".piece": 97242, "licer": 97243, "Flutter": 97244, "ĠgetVersion": 97245, "ĠresourceId": 97246, "ogl": 97247, "ÅĤaw": 97248, ".Branch": 97249, "ĉweb": 97250, "Ġframerate": 97251, "PPP": 97252, "Ġfray": 97253, "CNT": 97254, "Ġinformatie": 97255, "']čĊčĊ": 97256, "neas": 97257, "HeaderCode": 97258, "Ġæ¸": 97259, "Ġtrg": 97260, "rawtypes": 97261, "Honda": 97262, "Ġmarketer": 97263, "ĠrequestData": 97264, "ĠPg": 97265, "ĉnot": 97266, "ĠpageInfo": 97267, "Ġaktuellen": 97268, "ãģķãĤĵ": 97269, "ĠAMS": 97270, "pushViewController": 97271, "ĉAL": 97272, "Ġvests": 97273, "produce": 97274, "-même": 97275, "ĠRahman": 97276, "Funny": 97277, "EZ": 97278, "_Valid": 97279, "Ġsquadron": 97280, "Ġlash": 97281, "Ġirm": 97282, "iasco": 97283, "ĠParan": 97284, "Ġpetites": 97285, "ĠDecay": 97286, "Ġuninitialized": 97287, "privileged": 97288, "Ġmbedtls": 97289, "å¤ĩ注": 97290, "Ġ^.": 97291, "Ġecstatic": 97292, "Detroit": 97293, "Ġparten": 97294, "Ġsouvenir": 97295, ".getLogin": 97296, "моÑĤÑĢ": 97297, "enção": 97298, "ĠmÃŃnimo": 97299, "ĠAccessed": 97300, "rió": 97301, "Mic": 97302, "ĠVocal": 97303, ".SetString": 97304, "Ġmensajes": 97305, "åĢį": 97306, "Ġattravers": 97307, "ĠAph": 97308, "Ġ');čĊ": 97309, "ünde": 97310, "Ġenchanted": 97311, "ĠRootState": 97312, "ĠCLOSED": 97313, "ĉĉĉĉĉĉĉĉčĊ": 97314, "Ġcaliente": 97315, "orris": 97316, "Ġphysicists": 97317, "hwnd": 97318, "_vi": 97319, "Ġrápido": 97320, "Ġcapitalized": 97321, "edBy": 97322, "Ġmachining": 97323, "Ġhubby": 97324, "ĠStacy": 97325, ".Bus": 97326, "drink": 97327, "Hur": 97328, "Ġpropia": 97329, "UnitTest": 97330, "Ġmisconception": 97331, "__));Ċ": 97332, "/dc": 97333, "ĠMayweather": 97334, "_mC": 97335, ".createFrom": 97336, "ĠQPainter": 97337, "ropsych": 97338, "innitus": 97339, "ayas": 97340, "Ġgeg": 97341, "(dw": 97342, "Ġusado": 97343, "Ġtrickle": 97344, "Ġannihil": 97345, "ĠPasta": 97346, "Ġ++Ċ": 97347, "(ExpectedConditions": 97348, ".postValue": 97349, "icap": 97350, "ĠDonetsk": 97351, "_soup": 97352, "-publish": 97353, "ĠPb": 97354, "mentions": 97355, "ACCEPT": 97356, ".Pull": 97357, ",âĢĻâĢĻ": 97358, "Ġretarded": 97359, "_ATOM": 97360, "ĠTerminator": 97361, "-court": 97362, "ĠCLLocationCoordinate": 97363, "Ġreverence": 97364, "ĠSSC": 97365, "utely": 97366, "ĠWON": 97367, "ĠGSL": 97368, "frei": 97369, ".getLongitude": 97370, "ĠopenFileDialog": 97371, ".Butter": 97372, "-important": 97373, "_MANY": 97374, "ĠGong": 97375, "âĢľHow": 97376, "Ġgorge": 97377, "=msg": 97378, "ĠEzek": 97379, "createCommand": 97380, ":checked": 97381, "Ġinfographic": 97382, ".WEST": 97383, "Dirs": 97384, "Ġguarda": 97385, "Ġbeetle": 97386, "Loading": 97460, "_mA": 97461, ".getRandom": 97462, "blings": 97463, "Ġcheeses": 97464, "tti": 97465, ".âĢ¢": 97466, "ĠBurgess": 97467, "enderit": 97468, ".',čĊ": 97469, "(\"\"+": 97470, "acb": 97471, "%p": 97472, "indexed": 97473, "_predicate": 97474, "nesia": 97475, "Ġbied": 97476, "ĠCIT": 97477, "(Pos": 97478, "_radi": 97479, "ä»·æł¼": 97480, "Biz": 97481, "ĠAdolescent": 97482, "Ġviên": 97483, "cycl": 97484, "_Cancel": 97485, "Ġconclusive": 97486, "Ġappellate": 97487, "informatics": 97488, "SJ": 97489, "Ġelective": 97490, "roleId": 97491, "Fetcher": 97492, "ĉCommand": 97493, "(\"(%": 97494, "Ġfart": 97495, "ILA": 97496, "getBlock": 97497, "AUSE": 97498, "Ġдан": 97499, "ĠArte": 97500, "Ġnotifying": 97501, "Ġgele": 97502, ".same": 97503, "ĠRegel": 97504, "ĠBaÅŁ": 97505, ".creation": 97506, "ĠVN": 97507, "_community": 97508, "Ġunsustainable": 97509, "SEX": 97510, "ĠgridSize": 97511, "rescia": 97512, "aversable": 97513, "(',')[": 97514, "ĠPhelps": 97515, "á»ķi": 97516, "ANCELED": 97517, "-IS": 97518, ".runners": 97519, "ĠStokes": 97520, ".Produ": 97521, "Ġwhipping": 97522, "_acquire": 97523, "Ġinvestigación": 97524, "fried": 97525, ".copyWith": 97526, "ĠHardcover": 97527, "-Se": 97528, "áŀ¶áŀ": 97529, "invitation": 97530, "lesai": 97531, "ĠDorm": 97532, "ĠÑģпиÑģка": 97533, "Ġconcatenated": 97534, "ophil": 97535, "Ġthinker": 97536, "/fontawesome": 97537, "ĠLeopard": 97538, "Ġ\"/\");Ċ": 97539, "Ġresiduals": 97540, "ĠMicrowave": 97541, "Ġconforme": 97542, "throp": 97543, "Ġdisemb": 97544, "ĠOMG": 97545, "ĠDiscipline": 97546, "ĠAcrobat": 97547, "/repository": 97548, "dfa": 97549, "_MED": 97550, "bufio": 97551, "Ġméthode": 97552, "_HOLD": 97553, "iasi": 97554, "_legacy": 97555, ")ččĊ": 97556, "æ£Ģ": 97557, "GetProcAddress": 97558, "Ġyay": 97559, "otence": 97560, "orderid": 97561, "-tw": 97562, "Ġdearly": 97563, "Incoming": 97564, "/il": 97565, "Ġneurop": 97566, "ucz": 97567, ");čččĊ": 97568, "ĠInnovative": 97569, "Ġprofund": 97570, "igmat": 97571, "SelectionMode": 97572, "relevant": 97573, ".GO": 97574, "Ġbruises": 97575, "Ġsach": 97576, "odef": 97577, "Ġreimb": 97578, "/desktop": 97579, "-spot": 97580, "undance": 97581, "Entropy": 97582, "\\core": 97583, "Ġsuger": 97584, "ĠMvc": 97585, "ĠGNOME": 97586, "_indx": 97587, "ĠYYSTYPE": 97588, "ĠMatlab": 97589, "ĠCIF": 97590, "Ġ*))": 97591, "ĠproductList": 97592, "ĠAlright": 97593, "acemark": 97594, "ÑĤив": 97595, "modification": 97596, "international": 97597, "Ġhomers": 97598, "Ġdicts": 97599, "ĠQFont": 97600, ".SQLite": 97601, "Ġtransplantation": 97602, "ĠMessageBoxButton": 97603, "ĠElves": 97604, "']])Ċ": 97605, "(QIcon": 97606, "Ġcinemas": 97607, "COORD": 97608, "-China": 97609, "Ġkhẩu": 97610, "æĪijçļĦ": 97611, "Ġskulls": 97612, "Ġpainstaking": 97613, "fce": 97614, ".XRLabel": 97615, "Ġspecifier": 97616, "Ġpreferring": 97617, "/activity": 97618, "(Photo": 97619, "ált": 97620, ".lot": 97621, "''.": 97622, "annonce": 97623, ".googlecode": 97624, "-pdf": 97625, "ĠPoke": 97626, "_ACL": 97627, "Ġendowed": 97628, "discover": 97629, ".omg": 97630, "Ġwoodland": 97631, ".Magic": 97632, "Ġvolont": 97633, "NotAllowed": 97634, "Ġchave": 97635, "BMW": 97636, "','=',": 97637, "ĠSIX": 97638, "æĪij们": 97639, "Ġkosher": 97640, "Ġaspiration": 97641, "intl": 97642, "_refptr": 97643, "'+Ċ": 97644, "mentor": 97645, ".club": 97646, "WindowState": 97647, ".ARR": 97648, "Ġzza": 97649, "ĠmessageType": 97650, ".equ": 97651, "Thor": 97652, "Ġinjust": 97653, "Ġgums": 97654, "ĠborderSide": 97655, "/////": 97656, "ĠTransmit": 97657, "Ġbufsize": 97658, "Ġhak": 97659, "Ġellas": 97660, "RANDOM": 97661, "ĉmc": 97662, "Ġpea": 97663, "eko": 97664, "documento": 97665, "Ġhysteria": 97666, "Ġarenas": 97667, "Ġgunmen": 97668, "Ġmike": 97669, "Ġimpunity": 97670, "atisation": 97671, "_Zero": 97672, "_COMPANY": 97673, "ĠGors": 97674, "ĠuseClass": 97675, "(redis": 97676, "ĠRUNNING": 97677, "ĠBair": 97678, "velte": 97679, "Ġ','.": 97680, "аÑĤÑĮÑģÑı": 97681, "öst": 97682, "encodeURIComponent": 97683, "_restrict": 97684, "Ġdecals": 97685, "ĠPedido": 97686, "Ġaltercation": 97687, "Displays": 97688, "ĠApplicants": 97689, "CUS": 97690, "Textarea": 97691, "ĠAngola": 97692, ".future": 97693, "ĠUSHORT": 97694, "Ġsuppressing": 97695, "Ġsetzen": 97696, "APolynomial": 97697, "Ġtoch": 97698, "Ġhallmark": 97699, "Ġ$$$": 97700, "ĠCHARSET": 97701, ".rpm": 97702, "ĠDich": 97703, "--------------------": 97704, "_parm": 97705, "è¿ĺ": 97706, "acciones": 97707, "hait": 97708, "WARDED": 97709, "_routing": 97710, "ĠNOM": 97711, "Ġenclave": 97712, "ĠLotto": 97713, "ĉfr": 97714, "complexContent": 97715, "ĠBallard": 97716, "kube": 97717, "/win": 97718, ".getColumnModel": 97719, "_REPLACE": 97720, "HeaderValue": 97721, "Ġestudiantes": 97722, "Ġapis": 97723, "Ġbpm": 97724, "ĠTypeName": 97725, "AndGet": 97726, "rita": 97727, "Plans": 97728, ">Note": 97729, "Ġfetisch": 97730, "Ġtoned": 97731, "_goto": 97732, "onsense": 97733, "Ġmolds": 97734, "Ġinfiltration": 97735, "ĠGuerrero": 97736, "ubbo": 97737, "cki": 97738, "($(\".": 97739, "_activities": 97740, "(changes": 97741, "ĠofApp": 97742, "ĠKepler": 97743, "ĠDemp": 97744, "ĠContinent": 97745, ".Ticks": 97746, "ĠUnsigned": 97747, "ĠJahres": 97748, "Ġfreshmen": 97749, "ĠArchived": 97750, "ĠкоÑĤоÑĢÑĭй": 97751, "Ġ'::": 97752, "Tutorial": 97753, "Cc": 97754, "ĠtableLayoutPanel": 97755, "fromJson": 97756, ".levels": 97757, "_transient": 97758, "Ġendorsing": 97759, "ĠDIC": 97760, "lauf": 97761, "Ġshred": 97762, "_EMIT": 97763, "ificantly": 97764, "ALA": 97765, "/proto": 97766, "Ġnarrowing": 97767, "Utc": 97768, "Factors": 97769, "Ġsentient": 97770, "æŀIJ": 97771, "lixir": 97772, "ĠCROSS": 97773, "meteor": 97774, "Ġgroin": 97775, "Ġmdb": 97776, "ĠRotterdam": 97777, "Ġcomida": 97778, "ĠOpCode": 97779, "ĠDefaultValue": 97780, "PermissionsResult": 97781, "Ġheterogeneous": 97782, "Ġmoot": 97783, "Ġdeceived": 97784, "-independent": 97785, "ĠObjectOutputStream": 97786, "Ġoverpower": 97787, ".dup": 97788, "Ġldb": 97789, "Ġdomestically": 97790, "Ġbestellen": 97791, "Ġlov": 97792, "ĠContractors": 97793, "Triangles": 97794, "Ġfodder": 97795, "Ġfilmes": 97796, "ä¼ģ": 97797, "Ġrevolver": 97798, "StartupScript": 97799, "/validation": 97800, "ĠResourceType": 97801, "iÅŁ": 97802, "ĠLaz": 97803, "fef": 97804, "Ġlstm": 97805, "{*": 97806, ".attachment": 97807, ".hits": 97808, "ewith": 97809, "DOG": 97810, "Alabama": 97811, "Ġmediums": 97812, ".mContext": 97813, "-cols": 97814, "åıĭ": 97815, ".notice": 97816, "Ġattn": 97817, "ĠPacking": 97818, "ĠLn": 97819, "_COMPLEX": 97820, "/Users": 97821, ".savetxt": 97822, "ĠRounds": 97823, "?,?,?,?,": 97824, "Ġingl": 97825, "ĠROC": 97826, "_female": 97827, "ĠStard": 97828, "]];": 97829, "Ġwrestlers": 97830, "Ġtorrents": 97831, "Ġsinh": 97832, "ĊĊ": 97833, "ë³µ": 97834, "sense": 97835, "however": 97836, ".Physics": 97837, "Infrastructure": 97838, "ĠSacr": 97839, "Fel": 97840, "ĠDISTRIBUT": 97841, "éments": 97842, "ĠValidates": 97843, "############################################################": 97844, "Ġ|/": 97845, "Ġesl": 97846, "Ġréseau": 97847, "ĠBip": 97848, "BYTES": 97849, "_WATER": 97850, "Turning": 97851, "ELS": 97852, "Ġjuxtap": 97853, "Ġlesbische": 97854, "ých": 97855, "(Unknown": 97856, "Neo": 97857, "@JsonProperty": 97858, "Ġalumnos": 97859, "ĠRaqqa": 97860, "imei": 97861, ".getBounds": 97862, ".MouseEventHandler": 97863, "#######": 97864, "GenericType": 97865, "/cms": 97866, "Ġturno": 97867, "Ġмин": 97868, "Ġfolklore": 97869, "ĠEvo": 97870, "Ġconductivity": 97871, "Ġleben": 97872, "Ġgearbox": 97873, "-vs": 97874, "ĠÏĨ": 97875, "Ġdrinkers": 97876, "Ġconexao": 97877, "ĠTeeth": 97878, "ĠgetArguments": 97879, "ĠRAT": 97880, "entious": 97881, "Educ": 97882, "+W": 97883, "ĠInstitutional": 97884, "ĠBord": 97885, "isEqual": 97886, "(pwd": 97887, "Ġignited": 97888, "ĠRousse": 97889, "Ġimpactful": 97890, "ĠMalk": 97891, "Ġgeral": 97892, "ĠPivot": 97893, "Ġazt": 97894, "Ġcsvfile": 97895, "ĠRope": 97896, "ĠSOLUTION": 97897, "ĠArbitrary": 97898, "Ġletto": 97899, ".MouseAdapter": 97900, "Ġ}}}": 97901, "ĠSailor": 97902, "dera": 97903, "Putting": 97904, "Ġconcentrates": 97905, "ĠauthDomain": 97906, "âĢĿçļĦ": 97907, "-finals": 97908, ",strlen": 97909, "Muon": 97910, "ĠOrdinary": 97911, "firefox": 97912, "ĠLaTeX": 97913, "ĠHund": 97914, "engineering": 97915, "/blue": 97916, "edTextBox": 97917, "(\"\");": 97918, "ĠCDDL": 97919, "kept": 97920, "ĠGetString": 97921, "Kir": 97922, "()='": 97923, "ĠOCD": 97924, "antium": 97925, "$menu": 97926, "ĠAppalachian": 97927, "Secretary": 97928, "ë¥ĺ": 97929, "ีย": 97930, "Semantic": 97931, "Ġ*[": 97932, "estone": 97933, "ungkin": 97934, "MaxY": 97935, "-tone": 97936, "\"};čĊ": 97937, "_Part": 97938, "ĊĊ": 98140, "Lic": 98141, "ĠMirage": 98142, "ĠAssemblyFileVersion": 98143, "TeV": 98144, "ĠValueEventListener": 98145, "-solving": 98146, "Tho": 98147, "roulette": 98148, "_WP": 98149, "Ġuninterrupted": 98150, "ĠfieldType": 98151, ".Typed": 98152, "Ġamour": 98153, "Ġmockery": 98154, "(vol": 98155, "ĠSubcommittee": 98156, "ĠRuf": 98157, "erox": 98158, ":UIButtonTypeCustom": 98159, "ĠBlur": 98160, "Ġwykon": 98161, "nces": 98162, "ASHBOARD": 98163, "!!\");Ċ": 98164, "Ġmurderers": 98165, ".daily": 98166, "ĠDIAG": 98167, "jing": 98168, "Ġdolphin": 98169, "Ġlòng": 98170, "Ġbö": 98171, "ĠVocabulary": 98172, ".StObject": 98173, "')\">": 98174, "Ġzun": 98175, "Ġscrimmage": 98176, "tréal": 98177, "ĠLig": 98178, "[vi": 98179, "Cole": 98180, "Ġfrosting": 98181, ".Players": 98182, "-translate": 98183, "Feels": 98184, "=\\\"/": 98185, ".ButterKnife": 98186, "Ġ?>;Ċ": 98187, "Ġavi": 98188, "innie": 98189, ".Failure": 98190, "Ġspindle": 98191, "ConfigurationException": 98192, "_hop": 98193, "Ġposição": 98194, "ĠAwait": 98195, "UIImagePickerController": 98196, "ĉday": 98197, "Ġgenom": 98198, "Cab": 98199, "ĠÑĢезÑĥлÑĮÑĤаÑĤ": 98200, "ORIGINAL": 98201, "Ġejaculation": 98202, "(tcp": 98203, "SECOND": 98204, "Ġtonic": 98205, "ĠListBox": 98206, "ĠĉĉĊ": 98207, "()>Ċ": 98208, "Ġquatre": 98209, "ượng": 98210, "withErrors": 98211, ".Maybe": 98212, ",âĢ¦": 98213, "tokenId": 98214, "_UNDEF": 98215, "Ġfreshness": 98216, "ĠAmendments": 98217, ".mapbox": 98218, ".CV": 98219, "(blog": 98220, "_gettime": 98221, ".quest": 98222, "sparse": 98223, "Ġresale": 98224, "Ġenthusiastically": 98225, "ĠProstitutas": 98226, "Wa": 98227, "Cargo": 98228, ".Parcelable": 98229, "SENSOR": 98230, "ĠRyu": 98231, "Laughs": 98232, "_Native": 98233, "/pg": 98234, "ysts": 98235, "Ġphotoc": 98236, "ç®Ģ": 98237, "adopt": 98238, ".species": 98239, "conciliation": 98240, "Adjusted": 98241, ".FirebaseAuth": 98242, "uttle": 98243, "ordination": 98244, "Ġmunch": 98245, "ĠStake": 98246, ".ping": 98247, "anker": 98248, "(QStringLiteral": 98249, "Ġsubscript": 98250, "ĠĠĉĊ": 98251, "ĠMCC": 98252, "_Cmd": 98253, "sexy": 98254, "iou": 98255, "ĠMANY": 98256, "Ġnanny": 98257, "TRAIN": 98258, "Ġflourishing": 98259, "ĠWatches": 98260, "ĠQMap": 98261, "ĠFerm": 98262, "Ġwasm": 98263, "ĠAbed": 98264, "_UD": 98265, "ĠGlasses": 98266, "+v": 98267, "Attend": 98268, ".Chain": 98269, "Ġdecency": 98270, "ĠSupplementary": 98271, "hunter": 98272, "-txt": 98273, "Ġ\"}\";Ċ": 98274, ".setWindowTitle": 98275, "(\"": 98377, "Ġmascara": 98378, "(Profile": 98379, "åĬŁèĥ½": 98380, "imité": 98381, "Ġwildfires": 98382, "-ROM": 98383, ".isOn": 98384, "(groupId": 98385, "Repair": 98386, "accumulate": 98387, "Ġ<\",": 98388, "Ġhandwritten": 98389, "Ġacheter": 98390, "ĠMGM": 98391, "ĠIrma": 98392, "->{_": 98393, "gee": 98394, "criminal": 98395, "Ġèĭ¥è¦ģ": 98396, "Ġmomentarily": 98397, "\")!=": 98398, "_lit": 98399, "ĠexpiresIn": 98400, ".\").": 98401, "éķ¿åº¦": 98402, "Ġfrække": 98403, "vlc": 98404, "Ġorbs": 98405, "),$": 98406, "Ġventured": 98407, "/>\\": 98408, "charm": 98409, "Nuitka": 98410, "eldig": 98411, "atonin": 98412, "Witness": 98413, "-lat": 98414, "ĠsetHidden": 98415, "Ġrelics": 98416, "Ġconsulate": 98417, ".IGNORE": 98418, "\"After": 98419, "ĠsetAddress": 98420, "Ġbesteht": 98421, "Ġ'')ĊĊ": 98422, ".xaxis": 98423, "Ġserão": 98424, "Ġmisled": 98425, "_UNIFORM": 98426, "ĠVIA": 98427, "incr": 98428, "Ġzenith": 98429, "Ġviscosity": 98430, "Ġthinly": 98431, ".getSharedPreferences": 98432, ".ErrorCode": 98433, "\"),\"": 98434, "ĠMillionen": 98435, "Ġ/>)Ċ": 98436, "ScrollIndicator": 98437, "-seeking": 98438, "ĠPOLITICO": 98439, "asca": 98440, "_rl": 98441, "Navig": 98442, "(fullfile": 98443, "Ġsolitude": 98444, "Ġjuven": 98445, "Ġhauling": 98446, "ĠMacros": 98447, "ĠGry": 98448, "Ġexercitation": 98449, "ĠATTACK": 98450, "TickCount": 98451, "Ġrites": 98452, "Ġdoe": 98453, "ParticleSystem": 98454, "Ġslu": 98455, "WindowText": 98456, "ĠClassName": 98457, "Ġslander": 98458, "ĉPort": 98459, "jong": 98460, "?a": 98461, ".Dial": 98462, "âĢĶat": 98463, "$objPHPExcel": 98464, "Ġsoar": 98465, "ENN": 98466, "appeared": 98467, "Ġquotid": 98468, "emachine": 98469, "Ġnip": 98470, "Ġmicrotime": 98471, "ĠAlma": 98472, ";!": 98473, "------------------------------------------------------------------------------------------------": 98474, "ĠPassage": 98475, "Ġdumpsters": 98476, "ĠExclude": 98477, "Ġsuggestive": 98478, "ĠCircularProgressIndicator": 98479, "_clr": 98480, "ArrayType": 98481, "ILLA": 98482, "ElapsedTime": 98483, "Driven": 98484, "ĠresourceName": 98485, "ĠGarrison": 98486, "serir": 98487, "-ahead": 98488, "Ġpinnacle": 98489, "ĠEspresso": 98490, "Sparse": 98491, "Ġassays": 98492, "ĠGirlfriend": 98493, "imid": 98494, "]='\\": 98495, "ONGLONG": 98496, "Ġportraying": 98497, "Lane": 98498, "Ġbúsqueda": 98499, "Ġreinforcements": 98500, "ĠSpreadsheet": 98501, "ĠArrayCollection": 98502, ",arr": 98503, "lightbox": 98504, "icana": 98505, "<\"": 98506, "builders": 98507, "Kid": 98508, "ĠMatSnackBar": 98509, "EXPR": 98510, "odcast": 98511, "ĠFoundations": 98512, "Ġinds": 98513, "='${": 98514, "Fizz": 98515, "-functional": 98516, "(workspace": 98517, "Ġstemmed": 98518, "_patches": 98519, "ĠJarvis": 98520, "READING": 98521, "Ġdisrespectful": 98522, "ĠQDom": 98523, "Ġ${Ċ": 98524, "estatus": 98525, "Reached": 98526, "!.ĊĊ": 98527, "ILT": 98528, "ĠNDEBUG": 98529, "ĠCourage": 98530, "birthdate": 98531, "ĠTing": 98532, "Ġutilizado": 98533, "ánchez": 98534, "Outdoor": 98535, "Ġhandguns": 98536, "RefCount": 98537, "ÉĻ": 98538, "romo": 98539, "Ġtts": 98540, ".She": 98541, "ĠPane": 98542, "ãĢij,ãĢIJ": 98543, "ĠIOCTL": 98544, "/black": 98545, "inscription": 98546, "Ġbiopsy": 98547, "ĠTimeInterval": 98548, ".TestCheck": 98549, "ĠGUIStyle": 98550, "ĠCapability": 98551, "ĠBeitrag": 98552, "donnees": 98553, "Treatment": 98554, ".backup": 98555, "Ġsignings": 98556, "ĠBoca": 98557, "drm": 98558, ".MAIN": 98559, "Ġgoede": 98560, "ĠMarkup": 98561, "GREE": 98562, "ĠBaseService": 98563, ".Creator": 98564, "Ġjails": 98565, "ĠKahn": 98566, "IpAddress": 98567, "ACHI": 98568, "Ġinhibited": 98569, "Ġ@$_": 98570, "ĠAssass": 98571, "Ġenviado": 98572, "Heroes": 98573, "ÐŁÐµÑĢ": 98574, "ĠMaven": 98575, ".ls": 98576, "Ġive": 98577, "|RF": 98578, "ĠresizeMode": 98579, "Ġrumpe": 98580, "_attachments": 98581, "TU": 98582, "Ġtactile": 98583, "Attempting": 98584, "Ġrobin": 98585, "yaw": 98586, "Ġmercenaries": 98587, "ĠHabitat": 98588, "enddate": 98589, "Ġoxy": 98590, "ĉRandom": 98591, "ohon": 98592, "IsNull": 98593, "ĠValidationResult": 98594, "ãĥļ": 98595, "umbed": 98596, "ppv": 98597, "Ġarp": 98598, "ichick": 98599, "_rnn": 98600, "ĠTFT": 98601, "TexImage": 98602, "\"On": 98603, "ĠSampler": 98604, "topl": 98605, "Ġjane": 98606, "yling": 98607, "ĠUNICODE": 98608, "TabIndex": 98609, "<{Ċ": 98610, "suspend": 98611, "uvian": 98612, ",application": 98613, "олиÑĩеÑģÑĤво": 98614, "yat": 98615, "ezier": 98616, "ĠCHUNK": 98617, "ĠAdler": 98618, "/Add": 98619, "ĠKeyValue": 98620, "Ġsposób": 98621, "Sampling": 98622, "chers": 98623, "_AMD": 98624, "Ru": 98625, ".MustCompile": 98626, "Nation": 98627, "Assoc": 98628, "Managing": 98629, "ĠEngl": 98630, "_GB": 98631, "Ġsuccinct": 98632, "Ġdisliked": 98633, "ĠIke": 98634, "Bulletin": 98635, "_ARCHIVE": 98636, "Proposal": 98637, "Ġjogging": 98638, ".CREATED": 98639, "Ġchol": 98640, "è£ħ": 98641, "Į¨": 98642, "-push": 98643, "Ġreserva": 98644, "corev": 98645, "ètre": 98646, "THR": 98647, "Ġincompetence": 98648, "Ġcharisma": 98649, "æĦŁ": 98650, "Ġ\"==": 98651, "BTN": 98652, "ĠLocator": 98653, "ivet": 98654, "('.')Ċ": 98655, "ĠforIndexPath": 98656, "ôme": 98657, "Ġcapacit": 98658, "waters": 98659, "ĠWRONG": 98660, "hoa": 98661, "ĠMIPS": 98662, "Ġemiss": 98663, "ĠJacqueline": 98664, "(cmp": 98665, "Ġeens": 98666, "Leo": 98667, ".timing": 98668, "CLUSION": 98669, "Ġ(\"-": 98670, "åĵĪ": 98671, ".kode": 98672, "ĠUndert": 98673, "Ġbewild": 98674, "ĠEssen": 98675, ".hd": 98676, "Ġrenegot": 98677, "Ġmower": 98678, "Ġlsp": 98679, "Ġpenchant": 98680, "Ġmanoe": 98681, "Ġagli": 98682, "Ġrecal": 98683, "ĠOPERATION": 98684, "(^)(": 98685, "Ġν": 98686, "ĠScoped": 98687, "Ġ@\"Ċ": 98688, "=label": 98689, "[loc": 98690, "Intl": 98691, "ĠNz": 98692, "tablet": 98693, ".ColumnName": 98694, "ĠscreenSize": 98695, "DBus": 98696, "cooked": 98697, "-registration": 98698, "âĢľOne": 98699, "-non": 98700, "ĠwiÄĻc": 98701, "Ġcosta": 98702, ".addTab": 98703, ".conditions": 98704, "ĠHess": 98705, "MEMORY": 98706, "ĠAvalanche": 98707, "()}}Ċ": 98708, "Ġtriplet": 98709, "Ġlabyrinth": 98710, "ĠNodeList": 98711, "ĠNYT": 98712, "Ġyeni": 98713, "dff": 98714, ".HtmlControls": 98715, "AVIS": 98716, "/Math": 98717, "Ġmemcmp": 98718, "اء": 98719, "оÑģÑĮ": 98720, "crap": 98721, "(pages": 98722, "Ġlxml": 98723, "ĠQDateTime": 98724, "_tcb": 98725, "Ġopenid": 98726, "Ġsynaptic": 98727, "ĠMDMA": 98728, "(slug": 98729, "igmatic": 98730, "enor": 98731, "Ġcramped": 98732, "GOP": 98733, "ŃIJ": 98734, ".isFile": 98735, "ĠDifferential": 98736, "Ġ=\"\";Ċ": 98737, "ĉĉĉĠĠĠĠĉ": 98738, "ĠCooke": 98739, "ĉUFUNCTION": 98740, "Ġperseverance": 98741, "RelativeLayout": 98742, "IMPORTANT": 98743, "Ġexon": 98744, "Ġон": 98745, "ibase": 98746, "(CONT": 98747, "novation": 98748, "ä½ķ": 98749, "[sub": 98750, "AdminController": 98751, "HTTPHeader": 98752, "crear": 98753, "ĠNIR": 98754, "ĠDropDownList": 98755, "Ġvalide": 98756, "Ġdehydration": 98757, ".']": 98758, "(WIN": 98759, "Ġ...\\": 98760, "Ġphotoshop": 98761, "ĉInit": 98762, "_cou": 98763, "ĠtimeZone": 98764, "darwin": 98765, "romatic": 98766, "NavigationItemSelectedListener": 98767, "brates": 98768, "]--;Ċ": 98769, "Ġtragedies": 98770, "ĠPediatrics": 98771, "SMART": 98772, "-API": 98773, "ĠMessageLookup": 98774, "ĉvo": 98775, "Ġprejudices": 98776, "ĠmA": 98777, "Ups": 98778, "ĠMISSING": 98779, "ĉad": 98780, "Cream": 98781, "ĠTb": 98782, "ĠMona": 98783, "_ghost": 98784, "ĉtypes": 98785, "Emb": 98786, "ĠDocumentary": 98787, "');ĊĊĊĊ": 98788, "Ġlup": 98789, "_Reference": 98790, "ĠBATCH": 98791, "Ġintertwined": 98792, "": 98915, "Ġfoyer": 98916, "'utilisation": 98917, "ĠMüller": 98918, "ĠFetish": 98919, "ĠdefaultManager": 98920, "Ġbacktrack": 98921, "Bah": 98922, "Explicit": 98923, "_ASCII": 98924, "ĠmActivity": 98925, "(Msg": 98926, "Ġê²Į": 98927, "ĠTERMS": 98928, "ĠAngie": 98929, "HSV": 98930, "ĠMosque": 98931, ".Names": 98932, "íĬ¼": 98933, "reste": 98934, "_parms": 98935, "Ġgaping": 98936, "Ġcropping": 98937, "DataFrame": 98938, "Ġresponsiveness": 98939, "_undo": 98940, "_tran": 98941, ".terminate": 98942, "Ġitaliane": 98943, "Ġwalkthrough": 98944, "Ġattractiveness": 98945, "де": 98946, "_STS": 98947, "_learn": 98948, "Ġchocolates": 98949, "ierarchical": 98950, "-thinking": 98951, "Ġ)))": 98952, "ishments": 98953, ".Logf": 98954, "ĠTMZ": 98955, "ĠCanary": 98956, "foil": 98957, "ĠVaccine": 98958, ".vx": 98959, "ĠSurround": 98960, "Intermediate": 98961, "Ġiov": 98962, "vais": 98963, "';\";Ċ": 98964, "ï½ŀĊĊ": 98965, "éĢģæĸĻ": 98966, "âĢ¦it": 98967, "Seats": 98968, "Clar": 98969, "Wars": 98970, "ĠHutchinson": 98971, "ĠHasan": 98972, "!')ĊĊ": 98973, "ĠRichie": 98974, "cheiden": 98975, "($('": 98976, "York": 98977, "Ġlids": 98978, "Ġalphanumeric": 98979, "ĠGlock": 98980, ".shapes": 98981, "Ġsparking": 98982, "_epsilon": 98983, "uplicated": 98984, ".dirty": 98985, "])==": 98986, "ĠìľĦì¹ĺ": 98987, "Ġscn": 98988, "Ġ/****************************************************************": 98989, "_PREVIEW": 98990, "_HC": 98991, "ielding": 98992, "fgets": 98993, "ĠAddison": 98994, "ĠproductService": 98995, "-figure": 98996, "(retval": 98997, "zano": 98998, "Ġautob": 98999, "ĉsd": 99000, "_numer": 99001, "ĠSetLastError": 99002, "ĠFior": 99003, "ificance": 99004, "Untitled": 99005, "Ġinfield": 99006, "Ġ{}));Ċ": 99007, "Ġspac": 99008, "Ġrookies": 99009, "(describing": 99010, "ngen": 99011, "ிà®": 99012, ".rdf": 99013, ".Mutex": 99014, "Ġkneeling": 99015, "ĠQE": 99016, "setMax": 99017, "ReadStream": 99018, "Ġventas": 99019, "sut": 99020, "cmpeq": 99021, ".WriteAllText": 99022, "ĠExperienced": 99023, "$__": 99024, "Ġkaum": 99025, "ĠLIS": 99026, "Ġdocumentos": 99027, "_HEALTH": 99028, "icontains": 99029, "Ġartisans": 99030, "OWNER": 99031, "Ġblinked": 99032, "getDisplay": 99033, "Ġtoen": 99034, "ĠrowNum": 99035, "Ġavril": 99036, "Ġinvis": 99037, "ĠKear": 99038, "toBeInTheDocument": 99039, "apur": 99040, "Ġracked": 99041, "ĠMcMaster": 99042, "_ATTRIB": 99043, "Haz": 99044, "Ġfactura": 99045, "/ts": 99046, "ĠÑĢазмеÑĢ": 99047, "Ġzf": 99048, "Ġshortfall": 99049, ".fasta": 99050, "ĠCONSTANT": 99051, ".managed": 99052, "gems": 99053, "SharedPointer": 99054, "Ġblurry": 99055, "brightness": 99056, "(components": 99057, "Ġ...\"ĊĊ": 99058, "SELL": 99059, "ĠIllustrator": 99060, ".getChannel": 99061, "Ġtrouvé": 99062, "ysters": 99063, "Ġvois": 99064, "ĠLinden": 99065, "Ġemojis": 99066, "Ġbrawl": 99067, "ĠMSR": 99068, "ĠElo": 99069, "ĠCroatian": 99070, "PopupMenu": 99071, "Lewis": 99072, ".JWT": 99073, "Ġastonished": 99074, "Bush": 99075, "(itemId": 99076, "Ġdetachment": 99077, "ĠEncore": 99078, "å°Ķ": 99079, "Ġrekl": 99080, "Ġcram": 99081, ")$/": 99082, ".getHost": 99083, "_recommend": 99084, "-HT": 99085, "_calibration": 99086, "Authenticate": 99087, ".firebaseapp": 99088, "UNIX": 99089, "ĉCamera": 99090, "ĠHEAP": 99091, "Ideal": 99092, ".office": 99093, "Ġgoofy": 99094, "(Symbol": 99095, "Ġjouer": 99096, "_partitions": 99097, "Ġrapidement": 99098, "ĠGNUNET": 99099, "idUser": 99100, "Ġsupervise": 99101, "(Contact": 99102, "AWN": 99103, "ãģĺ": 99104, "Ġnaam": 99105, "Ġaust": 99106, "åľ¨çº¿": 99107, "_softmax": 99108, "AllowAnonymous": 99109, "ammable": 99110, "ROUTE": 99111, "*D": 99112, "Ġaden": 99113, "ĠCristina": 99114, "ĠCristiano": 99115, "Ġbloodstream": 99116, "subclass": 99117, "_persona": 99118, "CHILD": 99119, "-know": 99120, "ĠnavigationOptions": 99121, "ĠZukunft": 99122, "ĠPixar": 99123, "Tyler": 99124, "Ġunderworld": 99125, "Ġsincerity": 99126, "Ġdispenser": 99127, "Ġkter": 99128, "idders": 99129, ".addNode": 99130, "-checked": 99131, "Ġkeyst": 99132, "ĠWTO": 99133, ".signals": 99134, "Ġadventurer": 99135, "ĠPang": 99136, "\\R": 99137, "=pos": 99138, "Ġdispensaries": 99139, "ĠCloset": 99140, "(\"{\\\"": 99141, "ideon": 99142, "Ġnécessaire": 99143, "()\"Ċ": 99144, "_RECEIVED": 99145, "Ġrésultats": 99146, "Ġmoden": 99147, "ĠIcelandic": 99148, ";d": 99149, ".allowed": 99150, "(newUser": 99151, "Ġmerciless": 99152, ".WaitFor": 99153, "Ġdaycare": 99154, "ĠConveyor": 99155, "çĸ": 99156, "ð¬": 99157, "çĥ": 99158, "çĹ": 99159, "çł": 99160, "èĦ": 99161, "é²": 99162, "å¦": 99163, "çĿĢ": 99164, "å¾Ī": 99165, "éħ": 99166, "çĭ": 99167, "éª": 99168, "æĤ": 99169, "é¥": 99170, "èħ": 99171, "æĥ³": 99172, "å¨": 99173, "é¹": 99174, "çĤ": 99175, "åĴ": 99176, "çĮ": 99177, "è´¨": 99178, "æ¢": 99179, "æ°Ķ": 99180, "ð«": 99181, "æķĻ": 99182, "çŁ": 99183, "åĦ": 99184, "åıijå±ķ": 99185, "åĪĽ": 99186, "èij": 99187, "æħ": 99188, "åŀ": 99189, "åģļ": 99190, "æĪĺ": 99191, "æIJ": 99192, "强": 99193, "æ·±": 99194, "åĩł": 99195, "ç¿": 99196, "å©": 99197, "èŀ": 99198, "å§Ķ": 99199, "åIJĦ": 99200, "èİ": 99201, "é¸": 99202, "éº": 99203, "åıĹ": 99204, "èģĮ": 99205, "åĺ": 99206, "æ½": 99207, "é£İ": 99208, "èIJ¥": 99209, "åħļ": 99210, "èľ": 99211, "éĤ£": 99212, "é¢Ĩ": 99213, "çij": 99214, "é³": 99215, "æľ¯": 99216, "ä»Ģ": 99217, "æĪ¿": 99218, "ç²¾": 99219, "åª": 99220, "éĨ": 99221, "太": 99222, "èĤ¡": 99223, "èĽ": 99224, "åħī": 99225, "æŀģ": 99226, "åĬŀ": 99227, "èĵ": 99228, "çĺ": 99229, "å´": 99230, "åĹ": 99231, "èĬ±": 99232, "çłĶ": 99233, "å¿«": 99234, "å¸Ī": 99235, "è¶Ĭ": 99236, "è§Ĥ": 99237, "æ¤": 99238, "æ¦": 99239, "çŀ": 99240, "èĤ²": 99241, "çĪ±": 99242, "çĻ½": 99243, "ä¸ĸ": 99244, "ä»Ģä¹Ī": 99245, "çľ¼": 99246, "å³": 99247, "èĴ": 99248, "æĵ": 99249, "被": 99250, "å¹²": 99251, "çĹħ": 99252, "士": 99253, "çĴ": 99254, "è¸": 99255, "æ¾": 99256, "å·¥ä½ľ": 99257, "让": 99258, "çĥŃ": 99259, "è¾ĥ": 99260, "åĦ¿": 99261, "åĬ©": 99262, "积": 99263, "ç³": 99264, "çĵ": 99265, "ç£": 99266, "åĤ": 99267, "è¹": 99268, "èļ": 99269, "å·±": 99270, "çĻ¾": 99271, "åĬ¿": 99272, "èµĽ": 99273, "æ¨": 99274, "æ¿": 99275, "èĸ": 99276, "æĿij": 99277, "带": 99278, "å¢ĥ": 99279, "æĬ¤": 99280, "éŃ": 99281, "å«": 99282, "èĩªå·±": 99283, "æµİ": 99284, "ä½İ": 99285, "åĮ»": 99286, "éĺ²": 99287, "åĨľ": 99288, "èĨ": 99289, "çĨ": 99290, "é«": 99291, "åĨĽ": 99292, "æĪı": 99293, "åįĩ": 99294, "æĸ¯": 99295, "ä½ı": 99296, "èIJ½": 99297, "åħ»": 99298, "èĩ´": 99299, "çĬ": 99300, "çĩ": 99301, "çħ": 99302, "èĶ": 99303, "ä¼ģä¸ļ": 99304, "åĽ¢": 99305, "æīį": 99306, "æł¡": 99307, "åĩĨ": 99308, "å¥ĩ": 99309, "åī¯": 99310, "é¼": 99311, "æ¼Ķ": 99312, "马": 99313, "èµ°": 99314, "ç¥ŀ": 99315, "åħĭ": 99316, "æľĽ": 99317, "æ²¹": 99318, "è¾¹": 99319, "åįĥ": 99320, "å¾Ģ": 99321, "åĪĩ": 99322, "æ©": 99323, "ç¶": 99324, "åĻ": 99325, "éĻħ": 99326, "çīĮ": 99327, "社ä¼ļ": 99328, "游æĪı": 99329, "æĸ½": 99330, "çħ§": 99331, "æݧ": 99332, "满": 99333, "è¯Ĩ": 99334, "éĩįè¦ģ": 99335, "足": 99336, "çķĻ": 99337, "ç»Ĩ": 99338, "åįı": 99339, "éĢĤ": 99340, "æĩ": 99341, "æ§": 99342, "éĦ": 99343, "èĿ": 99344, "å¸Ĥåľº": 99345, "ç»ıæµİ": 99346, "ä¹ł": 99347, "æĸĩåĮĸ": 99348, "éļ¾": 99349, "ä¹IJ": 99350, "åĨ³": 99351, "欢": 99352, "è§ī": 99353, "åĽŃ": 99354, "åħ´": 99355, "åħħ": 99356, "举": 99357, "æī¹": 99358, "èķ": 99359, "æĬĬ": 99360, "æĬĢæľ¯": 99361, "究": 99362, "第ä¸Ģ": 99363, "便": 99364, "åĵį": 99365, "çİ©": 99366, "åĿļ": 99367, "èŀį": 99368, "åįĬ": 99369, "åĸľ": 99370, "å±Ĥ": 99371, "离": 99372, "ä»ħ": 99373, "éŁ": 99374, "åij³": 99375, "念": 99376, "åŃ£": 99377, "ç´§": 99378, "ä¹ħ": 99379, "é¤": 99380, "éŀ": 99381, "è¤": 99382, "åĢĻ": 99383, "åĨµ": 99384, "çŁ³": 99385, "åģ¥": 99386, "æĢİ": 99387, "å®Ŀ": 99388, "è¡Ģ": 99389, "åŁŁ": 99390, "æĹ©": 99391, "çŁ¥éģĵ": 99392, "è´Ł": 99393, "åįļ": 99394, "å·´": 99395, "亲": 99396, "å±ŀ": 99397, "严": 99398, "äºī": 99399, "å¯Ł": 99400, "èº": 99401, "ç°": 99402, "建设": 99403, "产ä¸ļ": 99404, "åIJĥ": 99405, "åŃ©": 99406, "æĹħ": 99407, "æł¹": 99408, "æĿIJ": 99409, "ä¼Ĺ": 99410, "éļı": 99411, "å®ĺ": 99412, "åºķ": 99413, "彩": 99414, "å¯Į": 99415, "温": 99416, "åį«": 99417, "åī§": 99418, "çĽĬ": 99419, "æĬĹ": 99420, "è´¢": 99421, "纪": 99422, "æĨ": 99423, "çĶŁæ´»": 99424, "红": 99425, "çĶŁäº§": 99426, "è¿ľ": 99427, "éĴ±": 99428, "åĶ®": 99429, "群": 99430, "çıŃ": 99431, "楼": 99432, "éĩĩ": 99433, "èīº": 99434, "å±ħ": 99435, "åģĩ": 99436, "è°Ī": 99437, "æĻļ": 99438, "é¬": 99439, "èĪª": 99440, "害": 99441, "èĹ": 99442, "çį": 99443, "åµ": 99444, "çİĭ": 99445, "康": 99446, "èİ·": 99447, "ç»Ń": 99448, "äºļ": 99449, "é£Ł": 99450, "åİĭ": 99451, "æĭĽ": 99452, "èĮĥ": 99453, "许": 99454, "åĽ´": 99455, "é½": 99456, "éĻį": 99457, "纳": 99458, "åĵª": 99459, "æķĻèĤ²": 99460, "å·²ç»ı": 99461, "å¾·": 99462, "æŀĹ": 99463, "å®īåħ¨": 99464, "é¾Ļ": 99465, "大家": 99466, "éĿĴ": 99467, "åºľ": 99468, "æ²³": 99469, "åı¤": 99470, "èį¯": 99471, "åĿĩ": 99472, "æĻº": 99473, "乡": 99474, "çķ¥": 99475, "åĨ·": 99476, "ç¦ı": 99477, "室": 99478, "ç»´": 99479, "æī¿": 99480, "å±Ĭ": 99481, "è¯ī": 99482, "åĪ»": 99483, "èŁ": 99484, "æª": 99485, "å°±æĺ¯": 99486, "è¿Ļ个": 99487, "ä¸Ńå¿ĥ": 99488, "ä¸ĸçķĮ": 99489, "åŁİå¸Ĥ": 99490, "éĿŀ常": 99491, "åĪĴ": 99492, "åıĮ": 99493, "æĢİä¹Ī": 99494, "åĪ°äºĨ": 99495, "æľĥ": 99496, "åı²": 99497, "ä¾Ĩ": 99498, "å¾ĭ": 99499, "å¥ĸ": 99500, "ç»Ī": 99501, "åªĴ": 99502, "å®ģ": 99503, "课": 99504, "èģĮä¸ļ": 99505, "åħį": 99506, "æµĭ": 99507, "æĢ¥": 99508, "æķij": 99509, "çĭ¬": 99510, "èѦ": 99511, "é¤IJ": 99512, "æĦ¿": 99513, "è´«": 99514, "çĸij": 99515, "åļ": 99516, "她": 99517, "åıĪ": 99518, "åĽłä¸º": 99519, "ä¸įæĺ¯": 99520, "å¤Ł": 99521, "æĸ¹éĿ¢": 99522, "éķĩ": 99523, "äºĴ": 99524, "éħĴ": 99525, "讲": 99526, "çĸĹ": 99527, "æĺ¥": 99528, "æ¹ĸ": 99529, "å¤ľ": 99530, "责任": 99531, "人æ°ij": 99532, "åħ°": 99533, "çŁŃ": 99534, "æķħ": 99535, "åĩı": 99536, "æĻ®": 99537, "亮": 99538, "ä¾Ŀ": 99539, "åį°": 99540, "éĿĻ": 99541, "åĢĭ": 99542, "å¾ģ": 99543, "åIJ¸": 99544, "缺": 99545, "æĶ»": 99546, "åĩĢ": 99547, "åħ¸": 99548, "åĽº": 99549, "访": 99550, "ç¹": 99551, "çĢ": 99552, "æıIJä¾Ľ": 99553, "ç»ĩ": 99554, "å¾Īå¤ļ": 99555, "çłĶ究": 99556, "è·Ł": 99557, "主è¦ģ": 99558, "æĥħåĨµ": 99559, "çŃĸ": 99560, "æŃ»": 99561, "大åѦ": 99562, "æĶ¿åºľ": 99563, "å½±åĵį": 99564, "ä¹°": 99565, "åħŃ": 99566, "éĻ©": 99567, "åħ«": 99568, "æŁIJ": 99569, "è´¨éĩı": 99570, "åįł": 99571, "å·®": 99572, "æĽ´å¤ļ": 99573, "æľĭ": 99574, "éĿ©": 99575, "宣": 99576, "çł´": 99577, "è½»": 99578, "座": 99579, "æĺ¾": 99580, "稳": 99581, "è´µ": 99582, "èĥĮ": 99583, "èī¯": 99584, "çĸ«": 99585, "æ¯Ĵ": 99586, "ä¹İ": 99587, "åĢŁ": 99588, "è¿·": 99589, "çŃĶ": 99590, "æ¿Ģ": 99591, "åij¼": 99592, "äºĨä¸Ģ": 99593, "趣": 99594, "ä¼´": 99595, "ä¼Ļ": 99596, "è¼": 99597, "ð¬Ń": 99598, "åĽ½å®¶": 99599, "æ´»åĬ¨": 99600, "çİ°åľ¨": 99601, "ç§ijæĬĢ": 99602, "åį¡": 99603, "ä¸įåIJĮ": 99604, "个人": 99605, "è®°èĢħ": 99606, "ä¸įæĸŃ": 99607, "éĹ»": 99608, "ä¹Ŀ": 99609, "èijĹ": 99610, "综": 99611, "ä¸ĥ": 99612, "æłij": 99613, "æľĭåıĭ": 99614, "åįĸ": 99615, "伤": 99616, "æ²Ļ": 99617, "åĸĦ": 99618, "å¥Ĺ": 99619, "è½®": 99620, "ç©¿": 99621, "è¡¥": 99622, "ä¸Ģå®ļ": 99623, "çªģ": 99624, "çĿ£": 99625, "追": 99626, "å¨ģ": 99627, "åı¦": 99628, "åĽ°": 99629, "æŀ¶": 99630, "ç»Ŀ": 99631, "æķ£": 99632, "æİ¢": 99633, "æ´Ĺ": 99634, "临": 99635, "ä¼¼": 99636, "è´¸": 99637, "丰": 99638, "æĺ¯ä¸Ģ": 99639, "ç«ŀ": 99640, "è¿İ": 99641, "èģļ": 99642, "è«": 99643, "æįŁ": 99644, "æī§": 99645, "驾": 99646, "è¿Ŀ": 99647, "è¥": 99648, "èł": 99649, "ä»ĸ们": 99650, "æŶåĢĻ": 99651, "å®ĥ": 99652, "人åijĺ": 99653, "è¿Ļæł·": 99654, "å·¥ç¨ĭ": 99655, "åĪĽæĸ°": 99656, "åŃ©åŃIJ": 99657, "å¸Į": 99658, "éĥ¨åĪĨ": 99659, "éĵ¶": 99660, "代表": 99661, "é¦Ļ": 99662, "帮": 99663, "æİ¨è¿Ľ": 99664, "çĽĺ": 99665, "积æŀģ": 99666, "éĥ¨éŨ": 99667, "åŁ¹": 99668, "æѦ": 99669, "ä¸įä¼ļ": 99670, "çŃij": 99671, "éĢĻ": 99672, "çݩ家": 99673, "æĭ¿": 99674, "åİĤ": 99675, "æ¯Ľ": 99676, "çģµ": 99677, "æŃĮ": 99678, "绿": 99679, "å¦Ī": 99680, "缼": 99681, "é¦Ĩ": 99682, "顺": 99683, "èĦ¸": 99684, "å°¼": 99685, "丽": 99686, "奥": 99687, "éģĩ": 99688, "è¯į": 99689, "å°ģ": 99690, "ä¸Ŀ": 99691, "好çļĦ": 99692, "æĭħ": 99693, "èĦ±": 99694, "æģ¶": 99695, "åİļ": 99696, "åĬ³": 99697, "缣": 99698, "æĬĺ": 99699, "åı¥": 99700, "æĢĢ": 99701, "æŁĵ": 99702, "书记": 99703, "åĨł": 99704, "é²ľ": 99705, "æ¦Ĥ": 99706, "éļIJ": 99707, "å¹ħ": 99708, "èµŀ": 99709, "å¹ķ": 99710, "æ¥Ń": 99711, "éģĹ": 99712, "åĪ¤": 99713, "èĺ": 99714, "å¶": 99715, "æĬķèµĦ": 99716, "è¡Įä¸ļ": 99717, "äºij": 99718, "çݯå¢ĥ": 99719, "åѦçĶŁ": 99720, "åIJĪä½ľ": 99721, "åģ¥åº·": 99722, "é£ŀ": 99723, "ä¸ĢæŃ¥": 99724, "ä¸Ģ缴": 99725, "åıijçĶŁ": 99726, "éĺ¿": 99727, "é¢Ĩ导": 99728, "åĸľæ¬¢": 99729, "åºĶ该": 99730, "çĤº": 99731, "è®Ń": 99732, "æĿĢ": 99733, "港": 99734, "交éĢļ": 99735, "éĺ¶": 99736, "éĴ¢": 99737, "令": 99738, "å°½": 99739, "æ¯į": 99740, "è¡£": 99741, "ç²ī": 99742, "顶": 99743, "ä¹Łä¸į": 99744, "æĬĵ": 99745, "èĭ¦": 99746, "幸": 99747, "礼": 99748, "第ä¸ī": 99749, "大çļĦ": 99750, "éģİ": 99751, "çĥŁ": 99752, "éģ¿": 99753, "ä»į": 99754, "åºĨ": 99755, "æĢķ": 99756, "è°¢": 99757, "çĽĸ": 99758, "å°Ħ": 99759, "éľ²": 99760, "æĸĹ": 99761, "çĬ¶": 99762, "åѸ": 99763, "æ¯ķ": 99764, "å·¨": 99765, "çŁ¿": 99766, "çļĩ": 99767, "å¸Ń": 99768, "çĹĩ": 99769, "æī¬": 99770, "延": 99771, "侧": 99772, "æ·¡": 99773, "çļĦä¸Ģ": 99774, "網": 99775, "æ´ģ": 99776, "ç¸": 99777, "è§Ī": 99778, "çŃ¹": 99779, "ç§ĺ": 99780, "è¯Ĭ": 99781, "çı¾": 99782, "èªī": 99783, "毫": 99784, "ð¨": 99785, "åį´": 99786, "æĪIJ为": 99787, "èĥ½åĬĽ": 99788, "é»Ħ": 99789, "æĹħ游": 99790, "èĪ¬": 99791, "æ¯Ķè¾ĥ": 99792, "èµ·æĿ¥": 99793, "äºĨ解": 99794, "èĩªçĦ¶": 99795, "ä¸Ģ次": 99796, "åŁºæľ¬": 99797, "æĽ¾": 99798, "综åIJĪ": 99799, "èıľ": 99800, "è§īå¾Ĺ": 99801, "第äºĮ": 99802, "è·ij": 99803, "æ³¢": 99804, "åĢĴ": 99805, "ç¡Ģ": 99806, "åħµ": 99807, "èįī": 99808, "çĶ³": 99809, "çĶ°": 99810, "æĤ£": 99811, "è§Ħå®ļ": 99812, "èĥľ": 99813, "èµĦ产": 99814, "梦": 99815, "æľĿ": 99816, "è¿ĻéĩĮ": 99817, "夫": 99818, "æĮ¥": 99819, "ä½Ľ": 99820, "å®Ī": 99821, "鼶": 99822, "æĸ¼": 99823, "ç¯ĩ": 99824, "å²Ľ": 99825, "åĵ¥": 99826, "éŃĶ": 99827, "ä¸įåĪ°": 99828, "æīĺ": 99829, "åºĬ": 99830, "欧": 99831, "èį£": 99832, "æ±ĩ": 99833, "æī©": 99834, "åģı": 99835, "å¢Ļ": 99836, "讯": 99837, "å©ļ": 99838, "æĥł": 99839, "æ´ĭ": 99840, "å®ľ": 99841, "润": 99842, "æħ¢": 99843, "éĢı": 99844, "宽": 99845, "顾": 99846, "ç´¯": 99847, "污": 99848, "çĪĨ": 99849, "秣": 99850, "æĥĬ": 99851, "涨": 99852, "饰": 99853, "éĺµ": 99854, "饮": 99855, "æļĸ": 99856, "åºŁ": 99857, "æĹĹ": 99858, "éļĶ": 99859, "ç¶ĵ": 99860, "åĭĻ": 99861, "實": 99862, "éĢĶ": 99863, "æī«": 99864, "çĥĪ": 99865, "鼻": 99866, "åĪij": 99867, "éĹľ": 99868, "éĹª": 99869, "å¥ĭ": 99870, "åĤ¨": 99871, "缩": 99872, "ä¾µ": 99873, "å¬": 99874, "ð¬¶": 99875, "åĽ½éĻħ": 99876, "ç»Ħç»ĩ": 99877, "ä¸ĵä¸ļ": 99878, "åıijçİ°": 99879, "å¸ĮæľĽ": 99880, "ç»ıèIJ¥": 99881, "åı«": 99882, "æĿ¥è¯´": 99883, "éļľ": 99884, "ä»»ä½ķ": 99885, "交æĺĵ": 99886, "éĩįçĤ¹": 99887, "çļ®": 99888, "ç»į": 99889, "æ´¾": 99890, "ç§ijåѦ": 99891, "åºĶçĶ¨": 99892, "建çŃij": 99893, "èĤī": 99894, "æĶ¹éĿ©": 99895, "åŁºç¡Ģ": 99896, "æ±ī": 99897, "åĩºæĿ¥": 99898, "è¿Ļä¹Ī": 99899, "åĪļ": 99900, "åĿIJ": 99901, "ä¸įä»ħ": 99902, "ä¼ļè®®": 99903, "éĿł": 99904, "åªĴä½ĵ": 99905, "æ°¸": 99906, "åĨ²": 99907, "èĭı": 99908, "央": 99909, "çĪ¶": 99910, "åłĤ": 99911, "å®ŀéĻħ": 99912, "è¡Ĺ": 99913, "ç«¥": 99914, "éĺħ": 99915, "äºĭæĥħ": 99916, "åİŁåĽł": 99917, "éħ¸": 99918, "以æĿ¥": 99919, "娱": 99920, "宫": 99921, "åĿĹ": 99922, "绩": 99923, "éĩİ": 99924, "ä¸įå¾Ĺ": 99925, "ä¼łå¥ĩ": 99926, "硬": 99927, "åİħ": 99928, "æĹ¢": 99929, "ç»ĥ": 99930, "èĦij": 99931, "å¼±": 99932, "æİĮ": 99933, "è´´": 99934, "æĮĤ": 99935, "åħ³éĶ®": 99936, "å°ļ": 99937, "é¥Ń": 99938, "åºĦ": 99939, "çĻ¼": 99940, "åľĭ": 99941, "æİĪ": 99942, "个æľĪ": 99943, "äºĪ": 99944, "å¸ģ": 99945, "è·Ŀ": 99946, "æ²ī": 99947, "ç«Ł": 99948, "åĨ¬": 99949, "æĬ½": 99950, "éĨĴ": 99951, "å¼Ł": 99952, "触": 99953, "èģĺ": 99954, "è±Ĩ": 99955, "æļ´": 99956, "åijĬè¯ī": 99957, "豪": 99958, "èµ¢": 99959, "è·¨": 99960, "è³ĩ": 99961, "çĪ¸": 99962, "æĬ±": 99963, "浪": 99964, "麻": 99965, "仪": 99966, "è¡¡": 99967, "奶": 99968, "çģ¾": 99969, "赶": 99970, "èĤ¥": 99971, "å§IJ": 99972, "åĢº": 99973, "éľĩ": 99974, "订": 99975, "æ¬Ĭ": 99976, "ç·": 99977, "å»ī": 99978, "ä¿Ĺ": 99979, "å¿ĺ": 99980, "å¦ĩ": 99981, "ç¼ĵ": 99982, "åŃķ": 99983, "漫": 99984, "è£ģ": 99985, "çĩĥ": 99986, "é»ĺ": 99987, "çī¢": 99988, "çĪ·": 99989, "æĬµ": 99990, "宾": 99991, "æľīä¸Ģ": 99992, "迹": 99993, "è¿«": 99994, "è²Į": 99995, "æľīçļĦ": 99996, "ð¬ĺ": 99997, "è¿ĺæĺ¯": 99998, "æīĢ以": 99999, "ä¹Łæĺ¯": 100000, "è¿ĻäºĽ": 100001, "对äºİ": 100002, "åIJ§": 100003, "缮åīį": 100004, "èĩªå·±çļĦ": 100005, "èĥ½å¤Ł": 100006, "å¦Ĥä½ķ": 100007, "æľºæŀĦ": 100008, "åıªæĺ¯": 100009, "ç½ijç«Ļ": 100010, "åħ¨éĿ¢": 100011, "为äºĨ": 100012, "å¼Ģåıij": 100013, "æĸ°éĹ»": 100014, "éĩijèŀį": 100015, "继": 100016, "客æĪ·": 100017, "ä¸Ģèµ·": 100018, "èĮ¶": 100019, "åħ³æ³¨": 100020, "æ°´å¹³": 100021, "åİĨåı²": 100022, "å¢ŀéķ¿": 100023, "é±": 100024, "åŁºéĩij": 100025, "åºŃ": 100026, "åı¶": 100027, "ä¿ĥ": 100028, "鼨": 100029, "æ¶Īè´¹": 100030, "èĪ¹": 100031, "çŁ¥è¯Ĩ": 100032, "æĪĺçķ¥": 100033, "ç»ıéªĮ": 100034, "å³°": 100035, "æĽ²": 100036, "èĦļ": 100037, "åĨ°": 100038, "å¤ı": 100039, "å½Ĵ": 100040, "ç¬Ķ": 100041, "èĻij": 100042, "çĶ²": 100043, "åľĪ": 100044, "è¯Ĺ": 100045, "é½IJ": 100046, "容æĺĵ": 100047, "çłĶåıij": 100048, "骨": 100049, "纸": 100050, "è·µ": 100051, "æŧ": 100052, "çķ¶": 100053, "åĪ¸": 100054, "è´·": 100055, "åı¬": 100056, "ç§ĭ": 100057, "液": 100058, "è¡ĮæĶ¿": 100059, "çĮ®": 100060, "èĤ¤": 100061, "éĢIJ": 100062, "è¶ĬæĿ¥": 100063, "è¶ĬæĿ¥è¶Ĭ": 100064, "æĦıè§ģ": 100065, "èĪŀ": 100066, "åīĤ": 100067, "æ¶ī": 100068, "ç¨ĭ度": 100069, "åħ¬åħ±": 100070, "械": 100071, "æľ«": 100072, "纯": 100073, "åĶ±": 100074, "æ´²": 100075, "æĬ¢": 100076, "æ¤į": 100077, "å¿Ļ": 100078, "ä¼°": 100079, "å¼¹": 100080, "æ³ī": 100081, "æľĢ大": 100082, "è¶ĭ": 100083, "å·§": 100084, "ç¦ģ": 100085, "æī¶": 100086, "åį±": 100087, "çıł": 100088, "çĨŁ": 100089, "æĭľ": 100090, "主ä¹ī": 100091, "æĿĤ": 100092, "éĻĦ": 100093, "éģį": 100094, "æIJŃ": 100095, "æĮ¯": 100096, "å¤ļå¹´": 100097, "æķ¬": 100098, "æijĦ": 100099, "纷": 100100, "å¼ĥ": 100101, "湿": 100102, "å¨ĺ": 100103, "æ¡£": 100104, "驶": 100105, "æľĹ": 100106, "æ®ĸ": 100107, "æ¦ľ": 100108, "åĵ¡": 100109, "ä¸Ģä½ĵ": 100110, "æŁ¥çľĭ": 100111, "ç¹ģ": 100112, "æµĵ": 100113, "åħ¬å®ī": 100114, "æ½ľ": 100115, "è´¯": 100116, "éªĹ": 100117, "æIJľ": 100118, "å·¡": 100119, "è¬": 100120, "éĬ": 100121, "å§Ķä¼ļ": 100122, "æĤł": 100123, "åī©": 100124, "æıŃ": 100125, "åŃ£åº¦": 100126, "ð«ĺ": 100127, "ð¬¬": 100128, "ä´": 100129, "ðª": 100130, "ä½Ĩæĺ¯": 100131, "éĥ½æĺ¯": 100132, "å¹³åı°": 100133, "åŃ¦ä¹ł": 100134, "åĵģçīĮ": 100135, "ä¸Ķ": 100136, "è¿Ļç§į": 100137, "æĶ¿çŃĸ": 100138, "æĭ¬": 100139, "认为": 100140, "ä¸ĢèĪ¬": 100141, "æłĩåĩĨ": 100142, "æĶ¯æĮģ": 100143, "模å¼ı": 100144, "åħ³ç³»": 100145, "çļĦæĺ¯": 100146, "è¿Ļä¸Ģ": 100147, "ä¸įè¦ģ": 100148, "çĶļ": 100149, "ç²¾ç¥ŀ": 100150, "æĭ¥": 100151, "åĪ©çĶ¨": 100152, "ä¿ĿæĬ¤": 100153, "ä½ľçĶ¨": 100154, "èĭ¥": 100155, "åĽ½åĨħ": 100156, "ä»ĭç»į": 100157, "ä¸Ģä¸ĭ": 100158, "å·¥ä¸ļ": 100159, "缮æłĩ": 100160, "æľĢåIJİ": 100161, "ä»·åĢ¼": 100162, "å°į": 100163, "éĵģ": 100164, "è°ģ": 100165, "ç»ĵæŀĦ": 100166, "éĽª": 100167, "æĻºèĥ½": 100168, "ä¼łç»Ł": 100169, "ä½ĵèĤ²": 100170, "çĶŁæĢģ": 100171, "æĭį": 100172, "æݪ": 100173, "åĨľä¸ļ": 100174, "çī¹èī²": 100175, "è§Ħ模": 100176, "æĹ¶ä»£": 100177, "è¿ĩç¨ĭ": 100178, "éĴĪ": 100179, "æĿ¾": 100180, "åĶIJ": 100181, "åĮ»çĸĹ": 100182, "çģ¯": 100183, "åĪ¶éĢł": 100184, "æł¸å¿ĥ": 100185, "ä¸įåı¯": 100186, "ç³»åĪĹ": 100187, "åIJī": 100188, "åľ£": 100189, "åĢij": 100190, "ä½³": 100191, "æĿ¥çľĭ": 100192, "æ¯ĶèµĽ": 100193, "ä¸ĭæĿ¥": 100194, "åĩºäºĨ": 100195, "å¹²éĥ¨": 100196, "微信": 100197, "å½ĵåľ°": 100198, "åį·": 100199, "åį«çĶŁ": 100200, "ä¼Ł": 100201, "çĸ«æĥħ": 100202, "è°·": 100203, "åĩłä¸ª": 100204, "éĺ´": 100205, "çĶŁçī©": 100206, "å°¤": 100207, "ä¼Ĭ": 100208, "èĤ¯": 100209, "éĿ¢ç§¯": 100210, "åĪĽéĢł": 100211, "æı¡": 100212, "åľĨ": 100213, "æĻĵ": 100214, "æĪIJäºĨ": 100215, "åĩ¡": 100216, "çĸ¾": 100217, "ç«ŀäºī": 100218, "讨": 100219, "主é¢ĺ": 100220, "é²ģ": 100221, "迪": 100222, "ä¿Ħ": 100223, "æĢª": 100224, "並": 100225, "èĻļ": 100226, "æ½®": 100227, "çĥ§": 100228, "èĢ³": 100229, "æ±ł": 100230, "éĢĤåIJĪ": 100231, "æł¹æľ¬": 100232, "åĬłçĽŁ": 100233, "çĶµè§Ĩ": 100234, "æ··": 100235, "ç¼ĺ": 100236, "çªĹ": 100237, "çĬ¯": 100238, "æĥ¯": 100239, "æĦıä¹ī": 100240, "åĬŀæ³ķ": 100241, "ä¼ij": 100242, "æ»ij": 100243, "åĭĩ": 100244, "æķ¢": 100245, "寻": 100246, "è¦Ĩ": 100247, "éĢĥ": 100248, "ç»ıçIJĨ": 100249, "åĿı": 100250, "æ³½": 100251, "ä¹ĺ": 100252, "åĪº": 100253, "å±ı": 100254, "é¡¿": 100255, "亡": 100256, "éĤĢ": 100257, "åħ¼": 100258, "åĭ¤": 100259, "æ®ĭ": 100260, "æĺł": 100261, "æ¯ķä¸ļ": 100262, "æĪª": 100263, "è·Į": 100264, "å£ģ": 100265, "åı¦ä¸Ģ": 100266, "羣å®ŀ": 100267, "磨": 100268, "è¯ļ": 100269, "å¿ħè¦ģ": 100270, "æģĭ": 100271, "æĩĤ": 100272, "å¾Ĵ": 100273, "è°ĵ": 100274, "æķı": 100275, "æĻ¨": 100276, "èĥ¸": 100277, "æĭ¼": 100278, "å¦Ļ": 100279, "诸": 100280, "èģĬ": 100281, "æĤī": 100282, "麼": 100283, "åĩŃ": 100284, "èĪĴ": 100285, "æ¶Ĥ": 100286, "è¿ģ": 100287, "沿": 100288, "å¡ij": 100289, "æĽ¿": 100290, "æ¾³": 100291, "å¿į": 100292, "èĢĹ": 100293, "龸": 100294, "åĩłå¹´": 100295, "åĪĬ": 100296, "èĦī": 100297, "èħIJ": 100298, "æ¡Į": 100299, "çºł": 100300, "æ»ļ": 100301, "æĤ²": 100302, "åĨĴ": 100303, "妹": 100304, "çķħ": 100305, "纵": 100306, "æijĩ": 100307, "夺": 100308, "è·¯ä¸Ĭ": 100309, "忽": 100310, "èĸª": 100311, "æģIJ": 100312, "æĦıæĢĿ": 100313, "å«Į": 100314, "æı´": 100315, "æ°§": 100316, "èĢĢ": 100317, "éĺ»": 100318, "轨": 100319, "å¹»": 100320, "æįķ": 100321, "åĿ¦": 100322, "åĵĪåĵĪ": 100323, "çĭIJ": 100324, "滨": 100325, "è²»": 100326, "è¿Ł": 100327, "人éĥ½": 100328, "ç»ĺ": 100329, "åı¹": 100330, "çµIJ": 100331, "æī°": 100332, "æ»ĭ": 100333, "å¥ij": 100334, "åĭŁ": 100335, "確": 100336, "ð¦": 100337, "éĽĨåĽ¢": 100338, "æĿİ": 100339, "å¼Ģå±ķ": 100340, "æıIJåįĩ": 100341, "åħ¨åĽ½": 100342, "汽车": 100343, "åŃ¦æł¡": 100344, "æł¹æį®": 100345, "è¿Ļæĺ¯": 100346, "åĩºçİ°": 100347, "éĻĪ": 100348, "ç½Ĺ": 100349, "èİ·å¾Ĺ": 100350, "åĪĺ": 100351, "éĶĢåĶ®": 100352, "æľªæĿ¥": 100353, "éľĢæ±Ĥ": 100354, "å®ŀæĸ½": 100355, "åĿļæĮģ": 100356, "åħ¨çIJĥ": 100357, "éĵ¶è¡Į": 100358, "æݧåĪ¶": 100359, "é¡»": 100360, "åľ°åĮº": 100361, "æīĵéĢł": 100362, "çļĦè¯Ŀ": 100363, "帮åĬ©": 100364, "ä½ĵç³»": 100365, "è¾¾åĪ°": 100366, "è§ĦåĪĴ": 100367, "åŁ¹è®Ń": 100368, "两个": 100369, "æĬ¥åijĬ": 100370, "åľ°æĸ¹": 100371, "å®Įåħ¨": 100372, "æİī": 100373, "ç»ĵåIJĪ": 100374, "å®£ä¼ł": 100375, "æ³ķå¾ĭ": 100376, "èīºæľ¯": 100377, "çĶµå½±": 100378, "說": 100379, "ä¸ĢçĤ¹": 100380, "è¶ħè¿ĩ": 100381, "çĶµåŃIJ": 100382, "æĢĿæĥ³": 100383, "æķĻåѦ": 100384, "éĺ¶æ®µ": 100385, "åķĨä¸ļ": 100386, "çī©æµģ": 100387, "åĪĽä¸ļ": 100388, "æĸ¹æ¡Ī": 100389, "çݰ代": 100390, "æ¡¥": 100391, "èIJ½å®ŀ": 100392, "带æĿ¥": 100393, "产çĶŁ": 100394, "ç§Ģ": 100395, "æ³°": 100396, "ä¹±": 100397, "åħ·ä½ĵ": 100398, "åĸĿ": 100399, "èĵĿ": 100400, "å®Ĺ": 100401, "åįĩ级": 100402, "æ·±åħ¥": 100403, "ä¿ĿéĻ©": 100404, "ç®Ģåįķ": 100405, "çĹĽ": 100406, "稳å®ļ": 100407, "è¾Ĩ": 100408, "å±ŀäºİ": 100409, "å·Ŀ": 100410, "ä¸įå°ij": 100411, "åĴ¨": 100412, "ä¸ľè¥¿": 100413, "å½¢å¼ı": 100414, "娱ä¹IJ": 100415, "æŃ£å¸¸": 100416, "鸡": 100417, "åħħåĪĨ": 100418, "å®ŀè·µ": 100419, "éĩĮéĿ¢": 100420, "è·³": 100421, "èĻİ": 100422, "æĪIJéķ¿": 100423, "æļĹ": 100424, "çĿ¡": 100425, "罪": 100426, "çIJĨ念": 100427, "æĮij": 100428, "èµĦæľ¬": 100429, "å¤ļå°ij": 100430, "ä¸ĭéĿ¢": 100431, "å¸Ŀ": 100432, "åħ¬å¼Ģ": 100433, "æ¸IJ": 100434, "éķ·": 100435, "å±ĭ": 100436, "欢è¿İ": 100437, "å¿ĥçIJĨ": 100438, "çĤİ": 100439, "æ¹¾": 100440, "è®ĵ": 100441, "éĤĦ": 100442, "ç³ĸ": 100443, "ä¹Į": 100444, "åĬ±": 100445, "çīĻ": 100446, "èħ¿": 100447, "å²Ĺ": 100448, "ä¼į": 100449, "æĪIJåijĺ": 100450, "åŃĶ": 100451, "å°ıç¼ĸ": 100452, "èij£": 100453, "泡": 100454, "åħĪè¿Ľ": 100455, "åħ§": 100456, "åĺ´": 100457, "è´Ŀ": 100458, "è»": 100459, "æIJŀ": 100460, "æ³Ľ": 100461, "鸣": 100462, "ç½²": 100463, "èĽĭ": 100464, "主任": 100465, "缮çļĦ": 100466, "ä¹ı": 100467, "æ´¥": 100468, "æĪ´": 100469, "ä¸¥æł¼": 100470, "çħ¤": 100471, "çĮ«": 100472, "åĶ¯": 100473, "å°Ĭ": 100474, "çĶľ": 100475, "åŀĥ": 100476, "åľ¾": 100477, "æĭŁ": 100478, "çĦ¦": 100479, "é«Ķ": 100480, "å®ı": 100481, "æ©Ł": 100482, "é©»": 100483, "æĹģ": 100484, "å½»": 100485, "éĥ½ä¸į": 100486, "æij©": 100487, "ä»ĵ": 100488, "ä¹³": 100489, "岸": 100490, "è°ĭ": 100491, "大å¤ļ": 100492, "çģŃ": 100493, "èħ¾": 100494, "æŁľ": 100495, "èĪį": 100496, "åħļçļĦ": 100497, "å°ĺ": 100498, "åįģå¹´": 100499, "æĭĴ": 100500, "裡": 100501, "æŁĶ": 100502, "å¹¼": 100503, "éĶģ": 100504, "ä¸ĵ项": 100505, "æīİ": 100506, "驾驶": 100507, "ç¢İ": 100508, "è¢ĭ": 100509, "éĶĭ": 100510, "壮": 100511, "å°ĸ": 100512, "çĶµæ±ł": 100513, "è¿Ķ": 100514, "æ¼ı": 100515, "循": 100516, "èıĮ": 100517, "èĥĥ": 100518, "è¾ħ": 100519, "éĢĴ": 100520, "èĥİ": 100521, "éĻª": 100522, "寿": 100523, "å¥Ķ": 100524, "çĮĽ": 100525, "纹": 100526, "çŁ¥åIJį": 100527, "å¿Ĩ": 100528, "æ¡ĥ": 100529, "æ£ĭ": 100530, "éĢĨ": 100531, "çĤ¼": 100532, "ç±į": 100533, "çī§": 100534, "æł·çļĦ": 100535, "è¾Ľ": 100536, "åłĨ": 100537, "å®ŀåľ¨": 100538, "ä¼ı": 100539, "宿": 100540, "èµı": 100541, "è£Ĥ": 100542, "åįĬå¹´": 100543, "åĢ¾": 100544, "满æĦı": 100545, "梯": 100546, "æĦıåij³": 100547, "åѤ": 100548, "ç¥Ŀ": 100549, "æĻ¶": 100550, "èµĶ": 100551, "åģ¿": 100552, "èĦĤ": 100553, "ç½ļ": 100554, "ç¢į": 100555, "æ²ĥ": 100556, "æĵį": 100557, "å´ĩ": 100558, "æļĤ": 100559, "è·ĥ": 100560, "æIJ¬": 100561, "å©Ĩ": 100562, "éī": 100563, "éī´": 100564, "åħ´è¶£": 100565, "èIJ¥ä¸ļ": 100566, "è®Ĭ": 100567, "èĦı": 100568, "è¾Ī": 100569, "å·ŀå¸Ĥ": 100570, "è´«åĽ°": 100571, "ç©·": 100572, "ä¸Ńå°ı": 100573, "æ¼Ĥ": 100574, "çĻĮ": 100575, "èľľ": 100576, "ä¼Ļä¼´": 100577, "çīµ": 100578, "æĤŁ": 100579, "éĻ·": 100580, "èµĽåŃ£": 100581, "樣": 100582, "åģ¶": 100583, "æĺĨ": 100584, "è¢Ń": 100585, "æįIJ": 100586, "èī°": 100587, "æĤ¬": 100588, "çĶ¢": 100589, "èij¡": 100590, "çĽĹ": 100591, "å©´": 100592, "å°İ": 100593, "纽": 100594, "åĢ¡": 100595, "æī®": 100596, "è¨Ń": 100597, "æĬij": 100598, "ç¡ķ": 100599, "è¾ĸ": 100600, "éĥģ": 100601, "辩": 100602, "éĤ»": 100603, "çİ°åĩº": 100604, "è¦ı": 100605, "å½¹": 100606, "éĺĶ": 100607, "åīµ": 100608, "诱": 100609, "æĥij": 100610, "æ·Ģ": 100611, "é¢Ī": 100612, "侦": 100613, "æģ°": 100614, "æ£Ģå¯Ł": 100615, "éĨ«": 100616, "çĦ¶æĺ¯": 100617, "åĭĥ": 100618, "èĮ«": 100619, "äĵ": 100620, "ð¬¸": 100621, "ä½ľä¸º": 100622, "çļĦ人": 100623, "éĤ£ä¹Ī": 100624, "ç¾İåĽ½": 100625, "è¿ĺæľī": 100626, "æıIJé«ĺ": 100627, "èĻ½": 100628, "åħ·æľī": 100629, "åĮħæĭ¬": 100630, "æĪĸèĢħ": 100631, "ä¸įè¿ĩ": 100632, "ä¸Ĭæµ·": 100633, "åĮ»éĻ¢": 100634, "èµĦéĩij": 100635, "çĶļèĩ³": 100636, "åĪ¶åº¦": 100637, "解åĨ³": 100638, "èģĶç½ij": 100639, "继ç»Ń": 100640, "建ç«ĭ": 100641, "è¿Ľä¸ĢæŃ¥": 100642, "æĿIJæĸĻ": 100643, "ä»Ĭ天": 100644, "å¿ħé¡»": 100645, "åIJĦç§į": 100646, "çİ°åľº": 100647, "ä»ĸçļĦ": 100648, "å¢ŀåĬł": 100649, "é¢ĨåŁŁ": 100650, "åıĤä¸İ": 100651, "æĮģç»Ń": 100652, "ä¹ĭä¸Ģ": 100653, "çī¹åĪ«": 100654, "é±¼": 100655, "åħ±åIJĮ": 100656, "åĬª": 100657, "çİī": 100658, "人们": 100659, "åħĪçĶŁ": 100660, "ä¼ĺåĬ¿": 100661, "ä¿ĿæĮģ": 100662, "ä½ľåĵģ": 100663, "çīĽ": 100664, "æĪIJæľ¬": 100665, "æĶ¶åħ¥": 100666, "åıĬæŶ": 100667, "è´Łè´£": 100668, "æİ¥åıĹ": 100669, "èįIJ": 100670, "åıªè¦ģ": 100671, "羣çļĦ": 100672, "导èĩ´": 100673, "æľºåĪ¶": 100674, "è¡ĮåĬ¨": 100675, "æĸ°çļĦ": 100676, "å®ĮåĸĦ": 100677, "为ä»Ģä¹Ī": 100678, "ä¸Ń央": 100679, "æĪIJç«ĭ": 100680, "æĦŁè§ī": 100681, "åıĺåĮĸ": 100682, "åıĹåĪ°": 100683, "并ä¸į": 100684, "åŃĻ": 100685, "æĸ½å·¥": 100686, "æĺİæĺ¾": 100687, "è¿ĩåİ»": 100688, "åıijæĮ¥": 100689, "羣æŃ£": 100690, "åŁºåľ°": 100691, "æĺİç¡®": 100692, "èĥ¡": 100693, "许å¤ļ": 100694, "ä¸Ģå¹´": 100695, "æĸ¹åIJij": 100696, "æģ©": 100697, "çĽ¸ä¿¡": 100698, "åľ³": 100699, "详ç»Ĩ": 100700, "äºĭä¸ļ": 100701, "çĶŁåij½": 100702, "åĴ¨è¯¢": 100703, "æĸĩæĺİ": 100704, "çijŀ": 100705, "绿èī²": 100706, "èİ«": 100707, "æĦıè¯Ĩ": 100708, "æĬķåħ¥": 100709, "åĬłå¿«": 100710, "æ¢ħ": 100711, "ç¿»": 100712, "å¼ĢæĶ¾": 100713, "æĻ®éĢļ": 100714, "åįıä¼ļ": 100715, "æĪIJ绩": 100716, "ä»Ļ": 100717, "å¯Ĵ": 100718, "è¯ģåĪ¸": 100719, "认è¯Ĩ": 100720, "丹": 100721, "大éĩı": 100722, "è¿ħ": 100723, "åģļåĪ°": 100724, "设æĸ½": 100725, "è´¸æĺĵ": 100726, "èĥ½æºIJ": 100727, "æĹ¶æľŁ": 100728, "ä¸Ģ天": 100729, "æ²»çIJĨ": 100730, "åĺī": 100731, "å®ĩ": 100732, "丰å¯Į": 100733, "举è¡Į": 100734, "æĪIJæŀľ": 100735, "èĤ¯å®ļ": 100736, "çĭĹ": 100737, "åĬ¨åĬĽ": 100738, "森": 100739, "åĩłä¹İ": 100740, "åĽłç´ł": 100741, "æ°ijæĹı": 100742, "æ´ŀ": 100743, "ç½ijåıĭ": 100744, "åIJĪçIJĨ": 100745, "广大": 100746, "æ®Ĭ": 100747, "æ´Ľ": 100748, "æĿ¯": 100749, "èĴĻ": 100750, "çĶ¨äºİ": 100751, "èŀįèµĦ": 100752, "ç¥ĸ": 100753, "æľºæ¢°": 100754, "举åĬŀ": 100755, "èĩªåĬ¨": 100756, "åĬŀåħ¬": 100757, "é»ŀ": 100758, "éĽĦ": 100759, "åĢ¼å¾Ĺ": 100760, "çĮª": 100761, "以为": 100762, "æĺĮ": 100763, "è·Ŀ离": 100764, "åIJ¸å¼ķ": 100765, "ç»ķ": 100766, "éļĨ": 100767, "计ç®Ĺ": 100768, "éĺŁä¼į": 100769, "大ä¼ļ": 100770, "å¼ķèµ·": 100771, "çī¹çĤ¹": 100772, "èĥ¶": 100773, "å¹´è½»": 100774, "æľ¬èº«": 100775, "æľºåħ³": 100776, "å®ĺæĸ¹": 100777, "éĥij": 100778, "æµĻ": 100779, "è§Ĵèī²": 100780, "èij£äºĭ": 100781, "为主": 100782, "æĹłè®º": 100783, "ä¹łæĥ¯": 100784, "æ¥ļ": 100785, "æĭĵ": 100786, "ç»Łè®¡": 100787, "åħĦ": 100788, "å¹¿æ³Ľ": 100789, "åįĢ": 100790, "污æŁĵ": 100791, "è«ĭ": 100792, "èĬĤ缮": 100793, "伦": 100794, "è¦ĨçĽĸ": 100795, "èĢIJ": 100796, "æī¶è´«": 100797, "ç»ıåİĨ": 100798, "éĩįè¦ģçļĦ": 100799, "èĤ¡ä¸ľ": 100800, "æĭĽèģĺ": 100801, "åĽĽä¸ª": 100802, "æĩī": 100803, "èĥŀ": 100804, "æijĨ": 100805, "é«ĺéĢŁ": 100806, "麦": 100807, "åİŁåĪĻ": 100808, "èݱ": 100809, "æĽ´å¥½": 100810, "éķľ": 100811, "åĩĮ": 100812, "åŀĥåľ¾": 100813, "éĢ²": 100814, "çģ°": 100815, "éĵº": 100816, "äºĭæķħ": 100817, "çĶĺ": 100818, "空æ°Ķ": 100819, "é¾Ħ": 100820, "èı²": 100821, "çĵ¶": 100822, "æĺ¨": 100823, "æĹ¥æĬ¥": 100824, "æµ®": 100825, "åľ°åĽ¾": 100826, "åijĪ": 100827, "大åĬĽ": 100828, "绪": 100829, "å¸ħ": 100830, "æľįåĭĻ": 100831, "ä¸įéĶĻ": 100832, "乡æĿij": 100833, "å±¥": 100834, "å¹³æĸ¹": 100835, "éĹ²": 100836, "æī£": 100837, "ç´łè´¨": 100838, "èµ´": 100839, "éģŃ": 100840, "èIJ¨": 100841, "èĩªä¸»": 100842, "éĩijå±ŀ": 100843, "èī¯å¥½": 100844, "两年": 100845, "æ³¥": 100846, "é¢ľ": 100847, "精彩": 100848, "ä¸Ńåįİ": 100849, "æĻĭ": 100850, "ä¹łè¿ij": 100851, "ä¹łè¿ijå¹³": 100852, "æĪĺ士": 100853, "åģļçļĦ": 100854, "éªij": 100855, "æ»´": 100856, "çĵľ": 100857, "çīĪæĿĥ": 100858, "èĤł": 100859, "æľĥåĵ¡": 100860, "çıį": 100861, "種": 100862, "仿": 100863, "çī©ä¸ļ": 100864, "åĢĭ人": 100865, "妻": 100866, "伸": 100867, "æ±Ĺ": 100868, "æĹº": 100869, "çIJĨæĥ³": 100870, "æij¸": 100871, "è¿Ŀæ³ķ": 100872, "å®Įæķ´": 100873, "åݦ": 100874, "è¸ı": 100875, "æĸij": 100876, "æ¡Ĥ": 100877, "ä½ĵåĪ¶": 100878, "師": 100879, "æĿĨ": 100880, "殿": 100881, "æ¯ģ": 100882, "é¦Ī": 100883, "è§Ĵ度": 100884, "欣": 100885, "çĥ¦": 100886, "èĤº": 100887, "éĩĩ访": 100888, "æijĺ": 100889, "æĮ¡": 100890, "æ·ĺ": 100891, "åħ»èĢģ": 100892, "çĤ¸": 100893, "è¿Ī": 100894, "åİī": 100895, "åĿĬ": 100896, "è¾£": 100897, "åĩĿ": 100898, "泪": 100899, "çĸı": 100900, "æİĺ": 100901, "åĥıæĺ¯": 100902, "éĽķ": 100903, "ç¼Ŀ": 100904, "èį·": 100905, "æį·": 100906, "åł¡": 100907, "åı¥è¯Ŀ": 100908, "çĸ¼": 100909, "æłı": 100910, "éģµ": 100911, "碳": 100912, "å·¥åķĨ": 100913, "æIJº": 100914, "åĪ¥": 100915, "ä¹Ļ": 100916, "æĹĭ": 100917, "æĥľ": 100918, "ä¸Ģ大": 100919, "å±Ĥ次": 100920, "èµĸ": 100921, "æĬ¬": 100922, "æ¨Ĥ": 100923, "è¯ŀ": 100924, "åħĴ": 100925, "篮": 100926, "èĤĥ": 100927, "姿": 100928, "æĬļ": 100929, "çĵ·": 100930, "çĶµåĬ¨": 100931, "æĸ°åĨł": 100932, "涵": 100933, "ç¢ij": 100934, "æ·®": 100935, "æŨ": 100936, "踪": 100937, "æ¸Ķ": 100938, "æĦĪ": 100939, "åıĶ": 100940, "åįĹçľģ": 100941, "義": 100942, "å§Ķ书记": 100943, "貸": 100944, "æ¶Į": 100945, "è«ĸ": 100946, "èIJĦ": 100947, "æıı": 100948, "忧": 100949, "辦": 100950, "å¦Ĩ": 100951, "æīŃ": 100952, "åijµ": 100953, "éģ¥": 100954, "許": 100955, "ä»ĩ": 100956, "åįģä¸ī": 100957, "åī²": 100958, "èªį": 100959, "èĪ°": 100960, "é¢ĩ": 100961, "饱": 100962, "çĭł": 100963, "é«ĺçļĦ": 100964, "çµ±": 100965, "æħİ": 100966, "é¢ģ": 100967, "åIJĪéĢĤ": 100968, "æµ´": 100969, "èµĭ": 100970, "æĬ¼": 100971, "妥": 100972, "éĻ¢éķ¿": 100973, "èĢķ": 100974, "辨": 100975, "æħ°": 100976, "åįģåĽĽ": 100977, "æľµ": 100978, "èĵĦ": 100979, "æŀ¢": 100980, "å»·": 100981, "æĤĦ": 100982, "涯": 100983, "磩": 100984, "åŃIJéĩĮ": 100985, "çĬ¹": 100986, "å±Ģéķ¿": 100987, "éIJ": 100988, "å¥ł": 100989, "ä¼ļéķ¿": 100990, "æĵļ": 100991, "ä¸įåıĬ": 100992, "åįģä¹Ŀ": 100993, "欺": 100994, "躺": 100995, "éĺIJ": 100996, "çºĮ": 100997, "註": 100998, "åĨĬ": 100999, "èŃĺ": 101000, "é«ĺçŃī": 101001, "èħº": 101002, "å¤ķ": 101003, "ç»ij": 101004, "åĶ¤": 101005, "èķ´": 101006, "çķľ": 101007, "æħĭ": 101008, "åıĻ": 101009, "åıĥ": 101010, "峡": 101011, "人大": 101012, "éħ¿": 101013, "éģ©": 101014, "奢": 101015, "åı£æ°Ķ": 101016, "éĮĦ": 101017, "éı": 101018, "åĭĺ": 101019, "è´¿": 101020, "éļª": 101021, "éĭ": 101022, "éļ¶": 101023, "ð¥": 101024, "ð¬£": 101025, "ð£": 101026, "ð«į": 101027, "ð¬³": 101028, "ð«ĵ": 101029, "ð«Ħ": 101030, "ð«Ł": 101031, "ð¨±": 101032, "äĹ": 101033, "以åıĬ": 101034, "æľīéĻIJ": 101035, "åij¢": 101036, "åIJĹ": 101037, "çľĭåĪ°": 101038, "计åĪĴ": 101039, "è¿Ľåħ¥": 101040, "缴æİ¥": 101041, "åĪĨæŀIJ": 101042, "åıªæľī": 101043, "设å¤ĩ": 101044, "åħ¶å®ŀ": 101045, "åĬłå¼º": 101046, "ä¸ŃçļĦ": 101047, "ä¿Ŀéļľ": 101048, "èĢģå¸Ī": 101049, "人æīį": 101050, "å¾ĹåĪ°": 101051, "é£İéĻ©": 101052, "ä¸Ģç§į": 101053, "空éĹ´": 101054, "æĪijåĽ½": 101055, "ä¹ĭåīį": 101056, "ä¸ĵ家": 101057, "æĿ¨": 101058, "æĹ¥æľ¬": 101059, "群ä¼Ĺ": 101060, "åıĤåĬł": 101061, "æķĪæŀľ": 101062, "æľīåħ³": 101063, "家åºŃ": 101064, "åĮºåŁŁ": 101065, "åĬªåĬĽ": 101066, "éļıçĿĢ": 101067, "æĹłæ³ķ": 101068, "交æµģ": 101069, "è¡Į为": 101070, "æ£ĢæŁ¥": 101071, "æľŁéĹ´": 101072, "å¦ĤæѤ": 101073, "èĤ¡ä»½": 101074, "å½ĵæŶ": 101075, "è£ħå¤ĩ": 101076, "åĩĨå¤ĩ": 101077, "éħĴåºĹ": 101078, "è¿IJåĬ¨": 101079, "æıIJåĩº": 101080, "å·¦åı³": 101081, "æݪæĸ½": 101082, "é£Łåĵģ": 101083, "æ¶Īè´¹èĢħ": 101084, "åѦéĻ¢": 101085, "æĮĩ导": 101086, "è¿IJèIJ¥": 101087, "éĩį大": 101088, "åĨľæĿij": 101089, "éĢłæĪIJ": 101090, "æĶ¿æ²»": 101091, "éĴĪ对": 101092, "æŃ£å¼ı": 101093, "åıĸå¾Ĺ": 101094, "éĤ£ä¸ª": 101095, "éĽĨä¸Ń": 101096, "åıªèĥ½": 101097, "å¿«éĢŁ": 101098, "身ä½ĵ": 101099, "åħļåijĺ": 101100, "èģĶåIJĪ": 101101, "åĬĽéĩı": 101102, "éĥ½æľī": 101103, "æħ§": 101104, "å¡Ķ": 101105, "åĪ«äºº": 101106, "表çİ°": 101107, "æķħäºĭ": 101108, "ä¸ĢåĪĩ": 101109, "å°ĩ": 101110, "èµĦæĸĻ": 101111, "åŁ¹åħ»": 101112, "éĺħ读": 101113, "æľī人": 101114, "èIJ¥éĶĢ": 101115, "çĽijçĿ£": 101116, "çݯä¿Ŀ": 101117, "èĢĥèĻij": 101118, "æ·±åľ³": 101119, "严éĩį": 101120, "èĮĥåĽ´": 101121, "å§Ķåijĺ": 101122, "çĽij管": 101123, "ä¸ī个": 101124, "è£ħä¿®": 101125, "åħ¬éĩĮ": 101126, "åĪĨåĪ«": 101127, "çIJĨ解": 101128, "飩": 101129, "åĬłå·¥": 101130, "è®¤çľŁ": 101131, "ä¸į好": 101132, "åݻ年": 101133, "éĻįä½İ": 101134, "æľºä¼ļ": 101135, "åįıè®®": 101136, "符åIJĪ": 101137, "å¢ŀ强": 101138, "æĬĢèĥ½": 101139, "é¦ĸåħĪ": 101140, "秦": 101141, "ä¸ģ": 101142, "å°¾": 101143, "æľīäºĨ": 101144, "åľ°äº§": 101145, "æ¸ł": 101146, "æĸ¹ä¾¿": 101147, "移åĬ¨": 101148, "éĢŁåº¦": 101149, "å°¤åħ¶": 101150, "éĢļçŁ¥": 101151, "åĿĽ": 101152, "éģ¿åħį": 101153, "æģ¢": 101154, "è´¡": 101155, "èģĮå·¥": 101156, "å®ŀåĬĽ": 101157, "æĺ¯ä¸Ģç§į": 101158, "åIJ¯åĬ¨": 101159, "çĸ¾çĹħ": 101160, "æĿ¥äºĨ": 101161, "çĽ¸å¯¹": 101162, "çİ°å®ŀ": 101163, "èŀįåIJĪ": 101164, "åIJĮæł·": 101165, "åħ¬åijĬ": 101166, "çī¹æ®Ĭ": 101167, "ç´«": 101168, "ä¸ĭåİ»": 101169, "ä¼łæĴŃ": 101170, "æľĢ好": 101171, "ä¼ĺè´¨": 101172, "æ²Ĵ": 101173, "æĮº": 101174, "æŦ": 101175, "诺": 101176, "ä¸ĢåIJį": 101177, "éģĵè·¯": 101178, "示èĮĥ": 101179, "è¿ĩæĿ¥": 101180, "åIJĮåѦ": 101181, "é¼ĵ": 101182, "æĿŃ": 101183, "æľ¬æ¬¡": 101184, "åIJĮæĦı": 101185, "ä¸ĸ纪": 101186, "ç¾Ĭ": 101187, "欲": 101188, "å·¥èīº": 101189, "çĵ¦": 101190, "人士": 101191, "æľīæīĢ": 101192, "ä»İäºĭ": 101193, "æľīå¾Īå¤ļ": 101194, "ä¸įäºĨ": 101195, "å²Ĺä½į": 101196, "åıĺå¾Ĺ": 101197, "åĬ³åĬ¨": 101198, "å¤Ħäºİ": 101199, "å¹³åĿĩ": 101200, "形象": 101201, "å¡ŀ": 101202, "åħ±äº«": 101203, "çĿĽ": 101204, "åĪ©æ¶¦": 101205, "æŃ£æĺ¯": 101206, "å¾Ģå¾Ģ": 101207, "缸æ¯Ķ": 101208, "横": 101209, "åĪ·": 101210, "æµĻæ±Ł": 101211, "大éĥ¨åĪĨ": 101212, "å¤ļ个": 101213, "æĤ¨çļĦ": 101214, "çĶµåķĨ": 101215, "å¾®åįļ": 101216, "å§ĭç»Ī": 101217, "çĬ¯ç½ª": 101218, "æĺ¯åľ¨": 101219, "ç»ĦåIJĪ": 101220, "åİŁæĿ¥": 101221, "æ¸ħæ¥ļ": 101222, "åIJĦåľ°": 101223, "æĦŁåıĹ": 101224, "å½ĵä¸Ń": 101225, "è¶ĭåĬ¿": 101226, "æĻ¯åĮº": 101227, "羣æĺ¯": 101228, "ä¾ĽåºĶ": 101229, "转åŀĭ": 101230, "çĭĤ": 101231, "èĨľ": 101232, "èĭĹ": 101233, "å¿ł": 101234, "å¾Ī大": 101235, "èĤ¡æĿĥ": 101236, "ç¾İåħĥ": 101237, "æİĴåIJį": 101238, "åĬ¨çī©": 101239, "éĶħ": 101240, "墨": 101241, "主å¸Ń": 101242, "å¾Ī好": 101243, "ç»Ŀ对": 101244, "æĿľ": 101245, "转载": 101246, "çĴĥ": 101247, "æĿijæ°ij": 101248, "åIJ¨": 101249, "åĽŃåĮº": 101250, "é«ĺ度": 101251, "çī©è´¨": 101252, "è¾ī": 101253, "æĹ¥å¸¸": 101254, "æıĴ": 101255, "ä¸īå¹´": 101256, "ä½ĵçİ°": 101257, "æīįæĺ¯": 101258, "代çIJĨ": 101259, "ä¸į管": 101260, "æģĴ": 101261, "åľ°ä½į": 101262, "ç²®": 101263, "èĸĦ": 101264, "æĺİçĻ½": 101265, "ä¸Ģèĩ´": 101266, "æĽ¼": 101267, "åĵŃ": 101268, "åĩ¤": 101269, "åĬ²": 101270, "æķĮ": 101271, "æĪĺæĸĹ": 101272, "主ä½ĵ": 101273, "åħ¬å¸ĥ": 101274, "åıĤèĢĥ": 101275, "èĪªç©º": 101276, "寺": 101277, "åѦä¼ļ": 101278, "åıįæĺł": 101279, "ç¾İ丽": 101280, "太éĺ³": 101281, "建æĪIJ": 101282, "æħ¢æħ¢": 101283, "åIJĦ个": 101284, "éĤ¦": 101285, "ç»ĦæĪIJ": 101286, "ä¸ī大": 101287, "éĶ¦": 101288, "大å¤ļæķ°": 101289, "æ¦Ĥ念": 101290, "éŃĤ": 101291, "åħ¬çĽĬ": 101292, "èįĴ": 101293, "身份": 101294, "æ·±åĪ»": 101295, "åħ©": 101296, "ç»ıåħ¸": 101297, "åIJĦ项": 101298, "èĻķ": 101299, "è¿ĽæŃ¥": 101300, "åįģäºĮ": 101301, "æī§æ³ķ": 101302, "æĥ³åĪ°": 101303, "æĦŁæŁĵ": 101304, "åķĨåĬ¡": 101305, "å°ıç»Ħ": 101306, "èĶ¬": 101307, "çıŃåŃIJ": 101308, "åIJĮå¿Ĺ": 101309, "éĿ¢ä¸´": 101310, "çĤĴ": 101311, "å¤ļç§į": 101312, "è§ĤçĤ¹": 101313, "åĵªéĩĮ": 101314, "å°Ŀ": 101315, "å§Ĩ": 101316, "èħ¹": 101317, "åŁİåĮº": 101318, "太å¤ļ": 101319, "çĹħæ¯Ĵ": 101320, "åľ¨äºİ": 101321, "æīĢè°ĵ": 101322, "æĻ°": 101323, "æŀĿ": 101324, "æĭĸ": 101325, "å®ħ": 101326, "æķ´æ²»": 101327, "ä½ıæĪ¿": 101328, "åģ·": 101329, "çĨĬ": 101330, "èµģ": 101331, "æ°Ľ": 101332, "æł¼å±Ģ": 101333, "åŁºç¡Ģä¸Ĭ": 101334, "èĥĨ": 101335, "åħ½": 101336, "鼶åĶ®": 101337, "åĿ¡": 101338, "女åŃ©": 101339, "æĴŀ": 101340, "åħ¨åĬĽ": 101341, "åĴĸ": 101342, "èĤ©": 101343, "çľī": 101344, "èĩ³äºİ": 101345, "åħļç»Ħ": 101346, "ä¸Ģ件": 101347, "æĭĨ": 101348, "äºĭå®ŀ": 101349, "åĤ³": 101350, "æ¹ĺ": 101351, "網ç«Ļ": 101352, "循çݯ": 101353, "åIJĮæ¯Ķ": 101354, "æĭĶ": 101355, "åĮ»èį¯": 101356, "åħ»æ®ĸ": 101357, "åĽºå®ļ": 101358, "å®ŀéĻħä¸Ĭ": 101359, "è®°å¾Ĺ": 101360, "åĪ©äºİ": 101361, "æĤ¦": 101362, "æĭ³": 101363, "èĤĿ": 101364, "æķĪçĽĬ": 101365, "該": 101366, "æ°ij主": 101367, "çĹĩçĬ¶": 101368, "風": 101369, "å¹¼åĦ¿": 101370, "å§ij": 101371, "æĪĴ": 101372, "ä¸ĭçļĦ": 101373, "渡": 101374, "å¹´åºķ": 101375, "è®°å¿Ĩ": 101376, "åIJIJ": 101377, "大å¹ħ": 101378, "å¾½": 101379, "åħ¬ä¼Ĺ": 101380, "ä¿¡å¿ĥ": 101381, "çİĽ": 101382, "ä¼ļä¸Ĭ": 101383, "ä¹Ķ": 101384, "æijĦå½±": 101385, "æ£ĭçīĮ": 101386, "éĻķ": 101387, "åºĶæĢ¥": 101388, "æĶ¶è´¹": 101389, "æݧèĤ¡": 101390, "仪å¼ı": 101391, "çŀ¬": 101392, "æīĢåľ¨": 101393, "碰": 101394, "å§ĵ": 101395, "é¡Į": 101396, "æĶ¯éĥ¨": 101397, "使åij½": 101398, "çĤī": 101399, "å¯Ħ": 101400, "翼": 101401, "åľ°ä¸ĭ": 101402, "è¾ŀ": 101403, "俱": 101404, "主æĮģ": 101405, "è´§å¸ģ": 101406, "æģ¨": 101407, "èĤĮ": 101408, "çĽĪ": 101409, "éĶ»": 101410, "å¿ĹæĦ¿": 101411, "类似": 101412, "æĮĸ": 101413, "éĢ»": 101414, "總": 101415, "纪念": 101416, "åķ¥": 101417, "弯": 101418, "åIJįåŃĹ": 101419, "åģ¥èº«": 101420, "çļĦå¿ĥ": 101421, "驱": 101422, "èĥĮåIJİ": 101423, "æ³ķå¸Ī": 101424, "ç²Ĵ": 101425, "èĥ½éĩı": 101426, "è¾°": 101427, "èī³": 101428, "å½¼": 101429, "段æŶéĹ´": 101430, "åIJĪæ³ķ": 101431, "æĵ¦": 101432, "ç¾½": 101433, "åݨ": 101434, "æĪij说": 101435, "äºĭåĬ¡": 101436, "åĩłå¤©": 101437, "åħģ": 101438, "ç¼´": 101439, "åįĵ": 101440, "两ç§į": 101441, "çĭ¬çī¹": 101442, "帶": 101443, "éĴ»": 101444, "æĥ©": 101445, "é¢ĨåħĪ": 101446, "è¶³å¤Ł": 101447, "壳": 101448, "æĦıåij³çĿĢ": 101449, "åĪĨå¸ĥ": 101450, "ä¹ĥ": 101451, "éģĭ": 101452, "佩": 101453, "è°±": 101454, "çģ£": 101455, "èį¡": 101456, "贯彻": 101457, "å¹¾": 101458, "ç£ģ": 101459, "åħ¸åŀĭ": 101460, "åīĩ": 101461, "åĨ»": 101462, "æ¬ł": 101463, "ä¸įä¹ħ": 101464, "浦": 101465, "éŃħ": 101466, "å¼ĢäºĨ": 101467, "使çĶ¨èĢħ": 101468, "è¿Ļ款": 101469, "å°Ī": 101470, "èĦ±è´«": 101471, "æĶ»åĿļ": 101472, "ç®Ĺæĺ¯": 101473, "ç¨Ģ": 101474, "æĹłäºº": 101475, "åłµ": 101476, "å¥ı": 101477, "éĥ½å¸Ĥ": 101478, "åı¯è§ģ": 101479, "ä¸įåĩº": 101480, "æ·»": 101481, "äºı": 101482, "ç¾İ好": 101483, "èĥĸ": 101484, "飵": 101485, "æłĩå¿Ĺ": 101486, "èĬĤèĥ½": 101487, "æĬ«": 101488, "å°º": 101489, "寸": 101490, "ä¸Ģ代": 101491, "é¢Ĺ": 101492, "èĢ¶": 101493, "èĴ¸": 101494, "åĸ®": 101495, "滿": 101496, "çĮľ": 101497, "æµĨ": 101498, "åŁĥ": 101499, "åįĥä¸ĩ": 101500, "èµĮ": 101501, "èģ²": 101502, "ä½ľé£İ": 101503, "質": 101504, "寨": 101505, "年人": 101506, "åį°è±¡": 101507, "桶": 101508, "æĴ¤": 101509, "åįģäºĶ": 101510, "æ¯ħ": 101511, "沪": 101512, "åĽ½æľī": 101513, "大éĩıçļĦ": 101514, "御": 101515, "å¯ĵ": 101516, "è¦ĸ": 101517, "æ¼Ĥ亮": 101518, "çľł": 101519, "çĤŃ": 101520, "é»İ": 101521, "èĻ¹": 101522, "åĪ©äºļ": 101523, "èŃī": 101524, "æµı": 101525, "åįģåħ«": 101526, "丢": 101527, "è¾½": 101528, "æľīä¸ĢäºĽ": 101529, "æħĪ": 101530, "åģľè½¦": 101531, "å®ł": 101532, "解æĶ¾": 101533, "æľīå¤ļ": 101534, "éĤĬ": 101535, "常è§ģ": 101536, "æĬ¹": 101537, "纤": 101538, "親": 101539, "æ¡Ĩ": 101540, "èİŀ": 101541, "æ°§åĮĸ": 101542, "è¿Ļ件": 101543, "åĩ°": 101544, "æŁ´": 101545, "åıijçĶµ": 101546, "é¼ł": 101547, "转åĮĸ": 101548, "å¨ĥ": 101549, "æĮ¤": 101550, "罩": 101551, "å¯ĨåĪĩ": 101552, "æĪijä¸į": 101553, "é«ĺæĸ°": 101554, "ä¸Ģç¯ĩ": 101555, "è¿Ľç¨ĭ": 101556, "è¡°": 101557, "è¿ĺä¸į": 101558, "çħĮ": 101559, "æĸ°åįİ": 101560, "èĤ¿": 101561, "滩": 101562, "ä¸Ģæµģ": 101563, "è¯Ī": 101564, "å®ŀä½ĵ": 101565, "å¤ĸåĽ½": 101566, "躲": 101567, "èµł": 101568, "覺": 101569, "æ¢Ŀ": 101570, "ä¸įè§ģ": 101571, "è¨Ĭ": 101572, "åĮ¹": 101573, "åįµ": 101574, "çĩ¥": 101575, "æħķ": 101576, "齿": 101577, "å®´": 101578, "饼": 101579, "èij¡èIJĦ": 101580, "å°ıå¿ĥ": 101581, "æģ¼": 101582, "éĻĮ": 101583, "æĺĤ": 101584, "åĥ¹": 101585, "èĬĿ": 101586, "æ¯ı个人": 101587, "åīįæıIJ": 101588, "ä½ĵä¼ļ": 101589, "æ¨Ļ": 101590, "æIJľçĭIJ": 101591, "对åħ¶": 101592, "丧": 101593, "èľĤ": 101594, "浸": 101595, "調": 101596, "åĿª": 101597, "é¢ĸ": 101598, "åIJį为": 101599, "笼": 101600, "èĪĮ": 101601, "æľ¬ä¹¦": 101602, "èģ¯": 101603, "纺": 101604, "ç®Ģ缴": 101605, "éĽ¢": 101606, "ç¾İçļĦ": 101607, "éļ¨": 101608, "é«ĺå³°": 101609, "è¿Ļ家": 101610, "åĤ¬": 101611, "å°¸": 101612, "ç¡ķ士": 101613, "èŃ·": 101614, "è°¨": 101615, "æĺı": 101616, "æĶ¿åįı": 101617, "è¡Ķ": 101618, "ç¿Ĵ": 101619, "åľĴ": 101620, "åĽ½æ°ij": 101621, "主è§Ĵ": 101622, "è£ķ": 101623, "伪": 101624, "åºŀ": 101625, "æ°ijèIJ¥": 101626, "æĥ§": 101627, "ç§ĺ书": 101628, "çĹķ": 101629, "çĻ¾åĪĨ": 101630, "溶": 101631, "æĹłçĸij": 101632, "çļĦçľ¼": 101633, "æĵİ": 101634, "ä¼Łå¤§": 101635, "å½°": 101636, "åħ¬å®īå±Ģ": 101637, "ç³ķ": 101638, "å¼¥": 101639, "åĤĻ": 101640, "ä¹¾": 101641, "毫ä¸į": 101642, "注æĺİ": 101643, "åī¯æĢ»": 101644, "æĦī": 101645, "æķ¦": 101646, "馨": 101647, "æĶĢ": 101648, "éĢĿ": 101649, "åı¯éĿł": 101650, "夸": 101651, "åľĺ": 101652, "éĿ¢ä¸Ĭ": 101653, "æĬĸ": 101654, "èĦĨ": 101655, "é©°": 101656, "ä¼IJ": 101657, "妨": 101658, "å®ļäºĨ": 101659, "ç³Ĭ": 101660, "æŃ¡": 101661, "éĥ¨éķ¿": 101662, "ç§ī": 101663, "èĪĨ": 101664, "åĪijäºĭ": 101665, "åIJµ": 101666, "æ¤Ĵ": 101667, "è¡ĵ": 101668, "豫": 101669, "èı©": 101670, "åѵ": 101671, "饲": 101672, "就好": 101673, "åłª": 101674, "ä¸īè§Ĵ": 101675, "åľºæ¯ĶèµĽ": 101676, "ä¸įåģľ": 101677, "æĵħ": 101678, "åħ¨æĸĩ": 101679, "æ³ģ": 101680, "åѦä½į": 101681, "æ±°": 101682, "éłĺ": 101683, "åıł": 101684, "éļĽ": 101685, "å¸IJ": 101686, "çľĭåĩº": 101687, "åĮł": 101688, "å±ĢéĿ¢": 101689, "æ³Į": 101690, "è°Ĭ": 101691, "åIJĮæľŁ": 101692, "æĬķæłĩ": 101693, "奴": 101694, "æĿ¥çľĭçľĭ": 101695, "èĦ¾": 101696, "èŀº": 101697, "æŃī": 101698, "çĽ¯": 101699, "ç¨İåĬ¡": 101700, "å»Ĭ": 101701, "æİ©": 101702, "æħ¨": 101703, "çĽ¼": 101704, "èĬĴ": 101705, "è®Ģ": 101706, "æĮ£": 101707, "èĮħ": 101708, "æĸ¥": 101709, "æ¤ħ": 101710, "åĪ°æĿ¥": 101711, "èijĹä½ľ": 101712, "çĭ±": 101713, "äºĮæīĭ": 101714, "ä»İæĿ¥": 101715, "çĸ²": 101716, "åºĬä¸Ĭ": 101717, "æĸ°æµª": 101718, "æ³Ħ": 101719, "å¢ŀåĢ¼": 101720, "丼": 101721, "æļij": 101722, "ä»İä¸ļ": 101723, "æ·ĭ": 101724, "å¤ļæł·": 101725, "æľ´": 101726, "份é¢Ŀ": 101727, "æŀ£": 101728, "西çľģ": 101729, "æľ¬è´¨": 101730, "深深": 101731, "èīĩ": 101732, "绵": 101733, "产åĢ¼": 101734, "æ¼ł": 101735, "èħ»": 101736, "çŃĽ": 101737, "åİĮ": 101738, "æģŃ": 101739, "å«Įçĸij": 101740, "æĪ¶": 101741, "æ»ŀ": 101742, "èĨĢ": 101743, "åĬ£": 101744, "座è°Ī": 101745, "常æĢģ": 101746, "çļĦæĥħ": 101747, "覽": 101748, "å¯Ĥ": 101749, "åĮĨ": 101750, "èĩº": 101751, "顯": 101752, "çķı": 101753, "éģ£": 101754, "åįľ": 101755, "çŃīå¥ĸ": 101756, "責": 101757, "溯": 101758, "éİ": 101759, "çĤ¹å¤´": 101760, "èĵ¬": 101761, "決": 101762, "éħ¬": 101763, "éģĬ": 101764, "è³¼": 101765, "註åĨĬ": 101766, "æľ¬æĬ¥": 101767, "çµķ": 101768, "æ´»æĢ§": 101769, "åħij": 101770, "éĮ¯": 101771, "åĨ¶": 101772, "åĸ»": 101773, "æºĸ": 101774, "èĤ¢": 101775, "æºĥ": 101776, "æŬ": 101777, "åīĬ": 101778, "çIJĨäºĭ": 101779, "å±ł": 101780, "沧": 101781, "èļĢ": 101782, "鼻åŃIJ": 101783, "为æŃ¢": 101784, "常å§Ķ": 101785, "çµĤ": 101786, "éĬ·": 101787, "çĭĢ": 101788, "ä¾£": 101789, "èĥĢ": 101790, "èŃ°": 101791, "çĶ¨è½¦": 101792, "åĻª": 101793, "æŃ·": 101794, "åįĶ": 101795, "åĪ¹": 101796, "ç«Łæĺ¯": 101797, "é©Ĺ": 101798, "èIJĿ": 101799, "çĻ«": 101800, "çĹ«": 101801, "æѧ": 101802, "å¼Ĭ": 101803, "媽": 101804, "çıĬ": 101805, "è¡·": 101806, "éľī": 101807, "åŁºçĿ£": 101808, "éļ±": 101809, "æ°¨": 101810, "绸": 101811, "å°¼æĸ¯": 101812, "çĥĺ": 101813, "æľŁåĨħ": 101814, "è°ħ": 101815, "éĽĩ": 101816, "éļĻ": 101817, "åĸī": 101818, "åī¥": 101819, "çĹĺ": 101820, "æĮ½": 101821, "çĵ£": 101822, "æ¹Ľ": 101823, "樱": 101824, "æ¾İ": 101825, "æ¹ĥ": 101826, "åĨ¬å¥¥": 101827, "棵": 101828, "å®°": 101829, "åŀĴ": 101830, "æ§ĭ": 101831, "ä¾Ī": 101832, "èĮĦ": 101833, "åĺ¿": 101834, "èıĩ": 101835, "çĻĤ": 101836, "åĬĥ": 101837, "éį": 101838, "èĶ½": 101839, "çŀŃ": 101840, "æķŀ": 101841, "ä¹ĸ": 101842, "飧": 101843, "è¾ľ": 101844, "æĩĪ": 101845, "ä½£": 101846, "çŀ»": 101847, "åŁĶ": 101848, "èĪħ": 101849, "å®ŀäºĭ": 101850, "é¨": 101851, "姥": 101852, "絡": 101853, "åĺ»": 101854, "çķ¢": 101855, "æ²ĥå°Ķ": 101856, "è¿Ħ": 101857, "èĤĩ": 101858, "æħij": 101859, "ã§": 101860, "äı": 101861, "ðł": 101862, "ð¬ĩ": 101863, "ð«Ń": 101864, "ð«IJ": 101865, "ã³": 101866, "©½": 101867, "ð«ł": 101868, "ãĽ": 101869, "ð¬į": 101870, "é¿": 101871, "ð¬Ĵ": 101872, "ãĻ": 101873, "ð¬¤": 101874, "ð¬´": 101875, "ð«ĸ": 101876, "ð¤": 101877, "ã¬": 101878, "ä²": 101879, "ð«Ķ": 101880, "ð«ļ": 101881, "è¦ģæ±Ĥ": 101882, "ä¸ĢäºĽ": 101883, "å®ŀçİ°": 101884, "èĢĮä¸Ķ": 101885, "åĽłæѤ": 101886, "çĶ±äºİ": 101887, "åħ³äºİ": 101888, "çĦ¶åIJİ": 101889, "æݨåĬ¨": 101890, "ä¸Ģæł·": 101891, "æĮīçħ§": 101892, "è¿Ļæł·çļĦ": 101893, "å½¢æĪIJ": 101894, "æľīäºĽ": 101895, "æĽ´åĬł": 101896, "ç»ıè¿ĩ": 101897, "建议": 101898, "æ²»çĸĹ": 101899, "ä½łä»¬": 101900, "æīįèĥ½": 101901, "ä¿ĥè¿Ľ": 101902, "åijĺå·¥": 101903, "ä½ĵéªĮ": 101904, "èĪĩ": 101905, "åģļ好": 101906, "ä¿Ŀè¯ģ": 101907, "æķ´ä¸ª": 101908, "æĺ¯ä¸Ģ个": 101909, "éĩĩçĶ¨": 101910, "çIJĨ论": 101911, "æ¯Ķå¦Ĥ": 101912, "ä¸ĬçļĦ": 101913, "æݨèįIJ": 101914, "çĶ³è¯·": 101915, "天空": 101916, "éĥ¨èIJ½": 101917, "åįģåĪĨ": 101918, "æĿ¥èĩª": 101919, "ä¹ĭéĹ´": 101920, "è°ĥæķ´": 101921, "æ¯ı天": 101922, "è°ĥæŁ¥": 101923, "æĤ£èĢħ": 101924, "è¿ĩç¨ĭä¸Ń": 101925, "é¦Ļ港": 101926, "广åijĬ": 101927, "éĿ¢å¯¹": 101928, "满足": 101929, "éķ¿æľŁ": 101930, "è§ĦèĮĥ": 101931, "æķ´ä½ĵ": 101932, "æĶ¹åıĺ": 101933, "æĻºæħ§": 101934, "å¦Īå¦Ī": 101935, "å¦Ĥä»Ĭ": 101936, "åIJĪåIJĮ": 101937, "éĥ½ä¼ļ": 101938, "åĦ¿ç«¥": 101939, "åĩıå°ij": 101940, "éŁ³ä¹IJ": 101941, "ç»ı常": 101942, "ä¸Ĭå¸Ĥ": 101943, "ä¼ĺç§Ģ": 101944, "çļĦéĩįè¦ģ": 101945, "ä¸ĢæĿ¡": 101946, "æµ·å¤ĸ": 101947, "åı¦å¤ĸ": 101948, "ä¸Ģ家": 101949, "åİĭåĬĽ": 101950, "大åŀĭ": 101951, "çľĭçĿĢ": 101952, "åĪĢ": 101953, "幸ç¦ı": 101954, "æݨ广": 101955, "åIJĽ": 101956, "å¾IJ": 101957, "æī¾åĪ°": 101958, "äºİæĺ¯": 101959, "èĩªèº«": 101960, "ä¸Ģä½į": 101961, "åľŁåľ°": 101962, "åĬłåħ¥": 101963, "æݢ索": 101964, "æ¢ģ": 101965, "主åĬ¨": 101966, "å°±ä¸ļ": 101967, "女æĢ§": 101968, "çªģçł´": 101969, "ä¸įåIJĮçļĦ": 101970, "è¿IJè¾ĵ": 101971, "èĩªçĶ±": 101972, "å±ħæ°ij": 101973, "æŃ¤æ¬¡": 101974, "çļĦæŶéĹ´": 101975, "家éķ¿": 101976, "ä¸Ģ个人": 101977, "æ£Ģæµĭ": 101978, "åĨħéĥ¨": 101979, "广å·ŀ": 101980, "缴æĴŃ": 101981, "ä»İèĢĮ": 101982, "贷款": 101983, "åı¬å¼Ģ": 101984, "æĶ¹éĢł": 101985, "人çĶŁ": 101986, "å±ķ示": 101987, "æ¯ıå¹´": 101988, "女人": 101989, "çļĦæĸ¹å¼ı": 101990, "æķĪçİĩ": 101991, "å±±ä¸ľ": 101992, "æ¸łéģĵ": 101993, "ä¼¼ä¹İ": 101994, "æ¡Ī件": 101995, "åĪ©çĽĬ": 101996, "çľĭçľĭ": 101997, "å¿ĥéĩĮ": 101998, "ç»´æĬ¤": 101999, "å®Ŀå®Ŀ": 102000, "ç½ijä¸Ĭ": 102001, "论åĿĽ": 102002, "å°±åı¯ä»¥": 102003, "ä¸į足": 102004, "æģ¢å¤į": 102005, "å¸ĥå±Ģ": 102006, "è´¡çĮ®": 102007, "ä¸ĭéĻį": 102008, "æİĮæı¡": 102009, "çļ®èĤ¤": 102010, "å·¥åħ·": 102011, "éĩįåºĨ": 102012, "åĵģè´¨": 102013, "æݨåĩº": 102014, "çĶ·äºº": 102015, "æī¿æĭħ": 102016, "çªģåĩº": 102017, "èĢĮè¨Ģ": 102018, "æ²Ł": 102019, "åįıè°ĥ": 102020, "æĺ¯ä»Ģä¹Ī": 102021, "汤": 102022, "æĴij": 102023, "çĭ¬ç«ĭ": 102024, "çݯèĬĤ": 102025, "æī©å¤§": 102026, "æ´ª": 102027, "æĿ°": 102028, "çĽIJ": 102029, "ä»ģ": 102030, "æ¶īåıĬ": 102031, "èĢģ人": 102032, "åį³ä½¿": 102033, "åįĹ京": 102034, "éħįåIJĪ": 102035, "鬼": 102036, "çĪ¶äº²": 102037, "ç½Ĺæĸ¯": 102038, "å°ıåĮº": 102039, "æķĻæİĪ": 102040, "åĨ³çŃĸ": 102041, "é¢Ħ计": 102042, "æľ¬äºº": 102043, "伯": 102044, "竹": 102045, "åĪ°åºķ": 102046, "å¸Ĥæ°ij": 102047, "åĩºåı£": 102048, "éĩĩè´Ń": 102049, "æĢ»ç»ĵ": 102050, "æѦæ±ī": 102051, "åĬłå¤§": 102052, "å¹¿ä¸ľ": 102053, "æµģç¨ĭ": 102054, "人åı£": 102055, "å¦Ĥæŀľä½ł": 102056, "åĩºåİ»": 102057, "åĩī": 102058, "åĨľæ°ij": 102059, "çݰ象": 102060, "åĬĽåº¦": 102061, "ç»ĻäºĪ": 102062, "åħļå§Ķ": 102063, "è¯Ńè¨Ģ": 102064, "线ä¸Ĭ": 102065, "æĢİæł·": 102066, "åĦ¿åŃIJ": 102067, "ç¡®å®ŀ": 102068, "ä¹ĭå¤ĸ": 102069, "éĥ½åľ¨": 102070, "èī¾": 102071, "çļĦæĥħåĨµ": 102072, "éĩĮçļĦ": 102073, "åĽ´ç»ķ": 102074, "æĽ´å¤ļçļĦ": 102075, "ä¾Ŀæ³ķ": 102076, "åħ¬åĽŃ": 102077, "家éĩĮ": 102078, "æ¯į亲": 102079, "ä¸įåĨį": 102080, "èĭ¹": 102081, "æ³ķéĻ¢": 102082, "éŁ©åĽ½": 102083, "缸å½ĵ": 102084, "ä¸įçŁ¥": 102085, "è¯Ħä¼°": 102086, "ä¸įçĶ¨": 102087, "顺åĪ©": 102088, "éĩįè§Ĩ": 102089, "è´¢åĬ¡": 102090, "ä»ĸåĢij": 102091, "åıijè¡Į": 102092, "ä¸ĵéŨ": 102093, "åħ·å¤ĩ": 102094, "并ä¸įæĺ¯": 102095, "足çIJĥ": 102096, "éŀĭ": 102097, "åıij表": 102098, "æ°¸è¿ľ": 102099, "èIJ¥åħ»": 102100, "éħįå¥Ĺ": 102101, "æķ´åIJĪ": 102102, "è´º": 102103, "åĽŀçŃĶ": 102104, "æĶ¶çĽĬ": 102105, "ä¹Łè®¸": 102106, "è»Ĭ": 102107, "æݥ触": 102108, "æĶ»åĩ»": 102109, "åĽĽå·Ŀ": 102110, "æĢ§èĥ½": 102111, "åĽŀåĪ°": 102112, "èħ°": 102113, "ä¹Łæ²¡æľī": 102114, "å¼Ħ": 102115, "设ç«ĭ": 102116, "éĺ²æݧ": 102117, "æĬĢå·§": 102118, "éĢļ常": 102119, "è´¢æĶ¿": 102120, "éĥ¨ç½²": 102121, "åľºæĻ¯": 102122, "æ±Łèĭı": 102123, "表达": 102124, "åĸ·": 102125, "女åĦ¿": 102126, "èĪ¶": 102127, "給": 102128, "ä¼ļåijĺ": 102129, "æĪĸ许": 102130, "亩": 102131, "举æĸ¹": 102132, "天津": 102133, "è¿ijå¹´": 102134, "çľĭæĿ¥": 102135, "æ¯Ķä¾ĭ": 102136, "岩": 102137, "éĵľ": 102138, "çİ»": 102139, "å®ŀéªĮ": 102140, "æĢĿç»´": 102141, "æĭħå¿ĥ": 102142, "æ²Ī": 102143, "身边": 102144, "æ·±åĮĸ": 102145, "ç²¾åĩĨ": 102146, "ç§ģæľį": 102147, "æ¶Īéĺ²": 102148, "åİ»äºĨ": 102149, "ç»Ĩèĥŀ": 102150, "çIJĥéĺŁ": 102151, "æĺİæĺŁ": 102152, "é£Łçī©": 102153, "å¾Īå¿«": 102154, "è®©ä½ł": 102155, "ä¿¡çĶ¨": 102156, "åĶ¯ä¸Ģ": 102157, "åħ¶å®ĥ": 102158, "çŃīæĸ¹éĿ¢": 102159, "å¾ĭå¸Ī": 102160, "æŃ»äº¡": 102161, "æŁ³": 102162, "ä¸Ģæī¹": 102163, "ä¸Ĭ涨": 102164, "æľºåľº": 102165, "å½¢åĬ¿": 102166, "æĦ¿æĦı": 102167, "éĽĨä½ĵ": 102168, "æĸ°åŀĭ": 102169, "æįŁå¤±": 102170, "æĽ¸": 102171, "ä¸ĭåįĪ": 102172, "æ¯ı次": 102173, "æĪIJå°±": 102174, "åħ¬è·¯": 102175, "èĻ«": 102176, "åĴ±": 102177, "西å®ī": 102178, "æľĢä½³": 102179, "ç§ijçłĶ": 102180, "å¤įæĿĤ": 102181, "æľºåĻ¨": 102182, "çĪ±æĥħ": 102183, "çħ§çīĩ": 102184, "å¹´é¾Ħ": 102185, "è³ĩæĸĻ": 102186, "ç²Ĺ": 102187, "åĩĨç¡®": 102188, "åĬłä¸Ĭ": 102189, "åĩºçīĪ": 102190, "è°IJ": 102191, "家å±ħ": 102192, "èĥĮæĻ¯": 102193, "ä¸Ģ线": 102194, "äºĭ项": 102195, "åĬ¨ä½ľ": 102196, "祥": 102197, "æĢ»ä½ĵ": 102198, "æĪ¿åŃIJ": 102199, "ä¹Łå°±æĺ¯": 102200, "大æ¦Ĥ": 102201, "é«ĺæķĪ": 102202, "åIJ¹": 102203, "æİĪæĿĥ": 102204, "éĻĦè¿ij": 102205, "æ¡Īä¾ĭ": 102206, "éĹ¹": 102207, "çĪ¸çĪ¸": 102208, "彩票": 102209, "æĢĴ": 102210, "举æĬ¥": 102211, "æĻ®éģį": 102212, "çķĻä¸ĭ": 102213, "è¡£æľį": 102214, "æĹłè®ºæĺ¯": 102215, "åħħ满": 102216, "深度": 102217, "æ¡ij": 102218, "æĪªèĩ³": 102219, "带æĿ¥çļĦ": 102220, "éĻµ": 102221, "æĦŁæĥħ": 102222, "èµļ": 102223, "åĵªäºĽ": 102224, "æķ´æĶ¹": 102225, "æĪIJçĨŁ": 102226, "å¨ľ": 102227, "é¼»": 102228, "磼": 102229, "çĽ¾": 102230, "好好": 102231, "ç¬¬åĽĽ": 102232, "åĨłåĨĽ": 102233, "è´¢å¯Į": 102234, "æľĢ好çļĦ": 102235, "车åŀĭ": 102236, "éĸĢ": 102237, "åį³å°Ĩ": 102238, "åĪĨ为": 102239, "éĿĴå²Ľ": 102240, "纷纷": 102241, "ä»ĬæĹ¥": 102242, "平衡": 102243, "å¹³æĸ¹ç±³": 102244, "éĤ£ç§į": 102245, "åĩºçĶŁ": 102246, "éĿĴæĺ¥": 102247, "人群": 102248, "人工": 102249, "ä¹ĭä¸ĭ": 102250, "æ¹ĸåĮĹ": 102251, "åľ¨æѤ": 102252, "åįļ士": 102253, "æŶåĪ»": 102254, "æ²³åĮĹ": 102255, "æĶ¾å¼ĥ": 102256, "éĢļéģĵ": 102257, "森æŀĹ": 102258, "çĸĨ": 102259, "æķ¸": 102260, "èĬ³": 102261, "æīĵåĩ»": 102262, "æĽ¹": 102263, "åĮĸåѦ": 102264, "æĥ³è±¡": 102265, "ä¸ĩ人": 102266, "è´¢ç»ı": 102267, "åħĥç´ł": 102268, "ä¼ļ计": 102269, "åħ¨ä½ĵ": 102270, "æĦĽ": 102271, "é«ĺä¸Ń": 102272, "æľºéģĩ": 102273, "å£°éŁ³": 102274, "æĹħè¡Į": 102275, "浩": 102276, "æŁ±": 102277, "å°ijå¹´": 102278, "åĽ½å¤ĸ": 102279, "èijĹåIJį": 102280, "çĶŁåŃĺ": 102281, "å§ľ": 102282, "带é¢Ĩ": 102283, "é¢ľèī²": 102284, "ä¸Ĭä¸ĭ": 102285, "产ä¸ļéĵ¾": 102286, "æĽ´å¥½çļĦ": 102287, "å²Ń": 102288, "ä¼ĺæĥł": 102289, "便æĺ¯": 102290, "åħ§å®¹": 102291, "ä¸Ģåıª": 102292, "çIJ´": 102293, "梦æĥ³": 102294, "秣èµģ": 102295, "å¼ĢåIJ¯": 102296, "è´Ńçī©": 102297, "åĮħåIJ«": 102298, "åĪ©çİĩ": 102299, "èµ·äºĨ": 102300, "æľīåĬĽ": 102301, "éĤ£éĩĮ": 102302, "审æī¹": 102303, "对æīĭ": 102304, "çİ°éĩij": 102305, "天çĦ¶": 102306, "çĽĴ": 102307, "çĪ½": 102308, "å¿ħçĦ¶": 102309, "åĮĸå·¥": 102310, "ä¸ĵåĪ©": 102311, "åķ¡": 102312, "å¼Ģå¿ĥ": 102313, "人ä½ĵ": 102314, "éģĵ士": 102315, "æĢģ度": 102316, "空è°ĥ": 102317, "æĭĽåķĨ": 102318, "姻": 102319, "第äºĶ": 102320, "æ£Ĵ": 102321, "ä¸Ģç³»åĪĹ": 102322, "åį±æľº": 102323, "转åıĺ": 102324, "åľºæīĢ": 102325, "鸣": 102326, "æĪ¿éĹ´": 102327, "éĢ¼": 102328, "è¯ķçĤ¹": 102329, "对å¤ĸ": 102330, "åĩºåı°": 102331, "åľ¨è¿Ļ": 102332, "åİĤ家": 102333, "巨大": 102334, "ç®Ģä»ĭ": 102335, "çľĭäºĨ": 102336, "åħļ建": 102337, "æĮĩæĮ¥": 102338, "çŁ³æ²¹": 102339, "ä¸įåı¯èĥ½": 102340, "èݲ": 102341, "ä¸į太": 102342, "åĪĽæĦı": 102343, "第ä¸Ģ个": 102344, "è´µå·ŀ": 102345, "è¿ĩäºĨ": 102346, "æľ¬æĿ¥": 102347, "éģĵå¾·": 102348, "çŃĶæ¡Ī": 102349, "éĻ¶": 102350, "ä¸Ģè·¯": 102351, "èĤĸ": 102352, "æ¸ħæ´ģ": 102353, "æľīæľº": 102354, "åIJįåįķ": 102355, "æĿ±": 102356, "åij¼åIJ¸": 102357, "ä¸Ī": 102358, "ç¦ı建": 102359, "è¯ķéªĮ": 102360, "å¼ķåıij": 102361, "ä¹Łæ²¡": 102362, "ä¸įä½ı": 102363, "çĨŁæĤī": 102364, "èIJ¬": 102365, "ä¸įèī¯": 102366, "çłĸ": 102367, "èĩ´åĬĽ": 102368, "çŃ¾è®¢": 102369, "åIJĬ": 102370, "侯": 102371, "çĺ¦": 102372, "å§ijå¨ĺ": 102373, "æĸ¤": 102374, "妻åŃIJ": 102375, "æĺ¥èĬĤ": 102376, "çĪ¬": 102377, "æĽĿ": 102378, "çĥŃæĥħ": 102379, "éķ¿æ²Ļ": 102380, "èIJ¥éĢł": 102381, "éħ·": 102382, "éĵĿ": 102383, "åŁºæľ¬ä¸Ĭ": 102384, "åij¨åĽ´": 102385, "ä»Ģ麼": 102386, "认åı¯": 102387, "åĪĨåŃIJ": 102388, "ä¸Ģæĸ¹éĿ¢": 102389, "è½´": 102390, "å¼·": 102391, "马ä¸Ĭ": 102392, "éĽ¾": 102393, "èĩ£": 102394, "å°¿": 102395, "çĶŁæĦı": 102396, "å®īå¾½": 102397, "ç¥ŀç»ı": 102398, "åĩºå¸Ń": 102399, "èį¯åĵģ": 102400, "çIJĨçĶ±": 102401, "åįıåIJĮ": 102402, "æµģåĬ¨": 102403, "åıijåĬ¨": 102404, "åĿļå®ļ": 102405, "表æĺİ": 102406, "åIJİéĿ¢": 102407, "ä¹īåĬ¡": 102408, "å¦ĸ": 102409, "æľīåı¯èĥ½": 102410, "年轻人": 102411, "大éĻĨ": 102412, "å²³": 102413, "ä¸įèµ·": 102414, "çŀ¬éĹ´": 102415, "ä¸įå¾Ĺä¸į": 102416, "çŃ¾çº¦": 102417, "åIJĪæł¼": 102418, "åħļæĶ¯éĥ¨": 102419, "æµİåįĹ": 102420, "便åĪ©": 102421, "éļıæŶ": 102422, "å¥ī": 102423, "称为": 102424, "产æĿĥ": 102425, "åIJķ": 102426, "çĽĨ": 102427, "课åłĤ": 102428, "ç·ļ": 102429, "æ£ī": 102430, "线ä¸ĭ": 102431, "èĩªè¡Į": 102432, "举æݪ": 102433, "åݦéŨ": 102434, "èĩªä¿¡": 102435, "å½±è§Ĩ": 102436, "ä»Ķ": 102437, "çĶŁæ´»ä¸Ń": 102438, "æĿĥçĽĬ": 102439, "çĻ½èī²": 102440, "å°±ä¸į": 102441, "è¿Ľå±ķ": 102442, "æ¯ıæĹ¥": 102443, "ä¾Ľç»Ļ": 102444, "æĿĥåĪ©": 102445, "æĹłæķ°": 102446, "çIJĨè´¢": 102447, "ä¾Ŀæŧ": 102448, "ä¸ĬåįĪ": 102449, "è¯ĨåĪ«": 102450, "çĽĪåĪ©": 102451, "çłĤ": 102452, "许åı¯": 102453, "åIJĮäºĭ": 102454, "åĺĽ": 102455, "éģ¸": 102456, "çĿĢåĬĽ": 102457, "éŨåı£": 102458, "ä¸įå¤ļ": 102459, "åħ¶æ¬¡": 102460, "碧": 102461, "çī©çIJĨ": 102462, "åĨħå¿ĥ": 102463, "çĻ¾å§ĵ": 102464, "æĢ»ç»Ł": 102465, "å¹²åĩĢ": 102466, "积累": 102467, "åıįé¦Ī": 102468, "æłijç«ĭ": 102469, "社交": 102470, "秩": 102471, "åįģä¸Ģ": 102472, "éĤĵ": 102473, "驱åĬ¨": 102474, "å±ķè§Ī": 102475, "èĪĴéĢĤ": 102476, "åŁºåĽł": 102477, "å·®å¼Ĥ": 102478, "转让": 102479, "å°ıå§IJ": 102480, "æł·åŃIJ": 102481, "ç¿Ķ": 102482, "é«ĺåħ´": 102483, "å½±åĵįåĬĽ": 102484, "æīĭç»Ń": 102485, "缸åIJĮ": 102486, "缸åºĶ": 102487, "æĻĴ": 102488, "è§Ģ": 102489, "å¸Ĥå§Ķ": 102490, "èĬ¯": 102491, "å±ķçİ°": 102492, "åľ°çIJĥ": 102493, "éĤª": 102494, "ä¸Ģå®ļçļĦ": 102495, "åħģ许": 102496, "ä¿¡ä»»": 102497, "æīij": 102498, "éĻ¢æł¡": 102499, "ç®Ģ称": 102500, "åģļæ³ķ": 102501, "ä¹ĭè·¯": 102502, "æĹĹä¸ĭ": 102503, "èħĶ": 102504, "æ¶Ī失": 102505, "ä¸ĸçķĮä¸Ĭ": 102506, "åŁİ乡": 102507, "èĪŀåı°": 102508, "å¾Ī大çļĦ": 102509, "绣çŃ¹": 102510, "åħ¬å¹³": 102511, "èĤ¾": 102512, "çļĦ好": 102513, "æ±ģ": 102514, "çľ¼åīį": 102515, "éĽ£": 102516, "å¹½": 102517, "åħ±äº§": 102518, "主åĬŀ": 102519, "å¤Ħç½ļ": 102520, "åºĻ": 102521, "éģĵçIJĨ": 102522, "å¼µ": 102523, "æİ¥çĿĢ": 102524, "çĮİ": 102525, "çģĮ": 102526, "çĶ±æѤ": 102527, "人åĬĽ": 102528, "æµģè¡Į": 102529, "ä¾ł": 102530, "åı¯ä»¥è¯´": 102531, "èĴĭ": 102532, "å½¢æĢģ": 102533, "æĹ¥åŃIJ": 102534, "æ¼Ĩ": 102535, "çķĻåѦ": 102536, "缸éĹľ": 102537, "æľĢå¤ļ": 102538, "åĩŃåĢŁ": 102539, "åħ¬äº¤": 102540, "æĮĸæİĺ": 102541, "æĿĤå¿Ĺ": 102542, "主人": 102543, "éļľç¢į": 102544, "æł¡éķ¿": 102545, "æĸ¹ä½į": 102546, "ä¸ĬçıŃ": 102547, "å¤ļåħĥ": 102548, "èĥģ": 102549, "éŃħåĬĽ": 102550, "èĮĤ": 102551, "åħħçĶµ": 102552, "强大": 102553, "çĥ¤": 102554, "å¥ĭæĸĹ": 102555, "å®ŀçĶ¨": 102556, "éĺģ": 102557, "ç»ĻäºĨ": 102558, "æľ¬ç§ij": 102559, "æłĭ": 102560, "æĭ¨": 102561, "æķĻç»ĥ": 102562, "éĥ½çŁ¥éģĵ": 102563, "æ¯ķä¸ļçĶŁ": 102564, "ç¢Ĺ": 102565, "åŀĤ": 102566, "讼": 102567, "å®ģæ³¢": 102568, "åѦèĢħ": 102569, "谢谢": 102570, "åŁİéķĩ": 102571, "æĢİä¹ĪåĬŀ": 102572, "éģĶ": 102573, "æĪIJ交": 102574, "æ½ľåĬĽ": 102575, "åį§": 102576, "æĸ°å¼Ģ": 102577, "éħįå¤ĩ": 102578, "主åĬĽ": 102579, "åij³éģĵ": 102580, "çĥĤ": 102581, "é£ŀè¡Į": 102582, "å«ģ": 102583, "大大": 102584, "ç»Ļ大家": 102585, "å¤ĸéĿ¢": 102586, "éĨī": 102587, "åıijè¨Ģ": 102588, "æĹ©é¤IJ": 102589, "åIJĦèĩª": 102590, "å®Ļ": 102591, "èį£èªī": 102592, "æĬ«éľ²": 102593, "é¡ŀ": 102594, "åĨħçļĦ": 102595, "èĤª": 102596, "è¾IJ": 102597, "æ³µ": 102598, "æĬĽ": 102599, "æĺŁæľŁ": 102600, "ä¸Ģ带": 102601, "çĶŁç´ł": 102602, "ç»ıéĶĢ": 102603, "åĩ¶": 102604, "åľ°ä¸Ĭ": 102605, "åij½è¿IJ": 102606, "åĵ²": 102607, "ä¸Ĭåİ»": 102608, "æĸĩçī©": 102609, "è¯ij": 102610, "æĮ¯åħ´": 102611, "éķ¿æŶéĹ´": 102612, "ç¥Ń": 102613, "åIJĪèĤ¥": 102614, "è¿Ŀè§Ħ": 102615, "èģª": 102616, "ä½İäºİ": 102617, "éĢĤå½ĵ": 102618, "æľīåºı": 102619, "æľ¬ç½ij": 102620, "çķĻè¨Ģ": 102621, "æĥ³æ³ķ": 102622, "çŃ¾ç½²": 102623, "å§ļ": 102624, "æĢ§æł¼": 102625, "èĴĻåı¤": 102626, "æŁı": 102627, "åŀ«": 102628, "åѦåİĨ": 102629, "ä»ħä»ħ": 102630, "讲è¯Ŀ": 102631, "éĶIJ": 102632, "æĢĸ": 102633, "åīª": 102634, "èĭį": 102635, "åIJĵ": 102636, "强çĥĪ": 102637, "åģ¥åħ¨": 102638, "çĸ¯": 102639, "åı¤ä»£": 102640, "å¥Ī": 102641, "ä¸įçĦ¶": 102642, "乡éķĩ": 102643, "æľĭåıĭ们": 102644, "åĤħ": 102645, "èģ½": 102646, "个æĢ§": 102647, "æ³ķè§Ħ": 102648, "å°ıéķĩ": 102649, "çĶ»éĿ¢": 102650, "第åħŃ": 102651, "網路": 102652, "åīįæĻ¯": 102653, "åIJ¬è¯´": 102654, "ä¼łåªĴ": 102655, "æĿ¡ä¾ĭ": 102656, "åĪ«çļĦ": 102657, "ä¸įæĩĤ": 102658, "顾éĹ®": 102659, "强度": 102660, "éĺ¿éĩĮ": 102661, "èµ°åĬ¿": 102662, "帽": 102663, "çļĦç¡®": 102664, "åĮºåĪ«": 102665, "éĮ¢": 102666, "主管": 102667, "ä¸Ģçľĭ": 102668, "æĸľ": 102669, "åŃĺåľ¨çļĦ": 102670, "仲": 102671, "åį±å®³": 102672, "éĵŃ": 102673, "游æĪıä¸Ń": 102674, "éħ±": 102675, "é¾Ļ头": 102676, "人å¿ĥ": 102677, "éĢĢä¼ij": 102678, "æµıè§Ī": 102679, "åĬ«": 102680, "éĺ²æ²»": 102681, "ç®Ń": 102682, "å±Ī": 102683, "è¾½å®ģ": 102684, "壤": 102685, "è¿İæĿ¥": 102686, "éŀį": 102687, "çĶ¨æĿ¥": 102688, "å¤§åľ°": 102689, "ä»°": 102690, "éĢļ讯": 102691, "å¼Ģå·¥": 102692, "裤": 102693, "å¦ĤåIJĮ": 102694, "骤": 102695, "éĺŁåijĺ": 102696, "轩": 102697, "ç¾İæľ¯": 102698, "èĻŁ": 102699, "åIJĮä¸Ģ": 102700, "åľĸ": 102701, "书æ³ķ": 102702, "æīĵåį°": 102703, "åIJ«æľī": 102704, "éĽĨæĪIJ": 102705, "éĹ·": 102706, "å¸Ĥåľºä¸Ĭ": 102707, "æĹģè¾¹": 102708, "åľ°æĿ¿": 102709, "产çĶŁçļĦ": 102710, "粤": 102711, "éĩįç»Ħ": 102712, "è¡Ģ液": 102713, "çŃĭ": 102714, "åĬŀäºĭ": 102715, "常è§ģçļĦ": 102716, "ä¸ĬåįĬå¹´": 102717, "å±ıå¹ķ": 102718, "åIJīæŀĹ": 102719, "å·©": 102720, "åĸľçĪ±": 102721, "ç¿ł": 102722, "ä¸īç§į": 102723, "æ¡Ĩæŀ¶": 102724, "举èİŀ": 102725, "çĶĺèĤĥ": 102726, "èĬ¬": 102727, "åĽ¾ä¹¦": 102728, "åĩ¤åĩ°": 102729, "æ°ĶåĢĻ": 102730, "å°´": 102731, "å°¬": 102732, "两天": 102733, "è¾ħ导": 102734, "åĢŁæ¬¾": 102735, "æĹ¥èµ·": 102736, "æ´Ĵ": 102737, "ä¸Ģ度": 102738, "è¹Ī": 102739, "æ½Ń": 102740, "æīĩ": 102741, "çĻľ": 102742, "æĸ°åħ´": 102743, "åĤ²": 102744, "诸å¤ļ": 102745, "è´ª": 102746, "éĻ·åħ¥": 102747, "èĪŁ": 102748, "èĤºçĤİ": 102749, "ä¸Ģæł·çļĦ": 102750, "åİĺ": 102751, "åľ°çIJĨ": 102752, "æĬķ注": 102753, "éļĬ": 102754, "åħīä¼ı": 102755, "ä¿Ŀåģ¥": 102756, "åħĶ": 102757, "åħ¬åĬ¡": 102758, "æīĵçł´": 102759, "çĶ·åŃ©": 102760, "åĬ³åĬ¡": 102761, "ä½łä¼ļ": 102762, "çĶ¨åľ°": 102763, "溢": 102764, "åıijè¾¾": 102765, "èĤļ": 102766, "è¿ĩäºİ": 102767, "èĩĤ": 102768, "éĢĻ樣": 102769, "轻轻": 102770, "ä¸Ńåħ±": 102771, "åIJĦåĽ½": 102772, "åĶĩ": 102773, "å®ŀä¹ł": 102774, "èĻ¾": 102775, "槽": 102776, "ä¸įä¸Ĭ": 102777, "åħįçĸ«": 102778, "åįłæį®": 102779, "å·¥ä¼ļ": 102780, "åĽĬ": 102781, "èĪªå¤©": 102782, "åı¯çĪ±": 102783, "æĸĹäºī": 102784, "çĺ¤": 102785, "å¦Ĥæľī": 102786, "éĽĸ": 102787, "对æĪij": 102788, "åĩºç§Ł": 102789, "好çľĭ": 102790, "太大": 102791, "æ°´åĪ©": 102792, "åĬ¿åĬĽ": 102793, "åħ¨æ°ij": 102794, "ç½¢": 102795, "èµ¢å¾Ĺ": 102796, "çĶµä¿¡": 102797, "车éĹ´": 102798, "æĻĤåĢĻ": 102799, "å°ijæķ°": 102800, "éĵ¸": 102801, "åħ³èģĶ": 102802, "ä¸įä»ħä»ħ": 102803, "为æĤ¨": 102804, "åĴ¸": 102805, "æľºåĬ¨": 102806, "è£Ļ": 102807, "åĵįåºĶ": 102808, "éģł": 102809, "è²·": 102810, "ç©´": 102811, "å¢ħ": 102812, "éĶ¡": 102813, "çµĦ": 102814, "çģ«è½¦": 102815, "è³ĩè¨Ĭ": 102816, "åĨ³èµĽ": 102817, "污水": 102818, "èªŀ": 102819, "å´Ľ": 102820, "ç´§å¯Ĩ": 102821, "缺å°ij": 102822, "å¤ļ人": 102823, "æĢ»ä¹¦è®°": 102824, "éĶĪ": 102825, "èijĽ": 102826, "å¿ĺè®°": 102827, "éĻĮçĶŁ": 102828, "éķ¿å¤§": 102829, "åħĪè¿ĽçļĦ": 102830, "ç¡ħ": 102831, "åıijæĺİ": 102832, "å©´åĦ¿": 102833, "æīİå®ŀ": 102834, "èĽĭçĻ½": 102835, "ä¸ĢçĻ¾": 102836, "缮åħī": 102837, "æħĮ": 102838, "åĬłæ²¹": 102839, "åIJŀ": 102840, "ä¸Ģ群": 102841, "ä¸Ńä»ĭ": 102842, "å¸ĸ": 102843, "å¿Į": 102844, "èģĮèĥ½": 102845, "广æĴŃ": 102846, "çĽijå¯Ł": 102847, "ç§ĺå¯Ĩ": 102848, "çĭ®": 102849, "è¿ĻæĿ¡": 102850, "éĢ¢": 102851, "æĢ¨": 102852, "åįģåħŃ": 102853, "試": 102854, "说åĪ°": 102855, "åĩĿèģļ": 102856, "æĮĩ示": 102857, "æ°¢": 102858, "å¼ĺ": 102859, "éĺĢ": 102860, "æĸ©": 102861, "éłħ": 102862, "ä¸Ģå¼Ģå§ĭ": 102863, "æİĴè¡Į": 102864, "åľ¨æĪij": 102865, "纪å½ķ": 102866, "æĬĦ": 102867, "æłª": 102868, "说æ³ķ": 102869, "ä¸Ńèį¯": 102870, "好å¤ļ": 102871, "åıªä¸įè¿ĩ": 102872, "çķĻåľ¨": 102873, "个å°ıæŶ": 102874, "è®¤çŁ¥": 102875, "çķ«": 102876, "è§ģè¿ĩ": 102877, "å°ıå¾®": 102878, "ä½Ľå±±": 102879, "çľ¾": 102880, "讲述": 102881, "梳": 102882, "称åı·": 102883, "æĹ¥æĻļ": 102884, "è¢ĸ": 102885, "åķ¤": 102886, "æľªç»ı": 102887, "æľĢæĹ©": 102888, "æī®æ¼Ķ": 102889, "è¡Ģ管": 102890, "纱": 102891, "æĥħèĬĤ": 102892, "第ä¸ĥ": 102893, "æį§": 102894, "ä»Ĺ": 102895, "æ¿ĢçĥĪ": 102896, "æĹłçº¿": 102897, "ä¸į容æĺĵ": 102898, "å¼Ģå¹ķ": 102899, "æĸ°çĶŁ": 102900, "ä¸ĵ注": 102901, "èij±": 102902, "åįĹæµ·": 102903, "çĩŁ": 102904, "èµ·ä¾Ĩ": 102905, "æ´¾åĩº": 102906, "åĦĴ": 102907, "侨": 102908, "è¼ĥ": 102909, "åįļè§Ī": 102910, "éĢ¾": 102911, "åĮĢ": 102912, "ç»ıæµİåѦ": 102913, "æ¸Ĺ": 102914, "ä¿ĿèŃ·": 102915, "çīº": 102916, "çī²": 102917, "çİ«": 102918, "çij°": 102919, "æľĢåIJİä¸Ģ": 102920, "æĶ¿åĬ¡": 102921, "æ§Ľ": 102922, "èĻķçIJĨ": 102923, "éļIJæĤ£": 102924, "æī¿åĮħ": 102925, "極": 102926, "æ¡©": 102927, "çĽ²": 102928, "导åIJij": 102929, "èĩ´å¯Į": 102930, "ç¼Ĩ": 102931, "æģĭçĪ±": 102932, "ä¸įåĬ¨": 102933, "ç»Ļ人": 102934, "å·¢": 102935, "表æĥħ": 102936, "举åįĹ": 102937, "åĨħå¤ĸ": 102938, "è¾ĪåŃIJ": 102939, "åıī": 102940, "åįļä¼ļ": 102941, "åĬŁæķĪ": 102942, "渴": 102943, "屬": 102944, "æİĴéĻ¤": 102945, "éĢĽ": 102946, "ä¸Ģä¼ļ": 102947, "ä¸įå¼Ģ": 102948, "å¼Ģå¥ĸ": 102949, "é»ijé¾Ļ": 102950, "é»ijé¾Ļæ±Ł": 102951, "å¿«ä¸ī": 102952, "度åģĩ": 102953, "åĿ¤": 102954, "éĤ®ä»¶": 102955, "æĩĴ": 102956, "ä¾ĽçĶµ": 102957, "廣": 102958, "好è¯Ħ": 102959, "ç§ĺ书éķ¿": 102960, "æĪĺåľº": 102961, "好å¥ĩ": 102962, "ä¾µæĿĥ": 102963, "æĨ¾": 102964, "æľĢåĪĿ": 102965, "æī¹åıij": 102966, "åİķ": 102967, "è¼ķ": 102968, "æŀ¯": 102969, "ä¸ļåĨħ": 102970, "è´ŃæĪ¿": 102971, "ä¸įåľ¨": 102972, "纪å§Ķ": 102973, "æīĢéľĢ": 102974, "å¸Ĥéķ¿": 102975, "è³½": 102976, "å¼ķæĵİ": 102977, "çģµéŃĤ": 102978, "éĬĢ": 102979, "滤": 102980, "çĿIJ": 102981, "å¤ļ项": 102982, "åĽŀ头": 102983, "èīĺ": 102984, "å¤įå·¥": 102985, "éĥ¨ä»¶": 102986, "紧紧": 102987, "æŁIJç§į": 102988, "使åħ¶": 102989, "æĸ°äºº": 102990, "æŀļ": 102991, "æ³ķå®ļ": 102992, "å·´å·´": 102993, "涵çĽĸ": 102994, "稻": 102995, "æĭ¾": 102996, "æĻķ": 102997, "轿": 102998, "éĢļè¡Į": 102999, "åĵĢ": 103000, "æ³Ĭ": 103001, "温馨": 103002, "éĽĨèģļ": 103003, "çĨĻ": 103004, "åĩij": 103005, "åįģä¸ĥ": 103006, "æ°Ķæģ¯": 103007, "æıIJä¾ĽçļĦ": 103008, "æ³³": 103009, "奥è¿IJ": 103010, "çģ¾å®³": 103011, "åĩĢåĮĸ": 103012, "è·¨è¶Ĭ": 103013, "åĵªæĢķ": 103014, "éŁ¿": 103015, "å¢ŀæ·»": 103016, "çĦĬ": 103017, "æ®ĭçĸ¾": 103018, "ç¢Į": 103019, "æĤĶ": 103020, "è§ģè¯ģ": 103021, "è¾ĸåĮº": 103022, "å¿ĥèĦı": 103023, "éļ§": 103024, "åį¸": 103025, "åı¯èĥ½æĢ§": 103026, "æľī趣": 103027, "åī¯ä¹¦è®°": 103028, "åĮĸå¦Ĩ": 103029, "ä¿Ĥ": 103030, "æ£ļ": 103031, "éĨĩ": 103032, "带头": 103033, "éłĪ": 103034, "追究": 103035, "æijĶ": 103036, "è¿Ļéĥ¨": 103037, "ä¸į论": 103038, "祸": 103039, "å³»": 103040, "éģķ": 103041, "çĶŁèĤ²": 103042, "å¤ł": 103043, "å¤ĸ交": 103044, "è¯Ħ为": 103045, "ä»İå°ı": 103046, "å°ıå°ı": 103047, "饿": 103048, "æĴ¼": 103049, "è·¨å¢ĥ": 103050, "被åijĬ": 103051, "åįĹå®ģ": 103052, "身å¿ĥ": 103053, "åĨįçĶŁ": 103054, "æīĢ说": 103055, "æŶéĹ´åĨħ": 103056, "åĪĹåħ¥": 103057, "éĿĴæµ·": 103058, "çĪ±å¥½": 103059, "çªĦ": 103060, "èĪĪ": 103061, "è¿ĩ渡": 103062, "æ¿Ł": 103063, "éĽĢ": 103064, "审议": 103065, "åĽ½èµĦ": 103066, "æŃ¥ä¼IJ": 103067, "轨éģĵ": 103068, "信念": 103069, "ä¸īåĪĨ": 103070, "çĨ¬": 103071, "åѵåĮĸ": 103072, "ç¼ł": 103073, "éĥĬ": 103074, "èĪĴæľį": 103075, "纪æ£Ģ": 103076, "ä¸Ģä¸ĭåŃIJ": 103077, "éĽ»è©±": 103078, "è²ł": 103079, "éĴ¥": 103080, "åĮĻ": 103081, "çĹ´": 103082, "è¶ģ": 103083, "绣": 103084, "çĪµ": 103085, "è½°": 103086, "éªĦ": 103087, "姨": 103088, "æĭĺ": 103089, "çĮ´": 103090, "讶": 103091, "è¿Ļ座": 103092, "çį¨": 103093, "æ·ĺæ±°": 103094, "çĹħä¾ĭ": 103095, "æ²Ļåıij": 103096, "è§Ĩ为": 103097, "头æĿ¡": 103098, "å¿ħè¦ģçļĦ": 103099, "åı¯è°ĵ": 103100, "è¯Ŀ说": 103101, "ç¯Ħ": 103102, "æĹ©çĤ¹": 103103, "æŀ¢çº½": 103104, "羡": 103105, "çĪ±åĽ½": 103106, "çªģåıij": 103107, "éĢĬ": 103108, "æ½į": 103109, "èį£èĢĢ": 103110, "èŁ¹": 103111, "æ¦Ĥçİĩ": 103112, "å¾Īä¹ħ": 103113, "æĥķ": 103114, "訴": 103115, "åľĨ满": 103116, "çļ±": 103117, "åĪĨæ³Į": 103118, "åħħ足": 103119, "çľĭæ³ķ": 103120, "è¾Ł": 103121, "æĭ¦": 103122, "æĭ©": 103123, "对åºĶ": 103124, "ä¸ºæł¸å¿ĥ": 103125, "èħĬ": 103126, "å¤ļä¹Ī": 103127, "æµij": 103128, "å®ıè§Ĥ": 103129, "èĦĸ": 103130, "åIJĪèµĦ": 103131, "çĶŁæ¶¯": 103132, "å®ŀè´¨": 103133, "ä¼ĺçĤ¹": 103134, "çĶ¨æ°´": 103135, "寿åij½": 103136, "沫": 103137, "åIJģ": 103138, "詹": 103139, "åĽ½éĺ²": 103140, "å´©": 103141, "åĿİ": 103142, "èĨı": 103143, "ä¸Ģè½®": 103144, "éģĹ产": 103145, "æ¹¾åĮº": 103146, "ç»İ": 103147, "åįķ纯": 103148, "æ¾Ħ": 103149, "åīįåĪĹ": 103150, "身影": 103151, "é»ĺé»ĺ": 103152, "æįī": 103153, "çĴ°": 103154, "èıĬ": 103155, "æĢľ": 103156, "åħĭæĢĿ": 103157, "æĢ»å±Ģ": 103158, "çĩĥæĸĻ": 103159, "ä¸ļæĢģ": 103160, "åIJĦæł·": 103161, "åĴ½": 103162, "åĩºèī²": 103163, "åĪĿå¿ĥ": 103164, "åıĽ": 103165, "çłĶ讨": 103166, "è¡«": 103167, "åİĨç¨ĭ": 103168, "禽": 103169, "è¶³å¤ŁçļĦ": 103170, "èįĨ": 103171, "çľĭå¾ħ": 103172, "è´©": 103173, "åĨ³å¿ĥ": 103174, "裹": 103175, "å¸ĪèĮĥ": 103176, "åŀĦ": 103177, "æĿł": 103178, "åĩ¸": 103179, "çĬ¹è±«": 103180, "çĥŃè¡Ģ": 103181, "åIJĪä¼Ļ": 103182, "éħµ": 103183, "èIJ½åľ¨": 103184, "åįłåľ°": 103185, "衬": 103186, "èĵī": 103187, "æĦ¤": 103188, "æ¸Ĭ": 103189, "åĪĨæķ°": 103190, "ç¬ijçĿĢ": 103191, "太平": 103192, "çĤ«": 103193, "æݨä»ĭ": 103194, "æĸ¯åĿ¦": 103195, "形容": 103196, "æĵĬ": 103197, "æĦŁåħ´è¶£": 103198, "åĨĽäºº": 103199, "åĩĮæĻ¨": 103200, "对çħ§": 103201, "åıijçĹħ": 103202, "å·¾": 103203, "èĪī": 103204, "檢": 103205, "ç¬ijäºĨ": 103206, "ç¡®è¯Ĭ": 103207, "è´ŁåĢº": 103208, "壮大": 103209, "æĪļ": 103210, "äºĴèģĶ": 103211, "課": 103212, "èħ¦": 103213, "æű": 103214, "åıĹ欢è¿İ": 103215, "åįī": 103216, "éĻ¢å£«": 103217, "æ©¡": 103218, "ä¸Ģ对": 103219, "è¾±": 103220, "æ²Ĥ": 103221, "åı²ä¸Ĭ": 103222, "æIJı": 103223, "å´ĸ": 103224, "代谢": 103225, "磷": 103226, "é¡ĺ": 103227, "æµĩ": 103228, "常çĶ¨": 103229, "åįij": 103230, "åĩºåĽ½": 103231, "è¯ł": 103232, "稳æŃ¥": 103233, "ç»ı纪": 103234, "å¤ļå¤ļ": 103235, "æīĢå¾Ĺ": 103236, "为主é¢ĺ": 103237, "ä¸ĢåĪĨ": 103238, "æł½": 103239, "顧": 103240, "纲": 103241, "åĥħ": 103242, "å£ĵ": 103243, "åĦª": 103244, "ç¿°": 103245, "æİĢ": 103246, "人为": 103247, "媳": 103248, "æ´½": 103249, "èĿ¶": 103250, "å¤įåħ´": 103251, "ä¼ļå½±åĵį": 103252, "åIJĦçķĮ": 103253, "éĤ£ä¸Ģ": 103254, "颤": 103255, "çĢı": 103256, "çĢı覽": 103257, "å¯ŀ": 103258, "åı¯æĢķ": 103259, "åį³æŶ": 103260, "çķ´": 103261, "ä¸ĭåįĬå¹´": 103262, "ç¬Ķè®°": 103263, "éĻĦåĬł": 103264, "çĥŃæ°´": 103265, "奸": 103266, "ç£ħ": 103267, "æĿī": 103268, "æ¸ħåįİ": 103269, "éĸ±": 103270, "ç°¡": 103271, "å¤Ħå¤Ħ": 103272, "åIJĪéĩij": 103273, "æ²³æµģ": 103274, "ç´°": 103275, "è´ŁéĿ¢": 103276, "çļĦ羣å®ŀ": 103277, "åĻ¨æ¢°": 103278, "èĴIJ": 103279, "西äºļ": 103280, "å·ħ": 103281, "ç²¹": 103282, "åİŁæĸĩ": 103283, "æŀķ": 103284, "è¡Ģåİĭ": 103285, "åļ´": 103286, "å¸ĺ": 103287, "åĨĢ": 103288, "æĮ«": 103289, "çĶµè·¯": 103290, "å°ıä¼Ļä¼´": 103291, "èĿ´": 103292, "æľĢå¿«": 103293, "æĭĮ": 103294, "宪": 103295, "æĸ·": 103296, "ç¿ħ": 103297, "åĴ³": 103298, "åĹ½": 103299, "ç¾ŀ": 103300, "èººåľ¨": 103301, "èµĽè½¦": 103302, "æ²IJ": 103303, "éĻIJ度": 103304, "为ä¸Ģä½ĵ": 103305, "èĴľ": 103306, "幫": 103307, "æIJħ": 103308, "åĭĭ": 103309, "åīĸ": 103310, "纳ç¨İ": 103311, "éķ¿æķĪ": 103312, "ç½ķ": 103313, "åī¯æľ¬": 103314, "ç©į": 103315, "éĴ©": 103316, "ç¹¼": 103317, "åĽ½åľŁ": 103318, "è¼ī": 103319, "ä¸įå¿ĺ": 103320, "èŃ¦ç¤º": 103321, "çģ¿": 103322, "å¿ĥå¾Ĺ": 103323, "æĦļ": 103324, "忽çķ¥": 103325, "åĽŀäºĭ": 103326, "åįłæľī": 103327, "æ·Ħ": 103328, "çī¡": 103329, "çĽijäºĭ": 103330, "ç¿¡": 103331, "éĴĪ对æĢ§": 103332, "çªĥ": 103333, "製": 103334, "èĨĿ": 103335, "ç³Ł": 103336, "港澳": 103337, "太太": 103338, "澡": 103339, "ç»ĨåĮĸ": 103340, "åĶ®åIJİ": 103341, "å®ŀåľ¨æĺ¯": 103342, "ç«£": 103343, "çį²": 103344, "åĢ¾åIJij": 103345, "å¼ķçĶ¨": 103346, "é¹ħ": 103347, "ç¬ij容": 103348, "ä¹IJ趣": 103349, "æ°ijæĶ¿": 103350, "éŨæĪ·": 103351, "å±ģ": 103352, "迷失": 103353, "éĶĮ": 103354, "å°ı康": 103355, "åĭī": 103356, "æ³¼": 103357, "ä¾ĭåŃIJ": 103358, "ä¸īä½į": 103359, "å»ł": 103360, "èĶĵ": 103361, "广éĺĶ": 103362, "èĢį": 103363, "èĢģèĻİ": 103364, "åĭŁéĽĨ": 103365, "èĦļæŃ¥": 103366, "æĭ¯": 103367, "åŃĹåı·": 103368, "çĦ°": 103369, "é¢ł": 103370, "èļĤ": 103371, "èļģ": 103372, "飯": 103373, "人æĢ§": 103374, "æĴ°": 103375, "åİ¢": 103376, "å±ĢéĻIJ": 103377, "æľªæĪIJ": 103378, "åĵªåĦ¿": 103379, "大åıij": 103380, "ä¸įå®ļ": 103381, "å¾ģæ±Ĥ": 103382, "éĥµ": 103383, "åĢºæĿĥ": 103384, "çĪ±ä½ł": 103385, "èºģ": 103386, "ä»ħä¾Ľ": 103387, "è¿ľå¤Ħ": 103388, "éĨĽ": 103389, "åĥµ": 103390, "积æŀģæĢ§": 103391, "æİ¡": 103392, "åīįä¸ī": 103393, "äºİä¸Ģä½ĵ": 103394, "çŀĦ": 103395, "çĿģ": 103396, "沸": 103397, "åħ±èµ¢": 103398, "éĢĢå½¹": 103399, "è´Ŀå°Ķ": 103400, "æİı": 103401, "æĪ²": 103402, "è¡į": 103403, "éĶĤ": 103404, "ä¸ĩä½Ļ": 103405, "ç§ijåĪĽ": 103406, "æ¼ĶåĶ±": 103407, "欧åħĥ": 103408, "æ·¡æ·¡": 103409, "éĿĴå±±": 103410, "èĹĿ": 103411, "绽": 103412, "令çīĮ": 103413, "éĽĨ群": 103414, "ä½ľçī©": 103415, "çĢij": 103416, "夯": 103417, "ç½ij游": 103418, "åħ«å¤§": 103419, "éªļ": 103420, "èªĵ": 103421, "ä¼ļå±ķ": 103422, "åħļåı²": 103423, "æ£Ģå¯ŁéĻ¢": 103424, "åĸĺ": 103425, "éĺ±": 103426, "èĢĮåĩº": 103427, "éĢļ车": 103428, "éĴĵ": 103429, "æĥħ人": 103430, "æ¸Ľ": 103431, "ä¸Ńç§ĭ": 103432, "çĪŃ": 103433, "åıªåī©": 103434, "æĺĶ": 103435, "éĩİçĶŁ": 103436, "ç¡«": 103437, "èIJĿåįľ": 103438, "æĬµæĬĹ": 103439, "çĻ«çĹ«": 103440, "éĻĢ": 103441, "èĶļ": 103442, "å¸ľ": 103443, "满满": 103444, "èı±": 103445, "éļĨéĩį": 103446, "æĺŁçº§": 103447, "æ½ĩ": 103448, "åħ¬åħĥ": 103449, "è°£": 103450, "æ¯Ķäºļ": 103451, "æ¡ĮåŃIJ": 103452, "èµ£": 103453, "è²¼": 103454, "æĦ¿æľĽ": 103455, "顽": 103456, "æ´¾éģ£": 103457, "ç¥Ľ": 103458, "åªļ": 103459, "éĺľ": 103460, "èij«": 103461, "èĬ¦": 103462, "æ³»": 103463, "å¡Į": 103464, "çĭŃ": 103465, "å»īæĶ¿": 103466, "å¥ijæľº": 103467, "æĹĹèĪ°": 103468, "æĥ«": 103469, "严åİī": 103470, "åıĭæĥħ": 103471, "å¦Ĭ": 103472, "å¨ł": 103473, "åĵªå®¶": 103474, "èĨ¨": 103475, "è¶Ł": 103476, "æĮª": 103477, "èĻIJ": 103478, "éłģ": 103479, "çŀ©": 103480, "éºŁ": 103481, "稣": 103482, "èģĶéĢļ": 103483, "åı®": 103484, "çİĭèĢħ": 103485, "ä¸įç¡®å®ļ": 103486, "çijľ": 103487, "è°İ": 103488, "çī¢è®°": 103489, "碼": 103490, "æĬ¤èĤ¤": 103491, "é¡·": 103492, "çĦķ": 103493, "åģļ强": 103494, "éļ±ç§ģ": 103495, "éļ±ç§ģæ¬Ĭ": 103496, "åıĹ害": 103497, "ä¸įçĶ±": 103498, "çĥ¹": 103499, "饪": 103500, "驳": 103501, "ä¼½": 103502, "ä¸Ŀ绸": 103503, "è¥Ħ": 103504, "åįģä½Ļ": 103505, "éºĹ": 103506, "æ¬ĬåĪ©": 103507, "èģŀ": 103508, "åı¤èĢģ": 103509, "éģı": 103510, "åIJĦå¼ı": 103511, "å°±è¡Į": 103512, "åħ¥å¢ĥ": 103513, "çĥģ": 103514, "èľĺ": 103515, "èĽĽ": 103516, "纬": 103517, "磫": 103518, "è»Ł": 103519, "æ´Ĺè¡£": 103520, "æĦ§": 103521, "é¢Ħæ¡Ī": 103522, "éľĨ": 103523, "æ·±åİļ": 103524, "éĺ¿æĭī": 103525, "åĨĻåŃĹ": 103526, "åį¦": 103527, "éķĢ": 103528, "æ¨¡æł·": 103529, "åĤį": 103530, "æIJį": 103531, "èĸ¯": 103532, "åłħ": 103533, "åħ¬ç§¯": 103534, "è¨İ": 103535, "ä¼łæŁĵ": 103536, "毯": 103537, "çIJĨå·¥": 103538, "åĨ·éĵ¾": 103539, "ç«ĭæĸ¹": 103540, "æ¢Ń": 103541, "åľ£è¯ŀ": 103542, "综èīº": 103543, "çİ©ç¬ij": 103544, "æĥ³ä¸įåĪ°": 103545, "æijĩ头": 103546, "æ·¹": 103547, "åģĩæĹ¥": 103548, "åĢĺ": 103549, "èĢ½": 103550, "èİĵ": 103551, "åŁ·": 103552, "èĩªè´¸": 103553, "åįĬ天": 103554, "æªĶ": 103555, "æ¾İæ¹ĥ": 103556, "éķij": 103557, "丫": 103558, "éĩĮç¨ĭ": 103559, "å¼ĢèįĴ": 103560, "èıı": 103561, "å®Ŀè´µ": 103562, "èѬ": 103563, "åķŁ": 103564, "æŁł": 103565, "檬": 103566, "é©Ń": 103567, "æ±Ľ": 103568, "çĨĬçĮ«": 103569, "èķī": 103570, "éļıä¹ĭ": 103571, "å±ij": 103572, "è¾ĥ强": 103573, "èĥ³": 103574, "èĨĬ": 103575, "éĿĻéĿĻ": 103576, "åĴª": 103577, "æĭĽåij¼": 103578, "代è¨Ģ": 103579, "ä¿¡ç®±": 103580, "è£ħéħį": 103581, "æĤį": 103582, "åįķ车": 103583, "èIJİ": 103584, "å¤ļ彩": 103585, "éĻ¸": 103586, "ä»İ严": 103587, "æ©Ħ": 103588, "æ¦Ħ": 103589, "éĢ®": 103590, "éĩĮæĸ¯": 103591, "姿æĢģ": 103592, "太æŀģ": 103593, "éĩĿ": 103594, "æºī": 103595, "è¿Ń": 103596, "秸": 103597, "ç§Ĩ": 103598, "å·¥å§Ķ": 103599, "æ±ķ": 103600, "èģĨ": 103601, "佬": 103602, "ç¼ħ": 103603, "çĶ¸": 103604, "åī¯å±Ģéķ¿": 103605, "éĹº": 103606, "誤": 103607, "è¤IJ": 103608, "ä¸įéĻIJ": 103609, "èħķ": 103610, "åijķ": 103611, "磶": 103612, "åĨľå®¶": 103613, "管å§Ķä¼ļ": 103614, "饺": 103615, "èĬľ": 103616, "æ¾Ī": 103617, "è©¢": 103618, "å¨ģå°¼æĸ¯": 103619, "ä½ķåĨµ": 103620, "å°ıä¼Ļ": 103621, "奢ä¾Ī": 103622, "è¿Ļç¯ĩ": 103623, "诵": 103624, "ç«łç¨ĭ": 103625, "ç´Ģ": 103626, "éIJĺ": 103627, "éĤ¢": 103628, "ç³Ļ": 103629, "ç¼Ģ": 103630, "ä¹Ĵ": 103631, "ä¹ĵ": 103632, "çī¢åĽº": 103633, "åĿŀ": 103634, "å¼Ī": 103635, "ä¾ĭå¤ĸ": 103636, "廳": 103637, "è§Ħç«ł": 103638, "èĬĻ": 103639, "篷": 103640, "躯": 103641, "æłĪ": 103642, "åĿļå®ŀ": 103643, "åŁºå»º": 103644, "çĿĢçľ¼": 103645, "ç·´": 103646, "èij©": 103647, "ç¼ļ": 103648, "æ¦Ĩ": 103649, "主åĭķ": 103650, "ç¥Ģ": 103651, "äºĴéĢļ": 103652, "尤为": 103653, "å®Ľ": 103654, "骼": 103655, "æ±²": 103656, "ä¾ĥ": 103657, "æĤłä¹ħ": 103658, "æij§": 103659, "æĭĩ": 103660, "é«ĵ": 103661, "éºĴ": 103662, "éĻĽ": 103663, "æŀ¸": 103664, "æĿŀ": 103665, "è´¬": 103666, "å°ıé¾Ļ": 103667, "åĵ®": 103668, "èĵ¬åĭĥ": 103669, "åĮĪ": 103670, "çķľçī§": 103671, "娩": 103672, "个å¤ļ": 103673, "æ²¥": 103674, "æĺ§": 103675, "çĦļ": 103676, "æĬijéĥģ": 103677, "çĸ¡": 103678, "èĺij": 103679, "éģİç¨ĭ": 103680, "橱": 103681, "éĿĵ": 103682, "大çIJĨ": 103683, "髦": 103684, "åĪĨ辨": 103685, "渤": 103686, "çĸ¤": 103687, "åĬ¨èĥ½": 103688, "å¼łå®¶": 103689, "ä¸ĩåįĥ": 103690, "滥": 103691, "饥": 103692, "åºŁå¼ĥ": 103693, "帳": 103694, "æ¼³": 103695, "è±IJ": 103696, "ä»ij": 103697, "å«ī": 103698, "å¦Ĵ": 103699, "çŀĴ": 103700, "è¡ħ": 103701, "çĭ¸": 103702, "å¾ģç¨ĭ": 103703, "éĤ¯": 103704, "éĥ¸": 103705, "ç¥Ī": 103706, "祷": 103707, "趴": 103708, "ç»ĵæŀĦæĢ§": 103709, "è§ĨåIJ¬": 103710, "è¬Ŀ": 103711, "çĴĢ": 103712, "çĴ¨": 103713, "åĩºå¤Ħ": 103714, "è¯Ģ": 103715, "å¾ĺ": 103716, "å¾Ĭ": 103717, "羨": 103718, "åĸĩ": 103719, "åıŃ": 103720, "åĺ²": 103721, "çķ¸": 103722, "å¹²äºĭ": 103723, "æļ§": 103724, "æ²Ľ": 103725, "åĦĦ": 103726, "å»ĵ": 103727, "åİ¿éķ¿": 103728, "èĥļ": 103729, "çIJ¢": 103730, "çŃ·": 103731, "éĩĭ": 103732, "ä¾®": 103733, "åIJ©": 103734, "åĴIJ": 103735, "åĮ¿": 103736, "æĬ¬èµ·": 103737, "æ³£": 103738, "涤": 103739, "麽": 103740, "æĽĻ": 103741, "åī¯éĻ¢éķ¿": 103742, "åħļåĴĮ": 103743, "æķ£åıij": 103744, "润æ»ij": 103745, "åĵº": 103746, "æĥ¬": 103747, "漫éķ¿": 103748, "ä¸įæĩĪ": 103749, "åŁł": 103750, "åĹĵ": 103751, "èĢģçĪ·": 103752, "讽": 103753, "æĪĺç»ĦåIJĪ": 103754, "æ£ł": 103755, "åħ¨åŁŁ": 103756, "èł¢": 103757, "诡": 103758, "åīįçŀ»": 103759, "æķĽ": 103760, "ä¸Ģå°ģ": 103761, "å¹Ĥ": 103762, "èİĨ": 103763, "è¯Ŀè¯Ń": 103764, "ç»ĨåĪĻ": 103765, "屿": 103766, "åµĮ": 103767, "éĢį": 103768, "åĺ±": 103769, "渲": 103770, "çĥ¯": 103771, "çĿ¹": 103772, "é¦Ĵ": 103773, "èħ¥": 103774, "æĬĹåĩ»": 103775, "çĿ«": 103776, "èįĶ": 103777, "éļİ": 103778, "æ³īæ°´": 103779, "è¬Ĥ": 103780, "çĤ¬": 103781, "åĩıæİĴ": 103782, "è¸Ĭ": 103783, "è·»": 103784, "æ·Į": 103785, "éľ¾": 103786, "å¥ĩ纳": 103787, "å¯Ŀ": 103788, "æ¤İ": 103789, "æŁ¬": 103790, "æĸ¯åŁº": 103791, "åħ¬ç«ĭ": 103792, "è¨ĵ": 103793, "é£Ļ": 103794, "é©¿": 103795, "åĤµ": 103796, "èĽĻ": 103797, "ç¯ĩç«ł": 103798, "åĪĨæĶ¯": 103799, "ä¸Ĭå¹´": 103800, "çŃĿ": 103801, "缤": 103802, "èĢģæŧ": 103803, "åĻ¬": 103804, "æľ¦": 103805, "èĥ§": 103806, "æ¶Īè²»": 103807, "æĵĶ": 103808, "榴": 103809, "æ¿Ĵ": 103810, "糯": 103811, "泸": 103812, "æįĨ": 103813, "ç»ļ": 103814, "èµİ": 103815, "çIJIJ": 103816, "èµĤ": 103817, "æħ®": 103818, "æ²Į": 103819, "çĦĻ": 103820, "æĴŃæĬ¥": 103821, "æ·ĩ": 103822, "åĪĩåħ¥": 103823, "çijķ": 103824, "çĸµ": 103825, "éģ´": 103826, "ç¨ļ": 103827, "ç©©": 103828, "èŀĥ": 103829, "æ£ķ": 103830, "æĨ§": 103831, "æĨ¬": 103832, "伺": 103833, "æ¯Ĺ": 103834, "æįį": 103835, "æĬī": 103836, "ç´Ĭ": 103837, "å¼Ľ": 103838, "æĭŃ": 103839, "æĹıèĩªæ²»": 103840, "åĿ·": 103841, "競": 103842, "詳": 103843, "è¿Ħä»Ĭ": 103844, "è°´": 103845, "çŀŃ解": 103846, "æŁ¿": 103847, "é¢Ĭ": 103848, "ç°§": 103849, "çĥŁèĬ±": 103850, "ä¾¥": 103851, "çĿ¦": 103852, "éħĿ": 103853, "æ°ĵ": 103854, "çIJī": 103855, "å§Ĭ": 103856, "æ²®": 103857, "æħ·": 103858, "èľķ": 103859, "çijļ": 103860, "éĩĩçŁ¿": 103861, "åł°": 103862, "åºķèķ´": 103863, "èĨ³": 103864, "è¾ķ": 103865, "éŁŃ": 103866, "åĴĻ": 103867, "ç²½": 103868, "åīĶ": 103869, "沦": 103870, "èĤ´": 103871, "éķ¶": 103872, "æĺ¼": 103873, "è¾Ĺ": 103874, "婪": 103875, "åĮ®": 103876, "æĸĵ": 103877, "汶": 103878, "éĥ´": 103879, "éł»": 103880, "çªĴ": 103881, "袱": 103882, "åĽ±": 103883, "èĢĺ": 103884, "èļĮ": 103885, "çĭĻ": 103886, "çĹ¹": 103887, "ç¥ī": 103888, "æı®": 103889, "æ·Ĩ": 103890, "ç£ĭ": 103891, "éĺª": 103892, "æ«": 103893, "ã¸": 103894, "Ļ¶": 103895, "ãij": 103896, "ð£²": 103897, "ä¢": 103898, "ãŃ": 103899, "ð¬¨": 103900, "ð¬Ģ": 103901, "ð¬®": 103902, "ð¬¯": 103903, "ð¬ľ": 103904, "ðª¨": 103905, "ð«Ĺ": 103906, "ð¬Ĭ": 103907, "ð¬±": 103908, "ð¬Ł": 103909, "äİ": 103910, "ð¡": 103911, "äĥ": 103912, "ãł": 103913, "ð©": 103914, "ð©¾": 103915, "ð¬º": 103916, "ð¬Ļ": 103917, "ãĢĶ": 103918, "ãĢķ": 103919, "çļĦæŶåĢĻ": 103920, "æľīéĻIJåħ¬åı¸": 103921, "ä¹ĭåIJİ": 103922, "ä¸ļåĬ¡": 103923, "åķĬ": 103924, "èĻ½çĦ¶": 103925, "æĭ¥æľī": 103926, "äºĴèģĶç½ij": 103927, "éĤ£äºĽ": 103928, "ä½łçļĦ": 103929, "åĨ³å®ļ": 103930, "éĻ¤äºĨ": 103931, "åĽ¢éĺŁ": 103932, "åı¯æĺ¯": 103933, "以åIJİ": 103934, "社åĮº": 103935, "çļĦéĹ®é¢ĺ": 103936, "并ä¸Ķ": 103937, "æķĻå¸Ī": 103938, "å°±ä¼ļ": 103939, "天空éĥ¨èIJ½": 103940, "æľĢç»Ī": 103941, "å½ĵçĦ¶": 103942, "ä¹Łæľī": 103943, "ç¡®ä¿Ŀ": 103944, "æĥ³è¦ģ": 103945, "è´Ńä¹°": 103946, "人çļĦ": 103947, "åIJ´": 103948, "çļĦåıijå±ķ": 103949, "ä¸įçŁ¥éģĵ": 103950, "软件": 103951, "æĪij们çļĦ": 103952, "çĪ¶æ¯į": 103953, "åīij": 103954, "èĢĮæĺ¯": 103955, "å®īæİĴ": 103956, "åIJİæĿ¥": 103957, "çļĦåľ°æĸ¹": 103958, "èµµ": 103959, "èĢĥè¯ķ": 103960, "çªģçĦ¶": 103961, "ä¸Ģå®ļè¦ģ": 103962, "åĪ¶ä½ľ": 103963, "è¯Ħä»·": 103964, "åħįè´¹": 103965, "è´¹çĶ¨": 103966, "绣ä¸Ģ": 103967, "çĦ¶èĢĮ": 103968, "è¿Ļ次": 103969, "éĿĴå¹´": 103970, "人类": 103971, "亦": 103972, "让人": 103973, "è´Łè´£äºº": 103974, "éĩĩåıĸ": 103975, "çļĦäºĭæĥħ": 103976, "ä¹Łä¼ļ": 103977, "车è¾Ĩ": 103978, "æĽ´æĺ¯": 103979, "强åĮĸ": 103980, "æĪijåĢij": 103981, "以åīį": 103982, "ä¼ĺåĮĸ": 103983, "å§Ķåijĺä¼ļ": 103984, "åĽ°éļ¾": 103985, "年度": 103986, "ä½įäºİ": 103987, "æĮĩåĩº": 103988, "åĨį次": 103989, "åĬŀçIJĨ": 103990, "æ¯ı个": 103991, "对æĸ¹": 103992, "è¿Ľè¡ĮäºĨ": 103993, "æľĢé«ĺ": 103994, "课ç¨ĭ": 103995, "身ä¸Ĭ": 103996, "æĽ¾ç»ı": 103997, "åĮ»çĶŁ": 103998, "å®īè£ħ": 103999, "æľ±": 104000, "è¿IJè¡Į": 104001, "åıĮæĸ¹": 104002, "æľĢ大çļĦ": 104003, "æŀĦ建": 104004, "è¿ŀç»Ń": 104005, "çļĦå°ı": 104006, "她çļĦ": 104007, "çŃīçŃī": 104008, "æĶ¹åĸĦ": 104009, "åIJĦç±»": 104010, "éģĩåĪ°": 104011, "æľīçĿĢ": 104012, "人çī©": 104013, "æĢ»æĺ¯": 104014, "è¿ħéĢŁ": 104015, "åĪ¶å®ļ": 104016, "å®ĥ们": 104017, "å®ĺç½ij": 104018, "è¿ĺè¦ģ": 104019, "ç»Īäºİ": 104020, "æĪ¿åľ°äº§": 104021, "è¯ģæĺİ": 104022, "èĤ¡ç¥¨": 104023, "åºĶå½ĵ": 104024, "èĭ±åĽ½": 104025, "è¿IJçĶ¨": 104026, "æľĢæĸ°": 104027, "享åıĹ": 104028, "让æĪij": 104029, "æĻļä¸Ĭ": 104030, "å¾ŀ": 104031, "å°ı说": 104032, "å°¤åħ¶æĺ¯": 104033, "è®Ńç»ĥ": 104034, "åħ¨å¸Ĥ": 104035, "æĮijæĪĺ": 104036, "æľīçĤ¹": 104037, "带çĿĢ": 104038, "çļĦä¸ľè¥¿": 104039, "é£İæł¼": 104040, "é»Ħéĩij": 104041, "å¼ķ导": 104042, "æѤå¤ĸ": 104043, "æľĢè¿ij": 104044, "追æ±Ĥ": 104045, "强è°ĥ": 104046, "ä¹Łåı¯ä»¥": 104047, "æĦŁåĪ°": 104048, "èĩªæĪij": 104049, "çī¹åĪ«æĺ¯": 104050, "æĪIJéĥ½": 104051, "éĢIJæ¸IJ": 104052, "å¿«ä¹IJ": 104053, "ä¹ĭä¸Ń": 104054, "æĬķèµĦèĢħ": 104055, "ä»ĸ们çļĦ": 104056, "æ°ı": 104057, "å·¥ä½ľäººåijĺ": 104058, "äºĨä¸Ģ个": 104059, "åķ¦": 104060, "ä¸ĢåĢĭ": 104061, "åŁºå±Ĥ": 104062, "æ²ŁéĢļ": 104063, "第ä¸Ģ次": 104064, "并没æľī": 104065, "çļĦå·¥ä½ľ": 104066, "åľ¨è¿ĻéĩĮ": 104067, "æŀª": 104068, "æĶ¯æĴij": 104069, "æŶå°ļ": 104070, "æĿ¥åĪ°": 104071, "æĶ¶è´Ń": 104072, "éĿ©åij½": 104073, "æĺ¯ä¸įæĺ¯": 104074, "讨论": 104075, "ä¸ļ绩": 104076, "å°±èĥ½": 104077, "ç«ĭåį³": 104078, "è¡Ĺéģĵ": 104079, "åľ¨ä¸Ģèµ·": 104080, "æľĪ份": 104081, "é«ĺ端": 104082, "å¾Īéļ¾": 104083, "ä¿Ħç½Ĺæĸ¯": 104084, "æīĭ段": 104085, "åģļåĩº": 104086, "ä¼Ĺå¤ļ": 104087, "å®ŀè¡Į": 104088, "æīĵå¼Ģ": 104089, "游客": 104090, "ä¾ĿçĦ¶": 104091, "å°±åĥı": 104092, "离å¼Ģ": 104093, "说éģĵ": 104094, "æĸ°èĥ½æºIJ": 104095, "溪": 104096, "äºķ": 104097, "令人": 104098, "ä¸Ģåľº": 104099, "æĪijæĥ³": 104100, "两人": 104101, "èĩ³å°ij": 104102, "çļĦçĶŁæ´»": 104103, "æĺ¯ä¸ª": 104104, "èĭ±è¯Ń": 104105, "æ²Ĵæľī": 104106, "æĢĿèĢĥ": 104107, "éĻIJåĪ¶": 104108, "åı°æ¹¾": 104109, "ä¸ĢæŦ": 104110, "çļĦä¸Ģ个": 104111, "é«ĺ级": 104112, "åĬŀåħ¬å®¤": 104113, "å¾·åĽ½": 104114, "æĪijå°±": 104115, "å®ļä½į": 104116, "éĢĤåºĶ": 104117, "æĮĩæłĩ": 104118, "åħ¨çľģ": 104119, "ä¸Ĭè¿°": 104120, "å®ĥçļĦ": 104121, "åĽŀ家": 104122, "欧洲": 104123, "éĵģè·¯": 104124, "é¼ĵåĬ±": 104125, "çļĦå½±åĵį": 104126, "é«ĺæł¡": 104127, "天ä¸ĭ": 104128, "é«ĺè´¨éĩı": 104129, "æĿŃå·ŀ": 104130, "èµĦ讯": 104131, "æĶ¾åľ¨": 104132, "æľīä¸Ģ个": 104133, "å°±è¦ģ": 104134, "ä¸ĬéĿ¢": 104135, "解éĩĬ": 104136, "éĢIJæŃ¥": 104137, "尽管": 104138, "æľīä»Ģä¹Ī": 104139, "çļĦäºĭ": 104140, "çĻ»è®°": 104141, "人æ°ijå¸ģ": 104142, "è§Ĥä¼Ĺ": 104143, "è§Ĥå¯Ł": 104144, "çĶµèĦij": 104145, "çļĦåIJĮæŶ": 104146, "ä½ľä¸ļ": 104147, "宣å¸ĥ": 104148, "çļĦä½ľçĶ¨": 104149, "åĽŀæĿ¥": 104150, "éļ¾ä»¥": 104151, "æīĢæľīçļĦ": 104152, "å°ıåѦ": 104153, "æıIJåīį": 104154, "æ¤įçī©": 104155, "åĩ¯": 104156, "ä¸ĬäºĨ": 104157, "å°±åľ¨": 104158, "åħĪåIJİ": 104159, "æīĭæľ¯": 104160, "éĥŃ": 104161, "éĿ¢åīį": 104162, "æ¯ķç«Ł": 104163, "äºĮæĺ¯": 104164, "红èī²": 104165, "éĺ³åħī": 104166, "èĭ¹æŀľ": 104167, "å¾Īå¤ļ人": 104168, "ç»ĻæĪij": 104169, "åĵ¦": 104170, "çľ¼çĿĽ": 104171, "éłŃ": 104172, "ä¸Ģæĺ¯": 104173, "åıijå±ķçļĦ": 104174, "åıįåºĶ": 104175, "æĪ¿å±ĭ": 104176, "æľŁå¾ħ": 104177, "ç§įæ¤į": 104178, "æĸĩåѦ": 104179, "åį³åı¯": 104180, "é¦ĸ次": 104181, "èĭ±éĽĦ": 104182, "å¤ļ次": 104183, "åĮħè£ħ": 104184, "æ²³åįĹ": 104185, "ä¹ĭéĹ´çļĦ": 104186, "ä»įçĦ¶": 104187, "åIJ¬åĪ°": 104188, "èij£äºĭéķ¿": 104189, "è§ĦåĪĻ": 104190, "ä¸Ģ份": 104191, "大ä¼Ĺ": 104192, "使å¾Ĺ": 104193, "è¿Ľåı£": 104194, "ä¸Ģçīĩ": 104195, "æĢ§çļĦ": 104196, "çļĦ大": 104197, "æĪijæĺ¯": 104198, "äºĴåĬ¨": 104199, "æ°£": 104200, "çļĨ": 104201, "åħ¬åı¸çļĦ": 104202, "ä¸Ģè¾¹": 104203, "åıĬåħ¶": 104204, "èī¯å¥½çļĦ": 104205, "æĭĵå±ķ": 104206, "å½ĵå¹´": 104207, "å¹¿åľº": 104208, "åģļäºĨ": 104209, "åŁºäºİ": 104210, "æıIJéĨĴ": 104211, "åħĦå¼Ł": 104212, "èĢģæĿ¿": 104213, "è¿ijæĹ¥": 104214, "çĬ¶åĨµ": 104215, "注éĩį": 104216, "åĪļåĪļ": 104217, "è°ĥçłĶ": 104218, "å¿ĥä¸Ń": 104219, "æĬĬæı¡": 104220, "éļıåIJİ": 104221, "ä¸įå¤Ł": 104222, "åĪĽä½ľ": 104223, "ç«Ļåľ¨": 104224, "缸äºĴ": 104225, "çĸ«æĥħéĺ²æݧ": 104226, "年代": 104227, "带åĬ¨": 104228, "伤害": 104229, "ç«ŁçĦ¶": 104230, "å¼ķè¿Ľ": 104231, "累计": 104232, "让æĪij们": 104233, "åĽŀæĶ¶": 104234, "æĬ¥åIJį": 104235, "åĬ©åĬĽ": 104236, "èģĶ缣": 104237, "çŃĸçķ¥": 104238, "åij¨è¾¹": 104239, "åĭĴ": 104240, "è¿ĺåľ¨": 104241, "æµģéĩı": 104242, "寻æī¾": 104243, "çĶµåĬĽ": 104244, "èĪ¹èĪ¶": 104245, "è¿ĺèĥ½": 104246, "æĭħä»»": 104247, "çļĦæĥħåĨµä¸ĭ": 104248, "çļĦåİŁåĽł": 104249, "缺ä¹ı": 104250, "çIJĥåijĺ": 104251, "å²ģçļĦ": 104252, "çĶ·åŃIJ": 104253, "å·¥èµĦ": 104254, "è¿ijå¹´æĿ¥": 104255, "åijĢ": 104256, "æıIJä¾ĽäºĨ": 104257, "她们": 104258, "家åħ·": 104259, "çĩķ": 104260, "è½»æĿ¾": 104261, "æł¡åĽŃ": 104262, "èĢĥæł¸": 104263, "åį±éĻ©": 104264, "åħļç»Ħç»ĩ": 104265, "æĢ»ç»ıçIJĨ": 104266, "çļĦæĸ°": 104267, "çİ»çĴĥ": 104268, "è¿Ļä½į": 104269, "对æѤ": 104270, "家人": 104271, "çļĦè¦ģæ±Ĥ": 104272, "温度": 104273, "æĮĩæķ°": 104274, "缴åĪ°": 104275, "æѤæŶ": 104276, "æ¹ĸåįĹ": 104277, "éĥ½è¦ģ": 104278, "ä½ľåĩº": 104279, "åIJĦä½į": 104280, "èĢĥçĶŁ": 104281, "ä¾Ŀæį®": 104282, "说è¯Ŀ": 104283, "æĪijä¹Ł": 104284, "å·¥åİĤ": 104285, "åıĺæĪIJ": 104286, "ä»ĸ人": 104287, "æĪijè§īå¾Ĺ": 104288, "åIJĦ级": 104289, "ä¼łå¥ĩç§ģæľį": 104290, "ä¸Ĭåįĩ": 104291, "好åĥı": 104292, "åĬłéĢŁ": 104293, "äºĮåįģ": 104294, "è¢ģ": 104295, "è£ħ饰": 104296, "éĥ½èĥ½": 104297, "ä¸Ģå¼ł": 104298, "åĬ¨æĢģ": 104299, "å¹´çļĦ": 104300, "è¿Ļå°±æĺ¯": 104301, "ä¹Łè¦ģ": 104302, "èµĦæł¼": 104303, "æĪĺäºī": 104304, "æĦŁè°¢": 104305, "åŁ¹èĤ²": 104306, "天æ°Ķ": 104307, "女士": 104308, "åı¯èĥ½ä¼ļ": 104309, "çļĦ产åĵģ": 104310, "ä¹Łå°±": 104311, "主è¦ģæĺ¯": 104312, "åĪºæ¿Ģ": 104313, "ç»Ļä½ł": 104314, "大æķ°æį®": 104315, "åĮ»åѦ": 104316, "åĪ¤æĸŃ": 104317, "ä»ĸ说": 104318, "表æ¼Ķ": 104319, "äºļæ´²": 104320, "ä¸ĵé¢ĺ": 104321, "ç«ŀäºīåĬĽ": 104322, "éĤ£æł·": 104323, "å±ķå¼Ģ": 104324, "å¹³æŶ": 104325, "æİ¥ä¸ĭæĿ¥": 104326, "æī¿è¯º": 104327, "æ³ķåĽ½": 104328, "åħ³å¿ĥ": 104329, "ä¼ļæľī": 104330, "éĤĢ请": 104331, "é¢Ħéĺ²": 104332, "对æİ¥": 104333, "好äºĨ": 104334, "åĴ±ä»¬": 104335, "çļĦæĦŁè§ī": 104336, "æĢĿè·¯": 104337, "éĥ½æ²¡æľī": 104338, "çļĦæĸ¹æ³ķ": 104339, "女åŃIJ": 104340, "åı¸æ³ķ": 104341, "è¿ĺä¼ļ": 104342, "è¶ĬæĿ¥è¶Ĭå¤ļ": 104343, "åĽłçĤº": 104344, "æµ·åįĹ": 104345, "人æķ°": 104346, "å°Ĩä¼ļ": 104347, "ä¸ļ主": 104348, "é¤IJ饮": 104349, "å±ħä½ı": 104350, "åıijåĩº": 104351, "è¿ijæľŁ": 104352, "å¼ķé¢Ĩ": 104353, "æľºåĻ¨äºº": 104354, "åĩºæĿ¥çļĦ": 104355, "çľĭè§ģ": 104356, "ä¿Ĭ": 104357, "让ä»ĸ": 104358, "ä¸įæĥ³": 104359, "å·¥ä½ľçļĦ": 104360, "è¡¥åħħ": 104361, "æµħ": 104362, "çī¹å¾ģ": 104363, "ä¸Ĭå¸Ĥåħ¬åı¸": 104364, "ç¾İé£Ł": 104365, "广西": 104366, "æ¯ıä¸Ģ个": 104367, "èIJ½åľ°": 104368, "åĵģç§į": 104369, "åĴĮè°IJ": 104370, "å½»åºķ": 104371, "é«ĺèĢĥ": 104372, "æĺ¨å¤©": 104373, "åīįå¾Ģ": 104374, "çĽijæµĭ": 104375, "çĻ¾åº¦": 104376, "åľ¨ä¸ŃåĽ½": 104377, "çļĦéľĢæ±Ĥ": 104378, "亿ç¾İåħĥ": 104379, "åŃ¦æľ¯": 104380, "æĶ¶åĪ°": 104381, "æĿ¿åĿĹ": 104382, "ä¸Ģ段": 104383, "æŀĦæĪIJ": 104384, "ä¼ģä¸ļçļĦ": 104385, "表éĿ¢": 104386, "æķ´çIJĨ": 104387, "ç»ĵå©ļ": 104388, "人家": 104389, "åģľæŃ¢": 104390, "åѦç§ij": 104391, "æĺ¾å¾Ĺ": 104392, "ä¼ijæģ¯": 104393, "é¢ĦæľŁ": 104394, "æĪĸæĺ¯": 104395, "çļĦ主è¦ģ": 104396, "åºĶ对": 104397, "èµ°äºĨ": 104398, "ä¸ŃéĹ´": 104399, "èµ°è¿Ľ": 104400, "åijĪçİ°": 104401, "æIJŃéħį": 104402, "é¹ı": 104403, "æĺ¯åĽłä¸º": 104404, "æĥħ绪": 104405, "å®ļæľŁ": 104406, "社ä¼ļ主ä¹ī": 104407, "çŃī级": 104408, "çŁĽçĽ¾": 104409, "é£ŀæľº": 104410, "èĩ³ä»Ĭ": 104411, "æĶ¶éĽĨ": 104412, "çļĦæķħäºĭ": 104413, "åĪĩå®ŀ": 104414, "å®ŀçİ°äºĨ": 104415, "å½¢æĪIJäºĨ": 104416, "åįĹæĸ¹": 104417, "ä¸ŃåѦ": 104418, "æµ·æ´ĭ": 104419, "åIJ¦åĪĻ": 104420, "æĭįæijĦ": 104421, "大åѦçĶŁ": 104422, "åĩºçİ°äºĨ": 104423, "æĦıå¤ĸ": 104424, "ä¹Łèĥ½": 104425, "çļĦèĥ½åĬĽ": 104426, "åĿIJåľ¨": 104427, "åĪĻæĺ¯": 104428, "èĢĥå¯Ł": 104429, "å°Ĭéĩį": 104430, "éĺ²æŃ¢": 104431, "ç´§å¼ł": 104432, "读书": 104433, "åĩºè¡Į": 104434, "å°±æľī": 104435, "å±¥è¡Į": 104436, "çݰ代åĮĸ": 104437, "åĽ½åĬ¡": 104438, "åĽ½åĬ¡éĻ¢": 104439, "ç»´ä¿®": 104440, "åİŁåĪĽ": 104441, "æĺ¯æĮĩ": 104442, "ä¼ijéĹ²": 104443, "çĤ®": 104444, "æĸ°æĹ¶ä»£": 104445, "éĢĻåĢĭ": 104446, "ä¸įæķ¢": 104447, "å®Įç¾İ": 104448, "ç»ĨèĬĤ": 104449, "éŃı": 104450, "èĶ¬èıľ": 104451, "é¢Ĩ导çıŃåŃIJ": 104452, "è¶ħ级": 104453, "è¡Įæĥħ": 104454, "人工æĻºèĥ½": 104455, "åį°åº¦": 104456, "åŁºç¡Ģ设æĸ½": 104457, "åıĪæĺ¯": 104458, "èį¯çī©": 104459, "åIJ¸æĶ¶": 104460, "åį´æĺ¯": 104461, "éĥİ": 104462, "å¥ĸåĬ±": 104463, "çļĦæľĭåıĭ": 104464, "ä¿ĿçķĻ": 104465, "è§Ħå¾ĭ": 104466, "æĸ°çĸĨ": 104467, "è¿ĺåı¯ä»¥": 104468, "æİ¥è¿ij": 104469, "æѤåīį": 104470, "æī¹åĩĨ": 104471, "æĢİä¹Īæł·": 104472, "çļĦä½įç½®": 104473, "ä¸ĢåĿĹ": 104474, "æĭĴç»Ŀ": 104475, "顾客": 104476, "ä¹Łåľ¨": 104477, "ä¸ĢçĶŁ": 104478, "éĥ¨éĺŁ": 104479, "å¹´åīį": 104480, "æĸ¹éĿ¢çļĦ": 104481, "å°Ŀè¯ķ": 104482, "羣æŃ£çļĦ": 104483, "ç¦ģæŃ¢": 104484, "è¿ĺ没æľī": 104485, "æ°ijçĶŁ": 104486, "èµ°åIJij": 104487, "èĦ¸ä¸Ĭ": 104488, "å½ĵ天": 104489, "éĽĨåĽ¢åħ¬åı¸": 104490, "çļĦä¸Ģç§į": 104491, "西æĸ¹": 104492, "åĽŀåºĶ": 104493, "ä¸Ģ声": 104494, "常常": 104495, "æıIJåĪ°": 104496, "èħ¾è®¯": 104497, "æľįè£ħ": 104498, "为ä½ķ": 104499, "äºijåįĹ": 104500, "å°±ç®Ĺ": 104501, "ä¼łæī¿": 104502, "åıįèĢĮ": 104503, "ä¸ĩåIJ¨": 104504, "财产": 104505, "å¦Ĥä¸ĭ": 104506, "æĹ¥åīį": 104507, "åİŁæľ¬": 104508, "æľĢéĩįè¦ģçļĦ": 104509, "认è¯ģ": 104510, "ä¸Ģéģĵ": 104511, "ä¿¡æģ¯åĮĸ": 104512, "å¾ĹåĪ°äºĨ": 104513, "éĢ²è¡Į": 104514, "æĪijè¦ģ": 104515, "éĢļä¿¡": 104516, "室åĨħ": 104517, "èµļéĴ±": 104518, "æĶ¶èĹı": 104519, "解åĨ³æĸ¹æ¡Ī": 104520, "æĪ¿äº§": 104521, "çĭ¼": 104522, "æ´»åĬĽ": 104523, "ç»ıæµİåıijå±ķ": 104524, "çŃīå¾ħ": 104525, "ä¹Łå¾Ī": 104526, "åĿij": 104527, "å¾Ī好çļĦ": 104528, "éļ¾åº¦": 104529, "ä¸įå¦Ĥ": 104530, "人æ°ijæĶ¿åºľ": 104531, "åĩºåıij": 104532, "åīįæľŁ": 104533, "æ¼Ķåijĺ": 104534, "女çĶŁ": 104535, "èģļçĦ¦": 104536, "审计": 104537, "é¢Ħæµĭ": 104538, "ä¾Ŀæīĺ": 104539, "äºĶå¹´": 104540, "补贴": 104541, "æ¸ħæĻ°": 104542, "éªĤ": 104543, "çľĭèµ·æĿ¥": 104544, "çļĦåŃ©åŃIJ": 104545, "é¢ijéģĵ": 104546, "ä½ıå®ħ": 104547, "éĿ¢åIJij": 104548, "æľĢä½İ": 104549, "æĹ¢çĦ¶": 104550, "ä¸Ģå¥Ĺ": 104551, "æķ°åѦ": 104552, "群ä½ĵ": 104553, "åĮĹ京å¸Ĥ": 104554, "å±ħçĦ¶": 104555, "æ°ĽåĽ´": 104556, "éĢĶå¾Ħ": 104557, "çļĦåŁºç¡Ģä¸Ĭ": 104558, "èģĮè´£": 104559, "åı¯èĥ½æĺ¯": 104560, "åĨĽäºĭ": 104561, "æĪIJæķĪ": 104562, "åŃ©åŃIJ们": 104563, "计ç®Ĺæľº": 104564, "赤": 104565, "产ä¸ļåıijå±ķ": 104566, "巨大çļĦ": 104567, "工人": 104568, "çĶŁéķ¿": 104569, "éĥ½åı¯ä»¥": 104570, "çļĦæľºä¼ļ": 104571, "èµĦè´¨": 104572, "çĹĽèĭ¦": 104573, "ç²īä¸Ŀ": 104574, "å¢ĵ": 104575, "å¹³å®ī": 104576, "管éģĵ": 104577, "è·ŁçĿĢ": 104578, "é¥®é£Ł": 104579, "åķĨ家": 104580, "å¤ļ家": 104581, "åı¸æľº": 104582, "åºĶ该æĺ¯": 104583, "éĢıéľ²": 104584, "认å®ļ": 104585, "è¡Įä¸ļçļĦ": 104586, "çļĦä¼ģä¸ļ": 104587, "æ¯ıä¸Ģ": 104588, "èĮĥåĽ´åĨħ": 104589, "è¾ĥ大": 104590, "è´¤": 104591, "å¤§èµĽ": 104592, "å¤ļäºĨ": 104593, "鸿": 104594, "临åºĬ": 104595, "åľ¨è¿Ļ个": 104596, "çļĦåĨħ容": 104597, "éĶĢéĩı": 104598, "å¾Īå°ij": 104599, "åŃŁ": 104600, "ç»´æĮģ": 104601, "åĴĸåķ¡": 104602, "æľ¬åľ°": 104603, "èī²å½©": 104604, "并éĿŀ": 104605, "èĢĮå·²": 104606, "温æļĸ": 104607, "èIJ§": 104608, "æĬĵä½ı": 104609, "èĢĮä¸įæĺ¯": 104610, "åĸĬ": 104611, "çļĦåħ³ç³»": 104612, "çī©åĵģ": 104613, "éĤ£æĺ¯": 104614, "åĨľäº§åĵģ": 104615, "è¿ĻæŶ": 104616, "å©ļ姻": 104617, "æ°´æŀľ": 104618, "æĶ¶èİ·": 104619, "ä»ĺåĩº": 104620, "客æĪ·ç«¯": 104621, "æ¼Ķåĩº": 104622, "åħ¨æĸ°": 104623, "è¿Ļä¹Łæĺ¯": 104624, "æĺ¯çĶ±": 104625, "è§Ĥ念": 104626, "æľī个": 104627, "éĢłåŀĭ": 104628, "èĥľåĪ©": 104629, "ä¸īæĺ¯": 104630, "è¶ħå¸Ĥ": 104631, "åħļå»ºå·¥ä½ľ": 104632, "æĶ¾å¿ĥ": 104633, "线路": 104634, "æĭĽçĶŁ": 104635, "åIJĥé¥Ń": 104636, "è½ī": 104637, "å°½éĩı": 104638, "è§ģåĪ°": 104639, "åIJĮæ¯Ķå¢ŀéķ¿": 104640, "åįİ为": 104641, "æĪijå¸Ĥ": 104642, "æıIJåĩºäºĨ": 104643, "æ°ijèѦ": 104644, "åįļçī©": 104645, "åįļçī©é¦Ĩ": 104646, "è¯ļä¿¡": 104647, "åīįéĿ¢": 104648, "山西": 104649, "è¾ħåĬ©": 104650, "转移": 104651, "æĽ´ä¸º": 104652, "丰å¯ĮçļĦ": 104653, "åį¢": 104654, "å¿«éĢĴ": 104655, "æĺ¾èijĹ": 104656, "çī©èµĦ": 104657, "åĪ°è¾¾": 104658, "æľīåĪ©äºİ": 104659, "åijĨ": 104660, "åŃ©åŃIJçļĦ": 104661, "ä¸įä½Ĩ": 104662, "çłĶ究éĻ¢": 104663, "çĶ³æĬ¥": 104664, "æļ¨": 104665, "æ°ijéĹ´": 104666, "åį»": 104667, "çļĦå£°éŁ³": 104668, "å¸ĤåľºçļĦ": 104669, "ä¸Ģåı¥": 104670, "çľģ级": 104671, "æĿ¥çļĦ": 104672, "åĵªä¸ª": 104673, "æīįä¼ļ": 104674, "åĪĨéħį": 104675, "èĶ¡": 104676, "ä»ĸåľ¨": 104677, "åħ±æľī": 104678, "å¡ĺ": 104679, "èĴĤ": 104680, "éľį": 104681, "åıĤè§Ĥ": 104682, "ä¸Ī夫": 104683, "ä¾ĿéĿł": 104684, "æľīæŶ": 104685, "äºĨå¾Īå¤ļ": 104686, "ä¸ĸçķĮæĿ¯": 104687, "家æĹı": 104688, "ä¸įéľĢè¦ģ": 104689, "大å¸Ī": 104690, "èŀįåħ¥": 104691, "éĿŀæ³ķ": 104692, "çĹħ人": 104693, "åIJİæľŁ": 104694, "大家éĥ½": 104695, "ç½ijåĿĢ": 104696, "åİŁæĸĻ": 104697, "ä¾¿å®ľ": 104698, "æ¶Ľ": 104699, "ä»¿ä½Ľ": 104700, "å·®è·Ŀ": 104701, "åı¦ä¸Ģæĸ¹éĿ¢": 104702, "产åĵģçļĦ": 104703, "赫": 104704, "æĥħåĨµä¸ĭ": 104705, "éĴ¢éĵģ": 104706, "æľ¬ç«Ļ": 104707, "纳åħ¥": 104708, "å·²æľī": 104709, "æľī没æľī": 104710, "估计": 104711, "é£ĺ": 104712, "æľŁè´§": 104713, "åĢĭ人è³ĩæĸĻ": 104714, "ä¸ĵä¸ļçļĦ": 104715, "çĪĨåıij": 104716, "èĩ´åĬĽäºİ": 104717, "çİ°åľ¨çļĦ": 104718, "æľīåĵªäºĽ": 104719, "çł´åĿı": 104720, "æķ°åŃĹåĮĸ": 104721, "åľ°éĿ¢": 104722, "é»ijèī²": 104723, "å¹¼åĦ¿åĽŃ": 104724, "çļĦç²¾ç¥ŀ": 104725, "äºŃ": 104726, "导æ¼Ķ": 104727, "çİ°æľī": 104728, "æѦåĻ¨": 104729, "èĭıå·ŀ": 104730, "çİĦ": 104731, "æ±Łè¥¿": 104732, "延伸": 104733, "论æĸĩ": 104734, "è¾ĥ为": 104735, "çİ©æ³ķ": 104736, "é¼İ": 104737, "åIJĮæŃ¥": 104738, "éĩĬæĶ¾": 104739, "æĽĿåħī": 104740, "åĿļåĨ³": 104741, "å§Ķæīĺ": 104742, "å°Ĩåľ¨": 104743, "äºĪ以": 104744, "ä½ľæĸĩ": 104745, "èĢĮåľ¨": 104746, "ä¼ĺåħĪ": 104747, "åĽŀåİ»": 104748, "ä¿®å¤į": 104749, "åĽ½åĨħå¤ĸ": 104750, "çŃĸåĪĴ": 104751, "åıijæĶ¾": 104752, "å¿ĥæĥħ": 104753, "çļĦåİĨåı²": 104754, "éĿ¢è¯ķ": 104755, "举åĮĹ": 104756, "ä¿¡åı·": 104757, "ç²®é£Ł": 104758, "è¯ģ书": 104759, "æŁIJäºĽ": 104760, "è¿IJä½ľ": 104761, "åĨ²åĩ»": 104762, "çĥŃçĤ¹": 104763, "æŶæŶ": 104764, "æŶæĹ¶å½©": 104765, "åľ°çĤ¹": 104766, "ä¸Ģä½ĵåĮĸ": 104767, "éļ¾é¢ĺ": 104768, "æĽ°": 104769, "ç«ĭåĪ»": 104770, "æĺ¯éĿŀ常": 104771, "åħ±åĴĮ": 104772, "åħ±åĴĮåĽ½": 104773, "æ¿ĢåĬ±": 104774, "æľīæķĪçļĦ": 104775, "å¤Ħç½®": 104776, "该åħ¬åı¸": 104777, "æ£ĢéªĮ": 104778, "èѦæĸ¹": 104779, "è´¾": 104780, "äºĨä¸Ģä¸ĭ": 104781, "ä»ĬåIJİ": 104782, "çħ®": 104783, "çĶ¨åĵģ": 104784, "读èĢħ": 104785, "æĪijåľ¨": 104786, "åĽŀå¤į": 104787, "ä¸Ģ座": 104788, "è¿ĺ没": 104789, "å®ļåĪ¶": 104790, "没æĥ³åĪ°": 104791, "夹": 104792, "ä¼łéĢĴ": 104793, "ä¸Ģ款": 104794, "强大çļĦ": 104795, "çļĦè¡Į为": 104796, "å¤ı天": 104797, "åıijåĬ¨æľº": 104798, "é¢ĨåŁŁçļĦ": 104799, "å®ŀéªĮ室": 104800, "ä¸ĢæĬĬ": 104801, "æĺ¯ä¸ºäºĨ": 104802, "éĻķ西": 104803, "æĭħä¿Ŀ": 104804, "è¾¾æĪIJ": 104805, "è¦ģæĺ¯": 104806, "æĺİ天": 104807, "ç»Ļä»ĸ": 104808, "建ç«ĭäºĨ": 104809, "ä¸įè¡Į": 104810, "ä¸Ńæĸĩ": 104811, "åľ°è¯´": 104812, "åIJİçļĦ": 104813, "çĽijæݧ": 104814, "éĢ¸": 104815, "æĢ»éĥ¨": 104816, "æľ¬æĸĩ": 104817, "鹿": 104818, "æĻ¯è§Ĥ": 104819, "çļĦ缮æłĩ": 104820, "èĽĩ": 104821, "åĨ¯": 104822, "ä¸ŃåĮ»": 104823, "æķĪåºĶ": 104824, "产éĩı": 104825, "åŃĿ": 104826, "è´¦æĪ·": 104827, "è¿Ŀåıį": 104828, "èij£äºĭä¼ļ": 104829, "äº¬ä¸ľ": 104830, "责任ç¼ĸè¾ij": 104831, "åķıé¡Į": 104832, "çĪ±å¿ĥ": 104833, "èŃ¦å¯Ł": 104834, "é¤IJåİħ": 104835, "å¸ĤæĶ¿åºľ": 104836, "天天": 104837, "æĸ°é²ľ": 104838, "éĥijå·ŀ": 104839, "è¶ħè¶Ĭ": 104840, "å½Ń": 104841, "çŁ¥è¯Ĩ产æĿĥ": 104842, "åĽŀå¿Ĩ": 104843, "路线": 104844, "å»īæ´ģ": 104845, "éĿĴå°ijå¹´": 104846, "åıĸå¾ĹäºĨ": 104847, "çľĭåĪ°äºĨ": 104848, "馬": 104849, "ç²¾åĵģ": 104850, "åľ°éĵģ": 104851, "æĮģæľī": 104852, "ä¸ĭäºĨ": 104853, "æľīæŶåĢĻ": 104854, "ä¸Ģ人": 104855, "æĴĴ": 104856, "ä»Ķç»Ĩ": 104857, "èĢģåħ¬": 104858, "äºĭå®ŀä¸Ĭ": 104859, "èģĶèµĽ": 104860, "ä¾ĽåºĶéĵ¾": 104861, "é¢Ħç®Ĺ": 104862, "åĪ¶éĢłä¸ļ": 104863, "å®īåħ¨çĶŁäº§": 104864, "俱ä¹IJ": 104865, "俱ä¹IJéĥ¨": 104866, "çļĦæł¸å¿ĥ": 104867, "æīĵç®Ĺ": 104868, "å½±çīĩ": 104869, "æIJŃ建": 104870, "ä¹Łä¸įä¼ļ": 104871, "æĭħå½ĵ": 104872, "å±ĤéĿ¢": 104873, "åѦåijĺ": 104874, "临æŶ": 104875, "缸ç»ĵåIJĪ": 104876, "对æ¯Ķ": 104877, "ä»ĸæĺ¯": 104878, "æĸ°åĮº": 104879, "è¿Ľåİ»": 104880, "çĻ¾å¹´": 104881, "ä¿©": 104882, "尽快": 104883, "çĶµåŃIJåķĨåĬ¡": 104884, "æĽ´æľī": 104885, "æ¸ħçIJĨ": 104886, "åı¦ä¸Ģ个": 104887, "åĤ»": 104888, "ä»Ģä¹Īæł·çļĦ": 104889, "æĺ¯æľĢ": 104890, "åij¨å¹´": 104891, "å¾Ī容æĺĵ": 104892, "åĽ¢ç»ĵ": 104893, "ç´Ħ": 104894, "æĹ©å·²": 104895, "çļĦåıĺåĮĸ": 104896, "éľŀ": 104897, "æĹ¥ä¸ĬåįĪ": 104898, "失åİ»": 104899, "ä¸Ńåľĭ": 104900, "çļĦä¸ĢäºĽ": 104901, "å°ıåŃ©": 104902, "ä¸ĭè·Į": 104903, "éĶ»çĤ¼": 104904, "éij": 104905, "éij«": 104906, "å¿ĹæĦ¿èĢħ": 104907, "èĤ¡å¸Ĥ": 104908, "èµĽäºĭ": 104909, "许åı¯è¯ģ": 104910, "åı¯æĮģç»Ń": 104911, "åijĬè¯īè®°èĢħ": 104912, "éĢ»è¾ij": 104913, "å¼ķåħ¥": 104914, "çļĦè¿ĩç¨ĭä¸Ń": 104915, "è§Ĩè§ī": 104916, "èĩªæ²»åĮº": 104917, "è¯ģæį®": 104918, "è£ħç½®": 104919, "第ä¸īæĸ¹": 104920, "å¹´æĿ¥": 104921, "å¹¿ä¸ľçľģ": 104922, "带æĿ¥äºĨ": 104923, "éķ¿æ±Ł": 104924, "访éĹ®": 104925, "å·®ä¸įå¤ļ": 104926, "æĺ¯æĪij": 104927, "éģŃéģĩ": 104928, "æĬĵ好": 104929, "é«ĺè¾¾": 104930, "å¹¶åľ¨": 104931, "èĩªè§ī": 104932, "ä¾ĽåºĶåķĨ": 104933, "æĥħæĦŁ": 104934, "ä½ıäºĨ": 104935, "çļĦèģĮä¸ļ": 104936, "çļĩå¸Ŀ": 104937, "西éĥ¨": 104938, "åĴĮå¹³": 104939, "çļĦåĬĽéĩı": 104940, "汪": 104941, "åħħåĪĨåıijæĮ¥": 104942, "æĬķè¯ī": 104943, "èµ·åĪ°": 104944, "äºĴ缸": 104945, "æ¾³éŨ": 104946, "æİ¥åĪ°": 104947, "æ°´æ³¥": 104948, "模åŀĭ": 104949, "ä¸ĢåįĬ": 104950, "秩åºı": 104951, "æĪijä»¬åľ¨": 104952, "æī¿è®¤": 104953, "ä¸Ģéĥ¨åĪĨ": 104954, "åįłæ¯Ķ": 104955, "å¦ĩ女": 104956, "ç²ĺ": 104957, "äºĨ解åĪ°": 104958, "ä¸Ģå®ļä¼ļ": 104959, "åIJĦ大": 104960, "èµ°åĩº": 104961, "为大家": 104962, "é«ĺéĵģ": 104963, "åı¯ä»¥åľ¨": 104964, "ä½Ĩåľ¨": 104965, "çĶŁæĢģçݯå¢ĥ": 104966, "èı¯": 104967, "çļĦä»·æł¼": 104968, "麻çĥ¦": 104969, "æ¿Ģåıij": 104970, "éĤ£å°±": 104971, "çļĦæł·åŃIJ": 104972, "为æѤ": 104973, "å¤©åľ°": 104974, "çļĦ缮çļĦ": 104975, "åĢºåĪ¸": 104976, "å·²ç¶ĵ": 104977, "åĽĽå¤§": 104978, "åIJĮæĹ¶ä¹Ł": 104979, "å½¼æѤ": 104980, "æĭ¿åĪ°": 104981, "åIJ«éĩı": 104982, "åįģ大": 104983, "éļ¾éģĵ": 104984, "å¼Ĺ": 104985, "ä¸Ģ段æŶéĹ´": 104986, "çħ§é¡¾": 104987, "æķ°æį®æĺ¾ç¤º": 104988, "æĪIJ为äºĨ": 104989, "èµ°åĪ°": 104990, "æľ¬åħ¬åı¸": 104991, "ç»Ī端": 104992, "ä¹Łä¸įæĺ¯": 104993, "头åıij": 104994, "大约": 104995, "é£İæĻ¯": 104996, "æ¶ĪèĢĹ": 104997, "å®¡æŁ¥": 104998, "äºīåıĸ": 104999, "æ³ķæ²»": 105000, "äºĭçī©": 105001, "ç¼ĵ解": 105002, "æĥ¨": 105003, "缸åºĶçļĦ": 105004, "çļĦæķĪæŀľ": 105005, "åıįå¤į": 105006, "åıijçĶŁäºĨ": 105007, "éĢĻäºĽ": 105008, "ç»ĥä¹ł": 105009, "åݨæĪ¿": 105010, "å¼Ģæĭĵ": 105011, "欣èµı": 105012, "夫妻": 105013, "ä¸įä¸Ģæł·": 105014, "产èĥ½": 105015, "èĬ¯çīĩ": 105016, "è¦ģç´ł": 105017, "åıį对": 105018, "çİĩåħĪ": 105019, "è´§çī©": 105020, "æĹ¥çĶµ": 105021, "ä½ľå®¶": 105022, "æĶ¹è¿Ľ": 105023, "æĪIJåĪĨ": 105024, "åĽłèĢĮ": 105025, "åĩıèĤ¥": 105026, "æ½ĺ": 105027, "å±±ä¸ľçľģ": 105028, "åĬĿ": 105029, "åŁĭ": 105030, "æѦè£ħ": 105031, "æ±ĩæĬ¥": 105032, "ä¸Ģ个æľĪ": 105033, "çĥŃéŨ": 105034, "大éģĵ": 105035, "æ´»åĭķ": 105036, "éĥ½å¾Ī": 105037, "çĶµæ¢¯": 105038, "ç´§æĢ¥": 105039, "åĢºåĬ¡": 105040, "客æľį": 105041, "ä¸Ģéĥ¨": 105042, "ä½łæĺ¯": 105043, "çİ°çĬ¶": 105044, "æŃ£ç¡®çļĦ": 105045, "ä¹ĭå¤Ħ": 105046, "ç¼ĸåĪ¶": 105047, "ä½łåı¯ä»¥": 105048, "çŃīåľ°": 105049, "èİī": 105050, "对è¯Ŀ": 105051, "æ·ĺå®Ŀ": 105052, "è°ĥèĬĤ": 105053, "æİĴæĶ¾": 105054, "åºĵåŃĺ": 105055, "ç´ļ": 105056, "çļĦä¼ĺåĬ¿": 105057, "æĿĥå¨ģ": 105058, "以ä¸ĭç®Ģ称": 105059, "ä¸Ģ项": 105060, "èģļéĽĨ": 105061, "ä¼łç»ŁçļĦ": 105062, "æ··åIJĪ": 105063, "è¿Ļä¸ĢçĤ¹": 105064, "ä¸Ģçľ¼": 105065, "æĹłéĻIJ": 105066, "èİ·å¾ĹäºĨ": 105067, "éĢīæīĭ": 105068, "åĪ¶åĵģ": 105069, "åįıä½ľ": 105070, "çĭ¬çī¹çļĦ": 105071, "ä¸Ģ级": 105072, "è¿Ļ个éĹ®é¢ĺ": 105073, "æĸĮ": 105074, "æĺ¯æĪij们": 105075, "æķĮ人": 105076, "æ¸ħæ´Ĺ": 105077, "ä¸ĢçĽ´åľ¨": 105078, "å°ıç±³": 105079, "çļĦè¿ĩç¨ĭ": 105080, "åľ¨åĮĹ京": 105081, "ä¸ĢæĶ¯": 105082, "æĹ©ä¸Ĭ": 105083, "æĸĩèīº": 105084, "ç¦ıåĪ©": 105085, "é£ŁçĶ¨": 105086, "æĦŁåĬ¨": 105087, "åħ¨ç¨ĭ": 105088, "æĶ¯åĩº": 105089, "æĸ°å»º": 105090, "å¸ķ": 105091, "æĺ¾çĦ¶": 105092, "羣çļĦæĺ¯": 105093, "æĸ°éĹ»ç½ij": 105094, "èĥ½åIJ¦": 105095, "åįıåĬ©": 105096, "亲èĩª": 105097, "å¾Īæľī": 105098, "çĻ¼å±ķ": 105099, "æĦı大": 105100, "æĦı大åĪ©": 105101, "çĶµç½ij": 105102, "æĹ¥çĽĬ": 105103, "çĨ±": 105104, "èĤĮèĤ¤": 105105, "çĶ·æĢ§": 105106, "ç»Ħ建": 105107, "çŃīéĹ®é¢ĺ": 105108, "æ¶ĪéĻ¤": 105109, "æĬ¤çIJĨ": 105110, "å¡ijæĸĻ": 105111, "ä¹Įåħĭ": 105112, "ä¹Įåħĭåħ°": 105113, "åķĨæłĩ": 105114, "çIJ³": 105115, "æĸ°æīĭ": 105116, "çļĦçī¹çĤ¹": 105117, "åĴ¬": 105118, "å½ĵä¸ĭ": 105119, "设计å¸Ī": 105120, "èµĶåģ¿": 105121, "第åįģ": 105122, "æĻºèĥ½åĮĸ": 105123, "å¼ĢåıijåĮº": 105124, "åı¯ä»¥éĢļè¿ĩ": 105125, "åħ±äº§åħļ": 105126, "åİī害": 105127, "çģµæ´»": 105128, "æŶåħī": 105129, "éĥ¨ä½į": 105130, "人æĸĩ": 105131, "è¿ĽæĿ¥": 105132, "ä¹ĭæīĢ以": 105133, "ä¸īåįģ": 105134, "çļĦåѦçĶŁ": 105135, "éĺ²æĬ¤": 105136, "åĽ½äº§": 105137, "æ·±åľ³å¸Ĥ": 105138, "éĤ£å°±æĺ¯": 105139, "åĪ°ä½į": 105140, "çī¹æľĹ": 105141, "çī¹æľĹæĻ®": 105142, "å®ŀæŶ": 105143, "åı°çģ£": 105144, "èĢĮä¸į": 105145, "æĮĩå®ļ": 105146, "åĿĿ": 105147, "èħIJè´¥": 105148, "çī¹å®ļ": 105149, "å¢ŀéĢŁ": 105150, "æłĩçŃ¾": 105151, "æĪ¿ä»·": 105152, "æĦģ": 105153, "贯彻èIJ½å®ŀ": 105154, "æĢ§è´¨": 105155, "çłĶ究çĶŁ": 105156, "ç¾İ容": 105157, "æī¹è¯Ħ": 105158, "究竣": 105159, "人åĬĽèµĦæºIJ": 105160, "éĸĭå§ĭ": 105161, "åĽŀå½Ĵ": 105162, "èIJ¥åķĨ": 105163, "èIJ¥åķĨçݯå¢ĥ": 105164, "ä¸ŃåĽ½äºº": 105165, "çļĦåŁºæľ¬": 105166, "è¯Ŀé¢ĺ": 105167, "æłĩåĩĨåĮĸ": 105168, "西èĹı": 105169, "åĭ¾": 105170, "çļĦ设计": 105171, "ç®ĢåįķçļĦ": 105172, "å¤įåĪ¶": 105173, "æ¸IJæ¸IJ": 105174, "以å¤ĸ": 105175, "èģĶåĬ¨": 105176, "两次": 105177, "æĢ§åĴĮ": 105178, "æĽ´å¤§": 105179, "çļĦåIJįåŃĹ": 105180, "飦": 105181, "ä½łè¦ģ": 105182, "å¢ĥå¤ĸ": 105183, "æĹ©æľŁ": 105184, "åĪĿæŃ¥": 105185, "è´¦åı·": 105186, "害æĢķ": 105187, "æĺ¨æĹ¥": 105188, "åĪļæīį": 105189, "ç¥ŀç§ĺ": 105190, "ç²¾å¿ĥ": 105191, "æµģéĢļ": 105192, "åħ¨æĸ¹ä½į": 105193, "以å¾Ģ": 105194, "ä¹Łå°Ĩ": 105195, "æĺ¯ä¸ŃåĽ½": 105196, "åĽ½å®¶çº§": 105197, "å°ĨåĨĽ": 105198, "æijĬ": 105199, "æľĢ为": 105200, "第ä¸ĢæŶéĹ´": 105201, "æ¶Īæ¯Ĵ": 105202, "å°Ĩäºİ": 105203, "å¨ģèĥģ": 105204, "èĭ±æĸĩ": 105205, "æīĭä¸Ń": 105206, "çIJĥè¿·": 105207, "è§Ĥçľĭ": 105208, "离å©ļ": 105209, "æľ¬åľŁ": 105210, "åĪĨæķ£": 105211, "æĻ´": 105212, "è¦ģ注æĦı": 105213, "浪费": 105214, "管æݧ": 105215, "åĩºåĶ®": 105216, "æĢ»è£ģ": 105217, "ä¸Ģéĺµ": 105218, "å¨ĩ": 105219, "äºĶ个": 105220, "å½ĵåĪĿ": 105221, "çºłçº·": 105222, "ä¸ĵçĶ¨": 105223, "å¤ĩæ¡Ī": 105224, "åĪĿæľŁ": 105225, "å®ĥæĺ¯": 105226, "åĮºåĿĹ": 105227, "åĮºåĿĹéĵ¾": 105228, "大è¿ŀ": 105229, "è¿Ļç±»": 105230, "åıĺæĪIJäºĨ": 105231, "éĤĦæĺ¯": 105232, "åįļ客": 105233, "çı¾åľ¨": 105234, "ä¸Ģæĸ¹": 105235, "å®ĮæĪIJäºĨ": 105236, "è¿Ļ个æŶåĢĻ": 105237, "åħ¨å¹´": 105238, "ä¸Ĭ线": 105239, "ç½IJ": 105240, "ç«ŀèµĽ": 105241, "åĩºçīĪ社": 105242, "åĵ¥åĵ¥": 105243, "寫": 105244, "å¾Ĺ以": 105245, "èĬ±åĽŃ": 105246, "äºĨèµ·æĿ¥": 105247, "èĦ±è´«æĶ»åĿļ": 105248, "çļĦåİŁåĪĻ": 105249, "讲解": 105250, "æ¶ĪåĮĸ": 105251, "æįŁå®³": 105252, "æļĤæŶ": 105253, "å¾ĹçŁ¥": 105254, "éĢĤçĶ¨": 105255, "éŨåºĹ": 105256, "解读": 105257, "æĻ®åıĬ": 105258, "人æ°ijæ³ķéĻ¢": 105259, "åī¯ä¸»ä»»": 105260, "å¿ĥçģµ": 105261, "è¯ĬæĸŃ": 105262, "ç¾İ女": 105263, "æŁ¯": 105264, "年以æĿ¥": 105265, "æ´»è·ĥ": 105266, "åĢŁåĬ©": 105267, "åħ±å»º": 105268, "è¯ī讼": 105269, "æĶ¾æĿ¾": 105270, "çªĹåı£": 105271, "ä¼ģæ¥Ń": 105272, "åĬłæĭ¿": 105273, "åĬłæĭ¿å¤§": 105274, "ä¹°äºĨ": 105275, "主æµģ": 105276, "æĩĤå¾Ĺ": 105277, "å°Ĩåħ¶": 105278, "éĢıæĺİ": 105279, "å·¥ä½ľä¸Ń": 105280, "èĤ¡ä»·": 105281, "æ¡£æ¡Ī": 105282, "没æľīä»»ä½ķ": 105283, "åijĬçŁ¥": 105284, "å¹´åĪĿ": 105285, "æĹ¥ä¸ĭåįĪ": 105286, "åİĤåķĨ": 105287, "èĬĤå¥ı": 105288, "主导": 105289, "è£Ŀ": 105290, "åħ³éĶ®è¯į": 105291, "èģĬ天": 105292, "åĨĻä½ľ": 105293, "æĶ¹éĿ©å¼ĢæĶ¾": 105294, "æľīæľĽ": 105295, "éĢļæĬ¥": 105296, "èIJĮ": 105297, "æĢ»é¢Ŀ": 105298, "çŁŃæľŁ": 105299, "ä¸Ģçķª": 105300, "çĶŁæ´»çļĦ": 105301, "åĮĸçļĦ": 105302, "æĺ¥å¤©": 105303, "è¿Ļåľº": 105304, "æĸ°å¼Ģä¼łå¥ĩ": 105305, "æĺ¯è¦ģ": 105306, "å°ļæľª": 105307, "åıĺæĽ´": 105308, "ä¸Ģåij¨": 105309, "客è§Ĥ": 105310, "æĹ¥èĩ³": 105311, "é¹°": 105312, "çݲ": 105313, "å°ĨæĿ¥": 105314, "客人": 105315, "åıĺéĿ©": 105316, "说äºĨ": 105317, "åİŁçIJĨ": 105318, "èģĮåĬ¡": 105319, "åıĪæľī": 105320, "ä¸Ģåı¥è¯Ŀ": 105321, "æĦŁåıĹåĪ°": 105322, "ç¬ĶèĢħ": 105323, "移æ°ij": 105324, "西åįĹ": 105325, "ä¹ĥèĩ³": 105326, "æŃ£è§Ħ": 105327, "åĪĿä¸Ń": 105328, "çĬ¬": 105329, "å½ĵäºĭ": 105330, "å½ĵäºĭ人": 105331, "æĪij们è¦ģ": 105332, "åħ¥åı£": 105333, "éĤ£æŶ": 105334, "æľīéĻIJ责任": 105335, "å°ij女": 105336, "è¿Ļä¹Īå¤ļ": 105337, "åĪĨåħ¬åı¸": 105338, "å®ĩå®Ļ": 105339, "çļĦéĢīæĭ©": 105340, "å§IJå§IJ": 105341, "åıijèµ·": 105342, "è»į": 105343, "æĽ´å¥½åľ°": 105344, "éĻĨç»Ń": 105345, "æľ¬æľįåĭĻ": 105346, "å«©": 105347, "赶紧": 105348, "èĦĤèĤª": 105349, "第äºĮ天": 105350, "æĪijä¼ļ": 105351, "两ä½į": 105352, "æķ²": 105353, "åħ¬å®īæľºåħ³": 105354, "ç§ijæĬĢåĪĽæĸ°": 105355, "尺寸": 105356, "è¾IJå°Ħ": 105357, "å®ĹæķĻ": 105358, "转æį¢": 105359, "åĩºçİ°åľ¨": 105360, "ä¸Ģé¢Ĺ": 105361, "æľŁéĻIJ": 105362, "åIJĮåѦ们": 105363, "åĮĹæĸ¹": 105364, "ä½łå°±": 105365, "ä¸Ģ带ä¸Ģè·¯": 105366, "èĢģå©Ĩ": 105367, "游æĪıçݩ家": 105368, "çļĦç»ĵæŀľ": 105369, "è¡¥åģ¿": 105370, "å¤ĸè´¸": 105371, "对å¾ħ": 105372, "ç»´çĶŁç´ł": 105373, "ç»ıéĶĢåķĨ": 105374, "è¿ĺå°Ĩ": 105375, "åŃIJ女": 105376, "æĽ´é«ĺ": 105377, "ä¸į大": 105378, "éī´å®ļ": 105379, "让ä»ĸ们": 105380, "æīĢè°ĵçļĦ": 105381, "æŃ»äºĨ": 105382, "帮æī¶": 105383, "åĵ²åѦ": 105384, "以ä¸ĬçļĦ": 105385, "çļĦåħ³éĶ®": 105386, "æĹ©å°±": 105387, "æĬ¥ä»·": 105388, "éģµå®Ī": 105389, "æī©å¼ł": 105390, "æĺ¯å¾Ī": 105391, "å¼ĢéĢļ": 105392, "æĸ°åĬł": 105393, "æĸ°åĬłåĿ¡": 105394, "ç¿»è¯ij": 105395, "询éĹ®": 105396, "é¸Ń": 105397, "ä½ĵåĨħ": 105398, "两个人": 105399, "çĪ¹": 105400, "éľľ": 105401, "乡æĿijæĮ¯åħ´": 105402, "çĿ¡è§ī": 105403, "å®ĺåijĺ": 105404, "åĪĽå§ĭ": 105405, "åĪĽå§ĭ人": 105406, "ä¼Ĺ人": 105407, "åį³ä¾¿": 105408, "çĸ«èĭĹ": 105409, "ä¼ģä¸ļ家": 105410, "渣": 105411, "ç²¾åĬĽ": 105412, "å¤ĸéĥ¨": 105413, "èģªæĺİ": 105414, "è¿Ļä¹Ł": 105415, "å½ķåıĸ": 105416, "åĨ²çªģ": 105417, "åħ¨èº«": 105418, "åŃ£èĬĤ": 105419, "忽çĦ¶": 105420, "çļĦæĢģ度": 105421, "åĤ¨å¤ĩ": 105422, "ä¿Ŀåħ»": 105423, "çļĦæĥ³æ³ķ": 105424, "ä¸Ĭæµ·å¸Ĥ": 105425, "æIJºæīĭ": 105426, "çļĦä¿¡æģ¯": 105427, "åķĨåľº": 105428, "çļĦæĢĿæĥ³": 105429, "æĿĥåĬĽ": 105430, "毫æĹł": 105431, "æĢĢåŃķ": 105432, "硬件": 105433, "åĨħèĴĻåı¤": 105434, "æݢ讨": 105435, "åħ»çĶŁ": 105436, "çļĦ表çİ°": 105437, "空ä¸Ń": 105438, "æģIJæĢĸ": 105439, "å¾Īé«ĺ": 105440, "ç»ıæµİ社ä¼ļ": 105441, "ä¸ĬæĿ¥": 105442, "延ç»Ń": 105443, "éĩįå¤į": 105444, "éĺ²èĮĥ": 105445, "çļĦå½¢å¼ı": 105446, "æľĪåºķ": 105447, "èĢģ年人": 105448, "绿åĮĸ": 105449, "å±±åĮº": 105450, "æĭ¿åĩº": 105451, "æĹħ客": 105452, "æĽ´æį¢": 105453, "åħ¬ä¸»": 105454, "èĬĤ约": 105455, "åħ¨åİ¿": 105456, "åĽŀæĬ¥": 105457, "çIJĨæĢ§": 105458, "çĸ¯çĭĤ": 105459, "æ¶īå«Į": 105460, "åī§æĥħ": 105461, "åĨ¬åŃ£": 105462, "åIJİç»Ń": 105463, "è¿Ļæĺ¯ä¸Ģ个": 105464, "æ¼Ķ讲": 105465, "ä¸Ģå±Ĥ": 105466, "æľīåħ³éĥ¨éŨ": 105467, "æĹłå¥Ī": 105468, "ç§įç±»": 105469, "缸åħ³çļĦ": 105470, "æĪĸèĢħæĺ¯": 105471, "æī¶æĮģ": 105472, "å¤ļæķ°": 105473, "çļĦä½ľåĵģ": 105474, "ä¸ĭä¸ĢæŃ¥": 105475, "å¸ĪåĤħ": 105476, "é«ĺéĢŁåħ¬è·¯": 105477, "好åıĭ": 105478, "ä¼ĺç§ĢçļĦ": 105479, "è¿ĽäºĨ": 105480, "æģIJæĢķ": 105481, "äºĨåIJ§": 105482, "大è§Ħ模": 105483, "çļĦä¸ĸçķĮ": 105484, "æĢĢçĸij": 105485, "å··": 105486, "åħ´å¥ĭ": 105487, "æĪ°": 105488, "æĿijéĩĮ": 105489, "æľĭåıĭåľĪ": 105490, "åĨ¬å¤©": 105491, "ä¸Ńåįİ人æ°ij": 105492, "åįıåķĨ": 105493, "è¯ĦéĢī": 105494, "æĹŃ": 105495, "å¢ŀåĬłäºĨ": 105496, "åıĹ伤": 105497, "ä¸ĢèĤ¡": 105498, "便æį·": 105499, "ä¸ij": 105500, "鹤": 105501, "å¤ĸè§Ĥ": 105502, "å·¥ç¨ĭå¸Ī": 105503, "åĴĮåħ¶ä»ĸ": 105504, "è¿Ļå°±": 105505, "ä¸Ńå°ıä¼ģä¸ļ": 105506, "西åĮĹ": 105507, "åĽ½æľīä¼ģä¸ļ": 105508, "èĭ¥æĺ¯": 105509, "åı¯æĥľ": 105510, "çĶŁæĹ¥": 105511, "åĩ½": 105512, "ä¹°åįĸ": 105513, "ç¥Ŀç¦ı": 105514, "人æ°ij群ä¼Ĺ": 105515, "åħīæĺİ": 105516, "åħ¬å¯ĵ": 105517, "æĺ¯è°ģ": 105518, "æĪijçŁ¥éģĵ": 105519, "è¯Ńæĸĩ": 105520, "æķıæĦŁ": 105521, "ä¸įéĶĻçļĦ": 105522, "æĿ¥è®²": 105523, "æ³¢åĬ¨": 105524, "çļĦ第ä¸Ģ": 105525, "åľ°éľĩ": 105526, "åľ¨åħ¨åĽ½": 105527, "骨干": 105528, "å®īç½®": 105529, "家çĶµ": 105530, "ä¸İæѤ": 105531, "ä¸İæѤåIJĮæŶ": 105532, "åıĹçģ¾": 105533, "çĥŃ线": 105534, "çļĦæĬĢæľ¯": 105535, "æµĭéĩı": 105536, "ä¾Ŀèµĸ": 105537, "ä¸ŃåĽ½çļĦ": 105538, "çī¹æĢ§": 105539, "è¾ĥé«ĺ": 105540, "踩": 105541, "ä¼ļåľ¨": 105542, "建éĢł": 105543, "导èĪª": 105544, "æĥ³èµ·": 105545, "åħ¨ä¸ĸçķĮ": 105546, "建æĿIJ": 105547, "ç¯Ģ": 105548, "çļĦåŁºç¡Ģ": 105549, "èĩªåĬ¨åĮĸ": 105550, "åīįåIJİ": 105551, "çĿ¡çľł": 105552, "æݨè¡Į": 105553, "æį®äºĨ解": 105554, "ä»Ģä¹ĪæŶåĢĻ": 105555, "ä¸įåĸľæ¬¢": 105556, "çħ¤çĤŃ": 105557, "éĤ£ä¹Īå¤ļ": 105558, "å¸ĤåľºåĮĸ": 105559, "ä¸į管æĺ¯": 105560, "ç«ĭåľº": 105561, "éĥ½æ²¡": 105562, "课é¢ĺ": 105563, "æĪij们å°Ĩ": 105564, "è¿ĩçļĦ": 105565, "åĨįåĬłä¸Ĭ": 105566, "çĪ¾": 105567, "身æĿIJ": 105568, "çĶ·å¥³": 105569, "è¿ľè¿ľ": 105570, "çĶ·çĶŁ": 105571, "èĩªèº«çļĦ": 105572, "è´Łæĭħ": 105573, "çĻ¾ä¸ĩ": 105574, "西çıŃ": 105575, "西çıŃçīĻ": 105576, "åĩĢåĪ©æ¶¦": 105577, "澳大": 105578, "澳大åĪ©äºļ": 105579, "ä¸įåİ»": 105580, "æī¿åıĹ": 105581, "楼çĽĺ": 105582, "å¢ĥåĨħ": 105583, "æ··åĩĿ": 105584, "æ··åĩĿåľŁ": 105585, "æĢĿæĥ³æĶ¿æ²»": 105586, "å¸ĤåĮº": 105587, "æĭĽæłĩ": 105588, "åĽ¢ä½ĵ": 105589, "è¿Ľåº¦": 105590, "åĨĽéĺŁ": 105591, "åıįå¼¹": 105592, "äºĨä¸ĢäºĽ": 105593, "æİ¥å¾ħ": 105594, "çļĦåŃ¦ä¹ł": 105595, "éħįéĢģ": 105596, "é£Łåĵģå®īåħ¨": 105597, "æĽ¿ä»£": 105598, "æĺ¯ä»¥": 105599, "éĢļçĶ¨": 105600, "çłĶ究æīĢ": 105601, "ç¦ħ": 105602, "æīĶ": 105603, "éļĶ离": 105604, "ä¸ĩå¹³æĸ¹ç±³": 105605, "çļĦè§Ħå®ļ": 105606, "ç»ĻæĪij们": 105607, "æ¿Ģåħī": 105608, "ä¼ļåĩºçİ°": 105609, "çŁŃä¿¡": 105610, "ç©¿çĿĢ": 105611, "æ²Īéĺ³": 105612, "æķĻæĿIJ": 105613, "éĺ²çĸ«": 105614, "ä¼ĺèī¯": 105615, "约å®ļ": 105616, "æĪijçľģ": 105617, "åħ¬æ°ij": 105618, "éģ¸æĵ": 105619, "éģ¸æĵĩ": 105620, "å·²æĪIJ为": 105621, "ä¸įå¿ħ": 105622, "ç¥ĸåĽ½": 105623, "å¹¶æľª": 105624, "åľŁå£¤": 105625, "å¾®ç¬ij": 105626, "äºĭä¸ļåįķä½į": 105627, "çļĦ游æĪı": 105628, "åħ¬ç¤º": 105629, "åIJĪçIJĨçļĦ": 105630, "çªĿ": 105631, "æ°Ķ象": 105632, "家ä¸Ń": 105633, "äº®çĽ¸": 105634, "åį«æĺŁ": 105635, "è®°è½½": 105636, "è§Ĩéĩİ": 105637, "åľ°åĮºçļĦ": 105638, "ä½Ĩä»ĸ": 105639, "èĤĮèĤī": 105640, "äºıæįŁ": 105641, "åĬŀåѦ": 105642, "ä¸Ģè¡Į": 105643, "è¯ŀçĶŁ": 105644, "åıijå¸ĥçļĦ": 105645, "çļĦæľįåĬ¡": 105646, "çļĦçłĶ究": 105647, "åij¨æľ«": 105648, "产ä¸ļåĽŃ": 105649, "é«ĺ温": 105650, "æĪIJåĬŁçļĦ": 105651, "æŃ¥éª¤": 105652, "åŃĺåĤ¨": 105653, "åŃIJåħ¬åı¸": 105654, "让她": 105655, "ä¸Ńæľī": 105656, "åĺī宾": 105657, "妮": 105658, "æĺİå¹´": 105659, "äºĨåIJĹ": 105660, "äºīè®®": 105661, "æĪĪ": 105662, "ä¸Ģæľ¬": 105663, "ç¾İ丽çļĦ": 105664, "ä½łè¯´": 105665, "大人": 105666, "æĶ»çķ¥": 105667, "ä¸įæľĥ": 105668, "å¾ħéģĩ": 105669, "ä¸Ģè¾Ĩ": 105670, "çīĪæĿĥæīĢæľī": 105671, "æ°ijä¼Ĺ": 105672, "åĬŁå¤«": 105673, "å±ķä¼ļ": 105674, "大èĦij": 105675, "æ¯ıæľĪ": 105676, "å°ı麦": 105677, "æµĻæ±Łçľģ": 105678, "çļĦæīĢæľī": 105679, "ä¸ĭæ»ij": 105680, "èĵĿèī²": 105681, "è¦ģæĥ³": 105682, "åѦçĶŁçļĦ": 105683, "å½ĵä½ł": 105684, "ä½ľæĪĺ": 105685, "家乡": 105686, "å¤ļåIJį": 105687, "é«ĺäºİ": 105688, "åĿļ强": 105689, "è¿ŀéĶģ": 105690, "åIJİæŀľ": 105691, "人äºĭ": 105692, "ç´ħ": 105693, "æ¿ĢåĬ¨": 105694, "è¿ĽæĶ»": 105695, "ç©Ĩ": 105696, "ä¸ĺ": 105697, "让èĩªå·±": 105698, "以æѤ": 105699, "夫人": 105700, "å¼Ģ设": 105701, "æ°Ķè´¨": 105702, "鸡èĽĭ": 105703, "çĦ¡æ³ķ": 105704, "åIJĥäºĨ": 105705, "åĪĨåĪ«ä¸º": 105706, "èģĶåIJĪåĽ½": 105707, "å½ĵ代": 105708, "å¦Ĥæŀľæĺ¯": 105709, "è¿ľç¨ĭ": 105710, "åĸĤ": 105711, "è®°ä½ı": 105712, "æ¸ħåįķ": 105713, "åIJĪä½ľä¼Ļä¼´": 105714, "åİ»åģļ": 105715, "æķħéļľ": 105716, "模æĭŁ": 105717, "å¸ĪçĶŁ": 105718, "åīįæĿ¥": 105719, "çĶµè§Ĩåī§": 105720, "çĥŃçĪ±": 105721, "éľ²åĩº": 105722, "é«ĺå±Ĥ": 105723, "çĶµåĻ¨": 105724, "纪å¾ĭ": 105725, "å¼ĢåıijåķĨ": 105726, "éķ¿å®ī": 105727, "è½½ä½ĵ": 105728, "çļĦå°±æĺ¯": 105729, "被人": 105730, "åıĹçIJĨ": 105731, "篮çIJĥ": 105732, "èİİ": 105733, "交ç»Ļ": 105734, "æľªæĿ¥çļĦ": 105735, "两大": 105736, "åIJķå¸ĥ": 105737, "çŃī人": 105738, "çļĦæĹ¥åŃIJ": 105739, "åIJĪä½ľç¤¾": 105740, "æĮijéĢī": 105741, "åŃĺ款": 105742, "ç³»ç»ŁçļĦ": 105743, "æĬĬå®ĥ": 105744, "没æľīä»Ģä¹Ī": 105745, "ä»İæѤ": 105746, "ä¸ŃåįĪ": 105747, "çĸ¼çĹĽ": 105748, "å·©åĽº": 105749, "浪漫": 105750, "缸åħ³éĥ¨éŨ": 105751, "éķ¿åŁİ": 105752, "纤维": 105753, "ä¸ĬéŨ": 105754, "çĪĨçĤ¸": 105755, "èµ·çĤ¹": 105756, "çļĦéĢļçŁ¥": 105757, "èĢĮæĿ¥": 105758, "çļĦèĢģ": 105759, "æīĭéĩĮ": 105760, "è¯ŃéŁ³": 105761, "è¾Ľèĭ¦": 105762, "æ±Łèĭıçľģ": 105763, "çĶ¨äºĨ": 105764, "身份è¯ģ": 105765, "æľīåĬ©": 105766, "æľīåĬ©äºİ": 105767, "çī©èģĶç½ij": 105768, "åĩºéŨ": 105769, "å¼ŁåŃIJ": 105770, "æĥ¹": 105771, "è¿Ļ件äºĭ": 105772, "æĪij们åı¯ä»¥": 105773, "çļĦçĶŁåij½": 105774, "æľīä¸Ģç§į": 105775, "åºĹéĵº": 105776, "åıĮæīĭ": 105777, "çļĦæ¶Īæģ¯": 105778, "èĢIJå¿ĥ": 105779, "å°´å°¬": 105780, "éĤ£å¤©": 105781, "é¦ĸæī¹": 105782, "æĺ¯ä¸Ģ家": 105783, "人æ°Ķ": 105784, "åıįæŃ£": 105785, "æĪijåĴĮ": 105786, "å®łçī©": 105787, "ä¸į对": 105788, "寻æ±Ĥ": 105789, "çĽ¸ä¼¼": 105790, "åľ¨ç¾İåĽ½": 105791, "åı«åģļ": 105792, "åĹİ": 105793, "ç«ĭ足": 105794, "çĶ¨éĢĶ": 105795, "åħĨ": 105796, "大æ°Ķ": 105797, "åIJijä¸Ĭ": 105798, "ä»ĸå°±": 105799, "é¡¹çĽ®å»ºè®¾": 105800, "èĭ¥å¹²": 105801, "æĺ¯æľī": 105802, "æ¿Ģæĥħ": 105803, "çļĦæĦıä¹ī": 105804, "æĺŃ": 105805, "严éĩįçļĦ": 105806, "å¯ĨéĽĨ": 105807, "èĪŀè¹Ī": 105808, "èį£èİ·": 105809, "èİ·æĤī": 105810, "æ±ŁåįĹ": 105811, "åģĩå¦Ĥ": 105812, "æĪ·å¤ĸ": 105813, "线索": 105814, "ç§ģ人": 105815, "转åŀĭåįĩ级": 105816, "çļĦä»·åĢ¼": 105817, "åįķçĭ¬": 105818, "èĢģçĻ¾å§ĵ": 105819, "å°įæĸ¼": 105820, "åĽ½éĻħåĮĸ": 105821, "ä¼°åĢ¼": 105822, "æľįåĬ¡ä¸ļ": 105823, "èĩŃ": 105824, "æİīäºĨ": 105825, "解åĨ³äºĨ": 105826, "ä¹Łä¸įèĥ½": 105827, "åħ¹": 105828, "æĸ¯çī¹": 105829, "æķħæĦı": 105830, "è¿ĩ度": 105831, "èĬĤæĹ¥": 105832, "çĻ½çĻľ": 105833, "çĻ½çĻľé£İ": 105834, "继æī¿": 105835, "äºĨä¸įå°ij": 105836, "äºĮ人": 105837, "è§ģéĿ¢": 105838, "æĥ³æĥ³": 105839, "å¤įåIJĪ": 105840, "康å¤į": 105841, "åİ¿åŁİ": 105842, "åľ¨åĽ½åĨħ": 105843, "åľºåľ°": 105844, "éĻ¶çĵ·": 105845, "è¿Ļ项": 105846, "çľ¼ä¸Ń": 105847, "糸": 105848, "æĦŁè§īåĪ°": 105849, "æŀľçĦ¶": 105850, "æĶ¾åħ¥": 105851, "约æĿŁ": 105852, "æİĴæŁ¥": 105853, "车主": 105854, "çļĦæĦıæĢĿ": 105855, "æĸ°åŁİ": 105856, "æĥ³çĿĢ": 105857, "éģĤ": 105858, "èĮ¶åı¶": 105859, "ä¹°æĪ¿": 105860, "åĨľæĪ·": 105861, "é«ĺæīĭ": 105862, "çİīç±³": 105863, "æĸ°åĨłèĤºçĤİ": 105864, "çħ§æĺİ": 105865, "æĮĩåįĹ": 105866, "踢": 105867, "æķijæı´": 105868, "æĻ¯çĤ¹": 105869, "ç¨İæĶ¶": 105870, "çļĦæīĭ": 105871, "æŃ£å¥½": 105872, "è¦ģæĬĬ": 105873, "éļıæĦı": 105874, "åħ¶å®ŀæĺ¯": 105875, "ç»Ļèĩªå·±": 105876, "è°ĪåĪ¤": 105877, "æ¯ı天éĥ½": 105878, "æĢģåĬ¿": 105879, "é¢Ħ约": 105880, "åİĨåı²ä¸Ĭ": 105881, "å®Ŀè´Ŀ": 105882, "åīįè¿Ľ": 105883, "ä¹Łå°±æĺ¯è¯´": 105884, "çļĦæĦıè§ģ": 105885, "åı£ç½©": 105886, "åİĺç±³": 105887, "èĬ±è´¹": 105888, "ä½ĵèĤ²æĬķ注": 105889, "åħ¬ä¼Ĺåı·": 105890, "èijĹåIJįçļĦ": 105891, "å¼ĢæĪ·": 105892, "æĭįåįĸ": 105893, "å²ģæľĪ": 105894, "åĨħ涵": 105895, "å®Įæķ´çļĦ": 105896, "é«ĺåİĭ": 105897, "åħ¬åĬ¡åijĺ": 105898, "使çĶ¨çļĦ": 105899, "çĶŁäº§çº¿": 105900, "妹妹": 105901, "走访": 105902, "æĺ¯åı¯ä»¥": 105903, "åľ¨å®¶": 105904, "æļ´åĬĽ": 105905, "æ³°åĽ½": 105906, "è´¨çĸij": 105907, "ä¸įéģİ": 105908, "天çĦ¶æ°Ķ": 105909, "缺çĤ¹": 105910, "å°ıåŀĭ": 105911, "ä¸įä»ħæĺ¯": 105912, "é»ijæļĹ": 105913, "梨": 105914, "æĸĩæĹħ": 105915, "è¦ģæľī": 105916, "ä¸Ńå±±": 105917, "çļĦæķ°æį®": 105918, "å¾Ĺå¾Ī": 105919, "以便": 105920, "对ä»ĸ": 105921, "åĬłä»¥": 105922, "çĻ¼çı¾": 105923, "设å®ļ": 105924, "èĤļåŃIJ": 105925, "éĿĸ": 105926, "å¥īçĮ®": 105927, "ä¸įåıĺ": 105928, "åı£ç¢ij": 105929, "åľ¨åĵªéĩĮ": 105930, "ä½IJ": 105931, "è¿Ļ两个": 105932, "çļĦæĸ¹åIJij": 105933, "æŀ«": 105934, "äºĮ次": 105935, "çīĩåĮº": 105936, "éłIJ": 105937, "ç£Ĭ": 105938, "æĭ¿çĿĢ": 105939, "å·²ç»ıæĪIJ为": 105940, "ä¹ĭä¸Ĭ": 105941, "å®ĹæŨ": 105942, "奶奶": 105943, "é«ĺæĸ°åĮº": 105944, "社æľĥ": 105945, "è·Łè¸ª": 105946, "æľįåĬ¡ä¸Ńå¿ĥ": 105947, "æī¯": 105948, "æīĭæĮĩ": 105949, "礼çī©": 105950, "宿èĪį": 105951, "çĶ¨å¿ĥ": 105952, "æıIJé«ĺäºĨ": 105953, "亮çĤ¹": 105954, "ä¸įæĦ¿æĦı": 105955, "æĴŃæĶ¾": 105956, "å¤ļå°ijéĴ±": 105957, "没ä»Ģä¹Ī": 105958, "æķ°åįģ": 105959, "æĢ»çĽij": 105960, "çļĦåŁİå¸Ĥ": 105961, "æī¾åĪ°äºĨ": 105962, "åĨħåľ°": 105963, "åĪ°çİ°åľ¨": 105964, "æĪĺæĸĹåĬĽ": 105965, "åİŁå§ĭ": 105966, "åĥ§": 105967, "åĢĴæĺ¯": 105968, "æľĢåħ·": 105969, "è´«åĽ°æĪ·": 105970, "éĢģåĪ°": 105971, "级åĪ«": 105972, "åĩºèµĦ": 105973, "æĪªæŃ¢": 105974, "ç§įåŃIJ": 105975, "èĥ½ä¸įèĥ½": 105976, "幸è¿IJ": 105977, "èĸĩ": 105978, "项éĵ¾": 105979, "æĮĤçīĮ": 105980, "ä¸Ģ樣": 105981, "ä¹ĺ客": 105982, "èIJ½åIJİ": 105983, "ä½ĨæĪij": 105984, "æĹ©åľ¨": 105985, "åĬ¨æ¼«": 105986, "å¹³çŃī": 105987, "å¯¹ä½ł": 105988, "ä¸įæĢķ": 105989, "å¤ĸçķĮ": 105990, "å¤ļå¹´æĿ¥": 105991, "é¦ĸ个": 105992, "æ²³åįĹçľģ": 105993, "æĪĸåħ¶ä»ĸ": 105994, "éķľå¤´": 105995, "åįĹæĺĮ": 105996, "ä¸ĢéĿ¢": 105997, "éĢłæĪIJçļĦ": 105998, "å´Ķ": 105999, "çŃĴ": 106000, "æķĻèĤ²éĥ¨": 106001, "åľ°åŁŁ": 106002, "æĺĨæĺİ": 106003, "å·´é»İ": 106004, "æīĭ游": 106005, "ä¸ĢæŶ": 106006, "çłį": 106007, "顶级": 106008, "åħ±è®¡": 106009, "åİŁæ²¹": 106010, "è¾īçħĮ": 106011, "说æĺ¯": 106012, "æĸ°åįİ社": 106013, "ç»ıåİĨäºĨ": 106014, "ä¸įæŃ¢": 106015, "è¦ģä¹Ī": 106016, "èĢħçļĦ": 106017, "æĢ»æĬķèµĦ": 106018, "è¡Į驶": 106019, "ä¸Ĭå¸Ŀ": 106020, "年纪": 106021, "çIJ¼": 106022, "ä¼łè¯´": 106023, "ç²¾èĭ±": 106024, "æĸ¹éĴĪ": 106025, "æ±Łæ¹ĸ": 106026, "æĪIJçĤº": 106027, "æĢ»éĩı": 106028, "æĬķæĶ¾": 106029, "åĬ¨çĶ»": 106030, "èŤ": 106031, "çĶµæºIJ": 106032, "éĴĻ": 106033, "åIJĮè¡Į": 106034, "æĻ®éĢļçļĦ": 106035, "åĽ¾ä¹¦é¦Ĩ": 106036, "è¯ĪéªĹ": 106037, "æħĪåĸĦ": 106038, "è¿Ļ份": 106039, "主æĮģ人": 106040, "å°±è¿Ļæł·": 106041, "èĢĮæĪIJ": 106042, "èĩªè¡Į车": 106043, "ä¸ŃåĽ½çī¹èī²": 106044, "èĤ¿çĺ¤": 106045, "åIJ¾": 106046, "å¼Łå¼Ł": 106047, "åıĹçĽĬ": 106048, "éĢīæĭ©äºĨ": 106049, "æĺİæĺ¾çļĦ": 106050, "æĬ¥èĢĥ": 106051, "ç¬ijéģĵ": 106052, "éĽĸçĦ¶": 106053, "温å·ŀ": 106054, "éĿŀæ´²": 106055, "ç§įç§į": 106056, "åıĤåĬłäºĨ": 106057, "è´§è¿IJ": 106058, "éļı便": 106059, "就没æľī": 106060, "縣": 106061, "央è§Ĩ": 106062, "ç©¿è¶Ĭ": 106063, "çļĦçݰ象": 106064, "åĩłæ¬¡": 106065, "çļĦé£İéĻ©": 106066, "æŃĮæĽ²": 106067, "æľ¬å±Ĭ": 106068, "å¹´åĨħ": 106069, "ä¸įè¶ħè¿ĩ": 106070, "è¿ĩå¤ļ": 106071, "å¿ħé¡»è¦ģ": 106072, "ç»ĵ论": 106073, "åĢŁéī´": 106074, "ç¥ŀå¥ĩ": 106075, "æľŁæľĽ": 106076, "ä¸ĵ享": 106077, "éĿŀ常éĩįè¦ģ": 106078, "æĦıè¯ĨåĪ°": 106079, "åIJĪ并": 106080, "æĬĬèĩªå·±": 106081, "å¥Ĺè£ħ": 106082, "éŃĶæ³ķ": 106083, "å¤ıåŃ£": 106084, "ä¸įåĥı": 106085, "å¢ĥçķĮ": 106086, "æĥĬåĸľ": 106087, "æľīä¸Ģ天": 106088, "çĦ¦çĤ¹": 106089, "æĪij认为": 106090, "åħ°å·ŀ": 106091, "çĶµæ°Ķ": 106092, "èģĶç³»æĪij们": 106093, "ç§ijæĻ®": 106094, "她说": 106095, "çļĦæĸĩç«ł": 106096, "å¥ĩæĢª": 106097, "åıĭ好": 106098, "饮æĸĻ": 106099, "çļĦæĶ¯æĮģ": 106100, "çŃĶåºĶ": 106101, "éĩįéĩı": 106102, "çij¶": 106103, "åĩıè½»": 106104, "ç§ijåŃ¦å®¶": 106105, "巴西": 106106, "éĩijèŀįæľºæŀĦ": 106107, "åħļå§Ķ书记": 106108, "貸款": 106109, "ç²¾èĩ´": 106110, "ä»İæľª": 106111, "åį°åĪ·": 106112, "åĽŀ顾": 106113, "é¦ĸéĥ½": 106114, "åıijèĤ²": 106115, "éĹ®éģĵ": 106116, "è¾¾åĪ°äºĨ": 106117, "å¿įä¸įä½ı": 106118, "æīįæľī": 106119, "æįIJèµł": 106120, "ä½ĽæķĻ": 106121, "ä¸įæ¸ħ": 106122, "éĺŁéķ¿": 106123, "缸åıį": 106124, "æĬ¥èѦ": 106125, "大åħ¨": 106126, "æ¬§çĽŁ": 106127, "帮å¿Ļ": 106128, "çļĦæĻĤåĢĻ": 106129, "缮å½ķ": 106130, "足以": 106131, "èī°éļ¾": 106132, "ä»ĸä¹Ł": 106133, "å·¥ä½ľèĢħ": 106134, "头èĦij": 106135, "缺éĻ·": 106136, "æĪIJç«ĭäºĨ": 106137, "å°±å¼Ģå§ĭ": 106138, "认åIJĮ": 106139, "é»Ħèī²": 106140, "çĹħæĥħ": 106141, "覺å¾Ĺ": 106142, "è¿Ļ两": 106143, "ä¿¡ä»°": 106144, "åľĭ家": 106145, "ä¸įä»ħä»ħæĺ¯": 106146, "çĭ¬å®¶": 106147, "èĪ¬çļĦ": 106148, "æĿIJè´¨": 106149, "æµ·ä¸Ĭ": 106150, "çĤºäºĨ": 106151, "æľºåĬ¨è½¦": 106152, "缸å½ĵäºİ": 106153, "å¤ļåħĥåĮĸ": 106154, "æĽ´å¤§çļĦ": 106155, "èĽ®": 106156, "åģĩæľŁ": 106157, "å¼ıçļĦ": 106158, "交éĢļè¿IJè¾ĵ": 106159, "çľģå§Ķ": 106160, "ä¸įç®Ĺ": 106161, "æĶ¾ä¸ĭ": 106162, "éĹ¯": 106163, "äººåľ¨": 106164, "港åı£": 106165, "æĹ¨åľ¨": 106166, "åij½ä»¤": 106167, "æŁIJ个": 106168, "平稳": 106169, "åıªå¥½": 106170, "人人": 106171, "äºŀ": 106172, "äºĮç»´": 106173, "äºĮç»´çłģ": 106174, "æŀģ为": 106175, "åĪ«å¢ħ": 106176, "åħ¶ä½Ļ": 106177, "大äºĭ": 106178, "主管éĥ¨éŨ": 106179, "æĹłéĶ¡": 106180, "éŵ": 106181, "éģŃåĪ°": 106182, "说è¿ĩ": 106183, "ä¸ºä½ł": 106184, "解çŃĶ": 106185, "éªĮæĶ¶": 106186, "çļĦç»ıéªĮ": 106187, "åĮ¹éħį": 106188, "çģ«ç®Ń": 106189, "豪åįİ": 106190, "æŁIJæŁIJ": 106191, "çļĦæĹ¶ä»£": 106192, "书éĿ¢": 106193, "æģĴ大": 106194, "延éķ¿": 106195, "ä¸ĢåIJĮ": 106196, "æľªèĥ½": 106197, "交æį¢": 106198, "çĶ¢åĵģ": 106199, "çŃīåĪ°": 106200, "åĪĨ离": 106201, "æīĵçĶµè¯Ŀ": 106202, "å¹²çĩ¥": 106203, "è¾ĥå¤ļ": 106204, "å¤ļå¹´çļĦ": 106205, "èĥĮæĻ¯ä¸ĭ": 106206, "为ä¾ĭ": 106207, "æijĺè¦ģ": 106208, "å´Ľèµ·": 106209, "æѤåĪ»": 106210, "æľīæľºä¼ļ": 106211, "æĿ¡æ¬¾": 106212, "é¢Ĩ导å°ıç»Ħ": 106213, "çļĦ身ä½ĵ": 106214, "åįķä¸Ģ": 106215, "央è¡Į": 106216, "ä¸įæĸŃæıIJé«ĺ": 106217, "ä»·åĢ¼è§Ĥ": 106218, "èĬ½": 106219, "èIJį": 106220, "æ³ķå¾ĭæ³ķè§Ħ": 106221, "ä¸įéĶĪ": 106222, "ä¸įéĶĪéĴ¢": 106223, "åĩºäºİ": 106224, "èĻļæĭŁ": 106225, "æį®æĤī": 106226, "çĥ¦æģ¼": 106227, "åħ¨æĸ°çļĦ": 106228, "æī«æıı": 106229, "çĻ»éĻĨ": 106230, "èīºæľ¯å®¶": 106231, "çļĦé£Łçī©": 106232, "çļĦåŃĺåľ¨": 106233, "客åİħ": 106234, "æĪij们就": 106235, "æŁ¥çľĭæĽ´å¤ļ": 106236, "è¯Ħ审": 106237, "å¸Ĥåł´": 106238, "è¬Ľ": 106239, "巨头": 106240, "ä¸ŃåĽ½ç»ıæµİ": 106241, "äºĨèĩªå·±çļĦ": 106242, "åĨ³è®®": 106243, "çĽijçĿ£ç®¡çIJĨ": 106244, "æĬķ票": 106245, "åĨį度": 106246, "è¡ĮçĤº": 106247, "注åħ¥": 106248, "ä½ľä¸ºä¸Ģ个": 106249, "æ¯ı个人éĥ½": 106250, "åįķåħĥ": 106251, "è¦ģçŁ¥éģĵ": 106252, "被称为": 106253, "ä¹ĭéĻħ": 106254, "解éĻ¤": 106255, "丸": 106256, "溫": 106257, "ä¸īæĺŁ": 106258, "é²ľæĺİ": 106259, "ä¹Łéĥ½": 106260, "æĹ¶æľº": 106261, "åĩºæīĭ": 106262, "æĥħå½¢": 106263, "åķĨè´¸": 106264, "éĢī举": 106265, "对èĩªå·±": 106266, "çĶŁåĬ¨": 106267, "åħĭæľį": 106268, "个ä½ĵ": 106269, "èĭij": 106270, "稱": 106271, "大åݦ": 106272, "æĺ¯å¯¹": 106273, "åĪ©æģ¯": 106274, "è¿IJåĬ¨åijĺ": 106275, "åĮĸ解": 106276, "åīį沿": 106277, "æĦŁæģ©": 106278, "æĢ»ä¹ĭ": 106279, "é«ĺæĸ°æĬĢæľ¯": 106280, "åĿĩ为": 106281, "åħ¨åĮº": 106282, "æ°Ķæ°Ľ": 106283, "åı¯ä»¥è¯´æĺ¯": 106284, "ä½ı宿": 106285, "åħļåijĺå¹²éĥ¨": 106286, "åĹ¯": 106287, "è·µè¡Į": 106288, "çļĦä¸ĵä¸ļ": 106289, "èĢĥéªĮ": 106290, "èķ¾": 106291, "åħ¬åŃIJ": 106292, "çļĦçĬ¶æĢģ": 106293, "æ½®æµģ": 106294, "ä¿¡æīĺ": 106295, "è´¼": 106296, "åIJĦæĸ¹": 106297, "æķijåĬ©": 106298, "éĿŀ常çļĦ": 106299, "æ¡¥æ¢ģ": 106300, "åħ¬æĸ¤": 106301, "ä¼¼çļĦ": 106302, "çľĭ好": 106303, "å±Ģéĥ¨": 106304, "å®īéĿĻ": 106305, "éħį件": 106306, "常è§Ħ": 106307, "å¼Ģ车": 106308, "第äºĮ次": 106309, "ä¸Ĭ级": 106310, "åıĤèµĽ": 106311, "家å±ŀ": 106312, "强åĬ¿": 106313, "åľ¨ä»ĸ": 106314, "åIJijåīį": 106315, "ä¹ĭåľ°": 106316, "éĥ¡": 106317, "è¡Įç¨ĭ": 106318, "èѦåijĬ": 106319, "è§Ħå®ļçļĦ": 106320, "åķĨåŁİ": 106321, "äºĶ大": 106322, "æķĻ室": 106323, "åįģ足": 106324, "æīĢä»¥åľ¨": 106325, "å°Ĩ继ç»Ń": 106326, "çŃīæĸ¹å¼ı": 106327, "家ä¼ģä¸ļ": 106328, "交ä»ĺ": 106329, "çĤ¹è¯Ħ": 106330, "ç»ĵç®Ĺ": 106331, "ä¹Łåı¯": 106332, "å¤ĸæ±ĩ": 106333, "è¿Ļç§įæĥħåĨµ": 106334, "æİĪäºĪ": 106335, "å¸ĥç½®": 106336, "æĪIJç«ĭäºİ": 106337, "é¢ĦèѦ": 106338, "管çIJĨ人åijĺ": 106339, "å©ļ礼": 106340, "ç»ĵæĿŁåIJİ": 106341, "åħ¥éĢī": 106342, "æĹłæ¯Ķ": 106343, "åĴĮåıijå±ķ": 106344, "çĻ½éħĴ": 106345, "çİ©åħ·": 106346, "ä¸ĩç¾İåħĥ": 106347, "çļĦæĪIJ绩": 106348, "æĭįçħ§": 106349, "èĢĥèĻijåĪ°": 106350, "ä¼ģä¸ļåıijå±ķ": 106351, "äºĨ个": 106352, "çĶŁæ°Ķ": 106353, "çļĦ女人": 106354, "äºĶåįģ": 106355, "çĪ·çĪ·": 106356, "纽约": 106357, "éĥ½è¢«": 106358, "ä¸Ĭ课": 106359, "çĽ¡": 106360, "ä¼łç»ŁæĸĩåĮĸ": 106361, "æ½ľåľ¨": 106362, "åıijå°Ħ": 106363, "ä¸Ģ身": 106364, "éĺ²å®Ī": 106365, "åĪ®": 106366, "é¢ĺ缮": 106367, "åľ¨åĨħçļĦ": 106368, "ç¾İ好çļĦ": 106369, "è¿ĻéĩĮçļĦ": 106370, "ä¸Ģä¸Ŀ": 106371, "人åĿĩ": 106372, "åĢ¡å¯¼": 106373, "身åIJİ": 106374, "æī©å±ķ": 106375, "大éŨ": 106376, "就被": 106377, "è¯¥é¡¹çĽ®": 106378, "æŀ¶æŀĦ": 106379, "ä¸Ģåı£": 106380, "ä¿¡æģ¯æĬĢæľ¯": 106381, "å¼Ģä¸ļ": 106382, "æĶ¶åıĸ": 106383, "ç½ij页": 106384, "æĶ¯æı´": 106385, "å°ģéĹŃ": 106386, "å¡ijéĢł": 106387, "大èĥĨ": 106388, "å¿«éĢŁåıijå±ķ": 106389, "çľĭä¼¼": 106390, "æ¸Ŀ": 106391, "è¿Ļæł·ä¸Ģ个": 106392, "模åĿĹ": 106393, "注æĦıåĪ°": 106394, "çł´è§£": 106395, "èĩªä»İ": 106396, "åijµåijµ": 106397, "ä¹ĭå¾Į": 106398, "ä¹ĭæĹħ": 106399, "è·ŁæĪij": 106400, "æ³ķ人": 106401, "æİĴè¡Įæ¦ľ": 106402, "åĿļå®Ī": 106403, "好å¤Ħ": 106404, "çŁ³å¤´": 106405, "并å°Ĩ": 106406, "èĪ±": 106407, "æŃĩ": 106408, "两岸": 106409, "å¤ļä¹ħ": 106410, "象å¾ģ": 106411, "个æĢ§åĮĸ": 106412, "çļĦè§Ĵ度": 106413, "å¸Ĩ": 106414, "ç¦ıå·ŀ": 106415, "æŁ¥å¤Ħ": 106416, "ä¸¤åĽ½": 106417, "åIJ¸å¼ķäºĨ": 106418, "é¦ĸå¸Ń": 106419, "大åĵ¥": 106420, "é¤Ĭ": 106421, "涨å¹ħ": 106422, "éĢīçĶ¨": 106423, "許å¤ļ": 106424, "èIJ½æĪ·": 106425, "åĵĪå°Ķ": 106426, "åĵĪå°Ķ滨": 106427, "åģļä»Ģä¹Ī": 106428, "以åħį": 106429, "é¾į": 106430, "æĹłéľĢ": 106431, "åĪ°åºķæĺ¯": 106432, "æĢ¡": 106433, "åijĬè¯īä½ł": 106434, "éĺ²æ°´": 106435, "è¿ĻæŶåĢĻ": 106436, "欢ä¹IJ": 106437, "转åIJij": 106438, "è¿Ļä¸ªåľ°åĽ¾": 106439, "åħ¥é©»": 106440, "èįīåİŁ": 106441, "æĹ¶ä»£çļĦ": 106442, "åıĺåĬ¨": 106443, "åĬłå¼ºå¯¹": 106444, "åģ¶å°Ķ": 106445, "å®ĪæĬ¤": 106446, "æ°Ķ温": 106447, "人éĹ´": 106448, "æľĿé²ľ": 106449, "ç»ıè´¹": 106450, "åĽŃæŀĹ": 106451, "å·¥åľ°": 106452, "è§Ħæł¼": 106453, "åĩłåįģ": 106454, "è¯ķåĽ¾": 106455, "å¦ĥ": 106456, "éĤ£æŶåĢĻ": 106457, "å¼ĺæī¬": 106458, "ä¸ļçķĮ": 106459, "çļĦéĢŁåº¦": 106460, "ä¼ļä¸įä¼ļ": 106461, "èIJ¥æĶ¶": 106462, "å°ıå¾®ä¼ģä¸ļ": 106463, "çľĭè¿ĩ": 106464, "æĬĬä»ĸ": 106465, "éģµå¾ª": 106466, "è¿Ļè¾¹": 106467, "没æľī人": 106468, "壶": 106469, "æ¹ĸåįĹçľģ": 106470, "æŀģåħ¶": 106471, "çļĦ人çĶŁ": 106472, "ä»ĸè¿ĺ": 106473, "转åĮĸ为": 106474, "èµ°è¿ĩ": 106475, "æĬ±çĿĢ": 106476, "çīĽå¥¶": 106477, "ä¸ĩ亩": 106478, "å¿ĥæĢģ": 106479, "æĹ¥å¸¸çĶŁæ´»": 106480, "ä½ĵæ£Ģ": 106481, "æĻĥ": 106482, "çŃīé¢ĨåŁŁ": 106483, "æĩī該": 106484, "åı¯ä»¥çľĭåĪ°": 106485, "æī¾ä¸įåĪ°": 106486, "èĢģå¹´": 106487, "æĬĬæĪij": 106488, "积åĪĨ": 106489, "梳çIJĨ": 106490, "绳": 106491, "çļĦæĶ¿æ²»": 106492, "å¸ĿåĽ½": 106493, "éĻªä¼´": 106494, "æ´Ľéĺ³": 106495, "åħ¬æŃ£": 106496, "å¼Ģåı£": 106497, "çī¹èī²çļĦ": 106498, "åĽ°å¢ĥ": 106499, "ä¸Ĭæľī": 106500, "ç«ĭä½ĵ": 106501, "æīĵå·¥": 106502, "åķ¤éħĴ": 106503, "åľ¨éĤ£éĩĮ": 106504, "éĤ£è¾¹": 106505, "个åĪ«": 106506, "ä¸Ģå®ļæĺ¯": 106507, "çļĦéĩįè¦ģæĢ§": 106508, "ä¸»å¼ł": 106509, "åĴĮæľįåĬ¡": 106510, "ä¸Ĭç½ij": 106511, "è¡¥åĬ©": 106512, "åıªéľĢ": 106513, "弦": 106514, "éģ®": 106515, "åĬĽäºī": 106516, "度è¿ĩ": 106517, "èij¬": 106518, "é¡¿æŶ": 106519, "éĦī": 106520, "纺ç»ĩ": 106521, "åľ°åĿĹ": 106522, "ä¿¡çĶ¨åį¡": 106523, "ç½ļ款": 106524, "åijĬè¯īæĪij": 106525, "éĽĻ": 106526, "书çĶ»": 106527, "è¨Ńè¨Ī": 106528, "æĢ»ä¼ļ": 106529, "åĪ¤åĨ³": 106530, "ä¿¡èªī": 106531, "个èĤ¡": 106532, "平常": 106533, "æĢİ麼": 106534, "ä½ĵçİ°åľ¨": 106535, "é»Ħæ²³": 106536, "åĽĽå·Ŀçľģ": 106537, "羣缸": 106538, "åIJĦé¡¹å·¥ä½ľ": 106539, "åĬ¨åijĺ": 106540, "å³°ä¼ļ": 106541, "ä¸ĢæľŁ": 106542, "æľīä¸Ģå®ļçļĦ": 106543, "é«ĺ度éĩįè§Ĩ": 106544, "ç¹ģèį£": 106545, "åıijçİ°äºĨ": 106546, "ç½ij红": 106547, "æīĭæ³ķ": 106548, "家åĽŃ": 106549, "仪åĻ¨": 106550, "è¾ĥä½İ": 106551, "çļĦå®īåħ¨": 106552, "æ¡IJ": 106553, "ä»ĺ款": 106554, "æĬijåĪ¶": 106555, "åįĵè¶Ĭ": 106556, "æŃ£éĿ¢": 106557, "åĵij": 106558, "强åĪ¶": 106559, "ä»Ĭ天çļĦ": 106560, "æĪĺèĥľ": 106561, "楼å¸Ĥ": 106562, "æĭ¿ä¸ĭ": 106563, "é¢ľåĢ¼": 106564, "举éĥ¨": 106565, "çłĶåĪ¶": 106566, "çļĦæĪĺçķ¥": 106567, "åľ¨ä¸Ģ个": 106568, "ä¸ī人": 106569, "å®ĮäºĨ": 106570, "æĸ°æĬĢæľ¯": 106571, "ç»ıæµİæķĪçĽĬ": 106572, "å¯Įæľī": 106573, "澳洲": 106574, "åĬ©çIJĨ": 106575, "é¢Ĩåıĸ": 106576, "è°Ń": 106577, "çĩĥçĥ§": 106578, "ç´łåħ»": 106579, "éĤĦæľī": 106580, "è¿ĽèĢĮ": 106581, "ä»Ģä¹Īæĺ¯": 106582, "çłĶ究ä¸Ńå¿ĥ": 106583, "éĢĤçĶ¨äºİ": 106584, "æİ¥æĶ¶": 106585, "å¤±æľĽ": 106586, "äºĮ级": 106587, "éĹ´çļĦ": 106588, "åİŁæłĩé¢ĺ": 106589, "èªįçĤº": 106590, "æį¡": 106591, "对çĿĢ": 106592, "对éĿ¢": 106593, "ä¸ŃåİŁ": 106594, "éĵĥ": 106595, "çĶŁäº§çļĦ": 106596, "åıijå¸ĥä¼ļ": 106597, "士åħµ": 106598, "è¿Ļåı¥è¯Ŀ": 106599, "缴纳": 106600, "ä¸Ģ个个": 106601, "åѸçĶŁ": 106602, "çĸijéĹ®": 106603, "交èѦ": 106604, "示èĮĥåĮº": 106605, "天使": 106606, "åľ¨ä¸Ĭæµ·": 106607, "åIJĮæĻĤ": 106608, "è½»æĺĵ": 106609, "åĶ¯ä¸ĢçļĦ": 106610, "çĥŃéĹ¹": 106611, "ä¹IJè§Ĥ": 106612, "çļĦ身份": 106613, "åĸĦäºİ": 106614, "大åİħ": 106615, "èĤ¯å®ļæĺ¯": 106616, "éĺ²çģ«": 106617, "å¤ĸåĩº": 106618, "æį®è¯´": 106619, "é¡¹çĽ®çļĦ": 106620, "ä¸Ģåı°": 106621, "èĻļåģĩ": 106622, "ä¸Ģç¬Ķ": 106623, "ç«ĭæ³ķ": 106624, "严èĤĥ": 106625, "æī¿åĬŀ": 106626, "åįģåĩł": 106627, "çļĦ空éĹ´": 106628, "æľ¬ç½ijç«Ļ": 106629, "åģļå¾Ĺ": 106630, "ä¿Ŀ温": 106631, "æľĪåĪĿ": 106632, "åľ¨ç½ijä¸Ĭ": 106633, "åIJĦæĸ¹éĿ¢": 106634, "ä¸ī天": 106635, "交æĺĵæīĢ": 106636, "解æŀIJ": 106637, "åħļä¸Ń央": 106638, "è¿Ľåĩºåı£": 106639, "åĴĮ社ä¼ļ": 106640, "次æķ°": 106641, "ä¹ĭ家": 106642, "维度": 106643, "æ´¾åĩºæīĢ": 106644, "产çĶŁäºĨ": 106645, "带æľī": 106646, "å¾Ī强": 106647, "æľīäºĽäºº": 106648, "å¹´åIJİ": 106649, "äºĨ许å¤ļ": 106650, "å¯Ĩ度": 106651, "åŃ¦æľŁ": 106652, "çıłæµ·": 106653, "æľĢå¤ļçļĦ": 106654, "è¾¹ç¼ĺ": 106655, "容éĩı": 106656, "第äºĮ个": 106657, "ä¸Ģ缴æĺ¯": 106658, "ä¸įç¦ģ": 106659, "æŃ²": 106660, "ä»ĭç»įäºĨ": 106661, "ä¼ĺéĽħ": 106662, "æ¯Ķè¼ĥ": 106663, "èģĮä½į": 106664, "温æŁĶ": 106665, "æľīéĴ±": 106666, "æľĢé«ĺçļĦ": 106667, "åįļè§Īä¼ļ": 106668, "ä¸įæĪIJ": 106669, "éĶĻäºĨ": 106670, "è¯ģçĽij": 106671, "è¯ģçĽijä¼ļ": 106672, "æĪIJ人": 106673, "åĿĩåĮĢ": 106674, "æľīåĪ©": 106675, "è¶ĬåįĹ": 106676, "æīĵäºĨ": 106677, "好åIJĥ": 106678, "系統": 106679, "è·Łéļı": 106680, "çļĦåľ°ä½į": 106681, "æŃ£å¦Ĥ": 106682, "ç¨įå¾®": 106683, "åį°åıij": 106684, "åĪĽç«ĭ": 106685, "é£İåħī": 106686, "å°ĨæĪIJ为": 106687, "ä¸įé«ĺ": 106688, "é¢ijç¹ģ": 106689, "设æľī": 106690, "ä¼ŀ": 106691, "æĭĨéĻ¤": 106692, "å½±åĥı": 106693, "æ¸ĹéĢı": 106694, "å¹´å¼Ģå§ĭ": 106695, "ç½ijæĺĵ": 106696, "è¦ģåģļ": 106697, "çĶµåĬ¨è½¦": 106698, "羣å¿ĥ": 106699, "æµ·åĨĽ": 106700, "ä¼łæĿ¥": 106701, "å·®åĪ«": 106702, "è°¨æħİ": 106703, "çĥŁåı°": 106704, "åįĥå¹´": 106705, "è¯ģå®ŀ": 106706, "çIJª": 106707, "çļĦåħ·ä½ĵ": 106708, "åĪ°å¤Ħ": 106709, "ä¸įå®ľ": 106710, "èľĢ": 106711, "èĥ½åĬĽåĴĮ": 106712, "çīºçī²": 106713, "çļĦéĴ±": 106714, "大éĺŁ": 106715, "é¦ĸè¦ģ": 106716, "ä¸įæĦ¿": 106717, "çİ«çij°": 106718, "人æ°ijç½ij": 106719, "è¿ĺæĺ¯è¦ģ": 106720, "åĽĽå¹´": 106721, "æįŁä¼¤": 106722, "çļĦåģļæ³ķ": 106723, "éĿĪ": 106724, "è¡Ķæİ¥": 106725, "åIJĪæĪIJ": 106726, "没人": 106727, "éĹ¨æ§Ľ": 106728, "ä¿¡è´·": 106729, "çļĦ缸åħ³": 106730, "举é£İ": 106731, "社ä¿Ŀ": 106732, "ä¸ĭ游": 106733, "åĿĹéĴ±": 106734, "è¿ĩåIJİ": 106735, "çļĦåºĶçĶ¨": 106736, "饶": 106737, "é¢ģåıij": 106738, "ä¸Ģå¤Ħ": 106739, "åįİå¤ı": 106740, "为ä¼ģä¸ļ": 106741, "åıªä¼ļ": 106742, "侵害": 106743, "çļĦåĬŁèĥ½": 106744, "åѸç¿Ĵ": 106745, "ä¸Ńåįİæ°ijæĹı": 106746, "åıijå¸ĥäºĨ": 106747, "è¿İæİ¥": 106748, "æĪijèĩªå·±": 106749, "è¿ĺéľĢè¦ģ": 106750, "太éĺ³èĥ½": 106751, "åİ»ä¸ĸ": 106752, "æĺ¯ä½ł": 106753, "åIJĪåĬĽ": 106754, "ç»ĺçĶ»": 106755, "åı°åĮĹ": 106756, "çĿ£ä¿ĥ": 106757, "åĮĹéĥ¨": 106758, "æľīå¤ļå°ij": 106759, "å¾Īéĩįè¦ģ": 106760, "åĪĴåĪĨ": 106761, "åı·çº¿": 106762, "æĶ¾å¤§": 106763, "ä¼ļ被": 106764, "èİ·å¥ĸ": 106765, "ä¹ĭåĨħ": 106766, "失åİ»äºĨ": 106767, "çݩ家们": 106768, "éĩĩéĽĨ": 106769, "壹": 106770, "家ä¼Ļ": 106771, "çĻ½å¤©": 106772, "åĽłä¸ºä»ĸ": 106773, "社ä¼ļæ²»çIJĨ": 106774, "å¼ĢåĪĽ": 106775, "çĶµç¼Ĩ": 106776, "æĸ°ä¸Ģ代": 106777, "并è´Ń": 106778, "就已ç»ı": 106779, "çļĦ社ä¼ļ": 106780, "éĻ¤éĿŀ": 106781, "åı¯ä»¥çĶ¨": 106782, "å©ī": 106783, "æ¯Ķè¾ĥ好": 106784, "å®ŀä¸ļ": 106785, "åĪĽåĬŀ": 106786, "æıIJèµ·": 106787, "é»ĥ": 106788, "ä½ıåľ¨": 106789, "å¸ĤæĶ¿": 106790, "éĿ¢ä¸´çļĦ": 106791, "èĥ½åľ¨": 106792, "çŁŃçŁŃ": 106793, "çľŁäºº": 106794, "æĺİæĺİ": 106795, "èµĦåĬ©": 106796, "çļĦä¸įåIJĮ": 106797, "å°ıæľĭåıĭ": 106798, "é¢ĺæĿIJ": 106799, "ç¾İåij³": 106800, "æĺŁåº§": 106801, "ä¸įä¸Ģæł·çļĦ": 106802, "çľĭä¸Ĭåİ»": 106803, "ä¸Ģæł¹": 106804, "广å·ŀå¸Ĥ": 106805, "åıijçĶŁçļĦ": 106806, "é«ĺç§ijæĬĢ": 106807, "ä¸Ģè¾ĪåŃIJ": 106808, "交åıī": 106809, "ä½ĵ系建设": 106810, "åĽłä¸ºæĪij": 106811, "çıįæĥľ": 106812, "ä¸ĬåѦ": 106813, "æĪĺæľ¯": 106814, "æѤ类": 106815, "交å¾Ģ": 106816, "æĮīæij©": 106817, "人们çļĦ": 106818, "åħ¶å¯¦": 106819, "åİŁæĿIJæĸĻ": 106820, "æ¸´æľĽ": 106821, "缸å¤Ħ": 106822, "微微": 106823, "æ®·": 106824, "ä¹ĺåĿIJ": 106825, "å¼Ģå±ķäºĨ": 106826, "é«ĺåĵģè´¨": 106827, "æĹłäººæľº": 106828, "ä¸įæĺ¯å¾Ī": 106829, "çļĦæĬķèµĦ": 106830, "èĬĤçľģ": 106831, "èĩī": 106832, "ç²¾éĢī": 106833, "çļĦæłĩåĩĨ": 106834, "åįĹéĥ¨": 106835, "认è¯ĨåĪ°": 106836, "å¹³éĿĻ": 106837, "èĹ¥": 106838, "æī«é»ij": 106839, "æī«é»ijéĻ¤": 106840, "æī«é»ijéĻ¤æģ¶": 106841, "éĢĻ種": 106842, "建çŃijéĿ¢ç§¯": 106843, "ç¡®ç«ĭ": 106844, "管çIJĨåĬŀæ³ķ": 106845, "æĦıå¿Ĺ": 106846, "丨": 106847, "让åŃ©åŃIJ": 106848, "æķijçģ¾": 106849, "å½ĵä»Ĭ": 106850, "çģ«çģ¾": 106851, "åIJĦéĥ¨éŨ": 106852, "ä¾µçĬ¯": 106853, "æ¯ıåij¨": 106854, "æı½": 106855, "ä¸Ģ次æĢ§": 106856, "åħ¶ä»ĸ人": 106857, "éĶĻè¿ĩ": 106858, "ä¸İåħ¶": 106859, "åĭĩæ°Ķ": 106860, "çĩĥæ°Ķ": 106861, "é¦ĸå±Ĭ": 106862, "æľį饰": 106863, "ç²¥": 106864, "å®Įæ¯ķ": 106865, "å°±æĬĬ": 106866, "åĬŀäºĭå¤Ħ": 106867, "ä¸Ģä¼ļåĦ¿": 106868, "离ä¸įå¼Ģ": 106869, "å¦ĤæŀľæĤ¨": 106870, "ä»ĵåºĵ": 106871, "导å¸Ī": 106872, "åIJĪéĢĤçļĦ": 106873, "毫米": 106874, "å®īåħ¨æĢ§": 106875, "ä¾Ŀçħ§": 106876, "产ä¸ļåĮĸ": 106877, "ä½łçľĭ": 106878, "羣çļĦå¾Ī": 106879, "åѤçĭ¬": 106880, "éĺ²å¾¡": 106881, "å¾Īç®Ģåįķ": 106882, "é£İæ°´": 106883, "ä½Ĩä¹Ł": 106884, "æݨåĩºäºĨ": 106885, "æ°ijèIJ¥ä¼ģä¸ļ": 106886, "çłģ头": 106887, "å¤įæĿĤçļĦ": 106888, "ç»ĦæĪIJéĥ¨åĪĨ": 106889, "åħħ满äºĨ": 106890, "è¿ijåĩłå¹´": 106891, "çľģæĶ¿åºľ": 106892, "æľīå¿ħè¦ģ": 106893, "éĻ³": 106894, "ä¹ĭç±»": 106895, "ä¹ĭç±»çļĦ": 106896, "æĢ§ä»·": 106897, "æĢ§ä»·æ¯Ķ": 106898, "åķĨåºĹ": 106899, "å¸ĤåĢ¼": 106900, "人æīįåŁ¹åħ»": 106901, "æ·±åıĹ": 106902, "管çIJĨå±Ģ": 106903, "æģIJæĥ§": 106904, "ä»ħæľī": 106905, "æĬµè¾¾": 106906, "æµ·åħ³": 106907, "èµĭäºĪ": 106908, "äºĭåĦ¿": 106909, "ä»·éĴ±": 106910, "æīĭä¸Ĭ": 106911, "èĩªå¾ĭ": 106912, "åħ³çĪ±": 106913, "享æľī": 106914, "éģĹæĨ¾": 106915, "å¾Īå¿«å°±": 106916, "æĽ´å¿«": 106917, "æłĩè¯Ĩ": 106918, "åºĨç¥Ŀ": 106919, "ä¹Łå¥½": 106920, "ä¸įæĺĵ": 106921, "æĪijå¾Ī": 106922, "æĶ¹éĿ©åıijå±ķ": 106923, "å¤ĸåľ°": 106924, "æĬµæĬ¼": 106925, "è¯Ĺ人": 106926, "åİķæīĢ": 106927, "æĸ°åªĴä½ĵ": 106928, "èĸĽ": 106929, "è°Īè¯Ŀ": 106930, "ä¸Ģå®ļç¨ĭ度": 106931, "èµ°åľ¨": 106932, "æľĢ强": 106933, "åĬŁçİĩ": 106934, "åħ±è¯Ĩ": 106935, "大桥": 106936, "ä¸ĭæĸ¹": 106937, "å¤ĸèµĦ": 106938, "碱": 106939, "å·¡è§Ĩ": 106940, "æ¹ĸåĮĹçľģ": 106941, "个çĻ¾åĪĨ": 106942, "个çĻ¾åĪĨçĤ¹": 106943, "çļĦ责任": 106944, "çļĦåĵģçīĮ": 106945, "åĬ©æݨ": 106946, "åĪĽéĢłäºĨ": 106947, "ä»»èģĮ": 106948, "å¿«æį·": 106949, "æĿijåºĦ": 106950, "åİ»çľĭ": 106951, "æīįèĥ½å¤Ł": 106952, "層": 106953, "æĪij家": 106954, "æĺ¯ä¸Ģ款": 106955, "ç¾ħ": 106956, "åĨ°éĽª": 106957, "æŀģ大": 106958, "çģ¯åħī": 106959, "éĨĭ": 106960, "ä¸İåħ¶ä»ĸ": 106961, "æıIJåĩºçļĦ": 106962, "éĿłè¿ij": 106963, "è°ĥåĬ¨": 106964, "å°½åı¯èĥ½": 106965, "åıijåĬĽ": 106966, "ç»Ļ她": 106967, "éĢĤéĩı": 106968, "è·¨åĽ½": 106969, "åħĪè¡Į": 106970, "æĸ°æĿIJæĸĻ": 106971, "ä½ľäºĨ": 106972, "满äºĨ": 106973, "ä¸į满": 106974, "çļĦçľ¼çĿĽ": 106975, "çľĭå¾Ĺ": 106976, "è¿Ļä¸Ģ次": 106977, "é½IJåħ¨": 106978, "çļĦä¸Ģéĥ¨åĪĨ": 106979, "ä¸Ļ": 106980, "æ¸ħæĸ°": 106981, "說æĺİ": 106982, "身边çļĦ": 106983, "æīĢæľī人": 106984, "å½°æĺ¾": 106985, "è±¹": 106986, "åį¿": 106987, "è¿IJ转": 106988, "æĮĩå¼ķ": 106989, "å¸Ĥåħ¬å®īå±Ģ": 106990, "åıĤå±ķ": 106991, "ä¹ĭæŶ": 106992, "éĩijèŀįæľįåĬ¡": 106993, "èµĦæľ¬å¸Ĥåľº": 106994, "èĥ½è®©": 106995, "å¿ĺäºĨ": 106996, "天åłĤ": 106997, "æ¯Ķå¦Ĥ说": 106998, "éĬĢè¡Į": 106999, "èĽĭç³ķ": 107000, "çĶ©": 107001, "æł¸å®ŀ": 107002, "æĻ®äº¬": 107003, "ä¼ĺç¾İ": 107004, "åı£èħĶ": 107005, "漫çĶ»": 107006, "çľ¼éĩĮ": 107007, "äºĨä¸ĭæĿ¥": 107008, "æĪijä»¬ä¹Ł": 107009, "ä¾į": 107010, "为ä¸Ńå¿ĥ": 107011, "å¥ĩ迹": 107012, "éĿĴçĿIJ": 107013, "æĪªèĩ³çĽ®åīį": 107014, "åĩºä¾Ĩ": 107015, "æĢ»åħ¬åı¸": 107016, "弥补": 107017, "ç®Ĺæ³ķ": 107018, "å·¥ä½ľå®¤": 107019, "æīĢ以æĪij": 107020, "æ°´åĪĨ": 107021, "æīĢå±ŀ": 107022, "ä¸į说": 107023, "ä½Ĩæĺ¯åľ¨": 107024, "è¦ģåİ»": 107025, "åĪĽä¸ļèĢħ": 107026, "ä¸įæ¸ħæ¥ļ": 107027, "åĽĽåij¨": 107028, "æĺ¯ä»İ": 107029, "çļĦæł¹æľ¬": 107030, "çģ¶": 107031, "æ¯Ľæ³½": 107032, "æ¯Ľæ³½ä¸ľ": 107033, "æµ·åı£": 107034, "åĽĽåįģ": 107035, "ä¹Łè¢«": 107036, "èģ·": 107037, "ä¸Ģæīĭ": 107038, "绩æķĪ": 107039, "çļĦçĶ·äºº": 107040, "书ç±į": 107041, "ä¸ĢèĦ¸": 107042, "大äºİ": 107043, "鼶éĥ¨ä»¶": 107044, "åħ³æĢĢ": 107045, "平米": 107046, "æļ´éľ²": 107047, "å¾Ĺå¤ļ": 107048, "ä¸ī级": 107049, "æľ¬åij¨": 107050, "两èĢħ": 107051, "对ä¸ŃåĽ½": 107052, "åıªè§ģ": 107053, "欧ç¾İ": 107054, "å¦Ĥæŀľæľī": 107055, "å·²ç»ıæĺ¯": 107056, "çľĭå®Į": 107057, "çģ«éĶħ": 107058, "èµIJ": 107059, "ä¸Ģéģį": 107060, "æĦŁåĨĴ": 107061, "ç»ĵå±Ģ": 107062, "ä»ĵåĤ¨": 107063, "å®ŀåľ°": 107064, "åī¯æĢ»ç»ıçIJĨ": 107065, "ä¹Łä¸įçŁ¥éģĵ": 107066, "碰åĪ°": 107067, "åIJĪ计": 107068, "客æĪ·çļĦ": 107069, "ç½Ĺ马": 107070, "æĦīå¿«": 107071, "é£Ľ": 107072, "çĥŃçĥĪ": 107073, "伦æķ¦": 107074, "åĮ»ä¿Ŀ": 107075, "éĺ¿éĩĮå·´å·´": 107076, "åĨį说": 107077, "ä¸ºåŁºç¡Ģ": 107078, "çĶŁäº§ç»ıèIJ¥": 107079, "è¿ĻäºĽäºº": 107080, "åĪĹ车": 107081, "æ²³åĮĹçľģ": 107082, "è¿Ļ段": 107083, "æ´»åĬ¨ä¸Ń": 107084, "å©·": 107085, "çĶŁçIJĨ": 107086, "ä¸ŃåĽ½äººæ°ij": 107087, "éĦĤ": 107088, "åIJ¬åıĸ": 107089, "å¤įä¹ł": 107090, "æľīçĽĬ": 107091, "æĶ¶æĭ¾": 107092, "å¾Īåı¯èĥ½": 107093, "ç½ijç»ľæ¸¸æĪı": 107094, "们çļĦ": 107095, "èµĭèĥ½": 107096, "éļ¾å¾Ĺ": 107097, "åĪĨæīĭ": 107098, "羣è¯ļ": 107099, "åħ¬åı¸åľ¨": 107100, "åĿĩè¡¡": 107101, "åı£åij³": 107102, "çīµå¤´": 107103, "ä¸ĢèĪ¬çļĦ": 107104, "轿车": 107105, "çŃīäºİ": 107106, "æ²īé»ĺ": 107107, "æĪijéĥ½": 107108, "å°ıç¨ĭåºı": 107109, "ä¸Ģåī¯": 107110, "æī¿è½½": 107111, "åľ°è´¨": 107112, "çķĮéĿ¢": 107113, "çĶµæľº": 107114, "çĦ¦èĻij": 107115, "éĶĢåĶ®é¢Ŀ": 107116, "æĸ°è½¦": 107117, "ä¸Ĭ游": 107118, "主æ¼Ķ": 107119, "éļIJç§ģ": 107120, "åıijå±ķæĪĺçķ¥": 107121, "çļĦåĬªåĬĽ": 107122, "å¼Ģåħ³": 107123, "解åĨ³éĹ®é¢ĺ": 107124, "çĿ£å¯¼": 107125, "对æĬĹ": 107126, "å¾Īå¤ļ人éĥ½": 107127, "æĹłæķĪ": 107128, "产åĵģè´¨éĩı": 107129, "å®īå¿ĥ": 107130, "åįİ人": 107131, "ä¸į符åIJĪ": 107132, "èĩªå®¶": 107133, "éĺµå®¹": 107134, "çļĦåIJĦç§į": 107135, "çļĦçIJĨ念": 107136, "çļĦæĸĩåĮĸ": 107137, "为èĩªå·±": 107138, "山水": 107139, "游泳": 107140, "éľĩèį¡": 107141, "çĶŁæ´»æĸ¹å¼ı": 107142, "è¿ľç¦»": 107143, "çŁ³åĮĸ": 107144, "æѤäºĭ": 107145, "æĺ¯çľŁçļĦ": 107146, "çļĦæ¯Ķä¾ĭ": 107147, "çĶ¨çĶµ": 107148, "奥è¿IJä¼ļ": 107149, "ä¿Ŀå®ī": 107150, "èĽĭçĻ½è´¨": 107151, "çļĦå¿ĥçIJĨ": 107152, "å·«": 107153, "åı·çłģ": 107154, "æ°Ķä½ĵ": 107155, "åıijæĶ¹": 107156, "åıijæĶ¹å§Ķ": 107157, "åĮ»å¸Ī": 107158, "æ¶ĤæĸĻ": 107159, "æĺĬ": 107160, "å¸Ĥ级": 107161, "ä¸ĸçķĮçļĦ": 107162, "åĪĨåĪ«æĺ¯": 107163, "çł´äº§": 107164, "ä¸ĢæĿ¯": 107165, "æĭīå¼Ģ": 107166, "å¹³åĩ¡": 107167, "çļĦåıijçĶŁ": 107168, "åĬ¨æīĭ": 107169, "ä¸ĢçĽ´ä»¥æĿ¥": 107170, "æīĭå·¥": 107171, "éĩĮéĿ¢çļĦ": 107172, "æĹłåħ³": 107173, "ä»ĭåħ¥": 107174, "èµ°ä¸Ĭ": 107175, "å°±æĺ¯è¦ģ": 107176, "å¹´éĹ´": 107177, "åĩºçı¾": 107178, "å½±éŁ¿": 107179, "å¹ħ度": 107180, "éĽģ": 107181, "éģĵåħ·": 107182, "缮çļĦåľ°": 107183, "åIJİèĢħ": 107184, "ä¸Ĭæ¼Ķ": 107185, "äºĨåĩł": 107186, "æ®ĭçĸ¾äºº": 107187, "å¿Ļç¢Į": 107188, "æĺ¯åIJ¦æľī": 107189, "并对": 107190, "ä¼ļ导èĩ´": 107191, "æ°´åºĵ": 107192, "ç»Ĩèĩ´": 107193, "åIJİæĤĶ": 107194, "å¿ĥæĢĿ": 107195, "åģļäºĭ": 107196, "åİĤæĪ¿": 107197, "çĿ¿": 107198, "è¿IJèIJ¥åķĨ": 107199, "头éĥ¨": 107200, "çļĦè§Ĵèī²": 107201, "æĺ¯ä»ĸ": 107202, "æĹ¢æľī": 107203, "å°ıæŶåĢĻ": 107204, "强åĬ²": 107205, "主æĴŃ": 107206, "åħ¨åĽ½åIJĦåľ°": 107207, "æįı": 107208, "æįŁåĿı": 107209, "åķĨä¼ļ": 107210, "ä¿Ŀç½Ĺ": 107211, "çľģå¸Ĥ": 107212, "éļ§éģĵ": 107213, "æľīä¸įå°ij": 107214, "è¦ģåľ¨": 107215, "å»ºè®¾é¡¹çĽ®": 107216, "ç³ĸå°¿": 107217, "ç³ĸå°¿çĹħ": 107218, "æĿ¡ä»¶ä¸ĭ": 107219, "ä¼ĺè´¨çļĦ": 107220, "é¦ĸåıij": 107221, "å½ĵæŶçļĦ": 107222, "丰çĶ°": 107223, "大çĽĺ": 107224, "缸继": 107225, "å®ģå¤ı": 107226, "åħ¥ä½ı": 107227, "æĪijè¿ĺ": 107228, "åħĭæĸ¯": 107229, "å®ļä»·": 107230, "å¹³æĸ¹åħ¬éĩĮ": 107231, "çļĦçŁ¥è¯Ĩ": 107232, "æĪij们ä¼ļ": 107233, "åħĥå®Ŀ": 107234, "ä½ĵéĩį": 107235, "è³£": 107236, "对æĪij们": 107237, "çŁ³å®¶": 107238, "çŁ³å®¶åºĦ": 107239, "ç²¾åįİ": 107240, "å½¢çĬ¶": 107241, "åıĹåĪ°äºĨ": 107242, "修订": 107243, "ç¾İåľĭ": 107244, "é«ĺæ¸ħ": 107245, "çľ¼éķľ": 107246, "è§īå¾Ĺèĩªå·±": 107247, "带ç»Ļ": 107248, "åĶ®ä»·": 107249, "éĹ¨ç¥¨": 107250, "åŃķå¦ĩ": 107251, "çĶµè§Ĩåı°": 107252, "åıijä½ľ": 107253, "çļĦåij³éģĵ": 107254, "éķ¿è¿ľ": 107255, "åħ¬åħ±æľįåĬ¡": 107256, "æŃ£å¸¸çļĦ": 107257, "æľīè¿ĩ": 107258, "é£İæĥħ": 107259, "æ¯Ķéĩį": 107260, "åIJ»": 107261, "管çIJĨå·¥ä½ľ": 107262, "综åIJĪæĢ§": 107263, "已被": 107264, "说起": 107265, "æİĴæ°´": 107266, "ä¸įæĸŃåľ°": 107267, "æĥħæĢĢ": 107268, "è¾ĵéĢģ": 107269, "è¿ĩæķı": 107270, "çļĦåı¯èĥ½æĢ§": 107271, "æľįçĶ¨": 107272, "æľī许å¤ļ": 107273, "å§Ķåī¯ä¹¦è®°": 107274, "åĮĸå¦Ĩåĵģ": 107275, "æļĤåģľ": 107276, "æĬķèµĦ人": 107277, "çıŃ级": 107278, "说çĿĢ": 107279, "åįĹåĮĹ": 107280, "åĪĨè¡Į": 107281, "çıłå®Ŀ": 107282, "寶": 107283, "å¢ŀå¤ļ": 107284, "被åĬ¨": 107285, "çī¹æ®ĬçļĦ": 107286, "éĹľä¿Ĥ": 107287, "çļĦèĦ¸": 107288, "æĥŁ": 107289, "ä¸įä¸Ģå®ļ": 107290, "ç¶Ń": 107291, "çģ«çĪĨ": 107292, "秣éĩij": 107293, "çŀ§": 107294, "éĩį建": 107295, "è·ª": 107296, "ä¸Ģ種": 107297, "çļĦåIJĪä½ľ": 107298, "å®īæħ°": 107299, "ä»įæĺ¯": 107300, "ä¸ĵä¸ļåĮĸ": 107301, "è°ĥ解": 107302, "ä¸į妨": 107303, "éĢĻæĺ¯": 107304, "å¿ħéłĪ": 107305, "ä¼ĬæľĹ": 107306, "å¾ĹäºĨ": 107307, "æľįåĬ¡å¹³åı°": 107308, "姬": 107309, "åħĪéĶĭ": 107310, "çİĭåŃIJ": 107311, "çļĦä¸ĢåĪĩ": 107312, "æĢ»çIJĨ": 107313, "åĵ¼": 107314, "çªij": 107315, "çļĦå¿ĥæĥħ": 107316, "çļĦéĩį大": 107317, "çijŁ": 107318, "ä¸Ģç¬ij": 107319, "åıijå±ķä¸Ń": 107320, "åģ¥åº·åıijå±ķ": 107321, "åĵģçīĮçļĦ": 107322, "禮": 107323, "ä½Ļ人": 107324, "ä»Ĭ年以æĿ¥": 107325, "æķ°çłģ": 107326, "çŃ¾è¯ģ": 107327, "åİ»æī¾": 107328, "åŁºéĩijä¼ļ": 107329, "æĬ±æĢ¨": 107330, "æŃ£å½ĵ": 107331, "çıŃåŃIJæĪIJåijĺ": 107332, "ä¸įåIJĪæł¼": 107333, "åĪ¶å®ļäºĨ": 107334, "ç¼ĵæħ¢": 107335, "åĪ¶çº¦": 107336, "æłı缮": 107337, "å¸Ĥåľºç»ıæµİ": 107338, "ç»ĦæĪIJçļĦ": 107339, "严峻": 107340, "æĹ¥è®¯": 107341, "ä¸ĢçĤ¹çĤ¹": 107342, "æĺ¯æĢİä¹Ī": 107343, "çļĦçħ§çīĩ": 107344, "éĺ»æŃ¢": 107345, "模ç³Ĭ": 107346, "缸": 107347, "éģķåıį": 107348, "æIJ¬è¿ģ": 107349, "éĩijéĴ±": 107350, "彬": 107351, "ä¸įå®ī": 107352, "æĪĺçķ¥åIJĪä½ľ": 107353, "å¡«åĨĻ": 107354, "讲究": 107355, "åħħåĪĨåĪ©çĶ¨": 107356, "èĥ½å¤ł": 107357, "èij¡èIJĦéħĴ": 107358, "éĩĩçĶ¨äºĨ": 107359, "åľ¨ä»Ĭå¹´": 107360, "ä¸Ńå°ıåѦ": 107361, "åľ¨æĦı": 107362, "çļĦåİĭåĬĽ": 107363, "ä¸į幸": 107364, "åĪ¶èį¯": 107365, "åı¯ä»¥è®©": 107366, "被è¯Ħ为": 107367, "ç»ĨèıĮ": 107368, "æĪıåī§": 107369, "åįĬ导": 107370, "åįĬ导ä½ĵ": 107371, "è§Ĩè§Ĵ": 107372, "åĸľæŃ¡": 107373, "å¾ģæĶ¶": 107374, "è°ĭåĪĴ": 107375, "æŀģ大çļĦ": 107376, "çĤ¹èµŀ": 107377, "è®°èĢħä»İ": 107378, "两åIJį": 107379, "èĩªåĬ©": 107380, "èµ·æŃ¥": 107381, "æĬ¤å£«": 107382, "å®Ŀ马": 107383, "太åŃIJ": 107384, "å°ıå°ıçļĦ": 107385, "温æ³ī": 107386, "åĩºç§Łè½¦": 107387, "秣æĪ¿": 107388, "两家": 107389, "éľĩæĴ¼": 107390, "ç§īæī¿": 107391, "ä¸Ģ件äºĭ": 107392, "çĥĪ士": 107393, "å®ĺåħµ": 107394, "转身": 107395, "ä¹IJåĽŃ": 107396, "çĻĮçĹĩ": 107397, "模èĮĥ": 107398, "æĦ£": 107399, "è¿ĩåİ»çļĦ": 107400, "代价": 107401, "çļĦæ¦Ĥ念": 107402, "åĩłçĻ¾": 107403, "è´µéĺ³": 107404, "æĭħ忧": 107405, "éĢĤå®ľ": 107406, "çݯå¢ĥä¿ĿæĬ¤": 107407, "çĥ«": 107408, "ä½łæĥ³": 107409, "æѤåIJİ": 107410, "ä½łä¹Ł": 107411, "çįİ": 107412, "éĻ¤æѤ": 107413, "éĻ¤æѤä¹ĭå¤ĸ": 107414, "è°ĥ度": 107415, "ç§ij缮": 107416, "æīĢ说çļĦ": 107417, "åĬĩ": 107418, "忽è§Ĩ": 107419, "ä¸ī次": 107420, "ä¸ĢæĹ¥": 107421, "åŀĤ缴": 107422, "ç«ŀæĬĢ": 107423, "éĿ¢åĮħ": 107424, "大æĪĺ": 107425, "æIJºå¸¦": 107426, "å¦Ĥæŀľæ²¡æľī": 107427, "åħ»æĪIJ": 107428, "åĩºè¡Ģ": 107429, "çĪ±å¥½èĢħ": 107430, "æīĵéĢļ": 107431, "èµ·è¯ī": 107432, "åijĪçİ°åĩº": 107433, "æŃĮæīĭ": 107434, "åľ¨å¤ĸ": 107435, "é¢Ĩ导干éĥ¨": 107436, "åĨ¥": 107437, "èĪĨ论": 107438, "æıIJåıĸ": 107439, "éĺ¿å°Ķ": 107440, "æľĽçĿĢ": 107441, "ä¸īäºļ": 107442, "財": 107443, "åĪ·æĸ°": 107444, "æĻļæĬ¥": 107445, "è¿ĺæľīä¸Ģ个": 107446, "åĨ°ç®±": 107447, "ç½ijçĤ¹": 107448, "åĩºåħ·": 107449, "强çĥĪçļĦ": 107450, "æĪijçĽ¸ä¿¡": 107451, "å¸ĮæľĽèĥ½": 107452, "çīĻ齿": 107453, "äºĭå®ľ": 107454, "ä¸ļåĨħ人士": 107455, "ä»£æĽ¿": 107456, "åıĺå½¢": 107457, "éĽ²": 107458, "è°ĥæݧ": 107459, "åĪĽæĸ°åĪĽä¸ļ": 107460, "æĭĨè¿ģ": 107461, "æł¸æŁ¥": 107462, "éĢĹ": 107463, "åħ¥åѦ": 107464, "æĦıåIJij": 107465, "æıĽ": 107466, "ä¸ĭ次": 107467, "ä¼łè¾ĵ": 107468, "ä»ĸä»¬åľ¨": 107469, "èĢĮä¸Ķè¿ĺ": 107470, "æĹ¥åľ¨": 107471, "æķĻè®Ń": 107472, "æ´»çĿĢ": 107473, "çļĦæľīæķĪ": 107474, "å¤įå·¥å¤į": 107475, "å¤įå·¥å¤į产": 107476, "æĺ¯ä¸Ģ件": 107477, "çŃīçĿĢ": 107478, "復": 107479, "åĭĩæķ¢": 107480, "éģŃåıĹ": 107481, "å¥Ķé©°": 107482, "讲座": 107483, "说å®Į": 107484, "ç»Ļåĩº": 107485, "è°¦": 107486, "è¯ĬçĸĹ": 107487, "çĽ²çĽ®": 107488, "客è¿IJ": 107489, "å°±è¿ŀ": 107490, "å¼Ģåħĥ": 107491, "å¼Ģåħĥæ£ĭçīĮ": 107492, "ä¸įæĸŃæıIJåįĩ": 107493, "çĶ¨æĪ·çļĦ": 107494, "æĴķ": 107495, "ä¾Ľæ°´": 107496, "ç¶ĵæ¿Ł": 107497, "ä¸ŃåĮ»èį¯": 107498, "èģĶæĥ³": 107499, "åħ¬äº¤è½¦": 107500, "èĪªçıŃ": 107501, "æĬĢè¡ĵ": 107502, "å¼ķèµ·çļĦ": 107503, "å°¹": 107504, "èµĦæ·±": 107505, "åĽ½èµĦå§Ķ": 107506, "èĺŃ": 107507, "é¼»åŃIJ": 107508, "éĹ½": 107509, "æİĴéĺŁ": 107510, "è§Ĥåħī": 107511, "éģĹåĿĢ": 107512, "ä¸ľäº¬": 107513, "é¥ŃåºĹ": 107514, "ä¸įæĸŃçļĦ": 107515, "å°±æĺ¯ä¸Ģ个": 107516, "éķ¿ä¹ħ": 107517, "çļĦè§ĤçĤ¹": 107518, "娶": 107519, "æĪijçİ°åľ¨": 107520, "çķ°": 107521, "å¾Ĺåĩº": 107522, "å¿ħå®ļ": 107523, "ä¸įåıĹ": 107524, "åıªéľĢè¦ģ": 107525, "åĽ°æī°": 107526, "ç§ijåѦæĬĢæľ¯": 107527, "çīĽèĤī": 107528, "è¾ĥé«ĺçļĦ": 107529, "è·ijæŃ¥": 107530, "æ²¾": 107531, "èı©èIJ¨": 107532, "æľĢå¾Į": 107533, "ä¿Ŀå¯Ĩ": 107534, "æ²»å®ī": 107535, "éĤ±": 107536, "常è¯Ĩ": 107537, "èĦ¸èī²": 107538, "åĮĹ大": 107539, "æ±ĩèģļ": 107540, "æijĨèĦ±": 107541, "é¾Ļ头ä¼ģä¸ļ": 107542, "女åıĭ": 107543, "çŃīå·¥ä½ľ": 107544, "ä¸Ńç¾İ": 107545, "èģĮåľº": 107546, "èĦijè¢ĭ": 107547, "åĨĻçļĦ": 107548, "饲æĸĻ": 107549, "åĬ³åĬ¨åĬĽ": 107550, "屯": 107551, "æĮģèĤ¡": 107552, "åĽ¾åĥı": 107553, "è¿ĩåİ»äºĨ": 107554, "貨": 107555, "è¾²": 107556, "éĹ®æĪij": 107557, "è·Łä½ł": 107558, "çĶŁæŃ»": 107559, "审ç¾İ": 107560, "é¢Ĺç²Ĵ": 107561, "ä¸Ńæĸ¹": 107562, "åĬłçĥŃ": 107563, "æĹħè¡Į社": 107564, "çĻ¼çĶŁ": 107565, "ä¸įåłª": 107566, "åĤ·": 107567, "æ¥ł": 107568, "åĬŀæ¡Ī": 107569, "æŁĦ": 107570, "æĹ¢æĺ¯": 107571, "å¤ĦåĪĨ": 107572, "羣å®ŀçļĦ": 107573, "æĬ¥çº¸": 107574, "å¸ĪçĪ¶": 107575, "å®īå¾½çľģ": 107576, "åī¯ä¸»å¸Ń": 107577, "ä¹ĭéģĵ": 107578, "导弹": 107579, "åŃ¦æł¡çļĦ": 107580, "åŁİå¸ĤçļĦ": 107581, "è°ĪåĪ°": 107582, "æ¢Ĺ": 107583, "å¹³éĿ¢": 107584, "说ä»Ģä¹Ī": 107585, "é¢ijçİĩ": 107586, "éķ¿ä¸īè§Ĵ": 107587, "çļĦåĪ©çĽĬ": 107588, "黨": 107589, "è±ĨèħIJ": 107590, "å®ŀéĻħæĥħåĨµ": 107591, "æŀĹä¸ļ": 107592, "纪æ£ĢçĽijå¯Ł": 107593, "ä½ıéĻ¢": 107594, "çļĦæķ´ä½ĵ": 107595, "åīįè¡Į": 107596, "æĮ¨": 107597, "çħ¤çŁ¿": 107598, "åī¯æĢ»è£ģ": 107599, "å°ıåIJĥ": 107600, "æŀģ端": 107601, "å©Ĩå©Ĩ": 107602, "çİ°è´§": 107603, "è¯ĹæŃĮ": 107604, "éĴ¥åĮĻ": 107605, "缩çŁŃ": 107606, "ä½Ĩè¿Ļ": 107607, "æĸ°åĵģ": 107608, "è¿Ļ对": 107609, "çŁ¥åIJį度": 107610, "å¿ĹæĦ¿æľįåĬ¡": 107611, "大å±Ģ": 107612, "è¡¡éĩı": 107613, "ä½ĵçİ°äºĨ": 107614, "æ¡ĥèĬ±": 107615, "åIJ¸å¼ķåĬĽ": 107616, "åł¤": 107617, "æĵħéķ¿": 107618, "åĴĴ": 107619, "çĽ¸æľº": 107620, "ä¸Ģç«Ļ": 107621, "ä¸Ģç«Ļå¼ı": 107622, "æľĢç¾İ": 107623, "æ°¸ä¹ħ": 107624, "çļĦéĥ¨åĪĨ": 107625, "åĪĨå·¥": 107626, "å·¥ç¨ĭ建设": 107627, "æIJŃè½½": 107628, "æ°´ä¸Ń": 107629, "èĮ¨": 107630, "çļĦæĵįä½ľ": 107631, "ç»Łæ²»": 107632, "çķħéĢļ": 107633, "åħļçļĦåįģ": 107634, "輸": 107635, "測": 107636, "ç¾İè§Ĥ": 107637, "ä¸įåĪ©": 107638, "åıįæĢĿ": 107639, "éªĦåĤ²": 107640, "æłĩçļĦ": 107641, "æĿĢ人": 107642, "éĺ¿å§¨": 107643, "é£ŁæĿIJ": 107644, "åIJĥçļĦ": 107645, "åIJİåĨį": 107646, "çŁ£": 107647, "两侧": 107648, "æ¸ħæ°´": 107649, "è¿ĽçIJĥ": 107650, "å¼Ģå§ĭäºĨ": 107651, "åIJ¬äºĨ": 107652, "çĦĬæİ¥": 107653, "磮": 107654, "å¨Ł": 107655, "为人": 107656, "éĢģç»Ļ": 107657, "åĨĴéĻ©": 107658, "æķ·": 107659, "ç»ĪæŃ¢": 107660, "æīįçŁ¥éģĵ": 107661, "è¿IJæ°Ķ": 107662, "éĢļé£İ": 107663, "æĥĬ讶": 107664, "ç§ijåѦéĻ¢": 107665, "æıIJéĹ®": 107666, "太åİŁ": 107667, "缸åIJĮçļĦ": 107668, "ä»ķ": 107669, "èģĸ": 107670, "æĥħæ³ģ": 107671, "é¢Ĩ导人": 107672, "åĩºæĿ¥äºĨ": 107673, "沿线": 107674, "éĻ½": 107675, "æĦŁè¦º": 107676, "ä»įåľ¨": 107677, "æ©Ļ": 107678, "约为": 107679, "åĸĿéħĴ": 107680, "çĶ¨èį¯": 107681, "ä¸ĭä¸Ģ": 107682, "æ³ķå®ĺ": 107683, "顺åºı": 107684, "åģļä¸Ģ个": 107685, "åĭ¢": 107686, "æŃª": 107687, "çĶµç«ŀ": 107688, "ä¼´éļıçĿĢ": 107689, "ä¹ĭåĬĽ": 107690, "ä¹ĭ人": 107691, "äºij计ç®Ĺ": 107692, "åĪ«äººçļĦ": 107693, "ç§ijåѦåıijå±ķ": 107694, "第åħ«": 107695, "å¹²æī°": 107696, "女ç¥ŀ": 107697, "è¿Ļæł·åģļ": 107698, "å¤Ħåľ¨": 107699, "æ°´è´¨": 107700, "éķ¿æĺ¥": 107701, "å¸ĤåľºéľĢæ±Ĥ": 107702, "ç»´æĿĥ": 107703, "èĢ³æľµ": 107704, "æĸĩåĮĸçļĦ": 107705, "奶ç²ī": 107706, "ä¼łè¾¾": 107707, "æīĭæľºçīĪ": 107708, "æĽ¾åľ¨": 107709, "äºĮæľŁ": 107710, "åİŁåĽłæĺ¯": 107711, "æºIJ头": 107712, "åıĪèĥ½": 107713, "裸": 107714, "æĬĢæľ¯åĪĽæĸ°": 107715, "æĸĩåĮĸæĹħ游": 107716, "åıij票": 107717, "年级": 107718, "ä½łä¸į": 107719, "ä¹ĭå¿ĥ": 107720, "æķ°çĻ¾": 107721, "åIJijå¾Ģ": 107722, "èĢģ家": 107723, "åľĭéļĽ": 107724, "çļĦé«ĺ度": 107725, "æľĿéĺ³": 107726, "æ¸ħéĻ¤": 107727, "èĩªæľī": 107728, "书ä¸Ń": 107729, "游æĪıè£ħå¤ĩ": 107730, "ä¸ĩå¤ļ": 107731, "驾驶åijĺ": 107732, "ä½łçŁ¥éģĵ": 107733, "åĽ½åºĨ": 107734, "é£ŁåłĤ": 107735, "æİ¥åı£": 107736, "æĢ»æķ°": 107737, "åħ¶ä»ĸçļĦ": 107738, "çĶŁåij½çļĦ": 107739, "ä½łåľ¨": 107740, "çļĦ缮åħī": 107741, "è¿Ļæĸ¹éĿ¢": 107742, "éĥ½è¯´": 107743, "çĸĹæ³ķ": 107744, "åĭĩ士": 107745, "åľ¨åħ¨çIJĥ": 107746, "ä¿ĿéĻ©åħ¬åı¸": 107747, "çĿ£æŁ¥": 107748, "åĸĦèī¯": 107749, "表彰": 107750, "è¹²": 107751, "路段": 107752, "æľĥåĵ¡è¦ı": 107753, "æľĥåĵ¡è¦ıç¯Ħ": 107754, "æĪ·åŀĭ": 107755, "ä¿ĥ使": 107756, "修建": 107757, "é«ĺæ°´å¹³": 107758, "åģļåĩºäºĨ": 107759, "ä¸»åľº": 107760, "è¡Įèµ°": 107761, "空çĻ½": 107762, "æľī人说": 107763, "è¿Ļ个ä¸ĸçķĮ": 107764, "åIJįä¹ī": 107765, "å®Įç¾İçļĦ": 107766, "羡æħķ": 107767, "åıĬåħ¶ä»ĸ": 107768, "åı¯çĶ¨": 107769, "æĭIJ": 107770, "è¾ĥ大çļĦ": 107771, "æĬĢæľ¯åĴĮ": 107772, "å°¼äºļ": 107773, "çĻ¾è´§": 107774, "æıī": 107775, "éĢīè´Ń": 107776, "éĺŁåıĭ": 107777, "ä¼łæĦŁ": 107778, "ä¼łæĦŁåĻ¨": 107779, "åıªè¦ģä½ł": 107780, "为ä»Ģä¹Īè¦ģ": 107781, "ä¸ĵ注äºİ": 107782, "ä½Ļé¢Ŀ": 107783, "åħ¸åŀĭçļĦ": 107784, "缮åīįå·²": 107785, "æ¬²æľĽ": 107786, "èģĶ绾": 107787, "æµģä¼ł": 107788, "çļĦ家åºŃ": 107789, "åı·åı¬": 107790, "çıįè´µ": 107791, "ä¼Łå¤§çļĦ": 107792, "éī´äºİ": 107793, "è·Łä»ĸ": 107794, "产çī©": 107795, "ä¸įå·²": 107796, "è¿Ŀæ³ķè¡Į为": 107797, "头ä¸Ĭ": 107798, "åĪĨ解": 107799, "åı¯ä»¥çľĭåĩº": 107800, "æł¡åĮº": 107801, "åŃĹä½ĵ": 107802, "ä¿®çĤ¼": 107803, "çĶļèĩ³æĺ¯": 107804, "微信åħ¬ä¼Ĺ": 107805, "åıĸ代": 107806, "èIJ¥ä¸ļæĶ¶åħ¥": 107807, "æ½įåĿĬ": 107808, "ä½łèĥ½": 107809, "社ä¼ļä¿Ŀéļľ": 107810, "æ¯ĶèµĽä¸Ń": 107811, "污水å¤ĦçIJĨ": 107812, "夫å¦ĩ": 107813, "ä¸Ģå¹ħ": 107814, "沿海": 107815, "åı£æĦŁ": 107816, "ä½Ĩåį´": 107817, "å½ĵæĹ¥": 107818, "çļĦæľĢ大": 107819, "æ¯ıä¸Ģä½į": 107820, "没äºĭ": 107821, "çī¹åĪ¥": 107822, "å¼ĢåѦ": 107823, "è·¯éĿ¢": 107824, "å¿ĥçIJĨåѦ": 107825, "æĶ¾ç½®": 107826, "éĩįåºĨå¸Ĥ": 107827, "ä½łèĩªå·±": 107828, "æ¶Īè´¹èĢħçļĦ": 107829, "ä¸Ģæ³¢": 107830, "èѦæĥķ": 107831, "åį§å®¤": 107832, "注å°Ħ": 107833, "é£İ鼨": 107834, "沿çĿĢ": 107835, "åijĬ訴": 107836, "表çİ°åĩº": 107837, "åĽĽæĺ¯": 107838, "åı¤åħ¸": 107839, "æĽ´éĩįè¦ģçļĦ": 107840, "好äºĭ": 107841, "çľ¼æ³ª": 107842, "æ¨ĵ": 107843, "审åĪ¤": 107844, "碰æĴŀ": 107845, "车ç«Ļ": 107846, "è¿Ľåħ¥äºĨ": 107847, "éĽĨåIJĪ": 107848, "æł¼å¤ĸ": 107849, "宾é¦Ĩ": 107850, "æĶ¯ä»ĺå®Ŀ": 107851, "她æĺ¯": 107852, "æĺ¯å¦Ĥä½ķ": 107853, "人次": 107854, "çļĦæĪIJåĬŁ": 107855, "æĹłåĬĽ": 107856, "æµ·æĭĶ": 107857, "æĺ¥åŃ£": 107858, "éĥ½ä¸įä¼ļ": 107859, "çŃīå¤ļç§į": 107860, "ä¸Ģ个å°ı": 107861, "åģľè½¦åľº": 107862, "è®©æĽ´å¤ļ": 107863, "è¿ĻçĤ¹": 107864, "æĪIJåĵģ": 107865, "éĴī": 107866, "éģĩè§ģ": 107867, "çıŃ主任": 107868, "æĦıæĦ¿": 107869, "çļĦåIJĮåѦ": 107870, "游è§Ī": 107871, "åİĭ缩": 107872, "åľ¨ä¼łå¥ĩ": 107873, "å¼¹æĢ§": 107874, "æĹ¥åĨħ": 107875, "ç¦ı建çľģ": 107876, "è§ĴèIJ½": 107877, "åĪĨå¼Ģ": 107878, "ä¼ļ让": 107879, "å¤ĸåĽ´": 107880, "çĨŁæĤīçļĦ": 107881, "çĨĶ": 107882, "ä¸ĩè¾Ĩ": 107883, "å¤ľéĹ´": 107884, "车身": 107885, "ä¸ŃæľŁ": 107886, "å®ĮåĸĦçļĦ": 107887, "åĵģç±»": 107888, "åıĭè°Ĭ": 107889, "éĢīæĭĶ": 107890, "éªij士": 107891, "彦": 107892, "çļĦçľĭæ³ķ": 107893, "åĽ½çİĭ": 107894, "è¾£æ¤Ĵ": 107895, "åıijå¸ĥæŶéĹ´": 107896, "åı¤åŁİ": 107897, "éļıæľº": 107898, "ç«ĸ": 107899, "å¼Ģè¾Ł": 107900, "ä¼ĹçĶŁ": 107901, "没åĬŀæ³ķ": 107902, "åįĥéĩĮ": 107903, "æĿ¥æºIJäºİ": 107904, "çļĦæĿĥåĪ©": 107905, "æ¯ĶåĪĨ": 107906, "满æĦıçļĦ": 107907, "ä¿®è¡Į": 107908, "åĿł": 107909, "大海": 107910, "èݹ": 107911, "åĩºèº«": 107912, "è«ĩ": 107913, "åħ³èĬĤ": 107914, "åIJį人": 107915, "éľĢè¦ģ注æĦı": 107916, "æĹ©æĻ¨": 107917, "å¤ĸåįĸ": 107918, "åıĪè¦ģ": 107919, "æ¶īæ¡Ī": 107920, "çĶ³è¯·äºº": 107921, "éĻĦè¿ijçļĦ": 107922, "åĬłå¿«æİ¨è¿Ľ": 107923, "æĸ°å¹´": 107924, "大è¡Ĺ": 107925, "ä¸Ģé»ŀ": 107926, "èĭıå®ģ": 107927, "æĤĦæĤĦ": 107928, "èĦ¾æ°Ķ": 107929, "å¸ĮèħĬ": 107930, "éļıåį³": 107931, "æķ¢äºİ": 107932, "å®ŀè·µä¸Ń": 107933, "æĺ¯æ²¡æľī": 107934, "æľī趣çļĦ": 107935, "æĿ¥èĩªäºİ": 107936, "è£ģåĪ¤": 107937, "女åŃ©åŃIJ": 107938, "èĩ³åħ³": 107939, "èĩ³åħ³éĩįè¦ģ": 107940, "æĻºåĬĽ": 107941, "èµ°åĩºåİ»": 107942, "çŁŃæĿ¿": 107943, "å¤§åĽ½": 107944, "çļĦ认è¯Ĩ": 107945, "å¹´å¤ľ": 107946, "åĨįåĪ°": 107947, "åIJĮæł·çļĦ": 107948, "å¯Ĩå°ģ": 107949, "å¤ĸ交éĥ¨": 107950, "çĶŁæķĪ": 107951, "æĤ¨åı¯ä»¥": 107952, "ä½łåĢij": 107953, "è¿ĩå¹´": 107954, "å¼ĵ": 107955, "è¡ĮæĿİ": 107956, "æ¯Ķèµ·": 107957, "身é«ĺ": 107958, "è¿Ļ个人": 107959, "ä¸Ńå¤ĸ": 107960, "éģĵæŃī": 107961, "çĽ¯çĿĢ": 107962, "亲åŃIJ": 107963, "éŸ": 107964, "çĻ½äºij": 107965, "èĦĸåŃIJ": 107966, "ä¸ĢåĪĩéĥ½": 107967, "æ·ij": 107968, "è°ľ": 107969, "åģ¶çĦ¶": 107970, "éĿłè°±": 107971, "é«ĺ管": 107972, "ä¸ĭåıij": 107973, "æĶ¾åĪ°": 107974, "ç±»åĪ«": 107975, "ä¸ĭåĪĹ": 107976, "æ··ä¹±": 107977, "åIJĪæ³ķæĿĥçĽĬ": 107978, "çݯçIJĥ": 107979, "æľīæķĪåľ°": 107980, "åķĨæĪ·": 107981, "æ¹ĸ人": 107982, "海岸": 107983, "æĬķ产": 107984, "两个æľĪ": 107985, "éĥ½éĿŀ常": 107986, "å¢ŀ强äºĨ": 107987, "æĿ¥åĪ°äºĨ": 107988, "åī©ä½Ļ": 107989, "æĤ¨çļĦåŃ©åŃIJ": 107990, "æµģæ°´": 107991, "æŃ£ä¹ī": 107992, "天çĮ«": 107993, "åģļè¿ĩ": 107994, "ä½ķæŶ": 107995, "æĪijåİ»": 107996, "çľģ份": 107997, "å¥ĸéĩij": 107998, "该å¦Ĥä½ķ": 107999, "ä¸ĭçıŃ": 108000, "åģ¶åĥı": 108001, "æijĨæĶ¾": 108002, "æĸ°æ¨¡å¼ı": 108003, "æĬķè³ĩ": 108004, "è·¯åı£": 108005, "åĨľæ°ijå·¥": 108006, "大åѸ": 108007, "件äºĭ": 108008, "æł¹æľ¬ä¸į": 108009, "æµĵ度": 108010, "æµĵåİļ": 108011, "è½®èĥİ": 108012, "æĪ¿ä¼ģ": 108013, "éĿŀ常好": 108014, "ä»İä¸Ń": 108015, "äººæł¼": 108016, "ç¿ģ": 108017, "æŶéĹ´åĴĮ": 108018, "è¿Ļä¸įæĺ¯": 108019, "åĪ¸åķĨ": 108020, "æĥĬ人": 108021, "åĻ¨å®ĺ": 108022, "åĩĨåĪĻ": 108023, "æĥħæĻ¯": 108024, "æĽ´é«ĺçļĦ": 108025, "åŃ¦å®¶": 108026, "泡沫": 108027, "åľ°æĸ¹æĶ¿åºľ": 108028, "å°±çŁ¥éģĵ": 108029, "åij¼åIJģ": 108030, "ç»ıè´¸": 108031, "èĬ±éĴ±": 108032, "æľīä¸Ģ次": 108033, "æĦŁæħ¨": 108034, "ä¸Ģåįĥ": 108035, "å¤ľæĻļ": 108036, "詹å§Ĩ": 108037, "詹å§Ĩæĸ¯": 108038, "è¦ģéĹ»": 108039, "ç»Ĵ": 108040, "æºIJäºİ": 108041, "çļĦè´¨éĩı": 108042, "注æĦıäºĭ项": 108043, "æħ¢æĢ§": 108044, "稳å®ļçļĦ": 108045, "建设åĴĮ": 108046, "æĻ¯è±¡": 108047, "éĩıåĮĸ": 108048, "çļĦ話": 108049, "è¯Ħ级": 108050, "æºľ": 108051, "红åĮħ": 108052, "éĢļéģİ": 108053, "社ä¼ļ责任": 108054, "æĸ°äº§åĵģ": 108055, "åĨ·éĿĻ": 108056, "çľĭä¸įåĪ°": 108057, "èģĶéĤ¦": 108058, "éŃĦ": 108059, "çļĦåīįæıIJ": 108060, "çļĦåīįæıIJä¸ĭ": 108061, "è¾ĥ好": 108062, "çļĦæĦŁæĥħ": 108063, "客æĪ·æıIJä¾Ľ": 108064, "çĭ¬èĩª": 108065, "å¢ŀæĶ¶": 108066, "æĸĩçĮ®": 108067, "æĭ¼åij½": 108068, "管çIJĨåĴĮ": 108069, "æµģåĬ¨æĢ§": 108070, "åħ¨å®¶": 108071, "ä¸Ĭæĸ¹": 108072, "æݨåĩºçļĦ": 108073, "ä¸īåĽ½": 108074, "ä¸Ģ个æĺ¯": 108075, "æĸ°ä¸Ģè½®": 108076, "æĸĩåĮĸéģĹ产": 108077, "殺": 108078, "大湾åĮº": 108079, "éĥ½éľĢè¦ģ": 108080, "çļĦå®ŀéĻħ": 108081, "ç·Ĭ": 108082, "大å¥ĸ": 108083, "åħīèĬĴ": 108084, "便äºİ": 108085, "çļĦ表æĥħ": 108086, "æ¼Ķç»İ": 108087, "红åĨĽ": 108088, "å½ĵæĪij": 108089, "æ²»æĦĪ": 108090, "é¢Ŀ度": 108091, "éĿľ": 108092, "ä»»ä½ķ人": 108093, "è¡Ĺ头": 108094, "çī¹æĸ¯": 108095, "çī¹æĸ¯æĭī": 108096, "åĮ»çĸĹæľºæŀĦ": 108097, "ç»ĻåŃ©åŃIJ": 108098, "è§Ħ磩": 108099, "è£ľ": 108100, "çļĦ身影": 108101, "ä¸ĵæłı": 108102, "æĿ¥ä¸´": 108103, "童年": 108104, "å¤įèĭı": 108105, "è¨Ĥ": 108106, "åŀĭåı·": 108107, "åĽ¾æ¡Ī": 108108, "ç®ĢåİĨ": 108109, "æĭ±": 108110, "èį·åħ°": 108111, "ä»»æĦı": 108112, "æī¿æİ¥": 108113, "è¿Ļæīį": 108114, "客车": 108115, "æľĿçĿĢ": 108116, "éłħ缮": 108117, "åı°é£İ": 108118, "çļĦæĪ¿åŃIJ": 108119, "éªı": 108120, "æĿ±è¥¿": 108121, "éģĹä¼ł": 108122, "è¶Ĭå¤ļ": 108123, "äºĨä»ĸçļĦ": 108124, "ä¸Ĭåij¨": 108125, "管çIJĨåĪ¶åº¦": 108126, "失ä¸ļ": 108127, "çĶ·åıĭ": 108128, "æİ¥ç§į": 108129, "å¨ģåIJį": 108130, "çĴ°å¢ĥ": 108131, "åıijçĶŁåľ¨": 108132, "ä¸ªåĽ½å®¶": 108133, "åĪĽæĸ°åıijå±ķ": 108134, "æĶ¹åıĺäºĨ": 108135, "åģ¥åº·çļĦ": 108136, "åĢ¼å¾Ĺä¸Ģ": 108137, "åĢ¼å¾Ĺä¸ĢæıIJ": 108138, "åĽ¢ä¼Ļ": 108139, "åģĩ设": 108140, "åı°ä¸Ĭ": 108141, "è§ĦèĮĥåĮĸ": 108142, "éĻªåIJĮ": 108143, "座æ¤ħ": 108144, "åı¯æĢľ": 108145, "åħĭæĢĿ主ä¹ī": 108146, "æ³ķå¾ĭ责任": 108147, "ä¸Ģé¡¿": 108148, "æĬ¬å¤´": 108149, "为éĩįçĤ¹": 108150, "è¿ľæ´ĭ": 108151, "éĢıè¿ĩ": 108152, "åħ¨çIJĥåĮĸ": 108153, "趣åij³": 108154, "票æĪ¿": 108155, "æ¯ı人": 108156, "åIJĦç§įåIJĦæł·": 108157, "äºĨåĩºæĿ¥": 108158, "ç»Ŀ对æĺ¯": 108159, "ä¸ĭå±ŀ": 108160, "ä¸ĢåıĮ": 108161, "è¿ĻåĿĹ": 108162, "æĬĹçĸ«": 108163, "è¦ģçĤ¹": 108164, "å½¢æĪIJçļĦ": 108165, "æĪijçľĭ": 108166, "ä¸ĩéĩĮ": 108167, "èĢĥçłĶ": 108168, "为åħ¶": 108169, "æ°ij宿": 108170, "å¤ļä½į": 108171, "大èĩ´": 108172, "ä»ĺè´¹": 108173, "åħ¥æīĭ": 108174, "å±ħ家": 108175, "æīĢåľ¨åľ°": 108176, "人身": 108177, "è¿ĩå¾Ĺ": 108178, "è¯ķè¯ķ": 108179, "访è°Ī": 108180, "åĬłéĩį": 108181, "å°±ä¸įä¼ļ": 108182, "çĶŁäº§ä¼ģä¸ļ": 108183, "åĽŀåĽ½": 108184, "åºķ线": 108185, "赶åĪ°": 108186, "æĶ¯éĺŁ": 108187, "æĪij们éĥ½": 108188, "éĤ®æĶ¿": 108189, "缴èĩ³": 108190, "éĴ¢çIJ´": 108191, "åħľ": 108192, "çłĶ讨ä¼ļ": 108193, "æľĪ亮": 108194, "åĿļæĮģ以": 108195, "åħ¬å®īéĥ¨": 108196, "éĴ¢ç®¡": 108197, "å°ıçĻ½": 108198, "ç½®ä¸ļ": 108199, "èģĭ": 108200, "书åĨĻ": 108201, "æĿı": 108202, "éħįæĸ¹": 108203, "èĢĮåıĪ": 108204, "çijŀ士": 108205, "çķĮçļĦ": 108206, "èĢģ大": 108207, "æĪIJçĨŁçļĦ": 108208, "å¹²ä»Ģä¹Ī": 108209, "ä¸ĵ项æĸĹäºī": 108210, "çŃīå¤ļ个": 108211, "èĦ±ç¦»": 108212, "ä¸ī个æľĪ": 108213, "çłĶ究åijĺ": 108214, "æĹĭ转": 108215, "æŀģèĩ´": 108216, "åħįè´£": 108217, "åħį责声æĺİ": 108218, "å¾Īå¤ļçݩ家": 108219, "车ä¸Ĭ": 108220, "交äºĴ": 108221, "å·²æĺ¯": 108222, "ä¸Ģå°ı": 108223, "çļĦéĩįçĤ¹": 108224, "èĬ±äºĨ": 108225, "ä¸įæĺİ": 108226, "æľīåħ³è§Ħå®ļ": 108227, "çĬ¹å¦Ĥ": 108228, "羸": 108229, "寡": 108230, "çļĦè¡£æľį": 108231, "åĮħ裹": 108232, "身åŃIJ": 108233, "å¸ĪèĮĥ大åѦ": 108234, "äºĭåħĪ": 108235, "线æĿ¡": 108236, "æ³ķåĪ¶": 108237, "åħ»æĬ¤": 108238, "稳å®ļæĢ§": 108239, "éĤµ": 108240, "åŀĦæĸŃ": 108241, "é¡į": 108242, "èĢĥåı¤": 108243, "æĿłæĿĨ": 108244, "èĭıèģĶ": 108245, "æ°´çĶµ": 108246, "åħ·ä½ĵçļĦ": 108247, "æ¿Ģæ´»": 108248, "æĪijæł¡": 108249, "åĪļå¼Ģå§ĭ": 108250, "åĩ¸æĺ¾": 108251, "禾": 108252, "åħ¼èģĮ": 108253, "éĢıéģİ": 108254, "åľ¨æ¸¸æĪıä¸Ń": 108255, "社ä¼ļåıijå±ķ": 108256, "好çİ©": 108257, "å¹»æĥ³": 108258, "ä¸į代表": 108259, "注æĦıåĬĽ": 108260, "æ£į": 108261, "çĶ¨æīĭ": 108262, "ç¾İ人": 108263, "许å¤ļ人": 108264, "å¾Īæĺ¯": 108265, "çļĦçłĶåıij": 108266, "æīĵåĩº": 108267, "åIJĪä¼Ļ人": 108268, "ä¸Ģå¤ľ": 108269, "ç¼ĵç¼ĵ": 108270, "ä¿®æŃ£": 108271, "æĦŁçŁ¥": 108272, "ç»Ī身": 108273, "æ¿Ģç´ł": 108274, "çݯå¢ĥä¸ĭ": 108275, "次ä¼ļè®®": 108276, "ç»ıæµİå¢ŀéķ¿": 108277, "æīĽ": 108278, "åıijéħµ": 108279, "åĪĨæŀIJå¸Ī": 108280, "åľ¨æľªæĿ¥": 108281, "主è¦ģæľī": 108282, "ä¸ĢåŃ£åº¦": 108283, "çļĦ说æ³ķ": 108284, "ä»İæĿ¥æ²¡æľī": 108285, "货车": 108286, "缩å°ı": 108287, "太è¿ĩ": 108288, "æķĪåĬĽ": 108289, "ä¸įä¸ĭ": 108290, "æĬķ稿": 108291, "èį¯ä¸ļ": 108292, "ç»Ħéķ¿": 108293, "ç«ĻçĤ¹": 108294, "å¾Īåĸľæ¬¢": 108295, "éIJµ": 108296, "åĬ¿å¤´": 108297, "æ¼ıæ´ŀ": 108298, "æĦ¤æĢĴ": 108299, "åħħå®ŀ": 108300, "åĪĽä¸ļæĿ¿": 108301, "çĪª": 108302, "æľªå¿ħ": 108303, "åºķéĥ¨": 108304, "å¾ĹåĪĨ": 108305, "人æ°ijåĮ»éĻ¢": 108306, "äºĮæīĭæĪ¿": 108307, "å·²ç»ı被": 108308, "大楼": 108309, "æĸ°æĪ¿": 108310, "辦æ³ķ": 108311, "çĶ¨åĬĽ": 108312, "æĭĵ宽": 108313, "åĨħåľ¨": 108314, "æĴŃåĩº": 108315, "饰æ¼Ķ": 108316, "ä¹Łè®©": 108317, "ä½ľçĤº": 108318, "çī©ä¸ļ管çIJĨ": 108319, "åį´ä¸į": 108320, "为ä¸ŃåĽ½": 108321, "å±ĢåĬ¿": 108322, "ä¸įèĤ¯": 108323, "æľĢæĸ°çļĦ": 108324, "åı¯ä»¥éĢīæĭ©": 108325, "æĺ¾çİ°": 108326, "å°±ç®Ĺæĺ¯": 108327, "åľ¨æł¡": 108328, "é¾Ł": 108329, "两æĿ¡": 108330, "çļĦå®ŀåĬĽ": 108331, "è¶Ĭ好": 108332, "å¥¹åľ¨": 108333, "å¿łè¯ļ": 108334, "ä¹ŁéľĢè¦ģ": 108335, "游æĪıæĵįä½ľ": 108336, "è¶ħåĩº": 108337, "å¦Ĥæŀľä¸į": 108338, "æīĢåľ¨çļĦ": 108339, "ä½łè¿ĺ": 108340, "以åĨħ": 108341, "æľīä¸Ģå®ļ": 108342, "åı¯è¾¾": 108343, "è·ijåĪ°": 108344, "åīĽ": 108345, "建ç«ĭåģ¥åħ¨": 108346, "æķ´è½¦": 108347, "åīįæĸ¹": 108348, "éĹ´æİ¥": 108349, "çŃ¹å¤ĩ": 108350, "çĸ²åĬ³": 108351, "离å¼ĢäºĨ": 108352, "æ±Ŀ": 108353, "éĿ¢éĥ¨": 108354, "ä¹ĭåīįçļĦ": 108355, "åıĺ为": 108356, "å¦Ĥæŀľè¯´": 108357, "对ä»ĺ": 108358, "åĿĩåı¯": 108359, "被åijĬ人": 108360, "ç²¾ç¾İ": 108361, "èģļä¼ļ": 108362, "çĿĢæĢ¥": 108363, "è°·æŃĮ": 108364, "ä¸Ģåı·": 108365, "红åĪ©": 108366, "ä¼łå¥ĩ游æĪı": 108367, "å»ĸ": 108368, "è´ŀ": 108369, "ä¹°åĪ°": 108370, "éŃļ": 108371, "ä½ĵè´¨": 108372, "å°ijäºĨ": 108373, "æ³īå·ŀ": 108374, "åIJŁ": 108375, "ç»Ŀä¸į": 108376, "é»ijæģ¶": 108377, "é»ijæģ¶åĬ¿åĬĽ": 108378, "ä¸Ĭæĺł": 108379, "çļĦè¯Ŀé¢ĺ": 108380, "ä¸ĩ人次": 108381, "ä¸ĸéĹ´": 108382, "çĶ¨å·¥": 108383, "贯穿": 108384, "å®ĿçŁ³": 108385, "ä½łå¥½": 108386, "åĪĩåī²": 108387, "å¼ºåĽ½": 108388, "åĽŀèIJ½": 108389, "æ°´æĻ¶": 108390, "模仿": 108391, "洪水": 108392, "éĢĻ麼": 108393, "åįģä¸īäºĶ": 108394, "ä½ij": 108395, "éĻĦ件": 108396, "çļĦå¢ŀéķ¿": 108397, "éĻĦå±ŀ": 108398, "çİ°å·²": 108399, "å¸®ä½ł": 108400, "éĩijçīĮ": 108401, "é«ĺåİŁ": 108402, "åľ¨å®¶éĩĮ": 108403, "éĺ²èħIJ": 108404, "ç¡®å®ŀæĺ¯": 108405, "宣讲": 108406, "天æīį": 108407, "ç»ıèIJ¥ç®¡çIJĨ": 108408, "éĶħçĤī": 108409, "åIJĪä¸Ģ": 108410, "è§Ĥèµı": 108411, "éķ¿è¾¾": 108412, "主ä¹īæĢĿæĥ³": 108413, "éĤ£éº¼": 108414, "é£İäºij": 108415, "为主çļĦ": 108416, "æļijåģĩ": 108417, "æĮģä¹ħ": 108418, "å¼Ĥåľ°": 108419, "å¼ĢéŨ": 108420, "模æĿ¿": 108421, "æī¹æ¬¡": 108422, "ä¸į便": 108423, "天çĶŁ": 108424, "åĩłä¸ªæľĪ": 108425, "ä¸ĵç§ij": 108426, "åı¦æľī": 108427, "åħ¬å¸ĥçļĦ": 108428, "æĩ·": 108429, "åľºåIJĪ": 108430, "çļĦå¿ĥæĢģ": 108431, "è¿ĺ好": 108432, "å®ŀæĪĺ": 108433, "èĢģå¸ĪçļĦ": 108434, "åħ©åĢĭ": 108435, "åı¯åľ¨": 108436, "éĤ£ä½į": 108437, "å¥łå®ļäºĨ": 108438, "ä¿ĥéĶĢ": 108439, "æı´åĬ©": 108440, "ä¸ĩçī©": 108441, "æĥħæĬ¥": 108442, "é¦ĸåħĪè¦ģ": 108443, "æĸĩåĮĸåĴĮ": 108444, "éĥ½å·²ç»ı": 108445, "ä¸Ĭä¸ĸ纪": 108446, "åĨľåľº": 108447, "大æī¹": 108448, "æĺİçĻ½äºĨ": 108449, "çļĦæĪIJéķ¿": 108450, "çļĦæ¯ĶèµĽ": 108451, "失误": 108452, "åģļæĪIJ": 108453, "ä»Ĭ天å°ıç¼ĸ": 108454, "é¢Ĩè¢ĸ": 108455, "æıIJåįĩäºĨ": 108456, "å¾IJå·ŀ": 108457, "ä»įæľī": 108458, "è¿ĩ滤": 108459, "å¹½é»ĺ": 108460, "çĥŃéĩı": 108461, "ä¸Ģé¦ĸ": 108462, "æ¼Ĥ亮çļĦ": 108463, "åĩłç§į": 108464, "åĢ¡è®®": 108465, "å°±åı¯ä»¥äºĨ": 108466, "æİĴåĪĹ": 108467, "éĩįéĩį": 108468, "ä¼ģä¸ļåĴĮ": 108469, "ä¸ĵå±ŀ": 108470, "çħİ": 108471, "亲æĪļ": 108472, "çĻ¾åĪĨä¹ĭ": 108473, "稿件": 108474, "è¿ĺå¾Ĺ": 108475, "人åĵ¡": 108476, "äºī夺": 108477, "æĽ´å®¹æĺĵ": 108478, "大èĩªçĦ¶": 108479, "鼻èħ¦": 108480, "太空": 108481, "åľ°å¤Ħ": 108482, "夢": 108483, "ä»ĸ对": 108484, "å¿ħå°Ĩ": 108485, "ä¸įå½ĵ": 108486, "严谨": 108487, "åĩºåľº": 108488, "å·²ç»ıæľī": 108489, "é¢ĨåĨĽ": 108490, "é«ĺæ¡£": 108491, "ä¸ĢæīĢ": 108492, "æłĹ": 108493, "让åѦçĶŁ": 108494, "æĽ¹æĵį": 108495, "æŁIJä¸Ģ": 108496, "伸åĩº": 108497, "èĬ±åįī": 108498, "æ¸ħéĨĴ": 108499, "èģĶç³»æĸ¹å¼ı": 108500, "åĪĨå±Ģ": 108501, "èħ³": 108502, "æ©¡èĥ¶": 108503, "éķ¿å¾Ĺ": 108504, "ç»¿åľ°": 108505, "è¢į": 108506, "çļĦèīºæľ¯": 108507, "女æľĭåıĭ": 108508, "ä¸Ńè¶ħ": 108509, "离åŃIJ": 108510, "å¤ļæł·åĮĸ": 108511, "éĺ³åı°": 108512, "ä½İ碳": 108513, "ä¸Ģç±»": 108514, "çŃīæĸ¹éĿ¢çļĦ": 108515, "å¾Ĺ好": 108516, "模åħ·": 108517, "ä¸ĩ亿": 108518, "çķĻæĦı": 108519, "临æ²Ĥ": 108520, "å°ijéĩı": 108521, "çľĭåIJij": 108522, "ç»ıèIJ¥èĢħ": 108523, "çķĻä¸ĭäºĨ": 108524, "åĿıäºĨ": 108525, "åijĬåĪ«": 108526, "羣çIJĨ": 108527, "ç¼´è´¹": 108528, "æĬĬä½ł": 108529, "çļĦä»»åĬ¡": 108530, "æĪij对": 108531, "ä¹°åħ¥": 108532, "çĻ»ä¸Ĭ": 108533, "æľī两个": 108534, "ä¸Ģ头": 108535, "æĵįæݧ": 108536, "åħ¨è¦ĨçĽĸ": 108537, "çĿĢæīĭ": 108538, "å¢ĻéĿ¢": 108539, "å¤ļæĸ¹": 108540, "åı¯çĪ±çļĦ": 108541, "ä¹Łåı¯èĥ½": 108542, "æľĢæľī": 108543, "è¿ĻäºĽéĥ½æĺ¯": 108544, "æĥ¡": 108545, "å®®": 108546, "å¾Īå°ı": 108547, "éĹ®é¢ĺæĺ¯": 108548, "åĿĩæľī": 108549, "å¾ģéĽĨ": 108550, "说åĩº": 108551, "æľīæĦı": 108552, "é¢Ĥ": 108553, "æī¬å·ŀ": 108554, "åķĨä¸ļ模å¼ı": 108555, "çĶŁèĤĸ": 108556, "æįIJ款": 108557, "å²Ĥ": 108558, "ç¾İæĻ¯": 108559, "è¿ĺ羣": 108560, "æĭ¥æĬ±": 108561, "身ä½ĵåģ¥åº·": 108562, "æ·±å¤Ħ": 108563, "çľ¼ç¥ŀ": 108564, "çļĦ形象": 108565, "ä¼ĺè¶Ĭ": 108566, "å½ĵæĪIJ": 108567, "åĮºåĪĨ": 108568, "åİ»éĻ¤": 108569, "注å®ļ": 108570, "å§IJ妹": 108571, "åĮºåĨħ": 108572, "é©ļ": 108573, "æļĹ示": 108574, "æĺİ亮": 108575, "æħ°éĹ®": 108576, "å¸Ĥåľºä»½é¢Ŀ": 108577, "çĮªèĤī": 108578, "çļĦèµĦéĩij": 108579, "åİĨç»ı": 108580, "å§ĭç»ĪåĿļæĮģ": 108581, "çĶŁæľº": 108582, "ä¸į顾": 108583, "éĩijåĪļ": 108584, "大声": 108585, "éĻķ西çľģ": 108586, "é²į": 108587, "åĨľä¸ļåĨľæĿij": 108588, "æľī害": 108589, "éŨè¯Ĭ": 108590, "æ¯ıä¸Ģ次": 108591, "çļĦåĽłç´ł": 108592, "é¢Ŀå¤ĸ": 108593, "åݿ级": 108594, "çļĩåIJİ": 108595, "åĽ½ä¼ģ": 108596, "é¦ĸéĢī": 108597, "ç¼ĸåĨĻ": 108598, "æĭ¿èµ·": 108599, "åģ·åģ·": 108600, "ä¸İä¸ŃåĽ½": 108601, "åįĸ家": 108602, "ç»Ļä»ĸ们": 108603, "ç¥ŀè¯Ŀ": 108604, "åŃ¸æł¡": 108605, "æĪijä¸Ģ缴": 108606, "çŁ¥éģĵäºĨ": 108607, "åįĴ": 108608, "åĴĮåľ°åĮº": 108609, "ä»Ģä¹Īéĥ½": 108610, "çĶ»å®¶": 108611, "æľ¬çĿĢ": 108612, "ä½ĻåIJį": 108613, "审çIJĨ": 108614, "ä¸ĢåIJij": 108615, "åıijå±ķè¶ĭåĬ¿": 108616, "åĮºéĹ´": 108617, "注åĨĮèµĦæľ¬": 108618, "çIJ¦": 108619, "ä¸įåı¯ä»¥": 108620, "çļĦåĦ¿åŃIJ": 108621, "åĢ¼çıŃ": 108622, "ä¸¥æł¼çļĦ": 108623, "å®ŀä½ĵç»ıæµİ": 108624, "æľīæĿĥ": 108625, "æĪijåıĪ": 108626, "éĵ¶æ²³": 108627, "ç«ĭ马": 108628, "æĿĢäºĨ": 108629, "åĮħ容": 108630, "管家": 108631, "身é«Ķ": 108632, "éĵħ": 108633, "å°ıåŃIJ": 108634, "管çIJĨç³»ç»Ł": 108635, "æľīçļĦ人": 108636, "é£İçĶµ": 108637, "æĻºèĥ½åĪ¶éĢł": 108638, "精确": 108639, "æĭĽåķĨå¼ķ": 108640, "æĭĽåķĨå¼ķèµĦ": 108641, "äºĮæīĭ车": 108642, "åİ¿å§Ķ": 108643, "èīºäºº": 108644, "å¥ķ": 108645, "è¿İæĿ¥äºĨ": 108646, "ç»ĵæĿŁäºĨ": 108647, "çļĦä¼łç»Ł": 108648, "æĭ¼æIJı": 108649, "奥迪": 108650, "çĸijæĥij": 108651, "ä¹ĭæĹ¥èµ·": 108652, "æłĩå¿ĹçĿĢ": 108653, "åľ°åįĢ": 108654, "è¯łéĩĬ": 108655, "åĪ°æľŁ": 108656, "åħ¨éĥ½": 108657, "çŁŃæļĤ": 108658, "æĺ¯æĪijåĽ½": 108659, "æĪijå·²ç»ı": 108660, "æ»´æ»´": 108661, "天èµĭ": 108662, "对她": 108663, "åį«çĶŁéĹ´": 108664, "çĶŁäº§åŁºåľ°": 108665, "æĹ¥è®°": 108666, "çļĦæķĻåѦ": 108667, "åĵĩ": 108668, "æ°ijäºĭ": 108669, "è¿ĺåİŁ": 108670, "æīĭä¸ŃçļĦ": 108671, "çļĦèī¯å¥½": 108672, "æ·«": 108673, "ä¸Ńåħ±ä¸Ń央": 108674, "åĪĥ": 108675, "åĵĦ": 108676, "åľ¨ä»ĸçļĦ": 108677, "å°Īæ¥Ń": 108678, "åľºéĿ¢": 108679, "éĤ»å±ħ": 108680, "çĹĴ": 108681, "å¦Ħ": 108682, "å¤ĸç§ij": 108683, "ä¸įéĢĤ": 108684, "举åĬŀçļĦ": 108685, "éĤ¹": 108686, "åħļçļĦ建设": 108687, "çĻ¼è¡¨": 108688, "è·¨çķĮ": 108689, "æ²īæ·Ģ": 108690, "大çīĩ": 108691, "è¶Ĭé«ĺ": 108692, "å°Ĩæĺ¯": 108693, "è§īéĨĴ": 108694, "åĤ¨åŃĺ": 108695, "å¢ŀ大": 108696, "ä¸į让": 108697, "æķ´å½¢": 108698, "å¹³åı°ä¸Ĭ": 108699, "åĩłä½į": 108700, "è¯īæ±Ĥ": 108701, "好ä¸į好": 108702, "åľį": 108703, "æĸĩæľ¬": 108704, "éĢ²åħ¥": 108705, "ç´į": 108706, "æł¹æĵļ": 108707, "èįīæ¡Ī": 108708, "åħŃ个": 108709, "åĭ¿": 108710, "åĪ¶æĪIJ": 108711, "饮水": 108712, "æ°¸æģĴ": 108713, "èĩªæĿĢ": 108714, "åı¸é©¬": 108715, "éļ¾çĤ¹": 108716, "为æĪij们": 108717, "弧": 108718, "åī©ä¸ĭçļĦ": 108719, "åĩĨå¤ĩ好": 108720, "çļĦæľĢä½³": 108721, "èģĶåIJĪä¼ļ": 108722, "æĤ£èĢħçļĦ": 108723, "æĪijä¸įçŁ¥éģĵ": 108724, "ä¸ĭä¸Ģ个": 108725, "åıijå±ķæĸ¹åIJij": 108726, "笨": 108727, "æīĢ以æĪij们": 108728, "åĨĻäºĨ": 108729, "éĢłæĪIJäºĨ": 108730, "æ²Ļæ¼ł": 108731, "çŃĽéĢī": 108732, "çģ¾åĮº": 108733, "ä¸Ĭçľĭ": 108734, "éħ¶": 108735, "æ»ļåĬ¨": 108736, "éļ¾åħį": 108737, "åIJīåĪ©": 108738, "ä¸Ģä¸Ģ": 108739, "ç²¾å¯Ĩ": 108740, "伸æīĭ": 108741, "礼仪": 108742, "åħ¨æĺ¯": 108743, "è¶Ĭ大": 108744, "ä¸Ńæłĩ": 108745, "åıĸåĨ³": 108746, "åıĸåĨ³äºİ": 108747, "éĢĶä¸Ń": 108748, "讨åİĮ": 108749, "æīĭåĨĮ": 108750, "第ä¹Ŀ": 108751, "åŃĶåŃIJ": 108752, "çĦ¶å¾Į": 108753, "ä¸Ģåħ±": 108754, "æµ·æĬ¥": 108755, "款å¼ı": 108756, "æķ´å¤©": 108757, "è¾¹çķĮ": 108758, "路边": 108759, "æĻĭ级": 108760, "åIJIJ槽": 108761, "çļĦåħ³æ³¨": 108762, "æĪij没æľī": 108763, "å°±æĺ¯åľ¨": 108764, "缮çļĦæĺ¯": 108765, "åį³ä½¿æĺ¯": 108766, "顶å°ĸ": 108767, "å·²ç»ıåľ¨": 108768, "å®īåħ¨éļIJæĤ£": 108769, "æłĩæĿĨ": 108770, "åįĹéĢļ": 108771, "ä¼ļ对": 108772, "座ä½į": 108773, "èµ¢å¾ĹäºĨ": 108774, "åİŁæĿ¥çļĦ": 108775, "身为": 108776, "书åºĹ": 108777, "è¢Ńåĩ»": 108778, "ä»ĬæĻļ": 108779, "以èī²": 108780, "以èī²åĪĹ": 108781, "æĬĸéŁ³": 108782, "åį´æ²¡æľī": 108783, "丧失": 108784, "çļĦå±ĢéĿ¢": 108785, "åįģåĽĽäºĶ": 108786, "çŃī缸åħ³": 108787, "æ±ĩæĢ»": 108788, "å¤ĸ表": 108789, "为æ°ij": 108790, "éľĩæĥĬ": 108791, "å¥Ĺè·¯": 108792, "çĬ¯ç½ªå«Įçĸij": 108793, "å°Ĩ以": 108794, "çİĩé¢Ĩ": 108795, "éħĴåIJ§": 108796, "è¡Įä¸ļåıijå±ķ": 108797, "å¹´èĩ³": 108798, "åĻ¨æĿIJ": 108799, "åĴĮæĬĢæľ¯": 108800, "æľĢå°ı": 108801, "è¿Ļä¸ĢåĪĩ": 108802, "èģĮ称": 108803, "å½ĵä½ľ": 108804, "æİĢèµ·": 108805, "åĴĭ": 108806, "ä¸Ńéĥ¨": 108807, "æīĭèĩĤ": 108808, "ç½¢äºĨ": 108809, "媳å¦ĩ": 108810, "æ´½è°Ī": 108811, "æĹ¶ä»£ä¸ŃåĽ½": 108812, "人çĶŁçļĦ": 108813, "æŀģéĻIJ": 108814, "ç¦Ħ": 108815, "åĮºæĶ¿åºľ": 108816, "æľ¬éĴ±": 108817, "礼åĵģ": 108818, "çļĦéĤ£ä¸ª": 108819, "ä¾¦æŁ¥": 108820, "太å¤ļçļĦ": 108821, "å®ŀæĸ½æĸ¹æ¡Ī": 108822, "é«ĺæłĩåĩĨ": 108823, "æĮĩæĮ¥éĥ¨": 108824, "åĢ¾æĸľ": 108825, "çī¹èī²ç¤¾ä¼ļ": 108826, "çµIJæŀľ": 108827, "éĴ»çŁ³": 108828, "移æ¤į": 108829, "çī¹ç§į": 108830, "èĩªæĦ¿": 108831, "æĭľçĻ»": 108832, "åįķ身": 108833, "åį´åıĪ": 108834, "åĪ¥äºº": 108835, "åIJĪè§Ħ": 108836, "æľºçĶµ": 108837, "çī¹æĦı": 108838, "å½ĵåīįä½įç½®": 108839, "买家": 108840, "åIJĪ约": 108841, "èĤ©èĨĢ": 108842, "为åĩĨ": 108843, "家è£ħ": 108844, "çļĦçĥŃæĥħ": 108845, "éĿŀéģĹ": 108846, "çļĦéŃħåĬĽ": 108847, "åİŁåijĬ": 108848, "社ä¼ļåIJĦçķĮ": 108849, "ä¹°çļĦ": 108850, "å¤ļåIJĥ": 108851, "éĽķå¡ij": 108852, "èµ·ä¹ī": 108853, "åĬłåī§": 108854, "éĤ£ä¸ĢåĪ»": 108855, "å°Ĩè¿Ľä¸ĢæŃ¥": 108856, "æ¡ĤæŀĹ": 108857, "æĽ´å¼º": 108858, "对ä¼ģä¸ļ": 108859, "æĹłæĦı": 108860, "ä¹łè¿ijå¹³æĸ°": 108861, "æµģ失": 108862, "微软": 108863, "çĽ¸å¯¹äºİ": 108864, "座è°Īä¼ļ": 108865, "主èIJ¥ä¸ļ": 108866, "主èIJ¥ä¸ļåĬ¡": 108867, "ç§ģåĭŁ": 108868, "å±ķ示äºĨ": 108869, "常æĢģåĮĸ": 108870, "è²´": 108871, "符åı·": 108872, "å¹´è½»çļĦ": 108873, "å°±éľĢè¦ģ": 108874, "ä¹ŁæĽ¾": 108875, "çļĦæĥħ绪": 108876, "è¾¾æłĩ": 108877, "èĩ¨": 108878, "ä½įå±ħ": 108879, "ä»ħ为": 108880, "é¦ĸ家": 108881, "éĺ´éĺ³": 108882, "ä¸įåĨįæĺ¯": 108883, "åĽłä¸ºå®ĥ": 108884, "ä¼ģä¸ļåľ¨": 108885, "çĺ¾": 108886, "åIJ¬è§ģ": 108887, "åİŁæľī": 108888, "åĪ¶è£ģ": 108889, "å¯Ĥå¯ŀ": 108890, "éĢļè¿ĩ对": 108891, "æ»ijéĽª": 108892, "è¿Ļå¼ł": 108893, "çļĦçIJĨ解": 108894, "æĸ°ä¸ŃåĽ½": 108895, "è¿ĻåĦ¿": 108896, "ä½İä»·": 108897, "æĥ³è¿ĩ": 108898, "çļĦä¿¡å¿ĥ": 108899, "建çŃijçī©": 108900, "çļĦé¢ľèī²": 108901, "ä¸įåºĶ该": 108902, "æĹłçĸijæĺ¯": 108903, "å¼ķèµ·äºĨ": 108904, "åħ¨åijĺ": 108905, "æĿ°åĩº": 108906, "è¿Ļæĺ¯æĪij": 108907, "誰": 108908, "èĺĩ": 108909, "éĺµåľ°": 108910, "åħħåĢ¼": 108911, "çŁ¿ä¸ļ": 108912, "çĿĢä»ĸ": 108913, "信访": 108914, "ä¸ĩè¾¾": 108915, "æij©æĵ¦": 108916, "å¼Ģ端": 108917, "èı²å¾ĭ": 108918, "èı²å¾ĭ宾": 108919, "车åŃIJ": 108920, "æľ¬èº«çļĦ": 108921, "çģ«è½¦ç«Ļ": 108922, "常å·ŀ": 108923, "为代表": 108924, "为代表çļĦ": 108925, "广çĶµ": 108926, "亲人": 108927, "åı³æīĭ": 108928, "éĽĨè£ħ": 108929, "éĽĨè£ħç®±": 108930, "çļĦåį°è±¡": 108931, "æ©Łæľĥ": 108932, "åĮĨåĮĨ": 108933, "åħīçĶµ": 108934, "大æĸ¹": 108935, "è¿ĺæľª": 108936, "åĪ©å¥½": 108937, "ç»Ŀ大å¤ļæķ°": 108938, "åľ¨è¿Ļç§į": 108939, "ä¸Ģç»Ħ": 108940, "æĸ°èĤ¡": 108941, "转åıij": 108942, "æ³ķåºŃ": 108943, "æĹłæīĢ": 108944, "éģĵè·¯ä¸Ĭ": 108945, "çŁ¿å±±": 108946, "èijī": 108947, "æĶ¶åĽŀ": 108948, "称ä¹ĭ": 108949, "称ä¹ĭ为": 108950, "æıŃéľ²": 108951, "åı£å²¸": 108952, "åIJ¼": 108953, "å¿ĥæĥ³": 108954, "çļĦ梦æĥ³": 108955, "éĽ¯": 108956, "ä¹ĭåĪĿ": 108957, "å¥ĸ项": 108958, "订éĺħ": 108959, "èĵĿ天": 108960, "åĿ¦åħĭ": 108961, "ç«ĭæ¡Ī": 108962, "èģĶæīĭ": 108963, "ä½Ĩæĺ¯æĪij": 108964, "帮æĪij": 108965, "ä»ħ代表": 108966, "说æĪij": 108967, "çļĦè¶ĭåĬ¿": 108968, "æ¯Ķè¾ĥ大": 108969, "èµ°å»Ĭ": 108970, "éĩįçĤ¹é¡¹çĽ®": 108971, "èµĮåľº": 108972, "åIJįçīĩ": 108973, "æĦŁåı¹": 108974, "åľ¨åľ°ä¸Ĭ": 108975, "åıijçĥŃ": 108976, "èĮĥçķ´": 108977, "çļĦéģĵè·¯": 108978, "éĩijèī²": 108979, "ä»ĸåıĪ": 108980, "ä¼ļ产çĶŁ": 108981, "æ°ijåĽ½": 108982, "å®ĺæĸ¹ç½ijç«Ļ": 108983, "æĶ¶çĽĬçİĩ": 108984, "çļĦåĪ°æĿ¥": 108985, "çļĦåĬŀæ³ķ": 108986, "æĶ¹åĪ¶": 108987, "ä¸ĩç§ij": 108988, "ä¸įäºĪ": 108989, "è¿ĻäºĽéĹ®é¢ĺ": 108990, "çĪ±ä¸Ĭ": 108991, "çIJĥåľº": 108992, "责令": 108993, "æİĪ课": 108994, "åľ¨é¦Ļ港": 108995, "ç»Ĩèħ»": 108996, "å¤ļä¸ĩ": 108997, "åIJĮå¹´": 108998, "大使": 108999, "æĸĭ": 109000, "ä¹Łä¸º": 109001, "æĥłå·ŀ": 109002, "åIJī祥": 109003, "çĶ°åĽŃ": 109004, "åĽ½å®¶éĺŁ": 109005, "éĩįçĶŁ": 109006, "åľ¨åħ¶": 109007, "é¦Ļåij³": 109008, "è´Łèį·": 109009, "亲åĪĩ": 109010, "èĩªè±ª": 109011, "没éĶĻ": 109012, "åĽłä¸ºåľ¨": 109013, "æĺŁæĺŁ": 109014, "éĤij": 109015, "è¿ĺæľīå¾Īå¤ļ": 109016, "æij©æīĺ": 109017, "æij©æīĺ车": 109018, "æŃ¥è¡Į": 109019, "管çIJĨä½ĵç³»": 109020, "èĦļä¸ĭ": 109021, "éģİåİ»": 109022, "æ±īè¯Ń": 109023, "对ä¸įèµ·": 109024, "çļĦç»ıåİĨ": 109025, "åıĬ缸åħ³": 109026, "ä¸įå°ij人": 109027, "éĩįç£ħ": 109028, "åĬ³åĬ¨èĢħ": 109029, "大åĬĽåıijå±ķ": 109030, "æĢİä¹Īåģļ": 109031, "çĭĹçĭĹ": 109032, "举åįĹäºļ": 109033, "åĭĩäºİ": 109034, "åħ¬éĸĭ": 109035, "çĵ·çłĸ": 109036, "åıĤçħ§": 109037, "广æĴŃçĶµè§Ĩ": 109038, "举åĬ¨": 109039, "æ±Łè¥¿çľģ": 109040, "æķĪèĥ½": 109041, "åĶ¯æľī": 109042, "éĿ¢è²Į": 109043, "èĩªåĬ¨é©¾é©¶": 109044, "æ¦ľåįķ": 109045, "å½ĵæĪij们": 109046, "仲è£ģ": 109047, "æľ¨æĿIJ": 109048, "ç±³åħ°": 109049, "çĻ½éĵ¶": 109050, "çļĦ人éĥ½": 109051, "å°±åĥıæĺ¯": 109052, "æŃ¥åħ¥": 109053, "åįłçĶ¨": 109054, "åĩ»è´¥": 109055, "让大家": 109056, "ä¼ļè®©ä½ł": 109057, "åİ¿æĶ¿åºľ": 109058, "è¦ģçĶ¨": 109059, "çŃīå½¢å¼ı": 109060, "åįĩé«ĺ": 109061, "责任æĦŁ": 109062, "å¤ĩçĶ¨": 109063, "ä»ĸ认为": 109064, "æ¸ħåįİ大åѦ": 109065, "ä»ĸèĩªå·±": 109066, "éĸ±è®Ģ": 109067, "太平æ´ĭ": 109068, "éĶģå®ļ": 109069, "çŃĨ": 109070, "è¿Ļçīĩ": 109071, "æī§æĶ¿": 109072, "è¿ĶåĽŀæIJľçĭIJ": 109073, "å°±æѤ": 109074, "éģĩåĪ°äºĨ": 109075, "å¼Ģå¹ķå¼ı": 109076, "管çIJĨéĥ¨éŨ": 109077, "姿åĬ¿": 109078, "设æĥ³": 109079, "åĽĽåŃ£": 109080, "æĬĢæľ¯äººåijĺ": 109081, "å·®çĤ¹": 109082, "è¾ŀèģĮ": 109083, "èĢģ師": 109084, "çļĦæĦŁåıĹ": 109085, "ä¹ŁéĿŀ常": 109086, "å¹´ä¸ĬåįĬå¹´": 109087, "æĢªçī©": 109088, "èĮĥæĸĩ": 109089, "æĪĺå½¹": 109090, "åIJ«ä¹ī": 109091, "åħ¨è¿ĩç¨ĭ": 109092, "èĢĮéĿŀ": 109093, "éĢļ讯åijĺ": 109094, "è¿Ļæł·æīįèĥ½": 109095, "æľºç»Ħ": 109096, "è£ı": 109097, "çķ¶çĦ¶": 109098, "èµĮåįļ": 109099, "åIJĦæľī": 109100, "å·¥ä½ľæľºåĪ¶": 109101, "äºĭåIJİ": 109102, "åī§éĻ¢": 109103, "å±ĬæŶ": 109104, "åĺ´éĩĮ": 109105, "主线": 109106, "ä¸ĢåľĪ": 109107, "主è¦ģåİŁåĽł": 109108, "å°¸ä½ĵ": 109109, "åĮ»çĸĹåĻ¨æ¢°": 109110, "ä½łæĢİä¹Ī": 109111, "ä½ĨçĶ±äºİ": 109112, "æĹ¶ç©º": 109113, "çĶ·æľĭåıĭ": 109114, "çĶľèľľ": 109115, "é«ĺåľ°": 109116, "æĻĸ": 109117, "èĴIJéĽĨ": 109118, "åĩĿèģļåĬĽ": 109119, "å¤ĩåıĹ": 109120, "æĸĩåĪĽ": 109121, "马æĿ¥": 109122, "马æĿ¥è¥¿äºļ": 109123, "æŁ´æ²¹": 109124, "使人": 109125, "æķĻä¼ļ": 109126, "ç§ĭ天": 109127, "æĺİçıł": 109128, "åħŃåįģ": 109129, "çݯå¢ĥä¸Ń": 109130, "æ¸ħæĻ¨": 109131, "积æŀģåıĤä¸İ": 109132, "å·ħå³°": 109133, "ä¸ºæľŁ": 109134, "çŃ¾åŃĹ": 109135, "æĦŁæ¿Ģ": 109136, "ç§ĭåŃ£": 109137, "æĿijåŃIJ": 109138, "æ¢ħ西": 109139, "æļ´éĽ¨": 109140, "çĶŁæ´»åľ¨": 109141, "çªĹæĪ·": 109142, "æģ¶åĬ£": 109143, "纯粹": 109144, "åľ¨æİ¥åıĹ": 109145, "没èĥ½": 109146, "è¡Į人": 109147, "åĭº": 109148, "æĭ¨æīĵ": 109149, "ä½ľåĩºäºĨ": 109150, "çļĦ主é¢ĺ": 109151, "æľªä¾Ĩ": 109152, "ä¸ŃæľĢ": 109153, "æ¾ľ": 109154, "é«ĺè¡Ģåİĭ": 109155, "åħ´èµ·": 109156, "æŃ£èĥ½éĩı": 109157, "åŁ¹è®ŃçıŃ": 109158, "æİ¥åħ¥": 109159, "çĦ¶åIJİåĨį": 109160, "åѦçĶŁä»¬": 109161, "é¢ĨåħĪçļĦ": 109162, "çģ«çĥŃ": 109163, "ä¸ĵèģĮ": 109164, "æĪĸèĢħ说": 109165, "建è¨Ń": 109166, "é»ı": 109167, "对åħ¬åı¸": 109168, "çī¹æľīçļĦ": 109169, "åħīèį£": 109170, "å½ĵåľº": 109171, "éĿ¢åŃIJ": 109172, "èµĦ产管çIJĨ": 109173, "æĹ¶æľŁçļĦ": 109174, "çŀİ": 109175, "åįİ举": 109176, "åıĪä¸Ģ次": 109177, "èĥİåĦ¿": 109178, "å®ļçĤ¹": 109179, "头çĹĽ": 109180, "液ä½ĵ": 109181, "æĺ¯ä¸Ģä½į": 109182, "帽åŃIJ": 109183, "å¹´èµ·": 109184, "ä¸įä½İäºİ": 109185, "è¾ĥå°ij": 109186, "éĿ¢ä¸´çĿĢ": 109187, "å±Ĥå±Ĥ": 109188, "èĿ´èĿ¶": 109189, "èī°èĭ¦": 109190, "éĺ¿æł¹": 109191, "éĺ¿æł¹å»·": 109192, "æ¦Ĥæĭ¬": 109193, "请éĹ®": 109194, "èµ·åºĬ": 109195, "å±Ģå±Ģéķ¿": 109196, "稳åģ¥": 109197, "å¦ĤæŀľæĪij们": 109198, "éħĴç²¾": 109199, "æĪ·åı£": 109200, "æĦŁæĤŁ": 109201, "æĪij们éľĢè¦ģ": 109202, "æĬĢèīº": 109203, "èĩªåªĴä½ĵ": 109204, "è¿ĽåĮĸ": 109205, "æ¿ĢçĥĪçļĦ": 109206, "ä½ĵ温": 109207, "èļķ": 109208, "èĩ´è¾ŀ": 109209, "宪æ³ķ": 109210, "ä¸ĢçŃīå¥ĸ": 109211, "çĵ¶é¢Ī": 109212, "æĥłæ°ij": 109213, "èµ°è·¯": 109214, "çİ°ä»»": 109215, "åķĨéĩı": 109216, "ä¸ĭ车": 109217, "åĪł": 109218, "責任": 109219, "èŀįåIJĪåıijå±ķ": 109220, "ç´łæĿIJ": 109221, "油价": 109222, "åģļ人": 109223, "çŀª": 109224, "æĶ¹éĿ©åĪĽæĸ°": 109225, "çļĦåĮºåĪ«": 109226, "è·¨å¢ĥçĶµåķĨ": 109227, "æ¶īåıĬåĪ°": 109228, "æīĺ管": 109229, "æĪijè¿ĺæĺ¯": 109230, "åĿIJæłĩ": 109231, "ç½ij讯": 109232, "å½ĵåľ°çļĦ": 109233, "追溯": 109234, "åľŁèĢ³": 109235, "åľŁèĢ³åħ¶": 109236, "åºķä¸ĭ": 109237, "åĩłåįģå¹´": 109238, "ç©¿è¿ĩ": 109239, "çĶŁæĢģæĸĩæĺİ": 109240, "æݨèĸ": 109241, "æݨèĸ¦": 109242, "éłĨ": 109243, "åĴ³åĹ½": 109244, "åĪĨæĪIJ": 109245, "çĹķ迹": 109246, "æĪ·ç±į": 109247, "éĥ½ä¸įèĥ½": 109248, "æĻļä¼ļ": 109249, "åĢ©": 109250, "ä½ĵåĬĽ": 109251, "è¿Ļ个èģĮä¸ļ": 109252, "æĹłå½¢": 109253, "åıªæĥ³": 109254, "è¿Ľåıĸ": 109255, "æĿĢæŃ»": 109256, "èĦĬ": 109257, "äºijåįĹçľģ": 109258, "æľªçŁ¥": 109259, "ç¾İèģĶ": 109260, "ç¾İèģĶåĤ¨": 109261, "å¤ĸå½¢": 109262, "诱æĥij": 109263, "çĽ£": 109264, "è¡Į使": 109265, "åłĨ积": 109266, "çĨŁç»ĥ": 109267, "éĺIJè¿°": 109268, "æľĢ大éĻIJ度": 109269, "å·¡æŁ¥": 109270, "夺åĨł": 109271, "ä¼ģä¸ļæĸĩåĮĸ": 109272, "çĭ®åŃIJ": 109273, "ä¿Ŀå®Ī": 109274, "ä¸ºæł¸å¿ĥçļĦ": 109275, "æī©æķ£": 109276, "åĪ¶éĢłåķĨ": 109277, "æŁĶ软": 109278, "为ä¸Ģä½ĵçļĦ": 109279, "游çİ©": 109280, "çĶŁçĹħ": 109281, "幫åĬ©": 109282, "åĶ±æŃĮ": 109283, "æīįåı¯ä»¥": 109284, "宽æĿ¾": 109285, "è¦ģæ¯Ķ": 109286, "æĺ¯æĢİæł·": 109287, "çģ°èī²": 109288, "çİĭåĽ½": 109289, "æIJħæĭĮ": 109290, "计éĩı": 109291, "åij¨åĽ´çļĦ": 109292, "æĻºèĥ½æīĭæľº": 109293, "常åĬ¡": 109294, "常åĬ¡åī¯": 109295, "é©´": 109296, "å°Ĩè¿ij": 109297, "寻常": 109298, "ä¸ŃåĽ½å¸Ĥåľº": 109299, "容åĻ¨": 109300, "å±±ä¸Ĭ": 109301, "èĥĮåIJİçļĦ": 109302, "亲å¯Ĩ": 109303, "æīĢ以说": 109304, "éİ®": 109305, "çļĦçIJĨçĶ±": 109306, "大åŁİå¸Ĥ": 109307, "常年": 109308, "æĹħ游ä¸ļ": 109309, "å°±æĺ¯è¿Ļæł·": 109310, "åĨįæĿ¥": 109311, "é«ĺä½į": 109312, "åĨħ饰": 109313, "æŀĦéĢł": 109314, "ä¸Ģèµ·æĿ¥": 109315, "çĶ³è«ĭ": 109316, "å·²ç»ıå¼Ģå§ĭ": 109317, "çļĦåĬ¨ä½ľ": 109318, "被迫": 109319, "éģįå¸ĥ": 109320, "åīĸæŀIJ": 109321, "å°ıäºĭ": 109322, "å¿ĥä¸ŃçļĦ": 109323, "ä½ĵåĪ¶æĶ¹éĿ©": 109324, "çļĩ家": 109325, "æķĻåłĤ": 109326, "åIJĥå®Į": 109327, "åĽ½æ°ijåħļ": 109328, "æĺİç¡®äºĨ": 109329, "åıijå±ķè§ĦåĪĴ": 109330, "第ä¸ĢæŃ¥": 109331, "å¾Ĺèµ·": 109332, "åľ¨åĵª": 109333, "çļĦè·¯ä¸Ĭ": 109334, "é»Ķ": 109335, "çķ¶æĻĤ": 109336, "大åĬĽæĶ¯æĮģ": 109337, "åıĮéĩį": 109338, "çŁ¥éģĵèĩªå·±": 109339, "åIJĪä½ľåįıè®®": 109340, "æ°ĶåĬ¿": 109341, "éķ¿æķĪæľºåĪ¶": 109342, "ç½ķè§ģ": 109343, "åĽŀæĿ¥äºĨ": 109344, "ä»ĸä¼ļ": 109345, "ä¸Ńæĸ°": 109346, "ä¸Ńæĸ°ç½ij": 109347, "çļĦåķĨåĵģ": 109348, "èµłéĢģ": 109349, "決å®ļ": 109350, "å¸ĤåľºçĽij管": 109351, "çķĻåѦçĶŁ": 109352, "çĶµåİĭ": 109353, "äºļ马": 109354, "äºļ马éĢĬ": 109355, "è¿ĺæĺ¯æ¯Ķè¾ĥ": 109356, "ä¿ĥè¿ĽäºĨ": 109357, "æµģåħ¥": 109358, "æijĦåĥı": 109359, "æijĦåĥı头": 109360, "æıIJåıĬ": 109361, "åıijæİĺ": 109362, "æī¾åĩº": 109363, "æ¢Ŀ件": 109364, "ç¹¼çºĮ": 109365, "æĪijåĸľæ¬¢": 109366, "å¥İ": 109367, "æ¦ľæł·": 109368, "å¼ĢèĬ±": 109369, "æ²īéĩį": 109370, "åŁºåĩĨ": 109371, "ä»ħä»ħæĺ¯": 109372, "轨éģĵ交éĢļ": 109373, "åĶIJå±±": 109374, "çŃīä¸Ģç³»åĪĹ": 109375, "ä¸įè¿ĩæĺ¯": 109376, "åŃĺåľ¨çĿĢ": 109377, "èĬ±çĶŁ": 109378, "夷": 109379, "ç»Ī究": 109380, "ä¹Łæĺ¯ä¸Ģ个": 109381, "åįģåŃĹ": 109382, "èĸªéħ¬": 109383, "伤å¿ĥ": 109384, "æĺ¥ç§ĭ": 109385, "åĨ·åį´": 109386, "ç²¾çģµ": 109387, "çļĦåľ°åĽ¾": 109388, "æ¯Ķçī¹": 109389, "æ¯Ķçī¹å¸ģ": 109390, "æĢ§åĪ«": 109391, "ä½Ļä¸ĩåħĥ": 109392, "ä¸įå¿ĺåĪĿå¿ĥ": 109393, "å¿ĥçĸ¼": 109394, "æĽ²çº¿": 109395, "é«ĺä½İ": 109396, "è¦ıå®ļ": 109397, "æĻ¯èī²": 109398, "è¦ģ说": 109399, "åħ¬åı¸å°Ĩ": 109400, "液åİĭ": 109401, "è¿Ŀ约": 109402, "åİļ度": 109403, "åºŀ大çļĦ": 109404, "è¿ĺæĺ¯å¾Ī": 109405, "é¦ĸåħĪæĺ¯": 109406, "çµ²": 109407, "åĬ¡å®ŀ": 109408, "並ä¸Ķ": 109409, "å¢ŀè¿Ľ": 109410, "ç»Ħç»ĩå¼Ģå±ķ": 109411, "èµ·æĿ¥äºĨ": 109412, "è¾ĥå°ı": 109413, "导游": 109414, "ä¸¤åľ°": 109415, "ç¿ĺ": 109416, "çģ¿çĥĤ": 109417, "é£İéĩĩ": 109418, "æĶ¯çº¿": 109419, "æĶ¯çº¿ä»»åĬ¡": 109420, "娱ä¹IJåľĪ": 109421, "天津å¸Ĥ": 109422, "åĮħåĽ´": 109423, "æľ¬èµĽåŃ£": 109424, "éĩįè¦ģ讲è¯Ŀ": 109425, "åıĮåIJij": 109426, "åįİ丽": 109427, "éĶ¤": 109428, "åĦ¿å¥³": 109429, "åįĸåĩº": 109430, "ä¾Ĩ說": 109431, "ä»ĭç»įä¸Ģä¸ĭ": 109432, "åIJ¦è®¤": 109433, "åĭĿ": 109434, "æĻ®éĢļ人": 109435, "çļĦåĬ¨åĬĽ": 109436, "涨åģľ": 109437, "åŁºéĩij管çIJĨ": 109438, "ä¸Ģ个éĩįè¦ģ": 109439, "è¿IJæ²³": 109440, "çħŀ": 109441, "è´¢æĶ¿éĥ¨": 109442, "è¡Įä¸ļåįıä¼ļ": 109443, "éĥ½å°Ĩ": 109444, "è¨Ģ论": 109445, "ä¸ĭä¾Ĩ": 109446, "墨西": 109447, "墨西åĵ¥": 109448, "åĽłä¸ºä»ĸ们": 109449, "æĢİä¹ĪåĽŀäºĭ": 109450, "åĬłå¤§å¯¹": 109451, "èĬŃ": 109452, "çīĮåŃIJ": 109453, "ä¼ļ使": 109454, "妹åŃIJ": 109455, "ç«Ļéķ¿": 109456, "å¿ħå¤ĩ": 109457, "æłijæľ¨": 109458, "æģ¶æĦı": 109459, "æ²³éģĵ": 109460, "å¯Įè£ķ": 109461, "ç¹ģåįİ": 109462, "ä»£è¡¨åĽ¢": 109463, "æµij身": 109464, "é¦ĸä½į": 109465, "èĪªç©ºåħ¬åı¸": 109466, "éĽ»å½±": 109467, "ä¸ĵè¾ij": 109468, "æ°´æºIJ": 109469, "ä¸Ńæ¯Ĵ": 109470, "並ä¸į": 109471, "èĢĮåİ»": 109472, "éĥĿ": 109473, "äºİæѤ": 109474, "æĸĩåĮĸ建设": 109475, "èĤ¯å®ļä¼ļ": 109476, "å¸ĮæľĽå¤§å®¶": 109477, "æııåĨĻ": 109478, "ä½İè°ĥ": 109479, "æĸ°åħ´äº§ä¸ļ": 109480, "æ·Ħåįļ": 109481, "æĶ¾å¼Ģ": 109482, "çļĦæĢ§æł¼": 109483, "çĸ¾çĹħçļĦ": 109484, "æķ´é¡¿": 109485, "线ä¸Ĭ线ä¸ĭ": 109486, "éĢī项": 109487, "çļĦ认åı¯": 109488, "æķ´é½IJ": 109489, "çĶļä¹Ī": 109490, "çľģåĨħ": 109491, "åı¤äºº": 109492, "æ°ijä¿Ĺ": 109493, "çī¡ä¸¹": 109494, "éŨçªĹ": 109495, "éĤ£æł·çļĦ": 109496, "çĽijäºĭä¼ļ": 109497, "ç¿¡ç¿ł": 109498, "禹": 109499, "åįĥä¸ĩä¸įè¦ģ": 109500, "æĶ¶ç¼©": 109501, "çļĦæĸĩåŃĹ": 109502, "åĴĮå°ļ": 109503, "æĮĩ令": 109504, "åħ±äº§åħļåijĺ": 109505, "çļĦçĪ¶äº²": 109506, "å®Įå·¥": 109507, "åĬ¡å·¥": 109508, "马æĭī": 109509, "马æĭīæĿ¾": 109510, "æµĭè¯Ħ": 109511, "å²ļ": 109512, "ä¸įåģļ": 109513, "ä¸ĥå¹´": 109514, "åĿĩä»·": 109515, "主è§Ĥ": 109516, "å¾Īä¸įéĶĻ": 109517, "èĤ¡ä¸ľå¤§ä¼ļ": 109518, "äºĶä¸Ģ": 109519, "é£İåIJ¹": 109520, "å¼Ģéĩĩ": 109521, "è¿Ļä¹Ī大": 109522, "èĥ½çľĭåĪ°": 109523, "èĢĥè¯Ħ": 109524, "åį³ä¾¿æĺ¯": 109525, "çݰ代åĨľä¸ļ": 109526, "æ¯Ķè¾ĥé«ĺ": 109527, "è¦ģçľĭ": 109528, "没äºĨ": 109529, "解決": 109530, "çݯæ¯Ķ": 109531, "åĨ²åĬ¨": 109532, "æ·±å¤ľ": 109533, "åĩłåįĥ": 109534, "ä¿ı": 109535, "ç½ijæ°ij": 109536, "就没": 109537, "ä»ĸ表示": 109538, "éĩıåŃIJ": 109539, "æĹ©é¤IJåĬłçĽŁ": 109540, "åįĬå²Ľ": 109541, "æIJŀç¬ij": 109542, "ä¸ĬæĬ¥": 109543, "審": 109544, "é¢Ħ订": 109545, "èľĤèľľ": 109546, "æŁ¥æī¾": 109547, "ä¼ĹæīĢ": 109548, "ä¼ĹæīĢåij¨": 109549, "ä¼ĹæīĢåij¨çŁ¥": 109550, "æĹ©æĹ¥": 109551, "åıijæī¬": 109552, "åĴĮ个人": 109553, "åĬłåħ¥äºĨ": 109554, "åĸ®ä½į": 109555, "åĪĨæĺİ": 109556, "第ä¸Ģæī¹": 109557, "ç¾İåĨĽ": 109558, "æĿĢæīĭ": 109559, "éŨå¤ĸ": 109560, "åķĨåľĪ": 109561, "ä¸ĢåĪ»": 109562, "çļĦçľ¼ç¥ŀ": 109563, "éľĦ": 109564, "äºĽä»Ģä¹Ī": 109565, "åĬłæ·±": 109566, "æ¯ıä½į": 109567, "å¸ĤéĿ¢ä¸Ĭ": 109568, "åıĶåıĶ": 109569, "çļĦéĤ£ç§į": 109570, "粤港澳": 109571, "è´´å¿ĥ": 109572, "æĸĩåĮĸ产ä¸ļ": 109573, "红æĹĹ": 109574, "åĺīåħ´": 109575, "æĶ¶çĽĺ": 109576, "å®ĮæĪIJåIJİ": 109577, "ä¼ģä¸ļ管çIJĨ": 109578, "纵横": 109579, "ä¸įä¿¡": 109580, "æĪIJéĥ½å¸Ĥ": 109581, "æ´Ĺ澡": 109582, "举è¡ĮçļĦ": 109583, "çĶ¢çĶŁ": 109584, "ç©¿ä¸Ĭ": 109585, "åĪļ好": 109586, "åħī线": 109587, "æīĵæŀ¶": 109588, "è¿Ļæľ¬ä¹¦": 109589, "åĶ®åIJİæľįåĬ¡": 109590, "åĩłåĪĨ": 109591, "ä¸Ĭ次": 109592, "ä¸įåĪĨ": 109593, "产åIJİ": 109594, "éģ¿å¼Ģ": 109595, "ç»Īæŀģ": 109596, "代表大ä¼ļ": 109597, "æ¼ĶæĬĢ": 109598, "åĽŀè´Ń": 109599, "åŃ¦è´¹": 109600, "éĺ»ç¢į": 109601, "ä¸Ģ大æī¹": 109602, "竣工": 109603, "åĨ³å®ļäºĨ": 109604, "ä½Ĩå¦Ĥæŀľ": 109605, "çĶµæµģ": 109606, "ä¸Ŀ毫": 109607, "èĥ½å¤Łåľ¨": 109608, "éĶĢåĶ®æĶ¶åħ¥": 109609, "åľ¨åŃ¦æł¡": 109610, "æ°´åĩĨ": 109611, "è§Ĩ线": 109612, "èĩªåľ¨": 109613, "åķĨä¸ļéĵ¶è¡Į": 109614, "为äºĨ让": 109615, "çį²å¾Ĺ": 109616, "çݩ家æľĭåıĭ": 109617, "éĿ¢èĨľ": 109618, "åĪĨåī²": 109619, "åī§æľ¬": 109620, "ç«Ń": 109621, "说å¾Ĺ": 109622, "æĥ³çŁ¥éģĵ": 109623, "çļĦ人çī©": 109624, "èĮħåı°": 109625, "åIJĮä¸Ģ个": 109626, "æķ°æį®ä¸Ńå¿ĥ": 109627, "çĶĦ": 109628, "åĸľæĤ¦": 109629, "ä¸ĭæĿ¥çļĦ": 109630, "å®ļåIJij": 109631, "æŀģåħ·": 109632, "çļĦåľŁåľ°": 109633, "éĤ£åĢĭ": 109634, "æijĦåħ¥": 109635, "äºĨæĪijçļĦ": 109636, "马路": 109637, "åħ¨ç¤¾ä¼ļ": 109638, "è®®æ¡Ī": 109639, "å±ĭåŃIJ": 109640, "åIJįåı«": 109641, "åĮª": 109642, "åľ¨å¤ĸéĿ¢": 109643, "åįİåįĹ": 109644, "åıijè´§": 109645, "å¯ĴåĨ·": 109646, "é«ĺçŃīæķĻèĤ²": 109647, "详ç»ĨçļĦ": 109648, "ä¸ªé¡¹çĽ®": 109649, "çĶŁäº§åĬĽ": 109650, "æĹ¶å¸¸": 109651, "å°±æľĥ": 109652, "ä¸ĩèĤ¡": 109653, "éĻĮçĶŁäºº": 109654, "æııç»ĺ": 109655, "å½ĵçĦ¶æĺ¯": 109656, "æĭīåĬ¨": 109657, "éĵ¾æĿ¡": 109658, "æī£éĻ¤": 109659, "ä¸Ģ缴éĥ½": 109660, "å°ıåŃ©åŃIJ": 109661, "伤åı£": 109662, "第äºĮå±Ĭ": 109663, "è´Ńç½®": 109664, "çļĩ马": 109665, "æĹłèģĬ": 109666, "表åĨ³": 109667, "诸å¦Ĥ": 109668, "åĵįèµ·": 109669, "é£İæļ´": 109670, "ä¸ĢæµģçļĦ": 109671, "ç·¨": 109672, "解æĶ¾åĨĽ": 109673, "室å¤ĸ": 109674, "å°±è¿Ļä¹Ī": 109675, "島": 109676, "æīĢæľī人éĥ½": 109677, "æIJľç´¢å¼ķæĵİ": 109678, "çļĦæĪIJæľ¬": 109679, "åħļæĶ¿": 109680, "åıijè¡Į人": 109681, "çļĦäºĭå®ŀ": 109682, "对该": 109683, "åıĹæįŁ": 109684, "ä¿Ħä¹Į": 109685, "é²ľèĬ±": 109686, "åĨľèį¯": 109687, "æŀģéĢŁ": 109688, "æĢ¥æĢ§": 109689, "两ä¼ļ": 109690, "ä¸ĢèĪ¬æĿ¥è¯´": 109691, "æµ·é²ľ": 109692, "åĨĪ": 109693, "çĶ¨äºº": 109694, "çĶ¨äººåįķä½į": 109695, "åĢª": 109696, "åĦªæĥł": 109697, "æł¹æºIJ": 109698, "åĽ¢è´Ń": 109699, "ç¾İæ´²": 109700, "ä¸ĭè¡Į": 109701, "å¹´æľ«": 109702, "èľ¡": 109703, "è¯ģ件": 109704, "åľ¨æĪijåĽ½": 109705, "ä¸įåºĶ": 109706, "æĮīæŶ": 109707, "åłªç§°": 109708, "åľºä¸Ĭ": 109709, "å¹²éĥ¨èģĮå·¥": 109710, "æľīå¾Ī大çļĦ": 109711, "æķ°åŃĹç»ıæµİ": 109712, "æ¼Ķç»ĥ": 109713, "æį®ç»Łè®¡": 109714, "å¾ĢæĿ¥": 109715, "广åijĬæľįåĬ¡": 109716, "çļĦè·Ŀ离": 109717, "æѸ": 109718, "è¨Ģè¯Ń": 109719, "被èªī": 109720, "被èªī为": 109721, "åĭī强": 109722, "å°Ĭæķ¬": 109723, "ä¸ĩ亿åħĥ": 109724, "ä¸ŃåĽ½åĽ½éĻħ": 109725, "å¹²é¢Ħ": 109726, "年产": 109727, "èĢķåľ°": 109728, "èĮİ": 109729, "åį³æĺ¯": 109730, "æĺ¨æĻļ": 109731, "æĪIJ为ä¸Ģ个": 109732, "çºłæŃ£": 109733, "åij½åIJį": 109734, "é¢ģå¸ĥ": 109735, "çĮľæµĭ": 109736, "ä¿ĿèŃ·æĶ¿çŃĸ": 109737, "æĭ¢": 109738, "活泼": 109739, "çŃīéĥ¨éŨ": 109740, "åѦåĪ°": 109741, "å¢ŀåĢ¼ç¨İ": 109742, "èĪªçº¿": 109743, "åĨ¤": 109744, "åįģåĩłå¹´": 109745, "æݧèĤ¡èĤ¡ä¸ľ": 109746, "ä¸ĢéŨ": 109747, "ä¸ªå·¥ä½ľ": 109748, "ä¸ªå·¥ä½ľæĹ¥": 109749, "æĸ°è¥¿": 109750, "æĸ°è¥¿åħ°": 109751, "论è¯ģ": 109752, "ä»Ĩ": 109753, "åı¦å¤ĸä¸Ģ个": 109754, "æĶ¹ç¼ĸ": 109755, "严ç¦ģ": 109756, "åĸľå¥½": 109757, "个人信æģ¯": 109758, "满æĦı度": 109759, "åĵ¨": 109760, "å¸ĪèµĦ": 109761, "æĶ¹ä¸º": 109762, "ç«ŀäºī对æīĭ": 109763, "åĩºçĤī": 109764, "åķĨ人": 109765, "大æ£ļ": 109766, "æĮĩ导ä¸ĭ": 109767, "å¦ĩç§ij": 109768, "輪": 109769, "æīģ": 109770, "åIJĮæŶè¿ĺ": 109771, "并éĢļè¿ĩ": 109772, "æĪĺéĺŁ": 109773, "èĶĵ延": 109774, "ä¿ŀ": 109775, "éĢĤå½ĵçļĦ": 109776, "åīįè¾Ī": 109777, "åĵģåij³": 109778, "æ¹¿åľ°": 109779, "æĪIJåŀĭ": 109780, "ä¸įåıªæĺ¯": 109781, "æĥ©ç½ļ": 109782, "åĩºåı°äºĨ": 109783, "çݩ游æĪı": 109784, "æīįåıijçİ°": 109785, "åºĶèģĺ": 109786, "å¤ĸæĿ¥": 109787, "åįłé¢Ĩ": 109788, "å±ķæľĽ": 109789, "å«Ĥ": 109790, "港èĤ¡": 109791, "æ¡Įä¸Ĭ": 109792, "æĶ¯æŁ±": 109793, "çļĦæĥħå½¢": 109794, "广éĺĶçļĦ": 109795, "æĶ¯è¡Į": 109796, "å´©æºĥ": 109797, "æľĪä¸Ń": 109798, "æľĪä¸ŃæŬ": 109799, "ç»įåħ´": 109800, "临è¿ij": 109801, "æĬ¤æłı": 109802, "æļ®": 109803, "åįķèģĮä¸ļ": 109804, "è¾¹å¢ĥ": 109805, "æĹ¥çħ§": 109806, "ä¸ĢåłĨ": 109807, "缴å¾Ħ": 109808, "åħ±åIJĮä½ĵ": 109809, "æĸ°åįİç½ij": 109810, "æīĵ好": 109811, "çĶµåĬ¨æ±½è½¦": 109812, "ä¸įæĺİçĻ½": 109813, "éĢĻ裡": 109814, "çĽĽå¤§": 109815, "çİĭæľĿ": 109816, "åĨįä¸Ģ次": 109817, "åĬŀåħ¬åİħ": 109818, "è´¨æĬ¼": 109819, "åIJĪåĩ»": 109820, "人们对": 109821, "éĽ¶é£Ł": 109822, "éĥ½ä¸įçŁ¥éģĵ": 109823, "çļĦè¯Ńè¨Ģ": 109824, "åĭŁéĽĨèµĦéĩij": 109825, "åĬ¨èĦī": 109826, "彤": 109827, "è¿Ļåĩłå¹´": 109828, "çŁŃè§Ĩé¢ij": 109829, "太é«ĺ": 109830, "常å§Ķä¼ļ": 109831, "åĬłçıŃ": 109832, "éĩįå¿ĥ": 109833, "åªĴä½ĵæĬ¥éģĵ": 109834, "没æ³ķ": 109835, "éĹ»åIJį": 109836, "çĥŃ度": 109837, "å¹¿æ³ĽçļĦ": 109838, "åħŃ大": 109839, "çī©ä½ĵ": 109840, "ä¸į该": 109841, "é¢ĺ主": 109842, "精彩çļĦ": 109843, "ä¸ºè¿Ľä¸ĢæŃ¥": 109844, "èĻŀ": 109845, "åĽºçĦ¶": 109846, "è´µå·ŀçľģ": 109847, "çºłç»ĵ": 109848, "代çIJĨ人": 109849, "æ³ķå®ļ代表": 109850, "åı¦ä¸Ģç§į": 109851, "ä¸įåIJ«": 109852, "æĭ¯æķij": 109853, "ä¼ļç»Ļ": 109854, "è¯Ĺè¯į": 109855, "åIJĮç±»": 109856, "å¾Ĺä¸įåĪ°": 109857, "æĬĵç´§": 109858, "以åħ¶": 109859, "åħ¥åħļ": 109860, "è¿ĺåı¯": 109861, "æľŁåĪĬ": 109862, "å¾Īå¤ļæŶåĢĻ": 109863, "æĹ¥åIJİ": 109864, "åħ¬çº¦": 109865, "ä¸Ģ举": 109866, "æ¯Ķè¾ĥå¤ļ": 109867, "éĩijæ²Ļ": 109868, "æįŀ": 109869, "æİĴåĩº": 109870, "æŃ¦æľ¯": 109871, "ä¸įæĸ·": 109872, "ä¸ŃèĢĥ": 109873, "ä¿¡èµĸ": 109874, "ä»İä¸ļ人åijĺ": 109875, "çģ«çĦ°": 109876, "éĨĴæĿ¥": 109877, "ä½İ温": 109878, "éĢ¾æľŁ": 109879, "åĬ±å¿Ĺ": 109880, "éħ¥": 109881, "åı¯è°ĵæĺ¯": 109882, "è¿ĻæĦıåij³çĿĢ": 109883, "é¢łè¦Ĩ": 109884, "åĮĹ京大åѦ": 109885, "ä¸ĵ线": 109886, "åıĬ以ä¸Ĭ": 109887, "訪": 109888, "èĢĮåIJİ": 109889, "çŁ¥ä¹İ": 109890, "ä¸Ģ对ä¸Ģ": 109891, "å¨ĥå¨ĥ": 109892, "çģ¾éļ¾": 109893, "åħ¨å±Ģ": 109894, "æīĢå¾Ĺç¨İ": 109895, "å®ŀæĥł": 109896, "èļĤèļģ": 109897, "ä¹ŁçŁ¥éģĵ": 109898, "温åĴĮ": 109899, "èIJ½ä¸ĭ": 109900, "åŀĭä¼ģä¸ļ": 109901, "åĨįä¹Ł": 109902, "ä¾ĽçĥŃ": 109903, "é«ĺæ½®": 109904, "çĢı覽åĻ¨": 109905, "çļĦ巨大": 109906, "åħĪ天": 109907, "å¹´ä¸ŃåĽ½": 109908, "类似çļĦ": 109909, "çIJĨäºĭä¼ļ": 109910, "空éĸĵ": 109911, "çģµæĦŁ": 109912, "åĬĽæ°Ķ": 109913, "带ä¸Ĭ": 109914, "ä¸į好æĦıæĢĿ": 109915, "æľīä½ķ": 109916, "å·²åľ¨": 109917, "åıĸåĩº": 109918, "è¿Ŀæ³ķçĬ¯ç½ª": 109919, "åŃ¦ä¹łè´¯å½»": 109920, "åľ°å¸¦": 109921, "楼梯": 109922, "çŃīæĥħåĨµ": 109923, "ä»İåīį": 109924, "çļĦä¹łæĥ¯": 109925, "ç³Łç³ķ": 109926, "å°±èĥ½å¤Ł": 109927, "è©ķ": 109928, "ä¸Ģå¾ĭ": 109929, "æĮ«æĬĺ": 109930, "åİŁæĸĩåľ°åĿĢ": 109931, "å½ĵå±Ģ": 109932, "ä¸įéĢļ": 109933, "æķ°åįĥ": 109934, "éĺŁä¼į建设": 109935, "æŶèĬĤ": 109936, "åģļèµ·": 109937, "çļĦè®°å¿Ĩ": 109938, "ç½ij绾å®īåħ¨": 109939, "åĩ¡æĺ¯": 109940, "æ°¯": 109941, "éĽķåĪ»": 109942, "åŁĥåıĬ": 109943, "æĪijåı¯ä»¥": 109944, "çĽijçIJĨ": 109945, "æĽ´åħ·": 109946, "åŁİ管": 109947, "èĭ¯": 109948, "åı¥åŃIJ": 109949, "èĭ¥æľī": 109950, "ä»İæĿ¥ä¸į": 109951, "缸åħ³è´Łè´£": 109952, "å®īåħ¨æĦŁ": 109953, "æĽ´è¦ģ": 109954, "çļĦæĥħæĦŁ": 109955, "çī¢çī¢": 109956, "è¾ĥ好çļĦ": 109957, "æ°®": 109958, "ç¬ijè¯Ŀ": 109959, "车å±ķ": 109960, "ä¹ĭç¾İ": 109961, "ç®Ģ约": 109962, "ç±»åŀĭçļĦ": 109963, "èĢģåĮĸ": 109964, "çľĭä½ł": 109965, "è¿ĩåĪĨ": 109966, "éŨåīį": 109967, "ä¸ĢéĹ´": 109968, "æĥ³åİ»": 109969, "åªĽ": 109970, "åľŁè±Ĩ": 109971, "åıĪ称": 109972, "ä¸Ńä¿¡": 109973, "åŃĺéĩı": 109974, "马äºij": 109975, "èĩ´ä½¿": 109976, "åħĪåīį": 109977, "èĢģåŃIJ": 109978, "æīĵæī®": 109979, "æ¯ķä¸ļäºİ": 109980, "æ¯ķä¸ļåIJİ": 109981, "ç¾İ好çĶŁæ´»": 109982, "å·¥ä¸ļä¼ģä¸ļ": 109983, "就好äºĨ": 109984, "èħIJèļĢ": 109985, "çıįçıł": 109986, "åĪ°è¿ĻéĩĮ": 109987, "æīĢéľĢçļĦ": 109988, "è¿Ļæĺ¯åĽłä¸º": 109989, "çIJĨæĥ³çļĦ": 109990, "å·®å¼ĤåĮĸ": 109991, "é®": 109992, "é®®": 109993, "äºļ太": 109994, "æĹłç©·": 109995, "æıIJçİ°": 109996, "ä¸ĵä¸ļæĬĢæľ¯": 109997, "çĶ¢æ¥Ń": 109998, "åѦåŃIJ": 109999, "ç§ijå¹»": 110000, "åįłåľ°éĿ¢ç§¯": 110001, "ä¸įåĩĨ": 110002, "æľªæĪIJ年人": 110003, "æĶ¶å½ķ": 110004, "è¿ĺ款": 110005, "éĴ¢çŃĭ": 110006, "æ¼¢": 110007, "å¾ĹæĦı": 110008, "综åIJĪä½ĵ": 110009, "æŀģé«ĺ": 110010, "åįķè¯į": 110011, "é«ĺæķĪçļĦ": 110012, "骨头": 110013, "æī§çĿĢ": 110014, "缼ä¸ĸ": 110015, "模çī¹": 110016, "æĽ´èĥ½": 110017, "ç»ĿæľĽ": 110018, "对åºĶçļĦ": 110019, "æ¨Ĭ": 110020, "æĸ°ä¸ī": 110021, "æĸ°ä¸īæĿ¿": 110022, "æģ°æģ°": 110023, "åIJį家": 110024, "æł¸å¿ĥæĬĢæľ¯": 110025, "个å°ı": 110026, "æĢİä¹Īä¼ļ": 110027, "说ä¸įå®ļ": 110028, "西çĵľ": 110029, "åĵİ": 110030, "ç¢Ł": 110031, "å¿ħä¸įåı¯": 110032, "å¿ħä¸įåı¯å°ij": 110033, "ä¹ĭéĸĵ": 110034, "åĪĨ管": 110035, "交éĢļäºĭæķħ": 110036, "å¼ĢåĬŀ": 110037, "å¾ģæ±ĤæĦıè§ģ": 110038, "亨": 110039, "鼻åŃIJéĥµ": 110040, "鼻åŃIJéĥµä»¶": 110041, "ä¿¡æģ¯æľįåĬ¡": 110042, "ä½łè§īå¾Ĺ": 110043, "缴è§Ĥ": 110044, "å·²å®ĮæĪIJ": 110045, "åĪĨä¼ļ": 110046, "åĽŀåįĩ": 110047, "éļ»": 110048, "好人": 110049, "äºĨ解ä¸Ģä¸ĭ": 110050, "åį«æµ´": 110051, "æľĢçĪ±": 110052, "åºŀ大": 110053, "客æĪ¿": 110054, "çijŀåħ¸": 110055, "éĥ½ä¸įæĺ¯": 110056, "館": 110057, "èĹī": 110058, "çļĦåIJĦ项": 110059, "ä¸ºçĽ®æłĩ": 110060, "çļĦè®¤çŁ¥": 110061, "å½±åĵįåĬĽçļĦ": 110062, "å¤¸å¼ł": 110063, "佩æĪ´": 110064, "æ±ĩçİĩ": 110065, "çļĦçĪ±æĥħ": 110066, "æĺ¥é£İ": 110067, "æĺ¯æĪijçļĦ": 110068, "樹": 110069, "åįĬå°ıæŶ": 110070, "å±±åİ¿": 110071, "山西çľģ": 110072, "èĢĮè¿Ļ": 110073, "æĽ´å¤ļä¿¡æģ¯": 110074, "è¿ĺæľīä¸ĢäºĽ": 110075, "ç²¾ç»ĨåĮĸ": 110076, "ç¾İåѦ": 110077, "çĶ±æĸ¼": 110078, "ä»ħä¾ĽåıĤèĢĥ": 110079, "å¾Īé«ĺçļĦ": 110080, "åıłåĬł": 110081, "è¿Ļä¹Ī说": 110082, "å±ķåĩº": 110083, "åĽĽå¤Ħ": 110084, "ä¸ĩ家": 110085, "æĭĽåĭŁ": 110086, "çļĦ强大": 110087, "æĤ£æľī": 110088, "å°ıäºİ": 110089, "ä¹Łè®¸æĺ¯": 110090, "对èĩªå·±çļĦ": 110091, "èģĮä¸ļæķĻèĤ²": 110092, "æĿ¥è¿Ľè¡Į": 110093, "档次": 110094, "æīĵèµ¢": 110095, "éĥ½æľīçĿĢ": 110096, "庸": 110097, "è¯Ńæ°Ķ": 110098, "çĶ²éĨĽ": 110099, "空åĨĽ": 110100, "车åĨħ": 110101, "åĽłä¸ºä½ł": 110102, "å®ŀæķĪ": 110103, "æĥħä¾£": 110104, "åıijè¾¾åĽ½å®¶": 110105, "éķľåŃIJ": 110106, "æ¯įå©´": 110107, "ä½Ĩæĺ¯ä»ĸ": 110108, "积æŀģæİ¨è¿Ľ": 110109, "大å¹ħ度": 110110, "çļĦ女åĦ¿": 110111, "é¤IJæ¡Į": 110112, "åIJ¬å¾Ĺ": 110113, "çļĦ积æŀģæĢ§": 110114, "好åIJ§": 110115, "æĹ¥æ¶Īæģ¯": 110116, "æľīä»»ä½ķ": 110117, "æ¯Ĵåĵģ": 110118, "æĹ©çĤ¹åĬłçĽŁ": 110119, "第ä¸Ģ天": 110120, "å°½åĬĽ": 110121, "æłĸ": 110122, "主æīĵ": 110123, "æĺ¯ä¸ĢåIJį": 110124, "çĪĨæĸĻ": 110125, "äºĭä¸ļåıijå±ķ": 110126, "å¾®åķĨ": 110127, "äºİä¸Ģä½ĵçļĦ": 110128, "çĶŁçĮª": 110129, "èĩªçĦ¶èµĦæºIJ": 110130, "çŀĦåĩĨ": 110131, "è§Ħ模åĮĸ": 110132, "并ä¸İ": 110133, "èĤ¥èĥĸ": 110134, "家çĶ¨": 110135, "大çĪ·": 110136, "é¢ĦåijĬ": 110137, "æĿ¥åģļ": 110138, "éĺ³åİ¿": 110139, "æŀĦçŃij": 110140, "é¢ģå¥ĸ": 110141, "åİĨåı²æĸĩåĮĸ": 110142, "æľįåĭĻæĪĸ": 110143, "æĢ»åĨ³èµĽ": 110144, "åıijåŀĭ": 110145, "æĪij羣çļĦ": 110146, "æĽ¦": 110147, "åıĤä¼ļ": 110148, "èĦĨå¼±": 110149, "åĩĨåħ¥": 110150, "èħ¹éĥ¨": 110151, "åı¸ä»¤": 110152, "æĤ²åī§": 110153, "天ä¸Ĭ": 110154, "åı£ä¸Ń": 110155, "ä¸ĩ个": 110156, "åѦä¸ļ": 110157, "æıIJåĢ¡": 110158, "两边": 110159, "大èĤ¡ä¸ľ": 110160, "åı¤éķĩ": 110161, "è¡Ģç³ĸ": 110162, "çļĦç¨ĭ度": 110163, "æ£īèĬ±": 110164, "åIJİåı°": 110165, "å°±åĮ»": 110166, "æķ´æķ´": 110167, "èĴ²": 110168, "çĽĪåĪ©èĥ½åĬĽ": 110169, "ç±½": 110170, "èĦ«": 110171, "çľĭéĩį": 110172, "家éķ·": 110173, "èģĺçĶ¨": 110174, "èµĽéģĵ": 110175, "åīįèĢħ": 110176, "建èŃ°": 110177, "å¾ĭå¸ĪäºĭåĬ¡": 110178, "èīºæľ¯åĵģ": 110179, "æľīèĩªå·±çļĦ": 110180, "åIJ¦å®ļ": 110181, "ç¤¾åĽ¢": 110182, "åij¨äºĶ": 110183, "带åĪ°": 110184, "å·¥ä½ľä¼ļè®®": 110185, "èĤ¡æľ¬": 110186, "å¤ĸåĮħ": 110187, "家åħ¬åı¸": 110188, "çĽijçĭ±": 110189, "èĪĬ": 110190, "åIJįæł¡": 110191, "西æ¹ĸ": 110192, "è¶ħè¿ĩäºĨ": 110193, "åįĹå±±": 110194, "ç»Ħ件": 110195, "åĢ¼å¾Ĺ注æĦı": 110196, "æĮ£æīİ": 110197, "äºĭ迹": 110198, "ç¶ĵçĩŁ": 110199, "ç§ij室": 110200, "好åIJĹ": 110201, "æ¤ħåŃIJ": 110202, "åľĪåŃIJ": 110203, "ä½Ĩ她": 110204, "æµģçķħ": 110205, "åIJĦèĩªçļĦ": 110206, "èģĮåijĺ": 110207, "è¡įçĶŁ": 110208, "åħ¨åľº": 110209, "æĴ¤éĶĢ": 110210, "åį´è¢«": 110211, "å®ģéĿĻ": 110212, "åīįæīĢ": 110213, "åīįæīĢæľª": 110214, "åīįæīĢæľªæľī": 110215, "主ä¸ļ": 110216, "åĮĹç¾İ": 110217, "è¯Ħå®ļ": 110218, "åĵģå°Ŀ": 110219, "大家éĥ½åľ¨": 110220, "主å¸ħ": 110221, "ç»Ĩå¿ĥ": 110222, "ä¿¡æģ¯æĬ«éľ²": 110223, "çļĦç«ŀäºī": 110224, "éĢĻ樣çļĦ": 110225, "ç§ijåĪĽæĿ¿": 110226, "éĩĩæijĺ": 110227, "票æį®": 110228, "éĢIJå¹´": 110229, "èĭ±è¶ħ": 110230, "è¡Įä¸ļåĨħ": 110231, "人寿": 110232, "åIJİåĭ¤": 110233, "å¦ĤæĦı": 110234, "ç¬Ķè¯ķ": 110235, "æ·¡æ·¡çļĦ": 110236, "ä¸įèĪĴæľį": 110237, "ä½ĵ积": 110238, "ä¹Łä¸įè¦ģ": 110239, "éĿ¢æĸĻ": 110240, "æł·æľ¬": 110241, "ç¥ģ": 110242, "æĮīè§Ħå®ļ": 110243, "大æ¦Ĥæĺ¯": 110244, "æĥħåĨµè¿Ľè¡Į": 110245, "åIJĦåįķä½į": 110246, "çļĦç¬ij容": 110247, "åĩºèī²çļĦ": 110248, "代表æĢ§": 110249, "çļĦç¾İ好": 110250, "éĴ¦": 110251, "å¾®çĶŁçī©": 110252, "è¶Ĭæĺ¯": 110253, "æĸ¹åı¯": 110254, "å¹²èĦĨ": 110255, "éģĬæĪ²": 110256, "çļĦåħ´è¶£": 110257, "éĹ®è´£": 110258, "åĽłä¸ºæĪij们": 110259, "èĢĥéĩı": 110260, "çĶŁçĶŁ": 110261, "éĺ»åĬĽ": 110262, "ä¸įåħģ许": 110263, "æıIJè®®": 110264, "åĩıæĮģ": 110265, "åıªæĺ¯ä¸Ģ个": 110266, "æĪijæĬĬ": 110267, "åıijçİ°èĩªå·±": 110268, "å¢ŀå¹ħ": 110269, "å¦į": 110270, "èĹĿè¡ĵ": 110271, "ä¸Ģ家人": 110272, "åĪĨ级": 110273, "çļĦæķ°éĩı": 110274, "è½®èŀįèµĦ": 110275, "çŃīåĽłç´ł": 110276, "大夫": 110277, "èģĺ请": 110278, "é£İæľº": 110279, "绽æĶ¾": 110280, "ä»»ä½ķä¸Ģ个": 110281, "éłĤ": 110282, "éĺ¶çº§": 110283, "æĬĬ她": 110284, "è¿ĽåĨĽ": 110285, "èĥ½åģļåĪ°": 110286, "åŁ¹è®ŃæľºæŀĦ": 110287, "çī©æĸĻ": 110288, "ç«¥è¯Ŀ": 110289, "æĮĩ导æĦıè§ģ": 110290, "éĺ®": 110291, "æ·±åħ¥æİ¨è¿Ľ": 110292, "ä¸»æľº": 110293, "æ¸Ķä¸ļ": 110294, "ä¸įæľį": 110295, "æµĵéĥģ": 110296, "è¡Ĺä¸Ĭ": 110297, "ä¾Ŀ次": 110298, "æĹ¶æ®µ": 110299, "梵": 110300, "çļĦåĸľçĪ±": 110301, "å¾Īéķ¿": 110302, "åĪĿ级": 110303, "æŀľæĸŃ": 110304, "æĬ¢æķij": 110305, "é¼ĵèĪŀ": 110306, "ä¾ĽéľĢ": 110307, "æ·±åħ¥å¼Ģå±ķ": 110308, "产ä¸ļéĽĨ群": 110309, "åĻªéŁ³": 110310, "åIJ¬çĿĢ": 110311, "æ·±åĪ»çļĦ": 110312, "å¿įåıĹ": 110313, "çĶµç£ģ": 110314, "强èĢħ": 110315, "æ»ĭåij³": 110316, "æĽ¼èģĶ": 110317, "åı¯ä»¥çĽ´æİ¥": 110318, "大米": 110319, "æŃ·åı²": 110320, "æĶ¿åĬ¡æľįåĬ¡": 110321, "åħ¬å¼ı": 110322, "社群": 110323, "éģĵ士èģĮä¸ļ": 110324, "ä¹ĭæĥħ": 110325, "æµ·æ°´": 110326, "æ¼Ķå¥ı": 110327, "åºĹéĩĮ": 110328, "迹象": 110329, "åıijå±ķçIJĨ念": 110330, "é«ĺ空": 110331, "åij¨åĪĬ": 110332, "åĽŀåĪ°äºĨ": 110333, "ä¸įéĢĤåIJĪ": 110334, "åłµå¡ŀ": 110335, "åĬĪ": 110336, "æ°´ä¸Ĭ": 110337, "çĢijå¸ĥ": 110338, "纳ç¨İ人": 110339, "çĩĥæ²¹": 110340, "å·¥ç¨ĭé¡¹çĽ®": 110341, "峡谷": 110342, "æľīéĴĪ对æĢ§": 110343, "åľĨå½¢": 110344, "æľ¬å¸Ĥ": 110345, "è¿Ļè¯Ŀ": 110346, "管çIJĨèĢħ": 110347, "ç¡®è¯ĬçĹħä¾ĭ": 110348, "æĬĬæīĭ": 110349, "彩èī²": 110350, "ä¸Ĭåīį": 110351, "夯å®ŀ": 110352, "ç¾ĬèĤī": 110353, "å¾Ģå¹´": 110354, "æĵħèĩª": 110355, "迷人": 110356, "èĪªæ¯į": 110357, "ç²¾ç»Ĩ": 110358, "åľ¨æĪijçļĦ": 110359, "åĪĽæĬķ": 110360, "麦åħĭ": 110361, "æľĪç»ı": 110362, "åĮĹæµ·": 110363, "ä¹ĭæĺŁ": 110364, "åı¶åŃIJ": 110365, "å¸Ĥåľºç«ŀäºī": 110366, "è¿Ļäºĭ": 110367, "åıĥèĪĩ": 110368, "äº§åľ°": 110369, "åĶī": 110370, "åķĨåĵģæĪ¿": 110371, "èĪªè¿IJ": 110372, "ä¼ĺå¼Ĥ": 110373, "ä»ĸ们æĺ¯": 110374, "éĽ¨æ°´": 110375, "è¯įæ±ĩ": 110376, "åĨľçĶ°": 110377, "欧éĺ³": 110378, "çŁŃ线": 110379, "管ç½ij": 110380, "æł¹åŁº": 110381, "åıªæľīä¸Ģ个": 110382, "éŀĭåŃIJ": 110383, "å¸Ĥå§Ķ书记": 110384, "åĪ»æĦı": 110385, "è¡Į车": 110386, "åıĪ被": 110387, "åı¯éĿłæĢ§": 110388, "è´±": 110389, "ä»»åij½": 110390, "åºĶåľ¨": 110391, "å°±å¾Ĺ": 110392, "æľįåĬ¡ä½ĵç³»": 110393, "æĶ¿æĿĥ": 110394, "åıijè¨Ģ人": 110395, "è¿ĩå¾Ģ": 110396, "两åıª": 110397, "èĻ½è¯´": 110398, "éĢģä¸Ĭ": 110399, "ä»Ģä¹Īäºĭ": 110400, "æķ£æĸĩ": 110401, "æİĮæݧ": 110402, "èĸĦå¼±": 110403, "ä¸ĭéĿ¢å°±": 110404, "主è¦ģåĨħ容": 110405, "å¾Īéĩįè¦ģçļĦ": 110406, "就说": 110407, "çĻ½èī²çļĦ": 110408, "éĤ£ä¸ªæŶåĢĻ": 110409, "ç»ı纪人": 110410, "çļĦæ¯į亲": 110411, "ç¬Ķè®°æľ¬": 110412, "åºķå±Ĥ": 110413, "è¿ij代": 110414, "解说": 110415, "è²łè²¬": 110416, "æľĢ大åĮĸ": 110417, "åķĨéĵº": 110418, "æł¡åıĭ": 110419, "æ²ģ": 110420, "ä¸įåĩºæĿ¥": 110421, "éĻ·éĺ±": 110422, "ç¨ħ": 110423, "åħ¬å¸ĥäºĨ": 110424, "åĩĢåĢ¼": 110425, "çĽ¸å¯¹è¾ĥ": 110426, "笼": 110427, "æł¸ç®Ĺ": 110428, "åįİ侨": 110429, "æĢ¥æķij": 110430, "æĮºå¥½": 110431, "åħĴç«¥": 110432, "äºĮèĥİ": 110433, "åĩºèĩª": 110434, "åĿŁ": 110435, "æīĭä¸ĭ": 110436, "屡": 110437, "åĪĽéĢłæĢ§": 110438, "ä¸¥æł¼æĮīçħ§": 110439, "åĨįåİ»": 110440, "举缣": 110441, "人æµģ": 110442, "äºĨä¸Ģ声": 110443, "å°ıæŶåīį": 110444, "è´µæĹı": 110445, "éľĸ": 110446, "ä¹Łæĺ¯éĿŀ常": 110447, "éĢ±": 110448, "çľĭäºĨçľĭ": 110449, "ç¹ģæ®ĸ": 110450, "èĩ³æѤ": 110451, "é¢Ħå¤ĩ": 110452, "å¾Īæĺİæĺ¾": 110453, "æ¼Ķèīº": 110454, "åĿIJçĿĢ": 110455, "ä¿ĦåĨĽ": 110456, "åľ¨è¿ĩåİ»": 110457, "ä¹ĭäºĭ": 110458, "æĬĵèİ·": 110459, "åĿIJä¸ĭ": 110460, "çĶ±ä¸ŃåĽ½": 110461, "ä¹Łå¼Ģå§ĭ": 110462, "çŃĶå¤į": 110463, "åŀĥåľ¾åĪĨç±»": 110464, "éĴĵé±¼": 110465, "åIJĦ種": 110466, "缸éģĩ": 110467, "ä¸įåģľçļĦ": 110468, "æī¹éĩı": 110469, "éĩįè¦ģä½ľçĶ¨": 110470, "å§Ķå±Ī": 110471, "åħŃå¹´": 110472, "ä¸ĥåįģ": 110473, "ä¹ĭæĪĺ": 110474, "é£İéĻ©ç®¡çIJĨ": 110475, "éŁ³æ¨Ĥ": 110476, "è¡ĮæĶ¿å¤Ħç½ļ": 110477, "æľ¬äºĭ": 110478, "æĴ°åĨĻ": 110479, "èģļåIJĪ": 110480, "éĢĤæŶ": 110481, "æIJ¬å®¶": 110482, "ç¢İçīĩ": 110483, "çĽĽå®´": 110484, "ç®Ģæ´ģ": 110485, "åı¬éĽĨ": 110486, "ç®ĢåĮĸ": 110487, "åĮĹ京æŶéĹ´": 110488, "第ä¸īå±Ĭ": 110489, "æĿ¥åĽŀ": 110490, "常çĶ¨çļĦ": 110491, "京津": 110492, "京津åĨĢ": 110493, "梦幻": 110494, "è¯ķè¡Į": 110495, "æľºåºĬ": 110496, "åĪ°æľĢåIJİ": 110497, "åĬ©æīĭ": 110498, "åĪĨ彩": 110499, "åĩºåĵģ": 110500, "åĪ¹è½¦": 110501, "åIJ¯åıij": 110502, "侧éĿ¢": 110503, "æ¯ıå½ĵ": 110504, "缸åħ³è§Ħå®ļ": 110505, "ä¸ĸ人": 110506, "è´Ń车": 110507, "å¿ĥ缮": 110508, "å¿ĥ缮ä¸Ń": 110509, "äºĶéĩij": 110510, "è¿ĺè®°å¾Ĺ": 110511, "ä¾ĿçĦ¶æĺ¯": 110512, "æıIJæ¡Ī": 110513, "çĶµåķĨå¹³åı°": 110514, "åģļåĪ°äºĨ": 110515, "æĿľç»Ŀ": 110516, "å®īåįĵ": 110517, "ä¸ĸçķĮåIJĦåľ°": 110518, "åīįéĢĶ": 110519, "æ´ĹåĩĢ": 110520, "å¥ĭåĬĽ": 110521, "åŁİå¸Ĥ建设": 110522, "å¤ļåĬŁèĥ½": 110523, "ä¼ļéĢłæĪIJ": 110524, "åıijå¸ĥä¼ļä¸Ĭ": 110525, "究竣æĺ¯": 110526, "åĪĨ红": 110527, "çŁ¥èŃĺ": 110528, "éĿ¢æĿ¿": 110529, "æĹłå£°": 110530, "æĢ¥éľĢ": 110531, "å¤±çľł": 110532, "çĪ¸å¦Ī": 110533, "äºĤ": 110534, "åħ¨æĻ¯": 110535, "ç»ıåħ¸çļĦ": 110536, "åī§ä¸Ń": 110537, "é¢Ĩ导ä¸ĭ": 110538, "åħļåĨħ": 110539, "åħ¥ä¾µ": 110540, "æĭīæĸ¯": 110541, "ä¸Ģå¹ķ": 110542, "åĬłä¹ĭ": 110543, "èĤĨ": 110544, "èĭ±æł¼": 110545, "èĭ±æł¼åħ°": 110546, "å·§åħĭ": 110547, "å·§åħĭåĬĽ": 110548, "ä¸Ģå¿ĥ": 110549, "èģĤ": 110550, "å¾Ģå¾Ģæĺ¯": 110551, "管çIJĨå±Ĥ": 110552, "çĻ»åħ¥": 110553, "建ç«ĭèµ·": 110554, "å»ºåĽ½": 110555, "åŃIJ宫": 110556, "åºĶä»ĺ": 110557, "æݢ究": 110558, "第ä¸Ģä½į": 110559, "ä½Ļ家": 110560, "çŃīæ´»åĬ¨": 110561, "æīĢèĩ´": 110562, "è¾ĥå¿«": 110563, "æĺ¯éĿŀ": 110564, "æıIJåIJį": 110565, "äºĮèĢħ": 110566, "åıªåī©ä¸ĭ": 110567, "åħ¶ä¸ŃåĮħæĭ¬": 110568, "ç¼ĸç¨ĭ": 110569, "çł´ç¢İ": 110570, "ä¸Ń举": 110571, "å·¥ä½ľæĬ¥åijĬ": 110572, "çŃ¾åIJį": 110573, "éħĴä¸ļ": 110574, "çŁ¥æĻĵ": 110575, "çĥŃå¿ĥ": 110576, "éĿŀåĩ¡": 110577, "èIJ¥ä¸ļæī§": 110578, "èIJ¥ä¸ļæī§çħ§": 110579, "人大代表": 110580, "ä¸Ģ个æĸ°çļĦ": 110581, "å¨ģæµ·": 110582, "éĤ£äºº": 110583, "涨价": 110584, "æ¶ĪçģŃ": 110585, "éļ¾å¿ĺ": 110586, "ç¶ĵé©Ĺ": 110587, "åı£è¢ĭ": 110588, "ç³»æķ°": 110589, "æĸĩä¸Ń": 110590, "好转": 110591, "æĸ°éĽ¶åĶ®": 110592, "讲述äºĨ": 110593, "å¼ĢçĽĺ": 110594, "çķĻç»Ļ": 110595, "æħ¢æħ¢çļĦ": 110596, "æĤ²ä¼¤": 110597, "æľ¬æľŁ": 110598, "äºĨå¤ļå°ij": 110599, "è¿Ļ让": 110600, "åIJĮçŃī": 110601, "æ¸ħæĺİ": 110602, "个åŁİå¸Ĥ": 110603, "æºĸåĤĻ": 110604, "åĩłä¹İæĺ¯": 110605, "强åĬĽ": 110606, "俯": 110607, "水稻": 110608, "åĽºå®ļçļĦ": 110609, "æł¸åĩĨ": 110610, "说æľį": 110611, "顯示": 110612, "è¿Ļå¥Ĺ": 110613, "æĻºæħ§åŁİå¸Ĥ": 110614, "å±ĭ顶": 110615, "ä¸įæĿ¥": 110616, "çĶŁé²ľ": 110617, "çŁ¥æĥħ": 110618, "æĬķ身": 110619, "åijĬè¯īæĪij们": 110620, "ä¸īåĽĽ": 110621, "ä¸ĩä¸Ģ": 110622, "è¾Ĩ车": 110623, "为ä¹ĭ": 110624, "åĪ°æŶåĢĻ": 110625, "è¿Ļæīįæĺ¯": 110626, "åIJįçīĮ": 110627, "åºŁæ°´": 110628, "åݻ年åIJĮæľŁ": 110629, "å¹´éĻIJ": 110630, "éģĭåĭķ": 110631, "åıĮçľ¼": 110632, "è¦ģç´§": 110633, "对çŃĸ": 110634, "åľºé¦Ĩ": 110635, "çĻ¾ç§ij": 110636, "è¶Ĭéĩİ": 110637, "å¯ĮåIJ«": 110638, "大å¤ļæķ°äºº": 110639, "æľĢå°ij": 110640, "åı¬åĶ¤": 110641, "åħ¸èĮĥ": 110642, "åĨľæľº": 110643, "æŃ£æĸĩ": 110644, "åºĶçĶ¨äºİ": 110645, "æ·±èĢķ": 110646, "ä¿Ń": 110647, "ä»Ģä¹Īä¸ľè¥¿": 110648, "å¥Ĺé¤IJ": 110649, "å½ĵéĢī": 110650, "å·¦æīĭ": 110651, "è°ĥçIJĨ": 110652, "æĻļé¤IJ": 110653, "éļ¾åħ³": 110654, "åĩŃè¯ģ": 110655, "çĪ±äºº": 110656, "æĮĩè´£": 110657, "è´£ç¼ĸ": 110658, "çļĦä¸Ģ款": 110659, "éĵ²": 110660, "åįģ个": 110661, "èĢ»": 110662, "æľįåĬ¡åķĨ": 110663, "åľ°çĭ±": 110664, "è¿ŀå¿Ļ": 110665, "åĽ°æĥij": 110666, "çļĵ": 110667, "ä¸įåIJĥ": 110668, "çİ°åľ¨å·²ç»ı": 110669, "çĽĺçĤ¹": 110670, "ä¸įåģľåľ°": 110671, "管çIJĨ模å¼ı": 110672, "è¿Ļ段æŶéĹ´": 110673, "椰": 110674, "礼åĮħ": 110675, "æµģ转": 110676, "æī«çłģ": 110677, "éĽĨä¸Ńåľ¨": 110678, "æ±ĤåĬ©": 110679, "åįĬ个": 110680, "å¿«éĢŁå¢ŀéķ¿": 110681, "å¾Ģä¸ĭ": 110682, "è¯ĦåĪĨ": 110683, "å°±æĥ³": 110684, "åķĨåĬ¡éĥ¨": 110685, "æľīéĹ®é¢ĺ": 110686, "èİ·åĪ©": 110687, "æ¯ĽçĹħ": 110688, "æĦŁåºĶ": 110689, "èī¯æĢ§": 110690, "åĪĨæѧ": 110691, "åĨī": 110692, "æĪij们çİ°åľ¨": 110693, "è¦ģåĬłå¼º": 110694, "å·§å¦Ļ": 110695, "èŀºæĹĭ": 110696, "åĪĩæį¢": 110697, "çĭĦ": 110698, "顺çķħ": 110699, "å°¤åħ¶æĺ¯åľ¨": 110700, "èĬĿ麻": 110701, "éļ¾è¿ĩ": 110702, "æĹĹå¸ľ": 110703, "å¤įåį°": 110704, "å¤įåį°ä»¶": 110705, "å¿ħéľĢ": 110706, "对å¤ĸå¼ĢæĶ¾": 110707, "éļ¾åıĹ": 110708, "åİŁæĿ¥æĺ¯": 110709, "ç®ĹäºĨ": 110710, "é«ĺå±±": 110711, "离èģĮ": 110712, "çµĦç¹": 110713, "çµĦç¹Ķ": 110714, "å±ģèĤ¡": 110715, "çĻ¾å®¶": 110716, "éģĩä¸Ĭ": 110717, "æĺĶæĹ¥": 110718, "ä¸į容": 110719, "çĽij管éĥ¨éŨ": 110720, "主æĦı": 110721, "æµģåŁŁ": 110722, "è·Įå¹ħ": 110723, "èĩ³ä¸Ĭ": 110724, "åĪ«è¯´": 110725, "æĺ¯æ¯Ķè¾ĥ": 110726, "å®ıè§Ĥç»ıæµİ": 110727, "å¸Ĥåľºä¸»ä½ĵ": 110728, "污æŁĵçī©": 110729, "æķijæ²»": 110730, "丰æĶ¶": 110731, "åŃĺæĶ¾": 110732, "åĩĦ": 110733, "éĩijå±±": 110734, "æį¢äºĨ": 110735, "ä¸ĵ人": 110736, "éĹľæĸ¼": 110737, "æĹ¢è¦ģ": 110738, "åĽ½è¶³": 110739, "éļĭ": 110740, "åıįåĩ»": 110741, "起身": 110742, "åħĪæĺ¯": 110743, "å¸ĮæľĽèĥ½å¤Ł": 110744, "åĪ¶è®¢": 110745, "åºĹéĿ¢": 110746, "åĸĢ": 110747, "æķĻä½ł": 110748, "éĻį温": 110749, "åĬĽæ±Ĥ": 110750, "ä¸īçĻ¾": 110751, "çī©ä»·": 110752, "丢失": 110753, "å¢Ļä¸Ĭ": 110754, "éĥ¨ä»½": 110755, "æł·æĿ¿": 110756, "ä¹ĭæĦı": 110757, "ç½ijå°ıç¼ĸ": 110758, "ä¸ĸä¸Ĭ": 110759, "è°ĥè¯ķ": 110760, "污æŁĵéĺ²æ²»": 110761, "å½±éĻ¢": 110762, "å®Įåħ¨åı¯ä»¥": 110763, "éĢļåħ³": 110764, "ä¹īåĬ¡æķĻèĤ²": 110765, "没æľīåĬŀæ³ķ": 110766, "èĢ¿": 110767, "妳": 110768, "æĹłæĥħ": 110769, "å¾ĹçĽĬ": 110770, "å¾ĹçĽĬäºİ": 110771, "æľŁçĽ¼": 110772, "娱ä¹IJåľº": 110773, "çĶ²æĸ¹": 110774, "ä¸Ģæ±½": 110775, "çĹ°": 110776, "çĸijä¼¼": 110777, "æĸ°æµªå¾®åįļ": 110778, "强è¡Į": 110779, "å½ĵä»ĸ": 110780, "èĥº": 110781, "çĶ¨æĪ·æıIJä¾Ľ": 110782, "åĮºå§Ķ": 110783, "æĦ¿æĻ¯": 110784, "æĬĺæī£": 110785, "失踪": 110786, "è¿«åĪĩ": 110787, "åŃĹæ¯į": 110788, "åĴ¯": 110789, "èªįèŃĺ": 110790, "ä»Ģä¹ĪæĦıæĢĿ": 110791, "çĽĴåŃIJ": 110792, "å½ķéŁ³": 110793, "建设工ç¨ĭ": 110794, "ä¸ļä½Ļ": 110795, "å®ŀ践活åĬ¨": 110796, "çľŁç©º": 110797, "çĤĸ": 110798, "åľ¨è·¯ä¸Ĭ": 110799, "主è¦ģåĮħæĭ¬": 110800, "该æĢİä¹Ī": 110801, "æĢ»æľī": 110802, "æĢ§æĦŁ": 110803, "æ°ijèĪª": 110804, "å¼ĢåºĹ": 110805, "欺éªĹ": 110806, "çªģåĩ»": 110807, "缺失": 110808, "æī§ä¸ļ": 110809, "åľ°éģĵ": 110810, "并æĹł": 110811, "æ°ijåĬŀ": 110812, "ç»Ħç»ĩçĶŁæ´»": 110813, "æĪijå¦Ī": 110814, "è¨ĺèĢħ": 110815, "管åĪ¶": 110816, "æī¾ä¸ª": 110817, "èĹ»": 110818, "çĤİçĹĩ": 110819, "äºĴåĬ©": 110820, "æµıè§ĪåĻ¨": 110821, "çݩ家æĿ¥è¯´": 110822, "éĻįä½İäºĨ": 110823, "è£Ķ": 110824, "æĮ£éĴ±": 110825, "åķĨæľº": 110826, "æĶ¹è£ħ": 110827, "æµģ浪": 110828, "æĶ¿æ³ķ": 110829, "èĢģ头": 110830, "çĶŁäº§åĴĮ": 110831, "ç©Ĺ": 110832, "亲çĪ±": 110833, "亲çĪ±çļĦ": 110834, "å±¥èģĮ": 110835, "åŁİéĩĮ": 110836, "ç»ĨåĪĨ": 110837, "åĬ³åĬ¨åIJĪåIJĮ": 110838, "åľ¨æĹ¥æľ¬": 110839, "å¨ģå°Ķ": 110840, "åį«è§Ĩ": 110841, "éĢ£çµIJ": 110842, "çĿĢéĩį": 110843, "æĬĺ磨": 110844, "åĽ¾ä¸º": 110845, "çľ·": 110846, "å·¥åºı": 110847, "æĵģ": 110848, "æĵģæľī": 110849, "ç½ijç«Ļåľ°åĽ¾": 110850, "çļĦä¸Ģ大": 110851, "ç»Ħç»ĩå®ŀæĸ½": 110852, "æĬĽå¼ĥ": 110853, "åĴĮæĶ¯æĮģ": 110854, "æ³ķåĪĻ": 110855, "浪潮": 110856, "çİ°æľīçļĦ": 110857, "åĩłçİĩ": 110858, "为客æĪ·": 110859, "åįģä¸ĩ": 110860, "è¹Ħ": 110861, "çªģåĩºéĹ®é¢ĺ": 110862, "åıĥåĬł": 110863, "éĥ½ä¼ļæľī": 110864, "缤": 110865, "è°ģéĥ½": 110866, "æīĭåĬ¨": 110867, "çĽ´è¾¾": 110868, "çĤ¹å¤ļ": 110869, "éĺ¶å±Ĥ": 110870, "ä¸įä½³": 110871, "éĤ£æ®µ": 110872, "滨海": 110873, "æĺ¯åĽ½åĨħ": 110874, "æĪijå¸ĮæľĽ": 110875, "åIJĽåŃIJ": 110876, "è§ĤéŁ³": 110877, "åģļé¥Ń": 110878, "æ±½è»Ĭ": 110879, "åħ³ç¨İ": 110880, "çľ¼åīįçļĦ": 110881, "æ°´éĿ¢": 110882, "èĢ³æľº": 110883, "追踪": 110884, "æݨéĢģ": 110885, "éĴ±åĮħ": 110886, "æģ¶å¿ĥ": 110887, "æµ·åŁŁ": 110888, "å·į": 110889, "å¼ĢæĿ¥": 110890, "表æĢģ": 110891, "仪表": 110892, "å¹³åİŁ": 110893, "åįģå¤ļå¹´": 110894, "ä¹ŁæĹłæ³ķ": 110895, "åħ¼é¡¾": 110896, "è¡£æŁľ": 110897, "æł½åŁ¹": 110898, "æĪ¿æºIJ": 110899, "设ç«ĭäºĨ": 110900, "ä¸ĩåIJį": 110901, "æķ°é¢Ŀ": 110902, "è¦ģåĿļæĮģ": 110903, "åIJīæŀĹçľģ": 110904, "请èģĶç³»": 110905, "ç»ıåİĨè¿ĩ": 110906, "çļĦæľ¬è´¨": 110907, "åħ¥éŨ": 110908, "æľ¬æ¡Ī": 110909, "çİĩè¾¾åĪ°": 110910, "åı°éĺ¶": 110911, "éĴŀ": 110912, "æĪijèĥ½": 110913, "èݲèĬ±": 110914, "éĴł": 110915, "ä¸Ģäºĭ": 110916, "åİŁæľīçļĦ": 110917, "æ¯ıåĢĭ": 110918, "æ¯Ķäºļ迪": 110919, "æ£ĭçīĮ游æĪı": 110920, "ä¸įä¼ļæľī": 110921, "å½ĴæĿ¥": 110922, "äºĶçĻ¾": 110923, "è¿ĩé«ĺ": 110924, "éĽ·è¾¾": 110925, "ä¸Ģèµ·åİ»": 110926, "æķĻ导": 110927, "å°±è¯Ĭ": 110928, "å°±å¾Ī": 110929, "ä¸įåIJĮäºİ": 110930, "俺": 110931, "å¸ĸåŃIJ": 110932, "æĶ¿åįıå§Ķåijĺ": 110933, "çĸ«æĥħå½±åĵį": 110934, "åĪĨè£Ĥ": 110935, "为ä»Ģä¹Īä¼ļ": 110936, "äºĶæĺŁ": 110937, "å°ijåĦ¿": 110938, "æĬ¢éĻ©": 110939, "梦è§ģ": 110940, "è®°èĢħéĩĩ访": 110941, "山路": 110942, "æĪij个人": 110943, "æ²Ļ滩": 110944, "è¹Ń": 110945, "æĶ¹è®Ĭ": 110946, "æĸ°åŀĭåĨł": 110947, "æĸ°åŀĭåĨłçĬ¶": 110948, "åĮ»æĬ¤": 110949, "åĮ»æĬ¤äººåijĺ": 110950, "æµ·å°Ķ": 110951, "åħ³äºİæĪij们": 110952, "éĻ¤å¤ĸ": 110953, "åºļ": 110954, "宣åijĬ": 110955, "ä¸īåįĥ": 110956, "榨": 110957, "ç§ijæĬĢ大åѦ": 110958, "ä¸ĥåħ«": 110959, "顺åºĶ": 110960, "çĪ¸çĪ¸å¦Īå¦Ī": 110961, "éĢīåıĸ": 110962, "åī§çĥĪ": 110963, "乡æĿijæĹħ游": 110964, "积æŀģæݢ索": 110965, "表çݰ为": 110966, "å¾Īæ¸ħæ¥ļ": 110967, "大åĨĽ": 110968, "æĿ¥çĶµ": 110969, "å¥ĹæĪ¿": 110970, "çİ°è¡Į": 110971, "享åıĹåĪ°": 110972, "çľĭçĤ¹": 110973, "åĽºå®ļèµĦ产": 110974, "以人为": 110975, "ä»¥äººä¸ºæľ¬": 110976, "ä¸įå®Į": 110977, "éĻį鼨": 110978, "åģļçļĦäºĭæĥħ": 110979, "并äºİ": 110980, "顽强": 110981, "èĢ¸": 110982, "åĺ´å·´": 110983, "缸åħ³ä¿¡æģ¯": 110984, "æĪij没": 110985, "æĪĺçķ¥æĢ§": 110986, "æĢĿ念": 110987, "åĪĺå¤ĩ": 110988, "åĬ©æĶ»": 110989, "é£İè²Į": 110990, "éĿ¢å¯¹éĿ¢": 110991, "积æŀģå¼Ģå±ķ": 110992, "çĸĹæķĪ": 110993, "çľĭ书": 110994, "缺åı£": 110995, "åĽ½æ°ijç»ıæµİ": 110996, "使çĶ¨æĿĥ": 110997, "éģ¥è¿ľ": 110998, "å¡«è¡¥": 110999, "第ä¸ī人": 111000, "åįĬå¤ľ": 111001, "æѦæ±īå¸Ĥ": 111002, "æĪijåıijçİ°": 111003, "ä¼ĺæĥłæĶ¿çŃĸ": 111004, "é£İåı£": 111005, "å°±ä¸įèĥ½": 111006, "为主è¦ģ": 111007, "æµģåĩº": 111008, "å´ĩæĭľ": 111009, "并ä¸įèĥ½": 111010, "é«ĺä¸ī": 111011, "ä¸ĸçķĮä¸ĬæľĢ": 111012, "æĥ³å¿ħ": 111013, "åħ¶æīĢ": 111014, "åĢĻéĢī": 111015, "åĢĻéĢī人": 111016, "ä¸įçĪ±": 111017, "åī¯ä½ľçĶ¨": 111018, "人æ°ijæĹ¥æĬ¥": 111019, "æĪijä¸įæĺ¯": 111020, "å®ŀçī©": 111021, "çĶµåİĤ": 111022, "ä¹Łç®Ĺæĺ¯": 111023, "æľīéĹľ": 111024, "æľīèĥ½åĬĽ": 111025, "æĮĤåľ¨": 111026, "çľ¼ä¸ĭ": 111027, "约翰": 111028, "å°ıåѦçĶŁ": 111029, "èµ·åĪ°äºĨ": 111030, "工夫": 111031, "åIJĮå¿ĥ": 111032, "åĿ¦è¨Ģ": 111033, "çłĮ": 111034, "åıijæĮ¥äºĨ": 111035, "èģĮä¸ļéģĵå¾·": 111036, "è¿ĻäºĽå¹´": 111037, "念头": 111038, "èĢģé¼ł": 111039, "åħ¨èµĦ": 111040, "åħ¨èµĦåŃIJ": 111041, "ä¸Ģåij³": 111042, "å¤ļä¸ĩåħĥ": 111043, "æł¼æľĥ": 111044, "éķ¿éĢĶ": 111045, "带走": 111046, "èĭ±å¯¸": 111047, "æĸĩä½ĵ": 111048, "对ä»ĸ们": 111049, "åĵŃäºĨ": 111050, "å¡«æĬ¥": 111051, "çīĪæĿĥ声æĺİ": 111052, "çĶµçº¿": 111053, "è´Ńçī©ä¸Ńå¿ĥ": 111054, "饱满": 111055, "ä½İ头": 111056, "强迫": 111057, "ä¿Ŀæ´ģ": 111058, "欧åĨł": 111059, "缸è¿ŀ": 111060, "认è´Ń": 111061, "çģ«æĺŁ": 111062, "é«ĺå°Ķ": 111063, "é«ĺå°Ķ夫": 111064, "èij«èĬ¦": 111065, "æłĩ注": 111066, "çļĦçIJĨæĥ³": 111067, "æł¸éħ¸": 111068, "æł¸éħ¸æ£Ģæµĭ": 111069, "åĬī": 111070, "ä¸ĢèĪ¬æĺ¯": 111071, "æĢĿç´¢": 111072, "轨迹": 111073, "çĥŃ带": 111074, "éĻ£": 111075, "åĩĨç¡®æĢ§": 111076, "æĪ´çĿĢ": 111077, "åľ¨çĶŁæ´»ä¸Ń": 111078, "æīĢèĥ½": 111079, "æľ¯åIJİ": 111080, "å¸¦ä½ł": 111081, "ç¥ł": 111082, "æ®ĭéħ·": 111083, "ä¹Łåıªæĺ¯": 111084, "çĶ³è´Ń": 111085, "举åĬŀäºĨ": 111086, "æľīæĦıä¹ī": 111087, "æĹºçĽĽ": 111088, "åľ¨ç¶²": 111089, "åľ¨ç¶²è·¯ä¸Ĭ": 111090, "å¾Ī大ç¨ĭ度": 111091, "管è¾ĸ": 111092, "çĸ«æĥħæľŁéĹ´": 111093, "触æij¸": 111094, "éĺ¶æ®µæĢ§": 111095, "ä¼ļè§īå¾Ĺ": 111096, "çļĦçĶ»éĿ¢": 111097, "æİ¥åıĹäºĨ": 111098, "表达äºĨ": 111099, "éĤĵå°ı": 111100, "éĤĵå°ıå¹³": 111101, "åħļé£İ": 111102, "åħļé£İå»īæĶ¿": 111103, "åķĨåѦéĻ¢": 111104, "åħijæį¢": 111105, "é£Łåĵģèį¯åĵģ": 111106, "éĿŀ常好çļĦ": 111107, "çľ¯": 111108, "纳米": 111109, "åĬ¨æijĩ": 111110, "åĽŀéģ¿": 111111, "çľĭèijĹ": 111112, "款项": 111113, "åħ«å¹´": 111114, "åģļ个": 111115, "æĸĩæ¡£": 111116, "éĩijèŀįç§ijæĬĢ": 111117, "åħ¶ä¸Ńæľī": 111118, "äºĨä¸Ģç³»åĪĹ": 111119, "æĹĹèĪ°åºĹ": 111120, "称èµŀ": 111121, "éĽ¢éĸĭ": 111122, "åĪ¶åĨ·": 111123, "家éŨåı£": 111124, "åįģå¤ļ": 111125, "ä¼´ä¾£": 111126, "çľĭçĹħ": 111127, "æĭīçĿĢ": 111128, "æīĴ": 111129, "çĸ²æĥ«": 111130, "å°ijæķ°æ°ijæĹı": 111131, "åĽ¾å½¢": 111132, "轧": 111133, "å¢ŀéĩı": 111134, "饲åħ»": 111135, "çģ«å±±": 111136, "æ¯ı个æľĪ": 111137, "ä½ľä¸ºä¸ĢåIJį": 111138, "è½´æī¿": 111139, "æĸĩ书": 111140, "ç¼ķ": 111141, "åħ·ä½ĵæĥħåĨµ": 111142, "çĹĽçĤ¹": 111143, "缴éĶĢ": 111144, "å¡Ĭ": 111145, "ä¹Łæľĥ": 111146, "çĥŃæ½®": 111147, "å¹³æ°ij": 111148, "æ¼ĶåĶ±ä¼ļ": 111149, "æķĻçłĶ": 111150, "éĢĥéģ¿": 111151, "ä¸Ģè´¯": 111152, "å°±è¶Ĭ": 111153, "å®ŀå®ŀåľ¨": 111154, "å®ŀå®ŀåľ¨åľ¨": 111155, "ä¹łè¿ijå¹³æĢ»": 111156, "溺": 111157, "å¿ĥåºķ": 111158, "éķ¿å¾ģ": 111159, "媽媽": 111160, "第ä¸ī次": 111161, "åĩºæ¼Ķ": 111162, "çĭĢæ³ģ": 111163, "å°Ķæĸ¯": 111164, "代çIJĨåķĨ": 111165, "çĨı": 111166, "çļĦ对象": 111167, "çĶµéĩı": 111168, "è¡ĮåĪĹ": 111169, "åĽ½äºº": 111170, "è·ijäºĨ": 111171, "åįĶåĬ©": 111172, "èIJ¥è¿IJ": 111173, "å¸ĪåħĦ": 111174, "榮": 111175, "æĥ³åĥı": 111176, "æĢ§å¼º": 111177, "ç§ijåѦçłĶ究": 111178, "延å®ī": 111179, "ä¸¥æł¼èIJ½å®ŀ": 111180, "é¢Ĩä¼ļ": 111181, "çĽ¸å·®": 111182, "路人": 111183, "çĶ«": 111184, "æľīä»·åĢ¼": 111185, "æľīä»·åĢ¼çļĦ": 111186, "ç¾İåĽ¢": 111187, "æ°ij主çĶŁæ´»": 111188, "æĪijæīį": 111189, "ç¾İåĽ½äºº": 111190, "æ°Ķåij³": 111191, "åıįå°Ħ": 111192, "çļĦåĨ³å¿ĥ": 111193, "大è±Ĩ": 111194, "交代": 111195, "è¿Ľåĩº": 111196, "åıįæĬĹ": 111197, "æĮĩçļĦæĺ¯": 111198, "ä»·ä½į": 111199, "è¿Ľé©»": 111200, "ä¸ĬçĻ¾": 111201, "ä½įåĪĹ": 111202, "ä¸ŃåĽ½ä¼ģä¸ļ": 111203, "çļĦ好å¤Ħ": 111204, "主ç¼ĸ": 111205, "汽油": 111206, "ä½ĨæĪij们": 111207, "æĢİä¹Īçľĭ": 111208, "é»Ħå±±": 111209, "å¤ļåªĴä½ĵ": 111210, "åIJİåį«": 111211, "èİ·å¾ĹæĽ´å¤ļ": 111212, "åĬ¡å¿ħ": 111213, "为å¥ijæľº": 111214, "é¦ĸ饰": 111215, "ä¸ĩåįļ": 111216, "è¶ĬæĿ¥è¶Ĭ大": 111217, "ä¸ĵ项è¡ĮåĬ¨": 111218, "å¥ĭè¿Ľ": 111219, "ä»įçĦ¶æĺ¯": 111220, "è´¨æĦŁ": 111221, "å¦Ĥæŀľä¸įæĺ¯": 111222, "ç«Ļèµ·æĿ¥": 111223, "ä¹¾éļĨ": 111224, "åı¯æĢķçļĦ": 111225, "å¯Įè´µ": 111226, "æ¸ħç®Ĺ": 111227, "åIJijä¸ĭ": 111228, "åĢļ": 111229, "çļĦçŃĶæ¡Ī": 111230, "èĪ¹ä¸Ĭ": 111231, "çļĦ羣å®ŀæĢ§": 111232, "çŃīåĬŁèĥ½": 111233, "åĸľåī§": 111234, "å¨ģåĬĽ": 111235, "æĸ°é¢ĸ": 111236, "æł¸çĶµ": 111237, "æĬ¥éĶĢ": 111238, "æķħ乡": 111239, "ä¼´éļı": 111240, "éŀŃ": 111241, "å¦Ĭå¨ł": 111242, "åĪĨåĮĸ": 111243, "æľīå¾Ī大": 111244, "æĢİä¹Ī说": 111245, "æĻĤ代": 111246, "产åĩº": 111247, "ä»ĭç»į说": 111248, "å¤ĦçIJĨåĻ¨": 111249, "èĨ¨èĥĢ": 111250, "åī¯å¸Ĥéķ¿": 111251, "çļĦ妻åŃIJ": 111252, "æł·åĵģ": 111253, "åIJĮæ¯Ķä¸ĭéĻį": 111254, "åħĥå·¦åı³": 111255, "çĶ¨èĩªå·±çļĦ": 111256, "é«ĺéĽĦ": 111257, "æĺ¥æĻļ": 111258, "ä¹Łæľīå¾Īå¤ļ": 111259, "çľ¼çIJĥ": 111260, "æķ£æŃ¥": 111261, "ä»ĸ们éĥ½": 111262, "第ä¸Ģ家": 111263, "åĬŀ好": 111264, "å®īéĺ²": 111265, "ä¸Ģä¸ĩ": 111266, "åľ¨éĩĮéĿ¢": 111267, "éŁ³é¢ij": 111268, "åı£åı·": 111269, "ä¸Ģè¶Ł": 111270, "ç¦ıçī¹": 111271, "é³ŀ": 111272, "æĥĬèī³": 111273, "æĸ°å¨ĺ": 111274, "绿èī²åıijå±ķ": 111275, "ä¸Ńå¼ı": 111276, "ä¹Łåıªæľī": 111277, "çݰ身": 111278, "åı¯ä¾Ľ": 111279, "æ¯ıä¸Ģ个人": 111280, "第ä¸īèĢħ": 111281, "åľ°å½¢": 111282, "éĴ¢ç»ĵæŀĦ": 111283, "çĽijçĿ£æ£ĢæŁ¥": 111284, "åı«æĪij": 111285, "èĩ´æķ¬": 111286, "æ´Ĺæīĭ": 111287, "ä¸ĭè°ĥ": 111288, "康çĨĻ": 111289, "æĪIJ交éĩı": 111290, "ä¹ŁæĪIJ为": 111291, "åħīæ»ij": 111292, "å®Įæķ´æĢ§": 111293, "çģ¼": 111294, "網éłģ": 111295, "éķ¿å¯¿": 111296, "éģ©çĶ¨": 111297, "çļĦä¸Ģ项": 111298, "çŀ©çĽ®": 111299, "æĬĬèĩªå·±çļĦ": 111300, "éĵ¶è¡Įåį¡": 111301, "å°±å¿ħé¡»": 111302, "ç¾İçĻ½": 111303, "éŀįå±±": 111304, "æľ¬é¢Ĩ": 111305, "ä¸Ģç¢Ĺ": 111306, "æīĵæ³ķ": 111307, "æĤ¨å¥½": 111308, "对åŃ©åŃIJ": 111309, "æĬ¥éģĵ称": 111310, "ä¼łåĩº": 111311, "大èĩ£": 111312, "ç¬ĭ": 111313, "çĽı": 111314, "é¾ļ": 111315, "çĽ´çº¿": 111316, "æĻºåºĵ": 111317, "ç§Łè½¦": 111318, "é£İåij³": 111319, "çľĭä¸Ģä¸ĭ": 111320, "æݨéĶĢ": 111321, "éĥ¨éĥ¨éķ¿": 111322, "è´¨éĩıåĴĮ": 111323, "åĪĬçĻ»": 111324, "å·¥ä¸ļåĮĸ": 111325, "çİĩ为": 111326, "鼶件": 111327, "硬åĮĸ": 111328, "ä¸Ĭåįĥ": 111329, "ç»ıéªĮåĢ¼": 111330, "å¹³è¡Į": 111331, "声éģĵ": 111332, "æľįåĬ¡è´¨éĩı": 111333, "çĶŁçĶ¢": 111334, "æľĢ容æĺĵ": 111335, "ä¸Ģæŀļ": 111336, "å¹´æĬ¥": 111337, "åħ¬ç½ij": 111338, "åħ¬ç½ijå®ī": 111339, "åħ¬ç½ijå®īå¤ĩ": 111340, "çļĦèĥ½éĩı": 111341, "å®ŀéĻħè¡ĮåĬ¨": 111342, "è¦ģä¸įè¦ģ": 111343, "æĹ¥æľ¬äºº": 111344, "èĢ¶ç¨£": 111345, "ç¼ĸåī§": 111346, "涩": 111347, "åį°å°¼": 111348, "ä¸Ĭä¸ĭ游": 111349, "åĩłåı¥": 111350, "ä¸Ńéĵģ": 111351, "ç°¡åĸ®": 111352, "èĩªå¸¦": 111353, "çĶŁäºİ": 111354, "ä¸Ģåı£æ°Ķ": 111355, "åĭ¤å¥ĭ": 111356, "éĻįä»·": 111357, "å±ķçİ°äºĨ": 111358, "å¸ĥæĭī": 111359, "ä¼ļéĢīæĭ©": 111360, "çļĦç»ıåħ¸": 111361, "好æľĭåıĭ": 111362, "车éģĵ": 111363, "æķ´åĢĭ": 111364, "åľĵ": 111365, "éķ¿æľŁä»¥æĿ¥": 111366, "æĬķå½±": 111367, "çļĩåĨł": 111368, "è¿ĩ大": 111369, "åijĬè¯īä»ĸ": 111370, "ä¼ģä¸ļæıIJä¾Ľ": 111371, "æĬ½è±¡": 111372, "éĢĤ度": 111373, "çļĦ女åŃ©": 111374, "èµ·ä¼ı": 111375, "çļĦåĬŁæķĪ": 111376, "ä¸ĵ项æķ´æ²»": 111377, "åı¯éĢļè¿ĩ": 111378, "ä¸įåIJĮç¨ĭ度": 111379, "å¼Ĥè®®": 111380, "åĩĢèµĦ产": 111381, "åijĹ": 111382, "ä»Ģä¹Īåij¢": 111383, "å·¡éĢ»": 111384, "è¸ıä¸Ĭ": 111385, "ä½Ĩå®ĥ": 111386, "精度": 111387, "管å±Ģ": 111388, "第ä¸ĢåIJį": 111389, "åĨħåŃĺ": 111390, "æijĨåľ¨": 111391, "åī©ä¸ĭ": 111392, "主ä½ĵ责任": 111393, "çĤ¹åįĬ": 111394, "以èĩ³äºİ": 111395, "åħ»èĢģä¿ĿéĻ©": 111396, "æĦŁåıĹåĪ°äºĨ": 111397, "çŁ¥åIJįçļĦ": 111398, "å¯Į豪": 111399, "妥åĸĦ": 111400, "åŃĻåŃIJ": 111401, "éĵĤ": 111402, "说èĩªå·±": 111403, "让æĤ¨": 111404, "æķ°æݧ": 111405, "çļĦçľ¼åħī": 111406, "注éĶĢ": 111407, "çļĦçģµéŃĤ": 111408, "è¿ĺä¸įéĶĻ": 111409, "éĹ®ä»ĸ": 111410, "èĩªä¸»çłĶåıij": 111411, "èĵĭ": 111412, "ç´«èī²": 111413, "åĽ½å®¶å®īåħ¨": 111414, "è¾½å®ģçľģ": 111415, "ä¹Łæ¯Ķè¾ĥ": 111416, "ç¾İèĤ¡": 111417, "ä¸įç¡®å®ļæĢ§": 111418, "å¿ĥ头": 111419, "æĪ³": 111420, "级åĪ«çļĦ": 111421, "论述": 111422, "çļĦåĽŀçŃĶ": 111423, "ä¿Ŀè¯ģéĩij": 111424, "çŃīè¡Įä¸ļ": 111425, "幸ç¦ıæĦŁ": 111426, "æѧè§Ĩ": 111427, "æľºç¥¨": 111428, "派人": 111429, "èĩ´åij½": 111430, "åĺ´è§Ĵ": 111431, "æĸ°éĹ»ä¸Ńå¿ĥ": 111432, "æĶ¾å¼ĥäºĨ": 111433, "å®ľå±ħ": 111434, "åĨĻä¸ĭ": 111435, "éĹ®çŃĶ": 111436, "è¿ĻéĩĮæĺ¯": 111437, "å¤ļåľ°": 111438, "åĮºåŁŁåĨħ": 111439, "åīµæĸ°": 111440, "çľĭä»ĸ": 111441, "æī§æ³ķ人åijĺ": 111442, "åĬ¨æľº": 111443, "éŁ³åĵį": 111444, "çļĦåij½è¿IJ": 111445, "顶éĥ¨": 111446, "åĵŁ": 111447, "éĥ½æľĥ": 111448, "æīĵéĢłæĪIJ": 111449, "æĦıåĽ¾": 111450, "çļĸ": 111451, "åĢĴåħ¥": 111452, "å·´èIJ¨": 111453, "åĬ©åѦ": 111454, "å¤įåı¤": 111455, "åIJ¯çĶ¨": 111456, "åĽ½éĻħå¸Ĥåľº": 111457, "åĤ¨èĥ½": 111458, "é»ijé¾Ļæ±Łçľģ": 111459, "ä¹ĺ车": 111460, "è¿IJåĬ¨ä¼ļ": 111461, "ä¿ĿåĪ©": 111462, "çŁ³æĿIJ": 111463, "çµ®": 111464, "çĤĴä½ľ": 111465, "çļĦä¿¡ä»»": 111466, "å°±æĪIJäºĨ": 111467, "åı¯è§Ĥ": 111468, "çļĩä¸Ĭ": 111469, "è¿Ļåĩłå¤©": 111470, "ä¸ĢéĶ®": 111471, "åĨ·åĨ»": 111472, "ä¿Ŀåį«": 111473, "æł¸æ¡ĥ": 111474, "åIJĪä½ľåħ³ç³»": 111475, "éĢģåĩº": 111476, "æĹĹä¸ĭçļĦ": 111477, "åľ¨ä¹İ": 111478, "为广大": 111479, "åįĪé¤IJ": 111480, "ä¸ĵ访": 111481, "æĪĸå°Ĩ": 111482, "éĿĴå²Ľå¸Ĥ": 111483, "å¥Ķè·ij": 111484, "æĹ¥æĬ¥éģĵ": 111485, "å¥ijåIJĪ": 111486, "æĸ°æĺ¥": 111487, "ä¸įå°ıå¿ĥ": 111488, "两ä¸ī": 111489, "æĦıæĢĿæĺ¯": 111490, "åĨ·èĹı": 111491, "çļĦçĹĩçĬ¶": 111492, "æĢ§åij½": 111493, "è¶ħæłĩ": 111494, "å¯Ĩ碼": 111495, "ç§ijæĬĢèĤ¡ä»½": 111496, "äºĨä¸Ģæī¹": 111497, "çĿ£å¯Ł": 111498, "åªĴä»ĭ": 111499, "å°Ħæīĭ": 111500, "ä¿®åħ»": 111501, "çīĩåĪ»": 111502, "éĢĤåIJĪèĩªå·±": 111503, "åıªè¦ģæĺ¯": 111504, "åIJĥè¿ĩ": 111505, "éĩijéĵ¶": 111506, "缴å±ŀ": 111507, "åѦéĹ®": 111508, "åİĭåĪ¶": 111509, "çªĹå¤ĸ": 111510, "æĶ¶åĪ°äºĨ": 111511, "åħ¨åĽ½äººå¤§": 111512, "ä½Ĩæĺ¯å¯¹äºİ": 111513, "åľ¨æķ´ä¸ª": 111514, "çļĦèĥĮåIJİ": 111515, "åĩıå°ijäºĨ": 111516, "åıįèħIJ": 111517, "åıįèħIJåĢ¡": 111518, "åıįèħIJåĢ¡å»ī": 111519, "æĹ·": 111520, "åĪĨæľŁ": 111521, "åľ¨æ·±åľ³": 111522, "æīĵçĿĢ": 111523, "æī«ä¸Ģ": 111524, "æī«ä¸Ģæī«": 111525, "æĶ¿åºľéĥ¨éŨ": 111526, "æİ¥è¿ŀ": 111527, "å±ŀäºİèĩªå·±": 111528, "åŃIJå¼¹": 111529, "åIJĮæł·æĺ¯": 111530, "æĢ»åħ±": 111531, "车ä¼ģ": 111532, "æ¢ĵ": 111533, "åħ¬é¡·": 111534, "åıij声": 111535, "éĴĽ": 111536, "èµ°åĬ¿åĽ¾": 111537, "主èIJ¥": 111538, "åĸĶ": 111539, "æķ°æį®åĪĨæŀIJ": 111540, "ä¸įè¿ľ": 111541, "æľīåIJį": 111542, "æľīåIJįçļĦ": 111543, "åģ¿è¿ĺ": 111544, "å¾Īä½İ": 111545, "è®ĵ人": 111546, "èĿī": 111547, "é«ĺè´µ": 111548, "å°ij许": 111549, "æ°Ł": 111550, "å¹¢": 111551, "亲æĥħ": 111552, "è¿Ļ件äºĭæĥħ": 111553, "çĶ¨é¤IJ": 111554, "缸åħ³æĸ°éĹ»": 111555, "å°±åºĶ该": 111556, "ç»ĪçĤ¹": 111557, "æĺ¯å¤ļå°ij": 111558, "çĻ»åľº": 111559, "è¯ķ管": 111560, "è¯ķ管婴åĦ¿": 111561, "åģļ大": 111562, "åģļ大åģļ强": 111563, "çļĦä¾ĭåŃIJ": 111564, "åħ«ä¸ª": 111565, "æĺİæĹ¥": 111566, "çĤ³": 111567, "èµ°åİ»": 111568, "éģº": 111569, "墩": 111570, "ä½ĵä¼ļåĪ°": 111571, "åĴı": 111572, "ä¸ĭè¾¾": 111573, "å¤įåıij": 111574, "追éĢIJ": 111575, "æīĵåĵį": 111576, "çļĦéļ±ç§ģæ¬Ĭ": 111577, "åħ·æľīä¸Ģå®ļ": 111578, "è¿Ļä¹Īå¤ļå¹´": 111579, "æłijæŀĹ": 111580, "æľĢéķ¿": 111581, "åIJĮèĥŀ": 111582, "åħīæ³½": 111583, "åŁŁåIJį": 111584, "æĮĩåIJij": 111585, "åıĹ害èĢħ": 111586, "æłijèĦĤ": 111587, "æľīå¤ļ大": 111588, "大éĿ¢ç§¯": 111589, "æĹłç¼Ŀ": 111590, "æĶ¹æŃ£": 111591, "æĽ´å¤ļçļĦæĺ¯": 111592, "æľŁæľ«": 111593, "æŃ¼": 111594, "ä¹īä¹Į": 111595, "éĤ£ä½ł": 111596, "çļĦ第ä¸Ģ个": 111597, "èĮµ": 111598, "å°§": 111599, "èį«": 111600, "ä¸įä»ħåı¯ä»¥": 111601, "æ¶Įçİ°": 111602, "æĢ»éĿ¢ç§¯": 111603, "æĸ°éĹ»åıijå¸ĥ": 111604, "æ°ijçĶ¨": 111605, "就读": 111606, "æīĵè´¥": 111607, "å¤ĸè¯Ń": 111608, "æĪij们ä¸Ģèµ·": 111609, "é¢Ħå®ļ": 111610, "çĥ¹é¥ª": 111611, "æľĢ主è¦ģ": 111612, "æľĢ主è¦ģçļĦ": 111613, "çīĮçħ§": 111614, "åĽłåħ¶": 111615, "ä½İä¸ĭ": 111616, "ä¼ļåIJĮ": 111617, "è§ģ解": 111618, "éĹ´éļĶ": 111619, "æķĻç¨ĭ": 111620, "å°ī": 111621, "å¸Ĥä¸Ńå¿ĥ": 111622, "åħ³éĶ®æĺ¯": 111623, "æµ·åįĹçľģ": 111624, "çī¹åĪ«æĺ¯åľ¨": 111625, "ä¸ŃåĽ½å¤§éĻĨ": 111626, "åħħ足çļĦ": 111627, "æĹ¢èĥ½": 111628, "åĤ³çµ±": 111629, "çijľä¼½": 111630, "åħ¥åĽ´": 111631, "æħ¢æħ¢åľ°": 111632, "æĬ¥éħ¬": 111633, "æī¹å¤į": 111634, "å·¥ä¸ļåĽŃåĮº": 111635, "ä¸İåıijå±ķ": 111636, "èĥ¸éĥ¨": 111637, "åľ¨ç½ij绾": 111638, "åľ¨ç½ij绾ä¸Ĭ": 111639, "交è°Ī": 111640, "æĽ´æĶ¹": 111641, "åįłæľīçİĩ": 111642, "ä¸Ŀ绸ä¹ĭè·¯": 111643, "è¡Ľ": 111644, "çłĶåĪ¤": 111645, "åĪª": 111646, "åĪªéĻ¤": 111647, "è¿Ļåıª": 111648, "çļĦæ°Ķæģ¯": 111649, "åĬłå·ŀ": 111650, "éĴ§": 111651, "çIJĨäºĭéķ¿": 111652, "ä¸ĸ家": 111653, "æµģè¡ĮçļĦ": 111654, "å¾Īæľīåı¯èĥ½": 111655, "们éĥ½": 111656, "ç»ıèIJ¥æ¨¡å¼ı": 111657, "è¡Įä¸ļä¸Ń": 111658, "éĢļçŁ¥ä¹¦": 111659, "åij½é¢ĺ": 111660, "æľ¬ç¶²ç«Ļ": 111661, "æ²Ļçī¹": 111662, "åıijåħī": 111663, "é«ĺä»·": 111664, "å·²çĦ¶": 111665, "åıĮåįģä¸Ģ": 111666, "ä¸Ĭè¯ī": 111667, "ç¿ħèĨĢ": 111668, "è¿Ļä¸Ģå¹´": 111669, "大ä¼ļä¸Ĭ": 111670, "éĩī": 111671, "å®Įåħ¨æĺ¯": 111672, "å¾Ĺ太": 111673, "ä¸ĢèĪ¬äºº": 111674, "è¿ĺç®Ĺ": 111675, "æĬĺåıł": 111676, "æĬķæľº": 111677, "çĤ¹çĩĥ": 111678, "çİ°éĩijæµģ": 111679, "åħĶåŃIJ": 111680, "ç½ijæł¼": 111681, "æİ¥è¿ĩ": 111682, "ä¾Ľè´§": 111683, "éĺ´å½±": 111684, "åİŁåħĪ": 111685, "æį£": 111686, "左侧": 111687, "åħĭæĭī": 111688, "æīĵåį¡": 111689, "ç§ijæ¯Ķ": 111690, "æ±ĩéĽĨ": 111691, "åľ°çIJĨä½įç½®": 111692, "è¯Ħå§Ķ": 111693, "ç»ĵåIJĪèµ·æĿ¥": 111694, "è¿Ľåħ¥åĪ°": 111695, "åı¯è¡Į": 111696, "åı¯è¡ĮæĢ§": 111697, "让å®ĥ": 111698, "åĪ¶åº¦æĶ¹éĿ©": 111699, "çĶĺèĤĥçľģ": 111700, "åĵĹ": 111701, "åģıåģı": 111702, "è¡£çī©": 111703, "ç¥Ŀè´º": 111704, "æºIJèĩª": 111705, "并ä¸į代表": 111706, "åĽ½åº¦": 111707, "好åĿı": 111708, "æĿĸ": 111709, "æĿŃå·ŀå¸Ĥ": 111710, "湿度": 111711, "鲸": 111712, "åįļ彩": 111713, "æ³°å±±": 111714, "æĿijèIJ½": 111715, "æĸ°èģŀ": 111716, "èĤĭ": 111717, "åı¤èĢģçļĦ": 111718, "çļĦç§ĺå¯Ĩ": 111719, "ä¸Ģ个éĹ®é¢ĺ": 111720, "éģıåĪ¶": 111721, "åįĥ亿": 111722, "è¿ĩ硬": 111723, "å°Ħåĩ»": 111724, "èĩªçĦ¶æĺ¯": 111725, "产åĮº": 111726, "çĤ¹çĤ¹å¤´": 111727, "åı¯ä»¥å¸®åĬ©": 111728, "说å®ŀ": 111729, "说å®ŀè¯Ŀ": 111730, "æĪijåıªæĺ¯": 111731, "ä¹ĭä½Ļ": 111732, "åIJĮæĹ¶ä¹Łæĺ¯": 111733, "ä¸ŃåĽ½éĺŁ": 111734, "建æĪIJåIJİ": 111735, "ä¹IJè§Ĩ": 111736, "åij¨å²ģ": 111737, "èį¯åºĹ": 111738, "éĩijåįİ": 111739, "严éĩįå½±åĵį": 111740, "è´¨åľ°": 111741, "æĹħéģĬ": 111742, "åħµåĻ¨": 111743, "æķĻèĤ²æķĻåѦ": 111744, "离åİ»": 111745, "åIJĦå¼ıåIJĦæł·": 111746, "ä»ĭç´": 111747, "ä»ĭç´¹": 111748, "å¼Ģ头": 111749, "å°Ĩèĩªå·±çļĦ": 111750, "åIJ¬åĬĽ": 111751, "ä¿¡æģ¯ç³»ç»Ł": 111752, "ä»İæł¹æľ¬": 111753, "ä»İæł¹æľ¬ä¸Ĭ": 111754, "æİĮ声": 111755, "欢åĸľ": 111756, "å±ķåĮº": 111757, "åķ¸": 111758, "太å¤ļäºĨ": 111759, "éĹ²ç½®": 111760, "èĥ¡èIJĿåįľ": 111761, "å§Ķå®£ä¼ł": 111762, "å§Ķå®£ä¼łéĥ¨": 111763, "åįĹéĺ³": 111764, "å·ŀåĮº": 111765, "ä¸İæŶ": 111766, "ä¸İæĹ¶ä¿±": 111767, "ä¸İæĹ¶ä¿±è¿Ľ": 111768, "å«Įçĸij人": 111769, "èī¯å¿ĥ": 111770, "头顶": 111771, "è´¢æĬ¥": 111772, "ä½Ľæ³ķ": 111773, "å¾µ": 111774, "åİŁä»¶": 111775, "åĭŀ": 111776, "çĶ·ç¯®": 111777, "å¤ĸåĽ½äºº": 111778, "è¿Ŀ纪": 111779, "æī¾äºĨ": 111780, "æįķæįī": 111781, "缸è¯Ĩ": 111782, "æIJľéĽĨ": 111783, "çļĦä¼Łå¤§": 111784, "ä¸īç»´": 111785, "å°±è¡ĮäºĨ": 111786, "çĭIJæľĪ": 111787, "çĭIJæľĪå±±": 111788, "å¸ĮæľĽéĢļè¿ĩ": 111789, "èĢĮ对äºİ": 111790, "éĿ¢å°į": 111791, "åĨĽåĽ¢": 111792, "è¡ĹåĮº": 111793, "æĤ¬æĮĤ": 111794, "便ç§ĺ": 111795, "æľīä¸ĢçĤ¹": 111796, "ä¼ļè®®ä¸Ĭ": 111797, "ä¸ĭæīĭ": 111798, "廣åijĬ": 111799, "äºĶè¡Į": 111800, "çŃīåĢĻ": 111801, "ç´§ç´§åĽ´ç»ķ": 111802, "æĭ¿äºĨ": 111803, "æ¡ĮéĿ¢": 111804, "ç¥ŀæĥħ": 111805, "éĽĦåİļ": 111806, "çŀ³": 111807, "楼ä¸ĭ": 111808, "彪": 111809, "äºĭåıij": 111810, "åĨįè§ģ": 111811, "é¤ĺ": 111812, "é¢ĦåĶ®": 111813, "åİ»çľĭçľĭ": 111814, "æĪij们åºĶ该": 111815, "ä¸ī家": 111816, "æµĬ": 111817, "ä¹IJéĺŁ": 111818, "çľĭä¸įè§ģ": 111819, "èĦijåŃIJ": 111820, "æĮģæľīçļĦ": 111821, "çĻ½èıľ": 111822, "éĹªçĥģ": 111823, "åĸĿæ°´": 111824, "æݧåĪ¶ç³»ç»Ł": 111825, "ä¸ĵåĮº": 111826, "æľĿå»·": 111827, "æĪijå¿ĥéĩĮ": 111828, "å±ķåİħ": 111829, "èľĺèĽĽ": 111830, "åĨ»ç»ĵ": 111831, "粪": 111832, "åºIJ": 111833, "åIJij社ä¼ļ": 111834, "åĨ³çŃĸéĥ¨ç½²": 111835, "çŁŃæľŁåĨħ": 111836, "æĸ°ä¸ļæĢģ": 111837, "æľĶ": 111838, "æŶæĬ¥": 111839, "使ä¹ĭ": 111840, "åĽłåŃIJ": 111841, "åıĤä¸İèĢħ": 111842, "çļĦ年轻人": 111843, "æīĭ表": 111844, "å°ģéĶģ": 111845, "为ä»Ģä¹Īä¸į": 111846, "åIJ¸çĥŁ": 111847, "æ¯Ĵç´ł": 111848, "åĪijæ³ķ": 111849, "磫æŃ£": 111850, "身æĹģ": 111851, "åİŁè°ħ": 111852, "çĽijæĬ¤": 111853, "æѤå¤Ħ": 111854, "éļ¨æĻĤ": 111855, "æŀľå®ŀ": 111856, "åĮ»çĸĹæľįåĬ¡": 111857, "ä¸įåIJĪçIJĨ": 111858, "æIJŀ好": 111859, "çļĦèĦļæŃ¥": 111860, "å¤ĸå¥Ĺ": 111861, "ç¶ĵéģİ": 111862, "æĶ¾ç¼ĵ": 111863, "åģľçķĻ": 111864, "æĺŁçIJĥ": 111865, "çļĦä¸ĢéĿ¢": 111866, "åĩłä½ķ": 111867, "è½®åĽŀ": 111868, "æ¯Ľå·¾": 111869, "ä¿®çIJĨ": 111870, "ä¸įçŁ¥ä¸į": 111871, "ä¸įçŁ¥ä¸įè§ī": 111872, "æķ´ä¸ªäºº": 111873, "æ¯ģçģŃ": 111874, "åı°å·ŀ": 111875, "使çĶ¨å¯¿åij½": 111876, "é»ijçĻ½": 111877, "æij¸ç´¢": 111878, "é¼łæłĩ": 111879, "éĿ©æĸ°": 111880, "麵": 111881, "ä¸ĵéĹ¨ä¸º": 111882, "å¾Īå¤ļæľĭåıĭ": 111883, "å·¥ä½ľç»Ħ": 111884, "åIJĪå½±": 111885, "çĤºä»Ģ麼": 111886, "æŀģ度": 111887, "çļĦè¿ĽæŃ¥": 111888, "å½ĵä¹ĭ": 111889, "å½ĵä¹ĭæĹł": 111890, "å½ĵä¹ĭæĹłæĦ§": 111891, "è´´è¿ij": 111892, "尺度": 111893, "åľ¨çİ°åľº": 111894, "éĻį临": 111895, "åħ»èĢģéĩij": 111896, "ç£ķ": 111897, "åı¯ä»¥ä½¿": 111898, "管çIJĨæ°´å¹³": 111899, "æľ¬æĬ¥è®°èĢħ": 111900, "æ³ķ令": 111901, "åį¡è½¦": 111902, "ä¸ľæµ·": 111903, "å¤ļéĩį": 111904, "åħ¶éĹ´": 111905, "ç´Ļ": 111906, "éĩįå¤§é¡¹çĽ®": 111907, "æ±Ĺæ°´": 111908, "ç»Ħå§Ķä¼ļ": 111909, "ä¿¡æģ¯åħ¬å¼Ģ": 111910, "ä¸į论æĺ¯": 111911, "ä¸ĢåIJ¬": 111912, "èĴ¸æ±½": 111913, "æıŃç§ĺ": 111914, "è¶ħéģİ": 111915, "触åıij": 111916, "婦": 111917, "åħ³èģĶ交æĺĵ": 111918, "å°±ç»Ļ大家": 111919, "好ä¹ħ": 111920, "åĢŁè´·": 111921, "游æĪıè§Ĵèī²": 111922, "å¼ĢåIJ¯äºĨ": 111923, "æİł": 111924, "åħļçļĦåįģä¹Ŀ": 111925, "ä¸ĭ鼨": 111926, "çŁŃæŶéĹ´åĨħ": 111927, "å¯ħ": 111928, "导åħ¥": 111929, "å·¥ä½ľç»ıéªĮ": 111930, "ä¹Łåıªèĥ½": 111931, "鼷éľĨ": 111932, "è·Łè¿Ľ": 111933, "åį¡éĢļ": 111934, "é¢ĩæľī": 111935, "æľºä½ĵ": 111936, "æĪĺ士èģĮä¸ļ": 111937, "女主": 111938, "ä½ĵåĪ¶æľºåĪ¶": 111939, "足åįı": 111940, "èĪĴéĢĤçļĦ": 111941, "åĢŁåı£": 111942, "æī¹åĪ¤": 111943, "æķ°åĢ¼": 111944, "諾": 111945, "éĺ¿æĭī伯": 111946, "åĺİ": 111947, "æħ¶": 111948, "达人": 111949, "å¼Ģæ°´": 111950, "å¤§éĽ¨": 111951, "温室": 111952, "ä½İè¿·": 111953, "ä»įæŧ": 111954, "éªĹåŃIJ": 111955, "亲å±ŀ": 111956, "çIJĨæĻº": 111957, "æľ¬åŁºéĩij": 111958, "å¨ħ": 111959, "åĨĻåŃĹ楼": 111960, "å¢Ļå£ģ": 111961, "宵": 111962, "èĻ½çĦ¶æĺ¯": 111963, "顺çĿĢ": 111964, "åħ«åį¦": 111965, "åķĨçĶ¨": 111966, "ä¸į失": 111967, "è¿·èĮ«": 111968, "顺便": 111969, "æļijæľŁ": 111970, "æ¬ºè´Ł": 111971, "é¢ijé¢ij": 111972, "è¯¥æł¡": 111973, "æĸĻçIJĨ": 111974, "æ·±æĥħ": 111975, "åīįéĶĭ": 111976, "ä¿ĿèŃī": 111977, "èģĮä¸ļçĶŁæ¶¯": 111978, "åħ¬å¼Ģåıij": 111979, "åħ¬å¼Ģåıijè¡Į": 111980, "åħ¥æĪ·": 111981, "éłĵ": 111982, "åĢ¾åIJ¬": 111983, "éŃģ": 111984, "æĦīæĤ¦": 111985, "åĽŀåIJĪ": 111986, "åħ¨åĬĽä»¥": 111987, "åħ¨åĬĽä»¥èµ´": 111988, "åĥ¹åĢ¼": 111989, "èĥ½åĬĽå¼º": 111990, "ç»ıå¼Ģ": 111991, "ç»ıå¼ĢåĮº": 111992, "è¿ľæĸ¹": 111993, "çļĦéģĵçIJĨ": 111994, "缴åįĩ": 111995, "缴åįĩæľº": 111996, "为主é¢ĺçļĦ": 111997, "ç»ĻæĤ¨": 111998, "è¿ĺæĥ³": 111999, "æ¯ĶæĪij": 112000, "åĨľçī§": 112001, "æµ·åºķ": 112002, "çŃ¾è®¢äºĨ": 112003, "对äºİæĪij们": 112004, "æĹ¶è®¸": 112005, "éĶ®çĽĺ": 112006, "å®ŀéĻħæݧåĪ¶": 112007, "çļĦæ¨¡æł·": 112008, "åıįæĺłäºĨ": 112009, "代åĬŀ": 112010, "åĮ»çĶ¨": 112011, "éĽĨç»ĵ": 112012, "åıijå±ķåīįæĻ¯": 112013, "æĮĩçĿĢ": 112014, "åįİåĮĹ": 112015, "è¿Ļåĩłä¸ª": 112016, "åIJįæ°Ķ": 112017, "åĤįæĻļ": 112018, "èĩªåıij": 112019, "æ³¢åħ°": 112020, "大åĬĽæİ¨è¿Ľ": 112021, "èĩªç§°": 112022, "èįĨå·ŀ": 112023, "æIJį害": 112024, "äºĨä¸Ģåı¥": 112025, "æľĢåĪĿçļĦ": 112026, "éĩijèŀįåį±æľº": 112027, "æĢĢ念": 112028, "è¡Įåĭķ": 112029, "女æİĴ": 112030, "ä¸į解": 112031, "ä¼łéĶĢ": 112032, "转载请": 112033, "饰åĵģ": 112034, "åıªä¸º": 112035, "ä¸İä¼Ĺ": 112036, "ä¸İä¼Ĺä¸įåIJĮ": 112037, "èĥ½èĢĹ": 112038, "èı©æıIJ": 112039, "è¿ij两年": 112040, "è¿Ķ乡": 112041, "马ä¸Ĭå°±": 112042, "äºĮçŃīå¥ĸ": 112043, "水管": 112044, "æ³ķåѦ": 112045, "çģŃçģ«": 112046, "大å§IJ": 112047, "åij¨è½¬": 112048, "æľīæľŁ": 112049, "æľīæľŁå¾Ĵ": 112050, "æľīæľŁå¾ĴåĪij": 112051, "å°įæĸ¹": 112052, "ç¥ŀèī²": 112053, "æ²¹èĦĤ": 112054, "ä¸īçĤ¹": 112055, "ä¸įåĪ©äºİ": 112056, "äºĭä¸ļéĥ¨": 112057, "å°±è·Ł": 112058, "å¼ĢæĶ¯": 112059, "å°ı女åŃ©": 112060, "åħ±åIJĮåĬªåĬĽ": 112061, "çĶļèĩ³è¿ĺ": 112062, "è¿ĻåIJį": 112063, "è¿Ļç¬Ķ": 112064, "çݯåį«": 112065, "æľīç§į": 112066, "è§ĨåĬĽ": 112067, "çĨŁçŁ¥": 112068, "åħ¬ç§¯éĩij": 112069, "æ¶Īéĺ²å®īåħ¨": 112070, "é¢ĩ为": 112071, "大èħ¿": 112072, "éĿ¶": 112073, "çī¹æķĪ": 112074, "æľįåĬ¡åĮº": 112075, "å¼Ģåĩº": 112076, "深度èŀįåIJĪ": 112077, "æĹłå¿§": 112078, "æŁ¥éĺħ": 112079, "ç»Īç»ĵ": 112080, "ä¿Ŀç¨İ": 112081, "è¨İè«ĸ": 112082, "å½ĵåģļ": 112083, "è·³èĪŀ": 112084, "寧": 112085, "女çİĭ": 112086, "è®°èĢħåľ¨": 112087, "åħ¨äº§ä¸ļéĵ¾": 112088, "è´¯éĢļ": 112089, "åħ´ä¸ļ": 112090, "éĻįåĪ°": 112091, "å°ģéĿ¢": 112092, "åħ¨éĿ¢æİ¨è¿Ľ": 112093, "奶èĮ¶": 112094, "éĢīåĿĢ": 112095, "äºĨä¸Ģåľº": 112096, "åIJĮä¼´": 112097, "议论": 112098, "æIJĵ": 112099, "诸èijĽ": 112100, "诸èijĽäº®": 112101, "å¹²åĺĽ": 112102, "æµģæĦŁ": 112103, "ä¸ĵä¸ļçŁ¥è¯Ĩ": 112104, "çĶµç«Ļ": 112105, "åĩıå¼±": 112106, "åĩºåħ¥": 112107, "åIJĦçľģ": 112108, "éĿŀ常é«ĺ": 112109, "åľ°æ¯¯": 112110, "åıijæĸĩ": 112111, "çĦī": 112112, "çĥ§çĥ¤": 112113, "å£ģ纸": 112114, "æģ¶åĮĸ": 112115, "èĬ¸": 112116, "èĥĸåŃIJ": 112117, "çĩĴ": 112118, "çľģéĴ±": 112119, "çĻ¾å¼º": 112120, "çIJĨ工大åѦ": 112121, "éĴ¢æĿIJ": 112122, "åĽ½æľīèµĦ产": 112123, "æĪĺæľº": 112124, "æ³Ħéľ²": 112125, "åIJİéĿ¢çļĦ": 112126, "æ°´èµĦæºIJ": 112127, "æ¢ħèĬ±": 112128, "åĨĻçĿĢ": 112129, "ä¹ĭ声": 112130, "æĹłåı¯": 112131, "æĺİæľĿ": 112132, "ç«ĭæĸ¹ç±³": 112133, "ç·£": 112134, "æĶ¾è¿ĩ": 112135, "ç¦ıçĶ°": 112136, "å¾Ĺä½ı": 112137, "åıĹä¼Ĺ": 112138, "ä¸Ń级": 112139, "çĹħåıĺ": 112140, "ä¸Ģçŀ¬éĹ´": 112141, "æĿĥéĩį": 112142, "人æĢ§åĮĸ": 112143, "åĮ»çĸĹåį«çĶŁ": 112144, "ä¸įåĪ°ä½į": 112145, "æĻºèĥ½å®¶å±ħ": 112146, "饮çĶ¨": 112147, "æ¼Ķåıĺ": 112148, "é«ĺç´łè´¨": 112149, "ä¹Ļæĸ¹": 112150, "åģľçķĻåľ¨": 112151, "èİ·æī¹": 112152, "ç©¿æ¢Ń": 112153, "å®¢åľº": 112154, "æĮ½åĽŀ": 112155, "京åŁİ": 112156, "çĶŁåij½åĬĽ": 112157, "實éļĽ": 112158, "çĩĪ": 112159, "åĨįçİ°": 112160, "çİ°å®ŀä¸Ń": 112161, "æľīä¿¡å¿ĥ": 112162, "çĸıéĢļ": 112163, "åĺ´åĶĩ": 112164, "鼷éĶĭ": 112165, "èıľåįķ": 112166, "éħ¯": 112167, "è¶ħé«ĺ": 112168, "å¾Īé«ĺåħ´": 112169, "çĶŁæ®ĸ": 112170, "éĢłä»·": 112171, "误åĮº": 112172, "æĨĭ": 112173, "好æ¶Īæģ¯": 112174, "å´Ń": 112175, "以èĩ´": 112176, "å¼Ģçİ©ç¬ij": 112177, "çĽijè§Ĩ": 112178, "å·¡å¯Ł": 112179, "å¾·å·ŀ": 112180, "æĹ©æĹ©": 112181, "éĹªçĶµ": 112182, "æĪªåĽ¾": 112183, "åı¯ä»¥æł¹æį®": 112184, "æīĭèīº": 112185, "æݥ轨": 112186, "ç§įæĹı": 112187, "æĢĢéĩĮ": 112188, "åİ»åĮ»éĻ¢": 112189, "ä¸ĢäºĮ": 112190, "å¼ĢéĺĶ": 112191, "åĩıéĢŁ": 112192, "ä½Ĩä»İ": 112193, "éĢĻä¸Ģ": 112194, "åĩıåħį": 112195, "主é¢ĺæķĻèĤ²": 112196, "å¼Ģ工建设": 112197, "蹦": 112198, "æľĪ饼": 112199, "ä¸ĭæ²ī": 112200, "å°Ĭ严": 112201, "éĻĩ": 112202, "å®ŀæľ¨": 112203, "å»łåķĨ": 112204, "声称": 112205, "èĢĥåľº": 112206, "å¸ĥé²ģ": 112207, "èĩªæĿ¥": 112208, "èĩªæĿ¥æ°´": 112209, "éĴ¾": 112210, "年以ä¸Ĭ": 112211, "大åıĶ": 112212, "ä»ĸå·²ç»ı": 112213, "åħ¨æĿij": 112214, "èģĶç³»çĶµè¯Ŀ": 112215, "为导åIJij": 112216, "åĪ¤å¤Ħ": 112217, "对éĺµ": 112218, "缮æ¨Ļ": 112219, "åIJįé¢Ŀ": 112220, "客æ°Ķ": 112221, "横åIJij": 112222, "çŃīåĨħ容": 112223, "åĩłçĤ¹": 112224, "è°Ī论": 112225, "ä¸įä¹ı": 112226, "å±ķçİ°åĩº": 112227, "è¾ĥéķ¿": 112228, "éĢĨ转": 112229, "å°ıæĻĤ": 112230, "æĺ¯å¤ļä¹Ī": 112231, "æľ¬æľĪ": 112232, "è¿ijè§Ĩ": 112233, "æĪIJç«ĭ以æĿ¥": 112234, "代表çĿĢ": 112235, "æĬ¥å¤į": 112236, "æĪıæĽ²": 112237, "è¨ŃåĤĻ": 112238, "åħ¥èĤ¡": 112239, "å¾ģæľį": 112240, "é«ĺåĩº": 112241, "èĪŀåı°ä¸Ĭ": 112242, "å¿ĥåĬ¨": 112243, "两çĤ¹": 112244, "缸çķ¶": 112245, "èĻĽ": 112246, "主页": 112247, "åĩłå®¶": 112248, "æĹłä¸į": 112249, "åįıå®ļ": 112250, "æĸIJ": 112251, "å¯ĵæĦı": 112252, "åħ¨çº¿": 112253, "æįķé±¼": 112254, "åı¯ä»¥ä»İ": 112255, "æľīè¿Ļæł·çļĦ": 112256, "æģ¶éŃĶ": 112257, "åĮħåŃIJ": 112258, "æģ¤": 112259, "å¼Ģå¥ĸç»ĵæŀľ": 112260, "ä¸įæŃ»": 112261, "èĹį": 112262, "å¼¯æĽ²": 112263, "海峡": 112264, "éĶĢæ¯ģ": 112265, "çļĦçĭ¬çī¹": 112266, "示æĦı": 112267, "ä¸įèĥ½åĨį": 112268, "èĥ½æĬĬ": 112269, "éĺ²çº¿": 112270, "ä¸įå°ijäºİ": 112271, "æ±Ģ": 112272, "çļĦéĤ£ä¸Ģ": 112273, "羣æĥħ": 112274, "åŀ®": 112275, "被æīĵ": 112276, "åĽ½å®ī": 112277, "ç¾İå¦Ļ": 112278, "è¿Ļåĩł": 112279, "åĩºéģĵ": 112280, "æľįåĬ¡äºİ": 112281, "æĪIJæŀľè½¬åĮĸ": 112282, "æīįåįİ": 112283, "天é¹ħ": 112284, "åĩłä¸ªäºº": 112285, "åĢĺèĭ¥": 112286, "èĢ½è¯¯": 112287, "æĬĹæĪĺ": 112288, "è¡ĮéĬ·": 112289, "æĿ¥è¢Ń": 112290, "åĢŁéĮ¢": 112291, "èįīèİĵ": 112292, "ä¸¥æł¼æī§è¡Į": 112293, "举è¡ĮäºĨ": 112294, "å¤ĸç±į": 112295, "已达": 112296, "æĿijåħļæĶ¯éĥ¨": 112297, "è¡Ŀ": 112298, "éĻįèĩ³": 112299, "æµ·éĩı": 112300, "é¤IJé¦Ĩ": 112301, "æĢ¥å¿Ļ": 112302, "æ·±è¿ľ": 112303, "å¾Ģè¿Ķ": 112304, "ç¨İåĬ¡å±Ģ": 112305, "å¹¿æ³ĽåºĶçĶ¨": 112306, "è®®åijĺ": 112307, "æĹłæķĮ": 112308, "çľ¼åħī": 112309, "çĥŃè¡Ģä¼łå¥ĩ": 112310, "æŃIJ": 112311, "äºĨäºĽ": 112312, "è¿ĿèĥĮ": 112313, "è¿Ļæĺ¯ä¸Ģç§į": 112314, "ä¸į稳å®ļ": 112315, "大家åĪĨ享": 112316, "表çı¾": 112317, "åīįåįģ": 112318, "è·¯è¿ĩ": 112319, "æĴ©": 112320, "åIJĮæĥħ": 112321, "ä¹łä¿Ĺ": 112322, "åıijè´¢": 112323, "åºĶæľīçļĦ": 112324, "æĿİæŁIJ": 112325, "èĤĽ": 112326, "马åħĭ": 112327, "éĢļåijĬ": 112328, "巨人": 112329, "ä¸ĢåĽ¢": 112330, "éĢĻ次": 112331, "ä¸įäºĨ解": 112332, "æĸ½è¡Į": 112333, "èij¡èIJĦçīĻ": 112334, "åıĺå¾ĹæĽ´åĬł": 112335, "æı£": 112336, "åĪĽæĸ°èĥ½åĬĽ": 112337, "çķħéĶĢ": 112338, "表æī¬": 112339, "æ¯ĶåĪ©": 112340, "æ¯ĶåĪ©æŶ": 112341, "åĮ»çĸĹä¿ĿéĻ©": 112342, "æĵį纵": 112343, "伤亡": 112344, "æµİå®ģ": 112345, "åıĺäºĨ": 112346, "æľ¬æ¬¡æ´»åĬ¨": 112347, "åľŁè±ª": 112348, "æĥ³åĬŀæ³ķ": 112349, "æĺķ": 112350, "å½ĵæĻļ": 112351, "åĩºå±Ģ": 112352, "çĥŃè®®": 112353, "è°Īè°Ī": 112354, "æĻĭåįĩ": 112355, "åĬ¿å¿ħ": 112356, "çĻ»å±±": 112357, "éĤ£åĦ¿": 112358, "åIJĥåĪ°": 112359, "ä¹ĭåŁİ": 112360, "å¿«æĿ¥": 112361, "æ¹Ľæ±Ł": 112362, "第ä¸ī个": 112363, "åħ¨éĿ¢æıIJåįĩ": 112364, "å¥ĸåѦ": 112365, "å¥ĸåѦéĩij": 112366, "æĬķåħ¥ä½¿çĶ¨": 112367, "é½IJé²ģ": 112368, "åı¯ä»¥æĬĬ": 112369, "åĴĮä»ĸçļĦ": 112370, "è´ŃæĪ¿èĢħ": 112371, "æŃ£å¼ıåIJ¯åĬ¨": 112372, "åįİ润": 112373, "ä¸įæĸŃå®ĮåĸĦ": 112374, "éĴ¢æĿ¿": 112375, "累积": 112376, "满èĦ¸": 112377, "åĽĽæĸ¹": 112378, "è´¢çī©": 112379, "ä»ĸ们ä¼ļ": 112380, "å¤ıæĹ¥": 112381, "éĤ£ä¸ªäºº": 112382, "éĿłçĿĢ": 112383, "çĤ¹äºĨ": 112384, "çĤ¹äºĨçĤ¹å¤´": 112385, "æ©ĭ": 112386, "åıĪ好": 112387, "åıĪ好åıĪ": 112388, "åıĪ好åıĪå¿«": 112389, "éĺµéĺµ": 112390, "å°ģ建": 112391, "æľ¬çĶ°": 112392, "çī©ä¸ļæľįåĬ¡": 112393, "èĩªè´¸åĮº": 112394, "åIJı": 112395, "便åĪ©åºĹ": 112396, "åĽ½å®¶æłĩåĩĨ": 112397, "éĿ¢ç²ī": 112398, "èī°è¾Ľ": 112399, "æĶ»åħ³": 112400, "æīĵåĮħ": 112401, "车éĺŁ": 112402, "人éĢī": 112403, "åı¯ä¸įæĺ¯": 112404, "äºĮåįģå¹´": 112405, "åIJįå¸Ī": 112406, "æµ¦ä¸ľ": 112407, "åħ¬è¯ģ": 112408, "è¿IJéĢģ": 112409, "æĺ¯æľĢ好çļĦ": 112410, "æŁĶåĴĮ": 112411, "çİĭæŁIJ": 112412, "çĹħæĪ¿": 112413, "åĨ¶éĩij": 112414, "ä¸Ģ件äºĭæĥħ": 112415, "åį¤": 112416, "åı¯æݧ": 112417, "çīŁ": 112418, "æĭĤ": 112419, "å·²äºİ": 112420, "人éĢł": 112421, "çĶŁçī©åĮ»èį¯": 112422, "ä½ĵçİ°åĩº": 112423, "èĤ²åĦ¿": 112424, "èĢģå®ŀ": 112425, "åľĸçīĩ": 112426, "諸": 112427, "ç´¯äºĨ": 112428, "æĦŁåħ´è¶£çļĦ": 112429, "åĽ¾çīĩæĿ¥æºIJ": 112430, "ä¹Łæĺ¯ä¸Ģç§į": 112431, "æ¾İæ¹ĥæĸ°éĹ»": 112432, "æĹ¶è¡¨ç¤º": 112433, "åħīè¾ī": 112434, "æĬ¥åºŁ": 112435, "å²ģæŶ": 112436, "éħ®": 112437, "æ£Ģä¿®": 112438, "åıĺéĢŁ": 112439, "åıĺéĢŁç®±": 112440, "åľ¨èģĮ": 112441, "éı¡": 112442, "æįĤ": 112443, "çĿ£åĬŀ": 112444, "æ°¸ä¸į": 112445, "åģļä¸ĢäºĽ": 112446, "åİĨæŶ": 112447, "å·¥ç¨ĭæľºæ¢°": 112448, "æģ°å½ĵ": 112449, "å°±åľ¨äºİ": 112450, "称åij¼": 112451, "éĢļ常æĺ¯": 112452, "æł·å¼ı": 112453, "åij¨ä¸Ģ": 112454, "èĭ±éķij": 112455, "åĿĩ线": 112456, "ä¼łéĹ»": 112457, "çĶ¨æĪ·ä½ĵéªĮ": 112458, "èµŀåIJĮ": 112459, "骨æĬĺ": 112460, "为主ä½ĵ": 112461, "æ±Łå±±": 112462, "æ¸ħæľĿ": 112463, "æĶĢåįĩ": 112464, "ä¸įçĽ¸ä¿¡": 112465, "éĿ´": 112466, "æѦåĬŁ": 112467, "åĭ¤åĬ³": 112468, "æĿ¥æī¾": 112469, "å°ĨæĮģç»Ń": 112470, "丫头": 112471, "æ¨Ļæºĸ": 112472, "裴": 112473, "深深çļĦ": 112474, "åŃķèĤ²": 112475, "è§ĦåĪĴ建设": 112476, "æ¸ħçĪ½": 112477, "ç²¾åĩĨæī¶è´«": 112478, "æīĵçł´äºĨ": 112479, "è¿Ļä¸Ģ天": 112480, "å·¥ä½ľæĢ»ç»ĵ": 112481, "æĹħç¨ĭ": 112482, "举èIJ¥": 112483, "æĶ¾å°Ħ": 112484, "æľīåĩłä¸ª": 112485, "éĿŀçī©è´¨": 112486, "åIJĥå¾Ĺ": 112487, "åŨ": 112488, "ä¼ļåıijçĶŁ": 112489, "篮æĿ¿": 112490, "å¼Ģå°ģ": 112491, "麻å°Ĩ": 112492, "èııæ³½": 112493, "ä¸įåIJĪ": 112494, "ç³»åĪĹ产åĵģ": 112495, "èѬå¦Ĥ": 112496, "ç¾İèªī": 112497, "èĩªå·±åĸľæ¬¢": 112498, "交æĺĵä¸Ńå¿ĥ": 112499, "åIJĪåĶ±": 112500, "使æĪij": 112501, "åĥıç´ł": 112502, "带éĺŁ": 112503, "ä½Ĩ对äºİ": 112504, "æĬĬè¿Ļ个": 112505, "èĤĿèĦı": 112506, "åįķ纯çļĦ": 112507, "æĶ»åĿļæĪĺ": 112508, "缼ä¼ļ": 112509, "åijµæĬ¤": 112510, "æªĢ": 112511, "赶ä¸Ĭ": 112512, "æ¥Ĭ": 112513, "ä¹ħäºĨ": 112514, "ç¡Ŀ": 112515, "çŃĶé¢ĺ": 112516, "ä¿ĿæĮģçĿĢ": 112517, "è§ģè¯Ĩ": 112518, "çĤ¹åĦ¿": 112519, "åįĬ个æľĪ": 112520, "æ»ĩ": 112521, "浸泡": 112522, "ä¼łéĢģ": 112523, "åľ¨å¸Ĥåľºä¸Ĭ": 112524, "ä¹ĭ乡": 112525, "çī¹éķ¿": 112526, "éĽŀ": 112527, "èªł": 112528, "身å¤Ħ": 112529, "æŁłæª¬": 112530, "身穿": 112531, "çľģåħ¬å®ī": 112532, "çľģåħ¬å®īåİħ": 112533, "åıĻåĪ©äºļ": 112534, "åĩłåĪĨéĴŁ": 112535, "人åĢij": 112536, "åľ°æ®µ": 112537, "èĩªåѦ": 112538, "ä¹Łè¶ĬæĿ¥è¶Ĭ": 112539, "èģĮæĿĥ": 112540, "æĸ§": 112541, "èĩ»": 112542, "å½Ĵ纳": 112543, "驾é©Ń": 112544, "éĥ¨åĪĨåľ°åĮº": 112545, "没æľīæĥ³åĪ°": 112546, "æĴĩ": 112547, "ä¹Įé²ģ": 112548, "ä¹Įé²ģæľ¨": 112549, "ä¹Įé²ģæľ¨é½IJ": 112550, "èĤ²äºº": 112551, "çļĦæŃ¥ä¼IJ": 112552, "å»¶æľŁ": 112553, "æ²¹æ°Ķ": 112554, "åģļå®Į": 112555, "åľ£åľ°": 112556, "丰åİļ": 112557, "宽带": 112558, "åı¯éĿłçļĦ": 112559, "åºŃéĻ¢": 112560, "åŃľ": 112561, "å°ı康社ä¼ļ": 112562, "å®īåħ¨ç®¡çIJĨ": 112563, "年第": 112564, "æİĴ污": 112565, "èĥĮåĮħ": 112566, "家ä½ı": 112567, "åħ¶å®ŀå°±æĺ¯": 112568, "ä¼ļè§ģ": 112569, "帮åĬ©ä¼ģä¸ļ": 112570, "ç½ijè´Ń": 112571, "æĺ¯ä¸įä¼ļ": 112572, "飯åºĹ": 112573, "æŃ»åİ»": 112574, "åħįçĸ«åĬĽ": 112575, "æľķ": 112576, "åĸĿäºĨ": 112577, "轻微": 112578, "个æľĪåĨħ": 112579, "ç»ĦåĽ¢": 112580, "åĴĮå®ĮåĸĦ": 112581, "鸽": 112582, "æıIJéĢŁ": 112583, "西å®īå¸Ĥ": 112584, "ä¸Ńå¿ĥ主任": 112585, "æŶéĹ´ä¸º": 112586, "æľŁæĿĥ": 112587, "è¶ķ": 112588, "ä¸įä»ħè¦ģ": 112589, "æľįä»İ": 112590, "é¡ĺæĦı": 112591, "ä¸įå°ı": 112592, "ä¸įå°ıçļĦ": 112593, "ç°ĩ": 112594, "窦": 112595, "åĪĩæĪIJ": 112596, "åĵĪåĪ©": 112597, "å¤©çľŁ": 112598, "ä¸Ģ次次": 112599, "éĩijå¸ģ": 112600, "æĢİä¹Īèĥ½": 112601, "ç½ijè´·": 112602, "ä¼ļ计å¸Ī": 112603, "çŁŃ缺": 112604, "对æłĩ": 112605, "åıĺå¾ĹæĽ´": 112606, "åīįåĩłå¤©": 112607, "éĺ²æ±Ľ": 112608, "彩èĻ¹": 112609, "åĵģä½į": 112610, "è¡¨æł¼": 112611, "严å¯Ĩ": 112612, "æ¯ĽåĪ©çİĩ": 112613, "çļĦåį±å®³": 112614, "å½ķåĪ¶": 112615, "æ°´åĬ¡": 112616, "èĥ½å¤Łè®©": 112617, "å¹³æĿ¿": 112618, "ä¹³æĪ¿": 112619, "è¸ıå®ŀ": 112620, "é¦ĸåĪĽ": 112621, "é¦Ļèķī": 112622, "æĬ¥è¡¨": 112623, "ä¸ĢæĬ¹": 112624, "åĩºçĶŁäºİ": 112625, "è²»çĶ¨": 112626, "åĩºè®©": 112627, "åIJĪæ³ķæĢ§": 112628, "å°¼åħĭ": 112629, "åĨ°åĨ·": 112630, "é¦Ļæ°Ķ": 112631, "åı·ç§°": 112632, "èµ·çłģ": 112633, "åŁİåİ¿": 112634, "çİ©èĢį": 112635, "ä¸ĬéĻIJ": 112636, "ä¼ļ议精ç¥ŀ": 112637, "æĹģè¾¹çļĦ": 112638, "便ä¼ļ": 112639, "æıŃæĻĵ": 112640, "çİ©æĦı": 112641, "éĽªå±±": 112642, "åIJijçĿĢ": 112643, "ä½ĵèĤ²åľ¨çº¿": 112644, "说æĺİ书": 112645, "åĮĸèĤ¥": 112646, "åħļç»Ħ书记": 112647, "åĬ¨äºº": 112648, "ä¹ĭæīĢ": 112649, "æľĪèĩ³": 112650, "æľĢå¿«çļĦ": 112651, "èĬĤåģĩæĹ¥": 112652, "ä¸ĵåľº": 112653, "èĢĥä¸Ĭ": 112654, "çªŁ": 112655, "é²ľè¡Ģ": 112656, "è¾ĥ强çļĦ": 112657, "æĤĦçĦ¶": 112658, "å¤ļä¸ªåĽ½å®¶": 112659, "çªĹå¸ĺ": 112660, "æŀģå¤§åľ°": 112661, "ä¸įçĶ¨æĭħå¿ĥ": 112662, "è¿Ļä¹Īåģļ": 112663, "åĥ¹æł¼": 112664, "ç¾İ丽乡æĿij": 112665, "å°ıæŶåĨħ": 112666, "紧迫": 112667, "大çģ«": 112668, "èĥ³èĨĬ": 112669, "æĵįä½ľç³»ç»Ł": 112670, "æ®ĭçķĻ": 112671, "åĨĻåĩº": 112672, "ç¦ģå¿Į": 112673, "åĬłçĽŁåºĹ": 112674, "è¿ijçĻ¾": 112675, "便åı¯": 112676, "æķ´æĶ¹æݪæĸ½": 112677, "éĩĩ访æŶ": 112678, "åĶIJ代": 112679, "æ·±åĮĸæĶ¹éĿ©": 112680, "çŁ¢": 112681, "éĥ½åĸľæ¬¢": 112682, "è¶ĬæĿ¥è¶Ĭé«ĺ": 112683, "èĬ±æľµ": 112684, "头çĸ¼": 112685, "å®ī康": 112686, "å¢ŀéķ¿çİĩ": 112687, "çľ¼çľĭ": 112688, "å°±æĺ¯ä¸ºäºĨ": 112689, "èĢĮ导èĩ´": 112690, "åĬłå¿«å»ºè®¾": 112691, "èĬ±æł·": 112692, "åĨħå¿ĥçļĦ": 112693, "æĺĨå±±": 112694, "è³ĩæºIJ": 112695, "åĽŀåĪ°å®¶": 112696, "èıĬèĬ±": 112697, "æ°´éĩı": 112698, "å¾ģä¿¡": 112699, "è¡ĮæĶ¿åĮº": 112700, "ä¹ĥæĺ¯": 112701, "æĬķèµĦé¡¹çĽ®": 112702, "å«ģç»Ļ": 112703, "ç¥ŀåľ£": 112704, "稳": 112705, "æľ¬æĿ¥å°±": 112706, "éĢIJä¸Ģ": 112707, "èģĮä¸ļæĬĢæľ¯": 112708, "ä¸įèī¯ä¿¡æģ¯": 112709, "æīĺè¿IJ": 112710, "åIJ¯ç¤º": 112711, "ä¹ĭåħ§å®¹": 112712, "飶": 112713, "奢åįİ": 112714, "æıŃ示": 112715, "æĪIJ为ä¸ŃåĽ½": 112716, "æ¶Īè´¹åĵģ": 112717, "åħ¬çĶ¨": 112718, "æIJŀå®ļ": 112719, "è¯·ä½ł": 112720, "æŁļ": 112721, "åĨħè¡£": 112722, "ä½Ĩä»ĸ们": 112723, "ä¿Ŀ湿": 112724, "该åİ¿": 112725, "饱åĴĮ": 112726, "æݨåIJij": 112727, "èµĦæĸĻæĺ¾ç¤º": 112728, "ä¸įå½±åĵį": 112729, "人人éĥ½": 112730, "åıijå±ķ壮大": 112731, "åħ»èĢģæľįåĬ¡": 112732, "çĶŁæ´»æ°´å¹³": 112733, "åIJĦåİ¿": 112734, "ä½łéľĢè¦ģ": 112735, "说çļĦæĺ¯": 112736, "å¤ĸåªĴ": 112737, "æŃ¤äºº": 112738, "次è¦ģ": 112739, "追赶": 112740, "åºĶ该å¦Ĥä½ķ": 112741, "æĹ¥åĩĮæĻ¨": 112742, "çķ¥æľī": 112743, "éĥ½æĥ³": 112744, "游ä¹IJ": 112745, "è¿Ļ款游æĪı": 112746, "平淡": 112747, "æĺ¯ä¸ĢåĢĭ": 112748, "å¤ĩèĢĥ": 112749, "åĪ¶æŃ¢": 112750, "ä¸Ģå®ļèĥ½": 112751, "å¾Ĵå¼Ł": 112752, "以çĤº": 112753, "åįĥåħĥ": 112754, "äºĶåħŃ": 112755, "迪士": 112756, "迪士尼": 112757, "éĺ³æĢ§": 112758, "åĨ¬å¥¥ä¼ļ": 112759, "å°±æĺ¯åĽłä¸º": 112760, "æĮĤéĴ©": 112761, "æ¦ĤåĨµ": 112762, "åıªè¦ģæľī": 112763, "æ²¹çĶ»": 112764, "åľ°æłĩ": 112765, "ä¸Ĭè°ĥ": 112766, "产ä¸ļåĽŃåĮº": 112767, "åħ«åįģ": 112768, "棱": 112769, "液æĻ¶": 112770, "æĿijå§Ķä¼ļ": 112771, "çŃ¾çº¦ä»ªå¼ı": 112772, "è¿Ļåħ¶ä¸Ń": 112773, "åĨĻéģĵ": 112774, "示èĮĥåŁºåľ°": 112775, "éĩİçĶŁåĬ¨çī©": 112776, "鼻åŃIJä¿¡ç®±": 112777, "åĽ½éĻħè´¸æĺĵ": 112778, "人æĿĥ": 112779, "ä¿Ŀ管": 112780, "èĭ¥æĤ¨": 112781, "åİĭæĬij": 112782, "黼": 112783, "åľ°çľĭçĿĢ": 112784, "éĻ°": 112785, "ä¸Ģå¹´å¤ļ": 112786, "ä»İ容": 112787, "ä¸ŃæĸŃ": 112788, "å¯Łè§ī": 112789, "移交": 112790, "éĶ¯": 112791, "æĪĸ许æĺ¯": 112792, "綳": 112793, "两项": 112794, "æľĢåĸľæ¬¢": 112795, "æľĢåĸľæ¬¢çļĦ": 112796, "å¤ľéĩĮ": 112797, "åIJĮä»ģ": 112798, "åĪĽæĸ°é©±åĬ¨": 112799, "è°ģèĥ½": 112800, "飾": 112801, "åħīåѦ": 112802, "åİĦ": 112803, "èĦ±é¢ĸ": 112804, "èĦ±é¢ĸèĢĮåĩº": 112805, "迦": 112806, "æĺ¯ä¸įåı¯èĥ½": 112807, "窥": 112808, "èĥ½æ»¡è¶³": 112809, "宽度": 112810, "伦çIJĨ": 112811, "åı¯ä»¥èİ·å¾Ĺ": 112812, "转ä¼ļ": 112813, "å±±æĿij": 112814, "éĵºè®¾": 112815, "åĩºåĩ»": 112816, "æĸĩåĮĸèīºæľ¯": 112817, "ä¼ļ议室": 112818, "æŃĮ声": 112819, "æ»Ķ": 112820, "èIJİ缩": 112821, "æľįåĬ¡åijĺ": 112822, "åıij表äºĨ": 112823, "æĸ¼æĺ¯": 112824, "æĺİç¡®è§Ħå®ļ": 112825, "ç»´å¥ĩ": 112826, "水产": 112827, "æĬķä¿Ŀ": 112828, "éĺ´éģĵ": 112829, "赶快": 112830, "夺å¾Ĺ": 112831, "ä¸ĭåįķ": 112832, "çī©æµģåħ¬åı¸": 112833, "çݯç»ķ": 112834, "å½Ī": 112835, "ä½ľé£İ建设": 112836, "æĹħ游æĻ¯åĮº": 112837, "æľīæĽ´å¤ļçļĦ": 112838, "丰å¯Įå¤ļ彩": 112839, "çIJĨ财产åĵģ": 112840, "åĩºå·®": 112841, "ä»İ严治": 112842, "ä»İ严治åħļ": 112843, "çĽ¸å¹²": 112844, "æ»ĭ润": 112845, "主åĬŀæĸ¹": 112846, "åī§åľº": 112847, "æ»ļçIJĥ": 112848, "æ©Ħæ¦Ħ": 112849, "èĩªä¸»åĪĽæĸ°": 112850, "éĢļå¾Ģ": 112851, "æł¼å°Ķ": 112852, "çļĦä¼ĺçĤ¹": 112853, "èĥĮä¸Ĭ": 112854, "çªľ": 112855, "çĪĨåĩº": 112856, "å¹³æķ´": 112857, "ä¸ĢèĦļ": 112858, "åħ¨ä½ĵåijĺå·¥": 112859, "éĻIJå®ļ": 112860, "åŁİéķĩåĮĸ": 112861, "æ·³": 112862, "éĢ®æįķ": 112863, "è¡ĮåĬ¨è®¡åĪĴ": 112864, "æīĵå¾Ĺ": 112865, "åİļéĩį": 112866, "纪å½ķçīĩ": 112867, "åĿļä¿¡": 112868, "央ä¼ģ": 112869, "åĨįä¹Łä¸į": 112870, "天涯": 112871, "åıĤèĢĥèµĦæĸĻ": 112872, "æľīæ¯Ĵ": 112873, "åIJ¸çº³": 112874, "è¶Ĭåıij": 112875, "éĩįè¦ģæĦıä¹ī": 112876, "åĽ½éĺ²éĥ¨": 112877, "è¿Ļ个è¡Įä¸ļ": 112878, "æĻ®æŁ¥": 112879, "å¼ĤæĢ§": 112880, "å»¶è¿Ł": 112881, "å°ıå¹ħ": 112882, "èī²æĥħ": 112883, "综åIJĪæ²»çIJĨ": 112884, "æŃ£æĺ¯åĽłä¸º": 112885, "产ä¸ļç»ĵæŀĦ": 112886, "çłĶ究æĬ¥åijĬ": 112887, "åģľä¸ĭ": 112888, "éķ¿èĢģ": 112889, "éĩĿå°į": 112890, "åįĹ京å¸Ĥ": 112891, "çģĮæºī": 112892, "转è¿IJ": 112893, "欺è¯Ī": 112894, "éĢłåģĩ": 112895, "åĪĨå¸ĥå¼ı": 112896, "æĦŁè§¦": 112897, "æĪijå½ĵæŶ": 112898, "åıijè§ī": 112899, "åĽ¾çº¸": 112900, "æĶ¹èī¯": 112901, "çĭłçĭł": 112902, "åĨ²åĪº": 112903, "æĸ°äº¬": 112904, "æĸ°äº¬æĬ¥": 112905, "ç¥ŀåĻ¨": 112906, "秸ç§Ĩ": 112907, "çĪº": 112908, "å°Ĩè¿İæĿ¥": 112909, "工信": 112910, "工信éĥ¨": 112911, "éĻIJéĩı": 112912, "æŃ¢æįŁ": 112913, "åѦä¼ļäºĨ": 112914, "åįİ缼": 112915, "åįİçĽĽé¡¿": 112916, "å¾Įä¾Ĩ": 112917, "ä¸ĭéĿ¢æĺ¯": 112918, "ä¸ĭéĿ¢æĺ¯å°ı": 112919, "æIJ¬è¿IJ": 112920, "ç¾İæľ¯é¦Ĩ": 112921, "æ¸ħåĩī": 112922, "å¤ļå¹´åīį": 112923, "è©ŀ": 112924, "åįĥç±³": 112925, "表述": 112926, "æ±ŁéŨ": 112927, "åĬłæ²¹ç«Ļ": 112928, "æľ¬èĥ½": 112929, "导读": 112930, "åĽ´è§Ĥ": 112931, "并åIJij": 112932, "åŁºæľ¬æĥħåĨµ": 112933, "æīĵå¼ĢäºĨ": 112934, "è¿Ļä¸ī个": 112935, "æ±ķ头": 112936, "强æľīåĬĽ": 112937, "强æľīåĬĽçļĦ": 112938, "è¿Ľåľº": 112939, "ä¹Ŀæ±Ł": 112940, "çIJĥæĺŁ": 112941, "好çľĭçļĦ": 112942, "大æĪ·": 112943, "湯": 112944, "å¥ĩå¦Ļ": 112945, "ä¹IJåĻ¨": 112946, "æĪijçļĦå¿ĥ": 112947, "çľī头": 112948, "åĨľä¸ļçĶŁäº§": 112949, "ç¼ĸçłģ": 112950, "åŁºç¤": 112951, "åŁºç¤İ": 112952, "天æĸĩ": 112953, "åĢĭ人è³ĩè¨Ĭ": 112954, "åİ»è¿ĩ": 112955, "èģĨåIJ¬": 112956, "æĶ¾åģĩ": 112957, "ä¸įåħ·å¤ĩ": 112958, "æ·Ģç²ī": 112959, "大佬": 112960, "åħ¨å¤©": 112961, "åħ¨éĿ¢å»ºæĪIJ": 112962, "éļIJå½¢": 112963, "ç¼ħçĶ¸": 112964, "åIJ³": 112965, "è¡ĮæĶ¿æī§æ³ķ": 112966, "åŁİåł¡": 112967, "èİ«æĸ¯": 112968, "èİ«æĸ¯ç§ij": 112969, "æīĢæľīæĿĥ": 112970, "éĽĨåľĺ": 112971, "å±Ģåī¯å±Ģéķ¿": 112972, "åĩłä¹İ没æľī": 112973, "æ´ģåĩĢ": 112974, "çĶµå½±èĬĤ": 112975, "åŃ©ç«¥": 112976, "æīĢåģļçļĦ": 112977, "æ¸ħ代": 112978, "æĸ°çīĪ": 112979, "éĵĿåIJĪéĩij": 112980, "为æĬĵ": 112981, "为æĬĵæīĭ": 112982, "åĪ¤å®ļ": 112983, "çī¹äº§": 112984, "æīĭæ©Ł": 112985, "ä¸įåı¯æĪĸ": 112986, "ä¸įåı¯æĪĸ缺": 112987, "å¸Ĥåľºè§Ħ模": 112988, "åĿ¯": 112989, "åĮ»åѦéĻ¢": 112990, "å¿«è¦ģ": 112991, "èĮľ": 112992, "æĬĺèħ¾": 112993, "äºĨè¿ĩæĿ¥": 112994, "æĬ¥åijĬæľŁåĨħ": 112995, "çī©ç§į": 112996, "ç»Łè®¡å±Ģ": 112997, "æī©å»º": 112998, "æ¶ħ": 112999, "责任人": 113000, "éĺİ": 113001, "è¯Ħè®®": 113002, "å¾Ģäºĭ": 113003, "æīĢ示": 113004, "æķ´æ´ģ": 113005, "éĹºèľľ": 113006, "æĹħéĢĶ": 113007, "å®ŀè®Ń": 113008, "ä¹ĭ称": 113009, "巴士": 113010, "éĢŁåº¦å¿«": 113011, "ä¸įä»ħå¦ĤæѤ": 113012, "å®Ŀè´µçļĦ": 113013, "åºŁçī©": 113014, "河水": 113015, "æݥ纳": 113016, "ç²¾æ¹Ľ": 113017, "åħ¶æ¬¡æĺ¯": 113018, "顺德": 113019, "åħ¬åħ±åį«çĶŁ": 113020, "è¤IJèī²": 113021, "ä¸įæĥľ": 113022, "æĬĢæľ¯æľįåĬ¡": 113023, "æİ·": 113024, "æ±ĤèģĮ": 113025, "ä¸ī峡": 113026, "æĬķåħ¥åĪ°": 113027, "太åIJİ": 113028, "åIJ¯åĬ¨ä»ªå¼ı": 113029, "缴æݥ影åĵį": 113030, "æĸ°æ¬¾": 113031, "个乡éķĩ": 113032, "çĻ¾äº¿": 113033, "庫": 113034, "ä¹ŁæŃ£æĺ¯": 113035, "åı¶çīĩ": 113036, "æľĢæĹ©çļĦ": 113037, "æĪĺ绩": 113038, "å·¥æľŁ": 113039, "æĻļæľŁ": 113040, "è¿Ļæł·è¯´": 113041, "è¯įè¯Ń": 113042, "ä¾Ħ": 113043, "æķ£çĥŃ": 113044, "éĽĨæĪIJçĶµè·¯": 113045, "åIJįè¯į": 113046, "æĻºåķĨ": 113047, "æĭ¥åłµ": 113048, "çĭĤ欢": 113049, "è¿ĻèĪ¬": 113050, "浴室": 113051, "åijķåIJIJ": 113052, "æľªæĿ¥åıijå±ķ": 113053, "ä¸īä½įä¸Ģä½ĵ": 113054, "åªĴé«Ķ": 113055, "ä¸įå¾Ĺ转载": 113056, "åĽłä¸ºå¥¹": 113057, "æĺ¾ç¤ºå±ı": 113058, "ä¾Ľæļĸ": 113059, "éĨ«éĻ¢": 113060, "æľīæĦıæĢĿ": 113061, "æľīæĦıæĢĿçļĦ": 113062, "娱ä¹IJåŁİ": 113063, "åįµå·¢": 113064, "åĪĽéĢłåĬĽ": 113065, "ç«łèĬĤ": 113066, "人大常å§Ķ": 113067, "èĢĮçİ°åľ¨": 113068, "å¤ĸå©Ĩ": 113069, "å¢ŀæĮģ": 113070, "äºĶåįĥ": 113071, "èĢģå¸Ī们": 113072, "æ´ĽæĿī": 113073, "æ´ĽæĿī磶": 113074, "æİĮæı¡äºĨ": 113075, "ä¸ŃåĽ½æĸĩåĮĸ": 113076, "æĸ°æĶ¿": 113077, "主è¦ģçĶ¨äºİ": 113078, "åıijçĥ§": 113079, "类似äºİ": 113080, "åĮĹæŀģ": 113081, "æĪij们认为": 113082, "弥漫": 113083, "åħ¨çIJĥç»ıæµİ": 113084, "é¢IJ": 113085, "ä¸Ģèµ·è£ħä¿®": 113086, "æĶĴ": 113087, "æĭīèIJ¨": 113088, "帶ä¾Ĩ": 113089, "åĨ·æ°´": 113090, "ä¸īåĨľ": 113091, "æĿ¿æĿIJ": 113092, "è¿ŀè¿ŀ": 113093, "éĵ®": 113094, "ç»ıèIJ¥çIJĨ念": 113095, "山顶": 113096, "å¾Īæĥ³": 113097, "çĺ«": 113098, "å§ĭç»Īä¿ĿæĮģ": 113099, "åľ¨å¹¿å·ŀ": 113100, "ä¸įåIJĮæĦı": 113101, "åıĺåİĭ": 113102, "åıĺåİĭåĻ¨": 113103, "产éĶĢ": 113104, "表éĿ¢ä¸Ĭ": 113105, "æīĢ以ä»ĸ": 113106, "ç»ıéªĮ丰å¯Į": 113107, "éĥ¨å§Ķ": 113108, "åħµåĽ¢": 113109, "æīĢè¿°": 113110, "æķ¦çħĮ": 113111, "ç»ıèIJ¥èĮĥåĽ´": 113112, "åı£è¯Ń": 113113, "失信": 113114, "æ¯ı个人çļĦ": 113115, "æīĭæĮģ": 113116, "æģIJæħĮ": 113117, "åł¡åŀĴ": 113118, "é¦ħ": 113119, "éĵ¸éĢł": 113120, "æĭ¿åĩºæĿ¥": 113121, "æİ¢æµĭ": 113122, "大家ä¸Ģèµ·": 113123, "奧": 113124, "å®ŀè´¨æĢ§": 113125, "å°ıåĦ¿": 113126, "èĩºåįĹ": 113127, "èĩºåįĹå¸Ĥ": 113128, "å¼ĢåıijèĢħ": 113129, "åı¯æł¹æį®": 113130, "ç®±åŃIJ": 113131, "饺åŃIJ": 113132, "å¿ĻçĿĢ": 113133, "æĿ¥ä¸įåıĬ": 113134, "çĽ¸ä¼ł": 113135, "åĽ½ç½ij": 113136, "èħ¹æ³»": 113137, "è¿ĻéĩĮæľī": 113138, "é£İæĻ¯åĮº": 113139, "åıĤä¿Ŀ": 113140, "æŃ»èĢħ": 113141, "æĪ´ä¸Ĭ": 113142, "æ©Łæ§ĭ": 113143, "è¯ķéªĮåĮº": 113144, "ä¼łæİĪ": 113145, "æµ·è¾¹": 113146, "泪水": 113147, "缸åħ³åĨħ容": 113148, "éĥijå·ŀå¸Ĥ": 113149, "åħijçİ°": 113150, "两åij¨": 113151, "èĬľæ¹ĸ": 113152, "çĶµåŃIJä¿¡æģ¯": 113153, "红å¤ĸ": 113154, "æĹħ游å±Ģ": 113155, "å¾Ģå¾Ģä¼ļ": 113156, "è¿ħçĮĽ": 113157, "ä¼łçľŁ": 113158, "æ¸ħæ¾Ī": 113159, "å°±è¿ij": 113160, "微信群": 113161, "ç³»åĪĹæ´»åĬ¨": 113162, "ç»ı常ä¼ļ": 113163, "è§Ĥæµĭ": 113164, "å¿ĥå¾Ĺä½ĵä¼ļ": 113165, "éĻĪåĪĹ": 113166, "åĮĹæĸĹ": 113167, "è«®": 113168, "諮詢": 113169, "è¿ĺæĺ¯ä¼ļ": 113170, "æµĭç®Ĺ": 113171, "æĺŁç©º": 113172, "宽容": 113173, "çī©ä¸ļåħ¬åı¸": 113174, "æĪĴæĮĩ": 113175, "å¸ħæ°Ķ": 113176, "ä¸ĢæŃ¥æŃ¥": 113177, "åħ±é¸£": 113178, "åĨ³ä¸į": 113179, "æݥ管": 113180, "å¦ĩèģĶ": 113181, "æ¯Ķåĸ»": 113182, "é²ģè¿ħ": 113183, "æĮģçºĮ": 113184, "çĽ¸äº²": 113185, "å¨ģå°¼æĸ¯äºº": 113186, "ç«ĭ项": 113187, "åĪĿå§ĭ": 113188, "èĩªåĪ¶": 113189, "è¿Īè¿Ľ": 113190, "ä¸Ĭæ±½": 113191, "å®ıä¼Ł": 113192, "æł¹æľ¬æ²¡æľī": 113193, "æĸ°åĨłçĹħæ¯Ĵ": 113194, "åĵªç§į": 113195, "康åħ»": 113196, "è¡°èĢģ": 113197, "å½ķåĥı": 113198, "é«Ķé©Ĺ": 113199, "ç»ijå®ļ": 113200, "é¢Ŀ头": 113201, "äºĶæľĪ": 113202, "èĬ±å¼Ģ": 113203, "ä¸Ģ线åŁİå¸Ĥ": 113204, "åĪ°åľº": 113205, "æĬķéĻį": 113206, "çĹĺçĹĺ": 113207, "åıĹä¸įäºĨ": 113208, "æīİæł¹": 113209, "æĽ´ä½ķåĨµ": 113210, "æĬ½æŁ¥": 113211, "åĩºè·¯": 113212, "审议éĢļè¿ĩ": 113213, "ä¸įåĥħ": 113214, "èī²è°ĥ": 113215, "çĻ¾ä½Ļ": 113216, "èĤłéģĵ": 113217, "æ·±åİļçļĦ": 113218, "马åĬĽ": 113219, "æĹ©æĻļ": 113220, "æŃĮèĪŀ": 113221, "éĺ²æĻĴ": 113222, "æľĢåIJİä¸Ģ个": 113223, "樱èĬ±": 113224, "å°ıä¼ĻåŃIJ": 113225, "åľ¨å½ĵåľ°": 113226, "å°ıä¼Ļ伴们": 113227, "èµ·æºIJ": 113228, "åħ¨åªĴä½ĵ": 113229, "ç°½": 113230, "éħ±æ²¹": 113231, "æĹłè®ºå¦Ĥä½ķ": 113232, "裤åŃIJ": 113233, "åģľäº§": 113234, "ä¸įçĶ±å¾Ĺ": 113235, "çīµå¼ķ": 113236, "ä¼łåĬ¨": 113237, "ä¹Ŀé¾Ļ": 113238, "åĬłåĽº": 113239, "ä¹Łä¸įæķ¢": 113240, "æĬĢæľ¯æĶ¯æĮģ": 113241, "ä¸Ĭå²Ĺ": 113242, "ç»ıéªĮåĴĮ": 113243, "æł¼æŀĹ": 113244, "åIJ¸éĻĦ": 113245, "æľªæĪIJå¹´": 113246, "奢ä¾Īåĵģ": 113247, "追æį§": 113248, "好ä¸į容æĺĵ": 113249, "èķ´åIJ«": 113250, "ä¿Ŀå®ļ": 113251, "æĬ¥ä¸ļ": 113252, "æµ·åĨħå¤ĸ": 113253, "ä½łçİ°åľ¨": 113254, "æ²¹èĢĹ": 113255, "è´¨éĩı管çIJĨ": 113256, "æ½ľæ°´": 113257, "ä¸½æ±Ł": 113258, "转åħ¥": 113259, "è¿Ļä¹Īä¹ħ": 113260, "æĺİ代": 113261, "责任åĪ¶": 113262, "éĩįå·¥": 113263, "大巴": 113264, "触åıĬ": 113265, "èµ·åĪĿ": 113266, "大å¦Ī": 113267, "æĸ¯å¡Ķ": 113268, "åĨĽå·¥": 113269, "书éĻ¢": 113270, "峨": 113271, "æݨçIJĨ": 113272, "è¿Ļç¯ĩæĸĩç«ł": 113273, "è¿ģ移": 113274, "åľ¨åIJĮä¸Ģ": 113275, "ç»Ĩç»Ĩ": 113276, "åīĬå¼±": 113277, "书æĪ¿": 113278, "ç¶ĵ常": 113279, "è¯ķé¢ĺ": 113280, "æĤ£ä¸Ĭ": 113281, "çĻ«çĹ«çĹħ": 113282, "åĨ²æ´Ĺ": 113283, "å¤ĸæı´": 113284, "åħĭåĪ¶": 113285, "åįģæľĪ": 113286, "åģļä¸įåĪ°": 113287, "ç¾İåĮĸ": 113288, "å¦ĤæľŁ": 113289, "è¿ĺéľĢ": 113290, "å¤©åºľ": 113291, "å°±æĦıåij³çĿĢ": 113292, "çļĦç¡®æĺ¯": 113293, "éªĹå±Ģ": 113294, "å°ıç»ĦèµĽ": 113295, "è©©": 113296, "ä¹Ŀå¹´": 113297, "æĻĵå¾Ĺ": 113298, "çłĶ究人åijĺ": 113299, "大éħĴåºĹ": 113300, "ç§ijåѸ": 113301, "åħŃåIJĪ": 113302, "çķĮå®ļ": 113303, "车载": 113304, "å¼ĢçĿĢ": 113305, "毫æĹłçĸij": 113306, "毫æĹłçĸijéĹ®": 113307, "è¿IJç»´": 113308, "ç¦ģåĮº": 113309, "èĦ±èIJ½": 113310, "讲å¸Ī": 113311, "产ä¸ļåŁºåľ°": 113312, "é«ĺæĢ§èĥ½": 113313, "åħī彩": 113314, "çİ°éĺ¶æ®µ": 113315, "åĩ¿": 113316, "è¾ĥå·®": 113317, "饮çĶ¨æ°´": 113318, "éĸĭçĻ¼": 113319, "ç½ijåIJ§": 113320, "çĮ´åŃIJ": 113321, "æѦæŀĹ": 113322, "å®īåİ¿": 113323, "ä¸įåı¯æĢĿ": 113324, "ä¸įåı¯æĢĿè®®": 113325, "éĬ·åĶ®": 113326, "è´«ç©·": 113327, "为åķ¥": 113328, "éºĵ": 113329, "å¹¾åĢĭ": 113330, "è§Ħ模以ä¸Ĭ": 113331, "æıļ": 113332, "è¢«åĽ°": 113333, "缺å¸Ń": 113334, "å¿«é¤IJ": 113335, "æĬ¢åįł": 113336, "æĻŁ": 113337, "å¤įæ´»": 113338, "æľ¬æĬ¥è®¯": 113339, "åĪĽä¸ĭ": 113340, "海滩": 113341, "éĩı产": 113342, "å¦Ĥä½ķåİ»": 113343, "车ä½į": 113344, "å¯ĩ": 113345, "äºĮåįģåĽĽ": 113346, "ç»ıæµİæįŁå¤±": 113347, "éħįå¥Ĺ设æĸ½": 113348, "åŁºæľ¬éĿ¢": 113349, "äºī论": 113350, "就好åĥı": 113351, "çłĶ究æĪIJæŀľ": 113352, "éĻĪè¿°": 113353, "æīĵåĬ¨": 113354, "ä¸ĭå·´": 113355, "ç§ĴéĴŁ": 113356, "对人ä½ĵ": 113357, "æĬĢæľ¯çłĶåıij": 113358, "åİŁåŃIJ": 113359, "æĺ¯ä¸Ģ项": 113360, "äºĨä¸Ģ份": 113361, "æĮĩçĶ²": 113362, "çĶ¨éĩı": 113363, "è¿ĺä¸įå¤Ł": 113364, "æĶ¿åºľéĩĩè´Ń": 113365, "çŁ¥è¯ĨçĤ¹": 113366, "ä¸ŃåĽ½æ¢¦": 113367, "å¾Īå¼Ģå¿ĥ": 113368, "礼è²Į": 113369, "éĿŀ常å¤ļ": 113370, "éĿŀ常å¤ļçļĦ": 113371, "åĽļ": 113372, "æĹħé¦Ĩ": 113373, "å°½æĥħ": 113374, "æŃĮåĶ±": 113375, "æ²Ļé¾Ļ": 113376, "车åİ¢": 113377, "客æµģ": 113378, "åģıå·®": 113379, "积累äºĨ": 113380, "æ¡Ķ": 113381, "çĶ»çĶ»": 113382, "ä¹ŁåºĶ该": 113383, "åºĶçĶ¨ç¨ĭåºı": 113384, "èĥĥèĤł": 113385, "以å¾Į": 113386, "豪å®ħ": 113387, "æ·±åĬłå·¥": 113388, "缴è¨Ģ": 113389, "åĮĸçŁ³": 113390, "åĽ½éģĵ": 113391, "ä¸ĥ个": 113392, "ä»İèĢĮ使": 113393, "èĤłèĥĥ": 113394, "æĹ¥è¶ĭ": 113395, "çĪ¶åŃIJ": 113396, "ç·©": 113397, "æĭĽçīĮ": 113398, "产å¦ĩ": 113399, "çķªèĮĦ": 113400, "æĪijéĻ¢": 113401, "建çŃijå·¥ç¨ĭ": 113402, "å±ķè§Īä¼ļ": 113403, "家éķ¿ä»¬": 113404, "åĨľä½ľçī©": 113405, "æĹ¥å¤ľ": 113406, "æĶ»æĵĬ": 113407, "è§Ħéģ¿": 113408, "èĪŁå±±": 113409, "便æ°ij": 113410, "åħ«åŃĹ": 113411, "ä¸įæĽ¾": 113412, "æĶ¯éħį": 113413, "çĨ¬å¤ľ": 113414, "人é¡ŀ": 113415, "ç´ĢéĮĦ": 113416, "ç»ıèIJ¥æ´»åĬ¨": 113417, "大涨": 113418, "å¸Ĥå§Ķ常å§Ķ": 113419, "åĪĨéIJĺ": 113420, "ä¸Ģ个èģĮä¸ļ": 113421, "çĹħåĽł": 113422, "è¿Ļ对äºİ": 113423, "ä¸įå¾Ĺä¸į说": 113424, "åıijçĶµæľº": 113425, "æľīæīĢ帮åĬ©": 113426, "缮æłĩä»»åĬ¡": 113427, "åĽłåľ°": 113428, "åĽłåľ°åĪ¶": 113429, "åĽłåľ°åĪ¶å®ľ": 113430, "å°Ĩè¾¾åĪ°": 113431, "ç²Ĺç³Ļ": 113432, "ç¨³åĽº": 113433, "å«£": 113434, "çİ°åľ¨å¾Īå¤ļ": 113435, "ä¸ĸçķĮ级": 113436, "å¼łæŁIJ": 113437, "çĤ¹ç¼Ģ": 113438, "èijµ": 113439, "社ä¼ļç»Ħç»ĩ": 113440, "å¾ĢåIJİ": 113441, "åĬłæģ¯": 113442, "åĻªå£°": 113443, "æľīåħ´è¶£": 113444, "为æĤ¨æıIJä¾Ľ": 113445, "æ²¹æ¼Ĩ": 113446, "ç¬¬åĽĽå±Ĭ": 113447, "çļĩ宫": 113448, "ä¹Ĵä¹ĵ": 113449, "ä¹Ĵä¹ĵçIJĥ": 113450, "éļ¨èijĹ": 113451, "éģ©åIJĪ": 113452, "åįĹéĿŀ": 113453, "æĵ´": 113454, "西æ´ĭ": 113455, "åĬłå¯Ĩ": 113456, "æĪIJåĬŁä¸¾åĬŀ": 113457, "åı£æ°´": 113458, "æĪIJ年人": 113459, "æīĢæıIJä¾ĽçļĦ": 113460, "éļĶå£ģ": 113461, "åľ¨äº¬": 113462, "å½ĵåľ°æŶéĹ´": 113463, "çŃīåIJĦç§į": 113464, "é£İæ°Ķ": 113465, "å±ĭéĩĮ": 113466, "ä¸ĢåŃĹ": 113467, "çļĦæŶéĹ´éĩĮ": 113468, "åĺ¿åĺ¿": 113469, "快讯": 113470, "ä¸Ńåľº": 113471, "ä¸Ģçĵ¶": 113472, "æ»ķ": 113473, "é¢Ĩè·ij": 113474, "好èݱ": 113475, "好èݱåĿŀ": 113476, "没åħ³ç³»": 113477, "åĩºå¢ĥ": 113478, "ä¸įæĺ¯ä¸Ģ个": 113479, "éĥ½æĺ¯éĿŀ常": 113480, "éľĩåĬ¨": 113481, "èİ·èĥľ": 113482, "åįļå¼Ī": 113483, "æĬļåħ»": 113484, "对ç«ĭ": 113485, "æľįåĬ¡æľºæŀĦ": 113486, "è°£è¨Ģ": 113487, "社ä¼ļç§ijåѦ": 113488, "åIJ¬è¯´è¿ĩ": 113489, "æī³": 113490, "æīĵ磨": 113491, "åı£æľį": 113492, "好åĥıæĺ¯": 113493, "以åıĬåħ¶ä»ĸ": 113494, "çī¹è´¨": 113495, "亲è¿ij": 113496, "ä¸Ģç»ı": 113497, "æ¶Ŀ": 113498, "éŃĶæľ¯": 113499, "éģĵ路交éĢļ": 113500, "è§Ħ模æľĢ大": 113501, "å®ŀæĸ½æĦıè§ģ": 113502, "ä¹ŀ": 113503, "ä¸Ģä¸ĸ": 113504, "åŁ·è¡Į": 113505, "è±Ĩçĵ£": 113506, "åĪĹ为": 113507, "æķħ宫": 113508, "çĶŁåij½åij¨æľŁ": 113509, "ä¸īç§įèģĮä¸ļ": 113510, "详ç»Ĩä»ĭç»į": 113511, "å®Įå¤ĩ": 113512, "å²©çŁ³": 113513, "éļıæīĭ": 113514, "飲": 113515, "æķĪæŀľåĽ¾": 113516, "ç§ĭåĨ¬": 113517, "åĬŁå¾·": 113518, "è§Ħç«łåĪ¶åº¦": 113519, "æĹ¥æ¸IJ": 113520, "æīĢéľĢè¦ģ": 113521, "æīĢéľĢè¦ģçļĦ": 113522, "å²Ľä¸Ĭ": 113523, "åĩºåľŁ": 113524, "åĽ¾æĸĩ": 113525, "ç§ijæĬĢè¿ĽæŃ¥": 113526, "éĢļèĥĢ": 113527, "èĢģ太太": 113528, "èĭĹæľ¨": 113529, "éĵ¶å·Ŀ": 113530, "å¸IJ篷": 113531, "éĿŀè¦ģ": 113532, "éħįçĶµ": 113533, "å¤Ħå¢ĥ": 113534, "èĤ¡æĿĥæĬķèµĦ": 113535, "ä¸Ģ缴åĪ°": 113536, "åĿĩçĶ±": 113537, "æĬĹæĹ¥": 113538, "æį®ä»ĭç»į": 113539, "ä½łåĸľæ¬¢": 113540, "åĪĽæĸ°åŀĭ": 113541, "åıĺè¿ģ": 113542, "è§Ĩå¯Ł": 113543, "å®Įåħ¨æ²¡æľī": 113544, "åħĥæŦ": 113545, "åı¯ä¿¡": 113546, "åı¦è¡Į": 113547, "æĿij级": 113548, "åħ¥åľº": 113549, "æIJŃæ¡£": 113550, "ä¹ŁåĽłæѤ": 113551, "æį¢æĪIJ": 113552, "ä¸įè´Ł": 113553, "äºĨ大éĩıçļĦ": 113554, "éģĶåĪ°": 113555, "å¸Ĥåİ¿": 113556, "å¹´è¼ķ": 113557, "å¿«æīĭ": 113558, "å¸Įå°Ķ": 113559, "èĩªèIJ¥": 113560, "éĽªèĬ±": 113561, "æIJģ": 113562, "çľ¼ç§ij": 113563, "æŃ£ç¢º": 113564, "çļĦ姿æĢģ": 113565, "åĿļå®ŀçļĦ": 113566, "æĮĩ纹": 113567, "æªĶæ¡Ī": 113568, "ç½®äºİ": 113569, "佩æľį": 113570, "豪éŨ": 113571, "åĵĴ": 113572, "æģ°å¥½": 113573, "æª¢æŁ¥": 113574, "åĪĿè¡·": 113575, "大åĶIJ": 113576, "约ä¼ļ": 113577, "èĴ¸åıij": 113578, "çŃ¹åĪĴ": 113579, "å¹´ç»Ī": 113580, "è¡Įæ¥Ń": 113581, "åħ±éĿĴ": 113582, "åħ±éĿĴåĽ¢": 113583, "ä¼ļå¼ķèµ·": 113584, "ä¸Ńç§ij": 113585, "ä¸Ńç§ijéĻ¢": 113586, "æĮ¯åĬ¨": 113587, "åį´åıijçİ°": 113588, "ä¸įåĬ¨äº§": 113589, "èĮ¹": 113590, "æĪ¿éĹ´éĩĮ": 113591, "è´§å¸ģæĶ¿çŃĸ": 113592, "æ²»çĻĤ": 113593, "æħİéĩį": 113594, "å¡ŀå°Ķ": 113595, "åĽ½ç±į": 113596, "åĽłæŀľ": 113597, "çŃīçī¹çĤ¹": 113598, "山谷": 113599, "ä¸ĭè¼ī": 113600, "è®ĵæĪij": 113601, "饮éħĴ": 113602, "è¿Ļ个游æĪı": 113603, "ç»Ŀ大éĥ¨åĪĨ": 113604, "åĴ¨è¯¢æľįåĬ¡": 113605, "干活": 113606, "è®®ä¼ļ": 113607, "æ¦Ĥè¿°": 113608, "åĪĨåĮº": 113609, "æŃ»åIJİ": 113610, "ç«ĻçĿĢ": 113611, "主è¦ģé¢Ĩ导": 113612, "åIJĮåŁİ": 113613, "大æłij": 113614, "对åѦçĶŁ": 113615, "社ä¼ļä¿ĿéĻ©": 113616, "å¢ŀèµĦ": 113617, "主人åħ¬": 113618, "å®£ä¼łæķĻèĤ²": 113619, "æĸĩåĮĸ交æµģ": 113620, "客æĪ¶": 113621, "çŁ¥åIJįåĵģçīĮ": 113622, "æ»ŀåIJİ": 113623, "äºĴè¡¥": 113624, "æĦŁäºº": 113625, "åī¿": 113626, "åIJİ代": 113627, "äºī龸": 113628, "æķĻèĤ²åŁ¹è®Ń": 113629, "éĿĻèĦī": 113630, "ä¹ıåĬĽ": 113631, "说åĩºæĿ¥": 113632, "çİĭèĢħèį£èĢĢ": 113633, "åĢ«": 113634, "åįĩèµ·": 113635, "éķģ": 113636, "åĩºæ¸¸": 113637, "éĢļè¡Įè¯ģ": 113638, "å·¥ä½ľå²Ĺä½į": 113639, "åĮłå¿ĥ": 113640, "æĭ¿æĿ¥": 113641, "æ´Ĺè¡£æľº": 113642, "æĪijä¸įæĥ³": 113643, "é¢Ħè§ģ": 113644, "æ¼Ķ示": 113645, "ä¸ĢçĽ´æ²¡æľī": 113646, "è·Łå¥¹": 113647, "对çħ§æ£ĢæŁ¥": 113648, "ç°¿": 113649, "ä¸ĵå¿ĥ": 113650, "è®®äºĭ": 113651, "åīį端": 113652, "åį¡å°Ķ": 113653, "è¨Ńå®ļ": 113654, "设置äºĨ": 113655, "å©ļ纱": 113656, "åľ¨åĽ½å¤ĸ": 113657, "åı³ä¾§": 113658, "è³¼çī©": 113659, "å¥ĩèij©": 113660, "å¢ŀåĬłåĢ¼": 113661, "好è¿IJ": 113662, "åĽ½éĻħæľºåľº": 113663, "ä¸ĭ称": 113664, "缮åīį为æŃ¢": 113665, "ç¥ŀä»Ļ": 113666, "å®ĥåı¯ä»¥": 113667, "æ¾Ħæ¸ħ": 113668, "èĥ½ä½¿": 113669, "游åĩ»": 113670, "游åĩ»éĺŁ": 113671, "åĩ¹": 113672, "ä¸įè¦ģåĨį": 113673, "åĨ³èĥľ": 113674, "åĨ³æĪĺ": 113675, "æĭ½": 113676, "缼åħ¸": 113677, "å¾Īå¥½åľ°": 113678, "æľĢç¾İçļĦ": 113679, "åĥļ": 113680, "å·´åŁº": 113681, "å·´åŁºæĸ¯åĿ¦": 113682, "æľĢéĢĤåIJĪ": 113683, "é«ĺèģĮ": 113684, "ä¿Ŀå§Ĩ": 113685, "æİĪæ¬Ĭ": 113686, "说åĪ°è¿ĻéĩĮ": 113687, "æݨå¼Ģ": 113688, "çİĩè¾¾": 113689, "ä¸īåĪĨä¹ĭä¸Ģ": 113690, "管çIJĨä¸Ńå¿ĥ": 113691, "交æ±ĩ": 113692, "森æŀĹåħ¬åĽŃ": 113693, "å¾Ģä¸Ĭ": 113694, "éªijè¡Į": 113695, "æį®æѤ": 113696, "纽带": 113697, "ç»ŀ": 113698, "ä¸īæĸ¹": 113699, "æĦıä¹īä¸ĬçļĦ": 113700, "æİ¨è¿Ł": 113701, "å¤ļæł·æĢ§": 113702, "æĥ³èµ·äºĨ": 113703, "æİĴåIJį第": 113704, "å·¨é¢Ŀ": 113705, "æĿŁç¼ļ": 113706, "å®īå®ļ": 113707, "äºĭ實": 113708, "çļĦæĦ¿æľĽ": 113709, "è£ħå¤ĩåĪ¶éĢł": 113710, "人å±ħ": 113711, "人å±ħçݯå¢ĥ": 113712, "å¿ĺè®°äºĨ": 113713, "该游æĪı": 113714, "楼ä¸Ĭ": 113715, "å¼Ģä¼ļ": 113716, "æģ³": 113717, "åıĭæĥħéĵ¾æİ¥": 113718, "ç¡Ĵ": 113719, "ç»ĻäºĪäºĨ": 113720, "åģı好": 113721, "åĵī": 113722, "交éĢļå®īåħ¨": 113723, "éĽĮ": 113724, "æ²»çĹħ": 113725, "è§īå¾Ĺå¾Ī": 113726, "衬衫": 113727, "å¿ĥæĦ¿": 113728, "æ´ŀå¯Ł": 113729, "æ°ijæ£Ģå¯ŁéĻ¢": 113730, "æıIJçĤ¼": 113731, "è¦ģè¿Ľä¸ĢæŃ¥": 113732, "驾车": 113733, "æĻ®æĥł": 113734, "æķĸ": 113735, "ç¦ıéŁ³": 113736, "éĢģè¾¾": 113737, "è§ĦåĪĴ设计": 113738, "æīĭå¥Ĺ": 113739, "å®īä¿Ŀ": 113740, "è¿ĺä¸įå¦Ĥ": 113741, "åīįè¿°": 113742, "æłĩè®°": 113743, "ç´§æİ¥çĿĢ": 113744, "æ§IJ": 113745, "æ·±æ·±åľ°": 113746, "满满çļĦ": 113747, "æĺ¥è¿IJ": 113748, "æĹ¥äº§": 113749, "çĪ±æĬ¤": 113750, "åħ¨æĹ¥": 113751, "åħ¨æĹ¥åĪ¶": 113752, "转åĬ¨": 113753, "ç¥Ńç¥Ģ": 113754, "ä¹°ä¸ľè¥¿": 113755, "å¯¹æľªæĿ¥": 113756, "æ¶Ī失äºĨ": 113757, "åļ´éĩį": 113758, "ä¸īæĿ¡": 113759, "éħ¸å¥¶": 113760, "éĽĨåĽ¢èĤ¡ä»½": 113761, "西路": 113762, "åıªå¾Ĺ": 113763, "éĢģåİ»": 113764, "çĭłæĬĵ": 113765, "åĪ©çĶ¨çİĩ": 113766, "ä¸ĭåij¨": 113767, "å¥ĭæĪĺ": 113768, "æĺ¥èĬĤæľŁéĹ´": 113769, "è´Łè´£ä»»": 113770, "æĺĤè´µ": 113771, "尾巴": 113772, "ç¯ĩæĸĩç«ł": 113773, "åħ®": 113774, "è®ĬæĪIJ": 113775, "å¹¹": 113776, "çĻ»éĮĦ": 113777, "ä½Ī": 113778, "å·¥åĮł": 113779, "åĵªæĢķæĺ¯": 113780, "åıįåĵį": 113781, "ç§ĥ": 113782, "åĩºè½¨": 113783, "æĹ¥åĨĽ": 113784, "åIJįèªī": 113785, "æķıéĶIJ": 113786, "æľįåĬ¡æ°´å¹³": 113787, "çħ§å°Ħ": 113788, "ä¼Ĭæĭī": 113789, "ä¼Ĭæĭīåħĭ": 113790, "åĨħéĺģ": 113791, "èĬĴæŀľ": 113792, "ä¸ĩåĪĨ": 113793, "éĢĢ款": 113794, "缴æĴŃéĹ´": 113795, "æĭ¿åĪ°äºĨ": 113796, "å°İèĩ´": 113797, "空æ°Ķä¸Ń": 113798, "客æĪ·æľįåĬ¡": 113799, "è¿IJåĬ¿": 113800, "ç»ĵçŁ³": 113801, "ä¸įå¿ħè¦ģçļĦ": 113802, "èĥ¶åĽĬ": 113803, "çIJĨä¼ļ": 113804, "æĬ½åĩº": 113805, "空æ°Ķè´¨éĩı": 113806, "æ¯ķç«Łæĺ¯": 113807, "åĨ·æ¼ł": 113808, "ä¸Ģå¦Ĥ": 113809, "ä¸Ģå¦ĤæĹ¢": 113810, "ä¸Ģå¦ĤæĹ¢å¾Ģ": 113811, "æĤ£çĹħ": 113812, "åĬłæĮģ": 113813, "èµŀåĬ©": 113814, "é«®": 113815, "åij½ä¸Ń": 113816, "æĦıä¹īä¸Ĭ": 113817, "ä¸įèĪį": 113818, "åģļ梦": 113819, "æīĵæī«": 113820, "æĺŁåħī": 113821, "æĸŃè£Ĥ": 113822, "åħ¨å¥Ĺ": 113823, "è£ģå®ļ": 113824, "马åħĭæĢĿ": 113825, "骨骼": 113826, "ä¸Ģè·¯ä¸Ĭ": 113827, "å®ļæŶ": 113828, "å·¥ç¨ĭæĬĢæľ¯": 113829, "å½¼å¾Ĺ": 113830, "æ±²åıĸ": 113831, "ä¸Ģè§Ī": 113832, "åIJµæŀ¶": 113833, "ä¿Ĺ称": 113834, "æłªæ´²": 113835, "åºŁæŧ": 113836, "è¡ĮæĺŁ": 113837, "åıijçĶŁåıĺåĮĸ": 113838, "é¦ĸä»ĺ": 113839, "åįģåĪĨéĩįè¦ģ": 113840, "æĬĬè¿ĻäºĽ": 113841, "ç¥ŀå·ŀ": 113842, "æıIJä¾ĽåķĨ": 113843, "楷": 113844, "å±İ": 113845, "çĬ¶åħĥ": 113846, "åŁİå¢Ļ": 113847, "çľĭä¸Ģçľĭ": 113848, "çĶŁäº§èĥ½åĬĽ": 113849, "åŁºæľ¬ä¸Ĭéĥ½": 113850, "æīĵæī°": 113851, "åĪĿ次": 113852, "åĩºç¤º": 113853, "åħ¶ä¸Ńä¸Ģ个": 113854, "çĶŁæĢģç³»ç»Ł": 113855, "æīĭæİĮ": 113856, "æµİåįĹå¸Ĥ": 113857, "åľĭåħ§": 113858, "æŃ£åĢ¼": 113859, "å¹¾ä¹İ": 113860, "æݨèįIJéĺħ读": 113861, "è¿Ń代": 113862, "è°ĥä¾ĥ": 113863, "饮åĵģ": 113864, "å¢Ļä½ĵ": 113865, "åıĺçİ°": 113866, "äºĨ好": 113867, "äºĨ好åĩł": 113868, "ä¸įçķĻ": 113869, "çĪ²": 113870, "å°½æĹ©": 113871, "æŃ£åľ¨è¿Ľè¡Į": 113872, "åĩºéĻ¢": 113873, "æĿĢ害": 113874, "æıIJ款": 113875, "åıijå±ķ空éĹ´": 113876, "åīį身": 113877, "ä¸įæĸŃå¢ŀ强": 113878, "æ·±å±Ĥ次": 113879, "容纳": 113880, "éĤ£ä»½": 113881, "å·¥ä½ľæķĪçİĩ": 113882, "æľ¬åĽ½": 113883, "失èIJ½": 113884, "æŃ£åĽłä¸º": 113885, "èĬĤæ°´": 113886, "ä¸ĭä¸Ģ代": 113887, "çłĶåıijä¸Ńå¿ĥ": 113888, "ä¸įçIJĨ": 113889, "å®Į好": 113890, "ä¿ĿæĬ¤åĮº": 113891, "ç»ĵæŀĦè°ĥæķ´": 113892, "å¥łå®ļ": 113893, "宣称": 113894, "éĺ»æĮ¡": 113895, "æĴ¤ç¦»": 113896, "ä¸įæĸ¹ä¾¿": 113897, "åĴķ": 113898, "ç¬ijäºĨç¬ij": 113899, "çݯå¢ĥ污æŁĵ": 113900, "ä½ıæĪ·": 113901, "ç»Ŀç¼ĺ": 113902, "éĻ¤å°ĺ": 113903, "é«ĺå°ļ": 113904, "æĢİä¹Īåı¯èĥ½": 113905, "éĿ¢èī²": 113906, "åķĨæ¥Ń": 113907, "çĸ¹": 113908, "èµĦæºIJä¼ĺåĬ¿": 113909, "è¾ĸåĮºåĨħ": 113910, "èĢĢçľ¼": 113911, "æij§æ¯ģ": 113912, "ä¸ĸçķĮç»ıæµİ": 113913, "å¼ķæĿ¥": 113914, "ä¸ĢåĪĻ": 113915, "æĭĩæĮĩ": 113916, "æĬµå¾¡": 113917, "éĽį": 113918, "åĩĨå¤ĩå·¥ä½ľ": 113919, "çıłä¸īè§Ĵ": 113920, "ç¨ĢåľŁ": 113921, "èİ·å¾ĹæĦŁ": 113922, "æĪIJåĬŁçİĩ": 113923, "ç½ij约": 113924, "ç½ij约车": 113925, "èĦIJ": 113926, "æķ¬ä¸ļ": 113927, "éĩijä»·": 113928, "ç²¾é«ĵ": 113929, "买车": 113930, "åħ³åı£": 113931, "åĨįå¤ļ": 113932, "æŀģåĵģ": 113933, "åIJĦ家": 113934, "举æĬ¥çĶµè¯Ŀ": 113935, "èļĬ": 113936, "æĸ¹å½¢": 113937, "ç§ijæĬĢæĪIJæŀľ": 113938, "æľĢ好æĺ¯": 113939, "éĹ®åĢĻ": 113940, "红éħĴ": 113941, "åĽĽç§į": 113942, "ç¿Ĵæħ": 113943, "ç¿Ĵæħ£": 113944, "åŀ¦": 113945, "éĤ£åıª": 113946, "é¢ĨæĤŁ": 113947, "çľ¼éĥ¨": 113948, "æ³°å®ī": 113949, "ä»»æľŁ": 113950, "磨æįŁ": 113951, "æĽ¿æį¢": 113952, "åħ¸ç¤¼": 113953, "符åIJĪæĿ¡ä»¶": 113954, "è¿ĺæľīä»Ģä¹Ī": 113955, "åħ±äº«åįķ车": 113956, "åı¯åĪĨ为": 113957, "åŃ£åIJİ": 113958, "åŃ£åIJİèµĽ": 113959, "举èİŀå¸Ĥ": 113960, "å¿ĥæĦı": 113961, "æīŃæĽ²": 113962, "ä½ľä¸ºä¸Ģç§į": 113963, "è¿Ļéĥ¨åĪĨ": 113964, "åıĤä¸İåĪ°": 113965, "ç½ijçIJĥ": 113966, "實çı¾": 113967, "ç»Ħè£ħ": 113968, "åIJijå¤ĸ": 113969, "å·¥ä½ľæĸ¹æ¡Ī": 113970, "åįģæĿ¡": 113971, "課ç¨ĭ": 113972, "颤æĬĸ": 113973, "åĵ©": 113974, "éĤ®å¯Ħ": 113975, "亢": 113976, "åħįè²»": 113977, "秤": 113978, "åºĶæĢ¥ç®¡çIJĨ": 113979, "åĽĽäºĶ": 113980, "éºĴéºŁ": 113981, "å¾ĴæŃ¥": 113982, "è¨ĺå¾Ĺ": 113983, "çĴIJ": 113984, "æĺ¯åIJ¦ä¼ļ": 113985, "æĦıè§ģåıįé¦Ī": 113986, "éļ¾æĢª": 113987, "çªį": 113988, "交æİ¥": 113989, "两åįĥ": 113990, "æĩīçĶ¨": 113991, "æľŁéĸĵ": 113992, "æIJ¬åĪ°": 113993, "è®®é¢ĺ": 113994, "碧æ¡Ĥ": 113995, "碧æ¡ĤåĽŃ": 113996, "åģļçĶŁæĦı": 113997, "éĻĽä¸ĭ": 113998, "è·ĭ": 113999, "èĢģ人家": 114000, "带åĽŀ": 114001, "æŀ¸æĿŀ": 114002, "è¡Įéķ¿": 114003, "åĨħ容ç®Ģä»ĭ": 114004, "梢": 114005, "æĮĩæݧ": 114006, "éĩįçĹĩ": 114007, "ç½ijåıĭ们": 114008, "çı¾ä»£": 114009, "类产åĵģ": 114010, "å¥Ķæ³¢": 114011, "渺": 114012, "ç²īç¢İ": 114013, "è¿Ļåıªæĺ¯": 114014, "æ£Ģå¯Łæľºåħ³": 114015, "é½Ĭ": 114016, "æĪ¿ç§Ł": 114017, "å¾·æĭī": 114018, "å²ģ以ä¸Ĭ": 114019, "纯åĩĢ": 114020, "åĪĨå¸ĥåľ¨": 114021, "èĥ½å¾ĹåĪ°": 114022, "ä¸įå°½": 114023, "ç«ŀä»·": 114024, "çļĦ带é¢Ĩ": 114025, "çļĦ带é¢Ĩä¸ĭ": 114026, "ä¸Ńèį¯æĿIJ": 114027, "æĿijéķĩ": 114028, "ä¸įåı¯éģ¿åħį": 114029, "éľ²å¤©": 114030, "å°ıå§ijå¨ĺ": 114031, "çī©ä»¶": 114032, "èijĹä½ľæĿĥ": 114033, "æĭĺçķĻ": 114034, "éĥ½è§īå¾Ĺ": 114035, "æĽ²æĬĺ": 114036, "æ·»åĬłåīĤ": 114037, "åı¬åĽŀ": 114038, "æīİå®ŀæİ¨è¿Ľ": 114039, "æĬĦè¢Ń": 114040, "åĮĸ身": 114041, "缴èIJ¥": 114042, "ä¹Łå¸ĮæľĽ": 114043, "èį£èªī称åı·": 114044, "åįĸç»Ļ": 114045, "æľīä¸įåIJĮçļĦ": 114046, "å¥ĩçī¹": 114047, "éĥ½è®¤ä¸º": 114048, "å¦ŀ": 114049, "æĪIJéķ¿ä¸º": 114050, "辩æĬ¤": 114051, "主æķĻç»ĥ": 114052, "æ³ķå¸ĪèģĮä¸ļ": 114053, "æ¤įåħ¥": 114054, "索尼": 114055, "åIJ¬è¿ĩ": 114056, "ä¹łæĥ¯äºĨ": 114057, "夺åıĸ": 114058, "éŁĵ": 114059, "æľ¬è´¨ä¸Ĭ": 114060, "æİ¥åĬĽ": 114061, "äºij端": 114062, "è¦ģåģļ好": 114063, "è·¯çģ¯": 114064, "åįıåIJĮåıijå±ķ": 114065, "æľīå¾ħ": 114066, "æ°´åŁŁ": 114067, "æIJľçĭIJé¦ĸ页": 114068, "è´¨éĩıå®īåħ¨": 114069, "åįģäºĮäºĶ": 114070, "åĵ®åĸĺ": 114071, "èĵ¬åĭĥåıijå±ķ": 114072, "åIJį声": 114073, "身亡": 114074, "çİĭåºľ": 114075, "åİŁåĪĻä¸Ĭ": 114076, "çĥĺå¹²": 114077, "éģĹæ¼ı": 114078, "éĿ¢çĽ®": 114079, "åĽ½ä¼ļ": 114080, "ä¸Ģ缴éĥ½æĺ¯": 114081, "æľīä¸Ģä½į": 114082, "éħįæľī": 114083, "éĻªçĿĢ": 114084, "ä¼ģåĽ¾": 114085, "æĮīä¸ĭ": 114086, "èĵĿåĽ¾": 114087, "æ©ĺ": 114088, "大å¤ļæĺ¯": 114089, "辩论": 114090, "æĹĭå¾ĭ": 114091, "æĬ¥éĢģ": 114092, "æĿ¡è§Ħå®ļ": 114093, "åĬ¨éĿĻ": 114094, "åĮĪ奴": 114095, "æĭľè®¿": 114096, "ä¸ĢåĪĢ": 114097, "ä»ĸçŁ¥éģĵ": 114098, "主æĿĥ": 114099, "ä»ĸæĽ¾": 114100, "æĴŃç§į": 114101, "å£ģåŀĴ": 114102, "çī¢è®°ä½¿åij½": 114103, "åľ¨è¿Ļæĸ¹éĿ¢": 114104, "æīĭèħķ": 114105, "æĶ¯æŀ¶": 114106, "ä¾Ĩèĩª": 114107, "éĩįå¡ij": 114108, "å¤ļå±Ĥ次": 114109, "ä»ĭè´¨": 114110, "éĿ¢åŃĶ": 114111, "潮湿": 114112, "åİ¿åŁŁ": 114113, "游æĪıå½ĵä¸Ń": 114114, "å£ŀ": 114115, "åĪĹåĩº": 114116, "èµĽåĮº": 114117, "å¤ļåįĬ": 114118, "éĩįçĤ¹å·¥ä½ľ": 114119, "æĪij们å¿ħé¡»": 114120, "æŁıæŀĹ": 114121, "é²ģèĥ½": 114122, "æĸ½å±ķ": 114123, "åIJĦåĮº": 114124, "åħįç¨İ": 114125, "èµĽåIJİ": 114126, "æľĢéĩįè¦ģ": 114127, "ä¸Ģ个好çļĦ": 114128, "è¿Ŀæ³ķè¿Ŀè§Ħ": 114129, "äºĨè§£æĽ´å¤ļ": 114130, "æķ¬è¯·": 114131, "ç¬ijçĿĢ说": 114132, "ä¸įæĸŃåıijå±ķ": 114133, "æijĦå½±å¸Ī": 114134, "以éĺ²": 114135, "çĤ¸å¼¹": 114136, "声åĵį": 114137, "ç¤ģ": 114138, "æĩ¿": 114139, "èĪĨæĥħ": 114140, "èĩªçĶ±è´¸æĺĵ": 114141, "æķıæį·": 114142, "ä¸ī大éĺ¶æ®µ": 114143, "èĭĶ": 114144, "æĹºåŃ£": 114145, "ä¸į满æĦı": 114146, "微信åı·": 114147, "修为": 114148, "çł´è£Ĥ": 114149, "éĢĥ离": 114150, "æ¯ıèĤ¡": 114151, "è¾¾ä¸įåĪ°": 114152, "æ¯ıå¹´éĥ½": 114153, "çģ¯ç¬¼": 114154, "æŃ¤åŁºç¡Ģä¸Ĭ": 114155, "åĥı个": 114156, "åĪĨ娩": 114157, "æĻ¾": 114158, "ä¸įèĩ³äºİ": 114159, "红线": 114160, "误解": 114161, "ä¸ľè·¯": 114162, "æ·®å®ī": 114163, "产åѦ": 114164, "产åѦçłĶ": 114165, "èī¾æ»ĭ": 114166, "èī¾æ»ĭçĹħ": 114167, "åīįæıIJæĺ¯": 114168, "æ¯ıä¸Ģ天": 114169, "ä¸ĥ大": 114170, "æłijåı¶": 114171, "èµ°å¾Ĺ": 114172, "è¿Ļ两ç§į": 114173, "æİıåĩº": 114174, "æİIJ": 114175, "é¢Ĩ导èĢħ": 114176, "ä¸Ģæľµ": 114177, "个å¤ļæľĪ": 114178, "ä¸Ńåħ³": 114179, "ä¸Ńåħ³æĿij": 114180, "课åłĤæķĻåѦ": 114181, "大åĴĸ": 114182, "éģĭçĶ¨": 114183, "è¯ļæĦı": 114184, "ç»ĦåĽ¾": 114185, "è¯ķçĿĢ": 114186, "ä¹Ķæ²»": 114187, "è¿ĺä¸įæĺ¯": 114188, "æľīæĽ´å¥½çļĦ": 114189, "åIJİå¤ĩ": 114190, "æĸ°çĶŁåĦ¿": 114191, "æ°Ķè¡Ģ": 114192, "æ²¥éĿĴ": 114193, "å±ıéļľ": 114194, "æ¥ŃåĭĻ": 114195, "æĪij以为": 114196, "éķ¿çĽ¸": 114197, "èĢģçĪ¸": 114198, "éķĩæ±Ł": 114199, "æľºæ¢°è®¾å¤ĩ": 114200, "ä½Ĩæĺ¯å¦Ĥæŀľ": 114201, "åĿļå®ļä¸į": 114202, "åĿļå®ļä¸į移": 114203, "åĨ²éĶĭ": 114204, "ç®Ģ缴æĺ¯": 114205, "åĤ¨èĵĦ": 114206, "纯çĶµåĬ¨": 114207, "漫æŃ¥": 114208, "举起": 114209, "æģ¶æĢ§": 114210, "è¨ĺéĮĦ": 114211, "èģĮèĥ½éĥ¨éŨ": 114212, "åħ¨éķ¿": 114213, "鼻è¦ĸ": 114214, "ä¹³èħº": 114215, "ä½ķå¤Ħ": 114216, "æ¶Īæŀģ": 114217, "æŃ£å¤Ħäºİ": 114218, "å®īå®ģ": 114219, "æĪIJéķ·": 114220, "åıĻè¿°": 114221, "æºĥçĸ¡": 114222, "ä½Ĩçİ°åľ¨": 114223, "女æĺŁ": 114224, "å©´å¹¼åĦ¿": 114225, "æĬķèŀįèµĦ": 114226, "éĹ®éĹ®": 114227, "æıŃå¼Ģ": 114228, "è¯ı": 114229, "åIJįå½ķ": 114230, "èĺijèıĩ": 114231, "åIJĬ顶": 114232, "æ¹ĸåĮº": 114233, "åįĸåľº": 114234, "建ç¯": 114235, "建ç¯ī": 114236, "èݽ": 114237, "åIJ¬åIJ¬": 114238, "ç«ŀäºīä¼ĺåĬ¿": 114239, "åĩºä»»": 114240, "æľī两ç§į": 114241, "æ©±æŁľ": 114242, "褪": 114243, "è¯ķåį·": 114244, "ç»ıæµİæĬĢæľ¯": 114245, "æ·±å±Ĥ": 114246, "éĩįè¦ģåĨħ容": 114247, "é£İæݧ": 114248, "çĬ¶æĢģä¸ĭ": 114249, "éĥ¨éĸĢ": 114250, "广汽": 114251, "è§Ĥæij©": 114252, "éģĹçķĻ": 114253, "转账": 114254, "æĮģä»ĵ": 114255, "æĢ»è®¡": 114256, "åľĺéļĬ": 114257, "æĪ¿ä¸ľ": 114258, "éĺĢéŨ": 114259, "åħ¬åħ³": 114260, "åħ³åĪĩ": 114261, "èĤĺ": 114262, "æķ¸æĵļ": 114263, "ä¸īåįģå¹´": 114264, "è§ģè¯ģäºĨ": 114265, "å±Ĩ": 114266, "çģ°å°ĺ": 114267, "æ¦ľé¦ĸ": 114268, "è¦ĨçĽĸçİĩ": 114269, "ä»Ļ女": 114270, "çĶŁäº§æĢ»": 114271, "çĶŁäº§æĢ»åĢ¼": 114272, "æĪ¿è´·": 114273, "æ±ŁåĮº": 114274, "åħħçĶµæ¡©": 114275, "çĻ¾åIJĪ": 114276, "確èªį": 114277, "转移åĪ°": 114278, "éĥ½æĹłæ³ķ": 114279, "纪念é¦Ĩ": 114280, "çŃ¾ç½²äºĨ": 114281, "并ä¸įå¤ļ": 114282, "æĮł": 114283, "ä¸į太好": 114284, "ä¸ĸ代": 114285, "误导": 114286, "é«ĺ峰论åĿĽ": 114287, "åħ¼å®¹": 114288, "龸æ°Ķ": 114289, "æĿ¥è®¿": 114290, "æīĢ带æĿ¥çļĦ": 114291, "æĺ¯ä¸Ģéĥ¨": 114292, "æĻļé¥Ń": 114293, "åİĨ代": 114294, "åIJ¦åīĩ": 114295, "ä¹ħä¹ħ": 114296, "æľīæķĪæľŁ": 114297, "诱åıij": 114298, "æĢ»èµĦ产": 114299, "æľ¬èº«å°±æĺ¯": 114300, "çĶŁäº§åİĤ家": 114301, "æŶ髦": 114302, "èĢIJçĶ¨": 114303, "ä»İå°ıå°±": 114304, "æĿ¡çº¦": 114305, "èĭ±åĭĩ": 114306, "ä¿Ĺè¯Ŀ说": 114307, "寺åºĻ": 114308, "å¿ĥçIJĨåģ¥åº·": 114309, "ä»Ģä¹Īäºĭæĥħ": 114310, "æ±īåŃĹ": 114311, "çķĻä½ı": 114312, "åįĹè·¯": 114313, "ä¸ī项": 114314, "丢äºĨ": 114315, "æĥ³åĪ°äºĨ": 114316, "çŃ¹éĽĨ": 114317, "éĻĦåĬłåĢ¼": 114318, "西è£ħ": 114319, "ä¹ĭä½ľ": 114320, "åģļçļĦäºĭ": 114321, "çķ¶æĤ¨": 114322, "çķ¶æĤ¨åľ¨": 114323, "é¦ĸ款": 114324, "ä¸įåľ¨ä¹İ": 114325, "å·¥ç¨ĭæĸ½å·¥": 114326, "éļIJéļIJ": 114327, "åıĺ身": 114328, "沿éĢĶ": 114329, "æĤłæĤł": 114330, "ä¿Ŀæļĸ": 114331, "çĶŁæ´»åŀĥåľ¾": 114332, "渤海": 114333, "æŃ¦ä¾ł": 114334, "女主è§Ĵ": 114335, "举ä¾ĭ": 114336, "æ·¨": 114337, "çĻ½é¢Ĩ": 114338, "è£ĻåŃIJ": 114339, "è¿Ķè¿ĺ": 114340, "è¿Īåĩº": 114341, "é¾ĻéŨ": 114342, "ç»ıæµİä½ĵ": 114343, "æĶ¶å®ĺ": 114344, "çķĮéĻIJ": 114345, "è·³åĩº": 114346, "åįĩåĢ¼": 114347, "绵éĺ³": 114348, "çĸ¤çĹķ": 114349, "çľĭæ¸ħ": 114350, "æĭĴçµķ": 114351, "è¥Ħéĺ³": 114352, "课å¤ĸ": 114353, "åŃIJåŃĻ": 114354, "æŃĮè¯į": 114355, "æĪIJåIJį": 114356, "溶液": 114357, "åĦĴ家": 114358, "åķĨä¸ļåĮĸ": 114359, "辨åĪ«": 114360, "å¤ļè¾¾": 114361, "ç½ijåºĹ": 114362, "ä¹Ŀ大": 114363, "ä¹Ŀ大精ç¥ŀ": 114364, "æŃ¤ä¸¾": 114365, "è¿ŀè½½": 114366, "ä¸ĢåĢĭ人": 114367, "èī²æ³½": 114368, "涵çĽĸäºĨ": 114369, "è¦ıåĬĥ": 114370, "åĽ½æĥħ": 114371, "åį«çĶŁåģ¥åº·": 114372, "积æŀģåĵįåºĶ": 114373, "æĭĻ": 114374, "åĪ¶åĬ¨": 114375, "æĥ³è±¡åĬĽ": 114376, "çļĦä¹IJ趣": 114377, "å¼łå®¶çķĮ": 114378, "å´İ": 114379, "éĩįåŀĭ": 114380, "å¤ĸå¢Ļ": 114381, "æĶ¾åѦ": 114382, "è®¤çľŁåŃ¦ä¹ł": 114383, "è´¬åĢ¼": 114384, "æ³ķæ¡Ī": 114385, "æĬ¤èĤ¤åĵģ": 114386, "éĻ·åħ¥äºĨ": 114387, "请æĤ¨": 114388, "åŀ¢": 114389, "æķĻèĤ²èµĦæºIJ": 114390, "交æĺĵå¹³åı°": 114391, "æŶè£ħ": 114392, "ä¼łæŁĵçĹħ": 114393, "æ¹ĸæ³Ĭ": 114394, "èµĦ管": 114395, "åݨå¸Ī": 114396, "éĹľéį": 114397, "éĹľéįµ": 114398, "åĵĪåĵĪåĵĪ": 114399, "çĽĹçªĥ": 114400, "çĶľç¾İ": 114401, "åºĦåĽŃ": 114402, "缮åīįå·²ç»ı": 114403, "è¾¹ä¸Ĭ": 114404, "çģ«èĬ±": 114405, "æĬ¥è®°èĢħ": 114406, "æģĭæĥħ": 114407, "ç´§åĩij": 114408, "æ°´æµģ": 114409, "è¿Ļæĺ¯æĪij们": 114410, "æ³¥åľŁ": 114411, "æĽ¾ä»»": 114412, "æĸ¹è¨Ģ": 114413, "åij¨åħŃ": 114414, "åı·æ¥¼": 114415, "ä¼ijåģĩ": 114416, "误ä¼ļ": 114417, "åĽ½åĢº": 114418, "åīįå¤ķ": 114419, "ä¸¤å¼ł": 114420, "éĹ«": 114421, "éŃĶ鬼": 114422, "æĬĬæĮģ": 114423, "èĬĤèĥ½çݯä¿Ŀ": 114424, "æ¸ħæ´ģèĥ½æºIJ": 114425, "èĤ¥æĸĻ": 114426, "é«ĺé¢ij": 114427, "å°±æľīäºĨ": 114428, "交ä¼ļ": 114429, "没éĴ±": 114430, "éĽħæĢĿ": 114431, "è¦ģåıĬæŶ": 114432, "åŁ¹åħ»åѦçĶŁ": 114433, "欣åĸľ": 114434, "çĥŃæ°´åĻ¨": 114435, "é¾Ļæ¹ĸ": 114436, "äºĮ楼": 114437, "æĸ°æµªè´¢ç»ı": 114438, "æĸ°åĬ¨èĥ½": 114439, "èµ£å·ŀ": 114440, "æĭ³å¤´": 114441, "æµģåIJij": 114442, "ä¹Łæĺ¯å¾Ī": 114443, "åıijåĶ®": 114444, "ä¸ŃåIJ«æľī": 114445, "åIJĵå¾Ĺ": 114446, "å·¨æĺŁ": 114447, "æĹłæīĢè°ĵ": 114448, "æ¯ĽåŃĶ": 114449, "åħ¬åħ±äº¤éĢļ": 114450, "çĤİçĥŃ": 114451, "èµ·èįī": 114452, "åĬłçĽŁåķĨ": 114453, "说ä¸įåĩº": 114454, "大åѦæ¯ķä¸ļ": 114455, "å·¥ä¸ļåĽŃ": 114456, "éłĺåŁŁ": 114457, "åºĨåħ¸": 114458, "æµģ产": 114459, "èģ²éŁ³": 114460, "ä¼¼ä¹İæĺ¯": 114461, "è´§æºIJ": 114462, "æ·±åĪĩ": 114463, "æ²»çĸĹæĸ¹æ³ķ": 114464, "èµĦæºIJéħįç½®": 114465, "網åıĭ": 114466, "çĶ£": 114467, "亥": 114468, "èº²åľ¨": 114469, "社ç§ij": 114470, "è»Łé«Ķ": 114471, "女è£ħ": 114472, "æŃ¡è¿İ": 114473, "综åIJĪå®ŀåĬĽ": 114474, "æł¼å°ĩ": 114475, "åħļåı²åŃ¦ä¹ł": 114476, "æľĢåŁºæľ¬": 114477, "æľĢåŁºæľ¬çļĦ": 114478, "çľĭæľĽ": 114479, "åıĹè´¿": 114480, "ä¸įä»ħèĥ½": 114481, "ä½ķå¿ħ": 114482, "ä¸Ģ个å°ıæŶ": 114483, "ç¾Į": 114484, "æĭĽæĶ¶": 114485, "çĤĴèĤ¡": 114486, "æĿijå¹²éĥ¨": 114487, "缸çĪ±": 114488, "æ½ľèĥ½": 114489, "ä¹į": 114490, "æĹ¶è¾°": 114491, "欣æħ°": 114492, "éĵ¶è¡Įä¸ļ": 114493, "çĭŃçªĦ": 114494, "éĩįçĤ¹é¢ĨåŁŁ": 114495, "çİ°å®ŀçĶŁæ´»": 114496, "éĮ¯èª¤": 114497, "æĸ°è§Ħ": 114498, "滥çĶ¨": 114499, "æŶä¸į": 114500, "æŶä¸įæŶ": 114501, "帳èĻŁ": 114502, "ç¨Ģ缺": 114503, "åIJij举": 114504, "ä¿Ŀåģ¥åĵģ": 114505, "çıŃéķ¿": 114506, "äºĴåĭķ": 114507, "笼罩": 114508, "æ½Ľ": 114509, "æļĸå¿ĥ": 114510, "è½°çĤ¸": 114511, "åºĨ幸": 114512, "è²Įä¼¼": 114513, "æĵº": 114514, "èĢIJ磨": 114515, "ä¸ĵä¸ļ人士": 114516, "ä¸ĢèĪ¬éĥ½æĺ¯": 114517, "æ¼³å·ŀ": 114518, "åħ¨èĩªåĬ¨": 114519, "å½ķçĶ¨": 114520, "大è·Į": 114521, "æľīæķĪæĢ§": 114522, "èĩªåĭķ": 114523, "ä¸ī个æĸ¹éĿ¢": 114524, "港åĮº": 114525, "信貸": 114526, "éĢļè¯Ŀ": 114527, "é«ĺ涨": 114528, "æ³Ħæ¼ı": 114529, "éħįä¸Ĭ": 114530, "åħļå·¥å§Ķ": 114531, "被认为": 114532, "被认为æĺ¯": 114533, "ä¸įä¼ļåĨį": 114534, "è°ĥåīĤ": 114535, "åıĤèĤ¡": 114536, "èĦ±åıij": 114537, "å¿łå®ŀ": 114538, "åĨħåĪĨæ³Į": 114539, "ç¹ģå¿Ļ": 114540, "åıĮåĪĽ": 114541, "é©»æĿij": 114542, "åĪĴç®Ĺ": 114543, "éģİä¾Ĩ": 114544, "åľ£ç»ı": 114545, "èıľé¸Ł": 114546, "æĭ¼å¤ļå¤ļ": 114547, "ä¸ŃåĽ½æ±½è½¦": 114548, "çĥŁèįī": 114549, "缴æµģ": 114550, "äºĨä¸Ģåı£æ°Ķ": 114551, "ä½İæĪIJæľ¬": 114552, "æī¾åĽŀ": 114553, "èĩªåįij": 114554, "總æĺ¯": 114555, "æĸĩåĮĸåĪĽæĦı": 114556, "天河": 114557, "樱æ¡ĥ": 114558, "éªijåħµ": 114559, "éĩĮéĿ¢æľī": 114560, "çİ®": 114561, "èĥ½æī¾åĪ°": 114562, "éĢĥè·ij": 114563, "åĪĩå°Ķ": 114564, "åĪĩå°Ķ西": 114565, "以ä¸ĭæĺ¯": 114566, "å²³éĺ³": 114567, "çļĦæ¦Ĥçİĩ": 114568, "æĬµåĪ¶": 114569, "å¸ĪäºĭåĬ¡": 114570, "å¸ĪäºĭåĬ¡æīĢ": 114571, "åĩĨæŶ": 114572, "屬æĸ¼": 114573, "订è´Ń": 114574, "åįłæį®äºĨ": 114575, "ä¸ŃéĢĶ": 114576, "å°ĭ": 114577, "é»ij马": 114578, "åİ¿åħ¬å®īå±Ģ": 114579, "ä¸ĥæľĪ": 114580, "èī²ç´ł": 114581, "å¿ĥèĦıçĹħ": 114582, "æŶéĻIJ": 114583, "æ¯įåħ¬åı¸": 114584, "å¹ķåIJİ": 114585, "ä¸Ĭæ¦ľ": 114586, "åĢ¾åIJijäºİ": 114587, "纸ä¸Ĭ": 114588, "æ¡ĵ": 114589, "éĽĨä½ĵç»ıæµİ": 114590, "æĥħå¢ĥ": 114591, "è¦ģåģļåĪ°": 114592, "ç©į極": 114593, "åıªæĢķ": 114594, "æ¹ĺ西": 114595, "çļ±çº¹": 114596, "åħ¨åľĭ": 114597, "çĦ¡è«ĸ": 114598, "好æĦŁ": 114599, "åįķä»·": 114600, "è¿Ľç¨ĭä¸Ń": 114601, "æĺĨä»ij": 114602, "åĪĽå®¢": 114603, "åħħæĸ¥": 114604, "åħĪæĬĬ": 114605, "该æĢİä¹ĪåĬŀ": 114606, "åĵģå¾·": 114607, "åħ¨éĿ¢åıijå±ķ": 114608, "è¨ĪåĬĥ": 114609, "æĢ»å·¥ä¼ļ": 114610, "ä½Ľå±±å¸Ĥ": 114611, "æĬĹè¡¡": 114612, "å¼Ģåľº": 114613, "éĴ±å¸ģ": 114614, "åıĭ们": 114615, "å«īå¦Ĵ": 114616, "ç´¢èµĶ": 114617, "è®ĬåĮĸ": 114618, "æĮ¤åİĭ": 114619, "æĮijè¡ħ": 114620, "çŃīä¸Ģæī¹": 114621, "æĿ¨æ¬¢": 114622, "ä¸ĵ家åѦèĢħ": 114623, "èĥ½è¾¾åĪ°": 114624, "èµ°è¿ij": 114625, "è´«åĽ°åľ°åĮº": 114626, "éĻIJæľŁ": 114627, "ä¸į平衡": 114628, "åĽ½åĨħå¸Ĥåľº": 114629, "èµĽåľº": 114630, "éħįèµĦ": 114631, "è¦ģèĢĥèĻij": 114632, "ä¸ĩåı°": 114633, "æľĪæľ«": 114634, "éĶ¥": 114635, "åŃ«": 114636, "æݥ触åĪ°": 114637, "åĩºäº§": 114638, "æķĻåѸ": 114639, "ä½ľå¼Ĭ": 114640, "çļĦæľĢåIJİä¸Ģ": 114641, "ä¿ĥæĪIJ": 114642, "åIJ¸åıĸ": 114643, "æ½ľèīĩ": 114644, "被éªĹ": 114645, "è¾ĵäºĨ": 114646, "çĭIJçĭ¸": 114647, "åįĩéĻį": 114648, "è¿ĻäºĽä¸ľè¥¿": 114649, "æĬķèµĦåŁºéĩij": 114650, "çĶŁçī©åѦ": 114651, "ç½ij绾èIJ¥éĶĢ": 114652, "åIJijè®°èĢħ": 114653, "èįīåľ°": 114654, "æĢ¯": 114655, "æľįåĬ¡èĥ½åĬĽ": 114656, "éĥģéĹ·": 114657, "åįķåĵģ": 114658, "å¾Ĺ罪": 114659, "æĺĵäºİ": 114660, "个å¤ļå°ıæŶ": 114661, "éĩįä»»": 114662, "ä¸Ĭå®ĺ": 114663, "æľ¬éĩij": 114664, "çı¾åł´": 114665, "溢价": 114666, "æĺŁè¾°": 114667, "æ´»åĬ¨çİ°åľº": 114668, "丹麦": 114669, "å¸Ŀçİĭ": 114670, "æŁ¥æĺİ": 114671, "åŃĺåľ¨äºİ": 114672, "é¦Ļæ°´": 114673, "æĬ½æ£Ģ": 114674, "å®ŀéĻħä¸Ĭæĺ¯": 114675, "æĸ°å¾ģç¨ĭ": 114676, "è´¢åĬ¡ç®¡çIJĨ": 114677, "æİĽ": 114678, "åĨľåİĨ": 114679, "éĥ½èĥ½å¤Ł": 114680, "éĤ¯éĥ¸": 114681, "çľŁå¯¦": 114682, "ç»Ĭ": 114683, "åĨµä¸Ķ": 114684, "置身": 114685, "ç¥Ī祷": 114686, "çĿģå¼Ģ": 114687, "æĮĩçĤ¹": 114688, "å¼Ģæľº": 114689, "西å®ģ": 114690, "åĮĹ约": 114691, "积水": 114692, "åĩºåĬ¨": 114693, "åıijå±ķ模å¼ı": 114694, "转æĬĺ": 114695, "èĢĥçĤ¹": 114696, "æľīç½ijåıĭ": 114697, "è´«åĽ°æĿij": 114698, "æĪijä»¬çŁ¥éģĵ": 114699, "åĪĨéĶĢ": 114700, "å±±èĦī": 114701, "æ¯ĶæĭŁ": 114702, "ä¼°ç®Ĺ": 114703, "æĶ¹å»º": 114704, "壮è§Ĥ": 114705, "ç§īæĮģ": 114706, "æıª": 114707, "ç¦Ģ": 114708, "åĮĸåѦåĵģ": 114709, "ä¸ŃåĽ½åĪ¶éĢł": 114710, "ä¸Ģæŀ¶": 114711, "æīįè¡Į": 114712, "æĭĽå¾ħ": 114713, "åıĺæį¢": 114714, "åīį线": 114715, "幸好": 114716, "è¿Ļæł·çļĦè¯Ŀ": 114717, "å¿ĥè¡Ģ管": 114718, "æĢ§çĸ¾çĹħ": 114719, "åħ¨èĥ½": 114720, "åĪij侦": 114721, "ä¿¡æģ¯åıijå¸ĥ": 114722, "æĺ¾çĦ¶æĺ¯": 114723, "éĿĴéĵľ": 114724, "åIJĥä»Ģä¹Ī": 114725, "çĶµä»·": 114726, "æ³ķå¾ĭè§Ħå®ļ": 114727, "çħ²": 114728, "çĵ·åĻ¨": 114729, "èĤīç±»": 114730, "æıĴåħ¥": 114731, "åĹľ": 114732, "è¿Łè¿Ł": 114733, "ä¸ĢçĤ¹éĥ½ä¸į": 114734, "è¿ĺåĮħæĭ¬": 114735, "èĪįä¸įå¾Ĺ": 114736, "æłĩå¿ĹæĢ§": 114737, "æľĪ以æĿ¥": 114738, "ç³ĸæŀľ": 114739, "éĥ½åºĶ该": 114740, "çݯå¢ĥåį«çĶŁ": 114741, "èĪªè¡Į": 114742, "éĥijéĩį": 114743, "ç½ijæĬķ": 114744, "åįģä½³": 114745, "ç§ģä¸ĭ": 114746, "æļ´è·Į": 114747, "åĬłå¿«åıijå±ķ": 114748, "产åĵģçłĶåıij": 114749, "åĪĽéĢłåĩº": 114750, "æĢ»è§īå¾Ĺ": 114751, "åºķçĽĺ": 114752, "èķĬ": 114753, "åĩºå¸Ńä¼ļè®®": 114754, "主æĿ¿": 114755, "æĹ¥æĻļéĹ´": 114756, "å®ĺæĸ¹å¾®åįļ": 114757, "å¼ķçĶ¨æĹ¥æľŁ": 114758, "åī¯æķĻæİĪ": 114759, "çĶµåŃIJ产åĵģ": 114760, "è¡°éĢĢ": 114761, "çķĻåŃĺ": 114762, "çģ«åĬĽ": 114763, "çĴ§": 114764, "çļĤ": 114765, "åħ¼åħ·": 114766, "éĩįè¿Ķ": 114767, "é¢Ĩçķ¥": 114768, "åĪĩéĻ¤": 114769, "åĨįçĶŁèĥ½æºIJ": 114770, "å®ŀåľ¨å¤ª": 114771, "çIJĨ论ä¸Ĭ": 114772, "ä¸īå±Ĥ": 114773, "ä¸ĸçķĮåIJĦåĽ½": 114774, "å®ľæĺĮ": 114775, "èĢ³è¾¹": 114776, "宽æķŀ": 114777, "æ±īæĹı": 114778, "çĻ½çĻ½": 114779, "è¿ĻéĩĮéĿ¢": 114780, "çĶŁæ´»ä¹łæĥ¯": 114781, "èµŀèµı": 114782, "çĶ·å£«": 114783, "ä¸Ńä¿Ħ": 114784, "车祸": 114785, "åīĤéĩı": 114786, "éĻ¤åİ»": 114787, "左边": 114788, "çŃijçī¢": 114789, "çīĽå¸Ĥ": 114790, "家åĬ¡": 114791, "åķĥ": 114792, "ç½®æį¢": 114793, "ç´«å¤ĸ": 114794, "ç´«å¤ĸ线": 114795, "å¾Ģåīį": 114796, "åĬĽåѦ": 114797, "ç´§è·Ł": 114798, "缮çļĦåľ¨äºİ": 114799, "ç»®": 114800, "ç¥Ĥ": 114801, "宣è¨Ģ": 114802, "äºĮæ°§åĮĸ": 114803, "äºĮæ°§åĮĸ碳": 114804, "æĹłç¼ĺ": 114805, "ç²¾éĢļ": 114806, "診": 114807, "å¼ķåıijäºĨ": 114808, "æľĢåħĪ": 114809, "派驻": 114810, "ä¸įå¿į": 114811, "æĪijçĪ¸": 114812, "å¹´ä¸ĭåįĬå¹´": 114813, "æ·ĭå·´": 114814, "没éĹ®é¢ĺ": 114815, "åºĹåĨħ": 114816, "è·ŁæĪij说": 114817, "çĶŁäº§çĶŁæ´»": 114818, "è§ĤæľĽ": 114819, "æ¸į": 114820, "被æī§è¡Į": 114821, "被æī§è¡Į人": 114822, "èĪľ": 114823, "æݺ": 114824, "ä¸Ģç§Ĵ": 114825, "èįīåĿª": 114826, "åij¼åĴĮ": 114827, "åij¼åĴĮ浩": 114828, "åij¼åĴĮ浩çī¹": 114829, "人æ°ijéĵ¶è¡Į": 114830, "çĦķåıij": 114831, "è¯ģåĪ¸äº¤æĺĵ": 114832, "çķĶ": 114833, "æľºèĥ½": 114834, "妾": 114835, "æĻļå¹´": 114836, "å·¥åķĨèģĶ": 114837, "åİŁåŀĭ": 114838, "è§Ĵ度çľĭ": 114839, "æĬ¥ç¤¾": 114840, "è¯įæĿ¡": 114841, "躲éģ¿": 114842, "éĩįåIJ¯": 114843, "å¤ķéĺ³": 114844, "èĤ¡æĿĥ转让": 114845, "åľ¨ä¸Ģ": 114846, "åľ¨ä¸ĢæĹģ": 114847, "社ä¼ļåĮĸ": 114848, "åıijå±ķåİĨç¨ĭ": 114849, "æĭĸæ¬ł": 114850, "使èĢħ": 114851, "ä¸İåIJ¦": 114852, "æĸ°å±ĢéĿ¢": 114853, "ä»Ĭ天æĪij们": 114854, "é½IJèģļ": 114855, "对æĪij说": 114856, "éĢĴ交": 114857, "æľªæĽ¾": 114858, "èİĬ": 114859, "éĸī": 114860, "亲æīĭ": 114861, "è§ĴéĢIJ": 114862, "æľīé»ŀ": 114863, "ç¨İçİĩ": 114864, "ä½İ声": 114865, "é»ĺå¥ij": 114866, "æĻ®æ³ķ": 114867, "大ä¸ĵ": 114868, "第äºĮ大": 114869, "ä½ıåĿĢ": 114870, "æĶ¾è¿Ľ": 114871, "äºĮæĪĺ": 114872, "亲身": 114873, "åĽºåĮĸ": 114874, "ä¸ĭ乡": 114875, "åħ³éĶ®æĬĢæľ¯": 114876, "åĽŀæĥ³": 114877, "æĬ¥åĪĬ": 114878, "æ¶ĤæĬ¹": 114879, "èĹıçĿĢ": 114880, "ç¥ĿæĦ¿": 114881, "åįĩ温": 114882, "çĶļèĩ³è¿ŀ": 114883, "åħ¬åħĥåīį": 114884, "ç¾İæĸ¹": 114885, "è¯ļå®ŀ": 114886, "æĹłåģ¿": 114887, "åīµæ¥Ń": 114888, "å°ıå¿ĥ翼": 114889, "å°ıå¿ĥ翼翼": 114890, "两æīĭ": 114891, "温馨æıIJ示": 114892, "ä»¿çľŁ": 114893, "æĥ¶": 114894, "èĥ¡åŃIJ": 114895, "å·¥ä½ľç«Ļ": 114896, "硬çĽĺ": 114897, "ç«¿": 114898, "åĤ³éĢģ": 114899, "åħ¨æł¡": 114900, "é²ľæ´»": 114901, "çĴĢçĴ¨": 114902, "ç»ĵå°¾": 114903, "æį¢æĿ¥": 114904, "æĪĢ": 114905, "ä½İä½į": 114906, "ä¸ĩåħĥ以ä¸Ĭ": 114907, "åĬłåĪĨ": 114908, "æݨä»ĭä¼ļ": 114909, "çIJĨèµĶ": 114910, "å¾·å°Ķ": 114911, "æĬĹè®®": 114912, "æ´¼": 114913, "åĸ§": 114914, "åŁİéĻħ": 114915, "å¾Īæ£Ĵ": 114916, "人æŃ»äº¡": 114917, "ä¼ļå±ķä¸Ńå¿ĥ": 114918, "äºĴèģĶäºĴéĢļ": 114919, "èĸĦèĨľ": 114920, "éĩįé»ŀ": 114921, "ç¦ģæ¯Ĵ": 114922, "åĨ·ç¬ij": 114923, "大家åı¯ä»¥": 114924, "é¦ĸ缸": 114925, "è¿ijè·Ŀ离": 114926, "æµ®çİ°": 114927, "ç§ĺè¯Ģ": 114928, "èµ·é£ŀ": 114929, "æIJ¶": 114930, "羣åģĩ": 114931, "æģķ": 114932, "å°ıåºĹ": 114933, "æ°ijçľ¾": 114934, "åıijå¸ĥåħ¬åijĬ": 114935, "侧éĩį": 114936, "å¾ĺå¾Ĭ": 114937, "æĢĶ": 114938, "æªIJ": 114939, "æķ°çĽ®": 114940, "åī¯ç§ĺ书éķ¿": 114941, "两åı¥": 114942, "éļIJçŀĴ": 114943, "åıĮåıĮ": 114944, "æīĭæĦŁ": 114945, "èij¡äº¬": 114946, "éģĹå¿ĺ": 114947, "鬥": 114948, "è¿Ļä¸ªåľ°æĸ¹": 114949, "说çļĦè¯Ŀ": 114950, "å·¡åĽŀ": 114951, "è¿Ŀç«ł": 114952, "æī¾å·¥ä½ľ": 114953, "æĶ¯çIJĥéĺŁ": 114954, "裡éĿ¢": 114955, "æĺ¾ç¤ºåĩº": 114956, "èĩ³å°Ĭ": 114957, "两级": 114958, "åīį段æŶéĹ´": 114959, "çĺ¦èº«": 114960, "èĤ¢ä½ĵ": 114961, "æ¯į親": 114962, "æīĭç»Ńè´¹": 114963, "汽车è¡Įä¸ļ": 114964, "æİ©çĽĸ": 114965, "æݧèĤ¡éĽĨåĽ¢": 114966, "åı£å¾Ħ": 114967, "æĶ¿çŃĸæݪæĸ½": 114968, "海绵": 114969, "åħ¨éķĩ": 114970, "äºĭåħ³": 114971, "å¸Ńæī§è¡Į": 114972, "å¸Ńæī§è¡Įå®ĺ": 114973, "éĤ£æ¬¡": 114974, "åı¯èĥ½åĩºçİ°": 114975, "ä¸Ńå¿ĥåŁİå¸Ĥ": 114976, "翻身": 114977, "ä¹Łç®Ĺ": 114978, "ä¾µçķ¥": 114979, "åĸĩåıŃ": 114980, "æ¯ı次éĥ½": 114981, "è§ħ": 114982, "éĻ¢éĻ¢éķ¿": 114983, "å§ĭäºİ": 114984, "èѦåĬ¡": 114985, "èį¯æĿIJ": 114986, "å±łæĿĢ": 114987, "æľ¬èº«å°±": 114988, "éļıæŶéļı": 114989, "éļıæŶéļıåľ°": 114990, "åĶ®åįĸ": 114991, "æĹłäººé©¾é©¶": 114992, "é¢ħ": 114993, "åĵģ質": 114994, "åĺ²ç¬ij": 114995, "è·ijåİ»": 114996, "åħĭéĩĮæĸ¯": 114997, "çķ¸å½¢": 114998, "修饰": 114999, "磩éĺµ": 115000, "éŁ³ä¹IJä¼ļ": 115001, "æŁ³å·ŀ": 115002, "齡": 115003, "ä¼ļè°Ī": 115004, "æŃ£çīĪ": 115005, "ä¹ŁåIJĮæł·": 115006, "æļ§æĺ§": 115007, "è¡ĮæĶ¿éĥ¨éŨ": 115008, "ä¹ĸä¹ĸ": 115009, "èĤ¤èī²": 115010, "æŶ任": 115011, "羣åĪĩ": 115012, "æľĪä¸ĭ": 115013, "æľĪä¸ĭæŬ": 115014, "举æĸ¹è´¢å¯Į": 115015, "è£ħä¿®åħ¬åı¸": 115016, "éĢĢè¿ĺ": 115017, "åĭĺå¯Ł": 115018, "åĵ¥ä¼¦": 115019, "åĵ¥ä¼¦æ¯Ķäºļ": 115020, "çĭ¬ä¸Ģ": 115021, "çĭ¬ä¸ĢæĹł": 115022, "çĭ¬ä¸ĢæĹłäºĮ": 115023, "è°ĥåij³": 115024, "åİĭè¿«": 115025, "åħ¨çIJĥæľĢ大": 115026, "åī¯æł¡éķ¿": 115027, "æĽ´ä½İ": 115028, "åĪĨéĴŁåIJİ": 115029, "åĽŀä¾Ĩ": 115030, "åĪ¶åīĤ": 115031, "åijĬè¯ī大家": 115032, "çĤ¹éĴŁ": 115033, "åįģä¸īå±Ĭ": 115034, "åij¨åĽĽ": 115035, "è¿Ļæł·ä¸Ģ": 115036, "è¿Ļæł·ä¸ĢæĿ¥": 115037, "èĭŁ": 115038, "æľĽåİ»": 115039, "æĪIJè¯Ń": 115040, "å½ĵåį³": 115041, "ç¬ij声": 115042, "ä¹ĭåĬ¿": 115043, "åĪijäºĭæ¡Ī件": 115044, "æĮĤçĿĢ": 115045, "ä½ķç§į": 115046, "å°ı游æĪı": 115047, "åĽ½å®¶æĪĺçķ¥": 115048, "åĨ·åĨ·": 115049, "å®ľå®¾": 115050, "æIJºç¨ĭ": 115051, "è¶ĭäºİ": 115052, "åıįçľģ": 115053, "常说": 115054, "ä¸ĩæĪ·": 115055, "åĥµå°¸": 115056, "åįĥä¸ĩåĪ«": 115057, "åıijçİ°éĹ®é¢ĺ": 115058, "åı¯çŁ¥": 115059, "éŨæĪ·ç½ijç«Ļ": 115060, "åģ¥åº·äº§ä¸ļ": 115061, "åı³è¾¹": 115062, "æµ·è¿IJ": 115063, "è¿ijä¹İ": 115064, "åĮ»æ²»": 115065, "æĢ»ç®Ĺ": 115066, "ä¸ĢåĪĨéĴŁ": 115067, "æĭ§": 115068, "ä¹Łæľīä¸ĢäºĽ": 115069, "ä¾ĽçĶµåħ¬åı¸": 115070, "å»īä»·": 115071, "帮ä»ĸ": 115072, "æŃ¤æ¬¡æ´»åĬ¨": 115073, "åıªèĥ½è¯´": 115074, "èĬĭ": 115075, "çīĩ段": 115076, "åŃĺåľ¨éĹ®é¢ĺ": 115077, "ä½łä¼ļåıijçİ°": 115078, "è½®å»ĵ": 115079, "ç½ijéĢļ": 115080, "æ»¨æ±Ł": 115081, "æİĪä¿¡": 115082, "é»İæĺİ": 115083, "ä¸įå±ŀäºİ": 115084, "约åįł": 115085, "éķ¿æ²Ļå¸Ĥ": 115086, "èĥļèĥİ": 115087, "åħĥ件": 115088, "éĻĨåĨĽ": 115089, "購買": 115090, "æĮĩæľĽ": 115091, "å®ŀä¹łçĶŁ": 115092, "çī¹çĤ¹æĺ¯": 115093, "çıłæ±Ł": 115094, "çľĭä¸įåĩº": 115095, "ä¸įè§ģäºĨ": 115096, "ç¼ī": 115097, "éĺµèIJ¥": 115098, "åĶIJæľĿ": 115099, "没å¿ħè¦ģ": 115100, "åĽ½åľŁèµĦæºIJ": 115101, "ç»ıæµİåŃ¦å®¶": 115102, "åIJĪèĤ¥å¸Ĥ": 115103, "çIJ¢ç£¨": 115104, "ç¡®åĪĩ": 115105, "åŁİå¸Ĥåıijå±ķ": 115106, "çŃ·åŃIJ": 115107, "人æ°ijæľįåĬ¡": 115108, "满åĪĨ": 115109, "è¿·ä¿¡": 115110, "ä½ľèĢħæľ¬äºº": 115111, "æĸĩç«łæĿ¥æºIJ": 115112, "ç«Ļç«ĭ": 115113, "æŀĦæĪIJäºĨ": 115114, "è¾Ľåĭ¤": 115115, "è¶ħ强": 115116, "éĶļ": 115117, "åīįä¸īåŃ£åº¦": 115118, "å°±è§īå¾Ĺ": 115119, "å´ĩé«ĺ": 115120, "è¶Ĭä¾Ĩ": 115121, "è¶Ĭä¾Ĩè¶Ĭ": 115122, "å¸ĤåľºèIJ¥éĶĢ": 115123, "综åIJĪç´łè´¨": 115124, "åŃļ": 115125, "侮辱": 115126, "äºĮåŃĹ": 115127, "å·¥ä½ľä»»åĬ¡": 115128, "åı²ä¸ĬæľĢ": 115129, "æľĢä¼ĺ": 115130, "åIJ©åĴIJ": 115131, "表çĻ½": 115132, "èİ«åIJį": 115133, "èİ«åIJįåħ¶": 115134, "èİ«åIJįåħ¶å¦Ļ": 115135, "å¹£": 115136, "åIJĮå¿Ĺ们": 115137, "建设çĶ¨åľ°": 115138, "åĦĢ": 115139, "éħįåģ¶": 115140, "弩": 115141, "åĶ±çīĩ": 115142, "æīĭèĦļ": 115143, "åħ¼ä»»": 115144, "åģľæĶ¾": 115145, "æŃ£å®Ĺ": 115146, "æĸ°åĨľæĿij": 115147, "åĤ¬çĶŁ": 115148, "æīĢåŃ¦æł¡": 115149, "å¿µä½Ľ": 115150, "åĶ¤éĨĴ": 115151, "åħ±åĪĽ": 115152, "æĭīä¸ģ": 115153, "èĥĮçĿĢ": 115154, "çĶŁæĢģä¿ĿæĬ¤": 115155, "åı£å¤´": 115156, "æĸ¹åIJijçĽĺ": 115157, "調æķ´": 115158, "æĭĽèģĺä¿¡æģ¯": 115159, "åħ¶ä»ĸåĽ½å®¶": 115160, "ç®Ģæĺĵ": 115161, "åĮ¿åIJį": 115162, "è¯Ħæµĭ": 115163, "æĺ¯ä¸Ģ座": 115164, "çīµæīĭ": 115165, "足迹": 115166, "çIJĨ解åĴĮ": 115167, "æľĢåıĹ": 115168, "å¿ĥè·³": 115169, "çĪ¶è¦ª": 115170, "éĿŀ常åĸľæ¬¢": 115171, "èĭ¦éļ¾": 115172, "æĬĢå¸Ī": 115173, "æ°ijæĦı": 115174, "æĪĺåĽ½": 115175, "æĽ¿è¡¥": 115176, "津贴": 115177, "ä¸ŃåĽ½ä¼łç»Ł": 115178, "åIJĦè¡Į": 115179, "åIJĦè¡ĮåIJĦ": 115180, "åIJĦè¡ĮåIJĦä¸ļ": 115181, "第äºĶå±Ĭ": 115182, "èį·èĬ±": 115183, "æĦıèŃĺ": 115184, "票价": 115185, "åĪĨæµģ": 115186, "æĿİçĻ½": 115187, "æ±ŁåĮĹ": 115188, "æİĴæĸ¥": 115189, "ä½ĵéĩı": 115190, "åĮħåIJ«äºĨ": 115191, "åĪĺæŁIJ": 115192, "çİ°å¦Ĥä»Ĭ": 115193, "å·¥èīºåĵģ": 115194, "è¿Ļç§įæĸ¹æ³ķ": 115195, "åĬŀåħ¬æ¥¼": 115196, "çĶµå·¥": 115197, "çħĻ": 115198, "åį¡çīĩ": 115199, "å¹´å¹´åºķ": 115200, "ä¸ĵ项èµĦéĩij": 115201, "åĮ»ç§ij": 115202, "åĮ»ç§ij大åѦ": 115203, "åĽŀ头çľĭ": 115204, "ä¸įå±ij": 115205, "èĩªé©¾": 115206, "没æĶ¶": 115207, "æīĵçĮİ": 115208, "èĦ¸éĥ¨": 115209, "åıĥèĢĥ": 115210, "å°Ĩ士": 115211, "è´«åĽ°äººåı£": 115212, "çIJĨæĥ³ä¿¡å¿µ": 115213, "é£İå°ļ": 115214, "人æīįéĺŁä¼į": 115215, "çij¾": 115216, "æĿ¥è¿ĻéĩĮ": 115217, "æ´Ĺ涤": 115218, "å¹´èĸª": 115219, "èĭįçĻ½": 115220, "ä¸ĩäºĭ": 115221, "è¯¾æľ¬": 115222, "åºĵéĩĮ": 115223, "çī¹æ´¾": 115224, "çī¹æ´¾åijĺ": 115225, "èµŀç¾İ": 115226, "ç©¿æĪ´": 115227, "è£½ä½ľ": 115228, "èµŀæĪIJ": 115229, "ä¸Ģ侧": 115230, "å½ĵåľ°äºº": 115231, "æĭİ": 115232, "纸质": 115233, "ä½Ļ个": 115234, "éĶĤçĶµæ±ł": 115235, "æľºåŀĭ": 115236, "éĻ¢éĻ¢å£«": 115237, "åģļå·¥": 115238, "å¼łè´´": 115239, "ç¥Ľæĸij": 115240, "æ®ĸæ°ij": 115241, "å¥ij约": 115242, "æ¹ĺæ½Ń": 115243, "æIJĸ": 115244, "åŃĺè´§": 115245, "交éĢļ大åѦ": 115246, "è¶ģçĿĢ": 115247, "æĸĩçī©ä¿ĿæĬ¤": 115248, "å¤ĩæĪĺ": 115249, "éĩĩ纳": 115250, "åįĬæľĪ": 115251, "æľĢåħ³éĶ®": 115252, "æľĢåħ³éĶ®çļĦ": 115253, "æİ¥éĢģ": 115254, "æĶ¶åī²": 115255, "åıįåĢĴ": 115256, "çĥĽ": 115257, "æ½Ķ": 115258, "ä¼Łå¤§å¤įåħ´": 115259, "çļĦè¯Ŀè¯Ń": 115260, "容å¿į": 115261, "å®ļéĩı": 115262, "æķĹ": 115263, "åĵģçīĮ形象": 115264, "æīŃ转": 115265, "åĽ½å®¶éĩįçĤ¹": 115266, "èĨĿçĽĸ": 115267, "ä¸Ģ楼": 115268, "大éĻ¸": 115269, "éĤªæģ¶": 115270, "åĽŀåij³": 115271, "çĮ¿": 115272, "çĿ¡åīį": 115273, "æĹłè¾ľ": 115274, "çĹħæ¯ĴæĦŁæŁĵ": 115275, "æľºæ¢°åĮĸ": 115276, "çĤ¹äº®": 115277, "溶解": 115278, "åĩłä¹İæīĢæľī": 115279, "è·ijéģĵ": 115280, "çĶµè§Ĩæľº": 115281, "åı¨": 115282, "æijĩäºĨ": 115283, "æijĩäºĨæijĩ头": 115284, "èĩªè´Ł": 115285, "综åIJĪåĪ©çĶ¨": 115286, "èĩªå¦Ĥ": 115287, "åİŁä¾Ĩ": 115288, "ä¹Łä¸įæĥ³": 115289, "èĬĤ课": 115290, "è¿ĩåī©": 115291, "çĶ²çĬ¶": 115292, "çĶ²çĬ¶èħº": 115293, "æĸ°ä¸ĸ纪": 115294, "èĩªä¸»åĵģçīĮ": 115295, "é«ĺå±Ĥ次": 115296, "ä¸Ģè§Ĵ": 115297, "è¡Įäºĭ": 115298, "ç¥ĸåħĪ": 115299, "å©ļåIJİ": 115300, "éĹ´éļĻ": 115301, "ç¼ĿéļĻ": 115302, "è¿ĻæĶ¯": 115303, "ä¸įæĸŃåĪĽæĸ°": 115304, "å¾®åŀĭ": 115305, "æĽĻåħī": 115306, "享çĶ¨": 115307, "ä¸ŃåĽ½ç§»åĬ¨": 115308, "éĹŃçݯ": 115309, "æī§æĦı": 115310, "åıijå±ķæł¼å±Ģ": 115311, "æł¸å¿ĥåĮº": 115312, "éªļæī°": 115313, "åħļåĴĮåĽ½å®¶": 115314, "ä¸ŃåĽ½æĶ¿åºľ": 115315, "帶èijĹ": 115316, "ä¸ĩåįĥçĵ¦": 115317, "åħ©äºº": 115318, "äºİæĺ¯æĪij": 115319, "åĽºä½ĵ": 115320, "çªģå¦Ĥ": 115321, "çªģå¦Ĥåħ¶": 115322, "çªģå¦Ĥåħ¶æĿ¥": 115323, "éĩĮç¨ĭç¢ij": 115324, "çĪ±ç¾İ": 115325, "æŁ¥éªĮ": 115326, "åıĮèµ¢": 115327, "éĹªåħī": 115328, "楼å®ĩ": 115329, "æĻı": 115330, "æľīè¶³å¤ŁçļĦ": 115331, "æŁĶæĢ§": 115332, "ä¿¡æģ¯å®īåħ¨": 115333, "管线": 115334, "并ä¸įä¼ļ": 115335, "åĻ¨ä»¶": 115336, "ä½łåºĶ该": 115337, "çĿĢå®ŀ": 115338, "æĺİæ¸ħ": 115339, "æĬĹçĶŁç´ł": 115340, "æīĵæŃ»": 115341, "å®Įåħ¨ä¸įåIJĮ": 115342, "èĬ±æ¤Ĵ": 115343, "æĶ¾å®½": 115344, "ä½İ端": 115345, "åĽĽèĤ¢": 115346, "åĮĹäº¬èµĽè½¦": 115347, "éĽĨå¸Ĥ": 115348, "æľªå©ļ": 115349, "大å¹ħæıIJåįĩ": 115350, "建çŃij设计": 115351, "çĭ¬æľīçļĦ": 115352, "æİ¢éĻ©": 115353, "æ²³æµģåŁŁ": 115354, "æħķ容": 115355, "被çĽĹ": 115356, "åĵºä¹³": 115357, "èıģ": 115358, "æĥ¬æĦı": 115359, "è¶ĬæĿ¥è¶Ĭ好": 115360, "广大群ä¼Ĺ": 115361, "å¾·èĤ²": 115362, "å¸Ĥåľºä»·æł¼": 115363, "奥巴": 115364, "奥巴马": 115365, "èĬĤ缮ä¸Ń": 115366, "两款": 115367, "ä¸ĩä½Ļåħĥ": 115368, "ç»´å°Ķ": 115369, "çĶŁçī©ç§ijæĬĢ": 115370, "åIJ¬èµ·æĿ¥": 115371, "çłļ": 115372, "æĭŁå®ļ": 115373, "æ²¹çĶ°": 115374, "声èªī": 115375, "建çŃijä¸ļ": 115376, "éĻIJè´Ń": 115377, "çīĩåŃIJ": 115378, "çķľç¦½": 115379, "ç½ijé¦ĸ页": 115380, "ä¼ĹçŃ¹": 115381, "æĴŀåĩ»": 115382, "åīįä¸įä¹ħ": 115383, "åīįä¸ĸ": 115384, "åĽĽä¸ªæĦıè¯Ĩ": 115385, "æµĭç»ĺ": 115386, "éĺ²ç©º": 115387, "漫éķ¿çļĦ": 115388, "æ²IJæµ´": 115389, "æ¯Ķè¾ĥç®Ģåįķ": 115390, "æµĭå®ļ": 115391, "åĽŀè°ĥ": 115392, "让人们": 115393, "èĴĭä»ĭ": 115394, "èĴĭä»ĭçŁ³": 115395, "ç»ĵæĻ¶": 115396, "å¢ŀæ·»äºĨ": 115397, "æĿ¡è¯Ħ论": 115398, "åī¯ä¼ļéķ¿": 115399, "ä½ıæīĢ": 115400, "ç»ĻåĩºäºĨ": 115401, "è°ĥéħį": 115402, "æ²ĸ": 115403, "æľīçĶ¨": 115404, "æľīçĶ¨çļĦ": 115405, "ä¸ĢæĿ¡é¾Ļ": 115406, "éĩİå¤ĸ": 115407, "ç¼ĺåĪĨ": 115408, "æ°¸è¿ľä¸įä¼ļ": 115409, "æŀľæłij": 115410, "大åıijå¿«ä¸ī": 115411, "麻éĨī": 115412, "äºijéĽĨ": 115413, "åİ»åĵªéĩĮ": 115414, "åħ¥å¸Ĥ": 115415, "ä»»æĢ§": 115416, "建档": 115417, "建档ç«ĭ": 115418, "建档ç«ĭåį¡": 115419, "ä¸Ģ棵": 115420, "社åįĢ": 115421, "çĽ¸ä¼´": 115422, "åļ·": 115423, "å¡«åħħ": 115424, "ä¸ĢæĹı": 115425, "ç¾ģ": 115426, "åıĸè¯ģ": 115427, "èĪ°éĺŁ": 115428, "åİĤåĮº": 115429, "è¡·å¿ĥ": 115430, "åıijå±ķéĺ¶æ®µ": 115431, "é«ĺ强度": 115432, "åĹĵåŃIJ": 115433, "é¢Ĩè¡Ķ": 115434, "楼主": 115435, "大èĴľ": 115436, "æŀķ头": 115437, "粮油": 115438, "é»Ħçĵľ": 115439, "æĵĴ": 115440, "å°ıçĭĹ": 115441, "æĶ¹éĿ©å§Ķ": 115442, "åįģåĪĨéĴŁ": 115443, "é²ľèī³": 115444, "åħ³ç¾½": 115445, "çĭĢæħĭ": 115446, "å®ŀçĶ¨æĢ§": 115447, "å°ijè§ģ": 115448, "é£ŀæī¬": 115449, "çĶ°éĩİ": 115450, "æIJĤ": 115451, "è¿Ļ个è¯į": 115452, "åºĶæĢ¥é¢Ħæ¡Ī": 115453, "è§Ĵ度æĿ¥çľĭ": 115454, "æķ¬çķı": 115455, "æ³ķå®Ŀ": 115456, "åĸĦæĦı": 115457, "æīĵæĸŃ": 115458, "对åĨ³": 115459, "çµķå°į": 115460, "åĢŁæѤ": 115461, "å¼ĢæºIJ": 115462, "å°ı說": 115463, "祺": 115464, "å²ģ以ä¸ĭ": 115465, "éĢĢå½¹åĨĽäºº": 115466, "ä¸įä¹ħåīį": 115467, "åĩºåİĤ": 115468, "讽åĪº": 115469, "æĿ¥çľĭçľĭåIJ§": 115470, "éŃĶåħ½": 115471, "çķĻä¸ĭæĿ¥": 115472, "å±ħ室": 115473, "åłħæĮģ": 115474, "çľĭäºĨä¸Ģ": 115475, "çľĭäºĨä¸Ģçľ¼": 115476, "éĽĨåĽ¢æĹĹä¸ĭ": 115477, "æĪĺæĪĺç»ĦåIJĪ": 115478, "è®¤çľŁèIJ½å®ŀ": 115479, "汽车产ä¸ļ": 115480, "çī©çIJĨåѦ": 115481, "æķµ": 115482, "éĴĿ": 115483, "åĽ¢éķ¿": 115484, "ä¸įæĸŃæī©å¤§": 115485, "èĤ©è´Ł": 115486, "åıijå±ķ缮æłĩ": 115487, "è³ĩéĩij": 115488, "åīįç½®": 115489, "ä¸ŃåĽ½åı¤ä»£": 115490, "æŃ»åĪij": 115491, "åħħåĪĨä½ĵçİ°": 115492, "åħ³éŨ": 115493, "ç¾İæĦŁ": 115494, "æīĵåħ¥": 115495, "æĬijéĥģçĹĩ": 115496, "å°ijçĪ·": 115497, "æłijæŀĿ": 115498, "æ¶Īæģ¯ç§°": 115499, "æ´Ľåħĭ": 115500, "åį¯": 115501, "è¿ĪåIJij": 115502, "æݨåĭķ": 115503, "ä»İä¸ļèĢħ": 115504, "åݻ买": 115505, "欢快": 115506, "æĭ¥æĮ¤": 115507, "马桶": 115508, "æĬĬæݧ": 115509, "æĶ¿åħļ": 115510, "å¼łæī¬": 115511, "客æłĪ": 115512, "红æĺŁ": 115513, "éĢģæĿ¥": 115514, "åħ¨åŁŁæĹħ游": 115515, "èĩªç§ģ": 115516, "åįģäºĮæĿ¡": 115517, "åı¹æģ¯": 115518, "ä¸Ģèīĺ": 115519, "ä¿Ŀè´¹": 115520, "æĸ½å·¥çİ°åľº": 115521, "æľī幸": 115522, "ç»ŃèĪª": 115523, "åı¯èĥ½æľĥ": 115524, "èĥĮåıĽ": 115525, "ä½£éĩij": 115526, "ä¸īçŃīå¥ĸ": 115527, "å¾Ī满æĦı": 115528, "游æĪıåī¯æľ¬": 115529, "群éĩĮ": 115530, "æŀĦ件": 115531, "åºıå¹ķ": 115532, "太æ¹ĸ": 115533, "æľ¨è´¨": 115534, "æĻĭæ±Ł": 115535, "çµĤæĸ¼": 115536, "è·³è·ĥ": 115537, "åĢºæĿĥ人": 115538, "çŃī诸å¤ļ": 115539, "æĶ¾åĩº": 115540, "åħ³éĶ®æŶåĪ»": 115541, "æĦŁæŁĵèĢħ": 115542, "é£ŀè¡Įåijĺ": 115543, "èĥĨåĽº": 115544, "èĥĨåĽºéĨĩ": 115545, "æĬ±æŃī": 115546, "åij¨äºĮ": 115547, "æĸ°æĹ¶æľŁ": 115548, "åĨ·éĵ¾çī©æµģ": 115549, "è¿Ļç§įæĸ¹å¼ı": 115550, "该æĿij": 115551, "åĽŀé¦Ī": 115552, "åŁºçĿ£æķĻ": 115553, "人åıĤ": 115554, "æŀ¯çĩ¥": 115555, "æī¹åıijå¸Ĥåľº": 115556, "åħħåĪĨèĤ¯å®ļ": 115557, "å¸ĤæĶ¿åįı": 115558, "äºĭæ¥Ń": 115559, "龸çİĭ": 115560, "çĥŃæIJľ": 115561, "åįģä¹Ŀ大": 115562, "ä¼´æľī": 115563, "ç¾İåĽ½æĢ»ç»Ł": 115564, "åŁİå¸Ĥ管çIJĨ": 115565, "ä¸ĭ令": 115566, "èĥ¸åı£": 115567, "åıªçŁ¥éģĵ": 115568, "åij¨ä¸ī": 115569, "çĶ¨æĪ¶": 115570, "éŃ¯": 115571, "å¿ĥè¡Ģ": 115572, "带头人": 115573, "åĮ»åĬ¡": 115574, "åĮ»åĬ¡äººåijĺ": 115575, "æݧåĪ¶åĻ¨": 115576, "ä½ľåĵģåĨħ容": 115577, "æĪĺåıĭ": 115578, "åİĨå¹´": 115579, "ä¸įåħĭ": 115580, "ä¸įåħĭä¸įåıĬ": 115581, "æĹ¥æŃ£å¼ı": 115582, "è±IJå¯Į": 115583, "ç¨İè´¹": 115584, "æŶæķĪ": 115585, "å±ķä½į": 115586, "è¡¡éĺ³": 115587, "æĪ¿è²¸": 115588, "çĪĨ款": 115589, "ä¹IJæĦı": 115590, "çĶ·ä¸»": 115591, "寬": 115592, "æľĥèŃ°": 115593, "ä¹ĭå¤ľ": 115594, "åIJĮ樣": 115595, "ä¸įè¦ģ太": 115596, "ä¼Ĭæĸ¯": 115597, "ä¼Ĭæĸ¯åħ°": 115598, "åŁºæľ¬åİŁåĪĻ": 115599, "åİ»æİī": 115600, "ä½İä¿Ŀ": 115601, "个交æĺĵ": 115602, "个交æĺĵæĹ¥": 115603, "èģĬèģĬ": 115604, "åĽĽä½į": 115605, "åħļç»ĦæĪIJåijĺ": 115606, "主è¦ģä»İäºĭ": 115607, "å½±éŁ³": 115608, "åĨĴåĩº": 115609, "åij¼åIJ¸éģĵ": 115610, "è¾¾å°Ķ": 115611, "æľ¨åľ°æĿ¿": 115612, "诡å¼Ĥ": 115613, "çģ¯åħ·": 115614, "çģ«çĥ§": 115615, "解èĦ±": 115616, "æĦĪåıij": 115617, "æ¹ĸå·ŀ": 115618, "é£İä¿Ĺ": 115619, "æĸ°å½¢åĬ¿": 115620, "æĸ°å½¢åĬ¿ä¸ĭ": 115621, "è²Ŀ": 115622, "èĦĵ": 115623, "åĬ¨åĬĽçĶµæ±ł": 115624, "é£ŀèĪ¹": 115625, "飧æĢ§": 115626, "åĪ©çī©": 115627, "åĪ©çī©æµ¦": 115628, "ä¸į认è¯Ĩ": 115629, "ç¼ĸç»ĩ": 115630, "ä½ľåĿĬ": 115631, "èģĮä¸ļæĬĢèĥ½": 115632, "çľĭè¦ĭ": 115633, "åĽ´æ£ĭ": 115634, "æĺıè¿·": 115635, "å½Ĵå±ŀäºİ": 115636, "æĤ¬å´ĸ": 115637, "éĨ«çĻĤ": 115638, "å®ĭ代": 115639, "åºĦæĿij": 115640, "èĹķ": 115641, "çĮĽçĦ¶": 115642, "çĩĥæĸĻçĶµæ±ł": 115643, "å®ŀä½ĵåºĹ": 115644, "ä¸į足以": 115645, "æĥħç·": 115646, "æĥħç·Ĵ": 115647, "å»ĬåĿĬ": 115648, "çĶµåı°": 115649, "åºĶåĬĽ": 115650, "ä¸Ńå°ıåѦçĶŁ": 115651, "èĥ¡åIJĮ": 115652, "éī´åĪ«": 115653, "åĨħç½®": 115654, "乱象": 115655, "æ¬ĬçĽĬ": 115656, "å¼ĢæĶ¾å¼ı": 115657, "åįļæĸĩ": 115658, "讲课": 115659, "çŃīåİŁåĽł": 115660, "穷人": 115661, "äº¤æĽ¿": 115662, "æĬ¤çħ§": 115663, "åıijå±ķæľºéģĩ": 115664, "客åķĨ": 115665, "åıįä¹ĭ": 115666, "ç±³é¥Ń": 115667, "并åıij": 115668, "并åıijçĹĩ": 115669, "æ±īåŃIJ": 115670, "æŀľåĽŃ": 115671, "对æĪijæĿ¥è¯´": 115672, "åģıåIJij": 115673, "æī¹ç¤º": 115674, "读åIJİ": 115675, "读åIJİæĦŁ": 115676, "æĺİæĻº": 115677, "åĽ´çĿĢ": 115678, "åıį转": 115679, "æĿ¨å¹Ĥ": 115680, "ä¸ĵåįĸ": 115681, "ä¸ĵåįĸåºĹ": 115682, "åıĹéĻIJ": 115683, "åºŁè¯Ŀ": 115684, "æŀģå°ij": 115685, "åįĪåIJİ": 115686, "è¿Ľä¿®": 115687, "åīĬåĩı": 115688, "æľ¬ç§ijçĶŁ": 115689, "ä¼ĺéĢī": 115690, "åħīçħ§": 115691, "åıĻäºĭ": 115692, "åıĸæļĸ": 115693, "åĮĹè·¯": 115694, "æ¦ķ": 115695, "èİĨçĶ°": 115696, "楼å±Ĥ": 115697, "天èĬ±": 115698, "天èĬ±æĿ¿": 115699, "çĤľ": 115700, "å·²ç»ıæľīäºĨ": 115701, "趾": 115702, "çĶ³åįļ": 115703, "çĶµéĺ»": 115704, "åĬŁè¯¾": 115705, "æŃ¥æŃ¥": 115706, "éĤ£ä¹Ī容æĺĵ": 115707, "æѤæĸĩ": 115708, "ä½°": 115709, "计è¾ĥ": 115710, "çīĩéĿ¢": 115711, "çĶµå½±éĻ¢": 115712, "ä¸įåħ¬å¹³": 115713, "ä¸īæľŁ": 115714, "æĹħ游èµĦæºIJ": 115715, "å¤ļç§įå½¢å¼ı": 115716, "è£Ĥç¼Ŀ": 115717, "åIJİæİĴ": 115718, "硬度": 115719, "åĽŀæļĸ": 115720, "éģĵæķĻ": 115721, "è´«è¡Ģ": 115722, "æ¸ħé¦Ļ": 115723, "伤çĹħ": 115724, "æĦı義": 115725, "çļĦç¼ĺ": 115726, "çļĦç¼ĺæķħ": 115727, "åºĦ严": 115728, "åıªæĺ¯ä¸ºäºĨ": 115729, "æīĵæĬĺ": 115730, "以ä¾Ĩ": 115731, "滿足": 115732, "çİĽä¸½": 115733, "風éļª": 115734, "æĸĩç§ij": 115735, "éħįå¤ĩäºĨ": 115736, "è¿Ľé£Ł": 115737, "涡": 115738, "è·¯ç¨ĭ": 115739, "åı«å£°": 115740, "ä¸Ńå¿ĥåŁİåĮº": 115741, "æľīæīĢä¸įåIJĮ": 115742, "張貼": 115743, "é¢ĦæĬ¥": 115744, "æľīå¤ļä¹Ī": 115745, "è¿Ľè¡Įåħ¨éĿ¢": 115746, "æĽ¾ç¶ĵ": 115747, "ä¸ī代": 115748, "å®ı大": 115749, "æ¸ħæī«": 115750, "éĢīåĩº": 115751, "åĵªä¸Ģ个": 115752, "主義": 115753, "ä¾Ŀæĵļ": 115754, "çļ®éĿ©": 115755, "赶æĿ¥": 115756, "çŃĽæŁ¥": 115757, "æ¨Ł": 115758, "ä¿ĿèįIJ": 115759, "åIJĥæĥĬ": 115760, "æľĭåıĭ们对": 115761, "ä»ĸæĺ¯ä¸Ģ个": 115762, "åºŁæ°Ķ": 115763, "æ»ħ": 115764, "è´¢ç¨İ": 115765, "æĿijæĿijæ°ij": 115766, "èµĦäº§è´ŁåĢº": 115767, "å®īå¨ľ": 115768, "缮åīįåĽ½åĨħ": 115769, "æĦŁè§īèĩªå·±": 115770, "çµIJåIJĪ": 115771, "éĶ¦æłĩ": 115772, "éĶ¦æłĩèµĽ": 115773, "æĽ´æ·±": 115774, "åŁºæķ°": 115775, "éħ¿éħĴ": 115776, "çī¹èī²äº§ä¸ļ": 115777, "åİĭå®ŀ": 115778, "ä¾Ŀæ³ķ追究": 115779, "æ·¡å®ļ": 115780, "ç®ĢçĽ´å°±æĺ¯": 115781, "å£ĵåĬĽ": 115782, "æ°ijå¿ĥ": 115783, "ä¸įåIJĪéĢĤ": 115784, "çĶ±æѤåı¯è§ģ": 115785, "èµŀèªī": 115786, "澤": 115787, "åĩłå¹´åīį": 115788, "åIJīä»ĸ": 115789, "çł´æįŁ": 115790, "è½»è½»åľ°": 115791, "å²Ľå±¿": 115792, "æĦıå¢ĥ": 115793, "ä»Ģä¹Īåı«": 115794, "åģĩè£ħ": 115795, "éĢģè´§": 115796, "å¹ķå¢Ļ": 115797, "妥åįı": 115798, "åĽ½æĹĹ": 115799, "äºĨå¾Īä¹ħ": 115800, "åĪĨ辨çİĩ": 115801, "ç´Ķ": 115802, "éĺ³åĮº": 115803, "åĩŃçĿĢ": 115804, "åģľè½¦ä½į": 115805, "京éĥ½": 115806, "éĶ£": 115807, "æĵ¾": 115808, "è¿ĽéŨ": 115809, "åĪĺæµ·": 115810, "åĽĽçº§": 115811, "女足": 115812, "è¡ĮæĶ¿å®¡æī¹": 115813, "éģ¥æݧ": 115814, "ä¸įéĮ¯": 115815, "å¾Ĺå¾Ī好": 115816, "ä¸ºçĽ®çļĦ": 115817, "ä»įæľª": 115818, "ç²¾è£ħ": 115819, "éĢįéģ¥": 115820, "尽头": 115821, "çºłç¼ł": 115822, "éłĺå°İ": 115823, "æĭħè´Ł": 115824, "æĪĸèĢħåħ¶ä»ĸ": 115825, "åıªä¸įè¿ĩæĺ¯": 115826, "åı®åĺ±": 115827, "åģĩåĨĴ": 115828, "æļĸæ°Ķ": 115829, "çĽIJåŁİ": 115830, "被è§Ĩ为": 115831, "诺è´Ŀå°Ķ": 115832, "ç»ĻäºĨæĪij": 115833, "è¿ijåįĥ": 115834, "éĩįåĽŀ": 115835, "éĨĴäºĨ": 115836, "çĶµè§£": 115837, "忽çķ¥äºĨ": 115838, "èĥĮéĥ¨": 115839, "æĸĩæĺİåŁİå¸Ĥ": 115840, "æºħ": 115841, "è²ĵ": 115842, "æĬµæĮ¡": 115843, "åĸľæ¬¢åIJĥ": 115844, "éĿĻéĿĻåľ°": 115845, "å¾Īæ·±": 115846, "åŁºç¡ĢçŁ¥è¯Ĩ": 115847, "è¿ĩéĶĻ": 115848, "çIJĨç§ij": 115849, "交æµģåIJĪä½ľ": 115850, "èĪĶ": 115851, "èª¿æŁ¥": 115852, "æħĪæĤ²": 115853, "éĴ°": 115854, "èĩ´çĶµ": 115855, "å®£ä¼łæ´»åĬ¨": 115856, "åıĺéĩı": 115857, "çļĦ人æĿ¥è¯´": 115858, "æŶéļĶ": 115859, "ä¸įç®¡ä½ł": 115860, "缸è¿ij": 115861, "è´µéĩijå±ŀ": 115862, "ä¹Łä¸įåı¯èĥ½": 115863, "ç²īæľ«": 115864, "åįĹçĵľ": 115865, "çĻ½é©¬": 115866, "åħīæºIJ": 115867, "éĩijå¥ĸ": 115868, "çĭ¬è§Ĵ": 115869, "çĭ¬è§Ĵåħ½": 115870, "妨ç¢į": 115871, "ç»ĻåĬĽ": 115872, "ä½Ĩä»į": 115873, "å¼łå®¶åı£": 115874, "èIJ¬åħĥ": 115875, "渲æŁĵ": 115876, "éķ¿å¤§äºĨ": 115877, "è®°èĢħäºĨ解": 115878, "æĢĢçĿĢ": 115879, "è¦ģåѦä¼ļ": 115880, "游æĪı代": 115881, "游æĪı代ç»ĥ": 115882, "äºĮçĻ¾": 115883, "æĦıè¯Ĩå½¢æĢģ": 115884, "çݺ": 115885, "计åĪĴçĶŁèĤ²": 115886, "æī¾åĩĨ": 115887, "åħ°èĬ±": 115888, "è¿Ļ座åŁİå¸Ĥ": 115889, "污泥": 115890, "å®ĺæĸ¹å¾®ä¿¡": 115891, "å½Ĵå±ŀ": 115892, "æ°§æ°Ķ": 115893, "éģİç¨ĭä¸Ń": 115894, "åį°è±¡æ·±åĪ»": 115895, "稳妥": 115896, "çµIJæĿŁ": 115897, "åŃķæľŁ": 115898, "çī¹æĿĥ": 115899, "åĿļåĽº": 115900, "顺åĬ¿": 115901, "æŀľèĶ¬": 115902, "éĨ«å¸«": 115903, "åİ®": 115904, "ä¹Łæĺ¯å¦ĤæѤ": 115905, "é¦Ĵ头": 115906, "缸åĬ©": 115907, "干线": 115908, "ä¸Ģæľ¬ä¹¦": 115909, "绥": 115910, "æĮ¯å¥ĭ": 115911, "èĤ¾èĦı": 115912, "åĭķçī©": 115913, "é£ŀè·ĥ": 115914, "èıľåĵģ": 115915, "å¤ļä½Ļ": 115916, "å¤ļä½ĻçļĦ": 115917, "éĢĿä¸ĸ": 115918, "æģĭ人": 115919, "å¼ĢåıijåĪ©çĶ¨": 115920, "顺丰": 115921, "éĩİå¿ĥ": 115922, "æł¡å¤ĸ": 115923, "æģIJé¾Ļ": 115924, "éĿ¢åħ·": 115925, "éķ¿è¾Ī": 115926, "éļıå¤Ħ": 115927, "éļıå¤Ħåı¯è§ģ": 115928, "紧缺": 115929, "éĩįä¸Ń": 115930, "éĩįä¸Ńä¹ĭ": 115931, "éĩįä¸Ńä¹ĭéĩį": 115932, "奥æĸ¯": 115933, "奥æĸ¯åį¡": 115934, "ä¸Ģ个å¤ļ": 115935, "ä¸Ģ个å¤ļæľĪ": 115936, "ä¸įåı¯ç¼ºå°ij": 115937, "æĸ°æł¼å±Ģ": 115938, "æıIJæĮ¯": 115939, "è¡Įè´¿": 115940, "æ¼Ĥæµģ": 115941, "èģĬåŁİ": 115942, "åħ´å»º": 115943, "è´¨æ£Ģ": 115944, "ç§ģæľį游æĪı": 115945, "æĽ´éĩįè¦ģ": 115946, "è´®": 115947, "çħľ": 115948, "转åıĺ为": 115949, "è¿Ļ两年": 115950, "ä¿Ŀé²ľ": 115951, "æī§æķĻ": 115952, "çĥ¨": 115953, "å¼Ģåıij建设": 115954, "è¿IJèIJ¥ç®¡çIJĨ": 115955, "误差": 115956, "京åī§": 115957, "å¸IJåı·": 115958, "å·¥ä½ľä½ľé£İ": 115959, "ä¸ĸä¿Ĺ": 115960, "çĻ½å®«": 115961, "å¤©åĽ½": 115962, "å¤©åĽ½ç»§ç»Ń": 115963, "å·´æĸ¯": 115964, "èIJ¥åĪ©": 115965, "åĵģæł¼": 115966, "æĿijæ°ij们": 115967, "æĪ¿è½¦": 115968, "çŃīçĹĩçĬ¶": 115969, "å¦Ĥå®ŀ": 115970, "宸": 115971, "å±Ĥ级": 115972, "éĶĻè¿ĩäºĨ": 115973, "ç»ĵå®ŀ": 115974, "ç¬ijèĦ¸": 115975, "羣å®ŀæĢ§": 115976, "éĥ½å¸ĤæĬ¥": 115977, "é¥Ńèıľ": 115978, "åºĶ注æĦı": 115979, "æĬ½çĥŁ": 115980, "伪éĢł": 115981, "åīįä¸Ģ天": 115982, "éŃĶé¾Ļ": 115983, "éŃĶé¾Ļ令çīĮ": 115984, "约è°Ī": 115985, "绣çŃ¹æİ¨è¿Ľ": 115986, "让çĶ¨æĪ·": 115987, "åħ¨éĿ¢èIJ½å®ŀ": 115988, "å¼Ħå¾Ĺ": 115989, "è°ĪæģĭçĪ±": 115990, "鸣æĪIJéķ¿": 115991, "鸣æĪIJéķ¿è®°": 115992, "æ´ĭæ´ĭ": 115993, "çĸıæķ£": 115994, "éĿ¢ç§¯çº¦": 115995, "æµĵ缩": 115996, "æĸ¯é¡¿": 115997, "çĶŁæĢģåľĪ": 115998, "æī§å¯¼": 115999, "移éĢģ": 116000, "齿轮": 116001, "æł¹æľ¬å°±ä¸į": 116002, "缩åĩı": 116003, "èµ°ä¸ĭåİ»": 116004, "çĿ«æ¯Ľ": 116005, "ä¹Łä¸įéĶĻ": 116006, "åıįæĺłåĩº": 116007, "èĭ¦æģ¼": 116008, "缸åħ³æĶ¿çŃĸ": 116009, "é«ĺ楼": 116010, "ç²īèī²": 116011, "æĬķèµĦé¢Ŀ": 116012, "ä¸įç»ı": 116013, "ä¸įç»ıæĦı": 116014, "å®ģæĦ¿": 116015, "èĪĮ头": 116016, "æ»ĭçĶŁ": 116017, "å®ģåİ¿": 116018, "åīįåĪĹèħº": 116019, "åĩ³": 116020, "é£Łæ¬²": 116021, "åıĸèĥľ": 116022, "éĻ¢åŃIJ": 116023, "ç´łè´¨æķĻèĤ²": 116024, "滨å·ŀ": 116025, "æĬ¢æĬĵ": 116026, "å¼Ĥåij³": 116027, "åĴļ": 116028, "åĬį": 116029, "宽éĺĶ": 116030, "æļ´æ¶¨": 116031, "æĥłåıĬ": 116032, "è§Ħç¨ĭ": 116033, "ä¾Ľåħ»": 116034, "éĢģå¾Ģ": 116035, "å±±åºĦ": 116036, "举äºļ": 116037, "å±ķé¦Ĩ": 116038, "解éĶģ": 116039, "æĹłè§Ĩ": 116040, "éĻįèIJ½": 116041, "è¿ŀäºij": 116042, "è¿ŀäºij港": 116043, "åıĤè°ĭ": 116044, "çİĸ": 116045, "ç¬ĥ": 116046, "èĢĹè´¹": 116047, "æī¿å¾·": 116048, "社ä¼ļæķĪçĽĬ": 116049, "åįĹæµ·ç½ij": 116050, "åĪĽä¼¤": 116051, "èIJ±": 116052, "åħħæ²Ľ": 116053, "ç½ijç«Ļ建设": 116054, "大åºĨ": 116055, "åĨįéĢł": 116056, "åŃĹæł·": 116057, "åħ¨æ°ijåģ¥èº«": 116058, "èĮ«èĮ«": 116059, "æµ®åĬ¨": 116060, "åīįåı°": 116061, "å¢ŀ设": 116062, "éĢĽè¡Ĺ": 116063, "åĢĴéĹŃ": 116064, "æ³ķå¾ĭ顾éĹ®": 116065, "çĸ®": 116066, "çĹħçĹĩ": 116067, "空åīį": 116068, "请æķĻ": 116069, "èĥľä»»": 116070, "æĿĢèıĮ": 116071, "æĪĺæĸĹæľº": 116072, "ç»ĺåĪ¶": 116073, "å¤Ħæĸ¹": 116074, "çªģåĽ´": 116075, "çĮ«åĴª": 116076, "æĬ¥åijĬæĺ¾ç¤º": 116077, "ç¿Ł": 116078, "çķ¶åľ°": 116079, "æľĢéļ¾": 116080, "纪å§Ķ书记": 116081, "ä½İåİĭ": 116082, "èĻļ空": 116083, "è¿Ļéĥ¨çĶµå½±": 116084, "产ä¸ļåįĩ级": 116085, "è°·çĪ±": 116086, "è°·çĪ±åĩĮ": 116087, "æĬ¼éĩij": 116088, "女æĸ¹": 116089, "éĴ»çłĶ": 116090, "æļĹæļĹ": 116091, "è¿·ä½ł": 116092, "æīĢè¬Ĥ": 116093, "å¨ģå»ī": 116094, "å¼ĢæľĹ": 116095, "å²Ķ": 116096, "çģ«çĤ¬": 116097, "åIJĪçIJĨæĢ§": 116098, "åħ¬åĬŀ": 116099, "ä¼ļä¼ļéķ¿": 116100, "éĺ´è°ĭ": 116101, "å¼Ģå±Ģ": 116102, "æĻ®éĢļè¯Ŀ": 116103, "åį¡æĭī": 116104, "å°ijåIJĥ": 116105, "éĹªèĢĢ": 116106, "æŀľæ±ģ": 116107, "æī§è¡ĮåĬĽ": 116108, "è°Ľ": 116109, "æĬ¢åĬ«": 116110, "é«ĺéĢŁåıijå±ķ": 116111, "飬": 116112, "åįĹæ²Ļ": 116113, "é«ĺçŃīåŃ¦æł¡": 116114, "æį¢ä¸ª": 116115, "åı¯èĥ½åŃĺåľ¨": 116116, "æĬĴ": 116117, "è°±åĨĻ": 116118, "被æĬĵ": 116119, "æĿ¯åŃIJ": 116120, "èĬĤèĥ½åĩıæİĴ": 116121, "æ°ĶåĢĻåıĺåĮĸ": 116122, "åĪĨåĪ¥": 116123, "ä¸Ńæŀ¢": 116124, "欢åij¼": 116125, "åħī纤": 116126, "è¿Ļ群": 116127, "çľ¼çķĮ": 116128, "åħ±åIJĮåıijå±ķ": 116129, "çİ°ä»Ĭ": 116130, "éĹ»è¨Ģ": 116131, "çī¹èī²å°ıéķĩ": 116132, "æķij人": 116133, "éĻįæ°´": 116134, "ä¸ĸçķĮä¸Ģæµģ": 116135, "å°±é¤IJ": 116136, "çŀ¥": 116137, "å¤įä»ĩ": 116138, "ç¾½æ¯Ľ": 116139, "ç¾½æ¯ĽçIJĥ": 116140, "è´©åįĸ": 116141, "æºIJæ³ī": 116142, "æĢ»ä½ĵè§ĦåĪĴ": 116143, "åĬ¨æĦŁ": 116144, "ä¸Ģ审": 116145, "åĢŁéĴ±": 116146, "è§ģæķĪ": 116147, "èĬ±èįī": 116148, "åIJĮä¸ļ": 116149, "æŁ¥è©¢": 116150, "åĽ½éĻħåIJĪä½ľ": 116151, "ä¾ĽåĽ¾": 116152, "åģ´": 116153, "æłĵ": 116154, "缸éĢļ": 116155, "è°ĪåıĬ": 116156, "è¿ĩç¨ĭå½ĵä¸Ń": 116157, "é¦Ļèıĩ": 116158, "åįģåĽĽæĿ¡": 116159, "ä¸Ģå¼Ģå§ĭå°±": 116160, "ä¸ĵåijĺ": 116161, "æĺİ顯": 116162, "æīĵéĢłåĩº": 116163, "ä¸ĭéĿ¢æĪij们": 116164, "æľºæ²¹": 116165, "åı°è¯į": 116166, "åŃIJå¼Ł": 116167, "æľĢ常è§ģçļĦ": 116168, "æĪijè®°å¾Ĺ": 116169, "ç»°": 116170, "æĤ¬æµ®": 116171, "è¿ĺ羣æĺ¯": 116172, "æĮĤåı·": 116173, "åıĭåĸĦ": 116174, "éĩį伤": 116175, "çħ§äº®": 116176, "æѦèѦ": 116177, "åĩºçİ°éĹ®é¢ĺ": 116178, "è¸Ĭè·ĥ": 116179, "åľ°çIJĥä¸Ĭ": 116180, "å¸Ĥ人大": 116181, "åıĹ害人": 116182, "å²IJ": 116183, "åIJĮåѸ": 116184, "éĩijèŀįå¸Ĥåľº": 116185, "æľīçļĦçݩ家": 116186, "å¸ĤæķĻèĤ²": 116187, "å¸ĤæķĻèĤ²å±Ģ": 116188, "åIJĦå¼Ĥ": 116189, "ç·ļä¸Ĭ": 116190, "æģº": 116191, "æľī大éĩıçļĦ": 116192, "åķĨæĬ¥": 116193, "åįķåįķ": 116194, "åħ¨é¢Ŀ": 116195, "ä¾Ŀæŧæĺ¯": 116196, "好åĩłä¸ª": 116197, "åĸµ": 116198, "éĩįæķ´": 116199, "çĶŁæ´»è´¨éĩı": 116200, "æݢ访": 116201, "åį°èĬ±": 116202, "缼è¡Į": 116203, "å¾®è§Ĥ": 116204, "èĪįå¾Ĺ": 116205, "åºŁå¼ĥçī©": 116206, "积èĵĦ": 116207, "å®ļå±ħ": 116208, "æĤ¼": 116209, "èĮ¸": 116210, "çļĦ帮åĬ©": 116211, "çļĦ帮åĬ©ä¸ĭ": 116212, "亿åIJ¨": 116213, "åŃĶéĽĢ": 116214, "è¿ĻæĿ¡è·¯": 116215, "饵": 116216, "æĦĪåĬł": 116217, "éķį": 116218, "ä½ľæ¡Ī": 116219, "èįĶæŀĿ": 116220, "太å°ij": 116221, "跻身": 116222, "åħ¬çĽĬæ´»åĬ¨": 116223, "çĻ½æĸij": 116224, "æĬĢæľ¯æ°´å¹³": 116225, "帧": 116226, "æĹłçŁ¥": 116227, "åºĶ该æĢİä¹Ī": 116228, "éĢĢå¸Ĥ": 116229, "æ¸Ń": 116230, "åħ»çĮª": 116231, "驼": 116232, "ç¾¤å²Ľ": 116233, "大åį«": 116234, "ä¹ĺçĶ¨è½¦": 116235, "èı²å°Ķ": 116236, "è´´åIJ§": 116237, "åģľä¸ĭæĿ¥": 116238, "æľīæľºç»ĵåIJĪ": 116239, "åĪ»èĭ¦": 116240, "çļĦåľ°": 116241, "çļĦåľ°æŃ¥": 116242, "è¯ĬæīĢ": 116243, "å¼ĢæĪĺ": 116244, "èĢģçīĮ": 116245, "çŃ¹çłģ": 116246, "åħ«å¤§ä»¥æĿ¥": 116247, "楼æĪ¿": 116248, "åŃĻæĤŁ": 116249, "åŃĻæĤŁç©º": 116250, "åħĴåŃIJ": 116251, "第ä¸ĢæĿ¡": 116252, "社交åªĴä½ĵ": 116253, "æĥ³èµ·æĿ¥": 116254, "大æ´ĭ": 116255, "æĭ¼éŁ³": 116256, "è¿Ľåįļä¼ļ": 116257, "è¿ĩåħ³": 116258, "æ²¼": 116259, "ç©¿æIJŃ": 116260, "éĤ£ä¸Ģ天": 116261, "çł´éŨ": 116262, "æĬķæłĩ人": 116263, "赢家": 116264, "èĻļå¼±": 116265, "æ¿ĥ": 116266, "å®īæ£Ģ": 116267, "客家": 116268, "çĭ¬ç«ĭèij£äºĭ": 116269, "æīĭåĬ¿": 116270, "åīµéĢł": 116271, "åľĨ满å®ĮæĪIJ": 116272, "为主线": 116273, "好å¥ĩå¿ĥ": 116274, "é¢ĨåľŁ": 116275, "çªĸ": 116276, "åħ¸åŀĭæ¡Īä¾ĭ": 116277, "çªģåıijäºĭ件": 116278, "åºķæ°Ķ": 116279, "头æĻķ": 116280, "å®Ľå¦Ĥ": 116281, "觸": 116282, "æ¸ħæ·¡": 116283, "åļ¼": 116284, "åģľçĶµ": 116285, "ç²īå°ĺ": 116286, "éĻįä½İæĪIJæľ¬": 116287, "æĶ¾æīĭ": 116288, "è®°èĢħ表示": 116289, "æĭĸ延": 116290, "éªĩ": 116291, "æ®ĭå¿į": 116292, "çľģæķĻèĤ²": 116293, "çľģæķĻèĤ²åİħ": 116294, "é«ĺé¢Ŀ": 116295, "éĦĻ": 116296, "æ¥ŀ": 116297, "åĨħç§ij": 116298, "èIJ¥ä¸ļé¢Ŀ": 116299, "åŁºçŁ³": 116300, "æµģæ·Į": 116301, "主æŨ": 116302, "éĺIJéĩĬ": 116303, "建åįİ": 116304, "æĥĬåı¹": 116305, "çī¢åĽºæłijç«ĭ": 116306, "æĺ¯åIJ¦åŃĺåľ¨": 116307, "建åĨĽ": 116308, "éĽ¾éľ¾": 116309, "åħ¬è®¤": 116310, "åħ¬è®¤çļĦ": 116311, "æ°¨åŁº": 116312, "æ°¨åŁºéħ¸": 116313, "åīįåĩłå¹´": 116314, "åĪ¹éĤ£": 116315, "æ±Łä¸ľ": 116316, "å·¥æ¥Ń": 116317, "ä¸ĢçĤ¹ä¹Łä¸į": 116318, "修士": 116319, "äºĨä¸Ģéģį": 116320, "åĪģ": 116321, "æ»ļæ»ļ": 116322, "åĪĨæł¡": 116323, "羣çĪ±": 116324, "è¡ĢèĦī": 116325, "æĢ¥åī§": 116326, "ä¸Ģ群人": 116327, "羯": 116328, "æĪIJé¾Ļ": 116329, "ç²¾ç¥ŀçĹħ": 116330, "缸åħ³äººåijĺ": 116331, "éĿĵ丽": 116332, "ä¸īåŃ£åº¦": 116333, "åĪĴå®ļ": 116334, "ä¸ĸçķĮ第ä¸Ģ": 116335, "éĢļä¿Ĺ": 116336, "åķĨä¸ļåľ°äº§": 116337, "åĬŁèĥ½æĢ§": 116338, "èµĦæľ¬ä¸»ä¹ī": 116339, "详è§ģ": 116340, "æĬĵæįķ": 116341, "æĸĩæĺĮ": 116342, "å®Ŀå®ī": 116343, "è£ħéħįå¼ı": 116344, "æºIJæºIJ": 116345, "æºIJæºIJä¸įæĸŃ": 116346, "çĶŁæĢķ": 116347, "纵åIJij": 116348, "壽": 116349, "çľ¼è¢ĭ": 116350, "èĤīä½ĵ": 116351, "åı¤ä»Ĭ": 116352, "èŀįåªĴä½ĵ": 116353, "åģī": 116354, "æł¼æľĥåĵ¡": 116355, "çĥ·": 116356, "åĬŁçĶ¨": 116357, "æīŃ磩": 116358, "绿èī²éĢļéģĵ": 116359, "åī§ç»Ħ": 116360, "å¼±åĬ¿": 116361, "è´¨éĩıéĹ®é¢ĺ": 116362, "éĻIJé¢Ŀ": 116363, "éªĨ": 116364, "éģµä¹ī": 116365, "å¯Ŀ室": 116366, "æĥ³å¿µ": 116367, "åł±åijĬ": 116368, "ä»ħ次": 116369, "ä»ħ次äºİ": 116370, "èŀįåĪĽ": 116371, "æĭĽèģĺä¼ļ": 116372, "åºĬåŀ«": 116373, "转åŀĭåıijå±ķ": 116374, "ä¸ŃåĽ½çĶµä¿¡": 116375, "åIJ¬è¯Ŀ": 116376, "è«ĭæ±Ĥ": 116377, "大éĥ¨åĪĨ人": 116378, "æ´»å¾Ĺ": 116379, "åĵŃæ³£": 116380, "è¶Ļ": 116381, "åıijçĹħçİĩ": 116382, "ä¸į符": 116383, "åĨĽå®ĺ": 116384, "é¢Īæ¤İ": 116385, "æĸ°åĨłçĸ«æĥħ": 116386, "æŁ¬åŁĶ": 116387, "æŁ¬åŁĶ寨": 116388, "ä»»ä½ķå½¢å¼ı": 116389, "人éĻħ": 116390, "人éĻħåħ³ç³»": 116391, "æĢ»æī¿åĮħ": 116392, "å¹³åĿĩæ¯ı": 116393, "æģŃåĸľ": 116394, "åĦĺ": 116395, "åħµé©¬": 116396, "è¿ŁåĪ°": 116397, "工伤": 116398, "çīĪæĿĥå½Ĵ": 116399, "çīĪæĿĥå½ĴåİŁ": 116400, "æĭ¥æĬ¤": 116401, "ç³Ĭæ¶Ĥ": 116402, "å¹²æ¶ī": 116403, "å°ijä¸įäºĨ": 116404, "æĥ³æī¾": 116405, "è´¹çİĩ": 116406, "该éĻ¢": 116407, "èŀįåĮĸ": 116408, "è¿İåIJĪ": 116409, "è§ĨåIJ¬èĬĤ缮": 116410, "æł¼ç¶²ç«Ļ": 116411, "çľīæ¯Ľ": 116412, "欢è¿İ大家": 116413, "家åºŃæķĻèĤ²": 116414, "ä¾µèļĢ": 116415, "ç»Ļä½łä»¬": 116416, "è¡Ģ液循çݯ": 116417, "å¯Ħæīĺ": 116418, "å°ĸåı«": 116419, "以ä¸ĭåĩłä¸ª": 116420, "è¿ĺ以为": 116421, "åħ¶ä»ĸçݩ家": 116422, "ç¬ijç¬ij": 116423, "æīĵåIJ¬": 116424, "èĩªçĦ¶ç§ijåѦ": 116425, "åŁºç«Ļ": 116426, "ä¹Ŀå·ŀ": 116427, "ä¿Ŀ驾": 116428, "ä¿Ŀ驾æĬ¤": 116429, "ä¿Ŀ驾æĬ¤èĪª": 116430, "æĶ¾çľ¼": 116431, "çŁ¥åIJįä¼ģä¸ļ": 116432, "縮": 116433, "稽": 116434, "æļĩ": 116435, "使çĶ¨ç¶²è·¯": 116436, "é¢ĦçķĻ": 116437, "大象": 116438, "åıijæĺİä¸ĵåĪ©": 116439, "æĸĩ娱": 116440, "éĢłç¦ı": 116441, "湿润": 116442, "éĿ¢æĿ¡": 116443, "æ¶Īè´¹åįĩ级": 116444, "è®Ĭå¾Ĺ": 116445, "åĩłåIJį": 116446, "ä»Ħ": 116447, "认æ¸ħ": 116448, "è¿ľæĻ¯": 116449, "æıĴ座": 116450, "诸侯": 116451, "åıĺæĢģ": 116452, "ç¦ı彩": 116453, "è´§æŀ¶": 116454, "失æݧ": 116455, "移åĬ¨ç«¯": 116456, "ä¸Ĭåı¸": 116457, "éĢłçº¸": 116458, "å¸ĥæľĹ": 116459, "çĴĩ": 116460, "åı°åįĹ": 116461, "åĮĹ京åĨ¬å¥¥": 116462, "èĵĿçīĻ": 116463, "éķ¿çŁŃ": 116464, "æĬĺå°Ħ": 116465, "ç»ijæŀ¶": 116466, "å¯Ĵåģĩ": 116467, "è½¬åŁºåĽł": 116468, "æĢ¥äºİ": 116469, "æŃ£åĵģ": 116470, "åħħ滿": 116471, "大纲": 116472, "æĬĹä½ĵ": 116473, "è¨ĵç·´": 116474, "æĶ¶ç´§": 116475, "æ¯Ķè³½": 116476, "åħµåĬĽ": 116477, "æľ¬æĽ¸": 116478, "äºĮ代": 116479, "æĢ¥è¯Ĭ": 116480, "æĸĩæ¡Ī": 116481, "ç»ıåķĨ": 116482, "æĻ¨æĬ¥": 116483, "æ£ĺ": 116484, "æĢ»ä¹¦è®°åľ¨": 116485, "åıĹéĤĢ": 116486, "äºĶåĽĽ": 116487, "å²ŃåįĹ": 116488, "çĪ±åIJĥ": 116489, "åŁĥå°Ķ": 116490, "å¿ĥå¢ĥ": 116491, "è¦ĨçĽĸéĿ¢": 116492, "å®ŀåľ¨æĺ¯å¤ª": 116493, "æł¹åºķ": 116494, "纷纷表示": 116495, "åĹħ": 116496, "éļıçĿĢæŶéĹ´": 116497, "åİĨåı²æĤłä¹ħ": 116498, "éħī": 116499, "æĢ»éĺŁ": 116500, "主é¢ĺæ´»åĬ¨": 116501, "éĹ®åį·": 116502, "é©¿ç«Ļ": 116503, "æı¡ä½ı": 116504, "åı¯èĥ½å¯¼èĩ´": 116505, "æ°ijéĸĵ": 116506, "éĸĭåķŁ": 116507, "ä½Ĩä¸įéĻIJ": 116508, "ä½Ĩä¸įéĻIJäºİ": 116509, "åįģéĩĮ": 116510, "娥": 116511, "æįŁèĢĹ": 116512, "çĸı导": 116513, "çݯ氧": 116514, "ç¥ŀéĢļ": 116515, "çĪ±å°Ķ": 116516, "çĪ±å°Ķåħ°": 116517, "æľ´å®ŀ": 116518, "å¿«æĬ¥": 116519, "æĶ¶åıĹ": 116520, "æĪĸ許": 116521, "èĥĮéĿ¢": 116522, "æĸĩåĮĸä¼łåªĴ": 116523, "ä¸īåĢĭ": 116524, "æĶ»åĬ¿": 116525, "å®ī举": 116526, "å®īä¸ľå°¼": 116527, "åĿĩå·²": 116528, "顾èĻij": 116529, "éĦŃ": 116530, "è¿Ļ家åħ¬åı¸": 116531, "åħ¬åijĬ称": 116532, "æıIJä¾Ľä¼ĺè´¨": 116533, "稳æŃ¥æİ¨è¿Ľ": 116534, "å¤įè¯ķ": 116535, "å°Ĩé¢Ĩ": 116536, "è°Īèµ·": 116537, "å¨Ħ": 116538, "è¿ŀ线": 116539, "æ©ŁéĹľ": 116540, "åºĶçĶ¨åľºæĻ¯": 116541, "çĶ»åĥı": 116542, "è´¢è¿IJ": 116543, "ä¿Ŀéļª": 116544, "çĹħçIJĨ": 116545, "æ¯Ľä¸»å¸Ń": 116546, "ä¸Ŀ毫ä¸į": 116547, "çĪ±å¥ĩ": 116548, "çĪ±å¥ĩèīº": 116549, "ä¸ĵ家ç»Ħ": 116550, "åij¼åĶ¤": 116551, "éĭ¼": 116552, "çģ¸": 116553, "é¢ĨåħĪåľ°ä½į": 116554, "æıIJæĭĶ": 116555, "龸éģĵ": 116556, "å±±åĿ¡": 116557, "èĿİ": 116558, "沸èħ¾": 116559, "该项": 116560, "ä»ĬçĶŁ": 116561, "ä¸Ģç¯ĩæĸĩç«ł": 116562, "æĸ¹å¼ıè¿Ľè¡Į": 116563, "é»ij客": 116564, "æĶ¹åĬ¨": 116565, "主é¡Į": 116566, "æķ£å¸ĥ": 116567, "ä»Ģä¹Īåľ°æĸ¹": 116568, "åĮĸåIJĪ": 116569, "åĮĸåIJĪçī©": 116570, "éĿĻçĶµ": 116571, "æĢ»æĶ¶åħ¥": 116572, "å§Ķç»Ħç»ĩ": 116573, "å§Ķç»Ħç»ĩéĥ¨": 116574, "éĿĻæĢģ": 116575, "èĢģåŃĹåı·": 116576, "室åıĭ": 116577, "éĥ½ä¸įæķ¢": 116578, "æŀ¶åŃIJ": 116579, "çģµæķı": 116580, "审è§Ĩ": 116581, "æĤ£åĦ¿": 116582, "山寨": 116583, "èĸªèµĦ": 116584, "é©°æı´": 116585, "éĥ¨åĪĨåĨħ容": 116586, "好似": 116587, "æĪIJåijĺåĽ½": 116588, "åľ¨æĪijçľĭæĿ¥": 116589, "åħ³æ³¨åº¦": 116590, "éĻĪæŁIJ": 116591, "è¿Ļç§įäºĭæĥħ": 116592, "éĢīå®ļ": 116593, "ç²¾åŃIJ": 116594, "å£ģçĶ»": 116595, "æ±Łæ·®": 116596, "é«ĺæĺĤ": 116597, "æł¼åĬĽ": 116598, "輩": 116599, "åѦåłĤ": 116600, "æĤ¨åIJĮæĦı": 116601, "ä¸ĢåĪĩéĥ½æĺ¯": 116602, "潤": 116603, "éĸĥ": 116604, "å¸ĮæľĽèĩªå·±": 116605, "ä¿ĺ": 116606, "æ±Łåİ¿": 116607, "æ³¾": 116608, "ç§ijæķĻ": 116609, "æīĵè¿Ľ": 116610, "ä¸įæħİ": 116611, "å¯ĴåĨ¬": 116612, "æ¸Ķæ°ij": 116613, "鼷æĸ¯": 116614, "主宰": 116615, "æĹħ游度åģĩ": 116616, "çĶµåŃIJéĤ®ä»¶": 116617, "æ±Ĥå©ļ": 116618, "éļİ段": 116619, "åģ¥èº«æĪ¿": 116620, "注æĺİåĩºå¤Ħ": 116621, "äºĭæķħåıijçĶŁ": 116622, "级以ä¸Ĭ": 116623, "åŃĺæ´»": 116624, "æĸ½èĤ¥": 116625, "èľľèľĤ": 116626, "嵩": 116627, "æĮĸæİĺæľº": 116628, "æĬĹæĭĴ": 116629, "ä¼łå¯¼": 116630, "æĺ¯ä»Ģä¹Īåij¢": 116631, "ä¸Ĭå¹´åIJĮæľŁ": 116632, "建åħļ": 116633, "çĶŁæħĭ": 116634, "ä¿Ŀä½ı": 116635, "款车åŀĭ": 116636, "人èĦī": 116637, "éļIJèĶ½": 116638, "失æķĪ": 116639, "éģ¿åŃķ": 116640, "ç®Ģ便": 116641, "è°¢è°¢ä½ł": 116642, "å®Īä½ı": 116643, "æĶ¾æĺł": 116644, "è¨Īçķ«": 116645, "çݰ代çī©æµģ": 116646, "é¤IJ廳": 116647, "æķħå±ħ": 116648, "大大å°ı": 116649, "大大å°ıå°ı": 116650, "çī¹åĪ«å£°æĺİ": 116651, "éģįåıĬ": 116652, "å¿ĥçIJĨåĴ¨è¯¢": 116653, "è³´": 116654, "çĮ®è¡Ģ": 116655, "å·²ç»ıè¾¾åĪ°": 116656, "æīĵæĭĽåij¼": 116657, "åıĮè¾¹": 116658, "ä¸Ģæĸ¹éĿ¢æĺ¯": 116659, "å´ĩå°ļ": 116660, "éĺ¿å¯Į": 116661, "éĺ¿å¯Įæ±Ĺ": 116662, "æĮģæľī人": 116663, "è±ģ": 116664, "é£İçŃĿ": 116665, "åĬ¨èį¡": 116666, "äºĨä¸Ģä¼ļ": 116667, "äºĨä¸Ģä¼ļåĦ¿": 116668, "ä¸ĩ象": 116669, "çľĭçĶµè§Ĩ": 116670, "åįģä¸īæĿ¡": 116671, "çĮĽçĥĪ": 116672, "è¦ģä¸įçĦ¶": 116673, "太æŀģæĭ³": 116674, "å¼ķçĪĨ": 116675, "ç»ıè¿ĩå¤ļå¹´": 116676, "游æĪıéĩĮçļĦ": 116677, "é¾Ļæ³ī": 116678, "æłĩéħį": 116679, "è®ĵä»ĸåĢij": 116680, "éĢłæŀĹ": 116681, "åĮºåŁŁæĢ§": 116682, "亿ä¸ĩ": 116683, "æĪĺçķ¥å¸ĥå±Ģ": 116684, "éķĩæĶ¿åºľ": 116685, "åĶ®ç¥¨": 116686, "çĶŁäº§å·¥èīº": 116687, "éķĩåħļå§Ķ": 116688, "ä¸Ńå°ıåŀĭ": 116689, "æľ¨èĢ³": 116690, "河边": 116691, "èĦ¾èĥĥ": 116692, "欢è¿İæĤ¨": 116693, "åıĺå¼Ĥ": 116694, "缤纷": 116695, "åŀĥåľ¾æ¡¶": 116696, "辩è¯ģ": 116697, "车åºĵ": 116698, "æ¯Ķçİĩ": 116699, "åħ´æĹº": 116700, "详ç»ĨäºĨ解": 116701, "å®īå±ħ": 116702, "çħ§æĸĻ": 116703, "æĸ¹æīį": 116704, "赦": 116705, "åĨķ": 116706, "å¥Ķèµ´": 116707, "å®Ŀ鸡": 116708, "åľºåĿĩ": 116709, "缮åīįæŃ£åľ¨": 116710, "åIJŀåĻ¬": 116711, "è¿°èģĮ": 116712, "æĩµ": 116713, "å¥ĩçijŀ": 116714, "ä»įå°Ĩ": 116715, "èĪī辦": 116716, "å·¥åķĨå±Ģ": 116717, "å¡ijèĥ¶": 116718, "åĬŀå®ŀäºĭ": 116719, "æĸ¹æĸ¹éĿ¢": 116720, "æĸ¹æĸ¹éĿ¢éĿ¢": 116721, "æĸĩåĮĸèĬĤ": 116722, "åħ¥èģĮ": 116723, "鸥": 116724, "ç©¿éĢı": 116725, "ä»¥ä¹łè¿ijå¹³": 116726, "åį±éļª": 116727, "æľ¦èĥ§": 116728, "åİĨåı²æĢ§": 116729, "æķŀå¼Ģ": 116730, "ä¼Ļä¼´åħ³ç³»": 116731, "çŁ¿åĮº": 116732, "åĽ½éĻħåľ¨çº¿": 116733, "ä¼łå¥ĩéĩĮéĿ¢": 116734, "è¿ijäºĽ": 116735, "è¿ijäºĽå¹´": 116736, "åĬ£åĬ¿": 116737, "æĶ»åĩ»åĬĽ": 116738, "æĻºéĢł": 116739, "禧": 116740, "çİĭåħĪçĶŁ": 116741, "éĨ«çĶŁ": 116742, "åĽĽé¡¹": 116743, "å®ŀæĻ¯": 116744, "åĪĿåĪĽ": 116745, "å¿ĥ裡": 116746, "æĻ¶ä½ĵ": 116747, "交éĻħ": 116748, "让æ¶Īè´¹èĢħ": 116749, "课æĸĩ": 116750, "æİĴæ°Ķ": 116751, "并ä¸įæĦıåij³": 116752, "çĽ¸å£°": 116753, "第ä¸Ģå±Ĭ": 116754, "åİŁèijĹ": 116755, "鼾": 116756, "没æľī太大": 116757, "补水": 116758, "çī©æµģä¼ģä¸ļ": 116759, "第äºĮæī¹": 116760, "åħ¶å®ĥéĹ®é¢ĺ": 116761, "æİĮéŨ": 116762, "责任å¿ĥ": 116763, "é¤IJåħ·": 116764, "ç¾Ĭæ¯Ľ": 116765, "没æľīå¿ħè¦ģ": 116766, "ä¹IJåĽ¢": 116767, "è¿ĽåŁİ": 116768, "ä¸ĢçĤ¹åĦ¿": 116769, "身形": 116770, "çļ®èĤ¤çĹħ": 116771, "æĺ±": 116772, "å¢ŀèĩ³": 116773, "èģ²æĺİ": 116774, "æıIJè´¨": 116775, "ä½ĵèĤ²åľº": 116776, "çŃ¹å»º": 116777, "é¬Ĩ": 116778, "车çīĮ": 116779, "éļĶéŁ³": 116780, "è´Łè´£åIJĮå¿Ĺ": 116781, "丰ç¡ķ": 116782, "ä½ĽéĻĢ": 116783, "äºīåIJµ": 116784, "庶": 116785, "æ·¡æ°´": 116786, "å°ıçĶ·åŃ©": 116787, "ç§ģèĩª": 116788, "åĮĸè¿Ľç¨ĭ": 116789, "æĪĺ士æĿ¥è¯´": 116790, "æ²¹èħ»": 116791, "èĦ±è´«èĩ´å¯Į": 116792, "æĹ¥å¸¸å·¥ä½ľ": 116793, "交èŀį": 116794, "åĨľè´¸": 116795, "åĨľè´¸å¸Ĥåľº": 116796, "åĵĪçĻ»": 116797, "çĶµè´¹": 116798, "èµĺ": 116799, "åıĮèħ¿": 116800, "æĵĶå¿ĥ": 116801, "æĿ¥å½¢å®¹": 116802, "使åij½æĦŁ": 116803, "éĤ£ä¹Īç®Ģåįķ": 116804, "èĬĻèĵī": 116805, "åĢŁæ¬¾äºº": 116806, "ç§Ģ丽": 116807, "è®ĵä»ĸ": 116808, "严åİīæīĵåĩ»": 116809, "è³ŀ": 116810, "æļ«": 116811, "çħ¤æ°Ķ": 116812, "çĪ¬ä¸Ĭ": 116813, "æ½ĩæ´Ĵ": 116814, "太ä¹ħ": 116815, "åij½åIJį为": 116816, "è·¯çĶ±": 116817, "è·¯çĶ±åĻ¨": 116818, "驯": 116819, "æıIJæĹ©": 116820, "æĬĹåĩ»çĸ«æĥħ": 116821, "åĩĽ": 116822, "交åıĭ": 116823, "éĶĢåĶ®æ¸łéģĵ": 116824, "毫ä¸įçĬ¹è±«": 116825, "èIJ¥åľ°": 116826, "çłĶ究表æĺİ": 116827, "鱼类": 116828, "æį¢å±Ĭ": 116829, "æİ¡åıĸ": 116830, "çīĨ": 116831, "缼å¼Ģ": 116832, "沧æ¡ij": 116833, "åºŃ审": 116834, "ç»ıæŁ¥": 116835, "åĬłå¼·": 116836, "缸æ¯Ķäºİ": 116837, "ä¸ĵçıŃ": 116838, "ä½ĵåŀĭ": 116839, "被害": 116840, "被害人": 116841, "æĶ¶æ¬¾": 116842, "åħ·æľīèī¯å¥½": 116843, "é«ĺå³°æľŁ": 116844, "åģıä½İ": 116845, "åĦŁ": 116846, "åĨľä¸ļç§ijæĬĢ": 116847, "çī¹æ®ĬæĥħåĨµ": 116848, "å¦Ĥæŀľçݩ家": 116849, "éķ¿çº¦": 116850, "第åħŃå±Ĭ": 116851, "åħ¬å¼ĢæĭĽèģĺ": 116852, "åĪĩæĸŃ": 116853, "迫使": 116854, "çĸĹç¨ĭ": 116855, "第äºĮç§į": 116856, "ä¸įåħį": 116857, "å¹²èѦ": 116858, "çŁ³æ¦´": 116859, "åĹ£": 116860, "两类": 116861, "çĪµå£«": 116862, "åŁİ乡å±ħæ°ij": 116863, "æŃ¤é¡¹": 116864, "缴è¾ĸ": 116865, "缴è¾ĸå¸Ĥ": 116866, "åij¼åºĶ": 116867, "éĴ¯": 116868, "ç¦ıå¾·": 116869, "æľºèº«": 116870, "æĵįåľº": 116871, "æ¿Ĵ临": 116872, "人群ä¸Ń": 116873, "èĤ¡æ°ij": 116874, "åŃ½": 116875, "æ³ķåħ°": 116876, "é¨İ": 116877, "糯米": 116878, "æĢ»çļĦ": 116879, "æĢ»çļĦæĿ¥è¯´": 116880, "åħ¸éĽħ": 116881, "æĸ°éĻĪ": 116882, "æĸ°éĻĪ代谢": 116883, "缮çĿ¹": 116884, "é¢Ħè¨Ģ": 116885, "è·Įçł´": 116886, "æĸ°ç¯ĩç«ł": 116887, "æ¯ĴæĢ§": 116888, "åĸĿèĮ¶": 116889, "æŁ¥èİ·": 116890, "亮丽": 116891, "çĶŁäº§åķĨ": 116892, "æĶ¹æĪIJ": 116893, "为äºĨæĽ´å¥½": 116894, "深交": 116895, "深交æīĢ": 116896, "æİĥ": 116897, "ä¹ĻèĤĿ": 116898, "泸å·ŀ": 116899, "åħĪè¿ĽæĬĢæľ¯": 116900, "è¾ĵç»Ļ": 116901, "æķ£æĪ·": 116902, "æĢĿç»´æĸ¹å¼ı": 116903, "åºĹ主": 116904, "è°ĭæ±Ĥ": 116905, "游æĪıæĬĢå·§": 116906, "ä¸Ģ年级": 116907, "çľ¼è§Ĵ": 116908, "ä¸Ńä»ĭæľºæŀĦ": 116909, "å·§åIJĪ": 116910, "éĺ²çĽĹ": 116911, "导è´Ń": 116912, "æĪĬ": 116913, "æĽ´éĢĤåIJĪ": 116914, "åŁºæľ¬ä¿¡æģ¯": 116915, "马ä¸ģ": 116916, "åħ»æ®ĸåľº": 116917, "åıįè¿ĩæĿ¥": 116918, "æݨå´ĩ": 116919, "å¯ĨåĪĩåħ³æ³¨": 116920, "åŁºéĩijç»ıçIJĨ": 116921, "æĮīéĶ®": 116922, "åĨħéĥ¨æݧåĪ¶": 116923, "æĪIJåijĺåįķä½į": 116924, "æľ¯è¯Ń": 116925, "åĪ¶æľį": 116926, "åĪļéľĢ": 116927, "æ£Ģç´¢": 116928, "大大æıIJé«ĺ": 116929, "åģ¥åº·ç®¡çIJĨ": 116930, "èĩªæѤ": 116931, "客æĪ·éľĢæ±Ĥ": 116932, "丰èĥ¸": 116933, "èµ·éĩį": 116934, "èµ·éĩįæľº": 116935, "æ¬łç¼º": 116936, "æ¡ĪåŃIJ": 116937, "æĥħ人èĬĤ": 116938, "åħļæł¡": 116939, "è¢ľ": 116940, "该åī§": 116941, "è¿·å¤±ä¼łå¥ĩ": 116942, "ç»ļ丽": 116943, "åķª": 116944, "æĹłç§ģ": 116945, "éĢ²ä¸ĢæŃ¥": 116946, "第ä¸Ģç«ł": 116947, "åĻ¨åħ·": 116948, "åĨľèµĦ": 116949, "確實": 116950, "åºıåĪĹ": 116951, "娱ä¹IJå¹³åı°": 116952, "èŀįèµĦ秣èµģ": 116953, "èµĦæºIJåħ±äº«": 116954, "èģ½åĪ°": 116955, "æIJŀå¾Ĺ": 116956, "继ç»Ńä¿ĿæĮģ": 116957, "åIJ¯èĴĻ": 116958, "çľº": 116959, "ä¸Ŀè·¯": 116960, "设æĸ½å»ºè®¾": 116961, "æİ¥åľ°": 116962, "æİ¥åľ°æ°Ķ": 116963, "第ä¸īåŃ£åº¦": 116964, "åŁºè°ĥ": 116965, "åıijéŁ³": 116966, "社ä¼ļèµĦæľ¬": 116967, "éĽĩ主": 116968, "è¿ŀèĥľ": 116969, "没åķ¥": 116970, "廢": 116971, "赶赴": 116972, "æ¼ĶåĮĸ": 116973, "åı¤æĢª": 116974, "çİĭçĪ·": 116975, "é¢ĦåħĪ": 116976, "å¼Ģåħ·": 116977, "åĽŀé¦ĸ": 116978, "åľ°ä¸ĭæ°´": 116979, "å°ıç¼ĸä¸Ģèµ·": 116980, "èµİåĽŀ": 116981, "åľ°è²Į": 116982, "åĪĿä¸ī": 116983, "åı¯çĶ¨äºİ": 116984, "éģĹ迹": 116985, "è¿Ļæī¹": 116986, "èĸªæ°´": 116987, "å¿ħçĦ¶ä¼ļ": 116988, "æ²½": 116989, "éįĭ": 116990, "第ä¸Ģéĥ¨": 116991, "åĪĬçī©": 116992, "å®ŀä¾ĭ": 116993, "æ¸ħåĩĢ": 116994, "ä¸ĬèµĽåŃ£": 116995, "åĽ¾è¡¨": 116996, "éĤ®è½®": 116997, "åĵªè£¡": 116998, "缸è§ģ": 116999, "æī°ä¹±": 117000, "æ¯ıæ¯ı": 117001, "è¿Ļè¾ĪåŃIJ": 117002, "ç¡«éħ¸": 117003, "äºī缸": 117004, "溯æºIJ": 117005, "åĩºä¼Ĺ": 117006, "çİīçŁ³": 117007, "åħ±çĶŁ": 117008, "æŶéĹ´æ®µ": 117009, "éĩįè¦ģæĮĩ示": 117010, "æ¶Īè´¹éľĢæ±Ĥ": 117011, "éķ¿éķ¿": 117012, "éķ¿éķ¿çļĦ": 117013, "å®īæĬļ": 117014, "å¢ŀé«ĺ": 117015, "æľ¬è½®": 117016, "äº²çľ¼": 117017, "é£İæ³¢": 117018, "èĢģå¦Ī": 117019, "æĶ¶è´¹æłĩåĩĨ": 117020, "åĨħéĻĨ": 117021, "æĮ¥åıij": 117022, "åįĩåѦ": 117023, "èĥ¸åīį": 117024, "åģıè¿ľ": 117025, "纯æ´ģ": 117026, "æĸ½å·¥åįķä½į": 117027, "身价": 117028, "è´¢åĬĽ": 117029, "纶": 117030, "è£ħçĶ²": 117031, "æĺ¾ç¤ºåĻ¨": 117032, "毫åįĩ": 117033, "æ·±çŁ¥": 117034, "èĢ¶ç©": 117035, "èĢ¶ç©Į": 117036, "è¾ĥéĩı": 117037, "åľ¨è¿ĩ渡": 117038, "åľ¨è¿ĩæ¸¡æľŁ": 117039, "èĮĹ": 117040, "ä¸Ģ个æĺŁæľŁ": 117041, "èĬ·": 117042, "è´¿èµĤ": 117043, "æ¿ķ": 117044, "æĩĤäºĭ": 117045, "秧": 117046, "åħħå½ĵ": 117047, "åĽ½ç«ĭ": 117048, "èĬ±çĵ£": 117049, "éĤĦè¦ģ": 117050, "åħ¬åľĴ": 117051, "触åĬ¨": 117052, "æ³°å·ŀ": 117053, "ä»Ģä¹Īæł·": 117054, "æ»ĭåħ»": 117055, "è¯ĦåĪ¤": 117056, "æĮ¥æīĭ": 117057, "èĦĪ": 117058, "姥姥": 117059, "è¿IJè´¹": 117060, "æ¯ħåĬĽ": 117061, "å¿ĥæĻº": 117062, "ä¸įæİĴéĻ¤": 117063, "第ä¸ī代": 117064, "éĢĢè´§": 117065, "æĺŁéĻħ": 117066, "æ°¸åĪ©": 117067, "æĬ¤åį«": 117068, "çıŃ车": 117069, "è¨Ģè¡Į": 117070, "繪": 117071, "主åĬ¨æĢ§": 117072, "å·¥ç¨ĭè´¨éĩı": 117073, "éĥĬåĮº": 117074, "ä¸Ģæłĭ": 117075, "ä½Ĩå®ŀéĻħä¸Ĭ": 117076, "ä¸ī大èģĮä¸ļ": 117077, "åij¼åı«": 117078, "女åħĴ": 117079, "è¯ģåĪ¸æĬķèµĦ": 117080, "èĢĥæħ®": 117081, "çĤ«èĢĢ": 117082, "治好": 117083, "åĺ¶": 117084, "èĥ¤": 117085, "åħīä¼ıåıijçĶµ": 117086, "åĩłæŃ¥": 117087, "æīĢæīĢ": 117088, "æīĢæīĢéķ¿": 117089, "çħ§æł·": 117090, "åĵ¥ä»¬": 117091, "è¯Ľ": 117092, "è¿Ļä¸ĢåĪ»": 117093, "çŁ¿çī©è´¨": 117094, "ä¸įå¾Ĺå·²": 117095, "åIJĮ缣": 117096, "ç»Ĩå¾®": 117097, "è·¯èĻİ": 117098, "çĻ¾èĬ±": 117099, "æ··æ²Į": 117100, "ä¸Ĭæµ·è¯ģåĪ¸": 117101, "éĢĢç¨İ": 117102, "èµŀåı¹": 117103, "æī®æ¼Ķ游æĪı": 117104, "åIJįåĪĹ": 117105, "åIJįåĪĹåīį": 117106, "åIJįåĪĹåīįèĮħ": 117107, "ç±³å°Ķ": 117108, "ä»Ģä¹ĪåİŁåĽł": 117109, "å®īåħ¨ä¿Ŀéļľ": 117110, "ä¸Ģåıªæīĭ": 117111, "ä¹³ä¸ļ": 117112, "ä¸įçĶĺ": 117113, "æĥħåķĨ": 117114, "æĮ¡ä½ı": 117115, "åİŁåĽłä¹ĭä¸Ģ": 117116, "è¿Ļ两天": 117117, "çĥĺçĦĻ": 117118, "豬": 117119, "ä½łä»¥ä¸º": 117120, "没è§ģè¿ĩ": 117121, "åĵªå®¶å¥½": 117122, "åīįä»»": 117123, "è¿Ľè´§": 117124, "éĢĢåĽŀ": 117125, "串èģĶ": 117126, "èĩ³æĸ¼": 117127, "åĨ°æ·ĩ": 117128, "åĨ°æ·ĩæ·ĭ": 117129, "æŁ¥çľĭ详æĥħ": 117130, "çı¾å¯¦": 117131, "æݨæµĭ": 117132, "æİ¥æīĭ": 117133, "éļ¶å±ŀäºİ": 117134, "åŁİå¸Ĥ群": 117135, "æĿİåħĪçĶŁ": 117136, "çŁ¿æ³īæ°´": 117137, "çī¹ä»·": 117138, "æĽ´å¤ļ精彩": 117139, "ç¨ĭå¼ı": 117140, "读æĩĤ": 117141, "å±ıèĶ½": 117142, "奥æŀĹ": 117143, "奥æŀĹåĮ¹": 117144, "奥æŀĹåĮ¹åħĭ": 117145, "红èĸ¯": 117146, "奮": 117147, "å®Ŀçİī": 117148, "網絡": 117149, "貧": 117150, "欧å¼ı": 117151, "çĻ½ç³ĸ": 117152, "èĩªçĦ¶çģ¾å®³": 117153, "åijĬè¯ī她": 117154, "å»ļ": 117155, "çĤ¹åĩ»æŁ¥çľĭ": 117156, "é£İ湿": 117157, "èµĦ产éĩįç»Ħ": 117158, "ä¹Łä¸įä¾ĭå¤ĸ": 117159, "åįĬ个å°ıæŶ": 117160, "åIJ¸å¼ķæĽ´å¤ļ": 117161, "æŶéĹ´èĬĤçĤ¹": 117162, "æĶ¶çº³": 117163, "åIJ¸æ¯Ĵ": 117164, "èĢģ乡": 117165, "çIJħ": 117166, "æľĢçµĤ": 117167, "åıįæĦŁ": 117168, "çĶ¨å¾®ä¿¡": 117169, "çĶ¨å¾®ä¿¡æī«": 117170, "éĢŁçİĩ": 117171, "大çĨĬçĮ«": 117172, "åı¯æĥ³": 117173, "åı¯æĥ³èĢĮ": 117174, "åı¯æĥ³èĢĮçŁ¥": 117175, "åĴ§": 117176, "èµ°åħ¥": 117177, "碳éħ¸": 117178, "èĮĥåĨ°": 117179, "èĮĥåĨ°åĨ°": 117180, "被åĪ¤": 117181, "积æŀģæݨåĬ¨": 117182, "足足": 117183, "ç²ĴåŃIJ": 117184, "大å®Ĺ": 117185, "大å®ĹåķĨåĵģ": 117186, "ç½ij绾ç§ijæĬĢ": 117187, "æĽ¼åŁİ": 117188, "å·²ä¹ħ": 117189, "å·²ä¹ħçļĦ": 117190, "秦çļĩ": 117191, "秦çļĩå²Ľ": 117192, "ä»»æķĻ": 117193, "åĶ¯ç¾İ": 117194, "æ·¡åĮĸ": 117195, "æ¡ĤèĬ±": 117196, "çŁ¥è¯ĨåĪĨåŃIJ": 117197, "æĩĴå¾Ĺ": 117198, "主åħ¬": 117199, "设计çIJĨ念": 117200, "賺": 117201, "æīĢæıIJä¾Ľ": 117202, "æīĢæıIJä¾Ľä¹ĭ": 117203, "æĶ»åħĭ": 117204, "åĤ¾": 117205, "è¯Ńæ³ķ": 117206, "åįĥåı¤": 117207, "éĸĭæĶ¾": 117208, "第ä¸ĢèĬĤ": 117209, "éĤĦæ²Ĵ": 117210, "éĢĥçĶŁ": 117211, "æ³Ĺ": 117212, "åİ¿å§Ķ书记": 117213, "ä½ľèĢħæīĢæľī": 117214, "çħ½": 117215, "ç»ħ": 117216, "æłħ": 117217, "æľ´ç´ł": 117218, "çijķçĸµ": 117219, "åĮħåĮħ": 117220, "æ°ij主åħļ": 117221, "ä¸įè¿ľå¤Ħ": 117222, "å¥ĩå¼Ĥ": 117223, "åĺ»åĺ»": 117224, "æī¼": 117225, "ç¿»å¼Ģ": 117226, "æĢİèĥ½": 117227, "éģ´éĢī": 117228, "解éĩĭ": 117229, "å¹¼ç¨ļ": 117230, "è¦ģ好好": 117231, "è¶´åľ¨": 117232, "ç´¢åıĸ": 117233, "ç»ĪçĶŁ": 117234, "åħ¨æµģç¨ĭ": 117235, "éģ©çķ¶": 117236, "åįıè°ĥåıijå±ķ": 117237, "æĬ¥ä»ĩ": 117238, "ç§ijæĬĢåĽŃ": 117239, "ä»Ģä¹Īéĥ½ä¸į": 117240, "æľĢåIJİä¸Ģ次": 117241, "ç»Ļ人ä¸Ģç§į": 117242, "æł¸å®ļ": 117243, "被åĪĹåħ¥": 117244, "æĦıæĥ³ä¸įåĪ°": 117245, "èĢĥæŁ¥": 117246, "åľ¨æѤä¹ĭåīį": 117247, "æīĵçIJĥ": 117248, "è¶ĬæĿ¥è¶Ĭå°ij": 117249, "å®ļå¾ĭ": 117250, "è¡ĮæĶ¿æľºåħ³": 117251, "ä½ıæĪ¿åħ¬ç§¯": 117252, "å°ıå§IJå§IJ": 117253, "ä¸īèı±": 117254, "修补": 117255, "èŀĥèŁ¹": 117256, "西çĶ²": 117257, "æĢł": 117258, "çŃīå¤ļ项": 117259, "产ä¸ļéĽĨèģļ": 117260, "ä»·æł¼ä¸Ĭ涨": 117261, "åħ¬åħ±åľºæīĢ": 117262, "è¢ĭåŃIJ": 117263, "æĨ§æĨ¬": 117264, "çļĦæĸ¹å¼ıæĿ¥": 117265, "åĪ°è´¦": 117266, "çģ½": 117267, "å·´èı²": 117268, "å·´èı²çī¹": 117269, "æ¼Ķä¹ł": 117270, "èŃ¦ç¤ºæķĻèĤ²": 117271, "çķıæĥ§": 117272, "å¼ķæµģ": 117273, "æĶ¶æĶ¯": 117274, "å±Ĥåĩº": 117275, "å±Ĥåĩºä¸į": 117276, "å±Ĥåĩºä¸įç©·": 117277, "æijĩæ»ļ": 117278, "辦çIJĨ": 117279, "纵è§Ĥ": 117280, "æķijæµİ": 117281, "家éĥ½çŁ¥éģĵ": 117282, "åĮ¯": 117283, "å°ı鸣": 117284, "ä»»åĭĻ": 117285, "计åħ¥": 117286, "ç«ŀéĢī": 117287, "å¼ĢèįĴæĹ¶æľŁ": 117288, "åij¨æģ©": 117289, "åij¨æģ©æĿ¥": 117290, "交ç»ĩ": 117291, "çķ¢æ¥Ń": 117292, "æł¹æį®èĩªå·±": 117293, "æĸ°äººçݩ家": 117294, "åѵåĮĸåĻ¨": 117295, "éĩĩæļĸ": 117296, "å¹³åĿĩæ°´å¹³": 117297, "åħ¬å¼Ģ课": 117298, "失åĪ©": 117299, "伺æľį": 117300, "çĬģ": 117301, "忽æĤł": 117302, "主è¦ģéĽĨä¸Ń": 117303, "æ¤įæłij": 117304, "æ¯ĹéĤ»": 117305, "èĩºçģ£": 117306, "åĩºåĽ½çķĻåѦ": 117307, "æĬĹéľĩ": 117308, "æĥ©æĪĴ": 117309, "å¹´åºķåīį": 117310, "åĴ¸éĺ³": 117311, "æ°ijå±ħ": 117312, "大çIJĨçŁ³": 117313, "éĿ³": 117314, "éķĸ": 117315, "æ¸ħè¿ľ": 117316, "è£ħè½½": 117317, "èĩĢ": 117318, "å½±ä¸ļ": 117319, "å¼ŁåħĦ": 117320, "æĤ²è§Ĥ": 117321, "çĿĢçľ¼äºİ": 117322, "æįįåį«": 117323, "åī¥å¤º": 117324, "ç¯Ĩ": 117325, "å¾Īéķ¿æŶéĹ´": 117326, "è¥Ł": 117327, "第ä¸ĢçĻ¾": 117328, "ä¸ĢåĪĨéĴ±": 117329, "æĸ°éĹ»è®°èĢħ": 117330, "éķ·æľŁ": 117331, "æ³ķæĪĺç»ĦåIJĪ": 117332, "è°ģçŁ¥éģĵ": 117333, "èħ°éĥ¨": 117334, "æ±īåł¡": 117335, "åħ¥çĿ¡": 117336, "åįĸæİī": 117337, "æ¶Īè²»èĢħ": 117338, "æĥ¯ä¾ĭ": 117339, "æĥ³äºĨ": 117340, "æĥ³äºĨæĥ³": 117341, "èĢģæŧå°ıåĮº": 117342, "ä¼łè¨Ģ": 117343, "åĪĨæķ°çº¿": 117344, "æµģ泪": 117345, "ç»Ħç»ĩé¢Ĩ导": 117346, "äºļåĨĽ": 117347, "å¢ŀåĢ¼æľįåĬ¡": 117348, "å¾¹": 117349, "伶": 117350, "äºĽè®¸": 117351, "å¸ĥèݱ": 117352, "强æĤį": 117353, "宫廷": 117354, "绿èĮ¶": 117355, "åĮ¡": 117356, "å¾ĪæŃ£å¸¸": 117357, "æĺ¥å¤ı": 117358, "æ¯Ļ": 117359, "è¯Ħæ¯Ķ": 117360, "åĩ¡äºĭ": 117361, "æĬīæĭ©": 117362, "åĢĴéľī": 117363, "éĩį度": 117364, "åįıä¼ļä¼ļéķ¿": 117365, "忧èĻij": 117366, "ä¸ĭä¸Ģç¯ĩ": 117367, "沪深": 117368, "æĪİ": 117369, "æīĵä»Ĺ": 117370, "åįĪé¥Ń": 117371, "å¹´é¾Ħ段": 117372, "ä¸ŃåĽ½è¶³çIJĥ": 117373, "设计æĸ¹æ¡Ī": 117374, "åºĶçĶ¨æŁ¥çľĭ": 117375, "é¢ĦæĸĻ": 117376, "åĹ¡": 117377, "ç¥ĸçĪ¶": 117378, "çļĦä¸Ģåijĺ": 117379, "æ´Ĺå¹²åĩĢ": 117380, "åİĨåı²æĸ°": 117381, "åİĨåı²æĸ°é«ĺ": 117382, "çĭ¬åħ·": 117383, "æħĭ度": 117384, "æīĵ交": 117385, "æīĵ交éģĵ": 117386, "é»ĦçŁ³": 117387, "çĽ¼æľĽ": 117388, "çī§åľº": 117389, "转弯": 117390, "åįĩåįİ": 117391, "åĨįä¹Łæ²¡æľī": 117392, "èĭ±æīį": 117393, "æĽ´åIJį为": 117394, "åĢŁçĶ¨": 117395, "çºłéĶĻ": 117396, "ç»Ŀ对ä¸įä¼ļ": 117397, "çİĭçīĮ": 117398, "çĽĨåľ°": 117399, "失è°ĥ": 117400, "好象": 117401, "é³¥": 117402, "ä¿Ŀä¿®": 117403, "åĽĽä¸ªèĩªä¿¡": 117404, "头çļ®": 117405, "åİŁåīĩ": 117406, "æĬ¥æ¡Ī": 117407, "奴éļ¶": 117408, "å³Ļ": 117409, "è°ĥæĸĻ": 117410, "ä¹Łè¨±": 117411, "èIJ½åĪ°": 117412, "èIJ½åĪ°å®ŀ": 117413, "èIJ½åĪ°å®ŀå¤Ħ": 117414, "çĦļçĥ§": 117415, "çĶŁæ´»çݯå¢ĥ": 117416, "åºĶåıĬæŶ": 117417, "è¶Ĭè¿ĩ": 117418, "æĦŁè¬Ŀ": 117419, "æĻ¯å¾·": 117420, "æĻ¯å¾·éķĩ": 117421, "çĬĢ": 117422, "身éĤĬ": 117423, "ç¨İåĬ¡æĢ»å±Ģ": 117424, "åĩĢåľŁ": 117425, "ä¾µåįł": 117426, "åĬ¨å·¥": 117427, "å¹´ä¹ĭ": 117428, "å¹´ä¹ĭä¹ħ": 117429, "第äºĮèĬĤ": 117430, "åĬ¨çī©åĽŃ": 117431, "第ä¸Ģ书记": 117432, "éħļ": 117433, "çĶŁäº§è®¾å¤ĩ": 117434, "æŁIJç§įç¨ĭ度": 117435, "åľŃ": 117436, "åĩŃåĢŁçĿĢ": 117437, "éĺħè§Ī": 117438, "çĻ½æ²Ļ": 117439, "æ²¹çĥŁ": 117440, "çªģçł´åı£": 117441, "åıĹå½±åĵį": 117442, "åı¯ä»¥æĽ´å¥½": 117443, "å³°åĢ¼": 117444, "æĿĤè´¨": 117445, "宿è¿ģ": 117446, "çĽĺæ´»": 117447, "æ¿Ģèµ·": 117448, "åĦ¿ç§ij": 117449, "åĿIJèIJ½åľ¨": 117450, "æĮªå¨ģ": 117451, "æµ·å²Ľ": 117452, "绣绣": 117453, "éĻ¨": 117454, "ä¼ĺäºİ": 117455, "å°Ī家": 117456, "ä¸ĢéĤĬ": 117457, "èIJĬ": 117458, "äºĨä¸Ģåı£": 117459, "æ²ĥå°Ķæ²ĥ": 117460, "æŃ£å¸¸ä½¿çĶ¨": 117461, "æĻ®éģįåŃĺåľ¨": 117462, "丰满": 117463, "çĶ»åį·": 117464, "åºĶæĶ¶": 117465, "åºĶæĶ¶è´¦": 117466, "åºĶæĶ¶è´¦æ¬¾": 117467, "å®Įæķ´çĥŃ": 117468, "å®Įæķ´çĥŃæ¦ľ": 117469, "注è§Ĩ": 117470, "çĨĦ": 117471, "躬": 117472, "éĶĢåĶ®äººåijĺ": 117473, "è¶ĭåIJij": 117474, "çĦ¦æĢ¥": 117475, "åįģå¹´åīį": 117476, "ä¼łç»Łäº§ä¸ļ": 117477, "質éĩı": 117478, "åĩ¤åĩ°ç½ij": 117479, "èµĦæºIJæķ´åIJĪ": 117480, "æ¶Įåħ¥": 117481, "æĸĩåĮĸä¼łæĴŃ": 117482, "çķĮ第ä¸Ģ": 117483, "æ°´æ³µ": 117484, "宫殿": 117485, "æݢ寻": 117486, "ä¿®åīª": 117487, "æĦıè¦ĭ": 117488, "ç´Ĭä¹±": 117489, "æĽī": 117490, "çĻ½è¡£": 117491, "èĻİåį«": 117492, "ç´§æī£": 117493, "å¤Ħå¤Ħéķ¿": 117494, "åĪĽå»ºå·¥ä½ľ": 117495, "红æŀ£": 117496, "饼干": 117497, "äºĨåįĬ天": 117498, "ä¼ļå½±åĵįåĪ°": 117499, "çĽ¸ä¿¡å¤§å®¶": 117500, "èħ¾é£ŀ": 117501, "å°±å¦ĤåIJĮ": 117502, "ä¸ĭéĿ¢å°ıç¼ĸ": 117503, "æ°ijèIJ¥ç»ıæµİ": 117504, "æĻ¦": 117505, "è£ħæī®": 117506, "é»ijå¤ľ": 117507, "常德": 117508, "å·¥ä¸ļ大åѦ": 117509, "æĺİçŁ¥": 117510, "éĺŁåijĺ们": 117511, "åIJ¬è¯¾": 117512, "æ¯ıéļĶ": 117513, "羣æĺ¯å¤ª": 117514, "åIJĪä½ľåħ±èµ¢": 117515, "çIJĨåıij": 117516, "æīįå¹²": 117517, "çľĭèµ·ä¾Ĩ": 117518, "殿ä¸ĭ": 117519, "å®īéĺ³": 117520, "æīĢ产çĶŁçļĦ": 117521, "éĽĩä½£": 117522, "æĬ¬èµ·å¤´": 117523, "æį®æĬ¥éģĵ": 117524, "éļĨéĩį举è¡Į": 117525, "交éĶĻ": 117526, "è¶ħé¢Ŀ": 117527, "åĮĸçĸĹ": 117528, "é¡Ĩ": 117529, "纵深": 117530, "çĪ±åĽ½ä¸»ä¹ī": 117531, "éĻ¢åī¯éĻ¢éķ¿": 117532, "讳": 117533, "羣æŃ£åģļåĪ°": 117534, "åѤåįķ": 117535, "èĩªçĦ¶èĢĮ": 117536, "èĩªçĦ¶èĢĮçĦ¶": 117537, "修身": 117538, "èĬ¹": 117539, "æģ¯æģ¯": 117540, "æģ¯æģ¯çĽ¸åħ³": 117541, "é©¾æł¡": 117542, "æݩ饰": 117543, "æ³½è¿ŀ": 117544, "æ³½è¿ŀæĸ¯åŁº": 117545, "举æŃ¢": 117546, "管çIJĨä½ĵåĪ¶": 117547, "åħ¶ä¸Ńä¹ĭä¸Ģ": 117548, "æĿ¾å¼Ľ": 117549, "æĭ¦æĪª": 117550, "åį«åģ¥": 117551, "åį«åģ¥å§Ķ": 117552, "ä»İåݻ年": 117553, "åĤ¢": 117554, "è´Ń票": 117555, "åĽ¾æłĩ": 117556, "河西": 117557, "æ°ijæĶ¿å±Ģ": 117558, "ç§ģèIJ¥": 117559, "å¤ĸåĽ½è¯Ń": 117560, "干货": 117561, "æĵ¦æĭŃ": 117562, "åľ°ä¸Ń": 117563, "åľ°ä¸Ńæµ·": 117564, "æµĵæµĵ": 117565, "æµĵæµĵçļĦ": 117566, "å§ĭ建": 117567, "å§ĭ建äºİ": 117568, "ç¶ĵæŃ·": 117569, "è·¯æ¼Ķ": 117570, "æļ´é£İ": 117571, "åŁºè¾ħ": 117572, "æī¶è´«å·¥ä½ľ": 117573, "ä¸Ģ缴å¤Ħäºİ": 117574, "æĥħ趣": 117575, "äºĮåŃ£åº¦": 117576, "åİĮæģ¶": 117577, "顺åĪ©å®ĮæĪIJ": 117578, "æŁ¥å°ģ": 117579, "顶端": 117580, "ä¸įåŃķ": 117581, "ä¸Ģ大åłĨ": 117582, "被æ·ĺæ±°": 117583, "æĺ¯çĶ¨æĿ¥": 117584, "æľĢåIJĪéĢĤ": 117585, "äº®çľ¼": 117586, "并ä¸įæĺ¯å¾Ī": 117587, "ç§ijçłĶéĻ¢": 117588, "ç§ijçłĶéĻ¢æīĢ": 117589, "ç²Ł": 117590, "é¢Īéĥ¨": 117591, "é»ĺé»ĺåľ°": 117592, "é«ĺä¸ŃçĶŁ": 117593, "æĹıèĩªæ²»åİ¿": 117594, "æķĻåŃ¦è´¨éĩı": 117595, "æĪĺçģ«": 117596, "åĿİåĿ·": 117597, "æIJŃä¹ĺ": 117598, "è¯ĹæĦı": 117599, "åĪijèѦ": 117600, "åĩºæ±Ĺ": 117601, "åįģåħŃæĿ¡": 117602, "请åıĬæŶ": 117603, "åĨľä¸ļ大åѦ": 117604, "èIJ½åı¶": 117605, "æĢ»èĢĮè¨Ģ": 117606, "æĢ»èĢĮè¨Ģä¹ĭ": 117607, "æĿľåħ°": 117608, "æĿľåħ°çī¹": 117609, "éĻªä½ł": 117610, "åħ¬æĬ¥": 117611, "çķĻè¨ĢæĿ¿": 117612, "éĺħåİĨ": 117613, "競çĪŃ": 117614, "ç»ĻåĪ«äºº": 117615, "æĹ¥æĬ¥ç¤¾": 117616, "åĿIJèIJ½": 117617, "åĿIJèIJ½äºİ": 117618, "éĩijåŃĹ": 117619, "éĩijåŃĹå¡Ķ": 117620, "åĽ¤": 117621, "è¯Ŀåī§": 117622, "æĮģç»Ńæİ¨è¿Ľ": 117623, "æ¼ıæ°´": 117624, "詳細": 117625, "æĢĢæĬ±": 117626, "åıĺå¹»": 117627, "饥饿": 117628, "éļIJ身": 117629, "ä¸ªèµĽåŃ£": 117630, "åĵ¡å·¥": 117631, "æģ¢å¤įæŃ£å¸¸": 117632, "äºĨ好å¤ļ": 117633, "æĺŁå·´": 117634, "æĺŁå·´åħĭ": 117635, "åħīçݯ": 117636, "å¸ħåĵ¥": 117637, "çĻ½éĽª": 117638, "ç¨įç¨į": 117639, "计æıIJ": 117640, "æĦĽæĥħ": 117641, "éİĸ": 117642, "ä¿¡éĺ³": 117643, "è§Ģå¯Ł": 117644, "å¦Ĥæŀľä½łæĥ³": 117645, "缸æ¯Ķä¹ĭä¸ĭ": 117646, "解å¼Ģ": 117647, "æīĵåį°æľº": 117648, "身躯": 117649, "ç²¾ç¥ŀæĸĩæĺİ": 117650, "èĤ¡æĮĩ": 117651, "å¾®åĪĽ": 117652, "红èĮ¶": 117653, "èĩ´çĻĮ": 117654, "æģ©æĸ½": 117655, "èħ¿éĥ¨": 117656, "大åŀĭå¤ļ人": 117657, "å®īåĢį": 117658, "è¾ħ导åijĺ": 117659, "èĪªéģĵ": 117660, "å¸ĥå°Ķ": 117661, "åįĹå®ģå¸Ĥ": 117662, "ä¸ĬçıŃæĹı": 117663, "侧ç»ĵæŀĦæĢ§": 117664, "追éļı": 117665, "å½ĵåľ°æĶ¿åºľ": 117666, "èµ°åĩºæĿ¥": 117667, "éĩijèŀįä¸ļ": 117668, "ä¸Ľä¹¦": 117669, "é¡¹çĽ®ç»ıçIJĨ": 117670, "è¿ĩæĪ·": 117671, "骨æŀ¶": 117672, "è¡Ļ": 117673, "ä»Ģ麽": 117674, "èħĭ": 117675, "è¦ģ害": 117676, "åľ¨åºĬä¸Ĭ": 117677, "代è¨Ģ人": 117678, "並å°ĩ": 117679, "åIJĦ个æĸ¹éĿ¢": 117680, "è°´è´£": 117681, "åħ±æĮ¯": 117682, "åį³å°ĨåĪ°æĿ¥": 117683, "èĤºçĻĮ": 117684, "ä¾ĽéĶĢ": 117685, "丼æŀĹ": 117686, "èµĥ": 117687, "åįģä½Ļå¹´": 117688, "åĭĺæİ¢": 117689, "飵åij³": 117690, "èĭ¦ç¬ij": 117691, "æľĢ大ç¨ĭ度": 117692, "éĩįçĤ¹åħ³æ³¨": 117693, "ä¹ĭ举": 117694, "满æĢĢ": 117695, "åıĹåĪ°å½±åĵį": 117696, "æĭĽæĬķæłĩ": 117697, "è¡¥é½IJ": 117698, "西红": 117699, "è¥¿çº¢æŁ¿": 117700, "鬧": 117701, "è£ħåį¸": 117702, "éĤ»éĩĮ": 117703, "èĤĩäºĭ": 117704, "æİĴæ¯Ĵ": 117705, "åѤåĦ¿": 117706, "鼶è·Ŀ离": 117707, "å®ŀå¹²": 117708, "çľĭæŁ¥çľĭ": 117709, "æĶ¶è´¹ç«Ļ": 117710, "ç»·": 117711, "åħ¬çĽĬæĢ§": 117712, "éĢĴç»Ļ": 117713, "æĶ»æīĵ": 117714, "æĺŁçº§éħĴåºĹ": 117715, "æĺİåªļ": 117716, "çį¨ç«ĭ": 117717, "è¯Ŀè¯ŃæĿĥ": 117718, "ä¸ĢæŃ¥ä¸ĢæŃ¥": 117719, "书æ³ķ家": 117720, "æľªç»ıæİĪæĿĥ": 117721, "çŁ³èĨı": 117722, "åĩŃä»Ģä¹Ī": 117723, "çļĦæĹ¥": 117724, "çļĦæĹ¥åŃIJéĩĮ": 117725, "诱人": 117726, "çĻ¾åĪĨçĻ¾": 117727, "èĪĪ趣": 117728, "å¼łåħĪçĶŁ": 117729, "èĢģçĪ·åŃIJ": 117730, "æ³¢çī¹": 117731, "åŁºéĩij份é¢Ŀ": 117732, "æ²Ļåıijä¸Ĭ": 117733, "å¥ĭæĸĹ缮æłĩ": 117734, "æ°¢èĥ½": 117735, "æ²ĥå°ĶçİĽ": 117736, "義åĭĻ": 117737, "éŁ³ç®±": 117738, "æ²ī浸": 117739, "æ²īæµ¸åľ¨": 117740, "èĭ±åľĭ": 117741, "çģ¯çģ«": 117742, "è¿Ľé¡¹": 117743, "两端": 117744, "ä¹Ķ丹": 117745, "èĦ¸é¢Ĭ": 117746, "åıijå±ķæ½ľåĬĽ": 117747, "åĭķä½ľ": 117748, "åĵĪä½Ľ": 117749, "å®´ä¼ļ": 117750, "æ§į": 117751, "ç«ĭå¿Ĺ": 117752, "ç¡ķ士åѦä½į": 117753, "åĭĭç«ł": 117754, "è¿Ļåľºæ¯ĶèµĽ": 117755, "æĮģå¹³": 117756, "éķĢéĶĮ": 117757, "èĭ±çī¹": 117758, "èĭ±çī¹å°Ķ": 117759, "æķĻèģĮå·¥": 117760, "åĬŁåĬĽ": 117761, "该æ¡Ī": 117762, "ä¸Ģæ¢Ŀ": 117763, "åĺīå¹´": 117764, "åĺīå¹´åįİ": 117765, "è¿«ä¸įåıĬ": 117766, "è¿«ä¸įåıĬå¾ħ": 117767, "è¿Ļ个æĹ¶ä»£": 117768, "精彩æĴŃæĬ¥": 117769, "人èĦ¸": 117770, "人èĦ¸è¯ĨåĪ«": 117771, "æ£Ģå¯Łå®ĺ": 117772, "å°ıèħ¿": 117773, "éĨĴ缮": 117774, "åħļæĢ»": 117775, "åħļæĢ»æĶ¯": 117776, "æĪŁ": 117777, "èĮ«çĦ¶": 117778, "è±ĨæµĨ": 117779, "主治": 117780, "éĿĴæµ·çľģ": 117781, "åĪijäºĭ责任": 117782, "çł°": 117783, "ä¹ĭæ¬ĬåĪ©": 117784, "äºĶå®ĺ": 117785, "è¿·æĥij": 117786, "åħ¥åºĵ": 117787, "家纺": 117788, "弹簧": 117789, "åįģäºĶæĿ¡": 117790, "ç»Ļå®Ŀå®Ŀ": 117791, "èĪªç©ºèĪªå¤©": 117792, "å¾Ģå¤ĸ": 117793, "å¼ķåĬĽ": 117794, "çľ¼çļ®": 117795, "æ¶ī足": 117796, "æĿ¥å®¾": 117797, "åľ¨çº¿è§Ĵèī²": 117798, "çĥŃéĶĢ": 117799, "æµģéĢĿ": 117800, "泡泡": 117801, "éĻįå¹ħ": 117802, "è´ŁéĿ¢å½±åĵį": 117803, "红楼": 117804, "红楼梦": 117805, "éļĶçĿĢ": 117806, "侥幸": 117807, "许ä¹ħ": 117808, "åĴĮçĿ¦": 117809, "èŃ½": 117810, "使çĶ¨èĢħæĪĸ": 117811, "ä¹°åįķ": 117812, "è¿´": 117813, "é£İæīĩ": 117814, "æķĻ師": 117815, "æ¡ĮåŃIJä¸Ĭ": 117816, "å¾Īæ¼Ĥ亮": 117817, "åł±å°İ": 117818, "第ä¸ĢåŃ£åº¦": 117819, "ç©©å®ļ": 117820, "æĤ²åĵĢ": 117821, "çĿĢåĬĽæīĵéĢł": 117822, "æĮŁ": 117823, "路桥": 117824, "åijIJ": 117825, "åľ£è¯ŀèĬĤ": 117826, "çļĩåŃIJ": 117827, "ä»ĩæģ¨": 117828, "éħĿéħ¿": 117829, "ä¸įéĹ´": 117830, "ä¸įéĹ´æĸŃ": 117831, "æĮĩå°ĸ": 117832, "ä¸ŃåĽ½ç½ij游": 117833, "åŀ£": 117834, "æĦıè§ģ建议": 117835, "æ¯ħçĦ¶": 117836, "亮度": 117837, "èģĶè°Ĭ": 117838, "å½ķåħ¥": 117839, "åĦ²": 117840, "å¨ĺ家": 117841, "ç§ijå°Ķ": 117842, "ä¹Łæ²¡ä»Ģä¹Ī": 117843, "æł¹æį®ä¸įåIJĮ": 117844, "åı¶ä¿®": 117845, "åĢ¼å®Ī": 117846, "æľ«ç«¯": 117847, "åĪ¨": 117848, "åĤµåĭĻ": 117849, "èģ¯åIJĪ": 117850, "å¥ĩå¹»": 117851, "èĻļæŀĦ": 117852, "é»Ħæĺı": 117853, "å¹³åĿ¦": 117854, "æµģæ°ĵ": 117855, "æĸ°åŁºå»º": 117856, "æĮ½æķij": 117857, "åįİå°Ķ": 117858, "åįİå°Ķè¡Ĺ": 117859, "æľĢåıĹ欢è¿İ": 117860, "ç»Ń约": 117861, "å¼Ĭ端": 117862, "éŃĶæ³ķå¸Ī": 117863, "éŃĶæ³ķå¸ĪåĴĮ": 117864, "åħ·ä½ĵåĨħ容": 117865, "çIJīçĴĥ": 117866, "æī©å®¹": 117867, "èĮ¶åĽŃ": 117868, "主ä¹īèĢħ": 117869, "ç«ĭéĿ¢": 117870, "æİ¥åıĹéĩĩ访": 117871, "åĩºåħ¥å¢ĥ": 117872, "ç§ijåįı": 117873, "éĴ³": 117874, "çµIJæ§ĭ": 117875, "ç»ĵæŀľæĺ¾ç¤º": 117876, "åı°è´¦": 117877, "å°±æĿ¥çľĭçľĭ": 117878, "èĩªæķij": 117879, "åıįæĩī": 117880, "åİ»åĵªåĦ¿": 117881, "è¿Ļé¦ĸ": 117882, "è¿Ļé¦ĸæŃĮ": 117883, "åIJ¬ä¼Ĺ": 117884, "å¤ĸ壳": 117885, "ä½ĵèĤ²é¦Ĩ": 117886, "實æĸ½": 117887, "èŀºä¸Ŀ": 117888, "æĭīåįĩ": 117889, "çĮĽåľ°": 117890, "åħ¨åĽ½äººæ°ij": 117891, "æĤīå°¼": 117892, "æĹı群": 117893, "åĽ¢åijĺ": 117894, "两个å°ıæŶ": 117895, "åľ¨çݩ家": 117896, "åľ¨çݩ家ä¸Ń": 117897, "çĶľçĶľ": 117898, "æĬķè¡Į": 117899, "åįĶæľĥ": 117900, "éĻ¡": 117901, "åĬłå·¥åİĤ": 117902, "æ¦ĨæŀĹ": 117903, "æŃ»è§Ĵ": 117904, "åĨħå¹ķ": 117905, "æīĢæľīæĥħèĬĤ": 117906, "åĪ·åį¡": 117907, "æ°´èĤ¿": 117908, "èĥĥåı£": 117909, "å«Įå¼ĥ": 117910, "沮丧": 117911, "ä¸ī年级": 117912, "æ¶Ĥå±Ĥ": 117913, "å¿ĥ仪": 117914, "å¿ĥ仪çļĦ": 117915, "å¤Ń": 117916, "é¦ĸè½®": 117917, "æĹłè®ºæĺ¯åħ¶": 117918, "éĢıæ°Ķ": 117919, "äºĮåįģäºĶ": 117920, "箫": 117921, "åĬŁåĬ³": 117922, "çŃ¾ä¸ĭ": 117923, "æ²īè¿·": 117924, "æķijåij½": 117925, "éĹªéĹª": 117926, "åIJĥäºı": 117927, "å±ķåĵģ": 117928, "åį³æŶåıijçĶŁ": 117929, "綾": 117930, "綾åIJĪ": 117931, "æłĩæĺİ": 117932, "çľĭçĶµå½±": 117933, "åħ¬ç«ł": 117934, "éĺ¿æ£®": 117935, "éĺ¿æ£®çº³": 117936, "身åĪĽéĢł": 117937, "身åĪĽéĢłçļĦ": 117938, "æ¸Ľå°ij": 117939, "åĢ¼å¾Ĺåħ³æ³¨": 117940, "鼶åĶ®åķĨ": 117941, "æįĨç»ij": 117942, "è¸ıåħ¥": 117943, "èĽŁ": 117944, "æŁ´çº³": 117945, "èĢģåħµ": 117946, "绿èī²çݯä¿Ŀ": 117947, "é¹Ń": 117948, "éº»æľ¨": 117949, "æıŃçīĮ": 117950, "è¿Ļ款车": 117951, "ç¾İå¾·": 117952, "ç¾İå¾·åħ¬åı¸": 117953, "涧": 117954, "è°ģçŁ¥": 117955, "æ´ĭèij±": 117956, "æ¯įæł¡": 117957, "ä¸ĢéĹª": 117958, "çĶ·ä¸»è§Ĵ": 117959, "æĹłçº¿çĶµ": 117960, "å±łå®°": 117961, "æĺ¯éŁ©åĽ½": 117962, "æĺ¯éŁ©åĽ½å¨±": 117963, "容è²Į": 117964, "åĿĩ使åħ¶": 117965, "太快": 117966, "å¹´çĶ±": 117967, "å¹´çĶ±çĽĽ": 117968, "èĭ¦èĭ¦": 117969, "åĬĽè¿ĺæĺ¯": 117970, "åĬĽè¿ĺæĺ¯èĩª": 117971, "æĨ©": 117972, "èģ¯çµ¡": 117973, "åĶ¾": 117974, "åħ·æľīæĪĺ士": 117975, "追éĹ®": 117976, "åłĨæĶ¾": 117977, "åıį驳": 117978, "å®ŀäºĭæ±Ĥ": 117979, "å®ŀäºĭæ±Ĥæĺ¯": 117980, "åѸéĻ¢": 117981, "åįģåĩłä¸ª": 117982, "æķijæĬ¤": 117983, "æķijæĬ¤è½¦": 117984, "ç½ijç»ľä¼łæĴŃ": 117985, "åįģåħ«å±Ĭ": 117986, "éĥ¨åī¯": 117987, "éĥ¨åī¯éĥ¨éķ¿": 117988, "çĹ´è¿·": 117989, "管çIJĨæĿ¡ä¾ĭ": 117990, "èŀį为ä¸Ģä½ĵ": 117991, "æĢ»äº§åĢ¼": 117992, "è³ĵ": 117993, "ä¸ĥæĺŁ": 117994, "çıŃç»Ħ": 117995, "绣é¢Ĩ": 117996, "请大家": 117997, "éĩijéĻµ": 117998, "èĪħèĪħ": 117999, "æµ·æ¹¾": 118000, "æĸ½çŃĸ": 118001, "享èªī": 118002, "麥": 118003, "端åįĪ": 118004, "绿åŁİ": 118005, "確ä¿Ŀ": 118006, "å·´æĭī": 118007, "åĨĴçĿĢ": 118008, "æħ·æħ¨": 118009, "个人è§ĤçĤ¹": 118010, "ä¹Ļçĥ¯": 118011, "ç¡ħè°·": 118012, "éĸĭå±ķ": 118013, "å°ļ书": 118014, "åĿļ飧": 118015, "庵": 118016, "èĢģé¾Ħ": 118017, "èĢģé¾ĦåĮĸ": 118018, "çľ¨çľ¼": 118019, "绿水": 118020, "绿水éĿĴå±±": 118021, "书é¦Ļ": 118022, "主åĬĽåĨĽ": 118023, "æīįæĺ¯çľŁæŃ£": 118024, "æĬ¢åħĪ": 118025, "æĪIJå°±æĦŁ": 118026, "éĩįæŀĦ": 118027, "éĴ¢åİĤ": 118028, "æĪIJ份": 118029, "èĬ±çº¹": 118030, "ä¹ĭäºī": 118031, "å¹²ç»Ĩèĥŀ": 118032, "æĹ¢åı¯ä»¥": 118033, "ç¹ģçIJIJ": 118034, "æĦļèł¢": 118035, "éĿŀ常æĺİæĺ¾": 118036, "ä½ĵ彩": 118037, "æĬĢæ³ķ": 118038, "æĿĨèıĮ": 118039, "å¹¿æ³Ľåħ³æ³¨": 118040, "åĮĹå®ĭ": 118041, "å§Ĭ妹": 118042, "åįıåĬŀ": 118043, "æ·®åįĹ": 118044, "çĥı": 118045, "æ´ĹèĦ¸": 118046, "åıĹ访": 118047, "åıĹ访èĢħ": 118048, "éĩįè¦ģåĽłç´ł": 118049, "å½±è§Ĩåī§": 118050, "综èīºèĬĤ缮": 118051, "èľķåıĺ": 118052, "äºĮ线": 118053, "äºĮ线åŁİå¸Ĥ": 118054, "ä¼Ĭå§ĭ": 118055, "çıĬçijļ": 118056, "èĩªæŁ¥": 118057, "åħ¥åĽŃ": 118058, "åĩ¶æīĭ": 118059, "åħ¬è¯ī": 118060, "éģĩéļ¾": 118061, "éĩĩçŁ¿çŃī": 118062, "èĩªçIJĨ": 118063, "åĸ·æ¶Ĥ": 118064, "æī©åħħ": 118065, "éĢıè§Ĩ": 118066, "é«ĺéĢŁå¢ŀéķ¿": 118067, "åĽ¾çĶ»": 118068, "ç¾¹": 118069, "èĤĩåºĨ": 118070, "è¾ľè´Ł": 118071, "èµĶä»ĺ": 118072, "è·¡": 118073, "åģ¥åº·æĪIJéķ¿": 118074, "以ä¸ĬåѦåİĨ": 118075, "åıĸå¾Ĺ以åıĬ": 118076, "æ²ī积": 118077, "åįģä¹Ŀå±Ĭ": 118078, "缸éĹľæľįåĭĻ": 118079, "æī§åĭ¤": 118080, "åī¯åİ¿éķ¿": 118081, "寰": 118082, "åģľæ»ŀ": 118083, "淹没": 118084, "çŁ³çģ°": 118085, "çį¸": 118086, "åĢ¦": 118087, "ç¾İåªĴ": 118088, "æķĻæ¡Ī": 118089, "åĬłçĽĸ": 118090, "åħ¬å¼ĢèµĽ": 118091, "å¥łåŁº": 118092, "æĺĨèĻ«": 118093, "çŀħ": 118094, "磷éħ¸": 118095, "äºīåĪĽ": 118096, "çİĭæĻĵ": 118097, "ç¼ĵåĨ²": 118098, "åİļåİļ": 118099, "åİļåİļçļĦ": 118100, "æŀ£åºĦ": 118101, "ç²¾çĽĬ": 118102, "ç²¾çĽĬæ±Ĥ": 118103, "ç²¾çĽĬæ±Ĥç²¾": 118104, "åĪĨæĶ¯æľºæŀĦ": 118105, "å®ŀæĸ½ç»ĨåĪĻ": 118106, "æĸ°èµĽåŃ£": 118107, "總統": 118108, "éĢłè¡Ģ": 118109, "é¢ĩåħ·": 118110, "é»ĦåŁĶ": 118111, "è¡ĢèĦĤ": 118112, "交éĢļå·¥åħ·": 118113, "å³¥": 118114, "æĹıèĩªæ²»å·ŀ": 118115, "寺éĻ¢": 118116, "確å®ļ": 118117, "æ¦Ĥ念èĤ¡": 118118, "æĦŁå®ĺ": 118119, "æŁľåı°": 118120, "åĶĶ": 118121, "çŀŃ解並": 118122, "æĢ»ä»·": 118123, "åIJ¸åħ¥": 118124, "æĢ¼": 118125, "æĻļéĹ´": 118126, "å±Ĭæ¯ķä¸ļçĶŁ": 118127, "çĶŁå§ľ": 118128, "éĺħ读åħ¨æĸĩ": 118129, "å¾ĹåĪ°æľīæķĪ": 118130, "æIJľæķij": 118131, "åİĨæĿ¥": 118132, "èŃīæĺİ": 118133, "åĥ»": 118134, "èĨ³é£Ł": 118135, "åĦĦåħĥ": 118136, "æīĵåİĭ": 118137, "宾客": 118138, "åķ¼": 118139, "ä¸ĢçĻ¾å¤ļ": 118140, "æ·±åħ¥äººå¿ĥ": 118141, "æ¢ħå·ŀ": 118142, "çłĶåѦ": 118143, "åħ³ä¹İ": 118144, "è¼Ľ": 118145, "亲åıĭ": 118146, "éħįæĸĻ": 118147, "æĪijçĪ±ä½ł": 118148, "è´¸æĺĵæĪĺ": 118149, "æľīèī²": 118150, "æľīèī²éĩijå±ŀ": 118151, "æįIJåĬ©": 118152, "为é¦ĸ": 118153, "为é¦ĸçļĦ": 118154, "å¯ĮåĬĽ": 118155, "çĶ·ç¥ŀ": 118156, "é³³": 118157, "æµĩæ°´": 118158, "åIJ±": 118159, "æĺİç¡®æıIJåĩº": 118160, "åı¹äºĨ": 118161, "åı¹äºĨåı£æ°Ķ": 118162, "礼æĭľ": 118163, "è¿Ļ个åIJįåŃĹ": 118164, "ä¿¡å¾Ĵ": 118165, "å¿Ĺ强": 118166, "éĻIJæŶ": 118167, "æĶ¶è²»": 118168, "åĨľå®¶ä¹IJ": 118169, "å°ıé¾ĻèĻ¾": 118170, "èIJ½å¹ķ": 118171, "æ§Ł": 118172, "åѦ龸": 118173, "æĪĸå¤ļ": 118174, "æĪĸå¤ļæĪĸ": 118175, "æĪĸå¤ļæĪĸå°ij": 118176, "座è°Īä¼ļä¸Ĭ": 118177, "涼": 118178, "éŃĶçİĭ": 118179, "å²±": 118180, "顶å±Ĥ": 118181, "顶å±Ĥ设计": 118182, "èĦijåŃIJéĩĮ": 118183, "éĻ¢åŃIJéĩĮ": 118184, "轩è¾ķ": 118185, "身å¿ĥåģ¥åº·": 118186, "èħij": 118187, "éĹľæ³¨": 118188, "åıĤåĬłä¼ļè®®": 118189, "ä¸ŃåįİæĸĩåĮĸ": 118190, "追寻": 118191, "å®īçĦ¶": 118192, "é£Ļåįĩ": 118193, "éŁŃèıľ": 118194, "鸦": 118195, "åĤ¨éĩı": 118196, "çĶ·æĸ¹": 118197, "å¤ĩ份": 118198, "æijĶåĢĴ": 118199, "润æ»ijæ²¹": 118200, "éĢ¼è¿ij": 118201, "çĶ³è¯ī": 118202, "鸣类": 118203, "çŁ³æ²¹åĮĸå·¥": 118204, "åĿļæŀľ": 118205, "è¿Ļ家ä¼Ļ": 118206, "æĭĴä¸į": 118207, "羣çļ®": 118208, "è·ĿéĽ¢": 118209, "è¿ĺæĮº": 118210, "éĽķåĥı": 118211, "åĪĿæģĭ": 118212, "æıIJä¾ĽæĽ´å¤ļ": 118213, "æŁ¥çľĭåħ¨æĸĩ": 118214, "æķ°åŃĹè´§å¸ģ": 118215, "åĸīåĴĻ": 118216, "åı¦ä¸Ģä½į": 118217, "åĤ¬åĮĸ": 118218, "åĤ¬åĮĸåīĤ": 118219, "ä»İæĿ¥æ²¡": 118220, "å¯ĨåĪĩ缸åħ³": 118221, "éĥ¨ä¸»ä»»": 118222, "产åĵģç»ıçIJĨ": 118223, "並åIJĮæĦı": 118224, "èIJ½åħ¥": 118225, "å±ıå¹ķä¸Ĭ": 118226, "åħ¬åı¸ç«łç¨ĭ": 118227, "æį¢åı¥è¯Ŀ": 118228, "æį¢åı¥è¯Ŀ说": 118229, "ä½įæĸ¼": 118230, "ä½Ķ": 118231, "åĩ»æĿĢ": 118232, "缸è¾ĥ": 118233, "缸è¾ĥäºİ": 118234, "ç²½åŃIJ": 118235, "åįĹæŀģ": 118236, "宫é¢Ī": 118237, "è£ģåijĺ": 118238, "æĺİç»Ĩ": 118239, "ä»·åĢ¼éĵ¾": 118240, "åĽĽä¸ªæĸ¹éĿ¢": 118241, "æĥħåĨµæĿ¥çľĭ": 118242, "æĮijåīĶ": 118243, "æ®ĺ": 118244, "æŀģåĬĽ": 118245, "çĸijéļ¾": 118246, "æĬµæĬĹåĬĽ": 118247, "æĢ¥éĢŁ": 118248, "æĪĮ": 118249, "ä½İä¼°": 118250, "éĹªè¿ĩ": 118251, "æģ¬": 118252, "èµŀæī¬": 118253, "ä»ĸå¦Ī": 118254, "æĪIJ为ä¸ĢåIJį": 118255, "æ´Ĺ礼": 118256, "é¢Ħ计å°Ĩ": 118257, "åħĪè¿Ľåįķä½į": 118258, "è¼Ķ": 118259, "éĢĥèĦ±": 118260, "çİ°åŃĺ": 118261, "èĢģèĻİæľº": 118262, "åįģä¸ĥæĿ¡": 118263, "åı¦ä¸ĢåįĬ": 118264, "温æĥħ": 118265, "åī¥ç¦»": 118266, "ä¸ĸè´¸": 118267, "å®ĺåı¸": 118268, "å¾Īå·®": 118269, "éĹ´è·Ŀ": 118270, "请注æĦı": 118271, "åı²è¯Ĺ": 118272, "åĪ©åĻ¨": 118273, "è¿IJç®Ĺ": 118274, "沦为": 118275, "該使çĶ¨èĢħ": 118276, "èĮ¬": 118277, "éĶ¦ç»£": 118278, "åı²æĸĻ": 118279, "çģµæ´»æĢ§": 118280, "èģĶ社": 118281, "æĹłåĬ©": 118282, "æĬĹæ°§åĮĸ": 118283, "èıľèĤ´": 118284, "éĢłèĪ¹": 118285, "æİīèIJ½": 118286, "å¤įæŁ¥": 118287, "åĭĥåĭĥ": 118288, "åij¼å£°": 118289, "給äºĪ": 118290, "åIJĮäºĭ们": 118291, "ç½°": 118292, "è¯ķæİ¢": 118293, "åħ³éĶ®åŃĹ": 118294, "æįIJçĮ®": 118295, "ç»Łè®¡æķ°æį®": 118296, "åĪĽä½ľèĢħ": 118297, "ä¸ĭåįĬ": 118298, "ä¸ĭåįĬåľº": 118299, "æī¿æĭħ责任": 118300, "端æŃ£": 118301, "ç©¿è¡£": 118302, "ä¼łçIJĥ": 118303, "åĬ©éķ¿": 118304, "åĩ±": 118305, "éķ¶åµĮ": 118306, "é£ŀç¿Ķ": 118307, "è¾ĵåįµ": 118308, "è¾ĵåįµç®¡": 118309, "ä¸ĩåħ¬éĩĮ": 118310, "æݨ广åºĶçĶ¨": 118311, "å¿«æ¨Ĥ": 118312, "秽": 118313, "èī°å·¨": 118314, "åIJ¬å®Į": 118315, "åĿļ硬": 118316, "å¥¥åľ°": 118317, "å¥¥åľ°åĪ©": 118318, "é¢ĵ": 118319, "èĻIJå¾ħ": 118320, "ä¾Ľæ±Ĥ": 118321, "éľīç´ł": 118322, "伪è£ħ": 118323, "ä¹¡åľŁ": 118324, "åĩ¡æľ¬ç½ij": 118325, "åĩ¡æľ¬ç½ij注": 118326, "ä¼ĬåĪ©": 118327, "è¡¡æ°´": 118328, "æĽ´åĥıæĺ¯": 118329, "åĪĨéĴŁå·¦åı³": 118330, "è¦ı模": 118331, "äºĶåĪĨéĴŁ": 118332, "åºĹåĬłçĽŁ": 118333, "åĽ°éĽ£": 118334, "åħ³åģľ": 118335, "æĢĿ绪": 118336, "åĴ½åĸī": 118337, "缸符": 118338, "çĥ¦èºģ": 118339, "æĻĤæľŁ": 118340, "åijĪçı¾": 118341, "解æķ£": 118342, "诱导": 118343, "éļĶçĥŃ": 118344, "çĮ¶": 118345, "åįĹå®ĭ": 118346, "æ·±åħ¥äºĨ解": 118347, "çŃĶçĸij": 118348, "æĺ¼å¤ľ": 118349, "åįĥä¼ı": 118350, "åĬ³åĬ¡æ´¾éģ£": 118351, "红è±Ĩ": 118352, "åĿıäºĭ": 118353, "çĤ¹æ»´": 118354, "å°±ä¸ļå²Ĺä½į": 118355, "约åIJĪ": 118356, "åħįéĻ¤": 118357, "éĢĨåĬ¿": 118358, "éĩįéĩijå±ŀ": 118359, "å®ĺ宣": 118360, "ä½İå»ī": 118361, "æģ¨ä¸įå¾Ĺ": 118362, "å¾Ĺ天": 118363, "å¾Ĺ天çĭ¬": 118364, "å¾Ĺ天çĭ¬åİļ": 118365, "ä¸Ģå°ģä¿¡": 118366, "æĬ½å¥ĸ": 118367, "è¾Ĺ转": 118368, "çķĻå®Ī": 118369, "çķĻå®ĪåĦ¿ç«¥": 118370, "çŃĶåį·": 118371, "å·¨åŀĭ": 118372, "æľĢ好ä¸įè¦ģ": 118373, "æµĻæ±Łå¤§åѦ": 118374, "æĨ¨": 118375, "æı¡æīĭ": 118376, "éĴĪç»ĩ": 118377, "æİĴ骨": 118378, "çĤ½": 118379, "å°ģè£ħ": 118380, "åįĢåŁŁ": 118381, "空æ°ĶåĩĢåĮĸ": 118382, "åħīå½±": 118383, "åĢĴå¡Į": 118384, "å§ļæĺİ": 118385, "æ¤į被": 118386, "åѦåīį": 118387, "åѦåīįæķĻèĤ²": 118388, "èĬĿåĬł": 118389, "èĬĿåĬłåĵ¥": 118390, "缩水": 118391, "ä½Ł": 118392, "åľ¨çº¿åĴ¨è¯¢": 118393, "èµıæŀIJ": 118394, "éĿĴèĽĻ": 118395, "æĬ±ä½ı": 118396, "èĮĤåIJį": 118397, "åħ¨åĬĽæīĵéĢł": 118398, "åįļ士åѦä½į": 118399, "沧å·ŀ": 118400, "åĻ¢": 118401, "æĿĤçī©": 118402, "åĪ»çĶ»": 118403, "æįħ": 118404, "å¾®éĩı": 118405, "å¾®éĩıåħĥç´ł": 118406, "ä¸ĢåĽŀäºĭ": 118407, "鸡èĤī": 118408, "åĪ©æ¶¦çİĩ": 118409, "æīįç®Ĺ": 118410, "å¾®å¦Ļ": 118411, "棵æłij": 118412, "贪婪": 118413, "åĩıåĢ¼": 118414, "梦å¢ĥ": 118415, "åı¯è§Ĩ": 118416, "åı¯è§ĨåĮĸ": 118417, "广大å¸Ĥæ°ij": 118418, "ä¸ĵä¸ļä»İäºĭ": 118419, "ç»ı纬": 118420, "ç´§çĽ¯": 118421, "çŁ¥å·±": 118422, "è¤ļ": 118423, "æĸĩåĮĸåºķèķ´": 118424, "åݦéŨå¸Ĥ": 118425, "临港": 118426, "对åħ¶çľŁå®ŀ": 118427, "岸边": 118428, "è¦ĸçĤº": 118429, "æĬĹçĻĮ": 118430, "åĶIJå®ĩ": 118431, "ä¸įå¾Ĺè¶ħè¿ĩ": 118432, "å¨ģæħij": 118433, "æ¡Ĩæŀ¶åįıè®®": 118434, "èµ°ç§ģ": 118435, "åĽ¢å§Ķ": 118436, "夸大": 118437, "æ¬Ħ": 118438, "ç¥ŀç»ıç³»ç»Ł": 118439, "æijĦå½±ä½ľåĵģ": 118440, "èĬ¥": 118441, "å®īåºĨ": 118442, "海滨": 118443, "æŀĦæĢĿ": 118444, "çīµæĮĤ": 118445, "åı©": 118446, "éĺIJæĺİ": 118447, "éģģ": 118448, "精油": 118449, "ç©´ä½į": 118450, "æĬ¤èº«": 118451, "æĬ¤èº«ç¬¦": 118452, "æĮĩå°İ": 118453, "åŃĺåľ¨ä¸Ģå®ļ": 118454, "å¯ĤéĿĻ": 118455, "æµ·å¤ĸå¸Ĥåľº": 118456, "éĿ¡": 118457, "综åIJĪå¾ģ": 118458, "ä¿IJ": 118459, "è¨Īç®Ĺ": 118460, "æĺİæľĹ": 118461, "äºļè¿IJ": 118462, "äºļè¿IJä¼ļ": 118463, "åīįçŀ»æĢ§": 118464, "åĮ®ä¹ı": 118465, "产ä¸ļæī¶è´«": 118466, "èĦijæµ·": 118467, "èĦijæµ·ä¸Ń": 118468, "åħļçļĦé¢Ĩ导": 118469, "åĪĺéĤ¦": 118470, "æµģæĺŁ": 118471, "æĵĤ": 118472, "æĶĢçĻ»": 118473, "åĴĶ": 118474, "ä¸Ģä¸ĭåŃIJå°±": 118475, "è¯Ĭæ²»": 118476, "使åĬ²": 118477, "åīµä½ľ": 118478, "éĵŃè®°": 118479, "éĴ±è´¢": 118480, "æĹ¥æĬ¥è®°èĢħ": 118481, "çĥŁçģ«": 118482, "èĥľè´Ł": 118483, "åįļ主": 118484, "ä¸ŃåĽ½èģĶéĢļ": 118485, "ç½ijç«Ļé¦ĸ页": 118486, "å°±å¤Ł": 118487, "å°±å¤ŁäºĨ": 118488, "æīijåħĭ": 118489, "å±ħå§Ķä¼ļ": 118490, "è°¬": 118491, "å®īåħ¨äºĭæķħ": 118492, "åķĨçĶ¨è½¦": 118493, "循çݯç»ıæµİ": 118494, "æ·¤": 118495, "èĢĥè¯ģ": 118496, "å®ĿèĹı": 118497, "å®Įç»ĵ": 118498, "çłĶåıijæĬķåħ¥": 118499, "å²ij": 118500, "æģŃæķ¬": 118501, "离éĢĢä¼ij": 118502, "水墨": 118503, "婶": 118504, "è¯Ĺåı¥": 118505, "å®ģæ³¢å¸Ĥ": 118506, "å¼±çĤ¹": 118507, "åģľçīĮ": 118508, "奶油": 118509, "å¥ĩ纳河": 118510, "æĨĤ": 118511, "社ä¼ļå®ŀè·µ": 118512, "è´Ŀ壳": 118513, "çłĤæµĨ": 118514, "èĪ¹åıª": 118515, "宣æī¬": 118516, "综åIJĪæķ´æ²»": 118517, "åĤij": 118518, "æ°ijæĹıæĸĩåĮĸ": 118519, "éĩįçİ°": 118520, "积æ·Ģ": 118521, "åħ¬çĦ¶": 118522, "çħī": 118523, "缸èģļ": 118524, "æ±¾": 118525, "纹çIJĨ": 118526, "çĩĥçħ¤": 118527, "æѤç§į": 118528, "ç¾İå¦Ĩ": 118529, "åįĥçĵ¦": 118530, "çIJĽ": 118531, "驾驶è¯ģ": 118532, "éĺ¶æ¢¯": 118533, "ä¸Ŀä¸Ŀ": 118534, "å¾Īå¤ļäºĭæĥħ": 118535, "åħīéĺ´": 118536, "èijĹä½ľæ¬Ĭ": 118537, "åħ§éĥ¨": 118538, "çĽ¸å¯¹æĿ¥è¯´": 118539, "éĸĴ": 118540, "éľĩæħij": 118541, "說話": 118542, "æĨij": 118543, "ç«¥è£ħ": 118544, "ä½ıæĪ¿åĴĮ": 118545, "ä½ıæĪ¿åĴĮåŁİ": 118546, "å·²ç»ıè¶ħè¿ĩ": 118547, "ä¾¦å¯Ł": 118548, "çŁ¿çī©": 118549, "ä¾Ľå¤§å®¶": 118550, "çī¹éĤĢ": 118551, "ç¨ĭåºıåijĺ": 118552, "çķľçī§ä¸ļ": 118553, "æ°ª": 118554, "çijª": 118555, "åĢĴåľ¨": 118556, "åĢĴåľ¨åľ°": 118557, "æ¯Ģ": 118558, "梯éĺŁ": 118559, "æİ¥èijĹ": 118560, "æĬĹèıĮ": 118561, "è¤ĩ": 118562, "ç¬Ļ": 118563, "æ¯Ķä¸Ĭå¹´": 118564, "鸡汤": 118565, "åŃ¦ä¹łæĪIJ绩": 118566, "æĸijæĸĵ": 118567, "åħĪ导": 118568, "åĪĹ举": 118569, "è°ĥæŁ¥æĺ¾ç¤º": 118570, "æ©«": 118571, "ä¹Ŀåįģ": 118572, "è°¢éŁµ": 118573, "è·¨è¶Ĭå¼ı": 118574, "女æĢ§æľĭåıĭ": 118575, "èIJ¥åħ»ä»·åĢ¼": 118576, "å®ŀè·µç»ıéªĮ": 118577, "èĭıå·ŀå¸Ĥ": 118578, "çĵ¶åŃIJ": 118579, "æĸ°çļĦä¸Ģ": 118580, "æĸ°çļĦä¸Ģå¹´": 118581, "æĺİæĻ°": 118582, "å®łçĪ±": 118583, "åŃĹ第": 118584, "æľĹ诵": 118585, "纳æĸ¯": 118586, "éĢĨè¡Į": 118587, "è«ĭæĤ¨": 118588, "è«ĭæĤ¨æıIJä¾Ľ": 118589, "èĥ¸æĢĢ": 118590, "第ä¸ĥå±Ĭ": 118591, "强壮": 118592, "代åŃķ": 118593, "汶å·Ŀ": 118594, "家åĸ»": 118595, "家åĸ»æĪ·": 118596, "家åĸ»æĪ·æĻĵ": 118597, "èħ®": 118598, "åIJ¯è¿ª": 118599, "æĹłéļľç¢į": 118600, "èĻķçIJĨåıĬ": 118601, "æĿ¥åİĨ": 118602, "å®ŀåĬ¡": 118603, "ä¹Łéļıä¹ĭ": 118604, "æĬĢèĥ½åŁ¹è®Ń": 118605, "åѤç«ĭ": 118606, "åīģ": 118607, "éĥ´å·ŀ": 118608, "æĶ¶æķĽ": 118609, "éł»éģĵ": 118610, "èį£å¹¸": 118611, "èİ«è¿ĩäºİ": 118612, "æѤæĻĤ": 118613, "纪å§ĶçĽij": 118614, "纪å§ĶçĽijå§Ķ": 118615, "缸éĤ»": 118616, "åı¦ä¸Ģè¾¹": 118617, "çªĴæģ¯": 118618, "æľīå¾Īå¤ļç§į": 118619, "æ¯ıéĢ¢": 118620, "éĹ®ä¸ĸ": 118621, "累累": 118622, "éĿĴæĺ¥æľŁ": 118623, "è·¯åĨµ": 118624, "åħĭèݱ": 118625, "è¿Ħä»Ĭ为æŃ¢": 118626, "æĥĬå¥ĩ": 118627, "跨度": 118628, "éħ¿éĢł": 118629, "åĩĭ": 118630, "è¿ijä¸īå¹´": 118631, "åĨħ马": 118632, "åĨħ马å°Ķ": 118633, "æıį": 118634, "è¿Ľå±ķæĥħåĨµ": 118635, "èĮ§": 118636, "æľīåºıæİ¨è¿Ľ": 118637, "æĢ»åĨłåĨĽ": 118638, "æĪIJ绩åįķ": 118639, "éĽ»è©±åıĬ": 118640, "ç´§å¯Ĩç»ĵåIJĪ": 118641, "åºĬä½į": 118642, "é¹Ĭ": 118643, "æķ£åıijçĿĢ": 118644, "åĭŁèµĦ": 118645, "æ°¨éħ¸": 118646, "彩ç¥ŀ": 118647, "è®Ģåıĸ": 118648, "éĩį温": 118649, "ä¸ŃåŃĺåľ¨çļĦ": 118650, "ç¾İéºĹ": 118651, "ä¸įæĸŃå¢ŀåĬł": 118652, "è½®æµģ": 118653, "æİ¥åIJ¬": 118654, "年产åĢ¼": 118655, "åįĥåħĭ": 118656, "æĪĺåľºä¸Ĭ": 118657, "çħ§é¡§": 118658, "å¹²éĥ¨éĺŁä¼į": 118659, "åį°ç«ł": 118660, "ä¸Ģèĩ´æĢ§": 118661, "è¿ŀå¤ľ": 118662, "åħħè£ķ": 118663, "é»ijåIJįåįķ": 118664, "åĩĢæ°´": 118665, "ä¸Ģ大æĹ©": 118666, "åĮħ袱": 118667, "çĬ¯è§Ħ": 118668, "çIJĨè«ĸ": 118669, "æŀģæĺĵ": 118670, "骸": 118671, "å¨ĺå¨ĺ": 118672, "åĽ¢åľĨ": 118673, "亿åħĥ以ä¸Ĭ": 118674, "åĪ©çĶ¨æĤ¨çļĦ": 118675, "带æĿ¥æĽ´å¤ļ": 118676, "ä¸Ń央空è°ĥ": 118677, "æľĪèĸª": 118678, "çĮľæĥ³": 118679, "åĪºå®¢": 118680, "ä½ľæģ¯": 118681, "åįķè°ĥ": 118682, "äºĴåĪ©": 118683, "å¦Ĥæľīä¾µæĿĥ": 118684, "å°ıå·§": 118685, "åįģåł°": 118686, "åĵĪåĵĪåĵĪåĵĪ": 118687, "è¾¹éĻħ": 118688, "æłĩè¯Ń": 118689, "åĪĩåħ¥çĤ¹": 118690, "éĢĨè¢Ń": 118691, "è¯ķåīĤ": 118692, "绿è±Ĩ": 118693, "è®ļ": 118694, "åŁºçĿ£å¾Ĵ": 118695, "壬": 118696, "åħ¨æĺİæĺŁ": 118697, "éĢīç§Ģ": 118698, "èĪĮå°ĸ": 118699, "ä¸įåIJĮç±»åŀĭ": 118700, "çĥŁåĽ±": 118701, "çģµæ°Ķ": 118702, "åĮºç®¡å§Ķä¼ļ": 118703, "åĨľåī¯": 118704, "åĨľåī¯äº§åĵģ": 118705, "èĶļæĿ¥": 118706, "沪æĮĩ": 118707, "åħ»æ®ĸæĪ·": 118708, "æĸĹå¿Ĺ": 118709, "é¦ĸé¢Ĩ": 118710, "è¡Ģèħ¥": 118711, "åĬłç´§": 118712, "ä¸Ģèĩ´å¥½è¯Ħ": 118713, "第ä¸īèĬĤ": 118714, "æī¬å°ĺ": 118715, "交éĢļæŀ¢çº½": 118716, "鼶ç¢İ": 118717, "é»ijæ´ŀ": 118718, "çľĭä¸įæĩĤ": 118719, "å±ŀå®ŀ": 118720, "主åŁİåĮº": 118721, "å¨Ľ": 118722, "å¨Ľæ¨Ĥ": 118723, "ç¬ijæĦı": 118724, "èĻ¹æ¡¥": 118725, "åIJĦ个çݯèĬĤ": 118726, "çķ¥å¾®": 118727, "èĢķèĢĺ": 118728, "æľ¬åľºæ¯ĶèµĽ": 118729, "æĪIJè´¥": 118730, "éĢīèĤ¡": 118731, "èªŀè¨Ģ": 118732, "çŃĶ辩": 118733, "èĩªä¹ł": 118734, "棺": 118735, "ä¸ĩ欧åħĥ": 118736, "åģľå·¥": 118737, "对åħ¶è¿Ľè¡Į": 118738, "积æŀģéħįåIJĪ": 118739, "ä¹¾åĿ¤": 118740, "å¦ĸæĢª": 118741, "èļĮåŁł": 118742, "èµĦ产è¯Ħä¼°": 118743, "è°ĥçļ®": 118744, "éĻ¤å¤ķ": 118745, "åĽ´å¢Ļ": 118746, "æľįå½¹": 118747, "æ·±æ¸Ĭ": 118748, "é¢ĦåĪ¶": 118749, "çĥ½": 118750, "å®ī稳": 118751, "建æŀĦ": 118752, "çĭĻåĩ»": 118753, "主åĭķ註åĨĬ": 118754, "éĥ½æľīèĩªå·±": 118755, "æİĴåIJį第ä¸Ģ": 118756, "麻辣": 118757, "çĢļ": 118758, "çĥŁèĬ±çĪĨ": 118759, "çĥŁèĬ±çĪĨ竹": 118760, "èĩªçĦ¶ä¿ĿæĬ¤": 118761, "ä»Ļå¢ĥ": 118762, "为äºĨéģ¿åħį": 118763, "åĨ·åºĵ": 118764, "解æĶ¾æĢĿæĥ³": 118765, "åĪĿäºĮ": 118766, "ä½ĵè´´": 118767, "é¦ĸå¯Į": 118768, "迪æĭľ": 118769, "æļĤç¼ĵ": 118770, "æĶ¯æĮģåĬĽåº¦": 118771, "侦æİ¢": 118772, "马åĪº": 118773, "åĮĹæ±½": 118774, "ç¹ŀ": 118775, "è°İè¨Ģ": 118776, "éĢ£çºĮ": 118777, "å·³": 118778, "ä»»ä½ķæŶåĢĻ": 118779, "车èģĶç½ij": 118780, "åįķ项": 118781, "å¸Ńåį·": 118782, "建çŃijæĿIJæĸĻ": 118783, "ä¸Ńç§ĭèĬĤ": 118784, "ç¡ķ士çłĶ究": 118785, "ç§ģç«ĭ": 118786, "åħļåĴĮæĶ¿åºľ": 118787, "æľ¬æ¬¡äº¤æĺĵ": 118788, "èººåľ¨åºĬä¸Ĭ": 118789, "ç½ijåıĭè¯Ħ论": 118790, "å¦Ŀ": 118791, "害ç¾ŀ": 118792, "åħ¬ç«ĭåĮ»éĻ¢": 118793, "ä¸ŀ": 118794, "çĶŁçī©è´¨": 118795, "åºĶéĤĢ": 118796, "æĬ½åıĸ": 118797, "åĩłå¼ł": 118798, "æijĺç¼ĸ": 118799, "ç»ĺæľ¬": 118800, "详解": 118801, "强硬": 118802, "æľĢåħĪè¿ĽçļĦ": 118803, "æĭĽèĤ¡": 118804, "æĭĽèĤ¡ä¹¦": 118805, "åįĥæĸ¹": 118806, "åįĥæĸ¹çĻ¾": 118807, "åįĥæĸ¹çĻ¾è®¡": 118808, "éħįéŁ³": 118809, "驾çħ§": 118810, "å¾ģæĪĺ": 118811, "èªĵè¨Ģ": 118812, "æĭľå¸Ī": 118813, "æĭľå¸ĪåѦ": 118814, "æĭľå¸ĪåѦèīº": 118815, "æĬ±åĽ¢": 118816, "ç±³ç²ī": 118817, "éĿŀ常éĢĤåIJĪ": 118818, "èĪªæµ·": 118819, "履约": 118820, "åįģåħ«æĿ¡": 118821, "éĶ»éĢł": 118822, "éĩįè¦ģ举æݪ": 118823, "åıijæĮ¥ä½ľçĶ¨": 118824, "æ·ļ": 118825, "人社": 118826, "人社å±Ģ": 118827, "è¯ķçĤ¹å·¥ä½ľ": 118828, "éĺľéĺ³": 118829, "æ¡ĥåľĴ": 118830, "æ°ijä¼ģ": 118831, "æ´ģçĻ½": 118832, "贵宾": 118833, "åħ¬ç¤¾": 118834, "è§īæĤŁ": 118835, "è®°å¿ĨåĬĽ": 118836, "æľĥåĵ¡è¨»åĨĬ": 118837, "æѤæ¡Ī": 118838, "麻çĹ¹": 118839, "çıĢ": 118840, "æĸ©èİ·": 118841, "çĶ·åŃ©åŃIJ": 118842, "å±ĢéĻIJäºİ": 118843, "åĭĺæŁ¥": 118844, "åIJĥ饱": 118845, "èĬ¬åħ°": 118846, "æ£ķèī²": 118847, "ç¦ıç¥ī": 118848, "çĶ³èĬ±": 118849, "æµ·çĽĹ": 118850, "èĶij": 118851, "æĸĩåѸ": 118852, "æ´»æĢ§çĤŃ": 118853, "缴éĢļ车": 118854, "è°¢éĤĢ": 118855, "躺çĿĢ": 118856, "åľĥ": 118857, "æ¯ıæĹ¥ç»ıæµİ": 118858, "åħ¬åħ±æĸĩåĮĸ": 118859, "讲æķħäºĭ": 118860, "å¯Łçľĭ": 118861, "æĤłéĹ²": 118862, "åľ°åĿª": 118863, "æ¶Įçİ°åĩº": 118864, "é«ĺçŃīéĻ¢æł¡": 118865, "èĮĦåŃIJ": 118866, "éĺ²åį«": 118867, "ä¾ĭè¡Į": 118868, "æĺ¾éľ²": 118869, "æĸ°å¸¸æĢģ": 118870, "ç»Ŀä½³": 118871, "å¯Įæ°ij": 118872, "以人æ°ij": 118873, "以人æ°ij为": 118874, "éĤ¢åı°": 118875, "å±ķæ¼Ķ": 118876, "çĻ¼å¸ĥ": 118877, "è´Łè½½": 118878, "åģı离": 118879, "æ°¸éģł": 118880, "éĩįè¦ģåİŁåĽł": 118881, "åįıä¼ļä¼ļåijĺ": 118882, "éļ¾æ°ij": 118883, "çĶŁäº§è½¦éĹ´": 118884, "çģµåĬ¨": 118885, "两年åīį": 118886, "æĸ¹åľĨ": 118887, "æ´»ä¸ĭåİ»": 118888, "ä¸ĸçķĮè§Ĥ": 118889, "éªĹåıĸ": 118890, "ç¾İè²Į": 118891, "èĥ½çľĭåĩº": 118892, "çĻ¼æı®": 118893, "è§Ĥå½±": 118894, "åīĥ": 118895, "åIJĪèµĦåħ¬åı¸": 118896, "婧": 118897, "å¹²æű": 118898, "åħŃ个æľĪ": 118899, "尤为éĩįè¦ģ": 118900, "èĤ½": 118901, "ç§¦åĽ½": 118902, "æīĺç¦ı": 118903, "建çŃijå¸Ī": 118904, "åįĩ级æĶ¹éĢł": 118905, "å°ıé¢Ŀ": 118906, "å°ıé¢Ŀ贷款": 118907, "两个维æĬ¤": 118908, "æĭįæĭį": 118909, "åı¯çĸij": 118910, "æį¢åıĸ": 118911, "æŃ¦å£«": 118912, "èµĸ以": 118913, "èµĸ以çĶŁåŃĺ": 118914, "æĮļ": 118915, "殿åłĤ": 118916, "èĩªçĦ¶çķĮ": 118917, "ç£ģåľº": 118918, "å¦Ĥä½ķçľĭå¾ħ": 118919, "ä»ĬæĹ¥å¤´æĿ¡": 118920, "è¥¿åŁŁ": 118921, "èİ·è¯Ħ": 118922, "é¢¨æł¼": 118923, "ä¿ĦåĽ½": 118924, "æīĵæĭ¼": 118925, "å®£ä¼łçīĩ": 118926, "å¾Īæĸ¹ä¾¿": 118927, "ä¾Ľç»Ļ侧": 118928, "纪念ç¢ij": 118929, "毫åħĭ": 118930, "èĬ³é¦Ļ": 118931, "å·¥åķĨéĵ¶è¡Į": 118932, "请çĤ¹åĩ»": 118933, "缪": 118934, "æĹłæķ°æ¬¡": 118935, "èį¯å¸Ī": 118936, "èħ¸": 118937, "游èīĩ": 118938, "åĮ¾": 118939, "å·¡èĪª": 118940, "æ²»çIJĨä½ĵç³»": 118941, "èIJ¥éĢłèī¯å¥½": 118942, "æ··æ·Ĩ": 118943, "éĢļçķħ": 118944, "åĬ³ç´¯": 118945, "ä»ĵä½į": 118946, "å¢ŀéķ·": 118947, "éļIJ约": 118948, "æĿĤå¿Ĺ社": 118949, "åħ»èĤ²": 118950, "åı¯èĥ½åıijçĶŁ": 118951, "èĢĥ試": 118952, "西侧": 118953, "åĬłåĢį": 118954, "主æĮģåı¬å¼Ģ": 118955, "çķ¢ç«Ł": 118956, "éĹ®è¯¢": 118957, "æµ·æ£ł": 118958, "èĹ©": 118959, "注æĺİæĿ¥æºIJ": 118960, "æ£Ģçĸ«": 118961, "请åģĩ": 118962, "æĬļæij¸": 118963, "èĵĦçĶµæ±ł": 118964, "è·Łä¸įä¸Ĭ": 118965, "çݰ代社ä¼ļ": 118966, "çŃ¹èµĦ": 118967, "ä½ĵèĤ²å½©ç¥¨": 118968, "延误": 118969, "è¾Ľè¾£": 118970, "éĿ¢å®¹": 118971, "åį°è®°": 118972, "çģŃ亡": 118973, "ç´łé£Ł": 118974, "åħ´èĩ´": 118975, "éľĢè¦ģçĶ¨": 118976, "éľĢè¦ģçĶ¨åĪ°": 118977, "å®Ŀå¦Ī": 118978, "ç£ĭåķĨ": 118979, "éļ¶å±ŀ": 118980, "è´¡çĮ®åĬĽéĩı": 118981, "åħ¬åħ±èµĦæºIJ": 118982, "大éĺª": 118983, "åĨĽè®Ń": 118984, "æĤ¬å¿µ": 118985, "社ä¼ļ稳å®ļ": 118986, "å¹²äºĭåĪĽä¸ļ": 118987, "æľīæĿ¡ä»¶": 118988, "æľīæĿ¡ä»¶çļĦ": 118989, "ä¸Ģå¹´ä¸Ģ度": 118990, "åİ¥": 118991, "强奸": 118992, "豪车": 118993, "æİĮæŁľ": 118994, "æ°´åĪ©å·¥ç¨ĭ": 118995, "峪": 118996, "积æŀģä½ľçĶ¨": 118997, "æµ·æ·Ģ": 118998, "æµ·æ·ĢåĮº": 118999, "çĥŃæĴŃ": 119000, "åĿļæĮģä¸įæĩĪ": 119001, "åıĮèĦļ": 119002, "绣æĪĺ": 119003, "ä»»ä½ķ人éĥ½": 119004, "åľ°ä¸ĭ室": 119005, "åĨ¶çĤ¼": 119006, "è°ħ解": 119007, "æ¸ĶèĪ¹": 119008, "太éĺ³åŁİ": 119009, "被æįķ": 119010, "计ç®ĹåĻ¨": 119011, "西åĮ»": 119012, "èĪĴå¿ĥ": 119013, "桦": 119014, "éģ²": 119015, "åĬij": 119016, "è¨Ĺ": 119017, "èݺ": 119018, "åĸ¬": 119019, "çĵ¯": 119020, "åĺĺ": 119021, "åłķ": 119022, "æķĿ": 119023, "åij¦": 119024, "èĭŀ": 119025, "æŃ¹": 119026, "æĵ¬": 119027, "æ£Ħ": 119028, "èĪµ": 119029, "奪": 119030, "çļĭ": 119031, "æĶ¸": 119032, "åľ©": 119033, "ç¤Ļ": 119034, "ç¢ĺ": 119035, "éıĪ": 119036, "æĦķ": 119037, "ç¹³": 119038, "èĺ¸": 119039, "è²Ĥ": 119040, "æ¼²": 119041, "æij¹": 119042, "æĶĿ": 119043, "åŃ¢": 119044, "èķŃ": 119045, "騰": 119046, "æ½¼": 119047, "éħ°": 119048, "æĴ¥": 119049, "蹬": 119050, "é¨Ļ": 119051, "踹": 119052, "éģIJ": 119053, "çĺĢ": 119054, "èĽ¤": 119055, "æĤĸ": 119056, "çĴŀ": 119057, "ç£IJ": 119058, "æİ°": 119059, "è¾Ĭ": 119060, "å¾ij": 119061, "æİĸ": 119062, "éģŀ": 119063, "éĤ¸": 119064, "éĽı": 119065, "æĨİ": 119066, "æľ½": 119067, "çį»": 119068, "ç®Ķ": 119069, "褶": 119070, "æļ¢": 119071, "æĺµ": 119072, "çıĤ": 119073, "æĤ¸": 119074, "åģµ": 119075, "åĻľ": 119076, "壯": 119077, "æĴ®": 119078, "æģį": 119079, "å©ķ": 119080, "篱": 119081, "éĺĻ": 119082, "çīł": 119083, "è£ĺ": 119084, "è³¢": 119085, "éĩľ": 119086, "éĵł": 119087, "èİĺ": 119088, "æ®Ĩ": 119089, "çĻ¸": 119090, "è´ı": 119091, "ç²±": 119092, "å«¡": 119093, "åĨ¢": 119094, "è¤Ĵ": 119095, "æĩĬ": 119096, "éľĵ": 119097, "塵": 119098, "æĭ£": 119099, "å»Ł": 119100, "飽": 119101, "é¢Į": 119102, "åļİ": 119103, "æ·º": 119104, "èĨł": 119105, "åİŃ": 119106, "åļĩ": 119107, "åijĥ": 119108, "çĴĭ": 119109, "çѱ": 119110, "æĭ·": 119111, "èį§": 119112, "éĶ°": 119113, "åŃ°": 119114, "èĵĵ": 119115, "èĨ½": 119116, "æŀī": 119117, "åĸ½": 119118, "çĽĶ": 119119, "çŃIJ": 119120, "ç¾ļ": 119121, "èħĮ": 119122, "辫": 119123, "æ³ĵ": 119124, "çĶ¬": 119125, "èŁ²": 119126, "åĸª": 119127, "å¦ĵ": 119128, "è¬Ģ": 119129, "çĤĬ": 119130, "æĽľ": 119131, "æ±IJ": 119132, "è´Ī": 119133, "èįĢ": 119134, "æĬł": 119135, "碾": 119136, "æ«ĥ": 119137, "éŀł": 119138, "èijĨ": 119139, "祯": 119140, "å½Ŀ": 119141, "é¦į": 119142, "åĮ£": 119143, "æľŃ": 119144, "åĿĤ": 119145, "ä¿ij": 119146, "èĵ®": 119147, "çijĽ": 119148, "æīī": 119149, "èĩŁ": 119150, "貫": 119151, "çİ¥": 119152, "æ·¼": 119153, "åݲ": 119154, "é³Į": 119155, "å³Ń": 119156, "åijĽ": 119157, "é§": 119158, "é§IJ": 119159, "éģ·": 119160, "俪": 119161, "æĢĤ": 119162, "è¾į": 119163, "å±į": 119164, "åĭģ": 119165, "å¥ļ": 119166, "éļħ": 119167, "éĴ´": 119168, "è¼Ŀ": 119169, "宦": 119170, "èIJĥ": 119171, "çĺĭ": 119172, "æĨ¶": 119173, "æĤħ": 119174, "è¾Ļ": 119175, "åijľ": 119176, "çłº": 119177, "éĢŀ": 119178, "æµļ": 119179, "éĸ£": 119180, "èĸ©": 119181, "éĻĭ": 119182, "çĤĻ": 119183, "èªķ": 119184, "丣": 119185, "é¹½": 119186, "ç±Į": 119187, "è´°": 119188, "éĭª": 119189, "çľ©": 119190, "æĴIJ": 119191, "èĨº": 119192, "éŀĺ": 119193, "ç¾²": 119194, "窮": 119195, "ç´IJ": 119196, "æ®´": 119197, "纾": 119198, "èºį": 119199, "ç´ĭ": 119200, "çĦĸ": 119201, "çĶº": 119202, "çī½": 119203, "çĤ¯": 119204, "ç¼Ķ": 119205, "æ¯ĵ": 119206, "嬰": 119207, "梧": 119208, "äºŁ": 119209, "è¢ħ": 119210, "çįĦ": 119211, "è¿¥": 119212, "æ¼¾": 119213, "çĿij": 119214, "績": 119215, "é¦ĭ": 119216, "é¤ħ": 119217, "æ¹Ħ": 119218, "æĺĩ": 119219, "æŀŃ": 119220, "èĸ°": 119221, "æŁij": 119222, "榻": 119223, "åĻĹ": 119224, "åĻ´": 119225, "棣": 119226, "åĶ§": 119227, "çĨ¹": 119228, "輯": 119229, "å¢Ł": 119230, "é²²": 119231, "æĪĽ": 119232, "èī¦": 119233, "èĬ®": 119234, "åĺŁ": 119235, "帥": 119236, "å¿»": 119237, "çĮĿ": 119238, "寵": 119239, "賦": 119240, "èĽ¾": 119241, "滾": 119242, "çĤķ": 119243, "éĵ¬": 119244, "èĴ¿": 119245, "éĴ¨": 119246, "çĥĻ": 119247, "ç²ķ": 119248, "æĥ¦": 119249, "溧": 119250, "é¢į": 119251, "éħ£": 119252, "峦": 119253, "ç±ģ": 119254, "çĥĥ": 119255, "åĨĹ": 119256, "åıģ": 119257, "缧": 119258, "ç½µ": 119259, "éĴĹ": 119260, "å¬ī": 119261, "è°ı": 119262, "糧": 119263, "è¾Ń": 119264, "æ·¬": 119265, "èŁĴ": 119266, "诩": 119267, "è¦ĥ": 119268, "çĻĸ": 119269, "é½Ĵ": 119270, "çĪIJ": 119271, "ç®į": 119272, "ç¼İ": 119273, "磺": 119274, "诫": 119275, "褲": 119276, "æĵł": 119277, "èIJ¦": 119278, "çĿ¬": 119279, "è°į": 119280, "éĦ°": 119281, "æł¾": 119282, "é¡ı": 119283, "縱": 119284, "桨": 119285, "éĨ¬": 119286, "襲": 119287, "讪": 119288, "婺": 119289, "èįŁ": 119290, "åĮĿ": 119291, "çĨł": 119292, "èĽĬ": 119293, "æ¸ļ": 119294, "å´½": 119295, "鲤": 119296, "åķ°": 119297, "åĮķ": 119298, "ä¸IJ": 119299, "讥": 119300, "åı½": 119301, "åı¼": 119302, "çļ¿": 119303, "è¿Ĥ": 119304, "åIJĨ": 119305, "å±¹": 119306, "èĩ¼": 119307, "讹": 119308, "é©®": 119309, "纫": 119310, "æ±ŀ": 119311, "æĬ¡": 119312, "èĭĩ": 119313, "åIJł": 119314, "åIJŃ": 119315, "åIJ®": 119316, "å²ĸ": 119317, "ä½ĥ": 119318, "çĭĪ": 119319, "åºĩ": 119320, "åIJĿ": 119321, "éĹ°": 119322, "æ±¹": 119323, "忱": 119324, "æĭĦ": 119325, "æĭĹ": 119326, "èĮī": 119327, "èĭĽ": 119328, "èĮģ": 119329, "çŁ¾": 119330, "èĻı": 119331, "åij»": 119332, "åĴĦ": 119333, "å¿¿": 119334, "èĤ®": 119335, "çĭŀ": 119336, "çĸŁ": 119337, "çĸĻ": 119338, "çĸļ": 119339, "æ³ŀ": 119340, "å¸ļ": 119341, "å±ī": 119342, "è¿¢": 119343, "驹": 119344, "çİ·": 119345, "çıĬó": 119346, "çıĬół": 119347, "çıĬółĦ": 119348, "çıĬółĦģ": 119349, "æĮİ": 119350, "æĭ´": 119351, "åŀĽ": 119352, "èį¤": 119353, "æ®ĥ": 119354, "çĽ¹": 119355, "åĵĨ": 119356, "è´»": 119357, "毡": 119358, "çĭ°": 119359, "çĭ¡": 119360, "æŁĴ": 119361, "æģĥ": 119362, "诬": 119363, "è¢Ħ": 119364, "诲": 119365, "èļ¤": 119366, "èĢĻ": 119367, "åŁĤ": 119368, "æįİ": 119369, "æįĮ": 119370, "æ¢Ĩ": 119371, "éħĮ": 119372, "çł¾": 119373, "æ®ī": 119374, "åĶł": 119375, "æĻĮ": 119376, "èļ£": 119377, "èļª": 119378, "èļĵ": 119379, "鸯": 119380, "åĶģ": 119381, "åĶĨ": 119382, "åĢĶ": 119383, "èĪĢ": 119384, "豺": 119385, "èĥ°": 119386, "鸵": 119387, "鸳": 119388, "é¦ģ": 119389, "ç¾Ķ": 119390, "涣": 119391, "æ¶ķ": 119392, "æĤ¯": 119393, "诽": 119394, "è°Ĩ": 119395, "ç¥Ł": 119396, "绢": 119397, "æįº": 119398, "æį¶": 119399, "æį»": 119400, "æİĤ": 119401, "èıł": 119402, "èIJ¤": 119403, "éħĹ": 119404, "羶": 119405, "åķĦ": 119406, "èļ¯": 119407, "èĽĢ": 119408, "åĶ¬": 119409, "帷": 119410, "éĵIJ": 119411, "éĵĽ": 119412, "åģİ": 119413, "å¾Ļ": 119414, "èĦ¯": 119415, "è±ļ": 119416, "çĮĸ": 119417, "çĹĬ": 119418, "涮": 119419, "æĥŃ": 119420, "æĤ´": 119421, "æĥĭ": 119422, "è°ļ": 119423, "æı©": 119424, "æIJĢ": 119425, "æIJĶ": 119426, "æ¦Ķ": 119427, "æ¤Ń": 119428, "éĽ³": 119429, "åĸ³": 119430, "è·Ľ": 119431, "èľĵ": 119432, "èľĴ": 119433, "é¹ĥ": 119434, "éĶĦ": 119435, "çĶ¥": 119436, "çŃı": 119437, "çĮ©": 119438, "çĮ¬": 119439, "çĮ¾": 119440, "çĹ¢": 119441, "çĹª": 119442, "æĥ°": 119443, "çªĺ": 119444, "è°¤": 119445, "éļĺ": 119446, "å©¿": 119447, "é¹ī": 119448, "çijĻ": 119449, "æĸŁ": 119450, "椿": 119451, "éħª": 119452, "éĽ¹": 119453, "åŦ": 119454, "è··": 119455, "è·º": 119456, "è·¤": 119457, "èľĪ": 119458, "èľĹ": 119459, "å¹Į": 119460, "é¦ı": 119461, "èªĬ": 119462, "æ¼ĵ": 119463, "è¤Ĥ": 119464, "èĶĹ": 119465, "èĶ¼": 119466, "åħ¢": 119467, "裳": 119468, "èľ»": 119469, "èĿĩ": 119470, "åĺĢ": 119471, "éĶ¹": 119472, "ç®ķ": 119473, "箩": 119474, "çĺ©": 119475, "çĺŁ": 119476, "æ¼±": 119477, "寥": 119478, "骡": 119479, "æĴµ": 119480, "æĴ¬": 119481, "è±Į": 119482, "åĺ¹": 119483, "èĿł": 119484, "èĿĮ": 119485, "èĿĹ": 119486, "èĿĻ": 119487, "éķIJ": 119488, "稼": 119489, "ç¯ĵ": 119490, "èĨĽ": 119491, "鲫": 119492, "çĺª": 119493, "鲨": 119494, "æĨĶ": 119495, "ç¿©": 119496, "褥": 119497, "ç¼Ń": 119498, "åĻ©": 119499, "çĵ¢": 119500, "éľİ": 119501, "踱": 119502, "è¹Ĥ": 119503, "èŁĨ": 119504, "鹦": 119505, "篡": 119506, "çĺ¸": 119507, "窿": 119508, "ç¼°": 119509, "èĹIJ": 119510, "è¹ĭ": 119511, "èŁĭ": 119512, "èŁĢ": 119513, "赡": 119514, "èĩĬ": 119515, "é³Ħ": 119516, "ç³ł": 119517, "æĩ¦": 119518, "åļ£": 119519, "éķ°": 119520, "é³į": 119521, "ç°¸": 119522, "çĻ£": 119523, "é³ĸ": 119524, "é¬ĵ": 119525, "èłķ": 119526, "éľ¹": 119527, "èºı": 119528, "黯": 119529, "çĵ¤": 119530, "çŁĹ": 119531, "ä¹Ĥ": 119532, "ä¹ľ": 119533, "åħĢ": 119534, "å¼ĭ": 119535, "åŃij": 119536, "åŃĵ": 119537, "幺": 119538, "äºĵ": 119539, "廿": 119540, "ä¸ı": 119541, "åįħ": 119542, "ä»ĥ": 119543, "ä»ī": 119544, "ä»Ĥ": 119545, "åĪĪ": 119546, "çĪ»": 119547, "åįŀ": 119548, "éĹ©": 119549, "讣": 119550, "夬": 119551, "çĪ¿": 119552, "æ¯ĭ": 119553, "éĤĹ": 119554, "éĤĽ": 119555, "èī½": 119556, "èī¿": 119557, "åıµ": 119558, "ä¸ķ": 119559, "åĮľ": 119560, "åĬ¢": 119561, "åįŁ": 119562, "åı±": 119563, "åı»": 119564, "仨": 119565, "代": 119566, "仡": 119567, "仫": 119568, "ä»ŀ": 119569, "åį®": 119570, "æ°IJ": 119571, "çĬ°": 119572, "åĪį": 119573, "éĤĿ": 119574, "éĤĻ": 119575, "讦": 119576, "讧": 119577, "讫": 119578, "å°»": 119579, "éĺ¡": 119580, "å°ķ": 119581, "å¼ģ": 119582, "èĢĴ": 119583, "çİİ": 119584, "çİij": 119585, "åľ¬": 119586, "æī¦": 119587, "åľª": 119588, "åľ¹": 119589, "æīª": 119590, "åľ®": 119591, "åľ¯": 119592, "èĬĬ": 119593, "èĬį": 119594, "èĬĦ": 119595, "èĬ¨": 119596, "èĬij": 119597, "èĬİ": 119598, "èĬĹ": 119599, "äºĺ": 119600, "åİį": 119601, "夼": 119602, "æĪį": 119603, "å°¥": 119604, "乩": 119605, "æĹ¯": 119606, "æĽ³": 119607, "å²Į": 119608, "屺": 119609, "åĩ¼": 119610, "åĽ¡": 119611, "éĴĩ": 119612, "缶": 119613, "æ°ĺ": 119614, "æ°ĸ": 119615, "çīĿ": 119616, "ä¼İ": 119617, "ä¼Ľ": 119618, "ä¼¢": 119619, "佤": 119620, "仵": 119621, "ä¼¥": 119622, "伧": 119623, "ä¼ī": 119624, "伫": 119625, "åĽŁ": 119626, "æ±Ĩ": 119627, "åĪĸ": 119628, "å¤Ļ": 119629, "æĹ®": 119630, "åĪİ": 119631, "çĬ·": 119632, "çĬ¸": 119633, "èĪĽ": 119634, "åĩ«": 119635, "éĤ¬": 119636, "饧": 119637, "æ±Ķ": 119638, "æ±ľ": 119639, "æ±Ĭ": 119640, "å¿ĸ": 119641, "å¿ı": 119642, "è®´": 119643, "讵": 119644, "è®·": 119645, "èģ¿": 119646, "èī®": 119647, "åݾ": 119648, "å¦ģ": 119649, "纡": 119650, "纣": 119651, "纥": 119652, "纨": 119653, "çİķ": 119654, "çİĻ": 119655, "æĬŁ": 119656, "æĬĶ": 119657, "åľ»": 119658, "åĿį": 119659, "æĬĥ": 119660, "ã§IJ": 119661, "èĬ«": 119662, "èĬ¾": 119663, "èĭĪ": 119664, "èĭ£": 119665, "èĭĭ": 119666, "èĬ¼": 119667, "èĭĮ": 119668, "èĭģ": 119669, "èĬ©": 119670, "èĬª": 119671, "èĬ¡": 119672, "èĬŁ": 119673, "èĭĦ": 119674, "èĭİ": 119675, "èĭ¡": 119676, "æĿĮ": 119677, "æĿĵ": 119678, "æĿĪ": 119679, "å¿ij": 119680, "åŃĽ": 119681, "éĤ´": 119682, "éĤ³": 119683, "å¥ģ": 119684, "è±ķ": 119685, "å¿Ĵ": 119686, "欤": 119687, "轫": 119688, "è¿ĵ": 119689, "éĤ¶": 119690, "å¿IJ": 119691, "åį£": 119692, "éĤº": 119693, "æĹ°": 119694, "åijĭ": 119695, "åijĴ": 119696, "åijĵ": 119697, "åijĶ": 119698, "åijĸ": 119699, "æŸ": 119700, "åIJ¡": 119701, "èĻ¬": 119702, "åIJ½": 119703, "åIJ£": 119704, "åIJ²": 119705, "å¸ı": 119706, "å²Ī": 119707, "å²ĺ": 119708, "åħķ": 119709, "åĽµ": 119710, "åĽ«": 119711, "éĴĬ": 119712, "éĴĭ": 119713, "éĴĮ": 119714, "è¿ķ": 119715, "æ°Ļ": 119716, "æ°ļ": 119717, "çī¤": 119718, "ä½ŀ": 119719, "ä½ļ": 119720, "ä½Ŀ": 119721, "ä½Ĺ": 119722, "å½·": 119723, "ä½ĺ": 119724, "ä½¥": 119725, "豸": 119726, "åĿĮ": 119727, "èĤŁ": 119728, "å¥Ĥ": 119729, "åĬ¬": 119730, "çĭģ": 119731, "鸳": 119732, "饨": 119733, "饩": 119734, "饫": 119735, "饬": 119736, "åºij": 119737, "åºĭ": 119738, "çĸĶ": 119739, "çĸĸ": 119740, "èĤĵ": 119741, "éű": 119742, "éĹ³": 119743, "çĤĢ": 119744, "æ²£": 119745, "æ²ħ": 119746, "æ²Ķ": 119747, "沤": 119748, "æ²ı": 119749, "æ²ļ": 119750, "汩": 119751, "汨": 119752, "沨": 119753, "æ±´": 119754, "æ²Ĩ": 119755, "沩": 119756, "æ³IJ": 119757, "æĢĥ": 119758, "æĢĦ": 119759, "å¿¡": 119760, "忤": 119761, "忾": 119762, "æĢħ": 119763, "忪": 119764, "æĢĨ": 119765, "å¿Ń": 119766, "忸": 119767, "è¯Ĥ": 119768, "è¯ĥ": 119769, "è¯ħ": 119770, "è¯ĭ": 119771, "è¯Į": 119772, "è¯Ĵ": 119773, "éĻĤ": 119774, "éĻī": 119775, "妩": 119776, "妪": 119777, "妣": 119778, "å¦Ĺ": 119779, "妫": 119780, "å§Ĵ": 119781, "妤": 119782, "åĬŃ": 119783, "åĪŃ": 119784, "éĤ°": 119785, "çºŃ": 119786, "纰": 119787, "纴": 119788, "çİ¡": 119789, "çİŃ": 119790, "çİł": 119791, "çİ¢": 119792, "çݦ": 119793, "çĽĤ": 119794, "å¿Ŀ": 119795, "åĮ¦": 119796, "åĿ©": 119797, "æĬ¨": 119798, "æĭ¤": 119799, "åĿ«": 119800, "æĭĪ": 119801, "åŀĨ": 119802, "æĬ»": 119803, "åĬ¼": 119804, "æĭĥ": 119805, "æĭĬ": 119806, "åĿ¼": 119807, "åĿ»": 119808, "ã§Ł": 119809, "åĿ¨": 119810, "åĿŃ": 119811, "æĬ¿": 119812, "åĿ³": 119813, "èĭ·": 119814, "èĭ¤": 119815, "èĮı": 119816, "èĭ«": 119817, "èĭľ": 119818, "èĭ´": 119819, "èĭĴ": 119820, "èĭĺ": 119821, "èĮĮ": 119822, "èĭ»": 119823, "èĭĵ": 119824, "èĮļ": 119825, "èĮĨ": 119826, "èĮij": 119827, "èĮĵ": 119828, "èĮĶ": 119829, "èĮķ": 119830, "èĮĢ": 119831, "èĭķ": 119832, "æŀ¥": 119833, "æŀĩ": 119834, "æĿª": 119835, "æĿ³": 119836, "æŀ§": 119837, "æĿµ": 119838, "æŀ¨": 119839, "æŀŀ": 119840, "æŀĭ": 119841, "æĿ»": 119842, "æĿ·": 119843, "æĿ¼": 119844, "磸": 119845, "çłĢ": 119846, "åĪ³": 119847, "å¥Ħ": 119848, "æ®ģ": 119849, "éĥı": 119850, "è½Ń": 119851, "éĥħ": 119852, "鸢": 119853, "缱": 119854, "æĺĻ": 119855, "æĿ²": 119856, "æĺĥ": 119857, "åĴĤ": 119858, "åij¸": 119859, "æĺĢ": 119860, "æĹ»": 119861, "æĺī": 119862, "çĤħ": 119863, "çķĢ": 119864, "èĻ®": 119865, "åĴĢ": 119866, "åij·": 119867, "黾": 119868, "åij±": 119869, "åij¤": 119870, "åĴĨ": 119871, "åĴĽ": 119872, "åij¶": 119873, "åij£": 119874, "åĴĿ": 119875, "å²¢": 119876, "岿": 119877, "岬": 119878, "岫": 119879, "å¸Ļ": 119880, "å²£": 119881, "å³ģ": 119882, "åĪ¿": 119883, "å²·": 119884, "åīĢ": 119885, "å¸Ķ": 119886, "å³Ħ": 119887, "æ²ĵ": 119888, "åĽ¹": 119889, "ç½Ķ": 119890, "éĴį": 119891, "éĴİ": 119892, "éĴı": 119893, "éĴĴ": 119894, "éĴķ": 119895, "éĤ¾": 119896, "è¿®": 119897, "çī¦": 119898, "竺": 119899, "迤": 119900, "佶": 119901, "ä¾ij": 119902, "ä¾ī": 119903, "èĩ¾": 119904, "ä¾Ĺ": 119905, "ä¾ı": 119906, "侩": 119907, "ä½»": 119908, "ä½¾": 119909, "侪": 119910, "ä½¼": 119911, "佯": 119912, "侬": 119913, "å¸Ľ": 119914, "ä¾Ķ": 119915, "å¾Ĥ": 119916, "åĪ½": 119917, "éĥĦ": 119918, "ç±´": 119919, "çĵ®": 119920, "æĪĹ": 119921, "èĤ¼": 119922, "äıĿ": 119923, "èĤ±": 119924, "èĤ«": 119925, "è¿©": 119926, "éĥĩ": 119927, "çĭİ": 119928, "çĭį": 119929, "çĭĴ": 119930, "åĴİ": 119931, "饯": 119932, "饴": 119933, "åĨ½": 119934, "åĨ¼": 119935, "åºĸ": 119936, "çĸł": 119937, "çĸĿ": 119938, "åħĸ": 119939, "åĬ¾": 119940, "ð¬ī": 119941, "ð¬ī¼": 119942, "çĤĺ": 119943, "çĤĿ": 119944, "çĤĶ": 119945, "æ³Ķ": 119946, "æ²Ń": 119947, "æ³·": 119948, "æ³±": 119949, "æ³ħ": 119950, "æ³ł": 119951, "泺": 119952, "æ³ĸ": 119953, "泫": 119954, "æ³®": 119955, "æ²±": 119956, "泯": 119957, "æĢĻ": 119958, "æĢµ": 119959, "æĢ¦": 119960, "æĢĽ": 119961, "æĢı": 119962, "æĢį": 119963, "ã¤": 119964, "ã¤ĺ": 119965, "æĢ©": 119966, "æĢ«": 119967, "æĢ¿": 119968, "å®ķ": 119969, "穹": 119970, "å®ĵ": 119971, "è¯ĵ": 119972, "è¯Ķ": 119973, "è¯ĸ": 119974, "è¯ĺ": 119975, "æĪ¾": 119976, "è¯Ļ": 119977, "æĪ½": 119978, "éĥĵ": 119979, "è¡©": 119980, "ç¥Ĩ": 119981, "ç¥İ": 119982, "ç¥ĩ": 119983, "è¯ľ": 119984, "è¯Ł": 119985, "诣": 119986, "诤": 119987, "诧": 119988, "诨": 119989, "æĪķ": 119990, "éĻĶ": 119991, "妲": 119992, "妯": 119993, "å§Ĺ": 119994, "å¸ij": 119995, "åŃ¥": 119996, "驽": 119997, "èĻ±": 119998, "迨": 119999, "ç»Ģ": 120000, "ç»ģ": 120001, "ç»Ĥ": 120002, "é©·": 120003, "驸": 120004, "ç»ī": 120005, "ç»Į": 120006, "éªĢ": 120007, "çĶ¾": 120008, "çıı": 120009, "çıIJ": 120010, "çıij": 120011, "çݳ": 120012, "顸": 120013, "çıī": 120014, "çıĪ": 120015, "æĭ®": 120016, "åŀŃ": 120017, "æĮĿ": 120018, "æĮŀ": 120019, "åŀ¤": 120020, "èµ³": 120021, "è´²": 120022, "åŀ±": 120023, "åŀĮ": 120024, "åŀ§": 120025, "åŀĵ": 120026, "æĮ¦": 120027, "åŀł": 120028, "èįļ": 120029, "èįij": 120030, "è´³": 120031, "èįľ": 120032, "èİĴ": 120033, "èĮ¼": 120034, "èĮ´": 120035, "èĮ±": 120036, "èİĽ": 120037, "èįŀ": 120038, "èĮ¯": 120039, "èįı": 120040, "èįĩ": 120041, "èįĥ": 120042, "èįł": 120043, "èĮŃ": 120044, "åŀ©": 120045, "èį¥": 120046, "èį¦": 120047, "èį¨": 120048, "èį©": 120049, "åīĭ": 120050, "èįª": 120051, "èį¬": 120052, "èį®": 120053, "æŁ°": 120054, "æłī": 120055, "æŁĺ": 120056, "æłĬ": 120057, "æŁ©": 120058, "æŀ°": 120059, "æłĮ": 120060, "æŁĻ": 120061, "æŀµ": 120062, "æŀ³": 120063, "æŁŀ": 120064, "æŁĿ": 120065, "æłĢ": 120066, "æŁ¢": 120067, "æłİ": 120068, "æŁĪ": 120069, "æŁģ": 120070, "æŀ·": 120071, "æŁ½": 120072, "åīĮ": 120073, "éħĬ": 120074, "éĥ¦": 120075, "çĶŃ": 120076, "çłĹ": 120077, "çłĺ": 120078, "çłĴ": 120079, "æĸ«": 120080, "çłŃ": 120081, "çłľ": 120082, "èĢ·": 120083, "èĻº": 120084, "æ®Ĥ": 120085, "æ®ĩ": 120086, "æ®Ħ": 120087, "è½±": 120088, "è½²": 120089, "è½³": 120090, "轶": 120091, "轸": 120092, "èĻ¿": 120093, "æ¯ĸ": 120094, "è§ĩ": 120095, "å°ľ": 120096, "åĵIJ": 120097, "çľĦ": 120098, "çľį": 120099, "ðł³": 120100, "ðł³IJ": 120101, "éĥ¢": 120102, "çľĩ": 120103, "çľĬ": 120104, "çľĪ": 120105, "禺": 120106, "åĵĤ": 120107, "åĴ´": 120108, "æĽ·": 120109, "æĺ´": 120110, "åĴ¦": 120111, "åĵĵ": 120112, "åĵĶ": 120113, "çķİ": 120114, "åij²": 120115, "èĥĦ": 120116, "çķĭ": 120117, "çķĪ": 120118, "èĻ¼": 120119, "èĻ»": 120120, "çĽħ": 120121, "åĴ£": 120122, "åĵķ": 120123, "åīIJ": 120124, "éĥ§": 120125, "åĴ»": 120126, "åĽ¿": 120127, "åĴ¿": 120128, "åĵĮ": 120129, "åĵĻ": 120130, "åĵļ": 120131, "åĴ©": 120132, "åĴ¤": 120133, "åĵĿ": 120134, "åĵı": 120135, "åĵŀ": 120136, "å³£": 120137, "ç½ĺ": 120138, "å³Ĵ": 120139, "峤": 120140, "å³ĭ": 120141, "è´¶": 120142, "éĴļ": 120143, "éĴ¡": 120144, "éĴ£": 120145, "éĴ¤": 120146, "éĴ«": 120147, "æ°¡": 120148, "çī¯": 120149, "éĥľ": 120150, "ç§ķ": 120151, "ç§Ń": 120152, "竽": 120153, "ç¬Ī": 120154, "俦": 120155, "俨": 120156, "ä¿ħ": 120157, "åıŁ": 120158, "åŀ¡": 120159, "çī®": 120160, "ä¿£": 120161, "ä¿ļ": 120162, "çļĪ": 120163, "ä¿Ł": 120164, "éĢħ": 120165, "å¾ĩ": 120166, "å¾ī": 120167, "èĪ¢": 120168, "éĥĹ": 120169, "ä¿İ": 120170, "éĥ¤": 120171, "çĪ°": 120172, "éĥĽ": 120173, "çĵ´": 120174, "èĥ¨": 120175, "èĥª": 120176, "èĥĽ": 120177, "èĥĤ": 120178, "èĥĻ": 120179, "èĥį": 120180, "èĥĹ": 120181, "èĥĿ": 120182, "æľIJ": 120183, "èĥ«": 120184, "鸨": 120185, "åĮį": 120186, "çĭ¨": 120187, "çĭ¯": 120188, "é£ij": 120189, "çĭ©": 120190, "çĭ²": 120191, "è¨ĩ": 120192, "éĢĦ": 120193, "æĺĿ": 120194, "饷": 120195, "饸": 120196, "饹": 120197, "åŃª": 120198, "å¨Ī": 120199, "庥": 120200, "çĸ¬": 120201, "çĸ£": 120202, "çĸ¥": 120203, "çĸŃ": 120204, "åºł": 120205, "ç«ij": 120206, "é£Ĵ": 120207, "éĹ¼": 120208, "éĹ¾": 120209, "éĹ¿": 120210, "éĺĤ": 120211, "ç¾ij": 120212, "迸": 120213, "ç±¼": 120214, "éħĭ": 120215, "çĤ»": 120216, "çĥĢ": 120217, "çĤ·": 120218, "æ´±": 120219, "æ´¹": 120220, "æ´§": 120221, "æ´Į": 120222, "æµĥ": 120223, "æ´ĩ": 120224, "æ´Ħ": 120225, "æ´Ļ": 120226, "æ¶İ": 120227, "æ´İ": 120228, "æ´«": 120229, "æµį": 120230, "æ´®": 120231, "æ´µ": 120232, "æµĴ": 120233, "æµĶ": 120234, "æµķ": 120235, "æ´³": 120236, "æģ¸": 120237, "æģĵ": 120238, "æģ¹": 120239, "æģ«": 120240, "æģ»": 120241, "æģĤ": 120242, "æģª": 120243, "æģ½": 120244, "宥": 120245, "æīĥ": 120246, "衲": 120247, "衽": 120248, "è¡¿": 120249, "è¢Ĥ": 120250, "ç¥ľ": 120251, "ç¥ĵ": 120252, "ç¥ļ": 120253, "诮": 120254, "ç¥Ĺ": 120255, "祢": 120256, "诰": 120257, "诳": 120258, "鸩": 120259, "æĺ¶": 120260, "åĴ«": 120261, "å¼Ń": 120262, "çīģ": 120263, "èĥ¥": 120264, "éĻŁ": 120265, "姮": 120266, "å¨Ĩ": 120267, "å§Ŀ": 120268, "姣": 120269, "å§ĺ": 120270, "姹": 120271, "羿": 120272, "çĤ±": 120273, "磾": 120274, "ç»Ķ": 120275, "éªģ": 120276, "éªħ": 120277, "ç»Ĺ": 120278, "综": 120279, "éªĪ": 120280, "èĢĸ": 120281, "æĮĪ": 120282, "çı¥": 120283, "çıĻ": 120284, "顼": 120285, "çı°": 120286, "çı©": 120287, "çı§": 120288, "çı£": 120289, "çıŀ": 120290, "çIJ¤": 120291, "çı²": 120292, "æģļ": 120293, "åŁķ": 120294, "åŁĺ": 120295, "åŁĻ": 120296, "åŁļ": 120297, "æĮ¹": 120298, "èĢĨ": 120299, "èĢĦ": 120300, "åŁĴ": 120301, "æįĭ": 120302, "è´½": 120303, "åŀ¸": 120304, "æįĥ": 120305, "çĽį": 120306, "èį¸": 120307, "èݳ": 120308, "èİ´": 120309, "èݪ": 120310, "èİł": 120311, "èİľ": 120312, "èİħ": 120313, "èį¼": 120314, "èİ©": 120315, "èį½": 120316, "èݸ": 120317, "èį»": 120318, "èݨ": 120319, "鸪": 120320, "èݼ": 120321, "æł²": 120322, "æł³": 120323, "æ¡¡": 120324, "æ¡İ": 120325, "æ¡¢": 120326, "桤": 120327, "æ¢ĥ": 120328, "æłĿ": 120329, "æ¡ķ": 120330, "æ¡ģ": 120331, "桧": 120332, "æ¡ħ": 120333, "æłŁ": 120334, "æ¡ī": 120335, "æł©": 120336, "éĢij": 120337, "éĢĭ": 120338, "彧": 120339, "鬲": 120340, "è±ĩ": 120341, "éħIJ": 120342, "éĢ¦": 120343, "åİĿ": 120344, "åѬ": 120345, "çłĿ": 120346, "çł¹": 120347, "糧": 120348, "çł·": 120349, "糣": 120350, "çł¼": 120351, "çł¥": 120352, "çł£": 120353, "åīŀ": 120354, "çł»": 120355, "è½¼": 120356, "è½¾": 120357, "è¾Ĥ": 120358, "鸫": 120359, "趸": 120360, "é¾Ģ": 120361, "鸬": 120362, "èĻĶ": 120363, "羬": 120364, "åĶĽ": 120365, "çľĻ": 120366, "åĵ§": 120367, "åĵ½": 120368, "æĻģ": 120369, "鸮": 120370, "趵": 120371, "趿": 120372, "çķĽ": 120373, "èļ¨": 120374, "èļľ": 120375, "èļį": 120376, "èļĭ": 120377, "èļ¬": 120378, "èļĿ": 120379, "èļ§": 120380, "åĶ¢": 120381, "åľĦ": 120382, "åĶ£": 120383, "åĶı": 120384, "çĽİ": 120385, "åĶij": 120386, "å´Ĥ": 120387, "å´ĥ": 120388, "罡": 120389, "ç½Ł": 120390, "è§Ĭ": 120391, "èµħ": 120392, "éĴ²": 120393, "éĴµ": 120394, "éĴ¹": 120395, "éĴº": 120396, "éĴ½": 120397, "éĴ¼": 120398, "éĴ¿": 120399, "éĵĢ": 120400, "éĵĦ": 120401, "éĵĨ": 120402, "éĵĪ": 120403, "éĵī": 120404, "éĵĬ": 120405, "éĵĭ": 120406, "éĵĮ": 120407, "éĵį": 120408, "ä¥": 120409, "䥽": 120410, "éĵİ": 120411, "æ°©": 120412, "æ°¤": 120413, "æ°¦": 120414, "毪": 120415, "èĪIJ": 120416, "秣": 120417, "秫": 120418, "çĽī": 120419, "ç¬Ħ": 120420, "ç¬ķ": 120421, "ç¬Ĭ": 120422, "ç¬ı": 120423, "ç¬Ĩ": 120424, "俸": 120425, "俵": 120426, "åģĮ": 120427, "俳": 120428, "俶": 120429, "åĢ¬": 120430, "åĢı": 120431, "æģģ": 120432, "åĢŃ": 120433, "俾": 120434, "åĢľ": 120435, "éļ¼": 120436, "éļ½": 120437, "åĢĮ": 120438, "åĢ¥": 120439, "èĩ¬": 120440, "éĥ«": 120441, "åĢ¨": 120442, "è¡Ħ": 120443, "é¢Ģ": 120444, "å¾ķ": 120445, "èĪ«": 120446, "衾": 120447, "èĥ¯": 120448, "èĥ±": 120449, "èĥ´": 120450, "èĥŃ": 120451, "èĦį": 120452, "èĥ¼": 120453, "èĦĴ": 120454, "鸱": 120455, "鸲": 120456, "çĭ·": 120457, "çĮģ": 120458, "çĭ³": 120459, "çĮĥ": 120460, "çĭº": 120461, "éĢĸ": 120462, "æ¡Ģ": 120463, "饽": 120464, "åĩĩ": 120465, "æĮĽ": 120466, "亳": 120467, "çĸ³": 120468, "çĸ´": 120469, "çĸ¸": 120470, "çĸ½": 120471, "çĹĪ": 120472, "çĸ±": 120473, "çĹĤ": 120474, "çĹī": 120475, "è¡®": 120476, "é¢ĥ": 120477, "æģ£": 120478, "æĹĨ": 120479, "æĹĦ": 120480, "æĹĥ": 120481, "éĺĥ": 120482, "éĺĦ": 120483, "è¨ļ": 120484, "éĺĨ": 120485, "æģĻ": 120486, "ç²ij": 120487, "çĥľ": 120488, "çĥ©": 120489, "çĥĬ": 120490, "åī¡": 120491, "éĥ¯": 120492, "çĥ¬": 120493, "æ¶ij": 120494, "浯": 120495, "æ¶ŀ": 120496, "æ¶Ł": 120497, "å¨ij": 120498, "æ¶ł": 120499, "æµŀ": 120500, "æ¶ĵ": 120501, "æµ¥": 120502, "æ¶Ķ": 120503, "æµľ": 120504, "æµł": 120505, "æµ£": 120506, "æĤļ": 120507, "æĤŃ": 120508, "æĤĿ": 120509, "æĤĴ": 120510, "æĤĮ": 120511, "æĤĽ": 120512, "çªĪ": 120513, "åīľ": 120514, "诹": 120515, "诼": 120516, "è¢Ĵ": 120517, "袢": 120518, "诿": 120519, "è°Ģ": 120520, "è°Ĥ": 120521, "è°Ħ": 120522, "è°ĩ": 120523, "å±IJ": 120524, "å±Ļ": 120525, "éĻ¬": 120526, "åĭIJ": 120527, "å¥ĺ": 120528, "çīĤ": 120529, "èļ©": 120530, "éĻ²": 120531, "å¨Į": 120532, "å¨ī": 120533, "娲": 120534, "娴": 120535, "娣": 120536, "å¨ĵ": 120537, "å©Ģ": 120538, "çķļ": 120539, "éĢ¡": 120540, "绳": 120541, "éªĬ": 120542, "绡": 120543, "éªĭ": 120544, "绦": 120545, "绨": 120546, "éªİ": 120547, "éĤķ": 120548, "鸶": 120549, "å½Ĺ": 120550, "èĢľ": 120551, "çĦĺ": 120552, "èĪĤ": 120553, "çIJı": 120554, "çIJĩ": 120555, "麸": 120556, "æı¶": 120557, "åŁ´": 120558, "åŁ¯": 120559, "æį¯": 120560, "æݳ": 120561, "æİ´": 120562, "åŁ¸": 120563, "åŁµ": 120564, "赧": 120565, "åŁ¤": 120566, "æįŃ": 120567, "éĢµ": 120568, "åŁĿ": 120569, "åłĭ": 120570, "åłį": 120571, "æݬ": 120572, "鸷": 120573, "æį½": 120574, "æİĬ": 120575, "åłī": 120576, "æݸ": 120577, "æį©": 120578, "æİ®": 120579, "æĤ«": 120580, "åŁŃ": 120581, "åŁ½": 120582, "æİĩ": 120583, "æݼ": 120584, "èģĥ": 120585, "èIJģ": 120586, "èıĺ": 120587, "åłĩ": 120588, "èIJĺ": 120589, "èIJĭ": 120590, "èı½": 120591, "èıĸ": 120592, "èIJľ": 120593, "èIJ¸": 120594, "èIJij": 120595, "棻": 120596, "èıĶ": 120597, "èıŁ": 120598, "èIJı": 120599, "èı¹": 120600, "èıª": 120601, "èıħ": 120602, "èıĢ": 120603, "èı°": 120604, "èı¡": 120605, "梿": 120606, "æ¢ı": 120607, "è§ĭ": 120608, "æ¡´": 120609, "æ¡·": 120610, "æ£ģ": 120611, "æ¡«": 120612, "æ£Ĥ": 120613, "åķ¬": 120614, "éĥ¾": 120615, "æķķ": 120616, "è±ī": 120617, "éĦĦ": 120618, "éħŀ": 120619, "ç¡İ": 120620, "ç¡Ń": 120621, "ç¡ĸ": 120622, "ç¡Ĺ": 120623, "ç¡IJ": 120624, "ç¡ĩ": 120625, "ç¡Į": 120626, "鸸": 120627, "çĵł": 120628, "åĮı": 120629, "åİ©": 120630, "æ®Ĵ": 120631, "æ®ĵ": 120632, "æ®į": 120633, "èµī": 120634, "鼩": 120635, "è¾Ħ": 120636, "åłij": 120637, "çľŃ": 120638, "羦": 120639, "åķ§": 120640, "æĻ¡": 120641, "æĻ¤": 120642, "çľµ": 120643, "åľĬ": 120644, "åĸı": 120645, "åķī": 120646, "åĭĸ": 120647, "æĻŀ": 120648, "åĶµ": 120649, "æĻĹ": 120650, "åķŃ": 120651, "çķ¦": 120652, "趺": 120653, "åķ®": 120654, "è·Ħ": 120655, "èļ¶": 120656, "èĽĦ": 120657, "èĽİ": 120658, "èĽĨ": 120659, "èļ°": 120660, "åľī": 120661, "èļ±": 120662, "èĽī": 120663, "èĽı": 120664, "èļ´": 120665, "åķģ": 120666, "åķķ": 120667, "åĶ¿": 120668, "åķIJ": 120669, "åĶ¼": 120670, "åĶ·": 120671, "åķĸ": 120672, "åķµ": 120673, "åķ¶": 120674, "åķ·": 120675, "åĶ³": 120676, "åĶ°": 120677, "åķľ": 120678, "帻": 120679, "å´ļ": 120680, "å´¦": 120681, "帼": 120682, "å´®": 120683, "å´¤": 120684, "å´Ĩ": 120685, "èµĩ": 120686, "èµĪ": 120687, "èµĬ": 120688, "éĵij": 120689, "éĵĴ": 120690, "éĵĹ": 120691, "éĵĻ": 120692, "éĵŁ": 120693, "éĵ¡": 120694, "éĵ¢": 120695, "éĵ£": 120696, "éĵ¤": 120697, "éĵ§": 120698, "éĵ¨": 120699, "éĵ©": 120700, "éĵª": 120701, "éĵ«": 120702, "éĵ¯": 120703, "éĵ°": 120704, "éĵ±": 120705, "éĵ³": 120706, "éĵµ": 120707, "éĵ·": 120708, "çī¾": 120709, "鸹": 120710, "秾": 120711, "éĢ¶": 120712, "笺": 120713, "çŃĩ": 120714, "笸": 120715, "笪": 120716, "笮": 120717, "笳": 120718, "笥": 120719, "笤": 120720, "笳": 120721, "笾": 120722, "ç¬ŀ": 120723, "åģ¾": 120724, "åģĥ": 120725, "åģķ": 120726, "åģĪ": 120727, "åĤĢ": 120728, "åģ¬": 120729, "åģ»": 120730, "çļij": 120731, "çļİ": 120732, "鸻": 120733, "å¾ľ": 120734, "èĪ¸": 120735, "èĪ»": 120736, "èĪ´": 120737, "èĪ·": 120738, "é¾Ľ": 120739, "ç¿İ": 120740, "èĦ¬": 120741, "èĦĺ": 120742, "èĦ²": 120743, "åĮIJ": 120744, "çĮĹ": 120745, "çĮ¡": 120746, "çĮŀ": 120747, "æĸĽ": 120748, "çĮķ": 120749, "é¦Ĺ": 120750, "é¦ĥ": 120751, "é¦Ħ": 120752, "鸾": 120753, "庹": 120754, "庾": 120755, "çĹĶ": 120756, "çĹį": 120757, "ç¿Ĭ": 120758, "æĹĮ": 120759, "æĹİ": 120760, "袤": 120761, "éĺĩ": 120762, "éĺĪ": 120763, "éĺī": 120764, "éĺĬ": 120765, "éĺĭ": 120766, "éĺį": 120767, "éĺı": 120768, "ç¾Ł": 120769, "ç²Ŀ": 120770, "çĦIJ": 120771, "çĦĵ": 120772, "çĦĹ": 120773, "æ·ħ": 120774, "æ·ŀ": 120775, "æ¸İ": 120776, "涿": 120777, "æ·ĸ": 120778, "æĮ²": 120779, "æ·ł": 120780, "涸": 120781, "æ¸ij": 120782, "æ·¦": 120783, "æ·Ŀ": 120784, "涪": 120785, "æ·Ļ": 120786, "涫": 120787, "æ¸Į": 120788, "æĤ»": 120789, "æĤ±": 120790, "æĥĿ": 120791, "æĥĺ": 120792, "æĥĨ": 120793, "æĥļ": 120794, "æĥĩ": 120795, "æĥ®": 120796, "çªķ": 120797, "è°Į": 120798, "æīĪ": 120799, "çļ²": 120800, "è°ij": 120801, "è£Ĩ": 120802, "袷": 120803, "è£ī": 120804, "è°Ĵ": 120805, "è°Ķ": 120806, "è°ķ": 120807, "è°ĸ": 120808, "è°Ĺ": 120809, "è°Ļ": 120810, "è°Ŀ": 120811, "éĢ¯": 120812, "éĥ¿": 120813, "éļĪ": 120814, "ç²ľ": 120815, "éļį": 120816, "éļĹ": 120817, "å©Ĭ": 120818, "娼": 120819, "å©¢": 120820, "婵": 120821, "èĥ¬": 120822, "è¢Ī": 120823, "ç¿Į": 120824, "æģ¿": 120825, "欸": 120826, "绫": 120827, "éªIJ": 120828, "绯": 120829, "ç»±": 120830, "éªĴ": 120831, "绲": 120832, "éªĵ": 120833, "绶": 120834, "绺": 120835, "ç»»": 120836, "绾": 120837, "éªĸ": 120838, "ç¼ģ": 120839, "èĢł": 120840, "çIJ«": 120841, "çIJµ": 120842, "çIJ¶": 120843, "çIJ¥": 120844, "çIJ¨": 120845, "çIJ°": 120846, "çIJ®": 120847, "çIJ¯": 120848, "çIJ¬": 120849, "çIJļ": 120850, "è¾ĩ": 120851, "é¼ĭ": 120852, "æı³": 120853, "åłŀ": 120854, "æIJ½": 120855, "æı¸": 120856, "æıł": 120857, "åłĻ": 120858, "è¶Ħ": 120859, "æıĸ": 120860, "é¢ī": 120861, "å¡Ħ": 120862, "æı¿": 120863, "èĢĭ": 120864, "æıĦ": 120865, "èĽ©": 120866, "èĽ°": 120867, "å¡Ĩ": 120868, "æijĴ": 120869, "æıĨ": 120870, "æݾ": 120871, "èģĴ": 120872, "èijij": 120873, "èijļ": 120874, "éĿ°": 120875, "éĿ¸": 120876, "èij³": 120877, "èijº": 120878, "èij¸": 120879, "èIJ¼": 120880, "èij¶": 120881, "èĴĮ": 120882, "èijŃ": 120883, "楮": 120884, "棼": 120885, "æ¤Ł": 120886, "棹": 120887, "椤": 120888, "棰": 120889, "èµį": 120890, "æ¤ĭ": 120891, "æ¤ģ": 120892, "椪": 120893, "æ¤IJ": 120894, "é¹ģ": 120895, "éħ¤": 120896, "éħ¢": 120897, "éħ¡": 120898, "é¹Ĥ": 120899, "æ®ļ": 120900, "æ®Ľ": 120901, "鼱": 120902, "è¾ĭ": 120903, "æ¤ł": 120904, "è¾İ": 120905, "çĿĦ": 120906, "çĿĩ": 120907, "çĿĥ": 120908, "æĪ¢": 120909, "åĸĭ": 120910, "åĹĴ": 120911, "åĸĥ": 120912, "åĸ±": 120913, "åĸ¹": 120914, "æĻ·": 120915, "åĸĪ": 120916, "è·ĸ": 120917, "è·Ĺ": 120918, "è·ŀ": 120919, "è·ļ": 120920, "è·İ": 120921, "è·ı": 120922, "è·Ĩ": 120923, "èĽ±": 120924, "èĽ²": 120925, "èĽŃ": 120926, "èĽ³": 120927, "èĽIJ": 120928, "èĽĶ": 120929, "èĽŀ": 120930, "èĽ´": 120931, "èĽĺ": 120932, "åĸģ": 120933, "åĸŁ": 120934, "åķ¾": 120935, "åĹĸ": 120936, "åĸij": 120937, "åĹŁ": 120938, "åĹŀ": 120939, "åĸĻ": 120940, "åµĺ": 120941, "åµĸ": 120942, "å´´": 120943, "éģĦ": 120944, "è©Ī": 120945, "åµİ": 120946, "嵬": 120947, "åµĽ": 120948, "嵯": 120949, "åµĿ": 120950, "嵫": 120951, "å¹Ħ": 120952, "åµĭ": 120953, "èµķ": 120954, "éĵ»": 120955, "éĵ¼": 120956, "éĵ¿": 120957, "éĶĥ": 120958, "éĶĨ": 120959, "éĶĩ": 120960, "éĶī": 120961, "éĶı": 120962, "éĶij": 120963, "éĶĴ": 120964, "éĶĶ": 120965, "éĶķ": 120966, "æİ£": 120967, "磬": 120968, "æ°°": 120969, "毳": 120970, "毽": 120971, "çĬĬ": 120972, "çĬĦ": 120973, "çĬĭ": 120974, "é¹Ħ": 120975, "çĬį": 120976, "åµĩ": 120977, "é»į": 120978, "ç¨ĥ": 120979, "ç¨Ĥ": 120980, "çŃļ": 120981, "çѵ": 120982, "çŃĮ": 120983, "åĤ£": 120984, "åĤĪ": 120985, "èĪĦ": 120986, "çīį": 120987, "åĤ¥": 120988, "åĤ§": 120989, "éģij": 120990, "åĤ©": 120991, "徨": 120992, "åªŃ": 120993, "çķ²": 120994, "å¼ij": 120995, "ç¿ķ": 120996, "é¹Ĩ": 120997, "èħĪ": 120998, "èħĵ": 120999, "èħĨ": 121000, "èħ´": 121001, "èħļ": 121002, "èħ±": 121003, "鱿": 121004, "é²Ģ": 121005, "é²Ĥ": 121006, "çĮ¢": 121007, "çĮ¹": 121008, "çĮ¥": 121009, "é£ĵ": 121010, "è§ŀ": 121011, "è§ļ": 121012, "çĮ±": 121013, "é¢İ": 121014, "飧": 121015, "é¦ĩ": 121016, "é¦Ĭ": 121017, "亵": 121018, "èĦĶ": 121019, "è£Ĵ": 121020, "çĹ£": 121021, "çŨ": 121022, "çŦ": 121023, "çĹŀ": 121024, "çŤ": 121025, "çŧ": 121026, "èµĵ": 121027, "竦": 121028, "çĵ¿": 121029, "åķ»": 121030, "é¢ı": 121031, "é¹ĩ": 121032, "éĺij": 121033, "éĺĴ": 121034, "éĺķ": 121035, "ç²ŀ": 121036, "éģĴ": 121037, "åŃ³": 121038, "çĦ¯": 121039, "çĦľ": 121040, "çĦ±": 121041, "é¹Ī": 121042, "渫": 121043, "æ¹®": 121044, "æ¹İ": 121045, "æ¹ľ": 121046, "æ¹į": 121047, "湫": 121048, "溲": 121049, "æ¹Ł": 121050, "æºĨ": 121051, "æ¹²": 121052, "æ¹Ķ": 121053, "æ¹ī": 121054, "渥": 121055, "æ»ģ": 121056, "æĦł": 121057, "æĥº": 121058, "æĦ¦": 121059, "æĥ´": 121060, "æĦĢ": 121061, "æĦİ": 121062, "æĦĶ": 121063, "åĸ¾": 121064, "å¯IJ": 121065, "è°Ł": 121066, "裢": 121067, "è£İ": 121068, "裥": 121069, "祾": 121070, "è°ł": 121071, "è°¡": 121072, "è°¥": 121073, "è°§": 121074, "åѱ": 121075, "å¼¼": 121076, "å·½": 121077, "éªĺ": 121078, "媪": 121079, "å·¯": 121080, "ç¿ļ": 121081, "çļ´": 121082, "éªĽ": 121083, "ç¼Ĥ": 121084, "ç¼ĥ": 121085, "ç¼Ħ": 121086, "å½ĺ": 121087, "ç¼ĩ": 121088, "ç¼Ī": 121089, "ç¼Į": 121090, "ç¼ij": 121091, "ç¼Ĵ": 121092, "ç¼Ĺ": 121093, "飨": 121094, "èĢ¢": 121095, "çijģ": 121096, "çijĹ": 121097, "çijĦ": 121098, "éģ¨": 121099, "éªľ": 121100, "飫": 121101, "é«¡": 121102, "塬": 121103, "éĦ¢": 121104, "è¶Ķ": 121105, "è¶ij": 121106, "æijħ": 121107, "æijģ": 121108, "èľĩ": 121109, "æIJĭ": 121110, "æIJª": 121111, "æIJIJ": 121112, "æIJĽ": 121113, "æIJł": 121114, "æijĪ": 121115, "å½Ģ": 121116, "æ¯Ĥ": 121117, "æIJ¦": 121118, "æIJ¡": 121119, "èĵģ": 121120, "æĪ¡": 121121, "èĵį": 121122, "éĦŀ": 121123, "èĵIJ": 121124, "èĵ¦": 121125, "é¹ĭ": 121126, "èĴ½": 121127, "èĵĸ": 121128, "èĵĬ": 121129, "èĴ¯": 121130, "èĵŁ": 121131, "èĵij": 121132, "èĴº": 121133, "èĵł": 121134, "èĴŁ": 121135, "èĴ¡": 121136, "èĴ¹": 121137, "èĴ´": 121138, "èĴĹ": 121139, "èĵ¥": 121140, "æ¥Ķ": 121141, "æ¥Ĥ": 121142, "æ¥Ŀ": 121143, "楫": 121144, "楸": 121145, "椴": 121146, "æ§Į": 121147, "楯": 121148, "çļĻ": 121149, "æ¦Ī": 121150, "æ§İ": 121151, "æ¦ī": 121152, "楦": 121153, "楣": 121154, "楹": 121155, "椽": 121156, "åī½": 121157, "éħ©": 121158, "èľĥ": 121159, "ç¢Ľ": 121160, "ç¢ĵ": 121161, "硼": 121162, "ç¢ī": 121163, "ç¢ļ": 121164, "ç¢ĩ": 121165, "ç¢ľ": 121166, "é¹Į": 121167, "è¾ı": 121168, "é¾ĥ": 121169, "é¾ħ": 121170, "訾": 121171, "ç²²": 121172, "çĿļ": 121173, "åĹª": 121174, "éŁª": 121175, "åĹ·": 121176, "åĹī": 121177, "çĿ¨": 121178, "çĿ¢": 121179, "éĽİ": 121180, "çĿ¥": 121181, "åĹij": 121182, "åĹ«": 121183, "åŬ": 121184, "åĹĶ": 121185, "åĹĿ": 121186, "æĪ¥": 121187, "åĹĦ": 121188, "çħ¦": 121189, "æļĦ": 121190, "éģ¢": 121191, "æļĮ": 121192, "è·¬": 121193, "è·¶": 121194, "è·¸": 121195, "è·IJ": 121196, "è·£": 121197, "è·¹": 121198, "èĽ¸": 121199, "èľĬ": 121200, "èľį": 121201, "èľī": 121202, "èľ£": 121203, "çķ¹": 121204, "èĽ¹": 121205, "åĹ¥": 121206, "åĹ²": 121207, "åĹ³": 121208, "åĹĮ": 121209, "åĹį": 121210, "åĹIJ": 121211, "åŤ": 121212, "åŵ": 121213, "罨": 121214, "åµĬ": 121215, "åµ´": 121216, "骰": 121217, "éĶĹ": 121218, "éĶĽ": 121219, "éĶľ": 121220, "éĶĿ": 121221, "éĶŀ": 121222, "éĶŁ": 121223, "éĶ¢": 121224, "éĶ¨": 121225, "éĶ©": 121226, "éĶŃ": 121227, "éĶ±": 121228, "éĽī": 121229, "æ°²": 121230, "çĬı": 121231, "æŃĥ": 121232, "ç¨ŀ": 121233, "ç¨Ĺ": 121234, "ç¨Ķ": 121235, "çŃł": 121236, "çŃ¢": 121237, "çŃ®": 121238, "çŃ²": 121239, "çīĴ": 121240, "æķ«": 121241, "å¾Ń": 121242, "æĦĨ": 121243, "èīĦ": 121244, "è§İ": 121245, "毹": 121246, "è²Ĭ": 121247, "è²ħ": 121248, "è²ī": 121249, "é¢Ķ": 121250, "èħł": 121251, "èħ©": 121252, "èħ¼": 121253, "èħŃ": 121254, "èħ§": 121255, "å¡į": 121256, "媵": 121257, "é²ħ": 121258, "é²Ĩ": 121259, "é²ĩ": 121260, "é²Ī": 121261, "é²ĭ": 121262, "é²IJ": 121263, "èĤĦ": 121264, "é¹IJ": 121265, "é£ķ": 121266, "觥": 121267, "éģĽ": 121268, "é¦IJ": 121269, "é¹ij": 121270, "亶": 121271, "çĺĥ": 121272, "çű": 121273, "çĹ¼": 121274, "çĹ¿": 121275, "çĺIJ": 121276, "çĺģ": 121277, "çĺĨ": 121278, "éºĤ": 121279, "æŃĨ": 121280, "æĹĴ": 121281, "éĺĸ": 121282, "éĺĹ": 121283, "羧": 121284, "è±¢": 121285, "ç²³": 121286, "çĮ·": 121287, "çħ³": 121288, "çħ¨": 121289, "çħħ": 121290, "çħĬ": 121291, "çħ¸": 121292, "çħº": 121293, "æ»Ł": 121294, "溱": 121295, "æºĺ": 121296, "æ¼Ń": 121297, "滢": 121298, "溥": 121299, "溽": 121300, "è£Ł": 121301, "溻": 121302, "溷": 121303, "æ»Ĺ": 121304, "滫": 121305, "溴": 121306, "æ»ı": 121307, "æ»ĥ": 121308, "滦": 121309, "æºı": 121310, "æ»Ĥ": 121311, "æ»ĵ": 121312, "æºŁ": 121313, "滪": 121314, "æĦ«": 121315, "æħĬ": 121316, "é²İ": 121317, "éªŀ": 121318, "çªł": 121319, "窣": 121320, "裱": 121321, "裨": 121322, "裾": 121323, "裰": 121324, "ç¦Ĭ": 121325, "è°©": 121326, "è°ª": 121327, "媾": 121328, "å««": 121329, "媲": 121330, "å«Ĵ": 121331, "å«Ķ": 121332, "媸": 121333, "ç¼Ļ": 121334, "ç¼ľ": 121335, "ç¼Ľ": 121336, "è¾Ķ": 121337, "éªĿ": 121338, "ç¼Ł": 121339, "缡": 121340, "ç¼¢": 121341, "ç¼£": 121342, "éªŁ": 121343, "èĢ¥": 121344, "çĴĪ": 121345, "çijŃ": 121346, "çįĴ": 121347, "è§ı": 121348, "æħĿ": 121349, "å«ł": 121350, "åıĨ": 121351, "æij½": 121352, "å¢ģ": 121353, "æĴĤ": 121354, "æijŀ": 121355, "æĴĦ": 121356, "ç¿¥": 121357, "è¸ħ": 121358, "æijŃ": 121359, "å¢ī": 121360, "å¢Ĵ": 121361, "æ¦ĸ": 121362, "綦": 121363, "èĶ«": 121364, "èĶ·": 121365, "éĿº": 121366, "éĿ¼": 121367, "éŀħ": 121368, "éĿ¿": 121369, "çĶį": 121370, "èĶ¸": 121371, "èĶŁ": 121372, "èĶº": 121373, "æĪ¬": 121374, "èķĸ": 121375, "èĶ»": 121376, "èĵ¿": 121377, "æĸ¡": 121378, "é¹ķ": 121379, "èĵ¼": 121380, "æ¦Ľ": 121381, "榧": 121382, "榫": 121383, "æ¦Ń": 121384, "æ§Ķ": 121385, "榱": 121386, "æ§ģ": 121387, "æ§ł": 121388, "榷": 121389, "åĥ°": 121390, "éħ½": 121391, "éħ¹": 121392, "碡": 121393, "碴": 121394, "碣": 121395, "碲": 121396, "èĩ§": 121397, "豨": 121398, "殡": 121399, "éľģ": 121400, "èľļ": 121401, "é¾ĩ": 121402, "é¾Ī": 121403, "äģ": 121404, "äģĸ": 121405, "çĿ½": 121406, "åĺŀ": 121407, "åĺĪ": 121408, "åĺĮ": 121409, "åĺģ": 121410, "æļĿ": 121411, "è¸Į": 121412, "è¸ī": 121413, "èľŀ": 121414, "èľ¥": 121415, "èľ®": 121416, "èĿĪ": 121417, "èľ´": 121418, "èľ±": 121419, "èľ©": 121420, "èľ·": 121421, "èľ¿": 121422, "èŀĤ": 121423, "èľ¢": 121424, "åĺ¡": 121425, "é¹Ĺ": 121426, "åĺ£": 121427, "åĺ¤": 121428, "åĺļ": 121429, "åĹ¾": 121430, "åĺ§": 121431, "ç½´": 121432, "ç½±": 121433, "å¹Ķ": 121434, "å¶Ĥ": 121435, "å¹Ľ": 121436, "èµĻ": 121437, "ç½Ĥ": 121438, "骷": 121439, "骶": 121440, "é¹ĺ": 121441, "éĶ²": 121442, "éĶ´": 121443, "éĶ¶": 121444, "éĶ·": 121445, "éĶ¸": 121446, "éĶµ": 121447, "éķĤ": 121448, "çĬĴ": 121449, "ç®IJ": 121450, "箦": 121451, "箧": 121452, "箸": 121453, "箬": 121454, "ç®ħ": 121455, "箪": 121456, "箾": 121457, "箢": 121458, "ç®ĵ": 121459, "åĥĸ": 121460, "åĦĨ": 121461, "åĥ³": 121462, "åĥŃ": 121463, "åĬģ": 121464, "åĥ®": 121465, "éŃĥ": 121466, "éŃĨ": 121467, "çĿ¾": 121468, "èīĭ": 121469, "éĦ±": 121470, "èĨĪ": 121471, "èĨij": 121472, "é²ij": 121473, "é²Ķ": 121474, "é²ļ": 121475, "é²Ľ": 121476, "é²Ł": 121477, "çįIJ": 121478, "觫": 121479, "éĽĴ": 121480, "夤": 121481, "é¦ij": 121482, "éĬ®": 121483, "塾": 121484, "çĺĮ": 121485, "çĺĬ": 121486, "çĺĺ": 121487, "çĺĻ": 121488, "æĹĸ": 121489, "èĨĤ": 121490, "éĺļ": 121491, "éĦ¯": 121492, "é²ŀ": 121493, "粿": 121494, "ç²¼": 121495, "ç³ģ": 121496, "æ§Ĭ": 121497, "é¹ļ": 121498, "çĨĺ": 121499, "çĨ¥": 121500, "æ½¢": 121501, "æ¼ķ": 121502, "滹": 121503, "漯": 121504, "漶": 121505, "æ½ĭ": 121506, "æ½´": 121507, "漪": 121508, "æ¼ī": 121509, "漩": 121510, "æ¾ī": 121511, "æħµ": 121512, "æIJ´": 121513, "窨": 121514, "寤": 121515, "綮": 121516, "è°®": 121517, "褡": 121518, "è¤Ļ": 121519, "è¤ĵ": 121520, "è¤Ľ": 121521, "è¤Ĭ": 121522, "è°¯": 121523, "è°°": 121524, "è°²": 121525, "å±£": 121526, "é¹Ľ": 121527, "嫱": 121528, "å«ĸ": 121529, "嫦": 121530, "å«ļ": 121531, "å«ĺ": 121532, "é¼IJ": 121533, "çŀĢ": 121534, "é¹ľ": 121535, "éªł": 121536, "ç¼¥": 121537, "缦": 121538, "缧": 121539, "缨": 121540, "骢": 121541, "缫": 121542, "èĢ¦": 121543, "èĢ§": 121544, "çĴľ": 121545, "çĴİ": 121546, "çĴģ": 121547, "å¥Ń": 121548, "髯": 121549, "é««": 121550, "æĴ·": 121551, "æĴħ": 121552, "èµŃ": 121553, "æĴ¸": 121554, "éĭĨ": 121555, "æĴĻ": 121556, "æĴº": 121557, "å¢Ģ": 121558, "èģ©": 121559, "è§IJ": 121560, "éŀij": 121561, "èķĻ": 121562, "éŀĴ": 121563, "èķĪ": 121564, "èķ¨": 121565, "èķ¤": 121566, "èķŀ": 121567, "èķº": 121568, "çŀ¢": 121569, "èķĥ": 121570, "èķ²": 121571, "èµľ": 121572, "槿": 121573, "樯": 121574, "æ§Ń": 121575, "æ¨Ĺ": 121576, "æ¨ĺ": 121577, "槲": 121578, "éĨĮ": 121579, "éĨħ": 121580, "éĿ¥": 121581, "éŃĩ": 121582, "é¤į": 121583, "ç£Ķ": 121584, "ç£Ļ": 121585, "éľĪ": 121586, "è¾ĺ": 121587, "é¾ī": 121588, "é¾Ĭ": 121589, "è§ij": 121590, "çŀĮ": 121591, "çŀĭ": 121592, "çŀij": 121593, "åĺŃ": 121594, "åĻİ": 121595, "åĻ¶": 121596, "é¢Ļ": 121597, "æļ¹": 121598, "åĻĺ": 121599, "è¸Ķ": 121600, "è¸Ŀ": 121601, "è¸Ł": 121602, "è¸Ĵ": 121603, "踬": 121604, "踮": 121605, "踯": 121606, "踺": 121607, "è¸ŀ": 121608, "èĿ½": 121609, "èĿ¾": 121610, "èĿ»": 121611, "èĿ°": 121612, "èĿ®": 121613, "èŀĭ": 121614, "èĿĵ": 121615, "èĿ£": 121616, "èĿ¼": 121617, "åĺ¬": 121618, "é¢ļ": 121619, "åĻį": 121620, "åĻĻ": 121621, "åĻĮ": 121622, "åĻĶ": 121623, "é¢Ľ": 121624, "å¹ŀ": 121625, "幡": 121626, "å¶Ļ": 121627, "å¶Ŀ": 121628, "骺": 121629, "éķĬ": 121630, "éķī": 121631, "éķĮ": 121632, "éķı": 121633, "éķĴ": 121634, "éķĵ": 121635, "éķĶ": 121636, "稷": 121637, "ç®´": 121638, "ç¯ij": 121639, "ç¯ģ": 121640, "ç¯Į": 121641, "çīĸ": 121642, "åĦĭ": 121643, "èĻ¢": 121644, "é¹ŀ": 121645, "èĨĺ": 121646, "é²ł": 121647, "鲡": 121648, "é²¢": 121649, "é²£": 121650, "é²¥": 121651, "鲧": 121652, "鲩": 121653, "çįĹ": 121654, "çįł": 121655, "觯": 121656, "é¦ĵ": 121657, "é¦Ķ": 121658, "麾": 121659, "å»Ľ": 121660, "çĺĽ": 121661, "çĺ¼": 121662, "çĺ¢": 121663, "çĺł": 121664, "é½ij": 121665, "ç¾°": 121666, "ð¥»": 121667, "ð¥»Ĺ": 121668, "ç³Į": 121669, "ç³į": 121670, "ç³ħ": 121671, "çĨľ": 121672, "çĨµ": 121673, "æ¾į": 121674, "æ¾Į": 121675, "潸": 121676, "潦": 121677, "æ½²": 121678, "éĭĪ": 121679, "æ½Ł": 121680, "潺": 121681, "寮": 121682, "窳": 121683, "è°³": 121684, "褴": 121685, "è¤Ł": 121686, "褫": 121687, "è°µ": 121688, "çĨ¨": 121689, "屦": 121690, "åĭ°": 121691, "æĪ®": 121692, "èĿ¥": 121693, "缬": 121694, "ç¼®": 121695, "缯": 121696, "骣": 121697, "çķ¿": 121698, "èĢ©": 121699, "èĢ¨": 121700, "èĢª": 121701, "çĴŁ": 121702, "éĿĽ": 121703, "çĴł": 121704, "çĴĺ": 121705, "èģ±": 121706, "èŀ¯": 121707, "é«»": 121708, "é«Ń": 121709, "髹": 121710, "æĵĢ": 121711, "çĶı": 121712, "æĵŀ": 121713, "縳": 121714, "磬": 121715, "é¢ŀ": 121716, "èķ»": 121717, "é¢Ł": 121718, "èĸ¤": 121719, "èĸ¨": 121720, "æªł": 121721, "èĸı": 121722, "èĸ®": 121723, "èĸľ": 121724, "èĸħ": 121725, "樾": 121726, "æ©Ľ": 121727, "æ©ĩ": 121728, "樵": 121729, "æªİ": 121730, "橹": 121731, "樽": 121732, "樨": 121733, "橼": 121734, "墼": 121735, "æ©IJ": 121736, "ç¿®": 121737, "éĨIJ": 121738, "éĨį": 121739, "éĨļ": 121740, "磲": 121741, "èµĿ": 121742, "殪": 121743, "éľı": 121744, "éĮ¾": 121745, "è¾ļ": 121746, "éģ½": 121747, "æ°ħ": 121748, "çŀŁ": 121749, "çŀł": 121750, "çŀ°": 121751, "åļĦ": 121752, "åļĨ": 121753, "åĻ¤": 121754, "æļ¾": 121755, "è¹Ģ": 121756, "踵": 121757, "踽": 121758, "è¹ī": 121759, "è¹ģ": 121760, "èŀ¨": 121761, "èŀĪ": 121762, "èŀħ": 121763, "èŀŃ": 121764, "èŀł": 121765, "èŀŁ": 121766, "åĻ±": 121767, "åĻ«": 121768, "åĻ»": 121769, "åĻ¼": 121770, "ç½¹": 121771, "åľľ": 121772, "ä¦": 121773, "ä¦ĥ": 121774, "éķĹ": 121775, "éķĺ": 121776, "éķļ": 121777, "éķĽ": 121778, "éķĿ": 121779, "éķŀ": 121780, "éķł": 121781, "æ°ĩ": 121782, "æ°Ĩ": 121783, "ç©ij": 121784, "ç¯Ŀ": 121785, "篥": 121786, "篦": 121787, "篪": 121788, "ç¯Ļ": 121789, "çĽ¥": 121790, "åĬĵ": 121791, "翱": 121792, "éŃī": 121793, "éŃĪ": 121794, "å¾¼": 121795, "æŃĻ": 121796, "èĨ¦": 121797, "èĨĻ": 121798, "é²®": 121799, "é²±": 121800, "é²³": 121801, "é²´": 121802, "é²µ": 121803, "é²·": 121804, "é²»": 121805, "çį´": 121806, "çįŃ": 121807, "çį¬": 121808, "éĤĤ": 121809, "鹧": 121810, "廨": 121811, "èµŁ": 121812, "çĺ°": 121813, "廪": 121814, "çĺ¿": 121815, "çĺµ": 121816, "çĺ´": 121817, "çĻĥ": 121818, "çĺ³": 121819, "éºĩ": 121820, "éºĪ": 121821, "嬴": 121822, "å£ħ": 121823, "ç³Ĺ": 121824, "çĶij": 121825, "çĩİ": 121826, "çĩł": 121827, "çĩĶ": 121828, "çĩ§": 121829, "æ¿ij": 121830, "æ¿ī": 121831, "æ½ŀ": 121832, "澧": 121833, "æ¾¹": 121834, "æ¾¥": 121835, "澶": 121836, "æ¿Ĥ": 121837, "褰": 121838, "窸": 121839, "å¬ĸ": 121840, "çĬŁ": 121841, "éļ°": 121842, "å¬Ĺ": 121843, "颡": 121844, "ç¼±": 121845, "ç¼²": 121846, "ç¼³": 121847, "çĴ©": 121848, "çĴª": 121849, "èŀ«": 121850, "æĵ¤": 121851, "å£ķ": 121852, "觳": 121853, "ç½Ħ": 121854, "æĵ¢": 121855, "èĸ¹": 121856, "éŀ¡": 121857, "éŀ¬": 121858, "èĸ·": 121859, "èĹĵ": 121860, "èĹģ": 121861, "æªĦ": 121862, "檩": 121863, "æĩĭ": 121864, "éĨ¢": 121865, "翳": 121866, "ç¤ħ": 121867, "磴": 121868, "鹩": 121869, "é¾ĭ": 121870, "é¾Į": 121871, "è±³": 121872, "å£ij": 121873, "é»»": 121874, "åļı": 121875, "åļħ": 121876, "è¹ij": 121877, "è¹Ĵ": 121878, "è¹Ĭ": 121879, "èŁ¥": 121880, "èŀ¬": 121881, "èŀµ": 121882, "çĸĥ": 121883, "èŀ³": 121884, "èŁij": 121885, "åļĵ": 121886, "ç½½": 121887, "ç½¾": 121888, "嶷": 121889, "黾": 121890, "é»Ŀ": 121891, "é«ģ": 121892, "é«Ģ": 121893, "éķ¡": 121894, "éķ¢": 121895, "éķ£": 121896, "éķ¦": 121897, "éķ§": 121898, "éķ©": 121899, "éķª": 121900, "éķ«": 121901, "ç½ħ": 121902, "ç°Į": 121903, "篾": 121904, "篼": 121905, "ç°ĸ": 121906, "ç°ĭ": 121907, "é¼¢": 121908, "åĦ¡": 121909, "鹪": 121910, "é¼¾": 121911, "çļ¤": 121912, "éŃį": 121913, "é¾ł": 121914, "ç¹ĩ": 121915, "è²ĺ": 121916, "éĤĪ": 121917, "è²Ķ": 121918, "èĩĮ": 121919, "èĨ»": 121920, "èĩĨ": 121921, "èĩĥ": 121922, "é²¼": 121923, "é²½": 121924, "é³Ģ": 121925, "é³ĥ": 121926, "é³ħ": 121927, "é³ĩ": 121928, "é³Ĭ": 121929, "èŀ½": 121930, "çĩ®": 121931, "鹫": 121932, "ç³ľ": 121933, "縻": 121934, "çĻį": 121935, "éºĭ": 121936, "æĩij": 121937, "æ¿¡": 121938, "æ¿®": 121939, "æ¿ŀ": 121940, "æ¿ł": 121941, "濯": 121942, "è¹ĩ": 121943, "è¬ĩ": 121944, "éĤĥ": 121945, "è¥ģ": 121946, "æªĹ": 121947, "æĵĺ": 121948, "åŃº": 121949, "éļ³": 121950, "嬷": 121951, "èŁĬ": 121952, "鹬": 121953, "éįª": 121954, "éıĬ": 121955, "é¬Ī": 121956, "é¬ĥ": 121957, "çŀ½": 121958, "éŀ¯": 121959, "éŀ¨": 121960, "éŀ«": 121961, "éŀ§": 121962, "éŀ£": 121963, "èĹľ": 121964, "èĹł": 121965, "éĨª": 121966, "è¹Ļ": 121967, "ç¤ĵ": 121968, "çĩ¹": 121969, "餮": 121970, "çŀ¿": 121971, "æĽĽ": 121972, "颢": 121973, "èºĩ": 121974, "è¹ļ": 121975, "èŁĽ": 121976, "èŁª": 121977, "èŁł": 121978, "èŁ®": 121979, "é¹®": 121980, "黳": 121981, "黣": 121982, "é«ħ": 121983, "é«Ĥ": 121984, "éķ¬": 121985, "éķŃ": 121986, "éķ¯": 121987, "馥": 121988, "ç°Ł": 121989, "ç°ª": 121990, "鼬": 121991, "鼳": 121992, "èīŁ": 121993, "é³İ": 121994, "é³ı": 121995, "é³IJ": 121996, "çĻŀ": 121997, "çĻĶ": 121998, "糨": 121999, "蹩": 122000, "éİı": 122001, "éĤĭ": 122002, "é¬ı": 122003, "æĶī": 122004, "éŀ²": 122005, "éŀ´": 122006, "èĹ¿": 122007, "èĺ§": 122008, "èĺħ": 122009, "éĨ®": 122010, "éĨ¯": 122011, "éħĥ": 122012, "éľª": 122013, "éľŃ": 122014, "龨": 122015, "黼": 122016, "åļ¯": 122017, "è¹°": 122018, "蹶": 122019, "è¹½": 122020, "è¹¼": 122021, "è¹´": 122022, "è¹¾": 122023, "蹿": 122024, "èłĸ": 122025, "èłĵ": 122026, "èŁ¾": 122027, "èłĬ": 122028, "黢": 122029, "é«ĭ": 122030, "é«Į": 122031, "éķ²": 122032, "ç±Ģ": 122033, "é½ģ": 122034, "éŃij": 122035, "èī¨": 122036, "é³ĵ": 122037, "é³Ķ": 122038, "é³ķ": 122039, "é³Ĺ": 122040, "é³Ļ": 122041, "éıĸ": 122042, "羸": 122043, "ã¸Ĩ": 122044, "çĢ£": 122045, "çĢĽ": 122046, "襦": 122047, "è°¶": 122048, "è¥ŀ": 122049, "骥": 122050, "ç¼µ": 122051, "çĵĴ": 122052, "æĶĺ": 122053, "èĺ©": 122054, "èĺĸ": 122055, "éĨ´": 122056, "éľ°": 122057, "éħĨ": 122058, "çŁį": 122059, "èºħ": 122060, "é¼į": 122061, "å·ī": 122062, "黩": 122063, "黥": 122064, "黪": 122065, "éķ³": 122066, "éķ´": 122067, "黧": 122068, "çºĤ": 122069, "çĴº": 122070, "鼯": 122071, "èĩľ": 122072, "é³ľ": 122073, "é³Ŀ": 122074, "é³Ł": 122075, "çį¾": 122076, "åŃĢ": 122077, "骧": 122078, "çĵĺ": 122079, "é¼Ļ": 122080, "éĨº": 122081, "礴": 122082, "颦": 122083, "æĽ©": 122084, "é³¢": 122085, "éºĿ": 122086, "å¤Ķ": 122087, "çĪĿ": 122088, "çģı": 122089, "禳": 122090, "éIJ¾": 122091, "ç¾¼": 122092, "èł¡": 122093, "èĢ±": 122094, "é¹³": 122095, "æ°į": 122096, "é¥ķ": 122097, "èºIJ": 122098, "é«ij": 122099, "éķµ": 122100, "ç©°": 122101, "é¥Ķ": 122102, "鬻": 122103, "鬣": 122104, "趱": 122105, "æĶ«": 122106, "æĶ¥": 122107, "颧": 122108, "èºľ": 122109, "é¼¹": 122110, "çĻ¯": 122111, "èł²": 122112, "èł¹": 122113, "èºŀ": 122114, "è¡¢": 122115, "çģŀ": 122116, "襻": 122117, "çºĽ": 122118, "鬣": 122119, "æĶ®": 122120, "åĽĶ": 122121, "é¦ķ": 122122, "æĪĨ": 122123, "çĪ¨": 122124, "é½ī": 122125, "äºį": 122126, "å°¢": 122127, "å½³": 122128, "åį¬": 122129, "殳": 122130, "ðłĻ¶": 122131, "æ¯Į": 122132, "éĤĺ": 122133, "æĪĭ": 122134, "åľ¢": 122135, "æ°ķ": 122136, "ä¼ĭ": 122137, "ä»Ŀ": 122138, "åĨ®": 122139, "æ°¿": 122140, "æ±Ī": 122141, "æ°¾": 122142, "å¿ī": 122143, "å®Ħ": 122144, "ð¬£Ļ": 122145, "è®±": 122146, "æīŀ": 122147, "åľ²": 122148, "åľ«": 122149, "èĬı": 122150, "èĬĥ": 122151, "æľ³": 122152, "æľ¸": 122153, "ð¨Ļ": 122154, "ð¨Ļ¸": 122155, "éĤ¨": 122156, "åIJĴ": 122157, "åIJĸ": 122158, "å±¼": 122159, "å±¾": 122160, "辿": 122161, "éĴĨ": 122162, "仳": 122163, "ä¼£": 122164, "ä¼Ī": 122165, "çĻ¿": 122166, "çĶª": 122167, "éĤł": 122168, "çĬ´": 122169, "åĨ±": 122170, "éĤ¡": 122171, "ð¬ĩķ": 122172, "æ±ĭ": 122173, "äľ": 122174, "äľ£": 122175, "è®»": 122176, "ð¬£ŀ": 122177, "åŃĸ": 122178, "ð¬ĺĵ": 122179, "纩": 122180, "çİĴ": 122181, "çİĵ": 122182, "çİĺ": 122183, "çİļ": 122184, "åĪ¬": 122185, "ð«ŃŁ": 122186, "åĿľ": 122187, "åĿī": 122188, "æī½": 122189, "ð«Ń¢": 122190, "åĿĭ": 122191, "æīº": 122192, "ã§ij": 122193, "æ¯IJ": 122194, "èĬ°": 122195, "èĬ£": 122196, "èĭĬ": 122197, "èĭī": 122198, "èĬĺ": 122199, "èĬ´": 122200, "èĬł": 122201, "ð«ĩ": 122202, "ð«ĩŃ": 122203, "èĬ¤": 122204, "æĿķ": 122205, "æĿĻ": 122206, "æĿĦ": 122207, "æĿ§": 122208, "æĿ©": 122209, "å°ª": 122210, "å°¨": 122211, "轪": 122212, "ð«IJĦ": 122213, "åĿĴ": 122214, "èĬĪ": 122215, "æĹ´": 122216, "æŵ": 122217, "åijĻ": 122218, "ãķ": 122219, "ãķ®": 122220, "å²į": 122221, "ð«µ": 122222, "𫵷": 122223, "å²ł": 122224, "å²ľ": 122225, "åijĩ": 122226, "åĨı": 122227, "è§ĥ": 122228, "å²Ļ": 122229, "ä¼¾": 122230, "ãijĩ": 122231, "ä¼Ń": 122232, "ä½ĸ": 122233, "ä¼²": 122234, "ä½ģ": 122235, "é£ı": 122236, "çĭĥ": 122237, "éŶ": 122238, "汧": 122239, "汫": 122240, "ð£²ĺ": 122241, "ð£²Ĺ": 122242, "æ²Ħ": 122243, "æ²ĺ": 122244, "ð¬ĩĻ": 122245, "æ±Ń": 122246, "ã³ĩ": 122247, "æ²ĩ": 122248, "å¿®": 122249, "忳": 122250, "忺": 122251, "𬣡": 122252, "ç¥ĥ": 122253, "è¯ĩ": 122254, "éĤ²": 122255, "è¯İ": 122256, "è¯IJ": 122257, "å±ĥ": 122258, "ð«¸": 122259, "𫸩": 122260, "å²Ĭ": 122261, "éĺ½": 122262, "䢺": 122263, "éĺ¼": 122264, "妧": 122265, "å¦ĺ": 122266, "ð¨ļ": 122267, "ð¨ļķ": 122268, "纮": 122269, "驲": 122270, "ð«ĺľ": 122271, "纻": 122272, "ð¬ĺĺ": 122273, "ð«ĺĿ": 122274, "纼": 122275, "çݤ": 122276, "çİŀ": 122277, "çݱ": 122278, "çİŁ": 122279, "éĤ½": 122280, "éĤ¿": 122281, "åĿ¥": 122282, "åĿ°": 122283, "åĿ¬": 122284, "åĿ½": 122285, "å¼Ĩ": 122286, "èĢµ": 122287, "䢼": 122288, "ð¦Ń": 122289, "ð¦Ńľ": 122290, "èĮĭ": 122291, "èĭ§": 122292, "èĭ¾": 122293, "èĭł": 122294, "æŀħ": 122295, "ãŃİ": 122296, "æŀĺ": 122297, "æŀį": 122298, "çŁ¼": 122299, "磻": 122300, "åĮ¼": 122301, "ð¬¨Ĥ": 122302, "ð¬Ģ©": 122303, "ð¬Ģª": 122304, "æĹ¿": 122305, "æĺĦ": 122306, "æĺĴ": 122307, "æĺĪ": 122308, "åĴī": 122309, "åĴĩ": 122310, "åĴį": 122311, "å²µ": 122312, "å²½": 122313, "岨": 122314, "å²ŀ": 122315, "å³Ĥ": 122316, "ãŁ": 122317, "ãŁĥ": 122318, "åĽ·": 122319, "𬬩": 122320, "éĴIJ": 122321, "éĴĶ": 122322, "éĴĸ": 122323, "çī¥": 122324, "ä½´": 122325, "åŀĪ": 122326, "ä¾ģ": 122327, "ä¾¹": 122328, "佸": 122329, "佺": 122330, "éļ¹": 122331, "ãijĬ": 122332, "ä¾Ĥ": 122333, "ä½½": 122334, "ä¾ĺ": 122335, "éĥĪ": 122336, "èĪł": 122337, "éĥIJ": 122338, "éĥĥ": 122339, "æĶ½": 122340, "èĤŃ": 122341, "èĤ¸": 122342, "èĤ·": 122343, "çĭī": 122344, "çĭĿ": 122345, "饳": 122346, "å¿ŀ": 122347, "çĤĮ": 122348, "çĤĨ": 122349, "æ³Ļ": 122350, "沺": 122351, "æ³Ĥ": 122352, "æ³ľ": 122353, "æ³ĥ": 122354, "æ³ĩ": 122355, "æĢĬ": 122356, "å³ĥ": 122357, "穸": 122358, "ç¥ĭ": 122359, "ç¥Ĭ": 122360, "ð«į£": 122361, "𬣳": 122362, "𬩽": 122363, "鸤": 122364, "å¼¢": 122365, "弨": 122366, "éĻij": 122367, "𬮿": 122368, "éĻİ": 122369, "ð¬¯Ģ": 122370, "åįº": 122371, "乸": 122372, "å¦Ń": 122373, "å§Ī": 122374, "ð«°": 122375, "ð«°Ľ": 122376, "迳": 122377, "åıķ": 122378, "𬳵": 122379, "驵": 122380, "𬳶": 122381, "äĮ": 122382, "äĮ¹": 122383, "驺": 122384, "ð«łĬ": 122385, "ç»ĭ": 122386, "ç»IJ": 122387, "çłī": 122388, "èĢĶ": 122389, "ãĽĥ": 122390, "çݶ": 122391, "çıĩ": 122392, "çıħ": 122393, "ð¬įĽ": 122394, "çıĭ": 122395, "çݹ": 122396, "çıĮ": 122397, "çİ¿": 122398, "飨": 122399, "åŀļ": 122400, "åŀ¯": 122401, "åŀĻ": 122402, "åŀ²": 122403, "åŁı": 122404, "åŀį": 122405, "èĢĩ": 122406, "é¿į": 122407, "åŀİ": 122408, "åŀ´": 122409, "åŀŁ": 122410, "åŀŀ": 122411, "æĮĵ": 122412, "åŀµ": 122413, "åŀı": 122414, "æĭ¶": 122415, "èįĸ": 122416, "èįģ": 122417, "èįĻ": 122418, "èįĽ": 122419, "èĮĪ": 122420, "èĮ½": 122421, "èįĦ": 122422, "èĮº": 122423, "ð¬ľ¬": 122424, "èįĵ": 122425, "èĮ³": 122426, "ð¦°": 122427, "𦰡": 122428, "èĮĽ": 122429, "èįŃ": 122430, "ãŃķ": 122431, "æŁ·": 122432, "æŁĥ": 122433, "æŁĬ": 122434, "æŀ¹": 122435, "æłIJ": 122436, "æŁĸ": 122437, "éĥļ": 122438, "åīħ": 122439, "ä´ĵ": 122440, "迺": 122441, "åİĸ": 122442, "çłĨ": 122443, "çłij": 122444, "çłĦ": 122445, "èĢı": 122446, "å¥ĵ": 122447, "ä¶": 122448, "䶮": 122449, "è½µ": 122450, "è½·": 122451, "è½¹": 122452, "轺": 122453, "æĺº": 122454, "ðª¾": 122455, "𪾢": 122456, "æĺ½": 122457, "缷": 122458, "åĴ¡": 122459, "åĴº": 122460, "æĺ³": 122461, "æĺ£": 122462, "æĺ¤": 122463, "æĺ«": 122464, "æĺ¡": 122465, "åĴ¥": 122466, "æĺª": 122467, "èĻ·": 122468, "èĻ¸": 122469, "åĵĥ": 122470, "å³ĺ": 122471, "èĢij": 122472, "å³Ľ": 122473, "𪨰": 122474, "å³Ĺ": 122475, "峧": 122476, "帡": 122477, "éĴĺ": 122478, "ð«ĵ§": 122479, "éĴľ": 122480, "𬬮": 122481, "𬬱": 122482, "ð¬¬Ń": 122483, "éĴª": 122484, "éĴ¬": 122485, "éĴŃ": 122486, "磧": 122487, "秬": 122488, "ä¿«": 122489, "èĪģ": 122490, "ä¿ľ": 122491, "ä¿Ļ": 122492, "ä¿į": 122493, "åŀķ": 122494, "è¡İ": 122495, "èĪ£": 122496, "å¼ĩ": 122497, "ä¾´": 122498, "鸧": 122499, "äı¡": 122500, "èĥł": 122501, "ð¦Ļ¶": 122502, "èĥĪ": 122503, "èĥ©": 122504, "èĥ£": 122505, "æľı": 122506, "é£IJ": 122507, "è¨Ħ": 122508, "饻": 122509, "庤": 122510, "çĸ¢": 122511, "çĤ£": 122512, "çĤŁ": 122513, "ã¶": 122514, "㶲": 122515, "æ´Ń": 122516, "æ´ĺ": 122517, "æ´ĵ": 122518, "æ´¿": 122519, "ã³ļ": 122520, "æ³ļ": 122521, "æµĪ": 122522, "æµī": 122523, "æ´¸": 122524, "æ´ij": 122525, "æ´¢": 122526, "æ´Ī": 122527, "æ´ļ": 122528, "æ´º": 122529, "æ´¨": 122530, "æµIJ": 122531, "ã³ĺ": 122532, "æ´´": 122533, "æ´£": 122534, "æģĶ": 122535, "宬": 122536, "çªĢ": 122537, "æīĤ": 122538, "è¢Ĩ": 122539, "ç¥ı": 122540, "ç¥IJ": 122541, "ç¥ķ": 122542, "åıļ": 122543, "éĻ§": 122544, "éĻŀ": 122545, "å¨Ģ": 122546, "å§ŀ": 122547, "姱": 122548, "姤": 122549, "姶": 122550, "姽": 122551, "æŀ²": 122552, "ç»ĸ": 122553, "éªĥ": 122554, "ð¬ĺ¡": 122555, "𬳽": 122556, "ð¬ĺ©": 122557, "ð«Ħ§": 122558, "å½ĸ": 122559, "éªī": 122560, "æģĿ": 122561, "çıª": 122562, "çıĽ": 122563, "çı¹": 122564, "çIJĬ": 122565, "çݼ": 122566, "çıĸ": 122567, "ðªŁ": 122568, "ðªŁĿ": 122569, "çı½": 122570, "çı¦": 122571, "çı«": 122572, "çıĴ": 122573, "ð¬į¤": 122574, "çı¢": 122575, "çıķ": 122576, "çıĿ": 122577, "ð«Ń¼": 122578, "åŁĹ": 122579, "åŀ¾": 122580, "åŀº": 122581, "åŁĨ": 122582, "åŀ¿": 122583, "åŁĮ": 122584, "åŁĩ": 122585, "èİ°": 122586, "èĮĿ": 122587, "ð¬ľ¯": 122588, "éĦĢ": 122589, "èݶ": 122590, "èİĿ": 122591, "äĵĸ": 122592, "èİĻ": 122593, "æł»": 122594, "æ¡ł": 122595, "ð¬Ĥ": 122596, "ð¬Ĥ©": 122597, "æ¡Ħ": 122598, "æ¢ł": 122599, "æł´": 122600, "梴": 122601, "æłĴ": 122602, "éħİ": 122603, "éħı": 122604, "ð«łĨ": 122605, "çłµ": 122606, "çłł": 122607, "çł«": 122608, "糬": 122609, "ç¡ģ": 122610, "æģ§": 122611, "ç¿ĥ": 122612, "éĥª": 122613, "ð¨IJ": 122614, "ð¨IJĪ": 122615, "è¾Ģ": 122616, "è¾ģ": 122617, "ð¬Į": 122618, "ð¬ĮĹ": 122619, "åīķ": 122620, "èµĢ": 122621, "åĵ¢": 122622, "æĻħ": 122623, "æĻĬ": 122624, "åĶĿ": 122625, "åĵ³": 122626, "åĵ±": 122627, "åĨĶ": 122628, "æĻĶ": 122629, "æĻIJ": 122630, "çķĸ": 122631, "èļĦ": 122632, "èļĨ": 122633, "ð«ij": 122634, "ð«ij¡": 122635, "帱": 122636, "å´ģ": 122637, "峿": 122638, "𪨶": 122639, "å´Ħ": 122640, "帨": 122641, "å´Ģ": 122642, "èµĨ": 122643, "𬬸": 122644, "éĴ·": 122645, "𬬻": 122646, "𬬹": 122647, "𬬿": 122648, "ð¬Ńģ": 122649, "çľļ": 122650, "çĶ¡": 122651, "笫": 122652, "åĢ»": 122653, "åĢ´": 122654, "èĦ©": 122655, "åĢ®": 122656, "åĢķ": 122657, "åĢŀ": 122658, "ð«¢": 122659, "𫢸": 122660, "åĢĵ": 122661, "åĢ§": 122662, "è¡ĥ": 122663, "èĻĴ": 122664, "èĪŃ": 122665, "èĪ¯": 122666, "èĪ¥": 122667, "çĵŀ": 122668, "鬯": 122669, "鸰": 122670, "èĦİ": 122671, "æľĵ": 122672, "èĥ²": 122673, "èĻĵ": 122674, "é±½": 122675, "çĭ´": 122676, "å³±": 122677, "çĭ»": 122678, "çľ¢": 122679, "ð«Ĺ§": 122680, "åĭį": 122681, "çĹĦ": 122682, "çĸ°": 122683, "çĹĥ": 122684, "ç«ĺ": 122685, "ç¾ĸ": 122686, "ç¾ĵ": 122687, "æ¡Ĭ": 122688, "æķī": 122689, "çĥł": 122690, "çĥĶ": 122691, "çĥ¶": 122692, "çĥ»": 122693, "ð¬ĬĪ": 122694, "æ¶į": 122695, "浡": 122696, "æµŃ": 122697, "浬": 122698, "æ¶Ħ": 122699, "涢": 122700, "æ¶IJ": 122701, "æµ°": 122702, "æµŁ": 122703, "æµĽ": 122704, "æµ¼": 122705, "æµ²": 122706, "æ¶ĺ": 122707, "æĤĪ": 122708, "æĤĥ": 122709, "æĤ¢": 122710, "ð¬ĴĪ": 122711, "宧": 122712, "çªħ": 122713, "çªĬ": 122714, "çªİ": 122715, "æīħ": 122716, "æīĨ": 122717, "袪": 122718, "è¢Ĺ": 122719, "袯": 122720, "祧": 122721, "éļº": 122722, "åł²": 122723, "çĸį": 122724, "ð¨º": 122725, "ð¨ºĻ": 122726, "éĻ´": 122727, "çĥĿ": 122728, "çł®": 122729, "ãĽļ": 122730, "åĵ¿": 122731, "ç¿Ģ": 122732, "ç¿Ĥ": 122733, "åīŁ": 122734, "𬳿": 122735, "ð«Ħ¨": 122736, "绤": 122737, "éªį": 122738, "ð¬ĺ«": 122739, "äĤ": 122740, "äĤ®": 122741, "çIJİ": 122742, "çı¸": 122743, "çıµ": 122744, "çIJĦ": 122745, "çIJĪ": 122746, "çIJĢ": 122747, "çıº": 122748, "æİŃ": 122749, "åłİ": 122750, "åłIJ": 122751, "åŁ¼": 122752, "æİİ": 122753, "åŁ«": 122754, "åłĮ": 122755, "æĻ¢": 122756, "ð«®": 122757, "ð«®ĥ": 122758, "æİŀ": 122759, "åŁª": 122760, "壸": 122761, "ãĻį": 122762, "èģį": 122763, "èıĿ": 122764, "èIJļ": 122765, "èı¥": 122766, "èİ¿": 122767, "äĵ«": 122768, "åĭļ": 122769, "äĵ¬": 122770, "èIJĨ": 122771, "èıĤ": 122772, "èıį": 122773, "èı¼": 122774, "èIJ£": 122775, "äĵ¨": 122776, "èıī": 122777, "äĵĽ": 122778, "梼": 122779, "梽": 122780, "桲": 122781, "梾": 122782, "桯": 122783, "梣": 122784, "æ¢Į": 122785, "桹": 122786, "æķĶ": 122787, "åİ£": 122788, "ç¡Ķ": 122789, "é¿İ": 122790, "ç¡Ļ": 122791, "ç¡ļ": 122792, "ç¡Ĭ": 122793, "ç¡į": 122794, "åĭĶ": 122795, "ä´ķ": 122796, "é¾ģ": 122797, "éĢ´": 122798, "åĶª": 122799, "åķ«": 122800, "ç¿Ī": 122801, "ã«": 122802, "ã«°": 122803, "æĻĻ": 122804, "çķ¤": 122805, "ð¬±ĸ": 122806, "趼": 122807, "è·Ĥ": 122808, "èĽĥ": 122809, "èļ²": 122810, "ð¬Ł½": 122811, "èļº": 122812, "åķ´": 122813, "äİĥ": 122814, "å´§": 122815, "å´Ł": 122816, "å´ŀ": 122817, "å´Ĵ": 122818, "å´Į": 122819, "å´¡": 122820, "éĵı": 122821, "ð«ĵ¯": 122822, "ð«Ł¹": 122823, "éĵķ": 122824, "ð«Ł¼": 122825, "éĵĸ": 122826, "éĵĺ": 122827, "éĵļ": 122828, "éĵŀ": 122829, "éĵ¥": 122830, "éĵ´": 122831, "çī»": 122832, "çī¿": 122833, "ç¨Ĩ": 122834, "笱": 122835, "笯": 122836, "åģ°": 122837, "åģ¡": 122838, "鸺": 122839, "åģŃ": 122840, "åģ²": 122841, "åģģ": 122842, "ã¿": 122843, "ã¿ł": 122844, "éĦħ": 122845, "åģĵ": 122846, "å¾Ľ": 122847, "è¡Ĵ": 122848, "èĪ³": 122849, "èĪ²": 122850, "鸼": 122851, "æĤĨ": 122852, "éĦĥ": 122853, "çĵ»": 122854, "äĿ": 122855, "äĿĻ": 122856, "èĦ¶": 122857, "èĦŀ": 122858, "èĦŁ": 122859, "äı²": 122860, "é±¾": 122861, "çĮĩ": 122862, "çĮĬ": 122863, "çĮĦ": 122864, "è§ĸ": 122865, "ðłħ": 122866, "ðłħ¤": 122867, "庱": 122868, "庼": 122869, "庳": 122870, "çĹĵ": 122871, "ä´Ķ": 122872, "ç««": 122873, "åłĥ": 122874, "éĺĮ": 122875, "ç¾Ŀ": 122876, "ç¾ķ": 122877, "çĦĨ": 122878, "çĥº": 122879, "çĦĮ": 122880, "æ·ı": 122881, "ð¬ĩ¹": 122882, "æ·Ł": 122883, "æ·ľ": 122884, "æ·´": 122885, "æ·¯": 122886, "æ¹´": 122887, "涴": 122888, "ð¬į¡": 122889, "ã¥": 122890, "ã¥Ħ": 122891, "æĥĽ": 122892, "æĥĶ": 122893, "æĤ°": 122894, "æĥĻ": 122895, "å¯ģ": 122896, "éĢŃ": 122897, "ð¬¤ĩ": 122898, "ð«į¯": 122899, "袼": 122900, "è£Ī": 122901, "祲": 122902, "ð¬¤Ĭ": 122903, "ð«į²": 122904, "è°ŀ": 122905, "èī´": 122906, "弸": 122907, "弶": 122908, "ð¬¯İ": 122909, "éļĥ": 122910, "å©ŀ": 122911, "娵": 122912, "婼": 122913, "åªĸ": 122914, "婳": 122915, "å©į": 122916, "å©Į": 122917, "å©«": 122918, "婤": 122919, "å©ĺ": 122920, "å©ł": 122921, "ð¬ĺ¬": 122922, "ð¬ĺŃ": 122923, "ð¬´Ĥ": 122924, "ð«ĺ¦": 122925, "绹": 122926, "ð«Łħ": 122927, "ð¬ĺ¯": 122928, "éªķ": 122929, "ð«ĺ§": 122930, "絾": 122931, "çı·": 122932, "çIJ²": 122933, "çIJ¡": 122934, "çIJŁ": 122935, "çIJĶ": 122936, "çIJŃ": 122937, "åł¾": 122938, "åł¼": 122939, "æıķ": 122940, "ãĻĺ": 122941, "åł§": 122942, "åĸĨ": 122943, "åł¨": 122944, "å¡ħ": 122945, "åłł": 122946, "çµ·": 122947, "ðª£": 122948, "𪣻": 122949, "ð¡İ": 122950, "ð¡İļ": 122951, "èijľ": 122952, "æĥİ": 122953, "èIJ³": 122954, "èijĻ": 122955, "éĿ¬": 122956, "èij´": 122957, "èĴĩ": 122958, "èĴĪ": 122959, "éĦļ": 122960, "èĴī": 122961, "èĵĩ": 122962, "èIJ©": 122963, "èij°": 122964, "èijİ": 122965, "éĦij": 122966, "èĴİ": 122967, "èijĸ": 122968, "èĴĦ": 122969, "èIJ¹": 122970, "棤": 122971, "棽": 122972, "棫": 122973, "æ¤ĵ": 122974, "æ¤ij": 122975, "ð¬ĥ": 122976, "ð¬ĥĬ": 122977, "é¹Ģ": 122978, "æ¤Ĩ": 122979, "æ£ĵ": 122980, "棬": 122981, "棪": 122982, "æ¤Ģ": 122983, "æ¥Ĺ": 122984, "ð¬·": 122985, "ð¬·ķ": 122986, "çĶ¦": 122987, "éħ¦": 122988, "è§Į": 122989, "奡": 122990, "çļķ": 122991, "硪": 122992, "欹": 122993, "è©Ł": 122994, "ð«IJIJ": 122995, "è¾Į": 122996, "æ£IJ": 122997, "é¾Ĥ": 122998, "ð¬¹": 122999, "𬹼": 123000, "黹": 123001, "çīļ": 123002, "çĿİ": 123003, "æĻ«": 123004, "æĻª": 123005, "æĻ±": 123006, "ð§": 123007, "ð§¿": 123008, "𧿹": 123009, "èĽij": 123010, "çķ¯": 123011, "æĸĿ": 123012, "åĸ¤": 123013, "å´¶": 123014, "åµģ": 123015, "ð«¶": 123016, "ð«¶ĩ": 123017, "å´¾": 123018, "åµħ": 123019, "å´¿": 123020, "åµļ": 123021, "ç¿Ļ": 123022, "ð«ĸ®": 123023, "åľĮ": 123024, "åľIJ": 123025, "èµij": 123026, "èµĴ": 123027, "é¿ı": 123028, "éĵ¹": 123029, "ð¬ŃĬ": 123030, "éĵ½": 123031, "ð¨±ĩ": 123032, "ð«ĵ¶": 123033, "éĶĬ": 123034, "éĶį": 123035, "éĶİ": 123036, "ð¬Ńİ": 123037, "éĶĵ": 123038, "çĬĩ": 123039, "é¢ĭ": 123040, "ç¨Į": 123041, "çŃĢ": 123042, "çŃĺ": 123043, "çŃľ": 123044, "çŃ¥": 123045, "çŃħ": 123046, "åĤĥ": 123047, "åĤī": 123048, "ç¿Ľ": 123049, "åĤĴ": 123050, "åĤķ": 123051, "èĪ¾": 123052, "çķ¬": 123053, "ð«ĸ¯": 123054, "èĦ¿": 123055, "èħĺ": 123056, "äIJ": 123057, "äIJĥ": 123058, "èħĻ": 123059, "èħĴ": 123060, "ð¬±Ł": 123061, "é²ĥ": 123062, "çĮ°": 123063, "ð«Ľ": 123064, "ð«ĽŃ": 123065, "çĮ¯": 123066, "ãº": 123067, "ãºĦ": 123068, "é¦ī": 123069, "åĩĵ": 123070, "éĦĹ": 123071, "ð«·": 123072, "ð«··": 123073, "å»ĭ": 123074, "å»Ĩ": 123075, "éĦĮ": 123076, "ç²¢": 123077, "éģĨ": 123078, "æĹIJ": 123079, "𬮱": 123080, "çĦŀ": 123081, "ð¬Ĭ¤": 123082, "欻": 123083, "ð£¸": 123084, "𣸣": 123085, "æºļ": 123086, "æºģ": 123087, "æ¹Ŀ": 123088, "渰": 123089, "æ¹ĵ": 123090, "ã´": 123091, "ã´Ķ": 123092, "æ¸Ł": 123093, "æºł": 123094, "渼": 123095, "æºĩ": 123096, "æ¹£": 123097, "æ¹ij": 123098, "æºŀ": 123099, "æĦIJ": 123100, "æĦĥ": 123101, "æķ©": 123102, "çĶ¯": 123103, "棨": 123104, "æīĬ": 123105, "裣": 123106, "祼": 123107, "å©»": 123108, "åªĨ": 123109, "åªŀ": 123110, "ãĽ¹": 123111, "åªĵ": 123112, "åªĤ": 123113, "åªĦ": 123114, "毵": 123115, "çŁŀ": 123116, "ð¬´ĥ": 123117, "ð«ĺ¨": 123118, "ç¼Ĭ": 123119, "ç¼IJ": 123120, "éªĻ": 123121, "çijĥ": 123122, "çijĵ": 123123, "çijħ": 123124, "çijĨ": 123125, "ä´ĸ": 123126, "çijĸ": 123127, "çijĿ": 123128, "çijĶ": 123129, "çijĢ": 123130, "ð¤§": 123131, "ð¤§Ľ": 123132, "çij³": 123133, "çijĤ": 123134, "å¶ħ": 123135, "çijij": 123136, "éģĺ": 123137, "é«¢": 123138, "å¡¥": 123139, "åł½": 123140, "赪": 123141, "æijĽ": 123142, "å¡Ŀ": 123143, "æIJĴ": 123144, "æIJĮ": 123145, "èĴ±": 123146, "èĴ¨": 123147, "èĵı": 123148, "èĶĢ": 123149, "èĵ¢": 123150, "èĵĤ": 123151, "èĴ»": 123152, "èĵ£": 123153, "椹": 123154, "楪": 123155, "æ¦ĥ": 123156, "æ¦ħ": 123157, "æ¥Ĵ": 123158, "楩": 123159, "æ¦ĩ": 123160, "椸": 123161, "æ¥Ļ": 123162, "æŃħ": 123163, "ð¬ª": 123164, "𬪩": 123165, "ç¢ĥ": 123166, "ç¢ı": 123167, "ð¬ĴĶ": 123168, "ç¢Ī": 123169, "äĥħ": 123170, "ç¡¿": 123171, "éĦł": 123172, "è¾Ĵ": 123173, "ð¬¨İ": 123174, "ð«IJĵ": 123175, "é¾Ĩ": 123176, "è§ľ": 123177, "ä£": 123178, "ä£ĺ": 123179, "æļķ": 123180, "é¹į": 123181, "ð««": 123182, "ð««ĩ": 123183, "ã¬Ĭ": 123184, "æļħ": 123185, "è·±": 123186, "èľIJ": 123187, "èľİ": 123188, "åµ²": 123189, "èµĹ": 123190, "骱": 123191, "éĶĸ": 123192, "ð«ĵ¹": 123193, "éĶĺ": 123194, "éĶ³": 123195, "éĶ§": 123196, "éĶª": 123197, "ð¬Ńļ": 123198, "éĶ«": 123199, "éĶ¬": 123200, "ð¬ŃĽ": 123201, "ç¨ij": 123202, "ç¨Ļ": 123203, "äħ": 123204, "äħŁ": 123205, "ð¬ķ": 123206, "ð¬ķĤ": 123207, "çŃ»": 123208, "çŃ¼": 123209, "çѶ": 123210, "çѦ": 123211, "çѤ": 123212, "åĤº": 123213, "é¹İ": 123214, "åĥĩ": 123215, "èīħ": 123216, "èīī": 123217, "è°¼": 123218, "è²Ĩ": 123219, "èħ½": 123220, "èħ¨": 123221, "èħ¯": 123222, "é²ī": 123223, "é²Ĭ": 123224, "é²Į": 123225, "ä²Ł": 123226, "ð¬¶ĭ": 123227, "ð¬¶į": 123228, "é²ı": 123229, "éĽĬ": 123230, "çĮº": 123231, "é£Ķ": 123232, "è§Ł": 123233, "ð¦Ŀ¼": 123234, "é¦Į": 123235, "è£Ľ": 123236, "å»Ĵ": 123237, "çĺħ": 123238, "éĦĺ": 123239, "é¹Ĵ": 123240, "éĦľ": 123241, "éºĢ": 123242, "éĦ£": 123243, "éĺĺ": 123244, "ð«Ķ¶": 123245, "çħģ": 123246, "çħĥ": 123247, "çħ´": 123248, "çħĭ": 123249, "çħŁ": 123250, "çħĵ": 123251, "æ»ł": 123252, "æºį": 123253, "溹": 123254, "æ»Ĩ": 123255, "æ»ī": 123256, "溦": 123257, "溵": 123258, "æ¼·": 123259, "滧": 123260, "æ»ĺ": 123261, "æ»į": 123262, "æĦŃ": 123263, "æħ¥": 123264, "æħĨ": 123265, "塱": 123266, "ð«ĮĢ": 123267, "裼": 123268, "ç¦ĭ": 123269, "ç¦Ķ": 123270, "ç¦ĺ": 123271, "ç¦Ĵ": 123272, "è°«": 123273, "é¹Ķ": 123274, "ð«ĸ³": 123275, "æĦį": 123276, "å«Ħ": 123277, "媱": 123278, "æĪ¤": 123279, "åĭł": 123280, "æĪ£": 123281, "ð«ĺª": 123282, "ð«ĺ¬": 123283, "ç¼ŀ": 123284, "èĢ¤": 123285, "çij§": 123286, "ð«ŀ": 123287, "ð«ŀ©": 123288, "çij¨": 123289, "çij±": 123290, "çij·": 123291, "çij¢": 123292, "æĸł": 123293, "æijı": 123294, "å¢ķ": 123295, "å¢Ī": 123296, "å¢IJ": 123297, "å¢ĺ": 123298, "æij´": 123299, "éĬİ": 123300, "ð¡IJ": 123301, "ð¡IJĵ": 123302, "å¢ļ": 123303, "æĴĸ": 123304, "ðª¤": 123305, "ðª¤Ĺ": 123306, "éĿ½": 123307, "éŀģ": 123308, "èĶĮ": 123309, "èĶĪ": 123310, "èĵ°": 123311, "èĶ¹": 123312, "èĶĬ": 123313, "åĺı": 123314, "榰": 123315, "æ¦ij": 123316, "æ§ļ": 123317, "ð£Ĺ": 123318, "ð£Ĺĭ": 123319, "æ§ľ": 123320, "æ¦į": 123321, "çĸIJ": 123322, "ð¬¸ĺ": 123323, "éħº": 123324, "éħ¾": 123325, "éħ²": 123326, "éħ´": 123327, "碶": 123328, "äĥİ": 123329, "ð¬ĴĹ": 123330, "碨": 123331, "ð¥Ķ": 123332, "ð¥Ķ²": 123333, "碹": 123334, "碥": 123335, "åĬĤ": 123336, "ð«ļĸ": 123337, "ä´Ĺ": 123338, "夥": 123339, "çŀį": 123340, "é¹ĸ": 123341, "ã¬İ": 123342, "è·½": 123343, "èľ¾": 123344, "å¹ĸ": 123345, "å¶į": 123346, "åľĻ": 123347, "ð¨±ı": 123348, "éĶº": 123349, "éĶ¼": 123350, "éĶ½": 123351, "ð¬Ń¤": 123352, "éĶ¾": 123353, "éĶ¿": 123354, "éķĥ": 123355, "éķĦ": 123356, "éķħ": 123357, "é¦Ŀ": 123358, "é¹Ļ": 123359, "箨": 123360, "ç®ĸ": 123361, "åĬĦ": 123362, "åĥ¬": 123363, "åĥ¦": 123364, "åĥĶ": 123365, "åĥİ": 123366, "æ§ĥ": 123367, "ãĻ¦": 123368, "é²Ĵ": 123369, "é²ķ": 123370, "ð«ļķ": 123371, "é²ĸ": 123372, "é²Ĺ": 123373, "é²ĺ": 123374, "é²Ļ": 123375, "ð¬¶IJ": 123376, "ð¬¶ı": 123377, "ð©½": 123378, "𩽾": 123379, "å¤IJ": 123380, "çįį": 123381, "é£Ĺ": 123382, "ð¬¸ļ": 123383, "åĩĺ": 123384, "å»ij": 123385, "å»Ļ": 123386, "çĺĹ": 123387, "çĺ¥": 123388, "çĺķ": 123389, "é²Ŀ": 123390, "éĦ«": 123391, "çĨĩ": 123392, "æ¼¹": 123393, "æ¼ĸ": 123394, "æ½Ĩ": 123395, "漤": 123396, "潩": 123397, "æ¼¼": 123398, "æ¼´": 123399, "ã½": 123400, "ã½ı": 123401, "æ¼Ī": 123402, "æ¼ĭ": 123403, "æ¼»": 123404, "æħ¬": 123405, "窬": 123406, "çªŃ": 123407, "ã®": 123408, "㮾": 123409, "ð¬¤Ŀ": 123410, "è¤ķ": 123411, "禼": 123412, "ç¦ļ": 123413, "éļ©": 123414, "å«ķ": 123415, "å«Ń": 123416, "å«ľ": 123417, "嫪": 123418, "ð¬ĻĤ": 123419, "ã»": 123420, "㻬": 123421, "麹": 123422, "çĴĨ": 123423, "漦": 123424, "åıĩ": 123425, "墣": 123426, "墦": 123427, "墡": 123428, "åĬIJ": 123429, "èĸģ": 123430, "èķ°": 123431, "èĶĥ": 123432, "é¼Ĵ": 123433, "槱": 123434, "é¹Ŀ": 123435, "ç£ı": 123436, "ç£ī": 123437, "殣": 123438, "æħŃ": 123439, "éľħ": 123440, "æļµ": 123441, "æļ²": 123442, "æļ¶": 123443, "踦": 123444, "踣": 123445, "äĹĸ": 123446, "èĿĺ": 123447, "èĿ²": 123448, "èĿ¤": 123449, "åĻĩ": 123450, "åĻĤ": 123451, "åĻĢ": 123452, "罶": 123453, "嶲": 123454, "å¶ĵ": 123455, "ãłĩ": 123456, "å¶Ł": 123457, "å¶Ĵ": 123458, "éķĨ": 123459, "éķĪ": 123460, "éķĭ": 123461, "éķİ": 123462, "ð¬Ń©": 123463, "éķķ": 123464, "稹": 123465, "åĦĩ": 123466, "çļŀ": 123467, "çļĽ": 123468, "ä´ĺ": 123469, "èīİ": 123470, "èīı": 123471, "é¹Ł": 123472, "ð©¾ĥ": 123473, "鲦": 123474, "鲪": 123475, "鲬": 123476, "æ©¥": 123477, "è§Ń": 123478, "é¹ł": 123479, "鹡": 123480, "ç³ĩ": 123481, "ç³Ī": 123482, "翦": 123483, "é¹¢": 123484, "é¹£": 123485, "çĨĽ": 123486, "æ½ĸ": 123487, "æ½µ": 123488, "ãµ": 123489, "ãµIJ": 123490, "æ¾Ĥ": 123491, "æ¾Ľ": 123492, "çij¬": 123493, "æ½½": 123494, "æ½¾": 123495, "æ½ı": 123496, "æĨŃ": 123497, "æĨķ": 123498, "𬸣": 123499, "æĪŃ": 123500, "褯": 123501, "禤": 123502, "ð«į½": 123503, "嫽": 123504, "éģ¹": 123505, "ð¬´Ĭ": 123506, "çĴ¥": 123507, "çĴ²": 123508, "çĴĴ": 123509, "æĨĻ": 123510, "æĵIJ": 123511, "éĦ¹": 123512, "èĸ³": 123513, "éŀĶ": 123514, "é»ĩ": 123515, "ð¬ŀ": 123516, "ð¬ŀŁ": 123517, "èķĹ": 123518, "èĸ¢": 123519, "èķ¹": 123520, "æ©ŀ": 123521, "æ©ij": 123522, "橦": 123523, "éĨij": 123524, "觱": 123525, "磡": 123526, "ð¥ķ": 123527, "ð¥ķ¢": 123528, "ç£ľ": 123529, "è±®": 123530, "ð«Ł¦": 123531, "ð¬ºĪ": 123532, "ð«łľ": 123533, "é¹¾": 123534, "èĻ¤": 123535, "æļ¿": 123536, "æĽĮ": 123537, "æĽĪ": 123538, "ã¬ļ": 123539, "è¹ħ": 123540, "踶": 123541, "äĹĽ": 123542, "èŀĹ": 123543, "çĸģ": 123544, "ãłĵ": 123545, "幪": 123546, "ðª©": 123547, "ðª©ĺ": 123548, "嶦": 123549, "ð¬Ń¬": 123550, "ð¨±ij": 123551, "ð¬Ń¯": 123552, "é¦ŀ": 123553, "ç©Ħ": 123554, "ç¯ļ": 123555, "篯": 123556, "ç°ī": 123557, "é¼½": 123558, "è¡ł": 123559, "缦": 123560, "èŀ£": 123561, "縢": 123562, "é²Ń": 123563, "鲯": 123564, "é²°": 123565, "鲺": 123566, "é²¹": 123567, "ð«Ĺ´": 123568, "亸": 123569, "çĻĢ": 123570, "çĺŃ": 123571, "𬸦": 123572, "ç¾±": 123573, "ç³Ĵ": 123574, "çĩĭ": 123575, "çĨ»": 123576, "çĩĬ": 123577, "çĩļ": 123578, "çĩı": 123579, "æ¿©": 123580, "æ¿ĭ": 123581, "澪": 123582, "æ¾½": 123583, "æ¾´": 123584, "æ¾Ń": 123585, "æ¾¼": 123586, "æĨ·": 123587, "æĨº": 123588, "æĩĶ": 123589, "é»ī": 123590, "å¬Ľ": 123591, "鹨": 123592, "翯": 123593, "ð«Ħ·": 123594, "çĴ±": 123595, "𤩽": 123596, "çĴ¬": 123597, "çĴ®": 123598, "髽": 123599, "æĵ¿": 123600, "èĸ¿": 123601, "èĸ¸": 123602, "æªij": 123603, "æ«Ĩ": 123604, "æªŀ": 123605, "éĨ¨": 123606, "ç¹Ħ": 123607, "磹": 123608, "磻": 123609, "çŀ«": 123610, "çŀµ": 123611, "è¹IJ": 123612, "èŁı": 123613, "ãĺ": 123614, "ãĺİ": 123615, "ð¬Ń³": 123616, "éķ¤": 123617, "ð¬Ń¶": 123618, "ð«Ķį": 123619, "éķ¥": 123620, "éķ¨": 123621, "ð¬Ń¸": 123622, "ð¨±Ķ": 123623, "ð¬Ń¼": 123624, "ð«Ķİ": 123625, "磰": 123626, "ç©Ļ": 123627, "ç©ľ": 123628, "ç©Ł": 123629, "ç°ķ": 123630, "ç°ĥ": 123631, "ç°ı": 123632, "åĦ¦": 123633, "éŃĭ": 123634, "æĸ¶": 123635, "èīļ": 123636, "𬸪": 123637, "è°¿": 123638, "ä²ł": 123639, "ð¬¶Ł": 123640, "é²¾": 123641, "ð¬¶ł": 123642, "鲿": 123643, "é³ģ": 123644, "é³Ĥ": 123645, "é³Ī": 123646, "é³ī": 123647, "çį¯": 123648, "äĹª": 123649, "é¦ĺ": 123650, "è¥ķ": 123651, "è¥ļ": 123652, "𬶨": 123653, "èŀ±": 123654, "çĶĵ": 123655, "嬬": 123656, "嬥": 123657, "ð¦Ī": 123658, "ð¦Ī¡": 123659, "ð«Ħ¸": 123660, "çĵĢ": 123661, "éĩIJ": 123662, "鬶": 123663, "çĪĩ": 123664, "éŀ³": 123665, "éŀ®": 123666, "ð¬Łģ": 123667, "èĹŁ": 123668, "èŦ": 123669, "èŨ": 123670, "é¹²": 123671, "檫": 123672, "黡": 123673, "ç¤ŀ": 123674, "ç¤Į": 123675, "ð¥ĸ": 123676, "ð¥ĸ¨": 123677, "è¹¢": 123678, "è¹ľ": 123679, "èŁ«": 123680, "äĹ´": 123681, "åļļ": 123682, "é«ĥ": 123683, "éķ®": 123684, "éķ±": 123685, "éħĤ": 123686, "馧": 123687, "ç°ł": 123688, "ç°Ŀ": 123689, "ç°°": 123690, "鼫": 123691, "鼩": 123692, "çļ¦": 123693, "èĩij": 123694, "ä²¢": 123695, "é³ij": 123696, "é³Ĵ": 123697, "é¹±": 123698, "鹯": 123699, "çĻĹ": 123700, "ð¦Ĵ": 123701, "ð¦Ĵį": 123702, "æĹŀ": 123703, "ç¿·": 123704, "åĨģ": 123705, "äİĸ": 123706, "çĢĶ": 123707, "çĢį": 123708, "çĢĮ": 123709, "è¥ľ": 123710, "ä´Ļ": 123711, "ð¬ĻĬ": 123712, "åļŃ": 123713, "ã°": 123714, "ã°Ģ": 123715, "鬷": 123716, "éĨŃ": 123717, "蹯": 123718, "èłĭ": 123719, "翾": 123720, "é³ĺ": 123721, "åĦ³": 123722, "åĦ´": 123723, "é¼Ĺ": 123724, "ð¬¶Ń": 123725, "ð©¾Į": 123726, "é³ļ": 123727, "é³Ľ": 123728, "éºij": 123729, "éºĸ": 123730, "èłĥ": 123731, "å½Ł": 123732, "嬿": 123733, "é¬Ĵ": 123734, "èĺĺ": 123735, "æ¬Ĥ": 123736, "éĨµ": 123737, "颥": 123738, "çĶĹ": 123739, "ð¨Ł": 123740, "ð¨Łł": 123741, "å·ĩ": 123742, "éħħ": 123743, "é«İ": 123744, "çĬ¨": 123745, "𬶮": 123746, "ð¨Ń": 123747, "ð¨Ńī": 123748, "ã¸Į": 123749, "çĪĶ": 123750, "çĢ±": 123751, "çĢ¹": 123752, "çĢ¼": 123753, "çĢµ": 123754, "襫": 123755, "åŃħ": 123756, "骦": 123757, "ð¬Ļĭ": 123758, "èĢ°": 123759, "ð¤«": 123760, "ð¤«ī": 123761, "çĵĸ": 123762, "é¬ĺ": 123763, "趯": 123764, "ð¬ºĵ": 123765, "ç½į": 123766, "é¼±": 123767, "é³ł": 123768, "鳡": 123769, "é³£": 123770, "çĪŁ": 123771, "çĪļ": 123772, "çģĪ": 123773, "éŁĤ": 123774, "ç³µ": 123775, "èĺ¼": 123776, "礵": 123777, "é¹´": 123778, "èºĶ": 123779, "çļŃ": 123780, "é¾¢": 123781, "鳤": 123782, "亹": 123783, "ç±¥": 123784, "é¼·": 123785, "ð«ļŃ": 123786, "çİĥ": 123787, "éĨ¾": 123788, "é½ĩ": 123789, "觿": 123790, "èł¼": 123791, "ק": 123792, "פ": 123793, "׼": 123794, "×ķת": 123795, "ס": 123796, "×Ļ×Ŀ": 123797, "צ": 123798, "×Ĵ": 123799, "×ĺ": 123800, "×ķר": 123801, "×Ŀ": 123802, "×ķ׾": 123803, "×ĸ": 123804, "à¹Ĥ": 123805, "ïº": 123806, "ðŁį": 123807, "ðŁIJ": 123808, "×Ļר": 123809, "ï»": 123810, "ðŁij": 123811, "ðĿIJ": 123812, "ðŁı": 123813, "ðŁĶ": 123814, "ðŁĮ": 123815, "ðŁİ": 123816, "ðŁĵ": 123817, "ף": 123818, "ðĿij": 123819, "×ķ×ĵ": 123820, "ï¦": 123821, "Ġ×ķ": 123822, "×ķ×ij": 123823, "à¸Ńà¸ĩ": 123824, "ðĿĺ": 123825, "×Ļת": 123826, "ðĿķ": 123827, "à¸Ĺีà¹Ī": 123828, "ائ": 123829, "ðŁ¤": 123830, "×ķף": 123831, "رÙĬ": 123832, "×Ļ׾": 123833, "ระ": 123834, "าย": 123835, "ï¯": 123836, "ï®": 123837, "าม": 123838, "âĩ": 123839, "ðŁ¥": 123840, "ïŃ": 123841, "ðĿĻ": 123842, "×ķ׳": 123843, "á½": 123844, "Ġ׼": 123845, "ðŁļ": 123846, "âļ": 123847, "ï§": 123848, "×ijר": 123849, "×Ļ׳": 123850, "á´": 123851, "Ġ×Ĺ": 123852, "á¼": 123853, "ðĿĹ": 123854, "Ġ×¢": 123855, "×Ļ×Ķ": 123856, "ãģ£ãģŁ": 123857, "ãģĵãģ¨": 123858, "á¸": 123859, "ÙĬÙĨ": 123860, "ãģªãģĦ": 123861, "اع": 123862, "ศ": 123863, "à¹Īà¸ĩ": 123864, "×Ļ×ĵ": 123865, "×ŀש": 123866, "áĪ": 123867, "׳×Ļ": 123868, "×Ļ×ij": 123869, "ï¥": 123870, "ðĿĵ": 123871, "Ġ×Ļ": 123872, "×ļ": 123873, "ัà¸ĩ": 123874, "âĵ": 123875, "ï¤": 123876, "ĠاÙĦØ£": 123877, "าà¸ģ": 123878, "à¹īà¸Ļ": 123879, "à¹Ģร": 123880, "×ķ×Ŀ": 123881, "á¹": 123882, "ึ": 123883, "×Ļק": 123884, "à¸ĭ": 123885, "à¸Ħร": 123886, "à¸ĺ": 123887, "ัà¸ģ": 123888, "ðŁķ": 123889, "ÙĪÙĨ": 123890, "à¸Ńย": 123891, "âĬ": 123892, "ðĿĴ": 123893, "ĠاÙĦع": 123894, "าà¸Ļ": 123895, "×Ļף": 123896, "ÙĦÙĬ": 123897, "×Ļש": 123898, "à¸Ľà¸£à¸°": 123899, "à¹Ģà¸Ľ": 123900, "Ġ׳": 123901, "×ķס": 123902, "à¸ł": 123903, "ÙħÙĨ": 123904, "×ķ×¢": 123905, "×ķ×ŀ": 123906, "âĮ": 123907, "ðŁ§": 123908, "à¹ĩà¸Ļ": 123909, "à¸į": 123910, "ãİ": 123911, "áµ": 123912, "ĠاÙĦس": 123913, "×ķק": 123914, "หล": 123915, "ðŁĩ": 123916, "âı": 123917, "ðŁ¦": 123918, "Ġ×Ķ×ŀ": 123919, "ÙĪا": 123920, "Ġת": 123921, "ר×IJ": 123922, "à¸Ńà¸Ļ": 123923, "ษ": 123924, "à¹Īว": 123925, "×ķצ": 123926, "íĹ": 123927, "ãĦ": 123928, "ï¨": 123929, "ï¹": 123930, "âİ": 123931, "ï²": 123932, "ðĿļ": 123933, "ðIJ": 123934, "à¸Ħว": 123935, "หà¸Ļ": 123936, "Ġר": 123937, "بÙĬ": 123938, "รà¹Į": 123939, "را": 123940, "شر": 123941, "×ķ×Ĺ": 123942, "×ķפ": 123943, "×ķש": 123944, "×ķ×Ĵ": 123945, "íĿ": 123946, "âĽ": 123947, "à¸ķิ": 123948, "à¹Ģà¸ģ": 123949, "ï³": 123950, "ï±": 123951, "à¸Ķà¹ī": 123952, "ë¹": 123953, "ï¬": 123954, "á¿": 123955, "ðŁĽ": 123956, "ðĿĸ": 123957, "à¹Īาà¸ĩ": 123958, "ูà¹ī": 123959, "Ġ×Ķ×IJ": 123960, "ĠاÙĦØŃ": 123961, "פר": 123962, "ÙĪÙħ": 123963, "à¹Ģล": 123964, "íĸ": 123965, "×Ļ×¢": 123966, "ìĪ": 123967, "íĵ": 123968, "ðŁħ": 123969, "áł": 123970, "à¸Ħวาม": 123971, "à¸Īะ": 123972, "׳×Ķ": 123973, "Ġק": 123974, "à¸Ł": 123975, "à¹īà¸ĩ": 123976, "หม": 123977, "تÙħ": 123978, "׾×Ļ": 123979, "ÙĬد": 123980, "à¹Īà¸Ļ": 123981, "×Ĺר": 123982, "שר": 123983, "à¹Ģà¸Ĺ": 123984, "×ŀר": 123985, "ëĸ": 123986, "عÙĦ": 123987, "×ŀ×¢": 123988, "â²": 123989, "׾×Ķ": 123990, "Ġפ": 123991, "à¸Ńà¸ģ": 123992, "سÙĦ": 123993, "×Ļ×ŀ": 123994, "ÙĤÙĬ": 123995, "íİ": 123996, "تØŃ": 123997, "×Ļס": 123998, "×Ļ×Ĺ": 123999, "íĽ": 124000, "ï°": 124001, "â½": 124002, "áī": 124003, "áĬ": 124004, "á¨": 124005, "Ùĩا": 124006, "Ġ׾×Ķ": 124007, "×ķ×IJ": 124008, "Ùħا": 124009, "à¹īà¸Ńà¸ĩ": 124010, "رب": 124011, "ĠاÙĦج": 124012, "×ŀ×ĵ": 124013, "ÙħÙĦ": 124014, "تر": 124015, "à¹Ģà¸Ķ": 124016, "קר": 124017, "íħ": 124018, "ì¼": 124019, "ê¿": 124020, "ãĪ": 124021, "áIJ": 124022, "ðŁĹ": 124023, "ê¦": 124024, "áĭ": 124025, "ðĿĶ": 124026, "à¹Ģà¸Ľà¹ĩà¸Ļ": 124027, "à¹ĥห": 124028, "มา": 124029, "วà¹Īา": 124030, "มี": 124031, "ีà¹ī": 124032, "à¹Ħมà¹Ī": 124033, "ÙĨÙĬ": 124034, "ؤ": 124035, "รา": 124036, "×ķ×Ļ": 124037, "ãĤĪãģĨ": 124038, "ิà¸Ķ": 124039, "×Ļפ": 124040, "×Ĺ׾": 124041, "ÙĤد": 124042, "à¹Ģส": 124043, "×Ļ×ĺ": 124044, "à¸ģล": 124045, "ר׼": 124046, "×ķ׼": 124047, "×Ļ׼": 124048, "ëĪ": 124049, "ëĥ": 124050, "ðŁĸ": 124051, "áħ": 124052, "â¼": 124053, "ãī": 124054, "à¹Ħà¸Ķà¹ī": 124055, "ת×Ļ": 124056, "×Ļ×IJ": 124057, "ĠاÙĦØ¥": 124058, "à¸łà¸²": 124059, "ริ": 124060, "ÙĤØ©": 124061, "ØŃد": 124062, "ê»": 124063, "ì±": 124064, "ת×Ĺ": 124065, "ìº": 124066, "âĭ": 124067, "áĦ": 124068, "á¾": 124069, "âµ": 124070, "â¾": 124071, "ĠÙĪاÙĦ": 124072, "׳×ķ": 124073, "ÙĢ": 124074, "ÙĬا": 124075, "à¸ģà¹ĩ": 124076, "×ŀ×Ķ": 124077, "ãģĦãĤĭ": 124078, "عد": 124079, "ĠاÙĦÙĨ": 124080, "Ġ×Ķש": 124081, "ئ": 124082, "ัà¹īà¸ĩ": 124083, "รัà¸ļ": 124084, "ÙĪÙĤ": 124085, "ãģ§ãģį": 124086, "à¹Ģà¸ŀ": 124087, "׼׾": 124088, "×ĺר": 124089, "ัà¸Ķ": 124090, "à¸Ńา": 124091, "ì¢": 124092, "à¸Ńà¸ļ": 124093, "à¸ķร": 124094, "à¹Ģà¸Ĭ": 124095, "ìĶ": 124096, "ãģĹãģ¾": 124097, "ëģ": 124098, "ëķ": 124099, "ðŁĻ": 124100, "âĴ": 124101, "á¶": 124102, "à¹ģล": 124103, "ÙĨا": 124104, "à¹ĥหà¹ī": 124105, "à¹Ħà¸Ľ": 124106, "×£": 124107, "ัว": 124108, "าà¸ĩ": 124109, "×ĵר": 124110, "×ij׾": 124111, "פ×Ļ": 124112, "Ġ×ĵ": 124113, "ĠاÙĦÙģ": 124114, "à¹Ģà¸Ĥ": 124115, "ש×Ķ": 124116, "×IJר": 124117, "ë¬": 124118, "ãģ«ãģª": 124119, "ÑĢо": 124120, "วิ": 124121, "Ùħر": 124122, "×IJת": 124123, "Ùĥر": 124124, "سب": 124125, "ÙĨت": 124126, "ãģĹãģĦ": 124127, "اج": 124128, "à¸Ńรà¹Į": 124129, "ÙĥÙĦ": 124130, "سÙħ": 124131, "สิ": 124132, "×Ļצ": 124133, "ëĿ": 124134, "íľ": 124135, "ìī": 124136, "áĨ": 124137, "ÙĩÙħ": 124138, "à¸Ļีà¹ī": 124139, "ãģĤãĤĭ": 124140, "ãģĦãģ¦": 124141, "سÙĬ": 124142, "׾×IJ": 124143, "در": 124144, "ãģļ": 124145, "ÙĪج": 124146, "ĠاÙĦØ®": 124147, "صر": 124148, "íı": 124149, "à¹īาà¸ĩ": 124150, "ุà¸Ķ": 124151, "×ķ×ĺ": 124152, "×ij×¢": 124153, "íĨ": 124154, "à¸Ĭา": 124155, "รม": 124156, "ש×ŀ": 124157, "×ŀס": 124158, "ê´": 124159, "ì´": 124160, "ëľ": 124161, "ì¿": 124162, "ì©": 124163, "ë»": 124164, "â¤": 124165, "ðŁĨ": 124166, "áĮ": 124167, "áķ": 124168, "ذا": 124169, "à¸Ĺำ": 124170, "à¸ķà¹Ī": 124171, "ĠاÙĦÙĤ": 124172, "ÙĦÙĥ": 124173, "ูà¹Ī": 124174, "à¸Ħุ": 124175, "ÙĬÙħ": 124176, "׳×Ļ×Ŀ": 124177, "ืà¹Īà¸Ń": 124178, "ÙĪع": 124179, "ãĤĩ": 124180, "اÙĤ": 124181, "Ġ×ij×¢": 124182, "à¹Ģม": 124183, "جÙħ": 124184, "ừ": 124185, "ãģĵãģ¨ãģĮ": 124186, "بد": 124187, "×ķ×Ķ": 124188, "ש׾": 124189, "Ùĩر": 124190, "à¹Ģà¸Ļ": 124191, "ãģ¹": 124192, "íĭ": 124193, "ì»": 124194, "ì½": 124195, "ëŃ": 124196, "ìĮ": 124197, "íĢ": 124198, "ëĮ": 124199, "ëº": 124200, "ãĬ": 124201, "à¹ĥà¸Ļ": 124202, "Ġ×Ĵ": 124203, "à¹Ĩ": 124204, "à¸Īาà¸ģ": 124205, "วย": 124206, "à¹ĥà¸Ĭ": 124207, "à¸ĩาà¸Ļ": 124208, "ĠاÙĦØ´": 124209, "اØŃ": 124210, "à¹īาà¸Ļ": 124211, "ืà¹Īà¸Ńà¸ĩ": 124212, "×IJ×Ļ": 124213, "بÙĦ": 124214, "ãģ¨æĢĿ": 124215, "×ł×¡": 124216, "ãģ¾ãģĽ": 124217, "ÙĥÙĨ": 124218, "ער": 124219, "ĠاÙĦد": 124220, "שת": 124221, "íŀ": 124222, "Ùħس": 124223, "صÙĦ": 124224, "×ķ׳×Ķ": 124225, "ارة": 124226, "ÙĦÙħ": 124227, "สม": 124228, "Ø£ÙĨ": 124229, "תר": 124230, "×IJ×ŀ": 124231, "عب": 124232, "خت": 124233, "ãĤĥ": 124234, "ì¡": 124235, "ì£": 124236, "ива": 124237, "สั": 124238, "ึà¸ģ": 124239, "ì¸": 124240, "ëĨ": 124241, "алÑĮн": 124242, "ì³": 124243, "ìį": 124244, "ê¼": 124245, "ê½": 124246, "ìı": 124247, "ãĮ": 124248, "ãı": 124249, "ï©": 124250, "êª": 124251, "áİ": 124252, "Ġ×ĸ": 124253, "à¸ģัà¸Ļ": 124254, "×Ļ×ķ": 124255, "à¸Ħà¸Ļ": 124256, "׳×ķת": 124257, "à¸ľà¸¹à¹ī": 124258, "à¹ĥà¸Ī": 124259, "ãģĦãģŁ": 124260, "Ùģر": 124261, "×ĺ×Ļ": 124262, "צ×Ļ": 124263, "ãĤĤãģ®": 124264, "ĠاÙĦص": 124265, "ãģ¾ãģĽãĤĵ": 124266, "دة": 124267, "×ij×Ļ": 124268, "ĠاÙĦر": 124269, "Ġ×ŀ×IJ": 124270, "สำ": 124271, "à¹Ģห": 124272, "عر": 124273, "ãģªãģı": 124274, "à¸ģระ": 124275, "×ij×ĵ": 124276, "à¹Ģà¸Ī": 124277, "×Ļ×ļ": 124278, "×Ĺ×Ļ": 124279, "ÙĬع": 124280, "ש×ij": 124281, "ÙĨØ©": 124282, "ÙĪض": 124283, "ÙĦÙģ": 124284, "ÙĢÙĢ": 124285, "פע": 124286, "íĪ": 124287, "×ŀק": 124288, "à¸IJ": 124289, "ØŃØ©": 124290, "اص": 124291, "Ñĭва": 124292, "à¸Ħม": 124293, "วั": 124294, "à¸Ľà¸¥": 124295, "ìŁ": 124296, "íļ": 124297, "ë´": 124298, "ëij": 124299, "ëī": 124300, "ëĩ": 124301, "ì¨": 124302, "ë±": 124303, "ëİ": 124304, "â¬": 124305, "á¥": 124306, "áĹ": 124307, "áĽ": 124308, "áį": 124309, "Å©": 124310, "à¸Ķี": 124311, "ôi": 124312, "Ġס": 124313, "׾×ķ": 124314, "á»Ŀi": 124315, "à¸Ħุà¸ĵ": 124316, "ây": 124317, "à¸Ļา": 124318, "×Ĺ×ĵ": 124319, "×ĵ×Ļ": 124320, "หา": 124321, "جÙĦ": 124322, "à¹Ģว": 124323, "ãĤĩãģĨ": 124324, "ÙħØ©": 124325, "ĠاÙĦÙĥ": 124326, "Ġ×Ķ×¢": 124327, "جر": 124328, "×ĸר": 124329, "اط": 124330, "×Ľ×ª": 124331, "×ķ׳×Ļ×Ŀ": 124332, "ØŃÙħ": 124333, "ê¶": 124334, "رÙĥ": 124335, "Ġ×ľ×¢": 124336, "×ķ×ĸ": 124337, "สร": 124338, "צ׾": 124339, "Ø¢": 124340, "است": 124341, "à¹Īม": 124342, "خر": 124343, "צע": 124344, "×Ļר×ķת": 124345, "ادة": 124346, "شار": 124347, "×ŀ×Ĺ": 124348, "íĴ": 124349, "à¹Ģรีย": 124350, "×Ĺק": 124351, "اث": 124352, "รà¸ĩ": 124353, "à¹Ģà¸ķ": 124354, "à¸Īำ": 124355, "à¸Ŀ": 124356, "à¹Īาย": 124357, "à¸Ħล": 124358, "ÙĤÙĪ": 124359, "иÑĩеÑģк": 124360, "à¸ĵà¹Į": 124361, "ัย": 124362, "Ùħع": 124363, "ë¨": 124364, "ë¿": 124365, "ë®": 124366, "ï´": 124367, "ì¥": 124368, "ì«": 124369, "ëµ": 124370, "á¡": 124371, "âį": 124372, "ðĵ": 124373, "â°": 124374, "à¸Ĥà¸Ńà¸ĩ": 124375, "Ùĭ": 124376, "à¸ģัà¸ļ": 124377, "ãģ®ãģ§": 124378, "à¹īว": 124379, "à¸Ńยà¹Īาà¸ĩ": 124380, "ãģŃ": 124381, "á»ĩt": 124382, "à¸ķà¹īà¸Ńà¸ĩ": 124383, "×ŀ×Ļ": 124384, "à¹ģà¸ļ": 124385, "×Ĵר": 124386, "ÙĪÙģ": 124387, "ÙĤÙĦ": 124388, "à¸łà¸²à¸ŀ": 124389, "ר×Ļ": 124390, "ลา": 124391, "ÙĬس": 124392, "Ġצ": 124393, "ÙĬÙģ": 124394, "Ġ×ĺ": 124395, "à¸ľà¸¥": 124396, "áng": 124397, "รว": 124398, "Ġ×ŀש": 124399, "×IJ×ķת": 124400, "×ĸ×Ķ": 124401, "ูà¸ģ": 124402, "à¸Ļัà¸ģ": 124403, "اÙĨÙĬ": 124404, "دا": 124405, "ãģ³": 124406, "׼ף": 124407, "ãĤīãĤĮ": 124408, "ãĤĮãģ°": 124409, "תק": 124410, "úc": 124411, "ÙĪز": 124412, "×Ļר×Ķ": 124413, "Ġngh": 124414, "ánh": 124415, "Ġ×ķ×IJ": 124416, "á»ħ": 124417, "สุà¸Ķ": 124418, "ëį°": 124419, "اض": 124420, "اÙĦÙĬ": 124421, "بار": 124422, "عÙħ": 124423, "à¸ļา": 124424, "تج": 124425, "à¸ŀร": 124426, "×ķר×Ķ": 124427, "ảng": 124428, "Ø®ÙĦ": 124429, "à¸ī": 124430, "ắc": 124431, "ש×Ļ×Ŀ": 124432, "íĶ": 124433, "Ùģس": 124434, "×Ļ×Ĵ": 124435, "пÑĢ": 124436, "ĠاÙĦØ«": 124437, "سط": 124438, "รูà¹ī": 124439, "ีà¹Īย": 124440, "à¸Ńà¸Ķ": 124441, "ãģªãĤĬ": 124442, "×Ĵ×ĵ": 124443, "ãģĦãģ¾ãģĹãģŁ": 124444, "סק": 124445, "خص": 124446, "laÅŁ": 124447, "енно": 124448, "بØŃ": 124449, "สà¸Ļ": 124450, "ฮ": 124451, "ר×IJש": 124452, "ÙħÙĪ": 124453, "دÙĬد": 124454, "ษา": 124455, "×ķ×ļ": 124456, "ãĥ§ãĥ³": 124457, "à¸ķุ": 124458, "Ġêµ": 124459, "ĠÑģво": 124460, "צ×ij": 124461, "à¸Ńม": 124462, "à¸Ľà¸£": 124463, "تع": 124464, "×Ķת": 124465, "اÙħÙĦ": 124466, "×ŀ׳": 124467, "ç¶ļ": 124468, "ฤ": 124469, "íį": 124470, "ëĺ": 124471, "ë¤": 124472, "ìij": 124473, "â´": 124474, "ãĭ": 124475, "ĠباÙĦ": 124476, "á»ģu": 124477, "ĠاÙĦÙĦ": 124478, "à¸ķัว": 124479, "Ø°Ùĩ": 124480, "ึà¸ĩ": 124481, "à¹ĥà¸Ĭà¹ī": 124482, "á»ĵng": 124483, "à¸Ļั": 124484, "มาà¸ģ": 124485, "ãĥŁ": 124486, "×ŀ×ķ": 124487, "à¸Ĺย": 124488, "á»Ļi": 124489, "ằ": 124490, "ảo": 124491, "à¹Ĥà¸Ķ": 124492, "×IJ׾": 124493, "สาม": 124494, "ÙĪب": 124495, "à¸Ĺุ": 124496, "ยัà¸ĩ": 124497, "עת": 124498, "×ķ׳×ķת": 124499, "à¸Ĥึ": 124500, "à¸Ĥึà¹īà¸Ļ": 124501, "à¸ģà¹Ī": 124502, "ẫ": 124503, "á»ijc": 124504, "ãģĹãĤĩãģĨ": 124505, "á»ĭch": 124506, "Ġ×IJ×ķת": 124507, "Ġש×IJ": 124508, "׼×ķ׾": 124509, "á»Ļc": 124510, "عة": 124511, "à¸Ĺี": 124512, "à¹Ģà¸Ń": 124513, "Ùĥت": 124514, "ãģ»": 124515, "ẻ": 124516, "ìĹħ": 124517, "à¸Ńà¸Ńà¸ģ": 124518, "اÙĨت": 124519, "à¹Ħร": 124520, "Ġ×IJ×Ĺר": 124521, "طر": 124522, "ÙĨد": 124523, "ืà¹īà¸Ń": 124524, "Ø·ÙĦ": 124525, "×IJ×Ķ": 124526, "uyên": 124527, "íĸī": 124528, "×ij×Ķ": 124529, "à¸Ħà¹Ī": 124530, "à¸Ĭà¹Īว": 124531, "ãģĤãĤĬãģ¾ãģĻ": 124532, "ÙĬب": 124533, "ק׾": 124534, "ãĥĻ": 124535, "Ä©": 124536, "سر": 124537, "าว": 124538, "ãĤ±": 124539, "à¸ļริ": 124540, "ר×Ĵ": 124541, "á»ĥu": 124542, "ØŃت": 124543, "×ķ×ŀ×Ļ": 124544, "بÙĨ": 124545, "êµIJ": 124546, "ÄŁu": 124547, "ãģªãĤĵ": 124548, "×ijק": 124549, "Ġפר": 124550, "ắn": 124551, "ØŃÙĦ": 124552, "×ij×Ĺ": 124553, "ấu": 124554, "×ij×ķ×ĵ": 124555, "ãĥ¯": 124556, "Ġ׾ק": 124557, "ัà¸į": 124558, "à¸ŀิ": 124559, "×Ĺ×Ķ": 124560, "×ĸ׼": 124561, "ãĥ¼ãĥł": 124562, "ÑĤелÑĮ": 124563, "×ŀ×Ļ×ĵ": 124564, "ÙĬØ®": 124565, "ẳ": 124566, "تص": 124567, "à¸ĺิ": 124568, "è¾¼": 124569, "ìĵ": 124570, "ÙĥØ©": 124571, "ÙĤب": 124572, "à¸Ħà¹Į": 124573, "à¹īาย": 124574, "à¸ĵะ": 124575, "าะ": 124576, "ëĴ": 124577, "ê¾": 124578, "ë·": 124579, "ìĩ": 124580, "êº": 124581, "ìģ": 124582, "ëĢ": 124583, "ì¾": 124584, "ë½": 124585, "ëļ": 124586, "ìŃ": 124587, "ìİ": 124588, "áij": 124589, "ëĹ": 124590, "êĴ": 124591, "à¡": 124592, "à¬": 124593, "ðIJĮ": 124594, "ãĩ": 124595, "ðĿĦ": 124596, "Ġ׾×IJ": 124597, "ãģ¨ãģĦãģĨ": 124598, "Ġnhi": 124599, "×Ļ×ķת": 124600, "Ġש×Ķ": 124601, "à¹ģลà¹īว": 124602, "Æ°á»Ľc": 124603, "à¸Ķà¹īวย": 124604, "à¸Ĺาà¸ĩ": 124605, "×ł×ª": 124606, "פת": 124607, "à¹ģà¸ķà¹Ī": 124608, "Æ°ng": 124609, "à¸Ńยูà¹Ī": 124610, "à¹īำ": 124611, "Ġ×IJ׾": 124612, "ÙĥÙħ": 124613, "ấp": 124614, "ลà¸ĩ": 124615, "ãģŁãĤģ": 124616, "×Ĵ׾": 124617, "หร": 124618, "ĠÑĢе": 124619, "à¹Ģà¸Ĥà¹īา": 124620, "ÙĤر": 124621, "Ġ×Ķס": 124622, "ÙĪÙĬ": 124623, "สามาร": 124624, "สามารà¸ĸ": 124625, "Äĥn": 124626, "à¸Ńี": 124627, "פ×ķ": 124628, "×Ļ׳×ķ": 124629, "วัà¸Ļ": 124630, "ặc": 124631, "íķĻ": 124632, "×ŀת": 124633, "êu": 124634, "ẹ": 124635, "ÙģÙĬ": 124636, "×ŀצ": 124637, "à¸Ħา": 124638, "ãģĿãģĨ": 124639, "ãĢħ": 124640, "از": 124641, "اÙĩ": 124642, "ר×Ļ×Ŀ": 124643, "ấn": 124644, "หาร": 124645, "ạt": 124646, "ÙĨÙĩ": 124647, "à¹Ģà¸Ħร": 124648, "جÙĩ": 124649, "׼×Ļ": 124650, "ắt": 124651, "à¸Ħà¹īา": 124652, "رة": 124653, "ãĥı": 124654, "ÙĥÙĪÙĨ": 124655, "ứng": 124656, "Ġìļ°": 124657, "ยà¹Į": 124658, "à¹Īวà¸Ļ": 124659, "à¸ģำ": 124660, "ثر": 124661, "Ñģи": 124662, "ĠاÙĦØ·": 124663, "Ġ×Ķצ": 124664, "ĠØ·": 124665, "ĠاÙĦÙĪ": 124666, "ê¹Į": 124667, "ØŃÙĬ": 124668, "ارات": 124669, "à¹Ģà¸ĭ": 124670, "با": 124671, "гÑĢ": 124672, "รี": 124673, "ืà¸Ńà¸Ļ": 124674, "عت": 124675, "ÙĤاÙĦ": 124676, "دÙħ": 124677, "Ø¡": 124678, "Ġ×ŀק": 124679, "×ĵ×Ļ×Ŀ": 124680, "×¢×ľ": 124681, "ãģĴ": 124682, "ëĭĺ": 124683, "×¢×Ķ": 124684, "Ġìĸ´": 124685, "ÑģÑĮ": 124686, "ÙĤØ·": 124687, "ãĥĽ": 124688, "èĢĥãģĪ": 124689, "à¹ģà¸Ļ": 124690, "ÙĪات": 124691, "âu": 124692, "ĠìĤ¬ëŀ": 124693, "หว": 124694, "ĠاÙĦØ£Ùħ": 124695, "Ġ×Ķ×ŀש": 124696, "بÙĪ": 124697, "à¸Ĭà¸Ļ": 124698, "ãĤĵãģ§ãģĻ": 124699, "วà¸Ļ": 124700, "à¸ģรรม": 124701, "×ŀ×ķ×ĵ": 124702, "ÙĥاÙĨ": 124703, "×ķ×£": 124704, "олог": 124705, "تÙĨ": 124706, "à¸ķà¹Į": 124707, "ê²ĥ": 124708, "ר×ĺ": 124709, "ừng": 124710, "×ķ×ij×Ķ": 124711, "ÙħØŃ": 124712, "ĠЧ": 124713, "פ×Ĵ": 124714, "สà¸ĸ": 124715, "ãģĭãĤĬ": 124716, "ınız": 124717, "à¹Ģย": 124718, "ãĥ¼ãĥ³": 124719, "ãģĬãĤĬ": 124720, "פש": 124721, "ิà¸ķ": 124722, "Ø·ÙĨ": 124723, "×Ļת×Ļ": 124724, "×IJ׳": 124725, "çek": 124726, "ìª": 124727, "×ŀ×ij": 124728, "ศา": 124729, "ãĤ¹ãĤ¿": 124730, "à¸ļุ": 124731, "×ĵ×ijר": 124732, "ãģĦãģı": 124733, "สะ": 124734, "à¹Ģหล": 124735, "ิà¸ĩ": 124736, "à¸ŀัà¸Ļ": 124737, "ãģĦãģŁãģł": 124738, "ãĤĤãĤī": 124739, "à¹īม": 124740, "ãģĵãģ¨ãģĮãģ§ãģį": 124741, "ารà¹Į": 124742, "ุà¸ĩ": 124743, "íij": 124744, "ì¯": 124745, "ë¼": 124746, "íĤ": 124747, "ì·": 124748, "ê¡": 124749, "áı": 124750, "áĴ": 124751, "ðĿľ": 124752, "á©": 124753, "ðŁĦ": 124754, "ðIJ¤": 124755, "Ġש׾": 124756, "Ġ×ŀ×Ķ": 124757, "à¹ģละ": 124758, "Ġ׼׾": 124759, "ẽ": 124760, "á»Ļng": 124761, "Ø°ÙĬ": 124762, "ле": 124763, "×¥": 124764, "ãģªãģ©": 124765, "ĠÙĪØ£": 124766, "หà¸Ļà¹īา": 124767, "ãģ¾ãģ§": 124768, "à¸ķà¹Īà¸Ń": 124769, "à¸Ĺัà¹īà¸ĩ": 124770, "ãģłãģij": 124771, "à¹ģà¸ļà¸ļ": 124772, "à¹Ģรา": 124773, "פ׾": 124774, "ãģŁãģĦ": 124775, "à¹Ģลย": 124776, "ãģ£ãģ¦ãģĦãĤĭ": 124777, "ếp": 124778, "ึà¹Īà¸ĩ": 124779, "ê´Ģ": 124780, "ê³Ħ": 124781, "׼×ķ": 124782, "à¹Ģรืà¹Īà¸Ńà¸ĩ": 124783, "ק×Ļ": 124784, "êµŃ": 124785, "פס": 124786, "تÙĬ": 124787, "ãĥĦ": 124788, "Ġ×Ķ×Ĺ": 124789, "ги": 124790, "ר×IJ׾": 124791, "×ŀ׾": 124792, "ĠØ£ÙĬ": 124793, "ĠعÙĦÙĬ": 124794, "ãģĭãģ£ãģŁ": 124795, "ש×Ļ": 124796, "дÑĥ": 124797, "×ŀף": 124798, "׳×ĺ": 124799, "׳×Ļת": 124800, "miÅŁ": 124801, "׼×Ŀ": 124802, "Ġ×ijר": 124803, "Ġ׾×ij": 124804, "ĠÐĽ": 124805, "çe": 124806, "×ķ׳×Ļ": 124807, "ãĤĪãģĨãģ«": 124808, "פ×ķר": 124809, "ãĥį": 124810, "ÙĥÙĬ": 124811, "×Ĺת": 124812, "ÙģÙĦ": 124813, "Ġ×Ķק": 124814, "Ġ×Ķ×ij": 124815, "Ġ×ŀס": 124816, "à¹Īาà¸Ļ": 124817, "пеÑĢ": 124818, "à¹Īาว": 124819, "Ġ×ij×IJ": 124820, "ĠÙĪÙĩ": 124821, "à¸Ļำ": 124822, "Ġ×ijש": 124823, "׳ק": 124824, "ãģ©ãģĨ": 124825, "ש×ķת": 124826, "×ĵ×Ķ": 124827, "à¹Ģà¸ļ": 124828, "ÙĨس": 124829, "Ġìļ°ë¦¬": 124830, "สà¹Īวà¸Ļ": 124831, "ลัà¸ĩ": 124832, "جز": 124833, "Ġ×Ĺ×Ļ": 124834, "Ùĥثر": 124835, "ละ": 124836, "Ùĩد": 124837, "ĠÙĪب": 124838, "اÙĦÙħ": 124839, "à¹ģม": 124840, "Æ¡i": 124841, "Ġ×ij×Ĺ": 124842, "ữa": 124843, "à¹Ģà¸Ĺศ": 124844, "à¸ķัà¹īà¸ĩ": 124845, "огда": 124846, "׾ק": 124847, "دد": 124848, "สรà¹īาà¸ĩ": 124849, "à¸Ĭี": 124850, "Ùģض": 124851, "à¹ģห": 124852, "uyá»ĩn": 124853, "รัà¸ģ": 124854, "á»ĩm": 124855, "สา": 124856, "פק": 124857, "ียà¸ĩ": 124858, "à¸ķà¹Īาà¸ĩ": 124859, "à¸Ħรัà¹īà¸ĩ": 124860, "ØŃÙĤ": 124861, "à¹Ģà¸Ńà¸ĩ": 124862, "ائÙĬ": 124863, "×ĺ×¢": 124864, "اÙĦØ©": 124865, "ิà¹Īม": 124866, "ãĤ½": 124867, "دÙī": 124868, "Ġר×IJ": 124869, "ãģ£ãģ¨": 124870, "ãĥĥãĥĹ": 124871, "ÙĬرة": 124872, "ê±´": 124873, "×ŀ×IJ": 124874, "×ķ×ķ": 124875, "بع": 124876, "ãģ²": 124877, "ราย": 124878, "×ĵ×Ŀ": 124879, "تÙģ": 124880, "à¸ķà¸ģ": 124881, "ạng": 124882, "ãĤĴè¦ĭ": 124883, "à¸Ĭั": 124884, "Æ°á»Ł": 124885, "Æ°á»Łng": 124886, "جب": 124887, "×ķ×ŀר": 124888, "ĠìĤ¬ëŀĮ": 124889, "óng": 124890, "รั": 124891, "Ġ×Ķ×ĸ": 124892, "רצ": 124893, "Ġ×Ĺ×ĵ": 124894, "Ø°ÙĦÙĥ": 124895, "×ķר×Ļ": 124896, "ãģ¡ãĤĥ": 124897, "Ùģع": 124898, "Ġ׾צ": 124899, "ái": 124900, "à¹ĩà¸ļ": 124901, "ãģİ": 124902, "à¸ģิ": 124903, "ạc": 124904, "ë©°": 124905, "ãģªãĤĭ": 124906, "×ķ׾×Ŀ": 124907, "à¹ģà¸Ĺ": 124908, "×ķ×¥": 124909, "меÑĤ": 124910, "Ã¼ÅŁ": 124911, "ÑĢÑı": 124912, "à¸Ĵ": 124913, "ÑģÑĤоÑı": 124914, "عÙĪد": 124915, "Ùħار": 124916, "طة": 124917, "à¸ŀื": 124918, "кÑĢ": 124919, "à¹ģà¸ģ": 124920, "à¹Ĥรà¸ĩ": 124921, "×ij×Ļ×ĺ": 124922, "ê²ł": 124923, "×ķ׾×Ķ": 124924, "ØŃر": 124925, "ืà¹Īà¸Ńà¸Ļ": 124926, "×ķ×ijר": 124927, "×Ĺש": 124928, "ãĥķãĤ¡": 124929, "×ŀ×ĺ": 124930, "út": 124931, "Ġdön": 124932, "ắng": 124933, "ëłĩ": 124934, "ẳng": 124935, "วà¸ģ": 124936, "صد": 124937, "خط": 124938, "à¸Ńั": 124939, "ãĤıãĤĮ": 124940, "سÙĦاÙħ": 124941, "à¹Ģรà¹ĩ": 124942, "×Ļש×Ļ": 124943, "جاÙĦ": 124944, "ãģijãĤĭ": 124945, "à¸Ĭาà¸ķิ": 124946, "ÙĪاÙĤ": 124947, "à¹Ĥà¸Ļ": 124948, "ãģ¦ãģĹãģ¾": 124949, "اعة": 124950, "ãĤŃãĥ£": 124951, "à¸įา": 124952, "ÙĦاÙĤ": 124953, "ิà¸ģ": 124954, "ĠÑģов": 124955, "ÑĢак": 124956, "×Ļ׳×Ļ": 124957, "Ã¼ÄŁ": 124958, "Ã¼ÄŁÃ¼": 124959, "ק×ij": 124960, "à¹Īà¸Ńà¸ĩ": 124961, "Ġgerçek": 124962, "à¸Ĺั": 124963, "ованиÑı": 124964, "×ŀ׼": 124965, "سة": 124966, "×Ļ×£": 124967, "leÅŁ": 124968, "Ùħؤ": 124969, "ĠìĿĺ": 124970, "à¸IJาà¸Ļ": 124971, "ĠÑģоб": 124972, "ĠêµŃ": 124973, "עצ": 124974, "зв": 124975, "สà¸ĩ": 124976, "زÙĦ": 124977, "ãģıãĤĮ": 124978, "иÑĢÑĥ": 124979, "تأ": 124980, "полн": 124981, "ìĺĢ": 124982, "ÙĨØ´": 124983, "׼×IJ": 124984, "ÙħØ´": 124985, "à¸Ķà¹Į": 124986, "ÙĪÙĬÙĦ": 124987, "à¹ģà¸Ĥ": 124988, "ãģ£ãģ¦ãģĹãģ¾": 124989, "ноÑģÑĤ": 124990, "вл": 124991, "ÙħÙĤ": 124992, "راج": 124993, "å¤ī": 124994, "ëĽ": 124995, "â¸": 124996, "ìIJ": 124997, "à»": 124998, "áļ": 124999, "â»": 125000, "êĻ": 125001, "â§": 125002, "ðĴ": 125003, "ðĿĩ": 125004, "Ġ×IJת": 125005, "ĠÙĦÙĦ": 125006, "ĠØ£ÙĨ": 125007, "Ġ×ķ×Ķ": 125008, "ãģ«ãģ¯": 125009, "Ġ×Ļש": 125010, "تÙĩ": 125011, "ÃŃnh": 125012, "ÙĬات": 125013, "Ġ×ij×ŀ": 125014, "à¸Ļัà¹īà¸Ļ": 125015, "à¸Ļà¹īำ": 125016, "Ãło": 125017, "à¸ķาม": 125018, "ãģ®ãģ¯": 125019, "dır": 125020, "Ġnghi": 125021, "ặt": 125022, "×ŀ×Ļ×Ŀ": 125023, "ãģ¦ãģĦãĤĭ": 125024, "Ġ×ijת": 125025, "หรืà¸Ń": 125026, "ĠسÙĬ": 125027, "ãģªãĤī": 125028, "à¹Ĥà¸Ķย": 125029, "ıyor": 125030, "à¸Ńีà¸ģ": 125031, "á»ĩnh": 125032, "Ñĭм": 125033, "à¸Ĺุà¸ģ": 125034, "Ġ׾×Ĺ": 125035, "Ġ×Ķר": 125036, "Ġ×Ķ×Ļ": 125037, "à¸ŀระ": 125038, "à¹Ģวลา": 125039, "Ġغ": 125040, "ẫn": 125041, "mÄ±ÅŁ": 125042, "׼×Ķ": 125043, "á»ijn": 125044, "ãģ§ãģĹãĤĩãģĨ": 125045, "ãĥ¢": 125046, "à¸Ľà¸µ": 125047, "ס×Ļ": 125048, "ãģĵãĤį": 125049, "Ġ׾פ": 125050, "รà¸ĸ": 125051, "ê¸Ī": 125052, "à¸ģวà¹Īา": 125053, "무": 125054, "á»įng": 125055, "ãĤĵãģ§": 125056, "ãĤĪãģĨãģª": 125057, "á»ĵi": 125058, "ãĤ¬": 125059, "สà¹Īà¸ĩ": 125060, "×Ļ׳×Ķ": 125061, "à¸ĸูà¸ģ": 125062, "à¸Īัà¸Ķ": 125063, "Ġ×Ķ×Ĵ": 125064, "ãĥľ": 125065, "×ŀ×ķת": 125066, "ÙĪÙĥ": 125067, "ëĭ¨": 125068, "ĠØ«": 125069, "ãģ®ãģĮ": 125070, "à¹Ģหà¹ĩà¸Ļ": 125071, "عا": 125072, "à¸Ļิ": 125073, "Åŀ": 125074, "à¸Ńะ": 125075, "ãģĪãĤĭ": 125076, "Ø«ÙĦ": 125077, "ØŃÙħد": 125078, "à¹Ģà¸ģิà¸Ķ": 125079, "פשר": 125080, "פ×Ķ": 125081, "มิ": 125082, "ئÙĬس": 125083, "à¸Ĺำà¹ĥหà¹ī": 125084, "×¢×ĵ": 125085, "ìĭ¤": 125086, "à¸Ĭà¹Īวย": 125087, "ĠاÙĦÙħÙĨ": 125088, "زÙĬ": 125089, "عÙĬ": 125090, "Ġ׼×IJ": 125091, "ạnh": 125092, "ỹ": 125093, "ãĤĵãģª": 125094, "สู": 125095, "צר": 125096, "Æ°á»Ľng": 125097, "×ķ×ķ×Ķ": 125098, "à¹Ĥล": 125099, "ĠاÙĦÙĩ": 125100, "วา": 125101, "หลาย": 125102, "Ñīе": 125103, "à¸Ĥà¹īà¸Ń": 125104, "à¹īà¸Ńย": 125105, "بط": 125106, "каÑı": 125107, "ĠØ¢": 125108, "ĠиÑģ": 125109, "ĠاÙĦغ": 125110, "à¸ģา": 125111, "à¸Ļà¹Īา": 125112, "ÙĬÙĪ": 125113, "×ij×ķר": 125114, "á»ħn": 125115, "วà¸ĩ": 125116, "×Ļ×ĸ": 125117, "ì²Ń": 125118, "ним": 125119, "룰": 125120, "×Ĵ×ķר": 125121, "صØŃ": 125122, "ÙĦÙĪ": 125123, "×Ĺ×ķת": 125124, "สุ": 125125, "رÙĬÙĤ": 125126, "ס×ĺ": 125127, "Ġ×ŀ×¢": 125128, "ãĥĨãĤ£": 125129, "à¸Ħิà¸Ķ": 125130, "ãĤįãģĨ": 125131, "à¹Ħล": 125132, "à¸Ļà¹Į": 125133, "á»ıi": 125134, "ÑģÑĤÑĢо": 125135, "สà¸Ķ": 125136, "สาร": 125137, "ÙĪÙĦØ©": 125138, "ầm": 125139, "รà¹Īว": 125140, "รà¹Īวม": 125141, "รุ": 125142, "ĠاÙĦسÙĬ": 125143, "ìĺģ": 125144, "Ġ×ŀ×ij": 125145, "פ×ĺ": 125146, "à¸ķิà¸Ķ": 125147, "×ĺ×Ļ×Ŀ": 125148, "Ġ무": 125149, "ÙĤدÙħ": 125150, "ĠdÃ¼ÅŁ": 125151, "ائÙĦ": 125152, "мÑĭ": 125153, "ØŃس": 125154, "ÙĪص": 125155, "×Ļק×Ķ": 125156, "ãģ§ãģ¯ãģªãģĦ": 125157, "à¹Ģหม": 125158, "оÑĢÑĤ": 125159, "íĨµ": 125160, "ãģIJ": 125161, "кÑĢа": 125162, "ียว": 125163, "عار": 125164, "ئة": 125165, "íĥĢ": 125166, "ãģ«ãģªãĤĬ": 125167, "جة": 125168, "ÙĪÙĤع": 125169, "ÑĮÑı": 125170, "×ķצ×Ķ": 125171, "ש×Ŀ": 125172, "بÙĤ": 125173, "Ġ×Ļ×Ķ": 125174, "ÙĬØ·": 125175, "ımız": 125176, "деÑĢж": 125177, "×Ļשר×IJ׾": 125178, "غÙĬر": 125179, "รà¸Ńà¸ĩ": 125180, "à¹Ģรียà¸Ļ": 125181, "Ġ×Ķ×ĺ": 125182, "หมาย": 125183, "ÙħÙĩ": 125184, "اÙģØ©": 125185, "ĠоÑĢг": 125186, "ÙĪÙī": 125187, "ãĥ©ãĤ¤": 125188, "×ŀ׳×Ķ": 125189, "ĠÄijo": 125190, "ĠгоÑĢ": 125191, "اÙħØ©": 125192, "楽": 125193, "Ø«ÙĬر": 125194, "à¸ģิà¸Ī": 125195, "á»ĵn": 125196, "ÙĨب": 125197, "ÑĢÑĥд": 125198, "ìĹĪ": 125199, "Ġ×Ĺ×ijר": 125200, "ÑĢаж": 125201, "ạch": 125202, "تÙĪ": 125203, "à¹Ĥม": 125204, "×ij×Ļ×ij": 125205, "ĠíĨµ": 125206, "acaģı": 125207, "جÙĦس": 125208, "à¹Ģà¸Ľà¸¥": 125209, "วà¸Ķ": 125210, "à¸Ńล": 125211, "ãģŁãĤĬ": 125212, "à¸Ľà¸±à¸į": 125213, "ĠìķĮ": 125214, "عرÙģ": 125215, "à¹Ħà¸Ł": 125216, "أخ": 125217, "å¤ļãģĦ": 125218, "à¸Ķัà¸ĩ": 125219, "Ø´Ùģ": 125220, "ãģ£ãģ¦ãģĦãģ¾ãģĻ": 125221, "×Ľ×ł×¡": 125222, "ÑĨе": 125223, "еÑģп": 125224, "ÙħاÙħ": 125225, "à¸ŀืà¹īà¸Ļ": 125226, "иÑĩеÑģки": 125227, "خد": 125228, "ÙĥÙĪÙħ": 125229, "Ġ×Ķר×IJש": 125230, "تاب": 125231, "é£Łãģ¹": 125232, "ืà¸Ļ": 125233, "оÑĢо": 125234, "Ġböl": 125235, "×ķ×Ĺ×ĵ": 125236, "دÙĬر": 125237, "ắm": 125238, "دع": 125239, "ãģķãģĽ": 125240, "à¸ĺร": 125241, "à¸ĺรรม": 125242, "ãģĭãĤĤ": 125243, "å¤ļãģı": 125244, "rä": 125245, "سع": 125246, "×Ļ׾×Ķ": 125247, "ضر": 125248, "ĠاÙĦشر": 125249, "×ĸ×ķר": 125250, "×¢×ijר": 125251, "ạm": 125252, "алÑĮно": 125253, "رÙĨ": 125254, "اÙħج": 125255, "׼×ļ": 125256, "dıģ": 125257, "ден": 125258, "ضا": 125259, "ÙĦÙĬÙħ": 125260, "Ġê·¸ëŁ¬": 125261, "تÙħاع": 125262, "ارÙĬØ®": 125263, "à¹Ĥà¸ķ": 125264, "ĠÑģÑĢед": 125265, "Ġ׳×ķס": 125266, "ÙĤبÙĦ": 125267, "оÑĤов": 125268, "leÅŁtir": 125269, "ĠмеÑģÑĤ": 125270, "سÙĦÙħ": 125271, "Ġעצ": 125272, "ĠاÙĦسÙĦ": 125273, "еÑĤÑĮ": 125274, "ابة": 125275, "нак": 125276, "สà¸ĸาà¸Ļ": 125277, "Ġ×ij׳": 125278, "à¸ļัà¸Ļ": 125279, "׼׳": 125280, "ĠÃ¶ÄŁ": 125281, "ãģ¨è¨Ģ": 125282, "uyến": 125283, "diÄŁ": 125284, "áºŃu": 125285, "ÑĢаÑģ": 125286, "ãĤ·ãĥ§ãĥ³": 125287, "nız": 125288, "×ķ×ĵ×Ķ": 125289, "تس": 125290, "ÙħاÙĦ": 125291, "à¹Ģหà¸ķุ": 125292, "ยว": 125293, "à¸ŀัà¸ģ": 125294, "ãģĦãģªãģĦ": 125295, "ĠкаÑĩ": 125296, "ลà¹Į": 125297, "×¨×Ľ×ª": 125298, "ÅŁtur": 125299, "×ŀ×ķס": 125300, "ãģ¥": 125301, "бол": 125302, "عÙħاÙĦ": 125303, "×ķרת": 125304, "ÑĨион": 125305, "ศึà¸ģ": 125306, "à¸ı": 125307, "ÑĢен": 125308, "اسÙĬ": 125309, "ائر": 125310, "à¹Ĥà¸Ľà¸£": 125311, "Ġseç": 125312, "غÙĬ": 125313, "ÑįÑĤ": 125314, "енн": 125315, "ãģªãģ®": 125316, "×Ļש×Ķ": 125317, "×Ļפ×ķר": 125318, "ãģŁãĤģãģ«": 125319, "زة": 125320, "Ġçoc": 125321, "ãĤ¯ãĥª": 125322, "ÑĪен": 125323, "ãĤıãģij": 125324, "رÙĬد": 125325, "ĠÑĢаÑģÑģ": 125326, "Ùĥات": 125327, "สà¸Ńà¸ļ": 125328, "ceÄŁi": 125329, "ãĤ¿ãĤ¤": 125330, "à¸ļร": 125331, "ĠاÙĦبر": 125332, "׳×ķ×¢": 125333, "rün": 125334, "راض": 125335, "ศาส": 125336, "à¸ķรà¹Į": 125337, "ãģįãģŁ": 125338, "×ķ׾×ĵ": 125339, "еÑĢи": 125340, "íĹĺ": 125341, "ắp": 125342, "تعÙĦ": 125343, "Ùĥد": 125344, "иÑĤелÑĮно": 125345, "Ø·Ùģ": 125346, "ĠавÑĤом": 125347, "Ġ×ŀצ": 125348, "ÑĪиÑħ": 125349, "اتÙģ": 125350, "ĠÑħоÑĤ": 125351, "Ùİا": 125352, "ãģıãĤĭ": 125353, "×Ķפ": 125354, "à¹Ĥà¸Ĺ": 125355, "à¹ģà¸ŀ": 125356, "à¹Īà¸Ńย": 125357, "ĠاÙĦÙħØ´": 125358, "à¸ģารà¸ĵà¹Į": 125359, "аниз": 125360, "×Ķ׾": 125361, "ظÙħ": 125362, "ยุ": 125363, "liÄŁ": 125364, "à¹Ħà¸Ĥ": 125365, "à¸ĸืà¸Ń": 125366, "öz": 125367, "ãģijãģ¦": 125368, "à¹Ģà¸ľ": 125369, "ุม": 125370, "ãĥĹãĥ¬": 125371, "Ġ×Ķ×IJ×Ĺר": 125372, "ختÙĦÙģ": 125373, "à¸İ": 125374, "ÙĦاØŃ": 125375, "Ġdüzen": 125376, "צ×Ķ": 125377, "ساء": 125378, "×ķר×ļ": 125379, "×ķ×ĵ×Ļ": 125380, "ÑĢаÑĦ": 125381, "ÅŁtır": 125382, "ãģ«åħ¥": 125383, "ãģĪãģ°": 125384, "صÙĪÙĦ": 125385, "ĠÐľÐ¾Ñģ": 125386, "اÙĩر": 125387, "ãģ£ãģ": 125388, "ĠлÑİб": 125389, "×Ļ×¢×Ķ": 125390, "Ġ×Ķ×ŀק": 125391, "สิà¸Ĺ": 125392, "สิà¸Ĺà¸ĺิ": 125393, "×Ļ׳×Ŀ": 125394, "ÙĦاÙģ": 125395, "à¸ŀัà¸Ļà¸ĺ": 125396, "×ķ×IJ×Ķ": 125397, "มั": 125398, "à¸Ĥà¸ĵะ": 125399, "доÑĢ": 125400, "ãģ¨ãģª": 125401, "à¸ģระà¸Ĺ": 125402, "acı": 125403, "×ķ׾×ķ×Ĵ": 125404, "ÑĥÑĪ": 125405, "ãĥ¥ãĥ¼": 125406, "ãĥ¦": 125407, "Ùħست": 125408, "ĠaÅŁ": 125409, "שק": 125410, "פת×Ĺ": 125411, "ายà¸Ļ": 125412, "íĩ": 125413, "ë¢": 125414, "ï·": 125415, "íī": 125416, "ìµ": 125417, "ì¬": 125418, "ðĿĽ": 125419, "ìĴ": 125420, "ëĻ": 125421, "ê§": 125422, "áĸ": 125423, "â¨": 125424, "â±": 125425, "áĺ": 125426, "ðĸ": 125427, "àł": 125428, "áĶ": 125429, "ðIJŃ": 125430, "ững": 125431, "Å©ng": 125432, "Ġ×Ķת": 125433, "ĠاÙĦا": 125434, "Ġ×ŀת": 125435, "à¸ĸึà¸ĩ": 125436, "òn": 125437, "á»ĭnh": 125438, "нÑĭм": 125439, "Ġcả": 125440, "à¸Ķู": 125441, "Ġà¹ģà¸ķà¹Ī": 125442, "Ġ×ij×Ķ": 125443, "ói": 125444, "ãģ¨ãģĹãģ¦": 125445, "úng": 125446, "ĠØ°": 125447, "Ġ×Ķ׳": 125448, "ĠبÙĨ": 125449, "ÙĦاÙĦ": 125450, "à¹Ħà¸Ĺย": 125451, "á»ĩp": 125452, "tı": 125453, "มัà¸Ļ": 125454, "ằng": 125455, "á»ijt": 125456, "ком": 125457, "à¸ĭึà¹Īà¸ĩ": 125458, "à¸Ħรัà¸ļ": 125459, "à¸ļà¹īาà¸Ļ": 125460, "ĠاÙĦÙĬ": 125461, "lü": 125462, "ÙĪس": 125463, "ãģłãģ£ãģŁ": 125464, "à¹Ģà¸ĩ": 125465, "Ġê³µ": 125466, "нÑĥ": 125467, "ãĤĪãĤĬ": 125468, "мÑĥ": 125469, "à¹Ģà¸Ĥา": 125470, "ãĤĢ": 125471, "ние": 125472, "ãģ«ãģªãĤĭ": 125473, "áºŃy": 125474, "ĠÙĪا": 125475, "볤": 125476, "ש×ķ": 125477, "áp": 125478, "×ĵ×ķ": 125479, "ãģ§ãģĹãģŁ": 125480, "عض": 125481, "Ñģкой": 125482, "æĦŁãģĺ": 125483, "ÑİÑĤÑģÑı": 125484, "Ġ×Ļ׼×ķ׾": 125485, "ãĤĵãģł": 125486, "ви": 125487, "à¹Ģลà¹Īà¸Ļ": 125488, "ìĿ´ëĭ¤": 125489, "ĠÙĦÙĩ": 125490, "à¸Ħืà¸Ń": 125491, "تÙĥ": 125492, "ÙħÙĥÙĨ": 125493, "aģı": 125494, "׳×ĵ": 125495, "민": 125496, "à¹Ħว": 125497, "สำห": 125498, "สำหรัà¸ļ": 125499, "Ñģлед": 125500, "tır": 125501, "ĠÙĦÙĬ": 125502, "ĠاÙĦعÙħÙĦ": 125503, "×ij×ķת": 125504, "×ij×Ļ×Ŀ": 125505, "à¸Ħำ": 125506, "à¹Ģà¸Ħรืà¹Īà¸Ńà¸ĩ": 125507, "lıģı": 125508, "ืà¸Ńà¸ĩ": 125509, "جد": 125510, "íŀĪ": 125511, "ìĭ¬": 125512, "×¢×ķת": 125513, "สิà¸Ļ": 125514, "Ñĩи": 125515, "رض": 125516, "à¹Ģà¸Ľà¸´à¸Ķ": 125517, "à¸Ħà¹Īา": 125518, "ìĦł": 125519, "ÙĪرة": 125520, "ק×ĺ": 125521, "ìľł": 125522, "عÙħÙĦ": 125523, "×IJ×Ļ×Ŀ": 125524, "׾×Ļ×Ŀ": 125525, "à¹ĥหà¸į": 125526, "à¹ĥหà¸įà¹Ī": 125527, "ừa": 125528, "á»įi": 125529, "ãģ¶": 125530, "ÃŃch": 125531, "ãĥĩãĤ£": 125532, "×ķר×Ļ×Ŀ": 125533, "Ñģо": 125534, "ìķ½": 125535, "ова": 125536, "ÑĩаÑģÑĤ": 125537, "à¹Ģà¸Īà¹īา": 125538, "пÑĢо": 125539, "Ġ×ŀ×Ĺ": 125540, "ãĥİ": 125541, "×ķ×Ļ×ķת": 125542, "Ġде": 125543, "ë§Ī": 125544, "ì§ģ": 125545, "×Ļפ×Ķ": 125546, "ĠاÙĦعاÙĦÙħ": 125547, "르": 125548, "ר×IJ×Ķ": 125549, "uyá»ĥn": 125550, "×¢×Ļ": 125551, "มืà¸Ń": 125552, "Ø¥ÙĨ": 125553, "รู": 125554, "Ġز": 125555, "×Ļ×ķ×Ŀ": 125556, "à¸ķà¹īà¸Ļ": 125557, "ãģ¦ãģĦãģ¾ãģĻ": 125558, "ÙħاÙĨ": 125559, "ĠÐ¥": 125560, "à¸Ľà¸£à¸°à¹Ģà¸Ĺศ": 125561, "ỳ": 125562, "׾×ij": 125563, "à¹Ģà¸Ķà¹ĩ": 125564, "ãģŁãģ¡": 125565, "à¸Ĺีม": 125566, "à¸Ļะ": 125567, "ìĹ°": 125568, "ĠìłĢ": 125569, "ÙĦÙĩ": 125570, "ợi": 125571, "ĠاÙĦز": 125572, "دار": 125573, "ãĤ³ãĥ³": 125574, "мин": 125575, "à¹ģหà¹Īà¸ĩ": 125576, "à¸Ķัà¸ļ": 125577, "׼ר": 125578, "жа": 125579, "íĸĪ": 125580, "×ŀ×ĸ": 125581, "ợi": 125582, "à¸Ķา": 125583, "Ġعبد": 125584, "à¹ģร": 125585, "×IJתר": 125586, "×¢×ł×Ļ": 125587, "à¹Ģà¸Ħ": 125588, "×ķצר": 125589, "ì§Ģë§Į": 125590, "ائÙħ": 125591, "أس": 125592, "uyá»ģn": 125593, "Ġ×IJ׳": 125594, "×Ĺ׳×ķ": 125595, "×ĸ×Ļ": 125596, "รà¹īาà¸Ļ": 125597, "ĠÐłÐ¾Ñģ": 125598, "ĠÐłÐ¾ÑģÑģ": 125599, "ربÙĬØ©": 125600, "tür": 125601, "ãĤĭãģĵãģ¨": 125602, "ظر": 125603, "бÑĭ": 125604, "à¸Ĺีà¹Īสุà¸Ķ": 125605, "Ġצר": 125606, "èĩªåĪĨ": 125607, "лаÑģ": 125608, "ĠÑıв": 125609, "ĠÑıвлÑı": 125610, "à¸ŀรà¹īà¸Ńม": 125611, "à¸Ńาà¸Ī": 125612, "à¸ļริà¸ģาร": 125613, "Ġçı": 125614, "ëįĺ": 125615, "ĠاÙĦÙħست": 125616, "تش": 125617, "ש×ķ×ij": 125618, "ãĤ´": 125619, "Ġyapıl": 125620, "ĠاÙĦØ°": 125621, "ุà¹Īม": 125622, "à¸ĸà¹īา": 125623, "ìĦ¤": 125624, "ì°¨": 125625, "ваÑĢ": 125626, "à¹Ģà¸ŀิà¹Īม": 125627, "Æ°á»Ľi": 125628, "Ùĥس": 125629, "à¸Ńยาà¸ģ": 125630, "ãģ¦ãĤĤ": 125631, "Ġгод": 125632, "ÙĬار": 125633, "à¸ķà¸Ńà¸Ļ": 125634, "ĠигÑĢ": 125635, "à¹Ħà¸Ķà¹īรัà¸ļ": 125636, "ĠاÙĦÙħر": 125637, "ÙĤت": 125638, "Ġëĺ": 125639, "ĠëĺIJ": 125640, "ẩn": 125641, "ãģĻãĤĭãģĵãģ¨": 125642, "×Ĵ×Ŀ": 125643, "Ġ×ij×ij": 125644, "تد": 125645, "ÙĪار": 125646, "ãĤ®": 125647, "пол": 125648, "Ġмог": 125649, "ترÙĥ": 125650, "ÙĪØ«": 125651, "Ġçık": 125652, "اة": 125653, "à¹Ģà¸Ķียว": 125654, "มีà¸Ħวาม": 125655, "Ġ×ŀ×Ĵ": 125656, "صÙģ": 125657, "ĠТак": 125658, "Ġ×Ľ×ª": 125659, "×Ļ×ĵ×Ļ": 125660, "овоÑĢ": 125661, "ầy": 125662, "สิà¹Īà¸ĩ": 125663, "بت": 125664, "ürü": 125665, "ÙĨج": 125666, "หลัà¸ģ": 125667, "×Ļ×Ķ×Ŀ": 125668, "ÙĤص": 125669, "зÑĭ": 125670, "×Ľ×ª×ij": 125671, "Æ°u": 125672, "mız": 125673, "ĠìĦ¸": 125674, "лог": 125675, "ÙħÙĬÙĦ": 125676, "ÙĬج": 125677, "íĴĪ": 125678, "à¸ŀà¸ļ": 125679, "หัว": 125680, "зна": 125681, "רק": 125682, "à¹Ĥร": 125683, "Ġ×ijס": 125684, "ĠBaÅŁkan": 125685, "ĠëĶ°": 125686, "à¸Ńัà¸Ļ": 125687, "ีà¹Īยว": 125688, "неÑģ": 125689, "à¹Ģà¸Ķิà¸Ļ": 125690, "ÙĬاÙĨ": 125691, "×ķ׾×Ļ": 125692, "اخت": 125693, "צ×ķת": 125694, "ãģĵãģĵ": 125695, "ĠاÙĦاÙĨ": 125696, "ĠпÑĢоÑĨ": 125697, "ãģ¾ãģł": 125698, "×Ľ×¡": 125699, "ĠاÙĦØ¢": 125700, "ÙĬز": 125701, "ĠاÙĦدÙĪÙĦ": 125702, "ĠíķĺëĤĺ": 125703, "ضع": 125704, "ê»ĺ": 125705, "ÅĽwi": 125706, "ยิ": 125707, "ãģ¡ãĤĥãĤĵ": 125708, "ĠÙħØ´": 125709, "à¸ĺี": 125710, "ãģ¨ãģį": 125711, "׳×Ļ×ķת": 125712, "Ġë¯": 125713, "Ġ미": 125714, "Ġsı": 125715, "ëĭĪê¹Į": 125716, "Ġпл": 125717, "غÙĦ": 125718, "à¹ģรà¸ĩ": 125719, "بÙĬر": 125720, "ãģĤãĤĬãģ¾ãģĽãĤĵ": 125721, "ê·¼": 125722, "Ġyüz": 125723, "ĠdeÄŁer": 125724, "åł´åIJĪ": 125725, "ỡ": 125726, "маÑĤ": 125727, "ราà¸Ĭ": 125728, "ÙĪرÙĬ": 125729, "жен": 125730, "ãģ¾ãĤĬ": 125731, "ãģ®ä¸Ń": 125732, "×Ļ×ĵ×¢": 125733, "à¸Ńุ": 125734, "à¸ļà¸Ńล": 125735, "à¸Ľà¸±à¸įหา": 125736, "زÙħ": 125737, "ÄŁa": 125738, "à¸Ńืà¹Ī": 125739, "à¸Ńืà¹Īà¸Ļ": 125740, "пл": 125741, "ĠнеобÑħодим": 125742, "׼×ij": 125743, "à¹Ģศ": 125744, "קר×Ķ": 125745, "ì²ĺ": 125746, "볨": 125747, "×ŀק×ķ×Ŀ": 125748, "jÄħc": 125749, "ÙĩÙĦ": 125750, "Ġ×¢×ij×ķ×ĵ": 125751, "à¹Ħมà¹ī": 125752, "à¸ģลัà¸ļ": 125753, "×ķ׼׾": 125754, "ק×ĵ": 125755, "اÙĦÙĬØ©": 125756, "رÙĩ": 125757, "ãģijãĤĮãģ°": 125758, "ĠÙĨÙģس": 125759, "ãĤ¢ãĥ«": 125760, "ìĹĪëĭ¤": 125761, "ק×ķר": 125762, "неÑĢ": 125763, "باب": 125764, "ãĤ¶": 125765, "سبب": 125766, "ÙĦÙĬÙĦ": 125767, "صÙĨ": 125768, "صدر": 125769, "ếm": 125770, "à¸Ĭà¹Īวà¸ĩ": 125771, "ØŃÙĨ": 125772, "Ġ×ij×Ĵ": 125773, "×ŀ×ķ×¢": 125774, "׾×Ĺ": 125775, "大ãģį": 125776, "تب": 125777, "неÑĤ": 125778, "×Ļ×ij×Ķ": 125779, "бл": 125780, "ãĥĹãĥª": 125781, "اصة": 125782, "ãģ¤ãģij": 125783, "×Ļ×ŀ×ķש": 125784, "ãģĮãģĤ": 125785, "ëĭ´": 125786, "ãģĭãĤĤãģĹ": 125787, "ãģĭãĤĤãģĹãĤĮ": 125788, "ãģ¡ãĤī": 125789, "×ij×ĺ": 125790, "ĠbaÄŁ": 125791, "×Ļ×Ĺס": 125792, "×ij×ķ×¢": 125793, "ลี": 125794, "פע×Ļ׾": 125795, "ими": 125796, "gÅĤ": 125797, "Ġиме": 125798, "خداÙħ": 125799, "×IJ×Ļר": 125800, "Ġyapt": 125801, "ãģ¨ãģĦ": 125802, "à¸ĩà¹Īาย": 125803, "׾×Ļ×ķ": 125804, "ØŃدث": 125805, "راÙĤ": 125806, "ĠÄIJi": 125807, "ادر": 125808, "ãģĵãģ¨ãĤĤ": 125809, "×ij×Ļר": 125810, "Ġвз": 125811, "ضاÙģ": 125812, "ת×ķ׼": 125813, "ÑĢом": 125814, "رات": 125815, "à¹Ģà¸Ĺà¹Īา": 125816, "ãģĺãĤĥ": 125817, "ãģĿãģĵ": 125818, "اجتÙħاع": 125819, "à¹īà¸Ńà¸Ļ": 125820, "ÙĤÙħ": 125821, "본": 125822, "Äŀ": 125823, "ש×Ļ×ķ": 125824, "×ij׳×Ļ": 125825, "ìľĦìĽIJ": 125826, "à¹ģà¸Ī": 125827, "×Ĺ×ķר": 125828, "دÙĬÙĨØ©": 125829, "تط": 125830, "ằm": 125831, "òa": 125832, "ยà¸Ńà¸Ķ": 125833, "Ġëĭ¹": 125834, "สุà¸Ĥ": 125835, "×ĵר×ļ": 125836, "دÙĨ": 125837, "سÙĬÙĨ": 125838, "ÙĪÙĤÙģ": 125839, "ÑĨÑĭ": 125840, "гоÑĤов": 125841, "еждÑĥ": 125842, "à¸ŀวà¸ģ": 125843, "اÙĤتص": 125844, "اÙĤتصاد": 125845, "czÄĻ": 125846, "niÄĻ": 125847, "ÑĢеб": 125848, "ØŃÙĪ": 125849, "à¸Ĺà¹Į": 125850, "ãĤĪãģŃ": 125851, "дж": 125852, "à¸ģลà¹Īาว": 125853, "دÙĬØ«": 125854, "ãĤ³ãĥŁ": 125855, "ÙĤÙĪÙħ": 125856, "ĠتØŃ": 125857, "à¹Ģà¸ķิ": 125858, "اÙģظ": 125859, "à¸Īุ": 125860, "رÙĬاض": 125861, "×ŀש×ļ": 125862, "à¹Ĥย": 125863, "еÑĢе": 125864, "ãģ¿ãģŁãģĦ": 125865, "ìĿ´ëĿ¼": 125866, "ĠاÙĦÙħÙĪ": 125867, "ĠÑģÑĤо": 125868, "à¹Ģรà¹ĩว": 125869, "ĠдеÑĤ": 125870, "ĠÑģдел": 125871, "à¹Ģà¸Ĭืà¹Īà¸Ń": 125872, "פ׳×Ļ": 125873, "ÙĪضÙĪع": 125874, "×ijס": 125875, "à¹ģà¸Ķ": 125876, "óc": 125877, "ริม": 125878, "ÑĢад": 125879, "ìĪł": 125880, "ãĥ¼ãĤº": 125881, "ãģ«ãģĬ": 125882, "ино": 125883, "פ×Ļ׾": 125884, "à¸Ĭัà¹Īà¸Ļ": 125885, "×Ĺ×ĵש": 125886, "à¹Ģà¸Ļืà¹Īà¸Ńà¸ĩ": 125887, "׳×Ļס": 125888, "غرب": 125889, "ãĤ¸ãĥ£": 125890, "สัà¸ĩ": 125891, "à¹Ģà¸Ĺีà¹Ī": 125892, "à¹Ģà¸Ĺีà¹Īยว": 125893, "ëŁ¼": 125894, "à¹ģà¸Ł": 125895, "ãĥ¼ãĤ·": 125896, "ãĥ¼ãĤ·ãĥ§ãĥ³": 125897, "Ġвозмож": 125898, "جÙħÙĪع": 125899, "×ijר×Ļ×Ŀ": 125900, "ãĥĪãĥ©": 125901, "ĠкаÑĩеÑģÑĤв": 125902, "Ø·ÙĬ": 125903, "ÑĤÑı": 125904, "צ×ķ×¢": 125905, "ģını": 125906, "عÙĦÙī": 125907, "اذ": 125908, "ÙĪاÙĤع": 125909, "ÙħÙĪا": 125910, "ائÙĬÙĦ": 125911, "кол": 125912, "á»ģm": 125913, "à¸ľà¸¥à¸´à¸ķ": 125914, "×Ļ׳×ĺר": 125915, "سÙĥ": 125916, "ש×Ļר": 125917, "ศึà¸ģษา": 125918, "à¸ļั": 125919, "ÑĩаÑģ": 125920, "×ķפ×Ķ": 125921, "×Ļפ×ķ׾": 125922, "ĠاÙĦساب": 125923, "رÙĬب": 125924, "ĠاÙĦبÙĬ": 125925, "ãĤ¹ãĥĨ": 125926, "Ñĩен": 125927, "à¹ģà¸ľ": 125928, "Ġ׳ש": 125929, "زÙĬد": 125930, "ØŃاد": 125931, "ëįĶ": 125932, "رÙĪع": 125933, "à¸Ĺุà¸Ļ": 125934, "สมา": 125935, "czeÅĦ": 125936, "×Ļ×ĵ×Ķ": 125937, "ãģ§ãģĤ": 125938, "Ġçocuk": 125939, "خب": 125940, "à¸ļาย": 125941, "à¸Ľà¸£à¸°à¸Ĭา": 125942, "×ŀש׾": 125943, "ãģªãģĭ": 125944, "à¸ģาย": 125945, "ãĥģãĥ£": 125946, "аÑĢи": 125947, "ĠÑĩа": 125948, "à¸Ķำ": 125949, "à¸Ĺัà¹Īว": 125950, "ÑĥÑħ": 125951, "Ġöz": 125952, "Ġì¢ĭ": 125953, "جرÙĬ": 125954, "ائÙĤ": 125955, "à¸łà¸±à¸¢": 125956, "طار": 125957, "دارة": 125958, "Ä©nh": 125959, "Ø«ÙĨ": 125960, "zellik": 125961, "اÙĦت": 125962, "Ġgeli": 125963, "ãĥķãĤ©": 125964, "олод": 125965, "ربع": 125966, "שת×ŀש": 125967, "à¸ļรร": 125968, "íĿ¬": 125969, "Ġürün": 125970, "Ġê·¸ëłĩ": 125971, "ศาสà¸ķรà¹Į": 125972, "ãģľ": 125973, "×Ļ×ij׾": 125974, "ĠпÑĢедÑģÑĤав": 125975, "سطÙĬÙĨ": 125976, "ãĤĴ使": 125977, "ĠпомоÑī": 125978, "×ķקר": 125979, "ãĥ¯ãĥ¼": 125980, "Ġyönet": 125981, "×Ļקר": 125982, "à¸Ĥา": 125983, "еÑĢиал": 125984, "ØŃÙģ": 125985, "Ġ×Ļצ": 125986, "à¸Ĺิ": 125987, "売": 125988, "à¸Ļà¸Ńà¸ģ": 125989, "×ķ׼ר": 125990, "íĻľ": 125991, "ủy": 125992, "ĠاÙĦÙĤر": 125993, "×Ļ×ij×ķת": 125994, "ÅĽni": 125995, "Ùħشار": 125996, "ượt": 125997, "ĠÙĦدÙĬ": 125998, "ÑĤел": 125999, "ĠØ¥ÙĦÙĬ": 126000, "عÙĦÙĪÙħ": 126001, "ìķĺ": 126002, "виÑĤ": 126003, "à¸Ħะ": 126004, "yrı": 126005, "ãģ¨ãģ£ãģ¦": 126006, "à¹Ģà¸ī": 126007, "à¸ĸาม": 126008, "ÙĤار": 126009, "عÙĦاÙħ": 126010, "ặng": 126011, "ÙħÙĴ": 126012, "×Ļ×ŀת": 126013, "سبة": 126014, "ãĤ¯ãĥ©": 126015, "×ķסף": 126016, "ĠпÑĢин": 126017, "ãģĦãĤį": 126018, "ساس": 126019, "عتبر": 126020, "วิà¸Ĺย": 126021, "วิà¸Ĺยา": 126022, "سÙĥر": 126023, "ãĤ·ãĥ§": 126024, "ãģģ": 126025, "ัà¸ģษ": 126026, "×ij×ķ×Ķ": 126027, "หย": 126028, "ãģ¾ãĤĮ": 126029, "ĠоÑĢганиз": 126030, "казал": 126031, "ĠÑģвÑıз": 126032, "uyết": 126033, "ĠпÑĢоиз": 126034, "Ġק×ĺ": 126035, "à¹ģà¸ģà¹ī": 126036, "пÑĥÑģ": 126037, "Ġê·¸ê²ĥ": 126038, "ëĬIJ": 126039, "лекÑģ": 126040, "ãĥ¼ãĥĹ": 126041, "à¸ķำ": 126042, "ת×Ĺ×Ļ׾": 126043, "à¸Ńà¸ĩà¸Ħà¹Į": 126044, "ẵ": 126045, "׳צ": 126046, "أش": 126047, "Ø´Ùĩ": 126048, "ยะ": 126049, "à¸ģà¸İ": 126050, "ĠاÙĦإسÙĦاÙħ": 126051, "едÑĮ": 126052, "ãģ²ãģ¨": 126053, "ëıĦë¡Ŀ": 126054, "ãģ©ãģ®": 126055, "Ñĥв": 126056, "еÑĩение": 126057, "ĠاÙĦتج": 126058, "ãģ«è¡Į": 126059, "Ġпозв": 126060, "ãĤıãĤĬ": 126061, "ÙĦاث": 126062, "íķĺìĺĢ": 126063, "ĠмаÑĢ": 126064, "ĠkonuÅŁ": 126065, "ãĥ¬ãĤ¹": 126066, "ãĤĴæĮģ": 126067, "ĠоÑģнов": 126068, "×Ĺ×ij": 126069, "ÙĪجÙĪد": 126070, "פ×ķף": 126071, "воÑĢ": 126072, "Ġник": 126073, "ãģĭãĤĭ": 126074, "ÅŁtırma": 126075, "×Ļס×ĺ": 126076, "Ø£ÙĦ": 126077, "หà¹Į": 126078, "иона": 126079, "лÑĮн": 126080, "ĠгоÑģ": 126081, "ĠÐľÐ¾Ñģк": 126082, "ÑĢоб": 126083, "×ķ×IJ×Ļ": 126084, "ãģĬãĤĬãģ¾ãģĻ": 126085, "ãģ£ãģ±": 126086, "кл": 126087, "à¸Ļà¸Ķà¹Į": 126088, "رÙĬÙģ": 126089, "اسب": 126090, "ĠÑĢеÑĪ": 126091, "Ġдол": 126092, "ãģ¹ãģį": 126093, "×Ļ×ij×ķר": 126094, "меÑī": 126095, "ĠнаÑĪ": 126096, "à¹ģà¸Ľà¸¥": 126097, "ÑĢиÑĤ": 126098, "кÑĥÑģ": 126099, "иÑĢа": 126100, "аÑĤÑĥÑĢ": 126101, "ÙĪاصÙĦ": 126102, "à¹Ģà¸ľà¸¢": 126103, "à¸Ńำ": 126104, "à¹Ģà¸ģิà¸Ļ": 126105, "غÙħ": 126106, "ãģĻãģİ": 126107, "lıkl": 126108, "ÅĦsk": 126109, "견": 126110, "×Ļ׼×Ķ": 126111, "×Ĺש×ij": 126112, "ÙĪرÙĬØ©": 126113, "ĠдейÑģÑĤв": 126114, "×Ĺ׾×ĺ": 126115, "Ġ׾×ŀ×¢": 126116, "צ׾×Ļ×Ĺ": 126117, "еÑĩа": 126118, "Ùģاع": 126119, "×Ĵ×Ļ×ĵ": 126120, "áºŃm": 126121, "ÄĻb": 126122, "شع": 126123, "ãģıãĤĬ": 126124, "à¸ŀุ": 126125, "едеÑĢ": 126126, "à¸Ĥà¸Ļ": 126127, "à¸Ħาร": 126128, "ĠболÑĮÑĪ": 126129, "ãģıãģªãĤĬ": 126130, "à¸ĵา": 126131, "×ĵ×ķ×Ĵ": 126132, "Ġмн": 126133, "ä¸ĬãģĮ": 126134, "ç¶ļãģį": 126135, "ฤษ": 126136, "à¸Ĩ": 126137, "Ø®ÙĬ": 126138, "à¹Ģà¸Ĺà¸ŀ": 126139, "สัม": 126140, "à¹Ģสà¸Ļ": 126141, "à¹Ģสà¸Ļà¸Ń": 126142, "ãĥ´": 126143, "ĠиÑģÑĤ": 126144, "باشر": 126145, "ĠÑĥÑĢов": 126146, "×ŀ×ķ×ĸ": 126147, "abı": 126148, "waż": 126149, "×ķצ×IJ×Ķ": 126150, "ÑĤвеÑĢ": 126151, "à¸ŀัà¸Ļà¸ĺà¹Į": 126152, "׳×Ĵ×ĵ": 126153, "ãĤĭãģĵãģ¨ãģĮãģ§ãģį": 126154, "ĠÑĤÑĢеб": 126155, "à¸ģรุà¸ĩ": 126156, "ØŃتاج": 126157, "à¹Ģà¸Ħล": 126158, "ãĨ": 126159, "ÄĻtr": 126160, "Ġszczeg": 126161, "Ġרש": 126162, "à¸Ĺà¸ĺ": 126163, "Ġнек": 126164, "ĠнекоÑĤоÑĢ": 126165, "вÑĪ": 126166, "Ь": 126167, "à¹Īวย": 126168, "ลุ": 126169, "бÑĢÑı": 126170, "หมูà¹Ī": 126171, "à¹ģà¸ķà¸ģ": 126172, "ר׼×Ļ×Ŀ": 126173, "Ġíĸī": 126174, "ãi": 126175, "Ùĥرة": 126176, "âŃ": 126177, "íIJ": 126178, "ãį": 126179, "áģ": 126180, "â®": 126181, "â¥": 126182, "ì®": 126183, "à¿": 126184, "â¿": 126185, "áĤ": 126186, "á¤": 126187, "âł": 126188, "íŁ": 126189, "ðIJį": 126190, "ðIJ°": 126191, "ðĿĨ": 126192, "ðŁĪ": 126193, "Ġ×¢×ľ": 126194, "ĠعÙĨ": 126195, "ĠÙħع": 126196, "Ġ×ĸ×Ķ": 126197, "ĠÙħا": 126198, "ĠmÃł": 126199, "Ġdụ": 126200, "á»ĩc": 126201, "аÑħ": 126202, "sı": 126203, "íķĺê³ł": 126204, "Ġ×ķ×ij": 126205, "ĠÐŁÐ¾": 126206, "×ķתר": 126207, "ĠÙĦÙħ": 126208, "Ġ×ķ׾": 126209, "ãģĹãģ¦ãģĦãĤĭ": 126210, "Ġ×ŀ×Ļ": 126211, "ĠبÙĬÙĨ": 126212, "за": 126213, "ĠÙĥاÙĨ": 126214, "Ġ×Ķ×Ļ×Ķ": 126215, "ëħĦ": 126216, "×IJ×ķ": 126217, "ди": 126218, "ĠпеÑĢе": 126219, "dı": 126220, "Ġ׾ש": 126221, "Ġש×ŀ": 126222, "ãģĮãģĤãĤĭ": 126223, "ãģĦãģĦ": 126224, "ÑĢе": 126225, "ק×ķ": 126226, "или": 126227, "ме": 126228, "ÙĬت": 126229, "ãģ§ãģĤãĤĭ": 126230, "Ġво": 126231, "à¹ĥหม": 126232, "à¹ĥหมà¹Ī": 126233, "Ġש×ij": 126234, "Ġà¹Ĥà¸Ķย": 126235, "ÙĬÙĩ": 126236, "ãģ§ãģĻãģĮ": 126237, "ãģ¨ãģ¯": 126238, "ר×ķ": 126239, "Ġà¸ĭึà¹Īà¸ĩ": 126240, "ãģ§ãģįãĤĭ": 126241, "мо": 126242, "à¹Ģà¸ŀืà¹Īà¸Ń": 126243, "צ×ķ": 126244, "×ĺ×ķ": 126245, "ìķĪ": 126246, "Ġhá»į": 126247, "à¹Ģà¸ĩิà¸Ļ": 126248, "ĠاÙĦب": 126249, "Ġมี": 126250, "물": 126251, "Ñģе": 126252, "ëĵ¤ìĿ´": 126253, "Ġë§IJ": 126254, "ĠlỼ": 126255, "aÅĤ": 126256, "×Ĺ×ijר": 126257, "Ġdá»±": 126258, "ÙĬØ«": 126259, "Ġthá»ĭ": 126260, "à¸ģà¹Īà¸Ńà¸Ļ": 126261, "Ġ×ij׼׾": 126262, "ãģ¸": 126263, "ãģ¨æĢĿãģĦãģ¾ãģĻ": 126264, "ảnh": 126265, "ยา": 126266, "Ùģا": 126267, "สี": 126268, "à¸ķา": 126269, "ë²ķ": 126270, "ãĥªãĥ¼": 126271, "ราà¸Ħา": 126272, "Ġ×ķ׾×IJ": 126273, "ãģ¨ãģĵãĤį": 126274, "à¹Ģลืà¸Ń": 126275, "diÄŁi": 126276, "ÙĪاÙĨ": 126277, "Ġ׾×Ķת": 126278, "รวม": 126279, "פ×Ļ×Ŀ": 126280, "à¸ľà¸¡": 126281, "жи": 126282, "cı": 126283, "ÑĢод": 126284, "ĠkarÅŁÄ±": 126285, "×Ĵ×ķ": 126286, "ãģ«ãģ¤": 126287, "ãģ«ãģ¤ãģĦãģ¦": 126288, "rÃł": 126289, "×Ļ×ķתר": 126290, "ĠìĨĮ": 126291, "ק×Ķ": 126292, "ÑģÑĤво": 126293, "ãģijãģ©": 126294, "gé": 126295, "à¸Ķà¹īาà¸Ļ": 126296, "çļĦãģ«": 126297, "ĠÙĬÙħÙĥÙĨ": 126298, "ìĨį": 126299, "ÙĬÙĥ": 126300, "à¹Ħวà¹ī": 126301, "Ñģкий": 126302, "ìm": 126303, "Ġ׾×IJ×Ĺר": 126304, "à¸Ńาหาร": 126305, "Ġà¹Ģà¸ŀ": 126306, "ราะ": 126307, "ลูà¸ģ": 126308, "ÑģÑĤа": 126309, "Ġìľł": 126310, "ÙĤÙĪÙĦ": 126311, "боÑĢ": 126312, "Ñģкого": 126313, "หลัà¸ĩ": 126314, "à¸Ĥà¹Īาว": 126315, "à¹Ģมืà¸Ńà¸ĩ": 126316, "ê°ģ": 126317, "tÃł": 126318, "ÙĬÙĬÙĨ": 126319, "عرض": 126320, "ë°©": 126321, "ĠëıĻ": 126322, "Ġà¹Ģà¸Ľ": 126323, "Ġà¹Ģà¸Ľà¹ĩà¸Ļ": 126324, "çi": 126325, "liÄŁi": 126326, "ìĹIJê²Į": 126327, "ãĤ¿ãĥ¼": 126328, "Ġ×ľ×ª": 126329, "פ×ķת": 126330, "à¸Ĥà¸Ń": 126331, "رس": 126332, "ìłIJ": 126333, "à¸ľà¹Īาà¸Ļ": 126334, "ÑĦи": 126335, "جÙĨ": 126336, "ì¢ħ": 126337, "Ġ×Ķפ": 126338, "Ġngo": 126339, "á»ĭa": 126340, "Ġtá»ķ": 126341, "Ġ그리": 126342, "à¹Ģมืà¹Īà¸Ń": 126343, "Ø°Ùĥر": 126344, "ìĸij": 126345, "ìĹŃ": 126346, "×ĺ׾": 126347, "kı": 126348, "ĠعÙħÙĦ": 126349, "ĠعÙĨد": 126350, "à¸ĭืà¹īà¸Ń": 126351, "Ġê±°": 126352, "ве": 126353, "rü": 126354, "à¹Ģà¸Ńา": 126355, "สà¹Į": 126356, "à¸Īà¸Ļ": 126357, "סת": 126358, "Ġgiả": 126359, "ãĤĭãģ¨": 126360, "à¸ģำลัà¸ĩ": 126361, "ней": 126362, "à¸Īริ": 126363, "à¸Īริà¸ĩ": 126364, "Ġëį": 126365, "ĠëįĶ": 126366, "à¸Ħà¹Īะ": 126367, "ìn": 126368, "Ġsüre": 126369, "Ġquy": 126370, "à¸ļาà¸ĩ": 126371, "åıĸãĤĬ": 126372, "ר×Ĺ": 126373, "×ijת": 126374, "ãģĮãģĤãĤĬãģ¾ãģĻ": 126375, "רש": 126376, "ìĹIJëĬĶ": 126377, "Ġ×IJפשר": 126378, "ayı": 126379, "ãģĮãĤī": 126380, "ØŃب": 126381, "анÑģ": 126382, "سÙĪ": 126383, "ĠпÑĢе": 126384, "دÙĪ": 126385, "ãģ«ãĤĪ": 126386, "à¹Ģà¸ģม": 126387, "สูà¸ĩ": 126388, "makt": 126389, "maktad": 126390, "maktadır": 126391, "Ġönem": 126392, "×Ļ×ŀ×Ļ×Ŀ": 126393, "бо": 126394, "ÙĪÙĬØ©": 126395, "à¸£à¸¹à¸Ľ": 126396, "à¹Ĥลà¸ģ": 126397, "ÙħÙĬع": 126398, "ÑģÑĤÑĥп": 126399, "à¹Ĥà¸Ń": 126400, "دÙĬÙĨ": 126401, "ì¤ij": 126402, "ãģĹãģı": 126403, "à¹Ģสีย": 126404, "вÑĭ": 126405, "Ùħت": 126406, "íĺĦ": 126407, "ãĥIJãĥ¼": 126408, "اش": 126409, "קס": 126410, "Ġtụ": 126411, "ลà¸Ķ": 126412, "ÙģØ©": 126413, "íijľ": 126414, "رج": 126415, "kÅĤad": 126416, "ĠÅŁey": 126417, "ĠØ£Ùħ": 126418, "Ġà¹Ģม": 126419, "ĠبÙĦ": 126420, "ÑģкаÑı": 126421, "ãģ¨ãģ®": 126422, "Ġìĭ¤": 126423, "ấm": 126424, "หà¹īà¸Ńà¸ĩ": 126425, "à¸Ĭม": 126426, "dü": 126427, "Ġçek": 126428, "Ġê³ł": 126429, "×Ĵ×ij": 126430, "à¸Ĭีวิ": 126431, "à¸Ĭีวิà¸ķ": 126432, "ÙģضÙĦ": 126433, "ฯ": 126434, "çı": 126435, "Ġبش": 126436, "ĠÙĩÙĨا": 126437, "ãģįãģ¾ãģĹãģŁ": 126438, "tü": 126439, "Ġìĺģ": 126440, "ĠTürk": 126441, "кÑĤ": 126442, "פרס": 126443, "ãģ¨ãģĦãģĨãģĵãģ¨": 126444, "íĶĦ": 126445, "à¹ģรà¸ģ": 126446, "ר×ķף": 126447, "Ġaras": 126448, "×ŀצ×IJ": 126449, "Ġtá»ī": 126450, "سا": 126451, "à¸ŀà¸Ń": 126452, "ĠاÙĦÙħØŃ": 126453, "ãĥ¤": 126454, "ĠاÙĦاست": 126455, "ÙģÙĨ": 126456, "×Ļ×ŀ×Ķ": 126457, "رت": 126458, "ãģ¨ãĤĤ": 126459, "ĠнаÑģ": 126460, "пÑĢи": 126461, "Ġ×Ĺ×ķ": 126462, "ила": 126463, "ÙĬØ´": 126464, "Ġgöz": 126465, "Ġ×ij׳×Ļ": 126466, "ımı": 126467, "ĠÑĤеÑħ": 126468, "Ġhá»Ļ": 126469, "غر": 126470, "кон": 126471, "اØŃت": 126472, "Ġà¸ŀ": 126473, "à¸Ńà¸Ńà¸Ļ": 126474, "à¸Ńà¸Ńà¸Ļà¹Ħล": 126475, "à¸Ńà¸Ńà¸Ļà¹Ħลà¸Ļà¹Į": 126476, "Ñħо": 126477, "Ñıв": 126478, "à¹ģสà¸Ķ": 126479, "à¹ģสà¸Ķà¸ĩ": 126480, "à¹Ģà¸ŀียà¸ĩ": 126481, "ÑĤов": 126482, "اÙĬ": 126483, "Ġ×Ķ×ĵ": 126484, "Ġ×ķ׼": 126485, "ãĤīãģĦ": 126486, "×ķפף": 126487, "Ġë¶Ī": 126488, "ลà¸Ńà¸ĩ": 126489, "طاÙĦ": 126490, "Ġни": 126491, "ĠÙħست": 126492, "ếc": 126493, "Ġש׼": 126494, "ĠëķĮ문": 126495, "วัà¸Ļà¸Ĺีà¹Ī": 126496, "×Ļ׾×ĵ": 126497, "ØŃا": 126498, "еÑĨ": 126499, "Ġcứ": 126500, "×ĵ×ķר": 126501, "ĠÙħØŃ": 126502, "ר׼×ij": 126503, "بÙĬع": 126504, "нии": 126505, "ĠاÙĦØ£ÙĪÙĦ": 126506, "à¸Ħวร": 126507, "ãģ¨æĢĿãģĨ": 126508, "ĠСо": 126509, "ائÙĬØ©": 126510, "راء": 126511, "оÑģоб": 126512, "ĠبأÙĨ": 126513, "×¢×ķ×ĵ": 126514, "ĠÑĤе": 126515, "ãģĵãģĨ": 126516, "ÑģÑĤÑĢа": 126517, "айн": 126518, "Ġsöz": 126519, "تÙĨا": 126520, "à¸Ńิ": 126521, "ặp": 126522, "ĠìķĦëĭĪ": 126523, "íķŃ": 126524, "Ġר×IJש": 126525, "Ġà¹Ħà¸Ķà¹ī": 126526, "Ġ×Ĵ×ĵ": 126527, "Ġספר": 126528, "обÑīе": 126529, "ĠÙĪØ¥": 126530, "adaÅŁ": 126531, "ãģ¡ãĤĩ": 126532, "ק×ķ׾": 126533, "ÑĢез": 126534, "ĠdÃ¼ÅŁÃ¼n": 126535, "Ġ×ij×IJ×ŀ": 126536, "Ġìĸ´ëĸ": 126537, "ער×ij": 126538, "нее": 126539, "ĠÑģÑĤÑĢан": 126540, "ساÙĨ": 126541, "ynı": 126542, "ĠاÙĦرئÙĬس": 126543, "ãģĹãģª": 126544, "Ġ×ł×ª": 126545, "ãģ«ãģªãģ£ãģŁ": 126546, "gü": 126547, "åıĹãģij": 126548, "×ľ×ª": 126549, "ìłĪ": 126550, "ëĬĶëį°": 126551, "Ø®ÙĬر": 126552, "à¸ķà¹īà¸Ńà¸ĩà¸ģาร": 126553, "ĠÙĦØ£ÙĨ": 126554, "Ġchá»ĭ": 126555, "ÙĪØ©": 126556, "à¹ĥส": 126557, "ë¶ĢíĦ°": 126558, "íķĺë©´": 126559, "ữu": 126560, "à¹Ģหมืà¸Ńà¸Ļ": 126561, "беÑĢ": 126562, "ĠìĿ´ìļ©": 126563, "ĠÑģеб": 126564, "wiÄĻks": 126565, "Ġ×ł×¢": 126566, "ÑĤÑĥÑĢ": 126567, "ĠnghÄ©": 126568, "ש×ķ×ĺ": 126569, "tiÄŁi": 126570, "ĠdeÄŁi": 126571, "×IJ×ij": 126572, "Ġ×ŀ×ŀ": 126573, "ãĥĹãĥŃ": 126574, "waÅĤ": 126575, "à¸Īึà¸ĩ": 126576, "خدÙħ": 126577, "×IJ×Ŀ": 126578, "Ä±ÅŁÄ±": 126579, "czÄħ": 126580, "ר×ĵ": 126581, "ĠÑĢÑĥб": 126582, "خرÙī": 126583, "ãģ®æĸ¹": 126584, "ĠденÑĮ": 126585, "×Ĺ×Ļ×Ŀ": 126586, "еÑĤе": 126587, "ëĤľ": 126588, "×IJ×Ĵ": 126589, "×¢×ķר": 126590, "ë³Ħ": 126591, "åIJĮãģĺ": 126592, "ãĤ²": 126593, "ר×ļ": 126594, "×ķש×IJ": 126595, "ìľ¡": 126596, "اخ": 126597, "צ×Ļ×Ķ": 126598, "á»±a": 126599, "ãģĪãģ¦": 126600, "ש×Ķ×ķ": 126601, "анÑĤ": 126602, "ลาà¸Ķ": 126603, "инг": 126604, "ë¡ł": 126605, "اعد": 126606, "ÙĪسط": 126607, "Ġвоп": 126608, "ĠвопÑĢоÑģ": 126609, "ÙħÙĬÙĨ": 126610, "à¸Ħà¸ĩ": 126611, "×Ļר×Ļ×Ŀ": 126612, "ców": 126613, "격": 126614, "Ġê·¸ëŁ°": 126615, "Ġì§Ħ": 126616, "Ġש׾×Ķ": 126617, "à¹Ģริà¹Īม": 126618, "à¸Ĭà¸Ńà¸ļ": 126619, "деÑĤ": 126620, "ÑİÑīиÑħ": 126621, "à¸ļà¸Ńà¸ģ": 126622, "æĢĿãģĦ": 126623, "عÙĬد": 126624, "ס×ŀ": 126625, "×Ĵ×Ļ×¢": 126626, "צ×ĵ": 126627, "بات": 126628, "ĠëĶ°ëĿ¼": 126629, "à¸Īัà¸ĩ": 126630, "ãģłãģijãģ§": 126631, "×¢×Ļר": 126632, "ĠÑĩел": 126633, "ĠÑĩелов": 126634, "ĠÑĩеловек": 126635, "ãĥĥãĥģ": 126636, "à¹Ģà¸ģีà¹Īยว": 126637, "à¸Ķิ": 126638, "Ġפע": 126639, "×Ļ×ŀ×Ļ": 126640, "ë°ĺ": 126641, "خار": 126642, "×ij×Ļת": 126643, "×¢×Ļ×Ŀ": 126644, "üyor": 126645, "ãĤģãģ¦": 126646, "клад": 126647, "Ġà¸Īาà¸ģ": 126648, "à¹Ģà¸Ħย": 126649, "สà¸Ńà¸ĩ": 126650, "à¹ģà¸Ħà¹Ī": 126651, "ẫu": 126652, "หà¸Ļัà¸ĩ": 126653, "ש׾×ķ×Ŀ": 126654, "اÙĨÙĬØ©": 126655, "åĩºä¼ļ": 126656, "åĩºä¼ļãģĦ": 126657, "à¸łà¸²à¸¢": 126658, "à¸ļาà¸Ĺ": 126659, "à¸Ĭาว": 126660, "muÅŁ": 126661, "Ġ׾ק×ij׾": 126662, "ãĤ·ãĥ£": 126663, "ĠÄ°ÅŁ": 126664, "×Ĵ×ĵ×ķ׾": 126665, "جعÙĦ": 126666, "ë³Ģ": 126667, "ยิà¹Īà¸ĩ": 126668, "à¸Ļาย": 126669, "à¸Ļีà¹Ī": 126670, "วิà¸ĺี": 126671, "ãĤīãģªãģĦ": 126672, "ëłĪ": 126673, "Ġë¬¸ìłľ": 126674, "Ġà¸ģ": 126675, "à¸Ĺำà¸ĩาà¸Ļ": 126676, "à¹Ģวà¹ĩà¸ļ": 126677, "ÑĦе": 126678, "楽ãģĹ": 126679, "สำà¸Ħ": 126680, "สำà¸Ħัà¸į": 126681, "رÙħ": 126682, "ãģķãĤĮãģ¦": 126683, "Ġобла": 126684, "ר×IJ×Ļ": 126685, "หมà¸Ķ": 126686, "ÙĨÙĬØ©": 126687, "лин": 126688, "ĠeÄŁ": 126689, "itim": 126690, "ëł¹": 126691, "صاÙĦ": 126692, "ÅĽl": 126693, "à¸ľà¸´à¸Ķ": 126694, "ãĥŀãĥ³": 126695, "åħ¥ãĤĮ": 126696, "à¹Ģà¸ķà¸Ńรà¹Į": 126697, "ارÙĬ": 126698, "ĠЦ": 126699, "dür": 126700, "สวย": 126701, "립": 126702, "رÙĥØ©": 126703, "Ġhã": 126704, "×Ļת×Ķ": 126705, "à¸Ĥà¸Ļา": 126706, "à¸Ĥà¸Ļาà¸Ķ": 126707, "à¸Īำà¸Ļ": 126708, "à¸Īำà¸Ļวà¸Ļ": 126709, "ש×ķק": 126710, "Ġдом": 126711, "ì±ħ": 126712, "ãģĭãģij": 126713, "פ×ķ׾": 126714, "à¸Ĭาย": 126715, "ÑģмоÑĤÑĢ": 126716, "ÑģлÑĥж": 126717, "ש×IJ׾": 126718, "кÑĢÑĭÑĤ": 126719, "Ġìŀĺ": 126720, "é«ĺãģĦ": 126721, "ĠÑĢÑĥк": 126722, "ÙĨص": 126723, "дав": 126724, "ưỡ": 126725, "ưỡng": 126726, "راÙħ": 126727, "×Ļ׳×Ļ×Ŀ": 126728, "ãĥ©ãĥ¼": 126729, "ëĦ¤": 126730, "Ġتع": 126731, "lke": 126732, "好ãģį": 126733, "æĮģãģ¡": 126734, "Ġë§İ": 126735, "Ġyük": 126736, "ĠÑģоÑģÑĤав": 126737, "енÑĤÑĢ": 126738, "peÅĤ": 126739, "à¹Ģà¸Ľà¸¥à¸µà¹Īย": 126740, "à¹Ģà¸Ľà¸¥à¸µà¹Īยà¸Ļ": 126741, "íıī": 126742, "ãĤĦãģĻ": 126743, "×Ĺ×ĸ": 126744, "×ijר×Ķ": 126745, "루": 126746, "ìĶĢ": 126747, "بØŃØ«": 126748, "à¹Ģà¸ķà¹ĩ": 126749, "ówi": 126750, "بÙĩ": 126751, "ãģįãģ¾ãģĻ": 126752, "Ġ×¢×ŀ": 126753, "×Ĵ×ķ׾": 126754, "езд": 126755, "ÙĬÙģØ©": 126756, "สà¸Ļà¹ĥà¸Ī": 126757, "Ġ×ª×ľ": 126758, "ÑıÑī": 126759, "ĠسÙĨ": 126760, "ĠÙĪاØŃد": 126761, "ĠÑģм": 126762, "ladı": 126763, "ıld": 126764, "×Ļרת": 126765, "ียà¸Ļ": 126766, "ת×Ĺת": 126767, "Ġжиз": 126768, "à¸ŀั": 126769, "à¸ŀัà¸Ĵ": 126770, "à¸ŀัà¸Ĵà¸Ļา": 126771, "à¸Ĭิ": 126772, "اخÙĦ": 126773, "ãģ£ãģ¦ãģĦãģŁ": 126774, "รัà¸IJ": 126775, "ãĤģãĤĭ": 126776, "à¹Ĥà¸ģ": 126777, "ĠTá»ķ": 126778, "Ġhakk": 126779, "رÙģ": 126780, "ìłĢ": 126781, "Ñģоб": 126782, "ãģªãģijãĤĮãģ°": 126783, "ÙĩÙĪ": 126784, "Ġë²ķ": 126785, "ãĤĨ": 126786, "ĠاÙĦسعÙĪد": 126787, "Ġ×IJתר": 126788, "اغ": 126789, "Ġ׾×ĵ": 126790, "à¹ģà¸ķ": 126791, "à¹ģà¸ķà¹Īà¸ĩ": 126792, "íĮĮ": 126793, "ÑĥпиÑĤÑĮ": 126794, "à¸ŀืà¹īà¸Ļà¸Ĺีà¹Ī": 126795, "×ijת×Ļ": 126796, "à¹ĩà¸ģ": 126797, "ÅĤat": 126798, "Ġê°ľìĿ¸": 126799, "ìłķë³´": 126800, "ÑĤал": 126801, "Ġgüven": 126802, "ĠÄ°l": 126803, "Ġê°ģ": 126804, "Ġبت": 126805, "×ŀ×ķ׳×Ķ": 126806, "ĠاÙĦØŃÙĥÙĪÙħ": 126807, "ÙĤات": 126808, "à¹ģà¸ģà¹Ī": 126809, "หาà¸ģ": 126810, "нÑĮ": 126811, "à¸Ľà¸£à¸±à¸ļ": 126812, "มาà¸ĵ": 126813, "ĠнеÑģк": 126814, "Ġض": 126815, "สมั": 126816, "สมัà¸Ħร": 126817, "ãģĮãģĤãĤĬ": 126818, "меÑģÑĤ": 126819, "Ġ×IJצ׾": 126820, "Ġкомпани": 126821, "סר": 126822, "ÙĬÙħØ©": 126823, "ĠÑħоÑĢо": 126824, "ĠÑħоÑĢоÑĪ": 126825, "Ġ×Ļ×ķ×ĵ": 126826, "üs": 126827, "×Ĵ×Ļש": 126828, "à¸ļà¸Ĺ": 126829, "تÙĨظ": 126830, "วาà¸ĩ": 126831, "มหา": 126832, "Ġ׼×ķ׾": 126833, "à¸Ĥà¹īาà¸ĩ": 126834, "ë°ľ": 126835, "год": 126836, "дан": 126837, "ãģĭãĤĤãģĹãĤĮãģ¾ãģĽãĤĵ": 126838, "ãģĵãģ¡ãĤī": 126839, "ãĥIJãĤ¤": 126840, "eceÄŁi": 126841, "دÙĬدة": 126842, "ÙĨÙī": 126843, "Ġëĭ¤ìĿĮ": 126844, "วี": 126845, "غا": 126846, "лиз": 126847, "à¹Ģà¸Ķิ": 126848, "à¹Ģà¸Ķิม": 126849, "ĠÙĬست": 126850, "Ġyılı": 126851, "koÅĦ": 126852, "ãģ§ãģĹãĤĩãģĨãģĭ": 126853, "ãģĤãģª": 126854, "ãģĤãģªãģŁ": 126855, "ÑĨен": 126856, "ĠÙĪز": 126857, "×IJ×Ļש": 126858, "à¹Īà¸Ń": 126859, "رØŃ": 126860, "ê´ij": 126861, "ÑĢаÑģÑĤ": 126862, "Ġ×Ķ׾": 126863, "ãģĹãģ¦ãĤĤ": 126864, "×ŀר׼": 126865, "×ŀר׼×ĸ": 126866, "éģķãģĦ": 126867, "ãģŁãģı": 126868, "ĠÑģÑĥд": 126869, "веÑģÑĤи": 126870, "ĠíķĦìļĶ": 126871, "ãĥķãĤ§": 126872, "ÑĤелÑĮно": 126873, "à¹Ģà¸ŀืà¹Īà¸Ńà¸Ļ": 126874, "ÅĤuż": 126875, "à¹Ģà¸Ķิà¸Ļà¸Ĺาà¸ĩ": 126876, "ש×ķר": 126877, "Ġ×ŀ×ĵ": 126878, "×ķ×¢×ľ": 126879, "ÙĦاÙħ": 126880, "à¹Ħà¸ĭ": 126881, "лей": 126882, "кÑĥÑĢ": 126883, "Ả": 126884, "à¸Ĺาà¸Ļ": 126885, "ì§ij": 126886, "ĠгоÑĢод": 126887, "רס": 126888, "׾×ķ×Ĵ": 126889, "masını": 126890, "ĠлÑĥÑĩ": 126891, "ลà¹Īา": 126892, "ìļ¸": 126893, "ש×ĺ": 126894, "ĠÐĺн": 126895, "íĤ¤": 126896, "ÙĪÙĦا": 126897, "ìķł": 126898, "ĠØ£ÙĬضا": 126899, "Ùĥار": 126900, "ĠاÙĦتع": 126901, "สูà¹Ī": 126902, "ãĤ¼": 126903, "×ij×Ļ×IJ": 126904, "ยà¸ģ": 126905, "ĠØŃÙĤ": 126906, "ربÙĬ": 126907, "ãģĺãĤĥãģªãģĦ": 126908, "รัà¸ģษา": 126909, "ÑħодиÑĤ": 126910, "à¸ķà¸Ńà¸ļ": 126911, "׳×ĺ×Ļ": 126912, "ĠاÙĦÙħج": 126913, "تÙħع": 126914, "оваÑĤÑĮ": 126915, "ÙĦÙĬÙĨ": 126916, "×Ļ×ŀ×ķת": 126917, "Ġmù": 126918, "nÄĻ": 126919, "ĠدÙĬ": 126920, "׼ש×Ļ×ķ": 126921, "Ġhiç": 126922, "ëijIJ": 126923, "ÙĪاء": 126924, "ÙĪØ·": 126925, "ĠاÙĦبÙĦ": 126926, "à¹ģมà¹ī": 126927, "ק×ķת": 126928, "ÙĪجد": 126929, "å§ĭãĤģ": 126930, "ÙĬئة": 126931, "Ġ매": 126932, "صبØŃ": 126933, "פ×IJ": 126934, "гоÑĢ": 126935, "ס×Ķ": 126936, "بÙĬÙĤ": 126937, "ยาà¸ģ": 126938, "Ġнад": 126939, "ÙĬÙij": 126940, "ĠبÙĪ": 126941, "ס×ķר": 126942, "ÙħÙĥاÙĨ": 126943, "ר×ij": 126944, "×Ĵ×ĸ": 126945, "צת": 126946, "bilit": 126947, "лаг": 126948, "ĠNgo": 126949, "×IJ×ķר": 126950, "à¸ķà¸Ļ": 126951, "íĬ¹": 126952, "à¸Ĺีà¹Īà¸Ķี": 126953, "à¸Ľà¸£à¸°à¸Īำ": 126954, "ование": 126955, "ãģĦãģ¤": 126956, "ãĥĥãĤ¯ãĤ¹": 126957, "åIJĪãĤı": 126958, "åIJĪãĤıãģĽ": 126959, "×Ļ׳×ķ×Ļ": 126960, "ạy": 126961, "Ø«ÙĤ": 126962, "ĠпÑĢоб": 126963, "ĠпÑĢоблем": 126964, "ÅŁeh": 126965, "ÅŁehir": 126966, "عادة": 126967, "اÙĨÙĪÙĨ": 126968, "à¸ķัวà¹Ģà¸Ńà¸ĩ": 126969, "ì¶ķ": 126970, "ılan": 126971, "бан": 126972, "ãĥ³ãĥī": 126973, "à¸Īี": 126974, "Ġ×Ķש׳×Ļ": 126975, "поÑĤ": 126976, "×ķ׾×Ļ×Ŀ": 126977, "ลัà¸ļ": 126978, "ĠÑįÑĤи": 126979, "×ijקש": 126980, "ë¹ĦìĬ¤": 126981, "à¸Ńยà¹Īาà¸ĩà¹Ħร": 126982, "×Ļ׾×Ļ": 126983, "à¹ĥà¸Ĭà¹Ī": 126984, "ĠاÙĦÙĥÙĦ": 126985, "ãĥļãĥ¼ãĤ¸": 126986, "صة": 126987, "ÑĤиÑĢ": 126988, "ãĤĵãģ©": 126989, "зÑĭк": 126990, "wyż": 126991, "ÙĩÙĬ": 126992, "ĠÙħÙĦÙĬ": 126993, "Ġвиде": 126994, "ظاÙħ": 126995, "داÙĪÙĦ": 126996, "×ŀת×Ļ": 126997, "Ġsık": 126998, "à¹Ģà¸ķิม": 126999, "ãĤ¢ãĤ¤": 127000, "каÑħ": 127001, "צ×Ļ׾": 127002, "à¹Ģà¸Ĭà¹Īà¸Ļ": 127003, "маг": 127004, "магаз": 127005, "магазин": 127006, "à¸Ľà¸±": 127007, "à¸Ľà¸±à¸Ī": 127008, "Ġש×Ļר×ķת": 127009, "ียม": 127010, "ãĥĸãĥ«": 127011, "ĠدÙĪÙĦ": 127012, "קר×Ļ×Ŀ": 127013, "ÙĩÙı": 127014, "ово": 127015, "Ġüret": 127016, "دÙĪÙĨ": 127017, "à¹ģà¸Ļว": 127018, "à¹Ģà¸Ļืà¹īà¸Ń": 127019, "ĠÑĦоÑĤ": 127020, "ãĥĺ": 127021, "ãģ¤ãģĭ": 127022, "ÑıÑģ": 127023, "ĠíķĺëĤĺëĭĺ": 127024, "ائع": 127025, "ĠплаÑĤ": 127026, "ìĺĪ": 127027, "ĠdostÄĻp": 127028, "ÙĪجÙĩ": 127029, "Ġ×Ķ×Ĺ×Ļ": 127030, "׳×Ļק": 127031, "дей": 127032, "íĽĦ": 127033, "ıy": 127034, "بØŃر": 127035, "à¹Ģสริม": 127036, "Ġ׾×Ĵ": 127037, "Ø°Ùĩب": 127038, "جÙĬÙĦ": 127039, "رÙĥز": 127040, "Ġëħ": 127041, "Ġëħ¸": 127042, "פ×Ļ׾×ķ": 127043, "ãģ¾ãģļ": 127044, "iriÅŁ": 127045, "ĠÙĥÙĬÙģ": 127046, "Ġ×ijצ": 127047, "ĠêµIJ": 127048, "ÑĢоÑģÑģ": 127049, "ĠØ´ÙĬ": 127050, "Ġiçer": 127051, "×Ĵ×ķ×ij×Ķ": 127052, "менно": 127053, "×¢×ij×Ļר": 127054, "×ķ×ŀ×Ķ": 127055, "ãĤīãģĹãģĦ": 127056, "ãģ¼": 127057, "Ñīин": 127058, "è²·ãģĦ": 127059, "جÙħÙĪعة": 127060, "Ġdönem": 127061, "Ġ×ij×IJר": 127062, "веÑģÑĤ": 127063, "×ķר×ķת": 127064, "سÙģ": 127065, "à¹ģà¸Ĺà¸Ļ": 127066, "ĠдокÑĥменÑĤ": 127067, "ĠاÙĬ": 127068, "جاÙĨ": 127069, "צ×ķ×¢×Ļ": 127070, "ĠоÑģоб": 127071, "ĠاÙĦÙħس": 127072, "ÑĢаб": 127073, "à¸łà¸¹": 127074, "à¸Ķาว": 127075, "лекÑĤ": 127076, "عÙĤ": 127077, "×ķ×ĵ×ķת": 127078, "Ġolu": 127079, "ĠoluÅŁtur": 127080, "ãģ¾ãģ¾": 127081, "един": 127082, "à¹Ģà¸Ńà¸ģ": 127083, "ãĤµãĤ¤": 127084, "ëĦĪ": 127085, "Ø·ÙĨÙĬ": 127086, "Ø·ÙĤØ©": 127087, "ĠÐłÐ°Ð·": 127088, "ÙĦÙij": 127089, "Ñĩем": 127090, "Ġ׾×ĺ": 127091, "สัà¹Īà¸ĩ": 127092, "سرائÙĬÙĦ": 127093, "Ġפר×ĺ×Ļ": 127094, "деÑģÑĮ": 127095, "Ġ׳׼": 127096, "اÙĨب": 127097, "ÙĬاة": 127098, "Ùħبر": 127099, "Ġkı": 127100, "à¸Ľà¸ı": 127101, "à¸Ľà¸ıิ": 127102, "à¸ļัà¸ķิ": 127103, "×ł×ª×Ļ": 127104, "ìĨ¡": 127105, "راب": 127106, "à¹ĥà¸ķ": 127107, "à¹ĥà¸ķà¹ī": 127108, "×Ļ×ł×ª": 127109, "ÙĪÙĬر": 127110, "Ġ×Ķ×ŀ×Ļ": 127111, "ейÑĩаÑģ": 127112, "ק×ķ×ij": 127113, "دراس": 127114, "ĠÙħÙĤ": 127115, "رÙĬÙĨ": 127116, "خاص": 127117, "ãģĬéĩij": 127118, "Ġجدا": 127119, "ãģĨãģ¡": 127120, "ëħ¸": 127121, "ırım": 127122, "æ§ĺ": 127123, "ãģ«å¯": 127124, "ãģ«å¯¾": 127125, "ÑĨев": 127126, "Ġvard": 127127, "ĠÐIJн": 127128, "eÄŁ": 127129, "ÑģÑĤвенно": 127130, "Ш": 127131, "سد": 127132, "à¸ģุ": 127133, "à¹ģà¸ľà¸Ļ": 127134, "รูà¹īส": 127135, "รูà¹īสึà¸ģ": 127136, "اتØŃاد": 127137, "ÑijÑĤ": 127138, "×Ĺ×ķק": 127139, "ãģĻãģIJ": 127140, "Ø·ÙĦاÙĤ": 127141, "Ġק×ķ×ĵ": 127142, "à¹ĥà¸Ĭà¹īà¸ĩ": 127143, "à¹ĥà¸Ĭà¹īà¸ĩาà¸Ļ": 127144, "ãĥ¼ãĤ¿": 127145, "Ġsür": 127146, "ÑĢок": 127147, "ë³ij": 127148, "สมาà¸Ĭ": 127149, "สมาà¸Ĭิà¸ģ": 127150, "ãĥķãĥ¬": 127151, "è¾¼ãģ¿": 127152, "ãĤ»ãĥ³": 127153, "Ġê°Ģì§Ģ": 127154, "à¸ľà¹īา": 127155, "ÑįÑĤомÑĥ": 127156, "иÑĤел": 127157, "à¸łà¸±": 127158, "à¸ij": 127159, "ãĥĸãĥ©": 127160, "×Ľ×ª×ķ×ij": 127161, "׳×Ŀ": 127162, "еннÑĭе": 127163, "×¢×¨×Ľ×ª": 127164, "ĠìĤ": 127165, "ĠìĤ´": 127166, "à¸Ĥà¹īา": 127167, "׳×ķס": 127168, "ãĥ¬ãĥĵ": 127169, "ÑĢеÑģ": 127170, "à¹Ģลà¸Ĥ": 127171, "ثاÙĦ": 127172, "ìĹĨ": 127173, "ĠÑĩаÑģÑĤ": 127174, "าศ": 127175, "ãĥªãĤ¢": 127176, "uç": 127177, "×Ļ׼×ķת": 127178, "ลà¹īาà¸Ļ": 127179, "ië": 127180, "ãĤ¸ãĤ§": 127181, "à¸Īà¸Ń": 127182, "ÙĪØŃد": 127183, "×Ļצ×ķ×ij": 127184, "Ġ×ijש׾": 127185, "око": 127186, "ضة": 127187, "ذر": 127188, "ĠÑĥд": 127189, "Ä°L": 127190, "×ķצ×Ļ×Ŀ": 127191, "×ĸ×ŀף": 127192, "à¸Ľà¸ģ": 127193, "íķĻêµIJ": 127194, "ساÙħ": 127195, "à¹Ħà¸Ķ": 127196, "ละà¹Ģà¸Ń": 127197, "ละà¹Ģà¸Ńีย": 127198, "ละà¹Ģà¸Ńียà¸Ķ": 127199, "ảy": 127200, "аÑĨион": 127201, "ãĤ¹ãĤ¯": 127202, "פ×ķס": 127203, "รà¹Īาà¸ĩ": 127204, "еннÑĭй": 127205, "عÙĨ": 127206, "عÙĦÙĨ": 127207, "ائÙģ": 127208, "dÄĻ": 127209, "ؤÙĪÙĦ": 127210, "׾×ķ×ķ": 127211, "Ġ×ijש×ij": 127212, "ä»ĬåĽŀ": 127213, "ĠاÙĦجÙĨ": 127214, "داد": 127215, "waÄĩ": 127216, "ãĥªãĥ³": 127217, "ĠìŀIJìĭł": 127218, "اÙĨÙĬا": 127219, "ãĥ¡ãĥª": 127220, "ÙĦÙĪÙĨ": 127221, "à¸Ĺà¹Īà¸Ńà¸ĩ": 127222, "à¸Ĺà¹Īà¸Ńà¸ĩà¹Ģà¸Ĺีà¹Īยว": 127223, "اÙģÙĬ": 127224, "ĠлиÑĪ": 127225, "ÙħÙĬØ©": 127226, "оÑĤвеÑĤ": 127227, "Ñĩин": 127228, "ÃĬ": 127229, "ãĥ¡ãĥ³": 127230, "å®Ł": 127231, "éļĽãģ«": 127232, "ĠÑĢай": 127233, "ãĤ¦ãĥ³": 127234, "×Ļר×ķש": 127235, "×Ļר×ķש׾×Ļ×Ŀ": 127236, "มะ": 127237, "Ġara": 127238, "казаÑĤÑĮ": 127239, "à¸ķัà¸Ķ": 127240, "ÑĥÑİÑĤ": 127241, "Ġüst": 127242, "×Ĵ×ķ×ij": 127243, "×Ĵ×ķ×ij×ķת": 127244, "malı": 127245, "егод": 127246, "егоднÑı": 127247, "اÙģÙĤ": 127248, "à¸Ĭà¹Īà¸Ńà¸ĩ": 127249, "Ġözellik": 127250, "×Ļצ×ķר": 127251, "ĠmiÄĻd": 127252, "ĠiliÅŁ": 127253, "ĠнаÑħод": 127254, "×¢×ĸר": 127255, "×ľ×Ľ×ª": 127256, "ÙĨتاج": 127257, "ĠÑģем": 127258, "à¸Īà¹Īาย": 127259, "à¸ķรว": 127260, "à¸ķรวà¸Ī": 127261, "פר×ķ": 127262, "à¸Ĥัà¸ļ": 127263, "ãģŀ": 127264, "Ġпло": 127265, "колÑĮ": 127266, "×ŀ×¢×ĺ": 127267, "íķĺìĭľ": 127268, "jÄħce": 127269, "ÙĨاÙĨ": 127270, "ลีà¸ģ": 127271, "нÑĥÑĤ": 127272, "ĠобÑĢаз": 127273, "Ùĥبر": 127274, "ĠاÙĦÙĪØ·ÙĨ": 127275, "ãģķãģĽãģ¦": 127276, "ÙĤاء": 127277, "×ŀ×ĵ×Ļ׳": 127278, "yü": 127279, "פ×Ļת": 127280, "׳×ķף": 127281, "ÙħÙĨظ": 127282, "หà¸Ļัà¸ģ": 127283, "ìŀĪ": 127284, "ãĤ«ãĥ¼ãĥī": 127285, "عÙĨÙĬ": 127286, "под": 127287, "ضاء": 127288, "à¸Ļà¸ķà¹Į": 127289, "×ŀשפ": 127290, "วà¹Į": 127291, "ר×ķק": 127292, "สืà¹Īà¸Ń": 127293, "פק×Ļ×ĵ": 127294, "ãģªãĤīãģªãģĦ": 127295, "ĠìŬ룬": 127296, "ÙĦج": 127297, "ÑīиÑĤ": 127298, "ãĥĥãĤ·": 127299, "ÙĦÙĬس": 127300, "ĠÙĦÙħا": 127301, "ìłij": 127302, "×ij×Ļף": 127303, "ãĥģãĤ§": 127304, "Ġgüç": 127305, "Ġchứ": 127306, "×ķצ×IJ": 127307, "קר×ij": 127308, "à¹Ĥà¸ŀ": 127309, "оÑĩно": 127310, "סק×Ļ": 127311, "ש׾×Ŀ": 127312, "صرÙģ": 127313, "ĠLÃł": 127314, "×¢×Ļת": 127315, "á»·": 127316, "à¹Ĥà¸Ńà¸ģ": 127317, "à¹Ĥà¸Ńà¸ģา": 127318, "à¹Ĥà¸Ńà¸ģาส": 127319, "Ġ×Ķ×ĵ×ijר": 127320, "à¸Ļัà¹Īà¸Ļ": 127321, "زر": 127322, "нако": 127323, "íļį": 127324, "ãĤĤãģ¡": 127325, "ãĤĤãģ¡ãĤį": 127326, "ãĤĤãģ¡ãĤįãĤĵ": 127327, "اÙħت": 127328, "عداد": 127329, "инÑĭ": 127330, "ÅĤyw": 127331, "à¸Ħà¸ĵะ": 127332, "à¸Ĺะ": 127333, "ktör": 127334, "×Ļ×Ĺ×Ķ": 127335, "Ġме": 127336, "ĠмеÑģÑı": 127337, "׳×Ķ×Ĵ": 127338, "ĠÑģÑĥÑīеÑģÑĤв": 127339, "à¸Ļัà¸Ļ": 127340, "ÑĦÑĦ": 127341, "екÑĤив": 127342, "عÙĦÙĪÙħات": 127343, "бÑĥд": 127344, "à¸Ļัà¸ģà¸ĩาà¸Ļ": 127345, "หà¸Ļà¹īาà¸Ĺีà¹Ī": 127346, "ÙĤÙĬÙĤ": 127347, "ãĤ·ãĥ³": 127348, "ãģ«éĸ¢": 127349, "×IJר×Ĵ": 127350, "ĠпÑĢоÑĤ": 127351, "ĠпÑĢоÑĤив": 127352, "ĠìŀĪìĸ´": 127353, "ÙĤÙĬÙĤØ©": 127354, "ìĹĩ": 127355, "kür": 127356, "ãģ«ãģªãĤĬãģ¾ãģĹãģŁ": 127357, "ĠдеÑıÑĤ": 127358, "ĠдеÑıÑĤелÑĮ": 127359, "פ×ķר×ĺ": 127360, "à¸Łà¹īา": 127361, "à¹Ģà¸ł": 127362, "ĠавÑĤомаÑĤ": 127363, "×ĸ×Ļק": 127364, "Ġolduk": 127365, "عاÙħ": 127366, "ĠÑĤоÑĢ": 127367, "yrıca": 127368, "êÌ": 127369, "ãĤŃãĥ³ãĤ°": 127370, "ãģ«ãģ¨ãģ£ãģ¦": 127371, "à¹Ģà¸īà¸ŀ": 127372, "à¹Ģà¸īà¸ŀาะ": 127373, "ãģ¯ãģļ": 127374, "×ŀ×IJ×Ļ": 127375, "สะà¸Ķ": 127376, "สะà¸Ķวà¸ģ": 127377, "ìľ¼ë©°": 127378, "à¸ģี": 127379, "ฬ": 127380, "Ġ×¢×ķש": 127381, "à¸łà¸²à¸©à¸²": 127382, "à¸Ĺัà¸Ļ": 127383, "acakt": 127384, "acaktır": 127385, "اعدة": 127386, "ĠÑĥÑģлÑĥг": 127387, "סר×ĺ": 127388, "×ķ×ŀ×ķת": 127389, "×Ķ×ķר": 127390, "×ŀ×ķ×ij": 127391, "×ŀ×ķ×ijף": 127392, "سÙĬاس": 127393, "اتÙģاÙĤ": 127394, "×Ķצ׾": 127395, "Ùħؤس": 127396, "Ġpó": 127397, "Ġкни": 127398, "×Ļ׼×ķ׾": 127399, "à¹Ģหลืà¸Ń": 127400, "׼׾׼": 127401, "׳×ĸ": 127402, "ÑĪие": 127403, "rès": 127404, "ĠاÙĦØŃÙĤ": 127405, "лÑıÑĢ": 127406, "หà¸į": 127407, "หà¸įิà¸ĩ": 127408, "ר×Ĵ×Ļש": 127409, "à¹Ģสà¹īà¸Ļ": 127410, "ש×ij×ķף": 127411, "ôtel": 127412, "апÑĢ": 127413, "апÑĢимеÑĢ": 127414, "ابÙĦ": 127415, "ĠÑĢазвиÑĤ": 127416, "ĠполÑĮз": 127417, "ĠСеÑĢ": 127418, "×ķ×ij×Ļ": 127419, "róż": 127420, "ìĭŃ": 127421, "ãĤ¯ãĥĪ": 127422, "ãģĹãĤĪãģĨ": 127423, "à¸ģรม": 127424, "ØŃÙĥÙĪÙħ": 127425, "à¹Ĥà¸ļ": 127426, "à¸Ĺà¹īาย": 127427, "ĠMá": 127428, "ĠÑĤÑĭ": 127429, "à¸Ħรัว": 127430, "ÑĢÑĥб": 127431, "ạp": 127432, "ĠmÅĤ": 127433, "ĠmÅĤod": 127434, "ĠgörÃ¼ÅŁ": 127435, "ĠgeliÅŁ": 127436, "Æ°Æ¡i": 127437, "×ŀשק": 127438, "ÙĢÙĢÙĢÙĢ": 127439, "ราว": 127440, "ãģĹãģ£": 127441, "ãģĹãģ£ãģĭãĤĬ": 127442, "ĠÐļон": 127443, "Ġkê": 127444, "à¹Ĥà¸Ĺร": 127445, "èIJ½ãģ¡": 127446, "åĩºãģ¦": 127447, "ลัà¸ģษ": 127448, "Ġ×Ĵ×ij×ķ×Ķ": 127449, "ãĥĻãĥ«": 127450, "ê±°ëĤĺ": 127451, "ë§IJ": 127452, "×Ļ׾×ĵ×Ļ×Ŀ": 127453, "ĠëĦĪ": 127454, "×ŀר×Ļ": 127455, "รส": 127456, "ãĥŃãĥ³": 127457, "ило": 127458, "ноÑģÑĤÑĮÑİ": 127459, "×ĸר×Ĺ": 127460, "пон": 127461, "Ġ×Ķש׾": 127462, "ê²łìĬµëĭĪëĭ¤": 127463, "ĠkiÅŁ": 127464, "ĠÐļи": 127465, "วร": 127466, "داع": 127467, "ÅŁim": 127468, "ÙĨÙij": 127469, "ваÑĤ": 127470, "راÙĥ": 127471, "باÙĦ": 127472, "иде": 127473, "Ġ×Ķ×ŀ×Ĺ": 127474, "ìĸµ": 127475, "تÙģاع": 127476, "أت": 127477, "ëĬĺ": 127478, "ש×Ļת": 127479, "ستÙħر": 127480, "ĠÑĦак": 127481, "ĠاÙĦØ£ÙħرÙĬ": 127482, "ëŀ¨": 127483, "اسÙħ": 127484, "ĠaÄŁ": 127485, "Ġçev": 127486, "ÙĥÙĪر": 127487, "ãģķãģ¾": 127488, "Ġçöz": 127489, "Ġرس": 127490, "Äħda": 127491, "สà¸Ļุ": 127492, "ãģĹãģ¦ãģıãĤĮ": 127493, "нÑİ": 127494, "leÅŁme": 127495, "ãĤªãĥ³": 127496, "ãģ¨ãģªãĤĬ": 127497, "avaÅŁ": 127498, "×ĺ×Ļ×ij": 127499, "ØŃض": 127500, "×ķצ×IJ×ķת": 127501, "ÙĨÙħÙĪ": 127502, "ıt": 127503, "ĠÑħа": 127504, "ĠÑħаÑĢак": 127505, "ĠÑħаÑĢакÑĤеÑĢ": 127506, "ĠdÅĤ": 127507, "ãĥĹãĥ©": 127508, "à¸Ĭุม": 127509, "à¹Īà¸Ńà¸Ļ": 127510, "×ķ×ij׾": 127511, "Ñģол": 127512, "×ĵ×Ĵ": 127513, "аÑĢаÑĤ": 127514, "nivers": 127515, "ĠgerçekleÅŁtir": 127516, "ĠاÙĦÙĦÙĬ": 127517, "ระยะ": 127518, "ĠÙħختÙĦÙģ": 127519, "Ġgönder": 127520, "Ùģار": 127521, "doÄŁ": 127522, "doÄŁan": 127523, "صÙĦاØŃ": 127524, "Ġyayın": 127525, "ãĥĨãĥ³": 127526, "รวà¸Ī": 127527, "×Ļ×Ĺ×Ļ×ĵ": 127528, "ünkü": 127529, "ÑĨиалÑĮн": 127530, "à¸ļู": 127531, "มุ": 127532, "hä": 127533, "Ø®Ùģ": 127534, "å¢Ĺ": 127535, "å¢ĹãģĪ": 127536, "еÑĩно": 127537, "ĠاÙĦسÙĨ": 127538, "à¸Ĥาว": 127539, "imdi": 127540, "Ы": 127541, "à¸Ļà¸Ńà¸ģà¸Īาà¸ģ": 127542, "à¸ļาล": 127543, "תש": 127544, "Ġdüzenle": 127545, "мÑĭÑģл": 127546, "ãģıãģª": 127547, "żu": 127548, "ĠwspóÅĤ": 127549, "Ġназ": 127550, "ındaki": 127551, "ترة": 127552, "ÅŁek": 127553, "Ġöd": 127554, "ĠÙĪÙĥ": 127555, "ĠпозволÑı": 127556, "Ġת×ķ׼": 127557, "ÙħÙĨتج": 127558, "ë§ī": 127559, "ĠاÙĦØ«ÙĦاث": 127560, "аÑĨиÑİ": 127561, "ÙĪرÙĪ": 127562, "ÑĭваеÑĤ": 127563, "خصص": 127564, "ĠاÙĦÙģÙĦ": 127565, "ĠاÙĦÙģÙĦسطÙĬÙĨ": 127566, "إجر": 127567, "إجراء": 127568, "اÙĨتخ": 127569, "اÙĨتخاب": 127570, "ارÙĬØ©": 127571, "×ķÖ": 127572, "Ø¢ÙĨ": 127573, "×ŀ×¢×ķת": 127574, "Ġмал": 127575, "Ġ×IJ×Ĺ": 127576, "à¸Ĺà¹īà¸Ńà¸ĩ": 127577, "zeÅĽ": 127578, "Ġë§Įëĵ¤": 127579, "رÙĬع": 127580, "äºĭãĤĴ": 127581, "à¸ļริหาร": 127582, "׾×ŀ×Ļ×ĵ": 127583, "ĠмÑĥж": 127584, "ترÙĪ": 127585, "ĠباÙĦØ¥": 127586, "פ×Ļק": 127587, "زÙħØ©": 127588, "ĠÃ¶ÄŁrenc": 127589, "ãĥ¶": 127590, "اÙħعة": 127591, "ק×ij×ķצ": 127592, "×ŀ׳×ķת": 127593, "رÙĬÙħ": 127594, "Ġоказ": 127595, "ãģłãģijãģ©": 127596, "Ġhız": 127597, "Ġש×IJת": 127598, "ãĤ¢ãĥ¼": 127599, "Ġmożliwo": 127600, "ìĦ¼": 127601, "ÙĪاب": 127602, "огÑĢаÑĦ": 127603, "ĠعبداÙĦ": 127604, "ãĤĴè¡Į": 127605, "بÙĬÙĦ": 127606, "Ġİç": 127607, "ยาย": 127608, "ĠÑĥÑĩаÑģÑĤ": 127609, "ÑĦеÑģÑģ": 127610, "ÑĦеÑģÑģиона": 127611, "Ấ": 127612, "ÙĨÙĬÙĨ": 127613, "عدÙĦ": 127614, "สรร": 127615, "دÙĬÙĦ": 127616, "×ij×Ļק": 127617, "czyÅĤ": 127618, "ÑĢоме": 127619, "Ġмед": 127620, "ìĻĶ": 127621, "ãĥ©ãĤ¤ãĥ³": 127622, "ĠÑĤеп": 127623, "еÑĢÑĮ": 127624, "iÄŁi": 127625, "вели": 127626, "ÑĢиÑģÑĤ": 127627, "ס×ķפ": 127628, "×ŀ׾×Ĺ": 127629, "ĠاÙĦØ¥ÙĨ": 127630, "Ġ׾×Ķש": 127631, "è¶ĬãģĹ": 127632, "ĠÑĢÑĭ": 127633, "×ķ×IJר": 127634, "رÙĩاب": 127635, "פ×ķ×IJ×Ļ": 127636, "ĠгоÑģÑĥд": 127637, "ĠгоÑģÑĥдаÑĢ": 127638, "ĠгоÑģÑĥдаÑĢÑģÑĤв": 127639, "ĠاÙĦØ£ÙħÙĬر": 127640, "Ùħج": 127641, "à¹Ģหมาะ": 127642, "ÑĢев": 127643, "à¸Ĭีà¸ŀ": 127644, "ãĥķãĥĪ": 127645, "иÑĩно": 127646, "ĠاÙĦÙħؤ": 127647, "Ġiht": 127648, "íħľ": 127649, "دÙĨÙĬ": 127650, "رص": 127651, "лаÑģÑĤ": 127652, "à¹Ģหลà¹Īา": 127653, "ılır": 127654, "รà¸ĵà¹Į": 127655, "×ŀש×Ļ×ļ": 127656, "Ġdá»ĭ": 127657, "Ø·ÙģاÙĦ": 127658, "×ĺ×ķף": 127659, "Ġ×ij×Ļ׳": 127660, "ãģ¾ãģ£ãģŁ": 127661, "ложениÑı": 127662, "تØŃر": 127663, "باØŃ": 127664, "à¹Ģสืà¹īà¸Ń": 127665, "ãģĻãģĶ": 127666, "ltür": 127667, "à¸ĩาม": 127668, "Ġtü": 127669, "ĠпÑĢим": 127670, "ĠпÑĢимен": 127671, "Ġhayat": 127672, "ëĥIJ": 127673, "ëĭĮ": 127674, "׳×Ļ×ķ": 127675, "веден": 127676, "ìħ¨": 127677, "à¸Īัย": 127678, "à¸ģà¹Īà¸Ń": 127679, "Ġвод": 127680, "оÑģÑĤоÑı": 127681, "наÑĤ": 127682, "à¹ģหล": 127683, "سÙħÙĬ": 127684, "à¸Ķำà¹Ģà¸Ļ": 127685, "à¸Ķำà¹Ģà¸Ļิà¸Ļ": 127686, "wód": 127687, "öyle": 127688, "ãĥĢãĤ¤": 127689, "ÑĪий": 127690, "меÑīен": 127691, "ãģĹãģ¾ãģĨ": 127692, "ãĥīãĥ©": 127693, "ÙĪضØŃ": 127694, "à¸Ńà¸Ļุ": 127695, "ĠاÙĦاجتÙħاع": 127696, "laÅŁma": 127697, "à¸Ħà¸Ńà¸Ļ": 127698, "×ŀר×Ļ×Ŀ": 127699, "ÙĨاÙħج": 127700, "שר×ķת": 127701, "اÙĦØ£": 127702, "ĠksiÄħż": 127703, "Ġан": 127704, "ÑĢай": 127705, "اÙĩرة": 127706, "×ŀ×ĵ×Ķ": 127707, "ä¸Ģç·": 127708, "ä¸Ģç·Ĵ": 127709, "ä¸Ģç·Ĵãģ«": 127710, "ÑĢиÑĤоÑĢ": 127711, "dıkl": 127712, "à¹ģà¸ĸ": 127713, "à¹ģà¸Ĥà¹Īà¸ĩ": 127714, "екÑĤоÑĢ": 127715, "×ŀסע": 127716, "ÑĢакÑĤи": 127717, "uÄŁu": 127718, "×ķ×ijת": 127719, "สูà¸ķร": 127720, "ĠçalÄ±ÅŁm": 127721, "ĠçalÄ±ÅŁmalar": 127722, "Ġана": 127723, "ãĥĽãĥ¼ãĥł": 127724, "Ġbölüm": 127725, "Ġبص": 127726, "олоÑģ": 127727, "ĠìķĬëĬĶ": 127728, "à¹Īะ": 127729, "ÙĪتر": 127730, "ä¹Ĺ": 127731, "ستخداÙħ": 127732, "פ×Ļ×Ļס": 127733, "פ×Ļ×Ļס×ij": 127734, "פ×Ļ×Ļס×ij×ķק": 127735, "ĠкÑĢаÑģ": 127736, "лик": 127737, "رÙĬØŃ": 127738, "×ŀש׾×Ķ": 127739, "à¹Ģยีà¹Īย": 127740, "à¹Ģยีà¹Īยม": 127741, "виÑģ": 127742, "омн": 127743, "ÄŁun": 127744, "ãĥŃãĥ¼ãĥ³": 127745, "أتÙĬ": 127746, "à¸ķรี": 127747, "çĶ³ãģĹ": 127748, "تÙħر": 127749, "ìĹĪìĬµëĭĪëĭ¤": 127750, "ĠÙĪغÙĬر": 127751, "redni": 127752, "ĠاÙĦصÙģ": 127753, "ĠнаÑģÑĤоÑı": 127754, "ĠнаÑģÑĤоÑıÑī": 127755, "à¸ķรา": 127756, "ĠÑĥÑģлов": 127757, "ĠÑĥÑģловиÑı": 127758, "ÑĨеп": 127759, "×Ķ×Ĺ׾×ĺ": 127760, "Ø·ÙĬع": 127761, "ĠBakan": 127762, "ĠاÙĦرÙĪ": 127763, "илÑĮно": 127764, "ĠмеÑĤ": 127765, "à¸Ķà¸Ńà¸ģ": 127766, "ãģĭãĤīãģªãģĦ": 127767, "ĠпоÑģÑĤоÑı": 127768, "ĠпоÑģÑĤоÑıн": 127769, "ĠÑĩаÑģ": 127770, "üc": 127771, "wró": 127772, "бÑĥÑĢ": 127773, "ãĥIJãĥĥãĤ¯": 127774, "ãĥ©ãĥ³ãĥī": 127775, "ĠогÑĢ": 127776, "สัà¸į": 127777, "สัà¸įà¸įา": 127778, "มัà¹Īà¸Ļ": 127779, "à¸Ħà¸Ńม": 127780, "alık": 127781, "Ġнед": 127782, "ümüz": 127783, "ĠÅĽwie": 127784, "ério": 127785, "×Ļ×IJ×Ķ": 127786, "دÙħات": 127787, "ırl": 127788, "ĠоÑĤз": 127789, "ĠоÑĤзÑĭв": 127790, "ä»ĺãģį": 127791, "Ġkażde": 127792, "миниÑģÑĤ": 127793, "ãĤ°ãĥ«": 127794, "ë°ĸ": 127795, "езн": 127796, "اÙĦÙģ": 127797, "Ġשק׾": 127798, "Ùħض": 127799, "ãĥĿãĥ¼ãĥĪ": 127800, "ÙħÙĨت": 127801, "ÙĤÙĬاÙħ": 127802, "Ø´ÙĨ": 127803, "×Ļר×ķ×¢": 127804, "ãĤŃãĥ£ãĥ³": 127805, "доÑĢов": 127806, "×ŀ×Ļת×Ļ": 127807, "ÙĪÙĦÙĪج": 127808, "ÙĥاÙģ": 127809, "ĠÑĢазлиÑĩ": 127810, "иÑĤеÑĤ": 127811, "нолог": 127812, "ลà¸ĩà¸Ĺุà¸Ļ": 127813, "ĠyaklaÅŁ": 127814, "ãĥ¬ãĤ¤": 127815, "ê²łëĭ¤": 127816, "æ±ĤãĤģ": 127817, "رÙĪÙģ": 127818, "ĠíĬ": 127819, "ĠíĬ¹": 127820, "ãģ£ãģıãĤĬ": 127821, "à¸Ħวามà¸Ħิà¸Ķ": 127822, "×Ķ×Ļס×ĺ": 127823, "Ø¥ÙĤ": 127824, "ãģ¦ãģĦ": 127825, "à¹Ĥà¸Ĭ": 127826, "ĠBüyük": 127827, "ĠФедеÑĢ": 127828, "ÑĨин": 127829, "ÑĢова": 127830, "ĠاÙĦاÙĤتصاد": 127831, "Ġchá": 127832, "à¸ĺาà¸Ļ": 127833, "ë¥ł": 127834, "à¹Ħà¸ķ": 127835, "ÃŃpio": 127836, "Ùĭا": 127837, "ĠобÑıз": 127838, "Ùĩج": 127839, "Ġì¤ijìļĶ": 127840, "ãģ®ãģ§ãģ¯ãģªãģĦ": 127841, "باراة": 127842, "ãĤ¤ãĥ«": 127843, "ĠноÑĢм": 127844, "á»īnh": 127845, "mö": 127846, "möglich": 127847, "ÑĨип": 127848, "ãĤ¢ãĤ¯": 127849, "×Ķ×Ļ": 127850, "ÑĨиалÑĮно": 127851, "ĠÅĽwi": 127852, "تÙĤ": 127853, "ĠÑģÑĤоим": 127854, "بÙĬعÙĬ": 127855, "Ġ׾ש×ŀ": 127856, "глÑı": 127857, "глÑıд": 127858, "ãģ¦ãģıãĤĮ": 127859, "ÄĻdzi": 127860, "à¸Ĥั": 127861, "à¸Ĥัà¹īà¸Ļ": 127862, "Ø·ÙĤ": 127863, "ĠìĹŃ": 127864, "ãģ£ãģ¦ãģĹãģ¾ãģĨ": 127865, "ĠdeÄŁerl": 127866, "ĠdeÄŁerlendir": 127867, "Ġülk": 127868, "Ġмног": 127869, "à¹ĭ": 127870, "ë¿IJ": 127871, "ĠУкÑĢа": 127872, "ÄŁini": 127873, "Ġбезоп": 127874, "ĠбезопаÑģ": 127875, "à¸Ńà¸Ńà¸ģà¹ģà¸ļà¸ļ": 127876, "اظ": 127877, "ØŃداث": 127878, "леÑĢ": 127879, "×Ļ×¥": 127880, "×Ļ׳×ĺר׳×ĺ": 127881, "larınız": 127882, "ØŃÙĬØŃ": 127883, "żeli": 127884, "à¸Ńัà¸ĩ": 127885, "à¸Ńัà¸ĩà¸ģ": 127886, "à¸Ńัà¸ĩà¸ģฤษ": 127887, "ĠоÑĤлиÑĩ": 127888, "ัส": 127889, "ëŀį": 127890, "ожно": 127891, "ãĤ¹ãĥĿ": 127892, "ĠÑħоÑĩ": 127893, "Ġкап": 127894, "еÑĩен": 127895, "ØŃÙĦØ©": 127896, "ÙĬاÙĩ": 127897, "нал": 127898, "×ķצר×Ļ×Ŀ": 127899, "Ġkald": 127900, "åĥį": 127901, "ĠاÙĦشخص": 127902, "Ġзна": 127903, "Ġwzgl": 127904, "życz": 127905, "ê°Ŀ": 127906, "à¸ŀลัà¸ĩ": 127907, "íģ¼": 127908, "Ġöl": 127909, "Ġbụ": 127910, "Ø´Ùĩر": 127911, "Ġзам": 127912, "Ġдев": 127913, "×Ļ×ĺת": 127914, "تعÙĦÙĤ": 127915, "ÙĪÙħØ©": 127916, "ãĤĴä½ľ": 127917, "ãģįãģ¦": 127918, "íĥĿ": 127919, "rasında": 127920, "ãĤĴæİ¢": 127921, "ĠÙħباشر": 127922, "راجع": 127923, "Ġвозд": 127924, "ÙħØŃا": 127925, "×ķשר": 127926, "ĠиÑģÑĤоÑĢ": 127927, "มัà¸ģ": 127928, "tıģ": 127929, "ثار": 127930, "ترÙĨت": 127931, "à¹ģà¸Ĥà¹ĩ": 127932, "à¹ģà¸Ĥà¹ĩà¸ĩ": 127933, "поÑĩ": 127934, "Ġ×ij×IJ×ķת": 127935, "ë¯Ģ": 127936, "ëĿ¼ëıĦ": 127937, "à¸Ĭัà¸Ķ": 127938, "สà¸ķà¹Į": 127939, "ãĥĭãĥĥãĤ¯": 127940, "иденÑĤ": 127941, "ĠгÑĢÑĥпп": 127942, "تخ": 127943, "áºł": 127944, "ยืà¸Ļ": 127945, "ยัà¸Ļ": 127946, "óry": 127947, "TÃľ": 127948, "ãģĹãĤĥ": 127949, "ĠпÑĢовед": 127950, "лÑıеÑĤ": 127951, "ÙħØ®": 127952, "ยà¸Ńม": 127953, "×Ľ×ł×¡×ª": 127954, "ĠاÙĦÙħÙĨت": 127955, "Ġolmad": 127956, "ר׼×ĸ×Ļ": 127957, "ĠвÑģÑĤÑĢ": 127958, "ĠиÑģÑģлед": 127959, "ÑĤвеÑĢж": 127960, "بدÙĪ": 127961, "еÑĢÑĤ": 127962, "ï»·": 127963, "±ħ": 127964, "สัมà¸ŀัà¸Ļà¸ĺà¹Į": 127965, "ิà¹Īà¸Ļ": 127966, "צ×Ļ×ij": 127967, "wiÄĻt": 127968, "Ġì°¸": 127969, "ĠzwiÄħz": 127970, "سبÙĪع": 127971, "ãĥĥãĤ°": 127972, "à¸Ľà¸¥à¸Ńà¸Ķ": 127973, "à¸Ľà¸¥à¸Ńà¸Ķà¸łà¸±à¸¢": 127974, "ãĤĤãĤĬ": 127975, "ÙĤدس": 127976, "Ġsprz": 127977, "Ġsprzeda": 127978, "Ġistedi": 127979, "Ġkhu": 127980, "Ġден": 127981, "ĠkoÅĦ": 127982, "Ġ×ij×Ĺ×Ļ": 127983, "à¹Ģà¸Ĺà¹īา": 127984, "×ķס×Ļ×£": 127985, "ãĥĭãĥ¥ãĥ¼": 127986, "ĠпÑĢедоÑģÑĤ": 127987, "ĠпÑĢедоÑģÑĤав": 127988, "à¹Ĥà¸Ł": 127989, "év": 127990, "ĠاÙĦصØŃ": 127991, "صØŃاب": 127992, "à¹Ģà¸Īà¹ĩà¸ļ": 127993, "влек": 127994, "วัà¸ķ": 127995, "à¸ĸุ": 127996, "ãģĵãģ¨ãģĮãģ§ãģįãģ¾ãģĻ": 127997, "ÙĤÙĬÙĤÙĬ": 127998, "×ķ×Ĺר": 127999, "ÑĭÑĪ": 128000, "ĠоÑĤно": 128001, "ĠоÑĤноÑĪ": 128002, "обилÑĮ": 128003, "ÙģØŃ": 128004, "ınt": 128005, "ıntı": 128006, "Ġ׾×ij×ĵ": 128007, "íİĺìĿ´ì§Ģ": 128008, "ãĥĬãĥ«": 128009, "ĠÙħساء": 128010, "×Ļ×ĺ×ij": 128011, "ÑĮеÑĢ": 128012, "ëĦ·": 128013, "ÑĭÑĤа": 128014, "ĠоÑĩеÑĢ": 128015, "à¸Ķืà¹Ī": 128016, "à¸Ķืà¹Īม": 128017, "ĠNgh": 128018, "تعب": 128019, "ÙĦاÙĤات": 128020, "×ķ׾×ķ×Ĵ×Ļ×Ķ": 128021, "ĠìĿ´ê²ĥ": 128022, "Ġ×Ķ×ijר": 128023, "ìľµ": 128024, "à¹Ģà¸Ħลืà¹Īà¸Ńà¸Ļ": 128025, "ÙĩØ©": 128026, "à¸Īำà¹Ģà¸Ľà¹ĩà¸Ļ": 128027, "å¤īãģĪ": 128028, "wiÅĽcie": 128029, "chod": 128030, "chodzÄħ": 128031, "вÑĢо": 128032, "×ŀ×Ĺ×Ļר": 128033, "Ġyı": 128034, "Ġyıll": 128035, "ì¡Į": 128036, "à¹Ħหว": 128037, "ãģªãģıãģª": 128038, "ĠзавиÑģ": 128039, "ĠìĺĪìĪĺ": 128040, "ÙģØ°": 128041, "ủng": 128042, "à¸ŀุà¸Ĺà¸ĺ": 128043, "зн": 128044, "layan": 128045, "ãĤ¡": 128046, "à¸ģà¹ĩà¸ķาม": 128047, "ĠsaÄŁlam": 128048, "รà¸ĵ": 128049, "ĠÑģиÑĤ": 128050, "ĠÑģиÑĤÑĥ": 128051, "ĠاÙĦتÙĨ": 128052, "×Ķ×ĸ": 128053, "ĠØ·ÙĪÙĬÙĦ": 128054, "taÅĤ": 128055, "Ġgörd": 128056, "å¤īãĤı": 128057, "ëĥ¥": 128058, "à¸Ħà¹Īà¸Ńย": 128059, "×IJ×ķ×ĺ": 128060, "ëħIJ": 128061, "ãĥ©ãĥ³ãĤ¹": 128062, "วัà¸Ĵ": 128063, "วัà¸Ĵà¸Ļ": 128064, "ĠoluÅŁ": 128065, "פע×ķ׾": 128066, "ĠszczegóÅĤ": 128067, "à¸Ħาสิ": 128068, "à¸Ħาสิà¹Ĥà¸Ļ": 128069, "powied": 128070, "ĠÑĤеб": 128071, "หà¸Ļà¹Īวย": 128072, "Ġмил": 128073, "ØŃÙĥ": 128074, "à¸Ĺà¸Ķ": 128075, "ĠмаÑĤеÑĢиал": 128076, "ÅĤow": 128077, "à¹Ģà¸ģีย": 128078, "ĠÑģовеÑĢ": 128079, "ãĤ©": 128080, "à¸Ľà¸£à¸´": 128081, "ĠиÑİ": 128082, "наÑĩен": 128083, "ÑĢенд": 128084, "muÅŁtur": 128085, "ĠпÑĢодÑĥк": 128086, "зд": 128087, "ÑıÑĤи": 128088, "ÑıÑĤиÑı": 128089, "à¹Ģมีย": 128090, "راتÙĬج": 128091, "Ġamacı": 128092, "ש×ķ׾": 128093, "ש×ķ׾×Ĺ": 128094, "สะà¸Ńา": 128095, "สะà¸Ńาà¸Ķ": 128096, "פ×Ĵ×¢": 128097, "عبة": 128098, "dın": 128099, "íħĶ": 128100, "Ġ×ŀש×Ĺק": 128101, "Ġfiyat": 128102, "ĠзаÑı": 128103, "ĠзаÑıв": 128104, "à¹Ĥหล": 128105, "à¹Ĥหลà¸Ķ": 128106, "à¸ģรุà¸ĩà¹Ģà¸Ĺà¸ŀ": 128107, "צ×Ļ×Ļף": 128108, "ìļ±": 128109, "Ùħب": 128110, "Ùħباد": 128111, "landır": 128112, "ĠвеÑģÑĮ": 128113, "Ġhük": 128114, "ĠÐĴоз": 128115, "ÑĩиÑĤÑĭва": 128116, "วล": 128117, "×ķצע": 128118, "à¸Ĥà¸ĵะà¸Ĺีà¹Ī": 128119, "ĠaÅŁaģı": 128120, "׾×IJ×ķ×ŀ×Ļ": 128121, "trzym": 128122, "Ã¤ÃŁig": 128123, "owoÅĽci": 128124, "ãģĿãĤĤ": 128125, "ĠrozwiÄħz": 128126, "ĠgÅĤówn": 128127, "монÑĤ": 128128, "×ŀ×ķ×ŀ": 128129, "ĠÑģÑĤан": 128130, "ÙĦاÙĤØ©": 128131, "prowad": 128132, "prowadzi": 128133, "ĠÑģоÑģÑĤоÑı": 128134, "×Ļ×IJ×ķת": 128135, "rı": 128136, "gı": 128137, "ãĥijãĥij": 128138, "ĠналиÑĩ": 128139, "×Ķצע": 128140, "Ġ׳×Ķ": 128141, "à¸Ħัà¸ļ": 128142, "عراض": 128143, "иж": 128144, "ÙĩائÙĬ": 128145, "ãĤīãģı": 128146, "ожеÑĤ": 128147, "ĠобоÑĢ": 128148, "ĠобоÑĢÑĥд": 128149, "أسÙĦ": 128150, "à¹ĩà¸Ķ": 128151, "ÑĢÑĥÑĤ": 128152, "دÙĬÙħÙĤ": 128153, "دÙĬÙħÙĤرا": 128154, "Ġjeste": 128155, "×ķ×ķ×Ļר": 128156, "×ij×ĵ×Ļק": 128157, "деÑĢжива": 128158, "ãģĬãģı": 128159, "ewnÄĻtr": 128160, "ewnÄĻtrzn": 128161, "à¸ŀฤ": 128162, "Ġ×IJ×ķ×Ķ": 128163, "ת×Ĺ×ķש": 128164, "Ġzob": 128165, "дÑĥм": 128166, "ĠÑģÑĭ": 128167, "ÙĬرا": 128168, "ĠwiÄĻks": 128169, "à¹ģà¸ķà¸ģà¸ķà¹Īาà¸ĩ": 128170, "lararas": 128171, "lararası": 128172, "íĺĢ": 128173, "ëī´": 128174, "×ķ×Ĵ׾": 128175, "ĠоÑĤмеÑĤ": 128176, "ĠÑĢан": 128177, "تÙĥÙĦ": 128178, "иÑĤелÑĮн": 128179, "à¸Ľà¸£à¸°à¸§à¸±": 128180, "à¸Ľà¸£à¸°à¸§à¸±à¸ķิ": 128181, "ìŀĸ": 128182, "можно": 128183, "pieczeÅĦ": 128184, "pieczeÅĦst": 128185, "못": 128186, "ìĬ¨": 128187, "×ŀס×ŀ": 128188, "Ủ": 128189, "ศิ": 128190, "ศิล": 128191, "à¸¨à¸´à¸¥à¸Ľ": 128192, "ĠÅļw": 128193, "ãĥĥãĤ·ãĥ§ãĥ³": 128194, "unitÃł": 128195, "Ġmieszka": 128196, "ĠmieszkaÅĦ": 128197, "przed": 128198, "przedsi": 128199, "przedsiÄĻb": 128200, "przedsiÄĻbior": 128201, "à¸Ľà¸£à¸°à¸ªà¸´à¸Ĺà¸ĺิ": 128202, "à¸Ľà¸£à¸°à¸ªà¸´à¸Ĺà¸ĺà¸´à¸łà¸²à¸ŀ": 128203, "ยà¹Ī": 128204, "ìķĻ": 128205, "รวà¸Ķ": 128206, "รวà¸Ķà¹Ģรà¹ĩว": 128207, "å½ĵãģŁãĤĬ": 128208, "älle": 128209, "ÑĥеÑĤÑģÑı": 128210, "ãn": 128211, "ëłµ": 128212, "thè": 128213, "ãĤĴåĪ©çĶ¨": 128214, "ìµľ": 128215, "íĵ¨": 128216, "à¸Ĺัà¸ļ": 128217, "าà¸Ħม": 128218, "ãģĩ": 128219, "ëĤĮ": 128220, "à¹Ģà¸Ľà¸¥à¹Īา": 128221, "â¦": 128222, "ë¾": 128223, "êĢ": 128224, "êĩ": 128225, "â¡": 128226, "ðŁŁ": 128227, "ãIJ": 128228, "âº": 128229, "áŃ": 128230, "áĻ": 128231, "áĵ": 128232, "á²": 128233, "ðĵı": 128234, "á¬": 128235, "â¯": 128236, "ä¨": 128237, "êĿ": 128238, "ê«": 128239, "ðij": 128240, "ðĵĥ": 128241, "ðĿħ": 128242, "": 128244, "": 128245, "": 128247, "ĠعÙĦÙī": 128248, "Ġmá»Ļt": 128249, "ĠvỼi": 128250, "ĠngÆ°á»Ŀi": 128251, "ĠØ¥ÙĦÙī": 128252, "Ġnhững": 128253, "Ġthá»ĥ": 128254, "Ġ×IJ×ķ": 128255, "Ġ×¢×Ŀ": 128256, "اÙĭ": 128257, "Ġà¹ģละ": 128258, "ĠÙĦا": 128259, "ĠnhÆ°": 128260, "ĠاÙĦتÙĬ": 128261, "Ġ×Ķ×ķ×IJ": 128262, "ĠÄijến": 128263, "ĠØ£ÙĪ": 128264, "Ġvá»ģ": 128265, "ĠlÃłm": 128266, "Ġsẽ": 128267, "ĠcÅ©ng": 128268, "Ġợ": 128269, "ĠÄijó": 128270, "Ġnhiá»ģu": 128271, "Ġtại": 128272, "Ġtrên": 128273, "Ġ×Ĵ×Ŀ": 128274, "ĠnhÃł": 128275, "Ġ׼×Ļ": 128276, "Ġsá»±": 128277, "ĠÄijầu": 128278, "Ġbá»ĭ": 128279, "ĠÙĩذا": 128280, "Ġnhất": 128281, "Ġphải": 128282, "Ġhiá»ĩn": 128283, "Ġdụng": 128284, "ĠÄijá»Ļng": 128285, "ĠاÙĦÙĦÙĩ": 128286, "ĠØĮ": 128287, "ĠÙĥÙĦ": 128288, "Ġviá»ĩc": 128289, "ĠnÄĥm": 128290, "Ġthì": 128291, "Ġhá»įc": 128292, "ĠÙĪت": 128293, "té": 128294, "ĠاÙĨ": 128295, "Ġtôi": 128296, "Ġ×IJ׳×Ļ": 128297, "Ġ׾×Ļ": 128298, "Ġ×ŀ×ķ": 128299, "ĠngÃły": 128300, "ĠnÆ°á»Ľc": 128301, "Ġ×Ķ×Ļ×IJ": 128302, "Ġ×IJ×Ļ": 128303, "ĠhÆ¡n": 128304, "ĠÙĩØ°Ùĩ": 128305, "ĠÙĪÙĬ": 128306, "ĠاÙĦØ°ÙĬ": 128307, "Ġ×ķ×ŀ": 128308, "Ġgiá": 128309, "Ġnhân": 128310, "ĠchÃŃnh": 128311, "Ġmình": 128312, "ĠÐĿа": 128313, "Ġthế": 128314, "Ġ×Ļ×ķתר": 128315, "Ġ×IJ×Ŀ": 128316, "Ġnên": 128317, "Ġhợ": 128318, "Ġhợp": 128319, "Ġcòn": 128320, "ĠÙĩÙĪ": 128321, "ĠcÆ¡": 128322, "Ġrất": 128323, "ĠViá»ĩt": 128324, "Ġبعد": 128325, "Ġש×Ļ": 128326, "Ġthá»Ŀi": 128327, "Ġcách": 128328, "ĠÄijá»ĵng": 128329, "Ġно": 128330, "ĠtrÆ°á»Ŀng": 128331, "ØŁ": 128332, "ĠÄijá»ĭnh": 128333, "ĠÄijiá»ģu": 128334, "×Ļ×Ļ×Ŀ": 128335, "Ġthá»±c": 128336, "nın": 128337, "Ġhình": 128338, "Ġnói": 128339, "Ġcùng": 128340, "Ġ×Ķ×Ķ": 128341, "ĠØ¥ÙĨ": 128342, "Ġ×IJ×ij׾": 128343, "ĠnhÆ°ng": 128344, "Ġbiết": 128345, "Ġже": 128346, "Ġchúng": 128347, "ĠÄijang": 128348, "ĠØ°ÙĦÙĥ": 128349, "Ġlên": 128350, "Ġkhách": 128351, "ĠnÃło": 128352, "Ġsá»Ń": 128353, "Ġkhác": 128354, "Ġë°ı": 128355, "Ġlý": 128356, "×Ļ×Ļ": 128357, "ĠÄijây": 128358, "Ġ׾×ŀ": 128359, "Ġcần": 128360, "Ġtrình": 128361, "Ġphát": 128362, "ãģ«ãĤĤ": 128363, "по": 128364, "ĠnÄĥng": 128365, "Ġbá»Ļ": 128366, "Ġvụ": 128367, "ĠÄijá»Ļ": 128368, "Ñĩе": 128369, "ĠnháºŃn": 128370, "ĠtrÆ°á»Ľc": 128371, "Ġ×¢×ĵ": 128372, "ĠhÃłnh": 128373, "ĠØ®ÙĦاÙĦ": 128374, "Ġlượng": 128375, "Ġcấp": 128376, "Ġtá»±": 128377, "Ġvì": 128378, "ĠtÆ°": 128379, "Ġchất": 128380, "Ġ׼×ŀ×ķ": 128381, "Ġgì": 128382, "Ġש׳": 128383, "Ġtế": 128384, "ת×ķ": 128385, "Ġnghiá»ĩp": 128386, "Ġmặt": 128387, "ĠÙĥÙħا": 128388, "Ġ×ij×Ļף": 128389, "Ġרק": 128390, "Ġthấy": 128391, "Ġmáy": 128392, "ĠÙģÙī": 128393, "Ġdân": 128394, "Ġ×IJ×Ĺ×ĵ": 128395, "Ġtâm": 128396, "Ġ׼×ļ": 128397, "Ġ׾×ķ": 128398, "во": 128399, "Ġtác": 128400, "ĠtoÃłn": 128401, "ĠÙĪÙħ": 128402, "Ġkết": 128403, "Ġหรืà¸Ń": 128404, "ĠÙĪاÙĦÙħ": 128405, "ĠÄijiá»ĥm": 128406, "Ġ×ĸ×ķ": 128407, "Ġ×ij×ķ": 128408, "׼×ķת": 128409, "Ġhá»Ļi": 128410, "Ġbằng": 128411, "تÙĩا": 128412, "Ġ׼×ĵ×Ļ": 128413, "Ġ×Ķ×Ŀ": 128414, "Ġxuất": 128415, "ĠÙĤد": 128416, "Ġbảo": 128417, "Ġtá»ijt": 128418, "Ġtình": 128419, "ĠÙĩÙĬ": 128420, "ĠÄijá»iji": 128421, "Ġthiết": 128422, "Ġhiá»ĩu": 128423, "Ġtiếp": 128424, "Ġtạo": 128425, "ת×Ķ": 128426, "Ġchủ": 128427, "oÅĽÄĩ": 128428, "Ġgiú": 128429, "Ġgiúp": 128430, "Ġý": 128431, "Ġquả": 128432, "Ġloại": 128433, "Ġcô": 128434, "Ġô": 128435, "Ġông": 128436, "Ġ×Ķ×ķ": 128437, "ĠاÙĦÙĬÙĪÙħ": 128438, "ĠtÃŃnh": 128439, "га": 128440, "Ġphòng": 128441, "ĠÄĥn": 128442, "ĠعاÙħ": 128443, "Ġvá»ĭ": 128444, "larını": 128445, "rÃŃa": 128446, "ĠtỼi": 128447, "ĠÄijÆ°á»Ŀng": 128448, "ĠgiỼi": 128449, "Ġbản": 128450, "Ġcầu": 128451, "Ġnhiên": 128452, "Ġbá»ĩnh": 128453, "ĠthÆ°á»Ŀng": 128454, "Ġ×IJ×Ļף": 128455, "ĠÄijá»ģ": 128456, "Ġhá»ĩ": 128457, "Ġ×Ļשר×IJ׾": 128458, "Ġquá": 128459, "ĠÐĹа": 128460, "ãģ®ãģ§ãģĻãģĮ": 128461, "ĠÐŁÑĢи": 128462, "Ġphần": 128463, "ĠÙĪÙĦا": 128464, "ĠlỼn": 128465, "Ġtrá»ĭ": 128466, "Ġcảm": 128467, "Ġмо": 128468, "Ġdùng": 128469, "ĠاÙĦÙī": 128470, "ĠعÙĦÙĬÙĩ": 128471, "ĠìŀĪìĬµëĭĪëĭ¤": 128472, "ÙĬÙĤ": 128473, "ĠÙĤبÙĦ": 128474, "Ġhoặc": 128475, "ĠØŃÙĬØ«": 128476, "Ġà¸Ĺีà¹Ī": 128477, "ĠغÙĬر": 128478, "ĠÄijại": 128479, "Ġsá»ijng": 128480, "нÑĭми": 128481, "Ġthức": 128482, "Ġפ×Ļ": 128483, "ĠÄijiá»ĩn": 128484, "ãģªãģĭãģ£ãģŁ": 128485, "Ġgiải": 128486, "Ġvẫn": 128487, "ĠиÑħ": 128488, "Ġönce": 128489, "ĠváºŃy": 128490, "Ġmuá»ijn": 128491, "Ġảnh": 128492, "à¹ĥà¸Ļà¸ģาร": 128493, "ĠQuá»ijc": 128494, "Ġkế": 128495, "׳×IJ": 128496, "Ġס×Ļ": 128497, "Ġyêu": 128498, "ãģ®ãģĭ": 128499, "ĠÄijẹ": 128500, "ĠÄijẹp": 128501, "Ġchức": 128502, "Ġyıl": 128503, "ĠTürkiye": 128504, "dé": 128505, "ĠÙĤاÙĦ": 128506, "Ġdá»ĭch": 128507, "ĠolduÄŁu": 128508, "Ġchá»įn": 128509, "ĠتÙħ": 128510, "หà¸Ļึà¹Īà¸ĩ": 128511, "ãģķãĤĮãģŁ": 128512, "Ġpháp": 128513, "ìĽĶ": 128514, "Ġtiá»ģn": 128515, "ãģĹãģ¾ãģĹãģŁ": 128516, "Ġש׾×IJ": 128517, "ÙĦØ©": 128518, "Ġ׾פ׳×Ļ": 128519, "Ġ×ij×Ļת": 128520, "ĠHÃł": 128521, "ĠØŃت": 128522, "ĠØŃتÙī": 128523, "Ġ×¢×ķ×ĵ": 128524, "Ġnó": 128525, "Ġtháng": 128526, "à¹Ģลืà¸Ńà¸ģ": 128527, "ר×Ķ": 128528, "ĠtÄĥng": 128529, "Ġcái": 128530, "Ġtriá»ĥn": 128531, "Ġ×IJ×ķת×ķ": 128532, "ìłģìĿ¸": 128533, "ĠCông": 128534, "Ġ׾×Ķ×Ļ×ķת": 128535, "Ġгода": 128536, "иÑİ": 128537, "Ġبعض": 128538, "Ġà¸ģาร": 128539, "èī¯ãģĦ": 128540, "ÙĪت": 128541, "Ġliên": 128542, "ĠÐĿо": 128543, "ĠÐĿе": 128544, "çļĦãģª": 128545, "ĠÙħت": 128546, "ĠÑĤакже": 128547, "ĠкоÑĤоÑĢÑĭе": 128548, "Ġ×Ļ×ĵ×Ļ": 128549, "Ġtrá»įng": 128550, "ãĤµãĤ¤ãĥĪ": 128551, "ìłģìľ¼ë¡ľ": 128552, "ĠtáºŃp": 128553, "Ġש׾×Ļ": 128554, "íķĺê²Į": 128555, "ĠtÃłi": 128556, "ĠЯ": 128557, "Ġrá»ĵi": 128558, "اÙĥ": 128559, "ĠthÆ°Æ¡ng": 128560, "Ġ×Ķ×ĸ×Ķ": 128561, "ĠÙĪÙħÙĨ": 128562, "à¸Ĺีà¹Īมี": 128563, "Ġcuá»Ļc": 128564, "Ġbüyük": 128565, "ãģ¨ãģĭ": 128566, "Ġ×ij×Ļ×ķתר": 128567, "Ġlần": 128568, "Ġgöre": 128569, "Ġtrợ": 128570, "Ġ×ĺ×ķ×ij": 128571, "ÑĤÑĮÑģÑı": 128572, "Ġthá»ijng": 128573, "Ġ׼ש": 128574, "Ġtiêu": 128575, "Ġ×ŀ×IJ×ķ×ĵ": 128576, "ØĽ": 128577, "kÄħ": 128578, "Ġà¹ĥà¸Ļ": 128579, "Ġvấn": 128580, "Ġש׾×ķ": 128581, "ĠÄijá»ģu": 128582, "Ùģت": 128583, "Ġê²ĥìĿ´": 128584, "Ġhóa": 128585, "ĠاÙĦعاÙħ": 128586, "ĠÙĬÙĪÙħ": 128587, "кой": 128588, "Ġbiá»ĩt": 128589, "ÑģÑĤо": 128590, "Ġ×Ķ×Ļ×ķ": 128591, "à¸Ĺีà¹Īà¸Īะ": 128592, "Ġ×ĵ×Ļ": 128593, "Ġ×IJ×ļ": 128594, "Ġán": 128595, "صÙĪر": 128596, "ĠtrÃŃ": 128597, "ĠÐŁÑĢо": 128598, "Ġlá»±c": 128599, "ãģĹãģ¦ãģĦãģ¾ãģĻ": 128600, "ĠbÃłi": 128601, "Ġ×ĸ×IJת": 128602, "Ġbáo": 128603, "à¸ļà¸Ļ": 128604, "ĠëĮĢíķľ": 128605, "Ġtiế": 128606, "Ġtiếng": 128607, "Ġbên": 128608, "ãģķãĤĮãĤĭ": 128609, "sión": 128610, "Ġtìm": 128611, "×¢×ķ": 128612, "mé": 128613, "ниÑı": 128614, "ãģ»ãģ©": 128615, "Ġà¹Ģà¸ŀราะ": 128616, "بة": 128617, "Ġë¶Ħ": 128618, "Ġ×IJ×ĸ": 128619, "à¸Ĺà¹Īาà¸Ļ": 128620, "ת×Ŀ": 128621, "Ġthêm": 128622, "Ġhoạt": 128623, "yı": 128624, "×ĸ×ķ": 128625, "Ġgiá»Ŀ": 128626, "Ġbán": 128627, "à¸Ĥาย": 128628, "Ñĩа": 128629, "Ġà¹Ĩ": 128630, "ĠاÙĦÙħت": 128631, "ĠоÑĩенÑĮ": 128632, "Ġbất": 128633, "Ġtrẻ": 128634, "ÑĤÑĢ": 128635, "ĠØ£ÙĨÙĩ": 128636, "ĠØ«Ùħ": 128637, "Ġ׼×ŀ×Ķ": 128638, "Ġkhó": 128639, "Ġrằng": 128640, "ĠÙĪÙģÙĬ": 128641, "ний": 128642, "ĠhoÃłn": 128643, "tó": 128644, "Ġ×IJשר": 128645, "ĠìĥĿê°ģ": 128646, "Ñģа": 128647, "Ġ׼×ijר": 128648, "ĠÑįÑĤом": 128649, "larının": 128650, "ĠchÆ°a": 128651, "зи": 128652, "Ġdẫn": 128653, "ĠÐļак": 128654, "جÙĪ": 128655, "ĠбÑĭло": 128656, "ĠÙĬت": 128657, "nı": 128658, "ÅĤam": 128659, "ĠÙĪÙĩÙĪ": 128660, "×ij×ķ": 128661, "пи": 128662, "רת": 128663, "Ġquá»ijc": 128664, "жд": 128665, "ĠÄijÆ¡n": 128666, "Ùĥتب": 128667, "Ġmắt": 128668, "ระà¸ļ": 128669, "ระà¸ļà¸ļ": 128670, "ĠÙĥاÙĨت": 128671, "Ġthân": 128672, "สิà¸Ļà¸Ħà¹īา": 128673, "×Ĵ×Ļ": 128674, "ĠphÆ°Æ¡ng": 128675, "à¹Ħมà¹Īà¹Ħà¸Ķà¹ī": 128676, "ĠìĦ±": 128677, "ĠCác": 128678, "Ġ×Ķ×ŀ×ķ": 128679, "ĠÑĤем": 128680, "Ġ×ĵ×ķ": 128681, "à¸Ńะà¹Ħร": 128682, "ĠvÄĥn": 128683, "ãģªãģ®ãģ§": 128684, "ĠNá»Ļi": 128685, "Ġ×¢×ķ": 128686, "ãĤīãĤĮãĤĭ": 128687, "Ġsáng": 128688, "Ġgöster": 128689, "ãģĵãģ¨ãĤĴ": 128690, "Ġtarafından": 128691, "Ġма": 128692, "ĠпоÑģле": 128693, "Ġ׳×Ļת": 128694, "Ġ׳×Ļ×ª×Ł": 128695, "ĠлеÑĤ": 128696, "Ġ׾׳×ķ": 128697, "ÑģÑģ": 128698, "Ġ×Ļ×ķ": 128699, "пе": 128700, "ĠÙĪÙĦÙĥ": 128701, "ĠÙĪÙĦÙĥÙĨ": 128702, "ĠngoÃłi": 128703, "ĠÄijá»ĭa": 128704, "rzÄħd": 128705, "dziaÅĤ": 128706, "ĠÙħر": 128707, "иÑĤÑĮÑģÑı": 128708, "Ġ×IJ×Ĺר×Ļ": 128709, "Ġ׾׼׾": 128710, "à¸Ĥà¹īà¸Ńม": 128711, "à¸Ĥà¹īà¸Ńมูล": 128712, "Ġбол": 128713, "Ġболее": 128714, "جÙħع": 128715, "леÑĤ": 128716, "Ġlá»ĭch": 128717, "ĠÙħØ«ÙĦ": 128718, "Ġê·¸ë¦¬ê³ł": 128719, "Ġthứ": 128720, "ĠdeÄŁil": 128721, "ÙĪØŃ": 128722, "Ġש׾×ļ": 128723, "ĠÙħØŃÙħد": 128724, "Ġnếu": 128725, "ĠÄijá»ķi": 128726, "Ġvừa": 128727, "Ġmá»įi": 128728, "Ġони": 128729, "Ġlúc": 128730, "ĠÙĬÙĥÙĪÙĨ": 128731, "ì§Ī": 128732, "Ġש׾׳×ķ": 128733, "ĠÐĶо": 128734, "Ġש׳×Ļ": 128735, "ลิ": 128736, "×IJפשר": 128737, "Ġsức": 128738, "ê¶Į": 128739, "Ġứng": 128740, "à¹Ħมà¹Īมี": 128741, "Ø·ÙĦب": 128742, "ĠÑĩем": 128743, "Ġchuyên": 128744, "ĠthÃŃch": 128745, "Ġ×ķ×Ļ": 128746, "íķ©": 128747, "ĠÙħصر": 128748, "до": 128749, "ĠÄijất": 128750, "Ġchế": 128751, "à¸Ĭืà¹Īà¸Ń": 128752, "Ġìĭł": 128753, "Ġإذا": 128754, "ĠرئÙĬس": 128755, "Ġש×Ļש": 128756, "Ġgiảm": 128757, "Ñģка": 128758, "larında": 128759, "Ġsợ": 128760, "ĠtÃŃch": 128761, "ĠÙĦÙĥÙĨ": 128762, "ĠبÙħ": 128763, "×¢×ķ×ij": 128764, "×¢×ķ×ij×ĵ": 128765, "ÅĤÄħcz": 128766, "larına": 128767, "Ġש×Ŀ": 128768, "ĠÙĦت": 128769, "Ġש×Ķ×ķ×IJ": 128770, "tów": 128771, "Ġëĭ¤ë¥¸": 128772, "ĠØ£Ùĥثر": 128773, "ãģ®ãģ§ãģĻ": 128774, "׼×Ļ×Ŀ": 128775, "ĠolduÄŁunu": 128776, "ãģĭãģª": 128777, "ãĤĤãģĨ": 128778, "ÙĬØŃ": 128779, "Ġnhìn": 128780, "Ġnghá»ĩ": 128781, "ãģ«ãģªãģ£ãģ¦": 128782, "па": 128783, "Ġquyết": 128784, "ÙĦÙĤ": 128785, "tá": 128786, "Ġluôn": 128787, "ĠÄijặc": 128788, "Ġ×IJר": 128789, "Ġtuá»ķi": 128790, "são": 128791, "ìĻ¸": 128792, "رد": 128793, "ĠبÙĩا": 128794, "Ġ×Ķ×Ļ×ķ×Ŀ": 128795, "×ķ×ķ×Ļ": 128796, "ãģ§ãģĻãģŃ": 128797, "ĠÑĤого": 128798, "Ġthủ": 128799, "ãģĹãģŁãģĦ": 128800, "رÙĤ": 128801, "Ġbắt": 128802, "гÑĥ": 128803, "Ġtá»Ń": 128804, "ÑĪа": 128805, "Ġà¸Ľà¸µ": 128806, "Ġ×Ķ×IJ×Ŀ": 128807, "íı¬": 128808, "ża": 128809, "Ġ×IJת×Ķ": 128810, "Ġná»Ļi": 128811, "ĠphÃŃ": 128812, "ĠÅŁekilde": 128813, "Ġlá»Ŀi": 128814, "dıģı": 128815, "Ġ׼×IJף": 128816, "Ġtüm": 128817, "Ġmạnh": 128818, "ĠMỹ": 128819, "ãģĿãĤĵãģª": 128820, "Ġnhá»ı": 128821, "ãģªãģĮãĤī": 128822, "Ġbình": 128823, "ıp": 128824, "à¸ŀา": 128825, "ĠÄijánh": 128826, "ĠÙĪÙĦ": 128827, "ר×ķת": 128828, "Ġ×IJ×Ļ×ļ": 128829, "Ġchuyá»ĥn": 128830, "Ùĥا": 128831, "ãĤĮãĤĭ": 128832, "à¹ģมà¹Ī": 128833, "ãĤĪãģı": 128834, "ĠÙĪÙĤد": 128835, "íĸĪëĭ¤": 128836, "ĠnÆ¡i": 128837, "ãģ«ãĤĪãģ£ãģ¦": 128838, "Ġviết": 128839, "Ġà¹Ģà¸ŀืà¹Īà¸Ń": 128840, "ëIJĺëĬĶ": 128841, "ادÙĬ": 128842, "ĠÙģØ¥ÙĨ": 128843, "ì¦Ŀ": 128844, "ĠÄijặt": 128845, "ĠhÆ°á»Ľng": 128846, "Ġxã": 128847, "Ġönemli": 128848, "ãģłãģ¨": 128849, "Ġmẹ": 128850, "Ġ×ij×Ļ": 128851, "Ġ×ĵ×ijר": 128852, "ĠváºŃt": 128853, "ĠÄijạo": 128854, "Ġdá»±ng": 128855, "ĠÑĤом": 128856, "ĠÙģÙĬÙĩا": 128857, "ĠجÙħÙĬع": 128858, "ĠthuáºŃt": 128859, "stÄĻp": 128860, "Ġtiết": 128861, "Ø´ÙĬ": 128862, "ĠеÑīе": 128863, "ãģĻãĤĭãģ¨": 128864, "ĠmÃłu": 128865, "ĠÑįÑĤого": 128866, "Ġvô": 128867, "ĠÐŃÑĤо": 128868, "ĠtháºŃt": 128869, "Ġnữa": 128870, "Ġbiến": 128871, "Ġnữ": 128872, "Ġ׾׼×Ŀ": 128873, "×Ļ×Ļף": 128874, "Ġست": 128875, "ĠÐŀÑĤ": 128876, "Ġphụ": 128877, "ê¹Įì§Ģ": 128878, "Ġ׾×ļ": 128879, "Ġkỳ": 128880, "à¹ĥà¸Ħร": 128881, "Ġgây": 128882, "ĠÙĦÙĦÙħ": 128883, "Ġtục": 128884, "تÙĬÙĨ": 128885, "Ġtrợ": 128886, "Ġ׾פ×Ļ": 128887, "Ġbá»ij": 128888, "ĠÐļа": 128889, "ĠÄijình": 128890, "owÄħ": 128891, "sında": 128892, "Ġkhiến": 128893, "sız": 128894, "Ġкогда": 128895, "×¡×ľ": 128896, "ĠбÑĭл": 128897, "à¸Ļà¹īà¸Ńย": 128898, "обÑĢаз": 128899, "Ġê²ĥìĿ´ëĭ¤": 128900, "ëĵ¤ìĿĢ": 128901, "ãģ¸ãģ®": 128902, "Ġà¹Ģมืà¹Īà¸Ń": 128903, "Ġphục": 128904, "Ġ×Ĺ׾ק": 128905, "Ġhết": 128906, "ĠÄija": 128907, "à¹Ģà¸Ķà¹ĩà¸ģ": 128908, "íĺķ": 128909, "lÃŃ": 128910, "ê¸ī": 128911, "Ġعدد": 128912, "ĠÄijá»ĵ": 128913, "Ġgần": 128914, "Ġ×Ļ×ķ×Ŀ": 128915, "ĠsÄ©": 128916, "ÑĢÑıд": 128917, "Ġquyá»ģn": 128918, "Ġ×IJ׾×IJ": 128919, "ÙĩÙħا": 128920, "׳×Ļ×Ķ": 128921, "׾×ķת": 128922, "Ġ×Ķר×ij×Ķ": 128923, "Ġtiên": 128924, "Ġalın": 128925, "Ġdá»ħ": 128926, "人ãģĮ": 128927, "ноÑģ": 128928, "лÑģÑı": 128929, "ĠÄijÆ°a": 128930, "สาว": 128931, "иÑĢован": 128932, "Ġ×ŀספר": 128933, "×Ĵף": 128934, "Ġkiến": 128935, "ĠШ": 128936, "pé": 128937, "бÑĥ": 128938, "овой": 128939, "ба": 128940, "ĠØ¥ÙĦا": 128941, "×IJ׾×Ļ": 128942, "Ġxây": 128943, "Ġbợi": 128944, "Ġש×ķ": 128945, "人ãģ®": 128946, "ק×Ļ×Ŀ": 128947, "à¹Ģà¸Ķืà¸Ńà¸Ļ": 128948, "Ġkhá": 128949, "Ġ×ķ׾×Ķ": 128950, "×ĵ×ķת": 128951, "Ġ×¢×ij×ķר": 128952, "ĠبشÙĥÙĦ": 128953, "ĠÙĩÙĨاÙĥ": 128954, "ÑĤÑĢа": 128955, "ĠíķĺëĬĶ": 128956, "รà¸Ńà¸ļ": 128957, "owaÅĤ": 128958, "hé": 128959, "Ġdiá»ħn": 128960, "Ġ×Ķ׼׾": 128961, "Ġأس": 128962, "Ġchuyá»ĩn": 128963, "ระà¸Ķัà¸ļ": 128964, "ĠNhững": 128965, "Ġ×IJ×Ĺת": 128966, "ĠØŃÙĪÙĦ": 128967, "лов": 128968, "׳ר": 128969, "Ġ×ķ׳": 128970, "ĠchÆ¡i": 128971, "Ġiçinde": 128972, "ÑģÑĤвÑĥ": 128973, "Ġphá»ij": 128974, "ĠÑģÑĥ": 128975, "ç§ģãģ¯": 128976, "Ġchứng": 128977, "Ġvá»±c": 128978, "à¹ģà¸Ń": 128979, "ĠláºŃp": 128980, "Ġtừng": 128981, "å°ijãģĹ": 128982, "ĠNguy": 128983, "ĠNguyá»ħn": 128984, "ĠÙģÙĬÙĩ": 128985, "Ġба": 128986, "×Ļ×Ļת": 128987, "Ġ×ľ×¢×©×ķת": 128988, "Ġ×ŀ׼": 128989, "Ġnghiá»ĩm": 128990, "Ġмного": 128991, "Ġее": 128992, "ëIJĺìĸ´": 128993, "Ġlợi": 128994, "Ġ׾׾×IJ": 128995, "Ġ׼ף": 128996, "ĠchÃŃ": 128997, "ãģ§ãģ®": 128998, "×Ĺ×ķ": 128999, "ש×ķ×Ŀ": 129000, "Ġ×ŀר": 129001, "ĠÐĶлÑı": 129002, "Åģ": 129003, "Ġ׼×IJשר": 129004, "ĠMá»Ļt": 129005, "ĠÙĪاÙĦت": 129006, "ĠìĿ´ëŁ°": 129007, "ÅŁa": 129008, "Ġchiến": 129009, "Ġarasında": 129010, "Ġ×ij×IJתר": 129011, "ãģķãĤĮãģ¦ãģĦãĤĭ": 129012, "Ø´ÙĥÙĦ": 129013, "Ġtượng": 129014, "Ġتت": 129015, "ĠCó": 129016, "Ġbá»ı": 129017, "Ġtá»īnh": 129018, "ĠkhÃŃ": 129019, "ĠпÑĢоÑģÑĤ": 129020, "ĠпÑĢоÑģÑĤо": 129021, "ĠÙĪÙĤاÙĦ": 129022, "Ġgiáo": 129023, "ĠNếu": 129024, "×IJ×ŀר": 129025, "×¢×ł×Ļ×Ļף": 129026, "íݸ": 129027, "ÙĩدÙģ": 129028, "ĠBá»Ļ": 129029, "ĠbÃłn": 129030, "Ġnguyên": 129031, "Ġgüzel": 129032, "สาย": 129033, "ì²ľ": 129034, "×ŀ×ķר": 129035, "Ġphân": 129036, "ספק": 129037, "ק×ij׾": 129038, "ĠاÙĦÙħتØŃ": 129039, "ĠاÙĦÙħتØŃدة": 129040, "ائد": 129041, "Ġ×IJ×ŀר": 129042, "ĠkiÅŁi": 129043, "ì¤Ģ": 129044, "Ġtruyá»ģn": 129045, "ĠÙĦÙĩا": 129046, "ĠÐľÐ°": 129047, "à¸ļริษ": 129048, "à¸ļริษั": 129049, "à¸ļริษัà¸Ĺ": 129050, "Ġש׳×Ļ×Ŀ": 129051, "ĠменÑı": 129052, "ÅŁe": 129053, "Ġdiá»ĩn": 129054, "Ġ×IJ׳×Ĺ׳×ķ": 129055, "kü": 129056, "Ġcá»ķ": 129057, "Ġmá»Ĺi": 129058, "wä": 129059, "ÙħÙĬ": 129060, "Ġhiá»ĥu": 129061, "ëĭ¬": 129062, "Ġ×Ķ×Ĺ׾": 129063, "Ġtên": 129064, "Ġkiá»ĩn": 129065, "ÙĨÙĤÙĦ": 129066, "Ġvá»ĩ": 129067, "×ĵת": 129068, "ĠÐłÐ¾ÑģÑģии": 129069, "лÑĥ": 129070, "ĠاÙĦعربÙĬØ©": 129071, "ĠطرÙĬÙĤ": 129072, "Ġ×Ķ×ij×Ļת": 129073, "ÑģеÑĢ": 129074, "Ġмне": 129075, "äu": 129076, "Ġtriá»ĩu": 129077, "ĠÄijủ": 129078, "Ġר×ij": 129079, "تÙĩÙħ": 129080, "à¸ĭี": 129081, "Ġì§Ģê¸Ī": 129082, "liÅĽmy": 129083, "دعÙħ": 129084, "ãģłãĤįãģĨ": 129085, "Ñģкие": 129086, "Ġhá»ıi": 129087, "Ġק×ķ": 129088, "ÑĢÑĥÑģ": 129089, "ÙĨظر": 129090, "ãģ®ãĤĤ": 129091, "Ġ×Ķ׼×Ļ": 129092, "ĠìĽIJ": 129093, "ÙĪÙĩ": 129094, "ĠÙĪÙİ": 129095, "ĠBạn": 129096, "плаÑĤ": 129097, "Ġ×ŀ×ŀש": 129098, "лÑİб": 129099, "ĠнÑĥжно": 129100, "ĠthÆ°": 129101, "ãģµ": 129102, "ãģıãĤīãģĦ": 129103, "رش": 129104, "ר×ķ×Ĺ": 129105, "ĠÙĬتÙħ": 129106, "Ġצר×Ļ×ļ": 129107, "Ġphá": 129108, "มà¸Ńà¸ĩ": 129109, "Ġ×ij×IJ×ķפף": 129110, "Ġcảnh": 129111, "Ġíķľëĭ¤": 129112, "Ġ×Ķ×ŀת": 129113, "à¸ķà¹Īาà¸ĩà¹Ĩ": 129114, "มีà¸ģาร": 129115, "ÑģкиÑħ": 129116, "ĠÐĴÑģе": 129117, "ĠاÙĪ": 129118, "جÙĬ": 129119, "ãģĵãģ¨ãģ¯": 129120, "ĠdÃłi": 129121, "Ġhá»ĵ": 129122, "èĩªåĪĨãģ®": 129123, "à¹Ħหà¸Ļ": 129124, "ëĵ¤ìĿĦ": 129125, "ĠVÄĥn": 129126, "Ġдаж": 129127, "Ġдаже": 129128, "Ñĭми": 129129, "лаÑģÑĮ": 129130, "ÙĬÙĪÙĨ": 129131, "ÙĨÙĪ": 129132, "có": 129133, "ãģĹãģ¦ãģĦãģŁ": 129134, "ãģłãģĭãĤī": 129135, "طاÙĦب": 129136, "Ġcá»Ńa": 129137, "пÑĢоÑģ": 129138, "ãģªãģ©ãģ®": 129139, "รุà¹Īà¸Ļ": 129140, "Ġchiếc": 129141, "лÑĭ": 129142, "ĠÑıвлÑıеÑĤÑģÑı": 129143, "Ġná»ķi": 129144, "ãģ®ãģĬ": 129145, "Ġ×IJת×Ŀ": 129146, "ĠëķĮ문ìĹIJ": 129147, "à¸ģลาà¸ĩ": 129148, "ĠbaÅŁka": 129149, "ìĦĿ": 129150, "ĠÑĨел": 129151, "ÙģÙĤ": 129152, "ãģ«ãĤĪãĤĭ": 129153, "ÙĤا": 129154, "Ġçıkar": 129155, "Ġcứu": 129156, "طا": 129157, "Ġשת": 129158, "à¹Ĥà¸Ħ": 129159, "Ġ×ŀ׾": 129160, "Ġ×Ķפר": 129161, "Ġгде": 129162, "Ġخط": 129163, "åīįãģ«": 129164, "cjÄĻ": 129165, "Ġ×Ĺש×ķ×ij": 129166, "ר×Ĵ×¢": 129167, "Ġkhoảng": 129168, "ĠÄijá»Ŀi": 129169, "ĠÐłÐµ": 129170, "Ġона": 129171, "Ġ×IJ׳×ķ": 129172, "ãģ®ãģ«": 129173, "ĠاÙĦØ°ÙĬÙĨ": 129174, "кÑĥп": 129175, "ãĤµãĥ¼ãĥ": 129176, "ãĤµãĥ¼ãĥĵ": 129177, "ãĤµãĥ¼ãĥĵãĤ¹": 129178, "вал": 129179, "ге": 129180, "Ġgiữa": 129181, "ĠKhông": 129182, "ĠâĹĭ": 129183, "à¸ģลุà¹Īม": 129184, "ĠÙħÙĨØ°": 129185, "à¸Ńà¹Īาà¸Ļ": 129186, "ĠÑģпоÑģоб": 129187, "ĠÄijá»Ļi": 129188, "ĠdiÄŁer": 129189, "Ġà¸ĸà¹īา": 129190, "ÙħØ«ÙĦ": 129191, "Ġ×Ķ×IJ×Ļ": 129192, "ĠدÙĪÙĨ": 129193, "ÙĬراÙĨ": 129194, "Ñīи": 129195, "بÙĨاء": 129196, "Ġآخر": 129197, "ظÙĩر": 129198, "Ġ×ij׼": 129199, "ĠاÙĦÙħع": 129200, "ãĥĴ": 129201, "Ġtất": 129202, "Ġmục": 129203, "ĠdoÄŁru": 129204, "ãģŁãĤī": 129205, "Ġס×ķ": 129206, "Ġxác": 129207, "รà¸Ń": 129208, "ĠcÄĥn": 129209, "Ġонл": 129210, "Ġонлайн": 129211, "Ġký": 129212, "Ġchân": 129213, "Ġà¹Ħมà¹Ī": 129214, "اØŃØ©": 129215, "rán": 129216, "׳×Ļ×Ļ×Ŀ": 129217, "Ġ×ijף": 129218, "ĠÐĸ": 129219, "à¸ķรà¸ĩ": 129220, "дÑĭ": 129221, "Ġsắc": 129222, "ÙĦت": 129223, "ãĥŃãĥ¼": 129224, "ĠÙĦÙĨ": 129225, "Ġר×ķ": 129226, "ĠdÆ°á»Ľi": 129227, "à¹Ģà¸ĺ": 129228, "à¹Ģà¸ĺà¸Ń": 129229, "eÄŁi": 129230, "Ġ×ķש": 129231, "ĠÙĦØ£": 129232, "Ġgặp": 129233, "Ġcá»ij": 129234, "ãģ¨ãģ¦ãĤĤ": 129235, "رÙĪس": 129236, "Ġ׾×Ķ×Ļ": 129237, "Ġ본": 129238, "ä¸ĬãģĴ": 129239, "Ġmức": 129240, "Ñħа": 129241, "Ġìŀ¬": 129242, "à¸īัà¸Ļ": 129243, "ÑĢÑĥж": 129244, "Ġaçık": 129245, "ÙĪاÙĦ": 129246, "Ġ×ĸ×ŀף": 129247, "人ãģ¯": 129248, "عÙĬÙĨ": 129249, "ÑıÑħ": 129250, "Ġ×Ĵ×ĵ×ķ׾": 129251, "ר×ķ×ij": 129252, "gó": 129253, "ëĿ¼ê³ł": 129254, "ĠarkadaÅŁ": 129255, "ÙĨشر": 129256, "ĠгодÑĥ": 129257, "ĠболÑĮÑĪе": 129258, "ãģ¡ãĤĩãģ£ãģ¨": 129259, "Ġcâu": 129260, "Ġsát": 129261, "íĶ¼": 129262, "Ġtiến": 129263, "íķ´ìķ¼": 129264, "ĠÙĪØ£ÙĨ": 129265, "à¸Ļาà¸Ļ": 129266, "Ġ×ij×IJ×ŀצע": 129267, "Ġ×ij×IJ×ŀצע×ķת": 129268, "Ġ׾ר": 129269, "Ġquản": 129270, "ĠÙĪاÙĦØ£": 129271, "Ġ×IJ×ķת×Ķ": 129272, "Ġìĸ´ëĸ¤": 129273, "Ġê²ĥìĿĢ": 129274, "ØŃسÙĨ": 129275, "Ġmất": 129276, "à¸Ħูà¹Ī": 129277, "ãĥ¬ãĥ¼": 129278, "ĠÐĶа": 129279, "Ġolması": 129280, "Ġthuá»Ļc": 129281, "׳×Ĺ": 129282, "íĨł": 129283, "Ġsöyle": 129284, "ãģĿãģĨãģ§ãģĻ": 129285, "ĠتÙĥÙĪÙĨ": 129286, "лÑĥÑĩ": 129287, "׾×Ļ×ļ": 129288, "ĠØ£ØŃد": 129289, "лиÑģÑĮ": 129290, "ĠвÑģего": 129291, "Ġ×Ķר×ij": 129292, "Ġ못": 129293, "oÄŁ": 129294, "oÄŁlu": 129295, "ĠìĦł": 129296, "ĠкаÑĢ": 129297, "à¸łà¸²à¸Ħ": 129298, "eÅĦ": 129299, "Ġà¸ģà¹ĩ": 129300, "Ġaynı": 129301, "ĠbÃł": 129302, "ãģªãĤĵãģ¦": 129303, "Ġ모ëĵł": 129304, "ÙĤرار": 129305, "ãģĹãģªãģĦ": 129306, "ĠÐĴо": 129307, "ĠÙĪÙĩÙĬ": 129308, "ники": 129309, "ãĤĮãģŁ": 129310, "Ġchuẩn": 129311, "רע": 129312, "ÙģرÙĬÙĤ": 129313, "ãĤĴåıĹãģij": 129314, "ĠÄijúng": 129315, "бе": 129316, "׼×ķ×Ĺ": 129317, "пÑĥ": 129318, "Ġ×ķ×Ĵ×Ŀ": 129319, "×ŀ׳×Ļ": 129320, "íĸ¥": 129321, "צ×Ļ×Ŀ": 129322, "à¸ĭิ": 129323, "ÙĩÙĨ": 129324, "нем": 129325, "Ġ×ij×ij×Ļת": 129326, "رع": 129327, "Ġส": 129328, "ĠÄIJÃł": 129329, "íķĺëĭ¤": 129330, "Ġấy": 129331, "×Ĺ×ķ×ĵ": 129332, "×Ĺ×ķ×ĵש": 129333, "ĠÑĩеÑĢез": 129334, "Ñĥл": 129335, "ĠBình": 129336, "Ġê²ĥìĿĦ": 129337, "Ġ×Ĵר": 129338, "ä»ĺãģij": 129339, "×Ĺ׾ק": 129340, "ĠتÙĦÙĥ": 129341, "à¹ĥสà¹Ī": 129342, "szÄħ": 129343, "ÙĤاÙħ": 129344, "دÙĪر": 129345, "ĠÙģÙĤØ·": 129346, "Ġhữu": 129347, "ĠмогÑĥÑĤ": 129348, "Ġgá»įi": 129349, "Ġקר": 129350, "à¸Īะมี": 129351, "تÙĤدÙħ": 129352, "Ġعبر": 129353, "Ġ׾×Ķ×Ŀ": 129354, "ĠÑģамо": 129355, "ס×ĵר": 129356, "ĠcÃłng": 129357, "rÃŃ": 129358, "Ġìŀ¥": 129359, "ëĵ¤ìĿĺ": 129360, "ĠÙĦÙĥ": 129361, "поÑĢÑĤ": 129362, "Ġkhả": 129363, "ĠÑģебÑı": 129364, "׳ף": 129365, "ĠدÙĪر": 129366, "Ġmợ": 129367, "Ġcây": 129368, "Ġfark": 129369, "Ġfarklı": 129370, "аÑİÑĤ": 129371, "Ġtrá»±c": 129372, "wiÄĻksz": 129373, "Ġthuá»ijc": 129374, "ĠتØŃت": 129375, "تÙĦ": 129376, "овÑĭе": 129377, "ëĤł": 129378, "Ġвам": 129379, "بÙĦغ": 129380, "Ġê°ĻìĿĢ": 129381, "íĮIJ": 129382, "ÙĦب": 129383, "Ġnasıl": 129384, "Ġодин": 129385, "ман": 129386, "ĠعÙĦÙĬÙĩا": 129387, "би": 129388, "Ġפש×ķ×ĺ": 129389, "×ijר×Ļ": 129390, "Ġש׳×Ķ": 129391, "ĠëıĦ": 129392, "ĠÄIJại": 129393, "Ġ×IJ×ķת×Ŀ": 129394, "ĠاÙĦØŃر": 129395, "Ġбо": 129396, "à¸Īุà¸Ķ": 129397, "Ġrõ": 129398, "ĠdeÄŁiÅŁ": 129399, "Ġëĭ¨": 129400, "ĠÑģлÑĥÑĩа": 129401, "ĠÑģлÑĥÑĩае": 129402, "Ġ×IJ׳ש×Ļ×Ŀ": 129403, "×ĵ×£": 129404, "ש×ijת": 129405, "Ġש׾׼×Ŀ": 129406, "Ġchú": 129407, "ników": 129408, "Ġtanı": 129409, "Ġcáo": 129410, "ĠÄijá": 129411, "Ġ×IJ×ĵ×Ŀ": 129412, "Ġê°ķ": 129413, "Ġnhiá»ĩm": 129414, "Ġ×ľ×¡": 129415, "Ġ×Ľ×ª×ij": 129416, "Ġ×Ķספר": 129417, "ĠÄijÄĥng": 129418, "ĠëijIJ": 129419, "à¸ľà¸´": 129420, "à¸ľà¸´à¸§": 129421, "جا": 129422, "Ġê°IJ": 129423, "رأ": 129424, "ستخدÙħ": 129425, "ãģ«ãģªãĤĬãģ¾ãģĻ": 129426, "Ġtá»·": 129427, "×ĺ×ķר": 129428, "говоÑĢ": 129429, "ĠвоÑģ": 129430, "ĠÙħÙĨÙĩا": 129431, "иÑĢоваÑĤÑĮ": 129432, "ĠÄijầy": 129433, "׳×Ĵ": 129434, "ĠÙħÙĪ": 129435, "ĠÙħÙĪÙĤع": 129436, "ר׼×Ļ": 129437, "تÙı": 129438, "모": 129439, "Ġת×ķ": 129440, "ÙĬاÙĭ": 129441, "à¹ĥà¸Ķ": 129442, "ãĤĬãģ¾ãģĻ": 129443, "à¸Ńยูà¹Īà¹ĥà¸Ļ": 129444, "ĠØ£ÙĪÙĦ": 129445, "ĠأخرÙī": 129446, "ĠcÆ°": 129447, "صار": 129448, "×ŀ×Ĺש×ij": 129449, "бÑĢа": 129450, "ÅĦski": 129451, "бÑĢ": 129452, "ĠÙĬÙı": 129453, "à¸ģิà¸Ļ": 129454, "Ġchá»ijng": 129455, "ÙħÙı": 129456, "Ġà¸Ħืà¸Ń": 129457, "ĠتÙĨ": 129458, "tÃŃ": 129459, "yÄĩ": 129460, "Ġmạng": 129461, "ÙģÙĪ": 129462, "Ġdünya": 129463, "קר×IJ": 129464, "Ġק׾": 129465, "ĠØŃاÙĦ": 129466, "cÃŃa": 129467, "Ġà¹Ģรา": 129468, "Ġר×ķצ×Ķ": 129469, "Ġáp": 129470, "ë°ķ": 129471, "اÙĤØ©": 129472, "ниÑİ": 129473, "Ġ×IJ׾×ķ": 129474, "Ġ×ŀס×ķ": 129475, "ãģ§ãģ¯ãģªãģı": 129476, "Ġtrả": 129477, "Ġקשר": 129478, "miÅŁtir": 129479, "ĠlÆ°u": 129480, "Ġhá»Ĺ": 129481, "ĠбÑĭли": 129482, "Ġlấy": 129483, "عÙĦÙħ": 129484, "Ġözel": 129485, "æ°ĹãģĮ": 129486, "Ġ×ĵר×ļ": 129487, "Ùħد": 129488, "sını": 129489, "׳×ķש×IJ": 129490, "rów": 129491, "ÑĩеÑĢ": 129492, "êµIJìľ¡": 129493, "ĠÐľÐ¾": 129494, "лег": 129495, "ĠVỼi": 129496, "วัà¸Ļà¸Ļีà¹ī": 129497, "ÑİÑīие": 129498, "ãģĬãģĻ": 129499, "ãģĬãģĻãģĻ": 129500, "ãģĬãģĻãģĻãĤģ": 129501, "ëıħ": 129502, "Ġ×Ļ×Ķ×Ļ×Ķ": 129503, "×ŀ×ĺר": 129504, "Ñıми": 129505, "Ġlá»±a": 129506, "ĠÄijấu": 129507, "à¹Ģสียà¸ĩ": 129508, "ĠtÆ°Æ¡ng": 129509, "ëĵ±": 129510, "ĠÑģÑĤаÑĢ": 129511, "à¹ĥà¸ļ": 129512, "วัà¸Ķ": 129513, "ĠÄ°stanbul": 129514, "Ġà¸Īะ": 129515, "à¸ķลาà¸Ķ": 129516, "ĠبÙĬ": 129517, "à¹ģà¸Ļะ": 129518, "à¹ģà¸Ļะà¸Ļำ": 129519, "ساعد": 129520, "Ġبأ": 129521, "Ġkiá»ĥm": 129522, "ØŃسب": 129523, "à¸Ĭัà¹īà¸Ļ": 129524, "Ġ×ķ×¢×ķ×ĵ": 129525, "овÑĭÑħ": 129526, "оÑģнов": 129527, "ĠtrÆ°á»Łng": 129528, "צ×ij×¢": 129529, "ĠÃŃt": 129530, "Ġkỹ": 129531, "cré": 129532, "Ñıм": 129533, "êµ°": 129534, "ãģĮãģªãģĦ": 129535, "ÙĬÙĦØ©": 129536, "ãĥķãĤ£": 129537, "رÙī": 129538, "ĠÙĬجب": 129539, "Ġ×IJ×£": 129540, "Ġcá»±c": 129541, "ãĤīãĤĮãģŁ": 129542, "Ġà¸ľà¸¹à¹ī": 129543, "Ġà¸Ń": 129544, "larımız": 129545, "Ġkadın": 129546, "Ġê·¸ëŀĺ": 129547, "Ġê·¸ëŀĺìĦľ": 129548, "ĠëĺIJëĬĶ": 129549, "ĠÄijả": 129550, "ĠÄijảm": 129551, "Ġ×IJ×ķ×ŀר": 129552, "Ġyếu": 129553, "ciÄħ": 129554, "ciÄħg": 129555, "Ġtá»ij": 129556, "Ġש×IJ׳×Ļ": 129557, "ĠdziaÅĤa": 129558, "Ñīа": 129559, "ĠÄijÃłn": 129560, "sına": 129561, "ãģĵãĤĮãģ¯": 129562, "Ġ×ij׾×Ļ": 129563, "Ġ×ij×Ļשר×IJ׾": 129564, "лоÑģÑĮ": 129565, "Ġgiữ": 129566, "ê°IJ": 129567, "ÑĢон": 129568, "تجار": 129569, "глав": 129570, "вин": 129571, "Ġhạn": 129572, "Ġyapılan": 129573, "بس": 129574, "Ġà¸ŀรà¹īà¸Ńม": 129575, "ê´Ģ리": 129576, "mÄ±ÅŁtır": 129577, "bü": 129578, "rück": 129579, "ĠBaÅŁkanı": 129580, "ĠÙĦÙĬس": 129581, "ĠsÆ¡": 129582, "à¸Īัà¸ĩหว": 129583, "à¸Īัà¸ĩหวัà¸Ķ": 129584, "داء": 129585, "Ġ×Ķ׼": 129586, "vÃŃ": 129587, "ש×IJר": 129588, "ĠhÆ°á»Łng": 129589, "Ġbóng": 129590, "ĠChÃŃnh": 129591, "Äħc": 129592, "à¹Ģà¸ģีà¹Īยวà¸ģัà¸ļ": 129593, "Ġtứ": 129594, "Ġtức": 129595, "ĠÑĨвеÑĤ": 129596, "Ġtá»iji": 129597, "ĠnghÄ©a": 129598, "ÙĦاعب": 129599, "دÙĦ": 129600, "Ġפע×Ŀ": 129601, "hör": 129602, "à¸Ĭุà¸Ķ": 129603, "à¸ŀู": 129604, "à¸ŀูà¸Ķ": 129605, "паÑģ": 129606, "ĠÅŁu": 129607, "ĠtÆ°á»Łng": 129608, "خارج": 129609, "Ġâm": 129610, "ĠинÑĤеÑĢеÑģ": 129611, "еннÑĭÑħ": 129612, "×IJ׳×Ļ": 129613, "بدأ": 129614, "ëĿ¼ëĬĶ": 129615, "ì¹´": 129616, "æĸ¹ãģĮ": 129617, "лив": 129618, "Ġà¸Ħà¸Ļ": 129619, "ער×ļ": 129620, "à¸Ĥà¸Ńà¸ĩà¸Ħุà¸ĵ": 129621, "пад": 129622, "Ġcạnh": 129623, "ĠëĤ¨": 129624, "ĠÄijâu": 129625, "Ġbiá»ĥu": 129626, "ãĤĤãģĤãĤĭ": 129627, "׾×Ĵ": 129628, "Ġสำหรัà¸ļ": 129629, "Ġxuá»ijng": 129630, "ס×ķ": 129631, "Ġذات": 129632, "ĠÐľÐµ": 129633, "عاÙĦÙħ": 129634, "×IJס": 129635, "بÙĬØ©": 129636, "شا": 129637, "ием": 129638, "ĠNgÆ°á»Ŀi": 129639, "íĺij": 129640, "Ñģлов": 129641, "Ġпа": 129642, "Ġmẫu": 129643, "ĠпÑĢоÑĨеÑģÑģ": 129644, "ĠNhÃł": 129645, "пÑĢоиз": 129646, "пÑĢоизвод": 129647, "à¸łà¸²à¸¢à¹ĥà¸Ļ": 129648, "Ġà¸ļาà¸Ĺ": 129649, "×ŀ׳×ķ": 129650, "ĠоÑĢган": 129651, "רצ×ķ": 129652, "×ķ×ŀ×Ļ×Ŀ": 129653, "Ġyazı": 129654, "Ġdù": 129655, "ãĥ¬ãĥ³": 129656, "ÙĪÙĦÙĬ": 129657, "ยู": 129658, "Ġtrò": 129659, "à¹Ģà¸ŀลà¸ĩ": 129660, "Ġ×ŀ׾×IJ": 129661, "à¸ķล": 129662, "à¸ķลà¸Ńà¸Ķ": 129663, "ĠÄijạt": 129664, "Ġ×Ĺ×ĵש": 129665, "póÅĤ": 129666, "Ġ×ŀ×ĵ×Ļ": 129667, "ujÄħc": 129668, "×ŀ׳×Ķ׾": 129669, "Ġש×ij×ķ": 129670, "Ġ×Ķ×ŀשפ×ĺ": 129671, "Ġ×IJ׾×Ķ": 129672, "ĠÙĪØ°ÙĦÙĥ": 129673, "à¹Ģà¸ŀราะ": 129674, "ĠÄijoÃłn": 129675, "Ġíķ¨ê»ĺ": 129676, "Ġdục": 129677, "شت": 129678, "Ġula": 129679, "ĠulaÅŁ": 129680, "Ġquý": 129681, "Ġ×Ķ×Ĵ×ĵ×ķ׾": 129682, "à¸ķัà¹īà¸ĩà¹ģà¸ķà¹Ī": 129683, "Ġשר": 129684, "Ø´Ùĩد": 129685, "׳ש×Ļ×Ŀ": 129686, "à¸ŀล": 129687, "رÙĪا": 129688, "ãĤĮãģ¦": 129689, "ĠниÑħ": 129690, "Ġдела": 129691, "ãģ§ãģįãģªãģĦ": 129692, "ÅĤoż": 129693, "×IJ×Ĺר": 129694, "ì½Ķ": 129695, "ãĤ¢ãĥĥãĥĹ": 129696, "دÙģع": 129697, "Ġtiá»ĩn": 129698, "Ġkhá»ı": 129699, "Ġkhá»ıe": 129700, "ĠاÙĦعاÙħØ©": 129701, "ãģ«ãģĤãĤĭ": 129702, "ĠÄijá»Ļc": 129703, "족": 129704, "Ġcụ": 129705, "йÑĤе": 129706, "Ġзакон": 129707, "ĠпÑĢоекÑĤ": 129708, "ìĸ¸": 129709, "ÙĦØŃ": 129710, "ĠçalÄ±ÅŁma": 129711, "ãĤĴãģĻãĤĭ": 129712, "Ñħи": 129713, "عاد": 129714, "Ġ׳×ŀצ×IJ": 129715, "Ġר×Ļ": 129716, "à¸Ńà¸Ńà¸ģมา": 129717, "ĠTôi": 129718, "Ġthần": 129719, "ĠÙĬا": 129720, "ลาย": 129721, "ĠавÑĤо": 129722, "Ġsıra": 129723, "ĠÙĥØ«ÙĬر": 129724, "ÙħÙĬز": 129725, "ĠاÙĦعÙĦÙħ": 129726, "æĸ¹ãģ¯": 129727, "×ķ×¢×ĵ": 129728, "ĠоблаÑģÑĤи": 129729, "×Ļ׾×Ļ×Ŀ": 129730, "ãģĮåĩº": 129731, "à¸ĺุ": 129732, "à¸ĺุร": 129733, "à¸ĺุรà¸ģิà¸Ī": 129734, "ÙĤتÙĦ": 129735, "ר×IJ×ķ": 129736, "Ġngu": 129737, "Ġnguá»ĵn": 129738, "Ġมา": 129739, "Ġплан": 129740, "tório": 129741, "Ġcuá»iji": 129742, "Ñģком": 129743, "ĠاÙĦÙħاض": 129744, "ĠاÙĦÙħاضÙĬ": 129745, "Ġ×ij×¢×ľ": 129746, "Ġר×ij×Ļ×Ŀ": 129747, "ĠluáºŃn": 129748, "ÙĥÙĪ": 129749, "à¸Ĺัà¹īà¸ĩหมà¸Ķ": 129750, "ван": 129751, "Ġthoại": 129752, "à¹Ħà¸Ń": 129753, "биÑĢ": 129754, "ĠاÙĦض": 129755, "تا": 129756, "ĠÑĢод": 129757, "ĠVÃł": 129758, "×ŀ×Ļף": 129759, "ĠбÑĭла": 129760, "ками": 129761, "ĠÐĶе": 129762, "tık": 129763, "קר×Ļ": 129764, "ĠeÄŁitim": 129765, "ĠÙĥبÙĬر": 129766, "بÙĥ": 129767, "ĠÙĦÙĪ": 129768, "вой": 129769, "Ġãģĵãģ®": 129770, "ĠÑĤÑĢÑĥд": 129771, "myÅĽl": 129772, "ĠsÆ°": 129773, "à¸ŀีà¹Ī": 129774, "Ġà¹ģลà¹īว": 129775, "עק": 129776, "Ġ×Ĺ×ijרת": 129777, "ระหว": 129778, "ระหวà¹Īาà¸ĩ": 129779, "×Ļ×Ļ×Ķ": 129780, "ĠاÙĦÙĨاس": 129781, "ünü": 129782, "Ġ׾×ŀ×Ķ": 129783, "ĠchÆ°Æ¡ng": 129784, "ĠHá»ĵ": 129785, "ارت": 129786, "ãĤĪãģĨãģ§ãģĻ": 129787, "lá": 129788, "ק×Ļ×Ļ×Ŀ": 129789, "æľ¬å½ĵ": 129790, "æľ¬å½ĵãģ«": 129791, "ãģĵãĤĵãģª": 129792, "Ñģов": 129793, "Ġ×ķ×Ĺ": 129794, "à¹Ģà¸ģà¹ĩà¸ļ": 129795, "ĠкÑĤо": 129796, "à¹Ĥรà¸Ħ": 129797, "ĠشرÙĥØ©": 129798, "عزÙĬ": 129799, "عزÙĬز": 129800, "Ø·ÙĦÙĤ": 129801, "пÑĥÑģÑĤ": 129802, "ÙģتØŃ": 129803, "ëŀĢ": 129804, "Ġhãy": 129805, "ضÙħ": 129806, "린": 129807, "åł´åIJĪãģ¯": 129808, "ãĤªãĥ¼": 129809, "Ġhắn": 129810, "Ġ×IJ×ij×Ļ×ij": 129811, "Ġש׾×Ķ×Ŀ": 129812, "Ġ×Ķ×Ļ×Ļת×Ķ": 129813, "ĠاÙĦدÙĪÙĦØ©": 129814, "ĠاÙĦÙĪÙĤ": 129815, "ĠاÙĦÙĪÙĤت": 129816, "ãģĤãģ¾ãĤĬ": 129817, "ĠtaÅŁÄ±": 129818, "Ä°N": 129819, "עסק": 129820, "ãģ¦ãģĦãģŁ": 129821, "Ġtá»ķng": 129822, "ĠاÙĦØ¥ÙĨس": 129823, "ĠاÙĦØ¥ÙĨساÙĨ": 129824, "ÑĢеÑĪ": 129825, "Ġgái": 129826, "ĠÑĨен": 129827, "ĠÙģÙĤد": 129828, "Ùħات": 129829, "ãģķãĤĵãģ®": 129830, "Ġphù": 129831, "×ĺ×Ķ": 129832, "ĠÙĪاÙĦتÙĬ": 129833, "ĠبÙĥ": 129834, "ìĿ´ëĤĺ": 129835, "кÑģ": 129836, "ÙħÙĬر": 129837, "Ġvùng": 129838, "ĠاÙĦشعب": 129839, "ĠNhÆ°ng": 129840, "ãĥĢãĥ¼": 129841, "Ġ×Ĺ×Ļ×Ļ×Ŀ": 129842, "Ġشخص": 129843, "ק×ķ×ĵ": 129844, "ê²Ģ": 129845, "עש": 129846, "×¢×ķ׾×Ŀ": 129847, "צ×ķר": 129848, "عÙĤد": 129849, "ĠiÅŁlem": 129850, "Ġ×Ķ×ij×IJ": 129851, "Ġdưỡng": 129852, "à¸Łà¸£à¸µ": 129853, "ĠphÃŃa": 129854, "ãģ®ä¸Ńãģ§": 129855, "Ġпи": 129856, "ĠngÃłnh": 129857, "нима": 129858, "ĠÙĩÙĦ": 129859, "Ġ×ķ×IJת": 129860, "ĠÄijáng": 129861, "équipe": 129862, "ĠÑįÑĤоÑĤ": 129863, "Ġgörev": 129864, "매": 129865, "Ġquân": 129866, "å¼ķãģį": 129867, "æĻĤãģ«": 129868, "ĠبÙħا": 129869, "×ŀ×Ļת": 129870, "Ġülke": 129871, "Ġ×ŀק×ķ×Ŀ": 129872, "×ijף": 129873, "æ°ĹæĮģãģ¡": 129874, "Ġë§İìĿĢ": 129875, "Ġyüksek": 129876, "ÑĨенÑĤÑĢ": 129877, "ĠÙħجÙĦس": 129878, "ç§ģãģ®": 129879, "ÙĤدر": 129880, "Ġë¶Ģë¶Ħ": 129881, "Ġì°¨": 129882, "خرج": 129883, "ãģĭãģªãĤĬ": 129884, "ë³´ëĭ¤": 129885, "Ġ×ŀ×Ļ×ĵ×¢": 129886, "peÅĤni": 129887, "Ġxá»Ń": 129888, "ìĹIJìĦľëĬĶ": 129889, "ĠباÙĦÙħ": 129890, "ĠÙĪÙħا": 129891, "ĠÑįÑĤой": 129892, "بÙĬÙĨ": 129893, "nü": 129894, "ØŃز": 129895, "ØŃزب": 129896, "ĠÑĢабоÑĤа": 129897, "ĠNháºŃt": 129898, "ÙĦاء": 129899, "Ġëĵ¤": 129900, "Ġëĵ¤ìĸ´": 129901, "ãĤĦãģĻãģĦ": 129902, "×Ĺ×ĸק": 129903, "Ġ×Ķ×Ĺ×ijר×Ķ": 129904, "пиÑĤ": 129905, "ãģĭãĤīãģ®": 129906, "Ġë§IJìĶĢ": 129907, "Ġפ×ķ": 129908, "ÙĦÙİ": 129909, "à¹Ģà¸ķà¹ĩม": 129910, "ĠÐļо": 129911, "Ġmówi": 129912, "ĠtÃŃn": 129913, "ר×Ĵש": 129914, "פרק": 129915, "Ġtrạng": 129916, "ĠÐŀн": 129917, "×Ĺ×ķ×¥": 129918, "ĠعÙĨدÙħا": 129919, "Ġبر": 129920, "使ãģĦ": 129921, "Ġrá»Ļng": 129922, "ëĮĢë¡ľ": 129923, "íĪ¬": 129924, "Ġktórych": 129925, "вид": 129926, "ลูà¸ģà¸Ħà¹īา": 129927, "ĠmogÄħ": 129928, "Ġש×Ĺ": 129929, "×ij×Ĺר": 129930, "ãĥĸãĥŃãĤ°": 129931, "ĠThÃłnh": 129932, "Ġ×Ķר×Ļ": 129933, "ĠÑģÑĤаÑĤÑĮ": 129934, "ĠHá»Ļi": 129935, "à¸ļà¹īาà¸ĩ": 129936, "çī¹ãģ«": 129937, "ĠÄIJức": 129938, "èĢħãģ®": 129939, "×¢×ŀ×ķ×ĵ": 129940, "×ĺר×Ķ": 129941, "Ð¥": 129942, "ĠÙħÙħا": 129943, "ĠeÅŁ": 129944, "ĠнеобÑħодимо": 129945, "ников": 129946, "Ġüzerinde": 129947, "aÅĤa": 129948, "Ġchá»ĭu": 129949, "ĠاÙĦدÙĬÙĨ": 129950, "أخبار": 129951, "ĠÄijau": 129952, "ãģĮå¤ļãģĦ": 129953, "jÄħcych": 129954, "دخÙĦ": 129955, "larınd": 129956, "larından": 129957, "Ġsẻ": 129958, "à¸ŀิà¹Ģศ": 129959, "à¸ŀิà¹Ģศษ": 129960, "×ª×Ł": 129961, "tıģı": 129962, "ĠluáºŃt": 129963, "ĠÅŀe": 129964, "ãĤ«ãĥ¼": 129965, "ãģ®ãģĤãĤĭ": 129966, "Ġ×Ķ×IJתר": 129967, "ĠاÙĦØ¢ÙĨ": 129968, "ıldı": 129969, "Ġáo": 129970, "ĠнаÑĩал": 129971, "Ġviá»ĩn": 129972, "Ġ×ij×¢×ķ׾×Ŀ": 129973, "знаÑĩ": 129974, "×Ļ×ĺ×Ķ": 129975, "кам": 129976, "ĠÐĺз": 129977, "à¹Ģà¸Ĥียà¸Ļ": 129978, "à¸Ļà¹īà¸Ńà¸ĩ": 129979, "ÑĤÑĢо": 129980, "à¹Ģà¸Ł": 129981, "Ġжизни": 129982, "Ġสà¹Īวà¸Ļ": 129983, "ĠváºŃn": 129984, "Ġê´Ģ볨": 129985, "Ġlâu": 129986, "ס×ĺר": 129987, "קש": 129988, "سÙĬر": 129989, "Ġ×IJ×ķת×Ļ": 129990, "Ġmôi": 129991, "ائب": 129992, "ĠоÑģÑĤа": 129993, "Ġmón": 129994, "Ġ×ij×ŀק×ķ×Ŀ": 129995, "ĠداخÙĦ": 129996, "Ġ×IJ×ķר": 129997, "ĠваÑģ": 129998, "ÙĥØ´Ùģ": 129999, "ìĺ¨": 130000, "à¸ĸà¹Īาย": 130001, "Ġkullanıl": 130002, "Ġtô": 130003, "ãģ«ãĤĪãĤĬ": 130004, "ĠëĺIJíķľ": 130005, "Ġ×¢×ij×ķ×ĵ×Ķ": 130006, "Ġriê": 130007, "Ġriêng": 130008, "Ġyakın": 130009, "زا": 130010, "Å»": 130011, "×IJ×ķ׼׾": 130012, "شارÙĥ": 130013, "ĠбеÑģ": 130014, "×´": 130015, "ĠابÙĨ": 130016, "ĠTá»ķng": 130017, "ÙĨظ": 130018, "ÅĽwiad": 130019, "ãĤµãĥ¼": 130020, "หาย": 130021, "ĠGün": 130022, "Ġhakkında": 130023, "à¹Ģà¸Ĥà¹īามา": 130024, "زÙĨ": 130025, "ĠÐłÐ¾": 130026, "Ġbiá»ĥn": 130027, "ãģ©ãģĵ": 130028, "ÙģعÙĦ": 130029, "زع": 130030, "פר×ĺ": 130031, "Ġ×Ķף": 130032, "Ø£ÙĩÙĦ": 130033, "Ġthất": 130034, "ØŃÙħÙĦ": 130035, "ÑĩÑĥ": 130036, "ĠìĤ¬ìĭ¤": 130037, "ì°¸": 130038, "ĠìľĦíķ´": 130039, "ÙĪظ": 130040, "ĠÐŁÐ¾Ð´": 130041, "Ġkhoản": 130042, "ÑĤен": 130043, "ĠÙģاÙĦ": 130044, "Ñģад": 130045, "à¸Ļà¸Ńà¸Ļ": 130046, "ĠاÙĦسعÙĪدÙĬØ©": 130047, "\"ØĮ": 130048, "ĠاÙĦÙĴ": 130049, "ãĤīãģļ": 130050, "Ġtoán": 130051, "Ġchắc": 130052, "׼×Ļר": 130053, "méd": 130054, "média": 130055, "زÙĪ": 130056, "Ġyanı": 130057, "פ׳×Ļ×Ŀ": 130058, "ØŃظ": 130059, "ĠбеÑģп": 130060, "ĠбеÑģплаÑĤ": 130061, "ĠбеÑģплаÑĤно": 130062, "ĠØ£ÙħاÙħ": 130063, "à¸Ńาย": 130064, "à¸Ńายุ": 130065, "רשת": 130066, "Ġgá»ĵ": 130067, "Ġgá»ĵm": 130068, "Ġuá»ijng": 130069, "صب": 130070, "kır": 130071, "ãĥijãĥ¼": 130072, "Ġ׾×ĵעת": 130073, "ĠкÑĥпиÑĤÑĮ": 130074, "׾×ķ×Ĺ": 130075, "ÙĪضع": 130076, "ÙĤÙĬÙħ": 130077, "à¸Ľà¸²": 130078, "жив": 130079, "à¸Ķิà¸Ļ": 130080, "×IJ×ķפ": 130081, "à¹Ģลà¹ĩà¸ģ": 130082, "ãĥĥãĥī": 130083, "иÑĩеÑģкиÑħ": 130084, "ĠChủ": 130085, "кÑĢаÑģ": 130086, "ÙĪصÙĦ": 130087, "pÅĤat": 130088, "моÑĢ": 130089, "Ġ×Ķ×IJ×ķ": 130090, "à¸Ńิà¸Ļ": 130091, "ĠíķľêµŃ": 130092, "гÑĢе": 130093, "Ġìłľê³µ": 130094, "ì°½": 130095, "Ġê°ľìĿ¸ìłķë³´": 130096, "Ġnghá»ĭ": 130097, "à¸ĭา": 130098, "ØŃساب": 130099, "ĠbyÅĤa": 130100, "ÙħÙĦÙĥ": 130101, "иÑĩеÑģкие": 130102, "Ġbác": 130103, "ضØŃ": 130104, "길": 130105, "ש×ŀ×¢": 130106, "Ġìĸ´ëĸ»": 130107, "Ġìĸ´ëĸ»ê²Į": 130108, "ìĽĮ": 130109, "اتÙĩ": 130110, "à¹Ĥรà¸ĩà¹ģ": 130111, "à¹Ĥรà¸ĩà¹ģรม": 130112, "خدÙħØ©": 130113, "ĠÐłÐ°": 130114, "׼×ķ׾×Ŀ": 130115, "×ŀש×Ĺק": 130116, "ĠÙĪÙĥاÙĨ": 130117, "ס×ķ×£": 130118, "ĠاÙĦØŃÙĥÙĪÙħØ©": 130119, "Ġ×ij×ĺ": 130120, "ĠtráºŃn": 130121, "Ġ×Ķ×¢×ķ׾×Ŀ": 130122, "ĠÃŃch": 130123, "tÄħ": 130124, "ש×ŀ×ķ": 130125, "Ġ×Ķר×IJש×ķף": 130126, "Ġíķĺê³ł": 130127, "ãģķãĤī": 130128, "ãģķãĤīãģ«": 130129, "ãģ«ãģĹãģ¦": 130130, "Ġà¸ľà¸¡": 130131, "ãģ®ãĤĪãģĨãģª": 130132, "ĠÙĪÙĤت": 130133, "ãĥįãĥĥãĥĪ": 130134, "ÙĦعب": 130135, "ÙĪØ´": 130136, "ìĺ¬": 130137, "Ġหาà¸ģ": 130138, "ĠmiaÅĤ": 130139, "à¸Ĺà¸Ńà¸ĩ": 130140, "иÑĤа": 130141, "اصر": 130142, "илÑģÑı": 130143, "зе": 130144, "à¸Ľà¸£à¸°à¸¡à¸²à¸ĵ": 130145, "ãģĿãĤĮãģ¯": 130146, "Ġbır": 130147, "Ġbırak": 130148, "صÙĨاع": 130149, "Ю": 130150, "شعر": 130151, "Ġ׳×Ĵ×ĵ": 130152, "Ġبسبب": 130153, "ãĥĿãĤ¤": 130154, "ãĥĿãĤ¤ãĥ³ãĥĪ": 130155, "ĠاÙĦجÙĪ": 130156, "ĠнеÑģколÑĮко": 130157, "Ġkiếm": 130158, "ÙģÙİ": 130159, "Ġضد": 130160, "×ij×Ļ×ĺ×ķ×Ĺ": 130161, "تابع": 130162, "ÙĨز": 130163, "ĠBản": 130164, "Ġaçıkl": 130165, "Ġaçıklama": 130166, "Ġà¸Ħุà¸ĵ": 130167, "à¸Ĺา": 130168, "ÅĤów": 130169, "طب": 130170, "ÙĨØŃÙĨ": 130171, "Ġ×ŀק×ķר": 130172, "ĠÄ°s": 130173, "Ġдома": 130174, "Ġวัà¸Ļ": 130175, "ĠdÃłnh": 130176, "Ñıн": 130177, "миÑĢ": 130178, "Ġmô": 130179, "ĠvÃłng": 130180, "صاب": 130181, "sının": 130182, "à¸Ħืà¸Ļ": 130183, "خبر": 130184, "×ĸ׼×ķ": 130185, "Ġ×ŀש×Ķ×ķ": 130186, "mü": 130187, "Ġкомпании": 130188, "Ġ×Ķ×¢×Ļר": 130189, "ĠÙĥÙĪ": 130190, "ÙĤÙĦب": 130191, "ĠlỼp": 130192, "ики": 130193, "׳×ij": 130194, "à¹Ĥà¸Ħร": 130195, "à¹Ĥà¸Ħรà¸ĩ": 130196, "à¹Ĥà¸Ħรà¸ĩà¸ģาร": 130197, "×ŀ×ķ×¢×ĵ": 130198, "ÑıÑĤÑģÑı": 130199, "หลัà¸ĩà¸Īาà¸ģ": 130200, "ениÑİ": 130201, "Ġשע": 130202, "ĠbÆ°á»Ľc": 130203, "ãĥ¡ãĥ¼ãĥ«": 130204, "ãĤĦãĤĬ": 130205, "Ġ×Ļ×ķ×ĵ×¢": 130206, "Ġê´Ģíķľ": 130207, "ĠاÙĦØ£Ùħر": 130208, "Ġbölge": 130209, "ĠÑģвой": 130210, "ÙĦس": 130211, "Ġ×ŀ×Ļ×ķ×Ĺ×ĵ": 130212, "ĠëĤ´ìļ©": 130213, "ĠأجÙĦ": 130214, "ĠÄIJông": 130215, "Ġ×ŀ×ł×ª": 130216, "Ġìĭľê°Ħ": 130217, "ÙĥÙİ": 130218, "ãģ¨ãģĦãģĨãģ®ãģ¯": 130219, "Ġnależy": 130220, "تÙĨظÙĬÙħ": 130221, "ĠÑģозда": 130222, "Ġphé": 130223, "Ġphép": 130224, "ãģ§ãģįãģ¾ãģĻ": 130225, "ĠعÙĦÙħ": 130226, "大ãģįãģª": 130227, "ãĤ²ãĥ¼ãĥł": 130228, "íħĮ": 130229, "Ġ׼×ķ׾׾": 130230, "ĠинÑĤеÑĢнеÑĤ": 130231, "ĠTừ": 130232, "ãģ¨ãģªãĤĭ": 130233, "زاÙĦ": 130234, "Ġktórym": 130235, "Ġnhé": 130236, "ìĪľ": 130237, "нев": 130238, "деÑĢ": 130239, "ãĤ¢ãĥĹãĥª": 130240, "iá»ĩu": 130241, "×ij×Ļ׾": 130242, "Ġتس": 130243, "ĠÄIJây": 130244, "ĠاÙĦخاصة": 130245, "Ġà¹Ģà¸Ĭ": 130246, "Ġà¹Ģà¸Ĭà¹Īà¸Ļ": 130247, "صاد": 130248, "Ġdạng": 130249, "سعر": 130250, "Ġש×Ļ×ŀ×ķש": 130251, "×Ĵ×Ļ×Ŀ": 130252, "ãģĮãģĤãģ£ãģŁ": 130253, "пÑĢов": 130254, "пÑĢовод": 130255, "Ġ×IJ×Ļ׳×ķ": 130256, "Ġ׾ר×IJ": 130257, "Ġ׾ר×IJ×ķת": 130258, "ĠØ£ÙģضÙĦ": 130259, "ĠØŃÙĦ": 130260, "ĠأبÙĪ": 130261, "ê°ķ": 130262, "Ġì§ij": 130263, "ãģ®ãĤĪãģĨãģ«": 130264, "Ġפ׳×Ļ": 130265, "ס×Ļ×Ŀ": 130266, "ĠÙĪÙĩذا": 130267, "Ġkaç": 130268, "Ġéén": 130269, "Ġê±´": 130270, "ë°Ķ": 130271, "Ñĥз": 130272, "à¸Ĥà¸Ńà¸ĩà¹Ģรา": 130273, "iÅĤ": 130274, "ĠÐľÑĭ": 130275, "Ġchết": 130276, "ĠاÙĦثاÙĨÙĬ": 130277, "×IJק": 130278, "Ġ×ķ×¢×ľ": 130279, "ĠاÙĦطب": 130280, "×ij×ĺ×Ĺ": 130281, "ĠجدÙĬدة": 130282, "ĠعدÙħ": 130283, "عز": 130284, "สิà¹Īà¸ĩà¸Ĺีà¹Ī": 130285, "ãģĻãĤĮãģ°": 130286, "ĠÄijô": 130287, "ì£ł": 130288, "دÙĤ": 130289, "номÑĥ": 130290, "Ġká»ĥ": 130291, "ãĤ¢ãĥ³": 130292, "å¤ļãģıãģ®": 130293, "à¸Ľà¸£à¸°à¸ģ": 130294, "à¸Ľà¸£à¸°à¸ģà¸Ńà¸ļ": 130295, "פע×Ļ׾×ķת": 130296, "ĠÑģÑĤол": 130297, "mayı": 130298, "ãģ¤ãģĦ": 130299, "Ġyılında": 130300, "Ġà¸Īึà¸ĩ": 130301, "koÅĦcz": 130302, "ĠThông": 130303, "ĠакÑĤив": 130304, "нÑģÑĤ": 130305, "нÑģÑĤÑĢÑĥ": 130306, "ĠÃĸz": 130307, "Ġת×ŀ×Ļ×ĵ": 130308, "ĠÙĥÙĨت": 130309, "ÑģиÑģÑĤем": 130310, "prés": 130311, "présent": 130312, "Ġnâ": 130313, "Ġnâng": 130314, "gÅĤos": 130315, "ĠÙĪزÙĬر": 130316, "ØŃصÙĦ": 130317, "ĠимееÑĤ": 130318, "ØŃرÙĥØ©": 130319, "à¸ŀà¹Īà¸Ń": 130320, "ãĤĴãģĬ": 130321, "ĠاستخداÙħ": 130322, "×IJ×Ļר×ķ×¢": 130323, "ä»ĸãģ®": 130324, "Ġש×Ķ×Ŀ": 130325, "ãģĹãģŁãĤī": 130326, "ש×ŀ×Ļ": 130327, "Ñģла": 130328, "mı": 130329, "Ġbazı": 130330, "Ġíķĺì§Ģë§Į": 130331, "×ĵ׾": 130332, "Ġyaptıģı": 130333, "ãĥĬãĥ¼": 130334, "׾×Ļ׾×Ķ": 130335, "ãģ¨ãģĦãģ£ãģŁ": 130336, "ändig": 130337, "ĠÅŁa": 130338, "ĠÙģÙĬÙħا": 130339, "иÑĤелÑı": 130340, "×ŀ×ķש": 130341, "à¸Ĥà¸Ńà¸ļ": 130342, "lük": 130343, "Ġhá»ĵi": 130344, "Ġëªħ": 130345, "ĠاÙĦÙĥØ«ÙĬر": 130346, "צ×IJ": 130347, "Ġhazır": 130348, "طرÙģ": 130349, "اÙĬا": 130350, "ĠÄijôi": 130351, "енд": 130352, "ÙĦغ": 130353, "×Ĺ×ĸ×ķר": 130354, "ĠвÑģег": 130355, "ĠвÑģегда": 130356, "ëIJĺê³ł": 130357, "×ĵ×ķ×ĵ": 130358, "ана": 130359, "دÙĪÙĦØ©": 130360, "Ġhoạch": 130361, "عÙĦا": 130362, "عÙĦاج": 130363, "Ġ×ķ×¢×ĵ": 130364, "×Ķ×Ŀ": 130365, "кий": 130366, "ÙĦÙIJ": 130367, "Ġ×¢×ľ×Ļ×ķ": 130368, "ÑİÑīий": 130369, "Ġngủ": 130370, "صÙĨع": 130371, "ĠاÙĦعراÙĤ": 130372, "à¸ķà¹Īà¸Ńà¹Ħà¸Ľ": 130373, "ãģŁãģıãģķãĤĵ": 130374, "Ġphạm": 130375, "ÙĦاÙĨ": 130376, "اتÙĩا": 130377, "Ġböyle": 130378, "تÙĨÙģÙĬ": 130379, "تÙĨÙģÙĬØ°": 130380, "Ġש×Ķ×Ļ×IJ": 130381, "ÑģÑĥ": 130382, "ยาว": 130383, "Ġש×ķ׳×Ļ×Ŀ": 130384, "Ġ×ŀ×ķ׾": 130385, "ĠÑģил": 130386, "Ġ×IJ×Ĺר×Ļ×Ŀ": 130387, "Ġphủ": 130388, "ÙĤطع": 130389, "ĠThủ": 130390, "à¸Ľà¸£à¸°à¹Ģà¸Ĺศà¹Ħà¸Ĺย": 130391, "ÙĨÙĤ": 130392, "ĠÄijoạn": 130393, "Ġبإ": 130394, "пÑĢедел": 130395, "×ķת×ķ": 130396, "Ġyarı": 130397, "пÑĢе": 130398, "ĠczÄĻÅĽci": 130399, "ØŃÙĥÙħ": 130400, "×ķ׳×Ļת": 130401, "×¤×¢×ľ": 130402, "ãĤĴãģĹãģ¦": 130403, "Ġktórzy": 130404, "׾×Ŀ": 130405, "ĠÄIJiá»ģu": 130406, "ĠкоÑĤоÑĢаÑı": 130407, "ĠìĿ´ìĥģ": 130408, "ãģĤãģ£ãģŁ": 130409, "Ġ×ŀ×ĵ×ķ×ijר": 130410, "פ×ķ×¢×ľ": 130411, "dım": 130412, "éĢļãĤĬ": 130413, "ĠбÑĥдÑĥÑĤ": 130414, "à¹Ģวà¹ĩà¸ļà¹Ħà¸ĭ": 130415, "à¹Ģวà¹ĩà¸ļà¹Ħà¸ĭà¸ķà¹Į": 130416, "اخر": 130417, "×Ĺ×Ļ׾": 130418, "Ġ×Ļ׾": 130419, "Ġ×Ļ׾×ĵ×Ļ×Ŀ": 130420, "×Ĺ×Ļפ": 130421, "×Ĺ×Ļפ×ķש": 130422, "Ġdòng": 130423, "Ġש×ĸ×Ķ": 130424, "ÑĮе": 130425, "ãģĤãģ¨": 130426, "ìŀIJê°Ģ": 130427, "×IJ×ĵ": 130428, "Ġüz": 130429, "Ġüzere": 130430, "ظÙĦ": 130431, "Ġ×IJ×ķ׾×Ļ": 130432, "Ġ×ij×Ļ×ķ×Ŀ": 130433, "ÙĦات": 130434, "Ġmê": 130435, "침": 130436, "تØŃد": 130437, "تØŃدث": 130438, "Ġخاصة": 130439, "ĠبرÙĨ": 130440, "ĠبرÙĨاÙħج": 130441, "ĠHÃłn": 130442, "×Ĺס": 130443, "ĠÙĪÙĦÙħ": 130444, "×¢×Ŀ": 130445, "Ġmı": 130446, "à¸Łà¸±à¸ĩ": 130447, "שע×Ķ": 130448, "ÙĪÙģÙĤ": 130449, "ס×ij×Ļר": 130450, "алÑĮнÑĭй": 130451, "×Ĺש×ķ×ij": 130452, "ĠnÃłng": 130453, "ë³¼": 130454, "ĠкоÑĤоÑĢÑĭÑħ": 130455, "Ġ×Ĺ×ķק": 130456, "tör": 130457, "ĠлÑĥÑĩÑĪе": 130458, "ãĥijãĥ³": 130459, "ลà¹Īาสุà¸Ķ": 130460, "ĠجدÙĬد": 130461, "ÙĬدة": 130462, "à¸Ĺรà¸ĩ": 130463, "ãĤĪãĤĬãĤĤ": 130464, "ÙĦÙĦ": 130465, "ãĤĤãģ£ãģ¨": 130466, "ש×ĺ×Ĺ": 130467, "Ġ×ķ×IJ×Ļ": 130468, "Ġgiá»ijng": 130469, "إضاÙģ": 130470, "קת": 130471, "ë§Ŀ": 130472, "ĠzostaÅĤ": 130473, "ÑĢоз": 130474, "×Ļפ×Ļ×Ŀ": 130475, "Ġ׼׾׾": 130476, "ת×ķ׼ף": 130477, "dıģını": 130478, "ÙĤسÙħ": 130479, "ĠÑģÑĩиÑĤ": 130480, "ĠÑģÑĩиÑĤа": 130481, "×ĺ×ķת": 130482, "ĠÆ°u": 130483, "ĠØ¢ÙĦ": 130484, "Ġмом": 130485, "ĠмоменÑĤ": 130486, "ĠاÙĦتعÙĦÙĬÙħ": 130487, "×¢×ľ×ķת": 130488, "Ġchữa": 130489, "Ġyön": 130490, "ĠtrÃł": 130491, "ĠØŃÙĬÙĨ": 130492, "à¸ĭั": 130493, "ĠCá": 130494, "×¢×ĸ": 130495, "ĠاÙĦØ£ÙħÙĨ": 130496, "cÃŃ": 130497, "Ġvá»ijn": 130498, "Ġà¸Ļาย": 130499, "обÑĢа": 130500, "ק×IJ": 130501, "Ġthiếu": 130502, "ãĥŀãĥ¼": 130503, "สวà¸Ļ": 130504, "Ġgá»Ń": 130505, "Ġgá»Ńi": 130506, "Ġê¹": 130507, "Ġê¹Ģ": 130508, "Ġthiá»ĩn": 130509, "ÙĤع": 130510, "wÄĻ": 130511, "Ġнам": 130512, "ÑĤол": 130513, "Ġsân": 130514, "ס×ķ×Ĵ": 130515, "Ġgeçir": 130516, "ÑĤон": 130517, "ева": 130518, "ĠÙĪضع": 130519, "Ġعشر": 130520, "Ñģло": 130521, "à¸Īัà¸ļ": 130522, "ãĤ·ãĥ¼": 130523, "ãĤĤãģĤãĤĬãģ¾ãģĻ": 130524, "Ġvẻ": 130525, "ĠÄIJá»ĥ": 130526, "رÙģع": 130527, "ĠاÙĦØ£ÙĪÙĦÙī": 130528, "ÑĤаÑĢ": 130529, "ãģªãģıãģ¦": 130530, "ÙħÙİ": 130531, "quÃŃ": 130532, "×¢×ł×Ļ×Ļ׳": 130533, "ген": 130534, "Ġhôm": 130535, "à¸Īา": 130536, "ĠnhỼ": 130537, "ĠاÙĦعربÙĬ": 130538, "×IJף": 130539, "Ġlá»Ļ": 130540, "ĠjeÅĽli": 130541, "à¹Ģà¸Ĺà¹Īาà¸Ļัà¹īà¸Ļ": 130542, "ĠØ£ÙĨÙĩا": 130543, "Ġtuy": 130544, "Ġtuyá»ĩt": 130545, "Ġتص": 130546, "ĠتصÙĨÙĬ": 130547, "ĠتصÙĨÙĬÙģ": 130548, "Ġê·¸ëŁ¬ëĤĺ": 130549, "оÑĨен": 130550, "à¸ģิà¸Īà¸ģรรม": 130551, "ãĤĦãģ£ãģ¦": 130552, "Ġkhá»ıi": 130553, "Ġlá»ĩ": 130554, "ĠاÙĦÙħجتÙħع": 130555, "à¸Ńาà¸Īà¸Īะ": 130556, "à¸Īะà¹Ģà¸Ľà¹ĩà¸Ļ": 130557, "овÑĭй": 130558, "ר×Ŀ": 130559, "รà¹īà¸Ńà¸Ļ": 130560, "ש×ŀש": 130561, "人ãģ«": 130562, "Ġüzerine": 130563, "פר×Ļ": 130564, "duÄŁu": 130565, "Ñĩик": 130566, "Ġmùa": 130567, "Ġ×ŀת×ķ×ļ": 130568, "ĠcáºŃp": 130569, "ĠتارÙĬØ®": 130570, "×ij×ľ×ª×Ļ": 130571, "Ġì¢Ģ": 130572, "ÙĦع": 130573, "باÙĨ": 130574, "Ġchút": 130575, "Ġ×Ķ×ĸ×ŀף": 130576, "née": 130577, "ĠLiên": 130578, "ĠÙĦÙĦØ£": 130579, "ØŃدÙĪد": 130580, "Ġ×¢×Ľ×©×Ļ×ķ": 130581, "воз": 130582, "Ġyaptı": 130583, "Ġобо": 130584, "à¹ĥหà¹īà¸ģัà¸ļ": 130585, "Ġ×ij×Ķ×Ŀ": 130586, "ãģıãģ¦": 130587, "رأس": 130588, "ĠÑģÑĢедÑģÑĤв": 130589, "ĠBÃłi": 130590, "ãģĵãģ¨ãģ«": 130591, "ĠìĤ¬íļĮ": 130592, "Ġ모ëijIJ": 130593, "×ij×IJ": 130594, "Ġtrắng": 130595, "ĠاÙĦبÙĦد": 130596, "ĠHoÃłng": 130597, "либо": 130598, "ĠдÑĢÑĥгиÑħ": 130599, "Ä°R": 130600, "Ñĥма": 130601, "ĠJeÅĽli": 130602, "ãĤĤãģĹ": 130603, "Ġvòng": 130604, "Ġ×IJתר×Ļ×Ŀ": 130605, "ĠÄijá»įc": 130606, "ĠвоÑĤ": 130607, "ãģłãģĮ": 130608, "ë°°": 130609, "à¸Ķูà¹ģล": 130610, "Ġ×ŀ׼׾": 130611, "ìĹIJëıĦ": 130612, "газ": 130613, "Ġ׳×ķספ×Ļ×Ŀ": 130614, "ãģĵãģ¨ãģ§": 130615, "ĠتÙĪ": 130616, "ãģ§ãģĤãĤĬ": 130617, "à¸Ļัà¹Īà¸ĩ": 130618, "ĠможеÑĤе": 130619, "szÄĻ": 130620, "ãģ®ãģł": 130621, "ĠÙħÙĨÙĩ": 130622, "Ġbá»ķ": 130623, "Ġbüt": 130624, "Ġbütün": 130625, "ë³´ê³ł": 130626, "Ġchá»ĵng": 130627, "à¹ģà¸Īà¹īà¸ĩ": 130628, "ĠVì": 130629, "ĠØŃر": 130630, "Ġgiản": 130631, "ĠÙħدÙĬÙĨØ©": 130632, "تطبÙĬÙĤ": 130633, "à¸Īิ": 130634, "æĹ¥ãģ®": 130635, "бил": 130636, "à¸ģà¸Ńà¸ĩ": 130637, "ê³³": 130638, "ĠØ£Ùħا": 130639, "ìĨIJ": 130640, "Ġtrái": 130641, "ĠвÑģем": 130642, "ĠسÙĨØ©": 130643, "ĠÑģайÑĤ": 130644, "ĠгоÑĤов": 130645, "пÑĭ": 130646, "ĠëIJł": 130647, "ĠاÙĦخط": 130648, "ĠاÙĦرئÙĬسÙĬØ©": 130649, "Ġíķ©ëĭĪëĭ¤": 130650, "ĠìķĦëĭĪëĿ¼": 130651, "ĠìĿ´ëłĩ": 130652, "ĠìĿ´ëłĩê²Į": 130653, ")ØĮ": 130654, "hält": 130655, "ĠØ£Ùħر": 130656, "ĠعÙħر": 130657, "à¸ģà¹ĩà¸Īะ": 130658, "Ġà¸Ĺำà¹ĥหà¹ī": 130659, "Ġcân": 130660, "Ġ×ij׾": 130661, "Ġ×ij׾×ij×ĵ": 130662, "פסק": 130663, "ĠÙĬÙĤÙĪÙĦ": 130664, "нÑĥÑĤÑĮ": 130665, "à¹ģà¸Ħ": 130666, "Ġקצת": 130667, "Ġnằm": 130668, "Ġhòa": 130669, "bilitÃł": 130670, "ĠìĹĨëĭ¤": 130671, "Ġ׼פ×Ļ": 130672, "ÑĢож": 130673, "лага": 130674, "Ġ×Ķש×Ļ": 130675, "ĠNgoÃłi": 130676, "ĠÙĪج": 130677, "ĠÙĪجÙĪد": 130678, "ĠìľĦíķľ": 130679, "ĠusÅĤug": 130680, "Ġtuần": 130681, "dź": 130682, "×ŀ×ķף": 130683, "ĠاÙĦعدÙĬد": 130684, "Ġchẳng": 130685, "สุà¸Ĥà¸łà¸²à¸ŀ": 130686, "Ġ×ij×ĵר×ļ": 130687, "ĠÑģебе": 130688, "ĠìŀĪìĿĦ": 130689, "ĠاÙĦØŃاÙĦ": 130690, "Ġdá": 130691, "ĠcÆ°á»Ŀi": 130692, "Ġnghiên": 130693, "ieÅĦ": 130694, "ĠDÆ°Æ¡ng": 130695, "ï¼ħ": 130696, "شد": 130697, "ãģĦãģ¤ãĤĤ": 130698, "ĠвÑĭбоÑĢ": 130699, "Ġcá»Ļng": 130700, "ש×Ļ׳×ķ×Ļ": 130701, "Ġchạy": 130702, "Ġ×ij×¢×ľ×Ļ": 130703, "اخبار": 130704, "íķĺë©°": 130705, "żÄħ": 130706, "جاز": 130707, "Ġ׳ר×IJ×Ķ": 130708, "ศู": 130709, "ศูà¸Ļ": 130710, "ศูà¸Ļยà¹Į": 130711, "×Ĵ×¢": 130712, "Ġ×¢×ĵ×Ļ": 130713, "Ġ×¢×ĵ×Ļ×Ļף": 130714, "برا": 130715, "ÑĨий": 130716, "ĠÄIJá»ĵng": 130717, "ÙĤاÙĨÙĪÙĨ": 130718, "ĠÄijứng": 130719, "ãģĹãģŁãĤĬ": 130720, "Ġ×Ĺ×Ļ×Ļ": 130721, "ĠëIJľ": 130722, "ĠëIJľëĭ¤": 130723, "ĠмеждÑĥ": 130724, "à¸ŀวà¸ģà¹Ģà¸Ĥา": 130725, "ĠBắc": 130726, "ลำ": 130727, "ë°±": 130728, "ĠíĻķ": 130729, "มาà¸ģม": 130730, "มาà¸ģมาย": 130731, "банк": 130732, "à¸Ńาà¸ģาร": 130733, "ĠhÃł": 130734, "Ġ׾׳": 130735, "à¸Ńà¸Ń": 130736, "Ġë°Ķë¡ľ": 130737, "лом": 130738, "mática": 130739, "ĠØŃد": 130740, "ابت": 130741, "à¸Ĺีà¹Īà¸Ļีà¹Ī": 130742, "ĠcoÅĽ": 130743, "ÙģÙĬدÙĬ": 130744, "ÙģÙĬدÙĬÙĪ": 130745, "ĠмеÑģÑĤо": 130746, "Ġphút": 130747, "มาà¸ģà¸ģวà¹Īา": 130748, "×IJפ": 130749, "بÙIJ": 130750, "ĠPhú": 130751, "ì±Ħ": 130752, "ĠÙĪسÙĦÙħ": 130753, "à¸Īีà¸Ļ": 130754, "поÑĤÑĢеб": 130755, "Ġ×Ĺ×ĵש×ķת": 130756, "Ø´ÙĪ": 130757, "Ġעצ×ŀ×ķ": 130758, "ĠعÙħÙĦÙĬØ©": 130759, "à¸Ħุà¸ĵà¸łà¸²à¸ŀ": 130760, "ãģ¾ãģĻãģĮ": 130761, "دعÙĪ": 130762, "طرÙĤ": 130763, "à¹Ħมà¹Īà¸ķà¹īà¸Ńà¸ĩ": 130764, "ë²Ķ": 130765, "ìĬ¹": 130766, "ĠkÃŃch": 130767, "ĠìĹĨëĬĶ": 130768, "ĠÑĤам": 130769, "ĠÙĨØŃÙĪ": 130770, "ĠاÙĦÙĤاÙĨÙĪÙĨ": 130771, "×Ĺ×ķ×Ŀ": 130772, "Ġkız": 130773, "Ġ×ĵ×Ļף": 130774, "ĠвÑĢемени": 130775, "ãģ£ãģŁãĤĬ": 130776, "ĠØ´Ùĩر": 130777, "ĠìĦľë¹ĦìĬ¤": 130778, "עש×Ķ": 130779, "Ġgiác": 130780, "ĠاÙĦسÙĦاÙħ": 130781, "Ġ×IJש": 130782, "ĠполÑĥÑĩа": 130783, "à¸Īัà¸Ķà¸ģาร": 130784, "коÑĢ": 130785, "Ġ×Ķ×ĺ×ķ×ij": 130786, "รายà¸ģาร": 130787, "주ìĿĺ": 130788, "à¹ģà¸ķà¹Īละ": 130789, "Ġê·¸ëŁ°ëį°": 130790, "à¸Ĺีà¹Īà¹Ģà¸Ľà¹ĩà¸Ļ": 130791, "Ġת×ķ×ļ": 130792, "بÙĬاÙĨ": 130793, "ÐĻ": 130794, "oÅĽciÄħ": 130795, "ÑĤок": 130796, "ĠÃĶ": 130797, "ĠÃĶng": 130798, "à¹Ħมà¹Īà¹ĥà¸Ĭà¹Ī": 130799, "ãģ¿ãģ¦": 130800, "ÐŁÐ¾": 130801, "ĠЧÑĤо": 130802, "íĻ©": 130803, "×ĺ×ij×¢": 130804, "меÑĤÑĢ": 130805, "Ġ×ij×ŀ×Ķ": 130806, "Ġ×ij×ŀ×Ķ׾": 130807, "Ġ×ij×ŀ×Ķ׾×ļ": 130808, "ÑĩÑĮ": 130809, "קש×Ķ": 130810, "знак": 130811, "знаком": 130812, "ujÄĻ": 130813, "×Ļצר": 130814, "ĠاÙĦÙħÙĦÙĥ": 130815, "ıyla": 130816, "×IJ×ŀת": 130817, "à¸Ľà¸´à¸Ķ": 130818, "×IJ×Ĺ×ĵ": 130819, "راد": 130820, "ĠmáºŃt": 130821, "ëĭ¤ëĬĶ": 130822, "Ġlạnh": 130823, "ש׾×ķש": 130824, "ØŃدÙĬØ«": 130825, "تز": 130826, "å¹´ãģ®": 130827, "ĠкваÑĢ": 130828, "ĠкваÑĢÑĤиÑĢ": 130829, "ä½ľãĤĬ": 130830, "رÙĪب": 130831, "ован": 130832, "ĠТе": 130833, "à¸Īำà¸ģ": 130834, "à¸Īำà¸ģัà¸Ķ": 130835, "باط": 130836, "×Ĵת": 130837, "ĠмаÑĪ": 130838, "ĠмаÑĪин": 130839, "×Ļצ×Ķ": 130840, "ãģ»ãģ¨": 130841, "ãģ»ãģ¨ãĤĵãģ©": 130842, "ÃŃdo": 130843, "ĠÑıзÑĭк": 130844, "à¸ļิà¸Ļ": 130845, "สà¸ĸาà¸Ļà¸Ĺีà¹Ī": 130846, "ĠìĹ´": 130847, "ãĤ¦ãĤ§": 130848, "ĠcÃł": 130849, "пан": 130850, "åı£ãĤ³ãĥŁ": 130851, "Ġرد": 130852, "اÙĤت": 130853, "ĠÙĥب": 130854, "ĠÙĥبÙĬرة": 130855, "ÑģÑĤал": 130856, "ש×ŀ×Ĺ": 130857, "posición": 130858, "ĠÙħÙĦÙĬÙĪÙĨ": 130859, "ĠìĿ´ìķ¼": 130860, "ĠìĿ´ìķ¼ê¸°": 130861, "Ġhút": 130862, "ĠÅĽwiat": 130863, "Ġë°©ë²ķ": 130864, "ĠÑģвеÑĤ": 130865, "Ġвидео": 130866, "ĠاÙĦÙĨظاÙħ": 130867, "Ġtrá»Ŀi": 130868, "ĠëĮĢíķ´ìĦľ": 130869, "ר×ŀת": 130870, "تداÙĪÙĦ": 130871, "×ķר×ĵ": 130872, "ת×ŀ": 130873, "ת×ŀ×ķ׳×ķת": 130874, "Ġ×ŀף": 130875, "Ġдва": 130876, "Ġ×Ķק×ķ": 130877, "æĹ¥ãģ«": 130878, "Ġ×Ķ×Ĵ×Ļ×¢": 130879, "à¹Ģà¸ŀิà¹Īมà¹Ģà¸ķิม": 130880, "Ùħارس": 130881, "Ġê²ĥìŀħëĭĪëĭ¤": 130882, "ãģªãģĦãģ¨": 130883, "Ġnhiá»ĩt": 130884, "ëIJ©ëĭĪëĭ¤": 130885, "Ġ×ij׳×ķש×IJ": 130886, "Ġê°Ģìŀ¥": 130887, "Ġvợ": 130888, "ĠÄijóng": 130889, "צ×Ļ׾×ķ×Ŀ": 130890, "ê´Ģê³Ħ": 130891, "ваÑı": 130892, "×IJ×Ļ×ĸ": 130893, "×IJ×Ļ×ĸ×Ķ": 130894, "ĠÙĨظاÙħ": 130895, "ÙħØŃاÙģظ": 130896, "Ġtải": 130897, "기ëıĦ": 130898, "à¸Ľà¸±à¸Īà¸Īุ": 130899, "à¸Ľà¸±à¸Īà¸Īุà¸ļัà¸Ļ": 130900, "׼×ĵ×ķר": 130901, "ĠìķĦìĿ´": 130902, "׼׳×Ļס": 130903, "à¹Ģà¸ķร": 130904, "à¹Ģà¸ķรียม": 130905, "Ġngoại": 130906, "ĠدÙĪÙĦار": 130907, "Ġrẻ": 130908, "ĠkhÄĥn": 130909, "عدد": 130910, "شعب": 130911, "czyÄĩ": 130912, "ĠاÙĦÙĥر": 130913, "ĠÑĩеловека": 130914, "ĠÙĪØ¥ÙĨ": 130915, "×IJ×ĺ": 130916, "ĠthÆ¡": 130917, "ĠاÙĦرÙĬاض": 130918, "опÑĢедел": 130919, "опÑĢеделен": 130920, "×Ķ×ŀש×ļ": 130921, "ĠÐĿово": 130922, "зÑĭва": 130923, "ĠاÙĦدÙĪÙĦÙĬ": 130924, "ĠÄijáp": 130925, "ĠкÑĢед": 130926, "ĠкÑĢедиÑĤ": 130927, "ового": 130928, "Ġmôn": 130929, "à¸Ľà¸£à¸°à¹Ĥย": 130930, "à¸Ľà¸£à¸°à¹Ĥยà¸Ĭà¸Ļ": 130931, "à¸Ľà¸£à¸°à¹Ĥยà¸Ĭà¸Ļà¹Į": 130932, "ÑģÑĤе": 130933, "ĠThá»ĭ": 130934, "دÙĬØ©": 130935, "×ŀצ×ķ": 130936, "Ùģات": 130937, "ק×ĵ×Ŀ": 130938, "ìĿ´ëĿ¼ê³ł": 130939, "ÙĪØ®": 130940, "Ġ×Ĺ×ĸ": 130941, "ĠÑĦоÑĤо": 130942, "׾×Ļת": 130943, "تÙİ": 130944, "ÙĪبر": 130945, "йÑĤи": 130946, "ĠÃ¶ÄŁren": 130947, "Ġ×Ķ×ĸ×ķ": 130948, "Ġvá»įng": 130949, "ÙĤÙĪØ©": 130950, "ĠTây": 130951, "ĠÐĿи": 130952, "Ġש×ķ×ij": 130953, "ãģ¨è¨ĢãĤıãĤĮ": 130954, "ãģ©ãĤĵãģª": 130955, "×Ĺצ×Ļ": 130956, "ï½ľ": 130957, "Ġ×ķ×Ķ×ķ×IJ": 130958, "ä¸Ģãģ¤": 130959, "ĠÑģÑĤоиÑĤ": 130960, "niÄħ": 130961, "×ĺר×Ļ": 130962, "ĠдеÑĤей": 130963, "нÑıÑĤÑĮ": 130964, "ĠÑģделаÑĤÑĮ": 130965, "Ġë§İìĿ´": 130966, "ä½ķãģĭ": 130967, "ãģĽãĤĭ": 130968, "à¹Ħหม": 130969, "à¸ķิà¸Ķà¸ķà¹Īà¸Ń": 130970, "Ġ×ijת×Ĺ": 130971, "Ġ×ijת×Ĺ×ķ×Ŀ": 130972, "ìĻĦ": 130973, "ì§ĢëĬĶ": 130974, "ÑģÑĤаÑĤ": 130975, "ÑıÑģн": 130976, "üb": 130977, "Ġthả": 130978, "Ġ×ij×IJ×ŀת": 130979, "Ġtuyến": 130980, "×ĵ×Ļר×Ķ": 130981, "Ġ×IJ×Ļש×Ļ": 130982, "×ĸ׼ר": 130983, "ãģ°ãģĭãĤĬ": 130984, "Ġxét": 130985, "׼×Ļ×ķ": 130986, "׼×Ļ×ķ×ķף": 130987, "diÄŁini": 130988, "ĠاÙĦÙħÙĪضÙĪع": 130989, "ĠháºŃu": 130990, "à¸Īาà¸ģà¸ģาร": 130991, "×ijס×Ļס": 130992, "Ġ×ŀ×Ĵ×Ļ×¢": 130993, "×ij×Ļ×¢": 130994, "ĠÙĪجÙĩ": 130995, "à¹ģà¸Ķà¸ĩ": 130996, "à¸Ļาà¸ĩ": 130997, "ĠÅŀa": 130998, "ì¡´": 130999, "ë¡Ģ": 131000, "à¸ķะ": 131001, "Ġ×Ķ×Ĺ×Ļ×Ļ×Ŀ": 131002, "ÙģÙĬد": 131003, "ãģ§ãģĻãģĭãĤī": 131004, "ê·ľ": 131005, "źni": 131006, "ĠлÑİдей": 131007, "Ġyüzde": 131008, "ıyorum": 131009, "ĠاÙĦبØŃر": 131010, "eño": 131011, "паÑĢ": 131012, "ÙĬÙĤØ©": 131013, "обÑĢ": 131014, "ר×ķ×ļ": 131015, "تÙĪÙĤع": 131016, "ĠاÙĦØ´ÙĬØ®": 131017, "åĪĿãĤģãģ¦": 131018, "ĠÑĤелеÑĦ": 131019, "ĠÑĤелеÑĦон": 131020, "Ġthôi": 131021, "Ġ×Ļ׼×ķ׾×Ļ×Ŀ": 131022, "ĠÅŁirk": 131023, "ĠÅŁirket": 131024, "Ġìļ°ë¦¬ê°Ģ": 131025, "ĠÄijông": 131026, "Ġת×ķ×ĵ×Ķ": 131027, "ÑģмоÑĤÑĢеÑĤÑĮ": 131028, "ĠÙĦÙĩÙħ": 131029, "Ġ׾׼": 131030, "ĠNó": 131031, "ĠØŃاÙĦØ©": 131032, "ãģĦãģij": 131033, "קר×ķ": 131034, "azı": 131035, "ãĤ³ãĥ¼": 131036, "ĠÙĦÙĦت": 131037, "sınız": 131038, "ĠHải": 131039, "기ìĪł": 131040, "ยัà¸ĩà¹Ħมà¹Ī": 131041, "ëĭ¤ê³ł": 131042, "פ×Ĺ": 131043, "Ġ׾×Ĵ×ij×Ļ": 131044, "ĠعÙĨÙĩ": 131045, "Ġказ": 131046, "Ġказино": 131047, "بÙĪر": 131048, "ÑĦеÑĢ": 131049, "Ġê°ĻìĿ´": 131050, "تسجÙĬÙĦ": 131051, "ĠاÙĦÙħرÙĥز": 131052, "ĠThái": 131053, "даÑĤÑĮ": 131054, "×ŀ×Ļ×Ļ׾": 131055, "ĠpaylaÅŁ": 131056, "ãģ¤ãģ®": 131057, "à¹Ģรืà¸Ń": 131058, "nça": 131059, "׳×ķ×Ĺ": 131060, "Ġ×IJפ×Ļ׾×ķ": 131061, "ãģ¨èĢĥãģĪ": 131062, "ãģ¨ãģĹãģ¦ãģ¯": 131063, "à¹Ģà¸Īà¸Ń": 131064, "×ŀפ": 131065, "ĠgiriÅŁ": 131066, "лиÑĤ": 131067, "ÑĤелÑı": 131068, "Ñijн": 131069, "æ°Ĺãģ«": 131070, "Ġgó": 131071, "Ġgóp": 131072, "åĪĩãĤĬ": 131073, "Ġ×Ķ×Ĺ×ĵש": 131074, "жал": 131075, "Ġ×ĵעת": 131076, "éģķãģĨ": 131077, "à¹Ģà¸Ĥà¹īาà¹Ħà¸Ľ": 131078, "Ġסר×ĺ": 131079, "eña": 131080, "æĸ°ãģĹãģĦ": 131081, "رÙİ": 131082, "ĠÐIJÑĢ": 131083, "Ġphản": 131084, "à¸Īะà¹Ħà¸Ķà¹ī": 131085, "Ġ×ijצ×ķר×Ķ": 131086, "شاÙĩ": 131087, "شاÙĩد": 131088, "ÙĪرد": 131089, "à¹Ģà¸Ļืà¹Īà¸Ńà¸ĩà¸Īาà¸ģ": 131090, "илиÑģÑĮ": 131091, "à¹ģละà¸ģาร": 131092, "Ġ×Ķ×ĸ׼": 131093, "Ġ×Ķ×ĸ׼×ķ×Ļ×ķת": 131094, "eiÃŁ": 131095, "ãĥ¨": 131096, "ìĥĪ": 131097, "ĠÃĩa": 131098, "Ư": 131099, "ש×Ĵ": 131100, "ÙĬÙĨØ©": 131101, "รà¹īà¸Ńà¸ĩ": 131102, "ãĤµãĥ³": 131103, "ÑĢоÑģÑģий": 131104, "ÑĢоÑģÑģийÑģк": 131105, "aÄŁa": 131106, "ĠнаÑĩина": 131107, "ĠصÙĦÙī": 131108, "à¸Ĺุà¸ģà¸Ħà¸Ļ": 131109, "íļĮìĤ¬": 131110, "ĠлиÑĨ": 131111, "Ø´ÙĬر": 131112, "ĠØ´ÙĬØ¡": 131113, "ÙĬÙĨا": 131114, "Ġפ×Ĺ×ķת": 131115, "Ġiçeris": 131116, "Ġiçerisinde": 131117, "ĠØ£ØŃÙħد": 131118, "Ġżeby": 131119, "ì´Ŀ": 131120, "Ġпоказ": 131121, "Ġименно": 131122, "หà¸Ļัà¸ĩส": 131123, "หà¸Ļัà¸ĩสืà¸Ń": 131124, "ĠÑĤÑĢе": 131125, "สัà¸ĩà¸Ħม": 131126, "Ø¥ÙIJ": 131127, "ãģĮå¿ħè¦ģ": 131128, "ÙĬÙijØ©": 131129, "פצ": 131130, "íĭ°": 131131, "ĠÙħجاÙĦ": 131132, "׳פש": 131133, "кан": 131134, "×Ĺ×ķפ": 131135, "×Ĺ×ķפש": 131136, "ì²ĺëŁ¼": 131137, "оваÑı": 131138, "зов": 131139, "Ġhạ": 131140, "ĠdziÄĻki": 131141, "×Ļר×ķ": 131142, "Ġ׾×ŀצ": 131143, "Ġ׾×ŀצ×ķ×IJ": 131144, "×Ļ×ĵ×ķ": 131145, "Ġsợ": 131146, "Ġ׾×Ķ×Ĵ×Ļ×¢": 131147, "ק×ij×¢": 131148, "Ġchiá»ģu": 131149, "ãĥŀãĤ¤": 131150, "ĠdÃłng": 131151, "à¹ģà¸Łà¸Ļ": 131152, "Ġüye": 131153, "×Ļ׳×Ĵ": 131154, "à¹Ģรียà¸ģ": 131155, "ç§ģãģĮ": 131156, "thé": 131157, "ĠÑĦилÑĮ": 131158, "ĠÑĦилÑĮм": 131159, "ĠNgÃły": 131160, "Ġжен": 131161, "ĠженÑīин": 131162, "جÙĬد": 131163, "nç": 131164, "à¸Ľà¸£à¸²": 131165, "×Ļ×ŀ×ķ": 131166, "Ġná»ģn": 131167, "×IJ×ķ׾×Ŀ": 131168, "ĠвозможноÑģÑĤÑĮ": 131169, "Ġëĭ¤ìĭľ": 131170, "è¦ĭãģŁ": 131171, "à¸ĸà¸Ļ": 131172, "à¸ĸà¸Ļà¸Ļ": 131173, "mızı": 131174, "ĠÙħجÙħÙĪعة": 131175, "cjÄħ": 131176, "ĠÐłÐ¤": 131177, "à¸ģำหà¸Ļ": 131178, "à¸ģำหà¸Ļà¸Ķ": 131179, "ĠìĹ¬ê¸°": 131180, "landı": 131181, "ниÑĨ": 131182, "ÑģÑĤве": 131183, "Ġ×ĵ×ijר×Ļ×Ŀ": 131184, "ĠskÅĤad": 131185, "ãĤĬãģ¾ãģĹãģŁ": 131186, "ĠоÑĤкÑĢÑĭÑĤ": 131187, "нÑıÑĤ": 131188, "ĠÑģвоей": 131189, "à¸Īิà¸ķ": 131190, "ĠкаÑĩеÑģÑĤве": 131191, "ĠettiÄŁi": 131192, "ìĤ¬íķŃ": 131193, "ĠاÙĦÙĬÙħÙĨ": 131194, "иÑĩеÑģкий": 131195, "ë¸Į": 131196, "Ġ×ij×IJרץ": 131197, "ĠاسÙħ": 131198, "ĠизвеÑģÑĤ": 131199, "rão": 131200, "ĠattivitÃł": 131201, "à¹Ģà¸Ľà¹ĩà¸Ļà¸ģาร": 131202, "ĠاÙĦدÙĥت": 131203, "ĠاÙĦدÙĥتÙĪر": 131204, "ĠÙĪاØŃدة": 131205, "ĠÑģÑĩеÑĤ": 131206, "ĠпÑĢиÑĩ": 131207, "ĠпÑĢиÑĩин": 131208, "ĠÙĪزارة": 131209, "Ġhuyá»ĩn": 131210, "ĠÙĥتاب": 131211, "à¹ģà¸Ļà¹Īà¸Ļ": 131212, "à¹ģà¸Ļà¹Īà¸Ļà¸Ńà¸Ļ": 131213, "Ġgünü": 131214, "гÑĢÑĥз": 131215, "ĠاÙĦخاص": 131216, "Ġgörül": 131217, "׾×ŀ×ĵ": 131218, "ĠìłķëıĦ": 131219, "×ķ×ij×Ļ׾": 131220, "Ġ×ŀקצ×ķ×¢×Ļ": 131221, "ĠоÑģобенно": 131222, "à¸Ľà¸£à¸°à¸ģา": 131223, "à¸Ľà¸£à¸°à¸ģาศ": 131224, "acaģını": 131225, "ë¶ģ": 131226, "à¸łà¸¹à¸¡à¸´": 131227, "ĠÑįлекÑĤ": 131228, "ĠÑįлекÑĤÑĢо": 131229, "Ġקש×Ķ": 131230, "سÙĦØ·": 131231, "à¸Ĭà¸Ļะ": 131232, "×¢×Ļ׾": 131233, "ĠЧе": 131234, "à¹ģà¸Ļà¹Ī": 131235, "lıģ": 131236, "lıģın": 131237, "Ġ×ŀ×¢×¨×Ľ×ª": 131238, "好ãģįãģª": 131239, "มาà¸ģà¸Ĥึà¹īà¸Ļ": 131240, "×ŀ×¢×ijר": 131241, "ĠاÙĦÙħغرب": 131242, "ĠпеÑĢи": 131243, "ĠпеÑĢиод": 131244, "Ġnhạc": 131245, "اÙĪÙĬ": 131246, "ĠÙĪعÙĦÙī": 131247, "أخذ": 131248, "ĠCô": 131249, "תר×ij×ķת": 131250, "×Ĵ×Ķ": 131251, "Ġktórej": 131252, "×IJ×Ļת": 131253, "×ij×ķ×IJ": 131254, "делÑĮ": 131255, "รีวิ": 131256, "รีวิว": 131257, "жÑĥ": 131258, "Ġ×ij×Ĺ×ķ": 131259, "еÑĪÑĮ": 131260, "ĠØ£ÙĦÙģ": 131261, "ĠاÙĦÙĪØ·ÙĨÙĬ": 131262, "ĠاÙĦÙħÙĨØ·ÙĤØ©": 131263, "nÄħÄĩ": 131264, "Ġthiên": 131265, "иÑĩеÑģкой": 131266, "ĠاÙĦÙħÙĦ": 131267, "ĠعÙħ": 131268, "ספר": 131269, "Ġnhóm": 131270, "ÙĪصÙģ": 131271, "ĠChúng": 131272, "ĠرÙĤÙħ": 131273, "ãģ¾ãģĹãģŁãģĮ": 131274, "alité": 131275, "ลม": 131276, "ĠëĤ´ê°Ģ": 131277, "׾ק×ķ×Ĺ": 131278, "ĠSÆ¡n": 131279, "posição": 131280, "miÄĻ": 131281, "Ġtránh": 131282, "ĠÄIJá»Ļ": 131283, "׼×Ĺ": 131284, "ãģĤãģ£ãģ¦": 131285, "à¸Ńยà¹Īา": 131286, "Ġ×ŀ×Ĺ×Ļר": 131287, "Ġ×Ķ×Ļת×Ķ": 131288, "à¸Ľà¹Īา": 131289, "à¸Ńืà¹Īà¸Ļà¹Ĩ": 131290, "Ø´ÙĤ": 131291, "×ł×¡×Ļ": 131292, "림": 131293, "ãģ¦ãģĹãģ¾ãģĨ": 131294, "Ġ×ŀצ×ij": 131295, "ãģ«åĩº": 131296, "ÙħÙĪاطÙĨ": 131297, "ยัà¸ĩมี": 131298, "алÑĮнÑĭе": 131299, "sanız": 131300, "إسرائÙĬÙĦ": 131301, "ĠvÃłi": 131302, "ì¤Ħ": 131303, "ãģ¨æĢĿãģ£ãģ¦": 131304, "×Ļ×ķ׳×Ļ": 131305, "çĶŁãģį": 131306, "Ġsâu": 131307, "ÑĩиÑģÑĤ": 131308, "Ġlá»ħ": 131309, "ĠGiá": 131310, "à¸Ńà¸¸à¸Ľ": 131311, "à¸Ńà¸¸à¸Ľà¸ģร": 131312, "à¸Ńà¸¸à¸Ľà¸ģรà¸ĵà¹Į": 131313, "Ġnhẹ": 131314, "rö": 131315, "ס×ĺ×Ļ": 131316, "ãģķãĤĵãģĮ": 131317, "Ġdầu": 131318, "عÙİ": 131319, "ترا": 131320, "×Ĵ×ĵ׾": 131321, "Ġtécnica": 131322, "׼׳×Ļ×Ŀ": 131323, "תקש": 131324, "תקש×ķרת": 131325, "Ġнего": 131326, "était": 131327, "Ġmá»ģm": 131328, "ÑģеÑĤ": 131329, "ĠnháºŃt": 131330, "Ġ×ŀ×¢×ľ": 131331, "Ġ×Ķ×¢×ij×ķ×ĵ": 131332, "Ġ×Ķ×¢×ij×ķ×ĵ×Ķ": 131333, "Ġ×Ĵ×Ļ׾": 131334, "ãģ¯ãģªãģĦ": 131335, "ائØŃ": 131336, "ĠздеÑģÑĮ": 131337, "×IJ×Ļ׳×ĺר": 131338, "ÙħÙIJ": 131339, "Ġ×Ļ×Ĺ×ĵ": 131340, "راÙģ": 131341, "ì²ĺ리": 131342, "×ĵ×¢×ķת": 131343, "ì¹ľ": 131344, "ĠТо": 131345, "ĠThế": 131346, "충": 131347, "Ġ׳׼×ķף": 131348, "عÙĬØ´": 131349, "низ": 131350, "ĠجاÙĨب": 131351, "×ŀקצ×ķ×¢": 131352, "à¹Ĥà¸ĭ": 131353, "ÑģÑĥÑĤ": 131354, "ìĸ´ìļĶ": 131355, "ãĤĴè¦ĭãģ¦": 131356, "ارد": 131357, "Ġaçıl": 131358, "ĠاÙĦØŃÙĬاة": 131359, "à¸ģà¹ĩà¹Ħà¸Ķà¹ī": 131360, "ãģĿãĤĮãĤĴ": 131361, "عضÙĪ": 131362, "ĠгÑĢаж": 131363, "ĠгÑĢаждан": 131364, "à¸Īะà¸ķà¹īà¸Ńà¸ĩ": 131365, "ĠìĿ´ëŁ¬": 131366, "ĠìĿ´ëŁ¬íķľ": 131367, "Ġtrách": 131368, "ÙĨÙİ": 131369, "Ġkısa": 131370, "ÃĶ": 131371, "ÑĪка": 131372, "ãģ®äºº": 131373, "ĠÐŁÐ¾Ñģ": 131374, "ĠÐŁÐ¾Ñģле": 131375, "ÑĥлÑĮ": 131376, "ÙĪاجÙĩ": 131377, "ÙĤرب": 131378, "à¸Ľà¸ıิà¸ļัà¸ķิ": 131379, "ê°Ļ": 131380, "Ġ×ŀ׳": 131381, "ĠÑģвои": 131382, "براÙħج": 131383, "ĠرÙĪ": 131384, "пÑĢод": 131385, "пÑĢодаж": 131386, "ĠbyÅĤy": 131387, "วัย": 131388, "Ġgörün": 131389, "ĠÃĪ": 131390, "ÑİÑīим": 131391, "ĠÑĤакой": 131392, "ÙģÙĪر": 131393, "ĠÙģعÙĦ": 131394, "Ġбел": 131395, "ëIJł": 131396, "erÃŃa": 131397, "ĠÑģвоÑİ": 131398, "Ġlã": 131399, "Ġlãnh": 131400, "à¹Ģà¸ŀืà¹Īà¸Ńà¹ĥหà¹ī": 131401, "ÙĤÙĨ": 131402, "تطÙĪÙĬر": 131403, "Ġsayı": 131404, "ĠÑģейÑĩаÑģ": 131405, "Ġ×IJ×Ĺרת": 131406, "ק×ķפ×Ķ": 131407, "ק×ķרס": 131408, "ĠسÙħ": 131409, "Ġ×ĺ×Ļפ×ķ׾": 131410, "ìĿ´ëĿ¼ëĬĶ": 131411, "دراسة": 131412, "èµ·ãģĵ": 131413, "×Ĺ×Ļ׳": 131414, "×Ĺ×Ļ׳×ķ×ļ": 131415, "×ĵק": 131416, "Ġë§ŀ": 131417, "Ġкоманд": 131418, "ĠÐijо": 131419, "ĠигÑĢÑĭ": 131420, "à¸ļี": 131421, "ĠØ£Ùİ": 131422, "вен": 131423, "ĠاÙĦجدÙĬد": 131424, "ĠÙĦØ¥": 131425, "Ġ×ķ×IJ׳×Ļ": 131426, "Ġ×Ķס×Ļ": 131427, "иÑĩеÑģкого": 131428, "رÙĪØŃ": 131429, "à¸ģารศึà¸ģษา": 131430, "ĠTrÆ°á»Ŀng": 131431, "игÑĢа": 131432, "ılması": 131433, "ĠмаÑģÑģ": 131434, "ãģ¨ãģįãģ«": 131435, "à¸Ĺีà¹Īà¸ľà¹Īาà¸Ļ": 131436, "à¸Ĺีà¹Īà¸ľà¹Īาà¸Ļมา": 131437, "ĠاÙĦسابÙĤ": 131438, "Ġ×ŀ×¢×ĺ": 131439, "ваÑĤÑĮ": 131440, "mÃ¼ÅŁ": 131441, "Ġ׾׼×ļ": 131442, "Ġtá»ĭch": 131443, "ÙģÙĩÙħ": 131444, "تدرÙĬب": 131445, "Ø´Ùĥ": 131446, "Ġ×ij×ŀ×Ļ": 131447, "Ġ×ij×ŀ×Ļ×ķ×Ĺ×ĵ": 131448, "ÙĤطاع": 131449, "ãģªãģĹ": 131450, "×ķצ×Ļ×IJ": 131451, "ĠÙĪسÙĬ": 131452, "зÑĥ": 131453, "Ġyat": 131454, "Ġyatırım": 131455, "ë§İ": 131456, "Ġthắng": 131457, "ãģĬ客": 131458, "ãģĬ客æ§ĺ": 131459, "ĠThiên": 131460, "ãģ«å¯¾ãģĹãģ¦": 131461, "ÑĢиÑģ": 131462, "ÙĨتائ": 131463, "ÙĨتائج": 131464, "Ġ×ŀשר": 131465, "Ġ×ŀשר×ĵ": 131466, "ĠتعاÙĦ": 131467, "ĠتعاÙĦÙī": 131468, "ש׳×Ļ": 131469, "ÙĩاÙħ": 131470, "×IJ׳ש×Ļ×Ŀ": 131471, "Ġżycia": 131472, "ĠÑĢÑĥблей": 131473, "ÙĬض": 131474, "Ġkatıl": 131475, "ĠÙħÙĪضÙĪع": 131476, "Ġvardır": 131477, "ĠÙħÙĨØ·ÙĤØ©": 131478, "ĠTrần": 131479, "ĠвеÑģ": 131480, "üp": 131481, "ÙħÙĪÙĨ": 131482, "ÑĪли": 131483, "Ġnóng": 131484, "Ø®ÙĦÙģ": 131485, "ĠСÑĤа": 131486, "ĠдоÑĢ": 131487, "ĠдоÑĢог": 131488, "ĠwÅĤaÅĽnie": 131489, "eÄŁin": 131490, "Ġhiá»ĥm": 131491, "ĠСам": 131492, "ê»ĺìĦľ": 131493, "ĠÑĦа": 131494, "ãģ»ãģĨ": 131495, "ãģ»ãģĨãģĮ": 131496, "×ķפ×Ļ×¢": 131497, "ê°Ī": 131498, "دÙĪÙĦ": 131499, "Ġthuê": 131500, "Ġchá»Ĺ": 131501, "Ġëĭ¹ìĭł": 131502, "ãģijãĤĮ": 131503, "ãģijãĤĮãģ©": 131504, "ë³´íĺ¸": 131505, "ãģķãĤĮãģ¦ãģĦãģ¾ãģĻ": 131506, "Ġнадо": 131507, "ĠìĤ¬ëŀĮëĵ¤": 131508, "à¹Ģà¸Ĥà¸ķ": 131509, "สมัย": 131510, "zÅĤ": 131511, "تÙĪر": 131512, "Ġשת×Ļ": 131513, "vê": 131514, "Ġ×ijת×ķ×ļ": 131515, "à¸Ĭัย": 131516, "ãģĦãģ£ãģŁ": 131517, "ìĿij": 131518, "Ġtầ": 131519, "Ġtầng": 131520, "ש׼ר": 131521, "Ġê¸Ģ": 131522, "Ġ×Ķש׳×Ķ": 131523, "ĠاÙĨÙĩ": 131524, "ç«ĭãģ¡": 131525, "rés": 131526, "führen": 131527, "رØŃÙħ": 131528, "ê·¹": 131529, "ĠâĢ«": 131530, "Ġsuất": 131531, "à¸Łà¸´": 131532, "ÙĬÙĩا": 131533, "ĠاÙĦاتØŃاد": 131534, "Ġtuyá»ĥn": 131535, "ãģ¾ãĤĭ": 131536, "Ġmại": 131537, "Ġngân": 131538, "ãĤ°ãĥ©": 131539, "欲ãģĹãģĦ": 131540, "سار": 131541, "ãĤĤãģ®ãģ§ãģĻ": 131542, "кие": 131543, "Ġseçim": 131544, "åħ¥ãĤĬ": 131545, "ãģªãģ©ãĤĴ": 131546, "ÑĤÑĢи": 131547, "ĠÑģпеÑĨ": 131548, "Ġأد": 131549, "Ġодно": 131550, "ÑĪел": 131551, "ãĥĩãĥ¼ãĤ¿": 131552, "ãĤ·ãĤ¹ãĥĨ": 131553, "ãĤ·ãĤ¹ãĥĨãĥł": 131554, "è¡Įãģį": 131555, "ãģ¨æĢĿãģ£ãģŁ": 131556, "à¹Ģà¸ģิà¸Ķà¸Ĥึà¹īà¸Ļ": 131557, "ĠÑĤож": 131558, "ĠÑĤоже": 131559, "Ġsạch": 131560, "ĠÑģÑĢок": 131561, "ĠклиенÑĤ": 131562, "ĠÙħشرÙĪع": 131563, "Ġaltında": 131564, "Ġì·¨": 131565, "ä¸Ńãģ®": 131566, "ãģķãģĽãĤĭ": 131567, "ãģĻãģ¹": 131568, "ãģĻãģ¹ãģ¦": 131569, "ê°ľë°ľ": 131570, "ĠÄijêm": 131571, "ãģªãģĦãģ®ãģ§": 131572, "ì²ł": 131573, "×¢×ij×ĵ": 131574, "Ġdấu": 131575, "à¸Ħà¸Ļà¸Ĺีà¹Ī": 131576, "ĠCách": 131577, "تعÙĦÙĬÙħ": 131578, "Ġhại": 131579, "ãĤ»ãĥķãĥ¬": 131580, "ĠÙĨÙģسÙĩ": 131581, "ĠíĨµíķ´": 131582, "ÑĪло": 131583, "ĠнапÑĢав": 131584, "ĠнапÑĢавлен": 131585, "ÑĢÑĥÑĩ": 131586, "íĶĮ": 131587, "Ġ×ijר×Ļ×IJ": 131588, "ãģ®ãģ¿": 131589, "ãģ«ãģĬãģĦãģ¦": 131590, "×ij׳ק": 131591, "ãĤ¨ãĥ³": 131592, "Ø«ÙĦاث": 131593, "Ġmỹ": 131594, "ĠÑģайÑĤе": 131595, "ĠемÑĥ": 131596, "تغÙĬ": 131597, "تغÙĬÙĬر": 131598, "خصÙĪص": 131599, "ÑĤели": 131600, "Ġ×ķ׾׼ף": 131601, "פע×Ŀ": 131602, "ĠпоÑįÑĤомÑĥ": 131603, "راÙĨ": 131604, "иÑĤелей": 131605, "пиÑģан": 131606, "×¢×¥": 131607, "ĠìĤ¬ìĹħ": 131608, "Ùħز": 131609, "جÙħÙĬع": 131610, "ë©´ìĦľ": 131611, "à¸ľà¸¥à¸´à¸ķà¸łà¸±": 131612, "à¸ľà¸¥à¸´à¸ķà¸łà¸±à¸ĵ": 131613, "à¸ľà¸¥à¸´à¸ķà¸łà¸±à¸ĵà¸ij": 131614, "à¸ľà¸¥à¸´à¸ķà¸łà¸±à¸ĵà¸ijà¹Į": 131615, "ĠпÑĢимеÑĢ": 131616, "ãĤŃãĥ¼": 131617, "lâ": 131618, "ĠchÄĥm": 131619, "缮ãģ®": 131620, "ãģĦãģĭ": 131621, "ãģ¨è¨ĢãģĨ": 131622, "×ĸ×ķ×Ĵ": 131623, "Ġ×ij×ĵ×Ļ": 131624, "Ġ×ij×ĵ×Ļ×ķק": 131625, "ãģĬåºĹ": 131626, "à¸ķà¸Ńà¸Ļà¸Ļีà¹ī": 131627, "Ġphá»iji": 131628, "пÑĤ": 131629, "สà¸Ļาม": 131630, "Ø·ÙĪ": 131631, "صاØŃ": 131632, "صاØŃب": 131633, "ĠDü": 131634, "ĠDünya": 131635, "Ġпока": 131636, "пал": 131637, "ĠÄijảo": 131638, "ĠاÙĦÙģÙĪر": 131639, "ĠاÙĦÙģÙĪرÙĥس": 131640, "Ġmáu": 131641, "кÑĢеп": 131642, "ĠاÙĦساعة": 131643, "ĠгоÑĢода": 131644, "ÙģصÙĦ": 131645, "айÑĤе": 131646, "Ġдог": 131647, "ĠдоговоÑĢ": 131648, "Ġإذ": 131649, "Ġ×ij׼׾׾": 131650, "ÙĬتÙĩ": 131651, "×Ĵ×ijר": 131652, "Ġbirç": 131653, "Ġbirçok": 131654, "문íĻĶ": 131655, "ãģĿãģĨãģª": 131656, "راØŃ": 131657, "ĠÙħرة": 131658, "ĠденÑĮги": 131659, "fä": 131660, "à¸Ĥà¹īาว": 131661, "ĠÑģовÑĢем": 131662, "ĠÑģовÑĢеменн": 131663, "׾×Ĺ×¥": 131664, "èī¯ãģı": 131665, "ĠÙģØ£": 131666, "Ġ×ķ×ĸ×Ķ": 131667, "Ġзани": 131668, "Ġзанима": 131669, "Ġê°Ģì§Ģê³ł": 131670, "ĠhÆ¡i": 131671, "ãģªãģ®ãģĭ": 131672, "ãĥĨãĥ¬ãĥĵ": 131673, "Ġר×ij×ķת": 131674, "à¸ķี": 131675, "Ġ×ij×©×ł×ª": 131676, "ĠTại": 131677, "ĠthuáºŃn": 131678, "Ñģел": 131679, "Ñijм": 131680, "dziÄĩ": 131681, "ĠÑģка": 131682, "ĠÑģкаÑĩ": 131683, "ĠÑģкаÑĩаÑĤÑĮ": 131684, "×ķ×ŀ×ķ": 131685, "гла": 131686, "ĠминÑĥÑĤ": 131687, "åĩºãģĻ": 131688, "Ġ×Ĺ×Ļ×Ļ×ij": 131689, "Ġת×Ĵ×ķ×ij×Ķ": 131690, "à¸£à¸¹à¸Ľà¹ģà¸ļà¸ļ": 131691, "ниÑĨа": 131692, "ĠÄ°n": 131693, "Ġأع": 131694, "ĠضÙħÙĨ": 131695, "ÙħثاÙĦ": 131696, "ĠyaÅŁan": 131697, "ĠìĹ°êµ¬": 131698, "ĠLê": 131699, "ש׾×Ĺ": 131700, "ãģıãģªãĤĭ": 131701, "ìĹĨìĿ´": 131702, "ĠÑĤÑĢи": 131703, "ĠÑĩаÑģÑĤо": 131704, "ĠобÑĢаÑĤ": 131705, "пло": 131706, "دخ": 131707, "دخÙĪÙĦ": 131708, "سÙĩ": 131709, "à¸Ńาà¸ģ": 131710, "à¸Ńาà¸ģาศ": 131711, "Ġ׼×ĸ×Ķ": 131712, "Ġ×Ķעסק": 131713, "ĠاÙĦØ£ÙĨ": 131714, "å¹´ãģ«": 131715, "עש×ķ": 131716, "Ġשע×ķת": 131717, "ĠmÃłn": 131718, "×IJר×Ļ": 131719, "sıyla": 131720, "ÙģرÙĤ": 131721, "ниÑħ": 131722, "Ġتست": 131723, "è¦ĭãģ¦": 131724, "ØŃاÙĪÙĦ": 131725, "×IJ×Ļ׼×ķת": 131726, "ĠbaÅŁladı": 131727, "stÄħ": 131728, "stÄħpi": 131729, "à¸Ĺีà¹Īà¹Ģรา": 131730, "ÙĤرر": 131731, "جاب": 131732, "Ġ×ijר×ķר": 131733, "à¹Ģà¸Ĥà¹īาà¹ĥà¸Ī": 131734, "×ŀ×Ĺקר": 131735, "alım": 131736, "Ġס×Ļפ×ķר": 131737, "ãģ§ãģĤãĤĮãģ°": 131738, "Ġש×ŀ×ķר×ķת": 131739, "Ġ×ķ×ŀ×Ķ": 131740, "ãģĵãģĿ": 131741, "idée": 131742, "ä¸ĭãģķãģĦ": 131743, "تÙĨاÙĪÙĦ": 131744, "Ġลà¹īาà¸Ļ": 131745, "Ġìļ°ë¦¬ëĬĶ": 131746, "اÙĨا": 131747, "ÑģÑĤой": 131748, "боÑĤ": 131749, "ĠyaÅŁam": 131750, "köy": 131751, "Ø¥ÙĦ": 131752, "ÑĢÑĭв": 131753, "기ìĹħ": 131754, "Ġ×Ķ×ŀ×ĵ": 131755, "Ġ×Ķ×ŀ×ĵ×Ļ׳×Ķ": 131756, "دب": 131757, "×¢×Ļ׳×Ļ": 131758, "×ŀת×Ĺ": 131759, "Ġפר×Ļ": 131760, "ãĥĭãĥ¼": 131761, "اÙħÙĬ": 131762, "Ġnhằm": 131763, "ãĤĮãģªãģĦ": 131764, "تعرÙģ": 131765, "Ġë§ĪìĿĮ": 131766, "ìĵ°": 131767, "Ġhấp": 131768, "ר×Ĵ×Ļ׾": 131769, "بÙİ": 131770, "ĠrÄĥng": 131771, "glÄħd": 131772, "ĠÑģиÑģÑĤемÑĭ": 131773, "Ġkhóa": 131774, "ãģ§ãģĻãĤĪãģŃ": 131775, "大ãģįãģı": 131776, "기를": 131777, "Ġkéo": 131778, "ÙĪØ¡": 131779, "جاÙħ": 131780, "جاÙħع": 131781, "Ġ×¢×Ļצ×ķ×ij": 131782, "téri": 131783, "Ġתש": 131784, "Ġ×IJ×ij×Ļ": 131785, "ĠChÆ°Æ¡ng": 131786, "à¸ļริà¹Ģว": 131787, "à¸ļริà¹Ģวà¸ĵ": 131788, "ãģ¤ãģı": 131789, "Ġ×Ĺ×ķ׾": 131790, "עת×Ļ×ĵ": 131791, "ש×Ļ×ŀ×Ķ": 131792, "ëĤ¨": 131793, "Ġש×IJ×Ļף": 131794, "ĠÙĪاÙĦØ¥": 131795, "ÑĦа": 131796, "Ġkhám": 131797, "Ġ×ĺ×ķ×ij×Ķ": 131798, "ĠвÑĭÑģ": 131799, "ĠвÑĭÑģоко": 131800, "ĠاÙĦØŃدÙĬØ«": 131801, "人ãĤĤ": 131802, "dÃ¼ÄŁÃ¼": 131803, "×Ļ×Ĺ×ķ×ĵ": 131804, "تعÙĦÙĬ": 131805, "تعÙĦÙĬÙĤ": 131806, "lö": 131807, "تØŃدÙĬد": 131808, "него": 131809, "ĠÑĥдоб": 131810, "Ġ׾×ŀ×Ļ": 131811, "Ġר×ķצ×Ļ×Ŀ": 131812, "Ġجاء": 131813, "Ġ×ij×ĸ×ŀף": 131814, "à¸Ľà¸ģà¸ķิ": 131815, "é«ĺãģı": 131816, "à¸Ľà¸¥à¸²": 131817, "Ġartık": 131818, "Ġbugün": 131819, "ק׳×Ļ": 131820, "Ġkhoá": 131821, "ĠÙħرÙĥز": 131822, "ĠìŀIJ기": 131823, "درجة": 131824, "×ŀשר×ĵ": 131825, "Ġgiấy": 131826, "Ġchóng": 131827, "קפ": 131828, "ÙĬبة": 131829, "ĠczÄĻsto": 131830, "вали": 131831, "Ùĥب": 131832, "ìŁģ": 131833, "สà¸ļาย": 131834, "à¸Ľà¸£à¸°à¸Ĭาà¸Ĭà¸Ļ": 131835, "×Ĵ×ķ×£": 131836, "ëŁī": 131837, "ãģ®ãģĵãģ¨": 131838, "ลà¸Ń": 131839, "Ġnghá»ī": 131840, "åŃIJãģ©": 131841, "åŃIJãģ©ãĤĤ": 131842, "à¹Ħà¸Ķà¹īà¸Ńย": 131843, "à¹Ħà¸Ķà¹īà¸Ńยà¹Īาà¸ĩ": 131844, "×ĵ×¢": 131845, "ĠاÙĦتÙī": 131846, "ĠÑģовеÑĤ": 131847, "ĠqualitÃł": 131848, "åĩºãģĹ": 131849, "ĠÑĢÑĥков": 131850, "ĠÑĢÑĥковод": 131851, "รายละà¹Ģà¸Ńียà¸Ķ": 131852, "ãģªãģĭãģªãģĭ": 131853, "기ê´Ģ": 131854, "Ġ×Ĺ×ķש": 131855, "Ġ×Ĺ×ķש×ij": 131856, "лоÑĤ": 131857, "à¸Ļะà¸Ħรัà¸ļ": 131858, "ק×ij×ķצ×Ķ": 131859, "Ġthái": 131860, "Ġש×ij×Ķ": 131861, "ĠÑĪкол": 131862, "ĠÙĦÙĥÙĦ": 131863, "à¹ĥà¸Ļà¸Ĭà¹Īวà¸ĩ": 131864, "ĠÙħÙĥاÙĨ": 131865, "ëķĮ": 131866, "Ġcải": 131867, "ĠChÃŃ": 131868, "ÑĥÑĩа": 131869, "ìĿµ": 131870, "Ġxảy": 131871, "à¸Ĭà¸Ļิà¸Ķ": 131872, "ĠcáºŃu": 131873, "кÑĢов": 131874, "ssé": 131875, "ĠÙĨÙĪع": 131876, "ĠТа": 131877, "Ø®Ùħس": 131878, "פ×ķס×ĺ": 131879, "Ġmắc": 131880, "ĠÄijem": 131881, "à¸ģารà¹ĥà¸Ĭà¹ī": 131882, "ר×ķס": 131883, "ĠÐĽÐµ": 131884, "Ġthá»Ń": 131885, "รà¹Īาà¸ĩà¸ģาย": 131886, "üzü": 131887, "æĹ¥æľ¬ãģ®": 131888, "ê³¼ìłķ": 131889, "ש×Ļ×IJ": 131890, "ĠìŀĪê³ł": 131891, "×ij×ķ׾": 131892, "ìķħ": 131893, "ĠÙĪاÙĦا": 131894, "ĠÐĽÐ¸": 131895, "ĠвÑģÑij": 131896, "Ġużytkow": 131897, "×Ĺ×ķ׾": 131898, "رÙģض": 131899, "Ġsonuç": 131900, "ãģĦãģ¾ãģĽãĤĵ": 131901, "ìĤ¬ìĹħ": 131902, "ëĪĦ": 131903, "ÑĤек": 131904, "ĠudziaÅĤ": 131905, "лез": 131906, "Ġ×Ķ×Ļ×Ļת×Ļ": 131907, "ãĤīãĤĮãģ¦": 131908, "ÙħسؤÙĪÙĦ": 131909, "رار": 131910, "ÑĤан": 131911, "ĠÄijÃło": 131912, "Ġר×ķ×ij": 131913, "Ġ×ijש×ij×Ļ׾": 131914, "ä»ĬåĽŀãģ¯": 131915, "ãĤ¸ãĥ¥": 131916, "Ġ×¢×ijר": 131917, "ãģĽãģ¦": 131918, "полÑĮ": 131919, "aklı": 131920, "ĠkÃŃnh": 131921, "دت": 131922, "ложение": 131923, "ĠاÙĦÙħص": 131924, "ĠاÙĦÙħصرÙĬ": 131925, "à¸Īริà¸ĩà¹Ĩ": 131926, "ĠاÙĦشرÙĥØ©": 131927, "ĠÄijá»ı": 131928, "ãĥĽãĥĨ": 131929, "ãĥĽãĥĨãĥ«": 131930, "Ñįкон": 131931, "Ñįконом": 131932, "ĠÙĪعÙĨ": 131933, "Ġ×ª×ł": 131934, "Ġ×ª×ł×IJ×Ļ": 131935, "ĠاÙĦدÙĪÙĦÙĬØ©": 131936, "Ġì§ĢìĹŃ": 131937, "ãģ§ãģĻãģĭ": 131938, "ĠваÑĢи": 131939, "ĠваÑĢианÑĤ": 131940, "ĠاÙĦعرب": 131941, "ела": 131942, "ĠtÆ°á»Ľng": 131943, "skÄħ": 131944, "Ġmặc": 131945, "สัà¸ģ": 131946, "ãĥĵãĥ¼": 131947, "Ġ×ij×Ĵ׾": 131948, "Ġ×ij×Ĵ׾׾": 131949, "ãĥķãĤ¡ãĥ³": 131950, "×ij×Ļצ": 131951, "×ij×Ļצ×ķ×¢": 131952, "лиÑģÑĤ": 131953, "à¸Łà¸¸": 131954, "à¸Łà¸¸à¸ķ": 131955, "à¸Łà¸¸à¸ķà¸ļà¸Ńล": 131956, "à¸Ŀà¹Īาย": 131957, "ìŀIJìĿĺ": 131958, "ĠسÙĪÙģ": 131959, "Ġש×Ķת": 131960, "Ġ걸": 131961, "×¢×ij×ķ×ĵ": 131962, "ãģĻãĤĭãģĵãģ¨ãģĮ": 131963, "ĠÑĩаÑģÑĤÑĮ": 131964, "ãĤ¢ãĥ¡ãĥª": 131965, "ãĤ¢ãĥ¡ãĥªãĤ«": 131966, "Ġtakım": 131967, "ĠsỼ": 131968, "ĠsỼm": 131969, "שר×Ķ": 131970, "è¨ĢãģĨ": 131971, "лан": 131972, "커": 131973, "׼׳×Ķ": 131974, "ÙĪÙģÙĬ": 131975, "íĹĪ": 131976, "luÄŁu": 131977, "ĠëĮĢíķ´": 131978, "Ġ׾×ij×Ļת": 131979, "Ġ×Ķר×IJש×ķ׳×Ķ": 131980, "صÙħ": 131981, "Ġsöyled": 131982, "Ġsöyledi": 131983, "à¸Ľà¸²à¸ģ": 131984, "Ġardından": 131985, "ãģĪãģŁ": 131986, "à¸Ĺัà¹Īวà¹Ħà¸Ľ": 131987, "Ġ׳×ķסף": 131988, "болÑĮ": 131989, "ãĤĵãģ§ãģĻãģijãģ©": 131990, "ĠлиÑĪÑĮ": 131991, "Ġ×ij×IJ×Ļ": 131992, "ĠбÑĭÑģÑĤÑĢо": 131993, "สัà¸Ļ": 131994, "Ġ×ijפ׳×Ļ": 131995, "леÑĩ": 131996, "ĠاÙĦخبر": 131997, "Ġsóc": 131998, "Ġthú": 131999, "ĠпÑıÑĤ": 132000, "ãģĬé¡ĺ": 132001, "ãģĬé¡ĺãģĦ": 132002, "ÑĤин": 132003, "ãģ«ãģ¤ãģĦãģ¦ãģ¯": 132004, "פף": 132005, "ĠдвÑĥÑħ": 132006, "à¸įีà¹Ī": 132007, "à¸įีà¹Īà¸Ľ": 132008, "à¸įีà¹Īà¸Ľà¸¸": 132009, "à¸įีà¹Īà¸Ľà¸¸à¹Īà¸Ļ": 132010, "опеÑĢ": 132011, "ĠاÙĦبشر": 132012, "ĠاÙĦÙħاÙĦ": 132013, "ıyoruz": 132014, "تØŃÙħÙĬÙĦ": 132015, "à¸ģะ": 132016, "éĸĵãģ«": 132017, "×Ĺ×ķש": 132018, "ĠNguyên": 132019, "ãģĦãģ¦ãģĦãĤĭ": 132020, "дÑĥÑĪ": 132021, "שפע": 132022, "ÑĪÑĥ": 132023, "å®ŁéļĽãģ«": 132024, "ĠÑĢайон": 132025, "ĠChá»ī": 132026, "ÙĨصر": 132027, "Ġìļ´": 132028, "Ġìļ´ìĺģ": 132029, "Ġ×Ķ×ĵ×Ļף": 132030, "ØŃدد": 132031, "رز": 132032, "ĠاÙĦدÙħ": 132033, "ĠPháp": 132034, "ÑĤÑģÑı": 132035, "è¦ĭãģĪ": 132036, "Ġtiá»ĥu": 132037, "Ġsá»Ńa": 132038, "аÑİÑĤÑģÑı": 132039, "ĠBá": 132040, "Ġ×ķ׼׾": 132041, "Ðĸ": 132042, "ÑĪим": 132043, "ìĿ´ëĬĶ": 132044, "лев": 132045, "dık": 132046, "Ġprésente": 132047, "Ġaraç": 132048, "صدÙĤ": 132049, "Ġпомог": 132050, "ĠاÙĦشرÙĤ": 132051, "ĠÙĪاÙĦØ°ÙĬ": 132052, "رÙĬا": 132053, "×ij׳×ķת": 132054, "Ġngá»ĵi": 132055, "ר×ķפ": 132056, "ר×ķפ×IJ": 132057, "Ġthấp": 132058, "ãĤĦãģ¯": 132059, "ãĤĦãģ¯ãĤĬ": 132060, "ĠاÙĦجدÙĬدة": 132061, "éĿŀ常ãģ«": 132062, "ÙĬÙĦÙĬ": 132063, "쪽": 132064, "تعاÙħÙĦ": 132065, "ãģłãģ¨æĢĿãģĦãģ¾ãģĻ": 132066, "ÙħÙħ": 132067, "иÑĤели": 132068, "ãĤµãĤ¤ãĤº": 132069, "ادات": 132070, "ĠاÙĦÙħاÙĦÙĬØ©": 132071, "Ùĥاتب": 132072, "кли": 132073, "веÑĢÑħ": 132074, "ниÑĩ": 132075, "Ġ×ľ×¢×ij×ķ×ĵ": 132076, "׾×Ļ×Ķ": 132077, "ØŃÙİ": 132078, "ãĤ¤ãĥĻ": 132079, "ãĤ¤ãĥĻãĥ³ãĥĪ": 132080, "Ġת×Ĵ×ķ×ij×ķת": 132081, "ÑĦон": 132082, "ĠдÑĢÑĥгие": 132083, "×IJ×ĸ×ķר": 132084, "Ġperò": 132085, "ìķŀ": 132086, "åĢŁãĤĬ": 132087, "רצ×Ļ": 132088, "×IJ×ĸ": 132089, "алÑĮнÑĭÑħ": 132090, "Ġê²ĥìľ¼ë¡ľ": 132091, "ĠпÑĢаво": 132092, "ĠاÙĦأرض": 132093, "à¹Ģà¸Ĺà¸Ħ": 132094, "à¹Ģà¸Ĺà¸Ħà¹Ĥà¸Ļ": 132095, "à¹Ģà¸Ĺà¸Ħà¹Ĥà¸Ļà¹Ĥล": 132096, "à¹Ģà¸Ĺà¸Ħà¹Ĥà¸Ļà¹Ĥลย": 132097, "à¹Ģà¸Ĺà¸Ħà¹Ĥà¸Ļà¹Ĥลยี": 132098, "צר×Ļ": 132099, "ĠÐļÑĥ": 132100, "ılma": 132101, "決ãĤģ": 132102, "اÙĪ": 132103, "Ġ×ĵק×ķת": 132104, "à¸Ħรู": 132105, "ĠÙħستÙĪÙī": 132106, "à¸Ľà¹īà¸Ńà¸ĩ": 132107, "à¸Ľà¹īà¸Ńà¸ĩà¸ģัà¸Ļ": 132108, "×ĵ×ķ×ŀ×Ķ": 132109, "ĠÑģегоднÑı": 132110, "سÙĪÙĤ": 132111, "ר×Ĺ×ķ×ij": 132112, "Ġإدارة": 132113, "Ñħож": 132114, "éģİãģİ": 132115, "à¸Ħà¸Ń": 132116, "нÑĥл": 132117, "×ķ׼×Ķ": 132118, "ÙĪاÙģÙĤ": 132119, "׼׾׾": 132120, "Ġ×Ķ×ĵ×ķ": 132121, "ĠlÄ©nh": 132122, "Ġkhảo": 132123, "×IJ×ŀצע": 132124, "머": 132125, "Ġ׼×Ļצ": 132126, "Ġ׼×Ļצ×ĵ": 132127, "ĠдолжнÑĭ": 132128, "หวัà¸ĩ": 132129, "ãĥĩãĤ¶": 132130, "ãĥĩãĤ¶ãĤ¤ãĥ³": 132131, "Ġngá»Ŀ": 132132, "ä¸Ńãģ«": 132133, "à¸ģลัà¸ļมา": 132134, "جÙħاÙĦ": 132135, "à¸Ķัà¸ĩà¸ģลà¹Īาว": 132136, "سÙĥÙĨ": 132137, "سÙĨ": 132138, "Ġözellikle": 132139, "зеÑĢ": 132140, "rzÄĻ": 132141, "×ŀ×ķר×Ķ": 132142, "Ġlạ": 132143, "×ŀ×Ļ׳×Ļ": 132144, "ר×Ļת": 132145, "ãģĿãĤĮãģĮ": 132146, "ãģĭãĤĮ": 132147, "ĠÙĬÙħÙĥÙĨÙĥ": 132148, "öffentlich": 132149, "ган": 132150, "ĠاÙĦØŃÙĦ": 132151, "ĠmiÄĻdzy": 132152, "ĠÑĩаÑģÑĤи": 132153, "ujÄħcy": 132154, "ĠbaÄŁlı": 132155, "ĠiliÅŁki": 132156, "Ùģاء": 132157, "ãĥªãĥ³ãĤ°": 132158, "Ġhãng": 132159, "ĠконÑĤÑĢ": 132160, "ĠконÑĤÑĢол": 132161, "коп": 132162, "ש×Ļ×¢": 132163, "ש×Ļ×¢×ķר": 132164, "ĠÐĴаÑĪ": 132165, "Ġ×Ķתק": 132166, "ÙħÙĨع": 132167, "ĠpolÃŃtico": 132168, "Ġголов": 132169, "ĠØ¥ÙĬ": 132170, "Ø¥ÙĨتاج": 132171, "à¸ļิ": 132172, "ĠговоÑĢ": 132173, "ĠговоÑĢиÑĤ": 132174, "Ġphá»ķ": 132175, "ĠÑģемÑĮ": 132176, "ãģ¯ãģĤãĤĬãģ¾ãģĽãĤĵ": 132177, "ĠÙĪاست": 132178, "×ŀשפ×ĺ": 132179, "зем": 132180, "×ŀ×ĵ×ijר": 132181, "Ġíģ°": 132182, "ĠìĿ´ë²Ī": 132183, "ê°ĢëĬĶ": 132184, "Ġì§ĢìĽIJ": 132185, "ĠcaÅĤy": 132186, "ĠgeliÅŁtir": 132187, "Ñģкое": 132188, "posé": 132189, "Ġkhô": 132190, "à¸ķิà¸Ķà¸ķาม": 132191, "missão": 132192, "Ġ׾×ŀר": 132193, "Ġ׾×ŀר×ķת": 132194, "Ġbó": 132195, "à¸ķรวà¸Īสà¸Ńà¸ļ": 132196, "Ġnghá»ģ": 132197, "Ġбиз": 132198, "ĠбизнеÑģ": 132199, "ÑģÑĤеÑĢ": 132200, "ÙĪÙİ": 132201, "楽ãģĹãģ": 132202, "楽ãģĹãģ¿": 132203, "ãģĵãĤĮãģĭãĤī": 132204, "wiÄħzan": 132205, "สà¸Ńà¸Ļ": 132206, "ÙħÙĪر": 132207, "׳×ĵ׾": 132208, "Ġ×Ķ×IJ×ĵ×Ŀ": 132209, "Ġмолод": 132210, "ØŃÙħا": 132211, "ØŃÙħاÙĬØ©": 132212, "ÑģÑĤÑĢан": 132213, "Ġbuá»ķi": 132214, "ת×Ļ×Ļ×Ŀ": 132215, "abileceÄŁi": 132216, "LÄ°": 132217, "à¹Ģยà¸Ńะ": 132218, "à¸Īร": 132219, "سÙĥاÙĨ": 132220, "à¸Ļัà¸Ķ": 132221, "Ġmấy": 132222, "ĠÐijа": 132223, "sÅĤaw": 132224, "ĠÙģÙĦا": 132225, "ĠкоÑĤоÑĢой": 132226, "ĠплоÑī": 132227, "ĠплоÑīад": 132228, "ãĤĤãģĤãĤĬ": 132229, "szczÄĻ": 132230, "×Ļפ×ķ": 132231, "ש×ŀת": 132232, "owaÅĤa": 132233, "Ġnông": 132234, "צ×ij×IJ": 132235, "ĠìŀĪìĹĪ": 132236, "ãģ¾ãģ¨": 132237, "ãģ¾ãģ¨ãĤģ": 132238, "ÙĤÙĪات": 132239, "ãģ¿ãĤĵãģª": 132240, "Ġ׼×ŀ×¢×ĺ": 132241, "Ġxúc": 132242, "ï¼Ĩ": 132243, "rÄĻ": 132244, "rÄĻcz": 132245, "×ĵ×ŀ×Ļ": 132246, "ĠtáºŃn": 132247, "à¸Ķวà¸ĩ": 132248, "ê²½ìłľ": 132249, "пÑĥÑĤ": 132250, "أربع": 132251, "Ġ×ŀשת×ŀש": 132252, "ãĤ¿ãĤ¤ãĥĹ": 132253, "Ġìłľê°Ģ": 132254, "Ġ׾׼ף": 132255, "ĠобÑĢазом": 132256, "ÙĬÙĥا": 132257, "wÅĤ": 132258, "wÅĤasn": 132259, "ĠاÙĦÙĪØ·ÙĨÙĬØ©": 132260, "بÙĬب": 132261, "×ŀ׾×Ļ": 132262, "кÑĢаÑĤ": 132263, "기ìĹIJ": 132264, "ÙĤاد": 132265, "ĠÙĦدÙī": 132266, "à¸Ħวามรูà¹ī": 132267, "×ŀ×ĵ×Ļ׳×Ļ×ķת": 132268, "겨": 132269, "ĠíĺĦìŀ¬": 132270, "שת×Ļ": 132271, "мол": 132272, "Ġmái": 132273, "à¸ŀิม": 132274, "à¸ŀิมà¸ŀ": 132275, "à¸ŀิมà¸ŀà¹Į": 132276, "หลวà¸ĩ": 132277, "Ġxuyên": 132278, "×Ĺסר": 132279, "رÙĪÙĨ": 132280, "ãģĿãģĨãģĦãģĨ": 132281, "ãģĿãĤĮãģŀ": 132282, "ãģĿãĤĮãģŀãĤĮ": 132283, "Ġ׼ש×Ķ": 132284, "ÐŁÑĢав": 132285, "×ŀ×ijצע": 132286, "عرب": 132287, "Ġbüyü": 132288, "פ×Ļת×ķ×Ĺ": 132289, "à¸Īà¸ļ": 132290, "ĠØ£Ùĥبر": 132291, "שרת": 132292, "×ŀ׼ש×Ļר": 132293, "ĠÙĪÙħع": 132294, "ãģ®ãģŁãĤģãģ«": 132295, "à¸Ļัà¸ļ": 132296, "ì°°": 132297, "ãĥªãĥķãĤ©": 132298, "ãĥªãĥķãĤ©ãĥ¼ãĥł": 132299, "ĠcÆ°á»Ŀng": 132300, "ĠìłĢíĿ¬": 132301, "ÙħÙĨظÙħØ©": 132302, "Ġhiçbir": 132303, "ãģ§ãģ¯ãģĤãĤĬãģ¾ãģĽãĤĵ": 132304, "รà¸Ńย": 132305, "ëIJľëĭ¤": 132306, "ãģĻãģIJãģ«": 132307, "кла": 132308, "Ġürünler": 132309, "Ġkiá»ĥu": 132310, "ĠëĤĺëĬĶ": 132311, "ÑĤки": 132312, "Ñģим": 132313, "Ġchá»īnh": 132314, "ãĤĤãģªãģĦ": 132315, "ศรี": 132316, "æĽ¿ãģĪ": 132317, "taÅŁ": 132318, "ĠبÙĥÙĦ": 132319, "Ġ×ķ×Ļש": 132320, "visão": 132321, "ä¼Ŀ": 132322, "ä¼ĿãģĪ": 132323, "ÙĦد": 132324, "׾×Ļ×ŀ": 132325, "׾×Ļ×ŀ×ķ×ĵ": 132326, "tória": 132327, "دÙij": 132328, "اÙħر": 132329, "Ġê·¸ëłĩê²Į": 132330, "ĠmateriaÅĤ": 132331, "à¸Ĺรา": 132332, "à¸Ĺราà¸ļ": 132333, "ãģ®æĸ¹ãģĮ": 132334, "ãģ¦ãģįãģŁ": 132335, "ضغ": 132336, "ضغط": 132337, "ĠÙĬعÙĨÙĬ": 132338, "ело": 132339, "×IJ×Ķ×ij×Ķ": 132340, "×¢×ŀ": 132341, "ÅŁÄ±k": 132342, "ìŀIJëĬĶ": 132343, "ãĤ¿ãĥ³": 132344, "ĠbáºŃt": 132345, "×ŀשפ×Ĺ×Ķ": 132346, "кÑĢи": 132347, "бли": 132348, "สัà¸ķ": 132349, "สัà¸ķวà¹Į": 132350, "ĠسÙĨÙĪات": 132351, "ĠPhÆ°Æ¡ng": 132352, "ãģ¦ãģĹãģ¾ãģ£ãģŁ": 132353, "ãģªãģľ": 132354, "Ġ×ij×IJ×ķ": 132355, "Ġcán": 132356, "سجÙĦ": 132357, "Ġlẽ": 132358, "ãĤ±ãĥ¼ãĤ¹": 132359, "Ġק×Ļ×ij׾": 132360, "à¸ļà¸Ĺà¸Ħวาม": 132361, "Ġ×ķ׼ף": 132362, "ĠпÑĢедÑģÑĤавлен": 132363, "Ġná»iji": 132364, "Ġcomentário": 132365, "ением": 132366, "Ġtá»ı": 132367, "lÃł": 132368, "Ġש×Ķ×Ļ×Ķ": 132369, "Ñģлав": 132370, "ĠاÙĦÙĪÙĦا": 132371, "ĠاÙĦÙĪÙĦاÙĬات": 132372, "ÙĦجÙĨØ©": 132373, "ק×ķר×IJ": 132374, "бÑĭÑĤ": 132375, "Ġì¦": 132376, "Ġì¦ī": 132377, "ãģ§ãģĻãģĹ": 132378, "หรืà¸Ńà¹Ħมà¹Ī": 132379, "заÑīиÑĤ": 132380, "ÙģÙĦسطÙĬÙĨ": 132381, "Ġmiá»ħn": 132382, "à¹Ģยà¹ĩà¸Ļ": 132383, "ĠçalÄ±ÅŁan": 132384, "×Ļ×Ĵ×Ķ": 132385, "ĠEÄŁ": 132386, "ĠEÄŁitim": 132387, "ãĥĥãĤ·ãĥ¥": 132388, "ĠопÑĭ": 132389, "ĠопÑĭÑĤ": 132390, "رغ": 132391, "رغب": 132392, "ĠÑģвоиÑħ": 132393, "à¸Ľà¸£à¸°à¸ķ": 132394, "à¸Ľà¸£à¸°à¸ķู": 132395, "Ġ×ŀ×IJ×ĵ": 132396, "׼×ķ׳×Ļ×Ŀ": 132397, "à¸Ļี": 132398, "ĠвÑĭÑħод": 132399, "ãģ®ä¸Ńãģ«": 132400, "פ׾×IJ": 132401, "ĠÙĪÙĦÙĬس": 132402, "פ×ķרס": 132403, "פ×ķרס×Ŀ": 132404, "ÙħسÙĦÙħ": 132405, "Ġngôi": 132406, "×ĵ×ŀ×ķת": 132407, "ãĤĴ使ãģ£ãģ¦": 132408, "ĠпомоÑīÑĮÑİ": 132409, "أسر": 132410, "блок": 132411, "ÙĤÙĩ": 132412, "ãģĹãģ¾ãģĦ": 132413, "ãģ¨ãģĹãģŁ": 132414, "ĠпеÑģ": 132415, "ãĥīãĥ«": 132416, "×Ĺ×Ŀ": 132417, "ãģĹãģªãģĮãĤī": 132418, "ĠÐŁÑĢед": 132419, "ãĥģãĤ§ãĥĥãĤ¯": 132420, "å¼·ãģĦ": 132421, "ש×Ļר×ķת": 132422, "даеÑĤ": 132423, "×Ļ×ij×ķ": 132424, "Ġgenç": 132425, "илаÑģ": 132426, "илаÑģÑĮ": 132427, "ĠبÙĦد": 132428, "æĤª": 132429, "æĤªãģĦ": 132430, "Ġ×ŀשת": 132431, "æ§ĺãĢħ": 132432, "æ§ĺãĢħãģª": 132433, "à¸ĺรรมà¸Ĭาà¸ķิ": 132434, "ĠÙĥاÙħÙĦ": 132435, "ĠاÙĦسÙħ": 132436, "×ij×ĺ×Ļ×Ĺ": 132437, "cá": 132438, "gência": 132439, "ãĤ¹ãĤ¿ãĥ¼": 132440, "à¸Ĺำà¸ģาร": 132441, "×Ļ×ľ×ª": 132442, "Ġ×Ļ×ķצ×IJ": 132443, "wój": 132444, "à¸ļุà¸Ħ": 132445, "à¸ļุà¸Ħà¸Ħล": 132446, "عتÙħ": 132447, "عتÙħد": 132448, "ãģĿãĤĮãģ«": 132449, "ĠاÙĦتارÙĬØ®": 132450, "ÙĤراء": 132451, "Ġyönetim": 132452, "קשר": 132453, "ĠÑģпоÑĢÑĤ": 132454, "Ġר×IJש×ķף": 132455, "Ġseñal": 132456, "Ġchắn": 132457, "çĦ¡ãģĦ": 132458, "ĠдоÑģÑĤаÑĤ": 132459, "ĠдоÑģÑĤаÑĤоÑĩно": 132460, "Ġágua": 132461, "à¸ģรà¸ĵ": 132462, "à¸ģรà¸ĵี": 132463, "Ġ×ŀש×ķ": 132464, "Ġtrải": 132465, "ë²Į": 132466, "ujÄħcych": 132467, "Ùģرد": 132468, "à¹ĥà¸ģล": 132469, "à¹ĥà¸ģลà¹ī": 132470, "ãĤĭãģ®ãģ¯": 132471, "ר×ķ×ķ×Ĺ": 132472, "ÙĨÙĥ": 132473, "ĠاÙĦÙĨÙĤ": 132474, "ãģ®ãģ§ãģĹãĤĩãģĨ": 132475, "ãģ®ãģ§ãģĹãĤĩãģĨãģĭ": 132476, "ÙħعرÙģ": 132477, "ÙħعرÙģØ©": 132478, "ÑĥÑīе": 132479, "Ġ×ij×¢×Ļקר": 132480, "تصÙĦ": 132481, "Ġ×Ķ×IJר": 132482, "Ġ×Ķ×IJרץ": 132483, "ĠÅŀi": 132484, "à¸Ĥาà¸Ķ": 132485, "íŀĺ": 132486, "ãģªãĤĵãģ¨": 132487, "ĠìĤ¬ëŀij": 132488, "lÃ¼ÄŁÃ¼": 132489, "باء": 132490, "ĠاÙĦآخر": 132491, "ĠfamÃŃlia": 132492, "ĠTháng": 132493, "ÑīениÑı": 132494, "ãĤ¯ãĥŃ": 132495, "ĠThứ": 132496, "æĽ¸ãģį": 132497, "енной": 132498, "ìŀ¡": 132499, "благ": 132500, "благо": 132501, "пов": 132502, "à¹ģว": 132503, "à¸ĩà¸Ħà¹Į": 132504, "à¸Ńัà¸Ļà¸Ķัà¸ļ": 132505, "ãģĤãģĴ": 132506, "รà¹īาย": 132507, "ünün": 132508, "Ġ×Ļ׼×ķ׾×Ķ": 132509, "зон": 132510, "ĠÐľÐ¸": 132511, "маÑĤеÑĢиал": 132512, "Ġë³´ë©´": 132513, "ØŃÙģظ": 132514, "êÌģ": 132515, "ãģ«ãģĻãĤĭ": 132516, "Ġת×IJ": 132517, "Ġ×Ķס×ķ": 132518, "ĠÑģÑĤоÑĢ": 132519, "ĠÑģÑĤоÑĢон": 132520, "ãĥĪãĥĥãĥĹ": 132521, "ÅĤoÅĽÄĩ": 132522, "ëħ¼": 132523, "ëĵĿ": 132524, "ĠÙĪاÙĦع": 132525, "ì¶Ķ": 132526, "Ġ×Ļצ×IJ": 132527, "ĠÑĢаздел": 132528, "алÑĮнаÑı": 132529, "×IJ׳ש×Ļ": 132530, "spoÅĤ": 132531, "spoÅĤec": 132532, "spoÅĤeczn": 132533, "إعÙĦ": 132534, "إعÙĦاÙĨ": 132535, "ÙĤÙĪÙī": 132536, "íķĺë©´ìĦľ": 132537, "تطÙĪر": 132538, "Ġsiêu": 132539, "Ỽt": 132540, "дви": 132541, "движ": 132542, "Ġquần": 132543, "kıl": 132544, "ĠпÑĢизна": 132545, "ĠHã": 132546, "ĠHãy": 132547, "ĠباÙĦت": 132548, "manın": 132549, "ãĤ«ãĥ«": 132550, "Ġká»·": 132551, "ק׾×Ļ": 132552, "ëIJĺì§Ģ": 132553, "تعÙĦÙħ": 132554, "ìĭľìĦ¤": 132555, "ìĭ¶": 132556, "íĺ¼": 132557, "ÙĥÙĬÙģ": 132558, "売ãĤĬ": 132559, "วิà¸Ĭา": 132560, "бал": 132561, "ĠØ£ØŃ": 132562, "Ġдолжен": 132563, "ราà¸ĩ": 132564, "ราà¸ĩวั": 132565, "ราà¸ĩวัล": 132566, "Ùħاء": 132567, "جار": 132568, "Åļ": 132569, "Ġ×ŀ×IJ×ĸ": 132570, "ר×ŀ×Ķ": 132571, "ãģĭãĤĤãģĹãĤĮãģªãģĦ": 132572, "étude": 132573, "czÄħc": 132574, "Ġgór": 132575, "×ł×¡×Ķ": 132576, "ÙħÙĬد": 132577, "ĠÐŁÐµÑĢе": 132578, "أخر": 132579, "ãģĿãģ®å¾Į": 132580, "à¹Ģà¸Ķียวà¸ģัà¸Ļ": 132581, "×ŀ×Ĵ×ķ": 132582, "×ŀ×Ĵ×ķ×ķף": 132583, "дов": 132584, "masına": 132585, "×¢×ł×Ķ": 132586, "ãĤ±ãĥĥãĥĪ": 132587, "סע": 132588, "סע×Ļ×£": 132589, "ĠTÆ°": 132590, "Ġtóc": 132591, "íĻľëıĻ": 132592, "ĠÐŀд": 132593, "ĠÐŀднако": 132594, "Ġdolayı": 132595, "ؤÙĥد": 132596, "ê³Ħíļį": 132597, "׾ר": 132598, "веÑĩ": 132599, "Ġkhợi": 132600, "Ġthủy": 132601, "×ĵף": 132602, "รà¸ģ": 132603, "à¸ļัà¸ķร": 132604, "à¹Ģà¸ģà¹Īา": 132605, "ĠاÙĦثاÙĦ": 132606, "ĠاÙĦثاÙĦØ«": 132607, "Ġpodrá": 132608, "ער×Ļ": 132609, "ÙĨجاØŃ": 132610, "Ġkhắc": 132611, "측": 132612, "Ä°M": 132613, "ãĤ»ãĥĥãĥĪ": 132614, "żenia": 132615, "Ġ׾×Ĺ×ijר": 132616, "erÃł": 132617, "ì´Ī": 132618, "Ġküç": 132619, "Ġküçük": 132620, "اتÙĩÙħ": 132621, "à¸ĭà¹Į": 132622, "ÙħشارÙĥØ©": 132623, "ĠاÙĦبط": 132624, "Ġdây": 132625, "еннÑĭм": 132626, "à¸Ĺีà¹Īà¹Ħมà¹Ī": 132627, "ÙĤÙİ": 132628, "Ġvượt": 132629, "Ġtrì": 132630, "ĠwpÅĤyw": 132631, "AÅŀ": 132632, "зо": 132633, "ĠاÙĦسÙĬد": 132634, "à¸Ĺะà¹Ģล": 132635, "ĠÑģодеÑĢжа": 132636, "عطÙĬ": 132637, "ĠاÙĦعÙĨ": 132638, "èĢħãģĮ": 132639, "à¹Ģหà¸Ļ": 132640, "à¹Ģหà¸Ļืà¸Ń": 132641, "ĠbÃŃ": 132642, "Ġüzerinden": 132643, "ĠVÅ©": 132644, "Ġnuôi": 132645, "ÙĨÙħ": 132646, "алÑĮного": 132647, "×¢×Ļף": 132648, "ØŃضر": 132649, "ĠоÑĤдел": 132650, "ëªĩ": 132651, "ìķ¡": 132652, "ĠÙĦدÙĬÙĩ": 132653, "ìĻľ": 132654, "Ġsektör": 132655, "Ġвозможно": 132656, "ĠÐĶж": 132657, "Ġhô": 132658, "äºĭãģĮ": 132659, "иÑĢование": 132660, "алÑĮной": 132661, "Ġ미êµŃ": 132662, "رØŃÙĦ": 132663, "ĠÑįкÑģ": 132664, "пÑĢавлÑı": 132665, "Ġnhá»Ŀ": 132666, "ĠÄijẩ": 132667, "ĠÄijẩy": 132668, "ÙģÙĥر": 132669, "ĠÙĪأضاÙģ": 132670, "ãĥIJãĤ¹": 132671, "ת×ķ׼׳×Ļת": 132672, "ÑĤелей": 132673, "ĠØ¥ÙĦÙĬÙĩ": 132674, "ãģ¨è¨Ģãģ£ãģ¦": 132675, "Ġдве": 132676, "Ġchấp": 132677, "ĠLö": 132678, "à¸Ħลิ": 132679, "à¸Ħà¸¥à¸´à¸Ľ": 132680, "ĠسÙĪر": 132681, "ĠسÙĪرÙĬا": 132682, "×ŀ×Ĺ×ķ": 132683, "stä": 132684, "доб": 132685, "Ġniá»ĩm": 132686, "ãģ®å¤§": 132687, "פר×ķ×Ļק": 132688, "פר×ķ×Ļק×ĺ": 132689, "ĠChâu": 132690, "Ġ×ŀ×Ķ×Ŀ": 132691, "Ñģким": 132692, "ĠполÑĥÑĩиÑĤÑĮ": 132693, "ÙĬÙĪÙħ": 132694, "Ø«ÙĪر": 132695, "פ×ķ׾×Ļ×ĺ": 132696, "פ×ķ׾×Ļ×ĺ×Ļ": 132697, "ĠмеÑģÑıÑĨ": 132698, "åħ¨ãģ¦": 132699, "ĠاÙĦÙħجÙĦس": 132700, "ĠاÙĦتاÙĦÙĬ": 132701, "Ġ×Ĺר": 132702, "åIJijãģij": 132703, "׼×ŀ×Ķ": 132704, "бед": 132705, "أعض": 132706, "أعضاء": 132707, "ÙĪÙĦد": 132708, "วà¹Īาà¸Īะ": 132709, "Ġbánh": 132710, "à¸Ļิย": 132711, "à¸Ļิยม": 132712, "à¸Ľà¸£à¸°à¸ģัà¸Ļ": 132713, "ÑģÑĤавиÑĤÑĮ": 132714, "à¸ŀà¸Ļัà¸Ļ": 132715, "ĠÑįÑĦÑĦ": 132716, "ĠÑįÑĦÑĦекÑĤив": 132717, "ĠавÑĤоÑĢ": 132718, "ĠÄIJÄĥng": 132719, "ĠthÆ°á»Łng": 132720, "ãĤĴæĦŁãģĺ": 132721, "à¸ģัà¸ļà¸ģาร": 132722, "å¾Įãģ«": 132723, "ĠyaÄŁ": 132724, "ستاÙĨ": 132725, "Ġliá»ģn": 132726, "ãģĦãģ¾": 132727, "iêu": 132728, "à¹Ĥà¸Ķà¸Ļ": 132729, "ĠÙĦØ°ÙĦÙĥ": 132730, "à¹Ĥรà¸ĩà¹Ģรียà¸Ļ": 132731, "צ×Ļ×Ĵ": 132732, "ĠاÙĦÙħعÙĦÙĪÙħات": 132733, "ç§ģãģŁãģ¡": 132734, "à¸Ĺีà¹Īà¸Ħุà¸ĵ": 132735, "ãģ«ãģªãģ£ãģ¦ãģĦãĤĭ": 132736, "×ŀ×ĵ×Ļ׳×Ķ": 132737, "×¡×Ľ×Ŀ": 132738, "Ġвне": 132739, "à¸ŀà¸Ļัà¸ģà¸ĩาà¸Ļ": 132740, "ÑĢей": 132741, "à¹Ģà¸Īà¹īาหà¸Ļà¹īาà¸Ĺีà¹Ī": 132742, "ĠHiá»ĩn": 132743, "Ġmédico": 132744, "ĠتØŃÙĤÙĬÙĤ": 132745, "ÑĮÑĤе": 132746, "miÅŁti": 132747, "ÙĤÙĬادة": 132748, "ãĤıãģĭãĤĬ": 132749, "มาà¸Īาà¸ģ": 132750, "ëħĢ": 132751, "ãģ«éĸ¢ãģĻãĤĭ": 132752, "×IJר×Ĵ×ķף": 132753, "mètre": 132754, "Ġעצ×ŀ×Ļ": 132755, "ĠChúa": 132756, "รูà¹īà¸Ī": 132757, "รูà¹īà¸Īัà¸ģ": 132758, "ì£Ħ": 132759, "ëĭµ": 132760, "à¹ģà¸Ĺà¹ī": 132761, "Ġgeçen": 132762, "Ġlança": 132763, "ĠاÙĦبØŃØ«": 132764, "×ĵ×ŀ×ķ": 132765, "ãģ¯ãģĺ": 132766, "ãģ¯ãģĺãĤģ": 132767, "ĠdönÃ¼ÅŁ": 132768, "è¿ijãģı": 132769, "à¹Ģสม": 132770, "à¹Ģสมà¸Ń": 132771, "ëĿ½": 132772, "Ġüç": 132773, "á»ŀ": 132774, "ÑĪаÑı": 132775, "à¸Ĺร": 132776, "ØŃÙĤÙĬÙĤØ©": 132777, "à¸Ĥà¸Ńà¸ĩà¸ģาร": 132778, "Ġ무ìĹĩ": 132779, "Ġ×Ķ׼ר": 132780, "ĠاÙĦصÙĬÙĨ": 132781, "ĠлÑİди": 132782, "à¸ķาย": 132783, "بÙĪÙĦ": 132784, "Ġviêm": 132785, "Ġthiá»ĩu": 132786, "à¸ģà¸Ķ": 132787, "Ġ׾×ĵ×ijר": 132788, "פ׳×Ķ": 132789, "×IJר×ij×¢": 132790, "سÙī": 132791, "ĠاÙĦسÙĬاس": 132792, "ĠاÙĦسÙĬاسÙĬØ©": 132793, "ydı": 132794, "ÙĪØŃدة": 132795, "ĠдеÑıÑĤелÑĮноÑģÑĤи": 132796, "Ġ×ķ×Ķ×ŀ": 132797, "пеÑĩ": 132798, "пеÑĩаÑĤ": 132799, "иÑĢованиÑı": 132800, "ĠÑģог": 132801, "ĠÑģоглаÑģ": 132802, "Ġ׼×ĵ": 132803, "Ġ׼×ĵ×IJ×Ļ": 132804, "ĠиÑģполÑĮзоваÑĤÑĮ": 132805, "ספ×ķר×ĺ": 132806, "Ġilçe": 132807, "expérience": 132808, "ĠThá»Ŀi": 132809, "Ä°K": 132810, "à¹Ħà¸Łà¸Łà¹īา": 132811, "ëĵ¤ìĹIJê²Į": 132812, "à¸Ľà¸£à¸°à¹Ģà¸ł": 132813, "à¸Ľà¸£à¸°à¹Ģà¸łà¸Ĺ": 132814, "Ġmümk": 132815, "Ġmümkün": 132816, "Ġ×IJ×ķ×ª×ł×ķ": 132817, "ìĦ±ìĿĦ": 132818, "ĠìĿ´ìľł": 132819, "زÙĬارة": 132820, "Ġoldukça": 132821, "rób": 132822, "ĠØ£ÙĨا": 132823, "Ġ×Ķ×ij×Ļ": 132824, "Ñģен": 132825, "×¢×Ļקר": 132826, "×Ļ×ĵ×ķ×¢": 132827, "dzÄħ": 132828, "ÙħعÙĦÙĪÙħات": 132829, "شاب": 132830, "Ġparça": 132831, "à¸Ļะà¸Ħะ": 132832, "باس": 132833, "ĠÑĤоÑĢг": 132834, "ĠÑĤоÑĢгов": 132835, "Ġ×Ĺ×ĵר": 132836, "׼ר×ĺ": 132837, "׼ר×ĺ×Ļס": 132838, "ĠAyrıca": 132839, "ệ": 132840, "ìľ¨": 132841, "ĠÑĤакие": 132842, "Ġ×ŀצ×ķ×Ļ": 132843, "ãĥ©ãĥ³ãĤŃãĥ³ãĤ°": 132844, "ש×Ļ×ķ×ķק": 132845, "åīįãģ®": 132846, "ĠBảo": 132847, "ÑīÑĥ": 132848, "æĹ©ãģı": 132849, "ĠPhòng": 132850, "à¸ŀระราà¸Ĭ": 132851, "פ×Ĺ×ķת": 132852, "Ġгл": 132853, "Ġглаз": 132854, "à¸Ĺà¹Īา": 132855, "Ġdạy": 132856, "ÑĢоÑģÑĤ": 132857, "à¹Ĥà¸Ķยà¹Ģà¸īà¸ŀาะ": 132858, "ĠquáºŃn": 132859, "Ġ×Ĺ×ijר×ķת": 132860, "même": 132861, "mÄ±ÅŁtı": 132862, "ĠاÙĦتداÙĪÙĦ": 132863, "Ġnạn": 132864, "Ġ×Ķ×ĵ×Ļ": 132865, "ĠاÙĦطرÙĬÙĤ": 132866, "×Ĵ×ķת": 132867, "Ġ×Ķ×ĵר×ļ": 132868, "ujÄħce": 132869, "Ġchữ": 132870, "ãĤĤãģ®ãģ®": 132871, "ë°Ľ": 132872, "ãģķãĤĵãģ¯": 132873, "Ġyardım": 132874, "ĠاÙĦعÙħ": 132875, "Ġì§Ħíĸī": 132876, "Ġ×Ļ×Ĺ": 132877, "Ġ×Ļ×Ĺס×Ļ": 132878, "ĠاÙĦÙħدÙĬÙĨØ©": 132879, "Ġcú": 132880, "à¸ģีฬ": 132881, "à¸ģีฬา": 132882, "Ġniên": 132883, "misión": 132884, "׳×Ļס×Ļ": 132885, "׳×Ļס×Ļ×ķף": 132886, "ĠвозÑĢаÑģÑĤ": 132887, "Ġ×¢×ķש×Ķ": 132888, "ĠÙħدÙĬر": 132889, "ÑıÑģÑĮ": 132890, "ØŃجÙħ": 132891, "íĻĺê²½": 132892, "ĠاÙĦأخرÙī": 132893, "uÃŁer": 132894, "ĠاÙĦعاÙĦÙħÙĬØ©": 132895, "ĠNgá»įc": 132896, "êµIJíļĮ": 132897, "ä¸Ĭãģ§": 132898, "×Ļ×Ķ×ķ×ĵ": 132899, "×Ļ×Ķ×ķ×ĵ×Ļ×Ŀ": 132900, "Ùħساعدة": 132901, "ĠжизнÑĮ": 132902, "ĠпоÑĤомÑĥ": 132903, "ĠاÙĦÙħÙħÙĦ": 132904, "ĠاÙĦÙħÙħÙĦÙĥØ©": 132905, "ĠGör": 132906, "رÙIJ": 132907, "×ŀק×ķ×ŀ×ķת": 132908, "åĩºæĿ¥ãĤĭ": 132909, "ÑĦÑĤ": 132910, "ĠìĿ´ìłľ": 132911, "ĠÑĢем": 132912, "ĠÑĢемонÑĤ": 132913, "ת×ķ×ļ": 132914, "æĻĤãģ¯": 132915, "ãĤīãĤĮãģªãģĦ": 132916, "altı": 132917, "家ãģ®": 132918, "ĠاÙĦإعÙĦاÙħ": 132919, "리ëĬĶ": 132920, "ãģĭãĤīãģ¯": 132921, "ĠHạ": 132922, "ãģĤãģ®": 132923, "×ĵ×Ļ×ķף": 132924, "رÙĬس": 132925, "ĠsocietÃł": 132926, "ĠاÙĦÙĥبÙĬر": 132927, "Ġ×ij×ŀס": 132928, "Ġ×ij×ŀס×Ĵר": 132929, "Ġ×ij×ŀס×Ĵרת": 132930, "ĠìŀĪìľ¼ë©°": 132931, "Ġnặng": 132932, "ÙĩÙī": 132933, "ĠBÃł": 132934, "×ŀר×ķ": 132935, "ĠjÄĻ": 132936, "ĠjÄĻzy": 132937, "ĠjÄĻzyk": 132938, "Ġ׼×ŀ×ķ×ijף": 132939, "×¢×ľ×Ķ": 132940, "à¸Ĺีà¹Īà¹Ħà¸Ķà¹ī": 132941, "ãģ¾ãģĹãĤĩãģĨ": 132942, "×ŀספר": 132943, "ТÐŀ": 132944, "سÙĬاسة": 132945, "ĠкаждÑĭй": 132946, "ë²ł": 132947, "tım": 132948, "yá»ĩn": 132949, "รีà¹Ī": 132950, "ĠдеÑĤÑģк": 132951, "วิà¸ĺีà¸ģาร": 132952, "mówi": 132953, "×ĺ×¢×Ŀ": 132954, "×Ķצ׾×Ĺ×Ķ": 132955, "ضÙĬÙģ": 132956, "ĠÑħоÑĤÑı": 132957, "ãĤĵãģ§ãģĦãĤĭ": 132958, "à¸Ħาà¸Ķ": 132959, "à¸Ħรà¸ļ": 132960, "ĠкÑĥÑĢÑģ": 132961, "ĠbaÅŁarı": 132962, "×ijר×ķ": 132963, "ÙĬعة": 132964, "ĠÐĿÑĥ": 132965, "à¸Ħวามà¹Ģà¸Ľà¹ĩà¸Ļ": 132966, "Ġ׾×ŀש׾": 132967, "Ġì¢ĭìĿĢ": 132968, "Ùħؤسس": 132969, "Ùħؤسسات": 132970, "Ġprécis": 132971, "Ġthảo": 132972, "à¸ģà¹ĩà¸Ħืà¸Ń": 132973, "Ġש׼׾": 132974, "führung": 132975, "ãģĦãģ§": 132976, "à¹ģละมี": 132977, "à¸ģà¹ĩมี": 132978, "Ġשש": 132979, "мел": 132980, "Ġкниг": 132981, "ĠباÙĦÙĨ": 132982, "ĠباÙĦÙĨسبة": 132983, "Ġaldı": 132984, "ÑĤай": 132985, "Ġ×Ĺ×ĵש×Ļ×Ŀ": 132986, "å®Łãģ¯": 132987, "عÙĪا": 132988, "ĠìĿĺ미": 132989, "изм": 132990, "ÑĢабоÑĤаÑĤÑĮ": 132991, "Ùģص": 132992, "Ġ×ij׳×ķסף": 132993, "ãģ¨ãģĹãģ¦ãĤĤ": 132994, "à¹Ģà¸Ľà¹ĩà¸Ļà¸Ĺีà¹Ī": 132995, "ĠÑģледÑĥеÑĤ": 132996, "èĢĥãģĪãģ¦": 132997, "Ġ׼×Ļ×ķ×Ŀ": 132998, "ÑģÑĤÑĭ": 132999, "׼׾׼׾×Ļ": 133000, "æµģãĤĮ": 133001, "ãĤĴãģ¤ãģij": 133002, "ÑĩаÑĤ": 133003, "×Ļ׼×ķף": 133004, "×Ļר×Ļ": 133005, "larıyla": 133006, "ãĤ¤ãĥ¡": 133007, "ãĤ¤ãĥ¡ãĥ¼ãĤ¸": 133008, "׳×ĸק": 133009, "Ġciò": 133010, "Ġsın": 133011, "Ġsınır": 133012, "à¸Ļà¸Ħร": 133013, "каÑĤ": 133014, "Ġlá»Ĺi": 133015, "ëŀĮ": 133016, "تÙģاص": 133017, "تÙģاصÙĬÙĦ": 133018, "ëĨĵ": 133019, "ĠÙħض": 133020, "ilmiÅŁ": 133021, "بارÙĥ": 133022, "ÐĿÐĺ": 133023, "Ġthẩm": 133024, "Ġ×IJ×ķת×ļ": 133025, "ĠпÑĢиним": 133026, "ĠпÑĢинима": 133027, "Ġyönt": 133028, "Ġyöntem": 133029, "Ġ×ŀק×ij׾": 133030, "Ġktórego": 133031, "ê·Ģ": 133032, "شرÙģ": 133033, "داÙħ": 133034, "ãģĦãĤįãģĦãĤį": 133035, "ĠAlém": 133036, "Ġgörü": 133037, "Ġgörünt": 133038, "Ġgörüntü": 133039, "دس": 133040, "ÑĪки": 133041, "гÑĢад": 133042, "Ġlạc": 133043, "Ġsữa": 133044, "ãĤīãĤĮãģ¾ãģĻ": 133045, "oÃłi": 133046, "Ñīен": 133047, "ãģĭãģªãģĦ": 133048, "Ġпоп": 133049, "ĠпопÑĥ": 133050, "ĠпопÑĥлÑıÑĢ": 133051, "ĠاÙĦÙħÙĪÙĤع": 133052, "räg": 133053, "Ａ": 133054, "íķĦ": 133055, "ãĤĴè¦ĭãĤĭ": 133056, "اÙħا": 133057, "ĠاÙĦØŃرب": 133058, "ĠÐŁÐ°": 133059, "Ġ׾×IJתר": 133060, "Ġtá»ijc": 133061, "×ij׾×Ķ": 133062, "رئÙĬس": 133063, "вÑĥ": 133064, "ÙĬدÙĬ": 133065, "казан": 133066, "Ġ×Ĺש×ij×ķף": 133067, "hôtel": 133068, "×¢×ķ׳×Ķ": 133069, "بÙĨÙĬ": 133070, "×ŀ×ķ׾": 133071, "ĠднÑı": 133072, "éĽ£ãģĹãģĦ": 133073, "ведениÑı": 133074, "Ġ×ķ×ŀת": 133075, "напÑĢимеÑĢ": 133076, "ÙĤابÙĦ": 133077, "Ġrésultat": 133078, "ĠÑĢазвиÑĤиÑı": 133079, "رÙij": 133080, "ìłĦ문": 133081, "ĠاÙĦÙħزÙĬد": 133082, "ĠìľĦíķ´ìĦľ": 133083, "ëĨį": 133084, "íĻķ": 133085, "ĠThiết": 133086, "íĮ¨": 133087, "malıdır": 133088, "ĠczÅĤ": 133089, "ĠczÅĤowie": 133090, "ĠczÅĤowiek": 133091, "ĠÙĦبÙĨ": 133092, "ĠÙĦبÙĨاÙĨ": 133093, "üsü": 133094, "ãģªãĤĵãģł": 133095, "Ġżycie": 133096, "ĠÑħоÑĢоÑĪо": 133097, "æĸ¹ãģ«": 133098, "ëĭ¤ë©´": 133099, "иÑĩеÑģкаÑı": 133100, "ער×Ļ׼": 133101, "ער×Ļ×Ľ×ª": 133102, "ãģ¾ãģĽãĤĵãģ§ãģĹãģŁ": 133103, "ĠÑģобой": 133104, "Ġgá»Ĺ": 133105, "ĠделаÑĤÑĮ": 133106, "daÄĩ": 133107, "аÑĢа": 133108, "różni": 133109, "à¹Ģลีà¹ī": 133110, "à¹Ģลีà¹īย": 133111, "à¹Ģลีà¹īยà¸ĩ": 133112, "à¸Ŀาà¸ģ": 133113, "ĠتÙĤ": 133114, "ĠتÙĤدÙĬ": 133115, "ĠتÙĤدÙĬÙħ": 133116, "หà¸Ļุà¹Īม": 133117, "Ġmücade": 133118, "Ġmücadele": 133119, "ì§Ģ를": 133120, "ãĤ¤ãĤ¹": 133121, "Ġأساس": 133122, "jÄħcego": 133123, "ĠÅŁeh": 133124, "нÑĤеÑĢ": 133125, "ÑĨиÑİ": 133126, "ï»»": 133127, "ÑİÑīего": 133128, "à¹Ĥà¸Ľà¸£à¹ģ": 133129, "à¹Ĥà¸Ľà¸£à¹ģà¸ģรม": 133130, "ĠmieÄĩ": 133131, "ØŃÙĥÙĪÙħØ©": 133132, "ãģ§ãģĹãģŁãģĮ": 133133, "×Ļס×Ķ": 133134, "ãĤĤãģ®ãĤĴ": 133135, "Ġ×ŀ×IJת": 133136, "สุà¸Ķà¸Ĺà¹īาย": 133137, "ĠcÅ©": 133138, "ÙĨسب": 133139, "ĠпÑĢоÑĩ": 133140, "Ġдней": 133141, "ĠÑįÑĤиÑħ": 133142, "׾×ŀת": 133143, "нÑıÑı": 133144, "Ñįк": 133145, "Ġì§ĢëĤľ": 133146, "มหาวิà¸Ĺยา": 133147, "มหาวิà¸Ĺยาล": 133148, "มหาวิà¸Ĺยาลัย": 133149, "dão": 133150, "ĠMáy": 133151, "ĠêµŃê°Ģ": 133152, "à¸ļุรี": 133153, "×Ĵ×Ļ׾": 133154, "ĠÑĤÑĭÑģÑı": 133155, "ĠÑĤÑĭÑģÑıÑĩ": 133156, "ÙģÙĥ": 133157, "ĠÐĺÑģ": 133158, "è¡ĮãĤıãĤĮ": 133159, "פר×ĵ": 133160, "ãģ¤ãģį": 133161, "à¸Ħรà¸Ńà¸ļ": 133162, "à¸Ħรà¸Ńà¸ļà¸Ħรัว": 133163, "à¸Ĥึà¹īà¸Ļมา": 133164, "ä»ĬæĹ¥ãģ¯": 133165, "ĠìĤ¬ëŀĮìĿ´": 133166, "עצ×ŀ×Ķ": 133167, "поÑĢ": 133168, "ĠKỳ": 133169, "ĠÆ¡n": 133170, "ĠthÄĥm": 133171, "ÙģاÙĤ": 133172, "ãģļãģ«": 133173, "Ġ׾קר": 133174, "Ġ׾קר×ķ×IJ": 133175, "اÙģÙĬØ©": 133176, "ÙħÙİا": 133177, "гаÑĢ": 133178, "صÙĦا": 133179, "صÙĦاة": 133180, "Ġ×ŀ×ĸ×Ķ": 133181, "lıģını": 133182, "Ġ×IJ×Ļ׳×Ķ": 133183, "кÑĢо": 133184, "ĠngÆ°Æ¡i": 133185, "Ġвним": 133186, "Ġвнимание": 133187, "jÄħcy": 133188, "ÙĢÙĢÙĢÙĢÙĢ": 133189, "ÑģÑħод": 133190, "ãģªãĤĵãģĭ": 133191, "×ŀ×Ļ׾": 133192, "Ġ×Ķ×IJ×Ĺ": 133193, "ãĤıãģªãģĦ": 133194, "عسÙĥر": 133195, "ĠìĦ¸ê³Ħ": 133196, "ĠÑĩего": 133197, "ĠÑģÑĢедÑģÑĤва": 133198, "ĠÐłÐ°Ñģ": 133199, "ãģªãģģ": 133200, "ÙĨÙģس": 133201, "ר×Ļ×ķף": 133202, "ÑģÑĥд": 133203, "ĠìĿ¸ê°Ħ": 133204, "ĠاÙĦÙħÙĤبÙĦ": 133205, "ÙĨعÙħ": 133206, "تÙĪÙģر": 133207, "ש×ij×¢": 133208, "ılm": 133209, "ılmÄ±ÅŁ": 133210, "Ġ×ľ×ª×ª": 133211, "تصÙģ": 133212, "×Ķפ×ķ×ļ": 133213, "à¹ĥà¸Ļà¸Ľà¸µ": 133214, "ìĿ´ê³ł": 133215, "ÙģÙĪز": 133216, "à¸ľà¸¥à¸ĩาà¸Ļ": 133217, "ĠGiáo": 133218, "à¸ļà¸Ńà¸ģวà¹Īา": 133219, "ĠdÄ±ÅŁ": 133220, "ĠdÄ±ÅŁÄ±nda": 133221, "죽": 133222, "ĠdzieÅĦ": 133223, "кÑĨии": 133224, "иÑĨе": 133225, "ãģ®ä¸Ģ": 133226, "عش": 133227, "пÑĢеÑģÑģ": 133228, "หà¸Ļà¹Īà¸Ńย": 133229, "ลัà¸ģษà¸ĵะ": 133230, "ĠpossibilitÃł": 133231, "à¹Ħà¸Ķà¹īรัà¸ļà¸ģาร": 133232, "หยุà¸Ķ": 133233, "Ġphiên": 133234, "çĶŁãģ¾ãĤĮ": 133235, "Ø·ÙĪÙĦ": 133236, "ÑĦин": 133237, "für": 133238, "ØŃÙĬاة": 133239, "íĸĪìĬµëĭĪëĭ¤": 133240, "׼׳×ķת": 133241, "à¸Ľà¸£à¸°à¸ª": 133242, "à¸Ľà¸£à¸°à¸ªà¸ļ": 133243, "à¸Ľà¸£à¸°à¸ªà¸ļà¸ģารà¸ĵà¹Į": 133244, "ëIJĺìĹĪ": 133245, "Ġkażdy": 133246, "Ġluyá»ĩn": 133247, "ĠоÑĢганизаÑĨии": 133248, "å°ijãģªãģı": 133249, "ÑģÑĤÑĢоен": 133250, "Ġtécnico": 133251, "ק×Ķ׾": 133252, "Ġ×ķ×IJ×Ĺ": 133253, "ĠعÙĦÙĬÙĥ": 133254, "Ñīение": 133255, "Ġ×Ķ×Ļ׾×ĵ×Ļ×Ŀ": 133256, "ÙĪسائÙĦ": 133257, "Ġ×ķ×Ķת": 133258, "تÙħÙĬز": 133259, "ĠÑģказал": 133260, "Ġполи": 133261, "Ġ×Ķ×ŀס": 133262, "ÙĦÙijÙİ": 133263, "Ùħؤسسة": 133264, "Ġ×ŀ×Ļ×ĵ": 133265, "ãģ£ãģ¡": 133266, "ĠëĦĪ무": 133267, "à¸ŀี": 133268, "Ġtặng": 133269, "Ġtấn": 133270, "רש×Ŀ": 133271, "Ġmédica": 133272, "Ġ×¢×ķ×ŀ": 133273, "Ġ×¢×ķ×ŀ×ĵ": 133274, "ÑĦоÑĢ": 133275, "Ùħرة": 133276, "Ġvatanda": 133277, "ĠvatandaÅŁ": 133278, "Ġдело": 133279, "à¸Ļม": 133280, "ãģ¨åIJĮãģĺ": 133281, "ÙģÙī": 133282, "ÑģоÑĢ": 133283, "Ġ×Ķסר×ĺ": 133284, "Ġépoca": 133285, "ìłķì±ħ": 133286, "ĠÑģвÑıзан": 133287, "ضرب": 133288, "ĠÙĦÙĨا": 133289, "Ġużywa": 133290, "ĠاÙĦجÙĬØ´": 133291, "ÑİÑĢ": 133292, "×ijס×ķ×£": 133293, "ĠмÑĥ": 133294, "ĠмÑĥзÑĭк": 133295, "bilité": 133296, "Ġmaç": 133297, "سÙİ": 133298, "تÙĦÙĥ": 133299, "ãģ¬": 133300, "ÙĬÙĦا": 133301, "ÑĪла": 133302, "ÙĢÙĢÙĢ": 133303, "Ġодной": 133304, "зван": 133305, "ĠÑģÑĢаз": 133306, "ĠÑģÑĢазÑĥ": 133307, "ÙĨظÙħ": 133308, "راÙĩ": 133309, "ĠÙĦÙĩذا": 133310, "׼×ķר": 133311, "Ġ×Ķש×ij×ķ×¢": 133312, "Ġ×Ķשת": 133313, "ĠQuảng": 133314, "ãĥ«ãĥ¼": 133315, "ãģĪãģªãģĦ": 133316, "×ĺ×IJ": 133317, "Ġmiá»ģn": 133318, "ĠPháºŃt": 133319, "ĠاÙĦسÙĪÙĤ": 133320, "ÄĤ": 133321, "ĠاÙĦجÙħع": 133322, "ĠاÙĦجÙħعة": 133323, "ÑİÑīей": 133324, "aÅĤem": 133325, "عتÙĤد": 133326, "Ø£ÙĦÙħ": 133327, "Ñģке": 133328, "ĠìĿ´íķ´": 133329, "ÙĨسخ": 133330, "è¨ĢãģĦ": 133331, "добав": 133332, "سبÙĤ": 133333, "×¢×ķרר": 133334, "ÑĤип": 133335, "ãģĿãģĵãģ§": 133336, "visión": 133337, "عÙĪدة": 133338, "먹": 133339, "×ŀ×ĸר×Ĺ": 133340, "ĠØ¥ØŃ": 133341, "Ġ׾×ij×Ļף": 133342, "Ġ׾צ×IJת": 133343, "Ġyardı": 133344, "Ġyardımc": 133345, "Ġyardımcı": 133346, "Ä°Z": 133347, "קפ×Ķ": 133348, "tré": 133349, "liÄŁini": 133350, "клÑİÑĩа": 133351, "Ġüretim": 133352, "Ġayrı": 133353, "ĠkiÅŁiler": 133354, "à¸Ħà¹īà¸Ļ": 133355, "à¸Ħà¹īà¸Ļหา": 133356, "ĠSá»±": 133357, "Ġ×Ľ×¡": 133358, "Ġ×Ľ×¡×£": 133359, "ĠÑĤакиÑħ": 133360, "ĠXuân": 133361, "Ġлег": 133362, "Ġлегко": 133363, "Ø«ÙĤاÙģØ©": 133364, "ÐĿÐŀ": 133365, "ãĤ¹ãĤ¿ãĥĥ": 133366, "ãĤ¹ãĤ¿ãĥĥãĥķ": 133367, "åIJĪãģĦ": 133368, "Ġ×Ķש×Ļ×ŀ×ķש": 133369, "manız": 133370, "ĠÐĴаÑģ": 133371, "gün": 133372, "ìľĦìĽIJíļĮ": 133373, "Ġwspóln": 133374, "ĠÑģвое": 133375, "íĥģ": 133376, "à¹Ģà¸Ļีย": 133377, "ÙĪبة": 133378, "вÑıз": 133379, "ıdır": 133380, "ëIJĺìĹĪëĭ¤": 133381, "ĠdeÄŁiÅŁtir": 133382, "ãĤĭãģĵãģ¨ãģĮ": 133383, "Ġ×Ĺ×ĵש×Ķ": 133384, "ãĤīãĤĮãģ¦ãģĦãĤĭ": 133385, "×Ĺ×Ļ×Ļ×ij": 133386, "ĠÐļаÑĢ": 133387, "׳×Ļת×ķ×Ĺ": 133388, "Ġק×ĺף": 133389, "ר×ĸ": 133390, "ÙĪغ": 133391, "èªŃãģ¿": 133392, "ĠتÙĤÙĪÙħ": 133393, "ĠÙĥاÙĦ": 133394, "à¸Ŀึà¸ģ": 133395, "Ġë°ľìĥĿ": 133396, "ológico": 133397, "راع": 133398, "à¹ģà¸ģà¹īà¹Ħà¸Ĥ": 133399, "ĠÑĢабоÑĤÑĥ": 133400, "ÙĨÙijÙİ": 133401, "à¸Ńยูà¹Īà¸Ĺีà¹Ī": 133402, "ĠاÙĦثاÙĨÙĬØ©": 133403, "ĠNhân": 133404, "ÑħваÑĤ": 133405, "öne": 133406, "Ġعدة": 133407, "à¹ģสà¸ĩ": 133408, "ÑĤоп": 133409, "пÑĥÑģка": 133410, "شراء": 133411, "ĠÐļом": 133412, "Ġפע×ķ׾×Ķ": 133413, "ìĤ¬ìĿ´": 133414, "ìĤ¬ìĿ´íĬ¸": 133415, "è¡Įãģ£ãģ¦": 133416, "Ġ×Ķ×Ķת": 133417, "ĠÑģÑĤоÑĢо": 133418, "ĠÑģÑĤоÑĢонÑĭ": 133419, "درس": 133420, "à¸ĭู": 133421, "à¸ķà¹Īำ": 133422, "ĠأبÙĬ": 133423, "подоб": 133424, "ãģ«ãģ¦": 133425, "ارتÙģاع": 133426, "ĠÙħؤ": 133427, "иков": 133428, "geführt": 133429, "มืà¸Ńà¸ĸืà¸Ń": 133430, "ĠÙĦÙĤد": 133431, "ĠØ£ÙĨÙij": 133432, "سÙĬطر": 133433, "ãģ¾ãģļãģ¯": 133434, "ס×ĵ": 133435, "ÑģколÑĮко": 133436, "ãģ¿ãģŁãģĦãģª": 133437, "×ĵר×Ĵ": 133438, "×¢×Ļ×ĵ": 133439, "à¹ĥหà¹īà¸ļริà¸ģาร": 133440, "ĠÐĶи": 133441, "×ij×¢×Ļ×ķת": 133442, "Ġ×Ķ×Ĺ×ķ": 133443, "пиÑģÑĮ": 133444, "ĠاÙĦØ®ÙĦ": 133445, "бав": 133446, "ĠÄ°lk": 133447, "ĠاÙĦØ®Ùħ": 133448, "ĠاÙĦØ®ÙħÙĬس": 133449, "ĠÙĬÙĤÙĪÙħ": 133450, "æĻĤãģ®": 133451, "ĠsÅĤow": 133452, "ĠØ£ÙĩÙħ": 133453, "Ø®ÙĦÙĤ": 133454, "ĠأصبØŃ": 133455, "Ġchứa": 133456, "Ġthác": 133457, "ÙģاÙĦ": 133458, "Ġchá»Ŀ": 133459, "ĠاÙĦخار": 133460, "ĠاÙĦخارج": 133461, "ĠاÙĦخارجÙĬØ©": 133462, "طائر": 133463, "ĠtÃł": 133464, "ĠtÃłu": 133465, "à¸ģลà¹īà¸Ńà¸ĩ": 133466, "ĠاÙĦÙħرأ": 133467, "ĠاÙĦÙħرأة": 133468, "åħ¨ãģı": 133469, "ĠÃĸn": 133470, "çļĦãģ«ãģ¯": 133471, "Ġpièce": 133472, "×Ĵ×Ļ×ij": 133473, "ĠاÙĦÙĪاÙĤع": 133474, "ä»Ĭãģ®": 133475, "ĠاÙĦÙħÙĤ": 133476, "cznÄħ": 133477, "ÙģعاÙĦ": 133478, "енного": 133479, "ĠÑĦакÑĤ": 133480, "ìĭłì²Ń": 133481, "ĠÐŀни": 133482, "ĠاÙĦبÙĦاد": 133483, "овиÑĩ": 133484, "ëıĮ": 133485, "ÑĦÑĥнкÑĨи": 133486, "Ġìĸ´ëĬIJ": 133487, "ãĥķãĤ©ãĥ¼": 133488, "dÃŃ": 133489, "илоÑģÑĮ": 133490, "ÙħÙī": 133491, "ĠاÙĦØ£ÙħرÙĬÙĥ": 133492, "ĠاÙĦØ£ÙħرÙĬÙĥÙĬØ©": 133493, "×ĺ×Ļפ×ķ׾": 133494, "íĶĦë¡ľê·¸": 133495, "íĶĦë¡ľê·¸ëŀ¨": 133496, "Ġש×ķ׳×ķת": 133497, "Ø´ÙħÙĦ": 133498, "ĠпаÑĢа": 133499, "Ġ×Ķ×Ĺ×ķק": 133500, "ÙĪزارة": 133501, "ãģ¨ãģĻãĤĭ": 133502, "Ġquảng": 133503, "Ġaģır": 133504, "ĠاÙĦÙĦج": 133505, "ĠاÙĦÙĦجÙĨØ©": 133506, "긴": 133507, "ĠTân": 133508, "جÙħÙĦ": 133509, "дол": 133510, "à¹ģà¸ŀà¸Ĺย": 133511, "à¹ģà¸ŀà¸Ĺยà¹Į": 133512, "Ġר×IJש×Ļ": 133513, "Ñīей": 133514, "Ġçevre": 133515, "ĠкомплекÑģ": 133516, "Ġ×ij×ŀש×ļ": 133517, "Ġaltın": 133518, "ĠأعÙħاÙĦ": 133519, "ĠÑģвоего": 133520, "ãĤĪãģĦ": 133521, "×Ĺ׾×Ļ×ĺ": 133522, "×ŀ×ł×¢": 133523, "Ġר×ij×Ķ": 133524, "ĠØ£ÙĬضاÙĭ": 133525, "×ĸ׾": 133526, "ĠاÙĦسÙĬاسÙĬ": 133527, "æĢĿãģĨ": 133528, "קרק": 133529, "קרקע": 133530, "ĠاÙĦÙģرÙĬÙĤ": 133531, "биÑĤ": 133532, "ק׳×Ķ": 133533, "ĠØ¥ÙĨÙĩ": 133534, "ĠÐĴам": 133535, "ÐłÐŀ": 133536, "ãĥĪãĥª": 133537, "å¿ħè¦ģãģª": 133538, "Ġchâu": 133539, "ç¶ļãģij": 133540, "Ġçözüm": 133541, "gÅĤow": 133542, "عÙĤÙĦ": 133543, "売ãĤĭ": 133544, "iết": 133545, "à¸Ĭิà¹īà¸Ļ": 133546, "ĠØŃÙĤÙĪÙĤ": 133547, "Ø·ÙĦع": 133548, "ĠÄijen": 133549, "ĠÙĥاÙģØ©": 133550, "ãģ®ãģĶ": 133551, "Ġë¬": 133552, "Ġ물": 133553, "Ġë¬¼ë¡ł": 133554, "ĠرسÙĪÙĦ": 133555, "зам": 133556, "замен": 133557, "Ġkullanıcı": 133558, "×¢×ķ׾": 133559, "èī²ãĢħ": 133560, "ÑĪиÑĢ": 133561, "Ġ×Ĺש": 133562, "Ġwygl": 133563, "ĠwyglÄħda": 133564, "ש×Ļ×ŀ×ķש": 133565, "å¿ĺãĤĮ": 133566, "×¢×Ļצ×ķ×ij": 133567, "ĠاÙĦسÙĪرÙĬ": 133568, "å°ijãģªãģĦ": 133569, "ĠпоиÑģк": 133570, "สำà¸Ļัà¸ģà¸ĩาà¸Ļ": 133571, "Ġ×ŀצ×ĵ": 133572, "ĠmÃ¼ÅŁ": 133573, "ĠmÃ¼ÅŁter": 133574, "ĠmÃ¼ÅŁteri": 133575, "ĠÙħÙĨÙĩÙħ": 133576, "à¸ķำà¹ģ": 133577, "à¸ķำà¹ģหà¸Ļ": 133578, "à¸ķำà¹ģหà¸Ļà¹Īà¸ĩ": 133579, "ÅĽmie": 133580, "Ġ×©×ł×ª": 133581, "Ġ×Ķפ×Ļ": 133582, "פרש": 133583, "×¢×ijר×Ļת": 133584, "สà¸Ļัà¸ļ": 133585, "สà¸Ļัà¸ļสà¸Ļุ": 133586, "สà¸Ļัà¸ļสà¸Ļุà¸Ļ": 133587, "è¨Ģãģ£ãģ¦": 133588, "à¸ģารà¸Īัà¸Ķ": 133589, "ĠMoże": 133590, "изаÑĨии": 133591, "ứt": 133592, "ĠÙĪبعد": 133593, "ĠdeÄŁild": 133594, "ĠdeÄŁildir": 133595, "Ġת×ŀ": 133596, "Ġ×ŀ×ŀ׳×ķ": 133597, "話ãĤĴ": 133598, "ĠÑĨена": 133599, "Ġthúc": 133600, "×Ļ×ŀ×ķף": 133601, "ĠBáo": 133602, "ãĤĴåıĸãĤĬ": 133603, "å®īãģĦ": 133604, "Ġ×¢×ķש×Ļ×Ŀ": 133605, "èĩªåĪĨãģĮ": 133606, "lée": 133607, "ãĤĭãģ®ãģ§": 133608, "иÑĢÑĥеÑĤ": 133609, "ãģ¦ãĤĭ": 133610, "ستر": 133611, "ĠاÙĦØŃÙĬ": 133612, "×Ļ׾×ķת": 133613, "Ġ×Ĺ×ij": 133614, "ÙĤرأ": 133615, "تÙħÙĥÙĨ": 133616, "سائÙĦ": 133617, "prüf": 133618, "ãģĭãģijãģ¦": 133619, "ĠÑģобÑģÑĤвенно": 133620, "ĠìľĦíķĺìŬ": 133621, "׾×Ļ×ĺ": 133622, "ãģĮå¤ļãģı": 133623, "ÙĬتÙĩا": 133624, "ç«ĭãģ¦": 133625, "มà¸Ńà¸ļ": 133626, "ìĭľìŀ¥": 133627, "оÑĢа": 133628, "ĠsavaÅŁ": 133629, "×ĺ×Ļ×ij×Ļ": 133630, "×ij׳×ķ": 133631, "Ùħاذا": 133632, "기ê°Ħ": 133633, "ãģªãģ©ãģ§": 133634, "Ġ×ŀת×Ĺ×Ļ׾": 133635, "Ġnhiá»ħ": 133636, "Ġnhiá»ħm": 133637, "каÑĢ": 133638, "каÑĢÑĤ": 133639, "Ġ׾×Ķשת×ŀש": 133640, "׳×Ļ×Ĺ": 133641, "ادÙĬØ©": 133642, "รายà¸ĩาà¸Ļ": 133643, "ĠprzykÅĤad": 133644, "Ñīий": 133645, "ØŃضÙĪر": 133646, "Ġhôn": 133647, "ÃĿ": 133648, "ת×ķצ×IJ×ķת": 133649, "رابط": 133650, "Ġbếp": 133651, "ĠполÑĥÑĩи": 133652, "åĩºä¼ļãģĦç³»": 133653, "à¸Ľà¸¥à¹Īà¸Ńย": 133654, "ĠاÙĦشباب": 133655, "اÙĩÙĦ": 133656, "ä»Ĭãģ¾ãģ§": 133657, "رجع": 133658, "ãĤ¶ãĥ¼": 133659, "ÙĤÙģ": 133660, "ĠGroÃŁ": 133661, "ĠíļĮìĽIJ": 133662, "اجر": 133663, "Ġ×ij×ŀקר×Ķ": 133664, "Ġsegurança": 133665, "fühl": 133666, "ãģ¦ãģĦãģı": 133667, "หมà¸Ń": 133668, "ĠкоÑĤоÑĢом": 133669, "ĠNÄĥm": 133670, "ĠdÅĤugo": 133671, "ÙħÙĨØŃ": 133672, "ש×ķ×ķ×Ļ": 133673, "ĠØ£ÙĬاÙħ": 133674, "à¸ªà¸łà¸²à¸ŀ": 133675, "rzÄħ": 133676, "شرÙĥات": 133677, "ãĤĴèĢĥãģĪ": 133678, "даÑĢ": 133679, "à¸Ľà¸£à¸°à¸Ĭุม": 133680, "Ġ×ķ×IJ×ĸ": 133681, "iá»ĩn": 133682, "ĠtÆ°Æ¡i": 133683, "ש×Ļ×Ĺ": 133684, "à¸Ńà¹Īà¸Ńà¸Ļ": 133685, "æĽ¸ãģĦãģ¦": 133686, "Ġngữ": 133687, "×ij×Ļ×ĺ×Ĺ": 133688, "×ij×Ļ×ĺ×Ĺ×ķף": 133689, "Ġsẵ": 133690, "Ġsẵn": 133691, "ì§ĢëıĦ": 133692, "ĠпÑĢеп": 133693, "ĠпÑĢепаÑĢаÑĤ": 133694, "ĠнаÑĥÑĩ": 133695, "ĠÃľnivers": 133696, "ĠÃľniversites": 133697, "ĠÃľniversitesi": 133698, "Ġ×Ĵ×ĵ×ķ׾×Ķ": 133699, "Ġ×Ķ×ł×ª": 133700, "Ġ×Ķ×ł×ª×ij×¢": 133701, "ãģ§ãģĤãģ£ãģŁ": 133702, "ĠmiesiÄħ": 133703, "ĠmiesiÄħc": 133704, "гÑĢам": 133705, "гÑĢамм": 133706, "ĠبشأÙĨ": 133707, "ĠÑħÑĢ": 133708, "ק×Ļ×ĵ": 133709, "ק×Ļ×ĵ×ķ×Ŀ": 133710, "Ø´Ùĥر": 133711, "Ġá»ķ": 133712, "Ġá»ķn": 133713, "ãģĮãģĤãģ£ãģ¦": 133714, "ãģķãĤĮãģ¾ãģĻ": 133715, "Ġ×Ĺ×ķ×ĵ": 133716, "Ġ×Ĺ×ķ×ĵש×Ļ×Ŀ": 133717, "ÙħÙĪاجÙĩ": 133718, "ÙħÙĪاجÙĩØ©": 133719, "أشخاص": 133720, "بغ": 133721, "à¹Ģรียà¸Ļรูà¹ī": 133722, "ãģĹãģ¦ãģĦãģı": 133723, "Ġsạn": 133724, "å¿ħãģļ": 133725, "׳×Ļ×Ĵ": 133726, "׳×Ļ×Ĵ×ķ×ĵ": 133727, "باÙĦغ": 133728, "×Ĺש×ŀ": 133729, "×Ĺש×ŀ׾": 133730, "Ġnapraw": 133731, "ĠnaprawdÄĻ": 133732, "Ø´Ùĩاد": 133733, "×IJ×ķ×Ķ": 133734, "×IJ×ķ×Ķ×ij": 133735, "иÑĨÑĭ": 133736, "Ġ×Ķר׼×ij": 133737, "ëŀij": 133738, "Ġתע": 133739, "Ġ×Ķ×Ļש": 133740, "Ġ×Ķ×Ļשר×IJ": 133741, "Ġ×Ķ×Ļשר×IJ׾×Ļ": 133742, "Ø£ÙħÙĨ": 133743, "ÑİÑīаÑı": 133744, "skór": 133745, "LERÄ°": 133746, "Ġ×Ķ×IJ×Ĺר×ķף": 133747, "×¢×ł×§": 133748, "ĠÙĪÙĥÙĦ": 133749, "ãģĵãģĵãģ§": 133750, "Ġquán": 133751, "liÄŁin": 133752, "à¸ģà¸İหมาย": 133753, "Ø·Ùħ": 133754, "أجÙĩ": 133755, "أجÙĩزة": 133756, "ĠErdoÄŁan": 133757, "ãģ§ãģĬ": 133758, "ĠвÑĢа": 133759, "ĠвÑĢаÑĩ": 133760, "ĠPhó": 133761, "à¸Ĭัà¹Īว": 133762, "à¸Ĭัà¹Īวà¹Ĥม": 133763, "à¸Ĭัà¹Īวà¹Ĥมà¸ĩ": 133764, "Ġphúc": 133765, "×Ļפ×ķת": 133766, "×¢×Ļ×ķף": 133767, "Ġdużo": 133768, "ãĥģãĥ¼ãĥł": 133769, "ĠÙĬÙİ": 133770, "ĠзадаÑĩ": 133771, "Ġ×Ĵ×ij×ķ×Ķ×Ķ": 133772, "Ġ׼׼׾": 133773, "ложен": 133774, "état": 133775, "ĠngÄĥn": 133776, "èµ·ãģį": 133777, "ĠTiến": 133778, "صعب": 133779, "Ġexperiência": 133780, "Ø®Ùħ": 133781, "à¸ģารà¸Ĺำà¸ĩาà¸Ļ": 133782, "سÙĬد": 133783, "ĠDá»±": 133784, "ĠкоÑĤоÑĢого": 133785, "ladıģı": 133786, "Ġkhá»ķ": 133787, "Ġê³ĦìĨį": 133788, "Ñīик": 133789, "สà¹Īวà¸Ļà¸ķัว": 133790, "зоÑĢ": 133791, "ÙĨÙı": 133792, "Ġà¸Ķัà¸ĩ": 133793, "Ġà¸Ķัà¸ĩà¸Ļัà¹īà¸Ļ": 133794, "Ġcấu": 133795, "ĠÄijá»ijc": 133796, "оÑĦ": 133797, "ĠاÙĦأعÙħاÙĦ": 133798, "ãģªãģıãģ¦ãĤĤ": 133799, "×ķ׼×Ļ×Ŀ": 133800, "à¹ģà¸Ľ": 133801, "ĠBên": 133802, "ãĥ¯ãĥ³": 133803, "Ġgiám": 133804, "ĠÅŀu": 133805, "Ġdáng": 133806, "عÙĦÙĬ": 133807, "à¹Ģà¸ģษ": 133808, "à¹Ģà¸ģษà¸ķร": 133809, "ÙĪجب": 133810, "ннÑĭе": 133811, "ÙĤضاء": 133812, "à¸Ħวà¸ļ": 133813, "à¸Ħวà¸ļà¸Ħุ": 133814, "à¸Ħวà¸ļà¸Ħุม": 133815, "ãģ¤ãģ¤": 133816, "ĠViá»ĩc": 133817, "×ŀ×ij×ĺ": 133818, "ש×Ļת×ķ×£": 133819, "ĠведÑĮ": 133820, "kaza": 133821, "kazaÅĤ": 133822, "à¸ķำรวà¸Ī": 133823, "ãĤ¿ãĥ«": 133824, "ĠповÑĭ": 133825, "ĠповÑĭÑĪен": 133826, "ĠSợ": 133827, "ĠìĦ¤ëªħ": 133828, "ĠÃĩünkü": 133829, "ìĥĿíĻľ": 133830, "Ö¾": 133831, "ãĤĮãģ¦ãģĦãĤĭ": 133832, "Ġ×ijר×IJש": 133833, "ר×ķ×Ĵ": 133834, "ĠоÑĦи": 133835, "ĠоÑĦиÑĨиалÑĮн": 133836, "ĠÑĥÑģÑĤанов": 133837, "ĠÑĥÑģÑĤановлен": 133838, "ĠاÙĦÙħصر": 133839, "ĠاÙĦÙħصرÙĬØ©": 133840, "ĠÐŁÐ¾ÑįÑĤомÑĥ": 133841, "ÙĨصÙģ": 133842, "ĠÙĪاÙĦÙĨ": 133843, "ĠhÃłi": 133844, "à¸Ħิ": 133845, "ĠAprès": 133846, "ì³IJ": 133847, "à¹Ģà¸ĭีย": 133848, "×ĵ×ŀ×Ķ": 133849, "activité": 133850, "à¸Ħิà¸Ķวà¹Īา": 133851, "ÑĤÑĢен": 133852, "à¹Ģฮ": 133853, "ãĥıãĤ¤": 133854, "ãģĮå¢ĹãģĪ": 133855, "еннаÑı": 133856, "Ġìĺ¤ëĬĺ": 133857, "ãĥ¢ãĥ³": 133858, "ĠконеÑĩно": 133859, "ĠÙħÙĤابÙĦ": 133860, "clé": 133861, "Ġhü": 133862, "Ġthẳng": 133863, "ìłģìĿ´": 133864, "ĠÐIJлекÑģ": 133865, "ĠÐIJлекÑģан": 133866, "ĠÐIJлекÑģандÑĢ": 133867, "ãĥŀãĥ³ãĤ·ãĥ§ãĥ³": 133868, "ãģ²ãģ¨ãģ¤": 133869, "ãģªãģĬ": 133870, "à¹Ģà¸Īà¹īาà¸Ĥà¸Ńà¸ĩ": 133871, "ëĵľë¦¬": 133872, "شاء": 133873, "ĠsaÄŁlık": 133874, "ĠÅŁimdi": 133875, "×Ļ×IJ׾": 133876, "تأثÙĬر": 133877, "أسب": 133878, "أسباب": 133879, "ĠвÑĭполнен": 133880, "лок": 133881, "ש×Ļ×ij×Ķ": 133882, "Ġlắm": 133883, "ĠTrÆ°á»Ľc": 133884, "Ġ×Ķ×¢×ľ": 133885, "리를": 133886, "ĠÑĢеж": 133887, "ĠÑĢежим": 133888, "inté": 133889, "intégr": 133890, "×Ĵ׳×Ļ": 133891, "ĠاÙĦشعر": 133892, "Ġmilhões": 133893, "Ġpequeño": 133894, "ãĤ³ãĥ¼ãĤ¹": 133895, "×ķ׼×Ĺ": 133896, "à¹Ģà¸Ĭà¹īา": 133897, "شرÙĤ": 133898, "ĠhÆ°Æ¡ng": 133899, "รัà¸IJà¸ļาล": 133900, "à¸ģลาย": 133901, "à¸ģลายà¹Ģà¸Ľà¹ĩà¸Ļ": 133902, "ĠподÑħод": 133903, "תש×ķ×ij×Ķ": 133904, "ãģıãģªãģ£ãģ¦": 133905, "ĠاÙĦØ£ÙħÙħ": 133906, "ĠHá»įc": 133907, "ĠwspóÅĤpr": 133908, "ĠwspóÅĤprac": 133909, "ÑĩÑĥв": 133910, "ÑĩÑĥвÑģÑĤв": 133911, "ÃŃstico": 133912, "à¹Ģà¸ģาะ": 133913, "ìĽĢ": 133914, "Ġназад": 133915, "ãĤĭãĤĪãģĨãģ«": 133916, "ĠСШ": 133917, "ĠСШÐIJ": 133918, "мон": 133919, "ĠAsÃŃ": 133920, "×ķר×Ĵ": 133921, "полнен": 133922, "×ŀ×¡×ľ": 133923, "×ŀ×¡×ľ×ķ׾": 133924, "à¹Ģลืà¸Ńà¸Ķ": 133925, "à¹Ģริà¹Īมà¸ķà¹īà¸Ļ": 133926, "ĠاÙĦØ¥Ùħ": 133927, "ĠاÙĦØ¥Ùħارات": 133928, "צ×Ķר": 133929, "ãĥ¡ãĥªãĥĥãĥĪ": 133930, "ĠпоÑĤом": 133931, "виз": 133932, "ĠÙģترة": 133933, "å¾Įãģ®": 133934, "ÐĿÐIJ": 133935, "×ŀסר": 133936, "ÙĬرÙĬ": 133937, "pré": 133938, "ĠteÅŁek": 133939, "ĠteÅŁekkür": 133940, "Ġödeme": 133941, "داÙĨ": 133942, "ãģ¾ãģĹãģ¦": 133943, "缮ãģ«": 133944, "ĠÑĤеÑĩение": 133945, "lard": 133946, "lardır": 133947, "à¹Ģราà¸Īะ": 133948, "ספ×Ļ": 133949, "ĠÙĪÙĥØ°ÙĦÙĥ": 133950, "Ġhát": 133951, "Ġtá»Ļc": 133952, "à¸Ħุย": 133953, "Ġbức": 133954, "ØŃÙĬÙĨ": 133955, "èģŀãģĦãģ¦": 133956, "Ùħؤشر": 133957, "ĠNhÆ°": 133958, "Ġменее": 133959, "ละà¸Ħร": 133960, "Ñģин": 133961, "ĠÑĢек": 133962, "ĠÑĢекл": 133963, "ĠÑĢеклам": 133964, "ĠÙģÙĩÙĪ": 133965, "Ġ׾×ĸ": 133966, "×Ļ׳×ķת": 133967, "ĠÅŁart": 133968, "ÑģÑĤавка": 133969, "Ġíı¬íķ¨": 133970, "ãģ«è¡Įãģı": 133971, "ï¼Ŀ": 133972, "ĠпозволÑıеÑĤ": 133973, "Ġת×ķ׼׾×ķ": 133974, "овал": 133975, "صÙĦØ©": 133976, "Ġ׾ש׳×ķת": 133977, "ĠÐĺгÑĢ": 133978, "ÙħÙĨتجات": 133979, "ĠsatÄ±ÅŁ": 133980, "Ñģко": 133981, "ĠاÙĦØ«ÙĦاثاء": 133982, "Ġ×Ķ×ĵ×ijר×Ļ×Ŀ": 133983, "ãģĹãģ¾ãģĹãĤĩãģĨ": 133984, "بÙĤÙī": 133985, "åĬĽãĤĴ": 133986, "ĠÃĩok": 133987, "ãĥģãĥ¥": 133988, "à¹Ģà¸Ĭืà¹īà¸Ń": 133989, "ยุà¸Ħ": 133990, "ศาล": 133991, "Ġק×ķ×ĵ×Ŀ": 133992, "×ĸר×Ļ×Ŀ": 133993, "ãģ®åł´åIJĪ": 133994, "ĠìķĬìķĺ": 133995, "ãģĤãĤĬãģ¾ãģĻãģĮ": 133996, "×IJשר": 133997, "è¡Įãģı": 133998, "ãģ»ãģĭ": 133999, "æ°Ĺãģ«ãģªãĤĭ": 134000, "йдеÑĤ": 134001, "íķĺìĺĢëĭ¤": 134002, "ستÙħرار": 134003, "ĠÐŁÑĢе": 134004, "ĠÑģбоÑĢ": 134005, "ĠìķĦ무": 134006, "ç§ģãĤĤ": 134007, "عص": 134008, "ĠниÑĩ": 134009, "ĠниÑĩего": 134010, "ĠпÑĢием": 134011, "ק×ķ×ŀ": 134012, "ĠìĪĺëıĦ": 134013, "Ġì¡´": 134014, "Ġì¡´ìŀ¬": 134015, "ĠأثÙĨ": 134016, "ĠأثÙĨاء": 134017, "ĠÙĪاÙĦØŃ": 134018, "ãģĮãģ§ãģįãĤĭ": 134019, "Ġת×Ķ": 134020, "Ġת×Ķ×Ļ×Ķ": 134021, "רף": 134022, "ĠÑģвÑıзи": 134023, "×Ĵשת": 134024, "ÑģпекÑĤ": 134025, "ס×ij×Ļ×ij": 134026, "ס×ij×Ļ×ij×Ķ": 134027, "ĠíķĦìļĶíķľ": 134028, "تخصص": 134029, "Ġжив": 134030, "ĠживоÑĤ": 134031, "ĠMayıs": 134032, "تعا": 134033, "تعاÙĪÙĨ": 134034, "ĠعÙĨÙĩا": 134035, "ówki": 134036, "ĠاÙĦÙģÙĦسطÙĬÙĨÙĬ": 134037, "ãģłãģijãģ§ãģªãģı": 134038, "ìĿ¸ì§Ģ": 134039, "ĠاÙĦسÙĪد": 134040, "ĠاÙĦسÙĪداÙĨ": 134041, "إجراءات": 134042, "Ġkötü": 134043, "Ġ×Ļתר": 134044, "×Ĵ×Ļש×Ķ": 134045, "Ġצ×ķר×ļ": 134046, "รà¸ĸย": 134047, "รà¸ĸยà¸Ļà¸ķà¹Į": 134048, "ÑħоÑĤ": 134049, "ÐłÐIJ": 134050, "ÙĪØ·ÙĨ": 134051, "Ġsayısı": 134052, "ס×Ĺר": 134053, "ÙħÙĪÙĦ": 134054, "ãĤĴæĮģãģ£ãģ¦": 134055, "عاÙĨ": 134056, "Ġtá»Ļi": 134057, "ĠвÑĭÑĪе": 134058, "Ġtầm": 134059, "ãĥĪãĥ¬": 134060, "×Ļצ×ķ": 134061, "มุม": 134062, "سÙĪد": 134063, "ìłĦìŀIJ": 134064, "ãĤµãĥŃãĥ³": 134065, "ìĤ°ìĹħ": 134066, "ĠоÑģнован": 134067, "Ø®Ùģض": 134068, "רצ×Ķ": 134069, "بÙĬض": 134070, "×ķÖ¹": 134071, "ס×Ļ×Ļ×¢": 134072, "Ġש×IJ×Ļ": 134073, "ĠاÙĦÙĤرآÙĨ": 134074, "ĠТакже": 134075, "×ŀש×ŀ×¢×ķת": 134076, "سÙĩÙĦ": 134077, "Ġ×Ķ׳×Ķ": 134078, "ãĤĴãģĹãģ¦ãģĦãĤĭ": 134079, "×Ļ×Ļס": 134080, "×Ķ×ķ×IJ": 134081, "ĠBÃŃ": 134082, "Ġмало": 134083, "ĠëĶ°ëĿ¼ìĦľ": 134084, "Ġר×Ĺ×ij": 134085, "ãģĮé«ĺãģĦ": 134086, "ÙĪاس": 134087, "ìĤ¼": 134088, "×ł×¢": 134089, "ãģ£ãģ¡ãĤĥ": 134090, "ĠTüm": 134091, "à¸Ńีà¸ģà¸Ķà¹īวย": 134092, "ãģĹãģ¦ãģıãģłãģķãģĦ": 134093, "ÙĨشاط": 134094, "ãĥĹãĥ©ãĥ³": 134095, "алиÑģÑĮ": 134096, "×ĵ×ľ×ª": 134097, "ĠwczeÅĽ": 134098, "ĠwczeÅĽniej": 134099, "ĠÑįÑĤим": 134100, "Ġthá»ĭt": 134101, "à¸ļัà¸į": 134102, "à¸ļัà¸įà¸Ĭี": 134103, "ãģļãģ£ãģ¨": 134104, "ÑĢин": 134105, "ĠswojÄħ": 134106, "íķĺëĬĶëį°": 134107, "Ġë§Įëĵ¤ìĸ´": 134108, "تشÙĥ": 134109, "تشÙĥÙĬÙĦ": 134110, "ائÙĩ": 134111, "Ġ׾פ×Ĺ×ķת": 134112, "ãĥĭãĥ¥": 134113, "ãĥĭãĥ¥ãĥ¼ãĤ¹": 134114, "׼×IJף": 134115, "ãģ§ãģįãģŁ": 134116, "звон": 134117, "ĠstaÅĤ": 134118, "×Ĺ×ijרת×Ļ": 134119, "ĠأعÙĦÙĨ": 134120, "à¹ģà¸ļà¸ļà¸Ļีà¹ī": 134121, "بدء": 134122, "ãĤģãģŁ": 134123, "Ġ×ŀש×ŀ×¢×ķת": 134124, "Ġ×ŀש×ŀ×¢×ķת×Ļ": 134125, "örü": 134126, "Ġhạnh": 134127, "zähl": 134128, "ĠLý": 134129, "Ġ×ij×Ķת": 134130, "Ġ×ij×Ķת×IJ×Ŀ": 134131, "баÑĢ": 134132, "ì¦Ī": 134133, "ä»ĬåĽŀãģ®": 134134, "Ġyü": 134135, "Ġyüks": 134136, "Ġyüksel": 134137, "ãĤ½ãĥ¼": 134138, "ãģĤãĤĮ": 134139, "×ª×ľ×ŀ×Ļ×ĵ": 134140, "ãģ¤ãģª": 134141, "×ij׳×Ļ×Ŀ": 134142, "Ġxếp": 134143, "ĠмÑĥжÑĩин": 134144, "ĠاÙĦÙĥتاب": 134145, "׼×ŀ×ķת": 134146, "Ġçe": 134147, "ĠçeÅŁ": 134148, "ĠçeÅŁit": 134149, "ĠçeÅŁitli": 134150, "×ĵ×Ļר×ķת": 134151, "à¸ļุà¸į": 134152, "ĠاÙĦØ¥ÙĦÙĥ": 134153, "ĠاÙĦØ¥ÙĦÙĥترÙĪ": 134154, "ĠاÙĦØ¥ÙĦÙĥترÙĪÙĨÙĬ": 134155, "ĠباÙĦإض": 134156, "ĠباÙĦإضاÙģØ©": 134157, "Ġyönel": 134158, "Ġyönelik": 134159, "mysÅĤ": 134160, "à¸Ķà¹īวยà¸ģาร": 134161, "à¸ģารà¸Ĺำ": 134162, "овÑĭм": 134163, "أزÙħØ©": 134164, "æİ¢ãģĹ": 134165, "íļ¨": 134166, "Ġ×ķ×IJ×Ŀ": 134167, "Ġnghiêm": 134168, "ÑĪин": 134169, "кал": 134170, "Ġcrianças": 134171, "èĩªåĪĨãģ§": 134172, "Ġнай": 134173, "ĠнайÑĤи": 134174, "ĠSá»ij": 134175, "ĠÃ¶ÄŁrenciler": 134176, "ãĥ¶æľĪ": 134177, "Ñģан": 134178, "ĠJá": 134179, "ĠkonuÅŁma": 134180, "شرط": 134181, "ëĪĪ": 134182, "arrière": 134183, "ضرÙĪرة": 134184, "ãĥĶãĥ³": 134185, "עשר": 134186, "аÑĢÑĮ": 134187, "جÙħاع": 134188, "Ġdéco": 134189, "Ġ×Ļ×Ķ×ķ×ĵ×Ļ": 134190, "à¸ŀลาà¸Ķ": 134191, "ĠÙĬÙĥÙĨ": 134192, "ĠجاÙħعة": 134193, "طبÙĤ": 134194, "ĠboÅŁ": 134195, "×ķ×ķ×IJ": 134196, "×ŀ×ĵ×¢": 134197, "ק×ij×ķצת": 134198, "פ×Ļר": 134199, "jÄħcym": 134200, "Ùħشا": 134201, "ÙħشاÙĥÙĦ": 134202, "צפ×ķף": 134203, "إست": 134204, "×ŀ׼ר": 134205, "سÙħع": 134206, "Ġкакой": 134207, "ÑĤвоÑĢ": 134208, "ØŃج": 134209, "Ùģرض": 134210, "пÑĢавлен": 134211, "Ġникак": 134212, "Ġmiá»ĩ": 134213, "Ġmiá»ĩng": 134214, "Ã¼ÃŁ": 134215, "иÑĢовал": 134216, "׾×ŀ×ķת": 134217, "次ãģ®": 134218, "ÙĦØ·": 134219, "à¸ķัà¸Ļ": 134220, "×Ķת×Ĺ×Ļ׾": 134221, "ĠfotoÄŁ": 134222, "ĠfotoÄŁraf": 134223, "طرØŃ": 134224, "à¸Ńà¸Ńà¸ģà¹Ħà¸Ľ": 134225, "Ġyên": 134226, "Ġпок": 134227, "ĠпокÑĥп": 134228, "ĠпокÑĥпа": 134229, "ÑĨÑĥ": 134230, "ĠкомпÑĮÑİ": 134231, "ĠкомпÑĮÑİÑĤеÑĢ": 134232, "ĠاÙĦÙĥرÙĬÙħ": 134233, "تصÙħ": 134234, "تصÙħÙĬÙħ": 134235, "Ġоказа": 134236, "Ġzarówn": 134237, "Ġzarówno": 134238, "ëĮĢì¶ľ": 134239, "ãĤ»ãĥ³ãĤ¿ãĥ¼": 134240, "ĠjakoÅĽci": 134241, "æĤ©": 134242, "æĤ©ãģ¿": 134243, "Ø£ÙĨÙĪ": 134244, "Ø£ÙĨÙĪاع": 134245, "ë¹ł": 134246, "Ġìłķë§IJ": 134247, "Ġkẻ": 134248, "ĠÑģайÑĤа": 134249, "Ġ×Ķער×ij": 134250, "Ùĩز": 134251, "presión": 134252, "ĠÑģÑĤен": 134253, "ãģ£ãģ¦ãĤĭ": 134254, "Ġhızlı": 134255, "ÐļÐIJ": 134256, "×ŀשפ×Ĺת": 134257, "ĠÙĨÙĩا": 134258, "ĠÙĨÙĩاÙĬØ©": 134259, "ãģ¾ãģĦ": 134260, "оÑħÑĢан": 134261, "รà¹īà¸Ńย": 134262, "ลึà¸ģ": 134263, "ĠÙĪباÙĦ": 134264, "ãĤĤãģ®ãģĮ": 134265, "ר׼×Ļ×ij": 134266, "ãĤ¤ãĥ¤": 134267, "سؤ": 134268, "سؤاÙĦ": 134269, "ĠÙĦØ£ÙĨÙĩ": 134270, "ĠkonuÅŁtu": 134271, "ÐļÑĥпиÑĤÑĮ": 134272, "Ġש×IJת×Ķ": 134273, "ĠÙĪاÙĦس": 134274, "ĠmożliwoÅĽci": 134275, "Ġprób": 134276, "ëĶ°": 134277, "ãģ©ãĤĮ": 134278, "ĠÐľÐ¸Ð½": 134279, "ĠоÑĢганизм": 134280, "ãģ«å¯¾ãģĻãĤĭ": 134281, "ĠPré": 134282, "Ġprivé": 134283, "chè": 134284, "ãģĦãģŁãģłãģį": 134285, "สà¸Ļุà¸ģ": 134286, "ajÄħce": 134287, "ĠDzi": 134288, "ĠDziÄĻki": 134289, "ÅĤatw": 134290, "rän": 134291, "ränk": 134292, "æĿ¥ãģŁ": 134293, "Ġ×Ķ×Ļ×Ķ×ķ×ĵ×Ļ": 134294, "ãĤ¬ãĥ¼": 134295, "ĠÑĢад": 134296, "ĠÑĢади": 134297, "кÑĤив": 134298, "Ø£Ùĩد": 134299, "Ø£ÙĩداÙģ": 134300, "ש×IJ×Ļר": 134301, "ãģ¦ãģĦãģªãģĦ": 134302, "Ġfrüh": 134303, "Ġокол": 134304, "Ġоколо": 134305, "Ġregião": 134306, "ĠÑĩиÑģле": 134307, "Ġponiew": 134308, "Ġponieważ": 134309, "ìĦ¼íĦ°": 134310, "Ġbầu": 134311, "Ġê·": 134312, "Ġê·ľ": 134313, "Ġê·ľìłķ": 134314, "ĠHòa": 134315, "ĠÑĤоÑĤ": 134316, "ãĤĤå¤ļãģĦ": 134317, "ĠاÙĦإسÙĦاÙħÙĬØ©": 134318, "ãģĭãģĦ": 134319, "Ñįн": 134320, "ĠÑĥказан": 134321, "ĠÑĤакое": 134322, "ï¼³": 134323, "ëĮĢíķĻ": 134324, "ĠgeniÅŁ": 134325, "ĠاÙĦØ®ÙĬ": 134326, "ĠاÙĦØ®ÙĬارات": 134327, "ãĤĴè¡ĮãģĨ": 134328, "ש×ŀ×Ķ": 134329, "ĠLÃłm": 134330, "ÙĪÙĨÙĬ": 134331, "Ġ×IJ׾×Ļ×ķ": 134332, "Äĺ": 134333, "à¹Ħมà¹Īสามารà¸ĸ": 134334, "人ãģ¨": 134335, "برز": 134336, "×Ļס×ķ×ĵ": 134337, "×Ĵ׾×Ļ": 134338, "ĠÙĬÙĨا": 134339, "ĠÙĬÙĨاÙĬر": 134340, "ĠкаÑĢÑĤин": 134341, "Ġtôn": 134342, "à¹Ģà¸ģร": 134343, "à¸Ħà¸Ķี": 134344, "Ġ׾×IJ×ķר×ļ": 134345, "ãĤĤãĤīãģĨ": 134346, "ãģĭãģĭãĤĭ": 134347, "ании": 134348, "ĠaraÅŁtırma": 134349, "ÙĦاØŃظ": 134350, "ãģĦãĤĦ": 134351, "ĠTÃłi": 134352, "Ġà¸Ļà¸Ńà¸ģà¸Īาà¸ģ": 134353, "Ġà¸Ļà¸Ńà¸ģà¸Īาà¸ģà¸Ļีà¹ī": 134354, "ĠÄIJảng": 134355, "ãģ£ãģ¦ãģįãģŁ": 134356, "Ġà¸ĭึà¹Īà¸ĩà¹Ģà¸Ľà¹ĩà¸Ļ": 134357, "Ġtả": 134358, "ĠmożliwoÅĽÄĩ": 134359, "ĠSản": 134360, "ĠÄ°ki": 134361, "Ġcắt": 134362, "سأÙĦ": 134363, "Ġbakım": 134364, "شب": 134365, "à¸ķีà¹ī": 134366, "à¸ŀยาย": 134367, "à¸ŀยายาม": 134368, "à¸ªà¸±à¸Ľ": 134369, "à¸ªà¸±à¸Ľà¸Ķา": 134370, "à¸ªà¸±à¸Ľà¸Ķาหà¹Į": 134371, "ë°Ģ": 134372, "еÑĢÑĭ": 134373, "Ġcánh": 134374, "Ġthuế": 134375, "تبع": 134376, "ãģ«åħ¥ãĤĮ": 134377, "ÑİÑģÑĮ": 134378, "íļĮìĿĺ": 134379, "ç°¡åį": 134380, "ç°¡åįĺ": 134381, "ç°¡åįĺãģ«": 134382, "Ġtrúc": 134383, "ĠاÙĦÙĥÙĪÙĬ": 134384, "ĠاÙĦÙĥÙĪÙĬت": 134385, "ãĤıãģijãģ§ãģĻ": 134386, "ĠÑģвоб": 134387, "ĠÑģвобод": 134388, "ĠÑĥÑĩаÑģÑĤник": 134389, "สิà¹īà¸Ļ": 134390, "ĠпÑĢоÑĦеÑģÑģиона": 134391, "ĠпÑĢоÑĦеÑģÑģионалÑĮн": 134392, "ÑģпоÑĢ": 134393, "×Ĺ×ķ×ij×Ķ": 134394, "ÙħعÙĨÙī": 134395, "ĠاÙĦÙģترة": 134396, "สูà¸ĩสุà¸Ķ": 134397, "ãĤıãģļ": 134398, "ĠÄijè": 134399, "ĠÄijèn": 134400, "æ¯Ķãģ¹": 134401, "าà¸ĺิ": 134402, "Ġmożemy": 134403, "à¹ģà¸ĭ": 134404, "à¸Īะà¹Ħมà¹Ī": 134405, "Ġsắp": 134406, "ÐļÐŀ": 134407, "Ġpráctica": 134408, "ÙĪÙĥاÙĦØ©": 134409, "è¾¼ãĤĵãģ§": 134410, "ológica": 134411, "ĠеÑī": 134412, "ĠеÑīÑij": 134413, "تعدÙĬÙĦ": 134414, "ĠØ£Ùĥد": 134415, "Ġצר×Ļ׼": 134416, "Ġצר×Ļ׼×Ļ×Ŀ": 134417, "Ø«Ùħ": 134418, "ĠкÑĢÑĥ": 134419, "ĠкÑĢÑĥп": 134420, "×ij×Ļק×ķרת": 134421, "Ġì¡°ê¸Ī": 134422, "ãģ¨ãģįãģ¯": 134423, "Ġbạc": 134424, "ĠÑĢаÑģпол": 134425, "ĠÑĢаÑģполож": 134426, "ĠÑĢаÑģположен": 134427, "زÙĬÙĨ": 134428, "ĠÐļÑĢоме": 134429, "ĠاÙĦÙĨظر": 134430, "×Ķ×ķ×ĵ": 134431, "ĠاÙĦسبت": 134432, "ãģ¨æĢĿãģĦ": 134433, "ĠpaÅĦst": 134434, "ĠpaÅĦstw": 134435, "ĠÙĦÙĬست": 134436, "ĠбÑĥдÑĥ": 134437, "à¸Ĺัà¸Ļà¸Ĺี": 134438, "ราม": 134439, "ØŃصÙĪÙĦ": 134440, "ãģĹãģ¦ãģıãĤĮãĤĭ": 134441, "ĠاÙĦإسرائÙĬÙĦ": 134442, "ĠاÙĦإسرائÙĬÙĦÙĬ": 134443, "ãģĵãĤĮãģ¾ãģ§": 134444, "ìĤ¬ë¥¼": 134445, "Ġsürü": 134446, "à¹Ģวà¸Ńรà¹Į": 134447, "à¹Ģà¸ĭà¸Ńรà¹Į": 134448, "Ġutilisé": 134449, "ĠÑģиÑģÑĤема": 134450, "Ġdwó": 134451, "Ġdwóch": 134452, "Ġpróprio": 134453, "Ġëĵ±ìĿĦ": 134454, "arrêt": 134455, "ĠЧа": 134456, "×IJ×ŀ׳×ķת": 134457, "عارض": 134458, "à¹Ģà¸ģมสà¹Į": 134459, "Ġ׾×Ķ×ij×Ļף": 134460, "Ġ׾×ij×Ĺ": 134461, "Ġ׾×ij×Ĺ×ķר": 134462, "สาà¸Ĥา": 134463, "ĠÐľÐ¾Ñģкве": 134464, "بعد": 134465, "ĠاÙĦÙĤرار": 134466, "ĠÄIJá»ĭa": 134467, "Ġ×Ĺ×Ĵ": 134468, "Ùģتر": 134469, "ÙĪÙĨØ©": 134470, "Ġ×Ķ×ĸ×IJת": 134471, "å¸Ĥãģ®": 134472, "ãģ»ãģĹãģĦ": 134473, "Ġ×ij×¢×Ļר": 134474, "ĠÑĤепеÑĢÑĮ": 134475, "ìĬµëĭĪê¹Į": 134476, "à¹Ħมà¹Īว": 134477, "à¹Ħมà¹Īวà¹Īา": 134478, "à¹Ħมà¹Īวà¹Īาà¸Īะ": 134479, "×ŀ×IJ×Ķ": 134480, "æĥħåł±": 134481, "æĥħåł±ãĤĴ": 134482, "غÙĨ": 134483, "ĠпоÑı": 134484, "ĠпоÑıви": 134485, "éģİãģĶ": 134486, "تشغ": 134487, "تشغÙĬÙĦ": 134488, "вел": 134489, "Ġ×Ĺ×ŀ": 134490, "ãģ¨ãģªãĤĬãģ¾ãģĻ": 134491, "ĠraÄŁ": 134492, "ĠraÄŁmen": 134493, "ãģĭãģ©ãģĨ": 134494, "ãģĭãģ©ãģĨãģĭ": 134495, "енко": 134496, "ì§Ģê³ł": 134497, "Ġ×IJ׾×Ļ×Ķ": 134498, "ĠØ£ÙĦ": 134499, "à¸Īำหà¸Ļ": 134500, "à¸Īำหà¸Ļà¹Īาย": 134501, "nızı": 134502, "Ġ׾ק×Ĺת": 134503, "Ø£ÙĩÙħ": 134504, "Ø£ÙĩÙħÙĬØ©": 134505, "تغÙĬر": 134506, "ש×Ĺר": 134507, "ס×ķפר": 134508, "×ĵ×Ļר": 134509, "èī¯ãģĭãģ£ãģŁ": 134510, "×ŀ׾×Ĺ×ŀ×Ķ": 134511, "ÑģÑĤвие": 134512, "ÑĤÑĢаÑĤ": 134513, "ĠاÙĦأخ": 134514, "ĠاÙĦأخÙĬرة": 134515, "ĠاÙĦØŃصÙĪÙĦ": 134516, "Ġcrédito": 134517, "צ×Ļ×¢": 134518, "ãĥ¬ãĥĻãĥ«": 134519, "برÙĬ": 134520, "ëIJIJ": 134521, "ãģłãģ£ãģ¦": 134522, "ĠrealtÃł": 134523, "سÙģر": 134524, "×ķ׳×ķ": 134525, "×Ĵ×ķ×ĵ": 134526, "×Ĵ×ķ×ĵ׾": 134527, "ฮา": 134528, "ãģĹãģ¦ãģĬãĤĬãģ¾ãģĻ": 134529, "ĠgÃł": 134530, "Ġ׾×ijצע": 134531, "å¼ķè¶ĬãģĹ": 134532, "Ġ×ŀ×Ļ׾×Ļ": 134533, "Ġ×ŀ×Ļ׾×Ļ×ķף": 134534, "Ùħدر": 134535, "Ùħدرسة": 134536, "פ×ķ×ĺ": 134537, "à¸Ļà¹īำมัà¸Ļ": 134538, "ëģĿ": 134539, "عÙĥس": 134540, "ĠÙĤض": 134541, "ĠÑĢÑĭб": 134542, "خطط": 134543, "×ŀ×ķס×ĵ": 134544, "Ġ׼׾׾×Ļ": 134545, "ĠкоÑĤоÑĢое": 134546, "צ×Ļ×ķף": 134547, "ĠмеÑģÑĤа": 134548, "ãģĭãģ¤": 134549, "гÑĢÑĥпп": 134550, "׾×Ļ׾": 134551, "ת×ķ×IJר": 134552, "ë³µì§Ģ": 134553, "à¹ģà¸ľà¹Īà¸Ļ": 134554, "Ġ×ijעת": 134555, "æĻĤéĸĵãĤĴ": 134556, "ï¼£": 134557, "ãģ¨ãģĦãģĨãģĵãģ¨ãģ§": 134558, "Ġ׾×Ķק": 134559, "Ġ׾×ĸ×Ķ": 134560, "ĠìłĢëĬĶ": 134561, "ĠاÙĦإرÙĩاب": 134562, "ĠìŀĪëĬĶëį°": 134563, "ĠÑĤогда": 134564, "Ġ×Ķצ×Ļ": 134565, "×ķ׾×ĺ": 134566, "Ġרפ×ķ×IJ×Ļ": 134567, "ãģĵãģ¨ãģ§ãģĻ": 134568, "ĠÄijÃŃch": 134569, "ØŃÙĬا": 134570, "Ġ×Ķ×ŀש×Ĺק": 134571, "ãģľãģ²": 134572, "Ġ×ŀ×IJפשר": 134573, "ãģ¿ãģ¾ãģĹãģŁ": 134574, "ĠاÙĦØ£ÙħÙĬرÙĥÙĬ": 134575, "ÙħجتÙħع": 134576, "Ġساب": 134577, "ĠسابÙĤ": 134578, "׼×Ļ׾": 134579, "Ế": 134580, "ãĥªãĤ¹ãĥĪ": 134581, "Ġìĥ": 134582, "ĠìĥĪ": 134583, "ĠìĥĪë¡ľ": 134584, "ĠìĥĪë¡ľìļ´": 134585, "ĠDá»ĭch": 134586, "à¹Ģหมาะสม": 134587, "ĠاÙĦÙĨبÙĬ": 134588, "׾׾": 134589, "ÙĨع": 134590, "Ðĵлав": 134591, "ÐĵлавнаÑı": 134592, "Ùħرض": 134593, "Ġ×ķ×ĵ": 134594, "تÙĤÙĬ": 134595, "تÙĤÙĬÙĬÙħ": 134596, "Ġbảng": 134597, "ĠÙģÙĤاÙĦ": 134598, "×¢×ŀ×Ļ": 134599, "дÑĢа": 134600, "Ġsuá»ijt": 134601, "سرعة": 134602, "Ġcá»Ń": 134603, "Ġ×Ķ×Ļ×Ĺ×Ļ×ĵ": 134604, "سعÙĬد": 134605, "à¸Ńาà¸Ĭีà¸ŀ": 134606, "ĠسÙĪاء": 134607, "ãĤ½ãĥķãĥĪ": 134608, "ĠлиÑĩно": 134609, "ĠÐļоÑĢ": 134610, "اÙĩتÙħ": 134611, "اÙĩتÙħاÙħ": 134612, "à¸Ńà¸Ķี": 134613, "à¸Ńà¸Ķีà¸ķ": 134614, "ãģIJãĤīãģĦ": 134615, "Ġihtiya": 134616, "Ġihtiyaç": 134617, "ãģ¾ãģ§ãģ®": 134618, "ìĭľìĬ¤": 134619, "ìĭľìĬ¤íħľ": 134620, "ÑĢÑĥÑĪ": 134621, "ãĤĦãģ£ãģ±": 134622, "ãĤĦãģ£ãģ±ãĤĬ": 134623, "кеÑĢ": 134624, "Ġży": 134625, "Ġżyw": 134626, "клон": 134627, "Ġlượt": 134628, "þ": 134629, "даÑĩи": 134630, "türk": 134631, "غÙĪ": 134632, "ĠигÑĢок": 134633, "Ġphê": 134634, "Ġ×©×¢×ľ": 134635, "ĠاÙĦÙħدÙĨÙĬ": 134636, "ĠìŬ룬ë¶Ħ": 134637, "ער×Ļ×Ŀ": 134638, "ÑħодÑıÑĤ": 134639, "Ġxứ": 134640, "ÐĹа": 134641, "ĠÙģرص": 134642, "à¸Īะà¸Ĺำà¹ĥหà¹ī": 134643, "íģ´": 134644, "×¢×ij×ķר": 134645, "à¹Ģหลà¹Īาà¸Ļีà¹ī": 134646, "èĢĥãģĪãĤĭ": 134647, "ÑĢеÑģÑĤ": 134648, "ннÑĭй": 134649, "Ġcầm": 134650, "داخÙĦ": 134651, "ĠÙħÙĦÙĬار": 134652, "ĠÐIJл": 134653, "ĠвÑĢемен": 134654, "à¸Ĭà¹Īวยà¹ĥหà¹ī": 134655, "ר×Ļ×ķת": 134656, "ëĵ¯": 134657, "飲ãģ¿": 134658, "׳׾": 134659, "שתף": 134660, "ĠاÙĦسعÙĪدÙĬ": 134661, "uÃŁ": 134662, "ìĿ¸ëį°": 134663, "ĠìĿ¼ë°ĺ": 134664, "ÅĤÄĻ": 134665, "Ġmá»iji": 134666, "×ŀ×Ļ׳": 134667, "ĠاÙĦأطÙģاÙĦ": 134668, "Ġçıkan": 134669, "école": 134670, "ק×Ļש": 134671, "ק×Ļש×ķר": 134672, "ĠоÑģÑĥÑīеÑģÑĤв": 134673, "ĠоÑģÑĥÑīеÑģÑĤвлÑı": 134674, "×ij×IJר": 134675, "à¹Ħà¸Ľà¸Ķà¹īวย": 134676, "Ġ×¢×ķ׾×Ķ": 134677, "à¸ģà¹ĩà¹Ħมà¹Ī": 134678, "ãĥ¢ãĥĩ": 134679, "ãĥ¢ãĥĩãĥ«": 134680, "تØŃÙĪÙĦ": 134681, "Ġодного": 134682, "ת×Ĺ×Ļ×ľ×ª": 134683, "Ġتخ": 134684, "Ġchcia": 134685, "ĠchciaÅĤ": 134686, "ãĥIJãĥ³": 134687, "èĢħãģ¯": 134688, "ĠÙħØŃÙĦ": 134689, "Ñģлож": 134690, "Ñģложн": 134691, "ĠtÄĻ": 134692, "Ġçıkt": 134693, "Ġçıktı": 134694, "ĠCÆ¡": 134695, "à¹Ħà¸Ķà¹īà¹Ģลย": 134696, "ırken": 134697, "à¹Ģà¸Ĥà¹īาสูà¹Ī": 134698, "ÙħØŃÙĥ": 134699, "ÙħØŃÙĥÙħØ©": 134700, "à¸Ħุà¹īม": 134701, "à¸Ļà¹Īาà¸Īะ": 134702, "лÑİд": 134703, "деÑģÑı": 134704, "деÑģÑıÑĤ": 134705, "ĠлÑİбой": 134706, "تØŃرÙĬر": 134707, "צע×ĵ": 134708, "ĠеÑij": 134709, "ĠاÙĦØŃÙĥÙħ": 134710, "ĠصباØŃ": 134711, "à¹Ģà¸ļà¸Ńรà¹Į": 134712, "Ġróżnych": 134713, "гиб": 134714, "ĠÑģоÑĤ": 134715, "ĠÑģоÑĤÑĢÑĥд": 134716, "ĠÑģоÑĤÑĢÑĥдник": 134717, "ĠобÑĬем": 134718, "פ×ĺר": 134719, "ãģĻãģĶãģı": 134720, "ãģ«éĸ¢ãģĹãģ¦": 134721, "вол": 134722, "Ø«ÙħاÙĨ": 134723, "Ġdần": 134724, "æĬľ": 134725, "æĬľãģij": 134726, "Ġעש": 134727, "Ġעש×ķ×Ļ": 134728, "ס×ķף": 134729, "ãģªãģ®ãģ§ãģĻ": 134730, "ãģ¯ãģ©ãģĨ": 134731, "×ŀער×ij": 134732, "ï¼°": 134733, "Ùħصر": 134734, "ÙħÙĨاسب": 134735, "ÙħÙĨاسبة": 134736, "ä¸Ĭãģ®": 134737, "×IJ×Ļש×ķר": 134738, "ĠìĦ¤ì¹ĺ": 134739, "×ŀ×ĵ×Ļ׳×ķת": 134740, "×ŀרת": 134741, "ãĤĭãģ®ãģĮ": 134742, "دÙİ": 134743, "ĠاÙĦشرÙĥات": 134744, "ìĭľê°Ħ": 134745, "ĠÑĢеÑĪение": 134746, "ãģĻãĤĭãģ®ãģ¯": 134747, "ĠìŀIJìĭłìĿĺ": 134748, "׾×ŀ×ķ": 134749, "ãģ¨ãģĵãĤįãģ§": 134750, "Ġקצר": 134751, "Ġmãi": 134752, "Ġkültür": 134753, "ãĥ©ãĤ¤ãĥĸ": 134754, "à¸ľà¸¹à¹īหà¸įิà¸ĩ": 134755, "æĻĤéĸĵãģĮ": 134756, "клÑİÑĩи": 134757, "diÄŁiniz": 134758, "มาà¸ģà¹Ĩ": 134759, "تØŃÙħÙĦ": 134760, "Ġhạt": 134761, "ãĤ¦ãĤ£": 134762, "пле": 134763, "×ŀ׾×IJ": 134764, "ÅĤó": 134765, "Ġgá»ijc": 134766, "Ġ×IJ×ķ×ĵ×ķת": 134767, "หวาà¸Ļ": 134768, "ĠاÙĦÙĪز": 134769, "ĠاÙĦÙĪزراء": 134770, "ëĵ¤ê³¼": 134771, "ĠصØŃ": 134772, "ĠصØŃÙĬÙģØ©": 134773, "Ġмм": 134774, "تدخÙĦ": 134775, "Ġpersönlich": 134776, "ĠزÙĬ": 134777, "ĠزÙĬادة": 134778, "ãĤ·ãĤ¢": 134779, "Ġngắn": 134780, "à¸Ħลิà¸ģ": 134781, "Ġsông": 134782, "Ġtüket": 134783, "ÑįÑĦÑĦ": 134784, "ÑįÑĦÑĦекÑĤ": 134785, "ש×Ļ×ij": 134786, "Ġاعت": 134787, "تض": 134788, "تضÙħÙĨ": 134789, "ĠاÙĦÙħشرÙĪع": 134790, "Ġprodução": 134791, "ĠпÑĢименÑı": 134792, "ниÑĨÑĭ": 134793, "주ëĬĶ": 134794, "رÙı": 134795, "ĠmÆ¡": 134796, "Ġhayatı": 134797, "ëŁ½": 134798, "Ġücret": 134799, "Ġyanında": 134800, "Ġprática": 134801, "×ij×Ļק×ķר": 134802, "ÃľN": 134803, "ÑģоÑĤ": 134804, "ãĤıãģijãģ§": 134805, "Ġдолго": 134806, "×ª×Ľ×ķ": 134807, "ĠìķĦëĭĮ": 134808, "ëį°ìĿ´": 134809, "Ġçiz": 134810, "ĠchoÄĩ": 134811, "Ġ×Ķ×Ļת": 134812, "Ġ×Ķ×Ļתר": 134813, "Ġsoát": 134814, "׼×ij×ĵ": 134815, "à¹Ģลà¹Īา": 134816, "ĠдеÑĢ": 134817, "ĠдеÑĢев": 134818, "ãĤĴåħ¥ãĤĮ": 134819, "×Ĺ×ķס": 134820, "×Ĺ×ķסר": 134821, "جÙĬÙĨ": 134822, "tón": 134823, "onné": 134824, "ĠполноÑģÑĤÑĮÑİ": 134825, "人ãģŁãģ¡": 134826, "Ġprêt": 134827, "본": 134828, "Ġdécembre": 134829, "cılar": 134830, "Ġתת": 134831, "Ġê²½ìļ°ìĹIJëĬĶ": 134832, "ÙĪعد": 134833, "è¦ĭãĤĭ": 134834, "วิà¸Īัย": 134835, "ë¶Ī": 134836, "زÙĪا": 134837, "زÙĪاج": 134838, "dì": 134839, "ãģ§ãģĻãĤĪ": 134840, "Ġводо": 134841, "ĠÙĬÙĪجد": 134842, "ÑģоÑģÑĤоÑı": 134843, "ÐŀС": 134844, "ĠÄIJó": 134845, "×Ĺפש": 134846, "Ġצ×Ļ×ij×ķר": 134847, "ĠاÙĦÙĤØ·": 134848, "ĠاÙĦÙĤطاع": 134849, "ĠимеÑİÑĤ": 134850, "ĠpháºŃn": 134851, "×Ľ×¡×¤×Ļ": 134852, "полниÑĤелÑĮ": 134853, "éĻIJãĤĬ": 134854, "ĠÑģÑĢав": 134855, "ĠÑģÑĢавн": 134856, "ÙħاÙĦÙĥ": 134857, "×ĵר×ķ×Ŀ": 134858, "çļĨãģķãĤĵ": 134859, "ØŃÙĤÙĤ": 134860, "à¹ģหลà¹Īà¸ĩ": 134861, "ĠاÙĦرسÙħÙĬ": 134862, "оÑĩки": 134863, "×ĺ×ij×Ĺ": 134864, "Ġcanlı": 134865, "Ġ׾׾": 134866, "Ġ׾׾×ŀ×ķ×ĵ": 134867, "×ŀ×ij×ķ": 134868, "×ª×Ľ": 134869, "×ª×Ľ×ł×Ļת": 134870, "ĠاÙĦÙħشار": 134871, "ĠاÙĦÙħشارÙĥØ©": 134872, "Ä°Åŀ": 134873, "ĠسÙĬاسÙĬ": 134874, "волÑĮ": 134875, "ĠÑģпÑĢав": 134876, "æĿ¥ãģ¦": 134877, "פ×ķר×ķ×Ŀ": 134878, "สำà¹Ģรà¹ĩ": 134879, "สำà¹Ģรà¹ĩà¸Ī": 134880, "ĠÅŁÃ¶yle": 134881, "ĠzostaÅĤa": 134882, "ĠHü": 134883, "ר×ķש": 134884, "دÙĦÙĬÙĦ": 134885, "ÑĢид": 134886, "שף": 134887, "×ŀק×ķר": 134888, "ĠÑĥÑĩ": 134889, "ĠÑĥÑĩеб": 134890, "ĠÑįÑĤа": 134891, "кова": 134892, "à¸ķà¸Ļà¹Ģà¸Ńà¸ĩ": 134893, "ÙĨÙIJ": 134894, "à¸Ńีà¸ģà¸Ħรัà¹īà¸ĩ": 134895, "ระà¸ļุ": 134896, "Ġdữ": 134897, "ĠاÙĦØŃاÙĦÙĬ": 134898, "׼×ķ׼": 134899, "׼×ķ׼×ij": 134900, "Ġ×ŀ×IJשר": 134901, "Ġtrụ": 134902, "ÑĤелем": 134903, "Ġвли": 134904, "ĠвлиÑı": 134905, "Ġש×IJת×Ŀ": 134906, "Ġuwag": 134907, "ĠuwagÄĻ": 134908, "×ĺ×Ļת": 134909, "×IJ×ĵ×Ŀ": 134910, "à¸Ķุ": 134911, "Ġ×Ķ×IJ׾×Ķ": 134912, "ĠkarÄ±ÅŁ": 134913, "ĠÄIJá»iji": 134914, "даÑİÑĤ": 134915, "ãģªãģ®ãģ«": 134916, "Äħcych": 134917, "à¹Ģà¸Ļà¹īà¸Ļ": 134918, "ãģĹãģ¦ãģĹãģ¾ãģĨ": 134919, "intérieur": 134920, "ĠfÃŃsica": 134921, "ĠÐŁÐ¾Ð»": 134922, "ãģĹãģķ": 134923, "à¸Ĺำà¹Ħม": 134924, "ĠLâm": 134925, "ĠاÙĦÙħسÙĦÙħ": 134926, "ĠاÙĦÙħسÙĦÙħÙĬÙĨ": 134927, "صØŃØ©": 134928, "ìĹĦ": 134929, "à¹Ģà¸Ķà¹ĩà¸Ķ": 134930, "ĠÑĥÑĩеÑĤ": 134931, "âÌģ": 134932, "ĠبÙĦا": 134933, "ĠاÙĦاجتÙħاعÙĬ": 134934, "פרס×Ŀ": 134935, "ãĥķãĥ©": 134936, "ĠÐļогда": 134937, "mieÅĽci": 134938, "ĠبÙĬÙĨÙħا": 134939, "Ġ×ŀ×IJ×ŀר×Ļ×Ŀ": 134940, "Ġ×ij×IJ×ĸ×ķר": 134941, "×ķש×Ļ×Ŀ": 134942, "ĠÑģдела": 134943, "entrée": 134944, "à¹Ģà¸Ħà¹īา": 134945, "Ñĥгл": 134946, "ĠاÙĦÙģÙĨÙĬ": 134947, "ĠÐĴоÑĤ": 134948, "à¸Ĺีà¹Īมา": 134949, "×ķצ×Ĵ": 134950, "ÙĤدرة": 134951, "Ġ목": 134952, "Ġ목ìłģ": 134953, "íıīê°Ģ": 134954, "ĠاÙĦأربع": 134955, "ĠاÙĦأربعاء": 134956, "פס×Ļק": 134957, "ĠÑıвлÑıÑİÑĤÑģÑı": 134958, "بÙĪÙĨ": 134959, "ì°¾": 134960, "×ŀ×¢×¨×Ľ": 134961, "×ŀ×¢×¨×Ľ×ķת": 134962, "ãĤ·ãĤ§": 134963, "ĠباÙĦØ£": 134964, "íĸĪëįĺ": 134965, "ĠاÙĦبرÙĨاÙħج": 134966, "ĠاÙĦØ£ØŃد": 134967, "ĠmÅ©": 134968, "ĠmÅ©i": 134969, "паÑĤ": 134970, "بث": 134971, "ĠÑĨенÑĭ": 134972, "Ġ×ij×ª×ľ": 134973, "è¨ĢãĤıãĤĮ": 134974, "ĠاÙĦÙħجاÙĦ": 134975, "ĠìĦ¸ìĥģ": 134976, "Ġ×Ĵ×ķפ": 134977, "ĠнаÑĪей": 134978, "ĠкомпаниÑı": 134979, "бин": 134980, "ölü": 134981, "×Ļ×Ļ×ĺ": 134982, "Ġ×ŀספ×Ļק": 134983, "ยัà¸ĩà¸Ħà¸ĩ": 134984, "ĠЧи": 134985, "ĠанÑĤи": 134986, "ĠÑģÑĢеди": 134987, "สà¹Īวà¸Ļà¹ĥหà¸įà¹Ī": 134988, "оÑĩка": 134989, "íĬ¹ë³Ħ": 134990, "วà¹Īาà¸ĩ": 134991, "гоÑĢод": 134992, "باÙĥ": 134993, "à¹Ģสีà¹Īย": 134994, "à¹Ģสีà¹Īยà¸ĩ": 134995, "ãĤĤãĤīãģĦ": 134996, "ק×ķ×Ŀ": 134997, "ãģĽãģļ": 134998, "ĠاÙĦÙĤاÙĩرة": 134999, "Ġ×ij׼×ļ": 135000, "ÙħشارÙĬع": 135001, "باØŃØ«": 135002, "ĠпоÑĩ": 135003, "ĠпоÑĩÑĤи": 135004, "ĠÑĦоÑĢма": 135005, "SÄ°": 135006, "Ġ×ŀצ×Ļ×¢": 135007, "ลื": 135008, "ลืม": 135009, "ĠÑĤеÑĢ": 135010, "ĠÑĤеÑĢÑĢиÑĤоÑĢ": 135011, "ĠÑĤеÑĢÑĢиÑĤоÑĢии": 135012, "ĠвмеÑģÑĤ": 135013, "ĠвмеÑģÑĤе": 135014, "dıkları": 135015, "opération": 135016, "à¹Ĥห": 135017, "صدÙĬ": 135018, "صدÙĬÙĤ": 135019, "íĸīìłķ": 135020, "تجا": 135021, "تجاÙĪز": 135022, "Ġsuç": 135023, "Ġarty": 135024, "Ġartyku": 135025, "ĠartykuÅĤ": 135026, "ãĤ·ãĥ§ãĥĥãĥĹ": 135027, "שפ": 135028, "שפ×Ļ×¢": 135029, "Ġ×Ķש×Ļר×ķת": 135030, "à¹ģà¸ĸม": 135031, "ë¸Ķ": 135032, "ĠukÅĤad": 135033, "Ġ×ķ׼×Ļ": 135034, "หลาà¸ģ": 135035, "หลาà¸ģหลาย": 135036, "æĸ¹ãĤĤ": 135037, "Ġpodróż": 135038, "ĠEÄŁer": 135039, "ĠкомнаÑĤ": 135040, "ĠÑģамÑĭÑħ": 135041, "ĠвкÑĥÑģ": 135042, "беж": 135043, "Ġ×ijק×ķ": 135044, "æİĽãģij": 135045, "ãģ¿ãĤĭãģ¨": 135046, "ĠiliÅŁkin": 135047, "ĠÙĬعÙħÙĦ": 135048, "ĠподаÑĢ": 135049, "Ġyazılı": 135050, "ãĤĴå¾Ĺ": 135051, "ĠwystÄĻp": 135052, "à¸Ĺีà¹Īà¹ĥà¸Ĭà¹ī": 135053, "ØŃادث": 135054, "ÙĪÙĬد": 135055, "кÑĥлÑĮÑĤ": 135056, "кÑĥлÑĮÑĤÑĥÑĢ": 135057, "à¸ģารà¹ģà¸Ĥà¹Īà¸ĩ": 135058, "à¸ģารà¹ģà¸Ĥà¹Īà¸ĩà¸Ĥ": 135059, "à¸ģารà¹ģà¸Ĥà¹Īà¸ĩà¸Ĥัà¸Ļ": 135060, "ÙħÙĪظ": 135061, "ÙħÙĪظÙģ": 135062, "ÙĬÙħÙĬ": 135063, "ãĤĵãģ§ãģĻãģĮ": 135064, "diÄŁim": 135065, "diÄŁimiz": 135066, "ĠÐŁÐµÑĢ": 135067, "ĠÐŁÐµÑĢв": 135068, "Ġmão": 135069, "ĠÑģез": 135070, "ĠÑģезон": 135071, "Ġ×Ķ×ŀ×¢": 135072, "ÙħجÙħÙĪعة": 135073, "ĠинÑĦоÑĢмаÑĨии": 135074, "iếc": 135075, "ãng": 135076, "ĠÄijấy": 135077, "ãģĶç´": 135078, "ãģĶç´¹": 135079, "ãģĶç´¹ä»ĭ": 135080, "Ġadım": 135081, "à¹Ħหล": 135082, "ĠпÑĢакÑĤи": 135083, "ĠпÑĢакÑĤиÑĩ": 135084, "ĠпÑĢакÑĤиÑĩеÑģ": 135085, "ĠпÑĢакÑĤиÑĩеÑģки": 135086, "ĠاÙĦÙĨÙģس": 135087, "ĠÑĢабоÑĤе": 135088, "ÙĦÙĬÙģ": 135089, "ĠاÙĦجÙĨÙĪب": 135090, "ĠводÑĭ": 135091, "ì¹Ļ": 135092, "ĠмиÑĢа": 135093, "ĠÄijừng": 135094, "ĠпÑĢоÑĤиво": 135095, "ĠÑģÑĤÑĢанÑĭ": 135096, "ลู": 135097, "ìĤ¶": 135098, "kreÅĽl": 135099, "Ġbulund": 135100, "ĠbulunduÄŁu": 135101, "à¹ģสà¸Ļ": 135102, "ãĤ±ãĤ¢": 135103, "ת×Ĺ×ķ×ŀ×Ļ": 135104, "ר׼×Ķ": 135105, "Ġ׾ק×ķ×Ĺ": 135106, "Ġ׾ק×ķ×Ĺ×ķת": 135107, "Ġ×Ľ×ª×ķ×ijת": 135108, "ĠÙĦÙĥÙħ": 135109, "بشر": 135110, "ĠrÃłng": 135111, "Ġ×ŀ×Ķ×ŀ": 135112, "Ġ×IJ×Ĺר×ķת": 135113, "Ġбон": 135114, "ĠбонÑĥÑģ": 135115, "ï½Ĺ": 135116, "à¹ģยà¸ģ": 135117, "ãģĤãģªãģŁãģ®": 135118, "ĠÑĥÑĩаÑģÑĤие": 135119, "ĠEyl": 135120, "ĠEylül": 135121, "ĠçalÄ±ÅŁmaları": 135122, "خطر": 135123, "ìĿ½": 135124, "à¸ģารà¹ĥà¸Ĭà¹īà¸ĩาà¸Ļ": 135125, "Ġанализ": 135126, "תק×ij׾": 135127, "нием": 135128, "ĠÄ°ns": 135129, "ĠÄ°nsan": 135130, "ĠبÙĪاس": 135131, "ĠبÙĪاسطة": 135132, "Ġ×ł×Ľ×ł×¡": 135133, "Ġ×Ķ×ŀ×Ļ×ĵ×¢": 135134, "Ġço": 135135, "ĠçoÄŁu": 135136, "á»ĺ": 135137, "ĠêµŃ민": 135138, "ãĤĤãģĦãģĦ": 135139, "Ġ׼׾×Ļ": 135140, "ĠÑģÑĢедне": 135141, "gÅĤo": 135142, "gÅĤoÅĽ": 135143, "Ġnegó": 135144, "Ġnegócio": 135145, "ĠÑĢегиÑģÑĤ": 135146, "ĠÑĢегиÑģÑĤÑĢа": 135147, "ĠÑĢегиÑģÑĤÑĢаÑĨии": 135148, "Ġtrá»ĵng": 135149, "ĠпÑĢÑı": 135150, "ĠпÑĢÑıмо": 135151, "ëłĪìĿ´": 135152, "Ġkém": 135153, "кле": 135154, "à¸Ļำมา": 135155, "ĠÑĦин": 135156, "ĠÑĦинанÑģ": 135157, "ĠÑĦинанÑģов": 135158, "Ġkiá»ĩm": 135159, "ยัà¸ĩà¹Ħ": 135160, "ยัà¸ĩà¹Ħà¸ĩ": 135161, "ยิà¸ĩ": 135162, "à¹Ĥà¸Ľ": 135163, "ĠполÑĥÑĩил": 135164, "×Ļ×ĸ×Ŀ": 135165, "à¹ģละà¸Ħวาม": 135166, "ĠвообÑīе": 135167, "صÙĬر": 135168, "ãĥıãĥ³": 135169, "ĠاÙĦÙĤاد": 135170, "ĠاÙĦÙĤادÙħ": 135171, "ĠبدÙĪÙĨ": 135172, "عظÙħ": 135173, "×ª×ł×ķ×¢": 135174, "×ª×ł×ķ×¢×Ķ": 135175, "Ø£ÙħÙĦ": 135176, "ãģķãģĪ": 135177, "ÑĤем": 135178, "ÑĤемпеÑĢ": 135179, "ÑĤемпеÑĢаÑĤÑĥÑĢ": 135180, "Ġ׾×Ļצ×ķר": 135181, "ĠrÄĻk": 135182, "رسÙĦ": 135183, "ìŀIJ를": 135184, "Ġ×Ļצ×Ļרת": 135185, "ÙĨبÙĬ": 135186, "ÑĩнаÑı": 135187, "تØŃÙĦÙĬÙĦ": 135188, "Ġмик": 135189, "ĠмикÑĢо": 135190, "ĠSöz": 135191, "Ġforça": 135192, "Ñģон": 135193, "ĠاÙĦعرا": 135194, "ĠاÙĦعراÙĤÙĬ": 135195, "ĠHá»ĵng": 135196, "ãģĻãĤĭãģŁãĤģãģ«": 135197, "à¸Ĺีà¹Īà¸Ńยูà¹Ī": 135198, "Ġ×ķ×IJ×£": 135199, "صÙĬد": 135200, "ĠìķĬê³ł": 135201, "รัà¸ĩ": 135202, "ĠاÙĦتÙĪاصÙĦ": 135203, "à¹Ģมà¸ķร": 135204, "ÑĥÑģÑĤÑĢой": 135205, "ÑĥÑģÑĤÑĢойÑģÑĤв": 135206, "mıyor": 135207, "ĠباسÙħ": 135208, "Ġ×ķ׼×ķ": 135209, "ĠGül": 135210, "á»IJ": 135211, "Ãītat": 135212, "غاÙĦ": 135213, "Ø¥ÙĨØ´": 135214, "Ø¥ÙĨشاء": 135215, "TÄ°": 135216, "à¸Ĥà¹īาม": 135217, "Ġtroch": 135218, "ĠtrochÄĻ": 135219, "إص": 135220, "إصابة": 135221, "ĠثاÙĨÙĬ": 135222, "ĠاÙĦصØŃØ©": 135223, "Ġ×ĸ×Ķ×ķ": 135224, "jÄħcej": 135225, "ãĥĢãĥ³": 135226, "ìĿ¸ìĿ´": 135227, "ĠволоÑģ": 135228, "ëIJĺë©´": 135229, "ĠzakÅĤad": 135230, "ãģĻãģĵãģ¨": 135231, "以ä¸Ĭãģ®": 135232, "Ġ×Ķ×ŀק×ķ×Ŀ": 135233, "ÙħشاÙĩ": 135234, "ÙħشاÙĩدة": 135235, "Ñĩив": 135236, "بش": 135237, "ยà¹īาย": 135238, "Ġsürdür": 135239, "ĠNẵ": 135240, "ĠNẵng": 135241, "ĠигÑĢаÑĤÑĮ": 135242, "Ġê·¸ëŁ¬ë©´": 135243, "ãĥķãĥ«": 135244, "ลà¹Īะ": 135245, "Ġtendrá": 135246, "ĠbÃły": 135247, "à¹Ģà¸Ľà¹ĩà¸Ļà¸ľà¸¹à¹ī": 135248, "Ġoko": 135249, "ĠokoÅĤo": 135250, "wÅĤa": 135251, "wÅĤaÅĽci": 135252, "wÅĤaÅĽciw": 135253, "æĢĿãĤı": 135254, "ĠYaÅŁ": 135255, "ĠBá»ĩnh": 135256, "íıŃ": 135257, "بÙĬد": 135258, "קרף": 135259, "à¹Ģศร": 135260, "à¹Ģศรษ": 135261, "à¹Ģศรษà¸IJ": 135262, "à¹Ģศรษà¸IJà¸ģิà¸Ī": 135263, "ĠاÙĦØ£ÙĪرÙĪ": 135264, "ĠاÙĦØ£ÙĪرÙĪبÙĬ": 135265, "fläche": 135266, "ä¹ĹãĤĬ": 135267, "Ġbá»ģn": 135268, "Ùĩب": 135269, "æľĢãĤĤ": 135270, "Ġsaç": 135271, "à¸Ńำà¹Ģà¸ł": 135272, "à¸Ńำà¹Ģà¸łà¸Ń": 135273, "Ġأج": 135274, "ĠاÙĦداخÙĦ": 135275, "ĠاÙĦداخÙĦÙĬØ©": 135276, "×ĺ×ķ×ij": 135277, "ãĤĤãģªãģı": 135278, "ĠлиÑĨа": 135279, "à¹ģลà¹īวà¸ģà¹ĩ": 135280, "×ĸ׼×Ļר": 135281, "ĠquÃł": 135282, "ĠÙĥØ°ÙĦÙĥ": 135283, "صØŃÙģ": 135284, "ĠÃĤu": 135285, "ÙĪبا": 135286, "à¹Ģà¸Ľà¸¥à¸µà¹Īยà¸Ļà¹ģà¸Ľà¸¥": 135287, "à¹Ģà¸Ľà¸¥à¸µà¹Īยà¸Ļà¹ģà¸Ľà¸¥à¸ĩ": 135288, "à¸ķัวà¸Ńยà¹Īาà¸ĩ": 135289, "Ġrápida": 135290, "Ġtasar": 135291, "Ġtasarım": 135292, "ĠعÙĦÙĬÙĩÙħ": 135293, "ס×ķ׾": 135294, "cılı": 135295, "cılık": 135296, "ĠرغÙħ": 135297, "ìĭľíĤ¤": 135298, "Ġ×IJ׾ק": 135299, "Ġ×IJ׾ק×ĺר": 135300, "Ġ×IJ׾ק×ĺר×ķ׳×Ļ": 135301, "à¹ģà¸ļà¹Īà¸ĩ": 135302, "Ġhạng": 135303, "ãģ£ãģ¦ãģıãĤĮ": 135304, "ĠÙĨتÙĬ": 135305, "ĠÙĨتÙĬجة": 135306, "ıklı": 135307, "غاÙĨ": 135308, "à¸Ĥà¹īà¸Ńà¸Ħวาม": 135309, "à¸Ľà¸¥à¸²à¸¢": 135310, "ĠØ£Ùħس": 135311, "à¸Ĺีà¹Īà¹Ģà¸ģีà¹Īยว": 135312, "à¸Ĺีà¹Īà¹Ģà¸ģีà¹Īยวà¸Ĥ": 135313, "à¸Ĺีà¹Īà¹Ģà¸ģีà¹Īยวà¸Ĥà¹īà¸Ńà¸ĩ": 135314, "Ġdéfin": 135315, "Ġdéfini": 135316, "ÙģÙĨاد": 135317, "ÙģÙĨادÙĤ": 135318, "à¹Ħà¸Ķà¹īวà¹Īา": 135319, "ãģªãģĦãĤĪãģĨãģ«": 135320, "Ġprópria": 135321, "ĠPhát": 135322, "ãĤĦãģĻãģı": 135323, "สวยà¸ĩาม": 135324, "ê³łìļĶ": 135325, "ÑıеÑĤ": 135326, "ãģĭãĤĤãģĹãĤĮãģ¾ãģĽãĤĵãģĮ": 135327, "ترجÙħ": 135328, "ĠкÑĢаÑģив": 135329, "Ġ×ŀר×IJש": 135330, "деж": 135331, "ĠÙĬÙĪÙĨ": 135332, "ĠÙĬÙĪÙĨÙĬÙĪ": 135333, "ÑģкоÑĢ": 135334, "ĠKasım": 135335, "ê³Ħìķ½": 135336, "коÑģ": 135337, "ĠнаÑĢÑĥ": 135338, "ĠнаÑĢÑĥÑĪен": 135339, "Ġduże": 135340, "accès": 135341, "Ġhá»ĵng": 135342, "ĠvÅ©": 135343, "ãģĦãģŁãģĹãģ¾ãģĻ": 135344, "Ġ×ĺ×Ļ": 135345, "Ġ×ĺ×Ļ×ķ׾": 135346, "lıkları": 135347, "Ġquê": 135348, "ëħ¸ëıĻ": 135349, "ìķĶ": 135350, "CIÃĵN": 135351, "Ġtắc": 135352, "pressão": 135353, "ĠìŀĪìľ¼": 135354, "สิà¸Ĺà¸ĺิà¹Į": 135355, "íĥĦ": 135356, "Ġ×Ķ×ŀ×ŀש׾×Ķ": 135357, "å¬īãģĹãģĦ": 135358, "ĠÄIJặc": 135359, "ÙĨزÙĦ": 135360, "ĠдÑĢÑĥгой": 135361, "дÑĥÑĤ": 135362, "ìĪĻ": 135363, "Ġthụ": 135364, "à¹Ģสร": 135365, "à¹Ģสรà¹ĩ": 135366, "à¹Ģสรà¹ĩà¸Ī": 135367, "Ġtoplant": 135368, "Ġtoplantı": 135369, "×IJ×ŀף": 135370, "×ķ×ľ×ª": 135371, "помн": 135372, "ĠyoÄŁun": 135373, "ÅĦskiego": 135374, "ì°©": 135375, "ĠØ«ÙĦاث": 135376, "ĠØ«ÙĦاثة": 135377, "Ġlắng": 135378, "릴": 135379, "ราà¸Ĭà¸ģาร": 135380, "ĠÑģлова": 135381, "á»Ĩ": 135382, "à¸Ķีà¸ģวà¹Īา": 135383, "ãģĶãģĸãģĦãģ¾ãģĻ": 135384, "Ġдиз": 135385, "Ġдизайн": 135386, "férence": 135387, "lıklar": 135388, "ãģªãĤĵãģ§ãģĻ": 135389, "ajÄħcy": 135390, "Ġëĭ¤ìĸij": 135391, "Ġëĭ¤ìĸijíķľ": 135392, "ק×Ļר": 135393, "ØŃار": 135394, "สูà¹ī": 135395, "Ġzro": 135396, "Ġzrobi": 135397, "ĠzrobiÄĩ": 135398, "×ŀ×Ļ׼×Ķ": 135399, "à¸Ĭà¹Īวยà¹Ģหลืà¸Ń": 135400, "ĠÑįÑĤÑĥ": 135401, "ë´ī": 135402, "楽ãģĹãģĦ": 135403, "سÙĪر": 135404, "íķĺê±°ëĤĺ": 135405, "ÙħؤتÙħر": 135406, "ĠpoczÄħ": 135407, "ĠpoczÄħtk": 135408, "ĠpoczÄħtku": 135409, "ĠعربÙĬ": 135410, "اÙĦأر": 135411, "اÙĦأردÙĨ": 135412, "à¸Ķร": 135413, "Åĵuvre": 135414, "ĠÙĪÙĥاÙĨت": 135415, "ĠÅĽredni": 135416, "خضر": 135417, "Ġchuyến": 135418, "нÑĤ": 135419, "ĠìķĮê³ł": 135420, "Ġvá»Ŀi": 135421, "Ġ×ij×Ļ×ĵ×Ļ": 135422, "×ŀ×ĵ×ķ×ijר": 135423, "ÙĪÙģر": 135424, "ÙĬØ¡": 135425, "×ł×Ľ×¡": 135426, "ĠÐĽÐ°": 135427, "лон": 135428, "Ġxấu": 135429, "ÙģÙĬÙĨ": 135430, "Ġfévrier": 135431, "ĠÐŀна": 135432, "ĠVá»ģ": 135433, "ĠÅŁeyler": 135434, "ĠполÑĥÑĩен": 135435, "зад": 135436, "Ġnét": 135437, "à¹Ħà¸Ľà¸¢à¸±à¸ĩ": 135438, "×Ĺש×ij×ķ": 135439, "à¸ļัà¸Ļà¸Ĺ": 135440, "à¸ļัà¸Ļà¸Ĺึà¸ģ": 135441, "ĠgerçekleÅŁ": 135442, "иÑĩеÑģкое": 135443, "ìĪĺê°Ģ": 135444, "ثبت": 135445, "ãģ¤ãģ¾ãĤĬ": 135446, "ĠÑĥÑģловиÑıÑħ": 135447, "ëĭ¤ê°Ģ": 135448, "รายà¹Ħà¸Ķà¹ī": 135449, "׼×IJ×ij": 135450, "à¹Ĥà¸Ľà¸£à¹Ĥม": 135451, "à¹Ĥà¸Ľà¸£à¹Ĥมà¸Ĭัà¹Īà¸Ļ": 135452, "jähr": 135453, "jährige": 135454, "ק׳×Ļ×Ŀ": 135455, "×ŀ×ķק": 135456, "×ŀ×ķק×ĵ": 135457, "ãģ«è¡Įãģ£ãģ¦": 135458, "Ø¢ÙĦ": 135459, "ведение": 135460, "Ġ×ľ×Ľ×ª×ķ×ij": 135461, "جÙħÙĩ": 135462, "جÙħÙĩÙĪرÙĬØ©": 135463, "à¸īà¸ļ": 135464, "à¸īà¸ļัà¸ļ": 135465, "ĠCòn": 135466, "à¸ľà¸ªà¸¡": 135467, "ãģªãģ©ãģĮ": 135468, "×IJ×Ķ×ij": 135469, "ĠдейÑģÑĤвиÑı": 135470, "yız": 135471, "à¹Ħมà¹Īà¹Ģà¸Ħย": 135472, "جÙĪز": 135473, "×Ķ×Ĺ׾×ĺ×Ķ": 135474, "fällt": 135475, "ãĥĵãĤ¸": 135476, "ãĥĵãĤ¸ãĥį": 135477, "ãĥĵãĤ¸ãĥįãĤ¹": 135478, "Ġ×IJ×Ļ׳×Ŀ": 135479, "ĠнаÑħодиÑĤÑģÑı": 135480, "ĠdziÅĽ": 135481, "ستطÙĬع": 135482, "׾×Ļף": 135483, "Ø®ÙĦاÙģ": 135484, "ÙĩÙIJ": 135485, "Ġatrás": 135486, "íĺģ": 135487, "ãĤĴãģĶ": 135488, "Ġ×Ķ×ŀ×ķצר": 135489, "ĠBakanlıģı": 135490, "ÑİÑīее": 135491, "ÙħÙĨاط": 135492, "ÙħÙĨاطÙĤ": 135493, "Ùģد": 135494, "à¸Ļำà¹Ħà¸Ľ": 135495, "Ġваж": 135496, "Ġважно": 135497, "Ġmạch": 135498, "׼׳×ķ": 135499, "بعث": 135500, "lanması": 135501, "Ġayr": 135502, "Ġayrıl": 135503, "ìĤ¬íļĮ": 135504, "dÃŃa": 135505, "pÅĤyw": 135506, "اÙħÙĬØ©": 135507, "íĺľ": 135508, "×IJ׳×Ĵ׾": 135509, "×IJ׳×Ĵ׾×Ļת": 135510, "ĠìŀĪëĭ¤ëĬĶ": 135511, "Ġساعة": 135512, "ĠëĤĺíĥĢ": 135513, "bö": 135514, "à¸Ħัà¸Ļ": 135515, "ĠdziaÅĤania": 135516, "Ø©Ùĭ": 135517, "ĠngÅ©": 135518, "׳צ×Ĺ": 135519, "ãģ¯ãģĤãĤĭ": 135520, "ĠyaÅŁÄ±nda": 135521, "stück": 135522, "caracter": 135523, "caracterÃŃsticas": 135524, "Ġrá»Ńa": 135525, "ĠÙħختÙĦÙģØ©": 135526, "ãģ«ãģĬãģijãĤĭ": 135527, "à¹ģà¸ŀà¸ĩ": 135528, "วิà¹Īà¸ĩ": 135529, "תפ×ķ": 135530, "ساÙĩÙħ": 135531, "使ãģĨ": 135532, "ÙĥرÙĬ": 135533, "×IJפ×Ļ": 135534, "...............": 135535, "ĠÑĤаким": 135536, "×Ļ׼×ķ×Ļ": 135537, "شبÙĩ": 135538, "جÙĬر": 135539, "ãģĿãģ®ãģ¾ãģ¾": 135540, "acjÄĻ": 135541, "ĠاÙĦترÙĥ": 135542, "ĠاÙĦترÙĥÙĬ": 135543, "ĠпÑĢавилÑĮно": 135544, "ĠتعÙħÙĦ": 135545, "à¸ģลà¹īา": 135546, "Ġbiên": 135547, "Ġ×ij׳×Ļ×Ļת": 135548, "ĠклÑĥб": 135549, "Ġ×ŀש×Ķ": 135550, "вÑĪий": 135551, "ãģĵãģ¨ãģĮãģ§ãģįãĤĭ": 135552, "à¸ŀัà¸Ļà¸ĺุ": 135553, "à¸ŀัà¸Ļà¸ĺุà¹Į": 135554, "ר×ķ×Ŀ": 135555, "ĠاÙĦÙģرÙĨ": 135556, "ĠاÙĦÙģرÙĨسÙĬ": 135557, "à¹Ģà¸Ľà¹ĩà¸Ļà¸Ħà¸Ļ": 135558, "ãģĹãģ¦ãģĬãĤĬ": 135559, "Ġthầy": 135560, "ãĤĵãģłãģijãģ©": 135561, "ìĶ¨": 135562, "ÙħدÙĨ": 135563, "تÙĪÙĨ": 135564, "ĠмеÑĤал": 135565, "ĠмеÑĤалл": 135566, "ĠinÃŃcio": 135567, "à¸Ńà¸Ńà¸ģà¸Īาà¸ģ": 135568, "ëĴ¤": 135569, "Ġcuá»ijn": 135570, "Ġbuá»Ļc": 135571, "ÙĨسÙĬ": 135572, "ächt": 135573, "×ŀ×Ļ׳×Ļ×Ŀ": 135574, "ãģķãģ¦": 135575, "ãģĮãģ§ãģį": 135576, "ÑĬем": 135577, "Ġtái": 135578, "ĠЧÑĤ": 135579, "ĠЧÑĤобÑĭ": 135580, "à¸Ľà¸¥à¸¹à¸ģ": 135581, "à¸Ĭุมà¸Ĭà¸Ļ": 135582, "нÑģкий": 135583, "Ġvững": 135584, "Ġ×Ķ׾×ij": 135585, "ële": 135586, "Ġשע×ijר": 135587, "ваÑĤÑĮÑģÑı": 135588, "бой": 135589, "عÙĪÙĨ": 135590, "à¹ģà¸Ķà¸Ļ": 135591, "Ġספר×Ļ×Ŀ": 135592, "Ġtuyên": 135593, "Ġnhiêu": 135594, "ĠQuý": 135595, "Ġhuyết": 135596, "ãĤıãģĭãĤīãģªãģĦ": 135597, "Ġ×ŀ׼ף": 135598, "Ġ×Ķק׾": 135599, "Ġ׾×IJ×ķר": 135600, "ĠÄIJiá»ĩn": 135601, "شؤ": 135602, "شؤÙĪÙĨ": 135603, "Ġ×ŀ×Ĺפש": 135604, "ĠпоÑģÑĤоÑıнно": 135605, "×ŀ×Ļר": 135606, "ìħĶ": 135607, "ÐŀÑģ": 135608, "ÐŀÑģнов": 135609, "×ĸ×Ļת": 135610, "ĠHá": 135611, "ĠÑĩаÑģов": 135612, "×IJ×ķ׾×Ļ": 135613, "Ġmát": 135614, "خرÙĪ": 135615, "خرÙĪج": 135616, "ÙĤضا": 135617, "ÙĤضاÙĬا": 135618, "à¹Ģà¸Ľà¸Ńรà¹Į": 135619, "ĠÙĬÙĪÙĦ": 135620, "ĠÙĬÙĪÙĦÙĬÙĪ": 135621, "à¹Ĥà¸Ĺษ": 135622, "׳פ׾": 135623, "ת×ķש": 135624, "ת×ķש×ij×Ļ": 135625, "Ġvários": 135626, "×ŀר×IJ×Ķ": 135627, "ëĿ¼ìĿ´": 135628, "ÙĨغ": 135629, "×ijצע": 135630, "гон": 135631, "ĠÄIJược": 135632, "عÙı": 135633, "пÑĥÑģк": 135634, "ĠÙĪاÙĦÙģ": 135635, "ücü": 135636, "×Ļק×Ļ×Ŀ": 135637, "ĠسبÙĬÙĦ": 135638, "׾×ijף": 135639, "ĠاÙĦÙĤرÙĨ": 135640, "ס×ķת": 135641, "ĠQuáºŃn": 135642, "ãģĵãĤĮãģĮ": 135643, "ãĥĸãĥ©ãĥ³ãĥī": 135644, "×Ĵ×ŀר": 135645, "ĠwartoÅĽci": 135646, "ĠÙĪبÙĬÙĨ": 135647, "Ġdạ": 135648, "ÐIJв": 135649, "ÐIJвÑĤо": 135650, "Ġolacaktır": 135651, "à¸Ļà¸Ĺà¹Į": 135652, "Ùħطار": 135653, "Ġעק×ij": 135654, "Ġתפ": 135655, "ãģĹãģ¦ãģĦãģ¦": 135656, "צ×ŀ×Ĺ": 135657, "à¸Īà¸Ńà¸ĩ": 135658, "Ġöde": 135659, "ìį¨": 135660, "ÙĨاس": 135661, "調ãģ¹": 135662, "ĠогÑĢомн": 135663, "ë³´íĹĺ": 135664, "×ĺק": 135665, "×ĺקס×ĺ": 135666, "ĠbaÅŁv": 135667, "ĠbaÅŁvuru": 135668, "Ġpomys": 135669, "ĠpomysÅĤ": 135670, "ãģ«ä¹Ĺ": 135671, "Ġש׼ף": 135672, "ĠاÙĦÙħسؤÙĪÙĦ": 135673, "Ġзан": 135674, "ĠзанÑıÑĤ": 135675, "ĠdÆ°Æ¡ng": 135676, "ãĥĹãĥ¬ãĤ¤": 135677, "ลà¸ļ": 135678, "ÑĤика": 135679, "ĠAralık": 135680, "Ġнедо": 135681, "Ġmá»Ļ": 135682, "Ġoran": 135683, "Ġoranı": 135684, "Ġktór": 135685, "ĠktórÄħ": 135686, "Ġ×Ķ×IJ×Ĺר×ķ׳×ķת": 135687, "ائÙĨ": 135688, "ÅĦs": 135689, "ÅĦska": 135690, "åĽ½ãģ®": 135691, "×ŀ×ĺ×Ļ": 135692, "ĠвопÑĢоÑģÑĭ": 135693, "à¸Ńà¸ĩà¸Ħà¹Įà¸ģร": 135694, "×ŀ×ķצ×IJ": 135695, "Ġpóź": 135696, "Ġpóźniej": 135697, "ש×ŀ×IJ׾": 135698, "Ġkaps": 135699, "Ġkapsam": 135700, "Ġkapsamında": 135701, "Ġmáquina": 135702, "ĠÅĽwiecie": 135703, "ĠhoÃłng": 135704, "Ġözgü": 135705, "×Ĵ×ķר×Ŀ": 135706, "ãģĤãģŁãĤĬ": 135707, "à¸ķัà¸Ķสิà¸Ļ": 135708, "à¸ķัà¸Ķสิà¸Ļà¹ĥà¸Ī": 135709, "бÑĢи": 135710, "ãģ«ãģªãĤĭãģ¨": 135711, "تÙĥÙĪÙĨ": 135712, "Ġ×ķ×Ķ×Ļ×IJ": 135713, "Ġchiếu": 135714, "ÑģÑĤанав": 135715, "ÑģÑĤанавли": 135716, "ÑģÑĤанавлива": 135717, "×ŀ×ķ×Ĵ": 135718, "cité": 135719, "ĠKörper": 135720, "Ġש×Ĵ×Ŀ": 135721, "عظ": 135722, "عظÙĬÙħ": 135723, "Ġ×Ķ×IJ×Ļש×Ļ": 135724, "Ġmatière": 135725, "ĠÙģÙĪÙĤ": 135726, "Ġkto": 135727, "ĠktoÅĽ": 135728, "à¸Ļà¹Ĥย": 135729, "à¸Ļà¹Ĥยà¸ļาย": 135730, "å¾ħãģ¡": 135731, "à¹Ģมà¸Ļ": 135732, "à¹Ģมà¸Ļู": 135733, "AÃĩÃĥO": 135734, "Ġtù": 135735, "Ġtùy": 135736, "ãĥĪãĥ³": 135737, "ĠоÑĤказ": 135738, "Ġ×ŀ×ķצר": 135739, "ülü": 135740, "ãģķãĤĵãģ«": 135741, "Ġ×Ĺ×ķ×ij": 135742, "קר×Ļ×IJ×Ķ": 135743, "ĠاÙĦخدÙħات": 135744, "ĠÙĦÙħدة": 135745, "رؤ": 135746, "رؤÙĬØ©": 135747, "ãĤĴè¦ĭãģ¤ãģij": 135748, "à¸Łà¸²": 135749, "Ġréussi": 135750, "à¸Ļัà¸ģà¹Ģรียà¸Ļ": 135751, "ĠÑĩиÑģл": 135752, "à¸ģารà¹Ģลà¹Īà¸Ļ": 135753, "Ġhazırl": 135754, "Ġhazırlan": 135755, "ĠпеÑĢвÑĭй": 135756, "лим": 135757, "ĠоÑĤзÑĭвÑĭ": 135758, "ĠwyjÄħ": 135759, "ĠwyjÄħtk": 135760, "ĠØ£ÙĤÙĦ": 135761, "ס×ļ": 135762, "Ġê²°ìłķ": 135763, "Ġ׾×ŀעש×Ķ": 135764, "Ġlắp": 135765, "à¹ģà¸ļร": 135766, "à¹ģà¸ļรà¸Ļà¸Ķà¹Į": 135767, "วà¹Īาà¹Ģà¸Ľà¹ĩà¸Ļ": 135768, "Ġبدا": 135769, "ĠبداÙĬØ©": 135770, "ãģ¨ãģĦãģĨãģ®ãģĮ": 135771, "иÑĩеÑģким": 135772, "à¸ģารà¸ŀัà¸Ĵà¸Ļา": 135773, "ĠbÃło": 135774, "ĠmiaÅĤa": 135775, "ywaÄĩ": 135776, "ĠMärz": 135777, "ĠÙĨسبة": 135778, "Ġéconomique": 135779, "×ĸ×ŀ": 135780, "×ĸ×ŀ׳×Ļ×Ŀ": 135781, "æŃ¢ãĤģ": 135782, "Ġtủ": 135783, "íķĺìĭł": 135784, "Ġkażdego": 135785, "straÃŁe": 135786, "à¸Ĭีà¹ī": 135787, "à¹Ģà¸ļา": 135788, "ÑĢеÑģÑĥÑĢÑģ": 135789, "евой": 135790, "شباب": 135791, "à¸ķà¹Īาà¸ĩà¸Ľà¸£à¸°à¹Ģà¸Ĺศ": 135792, "Ġ×IJ×Ļש": 135793, "Ġ×IJ×Ļש×Ļת": 135794, "×Ļ×ķפ": 135795, "×Ļ×ķפ×Ļ": 135796, "ĠìļĶ구": 135797, "ì¡°ìĤ¬": 135798, "ãģ£ãģŁãĤī": 135799, "׾×Ļק": 135800, "миниÑģÑĤÑĢ": 135801, "ãĤĤãģ®ãģ¯": 135802, "ĠlÆ°Æ¡ng": 135803, "Ġнаи": 135804, "Ġнаибол": 135805, "Ġнаиболее": 135806, "íİĺ": 135807, "à¹ģà¸ŀà¹ī": 135808, "ãĤŃãĥ¥": 135809, "ĠкоÑĤоÑĢÑĭм": 135810, "à¹ģà¸Ĺà¸ĩ": 135811, "à¹ģà¸Ĺà¸ĩà¸ļà¸Ńล": 135812, "Ġ׳×Ļ×Ķ": 135813, "Ġ׳×Ļ×Ķ×ķ׾": 135814, "âĤª": 135815, "ĠGiải": 135816, "ĠиÑģполÑĮзова": 135817, "ëł¥ìĿĦ": 135818, "ãģĹãģĭãĤĤ": 135819, "à¸ģà¹ĩà¸ķà¹īà¸Ńà¸ĩ": 135820, "ĠÑĢеб": 135821, "ĠÑĢебен": 135822, "ĠÑĢебенка": 135823, "تÙĪاصÙĦ": 135824, "ãĤ°ãĥ«ãĥ¼ãĥĹ": 135825, "ãĤĦãĤī": 135826, "à¹Ģà¸Ľà¸´à¸Ķà¸ķัว": 135827, "бÑĢо": 135828, "ë°ĸìĹIJ": 135829, "ÙĨÙİا": 135830, "×Ķ×Ĵ": 135831, "×Ķ×Ĵ׳×Ķ": 135832, "à¸Ĺรั": 135833, "à¸Ĺรัà¸ŀ": 135834, "à¸Ĺรัà¸ŀยà¹Į": 135835, "Ġkhá»iji": 135836, "עצ×ŀ×ķ": 135837, "болезн": 135838, "Ġë°ĽìķĦ": 135839, "มà¸Ļ": 135840, "มà¸Ļุ": 135841, "มà¸Ļุษ": 135842, "มà¸Ļุษยà¹Į": 135843, "âĹĨ": 135844, "×ŀצ׾×Ļ×Ĺ": 135845, "Ñıвление": 135846, "ÙħØ·ÙĦ": 135847, "ÙħØ·ÙĦÙĪب": 135848, "خاÙĦÙģ": 135849, "تÙĪÙĤÙģ": 135850, "ãģ§ãģįãģ¾ãģĽãĤĵ": 135851, "оÑģÑĤей": 135852, "меÑĩа": 135853, "기ëĬĶ": 135854, "תשע": 135855, "صÙĬب": 135856, "Ġ×ij×¢×ķ×ĵ": 135857, "à¸Ĥà¸Ńà¸ĩà¹Ģà¸Ĥา": 135858, "ÑĤÑıж": 135859, "ĠÑĥпÑĢав": 135860, "ĠÑĥпÑĢавлениÑı": 135861, "Ġgénér": 135862, "ĠthÃŃ": 135863, "פ×ļ": 135864, "ĠرÙħض": 135865, "ĠرÙħضاÙĨ": 135866, "Ġtruyá»ĩn": 135867, "إعداد": 135868, "ãĤµãĥĿãĥ¼ãĥĪ": 135869, "Ġполно": 135870, "خاÙħ": 135871, "ÐŁÐµÑĤ": 135872, "ÐŁÐµÑĤеÑĢ": 135873, "ÐŁÐµÑĤеÑĢбÑĥÑĢ": 135874, "ÐŁÐµÑĤеÑĢбÑĥÑĢг": 135875, "ÙħÙĨتدÙī": 135876, "ãģķãĤĮãģ¾ãģĹãģŁ": 135877, "ĠëĮĢíķĺìŬ": 135878, "à¸ľà¸¹à¹īà¸Ĺีà¹Ī": 135879, "Ġ×ŀ×IJ×ķ": 135880, "׾׳×ĵ": 135881, "оÑĩнÑĭе": 135882, "ĠнаÑĩала": 135883, "Ġ׾×Ļ׾×ĵ×Ļ×Ŀ": 135884, "овое": 135885, "ãģĻãĤĭãģĵãģ¨ãģ§": 135886, "ĠاÙĦÙĨÙģ": 135887, "ĠاÙĦÙĨÙģØ·": 135888, "ìŀĪëĬĶ": 135889, "غÙĨÙĬ": 135890, "פ×ĵ": 135891, "ãĤ¾": 135892, "ĠCré": 135893, "ãģ©ãģ¡ãĤī": 135894, "ثاÙĨ": 135895, "ÑĢабаÑĤ": 135896, "ÑĢабаÑĤÑĭва": 135897, "Ġê°Ļëĭ¤": 135898, "à¸Īั": 135899, "à¸Īัà¸ģร": 135900, "Ġchụ": 135901, "Ġchụp": 135902, "ĠмаÑģÑĤ": 135903, "ĠмаÑģÑĤеÑĢ": 135904, "Ġnắm": 135905, "ĠÑģÑĤали": 135906, "Ġ×Ķ×IJ×Ļר×ķ×¢": 135907, "ãĤ½ãĥ³": 135908, "åĪĨãģĭãĤĬ": 135909, "طبع": 135910, "بدا": 135911, "gráfico": 135912, "геÑĢ": 135913, "à¸Ķำà¹Ģà¸Ļิà¸Ļà¸ģาร": 135914, "Ġsaldır": 135915, "Ġsaldırı": 135916, "вÑĪиÑħ": 135917, "ãģĭãģ£ãģŁãģ§ãģĻ": 135918, "Ġyapıyor": 135919, "ĠاÙĦÙģت": 135920, "צרפת": 135921, "здоÑĢов": 135922, "×ij×¢×ľ": 135923, "Ġ×IJ×ŀ×Ļת×Ļ": 135924, "ĠобÑĭ": 135925, "ĠобÑĭÑĩ": 135926, "ĠобÑĭÑĩно": 135927, "Ġ׾×ķ×ŀר": 135928, "تÙĥÙĨ": 135929, "تÙĥÙĨÙĪÙĦÙĪج": 135930, "تÙĥÙĨÙĪÙĦÙĪجÙĬا": 135931, "Ġhakkı": 135932, "ĠÑĢав": 135933, "ĠÑĢавно": 135934, "رÙĬÙĥ": 135935, "Ġ×ij×ŀ×Ļ×ĵ": 135936, "Ġ×ij×ŀ×Ļ×ĵ×Ķ": 135937, "à¹ģà¸ģà¹īว": 135938, "Ġìĸĺ": 135939, "Ġìĸĺ기": 135940, "ãģĹãģ¦ãģĦãģ¾ãģĹãģŁ": 135941, "Ġkısm": 135942, "Ġkısmı": 135943, "걸": 135944, "åĨħãģ®": 135945, "ì§ķ": 135946, "à¹Ģหมืà¸Ńà¸Ļà¸ģัà¸Ļ": 135947, "ĠÙģÙIJ": 135948, "ĠÙģÙIJÙĬ": 135949, "ÙĤاعدة": 135950, "Ġmożesz": 135951, "ÙħصاÙĦ": 135952, "ÙħصاÙĦØŃ": 135953, "ãģ¾ãģŁãģ¯": 135954, "бег": 135955, "Ġsıc": 135956, "Ġsıcak": 135957, "ÑĩиÑģ": 135958, "ÑĩиÑģлен": 135959, "Ġног": 135960, "ãĥģãĥ£ãĥ³": 135961, "ãĥ«ãĥī": 135962, "Ġgió": 135963, "Ġsını": 135964, "Ġsınıf": 135965, "иваÑĤÑĮ": 135966, "Ġquên": 135967, "Ġìłģ": 135968, "Ġìłģìļ©": 135969, "ĠJoão": 135970, "Ùģاد": 135971, "ĠGlück": 135972, "à¸Ĺà¸Ńà¸Ķ": 135973, "Ġgói": 135974, "ï¼Ĭ": 135975, "Ġdétail": 135976, "ĠدÙĬسÙħ": 135977, "ĠدÙĬسÙħبر": 135978, "ë¡ľìĦľ": 135979, "×ŀ×ķ×Ĺ": 135980, "à¹Ħฮ": 135981, "ĠоÑĤд": 135982, "ĠоÑĤдÑĭÑħ": 135983, "Ġkhuyến": 135984, "à¸Ħà¸Ńย": 135985, "ĠجÙĨÙĬ": 135986, "ĠجÙĨÙĬÙĩ": 135987, "ĠاÙĦدÙģاع": 135988, "à¸Ļà¹īำหà¸Ļัà¸ģ": 135989, "ĠìĤ¬ëŀĮëĵ¤ìĿ´": 135990, "Ġthừa": 135991, "ĠÃ¶ÄŁrenci": 135992, "ĠпомоÑīи": 135993, "ĠczÄĻÅĽÄĩ": 135994, "ש×ĺר": 135995, "ĠNhi": 135996, "ĠNhiá»ģu": 135997, "׳צ×Ļ": 135998, "ĠнаÑĪем": 135999, "ĠkarÅŁÄ±laÅŁ": 136000, "Ġ×Ķש׳×Ļ×Ŀ": 136001, "ĠÄIJÆ°á»Ŀng": 136002, "Ġtrú": 136003, "ĠÑĢазлиÑĩнÑĭÑħ": 136004, "ĠاÙĦØ´Ùĩر": 136005, "Ġ×ľ×¢×ķ׾×Ŀ": 136006, "ØŃجر": 136007, "ĠÄijá»ķ": 136008, "ĠìĿĺíķ´": 136009, "à¸ļà¹Īà¸Ńย": 136010, "Ġ×Ķ×Ļ׾×ĵ": 136011, "ãģ¨ãģªãģ£ãģŁ": 136012, "Ġ×Ĺ×ķ×ķת": 136013, "Ġש×Ļר×ķת×Ļ": 136014, "Äħcy": 136015, "سرÙĬ": 136016, "KÄ°": 136017, "פ׳×ķ": 136018, "ÑģÑĤÑĢÑĥкÑĤÑĥÑĢ": 136019, "ÑĤÑĢÑĥд": 136020, "Ġ×Ķקר": 136021, "Ġ×Ķקר×ķ×ij": 136022, "ĠtháºŃm": 136023, "èģŀãģį": 136024, "ÙĤÙĪÙĬ": 136025, "клÑİÑĩен": 136026, "ÑĤеÑħ": 136027, "ÑĤеÑħнолог": 136028, "è¡Įãģ£ãģŁ": 136029, "Ġ×ķ×IJ×Ļף": 136030, "ĠÅŁeklin": 136031, "ĠÅŁeklinde": 136032, "rô": 136033, "ÑĢог": 136034, "ĠновÑĭе": 136035, "Ġס×ij×Ļ×ij": 136036, "ĠtecnologÃŃa": 136037, "×¡×Ľ": 136038, "×¡×Ľ×ķ×Ŀ": 136039, "ĠÅŀub": 136040, "ĠÅŀubat": 136041, "Ġ×Ķ×ŀ׾×IJ": 136042, "Ġwypos": 136043, "Ġwyposaż": 136044, "ãģ¯ä½ķ": 136045, "ãĤ¬ãĥ³": 136046, "ê°ĸ": 136047, "Ġкакие": 136048, "Ġçocuklar": 136049, "Ġ׾צ×ĵ": 136050, "Ġkayıt": 136051, "ĠмеÑģÑĤе": 136052, "ÙħدÙĬÙĨØ©": 136053, "Ġ׼×Ĵ": 136054, "Ġ׼×Ĵ×ķף": 136055, "ãģĹãģ¦ãĤĭ": 136056, "ĠÙħاÙĬÙĪ": 136057, "ãģ£ãģ¦ãģĹãģ¾ãģ£ãģŁ": 136058, "ĠпÑĢогÑĢаммÑĭ": 136059, "à¹ģลà¸Ļà¸Ķà¹Į": 136060, "ãĥ¯ãĤ¤": 136061, "ער×ķ×¥": 136062, "Ñģид": 136063, "ĠBöyle": 136064, "Ġì²ĺìĿĮ": 136065, "Ġתפק×Ļ×ĵ": 136066, "ĠTrên": 136067, "íĥĪ": 136068, "ĠÐłÐ¾ÑģÑģий": 136069, "ĠÐłÐ¾ÑģÑģийÑģкой": 136070, "ĠsÃłn": 136071, "Ġrègle": 136072, "ĠyaklaÅŁÄ±k": 136073, "à¹Ģลิà¸ģ": 136074, "ĠدائÙħ": 136075, "Ġ×ķ×Ĵ": 136076, "ابر": 136077, "Ġbè": 136078, "ĠاÙĦÙĤدÙħ": 136079, "ĠÑĢеÑĪениÑı": 136080, "hiên": 136081, "ÑĤик": 136082, "ÄĦ": 136083, "à¸ļรรยาà¸ģ": 136084, "à¸ļรรยาà¸ģาศ": 136085, "רצ×ķף": 136086, "åĭķãģį": 136087, "ĠGäste": 136088, "Ġ기본": 136089, "ĠÙĬعرÙģ": 136090, "ĠSá»Ń": 136091, "gÅĤÄĻb": 136092, "à¹Ģà¸Ńส": 136093, "×IJ×ŀ×Ļף": 136094, "ĠпÑĥнк": 136095, "ĠпÑĥнкÑĤ": 136096, "Ġ×Ļ×ķ×ĵ×¢×Ļ×Ŀ": 136097, "ãĤ«ãĥ©ãĥ¼": 136098, "Ġ×ijס×ĵר": 136099, "Ġbuá»ĵn": 136100, "йÑĤ": 136101, "йÑĤеÑģÑĮ": 136102, "ãĤĴæ±ĤãĤģ": 136103, "Ġ×IJ×ª×Ľ×Ŀ": 136104, "Ġ모르": 136105, "ظرÙĪÙģ": 136106, "ÑĩеÑģÑĤво": 136107, "ìĸ´ìĦľ": 136108, "Ġодна": 136109, "Ġkapı": 136110, "Ġëħ¸ëł¥": 136111, "ĠKüche": 136112, "ĠاÙĦتش": 136113, "Ø·ÙĬب": 136114, "ĠíĬ¹íŀĪ": 136115, "ĠвÑĭпÑĥÑģ": 136116, "ĠвÑĭпÑĥÑģк": 136117, "×ĵת×Ļ": 136118, "ĠuÄŁ": 136119, "ĠuÄŁra": 136120, "ائÙĩا": 136121, "Ġthoát": 136122, "ãģªãĤĤãģ®": 136123, "ÑijÑĢ": 136124, "기ê°Ģ": 136125, "ĠgeliÅŁme": 136126, "تØŃÙĤ": 136127, "تØŃÙĤÙĤ": 136128, "ĠопаÑģ": 136129, "бÑĢоÑģ": 136130, "หุ": 136131, "หุà¹īà¸Ļ": 136132, "ì¼Ģ": 136133, "ãĤ¹ãĥŀ": 136134, "ãĤ¹ãĥŀãĥĽ": 136135, "Ø£Ùģر": 136136, "Ø£Ùģراد": 136137, "ĠThá»±c": 136138, "Ġthắ": 136139, "ãĥªãĥ³ãĤ¯": 136140, "Ġniá»ģm": 136141, "ĠHöhe": 136142, "عÙħار": 136143, "ÙĥÙĪرÙĪÙĨ": 136144, "ÙĥÙĪرÙĪÙĨا": 136145, "ĠÄIJến": 136146, "ĠÑģамом": 136147, "ĠÑĤеле": 136148, "ĠÄijoán": 136149, "à¸Ħวามà¸Ħิà¸Ķà¹Ģหà¹ĩà¸Ļ": 136150, "ĠдиÑģк": 136151, "أطÙģاÙĦ": 136152, "มารà¹Į": 136153, "à¸Ĺหาร": 136154, "à¸Ĺà¸Ļ": 136155, "ĠبعÙĬد": 136156, "ĠاÙĦÙĩÙĨد": 136157, "åĩºãģĹãģ¦": 136158, "Ġkarde": 136159, "ĠkardeÅŁ": 136160, "×Ķ×Ļס×ĺ×ķר": 136161, "×Ķ×Ļס×ĺ×ķר×Ļ×Ķ": 136162, "éģ¸ãģ³": 136163, "عاÙħÙĦ": 136164, "à¸Ĥยาย": 136165, "Ġtürl": 136166, "Ġtürlü": 136167, "ĠìĿ¼ìĿ´": 136168, "Ġmatéria": 136169, "Ġ׼׾×ķ×ŀר": 136170, "ãĥģãĥ£ãĥ¼": 136171, "جÙħاعة": 136172, "ĠÑģвоим": 136173, "Ø¥ÙĤاÙħØ©": 136174, "ä¾ĭãģĪãģ°": 136175, "ساب": 136176, "آخر": 136177, "ÙĤدÙĬر": 136178, "×IJ×ŀ×Ļ": 136179, "ìĸ»": 136180, "Ġ׳×ķספת": 136181, "ĠÐĴлад": 136182, "ĠÐĴладим": 136183, "ĠÐĴладимиÑĢ": 136184, "Ġestará": 136185, "ãģĵãģĨãģĦãģĨ": 136186, "ãĤĴ使çĶ¨": 136187, "มาà¸ķร": 136188, "มาà¸ķรà¸IJาà¸Ļ": 136189, "ãģ£ãģ½": 136190, "Ġnú": 136191, "Ġnúi": 136192, "ยาà¸ĩ": 136193, "ĠاÙĦجÙĨس": 136194, "Ġüstün": 136195, "ëľ»": 136196, "ãĤ»ãĥ«": 136197, "ãģ¦ãģĦãģįãģ¾ãģĻ": 136198, "Ġ×Ĺ×ķ×ĸ": 136199, "Ġ×Ĺ×ķ×ĸר": 136200, "ĠÐĵлав": 136201, "à¹Ĥà¸Ĭà¸Ħ": 136202, "íıIJ": 136203, "ÙĨتظر": 136204, "Ġ×Ĵ×ij×Ļ": 136205, "عÙĤب": 136206, "intér": 136207, "intérêt": 136208, "×ŀפ×Ĵ": 136209, "×ŀפ×Ĵש": 136210, "Ġthù": 136211, "اÙģت": 136212, "Ġ×ŀשפ": 136213, "Ġ×ŀשפ×ĺ×Ļ": 136214, "ĠÙħÙĪاÙĤع": 136215, "è¦ļ": 136216, "è¦ļãģĪ": 136217, "×ĵ×Ļף": 136218, "à¹Ģรืà¹Īà¸Ńà¸ĩราว": 136219, "ãģ¾ãģĤ": 136220, "Ġghế": 136221, "иÑĢÑĥÑİÑĤ": 136222, "à¸ģว": 136223, "à¸ģวà¹īาà¸ĩ": 136224, "ĠповеÑĢ": 136225, "ĠповеÑĢÑħ": 136226, "ĠповеÑĢÑħноÑģÑĤ": 136227, "׳×ĵר": 136228, "ĠконÑĨе": 136229, "Ġдолжна": 136230, "Ġ×Ļש×Ļר": 136231, "acaģız": 136232, "ìĹĶ": 136233, "ĠnÃŃvel": 136234, "Ġör": 136235, "Ġörnek": 136236, "ÙĥÙģ": 136237, "ĠФедеÑĢаÑĨии": 136238, "Ġ구ìĦ±": 136239, "หัวà¹ĥà¸Ī": 136240, "ĠVáºŃy": 136241, "мед": 136242, "меди": 136243, "медиÑĨин": 136244, "медиÑĨинÑģк": 136245, "ازÙĬ": 136246, "×Ĵ×ij×ķ׾": 136247, "ÑĦÑĢ": 136248, "Ġzusätzlich": 136249, "à¸ģà¸ģ": 136250, "ĠاÙĦاÙĤتصادÙĬØ©": 136251, "Ġhè": 136252, "luÄŁun": 136253, "جÙİ": 136254, "à¹Ħà¸Łà¸¥à¹Į": 136255, "ÄIJT": 136256, "ãģĿãģ®ä»ĸ": 136257, "à¸Ĺิà¹īà¸ĩ": 136258, "ĠاÙĦØ£ÙĪ": 136259, "رسÙħ": 136260, "æ°Ĺãģ¥": 136261, "ìĿ´ë©°": 136262, "ÑĮев": 136263, "صط": 136264, "ĠاÙĦاستث": 136265, "ĠاÙĦاستثÙħار": 136266, "à¸Ńาà¸Ħาร": 136267, "ĠÑĤоÑĩно": 136268, "ĠVân": 136269, "à¸Ńร": 136270, "à¸Ńรà¹Īà¸Ńย": 136271, "ĠاÙĦسÙĨØ©": 136272, "ĠcÆ°á»Ľi": 136273, "×Ļ×Ķף": 136274, "íį¼": 136275, "話ãģĹ": 136276, "âĹĭ": 136277, "ĠìķĬìĿĢ": 136278, "ãĥ¡ãĥ¼ãĤ": 136279, "ãĥ¡ãĥ¼ãĤ«": 136280, "ãĥ¡ãĥ¼ãĤ«ãĥ¼": 136281, "ĠÑĤепло": 136282, "å½¼ãĤī": 136283, "ĠÄ°z": 136284, "ĠÄ°zmir": 136285, "íĻį": 136286, "Ġrượ": 136287, "Ġrượu": 136288, "æĢĿãģĦåĩº": 136289, "ĠPhạm": 136290, "Ġcháu": 136291, "צ×Ļ×ķת": 136292, "ĠìĿ¼ë³¸": 136293, "ìĤ¬ëĬĶ": 136294, "ĠÑģоздан": 136295, "Ġaracı": 136296, "Ġער": 136297, "Ġער×Ļ׼×Ķ": 136298, "ĠíķĺëĤĺëĭĺìĿĺ": 136299, "dziÅĤ": 136300, "à¸Ľà¸£à¸°à¸ĺาà¸Ļ": 136301, "ĠserÃŃa": 136302, "ĠìŀĪëıĦë¡Ŀ": 136303, "درج": 136304, "íķľëĭ¤ëĬĶ": 136305, "à¸Ńาà¸Ĺ": 136306, "à¸Ńาà¸Ĺิà¸ķ": 136307, "à¸Ńาà¸Ĺิà¸ķยà¹Į": 136308, "ÑĤелÑĮнÑĭй": 136309, "ĠخدÙħات": 136310, "×ŀ׳×ĺ": 136311, "Ġlược": 136312, "ĠSÃłi": 136313, "ĠÙĪاض": 136314, "ĠÙĪاضØŃ": 136315, "غاز": 136316, "ĠdoÄŁal": 136317, "Ġ×ijש×Ŀ": 136318, "Ġдлин": 136319, "Ġإطار": 136320, "Ġ×ijספר": 136321, "ãĤĴä¸İ": 136322, "ãĤĴä¸İãģĪ": 136323, "Ġë²ķë¥ł": 136324, "ĠÑĥвели": 136325, "ĠÑĥвелиÑĩи": 136326, "สà¹Ħà¸ķ": 136327, "สà¹Ħà¸ķลà¹Į": 136328, "à¹Ħà¸ģล": 136329, "×ij×Ĺף": 136330, "ĠìĿ´íĽĦ": 136331, "Ġmunic": 136332, "ĠmunicÃŃpio": 136333, "تÙħØ«ÙĦ": 136334, "ĠÄijáo": 136335, "Hôtel": 136336, "Ġlá»Ńa": 136337, "ĠÄijẳng": 136338, "Ñĩки": 136339, "شرÙĪ": 136340, "شرÙĪØ·": 136341, "ĠìĿ´ë¥¼": 136342, "ÙĬÙĭا": 136343, "×ŀ׾×ļ": 136344, "×ŀ×Ķ×Ļר×ķת": 136345, "ĠобÑıзаÑĤелÑĮ": 136346, "ĠобÑıзаÑĤелÑĮно": 136347, "énergie": 136348, "Ġmudança": 136349, "Ġmụ": 136350, "Ġmụn": 136351, "Ġnº": 136352, "ĠاÙĦتعا": 136353, "ĠاÙĦتعاÙĪÙĨ": 136354, "ĠاÙĦاجتÙħاعÙĬØ©": 136355, "ĠплаÑģÑĤ": 136356, "Ġëĵ±ìĿĺ": 136357, "ãĥIJãĤ¤ãĤ¯": 136358, "ÙĩجÙĪÙħ": 136359, "ĠSaúde": 136360, "Ġì¤ijìļĶíķľ": 136361, "Ġ×Ķצ×Ļ×ij×ķר": 136362, "×ª×§×Ł": 136363, "ĠاÙĦعاÙĦÙħÙĬ": 136364, "ĠболÑĮÑĪой": 136365, "ĠÙĥÙĦÙħ": 136366, "ĠÙĥÙĦÙħØ©": 136367, "ãģ®ãģ§ãģ¯ãģªãģĦãģ§ãģĹãĤĩãģĨãģĭ": 136368, "ĠÙħباراة": 136369, "Ġש×IJ׳": 136370, "Ġש×IJ׳×Ĺ׳×ķ": 136371, "ãĤ¹ãĤ¿ãĤ¤ãĥ«": 136372, "ĠSaÄŁ": 136373, "ĠSaÄŁlık": 136374, "ĠhÆ°": 136375, "׳×Ĺ×Ķ": 136376, "Ġ×ijקר×ij": 136377, "طعÙħ": 136378, "หิà¸Ļ": 136379, "à¸Ĺุà¸ģวัà¸Ļ": 136380, "à¸Ħรัà¹īà¸ĩà¸Ĺีà¹Ī": 136381, "ĠlÃłnh": 136382, "Ġdonné": 136383, "ãģĽãģĦ": 136384, "جزÙĬرة": 136385, "доÑĢож": 136386, "ì¼ľ": 136387, "تÙĨظÙĬÙģ": 136388, "ãĥģãĥ§": 136389, "Ġaldıģı": 136390, "جاج": 136391, "ĠÑĤомÑĥ": 136392, "à¸Ľà¸´": 136393, "Ġ×ijרשת": 136394, "ãģıãģªãĤĬãģ¾ãģĻ": 136395, "ĠпÑĢинÑĨип": 136396, "Ġ×Ĺ׾×ķ": 136397, "ëı¼": 136398, "×ķ×Ĵש": 136399, "سس": 136400, "à¸Ľà¸¹": 136401, "Ġhầu": 136402, "æĦŁãģĺãĤĭ": 136403, "ï¼´": 136404, "دÙĪا": 136405, "ĠÑģмог": 136406, "scrição": 136407, "ĠtháºŃn": 136408, "Ġר×ķ×IJ×Ķ": 136409, "обÑĢажен": 136410, "ĠاÙĦتجارÙĬØ©": 136411, "طبÙĬع": 136412, "jÄħcÄħ": 136413, "íĸīìľĦ": 136414, "ĠновÑĭй": 136415, "Ġ×ŀ×Ĺ×ĵש": 136416, "æĮ¯ãĤĬ": 136417, "gué": 136418, "Ġ×IJ×Ļר×ķ×¢": 136419, "Ġ×IJ×Ļר×ķ×¢×Ļ×Ŀ": 136420, "ĠاÙĦØ°Ùĩب": 136421, "×ĵ×IJ": 136422, "تاÙĨ": 136423, "ãģłãģĹ": 136424, "à¸Ńัà¸ķรา": 136425, "à¹Ĥà¸Ī": 136426, "بÙĦاد": 136427, "×Ķ×Ļ×Ļ׳×ķ": 136428, "ĠÑģпе": 136429, "ĠÑģпеÑĨиалÑĮно": 136430, "ĠÅĽwiata": 136431, "ãĤĵãģ§ãģĻãĤĪ": 136432, "شرÙĥØ©": 136433, "ĠpÅĤyt": 136434, "Ġsitué": 136435, "Ġ׼×IJ׾×Ķ": 136436, "ס×ijר": 136437, "Ġkażd": 136438, "Ġkażdym": 136439, "ãĤĴæĮģãģ¤": 136440, "׾×Ķ׾": 136441, "׾×Ķ׾ף": 136442, "ĠwÅĤas": 136443, "ĠwÅĤasne": 136444, "ĠsaÄŁlan": 136445, "×ŀ×¢×ľ×Ķ": 136446, "ĠاÙĦاÙĪÙĦ": 136447, "ìĹIJìĦľëıĦ": 136448, "×IJ×Ļר×ķפ×Ķ": 136449, "تÙĤÙĨÙĬØ©": 136450, "Ùħائ": 136451, "Ùħائة": 136452, "ĠcompañÃŃa": 136453, "Ġsürek": 136454, "Ġsürekli": 136455, "ĠиÑģкÑĥÑģ": 136456, "ĠиÑģкÑĥÑģÑģÑĤв": 136457, "ĠBürger": 136458, "ת×Ĺר": 136459, "ת×Ĺר×ķת": 136460, "à¸ŀรà¹īà¸Ńมà¸ģัà¸ļ": 136461, "Ø´Ùħ": 136462, "à¸ĸืà¸Ńวà¹Īา": 136463, "è¾¼ãĤĢ": 136464, "ä¼ijãģ¿": 136465, "ĠاÙĦأب": 136466, "ĠÑģÑĤоимоÑģÑĤÑĮ": 136467, "ĠпÑĢава": 136468, "mayın": 136469, "หวย": 136470, "ĠاÙĦطبÙĬعÙĬ": 136471, "à¸Ĺีà¹Īà¸ŀัà¸ģ": 136472, "ĠEstá": 136473, "ÑĭваÑİÑĤ": 136474, "بسÙĬ": 136475, "بسÙĬØ·": 136476, "Ġ×ij×¢×ijר": 136477, "åı¯èĥ½ãģ§ãģĻ": 136478, "Ġ×ĵ×ķ׾": 136479, "Ġ×ĵ×ķ׾ר": 136480, "ÙĩÙİا": 136481, "воÑĢоÑĤ": 136482, "ãģ¦ãģĦãģ¾ãģĹãģŁ": 136483, "à¹Ĥà¸Ĺรศ": 136484, "à¹Ĥà¸Ĺรศั": 136485, "à¹Ĥà¸Ĺรศัà¸ŀ": 136486, "à¹Ĥà¸Ĺรศัà¸ŀà¸Ĺà¹Į": 136487, "Ġק׳": 136488, "ĠاÙĦØ«ÙĨ": 136489, "ĠاÙĦØ«ÙĨائÙĬØ©": 136490, "Ġcoût": 136491, "à¸ķิà¸Ķà¸ķัà¹īà¸ĩ": 136492, "Ġörg": 136493, "Ġörgüt": 136494, "ĠاÙĦØ®ÙĦÙĬ": 136495, "ĠاÙĦØ®ÙĦÙĬج": 136496, "Ġbá»įn": 136497, "×ķ׾×ķ×Ĵ×Ļ": 136498, "ëŀľ": 136499, "ĠÐijолÑĮ": 136500, "ĠÐijолÑĮÑĪ": 136501, "×Ĵ×ijר×Ļ×Ŀ": 136502, "ÙĤÙĬد": 136503, "×ij×Ļ×ĺ×ķ×Ļ": 136504, "æīĵãģ¡": 136505, "ĠolmuÅŁ": 136506, "fäh": 136507, "fähig": 136508, "ลาà¸Ļ": 136509, "ĠÙĤطر": 136510, "שפ×Ķ": 136511, "èªŃãĤĵãģ§": 136512, "à¸Ĥวา": 136513, "Ġchiếm": 136514, "ãĤ¤ãĥ³ãĤ¿": 136515, "ãĤ¤ãĥ³ãĤ¿ãĥ¼ãĥ": 136516, "ãĤ¤ãĥ³ãĤ¿ãĥ¼ãĥį": 136517, "ãĤ¤ãĥ³ãĤ¿ãĥ¼ãĥįãĥĥãĥĪ": 136518, "Ġ׾ש×ŀ×ķר": 136519, "ĠترÙĥ": 136520, "ĠترÙĥÙĬا": 136521, "ר×ķ×ĺ": 136522, "ãģ¨æĢĿãģĦãģ¾ãģĹãģŁ": 136523, "ĠاÙĦتÙĤ": 136524, "ĠdÆ°": 136525, "ãģ¦ãģıãĤĮãĤĭ": 136526, "ãģĹãģŁãģĵãģ¨": 136527, "Ġróżne": 136528, "ĠاÙĦØ·ÙģÙĦ": 136529, "ĠPosté": 136530, "Ġ×ŀש×ķ×Ŀ": 136531, "ÑįÑĢ": 136532, "ĠÑĢабоÑĤаеÑĤ": 136533, "ãĤ·ãĥª": 136534, "ãĤ·ãĥªãĥ¼ãĤº": 136535, "Ġ×ij×Ķ×Ĺ׾×ĺ": 136536, "ק×Ķ×Ļ׾×Ķ": 136537, "ãĤ«ãĥ¡": 136538, "ãĤ«ãĥ¡ãĥ©": 136539, "Ｏ": 136540, "ĠìĤ¬ìĿ´": 136541, "Ġkì": 136542, "ĠthÆ°á»Ľc": 136543, "ضبط": 136544, "ÙĤبÙĪÙĦ": 136545, "åĪ¥ãģ®": 136546, "Ġparticulière": 136547, "ĠÑģвоем": 136548, "Ġעסק": 136549, "Ġעסק×Ļ×Ŀ": 136550, "×ij×Ĺ×Ļר×ķת": 136551, "×ij×Ļ׳×ķ": 136552, "à¸ĭà¸Ń": 136553, "Ġ×¢×ķ×ijר": 136554, "ãģłãģ£ãģŁãģ®ãģ§": 136555, "ıldıģı": 136556, "Ùħدار": 136557, "Ùħدارس": 136558, "주ìĭľ": 136559, "à¸Ńาศ": 136560, "à¸Ńาศัย": 136561, "Ġtấm": 136562, "à¸ŀิà¸Ī": 136563, "à¸ŀิà¸Īาร": 136564, "à¸ŀิà¸Īารà¸ĵา": 136565, "ÑĤелÑĮнÑĭе": 136566, "ÑģкÑĥÑİ": 136567, "ÐľÐĺ": 136568, "à¹Ģà¸ģา": 136569, "à¹Ģà¸ģาหล": 136570, "à¹Ģà¸ģาหลี": 136571, "×ĵ×Ĺ": 136572, "à¹Ģà¸Ĭิà¸ĩ": 136573, "ĠدÙĤÙĬÙĤØ©": 136574, "íķĻìĥĿ": 136575, "Ġש×IJ׾×Ķ": 136576, "Ġcontrôle": 136577, "Ġsituação": 136578, "à¸Ĥà¸Ńà¸ĩà¸ľà¸¹à¹ī": 136579, "ÙĨØ·ÙĤ": 136580, "ê³¼íķĻ": 136581, "หลายà¸Ħà¸Ļ": 136582, "Ġnắng": 136583, "ÙĤÙı": 136584, "ì¡°ê±´": 136585, "Ñķ": 136586, "ãĥĥãģ¨": 136587, "×ŀ×Ļ׾×Ķ": 136588, "Grün": 136589, "×Ļ×Ļ×¢": 136590, "×Ļ×Ļ×¢×ķ×¥": 136591, "×ŀ׳׼": 136592, "ëŃIJ": 136593, "×ŀ×¢×ŀ×ĵ": 136594, "สำà¸Ļัà¸ģ": 136595, "جدد": 136596, "à¸Ħัà¸Ķ": 136597, "Ġ×Ķ×ŀשפ": 136598, "Ġ×Ķ×ŀשפ×Ĺ×Ķ": 136599, "×ŀשק׾": 136600, "ÙĦÙı": 136601, "Ġtytu": 136602, "ĠtytuÅĤ": 136603, "ÑĪей": 136604, "ĠìĿ¼ë¶Ģ": 136605, "ÑĪение": 136606, "Ġphóng": 136607, "ĠìĹŃìĤ¬": 136608, "ãĤ«ãĥ³": 136609, "Ġtúi": 136610, "ĠÙĨÙĪÙģ": 136611, "ĠÙĨÙĪÙģÙħبر": 136612, "grün": 136613, "ĠاÙĦØ´ÙħاÙĦ": 136614, "ÅĽwiadc": 136615, "ÅĽwiadczenie": 136616, "ער×Ķ": 136617, "Ġ×¢×ķ×ij": 136618, "Ġ×¢×ķ×ij×ĵ×Ļ×Ŀ": 136619, "×ĵ×ķ×Ĵ×ŀ×IJ": 136620, "ä»Ĭãģ¯": 136621, "Ġvão": 136622, "ĠТем": 136623, "ÑģилÑĮ": 136624, "Ġchợ": 136625, "Ùħرا": 136626, "ÙħراÙĤب": 136627, "à¹Ħมà¹Īรูà¹ī": 136628, "Ġرائع": 136629, "×IJ׳×Ĺ׳×ķ": 136630, "สà¹Īà¸ĩà¹Ģสริม": 136631, "צ×Ĺ": 136632, "ĠìŀĪìĸ´ìĦľ": 136633, "Ġkurulu": 136634, "ĠkuruluÅŁ": 136635, "ĠÃĸzellik": 136636, "ĠÃĸzellikle": 136637, "Ġת×Ļק": 136638, "Ġghé": 136639, "ĠsprzÄĻ": 136640, "ĠsprzÄĻt": 136641, "ער×ķת": 136642, "راØŃØ©": 136643, "ãģ£ãģį": 136644, "ãģ£ãģįãĤĬ": 136645, "ĠìķĦëŀĺ": 136646, "stituição": 136647, "Ġдолжно": 136648, "×Ķרש": 136649, "×Ķרש×ŀ×Ķ": 136650, "×Ķ׾×ļ": 136651, "ãģ¡ãģª": 136652, "ãģ¡ãģªãģ¿": 136653, "ãģ¡ãģªãģ¿ãģ«": 136654, "פ×Ĺ×ĵ": 136655, "ĠاÙĦجÙħÙĬع": 136656, "×ij×¢×ľ×Ļ": 136657, "Ġtrùng": 136658, "Ġפת×Ĺ": 136659, "×ŀ׾×Ĺ×ŀת": 136660, "ãĥĨãĥ¼ãĥ": 136661, "ãĥĨãĥ¼ãĥŀ": 136662, "Ùħتاب": 136663, "Ùħتابعة": 136664, "Ġ모ìĬµ": 136665, "ÙĬص": 136666, "åIJĪãģĨ": 136667, "ĠYap": 136668, "ĠYapı": 136669, "ĠÑģказаÑĤÑĮ": 136670, "몰": 136671, "à¸Ĺีà¹Īสำà¸Ħัà¸į": 136672, "ĠìĹĨìĬµëĭĪëĭ¤": 136673, "Ġnhắc": 136674, "Ġülkeler": 136675, "Ġмногие": 136676, "íķĺìħ¨": 136677, "มาà¸ģà¸Ĺีà¹Īสุà¸Ķ": 136678, "à¸ģà¹īา": 136679, "à¸ģà¹īาว": 136680, "ĠÄ°yi": 136681, "леж": 136682, "лежа": 136683, "ãĤ¸ãĥ§": 136684, "à¸Ĺัà¸ŀ": 136685, "اÙĪر": 136686, "Ġ×Ĺ×ijר×Ļ": 136687, "Ġ׾ש×Ŀ": 136688, "첫": 136689, "ĠTá»Ń": 136690, "×ŀ×ķ׳×Ļ": 136691, "ÙĤÙĪد": 136692, "à¸ģระà¹Ģà¸Ľ": 136693, "à¸ģระà¹Ģà¸Ľà¹ĭ": 136694, "à¸ģระà¹Ģà¸Ľà¹ĭา": 136695, "ĠпÑĢоблемÑĭ": 136696, "Ġaçıs": 136697, "Ġaçısından": 136698, "Ġ×Ķ×ŀ׼": 136699, "ĠÙħعظÙħ": 136700, "ÙĤÙĬاس": 136701, "ĠпÑĢодолж": 136702, "ĠпÑĢодолжа": 136703, "ĠverdiÄŁi": 136704, "ĠпÑĢедмеÑĤ": 136705, "ãģĦãģ¾ãģĻãģĮ": 136706, "ĠëĶ°ë¥¸": 136707, "ĠاÙĦÙĤÙĬاÙħ": 136708, "ĠØ¥ÙĦÙĬÙĩا": 136709, "ТÐIJ": 136710, "поз": 136711, "ãĤ·ãĥ¥": 136712, "ä¸ĬãģĮãĤĬ": 136713, "à¹Ģà¸Ķิมà¸ŀัà¸Ļ": 136714, "à¸ģุล": 136715, "ØŃرÙĬØ©": 136716, "ק×ij×ķצ×ķת": 136717, "믿": 136718, "ĠاÙĦÙħÙĨا": 136719, "ĠاÙĦÙħÙĨاطÙĤ": 136720, "ĠвÑĭпол": 136721, "ĠвÑĭполнÑı": 136722, "ãĥĭãĤ¢": 136723, "Ġê²°êµŃ": 136724, "×Ĺ×ķ×ŀ": 136725, "×Ĺ×ķ×ŀר×Ļ×Ŀ": 136726, "ĠУкÑĢаинÑĭ": 136727, "หà¸Ńม": 136728, "ר×Ļס": 136729, "ĠÑħоÑĤел": 136730, "ĠобÑĢазованиÑı": 136731, "Ġkhẳng": 136732, "ĠmÆ°a": 136733, "Ġgörme": 136734, "Ġgüçlü": 136735, "سعÙī": 136736, "มัà¹Īà¸Ļà¹ĥà¸Ī": 136737, "íķĺê²łìĬµëĭĪëĭ¤": 136738, "ĠполÑĥ": 136739, "Ġfünf": 136740, "ãģ¨æĢĿãģ£ãģ¦ãģĦãģ¾ãģĻ": 136741, "Ġê·¸ê²ĥìĿĢ": 136742, "ĠdÃ¼ÅŁÃ¼nce": 136743, "ìŀł": 136744, "ĠHÆ°á»Ľng": 136745, "ĠTiá»ĥu": 136746, "Ġçift": 136747, "ãģijãģ°": 136748, "à¸Īà¸Ļà¸ĸึà¸ĩ": 136749, "à¸Ĺำà¹Ħà¸Ķà¹ī": 136750, "ĠìŀIJì²´": 136751, "Ġdõ": 136752, "Ġdõi": 136753, "à¸Īัà¸Ļ": 136754, "à¸Īัà¸Ļà¸Ĺ": 136755, "à¸Īัà¸Ļà¸Ĺรà¹Į": 136756, "eceÄŁini": 136757, "׳×ķער": 136758, "غار": 136759, "ĠاÙĦØ£ÙħرÙĬÙĥÙĬ": 136760, "داعش": 136761, "ĠбезопаÑģноÑģÑĤи": 136762, "ĠбÑİ": 136763, "ĠбÑİдж": 136764, "ĠбÑİджеÑĤ": 136765, "ãĥĬãĤ¤": 136766, "à¸ŀà¸ļวà¹Īา": 136767, "daÄŁ": 136768, "×IJ×ķפף": 136769, "íĹĮ": 136770, "ãĥĢãĤ¤ãĤ¨": 136771, "ãĥĢãĤ¤ãĤ¨ãĥĥãĥĪ": 136772, "ĠëĮĢíĨµ": 136773, "ĠëĮĢíĨµëł¹": 136774, "DÄ°": 136775, "Ø£ØŃداث": 136776, "ĠAÄŁ": 136777, "ĠAÄŁust": 136778, "ĠAÄŁustos": 136779, "ØŃÙĦÙĪÙĦ": 136780, "ĠwÅĽ": 136781, "ĠwÅĽród": 136782, "ĠÑģооÑĤвеÑĤ": 136783, "ĠÑģооÑĤвеÑĤÑģÑĤв": 136784, "ĠÑģооÑĤвеÑĤÑģÑĤвии": 136785, "ĠLuáºŃt": 136786, "Ġ׼׾פ×Ļ": 136787, "ĠвеÑī": 136788, "ĠвеÑīеÑģÑĤв": 136789, "ק×Ļ×¥": 136790, "ĠبÙĩذا": 136791, "عاش": 136792, "à¹Ģà¸Ľà¹ĩà¸Ļà¹Ģรืà¹Īà¸Ńà¸ĩ": 136793, "ТÐķ": 136794, "Ġ×ij×IJ×Ļ׳×ĺר׳×ĺ": 136795, "سعد": 136796, "Ġ×Ķ×ĺ×Ļפ×ķ׾": 136797, "פ×Ļס": 136798, "à¸ĩà¹Īายà¹Ĩ": 136799, "ĠGerät": 136800, "׾×Ļ×ĵ×Ķ": 136801, "ĠÑĢиÑģк": 136802, "׾ק×Ĺ": 136803, "ннаÑı": 136804, "ר×Ļ×ĵ": 136805, "пÑĢакÑĤи": 136806, "пÑĢакÑĤик": 136807, "à¸Ĥัà¹īà¸Ļà¸ķà¸Ńà¸Ļ": 136808, "à¸Ļà¹Īารัà¸ģ": 136809, "larınızı": 136810, "à¸Ńà¸Ļุà¸įา": 136811, "à¸Ńà¸Ļุà¸įาà¸ķ": 136812, "ĠzdjÄĻcia": 136813, "Ġbây": 136814, "ÑģÑĢ": 136815, "ÑģÑĢоÑĩ": 136816, "ãĥĭãĥ³ãĤ°": 136817, "Ġöner": 136818, "Ġöneri": 136819, "ĠновÑĭÑħ": 136820, "دعÙĪØ©": 136821, "Ġgắn": 136822, "ĠاÙĦÙĦبÙĨ": 136823, "ĠاÙĦÙĦبÙĨاÙĨÙĬ": 136824, "ãĥĨãĤ£ãĥ¼": 136825, "ĠصØŃÙĬØŃ": 136826, "емÑĭÑħ": 136827, "çĸ²ãĤĮ": 136828, "ĠпÑĢоиÑģ": 136829, "ĠпÑĢоиÑģÑħодиÑĤ": 136830, "สà¸ķิ": 136831, "ĠTết": 136832, "Ġ×Ķ׾׾×ķ": 136833, "à¹Ģรืà¹Īà¸Ńà¸ĩà¸Ļีà¹ī": 136834, "×ŀ×ij׳×Ķ": 136835, "Ġconteúdo": 136836, "Ġاخت": 136837, "ĠاختÙĬار": 136838, "ÙħسÙĦ": 136839, "ÙħسÙĦسÙĦ": 136840, "ëıĪ": 136841, "Ġ׾×Ļ×ĵ": 136842, "à¸ŀิà¸ĺี": 136843, "ĠÑģовÑģ": 136844, "ĠÑģовÑģем": 136845, "ãģĮãģĤãĤĬãģ¾ãģĹãģŁ": 136846, "Ġsóng": 136847, "إصÙĦاØŃ": 136848, "ë§ģ": 136849, "ÙģÙĬر": 136850, "ĠJeżeli": 136851, "ìłľëıĦ": 136852, "dÅĤug": 136853, "ìĥģìĿĦ": 136854, "ĠcáºŃn": 136855, "Ġhá»įp": 136856, "أست": 136857, "أستاذ": 136858, "Ġ×ŀ×Ļש×Ķ": 136859, "Ġ×ŀ×Ļש×Ķ×ķ": 136860, "ĠdÃły": 136861, "ĠchÃłng": 136862, "ãģ¡ãĤĥãĤĵãģ¨": 136863, "ĠÄijám": 136864, "Ġswój": 136865, "Ġpoderá": 136866, "ĠоÑĤлиÑĩа": 136867, "Ġpériode": 136868, "ündig": 136869, "×ĺ×¢×Ł": 136870, "ÑģÑĤÑĢоиÑĤелÑĮ": 136871, "רת×Ļ": 136872, "Ġ×Ļ×Ķ×Ļ×ķ": 136873, "×ľ×¡": 136874, "ĠاÙĦÙħÙĨزÙĦ": 136875, "à¸Ļิà¹īว": 136876, "иÑĦика": 136877, "иÑĦикаÑĨи": 136878, "ðŁĺī": 136879, "Ġadına": 136880, "ãĢĤãĢĤãĢĤ": 136881, "×IJ×Ļף": 136882, "ס×Ļר": 136883, "ĠÙĬعد": 136884, "çŃĶãģĪ": 136885, "اÙĦجز": 136886, "اÙĦجزائر": 136887, "енÑĮк": 136888, "รห": 136889, "รหัส": 136890, "ĠTürkçe": 136891, "꾸": 136892, "Ġ×Ļ×ķ׼׾": 136893, "Ġש×ķ׳×Ķ": 136894, "Ġ×ij×ŀצ×ij": 136895, "ĠдейÑģÑĤвиÑĤелÑĮно": 136896, "ĠبأÙĨÙĩ": 136897, "×ŀק×ĵ": 136898, "Ġ×Ķשק": 136899, "Ø®ÙĬارات": 136900, "Ġfı": 136901, "Ġfırs": 136902, "Ġfırsat": 136903, "ëijĺ": 136904, "ĠìĦľìļ¸": 136905, "Ġ×Ķ×Ĵ×ķ×£": 136906, "رعا": 136907, "رعاÙĬØ©": 136908, "ĠKết": 136909, "кÑģи": 136910, "ĠÑĥÑģлÑĥги": 136911, "ноÑģÑĤей": 136912, "ìļ´ëıĻ": 136913, "ĠобÑĬÑı": 136914, "ĠобÑĬÑıвл": 136915, "неж": 136916, "×Ķפ×ļ": 136917, "Ġ×ij×¢×Ļ׳×Ļ": 136918, "ëĨĴ": 136919, "ĠпÑĢоÑĨед": 136920, "ĠпÑĢоÑĨедÑĥÑĢ": 136921, "Ġihtiy": 136922, "Ġihtiyacı": 136923, "Ġë°Ķëŀį": 136924, "Ġë°ĶëŀįëĭĪëĭ¤": 136925, "à¸ģลัว": 136926, "ĠÑģложно": 136927, "ק×Ļ×Ļ×ŀת": 136928, "ĠÄIJình": 136929, "ĠÙħÙĦÙģ": 136930, "Ġà¹Ĥà¸Ķยมี": 136931, "Ġkatkı": 136932, "تØŃÙĪÙĬÙĦ": 136933, "à¹Ħà¸ŀ": 136934, "ĠHá»į": 136935, "ñe": 136936, "ĠдоÑħод": 136937, "Ġthoải": 136938, "íķĺìŬìķ¼": 136939, "ãĤ¹ãĥĿãĥ¼ãĥ": 136940, "ãĤ¹ãĥĿãĥ¼ãĥĦ": 136941, "ĠGòn": 136942, "Ġkè": 136943, "Ġkèm": 136944, "éĢ²ãĤģ": 136945, "ãĤ¹ãĥ¼ãĥ": 136946, "ãĤ¹ãĥ¼ãĥij": 136947, "ãĤ¹ãĥ¼ãĥijãĥ¼": 136948, "ĠgiÃłu": 136949, "Ġإعادة": 136950, "Ġ׾×ķק": 136951, "Ġ׾×ķק×Ĺ": 136952, "ĠÑħоÑĩеÑĤ": 136953, "×ĺ׾×ķ×ķ": 136954, "×ĺ׾×ķ×ķ×Ļ×ĸ": 136955, "×ĺ׾×ķ×ķ×Ļ×ĸ×Ļ×Ķ": 136956, "Ġthuyết": 136957, "ãģĿãĤĮãģ§": 136958, "Ġvardı": 136959, "à¹Ħรà¹ī": 136960, "عبد": 136961, "ĠRepública": 136962, "ãĥ¼ãĤ¿ãĥ¼": 136963, "Ġ×ŀ×IJ×ķת": 136964, "à¹Ħà¸Ľà¹ģลà¹īว": 136965, "Ġyapılacak": 136966, "ãĤ¹ãĤ¿ãĥ¼ãĥĪ": 136967, "ãģ»ãģ¼": 136968, "ĠkoÅŁ": 136969, "ĠмаÑĤеÑĢи": 136970, "Ġsiècle": 136971, "ĠاÙĦÙħختÙĦÙģ": 136972, "ĠاÙĦÙħختÙĦÙģØ©": 136973, "Ġ׾קר×IJ": 136974, "Ġ׾קר×IJת": 136975, "Ġ×Ķפ×ķ×¢×ľ": 136976, "Ġtòa": 136977, "ĠrÆ¡i": 136978, "åij¨ãĤĬ": 136979, "à¸Ŀà¸Ļ": 136980, "jÅĽÄĩ": 136981, "ĠìķĬìĿĦ": 136982, "اÙĨتÙĤاÙĦ": 136983, "ëĸł": 136984, "иваеÑĤ": 136985, "ãĥĪãĥ«": 136986, "ĠاÙĦÙģÙĦسطÙĬÙĨÙĬØ©": 136987, "à¸ģลà¹Īาววà¹Īา": 136988, "اÙĥت": 136989, "ĠÃĸl": 136990, "ĠÑĢеÑĪи": 136991, "ĠÑĢеÑĪил": 136992, "Ġ׳×ķספ×ķת": 136993, "Ġìłķì¹ĺ": 136994, "влеÑĩен": 136995, "ÙħرØŃÙĦØ©": 136996, "Ġcomeça": 136997, "Ġyık": 136998, "ìĤ´": 136999, "à¸ĺà¸Ļา": 137000, "à¸ĺà¸Ļาà¸Ħาร": 137001, "à¸Ńà¸Ļา": 137002, "à¸Ńà¸Ļาà¸Ħ": 137003, "à¸Ńà¸Ļาà¸Ħà¸ķ": 137004, "Ġpequeña": 137005, "ä»ķäºĭãĤĴ": 137006, "ĠبذÙĦÙĥ": 137007, "Ġнового": 137008, "ãģĹãģ¦ãģĦãģªãģĦ": 137009, "ĠاÙĦÙħÙĬاÙĩ": 137010, "à¸ģà¹ĩà¹Ģà¸Ľà¹ĩà¸Ļ": 137011, "ĠжÑĥÑĢ": 137012, "ĠжÑĥÑĢнал": 137013, "веÑģ": 137014, "ختار": 137015, "Ġ매ìļ°": 137016, "ĠMã": 137017, "ĠавÑĤомаÑĤÑĭ": 137018, "ضعÙģ": 137019, "ĠاÙĦÙģÙĥر": 137020, "ãģ§ãģĻãģ®ãģ§": 137021, "ãĥ¡ãĥ³ãĥIJãĥ¼": 137022, "ĠкÑĢÑĥг": 137023, "ĠاÙĦسÙĦطة": 137024, "à¸Ħรัà¹īà¸ĩà¹ģรà¸ģ": 137025, "à¸ģระà¸Ĺรว": 137026, "à¸ģระà¸Ĺรวà¸ĩ": 137027, "ÑĨов": 137028, "éķ·ãģĦ": 137029, "大ãģįãģĦ": 137030, "ĠgeçmiÅŁ": 137031, "ìĦ±ìĿ´": 137032, "Ġצר×Ļ׼×Ķ": 137033, "ĠмоÑī": 137034, "ĠмоÑīн": 137035, "Ġק×Ļש": 137036, "Ġק×Ļש×ķר×Ļ×Ŀ": 137037, "ĠNasıl": 137038, "гÑĢан": 137039, "Ġ×ŀ×ķצר×Ļ×Ŀ": 137040, "Ġ×ŀס×ķ×Ĵ": 137041, "Ġyür": 137042, "Ġyürüt": 137043, "Ġ׾×Ĺצ×ķ": 137044, "×ķÖ¼": 137045, "ĠìŀĪìĹĪëĭ¤": 137046, "Ġterör": 137047, "ĠThÆ°Æ¡ng": 137048, "ĠÙĪÙĬÙħ": 137049, "ĠÙĪÙĬÙħÙĥÙĨ": 137050, "جÙĪÙĨ": 137051, "ĠÙĪغÙĬرÙĩا": 137052, "×ŀפ×ķ": 137053, "×Ĵ×ķר×ŀ×Ļ×Ŀ": 137054, "׼×ij×Ļש": 137055, "ĠاÙĦÙĦغ": 137056, "ĠاÙĦÙĦغة": 137057, "شرÙĥ": 137058, "ĠاÙĦراب": 137059, "ĠاÙĦرابع": 137060, "ĠпÑĢек": 137061, "ĠпÑĢекÑĢаÑģ": 137062, "ĠпÑĢекÑĢаÑģн": 137063, "ĠenergÃŃa": 137064, "ק×ĵ×ŀ×Ļ": 137065, "ãģıãģªãģ£ãģŁ": 137066, "ĠÄijứ": 137067, "ĠÄijứa": 137068, "Servi": 137069, "Serviço": 137070, "Ġkaldır": 137071, "åĥįãģį": 137072, "Ġодеж": 137073, "Ġодежд": 137074, "물ìĿĦ": 137075, "ãģĿãģĨãģ§": 137076, "ãģĮãģĤãĤĮãģ°": 137077, "ìĻķ": 137078, "צ×ĵק": 137079, "Ġartır": 137080, "Ġileti": 137081, "ĠiletiÅŁim": 137082, "ãĤĪãģĨãģ§": 137083, "ãĥĪãĥ¼": 137084, "ãĤ¢ãĥĭ": 137085, "ãĤ¢ãĥĭãĥ¡": 137086, "×ĺ×Ļ×Ļ׾": 137087, "ãĥķãĥªãĥ¼": 137088, "ãĥĿãĥ³": 137089, "ÐŁÑĢо": 137090, "ĠعاÙĦÙĬØ©": 137091, "ĠÃ¶ÄŁret": 137092, "ĠÃ¶ÄŁretmen": 137093, "ĠкаÑĩеÑģÑĤва": 137094, "Ġ×Ķ×ĺ×ij×¢": 137095, "ĠзнаÑİ": 137096, "ãģ¦ãģıãĤĭ": 137097, "Ġmừng": 137098, "ÙħÙĪت": 137099, "ש×ķ×ŀר": 137100, "×Ĺ׾×ij": 137101, "ĠwzglÄĻ": 137102, "ĠwzglÄĻdu": 137103, "ë²Ī째": 137104, "Ġtá»ĵ": 137105, "Ġtá»ĵn": 137106, "ãĥ¯ãĥ¼ãĤ¯": 137107, "Ġpożycz": 137108, "Ġpożyczk": 137109, "×Ļ×ķצר×Ļ×Ŀ": 137110, "ÙĥرÙħ": 137111, "ĠгаÑĢ": 137112, "ĠгаÑĢан": 137113, "ĠгаÑĢанÑĤи": 137114, "ลà¹īาà¸ĩ": 137115, "ĠìĺģíĻĶ": 137116, "×ĺ×Ļס": 137117, "Ġthẻ": 137118, "ĠìŀĪëĭ¤ê³ł": 137119, "اÙĦتز": 137120, "اÙĦتزاÙħ": 137121, "ĠнаÑĪи": 137122, "isée": 137123, "ãģĵãĤĮãĤĴ": 137124, "Ġmẽ": 137125, "ضÙĦ": 137126, "بÙĪت": 137127, "Ġ׼׼×Ķ": 137128, "hợ": 137129, "ĠاÙĦسÙĪرÙĬØ©": 137130, "Ġ×ľ×¢×ķ×ŀ": 137131, "Ġ×ľ×¢×ķ×ŀת": 137132, "ĠbaÅŁar": 137133, "ĠbaÅŁarılı": 137134, "еÑģÑĤÑĮ": 137135, "à¸Ħรี": 137136, "à¸Ħรีม": 137137, "ĠìłĦì²´": 137138, "ĠسÙĬÙĥÙĪÙĨ": 137139, "Ġ×ŀ×ĵ×ķ×¢": 137140, "ĠëķĮ문ìĿ´ëĭ¤": 137141, "Ġcứng": 137142, "gerät": 137143, "ĠмиÑĢ": 137144, "ĠмиÑĢе": 137145, "ĠÙĥÙĬÙģÙĬØ©": 137146, "Ġפר×ĺ×Ļ×Ŀ": 137147, "ĠgoÅĽci": 137148, "иÑĤеÑģÑĮ": 137149, "ÑĥÑĪки": 137150, "ؤÙħÙĨ": 137151, "Ġ×IJ׼ף": 137152, "ĠاÙĦرجÙĦ": 137153, "Ġlá»įc": 137154, "à¹Ģรียà¸ģวà¹Īา": 137155, "ãģĵãģ®ãĤĪãģĨãģª": 137156, "ë§Įíģ¼": 137157, "ĠпеÑĩ": 137158, "ÙĪÙĦات": 137159, "ĠÃľye": 137160, "liÄŁinde": 137161, "à¸Ħะà¹ģà¸Ļ": 137162, "à¸Ħะà¹ģà¸Ļà¸Ļ": 137163, "ãĤĭãģĵãģ¨ãģ¯": 137164, "วิà¹Ģà¸Ħร": 137165, "วิà¹Ģà¸Ħราะ": 137166, "วิà¹Ģà¸Ħราะหà¹Į": 137167, "ĠвозможноÑģÑĤи": 137168, "ĠاÙĦÙĨساء": 137169, "ãĥīãĥ©ãĥŀ": 137170, "Ġgüc": 137171, "Ġgücü": 137172, "ĠtÆ°á»Ŀng": 137173, "Ġacompaña": 137174, "ãĤ¤ãĥ©": 137175, "קצ×ij": 137176, "ĠYö": 137177, "ĠYönet": 137178, "ĠYönetim": 137179, "à¸ªà¸±à¸¡à¸ľ": 137180, "à¸ªà¸±à¸¡à¸ľà¸±à¸ª": 137181, "à¸Ļาม": 137182, "ĠÄijợi": 137183, "à¹ģหà¹Īà¸ĩà¸Ĭาà¸ķิ": 137184, "ãģĿãĤĮãģ§ãĤĤ": 137185, "ätig": 137186, "ת×ķ×Ŀ": 137187, "ĠbaÅŁlat": 137188, "ĠвÑģей": 137189, "ת×Ļק": 137190, "ת×Ļק×ķף": 137191, "ĠNgô": 137192, "ĠGeschä": 137193, "ĠGeschäfts": 137194, "Ø£Ùħ": 137195, "Ø£Ùħراض": 137196, "à¹Ģà¸Ĺà¸Ħà¸Ļ": 137197, "à¹Ģà¸Ĺà¸Ħà¸Ļิ": 137198, "à¹Ģà¸Ĺà¸Ħà¸Ļิà¸Ħ": 137199, "ĠменÑĮ": 137200, "ĠменÑĮÑĪе": 137201, "Ġölç": 137202, "Ġölçü": 137203, "ĠÙĬجعÙĦ": 137204, "ĠÄijỡ": 137205, "ש×Ļ׾": 137206, "ש×Ļ׾×ķ×ij": 137207, "ĠGrÃ¶ÃŁe": 137208, "ĠÙĩاتÙģ": 137209, "รà¹īาà¸Ļà¸Ńาหาร": 137210, "×Ķ׾×Ļ׼": 137211, "×Ķ׾×Ļ׼×Ļ": 137212, "иÑĢÑĥÑİÑī": 137213, "èĭ¥ãģĦ": 137214, "ĠÃĸzel": 137215, "ãģĦãģŁãĤī": 137216, "à¸Ħำà¸ĸาม": 137217, "ĠzostaÅĤy": 137218, "Ġ×Ķס×Ļפ×ķר": 137219, "×Ķ×ķ׾": 137220, "×Ķ×ķ׾×ļ": 137221, "à¹Ģà¸Ĭà¹Īà¸Ļà¸ģัà¸Ļ": 137222, "à¹Ĥà¸Ĩ": 137223, "à¹Ĥà¸Ĩษ": 137224, "à¹Ĥà¸Ĩษà¸ĵา": 137225, "×IJרצ×ķת": 137226, "×Ĵרפ×Ļ": 137227, "Ġaoût": 137228, "ĠÙĬرÙĬد": 137229, "تÙĪج": 137230, "تÙĪجÙĬÙĩ": 137231, "ĠÑįÑĤап": 137232, "ãĤ¹ãĤ¿ãĥ³": 137233, "Ġkró": 137234, "Ġkrótk": 137235, "ãĤĴ使ãģĨ": 137236, "ì·¨": 137237, "éĸ¢ãĤı": 137238, "à¸Ķà¹īวยà¸Ħวาม": 137239, "à¸Ļำà¹Ģสà¸Ļà¸Ń": 137240, "Ġayrıca": 137241, "à¸Īà¹īาà¸ĩ": 137242, "ĠÑĦоÑĤогÑĢаÑĦ": 137243, "ĠвеÑĩ": 137244, "ĠвеÑĩеÑĢ": 137245, "åĩºãģĹãģŁ": 137246, "ĠХо": 137247, "Ġ×ŀר×Ĵ×Ļש": 137248, "à¹ĥหà¹īà¹Ģà¸Ľà¹ĩà¸Ļ": 137249, "ãĤĴ缮": 137250, "ãĤĴ缮æĮĩ": 137251, "׾×ŀ×Ļ×Ŀ": 137252, "nÄħÅĤ": 137253, "ĠÑģÑĤанд": 137254, "ĠÑģÑĤандаÑĢÑĤ": 137255, "ĠSüd": 137256, "ĠTâm": 137257, "اختبار": 137258, "à¹Ģà¸ģà¸Ńรà¹Į": 137259, "ÙħسرØŃ": 137260, "Ġbiá»ĩn": 137261, "بÙı": 137262, "ĠصاÙĦ": 137263, "ĠصاÙĦØŃ": 137264, "ĠPhụ": 137265, "íľ´": 137266, "ãĥ¬ãĥĵãĥ¥ãĥ¼": 137267, "Ġbụng": 137268, "Ġrégime": 137269, "ĠأشÙĩر": 137270, "ĠÑĢабоÑĤник": 137271, "à¸Ŀัà¸Ļ": 137272, "اعتÙħ": 137273, "اعتÙħاد": 137274, "ĠзамеÑĤ": 137275, "ãģ¾ãģ£ãģ¦": 137276, "Ġchặt": 137277, "æĿ¥ãĤĭ": 137278, "ĠاÙĦÙĤÙĪات": 137279, "ãģ«åħ¥ãģ£ãģ¦": 137280, "تØŃاÙĦÙģ": 137281, "ÙħزÙĬد": 137282, "ĠÙĬصÙĦ": 137283, "ìĹ¼": 137284, "à¹Ģà¸Ĭà¹ĩ": 137285, "à¹Ģà¸Ĭà¹ĩà¸Ħ": 137286, "Ġká»ĭ": 137287, "Ġká»ĭp": 137288, "ĠìķĦì§ģ": 137289, "×IJ׳×Ĵ": 137290, "ĠоблаÑģÑĤÑĮ": 137291, "ĠpomocÄħ": 137292, "Ġ×ķש׾": 137293, "ëĵłì§Ģ": 137294, "ĠGiám": 137295, "ĠStück": 137296, "Ġcháy": 137297, "ĠëĤĺìĺ¤": 137298, "ש×Ļ×ĺת": 137299, "×ŀ×ĵר": 137300, "×ŀ×ĵר×Ļ×ļ": 137301, "Ġsüreç": 137302, "ква": 137303, "×ij׾×Ļ×Ŀ": 137304, "×Ķת×Ļ": 137305, "×Ķת×Ļ×Ļ×Ĺס": 137306, "ÙĤباÙĦ": 137307, "Ġס×ķ×Ĵ": 137308, "Ġס×ķ×Ĵ×Ļ": 137309, "ÑģÑĤолÑĮ": 137310, "ä½ķãĤĤ": 137311, "×ĸ׼×ķר": 137312, "è²·ãģĨ": 137313, "å®īãģı": 137314, "à¸Ħรัà¹īà¸ĩà¸Ļีà¹ī": 137315, "köp": 137316, "ĠÑģеÑĢвиÑģ": 137317, "оÑĩнÑĭÑħ": 137318, "ê±°ëŀĺ": 137319, "تأÙĥ": 137320, "تأÙĥÙĬد": 137321, "×ĵ׾ק": 137322, "ĠпоÑĩем": 137323, "ĠпоÑĩемÑĥ": 137324, "пиÑģаÑĤÑĮ": 137325, "×ijשר": 137326, "ĠHÃłng": 137327, "ĠTìm": 137328, "Ġtrừ": 137329, "ãĤ»ãĥĥãĤ¯ãĤ¹": 137330, "×ķ׳×Ĵ": 137331, "mızda": 137332, "пÑģи": 137333, "ĠìŀĪ기": 137334, "Ġrút": 137335, "زاÙĨ": 137336, "تÙĨÙĪع": 137337, "ÙħÙĤا": 137338, "ÙħÙĤاÙĪÙħØ©": 137339, "Ġ׾צ×ķר×ļ": 137340, "Ġ×ij×Ļר×ķש׾×Ļ×Ŀ": 137341, "ãĥ´ãĤ£": 137342, "ebile": 137343, "ebileceÄŁi": 137344, "ãĥ¦ãĥ¼ãĤ": 137345, "ãĥ¦ãĥ¼ãĤ¶": 137346, "ãĥ¦ãĥ¼ãĤ¶ãĥ¼": 137347, "ãĤĴä½ľãĤĭ": 137348, "ÑģмеÑĢ": 137349, "ÑģмеÑĢÑĤ": 137350, "Ġì§ģ": 137351, "Ġì§ģìłij": 137352, "ĠÐŁÐ°ÑĢ": 137353, "ØŃاض": 137354, "ØŃاضر": 137355, "ÙħÙĥاÙģ": 137356, "ÙħÙĥاÙģØŃØ©": 137357, "ลิà¸Ļ": 137358, "ãģ¦ãģįãģ¦": 137359, "ÑĢоÑģл": 137360, "ĠÄ°ÅŁte": 137361, "ÙĤصÙĬر": 137362, "Ġ×ij×Ĵ×Ļ׾": 137363, "Ġ×ŀת×IJ×Ļ×Ŀ": 137364, "Ġ×Ķ×Ĺ×ĵ": 137365, "Ġ×Ķ×Ĺ×ĵש×Ķ": 137366, "ר×ķ×¢": 137367, "Ġproduktów": 137368, "ĠÙħصدر": 137369, "неÑĨ": 137370, "ĠاÙĦعÙħÙĦات": 137371, "Ġçıkma": 137372, "ĠدبÙĬ": 137373, "ק×Ļף": 137374, "ת×IJר": 137375, "ת×IJר×Ļ×ļ": 137376, "׳×Ļ×Ļ×ĵ": 137377, "صراع": 137378, "lève": 137379, "צ×Ļר": 137380, "à¸Ķัà¸Ļ": 137381, "à¹ĥหà¹īà¹Ħà¸Ķà¹ī": 137382, "ãĤ¿ãĤ¤ãĥł": 137383, "Ġgiảng": 137384, "Ð¡ÐŁ": 137385, "ĠاÙĦÙħØŃÙĦ": 137386, "ĠاÙĦÙħØŃÙĦÙĬØ©": 137387, "ĠTất": 137388, "׾×ķ×ĺ": 137389, "há»ķ": 137390, "Ġaméric": 137391, "Ġaméricain": 137392, "Ġ×ijש׾×ij": 137393, "Ġ׾×IJ×ķ×ŀ×Ļ": 137394, "Ġpeça": 137395, "ĠÑĢазнÑĭÑħ": 137396, "ãģĦãĤĭãģ¨": 137397, "ãĥĩãĥ³": 137398, "סקר": 137399, "Ġ×Ķ×ŀ×Ĺ×Ļר": 137400, "ãģ¨ãģĦãģĨãĤĤãģ®": 137401, "رتبط": 137402, "ĠиÑģÑĤоÑĩ": 137403, "ĠиÑģÑĤоÑĩник": 137404, "สมัà¸Ħรสมาà¸Ĭิà¸ģ": 137405, "Ġà¸Ĺัà¹īà¸ĩ": 137406, "Ġà¸Ĺัà¹īà¸ĩà¸Ļีà¹ī": 137407, "ĠTáºŃp": 137408, "ãģ£ãģ¦ãģĦãģĨ": 137409, "ĠاÙĦÙĪصÙĪÙĦ": 137410, "Ġdécada": 137411, "ĠоÑĦоÑĢм": 137412, "ĠоÑĦоÑĢмлен": 137413, "สำหรัà¸ļà¸ģาร": 137414, "Ġogóln": 137415, "ãģĨãģ¡ãģ«": 137416, "Ġvárias": 137417, "ãģĻãģİãĤĭ": 137418, "ÙĪÙĩا": 137419, "à¹Ĥà¸Ľà¸£à¸Ķ": 137420, "ĠÐłÐ¾ÑģÑģиÑı": 137421, "人ãĢħ": 137422, "ãģĹãģ¦ãģįãģŁ": 137423, "Ġsırasında": 137424, "Ġngôn": 137425, "سÙĨØ©": 137426, "تÙħتع": 137427, "×ŀ׼×ij×Ļ": 137428, "Ġnhấn": 137429, "×¢×ŀ×Ļ×ĵ": 137430, "Ứ": 137431, "жиÑĤÑĮ": 137432, "ãĤīãģĽ": 137433, "gráf": 137434, "gráfica": 137435, "ĠÙĤÙĪÙĦ": 137436, "ĠÙĤÙĪÙĦÙĩ": 137437, "ëĭ¨ì²´": 137438, "หà¹īา": 137439, "หà¹īาม": 137440, "使ãģ£ãģ¦": 137441, "ת×Ļ×ij": 137442, "ת×Ļ×ijת": 137443, "iá»ĥu": 137444, "à¹ģà¸Ĭม": 137445, "à¹ģà¸Ĭà¸¡à¸Ľ": 137446, "à¹ģà¸Ĭà¸¡à¸Ľà¹Į": 137447, "Ậ": 137448, "ĠëĤĺëĿ¼": 137449, "ĠÙħباشرة": 137450, "ĠtrÄĥm": 137451, "سÙĥÙĪ": 137452, "ĠاÙĦØ°Ùī": 137453, "Ġbiç": 137454, "Ġbiçim": 137455, "تراجع": 137456, "ĠобеÑģп": 137457, "ĠобеÑģпеÑĩ": 137458, "ĠобеÑģпеÑĩива": 137459, "ĠвоздÑĥÑħ": 137460, "ÑĭваÑĤÑĮ": 137461, "ÙĦØŃÙĤ": 137462, "ĠMüdü": 137463, "ĠMüdürl": 137464, "ĠMüdürlÃ¼ÄŁÃ¼": 137465, "Ġyaptır": 137466, "Ġפרס": 137467, "Ġפרס×ķ×Ŀ": 137468, "Ø·ÙĪر": 137469, "ÑģÑĤвоваÑĤÑĮ": 137470, "ìŀ¥ìĿĦ": 137471, "à¸Ĺีà¹Īà¸Ķีà¸Ĺีà¹Īสุà¸Ķ": 137472, "à¸Ńัล": 137473, "ÑĢÑİ": 137474, "ÙħستÙĤبÙĦ": 137475, "ÑģлÑĥÑĪ": 137476, "ÑģлÑĥÑĪа": 137477, "èªįãĤģ": 137478, "Ġ׾×Ļ×ŀ": 137479, "Ġ׾×Ļ×ŀ×ķ×ĵ×Ļ": 137480, "תש×ķ×ij": 137481, "תש×ķ×ij×ķת": 137482, "ĠgerçekleÅŁtiril": 137483, "ĠاÙĦاتÙģاÙĤ": 137484, "ĠÑĥÑĢовне": 137485, "ĠÑĤÑĢав": 137486, "Ġ×Ķ×ŀ×ķף": 137487, "ØŃÙģاظ": 137488, "ĠÙħÙIJ": 137489, "ĠÙħÙIJÙĨ": 137490, "ĠÙħÙIJÙĨÙĴ": 137491, "Ġdemás": 137492, "×ŀ×ķ×ĸ×Ļק×Ķ": 137493, "ש×Ļ×Ĺ×Ķ": 137494, "Ġbú": 137495, "алÑĮнÑĭм": 137496, "ãĤıãģŁ": 137497, "ãĤıãģŁãģĹ": 137498, "ĠاÙĦÙħÙĪاد": 137499, "×ª×Ľ×ł": 137500, "×ª×Ľ×ł×ķף": 137501, "ãĥŃãĥĥãĤ¯": 137502, "hiếu": 137503, "ĠÑĥме": 137504, "ÙħØŃاÙĪÙĦØ©": 137505, "×IJ×ķשר": 137506, "ĠконкÑĥÑĢ": 137507, "ĠконкÑĥÑĢÑģ": 137508, "Ġ×ŀ×ij×Ĺ": 137509, "Ġ×ŀ×ij×Ĺ×Ļ×ł×ª": 137510, "Ġanlam": 137511, "Ġanlamı": 137512, "Ġliá»ĩt": 137513, "ĠвÑħод": 137514, "ĠHình": 137515, "ĠÙĨÙĬ": 137516, "ĠÙĨÙĬÙĪز": 137517, "ãĤ¸ãĥ£ãĥ¼": 137518, "×ij×Ļ×¥": 137519, "ÑĤелÑĮнÑĭÑħ": 137520, "à¸Ĺุà¸ģà¸Ńยà¹Īาà¸ĩ": 137521, "ĠkiÅŁinin": 137522, "Ø£Ùĥثر": 137523, "ĠиÑģÑĤоÑĢии": 137524, "Ġë³ĢíĻĶ": 137525, "×¤×ľ×¡×ĺ": 137526, "×¤×ľ×¡×ĺ×Ļ׳×Ļ": 137527, "ĠÑģеÑĤ": 137528, "ĠÑģеÑĤи": 137529, "dıģımız": 137530, "íķĺëıĦë¡Ŀ": 137531, "×Ķר": 137532, "×Ķר×ij×Ķ": 137533, "ãģĻãĤĭãģĵãģ¨ãģ¯": 137534, "Ġphiếu": 137535, "تØŃسÙĬÙĨ": 137536, "ĠÅĽrod": 137537, "ĠÅĽrodow": 137538, "ĠÅĽrodowisk": 137539, "ĠÑĢаÑģÑħод": 137540, "برÙĬد": 137541, "ĠرÙĬ": 137542, "ĠرÙĬاÙĦ": 137543, "Ġ×ķ׼×ļ": 137544, "ì§ĢìļĶ": 137545, "׼×ŀ×ķ": 137546, "Ġ×¢×ľ×Ļ×Ķ×Ŀ": 137547, "fÃŃcio": 137548, "Ġkararı": 137549, "tıģını": 137550, "ĠСов": 137551, "ĠСовеÑĤ": 137552, "ãģĬéĩijãĤĴ": 137553, "междÑĥ": 137554, "междÑĥна": 137555, "междÑĥнаÑĢод": 137556, "междÑĥнаÑĢодн": 137557, "Ġmá»Ŀi": 137558, "ĠاÙĦØ¥ÙĬر": 137559, "ĠاÙĦØ¥ÙĬراÙĨÙĬ": 137560, "ĠاÙĦرÙĪسÙĬ": 137561, "صÙĨد": 137562, "صÙĨدÙĪÙĤ": 137563, "ĠاÙĦØ¥ÙĨترÙĨت": 137564, "Ġtắm": 137565, "ĠÑĤакого": 137566, "Ġ×ij׾×ķ×Ĵ": 137567, "Ġücrets": 137568, "Ġücretsiz": 137569, "×Ĺ×ĸ×Ļר": 137570, "ìĸ´ìķ¼": 137571, "ĠPhần": 137572, "ï¼ľ": 137573, "Ġ×ĺ×ij×¢": 137574, "Ġ×ĺ×ij×¢×Ļ": 137575, "×IJ×ŀ×IJ": 137576, "اÙĤÙĦ": 137577, "Ġcondições": 137578, "ÙĤاتÙĦ": 137579, "ĠÑĢезÑĥлÑĮÑĤаÑĤе": 137580, "ĠÑģвоими": 137581, "צ×ij×Ļ×¢": 137582, "géni": 137583, "Ġzes": 137584, "Ġzespo": 137585, "ĠzespoÅĤ": 137586, "ÑĪив": 137587, "Ġפר×ĺ×Ļ×ķת": 137588, "ÙħستشÙģ": 137589, "ÙħستشÙģÙī": 137590, "شرع": 137591, "ĠkoÅĽci": 137592, "Ġ×Ķ×IJ×Ļ׳×ĺר׳×ĺ": 137593, "ĠЧеÑĢ": 137594, "поÑĩÑĤ": 137595, "Ġactivités": 137596, "çŁ¥ãģ£ãģ¦": 137597, "Ġ×ij×ĸ×Ķ": 137598, "Ġyüzden": 137599, "ãģªãĤĬãģ¾ãģĽãĤĵ": 137600, "Ġíĺ¹": 137601, "Ġíĺ¹ìĿĢ": 137602, "Ġ×ŀש׳×Ķ": 137603, "ĠÐĴеÑĢ": 137604, "Ġ×ij×IJ×ķת×ķ": 137605, "éĿ¢çĻ½": 137606, "éĿ¢çĻ½ãģĦ": 137607, "شرØŃ": 137608, "gründe": 137609, "ÙģØ´": 137610, "ÙģØ´ÙĦ": 137611, "Ġséjour": 137612, "ë´IJ": 137613, "Ġrôle": 137614, "شعار": 137615, "емÑĭе": 137616, "ĠاÙĦجسÙħ": 137617, "алÑĮное": 137618, "Ġìĥģíĥľ": 137619, "Ｄ": 137620, "ë¯Ģë¡ľ": 137621, "ĠÙĨÙĤØ·": 137622, "ĠÙĨÙĤطة": 137623, "ãģĿãģĨãģł": 137624, "ãģĻãĤĭãģ®ãģĮ": 137625, "หู": 137626, "Ġnhá»ĭ": 137627, "Ġeconómica": 137628, "ס×ĺ×ķ×ĵ": 137629, "ס×ĺ×ķ×ĵ׳×ĺ": 137630, "มีà¹Ĥà¸Ńà¸ģาส": 137631, "Ġgestão": 137632, "รูà¹īวà¹Īา": 137633, "Ġloạt": 137634, "ĠاÙĦÙħÙı": 137635, "ĠاÙĦØŃÙħÙĦ": 137636, "ĠاÙĦعÙħÙĦÙĬØ©": 137637, "Ġê²ĥëıĦ": 137638, "ĠÐľÐ¾Ñģква": 137639, "ק×ĺ×ķר": 137640, "ĠподÑĢоб": 137641, "ĠподÑĢобн": 137642, "ĠlÆ°ng": 137643, "تÙģس": 137644, "تÙģسÙĬر": 137645, "ĠاÙĦبع": 137646, "ĠاÙĦبعض": 137647, "ئت": 137648, "ÐķÐĿ": 137649, "ìĹ°êµ¬": 137650, "à¹ĥหà¹īà¸Ħุà¸ĵ": 137651, "ãģĤãĤĬãģ¾ãģĹãģŁ": 137652, "Ġbirka": 137653, "Ġbirkaç": 137654, "ĠÄ°sl": 137655, "ĠÄ°slam": 137656, "çĹĽãģ¿": 137657, "Ġhảo": 137658, "ĠмаÑı": 137659, "ĠiÅŁÃ§i": 137660, "ש×": 137661, "ש×ģ": 137662, "à¸ģารà¹Ģมืà¸Ńà¸ĩ": 137663, "×ķ×Ķר": 137664, "Ġchó": 137665, "ëĨĢ": 137666, "Ġyanlı": 137667, "ĠyanlÄ±ÅŁ": 137668, "幸ãģĽ": 137669, "×IJר×Ĵ×ķ׳×Ļ": 137670, "à¸Ńาà¸Īาร": 137671, "à¸Ńาà¸Īารยà¹Į": 137672, "ĠинÑĦоÑĢмаÑĨиÑİ": 137673, "ÐĵÐŀ": 137674, "׳×Ĺש": 137675, "ĠìķĮìķĦ": 137676, "ĠÑħаÑĢакÑĤеÑĢиÑģÑĤ": 137677, "ĠÑħаÑĢакÑĤеÑĢиÑģÑĤик": 137678, "à¸Ħุà¸ĵสามารà¸ĸ": 137679, "è¦ĭãģĪãĤĭ": 137680, "à¸Ĭัà¸Ķà¹Ģà¸Ī": 137681, "à¸Ĭัà¸Ķà¹Ģà¸Īà¸Ļ": 137682, "ĠdziaÅĤal": 137683, "ĠdziaÅĤalnoÅĽci": 137684, "à¹Ĥà¸ŀสà¸ķà¹Į": 137685, "ĠÐļол": 137686, "ĠÙģÙĩÙĬ": 137687, "Ġ×ŀפ׳×Ļ": 137688, "Ġ×Ķקשר": 137689, "ÙħرÙĥ": 137690, "ÙħرÙĥز": 137691, "Ġhoá": 137692, "Ġапп": 137693, "ĠаппаÑĢаÑĤ": 137694, "Ġpami": 137695, "ĠpamiÄĻ": 137696, "ĠpamiÄĻta": 137697, "Ġçünkü": 137698, "×ĵ×ķף": 137699, "ãģ¯ãģĵãģ¡ãĤī": 137700, "ĠMÃł": 137701, "ĠÙĬÙĤدÙħ": 137702, "ĠпÑĢез": 137703, "ĠпÑĢезиденÑĤ": 137704, "à¸Ńุà¸ķ": 137705, "à¸Ńุà¸ķสา": 137706, "à¸Ńุà¸ķสาห": 137707, "à¸Ńุà¸ķสาหà¸ģรรม": 137708, "ì§ĢìĽIJ": 137709, "Ġ×IJפשר×ķת": 137710, "schüt": 137711, "schütz": 137712, "ĠTiên": 137713, "Ġsayılı": 137714, "ĠгÑĢÑĥппÑĭ": 137715, "оÑĩнÑĭй": 137716, "Ġ×ľ×¢×ŀ×ķ×ĵ": 137717, "ĠwrzeÅĽ": 137718, "ĠwrzeÅĽnia": 137719, "ĠÄIJầu": 137720, "à¹Ģà¸Ĥà¹īารà¹Īวม": 137721, "nızda": 137722, "Ø®ÙĬص": 137723, "Ġgünc": 137724, "Ġgüncel": 137725, "ĠÙĦÙĩØ°Ùĩ": 137726, "ĠÙĬعتبر": 137727, "légi": 137728, "ãĤıãģĭãĤĭ": 137729, "Ġrừng": 137730, "ظÙĩ": 137731, "ظÙĩÙĪر": 137732, "Ġ×ŀ×ij×Ļף": 137733, "Ġ기íĥĢ": 137734, "åĪĩãĤĮ": 137735, "lanmÄ±ÅŁ": 137736, "à¸Ĺีà¹Īมีà¸Ħวาม": 137737, "Ġhá»ģ": 137738, "تÙĪجÙĩ": 137739, "ĠاÙĦإدارة": 137740, "Ġútil": 137741, "ספ×ķ": 137742, "à¸Ħวามรัà¸ģ": 137743, "à¹Ĥฮ": 137744, "ĠполиÑĤ": 137745, "ĠполиÑĤик": 137746, "Ġsatın": 137747, "ĠÅŀimdi": 137748, "×ŀ×ķר×Ļ×Ŀ": 137749, "ìķĺëĭ¤": 137750, "×Ĺ×ķ×ķ": 137751, "×Ĺ×ķ×ķ×Ļ×Ķ": 137752, "à¸Ħà¸Ńมà¸ŀิ": 137753, "à¸Ħà¸Ńมà¸ŀิว": 137754, "à¸Ħà¸Ńมà¸ŀิวà¹Ģà¸ķà¸Ńรà¹Į": 137755, "Ġاذا": 137756, "تخاذ": 137757, "ãĤ¨ãĥ«": 137758, "Ġpossibilité": 137759, "ยืà¸Ļยัà¸Ļ": 137760, "Ġünivers": 137761, "Ġüniversite": 137762, "ĠاÙĦدÙĪرÙĬ": 137763, "ĠìķĬëĬĶëĭ¤": 137764, "ĠìĦľë¡ľ": 137765, "ØŃاÙĦ": 137766, "Ġë¨": 137767, "Ġ먼": 137768, "Ġ먼ìłĢ": 137769, "à¸Ĺีà¹Īà¸ĸูà¸ģ": 137770, "ì§ľ": 137771, "Ġskóry": 137772, "лÑĮÑĨ": 137773, "à¹ĥà¸Ĭà¹īà¹Ģวลา": 137774, "×ijקשת": 137775, "ĠØ°ÙĪ": 137776, "æĹ¥ãĢħ": 137777, "ĠкоÑĤоÑĢÑĥÑİ": 137778, "ĠÑĥÑĢовенÑĮ": 137779, "깨": 137780, "à¹Ħà¸Ĺ": 137781, "ãĤµãĥĹãĥª": 137782, "ãĤ¸ãĥ§ãĥ³": 137783, "ãģĻãģ¹ãģį": 137784, "ĠGór": 137785, "ãĥĪãĤ¤": 137786, "ãĥĪãĤ¤ãĥ¬": 137787, "ĠyaÅŁama": 137788, "Ġdá»ĭp": 137789, "Ġbữa": 137790, "à¸ĭุ": 137791, "Ġölüm": 137792, "ãģ£ãģ¦ãģıãĤĭ": 137793, "à¸ģารà¸Ħà¹īา": 137794, "שער": 137795, "ĠÑĤипа": 137796, "ĠгеÑĢ": 137797, "ĠгеÑĢо": 137798, "רקע": 137799, "Ġuważ": 137800, "Ġuważa": 137801, "ש×ŀף": 137802, "Ġhastalık": 137803, "ãĤıãĤĮãĤĭ": 137804, "baÅŁÄ±": 137805, "ÑĩÑĤо": 137806, "Ġ×ij×ŀר׼×ĸ": 137807, "Ġìļ°ë¦¬ìĿĺ": 137808, "ĠÙĥاÙĨÙĪا": 137809, "Ġأبر": 137810, "ĠأبرÙĬÙĦ": 137811, "층": 137812, "à¹Ħà¸Ĥà¹Ī": 137813, "ĠÙĪÙĦÙĪ": 137814, "à¸Ĺัว": 137815, "à¸Ĺัวรà¹Į": 137816, "ĠÙĪØ£Ùĥد": 137817, "à¸Ĭวà¸Ļ": 137818, "׾×ķק": 137819, "æį¨": 137820, "æį¨ãģ¦": 137821, "Ġİçin": 137822, "péri": 137823, "Ġyal": 137824, "Ġyalnız": 137825, "ÑĮÑıн": 137826, "Ġgắng": 137827, "à¸ģà¹ĩยัà¸ĩ": 137828, "ĠУкÑĢаин": 137829, "ĠÑģами": 137830, "ĠпÑĢоведен": 137831, "à¸ķà¸ģà¹ģà¸ķà¹Īà¸ĩ": 137832, "ĠQuân": 137833, "éparation": 137834, "ĠbaÅŁÄ±nda": 137835, "Ġznale": 137836, "Ġznaleź": 137837, "ĠznaleźÄĩ": 137838, "ãĤ±ãĥ¼": 137839, "ãĥİãĥ¼": 137840, "à¸ĸูà¸ģà¸ķà¹īà¸Ńà¸ĩ": 137841, "몸": 137842, "ĠëıĮ": 137843, "ĠëıĮìķĦ": 137844, "ĠSchüler": 137845, "ĠподгоÑĤов": 137846, "ĠподгоÑĤовк": 137847, "عرÙĪ": 137848, "عرÙĪض": 137849, "laÅŁtır": 137850, "ĠÑģоÑģÑĤавлÑıеÑĤ": 137851, "ĠпÑĢоизвод": 137852, "ĠпÑĢоизводÑģÑĤва": 137853, "ĠоÑģнове": 137854, "ĠØ´ÙħاÙĦ": 137855, "à¸ģรี": 137856, "ĠgörÃ¼ÅŁme": 137857, "оÑĩек": 137858, "Ġ×Ĺ×ijר×Ļ×Ŀ": 137859, "Ùħخاط": 137860, "Ùħخاطر": 137861, "ï¼Ń": 137862, "רפ×IJ": 137863, "ĠMẹ": 137864, "ยà¸Ńมรัà¸ļ": 137865, "Ġvết": 137866, "خذ": 137867, "ĠاÙĦتط": 137868, "ĠاÙĦتطبÙĬÙĤ": 137869, "à¸Ļึà¸ģ": 137870, "Ġ×Ķ×Ľ×ł×¡×ª": 137871, "ĠогÑĢани": 137872, "ĠогÑĢаниÑĩен": 137873, "ĠÃĩalÄ±ÅŁ": 137874, "ĠاÙĦÙħÙĨتدÙī": 137875, "à¸Īำà¸Ļวà¸Ļมาà¸ģ": 137876, "ĠÑĤоÑĢÑĢ": 137877, "ĠÑĤоÑĢÑĢенÑĤ": 137878, "ĠìĤ´ìķĦ": 137879, "à¸ŀลัà¸ĩà¸ĩาà¸Ļ": 137880, "à¸Ĭัà¸Ļ": 137881, "ĠÐIJндÑĢ": 137882, "Ġréalisé": 137883, "×ŀש×IJ": 137884, "à¹ģà¸Ĭ": 137885, "à¹ģà¸Ĭรà¹Į": 137886, "Ġбог": 137887, "มาà¹ģลà¹īว": 137888, "ĠاÙĦÙĨار": 137889, "Ġolmadıģı": 137890, "×ĵ×¢×Ķ": 137891, "ĠÑĥвеÑĢ": 137892, "ĠÑĥвеÑĢен": 137893, "ãĤĭãĤĤãģ®": 137894, "أد": 137895, "أدÙĪات": 137896, "Ġ×Ķ×ĸ×ķ×Ĵ": 137897, "إعÙĦاÙħ": 137898, "há»ı": 137899, "ĠNähe": 137900, "ĠÑĤеÑģÑĤ": 137901, "Ġ×ŀ×ķ׼ר": 137902, "Ġë¬¸ìłľê°Ģ": 137903, "ת×ķצ×IJ×Ķ": 137904, "mó": 137905, "móvel": 137906, "ĠاÙĦتجارة": 137907, "ĠмногиÑħ": 137908, "обÑīа": 137909, "Ġעסק×Ļ": 137910, "ĠEducação": 137911, "קש×Ļ×Ŀ": 137912, "établ": 137913, "établissement": 137914, "Ġделе": 137915, "иÑĢÑĥеÑĤÑģÑı": 137916, "آثار": 137917, "Ġ×Ķ×ŀר׼×ĸ×Ļ": 137918, "ãĥIJãĥ«": 137919, "ĠвÑģÑĤÑĢеÑĩ": 137920, "ãģĴãĤĭ": 137921, "ĠciÄħ": 137922, "ĠciÄħgu": 137923, "ÙĬست": 137924, "à¸łà¸²à¸§": 137925, "à¸łà¸²à¸§à¸°": 137926, "Ø£Ùħر": 137927, "Ġожи": 137928, "Ġожида": 137929, "Ġủy": 137930, "ãĥŀãĥ«": 137931, "راس": 137932, "оÑĩной": 137933, "ת×Ĵ×ķ×ij×ķת": 137934, "تعرÙĬÙģ": 137935, "ĠÑģоÑĨиалÑĮно": 137936, "ãĤĴéĸĭ": 137937, "ĠиÑģÑģледова": 137938, "Ġdú": 137939, "Ġdúvida": 137940, "ĠskÅĤ": 137941, "ĠskÅĤada": 137942, "Ġhäufig": 137943, "ĠвÑĭбÑĢ": 137944, "ĠвÑĭбÑĢаÑĤÑĮ": 137945, "ãģ®ãģ§ãģ¯ãģªãģĦãģĭ": 137946, "ĠÑģилÑĮно": 137947, "ÑĤвеÑĢжден": 137948, "רפ": 137949, "רפ×ķ×IJ×Ķ": 137950, "æĢĿãģĦãģ¾ãģĻ": 137951, "ØŃرص": 137952, "ש×ķתף": 137953, "Ùħسجد": 137954, "à¹Ĥà¸Ĭวà¹Į": 137955, "емÑģÑı": 137956, "вÑĪие": 137957, "Ġмл": 137958, "Ġмлн": 137959, "Ġ׾×Ķ×ij×Ļ×IJ": 137960, "ĠÙĬتعÙĦÙĤ": 137961, "à¸ķูà¹ī": 137962, "ĠпÑĢаз": 137963, "ĠпÑĢазд": 137964, "ĠпÑĢаздник": 137965, "Ġнем": 137966, "Ġнемного": 137967, "ĠsÃłng": 137968, "تÙĨسÙĬ": 137969, "تÙĨسÙĬÙĤ": 137970, "Ġtá»Ŀ": 137971, "Ġмеди": 137972, "ãģ«æĪ": 137973, "ãģ«æĪ»": 137974, "à¸Ħวà¹īา": 137975, "ãģĭãģijãĤĭ": 137976, "×ij׾×ķת": 137977, "ĠÑįкÑģп": 137978, "ĠÑįкÑģпеÑĢÑĤ": 137979, "ĠдевÑĥÑĪ": 137980, "ĠдевÑĥÑĪк": 137981, "ĠØŃص": 137982, "ÙĨشأ": 137983, "ãģĮãģĤãĤĭãģ®ãģ§": 137984, "ĠتراÙħ": 137985, "ĠتراÙħب": 137986, "أسÙĪاÙĤ": 137987, "Ġ׾פ׳×ķת": 137988, "Ġاﻷ": 137989, "ãģ«ãģı": 137990, "ãģ«ãģıãģĦ": 137991, "ĠأعÙĦÙī": 137992, "Ġ׾×Ķ×ŀש×Ļ×ļ": 137993, "räu": 137994, "ש×ŀ×Ļ×Ŀ": 137995, "åĪĨãģij": 137996, "ãģĻãģ§": 137997, "ãģĻãģ§ãģ«": 137998, "×Ķ׾׼×Ķ": 137999, "×Ĺ׾×Ļ×£": 138000, "Ġì±ħ": 138001, "Ġì±ħìŀĦ": 138002, "à¹Ģà¸Īริ": 138003, "à¹Ģà¸Īริà¸į": 138004, "éģĬãģ³": 138005, "جسد": 138006, "สาà¸ĺ": 138007, "สาà¸ĺาร": 138008, "สาà¸ĺารà¸ĵ": 138009, "Ġbasın": 138010, "ÑĢаг": 138011, "гад": 138012, "ĠhoÅŁ": 138013, "íķµ": 138014, "×ij×Ĺ×Ļר×Ķ": 138015, "×ŀס×ļ": 138016, "ĠìłľíĴĪ": 138017, "تÙħÙĪÙĬÙĦ": 138018, "ĠLÆ°u": 138019, "ë¡ľë¶ĢíĦ°": 138020, "Ġпоб": 138021, "Ġпобед": 138022, "ÙħÙĨØ°": 138023, "常ãģ«": 138024, "ÙĤس": 138025, "ĠاÙĦÙħصدر": 138026, "ĠÙĪاÙĦاست": 138027, "Ġkhắp": 138028, "ĠاÙĦجاÙĨب": 138029, "Ġnguyá»ĩn": 138030, "éĸĵéģķãģĦ": 138031, "ĠÑģÑĤÑĢа": 138032, "ĠÑģÑĤÑĢаÑħ": 138033, "ĠÑģÑĤÑĢаÑħов": 138034, "รีà¸ļ": 138035, "ĠxÆ°Æ¡ng": 138036, "Ġì°¾": 138037, "Ġì°¾ìķĦ": 138038, "Ġngại": 138039, "гал": 138040, "à¸ĭีà¹Ī": 138041, "Ġ×ijפ×Ļ×Ļס×ij×ķק": 138042, "ЦенÑĤÑĢ": 138043, "Ġavaliação": 138044, "Ġeconómico": 138045, "×ĸף": 138046, "ĠÐľÐ°Ðº": 138047, "Ġinterés": 138048, "à¸ģลิà¹Īà¸Ļ": 138049, "ÑģÑĤÑĮÑİ": 138050, "ĠÄijÆ°Æ¡ng": 138051, "å¼·ãģı": 138052, "ĠKhách": 138053, "à¹Ģà¸Ļืà¹īà¸Ńหา": 138054, "ĠYazı": 138055, "è²·ãģ£ãģ¦": 138056, "ÐłÐķ": 138057, "à¹Ģà¸ŀิà¹Īมà¸Ĥึà¹īà¸Ļ": 138058, "สมà¸ļู": 138059, "สมà¸ļูรà¸ĵà¹Į": 138060, "ĠмиÑĢов": 138061, "×Ĵ׳×Ļ×Ŀ": 138062, "ĠÄijức": 138063, "à¸Ńารà¹Į": 138064, "صاص": 138065, "ãģĬãĤĪ": 138066, "ãģĬãĤĪãģ³": 138067, "êÌī": 138068, "ĠاÙĦÙħؤتÙħر": 138069, "ĠاÙĦÙħرØŃÙĦØ©": 138070, "สà¸Ńà¸ļà¸ĸาม": 138071, "Ġà¸Īาà¸ģà¸Ļัà¹īà¸Ļ": 138072, "Ġتعد": 138073, "ãģĿãģ®ãģŁãĤģ": 138074, "Ġkháng": 138075, "à¸Ļิà¸Ķ": 138076, "ãĥĬãĥ³": 138077, "ëĦ¤ìļĶ": 138078, "ĠاÙĦاØŃت": 138079, "ĠاÙĦاØŃتÙĦاÙĦ": 138080, "ìļķ": 138081, "Ġмодели": 138082, "ĠпÑĢоÑĨенÑĤ": 138083, "à¸ŀวà¸ģà¹Ģรา": 138084, "Ġ×Ķצ×ĵ": 138085, "Ġ×Ķצ×ĵ×ĵ×Ļ×Ŀ": 138086, "stände": 138087, "׳×Ĵר": 138088, "Ġdotyc": 138089, "ĠdotyczÄħ": 138090, "ĠdotyczÄħce": 138091, "ĠÅĽwiÄĻt": 138092, "×ŀר×Ķ": 138093, "ãģĻãģĶãģĦ": 138094, "ãĥĩãĤ£ãĥ³ãĤ°": 138095, "à¸ģารสรà¹īาà¸ĩ": 138096, "ëĤ¬": 138097, "Ġì°¸ìŬ": 138098, "ÑģÑħ": 138099, "ÑģÑħем": 138100, "ÙħÙĪس": 138101, "Ġnấu": 138102, "Ġ׾×ŀ×¢×ľ×Ķ": 138103, "à¹Ģà¸Ľà¹īา": 138104, "à¹Ģà¸Ľà¹īาหมาย": 138105, "Ġmùi": 138106, "ائز": 138107, "íĽĪ": 138108, "×Ĺ×ij×ķר×Ķ": 138109, "à¸ľà¸¹à¹īà¹ĥà¸Ĭà¹ī": 138110, "Ġpaź": 138111, "Ġpaździ": 138112, "Ġpaździern": 138113, "Ġpaździernika": 138114, "ลà¸ĩà¹Ħà¸Ľ": 138115, "ÙĤاع": 138116, "ĠcháºŃm": 138117, "Ġözellikleri": 138118, "ĠÄIJo": 138119, "ĠÄIJoÃłn": 138120, "жение": 138121, "Ġhẳ": 138122, "Ġhẳn": 138123, "ĠaÅŁk": 138124, "ï½į": 138125, "ãĥijãĤ¹": 138126, "×Ķ×ķר×IJ×ķת": 138127, "ĠÅ»": 138128, "ĠÅ»y": 138129, "×ŀ×ĸ׾": 138130, "ĠÑĥкÑĢа": 138131, "ĠÑĥкÑĢаин": 138132, "à¹Ģà¸Ĭิ": 138133, "à¹Ģà¸Ĭิà¸į": 138134, "ÐłÐĺ": 138135, "ĠzwiÄħzku": 138136, "×Ķ×Ĺ׾×ĺת": 138137, "ãĤĵãģ§ãģĻãĤĪãģŃ": 138138, "ãģ¦ãģĬãĤĬ": 138139, "ложиÑĤÑĮ": 138140, "×ŀ×ķ׳×Ļ×Ŀ": 138141, "ฮิ": 138142, "ì°¬": 138143, "ĠاÙĦÙħشترÙĥ": 138144, "ĠdÃ¼ÅŁÃ¼k": 138145, "агенÑĤ": 138146, "ĠاÙĦأسبÙĪع": 138147, "ĠÙĤرÙĬب": 138148, "инд": 138149, "индив": 138150, "индивид": 138151, "индивидÑĥ": 138152, "индивидÑĥалÑĮн": 138153, "förder": 138154, "Ġseçen": 138155, "Ġseçenek": 138156, "Ġétant": 138157, "ĠлÑİбим": 138158, "казÑĭваеÑĤ": 138159, "วิà¸Ļ": 138160, "Ġ×Ķ×ij×IJ×Ļ×Ŀ": 138161, "Ġдов": 138162, "ĠдоволÑĮ": 138163, "ĠдоволÑĮно": 138164, "×¢×ĵ×Ļ×£": 138165, "Ġokre": 138166, "ĠokreÅĽ": 138167, "ĠokreÅĽlon": 138168, "ĠترÙĬد": 138169, "à¹Ģมืà¹Īà¸Ńวัà¸Ļà¸Ĺีà¹Ī": 138170, "ãĤĪãģĭãģ£ãģŁ": 138171, "Cumh": 138172, "Cumhur": 138173, "Cumhurba": 138174, "CumhurbaÅŁ": 138175, "CumhurbaÅŁkan": 138176, "CumhurbaÅŁkanı": 138177, "Ġnợ": 138178, "à¸ľà¸¹à¹īà¹Ģลà¹Īà¸Ļ": 138179, "Ġcomplète": 138180, "à¹Ģà¸ŀศ": 138181, "دÙIJ": 138182, "Ġdüz": 138183, "Ġdüzey": 138184, "ãģ§ãģĤãĤĭãģĵãģ¨": 138185, "extérieur": 138186, "׳": 138187, "Ġinformação": 138188, "ãĤ¯ãĥªãĥĭãĥĥãĤ¯": 138189, "ĠPubli": 138190, "ĠPublié": 138191, "ר×ķ×ĵ": 138192, "à¸Ħà¸§à¸²à¸¡à¸Ľà¸¥à¸Ńà¸Ķà¸łà¸±à¸¢": 138193, "ĠØ£ÙĬض": 138194, "ĠØ£ÙĬضÙĭا": 138195, "تسبب": 138196, "ãģ¤ãĤĤãĤĬ": 138197, "изма": 138198, "à¸Ĥึà¹īà¸Ļà¹Ħà¸Ľ": 138199, "ÙĥÙIJ": 138200, "ÙĦÙĪÙħ": 138201, "Ġשצר": 138202, "Ġשצר×Ļ×ļ": 138203, "ãģ¯ãĤĤãģ¡ãĤįãĤĵ": 138204, "Ġкан": 138205, "Ġканал": 138206, "ãģ«ãģªãģ£ãģ¦ãģĦãģ¾ãģĻ": 138207, "ĠاÙĦØ£Ùĥثر": 138208, "تاØŃ": 138209, "ÙĨتÙĩ": 138210, "ÙĨتÙĩاء": 138211, "اÙĪÙĬØ©": 138212, "ĠBugün": 138213, "нÑģкого": 138214, "à¸Ķà¹Īวà¸Ļ": 138215, "évolution": 138216, "ãģ£ãģ¦ãģĦãģ¾ãģĹãģŁ": 138217, "ãĤħ": 138218, "ĠVÆ°Æ¡ng": 138219, "à¸łà¸²à¸ŀย": 138220, "à¸łà¸²à¸ŀยà¸Ļ": 138221, "à¸łà¸²à¸ŀยà¸Ļà¸ķรà¹Į": 138222, "Ġ×Ķצ׾×Ļ×Ĺ": 138223, "ĠاÙĦإسÙĦاÙħÙĬ": 138224, "ÙĦÙĬب": 138225, "Ġedição": 138226, "ÑģÑĤÑĢел": 138227, "Ġkhúc": 138228, "ÙĨÙħÙĪØ°": 138229, "ÙĨÙħÙĪذج": 138230, "׾צ×Ķ": 138231, "ÑģÑĤавил": 138232, "à¸ĸา": 138233, "สรà¹īาà¸ĩà¸Ħวาม": 138234, "ãģĦãģ£ãģ±": 138235, "ãģĦãģ£ãģ±ãģĦ": 138236, "ÑģÑĤавлен": 138237, "ĠاÙĦÙĤدس": 138238, "Ġngược": 138239, "بخ": 138240, "สหร": 138241, "สหรั": 138242, "สหรัà¸IJ": 138243, "Ġأغ": 138244, "Ġأغسط": 138245, "Ġأغسطس": 138246, "ãģĨãģ¾": 138247, "ãģĨãģ¾ãģı": 138248, "ĠêµŃìłľ": 138249, "ØŃضار": 138250, "Ġdừng": 138251, "æĬ¼ãģĹ": 138252, "تÙĪا": 138253, "تÙĪاجد": 138254, "ש×ŀ×Ĺ×Ķ": 138255, "ãģıãĤĵ": 138256, "Ġ×ijעצ": 138257, "Ġ×ijעצ×Ŀ": 138258, "×ŀ׳×Ļ×ķת": 138259, "×ķ×Ļ×ĵ": 138260, "×ķ×Ļ×ĵ×IJ×ķ": 138261, "à¸Ĭิà¸ĩ": 138262, "ĠpracÄĻ": 138263, "ĠзаÑĤ": 138264, "ĠзаÑĤем": 138265, "ĠìŀIJìľł": 138266, "Ġì¤Ģ": 138267, "Ġì¤Ģë¹Ħ": 138268, "ĠbáºŃ": 138269, "ĠbáºŃc": 138270, "Ġ×Ķ×ŀצ×ij": 138271, "ĠÙĤÙĬÙħØ©": 138272, "à¹Ģà¸Ńà¹Ģà¸Ĭ": 138273, "à¹Ģà¸Ńà¹Ģà¸Ĭีย": 138274, "Ġperchè": 138275, "ĠاÙĦعسÙĥر": 138276, "ĠاÙĦعسÙĥرÙĬØ©": 138277, "جÙĬب": 138278, "ëŀµ": 138279, "ÙħÙĩر": 138280, "ÙħÙĩرجاÙĨ": 138281, "ÙħراÙĥ": 138282, "ÙħراÙĥز": 138283, "Ġоднако": 138284, "à¸Ķีà¹Ĩ": 138285, "Ġצפ×ķ": 138286, "Ġkullanılan": 138287, "Ġкино": 138288, "ãĥĨãĤ£ãĥ³ãĤ°": 138289, "ĠGiỼi": 138290, "تÙĪز": 138291, "تÙĪزÙĬع": 138292, "ยิà¸Ļ": 138293, "ยิà¸Ļà¸Ķี": 138294, "ĠcÅĵur": 138295, "ĠiÅŁaret": 138296, "Ġ×ij×¢×ĸר": 138297, "Ġ×ij×¢×ĸרת": 138298, "ĠпаÑĨи": 138299, "ĠпаÑĨиенÑĤ": 138300, "ãģ¿ãģŁãģĦãģ§ãģĻ": 138301, "вез": 138302, "лина": 138303, "оде": 138304, "Ġ×IJ×ķ×ª×Ł": 138305, "dıģınız": 138306, "ĠÐIJв": 138307, "ĠÐIJвÑĤоÑĢ": 138308, "ï¼®": 138309, "ĠCần": 138310, "ĠاÙĦاخ": 138311, "ĠاÙĦاخبار": 138312, "Ġê±°ìĿĺ": 138313, "Ġatenção": 138314, "ĠgeldiÄŁi": 138315, "ãĤªãĤ¹": 138316, "ãĤªãĤ¹ãĤ¹": 138317, "ãĤªãĤ¹ãĤ¹ãĥ¡": 138318, "евÑĭе": 138319, "кÑĢÑĭл": 138320, "à¹Ģà¸Ĭียà¸ĩ": 138321, "à¹Ģà¸Ĭียà¸ĩà¹ĥหมà¹Ī": 138322, "Ġmarço": 138323, "ĠاÙĦÙħادة": 138324, "Ġгол": 138325, "Ġsprzedaży": 138326, "Ġíķ´ê²°": 138327, "ĠÐķго": 138328, "ê¹Ģ": 138329, "Ġ׾ק×ij×ľ×ª": 138330, "ĠاÙĦÙģÙĨاÙĨ": 138331, "Ġcomunicación": 138332, "à¹Ģสà¹īà¸Ļà¸Ĺาà¸ĩ": 138333, "íĺ¹": 138334, "à¸Ĭำ": 138335, "à¸Ĭำระ": 138336, "Ġ׼×IJ×ŀ": 138337, "Ġ׼×IJ×ŀ×ķר": 138338, "à¸Ĭà¹Īาà¸ĩ": 138339, "زÙĩر": 138340, "Ġklientów": 138341, "иваÑİÑĤ": 138342, "анг": 138343, "׳×ļ": 138344, "Ġgá»įn": 138345, "ÃľR": 138346, "ìĺģìĥģ": 138347, "Ġغزة": 138348, "ìĿĮìĿĦ": 138349, "Ġbezpo": 138350, "ĠbezpoÅĽ": 138351, "ĠbezpoÅĽredni": 138352, "ĠاÙĦÙħÙĪا": 138353, "ĠاÙĦÙħÙĪاطÙĨ": 138354, "ĠاÙĦÙħÙĪاطÙĨÙĬÙĨ": 138355, "ãĤĮãģ¾ãģĻ": 138356, "ĠмаÑĤÑĩ": 138357, "×IJ×ķף": 138358, "ĠرسÙħÙĬ": 138359, "ĠÑįкон": 138360, "ĠÑįконом": 138361, "ĠÑįкономиÑĩеÑģк": 138362, "ãĥľãĥ¼": 138363, "ĠдиÑĢ": 138364, "ĠдиÑĢекÑĤоÑĢ": 138365, "ĠÑģкоÑĢо": 138366, "à¸ļำ": 138367, "à¸ļำร": 138368, "à¸ļำรุà¸ĩ": 138369, "ĠÑĦÑĥÑĤ": 138370, "ĠÑĦÑĥÑĤбол": 138371, "Ġ×IJ×Ļ׾": 138372, "Ġì¤ijêµŃ": 138373, "ìľ¤": 138374, "eÄŁe": 138375, "à¹Ħà¸ģà¹Ī": 138376, "traî": 138377, "traîn": 138378, "ĠÑĤÑĢÑĥб": 138379, "à¹Ģà¸ļื": 138380, "à¹Ģà¸ļืà¹īà¸Ńà¸ĩ": 138381, "à¹ģมà¸Ļ": 138382, "ĠتØŃدÙĬØ«": 138383, "Ġ×Ľ×¢×ª": 138384, "ØŃاسب": 138385, "lıģa": 138386, "ק×Ļ×Ļ×ŀ×Ļ×Ŀ": 138387, "оÑģÑĤÑĮÑİ": 138388, "à¸Ŀั": 138389, "à¸Ŀัà¹Īà¸ĩ": 138390, "شغÙĦ": 138391, "ìĽ¹": 138392, "Ġкаждого": 138393, "Ġbölümü": 138394, "หà¸Ļี": 138395, "ĠistediÄŁi": 138396, "ĠtrÆ°ng": 138397, "ãĥĮ": 138398, "ฮà¸Ń": 138399, "Ø£ÙĨØ´": 138400, "Ø£ÙĨشطة": 138401, "ĠاÙĦÙħسÙĬ": 138402, "ĠاÙĦÙħسÙĬØŃ": 138403, "ลัà¸ģษà¸ĵà¹Į": 138404, "Ġná»Ńa": 138405, "à¸Ĺีà¹Īà¸ķà¹īà¸Ńà¸ĩà¸ģาร": 138406, "ÑĪек": 138407, "лÑij": 138408, "Ġש×Ļ×Ķ": 138409, "Ġש×Ļ×Ķ×Ļ×Ķ": 138410, "Ġkhuôn": 138411, "ĠÑĤÑĢебованиÑı": 138412, "Ġ×ľ×¢×ĸ×ķר": 138413, "ĠاÙĦعÙħر": 138414, "ราà¸Ħาà¸ĸูà¸ģ": 138415, "ÙĩÙıÙħÙĴ": 138416, "üst": 138417, "üstü": 138418, "Ġденег": 138419, "Ġnạ": 138420, "à¸Ĥà¸Ļม": 138421, "Ġблаг": 138422, "Ġблагод": 138423, "ĠблагодаÑĢ": 138424, "ĠблагодаÑĢÑı": 138425, "إسÙĦاÙħ": 138426, "à¸Ļิว": 138427, "çŁ¥ãĤīãģªãģĦ": 138428, "Ø«ÙĤØ©": 138429, "ĠголоÑģ": 138430, "×IJ×ķר×Ĺ": 138431, "Ġtrứng": 138432, "Ġодном": 138433, "ĠkoÅĦcu": 138434, "Ġ×ķרק": 138435, "WiÄĻ": 138436, "WiÄĻcej": 138437, "Ġ×IJ×Ļ׼×ķת": 138438, "Ġ×IJ×Ļ׼×ķת×Ļ": 138439, "ÑģоÑģ": 138440, "Ġjeżeli": 138441, "以ä¸ĭãģ®": 138442, "å°ıãģķ": 138443, "å°ıãģķãģª": 138444, "ологии": 138445, "ĠобÑģлÑĥж": 138446, "ĠобÑģлÑĥжива": 138447, "Ùĥتابة": 138448, "Ġê´Ģìĭ¬": 138449, "עש×Ļר": 138450, "Ġarasındaki": 138451, "ĠÑĢайона": 138452, "ÙĪاجب": 138453, "Ġ×ij×Ĺ×Ļ×Ļ": 138454, "íķ´ì£¼": 138455, "Ġgóc": 138456, "айл": 138457, "ĠTình": 138458, "æļ®ãĤī": 138459, "æļ®ãĤīãģĹ": 138460, "æĻĤãģ«ãģ¯": 138461, "ĠгоÑĢоде": 138462, "Ġ׼×IJ×Ļ׾": 138463, "Ġ׼×IJ×Ļ׾×ķ": 138464, "ĠCá»Ļng": 138465, "ãģ©ãģĨãģĹãģ¦ãĤĤ": 138466, "×Ĺ×ķ×£": 138467, "تØŃرÙĥ": 138468, "ĠÑģловам": 138469, "à¸Īะà¸Ĭà¹Īวย": 138470, "ĠاÙĦÙħستÙĤبÙĦ": 138471, "ÙĤض": 138472, "ÙĤضÙĬ": 138473, "×ijס×ķפ": 138474, "×ijס×ķפ×ķ": 138475, "iÄĻÄĩ": 138476, "ĠYıl": 138477, "Ø´ÙĬØ®": 138478, "à¸Ħุà¸ĵà¸Īะ": 138479, "ש×ŀ×ķת": 138480, "Ġتعرض": 138481, "Ġanálise": 138482, "ĠÑģобиÑĢа": 138483, "à¹Ģà¸ŀà¸Ĭ": 138484, "à¹Ģà¸ŀà¸Ĭร": 138485, "Ġвели": 138486, "Ġвелик": 138487, "สัà¹īà¸Ļ": 138488, "Ġpopulação": 138489, "รà¹Īวมà¸ģัà¸Ļ": 138490, "×Ĺ×ŀ": 138491, "×Ĺ×ŀ×Ļש×Ļ": 138492, "ס×Ļס": 138493, "åĨħãģ§": 138494, "ĠsobÄħ": 138495, "ĠYay": 138496, "ĠYayın": 138497, "ãĥ¡ãĥĭãĥ¥ãĥ¼": 138498, "ĠпÑĢедоÑģÑĤавлÑı": 138499, "ãģłãģ¨æĢĿãģĨ": 138500, "Ġê³łê°Ŀ": 138501, "Ġодним": 138502, "à¹ĥà¸Ļà¹Ģรืà¹Īà¸Ńà¸ĩ": 138503, "Ġsá»ķ": 138504, "ĠÐĹдеÑģÑĮ": 138505, "ĠизменениÑı": 138506, "ĠìĿ¼ìĿĦ": 138507, "ãģªãģ®ãģł": 138508, "кладÑĭва": 138509, "ÑĢма": 138510, "Ġ×ķ×ij׼׾": 138511, "تأÙħÙĬÙĨ": 138512, "ĠпÑĢиÑıÑĤ": 138513, "ĠпÑĢиÑıÑĤн": 138514, "ÙħÙħار": 138515, "ÙħÙħارسة": 138516, "ãģ¨ãģªãģ£ãģ¦": 138517, "ĠجÙħÙĬÙĦ": 138518, "Ġì§Ī": 138519, "Ġì§Ī문": 138520, "Ġquestão": 138521, "ié": 138522, "iéndo": 138523, "หà¹īà¸Ńà¸ĩà¸ŀัà¸ģ": 138524, "ãĥijãĥ¼ãĥĪ": 138525, "ÑĤвеÑĢжда": 138526, "нÑģкой": 138527, "зал": 138528, "มุà¹Īà¸ĩ": 138529, "á»Ĭ": 138530, "Ġ×Ķ×IJ×Ĺר×ķ׳×Ķ": 138531, "ĠThÆ°": 138532, "주민": 138533, "ĠاÙĦعب": 138534, "évén": 138535, "événement": 138536, "ÙĤÙĪاعد": 138537, "دÙı": 138538, "ĠìķĬìĬµëĭĪëĭ¤": 138539, "Ġ보기": 138540, "Ġyapılması": 138541, "à¹Ģราà¸ģ": 138542, "à¹Ģราà¸ģà¹ĩ": 138543, "ØŃذر": 138544, "ÙĤصر": 138545, "ãģ¦ãģĹãģ¾ãģĦãģ¾ãģĹãģŁ": 138546, "Ġà¹Ģà¸Ľà¹ĩà¸Ļà¸ķà¹īà¸Ļ": 138547, "ãģ¨ãģ«": 138548, "ãģ¨ãģ«ãģĭ": 138549, "ãģ¨ãģ«ãģĭãģı": 138550, "нÑĨе": 138551, "звÑĥк": 138552, "ãģĹãĤĪãģĨãģ¨": 138553, "ĠاÙĦصØŃÙĬØ©": 138554, "Ġש×Ķ×Ļ×ķ": 138555, "ĠDiÄŁer": 138556, "ÙĤÙĦÙĤ": 138557, "ãĤ¸ãĥ£ãĥ³": 138558, "Ġrá»Ŀi": 138559, "ĠлеÑĩ": 138560, "ĠлеÑĩениÑı": 138561, "تباد": 138562, "تبادÙĦ": 138563, "צפ×Ķ": 138564, "à¸Ħวามà¹Ģหà¹ĩà¸Ļ": 138565, "Ġشب": 138566, "ĠشبÙĥØ©": 138567, "ר×Ļק": 138568, "Ùħعد": 138569, "Ùħعدات": 138570, "dıģında": 138571, "Ġ×ijש׳×Ļ×Ŀ": 138572, "Ġ×Ķ×Ļשר×IJ׾": 138573, "Ġ×Ķ×Ļשר×IJ׾×Ļת": 138574, "Ġsınav": 138575, "׳צ×Ļ×Ĵ": 138576, "วัà¸ķà¸ĸุ": 138577, "ĠاÙĦبرÙĦÙħ": 138578, "ĠاÙĦبرÙĦÙħاÙĨ": 138579, "tivitÃł": 138580, "ãĤĵãģłãĤįãģĨ": 138581, "ק×Ļ×Ļ×ŀ": 138582, "ÙĦÙĬÙĥ": 138583, "ĠÄijò": 138584, "ĠÄijòi": 138585, "ĠÐĺнÑĤеÑĢ": 138586, "ĠÐĺнÑĤеÑĢнеÑĤ": 138587, "ãģ«ãģ¨ãģ£ãģ¦ãģ¯": 138588, "ãģ£ãģĵ": 138589, "ק×ķס": 138590, "ستØŃÙĤ": 138591, "æķĻãģĪãģ¦": 138592, "ãĥĢãĥ¡": 138593, "ĠÙħÙĨزÙĦ": 138594, "à¹Ģà¸ĭà¹ĩà¸Ļ": 138595, "使ãģĪãĤĭ": 138596, "è¦ĭç©į": 138597, "è¦ĭç©įãĤĤãĤĬ": 138598, "Ø£Ùģ": 138599, "Ø£ÙģÙĥار": 138600, "ĠигÑĢов": 138601, "ĠигÑĢовÑĭе": 138602, "ĠmÄĻż": 138603, "ĠmÄĻżczy": 138604, "ĠmÄĻżczyzn": 138605, "ĠاÙĦØŃÙĤÙĬÙĤÙĬ": 138606, "عبر": 138607, "׼×ķ׾׳×ķ": 138608, "íĿ¥": 138609, "×ŀ×IJ×ķ×Ĺר": 138610, "ختص": 138611, "ãĥŀãĥŀ": 138612, "Ġ×IJ×Ĺ×ķ×ĸ": 138613, "íĮĢ": 138614, "Ġrá»iji": 138615, "ĠвÑĤоÑĢ": 138616, "ĠвÑĤоÑĢой": 138617, "Ġlẫn": 138618, "пÑĢом": 138619, "пÑĢомÑĭÑĪ": 138620, "пÑĢомÑĭÑĪлен": 138621, "пÑĢомÑĭÑĪленн": 138622, "ĠоÑĤноÑĪениÑı": 138623, "Ġsứ": 138624, "ĠмобилÑĮ": 138625, "ĠмобилÑĮн": 138626, "ĠÑįÑĤомÑĥ": 138627, "Ġtạp": 138628, "ĠìĤ¬ê±´": 138629, "ĠìķĮ볤": 138630, "ÙĥÙı": 138631, "ÙĥÙıÙħÙĴ": 138632, "Ġק×ķר×Ķ": 138633, "ĠÑĦиÑĢ": 138634, "ĠÑĦиÑĢм": 138635, "Ġsıkıntı": 138636, "׳׼": 138637, "׳׼×ķף": 138638, "ÙĪÙĦÙĪجÙĬ": 138639, "ØŃاÙĨ": 138640, "Ġloạn": 138641, "Ġ×IJ×ľ×£": 138642, "Ġmắn": 138643, "abhäng": 138644, "abhängig": 138645, "ĠÑĥÑĢовнÑı": 138646, "Ġ׾×ij×ĵ×ķק": 138647, "ÙĬÙħÙĨ": 138648, "layın": 138649, "Ġhải": 138650, "Ġзавод": 138651, "ĠìķĦ주": 138652, "สà¸ĸา": 138653, "สà¸ĸาà¸ļัà¸Ļ": 138654, "Ġgüvenlik": 138655, "à¹Ģà¸Ķà¹Īà¸Ļ": 138656, "×ij×ĵק": 138657, "ĠëĪ": 138658, "ĠëĪĦ": 138659, "ĠëĪĦ구": 138660, "éĩįè¦ģãģª": 138661, "รà¸Ńà¸ĩรัà¸ļ": 138662, "schlie": 138663, "schlieÃŁen": 138664, "Ġìĸ¼": 138665, "Ġìĸ¼ë§Ī": 138666, "Ġìĸ¼ë§ĪëĤĺ": 138667, "ÑĤики": 138668, "íķľëĭ¤ê³ł": 138669, "ãģłãģ£ãģŁãĤī": 138670, "Ġ×Ķ×Ļ×ĺ×ij": 138671, "ãģªãģijãĤĮãģ°ãģªãĤīãģªãģĦ": 138672, "âÌ": 138673, "ậ": 138674, "Ġphạt": 138675, "akÄ±ÅŁ": 138676, "ãģ¦ãģĹãģ¾ãģĦãģ¾ãģĻ": 138677, "à¹Ģà¸ĭà¹ĩ": 138678, "ĠСегоднÑı": 138679, "Ġinsanların": 138680, "Ġdéveloppe": 138681, "תפר": 138682, "תפר×Ļ×ĺ": 138683, "اÙĨتشار": 138684, "ê°ij": 138685, "François": 138686, "Ø£ÙĦع": 138687, "Ø£ÙĦعاب": 138688, "ãĤĴè¶ħ": 138689, "ãĤĴè¶ħãģĪ": 138690, "Ġê°ĻìĬµëĭĪëĭ¤": 138691, "ãĤ³ãĥ¬": 138692, "ĠмеÑģÑıÑĨев": 138693, "íĮħ": 138694, "ĠاÙĦجاÙħعة": 138695, "ìĿ¸íĦ°": 138696, "ìĿ¸íĦ°ëĦ·": 138697, "×ĵר×ķש": 138698, "ĠÙĪأشار": 138699, "ĠпÑĢавила": 138700, "ãģĿãģĵãģ«": 138701, "×Ĺ×ŀ×ĵ": 138702, "à¹Ģหà¸ķุà¸ģารà¸ĵà¹Į": 138703, "Ġê²½íĹĺ": 138704, "ãģ¶ãĤĬ": 138705, "׾ש": 138706, "׾ש×ķף": 138707, "à¹Ģà¸ĸ": 138708, "ĠDoÄŁu": 138709, "ĠиÑģполÑĮзование": 138710, "ĠçocuÄŁu": 138711, "магазине": 138712, "ĠÄijiá»ĥn": 138713, "Ġaslı": 138714, "Ġaslında": 138715, "Ġdoença": 138716, "Ġساع": 138717, "Ġساعات": 138718, "ĠиÑģполÑĮзованиÑı": 138719, "ר×ķצ×Ļ×Ŀ": 138720, "ĠзнаÑĩиÑĤ": 138721, "ĠÑĢам": 138722, "ĠÑĢамкаÑħ": 138723, "거리": 138724, "ĠпÑĭÑĤа": 138725, "ãĥģãĥ³": 138726, "ĠпоÑģк": 138727, "ĠпоÑģколÑĮ": 138728, "ĠпоÑģколÑĮкÑĥ": 138729, "إبر": 138730, "إبراÙĩ": 138731, "إبراÙĩÙĬÙħ": 138732, "ĠÑĤÑĢеÑħ": 138733, "ĠGenç": 138734, "سÙĪÙģ": 138735, "ĠveÃŃculo": 138736, "ĠNgân": 138737, "ĠоÑĩеÑĢедÑĮ": 138738, "à¸Ħรึà¹Īà¸ĩ": 138739, "×IJ×ij×Ļ": 138740, "à¸ķà¹īม": 138741, "ãĤĴè¡ĮãģĦ": 138742, "ĠاÙĦسابÙĤØ©": 138743, "наÑĨи": 138744, "наÑĨиона": 138745, "наÑĨионалÑĮн": 138746, "Ġgestión": 138747, "تÙĤد": 138748, "ĠاÙĦبÙĬاÙĨ": 138749, "ĠاÙĦبÙĬاÙĨات": 138750, "ĠاÙĦاÙĨتخاب": 138751, "ĠاÙĦاÙĨتخابات": 138752, "à¹Ģà¸Ĭà¹Īา": 138753, "×ĵ×IJ×Ĵ": 138754, "Ġ׾×Ĵ×ŀר×Ļ": 138755, "ĠتØŃتاج": 138756, "Ġthôn": 138757, "à¸ķà¹īà¸Ńà¸Ļ": 138758, "à¸ķà¹īà¸Ńà¸Ļรัà¸ļ": 138759, "女ãģ®": 138760, "女ãģ®åŃIJ": 138761, "Ġthợ": 138762, "Ø·ØŃÙĨ": 138763, "ารà¹Įà¸Ķ": 138764, "ת×ŀ×Ļ×ĵ": 138765, "ĠÑģамÑĭм": 138766, "Ġìĭľíĸī": 138767, "إصد": 138768, "إصدار": 138769, "ĠNghá»ĩ": 138770, "ìķķ": 138771, "سئ": 138772, "سئÙĦ": 138773, "à¸Ńาร": 138774, "à¸Ńารม": 138775, "à¸Ńารมà¸ĵà¹Į": 138776, "à¹ģฮ": 138777, "׳×ĺ׾": 138778, "Ġì¢ĭìķĦ": 138779, "×ķ׾׾": 138780, "Ġ×ij×Ľ×ª×ij": 138781, "ãĤ«ãĥ©": 138782, "צע×Ļר×Ļ×Ŀ": 138783, "تعبÙĬر": 138784, "Ġ×ŀקר×Ķ": 138785, "ĠÑĦакÑĤоÑĢ": 138786, "ĠتÙħاÙħ": 138787, "ĠتÙħاÙħا": 138788, "ëįķ": 138789, "ĠvÆ°á»Ŀ": 138790, "ĠvÆ°á»Ŀn": 138791, "ĠdÄ±ÅŁÄ±": 138792, "ãģĦãģ¡": 138793, "Ġ׾ק׳×ķת": 138794, "ĠاÙĦعÙĦاÙĤات": 138795, "пÑĥб": 138796, "пÑĥбли": 138797, "Ø¥ÙĬÙħ": 138798, "Ø¥ÙĬÙħاÙĨ": 138799, "à¸Ńำà¸Ļา": 138800, "à¸Ńำà¸Ļาà¸Ī": 138801, "åIJ«ãģ¾ãĤĮ": 138802, "ãĤĭãģŁãĤģãģ«": 138803, "ס×Ĵ": 138804, "ס×Ĵ׳×ķף": 138805, "تØŃدÙĬ": 138806, "Ġauprès": 138807, "ĠاÙĦجÙĩا": 138808, "ĠاÙĦجÙĩاز": 138809, "Ġ×ŀת×Ĺת": 138810, "еннÑĥÑİ": 138811, "Ġзим": 138812, "à¸ģาà¹ģà¸Ł": 138813, "Ġ×ijת×ķר": 138814, "Ġnghè": 138815, "Ġnghèo": 138816, "ĠÐĽÑİ": 138817, "ĠÐĽÑİб": 138818, "תקצ×Ļ×ij": 138819, "×ŀעש×Ķ": 138820, "ĠاÙĦبÙĬت": 138821, "צ×Ļפ": 138822, "ĠобÑıзан": 138823, "ĠMá»Ĺi": 138824, "ĠТÑĥÑĢ": 138825, "ĠÙĪباÙĦت": 138826, "ĠÙĪباÙĦتاÙĦÙĬ": 138827, "Ġdécision": 138828, "Ġبد": 138829, "Ġبدأت": 138830, "Ġcục": 138831, "Ġbask": 138832, "Ġbaskı": 138833, "Ġhatırl": 138834, "Ġhatırla": 138835, "å°ıãģķãģĦ": 138836, "Ġgerçekten": 138837, "à¸ľà¸±à¸ģ": 138838, "åı¯èĥ½ãģª": 138839, "×ŀ×IJס": 138840, "ĠcrÃŃtica": 138841, "ĠìĿĺìĽIJ": 138842, "عÙĤÙĪد": 138843, "×ĺ׼׳": 138844, "×ĺ׼׳×ķ׾×ķ×Ĵ×Ļ×Ķ": 138845, "è¨ĢãģĪãģ°": 138846, "ĠÙĤÙĨا": 138847, "ĠÙĤÙĨاة": 138848, "ĠìĿ´ê²ĥìĿĢ": 138849, "تصر": 138850, "à¸Łà¸±à¸Ļ": 138851, "ĠÑĢеÑĨеп": 138852, "ĠÑĢеÑĨепÑĤ": 138853, "ĠبÙĨÙģس": 138854, "ÑĢоÑĪ": 138855, "ĠмаÑĢÑĤа": 138856, "Ġsonras": 138857, "Ġsonrası": 138858, "×ķ×ijש": 138859, "ãĥªãĤ¹ãĤ¯": 138860, "ĠFrançais": 138861, "á»ļ": 138862, "ê°Ķ": 138863, "Ġ×Ķ×ijר×Ļת": 138864, "פ×Ļצ": 138865, "פ×Ļצ×ķ×Ļ": 138866, "ĠÙĦÙħاذا": 138867, "ĠÐļиев": 138868, "ĠÑģмÑĭÑģл": 138869, "ê¸Īìľµ": 138870, "ãĤ·ãĥ£ãĥ«": 138871, "ãĥ©ãĤ¤ãĥĪ": 138872, "ìĽĥ": 138873, "×ŀ×Ĺר": 138874, "ãĨį": 138875, "Ġkullanım": 138876, "Ġ×IJצ׾׳×ķ": 138877, "ĠtÃłn": 138878, "ãĥıãĥ¼": 138879, "ãģ¨ãģ¨ãĤĤ": 138880, "ãģ¨ãģ¨ãĤĤãģ«": 138881, "ÑĢег": 138882, "ÑĢеги": 138883, "ÑĢегион": 138884, "ãģªãģıãģªãĤĭ": 138885, "Ġchảy": 138886, "ĠجÙĩØ©": 138887, "ÅĦskiej": 138888, "à¸Ńีà¹Ģม": 138889, "à¸Ńีà¹Ģมล": 138890, "ãģįãģ£ãģ¨": 138891, "ĠìĺĪìĤ°": 138892, "Ġkitabı": 138893, "Ġeducação": 138894, "ĠbuluÅŁ": 138895, "ологиÑı": 138896, "ĠконкÑĢ": 138897, "ĠконкÑĢеÑĤ": 138898, "×Ĵ×Ļר": 138899, "ĠпÑĢедлаг": 138900, "ĠпÑĢедлагаеÑĤ": 138901, "ĠYên": 138902, "Ġíķľë²Ī": 138903, "Ġ×ŀר׼×ĸ×Ļ": 138904, "à¹Ģà¸Ľà¸´à¸Ķà¹Ģà¸ľà¸¢": 138905, "ÑĤвеÑĢд": 138906, "ĠHá»ĩ": 138907, "ĠÐĵÑĢ": 138908, "à¸Ŀà¹īา": 138909, "×Ķשק": 138910, "×Ķשקע×Ķ": 138911, "ĠнаÑĥк": 138912, "ìłIJìĿĦ": 138913, "ĠнелÑĮ": 138914, "ĠнелÑĮз": 138915, "ĠнелÑĮзÑı": 138916, "гин": 138917, "ĠBöl": 138918, "ĠBölge": 138919, "Ġвла": 138920, "ĠвлаÑģÑĤи": 138921, "à¹Ģà¸Ļà¹ĩ": 138922, "à¹Ģà¸Ļà¹ĩà¸ķ": 138923, "골": 138924, "Ġöld": 138925, "Ġöldür": 138926, "×Ľ×ł×¢": 138927, "ĠاÙĦÙĩÙĬئة": 138928, "تارÙĬØ®": 138929, "ĠÐijÑĢ": 138930, "ĠÑģмож": 138931, "ĠÑģможеÑĤе": 138932, "ĠLúc": 138933, "à¹Ħà¸Ľà¸ĸึà¸ĩ": 138934, "ĠBakanı": 138935, "Ġerklärt": 138936, "ĠÐIJна": 138937, "Ġscène": 138938, "åķıãģĦ": 138939, "åķıãģĦåIJĪãĤıãģĽ": 138940, "ÙħÙĩÙĨد": 138941, "ÙħÙĩÙĨدس": 138942, "Ġназвание": 138943, "иваниÑı": 138944, "ãĤĴå¤īãģĪ": 138945, "ä»ĺãģįåIJĪ": 138946, "ãĥijãĤ½": 138947, "ãĥijãĤ½ãĤ³ãĥ³": 138948, "æĺİãĤī": 138949, "æĺİãĤīãģĭ": 138950, "à¹Ģà¸Ńà¸ģสาร": 138951, "à¹Ģà¸ģิà¸Ļà¹Ħà¸Ľ": 138952, "леп": 138953, "ãģĹãģŁãĤĤãģ®": 138954, "ĠCâm": 138955, "ĠCâmara": 138956, "ק×ķ׾׳×ķ×¢": 138957, "Ġ×ij×Ĵ×Ļף": 138958, "Ġoczy": 138959, "ĠoczywiÅĽcie": 138960, "attivitÃł": 138961, "ãĥĵãĥ¥ãĥ¼": 138962, "Ġeducación": 138963, "Ä°YE": 138964, "ê¹ĮìļĶ": 138965, "ãĤ¨ãĥªãĤ¢": 138966, "неÑģÑĤи": 138967, "Ġmóg": 138968, "ĠmógÅĤ": 138969, "Ġק×ĺ׳×Ļ×Ŀ": 138970, "ĠPrä": 138971, "Ġ×ľ×¢×ij×ķר": 138972, "بÙĨÙī": 138973, "зол": 138974, "золоÑĤ": 138975, "ĠwnÄĻtr": 138976, "ĠwnÄĻtrz": 138977, "Ġconstrução": 138978, "รัà¸ļรà¸Ńà¸ĩ": 138979, "سجÙĨ": 138980, "Ġק×ķ׳": 138981, "ס×Ļפ×ķר": 138982, "ĠÙħدÙī": 138983, "رضÙī": 138984, "плав": 138985, "ï¼¥": 138986, "Ġila": 138987, "Ġilaç": 138988, "ãĤĭãģ¹ãģį": 138989, "ĠÙħÙĪÙĤÙģ": 138990, "à¸ģรุ": 138991, "à¸ģรุà¸ĵา": 138992, "chodzÄħc": 138993, "ĠÑĤÑĭÑģ": 138994, "ÐķвÑĢо": 138995, "ĠÙĬØŃدث": 138996, "ãĥ¡ãĤ¤ãĥ³": 138997, "ĠاÙĦصØŃÙĬ": 138998, "ĠÐĶан": 138999, "دعاء": 139000, "ãĤ´ãĥ¼ãĥ«": 139001, "×©×ł×ª×Ļ": 139002, "×©×ł×ª×Ļ×Ļ×Ŀ": 139003, "à¸Ķà¹īวยà¸ģัà¸Ļ": 139004, "Ġolacaģı": 139005, "Ġ×ij×ŀ×Ĺ×Ļר": 139006, "×Ķק": 139007, "×Ķק×ŀת": 139008, "ãĥ¢ãĥİ": 139009, "ĠçalÄ±ÅŁtı": 139010, "Ġjóvenes": 139011, "ãģĦãģıãĤī": 139012, "ĠÙħعدÙĦ": 139013, "ĠCÅ©ng": 139014, "ĠSegún": 139015, "Ġdönemde": 139016, "Ġ׾×Ļ×ĵ×Ļ": 139017, "ãģįãģ¡": 139018, "ãģįãģ¡ãĤĵ": 139019, "ãģįãģ¡ãĤĵãģ¨": 139020, "ÙģرÙĨس": 139021, "ÙģرÙĨسا": 139022, "åIJijãģį": 139023, "Ġcampaña": 139024, "ĠÑģамоÑģÑĤоÑı": 139025, "ĠÑģамоÑģÑĤоÑıÑĤелÑĮно": 139026, "á»Ģ": 139027, "ÙĤÙĪا": 139028, "سÙĦاØŃ": 139029, "à¸ģระà¹ģ": 139030, "à¸ģระà¹ģส": 139031, "ĠполÑĮзÑĥ": 139032, "nqu": 139033, "nquête": 139034, "รà¹Īวมà¸ģัà¸ļ": 139035, "ëĬIJëĥIJ": 139036, "à¸Ĺีมà¸Ĭาà¸ķิ": 139037, "Ġyıllık": 139038, "ìĬ¬": 139039, "ĠأصØŃاب": 139040, "illé": 139041, "Ġdóla": 139042, "Ġdólares": 139043, "Ġкож": 139044, "Ġкожи": 139045, "ลà¹īà¸Ń": 139046, "à¹Ģรียà¸ļร": 139047, "à¹Ģรียà¸ļรà¹īà¸Ńย": 139048, "à¹Ģà¸ŀิ": 139049, "à¹Ģà¸ŀิà¹Īà¸ĩ": 139050, "ÑĢиÑĤоÑĢи": 139051, "Ġíijľ": 139052, "ĠíijľíĺĦ": 139053, "ĠпеÑĢев": 139054, "ĠпеÑĢевод": 139055, "פ×Ĵ×Ļ×¢×Ķ": 139056, "ĠdeÄŁerlendirme": 139057, "Ùģائ": 139058, "ĠвÑĭгод": 139059, "ınızı": 139060, "×ķ׼×Ļ×Ĺ": 139061, "ĠдоÑģÑĤиг": 139062, "ĠngÃłn": 139063, "æĢĿãģ£ãģŁ": 139064, "ĠÐķÑģÑĤÑĮ": 139065, "ĠاÙĦرغÙħ": 139066, "ĠzwiÄħzane": 139067, "ربط": 139068, "à¸Ļึà¸ĩ": 139069, "Ġ׾×Ĺ×ķק": 139070, "Ġszczególn": 139071, "Ġszczególnie": 139072, "ĠباستخداÙħ": 139073, "ĠfÃŃsico": 139074, "עס": 139075, "עס×ķק": 139076, "سÙĦÙĪÙĥ": 139077, "ĠاØŃد": 139078, "ÑĩÑijÑĤ": 139079, "×ĸ׼×Ķ": 139080, "Ġlá»ĩnh": 139081, "ĠÙĪØŃت": 139082, "ĠÙĪØŃتÙī": 139083, "à¸Ħวามสามารà¸ĸ": 139084, "à¸Ńยูà¹Īà¹ģลà¹īว": 139085, "à¸ģารà¹Ģà¸Ķิà¸Ļà¸Ĺาà¸ĩ": 139086, "تخذ": 139087, "צ×Ļ×ķ×ĵ": 139088, "ĠاÙĦأس": 139089, "ĠاÙĦأسÙĩÙħ": 139090, "Ġtá»ĩ": 139091, "ãģ£ãģ¦ãģĦãģ¦": 139092, "สรุ": 139093, "à¸ªà¸£à¸¸à¸Ľ": 139094, "ĠкомÑĦ": 139095, "ĠкомÑĦоÑĢÑĤ": 139096, "ìĺ¤ëĬĶ": 139097, "ĠÑĢазв": 139098, "ĠÑĢазвива": 139099, "ланд": 139100, "hänge": 139101, "ĠبÙĨسبة": 139102, "à¹Ģà¸Ĥียว": 139103, "עצ×Ŀ": 139104, "Ġ×ľ×ľ×Ľ×ª": 139105, "ÑģоÑĨиалÑĮн": 139106, "Ġëĭ¤ìĿĮê³¼": 139107, "Ġרש×ķ×ŀ": 139108, "×ŀר×Ĺ×ij": 139109, "سÙĤØ·": 139110, "Ġalanı": 139111, "ĠÄijá»ĩ": 139112, "é£Łãģ¹ãĤĭ": 139113, "à¸Ķึà¸ĩ": 139114, "Ġgegenüber": 139115, "ĠبÙĩØ°Ùĩ": 139116, "à¸ĸืà¸Ńà¹Ģà¸Ľà¹ĩà¸Ļ": 139117, "ëķħ": 139118, "à¸Ħà¸Ļà¹Ħà¸Ĺย": 139119, "ãĤ¢ãĤ¦": 139120, "ãĤ¢ãĤ¦ãĥĪ": 139121, "ศัà¸ģ": 139122, "ศัà¸ģà¸Ķิ": 139123, "ศัà¸ģà¸Ķิà¹Į": 139124, "ÙĤÙĪاÙĨ": 139125, "ÙĤÙĪاÙĨÙĬÙĨ": 139126, "Ġhá»Ļp": 139127, "ãģªãģıãģªãģ£ãģ¦": 139128, "Ġ×IJ×ŀ׳": 139129, "Ġ×IJ×ŀ׳×Ŀ": 139130, "à¹Ģà¸ķืà¸Ńà¸Ļ": 139131, "ĠзавиÑģим": 139132, "ĠзавиÑģимоÑģÑĤи": 139133, "ת×Ļ×IJ": 139134, "ת×Ļ×IJ×ķר": 139135, "å§ĭãĤģãģŁ": 139136, "Ġngá»į": 139137, "Ġngá»įt": 139138, "íĴį": 139139, "ê³¼ìŀ¥": 139140, "Ġbại": 139141, "ãģ§ãģįãģ¦": 139142, "Ġcomeçar": 139143, "à¸Ľà¸£à¸²à¸ģ": 139144, "à¸Ľà¸£à¸²à¸ģà¸ı": 139145, "ĠгодÑĭ": 139146, "меÑģ": 139147, "ĠاÙĦÙħستÙĪÙī": 139148, "ĠÑģамÑĭе": 139149, "ллеÑĢ": 139150, "ãģ£ãģ¦ãģĹãģ¾ãģĦãģ¾ãģĻ": 139151, "ãģ¨ãģ®ãģĵãģ¨": 139152, "bió": 139153, "à¸ģลà¹Īà¸Ńà¸ĩ": 139154, "ĠاÙĦزÙĪج": 139155, "ãģ«è¡Įãģ£ãģŁ": 139156, "à¸Ħà¹Īà¸Ńà¸Ļ": 139157, "à¸Ħà¹Īà¸Ńà¸Ļà¸Ĥà¹īาà¸ĩ": 139158, "ĠbaÄŁl": 139159, "ĠbaÄŁlant": 139160, "ĠbaÄŁlantı": 139161, "確ãģĭ": 139162, "確ãģĭãģ«": 139163, "ãĥľãĥ¼ãĥ«": 139164, "çµĤãĤıãĤĬ": 139165, "ש×ŀר": 139166, "à¸Ĺีà¹Īสามารà¸ĸ": 139167, "ÙĦزÙħ": 139168, "даеÑĤÑģÑı": 139169, "รัà¸ļà¸Ľà¸£à¸°": 139170, "รัà¸ļà¸Ľà¸£à¸°à¸Ĺาà¸Ļ": 139171, "å¤īãĤıãĤĬ": 139172, "ï¼¢": 139173, "ĠìĺĪìĪĺëĭĺ": 139174, "ãĤĪãģĨãģ¨": 139175, "มัà¸ģà¸Īะ": 139176, "ĠHÆ°Æ¡ng": 139177, "ÙĨÙģØ°": 139178, "×ŀ×ĵ×ĵ": 139179, "ĠìĿ¸ìłķ": 139180, "ÑħодиÑĤÑĮ": 139181, "ĠзавиÑģиÑĤ": 139182, "×ķ×ĵ×Ļ×¢": 139183, "ãģĵãģ¨ãģĮãģĤãĤĬãģ¾ãģĻ": 139184, "عراÙĤ": 139185, "سطØŃ": 139186, "à¸ģำà¹Ħร": 139187, "ëĵ¤ëıĦ": 139188, "×Ļצ×Ļר×Ķ": 139189, "ãģĨãģĵãģ¨": 139190, "ÙĦاØŃÙĤ": 139191, "ãģĦãĤĮãģ°": 139192, "ĠиÑģполÑĮзÑĥÑİÑĤ": 139193, "ĠBợi": 139194, "Ġשק׾×Ļ×Ŀ": 139195, "ÑĨикл": 139196, "ÐIJÐŀ": 139197, "Ġ×ijש׳×Ķ": 139198, "ÙĨشط": 139199, "Ġש×Ļ׳×ķ×Ļ": 139200, "Ġש×Ļ׳×ķ×Ļ×Ļ×Ŀ": 139201, "Ġpoblación": 139202, "ĠHÆ°ng": 139203, "ระว": 139204, "ระวัà¸ĩ": 139205, "رÙĬاضة": 139206, "رصد": 139207, "تÙĤÙĦÙĬ": 139208, "تÙĤÙĦÙĬد": 139209, "Ġülkem": 139210, "Ġülkemiz": 139211, "à¸Ĭะ": 139212, "ãĤ¯ãĥªãĥ¼ãĥł": 139213, "èģŀãģĦãģŁ": 139214, "Ġważ": 139215, "Ġważne": 139216, "ê±°ëĵł": 139217, "ê±°ëĵłìļĶ": 139218, "×ŀ×IJ×ijק": 139219, "×Ĺ×ĵש×ķת": 139220, "ĠWroc": 139221, "ĠWrocÅĤaw": 139222, "ĠKültür": 139223, "sist": 139224, "sistência": 139225, "×¢×ĸר×Ķ": 139226, "ĠgÆ°Æ¡ng": 139227, "รà¹īาà¸Ļà¸Ħà¹īา": 139228, "ĠÙĪØ£ÙĪضØŃ": 139229, "ándose": 139230, "ãĤ·ãĥ¼ãĥ³": 139231, "×IJ׳ר×Ĵ": 139232, "×IJ׳ר×Ĵ×Ļ×Ķ": 139233, "ãģªãģĦãģ§ãģĻ": 139234, "Ġkhủng": 139235, "Ġ문ìĦľ": 139236, "Ġ×ij×ĵ×ijר": 139237, "×ĵ×Ļ×ķ": 139238, "×ĵ×Ļ×ķ×ķ×Ĺ": 139239, "Ġrégl": 139240, "ÙħÙĪاد": 139241, "обоÑĢ": 139242, "обоÑĢоÑĤ": 139243, "Ġ×Ķ×ij׾": 139244, "Ġ×Ķ×ij׾×ķ×Ĵ": 139245, "ØŃاÙħ": 139246, "ĠاÙĦعاص": 139247, "ĠاÙĦعاصÙħØ©": 139248, "пеÑĢаÑĤоÑĢ": 139249, "تخÙĦ": 139250, "تخÙĦص": 139251, "ãģŁãģłãģĹ": 139252, "تسÙħ": 139253, "à¹Ĥรà¸ĩà¸ŀ": 139254, "à¹Ĥรà¸ĩà¸ŀยา": 139255, "à¹Ĥรà¸ĩà¸ŀยาà¸ļาล": 139256, "ĠYük": 139257, "ĠYüksek": 139258, "Ġש׳×Ļת": 139259, "Ġש׳×Ļ×ª×Ł": 139260, "liÄŁe": 139261, "Ġפת": 139262, "Ġפת×ķ×Ĺ": 139263, "ĠbeÄŁ": 139264, "ĠbeÄŁen": 139265, "Ġ×ŀ×ķר": 139266, "Ġ×ŀ×ķר׼×ij": 139267, "ĠرساÙĦØ©": 139268, "íĨµìĭł": 139269, "Ġavalia": 139270, "Ġavaliações": 139271, "Ġmanh": 139272, "Ġmanhã": 139273, "Ġìķŀ": 139274, "Ġìķŀìľ¼ë¡ľ": 139275, "ÙĤتر": 139276, "ÙĤترØŃ": 139277, "à¹Ģà¸ģืà¸Ń": 139278, "à¹Ģà¸ģืà¸Ńà¸ļ": 139279, "Ġproposé": 139280, "Ø£Ùħا": 139281, "Ø£ÙħاÙĥÙĨ": 139282, "ĠÐŀÐŀ": 139283, "ĠÐŀÐŀÐŀ": 139284, "ÙħÙĤار": 139285, "ÙħÙĤارÙĨØ©": 139286, "ëĦIJ": 139287, "ãģĦãģŁãģłãģı": 139288, "ÙĤÙĬÙĦ": 139289, "ĠнаÑĪиÑħ": 139290, "ãĤ«ãĥĥãĥĹ": 139291, "×Ĺ×ľ×ª": 139292, "Ġëĭ¤ë§Į": 139293, "à¸Ĺัà¹Īวà¹Ĥลà¸ģ": 139294, "ãĥįãĤ¿": 139295, "ØŃساس": 139296, "ãģ«ãģªãĤĮ": 139297, "جائ": 139298, "جائزة": 139299, "échange": 139300, "économ": 139301, "économie": 139302, "ТÐĺ": 139303, "×¡×ª×Ľ×ľ": 139304, "à¸Ĺัà¹īà¸ĩสà¸Ńà¸ĩ": 139305, "ĠاÙĦخاÙħ": 139306, "ĠاÙĦخاÙħس": 139307, "ק×ĺ×¢": 139308, "auważ": 139309, "à¸ľà¸¹à¹īà¸Ĭาย": 139310, "à¹ģà¸Ľà¸¥à¸ģ": 139311, "åIJĮæĻĤãģ«": 139312, "знаниÑı": 139313, "ãģĦãģŁãģłãģįãģ¾ãģĹãģŁ": 139314, "Ġ×ŀ×ij׾×Ļ": 139315, "à¸Ĥà¸Ńà¹ĥหà¹ī": 139316, "ĠاÙĦتربÙĬØ©": 139317, "Ġdécouvert": 139318, "Ġżyciu": 139319, "après": 139320, "Ġyab": 139321, "Ġyabanc": 139322, "Ġyabancı": 139323, "ĠbaÅŁlayan": 139324, "ìĹĪëįĺ": 139325, "Ġhesabı": 139326, "Ġë§Įìķ½": 139327, "ë§Īëĭ¤": 139328, "ĠThánh": 139329, "ãĥ´ãĤ¡": 139330, "à¸Ľà¸£à¸±à¸ļà¸Ľà¸£": 139331, "à¸Ľà¸£à¸±à¸ļà¸Ľà¸£à¸¸à¸ĩ": 139332, "ĠMặc": 139333, "à¹Ģหà¸ķà¸¸à¸ľà¸¥": 139334, "ĠÐijез": 139335, "ĠcapacitÃł": 139336, "ÅĤeÅĽ": 139337, "ĠпÑĢеим": 139338, "ĠпÑĢеимÑĥÑīеÑģÑĤв": 139339, "ĠÅļwiÄĻt": 139340, "Ġpublié": 139341, "×ŀעצ×ij": 139342, "ÙħشارÙĥات": 139343, "à¸łà¸²à¸©": 139344, "à¸łà¸²à¸©à¸µ": 139345, "Ġdeuxième": 139346, "ĠÙħØŃاÙģظ": 139347, "ĠÙħØŃاÙģظة": 139348, "ĠSchön": 139349, "､": 139350, "Ġ×Ķ×ij×¢": 139351, "Ġ×Ķ×ij×¢×Ļ×Ķ": 139352, "ĠÙĪاÙĦÙĦÙĩ": 139353, "è¨Ģãģ£ãģŁ": 139354, "à¸ķà¹īาà¸Ļ": 139355, "วรรà¸ĵ": 139356, "à¸Ĺิศ": 139357, "ĠbaÅŁÄ±na": 139358, "ĠmogÄĻ": 139359, "ש×Ļפ×ķר": 139360, "ĠÙĪعد": 139361, "ĠÙĪعدÙħ": 139362, "Ġhistórico": 139363, "Ġkısı": 139364, "ĠìĿ´ê²Į": 139365, "ĠPolÃŃtica": 139366, "ĠÑģиÑĤÑĥаÑĨии": 139367, "ĠkoÅĦca": 139368, "×ij×ĵ×Ļק×Ķ": 139369, "ĠاÙĦسÙĬارات": 139370, "ãģªãĤīãģ°": 139371, "ãĤµãĥ©": 139372, "ãĤĭãģĵãģ¨ãģĮãģ§ãģįãĤĭ": 139373, "Ġdecisão": 139374, "×ķ×ķ×ĵ": 139375, "läss": 139376, "lässig": 139377, "Ġ׾×Ļשר×IJ׾": 139378, "ĠÙĬأتÙĬ": 139379, "ר×ķ×ĸ": 139380, "Ã¶ÄŁ": 139381, "Ã¶ÄŁret": 139382, "Ã¶ÄŁretim": 139383, "Ġдек": 139384, "Ġдекаб": 139385, "ĠдекабÑĢÑı": 139386, "Ġש×Ĺ×ķר": 139387, "ãģ¦ãģıãĤĮãģŁ": 139388, "عبارة": 139389, "Ġélectrique": 139390, "ĠاÙĦتÙĨÙħÙĬØ©": 139391, "جرÙī": 139392, "ĠìĪĺíĸī": 139393, "à¸Ĺู": 139394, "ĠÑĢеалÑĮно": 139395, "ÑģпоÑģоб": 139396, "à¸Ħลà¹īาย": 139397, "ĠسعÙĪد": 139398, "önü": 139399, "ĠÙģÙħÙĨ": 139400, "تÙĥÙĪ": 139401, "تÙĥÙĪÙĬÙĨ": 139402, "ĠкаÑĩеÑģÑĤво": 139403, "ĠконÑĤак": 139404, "ĠконÑĤакÑĤ": 139405, "ĠsözleÅŁme": 139406, "à¸Ńà¹īาà¸ĩ": 139407, "ĠتÙĪÙģ": 139408, "ĠتÙĪÙģÙĬر": 139409, "×Ķ×ĸ×ĵ": 139410, "×Ķ×ĸ×ĵ×ŀ׳×ķת": 139411, "ĠØ·ÙĪÙĬÙĦØ©": 139412, "Ġtérmino": 139413, "Ġ×IJ×Ļפ×Ķ": 139414, "ãĥĵãĥ«": 139415, "สà¹Ĥม": 139416, "สà¹Ĥมสร": 139417, "ĠاÙĦاث": 139418, "ĠاÙĦاثÙĨÙĬÙĨ": 139419, "евиÑĩ": 139420, "Ġopinión": 139421, "à¸Ľà¸§à¸Ķ": 139422, "åı¤ãģĦ": 139423, "รà¹Īา": 139424, "ĠBiaÅĤ": 139425, "ĠÑģÑĤал": 139426, "ĠÑģÑĤало": 139427, "ólogo": 139428, "ĠìķĦëĭĪëĭ¤": 139429, "Ġ×IJ×Ļת": 139430, "Ġ×IJ×Ļת×ķ": 139431, "à¹Ģหà¹ĩà¸Ļวà¹Īา": 139432, "à¸ļารà¹Į": 139433, "çĦ¼": 139434, "çĦ¼ãģį": 139435, "ĠìĿ´ìļ©ìŀIJ": 139436, "ĠнекоÑĤоÑĢÑĭе": 139437, "ksz": 139438, "ksztaÅĤ": 139439, "ksztaÅĤc": 139440, "ãĤŃãĥ£ãĥĥãĤ·": 139441, "ãĤŃãĥ£ãĥĥãĤ·ãĥ³ãĤ°": 139442, "ĠroÅĽ": 139443, "ĠroÅĽlin": 139444, "ÑĢажа": 139445, "×ij׳×Ļ×Ļ×Ķ": 139446, "à¸Ľà¸£à¸ªà¸´": 139447, "à¸Ľà¸£à¸ªà¸´à¸ķ": 139448, "Ġgördü": 139449, "×ŀ׳×Ķ×Ļ×Ĵ": 139450, "å¤īãĤıãģ£ãģ¦": 139451, "Ġ×IJ×Ķ": 139452, "Ġ×IJ×Ķ×ijת×Ļ": 139453, "à¹Ģรà¹Īà¸ĩ": 139454, "Ġönünde": 139455, "Ġê·¸ëĥ¥": 139456, "полиÑĤ": 139457, "полиÑĤиÑĩеÑģк": 139458, "ãĥ¡ãĥĩãĤ£": 139459, "ãĥ¡ãĥĩãĤ£ãĤ¢": 139460, "ĠDetay": 139461, "ĠDetaylı": 139462, "ĠاÙĦصÙģØŃØ©": 139463, "à¸ģารà¹Ģà¸ĩิà¸Ļ": 139464, "Ġìµľê·¼": 139465, "׼ש׾": 139466, "Ｉ": 139467, "вÑĪего": 139468, "íķĺìĭ¤": 139469, "ĠÐŃÑĤ": 139470, "ĠÐŃÑĤоÑĤ": 139471, "สื": 139472, "สืà¸ļ": 139473, "Ġngừng": 139474, "ĠдокÑĥменÑĤов": 139475, "даваÑĤÑĮ": 139476, "ĠاÙĦشخصÙĬØ©": 139477, "Ġצע×Ļר": 139478, "درÙĥ": 139479, "سØŃب": 139480, "à¹Ħมà¹Īà¸Ħà¹Īà¸Ńย": 139481, "Ġ×Ķ×ŀק×ķ×ŀ×Ļ": 139482, "สัà¹Īà¸ĩà¸ĭืà¹īà¸Ń": 139483, "Ġê·¸ê²ĥìĿĦ": 139484, "ãģĤãĤĭãģĦ": 139485, "ãģĤãĤĭãģĦãģ¯": 139486, "×IJ×ķ×ĺ×ķ×ij": 139487, "×IJ×ķ×ĺ×ķ×ij×ķס": 139488, "кÑĨион": 139489, "ĠÐľÐ¾Ð¶Ð½Ð¾": 139490, "ãģıãģł": 139491, "ãģıãģłãģķ": 139492, "ĠинÑĦоÑĢмаÑĨиÑı": 139493, "ï»Ł": 139494, "ĠìŀijìĹħ": 139495, "Ġ×Ļ×ķסף": 139496, "إدارة": 139497, "ĠاÙĦØŃاج": 139498, "×ł×¡×Ļ×¢×Ķ": 139499, "изаÑĨиÑı": 139500, "×IJ׾×ij": 139501, "×IJ׾×ij×ķ×Ŀ": 139502, "пед": 139503, "Ġק×ĺ׳×Ķ": 139504, "ĠÙĨÙģسÙĩا": 139505, "ĠMinistério": 139506, "Ġпен": 139507, "ĠпенÑģи": 139508, "ãĥIJãĥ©ãĥ³ãĤ¹": 139509, "Ġ×Ķת×ķר×Ķ": 139510, "Ġtạm": 139511, "ĠìĹŃìĭľ": 139512, "｡": 139513, "Ġthá»±": 139514, "Ġısı": 139515, "컨": 139516, "ãģĹãģ£ãģĭãĤĬãģ¨": 139517, "ĠxÆ°a": 139518, "Ġcặp": 139519, "×Ĺ×Ļ×ij×ķר": 139520, "วัà¸Ĵà¸Ļà¸ĺรรม": 139521, "stär": 139522, "stärke": 139523, "ĠÑģамÑĭй": 139524, "pisa": 139525, "pisaÄĩ": 139526, "ĠoluÅŁan": 139527, "ĠاÙĦØ¥ÙħاÙħ": 139528, "ĠcÄĥng": 139529, "Ġgünl": 139530, "Ġgünlük": 139531, "Ġ׳ש×IJר": 139532, "Ġkhiá»ĥn": 139533, "ç¶ļãģijãĤĭ": 139534, "stitución": 139535, "Ġcapacité": 139536, "Ġjaki": 139537, "ĠjakiÅĽ": 139538, "вÑĪиÑģ": 139539, "вÑĪиÑģÑĮ": 139540, "פע×ķ׾×ķת": 139541, "ĠØŃÙĬات": 139542, "ĠØŃÙĬاتÙĩ": 139543, "Ġникогда": 139544, "ÐĽÐ¬": 139545, "Ġ×Ķ×¢×ķ×ij": 139546, "Ġ×Ķ×¢×ķ×ij×ĵ×Ķ": 139547, "ĠchÃło": 139548, "หลายà¹Ĩ": 139549, "ĠÑıн": 139550, "ĠÑıнваÑĢ": 139551, "ĠÑıнваÑĢÑı": 139552, "à¸Īำà¹Ģà¸Ľà¹ĩà¸Ļà¸ķà¹īà¸Ńà¸ĩ": 139553, "Ġhöher": 139554, "ãģķãĤĮãģ¦ãģĦãģŁ": 139555, "สà¸ĩสั": 139556, "สà¸ĩสัย": 139557, "ĠاÙĦاس": 139558, "ĠاÙĦاسÙĦاÙħ": 139559, "ĠاÙĦØ´Ùħس": 139560, "สà¸ĸาà¸Ļี": 139561, "ãĤ¯ãĥ©ãĤ¹": 139562, "à¸ŀรร": 139563, "à¸ŀรรà¸Ħ": 139564, "põ": 139565, "põe": 139566, "Ġporém": 139567, "à¸Ľà¸£à¸°à¸ªà¸ĩ": 139568, "à¸Ľà¸£à¸°à¸ªà¸ĩà¸Ħà¹Į": 139569, "powiedzie": 139570, "powiedzieÄĩ": 139571, "ĠмогÑĥ": 139572, "Ġжел": 139573, "Ġжелез": 139574, "ĠاÙĦØ«ÙĤ": 139575, "ĠاÙĦØ«ÙĤاÙģÙĬ": 139576, "ĠпÑĢавило": 139577, "Ġgdyż": 139578, "פש×ķ×ĺ": 139579, "ÑĢабоÑĤка": 139580, "ĠÙĥرة": 139581, "شدد": 139582, "ÙħارÙĥ": 139583, "ÙħÙĥØ©": 139584, "ĠподпиÑģ": 139585, "×ĺ×ķ×ķ×Ĺ": 139586, "ĠÅĽc": 139587, "ĠÅĽcian": 139588, "ĠرجاÙĦ": 139589, "Ġ×ª×ľ×ķ×Ļ": 139590, "иÑĪ": 139591, "иÑĪÑĮ": 139592, "Ġmédec": 139593, "Ġmédecin": 139594, "ëįĶëĿ¼ëıĦ": 139595, "ĠÑĤебÑı": 139596, "Ġ׾×Ķ×ķס×Ļ×£": 139597, "ãģĬ話": 139598, "Ġà¹ģà¸ķà¹Īà¸ģà¹ĩ": 139599, "داÙģ": 139600, "داÙģع": 139601, "ĠCùng": 139602, "ãĥ»ãĥ»ãĥ»ãĥ»": 139603, "ê¶ģ": 139604, "ĠdeberÃŃa": 139605, "หà¸Ļà¹Īวยà¸ĩาà¸Ļ": 139606, "ĠvaÌĢ": 139607, "Ġעצ×ŀ": 139608, "Ġעצ×ŀ×Ŀ": 139609, "à¹Ģà¸Ĭืà¹Īà¸Ńวà¹Īา": 139610, "שקע": 139611, "Ġ×Ķ׼×ķ׾": 139612, "Ġ×Ķ׼×ķ׾׾": 139613, "нибÑĥд": 139614, "нибÑĥдÑĮ": 139615, "ĠëĦĪíĿ¬": 139616, "ĠобÑĢаÑī": 139617, "ĠобÑĢаÑīа": 139618, "Ġ×¢×ij×ķ×ĵת": 139619, "ĠاÙĦÙħÙĨتخب": 139620, "ıyord": 139621, "ıyordu": 139622, "ÙĪØ°": 139623, "×Ĺש×Ļ×ij×ķת": 139624, "Ġ×Ķ×¢×Ļק": 139625, "Ġ×Ķ×¢×Ļקר×Ļ": 139626, "ì¢Į": 139627, "ยุà¹Ĥร": 139628, "ยุà¹Ĥà¸£à¸Ľ": 139629, "ĠапÑĢ": 139630, "ĠапÑĢелÑı": 139631, "szed": 139632, "szedÅĤ": 139633, "дон": 139634, "à¹Ģà¸ķิà¸ļ": 139635, "à¹Ģà¸ķิà¸ļà¹Ĥà¸ķ": 139636, "коло": 139637, "Ġkażdej": 139638, "帰": 139639, "帰ãĤĬ": 139640, "Ġмилли": 139641, "Ġмиллион": 139642, "ç¾İåij³ãģĹãģĦ": 139643, "تÙĤار": 139644, "تÙĤارÙĬر": 139645, "ĠìĿ´ë£¨": 139646, "ĠìĿ´ë£¨ìĸ´": 139647, "Ġsprzedaż": 139648, "×Ķ×ķצ×IJ×ķת": 139649, "ãĤ¢ãĤ¯ãĤ»": 139650, "ãĤ¢ãĤ¯ãĤ»ãĤ¹": 139651, "ר×ķ×¥": 139652, "ĠгоÑģÑĥдаÑĢÑģÑĤвенн": 139653, "Ø£ØŃÙĥ": 139654, "Ø£ØŃÙĥاÙħ": 139655, "ĠoluÅŁu": 139656, "ĠAç": 139657, "ĠAçık": 139658, "ãĤ¸ãĥ¼": 139659, "ç´łæĻ´": 139660, "ç´łæĻ´ãĤīãģĹãģĦ": 139661, "Ġ×ijש×ij×ķ×¢": 139662, "بذ": 139663, "بذÙĦ": 139664, "สาà¹Ģหà¸ķุ": 139665, "Ġpozosta": 139666, "ĠpozostaÅĤ": 139667, "ØŃرÙħ": 139668, "Ġimportância": 139669, "leÅŁtirme": 139670, "ĠдÑĢев": 139671, "Ġmóvil": 139672, "ĠAynı": 139673, "Ġналог": 139674, "Ġналогов": 139675, "Ġ×Ĺ×Ļפ×Ķ": 139676, "ĠÑĦоÑĢмÑĥ": 139677, "à¸Ĺà¸Ķสà¸Ńà¸ļ": 139678, "ĠksiÄħżki": 139679, "ĠmaÅĤe": 139680, "ÙħسأÙĦ": 139681, "ÙħسأÙĦØ©": 139682, "＾＾": 139683, "çãeste": 139684, "éviter": 139685, "ĠконÑģÑĤÑĢÑĥк": 139686, "ĠконÑģÑĤÑĢÑĥкÑĨи": 139687, "ï¾ŀ": 139688, "Ġת×ķ׼׳": 139689, "ãĤ¹ãĥĪãĥ¬ãĤ¹": 139690, "ĠاÙĦاÙĤتصادÙĬ": 139691, "×ŀ×ĵ×Ļ": 139692, "ĠwÅĤad": 139693, "ĠwÅĤadz": 139694, "Ø®ÙĪÙģ": 139695, "ĠмаÑĤеÑĢиалов": 139696, "ãģ¨ãģ£ãģ¦ãĤĤ": 139697, "Ġznajdu": 139698, "ĠznajdujÄħ": 139699, "Ùģئة": 139700, "ãģ©ãģ®ãĤĪãģĨãģª": 139701, "æĬijãģĪ": 139702, "׳×Ĺ׾": 139703, "Ġdüny": 139704, "Ġdünyan": 139705, "Ġdünyanın": 139706, "гÑĢани": 139707, "гÑĢаниÑĩ": 139708, "Ġ×Ķש׾×Ļש×Ļ": 139709, "Ġ×Ķ×IJש": 139710, "åıĬãģ³": 139711, "ìĭŃìĭľ": 139712, "ìĭŃìĭľìĺ¤": 139713, "Ġдолл": 139714, "ĠдоллаÑĢ": 139715, "ĠповÑĤоÑĢ": 139716, "Ġ×Ĺ×Ļ׳×Ŀ": 139717, "תפת×Ĺ": 139718, "Ñĥвели": 139719, "ÑĥвелиÑĩен": 139720, "ãĤ«ãĥª": 139721, "rawid": 139722, "rawidÅĤow": 139723, "×ķ×ķ׾": 139724, "ãĥŁãĥ¥": 139725, "ì½ĺ": 139726, "ĠByÅĤ": 139727, "ÐľÐIJ": 139728, "عÙIJ": 139729, "ĠÑģовеÑĢÑĪ": 139730, "ĠÑģовеÑĢÑĪенно": 139731, "Ġмой": 139732, "Ġ×ķ׾×IJ×Ĺר": 139733, "æħ£": 139734, "æħ£ãĤĮ": 139735, "ØŃاÙģظ": 139736, "Ġ무ë£Į": 139737, "à¸Ħà¸ĵะà¸ģรรม": 139738, "à¸Ħà¸ĵะà¸ģรรมà¸ģาร": 139739, "Ġìĸ´ëĶĶ": 139740, "Ġdiferen": 139741, "Ġdiferença": 139742, "ĠاÙĦأساس": 139743, "ĠاÙĦأساسÙĬØ©": 139744, "Ġ׾×IJ×Ĺר×ķ׳×Ķ": 139745, "ê·ł": 139746, "Ġ×Ķש׳×Ļ×Ļ×Ķ": 139747, "ìľĦìĽIJìŀ¥": 139748, "ลุà¸ģ": 139749, "çiler": 139750, "Ġ×Ķ×IJ׾×ķ": 139751, "èģŀãģı": 139752, "Ġ×ķ×IJפ×Ļ׾×ķ": 139753, "ĠÑĢеализ": 139754, "ĠÑĢеализаÑĨи": 139755, "ระยะà¹Ģวลา": 139756, "ĠجداÙĭ": 139757, "تباع": 139758, "ĠvehÃŃculo": 139759, "Ġдолг": 139760, "à¸Ľà¸£à¸´à¸¡à¸²à¸ĵ": 139761, "ì¦IJ": 139762, "Ġ׾×ŀק×ķ×Ŀ": 139763, "ĠìĤ¬ì§Ħ": 139764, "à¸Ĭà¹īา": 139765, "Ġ×ŀ×¢×ķ׾×Ķ": 139766, "Ġgörm": 139767, "Ġgörmek": 139768, "ĠÙĪÙĩØ°Ùĩ": 139769, "пеÑĢв": 139770, "пеÑĢвÑĭÑħ": 139771, "ê·¸ëŀĺ": 139772, "ĠاÙĦبرÙĬØ·": 139773, "ĠاÙĦبرÙĬطاÙĨÙĬ": 139774, "ĠиÑİнÑı": 139775, "ĠÐĵоÑĢ": 139776, "Ġ׾ש׾×Ŀ": 139777, "ÐIJÐĿ": 139778, "ĠназнаÑĩен": 139779, "ооÑĢ": 139780, "ооÑĢÑĥж": 139781, "Ġözelli": 139782, "ĠözelliÄŁi": 139783, "Ġниже": 139784, "ç¶ļãģijãģ¦": 139785, "ĠаÑĢенд": 139786, "Ġkatılı": 139787, "Ġkatılım": 139788, "ĠإطÙĦاÙĤ": 139789, "ĠÙĪإذا": 139790, "ĠокÑĤÑı": 139791, "ĠокÑĤÑıбÑĢÑı": 139792, "à¹Ĥà¸ķà¹": 139793, "à¹Ĥà¸ķà¹Ĭ": 139794, "à¹Ĥà¸ķà¹Ĭะ": 139795, "Ġoldukları": 139796, "ÙħÙĪÙĤع": 139797, "ëĤ©": 139798, "ãģ¨æĢĿãģ£ãģ¦ãģĦãĤĭ": 139799, "Ġש×Ļ׼×ķ׾": 139800, "วาà¸Ķ": 139801, "سÙĬÙĦ": 139802, "à¸Ĥวั": 139803, "à¸Ĥวัà¸į": 139804, "تØŃÙĥÙħ": 139805, "ìĤŃ": 139806, "Ġconnaît": 139807, "×ł×¤×ª×Ĺ": 139808, "Ġchặ": 139809, "Ġchặn": 139810, "ĠÙħØŃÙħ": 139811, "ĠÙħØŃÙħÙĪد": 139812, "ãģ´": 139813, "ĠпÑĢодÑĥкÑĨии": 139814, "здÑĢав": 139815, "ãģĶè¦": 139816, "ãģĶ覧": 139817, "×IJ×ij×IJ": 139818, "Ġvéritable": 139819, "ĠØ·ÙģÙĦ": 139820, "ãĥĪãĥ©ãĥĸãĥ«": 139821, "곡": 139822, "Ġת×ŀ×ķ׳×Ķ": 139823, "Ġkiên": 139824, "ĠÙĤادر": 139825, "Ø¥ÙĤÙĦÙĬÙħ": 139826, "ĠпÑĢедпÑĢи": 139827, "ĠпÑĢедпÑĢиÑıÑĤиÑı": 139828, "ĠbÄĥng": 139829, "Ġayında": 139830, "Ġgấp": 139831, "еÑħал": 139832, "ĠgiÃłnh": 139833, "Ġдав": 139834, "Ġдавно": 139835, "ìĺĢëĭ¤": 139836, "à¸Ļัà¸ģà¹Ģà¸ķ": 139837, "à¸Ļัà¸ģà¹Ģà¸ķะ": 139838, "Ùħستشار": 139839, "ستراتÙĬج": 139840, "ستراتÙĬجÙĬ": 139841, "رÙħز": 139842, "ĠtÄ©nh": 139843, "ë¡Ń": 139844, "ĠÑĩеÑĤ": 139845, "ĠÑĩеÑĤÑĭ": 139846, "ĠÑĩеÑĤÑĭÑĢе": 139847, "ĠEntão": 139848, "Ġصغ": 139849, "ĠصغÙĬرة": 139850, "×ij×Ļ×ĺ×ķ׾": 139851, "خطÙĪØ·": 139852, "ĠÑĢазвиÑĤие": 139853, "Ġamacıyla": 139854, "à¸Ĺีวี": 139855, "ĠоÑģÑĤ": 139856, "ĠоÑģÑĤалÑĮн": 139857, "ש×ķ׾×Ĺף": 139858, "Ġ׼׳×Ļס": 139859, "Ġ׼׳×Ļס×Ķ": 139860, "ĠdáºŃy": 139861, "ĠyaÅŁayan": 139862, "Ġ×ŀ×Ķ×ķ×ķ×Ķ": 139863, "ĠÑĥÑģи": 139864, "ĠÑĥÑģили": 139865, "×ŀפ×Ļ": 139866, "ĠпÑĢоведениÑı": 139867, "Ġرب": 139868, "ĠربÙħا": 139869, "ĠاÙĦØ£ÙĪسط": 139870, "Ġìľłì§Ģ": 139871, "Ġpracownik": 139872, "Ġpracowników": 139873, "×ŀס×ķרת": 139874, "ÙĤارب": 139875, "à¸Ħวามรูà¹īสึà¸ģ": 139876, "à¹ģหละ": 139877, "ĠاÙĦÙĨÙĤد": 139878, "Ġ×IJ׾פ×Ļ": 139879, "Ùħسئ": 139880, "ÙħسئÙĪÙĦ": 139881, "евÑĭÑħ": 139882, "клÑİÑĩениÑı": 139883, "×ij×Ļ׳": 139884, "×ij×Ļ׳×Ļ×Ķ×Ŀ": 139885, "ש×ķ×IJ×Ķ": 139886, "ĠÅŁark": 139887, "ĠÅŁarkı": 139888, "Ġsürec": 139889, "Ġsürecin": 139890, "à¹Ģà¸Ħรà¸Ķ": 139891, "à¹Ģà¸Ħรà¸Ķิà¸ķ": 139892, "ãĥIJãĥ¬": 139893, "ĠشأÙĨ": 139894, "à¹Ģà¸Ńาà¹Ħวà¹ī": 139895, "niÄĻcie": 139896, "רצ×Ĺ": 139897, "ĠaÅŁama": 139898, "׳פ×Ĵ×¢": 139899, "Ġthá»Ŀ": 139900, "Ġkhuẩn": 139901, "diÄŁinde": 139902, "ÑıÑīиÑħ": 139903, "ãĥĺãĥ«": 139904, "Ġüberh": 139905, "Ġüberhaupt": 139906, "ĠÑĤÑĢебова": 139907, "ĠdÅĤugi": 139908, "×ĺ×Ļף": 139909, "à¸Ĥà¸Ļาà¸Ķà¹ĥหà¸įà¹Ī": 139910, "ĠاÙĦØ£Ùĩ": 139911, "ĠاÙĦØ£ÙĩÙĦÙĬ": 139912, "ĠMüd": 139913, "ĠMüdürü": 139914, "Ġ×Ļ×Ķ×ķ×ĵ×Ķ": 139915, "ÑĭваеÑĤÑģÑı": 139916, "ساط": 139917, "×Ķ×ª×ł×Ķ×Ĵ": 139918, "×Ķ×ª×ł×Ķ×Ĵ×ķת": 139919, "à¸ģà¸²à¸£à¸ľà¸¥à¸´à¸ķ": 139920, "íĴĢ": 139921, "สà¸ĸาà¸Ļà¸ģารà¸ĵà¹Į": 139922, "ĠоÑĦ": 139923, "ĠоÑĦиÑģ": 139924, "ĠÙĦعبة": 139925, "ĠstronÄĻ": 139926, "Ġר×IJ×ķ×Ļ": 139927, "×Ĺ×ij׾": 139928, "ĠÑĢÑĭн": 139929, "ĠÑĢÑĭнке": 139930, "Ġ׾×ŀ×¢×Ł": 139931, "اسÙĦ": 139932, "หัà¸Ļ": 139933, "Ġ×IJ×Ĺ×Ļ": 139934, "ĠпÑĢодол": 139935, "ê°Ģìŀħ": 139936, "Ġ×ijר×Ĺ": 139937, "Ġ×ijר×Ĺ×ij×Ļ": 139938, "джеÑĢ": 139939, "Ġ׾×Ĺ׾": 139940, "Ġ׾×Ĺ׾×ķ×ĺ": 139941, "Ġ׾×Ĺ׾×ķ×ĺ×Ļף": 139942, "ศาสà¸Ļา": 139943, "ãĤ¢ãĤ¤ãĥĨ": 139944, "ãĤ¢ãĤ¤ãĥĨãĥł": 139945, "Ġפר×ķפ": 139946, "جزاء": 139947, "ลà¸Ńย": 139948, "ĠciaÅĤa": 139949, "Ġgiết": 139950, "ĠзнаÑĩиÑĤелÑĮно": 139951, "Ġolmadıģ": 139952, "Ġolmadıģını": 139953, "нд": 139954, "ндекÑģ": 139955, "تأÙĥد": 139956, "Ġìĸ¸": 139957, "Ġìĸ¸ìłľ": 139958, "aydın": 139959, "ãĥīãĥ¬ãĤ¹": 139960, "Ġsắt": 139961, "Ġíĺ¸íħĶ": 139962, "Ġë¶ģ": 139963, "Ġë¶ģíķľ": 139964, "ãĥijãĤ¤": 139965, "Ġ×ŀש×Ĺק×Ļ": 139966, "à¸Ħà¸Ļà¸Ńืà¹Īà¸Ļ": 139967, "ĠизгоÑĤов": 139968, "ĠизгоÑĤовлен": 139969, "à¹Ģà¸ģียร": 139970, "à¹Ģà¸ģียรà¸ķิ": 139971, "תקשר": 139972, "ĠÑĢаÑģÑĩеÑĤ": 139973, "สà¹Ģà¸ķ": 139974, "Ġlänger": 139975, "ĠiÅŁlet": 139976, "ĠiÅŁletme": 139977, "ĠعÙĦÙĬÙĨ": 139978, "ĠعÙĦÙĬÙĨا": 139979, "élection": 139980, "ĠاÙĦغربÙĬØ©": 139981, "íĭĢ": 139982, "ãĤĤãĤīãģĪ": 139983, "Ġкниги": 139984, "أسÙħ": 139985, "أسÙħاء": 139986, "Ġthá»ı": 139987, "Ġthá»ıa": 139988, "หà¸Ļู": 139989, "Ġ×ł×¢×©×Ķ": 139990, "à¸łà¸²à¸¢à¹ĥà¸ķà¹ī": 139991, "à¸ŀืà¸Ĭ": 139992, "رÙĬØ·": 139993, "ÙģÙĪض": 139994, "ãģĤãĤĬãģĮãģ¨ãģĨãģĶãģĸãģĦãģ¾ãģĹãģŁ": 139995, "ש×ĵ×Ķ": 139996, "Ġngá»±c": 139997, "ĠÑģеÑĢÑĮ": 139998, "ĠÑģеÑĢÑĮезн": 139999, "Tôi": 140000, "Ġfiyatları": 140001, "ĠвÑģÑİ": 140002, "ĠCódigo": 140003, "Ġ×Ķש×IJ": 140004, "Ġ×Ķש×IJ׾×Ķ": 140005, "ĠPública": 140006, "إخ": 140007, "إخÙĪاÙĨ": 140008, "ĠзаÑıвил": 140009, "ãĥ¦ãĥ¼": 140010, "ר×IJ×Ļת": 140011, "volución": 140012, "Ġszko": 140013, "ĠszkoÅĤy": 140014, "جرÙĬدة": 140015, "Ġpensé": 140016, "ìī¬": 140017, "ĠBüyükÅŁehir": 140018, "ĠØ£ÙħرÙĬ": 140019, "ĠØ£ÙħرÙĬÙĥÙĬ": 140020, "à¸Ļัà¸ģศึà¸ģษา": 140021, "Ġtodav": 140022, "ĠtodavÃŃa": 140023, "ĠСан": 140024, "ĠСанкÑĤ": 140025, "íķĺìŀIJ": 140026, "ØŃÙĪاÙĦ": 140027, "׼×ķשר": 140028, "à¹Ģลยà¸Ħรัà¸ļ": 140029, "Ġalgu": 140030, "Ġalguém": 140031, "Ùģز": 140032, "Ġçekil": 140033, "Ġ×ĵר׼×Ļ×Ŀ": 140034, "ãĥIJãĥ©": 140035, "à¸ģà¹ĩสามารà¸ĸ": 140036, "สà¹Īวà¸Ļลà¸Ķ": 140037, "íı°": 140038, "ĠPúb": 140039, "ĠPúblico": 140040, "à¹ģà¸Ļวà¸Ĺาà¸ĩ": 140041, "×IJת×Ĵר": 140042, "شاش": 140043, "شاشة": 140044, "ciÅĽni": 140045, "ĠÃľrün": 140046, "ÙĦÙĪØŃ": 140047, "ĠاÙĦبÙĨ": 140048, "ĠاÙĦبÙĨÙĥ": 140049, "ì¡°ì¹ĺ": 140050, "Ġorganización": 140051, "ãģĤãĤĬãģĮãģ¨ãģĨãģĶãģĸãģĦãģ¾ãģĻ": 140052, "sätze": 140053, "ĠÑģемей": 140054, "ÙĤصد": 140055, "ÑģÑĤвеннÑĭе": 140056, "Ġprécéd": 140057, "Ġprécédent": 140058, "à¸ģรุà¸ĩà¹Ģà¸Ĺà¸ŀฯ": 140059, "ãģ¨è¨ĢãģĦ": 140060, "×ij׳×Ļ×Ļף": 140061, "ĠØŃÙĪ": 140062, "ĠØŃÙĪاÙĦÙĬ": 140063, "סקס": 140064, "ĠsaÄŁlamak": 140065, "Ġ׾צ×Ļ×Ļף": 140066, "ק×ĵש": 140067, "Ġ×Ķ×ŀ×¢×¨×Ľ×ª": 140068, "Ġ׾×Ķ×¢×ij×Ļר": 140069, "Ġgünd": 140070, "Ġgündem": 140071, "ĠнаÑĪего": 140072, "à¹ĥà¸Ļà¸ŀืà¹īà¸Ļà¸Ĺีà¹Ī": 140073, "à¹Ģà¸Ħรืà¸Ń": 140074, "à¹Ģà¸Ħรืà¸Ńà¸Ĥ": 140075, "à¹Ģà¸Ħรืà¸Ńà¸Ĥà¹Īาย": 140076, "ظاÙĩرة": 140077, "ÙħÙĨظÙħ": 140078, "ÙħÙĨظÙħات": 140079, "Ùħتاز": 140080, "追ãģĦ": 140081, "dıkt": 140082, "dıktan": 140083, "ĠëįĶìļ±": 140084, "ĠÐĿапÑĢимеÑĢ": 140085, "twór": 140086, "×ŀ×ķעצ×Ķ": 140087, "ÙĥÙĪÙĥ": 140088, "Щ": 140089, "×ŀ×ĺפ׾": 140090, "ólica": 140091, "訪ãĤĮ": 140092, "ĠëĮĢë¶Ģ": 140093, "ĠëĮĢë¶Ģë¶Ħ": 140094, "ãĤ¯ãĥªãĥĥãĤ¯": 140095, "ãĤĴéģ¸": 140096, "ãĤĴéģ¸ãģ¶": 140097, "Ġpowsta": 140098, "ĠpowstaÅĤ": 140099, "Ġrazón": 140100, "×ij×ķ×Ĺר": 140101, "ĠÑģообÑīил": 140102, "Ġק×ij×ķ×¢": 140103, "rêt": 140104, "à¸Ķีà¸Ĥึà¹īà¸Ļ": 140105, "×ŀסע×ĵ": 140106, "×ŀסע×ĵ×ķת": 140107, "ĠÃĸsterreich": 140108, "Ġ׳×Ĺש×ij": 140109, "Ùħبادرة": 140110, "ì´ī": 140111, "×Ĵ׳×ĺ×Ļ": 140112, "ä¿¡ãģĺ": 140113, "duÄŁ": 140114, "duÄŁunu": 140115, "Ġphú": 140116, "ĠاÙĦأخÙĬر": 140117, "Ġتعتبر": 140118, "landırıl": 140119, "ãģ¨ãģ¯ãģĦ": 140120, "ãģ¨ãģ¯ãģĦãģĪ": 140121, "ĠاÙĦØ·ÙĦ": 140122, "ĠاÙĦØ·ÙĦاب": 140123, "ĠNº": 140124, "éģ¿ãģij": 140125, "اÙĦÙħع": 140126, "اÙĦÙħعرÙĪÙģ": 140127, "à¸ªà¸łà¸²": 140128, "éĽ¢ãĤĮ": 140129, "ĠпомоÑīÑĮ": 140130, "ĠзнаеÑĤ": 140131, "ãĥĹãĥ¬ãĤ¼": 140132, "ãĥĹãĥ¬ãĤ¼ãĥ³ãĥĪ": 140133, "Ġsupérieur": 140134, "Ġש׾×Ļש×Ļ": 140135, "ĠاÙĦÙĨÙĪع": 140136, "ãĤĵãģ§ãģĻãģŃ": 140137, "à¸Ńà¸ļรม": 140138, "Ġgiá»įng": 140139, "ĠwzglÄĻd": 140140, "ĠاÙĦÙģÙĤر": 140141, "èrent": 140142, "Ġ×ŀ×IJ×Ĺ": 140143, "Ġ×ŀ×IJ×Ĺ×ķר×Ļ": 140144, "×Ĵ×Ĵ": 140145, "×Ļ×Ļ×ij": 140146, "ÙħÙĦاب": 140147, "ÙħÙĦابس": 140148, "Ġhükü": 140149, "Ġhükümet": 140150, "Ġ×ŀ×Ĵ×Ļ×ij": 140151, "ĠÐŀÑĩ": 140152, "ĠÐŀÑĩенÑĮ": 140153, "æĹ©ãģĦ": 140154, "Ġconstrucción": 140155, "Ġthượng": 140156, "ï¼ĭ": 140157, "Ġcoração": 140158, "à¹Ģหลà¹ĩà¸ģ": 140159, "ĠBaÅŁb": 140160, "ĠBaÅŁbakan": 140161, "éĢ£ãĤĮ": 140162, "ãģĻãĤĭãģĵãģ¨ãģĮãģ§ãģįãģ¾ãģĻ": 140163, "ĠÙĤاÙħت": 140164, "ĠاÙĥثر": 140165, "ÙģاعÙĦ": 140166, "ĠÑĦоÑĢ": 140167, "ĠÑĦоÑĢÑĥм": 140168, "غذÙĬ": 140169, "ĠiÅŁle": 140170, "ĠiÅŁleml": 140171, "ĠiÅŁlemleri": 140172, "ĠìĤ¬ëŀĮìĿĢ": 140173, "ĠìŀijìĦ±": 140174, "Ġë§Ī볨": 140175, "ÙħجÙĦس": 140176, "หมู": 140177, "дв": 140178, "двиг": 140179, "двига": 140180, "à¹Ģสียà¸Ĭีวิà¸ķ": 140181, "×Ķתפת×Ĺ": 140182, "×Ķתפת×Ĺ×ķת": 140183, "ĠмеÑĤÑĢо": 140184, "ĠÑģенÑĤ": 140185, "ĠÑģенÑĤÑı": 140186, "ĠÑģенÑĤÑıбÑĢÑı": 140187, "곧": 140188, "Ġ×ľ×¤×¢": 140189, "Ġ×ľ×¤×¢×ŀ×Ļ×Ŀ": 140190, "à¹Ģà¸ļีย": 140191, "詳ãģĹãģı": 140192, "çķ°ãģªãĤĭ": 140193, "ĠÄ°lçe": 140194, "ĠAtat": 140195, "ĠAtatür": 140196, "ĠAtatürk": 140197, "รุà¹Īà¸ĩ": 140198, "Ġkaldı": 140199, "Ġ주ìŀ¥": 140200, "Ġprésence": 140201, "Ġнаб": 140202, "ĠнаблÑİ": 140203, "ĠнаблÑİда": 140204, "ĠÑģамого": 140205, "×Ĵ×ķש": 140206, "×ŀ×ĺ×ķפ": 140207, "×ŀ×ĺ×ķפ׾": 140208, "ĠвÑĭбиÑĢа": 140209, "ĠìŀIJ리": 140210, "åĪĨãģĭãĤīãģªãģĦ": 140211, "ĠзÑĥб": 140212, "Ġש׼×ijר": 140213, "Ġدائ": 140214, "ĠدائÙħا": 140215, "ĠпаÑĢÑĤи": 140216, "ï¼²": 140217, "ĠاÙĬضا": 140218, "ĠÑħоз": 140219, "ĠÑħозÑı": 140220, "ĠÑħозÑıй": 140221, "ĠÑħозÑıйÑģÑĤв": 140222, "ĠاÙĦأج": 140223, "ĠاÙĦأجÙĨب": 140224, "ĠاÙĦأجÙĨبÙĬØ©": 140225, "ĠÐĹна": 140226, "ĠApós": 140227, "ĠÑįнеÑĢ": 140228, "ĠÑįнеÑĢги": 140229, "Ġyans": 140230, "Ġyansı": 140231, "ĠJusti": 140232, "ĠJustiça": 140233, "Ġprévu": 140234, "มวล": 140235, "ìŀ¥ëĭĺ": 140236, "à¸ģระà¸ļ": 140237, "à¸ģระà¸ļวà¸Ļ": 140238, "à¸ģระà¸ļวà¸Ļà¸ģาร": 140239, "×ŀ×ŀ": 140240, "×ŀ×ŀ×ķצע": 140241, "Ġhẹ": 140242, "Ġhẹn": 140243, "здание": 140244, "ĠakÅŁ": 140245, "ĠakÅŁam": 140246, "×ĺ×ķפ": 140247, "Ġgerekt": 140248, "Ġgerekti": 140249, "ĠgerektiÄŁini": 140250, "Ġnarz": 140251, "ĠnarzÄĻdzi": 140252, "épo": 140253, "époque": 140254, "ĠThần": 140255, "Ġwysoko": 140256, "ĠwysokoÅĽci": 140257, "à¸ľà¸¹à¹īà¸Ľ": 140258, "à¸ľà¸¹à¹īà¸Ľà¹Īวย": 140259, "ĠÙĬبدÙĪ": 140260, "ÑĤелÑĮного": 140261, "ĠвзглÑıд": 140262, "ĠjednÄħ": 140263, "ĠìĿĺ견": 140264, "Ġà¸Ĥà¸ĵะà¸Ĺีà¹Ī": 140265, "פ×Ļ×ĵ": 140266, "ìĥģëĭ´": 140267, "Ġmỡ": 140268, "×Ķ×ŀ׾": 140269, "×Ķ×ŀ׾צ×ķת": 140270, "ĠÑģоÑģÑĤо": 140271, "ĠÑģоÑģÑĤоиÑĤ": 140272, "Ġави": 140273, "Ġавиа": 140274, "ĠLänder": 140275, "تصÙĪÙĬر": 140276, "×ŀ×ĵ×Ļ×Ķ": 140277, "ìłĪì°¨": 140278, "ãģ¨ãĤĬ": 140279, "ãģ¨ãĤĬãģĤ": 140280, "ãģ¨ãĤĬãģĤãģĪ": 140281, "ãģ¨ãĤĬãģĤãģĪãģļ": 140282, "ĠÑĢÑıд": 140283, "ĠÑĢÑıдом": 140284, "ĠNhất": 140285, "ĠاÙĦÙĥاÙħÙĦ": 140286, "×Ĺ׾׾": 140287, "ĠGiấy": 140288, "צ×ĺר": 140289, "צ×ĺרף": 140290, "Ġ׾×ij×ĺ׾": 140291, "ĠимеÑĤÑĮ": 140292, "ס×ŀ×ķ×ļ": 140293, "Ġparticipação": 140294, "íķľëĭ¤ë©´": 140295, "ÙħÙĨتدÙĬ": 140296, "ÙħÙĨتدÙĬات": 140297, "ĠeÄŁlen": 140298, "gänge": 140299, "ربØŃ": 140300, "ãĤ®ãĥ£": 140301, "ĠاÙĦرÙĤÙħ": 140302, "à¸ĭà¹īำ": 140303, "ĠHóa": 140304, "×ŀר×Ĺק": 140305, "ØŃÙħاÙħ": 140306, "بÙĪÙĥ": 140307, "ĠArtÃŃculo": 140308, "ãĥĦãĤ¢ãĥ¼": 140309, "×Ķפ׼×Ķ": 140310, "×Ĺ׾×ķף": 140311, "ĠпеÑĢеÑħод": 140312, "lenmiÅŁ": 140313, "زراعة": 140314, "Ġseñor": 140315, "ãģ£ãģ¦ãģįãģ¦": 140316, "إش": 140317, "إشارة": 140318, "ĠpodÃŃa": 140319, "ĠÃľlke": 140320, "нÑģкаÑı": 140321, "Ġadapté": 140322, "Ġdüzenlen": 140323, "Ġdüzenlenen": 140324, "ĠÑģÑĤала": 140325, "ĠÙĬØŃتاج": 140326, "Ġnier": 140327, "Ġnieruch": 140328, "Ġnieruchomo": 140329, "ĠnieruchomoÅĽci": 140330, "ãģĵãģ¨ãģĮãģĤãĤĭ": 140331, "ยà¸Ńà¸Ķà¹Ģยีà¹Īยม": 140332, "ĠÙħج": 140333, "ĠÙħجاÙĨÙĬ": 140334, "Ġзаб": 140335, "Ġзабол": 140336, "Ġзаболев": 140337, "ĠзаболеваниÑı": 140338, "ĠÅĽro": 140339, "ĠÅĽrodk": 140340, "ĠÅĽrodków": 140341, "Ġ×Ķ׾×IJ×ķ×ŀ×Ļ": 140342, "ĠdokÅĤad": 140343, "ĠdokÅĤadnie": 140344, "ãģŁãģıãģªãģĦ": 140345, "ãģ¯ãģļãģ§ãģĻ": 140346, "ãģ¨æĢĿãģ£ãģ¦ãģĦãģŁ": 140347, "écran": 140348, "ìĹħì²´": 140349, "trzymaÅĤ": 140350, "ÑģÑĤвеннÑĭй": 140351, "ĠNotÃŃc": 140352, "ĠNotÃŃcias": 140353, "ÙħرÙĬ": 140354, "ÙħرÙĬض": 140355, "æ°Ĺè»": 140356, "æ°Ĺ軽": 140357, "æ°Ĺ軽ãģ«": 140358, "ëĵ£": 140359, "Ġ×ĵ×ķ×IJר": 140360, "Ġ׾×ŀ׳": 140361, "Ġ׾×ŀ׳×ķ×¢": 140362, "ĠçalÄ±ÅŁÄ±yor": 140363, "ĠÅŁidd": 140364, "ĠÅŁiddet": 140365, "ĠMặt": 140366, "ĠateÅŁ": 140367, "ĠполÑĥÑĩениÑı": 140368, "à¹Ģà¸Ħรืà¹Īà¸Ńà¸ĩมืà¸Ń": 140369, "ĠgrÃ¶ÃŁer": 140370, "دائ": 140371, "دائرة": 140372, "Ġbulun": 140373, "Ġbulunmaktadır": 140374, "à¹Ģหร": 140375, "à¹Ģหรีย": 140376, "à¹Ģหรียà¸į": 140377, "à¸Ļัà¸ģà¸Ĺà¹Īà¸Ńà¸ĩà¹Ģà¸Ĺีà¹Īยว": 140378, "Ġalanında": 140379, "ĠÑĥзна": 140380, "ĠлеÑĩение": 140381, "売ãĤĮ": 140382, "Ġçevir": 140383, "ĠdesteÄŁi": 140384, "ĠheiÃŁt": 140385, "âĸ²": 140386, "ØŃØ·": 140387, "à¸Ħำà¸ķà¸Ńà¸ļ": 140388, "ãĤªãĥ³ãĥ©ãĤ¤ãĥ³": 140389, "Ġ×ij×Ĺ×Ļ×Ļ×Ŀ": 140390, "ãĥ¦ãĥĭ": 140391, "Ġdüzenleme": 140392, "ĠmodalitÃł": 140393, "سرط": 140394, "سرطاÙĨ": 140395, "×ŀ׼×ķף": 140396, "ĠданнÑĭй": 140397, "ترت": 140398, "ترتÙĬب": 140399, "à¸ļาà¸ĩà¸Ħà¸Ļ": 140400, "ĠÄIJá»ĭnh": 140401, "มูล": 140402, "มูลà¸Ħà¹Īา": 140403, "ÙĨÙĤص": 140404, "à¸ģารรัà¸ģษา": 140405, "ĠÑĦон": 140406, "ĠÑĦонд": 140407, "ãĤĪãģĨãģ«ãģªãģ£ãģŁ": 140408, "ÙħعاÙĦ": 140409, "ÙħعاÙĦجة": 140410, "ĠOsman": 140411, "ĠOsmanlı": 140412, "иÑĩеÑģком": 140413, "à¸Ńยาà¸ģà¸Īะ": 140414, "ãģķãģ¾ãģĸ": 140415, "ãģķãģ¾ãģĸãģ¾": 140416, "ãģķãģ¾ãģĸãģ¾ãģª": 140417, "Ġת×ķ׼׾": 140418, "עצ×ij": 140419, "ĠاÙĦعسÙĥ": 140420, "ĠاÙĦعسÙĥرÙĬ": 140421, "Ġvéhic": 140422, "Ġvéhicule": 140423, "Ġ×Ļצ×Ĺק": 140424, "ĠاÙĦÙĪØŃ": 140425, "ĠاÙĦÙĪØŃÙĬد": 140426, "ĠاÙĦعدÙĪ": 140427, "ĠQuản": 140428, "Ġê³µëıĻ": 140429, "بدÙĦ": 140430, "ĠÄijảng": 140431, "Ġmá»ĩnh": 140432, "Ġniezb": 140433, "ĠniezbÄĻ": 140434, "ĠniezbÄĻdn": 140435, "Ġyayınlan": 140436, "обÑīи": 140437, "Ġgötür": 140438, "צפ": 140439, "צפ×ķ×Ļ": 140440, "ĠÙĦÙĬبÙĬ": 140441, "ĠÙĦÙĬبÙĬا": 140442, "ØŃÙĪا": 140443, "Ġдоб": 140444, "ĠдобÑĢо": 140445, "иÑĢÑĥем": 140446, "ĠاÙĦØŃÙĥÙĪÙħÙĬØ©": 140447, "mÃ¤ÃŁig": 140448, "Ġedición": 140449, "влекаÑĤелÑĮ": 140450, "влекаÑĤелÑĮн": 140451, "Ġ×ª×©×ľ×ķ×Ŀ": 140452, "Ġ×Ķש×ķ׳×Ļ×Ŀ": 140453, "มิà¸ĸุ": 140454, "มิà¸ĸุà¸Ļ": 140455, "มิà¸ĸุà¸Ļายà¸Ļ": 140456, "é£Łãģ¹ãģ¦": 140457, "ĠìĪĺì§ij": 140458, "ס×ij×Ļ": 140459, "ĠиÑİлÑı": 140460, "Ġà¹Ħà¸Ķà¹īà¹ģà¸ģà¹Ī": 140461, "׾×Ĺ×Ŀ": 140462, "trä": 140463, "trägt": 140464, "ãģĿãĤĤãģĿãĤĤ": 140465, "ÐĿÐķ": 140466, "ĠвнÑĥÑĤ": 140467, "ĠвнÑĥÑĤÑĢи": 140468, "ãģ¨ä¸Ģç·Ĵãģ«": 140469, "ãĤ«ãĥķãĤ§": 140470, "Ġ×ij×Ĺ×ĵר": 140471, "×Ĺ×ŀש": 140472, "ãĤ¨ãĥį": 140473, "ãĤ¨ãĥįãĥ«": 140474, "ãĤ¨ãĥįãĥ«ãĤ®": 140475, "ãĤ¨ãĥįãĥ«ãĤ®ãĥ¼": 140476, "à¸Ĥà¸Ńà¸ĩà¸ķัวà¹Ģà¸Ńà¸ĩ": 140477, "بÙĤاء": 140478, "פס×Ļ׼": 140479, "פס×Ļ׼×ķ׾×ķ×Ĵ": 140480, "ãĥ¡ãĥĥ": 140481, "ãĥ¡ãĥĥãĤ»": 140482, "ãĥ¡ãĥĥãĤ»ãĥ¼ãĤ¸": 140483, "ÙĦÙĤب": 140484, "AÄŀ": 140485, "שק×Ļ×¢": 140486, "ÙĤساÙħ": 140487, "×ĵ×ķ×Ĵ×ŀ×Ķ": 140488, "æ·±ãģĦ": 140489, "íĸĪëĬĶëį°": 140490, "ĠrozwiÄħzanie": 140491, "à¸Ļัà¹Īà¸Ļà¹Ģà¸Ńà¸ĩ": 140492, "×Ļצ×ij": 140493, "Ġtrông": 140494, "à¹ĥà¸Ĭà¹īà¸ļริà¸ģาร": 140495, "ĠاÙĦÙħÙĪسÙħ": 140496, "ĠдеÑĤи": 140497, "ãģĹãģĭãģªãģĦ": 140498, "ס×Ļף": 140499, "Ġréférence": 140500, "à¹ģหà¹īà¸ĩ": 140501, "ãĤĤãĤīãģ£ãģŁ": 140502, "Ġ׾ר׼": 140503, "Ġ׾ר׼×ķש": 140504, "شعÙĪر": 140505, "ĠÐijог": 140506, "Ġlazım": 140507, "Ġ×Ļש׳×Ŀ": 140508, "ĠпаÑĢÑĤ": 140509, "ĠпаÑĢÑĤнеÑĢ": 140510, "ĠÑĥника": 140511, "ĠÑĥникалÑĮн": 140512, "Ġmatériel": 140513, "×ŀרק": 140514, "ĠphÆ°á»Ŀng": 140515, "Ġзай": 140516, "Ġзайм": 140517, "ÙģÙĤد": 140518, "UniversitÃł": 140519, "×¢×¨×Ľ×Ļ×Ŀ": 140520, "Ġbaño": 140521, "ĠноÑı": 140522, "ĠноÑıбÑĢÑı": 140523, "à¸Ľà¹īาย": 140524, "Ġtats": 140525, "Ġtatsäch": 140526, "Ġtatsächlich": 140527, "ĠÑĤÑĢеÑĤÑĮ": 140528, "Ñįм": 140529, "ãĥĻãĥ¼ãĤ¹": 140530, "Ġnhá»±a": 140531, "ìĬ¤íģ¬": 140532, "ĠعبداÙĦÙĦÙĩ": 140533, "Ġת×ķר×Ķ": 140534, "أشÙĬ": 140535, "أشÙĬاء": 140536, "ĠÙĦÙĦغا": 140537, "ĠÙĦÙĦغاÙĬØ©": 140538, "ÙħÙĪاÙĤ": 140539, "ÙħÙĪاÙĤÙģ": 140540, "ĠgÅĤówna": 140541, "ĠartÄ±ÅŁ": 140542, "Ġ×ŀק×ķ×ŀ×Ļ": 140543, "ãĤ¯ãĥ©ãĥĸ": 140544, "ĠسÙĪÙī": 140545, "ĠìŬìĦ±": 140546, "اسر": 140547, "اسرائÙĬÙĦ": 140548, "Ġ×ł×Ľ×ª×ij": 140549, "ยà¹īà¸Ńà¸Ļ": 140550, "Ġdeberá": 140551, "Ġphẫu": 140552, "ÑİÑīем": 140553, "ĠÙĦدÙĬÙĨا": 140554, "×ŀ×ĺ×Ķ": 140555, "Ġ׳×ķ׾×ĵ": 140556, "ĠвÑģÑĤÑĢеÑĩа": 140557, "ãĤīãĤĮãģ¦ãģĦãģ¾ãģĻ": 140558, "ĠcaÅĤej": 140559, "ยึ": 140560, "ยึà¸Ķ": 140561, "поÑĤен": 140562, "поÑĤенÑĨи": 140563, "ĠлиÑĤ": 140564, "ĠлиÑĤеÑĢ": 140565, "ĠлиÑĤеÑĢаÑĤÑĥÑĢ": 140566, "Ġкаждом": 140567, "ĠíĮIJ": 140568, "ĠíĮIJëĭ¨": 140569, "à¸Īู": 140570, "Ġpresença": 140571, "ãģªãĤĵãģ§": 140572, "ÙħÙĬاÙĩ": 140573, "инÑĦоÑĢм": 140574, "инÑĦоÑĢмаÑĨион": 140575, "инÑĦоÑĢмаÑĨионн": 140576, "ĠìŀIJìĹ°": 140577, "ר׼ש": 140578, "Ġödül": 140579, "ç¶ļãģı": 140580, "ĠпÑģ": 140581, "ĠпÑģиÑħ": 140582, "ĠпÑģиÑħолог": 140583, "تذÙĥر": 140584, "Ġìŀħìŀ¥": 140585, "ลà¸Ķà¹Į": 140586, "ìĦłê±°": 140587, "ãģ£ãģ¦ãģĬãĤĬãģ¾ãģĻ": 140588, "Ġ×Ļ×¢": 140589, "Ġ×Ļעק×ij": 140590, "ĠاÙĦطعاÙħ": 140591, "ãĥĨãĤ¹ãĥĪ": 140592, "ĠTuấn": 140593, "Ġparticipación": 140594, "×ŀ×ķ×ŀ×Ĺ×Ķ": 140595, "×Ĵרס×Ķ": 140596, "ĠاÙĦتÙĨÙģÙĬ": 140597, "ĠاÙĦتÙĨÙģÙĬØ°ÙĬ": 140598, "ĠбезопаÑģн": 140599, "gef": 140600, "gefähr": 140601, "Ø´ÙĪر": 140602, "ĠmyÅĽli": 140603, "ÙĪاشÙĨ": 140604, "ÙĪاشÙĨØ·ÙĨ": 140605, "׳×ķסע": 140606, "ÙĥÙĩ": 140607, "ÙĥÙĩرب": 140608, "ÙĥÙĩرباء": 140609, "ĠmusiaÅĤ": 140610, "ìĭ¸": 140611, "ãĥĸãĥ©ãĥĥãĤ¯": 140612, "Ġcréé": 140613, "ÙĨÙĩار": 140614, "owoÅĽÄĩ": 140615, "ÙħØŃاÙĥÙħ": 140616, "ĠwÅĤaÅĽ": 140617, "ĠwÅĤaÅĽc": 140618, "ĠwÅĤaÅĽciciel": 140619, "ĠÙĬؤ": 140620, "ĠÙĬؤدÙĬ": 140621, "×ŀ×¢×ķ׳": 140622, "×IJ×ij׾": 140623, "خطأ": 140624, "ĠÑħолод": 140625, "×ĸ×ķ׾": 140626, "ãģĵãĤĮãĤī": 140627, "ãģĵãĤĮãĤīãģ®": 140628, "Ġbásica": 140629, "ฤà¸Ķ": 140630, "ฤà¸Ķูà¸ģ": 140631, "ฤà¸Ķูà¸ģา": 140632, "ฤà¸Ķูà¸ģาล": 140633, "èIJ½ãģ¡çĿĢ": 140634, "ãģªãģĦãģĵãģ¨": 140635, "صÙĪÙħ": 140636, "ÙĨجØŃ": 140637, "׳ק×ķ×ĵ": 140638, "׳ק×ķ×ĵת": 140639, "клаÑģÑģ": 140640, "íķĺìĭľëĬĶ": 140641, "ëĦĺ": 140642, "Ġש×IJ×Ļ׳×ķ": 140643, "ĠСейÑĩаÑģ": 140644, "mayacaģı": 140645, "Ġyapılır": 140646, "ĠcategorÃŃa": 140647, "عباد": 140648, "ĠТеп": 140649, "ĠТепеÑĢÑĮ": 140650, "×Ķ×Ļס×ĺ×ķר×Ļ": 140651, "hế": 140652, "ãĤ³ãĥ¼ãĥī": 140653, "Ġcabeça": 140654, "جÙħا": 140655, "جÙħاÙĩ": 140656, "جÙħاÙĩÙĬر": 140657, "ä½İãģĦ": 140658, "ĠÑĤоваÑĢов": 140659, "à¸Ĭาวà¸ļà¹īาà¸Ļ": 140660, "ĠÑģÑĤанов": 140661, "ĠÑģÑĤановиÑĤÑģÑı": 140662, "ĠавÑĤомобилÑĮ": 140663, "ĠÑģлÑĥÑĩай": 140664, "à¸Ńัà¸ŀ": 140665, "ĠGiriÅŁ": 140666, "ĠìĿ¼ëĭ¨": 140667, "ĠпÑĢоÑģ": 140668, "ĠпÑĢоÑģмоÑĤÑĢ": 140669, "ãģªãģıãģªãģ£ãģŁ": 140670, "à¸¡à¸µà¸Ľà¸±à¸įหา": 140671, "ïºİ": 140672, "écoute": 140673, "ĠÙħÙĪجÙĪد": 140674, "ĠسرÙĬع": 140675, "ĠÙĪÙĩÙĨا": 140676, "ĠÙĪÙĩÙĨاÙĥ": 140677, "à¸Ħุà¸ĵสม": 140678, "à¸Ħุà¸ĵสมà¸ļัà¸ķิ": 140679, "Ġìļ°ìĦł": 140680, "à¸ŀระà¸ŀุà¸Ĺà¸ĺ": 140681, "好ãģ¿": 140682, "ظÙĦÙħ": 140683, "ĠмакÑģ": 140684, "ĠмакÑģималÑĮ": 140685, "ĠмакÑģималÑĮно": 140686, "ãĥªãĤ¢ãĥ«": 140687, "à¹ģมà¹īวà¹Īา": 140688, "ĠاÙĦØŃÙĪار": 140689, "ãĥĹãĥ©ãĤ¹": 140690, "ĠعÙĦاÙĤØ©": 140691, "ĠíĸīëıĻ": 140692, "Ġgönderil": 140693, "Ġlãi": 140694, "ĠsaÄŁlıkl": 140695, "ĠsaÄŁlıklı": 140696, "ĠÑĪаг": 140697, "Ġ×ij×IJר×Ķ": 140698, "prowadziÄĩ": 140699, "ãģĦãģıãģ¤ãģĭ": 140700, "ĠبتارÙĬØ®": 140701, "Ġ×ij×IJ×ķת×Ķ": 140702, "Ġmóc": 140703, "ĠÐľÐ½Ðµ": 140704, "ãĥĹãĥ¬ãĥ¼": 140705, "×IJ×ĸר×Ĺ": 140706, "åł´åIJĪãģ«ãģ¯": 140707, "使ãģĪ": 140708, "à¹Ģรืà¸Ńà¸Ļ": 140709, "ĠÐŁÐµÑĤ": 140710, "ĠÐŁÐµÑĤÑĢ": 140711, "ãģ«åħ¥ãĤĭ": 140712, "Ùħادة": 140713, "à¹Ģà¸ĩืà¹Īà¸Ńà¸Ļ": 140714, "à¹Ģà¸ĩืà¹Īà¸Ńà¸Ļà¹Ħà¸Ĥ": 140715, "ĠÑģоÑģÑĤоÑıние": 140716, "ônica": 140717, "ĠÑĦев": 140718, "ĠÑĦевÑĢа": 140719, "ĠÑĦевÑĢалÑı": 140720, "Ġ×ķ×ĸ": 140721, "Ġ×ķ×ĸ×IJת": 140722, "à¸Ħริ": 140723, "à¸Ħริส": 140724, "ĠÐķÑīе": 140725, "ãģ£ãģ¦ãģĹãģ¾ãģĦãģ¾ãģĹãģŁ": 140726, "ĠпÑĢавиÑĤелÑĮ": 140727, "ĠпÑĢавиÑĤелÑĮÑģÑĤв": 140728, "Ġtäglich": 140729, "Ġëĭ¹ìĭľ": 140730, "×ŀ×ķ×¢×ŀ×ĵ": 140731, "ĠдвоÑĢ": 140732, "æīķ": 140733, "æīķãģĦ": 140734, "ĠÑģÑĤанеÑĤ": 140735, "ĠвоздейÑģÑĤв": 140736, "ĠвоздейÑģÑĤви": 140737, "Ġfête": 140738, "à¹Ģสา": 140739, "תק×ķ×ķ×Ķ": 140740, "Ġuyar": 140741, "Ġuyarı": 140742, "à¸ģลัà¸ļà¹Ħà¸Ľ": 140743, "ĠgiÆ°á»Ŀng": 140744, "Ġва": 140745, "ĠваÑĪи": 140746, "ĠÄijáºŃu": 140747, "ĠSpaÃŁ": 140748, "ĠìķĦë§Ī": 140749, "à¹Ħà¸Ķà¹īà¸ĩà¹Īาย": 140750, "Ġ×Ķ×ŀ×ijקש": 140751, "æĸ°ãģŁ": 140752, "æĸ°ãģŁãģª": 140753, "ılıyor": 140754, "план": 140755, "Ġ×Ķ×ijר×Ļ×IJ×ķת": 140756, "ĠaÄŁrı": 140757, "Ġsaygı": 140758, "建ãģ¦": 140759, "Ġnajwyż": 140760, "Ġnajwyższ": 140761, "سÙĬاسات": 140762, "ãģĬå¾Ĺ": 140763, "ĠاÙĦعÙĦÙĬ": 140764, "ĠاÙĦعÙĦÙĬا": 140765, "Ġcorazón": 140766, "ì¹ĺë£Į": 140767, "หัวà¸Ĥà¹īà¸Ń": 140768, "ĠبØŃÙĬ": 140769, "ĠبØŃÙĬØ«": 140770, "звезд": 140771, "بÙĪابة": 140772, "ÐĽÐĺ": 140773, "ÙĦازÙħ": 140774, "Ġrozp": 140775, "Ġrozpoc": 140776, "ĠrozpoczÄĻ": 140777, "触ãĤĮ": 140778, "ĠاÙĦجÙħÙĩ": 140779, "ĠاÙĦجÙħÙĩÙĪر": 140780, "ĠspÄĻd": 140781, "ĠspÄĻdz": 140782, "วิà¸Ĺยาศาสà¸ķรà¹Į": 140783, "иваеÑĤÑģÑı": 140784, "Ġданной": 140785, "Ġreprésente": 140786, "ĠÄijá»ĭch": 140787, "Ġ×¢×ŀ×ķק": 140788, "à¸Ńัà¸Ļà¸ķร": 140789, "à¸Ńัà¸Ļà¸ķราย": 140790, "Ġestratég": 140791, "Ġestratégia": 140792, "padÅĤ": 140793, "Ġвполн": 140794, "Ġвполне": 140795, "ĠпÑĢедоÑģÑĤавлен": 140796, "×Ĺ׾×ķק": 140797, "×Ĺ׾×ķקת": 140798, "ãĤ¢ãĥĬ": 140799, "ĠاÙĦغذ": 140800, "ĠاÙĦغذائÙĬ": 140801, "ĠÑĥзн": 140802, "ĠÑĥзнаÑĤÑĮ": 140803, "à¸ĭà¹īาย": 140804, "å½ĵãģ¦": 140805, "ØŃÙĬاء": 140806, "Ġbásico": 140807, "ק×ķ×ij×¢": 140808, "ĠاÙĦÙħباراة": 140809, "ĠاÙĦÙĩاتÙģ": 140810, "Ġ׼׳×Ĵ×ĵ": 140811, "à¸Ľà¸£à¸°à¸«à¸¢": 140812, "à¸Ľà¸£à¸°à¸«à¸¢à¸±à¸Ķ": 140813, "Ðļак": 140814, "à¸Ĺีà¹Īà¸Ļà¹Īา": 140815, "à¸Ĺีà¹Īà¸Ļà¹Īาสà¸Ļà¹ĥà¸Ī": 140816, "ãģ¾ãģģ": 140817, "ï½¢": 140818, "Ñģкоп": 140819, "Ġsonrasında": 140820, "ĠurzÄħd": 140821, "ĠurzÄħdzenia": 140822, "׼×ķ×ķ׳": 140823, "׼×ķ×ķ×ł×ª": 140824, "Ġ׾×Ķת×ŀ×ķ×ĵ": 140825, "Ġ׾×Ķת×ŀ×ķ×ĵ×ĵ": 140826, "ĠÑģли": 140827, "ĠÑģлиÑĪ": 140828, "ĠÑģлиÑĪком": 140829, "ĠÑģÑĤÑĥд": 140830, "ĠÑģÑĤÑĥденÑĤ": 140831, "Ġ×Ķ×ķ×ĵ": 140832, "Ġ×Ķ×ķ×ĵ×¢×Ķ": 140833, "ë¹Ħìļ©": 140834, "à¸Ńยาà¸ģà¹ĥหà¹ī": 140835, "Ġbá»ģ": 140836, "ยุà¸Ĺà¸ĺ": 140837, "ÐĺÐĿ": 140838, "سائر": 140839, "أصÙĪÙĦ": 140840, "ĠاÙĦغرÙģ": 140841, "ãģĵãģ¨ãĤĤãģĤãĤĬãģ¾ãģĻ": 140842, "è¾¼ãģ¾ãĤĮ": 140843, "ĠاÙĦسابع": 140844, "Ġcủ": 140845, "ãģĦãģŁãģłãģĦãģŁ": 140846, "ì§ĵ": 140847, "ìĤ¬ë¬´": 140848, "powiedź": 140849, "تÙģÙĥ": 140850, "تÙģÙĥÙĬر": 140851, "иÑĢовки": 140852, "ĠíĨµíķ´ìĦľ": 140853, "ãĤ¨ãĤ¹ãĥĨ": 140854, "ĠдеÑıÑĤелÑĮноÑģÑĤÑĮ": 140855, "ĠданнÑĭм": 140856, "Ġ×¢×ķר": 140857, "Ġ×¢×ķר׼×Ļ": 140858, "×ķ×ĵעת": 140859, "Ġhayatını": 140860, "ĠbÄħd": 140861, "ĠbÄħdź": 140862, "obsÅĤug": 140863, "à¹Ģà¸ŀียà¸ĩà¹ģà¸Ħà¹Ī": 140864, "à¸ĭà¹Īา": 140865, "è²łãģij": 140866, "ĠÑģÑĤÑĢем": 140867, "ĠÄijá»īnh": 140868, "ĠÐłÑĥÑģ": 140869, "ĠNữ": 140870, "Ġ׾×Ķש×Ļ×Ĵ": 140871, "Ġjednoc": 140872, "Ġjednocze": 140873, "ĠjednoczeÅĽnie": 140874, "Ġ×Ķ×Ĵ×ij×ķ×Ķ": 140875, "أخÙĦاÙĤ": 140876, "ĠнаÑģел": 140877, "ĠнаÑģелениÑı": 140878, "ĠÙĬÙĨب": 140879, "ĠÙĬÙĨبغÙĬ": 140880, "ãģĮãģĭ": 140881, "ãģĮãģĭãģĭ": 140882, "×Ĵעת": 140883, "ÐŀÐł": 140884, "ĠналиÑĩии": 140885, "Ġë§Īì§Ģ": 140886, "Ġë§Īì§Ģë§ī": 140887, "ĠíĸīìĤ¬": 140888, "ĠtreÅĽci": 140889, "Ġê°Ģì¹ĺ": 140890, "ì¦ĺ": 140891, "Ġаналог": 140892, "×Ķצעת": 140893, "влад": 140894, "владе": 140895, "ĠÑģделал": 140896, "Ġ׳×Ĵ×Ļש": 140897, "Ġ׳×Ĵ×Ļש×ķת": 140898, "полнение": 140899, "à¸Ĩà¹Īา": 140900, "ĠDön": 140901, "׼׾׼׾×Ķ": 140902, "×ŀ×ĸ×Ĵ": 140903, "ÙħÙģ": 140904, "ÙħÙģÙĩ": 140905, "ÙħÙģÙĩÙĪÙħ": 140906, "×Ķ×ĵ": 140907, "×Ķ×ĵפס": 140908, "×Ķ×ĵפס×Ķ": 140909, "ãģĻãģİãģ¦": 140910, "ĠгÑĢ": 140911, "ĠгÑĢн": 140912, "×ŀ×ĺ×ķס": 140913, "Ġ기ìĸµ": 140914, "ï¾Ł": 140915, "ĠpÅĤyn": 140916, "ĠGründe": 140917, "ĠBücher": 140918, "ĠwedÅĤug": 140919, "ãģ¾ãģłãģ¾ãģł": 140920, "Ġ׳×Ķ×ĵר": 140921, "ĠÙĬستطÙĬع": 140922, "ĠHiá»ĩp": 140923, "ãĤŃãĥ£ãĥ³ãĥļ": 140924, "ãĤŃãĥ£ãĥ³ãĥļãĥ¼ãĥ³": 140925, "Ġthá»ķ": 140926, "Ġeuropéenne": 140927, "à¸ļัà¸ĩ": 140928, "à¸ļัà¸ĩà¸Ħัà¸ļ": 140929, "ĠszczegóÅĤowo": 140930, "׳שק": 140931, "ãĥķãĥ©ãĥ³ãĤ¹": 140932, "×ŀ×ķ×ŀ×Ĺ×Ļ": 140933, "Ġcomún": 140934, "Ġçarp": 140935, "ØŃتÙĬا": 140936, "ØŃتÙĬاج": 140937, "ØŃتÙĬاجات": 140938, "ëĭ´ëĭ¹": 140939, "ä½ķ度": 140940, "ä½ķ度ãĤĤ": 140941, "×ĵ×ijק": 140942, "ãģįãĤĮ": 140943, "ãģįãĤĮãģĦ": 140944, "Ġкам": 140945, "ĠкамеÑĢ": 140946, "ĠespecÃŃfico": 140947, "Ġteléfono": 140948, "à¸ķัà¹īà¸ĩà¸Ńยูà¹Ī": 140949, "IÅŀ": 140950, "ãģ©ãĤĵãģ©": 140951, "ãģ©ãĤĵãģ©ãĤĵ": 140952, "עצ×ŀ×IJ×Ļ": 140953, "à¸Ķัà¸ĩà¸Ļีà¹ī": 140954, "ĠÑĦоÑĢмиÑĢов": 140955, "ĠÑĦоÑĢмиÑĢова": 140956, "×ķ×ŀ×ij": 140957, "Ġkullanımı": 140958, "ÐľÐŀ": 140959, "עש×Ļ": 140960, "עש×Ļ×Ļ×Ķ": 140961, "Ġönlem": 140962, "à¹Ģà¸Ńà¹ĩ": 140963, "à¹Ģà¸Ńà¹ĩม": 140964, "×ŀשק×Ļ×¢": 140965, "ר×Ļ×Ĺ": 140966, "à¸Ĥัà¸Ķ": 140967, "ĠíĻľ": 140968, "ĠíĻľìļ©": 140969, "à¸ĭะ": 140970, "ãĤĪãģĨãģ«ãģªãĤĬãģ¾ãģĹãģŁ": 140971, "ĠÑĢаÑģпÑĢ": 140972, "ĠÑĢаÑģпÑĢоÑģÑĤ": 140973, "ĠÑĢаÑģпÑĢоÑģÑĤÑĢан": 140974, "ĠÑĢаÑģпÑĢоÑģÑĤÑĢанен": 140975, "׼×Ļ×ķף": 140976, "ÙĤبض": 140977, "تصرÙĬØŃ": 140978, "تصرÙĬØŃات": 140979, "ĠоÑĢи": 140980, "ĠоÑĢиг": 140981, "ĠоÑĢигина": 140982, "ĠоÑĢигинал": 140983, "ĠاÙĦعاÙĦÙĬ": 140984, "à¹ģหà¹Īà¸ĩà¸Ļีà¹ī": 140985, "ãĥķãĤ¡ãĥ¼": 140986, "ãģ¦ãģĦãģį": 140987, "ãģ¦ãģĦãģįãģŁãģĦ": 140988, "פתר": 140989, "פתר×ķ׳×ķת": 140990, "Ġ×ij×Ļ×Ĺ": 140991, "Ġ×ij×Ļ×Ĺ×ĵ": 140992, "Ġodby": 140993, "ĠodbyÅĤ": 140994, "ĠоÑĩеÑĢед": 140995, "ĠtrÆ°Æ¡ng": 140996, "ãĤŃãĥ³": 140997, "×ŀ×ķפ": 140998, "×ŀ×ķפע": 140999, "ëĵľë¦½": 141000, "ëĵľë¦½ëĭĪëĭ¤": 141001, "à¸ŀืà¹īà¸Ļà¸IJาà¸Ļ": 141002, "ìŀIJ격": 141003, "ĠViá»ĩn": 141004, "ĠDespués": 141005, "Ġ×IJ׾×Ļ׳×ķ": 141006, "Ġdurée": 141007, "íĩ´": 141008, "Ġmüzik": 141009, "iếu": 141010, "ĠÑĢазмеÑīен": 141011, "ĠкÑĥд": 141012, "ĠкÑĥда": 141013, "غض": 141014, "غضب": 141015, "ĠTambém": 141016, "à¸Īัà¸Ķสà¹Īà¸ĩ": 141017, "à¸ģารà¹ģสà¸Ķà¸ĩ": 141018, "onomÃŃa": 141019, "Ġанг": 141020, "Ġангли": 141021, "Ġанглий": 141022, "ĠанглийÑģк": 141023, "Ġznal": 141024, "Ġznalaz": 141025, "ĠznalazÅĤ": 141026, "תר×Ĵ": 141027, "תר×Ĵ×ķ×Ŀ": 141028, "ĠÑģнов": 141029, "ĠÑģнова": 141030, "ĠÑĩаÑģа": 141031, "Ġcommunauté": 141032, "ĠespecÃŃfica": 141033, "ĠLá»ĭch": 141034, "Ġlié": 141035, "Ùģجر": 141036, "à¹Ģà¸ģà¹Īà¸ĩ": 141037, "عاÙĦ": 141038, "عاÙĦج": 141039, "Ø£ÙĨظ": 141040, "Ø£ÙĨظÙħØ©": 141041, "ESÄ°": 141042, "ĠاÙĦØŃدÙĬد": 141043, "à¸ŀระà¸Ńà¸ĩà¸Ħà¹Į": 141044, "Ġפרשת": 141045, "Ġдвиж": 141046, "ĠдвижениÑı": 141047, "ĠاÙĦجارÙĬ": 141048, "à¸ĺาà¸Ļี": 141049, "неÑģен": 141050, "ĠاÙĦÙĨÙĩائÙĬ": 141051, "ĠбеÑĢ": 141052, "ĠбеÑĢем": 141053, "ĠбеÑĢеменн": 141054, "Ġdépartement": 141055, "à¹Ģà¸Ĺีย": 141056, "à¹Ģà¸Ĺียà¸ļ": 141057, "ĠÐľÐ°ÑĢи": 141058, "ĠнекоÑĤоÑĢÑĭÑħ": 141059, "обеÑģп": 141060, "обеÑģпеÑĩен": 141061, "×Ĺ×ķ×ĸ": 141062, "×Ĺ×ķ×ĸ×Ķ": 141063, "ÙĨتج": 141064, "à¸Īะà¹Ħà¸Ķà¹īรัà¸ļ": 141065, "á»°": 141066, "Ġéléments": 141067, "عط": 141068, "عطاء": 141069, "Ġtắt": 141070, "iá»ĩm": 141071, "ÑİÑīиÑħÑģÑı": 141072, "ãģĹãģ°": 141073, "ãģĹãģ°ãĤīãģı": 141074, "ĠпоможеÑĤ": 141075, "à¸Ĥà¸ĵะà¸Ļีà¹ī": 141076, "Ġעשר×ķת": 141077, "éģķãģ£ãģ¦": 141078, "ĠпÑĢог": 141079, "ĠпÑĢогн": 141080, "ĠпÑĢогноз": 141081, "ĠtÅĤ": 141082, "ĠtÅĤum": 141083, "ĠtÅĤumacz": 141084, "Tür": 141085, "Türkiye": 141086, "ãģįãģ£": 141087, "ãģįãģ£ãģĭãģij": 141088, "Ġ×Ķ׳×ķ׼": 141089, "Ġ×Ķ׳×ķ׼×Ĺ×Ļ": 141090, "ĠìĥĿìĤ°": 141091, "ĠÑĦоÑĢмÑĭ": 141092, "ç¾İãģĹãģĦ": 141093, "à¸Ľà¸£à¸¶à¸ģ": 141094, "à¸Ľà¸£à¸¶à¸ģษา": 141095, "Ġlumière": 141096, "ãĤªãĥ¼ãĥĹ": 141097, "ãĤªãĥ¼ãĥĹãĥ³": 141098, "à¸Ľà¸·à¸Ļ": 141099, "วัสà¸Ķ": 141100, "วัสà¸Ķุ": 141101, "еÑĢÑĤв": 141102, "ÙĥÙĦÙģ": 141103, "ï½£": 141104, "à¸ĺรรมà¸Ķา": 141105, "׳×ĺר": 141106, "ĠпÑĢедÑģÑĤавлÑıеÑĤ": 141107, "Ġanálisis": 141108, "Ġbãi": 141109, "باÙĤÙĬ": 141110, "à¸Ľà¸£à¸°à¹Ģà¸Ķ": 141111, "à¸Ľà¸£à¸°à¹Ģà¸Ķà¹ĩà¸Ļ": 141112, "ĠÑģлÑĥÑĩаÑı": 141113, "ĠÑģлÑĥÑĩаÑıÑħ": 141114, "ÐĽÐIJ": 141115, "สัà¸ĩà¹Ģà¸ģ": 141116, "สัà¸ĩà¹Ģà¸ģà¸ķ": 141117, "Ġprzec": 141118, "Ġprzecież": 141119, "ÙħصÙĦ": 141120, "ÙħصÙĦØŃØ©": 141121, "ש×ķק×ķ׾×ĵ": 141122, "ĠобоÑĢÑĥдованиÑı": 141123, "ĠtrwaÅĤ": 141124, "رÙĪÙħ": 141125, "ìķĪëĤ´": 141126, "ĠNghá»ĭ": 141127, "خش": 141128, "à¸ļาà¸Ħาร": 141129, "à¸ļาà¸Ħารà¹Īา": 141130, "ĠопÑĨион": 141131, "ĠÑģозданиÑı": 141132, "ãĤ³ãĤ¹ãĥĪ": 141133, "Ġ×Ķ×¢×ľ×Ļ": 141134, "Ġ×Ķ×¢×ľ×Ļ×ķף": 141135, "läuft": 141136, "ãĥĻãĤ¹ãĥĪ": 141137, "Ġrê": 141138, "Ġrêve": 141139, "×IJ×ij×Ļ×ij": 141140, "×Ļ×Ļ×ļ": 141141, "ë¶Ļ": 141142, "ãĤ¤ãĥ³ãĥī": 141143, "ÅĤoży": 141144, "ÅĤożyÄĩ": 141145, "عائÙĦ": 141146, "عائÙĦØ©": 141147, "Ø£ÙĪر": 141148, "Ø£ÙĪراÙĤ": 141149, "à¸Ĺà¹īà¸Ńà¸ĩà¸ĸ": 141150, "à¸Ĺà¹īà¸Ńà¸ĩà¸ĸิà¹Īà¸Ļ": 141151, "Ġähn": 141152, "Ġähnlich": 141153, "ãĥŁãĥĭ": 141154, "à¸ľà¸¹": 141155, "à¸ľà¸¹à¹īà¸Ļ": 141156, "à¸ľà¸¹à¹īà¸Ļำ": 141157, "ĠмаÑĤеÑĢиалÑĭ": 141158, "ĠкапиÑĤ": 141159, "ĠкапиÑĤал": 141160, "Ｆ": 141161, "Ġseçil": 141162, "Ġhứng": 141163, "Ġintéressant": 141164, "ãģ£ãģ¦ãģĦãģı": 141165, "ĠeÄŁer": 141166, "ëIJĺìĹĪìĬµëĭĪëĭ¤": 141167, "ĠanlaÅŁma": 141168, "ãģĶåĪ©çĶ¨": 141169, "Ġ×ij×ĸ׼": 141170, "Ġ×ij×ĸ׼×ķת": 141171, "ëĿ¼ë©´": 141172, "ĠÙĬÙĪس": 141173, "ĠÙĬÙĪسÙģ": 141174, "أسÙĦØŃØ©": 141175, "ĠGefühl": 141176, "ĠноÑĢмалÑĮн": 141177, "ãĥĻãĥ³": 141178, "ãģķãĤĮãĤĭãģĵãģ¨": 141179, "ĠÐijеÑģ": 141180, "ãģ¨ãģĦãģĪãģ°": 141181, "ĠÙħÙĩÙħ": 141182, "ĠÙħÙĩÙħØ©": 141183, "ãģ§ãģĹãĤĩãģĨãģŃ": 141184, "ĠêµŃëĤ´": 141185, "à¹Ģมà¹ĩà¸Ķ": 141186, "×ŀ×ijקר": 141187, "ĠاÙĦدÙĨÙĬ": 141188, "ĠاÙĦدÙĨÙĬا": 141189, "à¸Ĭู": 141190, "кÑĢÑĥÑĤ": 141191, "Ġthoáng": 141192, "Ġ׳×ĵר": 141193, "Ġ׳×ĵרש": 141194, "ĠÑĢаÑģÑģказал": 141195, "ĠAuÃŁerdem": 141196, "פ×IJר": 141197, "פ×IJרק": 141198, "Ġ×ŀש×Ĺק×Ļ×Ŀ": 141199, "צר׼×Ļ×Ŀ": 141200, "×ŀ×ĵ×ķ": 141201, "×ŀ×ĵ×ķ×Ļק": 141202, "èĭ¦ãģĹ": 141203, "ĠÑģиг": 141204, "ĠÑģигнал": 141205, "ĠMá»įi": 141206, "Ġtrữ": 141207, "ĠnastÄĻp": 141208, "ĠnastÄĻpnie": 141209, "Ġì¶Ķì§Ħ": 141210, "ĠاÙĦÙģÙĨد": 141211, "ĠاÙĦÙģÙĨدÙĤ": 141212, "koÅĦczyÅĤ": 141213, "สีà¹Ī": 141214, "ק×Ļ×ij": 141215, "ק×Ļ×ij×ķ×¥": 141216, "ĠнÑĥжнÑĭ": 141217, "大åĪĩ": 141218, "大åĪĩãģª": 141219, "æıĽãģĪ": 141220, "ת×ķס": 141221, "ת×ķספת": 141222, "ãģ£ãģ¦ãģĦãģªãģĦ": 141223, "ĠмÑı": 141224, "ĠмÑıг": 141225, "ĠмÑıгк": 141226, "Ġjakie": 141227, "ĠjakieÅĽ": 141228, "à¸ķำà¸ļ": 141229, "à¸ķำà¸ļล": 141230, "ĠìŀĪì§Ģ": 141231, "×ij×ĺ×IJ": 141232, "ĠоÑĤлиÑĩно": 141233, "ÙĤÙIJ": 141234, "ĠавÑĤомоб": 141235, "ĠавÑĤомоби": 141236, "ĠавÑĤомобилÑı": 141237, "دÙĬÙħÙĤراطÙĬ": 141238, "ĠاÙĦÙĪا": 141239, "ĠاÙĦÙĪاØŃد": 141240, "ĠسÙĪرÙĬØ©": 141241, "أغÙĦ": 141242, "أغÙĦب": 141243, "ĠÑįкÑĢан": 141244, "ãĥĹãĥ©ãĤ¤": 141245, "ĠjesteÅĽ": 141246, "ãĥIJãĥª": 141247, "Ġ×Ķ×IJ×ķ×ķ×Ļר": 141248, "ائÙĥ": 141249, "à¸Ńยà¹Īาà¸ĩยิà¹Īà¸ĩ": 141250, "ÑĢекÑĤ": 141251, "Ġumo": 141252, "Ġumoż": 141253, "Ġumożli": 141254, "Ġumożliw": 141255, "Ġumożliwia": 141256, "Ġnächste": 141257, "ĠìŀĪì§Ģë§Į": 141258, "ĠпÑĢедн": 141259, "ĠпÑĢедназ": 141260, "ĠпÑĢедназнаÑĩен": 141261, "Ġmaçı": 141262, "Ġpomi": 141263, "ĠpomiÄĻd": 141264, "ĠpomiÄĻdzy": 141265, "ĠاÙĦÙĦÙĤاء": 141266, "à¹Ģà¸Ķà¸Ńะ": 141267, "ĠновоÑģÑĤи": 141268, "×ŀ×Ĺ׾×Ķ": 141269, "رÙĬاضÙĬ": 141270, "à¸Ķà¸Ļ": 141271, "à¸Ķà¸Ļà¸ķรี": 141272, "بصر": 141273, "ìĬ¤íĥĢ": 141274, "scripción": 141275, "Ġnapisa": 141276, "ĠnapisaÅĤ": 141277, "Ġ׳ש×ŀ×¢": 141278, "ĠاÙĦÙħØŃÙĦÙĬ": 141279, "Ġhiá»ĥn": 141280, "×IJ×Ĺ": 141281, "×IJ×Ĺר×IJ×Ļ": 141282, "ĠгÑĢаниÑĨ": 141283, "æīĭç¶ļãģį": 141284, "Ùĥسب": 141285, "Ġà¹ģà¸ķà¹Īà¸ĸà¹īา": 141286, "à¸Ķาวà¸Ļà¹Į": 141287, "à¸Ķาวà¸Ļà¹Įà¹Ĥหลà¸Ķ": 141288, "ãĤĭãģĵãģ¨ãģĮãģ§ãģįãģ¾ãģĻ": 141289, "åŁºæľ¬çļĦãģ«": 141290, "ÙĪÙĦاد": 141291, "räume": 141292, "دÙģاع": 141293, "×Ļצע": 141294, "ĠOczy": 141295, "ĠOczywiÅĽcie": 141296, "ĠÅģ": 141297, "ĠÅģa": 141298, "اÙĦÙĬاب": 141299, "اÙĦÙĬاباÙĨ": 141300, "áºłI": 141301, "ĠBirliÄŁi": 141302, "×Ķ×ķצ": 141303, "×Ķ×ķצ×IJת": 141304, "ĠÄijua": 141305, "Ġê·¸ëŁ¬ëĭĪê¹Į": 141306, "Ġréalité": 141307, "عÙĦاÙĤات": 141308, "Jeste": 141309, "JesteÅĽ": 141310, "Ġмнож": 141311, "ĠмножеÑģÑĤво": 141312, "Ｋ": 141313, "ãĥĹãĥŃãĤ¸ãĤ§": 141314, "ãĥĹãĥŃãĤ¸ãĤ§ãĤ¯ãĥĪ": 141315, "ĠÑĦл": 141316, "ظÙĨ": 141317, "×Ĵ׾×Ĵ׾": 141318, "ĠmÅĤodzie": 141319, "ĠmÅĤodzież": 141320, "à¸Ļà¹īำà¸ķา": 141321, "à¸Ļà¹īำà¸ķาล": 141322, "ÐĽÐķ": 141323, "×ij×ķ×ĺ": 141324, "Ġ׾×Ķ×Ĵ×Ļ×ĵ": 141325, "ãģĵãģ¨ãĤĤãģĤãĤĭ": 141326, "زاد": 141327, "×ŀ×Ļ×ĵ×¢": 141328, "ĠgÅĤównie": 141329, "ãĥıãĤ¦": 141330, "ãĥıãĤ¦ãĤ¹": 141331, "бел": 141332, "Ġétape": 141333, "ðŁĺĢ": 141334, "ĠмоделÑĮ": 141335, "aģını": 141336, "ש×Ĺק": 141337, "ש×Ĺקף": 141338, "Ġniño": 141339, "à¸Ĭà¹īาà¸ĩ": 141340, "à¹Ģลีย": 141341, "ĠÑĦоÑĢме": 141342, "ĠاÙĦشرÙĬÙģ": 141343, "ĠÑĥдаÑĢ": 141344, "arriv": 141345, "arrivée": 141346, "ĠmiesiÄĻ": 141347, "ĠmiesiÄĻcy": 141348, "ØŃرÙĥ": 141349, "ØŃرÙĥات": 141350, "ĠDiá»ħn": 141351, "ÐĿЫ": 141352, "ãģ¾ãģ£ãģŁãģı": 141353, "Ġ×Ļר×ķק": 141354, "еÑģÑĤеÑģÑĤв": 141355, "еÑģÑĤеÑģÑĤвенн": 141356, "Ġê·¸ëŁ¼": 141357, "ĠاÙĦÙħتÙĪ": 141358, "ĠاÙĦÙħتÙĪسط": 141359, "Ġbénéfic": 141360, "Ġbénéficie": 141361, "Ġwybra": 141362, "ĠwybraÄĩ": 141363, "ĠاÙĦزÙħÙĨ": 141364, "ĠпÑĢинÑı": 141365, "ĠпÑĢинÑıл": 141366, "ÙģرØŃ": 141367, "Ġksz": 141368, "ĠksztaÅĤ": 141369, "ĠksztaÅĤt": 141370, "ק׾×ĺ": 141371, "×ij×ĵ×Ļקת": 141372, "Ġgiấ": 141373, "Ġgiấc": 141374, "ĠproprietÃł": 141375, "деÑĢжан": 141376, "ĠKöln": 141377, "ĠGüzel": 141378, "×Ļפ×ķ×Ļ": 141379, "ĠCuá»Ļc": 141380, "ÑįÑĤаж": 141381, "ترÙĥÙĬ": 141382, "ترÙĥÙĬز": 141383, "ложений": 141384, "ĠпÑĥ": 141385, "ĠпÑĥÑĤи": 141386, "اختÙĦاÙģ": 141387, "åĩºãģ¦ãģıãĤĭ": 141388, "à¸ļุà¸ģ": 141389, "âĿ¤": 141390, "ÑĦан": 141391, "פש×ĺ": 141392, "à¸ļัà¸Ļà¹Ģà¸Ĺ": 141393, "à¸ļัà¸Ļà¹Ģà¸Ĺิà¸ĩ": 141394, "ĠاÙĦساد": 141395, "ĠاÙĦسادس": 141396, "ĠاÙĦÙĤÙĪÙħ": 141397, "ĠاÙĦÙĤÙĪÙħÙĬ": 141398, "Ġyönetici": 141399, "ÙĩÙĪات": 141400, "ÙĩÙĪاتÙģ": 141401, "Ġresponsável": 141402, "ĠподдеÑĢжива": 141403, "ĠاÙĦسÙĦØ·": 141404, "ĠاÙĦسÙĦطات": 141405, "ãģĹãģ¦ãģĬãģı": 141406, "ãĥļãĥĥãĥĪ": 141407, "à¸Ľà¸¸à¹Īม": 141408, "ĠoglÄħda": 141409, "ÙĨاÙĤ": 141410, "ÙĨاÙĤØ´": 141411, "à¸Ħà¸Ńà¸Ļà¹Ĥà¸Ķ": 141412, "ĠMüsl": 141413, "ĠMüslü": 141414, "ĠMüslüman": 141415, "ĠMoż": 141416, "ĠMożna": 141417, "Ġnumérique": 141418, "Ġvá»ı": 141419, "ĠسÙĬتÙħ": 141420, "ĠyerleÅŁ": 141421, "монÑĤаж": 141422, "Ġgoût": 141423, "ãģ¦ãģĬãĤĬãģ¾ãģĻ": 141424, "ĠKhánh": 141425, "Ġедин": 141426, "ĠединÑģÑĤв": 141427, "اÙĨØ®Ùģ": 141428, "اÙĨØ®Ùģاض": 141429, "ìĭľíĹĺ": 141430, "Ġlặng": 141431, "ĠÑĢолÑĮ": 141432, "à¸ķัวà¹ģà¸Ĺà¸Ļ": 141433, "à¸Ħà¹Īาà¹ĥà¸Ĭà¹ī": 141434, "à¸Ħà¹Īาà¹ĥà¸Ĭà¹īà¸Īà¹Īาย": 141435, "Ġverfüg": 141436, "Ġverfügbar": 141437, "ìĻĶëĭ¤": 141438, "ãģĦãģļ": 141439, "ãģĦãģļãĤĮ": 141440, "ĠиÑģÑģледованиÑı": 141441, "меÑīа": 141442, "×Ķ×Ĺ": 141443, "×Ķ×Ĺ×ĸר": 141444, "à¹ģà¸Łà¸Ĭัà¹Īà¸Ļ": 141445, "تصرÙģ": 141446, "إرÙĩاب": 141447, "ĠexercÃŃcio": 141448, "Ġélev": 141449, "Ġélevé": 141450, "สัà¸įà¸įาà¸ĵ": 141451, "ÃĸZ": 141452, "ãĥĹãĥŃãĤ°": 141453, "ãĥĹãĥŃãĤ°ãĥ©": 141454, "ãĥĹãĥŃãĤ°ãĥ©ãĥł": 141455, "ĠwewnÄĻtrzn": 141456, "Ġhenüz": 141457, "é£Ľãģ³": 141458, "à¹Ģà¸Ķà¸Ńรà¹Į": 141459, "ÑģÑĥж": 141460, "ÑģÑĥжден": 141461, "شعÙĪب": 141462, "ãģ²ãģ¨ãĤĬ": 141463, "ĠwyÅĤÄħ": 141464, "ĠwyÅĤÄħcznie": 141465, "ĠплоÑħо": 141466, "ÐĶÐķ": 141467, "Ầ": 141468, "ÙģعاÙĦÙĬ": 141469, "ÙģعاÙĦÙĬات": 141470, "ĠاÙĦعشر": 141471, "ÑģÑĤÑĥпил": 141472, "Ġyarg": 141473, "Ġyargı": 141474, "нÑİÑİ": 141475, "×ķ×IJ×ij": 141476, "Ġuç": 141477, "Ġuçak": 141478, "ë²½": 141479, "تÙĪÙĤÙĬ": 141480, "تÙĪÙĤÙĬع": 141481, "Ġì¤ijìĭ¬": 141482, "׳×Ļ×ķ×ķ×ĺ": 141483, "Ø£ÙĥÙĦ": 141484, "ç½®ãģĦãģ¦": 141485, "éłĤãģį": 141486, "Ġ×Ķת×ij": 141487, "Ġ×Ķת×ij×Ļ×¢×Ķ": 141488, "Ġdürfen": 141489, "ÙħÙĤاÙĦ": 141490, "ÙħÙĤاÙĦات": 141491, "ĠزÙħÙĨ": 141492, "à¸ŀฤศ": 141493, "à¸ŀฤศà¸Ī": 141494, "à¸ŀฤศà¸Īิà¸ģ": 141495, "à¸ŀฤศà¸Īิà¸ģายà¸Ļ": 141496, "ĠнеÑģколÑĮ": 141497, "ĠнеÑģколÑĮки": 141498, "ĠнеÑģколÑĮкиÑħ": 141499, "Ġcriança": 141500, "มิà¸ķร": 141501, "×ŀ׼×Ļר×ķת": 141502, "à¸ģารà¸ļริหาร": 141503, "Ġtélécharg": 141504, "Ġ×IJ×ķ×Ķ×ijת": 141505, "ĠBüro": 141506, "ä½ľãģ£ãģŁ": 141507, "ĠKiÅŁi": 141508, "ç¾İåij³ãģĹ": 141509, "à¹Ģลยà¸Ħà¹Īะ": 141510, "à¸ŀà¸ļà¸ģัà¸ļ": 141511, "à¸Īà¹īา": 141512, "Ġçer": 141513, "Ġçerç": 141514, "Ġçerçeve": 141515, "ãĤĴä½ľãģ£ãģ¦": 141516, "ĠпеÑĢвÑĥÑİ": 141517, "×ŀצר×Ļ×Ŀ": 141518, "×IJ׾×ķ×Ķ": 141519, "×IJ׾×ķ×Ķ×Ļ×Ŀ": 141520, "Ġagré": 141521, "Ġagréable": 141522, "Ġayır": 141523, "Ä°LÄ°": 141524, "ãĤ¥": 141525, "ĠíĺĦ": 141526, "ĠíĺĦìĭ¤": 141527, "ثاÙĦØ«": 141528, "ת×ĸ": 141529, "ת×ĸ×ķ׳×Ķ": 141530, "ãģ¨ãģĦãģ£ãģ¦": 141531, "ãģ¨ãģĦãģ£ãģ¦ãĤĤ": 141532, "ĠابÙĪ": 141533, "ĠÑģобак": 141534, "é£Łãģ¹ãģŁ": 141535, "Ġданном": 141536, "à¹Ģลิ": 141537, "à¹Ģลิศ": 141538, "Ġíļ": 141539, "Ġíļ¨": 141540, "Ġíļ¨ê³¼": 141541, "ãĤĤãĤīãģĪãĤĭ": 141542, "׳צ׾": 141543, "ÑĦик": 141544, "ÑĦикÑģ": 141545, "ĠjesteÅĽmy": 141546, "ת×Ĺ×ķש×Ķ": 141547, "à¹Ħมà¹Īà¸Ħวร": 141548, "ĠØŃسÙĬÙĨ": 141549, "à¸ģารลà¸ĩà¸Ĺุà¸Ļ": 141550, "ë´¤": 141551, "ĠÐĺменно": 141552, "à¸ļà¸Ńรà¹Į": 141553, "à¸ļà¸Ńรà¹Įà¸Ķ": 141554, "ĠCảnh": 141555, "ìĦľë¹ĦìĬ¤": 141556, "Ġполов": 141557, "Ġполовин": 141558, "ĠзамеÑĩа": 141559, "ãģĦãĤįãĤĵãģª": 141560, "Ġ×ij×Ļק": 141561, "Ġ×ij×Ļקש": 141562, "лÑĥÑĪ": 141563, "ãĤĴè¿İ": 141564, "ãĤĴè¿İãģĪ": 141565, "جرÙĬÙħØ©": 141566, "Ġtây": 141567, "ĠاÙĦÙĨÙĪ": 141568, "ĠاÙĦÙĨÙĪÙĪÙĬ": 141569, "ÃĤN": 141570, "ì¿ł": 141571, "หà¸Ļาว": 141572, "Ġ×ij×Ĺש×ij×ķף": 141573, "زار": 141574, "à¸Ķาร": 141575, "à¸Ķารา": 141576, "ĠÅĽl": 141577, "ĠÅĽlub": 141578, "มีà¸Ħวามสุà¸Ĥ": 141579, "Ġnhu": 141580, "ĠnhuáºŃn": 141581, "ÙħØŃطة": 141582, "à¹Ģสืà¹īà¸Ńà¸ľà¹īา": 141583, "ĠТолÑĮко": 141584, "ĠÙĥس": 141585, "ĠÙĥسارة": 141586, "ÙħشرÙĪع": 141587, "niÄĻcia": 141588, "×¢×Ľ×©×Ļ×ķ": 141589, "تÙĦÙģ": 141590, "تÙĦÙģزÙĬ": 141591, "تÙĦÙģزÙĬÙĪÙĨ": 141592, "ĠlÆ°á»Ľi": 141593, "ĠÐľÐ¾ÑģквÑĭ": 141594, "Ġréserve": 141595, "ĠanlaÅŁ": 141596, "ĠanlaÅŁÄ±l": 141597, "ĠedeceÄŁi": 141598, "รà¸Ńà¸ĩà¹Ģà¸Ĺà¹īา": 141599, "Ġبط": 141600, "ĠبطرÙĬ": 141601, "ĠبطرÙĬÙĤØ©": 141602, "ãģ¦ãģĹãģ¾ãģ£ãģ¦": 141603, "ãĤĤãĤīãģ£ãģ¦": 141604, "برج": 141605, "æ±ļ": 141606, "æ±ļãĤĮ": 141607, "Ġchoc": 141608, "Ġchocia": 141609, "Ġchociaż": 141610, "Ġzobac": 141611, "ĠzobaczyÄĩ": 141612, "пÑĢÑı": 141613, "пÑĢÑıжен": 141614, "ĠÑĨиÑĦ": 141615, "ĠÑĨиÑĦÑĢ": 141616, "Ġмам": 141617, "ĠвзÑıÑĤÑĮ": 141618, "Ġchạm": 141619, "جسÙħ": 141620, "ØŃÙħاس": 141621, "à¹Ģลà¹Īม": 141622, "à¸ŀิษ": 141623, "×Ķפ׼×ķ": 141624, "à¸Ĭà¹Īà¸Ńà¸ĩà¸Ĺาà¸ĩ": 141625, "Ġвек": 141626, "Ġвека": 141627, "Æ¡Ìģ": 141628, "Æ¡Ìģi": 141629, "ĠTiá»ģn": 141630, "Ġtrầm": 141631, "мÑĭÑĪ": 141632, "мÑĭÑĪл": 141633, "ĠÑĤÑĥ": 141634, "ĠÑĤÑĥÑĢиÑģÑĤ": 141635, "Ġchc": 141636, "ĠchcÄħ": 141637, "Ġавг": 141638, "ĠавгÑĥÑģÑĤ": 141639, "ĠавгÑĥÑģÑĤа": 141640, "ס×IJ×ķת": 141641, "Ġר×Ĵ׾": 141642, "à¸ľà¸¥à¸ģระà¸Ĺ": 141643, "à¸ľà¸¥à¸ģระà¸Ĺà¸ļ": 141644, "å¤īãĤıãĤĭ": 141645, "Ġ×Ķ×IJ×Ĺר×ķ׳×Ļ×Ŀ": 141646, "سÙģÙĬر": 141647, "ĠÑĩаÑīе": 141648, "ãģĦãĤī": 141649, "ãģĦãĤīãģ£": 141650, "ãģĦãĤīãģ£ãģĹãĤĥ": 141651, "×ķ×ŀ׳×Ļ×Ŀ": 141652, "Ġarttır": 141653, "ĠChá»ĭ": 141654, "Ġì¡°ì§ģ": 141655, "ĠÑĥÑģпеÑħ": 141656, "Ġ×¢×ķס": 141657, "Ġ×¢×ķסק": 141658, "ĠìĥĿëªħ": 141659, "ÑĨиÑĤ": 141660, "Ġregión": 141661, "ÐŀÐĿ": 141662, "ĠdoÄŁum": 141663, "ĠyaÅŁad": 141664, "ĠyaÅŁadıģı": 141665, "à¸Ĺà¸Ķลà¸Ńà¸ĩ": 141666, "Ġgözü": 141667, "ש×Ļר×Ķ": 141668, "дÑĥмал": 141669, "Ġdaģı": 141670, "Ġdaģıt": 141671, "à¸Ĺีมà¸ĩาà¸Ļ": 141672, "Ġtiá»ģm": 141673, "ĠاÙĦÙĥبر": 141674, "ĠاÙĦÙĥبرÙī": 141675, "ì¹Ń": 141676, "ĠGünc": 141677, "ĠGüncelle": 141678, "ĠGüncelleme": 141679, "ê¹Ĭ": 141680, "ĠобоÑĢÑĥдование": 141681, "ĠÑĢеÑĪа": 141682, "Ụ": 141683, "ĠпиÑĤ": 141684, "ĠпиÑĤаниÑı": 141685, "à¹Ģรียà¸ļ": 141686, "×Ľ×ª×Ļ×ij×Ķ": 141687, "Ġпон": 141688, "ĠпонÑĢав": 141689, "ĠпонÑĢави": 141690, "Ġ×Ķ×ķ׾×ĵ": 141691, "Ġ×Ķ×ķ׾×ĵת": 141692, "Ġê²ģ": 141693, "Ġê²ģëĭĪëĭ¤": 141694, "ĠпеÑĢвой": 141695, "ãĥ©ãĤ¤ãĥķ": 141696, "ĠÅŁiir": 141697, "krÄĻ": 141698, "krÄĻc": 141699, "Ġthiá»ĥu": 141700, "à¹Ģลยà¸Ĺี": 141701, "à¹Ģลยà¸Ĺีà¹Ģà¸Ķียว": 141702, "×ĺ×¢×ł×ķת": 141703, "ائÙĩÙħ": 141704, "Ġ×IJס×ķר": 141705, "ĠплаÑĤеж": 141706, "تردد": 141707, "Ġmożliwe": 141708, "ĠkhỼ": 141709, "ĠkhỼp": 141710, "تÙģاعÙĦ": 141711, "ĠÑĪколÑĮ": 141712, "ĠÑĪколÑĮн": 141713, "ĠÙĤصة": 141714, "Ġmétier": 141715, "nÄĻÅĤa": 141716, "หลà¹Īà¸Ń": 141717, "Ġủng": 141718, "Ġprzegl": 141719, "ĠprzeglÄħd": 141720, "ĠاÙĦÙħتعÙĦ": 141721, "ĠاÙĦÙħتعÙĦÙĤØ©": 141722, "ĠÑģÑĭн": 141723, "Ġволн": 141724, "ãĥĩãĥ¼ãĥĪ": 141725, "ĠÐŃÑĤи": 141726, "ĠкÑĢоме": 141727, "à¸Ħารà¹Į": 141728, "׳ק×ķ×ĵ×Ķ": 141729, "Ġ׾ש×ŀ×ķ×¢": 141730, "Ġ×ĸ×ķ׼ר": 141731, "Ｇ": 141732, "ÙĬÙİا": 141733, "Ġgiá»ıi": 141734, "åĥįãģı": 141735, "ĠÑģни": 141736, "ĠÑģнижен": 141737, "à¹ģà¸Ķà¸Ķ": 141738, "รุà¸Ļ": 141739, "รุà¸Ļà¹ģรà¸ĩ": 141740, "Ġhiá»ĩp": 141741, "ografÃŃa": 141742, "à¹Ģà¸Īà¸Ńรà¹Į": 141743, "Ġдвиг": 141744, "ĠдвигаÑĤ": 141745, "ĠдвигаÑĤел": 141746, "Ġüy": 141747, "Ġüyeler": 141748, "Ġüyeleri": 141749, "ĠбÑĥк": 141750, "ĠбÑĥкв": 141751, "ãĤĤå¤ļãģı": 141752, "Ġthiá»ĩt": 141753, "ĠPaÃŃs": 141754, "ĠطبÙĬعÙĬ": 141755, "à¹ģà¸Īà¸ģ": 141756, "ĠاÙĦصØŃÙĬØŃ": 141757, "Ġappré": 141758, "Ġappréci": 141759, "Ġdecisión": 141760, "Ġë°ĺëĵľ": 141761, "Ġë°ĺëĵľìĭľ": 141762, "ĠÑĤебе": 141763, "ãĤ·ãĥ¼ãĤº": 141764, "ãĤ·ãĥ¼ãĤºãĥ³": 141765, "ĠдалÑĮн": 141766, "ĠìĬ¤": 141767, "ĠìĬ¤ìĬ¤": 141768, "ĠìĬ¤ìĬ¤ë¡ľ": 141769, "ĠThá»ĥ": 141770, "ĠkarÅŁ": 141771, "ĠkarÅŁÄ±s": 141772, "ĠkarÅŁÄ±sında": 141773, "ĠKön": 141774, "ĠKönig": 141775, "ивание": 141776, "×ij×ķצע": 141777, "глаÑģ": 141778, "Ġtwó": 141779, "Ġtwórc": 141780, "à¸Ľà¸ģà¸Ħร": 141781, "à¸Ľà¸ģà¸Ħรà¸Ńà¸ĩ": 141782, "ĠGÅĤ": 141783, "ĠGÅĤówn": 141784, "ĠUnterstüt": 141785, "ĠUnterstützung": 141786, "ĠдÑĥÑħ": 141787, "ĠдÑĥÑħов": 141788, "Ø£ÙħاÙĨ": 141789, "×Ĺשש": 141790, "تظ": 141791, "تظاÙĩر": 141792, "ĠлÑİбом": 141793, "à¸ķาร": 141794, "à¸ķาราà¸ĩ": 141795, "Ġkról": 141796, "Ø£ØŃدث": 141797, "ì¡Įëĭ¤": 141798, "ÐļÑĥÑĢÑģ": 141799, "ãĥĥãĥĦ": 141800, "×ŀק×ķ×ij׾": 141801, "ĠÑģимвол": 141802, "Ġdésorm": 141803, "Ġdésormais": 141804, "wüns": 141805, "wünsche": 141806, "Ñĥни": 141807, "ÑĥниÑĨип": 141808, "ÑĥниÑĨипалÑĮн": 141809, "หลัà¸ģสูà¸ķร": 141810, "ÙĨتشر": 141811, "Ġал": 141812, "Ġалк": 141813, "Ġалког": 141814, "Ġалкогол": 141815, "ĠÑĥÑĩиÑĤÑĭва": 141816, "à¸ģำà¸ģัà¸ļ": 141817, "Ġ×ľ×¤×¢×ķ׾": 141818, "ĠìĹ°ê²°": 141819, "sÄħd": 141820, "ĠاÙĦØ£ÙĬ": 141821, "ĠاÙĦØ£ÙĬاÙħ": 141822, "غÙĬاب": 141823, "ĠнаÑĢ": 141824, "ĠнаÑĢко": 141825, "×ŀ×ķ×ĵ×¢": 141826, "ĠÑģеÑĢии": 141827, "пиÑģÑĭва": 141828, "สิว": 141829, "ç¶ļãģĦãģ¦": 141830, "çĶ³ãģĹè¾¼ãģ¿": 141831, "Ġ׾×Ĵר": 141832, "Ġ׾×Ĵר×ķ×Ŀ": 141833, "Ġдем": 141834, "Ġдемо": 141835, "Ġë³´ëĤ´": 141836, "تÙĩدÙĬد": 141837, "ĠÙħØ´ÙĬرا": 141838, "Ġduy": 141839, "Ġduyá»ĩt": 141840, "ĠwiÄĻksze": 141841, "ÙħعاÙĬ": 141842, "ÙħعاÙĬÙĬر": 141843, "ĠGda": 141844, "ĠGdaÅĦsk": 141845, "Ġrah": 141846, "Ġrahats": 141847, "Ġrahatsız": 141848, "ר×ķצ×Ķ": 141849, "lös": 141850, "lösung": 141851, "ĠТаким": 141852, "ÑĪед": 141853, "ÑĪедÑĪ": 141854, "عزÙĦ": 141855, "Ġרש×Ļ×ŀת": 141856, "Ġ׾×Ķ×Ļ׼": 141857, "Ġ׾×Ķ×Ļ×Ľ×ł×¡": 141858, "ĠпÑĥÑĤ": 141859, "ĠпÑĥÑĤеÑĪ": 141860, "ĠпÑĥÑĤеÑĪеÑģÑĤв": 141861, "ĠnotÃŃcia": 141862, "ĠalÄ±ÅŁ": 141863, "ĠalÄ±ÅŁver": 141864, "ĠalÄ±ÅŁveriÅŁ": 141865, "ĠwÅĤos": 141866, "ĠwÅĤosów": 141867, "Ġبغ": 141868, "Ġبغداد": 141869, "Ġveröffent": 141870, "Ġveröffentlicht": 141871, "ĠKhá": 141872, "Ġtán": 141873, "ëIJĺ기": 141874, "Ġ방문": 141875, "ÙģÙĬÙĦ": 141876, "à¹Ģà¸ģิà¸Ķà¸Īาà¸ģ": 141877, "åı¯æĦĽ": 141878, "åı¯æĦĽãģĦ": 141879, "à¸ĸุà¸ĩ": 141880, "ĠzewnÄĻtrzn": 141881, "à¸łà¸²à¸©à¸²à¸Ńัà¸ĩà¸ģฤษ": 141882, "Ġmáxima": 141883, "Ġulus": 141884, "Ġuluslararası": 141885, "Ġ׳×Ķ׳": 141886, "à¸Ĥà¹Īาวสาร": 141887, "ĠìĿĺìĤ¬": 141888, "à¹Ģหลืà¸Ńà¸ĩ": 141889, "ĠدÙĤ": 141890, "ĠدÙĤائÙĤ": 141891, "สืà¹Īà¸Ńสาร": 141892, "먼": 141893, "ĠÑģоÑģÑĤоÑıнии": 141894, "สมาà¸Ħม": 141895, "á»Ĥ": 141896, "ĠÐľÐ¾Ñģков": 141897, "ĠÐľÐ¾ÑģковÑģк": 141898, "×ŀס×ķ×Ĵ׾": 141899, "ãģĭãģĭãĤĬ": 141900, "ĠTruyá»ģn": 141901, "à¹ģà¸Ĥà¹ĩà¸ĩà¹ģรà¸ĩ": 141902, "×ŀ×Ĺ×ĸ×Ļק": 141903, "à¹Ĥà¸ģà¹ī": 141904, "ÙĬسر": 141905, "ìĶ©": 141906, "×IJ×ķק": 141907, "×IJ×ķק×ĺ": 141908, "×IJ×ķק×ĺ×ķ×ijר": 141909, "Ġproximité": 141910, "ÙħÙĨÙĩج": 141911, "ĠاÙĦجز": 141912, "ĠاÙĦجزائ": 141913, "ĠاÙĦجزائرÙĬ": 141914, "ĠÄIJiá»ĥm": 141915, "Ġденеж": 141916, "Ġденежн": 141917, "ÙģØŃص": 141918, "Ùģئ": 141919, "ĠÐijÑĥд": 141920, "×Ĵ×Ļ×ĵ×ķ׾": 141921, "ĠÐĴедÑĮ": 141922, "عÙĦاÙħØ©": 141923, "Ġ×IJ×Ĺר×ķ׳×ķת": 141924, "ãģĦãģŁãģłãģĦãģ¦": 141925, "سÙĦØŃ": 141926, "ØŃÙĦÙħ": 141927, "زÙĪار": 141928, "Ùĥسر": 141929, "×ĺקס": 141930, "Ġбан": 141931, "Ġбанков": 141932, "ĠпÑĢож": 141933, "ĠпÑĢожива": 141934, "liwo": 141935, "liwoÅĽci": 141936, "ĠTiếp": 141937, "ĠاÙĦÙħÙĨاسب": 141938, "ĠاÙĦØ®ÙĬار": 141939, "ãģĬãģĭ": 141940, "ãģĬãģĭãģĴ": 141941, "à¸Ķà¸Ńà¸ģà¹Ħมà¹ī": 141942, "ämp": 141943, "ämpfe": 141944, "à¸ķัà¹īà¸ĩà¹ĥà¸Ī": 141945, "ĠзаÑīиÑĤ": 141946, "ĠзаÑīиÑĤÑĭ": 141947, "ĠThÆ°á»Ŀng": 141948, "ĠصÙģ": 141949, "ĠصÙģØŃØ©": 141950, "×Ĺ×ķרף": 141951, "ãĥIJãĥĥãĤ°": 141952, "Ġ×ĵ×Ļ×Ĵ": 141953, "Ġ×ĵ×Ļ×Ĵ×Ļ×ĺ": 141954, "Ġ×ĵ×Ļ×Ĵ×Ļ×ĺ׾×Ļ": 141955, "Ġ×Ķ×Ĺ×ķ׾×Ļ×Ŀ": 141956, "веÑī": 141957, "веÑīа": 141958, "ĠкÑĥлÑĮÑĤ": 141959, "ĠкÑĥлÑĮÑĤÑĥ": 141960, "ĠкÑĥлÑĮÑĤÑĥÑĢÑĭ": 141961, "ĠاÙĦاÙĨترÙĨت": 141962, "Ġhöch": 141963, "Ġhöchst": 141964, "Ġíĺķ": 141965, "Ġíĺķíĥľ": 141966, "Ġвой": 141967, "ĠвойнÑĭ": 141968, "ÐĽÐŀ": 141969, "ìĭłìļ©": 141970, "Ġ×ŀ×ij×ķס": 141971, "Ġ×ŀ×ij×ķסס": 141972, "×ŀ׳×Ļ×¢": 141973, "Ġfiyatı": 141974, "ĠÑģлÑĥж": 141975, "ĠÑģлÑĥжбÑĭ": 141976, "à¸Ĺัศ": 141977, "à¸Ĺัศà¸Ļ": 141978, "ãģĵãģ¨ãģĮå¤ļãģĦ": 141979, "Ġ×Ķ×ŀשת": 141980, "Ġ×Ķ×ŀשת×ŀש": 141981, "å¯ĦãģĽ": 141982, "×ŀש׾×ķ×Ĺ": 141983, "æĻĤçĤ¹": 141984, "æĻĤçĤ¹ãģ§": 141985, "à¸ŀรี": 141986, "à¸ŀรีà¹Ģมีย": 141987, "à¸ŀรีà¹Ģมียรà¹Į": 141988, "à¸ŀรีà¹Ģมียรà¹Įลีà¸ģ": 141989, "Ġdifficolt": 141990, "ĠdifficoltÃł": 141991, "ãĥ¬ãĤ¹ãĥĪ": 141992, "ãĥ¬ãĤ¹ãĥĪãĥ©ãĥ³": 141993, "สมà¹Ģà¸Ķà¹ĩ": 141994, "สมà¹Ģà¸Ķà¹ĩà¸Ī": 141995, "Ġжид": 141996, "Ġжидк": 141997, "ĠzupeÅĤ": 141998, "ĠzupeÅĤnie": 141999, "ĠÙħجر": 142000, "ĠÙħجرد": 142001, "ãģĮå§ĭ": 142002, "ãģĮå§ĭãģ¾": 142003, "ãĤŃãĥ£ãĥ©": 142004, "Ġ×IJ×ķ×ķ×Ļר": 142005, "ãģĬäºĴ": 142006, "ãģĬäºĴãģĦ": 142007, "ĠpotrÃł": 142008, "ĠPaÅĦst": 142009, "ĠPaÅĦstwo": 142010, "ĠبÙĬاÙĨ": 142011, "ĠبÙĬاÙĨات": 142012, "Ġиногда": 142013, "ĠÑĢа": 142014, "ĠÑĢаÑģÑĤв": 142015, "ĠÑĢаÑģÑĤвоÑĢ": 142016, "Ġ×ĸ×ŀ׳": 142017, "ยิà¹īม": 142018, "ÄĨ": 142019, "ãģ¾ãģķ": 142020, "ãģ¾ãģķãģ«": 142021, "ãĥķãĤ¡ãĤ¤ãĥ«": 142022, "ĠgördÃ¼ÄŁÃ¼": 142023, "สà¸ĩà¸Ħร": 142024, "สà¸ĩà¸Ħราม": 142025, "ĠArkadaÅŁ": 142026, "ĠrozwiÄħzania": 142027, "×ŀ×ķ×ĺ": 142028, "piÄĻ": 142029, "piÄĻt": 142030, "صغر": 142031, "สย": 142032, "สยาม": 142033, "ãĤĨãģ£ãģıãĤĬ": 142034, "Ġtrần": 142035, "ĠeconomÃŃa": 142036, "Ġgehören": 142037, "ãĤ·ãĥ§ãĥ¼": 142038, "ĠsÅĤucha": 142039, "à¸ŀà¸Ńà¹ĥà¸Ī": 142040, "ĠоÑĤмеÑĤил": 142041, "ÙĨتÙĤÙĦ": 142042, "Ġpropósito": 142043, "ĠваÑĪего": 142044, "Ġnhắn": 142045, "à¹ģà¸ĸว": 142046, "ĠкомиÑģ": 142047, "ĠкомиÑģÑģи": 142048, "ważnie": 142049, "ĠyavaÅŁ": 142050, "×ŀ×Ļק": 142051, "×ŀ×Ļק×ķ×Ŀ": 142052, "ש×IJ×ľ×ª": 142053, "Ġyıllarda": 142054, "ĠЮ": 142055, "ĠЮÑĢ": 142056, "×ł×¡×Ļ×ij×ķת": 142057, "תצ": 142058, "תצ×ķ×Ĵ": 142059, "ĠоднÑĥ": 142060, "Ġà¸Ńยà¹Īาà¸ĩà¹Ħร": 142061, "Ġà¸Ńยà¹Īาà¸ĩà¹Ħรà¸ģà¹ĩà¸ķาม": 142062, "ëģ¼": 142063, "à¹Ħลà¹Ī": 142064, "تسÙĦÙĬÙħ": 142065, "بÙĦاغ": 142066, "Ġìī": 142067, "Ġìī½": 142068, "Ġìī½ê²Į": 142069, "ãĥļãĥ³": 142070, "звÑĥÑĩ": 142071, "ĠWäh": 142072, "ĠWährend": 142073, "Ġ×Ļ×Ļת": 142074, "Ġ×Ļ×Ļ×ª×Ľ×Ł": 142075, "Ġkhuyên": 142076, "Ġvẽ": 142077, "ĠамеÑĢ": 142078, "ĠамеÑĢик": 142079, "ĠамеÑĢикан": 142080, "ĠамеÑĢиканÑģк": 142081, "عجب": 142082, "ãĥĽãĥ¼ãĥłãĥļãĥ¼ãĤ¸": 142083, "ĠникÑĤо": 142084, "ĠÙĤÙİ": 142085, "ĠÙĤÙİاÙĦ": 142086, "ĠÙĤÙİاÙĦÙİ": 142087, "ÐIJÐĹ": 142088, "ÙħجÙħÙĪع": 142089, "ÙħجÙħÙĪعات": 142090, "ĠnecessitÃł": 142091, "Ġpobli": 142092, "Ġpobliżu": 142093, "Ġphấn": 142094, "ĠСообÑī": 142095, "ÙħÙĤاط": 142096, "ÙħÙĤاطع": 142097, "Ġ×Ķצ×ķר×ļ": 142098, "laÅŁtırma": 142099, "วิà¸Ķ": 142100, "วิà¸Ķี": 142101, "วิà¸Ķีà¹Ĥà¸Ń": 142102, "Ġ그리ìĬ¤": 142103, "Ġ그리ìĬ¤ëıĦ": 142104, "ãĤ¿ãĤ¤ãĥŁ": 142105, "ãĤ¿ãĤ¤ãĥŁãĥ³ãĤ°": 142106, "ק×ĺ×Ĵ×ķר": 142107, "ק×ĺ×Ĵ×ķר×Ļ×Ķ": 142108, "Ġ×Ĺ×ķפ": 142109, "Ġ×Ĺ×ķפש×Ļ": 142110, "أجر": 142111, "Ġимени": 142112, "ĠÑĢанее": 142113, "à¹Ģà¸ŀืà¹Īà¸Ńà¸Ļà¹Ĩ": 142114, "ĠJesús": 142115, "Ñģоедин": 142116, "Ñģоединен": 142117, "Ġר×Ĺ×ķק": 142118, "à¹Ĥà¸ļรา": 142119, "à¹Ĥà¸ļราà¸ĵ": 142120, "ĠHÆ¡n": 142121, "ĠtháºŃp": 142122, "تعÙĬÙĬÙĨ": 142123, "ĠtartÄ±ÅŁ": 142124, "ĠtartÄ±ÅŁma": 142125, "ĠGespr": 142126, "ĠGespräch": 142127, "תר×ķפ": 142128, "תר×ķפ×ķת": 142129, "Ġcatégorie": 142130, "ĠоказÑĭва": 142131, "ĠналиÑĩие": 142132, "Ġprésenté": 142133, "Ġkull": 142134, "Ġkulland": 142135, "Ġkullandı": 142136, "Ġünl": 142137, "Ġünlü": 142138, "ĠÙģÙĥرة": 142139, "изаÑĤоÑĢ": 142140, "×IJ×ķ׳": 142141, "×IJ×ķ׳×Ļ×ij": 142142, "×IJ×ķ׳×Ļ×ijרס": 142143, "×IJ×ķ׳×Ļ×ijרס×Ļ×ĺת": 142144, "ĠÑĢаÑģÑģмаÑĤ": 142145, "ĠÑĢаÑģÑģмаÑĤÑĢ": 142146, "ĠÑĢаÑģÑģмаÑĤÑĢива": 142147, "تÙĥÙĦÙħ": 142148, "ÙĥترÙĪ": 142149, "ÙĥترÙĪÙĨÙĬ": 142150, "ĠÑģоÑĩеÑĤ": 142151, "ĠÑģоÑĩеÑĤа": 142152, "ãĤĴè¦ĭãģĽ": 142153, "Ġngừa": 142154, "ĠÐłÐµÑģп": 142155, "ĠÐłÐµÑģпÑĥб": 142156, "ĠÐłÐµÑģпÑĥблик": 142157, "ãĤ¦ãĤ©": 142158, "ãĤ¦ãĤ©ãĥ¼": 142159, "ĠÐľÐµÐ¶Ð´Ñĥ": 142160, "ĠìŀĪê²Į": 142161, "Ġmâ": 142162, "ĠìļĶì²Ń": 142163, "ضار": 142164, "ลุà¹īà¸Ļ": 142165, "ëĮĢíķĻêµIJ": 142166, "×ĸ×Ļ׼": 142167, "×ĸ×Ļ׼ר×ķף": 142168, "ãĤ¹ãĥļ": 142169, "ãĤ¹ãĥļãĥ¼ãĤ¹": 142170, "ĠкÑĢаÑģоÑĤ": 142171, "Ｈ": 142172, "ê¼Ń": 142173, "ãĤĴéĽĨ": 142174, "ãĤĴéĽĨãĤģ": 142175, "ë°Ŀ": 142176, "Ġ×Ķ׳×IJ": 142177, "Ġ×Ķ׳×IJש×Ŀ": 142178, "Ġê°Ģìļ´": 142179, "Ġê°Ģìļ´ëį°": 142180, "تÙĥÙĦÙģØ©": 142181, "ĠØŃÙĤÙĬÙĤÙĬ": 142182, "Ġhalk": 142183, "Ġhalkın": 142184, "ÑİÑīÑĥÑİ": 142185, "ĠÑģпин": 142186, "סר×ĺף": 142187, "ĠпеÑĢвого": 142188, "Ġполож": 142189, "ĠположиÑĤелÑĮн": 142190, "Ġдл": 142191, "ĠдлиÑĤелÑĮн": 142192, "ĠVÄ©nh": 142193, "ê´´": 142194, "ĠÑģÑĭÑĢ": 142195, "ĠíĨµíķĺìŬ": 142196, "ë³ijìĽIJ": 142197, "à¹Ĥรà¸ĩà¸ĩาà¸Ļ": 142198, "รัà¸ļà¸ľà¸´à¸Ķ": 142199, "รัà¸ļà¸ľà¸´à¸Ķà¸Ĭà¸Ńà¸ļ": 142200, "تجÙĨب": 142201, "sÅĤ": 142202, "sÅĤuch": 142203, "ãĤ¢ãĥ«ãĥIJ": 142204, "ãĤ¢ãĥ«ãĥIJãĥł": 142205, "ëī´ìĬ¤": 142206, "Ġpatië": 142207, "Ġpatiënt": 142208, "Ġìĺ¤í": 142209, "Ġìĺ¤íŀ": 142210, "Ġìĺ¤íŀĪ": 142211, "Ġìĺ¤íŀĪ볤": 142212, "ĠDerne": 142213, "ĠDerneÄŁi": 142214, "wróci": 142215, "wróciÄĩ": 142216, "ĠобÑī": 142217, "ĠобÑīеÑģÑĤв": 142218, "ĠобÑīеÑģÑĤвенно": 142219, "ĠêµIJìĪĺ": 142220, "tıģımız": 142221, "Ġ×Ķ×ŀש×Ļ×ij": 142222, "körper": 142223, "Ġпозвол": 142224, "ĠпозволиÑĤ": 142225, "ĠChiến": 142226, "أخÙĪ": 142227, "ĠAydın": 142228, "à¸Ķà¹īาà¸Ļล": 142229, "à¸Ķà¹īาà¸Ļลà¹Īาà¸ĩ": 142230, "Ġdru": 142231, "Ġdruż": 142232, "Ġdrużyn": 142233, "Ġë°ľíijľ": 142234, "ĠThảo": 142235, "جÙĩاد": 142236, "à¸ģระà¸Ĺูà¹ī": 142237, "ĠкÑĢов": 142238, "ĠкÑĢови": 142239, "Ġiçerik": 142240, "Ġnadzie": 142241, "ĠnadziejÄĻ": 142242, "ĠСмоÑĤÑĢ": 142243, "Ġphức": 142244, "جتÙħاع": 142245, "جتÙħاعÙĬØ©": 142246, "компон": 142247, "компоненÑĤ": 142248, "Ġбил": 142249, "ĠбилеÑĤ": 142250, "ãĥIJãĥ³ãĥī": 142251, "ĠPolÃŃcia": 142252, "اÙĦتÙĩ": 142253, "اÙĦتÙĩاب": 142254, "ØŃرÙģ": 142255, "تخط": 142256, "تخطÙĬØ·": 142257, "ãĤ³ãĥ¼ãĥ": 142258, "ãĤ³ãĥ¼ãĥĴ": 142259, "ãĤ³ãĥ¼ãĥĴãĥ¼": 142260, "･･･": 142261, "à¸ĭà¸Ńย": 142262, "Ġcrédit": 142263, "è²·ãģ£ãģŁ": 142264, "ĠпоÑĢÑıд": 142265, "ĠпоÑĢÑıдке": 142266, "Ġphó": 142267, "Ġwida": 142268, "ĠwidaÄĩ": 142269, "جرائÙħ": 142270, "à¸ľà¸µ": 142271, "ĠbÄĻdÄĻ": 142272, "Ġ×ŀפת×Ĺ": 142273, "ãĥijãĥ¼ãĥ": 142274, "ãĥijãĥ¼ãĥĨ": 142275, "ãĥijãĥ¼ãĥĨãĤ£": 142276, "ãĥijãĥ¼ãĥĨãĤ£ãĥ¼": 142277, "ĠKaż": 142278, "ĠKażdy": 142279, "ĠнеобÑħодимоÑģÑĤи": 142280, "à¸Łà¸Ńรà¹Į": 142281, "à¸Łà¸Ńรà¹Įม": 142282, "ĠмалÑĭÑĪ": 142283, "ĠплоÑĤ": 142284, "ĠÑĥÑģÑĤÑĢой": 142285, "ĠÑĥÑģÑĤÑĢойÑģÑĤва": 142286, "à¸ĸà¸Ńà¸Ļ": 142287, "ĠoluÅŁturul": 142288, "ĠÅĽwiad": 142289, "ĠÅĽwiadom": 142290, "ÙħعÙĩد": 142291, "ĠпÑĢоизведен": 142292, "Æł": 142293, "ר×Ļש": 142294, "Ùħستث": 142295, "ÙħستثÙħر": 142296, "׳×Ļ×Ļר": 142297, "pañ": 142298, "Ġ;-)": 142299, "Ġë°ľê²¬": 142300, "Ġgörüyor": 142301, "ÙħؤÙĦÙģ": 142302, "ĠÄIJá»ģ": 142303, "ĠاÙĦÙĨÙĪاب": 142304, "×Ĺק×Ļר×Ķ": 142305, "Ġmá»ıi": 142306, "è¿°ãģ¹": 142307, "ÐĿик": 142308, "ìŀĸìķĦ": 142309, "ìŀĸìķĦìļĶ": 142310, "prowadziÅĤ": 142311, "lóg": 142312, "lógica": 142313, "פס×ĺ": 142314, "פס×ĺ×Ļ×ij׾": 142315, "Ġ×ŀ×ĵ×Ķ": 142316, "Ġ×ŀ×ĵ×Ķ×Ļ×Ŀ": 142317, "ãģĵãģĵãģ¾ãģ§": 142318, "×Ķת×Ĺ": 142319, "×Ķת×Ĺ׾×Ķ": 142320, "Ġפ×ķס": 142321, "Ġפ×ķס×ĺ×Ļ×Ŀ": 142322, "Ġнев": 142323, "Ġневоз": 142324, "Ġневозможно": 142325, "ĠdostÄĻpny": 142326, "ĠغاÙĦ": 142327, "ĠغاÙĦب": 142328, "ĠbezpieczeÅĦst": 142329, "ĠbezpieczeÅĦstwa": 142330, "åĪĨãģĭãĤĭ": 142331, "ĠFührung": 142332, "à¸ģีà¹ī": 142333, "gemÃ¤ÃŁ": 142334, "à¸Ĭà¹Īวà¸ĩà¹Ģวลา": 142335, "Ġìļ°ë¦¬ëĤĺ": 142336, "Ġìļ°ë¦¬ëĤĺëĿ¼": 142337, "ãģ¥ãģıãĤĬ": 142338, "ĠاÙĦÙħسÙĦ": 142339, "ĠاÙĦÙħسÙĦØŃØ©": 142340, "Ġliberté": 142341, "клÑİÑĩение": 142342, "Ġzamów": 142343, "Ġzamówienia": 142344, "รà¸ĸà¹Ħà¸Ł": 142345, "Ø£ÙģÙĦ": 142346, "Ø£ÙģÙĦاÙħ": 142347, "Ùħراج": 142348, "Ùħراجعة": 142349, "Ġë¹ĦêµIJ": 142350, "ĠاÙĦتاب": 142351, "ĠاÙĦتابعة": 142352, "Ġë§ĮëĤĺ": 142353, "ĠбÑĥм": 142354, "ĠбÑĥмаг": 142355, "Ġgénero": 142356, "Ġìŀĺ못": 142357, "×ŀפ×ķר×ĺ": 142358, "è²·ãģĦçī©": 142359, "ĠÙĦدÙĬÙĥ": 142360, "Ġ×ľ×¢×Ļת": 142361, "Ġ×ľ×¢×Ļת×Ļ×Ŀ": 142362, "ĠsÅĤab": 142363, "ĠпÑĢедÑģÑĤавлÑı": 142364, "ãĤ¿ãĤ¤ãĥĪ": 142365, "ãĤ¿ãĤ¤ãĥĪãĥ«": 142366, "Ùħص": 142367, "ÙħصطÙģ": 142368, "ÙħصطÙģÙī": 142369, "Ġdifficulté": 142370, "ãĥĨãĤ£ãĥĸ": 142371, "ĠpewnoÅĽci": 142372, "ĠpewnoÅĽciÄħ": 142373, "Ġ무ìĬ¨": 142374, "إرس": 142375, "إرساÙĦ": 142376, "ĠдалÑĮ": 142377, "ĠдалÑĮÑĪе": 142378, "Ġ×ľ×ł×¡": 142379, "Ġ×ľ×ł×¡×ķת": 142380, "หมูà¹Īà¸ļà¹īาà¸Ļ": 142381, "×ŀס×ŀ׼×Ļ": 142382, "أسÙĦÙĪب": 142383, "ĠzwÅĤ": 142384, "ĠzwÅĤas": 142385, "ĠzwÅĤaszc": 142386, "ĠzwÅĤaszcza": 142387, "ĠпÑĢеж": 142388, "ĠпÑĢежде": 142389, "ĠоÑĢганизаÑĨиÑı": 142390, "Ġdönemin": 142391, "Ġdöneminde": 142392, "ĠỦ": 142393, "ĠỦy": 142394, "ä¸ĭãģĴ": 142395, "ĠпоÑģледние": 142396, "Ġgüne": 142397, "ĠgüneÅŁ": 142398, "Ġ×IJ×ĸר": 142399, "Ġ×IJ×ĸר×Ĺ×Ļ": 142400, "ãģ§ãģĤãĤįãģĨ": 142401, "ĠÙĨÙĤ": 142402, "ĠÙĨÙĤاط": 142403, "æŃ£ãģĹãģĦ": 142404, "ĠÑĢег": 142405, "ĠÑĢегиона": 142406, "ĠFörder": 142407, "ê²½ìĺģ": 142408, "dıklar": 142409, "dıklarını": 142410, "trzymaÄĩ": 142411, "أشÙĥ": 142412, "أشÙĥاÙĦ": 142413, "×Ķת×IJ": 142414, "×Ķת×IJ×ŀ×Ķ": 142415, "à¸Ĺำà¹ĥหà¹īà¹Ģà¸ģิà¸Ķ": 142416, "ĠGebä": 142417, "ĠGebäude": 142418, "ĠСеÑĢг": 142419, "ĠСеÑĢгей": 142420, "ĠздоÑĢов": 142421, "ĠздоÑĢовÑĮÑı": 142422, "Ġrãi": 142423, "ĠпÑĢедÑĥÑģ": 142424, "ĠпÑĢедÑĥÑģмоÑĤÑĢ": 142425, "ĠпÑĢедÑĥÑģмоÑĤÑĢен": 142426, "Ġ×Ķצ×Ļ×ij": 142427, "Ġ×Ķצ×Ļ×ij×ķר×Ļ": 142428, "Ġdésir": 142429, "ĠноÑĩ": 142430, "ĠноÑĩÑĮ": 142431, "möglichkeiten": 142432, "Ġ×IJ×Ĺר×ķ׳×Ļ×Ŀ": 142433, "Ġsoirée": 142434, "ĠNháºŃn": 142435, "Ùª": 142436, "à¸Ľà¸£à¸°à¸§à¸±à¸ķิศาสà¸ķรà¹Į": 142437, "êµIJíĨµ": 142438, "ĠأخÙĬ": 142439, "Ġdécid": 142440, "Ġdécidé": 142441, "Ġwyja": 142442, "ĠwyjaÅĽni": 142443, "Ġสิ": 142444, "Ġสิà¸ĩ": 142445, "Ġสิà¸ĩหา": 142446, "Ġสิà¸ĩหาà¸Ħม": 142447, "à¹ģà¸Ńรà¹Į": 142448, "หà¸Ļà¹īาà¸Īà¸Ń": 142449, "סתר": 142450, "Ġê¶": 142451, "Ġê¶Į": 142452, "Ġê¶Į리": 142453, "plätze": 142454, "بطÙĦ": 142455, "ê±´ìĦ¤": 142456, "Ġ×IJ×Ļ×ŀ×Ļ": 142457, "Ġ×IJ×Ļ×ŀ×Ļ×Ļ׾": 142458, "ãģ½": 142459, "تراث": 142460, "×IJ׾×Ļ×ŀ×ķת": 142461, "ĠdisponÃŃveis": 142462, "Ġzale": 142463, "Ġzależy": 142464, "à¸Ľà¸£à¸°à¸Ĭาสัมà¸ŀัà¸Ļà¸ĺà¹Į": 142465, "ĠÅļwiat": 142466, "Ġporówn": 142467, "Ġporówna": 142468, "Ġ׾×ĺ×ķ×ijת": 142469, "×Ķ×ĸ×ŀ׳×Ķ": 142470, "Ġ×Ľ×ª×ķצ×IJ×Ķ": 142471, "Ġ×ijק׾": 142472, "Ġ×ijק׾×ķת": 142473, "ĠоÑĤкÑĢ": 142474, "ĠоÑĤкÑĢÑĭва": 142475, "ãĥijãĥ¯ãĥ¼": 142476, "ë¿IJë§Į": 142477, "ĠвÑģÑı": 142478, "ĠвÑģÑıк": 142479, "ãģ¨ãģªãģ£ãģ¦ãģĦãĤĭ": 142480, "ĠgiáºŃn": 142481, "ĠокÑĢÑĥ": 142482, "ĠокÑĢÑĥжа": 142483, "ĠокÑĢÑĥжаÑİÑī": 142484, "ĠUniversität": 142485, "ĠÑĢож": 142486, "ĠÑĢожд": 142487, "ĠÑĢождениÑı": 142488, "Ø®ÙĬÙĦ": 142489, "Ġкомпаний": 142490, "ĠÑĢазлиÑĩнÑĭе": 142491, "ĠЦена": 142492, "׳×Ļ×ķ×ĸ": 142493, "׳×Ļ×ķ×ĸ׾": 142494, "׳×Ļ×ķ×ĸ׾×ĺר": 142495, "Ġê³µê°Ħ": 142496, "Ġê°ľëħIJ": 142497, "landırma": 142498, "ĠÑĥдален": 142499, "à¸ŀัà¸ģà¸ľ": 142500, "à¸ŀัà¸ģà¸ľà¹Īà¸Ńà¸Ļ": 142501, "Ġprotección": 142502, "ĠbÅĤ": 142503, "ĠbÅĤÄĻd": 142504, "ÃĪ": 142505, "Ġíĸīë³µ": 142506, "ĠÅŁÃ¼": 142507, "ĠÅŁÃ¼phe": 142508, "ĠíĶ": 142509, "ĠíĶ¼": 142510, "ĠíĶ¼íķ´": 142511, "Ġëĭ¤ë¥´": 142512, "à¹Ħมà¹Īà¹Ģà¸ģิà¸Ļ": 142513, "ãģ¿ãģª": 142514, "ãģ¿ãģªãģķãĤĵ": 142515, "ĠпоÑĤÑĢеб": 142516, "ĠпоÑĤÑĢебиÑĤел": 142517, "ĠاÙĦÙĥÙĦاÙħ": 142518, "ìķĦë²Ħ": 142519, "ìķĦë²Ħì§Ģ": 142520, "ãĤĴ使ãģ£ãģŁ": 142521, "Ġbụi": 142522, "ĠпоÑĤеÑĢ": 142523, "ĠпоÑĤеÑĢÑı": 142524, "ĠØ¢ÙĦاÙģ": 142525, "ĠнаÑģÑĤоÑıÑīее": 142526, "ãģıãģªãĤĬãģ¾ãģĹãģŁ": 142527, "clusão": 142528, "ãĤ³ãĥĶãĥ¼": 142529, "צפ×Ļ": 142530, "צפ×Ļ×Ļ×Ķ": 142531, "Ø®ÙĦا": 142532, "Ø®ÙĦاص": 142533, "ลà¹īำ": 142534, "ãĥ¯ãĤ¤ãĥ³": 142535, "Ġมีà¸Ļา": 142536, "Ġมีà¸Ļาà¸Ħม": 142537, "شخص": 142538, "شخصÙĬات": 142539, "Ġ×ĸק": 142540, "Ġ×ĸק×ķק": 142541, "×Ļ×Ļצ": 142542, "×Ļ×Ļצ×Ĵ": 142543, "èĢĥãģĪæĸ¹": 142544, "Ġürünü": 142545, "ĠиÑģпол": 142546, "ĠиÑģполни": 142547, "Ġcompañero": 142548, "קצ×Ķ": 142549, "×ŀ×¢×ł×Ļק": 142550, "ÙħØŃÙħد": 142551, "Ġcámara": 142552, "Ġпед": 142553, "Ġпедаг": 142554, "Ġпедагог": 142555, "маÑĢ": 142556, "маÑĢк": 142557, "×Ķ×ª×ł×Ĵ×ĵ": 142558, "ĠìĨĮê°ľ": 142559, "ĠcomunitÃł": 142560, "곤": 142561, "ĠNgÃłi": 142562, "สà¸ĩà¸ļ": 142563, "ĠmieszkaÅĦców": 142564, "ĠÙĨÙĩائÙĬ": 142565, "ivité": 142566, "Ġиде": 142567, "ĠидеалÑĮн": 142568, "ĠأسبÙĪع": 142569, "Ġ×Ļ×¢×ľ": 142570, "Ġ׾ר×IJש": 142571, "Ġ׾ר×IJש×ķ׳×Ķ": 142572, "ĠзапиÑģи": 142573, "ĠкоÑĢпÑĥÑģ": 142574, "วà¸ĩศ": 142575, "วà¸ĩศà¹Į": 142576, "ĠÐĶм": 142577, "ĠÐĶмиÑĤ": 142578, "ĠÐĶмиÑĤÑĢ": 142579, "Ġkönnt": 142580, "Ġbölges": 142581, "Ġbölgesinde": 142582, "׼×Ļ׼": 142583, "׼×Ļ׼ר": 142584, "ĠاÙĦإثÙĨ": 142585, "ĠاÙĦإثÙĨÙĬÙĨ": 142586, "Ġngá»Ļ": 142587, "ì¹ł": 142588, "دراج": 142589, "Ġuda": 142590, "ĠudaÅĤo": 142591, "ìºIJ": 142592, "برÙĨاÙħج": 142593, "ĠÑģÑĥдеб": 142594, "ĠÑģÑĥдебн": 142595, "Ġzunächst": 142596, "ĠEducación": 142597, "ãģ¨ãģªãģ£ãģ¦ãģĦãģ¾ãģĻ": 142598, "Ġ×Ķ×IJ×ŀ×Ļת×Ļ": 142599, "ĠÄ°nt": 142600, "ĠÄ°nternet": 142601, "ĠcaÅĤego": 142602, "ãĥĹãĥªãĥ³": 142603, "إبد": 142604, "إبداع": 142605, "ĠпоÑĢÑĤал": 142606, "à¹Ĥà¸ķà¹ī": 142607, "Ġ×Ķקש×ķר": 142608, "плод": 142609, "ĠÙħد": 142610, "ĠÙħدرÙĬد": 142611, "×ŀסע×ĵ×Ķ": 142612, "ĠØ´ÙĬئ": 142613, "ĠØ´ÙĬئا": 142614, "à¸ģà¹Īà¸Ńสรà¹īาà¸ĩ": 142615, "Ġì°¸ê³ł": 142616, "à¹Ģà¸Ĺร": 142617, "à¹Ģà¸Ĺรà¸Ķ": 142618, "Ġ×ij×ŀקר×Ļ×Ŀ": 142619, "Ġbât": 142620, "Ġbâtiment": 142621, "åij¼ãģ³": 142622, "ç´łæķµ": 142623, "ç´łæķµãģª": 142624, "przedsiÄĻbiorst": 142625, "przedsiÄĻbiorstw": 142626, "Ġ×ł×ª×ķ׳×Ļ×Ŀ": 142627, "×Ĺ׾×ķ×Ŀ": 142628, "รวย": 142629, "ÙħÙĪضÙĪع": 142630, "ĠÑģобÑĢан": 142631, "ведÑĥÑī": 142632, "ĠÑĤеаÑĤ": 142633, "ĠÑĤеаÑĤÑĢ": 142634, "meye": 142635, "meyeceÄŁi": 142636, "ĠpieniÄħ": 142637, "ĠpieniÄħd": 142638, "ĠpieniÄħdze": 142639, "ÑĢезиденÑĤ": 142640, "ØŃصر": 142641, "ìĺ¥": 142642, "à¹Ģยืà¸Ńà¸Ļ": 142643, "ĠÑĥни": 142644, "ĠÑĥнивеÑĢ": 142645, "ĠÑĥнивеÑĢÑģ": 142646, "ĠÑĥнивеÑĢÑģиÑĤеÑĤ": 142647, "ĠاÙĦرØŃ": 142648, "ĠاÙĦرØŃÙħÙĨ": 142649, "ĠÑĤеÑħнолог": 142650, "ĠÑĤеÑħнологии": 142651, "ìĹIJëĦĪ": 142652, "ìĹIJëĦĪì§Ģ": 142653, "ĠíķŃ": 142654, "ĠíķŃìĥģ": 142655, "à¸ĺา": 142656, "à¸ĺาà¸ķุ": 142657, "ĠEspañol": 142658, "×ĵ×Ĵש": 142659, "Ġêµī": 142660, "Ġêµīìŀ¥": 142661, "Ġêµīìŀ¥íŀĪ": 142662, "ĠÅĤat": 142663, "ĠÅĤatwo": 142664, "Ġká»ĭch": 142665, "إز": 142666, "إزاÙĦØ©": 142667, "ĠдейÑģÑĤвие": 142668, "ĠsaÄŁlayan": 142669, "สุà¸Ķยà¸Ńà¸Ķ": 142670, "ĠzostaÄĩ": 142671, "ĠdisponÃŃvel": 142672, "ïºį": 142673, "verständ": 142674, "verständlich": 142675, "twor": 142676, "tworzyÄĩ": 142677, "عجز": 142678, "à¹Ģà¸Ĥà¹īม": 142679, "ยà¹Īà¸Ńม": 142680, "Ġstratég": 142681, "Ġstratégie": 142682, "à¸ľà¸¥à¹Ħมà¹ī": 142683, "Ġê°ģì¢ħ": 142684, "ĠÙħÙĪا": 142685, "ĠÙħÙĪاض": 142686, "ĠÙħÙĪاضÙĬع": 142687, "اØŃتج": 142688, "اØŃتجاج": 142689, "ĠẤ": 142690, "ĠẤn": 142691, "×ŀ×ŀש׾×Ķ": 142692, "ĠÅŁekil": 142693, "×ŀ×Ĺ׾": 142694, "×ŀ×Ĺ׾×ķת": 142695, "Ġà¸ĺ": 142696, "Ġà¸ĺัà¸Ļ": 142697, "Ġà¸ĺัà¸Ļวา": 142698, "Ġà¸ĺัà¸Ļวาà¸Ħม": 142699, "Ġìĭ¤ìłľ": 142700, "Ġìĭ¤ìłľë¡ľ": 142701, "ì¤ijìķĻ": 142702, "ëįĶëĿ¼": 142703, "ĠÑĪиÑĢ": 142704, "ĠÑĪиÑĢоко": 142705, "Ġsolución": 142706, "วาà¸ĩà¹ģà¸ľà¸Ļ": 142707, "×IJ×ķ×ĺ×ķ×ŀ": 142708, "×IJ×ķ×ĺ×ķ×ŀ×ĺ×Ļ": 142709, "ĠÑĢеÑģÑĤ": 142710, "ĠÑĢеÑģÑĤоÑĢ": 142711, "ĠÑĢеÑģÑĤоÑĢан": 142712, "ëį¸": 142713, "ÑĤÑĢад": 142714, "ÑĤÑĢади": 142715, "ÑĤÑĢадиÑĨион": 142716, "ÑĤÑĢадиÑĨионн": 142717, "มะà¹Ģรà¹ĩ": 142718, "มะà¹Ģรà¹ĩà¸ĩ": 142719, "à¹Ĥส": 142720, "Ġolmasını": 142721, "×ŀ×ķסר": 142722, "ĠоÑĤноÑĪении": 142723, "Ġê°ĢëĬ¥ìĦ±": 142724, "Ġyuk": 142725, "Ġyukarı": 142726, "ìĨĶ": 142727, "ĠÑģÑĦ": 142728, "ĠÑģÑĦеÑĢе": 142729, "Ġק×ķפ": 142730, "ãĤ±ãĥ¼ãĤ": 142731, "ãĤ±ãĥ¼ãĤŃ": 142732, "âĢķâĢķ": 142733, "ĠاÙĦØ£ÙĦÙħ": 142734, "ĠاÙĦØ£ÙĦÙħاÙĨÙĬ": 142735, "ẢN": 142736, "ת×ķ׼׳×Ļ×ķת": 142737, "ĠÑģÑĥÑīеÑģÑĤвÑĥеÑĤ": 142738, "æĪijãĢħ": 142739, "ĠاÙĦصادر": 142740, "ĠTrá»įng": 142741, "Ġад": 142742, "ĠадминиÑģÑĤ": 142743, "ĠадминиÑģÑĤÑĢа": 142744, "ĠадминиÑģÑĤÑĢаÑĨи": 142745, "ĠдÑĢÑĥгими": 142746, "ÑģпеÑĪ": 142747, "عÙĦاÙħات": 142748, "Ġаб": 142749, "ĠабÑģол": 142750, "ĠабÑģолÑİÑĤ": 142751, "ĠабÑģолÑİÑĤно": 142752, "ฤà¸Ķู": 142753, "étr": 142754, "étranger": 142755, "нÑıÑĤи": 142756, "нÑıÑĤие": 142757, "×¢×ķ׳": 142758, "×¢×ķ׳ש": 142759, "ĠÙĤائ": 142760, "ĠÙĤائÙĦا": 142761, "ĠмаÑģ": 142762, "ĠмаÑģло": 142763, "ãĥīãĤ¤": 142764, "ãĥīãĤ¤ãĥĦ": 142765, "å¿ħè¦ģãģĮãģĤãĤĬãģ¾ãģĻ": 142766, "×ŀ×ķ×ĸ×Ļ×IJ": 142767, "×ŀ×ķ×ĸ×Ļ×IJ×ķף": 142768, "ĠNgoại": 142769, "Ġkênh": 142770, "à¸ģารà¸Ńà¸Ńà¸ģà¹ģà¸ļà¸ļ": 142771, "×ŀפק": 142772, "×ŀפק×ĵ": 142773, "ÙħÙĨاز": 142774, "ÙħÙĨازÙĦ": 142775, "ë·°": 142776, "íŤ": 142777, "ÙħÙĩارات": 142778, "Ġpropriété": 142779, "פ×Ĵ×Ļש×Ķ": 142780, "ÑĩÑĢ": 142781, "ÑĩÑĢеж": 142782, "ÑĩÑĢежден": 142783, "×Ķ×ķצ×IJ×Ķ": 142784, "ØŃÙĥÙĬÙħ": 142785, "ĠíĻĪ": 142786, "ĠíĻĪíİĺìĿ´ì§Ģ": 142787, "åݳ": 142788, "åݳãģĹãģĦ": 142789, "×¢×ŀ×ĵ×Ķ": 142790, "ĠAuÃŁen": 142791, "سÙĪØ¡": 142792, "ë¹Ī": 142793, "ĠÙĪØ®": 142794, "ĠÙĪخاصة": 142795, "инÑĤеÑĢ": 142796, "инÑĤеÑĢеÑģ": 142797, "èĩ´ãģĹãģ¾ãģĻ": 142798, "Ġhüküm": 142799, "à¹Ħà¸Ĥมัà¸Ļ": 142800, "Ġdavran": 142801, "ĠdavranÄ±ÅŁ": 142802, "à¹Ģà¸ķียà¸ĩ": 142803, "вÑĢем": 142804, "вÑĢеменно": 142805, "à¹Ģà¸Ĺศà¸ģา": 142806, "à¹Ģà¸Ĺศà¸ģาล": 142807, "å¼ķãģ£": 142808, "å¼ķãģ£è¶ĬãģĹ": 142809, "×IJר×ķ×Ĺ": 142810, "×IJר×ķ×Ĺת": 142811, "à¹Ģวิ": 142812, "à¹Ģวิรà¹Į": 142813, "à¸Ńยà¹Īาà¸ĩรวà¸Ķà¹Ģรà¹ĩว": 142814, "ĠìŬíĸī": 142815, "ĠÑĢанÑĮ": 142816, "ĠÑĢанÑĮÑĪе": 142817, "Ġzobow": 142818, "ĠzobowiÄħ": 142819, "ĠzobowiÄħz": 142820, "Ġ×ķ׼×ŀ×ķ×ijף": 142821, "ĠاÙĦÙħÙĩ": 142822, "ĠاÙĦÙħÙĩÙĨÙĬ": 142823, "ãĤ¢ãĤ¸": 142824, "ãĤ¢ãĤ¸ãĤ¢": 142825, "ë°©ìĨ¡": 142826, "à¸Ńà¸Ńà¸ģà¸ģำลัà¸ĩ": 142827, "à¸Ńà¸Ńà¸ģà¸ģำลัà¸ĩà¸ģาย": 142828, "améli": 142829, "améliorer": 142830, "å½ĵãģŁãĤĬåīį": 142831, "Ġregelm": 142832, "ĠregelmÃ¤ÃŁig": 142833, "ãģĬåĭ": 142834, "ãģĬåĭ§": 142835, "ãģĬåĭ§ãĤģ": 142836, "ĠmÆ°á»Ŀi": 142837, "برÙħج": 142838, "ĠNatürlich": 142839, "ĠDÅ©ng": 142840, "ĠاÙĦرجاÙĦ": 142841, "Ġthép": 142842, "ĠolmuÅŁtur": 142843, "×ŀ×ķס×Ļק×Ķ": 142844, "fälle": 142845, "주íĥĿ": 142846, "ĠاÙĦÙģرص": 142847, "ĠnajwiÄĻks": 142848, "ĠnajwiÄĻkszy": 142849, "ĠçaÄŁ": 142850, "ĠçaÄŁrı": 142851, "ì¸ł": 142852, "ĠvÃŃct": 142853, "ĠvÃŃctima": 142854, "ĠÑģовеÑĢÑĪен": 142855, "×Ķ×Ļ×Ļת×Ļ": 142856, "à¹Ģà¸Ķี": 142857, "à¹Ģà¸Ķีà¹ĭ": 142858, "à¹Ģà¸Ķีà¹ĭยว": 142859, "üyü": 142860, "Ġдоп": 142861, "Ġдополн": 142862, "ĠдополниÑĤелÑĮно": 142863, "à¹ģà¸ķà¸ģà¸ķà¹Īาà¸ĩà¸ģัà¸Ļ": 142864, "Ġál": 142865, "Ġálbum": 142866, "à¸Ľà¸£à¸°à¸Īà¸³à¸Ľà¸µ": 142867, "ĠÑĦедеÑĢ": 142868, "ĠÑĦедеÑĢалÑĮн": 142869, "ĠobsÅĤ": 142870, "ĠobsÅĤugi": 142871, "à¹Ģรืà¹Ī": 142872, "à¹Ģรืà¹Īà¸Ńย": 142873, "à¹Ģรืà¹Īà¸Ńยà¹Ĩ": 142874, "ëģĮ": 142875, "Ġnghìn": 142876, "ĠBaÅŁkanlıģı": 142877, "تأسÙĬ": 142878, "تأسÙĬس": 142879, "Ġ×ij×ij×ķקר": 142880, "Ġ×¢×ij×ķ×ĵ×ķת": 142881, "ĠبصÙĪرة": 142882, "ãĤıãģijãģ§ãģ¯ãģªãģĦ": 142883, "führer": 142884, "ãĤ¹ãĤŃ": 142885, "ãĤ¹ãĤŃãĥ«": 142886, "ĠاÙĦÙĤض": 142887, "ĠاÙĦÙĤضÙĬØ©": 142888, "ĠдолжноÑģÑĤ": 142889, "ÙģارÙĤ": 142890, "Ġcomeçou": 142891, "Ġorganisé": 142892, "Ġxuân": 142893, "ĠÑģообÑīаеÑĤ": 142894, "ĠпÑĢид": 142895, "ĠпÑĢидеÑĤÑģÑı": 142896, "TÃľRK": 142897, "ãĥ¬ãĥ¼ãĤ·ãĥ§ãĥ³": 142898, "Không": 142899, "استÙģ": 142900, "استÙģادة": 142901, "ä¸ĬãģĮãģ£ãģ¦": 142902, "Ġumie": 142903, "ĠumiejÄĻ": 142904, "ĠumiejÄĻtn": 142905, "ĠumiejÄĻtnoÅĽci": 142906, "ëĤ¸": 142907, "à¹Ģà¸Ļà¸Ńรà¹Į": 142908, "×ĵ×ķ×ķ×Ĺ": 142909, "ÃŃsimo": 142910, "IÃĬ": 142911, "IÃĬN": 142912, "Ġalcanç": 142913, "Ġà¸ķุ": 142914, "Ġà¸ķุลา": 142915, "Ġà¸ķุลาà¸Ħม": 142916, "ש׾×ĺ×ķף": 142917, "Ġélè": 142918, "Ġélèves": 142919, "ĠÄiju": 142920, "ĠÄijuá»ķi": 142921, "ĠØ£Ùģ": 142922, "ĠØ£ÙģرÙĬ": 142923, "ĠØ£ÙģرÙĬÙĤÙĬ": 142924, "ĠØ£ÙģرÙĬÙĤÙĬا": 142925, "ãĤĴæİ¢ãģĻ": 142926, "ĠпÑĢедложениÑı": 142927, "جاد": 142928, "ĠÑħоÑĤÑĮ": 142929, "Ñģал": 142930, "Ñģалон": 142931, "à¸Ľà¸£à¸°à¹Ģม": 142932, "à¸Ľà¸£à¸°à¹Ģมิà¸Ļ": 142933, "ãĤŃãĥĥãĥģ": 142934, "ãĤŃãĥĥãĥģãĥ³": 142935, "×ij×ĵ×Ļק×ķת": 142936, "Ġchù": 142937, "Ġchùa": 142938, "ÐĴиде": 142939, "ÐĴидео": 142940, "иÑĢовка": 142941, "ĠÑħоÑĤиÑĤе": 142942, "Ġspécifique": 142943, "รสà¸Ĭาà¸ķิ": 142944, "è¾¼ãĤĵãģł": 142945, "伸ãģ³": 142946, "×Ķצ׾×Ĺת": 142947, "ãģ©ãģ®ãĤĪãģĨãģ«": 142948, "سعادة": 142949, "Ġлид": 142950, "ĠлидеÑĢ": 142951, "มà¸ĩ": 142952, "มà¸ĩà¸Ħล": 142953, "ØŃاÙħÙĦ": 142954, "หลุà¸Ķ": 142955, "à¸Ńยà¹Īาà¸ĩà¸ķà¹Īà¸Ń": 142956, "à¸Ńยà¹Īาà¸ĩà¸ķà¹Īà¸Ńà¹Ģà¸Ļืà¹Īà¸Ńà¸ĩ": 142957, "ãģķãģĽãģ¦éłĤ": 142958, "تسÙĪÙĬ": 142959, "تسÙĪÙĬÙĤ": 142960, "ĠaÅŁaģıd": 142961, "ĠaÅŁaģıdaki": 142962, "ĠÑĨелÑĮ": 142963, "ĠÑĨелÑĮÑİ": 142964, "ĠAraÅŁtırma": 142965, "à¸Ĥัà¸ļรà¸ĸ": 142966, "ÙĩØ°Ùĩ": 142967, "ลà¸ĩà¸Ĺะ": 142968, "ลà¸ĩà¸Ĺะà¹Ģà¸ļ": 142969, "ลà¸ĩà¸Ĺะà¹Ģà¸ļียà¸Ļ": 142970, "تÙĥاÙħÙĦ": 142971, "Ġcio": 142972, "Ġcioè": 142973, "ãģ¦ãģĬãģı": 142974, "ĠاÙĦصØŃÙģÙĬ": 142975, "ĠíĬ¹ìłķ": 142976, "полниÑĤÑĮ": 142977, "ãĤĵãģĺãĤĥãģªãģĦ": 142978, "ãĤĵãģĺãĤĥãģªãģĦãģĭ": 142979, "ĠاÙĦجÙĩ": 142980, "ĠاÙĦجÙĩات": 142981, "ĠÑĥÑģпеÑĪно": 142982, "Ġвок": 142983, "ĠвокÑĢÑĥг": 142984, "ĠÑģиÑĤÑĥаÑĨиÑı": 142985, "Ġ×Ķ×IJ×ŀר": 142986, "Ġ×Ķ×IJ×ŀר×Ļק": 142987, "Ġ×Ķ×IJ×ŀר×Ļק×IJ×Ļ": 142988, "×ŀ×Ĵ×ĸ": 142989, "×ŀ×Ĵ×ĸ×Ļף": 142990, "ĠакÑĤÑĥ": 142991, "ĠакÑĤÑĥалÑĮн": 142992, "éta": 142993, "étais": 142994, "ĠmogÅĤa": 142995, "ĠÑĤоÑĩки": 142996, "Ġ×ŀ×Ķ×ŀ×¢": 142997, "Ġ×ŀ×Ķ×ŀ×¢×¨×Ľ×ª": 142998, "à¸¡à¸µà¸Ľà¸£à¸°à¸ªà¸´à¸Ĺà¸ĺà¸´à¸łà¸²à¸ŀ": 142999, "×Ļר×Ļ×ĵ×Ķ": 143000, "×Ĵר×ŀ׳": 143001, "×Ĵר×ŀ׳×Ļ×Ķ": 143002, "Ġглав": 143003, "Ġглавное": 143004, "Ġ미ëŀĺ": 143005, "Ġ׳׼×ķ׳×Ķ": 143006, "ĠÙĪØ·ÙĨÙĬ": 143007, "opport": 143008, "opportunitÃł": 143009, "Ġhủy": 143010, "ĠÙĦتØŃ": 143011, "ĠÙĦتØŃÙĤÙĬÙĤ": 143012, "Ġórg": 143013, "Ġórgão": 143014, "ãĤ¹ãĥĶ": 143015, "ãĤ¹ãĥĶãĥ¼ãĥī": 143016, "Ġönü": 143017, "Ġönüne": 143018, "ÙħعاÙħÙĦ": 143019, "ש×ŀ×Ļר×Ķ": 143020, "ĠвеÑģÑĮма": 143021, "ĠwiÄĻkszo": 143022, "ĠwiÄĻkszoÅĽÄĩ": 143023, "ĠاستراتÙĬج": 143024, "ĠاستراتÙĬجÙĬØ©": 143025, "ĠÙģØ¥": 143026, "ĠÙģإذا": 143027, "à¹Ģà¸Ĭืà¹Īà¸Ńม": 143028, "à¹Ģà¸Ĭืà¹Īà¸Ńมà¸ķà¹Īà¸Ń": 143029, "Ġ׾פר": 143030, "Ġ׾פר×ĺ×Ļ×Ŀ": 143031, "ÙħضÙĬ": 143032, "ĠGerçek": 143033, "Ġçocukların": 143034, "ÙĪثائÙĤ": 143035, "ĠÙħساءÙĭ": 143036, "Ġunterstützt": 143037, "Ġprést": 143038, "Ġpréstamo": 143039, "ĠÐłÐ°Ð·Ð¼ÐµÑĢ": 143040, "ĠÅŁeker": 143041, "Ġséculo": 143042, "×ij×Ķ×Ļר": 143043, "Ø´ÙĩÙĪر": 143044, "Ġà¸Ńีà¸ģ": 143045, "Ġà¸Ńีà¸ģà¸Ĺัà¹īà¸ĩ": 143046, "Ġllegó": 143047, "à¸¨à¸´à¸¥à¸Ľà¸°": 143048, "æĪijãģĮ": 143049, "æĪijãģĮ家": 143050, "عÙĤÙĪ": 143051, "عÙĤÙĪبات": 143052, "ĠFälle": 143053, "ĠsÅĤuż": 143054, "ĠsÅĤużb": 143055, "ĠاÙĦØŃÙĤÙĪÙĤ": 143056, "ĠплиÑĤ": 143057, "ĠиноÑģÑĤ": 143058, "ĠиноÑģÑĤÑĢан": 143059, "ĠиноÑģÑĤÑĢанн": 143060, "à¹ĥà¸Ļà¸Ĥà¸ĵะà¸Ĺีà¹Ī": 143061, "ãĤ«ãĥĨ": 143062, "ãĤ«ãĥĨãĤ´": 143063, "ãĤ«ãĥĨãĤ´ãĥª": 143064, "à¸Ńิส": 143065, "à¸Ńิสระ": 143066, "à¹Ģà¸ľà¸¢à¹ģ": 143067, "à¹Ģà¸ľà¸¢à¹ģà¸ŀร": 143068, "à¹Ģà¸ľà¸¢à¹ģà¸ŀรà¹Ī": 143069, "ãģĬãģĦ": 143070, "ãģĬãģĦãģĹãģĦ": 143071, "استÙĤÙĦ": 143072, "استÙĤÙĦاÙĦ": 143073, "تØŃض": 143074, "تØŃضÙĬر": 143075, "åĬ©ãģij": 143076, "ÙħراÙģÙĤ": 143077, "Ġ×ĵ×ķר": 143078, "Ġ×ĵ×ķרש": 143079, "×ŀת×Ļ×Ļ×Ĺס": 143080, "ס×Ļ׼": 143081, "ס×Ļ׼×ķ×Ŀ": 143082, "íĮĮíĬ¸": 143083, "ĠwyÅĽ": 143084, "ĠwyÅĽw": 143085, "ĠwyÅĽwiet": 143086, "ĠwyÅĽwietl": 143087, "ĠاÙĦاÙĨساÙĨ": 143088, "ĠStraÃŁen": 143089, "Ｌ": 143090, "ãģ«åŁº": 143091, "ãģ«åŁºãģ¥": 143092, "ĠcapÃŃtulo": 143093, "ลุย": 143094, "Ġ×Ķ×ŀקצ×ķ×¢×Ļ": 143095, "ãģĤãĤĭç¨ĭ度": 143096, "Ợ": 143097, "ĠاÙĦÙĦا": 143098, "ĠاÙĦÙĦازÙħØ©": 143099, "æķĻãģĪ": 143100, "Ġרש×IJ×Ļ": 143101, "зав": 143102, "завиÑģ": 143103, "завиÑģим": 143104, "à¸Ľà¸±à¸Īà¸Īัย": 143105, "à¹Ģà¸ĭล": 143106, "à¹Ģà¸ĭลลà¹Į": 143107, "Ġdifférence": 143108, "ĠAltın": 143109, "ĠкÑĢай": 143110, "ĠкÑĢайне": 143111, "Ġзло": 143112, "Ġgünümüz": 143113, "ĠнаÑĤÑĥÑĢ": 143114, "ĠнаÑĤÑĥÑĢалÑĮн": 143115, "×Ĵ×ķ׾ש×Ļ×Ŀ": 143116, "ĠкаÑĤегоÑĢ": 143117, "ĠкаÑĤегоÑĢии": 143118, "Ġзнак": 143119, "à¸ģà¹Īà¸Ńà¸Ļหà¸Ļà¹īา": 143120, "à¸ģà¹Īà¸Ńà¸Ļหà¸Ļà¹īาà¸Ļีà¹ī": 143121, "ĠÙħÙĨت": 143122, "ĠÙħÙĨتخب": 143123, "ãĥĽãĥ¼ãĥ«": 143124, "ĠевÑĢо": 143125, "สว": 143126, "สวม": 143127, "ĠìľĦìĽIJ": 143128, "ĠìľĦìĽIJëĭĺ": 143129, "ĠاÙĦØŃÙĪØ«": 143130, "ĠاÙĦØŃÙĪØ«ÙĬ": 143131, "ĠÑģодеÑĢжиÑĤ": 143132, "ãĥķãĤ¡ãĥĥãĤ·ãĥ§ãĥ³": 143133, "Ġà¸ģัà¸Ļ": 143134, "Ġà¸ģัà¸Ļย": 143135, "Ġà¸ģัà¸Ļยายà¸Ļ": 143136, "ãĤªãĥª": 143137, "ãĤªãĥªãĤ¸": 143138, "ãĤªãĥªãĤ¸ãĥĬãĥ«": 143139, "ĠбÑĢенд": 143140, "ãĤĴæĮģãģ£ãģ¦ãģĦãĤĭ": 143141, "Ġinversión": 143142, "Ġê°ĸ": 143143, "Ġê°ĸê³ł": 143144, "ĠnovitÃł": 143145, "ê´Ģê´ij": 143146, "Ġà¸ŀฤษ": 143147, "Ġà¸ŀà¸¤à¸©à¸łà¸²": 143148, "Ġà¸ŀà¸¤à¸©à¸łà¸²à¸Ħม": 143149, "×ķר×Ĺ×Ļ×Ŀ": 143150, "׼׾×ķ׾": 143151, "Ġngạc": 143152, "×Ļ×Ļש": 143153, "×Ļ×Ļש×ķ×ij": 143154, "fäll": 143155, "fällig": 143156, "ĠÑĤÑĢебÑĥеÑĤÑģÑı": 143157, "Ġcará": 143158, "Ġcarácter": 143159, "ĠprincÃŃpio": 143160, "ĠÅĤaz": 143161, "ĠÅĤazien": 143162, "ĠÅĤazienk": 143163, "Ġgiãn": 143164, "ÑģÑĤÑĢаива": 143165, "Ùħساب": 143166, "ÙħسابÙĤØ©": 143167, "à¹Ģà¸Ħรืà¹Īà¸Ńà¸ĩà¸Ķืà¹Īม": 143168, "ترÙĥÙĬب": 143169, "volução": 143170, "ĠÐŁÐ¾Ñĩ": 143171, "ĠÐŁÐ¾Ñĩем": 143172, "ĠÐŁÐ¾ÑĩемÑĥ": 143173, "казалоÑģÑĮ": 143174, "ĠпÑĢименениÑı": 143175, "à¹Ģà¸Ĺียม": 143176, "íĮĶ": 143177, "à¸Ĥà¹īà¸Ńà¹Ģสà¸Ļà¸Ń": 143178, "à¸Ľà¸±à¸įà¸įา": 143179, "ĠобÑĥÑĩ": 143180, "ĠобÑĥÑĩениÑı": 143181, "ĠÑģеÑĢи": 143182, "ĠÑģеÑĢиал": 143183, "Ġinglés": 143184, "ĠÙĦÙĥرة": 143185, "Ġ×ĺ׾": 143186, "Ġ×ĺ׾פ×ķף": 143187, "Ġìłij": 143188, "Ġìłijê·¼": 143189, "×IJ×ķ×Ĵ": 143190, "×IJ×ķ×Ĵ×ķס": 143191, "×IJ×ķ×Ĵ×ķס×ĺ": 143192, "ĠболÑĮÑĪое": 143193, "ĠÐļонеÑĩно": 143194, "×¢×Ļת×ķ׳": 143195, "×¢×Ļת×ķ׳×IJ×Ļ": 143196, "Ġкнопк": 143197, "Ġзн": 143198, "ĠзнаÑĤÑĮ": 143199, "ĠÄijá»±": 143200, "ĠÄijá»±ng": 143201, "влаж": 143202, "влажн": 143203, "×ŀ×Ļ×ĺ×ij": 143204, "ãĤ¬ãĤ¤": 143205, "ãĤ¬ãĤ¤ãĥī": 143206, "..........": 143207, "Ġà¸ģุม": 143208, "Ġà¸ģà¸¸à¸¡à¸łà¸²à¸ŀ": 143209, "Ġà¸ģà¸¸à¸¡à¸łà¸²à¸ŀัà¸Ļ": 143210, "Ġà¸ģà¸¸à¸¡à¸łà¸²à¸ŀัà¸Ļà¸ĺ": 143211, "Ġà¸ģà¸¸à¸¡à¸łà¸²à¸ŀัà¸Ļà¸ĺà¹Į": 143212, "bez": 143213, "bezpieczeÅĦst": 143214, "bezpieczeÅĦstw": 143215, "ãĥijãĥijæ´»": 143216, "عاط": 143217, "عاطÙģ": 143218, "ĠÄijáºŃm": 143219, "ĠзÑĢ": 143220, "ĠзÑĢениÑı": 143221, "Ġborç": 143222, "Ġнедел": 143223, "ĠнеделÑİ": 143224, "Ġhá»ı": 143225, "Ġhá»ıng": 143226, "ìŀ¥ìķł": 143227, "ìŀ¥ìķłìĿ¸": 143228, "ĠاÙĦعÙĦاÙĤØ©": 143229, "Ġíģ¬": 143230, "Ġíģ¬ê²Į": 143231, "à¹Ħรà¹Ī": 143232, "à¸ļาà¸Ķ": 143233, "à¸ļาà¸Ķà¹Ģà¸Īà¹ĩà¸ļ": 143234, "à¸Ŀรั": 143235, "à¸Ŀรัà¹Īà¸ĩ": 143236, "à¸Ŀรัà¹Īà¸ĩà¹Ģศ": 143237, "à¸Ŀรัà¹Īà¸ĩà¹Ģศส": 143238, "רע×Ļ": 143239, "רע×Ļ×ķ׳×ķת": 143240, "ĠëĮ": 143241, "ĠëĮĵ": 143242, "ĠëĮĵê¸Ģ": 143243, "Ġnajb": 143244, "Ġnajbli": 143245, "Ġnajbliż": 143246, "Ġnajbliższ": 143247, "ĠиÑģполÑĮзÑĥеÑĤÑģÑı": 143248, "ĠcientÃŃf": 143249, "ĠcientÃŃfico": 143250, "×¢×ŀק": 143251, "Ġgợi": 143252, "Ø´ØŃÙĨ": 143253, "ĠÅĽm": 143254, "ĠÅĽmier": 143255, "ĠÅĽmierci": 143256, "à¸Ħาสิà¹Ĥà¸Ļà¸Ńà¸Ńà¸Ļà¹Ħลà¸Ļà¹Į": 143257, "×Ĺש×ijת×Ļ": 143258, "Ġningu": 143259, "Ġninguém": 143260, "è¾¼ãĤģ": 143261, "ãģ·": 143262, "ĠÑĥг": 143263, "ĠÑĥгол": 143264, "ï½°": 143265, "פת×Ļ×Ĺ": 143266, "פת×Ļ×Ĺת": 143267, "Ġ×Ķר×IJש×ķ׳×Ļ×Ŀ": 143268, "pósito": 143269, "ãĤŃãĥ¬ãĤ¤": 143270, "ãģ©ãģĵãĤį": 143271, "à¹Ģà¸Ĺà¹Īาà¹Ħ": 143272, "à¹Ģà¸Ĺà¹Īาà¹Ħหร": 143273, "à¹Ģà¸Ĺà¹Īาà¹Ħหรà¹Ī": 143274, "ĠинÑĤеÑĢÑĮеÑĢ": 143275, "ĠØŃاج": 143276, "ĠØŃاجة": 143277, "สีà¸Ĥาว": 143278, "ìĸ¼": 143279, "Ġná»Ļ": 143280, "Ġná»Ļp": 143281, "ĠÃŃnd": 143282, "ĠÃŃndice": 143283, "สำรวà¸Ī": 143284, "Ġкаждой": 143285, "Ġhotéis": 143286, "ĠnastÄĻ": 143287, "ĠnastÄĻpn": 143288, "Ġ×Ķק×ķ×ĵ": 143289, "Ġ×Ķק×ķ×ĵ×Ŀ": 143290, "פ×ķפ": 143291, "פ×ķפ×ķ׾": 143292, "פ×ķפ×ķ׾ר×Ļ": 143293, "вÑĪей": 143294, "ãĤ·ãĥ³ãĥĹ": 143295, "ãĤ·ãĥ³ãĥĹãĥ«": 143296, "ĠzdjÄĻÄĩ": 143297, "ĠгÑĢÑĥппа": 143298, "ĠпомеÑī": 143299, "ĠпомеÑīениÑı": 143300, "ãģ©ãģĨãģĦãģĨ": 143301, "ĠиÑģпÑĭÑĤа": 143302, "ĠogÅĤ": 143303, "ĠogÅĤos": 143304, "ĠogÅĤoszen": 143305, "ĠogÅĤoszeni": 143306, "สรà¹īาà¸ĩสรร": 143307, "สรà¹īาà¸ĩสรรà¸Ħà¹Į": 143308, "à¸ŀรรà¸ĵ": 143309, "ĠçıkÄ±ÅŁ": 143310, "ĠÑĩаÑģÑĤноÑģÑĤи": 143311, "Ġ×ķ×Ļ×ķתר": 143312, "ç¶ļãģįãĤĴ": 143313, "ç¶ļãģįãĤĴèªŃ": 143314, "ç¶ļãģįãĤĴèªŃãĤĢ": 143315, "à¸ģรั": 143316, "à¸ģรัม": 143317, "гÑĢаÑĦ": 143318, "Ġвлад": 143319, "ĠвладелÑĮ": 143320, "ĠвладелÑĮÑĨ": 143321, "ĠistediÄŁ": 143322, "ĠistediÄŁiniz": 143323, "×ij×ľ×¢": 143324, "×ij×ľ×¢×ĵ×Ļ": 143325, "ÙħÙĪاÙģ": 143326, "ÙħÙĪاÙģÙĤØ©": 143327, "Ġ×Ļ×ķר": 143328, "Ġ×Ļ×ķרק": 143329, "ãĤ«ãĥ¼ãĥīãĥŃãĥ¼ãĥ³": 143330, "ĠاÙĦÙħØ´ÙĥÙĦ": 143331, "ĠاÙĦÙħØ´ÙĥÙĦØ©": 143332, "ĠêµŃíļĮ": 143333, "ספ×ĺ": 143334, "ספ×ĺ×ŀ": 143335, "ספ×ĺ×ŀ×ijר": 143336, "Ġìĸ´ëłµ": 143337, "ÙĥاÙħ": 143338, "ÙĥاÙħÙĬرا": 143339, "schlü": 143340, "schlüsse": 143341, "ĠØ«ÙĨ": 143342, "ĠØ«ÙĨائÙĬ": 143343, "ìī½": 143344, "ĠÐŀÑģоб": 143345, "ĠÐŀÑģобенно": 143346, "ĠинвеÑģÑĤи": 143347, "ĠинвеÑģÑĤиÑĨи": 143348, "اØŃتÙħ": 143349, "اØŃتÙħاÙĦ": 143350, "EÄŀ": 143351, "EÄŀÄ°": 143352, "íķĺê²łëĭ¤": 143353, "Ġ×IJ×ijר×Ķ": 143354, "Ġ×IJ×ijר×Ķ×Ŀ": 143355, "Ġ×ij×Ĺ×Ļ׳×Ŀ": 143356, "Ø£ÙĪض": 143357, "Ø£ÙĪضاع": 143358, "Ġdél": 143359, "Ġdélai": 143360, "Ġ×IJ×ķ×Ķ×ij×Ļ×Ŀ": 143361, "ĠÑģоÑħ": 143362, "ĠÑģоÑħÑĢ": 143363, "ĠÑģоÑħÑĢани": 143364, "ĠдоÑģÑĤиж": 143365, "ĠдоÑģÑĤижени": 143366, "สิà¹Īà¸ĩà¹ģ": 143367, "สิà¹Īà¸ĩà¹ģวà¸Ķ": 143368, "สิà¹Īà¸ĩà¹ģวà¸Ķล": 143369, "สิà¹Īà¸ĩà¹ģวà¸Ķลà¹īà¸Ńม": 143370, "ĠاÙĦÙħباشر": 143371, "ĠÑĦиг": 143372, "ĠÑĦигÑĥÑĢ": 143373, "можем": 143374, "׾×ŀ×Ļ×ĵ×Ķ": 143375, "Ġciné": 143376, "Ġcinéma": 143377, "Ġbada": 143378, "ĠbadaÅĦ": 143379, "جبÙĩØ©": 143380, "Ġдеп": 143381, "ĠдепÑĥÑĤ": 143382, "ĠдепÑĥÑĤаÑĤ": 143383, "Ġdistância": 143384, "ĠاÙĦÙħعار": 143385, "ĠاÙĦÙħعارضة": 143386, "thèse": 143387, "ünc": 143388, "üncü": 143389, "Ġданного": 143390, "ĠBelgi": 143391, "ĠBelgië": 143392, "Ġ×ij×ijק": 143393, "Ġ×ij×ijקש×Ķ": 143394, "ยà¹Īาà¸Ļ": 143395, "Ġsolução": 143396, "Ġ×Ķצ×ĺר": 143397, "Ġ×Ķצ×ĺרפ×ķ": 143398, "ĠØ£ÙĨØŃ": 143399, "ĠØ£ÙĨØŃاء": 143400, "ĠدÙħØ´": 143401, "ĠدÙħØ´ÙĤ": 143402, "มัà¹ī": 143403, "มัà¹īย": 143404, "Ùħغرب": 143405, "استعÙħاÙĦ": 143406, "ĠSÅĤow": 143407, "ĠëıĻìĭľ": 143408, "ĠëıĻìĭľìĹIJ": 143409, "ĠÑģоÑģ": 143410, "ĠÑģоÑģед": 143411, "ì²ŃìĨĮ": 143412, "ì²ŃìĨĮëħĦ": 143413, "ĠгÑĢаÑĦ": 143414, "ĠгÑĢаÑĦик": 143415, "ĠìŀijìĿĢ": 143416, "Ġyeti": 143417, "ĠyetiÅŁtir": 143418, "ĠìĿ´ê²ĥìĿ´": 143419, "หà¹Īาà¸ĩ": 143420, "Ø¥ÙħÙĥاÙĨ": 143421, "Ø¥ÙħÙĥاÙĨÙĬØ©": 143422, "استعراض": 143423, "Ùħخدر": 143424, "ĠÑĩÑĥÑĤÑĮ": 143425, "ÙħدÙĬر": 143426, "ÙħدÙĬرÙĬØ©": 143427, "Ġà¹Ģมษ": 143428, "Ġà¹Ģมษายà¸Ļ": 143429, "ĠмеÑħ": 143430, "ĠмеÑħаниз": 143431, "ĠмеÑħанизм": 143432, "ĠÑģÑĥм": 143433, "ĠÑģÑĥммÑĥ": 143434, "Ġvö": 143435, "Ġvöll": 143436, "Ġvöllig": 143437, "ĠдÑĢÑĥз": 143438, "ĠдÑĢÑĥзÑĮÑı": 143439, "ãĤĴåĪ©çĶ¨ãģĹãģ¦": 143440, "à¸ļรรà¸Īุ": 143441, "pożycz": 143442, "×ŀש׼": 143443, "×ŀ×©×Ľ×ł×ª": 143444, "×ŀ×©×Ľ×ł×ª×IJ": 143445, "Ġeuropéen": 143446, "Ġproprié": 143447, "Ġpropriétaire": 143448, "Ġkhấu": 143449, "ãģĦãģŁãģłãģijãĤĭ": 143450, "Ġtecrü": 143451, "Ġtecrübe": 143452, "×Ķ×ij": 143453, "×Ķ×ij׳×Ķ": 143454, "ĠcuÌ": 143455, "ĠcuÌī": 143456, "ĠcuÌīa": 143457, "×IJ×ķ×ķ": 143458, "×IJ×ķ×ķ×Ļר×Ķ": 143459, "Ġ׼×ķ׾×ķ": 143460, "Ulus": 143461, "Uluslararası": 143462, "Ġ׳×ķת": 143463, "Ġ׳×ķ×ª×Ł": 143464, "ãģ«åIJij": 143465, "ãģ«åIJijãģijãģ¦": 143466, "ë¹Ľ": 143467, "à¸Ĺัà¸ģษ": 143468, "à¸Ĺัà¸ģษะ": 143469, "سÙĤÙĪ": 143470, "سÙĤÙĪØ·": 143471, "Ġвн": 143472, "ĠвнеÑĪ": 143473, "ĠвнеÑĪне": 143474, "Ġurz": 143475, "ĠurzÄĻd": 143476, "Ġámb": 143477, "Ġámbito": 143478, "à¸Ńà¸ĺิ": 143479, "à¸Ńà¸ĺิà¸ļาย": 143480, "ĠÅĤad": 143481, "ĠÅĤadn": 143482, "ê±´ì¶ķ": 143483, "wództ": 143484, "wództw": 143485, "Ġquestões": 143486, "Ġשק": 143487, "Ġשק×Ļ×ij׾": 143488, "ĠmiejscowoÅĽci": 143489, "Ġвал": 143490, "ĠвалÑİÑĤ": 143491, "häuser": 143492, "หà¸Ļà¸Ńà¸ĩ": 143493, "ãģ¨åħ±": 143494, "ãģ¨åħ±ãģ«": 143495, "ãĥıãĥ¼ãĥī": 143496, "Ġê°ľìµľ": 143497, "ĠоÑģновном": 143498, "ĠмÑıÑģ": 143499, "اعت": 143500, "اعتÙĤاÙĦ": 143501, "สà¸ĸิ": 143502, "สà¸ĸิà¸ķิ": 143503, "Ngu": 143504, "Nguá»ĵn": 143505, "ĠÙħجÙĦ": 143506, "ĠÙħجÙĦØ©": 143507, "à¹ģà¸Ĥà¸Ļ": 143508, "ĠاÙĦÙĦÙĬبÙĬ": 143509, "פע×Ļ׾×ķ×Ļ×ķת": 143510, "Ġ×Ķרפ×ķ×IJ×Ļ": 143511, "פר×ķפ": 143512, "פר×ķפ×Ļ׾": 143513, "ק׾×IJ": 143514, "ק׾×IJס×Ļ": 143515, "ÙĥتشÙģ": 143516, "ãģ«ãģªãģ£ãģ¦ãģĹãģ¾ãģĨ": 143517, "à¹Ģà¸Ħลà¹ĩà¸Ķ": 143518, "à¹Ģà¸Ħลà¹ĩà¸Ķลัà¸ļ": 143519, "Ġì»´": 143520, "Ġì»´íĵ¨": 143521, "Ġì»´íĵ¨íĦ°": 143522, "Ġ×Ĺ×Ļ×ķ×ij×Ļ": 143523, "Ġnäm": 143524, "Ġnämlich": 143525, "åij¼ãģ°": 143526, "åij¼ãģ°ãĤĮ": 143527, "ĠÑĢол": 143528, "ĠÑĢоли": 143529, "Ġspécialisé": 143530, "à¸Ļวัà¸ķ": 143531, "à¸Ļวัà¸ķà¸ģรรม": 143532, "ÙĨصÙĪص": 143533, "пеÑĢед": 143534, "пеÑĢедаÑĩ": 143535, "thèque": 143536, "Ġר×IJ×Ļת×Ļ": 143537, "ãĥĢãĤ¦ãĥ³": 143538, "ãĤıãģĭ": 143539, "ãĤıãģĭãģ£ãģ¦": 143540, "беÑĢеж": 143541, "ĠÑģек": 143542, "ĠÑģекÑĢ": 143543, "ĠÑģекÑĢеÑĤ": 143544, "ĠпоÑģÑĤоÑıнн": 143545, "à¸Ĥà¸Ļสà¹Īà¸ĩ": 143546, "Ġmük": 143547, "Ġmükem": 143548, "Ġmükemmel": 143549, "еÑĤеÑģÑĮ": 143550, "ĠاÙĦسÙĨÙĪات": 143551, "ĠìłĦíĺĢ": 143552, "Ġ×Ķ×ŀק×ķר×Ļ": 143553, "Ġmüd": 143554, "Ġmüdah": 143555, "Ġmüdahale": 143556, "Ġwyb": 143557, "Ġwybór": 143558, "Ġtendência": 143559, "إدار": 143560, "إدارÙĬØ©": 143561, "Ġunterstützen": 143562, "ת×ijר": 143563, "ת×ijרר": 143564, "Ġdiá": 143565, "Ġdiálogo": 143566, "ĠÃĸnce": 143567, "ĠÃĸnceki": 143568, "ãĤ¹ãĥĿãĥĥãĥĪ": 143569, "ëĦ£": 143570, "ĠGeli": 143571, "ĠGeliÅŁ": 143572, "ãĤĴéĢļ": 143573, "ãĤĴéĢļãģĹãģ¦": 143574, "ĠFuÃŁball": 143575, "Ġsalari": 143576, "Ġsalarié": 143577, "ĠпÑĢодÑĥкÑĤов": 143578, "صÙģÙĤØ©": 143579, "รวà¸ļ": 143580, "รวà¸ļรวม": 143581, "à¹ĥà¸Ļà¸IJาà¸Ļ": 143582, "à¹ĥà¸Ļà¸IJาà¸Ļะ": 143583, "Ġkayna": 143584, "Ġkaynaģı": 143585, "ĠìŀijíĴĪ": 143586, "ĠвÑĭÑĢаж": 143587, "ĠвÑĭÑĢажен": 143588, "ĠÑģÑĤеп": 143589, "ĠÑģÑĤепени": 143590, "ĠاÙĦÙħÙĪجÙĪد": 143591, "ĠاÙĦÙħÙĪجÙĪدة": 143592, "ลà¹īม": 143593, "ĠnajczÄĻ": 143594, "ĠnajczÄĻÅĽcie": 143595, "ĠnajczÄĻÅĽciej": 143596, "Ġzwy": 143597, "Ġzwyk": 143598, "ĠzwykÅĤ": 143599, "Ġê·¸ëłĩì§Ģ": 143600, "à¸ģระà¸Ī": 143601, "à¸ģระà¸Īาย": 143602, "Ġëĭµ": 143603, "Ġëĭµë³Ģ": 143604, "ĠÑĢеак": 143605, "ĠÑĢеакÑĨи": 143606, "ĠÅĽwież": 143607, "ĠÑģÑĤоимоÑģÑĤи": 143608, "ÙħÙĨاÙĤ": 143609, "ÙħÙĨاÙĤØ´": 143610, "ÙħÙĨاÙĤشة": 143611, "ĠÑħоÑĩÑĥ": 143612, "ãĥľãĥ¼ãĥī": 143613, "Ġróżnic": 143614, "ĠкÑĢÑĭ": 143615, "ĠкÑĢÑĭÑĪ": 143616, "âľĵ": 143617, "ãĤ³ãĥ³ãĥĨãĥ³": 143618, "ãĤ³ãĥ³ãĥĨãĥ³ãĥĦ": 143619, "ĠпÑĢедпоÑĩ": 143620, "×ŀר×ij×Ļת": 143621, "ĠØ´Ùĥ": 143622, "ĠØ´Ùĥرا": 143623, "Ġдал": 143624, "Ġдалек": 143625, "Ġдалеко": 143626, "برÙĬØ·": 143627, "برÙĬطاÙĨÙĬا": 143628, "عÙĨا": 143629, "عÙĨاÙĬØ©": 143630, "ĠÑĢаÑģÑģказ": 143631, "ĠÑĢаÑģÑģказÑĭва": 143632, "Ø£ÙĦÙĪ": 143633, "Ø£ÙĦÙĪاÙĨ": 143634, "æĮģãģ£ãģ¦": 143635, "æĮģãģ£ãģ¦ãģĦ": 143636, "Ùħبادئ": 143637, "×Ķ×¢×ijר": 143638, "×Ķ×¢×ijרת": 143639, "Ġyayı": 143640, "Ġyayıml": 143641, "Ġyayımla": 143642, "mát": 143643, "máticos": 143644, "à¸ģัà¸ĩ": 143645, "à¸ģัà¸ĩวล": 143646, "Ġ×ľ×¤×ª": 143647, "Ġ×ľ×¤×ª×ķ×Ĺ": 143648, "à¸ŀฤà¸ķิ": 143649, "à¸ŀฤà¸ķิà¸ģรรม": 143650, "íĤ¬": 143651, "ĠокÑĢÑĥг": 143652, "Ġ×ŀצ×ķ×ķ×Ķ": 143653, "ÐĽÐµÐ½Ð¸": 143654, "ÐĽÐµÐ½Ð¸Ð½": 143655, "ĠTriá»ģu": 143656, "ãĤ³ãĥŁãĥ¥": 143657, "ãĤ³ãĥŁãĥ¥ãĥĭ": 143658, "ãĤ³ãĥŁãĥ¥ãĥĭãĤ±": 143659, "ãĤ³ãĥŁãĥ¥ãĥĭãĤ±ãĥ¼ãĤ·ãĥ§ãĥ³": 143660, "ÙĥÙĨÙĬ": 143661, "ÙĥÙĨÙĬسة": 143662, "ãĤĴä¸Ńå¿ĥ": 143663, "ãĤĴä¸Ńå¿ĥãģ«": 143664, "ĠmiÄĻdz": 143665, "ĠmiÄĻdzyn": 143666, "ĠmiÄĻdzynar": 143667, "ĠmiÄĻdzynarod": 143668, "ĠmiÄĻdzynarodow": 143669, "ÙĦÙĨ": 143670, "ÙĦÙĨدا": 143671, "برش": 143672, "برشÙĦÙĪÙĨ": 143673, "برشÙĦÙĪÙĨØ©": 143674, "à¸ģระà¸ķุ": 143675, "à¸ģระà¸ķุà¹īà¸Ļ": 143676, "Ġgı": 143677, "Ġgıda": 143678, "à¸Ľà¸£à¸°à¸Ĺัà¸ļ": 143679, "à¸Ľà¸£à¸°à¸Ĺัà¸ļà¹ĥà¸Ī": 143680, "Ġë¶Ī구": 143681, "Ġë¶Ī구íķĺê³ł": 143682, "ĠÙĨØ·": 143683, "ĠÙĨطاÙĤ": 143684, "ĠÐľÐ¾Ð¶ÐµÑĤ": 143685, "Präs": 143686, "Präsident": 143687, "ĠÑģкоÑĢ": 143688, "ĠÑģкоÑĢоÑģÑĤÑĮ": 143689, "Ġ×Ķ×ij×ķקר": 143690, "еÑħаÑĤÑĮ": 143691, "Ġgạo": 143692, "Ġש×IJ×Ļ׳×Ŀ": 143693, "Ġ×ij׳×ķ×Ĵ": 143694, "Ġ×ij׳×ķ×Ĵ×¢": 143695, "ĠопиÑģание": 143696, "Ġuczni": 143697, "Ġuczniów": 143698, "à¹Ģà¸Ńà¹ĩà¸Ļ": 143699, "Ġتش": 143700, "ĠتشرÙĬÙĨ": 143701, "Ġnhãn": 143702, "빨": 143703, "Ġcaractère": 143704, "×¢×ľ×Ļ": 143705, "×¢×ľ×Ļ×Ļ×Ķ": 143706, "楽ãģĹãĤģãĤĭ": 143707, "ĠÑģаÑħ": 143708, "ĠÑģаÑħаÑĢ": 143709, "дÑĥмаÑĤÑĮ": 143710, "ĠÐĴозможно": 143711, "صÙĬاÙĨ": 143712, "صÙĬاÙĨØ©": 143713, "ömür": 143714, "สล": 143715, "สลà¹ĩ": 143716, "สลà¹ĩà¸Ń": 143717, "สลà¹ĩà¸Ńà¸ķ": 143718, "롯": 143719, "Ġthói": 143720, "grÃ¶ÃŁe": 143721, "ĠksiÄĻ": 143722, "ĠksiÄĻg": 143723, "ĠÑĢом": 143724, "ĠÑĢоман": 143725, "ÙĤاسÙħ": 143726, "×ŀ×ij×ķ×Ĵ": 143727, "×ŀ×ij×ķ×Ĵר×Ļ×Ŀ": 143728, "besch": 143729, "beschäft": 143730, "beschäftig": 143731, "×Ķצע×Ķ": 143732, "ĠÃģrea": 143733, "ĠзаÑıвк": 143734, "Ĺ": 143735, "ĠлÑİбого": 143736, "Ġม": 143737, "Ġมà¸ģร": 143738, "Ġมà¸ģราà¸Ħม": 143739, "ÑĦиз": 143740, "ÑĦизиÑĩеÑģк": 143741, "инÑĦ": 143742, "инÑĦек": 143743, "инÑĦекÑĨи": 143744, "اÙĦØ·": 143745, "اÙĦطائÙģ": 143746, "Ġколл": 143747, "ĠколлекÑĤив": 143748, "езжа": 143749, "ĠسبØŃ": 143750, "ĠسبØŃاÙĨ": 143751, "ĠسبØŃاÙĨÙĩ": 143752, "schlä": 143753, "schläge": 143754, "Ġди": 143755, "Ġдиаг": 143756, "ĠдиагноÑģÑĤ": 143757, "ĠоÑĤмеÑĤиÑĤÑĮ": 143758, "ТЬ": 143759, "ĠاÙĦدر": 143760, "ĠاÙĦدراسÙĬ": 143761, "עצ×ŀ": 143762, "עצ×ŀ×IJ×ķת": 143763, "Ġdémarch": 143764, "Ġdémarche": 143765, "Ġ×ĺ×ķ×¢": 143766, "Ġ×ĺ×ķ×¢×Ł": 143767, "Ġfuncionários": 143768, "ỵ": 143769, "׾׼×IJ": 143770, "׾׼×IJ×ķר×Ķ": 143771, "à¸ĭà¹Ī": 143772, "à¸ĭà¹Īà¸Ńม": 143773, "ĠÑĩÑĥв": 143774, "ĠÑĩÑĥвÑģÑĤво": 143775, "âĸ¼": 143776, "пÑĥÑī": 143777, "пÑĥÑīен": 143778, "ĠмеÑĢ": 143779, "ĠмеÑĢоп": 143780, "ĠмеÑĢопÑĢи": 143781, "ĠмеÑĢопÑĢиÑıÑĤиÑı": 143782, "Ġuçu": 143783, "ĠuçuÅŁ": 143784, "ãĤĴåĪ©çĶ¨ãģĻãĤĭ": 143785, "aÄŁ": 143786, "aÄŁlı": 143787, "ìĺĪìĪł": 143788, "à¹ģยà¹Ī": 143789, "ĠاÙĦÙĥÙħ": 143790, "ĠاÙĦÙĥÙħبÙĬ": 143791, "ĠاÙĦÙĥÙħبÙĬÙĪتر": 143792, "تÙĪÙĬ": 143793, "تÙĪÙĬتر": 143794, "à¹Ģà¸Ĭีà¹Īยว": 143795, "à¹Ģà¸Ĭีà¹Īยวà¸Ĭา": 143796, "à¹Ģà¸Ĭีà¹Īยวà¸Ĭาà¸į": 143797, "á»Ķ": 143798, "Ġhiếm": 143799, "ذاÙĥرة": 143800, "Ġ×Ķ×ŀ×Ļ×ķ×Ĺ×ĵ": 143801, "ĠìĪľ": 143802, "ĠìĪľê°Ħ": 143803, "ĠKı": 143804, "ĠKısa": 143805, "ĠgeleceÄŁi": 143806, "пÑĢоÑĦеÑģÑģиона": 143807, "пÑĢоÑĦеÑģÑģионал": 143808, "Ġogó": 143809, "Ġogóle": 143810, "ĠgÅĤów": 143811, "ĠgÅĤówne": 143812, "ĠÑģÑĤилÑĮ": 143813, "×IJפ׾": 143814, "×IJפ׾×Ļק": 143815, "×IJפ׾×Ļקצ×Ļ×Ķ": 143816, "สมารà¹Į": 143817, "สมารà¹Įà¸Ĺ": 143818, "สมารà¹Įà¸Ĺà¹Ĥà¸Ł": 143819, "สมารà¹Įà¸Ĺà¹Ĥà¸Łà¸Ļ": 143820, "Ġthánh": 143821, "ÐŁÐ¾Ð´": 143822, "ÐŁÐ¾Ð´ÑĢоб": 143823, "ÐŁÐ¾Ð´ÑĢобнее": 143824, "ĠاÙĦتÙĪÙĨ": 143825, "ĠاÙĦتÙĪÙĨسÙĬ": 143826, "Ġbahçe": 143827, "à¹ģà¸ģà¹īà¸Ľà¸±à¸įหา": 143828, "éducation": 143829, "europ": 143830, "europä": 143831, "europäische": 143832, "ĠKsi": 143833, "ĠKsiÄĻ": 143834, "ĠëĦĺ": 143835, "ĠëĦĺìĸ´": 143836, "Ġvüc": 143837, "Ġvücud": 143838, "Ġyayg": 143839, "Ġyaygın": 143840, "Ġniekt": 143841, "Ġniektóry": 143842, "Ġniektórych": 143843, "ãģŃãģĩ": 143844, "Ġкаж": 143845, "ĠкажеÑĤÑģÑı": 143846, "каж": 143847, "кажеÑĤ": 143848, "ĠاÙĦدÙĬÙħÙĤرا": 143849, "ĠاÙĦدÙĬÙħÙĤراط": 143850, "ĠاÙĦدÙĬÙħÙĤراطÙĬØ©": 143851, "æŃ©": 143852, "æŃ©ãģĦãģ¦": 143853, "Ġvaz": 143854, "Ġvazge": 143855, "Ġvazgeç": 143856, "ĠминималÑĮ": 143857, "ĠминималÑĮн": 143858, "ãĥijãĤ¿": 143859, "ãĥijãĤ¿ãĥ¼ãĥ³": 143860, "ĠëĬ": 143861, "ĠëĬIJ": 143862, "ĠëĬIJëĤĮ": 143863, "ãģ¡ãĤĩãģĨ": 143864, "ãģ¡ãĤĩãģĨãģ©": 143865, "Ġà¸ģร": 143866, "Ġà¸ģรà¸ģà¸İ": 143867, "Ġà¸ģรà¸ģà¸İาà¸Ħม": 143868, "تجدÙĬد": 143869, "ĠشاÙħÙĦ": 143870, "หลัà¸ģà¸IJาà¸Ļ": 143871, "ĠмаÑĢÑĪ": 143872, "ĠмаÑĢÑĪÑĢÑĥÑĤ": 143873, "ĠvÃŃt": 143874, "ĠvÃŃtima": 143875, "Ġquizá": 143876, "aygı": 143877, "×ĵ×ijר×Ļ×ķ": 143878, "Ġизд": 143879, "Ġиздели": 143880, "ĠизделиÑı": 143881, "пла": 143882, "плаÑĩ": 143883, "плаÑĩива": 143884, "ä»»ãģĽ": 143885, "Ġéquipé": 143886, "ä¹ħãģĹãģ": 143887, "ä¹ħãģĹãģ¶": 143888, "ä¹ħãģĹãģ¶ãĤĬ": 143889, "ĠкаÑĤ": 143890, "ĠкаÑĤал": 143891, "ĠкаÑĤалог": 143892, "สà¹īม": 143893, "ĠÑĢей": 143894, "ĠÑĢейÑĤ": 143895, "ĠÑĢейÑĤинг": 143896, "Ġthuyá»ģn": 143897, "ĠاÙĦÙħÙĤدس": 143898, "espère": 143899, "ãģ«åħ¥ãģ£ãģŁ": 143900, "หมายà¹Ģลà¸Ĥ": 143901, "ת×Ĺ×ķשת": 143902, "à¸Ļà¹Īะ": 143903, "ĠpeÅĤ": 143904, "ĠpeÅĤne": 143905, "Ġpérd": 143906, "Ġpérdida": 143907, "หมวà¸Ķ": 143908, "หมวà¸Ķหมูà¹Ī": 143909, "иÑĩеÑģкÑĥÑİ": 143910, "çµĤãĤı": 143911, "çµĤãĤıãģ£ãģŁ": 143912, "Ġ×Ĵ×ķ×Ĵ׾": 143913, "à¸Ĺำà¸Ħวาม": 143914, "à¸Ĺำà¸Ħวามสะà¸Ńาà¸Ķ": 143915, "Hotéis": 143916, "ĠзаÑĢ": 143917, "ĠзаÑĢегиÑģÑĤ": 143918, "ĠзаÑĢегиÑģÑĤÑĢи": 143919, "ĠзаÑĢегиÑģÑĤÑĢиÑĢова": 143920, "ĠÑģобÑĭÑĤи": 143921, "ĠÑģобÑĭÑĤиÑı": 143922, "Ġ×ĸ׼×IJ": 143923, "ÙħÙĨظÙĪÙħØ©": 143924, "Ġ×Ķ×ŀצ": 143925, "Ġ×Ķ×ŀצ×Ļ×IJ×ķת": 143926, "ÙħÙĥÙĪÙĨ": 143927, "ÙħÙĥÙĪÙĨات": 143928, "ä¸ĬãģĮãĤĭ": 143929, "ĠmÄĻ": 143930, "ĠmÄĻsk": 143931, "หรืà¸Ńà¹Ģà¸Ľà¸¥à¹Īา": 143932, "ëĤ®": 143933, "Ġnoktas": 143934, "Ġnoktası": 143935, "ĠболÑĮÑĪим": 143936, "ĠлÑĥÑĩÑĪиÑħ": 143937, "Ø´ÙĩÙĬد": 143938, "à¸Ńำà¸Ļ": 143939, "à¸Ńำà¸Ļวย": 143940, "à¸Ńำà¸Ļวยà¸Ħวาม": 143941, "à¸Ńำà¸Ļวยà¸Ħวามสะà¸Ķวà¸ģ": 143942, "Ġев": 143943, "ĠевÑĢ": 143944, "ĠевÑĢоп": 143945, "ĠевÑĢопей": 143946, "à¸īาย": 143947, "ìĦŃ": 143948, "ÙħÙģا": 143949, "ÙħÙģاÙĪض": 143950, "ÙħÙģاÙĪضات": 143951, "ë¹Į": 143952, "赤ãģ¡ãĤĥãĤĵ": 143953, "ĠÑĥдалоÑģÑĮ": 143954, "ĠХоÑĤ": 143955, "ĠХоÑĤÑı": 143956, "przedsiÄĻbiorc": 143957, "ĠHôm": 143958, "íķĺìĺĢìĬµëĭĪëĭ¤": 143959, "Ġнаг": 143960, "ĠнагÑĢÑĥз": 143961, "ĠнагÑĢÑĥзк": 143962, "Ġ×ij×Ļ׳׾×IJ×ķ×ŀ×Ļ": 143963, "Ġê°ĢëĬ¥íķľ": 143964, "ĠHữu": 143965, "à¸Ńุà¸Ķ": 143966, "à¸Ńุà¸Ķม": 143967, "ת×ķפ": 143968, "ת×ķפע×Ķ": 143969, "ĠmiÅĤo": 143970, "ĠmiÅĤoÅĽci": 143971, "ksiÄħż": 143972, "ksiÄħżka": 143973, "ĠاÙĦÙĦعبة": 143974, "à¸īาà¸ģ": 143975, "สะสม": 143976, "×ŀתר": 143977, "×ŀתר×Ĺש": 143978, "Ġlégère": 143979, "Ġ׾צפ": 143980, "Ġ׾צפ×Ļ×Ķ": 143981, "ĠиÑģÑĤоÑĢиÑı": 143982, "ĠãĥĪãĥ©": 143983, "ĠãĥĪãĥ©ãĥĥãĤ¯": 143984, "ĠãĥĪãĥ©ãĥĥãĤ¯ãĥIJãĥĥãĤ¯": 143985, "Ġка": 143986, "ĠкаÑĦе": 143987, "×ŀס×ŀ×ļ": 143988, "Ġcüm": 143989, "Ġcümle": 143990, "à¹Ģà¸Ħลืà¹Īà¸Ńà¸Ļà¹Ħหว": 143991, "ãģĬãģĿ": 143992, "ãģĬãģĿãĤīãģı": 143993, "ìŀIJëıĻ": 143994, "ìŀIJëıĻì°¨": 143995, "à¸Ńัà¸ķ": 143996, "à¸Ńัà¸ķà¹Ĥà¸Ļ": 143997, "à¸Ńัà¸ķà¹Ĥà¸Ļมั": 143998, "à¸Ńัà¸ķà¹Ĥà¸Ļมัà¸ķิ": 143999, "ĠÅŁik": 144000, "ĠÅŁikay": 144001, "ĠÅŁikayet": 144002, "extrême": 144003, "krä": 144004, "kräfte": 144005, "ëĤĻ": 144006, "íķij": 144007, "ì²Ļ": 144008, "íĺĪ": 144009, "ì°į": 144010, "âĻ¡": 144011, "ìŀĶ": 144012, "뢰": 144013, "íĿĶ": 144014, "íĿIJ": 144015, "âĩĴ": 144016, "맼": 144017, "ìĬĪ": 144018, "á»Ĵ": 144019, "ìĺµ": 144020, "âĹİ": 144021, "íĤ¨": 144022, "ê¿Ī": 144023, "ìĪ¨": 144024, "ìĽ¨": 144025, "맥": 144026, "ï½Ģ": 144027, "Ｊ": 144028, "Ẩ": 144029, "ãħİ": 144030, "ÑĹ": 144031, "ìĦ¬": 144032, "ì¹¼": 144033, "Ｖ": 144034, "ìĽł": 144035, "룴": 144036, "Åĥ": 144037, "ëĤ¼": 144038, "ëĭIJ": 144039, "âĢ¹": 144040, "ë¦Ń": 144041, "ì§IJ": 144042, "âĢ¤": 144043, "Ãħ": 144044, "뾨": 144045, "íĦ¸": 144046, "íľĺ": 144047, "ê²ģ": 144048, "ë´ħ": 144049, "Ãĺ": 144050, "ëŃĶ": 144051, "ëĺij": 144052, "âĹĩ": 144053, "ìĹĺ": 144054, "ï»´": 144055, "맹": 144056, "ï¾Ŀ": 144057, "ìĬ·": 144058, "íĥķ": 144059, "ï¼ł": 144060, "ì»´": 144061, "ëłĮ": 144062, "ì½ľ": 144063, "ﻹ": 144064, "ãħł": 144065, "졸": 144066, "ëħ¹": 144067, "âĤº": 144068, "âĸ¶": 144069, "íĥIJ": 144070, "êµ´": 144071, "íij¸": 144072, "ÑĶ": 144073, "íĶ½": 144074, "Ðħ": 144075, "ë°¤": 144076, "Ôģ": 144077, "첨": 144078, "ì¶ĺ": 144079, "ë²Ĺ": 144080, "멸": 144081, "ï¼»": 144082, "ï¼½": 144083, "ï¼·": 144084, "ì°Į": 144085, "ÃĴ": 144086, "íı´": 144087, "ìĵ¸": 144088, "ì´Į": 144089, "ëģĶ": 144090, "ëĶ©": 144091, "ëĩĮ": 144092, "ë©Ģ": 144093, "벨": 144094, "ï¼µ": 144095, "맡": 144096, "ëĭ«": 144097, "฿": 144098, "ãģ±": 144099, "ìĩ¼": 144100, "ìºł": 144101, "뮤": 144102, "ê±±": 144103, "컬": 144104, "âĦĥ": 144105, "ëĶ±": 144106, "ëĥĪ": 144107, "ìĭ±": 144108, "íĻĪ": 144109, "ëŀIJ": 144110, "ìħĢ": 144111, "ìłł": 144112, "ÐĨ": 144113, "ëłī": 144114, "ï½ħ": 144115, "ï½ı": 144116, "íĻĢ": 144117, "뼰": 144118, "á»®": 144119, "íĤ¹": 144120, "ê½ĥ": 144121, "ﻤ": 144122, "ïºĶ": 144123, "꺼": 144124, "ìķī": 144125, "âĻ¦": 144126, "ï½ģ": 144127, "ìĵ´": 144128, "ãĢī": 144129, "ì°®": 144130, "ì¤ĺ": 144131, "Ừ": 144132, "ëģĦ": 144133, "ëIJ¨": 144134, "ìķĮ": 144135, "íĿĺ": 144136, "íħIJ": 144137, "ãĢĪ": 144138, "겪": 144139, "ëĭ¥": 144140, "ê²¼": 144141, "á»Į": 144142, "맨": 144143, "ëģĬ": 144144, "벤": 144145, "ëijĶ": 144146, "íĿ¡": 144147, "Ử": 144148, "ë¬ĺ": 144149, "ãģī": 144150, "ëŀ«": 144151, "íĶĪ": 144152, "íħį": 144153, "ìŀĥ": 144154, "ï½ī": 144155, "ìģľ": 144156, "âĸ½": 144157, "묻": 144158, "âĸ³": 144159, "Ｘ": 144160, "ìģĺ": 144161, "춰": 144162, "ìĬ´": 144163, "ìķ±": 144164, "ìĩĦ": 144165, "Ắ": 144166, "ï´¿": 144167, "ï´¾": 144168, "âĤ½": 144169, "ëĦĵ": 144170, "룩": 144171, "쳤": 144172, "ê´ľ": 144173, "ÃĻ": 144174, "Ỿ": 144175, "ï¿£": 144176, "ëĵŃ": 144177, "ë©ĺ": 144178, "ê»´": 144179, "ëł´": 144180, "Ðĥ": 144181, "묵": 144182, "ì§Ŀ": 144183, "ãģº": 144184, "ðŁĺĤ": 144185, "ëŀ¬": 144186, "ìłĬ": 144187, "ê´Ħ": 144188, "ìŀĬ": 144189, "íŀĮ": 144190, "ìĦ¯": 144191, "âĪĢ": 144192, "âĸ¡": 144193, "ëĢĮ": 144194, "ëŀĻ": 144195, "ï½ĥ": 144196, "Ặ": 144197, "ï¾Ħ": 144198, "ïºĺ": 144199, "ë¹¼": 144200, "ÃĮ": 144201, "âĸ·": 144202, "ê¸į": 144203, "ë©ĭ": 144204, "ãģĥ": 144205, "ìĺĨ": 144206, "ìĺ®": 144207, "몬": 144208, "롤": 144209, "볬": 144210, "ëĬ¦": 144211, "âĸª": 144212, "ì¼ĵ": 144213, "ìľĪ": 144214, "짧": 144215, "ï½½": 144216, "ëĥī": 144217, "ï¾Į": 144218, "ëĺIJ": 144219, "ï¼ĥ": 144220, "á»Ħ": 144221, "ì´¬": 144222, "춤": 144223, "ï¼¹": 144224, "ï»Ń": 144225, "âĤ«": 144226, "ï½ĩ": 144227, "ìĺ·": 144228, "ëĸ¨": 144229, "âī«": 144230, "릿": 144231, "⾨": 144232, "Ù±": 144233, "쯤": 144234, "ê¹Ķ": 144235, "ðŁĺĬ": 144236, "ìĪ«": 144237, "ê³±": 144238, "êµ³": 144239, "ï½ĭ": 144240, "à¸Į": 144241, "Äł": 144242, "ëĶ¸": 144243, "ë°ij": 144244, "ìħĭ": 144245, "íİ´": 144246, "âľħ": 144247, "íĥij": 144248, "ëĪĩ": 144249, "íı¼": 144250, "ðŁĺį": 144251, "ìĺĽ": 144252, "ﻣ": 144253, "Ñĺ": 144254, "ì©Į": 144255, "ë¦ħ": 144256, "ìĿį": 144257, "ｸ": 144258, "ëįľ": 144259, "ãģħ": 144260, "íݼ": 144261, "ëĭĿ": 144262, "ë¿Į": 144263, "ì¼°": 144264, "ìĭ«": 144265, "ë°¥": 144266, "íĽĮ": 144267, "ì¨Į": 144268, "ë¹Ļ": 144269, "ï½İ": 144270, "ë´Ħ": 144271, "ìĦ¹": 144272, "ï½²": 144273, "ìĮĵ": 144274, "Òij": 144275, "ë°į": 144276, "ëłĢ": 144277, "íĨ¤": 144278, "ｯ": 144279, "ë¤Ħ": 144280, "꽤": 144281, "ï½Ĵ": 144282, "ìķ¨": 144283, "ï½¼": 144284, "ê¹IJ": 144285, "íģIJ": 144286, "âĦĸ": 144287, "맺": 144288, "ﺮ": 144289, "ëħģ": 144290, "겸": 144291, "ï»ł": 144292, "íĬľ": 144293, "Ź": 144294, "ë¥Ń": 144295, "ëĪī": 144296, "ï½Ķ": 144297, "íĮ¬": 144298, "ìŀĩ": 144299, "ï¬ģ": 144300, "ﻨ": 144301, "ëij¥": 144302, "ëŀĦ": 144303, "Ù¬": 144304, "íĭ´": 144305, "ìŀī": 144306, "Ú¾": 144307, "ìĽħ": 144308, "ï»®": 144309, "ëĭī": 144310, "âīª": 144311, "âĹĦ": 144312, "ëĪĮ": 144313, "íĽ¼": 144314, "ì¤į": 144315, "Ÿ": 144316, "줬": 144317, "ì¾Į": 144318, "ï½ĵ": 144319, "ï¾Ĭ": 144320, "ðŁı»": 144321, "ï¾ī": 144322, "Ðģ": 144323, "íĺIJ": 144324, "ï¾Ļ": 144325, "꼬": 144326, "íŀIJ": 144327, "âĢ¥": 144328, "ëŁŃ": 144329, "ë§ŀ": 144330, "ìĥ¤": 144331, "ïºĴ": 144332, "íĭ±": 144333, "ë½ij": 144334, "Ãķ": 144335, "âĪļ": 144336, "ëĤĦ": 144337, "ê¹Ŀ": 144338, "ëĨĪ": 144339, "Ẻ": 144340, "ìħĪ": 144341, "ìĮį": 144342, "âĢ¡": 144343, "ï¼±": 144344, "ìģ¨": 144345, "âĺº": 144346, "ëĴ·": 144347, "ìĺ³": 144348, "ðŁijį": 144349, "몽": 144350, "ëĤŃ": 144351, "ïºŃ": 144352, "ë©Ī": 144353, "á»Ī": 144354, "íķĢ": 144355, "ëĭĻ": 144356, "ë¦ĩ": 144357, "ìķ¤": 144358, "ìį¼": 144359, "ãĥµ": 144360, "Ñ£": 144361, "ìľĹ": 144362, "âŃIJ": 144363, "ï¾ĺ": 144364, "íŬ": 144365, "ê¾¼": 144366, "ìķĹ": 144367, "ï»Į": 144368, "ê±·": 144369, "ëħķ": 144370, "롱": 144371, "ìķĬ": 144372, "ï¾Ģ": 144373, "ìĩł": 144374, "íĮ©": 144375, "ﺪ": 144376, "ë§Ļ": 144377, "＿": 144378, "ê¿Ķ": 144379, "íİľ": 144380, "룸": 144381, "íĶĶ": 144382, "ﻳ": 144383, "ëıķ": 144384, "ìĭ¼": 144385, "á»İ": 144386, "ë§ĺ": 144387, "ì¢ĭ": 144388, "íĨ¡": 144389, "ï½±": 144390, "íĿij": 144391, "Ỹ": 144392, "ì¦Į": 144393, "칸": 144394, "ëŃĺ": 144395, "ï¾Ĺ": 144396, "ï»ĭ": 144397, "íĬĢ": 144398, "ë¥Ļ": 144399, "콩": 144400, "ëģĹ": 144401, "ëį´": 144402, "ìħľ": 144403, "¸": 144404, "ë»IJ": 144405, "ìĥµ": 144406, "ê²IJ": 144407, "ëĵ¬": 144408, "룰": 144409, "ãħĭ": 144410, "ìĹī": 144411, "á»ĸ": 144412, "ëĦĮ": 144413, "ｶ": 144414, "ë´ĩ": 144415, "ëĤ³": 144416, "ãĤľ": 144417, "ëĸ»": 144418, "íİĢ": 144419, "ëį©": 144420, "íķ¸": 144421, "÷": 144422, "ê¼¼": 144423, "ëĶľ": 144424, "ë°´": 144425, "ë©į": 144426, "âĹ¯": 144427, "ìĹij": 144428, "ìĻ¼": 144429, "ïºij": 144430, "ë¶ķ": 144431, "롬": 144432, "ï½Į": 144433, "íĨ¨": 144434, "ﺴ": 144435, "ëłĺ": 144436, "ê°¤": 144437, "ìĪ²": 144438, "Ñĵ": 144439, "ìħī": 144440, "ï»ĵ": 144441, "ëĪĶ": 144442, "ëį§": 144443, "âĢ¼": 144444, "ﻲ": 144445, "ê°±": 144446, "ê¿Ģ": 144447, "ëĭ·": 144448, "Ẹ": 144449, "Ẫ": 144450, "ÆĴ": 144451, "ëį¤": 144452, "ìĪŃ": 144453, "ï½Ĥ": 144454, "ï½Ī": 144455, "Åł": 144456, "룬": 144457, "ѵ": 144458, "ëĸ¡": 144459, "ëĥĦ": 144460, "ìĦ°": 144461, "ëĵĪ": 144462, "ï¾ĥ": 144463, "ëĩ¨": 144464, "ï½IJ": 144465, "êµ½": 144466, "ìĹ½": 144467, "ëĤĢ": 144468, "묶": 144469, "ï½·": 144470, "ìıŁ": 144471, "íĺĶ": 144472, "ê¼Ī": 144473, "ëģĪ": 144474, "ì¥IJ": 144475, "ïºĹ": 144476, "ÄĮ": 144477, "ëĪł": 144478, "ëĸ¼": 144479, "íĢ´": 144480, "âī¥": 144481, "ëĭŃ": 144482, "ì±Ļ": 144483, "ê»ı": 144484, "멤": 144485, "ìĥĺ": 144486, "ëį®": 144487, "룡": 144488, "ìĤ½": 144489, "ãĪľ": 144490, "Ĩ": 144491, "âĢ§": 144492, "ｺ": 144493, "Ä£": 144494, "ì¦ī": 144495, "ï¼¼": 144496, "Û©": 144497, "âĪĻ": 144498, "ë°ı": 144499, "ë¹ħ": 144500, "ðŁĺĽ": 144501, "íĪ´": 144502, "ðŁĴķ": 144503, "ãĢĴ": 144504, "ìŀĺ": 144505, "ﺤ": 144506, "ï½ĸ": 144507, "ë©ľ": 144508, "ë²¼": 144509, "ëĿĦ": 144510, "ëļľ": 144511, "ï»ĺ": 144512, "ìĥĮ": 144513, "ï½Ħ": 144514, "ì©Ķ": 144515, "ï½Ļ": 144516, "ﺩ": 144517, "Ûŀ": 144518, "âĺİ": 144519, "ìł¤": 144520, "ëIJ©": 144521, "ÅĿ": 144522, "âŀ¡": 144523, "ﻧ": 144524, "Ðı": 144525, "ì«ĵ": 144526, "ê³½": 144527, "Éij": 144528, "ãĥ²": 144529, "ëĤ«": 144530, "ë¦ī": 144531, "ì¢ģ": 144532, "ë°Ń": 144533, "ðŁĺģ": 144534, "ë¹µ": 144535, "첩": 144536, "컵": 144537, "ðŁĺĺ": 144538, "ë±ħ": 144539, "âīĪ": 144540, "ë¹ļ": 144541, "ï»ľ": 144542, "ðŁĻı": 144543, "íģ°": 144544, "ìĦŀ": 144545, "ï¾ļ": 144546, "ìĺ¹": 144547, "ë¼Ī": 144548, "ëĤ¯": 144549, "ëŀ©": 144550, "íļ¡": 144551, "ï½ķ": 144552, "íĥĵ": 144553, "ëĿł": 144554, "ê³ģ": 144555, "ëĵĢ": 144556, "ìĹł": 144557, "Ｚ": 144558, "ë§ij": 144559, "ëĭ¿": 144560, "쿨": 144561, "ãİ¡": 144562, "ÐĬ": 144563, "íĦ±": 144564, "Ũ": 144565, "ﺳ": 144566, "ï¾ı": 144567, "âĭħ": 144568, "ê¼´": 144569, "âī¤": 144570, "íĮģ": 144571, "Ω": 144572, "궤": 144573, "ìĪį": 144574, "âľ¿": 144575, "콤": 144576, "ëĪħ": 144577, "íĨ±": 144578, "ãħľ": 144579, "áIJħ": 144580, "ÅĴ": 144581, "ðŁijī": 144582, "ﻦ": 144583, "Ъ": 144584, "ë¥ľ": 144585, "íķ«": 144586, "ï¾ĭ": 144587, "âĻ«": 144588, "ê¹ľ": 144589, "ë°¸": 144590, "ëĶĺ": 144591, "íĿī": 144592, "ï¾ģ": 144593, "ï¾Ľ": 144594, "볼": 144595, "ê²¹": 144596, "쿼": 144597, "ﻬ": 144598, "âŀ¤": 144599, "ðŁĻģ": 144600, "ïºł": 144601, "ëĨ¨": 144602, "믹": 144603, "ê¸ĭ": 144604, "ë»Ķ": 144605, "ê¹ĥ": 144606, "ëijij": 144607, "íĭ¸": 144608, "íİĻ": 144609, "âŀĸ": 144610, "ãĥ½": 144611, "ì§ļ": 144612, "ｬ": 144613, "ﻥ": 144614, "íĮ½": 144615, "âĢĴ": 144616, "ìĮĢ": 144617, "ìŃī": 144618, "ëļ±": 144619, "ãĤŀ": 144620, "íĭĪ": 144621, "ãĤIJ": 144622, "ëīĺ": 144623, "Σ": 144624, "ê³°": 144625, "ë¹Ĺ": 144626, "ï¾İ": 144627, "ðŁĺŃ": 144628, "íĿł": 144629, "ìĹ¿": 144630, "ê°ļ": 144631, "ì¤Į": 144632, "맵": 144633, "ï½³": 144634, "ãģ¢": 144635, "ï»Ĺ": 144636, "âī¦": 144637, "Ú¤": 144638, "ëłģ": 144639, "ê¼½": 144640, "ﻫ": 144641, "âī§": 144642, "ì´Ľ": 144643, "ìłĿ": 144644, "Ằ": 144645, "âĻ£": 144646, "ìºĺ": 144647, "âĪĩ": 144648, "ê²ī": 144649, "ë°Ł": 144650, "ï»Ķ": 144651, "íĸĩ": 144652, "âĸĴ": 144653, "ðŁijı": 144654, "Ãŀ": 144655, "ðŁĺĨ": 144656, "ﺼ": 144657, "âĿĹ": 144658, "ìºĶ": 144659, "칩": 144660, "ëĸ¤": 144661, "ëĥħ": 144662, "âĶľ": 144663, "ï½»": 144664, "ÎĶ": 144665, "áĥ¦": 144666, "ìŀİ": 144667, "âĺĢ": 144668, "âĪ¼": 144669, "ðŁĶ¥": 144670, "ë°Į": 144671, "ìłĸ": 144672, "íĹĽ": 144673, "Îķ": 144674, "ïºĥ": 144675, "ë¶ī": 144676, "âĪŀ": 144677, "íĥŃ": 144678, "Ãĭ": 144679, "âģĦ": 144680, "ãħĩ": 144681, "ëĦ¥": 144682, "ëĭ®": 144683, "ëł·": 144684, "íĮĿ": 144685, "캡": 144686, "ë·Ķ": 144687, "ì©į": 144688, "íĤ´": 144689, "ëļ«": 144690, "âĵĴ": 144691, "íķį": 144692, "âĻĤ": 144693, "ï¾Ĩ": 144694, "âĨ©": 144695, "ìį©": 144696, "ïºķ": 144697, "íĿĻ": 144698, "Ñľ": 144699, "íĤ·": 144700, "íĿ°": 144701, "íĥ±": 144702, "ëķIJ": 144703, "ï¾Ĵ": 144704, "×ĥ": 144705, "ëĮĦ": 144706, "ìĺ´": 144707, "ìķµ": 144708, "ê¹¥": 144709, "ëŀŃ": 144710, "쪼": 144711, "ãİĿ": 144712, "ðŁĺħ": 144713, "ëıĭ": 144714, "몫": 144715, "ﺸ": 144716, "뮬": 144717, "ë²ħ": 144718, "ëijł": 144719, "ìħ°": 144720, "ì»·": 144721, "ëĶª": 144722, "ëħĶ": 144723, "ãħ¡": 144724, "ìĶ»": 144725, "íķı": 144726, "ëį±": 144727, "ﺨ": 144728, "ï¾į": 144729, "ï½µ": 144730, "ì¢Ģ": 144731, "íİĮ": 144732, "ï»°": 144733, "ﺣ": 144734, "Æ£": 144735, "ðŁ¤£": 144736, "ï·º": 144737, "ëĤļ": 144738, "âĭĨ": 144739, "ë³į": 144740, "ðŁĺĦ": 144741, "ìĸĢ": 144742, "ìĻł": 144743, "ëĨĶ": 144744, "íŨ": 144745, "ï»Ľ": 144746, "ï»Ŀ": 144747, "Ỷ": 144748, "ìĸĺ": 144749, "ìİĦ": 144750, "ÚĨ": 144751, "ï»ŀ": 144752, "ëĢIJ": 144753, "ê²Ķ": 144754, "ﻵ": 144755, "âŦ": 144756, "íļŁ": 144757, "ê¹ģ": 144758, "ê°ĵ": 144759, "ëĶ´": 144760, "ìıĺ": 144761, "ëļĿ": 144762, "ỳ": 144763, "ëŀ´": 144764, "ëĦī": 144765, "âĺŀ": 144766, "ï½ĺ": 144767, "Ž": 144768, "ë¦İ": 144769, "âĸ¬": 144770, "ëŃī": 144771, "âĩĽ": 144772, "ìį¬": 144773, "ïºŁ": 144774, "Ëľ": 144775, "ë¶ĵ": 144776, "ìĽ°": 144777, "Åľ": 144778, "ëŃĩ": 144779, "Ỳ": 144780, "Ëļ": 144781, "ëķĢ": 144782, "âĺij": 144783, "ðŁı¼": 144784, "ìĸ½": 144785, "âĮĴ": 144786, "Ðİ": 144787, "ɾ": 144788, "íĮ¡": 144789, "ï¾ħ": 144790, "ìŀŃ": 144791, "ｨ": 144792, "칫": 144793, "ìľĮ": 144794, "ÒĽ": 144795, "굿": 144796, "ëĭ¦": 144797, "âĶĶ": 144798, "ï¾ij": 144799, "ì§ĸ": 144800, "ìºĦ": 144801, "ãĢĥ": 144802, "ʼ": 144803, "ê²Ł": 144804, "ｧ": 144805, "Ä¢": 144806, "íİł": 144807, "맷": 144808, "ê°ĩ": 144809, "ìĭ¹": 144810, "ðŁĴ¦": 144811, "ï¾ľ": 144812, "ëĬĻ": 144813, "벡": 144814, "Å¿": 144815, "ðŁĺĭ": 144816, "ðŁĴª": 144817, "ì¿Ħ": 144818, "ë©ķ": 144819, "ìѤ": 144820, "ëĬĦ": 144821, "ðŁĮ¸": 144822, "ãĤĿ": 144823, "Çİ": 144824, "ï½ļ": 144825, "ÄĹ": 144826, "ëģĵ": 144827, "ê¶IJ": 144828, "áµī": 144829, "ãĥĤ": 144830, "ê»į": 144831, "ðŁĺ¦": 144832, "ãĢĿ": 144833, "ðŁ¤Ĺ": 144834, "ÑŁ": 144835, "ìĹİ": 144836, "âľĮ": 144837, "ìīIJ": 144838, "ÃĨ": 144839, "íĹIJ": 144840, "ðŁİī": 144841, "Îij": 144842, "ï½Ń": 144843, "ðŁĴĻ": 144844, "ìĽ¬": 144845, "íĢĺ": 144846, "ﻢ": 144847, "ðŁĺİ": 144848, "íij¼": 144849, "íĿ©": 144850, "ï»Ħ": 144851, "íħĢ": 144852, "ëłIJ": 144853, "쥬": 144854, "Ðĭ": 144855, "ìĥ·": 144856, "뾬": 144857, "ðŁĺĥ": 144858, "ëĦ¬": 144859, "륨": 144860, "ìĽį": 144861, "ï½Ĩ": 144862, "ï½´": 144863, "ãĥħ": 144864, "Ãı": 144865, "ﻪ": 144866, "âĻł": 144867, "ëĬ¬": 144868, "ë±Ģ": 144869, "ë°ĭ": 144870, "ìĥĢ": 144871, "ï½¾": 144872, "ëĤ±": 144873, "컸": 144874, "ðŁĴĸ": 144875, "ðŁijĮ": 144876, "Ñŀ": 144877, "짱": 144878, "ËĨ": 144879, "ðŁĵļ": 144880, "âŃķ": 144881, "ï¬Ĥ": 144882, "ﻡ": 144883, "ëij¬": 144884, "íĪ¼": 144885, "âĸ¸": 144886, "ê°¯": 144887, "ê¹ħ": 144888, "ï½®": 144889, "ëĺ¥": 144890, "Ä¡": 144891, "íĮŁ": 144892, "ÐĮ": 144893, "ìĨŁ": 144894, "ïºĵ": 144895, "ﻼ": 144896, "ÃĽ": 144897, "ãĥ¾": 144898, "ëĮĵ": 144899, "íĴĭ": 144900, "ìķĵ": 144901, "ï½¹": 144902, "ëĤ¡": 144903, "ðŁijĩ": 144904, "Ẽ": 144905, "ãĢŁ": 144906, "ðŁĮŁ": 144907, "íĥł": 144908, "ãĢĨ": 144909, "âĢŁ": 144910, "ë¸IJ": 144911, "ðŁĮ¹": 144912, "ìł¼": 144913, "ðŁĵĮ": 144914, "ìĶ¬": 144915, "âĹĢ": 144916, "ðŁĴĵ": 144917, "ê¹İ": 144918, "ìĤIJ": 144919, "ìĶĮ": 144920, "ÑĽ": 144921, "âĶĪ": 144922, "ë²³": 144923, "ãİŀ": 144924, "Õ¡": 144925, "íĤµ": 144926, "ðŁ¤Ķ": 144927, "ëĢĶ": 144928, "ìĬIJ": 144929, "íĻī": 144930, "⾦": 144931, "ëľ¯": 144932, "ìł¯": 144933, "ëĶ§": 144934, "Φ": 144935, "ËĪ": 144936, "ìī¼": 144937, "âĹĬ": 144938, "ëľ©": 144939, "ëľ°": 144940, "ï¾IJ": 144941, "ë¿Ķ": 144942, "ìĹ®": 144943, "ì·Į": 144944, "ﺧ": 144945, "ÎĴ": 144946, "ëµĻ": 144947, "ï»Ĭ": 144948, "ì°Ķ": 144949, "íİĦ": 144950, "ðŁĴĹ": 144951, "Ẵ": 144952, "ì°¢": 144953, "íľ¼": 144954, "ê½Ĥ": 144955, "ì±Ķ": 144956, "ìī´": 144957, "âĸ¾": 144958, "íĪ°": 144959, "ëĭĽ": 144960, "âĿ£": 144961, "ｪ": 144962, "ðŁĴľ": 144963, "Ëĺ": 144964, "ãħ¤": 144965, "âĨĹ": 144966, "íĸĦ": 144967, "âĻ¬": 144968, "ìķ°": 144969, "ïºľ": 144970, "âī¡": 144971, "ãĢĵ": 144972, "ìij¥": 144973, "íĮį": 144974, "íīģ": 144975, "ë»Ĺ": 144976, "íľł": 144977, "íľ©": 144978, "âľĪ": 144979, "íĢĦ": 144980, "ìĸĩ": 144981, "ì¢ĩ": 144982, "íŀĻ": 144983, "몹": 144984, "ãĤĽ": 144985, "ðŁĺ±": 144986, "ëįŁ": 144987, "à¹ħ": 144988, "굶": 144989, "Ù«": 144990, "ìĶģ": 144991, "âľª": 144992, "ï¾Ī": 144993, "ðŁĻĮ": 144994, "âļ¡": 144995, "Îļ": 144996, "ì¼Ī": 144997, "ï¾Ķ": 144998, "ï¾Ĥ": 144999, "êµī": 145000, "ﺻ": 145001, "ðŁĴĭ": 145002, "á¹£": 145003, "ÓĻ": 145004, "ìĨľ": 145005, "ìĹ£": 145006, "âľ©": 145007, "ìľĻ": 145008, "ﺰ": 145009, "Ẳ": 145010, "ìŀ£": 145011, "âĿĮ": 145012, "âĺģ": 145013, "ìķİ": 145014, "Ľ": 145015, "Ûģ": 145016, "ãĦ±": 145017, "ëŁ¿": 145018, "íĮ¸": 145019, "ê½ī": 145020, "ìıł": 145021, "ðŁįĢ": 145022, "âĨĶ": 145023, "ëŃ¡": 145024, "ï»ģ": 145025, "ï¼Ħ": 145026, "ðŁĴ¥": 145027, "âĺĽ": 145028, "íĹ·": 145029, "ëij¡": 145030, "Îł": 145031, "Τ": 145032, "âĦĵ": 145033, "ﺷ": 145034, "ÎĻ": 145035, "ëıĶ": 145036, "짤": 145037, "âĶĥ": 145038, "ãĦ·": 145039, "ÇĴ": 145040, "ðŁ¥°": 145041, "ëĶķ": 145042, "ìļ¥": 145043, "ì¸Ħ": 145044, "íĽĶ": 145045, "ïºĩ": 145046, "ﺬ": 145047, "ðŁĺ¢": 145048, "빡": 145049, "ìĶ¹": 145050, "ų": 145051, "ËĿ": 145052, "íİij": 145053, "ï¾ĵ": 145054, "ðŁĴļ": 145055, "ëĬij": 145056, "꺾": 145057, "íĨ°": 145058, "ÿ": 145059, "ÐĦ": 145060, "ëĮIJ": 145061, "ë½Ģ": 145062, "ì·Ħ": 145063, "ðŁĵį": 145064, "ðŁĻĪ": 145065, "âĹĪ": 145066, "ê¿ĩ": 145067, "ì¼Ħ": 145068, "íİ«": 145069, "ðŁĩ·": 145070, "âĶĭ": 145071, "âļł": 145072, "ë±ī": 145073, "ìį°": 145074, "ìĻĪ": 145075, "ɪ": 145076, "ïºĭ": 145077, "ðŁĺľ": 145078, "ÎŁ": 145079, "ðŁĻĤ": 145080, "âļ½": 145081, "ÅĪ": 145082, "ë¹Ķ": 145083, "íĮľ": 145084, "à¹ı": 145085, "ìĸ¹": 145086, "íĪŃ": 145087, "ðŁ¥ĩ": 145088, "ãĦ´": 145089, "ëĶ¥": 145090, "ìŃĪ": 145091, "âĪĨ": 145092, "ëĸ³": 145093, "ë±ĥ": 145094, "ìŀ¦": 145095, "ï»IJ": 145096, "Îľ": 145097, "⾧": 145098, "Ïį": 145099, "ìłĵ": 145100, "âĹķ": 145101, "ëĴĢ": 145102, "ï»Ģ": 145103, "ðŁĶ´": 145104, "ê½ģ": 145105, "ëĮĪ": 145106, "ëİĮ": 145107, "ãĤİ": 145108, "â¦ģ": 145109, "콧": 145110, "ﯾ": 145111, "âĿ¯": 145112, "à¸ħ": 145113, "ðŁĻĦ": 145114, "âĿĢ": 145115, "ðŁĶ¹": 145116, "âĩIJ": 145117, "êµµ": 145118, "âĩĶ": 145119, "ë¶IJ": 145120, "ðŁĴĽ": 145121, "ξ": 145122, "íĥ¬": 145123, "âĿĦ": 145124, "Ò£": 145125, "ãĢ°": 145126, "âĪij": 145127, "âĺ¼": 145128, "âīł": 145129, "Ò¯": 145130, "ﺯ": 145131, "꿨": 145132, "âľĸ": 145133, "Êĸ": 145134, "íĢĢ": 145135, "ê¾Ģ": 145136, "íĹĿ": 145137, "âĶ£": 145138, "ãİľ": 145139, "ëĶĽ": 145140, "뾸": 145141, "ﺫ": 145142, "ê¿°": 145143, "ðŁĩ¹": 145144, "ÇIJ": 145145, "ÛĴ": 145146, "룻": 145147, "ïºĸ": 145148, "Ñļ": 145149, "ëĬł": 145150, "Ûķ": 145151, "깡": 145152, "ë¿ľ": 145153, "ì²¼": 145154, "ï¨ij": 145155, "륵": 145156, "ìį¸": 145157, "íħħ": 145158, "íij¹": 145159, "ÖĢ": 145160, "ï³Į": 145161, "ãħ£": 145162, "ìij¤": 145163, "ì½ķ": 145164, "ëķł": 145165, "ðŁĮ¿": 145166, "íĥĶ": 145167, "ìĽģ": 145168, "ζ": 145169, "âŀľ": 145170, "ìĬĺ": 145171, "íĽĹ": 145172, "멧": 145173, "ìīĺ": 145174, "Õ¶": 145175, "á¹ĩ": 145176, "ðŁİģ": 145177, "ｿ": 145178, "ï¼Ĥ": 145179, "á¼IJ": 145180, "âľķ": 145181, "âŀ¢": 145182, "ëĦ¨": 145183, "컫": 145184, "ì¯Ķ": 145185, "ì°ľ": 145186, "ðŁĴ°": 145187, "íħĿ": 145188, "ãİı": 145189, "볶": 145190, "Òĵ": 145191, "âĨ³": 145192, "ìĥ´": 145193, "íģĺ": 145194, "âĸĢ": 145195, "ë²Ļ": 145196, "à¸ĥ": 145197, "ὶ": 145198, "Äķ": 145199, "â¬ĩ": 145200, "ë¤ĺ": 145201, "ðŁİµ": 145202, "âľļ": 145203, "ïºı": 145204, "Ρ": 145205, "âĹī": 145206, "ðŁĴ«": 145207, "ÐĪ": 145208, "ìĸĦ": 145209, "ì§Ļ": 145210, "ï»ĥ": 145211, "ðĿijĴ": 145212, "ëŃĦ": 145213, "âĿ¥": 145214, "âĿĸ": 145215, "âĺĿ": 145216, "ʹ": 145217, "ḥ": 145218, "âĢ¿": 145219, "ãħħ": 145220, "ê¸ģ": 145221, "ëķ¡": 145222, "ëį¥": 145223, "âĪ©": 145224, "ê»Ħ": 145225, "ë®Į": 145226, "Ò±": 145227, "âĪĹ": 145228, "ëłĻ": 145229, "ïºĮ": 145230, "ËIJ": 145231, "ðŁĺ³": 145232, "ðŁij©": 145233, "ðŁİ¶": 145234, "쿵": 145235, "ðŁ¤©": 145236, "ê·¤": 145237, "ëĮĶ": 145238, "ïºIJ": 145239, "Ïİ": 145240, "춥": 145241, "ï½Ĭ": 145242, "á¹Ń": 145243, "뤼": 145244, "âĸ«": 145245, "ì§ł": 145246, "á¼Ģ": 145247, "ê»ij": 145248, "ëĮģ": 145249, "íĢ¸": 145250, "âĻĽ": 145251, "ðŁĴŀ": 145252, "âĸ°": 145253, "ðĿijĸ": 145254, "ëĿ¤": 145255, "द": 145256, "ì´ĺ": 145257, "ðŁĺĩ": 145258, "ëĶ¤": 145259, "ÎĹ": 145260, "ðŁĻĩ": 145261, "ËĽ": 145262, "ì©¡": 145263, "âĪ§": 145264, "Õ¥": 145265, "ÑĻ": 145266, "ëIJ¬": 145267, "ëĸĦ": 145268, "ðŁĮ·": 145269, "ìĹĮ": 145270, "ðŁĺ¥": 145271, "ëĪ´": 145272, "ï»ļ": 145273, "ÉĽ": 145274, "ïºĦ": 145275, "ï»ı": 145276, "ÅĮ": 145277, "ë²ļ": 145278, "ìĭ£": 145279, "ïºĢ": 145280, "Îĵ": 145281, "ðŁĺĮ": 145282, "ËĻ": 145283, "ëŀı": 145284, "ðŁĶ¸": 145285, "ðŁĵ·": 145286, "ëģ½": 145287, "íģ½": 145288, "ðŁĴ¡": 145289, "ðŁĮ±": 145290, "ëºı": 145291, "ìģł": 145292, "ìĥIJ": 145293, "ëıĹ": 145294, "츰": 145295, "ëĪķ": 145296, "ÎĿ": 145297, "âģī": 145298, "ðŁĮ¼": 145299, "íĮł": 145300, "âĭ¯": 145301, "áĥĺ": 145302, "⾤": 145303, "ê±Ķ": 145304, "íĮİ": 145305, "ðŁĴ¯": 145306, "ìıĻ": 145307, "íĹī": 145308, "ÙŃ": 145309, "ì½°": 145310, "ﺿ": 145311, "ï»±": 145312, "ì±Į": 145313, "âĺķ": 145314, "ðŁİĢ": 145315, "ÄĿ": 145316, "ë°§": 145317, "ìĤ¿": 145318, "áijķ": 145319, "ðŁįĥ": 145320, "âĩ¨": 145321, "ÎĽ": 145322, "맴": 145323, "ë³ķ": 145324, "áijIJ": 145325, "âĸĵ": 145326, "ðĿijľ": 145327, "âĻ»": 145328, "íĤ¥": 145329, "Õ¸": 145330, "ãĪ±": 145331, "ëºĢ": 145332, "첸": 145333, "ïºĽ": 145334, "ðŁıĨ": 145335, "ðŁĩª": 145336, "âĿĵ": 145337, "ÄĢ": 145338, "ì½¥": 145339, "ðŁĩ§": 145340, "á½·": 145341, "âľĤ": 145342, "ìŀ¼": 145343, "李": 145344, "ðŁĵ¸": 145345, "âĻ¯": 145346, "ÉĶ": 145347, "ὸ": 145348, "âĮª": 145349, "ï»ĸ": 145350, "不": 145351, "âļ«": 145352, "âĶĹ": 145353, "ðŁĮĪ": 145354, "ﻩ": 145355, "ðŁĵ²": 145356, "ÏĪ": 145357, "ðŁĺ¡": 145358, "ðĿijİ": 145359, "ìľ½": 145360, "짬": 145361, "ì§Ĭ": 145362, "á½³": 145363, "ìĮ¤": 145364, "ëĤį": 145365, "âīĴ": 145366, "ðŁij¨": 145367, "âĺĺ": 145368, "Ó©": 145369, "âĤĵ": 145370, "âĪĤ": 145371, "ï¹ģ": 145372, "ðŁĴIJ": 145373, "íħĥ": 145374, "ðŁı½": 145375, "ê·Ħ": 145376, "ðŁĺı": 145377, "ðŁĮº": 145378, "ðŁĺĶ": 145379, "ｫ": 145380, "âľİ": 145381, "ëµĪ": 145382, "ðŁĩ¸": 145383, "âĢ£": 145384, "âŀĶ": 145385, "ëĺĺ": 145386, "ìĥ¬": 145387, "Êĥ": 145388, "â¬ħ": 145389, "ì©IJ": 145390, "ðŁĻĨ": 145391, "ðŁİĦ": 145392, "ľ": 145393, "⣶": 145394, "áĥIJ": 145395, "âĺ»": 145396, "ì±ķ": 145397, "ìģ©": 145398, "ë½ķ": 145399, "캣": 145400, "ðŁijĪ": 145401, "ðŁĻĭ": 145402, "ï¾ĸ": 145403, "Òļ": 145404, "Õ«": 145405, "ìĮĪ": 145406, "벧": 145407, "ðŁĩ®": 145408, "ï½Ŀ": 145409, "ðŁįģ": 145410, "ìĹ¥": 145411, "ij": 145412, "ë½IJ": 145413, "íį½": 145414, "íĽij": 145415, "âĤ¹": 145416, "ãħģ": 145417, "ìĶ½": 145418, "ðŁĶģ": 145419, "य": 145420, "ê¾¹": 145421, "ëīľ": 145422, "âĹ¡": 145423, "íķĮ": 145424, "Îĺ": 145425, "룹": 145426, "ìĻĵ": 145427, "ðŁĩ¦": 145428, "ðŁijĢ": 145429, "âĶĮ": 145430, "ῦ": 145431, "ëĦĽ": 145432, "ìĦ£": 145433, "ìŃĻ": 145434, "ï±ł": 145435, "Îŀ": 145436, "Ê»": 145437, "ῶ": 145438, "âĿĿ": 145439, "ê±Ģ": 145440, "ëĸ´": 145441, "ãĦ¹": 145442, "ðŁĴİ": 145443, "Ϲ": 145444, "âĽħ": 145445, "ï»ķ": 145446, "ãĥ±": 145447, "ï½Ľ": 145448, "ëĮķ": 145449, "ë¹½": 145450, "ì¥Ķ": 145451, "쿤": 145452, "ðŁĸ¤": 145453, "ÑĴ": 145454, "ê¹į": 145455, "ëİĢ": 145456, "ìĭ¯": 145457, "뻤": 145458, "ðŁĵŀ": 145459, "ðŁĵ£": 145460, "ðŁĺĿ": 145461, "ìį¹": 145462, "ìĹ¡": 145463, "ì°IJ": 145464, "á½IJ": 145465, "ï»Ī": 145466, "âľį": 145467, "Äı": 145468, "ðŁĮŀ": 145469, "âĦ¦": 145470, "ê½Ŀ": 145471, "ë»ĺ": 145472, "ìĪ±": 145473, "âĶĺ": 145474, "ðŁĮ»": 145475, "âĤ´": 145476, "âŀ¨": 145477, "íIJģ": 145478, "ê¶Ī": 145479, "âĺ¢": 145480, "ðŁĺĪ": 145481, "ｩ": 145482, "âĦĹ": 145483, "ê°Ń": 145484, "ê°¸": 145485, "ë»ij": 145486, "쥴": 145487, "컥": 145488, "ï¤Ĭ": 145489, "ï»Ĵ": 145490, "ðŁĺķ": 145491, "âĺĶ": 145492, "ìĺIJ": 145493, "ðŁļĹ": 145494, "ëĹĦ": 145495, "ë§ı": 145496, "Õ½": 145497, "âĸ»": 145498, "⣵": 145499, "ìī°": 145500, "ï»ij": 145501, "âĻ©": 145502, "Î¥": 145503, "ðŁĺ£": 145504, "âĬĤ": 145505, "ãħĤ": 145506, "ìħ¸": 145507, "íıĦ": 145508, "âľ½": 145509, "ì¦Ļ": 145510, "âĸ£": 145511, "ê±į": 145512, "ê¿ĭ": 145513, "ì«Ħ": 145514, "ìºĩ": 145515, "ðŁĩµ": 145516, "ðŁijij": 145517, "âľĺ": 145518, "ðĿijĽ": 145519, "ìį½": 145520, "ìºī": 145521, "וּ": 145522, "ðŁĶº": 145523, "âĦ®": 145524, "íĥ¤": 145525, "ðŁĩº": 145526, "ðŁĴµ": 145527, "íħ¨": 145528, "ï½ij": 145529, "Ψ": 145530, "ìĥ¹": 145531, "ìĸķ": 145532, "ì¹µ": 145533, "ðŁĵ±": 145534, "व": 145535, "ðŁijĬ": 145536, "ðŁĴĦ": 145537, "ðŁĴĿ": 145538, "ãĮĶ": 145539, "ìĻģ": 145540, "Ðĩ": 145541, "à®IJ": 145542, "âĸ¹": 145543, "á´Ľ": 145544, "âĹĺ": 145545, "뺨": 145546, "íĥī": 145547, "ìĸĮ": 145548, "ðŁIJ¶": 145549, "ãĤij": 145550, "Ëĩ": 145551, "Åı": 145552, "á½¹": 145553, "ìħ§": 145554, "ï¹°": 145555, "ðĿij¡": 145556, "ðŁĶĿ": 145557, "ðŁĺ»": 145558, "ðŁĴĥ": 145559, "ðŁ¤¦": 145560, "ðŁįĴ": 145561, "íĢµ": 145562, "âľĨ": 145563, "ë¹´": 145564, "理": 145565, "ï»Ļ": 145566, "á´Ĺ": 145567, "ðŁĮ´": 145568, ";": 145569, "ëĮij": 145570, "ì¨ĭ": 145571, "쵸": 145572, "ðŁİĪ": 145573, "ðŁıł": 145574, "á½±": 145575, "ÛĨ": 145576, "á¿ĸ": 145577, "âĢĽ": 145578, "ì°¼": 145579, "íķ¥": 145580, "íĹ´": 145581, "ðŁĩ¬": 145582, "ì°Ŀ": 145583, "âĪł": 145584, "ï¼ĩ": 145585, "âĬĻ": 145586, "âĿij": 145587, "ëĦĭ": 145588, "ëŀĹ": 145589, "ë°ī": 145590, "ìĹĬ": 145591, "ì¢Ĩ": 145592, "íĮ¥": 145593, "ï°²": 145594, "ðŁĵĸ": 145595, "ðŁĺ®": 145596, "âļª": 145597, "ðŁĺļ": 145598, "âĿŀ": 145599, "ðĿijŁ": 145600, "ðŁİĤ": 145601, "Åķ": 145602, "áIJĪ": 145603, "꺽": 145604, "ì±ł": 145605, "ïºĿ": 145606, "ê¿ī": 145607, "áĥł": 145608, "ðŁıĥ": 145609, "ðŁĴ¸": 145610, "âĿģ": 145611, "âĹ¾": 145612, "Úª": 145613, "á¹ĥ": 145614, "íĬ¬": 145615, "ðŁĩ±": 145616, "íİŃ": 145617, "ðŁĺŀ": 145618, "ë¾°": 145619, "á¹Ľ": 145620, "뼸": 145621, "âĿĤ": 145622, "êĴ³": 145623, "âĶIJ": 145624, "íĵ°": 145625, "âŀł": 145626, "ê´ĺ": 145627, "ëħĺ": 145628, "뻥": 145629, "ì¾ħ": 145630, "ðŁĺIJ": 145631, "âĪª": 145632, "ðŁijģ": 145633, "âĪ´": 145634, "âĹģ": 145635, "ëºIJ": 145636, "ìŀ¤": 145637, "ì±Ĺ": 145638, "ðŁı¾": 145639, "Χ": 145640, "á½»": 145641, "âŀ¥": 145642, "ìŁĪ": 145643, "ï»ī": 145644, "âĸĮ": 145645, "ãĥ®": 145646, "ðŁ¤¤": 145647, "âĩĵ": 145648, "ì¼ł": 145649, "á´ı": 145650, "맬": 145651, "뻣": 145652, "ðŁĴ¬": 145653, "ðŁįĵ": 145654, "ĸ": 145655, "Ù¹": 145656, "Ê¿": 145657, "á½°": 145658, "ëķľ": 145659, "ì°¡": 145660, "ì°»": 145661, "íİį": 145662, "ðŁİ¯": 145663, "ðŁįĤ": 145664, "ðŁij§": 145665, "âĻ¢": 145666, "áĨŀ": 145667, "âĻ§": 145668, "âļľ": 145669, "âľī": 145670, "ëĵ¦": 145671, "ëŃ£": 145672, "ìĪı": 145673, "ìĵ±": 145674, "ÅŃ": 145675, "ÊĬ": 145676, "âĴ¸": 145677, "âĩ©": 145678, "ðŁĴĶ": 145679, "Õµ": 145680, "Ðī": 145681, "Ò»": 145682, "맣": 145683, "ìĽľ": 145684, "ì¿¡": 145685, "íĽħ": 145686, "íĽ¤": 145687, "ﺢ": 145688, "âľĭ": 145689, "âĪĪ": 145690, "ðŁĮį": 145691, "Êľ": 145692, "ëĬª": 145693, "ëĴ¹": 145694, "ﺲ": 145695, "âĸĦ": 145696, "ãħĪ": 145697, "ëļ¤": 145698, "íİ©": 145699, "âĪ¨": 145700, "ðŁ¤ª": 145701, "áĥļ": 145702, "곶": 145703, "íĬķ": 145704, "ðŁĺ¬": 145705, "âĪ«": 145706, "ðŁijĭ": 145707, "ÒIJ": 145708, "íĬ¿": 145709, "ðŁĶµ": 145710, "ðŁĴ¨": 145711, "ðŁĮĻ": 145712, "ëĩ©": 145713, "âľ³": 145714, "ë¨ģ": 145715, "ëºĦ": 145716, "ìĻij": 145717, "ìºħ": 145718, "íıĪ": 145719, "ðĿijĻ": 145720, "ðŁĴĺ": 145721, "ãİ¥": 145722, "âĿı": 145723, "âľ°": 145724, "ﯿ": 145725, "ëµIJ": 145726, "ì¼IJ": 145727, "ﺱ": 145728, "Õ´": 145729, "ï¬Ģ": 145730, "âľ´": 145731, "ðŁ¤Ń": 145732, "ðŁijĨ": 145733, "âĽĶ": 145734, "ê·ĵ": 145735, "ìĮĮ": 145736, "ðŁ¤·": 145737, "ÛĶ": 145738, "ðŁ§¡": 145739, "ðŁĺĵ": 145740, "Îĸ": 145741, "âı°": 145742, "ê²ľ": 145743, "ëĭ³": 145744, "ëİħ": 145745, "ë°Ī": 145746, "ï®IJ": 145747, "ðŁı¡": 145748, "âĨª": 145749, "âĵĶ": 145750, "âľĬ": 145751, "ϲ": 145752, "ÜIJ": 145753, "ðŁĩ³": 145754, "ÖĤ": 145755, "âľı": 145756, "ìĸĹ": 145757, "ì«Ļ": 145758, "ðŁĺ²": 145759, "ÄŃ": 145760, "âĻŃ": 145761, "âĶı": 145762, "âĹĮ": 145763, "ðŁĺ¯": 145764, "áµĴ": 145765, "íĬł": 145766, "Ä·": 145767, "Êģ": 145768, "à¤Ł": 145769, "á¹ģ": 145770, "á¼°": 145771, "á¿Ĩ": 145772, "â«": 145773, "⫸": 145774, "ëį«": 145775, "ì³ĩ": 145776, "켤": 145777, "íĽ¨": 145778, "ðŁĴŁ": 145779, "ÊĢ": 145780, "ʳ": 145781, "ëĵIJ": 145782, "âķ°": 145783, "âĿĩ": 145784, "ÇĢ": 145785, "ÇĶ": 145786, "É´": 145787, "âĺļ": 145788, "âĺľ": 145789, "ê¶Ĥ": 145790, "ì«Ĵ": 145791, "ì±Ī": 145792, "ðŁĩ¨": 145793, "ðŁİ¥": 145794, "ðŁĵĿ": 145795, "ħ": 145796, "ðĿijIJ": 145797, "ÛĪ": 145798, "ब": 145799, "ì¬IJ": 145800, "íĹ¥": 145801, "âĻ¨": 145802, "ðŁį´": 145803, "ï¹ı": 145804, "Ëĭ": 145805, "ðŁ¥º": 145806, "âĸ¨": 145807, "íĻĭ": 145808, "âĪħ": 145809, "ëģĻ": 145810, "ëŀł": 145811, "ìĨ¥": 145812, "âĢĸ": 145813, "ðŁ¤ĺ": 145814, "ðŁIJ»": 145815, "áµķ": 145816, "ÇĿ": 145817, "âĺı": 145818, "ïºļ": 145819, "ï»Ĥ": 145820, "ðŁļ©": 145821, "ìĪŁ": 145822, "ËĬ": 145823, "⤵": 145824, "ðŁĴ§": 145825, "ãħį": 145826, "ë©©": 145827, "Ƭ": 145828, "Îĩ": 145829, "âĩ§": 145830, "âĵļ": 145831, "ìĤ¯": 145832, "ìĪ¯": 145833, "ëĨĭ": 145834, "âľ¯": 145835, "ðŁļĢ": 145836, "Úĺ": 145837, "Ú¨": 145838, "âľŃ": 145839, "ê²ħ": 145840, "íĮ°": 145841, "íľĻ": 145842, "ðŁĮĬ": 145843, "ðŁİĵ": 145844, "ðŁĺĻ": 145845, "Ëĥ": 145846, "ðŁĴģ": 145847, "ðŁijİ": 145848, "âĺ¹": 145849, "ðŁĺ«": 145850, "ðŁĴ»": 145851, "ëĤµ": 145852, "ìĿĬ": 145853, "íĮ»": 145854, "Ò³": 145855, "á½²": 145856, "âŀŀ": 145857, "ëĤij": 145858, "ëĿĪ": 145859, "죤": 145860, "ﻯ": 145861, "ðŁĩ©": 145862, "ðŁ¥³": 145863, "âĴ¼": 145864, "ðŁ¦ĭ": 145865, "âĺĤ": 145866, "ðŁĺ°": 145867, "ðŁĻĥ": 145868, "ðŁĺĴ": 145869, "Ûİ": 145870, "Ïķ": 145871, "Ḥ": 145872, "룽": 145873, "ìĬ¥": 145874, "ðĿijī": 145875, "ÉIJ": 145876, "ðŁįİ": 145877, "âķ¯": 145878, "âķ¹": 145879, "າ": 145880, "ï¾ł": 145881, "ë¹ķ": 145882, "ïºĨ": 145883, "ʺ": 145884, "Ó§": 145885, "âĨł": 145886, "ëĥĩ": 145887, "ìİĪ": 145888, "ìŁ¤": 145889, "ï±¢": 145890, "âķ¬": 145891, "âĺł": 145892, "ðŁİĬ": 145893, "ãįį": 145894, "ãİİ": 145895, "âĺ°": 145896, "âľĥ": 145897, "ãħī": 145898, "ë¯Ī": 145899, "빤": 145900, "ìıŃ": 145901, "ðĿij¢": 145902, "ðŁIJ¾": 145903, "Åĭ": 145904, "ðŁij¶": 145905, "âĶĽ": 145906, "ï¿¢": 145907, "áĥ¡": 145908, "ļ": 145909, "ÅĨ": 145910, "ÑIJ": 145911, "ìĥĽ": 145912, "ìĺĮ": 145913, "챤": 145914, "íħģ": 145915, "íļĥ": 145916, "ï³Ĭ": 145917, "ðĿijĶ": 145918, "ðŁĩ«": 145919, "âĭ°": 145920, "ðŁĺ¨": 145921, "âĤ©": 145922, "Õ¬": 145923, "á¸į": 145924, "á»´": 145925, "âĨĺ": 145926, "âĺ¯": 145927, "ãħı": 145928, "ìł¬": 145929, "âĻĶ": 145930, "ðŁĶĶ": 145931, "ðŁĺł": 145932, "ðŁĻĬ": 145933, "à®ľ": 145934, "á¹ħ": 145935, "âĹIJ": 145936, "âĿĪ": 145937, "âŀ½": 145938, "ìĥħ": 145939, "ðĿijł": 145940, "Æ¢": 145941, "âĭĻ": 145942, "ê°Ľ": 145943, "ëĿµ": 145944, "ë£Ł": 145945, "ìıľ": 145946, "ïºģ": 145947, "ðŁĴŃ": 145948, "âĬĥ": 145949, "ðŁIJ°": 145950, "ãħĮ": 145951, "Üĵ": 145952, "âŀķ": 145953, "á½ģ": 145954, "ìķ³": 145955, "ðĿijĿ": 145956, "ðŁİ¬": 145957, "É¡": 145958, "à¤Ĺ": 145959, "áIJī": 145960, "ì©ľ": 145961, "춧": 145962, "ï³ī": 145963, "ï»ħ": 145964, "ðĿIJŀ": 145965, "श": 145966, "ðŁĵ¢": 145967, "ðŁįĭ": 145968, "ðŁĴħ": 145969, "ï¾ķ": 145970, "â¬Ĩ": 145971, "âĪµ": 145972, "ðŁ¤ij": 145973, "áĥ£": 145974, "ÆĦ": 145975, "ѹ": 145976, "á¼Ķ": 145977, "ê°ł": 145978, "ê´Į": 145979, "ê·IJ": 145980, "뼴": 145981, "ì±ĺ": 145982, "ï®Ń": 145983, "ﺹ": 145984, "ﺾ": 145985, "âľĹ": 145986, "âĿ¦": 145987, "ðŁij¦": 145988, "áĥĹ": 145989, "Ù²": 145990, "á½´": 145991, "âĪı": 145992, "âľ®": 145993, "ê¹°": 145994, "ë²µ": 145995, "ìĦĢ": 145996, "ì©Ŀ": 145997, "ïºŀ": 145998, "ﺽ": 145999, "ðŁĩŃ": 146000, "ËĤ": 146001, "ðŁįij": 146002, "ðŁįĮ": 146003, "ðŁĶ»": 146004, "깬": 146005, "ìĬŃ": 146006, "ìľ·": 146007, "ðŁĽij": 146008, "ǧ": 146009, "ë¼Ľ": 146010, "ﺡ": 146011, "ﺺ": 146012, "ðĿijļ": 146013, "ðŁĵ¦": 146014, "ðŁĶİ": 146015, "ðŁĹĵ": 146016, "áĥĶ": 146017, "âľĴ": 146018, "âľ¡": 146019, "ðŁĮµ": 146020, "âĶķ": 146021, "ëĢĿ": 146022, "ðŁįĬ": 146023, "âĺĥ": 146024, "ìĺħ": 146025, "ব": 146026, "ðŁ¦ģ": 146027, "âݯ": 146028, "ðŁIJķ": 146029, "Ñ¿": 146030, "।": 146031, "à¼ĭ": 146032, "ê·Ī": 146033, "ì«Į": 146034, "ðŁĩ°": 146035, "âĿī": 146036, "ì«Ģ": 146037, "íĿĦ": 146038, "ðĿIJ¢": 146039, "ðŁļ¨": 146040, "âĻ¤": 146041, "ðŁĺ©": 146042, "ðŁįį": 146043, "ðŁĺij": 146044, "ðŁļļ": 146045, "ÖĦ": 146046, "ë«": 146047, "뫼": 146048, "à¤ı": 146049, "á¿·": 146050, "âĮ©": 146051, "âĺIJ": 146052, "âŀ£": 146053, "긱": 146054, "꼿": 146055, "ëĦĿ": 146056, "ìı´": 146057, "ìļ¤": 146058, "쿱": 146059, "íİIJ": 146060, "ðŁĴ¢": 146061, "ì´IJ": 146062, "âĩij": 146063, "âĶĵ": 146064, "âģ¾": 146065, "ÜĿ": 146066, "ðŁį°": 146067, "â´°": 146068, "Æı": 146069, "ÏŁ": 146070, "Úº": 146071, "Ûĥ": 146072, "áĦĴ": 146073, "âĪŁ": 146074, "âĿį": 146075, "ãĦ²": 146076, "ìľħ": 146077, "ì¤ı": 146078, "ðŁĩ²": 146079, "êºĦ": 146080, "ðŁİ¤": 146081, "âľ£": 146082, "â¸Ŀ": 146083, "︵": 146084, "ວ": 146085, "áĢĻ": 146086, "âķł": 146087, "Õ¯": 146088, "âı©": 146089, "ðĿij£": 146090, "ðŁĴ£": 146091, "Åĺ": 146092, "à¥IJ": 146093, "âģĥ": 146094, "âĮĺ": 146095, "ê»Į": 146096, "ìĮĶ": 146097, "ðĿijĺ": 146098, "ðŁ¤ĵ": 146099, "Õ¿": 146100, "à¤Ń": 146101, "âĮļ": 146102, "âľĿ": 146103, "ðŁIJ¼": 146104, "ËĮ": 146105, "âķļ": 146106, "ï¦Ĺ": 146107, "âĿķ": 146108, "âķ£": 146109, "ðŁIJ±": 146110, "த": 146111, "Ѿ": 146112, "à¤ļ": 146113, "à¤ľ": 146114, "ìĪĦ": 146115, "ìļľ": 146116, "ðŁİ®": 146117, "ÉĴ": 146118, "Ú·": 146119, "àºį": 146120, "âĨµ": 146121, "âĪĺ": 146122, "âĿĬ": 146123, "ë¿į": 146124, "ìIJĪ": 146125, "ìļĺ": 146126, "쯧": 146127, "íĥ¯": 146128, "ìĸı": 146129, "︰": 146130, "ðŁĩ¯": 146131, "ðŁ§ļ": 146132, "ðŁĺµ": 146133, "ðŁĺ·": 146134, "ðŁĮ³": 146135, "ລ": 146136, "Äī": 146137, "Ä¥": 146138, "⾶": 146139, "῾": 146140, "âĬ±": 146141, "âĺ¾": 146142, "ê°ī": 146143, "ê¼°": 146144, "ëºij": 146145, "ðŁĶĬ": 146146, "ðŁĸIJ": 146147, "Ť": 146148, "Ò«": 146149, "à®®": 146150, "âĮĪ": 146151, "âĹĹ": 146152, "ëĦµ": 146153, "ëħľ": 146154, "ëľ¹": 146155, "ðĿij¥": 146156, "ðŁĴ¿": 146157, "ðŁĽĴ": 146158, "ÊĴ": 146159, "áŀĵ": 146160, "ðŁIJĿ": 146161, "ðŁ¦Ħ": 146162, "ðŁį·": 146163, "âĺŁ": 146164, "︶": 146165, "ðŁ¤Ł": 146166, "Ô±": 146167, "âĨ²": 146168, "âĪİ": 146169, "âľ«": 146170, "ëĩ½": 146171, "ëıIJ": 146172, "ëķĦ": 146173, "靈": 146174, "ï§Ŀ": 146175, "ïºĻ": 146176, "ðŁij»": 146177, "ðŁĵº": 146178, "êµ¼": 146179, "ìĮ©": 146180, "ðŁĮ²": 146181, "ȱ": 146182, "íĶķ": 146183, "ðŁĺ¤": 146184, "ãĮ¢": 146185, "ÊĶ": 146186, "ड": 146187, "á¼Ī": 146188, "ëİĥ": 146189, "멱": 146190, "ë®Ī": 146191, "ðĿIJ«": 146192, "âĬķ": 146193, "ëĥł": 146194, "뻬": 146195, "íĭĶ": 146196, "Õ¤": 146197, "á¼±": 146198, "âľ¥": 146199, "âĺĦ": 146200, "âĪ¥": 146201, "âļķ": 146202, "ðŁijĦ": 146203, "ðŁİħ": 146204, "àºĻ": 146205, "âĶ¬": 146206, "á½µ": 146207, "Õ¾": 146208, "Öģ": 146209, "âĹĶ": 146210, "ê¿į": 146211, "ëĸµ": 146212, "ë©İ": 146213, "ë®´": 146214, "ìķ´": 146215, "áĥľ": 146216, "ἡ": 146217, "âĶĬ": 146218, "âķ®": 146219, "âĹ¼": 146220, "ðŁį¾": 146221, "ðŁĽį": 146222, "ðŁijĹ": 146223, "ðŁ¤ŀ": 146224, "âľĦ": 146225, "ÕĢ": 146226, "ল": 146227, "Ëī": 146228, "⣨": 146229, "į": 146230, "ÏĬ": 146231, "á´ľ": 146232, "ë¹³": 146233, "ï³ĭ": 146234, "ï¿ł": 146235, "Ī": 146236, "âĤ¸": 146237, "âľ±": 146238, "ê»IJ": 146239, "ëĭ»": 146240, "맸": 146241, "ìŀ¿": 146242, "쩨": 146243, "ìŃIJ": 146244, "ì°¿": 146245, "íħŁ": 146246, "ðĿIJ§": 146247, "ðĿijij": 146248, "ðŁĮİ": 146249, "ðŁĵ®": 146250, "ðŁķĶ": 146251, "âĹĻ": 146252, "âĹ»": 146253, "âŀ§": 146254, "ìŁĿ": 146255, "⾬": 146256, "ãĥ°": 146257, "âģĪ": 146258, "âĵĺ": 146259, "ðŁĴĮ": 146260, "ï¬ĥ": 146261, "àºĶ": 146262, "ìĶ°": 146263, "ðŁĺª": 146264, "×Ģ": 146265, "ìĥ¨": 146266, "ïŃĭ": 146267, "ðŁįķ": 146268, "ðŁĺ´": 146269, "ϳ": 146270, "á¼Ħ": 146271, "á½ħ": 146272, "âĩ¢": 146273, "âķŃ": 146274, "ìĺ»": 146275, "íĬ¤": 146276, "Üĺ": 146277, "⤴": 146278, "âĹį": 146279, "áŀŁ": 146280, "ðŁįº": 146281, "áŀļ": 146282, "ðŁıĬ": 146283, "ðŁIJ·": 146284, "ÊĮ": 146285, "ὺ": 146286, "âģ»": 146287, "ê½Į": 146288, "ëĪĹ": 146289, "ëĹı": 146290, "ì¿°": 146291, "íĢ¼": 146292, "íįħ": 146293, "ï·²": 146294, "ðŁĮı": 146295, "ðŁį«": 146296, "ðŁį³": 146297, "ðŁİ°": 146298, "ðŁij°": 146299, "ðŁĴ²": 146300, "á¥Ļ": 146301, "ðŁIJŁ": 146302, "ï¿¡": 146303, "ðŁĹ£": 146304, "ðŁįľ": 146305, "âľ²": 146306, "ãİ¢": 146307, "ðŁĶ°": 146308, "Ἰ": 146309, "á½ij": 146310, "Äİ": 146311, "áĦĢ": 146312, "âĻķ": 146313, "ëłĿ": 146314, "ìĪ´": 146315, "ïŃŃ": 146316, "Óľ": 146317, "ÔĢ": 146318, "ëĢľ": 146319, "ëĥĶ": 146320, "ìĬĽ": 146321, "ì«ij": 146322, "캥": 146323, "캬": 146324, "ðĿij¦": 146325, "ðŁĶ¶": 146326, "쾨": 146327, "ðĿIJļ": 146328, "ðŁį»": 146329, "ðŁĴį": 146330, "ðŁ¤¡": 146331, "ðŁķĬ": 146332, "â½ĩ": 146333, "âĵIJ": 146334, "ðŁįŃ": 146335, "ðŁįª": 146336, "ðŁĶĨ": 146337, "Ò¡": 146338, "á´ĩ": 146339, "ÉĹ": 146340, "ÜĶ": 146341, "âĦİ": 146342, "âĿĥ": 146343, "ëĹĢ": 146344, "ï²Ķ": 146345, "ïºĪ": 146346, "ðĿIJ»": 146347, "ðŁĴĬ": 146348, "ðŁļ«": 146349, "Ñ°": 146350, "ѳ": 146351, "ष": 146352, "âĹł": 146353, "ðŁij¤": 146354, "ï¾ĩ": 146355, "âĺĵ": 146356, "ðŁįµ": 146357, "ðŁ¤¨": 146358, "âĸŃ": 146359, "à®´": 146360, "Ü¢": 146361, "ܬ": 146362, "à´®": 146363, "ðŁķº": 146364, "Ô¹": 146365, "Õ£": 146366, "à´¯": 146367, "á´Ģ": 146368, "âĮī": 146369, "âľIJ": 146370, "âŀ¦": 146371, "ê¹½": 146372, "ëĮľ": 146373, "ðŁı¥": 146374, "ðŁĵ©": 146375, "Ò¹": 146376, "Óĺ": 146377, "à¤ħ": 146378, "âĿ§": 146379, "ÆĹ": 146380, "âĹ½": 146381, "ðŁij«": 146382, "ðŁİ§": 146383, "ðŁij£": 146384, "âľ»": 146385, "ðŁĻħ": 146386, "ðŁĺĸ": 146387, "ðŁĴ®": 146388, "ະ": 146389, "ðŁĶľ": 146390, "ðŁįĦ": 146391, "ðŁ¤Ŀ": 146392, "áĥĿ": 146393, "áŀĢ": 146394, "âĩ¦": 146395, "ʾ": 146396, "Ò®": 146397, "Õ¼": 146398, "à¤Ĩ": 146399, "âĹħ": 146400, "âļĵ": 146401, "âļĸ": 146402, "ê¿©": 146403, "ë¯Ħ": 146404, "ìIJIJ": 146405, "ìŀ°": 146406, "ì§Ń": 146407, "íĭĭ": 146408, "íݨ": 146409, "íĻ§": 146410, "ï²ij": 146411, "ðŁİĹ": 146412, "Ù³": 146413, "ðŁij¸": 146414, "ম": 146415, "ðŁijķ": 146416, "Úµ": 146417, "âĢ¾": 146418, "âŀ°": 146419, "ðŁij¯": 146420, "ðŁİ¼": 146421, "ðŁıģ": 146422, "ĺ": 146423, "Êı": 146424, "Ú³": 146425, "âı±": 146426, "ê½Ī": 146427, "ëĿĮ": 146428, "ìĮī": 146429, "ìĹ·": 146430, "ìŀ´": 146431, "íĹ¹": 146432, "íľ¨": 146433, "ðĿĹ²": 146434, "ðŁĮIJ": 146435, "ðŁİĻ": 146436, "ðŁıµ": 146437, "íĽĻ": 146438, "ðĿijħ": 146439, "ðŁĺ¶": 146440, "âĵħ": 146441, "âķ¥": 146442, "ðŁįı": 146443, "ï¦İ": 146444, "Õ©": 146445, "ðĿIJĦ": 146446, "Ó£": 146447, "Ú¿": 146448, "âĻļ": 146449, "ðŁĶĹ": 146450, "ḫ": 146451, "âĭ®": 146452, "âĸ¦": 146453, "âĽ½": 146454, "âľµ": 146455, "ãħĨ": 146456, "ãħĬ": 146457, "ëĦĻ": 146458, "ëĿ¨": 146459, "ë¥Ħ": 146460, "ìĦ¦": 146461, "짰": 146462, "짹": 146463, "íīĪ": 146464, "ï§ij": 146465, "ï»ĩ": 146466, "ðŁĮ¾": 146467, "ðŁıĸ": 146468, "ðŁIJij": 146469, "ðŁĴ³": 146470, "ðŁĵĨ": 146471, "Ûĩ": 146472, "Üķ": 146473, "á½½": 146474, "ëĦľ": 146475, "à´²": 146476, "à´³": 146477, "àºŃ": 146478, "áĥĽ": 146479, "âĿĶ": 146480, "âijħ": 146481, "áĥ¥": 146482, "ðŁĵħ": 146483, "âŀ³": 146484, "á´µ": 146485, "﹡": 146486, "ﹶ": 146487, "ÎĨ": 146488, "थ": 146489, "áīµ": 146490, "âĿĻ": 146491, "âĿ±": 146492, "ëīł": 146493, "ëİł": 146494, "ëıĽ": 146495, "ë¿ħ": 146496, "ìĶ¸": 146497, "íij¯": 146498, "íŀī": 146499, "íŀĽ": 146500, "ï§Ħ": 146501, "ïŃĺ": 146502, "ﺦ": 146503, "ﻸ": 146504, "ðĿijĤ": 146505, "ðĿijı": 146506, "Ïij": 146507, "Úł": 146508, "áĢĶ": 146509, "áŀĶ": 146510, "á¹¢": 146511, "ëĦ¸": 146512, "ðĿIJ¨": 146513, "ðŁĩ´": 146514, "Õ°": 146515, "ðŁijł": 146516, "ðŁįĨ": 146517, "ðŁıĢ": 146518, "ðŁijIJ": 146519, "ðŁįĩ": 146520, "ðŁIJ£": 146521, "áĪŃ": 146522, "ܪ": 146523, "ðŁĮĢ": 146524, "áŀĺ": 146525, "âĩĦ": 146526, "ðĿIJĢ": 146527, "ÊĻ": 146528, "âĶ¼": 146529, "ðŁı¿": 146530, "Æ·": 146531, "Èł": 146532, "ѽ": 146533, "âĤ¨": 146534, "ê´Ń": 146535, "ê¹»": 146536, "ëĶ¨": 146537, "ìĪĢ": 146538, "ì¾°": 146539, "íĨĪ": 146540, "ﮧ": 146541, "ﯽ": 146542, "ðŁĶħ": 146543, "ðŁĶ®": 146544, "Å¢": 146545, "Ê°": 146546, "Ѹ": 146547, "ण": 146548, "âĬĹ": 146549, "ëªĦ": 146550, "ï¹·": 146551, "ïºħ": 146552, "ðĿIJµ": 146553, "ðŁĮ¶": 146554, "ðŁĵ°": 146555, "ðŁĶ·": 146556, "ðŁĸĴ": 146557, "ðŁ¤²": 146558, "ëī©": 146559, "ðŁİĨ": 146560, "ðŁ§IJ": 146561, "ðŁį®": 146562, "âĨº": 146563, "âĿ¢": 146564, "ðŁijª": 146565, "ðŁij±": 146566, "âĨ¡": 146567, "áŀı": 146568, "Úķ": 146569, "ðŁį¹": 146570, "ðŁĴĢ": 146571, "Ë®": 146572, "Ó¨": 146573, "Öħ": 146574, "à¤ĩ": 146575, "âĤ¡": 146576, "âĪķ": 146577, "âĺī": 146578, "ê¹¼": 146579, "ê¼IJ": 146580, "콸": 146581, "ðĿIJ¬": 146582, "ðŁıħ": 146583, "ðŁijĻ": 146584, "ðŁĴī": 146585, "ðŁ¤Ļ": 146586, "Èĺ": 146587, "ɳ": 146588, "ɹ": 146589, "Ùº": 146590, "áĢĦ": 146591, "ῳ": 146592, "âļĺ": 146593, "âĿĨ": 146594, "ëĨī": 146595, "ìĸį": 146596, "ìĺĩ": 146597, "ì¥ĺ": 146598, "íĸħ": 146599, "íĻij": 146600, "ï®Ĭ": 146601, "ï¿Ń": 146602, "ðĿĴIJ": 146603, "ðĿĹ¢": 146604, "ðŁĶĸ": 146605, "ðŁĶ¨": 146606, "ðŁļij": 146607, "ðŁļ²": 146608, "Ƹ": 146609, "âĹ¥": 146610, "ðĿIJŃ": 146611, "ðŁį½": 146612, "âĹij": 146613, "âĵĩ": 146614, "ðŁĶ±": 146615, "âľ¼": 146616, "ï¹ĥ": 146617, "âķ±": 146618, "ãĢĹ": 146619, "ðŁıĭ": 146620, "ðŁļ´": 146621, "ðĿIJ®": 146622, "Äļ": 146623, "Õı": 146624, "Ķ": 146625, "áĥij": 146626, "Ṭ": 146627, "ÄĪ": 146628, "ÄĴ": 146629, "Ò°": 146630, "Óķ": 146631, "âIJ": 146632, "âIJ£": 146633, "âĹ¢": 146634, "âļĻ": 146635, "ãħĹ": 146636, "ê°¬": 146637, "곪": 146638, "ê»Ģ": 146639, "ëĦ´": 146640, "ëİģ": 146641, "ëĿĶ": 146642, "묽": 146643, "ëŃį": 146644, "ìĩ³": 146645, "ì°¹": 146646, "íĮ¹": 146647, "íŀĿ": 146648, "ï®ĭ": 146649, "ï¶Ī": 146650, "ðĿĴĤ": 146651, "ðŁ¥Ģ": 146652, "ðŁ¦ħ": 146653, "Êĺ": 146654, "á¼ij": 146655, "âģİ": 146656, "ðŁįŀ": 146657, "âĨĸ": 146658, "âĨĻ": 146659, "ðŁİĥ": 146660, "âĦ¡": 146661, "âĭ±": 146662, "ðŁĶį": 146663, "ನ": 146664, "áµĥ": 146665, "âĶ«": 146666, "⦿": 146667, "ðŁĩ»": 146668, "Ƥ": 146669, "Òı": 146670, "Ò·": 146671, "Ûī": 146672, "à®ķ": 146673, "ḳ": 146674, "בּ": 146675, "ðŁĨĶ": 146676, "ÚŃ": 146677, "Û¦": 146678, "áħ¡": 146679, "âĦ¹": 146680, "ê¿İ": 146681, "ëķĶ": 146682, "ë¼ī": 146683, "ìļ§": 146684, "ì²µ": 146685, "ì´¨": 146686, "íĬĪ": 146687, "íĸIJ": 146688, "ðĿĹĺ": 146689, "ðŁĩ¿": 146690, "ðŁİĸ": 146691, "ðŁijħ": 146692, "ðŁĵĺ": 146693, "ðŁļĻ": 146694, "ðŁĽµ": 146695, "ල": 146696, "⼵": 146697, "ðĿIJ³": 146698, "ðĿIJ¸": 146699, "âļĶ": 146700, "ðŁijŃ": 146701, "Óij": 146702, "âĶ¯": 146703, "ðŁħ¿": 146704, "ðŁĺ¹": 146705, "ï¿«": 146706, "⼤": 146707, "ðŁĴĩ": 146708, "ðŁĵİ": 146709, "ðŁĸĭ": 146710, "স": 146711, "ðĿIJį": 146712, "IJ": 146713, "Ïĭ": 146714, "Ѭ": 146715, "Ú¬": 146716, "ÜĴ": 146717, "á´¬": 146718, "ï¨Ħ": 146719, "É£": 146720, "Ëij": 146721, "ϵ": 146722, "ÒĿ": 146723, "Û¥": 146724, "Üł": 146725, "à¹Ľ": 146726, "áĥķ": 146727, "áĬķ": 146728, "ᾶ": 146729, "âĤ·": 146730, "âĩ¾": 146731, "âķ©": 146732, "âĸIJ": 146733, "âĺª": 146734, "âĺ®": 146735, "âĿļ": 146736, "âĿŃ": 146737, "âŀ±": 146738, "âµİ": 146739, "ãıĬ": 146740, "ë©ĵ": 146741, "ìĹ¾": 146742, "ìªĦ": 146743, "íĵĮ": 146744, "íķ¼": 146745, "ïѬ": 146746, "ðĿijĨ": 146747, "ðĿijŀ": 146748, "ðĿĸĬ": 146749, "ðŁİ¸": 146750, "ðŁıĦ": 146751, "ðŁijµ": 146752, "ðŁĴł": 146753, "ðŁĶĺ": 146754, "ðŁ¥Ĥ": 146755, "Ū": 146756, "à·ĥ": 146757, "á´¼": 146758, "âĬ°": 146759, "ë³ı": 146760, "ë´£": 146761, "ï¥ľ": 146762, "ðŁĵĪ": 146763, "ðŁķ¯": 146764, "ðŁ§Ģ": 146765, "âĻIJ": 146766, "ðŁĨĹ": 146767, "ðŁĵķ": 146768, "ðŁ§ģ": 146769, "Ü«": 146770, "âĿIJ": 146771, "Õķ": 146772, "à½ķ": 146773, "âŀĿ": 146774, "à¦ķ": 146775, "ðĿIJ¶": 146776, "É¢": 146777, "ÎĦ": 146778, "áĨ¢": 146779, "âĤ±": 146780, "Õį": 146781, "à¡ķ": 146782, "á´°": 146783, "ḩ": 146784, "⼷": 146785, "âĿ®": 146786, "ê¡ĵ": 146787, "ëı¤": 146788, "ëĹIJ": 146789, "ëµĮ": 146790, "ìijĪ": 146791, "íı¿": 146792, "íŵ": 146793, "ðĿIJİ": 146794, "ðŁĨĺ": 146795, "ðŁıŁ": 146796, "É¥": 146797, "Õ»": 146798, "à¡Ķ": 146799, "à¤ĸ": 146800, "á´¸": 146801, "âİĻ": 146802, "âİ¥": 146803, "âı³": 146804, "ëģķ": 146805, "ëĬī": 146806, "ì¡į": 146807, "칡": 146808, "禮": 146809, "ï¬Ł": 146810, "ﮫ": 146811, "ﮯ": 146812, "ï±ĥ": 146813, "ï·»": 146814, "ﺵ": 146815, "ðĿĹĶ": 146816, "ðĿĹ¡": 146817, "ðŁİ¨": 146818, "ðŁĶĴ": 146819, "ÚĽ": 146820, "ध": 146821, "âŀ¹": 146822, "áĢĢ": 146823, "ðŁįħ": 146824, "âŤ": 146825, "à¤ł": 146826, "ðŁIJ¥": 146827, "áĥĴ": 146828, "ðŁıĿ": 146829, "ðŁį¼": 146830, "ãĮ§": 146831, "âĿĽ": 146832, "ðŁIJĪ": 146833, "য": 146834, "áĢŀ": 146835, "ãĢĸ": 146836, "áŀĻ": 146837, "প": 146838, "ÕĨ": 146839, "âĬĨ": 146840, "âľ¾": 146841, "ðŁIJĹ": 146842, "ﹿ": 146843, "Ħ": 146844, "ÜŁ": 146845, "à²ł": 146846, "ಥ": 146847, "áŀī": 146848, "á´¥": 146849, "á´©": 146850, "á½Ģ": 146851, "ὡ": 146852, "âĨķ": 146853, "âŀ¯": 146854, "ê¡ij": 146855, "ëij£": 146856, "ë±Į": 146857, "ìĪij": 146858, "ìľĶ": 146859, "ìŀ½": 146860, "ì¨į": 146861, "ðĿijĢ": 146862, "ðŁĮĮ": 146863, "ðŁį¦": 146864, "ðŁį©": 146865, "ðŁIJļ": 146866, "ðŁĵĴ": 146867, "ðŁĵ¹": 146868, "ðŁ¥ij": 146869, "Äĭ": 146870, "ËĹ": 146871, "Ñ«": 146872, "Õ¢": 146873, "Ú°": 146874, "âĮĢ": 146875, "âĹĤ": 146876, "âĹ£": 146877, "⾼": 146878, "âĿĴ": 146879, "âĿĺ": 146880, "âŀĻ": 146881, "âŀ²": 146882, "ãİį": 146883, "ê¡IJ": 146884, "ëŀĸ": 146885, "ìĬĿ": 146886, "ìĽ¤": 146887, "ì¡ĭ": 146888, "쨰": 146889, "íĹĻ": 146890, "兩": 146891, "ï³į": 146892, "ï»İ": 146893, "ðĿijĵ": 146894, "ðŁĵĬ": 146895, "ðŁļ¼": 146896, "ï¦ģ": 146897, "ðĿķĴ": 146898, "ðŁijľ": 146899, "ðŁij¿": 146900, "ðŁĩ½": 146901, "à·Ħ": 146902, "âĸ´": 146903, "ãįī": 146904, "âĬĩ": 146905, "ðŁ§¸": 146906, "Ú¡": 146907, "â¾ĥ": 146908, "ðŁĹ»": 146909, "âĵij": 146910, "ðŁ¤¸": 146911, "ðŁ¤¯": 146912, "êĴ°": 146913, "ðĿIJĵ": 146914, "âĶ´": 146915, "êĴ±": 146916, "áĢĺ": 146917, "âĽĦ": 146918, "ï¹¹": 146919, "ÓĶ": 146920, "áĥ±": 146921, "Ü¡": 146922, "ßŀ": 146923, "âĻı": 146924, "⾸": 146925, "ìij¨": 146926, "ðĿIJĿ": 146927, "ðĿIJ¥": 146928, "ðŁįī": 146929, "ðŁij¼": 146930, "ðŁ¥Ŀ": 146931, "ÆĶ": 146932, "ݬ": 146933, "फ": 146934, "àºļ": 146935, "á´´": 146936, "á½ĸ": 146937, "âĤ¶": 146938, "âİ¢": 146939, "âĿħ": 146940, "⣫": 146941, "ãİĽ": 146942, "뮨": 146943, "ëºĮ": 146944, "ë¼ĺ": 146945, "ìĨĿ": 146946, "ìľ³": 146947, "ìŀĮ": 146948, "ì£Ĺ": 146949, "ìªĺ": 146950, "컹": 146951, "ï·¼": 146952, "ïºĤ": 146953, "ðĿIJ´": 146954, "ðĿIJ¼": 146955, "ðŁĮļ": 146956, "ðŁı«": 146957, "ðŁĴ¤": 146958, "ðŁĴ¶": 146959, "ðŁĴ¼": 146960, "Êķ": 146961, "ʽ": 146962, "â²Ł": 146963, "ãīł": 146964, "ê¡Ĵ": 146965, "ëľĢ": 146966, "ìĥ¾": 146967, "츤": 146968, "ï¥ģ": 146969, "ðĿļĬ": 146970, "ðŁļĥ": 146971, "âŀĽ": 146972, "ìħ´": 146973, "áĦĭ": 146974, "âĩĹ": 146975, "立": 146976, "âĺĸ": 146977, "ðŁIJ¦": 146978, "⸾": 146979, "ðŁĴ´": 146980, "ðŁ¤ļ": 146981, "ãĬĹ": 146982, "âĮĽ": 146983, "áĪĽ": 146984, "༺": 146985, "â½ī": 146986, "ðŁı¢": 146987, "âĵŀ": 146988, "âĺ½": 146989, "ãĢĻ": 146990, "ðŁ¤®": 146991, "ÅIJ": 146992, "áĥ¬": 146993, "ðĿĹ»": 146994, "ðŁįĸ": 146995, "ÆĬ": 146996, "ÊŁ": 146997, "ßĭ": 146998, "à¤ĭ": 146999, "áµĶ": 147000, "á¿ĥ": 147001, "âĦī": 147002, "âĮĭ": 147003, "âı²": 147004, "âĵĪ": 147005, "âĵ¢": 147006, "âķĶ": 147007, "âļij": 147008, "âĿĭ": 147009, "âĿİ": 147010, "⵾": 147011, "âµ£": 147012, "ëĴĪ": 147013, "ëľģ": 147014, "ë¶ĩ": 147015, "ìį»": 147016, "ìĺŃ": 147017, "짢": 147018, "íĹĢ": 147019, "ï§Ĭ": 147020, "טּ": 147021, "ﱡ": 147022, "ðĿIJº": 147023, "ðĿij§": 147024, "ðĿĺ¦": 147025, "ðŁĵ¥": 147026, "ðŁĺŁ": 147027, "ðŁ¥IJ": 147028, "Äĸ": 147029, "ɨ": 147030, "áĢIJ": 147031, "áĥĵ": 147032, "áºĵ": 147033, "ἶ": 147034, "á½Ħ": 147035, "âĤ¤": 147036, "âĮľ": 147037, "âĮŁ": 147038, "âİł": 147039, "⼸": 147040, "âµį": 147041, "âµı": 147042, "âµĵ": 147043, "ãĢĺ": 147044, "ë·¸": 147045, "íħ¼": 147046, "ï¦Į": 147047, "ïŃĦ": 147048, "ïŃİ": 147049, "ðĿĻļ": 147050, "ðĿļĺ": 147051, "à¼ĵ": 147052, "ëŃħ": 147053, "áIJĽ": 147054, "ãݾ": 147055, "ï¨Ģ": 147056, "ðŁĹ½": 147057, "âĻŀ": 147058, "Ëĸ": 147059, "âĹŀ": 147060, "ðŁ¤«": 147061, "ðŁĺĹ": 147062, "ｦ": 147063, "ðŁ¤¢": 147064, "âģĩ": 147065, "ãĢµ": 147066, "ðŁįĶ": 147067, "áĬł": 147068, "ðŁĺ¼": 147069, "ðĿĹ®": 147070, "ðŁIJ³": 147071, "ðĿIJĭ": 147072, "ðŁĨļ": 147073, "ðŁĶĽ": 147074, "Ñ»": 147075, "ܨ": 147076, "ல": 147077, "âľŀ": 147078, "âµĻ": 147079, "êµ£": 147080, "츨": 147081, "ðĿIJľ": 147082, "ðĿĺ°": 147083, "ðŁĶ½": 147084, "Ç»": 147085, "Ç¿": 147086, "Êĩ": 147087, "ÎIJ": 147088, "ÐĢ": 147089, "Ñ¡": 147090, "Ѳ": 147091, "ÒĴ": 147092, "Ù¶": 147093, "ßķ": 147094, "න": 147095, "áIJģ": 147096, "âģŀ": 147097, "âĸ§": 147098, "âĽĪ": 147099, "âľľ": 147100, "âľ¹": 147101, "âŁ¹": 147102, "â¤ĩ": 147103, "ê²Ĭ": 147104, "ê¾ľ": 147105, "ë¯IJ": 147106, "ë³IJ": 147107, "ìħ©": 147108, "ìIJ¬": 147109, "ìij¹": 147110, "ï¤Ķ": 147111, "ï¦ļ": 147112, "ï¬ł": 147113, "ïŃĶ": 147114, "ﺶ": 147115, "ðĿĴı": 147116, "ðĿĸĨ": 147117, "ðĿŶ": 147118, "ðŁıĤ": 147119, "ðŁIJ½": 147120, "ðŁĴ©": 147121, "ðŁĵ½": 147122, "ðŁĹ¨": 147123, "ðŁĹº": 147124, "ðŁĺ¸": 147125, "ðŁ¥§": 147126, "ÅĹ": 147127, "Êİ": 147128, "ÒĻ": 147129, "ײ": 147130, "à¤Ī": 147131, "á¼´": 147132, "á¿ij": 147133, "âµī": 147134, "ãħĵ": 147135, "ì½´": 147136, "ðĿĸĵ": 147137, "ðŁĵĹ": 147138, "ðŁĶª": 147139, "ðŁĸį": 147140, "ÏĴ": 147141, "ðŁij¬": 147142, "áĥĻ": 147143, "âĨ¬": 147144, "âĶ¤": 147145, "âĽ¹": 147146, "âĻŁ": 147147, "ðŁļ¶": 147148, "ðŁij¾": 147149, "âĪĭ": 147150, "ðŁIJ¯": 147151, "à¼İ": 147152, "âľ·": 147153, "ï¨Ļ": 147154, "âĶ»": 147155, "ðŁij¹": 147156, "áĦī": 147157, "ສ": 147158, "â¾ı": 147159, "â½ħ": 147160, "ãİĸ": 147161, "Ñ´": 147162, "Õ®": 147163, "Ú¼": 147164, "áĢķ": 147165, "áĨ¼": 147166, "ëŃı": 147167, "ðŁIJ¸": 147168, "ðŁļ£": 147169, "ÆĿ": 147170, "Ô»": 147171, "áĥ¢": 147172, "ðŁį¯": 147173, "ɦ": 147174, "Õ¦": 147175, "âĻĭ": 147176, "שׂ": 147177, "ðĿŦ": 147178, "Çļ": 147179, "ɱ": 147180, "à¤ī": 147181, "á´Ħ": 147182, "âĻĵ": 147183, "⼰": 147184, "âŁª": 147185, "ëĥĺ": 147186, "뢸": 147187, "ìĤij": 147188, "ï®Ķ": 147189, "ðĿķĸ": 147190, "ðĿŧ": 147191, "ðŁĩ¼": 147192, "ðŁĵĭ": 147193, "ðŁļľ": 147194, "ðŁ¥¤": 147195, "Ä®": 147196, "Å·": 147197, "ßĬ": 147198, "॥": 147199, "ப": 147200, "áŀĦ": 147201, "áµĢ": 147202, "á¸ħ": 147203, "á¼¢": 147204, "âĪĿ": 147205, "âĬ¹": 147206, "âĴ¶": 147207, "âķ´": 147208, "⼱": 147209, "âĽ³": 147210, "âĽº": 147211, "âŀŁ": 147212, "ãıĦ": 147213, "ê¸Ķ": 147214, "ê¹Ł": 147215, "ëĩ°": 147216, "ë¹»": 147217, "ìĤ¥": 147218, "ìĽ»": 147219, "ì°Ł": 147220, "íĥ°": 147221, "íĨº": 147222, "íļ½": 147223, "老": 147224, "量": 147225, "ï³Ŀ": 147226, "ðĿIJ¦": 147227, "ðĿĴľ": 147228, "ðĿĴŁ": 147229, "ðĿļĹ": 147230, "ðŁİŃ": 147231, "ðŁıĵ": 147232, "ðŁı³": 147233, "ðŁıº": 147234, "ðŁIJį": 147235, "ðŁijĥ": 147236, "ðŁĴı": 147237, "ðŁ¤ĸ": 147238, "ðŁ¤µ": 147239, "Õ²": 147240, "âµĶ": 147241, "ëĺ¬": 147242, "念": 147243, "ÊĤ": 147244, "áĨ«": 147245, "áŀij": 147246, "ðĿĸİ": 147247, "ðĿĹĸ": 147248, "áĦĥ": 147249, "âĩł": 147250, "áĢ¡": 147251, "à½Ħ": 147252, "âŀ¸": 147253, "ï¦Ļ": 147254, "âĩļ": 147255, "ðŁIJ¬": 147256, "ðŁIJ¢": 147257, "â¾Ĵ": 147258, "ðŁIJ¤": 147259, "ðŁĶ«": 147260, "ãĢŀ": 147261, "︺": 147262, "ðŁĺº": 147263, "â½´": 147264, "ðŁĨķ": 147265, "âģ¿": 147266, "ðŁį¨": 147267, "à²ķ": 147268, "ðŁļĺ": 147269, "áŀħ": 147270, "à¦ħ": 147271, "áŀ¢": 147272, "à¨ľ": 147273, "âļĮ": 147274, "ãĢ½": 147275, "à·´": 147276, "âĵĽ": 147277, "áĢľ": 147278, "ìĨ¨": 147279, "Ë©": 147280, "ÜĹ": 147281, "âĭ¼": 147282, "ðŁĻī": 147283, "ÅĬ": 147284, "Éĵ": 147285, "ʲ": 147286, "ΰ": 147287, "Ѽ": 147288, "Ô¿": 147289, "à¡IJ": 147290, "à¼ľ": 147291, "ས": 147292, "ᶾ": 147293, "âĤ²": 147294, "âĨ¨": 147295, "âĬ¥": 147296, "âķ§": 147297, "âĻľ": 147298, "ãĭ¡": 147299, "ë´¬": 147300, "ë¶ij": 147301, "ìī¿": 147302, "ìİħ": 147303, "ìł±": 147304, "ì°§": 147305, "ﲡ": 147306, "ðĿĴĽ": 147307, "ðĿķ£": 147308, "ðĿĹľ": 147309, "ðŁį²": 147310, "ðŁİ©": 147311, "ðŁIJIJ": 147312, "ðŁIJł": 147313, "ðŁij½": 147314, "ðŁĴij": 147315, "ðŁĵľ": 147316, "ðŁķµ": 147317, "ðŁļĮ": 147318, "ðŁĽ£": 147319, "Êĭ": 147320, "Ó¯": 147321, "Ù¸": 147322, "ßĶ": 147323, "ßĻ": 147324, "à¡ĵ": 147325, "á´į": 147326, "ḿ": 147327, "âıº": 147328, "âĸ¥": 147329, "뤽": 147330, "íľij": 147331, "ðĿIJ¹": 147332, "ðĿĸĶ": 147333, "ðĿļİ": 147334, "ðŁĵĦ": 147335, "ðŁ¦·": 147336, "Æĥ": 147337, "à¦Ł": 147338, "âĮĤ": 147339, "âĺŃ": 147340, "â²ļ": 147341, "ëĿķ": 147342, "ðŁİ£": 147343, "à®ĩ": 147344, "à½Ĩ": 147345, "áħµ": 147346, "áĹľ": 147347, "âĢ½": 147348, "âĮ£": 147349, "âģ½": 147350, "ðŁĵ¬": 147351, "ðŁ¤§": 147352, "âĩª": 147353, "â½£": 147354, "âĹŁ": 147355, "ï¨Ĺ": 147356, "êĴª": 147357, "ðŁĽĢ": 147358, "ÇĤ": 147359, "ðŁ¥¶": 147360, "ðŁİį": 147361, "ï¿©": 147362, "ðŁijĴ": 147363, "áµĪ": 147364, "︿": 147365, "áħ©": 147366, "⾦": 147367, "à°¤": 147368, "á´ĸ": 147369, "ਬ": 147370, "àºĹ": 147371, "༻": 147372, "Ѻ": 147373, "ਪ": 147374, "á´³": 147375, "ðĿIJĪ": 147376, "à»Ģ": 147377, "á´¿": 147378, "âĤį": 147379, "âĩ¡": 147380, "âĽª": 147381, "ðĿIJĤ": 147382, "ðĿĴķ": 147383, "ðŁIJľ": 147384, "Êį": 147385, "ѱ": 147386, "à½ĥ": 147387, "ë®IJ": 147388, "ìĽ¡": 147389, "ìľģ": 147390, "ðĿIJ¿": 147391, "ðĿķł": 147392, "ðŁijĽ": 147393, "ƪ": 147394, "Ϻ": 147395, "Ó¬": 147396, "Ù¿": 147397, "Ý£": 147398, "àªī": 147399, "ஹ": 147400, "à½ij": 147401, "áĨ¯": 147402, "áµĩ": 147403, "âĩ¥": 147404, "âıª": 147405, "âĻ°": 147406, "âļŃ": 147407, "âļ¾": 147408, "ãħĦ": 147409, "êĢ°": 147410, "ê°Ĺ": 147411, "ê²ĭ": 147412, "ê²»": 147413, "ê¶ľ": 147414, "ê¼ĩ": 147415, "ê½¹": 147416, "ëĤŁ": 147417, "ëħĪ": 147418, "ëĭ¢": 147419, "맣": 147420, "ëªĨ": 147421, "ëµĢ": 147422, "ì½±": 147423, "íĩĺ": 147424, "íľľ": 147425, "茶": 147426, "ï±µ": 147427, "ï²¢": 147428, "ﲤ": 147429, "ðĿĴĬ": 147430, "ðĿĺ¯": 147431, "ðŁįĹ": 147432, "ðŁıį": 147433, "ðŁIJĺ": 147434, "ðŁĵ¡": 147435, "ðŁĶŀ": 147436, "ðŁ¤³": 147437, "ðŁ¥ģ": 147438, "ðŁ¥Ĺ": 147439, "ðŁ¦Ĭ": 147440, "ĵ": 147441, "Ʀ": 147442, "ǵ": 147443, "ɯ": 147444, "Îı": 147445, "ÕĦ": 147446, "Ü¥": 147447, "à½ģ": 147448, "ᨳ": 147449, "âķ«": 147450, "ãİī": 147451, "ë·´": 147452, "ìĨİ": 147453, "ìİĮ": 147454, "죵": 147455, "íĽł": 147456, "離": 147457, "ï³ı": 147458, "ﻺ": 147459, "ðĿijģ": 147460, "ðĿijĩ": 147461, "ðĿĴĨ": 147462, "ðŁİł": 147463, "ðŁIJĶ": 147464, "ðŁijŁ": 147465, "Åĸ": 147466, "à¤Į": 147467, "á¾½": 147468, "ê¦Ĵ": 147469, "à®Ł": 147470, "á´±": 147471, "ðŁı°": 147472, "ðŁIJŀ": 147473, "à½Ģ": 147474, "áĢħ": 147475, "âĬ¿": 147476, "ðŁIJ§": 147477, "áĽģ": 147478, "â¼Ī": 147479, "âĶ¿": 147480, "ðŁ¥´": 147481, "⼿": 147482, "ðŁ§ľ": 147483, "ãħ¿": 147484, "âĦ«": 147485, "ãĢ³": 147486, "ãĬĻ": 147487, "â¼Ģ": 147488, "怜": 147489, "ðŁı¬": 147490, "ðŁĵ»": 147491, "áĬĽ": 147492, "áĦħ": 147493, "àºĬ": 147494, "àºĽ": 147495, "áħ³": 147496, "ðŁij®": 147497, "à®±": 147498, "âĺĩ": 147499, "ðĿIJı": 147500, "à´µ": 147501, "à»ģ": 147502, "à½ı": 147503, "ར": 147504, "ᥱ": 147505, "âĤ£": 147506, "復": 147507, "ïŃĻ": 147508, "ï´©": 147509, "ï¹Ĥ": 147510, "ðŁį£": 147511, "ðŁķ¹": 147512, "Ïĸ": 147513, "ම": 147514, "ຢ": 147515, "áĭŃ": 147516, "âİĿ": 147517, "âĹĿ": 147518, "âĻĪ": 147519, "âĻİ": 147520, "ê½¥": 147521, "ì³Ķ": 147522, "ì¼ij": 147523, "ï±°": 147524, "ðĿijĥ": 147525, "ðŁĮª": 147526, "ðŁį¡": 147527, "Åİ": 147528, "ʦ": 147529, "ѧ": 147530, "Óİ": 147531, "Ô´": 147532, "ÚĪ": 147533, "ßĵ": 147534, "ߧ": 147535, "à¤Ķ": 147536, "áĪ«": 147537, "áĪµ": 147538, "áĹ©": 147539, "á´ł": 147540, "á¼ł": 147541, "âĢĹ": 147542, "âģij": 147543, "âĦı": 147544, "âĸĩ": 147545, "â²£": 147546, "ãĦ³": 147547, "ãī®": 147548, "ê³Ĺ": 147549, "ëĦĴ": 147550, "ëĸ«": 147551, "ë¡Ħ": 147552, "ë¹°": 147553, "ë½ģ": 147554, "ìĦģ": 147555, "ìĮĺ": 147556, "ìŁĮ": 147557, "ì³ī": 147558, "ì¼ķ": 147559, "כּ": 147560, "ï³İ": 147561, "ﹸ": 147562, "ï¹¾": 147563, "ðĿIJĨ": 147564, "ðĿij·": 147565, "ðĿĽ¼": 147566, "ðŁİı": 147567, "ðŁİŀ": 147568, "ðŁIJĻ": 147569, "ðŁijĤ": 147570, "ðŁĵģ": 147571, "ðŁĸ±": 147572, "ðŁļį": 147573, "ðŁļ§": 147574, "ðŁĽ¡": 147575, "ðŁ¤Ĵ": 147576, "ðŁ¥ŀ": 147577, "ðŁ¥©": 147578, "ðŁ¦Ģ": 147579, "ðŁ¦ĸ": 147580, "Ë¢": 147581, "Üļ": 147582, "வ": 147583, "áĢģ": 147584, "áī°": 147585, "âıŃ": 147586, "âĻ¿": 147587, "ê³ĺ": 147588, "ëıĿ": 147589, "ëķĥ": 147590, "ìħĮ": 147591, "ìĴ¸": 147592, "ìĽŁ": 147593, "íħĦ": 147594, "íľ«": 147595, "ï§ĺ": 147596, "￬": 147597, "ðŁı·": 147598, "ðŁĶ§": 147599, "ðŁ¥Ī": 147600, "Æĸ": 147601, "áŀĩ": 147602, "áŀĸ": 147603, "âģº": 147604, "âĹľ": 147605, "âŀ©": 147606, "ê¦Ń": 147607, "ëĻ¤": 147608, "ïŃ¼": 147609, "ðĿĻĸ": 147610, "ðĿĻ£": 147611, "ðĿĻ¤": 147612, "ðŁĮĿ": 147613, "ðŁĶij": 147614, "ðŁĽł": 147615, "àºĩ": 147616, "âĺ£": 147617, "ãĦ¨": 147618, "ðĿĸĹ": 147619, "Óĵ": 147620, "âĨ£": 147621, "ðŁ¥ī": 147622, "ðŁĮł": 147623, "ðŁĺ½": 147624, "ãİł": 147625, "ŧ": 147626, "ðŁIJĴ": 147627, "ï§IJ": 147628, "ðŁĺ¿": 147629, "âĪ¬": 147630, "ðŁIJ®": 147631, "⣱": 147632, "ಡ": 147633, "â¾¼": 147634, "à°²": 147635, "˶": 147636, "âĸ¿": 147637, "ÕĪ": 147638, "áŀİ": 147639, "áħ¥": 147640, "áŀĹ": 147641, "Õ§": 147642, "ðŁ¤IJ": 147643, "ðŁįł": 147644, "ত": 147645, "ය": 147646, "âĻį": 147647, "ìĺĻ": 147648, "íĺĵ": 147649, "ﹺ": 147650, "ðŁĽ³": 147651, "Åī": 147652, "á´İ": 147653, "âıľ": 147654, "âĶ³": 147655, "긷": 147656, "ì¡Ķ": 147657, "ðĿĴĪ": 147658, "ðĿĴį": 147659, "ðĿĴ¹": 147660, "ðĿĵĩ": 147661, "ðĿķŁ": 147662, "ðĿĹ¹": 147663, "ðŁĮħ": 147664, "ðŁı´": 147665, "ÄĶ": 147666, "Ĥ": 147667, "ŵ": 147668, "Ǿ": 147669, "Ïŀ": 147670, "϶": 147671, "Ô³": 147672, "ÜĨ": 147673, "ß©": 147674, "à¡Ĵ": 147675, "à¤ĺ": 147676, "à¶ļ": 147677, "à½ĸ": 147678, "áģĬ": 147679, "áĥŀ": 147680, "áĦĤ": 147681, "áĭ«": 147682, "á´º": 147683, "ḣ": 147684, "Ḫ": 147685, "á¹Ĥ": 147686, "á¼·": 147687, "á¿ĩ": 147688, "âĩĮ": 147689, "âı¬": 147690, "âĻĮ": 147691, "⮣": 147692, "â´»": 147693, "ⵣ": 147694, "ê¦ķ": 147695, "ꦪ": 147696, "ꦮ": 147697, "ê²Ħ": 147698, "ê¾IJ": 147699, "ëĥij": 147700, "ëķĭ": 147701, "롸": 147702, "ë¬Ģ": 147703, "ìĩ¤": 147704, "ìĪ©": 147705, "ìľķ": 147706, "ìŃĺ": 147707, "ì·°": 147708, "ì·¸": 147709, "íľĢ": 147710, "藍": 147711, "ï§į": 147712, "ï±Ħ": 147713, "ï³ij": 147714, "ðĿIJ¤": 147715, "ðĿĴĵ": 147716, "ðĿĴ¶": 147717, "ðĿĹ¼": 147718, "ðĿĻĬ": 147719, "ðŁĩ¾": 147720, "ðŁĮĽ": 147721, "ðŁĮ®": 147722, "ðŁİĩ": 147723, "ðŁİ²": 147724, "ðŁıĽ": 147725, "ðŁij¥": 147726, "ðŁij´": 147727, "ðŁĴĨ": 147728, "ðŁĵĤ": 147729, "ðŁĵ§": 147730, "ðŁķIJ": 147731, "ðŁĸķ": 147732, "ðŁĺ§": 147733, "ðŁĻĢ": 147734, "ðŁļĴ": 147735, "ðŁĽ«": 147736, "ðŁ¤ł": 147737, "ðŁ¥ļ": 147738, "ðŁ¥Ľ": 147739, "ðŁ¥£": 147740, "ǯ": 147741, "ȧ": 147742, "ÎĬ": 147743, "Ò²": 147744, "×°": 147745, "Ûij": 147746, "áĥ©": 147747, "áĦĮ": 147748, "áĪį": 147749, "áī¥": 147750, "áıĤ": 147751, "âģ±": 147752, "âĬ¢": 147753, "âĹĵ": 147754, "âĿ°": 147755, "ë¿¡": 147756, "ìĽ©": 147757, "íģŃ": 147758, "íĨ³": 147759, "íĬĦ": 147760, "íĵ¸": 147761, "北": 147762, "若": 147763, "ï±IJ": 147764, "ﱯ": 147765, "ï³ļ": 147766, "ðĿĸĺ": 147767, "ðĿĺĢ": 147768, "ðŁIJĬ": 147769, "ðŁIJĮ": 147770, "ðŁijļ": 147771, "ðŁĵĥ": 147772, "ðŁļĽ": 147773, "ðŁļª": 147774, "ðŁ¤°": 147775, "Ä´": 147776, "áĥ®": 147777, "áŨ": 147778, "âĻ®": 147779, "â²ŀ": 147780, "ãĪĶ": 147781, "ìħį": 147782, "ãħĥ": 147783, "率": 147784, "ມ": 147785, "Õİ": 147786, "Õº": 147787, "⬼": 147788, "⽤": 147789, "ðĿIJ²": 147790, "âŀµ": 147791, "áĢĽ": 147792, "âĶħ": 147793, "âĨŁ": 147794, "â¼Ĭ": 147795, "ðŁĮ½": 147796, "ðŁļ¿": 147797, "ï¦Ĭ": 147798, "ãĦ£": 147799, "⼩": 147800, "ï©Ľ": 147801, "ðŁį±": 147802, "⾨": 147803, "à´¤": 147804, "áŀģ": 147805, "àºŀ": 147806, "Êļ": 147807, "ðĿIJĴ": 147808, "à´±": 147809, "áŀľ": 147810, "ன": 147811, "à°Ĺ": 147812, "à´ļ": 147813, "âĩ£": 147814, "ï¦ķ": 147815, "Õħ": 147816, "Æĺ": 147817, "âĤ¦": 147818, "âĶĦ": 147819, "ï¦Ł": 147820, "嶺": 147821, "ðĿIJģ": 147822, "ðĿIJĥ": 147823, "ðŁį¸": 147824, "ðŁIJ²": 147825, "Ŷ": 147826, "Éĸ": 147827, "ßĺ": 147828, "ฦ": 147829, "à½Ķ": 147830, "áĨ·": 147831, "âģķ": 147832, "âĵĤ": 147833, "âĿľ": 147834, "便": 147835, "אַ": 147836, "ðĿĹĿ": 147837, "ðĿĹ¿": 147838, "ðŁİ¾": 147839, "ðŁĹĿ": 147840, "ðŁ¦Į": 147841, "Æħ": 147842, "Ǫ": 147843, "ÒĹ": 147844, "ÜĽ": 147845, "ßł": 147846, "à¡ij": 147847, "áī£": 147848, "áĬŃ": 147849, "ṡ": 147850, "âŀ¼": 147851, "âŀ¾": 147852, "â´±": 147853, "ãī¡": 147854, "곯": 147855, "ë½Ī": 147856, "ìĤĺ": 147857, "ìīij": 147858, "ì«ĺ": 147859, "íĮĥ": 147860, "íĻ°": 147861, "ï¤Ĺ": 147862, "ðŁĮ¬": 147863, "ðŁĮ°": 147864, "ðŁį¤": 147865, "Ä»": 147866, "Åĩ": 147867, "ƨ": 147868, "Éķ": 147869, "Ò¢": 147870, "Òº": 147871, "Öį": 147872, "×±": 147873, "Ú±": 147874, "Ú½": 147875, "ÛIJ": 147876, "à¤Ľ": 147877, "à·Ģ": 147878, "à¹ļ": 147879, "ຫ": 147880, "á´¹": 147881, "á½Ķ": 147882, "á¾³": 147883, "âĤĴ": 147884, "âĨ´": 147885, "âĩĿ": 147886, "âīħ": 147887, "âĮ¨": 147888, "âĵĵ": 147889, "âĸ¢": 147890, "âļ¬": 147891, "âŀŃ": 147892, "â²Ĵ": 147893, "ãİ¿": 147894, "ê¿´": 147895, "ëĪ±": 147896, "ëį¬": 147897, "ëİIJ": 147898, "ëIJ«": 147899, "ëĶ«": 147900, "ë±ģ": 147901, "ìĥ¥": 147902, "íĮ¼": 147903, "ïŃĵ": 147904, "ﮥ": 147905, "ï²°": 147906, "ðĿIJĩ": 147907, "ðĿIJij": 147908, "ðĿijĮ": 147909, "ðĿĵª": 147910, "ðĿķļ": 147911, "ðĿĺª": 147912, "ðĿĺ¼": 147913, "ðĿļĽ": 147914, "ðŁĩ¶": 147915, "ðŁĮĦ": 147916, "ðŁĮķ": 147917, "ðŁĮ¤": 147918, "ðŁĮ§": 147919, "ðŁį¬": 147920, "ðŁİĭ": 147921, "ðŁİ»": 147922, "ðŁı¨": 147923, "ðŁIJĩ": 147924, "ðŁijĵ": 147925, "ðŁĵIJ": 147926, "ðŁĵĻ": 147927, "ðŁĶ¼": 147928, "ðŁķĴ": 147929, "ðŁĸı": 147930, "ðŁĸ¥": 147931, "ðŁ¤¬": 147932, "ðŁ¥Ĭ": 147933, "ðŁ¥Ĵ": 147934, "ßĮ": 147935, "àºĦ": 147936, "á¼µ": 147937, "âķ¡": 147938, "Ⲥ": 147939, "â´¼": 147940, "âµ¢": 147941, "ãĪ¯": 147942, "ëĵ¸": 147943, "ëŁĩ": 147944, "ëºį": 147945, "ðĿĻ§": 147946, "ðŁįĪ": 147947, "ðŁĶ¬": 147948, "ðŁĸĬ": 147949, "ðŁ¤¾": 147950, "Ë¡": 147951, "Ü©": 147952, "âĮ¡": 147953, "âŃij": 147954, "Ⲧ": 147955, "ë©ī": 147956, "ì¼Ń": 147957, "￤": 147958, "ðĿĴİ": 147959, "ðĿĹ¥": 147960, "ðŁIJµ": 147961, "ðŁķ¶": 147962, "ðŁķ¸": 147963, "ðŁ¤ľ": 147964, "Õª": 147965, "áĪĭ": 147966, "ðŁ¥µ": 147967, "ï°ģ": 147968, "áµIJ": 147969, "âķĵ": 147970, "áĢĸ": 147971, "âĭĪ": 147972, "Éŀ": 147973, "âŀ®": 147974, "॰": 147975, "ãĨģ": 147976, "ðŁĴ±": 147977, "ðŁıŃ": 147978, "áĨ¨": 147979, "ðŁįļ": 147980, "ðŁ¦IJ": 147981, "á´»": 147982, "âĺĮ": 147983, "à´ķ": 147984, "Õ±": 147985, "áħ®": 147986, "ðĿIJĮ": 147987, "Ŧ": 147988, "àºķ": 147989, "âľĻ": 147990, "˳": 147991, "Ôµ": 147992, "âķĴ": 147993, "ðĿĹĹ": 147994, "ðĿĹł": 147995, "Úļ": 147996, "ধ": 147997, "âĨĿ": 147998, "âĻī": 147999, "ãĮ»": 148000, "ì¹Ĭ": 148001, "ðĿĹº": 148002, "ðŁ§ĺ": 148003, "ì³£": 148004, "ï¬Ŀ": 148005, "ðŁijº": 148006, "ÇŁ": 148007, "ÎĪ": 148008, "Ϋ": 148009, "Ñ¥": 148010, "Ô²": 148011, "Õ¨": 148012, "ܦ": 148013, "à¦Ĩ": 148014, "থ": 148015, "áIJ¢": 148016, "á¼ģ": 148017, "á¼ĺ": 148018, "ἦ": 148019, "âĵĿ": 148020, "ãĪ°": 148021, "ãİĹ": 148022, "겡": 148023, "ë¨Ģ": 148024, "ì£Ķ": 148025, "ì´¤": 148026, "ìµĿ": 148027, "林": 148028, "ïŃĬ": 148029, "ï²Ł": 148030, "ðĿIJ·": 148031, "ðĿijĭ": 148032, "ðĿĵī": 148033, "ðĿĺµ": 148034, "ðŁĴ·": 148035, "ðŁĽ©": 148036, "ðŁ§¹": 148037, "ÅĶ": 148038, "Êŀ": 148039, "Ë¥": 148040, "ÎĮ": 148041, "Ñ©": 148042, "ÓIJ": 148043, "Ół": 148044, "Úij": 148045, "ÚĴ": 148046, "ߨ": 148047, "àªĪ": 148048, "áIJĥ": 148049, "ṯ": 148050, "âĤĭ": 148051, "âĤµ": 148052, "âĦħ": 148053, "âĦł": 148054, "âĪ£": 148055, "âīº": 148056, "âī»": 148057, "âĬĽ": 148058, "âĮIJ": 148059, "âİĵ": 148060, "âĺ¸": 148061, "âĻĴ": 148062, "âļĴ": 148063, "âľĩ": 148064, "âľł": 148065, "â´·": 148066, "âµĸ": 148067, "ãĦ¸": 148068, "ãī¢": 148069, "ãī°": 148070, "êĩ´": 148071, "ê´¸": 148072, "êºł": 148073, "ëĤı": 148074, "ëĤ¢": 148075, "ëIJĢ": 148076, "뺴": 148077, "ìĥľ": 148078, "ìįħ": 148079, "줫": 148080, "챦": 148081, "ìºij": 148082, "ì¼ģ": 148083, "쿳": 148084, "íĤģ": 148085, "íħ¡": 148086, "íĴĤ": 148087, "íĴī": 148088, "íľĦ": 148089, "ïŃª": 148090, "ﮬ": 148091, "ﯦ": 148092, "ﱪ": 148093, "ï²ı": 148094, "ï´Ģ": 148095, "ï»Ĩ": 148096, "￦": 148097, "ðĿijĹ": 148098, "ðĿĸĻ": 148099, "ðŁĮ¡": 148100, "ðŁįĿ": 148101, "ðŁį§": 148102, "ðŁİ«": 148103, "ðŁıĺ": 148104, "ðŁıª": 148105, "ðŁIJĭ": 148106, "ðŁIJĽ": 148107, "ðŁIJº": 148108, "ðŁijĸ": 148109, "ðŁijŀ": 148110, "ðŁij·": 148111, "ðŁĵĢ": 148112, "ðŁĶĦ": 148113, "ðŁĶĮ": 148114, "ðŁķĻ": 148115, "ðŁĻį": 148116, "ðŁĻİ": 148117, "ðŁ¦į": 148118, "Ç°": 148119, "ÉŁ": 148120, "ÊĨ": 148121, "Ô¼": 148122, "Úľ": 148123, "ড": 148124, "শ": 148125, "áĴĥ": 148126, "Ἡ": 148127, "âĵķ": 148128, "â²Ī": 148129, "ê°°": 148130, "ê¹ł": 148131, "êºħ": 148132, "ëĦ¹": 148133, "ë¯ĵ": 148134, "íIJĪ": 148135, "臨": 148136, "ï®ij": 148137, "ﲨ": 148138, "ðĿĴī": 148139, "ðĿĴĶ": 148140, "ðĿŨ": 148141, "ðĿĻŀ": 148142, "ðĿļĴ": 148143, "ðĿļķ": 148144, "ðŁIJİ": 148145, "ðŁ¤ķ": 148146, "ðŁ§Ķ": 148147, "Ï°": 148148, "ÔĿ": 148149, "âĮĬ": 148150, "âĴ¾": 148151, "ãī£": 148152, "ïŃ©": 148153, "ðĿļŀ": 148154, "Êij": 148155, "দ": 148156, "áĦĩ": 148157, "âīĥ": 148158, "â²Ģ": 148159, "ìŁİ": 148160, "ðĿij¶": 148161, "ðĿĵ²": 148162, "ðŁİ·": 148163, "ðŁļ¹": 148164, "àºģ": 148165, "áłł": 148166, "ãĦļ": 148167, "ðŁIJ¿": 148168, "áĽļ": 148169, "âķ³": 148170, "ðŁIJŃ": 148171, "âĴ¹": 148172, "ðĿĸļ": 148173, "âĻĸ": 148174, "ãĪ²": 148175, "âĨ¾": 148176, "áĦĨ": 148177, "âķĽ": 148178, "ðŁ¤į": 148179, "â½¥": 148180, "ðŁĮ¨": 148181, "âĪ®": 148182, "ãĮĺ": 148183, "ãįij": 148184, "ï¹Ģ": 148185, "âĵĹ": 148186, "âĬĦ": 148187, "ðŁı¹": 148188, "ËĴ": 148189, "ðŁ¤±": 148190, "ãıľ": 148191, "ðŁİĮ": 148192, "ï¥Ń": 148193, "ণ": 148194, "ðŁİ¹": 148195, "ãĬŁ": 148196, "à´°": 148197, "ðĿIJĶ": 148198, "à´¨": 148199, "à½ļ": 148200, "âľº": 148201, "Õ·": 148202, "ðŁij³": 148203, "à¦ľ": 148204, "âĺĭ": 148205, "âĻĬ": 148206, "ãĢĽ": 148207, "Èĭ": 148208, "à®°": 148209, "áĥ¨": 148210, "âĦķ": 148211, "íijĢ": 148212, "ðĿĵĥ": 148213, "ðŁ¦Ķ": 148214, "Ä¿": 148215, "ÅĢ": 148216, "Ƴ": 148217, "Éļ": 148218, "Öĥ": 148219, "Ü£": 148220, "ߣ": 148221, "à¦Ń": 148222, "ৡ": 148223, "ර": 148224, "ຣ": 148225, "à½ĩ": 148226, "Ḩ": 148227, "á½Ī": 148228, "⽬": 148229, "ê¡Ķ": 148230, "ì³Ħ": 148231, "ï¨ī": 148232, "ðĿIJ¡": 148233, "ðĿĺ¢": 148234, "ðŁį¿": 148235, "ðŁİŁ": 148236, "ðŁıī": 148237, "ðŁĶIJ": 148238, "ðŁļħ": 148239, "ðŁ¤½": 148240, "Æį": 148241, "Ç«": 148242, "ǽ": 148243, "Èļ": 148244, "Îī": 148245, "Ó¤": 148246, "Óª": 148247, "ÕĬ": 148248, "Ù¼": 148249, "Ú´": 148250, "ßĿ": 148251, "à¶ľ": 148252, "á¼ķ": 148253, "á¿¥": 148254, "âİŀ": 148255, "ãĢļ": 148256, "ãī¤": 148257, "곸": 148258, "ê·ģ": 148259, "ëĵĦ": 148260, "ëĵķ": 148261, "ì¨Ķ": 148262, "챨": 148263, "ðĿIJ¾": 148264, "ðĿij»": 148265, "ðĿĶ¼": 148266, "ðĿķĿ": 148267, "ðĿĺŃ": 148268, "ðŁĨĻ": 148269, "ðŁĵ¤": 148270, "ðŁĶŁ": 148271, "ðŁĹ¼": 148272, "Äľ": 148273, "Æģ": 148274, "Æ¿": 148275, "dz": 148276, "Ç·": 148277, "Éĥ": 148278, "Éł": 148279, "Êī": 148280, "ʧ": 148281, "˲": 148282, "Ï´": 148283, "Õģ": 148284, "Õŀ": 148285, "Öĩ": 148286, "ÛĤ": 148287, "Ûĵ": 148288, "ßĹ": 148289, "ߦ": 148290, "হ": 148291, "ள": 148292, "à´¸": 148293, "à»Ĥ": 148294, "áĪĿ": 148295, "áĪª": 148296, "áĭµ": 148297, "áIJĬ": 148298, "áĴª": 148299, "áļĸ": 148300, "áŀĽ": 148301, "á´¢": 148302, "áµı": 148303, "áµŃ": 148304, "ᶫ": 148305, "á¸ı": 148306, "áºĴ": 148307, "á¼¥": 148308, "á½ķ": 148309, "á½¼": 148310, "âĤĬ": 148311, "âĦĤ": 148312, "âĦ©": 148313, "âĩī": 148314, "âī£": 148315, "âĮł": 148316, "âİŁ": 148317, "âı®": 148318, "âķĺ": 148319, "âĹĸ": 148320, "âĺ©": 148321, "âĻij": 148322, "âĻ²": 148323, "âļĽ": 148324, "ãĦŁ": 148325, "ãī±": 148326, "ãİļ": 148327, "ê¡ķ": 148328, "êªĸ": 148329, "ê°¹": 148330, "ê²Ĩ": 148331, "êµĦ": 148332, "ëĩ¬": 148333, "ëĭ¯": 148334, "ëıł": 148335, "ëĴ¬": 148336, "ëĸĪ": 148337, "ëĸ½": 148338, "ëĺĶ": 148339, "ëŀ¸": 148340, "ë¸ħ": 148341, "뻳": 148342, "ë¿Ł": 148343, "ìĤµ": 148344, "ìĬī": 148345, "ìľ°": 148346, "ìłĭ": 148347, "ìłĶ": 148348, "쥡": 148349, "ìŃĿ": 148350, "켬": 148351, "íĪĩ": 148352, "íīľ": 148353, "íįĦ": 148354, "íĽ¾": 148355, "íĿ£": 148356, "朗": 148357, "勞": 148358, "ï¦ľ": 148359, "獵": 148360, "ï§ľ": 148361, "ï¨Ī": 148362, "שׁ": 148363, "הּ": 148364, "ïŃ½": 148365, "ï®ī": 148366, "ï¯ŀ": 148367, "ï°Ĵ": 148368, "ï±ĩ": 148369, "ï¿Ħ": 148370, "ðĿIJħ": 148371, "ðĿijĦ": 148372, "ðĿijº": 148373, "ðĿĴĹ": 148374, "ðĿĵ®": 148375, "ðĿķĽ": 148376, "ðĿķŀ": 148377, "ðĿĸij": 148378, "ðĿĺģ": 148379, "ðĿĺĨ": 148380, "ðĿĺ¶": 148381, "ðĿĻ¢": 148382, "ðĿļľ": 148383, "ðŁĮĥ": 148384, "ðŁĮ¦": 148385, "ðŁįŁ": 148386, "ðŁİİ": 148387, "ðŁıĻ": 148388, "ðŁIJ©": 148389, "ðŁIJ«": 148390, "ðŁIJ´": 148391, "ðŁijĶ": 148392, "ðŁĵī": 148393, "ðŁĵĽ": 148394, "ðŁĶī": 148395, "ðŁĸ¼": 148396, "ðŁĹĥ": 148397, "ðŁĹ¯": 148398, "ðŁļĩ": 148399, "ðŁļIJ": 148400, "ðŁļµ": 148401, "ðŁ¤¶": 148402, "ðŁ¥ĭ": 148403, "ðŁ¥ĵ": 148404, "ðŁ¥®": 148405, "ðŁ¦İ": 148406, "ðŁ¦ł": 148407, "ðŁ§Ĵ": 148408, "ðŁ§¨": 148409, "ÆIJ": 148410, "Çį": 148411, "ÓĢ": 148412, "ÔĽ": 148413, "ರ": 148414, "à´Ļ": 148415, "áĢĴ": 148416, "ê²Ŀ": 148417, "ê¹¹": 148418, "ë©¥": 148419, "ìĸĶ": 148420, "ï¤ģ": 148421, "ï¤ı": 148422, "ï¦ī": 148423, "ï¦ĵ": 148424, "ï§ī": 148425, "ï²Ŀ": 148426, "ðĿĹŀ": 148427, "ðĿű": 148428, "ðŁĮĭ": 148429, "ðŁį¶": 148430, "à¦ļ": 148431, "ìķľ": 148432, "ðĿIJ¯": 148433, "ðĿļĿ": 148434, "à°¨": 148435, "à½ĺ": 148436, "à½ł": 148437, "á¡¥": 148438, "á¾°": 148439, "âģį": 148440, "âĶ°": 148441, "⬾": 148442, "ðĿIJł": 148443, "ðĿij¯": 148444, "ðĿĹĽ": 148445, "ðĿĵ»": 148446, "ðĿĸĪ": 148447, "âŀ»": 148448, "áŀł": 148449, "⡱": 148450, "â»ij": 148451, "ðŁ§µ": 148452, "廉": 148453, "ðŁijĺ": 148454, "ãĤĶ": 148455, "â¼Ł": 148456, "ãĬ¤": 148457, "ï¦Ŀ": 148458, "ãĮ¦": 148459, "âĢ¸": 148460, "ðŁĶĻ": 148461, "ã¹": 148462, "㹦": 148463, "ï¹ħ": 148464, "ï©Į": 148465, "ãī¨": 148466, "︽": 148467, "âį¥": 148468, "ðŁļī": 148469, "ðŁ¥ľ": 148470, "âĵľ": 148471, "â»Ŀ": 148472, "ï¨ľ": 148473, "ðŁĴĴ": 148474, "áĦij": 148475, "â¾ŀ": 148476, "ï¨ģ": 148477, "à´ª": 148478, "áĦİ": 148479, "âŀ´": 148480, "ষ": 148481, "áħ¬": 148482, "áŀ§": 148483, "âĨ¢": 148484, "âķ¦": 148485, "âľij": 148486, "ˬ": 148487, "ÕIJ": 148488, "à¼Ķ": 148489, "ʤ": 148490, "˨": 148491, "à¤ŀ": 148492, "à»ĥ": 148493, "à¼ļ": 148494, "âĵ¥": 148495, "âķľ": 148496, "ðŁIJĸ": 148497, "á¼Ļ": 148498, "ἤ": 148499, "ìĨ°": 148500, "ÈĤ": 148501, "ʱ": 148502, "à®ļ": 148503, "áĥ§": 148504, "á´ĭ": 148505, "á´®": 148506, "âĿ¡": 148507, "âŀ·": 148508, "ëĿ¡": 148509, "梨": 148510, "ﯡ": 148511, "ðĿķķ": 148512, "ðŁħ°": 148513, "ðŁ¦¸": 148514, "Ǹ": 148515, "Óŀ": 148516, "Ô¶": 148517, "ÖĨ": 148518, "Úģ": 148519, "Ûĭ": 148520, "áİ¥": 148521, "᾿": 148522, "âĶŃ": 148523, "âĶ®": 148524, "êĢĢ": 148525, "ê±ĺ": 148526, "ëIJŃ": 148527, "ë½Ħ": 148528, "ìĶIJ": 148529, "ì¸Į": 148530, "íģł": 148531, "íĻ±": 148532, "ï¥ī": 148533, "ï¨ĸ": 148534, "ðĿij´": 148535, "ðĿĸĴ": 148536, "ðĿĺ¨": 148537, "ðĿļĮ": 148538, "ðŁIJ¡": 148539, "ðŁij¢": 148540, "ðŁĵĶ": 148541, "Åħ": 148542, "Æİ": 148543, "È©": 148544, "Òª": 148545, "Ôĥ": 148546, "áĥ«": 148547, "á¸ĩ": 148548, "⼣": 148549, "ê»Ń": 148550, "ë¨Ħ": 148551, "ìŁĢ": 148552, "줴": 148553, "íļIJ": 148554, "盧": 148555, "ðŁŁ¢": 148556, "Ƨ": 148557, "ȼ": 148558, "ÊĿ": 148559, "ËĦ": 148560, "Ëħ": 148561, "Ëį": 148562, "˧": 148563, "Ò¥": 148564, "ÕĶ": 148565, "Øı": 148566, "ؼ": 148567, "ßIJ": 148568, "ßľ": 148569, "à¤ĵ": 148570, "à¦Ļ": 148571, "à®ĵ": 148572, "ප": 148573, "à¼į": 148574, "à¼Ĵ": 148575, "ལ": 148576, "áĢĤ": 148577, "áĢĬ": 148578, "áĦĦ": 148579, "áĪĺ": 148580, "áĭĬ": 148581, "áĮį": 148582, "áijĭ": 148583, "áŀĤ": 148584, "áł¢": 148585, "á¡Ŀ": 148586, "á´¦": 148587, "áµį": 148588, "ᵨ": 148589, "ḡ": 148590, "ḯ": 148591, "á¼£": 148592, "âģĤ": 148593, "âĦĺ": 148594, "âĦľ": 148595, "âĦ³": 148596, "âĦµ": 148597, "âĨ¦": 148598, "âĩĨ": 148599, "âĪ·": 148600, "âĬļ": 148601, "âĮ«": 148602, "âĮ¯": 148603, "âİĽ": 148604, "âİľ": 148605, "âݤ": 148606, "âݦ": 148607, "âİ®": 148608, "âijī": 148609, "âĶī": 148610, "âķĻ": 148611, "âĸĤ": 148612, "âĹŃ": 148613, "âĺĬ": 148614, "âĺį": 148615, "âĺĴ": 148616, "âļĨ": 148617, "⼧": 148618, "âĽ²": 148619, "âŀĺ": 148620, "â¥Ħ": 148621, "â´³": 148622, "â´½": 148623, "âµĪ": 148624, "ãī¯": 148625, "ãİij": 148626, "㧬": 148627, "êĻ¬": 148628, "ê§ģ": 148629, "곬": 148630, "ê´ŀ": 148631, "ê»ľ": 148632, "ëħĵ": 148633, "ëĭ¼": 148634, "ëįĸ": 148635, "ëĸ±": 148636, "ëĿ°": 148637, "롹": 148638, "뢴": 148639, "ë£Ģ": 148640, "뤳": 148641, "ë¨ķ": 148642, "ëŃ¥": 148643, "ìĦ¶": 148644, "ìħ¤": 148645, "ìĮķ": 148646, "ìįª": 148647, "ìı©": 148648, "ìĴĢ": 148649, "ìĶ¯": 148650, "ìĿĶ": 148651, "ìĿľ": 148652, "ìłŃ": 148653, "짦": 148654, "쨩": 148655, "첬": 148656, "ì³¥": 148657, "켯": 148658, "íĢ«": 148659, "íĢŃ": 148660, "íĥ¸": 148661, "íĵģ": 148662, "íķ¬": 148663, "íŸ": 148664, "íĽķ": 148665, "íľŃ": 148666, "íĿĹ": 148667, "ï¤Į": 148668, "浪": 148669, "刺": 148670, "ï¬Ħ": 148671, "ï¬ħ": 148672, "ïŃij": 148673, "ïŃ«": 148674, "ïŃº": 148675, "ï®Ĥ": 148676, "ﮢ": 148677, "ﮨ": 148678, "ï°İ": 148679, "ï°ł": 148680, "ï²£": 148681, "ï³IJ": 148682, "ï³Ĵ": 148683, "ï³ĺ": 148684, "ï³ľ": 148685, "ï¹¼": 148686, "￨": 148687, "ðĿIJ©": 148688, "ðĿĴļ": 148689, "ðĿķĶ": 148690, "ðĿķ¤": 148691, "ðĿĸĮ": 148692, "ðĿĹ£": 148693, "ðĿĹ°": 148694, "ðĿĹ´": 148695, "ðĿĺĤ": 148696, "ðĿĺ¥": 148697, "ðĿĺ®": 148698, "ðĿĺ¸": 148699, "ðĿĻĢ": 148700, "ðĿĽ¾": 148701, "ðĿľı": 148702, "ðŁĮģ": 148703, "ðŁĮľ": 148704, "ðŁĮ¥": 148705, "ðŁĮ¯": 148706, "ðŁįIJ": 148707, "ðŁİĴ": 148708, "ðŁıĶ": 148709, "ðŁıķ": 148710, "ðŁı®": 148711, "ðŁIJĤ": 148712, "ðŁIJī": 148713, "ðŁIJ¹": 148714, "ðŁĶķ": 148715, "ðŁĶļ": 148716, "ðŁķij": 148717, "ðŁķ£": 148718, "ðŁĹŀ": 148719, "ðŁĹ¡": 148720, "ðŁĹ¿": 148721, "ðŁļĨ": 148722, "ðŁļĬ": 148723, "ðŁļĵ": 148724, "ðŁļķ": 148725, "ðŁļ¾": 148726, "ðŁĽģ": 148727, "ðŁĽİ": 148728, "ðŁĽı": 148729, "ðŁ¤´": 148730, "ðŁ¥ķ": 148731, "ðŁ¥ĸ": 148732, "ðŁ¥ł": 148733, "ðŁ¥¥": 148734, "ðŁ¦Ĩ": 148735, "ðŁ¦ī": 148736, "ðŁ¦ļ": 148737, "ðŁ§ij": 148738, "ðŁ§¥": 148739, "ðŁ§¿": 148740, "Å°": 148741, "ƺ": 148742, "ɧ": 148743, "àªĩ": 148744, "ண": 148745, "áĪĪ": 148746, "áĬ¤": 148747, "áĭ®": 148748, "áĮĪ": 148749, "áĮµ": 148750, "ᥲ": 148751, "âĵŁ": 148752, "êĻ³": 148753, "ê°Ĭ": 148754, "ëķģ": 148755, "ëķ¨": 148756, "ìĬģ": 148757, "例": 148758, "גּ": 148759, "ðĿĸį": 148760, "ðĿĺĮ": 148761, "ðĿĺ³": 148762, "ðĿĻ©": 148763, "ðŁįĻ": 148764, "ðŁĸĸ": 148765, "áī³": 148766, "áĭ¨": 148767, "áĸĩ": 148768, "áŀĮ": 148769, "ṧ": 148770, "âķª": 148771, "âŀļ": 148772, "â²ĺ": 148773, "êķ": 148774, "êķ¥": 148775, "路": 148776, "ﮣ": 148777, "ï¯ł": 148778, "ðĿĴĸ": 148779, "ðĿķĺ": 148780, "ðĿĸĩ": 148781, "ðĿĹŁ": 148782, "ðĿĹª": 148783, "ðĿĹ¯": 148784, "ðĿĻł": 148785, "ðŁĵı": 148786, "à¦Ĺ": 148787, "âĴ»": 148788, "â²ł": 148789, "ðĿĵµ": 148790, "Ê£": 148791, "à°ľ": 148792, "áĬ¢": 148793, "áŀIJ": 148794, "ḷ": 148795, "âĦĽ": 148796, "âĩĢ": 148797, "âĩĬ": 148798, "êĴ¦": 148799, "ê¦ł": 148800, "ﮤ": 148801, "ðŁįĽ": 148802, "ðŁ¤Ľ": 148803, "ᨾ": 148804, "âŀº": 148805, "áķ¯": 148806, "áĽı": 148807, "âĩĤ": 148808, "âĶ¹": 148809, "âĻĹ": 148810, "ðŁĸ¨": 148811, "ê¦ı": 148812, "ર": 148813, "áļ¨": 148814, "ðŁ¤¥": 148815, "ðŁ§¢": 148816, "ãIJĤ": 148817, "ãĦ¥": 148818, "ðŁĸĮ": 148819, "â¼Ĵ": 148820, "ãĬ§": 148821, "âį©": 148822, "ðŁ¦ij": 148823, "âĶ·": 148824, "ï©IJ": 148825, "ï©¡": 148826, "ðĵĪ": 148827, "ðĵĪĴ": 148828, "â»Ħ": 148829, "ï¨Ĵ": 148830, "âĦª": 148831, "Ò§": 148832, "ÚĮ": 148833, "âĢ¶": 148834, "âºł": 148835, "â»ģ": 148836, "âĨ¸": 148837, "áĦIJ": 148838, "ãħIJ": 148839, "à»Ħ": 148840, "áĹª": 148841, "âĨ¼": 148842, "âĩĭ": 148843, "âĩĺ": 148844, "âĮij": 148845, "âĸ©": 148846, "ðĿIJĹ": 148847, "ÄĬ": 148848, "à¦ī": 148849, "ìīł": 148850, "ɤ": 148851, "ßį": 148852, "ßı": 148853, "áµĹ": 148854, "âĤ¥": 148855, "âĵī": 148856, "âĶł": 148857, "âĶ¨": 148858, "âķĦ": 148859, "ä¤": 148860, "ä¤Ģ": 148861, "껸": 148862, "ï®ģ": 148863, "ðĵĤ": 148864, "ðĵĤĥ": 148865, "ðŁ¦ķ": 148866, "ÆĽ": 148867, "à¦ĩ": 148868, "ãıĺ": 148869, "﮼": 148870, "Úĵ": 148871, "ÚĿ": 148872, "à¦ĵ": 148873, "ද": 148874, "á´ħ": 148875, "á½Ļ": 148876, "âģ¼": 148877, "âĸİ": 148878, "⼩": 148879, "äĶ": 148880, "äĶĢ": 148881, "뻡": 148882, "ìĽ½": 148883, "íģĦ": 148884, "良": 148885, "ï±ī": 148886, "ï¹»": 148887, "ðĿĸĭ": 148888, "ðĿĻĪ": 148889, "ðĿĻª": 148890, "ðĿĻ¶": 148891, "ðŁIJĦ": 148892, "ðŁIJĨ": 148893, "áİ¢": 148894, "á¸Į": 148895, "âĿ´": 148896, "ðŁı¸": 148897, "ÈĿ": 148898, "ɸ": 148899, "Îħ": 148900, "Ïľ": 148901, "Ó¢": 148902, "Õ¹": 148903, "à´ħ": 148904, "àºĪ": 148905, "áĭ°": 148906, "áijİ": 148907, "áłµ": 148908, "á¡ł": 148909, "á´ī": 148910, "ḵ": 148911, "á¿´": 148912, "âĵ£": 148913, "âĶ¶": 148914, "⽯": 148915, "ê²¥": 148916, "ê¿ĺ": 148917, "ëģİ": 148918, "ëİĪ": 148919, "ëĶ¯": 148920, "ë²°": 148921, "ìĺ¯": 148922, "ìĽ¸": 148923, "ìŀĹ": 148924, "ì§ĺ": 148925, "쬬": 148926, "ì·¬": 148927, "íģħ": 148928, "íĵĶ": 148929, "íĽĿ": 148930, "冷": 148931, "魯": 148932, "沈": 148933, "ï¯ĸ": 148934, "ðĿĵħ": 148935, "ðĿĻĦ": 148936, "ðŁĵ¶": 148937, "ðŁĹĴ": 148938, "ðŁ¥Ķ": 148939, "ðŁ¥Ń": 148940, "Å®": 148941, "Å´": 148942, "Æī": 148943, "Æ«": 148944, "Çģ": 148945, "Ç£": 148946, "Ǻ": 148947, "Ǽ": 148948, "Èį": 148949, "ȯ": 148950, "Éľ": 148951, "ʬ": 148952, "Ëģ": 148953, "ˤ": 148954, "˵": 148955, "ÏĽ": 148956, "Ò¤": 148957, "Ò¬": 148958, "Óı": 148959, "ÓĽ": 148960, "Ó¡": 148961, "Ó³": 148962, "ÔĮ": 148963, "Ô¬": 148964, "Õ³": 148965, "Ù»": 148966, "Úī": 148967, "Ú§": 148968, "Üľ": 148969, "ߪ": 148970, "à¤Ŀ": 148971, "à¦Ľ": 148972, "à¨Ĩ": 148973, "àªķ": 148974, "ડ": 148975, "à®İ": 148976, "à°¬": 148977, "ൻ": 148978, "ർ": 148979, "à¶ł": 148980, "à¶Ń": 148981, "බ": 148982, "à·Ĩ": 148983, "༽": 148984, "áĢļ": 148985, "áħ¢": 148986, "áĨ¸": 148987, "áĪĢ": 148988, "áĪķ": 148989, "áĪ°": 148990, "áī¡": 148991, "áī¤": 148992, "áĬ¦": 148993, "áĬ«": 148994, "áĭĭ": 148995, "áĭį": 148996, "áݯ": 148997, "áijŃ": 148998, "áķĹ": 148999, "᣼": 149000, "á¥Ĵ": 149001, "á©ī": 149002, "áŃº": 149003, "á´¡": 149004, "áµĺ": 149005, "ᵼ": 149006, "ᶳ": 149007, "á¸ģ": 149008, "á¸ĭ": 149009, "á¹Ļ": 149010, "á¹Ŀ": 149011, "Ṧ": 149012, "áºħ": 149013, "á¼Ĥ": 149014, "á½ĥ": 149015, "á½į": 149016, "ὧ": 149017, "á¾·": 149018, "âĢµ": 149019, "âĤİ": 149020, "âĦĿ": 149021, "âħĢ": 149022, "âĨŀ": 149023, "âĨ§": 149024, "âĩħ": 149025, "âĪĥ": 149026, "âīı": 149027, "âī½": 149028, "âĬŀ": 149029, "âĬ¡": 149030, "âĬ§": 149031, "âĬ¶": 149032, "âĭĦ": 149033, "âİĴ": 149034, "âİ¡": 149035, "âİ£": 149036, "âݪ": 149037, "âıİ": 149038, "âĵĥ": 149039, "âĵĸ": 149040, "âĵ¨": 149041, "âķĭ": 149042, "âķĸ": 149043, "âķ¢": 149044, "âķ²": 149045, "âĸĨ": 149046, "âĸĬ": 149047, "âĸį": 149048, "âĸ®": 149049, "âĺ¡": 149050, "âĺ¦": 149051, "âĺ±": 149052, "âĺ¿": 149053, "âĻĺ": 149054, "âĻĿ": 149055, "âļ°": 149056, "âĽij": 149057, "âŀª": 149058, "â¤Ŀ": 149059, "⤢": 149060, "⤷": 149061, "⧫": 149062, "â¨Ń": 149063, "⨯": 149064, "â±£": 149065, "â²İ": 149066, "⵼": 149067, "ãħĶ": 149068, "ãĪı": 149069, "ãī²": 149070, "ãī³": 149071, "ãĬij": 149072, "ãĭĽ": 149073, "ãİIJ": 149074, "겤": 149075, "ê·¿": 149076, "ê¹ŀ": 149077, "껨": 149078, "ê¼į": 149079, "꿸": 149080, "ëĥ¬": 149081, "ëĩIJ": 149082, "ëĭł": 149083, "ëį¯": 149084, "ëĹĮ": 149085, "ëĹij": 149086, "ë¥Ģ": 149087, "ëªĥ": 149088, "몯": 149089, "뱡": 149090, "ë³ĵ": 149091, "ë³½": 149092, "뵾": 149093, "ìĤ³": 149094, "ìħ¥": 149095, "ìĩ½": 149096, "ìı¨": 149097, "ìı¸": 149098, "ìķį": 149099, "ìĸĸ": 149100, "ìŁ¨": 149101, "ì¢ĥ": 149102, "ì¢į": 149103, "ì¥ij": 149104, "짼": 149105, "ì©ĥ": 149106, "ì®ľ": 149107, "쮸": 149108, "ì³ij": 149109, "ì´¥": 149110, "ì¾ĥ": 149111, "íħ¦": 149112, "íĪ¿": 149113, "íĵ½": 149114, "íķ³": 149115, "íĸı": 149116, "íĹł": 149117, "íĿ«": 149118, "ï¤ĵ": 149119, "ï¤ĺ": 149120, "ï¥İ": 149121, "略": 149122, "ï¦ħ": 149123, "尿": 149124, "ï§ĩ": 149125, "ï¬Ĩ": 149126, "דּ": 149127, "ï®ĩ": 149128, "ï®Ī": 149129, "ï®Ŀ": 149130, "ﮩ": 149131, "ï®±": 149132, "ï¯ĺ": 149133, "ï¯Ļ": 149134, "ﯢ": 149135, "ﯣ": 149136, "ﯤ": 149137, "ﯥ": 149138, "ï±Ĥ": 149139, "ï²Ĩ": 149140, "ﲪ": 149141, "ï´¼": 149142, "ïºī": 149143, "ïºĬ": 149144, "ﺥ": 149145, "ðĿij¨": 149146, "ðĿij©": 149147, "ðĿij²": 149148, "ðĿĴĮ": 149149, "ðĿĴª": 149150, "ðĿĴ®": 149151, "ðĿĵĤ": 149152, "ðĿĵĪ": 149153, "ðĿĵ¯": 149154, "ðĿĶ¨": 149155, "ðĿķĢ": 149156, "ðĿķĨ": 149157, "ðĿķ¦": 149158, "ðĿķ§": 149159, "ðĿķ«": 149160, "ðĿķ·": 149161, "ðĿŵ": 149162, "ðĿŸ": 149163, "ðĿĺĦ": 149164, "ðĿĺĻ": 149165, "ðĿĺł": 149166, "ðĿĺ¬": 149167, "ðĿĻį": 149168, "ðĿĻij": 149169, "ðĿĻ¡": 149170, "ðĿĻ¨": 149171, "ðĿĻ·": 149172, "ðĿļį": 149173, "ðĿĽ¿": 149174, "ðŁĥ": 149175, "ðŁĥı": 149176, "ðŁħĺ": 149177, "ðŁī": 149178, "ðŁīij": 149179, "ðŁİ¡": 149180, "ðŁİª": 149181, "ðŁİ±": 149182, "ðŁİ³": 149183, "ðŁİº": 149184, "ðŁıİ": 149185, "ðŁıĹ": 149186, "ðŁıļ": 149187, "ðŁıŀ": 149188, "ðŁı¦": 149189, "ðŁı§": 149190, "ðŁIJģ": 149191, "ðŁIJħ": 149192, "ðŁIJĵ": 149193, "ðŁĴĤ": 149194, "ðŁĵij": 149195, "ðŁĵĵ": 149196, "ðŁĵ¨": 149197, "ðŁĵ«": 149198, "ðŁĶĭ": 149199, "ðŁĶŃ": 149200, "ðŁĶ¯": 149201, "ðŁķĹ": 149202, "ðŁļĤ": 149203, "ðŁļ¢": 149204, "ðŁļ¦": 149205, "ðŁļ¬": 149206, "ðŁĽĭ": 149207, "ðŁĽĮ": 149208, "ðŁĽ¬": 149209, "ðŁĽ¶": 149210, "ðŁŁ¡": 149211, "ðŁ¥ĺ": 149212, "ðŁ¥Ł": 149213, "ðŁ¥¦": 149214, "ðŁ¦ĩ": 149215, "ðŁ¦Ī": 149216, "ðŁ§Ĭ": 149217, "ðŁ§Ĺ": 149218, "ðŁ§¤": 149219, "Ê·": 149220, "˹": 149221, "á¹ļ": 149222, "á½¥": 149223, "âĦŁ": 149224, "겯": 149225, "껫": 149226, "ë°·": 149227, "ìĥĨ": 149228, "ìĽĿ": 149229, "ì¨ī": 149230, "ì«ı": 149231, "ï¯ķ": 149232, "ðĿľĭ": 149233, "ɲ": 149234, "ÒŃ": 149235, "ÓĪ": 149236, "à½Ľ": 149237, "áĭĵ": 149238, "áĻŃ": 149239, "áł©": 149240, "á¹®": 149241, "âĦĴ": 149242, "âĨ»": 149243, "âµĥ": 149244, "ëĢ¨": 149245, "볧": 149246, "ìī¥": 149247, "ìĮľ": 149248, "ìŶ": 149249, "ì¨Ī": 149250, "쪾": 149251, "íı½": 149252, "íļĶ": 149253, "íĽµ": 149254, "露": 149255, "ï¦IJ": 149256, "ï§Ĺ": 149257, "ï§ļ": 149258, "אָ": 149259, "ðĿIJĬ": 149260, "ðĿķĹ": 149261, "ðĿĹļ": 149262, "ðĿļĸ": 149263, "ðŁħ´": 149264, "Èĥ": 149265, "ÉĿ": 149266, "ϱ": 149267, "ÓĹ": 149268, "ढ": 149269, "áħł": 149270, "áī¦": 149271, "áijĮ": 149272, "áĴ¼": 149273, "áŀ¡": 149274, "᳨": 149275, "áłŃ": 149276, "á¨ħ": 149277, "á¨Ķ": 149278, "á´ĺ": 149279, "ᶦ": 149280, "á¸İ": 149281, "á¼ħ": 149282, "á¼¹": 149283, "âĨ¯": 149284, "âĵİ": 149285, "ãıĮ": 149286, "êī": 149287, "êīĤ": 149288, "ëĨ§": 149289, "ëĿ±": 149290, "좡": 149291, "íĪ½": 149292, "ï¤ĩ": 149293, "ï¤Ľ": 149294, "ðĿIJķ": 149295, "ðĿĵ¸": 149296, "ðĿĵ¼": 149297, "ðĿĹķ": 149298, "ðĿĺĪ": 149299, "ðŁı£": 149300, "ðŁı¤": 149301, "ðŁĹĦ": 149302, "Ñ·": 149303, "Òł": 149304, "áµĸ": 149305, "Ἠ": 149306, "ë¬Ħ": 149307, "ï°´": 149308, "âĪ½": 149309, "ÕŃ": 149310, "Ú¹": 149311, "à¥Ł": 149312, "áĢĨ": 149313, "áŀĴ": 149314, "ãĢ¶": 149315, "ꦫ": 149316, "ï¸ĵ": 149317, "ðĿIJĽ": 149318, "ðĿĺĹ": 149319, "ðŁıľ": 149320, "ì«Ń": 149321, "ðŁ§ŀ": 149322, "à½Ĥ": 149323, "âĨ¿": 149324, "âĩı": 149325, "âĵģ": 149326, "âĶ§": 149327, "âķģ": 149328, "âķ¤": 149329, "ê¦Ĺ": 149330, "ꦤ": 149331, "ðŁıĪ": 149332, "áŀķ": 149333, "Ô½": 149334, "àªĹ": 149335, "à¬Ĩ": 149336, "âķķ": 149337, "ï½ł": 149338, "⼦": 149339, "⼯": 149340, "â¾·": 149341, "âĶĸ": 149342, "à¬ĵ": 149343, "âĺĹ": 149344, "âįĭ": 149345, "ï¨Ŀ": 149346, "â¼¥": 149347, "寧": 149348, "âĦĬ": 149349, "ãĢ´": 149350, "âį¢": 149351, "ð¡Ī": 149352, "ð¡Ī½": 149353, "難": 149354, "ãĢ»": 149355, "ãıĥ": 149356, "說": 149357, "ï¨ĺ": 149358, "ðŁIJĥ": 149359, "ðŁĨĸ": 149360, "ðŁĹ¾": 149361, "ãĦĩ": 149362, "Þĭ": 149363, "â¼¼": 149364, "ï¨Ń": 149365, "ÞĢ": 149366, "ÞĦ": 149367, "ÞĪ": 149368, "ÞIJ": 149369, "âĮĦ": 149370, "â»ĺ": 149371, "ãŁ¢": 149372, "áħ§": 149373, "ðIJĮ¿": 149374, "Ë»": 149375, "à²Ĺ": 149376, "áĢĩ": 149377, "áŀĬ": 149378, "âķĩ": 149379, "ãĩ¼": 149380, "ãİ°": 149381, "ÕĴ": 149382, "ÜĪ": 149383, "ߥ": 149384, "à¿IJ": 149385, "áĢŁ": 149386, "âĨ¥": 149387, "âķĮ": 149388, "â½Ģ": 149389, "â½°": 149390, "â¾Ĭ": 149391, "äĦ": 149392, "äĦĢ": 149393, "ðĵIJ": 149394, "ðĵIJį": 149395, "ðŁİ¦": 149396, "âĤ¯": 149397, "âĬĺ": 149398, "âĦį": 149399, "ʵ": 149400, "Ѷ": 149401, "Úĥ": 149402, "à¦Ķ": 149403, "à´¦": 149404, "áݶ": 149405, "áĵķ": 149406, "Ṩ": 149407, "âĤł": 149408, "âĩ°": 149409, "âĹĴ": 149410, "â¿Ĭ": 149411, "ê·±": 149412, "ì¹ķ": 149413, "íĪ©": 149414, "ïŃĢ": 149415, "ðĿĴ¸": 149416, "ðĿĵĬ": 149417, "ðĿĺ©": 149418, "Ǧ": 149419, "É«": 149420, "áĬ¨": 149421, "ȹ": 149422, "ʯ": 149423, "Ϊ": 149424, "ÚĢ": 149425, "áĮ¸": 149426, "áİ»": 149427, "áıķ": 149428, "áı´": 149429, "á²Ĥ": 149430, "Ὠ": 149431, "âıĿ": 149432, "âĺĻ": 149433, "ëĥ¨": 149434, "ëĦ¼": 149435, "ëĪĻ": 149436, "ë£ħ": 149437, "ìĶ¼": 149438, "ìķĿ": 149439, "ìļ¬": 149440, "ìľ±": 149441, "ï¥Ĥ": 149442, "惡": 149443, "יּ": 149444, "ïŃģ": 149445, "ï³Ī": 149446, "ðĿĶħ": 149447, "ðĿĺ¤": 149448, "ðĿĻı": 149449, "ðĿĻĻ": 149450, "ðŁķī": 149451, "ðŁ§Ļ": 149452, "á¸ij": 149453, "ê´¼": 149454, "ëģį": 149455, "ëĹ´": 149456, "ëĿ³": 149457, "ë°ŀ": 149458, "ë°¢": 149459, "ëµĺ": 149460, "ìĤĶ": 149461, "ìĦĦ": 149462, "ì¼ļ": 149463, "íĢł": 149464, "íĬ±": 149465, "íĮĸ": 149466, "ï¤ij": 149467, "領": 149468, "隸": 149469, "ï´į": 149470, "ðĿĺ·": 149471, "Ĭ": 149472, "Ŭ": 149473, "ÆĢ": 149474, "Æĭ": 149475, "Æľ": 149476, "Çij": 149477, "Çĺ": 149478, "Çŀ": 149479, "Ç¥": 149480, "Ç®": 149481, "É°": 149482, "ɶ": 149483, "É·": 149484, "ɽ": 149485, "ÊĪ": 149486, "ÊIJ": 149487, "Ëİ": 149488, "ËŁ": 149489, "˦": 149490, "˯": 149491, "ÏIJ": 149492, "Ïĵ": 149493, "Ï¢": 149494, "Ϥ": 149495, "Ϫ": 149496, "ÏŃ": 149497, "Ï®": 149498, "Ï»": 149499, "Ñł": 149500, "ÑŃ": 149501, "Ò¨": 149502, "ÓĿ": 149503, "Ô¡": 149504, "Ô·": 149505, "Õī": 149506, "Õĵ": 149507, "Õĸ": 149508, "Õļ": 149509, "ÕĿ": 149510, "Öİ": 149511, "Ø¿": 149512, "Úħ": 149513, "Úį": 149514, "ÚĶ": 149515, "ÛĬ": 149516, "Û¾": 149517, "ÜĻ": 149518, "ÝĴ": 149519, "Ýĺ": 149520, "ßĴ": 149521, "ßĸ": 149522, "à¤Ĭ": 149523, "à¤IJ": 149524, "à¦ı": 149525, "à¦ĸ": 149526, "à§Ł": 149527, "મ": 149528, "હ": 149529, "à®ħ": 149530, "à®Ĩ": 149531, "à°¡": 149532, "à°°": 149533, "à²ļ": 149534, "ಮ": 149535, "ಯ": 149536, "à´Ł": 149537, "à´·": 149538, "ൾ": 149539, "à¶ij": 149540, "à¶ŀ": 149541, "༼": 149542, "à½ĵ": 149543, "áĢĵ": 149544, "áĤ¦": 149545, "áĥĸ": 149546, "áĥŃ": 149547, "áĥ¯": 149548, "áħ¨": 149549, "áħª": 149550, "áĨ°": 149551, "áĪģ": 149552, "áĪİ": 149553, "áĪĵ": 149554, "áĪ¥": 149555, "áĪ²": 149556, "áĪ´": 149557, "áĪ»": 149558, "áīł": 149559, "áī²": 149560, "áī¶": 149561, "áĬ£": 149562, "áĬ¥": 149563, "áĬª": 149564, "áĭĺ": 149565, "áĭ²": 149566, "áĭ¶": 149567, "áĮ£": 149568, "áį¡": 149569, "áį£": 149570, "áݬ": 149571, "áݾ": 149572, "áIJ¡": 149573, "áķķ": 149574, "áĸ±": 149575, "áĹIJ": 149576, "áĹŃ": 149577, "áĺī": 149578, "áļ±": 149579, "ἣ": 149580, "áŀ¥": 149581, "áŁĶ": 149582, "áł£": 149583, "áłª": 149584, "áł°": 149585, "áł´": 149586, "á¤ĸ": 149587, "ᥣ": 149588, "á®": 149589, "᮳": 149590, "á¯": 149591, "á¯Ļ": 149592, "á°": 149593, "á°į": 149594, "á´Ĭ": 149595, "á´¾": 149596, "áµģ": 149597, "áµİ": 149598, "áµŀ": 149599, "ᵤ": 149600, "á¶ħ": 149601, "á¶ĺ": 149602, "ᶣ": 149603, "ᶢ": 149604, "ᶤ": 149605, "ᶱ": 149606, "ᶻ": 149607, "á¸ī": 149608, "á¸ŀ": 149609, "Ḻ": 149610, "á¹ĵ": 149611, "á¹Ĺ": 149612, "Ṫ": 149613, "áºĬ": 149614, "áºı": 149615, "áºĽ": 149616, "á¼ĥ": 149617, "á¼Į": 149618, "Ἷ": 149619, "á½Ĥ": 149620, "á½ĵ": 149621, "á½Ĺ": 149622, "ὦ": 149623, "á¾±": 149624, "á¾´": 149625, "á¿ĺ": 149626, "á¿Ł": 149627, "Ὸ": 149628, "âģĺ": 149629, "âĤij": 149630, "âĤĽ": 149631, "âĤ¿": 149632, "âĦĩ": 149633, "âĦŀ": 149634, "âĦ±": 149635, "âĩŁ": 149636, "âĩ²": 149637, "âĪ¤": 149638, "âĪ¶": 149639, "âīĤ": 149640, "âī¾": 149641, "âĬ¨": 149642, "âĬ³": 149643, "âĬ·": 149644, "âĭĮ": 149645, "âĭĺ": 149646, "âĮķ": 149647, "âĮ¥": 149648, "âĮµ": 149649, "âĮº": 149650, "âį£": 149651, "âį²": 149652, "âįµ": 149653, "âİĩ": 149654, "âıĥ": 149655, "âıIJ": 149656, "âıł": 149657, "âı¤": 149658, "âı¶": 149659, "âı¸": 149660, "âı¹": 149661, "âijĤ": 149662, "âĴ·": 149663, "âĴº": 149664, "âĵ¡": 149665, "âĵ¤": 149666, "âĶ¾": 149667, "âĸĺ": 149668, "âĸµ": 149669, "âĹª": 149670, "âĹ·": 149671, "âĺ¨": 149672, "âĺ«": 149673, "âĺ²": 149674, "âĺ³": 149675, "âĻĨ": 149676, "âļ¤": 149677, "âļ¥": 149678, "âĽĵ": 149679, "⼴": 149680, "âĽ¾": 149681, "âŀ«": 149682, "âŀ¿": 149683, "⣷": 149684, "â¤ij": 149685, "⤫": 149686, "⤶": 149687, "⤽": 149688, "⧪": 149689, "â¨Ģ": 149690, "⩽": 149691, "⬡": 149692, "⬢": 149693, "⬤": 149694, "â²ĸ": 149695, "Ⲫ": 149696, "âµĢ": 149697, "⸮": 149698, "⸽": 149699, "ãĢł": 149700, "ãĢ·": 149701, "ãĦĮ": 149702, "ãĦĺ": 149703, "ãħij": 149704, "ãĪİ": 149705, "ãĪIJ": 149706, "ãĬľ": 149707, "ãĮĵ": 149708, "ãĮł": 149709, "ãİŁ": 149710, "ãݤ": 149711, "ãݧ": 149712, "㬮": 149713, "äĪ": 149714, "äĪĢ": 149715, "ä°": 149716, "ä°Ģ": 149717, "êħ": 149718, "êħī": 149719, "êĩĹ": 149720, "êĪ": 149721, "êĪį": 149722, "ê§Ĥ": 149723, "ê§Ĭ": 149724, "êªĢ": 149725, "ê²Ī": 149726, "ê²į": 149727, "ê³Ģ": 149728, "êµł": 149729, "ê½IJ": 149730, "ê¾Ī": 149731, "꿱": 149732, "ëĥı": 149733, "ëĦij": 149734, "ëħ¤": 149735, "ëĩ¸": 149736, "ëĪ¼": 149737, "ëīħ": 149738, "ëĬ£": 149739, "ëĭº": 149740, "ëįŀ": 149741, "ëIJĮ": 149742, "ëķ¸": 149743, "ëĺł": 149744, "ëĻĩ": 149745, "ëĻĪ": 149746, "ëľ½": 149747, "ëŀĶ": 149748, "ëłľ": 149749, "ë£IJ": 149750, "ë§Ģ": 149751, "ë§Ĭ": 149752, "ëªĢ": 149753, "ë¬Ń": 149754, "믾": 149755, "ë³ľ": 149756, "ë´Ĭ": 149757, "ëµī": 149758, "ë·ľ": 149759, "ë¸Ģ": 149760, "ë¹ĭ": 149761, "ìģĦ": 149762, "ìĤ£": 149763, "ìĤ»": 149764, "ìĦµ": 149765, "ìħĴ": 149766, "ìīĪ": 149767, "ìīĶ": 149768, "ìĬĮ": 149769, "ìĬĻ": 149770, "ìIJ´": 149771, "ìĵº": 149772, "ìķļ": 149773, "ìķº": 149774, "ìĸľ": 149775, "ìĹª": 149776, "ìĺľ": 149777, "ìĻ¤": 149778, "ìļĽ": 149779, "ìļº": 149780, "ìĿħ": 149781, "ìĿı": 149782, "ìĿŃ": 149783, "ìĿ¶": 149784, "ìłĽ": 149785, "ì¡Ī": 149786, "ì¢ī": 149787, "ì¢Ķ": 149788, "ì©ł": 149789, "ìŃĮ": 149790, "쯩": 149791, "ì´£": 149792, "ì¸ķ": 149793, "ì¹Ł": 149794, "쾡": 149795, "ì¿Ļ": 149796, "íģĩ": 149797, "íģī": 149798, "íĩĢ": 149799, "íĪ¶": 149800, "íĸij": 149801, "íĸ¤": 149802, "íĹħ": 149803, "íľı": 149804, "íĿĿ": 149805, "ï¤Ĵ": 149806, "ï¤ķ": 149807, "郎": 149808, "ï¥ħ": 149809, "ï¥ĩ": 149810, "ï¥ı": 149811, "ï¥ļ": 149812, "ï¥Ł": 149813, "ï¦Ħ": 149814, "ï¦Ī": 149815, "令": 149816, "囹": 149817, "零": 149818, "ï§ģ": 149819, "ï§ĥ": 149820, "ï§Ķ": 149821, "ï§ł": 149822, "泥": 149823, "燐": 149824, "ïŃIJ": 149825, "ïŃĸ": 149826, "ïѦ": 149827, "ïŃ´": 149828, "ïѵ": 149829, "ïѶ": 149830, "ïѸ": 149831, "ï®Į": 149832, "ï®İ": 149833, "ï®ŀ": 149834, "ï®Ł": 149835, "ﮡ": 149836, "ﮪ": 149837, "ï¯Ķ": 149838, "ï¯Ĺ": 149839, "ï¯ļ": 149840, "ï¯Ľ": 149841, "ï¯Ŀ": 149842, "ï¯Ł": 149843, "ﯧ": 149844, "ﯨ": 149845, "ﯫ": 149846, "ﯯ": 149847, "ﯰ": 149848, "ﯱ": 149849, "ﯲ": 149850, "ﯳ": 149851, "ﯴ": 149852, "ﯵ": 149853, "ﯶ": 149854, "ï°Ģ": 149855, "ï±ħ": 149856, "ï±Ķ": 149857, "ï±´": 149858, "ï²ģ": 149859, "ï³ķ": 149860, "ï·½": 149861, "ï¸ķ": 149862, "︱": 149863, "ï¹£": 149864, "ï¹½": 149865, "ï»į": 149866, "ï¾±": 149867, "ðĿIJĻ": 149868, "ðĿIJ½": 149869, "ðĿij¤": 149870, "ðĿij®": 149871, "ðĿijµ": 149872, "ðĿĴĥ": 149873, "ðĿĴĦ": 149874, "ðĿĵŃ": 149875, "ðĿĵ·": 149876, "ðĿĶĸ": 149877, "ðĿĶŀ": 149878, "ðĿĶ¢": 149879, "ðĿĶ¦": 149880, "ðĿĶ¬": 149881, "ðĿķĦ": 149882, "ðĿķĬ": 149883, "ðĿķİ": 149884, "ðĿķĻ": 149885, "ðĿķľ": 149886, "ðĿķŃ": 149887, "ðĿķ³": 149888, "ðĿķ¸": 149889, "ðĿķ¾": 149890, "ðĿĸī": 149891, "ðĿĸı": 149892, "ðĿĺĩ": 149893, "ðĿĺī": 149894, "ðĿĺĸ": 149895, "ðĿĺĽ": 149896, "ðĿĺŀ": 149897, "ðĿĺ«": 149898, "ðĿĺ¾": 149899, "ðĿĻĩ": 149900, "ðĿĻī": 149901, "ðĿĻĭ": 149902, "ðĿĻİ": 149903, "ðĿĻĺ": 149904, "ðĿĻ¥": 149905, "ðĿļĥ": 149906, "ðĿļIJ": 149907, "ðĿļĶ": 149908, "ðĿľĥ": 149909, "ðŁĦ·": 149910, "ðŁħĿ": 149911, "ðŁħ¾": 149912, "ðŁĨĤ": 149913, "ðŁĨĵ": 149914, "ðŁĮĤ": 149915, "ðŁĮĨ": 149916, "ðŁĮī": 149917, "ðŁĮij": 149918, "ðŁĮĺ": 149919, "ðŁĮ©": 149920, "ðŁĮ«": 149921, "ðŁį¢": 149922, "ðŁį¥": 149923, "ðŁİĽ": 149924, "ðŁİ¢": 149925, "ðŁİ´": 149926, "ðŁij¡": 149927, "ðŁĴ¾": 149928, "ðŁĵŃ": 149929, "ðŁĶĪ": 149930, "ðŁĶ¦": 149931, "ðŁĶ²": 149932, "ðŁĶ³": 149933, "ðŁķĵ": 149934, "ðŁķķ": 149935, "ðŁķĺ": 149936, "ðŁķŁ": 149937, "ðŁķ·": 149938, "ðŁĹ³": 149939, "ðŁļĦ": 149940, "ðŁļĶ": 149941, "ðŁļĸ": 149942, "ðŁĽIJ": 149943, "ðŁĽ¤": 149944, "ðŁĽ¸": 149945, "ðŁł": 149946, "ðŁł³": 149947, "ðŁ¤¹": 149948, "ðŁ¥ĥ": 149949, "ðŁ¥¨": 149950, "ðŁ¥ª": 149951, "ðŁ¥¾": 149952, "ðŁ¦ĥ": 149953, "ðŁ¦Ĵ": 149954, "ðŁ¦Ļ": 149955, "ðŁ¦¶": 149956, "ðŁ§ł": 149957, "ðŁ§ª": 149958, "ðŁ§Ń": 149959, "ðŁ§²": 149960, "ð£·": 149961, "ð£·Ń": 149962, "ð¦ĺ": 149963, "ð¦ĺĴ": 149964, "Æij": 149965, "ÇĻ": 149966, "È®": 149967, "Øł": 149968, "ÚĦ": 149969, "ÜĢ": 149970, "ߢ": 149971, "áīĢ": 149972, "áĬIJ": 149973, "áİł": 149974, "áºŀ": 149975, "ëĪŀ": 149976, "ëķŁ": 149977, "ë£ģ": 149978, "ë¤Ĺ": 149979, "ìĦ¥": 149980, "ìħij": 149981, "ìĸIJ": 149982, "ìĽĽ": 149983, "ì£ķ": 149984, "íİı": 149985, "íĽĵ": 149986, "梁": 149987, "ï³Ľ": 149988, "ï´«": 149989, "ðĸ§": 149990, "ðĸ§·": 149991, "ðĿķģ": 149992, "ðŁIJª": 149993, "ðŁĴĪ": 149994, "ðŁĵł": 149995, "ðŁķĽ": 149996, "ðŁķ´": 149997, "ÑĿ": 149998, "ÓĬ": 149999, "ॲ": 150000, "પ": 150001, "áĥ¤": 150002, "áįIJ": 150003, "ᶰ": 150004, "á¼Ŀ": 150005, "Ὡ": 150006, "âĭĭ": 150007, "âĴ½": 150008, "âĻ¾": 150009, "â½Ķ": 150010, "⾯": 150011, "ãĦĴ": 150012, "ãħļ": 150013, "ëIJį": 150014, "ë·ģ": 150015, "ìĭĢ": 150016, "ìļĿ": 150017, "쥰": 150018, "캴": 150019, "íĭī": 150020, "íĿ½": 150021, "ï¦Ģ": 150022, "樂": 150023, "ï§ħ": 150024, "ï§ĵ": 150025, "ïŃ¯": 150026, "ï®Ĩ": 150027, "ðIJ¤ķ": 150028, "ðĿIJŁ": 150029, "ðĿĴħ": 150030, "ðĿĵľ": 150031, "ðĿĶ°": 150032, "ðĿĶ»": 150033, "ðĿĺį": 150034, "ðĿĻ¯": 150035, "ðŁĦ½": 150036, "ðŁħĤ": 150037, "ðŁħĶ": 150038, "ðŁħ½": 150039, "ðŁĵ´": 150040, "ðŁ§ĸ": 150041, "ÓĴ": 150042, "Ḳ": 150043, "ëī¼": 150044, "Çı": 150045, "Èĵ": 150046, "ʸ": 150047, "ÕĤ": 150048, "Ûħ": 150049, "ß¡": 150050, "ߣ": 150051, "ய": 150052, "à°Ī": 150053, "ಸ": 150054, "ຮ": 150055, "à¼ķ": 150056, "áĢİ": 150057, "áĨ¡": 150058, "áIJĭ": 150059, "áIJķ": 150060, "áij¯": 150061, "áŀĨ": 150062, "á¨ķ": 150063, "á©Ī": 150064, "âģħ": 150065, "âĨļ": 150066, "âĶİ": 150067, "âł©": 150068, "â²Ĥ": 150069, "â²Ķ": 150070, "Ⲩ": 150071, "ãĬļ": 150072, "íĵ²": 150073, "ðĿijĪ": 150074, "ðĿij¬": 150075, "ðĿij¹": 150076, "ðĿĴ¾": 150077, "ðĿĵ±": 150078, "ðĿĵ½": 150079, "ðĿķ¯": 150080, "ðĿķ»": 150081, "ðĿĺ½": 150082, "ðĿļĨ": 150083, "ðŁĦ°": 150084, "ðŁIJ¨": 150085, "Òķ": 150086, "à²ħ": 150087, "ï¨Ĩ": 150088, "ðĿij°": 150089, "ðŁĦ¸": 150090, "Ôİ": 150091, "Øį": 150092, "Ùµ": 150093, "ಶ": 150094, "áĢĪ": 150095, "áĺĹ": 150096, "᳸": 150097, "á¡¡": 150098, "ᨲ": 150099, "á©ģ": 150100, "á´·": 150101, "ᵧ": 150102, "âķ¨": 150103, "âļģ": 150104, "â¾Ŀ": 150105, "ãĢ¼": 150106, "ãĦı": 150107, "êĴ«": 150108, "ꦥ": 150109, "ꦩ": 150110, "ꦲ": 150111, "ìĺ¼": 150112, "íĵIJ": 150113, "ðĵĩ": 150114, "ðĵĩ¼": 150115, "ðĿķ¿": 150116, "ðŁĽ´": 150117, "먾": 150118, "ವ": 150119, "à´İ": 150120, "à¼Ģ": 150121, "âĩĸ": 150122, "ãĪ«": 150123, "âĵĢ": 150124, "áħ´": 150125, "áļ¾": 150126, "áĽŀ": 150127, "Ἣ": 150128, "ᥴ": 150129, "âĨĽ": 150130, "âĨ¶": 150131, "âĩ¤": 150132, "âķŁ": 150133, "âĺ·": 150134, "âļIJ": 150135, "ðŁ§´": 150136, "á¹³": 150137, "âĶį": 150138, "âĶĴ": 150139, "âĶ©": 150140, "âĶ¦": 150141, "â¾µ": 150142, "àªľ": 150143, "ત": 150144, "âĩĻ": 150145, "âĶ±": 150146, "âķĢ": 150147, "â½Ĭ": 150148, "ï½Ł": 150149, "ଡ": 150150, "ðł®": 150151, "ðł®·": 150152, "âķĥ": 150153, "â°Ķ": 150154, "ãĬ¦": 150155, "ðŁİIJ": 150156, "ãĩ°": 150157, "â¼Ŀ": 150158, "â¾Ķ": 150159, "â½Ĵ": 150160, "âłĴ": 150161, "都": 150162, "ï©Ĵ": 150163, "免": 150164, "ï©ĸ": 150165, "ðĵı¸": 150166, "ãĮĥ": 150167, "ðĸ¤": 150168, "ðĸ¤IJ": 150169, "ï¦Ń": 150170, "âĬħ": 150171, "â¾³": 150172, "ä´¥": 150173, "ï©ķ": 150174, "ðŁĮĶ": 150175, "áŀĭ": 150176, "âļį": 150177, "â¼ĭ": 150178, "ãİĺ": 150179, "ðIJĮ²": 150180, "É©": 150181, "áİij": 150182, "âĨ®": 150183, "âĩĥ": 150184, "âļİ": 150185, "ãĩ±": 150186, "ãĭ©": 150187, "ãĮ¶": 150188, "êĻª": 150189, "ëݬ": 150190, "ï¨IJ": 150191, "ï¨Ľ": 150192, "ï©Ĭ": 150193, "ï©į": 150194, "ðĵħ": 150195, "ðĵħº": 150196, "Ï¡": 150197, "Èij": 150198, "ÉĤ": 150199, "Ôĵ": 150200, "ßİ": 150201, "à´§": 150202, "áĢī": 150203, "áĢĭ": 150204, "áĢij": 150205, "áĢł": 150206, "áļĻ": 150207, "á¨Ħ": 150208, "ᨩ": 150209, "ᨹ": 150210, "á©ĵ": 150211, "ᬾ": 150212, "á´Ļ": 150213, "áµij": 150214, "âĤŃ": 150215, "âĨ°": 150216, "âľģ": 150217, "â½IJ": 150218, "ãĭ¯": 150219, "ãĮ½": 150220, "íĨ¢": 150221, "錄": 150222, "ðŁĤ": 150223, "ðŁĤ»": 150224, "ÈĴ": 150225, "ͺ": 150226, "Ô¥": 150227, "Õij": 150228, "Ú¶": 150229, "à§İ": 150230, "ථ": 150231, "àºĸ": 150232, "àºľ": 150233, "ຽ": 150234, "áĥ»": 150235, "áħ¯": 150236, "áĭŀ": 150237, "áĸķ": 150238, "á´Ī": 150239, "á¶Ĩ": 150240, "Ḿ": 150241, "á¹¼": 150242, "Ῠ": 150243, "âĦĭ": 150244, "âĦŃ": 150245, "âĪ±": 150246, "âĮĵ": 150247, "âĶĩ": 150248, "âĶ¢": 150249, "â±®": 150250, "â²Ħ": 150251, "ãĩ¾": 150252, "ãĪ¬": 150253, "븡": 150254, "ìIJī": 150255, "íĻĽ": 150256, "ðĿķª": 150257, "ƹ": 150258, "Ͳ": 150259, "Óģ": 150260, "Û¼": 150261, "ফ": 150262, "áħŁ": 150263, "áīĨ": 150264, "áįĪ": 150265, "áºĸ": 150266, "á½ī": 150267, "âĶ¸": 150268, "⽩": 150269, "êľ": 150270, "êľ¥": 150271, "êµħ": 150272, "ëĤĶ": 150273, "ëĦł": 150274, "ëĩĹ": 150275, "ëĻĿ": 150276, "ìļ¯": 150277, "ìļ·": 150278, "ìŁĽ": 150279, "ì·IJ": 150280, "íŁ¬": 150281, "íŁ®": 150282, "íŁ°": 150283, "ï¦Ĩ": 150284, "鈴": 150285, "ï²ŀ": 150286, "ﳤ": 150287, "ï³¥": 150288, "ðIJĮ¸": 150289, "ðĿĶı": 150290, "ðĿķ®": 150291, "ðĿĺ£": 150292, "à¦Ī": 150293, "âıı": 150294, "ãĦĸ": 150295, "ê²ĩ": 150296, "ëĸĺ": 150297, "ëľ·": 150298, "ëŀĴ": 150299, "ë¡ĵ": 150300, "ë¢ī": 150301, "ë£ĥ": 150302, "ë§ĭ": 150303, "ë²ĭ": 150304, "ìĤ·": 150305, "ìĪķ": 150306, "ìĮ¨": 150307, "ìĵ»": 150308, "ìĸĬ": 150309, "ìĻ¬": 150310, "ìĿ»": 150311, "ì¦ģ": 150312, "쵤": 150313, "ì·ĥ": 150314, "íĢľ": 150315, "íħī": 150316, "íįł": 150317, "íıħ": 150318, "íij±": 150319, "íķķ": 150320, "íĸł": 150321, "íĿķ": 150322, "ÆĻ": 150323, "Æļ": 150324, "Æŀ": 150325, "Çĥ": 150326, "ÇĬ": 150327, "Çľ": 150328, "Ǥ": 150329, "ÇŃ": 150330, "ǹ": 150331, "ÈĢ": 150332, "Èģ": 150333, "Èħ": 150334, "Èī": 150335, "ÈĹ": 150336, "ÈŁ": 150337, "Ȥ": 150338, "È¥": 150339, "Ȩ": 150340, "ȵ": 150341, "Ⱥ": 150342, "È»": 150343, "ÉĮ": 150344, "É®": 150345, "Êħ": 150346, "Ê¥": 150347, "ʨ": 150348, "Ëĵ": 150349, "ËĶ": 150350, "Ëł": 150351, "Ë£": 150352, "˸": 150353, "Í´": 150354, "ÏĹ": 150355, "Ïĺ": 150356, "ÏĻ": 150357, "Ïļ": 150358, "ÏĿ": 150359, "Ϩ": 150360, "Ϭ": 150361, "Ͼ": 150362, "Ï¿": 150363, "Ѫ": 150364, "ÒĢ": 150365, "Òľ": 150366, "Ò¼": 150367, "Ò½": 150368, "ÓĤ": 150369, "Óħ": 150370, "Óĩ": 150371, "Óį": 150372, "Óĸ": 150373, "ÓŁ": 150374, "Ó«": 150375, "Ó±": 150376, "ÔĨ": 150377, "Ôĩ": 150378, "Ôº": 150379, "Õĭ": 150380, "Öī": 150381, "ØĪ": 150382, "ØĬ": 150383, "ؽ": 150384, "ؾ": 150385, "Ù·": 150386, "ÚĤ": 150387, "ÚĬ": 150388, "Úĸ": 150389, "ÚĹ": 150390, "Ú£": 150391, "Ú«": 150392, "Ú¸": 150393, "ÛĢ": 150394, "Ûį": 150395, "Û½": 150396, "Üī": 150397, "ܤ": 150398, "ݧ": 150399, "Ý´": 150400, "Þĥ": 150401, "Þ¤": 150402, "Þ¥": 150403, "ßļ": 150404, "߼": 150405, "ߤ": 150406, "àłį": 150407, "àłĵ": 150408, "àł³": 150409, "à¡¢": 150410, "à¥ł": 150411, "à§ł": 150412, "৺": 150413, "à¨Ĭ": 150414, "à¨IJ": 150415, "ਮ": 150416, "ਯ": 150417, "ਰ": 150418, "ਸ": 150419, "àªĨ": 150420, "ળ": 150421, "વ": 150422, "ઽ": 150423, "à¬Į": 150424, "à¬ĺ": 150425, "ଽ": 150426, "à®ĥ": 150427, "ஸ": 150428, "à°Ĩ": 150429, "à°ķ": 150430, "à°¦": 150431, "à²Ĩ": 150432, "à²Ĭ": 150433, "à²Į": 150434, "à²IJ": 150435, "à²Ľ": 150436, "ತ": 150437, "ದ": 150438, "ಪ": 150439, "ಲ": 150440, "ಹ": 150441, "à´Ĩ": 150442, "à´ı": 150443, "à´Ĺ": 150444, "à´«": 150445, "à´¹": 150446, "ൺ": 150447, "ൽ": 150448, "à¶ħ": 150449, "à¶Ĭ": 150450, "à¶Ķ": 150451, "ට": 150452, "ණ": 150453, "ධ": 150454, "à¼Ħ": 150455, "à¼ħ": 150456, "à¼Ĭ": 150457, "à½Ļ": 150458, "ཡ": 150459, "ཧ": 150460, "à¿Ģ": 150461, "à¿Ļ": 150462, "áĢĿ": 150463, "áĢ§": 150464, "áĢ©": 150465, "áĢ¿": 150466, "áģµ": 150467, "áĤģ": 150468, "áĤ½": 150469, "áĥĤ": 150470, "áĥª": 150471, "áĦĬ": 150472, "áĦ¢": 150473, "áħ¦": 150474, "áħŃ": 150475, "áĨ®": 150476, "áĨ±": 150477, "áĨ»": 150478, "áĩ": 150479, "áĩĤ": 150480, "áĪħ": 150481, "áĪī": 150482, "áĪĮ": 150483, "áĪIJ": 150484, "áĪĴ": 150485, "áĪĻ": 150486, "áĪļ": 150487, "áĪľ": 150488, "áĪŀ": 150489, "áĪ©": 150490, "áĪ³": 150491, "áĪº": 150492, "áĪ½": 150493, "áīħ": 150494, "áī¢": 150495, "áī±": 150496, "áī´": 150497, "áĬĥ": 150498, "áĬį": 150499, "áĬĸ": 150500, "áĬ®": 150501, "áĬ¸": 150502, "áĭĽ": 150503, "áĭĿ": 150504, "áĭ³": 150505, "áĮģ": 150506, "áĮħ": 150507, "áĮ¥": 150508, "áĮ¦": 150509, "áĮ¨": 150510, "áįĬ": 150511, "áįį": 150512, "áįķ": 150513, "áįĸ": 150514, "áį¢": 150515, "áį¤": 150516, "áİĴ": 150517, "áݪ": 150518, "áıģ": 150519, "áıIJ": 150520, "áıŁ": 150521, "áIJĤ": 150522, "áIJĸ": 150523, "áIJĿ": 150524, "áIJŀ": 150525, "áIJŁ": 150526, "áIJł": 150527, "áijĸ": 150528, "áĴĭ": 150529, "áĴį": 150530, "áĴ¡": 150531, "áĵ«": 150532, "áĶķ": 150533, "áķĭ": 150534, "áķij": 150535, "áķĻ": 150536, "áķļ": 150537, "áķĽ": 150538, "áķ¤": 150539, "áķ¦": 150540, "áķ®": 150541, "áķ¼": 150542, "áĸĵ": 150543, "áĹĹ": 150544, "áĹ¢": 150545, "áĹ¯": 150546, "áĹ·": 150547, "áĺĦ": 150548, "áĺij": 150549, "áĽĤ": 150550, "áĽĻ": 150551, "áŀį": 150552, "áłĨ": 150553, "áł¡": 150554, "᳦": 150555, "áł®": 150556, "áł¯": 150557, "áł²": 150558, "áł·": 150559, "á¡į": 150560, "á¡ŀ": 150561, "ᡤ": 150562, "á¡´": 150563, "ᡵ": 150564, "á¤ĵ": 150565, "á¥ĸ": 150566, "ᥰ": 150567, "ᨦ": 150568, "ᨧ": 150569, "ᨨ": 150570, "ᨪ": 150571, "ᨬ": 150572, "ᨯ": 150573, "ᨳ": 150574, "ᨵ": 150575, "á©ĥ": 150576, "á¬ķ": 150577, "áŃ£": 150578, "á±": 150579, "á±ļ": 150580, "á²ł": 150581, "á´ĵ": 150582, "á´¶": 150583, "áµĤ": 150584, "áµĮ": 150585, "áµ¥": 150586, "áµ´": 150587, "á¶ĩ": 150588, "á¸Ī": 150589, "ḳ": 150590, "ḧ": 150591, "Ḵ": 150592, "Ḿ": 150593, "á¹Ģ": 150594, "á¹ĸ": 150595, "á¹Ł": 150596, "á¹ł": 150597, "ṫ": 150598, "á¹±": 150599, "á¹·": 150600, "ṿ": 150601, "áºĦ": 150602, "áºį": 150603, "áºij": 150604, "áºĹ": 150605, "á¼ī": 150606, "á¼ĵ": 150607, "á¼Ń": 150608, "á½ĭ": 150609, "á½Ĵ": 150610, "á½ł": 150611, "á½£": 150612, "á¾Ħ": 150613, "á¾ı": 150614, "á¾ij": 150615, "á¾Ĺ": 150616, "ᾦ": 150617, "ᾧ": 150618, "á¾¾": 150619, "á¿Ħ": 150620, "á¿ĵ": 150621, "á¿¡": 150622, "Ῥ": 150623, "âģļ": 150624, "âĤĮ": 150625, "âĦģ": 150626, "âĦĶ": 150627, "âĦ£": 150628, "âĦ§": 150629, "âĦ¯": 150630, "âĦ°": 150631, "âĦ´": 150632, "âħħ": 150633, "âĨľ": 150634, "âĨ«": 150635, "âĨŃ": 150636, "âĨ±": 150637, "âĨ¹": 150638, "âĨ½": 150639, "âĩĩ": 150640, "âĩľ": 150641, "âĩµ": 150642, "âĪī": 150643, "âĪĬ": 150644, "âĪĸ": 150645, "âĪľ": 150646, "âĪ¾": 150647, "âīĢ": 150648, "âīĭ": 150649, "âīĮ": 150650, "âīĵ": 150651, "âīľ": 150652, "âī´": 150653, "âī¿": 150654, "âĬĬ": 150655, "âĬĭ": 150656, "âĬĶ": 150657, "âĬĸ": 150658, "âĬ£": 150659, "âĬ¦": 150660, "âĭİ": 150661, "âĭª": 150662, "âĭ²": 150663, "âĮ¦": 150664, "âĮ§": 150665, "âįº": 150666, "âİĪ": 150667, "âݨ": 150668, "âݬ": 150669, "âݳ": 150670, "âݼ": 150671, "âݾ": 150672, "âıĮ": 150673, "âıļ": 150674, "âı«": 150675, "âı¯": 150676, "âıµ": 150677, "âĴľ": 150678, "âĴĿ": 150679, "âĴ«": 150680, "âĵĦ": 150681, "âĵĬ": 150682, "âĵĻ": 150683, "âĵ©": 150684, "âĶij": 150685, "âĶĻ": 150686, "âĶļ": 150687, "âĶ¥": 150688, "âķħ": 150689, "âķī": 150690, "âķį": 150691, "âķı": 150692, "âķŀ": 150693, "âĸļ": 150694, "âĸ¯": 150695, "âĹĥ": 150696, "âĹļ": 150697, "âŬ": 150698, "âĹ´": 150699, "âĺĪ": 150700, "âĺ¤": 150701, "âĺ¥": 150702, "âĺ§": 150703, "âĺ¬": 150704, "âĻģ": 150705, "âĻ±": 150706, "âļĥ": 150707, "âļĦ": 150708, "âļħ": 150709, "âļı": 150710, "âļļ": 150711, "âļŀ": 150712, "âļŁ": 150713, "âļ±": 150714, "âļ²": 150715, "âľĢ": 150716, "⾣": 150717, "âľ¢": 150718, "âĿµ": 150719, "âŁ¡": 150720, "⣦": 150721, "⣧": 150722, "âŁ³": 150723, "âŁ¾": 150724, "âŁ¿": 150725, "âłĩ": 150726, "â¤Ħ": 150727, "⤺": 150728, "â¥Ĥ": 150729, "⥹": 150730, "â§ī": 150731, "⧼": 150732, "⧽": 150733, "â¨į": 150734, "â¬Ĭ": 150735, "⬣": 150736, "âŃŀ": 150737, "â®ŀ": 150738, "⮳": 150739, "â¯Ī": 150740, "â¯ij": 150741, "ⱳ": 150742, "â±±": 150743, "â²Ń": 150744, "â´¹": 150745, "âµķ": 150746, "⸾": 150747, "⺫": 150748, "â¼Ĩ": 150749, "â¼ł": 150750, "â½Ł": 150751, "â½¼": 150752, "â¾Ľ": 150753, "⾧": 150754, "â¿ĥ": 150755, "â¿»": 150756, "ãĤķ": 150757, "ãĤŁ": 150758, "ãĦĽ": 150759, "ãĦ¡": 150760, "ãĦ¶": 150761, "ãĦº": 150762, "ãħĴ": 150763, "ãħŁ": 150764, "ãĨĢ": 150765, "ãĩ»": 150766, "ãĪij": 150767, "ãĪŃ": 150768, "ãĪ®": 150769, "ãĪ³": 150770, "ãĪ¹": 150771, "ãī¥": 150772, "ãī¦": 150773, "ãī¹": 150774, "ãī¿": 150775, "ãĬŀ": 150776, "ãĬ¨": 150777, "ãĭij": 150778, "ãĭ¥": 150779, "ãĭ´": 150780, "ãĭº": 150781, "ãİĦ": 150782, "ãİķ": 150783, "ãݯ": 150784, "ãıĤ": 150785, "ãıĪ": 150786, "ãıĵ": 150787, "ãıĸ": 150788, "ãı±": 150789, "ãIJ±": 150790, "ãŁģ": 150791, "ã¢": 150792, "㢨": 150793, "ã¨": 150794, "㨳": 150795, "㫪": 150796, "ã«´": 150797, "㶳": 150798, "㺾": 150799, "äĢ": 150800, "äĢĢ": 150801, "äĭ": 150802, "äĭĮ": 150803, "äĮĢ": 150804, "äIJĢ": 150805, "äłĢ": 150806, "äł": 150807, "äł¼": 150808, "ä§": 150809, "ä§ŀ": 150810, "䨰": 150811, "䨺": 150812, "ä´Ģ": 150813, "ä·": 150814, "ä·ħ": 150815, "ä·¸": 150816, "êĤ": 150817, "êĤ«": 150818, "êĮ": 150819, "êĮ¼": 150820, "êį": 150821, "êį²": 150822, "êĴµ": 150823, "êĵ": 150824, "êĵ½": 150825, "êĻŃ": 150826, "êĿĽ": 150827, "êĿ¥": 150828, "êŀ": 150829, "êŀĬ": 150830, "ê¦Ĩ": 150831, "ê¦ĩ": 150832, "ê¦Ł": 150833, "ꦨ": 150834, "ê§Ī": 150835, "ê©": 150836, "ê©Ł": 150837, "êªĭ": 150838, "êªij": 150839, "êªķ": 150840, "êªĹ": 150841, "êªľ": 150842, "ꪮ": 150843, "ꪱ": 150844, "ꪻ": 150845, "ꪼ": 150846, "ê«Ģ": 150847, "ê«Ŀ": 150848, "ê°ĥ": 150849, "ê°ĺ": 150850, "ê±ľ": 150851, "ê²ĵ": 150852, "ê²ļ": 150853, "ê³Ļ": 150854, "ê³¾": 150855, "ê´Ĺ": 150856, "ê´Ļ": 150857, "êµĽ": 150858, "ê¶ĥ": 150859, "ê¶ķ": 150860, "궨": 150861, "긩": 150862, "긿": 150863, "ê¹Ħ": 150864, "ê¹Ĩ": 150865, "ê¹ī": 150866, "ê¹ĵ": 150867, "ê¹¢": 150868, "ê¹£": 150869, "깸": 150870, "꺳": 150871, "ê¿ı": 150872, "ê¿ķ": 150873, "꿧": 150874, "ëĢ©": 150875, "ëģħ": 150876, "ëĥµ": 150877, "ëĦĸ": 150878, "ëĦĹ": 150879, "ëĦ¢": 150880, "ëħĤ": 150881, "ëĨIJ": 150882, "ëĩľ": 150883, "ëĪĭ": 150884, "ëĪļ": 150885, "ëīį": 150886, "ëī¨": 150887, "ëĬļ": 150888, "ëĬ¡": 150889, "ëĭľ": 150890, "ëĭª": 150891, "ëĮĺ": 150892, "ëĮ¤": 150893, "ëĮ¸": 150894, "ëİŁ": 150895, "ëı¨": 150896, "ëIJĦ": 150897, "ëIJı": 150898, "ëIJ´": 150899, "ëIJ¸": 150900, "ëijģ": 150901, "ëij¿": 150902, "ëĴ¨": 150903, "ëĵ·": 150904, "ëĶ®": 150905, "ëĶ²": 150906, "ëķ§": 150907, "ëĸĶ": 150908, "ëĸª": 150909, "ëĺŃ": 150910, "ëļĢ": 150911, "ëļł": 150912, "ëĽĶ": 150913, "뼩": 150914, "ëľħ": 150915, "ëŀķ": 150916, "ëŀ°": 150917, "ëŁIJ": 150918, "ëł¡": 150919, "ë¡ŀ": 150920, "ë¡£": 150921, "롵": 150922, "ë£Ħ": 150923, "ë£į": 150924, "뤳": 150925, "ë¦į": 150926, "ë¦ı": 150927, "릳": 150928, "ë§Ħ": 150929, "ë§Ĩ": 150930, "ë§į": 150931, "맾": 150932, "맫": 150933, "맻": 150934, "먮": 150935, "ë©Ĥ": 150936, "ë©Ń": 150937, "몴": 150938, "묾": 150939, "묳": 150940, "묫": 150941, "묾": 150942, "ëѬ": 150943, "ë®ĺ": 150944, "뮹": 150945, "ë¯ķ": 150946, "ë¯ľ": 150947, "ë°¨": 150948, "ë°ª": 150949, "ë±Ķ": 150950, "ë²ĺ": 150951, "ë²Ľ": 150952, "ë²±": 150953, "ë²´": 150954, "ë´½": 150955, "뵤": 150956, "뵨": 150957, "ë·Ĺ": 150958, "ë·ĺ": 150959, "ë¸ĵ": 150960, "븾": 150961, "빪": 150962, "ëºĥ": 150963, "ëºĺ": 150964, "뺵": 150965, "ë»´": 150966, "ë¼IJ": 150967, "ë¾Ķ": 150968, "ìģŃ": 150969, "ìĤł": 150970, "ìĤ®": 150971, "ìĥı": 150972, "ìĥĻ": 150973, "ìĦº": 150974, "ìħ¢": 150975, "ìĨĢ": 150976, "ìĨħ": 150977, "ìĨ¤": 150978, "ìĨ¦": 150979, "ìĨ¬": 150980, "ìĩ±": 150981, "ìĪµ": 150982, "ìĭ¨": 150983, "ìĭ´": 150984, "ìĮ°": 150985, "ìįľ": 150986, "ìİĹ": 150987, "ìİĺ": 150988, "ìݼ": 150989, "ìijī": 150990, "ìijĿ": 150991, "ìij»": 150992, "ìĴĶ": 150993, "ìĴ¯": 150994, "ìĵ©": 150995, "ìķIJ": 150996, "ìķĸ": 150997, "ìĸł": 150998, "ìĸ¾": 150999, "ìĹĥ": 151000, "ìĹĹ": 151001, "ìĹľ": 151002, "ìŨ": 151003, "ìĺĤ": 151004, "ìĺĦ": 151005, "ìĺı": 151006, "ìĺ¾": 151007, "ìĺ¿": 151008, "ìľ§": 151009, "ìĿIJ": 151010, "ìĿĸ": 151011, "ìĿ·": 151012, "ìŀį": 151013, "ìŀı": 151014, "ìŀ¨": 151015, "ìŀª": 151016, "ìŀ³": 151017, "ìł¡": 151018, "ìł´": 151019, "ìł¹": 151020, "ì¡Ģ": 151021, "졪": 151022, "졵": 151023, "ì¢IJ": 151024, "좨": 151025, "ì£Į": 151026, "ì£Ļ": 151027, "죳": 151028, "ì¦ij": 151029, "짥": 151030, "짴": 151031, "짾": 151032, "ì¨ĵ": 151033, "ì¨ķ": 151034, "ì©°": 151035, "ì©»": 151036, "쩼": 151037, "ìªĹ": 151038, "ì¬Ķ": 151039, "ì¬ĺ": 151040, "ì®®": 151041, "ì¯ķ": 151042, "ì¯ĺ": 151043, "ì°İ": 151044, "ì°¯": 151045, "ì±ĥ": 151046, "ì±µ": 151047, "첧": 151048, "ì²®": 151049, "첯": 151050, "쳬": 151051, "ì´ĭ": 151052, "ì´¢": 151053, "ìµ¥": 151054, "춣": 151055, "ì¸Ī": 151056, "ì¸Ļ": 151057, "캤": 151058, "ìºŃ": 151059, "컽": 151060, "ì¼Ļ": 151061, "콬": 151062, "ì¾Ģ": 151063, "ì¿ħ": 151064, "쿽": 151065, "íĢħ": 151066, "íģ¦": 151067, "íĤħ": 151068, "íĥ¶": 151069, "íĥ¹": 151070, "íĦĶ": 151071, "íħ£": 151072, "íĨĦ": 151073, "íĨ§": 151074, "íĨ¹": 151075, "íĩ¼": 151076, "íī¤": 151077, "íĬ½": 151078, "íĭĤ": 151079, "íĭij": 151080, "íįĪ": 151081, "íįĻ": 151082, "íį¿": 151083, "íݶ": 151084, "íIJĿ": 151085, "íĴľ": 151086, "íĵĿ": 151087, "íĵª": 151088, "íĵ±": 151089, "íĵ·": 151090, "íĵ¼": 151091, "íĶĻ": 151092, "íĶł": 151093, "íķļ": 151094, "íķĽ": 151095, "íķŀ": 151096, "íķŁ": 151097, "íķ§": 151098, "íķ¶": 151099, "íĸĬ": 151100, "íĸĭ": 151101, "íĸį": 151102, "íĸĶ": 151103, "íĸĺ": 151104, "íĸ¡": 151105, "íĸ¬": 151106, "íĹ£": 151107, "íĹ¿": 151108, "íĺĸ": 151109, "íĺŃ": 151110, "íļ°": 151111, "íĽį": 151112, "íĽ½": 151113, "íĿŁ": 151114, "íĿŃ": 151115, "íĿ´": 151116, "íŀľ": 151117, "ï¤ī": 151118, "ï¤Ń": 151119, "爐": 151120, "蘆": 151121, "祿": 151122, "ï¥Ģ": 151123, "ï¥ij": 151124, "ï¥Ĵ": 151125, "ï¥ķ": 151126, "ï¥ĺ": 151127, "ï¥Ļ": 151128, "參": 151129, "塞": 151130, "殺": 151131, "勵": 151132, "ï¦ĭ": 151133, "ï¦ı": 151134, "ï¦Ķ": 151135, "ï¦ĸ": 151136, "ï¦ĺ": 151137, "ï¦Ľ": 151138, "ï¦ł": 151139, "瑩": 151140, "羚": 151141, "了": 151142, "僚": 151143, "料": 151144, "ï§Ĩ": 151145, "ï§ĸ": 151146, "ï§Ľ": 151147, "ï§ŀ": 151148, "ï§Ł": 151149, "裏": 151150, "麟": 151151, "狀": 151152, "什": 151153, "ï¨ĥ": 151154, "ï¨ļ": 151155, "諸": 151156, "ï©Ł": 151157, "ﬤ": 151158, "שּׁ": 151159, "לּ": 151160, "ïŃĴ": 151161, "ïŃķ": 151162, "ïŃĽ": 151163, "ïŃĿ": 151164, "ïŃŀ": 151165, "ïŃŁ": 151166, "ïѤ": 151167, "ïѧ": 151168, "ïѨ": 151169, "ïŃ®": 151170, "ïŃ°": 151171, "ïѱ": 151172, "ïŃ·": 151173, "ïŃ¹": 151174, "ïŃ»": 151175, "ï®Ģ": 151176, "ï®ĥ": 151177, "ï®Ħ": 151178, "ï®ħ": 151179, "ï®į": 151180, "ï®Ĵ": 151181, "ï®ĵ": 151182, "ï®ķ": 151183, "ﮦ": 151184, "ï®®": 151185, "ï®°": 151186, "ï¯ĵ": 151187, "ï¯ľ": 151188, "ﯩ": 151189, "ﯪ": 151190, "ﯬ": 151191, "ï¯Ń": 151192, "ﯮ": 151193, "ﯷ": 151194, "ﯹ": 151195, "ﯻ": 151196, "ﯼ": 151197, "ï°ĥ": 151198, "ï°Į": 151199, "ï°IJ": 151200, "ï°ĺ": 151201, "ï°Ļ": 151202, "ï°ľ": 151203, "ï°ŀ": 151204, "ï°¢": 151205, "ï°®": 151206, "ï°°": 151207, "ï°¼": 151208, "ï°¿": 151209, "ï±Ģ": 151210, "ï±ģ": 151211, "ï±Ī": 151212, "ï±ĭ": 151213, "ï±ı": 151214, "ï±Ń": 151215, "ï²Ģ": 151216, "ï²ĩ": 151217, "ï²Ī": 151218, "ï²ĭ": 151219, "ï²İ": 151220, "ï²Ĵ": 151221, "ï²ľ": 151222, "ï²ł": 151223, "ﲬ": 151224, "ï²»": 151225, "ï³ĩ": 151226, "ï³Ķ": 151227, "ï³£": 151228, "ﳫ": 151229, "ï´ĺ": 151230, "ï´°": 151231, "ï´½": 151232, "ï¶": 151233, "ﶰ": 151234, "ï¸ĸ": 151235, "︴": 151236, "︹": 151237, "ï¹į": 151238, "ï¹Ĺ": 151239, "ï¹¢": 151240, "﹤": 151241, "﹩": 151242, "ï¹±": 151243, "ï¾°": 151244, "ï¿Ĥ": 151245, "ï¿®": 151246, "ðIJĮ°": 151247, "ðIJĮ¹": 151248, "ðIJĮº": 151249, "ðIJĮ½": 151250, "ðIJįĤ": 151251, "ðIJįĥ": 151252, "ðIJįĦ": 151253, "ðIJİ": 151254, "ðIJݹ": 151255, "ðIJ¤Ĥ": 151256, "ðIJ¤į": 151257, "ðIJ¤ı": 151258, "ðIJ¤ĵ": 151259, "ðIJŃī": 151260, "ðIJŃį": 151261, "ðIJ°ĩ": 151262, "ðIJ°°": 151263, "ðijĤ": 151264, "ðijĤĦ": 151265, "ðijĺ": 151266, "ðijĺģ": 151267, "ðĴĢ": 151268, "ðĴĢ¸": 151269, "ðĴģ": 151270, "ðĴģº": 151271, "ðĴĦ": 151272, "ðĴĦ·": 151273, "ðĴĬ": 151274, "ðĴĬij": 151275, "ðĴĭ": 151276, "ðĴĭĹ": 151277, "ðĴĮ": 151278, "ðĴĮ¨": 151279, "ðĵĥ¢": 151280, "ðĵĥ°": 151281, "ðĸł": 151282, "ðĸłļ": 151283, "ðĿĦĥ": 151284, "ðĿĦħ": 151285, "ðĿĦķ": 151286, "ðĿĦĻ": 151287, "ðĿĦ±": 151288, "ðĿĦ´": 151289, "ðĿĦ¹": 151290, "ðĿħİ": 151291, "ðĿħª": 151292, "ðĿĨ£": 151293, "ðĿĨ³": 151294, "ðĿĨ¹": 151295, "ðĿĩĬ": 151296, "ðĿĩĹ": 151297, "ðĿĩļ": 151298, "ðĿĩľ": 151299, "ðĿĩł": 151300, "ðĿIJī": 151301, "ðĿIJĸ": 151302, "ðĿIJĺ": 151303, "ðĿIJ£": 151304, "ðĿIJ±": 151305, "ðĿijĬ": 151306, "ðĿijŃ": 151307, "ðĿij¼": 151308, "ðĿij½": 151309, "ðĿĴ°": 151310, "ðĿĴ·": 151311, "ðĿĴ¿": 151312, "ðĿĵģ": 151313, "ðĿĵĭ": 151314, "ðĿĵİ": 151315, "ðĿĵĴ": 151316, "ðĿĵĺ": 151317, "ðĿĵ¢": 151318, "ðĿĵ¦": 151319, "ðĿĵ«": 151320, "ðĿĵ¿": 151321, "ðĿĶİ": 151322, "ðĿĶ±": 151323, "ðĿĶ´": 151324, "ðĿĶ·": 151325, "ðĿĶ¸": 151326, "ðĿĶ½": 151327, "ðĿķĤ": 151328, "ðĿķĥ": 151329, "ðĿķĭ": 151330, "ðĿķı": 151331, "ðĿķIJ": 151332, "ðĿķ¥": 151333, "ðĿķ´": 151334, "ðĿķº": 151335, "ðĿĸIJ": 151336, "ðĿĸĽ": 151337, "ðĿĸĿ": 151338, "ðĿĸŀ": 151339, "ðĿĹ©": 151340, "ðĿĹ³": 151341, "ðĿĹ½": 151342, "ðĿĺĬ": 151343, "ðĿĺĭ": 151344, "ðĿĺĶ": 151345, "ðĿĺ±": 151346, "ðĿĺ´": 151347, "ðĿĺ¿": 151348, "ðĿĻĴ": 151349, "ðĿĻĿ": 151350, "ðĿĻŁ": 151351, "ðĿĻ¬": 151352, "ðĿĻŃ": 151353, "ðĿĻ»": 151354, "ðĿĻ¾": 151355, "ðĿļĪ": 151356, "ðĿļĭ": 151357, "ðĿļij": 151358, "ðĿļŁ": 151359, "ðĿļł": 151360, "ðĿļ£": 151361, "ðĿĽ½": 151362, "ðĿľĤ": 151363, "ðĿľĶ": 151364, "ðĿľĻ": 151365, "ðŁĢ": 151366, "ðŁĢĦ": 151367, "ðŁĦ²": 151368, "ðŁĦ¶": 151369, "ðŁħIJ": 151370, "ðŁħĸ": 151371, "ðŁħļ": 151372, "ðŁħĽ": 151373, "ðŁħ¦": 151374, "ðŁħ¶": 151375, "ðŁħ»": 151376, "ðŁħ¼": 151377, "ðŁĨĥ": 151378, "ðŁĨĨ": 151379, "ðŁĨİ": 151380, "ðŁĪ¯": 151381, "ðŁĪ²": 151382, "ðŁĪ¹": 151383, "ðŁĮĩ": 151384, "ðŁĮĵ": 151385, "ðŁįĺ": 151386, "ðŁİij": 151387, "ðŁİ¿": 151388, "ðŁıı": 151389, "ðŁıĴ": 151390, "ðŁı©": 151391, "ðŁı¯": 151392, "ðŁIJĢ": 151393, "ðŁijĿ": 151394, "ðŁĴ¹": 151395, "ðŁĴº": 151396, "ðŁĵŁ": 151397, "ðŁĵª": 151398, "ðŁĵ¼": 151399, "ðŁĶĢ": 151400, "ðŁĶĤ": 151401, "ðŁĶĥ": 151402, "ðŁĶĩ": 151403, "ðŁĶĵ": 151404, "ðŁĶ¢": 151405, "ðŁĶ¤": 151406, "ðŁĶ©": 151407, "ðŁķĸ": 151408, "ðŁķļ": 151409, "ðŁķľ": 151410, "ðŁķĿ": 151411, "ðŁķŀ": 151412, "ðŁķł": 151413, "ðŁķ¢": 151414, "ðŁķ³": 151415, "ðŁĸĩ": 151416, "ðŁĸij": 151417, "ðŁĸ¶": 151418, "ðŁĹģ": 151419, "Ѩ": 151420, "Úİ": 151421, "á¡Į": 151422, "Ḱ": 151423, "áºĢ": 151424, "á¼®": 151425, "á½Ŀ": 151426, "âĦ¬": 151427, "âļ§": 151428, "⼤": 151429, "㳬": 151430, "êĻĭ": 151431, "ê¸ij": 151432, "ëĶī": 151433, "ëĹį": 151434, "ë¡ij": 151435, "ë¯ij": 151436, "ë»ħ": 151437, "ë¼Ŀ": 151438, "ìĦIJ": 151439, "ìī¡": 151440, "ìĭ²": 151441, "ìı±": 151442, "ìŤ": 151443, "ìĿ©": 151444, "ìĿ¿": 151445, "ìŁĻ": 151446, "ìł°": 151447, "ì¥ī": 151448, "íĬŃ": 151449, "íķ®": 151450, "ï®ı": 151451, "ðŁħ±": 151452, "ðŁĨĴ": 151453, "ðŁķĭ": 151454, "Éĺ": 151455, "Êĵ": 151456, "Õĥ": 151457, "à´´": 151458, "à½ħ": 151459, "áĨº": 151460, "áĪĬ": 151461, "áĪ¨": 151462, "áĪ¾": 151463, "áīIJ": 151464, "áĮĥ": 151465, "áĮ½": 151466, "áĶŃ": 151467, "áłĤ": 151468, "ᳬ": 151469, "ᨸ": 151470, "á©ĭ": 151471, "á¶ı": 151472, "á¾Ķ": 151473, "á¿IJ": 151474, "á¿ļ": 151475, "âĻĻ": 151476, "âļĤ": 151477, "âļĹ": 151478, "â¡¢": 151479, "⤦": 151480, "ëĸ°": 151481, "ë¤Ĥ": 151482, "맳": 151483, "ë±ĭ": 151484, "ë±IJ": 151485, "ìĽ¢": 151486, "ìľ¾": 151487, "ì³ħ": 151488, "ì»ģ": 151489, "íģ»": 151490, "íĥĻ": 151491, "íĵĸ": 151492, "íĵŃ": 151493, "íķ±": 151494, "íĽľ": 151495, "ï¤ħ": 151496, "ï¤Ĩ": 151497, "ï¦ĥ": 151498, "里": 151499, "ï¨Ĥ": 151500, "ðIJ¤Ķ": 151501, "ðIJŃĵ": 151502, "ðIJ°¼": 151503, "ðĿĵŀ": 151504, "ðĿĵ°": 151505, "ðĿĻľ": 151506, "ðĿļģ": 151507, "ðŁħ¢": 151508, "ðŁıĩ": 151509, "Ȳ": 151510, "ʶ": 151511, "ÔĪ": 151512, "Ôij": 151513, "Ýĵ": 151514, "Ý¥": 151515, "à¤ij": 151516, "ॱ": 151517, "à¬ī": 151518, "à°³": 151519, "à°µ": 151520, "à²Ł": 151521, "áĢı": 151522, "áģ¼": 151523, "áī¨": 151524, "áĬĴ": 151525, "áĭ©": 151526, "áĮĦ": 151527, "áĮĶ": 151528, "áIJ§": 151529, "áĴĮ": 151530, "áĶħ": 151531, "áĶĬ": 151532, "áłĦ": 151533, "á¨ģ": 151534, "á¸ĥ": 151535, "ḻ": 151536, "âĶŀ": 151537, "âĺµ": 151538, "âļ£": 151539, "â²¢": 151540, "ãĪª": 151541, "䶵": 151542, "ê²Ļ": 151543, "ê²´": 151544, "ê³Ĥ": 151545, "롼": 151546, "ìĨĬ": 151547, "ì¼ĩ": 151548, "íĭį": 151549, "íĵ¬": 151550, "íĵ®": 151551, "íĵ¶": 151552, "íĵ»": 151553, "臘": 151554, "ï¥ł": 151555, "辰": 151556, "ïŃ²": 151557, "ðIJŃĬ": 151558, "ðIJ±ħ": 151559, "ðĸ¥": 151560, "ðĸ¥¨": 151561, "ðĿij³": 151562, "ðĿĵķ": 151563, "ðĿĵ¬": 151564, "ðĿĵ¹": 151565, "ðĿĵ¾": 151566, "ðĿĶĵ": 151567, "ðĿķį": 151568, "ðĿķ¡": 151569, "ðĿķ±": 151570, "ðĿĸĸ": 151571, "ðĿĺı": 151572, "ðĿĺIJ": 151573, "ðĿĺļ": 151574, "ðĿĻ®": 151575, "ðĿĻ°": 151576, "ðĿĻ¸": 151577, "ðĿĻº": 151578, "ðĿĻ¼": 151579, "ðĿĻ½": 151580, "ðĿĻ¿": 151581, "ðĿļĦ": 151582, "ðĿļı": 151583, "ðŁħħ": 151584, "ðŁħĵ": 151585, "ÆĪ": 151586, "àłĮ": 151587, "áĻ³": 151588, "áļĮ": 151589, "áĽħ": 151590, "áĽIJ": 151591, "á¤Ĭ": 151592, "á¸Ĭ": 151593, "âĶ½": 151594, "âķĬ": 151595, "âĽĩ": 151596, "âĽı": 151597, "âĿª": 151598, "âĿ«": 151599, "⣰": 151600, "ãĦį": 151601, "ãĦĵ": 151602, "ãĦ§": 151603, "ãħĸ": 151604, "ãī«": 151605, "ê¦Ķ": 151606, "ï±Ĭ": 151607, "àºĤ": 151608, "áħ£": 151609, "á¥Ķ": 151610, "ᥤ": 151611, "âĨ¤": 151612, "âĨ·": 151613, "âĩŀ": 151614, "âĸ¤": 151615, "âŀ¶": 151616, "ãĪ¼": 151617, "嘆": 151618, "ðĵı§": 151619, "âĶ²": 151620, "âĢ´": 151621, "âĴŁ": 151622, "âĴ¡": 151623, "â°Ĥ": 151624, "â°į": 151625, "â°İ": 151626, "â°IJ": 151627, "â°ij": 151628, "â°Ł": 151629, "â°ł": 151630, "â°¡": 151631, "â¼Ń": 151632, "ãĬ¥": 151633, "âĴł": 151634, "⽺": 151635, "ãĩº": 151636, "ãĩ½": 151637, "ï¨Ĭ": 151638, "áķ·": 151639, "âį¨": 151640, "âºŁ": 151641, "â½Ĺ": 151642 }, "merges": [ "Ġ Ġ", "ĠĠ ĠĠ", "i n", "Ġ t", "ĠĠĠĠ ĠĠĠĠ", "e r", "ĠĠ Ġ", "o n", "Ġ a", "r e", "a t", "s t", "e n", "o r", "Ġt h", "Ċ Ċ", "Ġ c", "l e", "Ġ s", "i t", "a n", "a r", "a l", "Ġth e", "; Ċ", "Ġ p", "Ġ f", "o u", "Ġ =", "i s", "ĠĠĠĠ ĠĠĠ", "in g", "e s", "Ġ w", "i on", "e d", "i c", "Ġ b", "Ġ d", "e t", "Ġ m", "Ġ o", "ĉ ĉ", "r o", "a s", "e l", "c t", "n d", "Ġ in", "Ġ h", "en t", "i d", "Ġ n", "a m", "ĠĠĠĠĠĠĠĠ ĠĠĠ", "Ġt o", "Ġ re", "- -", "Ġ {", "Ġo f", "o m", ") ;Ċ", "i m", "č Ċ", "Ġ (", "i l", "/ /", "Ġa nd", "u r", "s e", "Ġ l", "e x", "Ġ S", "a d", "Ġ \"", "c h", "u t", "i f", "* *", "Ġ }", "e m", "o l", "ĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠ", "t h", ") Ċ", "Ġ{ Ċ", "Ġ g", "i g", "i v", ", Ċ", "c e", "o d", "Ġ v", "at e", "Ġ T", "a g", "a y", "Ġ *", "o t", "u s", "Ġ C", "Ġ st", "Ġ I", "u n", "u l", "u e", "Ġ A", "o w", "Ġ '", "e w", "Ġ <", "at ion", "( )", "Ġf or", "a b", "or t", "u m", "am e", "Ġ is", "p e", "t r", "c k", "â Ģ", "Ġ y", "i st", "-- --", ". ĊĊ", "h e", "Ġ e", "l o", "Ġ M", "Ġb e", "er s", "Ġ on", "Ġc on", "a p", "u b", "Ġ P", "ĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠ", "as s", "in t", "> Ċ", "l y", "ur n", "Ġ $", "; ĊĊ", "a v", "p ort", "i r", "- >", "n t", "ct ion", "en d", "Ġd e", "it h", "ou t", "t urn", "ou r", "ĠĠĠĠ Ġ", "l ic", "re s", "p t", "= =", "Ġth is", "Ġw h", "Ġ if", "Ġ D", "v er", "ag e", "Ġ B", "h t", "ex t", "= \"", "Ġth at", "** **", "Ġ R", "Ġ it", "es s", "Ġ F", "Ġ r", "o s", "an d", "Ġa s", "e ct", "k e", "ro m", "Ġ //", "c on", "Ġ L", "( \"", "q u", "l ass", "Ġw ith", "i z", "d e", "Ġ N", "Ġa l", "o p", "u p", "g et", "Ġ} Ċ", "i le", "Ġa n", "at a", "o re", "r i", "Ġp ro", "; čĊ", "ĉĉ ĉĉ", "t er", "a in", "Ġ W", "Ġ E", "Ġc om", "Ġre turn", "ar t", "Ġ H", "a ck", "im port", "ub lic", "Ġ or", "e st", "m ent", "Ġ G", "ab le", "Ġ -", "in e", "il l", "in d", "er e", ": :", "it y", "Ġ +", "Ġt r", "el f", "ig ht", "( '", "or m", "ul t", "st r", ". .", "\" ,", "Ġy ou", "y pe", "p l", "Ġn ew", "Ġ j", "ĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠ", "Ġf rom", "Ġ ex", "Ġ O", "l d", "Ġ [", "o c", ": Ċ", "Ġs e", "Ġ le", "---- ----", ". s", "{ Ċ", "' ,", "an t", "Ġa t", "as e", ". c", "Ġc h", "< /", "av e", "an g", "Ġa re", "Ġin t", "âĢ Ļ", "_ t", "er t", "i al", "a ct", "} Ċ", "iv e", "od e", "o st", "Ġc lass", "Ġn ot", "o g", "or d", "al ue", "al l", "f f", "( );Ċ", "on t", "im e", "a re", "Ġ U", "Ġp r", "Ġ :", "i es", "iz e", "u re", "Ġb y", "i re", "Ġ} ĊĊ", ". p", "Ġs h", "ic e", "a st", "pt ion", "tr ing", "o k", "_ _", "c l", "# #", "Ġh e", "ar d", ") .", "Ġ @", "i ew", "ĉĉ ĉ", "Ġw as", "i p", "th is", "Ġ u", "ĠT he", "id e", "a ce", "i b", "a c", "r ou", "Ġw e", "j ect", "Ġp ublic", "a k", "v e", "at h", "o id", "Ġ= >", "u st", "q ue", "Ġre s", ") )", "' s", "Ġ k", "an s", "y st", "un ction", "**** ****", "Ġ i", "Ġ us", "p p", "on e", "a il", "== ==", "n ame", "Ġst r", "Ġ /", "Ġ &", "a ch", "d iv", "yst em", "el l", "Ġh ave", "er r", "ou ld", "ul l", "p on", "Ġ J", "_ p", "Ġ= =", "ig n", "S t", ". Ċ", "Ġp l", ") ;ĊĊ", "f orm", "p ut", "ou nt", "} ĊĊ", "d d", "it e", "Ġg et", "r r", "om e", "Ġ âĢ", "ar am", "c c", "Ġ* /", "E R", "I n", "le s", "_ s", "on g", "i e", "Ġc an", "Ġ V", "er v", "p r", "Ġ un", "ro w", "b er", "Ġd o", "l l", "Ġ el", "Ġs elf", "at ed", "ar y", "Ġ .", "' ]", "u d", "Ġ en", "ĠT h", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠ", "t e", "_ c", "u ct", "Ġa b", "or k", ". get", "Ġ #", "a w", "res s", "o b", "N ame", "ap p", "[ '", "Ġal l", "or y", "it ion", "an ce", "e ar", "Ġcon t", "v ent", "i a", "Ġw ill", "I N", "ĠĠĠĠĠĠĠĠ Ġ", "re turn", "Ġ< /", "d ata", ") ĊĊ", "R e", "p le", "il d", "th er", "Ġy our", "\" Ċ", "( $", "Ġ out", ") ,", "Ġh as", "S tring", "s o", "Ġ up", "a x", "Ġde f", "Ġb o", "g e", "al se", "O N", "p er", "ic h", "Ġb ut", "Ġ Ċ", "Ġ _", "_ m", "ad d", "que st", "od el", "s elf", "er y", "f t", "en s", "// //", "a ke", ". C", "Ġg o", "Ġf unction", "Ġ K", "iv ate", "Ġ im", "Ġcon st", ". t", "Ġ*/ Ċ", ") ;čĊ", "Ġv oid", "Ġs et", "ĠS ystem", "c ri", "( )Ċ", "l i", "ĉ if", ". m", "al ly", "s et", "e p", "âĢĻ s", "b o", "de f", "' ,Ċ", "Ġm e", "Ġ !", "at ch", "\" >", "\" ,Ċ", "e c", "ĠI n", "p h", "Ġ |", "_ f", "Ġv ar", "en ce", "I d", "re e", "in k", "le ct", "u g", "et h", "Ġel se", "-------- --------", "con t", "Ġs o", "at ic", "Ġl o", "p ro", "t on", "s s", "ow n", "ab el", "o int", "ou s", "el d", "S T", "T he", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "R E", "\" :", "ol or", "t p", "e g", "ke y", "u de", "ĠS t", "ou nd", "Ġa r", "\" );Ċ", "en er", "s er", "b ject", "ess age", "f er", "Ġm ore", "ation s", "ent s", "Ġh is", "Ġthe y", ". S", "Ġ Y", "u se", "n e", "is h", "ol d", "_ d", "i o", "i eld", "Ġp er", "C ont", "ing s", "## ##", "Ġd ata", "Ġs a", "e f", "f o", "Ġon e", "en g", "Ġd is", "A T", "Ġn ame", "Ġtr ue", "v al", "le d", ". f", "Ġn e", "Ġ end", ". T", "c re", "ar k", "lo g", "E x", "err or", "_ id", "ur re", "ang e", "Ġn ull", "rr ay", "Ġm y", "p an", "ic t", "at or", "V iew", "L ist", "ĉ return", "âĢ Ŀ", "Ġp re", "Ġ x", "cl ude", "ar g", "o v", ". h", "Ġ >", "Ġthe ir", "' )", "ir st", "ic k", "g h", "L E", "O R", "Ġpr ivate", "t em", "čĊ čĊ", "us er", "Ġ )", "c om", ". A", "\" ;Ċ", "Ġ id", "re ad", "Ġwh o", "_ b", "\" >Ċ", "Ġt ime", "Ġm an", "r y", "==== ====", "rou p", "ro p", "p ublic", "v el", "um ber", "b le", "Ġwh ich", "******** ********", "Ġan y", "Ġf alse", "w e", "Ġv alue", "Ġl i", "\" )", "nd er", "g r", "Ġn o", "p aram", "f ig", ".c om", "Ġa pp", "_ l", "ion s", ". D", "ĠC h", "Ġab out", "Ġa dd", "Ġs u", "Ġstr ing", "I D", "Ġo ver", "str ing", ". l", "our ce", "_ C", "] Ċ", "Ġ qu", "ĠS tring", "c a", "S E", "Ġ ro", "s h", "u al", "T ype", "s on", "n ew", "er n", "Ġa g", "A R", "] ;Ċ", "] .", "Ġ ?", "ic al", "Ġd es", "ut h", "i x", "ay s", "Ġt ype", "' t", "a ult", "Ġin ter", "v ar", ". b", "Ġp art", ". d", "urre nt", "I T", "E N", "en c", "( f", "r a", "v alue", "ch o", "ut ton", "o se", "Ġ! =", "at er", "à ©", "re ate", "ol l", "p os", "y le", "n g", "A L", "us ing", "am es", "Ġ{ čĊ", "at es", "el y", "Ġw ork", "Ġ em", "in al", "Ġs p", "Ġwh en", ".s et", "ĠĠĠĠ ĠĠ", ") :Ċ", "t o", "qu ire", "ind ow", "le ment", "pe ct", "as h", "[ i", "Ġu se", ". F", "pe c", "Ġa d", "o ve", "ce ption", "eng th", "in clude", "ad er", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠ", "at us", "T h", "it le", "r it", "v oid", "() .", "( Ċ", "Ġof f", "Ġo ther", "Ġ& &", "' ;Ċ", "m s", "Ġbe en", "Ġt e", "m l", "c o", "n c", "erv ice", "Ġ %", "** Ċ", "an n", "ad e", "ĊĊ ĊĊ", "lo ck", "con st", "pon se", "Ġs up", "+ +", "d ate", "Ġa cc", "Ġh ad", "Ġb u", "ĠR e", "Ġw ere", "Ġf ile", "Ġw ould", "ĠâĢ ľ", "v en", "is s", "Ġ our", "c lass", "r aw", "Ġy ear", "D ata", "Ġv al", "Ġs ome", "f ter", "y s", "Ġ// /", "rou nd", "v iew", "Ġp e", "Ġth ere", "Ġsa id", "d u", "o f", "l ine", "/ *", "d uct", "Ġh er", "ĠĠĠĠĠĠĠĠ ĠĠĠĠĠ", "R es", "Ġc o", "Ġcom m", "is e", "m in", "ĠĠĠĠ Ċ", "# include", "eth od", ". P", "ut e", "Ġas s", "I nt", "as k", "lo c", "Ġli ke", "od y", "Ġle t", "lo ad", "Ġa m", "ro l", "Ġg r", "y p", "Ġal so", "ĠI t", "ur l", "if ic", "or s", "_ P", "_ n", "ig h", "Ġth an", "C om", "A N", "U L", "at ing", "ĠTh is", "re f", "_ S", "Ġst atic", "ro ll", "Ġj ust", "Ġres ult", "i an", "id th", "Ġthe m", ") );Ċ", "d er", "re ak", "C on", ": //", "u le", ".. .", "ar ch", "em ent", "Ġ< <", "us h", "en se", "ar r", "Ġint o", "c ess", "am p", "i ed", "um ent", "Ġ \\", "] ,", "w o", "al s", "Ġwh at", "an c", "V alue", "= '", "ol um", "Ġp os", "ag es", "ay er", "Ġs c", "u es", "\" )Ċ", "_ T", "Ġl ist", "( s", "Ġc ase", "C h", "ĉĉĉĉ ĉ", "//// ////", "pon ent", "Ġ z", "Ġk n", "le t", "D E", "re d", "Ġf e", "Ġ} ,Ċ", "Ġ ,", "( t", "Ġf irst", "' );Ċ", "w ord", "Ġ import", "Ġa ct", "Ġch ar", "C T", "ĠT r", "op le", "= {", "ĉ f", "i ent", "c ent", ". j", "le ction", ") )Ċ", "Ġon ly", "Ġpr int", "m er", ". W", "o ck", "Ġ --", "T ext", "Ġo p", "an k", "Ġit s", "Ġb ack", "[ \"", "Ġne ed", "Ġc l", "Ġs ub", "Ġl a", "( (", ". \"", "O bject", "Ġst art", "f ile", "( self", "n er", "e y", "Ġus er", "Ġ ent", "ĠC om", "it s", "ĠC on", "ou ble", "ow er", "it em", "ver y", "ĠW e", "lic k", "Ġ Q", "ph p", "t tp", "' :", "ic s", "Ġu nder", "Ġ* Ċ", ". L", ") ;", "ic es", "Ġre g", ") čĊ", "ĉ public", "S S", "Ġth en", "re at", "i ous", ". G", "e k", "ire ct", "he ck", "cri pt", "n ing", "ĠU n", "Ġm ay", "ĠW h", "B o", "I tem", "str uct", ". st", "re am", "ib le", "lo at", "Ġor g", "u nd", "s um", "_ in", ".. /", "_ M", "Ġh ow", "r ite", "' Ċ", "T o", "w w", "Ġpe ople", "ind ex", ". n", "ht tp", "( m", "ect or", "Ġin d", "Ġj av", "] ,Ċ", "ĠH e", "_ st", "f ul", "o le", ") {Ċ", "Ġsh ould", "op y", "el p", "i er", "_ name", "ers on", "I ON", "ot e", "Ġt est", "Ġb et", "rr or", "ul ar", "ã Ģ", "Ġ Ð", "b s", "t ing", "Ġm ake", "T r", "Ġa fter", "ar get", "R O", "olum n", "r c", "_ re", "def ine", "Ġr ight", "r ight", "d ay", "Ġl ong", "[ ]", "( p", "t d", "con d", "ĠP ro", "Ġre m", "ption s", "v id", ". g", "Ġ ext", "Ġ __", "' )Ċ", "p ace", "m p", "Ġm in", "st ance", "a ir", "a ction", "w h", "t ype", "ut il", "a it", "< ?", "I C", "t ext", "Ġp h", "Ġf l", ". M", "cc ess", "b r", "f ore", "ers ion", ") ,Ċ", ". re", "ate g", "Ġl oc", "in s", "- s", "tr ib", "ĠI nt", "Ġa rray", ", \"", "P ro", "( c", "ess ion", "> ĊĊ", "Ġs he", "\" ]", "ap h", "Ġex p", "ert y", "ĠS e", "Ġp ar", "un c", "E T", "Ġre ad", "pr int", "Ġre l", "Ġfor m", "Ġd r", "Ex ception", "in put", "Ġtr ans", "#### ####", "ord er", "B y", "Ġa w", "it ies", "u ff", "pl ay", ". add", "ĠâĢ ĵ", "Ġw ant", "Ġcom p", "ment s", "Ġ| |", "a z", "b e", "Ġn umber", "Ġre quire", "ĠE x", "Ġc ol", "Ġ key", "em ber", "Ġt wo", "Ġs ize", "Ġwh ere", "U T", "res ult", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "ou gh", "or ld", "o od", "u ch", "at ive", "g er", "are nt", "Ġ/ *", "Ġar g", "Ġwh ile", "( this", "Ġre c", "Ġd if", "St ate", "Ġs pec", "r ide", "_ F", "Ġlo ok", "A M", "il ity", "et er", "âĢĻ t", "ĊĊ Ċ", "ay out", "---------------- ----------------", "ag er", "Ġc ould", "Ġb r", "end s", "u res", "Ġkn ow", "et s", "ĠI f", "ĠS h", ". w", "b ack", "Ġs er", "Ġ+ =", "Ġf r", "() );Ċ", "Ġh and", "I nd", "UL L", "I m", "() ;ĊĊ", "Ġm ost", "Ġtr y", "Ġn ow", "rou gh", "> čĊ", "ack age", "Ġh im", ". _", "if y", "Ġb reak", "Ġ );Ċ", "re n", "# define", "it t", "Ġa p", "ĉ c", "( n", "ĠY ou", ": ĊĊ", "- m", "Ġe very", "ust om", "li ent", "oc ument", "cri ption", "E rror", "- b", "Ð ¾", "] [", "tr ans", "Ġp oint", "Ġst d", "Ġf il", "T ime", "Ġm od", "Ġ ->", "Ġ error", "a h", "Ġt ext", "roll er", "lo se", "q l", "Ġp ol", "> <", ". B", "- c", "Ġop en", "Ġe st", "ĠĠĠĠĠĠĠĠ Ċ", "Ġn ext", "I M", "Ñ Ĥ", "O T", "à ³", "Ġf ollow", "cont ent", "ĠĠĠĠĠĠĠĠ ĠĠĠĠ", "Ġin clud", "H E", "ĠR es", "Ġh ref", "Ð ¸", "Ġc ar", "yp es", "im age", "U n", "Ġbo ol", "A D", "Ġg ame", ".F orm", "row s", "* /", "vel op", ".D rawing", "Ġp ath", "is ion", "Ġe ach", "ĠP l", "_t ype", "P ath", "ne ction", "Ġa v", "' ).", "Ġsup port", "EN T", "re m", "\" ).", "Ġo wn", "Ġc or", "c ount", "m iss", "u ally", "Ġm em", "st d", "i ence", "se arch", "\" ĊĊ", "F orm", "Ġs ex", "en ame", "Ġs ign", "Ġ et", "ĠĠĠĠĠĠĠĠ ĠĠ", "', '", "ĠA pp", "Ġth ose", "o ff", "Ġ err", "Ġs ystem", "Ġbe st", "c ode", "Ġs ame", "Ġd i", "us s", "Ġc reate", "ath er", "A rray", ". in", "f e", "S ervice", "U N", "at s", "Ġ Z", "al th", "Ġm ade", "tr ue", "A B", "Ġm ark", "r id", "if ied", ", čĊ", "y n", "p ress", "Ġg roup", "Ġf in", "ĠL icense", "F ield", "eg er", "Ġw orld", "in ess", "t y", "Ġpro cess", "( b", "Ġc re", "ar n", "iv es", "Ġm ain", "ide o", "_ g", "A G", "val id", "im g", "P I", "Ġc olor", "Ġre port", "Ġt ake", "ri b", "O M", "Ġd ay", "Re quest", "Ġs k", "b ers", "ĉ s", ".A dd", "o ot", "Im age", "Ġcom ple", "ol lection", "Ġto p", "Ġf ree", "A S", "D e", "ĠO n", "I G", "et a", "D ate", "Ġa ction", "O ver", "it or", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "n ot", "Ġind ex", "h er", "ic on", "O n", ";čĊ čĊ", "iv ity", "m and", ".W indows", "O L", "Ġre al", "Ġm ax", "l and", ".. ..", "r aph", "Ġbu ild", "le g", "ass word", "? ĊĊ", "âĢ ¦", "o ok", "u ck", "Ġm essage", "t est", "iv ers", "Ġin put", "Ġar t", "Ġbet ween", "G et", "ent er", "g round", "en e", "à ¡", ".l ength", "N ode", "( i", "C lass", "f or", "ĠâĢ Ķ", "t en", "o in", "Ġ ke", "u i", "ĠI N", "Ġt able", "s ub", "ĠL e", "Ġhe ad", "Ġm ust", "//////// ////////", ". util", "Cont ext", "Ġor der", "Ġm ov", "o ver", "Ġcont in", "Ġs ay", "st atic", ".T ext", "Ġclass Name", "pan y", "Ġt er", "he ad", "r g", "Ġpro duct", "Th is", ". âĢĿ", "ĠB ut", "lo y", "Ġd ouble", "s g", "Ġpl ace", ". x", "m essage", "Ġin formation", "pr ivate", "Ġo per", "c ed", "d b", "\"> ", "ater ial", "ile d", "Ġp ut", "Q u", "Ñ Ģ", "un g", "m ap", "ĉĉĉĉ ĉĉĉĉ", "Ġle vel", "Com ponent", "bo ok", "cre en", "_ RE", "Ġcon fig", "ã ģ", "O r", ". data", "Ġd ocument", "\", \"", "trib ute", "u x", "L og", "fer ence", "p ost", "_ e", "Ġloc al", "and om", "ass ert", "V al", "lect ed", "in a", "atab ase", "A dd", "Ġcont ent", ".p rint", "s igned", "r ic", ".\" ĊĊ", "Ġf a", "! ĊĊ", "- f", "iv ed", "Ġ quest", ". ex", "Ġf loat", "Ġde velop", "о Ð", "M ap", "ad ing", "Ġpos s", "U E", "n amespace", "_ O", "ĉ b", ".G et", "> (", "j son", "etail s", "Ġto o", "Ġext ends", "ĠN one", "Ġf ore", "( String", "form at", "Ġg reat", "int er", "ca le", "Ñ ģ", "r on", "iv ing", "E nt", "enc y", "x t", "o y", "Ġmon th", "Ġh app", "Ġsup er", "b ar", "def ault", "_ de", "ord s", "l n", "( {Ċ", "ĠI nd", "as es", "Ġt itle", "Ġcont ext", "o h", "- p", "E m", "Ġm et", "T est", "Ġl ife", "_ v", "ĠU S", "U I", "oc ation", "m d", "Ġ[ Ċ", "Ġ ]", "s w", "Ġin cre", "s cript", "ent ial", "w ays", ". de", "Ġs rc", "Ġc atch", "ĠA meric", "// Ċ", "ĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠ", "Ġp ay", "pl it", "âĢ Ķ", "Ġc oun", "ob j", ".ph p", "Ġch ange", "eth ing", "' re", "ast er", "lo s", "l ation", "ĠĠ Ċ", "L e", "à ¤", "( {", "read y", "ĠN o", "Ġpos ition", "Ġo ld", "Ġbo ok", "able d", "b ug", "H and", "} ;ĊĊ", "is play", "av ing", "Ġgo ver", "Ġv ersion", "S ystem", "n ect", "res ponse", "St yle", "U p", "ang u", "Ġth ree", "in it", "er o", "Ġl aw", "end if", "Ġb ase", "em ail", "( l", "_ V", "Ġcon f", "AT E", "Ġd uring", "t es", "Ġcon sole", "ĠP r", "Ġs pe", "v es", "p ath", "ial og", "d ition", "_t o", "ard s", "Ġagain st", "et work", "ĠP h", "_ L", "c ur", "im it", "W ith", "Ġp ower", "i um", "' ;ĊĊ", "Ġw om", "le ft", "our ces", "at ri", "ĠI m", "ĠM an", "or th", "$ {", "qu als", "es e", "_s ize", "Ġis s", "ot al", "- g", "i que", "r ame", "Ġw idth", "er g", ") (", "itt le", "T R", "ĠThe y", "enc es", "r l", "on s", "Ġl abel", ". y", "- t", "up date", "an el", "s c", ".t o", "Ġpro ject", "à ¼", "Ġe lement", "Ġsu ccess", "ĉĉ Ċ", ".s h", "r am", "ch ed", "() )Ċ", "Ġ( Ċ", "Ġd ate", "Ġto t", "_ ST", "A ll", "ific ation", "ĉ var", "Ġt ri", "ch em", "m y", "Ġb ig", "ĠA d", "ĠA t", "ot s", "n um", "A ct", "Ġm ap", "er a", "co pe", ". $", ", âĢĿ", "Ġp op", "Ġf ew", "Ġl en", "u id", "et ers", "u les", "à Ń", "s ource", "http s", "Ġd em", "Ġe ar", "######## ########", "Ġm atch", "or ies", "ac es", "ĠC l", "Ġn ode", "ir c", "loc al", "un ity", "} ;Ċ", "Ġan other", "< <", "og le", "Ġs it", "ew ork", "T E", ". I", "N S", "olog y", "ou ght", ".C ont", "> >", "Ġc are", "st ate", "ĉ private", "Ġe ffect", "++ )", "_f ile", "end ing", "L ine", "F or", "i or", "ĠS c", "Ġf un", ".S ize", "ĉ else", "] )", "st art", "v ious", "Ġ} ,", "our s", "Ġle g", "Ġs ervice", "Ġs ince", "ir on", "L abel", "Ġn on", "Ġl os", "ict ion", "Ġf ull", "act er", "bo ard", "g ress", "Ġt urn", "ith er", ".s ize", "Ġb ody", "res h", "et urn", "( _", "y les", "orm al", "p i", "Ġsom ething", "! --", "u int", "Ġpro du", "Ġst and", "Ġpro ble", "Ġav ailable", "m t", "ĠB l", "Ġ ...", "Ġb lock", "In put", "Ġke ep", "C ount", "op en", "Ġ[ '", "Ġth row", "uild er", "A ction", "Ġth ings", "Tr ue", "Ġ url", "ĠB o", "print f", "Ġre d", "j s", ".c reate", "ĠO r", "St atus", "In stance", "Ġcont rol", "Ġcom e", "Ġc ustom", "loc ation", "m odel", "Ġ čĊ", "Ġs ource", "Ġe as", ". out", "] ĊĊ", "one y", "Ġaw ait", "Ġpart ic", "A P", "ub lish", "od es", "_p ro", "p ly", "rit er", "Ġpro v", "Ġm ill", "H T", "] )Ċ", "Ġch ang", "Ġas k", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠ", "Ġout put", "Ġem ail", ".p ush", "Ġ} čĊčĊ", "in ation", "atri x", "T able", "u ccess", "] );Ċ", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "Ġdis c", "( [", "Ġb usiness", "he ight", ". html", "t a", "f ield", "Ġrequire d", "_ R", "Ġgover n", "} čĊčĊ", "le x", ". ,", "ĠS et", "ur ch", "// /", "t s", "a f", "Ġm ight", "ist ory", "S tr", "Ġne ver", "Res ponse", "ar se", "ad a", "ĠH ow", "Ġ* )", "Ġ ;", "Ġh ard", "A d", "Ġinter n", "us ed", "( data", "m od", "ann el", "Ġn p", "ug g", "Ġ/ >Ċ", "Ġcal led", "b ody", "Ġch o", "( r", "_s et", "ir d", "Ġ> =", "Ġ} ;Ċ", "Ġo ptions", "ĠG ener", "Ġhe ight", "P oint", "Y ou", "et y", "C lick", "Ġsm all", "Ġ ide", "Ġacc ess", "angu age", "Ġprot ected", "Ġj ob", "ĠTh ere", "D ef", "Ġadd ress", "Ġu int", "N ot", "o o", "ap s", "< div", "ain ed", "at ur", "Ġs um", "- w", "ĠD ate", "Ġl ittle", "Ġf ri", "Y PE", "Ġp ort", "e h", "pr ing", "_p ath", "Ġst atus", "a im", "bo ol", "Ġap pe", "Ġo s", ". name", "ens ion", "_ G", "Ġup date", "Con fig", "a ff", "ER R", "Ġ< =", "at ely", "# if", "u ction", "ĠT e", "Ġl ink", "ĠU ser", ".f ind", ". org", "m e", "Ġg iven", "O ut", "# endif", "Ġbet ter", "P age", "Ġfe el", "en n", "M L", "Ġal ready", "Ġinclud ing", "o ogle", "r u", "ic ally", "pro p", "le an", "out er", "Ġal ways", "ord ing", "I f", "or age", "Ġp arent", "v is", "ĉĉĉĉ ĉĉĉ", "Ġg ot", "st and", "Ġle ss", "/ s", "ĠA ss", "ap t", "ire d", "ĠA dd", "Ġacc ount", "p loy", "Ġd er", "res ent", "Ġl ot", "Ġval id", "ĉ d", "Ġb it", "pon ents", "Ġfollow ing", "_ ex", "S ON", "Ġs ure", "oc ial", "Ġp rom", "ert ies", "he ader", ".p ro", "Ġbo olean", "Ġse arch", "k en", "Ġor ig", "Ġ er", "E d", "E M", "a ut", "l ing", "al ity", "By Id", "b ed", "ĉc ase", "eth er", "pos it", "Ġinv est", "ĠO R", "Ġs ays", "miss ion", "AM E", "Ġtem p", "o ad", "Ġre st", "in fo", "Ġinter est", "A rg", "Ġper form", "pon s", "ĠV iew", "Ġv er", "l ib", "( const", "U til", "List ener", "ar ge", "Ġm ult", "Ġd ie", "Ġs ite", "../ ../", "E L", "Ġval ues", "Ġ} )Ċ", "p en", "N o", "ic ro", "Ġbe h", "Ġ' ./", "ac y", "re c", "() ->", "ĉ ĠĠĠ", "\" ))", "Cont ent", "_ W", "ple ment", "Ġw on", "Ġv ideo", "ad i", "p oint", "% %", "Ġg l", "erv ed", "v iron", "I F", "ut ed", "ã ĥ", "' m", "Ġc ert", "Ġpro f", "Ġc ell", "ar i", "Ġpl ayer", "a is", "Ġc ost", "Ġh um", "( R", "Ġoff ic", "k s", ".t ext", "at ures", "Ġtot al", "Ġ*/ ĊĊ", "o pe", "Ġst at", "U M", "Ġlo ad", "ight s", "Ġc lear", "u ro", "Ġte chn", "up port", "I R", "Ġ row", "Ġse em", "Ġ q", "Ġsh ort", "ĠN ot", "ip p", "G roup", "se ction", "m ax", "ir l", "Ġover ride", "Ġcom pany", "Ġd one", "\" );čĊ", "Ġg re", ". Re", "Ġbel ie", "r ist", "Ġhe alth", "AN T", "() ĊĊ", "ĠB e", ". value", "ĠG r", "ott om", "Ġarg s", "P T", "st atus", "f unc", "um ents", "- h", "N umber", ": čĊ", "ĠL og", "er ver", "Ġ) ,Ċ", "am ent", "Ġob j", "in c", "Ġchild ren", "ic y", "I Z", "and s", "ab ly", "Ġdist rib", "Ġc ur", "er ial", "Ġd ays", "re ated", "re ct", "- l", "ir m", "idd en", "om b", "Ġin itial", ".j s", "Ġ â", "Qu ery", "Ġon line", "im al", ". con", "a u", "U rl", "cont rol", "ire ction", "Ġin stance", "OR T", "ĠF r", "wh ere", "Ġjav ax", "Ġorg an", "ap ter", "Ġre ason", "o ptions", "ĠM ar", "( a", "Ġwith in", ".âĢĿ ĊĊ", "O DE", "_ DE", "ad min", "end ed", "Ġdes ign", "ĠD ata", "un e", "ĠF ile", "ro ot", "Ġc ent", "Ġa rr", "_ add", "l en", "p age", ", '", "_ str", "Ġb ro", "ab ility", "ou th", "/ c", "p ose", "irt ual", "ear ch", "_ url", "arg in", "H ttp", "Ġs chool", "av a", "Ġcons ider", ".l abel", "ĠA rray", "we b", "o pt", ".print ln", "ul ation", "Ġf unc", "P L", "Ġ\" \\", "ĠT ext", "act ory", "(f unction", "n ull", "Ġen g", "d own", "Ġin clude", "ĠE n", "ĠD r", "Ġd b", "! !", "s ide", "Ġin it", "quire d", "ĠS he", "C olumn", "re act", "Ġan n", "Ġst op", "Ġl ater", "ĠTh at", "ent ion", "d f", "U G", "I LE", "Ġc lient", "ra ft", "ff er", "PO ST", "el per", "Ġlo ve", "qu ote", "ou d", "Ġj son", "Ġab le", "Ġm en", "A X", "ĠC opyright", "à ¶", "av ig", "re q", "C lient", "} );Ċ", ".C om", "er c", "il t", "pec ial", "_c om", "ro om", ". Name", "Ġg ive", "am b", "i ke", "Ġcon dition", "cl ient", "ator s", ": \"", "Ġc opy", "ut ure", "ivers ity", "ern al", "{ {", "ĠC an", "ou nc", "d o", "Ġo cc", "Ġapp ro", "th ers", "z e", "Ġe ither", "ĠF l", "Ġimport ant", "Ġle ad", "at tr", "AR T", "E qual", "Ġd a", "et ch", "ent ity", "Ġfam ily", "add ing", "Ġo ption", "Ġex ist", "ic a", "ĠO bject", "' ve", "v ers", "ition al", "out put", "ĠTr ue", "ĠO F", "_t ime", "Ġof fer", "Ġ} );ĊĊ", "H ER", "eg in", "\" \"", "Ġw ater", "Ġc he", "ĠM y", "ore d", "Ġst ep", "anc es", "C K", "A Y", "à ¸", "str uction", "( C", "ou ch", "St ream", "act ive", "am a", "Ent ity", "pro duct", "() {Ċ", "Ġgovern ment", "ĠI D", "aj or", "A nd", "Ġdis play", "Ð »", "Ġt imes", "Ġf our", "Ġf ar", "Ġpres ent", "ĠN S", "Ġ\\ Ċ", "ue st", "Ġb as", "e cho", "ch ild", "if ier", "Hand ler", "Ġl ib", "Prop erty", "trans lation", "Ġro om", "Ġon ce", "Ġ[ ]", "cent er", "================ ================", "Ġresult s", "Ġcontin ue", "Ġt alk", "_ get", "Ġg row", ".s w", "e b", "ĠP ublic", "O P", "ec ute", "ol s", "Ġ **", "\" );ĊĊ", "Ġm ass", "ure d", ".c lass", "om ic", "Ġme an", "ip s", "Ġa ut", ");čĊ čĊ", "Ġun til", "Ġmark et", "Ġare a", "u it", "Ġl ength", "ĠW ith", "struct or", "e vent", "\"> <", "ĠS p", "I V", "Ġm us", "if f", "Ġk ind", "a uthor", "ound s", "m b", "_ key", "w idth", "posit ory", "Ġl ight", "u k", "R ow", "oh n", "al f", "viron ment", "app er", "ollection s", "Ġs ide", "_in fo", "Ġex ample", "im ary", "Ġw r", "Ġc amp", "cri be", "\" /", "Ġm iss", "w ay", "Ġb ased", "Ġpl an", "V is", "om ain", "un k", "Ġaw ay", "U P", "< T", "O S", "i od", "ĠM on", "âĢĻ re", "Ġli k", "à §", "iv ely", ". v", "im er", "iz er", "S ub", "Ġbut ton", "ĠU p", "Ġexper ience", "C L", "Ġre nder", "_ value", "Ġn ear", "UR L", "al t", "Ġcoun try", "ib ility", "() ,Ċ", "e ad", "Ġa uthor", "Ġspec ific", "b ase", "( name", "on es", "ĠD o", "Ġal ong", "y ear", "Ġexp ress", ". '", "en v", "Ġbeg in", "Ġso ftware", "Ġim p", "Ġw in", "ó n", "Ġth ing", "Tr ans", "ĠT HE", "Ġ< ?", "Ġwh y", "Ġdoes n", "i j", "g ing", "ĉ g", "Ġs ingle", "off set", "ar ning", "og raph", "le y", "_c ount", "Ġan al", "cre ate", "/ m", "ĠR eg", "un ch", "= $", "is k", "Ġright s", "( M", "Ġ\"\" \"Ċ", "ap er", ".m odel", "Ġp o", "em pty", "art ment", "Ġa nt", "ĠWh en", "Ġwom en", "ĠE d", "Ġse ason", "Ġde st", "à £", "( h", "Ġposs ible", "Ġse ver", "Ġb tn", "Ġdid n", "Ġs ent", "Ġen c", "Ġcomm and", "Ġ ],Ċ", "_ x", "Ġre cent", "ol ution", "v ector", "ĠB y", "ĠM ay", "ĠA ct", "» ¿", "Ġm oney", "IN T", "bs ite", "ĉ p", ". čĊ", "ï »¿", "s l", "atter n", "ĠC lass", "Ġto ld", "ud io", "c urrent", "Ġe qu", "Ġa uto", "ĠSt ate", "d a", "ms g", ")) ;ĊĊ", "Ġwork ing", "Ġqu ery", "ĠB r", "Ġw indow", "a uth", "on ly", "ĉ t", "Ġle ast", "ag n", "Ġex pl", "it ter", "ar ing", "Ġc olumn", "ĠGener al", "\": \"", "er al", "ri or", "Ġrec ord", "I B", "E X", "Ġd at", "Ġm aking", "u ed", "ĠC ar", "em p", "\" .", "ĠM ed", "Ġc lose", "Ġper cent", "Ġp ast", "( g", ": (", "Ġw rite", "Ġm ove", "Ġp at", "Cont rol", ".T o", "Ġv i", "*/ Ċ", "in ate", "' ll", "ag ed", "N ull", "Ġspec ial", "IZ E", "Ġc ity", "/* Ċ", "ĠE ng", "ix ed", "in ary", "p y", "Ġe ff", "ar io", "Ġt ell", "av or", "Ġse lect", "le vel", "im um", "op er", "B uilder", "I P", "') ,Ċ", "es c", "Ġf ont", "\" ;ĊĊ", "ĠA m", "ish ed", "ill s", "Int er", "O W", "Ġcour se", "Ġl ate", "idd le", "Ġam ount", "Ġas ync", "in o", "c ul", "Ġ ì", "and le", "_ user", "Ġb en", "ĠC al", "Ġ$ _", "ĠR ep", "Ġen ough", "T oken", ". user", "( j", "S c", "W idth", "n ow", "at form", "Ġlook ing", "Ġh old", "M odule", "IT Y", "v o", "is on", ".D ata", "y c", "Ġp ot", "ĠTr ump", "id ual", "id es", "r t", "Ġprop erty", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠ", "am ework", "g o", "Ġl ow", "Ġpar a", "Ġpr ice", "ur y", "Ġto day", "ro y", "Ġ' /", "Ġpol it", "Ġ' '", "ym b", "P h", "Ġad v", "Ġatt ack", "ĠS te", "RO M", "an a", "Ġme ans", "Ġst ory", "id s", "ak en", "Ġme et", "Ġm om", "ĠâĢ ĺ", "Ġ? >", "Ġd en", "ob ile", "ch ange", "ĠĠĠĠĠĠĠĠ ĠĠĠĠĊ", "ic i", "n a", "ĠF orm", "Ġs ort", "Se lect", "p are", "Ġth ought", "_ con", "Ġt ask", "oc us", "ĠD E", "ĠM in", "Ġo pt", "ĉb reak", "um er", "K E", "th en", "Ġd et", "ĠT est", "port s", "Ġre view", "(' /", "m ove", "Ġsw itch", "ER T", "p atch", "ann ot", "ã Ĥ", "Ġab ove", "it ive", "Ġquest ion", "ĠQ u", "ãĢĤ ĊĊ", "g le", "Ġw ord", "Ġprov ide", "ĠR eturn", "Ġre search", "ã o", "u str", "Ġp ublish", "chem a", "} }", "ĠC ON", "- in", "all back", "Ġco ver", "\\ \\", "c olor", "ĠI S", "Ġwh ether", "im ate", "is c", "B ar", "Ġd iv", "B e", "our n", "Ġh aving", "le m", "pl ayer", "ab s", "am era", "ne y", "Ġex c", "get her", "pl ied", "a o", "[ $", "Ġ+ +", "i pe", "sh ow", "/ d", "[ :", "ag ement", "le v", "_ ID", "r ary", "ad es", "_ se", "a use", "Ġem ploy", "Ġ*/ čĊ", "Ġf re", "Ġ' @", "Ġcomple t", "Ġl arge", "r al", "\\ x", "Ġf ac", "< String", "Ġcre ated", "up er", ".st ate", "Ġh ost", "ener ic", "/ b", "( !", "wh ile", "i as", "B UG", "Ġ );ĊĊ", "Ġro le", "Re g", "ĠC olor", "St art", "Ġp orn", "t op", "Ġwe b", "Ġde v", "Ġde al", "++ )Ċ", "Int eger", "pos ition", ". on", "Ġ( \"", "ä ¸", "Ġproble m", "s v", "Ġp ress", "AB LE", "AT ION", "ĠSe e", "an ch", "Ġth ough", "le ep", "Ġ< !--", "Ġpoint s", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠ", ". J", "Ġ ::", "p tr", "D B", "++ ;Ċ", ".p ng", "n ode", "so ft", "pon d", "Ġe ver", "-------------------------------- --------------------------------", "M enu", "(' #", "Ġs ervices", "p g", "} )Ċ", "param s", "Ġact ually", "Ġ\" /", "Em pty", "M ethod", "Ġid ent", "un ic", "Ġmill ion", "Ġa ff", "st yle", "Ġcon c", "i os", "ign ment", "UL T", "P r", "\" ;čĊ", "Ġunder stand", "u ary", "Ġhapp en", "Ġser ver", "ĠC o", "S C", "Ġle s", "Ġfile s", "G rid", "s ql", "Ġof ten", "Ġin fo", "_ tr", "s rc", "on y", "Ġsp ace", "um b", "Ġpass word", "Ġst ore", ", ĊĊ", "ĠWh at", "g ed", "ĠF alse", "U s", "sw er", "_ index", "Ġform at", "m ost", "s m", "N ew", "Ġd etails", "Ġpro b", "ĠAN D", "() čĊ", "il ar", "Ġ$ {", "ry pt", ".C ollections", "$ this", "ĠF ree", "_ of", "(f alse", "d ated", "Ġ> >", "Ġf ace", "CT ION", "Ġs ave", "Ġt yp", "de v", "(\" #", "AG E", "cont ainer", "ed it", "Q L", "Ġitem s", "Ġs ocial", "i en", "ĠRe act", ") .ĊĊ", "Ġm ar", "Ġre du", "ĠR E", ".p ut", "Ġm ajor", "C ell", "n ext", "Ġexpect ed", "Ġy et", "Ġin div", "trib utes", "at is", "am ed", "Ġf ood", "S ource", "( string", "Ġ+ Ċ", "it es", "d r", "Ġmem bers", "Ġcom b", "item s", "ĠP er", "T H", "= True", "Ġb ar", "_ SE", "com m", "( w", ")ĊĊ Ċ", "Ġs end", "Ġin c", "un signed", "F A", "Ġparam s", "app ing", "ro s", "ug in", "f a", "Ġcon nection", "Ġ} ;ĊĊ", "Ġbe come", "M ode", "Ġe v", "Ġdif f", "ĠUn ited", "He ight", "ful ly", "im ages", "Ġm akes", "Ġg lobal", "Ġcont act", "' :Ċ", "Ġab s", "а Ð", "f loat", "Ġex cept", "ĠP ol", "Ch ild", "t yp", "Ġcert ain", "i ón", "O UT", "Ġim pro", "ile s", "Ġ-- >Ċ", "ĠP art", "val ues", "os s", "/ **", "il it", "ĠE vent", "cur ity", "st er", "Ġchar acter", "Ġnew s", "Ġ\" ,", "Ġde vice", "c el", "log in", "he et", "Def ault", "@ \"", "ĉ Ġ", "c lick", "( value", "ĠA b", "Ġpre vious", "ERR OR", "oc al", "Ġm aterial", "Ġbel ow", "ĠCh rist", "Ġmed ia", "co ver", "ĠU I", "Ġf ail", "Ġbl ack", "Ġcom ponent", "ĠAmeric an", "Ġadd ed", "Ġbu y", "st it", "Ġc ame", "Ġde lete", "prop erty", "od ing", "Ġc ard", "rop s", "Ġhttp s", "Ġro ot", "Ġhand le", "C C", "B ack", "em plate", "Ġget ting", "_b y", "m ail", "_s h", ". assert", "ĠD ec", "( true", "Ġcom put", "Ġcl aim", "' =>", "ĠS ub", "Ġa ir", "op s", "n av", "em ents", "( id", "Ġent er", "ang ed", "E nd", "Ġloc ation", "Ġn ight", "Ġdo ing", "ĠR ed", "l in", "}ĊĊ Ċ", "vid er", "Ġp ick", "Ġw atch", "ess ages", "Ġhum an", "Ġd am", "p end", "d ir", "Ġt ax", "Ġg irl", "re et", "Ġbo x", "Ġstr ong", "( v", "re l", "Ġinter face", "Ġm sg", "f ect", "_ at", "Ġh ouse", "Ġtr ack", "' );ĊĊ", "j e", "ĠJ ohn", "ist r", "( S", "ub e", "Ġc e", "itt ed", "V ER", "* )", "p arent", "Ġapp lication", "an y", ".sw ing", "Ġp ack", "\\ u", "Ġpr act", "Ġse ction", "ct x", "Ġun signed", ".P oint", "ĠO ne", "Ä ±", "ip le", "a id", "Ñ ĥ", "V ector", "by te", "Ġw ait", "Ġà ł", "à ¥", "Ġto gether", "Ġth rows", "F O", "' ))", "h ost", "is ing", ". view", "Ġter ms", "fr amework", "- r", "Ġapp ly", "Ġs ession", "O ptions", "ugg est", "Ġo thers", "w itter", "Ġf und", "In it", "__ (", "ens or", "G ET", "Ġsever al", "i i", "[ j", "I O", "Ġtem plate", "P osition", "Ġe con", "ach ine", "Ġ il", ".s pring", "m ain", "el t", "im ent", "Re c", "m m", "ĠUn iversity", "urs or", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠ", "G L", "ict ure", "ith ub", "c er", "c ast", "F rom", "a les", "Ġsub ject", "p assword", "n y", "Ġes c", ".w rite", "ï¼ Į", "Wh at", ". H", "Ġh istory", "ĠF e", "Ġindiv idual", "un it", "Ġ-- >", "Ġd u", "I ST", "Ġus ers", "f s", "f alse", "un t", "T itle", "Ġm ot", "Ġf uture", "ach ed", "Ġstart ed", "Ġm ode", "Ġ' <", "_ array", "Ġa x", "'] ;Ċ", "i res", "Th ere", "ug ht", "t ml", "pos ed", "ic ult", "Ġto ok", "Ġg ames", "Ġ} }", "Ġ? >Ċ", "Ġproduct s", "I s", "Ġb ad", "ĠD es", ".p ath", "' ĊĊ", "ĠP ost", "av el", "( :", "Ġneed s", "Ġkn own", "F l", "Ġex ec", "Ġse en", "um e", "Ġb order", "Ġl ive", "tem p", "P er", "Ġvar iable", "i et", "ĠD ef", "Ġg e", "em e", "_b ack", "f irst", "Ġprovid ed", "//////////////// ////////////////", "Ġfil ename", "Ġh ope", "ul y", "a uto", "f ind", "_ string", "b tn", "it ude", "At tribute", "Ġyou ng", ".t xt", "Ġwe bsite", "ĠP rop", "Ġe y", "> ();Ċ", "ion al", "AR R", "iction ary", "ur ther", ". ", "t x", "Ġp ur", "u el", "ymb ol", "u ation", "ang er", "Ġback ground", "ec ess", "ef ined", ".... ....", "Ġdes cription", "Ġrep resent", "\") );Ċ", "press ion", "row ser", "Ġser ies", "ward s", "($ _", "a ise", "Ġh ot", "ac ity", "ri es", "action s", "C reate", "ad io", "amp les", "Ġorig inal", "ens ive", "f ont", "st ream", " using", ".spring framework", "ser ver", "Ġb ill", "AC K", "il ename", "Ġfr ame", "Ġ= Ċ", "Ed it", "adi us", "Ġd raw", "ank s", "Ġd eter", "Ġcom es", "_ int", "Ġfore ach", "ang le", "Ġe lect", "pect ed", "He ader", "ist ration", "F alse", "ĠG ame", "Ġfil ter", "Act ivity", "Ġl arg", "in ition", "Ġ\" <", "is ed", "Ġrem ove", "ĠTr ans", "m et", "se e", "Form at", "Com mand", "ĠE X", "N one", "Ġfr ont", "A SE", "ĠR ec", "ound ation", "Ġv o", "= \\\"", "( *", "Ch ange", ".W rite", "g roup", "i ents", "u y", "******************************** ********************************", "Ġd ig", "h r", "( -", "Ġg en", "n umber", "ve c", "uro pe", "ent ry", "L L", "Ġst e", "Val id", "'] ,", "_p aram", "Ġse lected", "Ġacc ording", "ĠD is", "Ġ util", "B uffer", "_ error", "Ġass oci", "_S IZE", "Ġw or", "Ġprint f", "r ag", " ł", "D D", "ĠV al", "Ġact iv", "E ng", "et ime", "Ġv irtual", "a ign", "a ur", "ĠP res", "ĠEx ception", "Ġany thing", "ĠO ff", "Ġh ours", "Ġw ar", "Arg s", "ag ing", "Ġmodel s", "ĠT ime", "O b", "am s", "j oy", "Ġear ly", ". read", "Ġc enter", "ĠIn itial", "Ġl anguage", "l ength", "x y", "Ġs n", "Ġin f", "P ost", "Ġag o", "Ġeas y", "_c ode", "ĠAN Y", "_ ch", "Ġdown load", "( T", "av ed", "âĢ ĵ", "Ġstud ents", "Ġf ig", "l ight", "x x", "Ġbu ffer", "ĠD ep", "ĠM ath", "IT H", "Ġvar i", "Ġd ue", "F actory", "Ġp or", "Ġe p", "ot ype", "Ġcan not", "Ġwh ite", "< int", "ter n", "Ġreg ister", "Ġpre d", "cl us", "_d ate", "Ġ/ **", "Ġa uth", "Ġ[ ]Ċ", "Ġper iod", "n own", "Ġv ot", "Ġs creen", "' d", "T ypes", "Ġt mp", "е Ð", "ur al", "Ġben ef", "_ y", "Ġn et", "ĠSt ates", "'] ['", "ĠN e", "ĠN OT", "Ġn eg", "Ġcomm on", "s cope", "Ġc red", "g es", "_T YPE", "Ġs uggest", "o om", ".ĊĊ Ċ", "Ġac cept", "Ġr andom", "er m", "ĠV ector", "w ith", "T ER", "( str", "Ġres pons", "Ġh it", ".S et", "gr id", "ri a", "Ġc lick", "und le", "C ase", "ins ert", "Util s", "Ġ\"\" \"", "Ġim plement", "at al", "tem pt", "tem plate", "oc r", "return s", "Ġplay ers", "us ers", "ed ef", "ĠTh ese", "Ġam ong", "Ġde b", "h a", ".get Element", "Ġc irc", "Ġan swer", "Ġw alk", "Ġt reat", "ĠG e", "ĠC reate", "Ġa ge", "Ġre q", "O ST", "ang ular", "Ñ ı", "Ġf ive", "Ġdistrib uted", "Ġfri end", "T P", "Ġc lean", "ow s", ".Control s", "d is", "Ġw ords", ". io", "z y", "Ġhe ader", "ĠC heck", "âĢĻ m", "j ust", "h older", "=\" čĊ", ". annot", "Ġcol lection", "' .", "Ġsim ilar", "Ġt aken", "(\" %", "Or der", "'] Ċ", "-m d", "ĠT H", "ac ed", "Ġis n", "/ j", "Ġs on", "gr aph", "ĠInt eger", "Ġn ecess", "re en", "Ġ um", "Ġ\\ <", "Ġmom ent", "Ġbr ing", "Ġind ic", "ys is", "Le vel", "ver se", "urre nc", "_t est", "Ġent ire", "D own", "Ġ}ĊĊ Ċ", "( result", "ĠRe ad", "à ¨", "M od", "Ġtry ing", "\") ,Ċ", "Ġm ember", "ĠC or", "OD O", "- control", "un time", "ĠS im", "D ialog", "pl ot", "_ on", "Ġph ys", "} /", "Ġn amespace", "ĉ čĊ", "ac c", "Pl ayer", "A RE", "Ġf oot", "Ġbo ard", "p art", "Ġs us", "w ise", "ĠM c", "Ġp ush", "AT A", "Ġp lease", "ri ed", "we et", "b it", "id ed", "V E", "ĠS w", "U B", "Ġt ypes", "ed ia", "Ġc los", "ace book", "Wh en", "Ġed it", "ig ger", "Ġen erg", "Cont ainer", "Ġph ot", "ĠC ount", "ĠE urope", ".I s", "ĠR uss", "pe ed", "ĠS tr", "Ġp y", "Ġc ult", "Ġdef ined", "cc ount", "Ġob t", ".L ocation", "Ġth read", "il le", "Ġinst ead", "str ong", "ĠS ec", "U RE", "Ġide a", ". se", "em y", "select ed", "Con nection", "ac ing", "th read", ".n ext", "Ġc oll", "Ġfil m", "ist ic", "Ġcomp et", "Ġcon n", "th ough", "Ġcom pan", "ock et", "Ġte ach", "= (", "Ġph one", "Ġact ive", "de lete", "tr ies", "Ġm o", "Ġde ath", "} );ĊĊ", "oc ol", "W idget", "Ġart icle", "ro du", "and id", "Ñ ĭ", "ĠC r", "k a", "() :", "lo od", "ĉĉĉ Ċ", "Ġal most", "Ġs ell", "erv let", "ri p", "Un it", "Ġapp lic", "Ġcon nect", "Ġfe ature", "Ġv ia", "' ),", "Ġl im", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "ĠG u", "Eng ine", "Ġen s", "Ġen vironment", "b lock", "HER E", "N ULL", "g y", "t ag", ") ).", "ex p", "Ġcom pl", "Ġinst all", "Ġcomple te", "que ue", "atur al", "Ġgener al", "th on", "Ġask ed", "o res", "( res", "Ġres erved", "S P", "ĠâĢ ¦", "Å Ĥ", "Ġsign ific", "O ff", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠ", "ĠA g", "ĠJ ust", "ĠE rror", "Ġin fl", "ad ata", "Ġ icon", "ask s", "' '", "_ LO", "? .", "ac count", "Ġ( *", "' )ĊĊ", "r ap", "_ var", "ĠF OR", "Ġpart y", "ĠY our", "c at", "str y", ". new", "bo ot", "ĠN ov", "Ġv ector", "Ġn ormal", "Ġf urther", "Re pository", "Ġd atabase", "att le", "Ġmus ic", "Ġspe ed", "Ġd oc", "pro cess", "IG HT", ".p arse", "Ġt aking", "Ġvi ol", "ce ed", "ĠA fter", "Ġfor ward", "Ġc rit", "\"/ >Ċ", "ro t", "Ġfa iled", "ef ore", "Ġconc ern", "o e", "b a", "Ġs ender", "Ġter m", "h as", "=\" #", "Ġpot ential", "N um", "Ġpublish ed", ".c lose", "ĠIm age", "str aint", "U D", "ĠO b", "Ġprob ably", "l im", "\" :Ċ", "olum e", "Ġcon sum", "ag ue", "ens ions", "Ġinvest ig", "- year", "') ;", "-s m", "Ġen joy", "or ig", "er ing", "c p", "le ased", "ple ments", "Ġreturn s", "p at", "B O", "ĠH ouse", ".L abel", "Ġwe ight", "igh b", "Ġcondition s", "Ġex ception", "d escription", "Ġtr ad", "- to", "Ġ{ }", "Ġmod ule", "EN D", ". ap", ".p rops", "Ġcon structor", "av es", "Ġf avor", "ĠN ow", "; i", "ĠM ain", "_ k", "er ies", "âĢĻ ll", "trans form", "imest amp", "P re", "Ġm er", ". res", "st ant", "L ocation", "_N AME", "Ġlos s", "Ġ ĊĊ", "n et", "Ġeng ine", "B lock", "Ġiss ues", "Ġpar se", "ĠB ar", "Ġst ay", "ĠJ SON", "Ġd om", "air s", "w ner", "Ġl ower", "\", čĊ", "ĠD em", "uf act", "Ġp s", "Ġper fect", "R L", "Ġed uc", "l s", "em ory", "ARR ANT", "u ge", "Ġex act", ". key", "al led", "e ch", "ie f", "\\ /", "o ke", "Ġfor mer", "al loc", "Ġs ix", "id a", "Ġm argin", "Ġhe art", "al d", "p ack", ".getElement ById", "ĠW ARRANT", "Ġr ather", "Ġbuild ing", "er man", "lic e", "Ġquest ions", "iz es", "le ge", "irect ory", "Ġj e", "Ġc as", "pro ps", "ut f", "Ġse curity", "Ġhow ever", "we ight", "Ġins ide", "Ġpres ident", "Ch ar", "ĠW ITH", ".m ap", "Ġgr aph", "Ġt ag", "_st atus", "Ġat tempt", "op p", "us es", "ĉ const", "Ġr ound", ", $", "Ġfri ends", "Em ail", "? >", "Res ource", "KE Y", "os p", ". query", "ĠN orth", "able s", "ist rib", "_c lass", "el lo", "Th at", "Ð º", "pecial ly", "ĠPres ident", "Ġcamp aign", "Ġal t", "are a", "Ġch all", "Ġop port", ".C on", "Ġenerg y", "li ke", ". string", "ing ton", ") *", "y y", "Ġprof ession", "ir th", "Ġse g", "æ ľ", "Ġh or", "i ers", "c an", "Ġbeh ind", "Pro duct", "f g", "ĠS k", ".j pg", "? :", "] ;ĊĊ", "Ġcall back", "ĠH ttp", "Ñ Į", "l ong", "M S", "AT H", "Ġr aise", "Ġwant ed", "row n", "ut or", "l t", "] =", "el ine", "M A", "Ġse par", "c s", "se mb", "D is", "bs erv", "ĠW ill", "Ġpol icy", "Ġth ird", "ph one", "Ġb ed", "/ g", ". __", "ĠIn c", "iz ing", ".re move", "in stance", ".t ype", "Ġs erv", "E ach", "Ġh ar", "ĠM essage", "( key", "SE LECT", "P os", ")) ;čĊ", "Ġre comm", "Ġtr aining", "ĠE nt", "ĠCh ar", "ic ht", "(f ile", "Ġp rior", "G ame", "Ġex it", "Param s", ".c ore", "P C", "n es", "anc ed", "( request", "P assword", "} >Ċ", "Ġm ag", "Ġre lease", "Ġsh all", "ud ent", "ĠS outh", "and o", ": '", ".Tab Index", "s k", "ann er", "is set", "Ġout side", "led ge", "Ġ å", "ĠR ob", "Ġim m", "! Ċ", "ĠWe b", "D es", "B C", "anc ial", "R oute", "D ec", "fer ences", "Ġp urch", "ĠM odel", "ct or", "g n", "_st art", "_ un", ". *", "is es", "Ġg round", "Ġun ique", "Ġbe aut", "{ \"", "Ġp our", "ĠO ct", "Ġt ree", "set s", "_ res", "') ->", "_re g", "(\" \\", "Ġby te", "B l", "Ġd ating", "Ġm atter", "ĠR em", "Ġ' ../", "ĠA ug", "ĠL a", "Ġ$ (", "ourn al", "i am", "Ġshow s", "w rite", "Ġb all", "Ġsim ply", "Ġf ast", "Ġmem ory", "A SS", "ĠO f", "ov ed", "ant e", "a ul", "ist ry", ")) );Ċ", "Ġf it", "< string", "Ġpolit ical", "anc el", "_ .", "c ard", ".c urrent", "o ch", "_ image", "\\ t", "# Ċ", "( L", "Ġindu stry", "com ing", "Ġex tra", "Ġreport ed", ".st art", "Ġres ources", "Ġim g", "fl ow", "_E X", "(n ull", "ĠP re", "Ġwr ong", "inter face", "Param eter", "n ers", "á »", "t ure", "ers ist", "oun try", "Ġseem s", "al ance", "de st", "ĉ String", "Ġm aint", "Ġun it", "act ers", "ĠT R", "if ul", "export s", "pro ject", "App lication", "leg ate", "Ġt akes", "ter m", "Ġet c", "ust er", "Ġappe ar", "add ress", "Ġf em", "h s", "Ġh om", ", -", "Ġdiff icult", "Ġcom ing", "O pen", "Ġset tings", "ĠW ar", "ĠTh en", "Ġaut om", "ĠF oundation", "Ġqu ite", "D escription", "Ġb log", "i qu", "P S", "_f ield", "J son", "SS ION", "ĠS ch", "ĠL O", "Ġdes cri", "Ġevery one", "Ġpret ty", "Ġlong er", "Ġm enu", "Ġcurrent ly", "se c", "Ġrelations hip", "################ ################", "ĠM ap", "as et", "Ġparam eters", "Ġcr ush", "\" čĊ", "IL ITY", "ig ration", "Ġc out", "t otal", "Ġn ames", "nd ef", "\") ;", "ri end", "yn amic", "Ġeff ort", "Ġact ual", "Ġfield s", "O UN", "t ers", "Ġf ix", "_m odel", "Ġc ases", "C A", "M y", "Inter face", "ĠS E", "] ]", "al le", "ĠN ational", "ĠArray List", "in line", ". V", "ar a", "ref ix", "as c", "Re ader", "ĠÐ ¿", "ast ic", "( ()", "C l", ".annot ation", "Ġperform ance", "ail y", ".to String", ".n et", "view s", ". end", "ay ers", "l ate", "ĠA pr", "ed eral", "'] )", ".b ody", "Ġhigh er", "_f l", "c r", "al ert", "_n ode", "ĠG oogle", "Ġit self", "A uth", "urrenc y", "Ġsignific ant", "app end", "Ġres pect", "str ap", "Ġun a", "riter ia", "P ORT", ".ap ache", "Out put", "Ġpro gress", "Ġm id", "ĠM icrosoft", "Ġres ource", "ab lish", "Ġd im", ". load", ".A pp", "Ġd irection", "Ġadd itional", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠ", "Ġnum bers", "Ġcompan ies", ".T h", "Ġs ound", "user name", "Ġstat ement", "Ġal ert", "Ġcon tract", "h ome", "_l ength", ".Com ponent", "e v", ". Ex", "ï¼ ļ", "\" ;", "ĠH igh", "Ġ )ĊĊ", "ĠP oint", "op h", "Ġl ines", "-> _", "\" )ĊĊ", "o x", "app lication", "Ġ ]Ċ", "ĊĊĊĊ ĊĊ", "Ġso on", "ction s", "ing er", "Ġj oin", "ĠP e", "Ġ ë", "Ġl as", ". E", "c ss", "/ or", "ĠSt art", "ĠT O", "Ġsub s", "con n", "com ponents", "DE BUG", "qu are", "F unction", "end ar", ". index", "Ġf ill", "Ä Ļ", "Ġcho ose", "h ow", "ĠAmeric a", "ass ets", "-------- ----", "ĠV alue", "Ġoff ice", "Ġv eh", "Ġtrans form", "ĠAr t", "Ġin de", "Ġf n", "Ġim plements", "ang o", "ple te", "+ \"", "t mp", "am ily", "Ġhas h", "miss ions", "E ST", "g t", "Pro vider", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠ", "Ġfl ag", "Ġpartic ip", "d en", "ĠReturn s", "Ġnot e", "ü r", "p m", "ide os", "Ġspec ified", "ĠE N", "est er", "ol id", "Ġup on", "( std", "ĉ v", "Ġ' \\", "u z", "Ġv ert", "Ġv ict", "ĉ self", "Ġ\" $", ". k", "Ġgroup s", "g ithub", "l ang", "Ġm ut", "T O", "Ġv e", "ĠP lease", ";ĊĊ Ċ", "ac cess", "Ġ{ \"", "re a", "Ġr isk", "ick er", "og gle", "ĉ while", "AN G", ".s end", "Ġwom an", "Ġget s", "Ġ ign", "ĠI d", "_ log", "ON E", "Ġe vid", "ĠH ar", "_s ub", "Ġend l", "Ġinclud ed", "() );ĊĊ", "ĠA p", "ig r", "Ġs em", "ĠBl ack", "d oc", "_t able", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "- up", "Ġca use", "Ġ ..", "Ġv an", "_d ict", "Ġf ocus", "IN D", "CE SS", ".L og", "Ġmult iple", "id o", "Ġreg ard", "- M", "and ler", "our se", "Ġde g", ". U", "Ġadd ition", "Ġvar ious", "Ġrece ive", "е н", "ĠH T", "Ob j", "D F", "Ġincre ase", "ĠO pen", "] ;", "Ġcomm it", "? Ċ", "ateg ories", "at ory", "sh ip", "ĠM ich", "Ġh tml", "rom ise", "Ġle ave", "Ġstr ateg", "av en", "ĠCon sole", "k nown", "- n", "_ LE", ".com ponent", "Ġb re", "S ession", "i ance", "Ġal ign", "typ edef", "_ result", "ĠW HERE", ".s plit", "Ġread ing", "FA ULT", "Ġc lo", "Ġnot ice", "_p r", "ar ter", "Ġlo ck", "Ġstand ard", "et ic", "ell ow", "Ġp adding", "ĠH is", "Ġst ates", "_c ast", "( P", "a a", "Ġintern al", "e an", "ĠP RO", "ĠK ey", "Ġes pecially", "m ing", "Ġc ross", "Ġn ational", "_ object", "f ilter", "Ġs cript", ". update", "_ i", "ĠAss ert", "/ core", "%% %%", "Ġproble ms", "ist or", "Ġ. =", "Ġar ch", "Ġwrit ten", "Ġm ilit", "M ENT", ". ch", "ca pe", "ĠM us", "_ config", "ĠA PI", "fo ot", "Ġim ages", "end l", ". In", "F irst", "Ġpl atform", ".pro t", "O ption", "st e", "ĠT ODO", "Ġfor ce", ". cont", "ĉ echo", "ĠD av", "P tr", "( B", "R T", "ĠB ase", "] ['", "Ġann ounc", "con sole", "ĠP y", "d s", ". as", "Ġpre vent", "ap an", "Ġ{ '", "} '", "Ġde ad", "V AL", "Q UE", "**************************************************************** ********", "Ġch arg", "R eturn", "Ġf ul", "d om", "Ġr ules", "Ġmod ify", "Ġe val", "h am", "at ement", "\\ <", "ul a", "= False", "R A", "Ġcont ains", "Ġst ack", "m ar", "Ġ{ }Ċ", "Ġund efined", "A ss", "ĠCh ina", "ve y", "* Ċ", "Ġplay ing", ") /", "act or", "Ġb ottom", "li er", "ĠN umber", "Ġcou ple", "D C", "ĠS O", "g or", ".set Text", "s uccess", "com mand", "F ilter", "ĠO ur", "_ item", "Ġc tx", "Ġro ad", "V ersion", "c ase", "ur t", "av ior", "y ch", "semb ly", "ĠPro duct", "Ġh eld", "a fe", "Ġinclud es", "< quote", "Ġa void", "ĠF in", "ĠM od", "Ġt ab", "an o", "à ±", "ipp ing", "- e", "Ġins ert", "t arget", "ch an", ".M odel", "IM E", "\\ Ċ", "Ġm achine", "av y", "ĠN O", "ĠInt er", "Ġoper ation", "mod al", "T ag", "] :", "Ġprodu ction", "Ġare as", "Ġre n", "_f rom", "n bsp", "Ġoper ator", "m en", "app ed", "_p er", "z en", "(\" .", ".s ave", "=\" {{", "Ġt or", "( response", "Ġc andid", "Ġcon v", "a iled", "ĠL ib", "com p", "ur a", "ï¿ ½", "ĠH ere", "Ġarg ument", "h ood", "Ġest ablish", "ograph y", "Ġon Click", "amb da", "Ġs ch", "Ġmov ie", "Ġse c", "Ġact ivity", "Ø §", "Ġs ql", "_ all", "inc ip", "Ġprovid es", "Ġs ys", "ack et", "Ġwas n", "Ġus es", "ĠF unction", ".g oogle", "ĠRes ult", "Vis ible", "ag ma", "el come", "ĠS y", "ĠC ent", "AL SE", "ac ión", "EX T", "Ġl icense", "ĠL ong", "Ġacc om", "Ġab ility", ". height", "Act ive", "olog ical", "ol y", ")) ,", ".S e", "Ġparam eter", "pr ite", "AB ILITY", ".s ervice", "ĠG roup", "_ query", "ĠI tem", "in ing", "Ġj ud", "im s", "f ix", "ind er", "ag ram", "Ġfunction s", "Ġexper i", "ĠE m", "Ġro t", "Ġp en", ".b tn", "ĠA S", "#if def", "Ġcho ice", "ĠP age", "_P RO", "Q U", "å ı", "ant ity", " Ń", "word s", "Ġread only", "Ġf lex", "prot ected", "ĠAn y", "Ġchar acters", "enc ed", "ĠJ uly", "il er", "C ard", "ur ance", "Ġre v", ".e vent", "al y", "Ġwon der", "ĠP ort", "Ġleg al", "ro le", "Ġt en", "Ġgo es", "M P", "wh ite", "): čĊ", ")) čĊ", "Ġre ference", "Ġm is", "ĠPro ject", "ick s", "> &", "C ON", "Ġre pl", "Ġreg ular", "St orage", "ram ework", "Ġgo al", "Ġt ouch", ".w idget", "Ġbu ilt", "d es", "P art", "( re", "Ġw orth", "h ib", "g ame", "ĠÐ ²", "ac ion", "ĠWh ite", "(t ype", "( `", "Ġn atural", "Ġin j", "Ġcal cul", "ĠApr il", ". List", "Ġassoci ated", "ĉ System", "~ ~", "= [", "Ġst orage", "Ġby tes", "Ġtr avel", "Ġs ou", "Ġpass ed", "! =", "as cript", ". open", "Ġgr id", "Ġb us", "Ġrec ogn", "A b", "Ġh on", "ĠC enter", "Ġpre c", "b uild", "HT ML", "ĠS an", "Ġcoun tries", "a led", "t oken", "k t", "Ġqu al", "L ast", "ad ow", "Ġman ufact", "id ad", "j ango", "N ext", "x f", ". a", "Ġporn o", "ĠP M", "er ve", "it ing", "_ th", "c i", "= None", "g s", "Ġlog in", "at ives", "'] );Ċ", "Ä ħ", "Ġ ill", "I A", "child ren", "D O", "Ġlevel s", "Ġ{ {", "Ġlook s", "Ġ\" #", "To String", "Ġnecess ary", "ĠĠĠ Ċ", "c ell", "En try", "Ġ' #", "Ġext rem", "Select or", "Ġplace holder", "L oad", "Ġre leased", "O RE", "En umer", "ĠT V", "SE T", "in q", "P ress", "ĠDep artment", "Ġprop erties", "Ġres pond", "S earch", "a el", "Ġre qu", "ĠB ook", "/ Ċ", "( st", "Ġfin ancial", "ick et", "_in put", "Ġth reat", "( in", "Str ip", "ì Ŀ", "ç ão", "Ġevid ence", ")) ;", "ĠB ro", "Ġ[ ];Ċ", "Ġ ou", "b uf", "S cript", "d at", "Ġr ule", "# import", "=\" /", "S erial", "Ġstart ing", "[ index", "a e", "Ġcon trib", "s ession", "_ new", "ut able", "o ber", "Ġ\" ./", "Ġlog ger", "Ġrecent ly", "Ġreturn ed", "č čĊ", ")) )Ċ", "ition s", "Ġse ek", "Ġcomm unic", "Ġ\" .", "Ġuser name", "E CT", "D S", "Ġother wise", "ĠG erman", ". aw", "Ad apter", "ix el", "Ġsystem s", "Ġd rop", "Ġstruct ure", "Ġ$ (\"#", "enc ies", "ann ing", "ĠL ink", "ĠRes ponse", "Ġst ri", "Å ¼", "ĠD B", "æ Ĺ", "and roid", "sub mit", "ot ion", "( @", ".t est", "ĊĊĊĊ ĊĊĊĊ", "] ;čĊ", "Ġdirect ly", "Ġ\" %", "r is", "el ta", "A IL", ") {čĊ", "m ine", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠ", "( k", "b on", "as ic", "p ite", "__ _", "M ax", "Ġerror s", "ĠWh ile", "Ġarg uments", "Ġens ure", "R ight", "-b ased", "We b", "Ġ- =", "Ġint rodu", "ĠIn st", "ĠW ash", "ord in", "j oin", "D atabase", "Ġgr ad", "Ġus ually", "IT E", "Prop s", "? >Ċ", "ĠG o", "@ Override", "RE F", "Ġ ip", "ĠA ustral", "Ġ ist", "View ById", "Ġser ious", "Ġcustom er", ".prot otype", "od o", "c or", "Ġdo or", "ĠWITH OUT", "Ġpl ant", "Ġbeg an", "Ġdist ance", "() ).", "Ġch ance", "Ġor d", "c ame", "pr agma", "Ġprot ect", "rag ment", "ĠN ode", "en ing", "Ñ ĩ", "Ġr oute", "ĠS chool", "h i", "Ġne ighb", "A fter", "lic it", "Ġcon tr", "Ġpr imary", "A A", ".Write Line", "util s", "Ġb i", "R ed", ".L inq", ". object", "Ġlead ers", "un ities", "Ġg un", "on th", "ĠDe v", "F ILE", "Ġcom ments", "_l en", "ar row", "am ount", "R ange", "s ert", "Grid View", "Ġup dated", "ĠM o", "Ġin form", "oci ety", "al a", "A ccess", "Ġh ab", "Ġc reat", "_ arg", "ĠJan uary", "ĠD ay", "\") čĊ", "up le", "d ocument", "gor ith", "m enu", "ĠO ver", "b b", ".t itle", "_ out", "Ġle d", "ur i", "Ġ? >Ċ", "r un", "Ġsc ene", "( array", "de vice", "_t itle", "ag on", "] čĊ", "ab y", "Ġbe came", "bo olean", "Ġp ark", "ĠC ode", "up load", "rid ay", "ĠSept ember", "F e", "Ġs en", "c ing", "F L", "C ol", "ut s", "_p age", "in n", "Ġim plied", "al ing", "Ġyour self", ".C ount", "con f", "Ġa ud", "_in it", ". )", "Ġw rote", "N G", ". Error", "ä »", ".f or", "Ġe qual", "ĠRe quest", "Ġser ial", "Ġallow s", "X X", "Ġm iddle", "ch or", "à ¸", "erv al", ".C olumn", "read ing", "Ġesc ort", "ĠAug ust", "Ġquick ly", "Ġwe ap", "ĠC G", "rop ri", "h o", "Ġc op", "( struct", "ĠB ig", "Ġv s", "Ġfre qu", ". Value", "Ġaction s", "Ġpro per", "Ġin n", "Ġobject s", "Ġm atrix", "av ascript", "Ġon es", ".g roup", "Ġgre en", "Ġp aint", "ool s", "y cl", "enc ode", "ol t", "com ment", ". api", "D ir", "Ġun e", "iz ont", ".p osition", "Ġdes igned", "_ val", "av i", "ir ing", "t ab", "Ġl ayer", "Ġview s", "Ġre ve", "ra el", "ĠO N", "r ics", "n p", "Ġc ore", "() );čĊ", "M ain", "Ġexp ert", "ĉĉ čĊ", "_ en", "Ġ/ >", "ut ter", "I AL", "ail s", "ĠK ing", "*/ ĊĊ", "ĠM et", "_ end", "add r", "or a", "Ġ ir", "M in", "Ġsur pr", "Ġre pe", "Ġdirect ory", "P UT", "- S", "Ġe lection", "h aps", ".p re", "c m", "Val ues", "Ġ\" Ċ", "c olumn", "iv il", "Log in", "in ue", "Ġbeaut iful", "Ġse cret", "(e vent", "Ġch at", "um s", "Ġorig in", "Ġeffect s", "Ġman agement", "ill a", "t k", "Ġset ting", "ĠC our", "Ġmass age", "ĉ end", "Ġhapp y", "Ġfin ish", "Ġc amera", "ĠV er", "ĠDem ocr", "ĠH er", "( Q", "con s", "it a", "Ġ' .", "{ }", "ĉ C", "Ġst uff", "Ġ :Ċ", "ĠA R", "T ask", "h idden", "er os", "IG N", "at io", "ĠHe alth", "ol ute", "Ent er", "' >", "ĠT witter", "ĠCount y", "s cribe", "Ġ= >Ċ", "Ġh y", "f it", "Ġmilit ary", "Ġsa le", "re quired", "n on", "boot strap", "h old", "r im", "- old", "ĠD own", "Ġm ention", "cont act", "_g roup", "od ay", "Ġto wn", "Ġsol ution", "u ate", "ell ing", "] ->", "ot es", "ent al", "om en", "osp ital", "ĠS up", "_ EN", "Ġsl ow", "SE SSION", "Ġbl ue", "ag o", "Ġl ives", "Ġ ^", ". un", "in st", "en ge", "Ġcustom ers", "Ġc ast", "ud get", "ï¼ ģ", "ic ens", "Ġdeter min", "Se lected", "_ pl", "ue ue", "Ġd ark", "// ĊĊ", "s i", "ther n", "ĠJ apan", "/ w", "P U", "ĠE ast", "ov ie", "Ġp ackage", "Ġn or", "Ġap i", "b ot", "\" ];Ċ", "_p ost", "ul ate", "Ġcl ub", "') );Ċ", "Ġlo op", "PI O", "ion e", "sh ot", "In itial", "Ġplay ed", "reg ister", "rou ght", "_m ax", "ac ement", "m atch", "raph ics", "A ST", "Ġexist ing", "Ġcomple x", "D A", ".C h", ".com mon", "m o", "Ġ' ../../", "it o", "Ġanal ysis", "Ġdel iver", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ċ", "id x", "à ł", "ong o", "ĠEng lish", "< !--", "Ġcomput er", "EN SE", "Ġp as", "Ġr ais", "H ash", "Ġm obile", "Ġo wner", "F IG", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "th es", "Ġat tr", "w d", ".t ime", "aw n", "Ġtreat ment", "ĠA c", ". View", "im pl", "m ore", "p ass", "Ġh a", ".f rom", "Ġle ading", "FF FF", "( error", ". ui", "at ar", "ad ers", "d ates", "Ġz u", "Ġfl ow", "T arget", "Ġinvol ved", "Ġi o", "par se", "$ _", "he st", ". int", "- item", "as y", "S p", "Ġsh ift", "N T", "Ġt f", "_T R", ". web", "C S", "Ġ} )", "Ġey es", "_ z", "' );čĊ", "if orn", "Ġ{ @", "Ġn ice", ".l ist", "ĠĠĠĠ čĊ", "Ġf loor", "Ġred irect", "ĠU K", "( ['", "Ġw ish", "Ġcap t", "leg al", "ĠI O", "Ġst age", ". String", "ĠA fr", "ig en", "ĠS H", "De lete", "ell s", "Ġsol id", "Ġmeet ing", "Ġwork ed", "Ġed itor", "in y", "Ð ¼", "_ read", ". Id", "e ff", "Off set", "ch a", "US ER", "ĉĉ ĠĠĠ", "ipp ed", "Ġd ict", "ĠR un", ".h pp", "Ġan g", "x ml", "im ple", "Ġmed ical", "_t oken", "con nect", "Ġh our", "Ġcont roller", "_m essage", "U ID", "G r", "and ed", "_C H", "Ġbook s", "Ġspe ak", "am ing", "Ġm ount", "Rec ord", "ĉ struct", ".W eb", "ond on", "Ġ// Ċ", "Ġf elt", ".A uto", "id ge", "_p os", "P R", "Ġmod ern", "C ollection", "_m sg", "C D", "ĠL o", "Ġsecond s", "ib ly", ".e quals", "Ġintern ational", "# pragma", "oo th", "W riter", "i ate", "Ġce le", "ĠB it", "iv o", "iv ery", "r d", "HE CK", "Ġc ache", ".c ount", "Ġro ll", ".Re ad", "RE D", "Ġset up", "izont al", "model s", "arg v", "Ġconsider ed", "=\" ../", "set tings", "ĠR el", "Ġgrow th", "Ġm ix", "ĠWash ington", "Ġpl t", "ĠI M", "á º", "Ġturn ed", "ĠDate Time", "ĠW ed", "( url", "Ġ\" -", "Ġlet ter", "As ync", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠ", "ĠOct ober", "_l ine", "Ġatt ention", "Ġcol lect", "ĠH ash", "Ġim ag", "T ree", "Ġsit uation", "et te", "_n o", "IV E", "Ġv on", ".t arget", "Ġknow ledge", "Ġdr ive", ".p ost", "Ġb lood", "Ġc it", "pr imary", "Ġconfig uration", "te e", "Ġph oto", "is ode", "Tr ace", "Ġg ave", "Ġsh ot", "ĠA ir", "Ġm other", "pr ice", "Ġmor ning", ")) {Ċ", "- x", "Ġtr ade", "Ġdes c", "Ġ&& Ċ", "Ġparent s", "A pi", "å Ī", "t ed", "w er", "Ġ æ", "Ġs y", "ĠK e", "Par ser", "å ħ", "anc y", "Ġpie ce", "iforn ia", "to String", "r an", "id ing", "PT ION", "com es", "/ lic", ".c lient", "E l", "L ong", "Ġprofession al", "ru pt", "v a", "Ġcomplet ely", "Ġpract ice", "Ġse lection", "R em", "in i", "Ġc am", "RE E", "Ġsit es", "p a", "AT US", "Ñģ ÑĤ", "arr ant", "* (", "_ KEY", "ĠB utton", "ĠF riday", "se qu", "Ġre ader", "Ġm essages", "è ¯", "Ġbu f", "K e", "Ġn ov", "H P", "M sg", "al ign", "ar ily", "Ġ' ,", "_w ith", "Ġd as", "Ġhe ard", "at omic", "ri al", ") [", "Ġdis e", "@ end", "Ġg old", "Ġf air", "Ġsa les", ". Button", "str ict", "s ave", "Ġme asure", "Ġ\" +", "ec ause", "View Controller", "ĠT able", ".p aram", "Ġdec ided", "(( (", "IN FO", "Ġopport unity", "T e", "IC ENSE", "cc ording", "k i", "ĠU N", "Ġcont ain", "Ġman ager", "Ġp ain", "ĠF ire", "rom e", "Ġpl ans", "F ound", "l ay", "ĠDec ember", "Ġinfl u", "à º", "ren ch", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ġ", "az ing", "b rief", "c all", "wo od", "Ġload ed", "Ġgr and", "/ f", "im p", "_ U", "ST R", "âĢ ¢", "Ġcred it", ".C olor", "or ge", "QUE ST", "Ġdiffer ence", "ĠP C", "w args", "Ġp ub", "und ay", "Ġf ra", ".m ax", "Ġtri ed", "ann els", "s end", "Ġreport s", "Ġad ult", "ä º", "Ġcons ist", "ĠSt reet", "ĠPro gram", "S QL", "M atrix", "ounc il", "- A", "ĉ w", "Ġwho se", "Ġrel ig", "ĠS ex", "Ġg ives", "n one", ".m essage", "( G", ".aw t", "- right", "ĠNov ember", "ell ig", "ut ive", "Ä ĥ", "over n", "Ġeas ily", "Ġide as", "ĠÐ ½", "/c ss", "ly ing", "el le", "C an", "_c olor", "оР²", "Ġp air", "ng th", "Ġs plit", "d rop", "art y", "on a", "Ġcap ital", "Ġhe ar", "Ġex ists", "ĉ log", "em o", "R un", "o i", "Ġpar ser", "ĠM ethod", "Ġeduc ation", "[ k", "Ġlib rary", "> \";Ċ", "_ UN", "ĉ std", "od ed", "Ġcall s", "h ere", "R el", "Ġbr and", "back ground", "g a", "_add ress", "_param s", "C ategory", "ĠInd ia", "_e vent", "Ġ ing", "R ender", ".c l", "ump y", "Ġp et", "F C", "ĠA nt", "Ex t", "Ġchar ge", "en ed", "gr ad", "E O", "Ġdep end", "Ġ .ĊĊ", "fr ame", "Ġd f", "Ġh uge", "ĠP ART", "ed s", "; ;", "ĠA M", "Ġbas ic", "ĠL et", "lic h", "Ġar m", "Ġst ar", "Ġf ederal", "W ork", "Ġcar ry", "ĠIs rael", "( obj", "={ {", "Ġs aved", "Ġs yn", "Ġconst ant", "V ENT", "Ġpos itive", "Ġcon duct", "Ġsk in", "Ġear lier", "Ġl ayout", "ĠI P", "O UR", "Ġt im", "styles heet", "_ cl", "ĠC ard", "++ ){Ċ", "Ġtem per", "ĠDav id", "ĉ try", ".d art", "Ġwant s", "Ġp icture", "Ġv ideos", "ĠCom m", "is ions", "_M AX", "M apping", "- content", "ĠE ar", "- de", "Ġpre m", "br uary", "Ġcom ponents", "Ġthrough out", "Ġp ull", "Ġp ages", "ent e", "res pond", "Ġg as", "cript or", "Ġed ge", "Ġb ound", "A CT", "**** **", "Ġcre ating", "ĠC H", "Ġnull ptr", "B r", "+ '", ".c o", "> ::", "Ġle arning", ".L ength", "_S H", "Ġpat ients", "A IN", "Ġk ids", "Ġcom fort", "Ġsh own", "ug ins", "ĠB ack", "ell a", "_C L", "Ġl at", "Ġdis patch", "Ġclass es", ". at", ".b egin", "Ġsuccess ful", "b an", "Ġobt ain", "ĠS l", "Ġl ack", "iter ator", "Th read", "(s ize", "Ġn one", ".h as", "_ X", "s ort", "n ap", "p et", "b in", "ĠCan ada", "The y", "Ġd ans", "ĠM at", "< td", "Ġh air", "Ġ' ',Ċ", "Ġc u", "Ġlaw s", "let ed", "p ed", "Ġp ow", "Ġk new", "_C OM", "_ ,", "ĠM ag", "id ents", "( req", "Ġ ),", "- center", "Ġw ide", "ĠA uthor", "st ants", "Ġjob s", "Ġm ath", "et imes", "Bo olean", "Ġs cope", "_ is", "Ġme as", "Ġkey s", "el ay", "Ġexact ly", "'=> '", "ĠP aul", "m as", "ĉ print", "(l en", "f d", "Ġ) ;", ". Event", "q li", "ir it", "ield s", "om an", "ĠT op", "Ġv ote", "Ġm ask", "Ġthem e", "- Ċ", "Ġpro ps", "Ġf ine", "Ġwrit er", "_ offset", "c ar", "Ġal tern", "Ġc opyright", "Ġdest roy", "pp er", "Ġgener ate", "pp ed", "âĢĻ d", "ĠĠĠĠĠĠ Ċ", "m ake", "ĠSh ow", "Ġb rowser", "Ġfavor ite", "Ġcare er", "Ġhappen ed", "( char", "Ġrecomm end", "Ġl iter", ".f ilter", "gr ade", "Ġ £", "Ph one", "om s", "Ġn amed", "- label", "ip o", "ĠO ther", "Ġp anel", "Ġro ck", "S cale", "ĉ assert", "Ð ´", "Ġtr ust", "fr ont", "Ġdem on", "A r", "N et", "Ġecon omic", "foot er", "Ġr ace", "(n ode", "ĠO ption", "s plit", "Ġphys ical", "if est", "Ġrem oved", ". http", ")) ,Ċ", "Ġlook ed", "' ;", "d ing", "g est", "atur day", "/lic enses", "Pr ice", "Ġd ro", "Ġto wards", "Ġun s", "ĠC L", "ĉ static", "Ġ rows", "Ġdef ine", ".re place", "Ġf ather", "ĠDes ign", "ass ign", "m ut", "De vice", "D id", "') )Ċ", "omet ry", "ay load", "Ġh istor", "ĠP aram", "ĠBo olean", "Ġn ature", "Ġj s", "Ġn ation", "i h", "Ġdis cover", "se m", "Hand le", "ĉ r", "ĠTe chn", "Ġw all", "{ $", "@ property", "Ġ\" ../", "Ġex am", ".d raw", "opp ing", "Ġnear ly", "Ġco ol", "Ġinde pend", "RE S", "Ġhand ler", "ĠMon day", "Ġs un", "St yles", "ous ly", "Ġ ĉ", "v est", "D isplay", "( y", "atic ally", "Ġpred ict", "y ing", "Ġsom etimes", "\" ]Ċ", "Ġdr ink", "Ġb ul", "ific ations", ". insert", ".re g", "Ġtest s", "Al ignment", "Ġal leg", "Ġat tribute", "ĠN ote", "Ġmy self", "art s", "N ow", "Ġinterest ing", "li ents", "Ġpop ulation", "ĠCal ifornia", "\" I", "å ¹", "Ġgre ater", "ues day", "Ġth ous", "Ġcost s", "Ġla unch", "\\ Http", "k er", "b and", "ĠPl ay", "Ġb and", ".sh ape", "es ome", "art icle", ".r f", "Ġw er", "á s", "em bers", "us r", "B A", "ic an", "et t", "valid ate", "ult i", "Ġimmedi ately", "z er", "Ġfig ure", "o es", "ell er", "irc le", "ĠS ign", ".d b", "Ġr ank", "By tes", "Ġproject s", "_re c", "UL AR", "A PI", "ĠL ine", "P ort", "Ġp oll", "Ġg iving", "id ence", "-- Ċ", "Ġpl ot", "ic ial", "Ġw arrant", "IT ION", "ĠD ouble", "Ġbill ion", "gorith m", "Ġequ ipment", "D ATE", "Ġ@ \"", "E E", "Ġp le", "i ation", "Ġhead ers", "Ġpro ced", ".Component Model", "ĠOb ama", "Ġp a", "ĠB est", "im ately", ".get String", ". \\", "mp loy", "Ġr aw", "_b lock", "und red", "\" },Ċ", ".Group Layout", "Ġb rought", "NS String", "th row", "cre ated", ".N ew", "_ view", "C P", "ep s", "O p", "Ġgr atis", "Ġ' \"", "Ġinter view", "\"\" \"Ċ", "Ġpart ial", "Ġa ria", "b ing", "A uthor", "Bo ok", "ĠP at", "um an", "Us ers", "pl us", "ĠD irect", "ven ue", "al pha", "UC CESS", "ĠC all", "Ġ );čĊ", "im ated", "Ġrem ain", "Ġant i", "ĠL ondon", "Ġsaf ety", "PO SE", "o les", "cont roller", "By te", "ĠCour t", "ĠPh il", "ĠAss oci", "en a", "å IJ", "_ST R", "co in", "resh old", "Ġb atch", "_C lick", "entic ation", "> ';Ċ", "ent y", "Ġbegin ning", "Ġz ero", "ĠCon vert", "Ġt err", "Ġp aid", "Ġincre ased", "c atch", "-s ize", "act ivity", "e quals", "Ġque ue", "Ġ\" '", "ĠIntern ational", "Ġf ür", "urs day", "Ġsc ient", "all ow", "ax is", "Ġapp ropri", "ed ge", "Ġid x", "S uccess", "ent ifier", ": \\", "x is", "Ġmax imum", "ark s", "Ġb irth", "( index", "Ġmay be", ".p y", "file s", "Ġlim ited", "_ check", "lo ok", "pl ies", "Ġmov ement", "'] .", "Ġbro ad", "ĠB E", "ĠUn ityEngine", ".c pp", "ĠE very", "Ad min", "Ġf ans", "p ared", "Ċ ĠĠĠĠĊ", "Ġfore ign", "Ġp an", "Ġt our", "ĠOr der", "Ġmov ing", "Ġa uf", "C all", "c b", "Å Ł", "vent ory", "ĠS ql", "Ġful ly", "Click Listener", "W ORD", "Ġannounc ed", ") čĊčĊ", "Ġagre ed", "ri e", "Ġe arn", "_l ink", ". array", "(t ext", "Ġmaterial s", ", p", "ff ff", "v g", "Ġ ©", "Ġun less", "aj ax", "LO G", "Ġsex ual", "Ġ\\ \"", "- time", "Ġco ach", "Ġsupport ed", "Ġphot os", "if orm", ".C reate", ") ]", "ri er", "Ġd ialog", "av er", "ig e", ") +", "_id x", ": [", "_m in", "ĠC ong", "Ġpress ure", "Ġteam s", "S ign", "b egin", "ri an", "NE SS", "L S", "Ġimpro ve", "ĠS unday", "Ġdef inition", "ig er", "roll ers", "Ġthink ing", "T emplate", "- F", "Ġem erg", "pl ates", "ĠUS A", ".set State", "ĠAl so", "re v", "Ġen able", "ĠC O", "PE CT", "Ġcon cept", ") -", "ĠâĢ ¢", "Ġset s", "Ġmean ing", "em on", "ĠCon s", "c mp", "ed er", "ann ed", "icens ed", "ĠS uper", "Ġd aily", "Ġmult i", "_ u", "Ġchall eng", "_m ode", "ĠP romise", "Ġstr ict", "j o", "int on", "( list", "On ly", "> {", "Ġveh icle", "í ķ", "ĠPl ayer", "ĠD el", "Ġp ool", ". url", "nes day", "();čĊ čĊ", "Ġ\" );Ċ", "L ocal", ". \");Ċ", "Ġorgan ization", "re nder", "ĠApp lication", "Ġsum mer", "ex pected", "N A", "Ġr ap", "_ obj", "Ġsur face", "ĠP UR", "Ġ}, ĊĊ", "Ġvariable s", "(m essage", "Ġop in", ".b ack", "а н", "Ġwork ers", "v m", "C o", "ught er", "Ġm aster", "Ġ\" \",", "Ġst ories", ". User", "Ġcele br", "ines e", "B S", "ĠCom mand", "ash board", "Ġo g", "k g", ". image", ".st yle", "Ġstep s", "ĠB en", "( args", "ĠP erson", ", y", "Ġofficial s", "| Ċ", "Ġsk ills", "v c", "Ġbuild er", "Ġg ar", "A ccount", "ĠA uth", "ç Ķ", "'] )Ċ", "ĠA T", "n n", ". Int", "SS ERT", "Ġeffect ive", "LE TE", "Ġto ols", "AR D", "Ġdig ital", "D ouble", "ĠF ind", "R C", "Ġin line", "/ r", "AR AM", "AS K", "Ġint ent", "a ight", "_add r", "Ġrequest s", ".f irst", "Ġde bug", "Ġsp ent", "() ));Ċ", "Å Ľ", "Ġpr incip", "Log ger", "clud es", ". use", "Ġsur v", "med ia", "ĠFe bruary", "ĠM ac", "Ġmiss ing", "Ġw ife", "Ġtalk ing", "ĠM ake", "Ġc art", "Ġloc ated", "E nc", "- a", "ch ron", "Ġc ards", "Ġgu y", "Ġp ers", "ĠY es", "ate ver", "ĠA ng", "ol ar", "ĠE ven", "Ġacc ur", "ĠP ower", "ĠG old", "c lear", "Pro cess", "Ġrec ords", "Ġk illed", ".c lear", "ĠWARRANT IES", "Ġpur pose", "pan el", "J ECT", "ÃŃ a", "Ġex erc", "W S", "/ L", ". exports", "Ġ__ _", "Ġs in", "S ervlet", "Ġd é", ".de lete", "ro ke", "S l", "ug h", "ear s", "Ġpoint er", "Ġh op", "all ery", "Ġo bs", "co very", "ĉ char", "ĉĉĉĉ ĉĉĉĉĉĉ", "ĉ def", "oc ity", "itch en", "ul ations", "ĠF IT", "Ġ ).", "straint s", "vent ion", "Ġrequ ires", "ĠO per", "M E", "OUN T", "al let", "Ġn orm", "I RE", "ex as", "Ġprogram s", "Ġwe ak", "' .$", "u ing", "ĉ ĠĠĠĠĠĠĠ", "Ġm il", "Ġf irm", "init ely", "_VAL UE", "ap se", "atis f", "Ġdem and", "_m od", "Ġdescri bed", "Ġpl aces", "V ID", "Ġal one", "Ġex port", "Ġv ec", "ĠM ax", "Ġactiv ities", "ict ures", "g ener", "Ġm a", "Ĥ ¬", "Ġexpress ion", "C allback", "_ content", "ĠM ost", "Ġtest ing", "E C", "CH ANT", "Ġad just", ".Th reading", "( ctx", "Ġag ree", "ig hest", "Ġu i", "ĠL aw", ". Y", "> ĊĊ", ".ex ample", "ber g", "Ġmov ed", "ĉ e", "ĠS aturday", "Ġpay load", "Ä ĩ", ") :ĊĊ", "Ġbe y", "ur er", "< script", "Ġs ymbol", "Ġass um", "Ġp ul", "E ffect", "Ġh undred", "To ol", "ak ed", "con nection", "Ġvo ice", "Ġp d", "Ġtrans action", "Ġlink s", "E rr", "ĠInd ian", "T C", "atal og", "n i", "s ign", "<< \"", "j i", "y a", "Ġdemon str", "ul ated", ". St", "Ġinst it", "Ġbo ost", "Ġcell s", "ol ic", ".P ro", ": ,", "\"> \\", "Ġth us", "ĠReg ister", "h ol", "ĠCh inese", "Ġpost ed", "Ġm agn", "ab ilities", "Ġdise ase", "Ġrem ains", "ĠPro f", "- form", "Ġc in", "org an", "ic ate", "Ġst ress", "] *", "Ġ ----------------------------------------------------------------", "_ context", "or ry", "Ġd ied", "m at", "Ġstart s", ".M essage", "Ġrun s", "Ġgu ide", "Ġwarrant y", "ential s", "d ict", "ĠS ize", "ul er", "Ġrespons ible", "_SE T", "Ġcont aining", "ĠPr ice", "| |", "F S", "Ġem p", "_b utton", "( uint", "Ġsu ff", "p th", "Ġdef initely", "put e", "Ġmarket ing", "ĠW H", "ĠS ie", "+ =", "OL OR", "Ġcons ult", "Ġs igned", "Ġse quence", "le e", "Ġrequire ments", "h y", "Ex press", "M T", "se y", "Ġ ult", "å ®", "ellig ence", "Ġanal y", "Ġd ress", "eng ine", "ĠG reat", "ĠAnd roid", "ĠA lex", "m ode", "D ictionary", ".D ate", "ä ½", "V ICE", "Ġfam ilies", "ĠRuss ian", "ĠT imes", ".c all", "$ (", "Pro file", "Ġf older", "ch es", "Ġleg is", "_ row", "un es", "Ù Ħ", "Ġ} ).", "Ass ert", "ag en", "ĠH and", "I ter", "Ġbig gest", "ore ach", "Ġpol ic", "Ġper missions", "Ġshow ed", "ĠE lement", "Ġtop ic", "âĢĶ âĢĶ", "ro ad", "ĠB ank", "rec ord", "Ġpart ners", "ĠR ef", "ess ions", "Ġass ess", "U ST", "ĠPart y", "pro du", "L C", "Ġ ul", ". form", "h ide", "c opy", "UT F", "ĠSO FTWARE", "čĊčĊ čĊ", "ĠL in", "un a", "ug ar", "Ġadmin istration", "Ġopen ing", "Ġsc an", "Ġcontin ued", "com ponent", ".s p", "Ġhapp ens", "um my", "ĠP R", ".F ile", "ĠDown load", "Lo ading", "d i", "Ġwait ing", "_A DD", "T ab", ".query Selector", "Ġecon omy", "ĠF rench", "t xt", "Ġf ant", "_ ;Ċ", "H older", "S H", "Ġn umpy", "Ġst reet", "Ġm ale", "\\ Model", "ang ing", "ĠB ill", "Ġprevious ly", "B I", "ĠSec ret", "Ġm ist", "ĠF ield", "up s", "ĠPro cess", "Ġke pt", "ĠO T", "Ġtrad itional", ". i", "am in", "Ġhelp s", "An y", "orig in", "ilt ers", "j u", "d esc", "ĠA ccount", "Ġ) čĊ", "k top", "ol ly", "Ġf s", "Ġ ê", "Ġ ut", "Ġcent ral", "(t est", ".A n", "Ġs atisf", "G R", "ĠF ull", "Ġhe at", "ib er", "Ġon to", "m os", "S chema", "Ġfact ory", "\" .$", "aw s", "St atement", "(t arget", "ĉ new", ".b e", "Ġg uest", "Ġm al", "AR Y", "Ġre ached", "Ġm ouse", "Ġchall enge", "ĉd ouble", "ĠT em", "Ġt error", "Ġex tract", "_T O", "Ġsepar ate", "Ġm ir", "h elp", "Ġcap acity", "ĠProp erty", "k an", "_c reate", "ĠL ight", ".p arent", "Ġunderstand ing", "Ġeas ier", "Ġ| =", "Ġen h", "Ġf at", "Ġprot est", "am m", "_ AT", "- of", "il s", "ĠO h", "Ġps ych", "Ġ$ .", "ind s", "Ġrel ative", "sh op", "sh ort", "ĠS and", "uest ion", "Ġf ear", "/ ĊĊ", ". context", "Ġschool s", "Ġser ve", "z one", "_d b", "Ġmajor ity", "ex ample", "Ġl ang", "ĉ ĠĠ", "Reg ister", "end o", "Ġprocess ing", "_t emplate", "- user", "Ġe g", "C OM", "ĠBl ue", "i ro", "Ġrem ote", "ĠI T", "#! /", "Ġred istrib", "ra z", "ĠS ince", "ĠT ur", "Back ground", "== =", "Ġref lect", "Ġpro s", "c md", "Ġwh om", "Com pat", "ĠA re", "Id entifier", "ĠTh om", "_ port", "g u", "Ġmon itor", "r m", "Ġpat ient", "ver ter", "Ġg ain", "- ui", "In st", "Ġd ies", "A rea", "_f ilter", "Ġgr at", "Ġreal ity", "ord inate", "ol ved", "Cont act", "Ġcompl iance", "_ or", "ĠV ar", "d l", "Ġapp end", "G ER", "(m ax", ".re nder", "Ġd ynamic", "ordin ates", "_ options", "_c olumn", "Ġb atter", "s pace", "L a", "ĠS ource", "/b in", "Ġd os", "ĠBo ard", "ĠTh read", "ĠA L", "( config", "ĠM er", "Ġm iles", "_ header", "ETH OD", "iz z", "Ġbenef it", "Ġinteg r", "(c urrent", "ul o", ". default", "ĠD iv", "Ġt on", "o th", "erv ation", "ed om", "Ġb aby", "ce ived", ".t op", "rior ity", "ĠL ocal", "ri age", "Ġattack s", "Ġh ospital", "Ġfem ale", "ĠLog in", "ĠFl or", "Ġch ain", "ash ion", "Text ure", "S ave", "Ġf arm", ".cont ains", ".T est", "Ġknow s", "Ġgener ally", "ip eline", "Ġme ant", "enc ia", "Ġn icht", "Ġcont ents", "P M", "ched ule", "( line", "C G", "j ob", "ĠRe al", "u er", "f irm", "Ġ Ø", "et ro", "\" `Ċ", "Ġspe ech", "Ġth r", "fore ach", "Ġw arn", "ĉ l", "Ġhe avy", "< li", "N e", "Ġinvestig ation", "M ath", "- title", "Ġch urch", "Ġdes pite", "ch ain", "Ġwh atever", "ar ian", "f n", "Ġm eta", "} )ĊĊ", "U FF", "Ġregard ing", "_S UCCESS", "m es", "ĠInt ent", "Ġres olve", "pos s", "ir a", "for ce", "o ice", "à ¢", "Ġp m", "Ġup dates", "A rr", "Ġ Ñ", "test ing", "Ġto ward", "nt ax", "ë ĭ", "Ġlist en", "Ġgo als", "Instance State", "D r", "Ġr are", "Ġtr ail", "Ke ys", "C al", "C ar", "ĠPe ople", "ĉ local", "class es", "Re ference", ".for Each", "em b", "act iv", "Ġpr im", "red ict", "Ġr ad", "æķ °", ".B ack", "Ġsp read", "Ġc lock", "Ġv ir", "ed itor", "Ġeffort s", "Ġbr anch", "Ġind ust", "Ġmot or", "Ġam b", "Ġdat etime", "Ġren cont", "ĠChrist ian", "ĠAmeric ans", "f ull", "Ġf mt", ".m ain", "Ġca used", "_ update", "ĠCont ent", "AT CH", "Ġb ath", "ĠE ach", "Ġr adio", "ach ment", "uz z", "Sub mit", "Ġre strict", "ab in", "ĠL oad", "Ġext ension", "Ġess ay", "Ġh at", "avi our", "to Be", "\": [", "Ġoffer ed", "Ġv ill", "(d ouble", "æĹ ¥", "b c", "_f ree", "ĠM iss", "ĠB er", "Ġ è", "ĠL ike", "Ġhelp ed", ".get Name", "_ AL", "Ġsp irit", "ĠAp ache", "w s", "Ġthere fore", "( params", "_ img", "Ġpe ace", "Ġinc or", "ĠEX PECT", "Ġmin or", "ip es", "ĉ data", "select or", "c ity", "tr ie", ".b ase", "_f rame", "Ġopen ed", "/ json", "L Y", "n u", ".D e", "t f", "m argin", ".P arse", "Ġp i", "Ġe q", "b d", "Field s", "ĠT ree", "Ġb an", "ist an", "Ċ ĠĠĠĠĠĠĠĠĊ", "ĉg l", "Ġprodu ced", "s ystem", "M ark", "_h ash", "Ġb g", "Ġconst it", "ĠLe ague", "Ġmiss ion", "_ format", "([ Ċ", "clus ion", "! \"", "Ð ·", "b reak", "ĉs witch", "Ġth er", "Trans form", "Ġfoot ball", "- link", "r oute", ". auth", "Ġb ag", "ov ers", "Ġen abled", "Ġr ac", "( I", "C R", "anc ing", "Ġman aged", "_ q", "NG TH", "Ġm ac", "ĠA uto", "ament e", "Ġ' ',", ".App end", "Ġp in", ". item", "ack ing", "Ġocc as", "p erson", "Ġt i", ".Re g", "Ġh aven", "Ġg lass", "Ġ\" )", "_ char", "res ource", "Ġep isode", "Ġ' _", "ĠE s", "ĠEar th", "Âł Âł", "UP DATE", "ĠS ou", "u is", "t ypes", "Ġm as", "Ġf av", "Ġcon struct", "_r ate", "er as", "Ġ| Ċ", "rop erties", "Ġext ernal", "Ġap plied", "Ġpre fix", "ot ed", "l ers", "Ġc old", "ĠS P", "ĠCh urch", "ĠOut put", "los ed", "ç ļ", "ific ate", "oper ation", "her it", "x FF", ". env", "_ err", "os h", "D irection", "C ancel", "ĠFr ank", "Ġfind ing", ". )ĊĊ", "Ġr outer", "ãĥ »", "s es", "Ġc row", "== '", "Ġs and", "Ġr id", "it ure", "Ġent re", "Ġo bserv", "Ġv ac", "ð Ł", "- T", "A rt", "n ight", ". search", "Ġex change", "Ġdistr ict", ". os", "Ġdep artment", "Ġdoc uments", "Ġcent ury", "ĠN ext", "H ost", "ĠK IND", "Ġsus p", "- P", "re nd", ". em", "u ite", "ist ers", "( json", "ĠAn n", "w t", "at i", "ĠHT ML", "wh en", "D irectory", "Ġsh ut", "< a", "ed y", "Ġhealth y", "Ġtemper ature", "ĠG en", "Ġmet al", "Ġsub mit", "ĠD O", "Ġat tract", "Ġ{ };Ċ", "ĠW ord", "Ġl l", "Ġseem ed", "k o", "I ED", "Ġl abor", ".Cont ext", "Ġas set", "y ou", "Ġc ars", "ĠC olumn", "Ġr é", "Ġs quare", "ĠNS String", "âĢĿ ,", "ap es", ".. .Ċ", "Ġthan ks", "( props", "Ġt ick", "Ġexper iment", "Ġpr ison", "t ree", "- text", "ĠIO Exception", "-w idth", "_ST ATUS", "f ast", "-b ody", "- header", "Ġgu ar", "cre te", "ĠT im", "Ġclear ly", "ĠRepublic an", "Ġjust ify", "и ÑĤ", "ĉ ĠĠĠĠ", "c ache", "; //", "Ġpres ence", "Ġfact ors", "Ġemploy ee", "] ))", "M ember", "Ġselect or", "b or", "ĠM ex", "çļ Ħ", "ut ex", "_t ag", "ail ure", "ĠN et", "Ġre li", "E G", "Ġf printf", "Ġte en", "lo ss", "Ġle aving", "De legate", "Ġbe at", "Ġmin ute", "sub scribe", "Ġredistrib ute", "Con stants", "Ġcan cer", "/ {", "B L", "Ġs pan", "ĠCh ild", "C enter", "Ġear th", "Y S", "ĠLe vel", "Ġse a", ".s upport", ".in ner", ". Item", "ill ing", "ĠĠĠĠĊ ĠĠĠĠĊ", "ĠL abel", "ĠE st", "( arg", "bo Box", "ĉf oreach", "c os", "F ailed", "sw ers", "Ed itor", "r ont", "ĠM P", "ex pr", "ĠL ife", "Ġ? ?", "ö r", "Ġatt end", "ĠQ ue", "Ġspec ies", "- D", "Ġa us", "Str uct", "Ġadvant age", "ost on", "-b lock", "in itial", "C RE", "Ġtr uly", "Ġcomp are", "or ney", "Ġs pect", "F ull", "b es", "Ġvis ible", "Ġm ess", "st ances", "Ġcl oud", "_v ersion", "Ġf urn", "ic ago", "LO W", "Ġtraff ic", "Ġf ol", "rypt o", "Ġdecl ar", "Ġsl ot", "ĠEx t", "ĠEng land", "ĠU nder", "Ġt a", "let ter", "Ġoffic er", "ĠDon ald", "Y es", "_ json", "IT ableView", "ĠU SE", "mploy ee", "Ġopin ion", "ĠA ut", "b order", "Ġad vice", "Ġautom atically", "is co", "Ġm m", ". vis", "am l", "Ġinitial ize", "Ġ( {", "Ġ ;ĊĊ", "Ġgener ation", "Ġb its", "clip se", "Ġun f", "ut ors", "pl t", "Ġdel ta", "est roy", "is is", "< br", "Ġlimit ations", "Ġend ed", "ĠM ad", "il m", "Th ese", "ĠMin ister", "Ġch art", "F ragment", "Ġindepend ent", "Y ear", "Ġin str", "Ġt ags", "A VE", "ĠAr ch", "st op", "Pro gress", "Ġm i", "Ġlearn ed", "G e", "Ġhot el", "S M", "T YPE", "Ġc y", "ERS ION", "un ately", "l imit", "s el", "Ġmov ies", "Ġste el", "o z", "g b", "ĠC amp", "s ite", "ĠLog ger", "P LE", "оР´", ". right", "ĠC ore", "Ġm ixed", "st ep", "Ġput s", "s uper", "R outer", ". Http", "ly ph", "ĠColor s", "Ġandroid x", ". str", "Ġinn ov", "Ġde ck", "' >Ċ", "ap ers", "] (", "cont inue", "s pec", "ĠR oad", "AS H", "ili ar", "Ġcontin ues", "Ġapp oint", "Ġ# Ċ", "ĠV ir", "Ġ?> \"", "Ġb in", "} \",", "go ing", "e ach", "B D", "ĠA ccess", "D oc", "ĠMan agement", "B ER", "ask et", ".get Instance", "Ġestablish ed", "so cket", "IN S", "ĉv irtual", "ĉ result", "RE AD", "_ height", "ĠF ont", "Ġ( );Ċ", "_ html", "Ġneighb or", "l or", "Ġg ather", "Ġ} )ĊĊ", "Ġid entity", "Ġf ab", "p adding", "ĠR oute", "Enumer able", "à ´", "Ġfor ced", "/j query", ".ĊĊ ĊĊĊĊ", "res ents", "_ left", ".P aram", "ĉ throw", "ĠH am", "Ġevent ually", "ac er", "p ub", "Ġtr a", "un ique", "d el", "ĠFlor ida", "ĠC lean", "x a", "Ġ ·", "Ġvalid ate", "Vis ual", "Ex pression", "_f unc", "m ember", "ĉ h", "tr l", "ĉ G", "nap shot", "ĠProp Types", "v in", "] )ĊĊ", "ow l", "if ies", "Ġ$ ('.", "ĠCont ext", "ĠTo ast", ". Key", "Ġoffic ers", "/ n", "s n", "und efined", ". items", "ut ow", "am age", "Ġaccount s", "ook ie", "Se ction", "ici ans", "Ġad vis", "( is", "[: ,", "ĠFr ance", "F unc", "ic ious", "Ġto k", "Ch annel", "ĠA D", "_N UM", "Ġtime out", "lem ma", "rem e", "u j", ".A l", "uc lear", "( os", "(\" <", "[ Ċ", "f etch", "Ġb al", "Ġgu id", "- align", "ĠW rite", "ĠOn ce", "utow ired", "OD ULE", "Ġp itch", "C F", "by tes", "ĠCom mission", "Ġincre d", "P ER", "_ response", "ĠL os", "par ser", "Ġass ume", ". Request", "ĠT oken", "_p osition", "Ġn om", "- term", "Ġrem aining", "i ostream", "Ġpie ces", "ap y", "ĠL ess", "r ange", "umb n", "pr ise", "_ option", "Im pl", "k wargs", "Ġbusiness es", "Al ert", "Ġpart ies", "ĠCont ainer", "ĠPr ivate", "ĠPl an", "Ġregister ed", "Ġj our", "ack er", "ен и", "/ >", "ch at", "se ct", "Ġcre ation", "olut ely", "Ġinst ant", "Ġdel ivery", "ick en", "y es", "ĠFr anc", "bl ing", "end a", "[ (", "_r ange", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠ", "Ġsched ule", "Con n", "Ġthan k", "x d", "Ġh ook", "Ġdocument ation", "Param eters", "H ello", "v t", "Ġart icles", "Ġw est", "def ined", ". select", "ok ens", "ĠV AL", ".f ile", "res et", "Ġmy s", "ĠM A", "] ),", "Ġc ities", "rel ated", "å Ľ", "Ġappe ared", "Ġw id", ".p anel", "ĠIn s", ". entity", "Ġde cre", "ĠL ou", "(t ime", "ĠTh ank", ".create Element", "Ġmention ed", "oun ce", "ĠT ry", "ĠW all", "/ images", "ĠM enu", "' čĊ", "ĠE r", "Ġcrit ic", "ĠY ear", "( param", "Ġf lo", "N N", "oot er", "Ġ ];Ċ", "ĠA ff", "\" github", "room s", "Ġh yp", "g lobal", "Ġa vec", "æľ Ī", "Ġcomplet ion", "Ġcon d", "onym ous", "( temp", "Ġst ars", "Ġre levant", "Ġcover ed", "Ġel im", "_t ypes", "( bool", "Ġt u", "_ex ists", "Ġsec ure", "Ġst ored", "] /", "x F", "ĠCont roller", "Ġm igr", "M I", "ĠD en", "Ġann ual", "U IL", "- and", "Ġcr ime", "b el", "Ġk itchen", "@ g", "_p h", "ourn ament", "ĠS ocial", "ĠS pecial", "log ger", "Ġt ail", "Ġun known", "d ed", "Ġapp rec", "(d b", "c f", "Ġass ign", "- out", "ĠM ont", "d p", "w idget", "Ġst one", "- primary", ". grid", "Result s", "az z", "Ġda ughter", "Ġcur r", "Ġl in", "Ġs outh", "form s", "ĠO UT", "let te", "ak s", "ig ure", "ĠE U", "var iable", "Ġb rief", "ĠSc ott", "Ġcon ference", "and a", "_ lock", "or al", "Ġe ine", "OR S", "//////////////////////////////// ////////////////////////////////", "ess o", "Ġr is", "Ġg ender", "est ic", "L icense", "( out", "Ġm s", "Se e", "Ġwill ing", "az e", "Ġs ports", "Ġy es", "l u", "Ġp urs", "/j avascript", "- pro", "nav bar", "_pro duct", "/ bootstrap", "Ġdr iving", "Ġ Ä", "Ġpro pos", "ult ip", "up lic", ". email", "Ġappro x", "( cl", "Ġwe ar", "Ġrep ly", "ass et", "Ġ ice", "Ġt x", "k r", "ĠGerman y", "ĠGe orge", "Ġc b", "ĉ err", "M ove", "Ġpol y", "vo ice", "} \"", "Ġan imal", "A v", "ĠL ocation", "Ġn ative", "] [\"", "< double", "Ġm ais", ", int", "Ġpre par", "Ġinter val", "plement ation", "_ ERR", "Ġb ug", "> \"", "st at", "Ġ} ,čĊ", "< span", "Ġfa ith", "Ġ rom", "pre v", "ĠE lect", "F ind", "Ġg od", "ot or", "// ----------------------------------------------------------------", "orig inal", "C pp", "ĠSen ate", "Ġposition s", "Ġweap ons", "Ġco ff", "Ġpur poses", "p ol", "Ġim press", "Ġanim als", ". Entity", "(n p", "Ġmur der", "Ġ` `", "fl ag", "Ġsol utions", "ĠAct ive", "Ġb right", ".d ate", "Ġsit u", "ï¼ Ī", ". ID", "Ġs ie", "), čĊ", "ak t", "S pace", ".d at", ".index Of", "h an", "az ine", "ĠZ e", "Ġcr ash", "( /", "> =", "Ð ±", "iv a", ".Auto Size", "ĠL at", "_ ext", "Initial ize", ".reg ister", "OP Y", "Ġre verse", "_d is", "'] [", "Ġprom pt", "ont o", "ĠJ ournal", "r outer", "Ġmys qli", "# else", ") \"", "-x s", "let s", "ph an", ". LE", "W ill", "Ġaff ord", "Ġsk ill", "-t oggle", "N C", "B ind", "T S", "J ust", "iter al", "Y P", "ĉ unsigned", "Ġw ind", ")) :Ċ", "Ġw arning", "ĠW ater", "Ġd raft", "Ġc m", "Ġs am", "Ġhold ing", "z ip", "ĠSc ience", "Ġsup posed", "G en", "Ġdi et", "< h", "ĠP ass", "v i", "Ġhus band", "� �", "n ote", "ĠAb out", "ĠIn stitute", "Ġcl imate", ".Form at", "Ġn ut", "est ed", "Ġapp arent", "Ġhold s", "f i", "new s", "C M", "v ideo", "': '", "D ITION", "p ing", "Ġsen ior", "w a", "-- >Ċ", "_ default", "ĠD atabase", "re p", "E SS", "ner gy", ".F ind", "_m ask", "Ġr ise", "Ġk ernel", ":: $", ". Q", "Ġoffer ing", "de cl", "ĠC S", "Ġlist ed", "Ġmost ly", "eng er", "Ġblock s", "ol o", "Ġgover ning", "\\ F", "Ġcon cent", ".get Text", "Ġm b", "Ġocc urred", "Ġchang ing", "Sc ene", "_C ODE", "B eh", "\" The", "Ġt ile", "ĠAssoci ation", "ĉ P", "al ty", "_ ad", "od ies", "i ated", "Ġpre pared", "poss ible", "Ġm ort", "TE ST", "Ġign ore", "Ġcal c", "Ġr s", "Ġassert Equals", "Ġs z", "ĠTH IS", ". \"Ċ", "Ġcan vas", "j ava", "Ġd ut", "VAL ID", ".s ql", ". input", "Ġa ux", "S up", "Ġart ist", "V ec", "_T IME", ".string ify", "et ween", "ĠC ategory", "Ġ[ -", "ĠDev Express", "ĠJ ul", "Ġr ing", ". ed", "Y Y", "L et", "Text Field", "Ġfl at", "_p rint", "ĠOT HER", "ad ian", "Ġcheck ed", "e le", "Al ign", "stand ing", "Ġ[ ],", "Ġl ab", "uck y", "ĠChrist mas", "( image", ".m odule", "Ġl ots", "Ġslight ly", "(f inal", "er ge", "è ¿", "ĠPol ice", "ĠR ight", "Ġaw ard", "ĠO S", "Ġ{ }ĊĊ", "Ġp tr", "ov es", "ic ated", "еР¼", "Ġman age", "olid ay", "Am ount", "ool Strip", "t body", "N av", "w rap", "B B", "Ġwatch ing", "ari os", "Ġoption al", "_ K", "ĠL icensed", ".M ap", "T imer", "ĠA P", "ĠRe v", "( o", ", c", "um in", "eta iled", "ĠH y", "Ġbl ank", "ag ger", "ĠS elf", "() [", ".m ake", "ear n", "ch annel", "< pre", "ble m", "_p assword", "_s p", "ic ing", "e z", "Ġthe ory", "ĠT er", ", n", "log o", "ĠHT TP", "() ))", ".h andle", "> ;Ċ", "W orld", "Ġpy thon", "Ġl if", "Ġtr av", "Ġcon ven", "com pany", "ĠCl ub", "V er", "B tn", "Ġz one", "product s", "ĠE duc", "Ġver ify", "ĠM il", "on o", "] );ĊĊ", "EN CE", "Ġpack et", "Ġc er", "Ġen umer", "Ġpar s", "form ed", "Ġocc up", "t re", "Ġexerc ise", "D ay", "_s um", "Ġask ing", "apt ion", "Ġord ers", "Ġsp ending", "ĠE RR", ".D is", "ĠU til", "âĢľ I", "\\ '", "? )", "/ >Ċ", "Ġem ot", "Ġinflu ence", "ĠAfr ica", "att ers", "Ù ħ", ".s ession", "Ġch ief", "ĉĉĉĉĉĉĉĉ ĉĉĉ", "Ġto m", "clud ed", "ser ial", "_h andler", ".T ype", "ap ed", "Ġpolic ies", "- ex", "- tr", "bl ank", "mer ce", "Ġcover age", "Ġr c", "_m atrix", "_ box", "Ġcharg es", "ĠB oston", "P e", "Ġcirc um", "Ġfil led", "Ġn orth", "icture Box", "ĉ res", "è ®", "Ġter min", "Ġ[ âĢ¦", "IRE CT", "Ġb er", "Ġ\" ../../", "ret ch", ".c ode", "_c ol", "ĠGovern ment", "Ġarg v", "ĠL ord", "as i", "Ex ec", "ĉ let", "vert is", "Ġdiscuss ion", "en ance", "out ube", "type of", "Ġs erved", "ĠP ut", "ĉ x", "Ġs weet", "B efore", "ateg y", ". of", "ĠM aterial", "S ort", "ON T", "ig ital", "Wh y", "Ġs ust", "Ġ ç", "ab et", "Ġseg ment", "Ġ[ ],Ċ", "ĠMus lim", "Ġfind ViewById", "c ut", "_T EXT", "ĠM ary", "Ġlo ved", "Ġl ie", "ĠJ O", "Ġis set", "mon th", "Ġpr ime", "t i", "ĠCar ol", "U se", "ĠP op", "ĠS ave", "Int erval", "ex ecute", "d y", "ĠI ran", "_ cont", "ĉ T", "Ġph ase", "check box", "we ek", "Ġh ide", "Ġt il", "Ġj u", "C ustom", "b urg", "/ M", "T ON", "Ġqu ant", "Ġr ub", "ix els", "Ġinst alled", "Ġd ump", "Ġproper ly", "( List", "Ġdec ide", "app ly", "H as", "Ġkeep ing", "Ġcitiz ens", "Ġj oint", "p ool", "S ocket", "_ op", "Ġweap on", "gn ore", "ĠEx ec", "ott en", "ĠM S", "Ġ( -", "ĠRe view", "Ġex amples", "Ġt ight", "! (", "D P", "ĠMessage Box", "Ġphot ograph", "UR I", "é t", "l ow", "ĠGr and", ".p ersistence", "Ġmaint ain", "Ġnum s", "Ġz ip", "ial s", "ĠG ets", "pe g", "ĠB uffer", "~~ ~~", "ra structure", "ĠP L", "u en", "ob by", "size of", "Ġp ic", "Ġse ed", "Ġexperi enced", "Ġo dd", "Ġk ick", "Ġproced ure", "avig ator", "- on", ", j", "ĠAl though", "Ġuser Id", "ac cept", "Bl ue", "IC olor", "l ayer", "av ailable", "Ġend s", ".t able", "Ġdat aset", "b us", "Ġexpl ain", "( pro", "ĠCommit tee", "Ġnot ed", "] :Ċ", "D im", "std io", ". \",Ċ", "_s ource", "ĠWe ek", "ĠEd ge", "Ġoper ating", "Ġest e", "i pl", "ag ination", "Ġpro ceed", "Ġanim ation", ".Model s", "ĠW atch", "i at", "Ġopp on", "/ A", "Re port", "Ġs ounds", "_b uf", "IEL D", "Ġbu nd", "ĉ get", ".p r", "(t mp", "Ġk id", ">ĊĊ Ċ", "Ġy ang", "Not Found", "Ñ Ĩ", "m ath", "@g mail", "ĠL IMIT", "red ients", "Ġv ent", "avig ate", "L ook", "Ġrelig ious", "Ġr and", "ri o", "( GL", "_ ip", "u an", "ici ency", "ĠCh ange", "> čĊčĊ", "ĠEnt ity", "Ġrencont re", "ĠR et", "pl an", "é n", "BO OL", "ur ies", "tr ain", "Def inition", "======== ====", "z z", "An imation", "ĠO K", "_m enu", ".b l", "_s core", "Ġac ad", "( System", "Ġref resh", "'=> $", ".G raphics", "ament o", "p id", "t c", "Ġt ips", "Ġhom es", "Ġf uel", "â ĸ", "_h elper", "ĠĠ čĊ", "ĠR oom", ".C lose", "_ attr", "ĠM ount", "ĠE v", "ar ser", "_t op", "e ah", "ĠDe lete", "ãĢ į", "u ke", "Ġus age", "ar ia", "_de v", "Ġtext ure", "Ġconvers ation", "e per", "Be an", "d one", "non atomic", "ĠSe cond", "Ġshoot ing", "_p re", "Com ponents", "Ġ] ĊĊ", "__ ,", "stit ution", ".Ch ar", "> ();ĊĊ", "Ġpresent ed", "Ġw a", "ok er", "- ĊĊ", "in er", "Ġbe coming", "Ġinc ident", "At t", "Ġreve aled", "for c", "Ġbo ot", ".p age", "Enumer ator", "_ ->", "Ph oto", "Ġs pring", ". \",", "ĠD ictionary", "B JECT", "Ġloc ations", "Ġs amples", "Input Stream", "ĠB rown", "Ġst ats", "qual ity", "Ñ ħ", "-d is", "Ġhelp ing", "Ġp ed", "( se", "ĠWh o", "al ian", "int ernal", "Ġf t", "> ().", "-> {", "Ġm ine", "Ġs ector", "Ġg ro", "Ġopport unities", "Ġà ¼", "Ġm p", "Ġalleg ed", "Ġdoub t", "M ouse", "Ab out", "_p art", "Ġch air", "Ġstop ped", "lo op", "ent ities", "Ġapp s", "ans ion", "Ġm ental", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠ", "F R", "Ġdef end", "c are", "Ġide al", "/ api", "ur face", "Ġe le", "ul ator", "ĠR ights", "angu ages", "Ġfund s", "Ġad apt", "At tributes", "Ġdep loy", "opt s", "Ġvalid ation", "Ġconcern s", "u ce", ".n um", "ult ure", "il a", "Ġc up", "Ġp ure", ".F ore", "ĠHash Map", ".value Of", "as m", "M O", "Ġc s", "Ġst ores", "Ġ ************************************************************************", "Ġcommunic ation", "m em", ".Event Handler", ". Status", "_ right", ".set On", "S heet", "Ġident ify", "ener ated", "order ed", "Ġ\" [", "Ġs we", "Con dition", "ĠA ccording", "Ġpre pare", "Ġro b", "P ool", "Ġs port", "r v", "ĠR outer", "Ġaltern ative", "( []", "ĠCh icago", "ip her", "is che", "ĠDirect or", "k l", "ĠW il", "key s", "Ġmy sql", "Ġw elcome", "k ing", "ĠMan ager", "Ġca ught", ") }Ċ", "S core", "_P R", "Ġsur vey", "h ab", "He aders", "AD ER", "Ġdec or", "Ġturn s", "Ġr adius", "err upt", "C or", "Ġm el", "Ġin tr", "( q", "ĠA C", "am os", "M AX", "ĠG rid", "ĠJes us", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠ", ".D E", "Ġt s", "Ġlink ed", "f ree", "ĠQ t", "Ġ/** čĊ", "Ġf aster", "ct r", "_ J", "D T", ".C heck", "Ġcomb ination", "Ġint ended", "- the", "- type", "ect ors", "am i", "ut ing", "Ġum a", "X ML", "U CT", "A p", "ĠR andom", "Ġr an", ".s ort", "Ġsort ed", ". Un", "_P ER", "it ory", "Ġprior ity", "ĠG al", "ĠO ld", "h ot", "ĠD isplay", "(s ub", "_T H", "_ Y", "ĠC are", "load ing", "K ind", "_h andle", ", ,", "r ase", "_re place", ".add EventListener", "ĠR T", "Ġenter ed", "g ers", "Ġ ich", "( start", "/ app", "Ġbro ther", "M emory", "Out let", "Ġ utf", "pre c", "Ġn avigation", "OR K", "Ġd st", "D etail", "Ġaud ience", "Ġd ur", "Ġcl uster", "un ched", "Ġ ],", "Ġcomfort able", ". values", "ĠT otal", "Ġsn ap", "Ġstand ards", "Ġperform ed", "h and", "(\" @", "å Ń", "Ġph il", "ib r", "tr im", "Ġfor get", "Ġdo ctor", ".Text Box", "icon s", ", s", "ĠO p", "S m", "St op", "ĉ List", "ĉ u", "Com ment", "_V ERSION", ".X tra", "P erson", "r b", "LO B", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĊ", "ĠCent ral", "IC K", "ra q", "Ġput ting", "Ġm d", "ĠL ove", "Pro gram", "B order", "o or", "Ġallow ing", "a fter", "Ġent ries", "ĠMay be", "] ).", "ĠSh ort", ") \\", ".n ow", "f riend", "Ġpre fer", "ĠG PIO", "os is", "ĠGame Object", "Ġsk ip", "Ġcompet ition", "_m atch", "lic ations", "_CON T", ".group Box", "Ġal s", "\" We", "_e q", "l an", "_ search", "ĠMus ic", "as is", "Ġb ind", "ĠIs land", "r um", "( E", "Ġse at", "V ideo", "Ġa ck", "ree k", "={ ()", "Ġr ating", "Ġrestaur ant", "DE X", "(b uf", "pp ing", "ual ity", "Ġle ague", "Ġfoc used", "ap on", "$ data", "CL UD", "CLUD ING", "Ġabs olute", "( query", "Ġtell s", "A ng", "Ġcomm unities", "Ġhon est", "ok ing", "Ġap art", "ar ity", "/ $", "_m odule", "ĠE nc", ". an", ".Con fig", "C re", "Ġsh ock", "ĠAr ab", "I ENT", "/ re", "Ġre trie", "ycl er", "is a", "ĠO rgan", ". graph", "Ġ í", "ĠB AS", "En um", "Ġposs ibly", "ÑĢ аÐ", "ĠJapan ese", "Ġc raft", "ĠPl ace", "Ġtal ent", "Ġfund ing", "Ġconf irmed", "Ġc ycle", "/ x", "G E", "Ġhe aring", "Ġpl ants", "Ġm outh", "p ages", "or ia", "ĠRem ove", "_t otal", "Ġo d", "oll apse", "do or", "Ġb ought", "Ġadd r", "AR CH", "_d im", "dd en", "Ġdec ades", "RE QUEST", "Ġvers ions", "f ire", "Ġmov es", "f b", "Ġcoff ee", ".con nect", "ĠR ow", "Ġs chema", "S cope", "- Type", "Ġfight ing", "Ġret ail", "Ġmod ified", "T F", "File s", "n ie", "_com mand", "st one", "Ġ ÑĤ", "_ thread", "Ġb ond", "ĠDevelop ment", "Ġp t", "F ORM", "ple t", "Ġident ified", "c pp", "Ġc oding", "ok ed", "ĠM aster", "ID TH", "Ġres idents", "red it", "ĠPh oto", "= -", "un te", "ate ur", "_ST ATE", "ĠS ing", "Ġshe et", ". val", "or se", "Ġh ers", "Ġdetermin ed", "Com mon", "Ġw ed", "_ queue", "P H", "ĠAt l", "cre d", "/L ICENSE", "Ġm es", "Ġadv anced", ".j ava", ".S h", "G o", "k ill", "f p", "_set tings", "Ġp al", "Ġtr uck", "Ġcomb ined", "Ġ\" ${", "ĠCor por", "Ġjo ined", "ĠJ ose", "ĠC up", "un s", "est ival", "lev ision", "Ġbro ken", "Ġmar riage", "ĠWest ern", "Ġrep resents", "ĠT itle", "Ġs s", ".A ss", "ongo ose", "ient o", "< >();Ċ", "Ġabs olutely", "Ġsm ooth", "TER N", "ĠUn less", "W ord", "Ġmer ge", "ig an", "ĠV ol", "Ġn n", ".get Id", "ĠÐ ·", "Ġsex y", "Ġseek ing", "S ingle", ". this", "Ġk om", "b ound", "; \"", "Ġfont Size", "_d f", "Ġinj ury", "( H", "Ġiss ued", "_ END", ": self", "Ġp atch", "Ġle aves", "Ġad opt", "File Name", "ãĢ IJ", "Ġexec utive", "ĠBy te", "] ))Ċ", "Ġn u", "out ing", "clud ing", "- R", ". options", "Ġsub stant", "av ax", "ĠB UT", "Ġtechn ical", "Ġtw ice", "Ġm ás", "Ġun ivers", "y r", "Ġdr ag", "ĠD C", "Ġs ed", "Ġb ot", "ĠP al", "ĠH all", "forc ement", "Ġa uch", ".m od", "not ation", "_file s", ".l ine", "_fl ag", "[ name", "Ġres olution", "Ġb ott", "(\" [", "end e", "( arr", "F ree", "( @\"", "ĠD istrict", "PE C", ": -", "P icker", "ĠJ o", "ĠĠĠĠĠ Ċ", "ĠR iver", "_ rows", "Ġhelp ful", "Ġmass ive", "--- Ċ", "Ġmeas ures", "ĠR untime", "Ġwor ry", "ĠS pec", "ĉ D", "ãĢ ij", "Ġ) {Ċ", "Ġwor se", "(f ilename", "Ġl ay", "Ġmag ic", "ĠThe ir", "ou l", "st roy", "ĠWh ere", "Ġsu dden", "Ġdef e", "Ġb inding", "Ġfl ight", "ĠOn Init", "ĠW omen", "ĠPol icy", "Ġdrug s", "ish ing", "(' ../", "ĠM el", "pe at", "t or", "Ġpro posed", "Ġst ated", "_RE S", "Ġe ast", "ĠCON DITION", "_d esc", "Ġwin ning", "fol io", "M apper", "ĠP an", "ĠAn ge", ".s ervlet", "Ġcop ies", "L M", "Ġv m", "å į", "Ġd ictionary", "S eg", "el ines", "ĠS end", "Ġ iron", "ĠF ort", ".d omain", "Ġdeb ate", "Not Null", "e q", "ach er", "l f", "ĉf mt", "Ġlaw y", "Ä Ł", "ĠM en", "Ġtr im", "( NULL", "Ġ! !", "Ġp ad", "Ġfollow s", "\"] [\"", "re qu", "ĠE p", ".g ithub", "( img", "et o", "(' \\", "S ervices", "umbn ail", "_m ain", "ple ted", "fort unately", "Ġw indows", "Ġpl ane", "ĠCon nection", ". local", "u ard", "} \\", "== \"", "and on", "ĠR oy", "w est", "ig inal", "em ies", "it z", "') :Ċ", "ĠP eter", "Ġt ough", "Ġredu ced", "Ġcalcul ate", "Ġrap id", "c ustomer", "Ġeff icient", "Ġmed ium", "Ġf ell", ". ref", "ĠC as", "Ġfeed back", "S peed", "( output", "aj e", "Ġc ategories", "Ġfe e", "} ;", "Ġde leted", "re h", "Ġpro of", "D esc", "B uild", "Ġs ides", ".Array List", "- %", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠ", "Ø ±", ".m atch", "л и", "Ġfe els", "Ġachie ve", "Ġcl im", "_ ON", "ĠC D", "Ġteach er", "_c urrent", "b n", "_P L", "ist ing", "En able", "G EN", "Ġt v", "Ġso ck", "Ġpl ays", "Ġdis count", "ĠK E", "ĠDe bug", "F ore", "ĠI raq", "Ġappear ance", "M on", "Ġst yled", "ĠH uman", "i ot", "ĠH istory", "Ġs ac", "ĠC ollection", "Ġrecomm ended", ".Se lected", "Ġorgan izations", "Ġdiscover ed", "co hol", "ad as", "ĠThom as", "M ay", "Ġcons erv", "Ġdom in", "ĠF ollow", "ĠSe ction", "ĠTh anks", "User name", "Ġrec ipe", "Ġwonder ful", ".s leep", "_ if", "ĉĊ ĉĊ", "orn o", "Ġr u", "_t arget", ".\" \"", "à ¦", "Event Args", "Ġinput s", "Ġf if", "Ġv ision", "c y", "ĠS eries", ") (((", "Ġtr ading", "Ġmark er", "B egin", "Ġtyp ically", "Ġca uses", "drop down", "_DE BUG", "Ġdet ect", "c ountry", "! \");Ċ", "ĉ R", "app y", "Ġc ref", "(' <", "\" =>", "ĠL E", "read er", "Ġadmin istr", "à µ", "uck et", "Ġf ashion", ". char", "iz ar", "Ġdis able", "Ġsu c", "ĠL ive", "iss ue", "Ġmet adata", "fl ags", "Ġ ðŁ", "Ġcomm itted", "Ġv a", "Ġr ough", "Ġ'' 'Ċ", "Ġhigh light", "_var s", "V O", "Ġenc oding", "- Z", "_s ign", "$ (\"#", "Ġr ain", "reate st", "ĠEN D", "Se lection", "Ġcandid ates", "Ġs av", ". Empty", "Ġdec isions", "Ġcoll abor", "rid ge", "fe ed", "ress ion", "Ġperson s", "V M", "eg a", "_B IT", "A ccording", "ack ed", "Ġdoll ars", "_lo ss", "ĠC ost", "} \"Ċ", "Not ification", "Ġpro stit", "Ġauthor ity", ".re c", "Ġsp okes", "ĠT oday", "ist ant", "ĠHe ad", "âĢĿ .", "ertain ment", "ce an", "cul ate", "Ġv en", "How ever", "_ arr", "Ġtok ens", "G raph", "ĠJ ud", "ĠVir gin", "ĠS erial", "un ning", "M utable", "ag ers", ".c sv", "Ġdevelop ing", "Ġinstruction s", "Ġprom ise", "Ġrequest ed", "_ encode", "/ \"", "ĠI con", "u ilt", "- day", "Ġint elligence", ". IS", "ĠO bservable", "ĠH ard", "Bo ol", "ident ial", ".An chor", "Ġsell ing", "C I", "AG ES", "t le", "b ur", "UFF ER", "R Y", "Ġbig ger", "Ġr at", "Ġfam ous", "Ġtyp ename", "Ġexpl ained", "} }Ċ", "Ġn uclear", "- N", "Ġcr isis", "ĠEnt er", "Ġan swers", "/ ${", "/ pl", "Ġse qu", "_n ext", "m ask", "Ġstand ing", "Ġpl enty", "ĠC ross", "ĉ ret", "d ro", "ĠC ast", "= true", "ĠCh ris", "ic io", "ĠM ike", "Dec imal", "add Component", "L en", "Ġco ck", "Ġ# {", "UR N", "< tr", "Ġauthor ities", "Res ources", "- H", "B ottom", "_ qu", "put er", "ester day", "Dis patch", "s ince", "Ġfam iliar", ", i", "V C", "Ġm ent", ", C", "Ġfre edom", "Ġr outes", "ĠB uy", "Ġcomm ands", "Ġm esh", "/ C", "ĠSet tings", "- style", "Ġw itness", "Ġc le", "Ġun ion", "ef ault", "are t", "Ġthought s", "Ġ ----", "_pro cess", "_ us", "ing ly", "U ES", "T ouch", "ĠÐ ¼", "_ open", "ĠV ec", "Ġre ward", ".C lick", "/ :", "Ġn ie", "Ch anges", "M onth", "ï¼ Ł", "Ġexec ution", "Ġbe ach", "( Integer", "ĉ a", "/ '", ".Font Style", "Ġab ort", "ĠS ingle", "( isset", "Ġd p", "Ġ}} ", "Ġ* =", "ĠP S", "Ġdanger ous", "[ p", "OM E", "O ther", "ĠString Builder", "Point s", "head ing", "Ġc urrency", "Ġpercent age", "_A PI", "Ġclass ic", "the ad", "ĠM O", "F E", "Id x", "aw ait", "Ġà ¨", "Ġacc ident", "Ġvari ant", "Ġm yst", "ĠL and", "ĠB re", "Ġh arm", "ĠA cc", "Ġcharg ed", "ion es", "Vis ibility", "ar ry", "ĠL anguage", "Ġwalk ing", "\" .ĊĊ", "if er", "Ġleaders hip", ".F rom", "yn am", "Ġt imestamp", "i pt", "ĠH as", "REF ER", "ĠIt s", "Ġlist ener", "UT E", "_d escription", "Ġexperi ences", "Ġcre ates", "R S", "c art", "bl ack", "Ġcho ices", "w ar", "Ġ'' '", "Ġorder ed", "Ġeven ing", "Ġp il", "Ġt un", "ĠB ad", "( app", "r andom", "Ġexp licit", "Ġarr ived", "Ġf ly", "Ġecon om", "-m ail", "Ġlist s", "Ġarch itect", "ĠP ay", "Ġd s", "ĠS ol", "Ġveh icles", "H z", "- com", "Ġk ing", "_e qual", "ĠH elp", "Ġab use", "-- ;Ċ", "Ġex tr", "Ġchem ical", "ä ¿", "Ġor ient", "Ġbre ath", "ĠS pace", "(e lement", "w ait", "DE D", "ig ma", "Ġent r", "Ġs ob", "- name", "Ġaff ected", "ik a", "Ġco al", "_w ork", "Ġhundred s", "Ġpolit ics", "sub ject", "Ġconsum er", "ANG E", "Ġrepe ated", "S end", "Ġ# [", "Ġprot ocol", "Ġlead s", "use um", "E very", "Im port", "(c ount", "Ġchalleng es", "Ġnov el", "Ġdep art", "b its", ".C urrent", "Ġ` ${", "ot ing", "( \\", "Ġcreat ive", "Ġbu ff", "Ġintrodu ced", "us ic", "mod ules", "A re", "-d oc", "l anguage", "_c ache", "Ġto d", "? > {{", "ĠRes ource", "ĠSt andard", "ĠP rem", "up dated", "ival ent", "Ġas sets", "_t emp", "Ġinterest s", "Ġhard ware", "ĠR om", "ĠSh are", "Ġ' 'Ċ", "Ġ* ,", "ĠT ake", "ĠIm ages", "_C HECK", "(type of", "ĠJ un", "\\< ^", "Ġli qu", "Ġwor st", "ymb ols", "ĉĉĉ ĠĠĠ", "Ġdr ivers", "ĠD ocument", "en o", "ĠTechn ology", "Ġappro ved", "ump s", "Ġs now", "form ance", "_A SSERT", "u its", "Ù Ĩ", "Ġdiffer ences", ". Visible", "ĉĉĉ čĊ", "ĠP s", "_f etch", "Ġto do", ". ',Ċ", "Ġs el", "ur ers", "in valid", "Ġt weet", "V EL", "Ġresearch ers", "Ġs printf", "ĠR O", "Ġp el", ".Tr ans", "Ġil legal", "d ialog", "sm arty", "l g", "_M IN", "Ġher o", "f inal", "Ġp p", ".L e", "Ġc i", "ĉ RT", "Ġsuggest ed", "p df", "ach ing", "ĠR o", "ĠProp erties", "ĠS i", "Ġbuy ing", "Ġm u", "Ġl ands", "if iers", "ĠF ILE", "RO UP", "Ġh older", "ĠS on", "Ġsym pt", ".r oute", ") ?", "Ġarg c", "Ġfor t", "Ġcas ino", "_c ategory", "Ġfor um", "p refix", "apt ure", "T ube", "em s", "im ize", "Ġn ue", "a us", "c ourse", "AT OR", "() ),", "Ad vertis", "ING S", "Ġack now", "ĠKore a", "pl ing", "Ġwork er", "PL IED", "h al", "ĠRich ard", "Element s", "ĉĉĉ Ġ", "st ar", "Ġrelationship s", "Ġche ap", "AC H", "ĠX ML", ", &", "ĠLou is", "Ġr ide", "_F AIL", "Ġch unk", "[ s", "_O UT", "Ġch osen", "_ [", "/ (", "ĠJ eff", "_s l", "pr iv", "ĠCan adian", "Ġun able", "_F LAG", "Ġn os", "h igh", "Ġl ift", "f un", "() {", "el ly", "ycler View", "_ as", "_L IST", "Ġr adi", ".get Value", "ĠAnge les", "ĠS pan", "_in stance", "it ors", "Ġm igration", "A K", "O h", " ®", ". selected", "ĠG T", "Ġadv ance", "ĠSt yle", ".Data GridView", "e ction", "Ñ İ", "p io", "ro g", "Ġsh opping", "ĠR ect", "I lluminate", "O U", "ĉ array", "Ġsubstant ial", "Ġpre gn", "Ġprom ote", "IE W", ".L ayout", "Ġsign s", "/ .", "Ġlet ters", "Bo ard", "ct rl", "\" \\", "ĠJ ones", "Ġvert ex", "Ġj a", "Ġaff ili", "Ġwe alth", "ĉ default", "Ġsignificant ly", "Ġe c", "Ġx s", "act ual", ".p er", "_st ep", "an vas", "m ac", "Ġtrans l", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "Iter ator", "Ġo ch", "agnost ic", "ĠD uring", "ĠDE FAULT", "Ġt ill", "Ġsign ature", "Ġb ird", "ĠO l", "ĠI r", "H S", "av atar", "ESS AGE", "Ġe lev", "Ġm t", "ĠN av", "Ġrel ax", "Ġpl ate", "IT EM", "( date", ".n ot", "Ġgr ade", "Ġ} ),Ċ", "? \"ĊĊ", "i ences", "H igh", "ĠD IS", "dis abled", "Q UI", "Ġno ise", "a ux", "ĠU P", "os a", "Ġv oc", "Ġ ))", "oc om", "_O FF", "ĠD b", "L ock", ".e clipse", ", d", "ĠD raw", "Ġ\" (", "Ġvis ited", "Ġâ Ī", "Ġsuc ceed", "Ġim possible", "a ire", "ĠT urn", "Ġd ish", "F G", "Ġs ensor", "AN N", "ab a", "Ġsur g", "] );čĊ", "Ġf p", "_ an", "- J", "- G", "ĠJ ob", "Con vert", "ĠKE Y", "Ġauth ors", "_s erver", "\\ r", "Ġ-* -", "f lex", "Ġs oc", "R et", "Ġs alt", "ĠâĢ¦ ĊĊ", "ĠC lear", "(p age", "-d anger", "Ġroom s", "con v", "# {", ". op", "ĠA rea", "_S C", "h en", "Ġbeg ins", "- y", "Ġexc ited", "Ġign ored", "Ġbon us", "st udent", "ĠM ember", "Ġrel atively", "ĠL ow", "ĠPro du", "ate way", "pos ure", "Ġth ick", "ani el", "( view", "ĠCr ush", "Ext ension", "I l", "e ed", "LO C", ". im", ". Items", "Ġconflic t", ".pre vent", "Ġon Create", "u v", "is er", "Ġw ave", "M ar", "ĠComm unity", "ic he", "ĠNo thing", "[ m", "ĠLe e", "ri ends", "è re", "!! !", "an z", ". result", "ĠS K", "_P ARAM", "Ġdem ocr", "Back Color", ".ex ists", "\" It", "( options", "ra zy", "as er", "\\ Database", "al endar", "_ ass", "; }Ċ", "vert ex", "ine craft", "W arning", "arg o", "Ġact or", "ĠInst ead", "ĠUs ing", "S elf", "@ interface", "Ġspe aking", "ĠPar is", "ĠL ICENSE", ".n ode", "ĠF ood", "E IF", "ĠB i", ". Start", "ĠI B", "Ġun iversity", "ĠHe ader", ".pro duct", "C opy", "et c", "r ical", "Ġ> >>", "book s", "Ġal gorithm", "Ġ' __", "(j avax", "Ġnumer ous", "Sh are", "H ave", "Ġrec ru", "Ġpro ve", ".sub string", "he alth", "е л", "Ġdec imal", "Ġcomm ission", "s cription", "x C", "Ġsum mary", "att ed", "Ġclo ser", "fin ished", "() ){Ċ", "ĠW ood", "_field s", "k u", "_ items", "Fl ag", "Ġconf idence", "ĠF ederal", "du x", "Ġcomp at", "Ġvert ical", "Ð ¹", "è s", "; \">Ċ", "_m anager", "() ))Ċ", "ID E", ": \",", "__ Ċ", "ĠW ay", "Ñ Ī", "T emp", "ĠS TR", "rit ten", "S ync", "ĠA V", "ĠC EO", "ĠG uid", "Ġenvironment al", "Ġcorrespond ing", "ĉ console", "Ġjust ice", "ĠJ S", "Ġl ived", "g ar", "ĠG raph", "ĠSt at", "Ġi Phone", ". al", "ĠH D", "Ġocc ur", "Ġth reshold", "Ġon click", "RE G", ".Graphics Unit", "M eta", "Å ¾", "Ġc um", ".g nu", "à «", "Ġobt ained", "Ġcompl aint", "Ġe ating", "Ġt ar", "_t ask", "Ġopt s", "( to", "P ass", "Ġpl astic", "t ility", "ĠW in", ".prevent Default", "p ile", "ĠG ar", "Ġqu antity", "_l ast", "Ġg reatest", "D ao", "_D IS", "ĠUs ed", "ĠH P", "rit ing", "S ION", "bl ue", "d omain", "Ġs cores", "N ormal", "_ admin", "ĠA SSERT", "Th en", "** *", "d ist", "l on", "Ġh ate", "sh al", "Image View", "d atabase", "Ġp and", "Ġlog ic", "= false", "b g", "ĠConfig uration", "Ġn ur", "O G", "Ġmar ried", ": +", "Ġdro pped", "Ġreg istration", "оР¼", "ult iple", "iz ers", "sh ape", ".c opy", "Ġwe aring", "ĠC ath", "Ġded icated", "Ġ.. .Ċ", "Ġadv oc", "ĠF amily", "Ġstat ements", "em atic", "ampions hip", "Ġmot iv", "ĠH ave", "Ġbl ow", "J ob", "c ert", "_v ector", "inst all", "ĠC OPY", "em bed", "D IR", "ĠS pring", "Ġex hib", "cd n", "ĠCom ment", "ĠOption al", ". player", "ĠD ark", "( pos", "ĠSh ould", "Ġcent re", "ĠGu ard", "ó w", "Ġtr ouble", "EN ER", "( unsigned", "_s ervice", "Ġn s", "ul ing", "ĠMex ico", "ĠN Y", "mys ql", "Ġl ic", "å ľ", "M r", "- fl", "ĠC ustomer", "id i", "Ġ? >ĊĊ", "ri ble", "Ġп ÑĢ", "Ġs izes", "_STR ING", "valid ation", "ĠJ on", "( Http", "add Class", "N odes", "Ġfrag ment", "Ġsp oke", "Ġw aste", "J oin", "Ġill ustr", "el i", "c ient", "Ġa id", "Ġpro sec", "') {Ċ", "Ġpass ing", "Ġf aces", "Sh ape", "_ Z", "it i", "Ġal le", "Ġro bot", "ĠĠĠĠĠĠĠ Ċ", "ĠS pe", "Ġrece iving", "ĠD etails", "Ġ\" )", "m g", "_RE F", "Ġcompar ison", "* ,", "ĠF ound", "_s ession", "( U", "/ F", "Ġx xx", "N etwork", "d ers", "Ġcap ture", "Ġcor re", "ĠL td", "ĠAd v", "[ @", "Ġcl ip", "M ill", "ĠPro file", "Ġend if", "Ġob lig", "des cribe", ".e lement", "riter ion", "L D", "er ed", "Ġfav our", "s core", "ĠF ilter", "at tributes", "Ġcheck s", "In flater", "ĠPl us", "Ġscient ific", "Ġpriv acy", "He ad", "Ġfe at", "Ġdeg rees", "ĠP ale", "; \">", "Ġfil ms", "ĠA udio", "ĠT ag", "ĠE nergy", "it ar", "par ator", "Ġf ellow", "Ġev t", "ĠT ri", "ĠD AM", "cl oud", "ĠP assword", "ĠDemocr ats", "ĠAc ad", "$ lang", "Ġre b", "() )ĊĊ", "н Ñĭ", "ĠB ur", "read cr", "Ġh ex", "Con sole", "ct l", "ous el", "ĠWill iam", "Ġa z", "_P ORT", "Ġpract ices", "Ġany where", "ĠP osition", "Ġ- >Ċ", "i ams", ".user name", "place holder", "Ġo der", "ĠSecret ary", "Ġi T", "mon d", "event s", "? âĢĿ", ".S ub", "Ġatt ached", "Ġn ão", "Ġest ate", ". action", "Ġfig ures", "Ġ} );čĊ", "Ġsubs cri", ".t ag", "n am", ". plot", "no on", "li ament", "Char acter", ".t ab", "Ġw inter", "ĠVar iable", "Ġtre es", "Ġpr oud", "( V", "_ load", "Ġh ier", "ĠE con", "Ġf d", "Ġvict ims", "R est", "ian a", "Ġf ake", ".Print ln", "Ġstr len", "Ġs ad", "Ġb le", "Pro t", "Ġbutton s", "Ġte levision", "Ġlog o", "ext ension", "ĉ j", "ste in", "acion es", "Ġ\"\" \"ĊĊ", "Ġsim p", "Ġrecord ed", "Ġbr ings", "Ġprincip al", "Ġfe es", "(s ource", "k dir", "Ġutil s", "Ġcorrect ly", "f il", "Ġw el", "P air", "-b utton", "s cale", "ver ify", "[ c", "Ġ-- -", "Ġes cape", "ik es", "Lower Case", "ic ian", "Ġch apter", "ĠT YPE", "Ġsh adow", "Ġaw esome", "W E", "el if", "Ġl ambda", "Ġdist inct", "Ġb are", "- off", "Ġcol our", ".append Child", "ole c", "ag a", ".f ill", "ĉs uper", "Ġad j", "( position", ".get Item", "Sh ort", "Ġtot ally", "V D", "ĠT re", "_ ep", "v ements", "ĠS olution", "Ġfund ament", "F ollow", "Ġfac ility", "Ġhappen ing", "O F", ".text Box", "S pan", "Ġ «", "id en", "Ġex ceed", "(p arent", "Ġc p", "ç »", "Ġhas n", "Ġp ri", "Ġcon sequ", "n en", "ĠIN TO", "I gnore", "ĠF uture", "Ġcar bon", "ĠSte el", "f mt", "ok ie", "Ġs pl", "(t itle", "- info", "Ġde als", "Ġfix ture", "e a", "D iv", "Ġtest ed", "_ return", ")ĊĊ ĊĊ", "upport ed", "ĠC ook", "Ġpay ing", "ĠI ll", "Ġarrest ed", "ĠPr ime", "_c allback", "> ,Ċ", "dr iver", "On ce", "ab b", "_by tes", "ĠS ets", "( Object", "Ġc c", "Ġsh ell", "al o", "); //", "( log", "ct ors", ") ", "Ġ$ (\".", ".p os", "Ġbo ys", "Ġwed ding", "Ġag ents", "=\" _", "ĠAr my", "Ġh int", "v ision", "Ġte ch", "ĠCon nect", "Ġleg end", "ĠB et", ".B ase", "Sub ject", "Ġl it", "Rem ove", "Ġ\" :", "ĠF inal", "pear ance", "ĠiT unes", "Ġparticip ants", "ĠPy thon", "Ġbus y", "i el", "vert ices", "Ġtemplate Url", "ĠC lose", "Im g", "ĠCorpor ation", "t imestamp", "Ġext end", "Ġwe bsites", "Ġposs ibility", "о ÑĤ", "Ġk ö", "Ġme at", "Ġrepresent ation", "Ġ ĉĉ", "_ST ART", ".app ly", "ĠVal ley", "ĠS uccess", "H i", "Ġn ob", "ĠI Enumerable", "_ select", "ge o", ". \")Ċ", "Ġturn ing", "Ġfab ric", "(\" \");Ċ", "Ġpers pective", "é Ĺ", "ĠS n", "Th ank", "; j", ".Param eters", "ĉ ĠĠĠĠĠĠĠĠĠĠĠ", "Ġfact s", "Ġun t", ".in stance", "################################ ################################", "- end", "ĠJO IN", "ĠH en", "Ġur i", "åIJ į", "Ġн а", "ĠIn fo", "Ġconduct ed", "Ġà ¥", "OUR CE", "Ġw ine", "J ohn", ".Error f", "ĠA ge", "ound ed", "Ġreal ize", "Ġ] ;", "Ġsub sequ", ", m", "( User", "ian o", "Ġaccom pl", "is p", ".st d", "é ĩ", "ĠB ed", ".set Attribute", "B R", "ke ep", "ĠA LL", "Ġis ol", "am ma", "P ackage", "Ġoccas ion", "-s uccess", "еР´", "ĠLIMIT ED", "st rip", "() ĊĊĊ", "istrib ution", "Color s", "Ġ+ :+", "Did Load", "al er", "Ġt id", "ĠL ED", "ĠLink ed", "ĠC art", "() )čĊ", "_RE AD", "Ġkill ing", "ĠP HP", "fe ction", "Ġinst ances", "c v", "\"/ >", "Ġs f", "Ġtax es", "_ location", "ĠBit coin", "u able", "r ank", "ign ore", "tr ack", "к а", "Ġshould n", "ĠO P", "=> {Ċ", "Ġk m", "Ġh elper", "_ head", "ĠWh ether", "oc o", "_b l", "Ġstat istics", "Ġbeaut y", "Ġto g", "t ip", "ëĭ ¤", "Ġc sv", "(s ql", "std lib", "we ak", "Ġlik es", "Ä į", "Ġrepe at", "Ġap artment", "Ġem ph", "_ edit", "Ġv it", "ĉ type", "E ven", "ut en", "Ġcircum stances", "b ian", "Ġs ugar", "W indows", "ì ŀ", "Ġobs erved", "/ data", "Ġcal endar", "Ġstri ke", "ĠR ES", "_s c", "f ony", "ore m", "( z", "p ower", "et ect", "ĠS at", ".d escription", "Ġg ang", "ĠS ports", "ong s", "ĠB undle", ".s um", "on ce", "Ġacc used", "Ġexplo re", "Ġapprox imately", "Ġlos ing", "thes is", "ĠF und", "Ġdi agn", "A utowired", "prop erties", "Ġ_ .", "Ġc nt", "ced ure", "Ġy y", "Ġgr ant", "so ck", ".inner HTML", "Ġ] );Ċ", "ĠCON FIG", "=' $", "] ];Ċ", "UN D", "Ġg lob", "Ġd ire", "uff le", "_M EM", "Ġauth entic", "> (\"", "Ġdec ade", "ĠIm port", "Ġorigin ally", "Ġj Query", "Ġindic ate", "Ġours elves", "S w", ".l bl", "ener ate", "Ġbas ically", "ĠH om", "Ġ+ #+", "ĠBrit ain", "ĠK ar", "to Equal", ".st op", "Ġmod al", "is i", "Ġsuggest s", "Ġd type", "Ġt ur", "b f", "Ġconnection s", "ĠB efore", "ist ed", "m ouse", "Ġpul led", ".b uild", "Ġlegis lation", "Ġfor th", "p ad", "eg o", ".N ow", "Ġexc iting", "}ĊĊ ĊĊ", "Ġcom pr", "Ġsh ares", "Ġr ig", "g reen", "_ vec", "Ġenumer ate", "A uto", "ic ator", "ĠR ay", "as se", "Ġh oliday", "Ġnull able", "g un", "_d etails", "Ġwr apper", "se q", "ĠYou ng", "ju ana", "Ġ\" __", "lic ense", "ser ve", "^ (", "id ers", ".Rem ove", "rop down", "' S", "p in", "(t oken", ".D efault", "Ġreason able", "amp ion", "ĠS ociety", "Ġbe i", "erv es", "r ad", "ĠF ox", "_ images", "Ġw heel", "') [", "Ġc fg", "( By", "Con structor", "Ġv ary", ".sw ift", "Ġpro xy", "ĉ H", "ĠAn other", "ĠP en", "Ġcheck ing", "Ġj est", "man ager", "Or igin", "ug s", "o ir", ">< !--", "Ġexpress ed", "Ġmod er", "Ġag encies", "Ġi h", "-h idden", "ious ly", "ĠR od", "Ġso le", "M ed", ".A ny", "Ġp c", "b al", "Ex ample", "ĠS ale", "Ġst rip", "ĠCom p", "Ġpresident ial", "M ost", "put ation", "( ref", "ĠF our", "_f ilename", "Ġen forcement", "Ø ¯", "ĠGe org", "we ights", "/ l", "Ġag gress", "Ġd rawing", "and y", "< I", "- j", "ak a", "h ref", "Ġteach ers", "_ Q", "( it", "ĠM B", "Ġtemp orary", "ire base", "str a", "æĹ ¶", "è ´", "( label", "ou p", "Ġtop ics", "Ġport ion", "id os", "ĠJew ish", "Ġre covery", "Ġstand s", "# [", "Ġafter noon", "ĠArt icle", "_ att", "Ġexpl an", "ĠP ak", ".setOn ClickListener", ". children", "Ġi k", "+ (", "l ag", "Ġdis k", "Ġcont rovers", "\"> &", "as p", "Ġw ie", "ĠAustral ian", "ĠYou Tube", "At tr", "cont ains", "du ce", "ĠM att", "at ern", "Ġvol unte", "Ġnew sp", "V P", "olt ip", "Ġde legate", "_m eta", "Ġaccur ate", "ĠEx ample", "% ,", "ĠD aily", "Ġc abin", "ĠS W", "Ġlim its", "k ip", "Ġar my", "Ġend ing", "Ġb oss", "ĠD ialog", "Al so", "=\"# \"", "ord an", "row se", "- min", "Ġ\" &", "_ loc", "U X", "Ġdevelop ers", "Ġaccur acy", "Ġmaint enance", "Ġhe av", "Ġfil ters", ".T oolStrip", "Ġn arr", "ĠE mp", "ORD ER", "ĠM obile", ".S erial", ".out put", ".c ol", "M aterial", "um a", "Ġconsum ers", "sh ift", "Ġp ued", "Ġmin i", "c ollection", "Ġk an", ".c enter", "H istory", "Ġben ch", "() );", "itor ies", "Ġcrow d", "_c all", "Ġpow ers", "- E", "Ġdis miss", "Ġtalk s", "ĠCh annel", "for ward", "_ control", "/s rc", "i est", "**************** ********", "Ġbet a", "(c olor", "_O BJECT", "ĠA pi", "Ġeffect ively", "C amera", "s d", "uss y", "D ict", "ĠE ffect", "ib ilities", "Ġreturn ing", "ĠF ar", "Ġ' ')", "Ġmod ules", "il ation", "Ġ( %", "TR GL", "Ġst orm", "on na", "ĠEX P", "Ġs pons", "Ġdis pl", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠ", "f all", "å Į", "ign Key", "_ US", "et rics", "Ġhand les", "T L", "_ amount", "ow a", "br and", "ĠT ool", "Ġus ual", ". Z", "cre ment", "ad ium", "st ock", "Ġserv ing", "ĠB on", "Ġline ar", "ĠT arget", "ĠR adio", "H L", "Sh ader", "om atic", "ag ues", "in ity", "d iff", "_ iterator", "qu ot", "Ġ ,Ċ", "c allback", "Ġsympt oms", "[ _", "ĠB ul", "ĠF eb", "und o", "_ account", "Ġtyp edef", "и Ñģ", "tr as", "User Id", "ĠP enn", "ĠSup reme", "} >", "user Id", "ĠK im", "Ġg a", "Ġart ists", "å ¸", "ĠAb stract", "ok emon", "Ġh am", "o val", "Ġch a", "at en", "å Ĩ", "F ixed", "Ġvul ner", "ĠParam eters", "qu antity", ".C lear", "Servlet Request", "Ġy a", "Ġsou l", "trans action", "Ġsol o", "Ġp airs", "æ Ķ", "ĠG re", "_ word", "ĠC C", "Ġg i", "z ie", "Ġsched uled", "rot ation", "gy pt", "ul ous", ":: _", "ĠE ll", "< !", "ĉĉ ĠĠ", "l p", "ah a", "C opyright", "Ġdr am", "Ġdi agram", "ĠM em", "Ġg arden", "Com p", "Ġattempt s", "uff ix", "> ()", "Ġphil osoph", "_re l", "å ¼", "Ġs v", ".se cond", "ant o", ".J son", "ĠTe le", "_ local", "_s end", "Ġas pects", "ì Ĺ", "IB LE", "Ġr ail", "Ġwid ely", "ash ed", "i ar", "in f", "up per", "d jango", "_result s", "iss ing", "Ġequ ivalent", "OUN D", "Ġt y", "Ġpotential ly", "Advertis ement", "ĠRec ord", "resent ation", "_w idget", "ound ing", "Ġrelig ion", "Ġcons c", "ĠL im", ". am", "H tml", "Ġ' :", "P ATH", "_s pec", "ort ed", "id ades", "_sh ape", "Ġkeep s", ".S ave", "ĠL oc", "or i", "ĠT EST", "unic ip", "Ġreg ions", "Ġbelie ves", "/ en", "pos ite", "{ '", "pre pare", "_ const", "s ample", "ĠWill iams", "Ġstr t", "_ Get", "ĠAnd rew", ". active", "Ġl ayers", "Visual Style", "az y", "ĠK n", "Ġac id", "ĠAs ia", "Ġex cess", "ĉm y", "Ġkey board", "ens us", "Ġcre w", "Ġmiss ed", "m aster", "ĠW ild", "Ġnew ly", "Ġwin ner", "Ġst ub", "ic ode", ".m ove", "D omain", "ĠS ar", "Ġfore st", "LE D", "claim er", ".ex it", "ĠW indow", "Ġres istance", "ĠC HECK", "(\" -", "ĠR yan", "Ġp ipe", "Ġco ast", "DE F", "// !", "_ off", "ex it", "Ġult imately", "imit ive", "ĠKe ep", "Ġhistor ical", "Ġany way", "ĠJack son", "ock er", "ER N", "ĠU INT", "y ntax", "ER Y", "is ms", "Ġc n", "Ġocc urs", "Ġ; ;", "Text View", "A E", "/ img", "Ġy esterday", "- default", "Ġt iny", "Ġpro c", "Ġal ive", "ĠRE G", ". th", "ear ing", ".get Logger", "< link", "_ login", "F older", "ab c", "lyph icon", "н о", "Ġnot iced", "od igo", "Ġed ition", "im ator", ". Enabled", ".parse Int", "Ġy ards", "ĉĉĉĉĉĉĉĉ ĉĉĉĉ", "Ġver bose", "л Ñı", "_B Y", ".log in", ".* ;Ċ", "ĠM id", "é es", "Ġg lo", "Ġbuild ings", "Ġz e", "ĠI ter", "Ġt ube", "ĠP ot", "\\ M", "< th", "br idge", "ĠS cript", "ĠM odule", "Ġv acc", "Ġinstall ation", "v y", "VisualStyle BackColor", "ĠS M", ".t otal", "b at", "Ġfind s", "Ġat mos", "Sub view", "iz ard", "Ġrepl acement", "lic ated", "ap is", "Ġlog ged", "ĠLe ft", "G ui", "_ Type", "t m", "P ad", "Ġhouse hold", "Ġre le", "Ġpropos al", "_CL ASS", ":: ::", "Ġinf rastructure", "In ject", "/ html", "Ġad s", "iz za", "Ġm g", "ctr ine", "% Ċ", "< html", "- image", "Ġatt orney", "< m", "(' ,", "Ġcan n", "Ġprint ln", "o ose", "Ġy ellow", ".ex p", "p ayment", "Ġtable View", "aw ay", "Ġopp osition", "ĠAg ain", "ĠH andle", "Ġex clusive", "in ar", "é r", "оР±", "ĠC ODE", "emp orary", "Ġre act", "pi pe", "c z", ". activity", "Ġlarg ely", "Ġdis s", "ax y", "es is", "ĠR en", "Ġc orn", ".Use VisualStyleBackColor", "d ays", "Ġfr uit", "In sert", "_ enc", "E st", "_de c", "ĠL uc", "Ġü ber", "param eters", "P ERT", "ex press", "_pro file", "Un known", "Ġrev olution", ".add ress", "_re quire", "Ġun iform", "ĠP ack", "l ar", "ĠU ITableView", "Ġdep ends", "Valid ation", "conf irm", "O wner", "Ġt rib", "h et", "ĠI de", "ans as", "L anguage", "u et", "ĠP o", "ĠSte ve", "Ġcont est", "_DE FAULT", "Ġapparent ly", "RE EN", "Ġfrequ ently", "Ġtrad ition", "ocol ate", "S I", "ĠArg ument", "F ocus", "ert e", "ĠL ayout", "Ġd x", "Ġgener ator", "ĠW ait", "P olicy", "l ights", ".Ex ecute", "P y", "Ġbed room", "ed a", "ra id", "ĉs ize", "Ġan cient", "Ġp ump", "Ġd w", "Ġ(! (", "Ġspec ify", "( status", "ĠF BI", ".ex ception", "Ġrem ark", "ly mp", "ant ee", "Up load", "ern et", "é ¡", "in ent", "ĠR ender", "d m", "ĠM emory", "r ich", "ĠT ools", "Ġk ne", "Ġper m", "b ad", "Ġd inner", ".res et", "Ġj Label", "Fe ature", ".S ervice", "Ġ( {Ċ", "Ġre ferred", ".class List", "Ġinit With", "ĠText View", "Ġne ither", "Ġcount y", "Ġ\" {", "ç §", "Ġt ack", "class Name", "ĠUS ER", "Ġre new", "` `", "get Name", "Ġb rown", "Err ors", "ert o", "Ġsust ain", "S O", "let es", "ĠIn valid", "Ġen emies", "un ge", "Ġexist ence", "err a", "Ċ ĠĠĊ", "utor ial", "# a", "p ay", "char ge", "ĠI re", "ate st", "Ġexp los", "Ġf ired", "N ER", "ĠT y", "ic ion", "U ri", "Ġobvious ly", "ĠC olum", "Ġ' +", "ĠDe vice", "- related", "_ ARG", "Ġv or", "ĠLess er", "_O P", "Serial izer", "Ġup grade", "L ight", "Ġc odes", "++ ;čĊ", "Ġwrit es", "fo od", "Ġé t", "@ section", "Ġtrack s", "Ġserious ly", "ch t", "(size of", "Ġimmedi ate", "Ġscient ists", "Ġ{ $", "_ ne", ".Anchor Styles", "Ġaccom mod", "ĠHar ry", "Ġs ight", "ĠPale st", "ersist ent", "Ġ Ñĥ", "- input", "Ġco ordinates", " ·", "W elcome", ".con f", "Ġgre w", "Ġb old", "ĠC PU", "(m y", "Ġperfect ly", "Ġmom ents", "ĠM ovie", "- data", "yst al", "_W IDTH", "ĠS creen", "æ Ŀ", "Ġdis ap", "Ġredu ction", ".Get Component", "_M ODULE", "Ġgener ic", "Ġd y", "all er", "Ġc url", "ĠB ody", "Ġb anks", ", t", "av g", "Ġev il", "Ġmanufact urer", "Ġrece iver", "Column s", "Ġing redients", "ĉ out", "qu es", ".L oad", "Ġslow ly", "ĠT own", "ĠC ell", "_n ormal", "_p refix", "ĠAl ert", "(\" {", "ä r", "âĢľ The", "ĠM D", "Ġcour ses", "ath an", "é Ļ", "oc c", "ĠS ER", "es ign", "Add r", "= ['", "(\" ./", "] }", ".f ont", "ĠInst agram", "ĠB order", "od a", "Ġh all", "Ġr um", "_b it", "Ġs aving", "_d own", "R andom", "_reg ister", "( Context", "Ġoppos ite", "R oom", "Y ES", "ан и", "Ġenjoy ed", "_r un", "C lear", "âĢ ĺ", "ĠF ord", "on ic", "ost en", "\"] )", "_ auth", "// čĊ", "Ġsuff icient", "LE S", "Ġph en", "Ġo h", "_c sv", "Ġrout ine", ".Are Equal", "ay lor", "Ġb asket", "_COM M", "rypt ed", "S im", "ĠSh op", "Ġstud io", "at os", "( W", "[ string", "ä t", "og a", "Ġsh r", "Ġs ick", "An other", "Ġdo ors", "_N E", "ĠTH REE", ". order", "raz il", "Ġmap s", "_TR UE", "trans late", "Ġnear by", "Ġn ach", "LO AT", "b atch", "Ġl ux", "ash es", "ang ers", "âĢ¦ âĢ¦", "_E VENT", "_ UP", "Ġact s", "in v", "_M ETHOD", "cc ion", "Ġret ain", "ut ch", "ĠÐ ±", "Ġknow ing", "Ġrepresent ing", "N OT", "p ng", "Con tract", "Ġtr ick", "ĠE dition", "uplic ate", "Ġcontrol led", "c fg", "j avascript", "Ġmil k", "Wh ite", "Se quence", "aw a", "Ġdiscuss ed", "ĠB ush", "ĠY ES", ".f actory", "t ags", "Ġt act", "Ġs id", "$ $", "ĠE num", "Ġfr ames", "} );", "Ġreg ul", "'] ;čĊ", "Reg ion", "ff f", "Ġc ro", "( com", "=\" +", "St udent", "Ġdis appoint", "RES ULT", "Count er", "Ġbut ter", "ĠH a", "ĠD igital", "Ġb id", "\"> {{", "ing ers", "ĠC ountry", "_t pl", "\"] )Ċ", "/ k", "d ating", ": #", "ĠD ATA", "yn chron", "_b ody", "olly wood", "Ġval or", "ip ient", "o ft", "UB L", "doc s", "Ġsyn chron", "Ġform ed", "ru ption", "Ġlist a", "Request Mapping", "Ġvill age", "Ġkn ock", "oc s", "\" {", "_fl ags", "Ġtrans actions", "Ġhab it", "ĠJ e", "ed en", "Ġa ircraft", "ir k", "ĠA B", "Ġfair ly", ". inter", ".A ct", "Ġinstr ument", "remove Class", ".com mand", "Ñ ī", "ĉm em", "( min", "Ġo t", "Ġcol le", "= s", "time out", "Ġid s", "ĠM atch", "ij n", "z ero", "Ġnetwork s", ".g ov", "Ġint el", "Ġsection s", "out ine", "(c md", "(d ir", "ĠLI ABILITY", "ĠB log", "Ġbr idge", "ĠC V", "con vert", "Ġ\" )Ċ", "ĠB ern", "_P O", "e val", "( set", "to ol", "Ġpay ments", "Beh aviour", "Ġcon crete", "Ġel ig", "Ġacc eler", "Ġh ole", "_ o", "TE GER", "Ġgraph ics", "O wn", "Form atter", "on der", "Ġpack ages", "/ a", "ĠK now", "Or Default", "Ġdut y", "W ait", "н а", "_rec ord", "[ t", "M esh", "Ġon going", ".be ans", "Ġt an", "Ġinter pret", "ast ers", "QU AL", "Ġleg s", "\\ Request", "- file", "_m utex", "ĠS aint", "// #", "Ġpro hib", "( info", ": =", "lin ux", "Ġb lo", "ot ic", "ĉf inal", "_ex p", "ĠSt op", "ap ing", "(s aved", "_p ush", "Ġe ase", "_F R", "pons ive", "str cmp", ": ĊĊĊĊ", "ä» ¶", "ol i", "Ġextrem e", "Ġprof essor", "Im ages", ".IO Exception", "Ġaddress es", "plement ed", "Ġincor por", "Ġuse Effect", "_O F", "ĠD a", "n ombre", "IR ST", "Ġdisc rim", "Ġcomp ens", "greg ate", "anc ell", "ach es", "ĠC riteria", "$ result", "D estroy", "Ġsecond ary", "W atch", "ĠS em", "ĠMc C", "Ġacad emic", "U pper", ":: ~", "ut ral", "ĠD og", "ad ed", "Valid ator", "Ġder ived", "Ġset Timeout", "ĠK en", "Ġtyp ical", "ĠB ob", "Ġb ounds", "ĠSe ason", "Ġc razy", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠ", "-r outer", "itt est", "ĠM ir", "Ġemot ional", ", v", "c n", "/ st", "å ½", "on om", "Ġdecl ared", "> .", "ail ing", "Ġ/* <<<", "Ġnorm ally", "(M e", "ev in", "lik ely", "Ġpoint ed", "ĠSt ack", "Ġw alls", ". Vector", "me an", "] ]Ċ", "Ġlist ening", "ad v", "Ġsw ap", "IF T", "Ø ª", ". argv", "ul s", "< option", "not ations", "Ġemail s", "ĠU kr", "ast a", "ĠTh us", "ĠSt one", "Ġappe al", ". âĢĻ", "Ġreg ulations", "Pre ferences", "ĠPh one", "ul f", "ĠD R", "Ġtechn ologies", "Ġpar agraph", "Ġnecess arily", ".e ach", "< float", "res a", "Ġunder st", "Ġf inger", "press ed", "-b y", "if fer", "w atch", "ĠB a", "A IM", "Ġwe ights", "ĠR on", "') }}", "[ self", "-------- --Ċ", "per iment", "Ġto String", "x ic", "ĠC amera", "! ĊĊĊĊ", "aur ant", "P refix", "Ġinstit utions", ": int", "Ġex posure", "p attern", "ĠLin ux", ".n umber", "red ient", "Argument Exception", "ĠCh ief", "\" },", "Ġelect ronic", "r ong", "er d", "sp Net", "ra it", "/ ',", "ĠOh io", "Cont rollers", "Ġcontin uing", "ĠT emplate", "ĠE th", "s z", "/ env", "En v", "% .", "art ers", ") ((", "ĠT ABLE", "Ġà ®", "per ature", "pro gress", "P res", "ê °", "im plementation", "Ġb ien", "Ġstre ets", "_M SG", "New s", "## #", ": /", "Ġcut ting", "x B", "ress ed", "_EN ABLE", "l ab", "Ġca using", "] ));Ċ", "b ra", "x FFFF", "il ly", "plet ion", "w ill", "_b ar", "Ġstruct ures", "ĠI mp", "Û Į", "Ġ< >", "Ġ ----------------", "_B UFFER", ".d ir", "Ġpl ain", "Ġpe er", "g g", "oint s", "Ġsomew hat", "Ġw et", "Ġemploy ment", "Ġtick ets", "ir ms", "Ġt uple", "s is", "$ sql", "r ig", "Ġcon version", "Ġg es", "Ġconfig ure", "eg r", "ĠC a", "Ġ__ ('", "ou ston", ".t oken", "Bl ack", "Ġmag azine", "A W", ". IN", "os ing", "Ġbro ke", "ĠC ru", "DE LETE", "Ġdestroy ed", "(M ath", "Ġappro val", "-d om", "ĠI II", "table View", "Ġdesign s", "Ġcrush ing", "Ġcons ent", "dir name", "om p", "Ġc rypt", "? (", "or ough", ". o", "ĉ list", "ams ung", ".\"\" \"Ċ", "err ing", "G oogle", "_p air", "_IN IT", "rem arks", "Ġg ear", "F ill", "l ife", "} \")Ċ", "Ġsuit able", "Ġsurpr ised", "_RE QUEST", "Ġman ifest", "att en", "Ġfr ustr", "ov ement", ".c lick", "Ġi i", "Ġexp ansion", "ig s", "P arse", ".Reg ular", "R ob", "_l ayout", "ì ł", "Ġtrans lation", "ĠBe aut", "B est", "_C OLOR", "< label", "Ġliqu id", "IT S", "Ġpro d", "Ġoper ate", "UI Kit", "Ġn atur", "arg ument", "_d etail", "ĠCent re", "Ġ\" --", "Ġ}} \"", "lo cale", ".t v", "_se q", "Ġup coming", "Ch art", "ĠDiv ision", "Ġclin ical", "Com pany", "S epar", "l as", "ĠH un", ": s", "Ġhead ing", "оР³", "Ġ\" \");Ċ", "[ id", "b ia", "Ġst retch", "ic ide", "Ġre produ", ".pro ject", "leg end", "end ers", "Ġrespons es", "Ġon t", "rit ical", "Ġref uge", "ĠL i", "Ġ: ĊĊ", "ĠTh ree", ".cont roller", "_IN DEX", "_F OR", "\\Model s", "j ax", "ĉex it", "Ġâ ĸ", "Ġc overs", "ĉ y", "- .", "IND OW", "Ġfail s", "in cludes", "Ġf ault", "Ġl y", "ñ o", ".s lice", "ILE D", "ĠP ur", "ĠAs ian", "_b atch", ".M ax", "v l", "ĠCOPY RIGHT", "Ġg iant", "ĠMan ual", "ĠC opy", "Class Name", "He alth", "C ursor", "IB Outlet", "Ġt we", "æ ³", "_label s", "Ġcol lected", "Ġfurn iture", "Ġdeal ing", "Control s", "ĠHot el", "ck s", "Ġch ose", "âĶ Ģ", "od d", "S R", "Ù Ĭ", "ì Ħ", "Ġacc ord", "ĠM ove", "ĠM ode", "ĠM ock", "Ġthread s", "++ ++", "ĠO ptions", "Ref resh", "ĠD id", "'] ->", "u cc", "_ch annel", ". abs", "Ġ{ },Ċ", "ĠW al", "er ior", "Ġmain ly", "ĠDr iver", "NotFound Exception", "Ġcount s", "e am", "Ġ& =", "Q uestion", "ĠA li", "Ġany more", "d etail", "t ail", "Ġm ile", "ĠF air", "Ġs orry", "Ġsurround ing", "Ġad m", "De v", "Ġmari juana", "ĠS ound", "ĠA sh", "F D", "Te am", ". port", "Ġ[ ]ĊĊ", "ub ble", "Ġas c", "Ġint ention", "A cc", "ch i", "ust ers", "Ġins pired", "se g", "CL U", "Ġman ip", "M etadata", "Con nect", "ĠB eh", "Ġfind ings", "Ġas sembly", "w orld", "Ġrem ained", "Ġu id", "( .", "Ġm x", "Lo op", "ĊĊĊĊ Ċ", "Ġfant astic", "wh o", "ak i", "ĠB asic", "ĠY et", "ĠUs ers", "ik ip", "Ġhead s", "ĠMich igan", "_ it", "ĠTor onto", "Ġrec ording", "Ġsub mitted", "_var iable", "medi ate", ".graph ics", "Ġst ood", "Ġre ar", "vel ocity", "_M ESSAGE", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "ro les", "ĠT our", "_ year", "end ment", "amp s", "ĠIre land", "m al", "Ġyoung er", "Ġstrugg le", "Ġc able", "ĠSD L", "(' -", "an es", "ĠNe ed", ".R ow", "P ol", "ĠP H", "_s cript", "ag em", "ĠB as", "_s pace", ". loc", ": i", "ad r", "Ġengine ering", "it en", ") &", "Ġu k", "ĠL ittle", "_C OUNT", "x A", "Array List", "æ į", "Ġ\" \")Ċ", "An chor", "Ġh ang", "t witter", "Ġcompet itive", ".s rc", "ãģ Ĺ", "Ġtrans late", "ĠCre ates", "ook s", "ĠR oll", "'' 'Ċ", "/ sh", "s ome", "Enc oding", ".res olve", "Ġdesign er", "ĠSt orage", "Ġz a", "ĠN ever", "Ġsomew here", "Ġbox es", ".s ource", "Ġpy game", "Ġgrow n", ".t w", "() ),Ċ", "', ['", "Ġoppon ent", "(s rc", ".l ayer", "AP P", "ĠAct iv", "Ġguest s", "ĠVAL UES", "};ĊĊ Ċ", ".n ative", "Ġamount s", ". RE", "Ġcl one", "Ġwer en", "Ġ\" <<", "_ ac", "Ġbreak ing", "Ġreli able", ".P OST", "ĠSk y", "Ġ' &", "Ġsaved InstanceState", "ast ing", "ill ion", "com ments", "ult y", ".m enu", "/ config", "Ġ ĊĊĊ", "T ODO", "Ġpurch ased", "_c or", "ĉ auto", "Compat Activity", "com plete", "_ graph", "is odes", "Ġsitu ations", "ĠH or", "Re ceive", "âĢľ We", "Ġent ities", ".assert Equals", "оРº", "ĠS ans", "v ince", "rom pt", "= Ċ", "Ġ/ .", ".Se lect", "yl v", "Ġb att", "A udio", "Ġincreasing ly", ".B undle", "Ġexpl ains", "the ast", ". offset", "Ġh al", "Ġtechn ique", "_l imit", "Ġdraw n", "AY ER", "Ġfeature d", "yy yy", "at in", "ph en", "ach el", "! \\", "l ower", "ĠG R", "Ġp ag", "ĠP arse", "Ġt ou", "ä¸ Ģ", "D istance", "Index Path", "Ġh ell", "s im", "UT TON", "Us age", "elen ium", "ĠF all", "Ġ\" .$", "ĠM u", "Ġcr uc", "Ġs ont", "REF IX", "Ġinter ior", "ĠO lymp", ".Auto Scale", "par a", "Axis Alignment", "Ġr iver", "D to", "Ġwith draw", "Re act", "- class", "b efore", "_ alloc", "Cont ents", "ĠW as", "I CT", "Ġform ula", "Ġindic ates", "ĠĠĠĠ ĊĊ", "_st ore", "it ting", "ĠIt alian", "_S et", "_re port", "Ġp id", "_V ER", "Ġw ins", "ĠCl oud", "\") {Ċ", "ch ester", "Ġden ied", "Ġw ird", "ĠSte p", "Ġinvest ors", "b old", "_d isplay", "ou ver", "or er", "Res et", "Ġsurg ery", "Ġstrateg ies", "/m aterial", "_ unit", "Ġc ouncil", ".P er", "ĠâĢ ŀ", "Ġre form", "F ramework", "Ġlist ing", "_b tn", "Ġb is", "% d", "eg as", "Ġsudden ly", "_S ER", "Ġa o", "_d irectory", "f as", "Ġprem ium", "Ġtrack ing", "ĠB L", "Ġm ature", "Ġbath room", "Ġ'/ '", "ĠÄ ij", "Per formed", "Ġsold iers", "arn ings", "Ġwalk ed", "- con", "b ottom", "Ġsurpr ising", "Ġg ene", "Us uario", ".DE FAULT", "ĠM IT", "C ODE", "ĠE gypt", "p icker", "ys ql", "AT URE", "d etails", "ĠCon ference", "In formation", "ĠM ail", "-d own", "r aries", "b ro", "Ġsubject s", "Ġ' *", "è¯ ·", "or ient", ": @", "ver bose", "E F", "Ġto ler", "eng ers", "Ġend point", "Ġstr ange", "Ġcol on", "Ġpre ferred", "de p", "ĠE V", "ARR AY", "Ġw he", "Ġp up", "_n odes", "Ġtalk ed", "Ġinstit ution", "db c", "Ġex posed", "te en", "ĠFr ont", "T T", "_N ONE", "\\/ \\/", "pro gram", "Ġencour age", ". `", "sh ire", "ĠIsl am", "e en", "N I", "' \"", ".W idth", "Ġlik ed", "Ġ{ ...", "ĠSystem s", "Ġvot re", "Ġmanufact uring", "Con verter", "ĠIn f", "ì ļ", "D TO", "Ġin ches", "Ġ à¤", "à ¹", "ĠChar les", "B U", "\")) ;ĊĊ", "ĠL abor", "un n", "Ġest im", "m obile", "ĠL earn", "_C ALL", "â Ħ", "Ġind ices", "Ġt ub", "ikip edia", "C ost", "row able", "ë ¡", "g age", "Ġfunction ality", "uzz le", "em os", ".l ib", "Ġd ass", "еРº", "enn a", "Ġsh ots", "Ġrest ore", "/ D", "For Key", "], [", "al ias", "l int", ".st ream", "æ ł", "_FORM AT", "Ġsil ver", ".re pository", "Ġlegis l", ".B order", "_fe atures", "Per mission", "Ġhous es", "ĠW ars", "_COM P", "Ġinj uries", "Ġconstant ly", "fl utter", "EN U", "ĠCon f", "Ġrecogn ized", "Ġpract ical", "Ġde cent", "B J", "] );", "ast y", "ĠAct ivity", "-m ode", "Ġsl ide", ".IsNullOr Empty", "ĠY OU", "P ower", "ind ices", "Ġqual ified", "Ġthrow n", "h ello", "ĠN ick", "l ah", "as sembly", "ĠSm all", "old ing", "Sh ould", "ĠSil ver", "(saved InstanceState", "Ġtog gle", ".N ot", "C trl", ": nil", "ĠCont inue", "ĠB oot", "æ ī", "ĠM ur", "d on", "ĠF A", "S napshot", "Ġassoci ation", "fo x", ", a", "az ione", "] )čĊ", "CT YPE", "Ġf ade", "ĠD ar", ".n avigation", "Ġl uck", "SC RI", "ĠDe ad", "Ġterm inal", "_LE NGTH", "Ġeff iciency", "Ġun w", "Ġn arrow", "iment o", "( Color", "ĠSe a", "_ area", ", A", "_ opt", "ĠHill ary", ".t ask", "ĠJ ac", "ast ed", "ĠAd am", "ĠIl legal", "Ġsearch ing", "Instance Of", "J ava", "ĠForm at", "Ġreal ized", "ĠChild ren", "Ġk il", "(f rame", "âĢĿ .ĊĊ", "Ġscen ario", "\"] );Ċ", "Ġincred ible", "li x", "IO Exception", "ĠQ uest", "il ty", "Ġun lock", "â Ĥ¬", "Ġre ferences", "ĠV ert", "B inding", "eg ative", "Ġwr ap", ".d atabase", "( content", "B uf", "ĠTr ad", "ĠA ud", "tr ace", ".m ock", "Ġther apy", "ĉ L", ".To Int", "ĠKing dom", "B us", "ha ust", "\"\" \"ĊĊ", "( end", ".draw able", "[ ];Ċ", "ĠH ospital", "Ġph arm", "---- -", "ĠA G", "é d", "> \");Ċ", "Ġw allet", "at able", ") $", "Ġmonth ly", "Ġdi agnostic", "S ymbol", "Ġiter ator", "un finished", "Ġimm igration", "s r", "RO W", "(g ame", "Ġclo thes", "ĠU nt", "Ġactiv ation", "_C on", ".h ash", "Ġinitial ly", ".H ash", "Ġcut s", "f ound", "ĠSt ory", "ÑĨ и", "ac ao", "_T YP", "pro to", "est r", "-p age", "ah r", "Ġincor rect", "ĠJose ph", "TextBox Column", "_st yle", "ĠD aniel", "s heet", "Ġl iv", "l ined", "Ġr a", "R untime", "_ empty", "sl ug", "_ struct", "ë Ĭ", "m u", "Ġper mitted", "Ġreg ional", "Ġsob re", "ĠS uch", "Ġ[ _", "Ġro of", ".Al ignment", "t imes", ".m sg", "Ġche st", "ĠT ab", "Ġest a", "ä n", "Ġsubs cription", "( command", "s pecial", "Ġme al", "\") :Ċ", "_ ctx", "Ġclos ely", "et ry", "- be", "ad el", "ĠR am", "ig est", "ĠSpan ish", "Ġcommit ment", "Ġw ake", "* >(", "P HP", "_ {", "ck er", "< List", "_n ull", "ĠRes erved", "Ġin her", ".Column s", ".A spNet", "_IN VALID", "ĠParam eter", "Ġex pr", "} {", "Cell Style", "Ġval uable", "Ġfun ny", "In v", "Ġst able", "* t", "Ġp ill", "pl iers", "ĠC SS", "ĠCon dition", "ĠS peed", "ublish er", "Ġoff ensive", "ce st", "ic as", "Ġsp ark", "ĠPro te", "set up", "IF Y", "ĠT ax", "Wh o", "F amily", "- for", ". uk", "Ġf asc", "sv g", "\") ).", "Ġbirth day", "âĸ Ī", "ve h", "el led", "Ġimport s", "ĠIsl amic", "T A", "ĠSt an", "we ather", "Ġsus pect", "e ature", "enn es", "W M", ".m inecraft", "av id", "è ½", ".se curity", "in os", "G ood", "Ġm arch", "Ġposs ess", "us uario", "Con s", "am ber", "ched uler", "Ġhor se", "ç ½", "(b ody", "ĠTrans form", "_de code", ".s vg", "Ġf oo", "Ġd ella", "ext ends", "am er", "Ġprocess ed", "ĠH arr", "ĠA I", "Ġk o", "CH AR", "( %", "Ġt ap", "({ '", "c roll", "D OM", "Ġte a", "Ġre in", "Ġworld wide", "_f n", "sh a", "Ġb ir", "ç ões", "=\"# \">", "Ġrepresent ed", "ill er", "(ex pected", "Ġd ance", "Ġvisit ors", ".con cat", "-b it", "UR RE", "ĠR og", "v p", "ip h", "ĠL LC", "it led", "iam i", "C oll", "_re al", "_sh ow", "_f older", "Ġd ar", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "Ġl atter", "arch y", "Ġb ow", "Ġout come", "ĠPost ed", "Ġris ks", "ĠThere fore", "Ġowners hip", "Ġpar allel", "Ġp ending", "ge ometry", "Ġrecogn ize", "ST EM", "ĠC P", "Ġimm igr", "IT LE", "ĠĠĠĠ ĉĉ", "conn ected", "Ġsm ile", "(d ocument", "\\ Component", "vert ical", "Ġconsum ption", "Ġsh oes", ". impl", "un ks", ". \";Ċ", "Ġfood s", "_ );Ċ", ".assert True", "Ġp ipeline", "Ġcollection s", "Ġearn ed", "ĠC ert", "Ġpartners hip", "( action", "Ġc d", "ĠV ery", "Option al", "Ġscre ens", "Ġtit les", "ener ator", "Ġab andon", "k ind", "IL TER", "Ġclos ing", "lic a", "_ inter", "Ġcamp us", "set ting", "S prite", "ãģ ¯", "_re ply", "To List", ": \\/\\/", "ed e", "Ġfol ks", "Ġbo at", "( argv", "Ġperman ent", "Ġcarry ing", "Ġconserv ative", "import ant", ". img", "ĠIm m", "Ġdim ensions", "al and", "s ingle", "Ex it", "-------- --", "ari ant", "tern al", "Se conds", "ĠIt aly", "ot lin", ".Res ume", "=' \"", ") ==", "cept or", "Ġs ca", "/m ain", "Sec urity", "_d at", "Ġlet s", "Ġa qu", "Ġwhen ever", "b erry", "Ġact ing", "ant i", "p d", "& gt", "æ Ń", "Z one", "T oday", "! .", "To Props", "ab is", "it able", "Ġg al", "] {", "iz ona", "Ġin contri", "N ET", "/// Ċ", "[ in", "_s ave", "Ġex em", "ĠK enn", "Ġev olution", "var s", "_st ats", "- only", "ĠColor ado", "Ġwatch ed", "b our", "Ġsever e", "Ġprofession als", "port ion", "Ġguar ante", "Ð ³", "Ġpush ed", "ĠG i", "ï ½", "Ġt um", "ĠA z", "ĠEdge Insets", "\")) ;čĊ", "is se", ". ac", "Set ting", "Ġapprec iate", "ĠValue Error", "Ġsur ve", "ĠR ole", ". Inter", "plot lib", "j et", "d am", "Ġplatform s", "te le", "UT O", "ĠInt ernal", "+ :", "} ;čĊ", "Gener al", "\\ Entity", "Ġlawy er", "qu iv", "ĠPost s", "is o", "Ġacc um", "ob e", "Ġmark s", "Ġ] ;ĊĊ", "ĉ text", ".s uccess", "cur r", "as a", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠ", "Ġth in", "_ over", "are st", "ĠO s", "( address", "Ġvel ocity", "Ġ[] ;ĊĊ", "=\" ../../", "ĠPr iv", "b ow", "Ġguar antee", "% ĊĊ", "Ġeval uate", ".LE NGTH", "Ġin ventory", "q a", "_de bug", ".On ClickListener", "Ġl ies", "Ġassess ment", "dat etime", ".background Color", "Ġ*/ čĊčĊ", "ra f", "un wrap", "ĠF oot", "Ġnot ify", "Ġlow est", "DO CTYPE", "Ġl anguages", "ex tra", "- back", "Ġein en", "tem plates", "_p ass", "ĠM ust", "Ġest á", "_c ore", "ĠSc ot", "A I", "Ġb ias", "ations hip", "Con stant", "Ġprogram ming", "In s", "uspend Layout", "ĠPRO VID", "ant es", "Ġsh irt", "in ated", ". OK", "[ a", "Ġthink s", "? ĊĊĊĊ", "Ġregard less", "ĠMag ic", "ul ating", "ĉ class", "add Group", "RE ATE", "ĠS U", "Ġsim pl", "c opyright", "Ġb unch", "Ġun iverse", "ĠE rr", "Ġpresent ation", "c ategories", "Ġatt ach", ".s ign", "_A C", "Ġdisc ipl", "Ġregular ly", "Ġprim arily", "ink s", "[ [", ".r and", ".sh ould", "ownt own", "=\" '", "Ġs ans", "Ġsupport ers", "se quence", "G O", ". .ĊĊ", "ĠS pr", "Ġcare fully", "U IColor", "dest roy", "Ġtod os", "ĠOR DER", "ott ed", "Ġd ont", "aud i", "_ player", "g re", "ĠO il", "< body", "_st ack", ".P adding", "ĠProduct s", "Ġpriv ile", "Ġinj ured", "ĠF urther", "Ġal ias", ".Resume Layout", "_LE N", "Ġs es", "'] ;ĊĊ", "cre ens", "Ġdirect ed", ".S uspendLayout", "od ge", ".A t", "mark s", "ĠUn ivers", "ert s", "ĠE sc", "Ġnav bar", "Ġutil ity", "agnost ics", "Ġin ject", "ĠD NA", "Ġ\" ,\"", "am ar", "Ġe u", "Ġrestaur ants", "_p ut", "ut ers", "Tool Strip", "t w", "ist ro", "Ġz oom", "Ġleg it", "pec ific", "ĠC ome", "Ġlocal Storage", "Ġabs or", ".P anel", "ĠDesign er", "Ġo w", "IC AL", "_ uri", "(f ield", "Ġsup erv", "Ex ists", "Ġrespect ively", "ĠSt and", "Con f", "uss ian", "Ġar c", "Ġ nd", "uck s", "Ġre str", "Ġseason s", "ĠCh apter", "ĠSw itch", "p ic", "Ġh i", "load ed", "Ġfl uid", "-b tn", "Ġrun time", ". it", "B N", "Op acity", "as ant", "ry ption", "-n ative", "Ġta ught", "å ¯", "ag ment", "Ġm ul", "Reg istry", "_ grid", "ĠBro ok", ": Set", "Ġm ongoose", "AM ES", "inner HTML", "Ġs oci", "ĠInt el", "get Id", "C md", "Ġaccess ible", "r ames", "le ton", "Ġ__ (", "ĉ delete", "ĠS quare", "\" ĊĊĊ", "Ġbu cket", "avor ite", "ĠB reak", "++ ]", "Ġbr ush", "Ġt ensor", "/ http", "T ile", "Ġfunction al", "Ġ\" *", "wh el", "Ġt ent", "ĠChar acter", "Ġse es", ". ST", "B ig", "Ġext ern", "Url s", ")) )),", "ĠJ r", ".B uilder", ". ;", "n l", "_ Init", "ĠH ER", "ż e", "mys qli", "_ icon", "v an", "Ġfeel ings", "Ġle an", "Ġhop ing", "T V", "=\"čĊ", "b est", "all as", "ent ed", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĊ", "_con nection", "Ġrep o", "en abled", "аРº", "Ġsh a", "Ġmembers hip", "Status Code", "in ating", "_s m", "_c ustom", "_ weight", "Ġc ss", "St at", "_ env", "link s", "TR L", "ĠH it", ", r", "up id", "Ġop ens", "Ġg ent", "_v is", "Ġj oy", "< w", "_c ost", "ĠPy Object", "ren ce", "ĠGeorg ia", "ĠBro ad", "m ma", "â Ĥ", "p f", "Ġ\" \\\"", "Ġ( &", "om o", "Ġliter ally", "Ī ĺ", "met ric", "Ġb ars", "z ed", "(w indow", "ĠIsrael i", "Ġform al", "ident ifier", ".d ao", "ĠDe ath", "% ;Ċ", "Ġdecl are", "ar ms", "RE AM", "PERT Y", "Ġconsequ ences", "to ols", "Pe ople", "ĠWh ich", "> ();čĊ", ".de code", "_A CT", "Button s", ".f loat", ".F irst", "ë ¥", "ĠPol it", "ĠX CT", "T ags", "ĠCG Float", "= str", "Ġle af", "- check", "ĠI ss", ".s ystem", "log out", "ach t", "Ang le", "s in", "ch art", "INT ER", "ĠN UM", "B asic", ".P roperties", "ä¸ Ń", "_ change", "ĠB razil", "Ab stract", "Ġ: +:", "_ use", "а л", "ĠL y", "IB UT", "Ġout er", "Ġ-- >čĊ", "Ġrel ief", "l ap", "qu er", "_p arent", "he ap", "LO SE", "Ġcomb ine", "ĠR ose", "ow ers", "Ġproced ures", "ĠS ort", "an im", "var iant", "eh icle", "Ġsign ing", "Pr imary", "c urrency", "Ġsex e", "o en", "th eta", "em an", "Ġimpress ive", "(' _", "ĉ U", "ĠText Style", "_c nt", "Ġs lice", "(' :", "Ġunderst ood", "H is", "Ġinform ed", "Ġn ick", "(T AG", "h d", "Ġelection s", "est ure", "ĠS anta", "ĠCo ast", ".p df", "inc iple", ".cl one", "b orn", "ut a", "Ġl icensed", "C r", "Ġb read", "ĠH ouston", "Ġn od", "Ġhop es", "ĠCG Rect", "Ġgu ilty", ".g if", "Ġro se", ".Com mon", "T ip", "AN K", "ĠF C", "D uring", "ĠSym fony", "Ġdef ensive", "k m", ") >", "arch ive", "ĠU RI", "ycl ing", "- o", "ĠWe bsite", "AM P", "ish ment", "Ġdo ctors", "D irect", "AR I", "ĠRed irect", "ier en", "_d ist", "y o", "ĠPro gress", "Ġz um", "Ġmem or", "ĠE D", "Ġj ur", "æį ®", "_T ABLE", "Ġu uid", "Ex pr", ". head", "(' %", "point er", "Ġest imate", "ĠG reg", "Ġlo ader", "Ġi OS", "Ġm ens", "[ y", "Ġref used", "Ġprec ision", "is ch", "ĠA CTION", "Cl oud", "s With", "( ret", "_ADD R", "_con f", "(d f", "Ġlock ed", "Ġr ising", "ãĥ» ãĥ»", "ĠM s", "Ġscen es", "_EX T", "_ raw", "_ the", "pe ople", "Ġre con", "ĠF un", "Ġb less", "ĠUp dated", "ü n", "ĠĠĠĠĠĠĠĠĠĠĠĠ čĊ", "pe ction", "Re lease", ".log ger", "ĠS Y", "Ġcoun sel", "ur d", "_ true", "Ġevery body", "iv ot", "Ġh ence", "ĠN AS", "Ġoppos ed", "unk nown", "ĠDES C", "ĠCh air", "fa iled", "ĠIN CLUDING", "Ġwrit ers", "{ }Ċ", "ÃŃ t", "_c opy", "} :", "ĠB at", "Ġconvert ed", "ed ing", "pl acement", "ĠH ost", "S ound", "и м", "Ġs ought", "m id", "Ġsal ary", "og g", "âĦ ¢", "b ul", "Ġw ir", "valid ator", "_ST AT", ".st ore", "ĠB attle", "ı n", "Ġ-- >ĊĊ", "Tr ump", "d ot", "ĠCON T", ".f etch", "Ġcontin u", "w as", "Ġfra ud", "_t mp", "mit ter", ".p ictureBox", "G A", "Ġt ournament", ". Input", "[ r", "ex ion", "cent age", "ĠKore an", "und ef", "ĠAv ailable", "resh ape", "Ġk it", "ĠStr uct", "ĠS UB", "An swer", "_l ib", ".t witter", "Ġo re", "ĠDr agon", ".Ex t", ", k", "Ġexplan ation", "ref s", "ĠDr ive", "ĠTr aining", ".H as", "int age", "b ig", "olog ist", "enn is", "Ù ĩ", "Ġch icken", "ĠĠĠĠĠĠĠĠĠĠ Ċ", "ç Ľ", "ãģ §", "Ġpe ak", "Ġdrink ing", "Ġen code", "ĠNE W", "m alloc", "ĉf printf", "Ġ= ================================================================", "in cluding", "Ġprincip les", "ĠM ah", "st orage", "- key", "Ġkey word", "% ;", "Ġtr ained", ".con trib", "Ġk v", "__ ':Ċ", "ĠB oy", "param eter", "Ġsu ite", "Ġthous and", "Ġco ordinate", "-g enerated", "íķ ĺ", "gener ated", "Ġad mitted", "Ġp ussy", "# w", "Ġsw im", "un ion", "N a", "ĠRoy al", ".ch annel", "Up dated", "_RO OT", "Ġv ital", "ra ction", "ĠCrush er", "Ġpre ced", "Ġhor izontal", "Blue print", "Ġattr s", "Ġsm oke", "Ð Ĵ", ". Equals", "F B", "ĠRes ources", "roll ing", "Ġpass es", "ĠN um", "rot ate", "et ype", "\\ \",", "Ġsens itive", "Ġt all", "? âĢĿĊĊ", "Pro xy", "i y", "_ section", "âĢĶâĢĶ âĢĶâĢĶ", "br id", "Ġcirc uit", "at an", "EN C", "Ġdr iven", "Ġvot ed", "Ġeduc ational", "Ġinter action", "abet es", "Ġt one", "ĠInitialize Component", "Ġmer ely", "Ġì ŀ", "co okie", "_ div", "ĠUIL abel", "vel y", "} );čĊ", "_ ENT", "#+ #+", "art icles", "ĠSou thern", "Ġstrong er", "ĠG iven", "ĠE ric", "ĠI R", "ab stract", "U nder", "n able", "Ġincre ment", "ov en", "Ġco in", "_t imer", "Ġsuffer ed", "ĠF REE", "'] .\"", "ĠQue en", "st ats", "Ġmeet ings", "Ġenter ing", "Ġalong side", "(s ession", "it als", "Ġfound ation", "ĠC redit", ". div", "_ ALL", "pc ion", "_st at", "ick ing", "Default s", "_s rc", "Ġoutput s", "/ B", "Ġent hus", "-b l", ".Fore Color", "ĉ temp", "F ace", "Ġinter act", "Ġwe ird", "M ount", "re ll", "ud ents", "Ġrequire ment", "ĠS us", "I ER", "Ġe lected", "re ference", "ĠM E", "Ġserv ers", ".w ait", "Ġsnap shot", "il ton", "Ġtri es", "Ġt ipo", ".T ime", "> w", "Ġmount ain", "Ġp ounds", "Ġ[ ...", "ex ists", "Ġng On", "_M AP", "Ġf lying", "xi ety", "ĉ value", "_D B", "un o", "Ġse ats", "T URN", ". author", "! )", "or ce", "Ġindic ated", ".s in", "Ġass ignment", "im iento", "ĠF rame", "_g en", "in ery", "_ )", "m essages", ".set tings", "ĠMe an", "ĠM useum", "ir q", "att ach", "ĠPalest in", "_ QU", "_t ags", "Ġcas ual", "em en", "ASS WORD", "$ s", "ĠC irc", "оР¹", "et ric", "/ P", "Ġep och", "< head", "_C MD", "Ġg it", "Ġpen alty", "or ph", "_ users", "ours es", ".Date Time", "atern ion", "_pro ject", "Ġsuper ior", "ĠD am", "ĠSe attle", "X Y", "> The", "ĠA k", "Ġgr ass", "/* čĊ", "(d is", "Ġgun s", "Ġt b", "ĠK evin", ". args", "ĠA h", "op ed", "( J", "column s", "arg uments", "ĠWith Events", "_f ull", "ĠDef ense", "S imple", "Ġdeath s", "Ġext ensive", "ĠSt ill", "ĠEx pression", "ĠAg ency", "Ġperform ing", "F X", "Ġus uario", "U AL", "S ide", "od os", "apt op", "Ġcred entials", "_c ap", "at ient", "ĠDis ney", "Ġa i", "Ġch ip", "Ġvol t", ".make Text", "%%%%%%%% %%%%%%%%", "Ġbelie f", "_LO C", "ĠC ivil", "N avigation", "Ġreve al", "Ġviol ent", "ĠF il", "Ġc atalog", "em ed", "sc an", ". control", "Ġconstit ution", "C ountry", "Separ ator", "_A PP", "top ic", "uet ooth", "M IN", "Ġdes criptor", "y t", "ET HER", "Ġdistrib ute", "' }Ċ", ".tr im", ".L ine", "Ġl bl", "assert Equals", "ĠD et", "omb ok", "( width", "Ġt ort", "ĠEXP RESS", "ac o", "Us ing", "ĠBr and", "w all", "EM ENT", "ĠComm unic", "< uint", "ĠG UI", "EG IN", "ĠR ange", "/ i", "ĠT aylor", "c ost", "Ġrespond ed", "ĠTh eme", "n ce", "IS H", "Ġfeat uring", "Return s", "ĠK r", "Ġ .Ċ", "Ġn am", "_c b", "Test ing", "Ġ{ },", "y al", ".f ield", "Ġ/ =", "_SH ORT", "m ates", "Test Case", "ain less", "Ġeval uation", "_ ITEM", "ĠPac ific", "ĉ k", "Ġc ant", "ĠR os", ") s", "Ġf et", "STR ING", "ĠDis pose", "g al", "ĠJ oin", "ĠP orn", "ĠCath olic", "AR GET", "cp u", "ç łģ", ".sc roll", "IS ING", "ifest yle", "anc ement", "Ġm erc", "ĠB rowser", "eter min", "Ġover flow", "Av ailable", "Ġbott le", ": UI", "ific ial", "Ġco ord", "clar ation", "Ġcon j", "G LOBAL", "ok u", "Ġk wargs", "cond itions", "ul um", "Ġg enu", "ĠH ero", "å İ", "Ġun expected", "ĠDAM AGES", "Ġk a", "ĠC ould", "UP PORT", "ĠPh otos", "Ġconf ident", "Ġdet ected", "de g", "rg b", "Ġstrong ly", "Ġ} ;čĊ", "Ġ) :", "Ġle ct", "urs ive", "RO L", "ĠWe ight", "Ġent ertainment", "Ġ) );Ċ", "Ġg onna", "Ġb b", ".d o", "G S", "Ġmist ake", "D L", "ĠPROVID ED", "ear ning", "L imit", "iss ions", "[ v", "ä¸ į", "ir ty", "D el", "Ġunder lying", "pre ne", "Ġj aw", "ĠD I", "pe er", "Ġobject ive", "Ġde posit", "Ġk on", "Ġes p", ".set Visibility", "/ login", "< typename", "Ġfr anch", "/ e", "Par allel", "Ġsc ored", "ĠH on", "ĠV ill", "ig a", "Ġant icip", "_ assert", "ĠO pt", "Ġdescri bes", "w an", "m ount", "Ġmonitor ing", "Ġt out", "ëĬ Ķ", "}, {", "................ ................", "= int", "Ġc ust", "---- --", "Ġatmos phere", "P AR", "ort e", "IS IBLE", "ĠI ron", "ĠNot ification", ".log ging", "ĠBO OL", "-p oint", "Ġaf raid", "ent a", "Ġtom orrow", "@ implementation", "Ġeng age", "ĠAn th", "ĠF loor", "ĠU l", "To ols", "Ġb ab", "Ġcare ful", "ãģ Ħ", "Ġcruc ial", "Ġcalcul ated", "ĠS A", "Ġw y", "D X", "_T AG", "ind ed", "Ġj et", "ĠEngine ering", ".M AX", "en z", "v d", "Ġpublic ation", "Ġ## #", "Ġfac ed", "ra ham", "ĠC apt", "As set", "ĠCon stants", "Ġlo ans", "_ IP", "ĠF ish", "Red uc", "_m at", "Date Format", "_m e", "[] []", "Ġintegr ity", "ĠC ourse", "lob als", "Ġfac ilit", "Ġem br", "ĠN g", ".S ystem", "Ġmanufact urers", "Ġpro ven", ".on Create", "Ġal arm", "Ġ §", "Ġcomm only", "ic os", "æĸ °", "ĠSt ation", "} ).", "ĠF ilm", "w i", "ç ī", "Ġeng aged", "St ats", "Ġgovern ments", "Ġafford able", "_p roperty", "Ġag es", "(' --", "Ġf ör", "ĠProf essor", "Ġhy dro", "P ush", "Ġorgan ized", "Ac cept", "é m", "_c ell", "Ġn b", "p b", "Art icle", "Ġrem oval", "Ġauth entication", "ĠF R", "l ide", "Ġple asure", "ap ol", "Ġpart ition", "ĠS ide", "Ġcr imes", "Ġdem o", "hold ers", "ĠPak istan", "In struction", "Ġexpect ations", ".sc ene", "Ġ' )", "h es", "ino is", "_P ro", "Ġm olec", "and al", "_sh ort", "Ġdefault s", "Ġn ations", "in en", "Ġr t", "O CK", "P acket", "S B", "ĠSH ALL", "_cont ents", "ise conds", "vert y", "á t", "G uid", "n om", "Ġcon clusion", ". Update", "Ġlo vely", "Ġem it", "b ec", "ĉĉĉĉ Ġ", "Ġintel lect", "Ġb rew", "ec ycle", "F ire", "Ġad mit", "Ġar bit", "Ġarr ang", "ĠM IN", "M ail", "ĠN ative", "C ur", "Ġcon vent", ".R untime", "\" }Ċ", ".R un", "Ġprint ed", "Ġconven ient", ". ar", "m ock", "ĠAdmin istration", "ãģ ¾", "Ġelect ron", "fl ate", "Ġl ombok", "Ġjava fx", "n h", "Ġsup plies", "Ġvisit ing", "ah l", "Ġpow der", "Ġult imate", "Ġorient ation", "ut as", "_s cale", "Con firm", "ph ones", "ĠOper ation", "/ T", "_IN TER", "Ġair port", "Ġmet rics", "Ġphen omen", "a udio", "Ġm ai", "( K", "h u", "all ing", "rodu ction", "ĠTrans port", "ĠNOT E", "æĸ ĩ", "Ġfew er", "_T IM", "ì §", "к и", "A ge", "F IN", "Ġì Ŀ", "ĠAt tribute", "group s", "er k", "at to", ". define", ".AspNet Core", "ategor ia", "ĠS ir", "( form", "< User", ". round", "_d ay", ".A ll", "Servlet Response", ".N o", "l arge", "IG H", "qu ent", "Ġvir us", "Ġret ro", "Ġim per", "Bit map", "Ġv ice", "Ġoff ense", "ist e", "ĠA UTH", "Ġê °", "ToolStrip MenuItem", "G u", "Ġr ape", "ĠDav is", "Ġover whel", ": flutter", "- table", "ĠCon structor", "Pr ivate", "e ven", "ch r", "Ġap plies", "_at tribute", "Ġcon tribute", "E VER", "L ines", "ĠAf ghan", "Vis itor", "ĠS L", "se ason", "C U", "Ġintrodu ction", "Ġmat plotlib", "Å ij", "Ġnewsp aper", "âĢĶ and", "< tag", "Ġin i", "Ġd iverse", "Ignore Case", "ĠU r", "Ag ent", "Ġb ull", ".em it", "( Exception", "ar Layout", "Ġincred ibly", "ĠTr ust", "={ (", "- nav", "Ġe quals", "Ġl ady", "ĠP od", "d isc", "al am", "ĠI V", "â Ļ", "iv idual", "ph i", "add ed", "Ġdifficult y", "Ġcomp act", "ĠAction Result", "c ers", "_class es", "Non Null", "Ġqu it", "Ġp ou", "S witch", "ir s", "- test", "ĠK ind", "ĠCal endar", "Ġstream ing", "} ',", "S W", "Ġst ead", "oc a", "Ġprov ince", "Ġcol span", "Ġperson nel", "ĠE mployee", "Ġprodu cer", "Ġevery where", "od b", "Ð Ł", "bs olute", "act ivate", "Ġgr inding", "ĠBuild ing", "ĠSand ers", "(s c", "ĠOff set", "//////// ////", "} ;čĊčĊ", "({ \"", "Ġscan f", "ĠY Y", "ĉdef er", "Ġj ew", "Ġrestrict ions", ".m p", "[ l", "ä¸ ĭ", "label s", "red icate", "aw esome", "Ġw aves", "Ġcon front", "Ġmeas ured", "Ġdat as", "_ex it", "ot ton", "Ġshould er", "ask a", "+ #", "ĠĠĠĠĠĠĠĠĊ ĠĠĠĠĠĠĠĠĊ", "Ġtro ops", "ĠU nd", "_c ard", "w ich", "Ġn ous", "Ġ\"/ \"", "s b", "Ġcommunic ations", "Ex port", "Ġdec ode", "th s", "inter pret", "By Name", "ĠSp irit", "ed ges", "O LE", "ĠE M", "t it", "ĠTh rough", "Ġb io", "ĠP ackage", "or ne", "Ġ} .", "` ;Ċ", "Ġok ay", "ĠZe aland", "ident ity", "(n ext", "ĠB ang", "Lib rary", "Ġheav ily", "il on", "Ġdi pl", "Ġrot ate", "put s", ") ',Ċ", "ĠData Table", "Ġmay or", ".to LowerCase", "Ġsome how", "ĠNor thern", "al c", "Ġcap abilities", "Ġv ibr", "+ Ċ", "ĠS u", "ĠRes et", "_m ean", "Ġc ig", ".cl oud", "ĠB and", "ĠF actory", "ĠAr izona", "_ io", "op her", "Ġconsc ious", "Ġà ¶", "\\ Controllers", "_s peed", "ĠF ac", "_C om", "ĠB ible", "w en", "ED IT", "Ġun n", "ĠSt aff", "ĠIn n", "Ġmechan ism", "ĠM embers", "Ġmigration Builder", "'] .'", ".get Int", "< void", "ĉf ree", "oid s", "\\ Support", "Ġautom atic", "Ġch ances", "Ð ¶", "Ġcomp licated", "[ row", "ah oo", "Ġ}ĊĊ ĊĊ", "Model s", "W in", "Ġt ape", "ir us", "iz on", "on omy", "(\" _", ": .", ".st ereotype", "( env", "_re ct", "(w ith", "Ġassert That", "Ġcon straints", "put y", "E mployee", "T D", "Ġgu itar", "ĠJew s", ".pro cess", "Ġf iction", "ĠSh ared", "âĶĢ âĶĢ", "Ġprop ag", ".N et", "Ġachie ved", "ĉ Q", "Ġn urs", "Sh ared", "_FAIL URE", "Ġbeh aviour", "Ġcol s", "ism o", "Ġfem in", "Ġchalleng ing", "Ġpost ing", "enc il", "Ġcapt ured", "ĠD ou", "( word", "ĠTur key", "pan ies", "Ġre putation", "ORM AL", "Ġelig ible", "prot ocol", "id as", "(f rom", "Ġfin ance", "- per", "Ġg otten", "H A", "d uration", "ĠP arent", "Ġin vent", "Ġre start", "ол ÑĮ", "r ition", "(r s", "< bool", "i ert", "Ġmod ification", "ĠT X", "readcr umb", "b ank", "$ /", "ĠMill er", "] ),Ċ", ".Check ed", "Ġsac r", "se curity", "Ġp ose", "ĠBr ad", "Ġfit ness", "Ġannounc ement", "ation Token", "Ġserv es", "ne ed", "Ġge ometry", "AR S", "æ Ģ", "andid ate", "Ġs prite", "_s plit", "We ek", "ad ies", "> (Ċ", "?> \"", "Ġ/// Ċ", "Ġein er", "Ġweek ly", "ĉlog ger", "_p op", "_m an", "Ġmigr ations", "Ġask s", "Ġb s", "Ġfall s", ".W here", "- height", "_fe ature", ".M in", "Ġhy per", "Ġvol atile", "Ġtw enty", "Typ ography", "Un able", "D et", ", f", "-m od", "Ġsett lement", "Ġcontract s", "n ome", "B ad", "ĠB rian", "(user name", "!! !!", "Ġh ack", ".F ield", "H R", "ĠJ ordan", "iz a", "Ġ ł", "ĠSh er", ". header", "( other", "ĠD ub", "( op", "ĠR ound", "Ġv ie", "Ġap pl", "ĉ J", "ĠIn sert", "ĠL P", "reg on", "ĠM PI", "Ġan chor", "ac a", "ø r", "Ġa de", "anch or", "que e", "ĠTree Node", "Ġtarget ed", "Ġla id", "AB EL", "v et", "ĠOr igin", "A nt", ". ');Ċ", "ex pect", "ed Reader", "ĠM ajor", "Ġin ch", "Com par", "Ġpre view", "Ġill ness", "ĠCONTR ACT", "ĠInd epend", "u uid", "Ġn ome", "Ġt c", "ĠA venue", "is an", "Ġph rase", "_m ove", "\") [", "Ġprov ision", "Ġconcent r", "_ IR", "ĠU t", "() +", "Ġn as", "! ,", "ĠRob in", "i ations", "at itude", "Ġp x", "ĠWith out", "/b ash", "ek t", "re ement", "Ob server", "ĠReg ion", "UBL IC", "Ġ{ //", "K N", "å ·", "Game Object", "å ¾", "enc oding", "Ġ** *", "project s", "Ġt k", "Ġche ese", "EM PL", "ar o", "Ġا ÙĦ", "Ġcons ists", "ref resh", "ure au", "ĠSc anner", "Ġso il", "Ġfl avor", "Data Source", "Ex ecute", "ени е", "Ġsh it", "åĪ Ĩ", "< any", "Ġretrie ve", "Ġbelong s", ".st rip", "abs olute", "Ġexp anded", "bo y", "): -", "Ġresc ue", ".J Label", "Ġre ly", "Ġal ignment", "-f amily", "Ġre nd", "OLUM N", "Ġb orrow", "Ġqu otes", "ĠL ew", "Ġsh ower", "ĠDE LETE", "_lo op", "! \"ĊĊ", "ĉ re", "Ġattempt ed", "aver age", "ĠP aint", "quis ition", "ol en", "Ġliter ature", "ĠRe ference", "_TEXT URE", "ĠS eg", "ĠInd ust", "ct ype", "D UCT", "_H OST", "ĠTr ade", "Ġpl ugins", "Ġbre ast", "ul se", "Ġcreat ure", "ãģ Ļ", "ĠW i", "Ġsup plied", "c oll", "! (\"", "Ġfuck ing", "ĠCh rome", "ĠU ri", "ĠN ation", "Ġvert ices", "T HE", "ĠOr iginal", "on de", "Ġsh arp", "Ġcook ing", "Ġ{ /*", "ĠPs ych", "ĠH ollywood", "=$ _", ".D ock", "Ġg er", "Ġb one", "_con n", "_se c", "ys ics", "Ġ= \"", "S al", "s f", "Ġdeep ly", "ang les", "T erm", "b ell", "ĠQu ick", "ener ation", "adio Button", "åħ ¥", "}čĊčĊ čĊ", "Ġcapt ion", "l c", "ĠE L", ", [", "ĠĠĠĠĠĠ čĊ", "ret t", "(m ethod", "ĠFl ash", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "W ISE", ".s cale", "Ġrough ly", "_ child", "m emory", "ay ing", "Ġinitial ized", "in ator", "а ÑĢ", "Ġsc alar", "ĠH o", "ai res", "(c olumn", ".de stroy", "P ACK", "Ġh em", "ang el", "_S UB", ". qu", "Ġ ×", "DE FAULT", "pos itories", "ĠL ength", "ĠF ast", "Ġsign als", "Ġ// $", "ri ers", "Ġd ummy", "AN Y", "Ġperson ality", "Ġa gricult", "Pl atform", "ER O", "ĠT ra", "Ġen orm", "ĉ W", "Action Result", "Ġa ver", "[ str", "Ġ' --", ".S printf", "Ġdeb ut", "Ġ Ñĩ", "h ex", "_ utils", "Ġp b", "U ITableView", "Ġz ur", ". encode", "Ġv ag", ".error s", "о н", "Ġm r", "ĠA ward", "Ġc pu", "Ġpress ed", "' est", "ĠF estival", "' T", "Ġa k", "res olve", ".m e", "Ġn ic", "Ġgen re", "Ġat trib", "ĠMo on", "Ġarr ive", "ĠD ating", "Ġt m", ".Config uration", ". red", "Ġgl m", "Ġst ations", "sw itch", "Ġt ied", "äº º", "Ġ/ >Ċ", "Ġsubsequ ent", "pos able", "-fl uid", "Ġth orough", "Ġpublic ly", "apt ers", "ĠWil son", "_P RE", "y ard", "ä ¼", "ĉ in", "Ġre vers", "Ġbul let", "cri bed", "nes ota", "Ġ($ _", "ann on", "c ursor", "Ġclo thing", "ĠM ulti", ": ',", "Ġv ess", "ordin ator", "Ġein em", "C annot", "Ġar med", "ĉ V", "ä¸ Ĭ", ".F lat", "ĠS ep", "ĠSub ject", "_f ont", "Ġcharacter istics", "D one", "el n", "######## ####", "PO S", "Ġd ensity", "ĠPl atform", "- items", "Ġo vers", "Ġpush ing", "ç ¤", ".Con nection", "_ term", "Ġinitial ization", "________________ ________________", "ç ¬", ".d ocument", "les h", "ĉd ocument", "ĠP in", "ç a", "Ġdefinition s", ".P ath", "_W RITE", "Ġ ĉĊ", "? >ĊĊ", "Ġter rible", "be an", "ick ets", "ĠS V", "B uy", "(t ask", "Ġreg ime", "g oogle", "Ġcr ack", ".vis it", "N UM", "ener gy", "Ġstr uck", "_s ample", ".p ayload", "Ġre vis", "ĠSc ene", "Ġp g", "Ġbreak fast", "URRE NT", ".char At", "_ex ception", "ĠAnt on", "Ġguid elines", "Ġex haust", "ĠFin ancial", "Ġind ent", "Ġdes ktop", "H idden", "F ailure", "Ġpr inciple", "Ġ iv", "Ġse ks", "n etwork", "Ġnumber Of", "ĠAl bert", "ĉ long", ", .", "Ġz eros", "f ade", "ĠT yp", "ĠT erm", "ĠAr ts", ".App lication", "Ġbeh alf", "æĪ ·", "Ġm ere", "(` ${", "Ġaware ness", "elp ers", "f lix", "Ġwe igh", "Ġestim ates", ". child", "/ O", "ĠBit map", ".b ottom", "Ġ************************************************************************ **", "Ex pect", "ent o", "ĠFor um", "ver al", "Ġj ail", "Ġab ilities", "ĠH OLD", "ĠC it", "Ġd ynam", "Ġgr ay", "ĉĉĉĉĉĉĉĉ ĉĉĉĉĉ", ".next Int", "ant ly", "ĠAR ISING", "( private", "Ġreject ed", "ĠN ic", "Ġle ather", "= {Ċ", "aly tics", "th etic", ".T op", ".P age", "={ `", "Ġ ;čĊ", "de pth", "m ann", "W D", "ĠS om", ".R ight", "Ġ) }Ċ", "Ġtr ait", "à Ĺ", "i ac", "Ġr v", "S ample", ".X ml", "opp ed", "ĠÑ Ħ", "list s", "Ġt ear", "ivers ary", ".c ollection", "ĠCon stitution", "ĠHttp Response", "Ġbr ill", "ĠP rom", "h over", "ĠM iami", "Ġarg ue", "_f loat", "Ġ ãĤ", "Ġn at", "ĠT al", "Ġinteg ration", "(c ur", "Ġrem oving", "Ġco eff", "ĠTh ough", "Ġfore cast", "ĠV egas", "S ite", "Ġtr ab", "ĠHen ry", "- i", "Ġinvol ves", "B T", "Ġs lo", "In voke", "Ġl ucky", "r at", "Ġ? Ċ", "Ġhand led", "(f d", "cont ents", "ĠO FF", "R F", "Ġst y", "ĠM otor", "ter y", "t ax", "M AP", "ĠMr s", "Ġph ones", "ĠUI View", "\")) );Ċ", "( dev", "ĠIr ish", "Ġw s", "D I", "_OFF SET", "ĠEvent s", "Ġst ages", "Ġ} //", "Ġhab en", "ST ANCE", "ĠS in", "ĠM oney", "(t op", "Ġappoint ment", "VER SION", "met adata", "_com ment", "Ġcolle agues", "map s", "â ĺ", "Ċ ĉĊ", "( al", "_re q", "Ġf ut", "Ġarchitect ure", "ĠWH ETHER", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "_s creen", "Ġstyle Urls", "Ġmon ster", ". up", "ph ia", "Ġprocess or", "ĠT err", "= ',", "ĠMan ufact", "ĠN T", "k el", "ib ern", "ĉf ile", "A li", "rient ation", "Ġ// !", "ap ore", "ane ous", "ĠC reat", "f older", "Ġh ay", "Sup press", "( left", "Ġe uro", "Ġdis claimer", "ustr y", "sh ips", "_f d", "ĠF a", "_in sert", "Ġro l", "if ting", "ĠCom ments", "_b r", "Ġloss es", "ĠAdd ed", "ch arg", "Ġп о", "_s ystem", "ĠS ometimes", "ĠSp ain", "(g roup", "ial is", "Ġdoll ar", "ĠAr gs", "qu ires", "ĠT en", ".s css", "Ġsurv ive", "us age", "Ġj un", "im iter", "ï¼ģ ĊĊ", "Ġfif th", "t oggle", "Ġdecl ine", "($ \"", "(L ong", "ing e", "Ġpil ot", "-l ight", "-r adius", "Ġpod cast", "Ġnatur ally", "P ages", "ä¸ º", "ĠDes pite", "Ġlight ing", "Ġcr ate", "ĠB inary", "Ġredu cing", "Ġe leg", "ĠM ouse", "ĠTest Bed", "Ġbefore Each", "_ ARRAY", "Red irect", "Ġf lood", "Ġsh ips", "Ġelectric ity", ")* (", "ê ¸", "ĠV iet", "her o", "Ġd ia", "ĠK ent", "he art", "Ġthreat s", "_ acc", "Ġs ymbols", "is chen", "_in st", "C riterion", "ĠT IM", ". Height", "Ġ âĢĻ", "();ĊĊ Ċ", "Product s", "_S P", "ĠC y", "Ġdepend ent", "est e", "Ġdat os", "d it", "аР²", "IGN AL", "Ġless on", "\"> '", "ĠC over", "ĠH ope", "ĠT imer", "Ġd ad", "vid ers", "ĠPh ot", "/ ?", "rop y", "om ing", "as ion", "Ġ\\ (", "ĠE T", "ĠRe ading", "Ġep isodes", "l m", "ech a", "Ġne uro", "Ġhar mon", "Ġlib eral", "- ind", "D ATA", "Ġevery day", "Ġdiv ided", "ĠActive Record", "fig ure", "U A", "ä ¹", "riend ly", "te ch", ".game Object", "иÑĤ ÑĮ", "Ġmo on", "ft ime", "Ġno ch", "ĠT ORT", "ĠV M", ".in itial", "( child", "Ġmus ical", "Ġo c", "b as", "ĠH ay", "_l ong", "Ġmem set", "ile y", "adel phia", "S V", "ro at", "_t x", "Ġl on", "ĠngOn Init", "b p", "ĠGold en", "AC HE", "Ġwor ried", "az i", "E ar", "T ake", "(f p", "bur gh", "_ Data", "g res", "ĠO nt", "p us", "Ġtrans parent", "Ġp ocket", "Ġr am", "igr ations", ". čĊčĊ", "Ġ[ (", "Ġadopt ed", "Ġreported ly", "ĠD ream", "Ġ} ));Ċ", "los ing", "Ġte eth", "ĠBook s", "\", &", "enn y", "LE MENT", "Ġg el", "ĠPl ant", "! âĢĿ", ".h ost", "ĠRep ly", "re ngth", "Ġrecogn ition", "Ġ}} >Ċ", "L A", "Ġmir ror", "Ġassist ant", "( device", "Ġspirit ual", "b uilder", " §", "Ġou tr", "Ġt t", "ĠP ER", "Ġrad ical", "Method s", "Ġp ace", "ud y", "Ġg ut", "ĠG reek", "Ġnon atomic", "ĠP aper", "_G PIO", "Ġob st", ".A d", "viron ments", "ĠS ov", "( con", "ĠTrans action", ". assign", "ĉc atch", "el ter", "Ġbit coin", "_G R", "ĠčĊ", "met ic", "Ġtrans formation", "åı ·", "Ġr gb", "istrib utions", "Ġimp licit", "/ in", "dest ination", "аÑĤ ÑĮ", "Z ero", "Ġun set", ". where", ".g o", "Ġform ation", "Ġdeclar ation", "() čĊčĊ", "ĠEx pl", "ĉĉĉ ĠĠ", "/ pro", ".J SON", "Ġdes k", ".sub str", "//---------------------------------------------------------------- ------------", "ly n", "p son", "dis able", "ĠF unc", "ĉ Assert", "ĠM ARK", "Ġdefe at", "Ġbl ind", "Ġconst ants", ". headers", "UIL D", "Ġexp enses", "P ixel", "Ġh r", "Ġf el", "ĠEast ern", "_d el", "ĠC ub", "Ġs q", "ĉc ount", "ĠD irectory", "Ġex clus", "Ġhistor ic", "Ġ ------------------------------------------------", "Ġcom position", "Ġdata GridView", "ĠB urn", "ĠB C", "M aster", "Ġsp awn", "Ġbe aring", ".Set Active", "il o", "Ġg allery", "Ġfound ed", "Ġav ailability", ".s qrt", "Ġp es", "ĠD OM", "m ate", "O ct", "Ġmatch ed", "it ivity", "Ġan xiety", ".pr ice", "ĠIn stant", "ì Ĭ", "Ġt ut", "IC ollection", ".sh ared", "_s ql", "t bl", "lib rary", "_de stroy", "erm al", "ĠNot es", "ĠE in", "Ġsou thern", "ĠOTHER WISE", "Ġmac ro", ".l ower", "cl s", "Content View", ".l ink", "const ant", "ĠB es", "Ġsome body", "n b", "\"> {", "( local", ".. ...", "ĠN ull", "m x", "Ġà §", "Ġp ause", "-------- ---", "_M O", "ĠC M", "Ġfor Key", "ĠD VD", "Ġclose st", "_DE VICE", "ĠSte phen", "ĠB BC", "ĠTr avel", "P aint", "ĠResult s", "ĠR ule", "Ġt p", "Ġrat ings", "c in", "c sv", "> /", "ĠG OP", "l ad", "Ġ ÑĢ", "Ġindex Path", "m atrix", "= f", "ars ed", "Ġ} );", "ĠC os", "ĠS core", "Ġt ak", "ĠE SP", "ĠIN C", "_N ULL", "-f lex", "\"] [", "int o", "el and", "Author ization", "_F ALSE", "Ġg ate", "Ġv id", "ist ent", "T IME", "Ġre write", "Ġt ie", "Ġarch ive", ".event s", ".get Parameter", "ĠPer mission", "Ġprogram me", "Ġ é", "j ud", "Ġcam eras", "(s ys", "ĠSy rian", "Ġimpro vements", "Ġh ip", "Ġsu icide", "Ġsch olar", "Ġcompat ible", "rem ote", ".d own", "F UNCTION", "Ġman aging", "ĠUI Kit", ". raw", ">> >>", "Ġdem ands", "ell ite", "Ġd ent", "ĠM icro", "åı ĸ", "'] [$", "ĠI E", "im ension", "Ġt rem", "Ġg ained", ".w ith", ". ok", "h ou", "Ġb om", "amp aign", "Ġjoin ing", "f ish", "Ġadd Subview", "Ġnor thern", ".c or", "ore t", "D ie", "in ish", "_com p", "Ġatt ended", "Ġcoll apse", "ĠS S", "ac ent", "_E QUAL", "ĠDe ep", "R GB", "ĉ test", "ol ves", "us et", "Un ityEngine", "w riter", "Res olver", ", %", "if ference", "_re move", "ond a", "Ġfem me", "de code", "Br anch", "Ġfl ush", "Ġinnov ative", "Test s", "Ġ[' ./", "Ġcover ing", ". admin", "ultip art", "(l ambda", " namespace", "ĠS port", "Ġ! (", "ac les", "Ġde pression", "ĠK ong", "Ġp ert", "ĠCon n", "ĠOther wise", "/ home", "s upported", "Ġp ink", "Ġinv ited", "ñ os", "_en abled", "Ġ- Ċ", "F W", "en ers", "ĠM Y", "Ġsuggest ions", "Can vas", "Ġf er", "ĠMarket ing", "@ Test", "unt u", "ĠV en", "ĠC ou", "iv als", "Don ald", "lim ited", "ĉĉĉĉĉĉ Ċ", "Ġanal yst", "( entry", "Ġrepresent ative", "_at tributes", "Ġf ur", ".h ide", "res p", "ado res", "rid es", "ĠJ osh", "ro bot", "ĠN AT", "Ġs esso", "Ġintegr ated", ": true", "part s", "Ġst upid", ": event", "@end section", "Ġp u", ".T able", "ĠY ii", "` ;ĊĊ", "Ġcl ang", "=\" \">", "eng an", "_param eters", ".int ernal", "ĠMod ern", "Ġmet ric", "Ġsem i", "={ {Ċ", ".am azon", "ĠB B", "aint y", "view port", "Ġstart Activity", "dis patch", "**** *", "Ġfl av", "iffer ent", "[ this", "Ġst ake", "Ġarg ued", "vious ly", ".w ork", "ĠO ak", "O ld", "( async", "not es", "Ġfl ip", "Ġdis ag", "ĠT E", "ĉ error", "< '", "Ġ» ĊĊ", "Ġfilter ed", "ĠM ach", "Ġh ung", "_d ump", "_s amples", "-dis miss", "Ġr ay", "Im plemented", "D K", "Ġj ed", "Ġbreak s", "Ġf its", ". gr", "ĠZ ero", "or o", "Ġequ ally", "Ġ' [", "Ġconcern ing", "< meta", "play ers", "_P OS", "_s im", "J an", "Ġyour s", "ĉ N", "Ġsp ir", "Ġch ampion", "ĠAn alysis", "ap a", "ĠNS Log", "_l ines", "ñ a", "ĉĉ ĠĠĠĠĠĠĠ", ".S c", "Re p", "etro it", "ur able", "M IT", "com pat", "own ed", "_ind ices", "], čĊ", "Ġdis covery", "ĠDie go", "ob i", ". Index", "Ġtrend s", "PL AY", ".n o", "Ġl ens", "_c fg", "Ġan no", "ag an", "Ġperiod s", "ter ms", "y z", "Ġattack ed", "ib ration", "PEC IAL", "_ grad", "Ġaccord ance", ".Read Line", ".de vice", "ri x", ". container", "m ay", "erc ise", "ĠL u", "Ġr g", "ĠÑģ ÑĤ", "ĉĉĊ ĉĉĊ", "( un", "TERN AL", "Ġless ons", "Ġalleg ations", "Ġtrans mission", ".Re f", "M obile", "ĠT ournament", "ĠN ut", "ĠG a", "ĠCap ital", "def inition", "- exp", "c lean", "Ġfant asy", "Ġenh ance", "ent ence", "'] :Ċ", "ack ets", "Ġcelebr ate", "@ \",", "Serialize Field", "Ġarray s", "t b", "ĉ st", "[ assembly", "( reg", ".c ategory", "Ġimpro ving", "Ġsal ope", "Byte Array", "Or iginal", "Ġ[ {Ċ", "åĽ ŀ", "ĠCl in", "oen ix", "ĠS amsung", "Ġmaint ained", "Ġag enda", "f ail", "Ġpres ents", "Ġtim ing", ".m ark", "' ><", "Ġprom ot", "Ġin cl", "_ only", "ë¥ ¼", "ĠAtt orney", "- date", "Ġlands cape", "Ġf u", "S Y", ".p rop", "ĠA rr", "p ag", "Parallel Group", "': čĊ", "Ġlog s", "a unch", "unc i", "n ama", "Table Cell", "iss ues", ". {", "ec urity", "_ex ec", "old s", "Ġhost s", "Ġpro to", "_ import", "_s ort", "ĠB ow", "ĠN ormal", "ĠF arm", ".create ParallelGroup", "R otation", ". err", "Ġp leased", "it age", ".W h", "ĉĉ ĠĠĠĠ", "M R", "ĠM ORE", "ĠN atural", "_ transform", "B ASE", "ener al", "ut down", ".common s", "W T", "Ġa an", ". Result", "d og", "Ġclick ing", "), ĊĊ", "# line", "Oper ator", "Ġc iv", "Ġm erg", "ob uf", "ng then", "Ġ[ {", "Ġcan cell", "tr igger", ". :", "W ORK", "decl are", "Ġdecre ase", "ÅĽ ci", "lo om", ".N one", "ĠM I", "ĠJ ason", "Ġhealth care", "iam ond", "s ylvania", "* x", "ĠR a", "[ b", "Ġprint ing", "ph abet", "ĠLab our", "op per", "Ġz ijn", "-t arget", "_F UNCTION", "Ġo ct", "ени Ñı", "åľ ¨", "Ġwest ern", "Ġcomput ers", "ĠR ET", "Hash Map", "[ String", "get Value", "_D ATE", ".N ext", "ĠF if", "é l", "ick ed", "æ İ", "-M M", "Ġ{ ĊĊĊ", "Ġcontact s", "Ġdig its", "Pro du", "Ġunus ual", "Ġrapid ly", "t ures", "Ġang ry", "c ancel", "xx xx", "_p arser", "id ity", "_P REFIX", "Ġme hr", "Ġrare ly", "et he", "op es", "Ġ% .", "work s", "Ġthe ta", "Ġcontrib ution", "ĠT ony", "Ġsqu ad", "аР¹", "Ġî n", "th ere", "out ed", "ĉ q", "Ļ Ĥ", "g ood", "L I", "é¡ µ", "ĠL iving", "iz abeth", "Ġk t", "ĠD allas", "] ],Ċ", "Ġ/ >ĊĊ", "Ġrais ing", "/r outer", "_g ame", "ĠC UR", "z ens", ". es", "Ġfont Weight", "(f unc", "not ification", "Ġ'../../ ../", "Ġbl ame", "ãĢĤ ĊĊĊĊ", "an co", "Id entity", "f ollow", "Ġart s", "x s", "Ġofficial ly", "ĠSt udio", "Ġrecommend ations", "Ġloc ale", "Ġam ateur", "ĠEn able", "Ġcap s", ". End", "- add", "_g shared", "ĠC T", "For ce", "Ċ ĠĠĠĠĠĠĠĠĠĠĠĠĊ", "Ġor ange", "Ġl p", "Ġanswer ed", ".G rid", "Ġd ual", "Ġstrateg ic", "Ġnob ody", "Ġf atal", "_ est", "( el", "Ġì ł", "ĠB udd", "A IT", "_f actor", "- one", "ĠH AVE", "\" čĊčĊ", "Pro f", "Ġä r", "str ings", "Ġdir ty", "ĠF ace", "ĠB egin", "ĠB us", "Ġw is", "åŃ Ĺ", "Ġspe aker", "Ġcar rier", "ĠO m", "Ġhad n", "All ow", ":: __", "Ġver b", "ĠCom plete", "ĠE asy", "Ġb ills", "ĠĠ ĊĊ", "Vert ical", "Ġpr on", "ĠDef ine", "Ġlook up", "variable s", "Ġpand as", "um es", "Ġinn oc", "Ġset Up", "ĠCh ampionship", "art ist", "ĠC Type", "F oundation", "๠Ī", "ĠSet up", "Ġrec ipes", "ĠU IColor", "ĠF ight", "Ġauthor ized", "_c lick", "_s uccess", "ang an", "ĠMount ain", "ĠDo ctor", "Ġeg g", "ĠMedic ine", "c les", "` .Ċ", "[ int", "d ashboard", "ĠApp ro", "-d r", "Ġprodu ces", "Ġrent al", "Ġre load", "Ġarr ival", "sp ot", "Ġund ert", "Ġequ ipped", "Ġpro ved", "Ġcent ers", "Ġdef ines", "al so", "Ġop acity", "ĠUn fortunately", "ĠIll inois", "Ġн е", "ĠTem ple", "ĠTr ail", "ĠK elly", "Ġmeasure ment", "Ġsepar ated", "-c ircle", "H ey", "ĠRE AD", "ig its", "Ġ ib", "ĠM OD", "atter y", "аР·", "Ġv end", "ен ÑĤ", "ĠHttp Client", "s afe", "_A SS", "ic it", "ĠCon struct", "ĠC lo", "ĠS ix", "_T OKEN", "(b lock", "Ġwarn ed", "/* !", "! Ċ", "Ġinnov ation", "_ \"", "Ġ );čĊčĊ", "Ġsp ots", "Ġcho osing", ".c s", "Ġflex ible", "U Int", "Ġscr atch", "- al", "Ġf estival", "Ġout standing", "================================ ================", "M ean", "ĠO regon", "s ymbol", ". account", "d ney", "'' '", "! \",", "Ġpart icle", "à ĥ", "[ MAX", "IV ER", "ER ENCE", "NS Mutable", "ĠColum bia", "_ ĊĊ", ".f r", "Ġc ogn", "V R", "ĠMethod s", "ĠM ade", "ĠB R", "ĠEl se", "Ġeg gs", "Ġsw ing", "ĠIn v", "Ġdise ases", "Ġf irms", "Ġle mma", "}` );Ċ", "l ings", "Ġg ym", "umin um", ".T rim", "M em", "Ġcritic ism", "ibern ate", "_T X", "ion i", "Ġguid ance", "Ġrepeated ly", "Ġsup plier", "Ġpaint ing", ".F ragment", "ed Exception", "Ġw iring", "Ġcour ts", "W EB", "æľ ī", "\\ .", "ill ance", "Ġb rows", "ĠP attern", "PL ICATION", "ĠSum mer", "Ch ain", "Ġc ute", "mer cial", "Ġd il", "ĠFrank lin", "ĉg lobal", "IN CLUDING", "h istory", "Ġl st", "Q t", "SD L", "al ia", "i ere", "( ...", "ĉc in", "iff s", "vel ope", "ĠR oot", "cl uster", "User Name", "ign e", "< S", "Ġf est", "Ġindic ating", "ke eper", "Ġc ada", "é g", "cons in", "ĠG B", "Ġl b", "em ony", "-icon s", "_d oc", "Act or", "e lem", ".De lete", "Ġin fection", "ĠPriv acy", "Ġgreat ly", "ĠP os", "ĠT reat", "Fl ow", "Ġattract ive", "ĠMar c", "s udo", "tes y", "- an", "ab ama", "ĠW ould", "Ġsu ck", "index Path", "ĠE t", "T imes", "Ġclub s", "_ass oc", "Ġac quired", "(\" :", "Ġint ense", ".m aps", "Ex pected", "T oggle", "Ġa y", "Ġl ifestyle", "-c alled", "ĠS now", "V olume", "Ġcann abis", "ĠD irection", "ĠLim ited", "-s pecific", "Ġd owntown", "/ icons", "Ġre ven", "L eg", "= null", "Key board", "') ).", "Ġ\"\" ;čĊ", "Ġatt itude", ".n avigate", "- error", "AM PLE", "ĠJ ay", "v r", "c ow", ".com pile", "Ġmem ories", "_m ark", "ĠMin nesota", "Ġk osten", "Ġprob ability", "w arning", "Ġgen etic", "F ixture", "ĠHash Set", "N ombre", "_m onth", "Æ °", "- start", "xy gen", "ĉ ft", "i agnostics", "ĠMat thew", "Ġconcept s", "Ġcon str", ". State", "и н", "N ov", "Î ±", "ĠP anel", "ä¸ ª", "com pare", "> ()Ċ", "Ġapply ing", "Ġprom ised", "Ġo x", "nc ia", "ĠValid ation", "ort s", "_c ur", "e lect", "ey e", "( Data", "Ġreport er", "ĠB uff", "Ġs r", "Ġ\" ;", "ick y", "Ġtemp or", "S N", "Ġres ident", "pi res", "ys ical", "Ġend orse", "ĠS ong", "is Empty", "le et", "_ util", "Ġdist ingu", "ĠT alk", "ĠM ot", "( default", ".A rg", "gorith ms", "_ words", "im mer", "_res et", "f amily", "W W", "Ġsav ings", "ĠâĢ Ŀ", "_en able", "side bar", "Run ning", "Ġal i", "Ġtest im", "Ġwarn ings", "ĠCh em", "ĠEx it", "Ġfound er", "pect or", "Ġr m", "_d ataset", "ĠD as", "Ġh an", "Get ty", "á l", "Ġn y", "Ġpo verty", "Ġresult ed", ".b y", "ĠVis it", "Ġobt aining", "/ '.$", "ĠĠĠĠĠĠĠĠĠĠĠ Ċ", "sh all", "_LE FT", "UI Image", "_ Name", "h ave", "ĠN ob", "l r", "- footer", "Ġn aked", "ĠG arden", "\\F acades", "Ġgrad uate", "Ġfranch ise", "pl ane", "Ġcontrib utions", "Ġstring With", "Ġc rypto", "Ġmov ements", "ath ers", "Ġlif etime", "Ġcommunic ate", "j ar", "ĠFr agment", "_ IF", "ĠN avy", "ĠF igure", "Ġsim ulation", "_st op", "Ġreport ers", "Ġvers us", "aj a", "ĠÎ ±", "Ġgovern or", "List Item", "Ġse aled", ".Back ground", "ed i", "ash ing", "Ġl ip", "ĠI h", "mer ge", "Ġn ec", "el ocity", "ATE G", "Ġse eds", "Ġflo ating", "_F A", "w alk", "ĉ user", "_de pth", "Ġw age", "@ app", "N il", "( [\"", "( vector", "Ġsecret ary", "Ġj Panel", "ve z", "³³ ³³", "d irection", "ĠE P", "Ġh unt", "Json Property", "ĠP ORT", "] \",", "аР¿", "ĠFore ign", "pan ic", "Ġtri als", "ĠA le", "Ġr ural", "- value", "author ized", "ĠScot land", ".d rop", "ĠM T", "ç ±", "row th", "File Path", "Ġrec all", "if le", "Ġc el", "ĠSE LECT", "k n", "_c ase", "Ġc rop", "s ure", "p ot", "IC S", "Ġst em", "Ġindust ries", "P ut", "Ġa ber", "road cast", "Icon s", ") \")Ċ", "æĪIJ åĬŁ", "g ui", "Ġassum ed", "Ġr x", "E A", "è §", "EL L", "Ġdo se", "Ġin e", "Ġde eper", "l ider", "Ġord inary", "Ġg olf", "_IM AGE", "ĠN AME", "(m odule", "Ġat om", "Ġbel t", "Ġoff ices", "b eta", "Ġphilosoph y", "( JSON", "-f ield", "Ġintrodu ce", "Ġconven ience", "opt im", "> \"Ċ", "ath y", "Ġemploy er", "qu ate", "Ġed ited", "Arg uments", "ĠN ations", "__ )", "Ġno se", "ĠS ample", "' )ĊĊĊ", "Ġc ake", ".get Attribute", "H D", "Mod ified", "Ġpredict ed", "Å Ħ", "an ie", "S orry", "(d oc", "w ind", "ie ve", "Ġprov isions", "AT ER", "OT E", "M Y", ".A utowired", "ĠB ath", ". Boolean", "Ġback end", ".M ouse", "ater al", "p aper", "Con st", "ĠV R", "_ entity", "_C TRL", "ĠProte ction", "ĠG M", "ĠStud y", "Ġsou p", "ot ime", "' use", "] \"", "/ users", "a ug", "ĠH ong", "_n orm", "ãģ ¨", "Ġse cre", "(B uild", "ĠCon tract", "ol as", "Ġsa uce", "Ġaggress ive", "Ġrac ial", "char acter", "@ @", "Ġcomp ile", "ĠV oid", "_re m", "_m emory", "k k", "Ġm ic", "S ame", "U tility", "ĠH tml", "ĠX ml", "Read y", "Ġg all", "Ġalleged ly", "ĉĉĉĉ ĠĠĠ", "ĠMet al", "ĠPerson al", "Ġborder Radius", "rx js", "object s", "Ġwant ing", "Ġb owl", "v endor", "offset of", "ĠR s", "ĠR ating", "Ġr ally", "_N ODE", "ĠM ix", "Ġadvert is", "Ġnarr ative", "s al", "Ġm c", "SE rror", "Ġf ingers", "Ġaccom pany", "Ġt ired", "Ġstr ide", "Ġgu i", "el ist", "Loc ale", "Ġrele ases", "ik ing", "Ġan ger", ")) )ĊĊ", "alle st", "Sum mary", "( O", "(f or", "Ġbasket ball", "Ġroad s", "ĠInst all", "ĠF ab", "it map", "Ġ) )Ċ", "Ġinter section", "ighb or", "ĠB ry", "ĠHER E", "So ftware", "elf are", "ac s", "Ġtrail er", ".get Class", "ch ars", "Ġreg ulation", "Ġref ers", "Ġde struction", "Ġcontin uous", "ĠAust in", "é ¢", "ak an", ".w indow", "ĠTem plates", "Ġabs ence", ": n", "Ġdis order", "fl ash", "Ġde let", "bo ards", "ĠĠ ĉ", "RO P", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "Ġac qu", "Ġlaws uit", "ĠRe views", "Ġgar age", "t imer", "Ġe j", "ĠRect angle", "Ġflow ers", "il st", "ĠIn stance", "S uper", "d et", "dis posing", "ĠE S", "ĠI C", "ver e", "S k", "_ch annels", "put ed", "/ null", "nn en", "ĠG allery", "_g lobal", "Auth entication", "ĠR ank", "Ġblock ed", "Ġcal m", "mark et", "ĉ val", "Ġa ug", "per iod", "ĠCon stant", "Ġ?> \">Ċ", "Ġl obby", "p al", "Ġs ink", "ia h", "Ð ¡", "urn ame", "Ġcon ver", "Ġinvestig ate", "Ch rist", "H ub", "ĠIN D", "ĠP ed", "ur as", "ĉ url", "ĠT ro", "Ġpre ferences", "Ġguarante ed", "` ĊĊ", "Ġport ions", "Ġeval u", "' > ;ĊĊ", ".AutoScale Mode", "Ġc ats", "Ġreg istry", "ul us", "F I", "p ayload", "- search", "Ġstay ing", "ac ious", "Dec oration", "Re view", "In f", "Ke ep", "it is", ", String", "Co ord", "Ġper o", "S ex", "ĠAtl anta", "uest a", "Arg b", "> *", "} _", "F ooter", "Ġemploy ed", "_b ound", "v ide", ".f unc", "$ scope", "Ġsp o", "ĠAn al", "ounc ed", "ar ound", "Ġrestr iction", "Ġsh ops", "å Ģ", "ĠLat in", "-c ol", "Ġbare ly", "ĠE uro", "E r", "Ġfa ire", "_d istance", "_un lock", "Qu ote", "IV ATE", "Ġå Ī", "Ġaim ed", "ĠRet rie", ". iter", "Ġwr apped", "Ġagre ements", "str ument", "( product", "Ġstud ied", ".set Value", "Ġy e", "ĠC ache", "MB OL", "Ġquarter back", "Ġsy ntax", ".getElements By", ".v ersion", "we bsite", "Run ner", "_s ingle", "at iv", "ĠAl tern", "ĠBeaut iful", "right arrow", "Ġd iversity", "pl ash", "( co", ".F ill", "Ġtyp ing", "Ġcl ar", "H it", "O O", "ac co", "w orth", "Ġscript s", "ĠMuslim s", "ĠL L", "erv ing", "( boolean", "Ġbase ball", "ĠC AN", "MA IL", "de pend", "Ġrespect ive", "Ġconst expr", ".* ;ĊĊ", "'] ))Ċ", "Ġy ard", "Ġident ical", "if ecycle", "US H", "up iter", ". validate", "cl i", "IST ER", "Ind icator", "F ail", "Ġdemocr acy", ". var", "Ġsatisf ied", "------------ -", "enc er", "h or", "Ġr ounds", "DA O", "o a", "Ġfl ask", "= c", "[ ]Ċ", "/d ist", "Ġpart e", "Ġconfirm ation", "er on", "aw are", "", "Ġdepend encies", "ĠV ideos", "- row", "Ġ** /Ċ", "Ġn ou", "Ġh over", "æ ŀ", "Ġn in", "ĠUS D", "M ac", "_L oad", "Ġout comes", "_s ocket", "Ġqu eries", "w m", "Ġhit ting", "in ux", "M ich", "ud ge", "AT AB", "Ġvulner able", "ä ¾", "Ġport folio", ": YES", "ĉm ap", "B ound", "Ġiter ation", "in cess", "Ġact ors", "ĠQ ual", "_c lean", "ãĢij ãĢIJ", "MS G", "G reen", "ĠOff icer", "Ġsm oking", "> ',", "ĠF lo", "++ ;", "oly gon", "Ġbul k", "Ġdr ama", "Ġexception s", "os ed", "Ġ+ čĊ", "Ġleg acy", "C V", "Ġcontrib uted", "ĠTer ms", "Ġb t", "Ġunt uk", "Ġal ien", "=== Ċ", "ĉ Vector", "Ġl s", "On line", ".f acebook", "num eric", "ock ets", "A ut", "b ury", "-re dux", "ĠRed istributions", "GLOBAL S", "urrenc ies", "Ġt ons", "âĢĻ ,", "Ġà ª", "(c ol", "ĠS ymbol", "Ġstay ed", "ĠM L", "Ġm unicip", "Ġsex o", "S en", "n r", "Ġg ains", "Ġshort ly", ".M enu", "à ½", "KN OWN", "Ġoper ators", "- V", "ĠPat rick", "/ add", "_C O", "ir ation", "(p ost", "Post s", "/ _", "Ġpl ug", "Ġintellect ual", "Ġmet ab", "Ġpregn ancy", "ĠPrem ier", "n m", "Ġpred iction", "ĠMin istry", "Th ree", "val uate", "ĠMin i", "b u", "оР·", "< ul", "Ġd d", "ol ving", "ĠC ut", "Ġs chem", ".tr ain", "it ate", "Ġr ice", "Ġbird s", "ãģ «", "m iddle", "struction s", "Ġn erv", "a que", "Ġfl u", "Ġsurv ival", "ĠGal axy", "ĠF ant", ". Order", "At trib", "irt s", "é c", "M ovie", "Ġcon ce", "qu arters", "Ġm ood", ".Add Range", "Ġres olved", "ãĥ Ī", "Ġburn ing", "ĉĉĉĉ čĊ", "ĠW E", "Ġhost ing", "L AB", "Ġman agers", "Ġstre ngthen", "< const", "ĠFire base", "on ed", "ĠJ ean", "' \";čĊ", "ĠS av", ".B old", "Ġen ables", "ĉt mp", "Ġman ually", "ĠS qu", "user id", ".f unction", ".c ache", "LO PT", ".S ervices", "dd it", "t im", "< img", "ĠTh ings", "ĠEvery thing", "Ġa pt", "em and", "Ġroll ing", "ë ¦", ". level", "Ġst om", "ĠW inter", "Ġview ing", "( values", "ocom plete", "v ia", "up o", "Ġabort ion", "i ère", "ï¼ ij", "_B UTTON", "_d omain", "Ġb ra", "ĠA st", "in as", "Ġstat ist", "c od", "L R", "Ġdr ives", "Ġfollow ers", "Ġall ies", "ĉc urrent", "ecess ary", "Ġdam aged", "_ pt", "and les", "oun tries", "Ġsim ult", "e u", "Ġcontrovers ial", "_G ROUP", "Ġr ib", ". Info", ": mm", ".n ormal", "_ADD RESS", "Ġ íķ", "add le", "ĠD ur", ". Element", "W arnings", "Ġcred its", "Ġin hib", "Ġem issions", "Ġh az", ".y outube", "ugg ed", "Ġbo ther", "ĠK ansas", "ĠF ixed", "ĠTest s", "ĠF IX", "Un iform", "Ġk ont", ">> >", "st ation", "lo re", "at ype", "ish op", "/ ****************************************************************", "Com boBox", "Ġvac ation", "Ġiniti ative", "Ġdefault Value", "con cat", "ĠK h", "ĠW elcome", "ized Name", "M igration", "Ġgrad ient", "H ot", "Ġhard ly", "el o", "ĠStud ents", "Ġlo ose", "at z", ".S end", "' /", "Ġunivers al", "Ġenter prise", "Ġreg ex", "Ġvis itor", "ĠF ly", "Se q", "ภĻ", "ĠVis ual", "Ġlib raries", "ato es", "P ayment", "Ġp ent", "Ġgather ed", "VRT X", "ĠD M", "S plit", "Ġlet ting", "Ð Ŀ", "_error s", "ep och", "P ARAM", "c u", "ÑģÑĤ в", "ol utions", "Edit ing", "font s", "Ġalloc ated", "ĠB ased", "( Y", "ĠJud ge", "Ġbro thers", "FILE S", "ç o", "w b", "_P I", "' ^", "Ġs word", ".s ervices", "Ġn l", "T im", "ig g", "ĠMo ore", "Ġcrypt oc", "åĩ º", "_post s", "ot ate", "? '", "... .ĊĊ", "Ġk l", "=\" $", "Ġdec oration", "Ạ¡", "ĠD IRECT", "G UI", ") =>{Ċ", "Ġnews letter", "Ġprec is", "(p oint", "ĠEqu ipment", "ut y", "ĠD ave", "Ġparticip ation", "u arios", "x it", ".A s", "ET ER", "or ous", "Ġsh ield", "[] >", "ilit ary", ". origin", "Ġprom otion", "U nt", "Ġc t", "TR A", "View Holder", "Ġsig ma", "d elta", "are house", "con tract", "( Vector", "Ġcompet e", "/ form", "/ components", "Ġn r", "ĠInd ones", "Ġо ÑĤ", "ĠV olume", ".f iles", "(res p", "/ models", "Ġsur f", "stand ard", "/ o", "ĠXCT Assert", "V ICES", ".C ode", "SE D", "Ġact ivate", "D elta", "Ġlimit ation", "ri j", "Ġpregn ant", ": ^(", "Ġs our", "p ie", "Ġexp ense", "ic ation", "ĠL arge", "Ġ ±", "ĠB owl", "(model s", "/ N", "P a", ".re load", "Ġwonder ing", "Exec ution", "ĉ ĠĠĠĠĠĠ", "ĠG raphics", "ĠCont in", "_j ob", "Ġget Name", "ĠM agn", "ĠD WORD", "m ad", "Ġn h", "fe atures", "} \");Ċ", "he ets", "(tr ain", "z n", "Ġrecru it", ".con nection", "Ġbar rel", "Ġste am", "_set ting", "Ġang ular", "ane ously", "Ġb il", "ĠN orm", "(! $", "ib t", "% (", "Ġpos it", "ĠF ather", "int endo", "L ive", "Ġport s", "Ġme j", "Ġland ing", "pon der", "Ġc od", "_HE ADER", ".M argin", "Ġball s", "Ġdiscuss ions", "Ġbl end", "H ex", "Ġfarm ers", "Ġmaint aining", "ĠĠĠ čĊ", "s yn", "[ T", "r us", "uff ers", "Ġcontrib utors", "_s ys", ".De bug", "Ġconstruct ed", "om es", "? id", "sl ider", "Ġsup pliers", "scri ber", "p es", "Ð ŀ", "\": čĊ", "\\ Controller", ")) ĊĊĊ", "Ġl ua", "M ulti", "EN S", "S rc", "Ġpet ition", "Ġsl ave", "look ing", "V ERT", "ĉ vector", "S pecial", "h h", "an ne", "ĠN iger", "/ views", "z ing", "end ant", "< C", "s peed", "Ġ{ };ĊĊ", "Begin Init", "Ġf open", "@ RequestMapping", "End Init", "Ġp unch", "S ender", "é Ķ", "get Message", "/t ypes", ".P I", "(' ');Ċ", "oc used", "( all", "Ġdrop down", "). __", "ĠV in", ".Fore ignKey", "can f", "ou red", "ĠOrgan ization", "ĠÐ °", "ĠC ulture", "(cl s", ", _", "rg ba", "ìĿ ĺ", ".data GridView", "Ġdo zen", "ĠG es", "_sh ared", "n ick", "Ġh osp", "om eter", "Ġclaim ing", "ib les", "ri k", "æĺ ¯", "en ario", "Ġd engan", "ob b", "m ont", "_r ank", "('/ ',", "Ġap olog", "P s", "_p ower", "ĠG ree", "Ġful fill", "Ġfire base", "Ġf are", "ĠH im", "Ġbe an", "âĢ¦ .", "ĠS PI", "_R X", "Ġper ception", "rel ative", "comp ile", "u um", "ut os", "a uc", "ĠAs k", "Ġindic ator", "/ th", ".set String", "ĠWis consin", ".D omain", "Ġart ificial", "De velop", "ĠSar ah", "Ġl ying", "( search", "ĠEmp ire", "urr ing", "æŶ éĹ´", "=\" ${", "Ġget Id", "ĠP ayment", "trans ition", "Ġ ].", "ix in", "V T", "- select", "Ġdemonstr ated", "Ġlast Name", "employ ment", ".get Property", "Ġf ought", "file Name", "ĠP ers", "-c ard", "a str", "attr s", "Ġprom inent", "Des ign", "anc ouver", "ãģĹ ãģ", "ard o", "se cret", "Ġr ag", "Ġpo ison", "-m an", ", omitempty", "ĉ un", "it zer", "ĠCas ino", "ĠR oss", "- foot", "(result s", "Pl an", "Ġlas er", "ê¸ °", "_D R", "F acebook", "Ġbo ards", "st a", "] ],", "Ġt iles", "S IZE", "Ġ= ~", "Ġprem ier", "oc ab", "Ġenc oded", "Ġres erve", "ĠAfghan istan", "ĠList Node", "url s", "Ġsub mission", "Ġne u", "Ġ# +#", "_P OST", "Ġmo ist", "ell i", "ellig ent", ". alert", "ó d", "b re", "ĠCol lect", "Ġgraph ic", "Ġlong itude", "ĠPro vid", "ĠCal culate", "x ffff", "c riteria", "Ġw aters", "ro ck", "lo quent", "ĠT rib", "Ġbur st", "Ġsuff ix", ".Ext ensions", "ish es", "iv el", "ĠLI KE", "ĠGet ty", ".Action Event", ".s lf", "ĠH AL", "up al", "E AR", "ud i", "_time out", "U F", "ĠSing apore", "ĠAd vent", "_int erval", "cha ft", "ĠE mer", "Ġtele phone", "ĠTur k", "_ interface", "ĠO wn", "Ġencour aged", "< Object", "_T ext", "ĠOnt ario", "ĠApp ly", ".f irebase", "Ġant ib", "P riority", "ene z", "D ays", "c id", "urre nce", "; /", "inn ed", "Ñģ Ñı", "Ġve z", "f w", "// $", "att ack", "Ġstart up", "ain ers", ".f ragment", "op acity", "( conn", "he im", ".n etwork", "( stream", "ĠN ON", "t ol", "ĠX box", "ĠD S", "Ġc ached", "Ġprostit utas", "ĠB alt", "(' [", "Ġno except", "\" '", "Ġs d", ". valid", "_ ag", "Ġr aces", "Ġro d", "itud es", "< >(", ".Pro duct", "Form s", "NE W", "P ay", "ĉ boolean", "_ contact", "ĠElect ric", "sk ip", "Ġw ur", "Ġch ronic", "_d river", "ĠS ab", "ĠU lt", "ĠR ad", "ST ATUS", "ĠLew is", "O B", "Ġgift s", ".Re c", "TR UE", "Ġint ensity", "Mark er", ".com pare", "ff ic", "C ookie", "ĠB aby", "ĠBig Decimal", "ile t", "ĠHOLD ERS", "ĠL ady", "Ġl ung", "ĠAl abama", "Ġd ess", "` );Ċ", "ĠB uilder", "_reg ion", "Ġne utral", "Bo th", "Ġh p", "Ġh orn", "Ġseg ments", "ĠE C", "\"=> \"", "( rec", "ĠP i", "G M", "Ġl aptop", "Sc alar", "is d", "-d ialog", "ĠAnd erson", "Ġmist akes", "ĠH an", "j es", "est ination", "Ġprom ises", "b id", "ĠSc ient", "G IN", "ĠPer formance", "b age", ". users", "le ading", "Ġor al", "G raphics", "_P TR", "h ang", "Ġin ev", "process ing", "F actor", "ĠN A", "$ string", "Ġground s", ".Save Changes", "c lock", "cri pcion", "ĠNew ton", "g c", ".in cludes", "Ġbl ast", "Ġ'- '", "Ġpued e", ".S ession", "Ġgre p", "_f inal", "ĠG ay", "ĠG ive", "ir i", "-st ar", "ĠUI Image", "_ep och", "ub b", "ent h", "Ġel ite", "Ġcampaign s", "ĠP orno", "_ assign", "Prot ocol", "ĠBe ing", "ĠAir port", "Ġconvent ional", "ĠW at", "ĠC I", "ET A", "ĠAnth ony", "Ġtable t", "( format", "Ġconsist ently", "ĠI owa", "Ġav atar", ".c ursor", "! [", "Ġh anging", "H er", "S uch", "';ĊĊ Ċ", "orge ous", "() ==", "Ġview Model", "Ġ ãĥ", "Ġel s", "ĠAg ent", "F etch", "ap or", "Ġc x", "p read", "ĠP ier", "oe ff", "S n", "ĠV irtual", "A pr", ".Wh ite", "_M OD", "ĠPoint s", "å¤ ±", "Ġgen es", "Ġv endor", "Ġmain stream", "< src", "ĠEl izabeth", "Dec oder", "- state", "ĠG lass", "nc y", "adi ans", "_m on", "ĠRem ote", "Ġwire less", "ĠM i", "å ī", "è¡ ¨", "st age", "ĠT ile", "ll ib", "V ariant", "== Ċ", "Ġgold en", "(Q String", ".put Extra", "ĠD om", "ĠAn imation", "Ġinter active", "if act", "éĻ ¤", "LE T", "Ġfrequ ent", "Ġ< >Ċ", "F ilename", "Ġs ne", "ĠFoot ball", "Ġr ival", "Ġdis aster", "ion ic", "ĠD amage", ". Resource", "- en", "ĠT ypes", "get String", "( board", "Ġb ol", "pl ain", "z ym", "ภ²", "Ġsc anner", "ild er", "_msg s", "æ ı", "(int ent", "Ġde struct", "Ġb ust", "ĠE mploy", "on i", "ĠUI ViewController", "Ġodd s", "ear er", "Ge ometry", "Ġy ii", "_EX PORT", "ĠAtt ack", "Ġn iet", "Ġim pression", "ĠG il", "_pro b", "ĠC F", "ĠEx perience", "/pl ugins", ".M ethod", "Ġbelie fs", "N ative", "_b uild", "Ġv ig", "Ġr anks", "cover ed", "s uch", "G uard", ".p ack", "add er", "iv ia", "l ng", "Ġв Ñĭ", "T imestamp", "_n ow", "Ġp oker", "Ġun c", "Ġsh apes", "-t ypes", "_per iod", "p k", "Ġveter an", "Ġson o", "Ġappoint ed", "over flow", ".d river", "_c at", "ut t", "pl ant", "im b", "ĠAc cept", "Ġconc ert", "ĉ node", "ĉ z", "? >čĊ", "Ġb anned", "ĉ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "Ġto xic", "Ġdisap pe", "È Ľ", "Ġgr ace", "ate ful", "Re ply", "ĠCru z", "Ġsc rap", "Ġkey words", "s imp", "Ġmort gage", "Ġcy ber", "ĠEx ecute", "Ġlat itude", "if u", ".C OM", "d bo", "Ġsort s", "ĠG as", "om ial", ".L ocal", "Cell s", ".Re place", "String s", ".f it", "ĠTh ird", "% \",Ċ", "Ġ{} \".", "ĠS ony", "Ġ[ :", "Ġfall en", ". ')Ċ", "in h", "ĠM C", "Ġred is", "C odes", "Ġprofile s", "h ook", "Reduc er", "_F UNC", "Ġn avigate", "str len", "Ġh orm", "á ŀ", "ĠS R", ". boot", "Ġdig est", "ĉ header", ".find One", "æ ģ", "Db Type", "n ia", "_m erge", "Ġdon ne", "/ Getty", "_CH AR", "Ġb ands", ". URL", "art ial", "Ġf req", "Ġs ist", "N g", "Ġrender ing", "\\ Core", "Widget s", "ĠV A", "Ġactiv ists", "St e", "= _", "all a", "St amp", "Ġload s", "Ġx x", "ĠL earning", ".M vc", "u ir", "(\" $", "Ġconnect ing", "Read Only", "ur u", "ĠE ag", "B IT", "_DE L", "å §", "arr ass", "ext ernal", "ĠY OUR", "ĠB rew", "ĠF ive", "Ġres ize", "ig id", "er ation", "ĠÑ į", "åĬ ł", "ĠC atch", "Ù ģ", "ĠLe on", "am il", ".B ody", "Cl ip", "/ list", ".b r", "Edit Text", "ĉ db", ".G ame", "(Build Context", "back end", ".R ed", "face book", ".url s", "m r", "rol led", "---- ---", "Ġinter vention", "Ġretire ment", "ĠK it", "ĠP RE", "Upper Case", "ĠS ocket", "Ġ: -", "Ġstudy ing", "ĠMet ro", "ard ed", "Ġconvers ations", "C alled", "Ġexam ine", "ert ificate", ".g z", "-res ponsive", "Ġref und", "_n etwork", "allow ed", "em pt", "Ġme als", "C ategories", "Ġtravel ing", "Ġk g", "Ġsh ame", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "Ġexplicit ly", "Ġmath ematic", "ĠS uite", "ĠR GB", "****** /", "Ġmix ture", "lear ning", ".t emplate", "att s", "w x", "ĉ ctx", ".p roperties", "Ġdrink s", "ĠE ither", "set Text", ".get Data", ".z ip", "Ġreve als", "< table", ".Hash Map", "ĠH ur", ") \");Ċ", ".f ramework", "ĠST ART", "feed back", "Ġsaf ely", ". icon", "config ure", ". lock", ".l ayers", "/> .Ċ", "Ġrank ed", "_ impl", "ĠHand les", "Ġhost ed", "Ġup dating", "al bum", "é Ŀ", "Ġsh ader", "Edit ors", "- round", "[] {", "Ġse p", "ĠH i", "TE M", "look up", ".m an", "_IN PUT", "Ġthreat ened", "_IM PORT", "Ġd rops", "ru it", "s id", "bo th", "ĠEx cel", "Ġj er", "ord inary", "еР¹", "V IEW", "re ply", "Ġ) :Ċ", "color s", "ver ified", "_T r", "_p arse", "Ġcon gress", "P romise", "int s", "ĠM other", ".A pi", "ĠD uration", "Ġfirst Name", "inherit doc", "ĠM ars", "Ġa pr", "OD Y", "Ġvis its", "Ġhe aling", "let ters", ")) );čĊ", "f uture", ".F ramework", "Ġk iss", "Ġinv olve", "Ġsil ent", "ad ows", "Ġany body", "s ch", "Ġsole ly", "- img", "Ġprop ri", "Ġin struct", "Ġlic enses", "Ġm eth", "Ġcond em", "ĠD omain", "ĠHarr is", "Ġs Ã¥", "CE PT", "B atch", "@ extends", "ĠCONTR IBUT", ".Data Frame", "_p acket", "rec ision", "Ġfoc using", ". ht", "__ \":Ċ", ": Get", "ĠK C", "Ġpass age", "Seg ment", "_c enter", "-z A", "_B L", "Ġconv in", "Ġclass ified", "ĠNS Mutable", "_ ap", "t ile", "Rect angle", "(n ums", "v ens", "ĠUI Button", "ĠF eder", "am o", "Ġout line", "ĠPar ser", "Ġâ ī", "ĠWork s", ".S chema", "Ġeng ines", "_com mon", "_ old", "Ġset ContentView", "Ġ/// <", "ĠB T", "f m", "Ġd ivers", "_ weights", "em ark", "ĠA CT", "Ġpro portion", "over lay", ".dir name", "ĠG it", "_REF ERENCE", "< >", "l b", "_r ule", "è´ ¥", "ĠPut in", "Ġsleep ing", "() :čĊ", "Ġpres erve", "Ġpar liament", "ĠLook ing", "Ġpick ing", "ĠDis patch", "Ġsl ip", "ë ĵ", "ĠL yn", "_sign al", "config uration", "ĠP itt", "ad en", "pro cedure", "Ġenthus i", "f ight", "ĠCons ider", "Ġt orn", "Conn ected", ".c os", "_group s", "ĠTh ink", "Ġdel iber", "Ġres id", "work ing", ".column s", "ĠCal led", "Ġes lint", "> \",", "_D OWN", "h ist", "ĠAdv anced", "Ġre wards", "act ors", "Ġsil ence", "Ġmy th", "Ġne ur", "Ġa uction", ".Get String", "ek s", "( project", "ĉ msg", "ĉ output", "Ġcomplaint s", ", S", "Ġt bl", "Ġ, ĊĊ", "ri ors", "ah ren", "Ġlawy ers", "re dux", "_s ymbol", "off ee", "_RES ULT", "( Name", "UT C", ".current Time", "Ġorgan is", ". arg", "Ġmin im", "w ick", "Ġrece ives", "B alance", "Ġspeak s", "ĠD ays", "ĠBel ow", "t ipo", "P resent", "Ġres erv", "h p", "Ġr it", "_R IGHT", "-- )", "Ġchair man", "D IS", "ĠBO OST", "Ġexper iments", "__ );Ċ", "Ġst amp", "Ġf ert", "Ġf ond", "T er", "el ve", "ure n", "+ i", "end ency", "Ġvirt ually", "... \"", "ï½ ŀ", "- cent", "_un ique", "Ġpr icing", "m ic", "RES H", "Ġ:: :", "Ġan notation", "ĠC ircle", "ong odb", "it as", "Ġ% (", "( component", "Ġо б", "( port", "-h our", ". obj", "L BL", "Ġj ury", "GB T", "Ġsp y", "ĠProf essional", "Ġ\"\" ;ĊĊ", "Ġstri king", "Ġdiscrim ination", "Ġp ays", "lic t", "ent es", "Ġthrow ing", "ĠPl ugin", "( def", "ĠRuntime Exception", "ĠM igration", "Ġd ic", "b ag", "on ia", "Ġcor ruption", "( Map", "Ġpr z", ".d to", "Ġac quire", "State ToProps", "Ġlo ving", "оР¶", "_p attern", "Ġemot ions", "Ġpublish er", "_b e", "Ġcoup les", "o j", "ĠCh art", "Ġt rop", ".t ool", "Ġestablish ment", "Ġd ol", "Ġto wer", "Ġl ane", "ĠSy dney", "Ġfill ing", "claim ed", "Ġdialog ue", "Ġcon vention", "book ing", "pare ncy", "æ ±", "ĠGener ic", "\\ Schema", "Ġr anges", "/ ch", "Ġpan els", "Ġr uled", "çĶ Ł", ".t s", "_s ets", "Ġclean up", "Pre vious", "ĠAn imal", "($ (", "ĠA ve", "oll ar", "_e val", "ĉ Name", "(t ree", "Ġ\" ]", "Ġdut ies", "=' /", "Click ed", "Ġdifferent ly", "ĠCl ark", "Ġd it", "olog ists", "Ġsy nd", "Ġs ends", "- known", "k b", "ĠMod al", "it ative", "Ġr acing", "Ġhigh lights", "ĠSim on", "ĠCapt ain", "ä¿ ¡", "ĠC B", "cont in", "ar an", "Ġphys ics", "ret ty", "et al", ".m d", "ax ios", "Ġspeak ers", "Ġpre p", "Ġaward ed", "ì§ Ģ", "ĠC orn", "ĠN ature", "UD IO", "Ġpro j", "- pre", "[ u", "Fe atures", "Ġis Equal", "B inary", "s ig", "Ġconf usion", "ĠH at", "Ġkt ó", ".config ure", "M ON", "/ edit", "_A dd", ", true", "Ġc li", "Error Message", "- loader", "Dim ensions", "ultip ly", "Ġ{ !!", "ĠSql Command", "Ġsp oken", "Ġp ics", "Ġto y", "( Key", "ĠLo op", "Ø ¨", "E ATURE", "in ction", "_set up", "w rapper", "Ġt ong", "c ular", "O pt", ".P l", "=\" ,", "(l ength", "um n", "Ġch rom", "Ġse vent", "ĠIllegal ArgumentException", "ĉ start", "Ġbeg un", "CE PTION", "dat aset", "ĠF ailed", "col s", "Ġkne e", "im ore", ".sp lice", "sh ell", "ig gers", "Ġthem es", "ĠD J", "ĠAss istant", "- $", "May be", "Ġorder ing", "ĠInt elligence", "ĠMass achusetts", "Ġfail ing", "el son", "G reat", "= i", ".re st", "Ġinv ite", "-dis able", ".Group Box", "âĢĻ est", "Ġtack le", "g v", "et ter", "Ġ), čĊ", "_r ules", ".w arn", "function s", "ĠChrist ians", "Ġback ed", "Ġsl ider", "Ġenjoy ing", "n est", "Ġh ij", "_m s", "// *", "An notations", "ĠVariable s", "< V", "( server", "ĠOr acle", "element s", "Ġorgan isation", "_point er", "ĠHe aders", "[ d", "Ġdead line", "iss a", "Ġkn ife", "ĠNAS A", "ĠHe ight", "ĠAs ync", "Ġven ue", ".d om", "bour ne", "ĠHaw ai", "Ġmem o", "ict ions", "Ġsurve illance", "om i", "/ assets", "Ġed u", "Ä Ľ", "Ġro ster", "Ġh ired", "ĠT ok", "Ġpl acement", "ur ations", "Ġset State", "ĠMag azine", "Ġhor ror", "T ry", "Ġl ag", "ĠEvery one", "th ur", ")) ;čĊčĊ", ". return", "Ġsy mp", "âĸĪ âĸĪ", "Ġn ights", "work er", "Ġa le", "ennes see", ".st ep", "Ġsynchron ized", "our i", "Do es", ". change", "f on", ".set Background", "irc ular", "+ -", "ĠC IA", "ĠJ ane", "ĠSim ilar", "- I", "level and", "Ġpros pect", "_f ound", "ĉc olor", ".D iagnostics", "Ġann ounce", "Ġassum es", "/ tr", "Ġb d", "ĠCar bon", "Ġanal ys", ".de st", "n ik", "ĠL ie", "- index", "Draw able", "ĠT AG", "Ġtri angle", "_F LOAT", "ĉĉ ĠĠĠĠĠ", ".bl ack", "v ue", "cur acy", "Ġaffect s", "Ġsure ly", "Sl ider", "uk i", "c ery", "Ġun ter", ".pro file", "ord on", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "le ave", "Ġsmart phone", "g ie", "Ġcons pir", "Ġt utorial", "ç± »", "Ġc ab", "ĠSum mary", "* ĊĊ", "ä h", "\" This", "Ġsl ides", "\" ", "c ycle", "ĠB ull", "path s", "Ġun p", "Ġview DidLoad", "_M odel", "Ġassert True", "Ġr ated", "De cl", "vert ed", "ĠD at", "b rew", "Ġpoint ing", "M s", "ĠPoint er", ") '", "_n on", "ĠSE C", "Ġy eah", "g ency", "initial ize", "f ly", "[ pos", ", g", "Te le", "Ġj oke", "Ġcl ause", ".find ById", "en es", "( instance", " £", "Ġs lic", "_h ome", "Ġ*/ }Ċ", "_p ages", "(s ervice", "R P", "ĠAm ong", ".get Current", "ãĤ ¹", "Ġs lee", "= [Ċ", "ol er", "Ġlib ert", "Ġ` Ċ", "Ġw enn", "l ated", "Ġimm une", "( Node", "ĠPro blem", "ĠA bs", "log s", "Ġ ../", "ĠA DC", "Ġ}} \">Ċ", "> ');Ċ", "= b", "ĠW ind", "lah oma", "Ġalloc ate", "or ian", "Ġpres cription", "- quality", "ĠMay or", "in ely", "end foreach", "ĠCom plex", "k om", "T Y", "] ].", ". Style", "_m any", "',' $", "Ġbar rier", "ĠF etch", "ĠMar vel", "Ġres ist", "ог о", "b idden", "ĠRun nable", ": false", "Ġbuild s", "ĠSt age", "Ġd ub", "emp o", ".s ite", ";ĊĊ ĊĊ", "ĠDen ver", "Ġre vel", "Ġtrigger ed", "Ġd ice", "_f ail", "Ġg c", "ĉ X", "ĠTh rowable", ".r outer", "ĠRev olution", "ÑĢ а", "_N ON", "Ł ¥", "Ġel der", "Ġab road", "ĠÐ µ", "ĠAd ult", "bl r", "g lyphicon", "Ġprom oting", "Ġ iz", "ĠS olid", "_lo ader", "ear ly", ".en abled", "- edit", "ĠU L", "_ play", "ĠInt errupt", "Ġadvant ages", "uc le", "Ġmechan ical", ".table LayoutPanel", "ĠWork ing", "Ġan onymous", "R ating", "ig ious", "_ph one", ".addAction Listener", "Ġfr an", "und en", "Ġ*) &", "_ bool", "ul ative", "Ġcon e", "ĠM ult", "Ġm ö", "ĠFor ward", "] ):Ċ", "Ġconvin ced", "act ed", "ãģ ĵ", "ĠConfig ure", "Ġce iling", "D er", "Ġpass engers", "Group s", "Ġsoc cer", "/ W", "avi ors", "sw ith", "ĠZ one", ". Options", "ĠM om", "ied er", "Array s", "Ġtreat ments", "Ġprotect ing", "f ac", "Ġpick le", "Button Item", "Ġblock ing", "str ar", "à ²", "ĠEx port", "Ġth rew", "ott a", "ĠB ASE", ".w s", ".LE ADING", "order By", "_d elay", "ĠP u", ".d ll", "ĠCh oose", "Pol ice", "ĠBE GIN", "box es", "Ġdiam ond", ", l", "Ġ ĉĉĉ", "Ġcur ious", "t v", "Ġerot ische", "ack ages", "ĉ Set", "T ick", ".b order", "static method", "Ġch er", "in voice", "Ġcr u", "Ġdef ect", "_m etadata", "re lation", "ik an", "[ N", "(Q t", "( Base", "æģ ¯", "be at", "ĠEm pty", "ĉ o", "_sh ift", "Ġreg ret", "Th ose", "C ent", "ĠPort ug", "ĠIs lands", "ĠT IME", "Man agement", "-s p", "ê me", "Ġnot ion", "un ifu", "P K", "è¡ Į", "ĠCUR LOPT", "\\\" \\", "U V", "ç º", "d ra", "c ou", "= `", "ĠD estroy", "r p", ".c ancel", "G G", "r untime", "ĠV ue", "Ġprogress ive", "/s ervices", "Ġrun ner", "_FR AME", ".ToolStrip MenuItem", "Ġ' ,'", "d elay", "= utf", "Ġscreen ing", "Ġpull ing", "om as", "Ġan th", "- new", "/ local", "Ġi Pad", "Ġt witter", "Ġd ying", "Ġhe aven", "ĠU Int", "ĠSen ator", "Ġpres um", "ĠWalk er", "Ġover come", "ete ction", "Ġemb arrass", "Ch ina", "In clude", "RO LL", "Ġdata Type", "D avid", "ภ£", "lo p", "-m onth", "Ġsc ar", "ĠS afe", "Ġ ****************************************************************", "Ġaccess ories", "Ġr amp", "_U SE", "Ġcontr ad", ")) ]Ċ", "Ġpre st", "ĠH R", "ĠR ap", "Ġus ize", "Ġcap ability", "Ġc ort", "- next", "Ġbur den", "_read er", "Ġ@ @", "reg ular", "ĠK a", "M AN", "Ġa str", "Ġ' ')Ċ", "Ġf ed", "Ġpars ing", "ĠY ears", "Ġbro ker", "\": {\"", "Ġa kt", "In ventory", "abe led", "Ġarg parse", "****** *Ċ", "vers ation", "Ġc ord", "ĠT i", "Ġhope fully", "Ġa h", "ver b", "Ġst olen", ". Entry", "Ġexpect ing", "O rientation", "Ġpower ed", "Ġp ersist", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "'] );", "')) ,Ċ", "ĠC ash", "ĉ item", "gr ades", "rop ol", "b asic", "Ġ\" );čĊ", "Ġaw ards", "(r ange", "- all", "ĠIB Outlet", "ĠInd eed", "---------------------------------------------------------------- ------------", "Ġstom ach", "Ġfl ower", "Ġs ew", "_t imes", "av is", "Q String", "ĠR outes", "_pro t", "Ġcom edy", "Ġlog out", "Ġwood en", "Ġpost er", "p iece", ".J oin", "ĠP ok", "cel ona", "mut ex", ";čĊ čĊčĊ", "Ġstri kes", "Load ed", ") arg", "es a", "Un ited", "E p", "PE LL", "ĠAtl antic", "ul let", "app le", "Ġsett led", "a con", "Ġprint er", "ĠG C", "å® ļ", "Ġrender ed", ", âĢĻ", "he it", "s ocial", ". ge", "ĠR ick", "ĠUt ah", "g ot", "on ical", "ĠSc roll", "ĠSc iences", "Ġj ug", "Ġam pl", "ent i", "LE FT", "Ġt abs", "Ġenorm ous", ".get Key", "loc ate", ". EX", ".st orage", ".W e", "Ġto ast", "ĠAdd itionally", "ĠN OW", "_ UPDATE", "Ġtrans ferred", "th a", ".D isplay", "_ ui", "ID EO", "Ġmeaning ful", "ĠMos cow", ", this", "ĠVict oria", "æĶ ¹", "ĠÐ Ł", ".st ack", "ĠB arn", "pared Statement", ": string", "Ġb ij", "ĠST ATE", "Ġemploy ers", "ĉ input", "( |", "Ġle x", "in voke", "ĉ num", "++ ,", "at ial", "ors es", "Ġfor k", "_t xt", "ĠAnton io", "Ġ( <", "aver se", "Ġdev ast", "ãĢ Ģ", ".D ec", "ĠG ard", "/ ui", ". %", "tr i", "Ġrol led", "Value Pair", "itt en", "ĠTh er", "Ġv rou", "ĠFl ow", "ĠFin ance", "ĠCom b", "H C", ".set Visible", "is l", "Ġp k", "Ġup set", "( raw", "ĠV ice", "e atures", "ĠL ang", "Look ing", "ĠA ST", "Ġtri ps", "ĠJust in", "b rowser", "=\" '.$", ". vertices", "- co", "}/ {", "Ġ? ,", "ĠD omin", "ĠBel g", "\" <", "Ġsup pose", "add y", "Ġwalk s", "ERR U", "_f ilters", "Pre ferred", "sc ene", "е Ñģ", "ĠAff airs", "Ġ\"# {", "Ġon Submit", "Ġstock s", "/ view", "g ree", "- get", "h it", "J o", ".get C", "Initial ized", "ÑĤ и", "c uts", "( Type", "ĠAg reement", "ĠViet nam", "Ġ/* !", "Ġp izza", "- view", "_ em", "Ġl hs", "Ġm uy", "ĠId ent", "ĠF riends", "Ġab und", "_A D", ".t imestamp", "- '", "Ġd uplicate", "Ġhun ting", "Ġregul atory", "ia o", "am ous", "ĠEnt ertainment", "[ A", "iat ric", "_CL IENT", "ĠK ids", "/p kg", "B reak", ")) );ĊĊ", "ĠSh ape", "Ġrel ating", "Int errupt", "able Opacity", "emb re", "Ġmyst ery", "Ġjournal ists", "rit able", ".L ink", "Ġstop ping", "CRE T", ".D B", "Ġpopular ity", "Ġg ew", "Ġim pr", "set Value", "FL AG", "ĉm ax", "Ġb ake", "w y", "ĠEcon omic", "Ġen contr", "Ġf name", "/ de", "R ank", "Ġbug s", ".s m", "Ġmed ian", "D OWN", "ĠS ure", "At Index", "ĠD ick", "Ġ( __", ".d elta", "F r", "Ġsuggest ing", "ĠRec yclerView", ", e", "ST ART", "/************************************************************************ ****", "xf ord", "Ġrece ipt", "CL AIM", "read only", "Ġeng aging", "C a", "as ma", "Ġens uring", "Eng lish", "ĠV ancouver", "hy th", "Ġpurch asing", "ĠP I", ". word", "(s p", ".h ome", ": def", "Ġg ig", "ĠV e", "for um", "ĠM itch", "B ay", "_F L", "Ġs oll", "_column s", "Ġminor ity", "b ird", "Ġhand ed", "SS L", "ST AT", "Ġnerv ous", "ĥ ½", "Ġfile Path", "CRE ATE", "A w", "Ġp ens", "se ed", "ĠCom pute", "ol k", "ĠAs set", "re ach", "'), čĊ", "n avigation", "L F", "/ util", "ĠP ub", "Ġâ Ķ", "c ion", "## Ċ", "II I", "Tag Name", "Ġam id", "per mission", "if iable", "xFFFF FFFF", "н и", ".B uffer", "_ irq", "d ark", "Ġret val", ".f ire", "produ ction", ".list en", "ĠWe ather", "Ġbuy ers", ". ne", "er p", "ĠP ent", "Ġw elfare", "Ġpage Size", "ĠSt adium", "ert a", "Ġle v", "amp a", "P ager", "Ġcharg ing", "ĠNet flix", "| null", "_r andom", ".x path", "Ġst ere", "ĠIS IS", "pons es", "( loc", "ey ond", "ĠOff icial", "ĠMary land", "Data Type", "_p ar", "{ },", "ĠEn joy", "_SH IFT", "ĠA wards", "_ENT RY", "Ġseem ingly", "entic ate", "Ġheart s", "_ ;ĊĊ", "ĠH IV", "Ġindiv id", "ĠFl ag", "_ ctrl", "ĠC allback", ", z", "ĠG PU", "ĉ obj", "ĠPh oenix", "ĠB US", "Ġrub ber", "_A UTH", "ĠSol utions", "( location", "Variable s", ".set Enabled", "_h igh", "W O", "G esture", "Ġre try", "Ġobject ForKey", "allow een", "Ġm os", "ĠC ele", "Ġik ke", "(c ell", "ĠM ODE", "ren a", "Ġdescri bing", "Ġph i", "Ġr d", "Ġdes erve", "Ġwhe els", "å¸ Ĥ", "Ġcrit ics", "N amespace", "ĠF ra", "Ġ ĊĊĊĊ", "Ġall a", "Ġrequ iring", "æľ Ł", "ut ation", "Ġdelay ed", "Ġadministr ative", "Ġb ay", ".h idden", "T ex", "Ġbound aries", "Ġ] );ĊĊ", "ĠFollow ing", "~ /", "F i", "_con v", "_T ITLE", "Ġdes de", "ICollection View", "Ali as", "Ġb ite", "pat ient", "_COMM AND", "Com pleted", "ĉ elif", "( <", "B usiness", "ĠP ool", "Ġpurs ue", "ĠB an", "_st eps", "_DE CL", "um ble", "Ġcom bo", "ĠL ayer", ".x r", "Ġd up", "-------- -", "Ġmod ifier", "ro b", "re z", "Ġath letes", "Us ed", "w ear", "Ġlegit imate", "Ġ\" ĊĊ", "Ġh v", "St d", "ĠH old", "Ġsurv iv", "ĠAll iance", "ĠEar ly", "Beh avior", "(f ont", "/lib s", "Ġrect angle", "Ġs inger", "Ġam p", "Equal To", "Ġ\" .\"", "Ġgirl friend", "å ±", "line ar", "obs erv", "Ġpi ù", "Ġcomple ment", "With Value", "(p assword", "t ake", "Bl ank", "ĠCom par", "' \",", "_p olicy", "m ongoose", "_FA ILED", ".re port", "R atio", ".Perform Layout", "us able", "m ers", "_re nder", "PE ED", "Ġles b", "ĉ E", "_t ool", "Ġl adies", "о Ñģ", ")) ))Ċ", ";; ;;", ".d ot", "Ġn est", "pe ak", "uk kit", "ec a", "_S W", "Ġ& (", "ĠOk lahoma", "Ġbank ing", "ĠN intendo", "Ġreprodu ce", "_element s", "_m ac", "pro xy", "Ġremark able", "}/ ${", "Ġout s", ".has Next", "M ODE", "Ġan ime", ".con n", "Un ique", "D om", "Ġimportant ly", "itt y", "Ġju ice", "T w", "ĠPart ners", "Ġattack ing", "Ġport able", "am iento", ".P ictureBox", ".g en", "Ġopt imal", "Ġre cre", "Ġjournal ist", "ĠEx tract", "ĠMore over", "Ġmargin Top", ".A p", "Ġf iring", "Na N", "ĉ template", "аР´", ". En", "Ġdef ence", "ĠT el", "il en", "j an", "= data", "ĠU rl", "ĠRe uters", "(t otal", "ĠFif th", "Ġess ays", "Ġinterpret ation", "Ġchar ity", "ĠR ules", "Ġsub section", "st yled", "az er", "l ags", "L IST", "Ġupload ed", "Ġtr ash", "Ġreg istr", "Ġsell er", ">' ;čĊ", "Ġstart Time", "ç Ļ", "s y", "(Http ServletRequest", "Ġtr ap", "G C", "Ġembed ded", "Ġsurround ed", "im its", "T X", "yl inder", "ĠF al", "Ġsent ences", "ĠJ a", "IF ICATION", "we apon", "ov ation", "Ġco at", "Ġinter pol", "Ġl ips", "ĠK y", "Ġv ectors", "_ am", "Ġint ake", ".w orld", "Ġin box", "ĠM AC", "_ ab", "(name of", "Ġent ert", "Ġgather ing", "ĠS IM", "++ .", "ny a", "' }}", "ĠUP DATE", "Ġp ac", "( html", "ĠS ant", "i ating", "ĠIde as", "Ġspr ay", "ĠH art", "Ġver ification", "ades h", "/ modules", "ĠM ind", "ĠSized Box", "Ġsh elter", "Ġher oes", "att y", "Ġcert ified", "s j", "Ġê tre", "ÅĤ o", "Ġpublish ing", "ĠMal ays", ".get User", "ĠPro vider", "ĠLinked List", "ĠB or", "RO UND", "d id", "t ain", "p ire", "ĠJ enn", "t el", "and e", "_f ront", "ĠMc G", "Test Method", "ภŃ", "Ġoccasion ally", "ĠW ales", "Ġexerc ises", "ĠÐ Ĵ", "- plus", "Ġvalid ator", "Ġpr ayer", "L ATED", "_ author", "Ġlab our", "++ Ċ", "-e quiv", "ĠG PL", "Ġface book", "s imple", "g ly", "Process or", "ip y", "Ġ* >", "Ġcle ared", "ĠP ush", "Ġpen is", "Struct ure", "li j", "ĠM organ", "Ġhand ful", "\" .Ċ", "| \\", "Ġ ********************************", "ĠA qu", "_ IC", ".load s", "Ġm eter", "ĠMar ine", ":: {", "ĠT S", "ĠArray s", ".T itle", "GR AM", "ter min", "Ġco inc", "El se", "_st ates", "-r un", "m embers", "ast ro", "Ġon Press", "Ġbe ings", "Ġabandon ed", "Ġtax p", "own ers", ".m ode", "Ġdiagn osis", "Ġ_ Ċ", "ĠK night", "ĉ A", "Ġob serve", "), '", "! \")Ċ", "ĠPar a", "Ġvari ation", "( False", "ĠAnt i", "Ġg ri", "Ġhome less", "? v", "Ġbe z", ".S erver", "re lease", "ĠP atri", "Ġchar s", "Ġrank ing", "activ ation", "Ġw ides", "q r", ".S ql", "ac ular", "ĠB ot", "_s ync", "Ġhapp iness", "Ġvolunte ers", "Ġs its", "/ <", "[ e", "(file Name", "Ġcap ac", "ĠMar ia", "f ather", "Ġgr am", "* i", "Ġcas o", "_d raw", "ĠR aw", "ĠIter ator", "ĠP adding", "P D", "BO X", "ĠS PECIAL", "Ġfe cha", "Ġv ide", "ĠLe ader", "ä» ¥", "$ (\".", "Ġdiam eter", "Ġm ild", "Ġrock s", "app ings", "d irectory", ".fl ush", "ĠJ ess", "UN IT", "ĠP ear", "Ġmand atory", "S ur", "q t", "Ġstream s", "Ġco operation", "ĠS ac", "Ġche aper", "ĉ ch", "an imation", "f are", "( height", "( True", "N Y", "Ġw rest", "Ġpoll s", "Ġencounter ed", "ĠMarket able", "_P ASSWORD", "_SE LECT", "ĠArab ia", "_c lock", "Ġv oy", "Ġи з", "Ġst ir", "is ible", "-e ffect", ".c reated", "Ġto ys", "ĠTrad able", "Ġr ust", "Ġstr cpy", "_t imestamp", "Ġtalent ed", ", null", "ĠJ obs", "ĠPort land", "Ġweak ness", "Th row", "ĠAng el", "ä¿ ®", "Ġun cert", "ï¼ī Ċ", "ĠìĿ ´", "Wh ich", "Ġ[- ]:", "S omething", "Ġconv icted", "k le", "ed ium", "Ġbranch es", "Ġb ases", "ç ®", "Ġcomplex ity", "ĠF ig", ". reshape", "$ db", "_CON ST", "ĠT es", ".r untime", "Ġden y", "ĠB SD", "Ġk r", "h att", "ĠSt atic", "Ġunivers ities", "Re place", "Ġdro ve", "Ġad oles", "_pl ugin", "ĠL GBT", "Ġt ex", "du ction", "ED I", "ĠT ed", "_ URI", "Ġre ception", "art en", ".S ingle", "r ice", "sc ious", "_b g", "Ġw ages", "ĠS ervlet", "UIL ayout", "Ġform atted", ".M od", "< class", "is en", "Ġrepresent atives", "\"] =", "Ġport al", "ĠHun ter", "Ġh iring", "__ )Ċ", "ric ulum", "u o", "li est", "Ġt ears", "L at", "Ġliter al", ".In sert", "Ġc urs", "ĠCom put", "Ġterror ism", "Ġswe ep", "Ġ[] čĊ", "Ġpass enger", "Ġeast ern", "Ġtwe ets", "Ġoper ated", "w nd", "ĠS yn", ".t ools", "ĠW M", "ul ates", "Ġbacter ia", "( bytes", ".set Data", "Ġvis ibility", "// ================================================================", "el m", "Ġgener ating", "Ġm v", "Ġk h", "j en", "/ search", "Ġaccount ing", "se gment", "act ic", ". ip", "Ġdeploy ment", "Ġfoot er", "> ',Ċ", "Ġexpand ing", "ĠHam ilton", "ĠCon trib", ".T ables", "Act iv", "H H", "ocom merce", "_ ;", "Ġamong st", "ow ing", "ĠC old", "AP H", "Ġpsych ological", "_t ensor", "Ġpack aging", "ĠSw eden", "Ġp are", "Ġag gregate", "Ġmoder ate", "_h and", "Ġdesign ated", "Ġdr um", "Ġget User", "ĠC reek", "_s cope", "ĠTrans fer", "ĠM arg", "Ġfight ers", "W nd", "ĠS el", "ĠLa unch", "Ġemerg ing", "if rame", "ĠAdd itional", "Ġf ears", "Ġsat ellite", "_ :", "Ġdis posing", "Get Value", "Http Post", "AT IVE", "ul ary", "View s", "Ġatt ending", "ĠT ennessee", "ĠM ission", "Ġmedic ation", "ĠW y", "ĠAn na", "Ø ¹", "ĠVert ex", ".t ypes", "O rgan", ".DataGridView TextBoxColumn", "ĠR S", "Ġtemp o", "( App", "Version UID", ".p oint", "ĠD utch", "H ours", "L U", "Ġqu oted", ".b uilder", "ĠPer fect", "ĠAl ways", "_t wo", "Ġexclus ively", "ĠC ra", "ific ar", "ĠA WS", "ing ham", "com plex", "k ernel", "Ġgr avity", "Ġw i", "Ġover view", "ĠW ant", "ĠW P", "( sh", ". rotation", "St ates", "ĠTe en", "_com ponents", "ì Īĺ", "Re ceived", "Ġly rics", "rit es", "ĉĉĉĉĉ Ġ", "-A merican", "[ num", "/ python", "ĠU ART", "Ġapp le", "ĠJon athan", "Ġmoment um", "ภ±", "Ĥ ¹", "Ġm ich", "and ra", "Ġbi ological", "ĠM ens", "Ġ% %", "else a", "ĠMex ican", ".rand int", "Ġt ale", "ĠValid ate", "Ġdefe ated", ".ht m", "Ġcop per", "= /", "cos ystem", "Ġr ip", "dec imal", ".V ISIBLE", "ĠT a", "ĉĉĉĉĉĉĉĉ ĉĉĉĉĉĉ", "Ġdownload ed", "en vironment", "Ġnom ine", "build ing", "ĠSp ot", "ipher al", "Ġal to", "qu et", "ĠF T", "/ get", "/m aster", "W IN", "åħ ĥ", "W est", "arg c", "Ġprodu cers", "ĠM uch", "_st orage", "cred it", "CON T", "Ġv et", "Ġvo ices", "(' ',", "Ġinstr uments", "ĠM SG", "es se", "re pository", "om ics", "Ġdeal er", "St ill", "Ġb anner", "asc ii", "Ġrem arks", "[ js", "Ġshort er", "g ulp", "Ġmyst er", "Ġk un", "ĠB ird", "Ġti ene", "n ut", "ĠU m", "Ġw ise", "Y eah", "INE SS", "_b egin", "- heading", "C ourse", "Ġ čĊčĊ", "omb ie", "grad ed", "ĠG PS", "Ġ że", "F it", "c aption", "ö n", "/ image", "l ia", "(m od", "Ġle ak", "en za", "/ H", "ĠH appy", "D ist", "n x", "ĠGovern or", "(l ast", "te acher", "ĠS ent", "s upport", "ject ory", "Ġ Ùħ", "Reg istration", "ĠGr ay", ", false", "Ġadjust ed", "( settings", "< R", "ĠM age", "Ġpl aint", "_ )Ċ", "ĉ it", "omet ric", ". bootstrap", "Ġcar ries", "I p", "Ġ! $", "Ġswim ming", "ĠMar io", "ĠQuest ions", "P ACE", "æĸ ¹", "e or", "}} \"", "Ġo ven", "ĠK on", "Ġwis dom", "Ġac quisition", "ess ment", "ag ine", "Ġexpress ions", "Sequential Group", "F ront", "ul pt", "aw k", "'] )ĊĊ", "_ AR", "Ġanal og", "ul in", "_PR INT", "ĠL G", "Ġb lob", "ĠFurther more", "_com ponent", "ĠC ole", "L AN", "SCRI PTION", "Ġl ap", "icens ing", "_TIME OUT", "ĠF ro", "Ġli ability", "Ġcom posed", ".create SequentialGroup", "_p erson", "Ġbe am", "ĉ ĠĠĠĠĠĠĠĠ", "ĠNot Found", ". 'Ċ", "ÃŃ s", ".Text View", "P DF", "Ġk ar", "__ ('", "Ġ\" :\"", "_m essages", "Ġhar vest", ".h istory", "> 'Ċ", "-f old", "æ Ĭ", "ĠBet ter", "Ġ\"\\ <", "sp acing", "Ġfurn ished", "os er", "] }Ċ", "Ġ$ \"", "p ull", ".P ost", "( ip", "Ĺ ı", ".f ront", "nt e", "ĠF M", "g uid", "Ġnegot iations", "agon al", "Ġtrem end", "unge on", "Ad v", "car ousel", "ÃŁ e", "_DE SC", "Ġham mer", "ẠŃ", "ĠĠĠĠĠĠĠĠ ĊĊ", "-c ore", "-s ervice", "Ġcorn ers", "ĠS F", "p red", "> A", "ĠJ Label", "Ġrom antic", "Ġtestim ony", "os c", "ĠGener ation", "as ures", "_int ernal", "Ġprint s", "Ġ] )Ċ", "ĠC leveland", "re po", "D isc", "Ġ\" >Ċ", "�� ��", "Ġne arest", "_t b", "( require", "EO F", "- child", "Ġbu dd", ".Xtra Editors", "alt ies", "\\\": \\\"", "W ords", "Ġloc ally", "Ġpurch ases", "Draw er", "ex tract", "Ġexec ut", "} '.", "user data", "Ġfocus es", "-min ute", "ĠP ublish", "og o", "Ġmount ains", "B ot", "} >{", "Ġt ension", "ro d", "m esh", "Ġtransform ed", ", R", "() }Ċ", ".l ong", "Ġg orgeous", "ĠS chedule", "Ġol dest", "Ġsub process", "( IN", "y ect", "ĠCo oper", "arn ess", "ĠMon itor", ".p art", "ĠN BC", "Ġc otton", "Ġh ol", "Ġrg ba", "ĠB io", "Cont inue", "P od", "Ġparticip ating", "clus ions", "(By Val", "à ¬", "ĠH OW", "_set opt", "Ġaccompany ing", "at on", "Ġ/ \\", "ĠAuth entication", "i én", "ĠBar ack", "/* .", "Ġe ager", "ĠC ancel", "< lemma", "ep h", "ĉ window", "Ġinc idents", "), (", ".D es", "ib e", "ĠFunction s", "Ġhosp itals", "Ġo xygen", "root Scope", "Ġd rew", "ĉ request", "not ice", "ak u", "am ents", "f ar", "Ġprec ise", "_w rapper", "Ġlisten ers", "A Z", ".b ounds", "ĠA verage", "field set", "_ axis", "Ġexam ination", "' .Ċ", "mon s", "++) {čĊ", "ĠForm s", "íķ ľ", "Cpp Method", "_tr ace", "Ġengine er", "ĠFl at", "Ġrev ision", "Ġhe ating", "/ profile", ".r u", "p riority", "Ġin fer", "_ST REAM", "Ġ* )(", "> $", "OLE AN", "OK IE", "IB ILITY", "U AGE", "ĠSur vey", "Ġres ign", "w ing", "Ġsecre ts", "Ġch ips", "JSON Object", "Des ktop", "_SY MBOL", "(res ource", "ĠĊ", "Ġnew est", "ul i", "Ġdes ert", "Ġd ip", "ĠP ow", "Ġequ ation", "Ġposs ibilities", "ĠF ed", "os ph", "Ġ[ %", "Ġb ubble", "ether lands", "Ġc ement", ". auto", "_ AN", "âĢĻ .", "se lection", "ĠB ond", "D en", "- O", ".get Type", ".W indow", "p res", "Ġsw inger", "\" })Ċ", "Ġp ip", "Ġm ice", "Ġcomp ound", "- plugin", "ik o", "Ġcent uries", "ic ular", "-in line", "ĉ key", "> \\<", "EN SION", "Ġ[ čĊ", "Ġprecis ely", "Ġét é", "ĠP ast", "ĠCam bridge", "-f ull", "Ġanaly ze", "ĠSte ven", "Ġn em", "d ue", "ore n", "Ġmus cles", "ij ing", "/ -", "ĠKenn edy", "R M", "oss ible", "Ġact ress", "Ġd olor", "å½ ķ", "Ne ed", ".t oggle", "ĠR ace", "w ers", ".m aterial", "ĠD ue", "ĠP el", "# print", "Ġindepend ence", "ex us", "Sh adow", "Ġenc oder", "( level", "ĠSw ift", ".d oc", "_se lection", "Ġserial VersionUID", "Label s", "Ġperform ances", ".T ag", "ĠN HL", "iz en", "/ UIKit", "_CONT ROL", "Ġearn ings", "ĠAl t", "_H ANDLE", "C tx", "Ġpers u", "Ġtr an", "ç ¨", "_CH ANNEL", "Ġsatisf action", "ĠG P", "io x", "m itt", "land o", "Ġp ig", "inal s", "ê ncia", "S urface", "ĠU UID", "Ġbenef icial", "Ġsequ ences", "ĉmem set", "Ġmag ical", " «", "Ġw orn", "AS C", "pop up", "COM P", "_b efore", "en ess", "U i", "L es", ".re quire", ".Serial izable", "add Gap", "Ġauthor ization", ".py plot", "urr ay", "lat itude", "fr ames", "aj s", "Ġcomp ass", "Ġobserv ations", "_s up", ".en viron", "Ġtri ple", "ĠRub y", "Ġdr ain", "_F ILTER", "S an", "UM P", "Null Exception", "ĠG ab", "ow e", "ĠTurk ish", "_se quence", "ĠGr ant", "uel a", "Ġw o", "Ġc ube", "i q", "Ġdis orders", "Ġextra ordinary", "Ġc trl", "ĠSe q", "ent r", "Ġsan ctions", "uts ch", "Re ports", "Ġin herit", "Per iod", "Ġphot ography", "ĠF ramework", "Ġspecial ist", "Ġ? ĊĊ", "_ selected", ".P layer", "Ġal location", "( account", "Ġstruct ural", "v able", "- offset", ".App CompatActivity", "аР¼", ".Add WithValue", "Ġicon s", "Ġshut down", "_l ow", "ĠCom pare", "ĠC e", "= head", "l am", ".p redict", "_DE C", "ĠS leep", "ĠGr atis", "Ġsuggest ion", "ĠD EL", "ca ff", "av irus", "No thing", "ŀ ĭ", "Ġwides pread", "Ġmechan isms", "Ġtext Align", "occ up", "ĠR ail", ": NS", "Ġf iber", "Ġm k", "Ġv intage", "-l ong", ".re duce", ". Entities", "( record", "Ġple asant", "FR ING", ".C ells", "OT T", "ĉelse if", "_con firm", "ĠView Group", "s ym", "Ġpr ay", "Ġsus pected", "Cont ains", "Ġb orders", "Ġcomponent Did", "ASS ERT", "Ġinf inite", "- order", "Ġh ello", "ĠGr ade", ".currentTime Millis", "apol is", "z h", "ĉ Object", ": \\\\", "H O", "val uation", "Ġvoc ab", "Ġcou pon", "atab ases", ".Get Type", "L earn", "] =\"", "ĠG ary", "ot ive", "Ġas h", "Ġb ib", "XX XX", "Ġbal anced", "VAL UE", "ĠN at", "_A d", "< E", "åĮ º", "ĠMethod Info", "L IB", "Ġconsider able", "ĠInd ustry", "test s", ".set Title", "ĠBl uetooth", "Ġm apped", "ĠBru ce", "ĠMain Window", "ĉ status", "Ġr az", "ĠM and", "Ġclass ification", "Per missions", "Ġ---------------------------------------------------------------- ------------", "Ġcontain ers", ": set", "_x ml", "Ġwh ilst", "Th rough", "Ġval ign", "Ġworld s", "C ORD", "ED IA", "ÑĢ ов", "Ġsp are", "ĠH ad", "ĠDE F", "(p tr", "Ġwarm ing", "ठ¾", "Ġcons ensus", "ag ne", "CT L", "Ġì ķ", ".M ain", "web Element", "Ġp ist", "Fl ash", "App end", ".tw img", "T ap", "Ġveget ables", "al g", ".s ample", "Ġcoach ing", "( ind", "Cell Value", "Check Box", "ĠH ell", "RO OT", "Ġst adium", "Ġinvestig ating", ") %", "st ed", "ĠW riting", "Ġê ²", "Ġun o", "Ġ{{ --", "Ġco ords", "Ġun ser", "organ ization", "ĠCr ime", "ĠDemocr at", "Ġv in", "/ file", "- api", "ĠA y", "Ġfund ed", "ĠBre xit", "ĠG h", "ent ina", "c ases", "Ġd ash", "Ġ!! }Ċ", "H I", "Off ice", "Ġcapt ain", "Ġwor ship", "\\ C", "Ġglo be", "_ board", "Ġbab ies", "Ġconsec utive", "Ġenh anced", "ere um", "ĠAd vis", "Ġgr ain", "Ġc raw", "ancell ationToken", ". alpha", "_W ITH", "ĠO tt", "ĠC ool", ".b atch", "Ġver ified", "(c allback", "Ġreg ards", "ĠInt Ptr", "ouch er", "Ġk in", "Ġtou ched", "it Ãł", "ath on", "Ġadj acent", "Ġaccom panied", "LE AR", "Ġim plies", "Ġh ill", "ĠBalt imore", "=\" -", "Fin ally", "S am", "ic opt", "Ġs od", "Ġm aj", "ĠSh ipping", "Ġget All", "Ġcoach es", "Ġdon ations", "il ot", "ĠT ar", "c err", "Ġbad ge", "Ġmark ers", "ĠR and", "ais ed", "iss ance", "Ġexpl oring", "uc ed", "ĠIndones ia", "Ġbene ath", "Ġmagn etic", "Ġm useum", "match Condition", "Ġdis rupt", "Ġrem ind", "ĠT M", "Ġ/ ><", "Ġf ool", "Ġes k", ".N ull", "ĠD ies", "_OUT PUT", "_TYP ED", "Ġpaint ed", "Ġsoph istic", "ĠB ear", "* n", "_P ACK", "Ġdeliver ing", "ĠC OUNT", "åį ķ", "Ġj eg", "-c ar", "f name", "Ġr anging", "ĠN eg", "/ ******/", "ĠCH AR", "Ġul tra", "Gr ad", "= t", "Ġjud ges", "ĠD ise", "ann ers", "Ġsc al", "_c al", "ĠCON NECTION", "_ embed", "(f n", "ĠC raft", "ĠP as", "\") ->", ".con vert", ".res ource", "ĠST ATUS", "ô ng", "ĠT it", "Ġclass room", "ĠArch itect", "ĠK ings", "Ġstead y", "/* !Ċ", "ĠG ene", ") \";Ċ", "ic ia", "st an", "ĠCon struction", "um per", "w c", "ĠC BS", "ing ing", "-p arty", "(d river", "M ARK", "Ġn ested", "ew ard", "Ġdepend ency", "Ġm ales", "ĠO NE", "ĠProdu ction", "][ $", "ãĥ¼ ãĥ", "_LO AD", "ĠB ol", "el ry", "ł éĻ¤", "ĠRe quire", "Ġpl acing", "xx x", "CA LE", "Ġth umb", "Ch oose", "Ġprot otype", "VO ID", "Ġles bian", "Ġtra its", "Sh arp", "Ġconsum e", "Tr uth", "Ġaction Performed", "ĠEnvironment al", "ĠDe an", "Ġest ado", "s ame", "Ġnumer ic", "Ġtrans it", ". Email", "-s ide", "_R UN", "ĠVill age", "_OP EN", "è ¦", ".re m", "-w arning", "any a", "Property Changed", "Ġ(! _", "( check", "il ia", "ĠSo ft", "st eps", "ĠMad rid", "Memory Warning", "Ġhand lers", "Ġexperi encing", "Ġins pect", "button s", "Receive MemoryWarning", "chem y", "Link s", "Ġur llib", ".System Colors", "ĠE igen", "Ġpun ishment", ":UI Control", "bar a", "- set", "Ġ}čĊčĊ čĊ", "Ġtoler ance", "Ġinter faces", ". redirect", "ighb ors", "cs rf", "_back ground", ". Utils", "_H T", "ĠInter est", "im os", "Ġgr ants", "Ġexam ined", "Ð Ķ", "Ġc f", "for ge", "back s", "ĠObject s", "_s ent", ". entry", "ĠTH EN", "ell ido", "c ia", ", res", "/std c", ". nd", "( Int", "ĠAuth ors", "ĠApp CompatActivity", "' {", "Ġmed i", "M usic", "ig m", "ce ipt", "Ġa uss", "Ġtarget ing", "ĠKe ys", "h n", ": ]Ċ", "Ġmin eral", "à ®", ".c a", "om ed", "Ġshe ets", "Ġc amb", "Ġdead ly", ".in ject", "( unit", "ĠSe lection", ".g ms", "( connection", "Ġ$ (\"", "é mon", "ĠCurrent ly", "pt e", "_path s", "le af", "Ġimp lications", "pos al", "ä½ į", "[ /", "anc ia", "é Ľ", "m ul", "c ie", "Ġge ile", "im als", "UI View", "Ġs urre", "serial ize", "IS O", "Ġarbit rary", "Ġsock addr", ".f n", "ĠM erc", "Ġcast ing", "Key Down", "Ġnew Value", "op ens", "T odo", "Ġflex ibility", "ĉĉĉĉ ĠĠ", "V elocity", "ú n", "row ing", "Ġcomput ed", "` )Ċ", "st atement", "Ġr i", "_c art", "L ow", "trans fer", ".n av", "Ġgr ave", "ĠDo or", "ĉ alert", ".sub scribe", "- profile", "ĉb ase", "ĠâĪ Ĵ", "__ ĊĊ", "Ġengine ers", "Ġexplos ion", "Ġd ari", "ĉ Log", "on al", "Ġisol ated", "{ i", "ĠM sg", "F uture", "Ġrac ist", "-w rap", "ĠV ers", "b org", "IS ION", "Ġ ÑĢаÐ", "ĠY an", "init With", "Ġn omin", "( empty", "ÃŃ n", "ãĤ ¤", "ĉ width", "Ġch amber", "/ ajax", "EM P", "Ġnec es", "iv os", "log ic", "*) &", "cript s", "Row At", "ib lings", "Ġe ars", "Ġcomput ing", "Ġm aker", "ĠNe ither", "b readcrumb", "Ġserial ize", "ĠWith in", "Ġd ell", "_TR ACE", "= a", "Ġwish es", "-in ch", "ĠD or", "Ġinnoc ent", "ĠD ol", "Ġint ens", "for ced", "ĠB IT", "Ġphotograph s", "Ġcas a", "ĠL en", "\\F ramework", ".S imple", "Ġde ar", ")/ (", "ip pi", "Ġown s", "Pl ayers", "Ġpropos als", ".p i", "us alem", "D amage", "Ġcal ories", "ĠCreat ive", "Ġ[ $", "Ġ// čĊ", "And View", "è me", ".c ustom", "_f actory", "command s", "_lo ok", "Ġstr cmp", "Y N", "a ired", "Ġaud it", "о ÑģÑĤ", "ĠRe verse", "ropri ate", "et ics", "< vector", ".s elenium", ". or", "Ġpred icate", "Ġfinish ing", "Ġk le", "ĠRep os", "ĠK han", "ĠM aking", "ĠF S", "Ġp ute", "ĉ state", "_S UPPORT", "' -", "orient ation", "Ġexist ed", "atur a", "Ġexpect s", "ĠSh adow", "Ġorgan iz", "å ŀĭ", "Ġsusp ension", "Ġu it", "Ġsimult aneously", "ĠAff ero", ": \");Ċ", "Ġro cket", "c as", "eter mine", "ace ut", "x l", "ĠA MD", "( graph", "ass oci", "_C R", ".ar ange", "(j Label", "Ġbe ef", "Qu ick", ".c ard", "] ):", "- gr", ".G ONE", "_C LOSE", "ĠNe v", "ÃŃ as", "Ġste pped", "ĠFre edom", "ĠW R", "NS Array", "_r x", "_d ialog", "Ġhot els", "Ġ( \\<", "ĠD iamond", "Ġassum ption", "um i", "( items", "č ččĊ", "æ³ ķ", "Ġn el", "Book s", "åİ ¿", "us b", "ĠF IN", "æ ¬", "Ġcorpor ations", "US A", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", ".p roperty", "ew ise", "_ plot", "\"> ';Ċ", "Ġpe pper", "Ġsh ed", "ĠMed ium", "ĠC ookie", "Ġoverse as", "ed or", "asure ment", "åŃ ĺ", "Ġ' .'", "Ġph p", "ĠPRO C", "Ġexception al", "( th", "ĠJ et", "Ġoccup ied", ".set Image", "ĠRel ated", "uck er", "M embers", "PR INT", "ĠG lo", "_V IEW", "} \",Ċ", "Ġad option", "[] )Ċ", "ĠMiss ouri", "ĠLin coln", "eral d", "Pop up", "Ġf ate", "- bootstrap", "fe ctions", "ĠP oll", "_ARG S", "in ance", "-h ome", ". ),", "_d one", ": ĊĊĊ", "Ġdiscuss ing", "ĠSQL Exception", "Ġelect ro", "ĉ req", "Ġz w", "Ġl ui", "Ġover night", "$ user", "ĠW AY", "Ġall erg", "Ġdisappoint ed", "Ġradi ation", "Ġimpress ed", "ific ates", "Ġto b", "CL ASS", "Ġc uda", "_d et", "- post", "ul u", "Trans lation", "-h and", ".y ear", "ĠM ongo", "Ġun clear", ". engine", "WEB PACK", "r ices", "_AC CESS", "Ġh olidays", "per cent", ".Id entity", "ĠG ov", "Ġpassion ate", "!! .", "ĠGree ce", "plus plus", "')) ;", "G P", "Ġexc it", ".tab Page", "_ cond", "Ġspons or", "M ODULE", "_pro c", "Ġ$ Ċ", "Ġr ational", ".T ool", "Ġi hr", "cc a", "åĵ ģ", "ĠE state", "IB UTE", "Action Performed", "ĠS olar", "¦ Ĥ", "Ġequ ity", "t id", "Ġrec ip", ".s imple", "m k", "ĠL uke", "ĠGuard ian", "Ġenc rypted", "Ġdomin ant", ". place", "ĠN V", "Ġtong ue", "( Get", "Ġst ainless", ".P lay", "Ġe b", "ac i", ".b uffer", "readcr umbs", "Ġvacc ine", "p rom", "Ġuser Info", "Ġsl ug", "Serial izedName", "-w ide", "Ġre actions", "ĠY ang", "ĠAdd s", "(user Id", "Ġpl ates", "ĠM EM", "Ġb ail", "In side", "et ed", "Ġels if", "Ġs ake", "Ġc ycles", "Ġì Ĺ", "ĉ I", "-c ollapse", "ĠG MT", "De claration", "Ġg ros", "Ġreach es", "Ġcust ody", "Unt il", "t u", "ĠCh en", "Ġn x", "( addr", "ĠO ffer", "Ġcol leg", "ass ador", "Ġm apper", "ĠS IGNAL", "ĠB loom", "ĠH oll", "ĠIm per", "-d es", "_s ite", "Pro c", "E qu", "Ġat omic", "ĠW oman", "s ent", "sc ar", "Ġint elligent", "ĠGet ting", "ĠReg istration", "ĠPh ill", "Ġkill er", "unic ode", "Ċ ĉĉĊ", "ĠJac ob", "ĠCon st", "Ġloc ate", "Ġca us", "ĠSch olar", "Ġconstitution al", "Ġinfl ation", "ĠG ot", "= array", "end um", "Ġtransl ated", "Ġdiv orce", "En tries", "Ġs or", "ĠQu ote", "irl ines", "U K", "Ġexc el", "( opt", "ĠAD V", ",: ,", "Ġcontact ed", "ĠD A", "Ġr ings", "ĠIndust rial", ".get Context", "Ġforg otten", "ĠT an", "Ġp ants", "Ġo v", "Ġdec oder", "ĠPart ial", "Ġv c", "Ġbatt les", "A rial", "FRING EMENT", "ir ates", ", w", "aint enance", "ĠO d", "ĠTechn ologies", "åī į", "ĠCar ter", ".find All", "N ome", "B en", "ĠUs age", "ĠP icture", "Ġbad ly", "_p anel", "Ġpat ent", "ĠProt ocol", "lot te", "ĉ player", "je ctions", "Ġd ou", "_re lease", "urn iture", "_t ax", "ĠF ields", ".d ataset", "_m aster", "CLU DE", "ĠPh arm", "b st", "Ġoper ational", ".c ell", "Ġident ifying", "Ġj wt", "t uple", "ĠT C", "ĠC ro", "ix map", "- components", "gener al", "Ġo z", "_D e", "_d ouble", "ĠTo o", ".View Group", "g ate", "d ings", "ph otos", "Ġgrand e", "ol lect", "_l in", "Ġaw ful", "f ilters", "Ġaltern ate", "es p", "Ġcomp ress", "e o", "ĠS cale", "Ġind irect", "Ġinv oice", "ĊĊĊĊĊĊĊĊ ĊĊĊĊĊĊĊĊ", "Start ing", "ĠPl ayers", "ie le", ". then", "Or d", "ĠT uple", "Ġb out", "ĠStat istics", "Pre view", "Ġp uzzle", "ĠW idth", "ST ATE", "Ġover lay", "ĉ on", "Ġin fr", "Ġsm allest", "lock ed", "ÑĤ о", "ss l", "Ġde emed", "Ġs co", "re ck", "Ġj Button", "Ġmiss ions", "ç§ °", ".Selected Index", "T ABLE", "Se pt", "Ġacknow ledge", "Ġstrt otime", "ĠT ell", "ĠD ak", "Ġal uminum", "Ġf ence", "ĠSt ars", "CON FIG", "Ġretro fit", "Ġemph asis", "/ header", "ĠS omething", "in ished", "=' \".$", "ĠValid ators", "Ġpol ar", "section s", ".as px", "Ġas pir", ".M ock", "Code Gen", "Ġpe ut", "Ġaccept ing", "Ġback ing", "P icture", "/ ap", "еР³", "_SE C", "- use", "annot ation", "Ġcogn itive", "Ġg rip", "h our", "ĠLeg al", "Ġep ic", ".t oolStrip", ".not ify", ".L ast", "OR IZ", "M iddleware", "cri ptions", "l ash", "_F OUND", "ĠLiver pool", "Ġ{} \",", "Inst all", "Ġn it", "Ġfig ured", "[ len", ".W in", ".pl atform", "Ġgam bling", "(d t", "av ery", "ĉ include", "Wh ether", "R outing", "Ġther ap", "Rem ote", "ĠL oss", "y ll", "Ġappro ached", "ĠV ehicle", "ĠAl pha", "Ġvoc ê", "ans wers", "NS Dictionary", "cons ider", "un used", "ĠF an", "or able", "f re", "ĠDIS CLAIM", "ĠAct or", ". ]", "to Have", ".user Id", "Ġspeed s", "ew ay", "Ġrec urs", "ĠÐ ³", "_pr iv", "! âĢĿĊĊ", "Ch oice", "Ġsett le", "Ġplan es", "' },", "T om", "IT ER", "! \"Ċ", "å »", "achel or", "Ġsepar ation", "Ġd al", "ad j", "Ġreg isters", "r iz", "ĠNot ice", "Ġl u", "Ġcour age", "Ġax es", "cell ent", ".as ync", "Ġcompat ibility", "ç «", "Ġ! ĊĊ", "ĉ title", "Y LE", "ĉ message", "U UID", "OLD ER", "ĠH H", "ĠStyle Sheet", "Ġaccess ed", ". validation", "t asks", "Ġpoll ution", ".c anvas", "Ġing redient", "ĠC abin", "A h", "old own", "ĠNO I", "Ġà Ĺ", "[ f", "ed uc", "y alty", "(n ot", "_ State", "am en", "Ġda o", "ud ad", "ell ers", "} &", "lic ity", "_W INDOW", "Ġt atto", "val or", ".R ange", "Ġrefer enced", "ĠRes erve", "M oney", "SCRI PT", "/ product", "cho ices", "Ġt in", "ãĤ ĵ", "Ġsepar ator", "Ġp kg", "am med", "ĠM AT", "! !ĊĊ", "Ġr aid", "Ġmotiv ation", "ĠX P", "ĠBack ground", "ĠQu aternion", ".define Property", "ik er", "ĉp arent", "ĠOrigin ally", "ant age", "ĠH ans", "Ġtim eline", ".c ur", "op ic", "ĠSe qu", "m ust", "ĠCo al", "Ġform atter", "_R GB", "Ġ_ (\"", "'} ),Ċ", "Ġ= ================", "ĠF UNCTION", "Ġl ng", "ic ates", "l ive", "_ engine", "Ġtown s", "')) ĊĊ", "ĠP K", "( api", "ĉs canf", "pack et", ".ph one", "á Ģ", "ĠAnd y", "_N AMES", "PL Y", "Ġmin s", "im i", "Ġbr ick", "Ġbl ade", ".std out", "}` ;Ċ", "Sh ift", "ĉs b", "ĠCheck s", "Ġphenomen on", "Av atar", "Ġmin istry", "ro se", "ĉ File", "Ġtit led", "( LOG", "Ġg an", "des ign", "(), čĊ", "Ġb ones", "st m", "ÅĽ Äĩ", "ĠInput Stream", "Ġvol unt", "ĠSerial izable", "Ġfight er", "ĠDr ag", "T witter", "Ġsubs id", "ç ¼", "Ġfor ums", ".load ing", "log ged", "_ this", "Ġterr ain", "Ġir re", "ĠIn g", "ĠC N", "_object s", ". uid", "Ġconscious ness", "T INGS", "ĠG all", "Ġport ray", "ĠDevelop er", "Ġparticip ant", "Ġ\" ;čĊ", "/ model", "ĠOper ations", "^ \\", "ĠL ater", "Ġrais es", "-n one", ".m eta", "=' .$", "Fin ished", "Ġrepl acing", "Ġsam pling", "ĠJ en", "\" There", "RE AL", "A LE", "ìĬ ¤", "Or ders", "_param eter", "ĠOlymp ic", "Ġtr ès", "Ġare na", "i ol", "; ?>", "Ġimpact s", "ĠW S", ": get", "Ġfl ights", "ĠRuss ell", "c amera", "F n", "s igma", "Ġfor cing", "Ġloc als", "Ġdepart ure", "Ġcelebr ation", "ĠS ay", "ï¼ Ĵ", "ĠH ills", ".has OwnProperty", "Ġtyp ings", ".A PI", "Ġdon ation", "Operation Exception", ".Act ivity", "c plusplus", "ĠChar lie", "Ġimport ed", "Ġd ann", "Ġoccas ions", "Ġimplement ing", "Ġpur ple", ".d ialog", "SQL Exception", "ern o", "Ġw ars", "Ġpast e", "Ġdecre ased", "Ġhar sh", "Ġel abor", "input s", "ĠView s", "Ġerror Message", "_m ul", "ĉ write", "ĠC op", "ĠAnn ual", "(b utton", "Ġv ida", "b ars", "ĠHar vard", "ĉex pect", "Ġindex es", "Ġdocument ary", "Ġf lesh", "OR LD", "ĠD elta", "M AND", "Br ush", "-c olumn", "Ġdevelop ments", "method Visitor", "s lice", "ĠP DO", "Ġinvest ing", "ir able", "Ġxml ns", "ï¼ Ľ", "art a", "Ġthe ories", "_c ity", "Ġ$ __", "Cre ating", "( pr", "D ropdown", "ism atch", "ĠN ET", "'] )){Ċ", "ĠVal ues", "ĠSE O", "ĠST AT", "Ġe cosystem", "Ġtem pt", "Ġ\\ \\", "Ġ// {Ċ", "ĠChrist opher", "ĠKent ucky", "ĠHttp ServletResponse", "Ġhy brid", "y on", "Ġfeed ing", "ĠEx tra", "N orm", "IT CH", "ĠSe an", "ĠUp load", "m un", "p ur", "Ġp ersistent", "ĠID C", "ĠPer form", ".m erge", "_ room", "Mean while", "! ='", "ĠW el", "Args Constructor", ".D atabase", "Ġcount ing", "() *", "Ķ åĽŀ", "ĠT OP", "m ill", "ĠD T", "IGN ED", "ĠK B", "Ġcomp ly", "S outh", "_c ollection", "Ch apter", "Ġexpl aining", "_ AM", "_t s", "c ards", "Ġqu el", "Ġp ole", "Ġtouch down", "ĠO thers", "Ġpe ers", "ĠType Error", "Ġsix th", "Ġche er", "Ġdis pute", "us c", ") ],", "th umb", "Ġh iding", "ĠS IG", "lik es", "ĠP AGE", ".Ref lection", "Ġhead quarters", "T ING", "ĠG host", "M LE", "$ Ċ", "Ġcontr ary", "ext end", "'] ).", "FF ECT", "ĠP interest", "úmer o", "ric ane", "ĉs ession", "Ġcr ystal", "- Control", "overn ment", "og raf", "- action", "v olume", "ft en", "Ġun con", "Ġan imate", "Ġle ase", "sc r", "Ġref use", "ãĢ ĭ", "ft p", "in formation", "Ġeval uated", "Ġin jection", "Ġj ack", "Ġwork shop", "æ³ ¨", "PT H", "ĠT s", "off er", "ĉ os", "Ġking dom", "M issing", "Ġlaw makers", "ext Field", "Ġsing ing", "ab i", "/ client", ".m edia", "ATEG ORY", "Sign ature", "% ',Ċ", "ĠF uck", "][ :", "Ġsens ors", "/ com", "ĠPr imary", ".S QL", "_pro gram", "Ġp ills", "Ġinteg ral", "Ġfle et", "Ġdro pping", ".s l", "Be en", "Ġp ets", "Ġadvis ed", "Ġdr agon", "_ EDIT", "( im", "F ER", "ĠDr ug", "(r andom", "Ġcomp ression", "ou st", "[ %", "Ġbuy er", "h op", "R oles", "man age", "Ġpain ful", "ĠBr anch", "-mod al", "en ant", "ĠM esh", "/ font", "ĠG raham", "Ġâ ĺ", "Ġn c", "ĠFranc is", "Ġspec ification", "Ġdam ages", "- config", "Ġthe oret", "sec ure", "_m ulti", "aceut ical", "Ġdemand ing", "en ne", "IST S", "() ));ĊĊ", "Re ason", "Re cent", "ph ase", "Ġps y", "_M AN", "Ġvolunte er", "å ¿", "istrib uted", "li o", "Ġproduct ivity", "_com m", "S pring", "n is", ". weight", "ĠC ancer", "Al loc", "ĠT weet", "Ġsepar ately", "ĉ check", "_p roperties", ". Unit", "_CL K", "Ġg t", "Ġ( );ĊĊ", "Ġhand y", "ĠThom pson", "Ġunn ecessary", "ĠRe ader", "G N", "= request", "ĠU tility", ".Re pository", "ĠA x", "hy dr", "ie u", "Ġth y", "Ġl t", "_m ail", "ä¿® æĶ¹", "ail and", "ĠPhil ip", "Ġbit ter", "Ġbet ting", "Ġtim ed", "ock s", "' a", "Ġal gorithms", "Ġre interpret", "Ġto ss", "ro gen", "Ġhop ed", "( selected", "Ġvent ure", "TE X", "ĠLe ave", ".Sub string", "Ġgr ateful", "uk a", "ĠCon sumer", "Ġag greg", "C ircle", "ภģ", "_block s", "Ġleg ally", "Ġ\" |", "ãĥ ĥ", ". board", ".A b", "Function s", "rec ipe", "è ĩ", "ĠO xford", "Ġwho les", ".B uild", "_ch anged", "h ai", "Ġdepart ments", "I mp", "Ġcoal ition", "IN FRINGEMENT", "Ġemp ower", "itch es", "N orth", "Ġinfl amm", "ON SE", "Ġmiss ile", "ĠR aj", "ĠIss ue", "Ġat oi", "ca led", ".Cont rollers", "ĠW olf", "Ġcrush ers", "á» ĩ", ".A uth", ".add Attribute", "h is", "Ġbo ots", ".c lean", "c amp", "Ġten ant", "Ġt une", "Ġ{} '.", "Ġwork out", "Re po", "Ġpartial ly", "MI SSION", "j amin", "ĠS B", "Ġdetermin ation", "Ġ' ');Ċ", "ĠB eng", "Ġv os", "Ġin hab", "/ lang", "s burgh", "Exec utor", "h one", "ĠCh allenge", "_link s", ".Le vel", "Ġunder ground", "-c ode", "Ġoptim ization", "log ging", "_de st", "Ġsn ake", "Ġchemical s", "_IMPORT ED", "ado op", "ĠTH AT", "man aged", "Ġredu ces", "ĠRE AL", "ĠG uy", "_GENER IC", "/ ********************************", ". amount", "Ġd ere", "get Time", "Ġp ant", "an onymous", "Ġharmon y", "ĠAl an", "Ġscen arios", "Ġd irt", "ht ags", "M c", "Sh ell", "r in", "{ čĊčĊ", ".p ow", "ĉ client", "Ġconspir acy", "Ġad mission", "ĠReg ional", "ĠView Controller", "ĠPhilipp ines", "Ġde pos", "Ġp ap", "ĠP ad", "P aul", ".Com boBox", "Ġt utor", "ĠRec ipe", "w riting", "Ġcontrib utor", "OT H", "Sm all", "V I", "Ġh acer", "e qu", "ĠEx amples", "h uman", ".m essages", "ĉt yp", "Ġ( čĊ", "ĠS SL", "LE N", "ĠRom ney", "( grid", "ĉ min", "Ġ> ĊĊ", "Ġfr uits", "Ġvot er", "In line", "pan e", "ĠC ollections", "char set", "Ġsp am", "z b", "item ap", "Ġsucceed ed", "_C OL", "Ġel apsed", "im eter", "Ġrecover ed", "T ensor", "hatt an", ".set up", "ist o", "( head", "ĠS IZE", "Ġtact ics", "Ġdist ur", "Ġpre val", "ici os", "( Value", "_c ols", "ĠF at", "Ġse al", "Ġs ons", "Ġens ures", "Ġpress ing", "= &", "igen ous", "Ġharass ment", "_ JSON", "Ġign or", "yn omial", "om er", "_st atic", "Ġsignific ance", "Ġcirc les", "_S ystem", "Ġdiscipl ine", "Ġdress ed", "Ġs phere", "Ġclim b", "_ actions", "ĠB ab", "Ġ' =',", "_s chema", "\" use", "Ġund ers", "Ġc ups", ".s creen", "/ new", "Ġappe aring", "T OP", "vis ed", "cl ang", "Ġinvestig ators", "Ġmyster ious", "Ġprom ising", "Ġqual ify", "Ġc ave", "Ġequ ip", "= x", "G T", "( link", ". velocity", ". erase", "ot er", "++++ ++++", "pro fit", "Ġz ones", "_ uid", "- ser", "Ġobject ives", "Ġmil f", "web kit", "(m atch", "ne h", "ĠAssoci ated", "ĠT odo", "= d", "C am", "Ġv ocal", "Ġs udo", "( EX", "Ġtr ou", "AB C", ".b ean", "ĠG round", "ĠRE ST", "we ets", "In g", "im on", "_b us", "ĠC OLOR", "un to", "Ġf oss", "ĠLink s", "ä ng", "/ forms", "pr ises", "Ġachie vement", "C ALL", "ел ÑĮ", "ĠVer ify", "_S OURCE", "apt cha", "ID D", "_re ference", "G old", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĊ", "Re ceiver", "Ġa j", "_d irection", "} ]", "ĠCom pet", "Ġb ang", "ĠC ass", "- url", "te chn", "ĠJer usalem", "long itude", "' );čĊčĊ", "Ġwin ners", "T asks", "ĠD MA", "Ġtool tip", "İ ·", "ĠB ra", "_d uration", "cur y", "parent s", "---- >(", "ĠK ir", "Ġint ros", "Ġsk etch", "Ġsk illed", "Ġim mer", "Ġade quate", "_re p", "( header", "_ like", "Ġper ceived", "ss h", "Ġassum ing", "Ġf f", "_u uid", "ul as", "Ġdemocr atic", ". entities", "S eries", "aph ore", "Ġnew er", "} (", "SE C", "ai ro", "Ġcomm od", "Ġprivile ge", "Ġde ux", "ĠH op", ".' /", "ct ic", ". ';Ċ", " C", "ĠWar ren", "Ġoptim izer", "ĠSER VICES", "_ oper", "get Attribute", "ĠMc K", "_s elf", ".r s", "\" )ĊĊĊ", "Get Component", "er ce", "Ġt ous", "un its", "'] );čĊ", "Z oom", "/ E", "Ġobs c", "Ġfast est", "on line", "Ġpeace ful", "ff en", "Ġc argo", "ĉ pr", "Ġseek s", "z u", "Tr im", "Ġw ard", "Ġver d", "Ġblog s", ".exception s", "ĠPrem ium", "ĠN etherlands", "S afe", "Fin ish", "ĠAl bum", "_A CC", "= this", "v irtual", "] >", "_L ABEL", "ĠN ich", "_w in", "ĠA aron", "W P", "; $", "aim s", "ĠImage View", "Ġend less", "ER A", "_DIS ABLE", "Ġcancel led", "- us", "Ġins pection", "em in", "ĠG rey", "- open", "Ġiter ations", ". owner", "Ġk eras", ".P assword", "ĠR y", "ĠIN S", "A ir", "ĠSe veral", ".Tab Stop", "ING LE", "ĠH air", "ĠCan vas", "AA AA", "Ġfl aw", "ced es", ".Re port", "í Ĭ", "ĠT ips", "cript ors", ".trans action", ".S pring", "Ġview er", "Ġins ights", "è¾ ĵ", "ord ion", "U INT", "se ek", "ĠA uf", "ìŀ IJ", "Ġstr ain", "To oltip", "Ġd z", "ign al", "ad t", "Ġu c", "fin ite", "Ġn m", ".c md", "ĠMy Sql", "[ data", ".j ackson", ".t ree", "Request Param", "_ agent", "\") ]čĊ", "Ġass ass", "( Constants", ": ss", "ĠM AN", "+- +-", "ĠB ottom", "print s", "ĠS ame", "@ Autowired", "sw ap", "ici ón", "Ġprotest ers", "Ġh oney", "ĠV eter", "(C alendar", "- ad", "ĠBrook lyn", "L ife", "_V AR", "ze ch", "ĠC ALL", "_C AST", "ĠE lection", "Ġthick ness", "V ery", "_IN TEGER", "- dev", ")) ))", "ap at", "oo oo", "d emo", "Ġparse Float", "ĠR ather", "ST IT", "m aker", "[ current", "chron o", "Ġch rist", "ãģ ª", "ĠD etail", "Æ° á»", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "Ġs ul", "id ency", "Q ue", "Ġeleg ant", "ap ons", "Ġdish es", "Ġinteg ers", "( read", "find ViewById", "ĠAm ount", "ĠSk ip", "Ġhab its", "* )(", "Ġmon sters", "M AC", ": end", "Ġfr ank", "As sembly", "Ġd fs", "Ġne ut", "_TYP ES", "e qual", "loy d", "( uri", "Ġch i", "Ġdefend ant", "Ġconflic ts", "Ġv il", "- js", "ĠPe ace", "Ġmut able", ") sender", "ĠF ocus", "å» º", "Ġapprec iated", "s leep", "ĠR ED", "C ulture", "Ġdesign ers", "_g enerator", "c odes", "/ ex", ".Get Value", "umb led", ".scal ajs", "per or", "Ġveter ans", "Ġ} )čĊ", "Ġun fortunately", "_C REATE", "M ass", "ĠCL AIM", "ĠMe et", "_s upport", "B ank", "() .Ċ", "D ark", "_LO W", "ĠMin ing", "ĠO wner", "ier a", "Client e", "Ġencour aging", "> S", "Ġboy friend", "ĠH alf", "ĠA CC", "A ff", "_ ar", "-l ife", "c x", ".J Button", "iz ado", ".z ero", ".open qa", "ot on", ".text Content", "Ġto ll", "at ie", "Ġball ot", "- number", ". Exception", "ĉ params", "c ircle", "-m ap", "Ġn ap", "ĠRob ot", "ĠI ch", "reg istration", "Am azon", "roll ment", "( exp", "Ġt anks", "ĠG ordon", "Ġmach inery", "Ġbas eline", "æ ĭ", "Ø ©", "ĠCon vention", "ĉ config", "ook ies", "m ult", "Rec ords", "ĠE ST", "Ġgar bage", "Ġcon form", "id al", "Ġb arg", "Ġsurv ived", "Ġinvestig ations", ".contains Key", "---------------------------------------------------------------- ----------Ċ", "ort ion", "Ġhor r", "_ http", "Ġm ant", "] ;čĊčĊ", "b inary", "em pl", "Ġin quiry", "ĠMean while", "Ġcollect ing", ".Entity Framework", "\", ĊĊ", "ĠP ic", "@ Inject", "ick ness", "ĠB inding", "Ġcont rolling", "re verse", "Ġch airs", "semb led", "( add", "Dis abled", "an as", ".trans late", "-------- ---Ċ", "Ġref lected", "\"] ĊĊ", "Ex ternal", "Ar row", "Single ton", "% x", "Ġ Å", "Ġan cest", "ĠOr leans", "ĉc md", "Ġprohib ited", "ith metic", "(ch annel", "_c ss", "For ward", ".s ocket", "Ġl uc", "â Ĩ", "ĠFire fox", "ĠM ovies", ") _", ". ends", "( shape", "Ġde alt", "Ġs aves", "Ġgl ory", "Ġmej or", "Ġbreath ing", "Ġ eller", "get Data", "Ġang les", "Ġtool bar", "Ġsp acing", "IP S", "Ġflo ors", "_ACT IVE", "Ġsh uffle", "/ shared", "ĠE le", "ed ish", "Ġweb cam", ".ex pect", "il oc", "ĠIn cludes", "Ġtweet ed", "Ġ: )", "ĠEss ay", "F ix", "-b etween", "_ web", ".con v", "Ġrac ism", "Ġreflect s", "um m", "иÑĤ е", "_f ooter", "/d ocs", "ĠP our", "Ng Module", ".initial ize", "pattern s", "_ In", "ĠAb b", "* čĊ", "Ġsent iment", "b uff", "_count s", "Ġre use", "ch unk", "Ġim posed", "Primary Key", "Fore ground", "Ġconsum ed", "? !", "Ġd ick", "Ġch ron", "ĠF ern", "Ġrespons ive", "Ġin sect", "icult y", "Ġr w", "Ġal ike", "Ġsub set", "ĠCook ies", "ĠP air", "Ġt ier", "IF O", "av our", "ĠQ U", ", sizeof", "Ġmerg ed", "m v", "it ol", "yl on", "Ġjump ed", ". role", "ens aje", "R ules", "Ġb rowse", "An imator", "Ġy oga", "Ġvari ants", "Ġcour tesy", "ur an", "p bs", "else if", "Al t", "ĠL ane", "CL K", "IM ARY", "_PRO PERTY", "ï¼ IJ", "Ġch an", "Ġgrad ually", "Ġsh ake", "Ġbl onde", "... \");Ċ", "-se x", "Ġgame play", "ac ies", ".ref resh", "US B", "ĠPl ot", "W as", "iss ippi", "ĠT ensor", "Ġcryptoc urrency", "Ġdifficult ies", "De leted", "With out", "_ append", "_ ver", "\")) čĊ", "Ġhonest ly", "Ġp ivot", "Ġtem ps", "_p s", "ĠUn like", "[: -", "V S", "_in f", "Ġjun ior", "Ġanim ations", "Ġfile path", "? {{ $", "Ġun icode", "pl aces", "ĠC offee", ".S E", "ĠP AR", "(t xt", "ge bra", "Ġf ires", "Main Window", "med ium", "Ġ( âĢľ", "Ġl g", "Ġc mp", "/ base", "_l ayers", "_ entries", "Ġadmin ister", "ĠSU CH", "B P", "ĠScott ish", "ĉčĊ ĉčĊ", "gu ard", "ĠStr ong", "In sn", "ĠC AP", "as ury", "ĠSE E", "C lock", "er ie", "\\ models", "Ġ$ $", "ĠC ab", "Ġwur de", "Ġsold ier", "Ġcl ips", "Ġarrang ement", "ĠW onder", "ĠH orn", "Ġsc ared", "Ġc ure", "m kdir", "Ġal igned", "ĠP ink", "Ġland ed", "Dim ension", "Scroll Pane", ".ch at", ".W ith", "ĠTr ain", "] .Ċ", "Ġth irty", "Ġdur able", "Ġl d", "Ġlate init", "Ġch arts", "Ġins ult", ".F atal", "_ ct", "Ġm asks", "CLU DED", "Pres ident", "Ġcol ours", "g ments", ".at tributes", "ĠF lex", "ĠC lock", "ÃŃ cul", "im en", "J O", "ĠReg ex", "_L INK", "Ġc ouch", "ĠIN PUT", "Ġbe ating", "b usiness", "pre ced", ". unit", "ĠF el", "N ever", "osp el", ".start swith", "ĠE PA", ". only", "Ġprevent ing", "y er", "Column Name", "Ġelev ation", "fl u", "icy cle", "Ġoff line", "Tool bar", "Ġcompet ing", ") ].", "Ġm og", "Ġis Valid", "As k", "_ av", "_l at", "AN C", "ĠJ oh", "k ers", "Ġgu ards", "Ġch ains", "ĠSimple DateFormat", ".st atic", "Ġvess el", "Ġm ud", "Ġst abil", "Ġst ret", "g m", "am ation", "ç ľ", "-w ith", "Ġro s", "_P A", "Ġresult ado", "Ġconf idential", "ĠTok yo", "ĉ using", "ĠMath f", "omb ine", "ĠESP N", "Ġdeal ers", "Ġdismiss ed", "TR Y", "Ġte ens", "rec ords", "Ġw ings", "g allery", "account s", "_L IB", "Ġj acket", "ĠNS Object", "Ġst ones", "ĠDel ivery", "ĠD iet", "/w atch", "Ġto ilet", "ĠG uest", ".d ay", "Ġint val", "Vis it", "Ġinvestig ated", "Ġpent ru", "ĠThe atre", "andid ates", "L ang", "ĠS erv", "Ġcont rollers", "Ġset Title", "N P", "am y", "fl at", "( ui", "_d ocument", "è ĥ½", "ĠC oin", "ĠAd ams", "pt ic", "Ġproduct ive", "Ġaccompl ished", "čĊčĊ čĊčĊ", "Ġdefer red", "ient es", "Ġs inc", "ol ars", "Right arrow", "Ġvari ations", "( offset", ".Layout Inflater", "Ġsus pend", "Ġprevent ion", "_pr ivate", "_ js", "âĺ ħ", "Ġw ieder", "at um", "Ĵ Į", "Ġappear ances", ".D ocument", "Ġvalid ates", "cal endar", "} \";Ċ", ".d emo", "con ut", "Ġcorre ction", "ĠDe al", "Ġbatter ies", ".d uration", ", \\", "_m arker", "m ulti", "Ġh alt", "Ġc ms", "Ġsh aped", "B ro", "re duce", "Ġ ####", "CT OR", "ĠBen ef", "Ġicon ic", "Ġp iano", "Ġeffect iveness", "| .Ċ", "Ġa jax", "Ġv olumes", "ภ¡", "Ġcl js", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ċ", "ath s", "ra its", "å¤ §", "Ñ ĸ", "_m ult", "Ġfasc inating", "A verage", "Ġpr é", "ĠChair man", ".find Element", "_p in", "Ġcomp aring", "Ġdark ness", "-F i", "- server", "Ġselect ing", "ster dam", "ĠPart s", "FORM ATION", "Ġnot ing", "Ġp ile", "og s", "Ġpa lette", "_d o", "it ize", "() (", "Ġdef ining", "Ġremain der", "Un its", "_T ASK", "Http Client", "S ocial", "Ġfund ra", "N R", "ch est", "C urrency", ".ad apter", "Ġd op", "un ting", "ANG UAGE", "\" He", "ĉ index", "_p ackage", ".I con", "Ġrep et", "m ass", "=\" .$", "ĠS ud", "Ġl id", "pro vince", "ì ľ", "G PIO", "Ð ļ", "ĠMy SQL", "Ġdoc s", "ĠG A", "Ġip sum", "K ernel", "Ġaccept s", "Ġfit ting", "Ġcu ando", "Ġd uplic", "ĠBro ther", "ĠK le", "num s", "Ġmor ph", "Ġ ########", "ĠCG Point", "< unsigned", "ä¾ ĭ", "ĠD uke", ".set Bounds", "q s", "or ic", "j er", "Ġregard ed", "Http Request", "Ġbond s", "Ġthorough ly", "enc ent", "Ġhighlight ed", "Ġac res", "Ġwork place", "ĠL ux", "Ġqu ot", ".in flate", "Ġdocument ed", "Ġadd iction", "Ġmut ation", ".c ity", "Ġbott les", "ĠRepos itory", "on n", "err no", "ARI ABLE", "åº ¦", "_B EGIN", "gl as", "' })Ċ", "ĠMass age", "ĠWh it", "reg ex", "W A", "Ġout let", "- head", "Ġexp ired", "ĠTh ai", "/ include", "grad ient", "scan f", "Ġse am", "w al", "ĉb uf", "B earer", "Ġprec ious", "if acts", "co ord", "Ġexpl oration", ".get Y", "(h andle", "Top ic", "ĠV ent", "r hs", "---- --Ċ", "ĠB right", "Ġg uild", "m other", "st orm", "Ġmunicip al", "Ġin k", ".T YPE", "w l", "... manual", "ĠTechn ical", "Ġcorpor ation", "ĠH W", "ank a", "T AIL", "ist as", "Ġperform s", "ĠBeh avior", ".F or", "_ ORDER", "ĠK ick", "Ġcallback s", "_d r", "ue go", "h ub", "uff icient", "sk y", "Ġb p", "ht able", "ĠON LY", "ĠAUTH ORS", ".Arg ument", "\" };Ċ", "ĠTh under", "ĠK om", ".Sh ould", "A UTH", "ah u", "_p ayment", "Ġst arter", "ìĦ ľ", "ìļ ©", "B log", ".p atch", "Ġgovern ed", "ass y", "-f ound", "Ġthe ater", "ĠFont Weight", "ĠBat man", "\" If", ".R andom", "_d elta", "ĠC E", "Auth enticated", "Ġdr one", "Ġc ous", "r adius", "M er", "( None", "ĠN J", "_ headers", "Ġam er", "py test", "ĠA ctions", "ĉĉĉ ĠĠĠĠ", "Ġet t", "Ġh oly", "Ġun comfort", "ĠN in", "ĠDec imal", "ĠM essages", ".s ender", "] ])Ċ", "Ġembr ace", "Th ough", "/ sp", "Ġcult ures", "Ġhigh way", "t ar", ".f ail", "_h idden", "ĠcomponentDid Mount", "ĠW right", "Ġj ag", "_ il", "../../ ../", "ig u", "F ood", "Ġa ce", "Ġa ños", "US D", "Ġmut ual", "Log ic", "Ġtem ple", "Ġbrief ly", "ĠT rip", "class method", "default s", "Ġch unks", ",, ,,", "ĠRe ason", "$ id", "-up s", "Ġdam n", "Ġtruck s", "Ġun limited", "Ġsc ulpt", "ĠC ards", "Ġaut or", "ĠTest ing", "Ġdies e", "sh ops", "ç ´", "(p ayload", "ĠP ATH", "ĠMem orial", "Ġridic ulous", "eg ree", "-w inning", "Ġre hab", "Ġsophistic ated", "wp db", "ĉ path", "! \";Ċ", "_S YS", ".s peed", "Ġso ap", "s uffix", "W rap", "Ġenh ancement", "à ī", "ú b", "Ġplay list", "Ġmix ing", "ant idad", "=\" \";Ċ", "ĠRev ision", "ĠBe at", ".in c", "-w ay", "enc ias", "ul ers", "C at", "id el", "ĠSh ip", ".set Color", "Ġthreat ening", ".mod ules", "Ġafter wards", "ĠD ashboard", "Ċ ĠĊ", "Sign al", "Ġpr imer", "orne ys", "ici ary", "Ġl igne", "_p redict", "Ġa est", "_ https", "> :", "ĠL ex", "Ġrencont res", "eg ral", "sc ala", "_f amily", "ÃŁ en", "_s ym", "Ġuncert ainty", "ĠVAL UE", "Ġ} ;čĊčĊ", "Ġbro ader", "Ġh orses", "ãģ Ŀ", "ĠK al", "ob a", "_IN ET", "ĠK ill", "j query", "am ination", "[ @\"", "Ġm uj", "## #Ċ", "First OrDefault", "then Return", "C he", "/ footer", "Ġpark s", "as je", "ĠG ulf", "Ġmod est", ". Init", "ï¼Ł ĊĊ", "Ġpros pects", "Ġs vg", "Ġå ı", ".D ialog", "_N ET", "Ġ( ($", "Ġe k", "ĠW arning", "ĠM K", "< LM", "Ġ' čĊ", "i em", "h etic", "Ġi x", "th ink", "-sh adow", "ĠE ld", "ĠNev ada", "ĠLe af", "ĠG ROUP", "Ġprom o", "ent ine", "ĉ Map", "ĠModel s", "ĠK rist", "_k ernel", "-m ade", "Ġc err", "As sets", "ell ar", "Ġinv oked", ".v ue", "Ġcult iv", "C losed", "Ġgener ates", "ffff ff", "thes ize", "s qrt", "ĠCast le", ".c ar", "Ġke en", "und a", "ĠC row", "ĠSing h", "y thon", "Ġbe ans", "l arg", "æĸĩ 件", "Aw esome", "unc ate", "Path s", "o ji", "(c urr", "CON DS", "Ġm im", "Ġshould ers", "H ard", "ast es", "а еÑĤ", "Ġconv ince", "de cess", "m ade", "ĠC MD", ". Im", "Ġcha os", "ens ively", "Ġcool ing", "Ġbur ied", "(' @", "_S e", "ĉĉĉĉĉĉĉĉ ĉĉĉĉĉĉĉĉ", ".com pany", ".sub mit", "ph ant", "Ġboot strap", "_h elp", "à §", ".d ump", "Ġdif er", "_m apping", "Ġcirc ular", "Ġescort s", "Ġb ere", "Ġgrad u", "ĠLeg end", "im edia", "ĠBar celona", "Ġbed s", "åĪ °", "ãĢ Ĭ", "_v olume", "Ġtremend ous", "Ġsc aling", "Ġp ins", "en as", "type param", "D ashboard", "render er", "Ġsp i", "Ġ& $", "ĠSk in", "alm art", "Ġh ockey", "Ġ'\" .$", "Ġerr no", "Ġb ew", "Follow ing", ".M odule", "er able", "ĠM ilitary", "ĠR io", "_ available", "ĠSur face", "Ġst ab", "IF IER", "ĠL IST", "Ġd ashboard", "Ġcl usters", ".pl ugin", "Ġj ou", "ĠDec or", "F our", "Ġdel le", "****** /Ċ", "ia z", "in de", "ch ing", "Ġget Item", ".Add ress", "ment ed", "A meric", "Pl ain", "Ġus b", "ĠPract ice", "_ ment", ".bl ue", "H int", "ÑĢаР²", "Ġconn ector", "Ġinher ited", "и в", "Ġinterval s", "Ġc ere", "Ġu d", "Ġin con", ".Ex ists", "ĠM ic", "F K", "(c ard", ".Set tings", "Ġexhib ition", "Ġon Pressed", "Ġrest ored", "eng u", ". def", "Ġrec v", ".\" );čĊ", "enc oder", "ather ine", "( dest", "az ed", "# endregion", "sem bl", ", M", "ob y", "Ġп еÑĢ", ".C all", "Ġattend ance", "-b order", "Ġaddress ing", "ê n", "ĠLe v", "Ġb ash", "ben ch", "C redentials", "Sp acing", "( of", "_RE SET", "ig uous", "Ġcr uel", "Ġcross ed", "Ġle ur", "ĠG olf", "or rect", "Ġpack ets", "ĠData Set", "Ġpart ly", "SEQU ENTIAL", "Ġindic ation", "ĠS alt", "ac ia", "Ġ* );Ċ", "ĉ info", "ĠView Bag", "on z", "Ġeditor ial", "ĠA rena", "Ġs ir", "_ Static", "( socket", "s u", "cho ose", ".m onth", ".M y", "é ri", "; font", "do es", "Ġcon verter", "Ġsal v", "Ġl r", "Ġinflu enced", "(f eature", "ĠQue ens", "let t", "_M ON", "& amp", "Touch ableOpacity", "O FF", "Ġmetab ol", "( iter", "Ġvit amin", "ĠIND IRECT", "aut om", "_p ublic", "Ġadjust ment", "Ġspecial ized", "w indows", ".add All", "Ġaccording ly", "ĠJ OptionPane", "Ġcell spacing", "Ġqu ad", "Ġcre ep", "Ġout lets", "}` )Ċ", "Ġpri est", "_TH READ", "ĠMar x", "ĠBy Val", "Ġc ual", "éĿ ¢", "Ġtempor arily", "An n", "ke leton", "å ¥", "ĠLO C", "au er", "der ive", "Ġbeh aviors", "as ename", "ĠCent ury", "Ġhor rible", "ME SS", "_ List", "we i", "P at", "ĠCh oice", "_F ROM", "ĉ line", ".in voke", ".B ottom", "Ġnow here", ".\" ĊĊĊĊ", "_ export", "Ġstrugg led", ".Ap pearance", "ĠJ Button", "ĠJer emy", "([ [", "Ġkick ed", "mar shal", "st aff", "es ity", "Ġqu iz", "_e ffect", "Ġ} ));ĊĊ", "m el", "b anner", "ĠP IN", "Ġin vention", "Ġcons olid", "Ġop s", "ĠB etween", "j ack", "ern ational", "Ġsacr ifice", "ag ation", "ĠJ oy", "Ġam endment", "ĠS old", "Ġprison ers", "ан нÑĭ", "Doc uments", ") ])Ċ", "ust ed", "ĠLine arLayout", "os o", "_E M", ".s elf", ".M iddle", ") //", "Ġ\\ '", "Ġfuck ed", "ĠM urray", "Ġprof ound", "_E LEMENT", "ult a", "il ers", "port folio", "J une", "t cp", "mod ified", "ĠTr ace", "ĠK el", "aly zer", ") =>", "ĠRep air", "_B E", "Br and", "u art", "pre view", "Ġiniti atives", "run ning", "b ang", "ĉ update", "ĠCo ach", "R ich", "Ġy outube", "Ġrit ual", "app a", "ĠRobin son", "prec ision", "//////////////////////////////////////////////////////////////// ////////////", "=[ ]Ċ", "Ġcelebr ated", "OT O", "Ġin clusion", "J P", "' ;čĊčĊ", "Ġnot able", "(_ .", "Man aged", "Ġgu ides", "& nbsp", "ated Route", "ĠAd just", "Ġcol ored", "_s cores", "ĠTes la", "_pro gress", ".in st", "[' _", ".fl ags", "Ġf close", "_O PER", "ż y", "_n ote", "Ġtrans gender", "å ķ", "RI PT", "Ġabs ent", "Ġam et", "Ġoper and", "ë ©", "Ġh ood", "to LowerCase", "av o", "ĠCirc uit", "ĠL ind", "-- }}Ċ", "= m", "Ġsup press", "ĠM AP", "i ang", "- admin", "Ġside bar", "ĠB u", "ĠH ex", ", F", "ĠSign al", "Ġtrans parency", "ĠFeder ation", "/ V", "Re q", "Ġpul se", "Ġt ends", "Num bers", "% '", "Ġde port", "dat as", "_U INT", "_ tra", "ok o", "Ġ\" ?", "comp et", "sole te", "und ry", "Ġover lap", "}` ,Ċ", ". ly", "_sum mary", "ĠL ost", ".C enter", "Ġdis ability", ".Serial ization", "Ġge om", "Ġ? :", "ĠW o", "Ġsh ipped", "Ĥ æķ°", "Ġu gly", "Ġexcit ement", "Ġext erior", "Ġcheck out", "Ġk ur", ", D", "ĠAl aska", "Ġsyn thetic", "ĠB udget", "ĠSub scribe", "Ġ& Ċ", "ÈĻ i", "ĠY u", "ĉ query", "} .Ċ", "Ġtr aged", "ass en", "Ġaccommod ation", "Ġphys ician", "Ġren amed", "Ġtid ak", "z Äħ", "Ġmin us", "ny ch", "_EX CEPTION", "thread s", "Ġt ire", "_c reated", "ens ure", "Ġworth y", "Ġexc use", "Ġclo th", ".parent Node", "/pl atform", "ĠU FC", "ĠG tk", "un ny", "Ġg ibt", "ke ley", "h um", "(t x", "ĉ dev", "Ġout fit", "do ors", "Ġf on", "ic ut", "vol atile", "Ġhom osex", "Max imum", "Ġexp end", "Ġ});ĊĊ Ċ", "E q", "ond ers", "dep artment", "ĠPhys ics", "\" });Ċ", "Ġpar ad", ".S tr", "Ġse le", "IF IED", "Ġdel ivers", "iv an", "Ġrespons ibilities", "Ġadvoc ates", "è µ", "ĠR ID", ".param eters", "M etrics", "ron ics", "ĠUITableView Cell", "A bsolute", "ip se", "yl um", "MLE lement", "_VAL ID", "< title", "D lg", "p aces", "Ġsynd rome", "be ans", "_d atabase", "oz illa", "ĠM eg", "DB G", "Ġl ub", "Bag Constraints", "ab ad", "Ġproject ed", "_BY TE", ".Size F", "st reet", "ĊĊĊĊ ĊĊĊĊĊĊ", "ĠLO SS", "Ġdirect ors", "/ news", "Ġnurs ing", "ĠD one", ". HTTP", "dis count", "ĠR ot", "To Many", "Ġen abling", "Ġauss i", "ost a", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ čĊ", "è½ ½", "Ġhel icopt", "ĠIn side", "ä¿¡ æģ¯", "is per", "ĠAll ah", "ARCH AR", "Ġroll s", "Com pare", "X P", "Index Of", "S UM", "Ġass ured", "ĠPhys ical", "End point", ".G lobal", ".d etail", "Ġthe ft", ".j upiter", "Ġhum or", ".R ender", "A lex", ".c ap", "Ġbuff ers", "Ġdis pose", "t ion", ".p resent", "z el", ", P", "Ġdesper ate", ".get Column", "Ġtw in", "ì ĸ", ".c an", "Ġf lee", "ĠIran ian", "Ġstick y", "ĠU TC", "L T", "//////////////////////////////// ////////////////", "Ġl icensing", "_PO INT", "ĠM aps", "Ġl ol", "= models", "-t ab", "ĠN ash", "_log ger", "tor ch", "ĠCON SEQUENTIAL", "Not Empty", "/ react", "Ġp f", "Ġassert ion", "Ġsubsequ ently", "_c an", "Ġpand emic", "og ue", "\"+ Ċ", "_ ent", "_P aram", ".ĊĊ ĊĊĊĊĊĊ", "Res earch", "C apture", "Ġbel oved", "d em", "Ġextract ed", "Ġf ights", "ER C", "(a uth", "position s", "Ġrevers ed", "(st ack", "Ġ_ )", "uto ff", "_fl ow", "ç Ĥ¹", "( Game", "Ġex cluded", "ĠCS V", "c g", "ĠT itan", "p ause", "Ġcer ca", "Ġdump ster", "L ess", "Ġkotlin x", "aster xml", "Ġpoint ers", "Ġfl ows", "ĠT un", "ĠMain Activity", "Ġdis cret", "Ġcomb inations", "vis it", "_b ind", "oot ing", "d ater", "_look up", ".n io", "Ġswe at", "ĠR d", "Ġscient ist", "ĠP ixel", "@ NgModule", "Play ing", "Ġunf old", "Trans late", "ĠLaw rence", "ĠFIX ME", "B ill", "ĠR IGHT", "Ġwhere ver", "Ġo ok", "vid ence", "Ġ] ];", "ĠSk ill", "unist d", "ĠðŁ ĻĤ", "Ġfem ales", "-- )Ċ", "İ· åıĸ", "ĠF red", "Over all", "Ù Ĥ", "Ġess ence", "Ġthere by", "Ġw ounded", "ĠD OWN", "les son", "text ure", "R ound", "Ġautom ated", "ĠÐ ¡", "ĠUp dates", "Ġsh ade", "p ublish", "ĠG ear", "= lambda", "Ġle ver", ") +\"", "h ill", "Ġrad ar", "ry ing", "Ġ\" ).", "f illed", "Ġline up", "Ġd l", "Ġworks pace", "V o", "_d t", "ë ²", "_ Item", "NS URL", ". verify", "ĠHawai i", "G od", "M arch", "Ġ[âĢ¦ ]", "Ġpel o", "ur ious", "ĠPitt sburgh", ". It", "C lean", "> \\<^", "Ġi os", "s ound", "\"] ;", "Ġfre ed", "rot tle", "ĠL ower", "[ count", "å Ŀ", "Ġp ale", "ĠWay ne", "ear th", "_c ategories", "U CK", ".m etadata", "Ġsum mon", "H OME", "олÑĮ з", "Ġmanufact ured", "Ġdo ck", "Ġcompet itors", "_MODE L", "ok ia", "ĠH ey", "Î ¿", "Ġback ward", "ĠPO SS", "rop a", "Ġc ri", "_O BJ", "Trans port", "-h igh", "Ġerot ik", "_s lot", "Ġart ic", "_f ramework", "-ser if", "ĠSql DbType", "') (", "+ \"/", "Ġw ore", "S il", "Ġst oring", "ĠPh ase", "u ant", "Ġb ump", "in ho", "Ġd ign", "Ġback s", "q q", "(h ash", "Ġge o", "Ġt ender", "Log o", "! )Ċ", "ĠM X", "ĠAr thur", "esso a", "_C h", "Ġbed rooms", "=\"# \"><", "Ġth roat", "ins ic", ".int eger", "Ġpr imitive", "Truth y", "Ġfacilit ate", "Ġcreat ivity", "ĠD NS", "Ġg ra", "ue z", "Ġcount less", "ĠPol and", "' M", "ĠD ist", "Ġv est", "Ġcert ification", "á» ij", "h eld", "ext ensions", "( static", "Ġgr ades", "ĠU ber", "ãģ Ł", "Ġ[ ])Ċ", "dat os", "Ġget Data", "ĠCh arg", "ĠB S", ".m icrosoft", ".v ideo", ".d irection", "->{ '", "l ua", "ape st", "Ġbo iler", "ere k", "Ġdec ides", ".j ar", "IS C", "ĠW ords", "(C ON", "EMPL ATE", "ree ze", "sh ots", "app s", "unt ed", ".set Name", ":: <", "-b old", "ê ²", "å¯ Ĩ", "Long rightarrow", "Ġunf air", "Ġear ning", "Ġsh elf", "URE MENT", "Ġid le", "_M ENU", ".C ustom", "AG ER", "- \"", "_s witch", "b ecause", ") view", "m are", "_ condition", "ĠStart ing", "M vc", "(p re", "d ump", "_LO CK", "at etime", ".c allback", "ĠC er", "op ol", "ib rary", "Ġres ervation", "ĉĉĉĉĉĉĉ Ċ", "lect or", "grad uate", "Ġgener ous", "Ġ ion", "ric ao", "m q", "_com plete", "(c ursor", "ĠForm Control", ": center", "Ġsub stitute", "ĠPl anning", "Ġp ension", "Ġrecommend ation", "ĠT ags", "Ġg ef", "Ġalbum s", "Ġwash ing", "ro c", "Ġtr ains", "at ings", "Ġex ponent", "ack bar", "- ln", "á g", ".Data Annotations", "ĠE IF", "ĠMalays ia", "ĉ PORT", "on us", "Ġcle ver", "Ġpe u", "> ĊĊĊĊ", "ĠArg uments", "Ġdebug ging", "( right", "' D", "com pute", "Ġfin est", "OR AGE", "Ġspect acular", "ph rase", "Ġind ia", "Ġlegend ary", "b irth", "Ġcom posite", "Ġg rows", "ĠT D", "Ġep id", "Ġlaunch ing", "] ][", "Min utes", "ĠCh a", "Ġclean ed", "Ġwitness es", "uk an", "ĉ Type", "Ġhab e", "par agraph", "ĠJ Panel", "ĠH ann", "Ġvar ied", "ĠP okemon", "ĠM UST", "åĬ ¨", ".vis ibility", "op up", "^ [", ".exp and", "Ġ\" ',", ".f asterxml", "_ auto", "ĠShe et", "mark er", "Par cel", "ew s", "ĠStr ategy", "-m aking", "Ġun ve", "Ġtrail ing", "Ġclick s", "ĠGet Component", "ĉ content", "IG ENCE", "ERN EL", "NSMutable Array", "Ġb reat", "Ġharm ful", "¶ Ī", "Ġbes ides", "Ġb oring", "Ġbrut al", "v ang", "(p arse", "qu ick", "Ġpy test", "Ġswitch ing", "() ]Ċ", "Ġì Ħ", "L ER", "ĉf ont", "Ġnet t", ") ]ĊĊ", "(/ \\", "æŀ ľ", "to Array", "Ġbre ed", "ĠC AR", "ĠWe apon", "A bs", "t ot", "Ġset Name", "apt ive", "Ġ: ,", "Ġesc aped", "ord en", "ĠP ri", "th umbnail", "Ġdescri ptions", "/ styles", "ĠPC I", "Ġal phabet", "astic search", "NOT E", "Ġc ialis", "ĠGr iff", "Ġpor que", "Ġprote ins", "pl ays", "Ġst ating", "Ġimag ination", "Ġfac ial", "ĠMe chan", "Ġarr anged", "_ used", "Ġarrang ements", "ĠP ipe", "host name", "Ġprov inc", "T it", ".Flat Style", "ĠS plit", "ĠLo ader", ".c c", "Ġclin ic", "---------------- ------------", "Ġb aking", "ĠEN T", "ne ath", "ãĢģ ĊĊ", "AN E", ".EntityFramework Core", "app ers", ". ic", "ĠNg Module", "ĠF ORM", "Ġ' ;", "-pro fit", "h w", "en emy", "ĠE ye", "Ġca ution", "t own", "Ġur ged", "ĠJim my", "ynchron ous", "-s ized", "m aking", ", {", "] ',", "_ Object", "ah oma", "Ġactiv ist", "IN VAL", "ĠCom mercial", "ĠOr lando", "(t ab", "ĠØ ¨", "Al gorithm", "Ġher itage", "Get Mapping", "Ġfail ures", "ri os", "at iva", "Ġt et", "Ġcar pet", "( Z", "th ree", "Ġdisc losure", ". ERROR", "_c alled", "Ġd ial", "Ġoccas ional", ".E rr", "Ġfunc ion", "caff old", "Ġrele asing", "ï¼ī ĊĊ", "_ Value", "ĠV ari", "y ellow", "Ġstrugg les", ".c al", "ĠDak ota", "ĉc lose", "Ġsand wich", "Ġanaly tics", "Ġ** )", "& #", "ĠJ os", "Ġpass ive", "AT TR", "Th rowable", "ĠM un", "ĠU int", "(dis posing", "ar ak", "ĠLe aders", "Ġaffect ing", "Ġitem View", "Ġeconom ics", "f v", "๠Ģ", ".r b", "ĠOver all", "Ġwealth y", "Ġev olved", "nd a", "ĠH us", "re strict", "um en", "ĠA gricult", "! ĊĊĊ", "Ġexp ires", "Ġspokes person", "int erval", "Ġà ¢", "Ġque en", "(n il", "ing o", "He ap", "Ù İ", "Ġcompl ain", "S ym", "ĠCl one", "ĠR u", "ĠW ILL", "ĠCr ystal", "/ content", "ing en", "oint ment", "Last Name", "av icon", "ĠIB M", "ĠDim ension", "an h", "icip ants", "ĠAn ne", ".pro gress", "Ġal go", "ob il", "ĠV oice", "ĠF E", "Ġg li", "Ġv ed", "Ġprevent s", "\\ Column", "Ġfol k", "ett i", "Ġm n", "ĠCL ASS", "Ġdisplay ing", "ĠK l", "ĠF err", "d uto", ". ib", "Ġd ados", "' name", "-s pace", "Ġit alian", "Ġin verse", "Ġd ense", "ut er", "ĠI Enumerator", "-s ign", "Ġnation wide", "Ġperson a", "Ġsol ved", "Ġdram atically", "Log out", "Ġgr av", "Ġanalys es", "ol lo", "Ġl amp", ". team", "ĠE rot", "= [\"", "Ġd ancing", "Ġ?> /", "Ġc ater", "ff e", "ĠSh a", "ĠB os", "ĠRE QUIRE", "ĠMon ster", "ĠR B", "ĠI DE", "Ġsu its", "Ġform Data", "( theta", "Ġsp atial", "= NULL", "ĠSql Connection", "Ġ à", "ĠV enez", "ĠMor ning", "Ġpublic ations", "ĠNON INFRINGEMENT", "first Name", "ud s", "W ould", "_HE AD", "Ġinvest ed", "st able", "f red", "Ġcommand er", "SE S", "âĢĶ a", "an che", "ĠM ovement", "ë ³", "S uite", "Ġjur isdiction", "ë¦ ¬", "ĠB eth", "j Query", "ĠIs a", "Ġd ental", ", *", "ĠL imit", "ili ation", "=\" {", "b ast", "Ġt urb", "is y", "O OK", "Ġadvoc ate", "im ag", "LE CTION", "л ÑĮ", "(c ategory", ".de c", "Ġun iqu", "_s n", "Ġattract ed", "Ġà ī", "ĠRun ning", "_ edges", "ĠDis able", "_A S", "åĽ ¾", "Ġnetwork ing", "_br anch", "H aving", "toBe Truthy", "G I", "Ġcamp s", "se p", "-p art", "Ġ)ĊĊ ĊĊĊĊĊĊ", "ustral ia", "ĠRe ports", "rit o", "Ġwa ist", "_pl us", "ĠW W", "-p erson", "Apr il", "Ġs ar", ".t ar", "Ġagricult ural", "t ic", "Ġt cp", "Ġset Value", "agent o", "ĠAp pe", "p iler", "CA DE", "Ġan che", "atch er", "Ġcom ics", "Ġl bs", "_se gment", "'] =$", "itt ers", "ich er", "G INE", "Ġutil ize", "ĠC ursor", "_ex pression", "Ġd ag", "< long", "Ġr hyth", "æı IJ", "Ġconsult ation", "Y et", "\")) ĊĊ", "_M AC", "c ould", "Ġ' \\\\", "ĠV o", "ĉ http", "Ġg s", "ph er", "- grid", "J ames", "J ul", "Ġsch on", "Ġtensor flow", "ĠLOG GER", "am as", "Ġsc ipy", "Ġconv iction", ". ag", "Ġadministr ator", ")) {čĊ", "Ġn un", "\" group", "P or", "Ġnur se", "ex pression", "ak y", "ĠHe avy", ". opt", ".get All", "Ġover l", "/ \",", "_c ountry", "ç İ", "ĠG ENER", "_r oute", "ĠD al", " ´", "ol oad", "Ġuncomfort able", "(m enu", "Ġhost name", "' \");Ċ", "Ġcalcul ations", "-c lick", "Ġprotect ive", "ãĤ ¯", "_F orm", "ung s", "Act ual", "m f", "ĠProcess ing", "ĠIn ventory", "(m atrix", "app ropriate", "w eg", "ij a", "Ġch r", "Ġr ifle", "-w sj", "k ar", "Ġindepend ently", "I OS", "Ġconsist ency", "v n", "/s ystem", "ĠCh anges", "Ġexp ose", "ici ents", "Ġrel ate", "ĉ next", "è ¨", "ud es", "Ġglass es", "F XML", ".... ..", "ĠP df", "Ġappro ve", "Ġ{ \\", "Ġexist e", ")) (", "ARE NT", "оР¿", "ĠL atest", "ĠNiger ia", ".Inter faces", "Ġrem oves", "En emy", "Ġen force", "vert s", "ĉ pos", "_text ure", "W ARD", "ĠINC IDENT", "( container", "Ġdef ending", "ĠR X", "ĠH ook", "br is", "ĠFl ask", "Gr ay", ". )Ċ", "vis ibility", "ĠRedirectTo Action", "err al", "_e lem", "Ġres on", "front end", "_variable s", "ater ia", "Ġ+ \"", "ave led", "RI X", "Ġdef icit", "_C heck", "YY YY", "To One", "sp y", "Ġun ited", "end ent", "Ġp ode", "ãģ Į", "C AT", "(f mt", "ĠBon us", "Ġre ck", " º", "Mod ules", "Ġvac uum", "R adio", "ĠDAM AGE", "P en", "ĠPark er", "; ;Ċ", "ĠRe ally", "_n eg", "p ending", "Ġnomine e", "ĠC ategories", "ĠUl tra", "We apon", "Ġdef ender", "I ss", "ĠG ender", "ĠD ress", "Ġimpr ison", "Ġbank rupt", "imension al", "PH A", "ĠStr ateg", "ĠPROF ITS", "Ġp atri", "//////////////////////////////////////////////////////////////// ////////////////", "de legate", "Ġfor State", "Ġdev oted", "_m ake", "Ġterror ists", "ĠS nap", "_n av", "ĠA A", "ĠI an", "ĉ app", "Pl acement", "_h dr", "< K", "Ġs ang", "st roke", "- Q", "> x", ".T ask", "m oney", "ib aba", "' });Ċ", "ĠSpec ific", "ĠLine ar", "_O PT", "Hash Code", "( Player", ".Contains Key", "Ġcoll apsed", "trans parent", "_R ANGE", "View er", "(c fg", "Ġsort ing", "Ġinf ected", "ĠN ach", "Ġaccommod ate", ".element s", "_P ART", "ĠSex y", "= get", "( year", "Ġx hr", ": ]", "ows ki", "Ġsum mar", "Ġ ¿", "Ġint e", "Ġwork flow", "ĠTai wan", "vers ions", "åı ij", "Ġsurprising ly", "Ġopt ical", "Ġpro ces", "Ġdisag ree", "Ġnue vo", "ĠC AM", "sort ed", "le ases", "ist le", "Id ent", "ĉ event", "ject ed", "Ch unk", "V ars", ".pro vider", "Ġproceed ings", "Ġin clusive", "Ġart work", "end ants", "ï¼ļ Ċ", "se en", "Ġl ig", "Ġm akers", "_f un", "Ġlength s", "Path Variable", "[ item", "ภµ", "De ad", "FFFF FF", "ĠUr ban", "up les", "ich en", "(null ptr", ".s pec", ", System", "UR ATION", "(j ob", "å¼ ı", "Ġtrack er", "Å Ļ", "ĠM R", "ĠSQL ite", "Ġd to", "Ġ; ;Ċ", "Ġm int", "ĠInt roduction", "ca o", "Ġquestion ed", "Ġf itted", "rev ision", "s q", "Ġm ig", "_un its", "_ async", "Ġf lick", "});ĊĊ Ċ", "Ġnot re", "}` ,", "F ilters", "Ġm undo", "_d ays", "Ġfr m", "ut c", "Ġval s", "ew idth", "ĠGener ator", "ĠArt ist", "ĠID s", "ĠArt icles", "re ater", "ĠComponent Fixture", ". =", "Ġr ou", "- no", ".b ukkit", "eg g", "ĠD iff", "atic s", "Ñĥ Ñĩ", "âĢĶ ĊĊ", "ĠChar lotte", "by e", "Ġ} );čĊčĊ", "ĠV ik", "ĠB row", "Ġl v", "ĠG ib", "-w ing", "GL IGENCE", "(I l", "ĠEngine er", ".W ait", "ĠP ictures", "Ġr het", "Ġth ermal", "Ġpr aise", "< >();ĊĊ", "ĠSp ider", "P ause", "ĠB aker", "Ġsl ower", "Ġ} ]Ċ", "_en queue", "Ġdisappe ared", "ĠT icket", "IN UX", "_LOC AL", "аÑģ Ñģ", "@Inject able", "comm unity", "Gesture Recognizer", "åĽ ½", "Ġsca les", "Ġ- (", "/ '+", "ĠS it", "Ġexecut ives", "ard ing", "Ġad vers", "Ġback wards", "ĉ context", "ĠH amp", "ĠP F", "ĠDe ck", "ĠCra ig", "A merican", "Ġb ell", "Ġpro l", "uf en", "Ġr ng", "ar shal", "ĠSim ply", "first name", "sh ore", "J uly", "Ġmort ality", "ĠâĨĴ ĊĊ", "Help ers", "Ġbench mark", "em ade", "Ġorganis ations", ".g son", "ĠText Field", "Ġciv ilians", ".Array s", "ĠMiss issippi", "Ġinter mediate", "get User", "_cl uster", "Rel ative", "fore ign", ".querySelector All", "Fore ignKey", "Ġreason ably", "-------- -Ċ", "C ards", "ĠK am", "ĠTh or", "Ġroll er", "-e lement", "ĠC urrency", "dd ie", "ALL Y", "ĠR A", "Ġper met", "aa aa", "Ġhom ework", "ĠV it", "Ġm old", "ĠF er", "[ start", "Ġstatist ical", "Ġsc ary", "_H OME", ".B egin", "Con struct", "ogen ic", "ĠDEAL INGS", "Ġtamb ién", "ix on", ". ind", "ac re", "Ġtransform s", "ĠN ap", ".B lock", "uss ia", "pir ation", "ul ent", "Ġce il", "Cl ause", "na ire", "T ES", "Ġne at", "ST D", "ĠReg Exp", "per form", ": )", "Ġun ions", "Ġs ublic", "Ġw inds", "lo ating", "g lich", "Ġp agination", "S kill", "App ly", "ĠOper ator", "ist ogram", "Ġqual ities", "C ross", "Ġde com", "], \"", "ĠJ uan", ".mod al", ".Ch ild", "ĠRog er", "STIT UTE", ":CGRect Make", "a lette", "Ġst a", "as ide", "Ġbl ur", "ĠW a", "if etime", "re ed", "control s", "Ġb ins", "Ġп ол", "*/ ,Ċ", "U IS", "ĠR ou", "ĠDem o", "- awesome", "ĠCh ain", "Ġh asta", "ĠB art", ". KEY", "Ġvend ors", "nof ollow", "ĠD est", "_b uilder", "Ġarg ues", "_ answer", "g oto", "ĠRES ULT", "ĠM ON", "Ġp oder", "o ons", "_C ASE", "Ġrep lic", "Ġfin ancing", "ĠD ATE", "c ern", "_tr ack", "t ies", "/ logo", "ĠNE GLIGENCE", "get Type", "> T", "b et", "g irl", "ĠINCIDENT AL", "-s ite", ".tr igger", "ĠL isa", "_input s", "Ġrel atives", "Logged In", "Config ure", "I K", ". accept", "Res ume", "ĠD raft", "Ġ* >(", "ĠW A", "ed ian", "ern ess", "ĠLayout Inflater", "*/ čĊčĊ", "oth y", "Ġoblig ation", "Sub scribe", "Ġth umbnail", "ex ist", "Ġins isted", "ĠU ICollectionView", "ĠAng ular", "Ġtable ts", "ĠImp act", "ãĢį ĊĊ", "ah o", "Ġcharacter istic", "g d", "Ġ= ================================================", "our t", "` .", "App ro", "Co ordinate", "Rem ember", "Ġmar ine", "] =='", "ĠAdmin istrator", ".get Default", "Ġforg ot", "ĠStruct ure", "V ue", "ars ing", "m oment", "k w", "_c ursor", "Att ack", "Ġath letic", "Ġdiagn osed", "Ġend e", "åĪ łéĻ¤", "H ouse", "ĠP ARAM", "Ġw iki", "ĠO pp", "Ġcons ervation", "Ġs nd", "_t em", "sub str", "ĠC ape", ".s im", "UT ION", "an an", "âĢĻ un", "Ġg y", "- work", "Ġcomp elling", "=' #", "ĉs ub", "Ġdirect ories", "íĬ ¸", "Ġtouch es", "out ines", ".C ollection", "s chedule", ".l at", "ĠDo ctrine", "CA A", "ĠRe fer", "Ġshift s", "Ġlik elihood", "pre ter", "ĠF emale", "Ġinter cept", "Ġl ou", "çĻ »", "Ġr ug", "ĠC rown", "Ġ************************************************************************ ****", "- product", "Ġprompt ed", "ung le", "d ocker", "ĠT u", "ĠUn ique", "_ Error", "ul os", "Ġâ Ħ", "Ġ( `", "Get ting", "_s cal", "ĠEn h", "ü t", "Ġsust ained", "Ġp atches", "Ġpros per", "ĠG aza", "_l ight", "Ġin cons", "-------- Ċ", "ĉĉ ĠĠĠĠĠĠ", "S F", "C N", ": \";Ċ", "ĠColl ins", "( *)", "Ġcomp ilation", "'] čĊ", "Ġcon sequence", ", ...", "Ġd m", "ĠB LOCK", "Cl uster", "Ġsk i", "(arg c", "T uple", "Ġjo ins", "ĠSher iff", "W ar", "ind i", "Ġcomment ed", "H OST", "Ġinv itation", "apan ese", "Ġperm its", "preced ented", "_z one", "ĠA my", "_R D", "Min imum", "Ġinv ocation", ".en able", "icht en", "- owned", "\" id", "_PO INTER", "F ac", "Ġspecific ations", "Ġnom ination", "Ġg p", "< (", "Ġrob ots", "ĠJ erry", "Ġhold ers", "Ġw and", "c ms", "Ġ} ))Ċ", ".To ast", "ĠI List", "B ased", "z oom", "/ style", "ĠBe ck", "M en", "Ġcontrib uting", "Ġund o", "ĠO H", "Ġadd Object", "Ġe igen", "sign up", "éĶ Ļ", "Ġdist ant", "PAR ATOR", "ĠM ari", "Ġm á", "E mp", "ó s", "Ġì Īĺ", "ev t", "+ j", "p ark", "ĠSt ay", "ĠD un", "Ġso y", "> %", "az ines", "Ġti empo", "(m e", "p resent", ".Th is", "Ġedit ors", "F IELD", ".W ork", "ĠUn iverse", "Ġdr unk", ".t imer", "Ġalter ed", "ĠN ar", "ëł ¥", ".Act ive", "id or", "ç Ń", ".delta Time", "Ġawk ward", "& quot", "ĠSaf ari", "Ġtr icks", "MENT S", "div ision", "Ġvary ing", "ĠHigh way", "Ġphotograph er", "ĠSt ewart", "Ġlast ing", ".P re", ".amazon aws", "ĠL uck", ".D escription", "ĠN az", "n eg", "Ġc ó", "<<\" \\", "ĠSur v", "ĠU nc", "Rec ipe", ".Border Style", "Ġmod ifications", "- at", "AT FORM", "h dr", "ak o", "Ġsublic ense", "ĠJ ump", "Ġbe im", "ĠMan hattan", ". bool", "_h w", "ÑĤ ÑĮ", "B in", "Ġg ateway", "\" \":", "ĠU IS", ":\" +", "- def", "ĠReg ular", "/ testing", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "string stream", "Ġdis par", "Ġmob il", "- read", "ĠAd apter", "ĠCh ampions", "Ġsched uler", "Ġk ills", "ĠM ultiple", "ir ror", "Ġgod s", "AD O", "ak te", "ĠUs uario", ".c ircular", "Ġre cept", "ĠEx pr", "Ġelder ly", "Ġnic ely", "Ġbest e", "W ant", "Ġclass ical", ".s prite", "obj c", "ĠM ason", "Ġsist ema", ".Bl ack", "es o", "ĠZe it", "Ġdiv id", "Ġent ers", "_sub ject", "ĠPlan et", ".w arning", "ĠG ram", "_t okens", "Ġhousehold s", "_c ustomer", "user Name", "c ross", "Ġp ione", "Ġass ists", "_S M", "ib o", "Ġlo yal", "Ġuse less", "# elif", "ĠUlt imate", "C ome", "g el", "Ġd ich", "xy z", "ik el", "ob ra", "_s can", "ĠInter ior", "ĠN ice", "Ġpl ac", "ĉt arget", "Ġvir al", "ass o", "() /", "und e", "ĠAd obe", "O s", "vis ited", "ĠO W", "ĠFe ed", "ĠSe quence", "Ġman ages", "in son", "ĠLouis iana", "{ })", "ĠH ab", "ĠL D", "Ġb ip", "pr ites", "(e lem", ".h ibernate", "él é", "Ġoh ne", "_trans action", "Ġann unci", "P ublished", "ĠH onda", "ĠT am", "ĠP acket", "_ selector", "Ġchalleng ed", "Process ing", "-h over", "Ġtr ainer", "_c ancel", "ĠNS Dictionary", "ab ric", "ĠM LS", "_s ensor", "Ġshr ink", "ĠF X", "th reshold", "ĉH X", "-m ark", "` .`", "S cheme", "(f ull", "_w riter", "ĠS ys", "Ġf led", "ĠC in", "-w idget", "ĠPre vious", "G ender", "_ question", "Fe ed", "Ġscr ut", "(p refix", "ãĢĤ ãĢĤ", "Ġin fections", "Part s", "Ġhier archy", "_DE LETE", "ĠPat ient", "_p ay", "Ġprom oted", "Ġì ĭ", "Ġcivil ian", "Ġagricult ure", "ĠP iece", "Ġst ance", "uts che", "Ass ign", ".A CTION", "F ig", "_r adius", "ĠS ync", "du cer", "f ailure", "ens ed", "pt ime", "B M", "_dat etime", "qu ivo", "QUE UE", "èĢ ħ", "Ap pear", "Ġsum mit", ": void", "Ġv ine", "è® ¤", "on ne", "_TR ANS", ".g reen", "_ cc", "Ġhung ry", "Ġ\" >", "() );čĊčĊ", "Ex tract", "iz ens", "Ġsol ver", "Not ify", "Ġeng lish", "ĠSh opping", "inter faces", "RE Q", "Ġil leg", "ĠUI ImageView", "Ġdis connect", "ĠUnt il", "ĠConserv ative", "@ Column", "Ġshift ed", "Ġ: čĊ", "Ġf ich", "Ġd la", "Ġsh oe", "\"), čĊ", "ular ity", "_RE SP", "We ather", "UI Application", ". iterator", "Ġag ing", ".P arent", "ow ie", "(e qual", "ĠCon v", "/ default", "Ġmeas uring", ".pre v", ".Is Valid", ".F at", "Ġs Äĥ", "key words", "with out", "Ġso vere", "Ġex changes", "Ġm elt", "Ġis lands", "ĠInt egr", "Ġjump ing", "Ġg le", "Ġjournal ism", "Ġd ated", "Local ized", "ĠRef resh", "Part icle", "Ġa a", "ĠSTR ICT", "Ġb od", ".Pro cess", "_A UTO", "ĠP ublished", "e very", "Ġtechn ological", "ls x", "Ġir rit", "Add itional", "Ġdel imiter", "_l anguage", "- area", "bo ys", "ĠT ube", "Ġw at", "Ġmechan ics", "_ owner", "Sp ell", "ĠSt ories", ".Append Line", "Table View", "h em", "st ick", "oll ower", "I FF", "ĠU V", "oll ision", "S UB", "Ġcompar able", "Ġdon de", "s ales", "ll vm", "Ġ} ],Ċ", "OTT OM", "ĠPur pose", "L ab", "Ġinterview ed", "o is", "as il", ".set Id", "ĠIn struction", "-- >", "ĠMod ified", "ation ally", "ĠMe eting", "è¯ ¯", "# region", "Ġrout ing", ".f ocus", "ĠYou th", "< D", "ĠN ag", "contact s", "Ġform ing", "Ġm ie", "',[' ../", "ĠB P", "Ġapp et", "ĠTe acher", "ĠT P", "Ġann ually", "outed EventArgs", "ĠSpe aker", "Ġre name", "CF G", "(\" //", "æİ ¥", "/p ages", "Ġpr és", "ĠSp ell", ".All ow", "ĠINT ERRU", "Ġ( #", "âĢĻ ĊĊ", "_G eneric", ".im show", "_t im", "- face", "(& (", "atin um", "Ġrevolution ary", "ĠH ours", "r ain", "Ġany time", "Ġab b", ".j sp", "Scroll View", "ĠTr uth", "Ġanticip ated", "Ġacc ent", ". checked", "Ġspec ifies", "Ġca f", "Ġcell padding", "Ġcook ed", "ĠH ugh", "pe ek", "_R ATE", "Ġd orm", "/ čĊ", "IV ITY", ".Cont roller", "(p art", ".con straint", "Ġinv asion", "MO VE", "Ġgl uc", "l ename", "Ġam en", "eng lish", "ĠSw itzerland", "\";ĊĊ Ċ", "pe st", ".col lect", "N ib", "ĠD ict", "ĠE mb", "(sub ject", "Ġoutr age", "Ġdec iding", "Ġsent enced", "F echa", "\" A", "Ġqu er", "Ġfont Family", "Ġqu adr", "- Y", "_C ACHE", "Ġanaly zed", "Ġg aining", "ĠAgain st", "ĠSou l", "ta u", "Ġlight weight", "ĠT F", "ĠEffect s", ".T ypes", ".add Class", "Ġv egan", "é ģ", ".' \"", "ĠExpl orer", ".d etect", ".sh ift", "Ġoblig ations", "last Name", "Ġassoci ations", "ĠTime Span", "un ter", "ĠF resh", "Compat ible", "P ub", "id ges", ". option", "var i", ".hash Code", "Ġg eb", ". section", "- not", "ĠSub mit", "T N", "reg istry", "_m edia", "Ġn aj", "ff t", "Ġm ate", "-th ird", "Ġp ockets", "est a", "Ġb ent", "ĠN ord", "Ġretail ers", "ĠMor ris", ".\"\" \"ĊĊ", "W rong", "Ġ ÅĽ", "R ay", ". ec", "ĠB ind", "_H AND", "(n on", "is Valid", "Ġsimilar ly", "_L IMIT", "Ġdynam ics", "Ġdist inction", "ãģ Ĩ", "< N", "Ġor th", "ĠToy ota", "ĠK ate", "ĠL S", "or ie", "ĠSpr ings", "Ġf reak", "last name", "_M ULT", "-st ep", "\" (", "AD DR", "Ġentert aining", "_CON F", "Ġdec oded", "Ġst reak", "Ġwait ed", "Ġnot ified", "rodu ced", "vis ual", ".Layout Params", "æ °", "es ian", "f its", "s pring", "ĠBern ie", "User Defaults", "Ġped est", "Ap pearance", "ĠW iki", "ĠNOT ICE", "Ġs sh", "Ġdur ante", "ĠZ ip", "ı r", "ĠNAT O", "Ġtw elve", "Ġro yal", "ï ¸", "Ġmer chant", "ĠF urniture", "'] ),Ċ", ", X", "Ġfold ers", "ĠG ate", "ĉf unc", "p ick", "_us uario", "ĠV erm", "ment ion", "ur pose", "Ġalert s", "x ious", "_s ig", "ĠF u", "Ġ( :", "Ġd umb", "åħ ³", "Ġaccur ately", "éĩ į", "R B", "-s creen", "ĠV ER", "j our", "Ġrom ance", "uc ceed", ". choice", "Ġad ip", "_d ims", "Serial izable", "ãĤ ĭ", ".j ob", "Ġpro g", "uch ar", "Ġg ently", "ĠR SS", "ict ured", "_ENABLE D", "ĉ label", "aw ks", "ĠEn sure", "rem ember", "ìł ķ", "Ġtrans mit", "{{ $", ".Trans action", "ur se", "_rel ative", "Ġs ized", "ĠX X", "ĠPr incess", "ĠL arry", "Ġpr ó", "ĠÑģÑĤ ÑĢ", "Ġs isters", "estr uct", "Ġcheck point", ": length", "ĠCar los", "/ icon", "_T ARGET", "T okens", "Ġpat ience", "ĠSe lected", "q ty", ".show Message", "Ġwild life", "ĠP rops", "b m", "- arrow", "Ġpar cel", "fire base", "ĠBen jamin", "cess o", ".t im", "ĠG arc", ". any", "ĠHOW EVER", "ĠK o", "Ġgrab bed", "_f rames", "Ġobject AtIndex", "ĠADV ISED", "Ġsub ur", "ĉ GL", "Ġ}) }Ċ", "-l ength", "ìĭ ľ", "ĠPot ter", "_b uff", ".g ui", "ĠEnc oding", "E lect", "-m essage", "Ġ �", "Ġ ÈĻi", "ĠArgument NullException", "а ÑĨи", "Ġmin imize", "Ġrespond ing", "$_ ['", "ĠInd ividual", "á c", "ĠIN TER", "Ġmast urb", "ĠB in", "(' $", "ëĵ ľ", "Ġopen ly", "Ġ> <", "Ġun to", "olog ically", "ĠM ul", "VID IA", "Ġsl im", "ĠCommission er", "( on", "Ġunder neath", "/ db", "v ote", "( Message", "ĠP ope", "Def ined", "Ġsw ift", "ur f", "Ġadapt ed", "SE L", "Ġreven ues", "Ġdiv ine", "= y", "Grad ient", "_ act", "Ġ/*! <", "Ġpoly gon", "ĠF DA", "ĠC arr", "at ables", "(std out", "Ġrefr iger", "Ġco ordin", "avor ites", "ÑĪ и", "Ġcompass ion", "ĠPOSS IBILITY", "- secondary", "ur acy", "Ġcomp romise", "_A V", "_ os", "Ġbes ide", "ĥ Ŀ", "Ġl n", ".pl ugins", "Cap acity", "al ah", ".b in", "ĠC RC", "_b alance", "Ġflex Direction", "Ġam bit", "Ġnick name", "ĠFor ces", "C LE", "ĠSh ell", "Ġs ail", "ĠW riter", "ĠA lice", "d w", "ĠInd ians", "ĠMar shall", "_S RC", "Ġnormal ized", "ĠJ ag", "ãĤ Ĵ", "ze it", "r pc", "ÃŃ c", ".in line", "Ġtrav ers", "_n umeric", "Ġutil ities", "Ġev ac", "IN PUT", "ĉ register", "M X", "ĠCamp bell", "Ġdatas ets", "Ġdem anded", "Ġinitial State", "g an", "Ġe i", "Un expected", "- web", "tr ait", ", Y", "ĠT odd", "Ġske leton", "Ġoptim ize", "ç¬ ¬", "ĠU pon", "ĠSt Object", "Ġap lic", ".' P", "v ron", ". UN", "Ġpaint er", "izar re", "Ġl av", "Ġp om", "p reg", "= function", "( serial", "ific a", "um ing", "åľ °", "ãģ Ĥ", "- op", "U CH", "ĠH end", ".prop Types", "Ġy o", "Ġrout ines", "Ġcar ing", "S em", "Ġres erves", "Ġprior ities", "red its", "IST R", "Content Type", "ĠSch w", "/ media", "Ġe str", "Ġclim bing", "- week", "cher che", "s ensor", "To Array", "ĠMont real", "Ġcloud s", "ĠInject able", "ĠR ice", "Ġpropag anda", "_pro vider", "Ġind oor", "Ġin aug", "Ġdipl om", "Ġmess aging", "_m ut", "å ¦Ĥ", "Ġk w", "ON S", "ari ans", "R PC", ") ]čĊ", "-r ay", "ĠS or", "m all", "Ġmarket place", "Ġv tk", "M a", "og an", "ig i", "Ġspons ored", "ĠD ani", ".S EVER", ">' .$", "m ultipart", "ĠW ol", "Ġtable Name", "ĠUser name", "Background Color", "Ġf right", "_E MAIL", "Sept ember", "_val s", "op ia", "Ġsp otted", "- Ch", "Ġdata Source", "/ \"Ċ", "ек ÑĤ", "ĠRequest Method", "ĠRe place", "-d o", "ah n", "ĠPh D", "] .ĊĊ", "N ON", "g ement", "ĠTh r", "Ġquiet ly", "Ġtort ure", "Ġte as", "ĠC Y", "Ġa tr", "develop ment", "-d etail", "Ġlight er", "Ġarg uing", "Ġdes erves", "Ġcur riculum", "_CON TEXT", "ÅĤ y", "H ITE", "ĉ ID", "/ uploads", "Ġt its", "re o", "_d rop", ". UTF", "Ġpick up", "Ġgro cery", "ĠP ure", "Ġeas iest", "Ph il", ".f eature", "(\" *", "Ġinvest or", "t ok", "Ġj ar", "L os", "âĢĶâĢĶâĢĶâĢĶ âĢĶâĢĶâĢĶâĢĶ", ". queue", "-s peed", "M al", "um blr", "ĠCON ST", "ĠH RESULT", "ĠD ance", "(file Path", "Ġattrib uted", "ॠį", "ĠB und", "co ins", "Ġs ão", "Ġp ir", "person al", "Ġpre lim", "Ġprop ose", "ĠT L", "] ])", "ĠSub scription", "ĠK re", ", len", ".First OrDefault", ") --", "_product s", ".Get Bytes", "Sh ip", "Ġenc rypt", "ĠS G", "ĠM yst", "h ir", "Ġiter ate", "Ġint end", ".mock ito", "Ġch apters", "( angle", "ĠV lad", "è® ¾", "' .ĊĊ", "Response Body", "ĠAb d", "de al", "Ġbar riers", "-out line", "b ill", "ĠF alls", "_se cond", ". include", ". ceil", "Ġoccup ation", "ph ony", ".move To", "ĠJenn ifer", "AST ER", "; \"><", "ĠEn abled", "Ġtermin ate", "ĠI o", "l ations", "ĠTHE ORY", "Ġear liest", "Ġr ack", "ĠSc ar", "sh ake", "ch ip", "Ġu v", "Ġall iance", "п иÑģ", "ĠGOOD S", "z ione", "ĠV I", "Ġ{ -", "Ġfilter ing", "Ġmis con", ".Dock Style", "Ġb ush", "Ġj unk", "æ Į", "ĠQ UE", "Ġhook s", "Ġfirm ware", "Ġmiddle ware", "d ic", "ĠOak land", "Ġarr ives", "P ayload", "p ixel", "] |", "Ġstart Date", ".P RO", "_a udio", "Ġmid field", "igid body", "ĠSw iss", "ĠCl ip", "ĠD ump", "ĠText Box", "Ġg eh", "y ield", "od s", "Ġrefer endum", "Back end", "ĠC ream", "Ġdomin ated", "ĠArch ive", "Ġrid ers", ".prepare Statement", "Ġqu ando", "Ġche f", "w iki", "in el", "am pling", "(\" \\\\", "Ġs ag", "_pro xy", "ãģ ķ", "p do", ".getElementsBy TagName", "Ġdemonstr ation", "ĠN PC", "Ġarch ivo", "end ance", "Ġefficient ly", "( actual", ".t ableView", "Ġm ush", "Ġbe ars", "_thread s", "j as", "ah un", "Ġne ural", "Ġdesign ing", "ĠG DP", "Ġlift ed", "çĽ ®", "ĠJ oint", "ĠIn clude", "ĠGi ants", "Ġwithdraw al", "ĠR ent", "n ative", "ĠSe ek", "gress ion", "_C PU", "\\ S", "ĠSh ield", "Ġsol ic", "Ġbo om", "yect o", "Ġmanufact ure", "ĠâĢ ĭ", "Ġb box", "Ġearth qu", "ollect ors", ":@\" %", "Ġlo ops", "J e", "alk ing", "ĠWh ats", "ĠBo ys", ". book", "ARG E", "_p ixel", "Ġsus pects", "Î ¹", "us p", "ĠBM W", "ie ces", "(p erson", "å¼ Ģ", "é »", "ĠPod cast", "Ġb ou", "( Item", "à »", "( Input", "Http Get", "Ġb urg", ") ^", "BO ARD", "*/ ,", "Ġg ulp", "ĠB enn", "Ġdeck s", ".status Code", "Ġac ute", "Ġh ug", "ug u", "Ġp led", ",\" %", "h ape", "Ġз ап", "ĠMain e", ".re al", "Ġd alam", "ĠMin or", ".F loat", "dis p", "Ġt l", "Ġen count", "=> $", "Ġf g", "te es", "ĠRec omm", "ä l", "Ġchem istry", "Block s", "O ID", "Ġfore x", "ĠApp end", "Ġ{ *", "ĠSup ply", "CG Float", "(b l", "Ġat e", "ador a", "Ġg ust", "Ass oci", "> .Ċ", "F ETCH", ".s erial", "widget s", "ard less", "ie fs", "_F ULL", "ernet es", "ĠP red", "Ø Ń", "äº ĭ", "ub ernetes", "ĠL aura", "Ġl abeled", "High light", "Ġanno ying", "/ update", "(d escription", "Ġintim id", "$ c", "\")) )Ċ", ".A P", "Ġ[] *", "ĠEX IT", ".H ost", "ĠOP EN", ".send Message", "_c amera", "_t ile", "Ġth erm", "onom ous", "Ġdis adv", "Ġna ar", "index Of", "ĠP P", ".prot ocol", "AF E", "Ġtext ures", "################################ ################", "umb ai", ".st ats", "ĠG E", "Ġi e", "ĠST D", "ĠM ann", ".ref lect", "K B", "Ġd ive", ".w av", "/* ----------------------------------------------------------------", "/ settings", ".l ifecycle", "Ġda ughters", "or us", "ub er", "N ING", "st ri", "ĠT ip", "Ġz n", "Ġswitch ed", "in et", "uff y", "ĠTransport ation", "( conf", "fr ica", "ĠX L", "ĠLe ad", "_per cent", "< Map", "Ġthr ust", "or b", "ik k", "Ġtra uma", "Access or", "ĠF it", "ĠString Buffer", "ex pl", "(s creen", "Ġaud iences", "ĠO PTION", "_ round", "[ node", "be h", "-> __", "per missions", "ĠD etermine", ".M an", "Ġadv ances", ". InputStream", "Ġstrong est", "Ġe Bay", "Ġ# -", "Ġdir name", "ĠS MS", "Ġmedic ations", "Ġam ended", "Ġchurch es", "ĠImper ial", "$ row", "ĠMad ison", "ĠIn sp", "Ġaff air", "Ġpsych ology", "v h", "Ġsever ity", "âĢ IJ", "Ġstri ps", "A H", "vert ising", "Ġcon se", "IM AGE", "ĠSt ats", "ĉs c", ".C ursor", "Ġfree ze", "ss on", "(x ml", "ĠSus an", ".t ile", "ed ed", "ĠĠĠĠ ĉĉĉ", "uel le", "ĠMitch ell", "b ased", "Oper and", "½ æķ°", "ĠF F", "ĉstr cpy", "ounc es", "ild o", ".execute Query", "Ġapproach ing", "ĠSe ven", "Ġn uts", "Ġr ic", "ass ignment", "Ġcalcul ator", "ĠMur phy", "ĠB ou", "í Ħ", "Ġbut t", "Ġt icks", "Project s", "il ib", ".text Color", "m ov", "_log o", "( template", "ĠIN IT", "Ġimage View", "scri ptions", "OR ITY", "Con sumer", "Ġun precedented", "Ġtour ist", "Ġbr on", "Ġcontract or", "Ġlic ence", "ĠN am", "æ ¯", "( transform", "_AT T", "P ref", "ĠG am", "Ġvess els", "Ġh av", "L ater", ".To Lower", "Ġurl s", "Ġbreak down", "Ġpen alties", "Ġf oster", "ĠU E", "Ġcl ue", "com ed", "åIJį 称", "-m ain", "Ġp ts", "Ġcount ed", "ict s", "/ post", "Ġget attr", "Ġp ing", "ANCE L", "Ġp ec", "Ñħ од", "ant om", "ĠBlue print", "ĠEvent Emitter", "Ġl ä", "æ ²", "Ġstr aw", "( comp", "' une", "> N", "- client", "es Module", "-b ase", "Ġret reat", "_s imple", "ĉĉĉĉĉĉ Ġ", "fe e", "') čĊčĊ", "Control Item", "Ġsubscri bers", "ple ase", "ĠE ff", "Ġp ound", "ĠBy tes", "ĠTe a", "_ activity", "Ġmax im", "Ġop code", "B SD", ". constant", "; }", "omb res", "Ġcare ers", ") .ĊĊĊĊ", "Ġsp reading", "-exp anded", "ĠOr d", "amar in", "Ġmob ility", "Un fortunately", "ak k", "N L", "_ redirect", "ĠP G", "ĠS ensor", "b ol", "t ap", "_MEM ORY", "ĠUI Alert", "plit ude", "We bsite", "ĠLog o", "lo ve", "[ ind", "Ġalto gether", "Ġwonder ed", "Ġes per", "ĠLib eral", "Ġo ss", "Ġel it", "Ġst iff", "od ox", "_ment ions", "ĠDou glas", "_p id", "ĠC K", "ĠinitWith Frame", ".b log", "p kg", "ang hai", "QUI RED", "u u", "Ġm kdir", "AT AL", "Ġun h", "in ces", "st h", "Ġhypo thesis", "Ġc ata", "ĠT B", "ĠCl ar", "Ġpre decess", "Ġsitu ated", "-w orld", ")) /", "Ġhead lines", ".st at", "Ġout break", "sp ath", "_FLAG S", "ĠServlet Exception", "S un", "F ROM", "ĠD ir", "ãĥ»ãĥ» ãĥ»", "_co ord", "ĠOpt im", "Mon itor", ".b it", "XX X", "Ġtod as", "f eld", "ÑĢ и", "im ir", "Ġpolit ically", "Ġmolec ular", "Ġtrad ed", "Ġ{{ $", "ĠSw edish", "Ġ'@ /", "_RE AL", "Ġw arehouse", "t oday", ", L", "or p", "< section", "- br", "ym e", "ĠUser Service", "Ġlib erty", "Ġmoment o", "( Image", "< size", "S ch", "Ġj og", "i ology", "arent ly", "Ġquant um", "ĠAb u", "Ġr im", "Ġman a", "Font Size", "Build ing", "st airs", "AIL ABLE", "Ġ& '", "Ġs ect", "Ġs igh", "(b atch", ".I Container", "p oll", "ĠCor ps", "Î µ", "ar u", "ĠK ay", ".r ange", "_click ed", "ĠRobert s", ".N etwork", "fin ish", "- Man", "Ġcolleg es", "ĠF ine", "\")) ,Ċ", "f ilm", "Ġrem inded", "Ġgest ure", "out il", "Ġthread ing", "Ġobj et", "Ġt ours", "activ ated", ".m kdir", "= user", "Ġre de", "f ü", "_SY STEM", "p v", "Ġcon gr", "Ġmass asje", "Ġpract ition", "Un iversity", "Ġtab index", "Ð ĺ", "S ets", "Ġcount ies", "g uest", "f an", "Ġword en", ".d i", "на Ñĩ", " ¿", "ig Decimal", "Ġsh ore", "Ġg ö", "Ġrep airs", "Ġhelp ers", "Ġcenter ed", "OL LOW", "Ġmap StateToProps", "Ġc ents", "< A", "Ġexpect ation", "Oct ober", "Ġbg color", "ca les", ".C ON", "ĠV el", "Ġcry ing", "-se ason", "Ġfunction ing", "_LOC ATION", "ü ss", "ber y", "Par a", "omin ator", "- le", "Ġeth ical", "has htags", "emp lo", "Ġn úmero", "( activity", ".St op", ".str ftime", "IL D", "Ġto e", "ĉ Node", "\") čĊčĊ", "ĠPu erto", "Ġexec uting", "ĠG UID", "Ġoppos ing", "al ph", "Ġexhib it", "_fl ash", "Ġme ille", "Ġjson Object", "H ero", "aint ed", "_D OM", "Ġw il", "Ġslo pe", "Ġm Ã¥", "ĠIraq i", "Ġorgan ize", "ĉj Query", "H UD", "sh ine", ". we", "ĠSk ills", "pons or", "Ġcon clusions", "Ġre forms", "Ġrel uct", "n amed", "ĠOl iver", "Ġ// }Ċ", "- looking", "Ġf og", "ĠH O", "ĠF ried", "Ġinev itable", "ĠData GridView", "H our", "il les", "log ical", "Ġconnect ivity", ".tw ig", "ĠK yle", "(d st", "- Sh", "ĠStud ios", "( Level", ".j et", "_PRO TO", "-de coration", "OT HER", "Ġread ily", ".Param eter", "Ġmultip ly", "ĠL IB", "ar med", "Ġsoon er", "æ Ħ", "_ ES", "Ġfoss il", "ĠA nc", "âĢľ This", "l odash", "Py thon", "Ġhist ogram", "west ern", "Ġinf ant", "Ġco ordinator", "Ġn ib", ": m", "Ġres pected", "Ġdef init", "& T", "_p ad", "ĠTr igger", "th al", "Ġimage Named", "Ġbeat en", "ĉ rc", "ĠPal ace", "Ġhaz ard", "Ġisol ation", "_ rc", "cont re", "OUT PUT", "Ġre ign", "ĠPl ate", "AT ES", "Ġfl ux", "Ġpack s", ".get Selected", "Ġparticip ated", "Ġneed le", "-de pth", ":::: ::", "-l aw", "ins pace", "on itor", "= no", "ĠAt omic", "ĠBr ain", "Edit able", "-s c", "red ential", "ĠP erry", "k ie", "Ġ ----------Ċ", ".st roke", "( Intent", "Ġun ity", "um lah", "F urther", "Ġpr ze", "Ġs ø", "ãĤ Ĭ", "ĠPROC UREMENT", "ĠH ousing", "Ġatt orneys", "Ġcomp ose", "atter ing", "\" What", "dra ul", "Ġstraight forward", "In stant", ".J TextField", "Ġtr ades", "л а", "Ġ{ !", "Ġl ately", "IM G", "ĠA ld", "ĠIN NER", "Ġcart oon", ".S ource", "F ALSE", "Ġd ough", "f en", "( rect", "Data Table", "N ick", "ĠBut ter", "read s", "_com ments", "EN V", "ĠConnect icut", "-F IRST", "ĉĉĉ ĠĠĠĠĠ", "ach i", ".M sg", "re ction", "Ġrelax ed", "Ġsha ft", "Ġe f", "ĠAdd ing", "Ġbre ach", "Ġ ï¼ļ", "ram a", "Ġconduct ing", "Ġ( ;", "(g l", "ĠCA USED", "ash i", "ĠF LAG", "ĠCom merce", "ĠIN TEGER", "h ours", "ĠSchool s", "Ġn ucle", "Ag ain", "pro j", "Ġsevent h", "EMPL ARY", "(m ock", "'] ,čĊ", "_S PEED", "> false", "Ġsp a", "ĠN ear", "ì ķ", "Ġintr ig", "_m embers", "w ave", "Ġanalyst s", "_O S", "ed in", "ĠF ri", "Ġretrie ved", "Reg ular", "_ obs", "EX PORT", "')}} \"", "\" class", "__ ((", "b ucket", "Ġst ro", "ĠP atch", "yst ick", "ful ness", "ap os", "D a", "ĉĉĉĉĉ ĠĠĠ", "Ġen rich", "un ordered", "h ole", "C ong", "< Product", "ĠC urt", "( the", "_l ower", "Ġavoid ing", "Ġbu zz", "Ġv iable", "ub a", "- is", "are l", "Ġact ed", "-d etails", "ภĩ", "ĠThe ory", "ĠP un", "ĠAn onymous", "... \"Ċ", "è res", "åı ¯", "ĠV ision", "_se m", "ash a", "Ġcelebr ity", "Ġend Date", "Ġpop ulate", "Ġcu is", "qu ant", "f loor", "Ġglob ally", "Ġcru ise", "ĠStan ley", "Ġb ikes", ".get Connection", "Ġpoor ly", "_ other", "amp ing", ".\" );ĊĊ", "od i", "_A DMIN", ".color s", "ĠG aming", "> ';ĊĊ", "STR UCT", "Q R", "ID s", "(arg uments", "_a ux", "( Event", "_PR IVATE", "ĠTre k", "Ġdownload s", "m utable", "_STR UCT", "(w x", "Ġdom ains", "js px", "ĠVi agra", "Command s", "J s", ".c fg", "Content Pane", "ĠEdit Text", "à¥į à¤", "Att ach", "ĠAR M", "posit ive", "ĠGener ated", "Ġse ized", "= :", "Ġelectron ics", "ĠApp Component", "/ ',Ċ", ".equals IgnoreCase", "Do ctrine", "d isk", "ĠPolit ical", "CH O", "< F", "ĉ height", "ĠB ug", ". le", "ik h", "Ġmill iseconds", "Ġconstit u", "m ag", ".n l", "-r ange", "ang gal", "', [", "ropol itan", "Ġà ľ", "ĠU C", ".d esc", "-L AST", "f stream", "ib il", "Ġf ier", "VER Y", "Ġë ³", "IR T", "_ UI", "( abs", "Ġkne es", "Ġro okie", "ĠV ac", "are na", "comm end", "- \\", "ĠSUB STITUTE", "So ft", "Ġpart ir", "we alth", "è¦ ģ", "(d ataset", "ĠCl imate", "- show", "Ġreli ability", "_ch unk", "ä» £", "_st ock", "ĠEX EMPLARY", "ï¸ ı", "Ġv ÃŃ", "Ġsm iled", "Ġdr ill", ".F unction", "ĠS I", "Ġreg ression", "- X", "ĠJ ar", "p ref", "ĉs uccess", "ĠHit ler", "Ġinst inct", "Ġfem mes", "Ġlo ver", "< Ċ", "Ġmulti plier", "r il", "Res ize", "ĠAuthor ization", "ĠK an", "Dispatch ToProps", "Ġc rops", "t okens", "ec n", "ential ly", "ĠINTERRU PTION", "f ake", "Und efined", "ĠA K", "ĠTest Case", "Ġr ab", "Ġtor rent", "ĠO t", "B ars", "Ġlect ure", "Ġen jo", "Ġrespond s", "Ġindex ed", "Of Work", "_ch ain", ")) ->", "ĠBeaut y", "Ġ` <", "Ġtouch ing", "Ġ| --", "ĉf lag", "normal ize", "Ġtr apped", "Ġestablish ing", "/b uild", "A J", "f y", "- react", "av n", "RI PTION", "Ġk ut", "ĠF ashion", "ĠIn form", "cur ities", "< byte", "ĠUkr ain", "Ġs ug", "Ġconsist ing", "ood le", ". ctx", ".To List", "Ġcomment ary", "Ġtransf ers", "Ġn ost", "ih ad", "ĠU pper", "Ġconf using", "miss ing", "- cl", "Ġbound ing", "Ġcongress ional", "Ġreve aling", "d h", "r up", "Ġt res", "re peat", ", ĊĊĊĊ", "_t ac", "Ġexp ed", "G irl", "h orizontal", "Ġ\"../../ ../", "( option", "Ġwe iter", "ĉs ql", "Ġ=> {Ċ", "Ġgar lic", "Ġre pr", "Ġrepl ies", "( prop", "Ġspir its", "Ġins pire", "Ġbas ement", ".re ject", "Ġhint s", "Ġpoll ing", "ĉ ĠĊ", "_r ating", "Ġc ath", "av ier", "Ġcomp ressed", "ĠV S", "] '", "Ġjud icial", "ĠT rend", "tr aining", "EST AMP", "ogn ition", "Ä ģ", "SE NT", "vent ions", "Ġconsult ant", "um ph", "Ġuser Service", ", NULL", "k h", "D ear", "_B AD", "it ations", "Ġmet aph", "' é", "and ise", "-f ont", ".ch art", "Ġs g", "_ Controller", ".j peg", "ĠUL ONG", "ĉg ame", "( ss", "ĠM aj", "ĉg o", "ĠS ad", "ĠB erg", "ĠM ine", "P ack", "Ġres istant", "ĠR OM", "Ġp eg", "ĠStan ford", "ĠY ahoo", "Ġsca led", "Ġl an", "= []", "\"/ > ččĊ", "Ġs ud", "ĉ background", "Ġsch olars", "-m uted", "ar á", "Ġ= ====", "Ġ__ __", "C reat", "ene ver", "/w p", "ĠV PN", "Error Code", ") ],Ċ", "(b uilder", "ĠEn emy", "S ensor", "us a", "Ġtr iggers", "Ġplayoff s", "_RE Q", "Ġ( ~", "ĠBar ry", "Ġperman ently", "ĠR UN", "Ġb ure", ".Fat alf", "Ġch ick", "ĉ panic", "ps i", "ok a", "éĢ ī", "> [", "Ġunderstand s", "ĠJun ior", "ĠIN FO", "= mysqli", "ust ain", "-s ource", "s erv", "ĠC REATE", ". au", "Ġsell s", "ĠĠĊ ĠĠĊ", "E urope", "z w", "pre h", "ĠNS A", "Ġx y", "ภ´", "ĠB eyond", "Inst ead", "Non Query", "Ġar ise", "Ġavoid ed", ".em place", "_model s", "} ),Ċ", "Ġh id", "Ġ& _", ".p oints", ".get Width", ".Ex ec", "Ġ// //", "ĠS essions", "... \\", "ĠCol omb", "Ġacceler ation", "rest ore", "Ġ ile", "ob ic", "< Node", "ĠD X", "ĠBes ides", ". age", "ĠCont ains", "N ational", "ĠIm plementation", "Ġeff ic", "ĠR M", "H y", "ĠWed ding", "ok ies", "Ġrec ursive", "Ġprosec utors", ".Se lection", "ĠForm ula", "Been Called", "[i i", "ĠFr an", "Ġtraged y", "_F EATURE", "Ļ ¨", "comp ass", "ĠB h", "? ĊĊĊ", ".w riter", "ĠH our", "Db Context", "io v", "am on", "re pr", "é ĥ", "ĉf i", "'] ]", "ĠD ry", ". ro", "ĠO bserv", "æł ĩ", "Form er", "ĠB alance", "ĉ json", "Ġpr zy", "I SS", "( sock", "ĠL INE", "Ġde ce", "Ġal ly", "Ġtend ency", "F un", "Ġschem es", "Ġinter ven", "æĺ İ", "Ġad verse", "quote lev", "Ġsacr ific", "_s ide", "Ġmut ex", "AG IC", "Ġocc urring", "ĠCommunic ation", "um ar", "ç¼ ĸ", "ĠTreat ment", ".p erson", "ĠL C", "Ġe ch", "( (\"", "ĠDise ase", "ä d", "ĠA Z", ".A ccount", "Ġcontinu ously", "END ING", "ĠRET URN", "- string", ".f ilename", "syn thesize", "Res ponder", "( opts", "reg s", "Ġn uest", "Pe er", "// ------------------------------------------------", "Ġg auge", "ĠK in", ".s chema", "Ġarr ange", "ĠBl ake", "_Type Info", "C over", "ĠHamp shire", "P aper", "-in ner", "util ity", "Ġcross origin", "F OR", "Ġign oring", "ĠD D", "av an", "Ġtrad itions", "Ġget String", "Ġeth ics", "ĠMaterial s", "DE SC", "Ġen zym", "io let", "ĠCh ip", "ĠMc Donald", "Ġn erve", "ç Ħ", "\") ]", "æ± Ĥ", "ĠS ugar", "_S IM", "j peg", "Ġdiscret ion", "ĠT N", "bo ve", "ĠMin imum", "ĠForm Group", "Ġwork force", "ĠExec ution", "err er", "ĉ ĠĠĠĠĉ", "Ġpres cribed", ".Text Align", "OP EN", "ĠP B", "im ity", "ĠEx ternal", "° C", "ĠApplication Controller", "Ġb arr", "imp licit", "_d ot", "ĠCol on", "C OLOR", ".Pro ject", "* }Ċ", "pl aint", "get Text", "Ġindivid ually", "Ġcheck box", "U Y", "ĠL amb", "Ġdys function", "ĠL ar", "à °", "ĠCre ating", "');ĊĊ Ċ", "\" They", "loc ations", "_C ORE", "Inter action", "umbn ails", "ĠPart ner", "b rit", "Ġless er", "ĠSl ot", "set Attribute", "ĠW ave", ".p o", "/ store", "Ġbrows ing", "_p d", "sum e", "s ed", "Cur ve", "Ġpl asma", "Ġsusp icious", "ìĿ ¸", "ĠB ah", "ĠExp licit", "_C C", ".Client Size", "\\ View", "Ġsub stit", "lo on", "ĠG AME", "ĠB rid", "Ľ 建", "_ User", "Ġsqu ares", "f one", "Ġsac red", "ug hs", "] interface", "ĠTh row", "ĠK irk", "Ġemp ire", "Ġassess ed", "T ax", "ĠHe aven", "-b uffer", "_STAT IC", "én é", "-b ordered", "Ġpun ct", "(m ode", "Ġke ine", "S ent", "ĠCal cul", "ĠE ve", "Ġsty lish", "Ġoil s", ".Test Case", "Ġtrad emark", "Ġliter ary", "Ġconcentr ations", "ĠRel ations", "( Class", "Ġstd in", "Ġv æ", "back up", ". VERSION", ".AutoScale Dimensions", "st arter", "Transaction al", "- panel", "St udio", "k c", "ĠCh amber", "ĠSpi el", "Ġr ho", "ا ÙĦ", "! '", ".At tributes", "Ġmurder ed", "apeut ic", "Ġint imate", "Ġtext Field", "ĠBuff alo", "d ummy", "\" %", "ĠLib erty", "ob ar", "ĠT ank", "ĠPop ular", "erv isor", "ĠIn iti", "ĠM all", "ĠP rior", "C AP", "ĠCl ay", "ĠCert ificate", ".L ock", "-st rip", "-dr iven", "/ all", "ĠMessageBox Buttons", "_SE CRET", "_p b", "Ġr ats", "ा à¤", "Ġn t", ".R outer", "_top ic", "Ġt ennis", "ĠP UBLIC", "ĠActiv atedRoute", "Ġ' ,Ċ", "Ġcost ume", "Ġj okes", ". Handle", "ĉ byte", "Ġflav ors", "( cc", "Ġperson as", "ĉ image", "ĠN azi", "Ġgram mar", "Ġú lt", "Ġval ve", "Ġv ic", "ĠR achel", "_in valid", "P refs", "std int", "(r oute", "Ġhtml specialchars", "Ġpe oples", "pl ine", "Ġn v", "ĠQu ant", "opp ers", "Ġcurrent User", "ĠC atal", "Ġrecon c", "Ġconj unction", "l x", "amb urg", "Ġinflu ential", "d anger", "ind ers", "Ġ% @\",", ".config uration", "os ome", ". identity", "Ġpick er", "n ost", "ĠDI Y", "Aug ust", "ab lo", "Le af", "ĠRec o", "ck o", "DO C", "ĠH erm", ": any", "ĠInt erview", "ĠT ex", "x fe", "( work", "Ġle ap", "He ading", "Ġqu arters", "\\ Bundle", "re b", "Per haps", "ĠG mbH", "B irth", "ĉ sum", "ĠWat son", ".n il", "ç ¡", "{ }ĊĊ", "ica id", "Get ter", "\" name", "Ġ\" čĊ", "_n one", "z m", "ac ute", "uest o", "Ġs ous", "Ġre build", "Ġnewsp apers", "ĠH az", "Ġk its", "if o", "Bl ur", "Ġsu ited", "- In", "à ¯", "ĠKe ith", "ĠNor way", "IN IT", "ire ccion", "iet ies", "_us age", "ĠDou g", "r ise", "Ġtr illion", "im ited", "ĠR EL", "al ic", "Ġcritic ized", "the orem", "Ġce ase", "Ġsid ew", "ĠT erry", "Ġsubs idi", "Ġfirm ly", "Ġaw s", "Ġh ott", "Ġdress ing", "bad ge", "ĠApp lications", "è¿ ĶåĽŀ", "Ġlaugh ed", "Ġh obby", "Ġmus icians", "Ġ* .", ". placeholder", "Ġcount ers", "ĠCap itol", "SD K", "Ġhel met", "and box", "qu it", "Ġcriminal s", "Ġteen ager", "( update", "G l", ".se lection", "Ġdis charge", "Ġpresent ing", "ufact urer", "_UN KNOWN", "Ġstress ed", "å Ļ¨", "Pro to", "_cor rect", "ha us", "Ġren ov", "Ġfire arms", "Ġtechn ically", "-b rowser", "Ġc andy", "St roke", "Ġexec utor", "Ġocc urrence", "ĠIP v", "_INTER FACE", "ĠRetrie ve", ".b ad", "Ex change", "Nav bar", "ĠK id", "(get ApplicationContext", "_ST OP", "ĠB oss", "List eners", "Ġshoot er", "ĠAl b", "ä ch", "Ġp ix", ".key Code", "al one", "Ġabs urd", "ĠC um", "ĠNewton soft", "ik t", "Ġlaugh ing", "Ġcapital ism", "ree Node", "T x", "_QU ERY", ".S leep", "( login", "Web Element", "Ġcelebr ating", "Ġde precated", "Ġma ar", "Ġart istic", "_ASS OC", "ĠBorder Radius", "ĉw p", "Ġsurviv ors", "In ner", "- red", "Ġprosec ution", "_ pp", "(\" $", "Ġcomm a", "un checked", "graph ics", "r ors", "G ROUND", "( public", "Ġcustom ized", "ĠArk ansas", "ĠR ew", "Ġexp iration", "× ķ", "ĠC ul", "Ġn ons", ".F ilter", "Ġsen ator", "_def inition", "ash ington", "ym ph", "/ J", "Ġf use", "ram id", "ĠSup plier", "Ġaut ocomplete", "Ġ} ),", ".\" ĊĊĊ", "_function s", "ĉ to", ".e val", "ĠT Object", "Re ferences", "Ġhe ated", "H AL", "Ġ)) }Ċ", "} $", "ĠB arr", "_UN IT", "+ $", "Ġget Value", "ip ed", "ch ied", "(v m", "c ue", "_int eger", "_c ourse", "th ird", "Ġrevis ed", "** /Ċ", "_D IRECT", "Out Of", "(\" (", "ĠFe el", "Ġre ass", "Ġsub title", "per i", "n f", "Ġenjo ys", "Ġtreat s", ") this", "-t abs", "anc ers", "Ġcontin ent", "Ġcard io", "S er", ". question", "Ġph rases", "Valid ators", "Ġpop ul", "Ġl ÃŃ", "s ong", "_IN TERNAL", "Ġadvis er", "Ġp uzz", "Ġambit ious", "ĠT ob", "ĠD P", "Ġpres idency", "Ġsurre nder", "Ġwatch es", "_b inary", "ĠSo on", "Ġcan ada", "(\" \")Ċ", "] ='", "ĠBr andon", "eps ilon", "r w", ".add Child", ".C opy", "Pr incipal", "Ph otos", "Ġmarg inal", "Ġbas ics", "e ing", "M ust", "_ String", "Ġo le", "M agento", ".c ustomer", "(p rev", "ภ¥", "Ġlo yalty", "C og", "Ġprot ocols", "ĠCom panies", "Ġtheoret ical", "Ġaccess ing", "ĠZ en", ". ones", "att ice", "_w orld", "z es", "Ġtatto o", "Ġmen os", "Ġinter sect", "\"] ;ĊĊ", "bel ie", "Ġin active", ".read line", "-label led", ".d one", "lick r", "ĠW ORK", "Ġderiv ative", "Ġd atabases", "âĤ Ĥ", "Ġs x", ".is Array", "Ġy s", "Ġp ada", "ĠBul let", "(` /", "is Active", "ĠCG Size", "(equal To", "ĠColum bus", "Ġmar ry", "DE V", "_l imits", "ron es", "I AS", "Ġt au", "min o", "_W rite", "ĠW ine", "Ġ[ ['", "ĠP ull", "rit ers", "ri ents", "Ġsh ifting", "up p", "_TIM ER", "ĠCondition s", "Ạ¥", "ĠOr ders", "ĠSt rength", "æī Ģ", "Ġvalid ity", "Ġf ot", "et ur", "Ġb olt", "åĨ ħ", "ĠAl ong", "os hi", "Ġassum ptions", "Ġmag azines", "_S PI", "Ġp unt", "_PRO DUCT", "Ġrel ay", "ĠJ avascript", ". te", "- es", "Ġwidget s", "(f s", "< Item", "_ex tra", "Ġrecru iting", "E t", "Ġnecess ity", "p w", "Ġnov els", "uss els", "Cre ator", "ĠM VP", "ĠO C", "th ood", "cl ients", ")) *", "Ġcharacter ized", "_SE ND", "ut i", "T y", ".from Json", "@ Service", "ãĤ Ĥ", "Ch ris", "_ Is", "ĠJohn ny", "Ġclean er", "ĠInitial izes", "UN K", "( axis", "еР·", "ie val", "ĠWar riors", "} )(", "DM I", "âĻ Ģ", "ĠTre asury", "Ġfe as", "Ġsl a", "_EN UM", "l hs", "ĠIn stit", "ipp ers", "Line ar", "Re ading", "quir ies", "-c ell", "ch rome", ".S earch", "IN A", "ç±» åŀĭ", "ĠĊ ĠĊ", "ĠSam uel", "Ġmill s", "Ġdon ate", "ĠGe o", "( rows", "Ġshe ep", "Ġé l", "ä½ ĵ", "Ġb em", "_UN USED", "ĠR CC", "Ġintrodu cing", "att a", "ĠP riority", "ĠF B", "ĠSer ge", "> \";", "atch ing", "ĠKnow ledge", "ĉ The", "; margin", "less ness", "op ard", "um atic", "() ));čĊ", "Ġf als", "(c ache", "Type Id", "éĢ ļ", "_ choice", "ĠGo th", "ĠS ites", "M G", "_b order", "Ind ices", "Compar er", "ĠRed istribution", "Ġclo set", "Ġvers atile", "Input s", "**************** ****", "Ġob esity", "qu iz", "gr a", "(g lobal", "åĬ ¡", "Ġcollect or", "Ġk or", "ov able", "AD C", "ĠEvent Handler", ". nc", "Ġplay back", "ient os", "_p erm", "_W ARNING", "ĠOlymp ics", ".n orm", "ĠBroad cast", "_sm all", "dr ive", ". iloc", "Ġtyp ed", "M EM", "_con s", "DM ETHOD", "Ġl un", ".d istance", "(p ar", "po on", "Ġb ast", "activ ities", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", ": čĊčĊ", "S ER", ") &&", "_l st", "ĠPol ish", "Ġknock ed", "Ġfrustr ation", "au kee", "Ġph osph", "iqu id", "_c oeff", "æŃ ¤", "L atest", "ĠD ust", "T ipo", "Ġmaint ains", "Ġmar sh", "inc inn", "l bl", "C are", "Ġneighborhood s", "_g pio", "ĠAr senal", "D em", "ĠW he", "_h ook", "Ġl dc", "ĠHar per", "ĠBer keley", "Ġgrad uated", "Per cent", "Ġarr iving", "ĠAdvent ure", "(s cope", "(' *", "qu arter", "ĠMar ie", "Spe aking", "_code gen", "Ġimm un", "c aster", "ãĤ Į", "åķ Ĩ", "ĠDim ensions", ".rec ord", "Ġtext o", "ĠMich elle", "P ending", "( by", "_P AR", "uch t", "be e", ".Th read", "amp ire", "k now", "ĠClin ical", "Ġmargin Bottom", "Ġdistingu ish", ".F ull", ". undefined", "ĠSequ elize", "################################################################ ############", "Ġeduc ated", "_O VER", "åº ı", "ĠÂł ĠÂł", "_e ach", "Ġur ge", "de part", "Ġdon ors", "ĠA u", "Ġbill ions", "Ġbelong ing", "_ age", "_ Int", "Ġsub stances", "m achine", "!! !ĊĊ", "Ġjson ify", "ib bean", "ĠC ad", "Ġend Time", "Ġc ycling", "ĠUIT extField", "Ġle verage", "Ġvan illa", "e at", "La unch", "( pt", "st ates", "ĠControl s", "ĠRes pons", "ĠJ ake", "Ġas leep", "fort unate", ".next Line", "Size Mode", "ìĿ ¼", "Testing Module", "G erman", "ĠInvest ig", ".re verse", "ĠB ACK", "( DateTime", "Ġnon profit", "ĠEx pect", "Ġt anto", "'] ),", "ĉ the", "M ultiple", "(get Activity", "_W AIT", "Ġj á", "de cor", "lev ance", "ĠGit Hub", "min ation", "_qu antity", ".Sc anner", "ĠL ion", "éĶĻ 误", "Ġd re", "Ġtan tra", "Ġcontent Type", "Ġf id", "_ alt", "NS IndexPath", "- pl", "åĮ ĸ", "Ġantib iot", "table s", "ac ial", "ĠReg istry", "Ġol ive", "ig ers", "Ġsubscri ber", "_p res", "ĠSy ntax", "Ġlo vers", ". Byte", "old ers", "_for ward", "al ways", "C aption", "Pr iv", "ĠT ampa", "is ateur", "-labelled by", "ĠTo String", "Ġì Ĥ¬", "Ġinit iated", "W F", "Ġinstitution al", "in ject", "ĠSc r", "Ġdo ctrine", "Ġsp acious", "is ure", "ĠAn a", "\" time", "ess aging", "Ġc id", "ĠN an", "Ġin complete", "T AG", "-b uild", "Dec ember", "Ġres idual", "(P DO", "ĠList en", "Ġg lyph", "Ġg aps", "ne a", ".R ect", "Ġsa u", "ĠPhot ograph", "Ġexec utable", "ĠExp ert", "Cor outine", "_s izes", "ĠN L", ".is Valid", "); }Ċ", "- reg", "Ġc iting", "c wd", "ĠOtt awa", "ĠB att", "Ġrenew able", "Ġprelim inary", "Ġas ylum", "Ġw rist", "Ġutil iz", "Ġdet ention", "F ast", "Ġan ge", "incinn ati", "Ġste ering", "ĠNa N", "ios ity", "/ page", "Ġè ¿", "ster ol", "Ġdis g", "( DB", "ĠDESC RIPTION", "Ġ_ $", "Ġobst acle", "Ġb izarre", "Ġextr action", "_ex pected", "Ġlos es", "ĠCele br", "Ġhtml For", "Ġexplo it", "олÑĮз ов", "XY Z", "Ġmagn et", "amp ed", "Ġat oms", "S ources", "pect ives", "Ñģ ли", "Ġ= čĊ", "Ġd are", "ĠWal ter", "Ġbright ness", "Ġan notations", "ë ı", "is ke", "S chedule", ". images", "ros so", "Ġ\" ..", "g amma", "Ġin structor", "Ġover write", "- am", "Ġdevast ating", "ĠSaint s", "Ġh s", "Ġbon uses", "$ output", "ij d", "(Action Event", "mon itor", "Ġmatt ress", "Jan uary", ".j p", "Ġcar acter", "Ġim pose", "_re st", "ĠSign ature", "Ġcoron avirus", "ãģ Ĭ", "_com pare", "Me asure", "it ated", "el ijk", "ig os", "es ar", "Ġrush ed", "met ry", "_SE PARATOR", "_W E", "_ATTR IBUTE", "Ġy aml", "Ġspec s", "ĠR ah", "ph eric", "ĠInvest ment", "ä ll", "Ġappe aling", "Ġview port", "ç ©", "Ġmargin Left", "Ġsub tract", "ĠED IT", "ĉ ArrayList", "gr ading", "ĠF ailure", "as per", "EE K", "(n ow", "< object", "ĠAl ignment", "ple ado", "q tt", "( ERROR", "ĠIN VALID", "Ġuser id", "ra ises", "ID I", "Ġvari ance", "ĠN il", "/ delete", "_M AIN", ".T oken", ".C ategory", "> )Ċ", "Coll ision", "ĠGre ater", "ĠR acing", "al an", "Ġmon etary", ", new", "ĠS orry", ". Enable", "ĠInstant iate", "oll en", "ë© ´", "ĠCall ing", "_h our", "AD A", "Ġsh y", ") **", "Ġ== >", "Ġes pecial", "Ġinterpre ted", "! =\"", "Ġpharm acy", ".s ingle", "ĠC ialis", "Ġpar as", ".to UpperCase", "ĠDem on", "Pr ime", "Ġrank ings", "Add ing", "_H ASH", "ĠEx am", "Ú ©", "ĠVict or", "Ok ay", "\"] ;čĊ", "Ġfort une", "ĠF ETCH", "exp and", ".Inter op", "Ġb arn", "æ ¶Ī", "ue vo", "Ġspec ulation", "âĶĢâĶĢ âĶĢâĶĢ", "ĠN u", "ĠBl ues", "(f name", "Ġinhab it", "Ġ\\\" %", "C ES", "ular io", "_c r", "Ġvalid ated", "Ġmid night", "ank ing", "Ġincorpor ate", "Ġpurs uit", "EX P", "pr ime", "P id", "- US", "ĠN urs", "ĠW heel", "é ĺ", "Ġin p", "Ġsupport ive", ".m ember", "ĠSh ot", ".Check Box", "Ġaff irm", "T or", "Full Year", "Ġconsider ably", "cred entials", "_ opts", "R oll", "( round", "Ġcom ent", "_U ART", "Ġext ending", "R G", "result ado", "it u", ".get Session", "Ġattr action", "& D", "$ html", "ĠJess ica", "ĠAssoci ate", "a ñ", "_ ed", "ĠL ag", "Ġorig ins", "()) ->", "add EventListener", "IAL OG", "åIJ ¦", ".Com pare", "Al bum", "ĠK u", "< Q", "arg est", "Ġpro long", "Ġconfig urations", "Ġaccident ally", "_ph oto", "Ġ'' ;čĊ", "Ġver se", "B ob", "Ġfarm ing", "del ivery", "ĠM ack", "Ġuse Selector", ".bootstrap cdn", "keep ing", "en y", ". upload", "ĠM ETHOD", "cre ator", "< _", "ĠE aster", ". --", "UI Button", "ãĤ ī", "om eters", "Ġsh ine", "Ġh ogy", "\\ s", "Ġh arness", ".C ell", "Ġlif ting", "Ġcomb ines", "ĠOcc up", "ex clude", "pat ial", "Ġres pir", "_f it", "Ġfif ty", "ĠM ol", "Ġtun ed", "-d imensional", "Ġq s", "Ġto ps", "> \";ĊĊ", "quis ite", "ch annels", "/ res", "ĠAn alytics", ".app compat", "/ to", "Ġon Error", "( attr", "IR M", "Ġrag az", "- as", ".Se cond", "orient ed", "Ġdon n", "Ġlight ning", "f id", "ĠP le", "ãģ¾ ãģĻ", "t ro", ".Tr ue", "O bservable", "× Ļ", "umb ing", "Ġpros pective", "-f ilter", "Ġpurs uant", "(p oints", ".B ind", "Ġp alm", "clear fix", "ö s", "ĠG onz", "Ġwe aken", "Dr ive", "en ido", "l ld", "ob ox", "ane an", "G ot", "ä¿ Ŀ", "Reg ex", "æ ĥ", "Ġsal ad", "ass is", "\" net", "inherit Doc", "ĠR V", "qu ier", "Ġcl azz", "ı ÅŁ", "oster one", "Ġair line", ".list dir", "Ġdownload ing", "ĠP alm", "w aukee", "& lt", ".B L", "_IN LINE", "off s", "<< (", "_new s", "Ġch ase", "/ ><", "Ġeuro s", "ĠEgypt ian", "ĠSt ainless", "_BO OL", "ĠG uild", "ĠD ynam", "[index Path", "Ġ ï", "Ġmemor able", "ĠCh ampion", "Resource Manager", ".Log in", "ĠForm er", "yp ed", "Ġl leg", "; \",", "D WORD", "Ġtax i", "Ġbom bs", "ra h", ".t ags", "_test s", "st ones", "âĢĿ )", "[ g", "r type", "Ġv u", "Ġhost ile", "Ch ars", "ĠPatri ots", "/ status", "< B", "ĠIn come", "ĠD ad", "Ġpat rol", "_CH ANGE", "Ġup graded", "Ġch ina", "set q", "Start ed", ".U ndef", "Ġcheck sum", "Ġfrustr ated", "{ o", "Ġen f", "Ġwood s", "ĠAny one", "Enc ode", "ĠQt Widgets", "are as", "Ġshe er", "sk i", "end point", "_T est", "S oup", "~~~~~~~~ ~~~~~~~~", "(f iles", "ĉĉĉĉĉ čĊ", ".sp ark", "Ġval ued", "Ġ% Ċ", ".control s", "ĠXCTAssert Equal", "Ġf ame", "ĠR ic", "D OT", "ĠAlbert a", "ä½ ¿", "os al", ".Web Controls", "Ġ ------------", "ĠM is", "ĠS YS", "Non null", "= item", "Ġexp ire", "Dec ode", "_ operation", "ĠValid ator", ".C ENTER", "uff s", "* m", "Ġav ant", "æ¬ ¡", "âĢľ You", ".per mission", "... )", "ĠL ic", "_co ords", ".n ombre", "c lo", ".Int ernal", "ĠCh o", "_s w", "ĉ Il", "cl k", "Ġcast le", "(l ayer", "p it", "Ġgu ided", "Ġâĸ Ī", "Ġsuper b", "Ġsup plements", "_c ent", "Ġpe ek", "IN ARY", ".Content Alignment", "f alls", "\")) ;", "W all", "). čĊ", "ĠD anny", "irm ingham", "IAL IZ", "( create", "\" In", "Service Provider", "Ġpr iced", "mac ro", "am ac", ". box", "---- Ċ", "ãĥ «", "ĠS uit", "ur st", "br u", "ourn als", "num ero", "__ ()Ċ", "D as", "ĠM itt", "ud er", "? \\", "f u", "[ B", "Ġ: )ĊĊ", "(int er", "br ains", "Ġatt itudes", "Ver ify", "Ġsign atures", "ack Bar", "Ġg d", "J ack", ".c at", "Ġz z", "war f", "FT ER", "\");ĊĊ Ċ", "Al ive", "IC LE", "ĠWh atever", "Ġout lined", "s prite", "еР²", "_A B", "_DE PTH", "Ġcrush ed", "aa a", "(e v", "æľ º", "Ant i", "IC O", "is EqualTo", ".s un", "ic ulo", "s ale", "_h ex", "ĠV k", "apt or", "Un ion", "ĠDis count", "list a", ".Undef Or", "Ġautom ation", "N or", "å¯ ¹", "åı Ĥæķ°", "Ġref lex", "ĠLa ure", ".showMessage Dialog", ".t emp", "Ġa kan", "Ġ__ ____", ".Is True", "ARE D", "ag le", "E nergy", "Ġquant ities", "âĢĻ é", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "Ġcitizens hip", "m outh", "Ġin appropriate", "ĠOut door", "White Space", "An onymous", "load s", "webElement Properties", "T en", "Ġacc idents", "Ġadvertis ement", "ĠY emen", "(c all", "Ġsl avery", "Ñģ п", "ĠL am", "_BIT S", "ome ga", "ĠO le", "Ġkid n", "_A n", "ĠR aid", "Cre ation", "s aved", "Ġpro port", "W ARNING", "\\ P", "Ġp wd", "Data Reader", "is cher", "ade on", "ĠP redict", "Ġreason ing", "Ġdestroy ing", "H el", "* d", "ĠLeg isl", "_P r", "ĉĉĉ ĠĠĠĠĠĠĠ", "Ġsymp ath", "Ġch ess", "Ġm am", ": hover", "Ġconvert s", "Ġp ela", "Ġprogress ion", "Ġ\"_ \"", "ĠG ill", "ĉ show", "Ġsupposed ly", "ac curacy", "el in", "Ġunf olding", "ĠHy per", "Ġw anna", "Ġup s", "( #", "ĠCr iminal", "( Point", "at Lng", "act ly", "Ġcontract ors", "'] }", "draul ic", "ód igo", "ĠT T", "ĠW ide", "ĠAR G", "_ ic", "FLAG S", "S chool", "Ġclear ing", "-be ing", "={ [", ", const", "man ent", "Over lay", "(' \"", "éĩ ı", "ĠT imestamp", "Ġmail ing", "ĠC ake", ".Th at", "Ġmed itation", "q p", "Ġemp resa", "ĠL ions", "Ġw eld", "ĠLinked In", "Ġc ush", "Ġgen ome", ".Index Of", "ag ain", "Ġf allback", "Ġcamp ing", "re dd", "-strip ed", "Ġd v", "Fe bruary", "ĠPro xy", "us k", "Ġdies el", "W RITE", "RE AK", "L orem", ".In voke", "- div", "Inter ceptor", "ĠD H", "ia les", "Ġvill ages", "Ø ´", "ĠEN V", "S ys", ".X R", "Ġpo em", "à Ĥ", "c ade", "pl ots", "Ġ{ (", ".g it", "/s vg", "nc mp", "ĠÄ į", "ain es", "åĩ ½æķ°", "Ġ( )ĊĊ", "ops is", "ĠRel ationship", "_ aut", "ĠB omb", "ĉ com", "* sizeof", "off icial", "_p ayload", "ĉĉĉĉĉ ĠĠ", ".m anager", "ĠA round", "ĉs end", "ĠEx ercise", "ĠB illy", "iv i", "Ġneed ing", "_url s", "_t asks", "ĠH em", "Ġtear Down", "enc rypt", ".t ie", "Ġas m", "IC H", "ĠCGRect Make", "ìĦ ±", "ul ong", "Ġit r", "ĠG ST", "Ġoffer ings", "ro be", "EE E", "oper ators", "_PRO P", "ind ent", "A DE", "or f", "ë IJ", "Ġbless ed", "vas cular", "Ġcon oc", "H appy", "B ridge", "ilit ation", "j oint", "ĠAdmin istr", "- transform", "Ġmeant ime", "/ K", "ĠBed room", "Ġrig id", "Ġbrows ers", "EM PTY", ".S erialize", "_ ED", "Ġst itch", "Ġj an", "ell t", "Ġbr ace", "Ġtr ails", "p ublished", "å¯Ĩ çłģ", "} ')Ċ", "Ġac ids", "Ġ! !!", "_d irect", "> ());Ċ", "aj Äħ", "_O CC", "Ġplan ets", "æ Ł¥", "ĠDub lin", "Ġser ie", ".print f", "de ep", "` )", "Ġ\\ $", "ĠÎ ¼", "_V IDEO", "end ors", "ĠC rypto", "F ar", ".Trans parent", ".T R", "ias m", "_tr aining", "Ġteach es", "ĠB elt", "Ġlimit ing", "ĠK ath", "ĠIndex Path", "Ġachie vements", "Ġser á", "interop Require", "Ġdis se", ".I f", "arm ing", "uls ion", "P o", "_DE TAIL", "Prot otype", "ĠC AL", "Ġagre es", ".v o", ".Execute NonQuery", "ĠTop ic", "Ġ' {}", "Ar m", "Ġe cc", "M ag", "Ġserial ized", "ĉ conn", "c ached", "= tf", "ĠByte Array", "prot obuf", "var char", "ĉ ASSERT", "Ġlist e", "_tr igger", "· ¸", "Fe el", "T ahoma", "ĠL ik", "Ġstruct ured", "erg us", ".In itial", "_ ge", "cl js", ".cont act", "Ġand ere", "$ stmt", "_C URRENT", "ĠDis cover", "$ res", "form atter", "H a", "vang st", "Ġem erge", "ãĢĤ âĢĿ", "ĠCabin et", "-s quare", "éĥ ¨", "Ġr age", "ĠA J", "ĠV T", "sh adow", "ĠFa ith", "en ames", "pret ty", "has il", "part y", "Ġvar char", "Ġf otos", "Ġal um", "ĠBelg ium", ".y label", "Ġde j", "_num bers", "Ġh u", ".set Adapter", "ĠUs ually", "(s ample", ".Sh ared", "Ġbook ed", "Ġ>> =", "Ġmin erals", "\">", "pro g", "bo o", "_m d", "_p ack", "(ex press", "ut z", "\\ Auth", ", id", "ĠCh ile", "act ice", "Ġrecruit ment", "Ġpos es", "Ġvulner ability", "inst anc", "or um", "d ess", "Ġx l", "%%%%%%%%%%%%%%%% %%%%%%%%%%%%%%%%", "( fig", "Ġdelet ing", ".d el", ") ')Ċ", "ĠWeek ly", "?? ?", "(str cmp", "sm ith", "Ġpurs uing", "- so", "ĠApp s", "/ 'Ċ", "Ġdec is", "FO RE", "Every one", "Ġl anes", "V irtual", ". attach", "( Log", "ĠMed icaid", "( Path", "ĠTurn er", "/ application", "Ġport rait", "Ġopp ose", "check out", "Ġfinish es", "_M E", "Bar rier", "S ong", "V AR", "Ear lier", "rell a", "Ġh ast", "az ar", "Ġpull s", "ng x", "Ġinspir ing", "Ñĥ Ñİ", "-d irection", "Ġexplos ive", "Ġcreated At", "st o", "Ġwhe at", "ĠB uilt", "' ai", "Ġtrack ed", "ham mad", "RowAt IndexPath", "_ heap", "D ue", "Ġconnect s", ".p ublish", "em u", "Ġbul lets", "B AR", "ol ate", "Ġintern ally", "Ġcatch ing", "-p assword", "ou ched", "æĢ §", "e ous", "Ġx range", "Q uality", "v v", "Man age", "( ($", "ac ements", "ĠBro thers", "ĠHE AD", "ĠUn supported", "s an", "es i", "** *Ċ", "Ġadapt ation", "ĠWork er", "'] /", ".save fig", "( trans", "Ø ¬", "ne e", "Cor rect", "... \")Ċ", "Ġsubmit ting", "-p ath", "ĉ last", "iss an", ".x label", "ĠS epar", "/ no", "_b est", "ĠM ills", "_s ock", "(f lag", "Ġdest inations", "em ption", "ĠF AIL", "å ĴĮ", "Ġr p", "f act", "ĉ len", "D AY", "Ġse iz", "_d st", "l ip", ".Line ar", "ĠB asket", "$ t", "$ i", "- brand", "ĠNe il", "ĠE q", "Ġth ou", "og ene", "Ġscholar ship", "æĽ ´", "Ġs wo", "ag inator", "en i", "( book", "Ġbl ink", "th us", "Ġcancell ationToken", "ĠPalestin ians", "Ġprofit able", "Ġback pack", "ens on", "< Long", "Ġp ools", "Ġst icks", "Ġspokes woman", "Be ing", "ĠHer itage", "ĠN ike", "SH A", "ĠNotImplemented Exception", "$ core", "ĠR ico", "/ latest", "ĠC zech", "ner Radius", "(l ines", "Ġsem ester", "Ġw ounds", "Pro cedure", ".m ail", "() ):Ċ", "Ġcor rid", "ter ed", "ĠN CAA", "Ġgal axy", "_k ind", "il k", "Ġtr as", "_P OL", "ĠH et", "Ġrefuge e", "Ġteen age", ".b inding", "post al", "Ġiç in", "ĠData Type", "é ĸ", "ycl erview", ", value", "_id entifier", "< b", "Ġout file", "čĊ ĠĠĠĠčĊ", "Ġcr é", "Ġrespond ents", "ĠBe ast", "ce led", "Ġinter f", "-th eme", "g if", "ĠR angers", "IT AL", "Ġauthentic ate", "Com pletion", "urs ors", "Ġcin ema", "Ġdisc our", "ĠJ aw", "OCK ET", "Ġpr ayers", "ĠL uis", "fr ag", "=[ Ċ", "Ġbr ave", "_p ose", "C ertificate", "- fe", "ifer ay", "ĠFl ags", "Container Gap", "ĠC rit", "Result Set", "ĉc ur", "Ġcorrespond s", "St aff", ".Http ServletRequest", "Ġneur ons", "ĠMain AxisAlignment", "ed ar", "Ġg ad", "_p arts", "ĠÎ ²", "Ġf x", "/ files", "ĠB ros", "hip s", "Ġgluc ose", "Ġfar ms", "Ġment ally", "rest aurant", "Table Name", "ĠMer cedes", ". Visual", "Ġan ch", "inal g", "_r untime", "Ġpropri etary", "Ġintent ions", "iz i", "S lice", "; \"> true", "ĠNY C", "Ġb ored", "ĠD etect", "Ġapp ar", "Ġje ans", "ĠT ak", "I OD", "ĠH orse", "( FILE", "( ?", "ri que", "optim izer", "n at", "lo ys", "ĉ Token", "oub ted", "u ess", "oco a", "Data Member", "_P OWER", "class List", "Push Button", "ĠWi Fi", ". Stream", ".g uild", "Ġn og", "ĠPortug al", "ĠUnt er", "Pr imitive", "b oss", "ĠDe utsch", "Ġerot ic", "Ġstr conv", ".Try Parse", "Ġgr ams", ".S uccess", "_p k", "ĠHar vey", "-m inded", ".c ountry", "[] \"", "Ġang el", "Ġbe ats", "ĠV or", "il io", ".m aster", "s omething", "ĠP ACK", "( if", "Request Body", "Ġant es", "/w idget", "Ġmod o", "ĠA W", "find er", "Ġoptim ized", "Ġmiss iles", "N B", "ĉint ernal", "t ex", "ĠS ri", "Ġdam aging", "ĠM ais", "- Allow", "ĠZ h", "- alt", "Ġ ));ĊĊ", "è ī", "Ġinflu ences", "Ġc atal", "_REG ISTER", "ĠAPI s", "-cent ury", "Ġbi ology", "ĠAct ual", "Ġhe els", "TR ACE", "_D IG", "D ataset", "ĠM atter", "Ġclass ifier", ".w ikipedia", "ĠRog ers", "Ġdon ated", "raw ler", "en en", "Ġcas inos", "ort al", "Ġpr ive", "s pe", "duc ers", ". ep", "Ġgr asp", "ac ji", "Ġd airy", "Ġb uses", ".com m", ". ins", "ĠI RS", "ĠBe er", "ad c", "o ard", "_M ET", "Ġ' +'", "r ans", "Ġkind a", "ĠâĶ Ĥ", "ĠM aur", "аР³", "Ġband width", "ib us", "ĠD ifferent", "(m at", "ĠRes ume", "_UN S", "est ablish", "Ġfon ction", "Sub scription", "_com pany", "Ġlight ly", ".con firm", ".y aml", "ĠBo ost", "Com merce", "- template", "_DEL AY", "ĠH I", "Ġn avig", "(S ender", "ĠH S", "_ \"+", "ĠRE QUEST", "Ġw ifi", "=\" \"Ċ", "]) ->", "Ġro pe", "Ġviol ated", "Ġgl ance", "ĠK urd", "Ġè ®", "de ck", "ĠIS BN", "Ġin fect", "ĠF oo", "Ġget ter", "Ġt ener", "ap pe", ".h h", "_h ot", "< AM", "p oly", "! \",Ċ", "Ġconver ting", "ĠW WE", "RO S", "(' {", "Com mit", ") L", "ĠO re", "Ġsp arse", "Ġdis posal", "Ġcan celed", "åIJ İ", "Ġa er", "Ġvin yl", "á» ĥ", "rec ogn", "ark ing", "Ġtrick y", "* s", "Ġproceed s", "Ġis o", "Ġco conut", "Ġcraft ed", "IEL DS", "Ġquest o", "Ġcomm un", "_CON NECT", "Ġtraff icking", "De ep", "a ções", "c odigo", "ve au", "Ġbet ray", "int a", "T ED", "æ r", "m art", "_B US", "/ sc", "ial ly", "Ġcigaret tes", "è¯ ģ", "(n n", "Ġmodel ing", "/ products", "w arn", "Ġmet ro", "ĠI v", "& )", "ĠC able", "Î »", "Compar ison", "g ary", "ĠB A", "P ART", "Ġp v", "_up dated", "C redit", "orth y", "observ able", "Ġthe atre", "B LE", "; }ĊĊ", "la unch", "_str ings", "ug o", "ĠR PG", "- auth", "Ð ł", "hol m", "ĠP and", "U id", "Ġim ply", "ìľ ¼", "'] ='", "/ User", "Ġstr cat", "нÑĭ й", "Data Adapter", "Ġland sc", "Ġdipl omatic", "ï¼ ĵ", "************************************************************************ ****", "ĠCh icken", "Ġbc rypt", ".In f", "[ col", "ĠQu antity", "- position", "Ġdiet ary", "Ġfil mm", "Is rael", "Pre v", "ĠMill ion", "Ġrem ed", "Ġbill ing", "Ġout doors", ".t m", "Ġn ad", "F org", "Z Z", "Ġs sl", "], '", "K T", "f req", "= document", "bl ur", "¬ ¸", "ĠJeff erson", "C s", "(s ave", "Ġstr ap", "Ind ia", "Ġide ology", "BO SE", "ĠF P", "( ans", "Ġfe ver", "ĠY am", "K ing", "à ²", "AT ING", "bo hydr", "roll back", "Ġnew Node", "ĠN VIDIA", "Ġhon our", "ĠCon firm", "xb d", "Ġsuccess or", "/ u", "l iv", "ourn aments", "Att achment", "Ġgr up", "Ġtri be", "Ġca res", "e ft", "_s ame", "' label", "Ġ ãĢIJ", "M otor", "Ġin exp", "Ġ\" (\"", "_POS ITION", "Ġval ley", "ĠResult Set", "Ġpres erved", "Ġmut ations", "Ġquestion ing", "mun ition", "parse Int", "ĠS r", "ĠMet adata", "âĢĿ ï¼Į", "timestamp s", "Ġtrans itions", "í Ļ", "Ñ Ĭ", "i om", ".D o", "Ġp ine", "Ġf ung", "Ġtrans mitted", "ct ime", "ĠF am", "Re vision", "B as", "UP ER", "D estination", "toHave BeenCalled", "Ġun fortunate", "IN ES", "_pro f", "Am ong", "ĠCy ber", "ĠB attery", "gen re", "ĠView Model", "- =", "Ġutil ized", "p aint", ".Integer Field", "ern ity", "comp iler", "âĢĭ ĊĊ", "ĠM asters", ".To Array", "Ġstrt ol", "ĠUkrain ian", "} ));Ċ", "Ġsh emale", "\" That", "for all", "/ download", "Ġrhet oric", ".l atitude", "ĠWH EN", "Ġshock ing", "IF IC", ".N ormal", "_F OLDER", "Ġdr ift", "Ġmount ing", "- book", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ċ", "ĠWire less", "> \".$", "Ġrel ies", "( Console", "Int ernational", "-> {$", "M id", "Ġdis sert", "dd s", "Ġdepos its", "ĉd river", "# ga", "pr ising", "print ln", "Ġpres enter", "Ġmin es", "C SS", "ĠD ual", "(! (", "Ġk am", "Ġis Loading", "ĠProt ect", ". upper", "ar ium", "]: ĊĊĊ", "Y ii", "-sh irt", "ĠIM AGE", "_color s", "Ġur gent", ".Cont ainer", "! (Ċ", "S aturday", "Ġsoci eties", "ĠTh an", "ĠC od", "= @", "Ġattach ments", ".m obile", "Ġsp ite", "Ġb ounce", "raw l", "instanc etype", "ĠTr uck", "Ġmanip ulation", "( Config", "-in st", "Ġst or", "it ution", "Preferred Gap", "Ġmain AxisAlignment", "Ġlist ened", "'' 'ĊĊ", "ott age", "- project", ".AP PLICATION", "ĉ root", "Ġwh it", "Ġb ilder", "Ġk er", "Ġappl iances", "row ave", "ìĿ Ģ", "ematic s", "ĠO rg", "op ing", "_SE ARCH", "Ġch am", "add ContainerGap", "Ġ( ).", "ĠAr row", "Il legal", "Current ly", "Ġus a", "Ġpassword s", "Ġre nown", "av ern", "ĠEv il", "Ġconc at", "Ġdu o", "Ġv ale", "ĠBe an", "Ġindic ators", "cm ath", "ĠP ump", "Nov ember", "ific ant", "_DOM AIN", "reg ar", "ĠPort al", "\" $", "Ġformer ly", "\"] :Ċ", "ĠVis ibility", ".getElementsBy ClassName", "_RE D", "Ġch ampions", "à ´", "Val or", "_ es", "* a", "-re peat", "B and", ".st age", "Ġbure auc", "C nt", "et en", "- function", "Ġm uito", "P ID", "_ editor", "Ġcrash ed", "de ad", "k at", "ag h", "ĠEX T", "ass er", "-sm all", "Ġreal iz", "( Entity", "ú s", "ĠAct ually", "ĠEl ite", "Ġhel m", "(non atomic", "ash er", "Comm unity", "all eng", "ir y", "ĠG rowth", "Ġs ue", "Ġfrequ encies", "_des criptor", ".At tribute", "Ġrecip ients", "_N S", "/ \"+", "ib an", "Ġath lete", "ĠI gn", "_D MA", "(d s", "ĠRequire ments", "AD I", "ere z", "\\ Admin", "br aska", "ĠR ust", "Rel ation", "C OD", "ĠV ERSION", "em ma", ")) {", ".D uration", "ĠC amb", "- logo", "Ġread able", "Ġcre ators", "() ];Ċ", "Up Down", "-h alf", ".get Month", "(s f", "P ic", "Ġhun ger", ".t x", "Ġexceed ed", "_se ed", "( ^", "_s k", ".per form", "Ġ> ::", "Ġm ongo", "= float", "bind Param", "Sm art", "if a", "Ġse curities", "Ġpre jud", "Ġ, \"", "Ġcor ps", "Ġv ra", "amac are", "it err", "(M edia", "uch e", "Ġc ob", "Ġlib er", ". geometry", "Loc ator", "Ġsl iding", "Ġsurg ical", "_C UR", "Ġcon sect", "[ *", "ĠRes ort", "St ub", "_DO UBLE", "ĠS oph", "Ġelect oral", "_dis able", "ĠÑģ о", "ĠLight ning", "Ġment ions", "oc y", "Ġle aked", "Ġrelax ing", "Pres enter", "v sp", "Ġgu ilt", "=- =-", ".re ply", "ĠMir ror", "C amp", "Ġ+#+ #+#+", "Ġ+#+#+#+ #+#+", ".A uthor", "Ġdirect ive", "-h ook", "íĦ °", "}ĊĊ ĊĊĊ", "@ pytest", "_r and", "m is", "Ġcolor ful", "u je", "lass es", "ĠClass es", ".h ave", "% ),", "é¢ ĺ", "Ġdistur bing", "sub string", "ĠK oh", "In vest", "p urchase", "Ġrec ycling", "ĠA RT", "ier archy", "Ġf ps", ".check Box", "íķ ´", "_m aterial", "duc ation", "Ġf w", "ud it", "Ġreview ing", "ĠS id", "S yntax", "ĠW ritten", "arg ar", "UM E", "/ q", "Class ifier", "Off icial", "Ġj azz", "Ġom ega", "Ph ysics", "Ġl ugar", "_access or", ".command s", "Ab ility", "ĠB atch", "R AM", "Ġencount ers", ". Qu", "BY TE", "ĠD istribution", "Ġus o", "ĠReco very", "appro ved", "Ġden ial", "/sh are", "Linked List", ")čĊčĊ čĊ", "udd y", "Ġf ines", "Ġr y", "Un icode", "ĉ render", "Ġprem ises", "Ġp on", "ali ases", "/F oundation", "c uda", "ĠC ock", ",: )", "(f older", "Ġm éd", "dr ag", "Ġtal ents", "ĠĠĠ ĊĊ", "е ÑģÑĤв", "m ob", ".y ml", "Ġa ster", "Ġdis cre", "go al", "ĠGT X", "ĠS UCCESS", "ĠL ONG", "(f ind", "Ġsing ular", "_s z", "ĠEth ereum", ".. Ċ", "Ġir res", "')) {Ċ", "Ġmin isters", "St eps", "ivers al", "ĠNever theless", "- led", "Ġ( %)", "ç¡ ®", "Ġtime zone", "Ġstr anger", "(re nder", "Ġsh util", "Ġm ph", "Ġtri o", "pp y", "Ġpred omin", "Ġend ors", "ĠRuss ians", "ĉ row", "Ġw izard", ".s erialize", "Ġcompl ained", "Ġs ido", "Ġdelight ed", "-m e", "ĠR av", "H uman", "ad ays", "rec v", "Work ing", "J ump", "ĠÃ¥ r", "ĠAut omatic", "_B ase", "æł ¼", "aur ants", " ¯", "æ ¸", "(C Type", "IF I", "( amount", "Ġbelie ving", "= mysql", "Ġf ir", "Ġrest oration", "ere co", "Ð ¢", "_ '+", "Ġe book", "Ġde bris", "(input s", "AY OUT", "Ġscre aming", "av ia", "land er", "Ġdist ress", "Ġas sembled", "ĠA void", "( thread", "ĠR PC", "_EX IT", "( queue", "и ÑģÑĤ", "D ll", "Ġsk ull", "_p ub", "che z", "min ate", "ens en", "Ġins ane", "b ounds", "ĠR osen", "Ġcondition ing", "process ed", "v ideos", "f our", ".Con v", "| ;Ċ", "Person al", "cer pt", ":UIControlState Normal", "Ġdos es", "ĠKar l", "ĠFre qu", ".B ASE", "ĠV ote", "Ġcon current", "ĠMessageBox Icon", "Ġà ĸ", "ĠDub ai", "ĠR etail", ": number", "ĠOb server", "ĠBig Integer", "_ origin", "_W ORK", "F rames", "Ġnot ably", ". âĢľ", "Ġtrop ical", "Ġn iche", "am ina", ".s ys", "(t okens", "mod ify", "os it", "st rom", "ĠCom ics", "O PTION", "T icket", "Ġfact ories", "Ġdis put", "_F ile", "ĠFin n", "ee e", "ĠDisc ord", "_m oney", ".t pl", "_s afe", "L B", "Ġgl ut", "J K", ".fl ow", "- cont", "g os", "Ġhor izon", "ĠR ush", ":: *", "P ipe", "ull a", "bor ough", "he imer", "(m ove", "( Text", "} );čĊčĊ", "w elcome", "ĠCom ponents", "Ġgovern ance", "c losed", "ĉm argin", "Ġla undry", "ĠTerm inal", "iz ards", ". âĢĶ", ".rem ote", ".r adius", "ĠQue bec", "Ġd h", "T ech", "ĠM ist", "s eller", "_l iteral", "Ġgen ius", "Ġbr ains", "g em", "ĠMe asure", "Ġcata st", "r ance", ".Text Field", "Ġconsum ing", "Ġ'\\ ''", "oubted ly", "ĠC ertain", "E v", "ert i", "be ing", "Ex perience", "Ġ// [", "ĠArab ic", "ĠC rist", "ĠAz ure", "Ġhor a", "l adesh", "\\ Blueprint", "d ar", ".re l", "Ġsup rem", "ĠRe agan", "ĠAt tributes", "-s idebar", "Ġuse Styles", "ĠA irlines", "Ġh ills", "/x html", "v inc", "_m ock", "Ċ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ", "ĠP ill", ".Layout Style", "ĠCommand er", "] <", "sign ature", "Ġ{ }čĊ", "Ġhat red", "Ġë ĭ", "ole sterol", "Ġ ********", "ancell or", "c rop", "T IM", "ĉĉ ĊĊ", "ys qli", "uit ive", "ĉun set", "_s el", "Ġmen us", "t ick", "Ġconstit ute", "ĠElement s", "ĠRed is", "agg io", "_f p", "_de pend", "em as", "CA ST", "or ange", "j on", "ĠEm ily", "Ġpot atoes", "Ġre ceptor", "ĠElect ronic", "ĠL ights", "Ġcomb ining", "ĠSome one", "Ġ######## .", "ĠT OD", "/ show", "X d", ".\" '", "af x", "Ġtr agic", "St yled", "ĠMar co", "G allery", "d ale", ".âĢĿ ĊĊĊĊ", "é rie", "/s ervice", "äº Ĩ", "Ġamb ient", "_SET TINGS", ".Ad apter", "l ene", "Ġtrav els", "Not ice", "Ġcle ans", "ĠF em", "ch air", "Ñĥ н", "/ my", "_b ad", "ĠEcon omics", "IS A", "_C NT", "(M enu", "äº İ", "ĠR idge", "Ġlength y", "D ot", "Ġjump s", "Ġhe y", "$ pdf", "Ġw orm", "Ġs ut", "Ġsh er", "iam o", "ĠCal c", "trie ve", "Ġc ops", "ĠCh rom", "Ġreg ulated", "reat ment", "ĠHigh er", "ok s", "Ġde ze", "LOC ATION", "ongs To", "Ġfin ite", "Ġvar ies", "Ġposition ed", "' il", "éĩ ij", "Ġh ike", "(d one", "play list", "Ġad a", "Ġcoast al", "ĠN ancy", ".DateTime Field", "Cpp CodeGen", "ĠSimilar ly", "re ur", "ĠCon tr", "ĠH idden", "ĠB eta", "atch ed", "_inst all", ". Output", "Look up", "ĠRich mond", "qu ared", "Ġm anga", "-control s", "ĠBern ard", "L arge", "Ġslic es", "Ġoff ence", "ĠM ega", "Ġest ar", "Ġjoint s", "Ġsum m", "_pl atform", "B uff", ".add Subview", "Ġret ained", "Let ter", ".d im", "Ġess ere", "ĠS caffold", "EX PECT", "ĉ RE", ".long itude", "ü nd", "Ġstat ue", ".add Widget", "ĠCar ibbean", "add PreferredGap", "il de", "UIL abel", "ĠOp port", "Ġimper ial", "urs ion", "Ġmand ate", "Ġpromot ional", "Ġv k", "ia ÅĤ", "Ġp yl", "ĠCre ation", "оз д", "Ġsim pler", ". what", "ĠRec ent", "St orm", ". quantity", "ĠL ov", "\" -", "ubb les", "_not ification", "(w orld", "ur ger", "* (-", ": \"Ċ", "h m", "ans hip", "ĠAl most", "Ġmotor cycle", "_f ee", "Ġabsor b", "ĠVin cent", "Ġsound ed", "ÃŃ st", "Ġpharm aceutical", "ht ag", "ĠKind le", "ital ize", "ĠEm peror", "oust ic", "Ġspecial ists", "åħ ¬", "Border Style", "/ \\", "RE LATED", "(', ',", "(ex pr", "Ġh t", "åį Ī", "_C reate", "Ġspecial ly", "Ġ[] ;čĊ", "Ġhe el", "Ġse pt", "_ arch", "(in itial", "% .ĊĊ", "\\\", \\\"", "Ġdiscuss es", "Ġu pt", "Ġ[ &", "Ġman us", ".h and", "ĠM AIN", "ĠDen mark", "Ġ], čĊ", "Ġcr yst", "Ġn ack", "Co ords", "_in ner", "Ġmid st", "Ġaw ake", "ĠÐ ŀ", "-b reak", "ÃŃ vel", "_P ASS", "ĠParam s", "Ġdet r", "Ġsp ider", "ĠCon cept", "Ġpre nd", "CH ED", ".Ex it", "Ġpop ulated", "Ġvirt ue", "_SE SSION", "Ġnou vel", "o auth", "Ġд аннÑĭ", "r ink", ".Header Text", "atur ated", "Ġer st", "Ġå ħ", "ॠĩ", "_vis ible", "ey er", "Ġli able", "Ġde be", "Ġb w", "{- #", "_W IN", "df s", "H over", "ĠP UT", "- angle", "Ġnob le", "Ġtr aces", "enc v", "Ġuser Data", "_in s", "ĠS uz", "Ġnews letters", "ĠMod i", "Ġentreprene urs", "Ġtrib ute", "Ġrum ors", "Ġr r", "ĠQu arter", "ê³ ł", "Ġfeed s", "ó g", "Ġen velope", "Ġle ar", "Ġk ø", "develop er", "Sim ilar", ": \")Ċ", "sub scription", "Mod ifier", "ital ic", "Ġn asty", "Ġtermin ation", "Ġchar ming", "Ġâ Ł", "ton s", ".tr ace", "h ots", "ĠU R", "M ont", "Ġjust ified", "ĠG ang", "ine a", "Ġb og", "( ap", "_ $", "Ġcont amin", ".D ot", "ĉ Debug", "( exports", "Ġpa ired", "ĠAss ignment", "Ġautom obile", "ĵ į", "Ġph ases", "v w", "@ SuppressWarnings", "= \\", "r ant", "- ed", "ĉ await", "Ġcert ificates", "'> \"", "Ġint act", "CT RL", "M ike", "greg ation", "AT TERN", "Ġre public", "_up per", "ili ary", "Ġcomput ation", "h ire", "ĠSh in", "_ ANY", "ĠManufact urer", "ĠC arm", "Ġbear ings", "_c omb", "c ad", "ur istic", "Ġwholes ale", "Ġdon or", ".inter faces", "press o", "ĠBr un", "-c lose", "pro ve", "_S K", "ĉf rame", "et ros", "ĠP ain", "_EX P", "ĠL T", "_f s", ".dat as", "ĉ ss", "vo ir", "ĠA xis", "M ajor", "=\" <", "[ h", "Ġprof ess", "igr ate", "(s core", "Key word", "\" os", "ĠĠĠĠ ĉĊ", "an alysis", "Ġre play", ".p ass", "\\ d", "t ls", "Ġsan ct", ".l ight", "_m obile", "ÑģÑĤ ÑĮ", "ĉt otal", "u ity", "Ġpa used", "N AS", "Ġen core", "lo e", "Ġ-* -ĊĊ", ".h igh", "am pler", "ĠSec ure", "Ġfrag ments", "_ vel", "ill ary", "ĠSte in", "ĠD awn", "Ġmax imize", "ภ¢", "Ġ/ ^", "Ġcontin ually", "Ġsh adows", "ĉ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "ĠI ActionResult", "Ġinform ación", "C HECK", ".Selected Item", "b undle", "ol ley", "< Int", "AIN ER", "ĠW ing", "tit les", "ount ain", "C Y", "ĠLoc ale", "form er", "< context", "R adioButton", "_s chedule", "Ġfab ulous", "Rob ert", "_PRO FILE", "Ġg ates", "IM P", "ĠPent agon", "g old", "b ach", "employ ees", "R otate", "Ġch amp", "Ġsel bst", "Al tern", "Ġconvert View", "/ ,", "Ġ~ (", "St reet", "_ place", "Ġpersonal ized", "P ublisher", "ĠSO CK", "_NAMES PACE", "ĠStand ards", "so ever", "_C ENTER", "Inter est", "ô t", "tem perature", "View port", "get Resource", "Ġeat en", "Ġsem pre", "Ġab normal", "Ġc ylinder", "Ġtroub les", "n od", "Ñĭ в", "g ames", "_g l", "Pl ane", "g rey", "_t bl", ".Component Placement", "ĠCh ase", "Log ging", "man y", "ì Ĩ", "Ġfl ame", "=\"<", "Ġtra jectory", "_r ing", "Ġhydro gen", "tr on", "Ġstat ute", "Ġcondition al", "Ġtr ay", "-s chool", "(w idget", "$ config", "Ġrequest ing", ". uint", "et on", "brit ies", "Of Type", "AD MIN", "p redict", "Ġg egen", "ĠH app", "OC UMENT", "ĠA part", "Ġ---- -", "ro e", "u ide", "just ify", "ĠSqu ad", "Ġprof es", ".b ot", "_c urrency", "inn en", "ĠM umbai", "ĠNum bers", "avana ugh", "agn itude", "âĢľ There", "= http", "çī ĩ", "Ġv b", "+' {{ $", "Ġin ode", "s il", "Ġh ace", "Ġsever ely", "ĠOver view", "Ġspr aw", "Ġbeach es", ": left", "· »", "($ {", "ĠF IRST", "ĠSp a", "- ass", "Ġb aise", "ĠN ODE", "ĠP izza", "P et", "(se q", "\\ \">Ċ", "CppMethod Pointer", "Ġv p", "Ġi a", "_se conds", "em et", "/b lob", "_TH RESH", "... čĊ", "D est", "ĠN H", ".data Source", "it és", "ĠJ ak", "s ell", "Ġwork shops", "< u", "Ġr ivals", "ĠEX ISTS", "h om", "-t oken", "compat ible", ".J Panel", "Ġphys icians", "art in", "Ġdes irable", "Ġdistinct ive", ".D ep", "g id", "ili ate", ", max", "Ġprem iere", "Ġq Debug", "Ġadvoc acy", "Ġwh isper", "P t", "Ġun changed", "_q ty", "请 æ±Ĥ", "Se ason", "avel ength", "ĠP ul", "Ġd ÃŃa", "'] ]],Ċ", "al is", "(\" &", "bor o", "Ġb m", "ĠR adi", "w rong", "ĠGo ing", "ime Type", "ij i", "- feedback", "ĠN ames", "ĠB apt", "Ġprob able", "ĠE ther", "ĠPolit ics", "_prot ocol", "lin ing", "S at", "Ġcor rel", ".Pr imary", "(null able", "RI ORITY", "Ġcolor ing", "Ġutil izing", "d as", "Ġexport ed", "Ġcar riers", "Con v", ". editor", "i ó", "(h andles", "Ġapprec iation", ". import", "ĠAust ria", "ĠStr ip", "il ight", "Ġappropri ately", "ĠP rest", "ĠW ir", "ĠUI Application", "al chemy", "ĠM ob", "ĠD etermin", "ergus on", "register ed", "_con vert", "ĠVlad imir", ".Show Dialog", "ref lect", "Ġsh ook", "Ġass ure", "ĠO ften", "Ġcivil ization", "Ġvocab ulary", "fore ground", "ĠS cope", "Ġunw anted", "act ing", "Ġ( []", "Ġmark ing", ". original", "ĠMO VE", "Ġsport ing", "ception s", "NS Number", "S izes", "Ġprovinc ial", "_Tr ans", "Ġproblem atic", "d igit", "ĠEm ma", "lock s", "ĠC rew", "ib a", "') :", "ish a", "Ġm amm", "Ġocc ured", "w cs", "(r ule", "Ġmerch andise", "es pecially", "ĠT win", "Ġn aming", "Ġs log", "Ġimpro ves", "Ġad her", ": text", ".h adoop", "_HT TP", ".to List", ".dis abled", "Ġl enses", ".in i", "ĠR are", "ĠUb untu", "Ġsc ram", "ol ation", "tit ulo", "Every thing", "Ġnod ded", "icht ig", "_const ant", "z c", "l ift", "ĠNot ify", "ond o", "ĠIN F", "(\" +", "ĠK az", "Ġd read", ".m apper", "le ur", "ĠCome y", "ĠN B", "ic ers", ".P ush", "ĠH ack", "ĠBrazil ian", "_pro d", "Ġ// ĊĊ", "Ġb icycle", "Ġun available", "Ġadoles cent", "bl k", "Ġmit ig", "_bl ue", "ì ĺ", "fade In", "ĠUtil ities", "ĠM N", "; k", "< style", "- status", "ind o", "Ġinn ings", "Ġg j", "Ġ|| =", ".e u", ": Number", "Ġcuis ine", "ĠURL s", "ie k", "Ġw ires", "ĉ ps", "ie g", ".m k", "so ap", "Ġsom etime", "Ġst ap", "_s eries", ".T arget", "æ º", ".dest ination", "OUN TER", "R aises", "& A", "Ġsmart phones", "NI Env", ".s dk", "Ġhelicopt er", "Ġim pe", "ĠB irth", "A U", "b readcrumbs", "co ords", "Ġexplo red", "Ġl od", "ĠI p", "g able", "ian e", "Ġart ifacts", "Box Layout", "ا ر", "list ener", ".c art", "ĠH uff", "ĠHind u", "ĠData Types", "ĠDr upal", "IGN ORE", "Ġoffset s", "ĠR TC", "- login", "æ ®", "ĠQ Object", "Ġprosec utor", "R ock", "_ch at", "W ay", "ì ²", "Ġneg lig", "Ġd ude", "; <", "Ġdeleg ates", "_f ailed", "/ dev", "/ work", "( New", "et able", "() \"", "( Icons", "Ġp ork", "ĠModel AndView", "ĠV IP", "ĠK or", "m ix", "Ġox id", "ĠSC REEN", "ĠFour th", "/ \",Ċ", "Ġte e", "ĠSte vens", "t icks", "Ġp ledge", "ib bon", "ĠLo an", "Ġne o", "n umpy", "ĠShared Preferences", "- oriented", "ĠLogger Factory", "ĠGraph QL", "zen ia", "\" _", "W omen", ".c ast", "Ġdeliber ately", "+ b", "ĠAr n", "font Size", "Ġm aze", "Ġbl amed", ".m as", "} )čĊ", "eler ik", "Ġsc anning", "ĠWork shop", "Ġfind en", "Ġca ut", "UI Font", "( return", "al in", "cast le", "//////////////////////////////////////////////////////////////// ////////", "Ġincent ive", "op ath", "b lob", "Ġcigaret te", "Ġfert il", "*/ ĊĊĊ", "ĠSh ar", "Ċ ĠĠĠĠĠĠĊ", "Ġunc ertain", "ĠS ton", "Oper ations", "ĠSp encer", "Ġdef in", "ĠS olo", "on est", "·» åĬł", "Ġu omo", "G ive", "Ġdent ro", "; padding", "ent ai", "ĠC ars", "Ġenthus iasm", "ĠOper ating", "S kip", "par ation", "Ġprotect s", "Ġre ver", "d g", "ĠC incinnati", "Ġconsect etur", "Ġm uss", "employ ed", "a uses", "ink le", ". Values", "£ ¼", "lo v", "_W ARN", "Ġbook mark", "ĠAp ollo", ". axis", "Ġm ét", "Ġop ener", "Ġtum or", "d an", "Ġelement ary", "Ġsk ipped", "ĠK er", "as ia", "_res p", "Ġdem ol", "ĠCan adians", "Ġt astes", "U Integer", "Ġ' ${", ".aw s", "RO ID", "ri ans", "M Q", "ord able", "Ġcous in", "Prop agation", "(S ession", "ph alt", "UL D", "ĠSc alar", "Ġblo ody", "Ġ à¦", ".m ask", ", q", "ĠUn its", "Ġcent res", "ĠPr im", ". ]ĊĊ", "ĠSh aw", "P rom", "ĠTh ought", "Check er", "_output s", "( chan", "E INVAL", "Ġb ob", "_c mp", "P ed", "Ġmat rices", "Ġvrou wen", "Ġgenu inely", "high light", "(d isplay", ") !=", "Ġdel icate", "ĠL uther", "ĠM iles", "Ġuser ID", "% =", "ate urs", "_B UF", "---- ---Ċ", "imit ives", "Ġsh elves", "sl ow", "_in formation", "LE G", "W r", ".form s", "cel and", "/ un", ": &", ".âĢĻ ĊĊ", "=\" %", "Ġpro st", "Ġfont size", "uc ión", "get ic", "am t", "=\" .", "Dec or", "B rit", "Ġ\"\" ).", "Ġfound ing", ".File Name", "ĠT ier", "Ġdisc lose", "á m", ".s yn", ".View Holder", "lic ant", "_st age", "Mon day", "Ġdes erialize", "t alk", "Ġtradition ally", "æĢ ģ", "Ø ®", "LE X", "Ġe h", "ĉ ROM", "Ġ{ })Ċ", "Quest ions", "nc py", "Ġfix ing", "к Ñĥ", "_ Key", ": x", "ĠSTR ING", "ĠÑĦ ай", "ĉ left", "ĠBen ch", "ell ij", "UR RED", "ĠDi agram", "} catch", "/ time", "ĠMiss ing", "db name", "Ġs ore", "ĠW alt", "ugg ing", "rep resent", "ĠG S", "ne ys", "ĉ page", "Ġvol can", "(b tn", "Ġexceed s", "Ġ erg", "Ġpil ots", "ĠS ed", "ers ions", "Ġpat ron", "R V", "/ top", ". asset", "_c ross", ". Editor", ".t b", "Ġwel coming", "SC REEN", ") findViewById", "C oder", " \",Ċ", "_P in", "ues e", "Ġover rides", "_ ready", "Adv anced", "Ġop i", "-c art", "(\"/ \",", "ĠDe b", "CR Y", "ĠVert ical", "ĠO VER", "ĠCorpor ate", "Ġ\"\" ;", "Ġste pping", "e j", "Ġaccus ations", "Ġor az", "_t ail", "Ġindu ced", "Ġel astic", "Ġbl own", ", //", "Ġbackground s", "âĢĻ une", "-s dk", "Ġset Interval", "Ġincent ives", "Ġveget able", "_ On", "exp anded", "p ix", "_sh ader", "ĠSP DX", "@ example", "ĠW rapper", ".Z ero", "Pos itive", "Ġsp inner", "Ġinvent ed", "ĠG ates", "оÑĤ оÑĢ", "Ġcompar isons", "è ·", ".pr imary", "data Provider", "add itional", "ĉ options", "s napshot", ".set Horizontal", "Ġ\" {}", "ĠFish er", "hal ten", "< Type", "Ġmax Length", "ĠM t", "Ġê° Ģ", ".jet brains", "Ġident ifies", "Ġflow ing", "ĠDisc ussion", "ats by", "Ġsch w", "ught y", "Ġr ivers", ".un ique", "_PH Y", "ed ral", "( ll", "Ġcs rf", "pp ers", "ü l", "ĠEs pecially", "port ed", "ĠHarr ison", "****** */Ċ", "Text Color", "ìĬ µ", "w ire", "Ġstatus Code", "ĠFin ish", "c ence", "ĠMcC ain", "ĠW or", "( await", "Ġ) ->", "ĠRegister ed", "IN ED", "k al", "par ison", "Ġobj eto", "V i", "mand a", "Ġrenew ed", "ĠS of", "ess el", ".nd array", "Ġcr ap", "ç® ¡", ".ab spath", "( up", "Ġclear ance", "ĠT W", "_C OPY", "ĠĠĠĠĠĠĠĠĠĠĠĠ ĉ", "Ġforest s", "Ġarg uably", "ĠA SS", "he y", "am el", "_f ore", "ĠSou theast", "Ġab used", "Ġpract icing", "aked irs", "ä¸ »", "_res ources", "Ġp ond", ".F ixed", "Last Error", "ĠPsych ology", "Ġ\" //", "! :", "Re usable", "Ġmens aje", "Ġro spy", "Ġb our", "Ġvar ieties", "Ġem path", "(( {", "_ org", "ĠM es", "ĠMag ento", "IST ORY", "Un less", "Ġh j", "ĠD uty", "J un", ", size", "Ġpaint ings", "Ġdisp ens", "d art", "Ġbehavior al", "Ġr pc", "cal culate", "fr uit", "_m m", "ĉp thread", "Max Length", "Ġc urrencies", "_cap acity", "ĠO z", "Ġfire arm", "Ġcoeff icient", "Ġbankrupt cy", "w art", "Ġfat igue", "AV A", "Ġes pa", "_p c", "ĠQu otes", "_L IGHT", "ĠT ickets", "Ġrel ates", "Ġpublish ers", "Ġunlock ed", "Ġ// ----------------------------------------------------------------", "ĠInterrupt edException", "Ġout look", "r n", "Ġreb els", "W ritten", "Ġas ian", "ot to", "Ġ ĉĉĉĉ", "_g pu", "T xt", ".Image View", "Ġsu is", "_t ables", ".Rec yclerView", "Ġwhat soever", "è ģ", "] ++;Ċ", "assert True", "_ verify", "ĠR ivers", "Ġ ][", "J et", "id ian", "S ibling", "Ġgen res", ".A ccess", "OP S", "Ġtr ivial", "ภª", "al en", "в ед", "ĠS word", "Ġscrut iny", "(c b", "Ġcomm erce", "Ġguarante es", "_ad v", "ĠL ET", "rec io", "Ġh ilar", "Ġback yard", "ãĢ ı", "Ġillustr ated", "/v endor", ". Util", "Ġw ow", "LO Y", "ĠMar shal", "\"> '.$", "ĠB ak", "Ġmod ifiers", "d ictionary", "ĠSt re", "m ultiple", "\")) ,", "ĠC ort", "'] \").", "( admin", "ĠCre ator", "Int ernet", "( ms", "log y", "DECL ARE", "ĠMarc us", "<< <<", "ãģ ł", "_m y", "(in st", "Ġsc iences", "ND ER", ". enter", "Ġit u", "Ġbeh ave", "P an", "omb ies", "=' <", "')) ;čĊ", "ĠM ENU", "ĠWork ers", ".No Error", "Ġbind ings", "Ġdis abilities", "{ \\", "ĠM unicip", "Ġco res", "ur ple", "ĠN okia", "us ions", "ĠF itness", ".handle Change", "Ġjav ascript", "ìļ Ķ", "( dec", "Ġpack ing", "-de pend", "Ġtrans cript", "z eros", "_ alert", "? \",Ċ", "lib s", "± оÑĤ", "Ġ| ĊĊ", "tr ained", "ĠG ent", "ĠR ab", "x p", "_config uration", "å¤ ©", "_ accept", ".rec yclerview", ": url", "ĠMu hammad", "Ġprivile ges", "_b ank", "uk u", "w allet", "ĠRO OT", "Ġenc uent", "? family", "ĉ position", "Ġc g", "Ġprec ip", "method s", "_f ast", "in crement", "ĠT iger", "_OCC URRED", "qu ip", "ĠH AS", "_d om", "Ġw reck", "b j", "Ġd ern", "Ġorg ans", ". entries", "Ġ_ ('", "ram ento", "ĠJam ie", "Ġp unk", "IP P", "Ġprogram a", "Ġatt ain", "Ġpro ves", "/s ign", "Ġanswer ing", "Ġl adder", "************************ ****", "ĠW almart", "ĠCONT ENT", "duct or", "Ġver bal", "ĠP ID", "c rypto", "_CALL BACK", "Ġ= ================================", "Ġpot ent", "Ġshort s", ".U ri", ".un iform", "; border", "ĠW er", "Ġhere in", "ll a", "ĠI hr", "P ixmap", "l iteral", "! )ĊĊ", "g eneric", "r ust", "_script s", "ost o", "it us", "ĠCoal ition", "Ġrem ot", "de ploy", "ĠEag le", "ãĢģ ãĢĮ", "Ġimportant e", "ĉ object", "Ġseason al", "ne j", "aid u", "Bind View", "ĠSi erra", "-b g", "Ġmake Styles", "[ offset", "G ames", "Ġhorm one", "AR IO", "head s", "( select", "ĠStart ed", "@ param", "_de cl", "_b log", "Ġa ño", "\\ Api", "ĠMil waukee", "Pro vid", "An imated", "Ġcool er", "ĠSe ed", ". Edit", "Ï Ħ", "ĠT aking", "Ġborder Color", "-found er", ".Logger Factory", "Ġ\"\" ĊĊ", "AL T", "ĠL ate", "EDI ATE", "Ġ);ĊĊ Ċ", "af a", "Ġcancell ation", "At om", "ĠB irmingham", "emp resa", "HE MA", "asc al", "Ġup side", ".V ersion", "ĠF older", "ĠE ight", "ĠV intage", "ĠApp Delegate", "ĠPre vention", ".se parator", "ST M", "( room", "gener ator", "Ġc attle", "ĉ Z", "ĠPart icle", "' };Ċ", "Ġneighb ours", "ĠState less", "Ġalt itude", "Ġsa int", "об ав", "Ġconv inc", "ĠCont ents", "Ġje une", "(t s", "Serial ization", "(c ollection", "ĠJ azz", "ĠD od", "ĠR och", "ac io", "comm ended", "DEF INE", ".on load", "Ġspecial ty", "PL ACE", "_MO VE", "Ġaccount able", "Re uters", "Ġf icken", "Ġde pr", "W ow", "V oid", ".s pace", "ภĹ", "Ġt q", "ĠP ets", "< $", "(C urrent", "ber ries", "plan ation", "Ġlist Of", "ĠTh u", "ĠPR INT", "Ġm ismo", "Ġdo i", "ch k", "ĠUn icode", "( role", "Ġvir gin", "< Point", "_RESP ONSE", "-h ouse", "ĠVenez uela", "EM AIL", "Ġp úb", "_ex ist", "B all", ".C L", "re ferences", "ĠBeautiful Soup", "ĉ Expect", "TH IS", "Ñĥ д", "b ane", "Ġtemp oral", "ER IC", "et as", "Ġrefresh ing", "Ġsec ular", "@ synthesize", "ac cur", "Ġn ella", "ĠS OL", ".p ipe", "Ch annels", "èĩ ª", "Ġinsert ion", "á» ĭ", "el ia", "Ġadjust able", "Can ada", "ĠI TEM", "Ġcur ves", "ĠChe ap", "let ing", "Ġoptim istic", "al lo", "Ġpolit ician", "_down load", "= edge", "ORT H", "Ġmodel o", "art o", ". rotate", "Ġs elenium", "æĪ ij", "_al ias", "Ġrenown ed", ".' .", "Ġc zy", "Ġal les", ".Com piler", "ĠB ass", "Conn ector", ".R ole", "L INK", "Ġc riterion", "lem etry", "Success fully", "/p ng", "Ġey eb", "asp berry", "( gr", "Ġd angers", "Ġcorrect ed", "Ġgl ow", "Ġelabor ate", "ĠB ears", "aw ai", "=\" '+", "Ġpromot ions", "Ġmathematic al", "Ġ\" `", "_Generic Class", "ĠChe f", ".S ort", "table Name", "R IC", "Ġvolunt ary", "ĠBl ade", "-e lect", "ĠCom bat", "ĠAb ility", "Ġab dom", "Ġd uck", "T mp", "åħ ¨", "Ġer ase", ".P h", "ĠDefault s", "p artment", "_US B", "ê te", "; '", "Ġp ads", "ĠOb amacare", ".T otal", "Ġdiv ert", "Ġcr icket", "Ġrecre ational", "( red", "ĠC le", "R U", "Ġmist aken", "ĠMont ana", "Ġstr ive", "_sl ider", "ĠPl astic", "Ġdecor ated", "ĠV P", "lic o", "ĉf alse", "Ġpre fs", "( \\\"", "_f alse", "i endo", "Ġ@ $", "B ucket", "act ical", "ĠZ hang", ".c ols", ".B inding", "Ġw ax", "_ST ORAGE", "Ġlaw n", "Ġr f", ".Sc ene", "ĠCal culator", ".d esign", "Ġres il", "л ем", "E mploy", "ĠPr ices", "ĠP WM", "ag i", ".e valuate", "ĉ param", "Ġbr ass", "bb en", "Ġinflamm ation", "ull ivan", "Ġan not", "Ġp H", "iam eter", "ĠB TC", "( box", "Story board", "Ġcl ay", ".assert Raises", "| string", ".App ly", "Ġmatch er", "und ed", "Ġsatisf ying", "Ġìł ķ", "Render ing", "_app ro", "ind rome", "AN EL", "_f ix", "br ush", ".M atch", "Ġsm iling", "on aut", "S unday", "Ġdelet ion", "Ġencour ages", "P ull", "Ġreven ge", "Ġqu arry", "tr ade", "Ġc ables", "(d elta", "ites pace", "Ġf h", ".b unifu", "Ġvi el", "_IN CLUDED", "ĠT ail", "ad ar", "of s", "Ġmet als", "g om", "_method s", "Ġn j", ".St d", "(w in", "$ ('", "Ġt urtle", "ur on", "Ġen rolled", "ĠH z", "ĠBox Decoration", "Ġp ont", "rel ationship", "B i", "³ »", "Ġmas cul", "Ġsh ades", "Ġv r", "ĠLog ic", "Ġa in", "ĠD IST", "Ġcoll ar", "\" profile", "Generated Value", "ĠP ossible", "Ġe ines", "ĥ ģ", ".time out", "ĠE c", "Ġjer sey", ".D ouble", "Ġqual ifying", "v or", "CRE EN", "_A pp", "_rec v", "Ġali ens", "It s", "E sc", "i ator", "ĠE clipse", "Ġg h", "V ict", "ĉ html", "to o", ". const", "Ġant erior", "ĠW u", "(key s", "Ġul tr", "_p oly", "ĠT ap", "ĠB ud", "A WS", "Ġcrash es", "_t ot", "Cont in", "-h anded", "alth ough", "ภļ", "ific ent", "Ġde ve", "ut ory", "ĠW orth", "_M S", "Ġfloor ing", "Ġsell ers", "ĠThank sgiving", "Ġp ng", "Ġval ores", "Ġslee ve", "Ġfil le", "Ð IJ", "Ġappoint ments", "Ġv im", "User Info", "BO OST", "Ġpos ed", "initial ized", ".product s", "ĠLeaders hip", "man uel", "' %", "em arks", "Per centage", "(d ist", ". avatar", "(h Object", "ä» Ĭ", "_ iff", "ic one", "; )", "_n il", "Ġab ol", "е ÑģÑĤ", "Ġven ues", ".Con vert", "! ')Ċ", ".B itmap", "sk in", "_C OLUMN", "Re v", "G RESS", "g ow", "Ġw ished", "tract s", ".assert False", "Ġscreens hot", "Ġfo is", "Com b", "Line Width", "ĠGr ab", "Ġint ensive", "ĉ sh", "+ )", ".first Name", "_PRO CESS", "Ġt ilt", "it ored", ".L OG", "Ġb ak", "Ġintention ally", ".play ers", "(c anvas", ")) )čĊ", ".Pro vider", "_P UBLIC", "T alk", "ĠL iv", "ched ulers", "Ġl c", "ad ic", "feature d", ".res ources", "Full Name", "Ġmean while", "B uffers", "Ġres olver", "ĠS AP", "_T E", "G NU", "ĠForms Module", "_ wh", "ĠS we", ".widget s", "Ġcabin ets", "Ġsus cept", "ĠB ott", "activ ex", "av ar", "ant ics", "Ġ\" =\"", "_k wargs", "Ġgame Object", "ĠAng le", ".I ter", "mar sh", "ĠB irthday", "ĠC MS", "request s", "ĠPear l", "_E OL", "Ġlin ux", "( org", "_M ouse", ".con structor", "Ġz d", "Ġk icks", "art isan", "Ġe ax", "K n", "pon ge", "ĠFin land", "Ġmet res", "ĠAss essment", "part ner", "/ pre", "! ',Ċ", "[ Int", "Ġos lo", "date picker", "/ String", "op lay", "ĠHe brew", ", double", "Ġtrab al", "+\" \\", "ĉ EIF", "/ text", "_F IRST", "ĠP ete", "Ġe go", "Ġextr as", "P DO", "Ġreg ulate", "ĠQ Widget", "st s", "ĠSh ows", "ĠN HS", ".c ourse", "p thread", "ĠF uel", ".t imes", "Ġ °", "Ġstr ides", "($ ('#", "( words", "Ġrhyth m", "Ġsp ont", "Ġsens ation", "Ġsp ike", "C losing", "页 éĿ¢", "N umeric", "Ġbreat he", "Ġfin ale", "_F ACT", "in ion", "Ġch ill", "Ġform ally", "ANG ED", "Ġ' :'", "ĠпÑĢ и", "a q", "ĠFab ric", "(l at", "ĠPr incipal", "Ġer ro", "oc ale", "N om", "Ġf ost", "_C USTOM", ".int ellij", "ert ools", "Ġcl asse", "adi ents", "Ġfundra ising", "EN E", "_OPTION S", "_ ob", "// }Ċ", "Ġprote ctions", ".se ed", "N V", "term inal", ";; ;", "P redicate", "Ġì ¶", "Ġbomb ing", "G F", "Ġch ew", ")) ).", "qual ified", "] ={", "list en", "C ENT", "d igest", "E ast", "Ġd iver", "Ġend points", "Ġe e", "Ġcolle ague", "Ġdissert ation", "_com mit", "_D AT", ". rc", "Ġbre asts", "ĠR ug", "ĠP il", "Contract s", "ĠBry an", "Web View", "Ġconcent rate", "ĠIn ner", "Ġ' |", "std out", "_S ub", "> -->Ċ", "V ol", "ĠS SD", ")) ),", ". Optional", "Ġnurs es", "Ġor b", "_ pe", ");čĊ čĊčĊ", "pl aced", "ess er", "Ġther apeutic", "Ġwhites pace", "Ġa ston", "Success ful", "Ġpr aised", "ĠW es", "Ġe ighth", "ir al", "Ġvrou w", "Ġf action", "_b ias", "Ġw itch", "Ġnp c", "(s b", "ĠRod rig", "_b ig", "Dep endency", "ĠAb raham", "ard i", "C AR", "n os", "Ġabund ance", "Ġnut rients", "in stein", ".V ert", "ĠI SS", "< U", "Ġsum s", "_h ist", "Ġfar mer", "ĠA br", "Sh ot", "ĠBad Request", "Ġh ass", "ĠR ails", "Ġaffili ated", "æĿ ¥", "Ġer f", "IN F", "ĠView Holder", "min i", "ĠR oth", "Ġfaith ful", "ĠPhill ips", "AND OM", "]. [", "_P AY", "ĠAr ctic", "f aker", "D igit", "M ale", "std err", "se ys", "Ġ Å¡", "_rem ote", "li que", "Ġin def", "ĠIndust ries", "it ra", "_p airs", "< iostream", "Ġsal aries", "ik en", ".F rame", "PL IC", "_S PEC", "ĠMed iterr", "Ġsystem atic", "Ġinter rog", "Icon Button", "se a", "int ro", "ĠIss ues", "enc rypted", "Ġintern ationally", "Ġsn printf", "Ġpast a", "ĠBrad ley", "_ Status", "AL K", "_P AD", ".l aunch", "< select", "Ġhar dest", "Ġph y", "Ġ(( *", "-s lide", "ĠNob ody", "S u", "Ġas ÃŃ", "close st", "_initial izer", "Ġsupport er", "-g en", "Ġt ales", "Ġcor p", "_f u", "s at", "ne ighbor", ".M igrations", "Ġal gun", "Ġsin on", ".S pec", "? ,Ċ", ".G L", "m ale", "Ġmon itors", "yl an", "-L icense", ".m atches", "ĠA BS", "ĠM ast", "ĠW allet", "($ (\"#", "Dir ty", "Ġco pe", "Ġinterpol ation", "ous ed", "ĠJ ets", ".F LAG", ".C ancel", ".Event s", "ne ver", "ĠM Hz", "> D", "Ġs ervlet", "bast ian", "Ġ> &", "S ID", "_cl k", "Ġdiv isions", "} ',Ċ", "Ġd ildo", "Ġpar ade", "m ajor", "Ġab oard", "; ++", "Ġf usion", "\"}, {\"", "ĠDialog Result", "ĉ arr", "- em", "_n r", "(h andler", ".N ET", ".Xtra Reports", "ĠSh ah", "ĠB rief", "- ,", "Ġprec io", "ĉĉĉ ĠĠĠĠĠĠ", "Ġt ant", "ĠGrand e", "/ xml", "_IC ON", "ĠR etro", "un que", "Ġn ag", "to Fixed", "X L", "Ġdecl aring", "ĠCon crete", "ĠAm azing", "ĉprint k", "Ġdeb ates", "D ATED", "Ġaest hetic", "emet ery", "Routing Module", "ĠNash ville", "W AYS", "Ġw olf", "Ġobserv ers", "OT A", "ans on", "Ġe a", "Ġgreen house", "ĵį ä½ľ", "Ġst air", "Ġimmigr ant", "_app ly", "pe are", "ĠBloom berg", "_PL AYER", "Res p", "æŃ £", "Cho oser", "ĠI Collection", "P eter", "Er ro", ".detect Changes", "Map s", "Ġs queeze", "ĠHom es", "weg ian", "Ġformat ting", "Ġnegot iate", "ul d", "ĠN ep", "ĠQ B", "Ġeconom ies", "Ġ*/ ,", "Ġredu nd", "ĠA ber", ".IsNullOr WhiteSpace", "yc led", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĊ", "_S h", "Ġske pt", "Ġre created", "Ġget Type", "Ġmarg ins", "Ġcolon ial", "ch arts", "// @", "Ġprocess ors", "è¯ ´", "b atis", "æĦ ı", "ator io", "mention ed", "P atient", "Ġpre y", "Check box", "_x path", ".s kip", "ĠMorm on", "ĠMemory Stream", "CRE MENT", "Ġk u", "m eld", "\\ Data", "ĠK ernel", "il tr", "éĢ ģ", "( profile", "Car bon", "RO LE", "( pl", "] *(", ".m emory", "Ġmed al", "Ġadvis or", "it ät", "Ġh dr", "ier ung", "ĠProvid es", "( alpha", "Ġteen agers", "- parser", ".L atLng", "] ()Ċ", "Ġfel ony", "ĉĉĉĊ ĉĉĉĊ", "BO OK", "Ġsl ash", "Ġclear fix", "ĠPro phet", "å® ¹", "right ness", "-f i", ".k ind", "ert on", "J im", "Ġmanip ulate", "Ġworks heet", "ol in", "st ars", "Ġart ifact", "_EM PTY", "ĉm ain", "------------- ' ;", "Ġexpress ing", "ĠI Q", "ĠF act", "/************************************************************************ *******Ċ", "_m ass", ")) :", "Ġcon dom", "Ġcreate State", "omet own", "Ġir r", "Ġ> (", "> B", "iter ation", "ãĥ ª", "Ġshirt s", "ount y", "-> $", "_S IGN", "ĠD ale", "Ġj j", "E asy", "F re", "ĠN y", "Ġch lor", "match ed", "ĠG erm", "- UA", "ĠN athan", "educ ation", "-y ard", "- che", "h ouses", "r itional", "Ġprox imity", "Ġdies em", "áºŃ p", "Ġd rought", ".a udio", "ĠLe o", "Ġfavor able", "in ch", "ĠD aw", "rib ly", "_st udent", "id able", "O VE", "Ġlack s", "ounc ing", ".b usiness", "Ġre open", "may be", "_G LOBAL", "Ġdress es", "ĠEd wards", "ens ible", "ĠHard ware", "ĠEx cellent", "ĠTime Unit", "CTION S", "Ġsched ules", "Ġseg ue", "Op ens", "am men", "- Identifier", "Ġst aring", "Ġhapp ily", "ĠH ob", "' _", "Ġ\" );", "ament os", "et ched", "Ġ/> }Ċ", ". Users", "Ġinterrupt ed", "Contact s", "Ġreg istro", "in burgh", "CH A", "_ imp", "ph is", "s ay", "Ġretail er", ".N ODE", "/ maps", "_L AST", "ĠCh arge", "_g uard", "Coll ider", "ĠStateless Widget", "\": [\"", "(\" ../../", "iox ide", "ĠS und", "Ġ'' ;", "un set", "add Widget", "л Ñİ", "el les", "alk er", "A rc", "Ġded uct", "G UILayout", "ĠV illa", "Ġfor bidden", "_ where", "Ġ\\ /", "ĠT ib", "_A X", "] čĊčĊ", "ĠB ir", "Ġb end", "ĠMA KE", "ĠM ET", "Ġfut ures", "Ġweight ed", "\"\" \"čĊ", "Ġauthor ize", "(pro gram", "}, {\"", "Ġcoeff icients", "ê s", "Per Page", "ĠBath room", "ĠPublish ing", "G PL", "Ġsub missions", "ĠNUM BER", "j Äħ", "Ġaddition ally", "em pre", "ĠSh el", "ot yp", "S olution", "Ġth under", "_ ec", "ĠĊ ĠĠĠĠĊ", "ĠF ellow", "Ġk ay", "Ġnew State", "ONT AL", "Im plementation", ".L ook", "Ġ ents", "Ġl ors", "ĠB IG", "f ab", "Ġaver aged", "ĠFe edback", "ĠW ells", "Ġm artial", "Ġind ul", "ĠComm unist", "ĠFore x", "ĠAgricult ure", "\" [", "Ġqu ar", "ĠK ont", "ĉ view", ". Bytes", "des ktop", "ĠM akes", "akes peare", ".Null able", "Ġspot light", "V B", "ow y", "(t orch", "tr idge", "_b ounds", "Ġapolog ize", ".add Item", "ant d", "* );Ċ", ", u", "(g en", "ç» ĵ", "re ator", "ĠC ord", "ou pper", ".m etro", "Ġ ew", "ĠW ORD", ".A fter", "Ġdet ained", "ĠHam mer", "ex isting", "Ġo st", "Ġmon ument", "-c ustom", "User ID", "ĠN om", "Ġre jection", "(d im", "Ġsingle ton", "ĉd ie", "ari ance", "re ports", "] !=", "eld a", "Ġpreval ence", "_reg s", ".\" .", "Ġfemin ist", "Code c", "Ġ **Ċ", "(label s", "_M ARK", "FA ILED", "Ġadminister ed", "W N", "ĠĠĠĠĠĠĠĠ ĉĉ", "Ġn oun", "w ig", "Ġg otta", "Ġr if", "- im", "ĠPaul o", "ĠCommand Type", "] ))ĊĊ", "-z ero", "Tr aining", "Ġl ord", "_ art", "re ddit", "C ert", "Ġpes o", "R ot", "Ġend anger", ".d r", "user Info", "un ts", "n v", "ĠTrail er", "-f irst", "(m ake", "Ġbenef ici", "-bl ack", "i ÃŁ", "Ġund oubtedly", "Ġm ex", "ĠAnc ient", "( as", "Ġdes cent", "P ick", "Ġrep lica", "$ obj", "ä hr", "Ġar rows", "ft y", "ĠLib ya", "ug a", "charg ed", "T ur", "Ġh omic", "iss en", "ĠF ake", "Ġbe ers", "Ġsc attered", "( Time", "UT IL", "Ġbureauc r", "/pl ain", "Ġstick ing", "FA IL", "ĠC ovid", "Th ird", "_p resent", "ĠPier re", "Ġë ª", "Ġ[... ]ĊĊ", "Pro b", "ĠTra ffic", "ica o", "do ctor", "Ġ), ĊĊ", "T abs", "al u", "ï¼ļ âĢľ", "Ġinher ent", "_N o", "rit is", "ĠPro of", ".b asename", "ä¼ ļ", "Ġch im", "ĠProt ected", "c rit", "Ġpr one", "Ġк он", "ĠHero es", "Ġan xious", "Ġan os", "Ġweek ends", "Ġs ext", "Ġredu cer", "= UTF", "h alf", "ĠS aw", ".m m", "Ġnue va", ".current Target", ".l ua", "_EXT ENSION", "ĉ reg", "ĠC trl", "_ align", "accept able", "Ġrush ing", "fr ac", "Ġbo asts", "F ive", " ±", "ĠTem perature", "> ):", "Ġchar ter", "RE ATED", "Ġsubject ed", "Ġop c", "health y", "使 çĶ¨", "ĠScient ific", "Ġfra u", "ri ages", "ภĶ", ".in ventory", "ation ale", "M ad", "min utes", ">> ();Ċ", "ĠEn v", "Ġrecord ings", "Ġsusp icion", "sql ite", "ĉ read", "ãģ ¦", "Ġwor ries", ".put String", "ĠSh anghai", "( uid", "r er", "ĠvÃŃ de", "\") :", "Ġmethod ology", "Ġк оÑĤоÑĢ", "cc c", "av ad", "Ġindu ction", "ĉ Thread", ", string", "ạ i", "neh men", "u ition", "Ġ* __", ".em f", "Ġì ľ", "/th emes", "ĠN ine", ". One", "ĠEm bed", "Ġf az", "u ations", "Ġpriv ately", "Ġl ing", "[ F", "ush i", "Ġlaunch es", "( KEY", "G MT", "Ġaim ing", "pat ible", "ĠB iden", "i w", "ĠD egree", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "Ġ$ ('<", "á rios", "to UpperCase", "ìł ľ", "ĠE UR", "Ġovers ight", "Ġtable sp", "Up dates", ".m akedirs", "Ġhum idity", "/ template", "Al ways", "( IS", "_c ert", "D ig", "Ġunder way", "ort on", "ĠHur ricane", "Ġsp ends", "ĠSeg ment", "Ġfl ies", "ĠT oggle", "ĠLyn ch", "Ġs enses", "ĠK os", "set Enabled", "ist ically", "Ġtest er", "Ġadministr ators", "Ġtag ged", "Ð ĵ", "Ġshort cut", "ĠRes olution", "Ġsuperv ision", "ĠAsh ley", "Tr acking", "ul atory", "and el", "ist en", "Ġun re", "(d iff", "ANT S", "Ġr ider", "Ġs Äħ", ".S eries", "_ orders", "ORIZ ONTAL", "Ġret ention", "ãĢĤ čĊčĊ", "Ġdi agonal", "ĠC ancellationToken", "_ Internal", "Ġru in", ".Q t", "ocr atic", "T el", "ĠAn swers", "m atic", "Ġx p", "at em", "_j obs", "_ any", "Ġsen iors", "Ġland mark", "ĠQ List", "Ġman eu", "ot ify", "/ \";Ċ", "/ server", "ĠPhil osoph", "uten ant", "( io", "h z", "Ġauthentic ated", "d v", "- Compatible", "Origin ally", ", function", "ãĢĤ čĊ", "ĠRepresent ative", "as ily", "irc uit", ".d t", "(m ath", ".M arshal", "[ ,", "ĠC ities", "_ turn", "| )Ċ", "Ġcant idad", "al ter", "ĉ ui", "ĠNe braska", "Ġsk irt", ".b g", "Shared Preferences", "( style", "Ġg rief", "g ew", "Ġsaf eg", "ol ang", "_l ists", "ì Ľ", "Ġgran ite", "Ġhott est", ".j dbc", ".C ustomer", "Ġâī ¤", "Ġwa ar", "_sc ene", "+' /", "ĠJ TextField", "Ġse ating", "Ġwe ars", "Ġ` /", "C ases", "ĠY outube", "ı m", "Ġbal con", ", G", "Meta Data", "- price", "SC R", "Un ity", "Ġtr unk", "={` ${", "Ġearthqu ake", "Part ial", "Ġsub st", "Ġelim in", "=\" '.", "//* [@", "Ġsuperv isor", "vro let", "_ article", "Ġp ane", "b io", "Ġmot ors", "N M", "F rank", "Ġon ion", "- word", "Item ClickListener", "Ġb rit", "end encies", "Com puter", "_r unning", "( day", "- he", "(n amed", "ĠS ach", "о Ñĩ", "c ampaign", ".Ab stract", "(w rapper", ".p ay", "Ġu w", "Ge o", "r ails", "/ select", "icht e", "son s", "E VENT", "Ġal iment", "Pro viders", "A wait", "_INTER VAL", ". off", "Ġgl uten", "_cl oud", "Ġw en", ".ex tract", "ĉ button", "/ MM", "Part y", "Ġdem ographic", "_err no", "Ġh iking", "(' ')Ċ", "\", @\"", "Ġw it", "r á", "olog ie", "ĠSt yles", "ĠBrowser Module", ".Request Mapping", "ic ans", "P AGE", "cre ation", "ĠF erguson", "ud ed", "num bers", "ĠGT K", "Ġpresent ations", "ĠB obby", "_s pan", "est yle", "Ġilleg ally", "abel a", "Ġbattle field", "cap acity", "ter ror", "] \");Ċ", "Ġwar rior", "le ader", "ĠDB G", "ĠRe venue", "Ġvig il", "Ġcounter parts", "( Error", "ACT ER", "Ġhe eft", "Ġselection s", "ze ug", "t om", "-t wo", ". ;Ċ", "_st atement", "ĠA id", "ĠV ul", "_r gb", "Ġpr izes", "Ġedit able", "ĉ form", "ın ı", ".de cor", "D emo", "lic es", "Ġen ctype", "rat ulations", "ĠR OS", "_ch ars", "ĠJ ahr", "part ial", "Ñĥ ÑĤ", "ĠRe ceive", "ĠL ands", "AP TER", "Ġch opped", ".. \"", "ĠAn aly", "ĠU ID", "ĠR adeon", "ĠB ee", "Ġun m", "> M", ".find all", "Token izer", "ĠWH AT", "Ġs j", "D rawing", "E ss", "ON D", "Ĭ ¶", "(p acket", "âĢĶ but", "Inv ocation", "ĠN uclear", "? ;Ċ", "Ġgrand es", "ĠC rypt", "rem ark", "Ġ'../../ ../../", "Ġin ability", "m agic", "c ats", "Ġsim ulate", ": ${", "in flate", "Ġen er", ": NO", "ip les", "Ġmer it", "ĠR ated", "Ġgl ue", "/b log", "Ġg ren", "Ġthr illed", ".C H", "unc an", "ĠPR IMARY", "Ġper sec", "Ġfe ared", ".M IN", "ĠThe ater", "é Ĵ", "ategor ie", "æ® µ", "Ġappet ite", "s quare", "ĠAlex and", ".User Id", "_g t", "_ enter", "Ġgradu ates", "Fragment Manager", "Author ize", "-N LS", "(M y", "Ġtri umph", "ust ing", "_PARAM S", "Char acters", "(: ,:,", "_B UILD", "M Hz", "Ġwash ed", "Ġun cle", "Ste ve", "ard own", " ${", "_confirm ation", "Ġtro phy", "Work s", "ĠElect ronics", "ĠMediterr anean", "_m etrics", "Ġannounc ing", "ĠD AY", "_pro to", "Ġp ear", "base Url", "ĉĉĉĉĉĉĉĉ Ċ", "Ġcoord ination", ": N", ".an imate", "ĠC otton", "_h it", "â ľ", "Ġjet zt", "if ter", "(f ields", "own load", "ific acion", ".c uda", "ĠLi u", "> equals", "ĠA ce", "ÑĢаР¼", "ĠSuper man", "ĠGarc ia", "Ġarrest s", "ag ar", "Ġ{} )", "Ġmac ros", "rou pe", "ê tre", "Ġtw isted", "str uments", "_ (\"", "_ vertices", "ĠTrans ition", "и к", "[ max", "m ind", "Ġaccess Token", "Ġun le", "m us", "c op", "ĠF actor", "Ġcon ced", "Ġre tr", ".l inalg", "-s lider", "ob l", "_Static Fields", "Ġz ombie", "s elling", "Ġch ap", "Ġsh aking", "ĠTrans late", "ĠAm sterdam", "ĠE TH", "_EX TERN", "k d", "_d isc", "Ġpreced ing", "Ġpri x", "Object Name", "_mod ified", "ard ware", "Ġ?> \">", "ĠD W", "` ${", "Ġ?> \">ĊĊ", "Ġspin ning", "_p ending", "Match ers", ". Keys", "ĠP V", "en us", "ant is", "Ġdisc ard", "Ġh aul", "Ġem pir", "Ġpath way", "Ġo ak", "м ен", "-ind uced", "Ġimp air", "ĠCal gary", ".is Hidden", "d z", "_ include", "Ġg m", "Ġ' ('", "P Y", "uggest ions", "Ġcommod ity", "c ro", "/ sub", "Ġget Instance", "ĠLeg acy", "ĠK il", "B al", "( short", "In form", "+ x", "* r", "ĠHope fully", "or ate", "Ġmach en", "Ġtreat y", "ĠO ri", ".p ublic", "-h orizontal", "Ġtact ic", "Ġb ord", "w ares", "Ġam mo", "ĠL ists", "Ġequ ations", "/ her", "ĠNS W", "B ounding", "_C ollections", "Ġav ail", ".Drop Down", "è °", "Ġh h", "Ġl Ãł", ".p b", "Ġmemor ial", "ĠAT TR", "Ġexhaust ed", "Ġt sp", "ĉ redirect", "Ġlik ewise", "ST ER", "L java", "Ġcondem ned", "oca ust", "(str ict", "Ġexem pt", "Ġs ms", "Ġex agger", "S YS", "Ġl ounge", ": ^", "Ġto dd", "de b", "ator ial", "ĠPort er", "Ġtu ition", "Ġexem pl", "Ġp aren", ".line To", "Ġkid ney", "Ġç a", "Ġc ui", "ï¼Į 请", "X C", "Ġmo ż", "Ġnomin ated", "l ung", "Im Gui", "ĠB uzz", "Ġstere o", "port al", "res as", "Ġk lass", "Ġdraft ed", "Ġproject ile", "/g pl", "(param eters", "* )Ċ", "Ġassist ed", "ĠNS Integer", "s itemap", ":n th", ".View s", ".Argument Parser", "Ġme er", "z ier", "ĠD ig", "Ċ", "Ġpl ag", "p ine", "Ġblank et", "Ġ: -", "Ġl cd", "------------ ---", "(\" \"", "Ġtact ical", "ĠRon ald", "ex tr", "ĠF est", "Ġf uer", "-n avigation", "Ġk b", "gh ost", "Ġhandle Change", "_cl s", "() !=", "Com parator", ".v m", "ĠCo x", "_re view", "/ @", "_c ookie", "Ġrecogn ised", "ld ap", "Thread s", "ĠSex ual", "ĠB earing", "(S QL", "Ġx r", "Ġth igh", "URL Connection", "ĠSU V", "Ġm Context", "Ġinc idence", "ĠE ste", ".s up", "_t e", "(EX IT", "C MD", "/ \">", "Al most", "ĠU ne", "Ġand eren", "ĠSingle ton", "Ġb ore", "Th ink", "Ġn arc", "] initWith", "_sh op", "(str ategy", "! ',", "her its", "ĠDes k", "_m achine", ".net ty", "ı nda", "= <", "ĠQ R", "ĠS idebar", ".split Container", "Ġon Success", "Ġmon key", "En joy", "(n odes", "pect rum", "Ġ(* (", "ĉU INT", ", height", "ĠNetwork s", ".t ail", ".l inspace", "Ġ\" ...", "List en", "Æ ¡", ".Ch annel", "- defined", "Re peat", "ad just", "ER M", "_ application", ".assert NotNull", "- stream", "Ġr abbit", "Ġposition ing", "Ġw oke", "Ġf ing", "Ġmulti player", "Ġregister ing", "un til", "Ã¥ n", "( ::", "uss ions", "Ġpot ato", "ĠE quals", ".S up", "/ap ache", "Ġ( =", ". \")", ".p tr", "ĠSpe ech", ".cl ip", "ĠGab riel", "Ġmusic ian", "/ issues", ".sh op", "ĠH ier", "_RE T", "_b ucket", "ãĥ ¡", "av s", "Ġro z", "fl ower", "Write Barrier", "ĠMil an", "Ġlegisl ature", "ĠD oll", "Ġprov ing", ".concat enate", "âķ IJ", "Ġg char", "cdn js", "b les", "ĠList ing", "л о", ".xr Label", "ĠS ak", "just ice", "ĠVal entine", "un less", "Ġp iger", "(r un", "Ġtest ified", "AN A", "ĠRem oves", ")) ));Ċ", "rec ated", "ĠRuntime Method", "Ġcon qu", "ãĤ ¢", "Ġt issues", "ail er", "ét é", "- Star", "Ġfl ames", ".set Icon", "Ġsup ern", "Ġvag ina", "- variable", "Ġwell ness", "C UR", "Ġbel le", ".get Request", "Ġp oco", "ben h", "ag ens", "Ġsp ill", "ĠJ ur", "Ġdispatch er", "н ого", "emon ic", "(dir name", "ĠÐ Ķ", "Ġpas se", "Ġg anz", "ric ing", "E U", "Ġmuj eres", "ess en", ".at tribute", "j j", "ĉĉ ĠĊ", "[ ^", "Ġstrtol ower", "lex er", "ect ar", "hot el", ".s quare", "Ġr all", "Ġlower ed", "hand led", "Mark et", "ĠUs es", "iv as", ".B usiness", "ãģĹãģ ¦", "D IV", "Ġw asted", "Ġav oir", "ê m", "_ACC OUNT", ". et", "ĉ SDL", "k ap", "Ġf ox", "up pet", "{ },Ċ", "\", '", "F avorite", "P END", "ĠA ES", "} ),", "Ġded uction", "Ġpol ÃŃt", "Ġcomponent Will", "ĠT elerik", "_SE LF", "Ġm use", "C raft", "Ġd ens", "ठ¿", "( tp", "Ġt asty", "Ġbal ances", "Ġded ication", "ĠWall ace", "Ġun law", "\\\"> \\", "Ġm um", "- update", "ement e", "Ġs oda", "Re public", "as mine", "é ric", "( Status", "ĠJson Convert", "ĠD isk", ".Red irect", "Ġfilm ing", "/m ol", "R o", "Ġv ille", "Ġtrab aj", "Ġsyn thesis", "reg a", "Ġr l", "S cheduler", "ISH ED", "current User", "(error s", "' h", "_b ot", "x imo", "ĠUS ART", "_s uper", "_DEC REF", "н ой", "_RO W", "Ġprom otes", "ĠT A", "Ġhor as", "ĠRep resents", "Ġname of", "ĠEx c", "ĠGar age", "Ġse ine", ", #", "Ġher b", "/ resources", "Ġple aded", ".r adioButton", "Ġæ ĺ", "O ps", "ĠN est", "c string", "ĠDef ence", "Ġref ere", "_le af", "Ġrevel ation", "ë §", ".execute Update", "_W ORLD", "Ġexp ans", "(\" \\\"", "j ab", "Ġdoub ts", "ĠGe ometry", "Ġintrodu ces", "Ġsen ators", "Ġcan al", ".h elper", "ĠBi ology", "_SE NS", ".pre vious", "-t ouch", "ab it", "Ġimpact ed", "Ġbr ackets", ".d irect", "acc um", "Ġtest osterone", "ĉ action", "ĠCh ance", "Ġpe aks", "CppCodeGen WriteBarrier", "Ġun belie", "_p ress", ".R el", "ang led", "/ templates", "-- >čĊ", "l ime", "Ġsufficient ly", "_ nt", "Exp and", ".is file", "Ġis Empty", "Ġq t", "Ġmul her", "ac ob", "Ge orge", "å¸ ¸", "Ġass im", "as o", "Ġcompr ised", "O V", "(CON FIG", "ĉw riter", "Ġdes p", "Ġten ure", "(c r", ".p ool", "ĠB rend", "Ġc ensor", "(time out", "Ġple a", ".W rap", "Ġtight ly", "ĠW ere", "ĠI gnore", "abe i", "Ġbr idges", "Ġcondem n", "Ġsimp licity", "Ġrout inely", "Ġblack s", "j b", "ĠP it", "U tf", "Ġ/ Ċ", "re load", "Ġset Object", "/g lobal", "Ġf atty", "Ġsock s", "Could n", "Ġerot isk", "æĿ ¡", "ĠPress ure", "ĠM az", "n pos", "tol ower", "ĠE Q", "ute ur", "ĠM oment", "Ġet a", "{{ --", "Ġgraph s", "ĠGu ar", "r ine", "( --", "ĠHttp Status", "(st udent", "* np", "Ġrail way", "Ġas ynchronous", "_v m", "'] ,'", ", text", "mer chant", "(G uid", "ĠG ra", "ix er", "fetch All", ".add Listener", "fl ip", "* $", "> (),", "Ġsun light", "ass igned", "Ġab c", "ĠC OLUMN", "ĠðŁĻĤ ĊĊ", ") ...", "Ġen semble", "Ġnew line", "_S INGLE", "ied ad", "Ġdark er", "orm ap", "Ġl ion", "pl its", "Ġillustr ation", "ĠI EEE", "Ġv ista", "ous ands", "****** *", "ĠTom my", "Ġh ue", "S el", "Ġa ura", "ĠTher apy", "Ġanim ator", ".con straints", "Ġv ague", "(\" \")", "Ġvill ain", "Ġbless ing", "Ġstring Builder", "ĠM isc", "ĠD IR", "f ax", "- node", "ĠWalk ing", "ĠA U", "s ess", "Ġgr ill", "VERT ISE", "ĠF oods", "Ġt ournaments", "à ĵ", "ĠMar sh", "Ġw onders", "Long itude", ".Command Text", "= input", "_enc oder", "page Size", "Ġget State", "> >Ċ", ".g rey", "p od", "Ġread ings", "Ġre consider", "Start up", "Ġexc er", ".b alance", "_c ycle", "_T ime", "LOC AL", "ĠE FI", "ĠRe yn", ".set Foreground", "by n", "Ġdis connected", "ACT IVE", "Ġembed ding", "ick ers", "Ġsurround ings", "* c", "Ġgar ant", "Ġb f", "Ġw ipe", "Ġ ä¸ĭ", "_T RA", "ado x", "ç ķ", "Ġsu cks", "ĠS ongs", "ĠAssoci ates", "ĠB ald", "ĠB rett", "ven ile", "Ġv t", "Ġin ade", "Ġres igned", "ĠGl enn", ".p attern", ".Data Bind", "Ñĥ м", "Layout Inflater", "ch et", "ĠTest ament", ".m s", "Ġp av", "ĠReact DOM", "ur dy", "AD ATA", "M u", "/ actions", "ĠJ s", "_ex tract", "ĠBr ing", ": id", "str t", "iv ation", "Ġoutr ight", "az u", "loy ment", "и Ñı", "al do", "ĠP ublisher", "E ducation", "Pa lette", "_d rv", "Ġ($ (", "ĠAnd a", "Ġrem edy", "Ġincons istent", "te ction", "Ġregul ators", "Ġshort est", "(p air", "ĠInstall ation", "Ġdefend ants", "Ġ( );", "-l arge", "M el", "Ġthreat en", "н Ñı", "Ġfet ish", "ot ine", "_d ic", "Ġ< $", "Ġst agger", "sp i", "$ response", "S erv", "-b orn", "j os", "ĉ img", "ĉW HERE", "_l t", "å½ ĵ", ".c ost", "ĠT ue", ".label s", "ĠL V", "wcs store", "ĠJes se", "ภ«", "Tr ade", "Ġpredecess or", "ë Ĥ", "fin ally", "_g eneral", "ogg ler", "_REG ION", "n ement", "Ġblog ger", "ĠHar bor", "ĠD ataset", "[ w", "Ġattend ees", ". ico", "max imum", ".Un lock", "_SY NC", "ág ina", "Ġdown s", "ĠW ii", "]) /", "Ġkick ing", "unic ation", "ĠD AC", "ĠID S", "ĠR ental", "Ġcurrent Time", "Ġvacc ines", "ĠDev il", "Ġn ors", "_m ouse", "urre ction", "(n o", "Ġ> čĊ", "Ġaggress ion", "Ġbre eding", ".s ymbol", "im an", "Absolute Path", "ĠWH O", "_fl ush", "- root", "arn a", "& M", "Ġf athers", "ĠR ocket", "ive au", "Ġw ander", "Ġcom pos", "ĠWar rior", "ĠSe at", "ĠClin ic", "_in voice", "(dis patch", "Product o", "at uring", "oss ier", "ĠM AY", "Ġd agger", "Ġsanit ized", "ĠR FC", "Ġpro ph", "Ġur ine", "Ġgr ind", "ĠExp anded", "des cripcion", "-f w", "ĠK erry", "= name", "Ġch k", "Ġnation ally", "Ġthe e", "In c", "Ġ? >>", ".R adioButton", ".Http ServletResponse", "/ Y", "ĉf ield", "Ġhom me", "y per", "Ph ysical", "= v", "Ġdr iv", "ĠErr ors", "Ġc Äĥ", "De ath", "ĠW INDOW", "Ġpo et", "ĠSh arp", "ĠImm utable", "ĉ create", "Ġge ht", "ĠRe form", "ais er", "ĠInitial ization", "Ġimm unity", ".com pose", "Ġlat ency", "ĠLeban on", "ĠPar ad", "Ġfu els", "ĠEx hib", "co h", "% \">Ċ", "ĠCL I", ") initWith", "-Z a", "_C LEAR", "reg n", "Ġfin ances", ".st andard", "_C ATEGORY", ".lib rary", "Ġtravel ers", "_w p", "ĠE valuation", "start ing", "Ġ )),Ċ", "ep isode", "ĠV ariant", "Ġda emon", "ĠJul ia", "ĠN R", "Ġdoub les", "< v", "/r untime", "Ġinterpre ter", "ĠIN DEX", "ĠHol mes", "_D IM", "Ġp addle", "_ex ample", "Ġfore ground", ".r outes", "Ġs owie", "S UCCESS", "ĠC DC", "ĠB D", "_ -", "as ured", "W riting", "Ġcurrent Page", "( answer", "ĠASC II", "à ¨", "Ġsocial ly", "yy y", "ĠSpecial ist", "(c ustomer", "ist ani", "ke st", "ĠM ak", "Ġth o", ". pt", "( comment", "ĠCon verter", "g am", "b ins", ". tele", "ĠVeter ans", "_AL LOC", "олÑĮзов аÑĤ", "inn amon", "; width", "oh l", "Ġfant as", "Ġs ung", "ĉ K", "( Json", "Ġneighbour hood", "Ġv ow", "Ġs ins", "on acci", "Ġepoch s", "im agen", ".Ch ange", ".my batis", "Se ek", "W ER", "管 çIJĨ", "Ġinter ess", "_ Event", "eder land", "Ġterr itor", "Ġci udad", "uck ed", "Ġsn ack", "Ġtransport ed", "ĠMan ifest", "ĠD AT", "_th eta", "Ġw ont", ".ĊĊ ĊĊĊĊĊĊĊĊ", "Ĭ¶ æĢģ", "ĠEp ic", "De ck", "l tra", "_Z ERO", "Ġ[] ;", "/ scripts", "Ġ---------------------------------------------------------------- ----------------", "æĥ ħ", "Ġwe ed", "N BC", "Ġrap ed", "ĠG ateway", "[ M", "ĠTime out", "ench mark", ".View Model", "Ġporn os", "ĠY a", "th ritis", "ĠFly nn", "Ġme ga", "ac in", "Ġtrib al", ".app le", "ĠB lo", "â n", "ib i", "ro v", "ĠL ives", "^ .", "get Request", "ĠEst ablish", "cont ainers", "Ġst arring", "Ġcele brities", "ĠRel ative", "ĠHe ights", "Ġtq dm", "ĠNorth west", "iv ic", "ĉ cl", "Ġautom otive", "ent ric", "Ġfort unate", "Ġfire place", "se ud", "nick name", "; s", "_C AL", "h alt", "(n s", "_de leted", "Develop ment", "m ovies", "Ġident ities", "Ġprompt ly", "ا ÙĨ", "Ġant e", "Ġ\" ','", "åı £", "imp se", "Ġy ap", "Type Name", "Ġb itch", "Ġassoci ates", "HE ME", "- empty", "ĠØ ª", "ol vers", "Ġpist ol", "Sc oped", "ag ner", "'] =='", "ĠI MP", "ex c", "Ġo mitted", "Ġmind set", "Ġ[] (", "Ġor n", "_C AM", "A vg", "Localized String", "ĠN atur", "Ġcom poser", "ĠPlay ing", "Ġover d", "_ utf", ".s k", "ĠF ol", "$ page", ", Object", "Ġbe es", "al ary", "bul let", "_lib rary", "O ffer", "loc ated", "Ġ(_ ,", "âĢľ He", "ĠOwn ers", ") ).Ċ", "Ġb ri", ".Ad min", "kt ion", "лÑİ Ñĩ", "Ġerot ici", "Cancel led", "Ġa gr", "re views", "_d ma", "RI CT", "Ġg fx", "mp i", "pp o", "Ġ// @", "Ġupper case", "Ġcommit ting", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", "User Data", "Ġv ai", "ĉs ort", "Ġcongr at", "Ġd ioxide", "д а", ". area", "ĠJosh ua", "ĠK och", "_b reak", "az ure", "ist ical", "_AL PHA", "_ views", "Ġelim inating", "OM B", "en umer", "ĠHy dro", "(* (", "ERT ICAL", "Ġinev itably", "Ġst ole", "-e ast", "ier on", "Ġl inger", "/d oc", "Å º", "ĠAl ready", "as io", "Ġ-- Ċ", "Ġabb rev", "ĠAt om", "h im", "ĠINS ERT", "s un", "âĻ ª", "CON NECT", "er ator", "ĠM anning", "Ġ: (", "g as", "=> '", "Ġquery set", "; }čĊ", "ĠPop ulation", "uted String", "res ident", "_F ONT", "ĠRes pond", "Ġobsc ure", "Ġo bservable", "ĠContrib utors", "k on", "ĠMus k", "ex ao", "ĠT ub", "Boot Application", "S OR", ".H orizontal", ".find By", ".p ower", "Ġposit ively", "ven ience", "ĠJ ong", "Ġwh istle", "Ġз наÑĩ", "Ġl ending", "Ġdestruct ive", "Ġon Delete", "author ization", "(); ?>", "_ original", "sc ience", "at ra", "?, ?,", "ĠAs c", "Ġconvinc ing", "$ a", "org en", "_D ate", "ĠPro vide", "Ġlon ely", ") 'Ċ", "ex change", "; ?>Ċ", ".f ast", "S amples", "L ondon", "'] )čĊ", "ĠI onic", "Ġp esso", "ĠKn ights", "ĠR af", "_attr s", "Ġrepe al", "> Main", "ĠOrder ed", "_N ew", "=\" \"> \";Ċ", "ĠS ERVER", "ĠHE ADER", "_ velocity", "ĠIn voke", ".timestamp s", "Ġs ulf", "I QUE", "Ġinhabit ants", "ph ins", "azz o", "Ġmon o", "Leg end", "Ġnon ce", "IF E", "; \";Ċ", "- create", "\" \",Ċ", "per mit", "ĠImm igration", "Ġpath name", "ffect ive", "âĻĢ âĻĢ", "Ġex ams", "- event", "ĠT ill", "[m id", "F IX", "; color", "( Order", "_tra its", "Ġorder By", "Ġs unt", "ĠNich olas", "Ø ²", "Ġsun ny", "in ers", "Ġaccess ibility", "ĠH B", ".com p", "ĉ op", "Ġminor ities", "ethe us", "Ġcollabor ative", "pr it", "H IR", "Ġwr aps", "ĉd raw", "g od", "ĠI X", ".app s", "ĠN M", "Ġirre levant", "ĠT igers", "Ġdi ag", "G V", "ĠAccess ories", "k ont", "Ġsimpl ify", "ĠF avorite", "_t ools", "([] );Ċ", "Ġtow ers", "B es", "Ġhun ter", "Ġsal on", "(b uff", "ĉ debug", "Ġmal ware", "M oving", "- options", ") +'", "ĠLO VE", "_S OCKET", "_f in", "ĠDel aware", "Ġsher iff", "-in valid", "ĠF ULL", "Ġп од", "el as", "\" strings", "ĠRepresent atives", "s urface", "res olved", "ht docs", ")) :čĊ", "Ġpress ures", "Ġnorm s", "Ġpl a", "Ġs urname", "Ġpost al", "ĠDep art", "Ġsla ughter", "or ida", "Ġhe bben", "Ġdes ar", "comp act", "_L ANG", "åIJ Ī", "op oly", "_r ad", "ĠST DMETHOD", "L azy", "ĠĠĠ ĉ", "... ,", "( web", "ĠP ont", "Ġet was", "Ġup ward", "_h at", "Ġ], ĊĊ", "Ġbase Url", "Ġworry ing", "-add on", "(get Class", "S PI", "Ġcapt uring", ") },Ċ", "Effect s", "Ġcompet ent", "Ġf oul", "Ġsubscri bing", "ĠO BJECT", "IX EL", "b ucks", "( edge", "(p ass", "ĠPet erson", "Ġbo obs", "ĠD elay", "_s quare", "el im", "ot ers", "_P C", "% E", "on click", "ĠSV G", "Ġto pped", "Ġf ist", "sm art", "ĠR alph", "( owner", "j ours", "Ġbron ze", "ĠArgument Exception", "( original", "_S CALE", "_c p", "Ġrecomm ends", ".set Style", "S ure", "L AND", "Ġrepe ating", "M att", ". Visibility", "Ġenter prises", ".Set up", "(sc ene", "ĠRe active", "ur ge", "b w", ".P ut", "p ersist", ".c ookie", "ĠAud i", "` s", "sup plier", "( Form", " ¡", "_s o", "Į Ģ", "ĠLeg ion", "t te", "N d", "L oss", "( attrs", ".sc atter", "Ġg room", "Ġgl impse", "Ġn ails", "Ġcum ulative", "Ġf azer", "_s ervices", ".N um", "ib ilit", "_res olution", "ĠT x", "umin ium", "op a", ".s chedule", "sm tp", "ภķ", "ur ry", "ü k", "go og", "_sign ature", ".int o", "ĠSte ps", "Ġhome owners", "ĠNS URL", "ĠP AC", "ĠĠĠĠĠĠĠĠĠĠĠĠ ĊĊ", "> ')Ċ", "en h", "Ġinc ap", "$ MESS", "Ġmo ins", "ĠF i", "Ġoff season", "press ions", "> .Ċ", "ĠGr ass", "ĠGo al", "_p df", "Hand lers", "Ġstack s", ".get FullYear", "=[ ];Ċ", "è½ ¦", ", V", "(s plit", "Ñĥн к", "Ġbake ca", "Ġ~ /.", "pe z", "t ails", "ĠG len", "Ġset Image", "ĠCom ic", "B LOCK", "ĉ This", "o ader", "Ġcapital ist", "_ST EP", "( Boolean", "ĠCor rect", "r ina", "Ġconc aten", "å® ŀ", "() :ĊĊ", "Ġun anim", "ll i", "al ars", "- ne", "Ġdiv or", "ĠKick starter", "]. _", "< number", "/m enu", "GR APH", "vis itor", "Ġimpro per", "_N EXT", "Ġb isa", "background Color", "/ input", "Ġmo i", "Go al", "li qu", "Ġmiscon duct", "Ġcompr ises", "aw ns", "ĠP ie", "ra is", "role um", "Ġcur se", "y u", "_p oll", ".current User", "ES H", "]) [", "Ġstory t", ")? ;Ċ", "* =", "ĠB urg", "/ layout", "_back end", "; ?> * '+", "åĿ Ģ", "ac ency", "( URL", "_h alf", "= l", "Ġlist View", "( section", ".to Array", "+ /", "ĠRodrig uez", "ist ream", "Ġelig ibility", ":: -", ".new Instance", "P B", "ĠAs sets", "ĠCom posite", "ĠL abs", "ĠHam as", "++ );Ċ", "Ġbl k", "ĠNe o", "L uc", "@ login", "Ġun aware", ".m et", "_RE LEASE", "( ST", "AM IL", "ri ke", "Ġ( ){Ċ", "(s printf", "ĠAccount s", "ĠV IEW", "ĠA j", "ãĤ °", "Ġwh isk", "Ġid i", "Ġro de", "Ġih n", "ĠElement ary", "Q ty", "Ġintrig uing", "Ġå ¤", "J obs", "ĉ offset", "ĠAh med", "ĠTal iban", "Ġè İ·åıĸ", "Ġinject ed", ".Auth entication", "_line ar", ".Dec imal", "Ġapp les", "Ġshare holders", "Ġb aked", ".d iff", "ĠE ddie", "ok ers", "Ġconfront ed", "vo ices", "Ġt us", "ĠSp in", "N ODE", "_ Un", "CT X", "/g oogle", "Tem perature", "Ġ' ').", "Ġmagn ificent", "Ġstart Index", "semb les", "Any one", "z k", "eh en", "ĠD ame", ". strict", "Ġrepl aces", "Ġline back", "Ġpush es", "Ġche ek", "ĠSh i", "_BY TES", "RE A", "ả n", "_CON NECTION", "G ateway", "ĠTr avis", "ĠA X", "ĠBas ically", "ĠUp grade", "à ª", "th emes", "erm o", "k or", "F emale", "_att ach", "ĠìĤ¬ ìļ©", "Ġpo z", "============ ==Ċ", "(s ymbol", "ĠS ector", "__ )ĊĊ", "_p adding", "ï¼ļ \"", "Ġf abs", "Ġr anged", "set Name", "Ġp error", "â Ĺ", "ĠFile Reader", "Ġful filled", "_C urrent", "Ġdom inate", "Ġsm ugg", "Post Mapping", "_for ce", "Ġb loc", "ĠG iant", "(v ideo", "ĠC U", "System Service", "Ġ elf", "Ġkont akt", "ë ª", "ke es", "gt k", "Ġparam Int", "Ġmark up", "u ales", "Ġaccount ed", "Ġgang bang", "RY PT", "ĠW rong", "Ġcred ited", "ĠM ESSAGE", "Ġfl aws", "Ġbb w", "Ġmetab olic", "ĠO EM", "/ event", "(C ollectors", "mont on", "ap pear", "Ġopt ed", "Ġche at", "Ġd av", "ĠPro ceed", "Ġê ¸", "ank ed", "и з", "ans k", "ĠH ang", "ĠC ler", "Ġdis gu", "Ġc map", ".cl js", "Ġa ument", "le z", "ĠJo ined", "_re ceived", "Ġa erial", "ot el", "Ġgre et", "\" s", "ĠGen esis", "ĠCal if", "pan ion", "Ġtail ored", "m apping", "and Expect", ".tr ack", "at omy", "ĠO w", "ull ah", ".Y es", "ĠSimple Name", "db h", "' en", "Ġnons ense", "Ġphilosoph ical", "(get Context", "Ġis so", "ĠA CE", "start Date", "Ġb ÄĻd", "ĠAUTH OR", "ĠGlo be", "Ġinsect s", "_A l", "ush ing", "è® °", "/ Home", "ĠLocal Date", "need ed", "hes ive", "Ġill usion", "äº Į", "Ġtr at", "x o", "/d etail", "_M ATCH", "Ġbroad band", "Ġw al", "ĠIllegal StateException", "IRE CTION", "Ġnor theast", "es ium", "ĠClient e", "ul ance", "nt y", "Ġt ecn", "Dev ices", "Ġgr ains", "ĠO g", "ĠS EL", "ud iant", "Ġ++ ;Ċ", "Ġexplan ations", "oc co", "Ġdi ets", "Ġco hort", "( controller", ".Iter ator", "-r ich", "ro cess", "G D", "Ġcar bohydr", "Ġfri ed", "ĠEmploy ment", "ìŀ ¥", "ĠLeon ard", "_ ${", "qu ares", "Ġcompan ions", "Ġpar is", "Ġstim ulation", "ĠZ oo", "Ġre levance", "ĠCol our", "Ġspe ar", "ot ional", "ĠL ite", "ĠK osten", "Ġà ³", "_att achment", "orph ic", "Ġdam it", "Ġd lg", "Ġthr ive", "CH ANGE", "ĠApp arently", "Ġat ual", "Ġroot ed", "( images", "aw i", "ari at", "Ġch erry", "STAT IC", "m nt", "ĠUser Id", "il let", "ĠHis panic", "Ġn ak", "Ġcent ro", "Ġdim s", "_initial ize", "ı k", "ĠCent ers", "RE N", "Ġevolution ary", "ĠTop ics", "_d amage", "em er", "Ġr und", "Ġpun ished", "Ġcub ic", "f air", "[] ;ĊĊ", "Ġinstant iate", "Ġover see", "- delete", "unte er", "start Time", "ĠP ipeline", "_G AME", "ĠC ir", "ĉ Null", ".Format ting", "uc umber", "ĠR ide", "Ġz oo", "Ġcheck er", "åIJ Į", "= C", "Ġg rit", "\"); //", "_x y", "ĠDe claration", "Ġcall able", "F oo", "ĠList Item", "Ġin accur", "ml in", "ĉ Data", "Ġev olving", "aw an", "Ġca fe", "fol k", "_ID X", "ĠAny thing", "ĠPalest ine", "ĠGrid View", "Ġcol ony", "ĠGerm ans", "( +", ".p id", ".js x", "ĠSuper ior", "Christ ian", "ĠL ect", "ĉ Game", "Ġinstrument al", "Anim ations", "д ал", "ĠMos es", "ĉĉčĊ ĉĉčĊ", "z s", "k te", "ä¸ ļ", "_D IST", "bit map", "d B", "Ġp ersistence", "ÑĢ оÑģ", "$ l", "B ron", "Ġ{ |", "_ch art", "ĠCon sum", "Ġh emp", "Ġ\" ))Ċ", "Ġattack ers", "Ġknowledge able", "Ġc et", "Ġvir uses", "' I", "Ġpitch er", "Ġsweep ing", "= list", "apt ops", ".de pth", "Ġinstruct ed", "ĠR us", "benh avn", "Ġи н", "S ports", "Ġon set", "æĿ ĥ", ". RED", "_s i", "ĠP ST", ".on Change", "> tag", "ĠR oh", "_char acter", "ĠLaw s", "ĠB achelor", "_s wap", ".re activex", "Ġreward ing", "Med ium", "- [", "ĠRec ently", "J oint", "part ition", "ĠMin utes", "Ġind o", "Ġabsor bed", "ĠG N", "_IN D", "Ġsab er", "Sp awn", "output s", "ĠJeff rey", "Ġmed ieval", "h ed", "Gu ide", "Ġpsy cho", "Ġgl am", "E lim", "äd chen", "_pl ain", "ĠS au", "-f our", "Ġanaly zing", "QU ERY", "Ġtom ato", "_button s", "V EN", ".set Status", ". Url", "+ ĊĊ", "Ġcompl aining", "deg ree", "conf irmed", "Ġsub t", "p arsed", "Ġtor que", "Ġtroub led", "ĠT ARGET", "Ġtrad emarks", "ĠCo ordinate", "ĠV iv", "Ġ// }ĊĊ", "Ġapr ès", ".get Position", "(Key Code", "ĠSil va", "Ġmet eor", "Ġendorse ment", "Over view", "ĠP oss", ".In ject", "Ġeven ly", "Ġvisual ization", "Ġw char", "ĠH DMI", "Ġfun ct", "ick name", "',' ','", "Ġfor wards", "Managed Object", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠ", "ĉ server", "ĠOut look", "ĠChron icle", "Ġdub bed", "Ġd ok", "ĠW ear", ".A L", "pare n", ". Interface", "Inter faces", ".c od", "Ġd ib", ".Global ization", "ĠAcad emic", "Ġass ms", "Aut om", "Ġl w", "ĠN W", "Ġ&& čĊ", "Ġproble ma", "ĠManufact uring", "lim its", "-m obile", "Ġfil me", "/ map", "Ġdo it", "ĠIn k", "Ġsu ed", ". arr", "Ġunder min", "ĠPro c", "croll View", "__ $", "Ġsidew alk", "( that", "ภ·", "[ q", "gram mar", "Ġt ë", "qu ito", "Ġspir al", "ext ended", "Ġf ocal", "Ġdig ging", "p as", "ĠT all", ".pro xy", "it ures", "TR ACT", "ĠRe alm", "Ġf eder", "Ġorient ed", "ĠAltern ative", "Ġo we", "Ġsour ced", "ink er", ".d et", "S ep", "ĠQ ui", "ĠPal mer", "(_ ,", "s amples", "oy er", "ull an", "que z", "Ed ges", "Ġsh out", "ĠA chie", "Ġha ar", "_Con struct", "Ġprem ature", "Ġre vert", "'). Ċ", "Ġs chn", "filter ed", "null ptr", "S aved", "itect ure", "CL A", "Ġv l", "st ell", "ĉ Me", "ĠL ip", "n ational", "Ġwh olly", "Ġspr ings", ".T imer", "ĉs rc", "els en", "åħ ¶", "Ġcommunic ating", "ĠQu iz", "Ġt eng", "Ġge z", "ĠOut side", ".S ign", "(c s", "Ġdisput es", "ĠWe iss", "ann es", "> No", "ĠB ach", ".remove All", "re fer", "/d ashboard", "ĠA jax", "Index Changed", "ĠWe ak", "' \"Ċ", "Ġs ights", "access Token", "ĠJ oi", "(d omain", "ĉc v", "Ġcontin uation", "Ġpl um", "ad ir", ".set Message", "Ġ ï¼Į", "Ġsw allow", "ĠL amp", "Ġq w", "Ġu u", "C oin", "ub ic", "ĠDe als", "r ace", "Ġdict ator", "Ġmem e", "turn ed", "ĠJul ie", ".grid Column", "Ġpup py", "Ġp am", "Ġ) {čĊ", "Ġinv iting", "Ġf rench", "v im", "Ġwr apping", "Ġ#- }Ċ", "([ -", "Ear ly", "Ġsh iny", ".f aces", "Ġreb ell", "abc def", "ä lt", "Ġest imation", "ph ys", "los ures", "_RE L", "Ġex clusion", "ĠSk ype", "we ise", "-st op", "no thing", "ĠE gg", "is ors", "Rich ard", "Ġcounsel ing", "Ġcomm em", "ĠQ MessageBox", "ĠSy nd", "ĠFro st", "ĠCompet ition", "ĠAw ake", "Ġt ed", "ic iones", "ĠDev Components", "VERTISE MENT", "ott i", ".run ner", "Ġuniqu ely", ".fl ag", "ĉ rs", "_g eneric", "Ġ`` `Ċ", "ACH INE", "Ġme in", "( Application", "( br", "Ġrat ios", ": ,", "ĠXCT est", "ustain able", "- www", "it les", "_T EMP", "Ġs yst", "umeric UpDown", "ĉassert True", "Ġw f", ". peek", "ĠBul g", "Ġterr ifying", ".M ODE", "ĠG W", "á r", "Ġf ic", "Ġcommit ments", "- tech", "ĠL iquid", "ope z", "z heimer", "a ña", "-m edia", "( animated", "_go al", "Ġg um", "yst one", ".S ET", "ĠW end", "set CellValue", "Ġmsg s", "c ash", "AL LOC", "/ aws", "Ġmic rowave", ".Point er", "ĉ Console", "_s orted", "ĠFil ip", "Pro d", "Ġ//! <", "ing roup", "Ġk s", "_T RI", "Ġteas poon", "ĠAT T", "Ġrecover ing", "ĠG LOBAL", ".P ar", "Ġ/> ;Ċ", "Ġmar ble", "ul ators", "ĠC ycle", "Ġher bs", "_m etric", ") !", "_C LOCK", "_ Button", "H arry", "è¿ Ľ", "Ġstr ains", "ĠApp Bar", "ĠCh an", "/v ideo", "Ġb am", ".Pro gress", "$ f", "lem en", "Ġir regular", "ĠD uncan", "ĠM int", "-v ideo", "ঠ¾", "ó wn", "ĠEM PTY", "Ġstack ed", "ĠH A", "_c ut", "Ġwhere in", "ĠW ays", "(count er", "è¯ ķ", "Form Group", "Ġble w", "c ourses", "Ġproduct os", "ry s", "ĠRest r", "Ġsty ling", "> s", "Ġp iv", "Ġit ertools", "get Repository", "ĠI k", "_dev ices", "lay ui", "Ġhalf way", "Ġfran ç", "Ġtun ing", "O A", "_N ode", "ar de", "Ġfier ce", "lic ted", "# čĊ", "Ġbreak through", "ĠE rik", "Ġb ride", "Ġ. \"", "cul us", "ins ide", "ĠIndian apolis", "ĠE E", "Ġy og", "urre t", ".f s", ". grad", "_c ards", "_ac curacy", "_ep i", "qu eda", "/ org", "é ªĮ", "Ġcom pte", ")) [", "Out side", "G reater", "ĠRender er", ". actor", "Account s", "Id le", "_h ours", "ern er", "Jo ined", "Ġmen j", "requ ires", "ĠO PER", ".remove Child", "ĉs p", "Ġes se", "r ift", "xF E", "ĠSh akespeare", "________ ____", "Ġbudget s", "Model State", "fill able", "- component", "oc os", "ĠBUT TON", "/ io", ", out", "s ms", "Th omas", "ĠAr med", "res ume", "Ġrot ating", "ĠV ault", "Ġse us", ". (*", "Ġa mino", "Ġ[] );ĊĊ", "Ġprov oc", "no x", ".Get Enumerator", "==== ===Ċ", "æĸ Ļ", "_sc roll", "Ġfil med", "ĠS oci", "g ap", "g ro", "V ote", "\" But", "_R C", "An imal", " Ģ", "ib ile", "Ġaw aken", "ore st", "in ja", "ĠI van", "( Command", "Ġ *****", "Î ·", "Ġkv inder", "/h elpers", "_c ases", "t g", "ìĦ ¸", "Register ed", "ĉp ass", "_d igits", "Ġcont our", "Ġinf ants", "Ġjust ification", "ĠFort unately", "Con tr", "ĠonCreate View", "_S AMPLE", "Ġallow Null", "Ġn ud", "Ġfet ched", "_e qu", "ĠUn able", "=\\\" \"", "> {Ċ", "Ġcommit tees", "ist ema", "+ \".", "ÃŃ an", "m ant", "Ġsou theast", "ï¼Į Ċ", "dialog s", "PRO JECT", "charg er", "- port", "(u uid", ". export", "S ix", "ĠR P", "P rem", "Ġconsc ience", "Ġmargin Right", "_d istribution", "y aml", "res izing", "D ock", "ĠLoc ations", "G Y", "Se ed", "B UFFER", "oss ip", "ull en", "Th ings", "- self", ".p oll", "PL AYER", "Ġå ®", "G ROUP", "ĠA way", "Ġg ospel", "xf d", "M ary", "ĠPort able", "T URE", "Ġutil is", "Ġse it", "Ġstr and", "Ġtrans c", "Ġ( ^", "ĠAl fred", ".m em", ".c ircle", "Ġ~ /", "for cing", "Ġr iot", "pro x", "TH ON", "iz ación", "ĠN I", "ro st", "Ġdis pro", "_in stances", "ï¼Į âĢľ", "ograph er", "end as", "ĠIsa ac", "ĠP ine", "/d is", "Ġcolor With", "iter ate", "_str ide", "Ġpun to", ".Event Args", "( center", "Ġneighb oring", "ĠPr ison", "ĠMess enger", "Ġepid emic", "da o", "_com plex", "Ġgr avel", "_D IP", "é ment", "ĠA ri", "_bit map", ".qu it", "( valid", "Ġp end", "Ġrespir atory", "Ġre bound", "Default Value", "ãĥ Ń", "Ġcomm its", ".test s", "_f r", "it et", ".s f", "Ġspace craft", "c ritical", "Ġde pressed", "ĠAny Object", "Ġun b", "Ġdisc ern", "(m ysql", "L atin", "ĠB og", "ĠWild life", "To File", "iox id", "@ RestController", "Ġ\"$ (", "Ġ<< \"", "Ġdefect s", "Ġdat um", "h in", "Ġreal izar", "any ahu", "ĠS ig", "@ Data", "ad aptive", "ĠC atherine", ".c r", "ĠCO OKIE", "Ġp ictured", "ĠFight er", "Query able", "ĠAny way", "ĠGL FW", "_n amespace", "_ ft", "Ġ] )", "Organ ization", "Ġconstit utes", "Ġqu and", "(ch unk", "\"/ >čĊ", "ĠL akes", "main window", "Car thy", "sp in", "(c sv", ": red", "-com merce", "ภ¹", "Ġdiscover ing", "Ġe co", "_f ac", "inc eton", "ĠGre ens", "j wt", "Ø µ", "ĠBron cos", "ĠGood s", "(G TK", "Ġreturn Value", "Ġsi empre", "Ġneut r", "w ent", "ĠN atal", "Ġenthusi astic", "á» į", "F N", "/d atabase", "C atalog", "Ġbr un", "ĠK ash", "_P l", "isc rim", ", width", "Ġin mates", "Ass ignment", "ĠH aven", "Ġplay ground", "ex am", "@ Controller", "ul iar", ".get Parent", "Ġ\" ;ĊĊ", ": size", "iss ors", "Ġf is", "Ġal c", "ens ation", "ĠN ixon", "Ġmight y", "- str", "_s pecial", "_A DC", "ĠTw ig", "um bling", "- address", "Ġher oin", "Y TE", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĊ", "F riend", "Ġa ve", "ĠP NG", "ĠKurd ish", "DataSet Changed", "Ġbl ades", "br al", "St eam", "Ġsig u", "IRT UAL", "ac os", "UD P", "(d atabase", "he c", "ĠString s", "_scal ar", "ĉd esc", "ĠT LS", "; \"Ċ", "ĠCor byn", "Simple Name", "u ell", "ĠEnt re", "ell ites", "- place", "Ġfrank ly", "ĠE rf", "CE L", "Ġpa ÃŃs", "Ġh edge", "Ġlat ent", "ĠIR Q", "ĠH erald", "ĠP rec", "ë³ ´", ".T EXT", "Sal ary", "Ġaut umn", "Ġtrav ail", ".S um", "Ġc ared", "M or", "Ġint uitive", "Ġj ournals", "_ IT", "ĠT rou", "ä¼ ł", "Has ColumnName", "Com posite", "Ġsp ice", "_d isk", "_CODE S", "ĠInt roduced", "ion a", "Ġnue stra", "o ct", "ĠĠĠĠĊĠĠĠĠĊ ĠĠĠĠĊ", "(param eter", "Ġstud ios", "Ġproject Id", "Ġbd sm", ".Sql Client", "im izer", "ĠC ARD", "+ t", "a an", ".s ol", "_Ad just", "Ġright eous", "ĠLog ging", ".f ilters", "_T AB", "ĉs ys", "roph ic", "other apy", "ĠB rowse", "key board", "R ON", "+ \\", "ro pped", "Ġext ensively", "f k", "Ġl ime", "year s", "Ex c", "Ġs ph", "Ġche ating", "and ro", "ÃŃ o", "Ġpr ince", "o ire", "ĠD estination", "ĠConvert s", "Ġup stream", "o led", "Ġserv ants", "Ġsem antic", "Ġcr unch", "Ġevent ual", "run ner", "/ error", "Sp in", "Ġsecret ly", "Ġas semble", ".P erson", "end error", "_ <", "Ġp endant", "S leep", "ĠChem istry", "Ġboss es", "l k", ")) ),Ċ", "Block ly", "DE VICE", "Ġreflect ing", "Ġam ple", "Mill iseconds", "ĠPresident ial", "Ġus uarios", "ĠN Z", "ĠSal ary", "ĠA manda", "_n p", "j ury", "Ġkö n", "Ġtherap ist", "Ġhomosex ual", "ĠDr ake", "-w indow", "ĠLoc ated", ".D river", "ĠV IDEO", "Ġmerch ants", "ĠC hest", "- lock", "/ php", "Ġmil ano", "_ST YLE", "arg er", "ide a", "G UID", "adv anced", "me al", "Options ItemSelected", "=' %", "ĠCh am", ": data", "(st at", "Will Appear", "Ġinform al", "aj i", "Ġre productive", "ĠC AS", "ãģ £", "F UNC", "ĠR uth", ")+ (", "CON ST", "ĠF ans", "Ġgroup Id", "xffff ffff", "Ġsam pler", "Ġ}} \">", ". the", "Ġh ollow", "W AY", "ĠFac ulty", "Attrib utedString", "ĠLook s", "ĠR ex", "j k", "ĠM IL", "Ġb ard", ".L ong", "Ġliv est", "Ġsk al", "ic ism", "MA IN", "Ġmu cho", "B ODY", "Ġes e", "ĉ use", "F oot", ".SQL Exception", "Ġinherit ance", "re ceived", "Ġput as", "ed is", "als a", "ĠError Message", "Book ing", "Ġtr act", "ac z", "ĠC ant", "_reg ex", "Ġide ological", "Ġj ihad", "h os", "/s ys", "col m", "(p ool", "Ġest án", "ĠP ending", "em ás", "Ġktó ry", "));ĊĊ Ċ", "trans actions", "Ġw ield", "it ere", "ert ure", "_s s", "Ġstretch ing", "Ġprison er", ".Read All", "Ġbes ch", "-- ;čĊ", "Ġcr isp", "_SC AN", "Ġa e", "Str ict", "ĠMin neapolis", "ĠBo eing", "ar is", "re k", "_p ipe", "Ġpri ests", "(E IF", "eh icles", "ĠInter active", "b etween", "ĉNull Check", "ĠBl air", "ĠL t", "_in line", "eth yl", " ¼", "_p ackages", "Ġbarrel s", "_ he", "Ġreg exp", "_ pts", "_H andler", "ing ular", "ĠN issan", "ĠR anch", "Ġper ch", "Un supported", "Sm ith", "ĠLeg ends", "M i", "Ġg f", "st eder", "Ġacqu iring", "Ġsim ulator", "() ,\"", "re ceive", "Ġin place", "A CTION", "ĠWeb Driver", "files ystem", "< Order", "lo pen", "ĠHE IGHT", ".set Border", "į °", "__ [\"", "Ġcl amp", "Seg oe", "b ands", "to List", "amb a", ">' +Ċ", "Ġcred ible", "am at", "play ing", ".setImage Resource", "qu el", "Ġpod r", "ge om", "E k", "ĠQ atar", "Ġg eld", "? ',Ċ", "Ġc yl", "( ax", "ĠW I", "ur ally", "ĠBr asil", "Ġsen za", "ale y", "on en", "Ġb ah", "Ġmolec ule", "R ad", "è¿ °", "AN CH", "- background", "- agent", "Ġprol ifer", ": boolean", "Ġt ide", "erial izer", "_ ;čĊ", "F ee", "** )", "erg y", "ĠHon or", ".Log ging", "ir is", "Ġunder mine", "ĠD y", "Ġt yr", "Ġde que", "Ġdam er", "([] )Ċ", ".layout ControlItem", "pe ated", "C AN", "rag ments", "L and", ") ]);Ċ", "ĠS ah", "ĠDE CL", "With in", "ĠN amespace", "an other", "sem bling", ".des cribe", "Con sum", "ĠF ear", "g iven", "Or ange", "< boolean", "Ġstead ily", "pa Repository", "Ġresult Set", "_ ENTER", "_re peat", "Ġt ones", "ĠPRO P", "n al", "part icle", "Ġsign aling", "Ġaccess ory", "ĉĉĉĉĉĉ ĠĠ", "Ġvie le", "ĠNo ah", "- ag", "Ġmur ders", "Ġa ired", "ĠPL AY", "ĠS ullivan", "_C ore", "Ġul ong", "Ġblog ging", "> This", "Ġdata Index", "Ġprint able", "ĠE yes", "_target s", "(P y", ". over", "Ġbr u", "am pton", "Ġplaint iff", "< Key", "b ull", "Ġ⣠¨", "Iss ue", ".cor nerRadius", "C ritical", "_p hi", ". angle", "Ġdynam ically", "! \");čĊ", "> );Ċ", "in vest", ".* ĊĊ", "Ġt élé", "Ġsuper f", "Ġcas cade", "DT D", "Ġviv id", "Ġsubsid ies", "ĠH ass", "Ġcoll aps", "Ġcer amic", "{} \".", "ĠLeak age", "-tr ash", "coll apsed", "-s ocial", "ĠCh ad", "Ġincl ined", "Ġst o", "Ġstory board", ".p ayment", "stack overflow", "ĠRaid ers", "Ġ# '", "olic ies", "ìľ¼ ë¡ľ", "em ap", "Ġk j", "Ġqu ota", "ĠGard ens", "ë² Ī", "ĠAng els", "Ġof t", "Ġlower case", "Ġi Param", "Ġche apest", "un ta", "_p kt", "ic ators", "Ġle urs", "Ġdecre ases", "ĉ define", "PRE C", "amm ers", "ĠPre paredStatement", "(d irection", "Ġcre ws", "ark ed", "ĠMem phis", "ĠS ell", "G TK", "Ġm aid", ": disable", "éĽ Ĩ", "ĠP f", "Ġal beit", "open h", "?> \">Ċ", ".get Source", "(s cale", "D u", "ĠP IL", "_ref resh", "Ġbet s", "(c ar", "ĠV on", "| --------------------------------------------------------------------------Ċ", "ĠGr at", "M uch", "( Dialog", ".stop Propagation", "Ġte k", "Ġex its", "'], $", "Ġphone Number", "uc s", "ec imal", "------------ --", "in p", ".po jo", "Ġcor pus", "Ġpractition ers", ".p ic", "\" testing", "Ġstring By", ".Not Null", "Ġr ang", ".D ynamic", "_R ender", "аÑĤ а", "Wait ing", "ĠW ik", "Ġoverwhel med", "% \">", "ĠA E", "}} >Ċ", "u w", "_t yp", "Ġbuck ets", "Ġgre eting", "Ġla ughter", "Ġant agon", "uggest ion", "- email", "ĉt op", "Ġer os", "_tr i", "Ġiss uing", "Ġh á", "Ġisol ate", "Over flow", ", E", "Ġnut ritional", "ĠAbb ott", "Ġn f", ".t ouch", ".fetch all", "_z ip", "\") }Ċ", "Ġam at", "ĠC isco", "Ġn Ã¥", "PLE X", "Ġse i", "f oto", ".to Json", "å¤ ļ", "ĠKle in", "Ġlib c", "Ġmin ers", "å ¢", "- print", "ĠP ride", "T odos", "Ġmask ed", "Ġset Data", "Ġtele fon", "Ġunh appy", "ĠT ables", "ge b", "( debug", "_all owed", "- access", "Ġlog istics", "Ġg ems", "ĠM ature", "Ġr sp", "ĠAl le", ".get Bytes", "\\ web", "ynchron ized", "Par agraph", "Ġth rottle", ".sql ite", "cons ulta", "ĠSe ah", "C e", "Ġsub mar", "ER E", "V ous", "Ġre ddit", "Ġsql alchemy", "-m ile", "oc ide", "P our", "}} \">Ċ", "st ead", "Ġ@ (", "Ġ[ ])", "ĠAd s", "Ġover load", "r idden", "ĠDes ert", "ĠW rap", "ĠPortug uese", "et z", "ĉf irst", "Ġmile stone", "æĹ ł", "Ñĥ Ñī", "(s uccess", "< Vector", "co ol", "Ġ[ ]);Ċ", "erv als", "Ġin vert", "\" io", "cur so", "fr agment", "Ġfeas ible", ".set Position", "Ġel m", "Ġimag in", "@ Spring", "Ġb ats", "pu és", "ga lement", "ns ic", "gi ene", "ell ation", "ĠBa iley", "Sh ar", "ĠT ul", "ĠH K", "Ġfree zing", "gl m", "ce ans", "-c ut", "_c ircle", "åij ĺ", "n egative", "Ġind ian", "s alt", "Ġt ing", "ĉm od", "Ġs int", "ak in", "um l", "ĠText Input", "Ġpop ped", "T MP", "Ġpark ed", "×Ļ ×", "ĠF usion", "Ġhe ater", "ET F", "ro zen", "h all", "ĠM ik", "lev ard", "- heart", "ĉ order", "M aking", "Ġpled ged", "Ġdir s", "$ post", "ĠH err", "stant iate", ", \"Ċ", ".get Color", "ĠS AT", "Ġtimed elta", "ĠM ai", "ĉm ethod", "Ġid iot", "ĠTr av", "ident ified", "ĠDiv ine", ".get Path", "D ash", "Ġinf iltr", "Ġhandle Submit", "bro ok", ".g eneric", ".short cuts", "................................ ................................", "Ġdat ings", "ĠM V", " #", "} \"ĊĊ", "Ġimprison ment", "ason ic", "rou d", "uc ion", "æĬ ¥", "Ġdia lect", "Ġon Mouse", "const expr", ".label Control", "Ġwe aker", "Ġman kind", "ĠRE CE", "Ġd iz", "Ġapp Bar", "Ġqu é", "f ra", "_default s", "Ġal iqu", "_at om", ": indexPath", "Ġmiss es", "Ġvis ually", "ĠH ands", "STR U", "i ates", "_ asset", "F inder", "mid t", "Ġsn acks", "(__ ('", ". uri", "ĠIn strument", "ven ir", "($ __", ".Dot NetBar", "Ġconfig s", "Ġguess ed", "ि à¤", "Ġinitial izer", "Ġ? \",", "ĠVer izon", "man ifest", "ge ben", ".d etails", "G ate", "pons ible", "ĠEl im", ", str", "Ġwrit ings", "ĠD erek", "ĠCo ordinator", "Ġpill ow", "Ġnotice able", "R s", "Ġduplic ates", "ern els", "k J", ".z z", "oll and", "ĠSE CTION", "_f name", "uff led", "'].' \")Ċ", "ĠD ollar", "Ġem oji", "Car ousel", "- player", "Ġadjust ing", "Ġjug a", "alleng es", "g ene", "(body Parser", "lop edia", "ĠBeh ind", "Ġslee ves", "Ġdrag ging", "ĠChe vrolet", "Ġb iz", "iv ities", "ĠFrequ ency", ", char", ".W HITE", "_pre view", ") ';Ċ", "_ ax", "ION S", ".c pu", ".input s", "UB E", "_fe ed", "ĠSup plement", "! ).", "es us", "ĠU DP", "Ġmicro phone", "Ġconf irms", ".is NotEmpty", "\":\" \",Ċ", "_S CREEN", "ĉ expected", "+-+- +-+-", "ĠH ait", "fast call", "Ġdep ict", "v b", "_p icture", "ĉd escription", "ĠW ife", "uc i", "Ġv icious", "ä» ĸ", "ue ba", "Ġset User", "ãģ ¡", "Ġd iving", "Ġoper a", "user content", "ar ah", ") },", "y un", "vel t", "Ġun covered", "Ġh ips", "Ġosc ill", "Ġassert ing", "ĠX i", ".re store", "ke a", "Ġsp elling", "Ġder ive", "ab we", "ĠD ow", ".set Type", "_v s", "Ġco zy", ".c ategories", "O rg", "_m gr", "Ġd ungeon", "collection View", "ĠBl ank", "ac ias", "ä ä", "_clean up", "_ACT IVITY", "Ġtri angles", ".Menu Item", "Ġip hone", "ĠW on", "] ]ĊĊ", "ĠCompar ison", ".D oc", "Ġcan onical", "ĠSud an", "') {", "Up Inside", "b uiltin", "ENC Y", "x be", "Ġch uck", "Ġcontrad ict", "Ġnuest ro", "Ġarchitect ural", "ĠF ib", "Ġcomp ares", "* k", "C fg", "çĦ ¡", "nt en", "Match es", "ĠDOWN LOAD", "_HAND LER", "man agement", "[ S", "EN G", "ÂĢ Â", "f ang", "Ġsl ipped", "ĠL anka", "esc aping", "Ġtack les", "ĠPed ro", ".P rop", ".' '", ".G enerated", ".New Guid", "at rigesimal", "ill on", "Ġstat istic", "spec ies", "hold ing", "Dr upal", "Ġfundament ally", "Ġbond age", "Ġres olutions", "Inline Data", "\\ Type", "est ion", ".w rap", "Ġwar riors", "ĠLOC AL", "Arch ive", "Ġembr aced", "á» §", ".V er", "ĠAff ordable", "oles ale", "ĠAp plied", "ĠCon version", "m ega", "_c am", "Ġcer emon", "aur us", "ĠVol k", ".op ens", "/ about", "ĠSt d", "j ournal", "()) {čĊ", ",\" \\", "( Arrays", "ĠD ense", "ase ña", "än ner", "/ stat", "user Data", "Ġg erman", "Ġt z", "worth y", "Format Exception", "ph erd", "Ġsm iles", "ĠWh enever", "( adapter", ".bad logic", "Ġbrief ing", ".Grid Column", "- char", "dim ension", "ĠC opper", "Ġnin th", "Ġ' {{", "Ġr av", "_T able", "Ġderiv atives", "ĠR aise", "ĠF ut", "arm or", "-p adding", "Ġre min", "ĉ style", "ĠMembers hip", "Ġspread s", "Ġgall eries", "ĠClar ke", "Ġcon ception", "min ute", "Ġab usive", "_ad j", "Ġterr ific", "Ġover t", "our cing", "Ġentr ada", "level s", "Ġcrit ique", "Ġrespect s", "ĠM MA", "i ene", "Ġenc aps", "ĠRay mond", "Div ider", "iv able", "b az", "Ġ@ _;Ċ", "ĠCl aire", "Ġur ging", "CE E", "Ġtransform er", "disc ord", "ĠJ ourney", "t os", "Ġcompet itions", "ĠO BJ", "ĠB is", "Ġrelax ation", "id y", "_IN STANCE", "ĠP ref", "d ados", "ici encies", "ĠMedia Query", "ĠC ube", "ĠStr ange", "g pu", "(d ays", "_Init Struct", "Ġfinger print", "em at", "ĠGe cko", "Ġr ails", "ĠL um", "str action", "ig ung", "(m ovie", "_d ictionary", "_int errupt", "ĠQ C", "ik ed", "append Child", "rec ipient", "r é", "V e", "Ġtow el", ".last IndexOf", "Ġplace bo", "ĠW ie", ".es p", "( Debug", "oper ative", "Ġdece ased", "& id", "ĉm utex", "el ic", "Ġb apt", "ĉ čĊčĊ", "Ġfar ther", "H alf", ".dis able", ".menu Strip", "le ccion", "Ġresult Code", "Ġc ans", "-e lection", "f emale", "_F IX", "aus ible", "ĠP OWER", "Ġrecon struction", "Ġsc ans", ".Xtra Bars", "âĢĺ s", "Rem oved", "Ġparagraph s", "_m argin", "Ġl ymph", "Ġb os", "ling ton", "ĠBapt ist", "Ġadvertis ements", "ĠMan age", "/ yyyy", "IO US", "ENC ES", "ĠF iction", "ĉm enu", "ĠFile OutputStream", "ov an", "ĠF eng", "Ġsk ipping", "get Class", "ann i", "Ġreb ounds", "Ġpublic ity", "Ġing res", "use ment", "Ġthought ful", ".Ch art", "Ġhat te", "pass port", "Ġhook ed", "ĠL ens", "Ġflag ship", "Ġst ip", "ĠG EN", "Ġcl ues", "ip v", "ĠR ise", "ĠG ew", "tab lename", "Ġfore most", "_ validate", "_an alysis", "oll a", "Ġqual ifications", "Ġdistrib utions", "ĠFl ower", "Ġt ense", "Ġthank ful", "Ġcl utch", "Ġun ified", "ro ads", "Ġsit i", "Ġst all", "_P RIORITY", "c stdlib", "_USER NAME", ".by tes", "? page", "ermal ink", "ĠVe get", "/v nd", "- author", ".N ONE", "ĠCon current", "ĠC ry", "Ġstart ers", "ĠInter action", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠ", "ĠLE VEL", "E ll", "Ġcom boBox", "ĠTh eresa", "te k", "_H andle", "Ġab y", ".g dx", ", end", "(L ocal", "O l", "kn ife", "ar ial", "ĠH off", "Ġprostituer ade", "Do ctor", "Inst ances", ".Set Value", "ĉf rom", "Ġlux urious", "Ind ent", "Alloc ator", "_D RAW", "(\", \",", "ĠFr ances", "Ġgroup Box", "(s chema", "Print f", "OR IES", "- gradient", "Ġre put", "ar in", "_D ONE", "in cre", "ig nty", "Ġex ert", "Ġ- .", "/ App", "-th rough", "Ġdecl ining", "Ġdess ert", "Ġinc umb", "Ġdesign ation", ".P ORT", ", strong", "Ġsand box", "Ġw ines", "ĠP av", "$ str", "ask ell", "Ġh ö", "ĠP Y", "Get Instance", "Text Input", "game Object", "/ events", "created At", "Ġlocal Var", "ĠWH ITE", "per ed", "ile ge", "eff icient", ", color", "c ate", "ĠC afe", "Ġsimilar ities", "Ġp umps", "ĠHung ary", ".User name", "Ġsk ate", "Ġtouchdown s", "Ġacceler ate", "ĠH elen", "OM EM", "ĠK un", "_v ol", "Ġfind All", "ĠMens chen", "a head", "); \"", "kom men", "Ġpossess ed", ".arg max", ".trans ition", "AR P", "OLUM E", "(s cript", "ĠÐ ĺ", "ĠF inding", "on ces", "I o", "B old", "Ġrenew al", "_D IALOG", "Ġdis reg", "INT ERN", "Ġt oute", "Ġelect r", "ĠG ross", "ĉ true", ".F ields", "ĠW IDTH", "ĠD ent", "Ġà ģ", "NS Notification", "Ġa os", "Ġme lee", ". Validation", "ĠDE C", "-depend ent", "Ġsu ic", "T raits", "$ message", "ĠD ear", "ĉ FILE", "l anguages", ".P rot", ".add r", "-g eneration", "IC ON", "Ġtrans plant", "-d escription", "Ġch asing", "Ġche es", "Ġ} */Ċ", "Tr ad", "qu eries", "/widget s", "sub package", "Ġes pec", "Ġcr acked", "Ġcompet itor", "P urchase", "- team", "olec ular", "or Thunk", "& P", "Ġrel ent", "/ #{", "Ġproduct Id", "Ġè ¾", "ĠL av", "ĠAl ter", ".M ode", "AD IO", "gr p", "æ ·»åĬł", "Qu it", "Ġdepth s", "-c ategory", "ĠD ATABASE", "S PELL", "ĠFal con", "ĠQString List", "Ġ'' .", "ĠIn stitution", "d amage", "az or", "bel ongsTo", "ver ages", "ĠN ONE", "ipp ets", ", \\Ċ", "Ġfoot print", "_ archive", "n ak", ".get Field", "ĠRef lection", "Ġ' ]", "ĠH BO", "_dis count", "Ġin cest", "ĠD odge", "ĠW ade", ".N O", "\" encoding", "ĠBlock chain", "Ġlaws uits", "ĠM aint", "ch ten", "Ġét ait", "Ġktó re", "_ ctl", "(t imer", "B attle", "iz o", "ay ed", "I OR", "ĠGlas gow", "Ġsyn th", "_log s", ".p ose", "_Adjust orThunk", "(( &", "Ġuns ure", "yst ate", "íķĺ ëĬĶ", "O ULD", ". ng", "Ġdefault dict", "work space", "Ġselect ive", "Picker Controller", "YNAM IC", ".method s", "Ġpath ways", "ĠF ew", "K G", "CRY PT", "follow ing", "ĠD LC", "ĠS ara", "Ġpres et", "estruct or", "ĠK urt", "Ġair plane", "Ġo mp", "ĠParent s", "ĠMart inez", ".com plete", "Ġbroad ly", "Ġsc are", "ĠM é", "Ġelim ination", "Ġpou red", "/ sw", "Ġcom un", "Ġm asc", "ĠOrgan ic", "ĠString Utils", "il ateral", "Ġreluct ant", "- age", "Ġn z", ".\" \\", "Ġpast or", "ale z", "Ġe fect", "pro v", "/ init", "Ġp enn", "und s", "Ġs size", "ĠPro j", "bas ename", "Ġsh ells", "ĠNe ck", "ĠEn forcement", "vid ed", "st own", "S phere", "$ r", "uss en", "af il", "ĠTele gram", "Ġanaly tical", "нÑĭ е", "us ually", "x n", "Ġhistor ian", "ĠGreg ory", "ol ph", "ĠUn a", "Ġcon tributes", "% -", "anti ago", "ÑĢ ед", ".reg ion", "Ġab rupt", "ĠUnsupported OperationException", "ĠT ASK", "_f inish", "Ġnot orious", "ĠV s", "ĠM Q", "Ġsun set", "Ġun acceptable", "ar cer", "Ġill umin", "ĠOr b", "Ġb h", "E ste", "_dis patch", "Ġr ipped", "Ġtou jours", "ĠPar cel", "_ ll", ".user Name", ".class es", "S OURCE", "( Number", "ел Ñı", "Ġhead phones", "(s ide", "const itution", "ann ah", "čĊ ĠĠĠĠĠĠĠĠčĊ", "Ġcl iff", "- ref", "Ġmo strar", "ĠPow ell", "+ y", "ĠB G", "_f ragment", ".P ort", "Ġreal izing", "param ref", "Ġh ometown", "@ Table", "+\" --}}Ċ", "F rench", "Entity Manager", "ĠPl ain", "//////////////////////////////////////////////////////////////// ////", " ³", "( RE", "c apt", "Ġorgan isms", "Ġj ets", "ol ocation", "ĠApp RoutingModule", "Ġgl orious", "æľ į", "Ġdisc arded", "ĉĉĉĉ ĠĠĠĠĠ", "ĠArn old", "l ug", "Ġpar l", "Ġhorm ones", "Ġm ah", "ĠSon ic", "Ġorgan izers", "_PL ATFORM", ".in v", "Ġch ord", "vent ional", "ĉ of", "Ep isode", ". Enum", "unk t", "ĠD h", "ĠJ ared", "ĠN ak", "Ġint ends", "End ian", "Ġa ustralia", "_c v", "(res olve", "Ġclin ics", "lik ed", "ASH INGTON", "in ha", "' *", "ĠN P", "_b eh", "Ġh f", "Ġw ür", "c ategoria", "$ form", "Ġsub way", "Ġis Active", "pop ular", "C our", "Ġco oldown", "Ġa insi", "ĠGL uint", "ere al", "Ġarray Of", "Ġh atch", "======== ==", "ress es", "_P P", ". ^", "_dec ay", "ĠB less", "met rics", "ĠCOPY ING", "ĠDump ster", "ĠJos é", "ĠDesign s", "<", "Ġ\" }Ċ", "time zone", "Ġe er", "max cdn", "ĠE SC", "ig aret", "_conn ected", "_re verse", "Ġquestion able", "ĠUS C", "Ġtut ti", "Ġdrop out", "ĠActiv ities", "ĠW inds", "')) );Ċ", "Ġcon gest", "ÄŁ ı", "Ġprolong ed", "è¿ Ļ", "ĠCross AxisAlignment", "LE EP", "ĠVAL ID", "ĠG az", "Ġdepend ence", "ĠP rix", ".Compiler Services", "j ump", "Ġstr at", "c irc", "ĠC USTOM", "x aa", "Ġb mp", "Ġb ureau", "Ġw aren", "N X", "( Window", "ĠChrist ie", "_F E", "Ġt n", "ĠOm ega", "communic ations", "Home Page", "com pletion", "Ġsupply ing", "YP ES", "á vel", "åĪ ¶", "(c lick", "\\ Contracts", "/ questions", "Ġe z", "AM S", ".m esh", "Ġ' \\Ċ", "Rob ot", "Json Object", "ĠD F", "ĠProcess or", "_sh ould", ".prot obuf", "- users", "Ġemb ry", "F ONT", "Ġstart ups", "ĠData Source", ") #", "uro s", "_C olor", "Ġstand alone", "} [", "j d", "Ġforg ive", "Ġng x", "ĠGener ally", "Ġconfig urable", "/ order", "Ġv as", "') \";Ċ", "ĠR R", "ĠT roy", "Ġcomprom ised", "ĠSw an", "int endent", "Cent ral", "_ keeper", "Ġar quivo", "ĠRead Only", "_cur ve", "k v", "ent in", "è ±", "ĠE y", ".im read", "ĠP am", "if fe", "at ivity", "xb c", "Ġgr im", "-f illed", "names e", "'] :", "Ġa ur", "ĠGib son", ".Mouse Event", "Ġl ado", "avad oc", "Ġfam il", "ĠM oder", "f ps", "ãĢĢ ãĢĢ", "- example", "ĠAl zheimer", "ĠU tf", "_arg uments", "Con clusion", "text Content", "rem aining", "Ġinterrupt s", "ĠBack up", "ĠM ong", "Ġrecept ors", "h istor", ".cor outines", "Ġsh outed", "Al arm", "Ġcomb ust", "Ġg rote", "ult ural", "( ids", "---------------------------------------------------------------- ----------------", "ipl inary", "O pts", "ĠY ale", "local Storage", "Ġequ ival", "ĠF leet", "\\ b", "* pi", "ĠQ Label", "æ ¡", "Ġv x", "ĠA CL", "Ġsu cesso", "Ġper c", "ĠNot re", "Ġan arch", "R ing", "sp b", "Ġstr pos", "st ores", "ĠMap le", "(Main Activity", "(\" \"))", "Ġview Holder", "Qu ad", "Ġig ual", "ors che", ".m argin", "Ġind ie", "Ġfr anc", "ĠForm Builder", "ĠPart icip", ".fl ash", "Ġstorm s", "U lt", "Ġf en", "[ new", "E ver", "=\" Ċ", "Ġlocal ized", "_f ollow", "Ġn ave", "Ġdomin ance", "(t ile", "J ournal", "ĠV C", "Ġpenet ration", "ï¼ ķ", "Ġcomp artment", "Ġb ids", "Form atted", "****** /ĊĊ", "(c ity", "âĢĶ it", "[ C", "Ġuse Callback", "a ub", ") ?.", "ĠV AR", "ĠSe bastian", "ĠM oss", "Ġabund ant", "G reg", "ÑĤ а", "_c i", "Ġbib li", "CR M", "ĠAt tempt", "ism e", "d ash", "ãĢ İ", "_m u", ".Formatting Enabled", "Ind eed", "-d irect", "Ġsuck ing", "Ġp ne", "ocab ulary", "ĠPack ers", ".N avigation", "Ġp ied", "cri bing", "ĠSt uart", ".To Double", "ĠSecond ary", "S aving", "ĠD ut", "ĠM add", "M agic", ", H", ".document Element", "ĠB ST", "Ġdiff ers", "Ġmore over", "_ nd", "SE ARCH", "п ÑĢав", "æ ´", "to Match", "Ġdecre asing", "-m ember", "amp us", "( boost", "D aily", "Data GridView", "ĠHttp Context", "Ġh ipp", "_work ers", "-l anguage", "é ĵ", "Ġconsist ed", "ath ing", "ĠMer cury", "$ content", "Ġpract iced", "ĠMod ules", "_D AY", "Ġweakness es", "ĠL odge", "Ġn ar", "ĠM ate", "Ġj p", "ĠHttp Headers", "Ġsm o", "ĠT OKEN", "] )(", "Ġaqu i", "sw agen", "Ġs rv", "ĉ ans", "A round", "ĠMan uel", "Ġfiction al", "ĠIM G", "Ġ. '", "ĠB erry", "Ġwall paper", "sex ual", "ier o", "Ġ çļĦ", "ìĨ Į", "Backing Field", "ĠAd rian", "BASE PATH", "Ġrepe ats", "Ġbl ues", "Ġunp redict", "_c oll", "st acle", "ĠT umblr", "ĠEl f", "Ġass urance", "Ġc ensus", "ĠIM PORT", "END ER", "an os", "Ġ= (", "ĠEll is", "\" ĊĊĊĊ", ".w in", "ĠA bove", "al on", "_t ick", "Ġrepresent ations", "Ġæ ķ", "w id", "ĠAr ms", "List a", "_f ailure", "_c m", ".Flat Appearance", "Ġthr one", "P atch", "ĠV oy", "eng l", "Ġnegot iating", "> `", "Ġshoot s", "ĠF PS", ".Y ear", "ĠK iss", "enc ión", "reet ing", "From File", "Ġresign ation", "Ø ·", "Ġtw ins", "Æ°á» £", "Ġge bru", ".get Content", ".T ree", "ĠEmploy ees", "ĠF IFA", "Ġcert ainty", "(C l", "Ġtot als", "edit able", "ॠĢ", ".Report ing", "M as", "qu iet", ".r ules", "ĠV O", "con exion", ", K", "Ġalloc ator", "ĠPow der", "\\ Repository", "Be at", "_t ipo", "Ġ[' ',", "_IN TR", "Ġ<< <", "< hr", "\") ==", "ugg age", "ĠC raw", "Ġé galement", "Ġg inger", "Ġprim era", "Ġprod uto", "lt k", ".User Name", "Ġstr error", "m ith", "_n b", "Ġdis comfort", "']; ?> \");čĊ", "drop IfExists", "ĠB eg", "_H AL", "Ġcross AxisAlignment", "ĠE vidence", "Ġpec uliar", "Ġinstit ute", "ve is", "Ġf ft", "à ģ", "Ġzo ekt", "an aly", "ĠHom eland", "Ġpen etr", "udden ly", "ĉ element", "ĠB ren", "ĠTr udeau", "ĠCub an", "j am", "us lim", "_e v", "Ġst ems", "} %", "Ŀ å§ĭ", "Ġbrand ing", "Ġcorrespond ence", ".j query", "¢ åįķ", "ĠRead s", "(Http StatusCode", "ass in", "(s lot", "ĠGrad uate", "/// <", "Ġinform ations", "EN ABLE", "Ġp uis", "Ġfind er", "ĠBr is", "Ġnett steder", "_m id", "Ġo gs", "ĠSter ling", "Ġar rog", "str ftime", "| ĊĊ", "Ġvo x", "ĠReg ardless", "Ġes o", "ĠCom fort", ".Boolean Field", "Ġu h", "AC Y", "Ġsque ez", "ĠV ic", "cont ro", ". lo", "Ġ ire", "ĠCom edy", "ë ¶", "Ġorigin ated", "Ġsh ipment", "| max", "_g uid", "lev ation", "на Ñı", "( undefined", "ĠD DR", "Ġshoot ings", "ĠLat ino", "END OR", "Ġaver aging", "Ġgre eted", "Ġthe aters", "о е", "Ġd B", "Ġg st", "Ġdef inite", ". Storage", ".h er", "Ġa fore", "ĠRe ality", "ĠGod s", "vers ed", "Ġhands ome", "Ġex cluding", "( ad", "Qu otes", "ĠS cheme", "? q", "ĠT amil", "T icks", "Ġp est", "' n", "Ġporn ography", "_mod al", "Ġ ----------", "Ġdis posable", "F REE", "Ġsh ark", "C HE", "Ġdep icted", "Ġdemonstr ations", "ĠK illed", "ĠR ULE", "Ġobs essed", "Ġsimpl ified", "Post al", "Ġconcept ual", "Ġp st", "L as", "_PRO JECT", "ucceed ed", "ol u", "ÄŁ i", "Ġpersonal ities", "Ġres hape", "Ġenc losed", "ĉp tr", "Ġtutor ials", "Ġexpl oded", "_DIRECT ORY", "åĨħ 容", "Ġcan on", "Ġrecogn ise", "P AD", "ĠAppro x", "ĠRest ore", "ĠImport ant", "Ġheav ier", ".Se quential", "Ear th", "ĠMil k", ".set Request", ".t em", "Ġre construct", "Ġskept ical", "_Pr ivate", "BU F", "qu a", ": a", "Ġse k", "Ġd well", "oss a", "Ġreward ed", "и й", "(top ic", "_part ition", "Ġ__ ________________", "Key words", "ĠFr anco", "L ite", "Ġn aken", "Ġз а", "O BJECT", "Ġcraft s", "ĠSw ap", ".X na", ".Con nect", "Ġbalcon y", "(re al", "ĠBarn es", "b ir", "ĠTw enty", "ay an", "at ars", "ĠProp el", "ĠIh nen", "Up grade", "Ġcur b", "- second", "Ġn eph", ".p res", "ìŀ ħ", ".se q", "Ġp added", "\" ?", "j l", "ãĥ ¬", "') a", "Co ordinates", "Ġen acted", "ENT S", "Ġl ac", ".f inal", "ĠPhp Storm", "c alled", "Ġin quiries", ".m iddleware", "ĠD owntown", "/ ';Ċ", "Ġkil omet", "ac cel", "Ġqu ien", "w string", "set Data", "Ġman era", "Ġmod ular", "rim p", "Ġtar iffs", "âĢĻ il", "_TH ROW", "/c olor", "ĠHT MLElement", "Ġcar ro", "Ġpr ere", "Ġplot ting", "ĠPos itive", "ĠMach ines", "OT ES", "á» Ľ", "ple asant", "Ġal te", "Ġa inda", "th ese", "Ġc ors", "ip ay", "ĠAdvis ory", "ĠRub io", "j q", "Ġl imestone", "Ġdet ached", "设 ç½®", "ten ant", "ĠDep th", "al ore", "ĠÑģÑĤÑĢ ок", "ĠF ORE", "ĠL ay", "p resentation", ") ');Ċ", ".sub plots", "Ï ĥ", "N OW", "G ar", "hand les", "ab ra", "put ies", "ĠElect rical", "M iddle", "rop ic", "ĠJ D", "ĠD yn", "ĠB ristol", "ĠMc Carthy", "Ġstri ker", "Ġenumer able", "ĠEv an", ".default s", "qu ences", ") ||", "ĉt oken", "â Ĺı", "-d ropdown", "ST ORE", "ĠGraph ic", "( pp", "Ex pl", "Ġup wards", "ĠD istributed", "ĠW EB", "J er", "is NaN", "çĶŁ æĪIJ", "> R", "üss en", "ef s", "Ġun cover", "Ġl ud", ".cal culate", "Ġint ptr", "Ġmidfield er", ". Headers", "Ġm f", "ere f", ".M etro", "ĠSpe aking", ": b", "Ġcryptoc urrencies", "Ġdem ons", "ĉ EXPECT", "Ġw icked", "y outube", ": Int", "ĠHind i", "ĠC AT", "ĠØ ¹", "r ar", "om ore", "/ per", "/lic ense", "Ġre im", "Ġawait ing", "Ġle thal", "ĠE F", "round ed", "ĠPl atinum", "ĠвÑģ е", ".co ords", ".De vice", "/ item", "ĠW enn", "compile Components", "ĠK inder", ".remove Item", "Ġand a", "bn b", "Ġpr a", "( transaction", "Ġembarrass ing", "ĉ BOOL", ".content View", "Ġevent data", "at ore", "Ġprovided In", "ir ma", "Ġz ona", "_H W", "æ Ļ", "Ġst ove", "Ġcounter part", "_Pro duct", "_MAN AGER", "Ġinfr ing", "ĠE RA", "_p arty", "Ñ ij", "Ġin ici", "_ Request", "Ġmir acle", "Ġcancel Button", "S py", "at ó", "Ġpol ish", "ĠNic ole", ".display Name", "\\Request s", "Ġuse History", "Router Module", "Ġst ared", "ID ER", "Ñĥнк ÑĨи", "Ġnot a", "$ arr", "pec ified", "Ġto pp", "_DR IVER", "/ ng", "å ł", "_t m", "% timeout", "< s", "Ġ( *)", "ĠHttp Request", "_TR ACK", "(n ote", "ĠExp lore", "_s erv", "Ġç »", "B inder", "+ \",", ". att", "ĠEth i", "Ġc ódigo", "=' \\", ".l ines", "( Of", "å° Ĩ", "miss ible", "Ġv é", "Ġac oustic", "Ġcraft ing", "n it", ".b a", "ĠLuc y", "Ġi Pod", "Ġpup ils", "-m ax", "_w r", "(c p", "ĠRE PORT", "Ġd ns", "ĠRe ferences", "Ġundert aken", "Ġkø benhavn", "Ġch ai", "ĠC roat", "_ Log", "rown ed", "_m ed", "ĉ date", "# __", "Ġcost umes", "ĠRe quires", "aff le", "ç Ĭ¶æĢģ", "-S emit", "ela ide", "еÑĤ од", "Ġp estic", "Ġd ra", "DOC UMENT", "Ġ... čĊ", "}` }Ċ", "ĠA uction", "ĠD ock", "xxxx xxxx", "(get String", "ħ į", "Ġborder Width", "ĠMach inery", "Ġpredict able", ".S H", "Ġam plitude", ".for Root", "IN avigation", "Table Model", "at trib", "Ġmaneu ver", "Ġexc av", "B ERS", "Ġd apat", "Ġinstall ations", ".A sync", "Ġr ays", "= âĢĿ", "; ččĊ", ".c rypto", "_db g", "ĠEnum erable", "Of Size", "_epoch s", "m w", "M ENU", "out line", "ĠP apers", "============ Ċ", "Ġuniform s", "ĠG ig", "- package", "ĠJen kins", "ĠHome Page", ".is Selected", "Ġmechan ic", "M K", "ĠS ounds", "//---------------------------------------------------------------------------- -Ċ", "Ġresearch ing", "Ġinf os", "ograph ics", "ers et", "([' /", "ĠTim ber", ". agent", ".to JSON", "_command s", "par ing", "_ad just", ".n ome", "(g lm", "Status Bar", "file path", "? âĢĻ", "Ġdetect ive", "Ġunser er", "ĠTib et", "EN DED", "(se ed", "Ġsne ak", "Ġam or", "=\" //", "ĠPan thers", "all ax", "ĠL IVE", "ĉD WORD", "]= -", "Ġtorn ado", "/ min", "Ġlung s", "-c urrent", "ĠBook ing", "åĪĹ è¡¨", "Ġenjoy ment", "ठ°", "J A", "typ ed", ".B tn", "f at", "ug al", "ĠSh ares", "Ġdis gr", "ĠB AR", "ĠFO X", "Op code", "ĠS z", "key down", "iction aries", "Ġdetail ing", "} ))Ċ", "Ġp ok", "Ġdemonstr ating", "Ġnot ation", "l ayers", "@ if", "ĠN PR", ".strict Equal", "ĠRec ipes", ".T ensor", "Ġliqu or", "Ġdeb ts", ".ends With", "W heel", ".P os", "CS V", "$ arity", "Ġun stable", "( loss", "ENS OR", "Ġele ven", "ĠL opez", "ĠHop kins", "con om", "ĠS eth", "Ġpo ems", "Qu ant", "Ġg sl", "Ġsy rup", "Ġs ibling", "Ġc ass", "-v ous", "ö t", "_P ATTERN", "_SE CTION", "est imated", "up grade", ".m ongodb", "ĠBo at", "_C TX", "Ġfetch ing", "ust in", "pi el", "M arg", "Ref lection", "Ġd uct", "ĠMunicip al", "Ġb x", ".Get Current", "ml ink", "ĠAccount ing", "ĠGene va", "_P os", "Ġpass er", "Ġhear ings", "com pan", "Ġfrag ile", "Initial izer", "walk er", ".M aterial", "ĠHun ting", "trys ide", "Ġk at", "Ġcl erk", "á Ł", "do ing", "ĉg roup", "Ġsan ction", ".l b", "ĠL azy", "ĠCon straint", "P agination", "Ġpou vez", "ĠInd icates", "M ER", "Ġcour s", "Ġyear ly", "Ġgros se", "abb rev", "ĠD ON", "Ġproceed ed", "ent lich", "Ġproperty Name", "ĠTe aching", "st adt", "Ġc utoff", "orn ers", "Ġa frica", "Ġrend ers", "ĠYan kees", "ĠTool bar", "sp aces", ".fill Style", "Ġseg undo", "_str len", ".F irebase", "å¤ Ħ", "Ġmention ing", "\\ (", "ĠVal ve", "Set ter", "Ġsp ans", "ĠAl cohol", "ĠLet ters", "\\x e", "ĠT K", "_B LE", ".get Result", "< Player", "ĠP att", "Ġeas ing", "Ġtur key", "ĠF en", "') \"", "Ġconf ined", "Ġin clus", "Sup erview", "(with Identifier", "enc ial", "Ġstuff ed", "Th eta", "Ġeconom ists", "} ));ĊĊ", "co okies", "ĠRo ose", "ĠChe ese", "Ġfich ier", "Ġen forced", "AB B", "no ÅĽci", "_AL LOW", "Ġrecru ited", "Ġexpend iture", "-n ight", "Ġassert NotNull", "_ex ecute", "ĠØ ¯", "IN DEX", "_F MT", "Ġresc ued", "ĠMonth ly", "ĠCons ervation", "ĠG eb", "Ob ama", "Ep och", "ic ies", "ĠOr t", "Ġso it", "( icon", "F riends", "m ol", "Ġground ed", "ĠC ause", "ad ena", "WE EN", "ĠL un", "IT IVE", ". loop", "_un til", "Ġcor r", ".ed ges", "Ġhyp oth", "ched uling", "trans lator", "ĠÐ ľ", "R om", "ãĢij ĊĊ", "ĠX amarin", "Ġviol ating", ". anchor", "--- ĊĊ", "Ġtr ader", "AD VERTISEMENT", "Ġuns ere", "ĠD AO", "Ġbl ond", "ĠP AT", ".g lob", "Ġè¾ ĵ", "Ġsplit ting", "Ġun subscribe", "Ġatmos pheric", "ĠTr im", "Ġcit ation", "Ġin ference", "ĠF t", "ĠDar win", "find One", "ĠG el", "( Convert", "Ġaccess or", "; text", "(s orted", "Ġjud ged", "); \\", ": p", "Ġme ine", "ĠS lim", ".Command s", "Ġper ceive", "coh olic", "< Data", ".entry Set", "Ġassert False", "ĠPat rol", "ense m", "ÅĤ Äħ", "¨ ¡", "W IDTH", "ĠRes cue", "ĠU IF", "_THRESH OLD", "ĠMich el", "ATER IAL", "opens ource", "ĠD iana", "Ġinv ites", "_B ODY", "Ġreserv oir", "Ġro i", "c ust", "(t c", "ï¼ģ \");Ċ", "Ġfest ivals", "Ġperform ers", "Ġclim bed", "Ġj ungle", "String Length", "Ġunlaw ful", "ier re", "vertis ement", "Ġst akes", "Ġh ats", "Mod ify", "ĠLET TER", ".H ide", "Ġstat utory", "_ white", "ĠPer l", "uten berg", "em ple", ".W orld", "Ġoverlook ed", "Ġcon cludes", "/* ================================================================", "-w ise", "ĉ stream", "pop ulation", "Ġevent o", "Ġillustr ations", "ft s", "Ġaut of", "ĠPro cedure", "Ġdes erved", "-t imes", "Ġg ol", "N SError", "cre st", "ĠPak istani", "any ch", "get Current", "Ġl ar", "nt l", "ĠRe becca", "Ġm ateria", "Ġfind By", "/ ad", "Callback s", "ĠAl s", "ĠKat ie", "ĠObservable Collection", "ĠDocument ation", "Typ ed", "ĠCulture Info", "ĠTim othy", "Ġlater al", "\" type", "Ġun authorized", "Ġteach ings", "Ġdebug ger", "[ value", "Ġal ors", "Ġu z", "Ġsc atter", "Ġdown ward", "Ġmig li", "status Code", "Ġ( ))", "ĠM W", "Ġм ож", "RO SS", ".b uf", "Ġfair y", "ĠInf rastructure", "=> \"", "t lement", "$ (\"", "From String", "ĠB ild", "Ġconvent ions", "_n ative", "ĠIns pector", "ĠP ist", "ub ar", "Ġreg s", "ĠP ilot", "Th us", ">' +", "Ġc ela", ".new s", "( Product", "L iving", "R ussia", "Ġfac et", "et ical", "Ġ[' $", "/ [", "ĠD ire", "Ġg ases", "ĠIN FORMATION", "ĠE at", "ĠFor ums", "ĠChar acters", "_m et", "Ġìĭ ľ", "Ġk ings", "ach ie", "ĠL ambda", "Ġtim ers", "ĠLight ing", "ĠCase y", "add ir", "and ex", ". answer", "ĠH ip", "ĠPr incip", "Start Date", "Ġ ãĢĮ", "t res", "Ġ& #", ".Max Value", "ĠPro blems", "Ġlat ex", "Of Class", "ĠLyn n", "// '", "Ġvoy age", "Ġshut tle", "ĠRoll er", "ĠRuntime Error", "uy a", "D ic", "ĉb uilder", "Ġbul lying", "Ġsimple st", ".c alled", "ĠL R", "Ġmor ality", "Ġst urdy", "tr acking", ".sw agger", "_B IND", "IT OR", "-url encoded", "ĠÑ ħ", "ĠTr inity", "Ġtr aps", "Ġ| -", "Ġset Text", "Ġbarg ain", "Ġbr akes", ".get Code", "Ġmigr ate", "Ġrib bon", ") return", "Ġcharg er", "ac om", "ADI US", "ĠAmb assador", "-a fter", "Ġann i", "ĉs pin", "Con cept", "ĠHend erson", "ĠH OST", ".r ank", "ĠNor theast", "Ġber lin", "Ġrequ is", ".f eed", "Ġsource Mapping", "ĠRen contre", ". ajax", "nest js", "Ġtre k", "ĠN acional", "Ġ& [", "Ġpay able", "ort ex", "Ġde pt", "field Name", "Ġcomple tes", "ĠR VA", "Ġon ions", "al ignment", "Form ats", "Ġ' {$", "Hash Set", "ĠB od", ".Invariant Culture", "Ġsettlement s", "Ġhy dr", ". updated", "vent h", "( seconds", "=\"/ \"", "Ġweb page", "( ĊĊ", "Ġt ir", "Ġto es", "ĠBr ick", "Ġamb ition", "P ot", "= max", "ET IME", "Ġdep ot", "c alls", "ĠNor wegian", "` :", "Ġbur ger", "Ġprofess ors", "ĠAl locate", "-third s", "-ch art", "Ġfor d", "* N", ".k otlin", "Ġpaper work", "ĠDE VICE", "% @\",", "res pect", "(m p", "é «ĺ", "- if", "Ġcush ion", "ob ot", "Ġpar c", "SP ACE", "ĠNet anyahu", "Ġself ish", "fe at", "Ġclient es", "-to ols", "Ġpor ch", "Ġj q", ". verbose", "Ġlib erals", "] )ĊĊĊ", "p ies", "Not Blank", "( term", "ÈĽ i", "_Param s", ".normal ize", "B ullet", "AS IC", "(h ex", "_client e", "+ ,", "_D I", "Ġforth coming", "} \")]Ċ", "se o", "U m", "> Name", "Ġcomfort ably", "irection al", "W ITH", "/ pr", "ĠP oor", "ĠVit amin", "v ic", "G H", "Ġprior it", "ĠN N", "ĠC losed", "¤ í", "Ġis Open", "\\ Console", "And Feel", ".S UCCESS", "_OPER ATION", "pol ation", "ĠT as", "ps z", "> '.", "C URRENT", "V endor", "host s", "ĠE rd", ">tag ger", "ĠsourceMapping URL", "Ġmar athon", "_c losed", "Ġexem ption", "Ġrecogn izes", "ides how", "' $", "('/ ');Ċ", "m its", "war z", "ĠCh erry", "µ ¬", "n or", "port e", "Ġw l", "_back up", ".get Boolean", ".get Resource", "Ġdefinit ive", ". EditText", "Ġs ÃŃ", ".C ONT", "ĠPL AYER", ".c ards", "ĠSh ore", "('/ ')Ċ", "cl uir", "Web Driver", "(m onth", "-re lease", "Ġins pector", "å £", "ĠN F", "_cl ip", "åŃ IJ", "Ġinteract ing", ".t mp", "Ġ'' 'ĊĊ", "Ġde e", "Ġfro st", "\"] ))Ċ", "ĠPl aces", "Th rows", "f ork", "/ day", "i Phone", "ĠM IC", "Ġfold ing", "Ġcro re", "ĠCh iefs", "pher ical", "( price", ".Write String", "Ġexit ing", "] ',Ċ", "ight ing", "Ing redient", "( vertex", "Ġscroll View", "h f", ": new", "SE N", "se ctor", "Ġsp ins", "ĠS cheduler", "ote chn", "sem icolon", "Font OfSize", "ĠSpecific ally", "fl amm", ".Object Id", "Ġcont a", "_per missions", "ĉF ROM", "IC ODE", "/ kg", "ĠHot els", "-m ed", "ĠD in", "Ġn avy", "get Param", "Ġm end", "Ġportray ed", "ĠMet ropolitan", "Paint er", "Ġref erral", "_g ood", "Ġmar vel", "osa ic", "> (&", ". ur", "Ġest os", "Will iam", "Ġtim ber", "Ġquel ques", "ĠDoc uments", ".X aml", "Ġbatch es", "éģ ĵ", "ĠRe leased", "T ail", "CO OKIE", "he id", "_st ation", "ĠV ia", "S ale", "ĠRe peat", "Ġprom in", "ĠZ o", "- forward", "ĠI on", "it ary", "Ġj us", "- request", "Ġproud ly", "ĠStream ing", "(Mouse Event", "ĠS print", "_ rotation", "Re positories", "Ġt art", "ĠÑģ в", "Ġm appings", "è ª", "C u", "C ycle", "Ġb un", "ĉl ua", "ãĥ ī", "Ġ(( !", "Ġcollect ively", "ĠCon d", "Ġwsz yst", "(l ib", "openh agen", "_s kip", ".Column Header", "é Ĥ", "peri enced", "ı è¿°", "_p rops", "Ġcontr ace", "Ġmatch up", "ab etic", ".m embers", "RE CT", "(d at", "Ġs og", "ren om", "_M ethod", "Custom ers", "full name", "Z N", "re try", "Ġk ap", "ĠNe u", "è Ĭ", "add Child", "will Return", "_p ermalink", "Ġener getic", "ĠW et", "ĠMor r", "Ġg cd", "count s", ", type", "d ig", "( Login", "Ġcr acks", "Ġbacter ial", "ĠMe at", "ĠArm strong", "ĠBron ze", "Ġapprox imate", "_dir s", "lig a", "ÅĤ ad", "Ġkind ness", "Ġcont re", "ĠE VERY", "M ET", "Ġannounc ements", "g pio", "ĠWaitFor Seconds", "ĠPhotos hop", "Ġdis contin", "/ dd", "Ġtop ology", "an ical", ". interface", "auc oup", ".Hash Set", "ARI ANT", "(r outes", "ĠT eh", "Ġh ype", "] \").", "Ġsl am", "Ġbro th", "- inter", "ĠR id", "-m anager", "Cancel ar", "ĠP agination", "Ġsound track", "Ġpost erior", "Ġscr ub", "cre ating", "- *", "ir teen", ".d y", ".s ymmetric", "Ġ\"\" .", "============ ===", "Ġch assis", "ĠnumberOf Rows", "Develop er", "_b ins", "ĠO UR", "ri eb", "Pro s", "Ġwi ÄĻ", "\" d", "Ġasync io", "ze igen", "_s pi", ".A LL", "Ġscre ws", "Ch inese", "Ġapi Key", "Ġun successful", "ĠSeah awks", "OR G", "ç« ł", "Ġprofession ally", "ĠCou pon", "åŃĹ æ®µ", "Con vention", "Ġpol ym", "æī ĭ", "Ġsalv ation", "Ġengine ered", "ĠW rest", "ĠG CC", "Ġwar mer", "Layout Constraint", "Ġag grav", "Script s", "vent ure", "Ġrefriger ator", "Ġinnov ations", "ĠRun ner", "N IC", "ĠRoll ing", "Control Events", "Ġlo os", "p ac", "ĉ panel", "ef e", "ĠBudd ha", "------------ --Ċ", "åº ĵ", "(for Key", "Ġl umin", "Ġ( ?", "ĠA IDS", ", user", "im ientos", "content Type", "ant lr", "é ¦", "ĠW elt", "Produ ction", "m ight", "ĠV II", "\", (", "Ġobserv ing", "Ġdeliber ate", "( control", "Ġwith d", "Ġsem ana", "ST ACK", "uch en", "N ice", "ĠDeutsch land", "ĠSpec ifies", "d ma", "iz io", "ĠF acts", "_pop up", "ĠDirect ors", "{ :", "[ R", "ĠÑį леменÑĤ", "Ġpl at", "Ġdirect ing", "ä¸ ī", "ĠGil bert", "âĢ¦ .ĊĊ", ".q ml", "Ġthere after", "Ġdis position", "d raft", "Ġsurge on", "ĠIns ider", "Bl end", "ĠT rev", "tr insic", "Top ics", "rie ve", "_FILE NAME", "Ġaut res", "J ose", "Produ cer", "er us", "Ġpet it", "ĠN EXT", "ĠF ilters", "Ġreplic ate", "\"] ).", "Ġl enders", "] \",Ċ", "; charset", "Cpp Object", "Ġfl oral", "ĠT ipo", "Ġcirc uits", "e asy", "(& $", "itt a", "ery l", "_COMM ON", "'}} >Ċ", "-back ed", "(var iable", "( Index", "Ġvo ir", "_loc ations", "++) {", "ĠLouis ville", "Ġgrat itude", ".Mock ito", "ĠP owers", "ie urs", "Ġge ographic", "ra le", "Ġc ra", "ĠSp urs", "iph ertext", "AC ION", "- common", "Ġvict ories", "ĠFinal s", ".sh uffle", "-m illion", "_PRO C", "ass ume", "Ġil s", "DB C", "Boot Test", "Ġl avor", ".test ing", ". ast", "\"] /", "m oid", "Ġqual ification", "ges ch", "ĉ put", "Ġair ports", "J I", "Te acher", "_un iform", "Ġn ama", "ĠB ast", "ert ype", "c apture", "get All", "ĠReyn olds", "oo led", ".com ments", "Ġch in", "). *", "Ġи ли", "t gl", "ud os", "Ġd ÃŃas", "ch ai", ".pro gram", "Ġps z", "ĉ icon", "ph il", "ent ral", "_WR AP", "ov i", "Ġnost alg", "In finity", "ĉy ield", "Ġvit amins", "Qu aternion", "S ink", "_g oods", "Ġ ........", "ĠW ings", "ur idad", "-st ory", "\"] )ĊĊ", "idel ity", "Type Def", "G tk", "Ġí Į", "_M ain", "Ġche z", "ĠR aven", "Ġpay roll", "Ġfreel ance", "LL U", "ĠM end", "ed ay", "Api ModelProperty", ".Form BorderStyle", "Ġeconom ist", "stan bul", "Ġfre ight", "-A gent", "(m eta", "Ġsym metry", "Ġ' ..", ".C alendar", "- aut", "g f", "p ent", "yc lopedia", "Ġwish ing", "ĊĊĊĊĊĊĊĊ ĊĊĊĊ", "Ġgentle man", "Ġê ³", "= #", "Ġlect ures", "âĢľ In", "Ġ! _", "Ġh b", "ĠV endor", "Recent ly", "_n otes", "æıIJ 示", "\" My", "Headers Height", "_S O", "Ġunw illing", "Ġsuper hero", "g io", "ps y", "ĠPe er", "j avax", "& apos", "ĠCr isis", "ord inal", "Mem cpy", "++++++++ ++++++++", "- val", "Ġwork book", "- ap", "= k", "Ġmetal lic", "_ peer", "By PrimaryKey", "_S D", "u ator", "_SH ADER", ") Math", ".Trans form", "Ġc ows", "Ph i", "ĠC lem", "(_ (\"", "ĠL ud", "-d elay", "ĠSec urities", "ĠOrth odox", "Sym fony", "(re port", "Ġent ertain", "E PS", "iz oph", "ex ual", "IR D", "ä» İ", "Ġl ith", "Ġsanit ize", "Ġfemin ine", "IS BN", ".auth entication", "_p ipeline", "/ constants", "ĠCON F", "Ġluc r", "ric ia", ".t tf", ".set Content", "Ġst an", "ore an", "ĠL loyd", ".raw Value", "Ġg or", "ĠBrow ns", "Re gression", "Ġlower ing", "na issance", "Ġbl ows", "Ġam azed", "Ġun related", "Re views", "Ġrub y", "ĠMod ifier", "Ġgi ants", ". thread", "Ġcontain ment", "ĠStart Coroutine", "um at", "ore lease", "ĠR andy", "@ endif", "D igest", "Ġsubur ban", "=\" );Ċ", "Ġann once", ". variable", "\\F oundation", "Ġa cre", "V an", "Ġt uples", "d ns", "ĠStand ing", "_l arge", "Ġbox ing", "Support ActionBar", "ĠFort une", "ĠR um", "_m ultiple", "arch ical", "Ġf write", "_ quote", "Ġfool ish", "Ġcompr ising", "Ġо п", "- selected", "v f", "ma id", "N ama", "(d atetime", "Ġindirect ly", "g art", "fix tures", "ch os", "ĠH alo", "Ġrec urring", "- news", "v il", "ĠNurs ing", "- produ", "ĠH Q", "\\Http Foundation", "enc i", "au en", "Ġv y", "ocr acy", "Ġdeleg ation", "Ġas phalt", "Ġset Selected", "k ok", "/ rest", "met ics", "ĠNS Date", "Ġtravel led", "Ġrec ib", "Ġm ime", "CL IENT", "ĠG U", "ĠH ANDLE", "/ Q", "[ z", "Ġbother ed", "ĠBB Q", "ç as", "_ex amples", "_F IN", "Ġwhite Color", "Ġastr onom", "-d ir", "Ġsovere ign", "Ġb reeze", "Ġin ning", "ĠEd monton", "g li", ".blog spot", "js x", "Ġvers a", "ĠMoh ammed", ".J ob", "-t oggler", "Ġп олÑĮзоваÑĤ", "ard on", "Ġnew born", "Ġnav al", "note q", "Ġtum blr", "Ġh entai", "ĠTyp ically", "Ġlo ot", ".S prite", "Fl ight", "Ġw avelength", "-s k", "ĠEl le", "_ exports", "Ġ Ñı", "ĠI H", "izoph ren", "Ġí ģ", "_pr imary", "Ġmo is", "ĠB N", "Ġsystem ic", "Ġdifer entes", "IN CT", "Ġ'' ĊĊ", "$ q", "Widget Item", "cl ide", "$ file", "L emma", "/ table", "ag rid", "ĠMongo DB", "int e", "Ġapp rent", "ÂŃ ing", ".D b", "Ġà Ĥ", "ham mer", "=' ';Ċ", "Ġbro kers", "it lement", "sembl ies", "E le", "{ x", "Ġlast name", "< -", "Ġfl atten", "_b and", ".R oot", ".read FileSync", "==== ==", ".r x", "? čĊ", "Ġmetaph or", "T i", "con te", "Ġdeb it", "Ġcont empt", "Cpp Type", "æĶ ¯", "Form Field", "r atio", "os opher", "Ġimpl ant", "P URE", "Ġal ta", "_man agement", "Ġref ine", "ĠCheck Box", "ĠChar l", "- version", "cond itional", "ven ues", "Ġrif les", "Ġoff spring", "Ġmill ing", "Ġshar ply", "Ġunder water", "( origin", "_ Control", "Ġ. $", "Pl ugins", "Ġdry ing", "Ġillustr ates", "- u", "Ġveget arian", "n pc", "He art", "; ',Ċ", "com ma", "te enth", "as an", "/s pec", "_m oves", "-m argin", "Ġing en", "³³ Âł", "Ġpro jet", "Ġo tra", "Ġbr as", ". utc", "Ġsle pt", "= sub", "ab ilit", "post er", "Ġs dk", "ounc ill", "Ġw d", "Pre paredStatement", "ĠDr um", "( attribute", "ĠEther net", "ĉ DB", "Cal ifornia", "c ube", "[ I", ".C reated", "ĠH M", "Ġtr acing", "Forms Module", "- you", ".c urrency", "feed ing", "Ġt body", "L i", "acc ion", "n as", "Ġtr ouver", "N ONE", "\"} ,čĊ", "Ġf tp", "With Identifier", "pol ate", "File Info", "Ġpurs ued", "ĠĠĠĠčĊ ĠĠĠĠčĊ", "DE SCRIPTION", "} */Ċ", "From Nib", "Ġdecor ative", "_S SL", "(ch at", "T LS", "Ġsurpr ises", "al culate", "ĠS plash", "( Configuration", "ĠS EM", "im son", "/lib rary", "< Double", ". robot", "³³³³ ³³³³", "ĠCP F", "ĠUnder standing", "Ġcos metic", "ĠX t", "t ips", "+ k", "(\" '", "ĠP DT", "W AR", ".get Object", "ĠTrad itional", ".sl ug", "ĠDi pl", "=\" \",", "ĠFil ms", "ĠAn im", ".h elp", "Ġemb assy", "ĠBoot s", "Ġb unk", "-r isk", "Ġp ci", "Ġ/ \\.", "ĠI PT", "Ġcrash ing", "Ġip v", "_ ke", "ĠRES P", ".Log Error", "Ġinade quate", "I on", "ĠF ür", "ric ula", "Ġshould Be", "al ready", "'].\" ", "G ED", "fa q", "Ġoption ally", "_D is", "ĠSuccess ful", "ĠC ensus", "Ġinc arcer", "_C ARD", "Ġav iation", "ĠG ym", "Author ity", ".B ean", "sh ader", "Not Exist", "_Text Changed", "ĠST OP", "( team", "\" H", "w g", "Ġgr inder", "Ġstri pe", "Ġpres ervation", "Cl aim", "avers al", "ware house", "target s", "Tr ust", "Ġal lev", ", www", "ous se", "_ch an", "_S ize", "system s", "Ġobj ection", "ĠK ane", "Ġcor ros", "ĠD SL", "Ġu a", "ĠM H", "ĠStrateg ic", "_t cp", "Ġê° Ĵ", "Ġborrow ed", "ĠA ch", "ĉ command", "Ġg ps", "le ston", "iche ver", "ĠU A", "Ġassault ed", "Ġspecial izes", "ĉ search", "Hot el", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ čĊ", "ĠP itch", "Ġ Ùģ", "READ Y", "Ġparent al", "Ġg éné", "Ġdonn ées", "Ġdet ain", "T ARGET", "Ġprotagon ist", "Ġclear Interval", "ĠIcon Button", "ĠGet All", "Type Info", "E H", "âĢľ They", "Ġ{ [", "Ġg ag", "Ġ Ú©", "ĠD ropdown", ".f ree", "g one", "im ens", "Ġinst al", "ĉc url", "_C AN", "ĠB one", "ï¼ Ķ", "ony ms", "-g overnment", ".binding Navigator", "ĠD ans", "ĠMc L", "( en", ">( _", "ÐĴ Ñĭ", ".* ;čĊ", "= j", "-c or", "S on", ".ToolStrip Item", "- around", "_X ML", "end Date", "Ġsl ack", "Ġrot ated", "Ġno qa", "Ġc ottage", "Ġencontr ar", "_s kill", "hou ette", "! čĊ", ". weather", "Ġemphas ized", "å® ¶", "ĠÑģ пиÑģ", "ĠComp iler", "( android", "ĠâĢ º", ". turn", "Ġsup pression", "_c alls", "Ġ* @", "(str len", ".h ex", "ĠB ills", "ĠR SA", "Ï Ĥ", "ĠEs cape", "ement ia", "Ġfront end", "Ġp int", "_ex c", "zz o", "[ ],Ċ", "Ġ\"',' \"", ". Environment", "Ġafore mentioned", "Ġend ure", "prot otype", "ther apy", "ss i", "D eg", "_pl ugins", ".user Info", "Print er", "ĠPRO GRAM", "Ġru ins", "Ġempir ical", "Ġcraw l", "ĠBo iler", "- comment", ".sub plot", "_ et", "Ġ'. ',", "min or", "ĠCustom s", "Ġy aw", "under line", "ĠCom o", "( ('", "(m ean", "Ġcha que", "ĠBlock s", ".r ad", "ilib rium", "Ġweb driver", "Ġmel hor", "d ana", "ĠAb use", "ĠSouth west", "ĠP aren", "PERT IES", "ĉ IL", "Ġscre am", "v u", "Ġin comes", "Ġn im", "Ġl ace", "Ġcompens ate", "Re verse", "D at", "_att ack", "Ġn our", "ach en", "ce k", "< Func", "w ie", "com pressed", "-m atch", "(\" \")]Ċ", "im ized", ". orientation", ".compare To", "Ġmass aggi", "Ġìľ Ħ", "Ġel bow", "Ġant ioxid", "undred s", "/ tools", "ĠR OW", "an mar", "ĠW ow", "_t icket", "Program ming", "Ġthe or", "-re view", "() )));Ċ", "ĠRichard son", "ĠP ocket", "] []", "am pp", "_ health", "ĠP OP", "ĠNav al", "Gu ess", "Ġancest or", ".Get All", ".local Scale", "ĠM apper", "Ġaccum ulation", "Ġsim ulated", "ĠDr ivers", "Ġd és", "cur ring", "Ġele phant", "Ġadvert ised", "Ġmail box", "SH IFT", "ĠMon ica", "Ġan c", "Ġward robe", "Ing redients", "Ġ|| čĊ", "ipp y", "Ġantibiot ics", "av ings", "(c x", "ĠFerr ari", "ĠAn imator", ".d type", "rem oved", "order by", "Ġc res", "oc ê", "Ġp ym", "ĠCirc ular", "@ index", "ĠW arm", "S ay", "ĠAss istance", "Ġcur tain", "ĠMont e", "IL ER", "ĠC VE", "ĠD uck", "ĠAll ows", "_f ire", "ĠDer by", "Ġre pos", "Ġhttp Client", "Ġpsych iat", "Ġnow adays", "Ġcaut ious", "ĠComput ing", "Ġcompletion Handler", "ĠWel sh", "ĠB EST", "Ġstress ful", "_P E", "æĹ¥ æľŁ", "ĠData Frame", "ĉ Integer", "_P rint", "M oves", "Ġtransform ing", ".B atch", "y ahoo", "Position s", "ze j", "Ġno od", "io res", "_ *", "Ġcl k", "ĠF loyd", "Ġh ap", "font size", "Ġn az", ".not ification", "ĠDep ression", "Ġac ne", "*** ĊĊ", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĊ", ".cont ents", "yn th", "ĠStra ight", "')}} \"> \"+", "Ġtoken izer", "Ġsovere ignty", "ĠP ence", "() \");Ċ", "Ġpesso as", ".G e", "ĠIn cluded", "Ġpag ina", "Ġex posing", "е ÑĪ", "_SC RIPT", "/$ ',", "Th umbnail", "× Ķ", "webElement X", "webElementX paths", "press ure", "ĠCur ry", "_C P", "OL UTION", "ILE S", "prot ect", "ool a", "Work space", "{ };Ċ", "ĠU NS", "Ġsymp athy", "ro ker", "Ġrem odel", "ĉc ell", "Ġat op", ".Full Name", "Ġfa ut", "ĠE asily", "_d ynamic", "Ġfr amed", "Ġmot ive", "è· ¯", "s am", "Ġmar ca", "ĠText EditingController", "Ġde structor", "cre am", "Ġr ude", "ĠB old", "ĠInd igenous", "Ġg ens", "Ġrel acion", "(s ystem", "ĠUIF ont", "_char ge", "UST ER", "E V", ".N amespace", "Ġmer ger", "Ġcal loc", "g ang", "Bad Request", "Ġs per", "-d esign", "Ġâ ĩ", "Ch an", "Ġorgan ism", ", )", "= id", "_pl ane", "ĠC ases", "elf ast", "ĠLegisl ature", "ĠF aker", "Ġinv oking", "- utils", "(). '", ".f ace", "Ġguard ian", "my Modal", "Ġclip board", "ĠAT M", "Ġpe as", "ĠS ylv", ".c alc", "ĠContact s", "int Value", "Ġmodify ing", "ĠBar b", ". loss", "_per centage", "Ask ed", "(l st", "ategor ical", "- files", "ĠRoman ia", ".A c", "Ġh ai", "ĠF lying", "Ġ ż", "j p", "ĠTr ainer", ". arc", "_de g", "Ġtrace back", "Or Fail", "F LOW", ". old", "oy a", "g mt", "is empty", "Ġvacc ination", "Ġob solete", "recogn ized", "Ġru ined", "ĠRe in", "ĠTr acking", "xf b", "ا ÛĮ", "Ġvæ re", "Ġbr yster", "ĠIT S", "Ġdest iny", "Ġsw ear", "Ġred es", "Ġcl f", "Ġfl ipped", "ĉ head", "Bl uetooth", "ĠOver rides", ": Boolean", "_ =", "_l r", "sp awn", ": index", "VAL UES", "is key", "? \");Ċ", ".syn thetic", "ĠCheck ing", "struct ures", "ip ing", "Ġvoc als", "- Up", "ĠManufact urers", "ĠMar riage", "代 çłģ", "Ġgar ner", "_C lient", "par allel", "RI END", "Ġvine gar", "seg ue", "J B", "Ġcontact ing", "ĠCar roll", "Ġout reach", "t ensor", "_var iant", "Ġthe at", "lic able", "{ |", "t iny", "_ letter", "Ġp encil", "HeadersHeight SizeMode", "ilt ro", ".auto configure", ".d rag", ".use State", "ĠB MI", "h int", "Com pile", "* \\", "en ary", "Ġl vl", ".C ache", "+ =\"", "_t v", "ruit ment", "Ġf read", "Art icles", "f ila", "Ġpack aged", "âĺ Ĩ", "AT HER", "ĠPl anned", "s cheme", "Ġdi ary", "Ġoff enses", "/ F", "ĠSt ick", "Ġc erc", "ĠS lee", "ĉĉ ĠĠĠĠĠĠĠĠ", "< Image", "Ġè® ¾", "- editor", "pie ces", "ĠD rama", "Ġ// ////////////////", "ĠT asks", "AR C", "g ateway", ".get cwd", ".M etadata", "Ġguess ing", "åľ° åĿĢ", "Ġsm arter", "ĠGet Enumerator", "Ġe fter", "/ operators", "ĠGL float", "Ġf ør", "Ġop aque", "ä¿Ŀ åŃĺ", "Sp read", "SY STEM", "Ġinv ersion", "ĠBasket ball", "Ġsim ulations", "Ġden ies", "Ġa vez", "_list ener", "Ġenh ancing", "ĠMy th", "ĠL akers", "_M D", "Nd Ex", "D ATABASE", "Ġt á»", "ar th", "[ left", "Ġcontest s", "st ile", "(K ERN", "_f c", "_p m", "Ġpres idents", "Ġhospital ity", "Ġfade In", "RO PERTY", "_m aps", "ĠDefinition s", "Ġassess ing", "Ġus ar", "Ġquant itative", "mo z", "Be autiful", "[ ((", "b ons", "f requency", "Cont ain", "Ġpuzz les", "ĠCast ro", "Ġv illa", "Ġkind ly", "Font Awesome", "ern a", "epoch s", "_dat as", "ĉ ip", ".p adding", "ĠCont est", "Ġed itions", "Ġdispro portion", "ĠI CO", "Ġcome back", "= value", "ri ad", "-s ort", "Sub mitted", "(n etwork", "ĠC el", "Ġinstall ment", "l ashes", ".List View", "ĠV atican", "(Media Type", "IV ED", "reach able", ": Is", "ĠC ITY", "äº ¬", "ĠHelp ful", "Ġba ÅŁ", "% čĊ", "Ġpsych iatric", "Ġrec ycled", "FORM AT", "ĠG row", "b ine", "G it", ".s s", "ĠWe apons", "ĠSt y", "_ arrow", "* self", "ire ment", "Ġdeg li", "App Delegate", "_b anner", "Ġcoordin ated", "ĠWeb cam", "Ġcelebr ations", ". act", "******************************** ****************", "( show", "Ġweek day", "Ġconc erts", "ол н", "cl in", "Ġcr on", "ĠN im", ".set Vertical", "ĠEll en", "س ت", "ĠS AM", "E ff", "g z", "ste am", "Ġant ique", "ph ysical", "ĠForm Data", ".set ter", "ĠPO INT", "B on", "Ġflav our", "erv ention", "_ENT ITY", "ĉ ĠĠĠĠĠĠĠĠĠĠĠĠ", "Ġintr insic", "Ġæ İ", "append To", "aram el", ") ])", "ĠRecomm end", ") m", "OutOf Range", "Ġkn ight", "Ġsat ellites", "ĠTit ans", "Ġweigh ed", "ĠD ana", "e ase", "Ġs ip", "S IM", "ĠDevelop ers", "mal ink", "/ check", "_P LL", "n ung", "Ġdry er", "= A", ".d w", "_S QL", "Ġsub plot", "D ROP", "Ġprot otypes", "Ġhour ly", "display Name", "Ġas i", "ĠViol ence", "Ġastr onaut", "Ġdat atype", "Ġinformation al", "Ġinvestig ative", "etermin ed", "ren al", "; '>", "ĉc ol", "V G", "_ boolean", "re cent", "Ġ* )ĊĊ", "ĠRain bow", "om men", "Ġl ur", "Ġopp ression", "(\", \");Ċ", "ĠFac ility", "DEF INED", "Ġne on", "Ġoff ender", "AF P", "ĠClean ing", "[] ):", "Ġund ocumented", ".Re positories", "ĠG uitar", "аÑģÑģ ив", "Sk ills", "Ġtestim on", "rypt ography", "ĠAm ber", "ĠSt alin", "Ġl one", "Ġap enas", "Ġdies es", "ĠAr duino", "è½ ¬", "== -", "_A ct", "Ġc oded", "âĸ ł", "amb urger", "-link s", "Ġarm our", ".H igh", "get Content", "st ag", "Ġhe ck", "ĠìĹ Ĩ", "ĠMc Connell", "ĠCon cert", "ĠAl loc", "ä re", ".replace All", "Ġpart itions", "rot t", "ĠF le", "_T REE", "reason able", "ĠReport ing", "Ġbillion aire", "s cores", "min s", "- eye", "M ORE", "ab ort", "ĠSW T", "Ġin verted", "ĠTe achers", "; n", "Ġast ro", "н ов", "ани ÑĨ", "product o", "c ountries", "ĠO wen", "Ġcont amination", "Ġv ibe", "ĠEll i", ".s cript", "ĠOl ive", "D MA", "v ier", ": semicolon", "-m odule", "gress ive", "ag u", "_ players", "Ġresult ados", "start ed", "scroll Top", "==== =", "Ġweigh ing", "Ġ[[ [", "z ahl", "( NS", "ĠAssert ion", "le ague", ".setText Color", "ĉ Message", "Ġmom s", "_A F", ". wh", "AL S", "Ġaut re", "] ĊĊĊĊ", ".op acity", "ĠBudd hist", "Ġde af", "ĠOrgan isation", "(G lobal", "ens ch", "Ġhead ache", "ĠAli en", "_in ode", "ĠSt ark", "Ġæ ī", "-l nd", "ore f", "_fe at", "Ġpedest rian", "Ġnom inal", "Ġbal loon", "Ġspr ites", "Prototype Of", "ĠA post", "ĠF EATURE", "O H", "Ġre cess", "ĠDon na", "con sumer", "$ GLOBALS", "ĠG IF", "- frame", "In icio", "Ġpass ages", "Date String", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠ", ".by te", "B ug", "initial izer", "p kt", "od ium", "ĠD ER", ". ops", "ler i", "Ġgift ed", "Ġdet ach", "ter rain", "elt ers", "ãģ ı", ". loader", "ĠN GO", "str ncmp", "K h", "(font Size", "ro cket", "Ġpreced ent", "ĠAur ora", "ĠEx periment", "is phere", "Enc oded", "ĠâĢĵ ĊĊ", "Ġpy ramid", "ĠAnn iversary", "of il", "ë Ł", "( plugin", "C oeff", "Ġcooper ate", "Ġpredomin antly", "IS M", "Ph rase", "_DEF INE", "Fl ip", "AMIL Y", "ĠMark ets", "ĠStream Reader", "ĠComb ine", "Ġmanus cript", "z za", ", tp", "Wh atever", "IT ICAL", "ighb our", "Data Provider", ".Text ure", "priv acy", ".S DK", "Ġre charge", "Ġc pp", "ĠC FG", "(h older", "(p y", "m ot", "Ġsav oir", "ĠR osa", "ĠPC s", "Ġí Ļ", ".her oku", "Ġf ren", "ĠR iley", "ag ate", "Ġs ond", ".x lsx", "Ġh acked", "st ad", "G i", "Ġsan ity", "ĠSql DataAdapter", "... \",", "ĠP ussy", "Ġ ****************", "Ġhass le", "_P ARENT", "ĠU AE", "Ġbegin ners", "( Client", "Ġstatist ically", ".h our", "ed elta", "Ġtr action", "uel ve", "ar at", "Ġsa una", "IN VALID", "Ġindict ment", "AL LE", "Ġdiss ent", "ĠTyp ography", "Ġintention al", "s it", "ĠAn imals", "Ġcoun tryside", "Ġu art", "} \\\"", "Ġseam less", "¾ 示", "Ġaut os", "Ġ\"' \";Ċ", "Fl ush", "ANN OT", "Ġal gebra", "ass oc", "ĠW aters", "Ġprepar ations", "ron ym", "[, ]", "S ans", "Ġarm ies", "ipe g", "Ġcream y", ". art", "et re", "ĠAn imated", "Ġun pleasant", "eme an", "g reat", "i Äħ", "ĠEar lier", "Ġch ic", "Ġpres erving", "(ex ec", "ĠInvest igation", "ĉG PIO", "Ġrig orous", "ij o", "= num", "Ġtool Strip", ") set", "+\" &", "ĠAcc eler", "Ġdevelopment al", "is posable", "Ġflaw ed", "re ne", "Up dating", "Ġwatch dog", "Ġden ominator", "Ġsubur bs", "Ġ... )", "Ġconv ictions", "c losure", ".I P", "Ġtransl ates", ".sw t", ".Tr ace", "Ġmet tre", ".is Enabled", "ĠEffect ive", ".to Int", "Ġen chant", "Ġst unned", "Ġpo i", "/ code", "ad m", ".datab inding", "ĠL orem", "________________________________ ________________________________", "Ġled ger", "Ġcar a", "ĠG ir", "Ġwa its", "Un o", "Ġc wd", "è¾ ij", "ĠT Result", "Ġre jo", "Ġem itted", "ĠWest minster", "ä¸Ģ 个", "ne k", "_T is", "Ġen act", "ĉ with", "org ia", "Ġj ue", "Per form", "SP ATH", ".top ic", "ĠD aten", "Ạ§", "Ġsit io", "_M M", "\" So", "b ial", "Ġsc oped", "Re quires", "ĠT OTAL", "ĠCh ancellor", "( contents", "Ġste alth", "dev ices", "-p ass", "ili h", "ĠMal colm", "ĠDep ot", "Ġconfig ur", "a ussian", "_con straint", "в еÑĤ", "G RA", "ĠR ates", ".dataGridView TextBoxColumn", "ĠNob el", "it ics", "Ġignor ant", "ĠReport er", "ĠEb ola", "ĠSh ock", "_re lation", "ĠNin ja", ") c", "Ġt icker", ".is Checked", "ĠSup pliers", "ĠRap id", "Level s", "âĤ¬ âĦ¢", "ĉ queue", "Ġch op", "ĠUn ix", "re ject", "-c alendar", "(s ort", "è ne", "erc icio", "Ġh ect", "CALL TYPE", "rou pon", "Ġrent als", "auth ors", "{ name", "ĠF IFO", "Ġl assen", "ĠN ous", "Ġsn apped", "Ġfert ility", "\" log", "click ed", "Ġplant ing", "Ġg b", "/ output", "PE AT", "Ġc ategoria", "Ġb ach", "Prof essor", "in th", "\"] čĊ", "Rec order", "ser de", "ĠTrans mission", "tr ad", "Ġtur bo", "_VER TEX", "\\ Event", "il ver", "Ġbod ily", "ĠS ources", "Ġkill ings", ".xr TableCell", "Ġfold ed", "/ legal", "un er", "ĠR ifle", "ĠM IDI", "_Selected IndexChanged", ".Size Type", "ĠWeb Socket", "Ġsele ccion", "S and", "ot ros", "Ġenv ision", "/ etc", "ĠMel issa", "Sp ot", "но е", "_ ARM", "At tempt", "ĠB I", "ãģ Ķ", "ĠD U", "Ġback lash", "str ide", "/ classes", "Ġtext Color", "_st aff", "ob lin", "agent a", ".c ollections", "ill age", "' čĊčĊ", "fl atten", "_s ales", "_M ASTER", "T W", "_d a", "P itch", "ph ies", "Ġz ombies", "ĠV ERY", "ĠPharm acy", "Ġprogress Bar", "Ġhas htag", "S idebar", "@ stop", "(p c", "ол ж", "MA KE", "ĠCor on", "Ġkv inner", "ĠM aid", "b ob", ".title Label", "Ġsuccess es", "ĠDemocr acy", "ĠSurg ery", "Ġcou gar", "Ġcur so", "Ġl oro", "ist ency", "Sen ior", "æ k", "ĠA AA", "ĠBO OK", "к о", "W STR", "Ġ*/ ,Ċ", "oy al", ".v ector", "ĠS PEC", "SS F", "Ġcomp uls", "ĠAppe als", "ĠW inston", "ĠMock ito", "con trib", ". available", "entity Manager", "ari as", "_s ale", "_r s", "Ġdec oding", "Ġloc ator", "ol ith", "Ġk ol", "Ġasc ii", "ĠR ut", "/ interface", "ĉĉĉĉĉĉ ĠĠĠ", "ĠN umer", ".fl ip", "-d el", "Ġbol ster", "on omic", "Ġz m", "L G", "Find By", "Ġadapt ive", "lo o", "Ġv ue", "(re verse", "_c anvas", ". roles", "ific ado", "ven ient", "\" As", "ĠEn tr", "al igned", "Ġbere its", "/// ĊĊ", ".g wt", ". employee", "_cl i", "Ġanticip ate", "éĻ IJ", "Ġp ik", "Ġmush rooms", "(t t", "Ġo ma", "ĠSan chez", "_g oogle", ". Valid", "ĠFile Name", "iv ative", "k ed", "-w ar", "Ġm aturity", "и д", "Ġmin er", "Reduc ers", "ĠLat Lng", "_ST D", "D igits", "Cal c", "-up load", "Ġhand ic", "ี à¹Ī", "egr ated", "ĠST M", "C lients", "ĠTur bo", "SY NC", "Ġphotograph ers", ". Out", ".char acter", "B UILD", ".un lock", "Ġar ises", "ĠCommand s", "(\" \");čĊ", "_F ORE", "; ',", "+\" '", ". Images", "\") {", "ĠM eyer", "Ġneg atively", "ĠD LL", "Ġex e", "Ġdef iciency", "Ġwild ly", "-s witch", "con struction", "Ġexception ally", "ĠL iz", "/j ava", "Ġtheir s", "ĠCont emporary", "l is", ".fill Rect", "ĠN FC", "Ġre he", "(num bers", "Ġr aster", "Ġfig uring", "Ġshow c", "ĠJ ill", "Ġarc ade", "ĠConstruct s", "md l", "(' |", "Ġident ifiers", "Ġst ellar", "( Connection", "Ġ\" {{", "y or", "(m ysqli", "Ġdo ve", "Of Birth", ".dis connect", "_h i", "Ġzw ischen", "ĠGr und", "i ros", "_A rray", ".on click", "ans om", "An swers", "ĉ remove", "F a", "Ġhur ry", "-in f", "Ġget Class", "ĠReg ulation", "ĠFLAG S", "m isc", "K en", "_ heading", "G Hz", "- entry", "Ġbi ography", "S ig", "-m f", "Watch er", "âĢľ A", "} px", "Ġsp icy", "_s q", "L ost", "(tr ack", "а ли", "Desc ending", "< bits", "qu ine", "ĠAdv oc", "_S N", "ĠHann ah", "PO P", "Ġem itter", "Ġc yn", "ĠC AD", "? ).", "/ set", "ĠS ister", "ĠEnd point", "Ġmen or", "Ġinter p", "r k", "id le", "Ġout fits", ". vertex", "Ġc lic", "ARE N", "Ġpost ure", "ĠOpport unity", "v x", "ĠFor bes", ".D irection", "Ġres ide", "Ġremember ing", "nest y", "Auto resizing", "pro viders", "ĠA H", "Ġhur ting", "ĠL ily", "eval uate", "lij k", "p apers", "ĠSm ash", "ĠL AST", "Ġwell s", "w asher", "_RO LE", "ĠD anger", "* ((", "_re pository", "ĠRes olve", "ĠRoom s", "_R G", "ĠQ T", "o op", "ĠHe ap", "Ġslow ing", "Ġgrat uite", "_c atalog", "Ġpol ynomial", "L y", "pc s", "F ox", "ĠC yr", "Ġdim in", "/ month", "S alt", "Ġh ind", ".P ER", "For um", "c en", "_p ol", "íĺ ¸", "Ġin ser", "( ~", "@ test", "ĠGold man", "Ġupload ing", "F c", "Ġkom mer", "Ġm itt", "_log ged", "Ġbu cks", "-l ayer", ") };Ċ", "ĠO M", "Ġv eg", "col our", "Ġоб ÑĬ", "Std String", "_ que", "ĠT ian", "Ġspecial ize", "и п", "Ġк л", "tr ial", "- edge", "Ġm ars", "OG LE", "Ġempath y", "ĠB om", "Ġcoll isions", "Ġcart e", "ĠTe il", "ĠM PL", "Ġporn ô", "Ġa irlines", "A ws", "N s", "ĠSp awn", "( use", "é» ĺ认", "Ġy acc", "st or", "Ġconf ess", "Ġpe que", "r age", "? \"Ċ", "/dat atables", "ĠSh ower", "__ /", "Ġcryst als", "Ġbus car", "ĠH aus", "iz ação", "_ entities", "ķ Į", "ļ Į", "x cc", "v irt", "-che vron", "( Result", "c ake", "COM E", "Ġprohib it", "ĠCh ess", "Ġbe aucoup", "ĠÑĩ ÑĤо", "R UN", "ĠI K", "ó ÅĤ", "_ Update", "Ġsle ek", "ĠSpec ify", "_c redentials", "ÅŁ t", "ĠUser Name", "ĉ Value", "Ġarray List", "Ġex changed", "ips is", ".re lated", "ĠSe ite", "_B AR", "ĠL em", "ĠW ATCH", "ĠC lients", "Ġ. *", "ĠEar l", "-re port", "Ġforeign ers", "Ġstrengthen ing", "ĉ Description", "(g o", ".tool bar", "Ġcalcul ates", "ĉs ource", "Ġcz as", "Ġre cl", "ab o", "Ġlocal host", "Ġ^ {Ċ", ".P op", "ĠDes igned", "\\ Abstract", "H old", "ĠGuid elines", "ipl ine", "Ġc aching", ".Re ader", "_ext ernal", ".str ptime", "ĠWeek end", "-M ar", "ĠBe i", "Ġ{* }", "ĠR ud", "Ġexpl or", "ĠBou levard", "C ash", "Ġprep ares", "Ġserial ization", "ew ater", "Ġad c", ": ĊĊĊĊĊĊ", "Re fer", "Ġsc anned", "} }ĊĊ", "ĠF ul", "Ġtour ing", "ãĥĥ ãĤ¯", "> ((", "sur vey", "Ġí ĺ", "... ')Ċ", "ĠDiv ider", "os l", "_C ANCEL", "_pre pare", "st in", "ĠHe ath", ".Primary Key", "ĠâĨ IJ", "ĠLocal DateTime", "Ġcooper ative", "L earning", ".en queue", "Ġgo og", "ĠReg ression", "im ates", "Ġvoy eur", "ĠDr ink", "pl ug", "Ġl ender", "man a", "Ġperson nes", "yp se", "Ġun link", "ĠRav ens", "Ġhur d", "Ġperiod ically", "ARG S", "ĠG H", "char acters", "... \"ĊĊ", "- establish", "Ġd n", "( condition", "ĠGr avity", "Ġest as", "_f ocus", "Creat ure", "(s ite", "Ġc arr", "ĠR L", "ĠR I", "ĠM oto", "AS F", "ĠLuck ily", "ĉ Route", "Ġent ropy", "(\" ,\"", "Col lect", "( contact", "ĠFlo rence", "Ġpremium s", "Ġlif ecycle", "Ġb ans", "x ef", "Web Kit", "ĠFlo ating", "Ġcos a", "Spec ific", "ĠLo ans", "b read", "Ġdes criptors", "Ġ{ :.", "TH READ", "ĠT rent", "Ġsc op", "Q A", "ĠAnt ar", "p el", "_d ifference", "_ch anges", "(... )", "ĠR otation", "ĠLG PL", "ĠJ UST", "(T ask", "_sub set", "ĠTR ANS", "åĬ Ľ", "ĠSc out", "-p opup", "Ġsm oked", "_C lass", "Ġturn over", "br akk", "ĠRock y", "t as", ".Regular Expressions", "ĠElli ott", "ĠSp inner", "DU CTION", "Ġlib re", "Ġmol to", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠ", "ĠF TP", "m peg", "(f eatures", "Ġb ald", "ĠV id", "Ġsh outing", "L int", "Ġsock ets", "Ġpro w", "Ġnouvel le", "isc ard", "ĠS ponsor", "Ġconsult a", ")) );", "Ind ian", "ĠR aspberry", "Ġteam mate", "ĠJ WT", "ĠGh ana", "Ġc akes", "pr imer", "form a", "erg arten", "_M anager", "Ġpre season", "G AME", "| \"", "ĠBro ck", "Ġoccup y", "Ġdecor ations", "á nd", "Ġc ot", "Ġpar an", "D isk", "rem ain", "> ?", "Str ong", "Ġfr ance", "ĠE ra", "-c r", ".Buffer edReader", "ĠParad ise", "ĠV AT", "ĠAnd ers", "Ġlim b", "amp oo", "Ġimper ative", "UT ILITY", "ĠRec ognition", "Ġragaz ze", "Ġpop s", "yp ress", "Ġemb argo", "// {Ċ", "Ġsy ll", "P TR", "åŃĺ åľ¨", "Ġdid nt", "Mail er", "Ġacad emics", "ĠFra uen", "ne ider", "- rel", "Ġrain bow", "( In", "Ġslic ed", "============ =Ċ", "(s end", "NSMutable Dictionary", "v os", "(p ackage", "Ġord inance", "view er", "ĠSant os", "-s elling", "Ġgo v", "ett le", "Ġfound ers", "Ġw aking", "sl ashes", "-p ound", "re cht", "ا ت", ".on Click", "Ġn ord", "st änd", "_ when", "UT ERS", "ic c", "Ġcaps ule", "ĠW id", "M arc", "ภ¸", "ro red", "UG E", "LO UD", "ĠAud it", "ip ients", "op ian", "ĠS ue", "Ġwur den", ".H elpers", "Ġf actions", "[ np", "-th an", "Ġre co", "Ġk as", "Ġcmd s", "/n etwork", "xb f", "get Color", "Ġbi ased", "ĠL ak", "D atas", "vent s", "Ġë ²", "_P S", ". Validate", "Inv oker", "Ġne uen", "Ġju venile", "V ISION", "Ġdev ote", "Ġlin ha", "Ġdiscount ed", "\\ Config", "Ġworth while", "Ġskin ny", "ĠC ourses", "le ys", "ĠMort gage", "K evin", "Ġannounc es", "]) *", "res ervation", "Ġæķ °", "Ġprejud ice", "ĠString Comparison", "Ġbe ard", "-w in", "ĠS ão", "ĉ ms", "j al", "ĠE arn", "_ ports", "ĠN ombre", "_C OR", "ĠB UILD", ".s ound", "Y ellow", "Ġlineback er", "Ġchar itable", "j ug", "_NON NULL", "ĠD ental", "\"> ${", "ĉm atch", "R ussian", "Ġvers ch", "Ġp inned", "Ġadopt ing", "Options Menu", "P ag", "Ġpair ing", "Ġt read", "erc ises", "ĠSp read", ") i", "ĠB AD", "_t f", "UI ImageView", "pop ulate", "b ab", "ĠÏ ĥ", "[ ++", "Ġopi oid", "Ġ## Ċ", "d type", "ĠStart s", "('/ ')", "Ġperson als", "-mark et", "Ġredund ant", "ĠEss ential", "Ġscrap y", "Ġи м", "a cl", "Ġcre ar", "ĠB end", "Ġrel ieve", "- room", "w ife", "Ġv Ãł", "ĠQ Point", "Ġqu asi", "Ġmethod Name", "\\x c", "ĠPer u", "/ The", ". orm", "Ġv iz", "/p df", "Loc ated", "Ġconfront ation", "ĠChampionship s", "Ġhyp ert", "Ġd j", "ĠUser Info", "ĠåĪ Ľå»º", "\\x b", "(s im", "Ġ== Ċ", "Ġst aging", "Ġdr astically", "åŃ ¦", "l ords", ". less", "вед иÑĤе", "ĠB ucket", "ĠM am", ". term", "_p i", "c zy", ".p ub", "prec io", "ĠV irt", "Ġrom an", "it at", "L ex", "_inf os", "Ä °", ". other", "VE LO", "Ġp onder", "Ġh anno", "( Page", "do i", "Ġpol ite", "Ġprogram mer", "D ies", "$ d", "Ġrep lication", "add Column", "fr ican", "Ġl eng", "be er", "o it", "Ġw asting", "yl im", "me asure", "N eg", "Ġpart ie", ".con sole", "ĠGu inea", "TE L", "_f act", ".ch unk", "Ġl ent", "Ġall er", "Ġठķ", "_id le", "Ġad missions", "JSON Array", "Ġv ibration", ".h elpers", "å¤ ĸ", "Ġh en", "j ohn", "Ġì ĥĿ", "Ġjud gement", "Ġge en", "ter ra", "^ {", "ĠI z", "Ġc â", "inst ances", "Ġthreat ens", "Ġm üssen", "Kind OfClass", "Ġstoryt elling", "_d emo", "ri as", "Priv acy", "h ift", "ĠY i", "es or", "íķ ł", "ens itivity", ".W riter", "ภĤ", "D istrict", ".get JSONObject", "Im pro", "(get Resources", "ĠS PELL", "rodu ce", "Ġslow ed", "Ġlin ewidth", "Ġhonest y", "ĠCo ord", "ĠF ork", "ĠDispatch Queue", "ĠCl iff", "ĠW iring", "_TIM ESTAMP", "oll ah", "av oid", "++ ];Ċ", "sem antic", "-c ss", "Ġv eto", "ĠM err", "Ġlegisl ators", "CEE DED", "Ġquestion naire", "ĠP ills", "Cal culate", "(c ore", "' e", "Ġdis like", "ĠPre ferences", "_EX TERNAL", "è° ĥ", "Ġd odge", "æľį åĬ¡", ".n ames", ".draw Image", "_p rom", "uck land", "Ġ<$ >", "ı z", "/s ite", "é¡ ¹", "rop he", "Ġcomp elled", "Ġl aptops", "Ġun i", "C LOSE", "Ġcasual ties", "ĠUn iform", "Term inal", ". \",\"", "D AT", "(T reeNode", "ĠGand hi", "(st mt", "AX B", "* M", "Ġumb rella", "an imal", "Ġgr pc", "Ġwhere by", "Ġfloat s", "ĉ arg", "Ġdb g", "Ġexceed ing", "Event Type", ".SaveChanges Async", "Ġ{ {{", "Ġow ed", "ahren heit", "Ġì §", "Ġequ ipo", "ur ai", "Ġid ol", "] \")Ċ", "_m ajor", "Ġentire ty", "inger print", "ç os", "/ account", "ĉ right", "urs os", "ĠE DT", "_INS ERT", "Ġsh ining", "Ġ< :", "Edge Insets", "Ġcolon ies", ". IM", "ĉĠ ĉ", "RO AD", "CC CC", "pl acing", "Ġget Activity", "em acs", "' %(", ".click ed", "ĠTh em", "is ia", "Bus car", ".re name", "Ġo ath", "Ġafter ward", "ĠU FO", "AP S", "ĠJackson ville", ".s ome", "Conf irmed", ".s can", "ig Integer", "Decor ator", "sh ield", "ress ive", ".d id", "请 è¾ĵåħ¥", "Ġsh utter", "D am", "Ġparent ing", "ey ed", "$ item", "-de velop", "Ġextract s", "Ġdecentral ized", "ĠEl sa", "_sp in", "]) +", "-in itial", "Ġmult itude", "Ġsens ory", "ĠMODE L", "Ġsafeg uard", "ì ¹", "Ġhunt ers", "ĠT iny", "IN O", "decor ate", "ĠNo Such", "H o", "( Response", "Ġr uler", "ĉ short", "Ġc aster", "Ġclient Id", "Ġp db", "ëı Ħ", "it ic", "ĠGame State", "Ġnew Item", ")ĊĊ ĊĊĊĊ", "ou is", "n oc", ".BL ACK", "_V ECTOR", "---------- ();", ".get P", "any e", "Ġneur on", "if old", "ĠK nown", "Bit coin", "Any way", "ay ette", "Ġ' ['", "Ãł nh", "m gr", "Ġcor related", "Ġn ause", "Ġment ality", "has Many", "ĠF G", "amp ie", "IT U", "F s", ".S p", "_b etween", "Dep endencies", "ou g", "Place holder", "= text", "ĠMan aging", "ocal ypse", "åĮ Ĺ", "_m ag", "f ld", "â ij", "C AM", "ĠHelp ers", "Ġd ost", "/ out", "Ġassass ination", ".get Image", "ĠKenn y", ".' )ĊĊ", "){ //", "ĠR anger", "Ġg ek", "Ġsinc ere", "< Value", "ĠD OT", "ĠVict ory", "Ġleg ends", "Ġpr isons", "(ex pression", "ĠR abbit", "_s entence", "Ġbit es", "Ġon Failure", "ĠâĪ Ī", "K im", ".g ender", "ĠÎ »", "Ġ[ .", "\"] );", "land ing", "-d igit", "TE MP", "ĉ entry", "Ġstrt ok", "Ġdesc endants", "um no", "Ġlean ing", "Ġspecific s", "q n", "ĠSp art", "Ġpor r", "EDIATE K", "Ġse per", "' aut", "ĠSTE P", "ĠBorder Layout", "Ġret ros", "ĠSalv ador", "ĠEN GINE", "x dc", "T weet", "v k", "Ġì ²", "] <<", "het ics", "c oding", "Re ach", ".re q", "gu ide", ".s cope", "sh irt", "rog ate", "SET TING", "ĠProte in", "Ġe ing", ". EMPTY", ".d f", "Ġclear er", "Ġc rossover", "ĠTo ys", "Ġco ated", ".M onth", "ĠAtt ach", "/ run", ".t abs", "Ġogs Ã¥", "B rown", ".D ATE", "Ġf os", "åŃŠ符", "W ood", "-th ree", "her ited", "Ġ rop", "( ac", "Ġembod iment", "ĠKenn eth", "Ġcan non", "Ġb idding", "čĊ", ".get Resources", "Ġl ump", "_const s", "( ext", "ĉd ir", "â Ŀ", "Ġpadding Top", "Ġobs ession", "Ġb anning", "ĠApp Module", "Ġpart isan", "Ġcatalog ue", "Ġmin ors", "Ġpitch es", "we ep", "Ġundert ake", "Ġthem ed", "aud it", ".scroll Top", "Ġr er", "Ġsympt om", "Ġopen ings", ".block s", "open id", "Ġas sh", "-s ave", "ĠP ig", "Ġreg ain", "Ġin icial", "/f avicon", "ĉ exp", "Ġsp ices", "isk a", "claim s", "m ak", "definition s", "Ġcorrespond ent", "ĠCann abis", "__ ,Ċ", "ĠL ucky", "ĠGa ussian", "ĠN early", "C AD", "'] ]Ċ", "Ġadequ ately", "ĠT ITLE", "constitution al", "-m m", "_ override", "Ġbl as", ".ready State", "Ġremin is", "Ġrein forced", "ĠColl abor", "Ġdecor ating", "Ġb achelor", "ERRU PT", "Ġup right", "ip ation", "ĠNob le", "Ġvalue ForKey", "Ġset Loading", ".I gnore", "å ģ", "G lobals", "ĠM ent", "AS SES", "Ġlim bs", "ĠH UD", "inc i", ". iv", "ĠQ ModelIndex", "F use", "Ġped al", "_F REQ", "( verbose", "Ġlong itud", "ĠChar ter", "ê ·¸", "Ġbund les", ". ignore", "um bo", "EM A", ".... ...", "s x", ".C ard", "Ġhe ute", "Ġste er", "j umlah", "Ġ{ _", "_Check ed", "Ġf ax", "ĠG ust", "itch ens", "Ġ ))ĊĊ", "Ġremark ably", "/ XML", "- remove", "_b t", "Ġinc ub", ".p ackage", ".current Thread", "ĠHigh lander", ".s ide", "s plash", "Ġ ici", "= D", "Ġp uck", "Ġball ots", "Ġhug ely", "co eff", "Ġp Data", ".C OLUMN", "ĠHe aling", "Ġord in", "! ),", "Ġ' ',čĊ", "(m d", "ĠS ask", "< strong", "Ġsurviv or", ".s eries", "Ġcaffe ine", "Ġ` (", ".TRA ILING", "_ Input", "(\" ^", "z d", "& );Ċ", "ĠP ing", "Ġv oucher", ".r ating", "-sh irts", "ĠRetrie ves", ".al ibaba", "Or acle", "_MO V", "Old Data", "Ġ/* čĊ", "Ġg boolean", "Ġ=> čĊ", "Ġr á", "Ġbl unt", "ĠImage Icon", "if ik", "RT C", "Ġfib ers", "Ġto ile", ".s ent", "ĠPy Qt", "$ app", "Ġmed io", "Ġgrant ing", "Ġtsl int", "ĠM ö", "(fig size", "Ġhur ricane", "Ġlif es", "Ġà Ħ", "rocess ing", "_st andard", "- option", "')) )", "Ġvac ant", "å· ¥", "ĠH ollow", "handle Change", "Ġdiv ider", "ĠEngine ers", "Ġsv ens", "Ġcompl iant", "t anggal", "ĠC redits", "ĠEm irates", "Rule Context", "Ġreal ization", "Ġdistr acted", "]+ =", "Ġaug ment", "ĠD w", "ot p", "or rent", "Edit ar", ".st ock", "St udy", "pe ctions", "ĠGame Manager", "= cut", "Ġf lock", "ĠRom ans", "th em", "-h op", "Ġscreens hots", "Ġ/* !Ċ", "Ġconvers ions", "Ġnormal ization", "(config uration", "Ġa eros", "_se curity", "! 'Ċ", "B onus", "ĠDR IVER", "ĉ Date", "t ie", "ĠWy oming", "St and", "it re", "Ġsh oppers", "Ġdisadv antage", "Ġlik ing", "ç¬ ij", "Ġunderstand able", "SE E", "Ġh oy", "Ġnin ete", "Ġcon fer", "Ġnow rap", "ĠV ern", ", čĊčĊ", "imest ep", "Layout Manager", "à ·", "ĉw ait", "PLE TED", "J apan", "Ġindu ce", "Ġå ¯", "оз в", "_END POINT", ".h orizontal", "Ġacceler ated", "rim on", "IV ES", "Trans actions", "Le an", "ĠSO UR", "wh ether", "y g", "Ġo id", "ĠEntity Manager", "OUN TRY", "Ġfil a", "OLUM NS", "IN UE", "ĠAn chor", "TR AN", "wo o", "block quote", "ĠN urse", "ĠCar p", "Ġrede em", ". try", "ĠJ P", "Ġtimestamp s", "Ġ?> \"><", "ĠREM OVE", "ĠStar bucks", "Re ally", "Ġflood ed", ".C allback", "Drop Down", "ip ro", "Ġt ended", "l te", "Ġproport ions", "- te", "ĠR ena", "lic ate", "for ces", ".ex tra", ".auth enticate", "в од", "¡ °", "Ġfor ControlEvents", "Ġsen ha", "Ġke in", "Ġmin ist", "ĠPre ference", "ĠTele graph", "Ñĥ п", "str pos", "Ġillness es", "Ġp igs", "Ġget Intent", "S ol", "Ġ ¡", "(c pu", "[ prop", "s creens", "'); ?>", "ĠAct s", "Ġstr dup", "Ġaver ages", "an al", "ĠCas ual", "Group Box", "ĠHand book", "/ comments", "Ġnumber ed", "Ġbroadcast ing", "çĽ ij", ".native Element", ".m u", "Ġupdated At", "ĠDoes n", ".A C", ".c oll", "Ġrec order", "_sh a", "B g", "b il", "Ġbol ts", "Ġç ¬", "Ġim posing", "ĠInformation en", "_flash data", "e conomic", "Rem ark", "uc as", "ĠOff icers", "ĠT ER", "W alk", "Ġmerc ado", "_g enerate", "H Y", "Call ing", "s nap", "script Id", ". operation", "ĠFl ame", "l iness", "Ġrent ed", "_t oggle", "-ch anging", "ĠT Y", "' util", "EE P", "Ġgraph ql", "ĠUn i", "Ġimp ulse", ".B asic", "Ġenerg ies", "M ARY", "ĠMar cel", "Ġmort al", "Ġf res", "m ens", "m otion", "Ġsample d", "âĢľ That", "id ay", "qu ipment", "get Int", "ĠA bsolute", ",' \"", "un ed", ".sh are", "Ġ} )(", "mm m", "ĠR ising", "ä» »", "Ġun employed", "x fa", ".f ollow", "ĉĉĉĉ ĠĠĠĠĠĠ", "sl t", ".P hone", "Ġkn ives", "Ġe ve", "on Click", "] ))čĊ", "ĠW itness", "ĉ NS", "ĠE OS", "ĠSte fan", "ĠPri est", "âĢĶ which", "Get String", ". By", "Ġup stairs", "Ġdetr iment", "bro ken", "emb ro", "Ġnic otine", "il ion", "Ġaston ishing", "_ aff", "ĠLess on", "Ġaccident al", "od or", "Ġdec ir", "Ġnew Name", "+ .", "çĽ ¸", "igs list", "ĠG ithub", "Ġsuccess ive", "rac ial", "Ġen viron", "éªĮ è¯ģ", "Ġredirect ed", "T OTAL", "Ġgrab bing", "ĠL ance", "Ġfor fe", "_C B", "å¾ ®", "El apsed", "_w ay", "(Dialog Interface", "_me asure", "x bb", "D og", "Dep art", "-s rc", "res olver", "with standing", "_sh ell", "ĠLast Name", "ĠAv iation", "Ġbegin ner", "(\"% .", "(to ol", "Ġн ов", ": init", "(A PI", "ĠMorr ison", "vt Color", "Ġstap le", "/ INFO", "Ġsupern atural", "Ġste ak", "tim eline", "zz le", "\" `ĊĊ", "Second ary", "ĠNep al", ".String Utils", "Ġad am", "Ġ( ...", "Ġsub stitution", "Ġboard ing", "ĠKey word", "ĠAss ault", "dbc Template", "Ġorder Id", "( engine", ".assert That", "ĠVen us", "Ġhomic ide", "ĠA val", "Ġg utter", "ĠSupport ed", "/p art", "Ġac claimed", "H istor", "Ġmes es", "ü ber", "ĠRen ew", "Ġgr as", "ĠE k", "Ġin file", "ind y", ".m usic", ".S croll", "ĠA ges", "ĠNar uto", "ĠG ather", "Ġconfirm ing", "= (\"", "Ġpitch ed", "ole y", "Fr ance", "+' \"", "$ total", "Ġon de", "Ġd itch", "_s igma", "Ġcontinu ity", "re ward", "- load", "Ġproces o", "Lock ed", "st aw", "Ġsp inal", "l azy", "! ==", "j est", "Ġd un", "ĠRod gers", "ĉ grid", "Ġlog os", "ĠBeng al", ".s uper", "Provid es", "Ġnut rient", ".T imestamp", "IZ ATION", "åĨ Į", "Ġf ats", "ĠX xx", "ct ica", "Target s", "Ġcont ours", "Ġre ordered", ": Array", "Ġtoler ate", "V ir", "Ġter ribly", "Ġbr icks", "(& _", "h b", "Port al", "ĠB read", ". which", "ÂŃ t", "as InstanceOf", "Ġj object", "ĉ length", "_M T", "; \">čĊ", "_EX IST", "Ġmat ernal", "RE L", "Ġê²½ ìļ°", "he e", "Ġlayout s", "ĠL ap", "ais y", "Ġst umbled", "ĠU IG", "ĠS co", "Ġimp aired", "RES SED", "Ġab uses", "V F", "AR B", ".N AME", "r ch", "prim ir", "_com pleted", "Ġp enny", "Ch rome", "(b egin", "ern en", "- checkbox", "Plain OldData", "ĠL PC", "r ade", "sp ir", "Ġcon ceived", "T ips", "ĠIo T", "ĠG an", "èģ Ķ", "Ġbi ases", "Ġconsult ants", "ple d", "_ ht", "associ ated", "], ĊĊ", "Ġdelight ful", "ĠÑĤ ек", "Hel vetica", "( load", "-exp and", "_W IDGET", "to a", "ĠA kt", "Ġom n", "Ġcl auses", "Int el", "*/ }Ċ", "_reg istration", "Ġold Value", "Ġrest oring", "Ġun real", "O VER", "ĉĊĉĊ ĉĊ", "AT S", "_pro be", "Ġdiv isor", ".update Dynamic", "å¹ ³", "Produ ces", "st amp", ".j boss", "ĉt ask", "! (:", "Ġpsych ic", "@ class", "M artin", "ĠPass ed", "clar ations", "h el", "а Ñĩ", "ĉc opy", "-b in", "z an", "ig ram", "া à¦", "(s ig", "ĠC aval", "_ ##", "Ġ% =", "out lined", "ĠAc id", "Ġunpredict able", "-d ashboard", "Hex String", "+ c", ".P ublic", "Ạ©", "Ġconvey or", "ĠE B", "Ġselect s", "Ġknock ing", "ĠC ec", "IBUT ES", "owa Äĩ", "g atsby", "* v", "ent ropy", "Ġdispatch ed", "Ġcam el", "ĠSat urn", "Ġover weight", "( phone", "par able", "% B", "_v ectors", "Ġbrew ing", "ĠT k", "ĠDownload s", "ĠS aved", ".Pr ice", "Ġcur ved", "ĠParen thood", "è ¶", ".p nl", "plet ely", ".D ay", "Ġadvertis ers", "Ġej ec", "Ġpr zed", "ë ¯", "! ';Ċ", "ĠK ush", "ĠT AB", "Ġquest s", "Ġcoinc idence", "umm ies", "ĠKash mir", "ĠEth ics", "_g rowth", "Ġakt iv", "Ġgroup ing", "å¢ ŀ", "_tr uth", "åIJ ¬", "t odos", "is et", "Tex Coord", "ä tt", "ĠZ ur", "ro ys", "_M AGIC", "Ġbrew ery", "( State", "ĠSM ALL", "ĠPl ants", "it bart", "each er", "ĠAd elaide", "L u", "Ġf ick", "und les", "_load ed", "и е", "P oll", "rit ic", "EL Y", "Ġ+ '", "ĠProf ession", "Ġst amps", "ĠS ew", "scroll View", "Ġcomm unist", "/pro blems", "}čĊčĊ čĊčĊ", ", o", "Ġu dp", "Ġob ese", "appro ve", "ancell ation", "_G ame", "ĠHas htable", "adaptive Styles", "Ġpossess es", ".match er", "function al", "M rs", "ĉs ave", "ĠDb Type", "Ġk en", "get Context", "Ġm ans", "( rel", "ĠBrother hood", ") `Ċ", "è§ £", ".In formation", "OutOfRange Exception", "ĠS ek", "C as", "Ġblog gers", "E ither", "(\" \"\"", "Ġpin ch", "Ġco arse", ") p", "ĠP ulse", "Ġlear nt", "Ġdent ist", "Ġon change", "Ġdirect ives", "( actions", "ny der", "ĠSh ir", "T rait", "_de p", "ĠP ET", "ĠRE P", ".App Settings", "cu ador", "iden av", "Ġenv i", "Ġsl ammed", "ĠSh oot", "Ġdate Format", ".j oda", "ve ys", "Ġ) .ĊĊ", "Ġcare g", "ĠPar allel", "_ translation", ".function s", ". obs", "Runtime Exception", "[] =", "over view", "ĠSch l", "Ġno isy", "ĠOn PropertyChanged", "S ending", "Ġunf amiliar", "U pon", "ĠPrint s", ".t yp", "Ġflee ing", "ĉm ove", "( Un", "Ġq r", "× ľ", "_b eta", "Ġsk ies", "ĉm e", "W ND", "Ġstick ers", "bl as", "Ġinsert s", "Ġvers es", "ĠD ew", "Ġtang ible", "Ġhe cho", "P OL", "Ġte ardown", "om nia", "IB E", ".c over", "_str ategy", "^ -", "set Position", "u ale", "S igned", "Ġif ace", "as eline", ".set Time", "ĠMin eral", "ĠFight ing", "sk ins", "Ġdiscrim in", "Ġdans k", "ĠPr inceton", "ac ist", "Ġ( ));Ċ", "tr acks", "imon ial", "ad ecimal", "EP ROM", "ugg le", ".Not ification", "$ mail", "c antidad", "ĠJ ung", "Ġseek ers", "Ġpl ausible", "t ier", "еР¶", "Ġr apper", "ĠMan a", "ĠHttp StatusCode", "Ġburn t", "los es", "ĠF oto", "ĠJson Object", "Inst agram", "Ġsys call", "Ġreal ities", "ĠMAT LAB", ":^ {Ċ", "TER M", "ĠC bd", "ĠPar agraph", "Ġtrav és", "Ġconstruct ing", "Ġsw al", "Ġp ige", "LL LL", "-ex isting", "G ets", "Ġmelt ed", "Ġmitig ate", "H en", "Ġh m", "im as", "ĠA o", "ĠP erez", "ĠD AL", "Ġëĭ ¤", "Ġdiv is", "Storyboard Segue", "ĠMod ify", "ĠÃľ ber", "_O VERRIDE", ".p em", "unt os", "Ġespa ñ", "Ġ{ ?", "ĠP AY", "_ip v", "ĠF ury", "__ .__", "el ow", "-center ed", "check s", "_ Reg", "-J avadoc", "ĉ load", "ĠLik ewise", "ا Ùħ", "UN E", ".se m", "x cb", "ĠC ave", "_s leep", "Ġsil ently", "ĠExt reme", ".To Upper", "ĉC HECK", "Ġc ue", "ĠQ ByteArray", "Ġcorrupt ed", "ĠD é", "Ġimp ed", "Get Name", "Ġinaccur ate", "Ġso ber", "е е", "Ġbar code", "-- ){Ċ", "ink i", "Ġé p", "Ġd ri", "ĠAL T", ">>>> >>>>", "ont a", "[ L", "Ġinter es", "ver ting", "Ġdi agnostics", "p dev", "è ©", "ĠIntegr ated", "). '", "_g c", "$ text", ".g ames", "ĠT erra", "' Re", ".trans fer", "_F IFO", "get Model", "Ġbl and", "ĠCole man", "Ġpr imes", "Ġæ Ī", "Ġcross es", "n k", "G ING", "Ġ' ^", "ĠB lob", "Ġinter course", "ĠBl vd", "Ġweigh s", "_reg ular", "ĠPer th", "Ġsepar ating", "Ġb illed", ".tab Control", "Ġpup pet", "Ġutil ization", "Ġâĸ ł", "Ġsucc es", "Ġl amps", "_pro j", "E ric", "Ġren ovation", "ĠFam ilies", "ĠB its", "part ials", "-M en", "s olution", "Ġd warf", ".IN TEGER", "ĠLO CK", ". ct", "Ġexcer pt", "ĠP ix", "ĠFirst Name", "ANT ED", "ĠAd mir", "-h elp", "P rior", "ĠAl ign", ".IN STANCE", "Line Edit", "('/ :", "Ġin et", "od us", ".p kl", "ĠK Y", "up ert", "Ġn erves", "_grad ient", "} ','", "_un ref", "Ġs aturated", "ĠConn ected", "ĠF N", "EX IT", "Ġtele port", "Ġav ait", "Page Route", "Ġdivor ced", "(l ang", "f st", "ĠT yr", "Ġmess enger", "if stream", "X S", "ĠBank ing", "Ġinfect ious", "ĠM ons", "_LO OP", "Ġzur ück", "Ġobt ener", "/re pos", "V el", "ac ro", "Ġuser Repository", "style Type", "ĠS RC", "VML INUX", "rec ursive", "/ bar", "_ch ip", "omin ated", "ĠN it", "âĢĶ to", "ĠBudd h", "ом еÑĢ", "ĠM AG", "ĠC HE", "_d en", ". raises", "_de gree", "Ġpump kin", "_tem plates", "_M EDIA", "ĠTim eline", "Ġb ots", "Object Type", "Ġbu ys", ".post s", "C AL", "wait ing", "ĠDani els", "Ġd abei", "ĠS igma", "il or", "ig el", ", W", "AD S", "( panel", "ì² ´", "it ating", ".p alette", "Ġmos quito", "Ġt ego", "(parse Int", "Ġdes pués", "p romise", "Ġw ij", "types cript", "ĠT v", "_IDENT IFIER", ").ĊĊ Ċ", "_fl at", "its u", "US R", "ex perience", "-f it", "ph inx", "_th resh", "Ġide ally", "ĠFre eman", ", DB", "_r w", "çŃ ī", "U b", "_stat istics", "=\" \"><", "Ġch ore", "Ġy ork", "inst alled", "Add itionally", "Ġp stmt", "yl ko", ":: Ċ", "Fore st", "Ġhead set", "Ġgall on", "ÑĢ ем", "Ġwithdraw n", "ĠC andidate", "Ġmel ting", "Ġfree zer", "Ġh l", "_HE LP", "m ime", "( /*", "Ġth irst", "$ return", "member of", "еР±", "ĠHttp ServletRequest", "( ob", "_ Result", "Ġassert ed", "Ġfulfill ing", "Ġstret ches", "par ated", "-f unded", "Ġå Ľ", "ing les", "_c a", ". condition", "ĠDis plays", "Ġor ang", "ĠC RE", "Ġgl Bind", "ĠSelect or", "/ type", "ĠAlex a", "ched ules", "ĠPen insula", "Ġpar ity", "ĉ dest", "ĠDo ors", "čĊ ĉčĊ", "_dim ension", "Ġa load", ".St oredProcedure", "(p aren", "ĠBur ke", "') ]Ċ", "- engine", "Ġqu ir", "ĠHy brid", "ĠDo e", "Ġout lines", "ĠTrend s", "_N V", "per iments", "ĠH in", "? ',", "ĉ Text", "F UL", "Ġsm ells", "Ġs lick", "Ġmis erable", "ĠArray Adapter", "Ġparam String", "H om", "_l iterals", "us uarios", "Ġprompt ing", "_l azy", "ĠActiv ation", "_ oc", "We ak", "Ġan ecd", "ĠU CLA", "= re", "isse ment", "ĠEsc orts", "Ex cellent", "ĠP ause", "Ġre positories", "T OR", "ari ate", "_is o", "up dates", "hal b", "udi ante", "ë¡ Ŀ", "Ġna ive", "ĠP eg", "ĠL ounge", "ARG IN", "(b in", "On ClickListener", "ĠFA ILED", "Ġl ite", "Ġd zie", "ĠL iteral", "iv or", "fc ntl", "Ġe ats", "Ġq ed", "Un lock", "rid ing", "und ai", "= M", "AT TER", "Configure Await", "ici as", "ustom ed", "Ġsuccess ion", "end Time", "ĠJ upiter", "Ġjud ging", "d ration", "_d ocs", ".m o", "Ġeduc ators", "ĠV ine", "Con d", "[ out", "q b", "\\ Validator", "Ġmean ings", "Ġpresent ly", "Ġdiv iding", "otten ham", "asc ular", "Ġtrail ers", "ĠC LOSE", "ам и", "âĢĻ ai", "ĠG ain", "w or", "Ġpl anner", "Ġdistrib uting", "v at", "month s", "x label", "H F", "V iol", ".BASE LINE", "еÑĤ ÑģÑı", "ĠR otate", "Ġtx n", ": bold", "Ġb loss", "Forg ery", "( embed", "Ġjak o", "s printf", "the ir", "Ġexhib its", "- static", "he cy", "get ActiveSheet", ".c lients", "ãģ į", "_h ide", "[ word", "C b", "add Item", "ax e", "_r adio", "al ion", "mod ifier", "Ġsat uration", "Ġden om", "_p ixels", "m ess", "(f l", "at if", "Ġse cs", "Ġpro stitution", "Ġgrand children", "Ġparad ise", "ĠF eld", "_B INARY", "it ous", "๠Ħ", "Ġflash ing", "-s ided", "Ġcontrad iction", "/* ĊĊ", "y label", "ĠT et", "Ġadm ire", "res o", "Ġlet z", "ĠSE ARCH", "sl ots", "ĠRew ards", "ĠH og", "ĠNS Data", "st ash", "F all", "ĠA mer", "Line arLayout", "/ photos", "Ġfe ather", "Ġ| čĊ", "Download s", ".Start sWith", "Ġ// #", "ine Transform", "Ġaff id", "V tbl", "ĠRog ue", "scri bed", "Ġfa uc", "ĠMon roe", "Ġdecl ares", "mod ern", "re on", "ay be", "P ASS", "f ers", "_MULT I", "ĠMath ematics", "Ġsud ah", "_ATT ACH", "Ġnumber With", "ĠSol omon", "j in", "ograf ia", "ö l", "_d esign", "cul ated", "ĠL una", "ies z", "Ġ=> '", "Ġrevel ations", "Al ong", "( ed", "ĠF ilename", "Ġy label", "Sec ure", "Ġbus ca", "agn osis", "_RE CE", "Ġoverl apping", "Ext ent", "Ġanticip ation", "Check s", "ĠALS O", "or c", "iling ual", "it ational", "Ġadv ancement", "ou ro", "ĠP redicate", "å¾ Ĺ", "er ia", "ĠPier ce", "or io", "Ġmer its", "Ġpe anut", ".P ackage", "ĠCon duct", "_SENS OR", "Ġbo iling", "Ġin tra", "ĠI GN", "ĠF ur", ".Ref resh", "ĠRe ach", "_dec oder", ".Ex p", "ĠÑĤ ак", "p ill", ", Q", "ĠGr ill", "Ġpop ping", ".A g", "Ġpro yecto", "Ġmile age", "Ġec ological", "] ]);Ċ", "Ġ Ń", "sub plot", "ac ad", "ĠTry ing", "rec ipes", "$ criteria", "ĠPers ian", "-b ound", "M ASK", "ĠG esture", "Ġk k", "ĠP VC", "Ġprohib ition", "Ġcom ando", "ĠLO OK", "Sh opping", "Ġdist ortion", "< Boolean", ".Get Length", "um pt", "\\ Product", "ell ery", "Ġfire wall", "form atted", ".red is", "Ġes a", "ĠRh ode", "S om", ".n on", "Ġ' ).", "Ġget View", "ạ n", "pr us", "Mat thew", "Ġs ia", "ĠF ors", "G PU", "ient ras", "_IN ST", "Ġol arak", "Ġimport ing", "T CP", "/ \");Ċ", "e ither", "Ġfresh ly", "c ascade", "(char acter", "ĠJe ep", "ot ics", "_ UTIL", ".Xtra Printing", ".first Child", "ĠEx cell", "Ġd vd", "Ġt aller", "Ġr as", "yp ass", "Ġassign s", "Ġgri ev", "-m ore", "J D", "ĠBurn s", "' >čĊ", ".D ependency", ".Query String", ".O wner", "Ġexp iry", "Th u", "( Vec", "Ġhazard ous", "Ġr pm", "AP ON", "Ġadd Target", "sv ille", "p Net", "ĠIm g", "ĠTIM ER", ".An imation", "Ġbe k", "Ġass ort", "Ġle bih", "Ġbody Parser", "Ġvibr ating", "ID L", "Ġbutter knife", "int ers", "Ġpersu ade", "ĠLGBT Q", "è ĭ", ".s oft", "Ġbe ams", "_s ur", ".D ef", "Ġl abs", "ĉ plt", "Ġsk ins", "Ġtransf erring", "Ġimag inary", "_E nd", "; background", "Ġl aps", "_COM MENT", "(S DL", "ond s", ".Rec ord", "ĠIm plements", "_t icks", "() ))ĊĊ", "Ġa rose", "] ?", "ĠM p", "ĠI Command", "Ġsculpt ure", "Ġcontract ed", "< HTML", "Ġcal end", "at y", "/ Sub", "Ġkv inn", "_ IGNORE", "ĠSh ane", "ML S", "Ġstim ulate", "Part ition", "Ġm un", "ó m", "eral a", "- account", ".B inary", "c é", "Ġse ize", "connection s", "ĠĊ ĠĠĠĠĠĠĠĠĊ", "ĠDi agnostic", "V ISIBLE", "ĠRun s", "Ġimpress ions", "s uite", "ob le", "~ -", "ak ukan", "< Person", "ĠN os", "ĠG ui", ".wait For", "RE SET", "Ġpost pon", "Dis cover", "arr ison", "sh aw", "b lood", "AJ OR", "æĽ´ æĸ°", "ĠM use", "æĶ ¶", "Ġret aining", "ot te", "Ġmos que", "ĠS ne", "Ġstandard ized", "Ġmain land", "_th ree", "unge ons", "get Doctrine", "Ġwh ale", "Ġag g", "ĠP orsche", "now led", "lat ent", "ĠRel ation", "Ġ// '", "Ġshut ting", "ĠRem ix", "_c ov", "Ġs ailing", "Ġv owed", "Ġp ots", "out u", "Ġhair y", "cast s", "Rel oad", "Ġre connect", "ter a", ".child Nodes", "ĠR ack", "Ġcurrent Index", "Ġall en", "Ġ çĶ¨æĪ·", "ĠC ubs", "[ X", "_SE Q", "_RE MOVE", ".get Action", "(/ ^", "err ar", "Ġ ether", "cur ve", "Ġsl ap", "Ġu om", "O thers", "Ġen gr", "Dis position", "Ġst aged", "E ye", "ĠA ux", "auth enticate", "Ġ$ ?", "ĠAndre as", "Ġset w", ".A rt", "Ġforecast s", "Ġa unt", "-m iddle", "Ġmis d", "des k", "Ġescort e", "ĠCas a", "rop ical", "Ġexem ple", "plan et", "(U INT", "Ġwh ip", "ĠPC B", "clide an", "=\" \\", "Ġox ide", "Ġsucceed s", "der ived", "ĠEcon om", "_co ordinates", "ir as", "D raft", "Ġvisual ize", "B rian", "_ASS UME", "ĠObject Id", "Ġtrain ers", "_FOR CE", "Ġcon soles", "- process", "lic her", "ĠSim mons", "T aking", "ĠCl aims", "Ġdiffé rent", "Activity Result", "Ġsn s", "éĢī æĭ", "ĠCr us", "Ġll am", "r ab", "ĠJo an", "AA A", "ĉf ilter", "ish ops", "get ting", "à µ", "Ġquant o", "P ast", "ov ich", "Ġin justice", "ĠF LOAT", "Ġal right", "\\ DB", "( GameObject", "u ish", "(b ot", "Ġgall ons", "ĠR é", "ĠS aid", "ĠSTDMETHOD CALLTYPE", "ais ing", "_process or", "ell idos", "ter dam", "ĠBe am", "Text Area", "Ġret orno", ".M ake", "Ġ$ (\"<", "Ġlock down", "Ġremed ies", "Ġve el", "x ee", "do ctype", "F il", "ĠExp and", "Ġemp loys", "Ġsession Storage", "Ph p", "P ublish", "Ġret al", "f abs", "ynam ics", "Ġtoss ed", "ĠnumberOfRows InSection", "x path", "\\ modules", "Ġdis astr", "ĠM ULT", ".M esh", "-st age", "Ġs df", "it ung", "ug es", "Ġ?> \">'", "kin son", "Ġк ол", "ogn itive", "_ li", "Ġim minent", "Ġaff inity", ".sign al", "Ġnot ch", "ĠSteel ers", "max length", "K K", "ĠEug ene", "_P WM", "ro i", "Ġâ Ĺı", "ĠH amburg", ".M ust", "Ġax e", "en ef", "Ġamb itions", "ĠSpec ies", "ĠSt ress", "Ġa while", "Ġб Ñĥд", "Ġwith stand", "ĠDec oder", "_in ventory", "Ġ{ ččĊ", "Ġt gt", "Ġrail road", "W ASHINGTON", "Ġnegot iated", "N ST", "- phone", ", U", "Ġexerc ising", "á» ¥", "_P IXEL", "av ors", "iter ated", "Ġv ampire", "ad al", "In grese", "Ġun g", "ject ive", ".c ells", "Ġn ano", "Ġmark down", "_R ULE", "(event s", "Ġl uggage", "MESS AGE", "ig keit", "$ count", "Attribute Name", "IG INAL", "_E nt", "ĠB F", "ĠCOM MENT", "_in i", "ĠEurope ans", "ĠB elle", "åij ½", ") ['", "åº Ķ", "ĠUse ful", ".re ference", "() \",", "_ grade", "ĠK aw", "Ġsent encing", "Ġsocial ism", "mon ster", "_L AYER", "Ġdee pest", "w k", "ĠNo ise", "### ĊĊ", "Ġpr éc", "ot le", "ÑĤ е", "a uf", "ib al", "Ġcon quer", "> Email", "Ġamb ulance", "O AD", "Ġ(\" %", "ĠF I", ".f ixture", "Ġter se", "ĠĠĠĠ ĉĉĉĉ", "Ġsanct uary", "ug i", "ĠCom parator", "Definition s", "Ġast hma", "Ġl act", "Ġhard wood", ".c lock", "Ġattract ing", "ĠM our", "(d istance", "ic its", "Ġbon ne", "ĠAC CESS", ".Deserialize Object", "ĠTyp ed", "Ġje u", "Ġapp Id", "ĠCl ara", "ĠH F", "ĠRe ich", "ipp les", "//---------------------------------------------------------------- ----------------", "_del ivery", "erial ization", "Ġplaint iffs", "Sc ient", "sh opping", "ĠD ummy", "ĠW ald", "Group Name", "Ġins cription", "el og", ":::: ::::", "_ ld", "Back Pressed", ".R aw", "ĠOn Trigger", "Ġmuse ums", "ĠBe en", "ĠAdvent ures", "Ġsl ate", "Ġlet t", "Ġsu nd", "ĠG in", "ĠMechan ical", ".s hip", "App Component", "Ġdest ined", "Ġdw elling", "Prof iler", "Pre pare", "ze ich", "Ġsil icon", "(h as", "Ġ# %", "VID EO", "Ġcollabor ate", "L in", "Ġsc opes", "( className", "(s d", "and in", ".h am", "Service Impl", "-des cribed", "Ġiron y", "st ial", "ĠHu awei", "(re po", "Ġunexpected ly", "ĠK ai", ".inst all", "\\x f", "Ġexhib ited", "_T CP", "ĠO x", "_CH O", "Ġprostitu erte", "Ġv ä", "Ġsit o", "Ġconstitu ents", "ĠContin ued", "ĠS AVE", "r ss", "/ message", "ub es", "Ġmisd emean", "Ġtax ation", "Ġstory line", "h air", "ĠFind s", "S IG", "ver ification", "~ =", ".h p", "Iter able", "Ñĭ е", "ator i", "Ġc tr", "R x", "_ );ĊĊ", "d ag", ".p in", "Ġp seud", "Ġinv o", "ÑģÑĤ ÑĢ", "_p ix", "为 空", "Ġsw orn", "âĢĶ or", "_reg istry", "Ġdis asters", "ĠRO I", "ĠâĢ ķ", "akt u", "fore st", "be iten", "âĢĶ I", "ue va", "eg t", "Ġsp ikes", "URE S", "ĠRecomm ended", "Ġexplo ited", "ĠFreder ick", "_COMP LETE", "ĠDr ugs", "!!!! !!!!", "ĠR iv", "ST OP", "RO OM", "ĠP ASSWORD", "C ookies", ".E l", "á» Ń", "ĠB ert", "Ġhash ed", "ic ester", "Ġdecor ator", "Ġquery String", ": ;Ċ", "Ġ\" [\"", "oto pe", "-A meric", "ĠMatthew s", "UR AL", "âĢľ ,", "Sum mer", "f os", "_CONT AINER", "_A CK", "Ġfil tr", "_dis p", "_ Re", "Ġfac ile", "а ÑĪ", "Ġìķ Ĭ", "Ġe ben", "Ġspr ink", "ĠQ uint", "> V", "Ġhistor ians", "our met", "ĠMonitor ing", "led ger", "c ott", "Ġw are", "GG LE", "c ars", "ĠM EDIATEK", "Ġvol upt", "_ View", "HE L", "(c opy", "(st ats", "Ġchrom osome", "ĠCurt is", "- conf", "( asset", "Ġhv or", "File System", "< >();čĊ", "oc oder", "ĠC annon", ") x", "ĠSm ooth", "ĠS AS", "_ ce", "ĉ prev", "_m ovie", "E c", "_w all", "< Button", "ĠF AST", "Ġon View", "ul an", "ĠS UPPORT", "Ġgesch ichten", "ĠS ons", "Im m", "$ IFn", "Ġfair ness", "Ġd pi", "ats u", "J osh", "Equal ity", "Ġ} ()Ċ", "_ less", "ĠR atio", "ĠC ats", "ĠS tern", "Mon ster", "Ġmer cury", "ü hr", "Ġplus ieurs", ".des erialize", "sc opy", ".F alse", ") animated", "ĠExp erts", "Ġ\"\") {Ċ", ".W hen", "see also", ".un pack", "LE M", ".select All", "Ġperception s", "ud ing", "ir ling", "ĠPrint ing", "gram s", "ĠFile Stream", "erv ille", "il og", "ic mp", "_C ount", "Ġlivest ock", "- ca", "doc uments", "Ġpo les", "ĉw ant", "Ġflu ores", "Ġstand point", "ĠH uge", "Ġradi ans", "ĠUIB ar", "EDI UM", "ĠHistor ic", "_h older", "ĠMar ines", "Ġt ä", ".L ight", "quir er", "ason ry", "div ider", "ĠFl utter", "_f b", "restrict ed", "ĠEvery body", "N ão", "Ġkn ot", "ĠT witch", "Ġhall way", "(C ollider", "Input Element", "? )Ċ", "/ off", "/ )", "play ed", "[ OF", "Ġbat ting", "_d l", "Ġcom edian", "Ġé v", "ĠD EM", "ĠEd en", ": white", "' ',", "Con struction", "acer b", "Ġtask ed", ".man age", "Rel ationship", "Ġph on", "n z", "_B GR", "Validate AntiForgeryToken", "_ air", "âĢľ When", "Ġgl fw", "ĠCon versation", "_T OTAL", ", Z", "Ġg raz", "Ġiter able", "ĠP ASS", "Ġadvert ise", "Ġmö glich", "/ train", "ĠVolk swagen", "Ġcreep y", "Ġ\" )čĊ", "QU ENCE", "Ġalt ar", "Ġed its", "comp iled", "aw ning", "ĠD ungeon", "Ġo sg", "Navigation Bar", "Ġtrend ing", "ĠE co", "ogg les", "cd ot", "| -", "S ie", "ec ret", "ĠN egative", "ĠL ing", "ĠD IM", "ĠC WE", "ĠCar rier", "Ġcar tridge", "_us b", "= os", "ĠJack ie", "Ġo tras", "Ġcommod ities", "ĠP resentation", ")&& (", "ĠMar tha", "ĠCath olics", "ĠM ond", "об Ñĭ", "_ absolute", "Ġash amed", "pons ors", "t al", "Ġsad ness", "Ġpu ò", "F ade", "-pre view", "ĠRequest s", "ĠCal vin", "h orn", "Reuse Identifier", "(pro vider", "/app s", "ime o", "ĉ Class", "S amsung", "ĠW ORLD", "Ġc innamon", "dot env", "ĠI User", "ĠDE V", "_C har", ".ib atis", "et i", "/ me", "s st", ".s ym", "ĠRug by", "-m aster", "aj ar", "ĠY EAR", "Ġo dp", "ĠR oles", "Ġbip artisan", "ail le", "Ġblock er", "Ġgre ens", ".SE CONDS", "Ġbelie vers", "ĠL ikes", "F LOAT", "Ġm ak", "Ġg cc", "âķIJ âķIJ", "(\" ~/", "SCRIPT OR", "Ġton nes", "ĠS ang", "Ġtrans pose", "enn ai", "P red", "Ġsoll te", ".github usercontent", "( print", "ĠH ole", "çľ ĭ", "ad get", "Ġprompt s", "Ġgen etically", "ĠH od", "Ġvert ically", "_control s", "ÑģÑĤ ан", "\") {čĊ", "$ title", "Ġ} ),ĊĊ", "Ġstate wide", "ĠCor respond", "ĠAt tr", "it ant", "Element Type", "Ġout ward", "Ġfam ilia", "( article", "Ġbl at", "Âł Ċ", "Ġgl Get", "ĠRe ceiver", "Ġ% -", "ad am", "W inner", "Ġtail or", "_p wd", "ert en", "St an", "ĉ all", "al ive", "strt otime", "� s", "s essions", "$ conn", "ass ist", "Ġchat ting", "ĠM ant", "Ġ% @", "Ġ\"\" );ĊĊ", "Ġd gv", "Ġíķ ¨", ".re peat", "_M essage", "Ġadvis ers", "/ path", "Ġk es", ") } .ĊĊ", "ogen esis", "ĠOPTION S", "upt ools", "Ġmilit ant", "Ġex ited", "ig ar", "ĠCOM M", "ĠDis posable", "ay cast", "Ġrow span", "Ġsyn thes", "Ġsond ern", "ĠĊ", "ĠJ acket", "R ATION", ".getSelected Item", "- init", "ĠReg isters", "_se p", "ĠTool kit", ".d ict", "Ġx label", "\\ Table", "t oc", "_com bo", "ĠComp act", "Ġr ugged", "à¥ĩ à¤", "-man agement", "')}} \">Ċ", "ĠSt amp", "ı l", "ro x", "Ġlandsc apes", "_NOT E", "mon ary", "c ab", "Ġmo et", "x af", "rc ode", "- cli", "_g ate", "[ event", "SP ORT", "g ia", "ĠS UPER", "/ Login", "_sh utdown", "int errupt", "Ġpret ending", "Ġfr inge", "ĠRed s", "ĠC UDA", "ĠUN IX", "v it", "Ġbr ig", "dr v", "ĠConn ector", "There fore", "Ġl ia", "D etection", "_ actor", "Ġtemp file", "Ġecc entric", "- role", "Ġpad x", "d ent", "West ern", "Ġê ·¸", "ĠApplication Record", "Ġcampaign ing", "_run ner", "ĠC ivic", "ale igh", "Ġdire kt", ".s ul", "ĠĠ ĉĉĉ", "ant en", "Ġiss uer", "Ġassert ions", "( orig", "AT IO", "Ġlean ed", "ä s", ".D TO", "expl ode", ".O bservable", "Ġstagger ing", "Ġkidn apped", "Ġprogram mers", "ĠInn ov", ".param eter", "Ġdom ination", "Ġske ptic", "Ġæĺ ¯", "Ġavoid s", ".Ver ify", "ub by", "ĠAS N", "Ġformat o", "ĠBeat les", "_b rand", "Ġin set", "y outu", "Ġto c", "-f inal", "Show ing", "ĠD oub", "ĠM esa", "Ad j", "_m edium", "Cre ates", "(end point", "ĉ UP", "bb ie", "Ġst alk", ".datab ind", ".S can", "ag ents", "$ ,", "ind ividual", "+ )/", "ĉv m", "(not ification", "Ġin ex", "ĠClass ification", "ren o", "Ġo lig", "-r ated", "Ġform ulation", "', {", "Ġa cept", "_un pack", "_C A", ".P ow", "ĉ im", "Ġal uminium", "AN O", "Ġx n", "Ġcó mo", "ĠIng redient", "Ġseiz ures", "åħ ±", "ific ador", "Ġsigu iente", "ĠIn fragistics", "Ġduplic ated", "ĠDe e", "Ġn ø", "ĠAC CEPT", "(c rate", "иÑĤ елÑĮ", "- less", "Ġinf inity", "An alyzer", "-D ay", "rit t", "(c in", "ĠG y", "Ġmulti plied", "uch i", "ĠBald win", "/ ip", "Ġshort cuts", ".A DD", "Ġvig or", "_in struction", "( ;", "_ eta", "è¿ ŀ", "utor ials", "Ġboost ing", "b v", "Ġacknowled ges", "List ening", "FA Q", "; b", "(( -", "Ġarchitect s", "Ġz we", "Ġpul s", "Ġget Count", "ver bs", "ãĢ ľ", "(C ollection", "k re", "Ġjuris dictions", "_b ridge", "ĠCr ack", "ĠDiff iculty", "K O", "Res ervation", "_re quires", "T our", "ãģĹãģ Ł", ".set Current", "Ġk y", "ĠAlb any", "Ġè §", "ll er", "agn a", "work ers", ".bl ank", "ĠPr ayer", "M IC", "Ġresil ience", "Te X", "ĠL anguages", "st udy", "ĉc urr", "Ġenzym es", "Sl ug", "ĠíĮ Į", "str al", "Ġtum ors", "Ġseg unda", "=' {", "in struction", "ĠL isp", "/ info", "Ġ\" {$", ",: ),", "Ġg v", "( ErrorMessage", "Ġ' =", "}- ${", ".Doc uments", "\" Well", "Ġreminis cent", "Ġg az", "iro pr", "eh r", "Ġsup pressed", "ers h", ".scroll To", "Ġcad ena", "Ġgame State", "ÃŃ m", "( conv", "ĠTom orrow", "ĠC CT", "M ongo", "ul g", ".C amera", ".hand lers", "m ph", "Ġst k", "Ġgen etics", "AC ING", "Tr ivia", "ĠB am", "(m arker", ".St retch", "ĠSun ni", "ĠBet ty", ".t olist", "un likely", ".Rect angle", "ob solete", "IL ON", "inner Text", "emb ourg", "a N", "ĠV ehicles", "un lock", ": utf", "n ob", "ĠSee ing", "ĠNE VER", "Ġt ls", "Ġfil les", "Ġbenef ited", "ĠCl int", "*/ ),", ".f old", "Ġpos ible", "A DED", "th ouse", ".D AL", "ĠO dd", "ro kes", "ĠSun ny", "ĠPartial Eq", "_B uffer", "ĠLe vi", "long rightarrow", "eld on", "g ages", "_w arn", ".Create Table", "ĠD ip", "_ questions", ".log ic", "Ġ# \"", "={() =>", "Ġt ep", "Ġju icy", "ì Ĥ¬", "en ko", "ia lect", "Ù ī", "Ġon board", "Ġæ ı", "ĉ rt", "_ UTF", "ĠQ Action", "âĢ ŀ", "( Component", "(a udio", ".h it", "g te", "Ġprogram med", "state Params", "Ġpoly ester", "f ires", "by ss", "] =(", "_ quality", "Of Day", "ĠFair y", "Ġy elled", "op l", "(user Name", "ĠD ifference", "Ġevalu ations", "iff any", "Ġcycl ists", "Ġc idade", "Ġtext book", "Ġprof iling", "__ ),", "de a", ". activate", "Ġindic ations", "Ð ķ", "Touch UpInside", "Ġinval uable", "ĠM ASK", "Ġcont end", "F req", "Ġrecru its", "(int erval", "ĠUser Profile", "Ġ'./ ../", "ed u", "_C allback", "Ġanal ogy", "ĠTro phy", "app hire", "V ideos", "ĠCh er", "ĠH av", "âĢ¦ \"", ". validator", "g fx", "ĠU Object", "class names", "tri angle", "ĠEnc oder", ".s py", "Ġpred ators", "= status", "-s afe", ": \",Ċ", "ĠIn cluding", "Ġ{} ;čĊ", "* cos", "Ġend ured", ".sul ake", "Ġnurs ery", "Ġfrag rance", "Ġre building", "Ġn th", "ĠFr aser", ".set Date", "ĠV ince", "_RE ST", "Ġvent ilation", "æµ ·", "cri bes", ".as m", "lp Vtbl", "ĠA be", "uis ine", ", array", "ĉ className", "err als", "Ġ' ĊĊ", "Check out", "Ġsol icit", "A ux", "_c apture", "Ġrib s", "rag on", "vi ol", "top ics", "Function Flags", "ĠM arty", "b ike", "ĠT ucker", "(k ernel", "ĠO ps", "Close Operation", "/d emo", "ild a", "ĠlÃŃ nea", "APP ING", "Ġsu ites", ".visit VarInsn", "ur us", "ĠMin ute", "(m anager", "Ġbutter fly", "Ġap are", "Ġw olves", "J WT", "ĠSal on", "ĉd elay", "-es lint", "is ations", ".r pc", ")| (", "ĠSnap chat", "/m m", "M N", "cer ies", ".text Alignment", "ĠFrank furt", "Ġad o", "(new Value", "( access", "( Expression", "ĠSign In", "ĠHait i", "_t p", ".set Parameter", "Min ute", "Ġmanual s", "ric anes", "ĠP TR", "ĠOut er", "Ġget line", "oc ations", "_C D", "ĠLy on", "/g ui", "_l ive", "id an", ".ge om", "Ġborder Bottom", "im uth", "_check point", "Ġme u", "ĠIr ving", "Ġpeu vent", "(M AX", "ĠAR CH", "Ġp ov", ".source forge", "Ġjam ais", "Ġar k", "ĠBaghd ad", "ĠC LEAR", "Menu Bar", "Ġtro is", "CHED ULE", "Ġ# čĊ", "(C all", "$ order", "(M aterial", "Ġencontr ado", "$ list", "ĠMETHOD S", ".begin Transaction", "_M AG", "Style Sheet", "Ġmaj ors", "Ġindef initely", "clean up", "Ġhom eland", "(d to", "D ates", "P resentation", "ĠD K", "={` /", "ĉ Key", "( Block", "_check box", "ne eds", "Ġon Complete", "ric o", "Ġgle ich", "Ġx m", "O OD", "B etter", "ĠSQL ITE", ". Book", "x ad", "ĠG one", "ĉd p", "Ġdev otion", "Ġst m", "Ġobs ess", "ĠBack end", "Qu eries", "I k", "// ****************************************************************", "Ġdivid ends", ".parent Element", "} \")ĊĊ", "ĠMaterial PageRoute", ": num", "Ġexp lic", "ĠO L", "le ast", "O ops", "iment os", "Ġins urers", "Ġhero ic", "ĉf ields", ".img ur", ".btn Cancel", "ĠDetect ive", "(s m", "ĠMutable LiveData", ".l ab", "(( [", "Ġha irst", "ĠTrans actions", "å¼Ģ å§ĭ", "Ġstd Class", "uent o", "G IS", "_c od", "Instruction s", "C alls", "Pointer Type", "ĠR w", "Ġassort ment", "ĠD IG", "+ r", "_C ERT", "Ġinst ability", "Ġv ib", "on as", "Ġro ku", "ap ellido", "Ġan gl", "prene ur", "Ġfluid s", "ise ase", "Ġde ed", "qu ist", "_CONST ANT", "Ġequ ilibrium", "_de legate", "ĠQuant um", "re i", "Cap abilities", "rect angle", "? ><", "al ien", "ĠJ ug", "D NA", "T ickets", "Occ urs", "ĠHaw k", ".setHorizontal Group", "\\ Collection", "ff iti", "Ġre arr", ".setVertical Group", "Ġc avity", "Ġadult e", "Fac ade", "- wh", "ĠL OL", "Ø °", "Ġgrand parents", "Sw ift", "ĉw x", "æīĢ æľī", "if en", "ff set", "B eyond", "// }ĊĊ", "Ġw ager", "Ġb ury", "Ġcomm ence", "reg istro", "sc ient", "ĠPer cent", "Ġд олж", "( identifier", ".set Model", "Ġs eldom", "nt on", "Ġappl iance", "am us", "rys ler", "Ġpant ies", "engu ins", "Ġmim ic", "Ġon Changed", "Ġal coholic", ".reload Data", "Ch arge", "ĠF ax", "Ġj ScrollPane", "Emp resa", "Ġsh attered", "x ba", "Font s", "? s", "Ġpost season", "ret ain", "_r ates", "Ġrequest Code", ".t odo", "´ s", "CH K", "ĠKeep ing", "enge ance", "Ġvs code", "IPP ING", "Default CloseOperation", "_ raise", "ĠO culus", "ogram s", "ra j", "pc i", "Ġcorros ion", ".handle Submit", "Access ible", "ĠP iano", "l ittle", "AC L", "Äĩ e", ".un wrap", "ĠCon vers", "ĠLe ben", "ione er", "ĠMer chant", "ĠJ orge", "Ġembr acing", "Ġvent a", "á st", "Ġvi ene", "< QString", "Ġexplos ions", "Ġdistur bed", ".\" <", "m emo", "ĠAb original", "Ġcomple to", "Tex Parameter", "Ġuom ini", "( agent", "Ñĥ ÑĢ", "ĠWh olesale", "/ am", "ĠBook mark", "dr agon", "Ġglo ve", "Ġ\" \"));Ċ", "iv ariate", "now rap", "In Children", ".B r", "Ġcon exion", "Ġback bone", "Ġe clipse", "Ġpersec ution", "': ĊĊ", "/ link", "ĠP ero", "and as", "ĠT ek", ". \");", "-an alysis", "Ġer ad", "Mar shal", "Ġanch ors", "og er", "Ġconver gence", "st icky", "Ġnave g", "int ern", "_DE SCRIPTOR", "ĠConsult ant", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ċ", "ĠA uch", "Ġer re", "ÅĽ li", "ĠHor izon", "col a", "Install ation", "hot mail", "C NN", ".C ollectors", "ch s", "(tr ace", "ĠEnc rypt", "Ġ---- --", "ĠBase Controller", "Ġag ua", "Ġre active", "id l", "Ġclass Names", "ĉ Session", "ĠDod gers", "H ad", "_l v", "Is Valid", "ĠHEL P", "ut to", "ĠVer ification", "Ġget env", "_p a", ".b mp", ": f", "ĠLou ise", "(' ;", "/ socket", "Gr anted", ".c alendar", "( IP", "ĠP X", ".R oom", "Ġprogram m", "ens i", "Ġtablesp oons", "Ġle ve", "Ġmo str", ".t ipo", "/ an", "(d i", "Ġb iod", "Ġdb Context", "ĠJS X", "ĉ results", ". END", "ht e", "l ify", "P recision", "èĬ Ĥ", "ARS ER", ")did ReceiveMemoryWarning", "at tempt", "IS P", "& a", "_P OP", "ĠT ac", "Ġprepared Statement", "Ġзап иÑģ", "Ġow ing", ", start", "Ġreview er", "Ġr st", "Ġprop Types", "Ġrock y", "_lo cale", "ĠStrateg ies", "ĠWe ber", ".C ascade", "_equal To", "Ġcos as", "ĠDe letes", "ĠMax im", "Ġsh rimp", "re trieve", ".In clude", "IG IN", "ĠO E", "] );čĊčĊ", ".en umer", "Ġco ef", "_N ull", "R a", "ty ard", "ĠSh awn", "keep ers", "Ġq q", "_s b", "om ens", "ĠExec utes", "# \"", "TT Y", "ĠValue Type", "); */Ċ", "ĠAbs olutely", "ĠT ottenham", "/ art", "Ġbless ings", "Ġswift ly", "b uster", "Ġa vid", "COM M", ", temp", "Ġ} ?>Ċ", "-g rowing", "Ġdeep copy", "A ck", "egg ies", "Ġ__ (\"", "Ġno ir", "terror ism", "Ġanth em", "ag ency", "_PACK AGE", "ĠC losure", ".reg istry", "Ġmamm als", "< L", "U ICollectionView", "ĠLED s", "Ġvol ley", "( Buffer", "_N ATIVE", "lib c", "impl ode", "Scroll Bar", "ĠMar ion", ".Con tracts", "_A t", "ĠWe instein", "compare To", "ĠH ose", "en ity", ".create Query", "_r outer", "Ġstim uli", "Ġ++ )", "ĠCh amp", "ĠBay ern", "ass a", ".v a", "Ġdistrib utors", "Ġfile private", "Ġdepart ed", "cc cc", "@ click", "ĠL unch", "> L", "Ġbl uetooth", ".De ep", "- standing", "ác il", "Ġro oft", "ĠPath s", "_iter ations", "Invalid ArgumentException", ".s pi", "ĠUIAlert Action", "uy e", "sign in", ".p riority", "ĠEss ays", "=' {$", "Ġè¿ ĶåĽŀ", "_s igned", ".p ersist", "Ġred esign", "To Lower", "ĠNew man", "= start", "ĠIsrael is", "asis wa", "Spe ech", "Ġnum eros", "hand lers", "ĠW ong", "Ġм еÑĤод", "We ights", "ĠGu jar", "te il", "ĠNon etheless", "_E FFECT", "Ġv ect", "ĠO sc", "Ġco ats", "ĠW heat", "Ġge ek", "ĠPRO PERTY", "w orm", "_const ants", "ĠB oulder", "ĠP arm", "co le", "Ġdefault Center", "ĠRou ge", ": A", "xc f", "ĠVen ice", "med ian", "Ġred emption", "F resh", "Ġcos m", "Ġfig ur", "Ġref urb", "CO PE", ".c d", "Ġch ords", "ĠS gt", "Å į", "VP N", "ĠS END", "ain en", "_account s", "Ġtent h", "Ġdiss olved", "< App", "ĠCover age", "use State", "é ro", ".. <", "Ġì £¼", "Ġdream ing", "ĠFore cast", ".C ursors", "Ġvis as", "/ script", "_start ed", "Ġga str", "(P RO", "]; //", ".T ile", "* sin", "( Adapter", "ĠSand ra", "_S IG", "ard ash", "ĠO val", "Ġdescri pcion", "(s l", "ĠDes criptor", "Ġ` $", "/f ree", "ĠKey words", "Ġt udo", "ion ale", "(f ound", ".x yz", "ĠGeneration Type", "_DISABLE D", "( area", "Ġel ites", "Ġh ombre", "(m essages", "ĠR ac", "Ġext ingu", "ĠEst a", "op o", ". vel", "mouse out", "Ġconv olution", "ĠHand ling", "Ġceil ings", "T ek", "ĠAre as", ".writer ow", "< View", "ĠCorn ell", "_B IN", ".in valid", "'' 'čĊ", "ie ż", "_P osition", "Ġk idding", "PC ODE", "Ġwatch er", "lo x", "Ġâ Ĺ", "D ave", "_all ow", "Ġbis exual", "Ġun ordered", "ĠSch we", "_se gments", "Ġt earing", "IN LINE", "Ġund es", ".g oods", ".c am", "ĠL W", "ĉ where", "Cal culator", "-th reat", "- alert", "ĠSuz uki", "ĠIP A", "ĠAtt achment", "AC CESS", "(d type", "O pp", "_s ymbols", "Ġdans ke", "l age", "or get", "res olution", "е Ñĩ", "ĠQ Color", "ĠBar rett", "аÑĨи Ñı", "= \\'", "ĠNav Controller", "/ ref", "(c ountry", "_H DR", "Ġterse but", "pet ition", "Ġsu f", "cred its", "๠Į", "x m", "ĠDav ies", ".re ddit", "Ġw oven", "ĠO bl", "ĠK M", "ĠConsider ing", "ens ored", ".per iod", "Ġd dl", "$ wp", "Ġextrem ist", "; \\Ċ", "Ġk im", "al ers", "Ġspan ning", "Ġco herent", "Ġconse gu", ".text Label", ".g eneral", "_d ashboard", "л ение", "k ick", "_P ID", "ĠExt ensions", "reg exp", "ĠCl ause", "_m ov", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠ", "ĠR eward", "ĠLEG O", "A k", "=-=- =-=-", "ĉ parser", "Ġon ze", "éĢ Ģ", "âĢĿ ãĢĤ", "_b all", "(r hs", "Ġch orus", "< count", "as urable", "Ġwirk lich", "ĠEr in", "ĠMS NBC", "Ġet ter", "ĠC ron", "_F LOW", "Ġ, čĊ", "Ġcal idad", "ĠFile Writer", "ĉ stmt", "( Byte", "_p at", "Ġte lescope", "Ġgre ed", "ĠT ort", "(w rite", "\\ application", "ĉRT LR", "ĠConfiguration Manager", "Un ix", "End Time", "In cludes", "ĠHar vest", "en berg", "ĠAustral ians", "Ġë ĵ", "Ġr n", "Ġreput able", "Ġbl ending", "UL ATION", "ĠBrend an", "d ad", "Ġm ø", "ĠW oo", "_d c", "U ne", "Ġr ue", "with in", "ang ep", "Ġp ouch", "\\\" \",", "ĠS ic", "âĢĿ ),", "aly ze", "ĠG ef", "c overs", "Ġd bo", "replace All", "ĉ Logger", "Try ing", "[ state", "-p iece", "éĸ ĵ", "beh avior", "all ows", "l rt", "_p ython", "ert ura", "-c ountry", "ĠT G", ".UI Manager", "b ens", "ale x", "ĠBre itbart", "b ac", "Ġpredict s", "Ġg ab", "Ġcard inal", ".Time Unit", "ĠVis itor", "ĠM ing", "Ġliv re", "Ġparent Id", "port un", "Ġdimension al", "ĠV est", "en ic", "à ³", "Ġ Ùĩ", "ĠBL UE", "Ġitem Count", "Ġfe athers", "ĉp stmt", "ĠPol ar", "{ //", "und i", "Ñĥ ж", "z ar", "Error Response", "ì ĥģ", "Rep resentation", "* _", "+ ]", "pre pend", "Ġ' >", "Ġlegitim acy", "Ġo o", "S linky", "Ġnation als", ". words", "; p", "tr ap", "oman ip", "Ġc ues", "Ġgradu ating", "Ġsem aphore", "\"] );ĊĊ", "ace y", "RE ET", "Gr ab", "ĠFel ix", "( Id", "_ne ighbors", "Ġmeaning less", "(d el", "Ġj eder", "ĠContent Values", ".abs olute", "/ cl", "Ġx b", "dat um", "Ġtort ured", "Ġrub bing", "S cores", "ĠðŁĺ ī", "Ġav ons", "Ġam sterdam", "E OS", "H al", "Ġtrust worthy", "# =", ".EX TRA", "Ġman o", "is icing", "-s upport", "ĉc ursor", "ĠSp o", "aim assage", "M ission", "[] {\"", "Ġprint ers", "G REEN", "Ġt eg", "Ġabdom inal", "! ĊĊĊĊĊĊ", ".Sh ort", "аз в", "ĠGift s", "} \")", "(b inding", "x ce", "âĢ ij", "inf os", "Form Data", "Ġd art", "Ġele ms", "(in v", "Y L", "t in", "GEN ER", "á» ¯", "ĠT aken", "uck le", ": e", "Ġspect ral", ".b aidu", "/ ');Ċ", "Ġgre edy", "es ion", ",,,, ,,,,", "Ġ/> ,Ċ", "Internal ServerError", "NSNotification Center", "ĠA i", "Ġsp it", "Ġaug mented", "Ġstandard UserDefaults", "FIN ITY", "R ace", ": C", "ĠRE CORD", "ĠHigh light", "Ġ' `", "Ġdef icits", "Ġne i", "Ġresearch ed", "T a", "Ġc opp", ".Get HashCode", "): čĊčĊ", "On Click", "ĠWell ington", "Ġrev ival", "æ¯ Ķ", "éĹ ®", "ĠN SS", "Ġfor n", "Ġint é", "ĠKu wait", "_fl ip", "_ bo", "_ \\", "Ġocc urrences", "ĠScient ists", "S RC", "og ens", "igr ant", "RE MOTE", "ĠS ID", ". opts", "u ve", "() ])Ċ", "Ġlibert arian", "ĠGl ide", "les en", "Ġform e", "ow ania", "Ġannoy ed", "Def s", "ĠExec utor", "Ġcast s", ".set Checked", "ĠSh aring", ".Serialize Object", "Ġselect ors", "_ OTHER", "ë¯ ¸", "(s uper", "( OS", "_VER IFY", "id unt", "< header", "Ġ/> ';Ċ", "Ġvidé o", "ĠNeg ro", "ĠL ords", "ĠT ours", "Ġsoft ly", ".re ceive", "ĠE RC", "Ġdata Set", "Bad ge", "ĉ Event", "Ġper l", "Ġ{} \\", "(s entence", "Or Update", "Ġdim inish", "P IN", "(d raw", ".To DateTime", ".Equal To", "(p in", "-p encil", "lu ent", "ĠCall er", "Ġplay ful", "- '+", "x ca", "sw ick", "){ }Ċ", "}: ${", "ĠM eth", ".get Cell", ".b reak", "Ġy max", "=' Ċ", "ĠH iro", "( TRUE", "as urer", "Ġcu er", "U ber", ". Operation", "Ġol an", "Ġthr illing", "< Response", "ĠF emin", "Ġtravers al", "Ġp oc", "Ġset Status", "decl ar", "std afx", "Ġaddict ive", "ĠB tn", "Ġexplos ives", "ĠCook ing", "ĠPl aint", "Ġaccum ulator", "ĠApp ointment", ", password", "ĠF AR", "lu et", "Further more", "decl spec", "_Static s", ".D ictionary", "\"> '.", "ĉ valid", "\" \",", "In strument", "> J", "Ġno str", "ĠR ift", "_P ort", "Ġvec es", "[ ['", "Ġrall ies", "- series", "Ġv v", ". uc", "Ġr tn", "State Changed", "( ins", "ĠCl a", "------------ Ċ", "c us", "ĠRel oad", "//---------------------------------------------------------------- --------------------------------", ".se conds", "_dest ination", "Ġscrew ed", "> c", "Th ickness", "Design er", "Ġgr ids", "n Äħ", "( cookie", "T rip", "-M obile", "Ġv oll", "Ġgen ital", "Ġconf isc", "ĠConfeder ate", "Ġweb View", "Ġm ise", "Ġcl er", "(se lection", "$ date", "Ġshar pen", "rag en", "And Update", "Ġrem ix", "Ġh tons", "R W", "M PI", "Ġretrie val", "Ġric hest", ".Dec ode", ":init Components", "ĠT Value", "S aint", "@ include", "ĠPER SON", ".se p", "ĠLD AP", "g ba", "Ġgro ÃŁe", "Ġreli ably", "ĠD FS", ".getItem Id", "Ġprés ent", ".get Token", "Ġch inese", "ĠMe al", "Y OU", "\"> >ĊĊ", "b ower", "Ġsw apped", "/ install", "Ġs inks", "etr ize", "Ġdecl ines", "ĉm ysql", "ĠC String", "ĠMotion Event", ".L anguage", "R oad", "ÑĤ еÑĢ", "asc imento", "')) ->", ". about", "( editor", "ĠR atings", "in come", "Å¡ e", ".de queueReusableCell", "ĠAust rian", "Ġs ulla", "ĠTrib unal", "ĠDid n", "ов аÑĢ", "Ġins pections", "B oss", "Ġcock tails", "Ġapolog ized", "_sub plot", "op al", "+ =(", "Ġreson ance", "ib u", "Ġë ¦¬", "rom a", "res erve", "pl s", "ĠT ah", "ax ies", "OP LE", "ĠDar ren", "ĠZ ombie", "_M ap", "Ġ] )ĊĊ", "ĠQ i", "ĠS ail", "Ġrestrict ive", "Ġeros ion", "- par", "WH ITE", "Ġold u", "Ġap erture", "Ġbit coins", "text o", "ĠCom cast", "Ġtime less", "en kins", "Ġfeed er", "/ tmp", "res den", "+' _", ".D estroy", "Ġç ok", "ĠD OCUMENT", ".l ng", ".tag Name", "Ġk ullan", "eg rate", "Ġ(* .", "ç¼ĸ è¾ij", "Ġhand shake", "s oc", "_ geometry", "ĠDam ascus", "Min or", "ĠK afka", "ìĹ ¬", "Fl orida", "_com pute", ".ex pr", "Ġpar alle", "ĠD iaz", "c ir", "[ target", "Ġj oking", "Ġgl or", "(set q", "_hand lers", "H ang", "Ġf err", "rim inal", "ĉĠĠĠĠ ĉĉ", "ent ies", "def ines", "-t ax", "json p", "ĠU PS", "met ro", "__ ;Ċ", "ĠUg anda", "])) :Ċ", "_t d", "x ae", "l w", ". OS", "ĠLog ged", "ac id", "ĠMay o", "as pect", "Ġvag inal", "Ġinitial izing", "Ġster oids", "f iction", "G RE", "g end", "Ġli abilities", "ĠL ets", "M ech", "( nc", "( change", "Ġconnect ors", ": k", "Ġt ast", "! \");ĊĊ", "th ings", "ro phy", "luet ooth", "ĠSign Up", ". ctrl", "Ġthere in", "ord a", ". escape", "ig ator", "Ġpet rol", "Ġspec imen", "Ġdeb uted", "- Pro", "Ġcr ises", ".add View", "ëı Ļ", "-d oor", "Ġmon et", "Ġmill is", "Ġv ier", "Internal Enumerator", "Ġadmin s", "ĠL air", "z in", "get Query", "umb les", "L IMIT", "ĠV ig", "_s ong", "< Character", ":: .", "_h om", "_b p", "ĠSup ervisor", "sub mission", "ab ile", "Ġno i", "Or Create", "Ġpe el", "Ġon Start", "Ġsent iments", "veh icles", "Ġclass rooms", "Ġs zer", "Ġb ending", "Ġlong evity", "Ġa cl", "ĠAle ppo", "ĠU M", "ĠR icht", "Ġmultip rocessing", "DOM AIN", "\",\" +", "_Y EAR", "Ġsc rape", "Ġsol itary", "Ġ\"] \";Ċ", "/ errors", "ìŀ ¬", "ľ ëł¥", "b etter", "ĉ number", "ĠL F", "ĠAc ross", "Pub Med", "\\\" \"", "ĠExcell ence", "Ġus ando", "ĠU IP", "Activity Indicator", "_V OID", "Ġbre eds", "ï½ ¥", "uest as", "ĠTre asure", "ustral ian", "(f ace", "ĠT ennis", "ĉ Int", "ĠHans en", "ç µ", ": I", "Ġâľ Ķ", "GR AY", "O USE", "Ġhe pat", "ł í", "A IR", "ó ż", "Ġque ued", "vinc ia", "ĠChrom ium", "Ġcompet ence", "ung al", "ill i", "Ġget By", "ĠF inder", "Ġincap able", "Ġs add", "Ġc ites", "ĠChurch ill", "S dk", "More over", "As pNet", "( Float", "$ password", "ĠConn or", "-s ession", "_d m", "* ))", "Ġde utsch", "ĠN X", "Ġper ks", "_S ORT", "_TO OL", "_V ISIBLE", ".as p", "æĪ ĸ", "ĠBre ath", "D etect", "ĠD uel", ".c mb", "[ it", ".Set Bool", "Ġnarc iss", "Ġab ide", "Ġej emplo", "ĠâĦ ķ", "Ġm ornings", "Ġcomput es", ".s sl", "j t", "Ġmuch os", "_S S", "[ end", "Ġbas in", "Ġalgun os", "ĠCroat ia", "lin ewidth", "(t ags", "(h idden", "ÃŃc io", "Ġap ar", "ĠÐ ¶", "ä¸ İ", ". food", "ĠR ural", "Ġbread th", "å½ ±", "(s ess", "+ \")", "ĠP aste", "Ġserv idor", "ĠBit Set", "ĠTr an", "la us", "v ette", "ey es", "ĠCL ICK", "ĠV III", "ĠTurn s", "ĠLe Bron", "ĠM uj", "ĠD eg", "ĠAdult s", "_s uite", "process able", "ĠPH Y", "g hest", ".F ail", "ĠSl ack", "ce j", "\\ Carbon", "Ġsuper star", "Ġhold ings", "( forms", "Ġ'# '", "M ultip", "(\"[ %", "-s olid", "/ url", "-t ier", "[ length", "ĠStream Writer", "ĠMarket place", "get text", "_T ICK", "ĠFor ge", "Ġblack jack", "ĠDO ES", "ĠM atters", "w aves", "Ġwhisper ed", "Ġl ush", "ìĺ ¤", "d igital", "Ġwr ink", "ĠH ogan", "Ġrust ic", ".Apply Resources", "ĠHard y", "os omes", "A UT", ".ST ATE", "Ġnarr atives", "ĉ store", "b ib", "ĉ Scanner", "ĠC ody", "\\ Repositories", "Ġre union", "and um", "âĢĻ h", "Ġsn iff", "NS Bundle", "Ġcompreh end", "_US AGE", "_ occ", "URRE NCY", "J NI", "Ġspecial izing", "Ġvis ions", "Ġdol ore", "Ġv á", "ĠChe vy", "ĠSt yled", "imp act", "all en", "Ġk art", "ĠTable t", "st uff", "re esome", "аÑĤ оÑĢ", "//---------------------------------------------------------------- -----------Ċ", "_Ad min", "Ġcell phone", "Ġaut oplay", "Ġcamb io", "Ġmar itime", "_BO OT", "- quarter", "Ġlat ina", "ĠAJ AX", "e quiv", "ĠFront ier", "ĠX Y", "} ]Ċ", "ĠR ough", ".pro to", "Ġcorrect ness", "Ġfac il", "ĠRe ached", "ãģĿ ãģ®", "V IS", ".p s", "Ġstr ncpy", "Ġdiff usion", ".start Activity", "�� �", "Ġaccom p", "AMES PACE", "imon ials", "ĠBl ast", "aby rin", "Ġd ome", "Ġextr av", "Ġy en", "Ġcul inary", "P RI", "ĠComm unities", "n id", "_oper ations", ".h s", "ĠMil ton", "Ġno ises", "Autoresizing Mask", "(c id", "}ĊĊ ĊĊĊĊ", "] },Ċ", "ĠD etection", "tab la", "Ġlib erties", "_D YNAMIC", "w get", "ĠT ür", "ĠP ascal", "Trans parent", "Delay ed", "] ()", "ĠHer bert", "< ActionResult", "ch allenge", "Ġmush room", ".insert Before", "ĠR in", "Ġhum our", "Ġf ø", "api Key", "alloc ated", "Ġconf ession", ". \",čĊ", "ĉassert That", "ĠS ORT", "ĠL ORD", "Ġexport er", ".set Level", "p okemon", "ash tra", "Ġf é", "ur ator", "(M SG", "Ġt up", "ĠH ull", "Ġyield ed", ".Sub ject", "\\ Route", "! ?", "ĠÑĥ дал", "\\ Security", "- ar", "Ġalleg ation", "( Settings", "ä nder", "Ġell ipse", "ĠRetro fit", "Ġregul ating", "ĠM olly", "ĠL ok", "_C ustom", "ĠProm o", "is in", "Ġres umed", "Ġmet ropolitan", ".error Message", ": -------------", "Ġpas ado", "th ank", "_De lete", "ĠBright on", ", unsigned", "ä½ľ èĢħ", "Ġaspir ations", "-h ow", "R ose", "= ((", "_ne eded", "_pl ural", "< Application", "ĠW EEK", "ĠUn lock", "ĠT EMP", "S ou", "Ġschizophren ia", "Ġt roll", "Ġcomplement ary", "ĠNET WORK", "Ġbl ir", "Ġprogress Dialog", "\" %(", "ĠAttribute Set", "ĉ ts", ".iter items", "è¯ Ŀ", "Ġesc rit", "v ous", "_pl aces", "H K", "Ġseg uir", "_f w", "ĠR ounded", "Ġdis posit", "è§ Ĩ", "par m", "w ow", "STRU CTION", ". allow", "ĠChar Sequence", "ĉ extern", "Ġprosec uted", "Ġmort ar", "ĠJ uda", "- msg", "Ġest ud", ".get Description", "Ġs ow", "amb re", "Ġrom a", "En h", "bon us", "Ġsqu at", "Ġdist ra", "ed Image", "Ġpe ppers", "-per formance", ", ĊĊĊ", ", file", "ĠM IME", "_con cat", "AB S", "-f ashion", "Ġunder cover", "One ToMany", "Ġre claim", "C OPY", "Ġb inds", "ĠT ape", "Ġg ossip", "ĠEqu ity", "/ Card", ". activ", "' am", "Ġdrain age", "< Scalars", "ĠonBind ViewHolder", "() ?.", "Ġs orrow", "ĠI b", "up y", "_U UID", "ĠCh arm", "ĠElection s", ".on Destroy", "ĠInterest ingly", "ounding Box", "_d etection", "-h eld", "_ unknown", "Ġrefr ain", "Ġmét odo", "Ġe Book", "EN OMEM", "Ġd ang", "Prof essional", "Ġd ictionaries", "/m ysql", "ĠST UD", "Ġmas se", "s cape", "Ġdre i", ": name", ".log o", "Sign Up", "Ġt ahun", "( theme", "ĠFem me", "Ġbom ber", "ĠJ ade", "ĠT ay", "Ġsubmar ine", "_cl ause", "zy ch", "Ġsimult aneous", "Ġcas os", ". boolean", "(l hs", "Ġcontin ental", "-s ale", "ĉ env", "ĠC ute", "ĠFactory Girl", "ab us", "/ value", "Ġj adx", "Ġst ern", "> >ĊĊ", "Ġsurf aced", "Ġìł Ģìŀ¥", "pl atz", "ĉ email", "cept ors", "\"> (", "Ġep ile", "è¯ »", "ĠDe bt", "åij Ĭ", "N OP", "\" https", ": j", "Form Item", "_L ICENSE", ".get Double", "ĠAg enda", "ĉf inally", "(f ilters", "( av", "ç¾ İ", "AP ER", "Ġl ava", "еÑĢ ж", ")) ))ĊĊ", "Ġfault y", "_n m", "Ġtr ava", "(B itmap", "Ġspeed ing", "> ').", "Ġscreen ed", "_ roll", "ĠMac Book", "ĠA UD", "Ġdiagn ose", ".G enerate", "Ġ^ ^", "Ġstr s", "[ Test", "Ġr ansom", "ĠDH CP", "eld en", "Ġinterpret ations", "() ].", "flat Map", "Ġline Height", "_m ount", "ĠW izards", "Ġsl uts", "eh ler", "od al", "Ġmilit ia", "å ²", "earn ed", "Ġmis ery", "int val", "f und", "Ġh ides", "Ġdi arr", "ĠWes ley", "Ġx mm", "Ġqu em", "ĠAr abs", "if th", "ategor ized", "Dis posable", "P ure", "_NOT IFY", "sn ippet", "ĠGar rett", ".run ning", ". weights", "Ġ( --", "Ġin variant", "äºĭ 件", "ĠAll owed", "dir s", "Ġpass ions", "Ġl ad", "ĠFl ush", "men us", ": block", "Ġcompr a", ".ch omp", "alloc ator", "Ġcur ated", "ĠKnow ing", "ĠPatt erson", "Ġtel ah", "' ex", "Ġdo omed", "Ġphil anth", "ott y", ".st yles", "Own ed", "Ġallerg ies", "= params", "oc ese", "it elist", "ĠS ending", "b ef", "orr ar", "ĠN ão", "ĠF argo", "ĠL ub", "ĠComb ined", "_g iven", "ĉĉĉĉĉ ĠĠĠĠ", "Ġreconc iliation", "Pattern s", "az ard", "Ġbiom ass", "ĠH ouses", "resp uesta", "cc o", "/top ics", "ĠY uk", "Ġweaken ed", "_c alendar", "Ġmulher es", "ĠMar l", "Ġs ine", "ĠT il", "ĠSou ls", "ĠDe utsche", "ĠF OLLOW", "Ġpip elines", "ĠBever ly", "_DIP SETTING", "\" #", "ĠPro to", ".b ig", "ĠSav ings", "ĠT anz", "j un", "ĠG amma", "ĠS add", "Ġadvis ors", "Ġro ast", "Ġun ters", "ud ies", "_l on", "-point er", "ĠElement Ref", "\\ Builder", "example Input", ".web driver", "data Type", "ĠQu ite", "ĠCelt ics", "u il", "-def ense", "b ish", "ĠUI Window", "ĠS uddenly", ".h ot", ".re ason", "Ġg ör", "AM D", ".M ulti", "auth enticated", "reg ions", "; (", "а ÑĢам", "ĠKir by", "$ route", "PREC ATED", "ĠDur ham", "ow o", "ĠPer forms", "Ġdisreg ard", "n st", "ĠP ols", "Ġget P", "\"] :", "-col ored", "( Keys", "ĠAl leg", "_mod ify", "_ loading", "str ained", "Ġat roc", "_p hr", "< Sprite", "Ġsatisf actory", "m anship", ".p ipeline", "T ony", "Ġth ief", "pol ator", "( lock", "bur st", "ĠOptim ization", "Ġsurf ing", "\" Yes", "Ġdesc ended", "æ Ĵ", "_C lear", "Ġc ries", "ĠFro zen", "D IRECT", "- Con", "ĠLe icester", "å¥ ³", "O OM", "= db", "Ġget Message", "< Student", "_b atches", ".M ask", "_ eth", "\\ )", "Ġsom a", "C atch", "[ ch", "Own ers", "ind le", ": auto", ". vert", "iv r", ".set Location", "Ġfl uent", "_END IAN", "ĠCar lo", "cept s", "add Action", ".o auth", "< UnityEngine", "re ements", ".S kip", "? )ĊĊ", ".default Props", "Ġc abe", "ĠSh en", "eros is", "ĠPro fit", "Ġpo is", "_C REATED", "Ġremove From", "(w s", "? action", "( Field", "Ġerr one", ".min imum", "ĠRetrie ved", "Ġd ado", "ĠPR IVATE", "-s pec", "Ġg zip", "p data", "Ġpos Y", "(l ow", "Ġqual quer", "/ cloud", "ê² Į", "( common", "ĠAr beit", "organ isation", "Ġtid y", "ĠRol and", "( ph", ".z one", "Ġgent lemen", "ượ c", "å± ±", "Ġenc losure", "ĠMan afort", "ĉ Color", "St encil", "N ic", "Ġthe orem", "ĠV G", "Ġcol oured", "V BoxLayout", "uls ive", "Drag on", "c ff", "et est", "ens a", "of day", ".A zure", ":UIControlEvent TouchUpInside", "_up dates", "Ġtrend y", "ug as", "weak Self", "Ġr idge", "ib ri", "Ġì¶ Ķ", "(C G", "ĠMon key", ".write Int", ".tim edelta", "ViewController Animated", "ĠProvid ence", "ãģ Ī", "Ġbl ends", "/Sub threshold", "ĠAp pl", "Ġat an", "Ġreload Data", "umb otron", "st üt", "O Auth", "ĠG iving", "ĠìĦ ¤", "ĠFinn ish", "check ing", ". Embed", "sequ elize", "Ġinitial izes", "ĠOs lo", "Ø ¶", "get Extension", "_AL T", "(bl ank", "Ġfatal Error", "Ġdem ise", "**** *Ċ", "ĠX S", "(A F", "ĠEn s", "an tha", "ĠP OR", "Ġn ich", ".N amed", "Ġgig antic", "ĠObserv atory", ".Res olve", "ĠPay ments", "g uild", "Ġcurrent State", "============ ===Ċ", "ĠS ey", "p Data", "Ġdead lines", "Ġcentral ized", "ĠScholar ship", "_s upported", ".ch rome", "() ]);Ċ", "Ġc yan", "ĠC age", "Auth ors", "_ čĊ", "/ os", "k im", "de e", ".t ex", "Ġyours elves", "Ġm gr", "Ġal k", "-inst all", "Ġdraft ing", "Ġrum or", "Ġstat ues", "Pool ing", "ol ina", "AAAA AAAA", "/* ----------------------------------------------------------------------------", "Ġextrem ists", "Cal cul", "ighth ouse", "In set", "(IN PUT", "Ġsynchron ization", "iv irus", ". axes", "ĠG ap", "- An", "_T emplate", "Ġgam er", "ĠCr icket", "Ġl int", "Ġauthor itarian", "NS UInteger", "Ġred o", "Ġadip iscing", "_F ETCH", "che id", "ĠF ang", ". indices", "t one", "д ел", "Ġ{{-- <", "bra him", "Ġsal a", "get Code", "Ġcommunic ated", "start sWith", "ert z", "Read able", "Item Id", "oref errer", "cred ible", "á ria", "Ġcombine Reducers", "** /ĊĊ", "Ġbl iss", "Ġad orn", "dep ends", "ĠRO OM", "Ġfr aming", "Ġ? ',", "aut y", "_p ot", "_t abs", "Ex act", ", \",", "Ġ'} ';Ċ", "Ġarbit r", "ahr ain", ".getString Extra", "Ġ$ \\", "Ġoutput Stream", "Ġcomm enc", "an us", "ch y", "< Employee", "Ġhex atrigesimal", "Ġn acional", "(serial izers", "_put char", "_S AFE", "ential Action", "ItemSelected Listener", ".Dis patch", "Conf lict", "_ about", "os aur", "Bound ary", "Ġclear Color", "( Location", "ĠMON TH", "ĠT aste", "- General", "ĠW AR", "Ġer halten", "-s aving", "Ġcou pling", "-tr igger", "m otor", "Ġy yyy", "ĠPat ent", "pt o", "Ġmisdemean or", "vas ion", "ĠAdmir al", "à¹ī า", "_P WR", "Ġdevast ated", "fol ios", "ITU DE", "urre ct", "Ġrobot ic", "ĠSan ct", "ĠHawai ian", ".R oute", "- condition", "Ġr k", "/**************************************************************************** Ċ", "create Element", "ĠK op", "ign ant", ". rollback", "Ġsal ud", "_ ',", "ĠAN SI", "Ex cept", "ĠDraw able", ".Utc Now", "\":[ {Ċ", "Ġk ole", "L ua", "ĠBel ieve", "Com put", "Ġhall uc", "ĠSign s", "r st", ".h u", "ĠKN OW", "W i", "ĠBr ass", "ĠR as", "@ hotmail", "Ġsed iment", "Ġap k", "Ġì ĥģ", "_reg ions", "Ġpod ium", "< Book", "ж е", "Ġsix teen", "ĠAli as", "Ġinfr ared", "ĠV ander", "ĠLe ading", "uc ing", ",: ,:", "_h or", "w at", "Ġdé cou", "_W idget", "S ounds", "_n avigation", "Ġschn ell", "(g enerator", "uc ene", "Ġrem ake", "IP v", "Ġré al", "_IN CREMENT", "Ġhypoth etical", "_ ang", "Ġof s", "Ġ! Ċ", ".com pleted", "Get Type", "Ġkom men", "ál ido", "add On", "Ġz ÅĤ", "UL A", "_ind icator", "'] ĊĊĊ", "ap ache", "_S elect", "ĠGre ene", "Wh ats", "_an im", "Ġrepet itive", "m uch", "ĠTh reshold", "Ġl f", "(C ategory", "con e", "M ix", "_MET ADATA", "ays ia", "Ne ighbors", "ĉĊ ĉĉĊ", "IP HER", "ĠFr ag", "ĠC ells", "Ġnames paces", "( back", "ĠRest aurants", "sv c", "Ġл и", "ote ch", "-s l", "¥ ¿", "ĠW T", "ĠRed uction", "Ġd otted", "ĉf ound", "ĠTE AM", "B orn", "ĠM ush", "ĠCompar able", "Ġh itch", "AT O", "Ġmax Height", "begin Transaction", "ÃŃ v", "_b n", "Ġher d", "Ġrevers al", "ĠH ond", "del imiter", "Ġconf use", "Ġh ops", "Ġcent roid", "Ġcourt room", ".decor ators", "Ġm pi", "ĠImpro ved", "IN NER", "ĠBang alore", "ĠT amb", "Ġbo ast", "() ))čĊ", "Ġil licit", "ĠMor occo", "greg ator", "_res ume", "Ġcrack down", "Ġport raits", "/h igh", "( \\'", "Ġay ud", "_fe edback", "Ġc ate", "/ avatar", "Ġhe b", "Point Cloud", "Ġå ĴĮ", "Ġ< ![", "Ġget Resources", "} :{", "Oper ating", "ĠF og", "ĉt ab", "ĠResearch ers", "Ġfabric ation", ".datas ets", "ĠCamp o", "ĠKa uf", "Ġd ll", "lig t", "] ));ĊĊ", "st ellen", "ACK ET", "l vl", "ĠGl ory", ".date Time", "Ġcomm ute", "ĠonCreate ViewHolder", "ĠX Element", "ĠT okens", "< thead", "_p ick", "ì ¤", "v on", "depart ure", "(render er", "phone Number", "(P erson", "gen es", "ĠL ars", "Ġ) {ĊĊ", "ĠJson Result", "Ġmet odo", "VO KE", ".get UserId", "Acc eler", "ĉ required", "Ġchampionship s", "Build Context", "/t ask", "/re leases", "C ategoria", "_over lay", "Ġscar ce", "_l im", "n gr", "ah len", "ĠArt ificial", "sp read", "Ġbow ling", ".an alysis", "SM TP", "ĉp assword", "Ġbath s", "] )){Ċ", "current ly", "ac iente", "_se parator", "Ġde ber", "ĠDis abled", "i ères", "Ġâ ķ", "_process ing", "Ġprotest ing", "ĠR OT", "gr ab", "Ġз ак", "Ġpro active", "word press", "ĠSe ver", "ind en", "Ġw ikipedia", "){ čĊčĊ", "_w indows", "is lation", "Ġun rest", "Ġdismiss al", ".N UM", "_F AST", "iss ued", "ĠF ACE", "_u nder", "Ġpl ugged", "Ġå °", "ĠbÄĻd zie", "ĠI CC", "Ġcombust ion", "Ġkiss ed", "Ġstar red", "ĠW atts", "Ġspi elen", "-p urpose", "ĠE val", "arg es", ", result", "techn ology", "Ġnational ity", "ic us", "ĠN ug", "ĠÑĤ о", "ĉĉĉĉĉĉĉ ĠĠ", "col o", "Ġg astro", "ante ed", "OL ID", ".b ias", "_t ele", ".ins pect", "Ġve il", ". footer", "Ġneglig ence", "Ġjud gments", "Room s", "yn n", "ĉcount er", "occup ation", "Ġ çĶŁ", "un as", "Ġ(^ )(", "L ambda", "f el", ".Param s", "Ġд обав", "set Layout", "Ġdeport ation", "Ġlocal Object", "ĠPharm aceutical", "cept ive", "ĠN ome", "Equ ipment", "F an", "Un iversal", "ĉ socket", "Ġgr in", "Ġex poses", "Ġhab er", "Ġsincer ely", "Ġc ams", "Ġm ü", "en ia", "E mer", "C rypto", "Sl ow", "(x hr", "! =(", "-s ervices", "ĠP W", "Ġprend re", "Ġm ädchen", "em ons", "озв ÑĢаÑī", ".M anager", "ì Ļ", "Ġg raf", "- ra", "met rical", "/ fl", "Ġc emetery", "g ens", "Ġp ÅĻ", "ĠMySql Command", "- To", "Ġv Ã¥", "Ġa irst", "oment um", "Ġserv o", "m illion", "ĠMir anda", "\" She", "Ġadvoc ating", "-c aption", "ĠAt tribution", "Ġwel che", "_v endor", "ĉ Status", "arr is", "Ġprint k", "\",\" #", "Ġrel ativ", "if ferences", "izz es", "Ġdec imals", "ĠPro v", ".max imum", "Ar n", "Ġhelicopt ers", "_B OTTOM", "ch ure", "od ings", "' (", "\")) );čĊ", "( bean", ".f d", "F und", "Ġhang s", "app id", "/k ernel", ".p oi", ".Min Value", "- validation", "L uke", "c df", "ĠFun eral", "ĠS amples", "ĉ de", "Ġto astr", "Ġtax able", "Ġcl ustering", "Ġ'\\ '", "Ġre straint", "ec ed", "ch ains", "ãĢĤ ï¼Ī", "_GR APH", "Ġfue led", "éľ Ģ", "H p", "å¤ į", "T iles", "Ġa unque", "J C", "Ġhost age", "ĠE sk", "Ġm av", "Ġgest ion", "Ġb anners", "} {$", ".int Value", ".' \"ĊĊ", "_M ATRIX", "Ġce ased", "ĠG OD", "_CAM ERA", ".Allow User", "tr acked", "C ook", "b airro", "( company", "Ġview point", ".get Writer", "ĠN ets", "w ives", "Ġ( ))Ċ", "example Modal", "ĉ child", "Ġmyth ology", "Ġ// \"", "_ axes", "ib old", ".D ark", "ĠMax well", "Ġg pointer", "olic itud", "B at", "ul ner", "bal anced", "mail er", "Ġcont empor", "æīĭ æľº", "(\" __", "Ġ\" )\"", "re ar", "ĠHu ang", "] ')Ċ", "× ©", "FT A", "ĠCalling Convention", "ĠOutput s", "P k", ".Re ference", "lect ual", "Ġ) :ĊĊ", "Ġbrace let", "ug er", "ĉ Error", "S weet", "(\"/ \");Ċ", "h x", "Ġun reasonable", "Inter preter", "Ġlo ft", "_product o", "Ġsoci etal", ".P arser", "ĠAd apt", ". foo", "( where", ".F eature", "ĠYam aha", "g lass", "For ge", "Ġprohib its", "Ġcapac ities", "Ġíķ¨ ìĪĺ", "Ġper mutation", "Ġih m", "F ld", "el ial", "======== ===Ċ", "@ Configuration", "Ġge ared", "ios o", "iest a", "trans lations", "Input Change", "Pop ular", "ĠPL US", "Ġv f", "_F ree", "b box", "Ġcaus al", "PI LE", "Ġsch ö", "Ġiron ic", "M ir", ". @", "åį Ĺ", "Ġè ĩ", "R ew", "ul ence", "fl en", "Ġcan Activate", "- response", "Ġacc ents", "ign ored", "° F", ".Dependency Injection", "ĉ point", "Ġconting ent", "Ġsqu ash", "Ġpar ms", "ĠC emetery", "Ġdelta Time", "ĠD OS", "Ġvan ished", "аÑĢам еÑĤ", "ĠD PS", "t foot", "ĠZ us", "_IN STALL", "G AN", "Ġar b", "Ġmunicipal ities", "Into Constraints", "AutoresizingMask IntoConstraints", ", image", "_ ignore", "Ġdanger ously", "quis a", "pl uck", "Ġhar us", "up pe", "Http Exception", "Br acket", ".' 'ĊĊ", "ĠT ol", "ĠView er", "zb ollah", ".Code Analysis", "ì nh", "Ġcorrect amente", ".d a", "ĠAl ger", "× IJ", "ba um", "ĠPan ther", "part icipant", "å¿ ħ", "-s up", "Ġem ulator", "Ġf ading", "ĠW olver", "cre ates", "Ġbook ings", ".Q uestion", "§ è¡Į", "Ġstress es", "Ġre written", ".PI PE", "ed es", "Ġc bd", "\": \"/", "Ġenh ancements", "_s y", "B IN", "ĠSl ip", "Ins pect", "ĠW eg", "Ġcon gregation", "Ġ_ :", "_r m", "Frame buffer", "Ġ'& #", "ĠFall out", "Is Required", "ĠPear son", "ĠF ACT", "Ġrel ie", "ĉ box", "ĠShe pherd", "ĠWiki Leaks", "ĠCollect or", "Ġres ized", "method Name", "Ġevent Type", "ĠA then", "Des criptors", "Ġb ers", "- oper", "ĠInitial ly", "å ¡", "_B TN", "ĠĠĠĠĠĠĠĠĠ čĊ", "á b", "_c ampaign", "_w atch", "F ord", "-date picker", "Ġvis c", "Ġsat u", "_s ms", "Ġcont ador", "-s vg", "ĠDO I", "$ args", "Ġkn ob", ".B OLD", "Ġdeb ated", "img s", "sock opt", "tr uth", "ĠFe es", "Ġh Wnd", "_f ood", "Ġab ras", "Ġnot ions", "ĠT od", ": create", "ĠConf lict", "Us uarios", "OT OS", "Ġm sm", "K HTML", "([ (", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠ", "Ġ} ]", "w izard", "Ġm ientras", "Ġdata List", "Ġemerg es", "Äĥ ng", ".Read Int", "PG A", "ILL ISE", "I Enumerator", "(t uple", "Christ mas", "Look AndFeel", "og enerated", "Ġ# ĊĊ", "control led", "Ġex quisite", "Ġa cest", "Read Write", "G ain", "ãĢį ãĢĮ", "Ġcopyright ed", "Ġdo om", ".Table LayoutPanel", "ĠD ort", "Ġch ili", "Ġwer k", "ĠEVENT S", "ĠBe acon", "Ġship ments", "Ġse bagai", "up on", "ut om", ".con verter", ".Drop Table", "={ }Ċ", "f ic", "~ ĊĊ", "Ġlesb ians", "_n a", "Fore ign", "ĉ then", "/ ms", "Ġor i", "get Property", "ĉsn printf", "hes ion", "ãģ ¤", "\"} ,\"", "Ġac rylic", "P ers", "@ Enable", "I sl", "(C ard", ". Stack", "L icensed", "_G UID", ": title", "Ġh ust", "Ġprincipal Table", "an itize", "/ embed", "Ġens ured", "ĠE GL", "ÙĪ ر", "ĠåĪ Ĩ", "/ ,Ċ", "Ġfundra iser", "Key Name", "Ġmarch ed", "_VAL UES", "ĠSc enario", "Ġmet ic", "_ass oci", "ĠPast or", "ĉĉĉĉĉĉĉĉ ĉĉĉĉĉĉĉĉĉĉ", "er ate", "Ġinv itations", "quo ise", "Ġbl aming", "Ġd aring", "UM MY", "Ġrich er", "em aker", "ĠIdent ification", "ĠìĿ ¸", "ĠBinding Flags", "ch as", "Ġresil ient", "_p g", "Ġre leg", "ĠI RA", "ST E", "Ġtr actor", "- loading", "ĠPre viously", "ĠV acc", "/ be", "Ġn Ã¥r", "Ġurl encode", "ĠNor folk", ".Re lease", "ĠNe utral", "ä¸Ń åĽ½", "ĠAr lington", "Ġalleg es", "ĠW riters", "Test er", "ĠR ally", "Ġc á", "ĉ Print", "Ġâĩ Ĵ", "ĠUser Controller", "ĠSeek ing", ".V AL", "List Node", "_ ff", "ĠPhill ip", "FA CT", "Ġc aramel", "ĠM ultip", "ĠCom pared", "ĠSer bia", "Ł ³", "Ġrev ive", "ĠK anye", "Ġver ge", "ĠBulg aria", "get Body", "Ġ| >", "ce ph", ".DateTime Picker", ".\" ;ĊĊ", "ĠT ie", ", item", "Ġm enn", "G as", "och a", "_v irtual", "Ġmaster piece", "_se quences", "L TE", "ĠSub mission", "Call er", "$ \\", "S port", "ag us", "Constraint Maker", "Ġcol oc", "Ġw ig", "ĠÐ £", "ĉ Array", "Look s", "ĠGT A", ".st eps", "atch ewan", "_r anges", "ext Alignment", "ĠBren nan", "Ġab straction", "uler Angles", ".m isc", "Ġantib odies", "Ġexponent ial", "ĠCH ANNEL", "exp ense", "' y", "Ġdetect ives", "Ġpur ported", "Y STEM", "Ġradio active", "ĠLat ina", ".Enc oding", ".T AG", "x in", "D egree", "ur acion", "pr ices", "ĠRefer entialAction", "Ġr arity", "Ġp iles", "g ende", "_project s", "_g lobals", ".start Time", "Ġê µ¬", "SE CTION", "_p ublish", "F ault", "DD L", "_p rior", "M om", "Ġth icker", "Ġsequ elize", "Ġessential s", "str as", "in tr", ">( ()", ".man agement", "e il", "éĹ Ń", "A ware", ".C ity", "ĠAr bit", "_D M", "_key board", "L Object", "- webpack", "ĠNew port", "Ġprincipal Column", "leg ant", "Ġp allet", "Ġfract ure", "Ġg mail", ".M eta", "A bove", ".Key Event", "j it", "_mac ro", "_P USH", "á» ©", "/ controller", "åĬł è½½", "Ġsuperf icial", "exter ity", "Ġmens agem", "W ind", "ist on", ".open api", "и ÑĢов", "ĠSerial izer", "uct ive", "Ġz ar", "Pl aces", ".St atic", "B a", "Ġin advert", "ĠIndones ian", "_IP V", "(h orizontal", "Ġget Title", "ide press", "ĠConsole Color", "ip ers", "$ out", "Ġfest ive", "Ġeven ings", ".Get Data", "uit ka", "ĠManual s", "uss ed", "_M ax", ".Ch at", "ĠA ircraft", "= com", "FO UND", "ap ro", "Ġtre asures", "_al ive", "Ġgad get", "ek ing", "Button Down", "B rowsable", ".PER MISSION", "P ASSWORD", "ĠH ASH", "f é", "\\ TestCase", "LO SS", "o thers", ", J", "Ġassh ole", "wer k", "Ġm ã", ". ie", "ev il", "kont akte", "//////////////////////////////////////////////////////////////////////////////// Ċ", "= sys", "ĉ lock", "-- ;ĊĊ", "_F UN", "Fill Color", "ó a", "pre nd", "Ġcompress or", "M other", "ĠAr cher", ".g oto", "Ġwür de", "Ġbam boo", "ï¼ İ", "ĠT rees", "Ġb umper", "Ġsa usage", "ĠEl asticsearch", "Ġhor izontally", "ĠG ul", "Im mutable", "Ġlos er", "Ġabort ed", "-d emo", "ĠH atch", "Ġund e", "Ġprocess o", "-c all", "In come", "å ĥ", "_ returns", "'].\" '", "(s w", "C BS", "am ilies", "ĠYour self", "ĠH olt", ".M ON", "ৠĩ", "ÑĪ е", "an on", "ĠFont Awesome", "produ cer", "j r", "Ġm au", "ĉint er", "Ġdish onest", "Ġmagn a", "ĠCollect ive", "Ġvra iment", "Ġcho ix", "st ay", "Ġweld ing", "r ising", ", min", "ĠF ate", "g lob", "RGB A", "Ġdet te", "V en", "Ġembarrass ment", ".DE LETE", "greg ar", "-re nder", "(b ucket", "\"> ĊĊĊ", ".wait Key", "Bus y", "Ġdifferent iation", "ĠC ST", ".Con stant", "Ġline Number", "(m atches", "Ġweb socket", "Ġbar red", "Ġpued es", "M ono", "C ORE", "I ID", "ĠĠĠĠ čĊčĊ", "Ġpúb lico", "lean ing", "Ġcleans ing", "Ġcr is", "ĠDev ils", "_SET TING", "unt ary", ". );Ċ", "Ċ ĠĠĠĊ", "[ curr", "ts y", "ĠAlex is", "rit el", "Ġpet roleum", ".pre processing", "m atter", "For Result", "- license", "Ġtrav ellers", "ĠDispatch er", "enn ifer", "Ġdigest ive", "P ED", "hib ition", "MAS ConstraintMaker", "ĠW att", "Ben ef", ".set View", "d to", "TE E", "ĠPel osi", "_EX TRA", "Ġmed als", "x hr", "fore cast", "Ġn argin", "oun s", "-f ill", "_CUR SOR", "Ġsuperv ised", "Ġtur f", "ĠEd gar", "POS ITION", "Ġcategory Id", "â ī", "_ ER", "ủ a", "Sh own", ". ll", "_POL ICY", "(), '", "ĠPre v", "ĠString Field", "ĉG lobal", "ass ed", "Through out", "o stringstream", ".awt extra", "Ġslo pes", "ĠSe quential", "Ġgi orn", "Ġz elf", "Ġvers atility", "lene ck", ".c gi", "Ġdou bling", "ĠBang kok", "Ġbu urt", "Ġusu ário", "st udio", "Ġje unes", "Ġm uted", "Ġ ips", "_f raction", "&& (", "Ġst unt", "'); ?>čĊ", "Ġev apor", "b able", "ĠPR ICE", "Ġæ ³", "lu cent", "Ġv amp", "ĠTechn ician", "Ġuniqu eness", "M es", "ur ban", ".param etrize", "ĠRe play", "S essions", "em br", "-Americ ans", "_PRO XY", "Ġp ian", "Ġtri e", "ĠD estructor", "Game State", "ĠIM F", "ch in", "Ġport e", "ĠSw al", "åŁ İ", "Sub string", "im ing", "/L ibrary", "Ġfright ened", "w rites", "Ġrecurs os", "ar Result", "_INIT IALIZ", "ĠBad ge", "_c rc", "E ight", "ĠDIST INCT", "Ġth ro", "@ Xml", "ĠLegend ary", "-t witter", "_e asy", "Ġ+ ++", "(D ATA", ".L ocale", "Ġk ä", "Ġn urt", "Ġcr uis", "_ ios", "Ġsens ing", "_L ine", "Ċ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ", "pon g", "ole on", "Ġwild card", "çĶ¨æĪ· åIJį", "Ġbeg ging", "R od", "Ġà İ", "_C ELL", "Research ers", ". selector", "_ ing", "Ġaspir ing", "Ġimm ortal", "Ġy min", "_ robot", "Ġpl ur", "B TC", "ĠD ID", "Ġpier cing", "* u", "_DEFIN ED", "ĠTh i", "ita ire", "(m edia", "- ons", "Ġche fs", "Ġ\"* .", "/ AP", "Ġraz or", "Ġsearch Data", "Ġ= &", "Ġ ãĢĤ", "Ġm ourn", "ting ham", "Ġo li", "ĠVern on", "_R S", "ŀ æĢ§", "Ġf ácil", "ang en", "cel ain", "Ġa il", "le st", "ĠQ COMPARE", "g ain", "ĠÎ µ", "ĠK ob", "ĠF ault", "_config s", "ç»ĵ æŀľ", ". +", "cal ar", "(color s", "M ul", "_ ART", "Ġexperiment ing", "erm en", "ĠAng lo", ".Fixed Single", "Se a", "Ġc txt", ".s lider", "C ollapse", "G rey", "Ġf ld", "-pro of", ".cap acity", "get Parent", "ĠCom pliance", "Ġburg l", "- rec", "Ġover written", "M U", "Ġrout ers", "ĉ Model", "Ġfantas ies", "av ian", "_p rec", "ĠSc andin", "Ġ// <", "/o ct", "Ġceremon ies", "Month s", "und y", "Ġqu ed", "ĠN ou", "ĠV ibr", ".r gb", "Ġcit rus", "Ġbr aces", "-upper case", "get Table", "Ġdop o", "ĠK err", "_CH ILD", "- cloud", "ĉ Matrix", "Ġgard ening", "S ing", "al most", "Require ments", "ugu ay", "( Property", "sub scriber", "FA ST", "re action", "(l p", ") })Ċ", "` ).", ".w allet", "_ex change", ".Max imum", "ĠVer b", "âĶ ģ", "() <", "ï¼Ľ Ċ", "RO T", "C ARD", "ub it", "{ @", "_k el", "ĠTool tip", "My SQL", "Main Activity", "ar f", "Ġm align", "Ġse inen", "ap ist", "Ġ< %", "Method Impl", "M il", "ĠM ick", ".de pend", "< ID", "Ġpredict ive", "ĠAP PLICATION", "le f", "dim ensions", "Ġconoc er", "/ conf", "ĠTr acy", "F oto", "_rem aining", "= file", "Ġpage Index", "ĠPar ish", "Ġt exas", "ĠM AGIC", "ĠH ew", "d ifference", "Ġalt ura", "c um", "ĉdata Type", "Ġcaracter es", "avi ours", "ĠV OID", "è¿ ij", "P UBLIC", "B io", "ĠstringBy Appending", "Parse Exception", "ĠS uff", "ĠN orton", "/d etails", ".n ull", ">> &", "ĉ ok", "-l ow", ". usuario", "n ested", "X B", "OUR S", ".Border Color", "Ġb row", "ĠÐ ķ", "cor r", "ĠRed skins", ".get Tag", ".get Transaction", "Ġst igma", "hard t", "ĠPlayer Prefs", "als y", "uc son", "L anguages", "ĠOl ivia", "Ġt ac", "Ġb li", "Ġc aval", "Ġconsolid ated", "Ġper il", "Ġde le", "Ġform ulated", "Ġhigh ways", ".sp awn", "== $", "ĠN iet", "Ġv eggies", "yp o", "-r ule", "ĠV ie", "/e pl", "Ġenf ants", "string Literal", "Ġtou ghest", "buy er", "Ġcov ariance", "Ġil i", "ĠSoph ie", "ĠB AB", "Ġ\" ),", "ĠU k", "current Index", "_user data", ".code c", "ĠPun jab", "ĠSN P", "l ol", "adv ance", "Ġcom fy", "Json Ignore", "Ġfashion able", "ĠI CON", "Ġor a", "ĠP ricing", "< num", "ĠI RC", "ER V", "ĠMe in", "ĠID ictionary", "AD OW", "is New", "ĠDev on", "at l", "(request Code", "ĉ PreparedStatement", "IM PORT", "Ġmar ital", "_SELECT ED", "get Response", "ar Down", "B V", "ib Name", "ĠP ATCH", "ä än", "Ġda ar", "ĠFile Mode", "Ġm arty", ".Spring Application", "c ene", "amp oline", "get Size", "Rest art", "æķ Ī", ".project s", "ĠEthi opia", "Ġstatus es", "T ION", "(b g", "ĠX unit", "Temp orary", "ĠEng agement", "Ġx f", "Ġprox ies", "Ġgen esis", "Pager Adapter", "ĠSl ave", "Ġsung lasses", "ĠCh loe", "Ġko ji", "ad em", "ĉ JSONObject", "Î ³", "Ġh ors", "* w", "ó r", "es ch", "Ġcritic ised", "z ial", "ĠSale m", ".Vert ical", "ĠR ash", "> E", "ter ing", "/s creens", "Ġheight ened", "аÑĢ ÑĤ", "Author ities", "_b box", "ün st", ".font Size", "ĠBO OLEAN", "div ide", "ĠSlo ven", "uc er", "Ù Ĵ", "st ub", "Ġnavig ating", ": animated", "_N OW", "_v ect", "} {Ċ", "@ (", "Ġtele com", "Ġcontract ing", "ĠAss ange", "Ġextract ing", "Ġgr ö", "c obra", ".D IS", "Ġcr ab", "Ġtw itch", "Ġvert s", "Ġreject s", "ĉ format", "Ġreg eneration", ".S ys", "s olve", "ĉd ialog", "sh i", "m eter", "(b est", "valid ators", "Ġon wards", "Ġg uru", "Ġmoder ator", "ow ied", "ex periment", "r ub", "Ġm qtt", "ĠCa ucas", "Ġnational ism", "Ġm ange", "ĉ ImGui", "/ Edit", "Ġin h", "Ġint ellig", "ero kee", "ĉ export", "Ġdiscrim inate", "sub tract", "ĠM oodle", "ens er", "ĠGuid es", "R AP", "-h ot", "_gr p", ".p icture", "X A", "Ġinit View", "_Com m", "Ġoverd ose", "Ġ+ ĊĊ", "ĠSil ent", "show s", "Ġinterpol ate", "Form ation", "Ġb isc", "mark ets", "( SC", "Z e", "ĠNetwork ing", "Ġad renal", "ĠG uns", "ete or", "Decl ared", "orget own", "Ġk arena", "/ password", "_address es", "ITER AL", "B uzz", "ĠCon way", "(c ase", "P WD", "he iro", "( act", "** čĊ", "());ĊĊ Ċ", "Ġan v", "Ġ. .ĊĊ", "(Menu Item", "(m ail", "_section s", "ĉ net", "Ġpl ut", "Ġw rench", "/ object", "ĠI st", "ĠV IS", "/p ub", "al ten", "Ġguit ars", "Ġantibiot ic", "ï¼ ĸ", " ¹", "Ġ\" +\"", "form ula", "Ġbab es", "ĠP rompt", "Ġen im", "/ player", "ĉ ref", "Ġby Äĩ", "Ġconsum es", "ĠH ast", "ĠT ao", "Ġ' ))Ċ", "Ġcl am", "Ġthigh s", "Ġmot if", "Api Operation", "ĠW L", "get C", "ĉf lags", "oint ments", "Ġeconom ical", "need le", "x ls", "pr actice", "ut zer", "time ofday", "- output", "Ġfind ById", "ĠBudd y", "Ðŀ ÑĤ", "Se ven", "ĠB ark", "Ġenv oy", "_al gorithm", "åĪ ©", "Ġball istic", "ç§ »", "r ades", "ĉd oc", "rodu cing", "ĠE ating", "Un mount", "/data Tables", "_b onus", "Ġl itt", "pp s", ") localObject", "per f", "ĠHel vetica", "sh utdown", "/ ml", ".t okens", "ĠHard core", ", row", "/b g", "Sc aler", "âĢĶ as", "_log its", "âĢĻ int", "ĉ App", "Imp licit", ".F printf", "ET O", "Ġterr a", "Ġpossess ing", ".r strip", ", ),", "= yes", "ĠStr ipe", "? =", "ne utral", ".g ood", "Ġk ennen", "ĠS ung", "f ault", "ystate change", "Can adian", "',' \".$", "ĠM its", "æ nd", "ĠSTR UCT", "ĠURL WithString", "ĠCom pass", "Ġ-- ĊĊ", "ĠNS LayoutConstraint", "| min", "-ad just", "Ġreb uilt", "L IGHT", "/ se", "-m ount", "vp n", "valid ated", "(Q Object", "Ġign ition", "ĠCharg ers", "RYPT O", "]initWith Frame", "ĠFl uid", "Ġcad re", "Ġnomin ations", "Ne ill", "ĠH ou", "Ġcurrent s", "_g ene", "(in p", "Par is", "z ÄĻ", "ag gregate", "Ġass oc", "weet ed", "err at", "âĢĵ ĊĊ", "Ġ'/ ',Ċ", "fix ture", "ĠH ighest", "amb ient", "Ġch mod", "Ġcon te", "Ġsens ual", "Ġgar ment", "z ers", "ĠPower ed", "dom ains", "R eward", "i omanip", "Ġcock pit", "out file", "Ġbuilt in", "Ġins isting", ". vars", "zip code", "Ġ ����", "f ails", "Ġconsolid ation", "_ oid", "Plan et", "Ġ= \",", "ĉ el", "UIL T", "ät z", "af ari", "ĠMc Cl", "Tim eline", "Est a", "Ġfr am", "Y E", "Ġcere bral", "Of Month", "ĠP regn", "Ġкл аÑģÑģ", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ", "ĠF res", "Appro ved", ".S pecial", "ĠProtest ant", "Ġallerg y", "_p cm", "ĉC opyright", "Ġsuper Class", "\" strconv", "ĠMoh amed", "Ġ' //", "Fore Color", "Ar thur", "ĠJ ungle", "Ġve ins", "S ad", "Ġback ups", "ĠOp inion", "û t", "Ġinter mitt", "ody n", "ĠChrist ina", "Ġand re", "Ġevac uation", "pa lette", "h orse", "ĠRes ident", "ĠHass an", ".N il", "Ġa isle", "ĠG rowing", "Ġblog info", "/s ql", "_io ctl", "Sc aling", "ĠMon ad", "_c pp", "ĠH utch", "ĠApple WebKit", "Exp ense", "_J OB", "Ġpoint less", "From Body", "ant al", "Ġdepict ing", "ĠC ELL", "Ġref in", "ĠC NC", "ì¹ ĺ", "_dim ensions", "ĠS AN", "Ġa ft", "Ġfoot steps", "cc oli", "_PH ONE", "/m ath", "-k ind", "ĠMe ans", "ich ael", ".g una", "Ġinaug uration", "-dr iving", "( delete", "Ġtotal Count", "_M C", ".Ext ension", "Com mercial", "Ġz Index", "< Customer", "\" g", "-sh are", "Ġp act", "ag ara", "ĠS IL", "_m odes", "ĠM olecular", "Ġsystem atically", "< G", "_s cr", "ĠO ro", "as ers", "Ġb ic", "Ġdest roys", "PI PE", ".Start Position", "Ġc ủa", "ire z", ".B unifu", "_F unction", "Ġs ü", "_f uture", "ĠWe alth", "ĠNatur ally", "æĢ »", "_y es", "Ġabrupt ly", "String Encoding", "ĠCGPoint Make", "Ġz h", "Ġimp erson", "Ġpiv otal", "ĠSom alia", "Ġsegment ation", "_AN AL", "ĠLogin Component", "Cons ult", "Ġtr uncated", "] \";Ċ", ".get Config", "Ġintern ship", "B aby", "ê° ľ", "Ġstrengthen ed", "_M I", "b asket", "Ġnicht s", "ĠTV s", "ĠSh an", "ãĤ µ", "rac use", ".Re LU", "/ interfaces", "ĠgetItem Count", "Ġret iring", "Ġspecial s", "Ġentity Manager", "bel ief", "Ġs older", "da ughter", "ij kl", "Ġutil izes", ".f ixed", "S U", "Ġdr astic", "Ġh acks", "gr und", "ĠM U", "ĠSt arter", ".Com ponents", "_m otor", "Gold en", "Ġl odge", "Ġ ));", "ĠCor inth", "иÑĩ еÑģÑĤво", "ón ico", "gre SQL", "ĠFl uent", "Ġmar c", ".Load Scene", ".Group s", "Ġer h", "ĠAut umn", "St opped", "Ġitalian o", "Ġmin ions", "ĠAssert ions", "Ġm ux", "B u", "Ġ---------------------------------------------------------------- --------------------------------", "ĉ up", "read ystatechange", "_M eta", "Ġcurrent Date", "ĠChap man", "Und o", "Se an", "ap r", "Ġpar m", "_ icons", "ĠSt a", "á z", "Ġsub division", "Ġalter ing", "P NG", "ponent ial", "Ġpost gres", "ĠB DS", "-ex istent", "ĠBrad ford", "ĠO MX", "_W HITE", "_PRO GRAM", "q c", "Ġtypings Slinky", "ĠP ics", "_M ETA", "IT TER", "_sub scription", "IRON MENT", "ĠHy undai", "();ĊĊ ĊĊ", "ĠØ ³", "Ġj ac", "Ġelimin ates", ") });Ċ", "Ġcomp rend", "ĉ insert", "_f aces", "\"> $", "Ġeb ay", "Ġcapt ive", "pl iant", "ĠCalcul ates", "ol ta", "est ing", "_re vision", "Ġm ús", "+ m", "\",\" \",\"", "WH AT", "Ġcompassion ate", "h arga", "[ random", "Ġmod ulo", "(s n", "Ġoccup ations", "//// Ċ", "ĉ board", "ĠB alk", "wi Äħ", "ĠW ifi", ".Pro file", ":m aj", "ĉm at", "LOCK S", "(j Button", "Ġ(' $", "M ur", "æĮ ī", "b ble", "Ġf rog", "-h ide", "Ġbroad caster", "ภŀ", "ha led", "Ġam using", "_predict ions", "_in tr", "Ġe agle", "аÑĤ елÑĮ", "Ġget List", "ps ilon", "Ġcharacter ization", "AR DS", "Ġre location", "Ġr ulers", "P AY", "ĠDef initely", "_A ction", "Ġclos ures", "Ġfact ual", "odyn amic", "Ġpreca utions", "nie j", "ĠPart ies", "ĠSub aru", "Ġcous ins", "ar beit", ".m oney", "gun ta", "( and", "get item", ".Style Priority", "Ġsl id", "single ton", "Ġg arn", "ĠP AS", "Ġd azz", "a ż", "Ġbog us", "ĠM og", "Ġrival ry", "is ol", "Ġland marks", "ñ as", "B ern", "ĠSach s", "Ġ\" )ĊĊ", "Ġhost ility", "_m ex", "m ere", "M ot", "p ictureBox", "Def ense", "Ġaffid avit", "other wise", ".d irectory", "_ UnityEngine", "-b log", ".s kin", "ph em", "Ap ellido", "er chant", "[ class", "Ġw art", ".\" [", "ale ur", "/ back", "ĠĠĠĠ ĉĠĠĠ", "Ġprecip itation", "Ġob struction", "Ġp Obj", "Ġr upt", "UCK ET", "ay e", "æİ Ĵ", "g x", "Ġe cl", "Ġsecre cy", "/ Header", "ĠLes b", "Ġle i", "ĠBullet in", "Ġgive away", ".H ome", "_RO OM", "\" W", "Ġcow ork", "_ ra", "ĠC ycling", "ĠP aw", "Ġpup il", "/ arch", "ĠFile Utils", "é¦ ĸ", "r sp", "Ġfreed oms", "ĠL ear", "}` ).", "Ġbow ls", "/b lock", "_log ging", "Ġmeth ane", "Ġhorn s", "Ġwonder fully", "Ġalter ations", "Ġex ile", "ls en", "_p ause", "_L ANGUAGE", "ĠUS DA", "_m ysql", "_AM OUNT", "ĠL IFE", "Ġyoung sters", "Ġri ots", "[ E", "Ġun forgettable", ", },Ċ", "Dis posed", "ĠAss assin", "UN G", "ĠNew sp", "User Service", ": aload", "+ ',", "Ġsett lers", "Ġscre ams", "Ġincon venience", ".R otate", "Ġj ars", "ĠP uzzle", "Ġm est", "ars i", "ĠSh arma", "| (", ".d s", "ĠSac red", "_e vt", "Ġexpress es", "Ġh och", "ĠD uch", ".c alls", "th r", "ĠShe ffield", ".Alert Dialog", "Ġrad ically", "Ġtr ous", "Ġprev ailing", "ĠWW II", "âĢĻ n", "ens ely", "ĠY esterday", "ĠSir ius", "Ġkill ers", "ĠF FT", "Ġo val", "') :čĊ", "Ġìłķ ë³´", "our age", "ĠCheck box", "Work book", ".def er", "_f loor", "Ġc ouncill", "Ġnors ke", "mo il", "ore a", "Ġmarket ed", "_S UR", "x AA", "Ġst ained", "e ut", "ĠM eng", "Ġi eee", ". extern", "eg ie", "Ġr app", "ĠPy ongyang", "' class", "M ob", "Ġinitial Value", "_w ave", "Ġj ab", "Ġmascul ine", "Ġampl ifier", "Ġt ty", "Path Component", "_ xt", "ĠG FP", "/ sec", "ĉdis patch", "mark down", "ĠS chn", "bo le", "· ·", "mouse move", "Ġerr Msg", "Ġas ign", "_m ono", "To Selector", "ĠZ u", "(R ect", "ĠError Code", "lat in", "ang ible", "v tk", "CG Size", "P okemon", "Ġclass mates", "Ġattract s", "ĠT atto", "ult an", "ol óg", "Ġhalt ed", "ठ¨", "ĠK art", "Ġ ue", "_Init Structure", "Test Class", "ĠAir bnb", "_ \",", "Ġchar coal", "Ġip c", "ĠSt retch", ".g lide", "lates AutoresizingMaskIntoConstraints", "Ġpot ion", "ITT LE", "Ġcount ert", "_h d", "pre pared", "Ad s", "ĠV ampire", "rob ots", ".Create Index", "Status Label", "Ġt ucked", "af ür", "U t", "Ġswe ater", "_F N", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĉ", "ata ka", "Ġeyeb rows", "ac oes", "ud en", ".LinearLayout Manager", "Ġsw ay", "Ġmult in", "() )))Ċ", "ĠNS UInteger", "ĠMy Base", "Part ner", "uts chen", "ĠC ater", ".setBackground Color", "Ġaccompl ishment", "_pro blem", ".d td", "Ġpage Number", "Ġj ackets", "Ġcro pped", "u els", "ĠH ep", "Ġc apped", "* Math", "_callback s", "Ġpub b", "ĠBrun swick", ".res pond", "[\" _", "Ġbed ding", "hyth m", "O X", "(s peed", "Ġpestic ides", "Ġ---- ---", ".Bl ue", "Ġnood les", "ĠGo es", "Ġs aver", "o xy", "_com pletion", "ĠSw inger", "Ġget Date", "Ġmind ed", "int egration", "ĠLot us", "(st op", "(', ');Ċ", "Ġflood s", "ĠWork flow", "Ġerupt ed", "Mac ro", "ĠSau ce", "Ġevent Name", "\\ Input", "Break ing", "ĉ when", "_p w", "IND ER", "ĠWell ness", "Ġvox el", "ĠM ell", "ĠM EDIA", "SE NS", "ĠFund s", "ĠM ild", "< Array", "- this", "ump ed", "/f w", "ĠDb Context", "W I", "girl s", "H OW", "'); ?>Ċ", "Ġtempt ing", "Ġtest ament", "Ġb ible", "Ġconsult ed", "ĠIndex Error", "è¨ ĺ", "Ġkey pad", "izz o", "( ok", "Ġwhats app", "ĠRemote Exception", "Ġteam ed", "âĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶ âĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶ", "» ,", "Ġget Time", "di ag", "iss y", "Ġh ed", "Ġkn ots", "j om", "Ġfun nel", "-m ails", "Ġexport ing", "ĠV L", "ĠK arn", "ĠBuddh ism", "ĠAll an", "_R ADIUS", "Ġw ording", "ĠFor get", "ĠCor ona", "ip hy", "Ġlim burg", "ugg y", "ĠUser Repository", "im in", "(e le", "Ġlabel led", "ç¤ ¾", "ĠH erman", ".q q", "Ġ\" ));Ċ", "ie ber", ".Trans late", "ry n", "Ġdes env", "um d", "Sim ply", "ĉm ode", "R pc", "ĠVal encia", "Ġstaff ers", "Ġsel v", "ĠSpi ke", "Ġdel ic", "Ġer u", "_D T", "J udge", "á» ķ", "ĠBas in", ".m utable", "\" url", "Ġtar iff", "ĠSlee ve", "Ġfl are", ".drop out", "Ġbr ides", ")) ,čĊ", "_con straints", "de struct", "Out line", "Ġdisappe ars", "_lock ed", "ĠNS LocalizedString", "ck e", "ĉ null", "ad resse", "Ġto pping", "ĠJ oker", "b ishop", "но ÑģÑĤÑĮ", "and ering", "_ amp", "= time", "_S pace", "_P ULL", "' =", "Ġant iqu", "Ġc ach", "___ ĊĊ", "ON ES", "о Ñı", "Ġun read", ".p olicy", "oooo oooo", "ëŁ ¬", "Ġu sted", "ĠRe ce", "Ġal lem", "ãĥ¼ ãĤ¹", "ĠThought s", "ve illance", "istr ate", "_l ane", "Ġfam ed", ".Get Name", "Ġsmo other", "ĠQual ified", "az ers", "_ geo", "F ax", "ĠM inds", "ĠR aises", "Ġtrans cripts", "Con versation", "Ġremark ed", "ëĤ ĺ", "d ling", "Ġdeploy ing", "Ġshared Application", "Ġk p", "FontAwesome Icon", "_d ummy", "reib en", "ĠJane iro", "Direction s", ".get Bean", "s ass", "Ġcommand ers", "v ation", "error Code", "ĠAl loy", ".local ized", "Ð ij", "Ġdish washer", "ĠSou p", "N u", "_D efault", "Ġune ven", "Ġ/> \";Ċ", "-B ased", "Ġseam lessly", "- null", "ĠX C", "Ġst ew", "(d elay", "AT ORS", "ĠWhe eler", "\" H", "e ast", ". air", "âĢľ But", "Object Context", "success fully", "_l and", "Ġfold s", "_CO ORD", "Ġsub po", ".get Address", "in str", "Material s", "Ñĥ ÑģÑĤ", "de posit", "-l ast", "_GR AY", "= find", "Ġmut ant", "Ġlesb ienne", "let cher", "RO UGH", "ure ka", ".c apture", "Ġen n", "Ġ([ [", "ĠFl u", "Ġtask Id", "ĠHus sein", ".f older", "Ġa usterity", "ISTR ATION", "_ Impl", "注 æĦı", "Ġdec ree", "- chat", "Ġimp lication", "Ġguess es", "ul kan", "An alytics", ". plus", "COM MAND", "е ли", "» ĊĊ", "_S ITE", "Ġequal To", "Support FragmentManager", "ĠRec ording", "å®Į æĪIJ", "Ġbag gage", "Ġpitch ers", "ĠE h", "o que", "ĉc nt", "Ġ=> $", "/ foo", "IR A", "ĠSat ellite", "bor ah", "Ġ}} \"Ċ", "ĠEnd s", "ĠSpr ay", ", param", ".Ch rome", "* q", "th ought", "ibr ated", "Ġth ieves", "Ġbenefici aries", "Enter ed", "ottes ville", "Ġveter in", "By ID", "qu ipe", "um ption", "- unit", "Execution Context", "@ s", "ĠG iov", ".Tool Tip", "_f riend", "( attributes", "Ġdump ing", "ĠJ C", "_D OCUMENT", "ĠArm our", "( insert", ".Horizontal Alignment", "ĠQ ed", "ãģĦ ãģ¾ãģĻ", "/g it", "ĠY YYY", "ĠCard iff", "Ġap a", "organ ic", "ĠWhere as", "Ġæ Ŀ", "ĠM ia", "Ġdemol ition", "Ġsc ars", "Ġp ai", "Ġre tries", "Ġr q", "ĠDen is", "( Utils", "Ġallev iate", "ĠP IC", "id ue", "Ġacknowled ging", "Ġ// ////////////////////////////////", "ç¡® å®ļ", "Ä «", "\\ Json", ".b inary", "Ġx type", "sign als", "ĠAp pearance", "& r", "} s", "C i", "ĠI llum", "por ate", "h og", "Ġindex Of", "\\ Command", "_par allel", "ĠSher lock", "í ĥ", "Ġ\" \")čĊ", "//////////////////////////////////////////////////////////////// ////////////////////////////////", "Ġcritic ize", "ĠSo ap", "ĠMatch er", "Ġgr illed", "* T", "Ġad ore", "ull ing", "Ġjed och", "_ref s", "lean up", "ĠJ AXB", "Ġro ses", "ĠL iam", "size i", "Ġget char", "Ġtar de", "-to oltip", "Ġqual ifier", "ĠInter mediate", "_W indow", "ĠMal ta", "Dis connect", "ew here", "Camp o", "Ġirr ational", "led o", "ĠD N", "ARG V", "Ġout ro", "Ġth irteen", "Jose ph", "M AR", "/g l", "J ess", "ĠPsych iat", "Ġpadding Bottom", "- loop", "/ fonts", "_se en", "Te ams", "React DOM", "(m an", "(x path", ".get SimpleName", ">( *", "ĠP vt", "Ġel ders", "Ġp ies", ".user Agent", "- region", "ĠGree ks", "(f ragment", "st u", "Ġcouncil s", "Ġst amina", "ĠGod dess", "è ¥¿", "Ġphilosoph ers", "Ġpers one", "ĠL ose", "ĠCL R", "ĠD ocs", "Ġso ak", "ĠHOLD ER", "Ġb ells", "hash Code", "R ATE", "_WE IGHT", "in ous", "end ra", "oph obic", "Ġpro se", "Ġfin ely", "/o auth", "(s pace", "ad ge", "ĠM ama", "Ġstring Buffer", "Ġst int", "Ġmis ma", "Ġvill ains", "ĠCrime a", "Ġdipl oma", "Ġпо Ñģл", "ĠBe a", "(j oin", "Ġíķ ´", "CH AT", "per ing", "ĠC ros", "Ġmon keys", "Ġpred s", "yl a", ",, ,", "Ġvibr ator", "ĠN U", "åħ Ī", "f ant", "z et", "Ġb ietet", "un ft", "sw orth", ".F low", "Ġpsy ched", "ĠContin ental", "> t", "Ġqu ilt", ". UP", "Ġexpans ive", "Dis pose", "(l anguage", "C aps", "_Z ONE", "Ġrec ycle", "ĠMan aged", "current Color", ".b roadcast", "sign In", ".p rom", "ll u", "ue blo", "Ġpunch es", "Ġautom at", "Ġassign ing", "Ġcreate User", "ĠAll ied", "Ġconduct or", "Ĥ ¨", "Ġs addle", "Ġd ni", "omed ical", "-W est", "Positive Button", "Ġit alic", "? [", "(tr igger", "Ġele phants", "\":\" \",\"", "Ġcal iber", "raft ed", "d igits", "Ġmar shal", "mill iseconds", "mark ers", "m om", "/ place", "Ġhol istic", ": t", "# ,", "Ġb oto", "Ġnause a", "ĠSh ooting", "ite ch", "Ġtext Status", "< Class", "ĠDes cribe", "Ġbuff et", "g il", "Ġlog its", "std call", "mod s", "ĠSk ull", "ĠB are", "h ope", "ĠIn tr", "F air", "ĉ pt", "Ġacompan h", "Ġf kk", "_r pc", "Inst alled", "_ ans", ".get Minutes", "âĢ¦ \"ĊĊ", "- thread", "Ġpres chool", "AIL S", "Ġdiff ic", "( convert", "ĠN ath", "ĠDO J", "Ġreg imes", "Ġenthusi ast", "Ġwarrant ies", "Ġfasc inated", "_b inding", "_N ot", "oft en", "_R W", "/m ail", "Ġtitle Label", "Ġvill agers", "ĠJ iang", "Ġsw agger", ".Row Index", "_img s", "rap y", "VER AGE", ". Up", "Ġno op", "c io", "ĉ ST", "Ġdecre ment", "Ġmagn esium", "_ rotate", "S it", "Ġnieu we", "Ġter med", "íķ ©ëĭĪëĭ¤", "Ġur g", "_t ouch", "Ġsw arm", "Ġcl ave", "th est", "ĠL af", "H X", "ĠH ulk", "Ġplaint ext", "ĠSof a", "get Session", "L ed", "Ġecosystem s", "he i", "ĠK ills", "Ġhus bands", "Ñħ ÑĢан", "(d om", "_t iles", "Nib Name", "Ġdon ating", ". acc", "Ġlifes pan", ".b n", "_RG CTX", "æ ¥", "ans en", "Ġmod elling", "Layout Params", "ĠonChange Text", "rs a", "- location", ".P e", "(b us", "(s ong", "Ġprodu k", "ĠSH OULD", "ĠC J", "Ġs os", "ĠHome Controller", ".load ed", "(D ocument", ".s ocial", "t iles", "Ġl ame", "= df", ".parse Long", "Ġpr ac", "Ġdet ox", "ĠV E", "Ġpunt os", "Ġdo ctr", "Ġan cor", "CA PE", "Ġc mb", "çĦ ¶", "*) \"", ":// /", "Value Type", "Ġmort gages", "; q", "ĠRock ets", "s port", "UG C", "ct s", "ãĤ ģ", "ie ur", "ĠAppe al", "(n b", "//////////////////////////////////////////////// ////////", "IM ATION", "ĠC res", "ĠMan ip", "C ause", "at ypes", "man ufacturer", "# ----------------------------------------------------------------------------", "Ġsp or", "es on", "Ġpun ched", "Ġbook marks", "ĠBul k", "Complete Listener", "ĠTalk ing", "ĠEr nest", "Ġrub bish", "k ills", "ĠDE FIN", "Ġneighbour ing", "ar lo", "ĠP CA", "ĉm atrix", "lo k", "Ġat las", "ĠG ur", "Ġw yn", "-n egative", "Ġt ul", "Ġre lic", "ĠV oltage", "ĠPre is", "ĠJ NICALL", "ĠPM ID", "ak et", "ĉ attr", "Ġet iqu", "ĠM J", "ĠG mail", "cl r", "_exec ution", "éĶ ®", "pos itor", ". af", "N r", "Ge orgia", "Top ology", "Ġperch é", "Ġmus lim", "Ġepid emi", "Ġsab ot", "act us", "Ġë ĮĢ", "ĠIO Error", ". est", "p refs", "ĠKr ish", ".Read Key", "NAS A", "u ção", "_D b", "umer ator", "W ide", "(st atement", ".end point", ".... .....", "Ġ[ *", "stream s", "m time", "P x", "at r", "Ġt pl", "R oman", "Ġscen ic", ".n z", "ĠSe conds", "sub menu", "Ġìĭ ¤í", "_b undle", "Ġde ÄŁ", "ĠS isters", "pre ferences", "Ġport a", "Ad visor", "max Length", "ĠG REAT", "__ (Ċ", "ole st", "ĠLabel s", "Ġen fer", "ĠĠĠĠĠĠ ĊĊ", "ĠThe ft", "_F ILL", "ĠW ise", ") application", "un ami", "> ())Ċ", "ADD RESS", "B ST", "et zt", "ĠQ gs", "S ense", "Exception Handler", "ĠCh u", ".get OwnProperty", "Ġexerc ised", "iot ic", "ĠRe leases", "Ġp interest", "ol ie", "is oft", "Ġsequ encing", "Ġpad re", "] ));čĊ", "(r adius", ".m ed", "aint ies", ".Object Model", "Ġem ple", "Ġseg uro", "St ars", "Ġqual itative", "lem n", "á» ±", "> \").", "Ġg x", "-c ert", "ĠAST M", "Ġfull name", "Ġte lemetry", "ĠCamb odia", "_ ul", "ĠCl are", "C USTOM", "Q C", "ĠUn s", "ĠHTTP S", "ĠPark inson", "ancy box", "',' .", "T ue", ".get Last", "Ġab i", "Äħ d", "A st", "ĠEd iting", ".Un ity", "j mp", "Ġm ats", "Ġshared Preferences", "Capt ain", ".page Size", "Ġr tl", "Ġan meld", "Runtime Object", "Ġdemand e", "(\" ;", "se ite", "-head ed", "ĠK ra", "ĠF ONT", "` \\", "Class NotFoundException", ". avg", "atic al", "A j", "Ġpermit ting", "Pro j", "ERR Q", "Ġcre ampie", "ĠBuy er", "-mod ules", "ĠSund ays", "| `Ċ", "Ġday time", "Ġ+ (", "Ġgl itch", "ĠOper and", "Ġtox ins", "iny a", "D NS", "ĠS as", "C ake", "ĠNation als", ".add To", "Ġs inking", "Ġcompreh ension", "Ġsc or", "ag ements", "Ġt ard", "Ġmarch ing", "ĠM TV", "Ġs ane", "Create Info", "Ạ¯", "Ġend Index", "ĉ layout", "ĠåIJ į", "S ITE", "ĠT HERE", "Ġ[ {'", "opath ic", "Ġtrans mitter", "/ body", "Ġp und", "ĠC losing", "Ġset attr", "Ġbound ed", "At las", "sum ing", "(t imes", "par er", "yn om", "fe it", "Ġf rem", "- leg", "ĠBr as", "> #", "Ġì¶ ľëł¥", "ĠIN STANCE", "ĠC ouch", "_host s", "lik elihood", ".M arker", "ĠM asks", "Ġcere al", "util ities", "Ġelement al", "Ġdist orted", "in active", "c ry", "W L", "UPPORT ED", ".Th rows", "/s chema", "ser ie", ".\" ',", "ĠBened ict", "-p icker", "ig gs", "ĠPir ate", "åij¨ æľŁ", "ĠTh ema", "ĠSouth ampton", "Ġarray With", "ĠPaul a", "Ġpredict or", "- Ass", ".user id", "Ġper i", "Ġexagger ated", "ur ate", "arse ille", "ĠCon cent", "ĠP ik", "Ġ@ _;ĊĊ", "Ġform ations", "Ġden omin", "\"/> .Ċ", "ended or", "Ġpan cre", "Ġam t", "Ġon Resume", "on Delete", "ĠB CH", ") (\"", "m ovement", "Ġpot assium", " čĊčĊ", "ĠMah m", "} \";ĊĊ", "Ġd q", "ĠPublish ers", "ĠAm pl", "ĠDani elle", "Ġt ern", "èµ ·", "no ÅĽÄĩ", "e in", "ĠAsync Storage", "un ger", "rou w", "Ġsc issors", "/ assert", ".b ucket", "/ archive", "_M an", "Ġint oler", "Ġ() =>", "ĠÐĴ Ñĭ", "Ġsa i", ".x y", ".\" čĊ", "Ġur inary", "es ub", "IST ICS", "ĠÎ º", "Ġcompl iments", "Ġtypings Japgolly", "ih ar", "Exp ansion", "ĠS erving", "_st udents", "ĠX BOOLE", "( il", "Ġì² ĺ", "Ġj ó", "(t ol", "( JS", "ĉC G", "ĠD RAW", "tw ig", "Ġo at", "_sm ooth", "ĠC SL", "Ġos ob", "Ġens uing", "Ġbank er", "ĠBack pack", "_p ing", "Ġwish list", "= ax", "ĉĠĠĠ Ċ", "Dis ney", "stead y", "\"> %", "Ġproph ets", "ĠZ X", "Ġminimal ist", ".PL AIN", "Se attle", ". ordinal", "ĠPI PE", "Ġret orna", "Ġjug ador", "ĠB ret", "ĠâĶ ľ", "Ġpl ush", "UL ATOR", "Sort ing", ".grid y", "ect omy", "_ activ", "r ack", "Inter active", "ĠAntar ctica", "Ġv engeance", "en so", "_k nown", "up plier", ".Mod ules", "ĠConnection State", "éļ IJèĹı", "@ FindBy", "Ġpl acer", "\\ model", "< ()>", ".is Successful", "-g ood", "b z", "ĠDr aco", "Ass istant", "-ex tra", "аб лиÑĨ", "Ġhyp ocrisy", "Ġt st", "ĠA gr", "$ txt", "Ġlog istic", "lic ensed", "ĠH of", "Ġt at", "( iv", "Ġinto xic", "post Id", "_st rike", "Ġhum iliation", "pc odes", "\" sync", "(rec ipe", "+ N", "rent e", "ĉ Client", "ycop g", "ĠZur ich", "ĠPro files", "C ountries", "Ġp ict", "Ġroll out", "requ encies", "Ġpatch ed", "Ġcar tridges", "Ġsh ading", "J ar", "Ġsalv age", "ĠTax es", "Ġstand by", "apor an", "E igen", ". angular", "ĠN ested", "äº «", "Ġis Visible", "ĠDw ight", "_BR ANCH", ".D elay", "Ġk end", "Ġfacilit ated", ".flat Map", "Ġs anta", "ĉS end", "/m essages", "Ġof Type", "ĉs wap", "# plt", "ĠTur ks", "N ES", "Ġprogress ively", "ĠRes idence", "ĠT REE", "Ġno en", "d io", "Ġn elle", "Ġsog ar", "itt i", "week ly", "Ġambigu ity", "_Set tings", "W are", ".ne o", "_D ST", "Ġæĸ ¹", "pre p", "lob by", "@ email", "/m ovie", "Ġfun kc", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ Ċ", "ÂŃ s", "Ġguard ians", "- pos", "Ġconfig uring", "ĠC PS", "ĠDe us", "Ġvidé os", "_ empresa", "Ġsl apped", "< Model", "Ġunders cores", "U h", ".access Token", "SET S", "ĠS parse", "ĠCal d", ": path", "ĠS ervers", "= batch", "Ġkn itting", "Ġx a", "Ġsearch Bar", "Ġsn ag", "Ġinf used", ".b am", "le ver", "Ġtax onomy", "à İ", "Ġatt aching", "Ġh ern", "_N OP", "Click able", "(P arse", "ĠDynam o", "-b uilder", "Ġdere g", "Ġsc attering", "è¿Ľ è¡Į", "an zi", "ĠShe pard", "\"> ',Ċ", "_X DECREF", "ĠBuzz Feed", "_M ARGIN", "P LOY", ".sm all", "Ġm imeType", "Ġh olog", "ĉc amera", "li as", "Ġsusp ense", "ody nam", "b au", "Ġgrave yard", "_n amed", "\":\" '", "Ġ******************************** ****************", "Ġgame Over", "ĠLENG TH", "ĉs creen", "Ġdo InBackground", "_depend encies", "Ġr tc", "/ up", "_ ROM", "H all", "Ġdef iciencies", "( te", "' #", "_e quiv", "Ġpre order", "ĠA xe", "ом Ñĥ", ".send File", "Ġfil t", "ĠLim its", "ĠCaval iers", ".dis count", "âĨ IJ", "ĠW it", "QRST UV", "Ġi j", "Ġt egen", "Ġ: \",", "diff iculty", "p unkt", "ĠEmail s", "ch lor", "(f un", ".U int", "ĠSt all", "_ verified", "u D", "File Type", "Ġple asures", "Ġjud iciary", "Ġsh am", "ip ur", "_PL US", "off ers", "( foo", "_G T", "ĉc ore", "ENT ION", "ĠLib eration", "Command Line", "_de partment", ".A r", "_ne ighbor", "ĠSub mitted", "ĠĊ", "Ġdro its", "Ġhomosexual s", "Ġab duction", "ĉw idget", "$ headers", "ĠD AR", "Ġfl a", "th reat", "Ġlou is", ".Get Property", "\" Just", "(f rames", "ry o", "prof ession", "| i", "íķ´ ìĦľ", "(s v", "Ġun recognized", "I onic", "F ashion", "Screen State", "ĠIn coming", "Not Nil", "Ġsync ing", "em ie", "Ġtherm o", "_pro cs", "Ġincons istency", "rel igious", ".m j", "Ġperson n", "Ġmoment os", "or arily", "Ġæ Ĭ", "_ne urons", "Ill ustr", "im oto", "il ik", "ĠW oj", "Tr ading", "Ġapp are", "Ġentre prises", "ach at", "Ġ ¬", "Ġne igh", "BUTTON DOWN", "ĠMah er", "ag han", "-h ash", "\" f", "Ġclient ele", ".add Button", "ĉ SP", "Q i", "Ġgr ated", "POS ITE", ": >", "ĠHow ell", "ĠCompar ative", "ĠIS C", "ÂŃ i", "O cean", "D avis", "ĠFil me", "W ins", "ĠJ IT", "oc cer", "ĠC orm", "ENCH MARK", "rch ive", "ica ção", "Ġm ata", "Ġchild birth", "ĠOption ally", "En s", "Ġx http", "Ġel ucid", "_Osc InitStruct", ")) ):Ċ", "Ġint uit", "ĠDon ate", "Ġcorrel ates", "> Delete", "Ġequ ipe", "Ġb oca", "Ġinfl atable", "er ah", "ĠDateTime Kind", "Ġcal ves", "\\ Lib", "Ġem lrt", "ĠTr ilogy", "ĠP anc", "ĠD uis", "ĠpelÃŃcul a", "WAR DS", "_DE TECT", "-section al", "dh cp", "For Row", "-de struct", "ĠPres enter", "/s lick", ", on", "ĠCit adel", "logged in", "_sub type", "Ġsig ue", "Ġc uring", "ĠFire wall", "Ġfluores cence", "ĠItal ians", "иÑĤ ÑģÑı", ".get Style", "In Seconds", "j ie", "-S mith", "Ġx link", "Ġsub missive", "он ÑĤ", "arbon ate", "ĠF aul", "_go als", "ĠCommission ers", "chart Instance", "_POST FIELDS", "Ġmed ial", "Ġman os", "Ġdel t", "sv m", ".Ap is", "ep hy", "Ġasym pt", "Ġapp Delegate", "Ġimpro bable", "ck a", "sim d", "/ Error", ". âĢĵ", "ĠP TS", "de er", "Ġs ina", "m agnitude", "ID ADE", "'] }'", "Ġmay ores", "ĉ comment", "/ console", "\" @", "v olt", ".s ell", "ĠM acy", "Ġmel od", "Ġim ágenes", "_ch g", "Ġin out", "ident e", ") '),Ċ", "d ni", ".b lob", "Ġtyp ography", "Ġe erie", "_O ID", "pes an", "aj an", "Ġch opping", "Ġbl uff", "ad f", "_b ases", ".Form atter", "Ġ\\ %", "ĠPage Info", "Car rier", "ĠCal ibration", "com o", "-b odied", "Ġfinanc ier", "ĠIN A", ". ERR", "Ġhood ie", "ĠSan ity", "gu arded", ".opend aylight", "ISM ATCH", "High lights", "ün k", "ani em", "anger ed", "assign ments", "Ġregistr ado", "ĠU PPER", "ampil kan", "ash ire", "ĠNik ola", "ĠC FL", "ĠH DC", "Ġp oids", "ĠIP s", "Ġprevent ative", "ips oid", "if ix", ".c amel", ".g a", "V olumes", "- ste", "Y ahoo", "_s ibling", "H ighest", "opt group", "Ġkvin na", "âĢĿ ãĢĤĊĊ", "ĠAppl iances", "Ġ\" ><", "') \")Ċ", "ht t", "ĠIdent ified", "Ġpenc ils", "Ġmember Id", "Ġappend String", ".load Data", "Ġmock Mvc", "Ġj ub", "ĠSl ut", "ĠTai pei", "st att", "Pol it", "Ġpart ager", "Did Change", "Incre ases", ") }.", "ĠB aba", "_CL IP", "[ unit", "Ġк лÑİÑĩ", "Ġalc uni", "ĠL ola", "Ġcl inging", "@ PostMapping", "(con cat", "Ġss id", "ĠFa uc", "ok it", "ĠRecord ed", "á lez", "($ ('<", ".assertIs Not", "Ġk ali", "V olt", "Ġwarm ly", "Ġsca res", "get ti", "füh rt", "_d oes", ". EMAIL", "im ations", "Ġspring fox", "ĠDec om", "arc y", "Ġgl itches", "ĠM off", "ĠV oll", ".b etween", "Ġcoord en", "ĠPart icularly", "GB P", "Ġsem ble", "East ern", "_M SB", "]) {čĊ", "m organ", "ĠE VAL", "d ere", "HO USE", "mo ire", "ist ique", "_l stm", "-com mit", "yster ious", "Ġtw ink", "-th umbnails", "en ÃŃ", ":' ',", "Ġblack out", "ĠFlo ors", "Ġso fas", "Ġou i", "lesh oot", "ĠRa q", "- abs", "Ġk ra", "M ining", "sha ft", ".set Columns", "Cl azz", "PRE TTY", ".play list", "éĸ ¢", "-Sah aran", "M ING", "ĉ bl", "è® ®", "j f", "DO CKER", "hope fully", "( ignore", "ĠUsers Controller", "ĠMitar beiter", "ĠL ES", "Ham ilton", "-m etadata", "ĠK K", "ikt ig", "Ġwoll te", "egr ator", "] bool", ", current", "Ġvalue Type", "Ġexcav ation", "ol and", "Ġv erv", "/file path", "Auth Provider", "Ġpro crast", "ĉ ULONG", "_MEM BERS", "Ġup lift", "ĠAut onomous", "Ġart works", "ĠOut reach", "Ġp ore", "Home page", "Dialog Title", "ĠGener ating", "PAR SE", "Ġsem anas", "Ġhuman o", "JSGlobal Scope", "Ġvol te", "Ġb ella", "(is instance", "Ġpl c", "\\C atalog", "Ġeste emed", "éĽ ·", "(s uffix", "Ġswe eps", "ĉ ORDER", "Ġdo ivent", "ĠSw arm", "ĠComp iled", "get Page", "AD R", ".R ichTextBox", "ĠN aming", "ag ged", "ĠG ANG", "r asing", "ode led", "Ġg ala", "ĠJS Name", "dd f", "Ġill ust", "ĠLans ing", "[ port", "-de ath", "Ġdin heiro", "ĠE ighth", "Ġb ian", "st Ã¥", "Ġvers ión", "ĠLinear Gradient", "ĠHard ing", ". *)", "ec zy", "$ header", "Ġv Ã¥r", "Un checked", "Ġko je", "ĠPal adin", "() )),", "G iving", "() })Ċ", "Ġd ips", "F riendly", "Ġport rays", "Ġhel ium", "Ġinsurg ency", "_ex piry", "ĠstringByAppending String", "Ġa antal", "s lope", "m ast", ".get Integer", "Ġ################ ########", "_PIPE LINE", "Ġdens ely", "Ġmut ating", "m idi", "ĠSe it", "ay ne", "NOW LED", "ĠDes mond", "ĠF Name", "ĠN airobi", "\\ Context", "Ġcalc ular", "-d en", "Ġc ott", "] ):čĊ", "ĠRecommend ation", "ĠRole x", "Ġvalidation Result", ".p at", "Ġn Ãły", "ĠRest Client", "ĠG PI", "ĠAshe ville", "ĠO SP", "ĠPER MISSION", "ÐĶ аÑĤа", "/ notification", "K night", "_W ord", "ĠB ender", "rank ing", "Ġpart ida", "_res ervation", "Ì Ģ", "Ġm Name", "Ġget ch", "Ġb orr", "Ġdilig ent", "Disc uss", "æŃ£ åľ¨", "ape ake", "ion ed", "-N azi", ".c um", "ĠK ron", "=$ ('#", "/s ingle", "Ġerot isch", "ĠV ib", "Ġrat ified", "Ġconcert ed", "ĠREG ARD", "Ġdo br", ".Driver Manager", "' r", "Port able", "ĉs uite", "Ġrel aciones", "ĠD op", "emplo i", "DO B", "Ġcr umbs", "Ġx ls", "_App lication", "(': ',", "Ġ---------------------------------------------------------------- --------Ċ", "m se", "Ġber k", "ĠReturn Value", "ĠBel ly", "Ġcam ar", "ĠPe ek", "els ing", "Ġnot ifies", "ĠTr istan", "ĠG AR", "em me", "ĠElev ated", "_C SV", "(ch alk", "Ġtw enties", "ĠSearch Result", "= search", "ĠMix ing", "ý t", "Ġrecru iter", "ĠIDE OGRAPH", "ĠA go", "( Operation", "$ values", "Ġworld ly", "ĠRosen berg", "ĠConfigure Services", ">* Ċ", "Ġsn ork", "_op acity", "ĠinitWith NibName", "i ado", "A AC", "Ġ] ).", "; z", "_par agraph", "Ġnos es", "stand s", "if r", "_m E", "I raq", ".P redicate", "ena ire", "]] ];Ċ", "Ġun idad", "Ġretire es", "_h ello", "Ġmode le", "ĠUIT ableViewController", "f write", "_num ero", "_vis ited", "Ġrece be", "( Notification", "Fant astic", "_sub menu", "ĠP EM", "ĠCup ertino", "approx imately", "class ed", ".Read String", "Ġdomic ile", "_P W", "Ġball park", "ĠK ale", "con tra", "_f avorite", "/ of", "Qu ite", "ĠOT A", "Ġacceler ometer", "did n", "| ^", "ĠRohing ya", "ivic rm", "ann abin", "обÑĭ ÑĤи", "or ado", "') +", "Ha unted", ", ID", "( UIAlertAction", "ur v", "_b el", "ĠMex icans", "/ terms", "ĠPaint er", "Input Label", "ĠV inci", "ĠRos ie", "\\ uc", "< Menu", "Ġcool ant", "(current User", "_d ual", ") \"},Ċ", "& p", "Ġconver ged", "Ġrestr ain", "ĠYugosl avia", "= target", "Ġimp uls", "ds a", "Search Tree", "Ġh box", "ĠImp ress", "§ Ãĥ", "get FullYear", "(d a", "ĠY YS", ".al ignment", ".Get Text", ".token ize", "ĠOlymp us", "Ġmur ky", "ore station", "Ġdiss atisfaction", "ĉT Array", "_ kses", ".Add Singleton", "ĠStart Time", "Ġfan atic", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĉ", "Ġentity Type", ". override", "Ġ -------------", "ĠDat agram", "f out", "(with Id", "Ġ# __", "Ł èĥ½", "ek yll", ".f riends", "ame leon", "Ġz ach", ".simple Button", "ret orno", "Ġkon k", "/s mall", "ĠQuick ly", "un read", "Don ate", "Detail View", "Ġdu a", "Ġpenetr ated", "OM UX", "Ġn ir", "_p data", "\"], [\"", "Ġlow es", "Ġdop ing", "Ġas ymmetric", "Ġneed less", "our cem", "Ġup ro", "ĠGu zzle", "af b", "Ġsext reffen", "-c ollar", "Ġcol ossal", "Mon key", "n ish", "Ġhandle Message", "Incre ased", "* dx", "ĠChatt anooga", "f org", "ĠOr den", "Ġsh ri", "ĠV and", "Ġ\" @\"", "Image Sharp", "ĠWild cats", "pon ible", ".sc enes", "Ġpaint ers", "ĠPf izer", "ĠZ ah", "To Local", "ĠFl am", "Ġé taient", ")) ^", "ĠSand box", "ĠTR ADE", "Ġchrom ium", "Ġac claim", "Ġpac man", "´ t", ") reader", "M ari", ".Dispatch er", ".A DMIN", "ĠRem ed", "Sw eden", "Ġoverl ays", ". er", "Ġp ang", "Ġclean ly", "aven port", "Toy ota", "patch es", "Ġv tx", "ĠE is", "cl ado", "ĠR itch", "RO LS", "Ġh ade", "Ġconspic uous", "Ġdo cks", "(j q", "ĠPrem iership", "ĠBe z", "ĠâĦ ĸ", "ĠÑĥ Ñģл", "_tot als", "Ġprov a", "ĠC ue", "Ġsa úde", "ĠGame Controller", "IM IZE", ", port", "ãĢĤ (", ".C decl", "Instant iationException", "Ġcoll age", "ĠIO C", "Ġb ais", "Ġon Finish", "-st ars", "set Size", "Ġmog ul", "Ġdis illusion", "Ġche vy", "(S chedulers", "( IR", "_loc s", "Ġcann ons", "Ġcancell ing", "/b us", "Ġbuf io", "ĠY ours", "ĠPik achu", "Ġter me", "r Ã¥", "f ahren", "Ġowner Id", "Ġoblig atory", "Ġcul p", "Ġacid ity", "-m ult", "ĠBam boo", "Ġ' \">", "_g s", "Ġcomp il", "n ard", "-ex c", "Ġrh yme", "Ġbut to", "s ays", "ant asy", "ë ¸", "Ġcitt Ãł", "Ġche g", "Time String", "Ġpos itivity", "ĠD abei", "Ġw ang", "Ġes cre", "\" c", "ĉv ideo", "ĠRank ed", ".str ings", ">> >(", "Ġин ÑĤеÑĢ", "Ġrest a", "[: ,:", "Ġrend re", "Ġdes er", "J os", "Ġdis ruptions", "Ġоп еÑĢ", "s ampling", "sup press", "Ġcontainer View", "ĠSeam less", "Ġair y", "Ġon load", ".Window Manager", "ĠPL A", "br aco", ".set PositiveButton", "Ġp du", "Ġg si", "ĠC li", "_gr adients", "Ñı д", "ĠWh isper", "c stdint", "Ġl äng", "Ġform ulations", "én om", "ourn emouth", "[$ _", "Ġordin arily", ".set Username", "Ġfacult ies", "MIT TED", "/ values", "Ġwe ir", "ĠA pt", "M Z", "ĉc f", "uck en", "ĉĉĉĉĉĉĉĉ ĉĉĉĉĉĉĉĉĉĉĉĉ", "def ense", "[i Var", "ĠBusiness Exception", "Select ors", "(co ordinates", "ĠRes ets", "ĠDr inks", "ole ans", "(st ypy", "_IO C", ".x xx", "ĠSl ater", "ĠBel ize", "Ġ/ ************************************************************************", "add in", "_ep isodes", "Ġis chem", "legal ArgumentException", "D anny", "Ġp ared", ".code haus", "ĠAss y", "ĉ Rect", "â ŀ", ".list a", "Ġв аÑĪ", "Ġv ets", "HW ND", "ison er", "Ġx o", "Ġor ally", "ĠSt mt", ".r nn", "ĠD PI", "ĠStr ikes", ".setViewport View", "Ġèĩª åĬ¨çĶŁæĪIJ", "Y ELLOW", "GL enum", "part ners", "ĠImp licit", "Ġtak o", "âĢĻ elle", "Ġerm ög", "total Count", "G il", "ĉ work", "Ġpr atic", "in ati", "ab ies", "ĠSk inner", "Ġspir ited", "Ġpancre atic", "Ġh df", "' em", "Ġpsych osis", "olic it", "Ġ\" {\"", "_at ual", "Ġé lect", "TE AM", "Ġd ak", "ĠSW AT", ".Fragment Manager", "Ġprovision ing", "l ifetime", "_EXTENSION S", "ĠC ASCADE", "Ġ! [", "(K P", "Ġv em", "ĠInterr acial", "'] },Ċ", "sp acer", "_k v", "W arehouse", "R DD", "_f sm", ".Stretch Image", ", Yes", "ĠRefuge e", "ĠBr inging", "Ġv álido", ".inter section", "Ġsp ooky", "_port al", "Ġmo th", "ĠZ odiac", "ĠSOC IAL", "M imeType", "'] }}", "_Bl ue", "Ġbot anical", "Ġfr ags", "Ġfamil ial", "- du", "Ġse izing", "(block s", ".r d", ".check NotNull", "Ġmis er", "Ġmax x", "ĠK nee", "View Item", "Inner HTML", "D anger", "(( __", "Ġprz ypad", "create Url", "** ,", "ĠDecor ating", "ATEG Y", "?> /", ".Design er", "hex digest", "ĠEvery where", "all eries", ".TEXT URE", ".Block s", "z ell", "Ġpre ço", "S uddenly", "input Email", "(s ync", ".b d", "gold en", "> ');", "ĠDick inson", ">> (Ċ", "ĠQUE UE", "Ġget Column", "ĠS AND", ".p iece", "lic er", "Fl utter", "Ġget Version", "Ġresource Id", "og l", "ÅĤ aw", ".Br anch", "ĉ web", "Ġfr amerate", "PP P", "Ġfr ay", "C NT", "Ġinformat ie", "'] čĊčĊ", "ne as", "Header Code", "Ġæ ¸", "Ġtr g", "raw types", "H onda", "Ġmark eter", "Ġrequest Data", "ĠP g", "ĉ not", "Ġpage Info", "Ġakt uellen", "ãģķ ãĤĵ", "ĠA MS", "push ViewController", "ĉ AL", "Ġv ests", "produ ce", "-m ême", "ĠRah man", "F unny", "E Z", "_ Valid", "Ġsquad ron", "Ġl ash", "Ġ irm", "ias co", "ĠPar an", "Ġpet ites", "ĠDec ay", "Ġun initialized", "priv ileged", "Ġm bedtls", "å¤ĩ 注", "Ġ^ .", "Ġec static", "D etroit", "Ġpart en", "Ġsou venir", ".get Login", "моÑĤ ÑĢ", "en ção", "ĠmÃŃn imo", "ĠAccess ed", "ri ó", "M ic", "ĠV ocal", ".Set String", "Ġmens ajes", "åĢ į", "Ġattr avers", "ĠA ph", "Ġ' );čĊ", "ünd e", "Ġench anted", "ĠRoot State", "ĠCLOSE D", "ĉĉĉĉĉĉĉĉ čĊ", "Ġcal iente", "or ris", "Ġphysic ists", "h wnd", "_v i", "Ġráp ido", "Ġcapital ized", "ed By", "Ġmach ining", "Ġhub by", "ĠSt acy", ".B us", "dr ink", "H ur", "Ġprop ia", "Unit Test", "Ġmiscon ception", "__ ));Ċ", "/d c", "ĠMay weather", "_m C", ".create From", "ĠQ Painter", "rops ych", "inn itus", "ay as", "Ġg eg", "(d w", "Ġus ado", "Ġtrick le", "Ġann ihil", "ĠP asta", "Ġ++ Ċ", "(Expected Conditions", ".post Value", "ic ap", "ĠDon etsk", "_s oup", "-p ublish", "ĠP b", "ment ions", "AC CEPT", ".P ull", ",âĢĻ âĢĻ", "Ġret arded", "_AT OM", "ĠTermin ator", "-c ourt", "ĠCLLocation Coordinate", "Ġrever ence", "ĠS SC", "ut ely", "ĠW ON", "ĠG SL", "fre i", ".get Longitude", "Ġopen FileDialog", ".B utter", "- important", "_M ANY", "ĠG ong", "âĢľ How", "Ġg orge", "= msg", "ĠEz ek", "create Command", ": checked", "Ġinf ographic", ".W EST", "Dir s", "Ġguard a", "Ġbeet le", "< small", "- android", "Ġcred itor", "ĠM éd", "Ġfinal ist", "Ġab l", "ne v", "_inter action", "ĠMonter ey", "j ah", "Ġcand ies", "ĠQu incy", "èª Ń", "Ġbatch Size", "ak it", "Ġo be", "(p ara", "Ġexperiment ed", "Ġcouncill ors", "Ġcl ashed", "s qu", "-st rokes", "ĠG K", "ĠEx pires", "Ġprosec utions", "ĠCreat ures", "Ġy ö", "x lim", "_IM P", "Entry Point", "ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ", ".Default CellStyle", "Ġbre ve", "ĠBrit ann", "Ġsweat y", "Ġle th", "Ġflash back", "per manent", "ĠJ DK", "_D etails", "E uro", "p pt", "Ġrich TextBox", "/ board", "Ġtr ance", ".c ycle", "'); \");Ċ", "Ġtox in", "_de init", "Ġover arching", "Ġconfig parser", "ĠKaw asaki", ".th umb", "Ġplay a", "ĠJose f", "+ _", "Ġzero es", "Ġa up", "ĠH ari", "comm itted", "N it", ".file Path", "ĠDis abilities", "man ufact", "-al igned", ".RE SET", "Ġrust y", "E y", "Ġou sted", "cos a", "Struct ured", ".get D", "Ġs ábado", "> Loading", "_m A", ".get Random", "bl ings", "Ġchees es", "tt i", ". âĢ¢", "ĠBurg ess", "ender it", ". ',čĊ", "(\" \"+", "ac b", "% p", "index ed", "_pred icate", "nes ia", "Ġb ied", "ĠC IT", "( Pos", "_r adi", "ä»· æł¼", "B iz", "ĠAdoles cent", "Ġvi ên", "c ycl", "_C ancel", "Ġcon clusive", "Ġappell ate", "inform atics", "S J", "Ġelect ive", "role Id", "Fetch er", "ĉ Command", "(\" (%", "Ġf art", "IL A", "get Block", "A USE", "Ġд ан", "ĠAr te", "Ġnot ifying", "Ġge le", ".s ame", "ĠReg el", "ĠBa ÅŁ", ".c reation", "ĠV N", "_comm unity", "Ġuns ustainable", "SE X", "Ġgrid Size", "res cia", "avers able", "(', ')[", "ĠPh elps", "á»ķ i", "ANCE LED", "- IS", ".run ners", "ĠSt okes", ".P rodu", "Ġwh ipping", "_ac quire", "Ġinvestig ación", "f ried", ".copy With", "ĠHard cover", "- Se", "áŀ¶ áŀ", "inv itation", "les ai", "ĠD orm", "ĠÑģпиÑģ ка", "Ġconcaten ated", "oph il", "Ġthink er", "/font awesome", "ĠLe opard", "Ġ\"/ \");Ċ", "Ġresidual s", "ĠMic rowave", "Ġconform e", "th rop", "Ġdis emb", "ĠO MG", "ĠDisc ipline", "ĠAc robat", "/re pository", "df a", "_M ED", "buf io", "Ġméth ode", "_H OLD", "ias i", "_ legacy", ") ččĊ", "æ£ Ģ", "Get ProcAddress", "Ġy ay", "ot ence", "order id", "-t w", "Ġdear ly", "In coming", "/ il", "Ġneu rop", "uc z", "); čččĊ", "ĠInnov ative", "Ġprof und", "ig mat", "Selection Mode", "re levant", ".G O", "Ġbru ises", "Ġs ach", "ode f", "Ġre imb", "/d esktop", "-s pot", "und ance", "Ent ropy", "\\ core", "Ġsug er", "ĠM vc", "ĠGN OME", "_ind x", "ĠYY STYPE", "ĠMat lab", "ĠC IF", "Ġ* ))", "Ġproduct List", "ĠAl right", "ac emark", "ÑĤи в", "mod ification", "int ernational", "Ġhom ers", "Ġdict s", "ĠQ Font", ".SQL ite", "Ġtransplant ation", "ĠMessageBox Button", "ĠEl ves", "'] ])Ċ", "(Q Icon", "Ġcin emas", "CO ORD", "- China", "Ġkh ẩu", "æĪij çļĦ", "Ġskull s", "Ġpain staking", "f ce", ".XR Label", "Ġspec ifier", "Ġpref erring", "/ activity", "( Photo", "á lt", ".l ot", "' '.", "ann once", ".google code", "-p df", "ĠP oke", "_A CL", "Ġend owed", "dis cover", ".om g", "Ġwood land", ".M agic", "Ġvol ont", "Not Allowed", "Ġch ave", "BM W", "',' =',", "ĠS IX", "æĪij 们", "Ġkos her", "Ġaspir ation", "int l", "_ref ptr", "'+ Ċ", "ment or", ".cl ub", "Window State", ".A RR", "Ġz za", "Ġmessage Type", ".e qu", "Th or", "Ġin just", "Ġg ums", "Ġborder Side", "//// /", "ĠTrans mit", "Ġbuf size", "Ġh ak", "Ġell as", "R ANDOM", "ĉm c", "Ġpe a", "ek o", "document o", "Ġhyster ia", "Ġaren as", "Ġgun men", "Ġm ike", "Ġimp unity", "atis ation", "_Z ero", "_COMP ANY", "ĠG ors", "Ġuse Class", "( redis", "ĠRUN NING", "ĠB air", "vel te", "Ġ',' .", "аÑĤÑĮ ÑģÑı", "ö st", "encode URIComponent", "_re strict", "Ġdec als", "ĠPed ido", "Ġalter cation", "Dis plays", "ĠApp licants", "C US", "Text area", "ĠAng ola", ".f uture", "ĠUS HORT", "Ġsuppress ing", "Ġset zen", "AP olynomial", "Ġto ch", "Ġhall mark", "Ġ$ $$", "ĠCHAR SET", ".r pm", "ĠD ich", "---------------- ----", "_p arm", "è¿ ĺ", "acc iones", "h ait", "WAR DED", "_r outing", "ĠN OM", "Ġen clave", "ĠLot to", "ĉf r", "complex Content", "ĠBall ard", "k ube", "/w in", ".getColumn Model", "_RE PLACE", "Header Value", "Ġest udiantes", "Ġap is", "Ġb pm", "ĠType Name", "And Get", "rit a", "Pl ans", "> Note", "Ġfet isch", "Ġton ed", "_g oto", "ons ense", "Ġm olds", "Ġinfiltr ation", "ĠGuerr ero", "ub bo", "ck i", "($ (\".", "_ activities", "(ch anges", "Ġof App", "ĠKe pler", "ĠD emp", "ĠCont inent", ".T icks", "ĠUn signed", "ĠJah res", "Ġfresh men", "ĠArch ived", "ĠкоÑĤоÑĢ Ñĭй", "Ġ' ::", "T utorial", "C c", "Ġtable LayoutPanel", "from Json", ".level s", "_trans ient", "Ġendors ing", "ĠD IC", "la uf", "Ġsh red", "_E MIT", "ific antly", "AL A", "/ proto", "Ġnarrow ing", "U tc", "Fact ors", "Ġsent ient", "æŀ IJ", "lix ir", "ĠC ROSS", "met eor", "Ġgro in", "Ġm db", "ĠRot terdam", "Ġcom ida", "ĠOp Code", "ĠDefault Value", "Permissions Result", "Ġheter ogeneous", "Ġm oot", "Ġde ceived", "-in dependent", "ĠObject OutputStream", "Ġover power", ".d up", "Ġl db", "Ġdomest ically", "Ġbest ellen", "Ġlo v", "ĠContract ors", "Tri angles", "Ġfod der", "Ġfilm es", "ä¼ ģ", "Ġrev olver", "Startup Script", "/ validation", "ĠResource Type", "i ÅŁ", "ĠL az", "f ef", "Ġlst m", "{ *", ". attachment", ".h its", "ew ith", "DO G", "Al abama", "Ġmedium s", ".m Context", "-c ols", "åı ĭ", ".not ice", "Ġat tn", "ĠP acking", "ĠL n", "_COM PLEX", "/ Users", ".sav etxt", "ĠR ounds", "?,?, ?,?,", "Ġing l", "ĠR OC", "_f emale", "ĠSt ard", "]] ;", "Ġwrest lers", "Ġtorrent s", "Ġsin h", " ĊĊ", "ë³ µ", "s ense", "how ever", ".Ph ysics", "Inf rastructure", "ĠSac r", "F el", "ĠD ISTRIBUT", "é ments", "ĠValid ates", "################################################ ############", "Ġ| /", "Ġes l", "Ġré seau", "ĠB ip", "BY TES", "_W ATER", "Turn ing", "EL S", "Ġj uxtap", "Ġlesb ische", "ý ch", "( Unknown", "Ne o", "@ JsonProperty", "Ġal umnos", "ĠRaq qa", "ime i", ".get Bounds", ".Mouse EventHandler", "#### ###", "Generic Type", "/c ms", "Ġturn o", "Ġм ин", "Ġfolk lore", "ĠE vo", "Ġconduct ivity", "Ġle ben", "Ġgear box", "-v s", "ĠÏ Ĩ", "Ġdrink ers", "Ġcon exao", "ĠTe eth", "Ġget Arguments", "ĠR AT", "ent ious", "E duc", "+ W", "ĠInstitution al", "ĠB ord", "is Equal", "(p wd", "Ġign ited", "ĠR ousse", "Ġimpact ful", "ĠM alk", "Ġg eral", "ĠP ivot", "Ġa zt", "Ġcsv file", "ĠR ope", "ĠSOL UTION", "ĠArbit rary", "Ġlet to", ".Mouse Adapter", "Ġ} }}", "ĠSail or", "der a", "Put ting", "Ġconcentr ates", "Ġauth Domain", "âĢĿ çļĦ", "-f inals", ", strlen", "Mu on", "ĠOrd inary", "fire fox", "ĠLa TeX", "ĠH und", "engine ering", "/ blue", "ed TextBox", "(\" \");", "ĠC DDL", "ke pt", "ĠGet String", "K ir", "() ='", "ĠO CD", "ant ium", "$ menu", "ĠAppalach ian", "Secret ary", "ë¥ ĺ", "ี ย", "Sem antic", "Ġ* [", "est one", "ung kin", "Max Y", "-t one", "\"} ;čĊ", "_P art", "< Member", "tr am", "Ġtrans istor", "Ġ---------------------------------------------------------------- ----------Ċ", "ĠDes de", "Ġright ful", "ĠCorn el", "æ ij", ".H OUR", "Ġsidel ined", "ref errer", "m aze", "Ġhol ster", "Ġcripp led", "ĠDate Formatter", "oph age", "_m D", "Ġdes elect", "ra ud", "ĠPK K", "row Data", "Ġlock smith", ".res ponses", "(product Id", "_ST MT", "Key Type", ".Th en", "z ee", "Ġcr t", "ĠGrand ma", "@ Resource", "Ġbit wise", "-c mpr", "ãĢĤ www", "zeit ig", "& display", "Cart Item", "- No", "Ġnum éro", "Ġm aur", "Ġinst ancia", "ĉd t", "_n pc", "Ġskate board", "âĢľ All", "ĠCrow d", "Ġä n", "Ġb raz", "ca e", "yn et", "/p m", "/s creen", "OPT ARG", "ĠV Box", "Ġle opard", "_g reater", "c pt", "< dd", "Ġmechan ically", "osp els", ") f", ".l wjgl", ".get Port", "ĠP REF", ".Add Transient", "pp ard", "Ġí ļĮ", "Ether net", "Ġsal ine", "(level s", "Ġservice Provider", ".A ngle", "alt itude", "illa ume", "Ġs cape", "_CAL C", "_ quest", "ĠDiss ertation", "ĠE DM", "-C ds", "Ġhon orary", "st ops", "Ġsub dir", "ĠV H", "ĠChe at", "Ġright fully", "Q E", ".Write Byte", "fig ures", "enn ie", "( DBG", "Ġvoks ne", "Ġexp ended", "UN ICATION", "il inx", "ĠRec ap", "_ verts", "Ġtra umat", "Ġget Player", "Ġverb ess", "Ġcultiv ating", "Ġiniti ator", "Th ông", "find First", "_per ms", "Ġbu c", "Ġ\"\"\" čĊčĊ", "T YPES", "object Manager", "(Configuration Manager", "Ġtim id", "Ġsnap chat", "Ġcon seg", "ĉd istance", "_right s", "_D es", "ĠF lesh", "- ver", "Ġa fl", "fra uen", "Ġblas ph", "ĠQual ität", "ma f", "Monitor ing", ".D iff", "Ġshore line", "Ġresponse Body", "mem set", "< decimal", "Smarty HeaderCode", "Ġin sets", "ĠBinary Tree", "amed a", "Ġn ihil", "ĠN ay", "ym ology", "ĠW G", "Ġt api", "ĠInst alled", "m aintenance", ")} \"Ċ", "ĠX O", "-per iod", "s ar", "Ġning una", "ORM AT", ".set PrototypeOf", "ĠK b", "ĠHen rik", "ét ique", "ĠLah ore", "ĉ Address", "Ġmel ts", "N y", "_adv ance", "Ġveloc idad", "Ġalum no", "Ġsanit izer", "Ġph ishing", "ĠCom et", "Ġch iar", "ĉs pec", "trim med", "(state arr", "on nen", "Re venue", "L ens", "Ġcha ired", "ĠAss umes", "Tr ash", "_un set", "\\ Bridge", "Point Size", "ĠPol ic", "Ġsex uales", "ĉd fs", "ĠWide String", "Ġaccru ed", "Y W", "_S CHEDULE", "Ġk ite", "Ġparach ute", "[ table", "Ġactive ClassName", ".Qu ad", "Israel i", "ĠÅ ĵ", "Ġho og", "Ġch á»ī", "ew ear", "Ġtire lessly", "set Error", ".get Amount", ".set Items", "ĠM anson", "ĠBay esian", "_F lag", "AC HER", "/ original", "Ġimm ac", "ĠLos ing", "' >ĊĊ", "L ic", "ĠMir age", "ĠAssembly FileVersion", "Te V", "ĠValue EventListener", "-s olving", "Th o", "rou lette", "_W P", "Ġunint errupted", "Ġfield Type", ".T yped", "Ġam our", "Ġmock ery", "(v ol", "ĠSub committee", "ĠR uf", "ero x", ":UIButtonType Custom", "ĠBl ur", "Ġwy kon", "nc es", "ASH BOARD", "!! \");Ċ", "Ġmurder ers", ".d aily", "ĠDI AG", "j ing", "Ġdol phin", "Ġl òng", "Ġb ö", "ĠV ocabulary", ".St Object", "') \">", "Ġz un", "Ġscrim mage", "tr éal", "ĠL ig", "[ vi", "C ole", "Ġfrost ing", ".Pl ayers", "- translate", "Fe els", "=\\\" /", ".Butter Knife", "Ġ?> ;Ċ", "Ġav i", "inn ie", ".F ailure", "Ġsp indle", "Configuration Exception", "_h op", "Ġpos ição", "ĠA wait", "UIImage PickerController", "ĉ day", "Ġgen om", "C ab", "ĠÑĢ езÑĥлÑĮÑĤаÑĤ", "OR IGINAL", "Ġejac ulation", "(t cp", "SE COND", "Ġton ic", "ĠList Box", "Ġ ĉĉĊ", "() >Ċ", "Ġqu atre", "ượ ng", "with Errors", ".M aybe", ", âĢ¦", "token Id", "_UN DEF", "Ġfresh ness", "ĠAmend ments", ".map box", ".C V", "(b log", "_get time", ". quest", "s parse", "Ġres ale", "Ġenthusi astically", "ĠProstit utas", "W a", "C argo", ".Parcel able", "SENS OR", "ĠRy u", "La ughs", "_N ative", "/ pg", "yst s", "Ġphot oc", "ç® Ģ", "ado pt", ".spec ies", "conc iliation", "Adjust ed", ".Firebase Auth", "ut tle", "ord ination", "Ġm unch", "ĠSt ake", ".p ing", "ank er", "(QString Literal", "Ġsub script", "ĠĠ ĉĊ", "ĠM CC", "_C md", "se xy", "i ou", "ĠM ANY", "Ġn anny", "TR AIN", "Ġflour ishing", "ĠW atches", "ĠQ Map", "ĠF erm", "Ġwas m", "ĠA bed", "_ UD", "ĠGlass es", "+ v", "Att end", ".Ch ain", "Ġdec ency", "ĠSupplement ary", "h unter", "-t xt", "Ġ\" }\";Ċ", ".set WindowTitle", "(\" ", "Ġmasc ara", "( Profile", "åĬŁ èĥ½", "imit é", "Ġwild fires", "- ROM", ".is On", "(group Id", "Re pair", "accum ulate", "Ġ< \",", "Ġhand written", "Ġach eter", "ĠM GM", "ĠIr ma", "->{ _", "ge e", "cr iminal", "Ġèĭ¥ è¦ģ", "Ġmoment arily", "\") !=", "_l it", "Ġexpires In", ".\" ).", "éķ¿ 度", "Ġfr ække", "vl c", "Ġor bs", "), $", "Ġvent ured", "/ >\\", "char m", "N uitka", "eld ig", "aton in", "W itness", "-l at", "Ġset Hidden", "Ġrelic s", "Ġcons ulate", ". IGNORE", "\" After", "Ġset Address", "Ġbeste ht", "Ġ'' )ĊĊ", ".x axis", "Ġser ão", "Ġmis led", "_UN IFORM", "ĠV IA", "inc r", "Ġzen ith", "Ġvis cosity", "Ġthin ly", ".get SharedPreferences", ".Error Code", "\"), \"", "ĠMillion en", "Ġ/> )Ċ", "Scroll Indicator", "-se eking", "ĠPOLIT ICO", "as ca", "_r l", "N avig", "(full file", "Ġsol itude", "Ġju ven", "Ġhaul ing", "ĠMac ros", "ĠG ry", "Ġexerc itation", "ĠATT ACK", "Tick Count", "Ġr ites", "Ġdo e", "Particle System", "Ġsl u", "Window Text", "ĠClass Name", "Ġsl ander", "ĉ Port", "j ong", "? a", ".D ial", "âĢĶ at", "$obj PHPExcel", "Ġso ar", "EN N", "appe ared", "Ġquot id", "em achine", "Ġn ip", "Ġmicro time", "ĠAl ma", "; !", "---------------------------------------------------------------- --------------------------------", "ĠPass age", "Ġdump sters", "ĠEx clude", "Ġsuggest ive", "ĠCircularProgress Indicator", "_cl r", "Array Type", "ILL A", "Elapsed Time", "Dr iven", "Ġresource Name", "ĠG arrison", "ser ir", "-a head", "Ġp innacle", "ĠEs presso", "S parse", "Ġass ays", "ĠGirl friend", "im id", "]=' \\", "ONGL ONG", "Ġportray ing", "L ane", "Ġb úsqueda", "Ġrein forcements", "ĠSpread sheet", "ĠArray Collection", ", arr", "light box", "ic ana", "< \"", "build ers", "K id", "ĠMat SnackBar", "EX PR", "od cast", "ĠFound ations", "Ġind s", "=' ${", "F izz", "-function al", "(work space", "Ġstem med", "_p atches", "ĠJar vis", "READ ING", "Ġdisrespect ful", "ĠQ Dom", "Ġ$ {Ċ", "est atus", "Re ached", "! .ĊĊ", "IL T", "ĠN DEBUG", "ĠCour age", "birth date", "ĠT ing", "Ġutil izado", "án chez", "Out door", "Ġhand guns", "Ref Count", "É Ļ", "rom o", "Ġt ts", ".S he", "ĠP ane", "ãĢij, ãĢIJ", "ĠIO CTL", "/ black", "ins cription", "Ġbi opsy", "ĠTime Interval", ".Test Check", "ĠGUI Style", "ĠCap ability", "ĠBeit rag", "don nees", "T reatment", ".back up", "Ġsign ings", "ĠB oca", "dr m", ".M AIN", "Ġgo ede", "ĠMark up", "G REE", "ĠBase Service", ".C reator", "Ġj ails", "ĠK ahn", "Ip Address", "ACH I", "Ġinhib ited", "Ġ@ $_", "ĠAss ass", "Ġenvi ado", "Hero es", "ÐŁ еÑĢ", "ĠM aven", ".l s", "Ġ ive", "| RF", "Ġresize Mode", "Ġrum pe", "_attach ments", "T U", "Ġtact ile", "Attempt ing", "Ġro bin", "y aw", "Ġmerc enaries", "ĠHab itat", "end date", "Ġo xy", "ĉR andom", "oh on", "Is Null", "ĠValidation Result", "ãĥ ļ", "um bed", "pp v", "Ġar p", "ich ick", "_r nn", "ĠT FT", "Tex Image", "\" On", "ĠSam pler", "top l", "Ġj ane", "y ling", "ĠUN ICODE", "Tab Index", "< {Ċ", "s uspend", "uv ian", ", application", "ол иÑĩеÑģÑĤво", "y at", "ez ier", "ĠCH UNK", "ĠAd ler", "/ Add", "ĠKey Value", "Ġspos ób", "Sam pling", "ch ers", "_AM D", "R u", ".Must Compile", "N ation", "Ass oc", "Man aging", "ĠEng l", "_G B", "Ġsucc inct", "Ġdis liked", "ĠI ke", "Bullet in", "_ARCH IVE", "Prop osal", "Ġjog ging", ".C REATED", "Ġch ol", "è£ ħ", "Į ¨", "-p ush", "Ġreserv a", "core v", "è tre", "TH R", "Ġincompet ence", "Ġchar isma", "æĦ Ł", "Ġ\" ==", "BT N", "ĠLoc ator", "iv et", "('. ')Ċ", "Ġfor IndexPath", "ô me", "Ġcapac it", "w aters", "ĠWR ONG", "ho a", "ĠM IPS", "Ġem iss", "ĠJacqu eline", "(c mp", "Ġe ens", "Le o", ".tim ing", "CLUS ION", "Ġ(\" -", "åĵ Ī", ".k ode", "ĠUnd ert", "Ġbew ild", "ĠEss en", ".h d", "Ġren egot", "Ġm ower", "Ġl sp", "Ġpen chant", "Ġman oe", "Ġag li", "Ġrec al", "ĠOPER ATION", "(^ )(", "ĠÎ ½", "ĠSc oped", "Ġ@ \"Ċ", "= label", "[ loc", "Int l", "ĠN z", "table t", ".Column Name", "Ġscreen Size", "DB us", "co oked", "- registration", "âĢľ One", "-n on", "ĠwiÄĻ c", "Ġcost a", ".add Tab", ". conditions", "ĠH ess", "MEM ORY", "ĠAval anche", "() }}Ċ", "Ġtri plet", "Ġl abyrinth", "ĠNode List", "ĠNY T", "Ġy eni", "d ff", ".Html Controls", "AV IS", "/ Math", "Ġmem cmp", "Ø§Ø ¡", "оÑģ ÑĮ", "c rap", "(p ages", "Ġl xml", "ĠQ DateTime", "_t cb", "Ġopen id", "Ġsyn aptic", "ĠMD MA", "(s lug", "igm atic", "en or", "Ġcr amped", "G OP", "Ń IJ", ".is File", "ĠD ifferential", "Ġ=\" \";Ċ", "ĉĉĉ ĠĠĠĠĉ", "ĠC ooke", "ĉU FUNCTION", "Ġpersever ance", "Relative Layout", "IMPORT ANT", "Ġex on", "Ġо н", "ib ase", "(C ONT", "n ovation", "ä½ ķ", "[ sub", "Admin Controller", "HTTP Header", "cre ar", "ĠN IR", "ĠDrop DownList", "Ġval ide", "Ġde hydration", ". ']", "(W IN", "Ġ... \\", "Ġphotos hop", "ĉ Init", "_c ou", "Ġtime Zone", "dar win", "rom atic", "Navigation ItemSelectedListener", "br ates", "] --;Ċ", "Ġtraged ies", "ĠPed iatrics", "SM ART", "-A PI", "ĠMessage Lookup", "ĉ vo", "Ġprejud ices", "Ġm A", "U ps", "ĠMISS ING", "ĉ ad", "C ream", "ĠT b", "ĠMon a", "_ ghost", "ĉt ypes", "Em b", "ĠDocument ary", "');ĊĊ ĊĊ", "Ġl up", "_ Reference", "ĠB ATCH", "Ġintertw ined", "< Cell", "ĠCab r", "n ation", "Ġis Connected", ".remove Listener", "Ġcon g", "_t i", "ĠSil icone", "Ġê²° ê³¼", "ĠW AN", "ĠG ibraltar", "/ response", "ĉp erson", "ch ants", "V IP", "em ergency", "Pixel Format", "- Am", "Ġsouth western", "_pl l", "if ers", "_ON CE", "ĠF ayette", ".nc bi", "_P anel", ".Q ual", "Ġpol ys", "Ġcreate StackNavigator", "� t", "Ġlay offs", "ĠBl anco", "Fe at", "ĠV imeo", "_ch i", "_l ifetime", "POINT S", ", private", "Ġunb earable", "print ing", "Ġc gi", ".B ACK", "Ġintern s", "ĠNew ly", "inf eld", "( IB", "ĠK ata", "ĠDef endants", "Th r", "é¢ Ħ", "_V F", "FFFF FFFF", "Ġdavid jl", "Ġbitter ly", "S uggestions", ".set Cancelable", "FIN AL", "ason s", "_rw lock", "_WRAP PER", "Ġhapp iest", "(row Index", "ós ito", "TOT YPE", "Autom ation", "Log File", "Ġcons olation", "ãĥ Ģ", "Ġt êm", "Ġpr er", "rg yz", "ĠG eg", "ĉd to", ".default Value", "ĠK ami", "ĠA SE", "optim ized", "Ġíı ¬", "Ġorigin ates", "err Msg", "Ġespa ço", "(S YS", "ĠMc B", "d ance", "_det ected", "Ġfr ü", "ĉĉ ĠĠĠĠĉĉ", "< Date", "(com b", "ĠDec ide", "\\ Field", "ĠProp osed", "R ib", "Ġdis likes", "ĠW ien", "ĉ Document", "Ġtr af", "Ġst oria", "ĠT ells", "') ==", "C ri", "( VALUE", "ĠBurn ett", ", void", "Ġdan h", "Ġc cp", "Block chain", ":\"- \"`Ċ", "IC lient", "IS ODE", "Iss uer", ") }čĊ", ", but", "ĠU ph", "( Sub", "Ġtélé phone", "ĠonData Change", "Ġmarsh aller", "-an alytics", ", content", "Ġdeb acle", "_Value Changed", "Ġfa una", "Ġ# =>", "Ġf oyer", "'util isation", "ĠMü ller", "ĠFet ish", "Ġdefault Manager", "Ġback track", "B ah", "Exp licit", "_A SCII", "Ġm Activity", "(M sg", "Ġê² Į", "ĠTER MS", "ĠAng ie", "HS V", "ĠMos que", ".N ames", "íĬ ¼", "rest e", "_p arms", "Ġgap ing", "Ġcro pping", "Data Frame", "Ġrespons iveness", "_ undo", "_tr an", ". terminate", "Ġitalian e", "Ġwalk through", "Ġattract iveness", "д е", "_ST S", "_ learn", "Ġchocol ates", "ier archical", "-th inking", "Ġ )))", "ish ments", ".Log f", "ĠTM Z", "ĠCan ary", "fo il", "ĠVacc ine", ".v x", "ĠSur round", "Inter mediate", "Ġi ov", "v ais", "'; \";Ċ", "ï½ŀ ĊĊ", "éĢģ æĸĻ", "âĢ¦ it", "Se ats", "Cl ar", "W ars", "ĠHutch inson", "ĠHas an", "! ')ĊĊ", "ĠRich ie", "che iden", "($ ('", "Y ork", "Ġl ids", "Ġal phanumeric", "ĠG lock", ".sh apes", "Ġspark ing", "_ epsilon", "uplic ated", ".dir ty", "]) ==", "ĠìľĦ ì¹ĺ", "Ġsc n", "Ġ/ ****************************************************************", "_PRE VIEW", "_H C", "ield ing", "f gets", "ĠAdd ison", "Ġproduct Service", "- figure", "(ret val", "z ano", "Ġaut ob", "ĉs d", "_n umer", "ĠSet LastError", "ĠF ior", "ific ance", "Unt itled", "Ġin field", "Ġ{} ));Ċ", "Ġsp ac", "Ġro okies", "(des cribing", "ng en", "ி à®", ".r df", ".M utex", "Ġkne eling", "ĠQ E", "set Max", "Read Stream", "Ġvent as", "s ut", "cm peq", ".WriteAll Text", "ĠEx perienced", "$ __", "Ġka um", "ĠL IS", "Ġdocument os", "_HE ALTH", "icont ains", "Ġart isans", "OWN ER", "Ġblink ed", "get Display", "Ġto en", "Ġrow Num", "Ġav ril", "Ġinv is", "ĠK ear", "toBe InTheDocument", "ap ur", "Ġr acked", "ĠMc Master", "_ATTR IB", "H az", "Ġfact ura", "/ ts", "ĠÑĢаз меÑĢ", "Ġz f", "Ġshort fall", ".f asta", "ĠCONST ANT", ".man aged", "g ems", "Shared Pointer", "Ġblur ry", "b rightness", "( components", "Ġ... \"ĊĊ", "SE LL", "ĠIllustr ator", ".get Channel", "Ġtrou vé", "yst ers", "Ġvo is", "ĠLind en", "Ġem ojis", "Ġb rawl", "ĠMS R", "ĠE lo", "ĠCroat ian", "Popup Menu", "L ewis", ".J WT", "Ġaston ished", "B ush", "(item Id", "Ġdet achment", "ĠEnc ore", "å° Ķ", "Ġre kl", "Ġcr am", ")$ /", ".get Host", "_re commend", "- HT", "_cal ibration", "Auth enticate", ".firebase app", "UN IX", "ĉC amera", "ĠHE AP", "I deal", ". office", "Ġgoof y", "(S ymbol", "Ġjou er", "_part itions", "Ġrapid ement", "ĠGN UNET", "id User", "Ġsuperv ise", "( Contact", "AW N", "ãģ ĺ", "Ġna am", "Ġa ust", "åľ¨ 线", "_soft max", "Allow Anonymous", "amm able", "RO UTE", "* D", "Ġad en", "ĠCrist ina", "ĠCrist iano", "Ġblood stream", "sub class", "_person a", "CH ILD", "-k now", "Ġnavigation Options", "ĠZuk unft", "ĠPix ar", "Ty ler", "Ġunder world", "Ġsincer ity", "Ġdispens er", "Ġk ter", "idd ers", ".add Node", "- checked", "Ġke yst", "ĠW TO", ".sign als", "Ġadvent urer", "ĠP ang", "\\ R", "= pos", "Ġdispens aries", "ĠClo set", "(\"{ \\\"", "ide on", "Ġnécess aire", "() \"Ċ", "_RECE IVED", "Ġrésult ats", "Ġmod en", "ĠIceland ic", "; d", ". allowed", "(new User", "Ġmerc iless", ".Wait For", "Ġday care", "ĠCon veyor", "ç ĸ", "ð ¬", "ç ĥ", "ç Ĺ", "ç ł", "è Ħ", "é ²", "å ¦", "çĿ Ģ", "å¾ Ī", "é ħ", "ç ĭ", "é ª", "æ Ĥ", "é ¥", "è ħ", "æĥ ³", "å ¨", "é ¹", "ç Ĥ", "å Ĵ", "ç Į", "è´ ¨", "æ ¢", "æ° Ķ", "ð «", "æķ Ļ", "ç Ł", "å Ħ", "åıij å±ķ", "åĪ Ľ", "è ij", "æ ħ", "å ŀ", "åģ ļ", "æĪ ĺ", "æ IJ", "å¼ º", "æ· ±", "åĩ ł", "ç ¿", "å ©", "è ŀ", "å§ Ķ", "åIJ Ħ", "è İ", "é ¸", "é º", "åı Ĺ", "èģ Į", "å ĺ", "æ ½", "é£ İ", "èIJ ¥", "åħ ļ", "è ľ", "éĤ £", "é¢ Ĩ", "ç ij", "é ³", "æľ ¯", "ä» Ģ", "æĪ ¿", "ç² ¾", "å ª", "é Ĩ", "å¤ ª", "èĤ ¡", "è Ľ", "åħ ī", "æŀ ģ", "åĬ ŀ", "è ĵ", "ç ĺ", "å ´", "å Ĺ", "èĬ ±", "çł Ķ", "å¿ «", "å¸ Ī", "è¶ Ĭ", "è§ Ĥ", "æ ¤", "æ ¦", "ç ŀ", "èĤ ²", "çĪ ±", "çĻ ½", "ä¸ ĸ", "ä»Ģ ä¹Ī", "çľ ¼", "å ³", "è Ĵ", "æ ĵ", "è¢ «", "å¹ ²", "çĹ ħ", "å£ «", "ç Ĵ", "è ¸", "æ ¾", "å·¥ ä½ľ", "è® ©", "çĥ Ń", "è¾ ĥ", "åĦ ¿", "åĬ ©", "ç§ ¯", "ç ³", "ç ĵ", "ç £", "å Ĥ", "è ¹", "è ļ", "å· ±", "çĻ ¾", "åĬ ¿", "èµ Ľ", "æ ¨", "æ ¿", "è ĸ", "æĿ ij", "å¸ ¦", "å¢ ĥ", "æĬ ¤", "é Ń", "å «", "èĩª å·±", "æµ İ", "ä½ İ", "åĮ »", "éĺ ²", "åĨ ľ", "è Ĩ", "ç Ĩ", "é «", "åĨ Ľ", "æĪ ı", "åį ĩ", "æĸ ¯", "ä½ ı", "èIJ ½", "åħ »", "èĩ ´", "ç Ĭ", "ç ĩ", "ç ħ", "è Ķ", "ä¼ģ ä¸ļ", "åĽ ¢", "æī į", "æł ¡", "åĩ Ĩ", "å¥ ĩ", "åī ¯", "é ¼", "æ¼ Ķ", "é© ¬", "èµ °", "ç¥ ŀ", "åħ ĭ", "æľ Ľ", "æ² ¹", "è¾ ¹", "åį ĥ", "å¾ Ģ", "åĪ ĩ", "æ ©", "ç ¶", "å Ļ", "éĻ ħ", "çī Į", "社 ä¼ļ", "游 æĪı", "æĸ ½", "ç ħ§", "æİ §", "æ» ¡", "è¯ Ĩ", "éĩį è¦ģ", "è¶ ³", "çķ Ļ", "ç» Ĩ", "åį ı", "éĢ Ĥ", "æ ĩ", "æ §", "é Ħ", "è Ŀ", "å¸Ĥ åľº", "ç»ı æµİ", "ä¹ ł", "æĸĩ åĮĸ", "éļ ¾", "ä¹ IJ", "åĨ ³", "æ¬ ¢", "è§ ī", "åĽ Ń", "åħ ´", "åħ ħ", "ä¸ ¾", "æī ¹", "è ķ", "æĬ Ĭ", "æĬĢ æľ¯", "ç© ¶", "第 ä¸Ģ", "ä¾ ¿", "åĵ į", "çİ ©", "åĿ ļ", "èŀ į", "åį Ĭ", "åĸ ľ", "å± Ĥ", "ç¦ »", "ä» ħ", "é Ł", "åij ³", "å¿ µ", "åŃ £", "ç´ §", "ä¹ ħ", "é ¤", "é ŀ", "è ¤", "åĢ Ļ", "åĨ µ", "ç Ł³", "åģ ¥", "æĢ İ", "å® Ŀ", "è¡ Ģ", "åŁ Ł", "æĹ ©", "çŁ¥ éģĵ", "è´ Ł", "åį ļ", "å· ´", "äº ²", "å± ŀ", "ä¸ ¥", "äº ī", "å¯ Ł", "è º", "ç °", "建 设", "产 ä¸ļ", "åIJ ĥ", "åŃ ©", "æĹ ħ", "æł ¹", "æĿ IJ", "ä¼ Ĺ", "éļ ı", "å® ĺ", "åº ķ", "å½ ©", "å¯ Į", "æ¸ ©", "åį «", "åī §", "çĽ Ĭ", "æĬ Ĺ", "è´ ¢", "çº ª", "æ Ĩ", "çĶŁ æ´»", "çº ¢", "çĶŁ 产", "è¿ ľ", "éĴ ±", "åĶ ®", "ç¾ ¤", "çı Ń", "æ¥ ¼", "éĩ ĩ", "èī º", "å± ħ", "åģ ĩ", "è° Ī", "æĻ ļ", "é ¬", "èĪ ª", "å® ³", "è Ĺ", "ç į", "å µ", "çİ ĭ", "åº ·", "è İ·", "ç» Ń", "äº ļ", "é£ Ł", "åİ ĭ", "æĭ Ľ", "èĮ ĥ", "è® ¸", "åĽ ´", "é ½", "éĻ į", "çº ³", "åĵ ª", "æķĻ èĤ²", "å·² ç»ı", "å¾ ·", "æŀ Ĺ", "å®ī åħ¨", "é¾ Ļ", "大 家", "éĿ Ĵ", "åº ľ", "æ² ³", "åı ¤", "èį ¯", "åĿ ĩ", "æĻ º", "ä¹ ¡", "çķ ¥", "åĨ ·", "ç¦ ı", "å® ¤", "ç» ´", "æī ¿", "å± Ĭ", "è¯ ī", "åĪ »", "è Ł", "æ ª", "å°± æĺ¯", "è¿Ļ 个", "ä¸Ń å¿ĥ", "ä¸ĸ çķĮ", "åŁİ å¸Ĥ", "éĿŀ 常", "åĪ Ĵ", "åı Į", "æĢİ ä¹Ī", "åĪ° äºĨ", "æľ ĥ", "åı ²", "ä¾ Ĩ", "å¾ ĭ", "å¥ ĸ", "ç» Ī", "åª Ĵ", "å® ģ", "è¯ ¾", "èģĮ ä¸ļ", "åħ į", "æµ ĭ", "æĢ ¥", "æķ ij", "çĭ ¬", "èŃ ¦", "é¤ IJ", "æĦ ¿", "è´ «", "çĸ ij", "å ļ", "å¥ ¹", "åı Ī", "åĽł 为", "ä¸į æĺ¯", "å¤ Ł", "æĸ¹ éĿ¢", "éķ ĩ", "äº Ĵ", "éħ Ĵ", "è® ²", "çĸ Ĺ", "æĺ ¥", "æ¹ ĸ", "å¤ ľ", "è´£ ä»»", "人 æ°ij", "åħ °", "çŁ Ń", "æķ ħ", "åĩ ı", "æĻ ®", "äº ®", "ä¾ Ŀ", "åį °", "éĿ Ļ", "åĢ ĭ", "å¾ ģ", "åIJ ¸", "ç¼ º", "æĶ »", "åĩ Ģ", "åħ ¸", "åĽ º", "è® ¿", "ç ¹", "ç Ģ", "æıIJ ä¾Ľ", "ç» ĩ", "å¾Ī å¤ļ", "çłĶ 究", "è· Ł", "主 è¦ģ", "æĥħ åĨµ", "çŃ ĸ", "æŃ »", "大 åѦ", "æĶ¿ åºľ", "å½± åĵį", "ä¹ °", "åħ Ń", "éĻ ©", "åħ «", "æŁ IJ", "è´¨ éĩı", "åį ł", "å· ®", "æĽ´ å¤ļ", "æľ ĭ", "éĿ ©", "å® £", "çł ´", "è½ »", "åº §", "æĺ ¾", "ç¨ ³", "è´ µ", "èĥ Į", "èī ¯", "çĸ «", "æ¯ Ĵ", "ä¹ İ", "åĢ Ł", "è¿ ·", "çŃ Ķ", "æ¿ Ģ", "åij ¼", "äºĨ ä¸Ģ", "è¶ £", "ä¼ ´", "ä¼ Ļ", "è ¼", "ð¬ Ń", "åĽ½ 家", "æ´» åĬ¨", "çİ° åľ¨", "ç§ij æĬĢ", "åį ¡", "ä¸į åIJĮ", "个 人", "è®° èĢħ", "ä¸į æĸŃ", "éĹ »", "ä¹ Ŀ", "èij Ĺ", "ç» ¼", "ä¸ ĥ", "æł ij", "æľĭ åıĭ", "åį ĸ", "ä¼ ¤", "æ² Ļ", "åĸ Ħ", "å¥ Ĺ", "è½ ®", "ç© ¿", "è¡ ¥", "ä¸Ģ å®ļ", "çª ģ", "çĿ £", "è¿ ½", "å¨ ģ", "åı ¦", "åĽ °", "æŀ ¶", "ç» Ŀ", "æķ £", "æİ ¢", "æ´ Ĺ", "ä¸ ´", "ä¼ ¼", "è´ ¸", "ä¸ °", "æĺ¯ ä¸Ģ", "ç« ŀ", "è¿ İ", "èģ ļ", "è «", "æį Ł", "æī §", "é© ¾", "è¿ Ŀ", "è ¥", "è ł", "ä»ĸ 们", "æŶ åĢĻ", "å® ĥ", "人 åijĺ", "è¿Ļ æł·", "å·¥ ç¨ĭ", "åĪĽ æĸ°", "åŃ© åŃIJ", "å¸ Į", "éĥ¨ åĪĨ", "éĵ ¶", "代 表", "é¦ Ļ", "å¸ ®", "æݨ è¿Ľ", "çĽ ĺ", "积 æŀģ", "éĥ¨ éŨ", "åŁ ¹", "æŃ ¦", "ä¸į ä¼ļ", "çŃ ij", "éĢ Ļ", "çİ© 家", "æĭ ¿", "åİ Ĥ", "æ¯ Ľ", "çģ µ", "æŃ Į", "ç »¿", "å¦ Ī", "çĽ Ľ", "é¦ Ĩ", "é¡ º", "èĦ ¸", "å° ¼", "ä¸ ½", "å¥ ¥", "éģ ĩ", "è¯ į", "å° ģ", "ä¸ Ŀ", "好 çļĦ", "æĭ ħ", "èĦ ±", "æģ ¶", "åİ ļ", "åĬ ³", "çĽ Ł", "æĬ ĺ", "åı ¥", "æĢ Ģ", "æŁ ĵ", "书 è®°", "åĨ ł", "é² ľ", "æ ¦Ĥ", "éļ IJ", "å¹ ħ", "èµ ŀ", "å¹ ķ", "æ¥ Ń", "éģ Ĺ", "åĪ ¤", "è ĺ", "å ¶", "æĬķ èµĦ", "è¡Į ä¸ļ", "äº ij", "çݯ å¢ĥ", "åѦ çĶŁ", "åIJĪ ä½ľ", "åģ¥ 康", "é£ ŀ", "ä¸Ģ æŃ¥", "ä¸Ģ 缴", "åıij çĶŁ", "éĺ ¿", "é¢Ĩ 导", "åĸľ 欢", "åºĶ 该", "çĤ º", "è® Ń", "æĿ Ģ", "æ¸ ¯", "交 éĢļ", "éĺ ¶", "éĴ ¢", "ä» ¤", "å° ½", "æ¯ į", "è¡ £", "ç² ī", "é¡ ¶", "ä¹Ł ä¸į", "æĬ ĵ", "èĭ ¦", "å¹ ¸", "ç¤ ¼", "第 ä¸ī", "大 çļĦ", "éģ İ", "çĥ Ł", "éģ ¿", "ä» į", "åº Ĩ", "æĢ ķ", "è° ¢", "çĽ ĸ", "å° Ħ", "éľ ²", "æĸ Ĺ", "ç Ĭ¶", "åŃ ¸", "æ¯ ķ", "å· ¨", "çŁ ¿", "çļ ĩ", "å¸ Ń", "çĹ ĩ", "æī ¬", "å» ¶", "ä¾ §", "æ· ¡", "çļĦ ä¸Ģ", "ç¶ ²", "æ´ ģ", "ç ¸", "è§ Ī", "çŃ ¹", "ç§ ĺ", "è¯ Ĭ", "çı ¾", "èª ī", "æ¯ «", "ð ¨", "åį ´", "æĪIJ 为", "èĥ½ åĬĽ", "é» Ħ", "æĹħ 游", "èĪ ¬", "æ¯Ķ è¾ĥ", "èµ· æĿ¥", "äºĨ 解", "èĩª çĦ¶", "ä¸Ģ 次", "åŁº æľ¬", "æĽ ¾", "综 åIJĪ", "èı ľ", "è§ī å¾Ĺ", "第 äºĮ", "è· ij", "æ³ ¢", "åĢ Ĵ", "ç¡ Ģ", "åħ µ", "èį ī", "çĶ ³", "çĶ °", "æĤ £", "è§Ħ å®ļ", "èĥ ľ", "èµĦ 产", "æ¢ ¦", "æľ Ŀ", "è¿Ļ éĩĮ", "å¤ «", "æĮ ¥", "ä½ Ľ", "å® Ī", "éĽ ¶", "æĸ ¼", "ç¯ ĩ", "å² Ľ", "åĵ ¥", "éŃ Ķ", "ä¸į åĪ°", "æī ĺ", "åº Ĭ", "æ¬ §", "èį £", "æ± ĩ", "æī ©", "åģ ı", "å¢ Ļ", "è® ¯", "å© ļ", "æĥ ł", "æ´ ĭ", "å® ľ", "æ¶ ¦", "æħ ¢", "éĢ ı", "å® ½", "é¡ ¾", "ç´ ¯", "æ± ¡", "çĪ Ĩ", "ç§ Ł", "æĥ Ĭ", "æ¶ ¨", "é¥ °", "éĺ µ", "é¥ ®", "æļ ĸ", "åº Ł", "æĹ Ĺ", "éļ Ķ", "ç¶ ĵ", "åĭ Ļ", "å¯ ¦", "éĢ Ķ", "æī «", "çĥ Ī", "éĽ »", "åĪ ij", "éĹ ľ", "éĹ ª", "å¥ ĭ", "å Ĥ¨", "ç¼ ©", "ä¾ µ", "å ¬", "𬠶", "åĽ½ éĻħ", "ç»Ħ ç»ĩ", "ä¸ĵ ä¸ļ", "åıij çİ°", "å¸Į æľĽ", "ç»ı èIJ¥", "åı «", "æĿ¥ 说", "éļ ľ", "ä»» ä½ķ", "交 æĺĵ", "éĩį çĤ¹", "çļ ®", "ç» į", "æ´ ¾", "ç§ij åѦ", "åºĶ çĶ¨", "建 çŃij", "èĤ ī", "æĶ¹ éĿ©", "åŁº ç¡Ģ", "æ± ī", "åĩº æĿ¥", "è¿Ļ ä¹Ī", "åĪ ļ", "åĿ IJ", "ä¸į ä»ħ", "ä¼ļ è®®", "éĿ ł", "åªĴ ä½ĵ", "æ° ¸", "åĨ ²", "èĭ ı", "å¤ ®", "çĪ ¶", "åł Ĥ", "å®ŀ éĻħ", "è¡ Ĺ", "ç« ¥", "éĺ ħ", "äºĭ æĥħ", "åİŁ åĽł", "éħ ¸", "以 æĿ¥", "å¨ ±", "å® «", "åĿ Ĺ", "ç» ©", "éĩ İ", "ä¸į å¾Ĺ", "ä¼ł å¥ĩ", "ç¡ ¬", "åİ ħ", "æĹ ¢", "ç» ĥ", "èĦ ij", "å¼ ±", "æİ Į", "è´ ´", "æĮ Ĥ", "åħ³ éĶ®", "å° ļ", "é¥ Ń", "åº Ħ", "çĻ ¼", "åľ ĭ", "æİ Ī", "个 æľĪ", "äº Ī", "å¸ ģ", "è· Ŀ", "æ² ī", "ç« Ł", "åĨ ¬", "æĬ ½", "éĨ Ĵ", "å¼ Ł", "è§ ¦", "èģ ĺ", "è± Ĩ", "æļ ´", "åijĬ è¯ī", "è± ª", "èµ ¢", "è· ¨", "è³ ĩ", "çĪ ¸", "æĬ ±", "æµ ª", "éº »", "ä» ª", "è¡ ¡", "å¥ ¶", "çģ ¾", "èµ ¶", "èĤ ¥", "å§ IJ", "åĢ º", "éľ ĩ", "è® ¢", "æ¬ Ĭ", "ç ·", "å» ī", "ä¿ Ĺ", "å¿ ĺ", "å¦ ĩ", "ç¼ ĵ", "åŃ ķ", "æ¼ «", "è£ ģ", "çĩ ĥ", "é» ĺ", "çī ¢", "çĪ ·", "æĬ µ", "å® ¾", "æľī ä¸Ģ", "è¿ ¹", "è¿ «", "è² Į", "æľī çļĦ", "ð¬ ĺ", "è¿ĺ æĺ¯", "æīĢ 以", "ä¹Ł æĺ¯", "è¿Ļ äºĽ", "对 äºİ", "åIJ §", "缮 åīį", "èĩªå·± çļĦ", "èĥ½ å¤Ł", "å¦Ĥ ä½ķ", "æľº æŀĦ", "åıª æĺ¯", "ç½ij ç«Ļ", "åħ¨ éĿ¢", "为 äºĨ", "å¼Ģ åıij", "æĸ° éĹ»", "éĩij èŀį", "ç» §", "客 æĪ·", "ä¸Ģ èµ·", "èĮ ¶", "åħ³ 注", "æ°´ å¹³", "åİĨ åı²", "å¢ŀ éķ¿", "é ±", "åŁº éĩij", "åº Ń", "åı ¶", "ä¿ ĥ", "éĽ ¨", "æ¶Ī è´¹", "èĪ ¹", "çŁ¥ è¯Ĩ", "æĪĺ çķ¥", "ç»ı éªĮ", "å³ °", "æĽ ²", "èĦ ļ", "åĨ °", "å¤ ı", "å½ Ĵ", "ç¬ Ķ", "èĻ ij", "çĶ ²", "åľ Ī", "è¯ Ĺ", "é½ IJ", "容 æĺĵ", "çłĶ åıij", "éª ¨", "çº ¸", "è· µ", "æĹ §", "çķ ¶", "åĪ ¸", "è´ ·", "åı ¬", "ç§ ĭ", "æ¶ ²", "è¡Į æĶ¿", "çĮ ®", "èĤ ¤", "éĢ IJ", "è¶Ĭ æĿ¥", "è¶ĬæĿ¥ è¶Ĭ", "æĦı è§ģ", "èĪ ŀ", "åī Ĥ", "æ¶ ī", "ç¨ĭ 度", "åħ¬ åħ±", "æ¢ °", "æľ «", "çº ¯", "åĶ ±", "æ´ ²", "æĬ ¢", "æ¤ į", "å¿ Ļ", "ä¼ °", "å¼ ¹", "æ³ ī", "æľĢ 大", "è¶ ĭ", "å· §", "ç¦ ģ", "æī ¶", "åį ±", "çı ł", "çĨ Ł", "æĭ ľ", "主 ä¹ī", "æĿ Ĥ", "éĻ Ħ", "éģ į", "æIJ Ń", "æĮ ¯", "å¤ļ å¹´", "æķ ¬", "æij Ħ", "çº ·", "å¼ ĥ", "æ¹ ¿", "å¨ ĺ", "æ¡ £", "é© ¶", "æľ Ĺ", "æ® ĸ", "æ¦ ľ", "åĵ ¡", "ä¸Ģ ä½ĵ", "æŁ¥ çľĭ", "ç¹ ģ", "æµ ĵ", "åħ¬ å®ī", "æ½ ľ", "è´ ¯", "éª Ĺ", "æ IJľ", "å· ¡", "è ¬", "é Ĭ", "å§Ķ ä¼ļ", "æĤ ł", "åī ©", "æı Ń", "åŃ£ 度", "ð «ĺ", "𬠬", "ä ´", "ð ª", "ä½Ĩ æĺ¯", "éĥ½ æĺ¯", "å¹³ åı°", "åѦ ä¹ł", "åĵģ çīĮ", "ä¸ Ķ", "è¿Ļ ç§į", "æĶ¿ çŃĸ", "æĭ ¬", "认 为", "ä¸Ģ èĪ¬", "æłĩ åĩĨ", "æĶ¯ æĮģ", "模 å¼ı", "åħ³ ç³»", "çļĦ æĺ¯", "è¿Ļ ä¸Ģ", "ä¸į è¦ģ", "çĶ ļ", "ç²¾ ç¥ŀ", "æĭ ¥", "åĪ© çĶ¨", "ä¿Ŀ æĬ¤", "ä½ľ çĶ¨", "èĭ ¥", "åĽ½ åĨħ", "ä»ĭ ç»į", "ä¸Ģ ä¸ĭ", "å·¥ ä¸ļ", "缮 æłĩ", "æľĢ åIJİ", "ä»· åĢ¼", "å° į", "éĵ ģ", "è° ģ", "ç»ĵ æŀĦ", "éĽ ª", "æĻº èĥ½", "ä¼ł 绣", "ä½ĵ èĤ²", "çĶŁ æĢģ", "æĭ į", "æİ ª", "åĨľ ä¸ļ", "çī¹ èī²", "è§Ħ 模", "æŶ 代", "è¿ĩ ç¨ĭ", "éĴ Ī", "æĿ ¾", "åĶ IJ", "åĮ» çĸĹ", "çģ ¯", "åĪ¶ éĢł", "æł¸ å¿ĥ", "ä¸į åı¯", "ç³» åĪĹ", "åIJ ī", "åľ £", "åĢ ij", "ä½ ³", "æĿ¥ çľĭ", "æ¯Ķ èµĽ", "ä¸ĭ æĿ¥", "åĩº äºĨ", "å¹² éĥ¨", "å¾® ä¿¡", "å½ĵ åľ°", "åį ·", "åį« çĶŁ", "ä¼ Ł", "çĸ« æĥħ", "è° ·", "åĩł 个", "éĺ ´", "çĶŁ çī©", "å° ¤", "ä¼ Ĭ", "èĤ ¯", "éĿ¢ 积", "åĪĽ éĢł", "æı ¡", "åľ Ĩ", "æĻ ĵ", "æĪIJ äºĨ", "åĩ ¡", "çĸ ¾", "ç«ŀ äºī", "è® ¨", "主 é¢ĺ", "é² ģ", "è¿ ª", "ä¿ Ħ", "æĢ ª", "ä¸ ¦", "èĻ ļ", "æ½ ®", "çĥ §", "èĢ ³", "æ± ł", "éĢĤ åIJĪ", "æł¹ æľ¬", "åĬł 缣", "çĶµ è§Ĩ", "æ· ·", "ç¼ ĺ", "çª Ĺ", "çĬ ¯", "æĥ ¯", "æĦı ä¹ī", "åĬŀ æ³ķ", "ä¼ ij", "æ» ij", "åĭ ĩ", "æķ ¢", "å¯ »", "è¦ Ĩ", "éĢ ĥ", "ç»ı çIJĨ", "åĿ ı", "æ³ ½", "ä¹ ĺ", "åĪ º", "å± ı", "é¡ ¿", "äº ¡", "éĤ Ģ", "åħ ¼", "åĭ ¤", "æ® ĭ", "æĺ ł", "æ¯ķ ä¸ļ", "æĪ ª", "è· Į", "å£ ģ", "åı¦ ä¸Ģ", "羣 å®ŀ", "ç£ ¨", "è¯ ļ", "å¿ħ è¦ģ", "æģ ĭ", "æĩ Ĥ", "å¾ Ĵ", "è° ĵ", "æķ ı", "æ Ļ¨", "èĥ ¸", "æĭ ¼", "å¦ Ļ", "è¯ ¸", "èģ Ĭ", "æĤ ī", "éº ¼", "åĩ Ń", "èĪ Ĵ", "æ¶ Ĥ", "è¿ ģ", "æ² ¿", "å¡ ij", "æĽ ¿", "æ¾ ³", "å¿ į", "èĢ Ĺ", "éľ ¸", "åĩł å¹´", "åĪ Ĭ", "èĦ ī", "èħ IJ", "æ¡ Į", "çº ł", "æ» ļ", "æĤ ²", "åĨ Ĵ", "å¦ ¹", "çķ ħ", "çº µ", "æij ĩ", "å¤ º", "è·¯ ä¸Ĭ", "å¿ ½", "èĸ ª", "æģ IJ", "æĦı æĢĿ", "å« Į", "æı ´", "æ° §", "èĢ Ģ", "éĺ »", "è½ ¨", "å¹ »", "æį ķ", "åĿ ¦", "åĵĪ åĵĪ", "çĭ IJ", "æ» ¨", "è² »", "è¿ Ł", "人 éĥ½", "ç» ĺ", "åı ¹", "çµ IJ", "æī °", "æ» ĭ", "å¥ ij", "åĭ Ł", "ç¢ º", "ð ¦", "éĽĨ åĽ¢", "æĿ İ", "å¼Ģ å±ķ", "æıIJ åįĩ", "åħ¨ åĽ½", "æ±½ 车", "åѦ æł¡", "æł¹ æį®", "è¿Ļ æĺ¯", "åĩº çİ°", "éĻ Ī", "ç½ Ĺ", "èİ· å¾Ĺ", "åĪ ĺ", "éĶĢ åĶ®", "æľª æĿ¥", "éľĢ æ±Ĥ", "å®ŀ æĸ½", "åĿļ æĮģ", "åħ¨ çIJĥ", "éĵ¶ è¡Į", "æݧ åĪ¶", "é¡ »", "åľ° åĮº", "æīĵ éĢł", "çļĦ è¯Ŀ", "帮 åĬ©", "ä½ĵ ç³»", "è¾¾ åĪ°", "è§Ħ åĪĴ", "åŁ¹ è®Ń", "两 个", "æĬ¥ åijĬ", "åľ° æĸ¹", "å®Į åħ¨", "æİ ī", "ç»ĵ åIJĪ", "宣 ä¼ł", "æ³ķ å¾ĭ", "èīº æľ¯", "çĶµ å½±", "èª ª", "ä¸Ģ çĤ¹", "è¶ħ è¿ĩ", "çĶµ åŃIJ", "æĢĿ æĥ³", "æķĻ åѦ", "éĺ¶ æ®µ", "åķĨ ä¸ļ", "çī© æµģ", "åĪĽ ä¸ļ", "æĸ¹ æ¡Ī", "çİ° 代", "æ¡ ¥", "èIJ½ å®ŀ", "带 æĿ¥", "产 çĶŁ", "ç§ Ģ", "æ³ °", "ä¹ ±", "åħ· ä½ĵ", "åĸ Ŀ", "èĵ Ŀ", "å® Ĺ", "åįĩ 级", "æ·± åħ¥", "ä¿Ŀ éĻ©", "ç®Ģ åįķ", "çĹ Ľ", "稳 å®ļ", "è¾ Ĩ", "å±ŀ äºİ", "å· Ŀ", "ä¸į å°ij", "åĴ ¨", "举 西", "å½¢ å¼ı", "娱 ä¹IJ", "æŃ£ 常", "é¸ ¡", "åħħ åĪĨ", "å®ŀ è·µ", "éĩĮ éĿ¢", "è· ³", "èĻ İ", "æĪIJ éķ¿", "æļ Ĺ", "çĿ ¡", "ç½ ª", "çIJĨ 念", "æĮ ij", "èµĦ æľ¬", "å¤ļ å°ij", "ä¸ĭ éĿ¢", "å¸ Ŀ", "åħ¬ å¼Ģ", "æ¸ IJ", "éķ ·", "å± ĭ", "欢 è¿İ", "å¿ĥ çIJĨ", "çĤ İ", "æ¹ ¾", "è® ĵ", "éĤ Ħ", "ç³ ĸ", "ä¹ Į", "åĬ ±", "çī Ļ", "èħ ¿", "å² Ĺ", "ä¼ į", "æĪIJ åijĺ", "åŃ Ķ", "å°ı ç¼ĸ", "èij £", "æ³ ¡", "åħĪ è¿Ľ", "åħ §", "åĺ ´", "è´ Ŀ", "è »", "æIJ ŀ", "æ³ Ľ", "é¸ Ł", "ç½ ²", "èĽ ĭ", "主 ä»»", "缮 çļĦ", "ä¹ ı", "æ´ ¥", "æĪ ´", "严 æł¼", "çħ ¤", "çĮ «", "åĶ ¯", "å° Ĭ", "çĶ ľ", "åŀ ĥ", "åľ ¾", "æĭ Ł", "çĦ ¦", "é« Ķ", "å® ı", "æ© Ł", "é© »", "æĹ ģ", "å½ »", "éĥ½ ä¸į", "æij ©", "ä» ĵ", "ä¹ ³", "å² ¸", "è° ĭ", "大 å¤ļ", "çģ Ń", "èħ ¾", "æŁ ľ", "èĪ į", "åħļ çļĦ", "å° ĺ", "åįģ å¹´", "æĭ Ĵ", "è£ ¡", "æŁ Ķ", "å¹ ¼", "éĶ ģ", "ä¸ĵ 项", "æī İ", "驾 驶", "ç¢ İ", "è¢ ĭ", "éĶ ĭ", "å£ ®", "å° ĸ", "çĶµ æ±ł", "è¿ Ķ", "æ¼ ı", "å¾ ª", "èı Į", "èĥ ĥ", "è¾ ħ", "éĢ Ĵ", "èĥ İ", "éĻ ª", "å¯ ¿", "å¥ Ķ", "çĮ Ľ", "çº ¹", "çŁ¥ åIJį", "å¿ Ĩ", "æ¡ ĥ", "æ£ ĭ", "éĢ Ĩ", "çĤ ¼", "ç± į", "çī §", "æł· çļĦ", "è¾ Ľ", "åł Ĩ", "å®ŀ åľ¨", "ä¼ ı", "å® ¿", "èµ ı", "è£ Ĥ", "åįĬ å¹´", "åĢ ¾", "满 æĦı", "æ¢ ¯", "æĦı åij³", "åŃ ¤", "ç¥ Ŀ", "æĻ ¶", "èµ Ķ", "åģ ¿", "èĦ Ĥ", "ç½ ļ", "ç¢ į", "æ² ĥ", "æ ĵį", "å´ ĩ", "æļ Ĥ", "è· ĥ", "æIJ ¬", "å© Ĩ", "é ī", "éī ´", "åħ´ 趣", "èIJ¥ ä¸ļ", "è® Ĭ", "èĦ ı", "è¾ Ī", "å·ŀ å¸Ĥ", "è´« åĽ°", "ç© ·", "ä¸Ń å°ı", "æ¼ Ĥ", "çĻ Į", "èľ ľ", "ä¼Ļ ä¼´", "çī µ", "æĤ Ł", "éĻ ·", "èµĽ åŃ£", "æ¨ £", "åģ ¶", "æĺ Ĩ", "è¢ Ń", "æį IJ", "èī °", "æ Ĥ¬", "çĶ ¢", "èij ¡", "çĽ Ĺ", "å© ´", "å° İ", "çº ½", "åĢ ¡", "æī ®", "è¨ Ń", "æĬ ij", "ç¡ ķ", "è¾ ĸ", "éĥ ģ", "è¾ ©", "éĤ »", "çİ° åĩº", "è¦ ı", "å½ ¹", "éĺ Ķ", "åī µ", "è¯ ±", "æĥ ij", "æ· Ģ", "é¢ Ī", "ä¾ ¦", "æģ °", "æ£Ģ å¯Ł", "éĨ «", "çĦ¶ æĺ¯", "åĭ ĥ", "èĮ «", "ä ĵ", "𠬸", "ä½ľ 为", "çļĦ 人", "éĤ£ ä¹Ī", "ç¾İ åĽ½", "è¿ĺ æľī", "æıIJ é«ĺ", "èĻ ½", "åħ· æľī", "åĮħ æĭ¬", "æĪĸ èĢħ", "ä¸į è¿ĩ", "ä¸Ĭ æµ·", "åĮ» éĻ¢", "èµĦ éĩij", "çĶļ èĩ³", "åĪ¶ 度", "解 åĨ³", "èģĶ ç½ij", "继 ç»Ń", "建 ç«ĭ", "è¿Ľ ä¸ĢæŃ¥", "æĿIJ æĸĻ", "ä»Ĭ 天", "å¿ħ é¡»", "åIJĦ ç§į", "çİ° åľº", "ä»ĸ çļĦ", "å¢ŀ åĬł", "é¢Ĩ åŁŁ", "åıĤ ä¸İ", "æĮģ ç»Ń", "ä¹ĭ ä¸Ģ", "çī¹ åĪ«", "é± ¼", "åħ± åIJĮ", "åĬ ª", "çİ ī", "人 们", "åħĪ çĶŁ", "ä¼ĺ åĬ¿", "ä¿Ŀ æĮģ", "ä½ľ åĵģ", "çī Ľ", "æĪIJ æľ¬", "æĶ¶ åħ¥", "åıĬ æŶ", "è´Ł è´£", "æİ¥ åıĹ", "èį IJ", "åıª è¦ģ", "羣 çļĦ", "导 èĩ´", "æľº åĪ¶", "è¡Į åĬ¨", "æĸ° çļĦ", "å®Į åĸĦ", "为 ä»Ģä¹Ī", "ä¸Ń 央", "æĪIJ ç«ĭ", "æĦŁ è§ī", "åıĺ åĮĸ", "åıĹ åĪ°", "并 ä¸į", "åŃ Ļ", "æĸ½ å·¥", "æĺİ æĺ¾", "è¿ĩ åİ»", "åıij æĮ¥", "羣 æŃ£", "åŁº åľ°", "æĺİ ç¡®", "èĥ ¡", "许 å¤ļ", "ä¸Ģ å¹´", "æĸ¹ åIJij", "æģ ©", "缸 ä¿¡", "åľ ³", "详 ç»Ĩ", "äºĭ ä¸ļ", "çĶŁ åij½", "åĴ¨ 询", "æĸĩ æĺİ", "çij ŀ", "绿 èī²", "èİ «", "æĦı è¯Ĩ", "æĬķ åħ¥", "åĬł å¿«", "æ¢ ħ", "ç¿ »", "å¼Ģ æĶ¾", "æĻ® éĢļ", "åįı ä¼ļ", "æĪIJ 绩", "ä» Ļ", "å¯ Ĵ", "è¯ģ åĪ¸", "认 è¯Ĩ", "ä¸ ¹", "大 éĩı", "è¿ ħ", "åģļ åĪ°", "设 æĸ½", "è´¸ æĺĵ", "èĥ½ æºIJ", "æŶ æľŁ", "ä¸Ģ 天", "æ²» çIJĨ", "åĺ ī", "å® ĩ", "丰 å¯Į", "举 è¡Į", "æĪIJ æŀľ", "èĤ¯ å®ļ", "çĭ Ĺ", "åĬ¨ åĬĽ", "æ£ ®", "åĩł ä¹İ", "åĽł ç´ł", "æ°ij æĹı", "æ´ ŀ", "ç½ij åıĭ", "åIJĪ çIJĨ", "广 大", "æ® Ĭ", "æ´ Ľ", "æĿ ¯", "èĴ Ļ", "çĶ¨ äºİ", "èŀį èµĦ", "ç¥ ĸ", "æľº 械", "举 åĬŀ", "èĩª åĬ¨", "åĬŀ åħ¬", "é» ŀ", "éĽ Ħ", "åĢ¼ å¾Ĺ", "çĮ ª", "以 为", "æĺ Į", "è·Ŀ 离", "åIJ¸ å¼ķ", "ç» ķ", "éļ Ĩ", "计 ç®Ĺ", "éĺŁ ä¼į", "大 ä¼ļ", "å¼ķ èµ·", "çī¹ çĤ¹", "èĥ ¶", "å¹´ è½»", "æľ¬ 身", "æľº åħ³", "å®ĺ æĸ¹", "éĥ ij", "æµ Ļ", "è§Ĵ èī²", "èij£ äºĭ", "为 主", "æĹł 论", "ä¹ł æĥ¯", "æ¥ ļ", "æĭ ĵ", "绣 计", "åħ Ħ", "广 æ³Ľ", "åį Ģ", "污 æŁĵ", "è« ĭ", "èĬĤ 缮", "ä¼ ¦", "è¦Ĩ çĽĸ", "èĢ IJ", "æī¶ è´«", "ç»ı åİĨ", "éĩįè¦ģ çļĦ", "èĤ¡ 举", "æĭĽ èģĺ", "åĽĽ 个", "æĩ ī", "èĥ ŀ", "æij Ĩ", "é«ĺ éĢŁ", "éº ¦", "åİŁ åĪĻ", "èİ ±", "æĽ´ 好", "éķ ľ", "åĩ Į", "åŀĥ åľ¾", "éĢ ²", "çģ °", "éĵ º", "äºĭ æķħ", "çĶ ĺ", "空 æ°Ķ", "é¾ Ħ", "èı ²", "çĵ ¶", "æĺ ¨", "æĹ¥ æĬ¥", "æµ ®", "åľ° åĽ¾", "åij Ī", "大 åĬĽ", "ç» ª", "å¸ ħ", "æľį åĭĻ", "ä¸į éĶĻ", "乡 æĿij", "å± ¥", "å¹³ æĸ¹", "éĹ ²", "æī £", "ç´ł è´¨", "èµ ´", "éģ Ń", "èIJ ¨", "èĩª 主", "éĩij å±ŀ", "èī¯ 好", "两 å¹´", "æ³ ¥", "é¢ ľ", "ç²¾ 彩", "ä¸Ń åįİ", "æĻ ĭ", "ä¹ł è¿ij", "ä¹łè¿ij å¹³", "æĪĺ 士", "åģļ çļĦ", "éª ij", "æ» ´", "çĵ ľ", "çīĪ æĿĥ", "èĤ ł", "æľĥ åĵ¡", "çı į", "ç¨ ®", "ä »¿", "çī© ä¸ļ", "åĢĭ 人", "å¦ »", "ä¼ ¸", "æ± Ĺ", "æĹ º", "çIJĨ æĥ³", "æij ¸", "è¿Ŀ æ³ķ", "å®Į æķ´", "åİ ¦", "è¸ ı", "æĸ ij", "æ¡ Ĥ", "ä½ĵ åĪ¶", "å¸ «", "æĿ Ĩ", "æ® ¿", "æ¯ ģ", "é¦ Ī", "è§Ĵ 度", "æ¬ £", "çĥ ¦", "èĤ º", "éĩĩ 访", "æij ĺ", "æĮ ¡", "æ· ĺ", "åħ» èĢģ", "çĤ ¸", "è¿ Ī", "åİ ī", "åĿ Ĭ", "è¾ £", "åĩ Ŀ", "æ³ ª", "çĸ ı", "æİ ĺ", "åĥı æĺ¯", "éĽ ķ", "ç¼ Ŀ", "èį ·", "æį ·", "åł ¡", "åı¥ è¯Ŀ", "çĸ ¼", "æł ı", "éģ µ", "ç¢ ³", "å·¥ åķĨ", "æIJ º", "åĪ ¥", "ä¹ Ļ", "æĹ ĭ", "æĥ ľ", "ä¸Ģ 大", "å±Ĥ 次", "èµ ĸ", "æĬ ¬", "æ¨ Ĥ", "è¯ ŀ", "åħ Ĵ", "ç¯ ®", "èĤ ĥ", "å§ ¿", "æĬ ļ", "çĵ ·", "çĶµ åĬ¨", "æĸ° åĨł", "æ¶ µ", "ç¢ ij", "æ· ®", "æĹ ¨", "è¸ ª", "æ¸ Ķ", "æĦ Ī", "åı Ķ", "åįĹ çľģ", "ç¾ ©", "å§Ķ 书记", "è² ¸", "æ¶ Į", "è« ĸ", "èIJ Ħ", "æı ı", "å¿ §", "è¾ ¦", "å¦ Ĩ", "æī Ń", "åij µ", "éģ ¥", "è¨ ±", "ä» ĩ", "åįģ ä¸ī", "åī ²", "èª į", "èĪ °", "é¢ ĩ", "é¥ ±", "çĭ ł", "é«ĺ çļĦ", "çµ ±", "æħ İ", "é¢ ģ", "åIJĪ éĢĤ", "æµ ´", "èµ ĭ", "æĬ ¼", "å¦ ¥", "éĻ¢ éķ¿", "èĢ ķ", "è¾ ¨", "æħ °", "åįģ åĽĽ", "æľ µ", "èĵ Ħ", "æŀ ¢", "å» ·", "æĤ Ħ", "æ¶ ¯", "çŁ ©", "åŃIJ éĩĮ", "çĬ ¹", "å±Ģ éķ¿", "é IJ", "å¥ ł", "ä¼ļ éķ¿", "æĵ ļ", "ä¸į åıĬ", "åįģ ä¹Ŀ", "æ¬ º", "èº º", "éĺ IJ", "çº Į", "è¨ »", "åĨ Ĭ", "èŃ ĺ", "é«ĺ çŃī", "èħ º", "å¤ ķ", "ç» ij", "åĶ ¤", "èķ ´", "çķ ľ", "æħ ĭ", "åı Ļ", "åı ĥ", "å³ ¡", "人 大", "éħ ¿", "éģ ©", "å¥ ¢", "åı£ æ°Ķ", "éĮ Ħ", "é ı", "åĭ ĺ", "è´ ¿", "éļ ª", "é ĭ", "éļ ¶", "ð ¥", "𬠣", "ð £", "ð« į", "𬠳", "ð« ĵ", "ð« Ħ", "ð« Ł", "𨠱", "ä Ĺ", "以 åıĬ", "æľī éĻIJ", "åij ¢", "åIJ Ĺ", "çľĭ åĪ°", "计 åĪĴ", "è¿Ľ åħ¥", "缴 æİ¥", "åĪĨ æŀIJ", "åıª æľī", "设 å¤ĩ", "åħ¶ å®ŀ", "åĬł 强", "ä¸Ń çļĦ", "ä¿Ŀ éļľ", "èĢģ å¸Ī", "人 æīį", "å¾Ĺ åĪ°", "é£İ éĻ©", "ä¸Ģ ç§į", "空 éĹ´", "æĪij åĽ½", "ä¹ĭ åīį", "ä¸ĵ 家", "æĿ ¨", "æĹ¥ æľ¬", "群 ä¼Ĺ", "åıĤ åĬł", "æķĪ æŀľ", "æľī åħ³", "家 åºŃ", "åĮº åŁŁ", "åĬª åĬĽ", "éļı çĿĢ", "æĹł æ³ķ", "交 æµģ", "è¡Į 为", "æ£Ģ æŁ¥", "æľŁ éĹ´", "å¦Ĥ æѤ", "èĤ¡ 份", "å½ĵ æŶ", "è£ħ å¤ĩ", "åĩĨ å¤ĩ", "éħĴ åºĹ", "è¿IJ åĬ¨", "æıIJ åĩº", "å·¦ åı³", "æݪ æĸ½", "é£Ł åĵģ", "æ¶Īè´¹ èĢħ", "åѦ éĻ¢", "æĮĩ 导", "è¿IJ èIJ¥", "éĩį 大", "åĨľ æĿij", "éĢł æĪIJ", "æĶ¿ æ²»", "éĴĪ 对", "æŃ£ å¼ı", "åıĸ å¾Ĺ", "éĤ£ 个", "éĽĨ ä¸Ń", "åıª èĥ½", "å¿« éĢŁ", "身 ä½ĵ", "åħļ åijĺ", "èģĶ åIJĪ", "åĬĽ éĩı", "éĥ½ æľī", "æ ħ§", "å¡ Ķ", "åĪ« 人", "表 çİ°", "æķħ äºĭ", "ä¸Ģ åĪĩ", "å° ĩ", "èµĦ æĸĻ", "åŁ¹ åħ»", "éĺħ 读", "æľī 人", "èIJ¥ éĶĢ", "çĽij çĿ£", "çݯ ä¿Ŀ", "èĢĥ èĻij", "æ·± åľ³", "严 éĩį", "èĮĥ åĽ´", "å§Ķ åijĺ", "çĽij 管", "ä¸ī 个", "è£ħ ä¿®", "åħ¬ éĩĮ", "åĪĨ åĪ«", "çIJĨ 解", "éŁ ©", "åĬł å·¥", "认 羣", "ä¸į 好", "åİ» å¹´", "éĻį ä½İ", "æľº ä¼ļ", "åįı è®®", "符 åIJĪ", "å¢ŀ 强", "æĬĢ èĥ½", "é¦ĸ åħĪ", "ç§ ¦", "ä¸ ģ", "å° ¾", "æľī äºĨ", "åľ° 产", "æ¸ ł", "æĸ¹ 便", "移 åĬ¨", "éĢŁ 度", "å°¤ åħ¶", "éĢļ çŁ¥", "åĿ Ľ", "éģ¿ åħį", "æģ ¢", "è´ ¡", "èģĮ å·¥", "å®ŀ åĬĽ", "æĺ¯ä¸Ģ ç§į", "åIJ¯ åĬ¨", "çĸ¾ çĹħ", "æĿ¥ äºĨ", "缸 对", "çİ° å®ŀ", "èŀį åIJĪ", "åIJĮ æł·", "åħ¬ åijĬ", "çī¹ æ®Ĭ", "ç´ «", "ä¸ĭ åİ»", "ä¼ł æĴŃ", "æľĢ 好", "ä¼ĺ è´¨", "æ² Ĵ", "æĮ º", "æĹ ¦", "è¯ º", "ä¸Ģ åIJį", "éģĵ è·¯", "示 èĮĥ", "è¿ĩ æĿ¥", "åIJĮ åѦ", "é¼ ĵ", "æĿ Ń", "æľ¬ 次", "åIJĮ æĦı", "ä¸ĸ 纪", "ç¾ Ĭ", "æ¬ ²", "å·¥ èīº", "çĵ ¦", "人 士", "æľī æīĢ", "ä»İ äºĭ", "æľī å¾Īå¤ļ", "ä¸į äºĨ", "å²Ĺ ä½į", "åıĺ å¾Ĺ", "åĬ³ åĬ¨", "å¤Ħ äºİ", "å¹³ åĿĩ", "å½¢ 象", "å¡ ŀ", "åħ± 享", "çĿ Ľ", "åĪ© 润", "æŃ£ æĺ¯", "å¾Ģ å¾Ģ", "缸 æ¯Ķ", "æ¨ ª", "åĪ ·", "æµĻ æ±Ł", "大 éĥ¨åĪĨ", "å¤ļ 个", "æĤ¨ çļĦ", "çĶµ åķĨ", "å¾® åįļ", "å§ĭ ç»Ī", "çĬ¯ 罪", "æĺ¯ åľ¨", "ç»Ħ åIJĪ", "åİŁ æĿ¥", "æ¸ħ æ¥ļ", "åIJĦ åľ°", "æĦŁ åıĹ", "å½ĵ ä¸Ń", "è¶ĭ åĬ¿", "æĻ¯ åĮº", "羣 æĺ¯", "ä¾Ľ åºĶ", "转 åŀĭ", "çĭ Ĥ", "èĨ ľ", "èĭ Ĺ", "å¿ ł", "å¾Ī 大", "èĤ¡ æĿĥ", "ç¾İ åħĥ", "æİĴ åIJį", "åĬ¨ çī©", "éĶ ħ", "å¢ ¨", "主 å¸Ń", "å¾Ī 好", "ç»Ŀ 对", "æĿ ľ", "转 è½½", "çĴ ĥ", "æĿij æ°ij", "åIJ ¨", "åĽŃ åĮº", "é«ĺ 度", "çī© è´¨", "è¾ ī", "æĹ¥ 常", "æı Ĵ", "ä¸ī å¹´", "ä½ĵ çİ°", "æīį æĺ¯", "代 çIJĨ", "ä¸į 管", "æģ Ĵ", "åľ° ä½į", "ç² ®", "èĸ Ħ", "æĺİ çĻ½", "ä¸Ģ èĩ´", "æĽ ¼", "åĵ Ń", "åĩ ¤", "åĬ ²", "æķ Į", "æĪĺ æĸĹ", "主 ä½ĵ", "åħ¬ å¸ĥ", "åıĤ èĢĥ", "èĪª 空", "å¯ º", "åѦ ä¼ļ", "åıį æĺł", "ç¾İ 丽", "太 éĺ³", "建 æĪIJ", "æħ¢ æħ¢", "åIJĦ 个", "éĤ ¦", "ç»Ħ æĪIJ", "ä¸ī 大", "éĶ ¦", "大å¤ļ æķ°", "æ¦Ĥ 念", "éŃ Ĥ", "åħ¬ çĽĬ", "èį Ĵ", "身 份", "æ·± åĪ»", "åħ ©", "ç»ı åħ¸", "åIJĦ 项", "èĻ ķ", "è¿Ľ æŃ¥", "åįģ äºĮ", "æī§ æ³ķ", "æĥ³ åĪ°", "æĦŁ æŁĵ", "åķĨ åĬ¡", "å°ı ç»Ħ", "èĶ ¬", "çıŃ åŃIJ", "åIJĮ å¿Ĺ", "éĿ¢ 临", "çĤ Ĵ", "å¤ļ ç§į", "è§Ĥ çĤ¹", "åĵª éĩĮ", "å° Ŀ", "å§ Ĩ", "èħ ¹", "åŁİ åĮº", "太 å¤ļ", "çĹħ æ¯Ĵ", "åľ¨ äºİ", "æīĢ è°ĵ", "æĻ °", "æŀ Ŀ", "æĭ ĸ", "å® ħ", "æķ´ æ²»", "ä½ı æĪ¿", "åģ ·", "çĨ Ĭ", "èµ ģ", "æ° Ľ", "æł¼ å±Ģ", "åŁºç¡Ģ ä¸Ĭ", "èĥ Ĩ", "åħ ½", "鼶 åĶ®", "åĿ ¡", "女 åŃ©", "æĴ ŀ", "åħ¨ åĬĽ", "åĴ ĸ", "èĤ ©", "çľ ī", "èĩ³ äºİ", "åħļ ç»Ħ", "ä¸Ģ 件", "æĭ Ĩ", "äºĭ å®ŀ", "åĤ ³", "æ¹ ĺ", "網 ç«Ļ", "循 çݯ", "åIJĮ æ¯Ķ", "æĭ Ķ", "åĮ» èį¯", "åħ» æ®ĸ", "åĽº å®ļ", "å®ŀéĻħ ä¸Ĭ", "è®° å¾Ĺ", "åĪ© äºİ", "æĤ ¦", "æĭ ³", "èĤ Ŀ", "æķĪ çĽĬ", "è© ²", "æ°ij 主", "çĹĩ çĬ¶", "é¢ ¨", "å¹¼ åĦ¿", "å§ ij", "æĪ Ĵ", "ä¸ĭ çļĦ", "æ¸ ¡", "å¹´ åºķ", "è®° å¿Ĩ", "åIJ IJ", "大 å¹ħ", "å¾ ½", "åħ¬ ä¼Ĺ", "ä¿¡ å¿ĥ", "çİ Ľ", "ä¼ļ ä¸Ĭ", "ä¹ Ķ", "æijĦ å½±", "æ£ĭ çīĮ", "éĻ ķ", "åºĶ æĢ¥", "æĶ¶ è´¹", "æݧ èĤ¡", "仪 å¼ı", "çŀ ¬", "æīĢ åľ¨", "ç¢ °", "å§ ĵ", "é¡ Į", "æĶ¯ éĥ¨", "使 åij½", "çĤ ī", "å¯ Ħ", "ç¿ ¼", "åľ° ä¸ĭ", "è¾ ŀ", "ä¿ ±", "主 æĮģ", "è´§ å¸ģ", "æģ ¨", "èĤ Į", "çĽ Ī", "éĶ »", "å¿Ĺ æĦ¿", "ç±» ä¼¼", "æĮ ĸ", "éĢ »", "ç¸ ½", "纪 念", "åķ ¥", "å¼ ¯", "åIJį åŃĹ", "åģ¥ 身", "çļĦ å¿ĥ", "é© ±", "èĥĮ åIJİ", "æ³ķ å¸Ī", "ç² Ĵ", "èĥ½ éĩı", "è¾ °", "èī ³", "å½ ¼", "段 æŶéĹ´", "åIJĪ æ³ķ", "æĵ ¦", "ç¾ ½", "åİ ¨", "æĪij 说", "äºĭ åĬ¡", "åĩł 天", "åħ ģ", "ç¼ ´", "åį ĵ", "两 ç§į", "çĭ¬ çī¹", "å¸ ¶", "éĴ »", "æĥ ©", "é¢Ĩ åħĪ", "足 å¤Ł", "å£ ³", "æĦıåij³ çĿĢ", "åĪĨ å¸ĥ", "ä¹ ĥ", "éģ ĭ", "ä½ ©", "è° ±", "çģ £", "èį ¡", "è´¯ å½»", "å¹ ¾", "ç£ ģ", "åħ¸ åŀĭ", "åī ĩ", "åĨ »", "æ¬ ł", "ä¸į ä¹ħ", "æµ ¦", "éŃ ħ", "å¼Ģ äºĨ", "使çĶ¨ èĢħ", "è¿Ļ 款", "å° Ī", "èĦ± è´«", "æĶ» åĿļ", "ç®Ĺ æĺ¯", "ç¨ Ģ", "æĹł 人", "åł µ", "å¥ ı", "éĥ½ å¸Ĥ", "åı¯ è§ģ", "ä¸į åĩº", "æ ·»", "äº ı", "ç¾İ 好", "èĥ ĸ", "éŁ µ", "æłĩ å¿Ĺ", "èĬĤ èĥ½", "æĬ «", "å° º", "å¯ ¸", "ä¸Ģ 代", "é¢ Ĺ", "èĢ ¶", "èĴ ¸", "åĸ ®", "æ »¿", "çĮ ľ", "æµ Ĩ", "åŁ ĥ", "åįĥ ä¸ĩ", "èµ Į", "èģ ²", "ä½ľ é£İ", "è³ ª", "å¯ ¨", "å¹´ 人", "åį° 象", "æ¡ ¶", "æĴ ¤", "åįģ äºĶ", "æ¯ ħ", "æ² ª", "åĽ½ æľī", "大éĩı çļĦ", "å¾ ¡", "å¯ ĵ", "è¦ ĸ", "æ¼Ĥ 亮", "çľ ł", "ç ĤŃ", "é» İ", "èĻ ¹", "åĪ© äºļ", "èŃ ī", "æµ ı", "åįģ åħ«", "ä¸ ¢", "è¾ ½", "æľīä¸Ģ äºĽ", "æħ Ī", "åģľ 车", "å® ł", "解 æĶ¾", "æľī å¤ļ", "éĤ Ĭ", "常 è§ģ", "æĬ ¹", "çº ¤", "è¦ ª", "æ¡ Ĩ", "èİ ŀ", "æ°§ åĮĸ", "è¿Ļ 件", "åĩ °", "æŁ ´", "åıij çĶµ", "é¼ ł", "转 åĮĸ", "å¨ ĥ", "æĮ ¤", "ç½ ©", "å¯Ĩ åĪĩ", "æĪij ä¸į", "é«ĺ æĸ°", "ä¸Ģ ç¯ĩ", "è¿Ľ ç¨ĭ", "è¡ °", "è¿ĺ ä¸į", "ç ħĮ", "æĸ° åįİ", "èĤ ¿", "æ» ©", "ä¸Ģ æµģ", "è¯ Ī", "å®ŀ ä½ĵ", "å¤ĸ åĽ½", "èº ²", "èµ ł", "è¦ º", "æ¢ Ŀ", "ä¸į è§ģ", "è¨ Ĭ", "åĮ ¹", "åį µ", "çĩ ¥", "æħ ķ", "é½ ¿", "å® ´", "é¥ ¼", "èij¡ èIJĦ", "å°ı å¿ĥ", "æģ ¼", "éĻ Į", "æĺ Ĥ", "åĥ ¹", "èĬ Ŀ", "æ¯ı 个人", "åīį æıIJ", "ä½ĵ ä¼ļ", "æ¨ Ļ", "æIJľ çĭIJ", "对 åħ¶", "ä¸ §", "èľ Ĥ", "æµ ¸", "èª ¿", "åĿ ª", "é¢ ĸ", "åIJį 为", "ç¬ ¼", "èĪ Į", "æľ¬ 书", "èģ ¯", "çº º", "ç®Ģ 缴", "éĽ ¢", "ç¾İ çļĦ", "éļ ¨", "é«ĺ å³°", "è¿Ļ 家", "å Ĥ¬", "å° ¸", "ç¡ķ 士", "èŃ ·", "è° ¨", "æĺ ı", "æĶ¿ åįı", "è¡ Ķ", "ç¿ Ĵ", "åľ Ĵ", "åĽ½ æ°ij", "主 è§Ĵ", "è£ ķ", "ä¼ ª", "åº ŀ", "æ°ij èIJ¥", "æĥ §", "ç§ĺ 书", "çĹ ķ", "çĻ¾ åĪĨ", "æº ¶", "æĹł çĸij", "çļĦ çľ¼", "æĵ İ", "ä¼Ł 大", "å½ °", "åħ¬å®ī å±Ģ", "ç³ ķ", "å¼ ¥", "åĤ Ļ", "ä¹ ¾", "毫 ä¸į", "注 æĺİ", "åī¯ æĢ»", "æĦ ī", "æķ ¦", "é¦ ¨", "æĶ Ģ", "éĢ Ŀ", "åı¯ éĿł", "å¤ ¸", "åľ ĺ", "éĿ¢ ä¸Ĭ", "æĬ ĸ", "èĦ Ĩ", "é© °", "ä¼ IJ", "å¦ ¨", "å®ļ äºĨ", "ç³ Ĭ", "æŃ ¡", "éĥ¨ éķ¿", "ç§ ī", "èĪ Ĩ", "åĪij äºĭ", "åIJ µ", "æ¤ Ĵ", "è¡ ĵ", "è± «", "èı ©", "åŃ µ", "é¥ ²", "å°± 好", "åł ª", "ä¸ī è§Ĵ", "åľº æ¯ĶèµĽ", "ä¸į åģľ", "æĵ ħ", "åħ¨ æĸĩ", "æ³ ģ", "åѦ ä½į", "æ± °", "éł ĺ", "åı ł", "éļ Ľ", "å¸ IJ", "çľĭ åĩº", "åĮ ł", "å±Ģ éĿ¢", "æ³ Į", "è° Ĭ", "åIJĮ æľŁ", "æĬķ æłĩ", "å¥ ´", "æĿ¥çľĭ çľĭ", "èĦ ¾", "èŀ º", "æŃ ī", "çĽ ¯", "ç¨İ åĬ¡", "å» Ĭ", "æİ ©", "æħ ¨", "çĽ ¼", "èĬ Ĵ", "è® Ģ", "æĮ £", "èĮ ħ", "æĸ ¥", "æ¤ ħ", "åĪ° æĿ¥", "èijĹ ä½ľ", "çĭ ±", "äºĮ æīĭ", "ä»İ æĿ¥", "çĸ ²", "åºĬ ä¸Ĭ", "æĸ° 浪", "æ³ Ħ", "å¢ŀ åĢ¼", "ä¸ Ľ", "æļ ij", "ä»İ ä¸ļ", "æ· ĭ", "å¤ļ æł·", "æľ ´", "份 é¢Ŀ", "æŀ £", "西 çľģ", "æľ¬ è´¨", "æ·± æ·±", "èī ĩ", "ç» µ", "产 åĢ¼", "æ¼ ł", "èħ »", "çŃ Ľ", "åİ Į", "æģ Ń", "å«Į çĸij", "æĪ ¶", "æ» ŀ", "èĨ Ģ", "åĬ £", "座 è°Ī", "常 æĢģ", "çļĦ æĥħ", "è¦ ½", "å¯ Ĥ", "åĮ Ĩ", "èĩ º", "é¡ ¯", "çķ ı", "éģ £", "åį ľ", "çŃī å¥ĸ", "è² ¬", "æº ¯", "é İ", "çĤ¹ 头", "èĵ ¬", "æ± º", "éħ ¬", "éģ Ĭ", "è³ ¼", "註 åĨĬ", "æľ¬ æĬ¥", "çµ ķ", "æ´» æĢ§", "åħ ij", "éĮ ¯", "åĨ ¶", "åĸ »", "æº ĸ", "èĤ ¢", "æº ĥ", "æĹ ¬", "åī Ĭ", "çIJĨ äºĭ", "å± ł", "æ² §", "èļ Ģ", "鼻 åŃIJ", "为 æŃ¢", "常 å§Ķ", "çµ Ĥ", "éĬ ·", "çĭ Ģ", "ä¾ £", "èĥ Ģ", "èŃ °", "çĶ¨ 车", "åĻ ª", "æŃ ·", "åį Ķ", "åĪ ¹", "ç«Ł æĺ¯", "é© Ĺ", "èIJ Ŀ", "çĻ «", "çĹ «", "æŃ §", "å¼ Ĭ", "åª ½", "çı Ĭ", "è¡ ·", "éľ ī", "åŁº çĿ£", "éļ ±", "æ° ¨", "ç» ¸", "å°¼ æĸ¯", "çĥ ĺ", "æľŁ åĨħ", "è° ħ", "éĽ ĩ", "éļ Ļ", "å ĸī", "åī ¥", "çĹ ĺ", "æĮ ½", "çĵ £", "æ¹ Ľ", "æ¨ ±", "æ¾ İ", "æ¹ ĥ", "åĨ¬ 奥", "æ£ µ", "å® °", "åŀ Ĵ", "æ§ ĭ", "ä¾ Ī", "èĮ Ħ", "åĺ ¿", "èı ĩ", "ç ĻĤ", "åĬ ĥ", "é į", "èĶ ½", "çŀ Ń", "æķ ŀ", "ä¹ ĸ", "éŁ §", "è¾ ľ", "æĩ Ī", "ä½ £", "çŀ »", "åŁ Ķ", "èĪ ħ", "å®ŀ äºĭ", "é ¨", "å§ ¥", "çµ ¡", "åĺ »", "çķ ¢", "æ²ĥ å°Ķ", "è¿ Ħ", "èĤ ĩ", "æħ ij", "ã §", "ä ı", "ð ł", "ð¬ ĩ", "ð« Ń", "ð« IJ", "ã ³", "© ½", "ð« ł", "ã Ľ", "ð¬ į", "é ¿", "ð¬ Ĵ", "ã Ļ", "𬠤", "ð ¬´", "ð« ĸ", "ð ¤", "ã ¬", "ä ²", "ð« Ķ", "ð« ļ", "è¦ģ æ±Ĥ", "ä¸Ģ äºĽ", "å®ŀ çİ°", "èĢĮ ä¸Ķ", "åĽł æѤ", "çĶ± äºİ", "åħ³ äºİ", "çĦ¶ åIJİ", "æݨ åĬ¨", "ä¸Ģ æł·", "æĮī çħ§", "è¿Ļæł· çļĦ", "å½¢ æĪIJ", "æľī äºĽ", "æĽ´ åĬł", "ç»ı è¿ĩ", "建 è®®", "æ²» çĸĹ", "ä½ł 们", "æīį èĥ½", "ä¿ĥ è¿Ľ", "åijĺ å·¥", "ä½ĵ éªĮ", "èĪ ĩ", "åģļ 好", "ä¿Ŀ è¯ģ", "æķ´ 个", "æĺ¯ ä¸Ģ个", "éĩĩ çĶ¨", "çIJĨ 论", "æ¯Ķ å¦Ĥ", "ä¸Ĭ çļĦ", "æݨ èįIJ", "çĶ³ 请", "天 空", "éĥ¨ èIJ½", "åįģ åĪĨ", "æĿ¥ èĩª", "ä¹ĭ éĹ´", "è°ĥ æķ´", "æ¯ı 天", "è°ĥ æŁ¥", "æĤ£ èĢħ", "è¿ĩç¨ĭ ä¸Ń", "é¦Ļ 港", "广 åijĬ", "éĿ¢ 对", "满 足", "éķ¿ æľŁ", "è§Ħ èĮĥ", "æķ´ ä½ĵ", "æĶ¹ åıĺ", "æĻº æħ§", "å¦Ī å¦Ī", "å¦Ĥ ä»Ĭ", "åIJĪ åIJĮ", "éĥ½ ä¼ļ", "åĦ¿ ç«¥", "åĩı å°ij", "éŁ³ ä¹IJ", "ç»ı 常", "ä¸Ĭ å¸Ĥ", "ä¼ĺ ç§Ģ", "çļĦ éĩįè¦ģ", "ä¸Ģ æĿ¡", "æµ· å¤ĸ", "åı¦ å¤ĸ", "ä¸Ģ 家", "åİĭ åĬĽ", "大 åŀĭ", "çľĭ çĿĢ", "åĪ Ģ", "幸 ç¦ı", "æݨ 广", "åIJ Ľ", "å¾ IJ", "æī¾ åĪ°", "äºİ æĺ¯", "èĩª 身", "ä¸Ģ ä½į", "åľŁ åľ°", "åĬł åħ¥", "æİ¢ ç´¢", "æ¢ ģ", "主 åĬ¨", "å°± ä¸ļ", "女 æĢ§", "çªģ çł´", "ä¸įåIJĮ çļĦ", "è¿IJ è¾ĵ", "èĩª çĶ±", "å±ħ æ°ij", "æѤ 次", "çļĦ æŶéĹ´", "家 éķ¿", "ä¸Ģ个 人", "æ£Ģ æµĭ", "åĨħ éĥ¨", "广 å·ŀ", "缴 æĴŃ", "ä»İ èĢĮ", "è´· 款", "åı¬ å¼Ģ", "æĶ¹ éĢł", "人 çĶŁ", "å±ķ 示", "æ¯ı å¹´", "女 人", "çļĦ æĸ¹å¼ı", "æķĪ çİĩ", "å±± 举", "æ¸ł éģĵ", "ä¼¼ ä¹İ", "æ¡Ī 件", "åĪ© çĽĬ", "çľĭ çľĭ", "å¿ĥ éĩĮ", "ç»´ æĬ¤", "å®Ŀ å®Ŀ", "ç½ij ä¸Ĭ", "论 åĿĽ", "å°± åı¯ä»¥", "ä¸į 足", "æģ¢ å¤į", "å¸ĥ å±Ģ", "è´¡ çĮ®", "ä¸ĭ éĻį", "æİĮ æı¡", "çļ® èĤ¤", "å·¥ åħ·", "éĩį åºĨ", "åĵģ è´¨", "æݨ åĩº", "çĶ· 人", "æī¿ æĭħ", "çªģ åĩº", "èĢĮ è¨Ģ", "æ² Ł", "åįı è°ĥ", "æĺ¯ ä»Ģä¹Ī", "æ± ¤", "æĴ ij", "çĭ¬ ç«ĭ", "çݯ èĬĤ", "æī© 大", "æ´ ª", "æĿ °", "çĽ IJ", "ä» ģ", "æ¶ī åıĬ", "èĢģ 人", "åį³ 使", "åįĹ äº¬", "éħį åIJĪ", "é¬ ¼", "çĪ¶ 亲", "ç½Ĺ æĸ¯", "å°ı åĮº", "æķĻ æİĪ", "åĨ³ çŃĸ", "é¢Ħ 计", "æľ¬ 人", "ä¼ ¯", "ç« ¹", "åĪ° åºķ", "å¸Ĥ æ°ij", "åĩº åı£", "éĩĩ è´Ń", "æĢ» ç»ĵ", "æѦ æ±ī", "åĬł 大", "广 举", "æµģ ç¨ĭ", "人 åı£", "å¦Ĥæŀľ ä½ł", "åĩº åİ»", "åĩ ī", "åĨľ æ°ij", "çİ° 象", "åĬĽ 度", "ç»Ļ äºĪ", "åħļ å§Ķ", "è¯Ń è¨Ģ", "线 ä¸Ĭ", "æĢİ æł·", "åĦ¿ åŃIJ", "ç¡® å®ŀ", "ä¹ĭ å¤ĸ", "éĥ½ åľ¨", "èī ¾", "çļĦ æĥħåĨµ", "éĩĮ çļĦ", "åĽ´ ç»ķ", "æĽ´å¤ļ çļĦ", "ä¾Ŀ æ³ķ", "åħ¬ åĽŃ", "家 éĩĮ", "æ¯į 亲", "ä¸į åĨį", "èĭ ¹", "æ³ķ éĻ¢", "飩 åĽ½", "缸 å½ĵ", "ä¸į çŁ¥", "è¯Ħ ä¼°", "ä¸į çĶ¨", "顺 åĪ©", "éĩį è§Ĩ", "è´¢ åĬ¡", "ä»ĸ åĢij", "åıij è¡Į", "ä¸ĵ éŨ", "åħ· å¤ĩ", "并 ä¸įæĺ¯", "足 çIJĥ", "é ŀĭ", "åıij 表", "æ°¸ è¿ľ", "èIJ¥ åħ»", "éħį å¥Ĺ", "æķ´ åIJĪ", "è´ º", "åĽŀ çŃĶ", "æĶ¶ çĽĬ", "ä¹Ł 许", "è» Ĭ", "æİ¥ 触", "æĶ» åĩ»", "åĽĽ å·Ŀ", "æĢ§ èĥ½", "åĽŀ åĪ°", "èħ °", "ä¹Ł 没æľī", "å¼ Ħ", "设 ç«ĭ", "éĺ² æݧ", "æĬĢ å·§", "éĢļ 常", "è´¢ æĶ¿", "éĥ¨ ç½²", "åľº æĻ¯", "æ±Ł èĭı", "表 è¾¾", "åĸ ·", "女 åĦ¿", "èĪ ¶", "çµ ¦", "ä¼ļ åijĺ", "æĪĸ 许", "äº ©", "举 æĸ¹", "天 æ´¥", "è¿ij å¹´", "çľĭ æĿ¥", "æ¯Ķ ä¾ĭ", "å² ©", "éĵ ľ", "çİ »", "å®ŀ éªĮ", "æĢĿ ç»´", "æĭħ å¿ĥ", "æ² Ī", "身 è¾¹", "æ·± åĮĸ", "ç²¾ åĩĨ", "ç§ģ æľį", "æ¶Ī éĺ²", "åİ» äºĨ", "ç»Ĩ èĥŀ", "çIJĥ éĺŁ", "æĺİ æĺŁ", "é£Ł çī©", "å¾Ī å¿«", "让 ä½ł", "ä¿¡ çĶ¨", "åĶ¯ ä¸Ģ", "åħ¶ å®ĥ", "çŃī æĸ¹éĿ¢", "å¾ĭ å¸Ī", "æŃ» 亡", "æ Ł³", "ä¸Ģ æī¹", "ä¸Ĭ 涨", "æľº åľº", "å½¢ åĬ¿", "æĦ¿ æĦı", "éĽĨ ä½ĵ", "æĸ° åŀĭ", "æįŁ 失", "æĽ ¸", "ä¸ĭ åįĪ", "æ¯ı 次", "æĪIJ å°±", "åħ¬ è·¯", "èĻ «", "åĴ ±", "西 å®ī", "æľĢ ä½³", "ç§ij çłĶ", "å¤į æĿĤ", "æľº åĻ¨", "çĪ± æĥħ", "çħ§ çīĩ", "å¹´ é¾Ħ", "è³ĩ æĸĻ", "ç² Ĺ", "åĩĨ ç¡®", "åĬł ä¸Ĭ", "åĩº çīĪ", "è° IJ", "家 å±ħ", "èĥĮ æĻ¯", "ä¸Ģ 线", "äºĭ 项", "åĬ¨ ä½ľ", "ç¥ ¥", "æĢ» ä½ĵ", "æĪ¿ åŃIJ", "ä¹Ł å°±æĺ¯", "大 æ¦Ĥ", "é«ĺ æķĪ", "åIJ ¹", "æİ ĪæĿĥ", "éĻĦ è¿ij", "æ¡Ī ä¾ĭ", "éĹ ¹", "çĪ¸ çĪ¸", "彩 票", "æĢ Ĵ", "举 æĬ¥", "æĻ® éģį", "çķĻ ä¸ĭ", "è¡£ æľį", "æĹłè®º æĺ¯", "åħħ 满", "æ·± 度", "æ¡ ij", "æĪª èĩ³", "带æĿ¥ çļĦ", "éĻ µ", "æĦŁ æĥħ", "èµ ļ", "åĵª äºĽ", "æķ´ æĶ¹", "æĪIJ çĨŁ", "å¨ ľ", "é¼ »", "çŁ Ľ", "çĽ ¾", "好 好", "第 åĽĽ", "åĨł åĨĽ", "è´¢ å¯Į", "æľĢ 好çļĦ", "车 åŀĭ", "éĸ Ģ", "åį³ å°Ĩ", "åĪĨ 为", "éĿĴ å²Ľ", "纷 纷", "ä»Ĭ æĹ¥", "å¹³ è¡¡", "å¹³æĸ¹ ç±³", "éĤ£ ç§į", "åĩº çĶŁ", "éĿĴ æĺ¥", "人 群", "人 å·¥", "ä¹ĭ ä¸ĭ", "æ¹ĸ åĮĹ", "åľ¨ æѤ", "åįļ 士", "æŶ åĪ»", "æ²³ åĮĹ", "æĶ¾ å¼ĥ", "éĢļ éģĵ", "森 æŀĹ", "çĸ Ĩ", "æķ ¸", "èĬ ³", "æīĵ åĩ»", "æĽ ¹", "åĮĸ åѦ", "æĥ³ 象", "ä¸ĩ 人", "è´¢ ç»ı", "åħĥ ç´ł", "ä¼ļ 计", "åħ¨ ä½ĵ", "æĦ Ľ", "é«ĺ ä¸Ń", "æľº éģĩ", "声 éŁ³", "æĹħ è¡Į", "æµ ©", "æŁ ±", "å°ij å¹´", "åĽ½ å¤ĸ", "èijĹ åIJį", "çĶŁ åŃĺ", "å§ ľ", "带 é¢Ĩ", "é¢ľ èī²", "ä¸Ĭ ä¸ĭ", "产ä¸ļ éĵ¾", "æĽ´ 好çļĦ", "å² Ń", "ä¼ĺ æĥł", "便 æĺ¯", "åħ§ 容", "ä¸Ģ åıª", "çIJ ´", "梦 æĥ³", "秣 èµģ", "å¼Ģ åIJ¯", "è´Ń çī©", "åĮħ åIJ«", "åĪ© çİĩ", "èµ· äºĨ", "æľī åĬĽ", "éĤ£ éĩĮ", "审 æī¹", "对 æīĭ", "çİ° éĩij", "天 çĦ¶", "çĽ Ĵ", "çĪ ½", "å¿ħ çĦ¶", "åĮĸ å·¥", "ä¸ĵ åĪ©", "åķ ¡", "å¼Ģ å¿ĥ", "人 ä½ĵ", "éģĵ 士", "æĢģ 度", "空 è°ĥ", "æĭĽ åķĨ", "å§ »", "第 äºĶ", "æ£ Ĵ", "ä¸Ģ ç³»åĪĹ", "åį± æľº", "转 åıĺ", "åľº æīĢ", "é¸ £", "æĪ¿ éĹ´", "éĢ ¼", "è¯ķ çĤ¹", "对 å¤ĸ", "åĩº åı°", "åľ¨ è¿Ļ", "åİĤ 家", "å·¨ 大", "ç®Ģ ä»ĭ", "çľĭ äºĨ", "åħļ 建", "æĮĩ æĮ¥", "çŁ³ æ²¹", "ä¸į åı¯èĥ½", "èİ ²", "ä¸į 太", "åĪĽ æĦı", "第 ä¸Ģ个", "è´µ å·ŀ", "è¿ĩ äºĨ", "æľ¬ æĿ¥", "éģĵ å¾·", "çŃĶ æ¡Ī", "éĻ ¶", "ä¸Ģ è·¯", "èĤ ĸ", "æ¸ħ æ´ģ", "æľī æľº", "åIJį åįķ", "æĿ ±", "åij¼ åIJ¸", "ä¸ Ī", "ç¦ı 建", "è¯ķ éªĮ", "å¼ķ åıij", "ä¹Ł 没", "ä¸į ä½ı", "çĨŁ æĤī", "èIJ ¬", "ä¸į èī¯", "çł ĸ", "èĩ´ åĬĽ", "çŃ¾ 订", "åIJ Ĭ", "ä¾ ¯", "çĺ ¦", "å§ij å¨ĺ", "æĸ ¤", "妻 åŃIJ", "æĺ¥ èĬĤ", "çĪ ¬", "æĽ Ŀ", "çĥŃ æĥħ", "éķ¿ æ²Ļ", "èIJ¥ éĢł", "éħ ·", "éĵ Ŀ", "åŁºæľ¬ ä¸Ĭ", "åij¨ åĽ´", "ä»Ģ 麼", "认 åı¯", "åĪĨ åŃIJ", "ä¸Ģ æĸ¹éĿ¢", "è½ ´", "å¼ ·", "马 ä¸Ĭ", "éĽ ¾", "èĩ £", "å° ¿", "çĶŁ æĦı", "å®ī å¾½", "ç¥ŀ ç»ı", "åĩº å¸Ń", "èį¯ åĵģ", "çIJĨ çĶ±", "åįı åIJĮ", "æµģ åĬ¨", "åıij åĬ¨", "åĿļ å®ļ", "表 æĺİ", "åIJİ éĿ¢", "ä¹ī åĬ¡", "å¦ ĸ", "æľī åı¯èĥ½", "å¹´è½» 人", "大 éĻĨ", "å² ³", "ä¸į èµ·", "çŀ¬ éĹ´", "ä¸įå¾Ĺ ä¸į", "çŃ¾ 约", "åIJĪ æł¼", "åħļ æĶ¯éĥ¨", "æµİ åįĹ", "便 åĪ©", "éļı æŶ", "å¥ ī", "称 为", "产 æĿĥ", "åIJ ķ", "çĽ Ĩ", "课 åłĤ", "ç· ļ", "æ£ ī", "线 ä¸ĭ", "èĩª è¡Į", "举 æݪ", "åݦ éŨ", "èĩª ä¿¡", "å½± è§Ĩ", "ä» Ķ", "çĶŁæ´» ä¸Ń", "æĿĥ çĽĬ", "çĻ½ èī²", "å°± ä¸į", "è¿Ľ å±ķ", "æ¯ı æĹ¥", "ä¾Ľ ç»Ļ", "æĿĥ åĪ©", "æĹł æķ°", "çIJĨ è´¢", "ä¾Ŀ æŧ", "ä¸Ĭ åįĪ", "è¯Ĩ åĪ«", "çĽĪ åĪ©", "çł Ĥ", "许 åı¯", "åIJĮ äºĭ", "åĺ Ľ", "éģ ¸", "çĿĢ åĬĽ", "éŨ åı£", "ä¸į å¤ļ", "åħ¶ 次", "ç¢ §", "çī© çIJĨ", "åĨħ å¿ĥ", "çĻ¾ å§ĵ", "æĢ» 绣", "å¹² åĩĢ", "积 ç´¯", "åıį é¦Ī", "æłij ç«ĭ", "社 交", "ç§ ©", "åįģ ä¸Ģ", "éĤ ĵ", "驱 åĬ¨", "å±ķ è§Ī", "èĪĴ éĢĤ", "åŁº åĽł", "å·® å¼Ĥ", "转 让", "å°ı å§IJ", "æł· åŃIJ", "ç¿ Ķ", "é«ĺ åħ´", "å½±åĵį åĬĽ", "æīĭ ç»Ń", "缸 åIJĮ", "缸 åºĶ", "æĻ Ĵ", "è§ Ģ", "å¸Ĥ å§Ķ", "èĬ ¯", "å±ķ çİ°", "åľ° çIJĥ", "éĤ ª", "ä¸Ģå®ļ çļĦ", "åħģ 许", "ä¿¡ ä»»", "æī ij", "éĻ¢ æł¡", "ç®Ģ 称", "åģļ æ³ķ", "ä¹ĭ è·¯", "æĹĹ ä¸ĭ", "èħ Ķ", "æ¶Ī 失", "ä¸ĸçķĮ ä¸Ĭ", "åŁİ 乡", "èĪŀ åı°", "å¾Ī 大çļĦ", "绣 çŃ¹", "åħ¬ å¹³", "èĤ ¾", "çļĦ 好", "æ± ģ", "çľ¼ åīį", "éĽ £", "å¹ ½", "åħ± 产", "主 åĬŀ", "å¤Ħ ç½ļ", "åº Ļ", "éģĵ çIJĨ", "å¼ µ", "æİ¥ çĿĢ", "çĮ İ", "çģ Į", "çĶ± æѤ", "人 åĬĽ", "æµģ è¡Į", "ä¾ ł", "åı¯ä»¥ 说", "èĴ ĭ", "å½¢ æĢģ", "æĹ¥ åŃIJ", "æ¼ Ĩ", "çķĻ åѦ", "缸 éĹľ", "æľĢ å¤ļ", "åĩŃ åĢŁ", "åħ¬ 交", "æĮĸ æİĺ", "æĿĤ å¿Ĺ", "主 人", "éļľ ç¢į", "æł¡ éķ¿", "æĸ¹ ä½į", "ä¸Ĭ çıŃ", "å¤ļ åħĥ", "è ĥģ", "éŃħ åĬĽ", "èĮ Ĥ", "åħħ çĶµ", "强 大", "çĥ ¤", "å¥ĭ æĸĹ", "å®ŀ çĶ¨", "éĺ ģ", "ç»Ļ äºĨ", "æľ¬ ç§ij", "æł ĭ", "æĭ ¨", "æķĻ ç»ĥ", "éĥ½ çŁ¥éģĵ", "æ¯ķä¸ļ çĶŁ", "ç¢ Ĺ", "åŀ Ĥ", "è® ¼", "å®ģ æ³¢", "åѦ èĢħ", "è°¢ è°¢", "åŁİ éķĩ", "æĢİä¹Ī åĬŀ", "éģ Ķ", "æĪIJ 交", "æ½ľ åĬĽ", "åį §", "æĸ° å¼Ģ", "éħį å¤ĩ", "主 åĬĽ", "åij³ éģĵ", "çĥ Ĥ", "é£ŀ è¡Į", "å« ģ", "大 大", "ç»Ļ 大家", "å¤ĸ éĿ¢", "éĨ ī", "åıij è¨Ģ", "æĹ© é¤IJ", "åIJĦ èĩª", "å® Ļ", "èį£ èªī", "æĬ« éľ²", "é¡ ŀ", "åĨħ çļĦ", "èĤ ª", "è¾ IJ", "æ³ µ", "æĬ Ľ", "æĺŁ æľŁ", "ä¸Ģ 带", "çĶŁ ç´ł", "ç»ı éĶĢ", "åĩ ¶", "åľ° ä¸Ĭ", "åij½ è¿IJ", "åĵ ²", "ä¸Ĭ åİ»", "æĸĩ çī©", "è¯ ij", "æĮ¯ åħ´", "éķ¿ æŶéĹ´", "ç¥ Ń", "åIJĪ èĤ¥", "è¿Ŀ è§Ħ", "èģ ª", "ä½İ äºİ", "éĢĤ å½ĵ", "æľī åºı", "æľ¬ ç½ij", "çķĻ è¨Ģ", "æĥ³ æ³ķ", "çŃ¾ ç½²", "å§ ļ", "æĢ§ æł¼", "èĴĻ åı¤", "æŁ ı", "åŀ «", "åѦ åİĨ", "ä»ħ ä»ħ", "讲 è¯Ŀ", "éĶ IJ", "æĢ ĸ", "åī ª", "èĭ į", "åIJ ĵ", "强 çĥĪ", "åģ¥ åħ¨", "çĸ ¯", "åı¤ 代", "å¥ Ī", "ä¸į çĦ¶", "乡 éķĩ", "æľĭåıĭ 们", "åĤ ħ", "èģ ½", "个 æĢ§", "æ³ķ è§Ħ", "å°ı éķĩ", "çĶ» éĿ¢", "第 åħŃ", "網 è·¯", "åīį æĻ¯", "åIJ¬ 说", "ä¼ł åªĴ", "æĿ¡ ä¾ĭ", "åĪ« çļĦ", "ä¸į æĩĤ", "顾 éĹ®", "强 度", "éĺ¿ éĩĮ", "èµ° åĬ¿", "å¸ ½", "çļĦ ç¡®", "åĮº åĪ«", "éĮ ¢", "主 管", "ä¸Ģ çľĭ", "æĸ ľ", "åŃĺåľ¨ çļĦ", "ä» ²", "åį± 害", "éĵ Ń", "游æĪı ä¸Ń", "éħ ±", "é¾Ļ 头", "人 å¿ĥ", "éĢĢ ä¼ij", "æµı è§Ī", "åĬ «", "éĺ² æ²»", "ç® Ń", "å± Ī", "è¾½ å®ģ", "å£ ¤", "è¿İ æĿ¥", "éŀ į", "çĶ¨ æĿ¥", "大 åľ°", "ä» °", "éĢļ 讯", "å¼Ģ å·¥", "è£ ¤", "å¦Ĥ åIJĮ", "éª ¤", "éĺŁ åijĺ", "è½ ©", "ç¾İ æľ¯", "èĻ Ł", "åIJĮ ä¸Ģ", "åľ ĸ", "书 æ³ķ", "æīĵ åį°", "åIJ« æľī", "éĽĨ æĪIJ", "éĹ ·", "å¸Ĥåľº ä¸Ĭ", "æĹģ è¾¹", "åľ° æĿ¿", "产çĶŁ çļĦ", "ç² ¤", "éĩį ç»Ħ", "è¡Ģ 液", "çŃ ĭ", "åĬŀ äºĭ", "常è§ģ çļĦ", "ä¸Ĭ åįĬå¹´", "å±ı å¹ķ", "åIJī æŀĹ", "å· ©", "åĸľ çĪ±", "ç¿ ł", "ä¸ī ç§į", "æ¡Ĩ æŀ¶", "举 èİŀ", "çĶĺ èĤĥ", "èĬ ¬", "åĽ¾ 书", "åĩ¤ åĩ°", "æ°Ķ åĢĻ", "å° ´", "å° ¬", "两 天", "è¾ħ 导", "åĢŁ 款", "æĹ¥ èµ·", "æ´ Ĵ", "ä¸Ģ 度", "è¹ Ī", "æ½ Ń", "æī ĩ", "çĻ ľ", "æĸ° åħ´", "åĤ ²", "诸 å¤ļ", "è´ ª", "éĻ· åħ¥", "èĪ Ł", "èĤº çĤİ", "ä¸Ģ æł·çļĦ", "åİ ĺ", "åľ° çIJĨ", "æĬķ 注", "éļ Ĭ", "åħī ä¼ı", "ä¿Ŀ åģ¥", "åħ Ķ", "åħ¬ åĬ¡", "æīĵ çł´", "çĶ· åŃ©", "åĬ³ åĬ¡", "ä½ł ä¼ļ", "çĶ¨ åľ°", "æº ¢", "åıij è¾¾", "èĤ ļ", "è¿ĩ äºİ", "èĩ Ĥ", "éĢĻ 樣", "è½» è½»", "ä¸Ń åħ±", "åIJĦ åĽ½", "åĶ ĩ", "å®ŀ ä¹ł", "èĻ ¾", "æ§ ½", "ä¸į ä¸Ĭ", "åħį çĸ«", "åįł æį®", "å·¥ ä¼ļ", "åĽ Ĭ", "èĪª 天", "åı¯ çĪ±", "æĸĹ äºī", "çĺ ¤", "å¦Ĥ æľī", "éĽ ĸ", "对 æĪij", "åĩº 秣", "好 çľĭ", "太 大", "æ°´ åĪ©", "åĬ¿ åĬĽ", "åħ¨ æ°ij", "ç½ ¢", "èµ¢ å¾Ĺ", "çĶµ ä¿¡", "车 éĹ´", "æĻĤ åĢĻ", "å°ij æķ°", "éĵ ¸", "åħ³ èģĶ", "ä¸įä»ħ ä»ħ", "为 æĤ¨", "åĴ ¸", "æľº åĬ¨", "è£ Ļ", "åĵį åºĶ", "éģ ł", "è² ·", "ç© ´", "å¢ ħ", "éĶ ¡", "çµ Ħ", "çģ« 车", "è³ĩ è¨Ĭ", "åĨ³ èµĽ", "污 æ°´", "èª ŀ", "å´ Ľ", "ç´§ å¯Ĩ", "缺 å°ij", "å¤ļ 人", "æĢ» 书记", "éĶ Ī", "èij Ľ", "å¿ĺ è®°", "éĻĮ çĶŁ", "éķ¿ 大", "åħĪè¿Ľ çļĦ", "ç¡ ħ", "åıij æĺİ", "å©´ åĦ¿", "æīİ å®ŀ", "èĽĭ çĻ½", "ä¸Ģ çĻ¾", "缮 åħī", "æ ħĮ", "åĬł æ²¹", "åIJ ŀ", "ä¸Ģ 群", "ä¸Ń ä»ĭ", "å¸ ĸ", "å¿ Į", "èģĮ èĥ½", "广 æĴŃ", "çĽij å¯Ł", "ç§ĺ å¯Ĩ", "çĭ ®", "è¿Ļ æĿ¡", "éĢ ¢", "æĢ ¨", "åįģ åħŃ", "è© ¦", "说 åĪ°", "åĩĿ èģļ", "æĮĩ 示", "æ° ¢", "å¼ ĺ", "éĺ Ģ", "æĸ ©", "éł ħ", "ä¸Ģ å¼Ģå§ĭ", "æİĴ è¡Į", "åľ¨ æĪij", "纪 å½ķ", "æĬ Ħ", "æł ª", "说 æ³ķ", "ä¸Ń èį¯", "好 å¤ļ", "åıª ä¸įè¿ĩ", "çķĻ åľ¨", "个 å°ıæŶ", "认 çŁ¥", "çķ «", "è§ģ è¿ĩ", "å°ı å¾®", "ä½Ľ å±±", "çľ ¾", "讲 è¿°", "æ¢ ³", "称 åı·", "æĹ¥ æĻļ", "è¢ ĸ", "åķ ¤", "æľª ç»ı", "æľĢ æĹ©", "æī® æ¼Ķ", "è¡Ģ 管", "çº ±", "æĥħ èĬĤ", "第 ä¸ĥ", "æį §", "ä» Ĺ", "æ¿Ģ çĥĪ", "æĹł 线", "ä¸į 容æĺĵ", "å¼Ģ å¹ķ", "æĸ° çĶŁ", "ä¸ĵ 注", "èij ±", "åįĹ æµ·", "çĩ Ł", "èµ· ä¾Ĩ", "æ´¾ åĩº", "åĦ Ĵ", "ä¾ ¨", "è¼ ĥ", "åįļ è§Ī", "éĢ ¾", "åĮ Ģ", "ç»ıæµİ åѦ", "æ¸ Ĺ", "ä¿Ŀ èŃ·", "çī º", "çī ²", "çİ «", "çij °", "æľĢåIJİ ä¸Ģ", "æĶ¿ åĬ¡", "æ§ Ľ", "èĻķ çIJĨ", "éļIJ æĤ£", "æī¿ åĮħ", "æ¥ µ", "æ¡ ©", "çĽ ²", "导 åIJij", "èĩ´ å¯Į", "ç¼ Ĩ", "æģĭ çĪ±", "ä¸į åĬ¨", "ç»Ļ 人", "å· ¢", "表 æĥħ", "举 åįĹ", "åĨħ å¤ĸ", "è¾Ī åŃIJ", "åı ī", "åįļ ä¼ļ", "åĬŁ æķĪ", "æ¸ ´", "å± ¬", "æİĴ éĻ¤", "éĢ Ľ", "ä¸Ģ ä¼ļ", "ä¸į å¼Ģ", "å¼Ģ å¥ĸ", "é»ij é¾Ļ", "é»ijé¾Ļ æ±Ł", "å¿« ä¸ī", "度 åģĩ", "åĿ ¤", "éĤ® 件", "æĩ Ĵ", "ä¾Ľ çĶµ", "å» £", "好 è¯Ħ", "ç§ĺ书 éķ¿", "æĪĺ åľº", "好 å¥ĩ", "ä¾µ æĿĥ", "æĨ ¾", "æľĢ åĪĿ", "æī¹ åıij", "åİ ķ", "è¼ ķ", "æŀ ¯", "ä¸ļ åĨħ", "è´Ń æĪ¿", "ä¸į åľ¨", "纪 å§Ķ", "æīĢ éľĢ", "å¸Ĥ éķ¿", "è³ ½", "å¼ķ æĵİ", "çģµ éŃĤ", "éĬ Ģ", "æ» ¤", "çĿ IJ", "å¤ļ 项", "åĽŀ 头", "èī ĺ", "å¤į å·¥", "éĥ¨ 件", "ç´§ ç´§", "æŁIJ ç§į", "使 åħ¶", "æĸ° 人", "æŀ ļ", "æ³ķ å®ļ", "å·´ å·´", "涵 çĽĸ", "ç¨ »", "æĭ ¾", "æĻ ķ", "è½ ¿", "éĢļ è¡Į", "åĵ Ģ", "æ³ Ĭ", "温 馨", "éĽĨ èģļ", "çĨ Ļ", "åĩ ij", "åįģ ä¸ĥ", "æ°Ķ æģ¯", "æıIJä¾Ľ çļĦ", "æ³ ³", "奥 è¿IJ", "çģ¾ 害", "åĩĢ åĮĸ", "è·¨ è¶Ĭ", "åĵª æĢķ", "éŁ ¿", "å¢ŀ æ·»", "çĦ Ĭ", "æ®ĭ çĸ¾", "ç¢ Į", "æĤ Ķ", "è§ģ è¯ģ", "è¾ĸ åĮº", "å¿ĥ èĦı", "éļ §", "åį ¸", "åı¯èĥ½ æĢ§", "æľī 趣", "åī¯ 书记", "åĮĸ å¦Ĩ", "ä¿ Ĥ", "æ£ ļ", "éĨ ĩ", "带 头", "éł Ī", "追 究", "æij Ķ", "è¿Ļ éĥ¨", "ä¸į 论", "ç¥ ¸", "å ³»", "éģ ķ", "çĶŁ èĤ²", "å¤ ł", "å¤ĸ 交", "è¯Ħ 为", "ä»İ å°ı", "å°ı å°ı", "é ¥¿", "æĴ ¼", "è·¨ å¢ĥ", "被 åijĬ", "åįĹ å®ģ", "身 å¿ĥ", "åĨį çĶŁ", "æīĢ 说", "æŶéĹ´ åĨħ", "åĪĹ åħ¥", "éĿĴ æµ·", "çĪ± 好", "çª Ħ", "èĪ Ī", "è¿ĩ 渡", "æ¿ Ł", "éĽ Ģ", "审 è®®", "åĽ½ èµĦ", "æŃ¥ ä¼IJ", "轨 éģĵ", "ä¿¡ 念", "ä¸ī åĪĨ", "çĨ ¬", "åѵ åĮĸ", "ç¼ ł", "éĥ Ĭ", "èĪĴ æľį", "纪 æ£Ģ", "ä¸Ģä¸ĭ åŃIJ", "鼻 話", "è² ł", "éĴ ¥", "åĮ Ļ", "çĹ ´", "è¶ ģ", "ç» £", "çĪ µ", "è½ °", "éª Ħ", "å§ ¨", "æĭ ĺ", "çĮ ´", "è® ¶", "è¿Ļ 座", "çį ¨", "æ·ĺ æ±°", "çĹħ ä¾ĭ", "æ²Ļ åıij", "è§Ĩ 为", "头 æĿ¡", "å¿ħè¦ģ çļĦ", "åı¯ è°ĵ", "è¯Ŀ 说", "ç¯ Ħ", "æĹ© çĤ¹", "æŀ¢ 纽", "ç¾ ¡", "çĪ± åĽ½", "çªģ åıij", "éĢ Ĭ", "æ½ į", "èį£ èĢĢ", "èŁ ¹", "æ¦Ĥ çİĩ", "å¾Ī ä¹ħ", "æĥ ķ", "è¨ ´", "åľĨ 满", "çļ ±", "åĪĨ æ³Į", "åħħ 足", "çľĭ æ³ķ", "è¾ Ł", "æĭ ¦", "æĭ ©", "对 åºĶ", "为 æł¸å¿ĥ", "èħ Ĭ", "å¤ļ ä¹Ī", "æµ ij", "å®ı è§Ĥ", "èĦ ĸ", "åIJĪ èµĦ", "çĶŁ 涯", "å®ŀ è´¨", "ä¼ĺ çĤ¹", "çĶ¨ æ°´", "寿 åij½", "æ² «", "åIJ ģ", "è© ¹", "åĽ½ éĺ²", "å´ ©", "åĿ İ", "èĨ ı", "ä¸Ģ è½®", "éģĹ äº§", "æ¹¾ åĮº", "ç» İ", "åįķ 纯", "æ¾ Ħ", "åīį åĪĹ", "身 å½±", "é»ĺ é»ĺ", "æį ī", "çĴ °", "èı Ĭ", "æĢ ľ", "åħĭ æĢĿ", "æĢ» å±Ģ", "çĩĥ æĸĻ", "ä¸ļ æĢģ", "åIJĦ æł·", "åĴ ½", "åĩº èī²", "åĪĿ å¿ĥ", "åı Ľ", "çłĶ 讨", "è¡ «", "åİĨ ç¨ĭ", "ç¦ ½", "è¶³å¤Ł çļĦ", "èį Ĩ", "çľĭ å¾ħ", "è´ ©", "åĨ³ å¿ĥ", "è£ ¹", "å¸Ī èĮĥ", "åŀ Ħ", "æĿ ł", "åĩ ¸", "çĬ¹ 豫", "çĥŃ è¡Ģ", "åIJĪ ä¼Ļ", "éħ µ", "èIJ½ åľ¨", "åįł åľ°", "è¡ ¬", "èĵ ī", "æĦ ¤", "æ¸ Ĭ", "åĪĨ æķ°", "ç¬ij çĿĢ", "太 å¹³", "çĤ «", "æݨ ä»ĭ", "æĸ¯ åĿ¦", "å½¢ 容", "æĵ Ĭ", "æĦŁ åħ´è¶£", "åĨĽ 人", "åĩĮ æĻ¨", "对 çħ§", "åıij çĹħ", "å· ¾", "èĪ ī", "æª ¢", "ç¬ij äºĨ", "ç¡® è¯Ĭ", "è´Ł åĢº", "壮 大", "æĪ ļ", "äºĴ èģĶ", "èª ²", "èħ ¦", "æĹ ±", "åıĹ æ¬¢è¿İ", "åį ī", "éĻ¢ 士", "æ© ¡", "ä¸Ģ 对", "è¾ ±", "æ² Ĥ", "åı² ä¸Ĭ", "æIJ ı", "å´ ĸ", "代 è°¢", "ç£ ·", "é¡ ĺ", "æµ ĩ", "常 çĶ¨", "åį ij", "åĩº åĽ½", "è¯ ł", "稳 æŃ¥", "ç»ı 纪", "å¤ļ å¤ļ", "æīĢ å¾Ĺ", "为 主é¢ĺ", "ä¸Ģ åĪĨ", "æł ½", "é¡ §", "çº ²", "åĥ ħ", "å£ ĵ", "åĦ ª", "ç¿ °", "æİ Ģ", "人 为", "åª ³", "æ´ ½", "èĿ ¶", "å¤į åħ´", "ä¼ļ å½±åĵį", "åIJĦ çķĮ", "éĤ£ ä¸Ģ", "é¢ ¤", "çĢ ı", "çĢı 覽", "å¯ ŀ", "åı¯ æĢķ", "åį³ æŶ", "çķ ´", "ä¸ĭ åįĬå¹´", "ç¬Ķ è®°", "éĻĦ åĬł", "çĥŃ æ°´", "å¥ ¸", "ç£ ħ", "æĿ ī", "æ¸ħ åįİ", "éĸ ±", "ç° ¡", "å¤Ħ å¤Ħ", "åIJĪ éĩij", "æ²³ æµģ", "ç´ °", "è´Ł éĿ¢", "çļĦ 羣å®ŀ", "åĻ¨ 械", "èĴ IJ", "西 äºļ", "å· ħ", "ç² ¹", "åİŁ æĸĩ", "æŀ ķ", "è¡Ģ åİĭ", "åļ ´", "å¸ ĺ", "åĨ Ģ", "æĮ «", "çĶµ è·¯", "å°ı ä¼Ļä¼´", "èĿ ´", "æľĢ å¿«", "æĭ Į", "å® ª", "æĸ ·", "ç¿ ħ", "åĴ ³", "åĹ ½", "ç¾ ŀ", "躺 åľ¨", "èµĽ 车", "æ² IJ", "éĻIJ 度", "为 ä¸Ģä½ĵ", "èĴ ľ", "å¹ «", "æIJ ħ", "åĭ ĭ", "åī ĸ", "纳 ç¨İ", "éķ¿ æķĪ", "ç½ ķ", "åī¯ æľ¬", "ç© į", "éĴ ©", "ç¹ ¼", "åĽ½ åľŁ", "è¼ ī", "ä¸į å¿ĺ", "èѦ 示", "çģ ¿", "å¿ĥ å¾Ĺ", "æĦ ļ", "忽 çķ¥", "åĽŀ äºĭ", "åįł æľī", "æ· Ħ", "çī ¡", "çĽij äºĭ", "ç¿ ¡", "éĴĪ对 æĢ§", "çª ĥ", "è£ ½", "èĨ Ŀ", "ç³ Ł", "港 æ¾³", "太 太", "æ¾ ¡", "ç»Ĩ åĮĸ", "åĶ® åIJİ", "å®ŀåľ¨ æĺ¯", "ç« £", "çį ²", "åĢ¾ åIJij", "å¼ķ çĶ¨", "é¹ ħ", "ç¬ij 容", "ä¹IJ 趣", "æ°ij æĶ¿", "éŨ æĪ·", "å± ģ", "è¿· 失", "éĶ Į", "å°ı 康", "åĭ ī", "æ³ ¼", "ä¾ĭ åŃIJ", "ä¸ī ä½į", "å» ł", "èĶ ĵ", "广 éĺĶ", "èĢ į", "èĢģ èĻİ", "åĭŁ éĽĨ", "èĦļ æŃ¥", "æĭ ¯", "åŃĹ åı·", "çĦ °", "é¢ ł", "èļ Ĥ", "èļ ģ", "é£ ¯", "人 æĢ§", "æĴ °", "åİ ¢", "å±Ģ éĻIJ", "æľª æĪIJ", "åĵª åĦ¿", "大 åıij", "ä¸į å®ļ", "å¾ģ æ±Ĥ", "éĥ µ", "åĢº æĿĥ", "çĪ± ä½ł", "èº ģ", "ä»ħ ä¾Ľ", "è¿ľ å¤Ħ", "éĨ Ľ", "åĥ µ", "积æŀģ æĢ§", "æİ ¡", "åīį ä¸ī", "äºİ ä¸Ģä½ĵ", "çŀ Ħ", "çĿ ģ", "æ² ¸", "åħ± èµ¢", "éĢĢ å½¹", "è´Ŀ å°Ķ", "æİ ı", "æĪ ²", "è¡ į", "éĶ Ĥ", "ä¸ĩ ä½Ļ", "ç§ij åĪĽ", "æ¼Ķ åĶ±", "欧 åħĥ", "æ·¡ æ·¡", "éĿĴ å±±", "èĹ Ŀ", "ç» ½", "令 çīĮ", "éĽĨ 群", "ä½ľ çī©", "çĢ ij", "å¤ ¯", "ç½ij 游", "åħ« 大", "éª ļ", "èª ĵ", "ä¼ļ å±ķ", "åħļ åı²", "æ£Ģå¯Ł éĻ¢", "åĸ ĺ", "éĺ ±", "èĢĮ åĩº", "éĢļ 车", "éĴ ĵ", "æĥħ 人", "æ¸ Ľ", "ä¸Ń ç§ĭ", "çĪ Ń", "åıª åī©", "æĺ Ķ", "éĩİ çĶŁ", "ç¡ «", "èIJĿ åįľ", "æĬµ æĬĹ", "çĻ« çĹ«", "éĻ Ģ", "èĶ ļ", "å¸ ľ", "满 满", "èı ±", "éļĨ éĩį", "æĺŁ çº§", "æ½ ĩ", "åħ¬ åħĥ", "è° £", "æ¯Ķ äºļ", "æ¡Į åŃIJ", "èµ £", "è² ¼", "æĦ¿ æľĽ", "é¡ ½", "æ´¾ éģ£", "ç¥ Ľ", "åª ļ", "éĺ ľ", "èij «", "èĬ ¦", "æ³ »", "å¡ Į", "çĭ Ń", "å»ī æĶ¿", "å¥ij æľº", "æĹĹ èĪ°", "æĥ «", "严 åİī", "åıĭ æĥħ", "å¦ Ĭ", "å¨ ł", "åĵª 家", "èĨ ¨", "è¶ Ł", "æĮ ª", "èĻ IJ", "é łģ", "çŀ ©", "éº Ł", "ç¨ £", "èģĶ éĢļ", "åı ®", "çİĭ èĢħ", "ä¸į ç¡®å®ļ", "ç ijľ", "è° İ", "çī¢ è®°", "ç¢ ¼", "æĬ¤ èĤ¤", "é¡ ·", "çĦ ķ", "åģļ 强", "éļ± ç§ģ", "éļ±ç§ģ æ¬Ĭ", "åıĹ å®³", "ä¸į çĶ±", "çĥ ¹", "é¥ ª", "é© ³", "ä¼ ½", "ä¸Ŀ 绸", "è¥ Ħ", "åįģ ä½Ļ", "éº Ĺ", "æ¬Ĭ åĪ©", "èģ ŀ", "åı¤ èĢģ", "éģ ı", "åIJĦ å¼ı", "å°± è¡Į", "åħ¥ å¢ĥ", "ç ĥģ", "èľ ĺ", "èĽ Ľ", "çº ¬", "çŁ «", "è» Ł", "æ´Ĺ è¡£", "æĦ §", "é¢Ħ æ¡Ī", "éľ Ĩ", "æ·± åİļ", "éĺ¿ æĭī", "åĨĻ åŃĹ", "åį ¦", "éķ Ģ", "模 æł·", "åĤ į", "æIJ į", "èĸ ¯", "åł ħ", "åħ¬ 积", "è¨ İ", "ä¼ł æŁĵ", "æ¯ ¯", "çIJĨ å·¥", "åĨ· éĵ¾", "ç«ĭ æĸ¹", "æ¢ Ń", "åľ£ è¯ŀ", "综 èīº", "çİ© ç¬ij", "æĥ³ ä¸įåĪ°", "æijĩ 头", "æ· ¹", "åģĩ æĹ¥", "åĢ ĺ", "èĢ ½", "èİ ĵ", "åŁ ·", "èĩª è´¸", "åįĬ 天", "æª Ķ", "æ¾İ æ¹ĥ", "éķ ij", "ä¸ «", "éĩĮ ç¨ĭ", "å¼Ģ èįĴ", "èı ı", "å®Ŀ è´µ", "èŃ ¬", "åķ Ł", "æŁ ł", "æª ¬", "é© Ń", "æ± Ľ", "çĨĬ çĮ«", "èķ ī", "éļı ä¹ĭ", "å± ij", "è¾ĥ 强", "èĥ ³", "èĨ Ĭ", "éĿĻ éĿĻ", "åĴ ª", "æĭĽ åij¼", "代 è¨Ģ", "ä¿¡ ç®±", "è£ħ éħį", "æĤ į", "åįķ 车", "èIJ İ", "å¤ļ 彩", "éĻ ¸", "ä»İ 严", "æ© Ħ", "æ¦ Ħ", "éĢ ®", "éĩĮ æĸ¯", "姿 æĢģ", "太 æŀģ", "éĩ Ŀ", "æº ī", "è¿ Ń", "ç§ ¸", "ç§ Ĩ", "å·¥ å§Ķ", "æ± ķ", "èģ Ĩ", "ä½ ¬", "ç¼ ħ", "çĶ ¸", "åī¯ å±Ģéķ¿", "éĹ º", "èª ¤", "è¤ IJ", "ä¸į éĻIJ", "èħ ķ", "åij ķ", "çŁ ¶", "åĨľ 家", "管 å§Ķä¼ļ", "é¥ º", "èĬ ľ", "æ¾ Ī", "è© ¢", "å¨ģ å°¼æĸ¯", "ä½ķ åĨµ", "å°ı ä¼Ļ", "奢 ä¾Ī", "è¿Ļ ç¯ĩ", "è¯ µ", "ç«ł ç¨ĭ", "ç´ Ģ", "éIJ ĺ", "éĤ ¢", "ç³ Ļ", "ç¼ Ģ", "ä¹ Ĵ", "ä¹ ĵ", "çī¢ åĽº", "åĿ ŀ", "å¼ Ī", "ä¾ĭ å¤ĸ", "å» ³", "è§Ħ ç«ł", "èĬ Ļ", "ç¯ ·", "èº ¯", "æł Ī", "åĿļ å®ŀ", "åŁº 建", "çĿĢ çľ¼", "ç· ´", "èij ©", "ç¼ ļ", "æ¦ Ĩ", "主 åĭķ", "ç¥ Ģ", "äºĴ éĢļ", "å°¤ 为", "å® Ľ", "éª ¼", "æ± ²", "ä¾ ĥ", "æĤł ä¹ħ", "æij §", "æĭ ĩ", "é« ĵ", "éº Ĵ", "éĻ Ľ", "æŀ ¸", "æĿ ŀ", "è´ ¬", "å°ı é¾Ļ", "åĵ ®", "èĵ¬ åĭĥ", "åĮ Ī", "çķľ çī§", "å¨ ©", "个 å¤ļ", "æ² ¥", "æĺ §", "çĦ ļ", "æĬij éĥģ", "çĸ ¡", "èĺ ij", "éģİ ç¨ĭ", "æ© ±", "éĿ ĵ", "大 çIJĨ", "é« ¦", "åĪĨ 辨", "æ¸ ¤", "çĸ ¤", "åĬ¨ èĥ½", "å¼ł 家", "ä¸ĩ åįĥ", "æ» ¥", "é¥ ¥", "åºŁ å¼ĥ", "å¸ ³", "æ¼ ³", "è± IJ", "ä» ij", "å« ī", "å¦ Ĵ", "çŀ Ĵ", "è¡ ħ", "çĭ ¸", "å¾ģ ç¨ĭ", "éĤ ¯", "éĥ ¸", "ç¥ Ī", "ç¥ ·", "è¶ ´", "ç»ĵæŀĦ æĢ§", "è§Ĩ åIJ¬", "è¬ Ŀ", "çĴ Ģ", "çĴ ¨", "åĩº å¤Ħ", "è¯ Ģ", "å¾ ĺ", "å¾ Ĭ", "çľ ¨", "åĸ ĩ", "åı Ń", "åĺ ²", "çķ ¸", "å¹² äºĭ", "æļ §", "æ² Ľ", "åĦ Ħ", "å» ĵ", "åİ¿ éķ¿", "èĥ ļ", "çIJ ¢", "çŃ ·", "éĩ ĭ", "ä¾ ®", "åIJ ©", "åĴ IJ", "åĮ ¿", "æĬ¬ èµ·", "æ³ £", "æ¶ ¤", "éº ½", "æĽ Ļ", "åī¯ éĻ¢éķ¿", "åħļ åĴĮ", "æķ£ åıij", "润 æ»ij", "åĵ º", "æĥ ¬", "漫 éķ¿", "ä¸į æĩĪ", "åŁ ł", "åĹ ĵ", "èĢģ çĪ·", "è® ½", "æĪĺ ç»ĦåIJĪ", "æ£ ł", "åħ¨ åŁŁ", "èł ¢", "è¯ ¡", "åīį çŀ»", "æķ Ľ", "ä¸Ģ å°ģ", "å¹ Ĥ", "èİ Ĩ", "è¯Ŀ è¯Ń", "ç»Ĩ åĪĻ", "å± ¿", "åµ Į", "éĢ į", "åĺ ±", "æ¸ ²", "çĥ ¯", "çĿ ¹", "é¦ Ĵ", "èħ ¥", "æĬĹ åĩ»", "çĿ «", "èį Ķ", "éļ İ", "æ³ī æ°´", "è¬ Ĥ", "ç Ĥ¬", "åĩı æİĴ", "è¸ Ĭ", "è ·»", "æ· Į", "éľ ¾", "å¥ĩ 纳", "å¯ Ŀ", "æ¤ İ", "æŁ ¬", "æĸ¯ åŁº", "åħ¬ ç«ĭ", "è¨ ĵ", "é£ Ļ", "é© ¿", "åĤ µ", "èĽ Ļ", "ç¯ĩ ç«ł", "åĪĨ æĶ¯", "ä¸Ĭ å¹´", "çŃ Ŀ", "ç¼ ¤", "èĢģ æŧ", "åĻ ¬", "æľ ¦", "èĥ §", "æ¶Ī è²»", "æĵ Ķ", "æ¦ ´", "æ¿ Ĵ", "ç³ ¯", "æ³ ¸", "æį Ĩ", "ç» ļ", "èµ İ", "çIJ IJ", "èµ Ĥ", "æħ ®", "æ² Į", "çĦ Ļ", "æĴŃ æĬ¥", "æ· ĩ", "åĪĩ åħ¥", "çij ķ", "çĸ µ", "éģ ´", "ç¨ ļ", "ç© ©", "èŀ ĥ", "æ£ ķ", "æĨ §", "æĨ ¬", "ä¼ º", "æ¯ Ĺ", "æį į", "æĬ ī", "ç´ Ĭ", "å¼ Ľ", "æĭ Ń", "æĹı èĩªæ²»", "åĿ ·", "ç« ¶", "è© ³", "è¿Ħ ä»Ĭ", "è° ´", "çŀŃ è§£", "æŁ ¿", "é¢ Ĭ", "ç° §", "çĥŁ èĬ±", "ä¾ ¥", "çĿ ¦", "éħ Ŀ", "æ° ĵ", "çIJ ī", "å§ Ĭ", "æ² ®", "æħ ·", "èľ ķ", "çij ļ", "éĩĩ çŁ¿", "åł °", "åºķ èķ´", "èĨ ³", "è¾ ķ", "éŁ Ń", "åĴ Ļ", "ç² ½", "åī Ķ", "æ² ¦", "èĤ ´", "éķ ¶", "æĺ ¼", "è¾ Ĺ", "å© ª", "åĮ ®", "æĸ ĵ", "æ± ¶", "éĥ ´", "éł »", "çª Ĵ", "è¢ ±", "åĽ ±", "èĢ ĺ", "è ļĮ", "çĭ Ļ", "çĹ ¹", "ç¥ ī", "æı ®", "æ· Ĩ", "ç£ ĭ", "éĺ ª", "æ «", "ã ¸", "Ļ ¶", "ã ij", "𣠲", "ä ¢", "ã Ń", "𬠨", "ð¬ Ģ", "𬠮", "𬠯", "ð¬ ľ", "𪠨", "ð« Ĺ", "ð¬ Ĭ", "𬠱", "ð¬ Ł", "ä İ", "ð ¡", "ä ĥ", "ã ł", "ð ©", "ð© ¾", "𬠺", "ð¬ Ļ", "ãĢ Ķ", "ãĢ ķ", "çļĦ æŶåĢĻ", "æľīéĻIJ åħ¬åı¸", "ä¹ĭ åIJİ", "ä¸ļ åĬ¡", "åķ Ĭ", "èĻ½ çĦ¶", "æĭ¥ æľī", "äºĴ èģĶç½ij", "éĤ£ äºĽ", "ä½ł çļĦ", "åĨ³ å®ļ", "éĻ¤ äºĨ", "åĽ¢ éĺŁ", "åı¯ æĺ¯", "以 åIJİ", "社 åĮº", "çļĦ éĹ®é¢ĺ", "并 ä¸Ķ", "æķĻ å¸Ī", "å°± ä¼ļ", "天空 éĥ¨èIJ½", "æľĢ ç»Ī", "å½ĵ çĦ¶", "ä¹Ł æľī", "ç¡® ä¿Ŀ", "æĥ³ è¦ģ", "è´Ń ä¹°", "人 çļĦ", "åIJ ´", "çļĦ åıijå±ķ", "ä¸į çŁ¥éģĵ", "软 件", "æĪij们 çļĦ", "çĪ¶ æ¯į", "åī ij", "èĢĮ æĺ¯", "å®ī æİĴ", "åIJİ æĿ¥", "çļĦ åľ°æĸ¹", "èµ µ", "èĢĥ è¯ķ", "çªģ çĦ¶", "ä¸Ģå®ļ è¦ģ", "åĪ¶ ä½ľ", "è¯Ħ ä»·", "åħį è´¹", "è´¹ çĶ¨", "绣 ä¸Ģ", "çĦ¶ èĢĮ", "è¿Ļ 次", "éĿĴ å¹´", "人 ç±»", "äº ¦", "让 人", "è´Łè´£ 人", "éĩĩ åıĸ", "çļĦ äºĭæĥħ", "ä¹Ł ä¼ļ", "车 è¾Ĩ", "æĽ´ æĺ¯", "强 åĮĸ", "æĪij åĢij", "以 åīį", "ä¼ĺ åĮĸ", "å§Ķåijĺ ä¼ļ", "åĽ° éļ¾", "å¹´ 度", "ä½į äºİ", "æĮĩ åĩº", "åĨį 次", "åĬŀ çIJĨ", "æ¯ı 个", "对 æĸ¹", "è¿Ľè¡Į äºĨ", "æľĢ é«ĺ", "课 ç¨ĭ", "身 ä¸Ĭ", "æĽ¾ ç»ı", "åĮ» çĶŁ", "å®ī è£ħ", "æľ ±", "è¿IJ è¡Į", "åıĮ æĸ¹", "æľĢ 大çļĦ", "æŀĦ 建", "è¿ŀ ç»Ń", "çļĦ å°ı", "她 çļĦ", "çŃī çŃī", "æĶ¹ åĸĦ", "åIJĦ ç±»", "éģĩ åĪ°", "æľī çĿĢ", "人 çī©", "æĢ» æĺ¯", "è¿ħ éĢŁ", "åĪ¶ å®ļ", "å®ĥ 们", "å®ĺ ç½ij", "è¿ĺ è¦ģ", "ç»Ī äºİ", "æĪ¿ åľ°äº§", "è¯ģ æĺİ", "èĤ¡ 票", "åºĶ å½ĵ", "èĭ± åĽ½", "è¿IJ çĶ¨", "æľĢ æĸ°", "享 åıĹ", "让 æĪij", "æĻļ ä¸Ĭ", "å¾ ŀ", "å°ı 说", "å°¤åħ¶ æĺ¯", "è®Ń ç»ĥ", "åħ¨ å¸Ĥ", "æĮij æĪĺ", "æľī çĤ¹", "带 çĿĢ", "çļĦ ä¸ľè¥¿", "é£İ æł¼", "é»Ħ éĩij", "å¼ķ 导", "æѤ å¤ĸ", "æľĢ è¿ij", "追 æ±Ĥ", "强 è°ĥ", "ä¹Ł åı¯ä»¥", "æĦŁ åĪ°", "èĩª æĪij", "çī¹åĪ« æĺ¯", "æĪIJ éĥ½", "éĢIJ æ¸IJ", "å¿« ä¹IJ", "ä¹ĭ ä¸Ń", "æĬķèµĦ èĢħ", "ä»ĸ们 çļĦ", "æ° ı", "å·¥ä½ľ 人åijĺ", "äºĨ ä¸Ģ个", "åķ ¦", "ä¸Ģ åĢĭ", "åŁº å±Ĥ", "æ²Ł éĢļ", "第ä¸Ģ 次", "并 没æľī", "çļĦ å·¥ä½ľ", "åľ¨ è¿ĻéĩĮ", "æŀ ª", "æĶ¯ æĴij", "æŶ å°ļ", "æĿ¥ åĪ°", "æĶ¶ è´Ń", "éĿ© åij½", "æĺ¯ ä¸įæĺ¯", "讨 论", "ä¸ļ 绩", "å°± èĥ½", "ç«ĭ åį³", "è¡Ĺ éģĵ", "åľ¨ ä¸Ģèµ·", "æľĪ 份", "é«ĺ 端", "å¾Ī éļ¾", "ä¿Ħ ç½Ĺæĸ¯", "æīĭ 段", "åģļ åĩº", "ä¼Ĺ å¤ļ", "å®ŀ è¡Į", "æīĵ å¼Ģ", "游 客", "ä¾Ŀ çĦ¶", "å°± åĥı", "离 å¼Ģ", "说 éģĵ", "æĸ° èĥ½æºIJ", "æº ª", "äº ķ", "令 人", "ä¸Ģ åľº", "æĪij æĥ³", "两 人", "èĩ³ å°ij", "çļĦ çĶŁæ´»", "æĺ¯ ä¸ª", "èĭ± è¯Ń", "æ²Ĵ æľī", "æĢĿ èĢĥ", "éĻIJ åĪ¶", "åı° æ¹¾", "ä¸Ģ æŦ", "çļĦ ä¸Ģ个", "é«ĺ 级", "åĬŀåħ¬ 室", "å¾· åĽ½", "æĪij å°±", "å®ļ ä½į", "éĢĤ åºĶ", "æĮĩ æłĩ", "åħ¨ çľģ", "ä¸Ĭ è¿°", "å®ĥ çļĦ", "åĽŀ 家", "欧 æ´²", "éĵģ è·¯", "é¼ĵ åĬ±", "çļĦ å½±åĵį", "é«ĺ æł¡", "天 ä¸ĭ", "é«ĺ è´¨éĩı", "æĿŃ å·ŀ", "èµĦ 讯", "æĶ¾ åľ¨", "æľī ä¸Ģ个", "å°± è¦ģ", "ä¸Ĭ éĿ¢", "解 éĩĬ", "éĢIJ æŃ¥", "å°½ 管", "æľī ä»Ģä¹Ī", "çļĦ äºĭ", "çĻ» è®°", "人æ°ij å¸ģ", "è§Ĥ ä¼Ĺ", "è§Ĥ å¯Ł", "çĶµ èĦij", "çļĦ åIJĮæŶ", "ä½ľ ä¸ļ", "宣 å¸ĥ", "çļĦ ä½ľçĶ¨", "åĽŀ æĿ¥", "éļ¾ 以", "æīĢæľī çļĦ", "å°ı åѦ", "æıIJ åīį", "æ¤į çī©", "åĩ ¯", "ä¸Ĭ äºĨ", "å°± åľ¨", "åħĪ åIJİ", "æīĭ æľ¯", "éĥ Ń", "éĿ¢ åīį", "æ¯ķ ç«Ł", "äºĮ æĺ¯", "红 èī²", "éĺ³ åħī", "èĭ¹ æŀľ", "å¾Īå¤ļ 人", "ç»Ļ æĪij", "åĵ ¦", "çľ¼ çĿĽ", "éł Ń", "ä¸Ģ æĺ¯", "åıijå±ķ çļĦ", "åıį åºĶ", "æĪ¿ å±ĭ", "æľŁ å¾ħ", "ç§į æ¤į", "æĸĩ åѦ", "åį³ åı¯", "é¦ĸ 次", "èĭ± éĽĦ", "å¤ļ 次", "åĮħ è£ħ", "æ²³ åįĹ", "ä¹ĭéĹ´ çļĦ", "ä»į çĦ¶", "åIJ¬ åĪ°", "èij£äºĭ éķ¿", "è§Ħ åĪĻ", "ä¸Ģ 份", "大 ä¼Ĺ", "使 å¾Ĺ", "è¿Ľ åı£", "ä¸Ģ çīĩ", "æĢ§ çļĦ", "çļĦ 大", "æĪij æĺ¯", "äºĴ åĬ¨", "æ° £", "çļ Ĩ", "åħ¬åı¸ çļĦ", "ä¸Ģ è¾¹", "åıĬ åħ¶", "èī¯ 好çļĦ", "æĭĵ å±ķ", "å½ĵ å¹´", "广 åľº", "åģļ äºĨ", "åŁº äºİ", "æıIJ éĨĴ", "åħĦ å¼Ł", "èĢģ æĿ¿", "è¿ij æĹ¥", "çĬ¶ åĨµ", "注 éĩį", "åĪļ åĪļ", "è°ĥ çłĶ", "å¿ĥ ä¸Ń", "æĬĬ æı¡", "éļı åIJİ", "ä¸į å¤Ł", "åĪĽ ä½ľ", "ç«Ļ åľ¨", "缸 äºĴ", "çĸ«æĥħ éĺ²æݧ", "å¹´ 代", "带 åĬ¨", "伤 害", "ç«Ł çĦ¶", "å¼ķ è¿Ľ", "ç´¯ 计", "让 æĪij们", "åĽŀ æĶ¶", "æĬ¥ åIJį", "åĬ© åĬĽ", "èģĶ 缣", "çŃĸ çķ¥", "åij¨ è¾¹", "åĭ Ĵ", "è¿ĺ åľ¨", "æµģ éĩı", "寻 æī¾", "çĶµ åĬĽ", "èĪ¹ èĪ¶", "è¿ĺ èĥ½", "æĭħ ä»»", "çļĦæĥħåĨµ ä¸ĭ", "çļĦ åİŁåĽł", "缺 ä¹ı", "çIJĥ åijĺ", "å²ģ çļĦ", "çĶ· åŃIJ", "å·¥ èµĦ", "è¿ijå¹´ æĿ¥", "åij Ģ", "æıIJä¾Ľ äºĨ", "她 们", "家 åħ·", "çĩ ķ", "è½» æĿ¾", "æł¡ åĽŃ", "èĢĥ æł¸", "åį± éĻ©", "åħļ ç»Ħç»ĩ", "æĢ» ç»ıçIJĨ", "çļĦ æĸ°", "çİ» çĴĥ", "è¿Ļ ä½į", "对 æѤ", "家 人", "çļĦ è¦ģæ±Ĥ", "温 度", "æĮĩ æķ°", "缴 åĪ°", "æѤ æŶ", "æ¹ĸ åįĹ", "éĥ½ è¦ģ", "ä½ľ åĩº", "åIJĦ ä½į", "èĢĥ çĶŁ", "ä¾Ŀ æį®", "说 è¯Ŀ", "æĪij ä¹Ł", "å·¥ åİĤ", "åıĺ æĪIJ", "ä»ĸ 人", "æĪij è§īå¾Ĺ", "åIJĦ 级", "ä¼łå¥ĩ ç§ģæľį", "ä¸Ĭ åįĩ", "好 åĥı", "åĬł éĢŁ", "äºĮ åįģ", "è¢ ģ", "è£ħ 饰", "éĥ½ èĥ½", "ä¸Ģ å¼ł", "åĬ¨ æĢģ", "å¹´ çļĦ", "è¿Ļ å°±æĺ¯", "ä¹Ł è¦ģ", "èµĦ æł¼", "æĪĺ äºī", "æĦŁ è°¢", "åŁ¹ èĤ²", "天 æ°Ķ", "女 士", "åı¯èĥ½ ä¼ļ", "çļĦ 产åĵģ", "ä¹Ł å°±", "主è¦ģ æĺ¯", "åĪº æ¿Ģ", "ç»Ļ ä½ł", "大 æķ°æį®", "åĮ» åѦ", "åĪ ¤æĸŃ", "ä»ĸ 说", "表 æ¼Ķ", "äºļ æ´²", "ä¸ĵ é¢ĺ", "ç«ŀäºī åĬĽ", "éĤ£ æł·", "å±ķ å¼Ģ", "å¹³ æŶ", "æİ¥ ä¸ĭæĿ¥", "æī¿ 诺", "æ³ķ åĽ½", "åħ³ å¿ĥ", "ä¼ļ æľī", "éĤĢ 请", "é¢Ħ éĺ²", "对 æİ¥", "好 äºĨ", "åĴ± 们", "çļĦ æĦŁè§ī", "æĢĿ è·¯", "éĥ½ 没æľī", "çļĦ æĸ¹æ³ķ", "女 åŃIJ", "åı¸ æ³ķ", "è¿ĺ ä¼ļ", "è¶ĬæĿ¥è¶Ĭ å¤ļ", "åĽł çĤº", "æµ· åįĹ", "人 æķ°", "å°Ĩ ä¼ļ", "ä¸ļ 主", "é¤IJ 饮", "å±ħ ä½ı", "åıij åĩº", "è¿ij æľŁ", "å¼ķ é¢Ĩ", "æľºåĻ¨ 人", "åĩºæĿ¥ çļĦ", "çľĭ è§ģ", "ä¿ Ĭ", "让 ä»ĸ", "ä¸į æĥ³", "å·¥ä½ľ çļĦ", "è¡¥ åħħ", "æµ ħ", "çī¹ å¾ģ", "ä¸Ĭå¸Ĥ åħ¬åı¸", "ç¾İ é£Ł", "广 西", "æ¯ı ä¸Ģ个", "èIJ½ åľ°", "åĵģ ç§į", "åĴĮ è°IJ", "å½» åºķ", "é«ĺ èĢĥ", "æĺ¨ å¤©", "åīį å¾Ģ", "çĽij æµĭ", "çĻ¾ 度", "åľ¨ ä¸ŃåĽ½", "çļĦ éľĢæ±Ĥ", "亿 ç¾İåħĥ", "åѦ æľ¯", "æĶ¶ åĪ°", "æĿ¿ åĿĹ", "ä¸Ģ 段", "æŀĦ æĪIJ", "ä¼ģä¸ļ çļĦ", "表 éĿ¢", "æķ´ çIJĨ", "ç»ĵ å©ļ", "人 家", "åģľ æŃ¢", "åѦ ç§ij", "æĺ¾ å¾Ĺ", "ä¼ij æģ¯", "é¢Ħ æľŁ", "æĪĸ æĺ¯", "çļĦ 主è¦ģ", "åºĶ 对", "èµ° äºĨ", "ä¸Ń éĹ´", "èµ° è¿Ľ", "åijĪ çİ°", "æIJŃ éħį", "é¹ ı", "æĺ¯ åĽłä¸º", "æĥħ 绪", "å®ļ æľŁ", "社ä¼ļ 主ä¹ī", "çŃī 级", "磼 çĽ¾", "é£ŀ æľº", "èĩ³ ä»Ĭ", "æĶ¶ éĽĨ", "çļĦ æķħäºĭ", "åĪĩ å®ŀ", "å®ŀçİ° äºĨ", "å½¢ æĪIJäºĨ", "åįĹ æĸ¹", "ä¸Ń åѦ", "æµ· æ´ĭ", "åIJ¦ åĪĻ", "æĭį æijĦ", "大åѦ çĶŁ", "åĩºçİ° äºĨ", "æĦı å¤ĸ", "ä¹Ł èĥ½", "çļĦ èĥ½åĬĽ", "åĿIJ åľ¨", "åĪĻ æĺ¯", "èĢĥ å¯Ł", "å°Ĭ éĩį", "éĺ² æŃ¢", "ç´§ å¼ł", "读 书", "åĩº è¡Į", "å°± æľī", "å±¥ è¡Į", "çݰ代 åĮĸ", "åĽ½ åĬ¡", "åĽ½åĬ¡ éĻ¢", "ç»´ ä¿®", "åİŁ åĪĽ", "æĺ¯ æĮĩ", "ä¼ij éĹ²", "çĤ ®", "æĸ° æĹ¶ä»£", "éĢĻ åĢĭ", "ä¸į æķ¢", "å®Į ç¾İ", "ç»Ĩ èĬĤ", "éŃ ı", "èĶ¬ èıľ", "é¢Ĩ导 çıŃåŃIJ", "è¶ħ 级", "è¡Į æĥħ", "人工 æĻºèĥ½", "åį° 度", "åŁºç¡Ģ 设æĸ½", "åıĪ æĺ¯", "èį¯ çī©", "åIJ¸ æĶ¶", "åį´ æĺ¯", "éĥ İ", "å¥ĸ åĬ±", "çļĦ æľĭåıĭ", "ä¿Ŀ çķĻ", "è§Ħ å¾ĭ", "æĸ° çĸĨ", "è¿ĺ åı¯ä»¥", "æİ¥ è¿ij", "æѤ åīį", "æī¹ åĩĨ", "æĢİä¹Ī æł·", "çļĦ ä½įç½®", "ä¸Ģ åĿĹ", "æĭĴ ç»Ŀ", "顾 客", "ä¹Ł åľ¨", "ä¸Ģ çĶŁ", "éĥ¨ éĺŁ", "å¹´ åīį", "æĸ¹éĿ¢ çļĦ", "å°Ŀ è¯ķ", "羣æŃ£ çļĦ", "ç¦ģ æŃ¢", "è¿ĺ 没æľī", "æ°ij çĶŁ", "èµ° åIJij", "èĦ¸ ä¸Ĭ", "å½ĵ 天", "éĽĨåĽ¢ åħ¬åı¸", "çļĦä¸Ģ ç§į", "西 æĸ¹", "åĽŀ åºĶ", "ä¸Ģ 声", "常 常", "æıIJ åĪ°", "èħ¾ 讯", "æľį è£ħ", "为 ä½ķ", "äºij åįĹ", "å°± ç®Ĺ", "ä¼ł æī¿", "åıį èĢĮ", "ä¸ĩ åIJ¨", "è´¢ 产", "å¦Ĥ ä¸ĭ", "æĹ¥ åīį", "åİŁ æľ¬", "æľĢ éĩįè¦ģçļĦ", "认 è¯ģ", "ä¸Ģ éģĵ", "ä¿¡æģ¯ åĮĸ", "å¾Ĺ åĪ°äºĨ", "éĢ² è¡Į", "æĪij è¦ģ", "éĢļ ä¿¡", "室 åĨħ", "èµļ éĴ±", "æĶ¶ èĹı", "解åĨ³ æĸ¹æ¡Ī", "æĪ¿ 产", "çĭ ¼", "æ´» åĬĽ", "ç»ıæµİ åıijå±ķ", "çŃī å¾ħ", "ä¹Ł å¾Ī", "åĿ ij", "å¾Ī 好çļĦ", "éļ¾ 度", "ä¸į å¦Ĥ", "人æ°ij æĶ¿åºľ", "åĩº åıij", "åīį æľŁ", "æ¼Ķ åijĺ", "女 çĶŁ", "èģļ çĦ¦", "审 计", "é¢Ħ æµĭ", "ä¾Ŀ æīĺ", "äºĶ å¹´", "è¡¥ è´´", "æ¸ħ æĻ°", "éª Ĥ", "çľĭ èµ·æĿ¥", "çļĦ åŃ©åŃIJ", "é¢ij éģĵ", "ä½ı å®ħ", "éĿ¢ åIJij", "æľĢ ä½İ", "æĹ¢ çĦ¶", "ä¸Ģ å¥Ĺ", "æķ° åѦ", "群 ä½ĵ", "åĮĹ京 å¸Ĥ", "å±ħ çĦ¶", "æ°Ľ åĽ´", "éĢĶ å¾Ħ", "çļĦ åŁºç¡Ģä¸Ĭ", "èģĮ è´£", "åı¯èĥ½ æĺ¯", "åĨĽ äºĭ", "æĪIJ æķĪ", "åŃ©åŃIJ 们", "计ç®Ĺ æľº", "èµ ¤", "产ä¸ļ åıijå±ķ", "å·¨ 大çļĦ", "å·¥ 人", "çĶŁ éķ¿", "éĥ½ åı¯ä»¥", "çļĦ æľºä¼ļ", "èµĦ è´¨", "çĹĽ èĭ¦", "ç²ī ä¸Ŀ", "å¢ ĵ", "å¹³ å®ī", "管 éģĵ", "è·Ł çĿĢ", "饮 é£Ł", "åķĨ 家", "å¤ļ 家", "åı¸ æľº", "åºĶ该 æĺ¯", "éĢı éľ²", "认 å®ļ", "è¡Įä¸ļ çļĦ", "çļĦ ä¼ģä¸ļ", "æ¯ı ä¸Ģ", "èĮĥåĽ´ åĨħ", "è¾ĥ 大", "è´ ¤", "大 èµĽ", "å¤ļ äºĨ", "é¸ ¿", "临 åºĬ", "åľ¨ è¿Ļ个", "çļĦ åĨħ容", "éĶĢ éĩı", "å¾Ī å°ij", "åŃ Ł", "ç»´ æĮģ", "åĴĸ åķ¡", "æľ¬ åľ°", "èī² 彩", "并 éĿŀ", "èĢĮ å·²", "温 æļĸ", "èIJ §", "æĬĵ ä½ı", "èĢĮ ä¸įæĺ¯", "åĸ Ĭ", "çļĦ åħ³ç³»", "çī© åĵģ", "éĤ£ æĺ¯", "åĨľ 产åĵģ", "è¿Ļ æŶ", "å©ļ 姻", "æ°´ æŀľ", "æĶ¶ èİ·", "ä»ĺ åĩº", "客æĪ· 端", "æ¼Ķ åĩº", "åħ¨ æĸ°", "è¿Ļ ä¹Łæĺ¯", "æĺ¯ çĶ±", "è§Ĥ 念", "æľī 个", "éĢł åŀĭ", "èĥľ åĪ©", "ä¸ī æĺ¯", "è¶ħ å¸Ĥ", "åħļ建 å·¥ä½ľ", "æĶ¾ å¿ĥ", "线 è·¯", "æĭĽ çĶŁ", "åIJĥ é¥Ń", "è½ ī", "å°½ éĩı", "è§ģ åĪ°", "åIJĮæ¯Ķ å¢ŀéķ¿", "åįİ ä¸º", "æĪij å¸Ĥ", "æıIJ åĩºäºĨ", "æ°ij èѦ", "åįļ çī©", "åįļçī© é¦Ĩ", "è¯ļ ä¿¡", "åīį éĿ¢", "å±± 西", "è¾ħ åĬ©", "转 移", "æĽ´ 为", "丰å¯Į çļĦ", "åį ¢", "å¿« éĢĴ", "æĺ¾ èijĹ", "çī© èµĦ", "åĪ° è¾¾", "æľī åĪ©äºİ", "åij Ĩ", "åŃ©åŃIJ çļĦ", "ä¸į ä½Ĩ", "çłĶ究 éĻ¢", "çĶ³ æĬ¥", "æļ ¨", "æ°ij éĹ´", "åį »", "çļĦ å£°éŁ³", "å¸Ĥåľº çļĦ", "ä¸Ģ åı¥", "çľģ 级", "æĿ¥ çļĦ", "åĵª 个", "æīį ä¼ļ", "åĪĨ éħį", "èĶ ¡", "ä»ĸ åľ¨", "åħ± æľī", "å¡ ĺ", "èĴ Ĥ", "éľ į", "åıĤ è§Ĥ", "ä¸Ī 夫", "ä¾Ŀ éĿł", "æľī æŶ", "äºĨ å¾Īå¤ļ", "ä¸ĸçķĮ æĿ¯", "家 æĹı", "ä¸į éľĢè¦ģ", "大 å¸Ī", "èŀį åħ¥", "éĿŀ æ³ķ", "çĹħ 人", "åIJİ æľŁ", "大家 éĥ½", "ç½ij åĿĢ", "åİŁ æĸĻ", "便 å®ľ", "æ¶ Ľ", "仿 ä½Ľ", "å·® è·Ŀ", "åı¦ä¸Ģ æĸ¹éĿ¢", "产åĵģ çļĦ", "èµ «", "æĥħåĨµ ä¸ĭ", "éĴ¢ éĵģ", "æľ¬ ç«Ļ", "纳 åħ¥", "å·² æľī", "æľī 没æľī", "ä¼° 计", "é£ ĺ", "æľŁ è´§", "åĢĭ人 è³ĩæĸĻ", "ä¸ĵä¸ļ çļĦ", "çĪĨ åıij", "èĩ´åĬĽ äºİ", "çİ°åľ¨ çļĦ", "æľī åĵªäºĽ", "çł´ åĿı", "æķ°åŃĹ åĮĸ", "åľ° éĿ¢", "é»ij èī²", "å¹¼åĦ¿ åĽŃ", "çļĦ ç²¾ç¥ŀ", "äº Ń", "导 æ¼Ķ", "çİ° æľī", "æѦ åĻ¨", "èĭı å·ŀ", "çİ Ħ", "æ±Ł 西", "延 伸", "论 æĸĩ", "è¾ĥ 为", "çİ© æ³ķ", "é¼ İ", "åIJĮ æŃ¥", "éĩĬ æĶ¾", "æĽĿ åħī", "åĿļ åĨ³", "å§Ķ æīĺ", "å°Ĩ åľ¨", "äºĪ 以", "ä½ľ æĸĩ", "èĢĮ åľ¨", "ä¼ĺ åħĪ", "åĽŀ åİ»", "ä¿® å¤į", "åĽ½åĨħ å¤ĸ", "çŃĸ åĪĴ", "åıij æĶ¾", "å¿ĥ æĥħ", "çļĦ åİĨåı²", "éĿ¢ è¯ķ", "举 åĮĹ", "ä¿¡ åı·", "ç²® é£Ł", "è¯ģ 书", "æŁIJ äºĽ", "è¿IJ ä½ľ", "åĨ² åĩ»", "çĥŃ çĤ¹", "æŶ æŶ", "æŶæŶ 彩", "åľ° çĤ¹", "ä¸Ģä½ĵ åĮĸ", "éļ¾ é¢ĺ", "æĽ °", "ç«ĭ åĪ»", "æĺ¯ éĿŀ常", "åħ± åĴĮ", "åħ±åĴĮ åĽ½", "æ¿Ģ åĬ±", "æľīæķĪ çļĦ", "å¤Ħ ç½®", "该 åħ¬åı¸", "æ£Ģ éªĮ", "èѦ æĸ¹", "è´ ¾", "äºĨä¸Ģ ä¸ĭ", "ä»Ĭ åIJİ", "çħ ®", "çĶ¨ åĵģ", "读 èĢħ", "æĪij åľ¨", "åĽŀ å¤į", "ä¸Ģ 座", "è¿ĺ 没", "å®ļ åĪ¶", "没 æĥ³åĪ°", "å¤ ¹", "ä¼ł éĢĴ", "ä¸Ģ 款", "强 大çļĦ", "çļĦ è¡Į为", "å¤ı 天", "åıijåĬ¨ æľº", "é¢ĨåŁŁ çļĦ", "å®ŀéªĮ 室", "ä¸Ģ æĬĬ", "æĺ¯ ä¸ºäºĨ", "éĻķ 西", "æĭħ ä¿Ŀ", "è¾¾ æĪIJ", "è¦ģ æĺ¯", "æĺİ å¤©", "ç»Ļ ä»ĸ", "建ç«ĭ äºĨ", "ä¸į è¡Į", "ä¸Ń æĸĩ", "åľ° 说", "åIJİ çļĦ", "çĽij æݧ", "éĢ ¸", "æĢ» éĥ¨", "æľ¬ æĸĩ", "é¹ ¿", "æĻ¯ è§Ĥ", "çļĦ 缮æłĩ", "èĽ ĩ", "åĨ ¯", "ä¸Ń åĮ»", "æķĪ åºĶ", "产 éĩı", "åŃ Ŀ", "è´¦ æĪ·", "è¿Ŀ åıį", "èij£äºĭ ä¼ļ", "京 举", "责任 ç¼ĸè¾ij", "åķı é¡Į", "çĪ± å¿ĥ", "èѦ å¯Ł", "é¤IJ åİħ", "å¸Ĥ æĶ¿åºľ", "天 天", "æĸ° é²ľ", "éĥij å·ŀ", "è¶ħ è¶Ĭ", "å½ Ń", "çŁ¥è¯Ĩ 产æĿĥ", "åĽŀ å¿Ĩ", "è·¯ 线", "å»ī æ´ģ", "éĿĴ å°ijå¹´", "åıĸå¾Ĺ äºĨ", "çľĭ åĪ°äºĨ", "é¦ ¬", "ç²¾ åĵģ", "åľ° éĵģ", "æĮģ æľī", "ä¸ĭ äºĨ", "æľī æŶåĢĻ", "ä¸Ģ 人", "æĴ Ĵ", "ä»Ķ ç»Ĩ", "èĢģ åħ¬", "äºĭå®ŀ ä¸Ĭ", "èģĶ èµĽ", "ä¾ĽåºĶ éĵ¾", "é¢Ħ ç®Ĺ", "åĪ¶éĢł ä¸ļ", "å®īåħ¨ çĶŁäº§", "俱 ä¹IJ", "俱ä¹IJ éĥ¨", "çļĦ æł¸å¿ĥ", "æīĵ ç®Ĺ", "å½± çīĩ", "æIJŃ å»º", "ä¹Ł ä¸įä¼ļ", "æĭħ å½ĵ", "å±Ĥ éĿ¢", "åѦ åijĺ", "临 æŶ", "缸 ç»ĵåIJĪ", "对 æ¯Ķ", "ä»ĸ æĺ¯", "æĸ° åĮº", "è¿Ľ åİ»", "çĻ¾ å¹´", "ä¿ ©", "å°½ å¿«", "çĶµåŃIJ åķĨåĬ¡", "æĽ´ æľī", "æ¸ħ çIJĨ", "åı¦ ä¸Ģ个", "åĤ »", "ä»Ģä¹Ī æł·çļĦ", "æĺ¯ æľĢ", "åij¨ å¹´", "å¾Ī 容æĺĵ", "åĽ¢ ç»ĵ", "ç´ Ħ", "æĹ© å·²", "çļĦ åıĺåĮĸ", "éľ ŀ", "æĹ¥ ä¸ĬåįĪ", "失 åİ»", "ä¸Ń åľĭ", "çļĦä¸Ģ äºĽ", "å°ı åŃ©", "ä¸ĭ è·Į", "éĶ» çĤ¼", "é ij", "éij «", "å¿ĹæĦ¿ èĢħ", "èĤ¡ å¸Ĥ", "èµĽ äºĭ", "许åı¯ è¯ģ", "åı¯ æĮģç»Ń", "åijĬè¯ī è®°èĢħ", "éĢ» è¾ij", "å¼ķ åħ¥", "çļĦ è¿ĩç¨ĭä¸Ń", "è§Ĩ è§ī", "èĩªæ²» åĮº", "è¯ģ æį®", "è£ħ ç½®", "第ä¸ī æĸ¹", "å¹´ æĿ¥", "å¹¿ä¸ľ çľģ", "带æĿ¥ äºĨ", "éķ¿ æ±Ł", "访 éĹ®", "å·® ä¸įå¤ļ", "æĺ¯ æĪij", "éģŃ éģĩ", "æĬĵ 好", "é«ĺ è¾¾", "并 åľ¨", "èĩª è§ī", "ä¾ĽåºĶ åķĨ", "æĥħ æĦŁ", "ä½ı äºĨ", "çļĦ èģĮä¸ļ", "çļĩ å¸Ŀ", "西 éĥ¨", "åĴĮ å¹³", "çļĦ åĬĽéĩı", "æ± ª", "åħħåĪĨ åıijæĮ¥", "æĬķ è¯ī", "èµ· åĪ°", "äºĴ 缸", "æ¾³ éŨ", "æİ¥ åĪ°", "æ°´ æ³¥", "模 åŀĭ", "ä¸Ģ åįĬ", "秩 åºı", "æĪij们 åľ¨", "æī¿ 认", "ä¸Ģ éĥ¨åĪĨ", "åįł æ¯Ķ", "å¦ĩ 女", "ç² ĺ", "äºĨ解 åĪ°", "ä¸Ģå®ļ ä¼ļ", "åIJĦ 大", "èµ° åĩº", "为 大家", "é«ĺ éĵģ", "åı¯ä»¥ åľ¨", "ä½Ĩ åľ¨", "çĶŁæĢģ çݯå¢ĥ", "èı ¯", "çļĦ ä»·æł¼", "麻 çĥ¦", "æ¿Ģ åıij", "éĤ£ å°±", "çļĦ æł·åŃIJ", "为 æѤ", "天 åľ°", "çļĦ 缮çļĦ", "åĢº åĪ¸", "å·² ç¶ĵ", "åĽĽ 大", "åIJĮæŶ ä¹Ł", "å½¼ æѤ", "æĭ¿ åĪ°", "åIJ« éĩı", "åįģ 大", "éļ¾ éģĵ", "å¼ Ĺ", "ä¸Ģ 段æŶéĹ´", "çħ§ 顾", "æķ°æį® æĺ¾ç¤º", "æĪIJ为 äºĨ", "èµ° åĪ°", "æľ¬ åħ¬åı¸", "ç»Ī 端", "ä¹Ł ä¸įæĺ¯", "头 åıij", "大 约", "é£İ æĻ¯", "æ¶Ī èĢĹ", "审 æŁ¥", "äºī åıĸ", "æ³ķ æ²»", "äºĭ çī©", "ç¼ĵ 解", "æĥ ¨", "缸åºĶ çļĦ", "çļĦ æķĪæŀľ", "åıį å¤į", "åıijçĶŁ äºĨ", "éĢĻ äºĽ", "ç»ĥ ä¹ł", "åݨ æĪ¿", "å¼Ģ æĭĵ", "欣 èµı", "夫 妻", "ä¸į ä¸Ģæł·", "产 èĥ½", "èĬ¯ çīĩ", "è¦ģ ç´ł", "åıį 对", "çİĩ åħĪ", "è´§ çī©", "æĹ¥ çĶµ", "ä½ľ 家", "æĶ¹ è¿Ľ", "æĪIJ åĪĨ", "åĽł èĢĮ", "åĩı èĤ¥", "æ½ ĺ", "å±±ä¸ľ çľģ", "åĬ Ŀ", "åŁ ĭ", "æѦ è£ħ", "æ±ĩ æĬ¥", "ä¸Ģ个 æľĪ", "çĥŃ éŨ", "大 éģĵ", "æ´» åĭķ", "éĥ½ å¾Ī", "çĶµ 梯", "ç´§ æĢ¥", "åĢº åĬ¡", "客 æľį", "ä¸Ģ éĥ¨", "ä½ł æĺ¯", "çİ° çĬ¶", "æŃ£ç¡® çļĦ", "ä¹ĭ å¤Ħ", "ç¼ĸ åĪ¶", "ä½ł åı¯ä»¥", "çŃī åľ°", "èİ ī", "对 è¯Ŀ", "æ·ĺ å®Ŀ", "è°ĥ èĬĤ", "æİĴ æĶ¾", "åºĵ åŃĺ", "ç´ ļ", "çļĦ ä¼ĺåĬ¿", "æĿĥ å¨ģ", "以ä¸ĭ ç®Ģ称", "ä¸Ģ 项", "èģļ éĽĨ", "ä¼łç»Ł çļĦ", "æ·· åIJĪ", "è¿Ļä¸Ģ çĤ¹", "ä¸Ģ çľ¼", "æĹł éĻIJ", "èİ·å¾Ĺ äºĨ", "éĢī æīĭ", "åĪ¶ åĵģ", "åįı ä½ľ", "çĭ¬çī¹ çļĦ", "ä¸Ģ 级", "è¿Ļ个 éĹ®é¢ĺ", "æĸ Į", "æĺ¯ æĪij们", "æķĮ 人", "æ¸ħ æ´Ĺ", "ä¸Ģ缴 åľ¨", "å°ı ç±³", "çļĦ è¿ĩç¨ĭ", "åľ¨ åĮĹ京", "ä¸Ģ æĶ¯", "æĹ© ä¸Ĭ", "æĸĩ èīº", "ç¦ı åĪ©", "é£Ł çĶ¨", "æĦŁ åĬ¨", "åħ¨ ç¨ĭ", "æĶ¯ åĩº", "æĸ° 建", "å¸ ķ", "æĺ¾ çĦ¶", "羣 çļĦæĺ¯", "æĸ°éĹ» ç½ij", "èĥ½ åIJ¦", "åįı åĬ©", "亲 èĩª", "å¾Ī æľī", "çĻ¼ å±ķ", "æĦı 大", "æĦı大 åĪ©", "çĶµ ç½ij", "æĹ¥ çĽĬ", "çĨ ±", "èĤĮ èĤ¤", "çĶ· æĢ§", "ç»Ħ 建", "çŃī éĹ®é¢ĺ", "æ¶Ī éĻ¤", "æĬ¤ çIJĨ", "å¡ij æĸĻ", "ä¹Į åħĭ", "ä¹Įåħĭ åħ°", "åķĨ æłĩ", "çIJ ³", "æĸ° æīĭ", "çļĦ çī¹çĤ¹", "åĴ ¬", "å½ĵ ä¸ĭ", "设计 å¸Ī", "èµĶ åģ¿", "第 åįģ", "æĻºèĥ½ åĮĸ", "å¼Ģåıij åĮº", "åı¯ä»¥ éĢļè¿ĩ", "åħ±äº§ åħļ", "åİī 害", "çģµ æ´»", "æŶ åħī", "éĥ¨ ä½į", "人 æĸĩ", "è¿Ľ æĿ¥", "ä¹ĭ æīĢ以", "ä¸ī åįģ", "çļĦ åѦçĶŁ", "éĺ² æĬ¤", "åĽ½ 产", "æ·±åľ³ å¸Ĥ", "éĤ£ å°±æĺ¯", "åĪ° ä½į", "çī¹ æľĹ", "çī¹æľĹ æĻ®", "å®ŀ æŶ", "åı° çģ£", "èĢĮ ä¸į", "æĮĩ å®ļ", "åĿ Ŀ", "èħIJ è´¥", "çī¹ å®ļ", "å¢ŀ éĢŁ", "æłĩ çŃ¾", "æĪ¿ ä»·", "æĦ ģ", "贯彻 èIJ½å®ŀ", "æĢ§ è´¨", "çłĶ究 çĶŁ", "ç¾İ 容", "æī¹ è¯Ħ", "究 ç«Ł", "人åĬĽ èµĦæºIJ", "éĸĭ å§ĭ", "åĽŀ å½Ĵ", "èIJ¥ åķĨ", "èIJ¥åķĨ çݯå¢ĥ", "ä¸ŃåĽ½ 人", "çļĦ åŁºæľ¬", "è¯Ŀ é¢ĺ", "æłĩåĩĨ åĮĸ", "西 èĹı", "åĭ ¾", "çļĦ 设计", "ç®Ģåįķ çļĦ", "å¤į åĪ¶", "æ¸IJ æ¸IJ", "以 å¤ĸ", "èģĶ åĬ¨", "两 次", "æĢ§ åĴĮ", "æĽ´ 大", "çļĦ åIJįåŃĹ", "éŁ ¦", "ä½ł è¦ģ", "å¢ĥ å¤ĸ", "æĹ© æľŁ", "åĪĿ æŃ¥", "è´¦ åı·", "害 æĢķ", "æĺ¨ æĹ¥", "åĪļ æīį", "ç¥ŀ ç§ĺ", "ç²¾ å¿ĥ", "æµģ éĢļ", "åħ¨ æĸ¹ä½į", "以 å¾Ģ", "ä¹Ł å°Ĩ", "æĺ¯ ä¸ŃåĽ½", "åĽ½å®¶ 级", "å°Ĩ åĨĽ", "æij Ĭ", "æľĢ 为", "第ä¸Ģ æŶéĹ´", "æ¶Ī æ¯Ĵ", "å°Ĩ äºİ", "å¨ģ èĥģ", "èĭ± æĸĩ", "æīĭ ä¸Ń", "çIJĥ è¿·", "è§Ĥ çľĭ", "离 å©ļ", "æľ¬ åľŁ", "åĪĨ æķ£", "æĻ ´", "è¦ģ 注æĦı", "浪 è´¹", "管 æݧ", "åĩº åĶ®", "æĢ» è£ģ", "ä¸Ģ éĺµ", "å¨ ĩ", "äºĶ 个", "å½ĵ åĪĿ", "çºł 纷", "ä¸ĵ çĶ¨", "å¤ĩ æ¡Ī", "åĪĿ æľŁ", "å®ĥ æĺ¯", "åĮº åĿĹ", "åĮºåĿĹ éĵ¾", "大 è¿ŀ", "è¿Ļ ç±»", "åıĺ æĪIJäºĨ", "éĤĦ æĺ¯", "åįļ 客", "çı¾ åľ¨", "ä¸Ģ æĸ¹", "å®ĮæĪIJ äºĨ", "è¿Ļ个 æŶåĢĻ", "åħ¨ å¹´", "ä¸Ĭ 线", "ç½ IJ", "ç«ŀ èµĽ", "åĩºçīĪ 社", "åĵ¥ åĵ¥", "å¯ «", "å¾Ĺ 以", "èĬ± åĽŃ", "äºĨ èµ·æĿ¥", "èĦ±è´« æĶ»åĿļ", "çļĦ åİŁåĪĻ", "讲 解", "æ¶Ī åĮĸ", "æįŁ 害", "æļĤ æŶ", "å¾Ĺ çŁ¥", "éĢĤ çĶ¨", "éŨ åºĹ", "解 读", "æĻ® åıĬ", "人æ°ij æ³ķéĻ¢", "åī¯ 主任", "å¿ĥ çģµ", "è¯Ĭ æĸŃ", "ç¾İ 女", "æŁ ¯", "å¹´ 以æĿ¥", "æ´» è·ĥ", "åĢŁ åĬ©", "åħ± 建", "è¯ī 讼", "æĶ¾ æĿ¾", "çªĹ åı£", "ä¼ģ æ¥Ń", "åĬł æĭ¿", "åĬłæĭ¿ 大", "ä¹° äºĨ", "主 æµģ", "æĩĤ å¾Ĺ", "å°Ĩ åħ¶", "éĢı æĺİ", "å·¥ä½ľ ä¸Ń", "èĤ¡ ä»·", "æ¡£ æ¡Ī", "没æľī ä»»ä½ķ", "åijĬ çŁ¥", "å¹´ åĪĿ", "æĹ¥ ä¸ĭåįĪ", "åİĤ åķĨ", "èĬĤ å¥ı", "主 导", "è£ Ŀ", "åħ³éĶ® è¯į", "èģĬ 天", "åĨĻ ä½ľ", "æĶ¹éĿ© å¼ĢæĶ¾", "æľī æľĽ", "éĢļ æĬ¥", "èIJ Į", "æĢ» é¢Ŀ", "çŁŃ æľŁ", "ä¸Ģ çķª", "çĶŁæ´» çļĦ", "åĮĸ çļĦ", "æĺ¥ å¤©", "è¿Ļ åľº", "æĸ°å¼Ģ ä¼łå¥ĩ", "æĺ¯ è¦ģ", "å°ļ æľª", "åıĺ æĽ´", "ä¸Ģ åij¨", "客 è§Ĥ", "æĹ¥ èĩ³", "é¹ °", "çİ ²", "å°Ĩ æĿ¥", "客 人", "åıĺ éĿ©", "说 äºĨ", "åİŁ çIJĨ", "èģĮ åĬ¡", "åıĪ æľī", "ä¸Ģ åı¥è¯Ŀ", "æĦŁ åıĹåĪ°", "ç¬Ķ èĢħ", "移 æ°ij", "西 åįĹ", "ä¹ĥ èĩ³", "æŃ£ è§Ħ", "åĪĿ ä¸Ń", "çĬ ¬", "å½ĵ äºĭ", "å½ĵäºĭ 人", "æĪij们 è¦ģ", "åħ¥ åı£", "éĤ£ æŶ", "æľīéĻIJ 责任", "å°ij 女", "è¿Ļä¹Ī å¤ļ", "åĪĨ åħ¬åı¸", "å®ĩ å®Ļ", "çļĦ éĢīæĭ©", "å§IJ å§IJ", "åıij èµ·", "è» į", "æĽ´å¥½ åľ°", "éĻĨ ç»Ń", "æľ¬ æľįåĭĻ", "å« ©", "赶 ç´§", "èĦĤ èĤª", "第äºĮ 天", "æĪij ä¼ļ", "两 ä½į", "æķ ²", "åħ¬å®ī æľºåħ³", "ç§ijæĬĢ åĪĽæĸ°", "å°º 寸", "è¾IJ å°Ħ", "å®Ĺ æķĻ", "转 æį¢", "åĩº çİ°åľ¨", "ä¸Ģ é¢Ĺ", "æľŁ éĻIJ", "åIJĮåѦ 们", "åĮĹ æĸ¹", "ä½ł å°±", "ä¸Ģ带 ä¸Ģè·¯", "èĢģ å©Ĩ", "游æĪı çݩ家", "çļĦ ç»ĵæŀľ", "è¡¥ åģ¿", "å¤ĸ è´¸", "对 å¾ħ", "ç»´ çĶŁç´ł", "ç»ıéĶĢ åķĨ", "è¿ĺ å°Ĩ", "åŃIJ 女", "æĽ´ é«ĺ", "ä¸į 大", "éī´ å®ļ", "让 ä»ĸ们", "æīĢè°ĵ çļĦ", "æŃ» äºĨ", "帮 æī¶", "åĵ² åѦ", "以ä¸Ĭ çļĦ", "çļĦ åħ³éĶ®", "æĹ© å°±", "æĬ¥ ä»·", "éģµ å®Ī", "æī© å¼ł", "æĺ¯ å¾Ī", "å¼Ģ éĢļ", "æĸ° åĬł", "æĸ°åĬł åĿ¡", "ç¿» è¯ij", "询 éĹ®", "é¸ Ń", "ä½ĵ åĨħ", "两 个人", "çĪ ¹", "éľ ľ", "乡æĿij æĮ¯åħ´", "çĿ¡ è§ī", "å®ĺ åijĺ", "åĪĽ å§ĭ", "åĪĽå§ĭ 人", "ä¼Ĺ 人", "åį³ 便", "çĸ« èĭĹ", "ä¼ģä¸ļ 家", "æ¸ £", "ç²¾ åĬĽ", "å¤ĸ éĥ¨", "èģª æĺİ", "è¿Ļ ä¹Ł", "å½ķ åıĸ", "åĨ² çªģ", "åħ¨ 身", "åŃ£ èĬĤ", "忽 çĦ¶", "çļĦ æĢģ度", "åĤ¨ å¤ĩ", "ä¿Ŀ åħ»", "çļĦ æĥ³æ³ķ", "ä¸Ĭæµ· å¸Ĥ", "æIJº æīĭ", "çļĦ ä¿¡æģ¯", "åķĨ åľº", "çļĦ æĢĿæĥ³", "æĿĥ åĬĽ", "毫 æĹł", "æĢĢ åŃķ", "硬 件", "åĨħ èĴĻåı¤", "æİ¢ 讨", "åħ» çĶŁ", "çļĦ 表çİ°", "空 ä¸Ń", "æģIJ æĢĸ", "å¾Ī é«ĺ", "ç»ıæµİ 社ä¼ļ", "ä¸Ĭ æĿ¥", "延 ç»Ń", "éĩį å¤į", "éĺ² èĮĥ", "çļĦ å½¢å¼ı", "æľĪ åºķ", "èĢģ 年人", "绿 åĮĸ", "å±± åĮº", "æĭ¿ åĩº", "æĹħ 客", "æĽ´ æį¢", "åħ¬ 主", "èĬĤ 约", "åħ¨ åİ¿", "åĽŀ æĬ¥", "çIJĨ æĢ§", "çĸ¯ çĭĤ", "æ¶ī å«Į", "åī§ æĥħ", "åĨ¬ åŃ£", "åIJİ ç»Ń", "è¿Ļæĺ¯ ä¸Ģ个", "æ¼Ķ 讲", "ä¸Ģ å±Ĥ", "æľīåħ³ éĥ¨éŨ", "æĹł å¥Ī", "ç§į ç±»", "缸åħ³ çļĦ", "æĪĸèĢħ æĺ¯", "æī¶ æĮģ", "å¤ļ æķ°", "çļĦ ä½ľåĵģ", "ä¸ĭ ä¸ĢæŃ¥", "å¸Ī åĤħ", "é«ĺéĢŁ åħ¬è·¯", "好 åıĭ", "ä¼ĺç§Ģ çļĦ", "è¿Ľ äºĨ", "æģIJ æĢķ", "äºĨ åIJ§", "大 è§Ħ模", "çļĦ ä¸ĸçķĮ", "æĢĢ çĸij", "å· ·", "åħ´ å¥ĭ", "æĪ °", "æĿij éĩĮ", "æľĭåıĭ åľĪ", "åĨ¬ 天", "ä¸Ńåįİ äººæ°ij", "åįı åķĨ", "è¯Ħ éĢī", "æĹ Ń", "å¢ŀåĬł äºĨ", "åıĹ ä¼¤", "ä¸Ģ èĤ¡", "便 æį·", "ä¸ ij", "é¹ ¤", "å¤ĸ è§Ĥ", "å·¥ç¨ĭ å¸Ī", "åĴĮ åħ¶ä»ĸ", "è¿Ļ å°±", "ä¸Ńå°ı ä¼ģä¸ļ", "西 åĮĹ", "åĽ½æľī ä¼ģä¸ļ", "èĭ¥ æĺ¯", "åı¯ æĥľ", "çĶŁ æĹ¥", "åĩ ½", "ä¹° åįĸ", "ç¥Ŀ ç¦ı", "人æ°ij 群ä¼Ĺ", "åħī æĺİ", "åħ¬ å¯ĵ", "æĺ¯ è°ģ", "æĪij çŁ¥éģĵ", "è¯Ń æĸĩ", "æķı æĦŁ", "ä¸įéĶĻ çļĦ", "æĿ¥ 讲", "æ³¢ åĬ¨", "çļĦ 第ä¸Ģ", "åľ° éľĩ", "åľ¨ åħ¨åĽ½", "骨 å¹²", "å®ī ç½®", "家 çĶµ", "ä¸İ æѤ", "ä¸İæѤ åIJĮæŶ", "åıĹ çģ¾", "çĥŃ çº¿", "çļĦ æĬĢæľ¯", "æµĭ éĩı", "ä¾Ŀ èµĸ", "ä¸ŃåĽ½ çļĦ", "çī¹ æĢ§", "è¾ĥ é«ĺ", "è¸ ©", "ä¼ļ åľ¨", "建 éĢł", "导 èĪª", "æĥ³ èµ·", "åħ¨ ä¸ĸçķĮ", "建 æĿIJ", "ç¯ Ģ", "çļĦ åŁºç¡Ģ", "èĩªåĬ¨ åĮĸ", "åīį åIJİ", "çĿ¡ çľł", "æݨ è¡Į", "æį® äºĨ解", "ä»Ģä¹Ī æŶåĢĻ", "ä¸į åĸľæ¬¢", "çħ¤ çĤŃ", "éĤ£ä¹Ī å¤ļ", "å¸Ĥåľº åĮĸ", "ä¸į管 æĺ¯", "ç«ĭ åľº", "éĥ½ 没", "课 é¢ĺ", "æĪij们 å°Ĩ", "è¿ĩ çļĦ", "åĨį åĬłä¸Ĭ", "çĪ ¾", "身 æĿIJ", "çĶ· 女", "è¿ľ è¿ľ", "çĶ· çĶŁ", "èĩªèº« çļĦ", "è´Ł æĭħ", "çĻ¾ ä¸ĩ", "西 çıŃ", "西çıŃ çīĻ", "åĩĢ åĪ©æ¶¦", "æ¾³ 大", "澳大 åĪ©äºļ", "ä¸į åİ»", "æī¿ åıĹ", "楼 çĽĺ", "å¢ĥ åĨħ", "æ·· åĩĿ", "æ··åĩĿ åľŁ", "æĢĿæĥ³ æĶ¿æ²»", "å¸Ĥ åĮº", "æĭĽ æłĩ", "åĽ¢ ä½ĵ", "è¿Ľ 度", "åĨĽ éĺŁ", "åıį å¼¹", "äºĨä¸Ģ äºĽ", "æİ¥ å¾ħ", "çļĦ åŃ¦ä¹ł", "éħį éĢģ", "é£Łåĵģ å®īåħ¨", "æĽ¿ 代", "æĺ¯ ä»¥", "éĢļ çĶ¨", "çłĶ究 æīĢ", "ç¦ ħ", "æī Ķ", "éļĶ 离", "ä¸ĩ å¹³æĸ¹ç±³", "çļĦ è§Ħå®ļ", "ç»Ļ æĪij们", "æ¿Ģ åħī", "ä¼ļ åĩºçİ°", "çŁŃ ä¿¡", "ç©¿ çĿĢ", "æ²Ī éĺ³", "æķĻ æĿIJ", "éĺ² çĸ«", "ä¼ĺ èī¯", "约 å®ļ", "æĪij çľģ", "åħ¬ æ°ij", "éģ¸ æĵ", "éģ¸æĵ ĩ", "å·² æĪIJ为", "ä¸į å¿ħ", "ç¥ĸ åĽ½", "并 æľª", "åľŁ 壤", "å¾® ç¬ij", "äºĭä¸ļ åįķä½į", "çļĦ 游æĪı", "åħ¬ 示", "åIJĪçIJĨ çļĦ", "çª Ŀ", "æ°Ķ 象", "家 ä¸Ń", "亮 缸", "åį« æĺŁ", "è®° è½½", "è§Ĩ éĩİ", "åľ°åĮº çļĦ", "ä½Ĩ ä»ĸ", "èĤĮ èĤī", "äºı æįŁ", "åĬŀ åѦ", "ä¸Ģ è¡Į", "è¯ŀ çĶŁ", "åıijå¸ĥ çļĦ", "çļĦ æľįåĬ¡", "çļĦ çłĶ究", "åij¨ æľ«", "产ä¸ļ åĽŃ", "é«ĺ 温", "æĪIJåĬŁ çļĦ", "æŃ¥ 骤", "åŃĺ åĤ¨", "åŃIJ åħ¬åı¸", "让 她", "ä¸Ń æľī", "åĺī 宾", "å¦ ®", "æĺİ å¹´", "äºĨ åIJĹ", "äºī è®®", "æĪ Ī", "ä¸Ģ æľ¬", "ç¾İ丽 çļĦ", "ä½ł 说", "大 人", "æĶ» çķ¥", "ä¸į æľĥ", "å¾ħ éģĩ", "ä¸Ģ è¾Ĩ", "çīĪæĿĥ æīĢæľī", "æ°ij ä¼Ĺ", "åĬŁ 夫", "å±ķ ä¼ļ", "大 èĦij", "æ¯ı æľĪ", "å°ı 麦", "æµĻæ±Ł çľģ", "çļĦ æīĢæľī", "ä¸ĭ æ»ij", "èĵĿ èī²", "è¦ģ æĥ³", "åѦçĶŁ çļĦ", "å½ĵ ä½ł", "ä½ľ æĪĺ", "家 乡", "å¤ļ åIJį", "é«ĺ äºİ", "åĿļ 强", "è¿ŀ éĶģ", "åIJİ æŀľ", "人 äºĭ", "ç´ ħ", "æ¿Ģ åĬ¨", "è¿Ľ æĶ»", "ç© Ĩ", "ä¸ ĺ", "让 èĩªå·±", "以 æѤ", "夫 人", "å¼Ģ 设", "æ°Ķ è´¨", "鸡 èĽĭ", "çĦ¡ æ³ķ", "åIJĥ äºĨ", "åĪĨåĪ« 为", "èģĶåIJĪ åĽ½", "å½ĵ 代", "å¦Ĥæŀľ æĺ¯", "è¿ľ ç¨ĭ", "åĸ Ĥ", "è®° ä½ı", "æ¸ħ åįķ", "åIJĪä½ľ ä¼Ļä¼´", "åİ» åģļ", "æķħ éļľ", "模 æĭŁ", "å¸Ī çĶŁ", "åīį æĿ¥", "çĶµè§Ĩ åī§", "çĥŃ çĪ±", "éľ² åĩº", "é«ĺ å±Ĥ", "çĶµ åĻ¨", "纪 å¾ĭ", "å¼Ģåıij åķĨ", "éķ¿ å®ī", "è½½ ä½ĵ", "çļĦ å°±æĺ¯", "被 人", "åıĹ çIJĨ", "篮 çIJĥ", "èİ İ", "交 ç»Ļ", "æľªæĿ¥ çļĦ", "两 大", "åIJķ å¸ĥ", "çŃī 人", "çļĦ æĹ¥åŃIJ", "åIJĪä½ľ 社", "æĮij éĢī", "åŃĺ 款", "ç³»ç»Ł çļĦ", "æĬĬ å®ĥ", "没æľī ä»Ģä¹Ī", "ä»İ æѤ", "ä¸Ń åįĪ", "çĸ¼ çĹĽ", "å·© åĽº", "浪 漫", "缸åħ³ éĥ¨éŨ", "éķ¿ åŁİ", "纤 ç»´", "ä¸Ĭ éŨ", "çĪĨ çĤ¸", "èµ· çĤ¹", "çļĦ éĢļçŁ¥", "èĢĮ æĿ¥", "çļĦ èĢģ", "æīĭ éĩĮ", "è¯Ń éŁ³", "è¾Ľ èĭ¦", "æ±Łèĭı çľģ", "çĶ¨ äºĨ", "身份 è¯ģ", "æľī åĬ©", "æľīåĬ© äºİ", "çī© èģĶç½ij", "åĩº éŨ", "å¼Ł åŃIJ", "æĥ ¹", "è¿Ļ件 äºĭ", "æĪij们 åı¯ä»¥", "çļĦ çĶŁåij½", "æľīä¸Ģ ç§į", "åºĹ éĵº", "åıĮ æīĭ", "çļĦ æ¶Īæģ¯", "èĢIJ å¿ĥ", "å°´ å°¬", "éĤ£ 天", "é¦ĸ æī¹", "æĺ¯ä¸Ģ 家", "人 æ°Ķ", "åıį æŃ£", "æĪij åĴĮ", "å®ł çī©", "ä¸į 对", "寻 æ±Ĥ", "缸 ä¼¼", "åľ¨ ç¾İåĽ½", "åı« åģļ", "åĹ İ", "ç«ĭ 足", "çĶ¨ éĢĶ", "åħ Ĩ", "大 æ°Ķ", "åIJij ä¸Ĭ", "ä»ĸ å°±", "é¡¹çĽ® 建设", "èĭ¥ å¹²", "æĺ¯ æľī", "æ¿Ģ æĥħ", "çļĦ æĦıä¹ī", "æĺ Ń", "严éĩį çļĦ", "å¯Ĩ éĽĨ", "èĪŀ è¹Ī", "èį£ èİ·", "èİ· æĤī", "æ±Ł åįĹ", "åģĩ å¦Ĥ", "æĪ· å¤ĸ", "线 ç´¢", "ç§ģ 人", "转åŀĭ åįĩ级", "çļĦ ä»·åĢ¼", "åįķ çĭ¬", "èĢģ çĻ¾å§ĵ", "å°į æĸ¼", "åĽ½éĻħ åĮĸ", "ä¼° åĢ¼", "æľįåĬ¡ ä¸ļ", "èĩ Ń", "æİī äºĨ", "解åĨ³ äºĨ", "ä¹Ł ä¸įèĥ½", "åħ ¹", "æĸ¯ çī¹", "æķħ æĦı", "è¿ĩ 度", "èĬĤ æĹ¥", "çĻ½ çĻľ", "çĻ½çĻľ é£İ", "继 æī¿", "äºĨ ä¸įå°ij", "äºĮ 人", "è§ģ éĿ¢", "æĥ³ æĥ³", "å¤į åIJĪ", "康 å¤į", "åİ¿ åŁİ", "åľ¨ åĽ½åĨħ", "åľº åľ°", "éĻ¶ çĵ·", "è¿Ļ 项", "çľ¼ ä¸Ń", "çł ¸", "æĦŁè§ī åĪ°", "æŀľ çĦ¶", "æĶ¾ åħ¥", "约 æĿŁ", "æİĴ æŁ¥", "车 主", "çļĦ æĦıæĢĿ", "æĸ° åŁİ", "æĥ³ çĿĢ", "éģ Ĥ", "èĮ¶ åı¶", "ä¹° æĪ¿", "åĨľ æĪ·", "é«ĺ æīĭ", "çİī ç±³", "æĸ°åĨł èĤºçĤİ", "çħ§ æĺİ", "æĮĩ åįĹ", "è¸ ¢", "æķij æı´", "æĻ¯ çĤ¹", "ç¨İ æĶ¶", "çļĦ æīĭ", "æŃ£ 好", "è¦ģ æĬĬ", "éļı æĦı", "åħ¶å®ŀ æĺ¯", "ç»Ļ èĩªå·±", "è°Ī åĪ¤", "æ¯ı天 éĥ½", "æĢģ åĬ¿", "é¢Ħ 约", "åİĨåı² ä¸Ĭ", "å®Ŀ è´Ŀ", "åīį è¿Ľ", "ä¹Łå°±æĺ¯ è¯´", "çļĦ æĦıè§ģ", "åı£ 罩", "åİĺ ç±³", "èĬ± è´¹", "ä½ĵèĤ² æĬķ注", "åħ¬ä¼Ĺ åı·", "èijĹåIJį çļĦ", "å¼Ģ æĪ·", "æĭį åįĸ", "å²ģ æľĪ", "åĨħ 涵", "å®Įæķ´ çļĦ", "é«ĺ åİĭ", "åħ¬åĬ¡ åijĺ", "使çĶ¨ çļĦ", "çĶŁäº§ 线", "妹 妹", "èµ° 访", "æĺ¯ åı¯ä»¥", "åľ¨ 家", "æļ´ åĬĽ", "æ³° åĽ½", "è´¨ çĸij", "ä¸į éģİ", "天çĦ¶ æ°Ķ", "缺 çĤ¹", "å°ı åŀĭ", "ä¸įä»ħ æĺ¯", "é»ij æļĹ", "æ¢ ¨", "æĸĩ æĹħ", "è¦ģ æľī", "ä¸Ń å±±", "çļĦ æķ°æį®", "å¾Ĺ å¾Ī", "以 便", "对 ä»ĸ", "åĬł 以", "çĻ¼ çı¾", "设 å®ļ", "èĤļ åŃIJ", "éĿ ĸ", "å¥ī çĮ®", "ä¸į åıĺ", "åı£ ç¢ij", "åľ¨ åĵªéĩĮ", "ä½ IJ", "è¿Ļ 两个", "çļĦ æĸ¹åIJij", "æŀ «", "äºĮ 次", "çīĩ åĮº", "éł IJ", "ç£ Ĭ", "æĭ¿ çĿĢ", "å·²ç»ı æĪIJ为", "ä¹ĭ ä¸Ĭ", "å®Ĺ æŨ", "奶 奶", "é«ĺæĸ° åĮº", "社 æľĥ", "è·Ł 踪", "æľįåĬ¡ ä¸Ńå¿ĥ", "æī ¯", "æīĭ æĮĩ", "礼 çī©", "宿 èĪį", "çĶ¨ å¿ĥ", "æıIJé«ĺ äºĨ", "亮 çĤ¹", "ä¸į æĦ¿æĦı", "æĴŃ æĶ¾", "å¤ļå°ij éĴ±", "没 ä»Ģä¹Ī", "æķ° åįģ", "æĢ» çĽij", "çļĦ åŁİå¸Ĥ", "æī¾ åĪ°äºĨ", "åĨħ åľ°", "åĪ° çİ°åľ¨", "æĪĺæĸĹ åĬĽ", "åİŁ å§ĭ", "åĥ §", "åĢĴ æĺ¯", "æľĢ åħ·", "è´«åĽ° æĪ·", "éĢģ åĪ°", "级 åĪ«", "åĩº èµĦ", "æĪª æŃ¢", "ç§į åŃIJ", "èĥ½ ä¸įèĥ½", "幸 è¿IJ", "èĸ ĩ", "项 éĵ¾", "æĮĤ çīĮ", "ä¸Ģ 樣", "ä¹ĺ 客", "èIJ½ åIJİ", "ä½Ĩ æĪij", "æĹ© åľ¨", "åĬ¨ 漫", "å¹³ çŃī", "对 ä½ł", "ä¸į æĢķ", "å¤ĸ çķĮ", "å¤ļå¹´ æĿ¥", "é¦ĸ 个", "æ²³ åįĹçľģ", "æĪĸ åħ¶ä»ĸ", "éķľ 头", "åįĹ æĺĮ", "ä¸Ģ éĿ¢", "éĢłæĪIJ çļĦ", "å´ Ķ", "çŃ Ĵ", "æķĻèĤ² éĥ¨", "åľ° åŁŁ", "æĺĨ æĺİ", "å·´ é»İ", "æīĭ 游", "ä¸Ģ æŶ", "çł į", "顶 级", "åħ± 计", "åİŁ æ²¹", "è¾ī çħĮ", "说 æĺ¯", "æĸ°åįİ ç¤¾", "ç»ıåİĨ äºĨ", "ä¸į æŃ¢", "è¦ģ ä¹Ī", "èĢħ çļĦ", "æĢ» æĬķèµĦ", "è¡Į 驶", "ä¸Ĭ å¸Ŀ", "å¹´ 纪", "çIJ ¼", "ä¼ł 说", "ç²¾ èĭ±", "æĸ¹ éĴĪ", "æ±Ł æ¹ĸ", "æĪIJ çĤº", "æĢ» éĩı", "æĬķ æĶ¾", "åĬ¨ çĶ»", "èĹ ¤", "çĶµ æºIJ", "éĴ Ļ", "åIJĮ è¡Į", "æĻ®éĢļ çļĦ", "åĽ¾ä¹¦ é¦Ĩ", "è¯Ī éªĹ", "æħĪ åĸĦ", "è¿Ļ 份", "主æĮģ 人", "å°± è¿Ļæł·", "èĢĮ æĪIJ", "èĩªè¡Į 车", "ä¸ŃåĽ½ çī¹èī²", "èĤ¿ çĺ¤", "åIJ ¾", "å¼Ł å¼Ł", "åıĹ çĽĬ", "éĢīæĭ© äºĨ", "æĺİæĺ¾ çļĦ", "æĬ¥ èĢĥ", "ç¬ij éģĵ", "éĽĸ çĦ¶", "温 å·ŀ", "éĿŀ æ´²", "ç§į ç§į", "åıĤåĬł äºĨ", "è´§ è¿IJ", "éļı 便", "å°± 没æľī", "ç¸ £", "央 è§Ĩ", "ç©¿ è¶Ĭ", "çļĦ çݰ象", "åĩł 次", "çļĦ é£İéĻ©", "æŃĮ æĽ²", "æľ¬ å±Ĭ", "å¹´ åĨħ", "ä¸į è¶ħè¿ĩ", "è¿ĩ å¤ļ", "å¿ħé¡» è¦ģ", "ç»ĵ 论", "åĢŁ éī´", "ç¥ŀ å¥ĩ", "æľŁ æľĽ", "ä¸ĵ 享", "éĿŀ常 éĩįè¦ģ", "æĦıè¯Ĩ åĪ°", "åIJĪ 并", "æĬĬ èĩªå·±", "å¥Ĺ è£ħ", "éŃĶ æ³ķ", "å¤ı åŃ£", "ä¸į åĥı", "å¢ĥ çķĮ", "æĥĬ åĸľ", "æľīä¸Ģ 天", "çĦ¦ çĤ¹", "æĪij 认为", "åħ° å·ŀ", "çĶµ æ°Ķ", "èģĶç³» æĪij们", "ç§ij æĻ®", "她 说", "çļĦ æĸĩç«ł", "å¥ĩ æĢª", "åıĭ 好", "饮 æĸĻ", "çļĦ æĶ¯æĮģ", "çŃĶ åºĶ", "éĩį éĩı", "çij ¶", "åĩı è½»", "ç§ijåѦ 家", "å·´ 西", "éĩijèŀį æľºæŀĦ", "åħļ å§Ķ书记", "貸 款", "ç²¾ èĩ´", "ä»İ æľª", "åį° åĪ·", "åĽŀ 顾", "é¦ĸ éĥ½", "åıij èĤ²", "éĹ® éģĵ", "è¾¾ åĪ°äºĨ", "å¿į ä¸įä½ı", "æīį æľī", "æįIJ èµł", "ä½Ľ æķĻ", "ä¸į æ¸ħ", "éĺŁ éķ¿", "缸 åıį", "æĬ¥ èѦ", "大 åħ¨", "欧 缣", "帮 å¿Ļ", "çļĦ æĻĤåĢĻ", "缮 å½ķ", "足 以", "èī° éļ¾", "ä»ĸ ä¹Ł", "å·¥ ä½ľèĢħ", "头 èĦij", "缺 éĻ·", "æĪIJç«ĭ äºĨ", "å°± å¼Ģå§ĭ", "认 åIJĮ", "é»Ħ èī²", "çĹħ æĥħ", "覺 å¾Ĺ", "è¿Ļ 两", "ä¿¡ ä»°", "åľĭ 家", "ä¸įä»ħä»ħ æĺ¯", "çĭ¬ 家", "èĪ¬ çļĦ", "æĿIJ è´¨", "æµ· ä¸Ĭ", "çĤº äºĨ", "æľºåĬ¨ 车", "缸å½ĵ äºİ", "å¤ļåħĥ åĮĸ", "æĽ´ 大çļĦ", "èĽ ®", "åģĩ æľŁ", "å¼ı çļĦ", "交éĢļ è¿IJè¾ĵ", "çľģ å§Ķ", "ä¸į ç®Ĺ", "æĶ¾ ä¸ĭ", "éĹ ¯", "人 åľ¨", "港 åı£", "æŨ åľ¨", "åij½ 令", "æŁIJ 个", "å¹³ 稳", "åıª 好", "人 人", "äº ŀ", "äºĮ ç»´", "äºĮç»´ çłģ", "æŀģ 为", "åĪ« å¢ħ", "åħ¶ ä½Ļ", "大 äºĭ", "主管 éĥ¨éŨ", "æĹł éĶ¡", "éĹ µ", "éģŃ åĪ°", "说 è¿ĩ", "为 ä½ł", "解 çŃĶ", "éªĮ æĶ¶", "çļĦ ç»ıéªĮ", "åĮ¹ éħį", "çģ« ç®Ń", "豪 åįİ", "æŁIJ æŁIJ", "çļĦ æĹ¶ä»£", "书 éĿ¢", "æģĴ 大", "延 éķ¿", "ä¸Ģ åIJĮ", "æľª èĥ½", "交 æį¢", "çĶ¢ åĵģ", "çŃī åĪ°", "åĪĨ 离", "æīĵ çĶµè¯Ŀ", "å¹² çĩ¥", "è¾ĥ å¤ļ", "å¤ļå¹´ çļĦ", "èĥĮæĻ¯ ä¸ĭ", "为 ä¾ĭ", "æijĺ è¦ģ", "å´Ľ èµ·", "æѤ åĪ»", "æľī æľºä¼ļ", "æĿ¡ 款", "é¢Ĩ导 å°ıç»Ħ", "çļĦ 身ä½ĵ", "åįķ ä¸Ģ", "央 è¡Į", "ä¸įæĸŃ æıIJé«ĺ", "ä»·åĢ¼ è§Ĥ", "èĬ ½", "èIJ į", "æ³ķå¾ĭ æ³ķè§Ħ", "ä¸į éĶĪ", "ä¸įéĶĪ éĴ¢", "åĩº äºİ", "èĻļ æĭŁ", "æį® æĤī", "çĥ¦ æģ¼", "åħ¨ æĸ°çļĦ", "æī« æıı", "çĻ» éĻĨ", "èīºæľ¯ 家", "çļĦ é£Łçī©", "çļĦ åŃĺåľ¨", "客 åİħ", "æĪij们 å°±", "æŁ¥çľĭ æĽ´å¤ļ", "è¯Ħ 审", "å¸Ĥ åł´", "è¬ Ľ", "å·¨ 头", "ä¸ŃåĽ½ ç»ıæµİ", "äºĨ èĩªå·±çļĦ", "åĨ³ è®®", "çĽijçĿ£ 管çIJĨ", "æĬķ 票", "åĨį 度", "è¡Į çĤº", "注 åħ¥", "ä½ľä¸º ä¸Ģ个", "æ¯ı个人 éĥ½", "åįķ åħĥ", "è¦ģ çŁ¥éģĵ", "被 称为", "ä¹ĭ éĻħ", "解 éĻ¤", "ä¸ ¸", "æº «", "ä¸ī æĺŁ", "é²ľ æĺİ", "ä¹Ł éĥ½", "æŶ æľº", "åĩº æīĭ", "æĥħ å½¢", "åķĨ è´¸", "éĢī 举", "对 èĩªå·±", "çĶŁ åĬ¨", "åħĭ æľį", "个 ä½ĵ", "èĭ ij", "ç¨ ±", "大 åݦ", "æĺ¯ å¯¹", "åĪ© æģ¯", "è¿IJåĬ¨ åijĺ", "åĮĸ 解", "åīį 沿", "æĦŁ æģ©", "æĢ» ä¹ĭ", "é«ĺæĸ° æĬĢæľ¯", "åĿĩ 为", "åħ¨ åĮº", "æ°Ķ æ°Ľ", "åı¯ä»¥è¯´ æĺ¯", "ä½ı 宿", "åħļåijĺ å¹²éĥ¨", "åĹ ¯", "è·µ è¡Į", "çļĦ ä¸ĵä¸ļ", "èĢĥ éªĮ", "èķ ¾", "åħ¬ åŃIJ", "çļĦ çĬ¶æĢģ", "æ½® æµģ", "ä¿¡ æīĺ", "è´ ¼", "åIJĦ æĸ¹", "æķij åĬ©", "éĿŀ常 çļĦ", "æ¡¥ æ¢ģ", "åħ¬ æĸ¤", "ä¼¼ çļĦ", "çľĭ 好", "å±Ģ éĥ¨", "å®ī éĿĻ", "éħį 件", "常 è§Ħ", "å¼Ģ 车", "第äºĮ 次", "ä¸Ĭ 级", "åıĤ èµĽ", "家 å±ŀ", "强 åĬ¿", "åľ¨ ä»ĸ", "åIJij åīį", "ä¹ĭ åľ°", "éĥ ¡", "è¡Į ç¨ĭ", "èѦ åijĬ", "è§Ħå®ļ çļĦ", "åķĨ åŁİ", "äºĶ 大", "æķĻ 室", "åįģ 足", "æīĢ以 åľ¨", "å°Ĩ 继ç»Ń", "çŃī æĸ¹å¼ı", "家 ä¼ģä¸ļ", "交 ä»ĺ", "çĤ¹ è¯Ħ", "ç»ĵ ç®Ĺ", "ä¹Ł åı¯", "å¤ĸ æ±ĩ", "è¿Ļç§į æĥħåĨµ", "æİĪ äºĪ", "å¸ĥ ç½®", "æĪIJç«ĭ äºİ", "é¢Ħ èѦ", "管çIJĨ 人åijĺ", "å©ļ 礼", "ç»ĵæĿŁ åIJİ", "åħ¥ éĢī", "æĹł æ¯Ķ", "åĴĮ åıijå±ķ", "çĻ½ éħĴ", "çİ© åħ·", "ä¸ĩ ç¾İåħĥ", "çļĦ æĪIJ绩", "æĭį çħ§", "èĢĥèĻij åĪ°", "ä¼ģä¸ļ åıijå±ķ", "äºĨ 个", "çĶŁ æ°Ķ", "çļĦ 女人", "äºĶ åįģ", "çĪ· çĪ·", "纽 约", "éĥ½ 被", "ä¸Ĭ 课", "çĽ ¡", "ä¼łç»Ł æĸĩåĮĸ", "æ½ľ åľ¨", "åıij å°Ħ", "ä¸Ģ 身", "éĺ² å®Ī", "åĪ ®", "é¢ĺ 缮", "åľ¨ åĨħçļĦ", "ç¾İ 好çļĦ", "è¿ĻéĩĮ çļĦ", "ä¸Ģ ä¸Ŀ", "人 åĿĩ", "åĢ¡ 导", "身 åIJİ", "æī© å±ķ", "大 éŨ", "å°± 被", "该 é¡¹çĽ®", "æŀ¶ æŀĦ", "ä¸Ģ åı£", "ä¿¡æģ¯ æĬĢæľ¯", "å¼Ģ ä¸ļ", "æĶ¶ åıĸ", "ç½ij 页", "æĶ¯ æı´", "å°ģ éĹŃ", "å¡ij éĢł", "大 èĥĨ", "å¿«éĢŁ åıijå±ķ", "çľĭ ä¼¼", "æ¸ Ŀ", "è¿Ļæł· ä¸Ģ个", "模 åĿĹ", "注æĦı åĪ°", "çł´ 解", "èĩª ä»İ", "åijµ åijµ", "ä¹ĭ å¾Į", "ä¹ĭ æĹħ", "è·Ł æĪij", "æ³ķ 人", "æİĴè¡Į æ¦ľ", "åĿļ å®Ī", "好 å¤Ħ", "çŁ³ 头", "并 å°Ĩ", "èĪ ±", "æŃ ĩ", "两 岸", "å¤ļ ä¹ħ", "象 å¾ģ", "个æĢ§ åĮĸ", "çļĦ è§Ĵ度", "å¸ Ĩ", "ç¦ı å·ŀ", "æŁ¥ å¤Ħ", "两 åĽ½", "åIJ¸å¼ķ äºĨ", "é¦ĸ å¸Ń", "大 åĵ¥", "é¤ Ĭ", "涨 å¹ħ", "éĢī çĶ¨", "許 å¤ļ", "èIJ½ æĪ·", "åĵĪ å°Ķ", "åĵĪå°Ķ 滨", "åģļ ä»Ģä¹Ī", "以 åħį", "é¾ į", "æĹł éľĢ", "åĪ°åºķ æĺ¯", "æĢ ¡", "åijĬè¯ī ä½ł", "éĺ² æ°´", "è¿Ļ æŶåĢĻ", "欢 ä¹IJ", "转 åIJij", "è¿Ļ个 åľ°åĽ¾", "åħ¥ é©»", "èįī åİŁ", "æĹ¶ä»£ çļĦ", "åıĺ åĬ¨", "åĬłå¼º 对", "åģ¶ å°Ķ", "å®Ī æĬ¤", "æ°Ķ 温", "人 éĹ´", "æľĿ é²ľ", "ç»ı è´¹", "åĽŃ æŀĹ", "å·¥ åľ°", "è§Ħ æł¼", "åĩł åįģ", "è¯ķ åĽ¾", "å¦ ĥ", "éĤ£ æŶåĢĻ", "å¼ĺ æī¬", "ä¸ļ çķĮ", "çļĦ éĢŁåº¦", "ä¼ļ ä¸įä¼ļ", "èIJ¥ æĶ¶", "å°ıå¾® ä¼ģä¸ļ", "çľĭ è¿ĩ", "æĬĬ ä»ĸ", "éģµ 循", "è¿Ļ è¾¹", "没æľī 人", "å£ ¶", "æ¹ĸ åįĹçľģ", "æŀģ åħ¶", "çļĦ人 çĶŁ", "ä»ĸ è¿ĺ", "转åĮĸ 为", "èµ° è¿ĩ", "æĬ± çĿĢ", "çīĽ 奶", "ä¸ĩ 亩", "å¿ĥ æĢģ", "æĹ¥å¸¸ çĶŁæ´»", "ä½ĵ æ£Ģ", "æĻ ĥ", "çŃī é¢ĨåŁŁ", "æĩī 該", "åı¯ä»¥ çľĭåĪ°", "æī¾ ä¸įåĪ°", "èĢģ å¹´", "æĬĬ æĪij", "积 åĪĨ", "梳 çIJĨ", "ç» ³", "çļĦ æĶ¿æ²»", "å¸Ŀ åĽ½", "éĻª ä¼´", "æ´Ľ éĺ³", "åħ¬ æŃ£", "å¼Ģ åı£", "çī¹èī² çļĦ", "åĽ° å¢ĥ", "ä¸Ĭ æľī", "ç«ĭ ä½ĵ", "æīĵ å·¥", "åķ¤ éħĴ", "åľ¨ éĤ£éĩĮ", "éĤ£ è¾¹", "个 åĪ«", "ä¸Ģå®ļ æĺ¯", "çļĦéĩįè¦ģ æĢ§", "主 å¼ł", "åĴĮ æľįåĬ¡", "ä¸Ĭ ç½ij", "è¡¥ åĬ©", "åıª éľĢ", "å¼ ¦", "éģ ®", "åĬĽ äºī", "度 è¿ĩ", "èij ¬", "é¡¿ æŶ", "éĦ ī", "纺 ç»ĩ", "åľ° åĿĹ", "ä¿¡çĶ¨ åį¡", "ç½ļ 款", "åijĬè¯ī æĪij", "éĽ Ļ", "书 çĶ»", "è¨Ń è¨Ī", "æĢ» ä¼ļ", "åĪ¤ åĨ³", "ä¿¡ èªī", "个 èĤ¡", "å¹³ 常", "æĢİ éº¼", "ä½ĵ çİ°åľ¨", "é»Ħ æ²³", "åĽĽå·Ŀ çľģ", "羣 缸", "åIJĦ项 å·¥ä½ľ", "åĬ¨ åijĺ", "å³° ä¼ļ", "ä¸Ģ æľŁ", "æľī ä¸Ģå®ļçļĦ", "é«ĺ度 éĩįè§Ĩ", "ç¹ģ èį£", "åıijçİ° äºĨ", "ç½ij 红", "æīĭ æ³ķ", "家 åĽŃ", "仪 åĻ¨", "è¾ĥ ä½İ", "çļĦ å®īåħ¨", "æ¡ IJ", "ä»ĺ 款", "æĬij åĪ¶", "åįĵ è¶Ĭ", "æŃ£ éĿ¢", "åĵ ij", "强 åĪ¶", "ä»Ĭ天 çļĦ", "æĪĺ èĥľ", "楼 å¸Ĥ", "æĭ¿ ä¸ĭ", "é¢ľ åĢ¼", "举 éĥ¨", "çłĶ åĪ¶", "çļĦ æĪĺçķ¥", "åľ¨ ä¸Ģ个", "ä¸ī 人", "å®Į äºĨ", "æĸ° æĬĢæľ¯", "ç»ıæµİ æķĪçĽĬ", "å¯Į æľī", "æ¾³ æ´²", "åĬ© çIJĨ", "é¢Ĩ åıĸ", "è° Ń", "çĩĥ çĥ§", "ç´ł åħ»", "éĤĦ æľī", "è¿Ľ èĢĮ", "ä»Ģä¹Ī æĺ¯", "çłĶ究 ä¸Ńå¿ĥ", "éĢĤ çĶ¨äºİ", "æİ¥ æĶ¶", "失 æľĽ", "äºĮ 级", "éĹ´ çļĦ", "åİŁ æłĩé¢ĺ", "èªį çĤº", "æį ¡", "对 çĿĢ", "对 éĿ¢", "ä¸Ń åİŁ", "éĵ ĥ", "çĶŁäº§ çļĦ", "åıijå¸ĥ ä¼ļ", "士 åħµ", "è¿Ļ åı¥è¯Ŀ", "ç¼´ 纳", "ä¸Ģ个 个", "åѸ çĶŁ", "çĸij éĹ®", "交 èѦ", "示èĮĥ åĮº", "天 使", "åľ¨ ä¸Ĭæµ·", "åIJĮ æĻĤ", "è½» æĺĵ", "åĶ¯ä¸Ģ çļĦ", "çĥŃ éĹ¹", "ä¹IJ è§Ĥ", "çļĦ 身份", "åĸĦ äºİ", "大 åİħ", "èĤ¯å®ļ æĺ¯", "éĺ² çģ«", "å¤ĸ åĩº", "æį® 说", "é¡¹çĽ® çļĦ", "ä¸Ģ åı°", "èĻļ åģĩ", "ä¸Ģ ç¬Ķ", "ç«ĭ æ³ķ", "严 èĤĥ", "æī¿ åĬŀ", "åįģ åĩł", "çļĦ 空éĹ´", "æľ¬ ç½ijç«Ļ", "åģļ å¾Ĺ", "ä¿Ŀ 温", "æľĪ åĪĿ", "åľ¨ ç½ijä¸Ĭ", "åIJĦ æĸ¹éĿ¢", "ä¸ī 天", "交æĺĵ æīĢ", "解 æŀIJ", "åħļ ä¸Ń央", "è¿Ľ åĩºåı£", "åĴĮ 社ä¼ļ", "次 æķ°", "ä¹ĭ 家", "ç»´ 度", "æ´¾åĩº æīĢ", "产çĶŁ äºĨ", "带 æľī", "å¾Ī 强", "æľīäºĽ 人", "å¹´ åIJİ", "äºĨ 许å¤ļ", "å¯Ĩ 度", "åѦ æľŁ", "çıł æµ·", "æľĢå¤ļ çļĦ", "è¾¹ ç¼ĺ", "容 éĩı", "第äºĮ 个", "ä¸Ģ缴 æĺ¯", "ä¸į ç¦ģ", "æŃ ²", "ä»ĭç»į äºĨ", "ä¼ĺ éĽħ", "æ¯Ķ è¼ĥ", "èģĮ ä½į", "温 æŁĶ", "æľī éĴ±", "æľĢ é«ĺçļĦ", "åįļè§Ī ä¼ļ", "ä¸į æĪIJ", "éĶĻ äºĨ", "è¯ģ çĽij", "è¯ģçĽij ä¼ļ", "æĪIJ 人", "åĿĩ åĮĢ", "æľī åĪ©", "è¶Ĭ åįĹ", "æīĵ äºĨ", "好 åIJĥ", "ç³» çµ±", "è·Ł éļı", "çļĦ åľ°ä½į", "æŃ£ å¦Ĥ", "ç¨į å¾®", "åį° åıij", "åĪĽ ç«ĭ", "é£İ åħī", "å°Ĩ æĪIJ为", "ä¸į é«ĺ", "é¢ij ç¹ģ", "设 æľī", "ä¼ ŀ", "æĭĨ éĻ¤", "å½± åĥı", "æ¸Ĺ éĢı", "å¹´ å¼Ģå§ĭ", "ç½ij æĺĵ", "è¦ģ åģļ", "çĶµåĬ¨ 车", "羣 å¿ĥ", "æµ· åĨĽ", "ä¼ł æĿ¥", "å·® åĪ«", "è°¨ æħİ", "çĥŁ åı°", "åįĥ å¹´", "è¯ģ å®ŀ", "çIJ ª", "çļĦ åħ·ä½ĵ", "åĪ° å¤Ħ", "ä¸į å®ľ", "èľ Ģ", "èĥ½åĬĽ åĴĮ", "çīº çī²", "çļĦ éĴ±", "大 éĺŁ", "é¦ĸ è¦ģ", "ä¸į æĦ¿", "çİ« çij°", "人æ°ij ç½ij", "è¿ĺæĺ¯ è¦ģ", "åĽĽ å¹´", "æįŁ 伤", "çļĦ åģļæ³ķ", "éĿ Ī", "è¡Ķ æİ¥", "åIJĪ æĪIJ", "没 人", "éŨ æ§Ľ", "ä¿¡ è´·", "çļĦ 缸åħ³", "举 é£İ", "社 ä¿Ŀ", "ä¸ĭ 游", "åĿĹ éĴ±", "è¿ĩ åIJİ", "çļĦ åºĶçĶ¨", "é¥ ¶", "é¢ģ åıij", "ä¸Ģ å¤Ħ", "åįİ å¤ı", "为 ä¼ģä¸ļ", "åıª ä¼ļ", "ä¾µ 害", "çļĦ åĬŁèĥ½", "åѸ ç¿Ĵ", "ä¸Ńåįİ æ°ijæĹı", "åıijå¸ĥ äºĨ", "è¿İ æİ¥", "æĪij èĩªå·±", "è¿ĺ éľĢè¦ģ", "太éĺ³ èĥ½", "åİ» ä¸ĸ", "æĺ¯ ä½ł", "åIJĪ åĬĽ", "ç»ĺ çĶ»", "åı° åĮĹ", "çĿ£ ä¿ĥ", "åĮĹ éĥ¨", "æľī å¤ļå°ij", "å¾Ī éĩįè¦ģ", "åĪĴ åĪĨ", "åı· 线", "æĶ¾ 大", "ä¼ļ 被", "èİ· å¥ĸ", "ä¹ĭ åĨħ", "失 åİ»äºĨ", "çݩ家 们", "éĩĩ éĽĨ", "å£ ¹", "家 ä¼Ļ", "çĻ½ 天", "åĽłä¸º ä»ĸ", "社ä¼ļ æ²»çIJĨ", "å¼Ģ åĪĽ", "çĶµ ç¼Ĩ", "æĸ° ä¸Ģ代", "并 è´Ń", "å°± å·²ç»ı", "çļĦ 社ä¼ļ", "éĻ¤ éĿŀ", "åı¯ä»¥ çĶ¨", "å© ī", "æ¯Ķè¾ĥ 好", "å®ŀ ä¸ļ", "åĪĽ åĬŀ", "æıIJ èµ·", "é» ĥ", "ä½ı åľ¨", "å¸Ĥ æĶ¿", "éĿ¢ä¸´ çļĦ", "èĥ½ åľ¨", "çŁŃ çŁŃ", "羣 人", "æĺİ æĺİ", "èµĦ åĬ©", "çļĦ ä¸įåIJĮ", "å°ı æľĭåıĭ", "é¢ĺ æĿIJ", "ç¾İ åij³", "æĺŁ åº§", "ä¸į ä¸Ģæł·çļĦ", "çľĭ ä¸Ĭåİ»", "ä¸Ģ æł¹", "广 å·ŀå¸Ĥ", "åıijçĶŁ çļĦ", "é«ĺ ç§ijæĬĢ", "ä¸Ģ è¾ĪåŃIJ", "交 åıī", "ä½ĵç³» 建设", "åĽłä¸º æĪij", "çıį æĥľ", "ä¸Ĭ åѦ", "æĪĺ æľ¯", "æѤ ç±»", "交 å¾Ģ", "æĮī æij©", "人们 çļĦ", "åħ¶ 實", "åİŁ æĿIJæĸĻ", "渴 æľĽ", "缸 å¤Ħ", "å¾® å¾®", "æ® ·", "ä¹ĺ åĿIJ", "å¼Ģå±ķ äºĨ", "é«ĺ åĵģè´¨", "æĹłäºº æľº", "ä¸įæĺ¯ å¾Ī", "çļĦ æĬķèµĦ", "èĬĤ çľģ", "èĩ ī", "ç²¾ éĢī", "çļĦ æłĩåĩĨ", "åįĹ éĥ¨", "认è¯Ĩ åĪ°", "å¹³ éĿĻ", "èĹ ¥", "æī« é»ij", "æī«é»ij éĻ¤", "æī«é»ijéĻ¤ æģ¶", "éĢĻ 種", "建çŃij éĿ¢ç§¯", "ç¡® ç«ĭ", "管çIJĨ åĬŀæ³ķ", "æĦı å¿Ĺ", "ä¸ ¨", "让 åŃ©åŃIJ", "æķij çģ¾", "å½ĵ ä»Ĭ", "çģ« çģ¾", "åIJĦ éĥ¨éŨ", "ä¾µ çĬ¯", "æ¯ı åij¨", "æı ½", "ä¸Ģ次 æĢ§", "åħ¶ä»ĸ 人", "éĶĻ è¿ĩ", "ä¸İ åħ¶", "åĭĩ æ°Ķ", "çĩĥ æ°Ķ", "é¦ĸ å±Ĭ", "æľį 饰", "ç² ¥", "å®Į æ¯ķ", "å°± æĬĬ", "åĬŀäºĭ å¤Ħ", "ä¸Ģä¼ļ åĦ¿", "离 ä¸įå¼Ģ", "å¦Ĥæŀľ æĤ¨", "ä»ĵ åºĵ", "导 å¸Ī", "åIJĪéĢĤ çļĦ", "毫 ç±³", "å®īåħ¨ æĢ§", "ä¾Ŀ çħ§", "产ä¸ļ åĮĸ", "ä½ł çľĭ", "羣çļĦ å¾Ī", "åѤ çĭ¬", "éĺ² å¾¡", "å¾Ī ç®Ģåįķ", "é£İ æ°´", "ä½Ĩ ä¹Ł", "æݨ åĩºäºĨ", "æ°ijèIJ¥ ä¼ģä¸ļ", "çłģ 头", "å¤įæĿĤ çļĦ", "ç»ĦæĪIJ éĥ¨åĪĨ", "åħħ满 äºĨ", "è¿ij åĩłå¹´", "çľģ æĶ¿åºľ", "æľī å¿ħè¦ģ", "éĻ ³", "ä¹ĭ ç±»", "ä¹ĭç±» çļĦ", "æĢ§ ä»·", "æĢ§ä»· æ¯Ķ", "åķĨ åºĹ", "å¸Ĥ åĢ¼", "人æīį åŁ¹åħ»", "æ·± åıĹ", "管çIJĨ å±Ģ", "æģIJ æĥ§", "ä»ħ æľī", "æĬµ è¾¾", "æµ· åħ³", "èµĭ äºĪ", "äºĭ åĦ¿", "ä»· éĴ±", "æīĭ ä¸Ĭ", "èĩª å¾ĭ", "åħ³ çĪ±", "享 æľī", "éģĹ æĨ¾", "å¾Īå¿« å°±", "æĽ´ å¿«", "æłĩ è¯Ĩ", "åºĨ ç¥Ŀ", "ä¹Ł 好", "ä¸į æĺĵ", "æĪij å¾Ī", "æĶ¹éĿ© åıijå±ķ", "å¤ĸ åľ°", "æĬµ æĬ¼", "è¯Ĺ 人", "åİķ æīĢ", "æĸ° åªĴä½ĵ", "èĸ Ľ", "è°Ī è¯Ŀ", "ä¸Ģå®ļ ç¨ĭ度", "èµ° åľ¨", "æľĢ 强", "åĬŁ çİĩ", "åħ± è¯Ĩ", "大 æ¡¥", "ä¸ĭ æĸ¹", "å¤ĸ èµĦ", "ç¢ ±", "å·¡ è§Ĩ", "æ¹ĸåĮĹ çľģ", "个 çĻ¾åĪĨ", "个çĻ¾åĪĨ çĤ¹", "çļĦ 责任", "çļĦ åĵģçīĮ", "åĬ© æݨ", "åĪĽéĢł äºĨ", "ä»» èģĮ", "å¿« æį·", "æĿij åºĦ", "åİ» çľĭ", "æīį èĥ½å¤Ł", "å± ¤", "æĪij 家", "æĺ¯ä¸Ģ 款", "ç¾ ħ", "åĨ° éĽª", "æŀģ 大", "çģ¯ åħī", "éĨ ĭ", "ä¸İ åħ¶ä»ĸ", "æıIJåĩº çļĦ", "éĿł è¿ij", "è°ĥ åĬ¨", "å°½ åı¯èĥ½", "åıij åĬĽ", "ç»Ļ 她", "éĢĤ éĩı", "è·¨ åĽ½", "åħĪ è¡Į", "æĸ° æĿIJæĸĻ", "ä½ľ äºĨ", "满 äºĨ", "ä¸į 满", "çļĦçľ¼ çĿĽ", "çľĭ å¾Ĺ", "è¿Ļ ä¸Ģ次", "é½IJ åħ¨", "çļĦä¸Ģ éĥ¨åĪĨ", "ä¸ Ļ", "æ¸ħ æĸ°", "說 æĺİ", "身边 çļĦ", "æīĢæľī 人", "å½° æĺ¾", "è± ¹", "åį ¿", "è¿IJ 转", "æĮĩ å¼ķ", "å¸Ĥ åħ¬å®īå±Ģ", "åıĤ å±ķ", "ä¹ĭ æŶ", "éĩijèŀį æľįåĬ¡", "èµĦæľ¬ å¸Ĥåľº", "èĥ½ 让", "å¿ĺ äºĨ", "天 åłĤ", "æ¯Ķå¦Ĥ 说", "éĬĢ è¡Į", "èĽĭ ç³ķ", "çĶ ©", "æł¸ å®ŀ", "æĻ® 京", "ä¼ĺ ç¾İ", "åı£ èħĶ", "漫 çĶ»", "çľ¼ éĩĮ", "äºĨ ä¸ĭæĿ¥", "æĪij们 ä¹Ł", "ä¾ į", "为 ä¸Ńå¿ĥ", "å¥ĩ 迹", "éĿĴ çĿIJ", "æĪªèĩ³ 缮åīį", "åĩº ä¾Ĩ", "æĢ» åħ¬åı¸", "å¼¥ è¡¥", "ç®Ĺ æ³ķ", "å·¥ä½ľ 室", "æīĢ以 æĪij", "æ°´ åĪĨ", "æīĢ å±ŀ", "ä¸į 说", "ä½Ĩæĺ¯ åľ¨", "è¦ģ åİ»", "åĪĽä¸ļ èĢħ", "ä¸į æ¸ħæ¥ļ", "åĽĽ åij¨", "æĺ¯ ä»İ", "çļĦ æł¹æľ¬", "çģ ¶", "æ¯Ľ æ³½", "æ¯Ľæ³½ 举", "æµ· åı£", "åĽĽ åįģ", "ä¹Ł 被", "èģ ·", "ä¸Ģ æīĭ", "绩 æķĪ", "çļĦ çĶ·äºº", "书 ç±į", "ä¸Ģ èĦ¸", "大 äºİ", "鼶 éĥ¨ä»¶", "åħ³ æĢĢ", "å¹³ ç±³", "æļ´ éľ²", "å¾Ĺ å¤ļ", "ä¸ī 级", "æľ¬ åij¨", "两 èĢħ", "对 ä¸ŃåĽ½", "åıª è§ģ", "欧 ç¾İ", "å¦Ĥæŀľ æľī", "å·²ç»ı æĺ¯", "çľĭ å®Į", "çģ« éĶħ", "èµ IJ", "ä¸Ģ éģį", "æĦŁ åĨĴ", "ç»ĵ å±Ģ", "ä»ĵ åĤ¨", "å®ŀ åľ°", "åī¯æĢ» ç»ıçIJĨ", "ä¹Łä¸į çŁ¥éģĵ", "碰 åĪ°", "åIJĪ 计", "客æĪ· çļĦ", "ç½Ĺ 马", "æĦī å¿«", "é£ Ľ", "çĥŃ çĥĪ", "伦 æķ¦", "åĮ» ä¿Ŀ", "éĺ¿éĩĮ å·´å·´", "åĨį 说", "为 åŁºç¡Ģ", "çĶŁäº§ ç»ıèIJ¥", "è¿ĻäºĽ 人", "åĪĹ è½¦", "æ²³åĮĹ çľģ", "è¿Ļ 段", "æ´»åĬ¨ ä¸Ń", "å© ·", "çĶŁ çIJĨ", "ä¸ŃåĽ½ 人æ°ij", "éĦ Ĥ", "åIJ¬ åıĸ", "å¤į ä¹ł", "æľī çĽĬ", "æĶ¶ æĭ¾", "å¾Ī åı¯èĥ½", "ç½ij绾 游æĪı", "们 çļĦ", "èµĭ èĥ½", "éļ¾ å¾Ĺ", "åĪĨ æīĭ", "羣 è¯ļ", "åħ¬åı¸ åľ¨", "åĿĩ è¡¡", "åı£ åij³", "çīµ 头", "ä¸ĢèĪ¬ çļĦ", "轿 车", "çŃī äºİ", "æ²ī é»ĺ", "æĪij éĥ½", "å°ı ç¨ĭåºı", "ä¸Ģ åī¯", "æī¿ è½½", "åľ° è´¨", "çķĮ éĿ¢", "çĶµ æľº", "çĦ¦ èĻij", "éĶĢåĶ® é¢Ŀ", "æĸ° 车", "ä¸Ĭ 游", "主 æ¼Ķ", "éļIJ ç§ģ", "åıijå±ķ æĪĺçķ¥", "çļĦ åĬªåĬĽ", "å¼Ģ åħ³", "解åĨ³ éĹ®é¢ĺ", "çĿ£ 导", "对 æĬĹ", "å¾Īå¤ļ 人éĥ½", "æĹł æķĪ", "产åĵģ è´¨éĩı", "å®ī å¿ĥ", "åįİ äºº", "ä¸į 符åIJĪ", "èĩª 家", "éĺµ å®¹", "çļĦ åIJĦç§į", "çļĦ çIJĨ念", "çļĦ æĸĩåĮĸ", "为 èĩªå·±", "å±± æ°´", "游 æ³³", "éľĩ èį¡", "çĶŁæ´» æĸ¹å¼ı", "è¿ľ 离", "çŁ³ åĮĸ", "æѤ äºĭ", "æĺ¯ çľŁçļĦ", "çļĦ æ¯Ķä¾ĭ", "çĶ¨ çĶµ", "奥è¿IJ ä¼ļ", "ä¿Ŀ å®ī", "èĽĭçĻ½ è´¨", "çļĦ å¿ĥçIJĨ", "å· «", "åı· çłģ", "æ°Ķ ä½ĵ", "åıij æĶ¹", "åıijæĶ¹ å§Ķ", "åĮ» å¸Ī", "æ¶Ĥ æĸĻ", "æĺ Ĭ", "å¸Ĥ 级", "ä¸ĸçķĮ çļĦ", "åĪĨåĪ« æĺ¯", "çł´ 产", "ä¸Ģ æĿ¯", "æĭī å¼Ģ", "å¹³ åĩ¡", "çļĦ åıijçĶŁ", "åĬ¨ æīĭ", "ä¸Ģ缴 以æĿ¥", "æīĭ å·¥", "éĩĮéĿ¢ çļĦ", "æĹł åħ³", "ä»ĭ åħ¥", "èµ° ä¸Ĭ", "å°±æĺ¯ è¦ģ", "å¹´ éĹ´", "åĩº çı¾", "å½± éŁ¿", "å¹ħ 度", "éĽ ģ", "éģĵ åħ·", "缮çļĦ åľ°", "åIJİ èĢħ", "ä¸Ĭ æ¼Ķ", "äºĨ åĩł", "æ®ĭçĸ¾ 人", "å¿Ļ ç¢Į", "æĺ¯åIJ¦ æľī", "并 对", "ä¼ļ 导èĩ´", "æ°´ åºĵ", "ç»Ĩ èĩ´", "åIJİ æĤĶ", "å¿ĥ æĢĿ", "åģļ äºĭ", "åİĤ æĪ¿", "çĿ ¿", "è¿IJèIJ¥ åķĨ", "头 éĥ¨", "çļĦ è§Ĵèī²", "æĺ¯ ä»ĸ", "æĹ¢ æľī", "å°ıæŶ åĢĻ", "强 åĬ²", "主 æĴŃ", "åħ¨åĽ½ åIJĦåľ°", "æį ı", "æįŁ åĿı", "åķĨ ä¼ļ", "ä¿Ŀ ç½Ĺ", "çľģ å¸Ĥ", "éļ§ éģĵ", "æľī ä¸įå°ij", "è¦ģ åľ¨", "建设 é¡¹çĽ®", "ç³ĸ å°¿", "ç³ĸå°¿ çĹħ", "æĿ¡ä»¶ ä¸ĭ", "ä¼ĺè´¨ çļĦ", "é¦ĸ åıij", "å½ĵæŶ çļĦ", "丰 çĶ°", "大 çĽĺ", "缸 继", "å®ģ å¤ı", "åħ¥ ä½ı", "æĪij è¿ĺ", "åħĭ æĸ¯", "å®ļ ä»·", "å¹³æĸ¹ åħ¬éĩĮ", "çļĦ çŁ¥è¯Ĩ", "æĪij们 ä¼ļ", "åħĥ å®Ŀ", "ä½ĵ éĩį", "è³ £", "对 æĪij们", "çŁ³ 家", "çŁ³å®¶ åºĦ", "ç²¾ åįİ", "å½¢ çĬ¶", "åıĹ åĪ°äºĨ", "ä¿® 订", "ç¾İ åľĭ", "é«ĺ æ¸ħ", "çľ¼ éķľ", "è§īå¾Ĺ èĩªå·±", "带 ç»Ļ", "åĶ® ä»·", "éŨ 票", "åŃķ å¦ĩ", "çĶµè§Ĩ åı°", "åıij ä½ľ", "çļĦ åij³éģĵ", "éķ¿ è¿ľ", "åħ¬åħ± æľįåĬ¡", "æŃ£å¸¸ çļĦ", "æľī è¿ĩ", "é£İ æĥħ", "æ¯Ķ éĩį", "åIJ »", "管çIJĨ å·¥ä½ľ", "综åIJĪ æĢ§", "å·² 被", "说 èµ·", "æİĴ æ°´", "ä¸įæĸŃ åľ°", "æĥħ æĢĢ", "è¾ĵ éĢģ", "è¿ĩ æķı", "çļĦ åı¯èĥ½æĢ§", "æľį çĶ¨", "æľī 许å¤ļ", "å§Ķ åī¯ä¹¦è®°", "åĮĸå¦Ĩ åĵģ", "æļĤ åģľ", "æĬķèµĦ 人", "çıŃ çº§", "说 çĿĢ", "åįĹ åĮĹ", "åĪĨ è¡Į", "çıł å®Ŀ", "å¯ ¶", "å¢ŀ å¤ļ", "被 åĬ¨", "çī¹æ®Ĭ çļĦ", "éĹľ ä¿Ĥ", "çļĦ èĦ¸", "æĥ Ł", "ä¸į ä¸Ģå®ļ", "ç¶ Ń", "çģ« çĪĨ", "秣 éĩij", "çŀ §", "éĩį 建", "è· ª", "ä¸Ģ 種", "çļĦ åIJĪä½ľ", "å®ī æħ°", "ä»į æĺ¯", "ä¸ĵä¸ļ åĮĸ", "è°ĥ 解", "ä¸į 妨", "éĢĻ æĺ¯", "å¿ħ éłĪ", "ä¼Ĭ æľĹ", "å¾Ĺ äºĨ", "æľįåĬ¡ å¹³åı°", "å§ ¬", "åħĪ éĶĭ", "çİĭ åŃIJ", "çļĦä¸Ģ åĪĩ", "æĢ» çIJĨ", "åĵ ¼", "çª ij", "çļĦå¿ĥ æĥħ", "çļĦ éĩį大", "çij Ł", "ä¸Ģ ç¬ij", "åıijå±ķ ä¸Ń", "åģ¥åº· åıijå±ķ", "åĵģçīĮ çļĦ", "ç¦ ®", "ä½Ļ 人", "ä»Ĭå¹´ 以æĿ¥", "æķ° çłģ", "çŃ¾ è¯ģ", "åİ» æī¾", "åŁºéĩij ä¼ļ", "æĬ± æĢ¨", "æŃ£ å½ĵ", "çıŃåŃIJ æĪIJåijĺ", "ä¸į åIJĪæł¼", "åĪ¶ å®ļäºĨ", "ç¼ĵ æħ¢", "åĪ¶ 约", "æłı 缮", "å¸Ĥåľº ç»ıæµİ", "ç»ĦæĪIJ çļĦ", "严 å³»", "æĹ¥ 讯", "ä¸ĢçĤ¹ çĤ¹", "æĺ¯ æĢİä¹Ī", "çļĦ çħ§çīĩ", "éĺ» æŃ¢", "模 ç³Ĭ", "ç¼ ¸", "éģķ åıį", "æIJ¬ è¿ģ", "éĩij éĴ±", "å½ ¬", "ä¸į å®ī", "æĪĺçķ¥ åIJĪä½ľ", "å¡« åĨĻ", "讲 究", "åħħåĪĨ åĪ©çĶ¨", "èĥ½ å¤ł", "èij¡èIJĦ éħĴ", "éĩĩçĶ¨ äºĨ", "åľ¨ ä»Ĭå¹´", "ä¸Ńå°ı åѦ", "åľ¨ æĦı", "çļĦ åİĭåĬĽ", "ä¸į 幸", "åĪ¶ èį¯", "åı¯ä»¥ 让", "被 è¯Ħ为", "ç»Ĩ èıĮ", "æĪı åī§", "åįĬ 导", "åįĬ导 ä½ĵ", "è§Ĩ è§Ĵ", "åĸľ æŃ¡", "å¾ģ æĶ¶", "è°ĭ åĪĴ", "æŀģ 大çļĦ", "çĤ¹ èµŀ", "è®°èĢħ ä»İ", "两 åIJį", "èĩª åĬ©", "èµ· æŃ¥", "æĬ¤ 士", "å®Ŀ 马", "太 åŃIJ", "å°ıå°ı çļĦ", "温 æ³ī", "åĩºç§Ł 车", "秣 æĪ¿", "两 家", "éľĩ æĴ¼", "ç§ī æī¿", "ä¸Ģ件 äºĭ", "çĥĪ 士", "å®ĺ åħµ", "转 身", "ä¹IJ åĽŃ", "çĻĮ çĹĩ", "模 èĮĥ", "æĦ £", "è¿ĩåİ» çļĦ", "代 ä»·", "çļĦ æ¦Ĥ念", "åĩł çĻ¾", "è´µ éĺ³", "æĭħ 忧", "éĢĤ å®ľ", "çݯå¢ĥ ä¿ĿæĬ¤", "çĥ «", "ä½ł æĥ³", "æѤ åIJİ", "ä½ł ä¹Ł", "çį İ", "éĻ¤ æѤ", "éĻ¤æѤ ä¹ĭå¤ĸ", "è°ĥ 度", "ç§ij 缮", "æīĢ说 çļĦ", "åĬ ĩ", "忽 è§Ĩ", "ä¸ī 次", "ä¸Ģ æĹ¥", "åŀĤ 缴", "ç«ŀ æĬĢ", "éĿ¢ åĮħ", "大 æĪĺ", "æIJº 带", "å¦Ĥæŀľ 没æľī", "åħ» æĪIJ", "åĩº è¡Ģ", "çĪ±å¥½ èĢħ", "æīĵ éĢļ", "èµ· è¯ī", "åijĪ çİ°åĩº", "æŃĮ æīĭ", "åľ¨ å¤ĸ", "é¢Ĩ导 å¹²éĥ¨", "åĨ ¥", "èĪĨ 论", "æıIJ åıĸ", "éĺ¿ å°Ķ", "æľĽ çĿĢ", "ä¸ī äºļ", "è² ¡", "åĪ ·æĸ°", "æĻļ æĬ¥", "è¿ĺæľī ä¸Ģ个", "åĨ° ç®±", "ç½ij çĤ¹", "åĩº åħ·", "强çĥĪ çļĦ", "æĪij çĽ¸ä¿¡", "å¸ĮæľĽ èĥ½", "çīĻ 齿", "äºĭ å®ľ", "ä¸ļåĨħ 人士", "代 æĽ¿", "åıĺ å½¢", "éĽ ²", "è°ĥ æݧ", "åĪĽæĸ° åĪĽä¸ļ", "æĭĨ è¿ģ", "æł¸ æŁ¥", "éĢ Ĺ", "åħ¥ åѦ", "æĦı åIJij", "æı Ľ", "ä¸ĭ 次", "ä¼ł è¾ĵ", "ä»ĸ们 åľ¨", "èĢĮä¸Ķ è¿ĺ", "æĹ¥ åľ¨", "æķĻ è®Ń", "æ´» çĿĢ", "çļĦ æľīæķĪ", "å¤įå·¥ å¤į", "å¤įå·¥å¤į 产", "æĺ¯ä¸Ģ 件", "çŃī çĿĢ", "å¾ ©", "åĭĩ æķ¢", "éģŃ åıĹ", "å¥Ķ é©°", "讲 座", "说 å®Į", "ç»Ļ åĩº", "è° ¦", "è¯Ĭ çĸĹ", "çĽ² 缮", "客 è¿IJ", "å°± è¿ŀ", "å¼Ģ åħĥ", "å¼Ģåħĥ æ£ĭçīĮ", "ä¸įæĸŃ æıIJåįĩ", "çĶ¨æĪ· çļĦ", "æĴ ķ", "ä¾Ľ æ°´", "ç¶ĵ æ¿Ł", "ä¸Ń åĮ»èį¯", "èģĶ æĥ³", "åħ¬äº¤ 车", "èĪª çıŃ", "æĬĢ è¡ĵ", "å¼ķèµ· çļĦ", "å° ¹", "èµĦ æ·±", "åĽ½èµĦ å§Ķ", "èĺ Ń", "é¼» åŃIJ", "éĹ ½", "æİĴ éĺŁ", "è§Ĥ åħī", "éģĹ åĿĢ", "举 京", "é¥Ń åºĹ", "ä¸įæĸŃ çļĦ", "å°±æĺ¯ ä¸Ģ个", "éķ¿ ä¹ħ", "çļĦ è§ĤçĤ¹", "å¨ ¶", "æĪij çİ°åľ¨", "çķ °", "å¾Ĺ åĩº", "å¿ħ å®ļ", "ä¸į åıĹ", "åıª éľĢè¦ģ", "åĽ° æī°", "ç§ijåѦ æĬĢæľ¯", "çīĽ èĤī", "è¾ĥ é«ĺçļĦ", "è·ij æŃ¥", "æ² ¾", "èı© èIJ¨", "æľĢ å¾Į", "ä¿Ŀ å¯Ĩ", "æ²» å®ī", "éĤ ±", "常 è¯Ĩ", "èĦ¸ èī²", "åĮĹ å¤§", "æ±ĩ èģļ", "æijĨ èĦ±", "é¾Ļ头 ä¼ģä¸ļ", "女 åıĭ", "çŃī å·¥ä½ľ", "ä¸Ń ç¾İ", "èģĮ åľº", "èĦij è¢ĭ", "åĨĻ çļĦ", "饲 æĸĻ", "åĬ³ åĬ¨åĬĽ", "å± ¯", "æĮģ èĤ¡", "åĽ¾ åĥı", "è¿ĩåİ» äºĨ", "è² ¨", "è¾ ²", "éĹ® æĪij", "è·Ł ä½ł", "çĶŁ æŃ»", "审 ç¾İ", "é¢Ĺ ç²Ĵ", "ä¸Ń æĸ¹", "åĬł çĥŃ", "æĹħè¡Į 社", "çĻ¼ çĶŁ", "ä¸į åłª", "åĤ ·", "æ¥ ł", "åĬŀ æ¡Ī", "æŁ Ħ", "æĹ¢ æĺ¯", "å¤Ħ åĪĨ", "羣å®ŀ çļĦ", "æĬ¥ 纸", "å¸Ī çĪ¶", "å®īå¾½ çľģ", "åī¯ 主å¸Ń", "ä¹ĭ éģĵ", "导 å¼¹", "åŃ¦æł¡ çļĦ", "åŁİå¸Ĥ çļĦ", "è°Ī åĪ°", "æ¢ Ĺ", "å¹³ éĿ¢", "说 ä»Ģä¹Ī", "é¢ij çİĩ", "éķ¿ ä¸īè§Ĵ", "çļĦ åĪ©çĽĬ", "é» ¨", "è±Ĩ èħIJ", "å®ŀéĻħ æĥħåĨµ", "æŀĹ ä¸ļ", "纪æ£Ģ çĽijå¯Ł", "ä½ı éĻ¢", "çļĦ æķ´ä½ĵ", "åīį è¡Į", "æĮ ¨", "çħ¤ çŁ¿", "åī¯æĢ» è£ģ", "å°ı åIJĥ", "æŀģ 端", "å©Ĩ å©Ĩ", "çİ° è´§", "è¯Ĺ æŃĮ", "éĴ¥ åĮĻ", "缩 çŁŃ", "ä½Ĩ è¿Ļ", "æĸ° åĵģ", "è¿Ļ 对", "çŁ¥åIJį 度", "å¿ĹæĦ¿ æľįåĬ¡", "大 å±Ģ", "è¡¡ éĩı", "ä½ĵçİ° äºĨ", "æ¡ĥ èĬ±", "åIJ¸å¼ķ åĬĽ", "åł ¤", "æĵħ éķ¿", "åĴ Ĵ", "缸 æľº", "ä¸Ģ ç«Ļ", "ä¸Ģç«Ļ å¼ı", "æľĢ ç¾İ", "æ°¸ ä¹ħ", "çļĦ éĥ¨åĪĨ", "åĪĨ å·¥", "å·¥ç¨ĭ 建设", "æIJŃ è½½", "æ°´ ä¸Ń", "èĮ ¨", "çļĦ æĵįä½ľ", "绣 æ²»", "çķħ éĢļ", "åħļçļĦ åįģ", "è¼ ¸", "æ¸ ¬", "ç¾İ è§Ĥ", "ä¸į åĪ©", "åıį æĢĿ", "éªĦ åĤ²", "æłĩ çļĦ", "æĿĢ 人", "éĺ¿ å§¨", "é£Ł æĿIJ", "åIJĥ çļĦ", "åIJİ åĨį", "çŁ £", "两 侧", "æ¸ħ æ°´", "è¿Ľ çIJĥ", "å¼Ģå§ĭ äºĨ", "åIJ¬ äºĨ", "çĦĬ æİ¥", "çŁ ®", "å¨ Ł", "为 人", "éĢģ ç»Ļ", "åĨĴ éĻ©", "æķ ·", "ç»Ī æŃ¢", "æīį çŁ¥éģĵ", "è¿IJ æ°Ķ", "éĢļ é£İ", "æĥĬ 讶", "ç§ijåѦ éĻ¢", "æıIJ éĹ®", "太 åİŁ", "缸åIJĮ çļĦ", "ä» ķ", "èģ ĸ", "æĥħ æ³ģ", "é¢Ĩ导 人", "åĩºæĿ¥ äºĨ", "沿 线", "éĻ ½", "æĦŁ 覺", "ä»į åľ¨", "æ© Ļ", "约 为", "åĸĿ éħĴ", "çĶ¨ èį¯", "ä¸ĭ ä¸Ģ", "æ³ķ å®ĺ", "顺 åºı", "åģļ ä¸Ģ个", "åĭ ¢", "æŃ ª", "çĶµ ç«ŀ", "ä¼´ éļıçĿĢ", "ä¹ĭ åĬĽ", "ä¹ĭ 人", "äºij 计ç®Ĺ", "åĪ«äºº çļĦ", "ç§ijåѦ åıijå±ķ", "第 åħ«", "å¹² æī°", "女 ç¥ŀ", "è¿Ļæł· åģļ", "å¤Ħ åľ¨", "æ°´ è´¨", "éķ¿ æĺ¥", "å¸Ĥåľº éľĢæ±Ĥ", "ç»´ æĿĥ", "èĢ³ æľµ", "æĸĩåĮĸ çļĦ", "奶 ç²ī", "ä¼ł è¾¾", "æīĭæľº çīĪ", "æĽ¾ åľ¨", "äºĮ æľŁ", "åİŁåĽł æĺ¯", "æºIJ 头", "åıĪ èĥ½", "è£ ¸", "æĬĢæľ¯ åĪĽæĸ°", "æĸĩåĮĸ æĹħ游", "åıij 票", "å¹´ 级", "ä½ł ä¸į", "ä¹ĭ å¿ĥ", "æķ° çĻ¾", "åIJij å¾Ģ", "èĢģ 家", "åľĭ éļĽ", "çļĦ é«ĺ度", "æľĿ éĺ³", "æ¸ħ éĻ¤", "èĩª æľī", "书 ä¸Ń", "游æĪı è£ħå¤ĩ", "ä¸ĩ å¤ļ", "驾驶 åijĺ", "ä½ł çŁ¥éģĵ", "åĽ½ åºĨ", "é£Ł åłĤ", "æİ¥ åı£", "æĢ» æķ°", "åħ¶ä»ĸ çļĦ", "çĶŁåij½ çļĦ", "ä½ł åľ¨", "çļĦ 缮åħī", "è¿Ļ æĸ¹éĿ¢", "éĥ½ 说", "çĸĹ æ³ķ", "åĭĩ 士", "åľ¨ åħ¨çIJĥ", "ä¿ĿéĻ© åħ¬åı¸", "çĿ£ æŁ¥", "åĸĦ èī¯", "表 å½°", "è¹ ²", "è·¯ 段", "æľĥåĵ¡ è¦ı", "æľĥåĵ¡è¦ı ç¯Ħ", "æĪ· åŀĭ", "ä¿ĥ 使", "ä¿® 建", "é«ĺ æ°´å¹³", "åģļ åĩºäºĨ", "主 åľº", "è¡Į èµ°", "空 çĻ½", "æľī人 说", "è¿Ļ个 ä¸ĸçķĮ", "åIJį ä¹ī", "å®Į ç¾İçļĦ", "羡 æħķ", "åıĬ åħ¶ä»ĸ", "åı¯ çĶ¨", "æĭ IJ", "è¾ĥ 大çļĦ", "æĬĢæľ¯ åĴĮ", "å°¼ äºļ", "çĻ¾ è´§", "æı ī", "éĢī è´Ń", "éĺŁ åıĭ", "ä¼ł æĦŁ", "ä¼łæĦŁ åĻ¨", "åıªè¦ģ ä½ł", "为ä»Ģä¹Ī è¦ģ", "ä¸ĵ注 äºİ", "ä½Ļ é¢Ŀ", "åħ¸åŀĭ çļĦ", "缮åīį å·²", "欲 æľĽ", "èģĶ 绾", "æµģ ä¼ł", "çļĦ 家åºŃ", "åı· åı¬", "çıį è´µ", "ä¼Ł 大çļĦ", "éī´ äºİ", "è·Ł ä»ĸ", "产 çī©", "ä¸į å·²", "è¿Ŀæ³ķ è¡Į为", "头 ä¸Ĭ", "åĪĨ 解", "åı¯ä»¥ çľĭåĩº", "æł¡ åĮº", "åŃĹ ä½ĵ", "ä¿® çĤ¼", "çĶļèĩ³ æĺ¯", "微信 åħ¬ä¼Ĺ", "åıĸ 代", "èIJ¥ä¸ļ æĶ¶åħ¥", "æ½į åĿĬ", "ä½ł èĥ½", "社ä¼ļ ä¿Ŀéļľ", "æ¯ĶèµĽ ä¸Ń", "污水 å¤ĦçIJĨ", "夫 å¦ĩ", "ä¸Ģ å¹ħ", "沿 æµ·", "åı£ æĦŁ", "ä½Ĩ åį´", "å½ĵ æĹ¥", "çļĦ æľĢ大", "æ¯ı ä¸Ģä½į", "没 äºĭ", "çī¹ åĪ¥", "å¼Ģ åѦ", "è·¯ éĿ¢", "å¿ĥçIJĨ åѦ", "æĶ¾ ç½®", "éĩįåºĨ å¸Ĥ", "ä½ł èĩªå·±", "æ¶Īè´¹èĢħ çļĦ", "ä¸Ģ æ³¢", "èѦ æĥķ", "åį§ 室", "注 å°Ħ", "é£İ 鼨", "沿 çĿĢ", "åijĬ 訴", "表 çİ°åĩº", "åĽĽ æĺ¯", "åı¤ åħ¸", "æĽ´ éĩįè¦ģçļĦ", "好 äºĭ", "çľ¼ 泪", "æ¨ ĵ", "审 åĪ¤", "碰 æĴŀ", "车 ç«Ļ", "è¿Ľåħ¥ äºĨ", "éĽĨ åIJĪ", "æł¼ å¤ĸ", "宾 é¦Ĩ", "æĶ¯ä»ĺ å®Ŀ", "她 æĺ¯", "æĺ¯ å¦Ĥä½ķ", "人 次", "çļĦ æĪIJåĬŁ", "æĹł åĬĽ", "æµ· æĭĶ", "æĺ¥ åŃ£", "éĥ½ ä¸įä¼ļ", "çŃī å¤ļç§į", "ä¸Ģ个 å°ı", "åģľè½¦ åľº", "让 æĽ´å¤ļ", "è¿Ļ çĤ¹", "æĪIJ åĵģ", "éĴ ī", "éģĩ è§ģ", "çıŃ ä¸»ä»»", "æĦı æĦ¿", "çļĦ åIJĮåѦ", "游 è§Ī", "åİĭ 缩", "åľ¨ ä¼łå¥ĩ", "å¼¹ æĢ§", "æĹ¥ åĨħ", "ç¦ı建 çľģ", "è§Ĵ èIJ½", "åĪĨ å¼Ģ", "ä¼ļ 让", "å¤ĸ åĽ´", "çĨŁæĤī çļĦ", "çĨ Ķ", "ä¸ĩ è¾Ĩ", "å¤ľ éĹ´", "车 身", "ä¸Ń æľŁ", "å®ĮåĸĦ çļĦ", "åĵģ ç±»", "åıĭ è°Ĭ", "éĢīæĭ Ķ", "éªij 士", "å½ ¦", "çļĦ çľĭæ³ķ", "åĽ½ çİĭ", "è¾£ æ¤Ĵ", "åıijå¸ĥ æŶéĹ´", "åı¤ åŁİ", "éļı æľº", "ç« ĸ", "å¼Ģ è¾Ł", "ä¼Ĺ çĶŁ", "没 åĬŀæ³ķ", "åįĥ éĩĮ", "æĿ¥æºIJ äºİ", "çļĦ æĿĥåĪ©", "æ¯Ķ åĪĨ", "满æĦı çļĦ", "ä¿® è¡Į", "åĿ ł", "大 æµ·", "èİ ¹", "åĩº 身", "è« ĩ", "åħ³ èĬĤ", "åIJį 人", "éľĢè¦ģ 注æĦı", "æĹ© æĻ¨", "å¤ĸ åįĸ", "åıĪ è¦ģ", "æ¶ī æ¡Ī", "çĶ³è¯· 人", "éĻĦè¿ij çļĦ", "åĬłå¿« æİ¨è¿Ľ", "æĸ° å¹´", "大 è¡Ĺ", "ä¸Ģ é»ŀ", "èĭı å®ģ", "æĤĦ æĤĦ", "èĦ¾ æ°Ķ", "å¸Į èħĬ", "éļı åį³", "æķ¢ äºİ", "å®ŀè·µ ä¸Ń", "æĺ¯ æ²¡æľī", "æľī趣 çļĦ", "æĿ¥èĩª äºİ", "è£ģ åĪ¤", "女 åŃ©åŃIJ", "èĩ³ åħ³", "èĩ³åħ³ éĩįè¦ģ", "æĻº åĬĽ", "èµ° åĩºåİ»", "çŁŃ æĿ¿", "大 åĽ½", "çļĦ 认è¯Ĩ", "å¹´ å¤ľ", "åĨį åĪ°", "åIJĮ æł·çļĦ", "å¯Ĩ å°ģ", "å¤ĸ交 éĥ¨", "çĶŁ æķĪ", "æĤ¨ åı¯ä»¥", "ä½ł åĢij", "è¿ĩ å¹´", "å¼ ĵ", "è¡Į æĿİ", "æ¯Ķ èµ·", "身 é«ĺ", "è¿Ļ个 人", "ä¸Ń å¤ĸ", "éģĵ æŃī", "çĽ¯ çĿĢ", "亲 åŃIJ", "éĹ ¸", "çĻ½ äºij", "èĦĸ åŃIJ", "ä¸ĢåĪĩ éĥ½", "æ· ij", "è° ľ", "åģ¶ çĦ¶", "éĿł è°±", "é«ĺ 管", "ä¸ĭ åıij", "æĶ¾ åĪ°", "ç±» åĪ«", "ä¸ĭ åĪĹ", "æ·· ä¹±", "åIJĪæ³ķ æĿĥçĽĬ", "çݯ çIJĥ", "æľīæķĪ åľ°", "åķĨ æĪ·", "æ¹ĸ 人", "æµ· 岸", "æĬķ 产", "两 个æľĪ", "éĥ½ éĿŀ常", "å¢ŀ强 äºĨ", "æĿ¥ åĪ°äºĨ", "åī© ä½Ļ", "æĤ¨çļĦ åŃ©åŃIJ", "æµģ æ°´", "æŃ£ ä¹ī", "天 çĮ«", "åģļ è¿ĩ", "ä½ķ æŶ", "æĪij åİ»", "çľģ 份", "å¥ĸ éĩij", "该 å¦Ĥä½ķ", "ä¸ĭ çıŃ", "åģ¶ åĥı", "æijĨ æĶ¾", "æĸ° 模å¼ı", "æĬķ è³ĩ", "è·¯ åı£", "åĨľæ°ij å·¥", "大 åѸ", "件 äºĭ", "æł¹æľ¬ ä¸į", "æµĵ 度", "æµĵ åİļ", "è½® èĥİ", "æĪ¿ ä¼ģ", "éĿŀ常 好", "ä»İ ä¸Ń", "人 æł¼", "ç¿ ģ", "æŶéĹ´ åĴĮ", "è¿Ļ ä¸įæĺ¯", "åĪ¸ åķĨ", "æĥĬ 人", "åĻ¨ å®ĺ", "åĩĨ åĪĻ", "æĥħ æĻ¯", "æĽ´ é«ĺçļĦ", "åѦ 家", "泡 沫", "åľ°æĸ¹ æĶ¿åºľ", "å°± çŁ¥éģĵ", "åij¼ åIJģ", "ç»ı è´¸", "èĬ± éĴ±", "æľī ä¸Ģ次", "æĦŁ æħ¨", "ä¸Ģ åįĥ", "å¤ľ æĻļ", "詹 å§Ĩ", "詹å§Ĩ æĸ¯", "è¦ģ éĹ»", "ç» Ĵ", "æºIJ äºİ", "çļĦ è´¨éĩı", "注æĦı äºĭ项", "æħ¢ æĢ§", "稳å®ļ çļĦ", "建设 åĴĮ", "æĻ¯ 象", "éĩı åĮĸ", "çļĦ 話", "è¯Ħ 级", "æº ľ", "红 åĮħ", "éĢļ éģİ", "社ä¼ļ 责任", "æĸ° 产åĵģ", "åĨ· éĿĻ", "çľĭ ä¸įåĪ°", "èģĶ éĤ¦", "éŃ Ħ", "çļĦ åīįæıIJ", "çļĦåīįæıIJ ä¸ĭ", "è¾ĥ 好", "çļĦ æĦŁæĥħ", "客æĪ· æıIJä¾Ľ", "çĭ¬ èĩª", "å¢ŀ æĶ¶", "æĸĩ çĮ®", "æĭ¼ åij½", "管çIJĨ åĴĮ", "æµģåĬ¨ æĢ§", "åħ¨ 家", "ä¸Ĭ æĸ¹", "æݨåĩº çļĦ", "ä¸ī åĽ½", "ä¸Ģ个 æĺ¯", "æĸ° ä¸Ģè½®", "æĸĩåĮĸ éģĹ产", "æ® º", "大 æ¹¾åĮº", "éĥ½ éľĢè¦ģ", "çļĦ å®ŀéĻħ", "ç· Ĭ", "大 å¥ĸ", "åħī èĬĴ", "便 äºİ", "çļĦ 表æĥħ", "æ¼Ķ ç»İ", "红 åĨĽ", "å½ĵ æĪij", "æ²» æĦĪ", "é¢Ŀ 度", "éĿ ľ", "ä»»ä½ķ 人", "è¡Ĺ 头", "çī¹ æĸ¯", "çī¹æĸ¯ æĭī", "åĮ»çĸĹ æľºæŀĦ", "ç»Ļ åŃ©åŃIJ", "è§Ħ 磩", "è£ ľ", "çļĦ 身影", "ä¸ĵ æłı", "æĿ¥ 临", "ç«¥ å¹´", "å¤į èĭı", "è¨ Ĥ", "åŀĭ åı·", "åĽ¾ æ¡Ī", "ç®Ģ åİĨ", "æĭ ±", "èį· åħ°", "ä»» æĦı", "æī¿ æİ¥", "è¿Ļ æīį", "客 车", "æľĿ çĿĢ", "éłħ 缮", "åı° é£İ", "çļĦ æĪ¿åŃIJ", "éª ı", "æĿ± 西", "éģĹ ä¼ł", "è¶Ĭ å¤ļ", "äºĨ ä»ĸçļĦ", "ä¸Ĭ åij¨", "管çIJĨ åĪ¶åº¦", "失 ä¸ļ", "çĶ· åıĭ", "æİ¥ ç§į", "å¨ģ åIJį", "çĴ° å¢ĥ", "åıijçĶŁ åľ¨", "个 åĽ½å®¶", "åĪĽæĸ° åıijå±ķ", "æĶ¹åıĺ äºĨ", "åģ¥åº· çļĦ", "åĢ¼å¾Ĺ ä¸Ģ", "åĢ¼å¾Ĺä¸Ģ æıIJ", "åĽ¢ ä¼Ļ", "åģĩ 设", "åı° ä¸Ĭ", "è§ĦèĮĥ åĮĸ", "éĻª åIJĮ", "座 æ¤ħ", "åı¯ æĢľ", "åħĭæĢĿ 主ä¹ī", "æ³ķå¾ĭ 责任", "ä¸Ģ é¡¿", "æĬ¬ 头", "为 éĩįçĤ¹", "è¿ľ æ´ĭ", "éĢı è¿ĩ", "åħ¨çIJĥ åĮĸ", "趣 åij³", "票 æĪ¿", "æ¯ı 人", "åIJĦç§į åIJĦæł·", "äºĨ åĩºæĿ¥", "ç»Ŀ对 æĺ¯", "ä¸ĭ å±ŀ", "ä¸Ģ åıĮ", "è¿Ļ åĿĹ", "æĬĹ çĸ«", "è¦ģ çĤ¹", "å½¢æĪIJ çļĦ", "æĪij çľĭ", "ä¸ĩ éĩĮ", "èĢĥ çłĶ", "为 åħ¶", "æ°ij 宿", "å¤ļ ä½į", "大 èĩ´", "ä»ĺ è´¹", "åħ¥ æīĭ", "å±ħ 家", "æīĢåľ¨ åľ°", "人 身", "è¿ĩ å¾Ĺ", "è¯ķ è¯ķ", "访 è°Ī", "åĬł éĩį", "å°± ä¸įä¼ļ", "çĶŁäº§ ä¼ģä¸ļ", "åĽŀ åĽ½", "åºķ 线", "赶 åĪ°", "æĶ¯ éĺŁ", "æĪij们 éĥ½", "éĤ® æĶ¿", "缴 èĩ³", "éĴ¢ çIJ´", "åħ ľ", "çłĶ讨 ä¼ļ", "æľĪ 亮", "åĿļæĮģ 以", "åħ¬å®ī éĥ¨", "éĴ¢ 管", "å°ı çĻ½", "ç½® ä¸ļ", "èģ ĭ", "书 åĨĻ", "æĿ ı", "éħį æĸ¹", "èĢĮ åıĪ", "çijŀ 士", "çķĮ çļĦ", "èĢģ 大", "æĪIJçĨŁ çļĦ", "å¹² ä»Ģä¹Ī", "ä¸ĵ项 æĸĹäºī", "çŃī å¤ļ个", "èĦ± 离", "ä¸ī 个æľĪ", "çłĶ究 åijĺ", "æĹĭ 转", "æŀģ èĩ´", "åħį è´£", "åħįè´£ 声æĺİ", "å¾Īå¤ļ çݩ家", "车 ä¸Ĭ", "交 äºĴ", "å·² æĺ¯", "ä¸Ģ å°ı", "çļĦ éĩįçĤ¹", "èĬ± äºĨ", "ä¸į æĺİ", "æľīåħ³ è§Ħå®ļ", "çĬ¹ å¦Ĥ", "çľ ¸", "å¯ ¡", "çļĦ è¡£æľį", "åĮħ 裹", "身 åŃIJ", "å¸ĪèĮĥ 大åѦ", "äºĭ åħĪ", "线 æĿ¡", "æ³ķ åĪ¶", "åħ» æĬ¤", "稳å®ļ æĢ§", "éĤ µ", "åŀĦ æĸŃ", "é¡ į", "èĢĥ åı¤", "æĿł æĿĨ", "èĭı èģĶ", "æ°´ çĶµ", "åħ·ä½ĵ çļĦ", "æ¿Ģ æ´»", "æĪij æł¡", "åĪļ å¼Ģå§ĭ", "åĩ¸ æĺ¾", "ç¦ ¾", "åħ¼ èģĮ", "éĢı éģİ", "åľ¨ 游æĪıä¸Ń", "社ä¼ļ åıijå±ķ", "好 çİ©", "å¹» æĥ³", "ä¸į 代表", "注æĦı åĬĽ", "æ£ į", "çĶ¨ æīĭ", "ç¾İ 人", "许å¤ļ 人", "å¾Ī æĺ¯", "çļĦ çłĶåıij", "æīĵ åĩº", "åIJĪä¼Ļ 人", "ä¸Ģ å¤ľ", "ç¼ĵ ç¼ĵ", "ä¿® æŃ£", "æĦŁ çŁ¥", "ç»Ī 身", "æ¿Ģ ç´ł", "çݯå¢ĥ ä¸ĭ", "次 ä¼ļè®®", "ç»ıæµİ å¢ŀéķ¿", "æī Ľ", "åıij éħµ", "åĪĨæŀIJ å¸Ī", "åľ¨ æľªæĿ¥", "主è¦ģ æľī", "ä¸Ģ åŃ£åº¦", "çļĦ 说æ³ķ", "ä»İæĿ¥ 没æľī", "è´§ 车", "缩 å°ı", "太 è¿ĩ", "æķĪ åĬĽ", "ä¸į ä¸ĭ", "æĬķ 稿", "èį¯ ä¸ļ", "ç»Ħ éķ¿", "ç«Ļ çĤ¹", "å¾Ī åĸľæ¬¢", "éIJ µ", "åĬ¿ 头", "æ¼ı æ´ŀ", "æĦ¤ æĢĴ", "åħħ å®ŀ", "åĪĽä¸ļ æĿ¿", "çĪ ª", "æľª å¿ħ", "åºķ éĥ¨", "å¾Ĺ åĪĨ", "人æ°ij åĮ»éĻ¢", "äºĮæīĭ æĪ¿", "å·²ç»ı 被", "大 楼", "æĸ° æĪ¿", "辦 æ³ķ", "çĶ¨ åĬĽ", "æĭĵ 宽", "åĨħ åľ¨", "æĴŃ åĩº", "饰 æ¼Ķ", "ä¹Ł 让", "ä½ľ çĤº", "çī©ä¸ļ 管çIJĨ", "åį´ ä¸į", "为 ä¸ŃåĽ½", "å±Ģ åĬ¿", "ä¸į èĤ¯", "æľĢ æĸ°çļĦ", "åı¯ä»¥ éĢīæĭ©", "æĺ¾ çİ°", "å°± ç®Ĺæĺ¯", "åľ¨ æł¡", "é¾ Ł", "两 æĿ¡", "çļĦ å®ŀåĬĽ", "è¶Ĭ 好", "她 åľ¨", "å¿ł è¯ļ", "ä¹Ł éľĢè¦ģ", "游æĪı æĵįä½ľ", "è¶ħ åĩº", "å¦Ĥæŀľ ä¸į", "æīĢåľ¨ çļĦ", "ä½ł è¿ĺ", "以 åĨħ", "æľī ä¸Ģå®ļ", "åı¯ è¾¾", "è·ij åĪ°", "åī Ľ", "建ç«ĭ åģ¥åħ¨", "æķ´ 车", "åīį æĸ¹", "éĹ´ æİ¥", "çŃ¹ å¤ĩ", "çĸ² åĬ³", "离 å¼ĢäºĨ", "æ± Ŀ", "éĿ¢ éĥ¨", "ä¹ĭåīį çļĦ", "åıĺ 为", "å¦Ĥæŀľ 说", "对 ä»ĺ", "åĿĩ åı¯", "被åijĬ 人", "ç²¾ ç¾İ", "èģļ ä¼ļ", "çĿĢ æĢ¥", "è°· æŃĮ", "ä¸Ģ åı·", "红 åĪ©", "ä¼łå¥ĩ 游æĪı", "å» ĸ", "è´ ŀ", "ä¹° åĪ°", "éŃ ļ", "ä½ĵ è´¨", "å°ij äºĨ", "æ³ī å·ŀ", "åIJ Ł", "ç»Ŀ ä¸į", "é»ij æģ¶", "é»ijæģ¶ åĬ¿åĬĽ", "ä¸Ĭ æĺł", "çļĦè¯Ŀ é¢ĺ", "ä¸ĩ人 次", "ä¸ĸ éĹ´", "çĶ¨ å·¥", "è´¯ ç©¿", "å®Ŀ çŁ³", "ä½ł 好", "åĪĩ åī²", "强 åĽ½", "åĽŀ èIJ½", "æ°´ æĻ¶", "模 仿", "æ´ª æ°´", "éĢĻ 麼", "åįģä¸ī äºĶ", "ä½ ij", "éĻ Ħ件", "çļĦ å¢ŀéķ¿", "éĻĦ å±ŀ", "çİ° å·²", "帮 ä½ł", "éĩij çīĮ", "é«ĺ åİŁ", "åľ¨ 家éĩĮ", "éĺ² èħIJ", "ç¡®å®ŀ æĺ¯", "宣 讲", "天 æīį", "ç»ıèIJ¥ 管çIJĨ", "éĶħ çĤī", "åIJĪ ä¸Ģ", "è§Ĥ èµı", "éķ¿ è¾¾", "主ä¹ī æĢĿæĥ³", "éĤ£ 麼", "é£İ äºij", "为主 çļĦ", "æļij åģĩ", "æĮģ ä¹ħ", "å¼Ĥ åľ°", "å¼Ģ éŨ", "模 æĿ¿", "æī¹ 次", "ä¸į 便", "天 çĶŁ", "åĩł 个æľĪ", "ä¸ĵ ç§ij", "åı¦ æľī", "åħ¬å¸ĥ çļĦ", "æĩ ·", "åľº åIJĪ", "çļĦå¿ĥ æĢģ", "è¿ĺ 好", "å®ŀ æĪĺ", "èĢģå¸Ī çļĦ", "åħ© åĢĭ", "åı¯ åľ¨", "éĤ£ ä½į", "å¥ł å®ļäºĨ", "ä¿ĥ éĶĢ", "æı´ åĬ©", "ä¸ĩ çī©", "æĥħ æĬ¥", "é¦ĸåħĪ è¦ģ", "æĸĩåĮĸ åĴĮ", "éĥ½ å·²ç»ı", "ä¸Ĭ ä¸ĸ纪", "åĨľ åľº", "大 æī¹", "æĺİçĻ½ äºĨ", "çļĦ æĪIJéķ¿", "çļĦ æ¯ĶèµĽ", "失 误", "åģļ æĪIJ", "ä»Ĭ天 å°ıç¼ĸ", "é¢Ĩ è¢ĸ", "æıIJåįĩ äºĨ", "å¾IJ å·ŀ", "ä»į æľī", "è¿ĩ 滤", "å¹½ é»ĺ", "çĥŃ éĩı", "ä¸Ģ é¦ĸ", "æ¼Ĥ亮 çļĦ", "åĩł ç§į", "åĢ¡ è®®", "å°±åı¯ä»¥ äºĨ", "æİĴ åĪĹ", "éĩį éĩį", "ä¼ģä¸ļ åĴĮ", "ä¸ĵ å±ŀ", "çħ İ", "亲 æĪļ", "çĻ¾åĪĨ ä¹ĭ", "稿 件", "è¿ĺ å¾Ĺ", "人 åĵ¡", "äºī 夺", "æĽ´ 容æĺĵ", "大 èĩªçĦ¶", "鼻 èħ¦", "太 空", "åľ° å¤Ħ", "å¤ ¢", "ä»ĸ 对", "å¿ħ å°Ĩ", "ä¸į å½ĵ", "严 è°¨", "åĩº åľº", "å·²ç»ı æľī", "é¢Ĩ åĨĽ", "é«ĺ æ¡£", "ä¸Ģ æīĢ", "æł Ĺ", "让 åѦçĶŁ", "æĽ¹ æĵį", "æŁIJ ä¸Ģ", "伸 åĩº", "èĬ± åįī", "æ¸ħ éĨĴ", "èģĶç³» æĸ¹å¼ı", "åĪĨ å±Ģ", "èħ ³", "æ©¡ èĥ¶", "éķ¿ å¾Ĺ", "绿 åľ°", "è¢ į", "çļĦ èīºæľ¯", "女 æľĭåıĭ", "ä¸Ń è¶ħ", "离 åŃIJ", "å¤ļæł· åĮĸ", "éĺ³ åı°", "ä½İ 碳", "ä¸Ģ ç±»", "çŃīæĸ¹éĿ¢ çļĦ", "å¾Ĺ 好", "模 åħ·", "ä¸ĩ 亿", "çķĻ æĦı", "临 æ²Ĥ", "å°ij éĩı", "çľĭ åIJij", "ç»ıèIJ¥ èĢħ", "çķĻä¸ĭ äºĨ", "åĿı äºĨ", "åijĬ åĪ«", "羣 çIJĨ", "ç¼´ è´¹", "æĬĬ ä½ł", "çļĦ ä»»åĬ¡", "æĪij 对", "ä¹° åħ¥", "çĻ» ä¸Ĭ", "æľī 两个", "ä¸Ģ 头", "æĵį æݧ", "åħ¨ è¦ĨçĽĸ", "çĿĢ æīĭ", "å¢Ļ éĿ¢", "å¤ļ æĸ¹", "åı¯çĪ± çļĦ", "ä¹Ł åı¯èĥ½", "æľĢ æľī", "è¿ĻäºĽ éĥ½æĺ¯", "æĥ ¡", "å® ®", "å¾Ī å°ı", "éĹ®é¢ĺ æĺ¯", "åĿĩ æľī", "å¾ģ éĽĨ", "说 åĩº", "æľī æĦı", "é¢ Ĥ", "æī¬ å·ŀ", "åķĨä¸ļ 模å¼ı", "çĶŁ èĤĸ", "æįIJ 款", "å² Ĥ", "ç¾İ æĻ¯", "è¿ĺ 羣", "æĭ¥ æĬ±", "身ä½ĵ åģ¥åº·", "æ·± å¤Ħ", "çľ¼ ç¥ŀ", "çļĦ 形象", "ä¼ĺ è¶Ĭ", "å½ĵ æĪIJ", "åĮº åĪĨ", "åİ» éĻ¤", "注 å®ļ", "å§IJ 妹", "åĮº åĨħ", "é© ļ", "æļĹ ç¤º", "æĺİ äº®", "æħ° éĹ®", "å¸Ĥåľº 份é¢Ŀ", "çĮª èĤī", "çļĦ èµĦéĩij", "åİĨ ç»ı", "å§ĭç»Ī åĿļæĮģ", "çĶŁ æľº", "ä¸į 顾", "éĩij åĪļ", "大 声", "éĻķ 西çľģ", "é² į", "åĨľä¸ļ åĨľæĿij", "æľī 害", "éŨ è¯Ĭ", "æ¯ı ä¸Ģ次", "çļĦ åĽłç´ł", "é¢Ŀ å¤ĸ", "åİ¿ 级", "çļĩ åIJİ", "åĽ½ ä¼ģ", "é¦ĸ éĢī", "ç¼ĸ åĨĻ", "æĭ¿ èµ·", "åģ· åģ·", "ä¸İ ä¸ŃåĽ½", "åįĸ 家", "ç»Ļ ä»ĸ们", "ç¥ŀ è¯Ŀ", "åѸ æł¡", "æĪij ä¸Ģ缴", "çŁ¥éģĵ äºĨ", "åį Ĵ", "åĴĮ åľ°åĮº", "ä»Ģä¹Ī éĥ½", "çĶ» 家", "æľ¬ çĿĢ", "ä½Ļ åIJį", "审 çIJĨ", "ä¸Ģ åIJij", "åıijå±ķ è¶ĭåĬ¿", "åĮº éĹ´", "注åĨĮ èµĦæľ¬", "çIJ ¦", "ä¸į åı¯ä»¥", "çļĦ åĦ¿åŃIJ", "åĢ¼ çıŃ", "ä¸¥æł¼ çļĦ", "å®ŀä½ĵ ç»ıæµİ", "æľī æĿĥ", "æĪij åıĪ", "éĵ¶ æ²³", "ç«ĭ 马", "æĿĢ äºĨ", "åĮħ 容", "管 家", "身 é«Ķ", "éĵ ħ", "å°ı åŃIJ", "管çIJĨ ç³»ç»Ł", "æľīçļĦ 人", "é£İ çĶµ", "æĻºèĥ½ åĪ¶éĢł", "ç²¾ ç¡®", "æĭĽåķĨ å¼ķ", "æĭĽåķĨå¼ķ èµĦ", "äºĮæīĭ 车", "åİ¿ å§Ķ", "èīº 人", "å¥ ķ", "è¿İ æĿ¥äºĨ", "ç»ĵæĿŁ äºĨ", "çļĦ ä¼łç»Ł", "æĭ¼ æIJı", "奥 迪", "çĸij æĥij", "ä¹ĭ æĹ¥èµ·", "æłĩå¿Ĺ çĿĢ", "åľ° åįĢ", "è¯ł éĩĬ", "åĪ° æľŁ", "åħ¨ éĥ½", "çŁŃ æļĤ", "æĺ¯ æĪijåĽ½", "æĪij å·²ç»ı", "æ»´ æ»´", "天 èµĭ", "对 她", "åį«çĶŁ éĹ´", "çĶŁäº§ åŁºåľ°", "æĹ¥ è®°", "çļĦ æķĻåѦ", "åĵ ĩ", "æ°ij äºĭ", "è¿ĺ åİŁ", "æīĭ ä¸ŃçļĦ", "çļĦ èī¯å¥½", "æ· «", "ä¸Ńåħ± ä¸Ń央", "åĪ ĥ", "åĵ Ħ", "åľ¨ ä»ĸçļĦ", "å°Ī æ¥Ń", "åľº éĿ¢", "éĤ» å±ħ", "çĹ Ĵ", "å¦ Ħ", "å¤ĸ ç§ij", "ä¸į éĢĤ", "举åĬŀ çļĦ", "é Ĥ¹", "åħļçļĦ 建设", "çĻ¼ 表", "è·¨ çķĮ", "æ²ī æ·Ģ", "大 çīĩ", "è¶Ĭ é«ĺ", "å°Ĩ æĺ¯", "è§ī éĨĴ", "åĤ¨ åŃĺ", "å¢ŀ 大", "ä¸į 让", "æķ´ å½¢", "å¹³åı° ä¸Ĭ", "åĩł ä½į", "è¯ī æ±Ĥ", "好 ä¸į好", "åľ į", "æĸĩ æľ¬", "éĢ² åħ¥", "ç´ į", "æł¹ æĵļ", "èįī æ¡Ī", "åħŃ ä¸ª", "åĭ ¿", "åĪ¶ æĪIJ", "饮 æ°´", "æ°¸ æģĴ", "èĩª æĿĢ", "åı¸ 马", "éļ¾ çĤ¹", "为 æĪij们", "å¼ §", "åī© ä¸ĭçļĦ", "åĩĨå¤ĩ 好", "çļĦ æľĢä½³", "èģĶåIJĪ ä¼ļ", "æĤ£èĢħ çļĦ", "æĪijä¸į çŁ¥éģĵ", "ä¸ĭ ä¸Ģ个", "åıijå±ķ æĸ¹åIJij", "ç¬ ¨", "æīĢ以 æĪij们", "åĨĻ äºĨ", "éĢł æĪIJäºĨ", "æ²Ļ æ¼ł", "çŃĽ éĢī", "çģ¾ åĮº", "ä¸Ĭ çľĭ", "éħ ¶", "æ»ļ åĬ¨", "éļ¾ åħį", "åIJī åĪ©", "ä¸Ģ ä¸Ģ", "ç²¾ å¯Ĩ", "伸 æīĭ", "礼 仪", "åħ¨ æĺ¯", "è¶Ĭ 大", "ä¸Ń æłĩ", "åıĸ åĨ³", "åıĸåĨ³ äºİ", "éĢĶ ä¸Ń", "讨 åİĮ", "æīĭ åĨĮ", "第 ä¹Ŀ", "åŃĶ åŃIJ", "çĦ¶ å¾Į", "ä¸Ģ åħ±", "æµ· æĬ¥", "款 å¼ı", "æķ´ 天", "è¾¹ çķĮ", "è·¯ è¾¹", "æĻĭ 级", "åIJIJ 槽", "çļĦ åħ³æ³¨", "æĪij 没æľī", "å°±æĺ¯ åľ¨", "缮 çļĦæĺ¯", "åį³ä½¿ æĺ¯", "顶 å°ĸ", "å·²ç»ı åľ¨", "å®īåħ¨ éļIJæĤ£", "æłĩ æĿĨ", "åįĹ éĢļ", "ä¼ļ 对", "座 ä½į", "èµ¢å¾Ĺ äºĨ", "åİŁæĿ¥ çļĦ", "身 为", "书 åºĹ", "è¢Ń åĩ»", "ä»Ĭ æĻļ", "以 èī²", "以èī² åĪĹ", "æĬĸ éŁ³", "åį´ 没æľī", "丧 失", "çļĦ å±ĢéĿ¢", "åįģåĽĽ äºĶ", "çŃī 缸åħ³", "æ±ĩ æĢ»", "å¤ĸ 表", "为 æ°ij", "éľĩ æĥĬ", "å¥Ĺ è·¯", "çĬ¯ç½ª å«Įçĸij", "å°Ĩ 以", "çİĩ é¢Ĩ", "éħĴ åIJ§", "è¡Įä¸ļ åıijå±ķ", "å¹´ èĩ³", "åĻ¨ æĿIJ", "åĴĮ æĬĢæľ¯", "æľĢ å°ı", "è¿Ļä¸Ģ åĪĩ", "èģĮ 称", "å½ĵ ä½ľ", "æİĢ èµ·", "åĴ ĭ", "ä¸Ń éĥ¨", "æīĭ èĩĤ", "ç½¢ äºĨ", "媳 å¦ĩ", "æ´½ è°Ī", "æĹ¶ä»£ ä¸ŃåĽ½", "人çĶŁ çļĦ", "æŀģ éĻIJ", "ç¦ Ħ", "åĮº æĶ¿åºľ", "æľ¬ éĴ±", "礼 åĵģ", "çļĦ éĤ£ä¸ª", "侦 æŁ¥", "太å¤ļ çļĦ", "å®ŀæĸ½ æĸ¹æ¡Ī", "é«ĺ æłĩåĩĨ", "æĮĩæĮ¥ éĥ¨", "åĢ¾ æĸľ", "çī¹èī² 社ä¼ļ", "çµIJ æŀľ", "éĴ» çŁ³", "移 æ¤į", "çī¹ ç§į", "èĩª æĦ¿", "æĭľ çĻ»", "åįķ 身", "åį´ åıĪ", "åĪ¥ 人", "åIJĪ è§Ħ", "æľº çĶµ", "çī¹ æĦı", "å½ĵåīį ä½įç½®", "ä¹° 家", "åIJĪ 约", "èĤ© èĨĢ", "为 åĩĨ", "家 è£ħ", "çļĦ çĥŃæĥħ", "éĿŀ éģĹ", "çļĦ éŃħåĬĽ", "åİŁ åijĬ", "社ä¼ļ åIJĦçķĮ", "ä¹° çļĦ", "å¤ļ åIJĥ", "éĽķ å¡ij", "èµ· ä¹ī", "åĬł åī§", "éĤ£ä¸Ģ åĪ»", "å°Ĩ è¿Ľä¸ĢæŃ¥", "æ¡Ĥ æŀĹ", "æĽ´ 强", "对 ä¼ģä¸ļ", "æĹł æĦı", "ä¹łè¿ijå¹³ æĸ°", "æµģ 失", "å¾® 软", "缸 对äºİ", "座è°Ī ä¼ļ", "主 èIJ¥ä¸ļ", "主èIJ¥ä¸ļ åĬ¡", "ç§ģ åĭŁ", "å±ķ示 äºĨ", "常æĢģ åĮĸ", "è² ´", "符 åı·", "å¹´è½» çļĦ", "å°± éľĢè¦ģ", "ä¹Ł æĽ¾", "çļĦæĥħ 绪", "è¾¾ æłĩ", "èĩ ¨", "ä½į å±ħ", "ä»ħ 为", "é¦ĸ 家", "éĺ´ éĺ³", "ä¸įåĨį æĺ¯", "åĽłä¸º å®ĥ", "ä¼ģä¸ļ åľ¨", "çĺ ¾", "åIJ¬ è§ģ", "åİŁ æľī", "åĪ¶ è£ģ", "å¯Ĥ å¯ŀ", "éĢļè¿ĩ 对", "æ»ij éĽª", "è¿Ļ å¼ł", "çļĦ çIJĨ解", "æĸ° ä¸ŃåĽ½", "è¿Ļ åĦ¿", "ä½İ ä»·", "æĥ³ è¿ĩ", "çļĦ ä¿¡å¿ĥ", "建çŃij çī©", "çļĦ é¢ľèī²", "ä¸į åºĶ该", "æĹłçĸij æĺ¯", "å¼ķèµ· äºĨ", "åħ¨ åijĺ", "æĿ° åĩº", "è¿Ļæĺ¯ æĪij", "èª °", "èĺ ĩ", "éĺµ åľ°", "åħħ åĢ¼", "çŁ¿ ä¸ļ", "çĿĢ ä»ĸ", "ä¿¡ 访", "ä¸ĩ è¾¾", "æij© æĵ¦", "å¼Ģ 端", "èı² å¾ĭ", "èı²å¾ĭ 宾", "车 åŃIJ", "æľ¬èº« çļĦ", "çģ«è½¦ ç«Ļ", "常 å·ŀ", "为 代表", "为代表 çļĦ", "广 çĶµ", "亲 人", "åı³ æīĭ", "éĽĨ è£ħ", "éĽĨè£ħ ç®±", "çļĦ åį°è±¡", "æ©Ł æľĥ", "åĮĨ åĮĨ", "åħī çĶµ", "大 æĸ¹", "è¿ĺ æľª", "åĪ© 好", "ç»Ŀ 大å¤ļæķ°", "åľ¨ è¿Ļç§į", "ä¸Ģ ç»Ħ", "æĸ° èĤ¡", "转 åıij", "æ³ķ åºŃ", "æĹł æīĢ", "éģĵ è·¯ä¸Ĭ", "çŁ¿ å±±", "èij ī", "æĶ¶ åĽŀ", "称 ä¹ĭ", "称ä¹ĭ 为", "æıŃ éľ²", "åı£ 岸", "åIJ ¼", "å¿ĥ æĥ³", "çļĦ 梦æĥ³", "éĽ ¯", "ä¹ĭ åĪĿ", "å¥ĸ 项", "订 éĺħ", "èĵĿ 天", "åĿ¦ åħĭ", "ç«ĭ æ¡Ī", "èģĶ æīĭ", "ä½Ĩæĺ¯ æĪij", "帮 æĪij", "ä»ħ 代表", "说 æĪij", "çļĦ è¶ĭåĬ¿", "æ¯Ķè¾ĥ 大", "èµ° å»Ĭ", "éĩįçĤ¹ é¡¹çĽ®", "èµĮ åľº", "åIJį çīĩ", "æĦŁ åı¹", "åľ¨ åľ°ä¸Ĭ", "åıij çĥŃ", "èĮĥ çķ´", "çļĦ éģĵè·¯", "éĩij èī²", "ä»ĸ åıĪ", "ä¼ļ 产çĶŁ", "æ°ij åĽ½", "å®ĺæĸ¹ ç½ijç«Ļ", "æĶ¶çĽĬ çİĩ", "çļĦ åĪ°æĿ¥", "çļĦ åĬŀæ³ķ", "æĶ¹ åĪ¶", "ä¸ĩ ç§ij", "ä¸į äºĪ", "è¿ĻäºĽ éĹ®é¢ĺ", "çĪ± ä¸Ĭ", "çIJĥ åľº", "è´£ 令", "æİĪ 课", "åľ¨ é¦Ļ港", "ç»Ĩ èħ»", "å¤ļ ä¸ĩ", "åIJĮ å¹´", "大 使", "æĸ ĭ", "ä¹Ł 为", "æĥł å·ŀ", "åIJī 祥", "çĶ° åĽŃ", "åĽ½å®¶ éĺŁ", "éĩį çĶŁ", "åľ¨ åħ¶", "é¦Ļ åij³", "è´Ł èį·", "亲 åĪĩ", "èĩª 豪", "没 éĶĻ", "åĽłä¸º åľ¨", "æĺŁ æĺŁ", "éĤ ij", "è¿ĺæľī å¾Īå¤ļ", "æij© æīĺ", "æij©æīĺ 车", "æŃ¥ è¡Į", "管çIJĨ ä½ĵç³»", "èĦļ ä¸ĭ", "éģİ åİ»", "æ±ī è¯Ń", "对 ä¸įèµ·", "çļĦ ç»ıåİĨ", "åıĬ 缸åħ³", "ä¸įå°ij 人", "éĩį ç£ħ", "åĬ³åĬ¨ èĢħ", "大åĬĽ åıijå±ķ", "æĢİä¹Ī åģļ", "çĭĹ çĭĹ", "举åįĹ äºļ", "åĭĩ äºİ", "åħ¬ éĸĭ", "çĵ· çłĸ", "åıĤ çħ§", "广æĴŃ çĶµè§Ĩ", "举 åĬ¨", "æ±Ł 西çľģ", "æķĪ èĥ½", "åĶ¯ æľī", "éĿ¢ è²Į", "èĩªåĬ¨ 驾驶", "æ¦ľ åįķ", "å½ĵ æĪij们", "仲 è£ģ", "æľ¨ æĿIJ", "ç±³ åħ°", "çĻ½ éĵ¶", "çļĦ 人éĥ½", "å°± åĥıæĺ¯", "æŃ¥ åħ¥", "åįł çĶ¨", "åĩ» è´¥", "让 大家", "ä¼ļ è®©ä½ł", "åİ¿ æĶ¿åºľ", "è¦ģ çĶ¨", "çŃī å½¢å¼ı", "åįĩ é«ĺ", "责任 æĦŁ", "å¤ĩ çĶ¨", "ä»ĸ 认为", "æ¸ħåįİ å¤§åѦ", "ä»ĸ èĩªå·±", "éĸ± è®Ģ", "太平 æ´ĭ", "éĶģ å®ļ", "çŃ Ĩ", "è¿Ļ çīĩ", "æī§ æĶ¿", "è¿ĶåĽŀ æIJľçĭIJ", "å°± æѤ", "éģĩ åĪ°äºĨ", "å¼Ģå¹ķ å¼ı", "管çIJĨ éĥ¨éŨ", "姿 åĬ¿", "设 æĥ³", "åĽĽ åŃ£", "æĬĢæľ¯ 人åijĺ", "å·® çĤ¹", "è¾ŀ èģĮ", "èĢģ 師", "çļĦ æĦŁåıĹ", "ä¹Ł éĿŀ常", "å¹´ ä¸ĬåįĬå¹´", "æĢª çī©", "èĮĥ æĸĩ", "æĪĺ å½¹", "åIJ« ä¹ī", "åħ¨ è¿ĩç¨ĭ", "èĢĮ éĿŀ", "éĢļ讯 åijĺ", "è¿Ļæł· æīįèĥ½", "æľº ç»Ħ", "è£ ı", "çķ¶ çĦ¶", "èµĮ åįļ", "åIJĦ æľī", "å·¥ä½ľ æľºåĪ¶", "äºĭ åIJİ", "åī§ éĻ¢", "å±Ĭ æŶ", "åĺ´ éĩĮ", "主 线", "ä¸Ģ åľĪ", "主è¦ģ åİŁåĽł", "å°¸ ä½ĵ", "åĮ»çĸĹ åĻ¨æ¢°", "ä½ł æĢİä¹Ī", "ä½Ĩ çĶ±äºİ", "æŶ 空", "çĶ· æľĭåıĭ", "çĶľ èľľ", "é«ĺ åľ°", "æĻ ĸ", "èĴIJ éĽĨ", "åĩĿèģļ åĬĽ", "å¤ĩ åıĹ", "æĸĩ åĪĽ", "马 æĿ¥", "马æĿ¥ 西äºļ", "æŁ´ æ²¹", "使 人", "æķĻ ä¼ļ", "ç§ĭ 天", "æĺİ çıł", "åħŃ åįģ", "çݯå¢ĥ ä¸Ń", "æ¸ħ æĻ¨", "积æŀģ åıĤä¸İ", "å·ħ å³°", "为 æľŁ", "çŃ¾ åŃĹ", "æĦŁ æ¿Ģ", "ç§ĭ åŃ£", "æĿij åŃIJ", "æ¢ħ 西", "æļ´ 鼨", "çĶŁæ´» åľ¨", "çªĹ æĪ·", "æģ¶ åĬ£", "纯 ç²¹", "åľ¨ æİ¥åıĹ", "没 èĥ½", "è¡Į 人", "åĭ º", "æĭ¨ æīĵ", "ä½ľ åĩºäºĨ", "çļĦ 主é¢ĺ", "æľª ä¾Ĩ", "ä¸Ń æľĢ", "æ¾ ľ", "é«ĺ è¡Ģåİĭ", "åħ´ èµ·", "æŃ£ èĥ½éĩı", "åŁ¹è®Ń çıŃ", "æİ¥ åħ¥", "çĦ¶åIJİ åĨį", "åѦçĶŁ 们", "é¢ĨåħĪ çļĦ", "çģ« çĥŃ", "ä¸ĵ èģĮ", "æĪĸèĢħ 说", "建 è¨Ń", "é» ı", "对 åħ¬åı¸", "çī¹ æľīçļĦ", "åħī èį£", "å½ĵ åľº", "éĿ¢ åŃIJ", "èµĦ产 管çIJĨ", "æĹ¶æľŁ çļĦ", "çŀ İ", "åįİ ä¸ľ", "åıĪ ä¸Ģ次", "èĥİ åĦ¿", "å®ļ çĤ¹", "头 çĹĽ", "液 ä½ĵ", "æĺ¯ä¸Ģ ä½į", "帽 åŃIJ", "å¹´ èµ·", "ä¸į ä½İäºİ", "è¾ĥ å°ij", "éĿ¢ä¸´ çĿĢ", "å±Ĥ å±Ĥ", "èĿ´ èĿ¶", "èī° èĭ¦", "éĺ¿ æł¹", "éĺ¿æł¹ å»·", "æ¦Ĥ æĭ¬", "请 éĹ®", "èµ· åºĬ", "å±Ģ å±Ģéķ¿", "稳 åģ¥", "å¦Ĥæŀľ æĪij们", "éħĴ ç²¾", "æĪ· åı£", "æĦŁ æĤŁ", "æĪij们 éľĢè¦ģ", "æĬĢ èīº", "èĩª åªĴä½ĵ", "è¿Ľ åĮĸ", "æ¿ĢçĥĪ çļĦ", "ä½ĵ 温", "èļ ķ", "èĩ´ è¾ŀ", "宪 æ³ķ", "ä¸Ģ çŃīå¥ĸ", "çĵ¶ é¢Ī", "æĥł æ°ij", "èµ° è·¯", "çİ° ä»»", "åķĨ éĩı", "ä¸ĭ 车", "åĪ ł", "責 ä»»", "èŀįåIJĪ åıijå±ķ", "ç´ł æĿIJ", "æ²¹ ä»·", "åģļ 人", "çŀ ª", "æĶ¹éĿ© åĪĽæĸ°", "çļĦ åĮºåĪ«", "è·¨å¢ĥ çĶµåķĨ", "æ¶īåıĬ åĪ°", "æīĺ 管", "æĪij è¿ĺæĺ¯", "åĿIJ æłĩ", "ç½ij 讯", "å½ĵåľ° çļĦ", "追 溯", "åľŁ èĢ³", "åľŁèĢ³ åħ¶", "åºķ ä¸ĭ", "åĩł åįģå¹´", "ç©¿ è¿ĩ", "çĶŁæĢģ æĸĩæĺİ", "æݨ èĸ", "æݨèĸ ¦", "éł Ĩ", "åĴ³ åĹ½", "åĪĨ æĪIJ", "çĹķ 迹", "æĪ· ç±į", "éĥ½ ä¸įèĥ½", "æĻļ ä¼ļ", "åĢ ©", "ä½ĵ åĬĽ", "è¿Ļ个 èģĮä¸ļ", "æĹł å½¢", "åıª æĥ³", "è¿Ľ åıĸ", "æĿĢ æŃ»", "èĦ Ĭ", "äºij åįĹçľģ", "æľª çŁ¥", "ç¾İ èģĶ", "ç¾İèģĶ åĤ¨", "å¤ĸ å½¢", "诱 æĥij", "çĽ £", "è¡Į 使", "åłĨ 积", "çĨŁ ç»ĥ", "éĺIJ è¿°", "æľĢ大 éĻIJ度", "å·¡ æŁ¥", "夺 åĨł", "ä¼ģä¸ļ æĸĩåĮĸ", "çĭ® åŃIJ", "ä¿Ŀ å®Ī", "ä¸ºæł¸å¿ĥ çļĦ", "æī© æķ£", "åĪ¶éĢł åķĨ", "æŁĶ 软", "为ä¸Ģä½ĵ çļĦ", "游 çİ©", "çĶŁ çĹħ", "幫 åĬ©", "åĶ± æŃĮ", "æīį åı¯ä»¥", "宽 æĿ¾", "è¦ģ æ¯Ķ", "æĺ¯ æĢİæł·", "çģ° èī²", "çİĭ åĽ½", "æIJħ æĭĮ", "计 éĩı", "åij¨åĽ´ çļĦ", "æĻºèĥ½ æīĭæľº", "常 åĬ¡", "常åĬ¡ åī¯", "é© ´", "å°Ĩ è¿ij", "寻 常", "ä¸ŃåĽ½ å¸Ĥåľº", "容 åĻ¨", "å±± ä¸Ĭ", "èĥĮåIJİ çļĦ", "亲 å¯Ĩ", "æīĢ以 说", "éİ ®", "çļĦ çIJĨçĶ±", "大 åŁİå¸Ĥ", "常 å¹´", "æĹħ游 ä¸ļ", "å°±æĺ¯ è¿Ļæł·", "åĨį æĿ¥", "é«ĺ ä½į", "åĨħ 饰", "æŀĦ éĢł", "ä¸Ģ èµ·æĿ¥", "çĶ³ è«ĭ", "å·²ç»ı å¼Ģå§ĭ", "çļĦ åĬ¨ä½ľ", "被 è¿«", "éģį å¸ĥ", "åīĸ æŀIJ", "å°ı äºĭ", "å¿ĥ ä¸ŃçļĦ", "ä½ĵåĪ¶ æĶ¹éĿ©", "çļĩ 家", "æķĻ åłĤ", "åIJĥ å®Į", "åĽ½æ°ij åħļ", "æĺİç¡® äºĨ", "åıijå±ķ è§ĦåĪĴ", "第ä¸Ģ æŃ¥", "å¾Ĺ èµ·", "åľ¨ åĵª", "çļĦ è·¯ä¸Ĭ", "é» Ķ", "çķ¶ æĻĤ", "大åĬĽ æĶ¯æĮģ", "åıĮ éĩį", "çŁ¥éģĵ èĩªå·±", "åIJĪä½ľ åįıè®®", "æ°Ķ åĬ¿", "éķ¿æķĪ æľºåĪ¶", "ç½ķ è§ģ", "åĽŀ æĿ¥äºĨ", "ä»ĸ ä¼ļ", "ä¸Ń æĸ°", "ä¸Ńæĸ° ç½ij", "çļĦ åķĨåĵģ", "èµł éĢģ", "決 å®ļ", "å¸Ĥåľº çĽij管", "çķĻ åѦçĶŁ", "çĶµ åİĭ", "äºļ 马", "äºļ马 éĢĬ", "è¿ĺæĺ¯ æ¯Ķè¾ĥ", "ä¿ĥè¿Ľ äºĨ", "æµģ åħ¥", "æijĦ åĥı", "æijĦåĥı 头", "æıIJ åıĬ", "åıij æİĺ", "æī¾ åĩº", "æ¢Ŀ 件", "ç¹¼ çºĮ", "æĪij åĸľæ¬¢", "å¥ İ", "æ¦ľ æł·", "å¼Ģ èĬ±", "æ²ī éĩį", "åŁº åĩĨ", "ä»ħä»ħ æĺ¯", "轨éģĵ 交éĢļ", "åĶIJ å±±", "çŃī ä¸Ģç³»åĪĹ", "ä¸įè¿ĩ æĺ¯", "åŃĺåľ¨ çĿĢ", "èĬ± çĶŁ", "å¤ ·", "ç»Ī 究", "ä¹Łæĺ¯ ä¸Ģ个", "åįģ åŃĹ", "èĸª éħ¬", "伤 å¿ĥ", "æĺ¥ ç§ĭ", "åĨ· åį´", "ç²¾ çģµ", "çļĦ åľ°åĽ¾", "æ¯Ķ çī¹", "æ¯Ķçī¹ å¸ģ", "æĢ§ åĪ«", "ä½Ļ ä¸ĩåħĥ", "ä¸įå¿ĺ åĪĿå¿ĥ", "å¿ĥ çĸ¼", "æĽ² 线", "é«ĺ ä½İ", "è¦ı å®ļ", "æĻ¯ èī²", "è¦ģ 说", "åħ¬åı¸ å°Ĩ", "液 åİĭ", "è¿Ŀ 约", "åİļ 度", "åºŀ 大çļĦ", "è¿ĺæĺ¯ å¾Ī", "é¦ĸåħĪ æĺ¯", "çµ ²", "åĬ¡ å®ŀ", "並 ä¸Ķ", "å¢ŀ è¿Ľ", "ç»Ħç»ĩ å¼Ģå±ķ", "èµ·æĿ¥ äºĨ", "è¾ĥ å°ı", "导 游", "两 åľ°", "ç¿ ĺ", "çģ¿ çĥĤ", "é£İ éĩĩ", "æĶ¯ 线", "æĶ¯çº¿ ä»»åĬ¡", "娱ä¹IJ åľĪ", "天津 å¸Ĥ", "åĮħ åĽ´", "æľ¬ èµĽåŃ£", "éĩįè¦ģ 讲è¯Ŀ", "åıĮ åIJij", "åįİ ä¸½", "éĶ ¤", "åĦ¿ 女", "åįĸ åĩº", "ä¾Ĩ 說", "ä»ĭç»į ä¸Ģä¸ĭ", "åIJ¦ 认", "åĭ Ŀ", "æĻ®éĢļ 人", "çļĦ åĬ¨åĬĽ", "涨 åģľ", "åŁºéĩij 管çIJĨ", "ä¸Ģ个 éĩįè¦ģ", "è¿IJ æ²³", "çħ ŀ", "è´¢æĶ¿ éĥ¨", "è¡Įä¸ļ åįıä¼ļ", "éĥ½ å°Ĩ", "è¨Ģ 论", "ä¸ĭ ä¾Ĩ", "墨 西", "墨西 åĵ¥", "åĽłä¸º ä»ĸ们", "æĢİä¹Ī åĽŀäºĭ", "åĬłå¤§ 对", "èĬ Ń", "çīĮ åŃIJ", "ä¼ļ 使", "妹 åŃIJ", "ç«Ļ éķ¿", "å¿ħ å¤ĩ", "æłij æľ¨", "æģ¶ æĦı", "æ²³ éģĵ", "å¯Į è£ķ", "ç¹ģ åįİ", "代表 åĽ¢", "æµij 身", "é¦ĸ ä½į", "èĪªç©º åħ¬åı¸", "鼻 å½±", "ä¸ĵ è¾ij", "æ°´ æºIJ", "ä¸Ń æ¯Ĵ", "並 ä¸į", "èĢĮ åİ»", "é ĥĿ", "äºİ æѤ", "æĸĩåĮĸ 建设", "èĤ¯å®ļ ä¼ļ", "å¸ĮæľĽ 大家", "æıı åĨĻ", "ä½İ è°ĥ", "æĸ°åħ´ 产ä¸ļ", "æ·Ħ åįļ", "æĶ¾ å¼Ģ", "çļĦ æĢ§æł¼", "çĸ¾çĹħ çļĦ", "æķ´ é¡¿", "线ä¸Ĭ 线ä¸ĭ", "éĢī 项", "çļĦ 认åı¯", "æķ´ é½IJ", "çĶļ ä¹Ī", "çľģ åĨħ", "åı¤ 人", "æ°ij ä¿Ĺ", "çī¡ 丹", "éŨ çªĹ", "éĤ£ æł·çļĦ", "çĽijäºĭ ä¼ļ", "ç¿¡ ç¿ł", "ç¦ ¹", "åįĥä¸ĩ ä¸įè¦ģ", "æĶ¶ 缩", "çļĦ æĸĩåŃĹ", "åĴĮ å°ļ", "æĮĩ 令", "åħ±äº§ åħļåijĺ", "çļĦ çĪ¶äº²", "å®Į å·¥", "åĬ¡ å·¥", "马 æĭī", "马æĭī æĿ¾", "æµĭ è¯Ħ", "å² ļ", "ä¸į åģļ", "ä¸ĥ å¹´", "åĿĩ ä»·", "主 è§Ĥ", "å¾Ī ä¸įéĶĻ", "èĤ¡ä¸ľ 大ä¼ļ", "äºĶ ä¸Ģ", "é£İ åIJ¹", "å¼Ģ éĩĩ", "è¿Ļä¹Ī 大", "èĥ½ çľĭåĪ°", "èĢĥ è¯Ħ", "åį³ 便æĺ¯", "çݰ代 åĨľä¸ļ", "æ¯Ķè¾ĥ é«ĺ", "è¦ģ çľĭ", "没 äºĨ", "解 決", "çݯ æ¯Ķ", "åĨ² åĬ¨", "æ·± å¤ľ", "åĩł åįĥ", "ä¿ ı", "ç½ij æ°ij", "å°± 没", "ä»ĸ 表示", "éĩı åŃIJ", "æĹ©é¤IJ åĬłçĽŁ", "åįĬ å²Ľ", "æIJŀ ç¬ij", "ä¸Ĭ æĬ¥", "å¯ ©", "é¢Ħ 订", "èľĤ èľľ", "æŁ¥ æī¾", "ä¼Ĺ æīĢ", "ä¼ĹæīĢ åij¨", "ä¼ĹæīĢåij¨ çŁ¥", "æĹ© æĹ¥", "åıij æī¬", "åĴĮ 个人", "åĬłåħ¥ äºĨ", "åĸ® ä½į", "åĪĨ æĺİ", "第ä¸Ģ æī¹", "ç¾İ åĨĽ", "æĿĢ æīĭ", "éŨ å¤ĸ", "åķĨ åľĪ", "ä¸Ģ åĪ»", "çļĦçľ¼ ç¥ŀ", "éľ Ħ", "äºĽ ä»Ģä¹Ī", "åĬł æ·±", "æ¯ı ä½į", "å¸Ĥ éĿ¢ä¸Ĭ", "åıĶ åıĶ", "çļĦ éĤ£ç§į", "粤 港澳", "è´´ å¿ĥ", "æĸĩåĮĸ 产ä¸ļ", "红 æĹĹ", "åĺī åħ´", "æĶ¶ çĽĺ", "å®ĮæĪIJ åIJİ", "ä¼ģä¸ļ 管çIJĨ", "纵 横", "ä¸į ä¿¡", "æĪIJ éĥ½å¸Ĥ", "æ´Ĺ 澡", "举è¡Į çļĦ", "çĶ¢ çĶŁ", "ç©¿ ä¸Ĭ", "åĪļ 好", "åħī 线", "æīĵ æŀ¶", "è¿Ļ æľ¬ä¹¦", "åĶ®åIJİ æľįåĬ¡", "åĩł åĪĨ", "ä¸Ĭ 次", "ä¸į åĪĨ", "产 åIJİ", "éģ¿ å¼Ģ", "ç»Ī æŀģ", "代表 大ä¼ļ", "æ¼Ķ æĬĢ", "åĽŀ è´Ń", "åѦ è´¹", "éĺ» ç¢į", "ä¸Ģ大 æī¹", "ç«£ å·¥", "åĨ³ å®ļäºĨ", "ä½Ĩ å¦Ĥæŀľ", "çĶµ æµģ", "ä¸Ŀ 毫", "èĥ½å¤Ł åľ¨", "éĶĢåĶ® æĶ¶åħ¥", "åľ¨ åŃ¦æł¡", "æ°´ åĩĨ", "è§Ĩ 线", "èĩª åľ¨", "åķĨä¸ļ éĵ¶è¡Į", "为äºĨ 让", "çį² å¾Ĺ", "çݩ家 æľĭåıĭ", "éĿ¢ èĨľ", "åĪĨ åī²", "åī§ æľ¬", "ç« Ń", "说 å¾Ĺ", "æĥ³ çŁ¥éģĵ", "çļĦ人 çī©", "èĮħ åı°", "åIJĮ ä¸Ģ个", "æķ°æį® ä¸Ńå¿ĥ", "çĶ Ħ", "åĸľ æĤ¦", "ä¸ĭæĿ¥ çļĦ", "å®ļ åIJij", "æŀģ åħ·", "çļĦ åľŁåľ°", "éĤ£ åĢĭ", "æijĦ åħ¥", "äºĨ æĪijçļĦ", "马 è·¯", "åħ¨ 社ä¼ļ", "è®® æ¡Ī", "å±ĭ åŃIJ", "åIJį åı«", "åĮ ª", "åľ¨ å¤ĸéĿ¢", "åįİ åįĹ", "åıij è´§", "å¯Ĵ åĨ·", "é«ĺçŃī æķĻèĤ²", "详ç»Ĩ çļĦ", "个 é¡¹çĽ®", "çĶŁäº§ åĬĽ", "æŶ 常", "å°± æľĥ", "ä¸ĩ èĤ¡", "éĻĮçĶŁ 人", "æıı ç»ĺ", "å½ĵ çĦ¶æĺ¯", "æĭī åĬ¨", "éĵ¾ æĿ¡", "æī£ éĻ¤", "ä¸Ģ缴 éĥ½", "å°ı åŃ©åŃIJ", "伤 åı£", "第äºĮ å±Ĭ", "è´Ń ç½®", "çļĩ 马", "æĹł èģĬ", "表 åĨ³", "诸 å¦Ĥ", "åĵį èµ·", "é£İ æļ´", "ä¸Ģæµģ çļĦ", "ç ·¨", "解æĶ¾ åĨĽ", "室 å¤ĸ", "å°± è¿Ļä¹Ī", "å³ ¶", "æīĢæľī 人éĥ½", "æIJľç´¢ å¼ķæĵİ", "çļĦ æĪIJæľ¬", "åħļ æĶ¿", "åıijè¡Į 人", "çļĦ äºĭå®ŀ", "对 该", "åıĹ æįŁ", "ä¿Ħ ä¹Į", "é²ľ èĬ±", "åĨľ èį¯", "æŀģ éĢŁ", "æĢ¥ æĢ§", "两 ä¼ļ", "ä¸ĢèĪ¬ æĿ¥è¯´", "æµ· é²ľ", "åĨ Ī", "çĶ¨ 人", "çĶ¨äºº åįķä½į", "åĢ ª", "åĦª æĥł", "æł¹ æºIJ", "åĽ¢ è´Ń", "ç¾İ æ´²", "ä¸ĭ è¡Į", "å¹´ æľ«", "èľ ¡", "è¯ģ 件", "åľ¨ æĪijåĽ½", "ä¸į åºĶ", "æĮī æŶ", "åłª 称", "åľº ä¸Ĭ", "å¹²éĥ¨ èģĮå·¥", "æľī å¾Ī大çļĦ", "æķ°åŃĹ ç»ıæµİ", "æ¼Ķ ç»ĥ", "æį® ç»Łè®¡", "å¾Ģ æĿ¥", "广åijĬ æľįåĬ¡", "çļĦ è·Ŀ离", "æŃ ¸", "è¨Ģ è¯Ń", "被 èªī", "被èªī 为", "åĭī 强", "å°Ĭ æķ¬", "ä¸ĩ 亿åħĥ", "ä¸ŃåĽ½ åĽ½éĻħ", "å¹² é¢Ħ", "å¹´ 产", "èĢķ åľ°", "èĮ İ", "åį³ æĺ¯", "æĺ¨ æĻļ", "æĪIJ为 ä¸Ģ个", "çºł æŃ£", "åij½ åIJį", "é¢ģ å¸ĥ", "çĮľ æµĭ", "ä¿ĿèŃ· æĶ¿çŃĸ", "æĭ ¢", "æ´» æ³¼", "çŃī éĥ¨éŨ", "åѦ åĪ°", "å¢ŀåĢ¼ ç¨İ", "èĪª 线", "åĨ ¤", "åįģ åĩłå¹´", "æݧèĤ¡ èĤ¡ä¸ľ", "ä¸Ģ éŨ", "个 å·¥ä½ľ", "ä¸ªå·¥ä½ľ æĹ¥", "æĸ° 西", "æĸ°è¥¿ åħ°", "论 è¯ģ", "ä» Ĩ", "åı¦å¤ĸ ä¸Ģ个", "æĶ¹ ç¼ĸ", "严 ç¦ģ", "åĸľ 好", "个人 ä¿¡æģ¯", "满æĦı 度", "åĵ ¨", "å¸Ī èµĦ", "æĶ¹ 为", "ç«ŀäºī 对æīĭ", "åĩº çĤī", "åķĨ 人", "大 æ£ļ", "æĮĩ导 ä¸ĭ", "å¦ĩ ç§ij", "è¼ ª", "æī ģ", "åIJĮæŶ è¿ĺ", "并 éĢļè¿ĩ", "æĪĺ éĺŁ", "èĶĵ 延", "ä¿ ŀ", "éĢĤå½ĵ çļĦ", "åīį è¾Ī", "åĵģ åij³", "湿 åľ°", "æĪIJ åŀĭ", "ä¸į åıªæĺ¯", "æĥ© ç½ļ", "åĩºåı° äºĨ", "çİ© 游æĪı", "æīį åıijçİ°", "åºĶ èģĺ", "å¤ĸ æĿ¥", "åįł é¢Ĩ", "å±ķ æľĽ", "å« Ĥ", "港 èĤ¡", "æ¡Į ä¸Ĭ", "æĶ¯ æŁ±", "çļĦæĥħ å½¢", "广éĺĶ çļĦ", "æĶ¯ è¡Į", "å´© æºĥ", "æľĪ ä¸Ń", "æľĪä¸Ń æŬ", "ç»į åħ´", "临 è¿ij", "æĬ¤ æłı", "æļ ®", "åįķ èģĮä¸ļ", "è¾¹ å¢ĥ", "æĹ¥ çħ§", "ä¸Ģ åłĨ", "缴 å¾Ħ", "åħ±åIJĮ ä½ĵ", "æĸ°åįİ ç½ij", "æīĵ 好", "çĶµåĬ¨ 汽车", "ä¸į æĺİçĻ½", "éĢĻ 裡", "缼 大", "çİĭ æľĿ", "åĨį ä¸Ģ次", "åĬŀåħ¬ åİħ", "è´¨ æĬ¼", "åIJĪ åĩ»", "人们 对", "鼶 é£Ł", "éĥ½ä¸į çŁ¥éģĵ", "çļĦ è¯Ńè¨Ģ", "åĭŁéĽĨ èµĦéĩij", "åĬ¨ èĦī", "å½ ¤", "è¿Ļ åĩłå¹´", "çŁŃ è§Ĩé¢ij", "太 é«ĺ", "常 å§Ķä¼ļ", "åĬł çıŃ", "éĩį å¿ĥ", "åªĴä½ĵ æĬ¥éģĵ", "没 æ³ķ", "éĹ» åIJį", "çĥŃ åº¦", "å¹¿æ³Ľ çļĦ", "åħŃ å¤§", "çī© ä½ĵ", "ä¸į 该", "é¢ĺ 主", "精彩 çļĦ", "为 è¿Ľä¸ĢæŃ¥", "èĻ ŀ", "åĽº çĦ¶", "è´µå·ŀ çľģ", "çºł ç»ĵ", "代çIJĨ 人", "æ³ķå®ļ 代表", "åı¦ä¸Ģ ç§į", "ä¸į åIJ«", "æĭ¯ æķij", "ä¼ļ ç»Ļ", "è¯Ĺ è¯į", "åIJĮ ç±»", "å¾Ĺ ä¸įåĪ°", "æĬĵ ç´§", "以 åħ¶", "åħ¥ åħļ", "è¿ĺ åı¯", "æľŁ åĪĬ", "å¾Īå¤ļ æŶåĢĻ", "æĹ¥ åIJİ", "åħ¬ 约", "ä¸Ģ 举", "æ¯Ķè¾ĥ å¤ļ", "éĩij æ²Ļ", "æį ŀ", "æİĴ åĩº", "æѦ æľ¯", "ä¸į æĸ·", "ä¸Ń èĢĥ", "ä¿¡ èµĸ", "ä»İä¸ļ 人åijĺ", "çģ« çĦ°", "éĨĴ æĿ¥", "ä½İ 温", "éĢ¾ æľŁ", "åĬ± å¿Ĺ", "éħ ¥", "åı¯è°ĵ æĺ¯", "è¿Ļ æĦıåij³çĿĢ", "é¢ł è¦Ĩ", "åĮĹ京 大åѦ", "ä¸ĵ 线", "åıĬ 以ä¸Ĭ", "è¨ ª", "èĢĮ åIJİ", "çŁ¥ ä¹İ", "ä¸Ģ对 ä¸Ģ", "å¨ĥ å¨ĥ", "çģ¾ éļ¾", "åħ¨ å±Ģ", "æīĢå¾Ĺ ç¨İ", "å®ŀ æĥł", "èļĤ èļģ", "ä¹Ł çŁ¥éģĵ", "温 åĴĮ", "èIJ½ ä¸ĭ", "åŀĭ ä¼ģä¸ļ", "åĨį ä¹Ł", "ä¾Ľ çĥŃ", "é«ĺ æ½®", "çĢı覽 åĻ¨", "çļĦ 巨大", "åħĪ 天", "å¹´ ä¸ŃåĽ½", "类似 çļĦ", "çIJĨäºĭ ä¼ļ", "空 éĸĵ", "çģµ æĦŁ", "åĬĽ æ°Ķ", "带 ä¸Ĭ", "ä¸į好 æĦıæĢĿ", "æľī ä½ķ", "å·² åľ¨", "åıĸ åĩº", "è¿Ŀæ³ķ çĬ¯ç½ª", "åŃ¦ä¹ł 贯彻", "åľ° 带", "楼 梯", "çŃī æĥħåĨµ", "ä»İ åīį", "çļĦ ä¹łæĥ¯", "ç³Ł ç³ķ", "å°± èĥ½å¤Ł", "è© ķ", "ä¸Ģ å¾ĭ", "æĮ« æĬĺ", "åİŁæĸĩ åľ°åĿĢ", "å½ĵ å±Ģ", "ä¸į éĢļ", "æķ° åįĥ", "éĺŁä¼į 建设", "æŶ èĬĤ", "åģļ èµ·", "çļĦ è®°å¿Ĩ", "ç½ij绾 å®īåħ¨", "åĩ¡ æĺ¯", "æ° ¯", "éĽķ åĪ»", "åŁĥ åıĬ", "æĪij åı¯ä»¥", "çĽij çIJĨ", "æĽ´ åħ·", "åŁİ 管", "èĭ ¯", "åı¥ åŃIJ", "èĭ¥ æľī", "ä»İæĿ¥ ä¸į", "缸åħ³ è´Łè´£", "å®īåħ¨ æĦŁ", "æĽ´ è¦ģ", "çļĦæĥħ æĦŁ", "çī¢ çī¢", "è¾ĥ 好çļĦ", "æ° ®", "ç¬ij è¯Ŀ", "车 å±ķ", "ä¹ĭ ç¾İ", "ç®Ģ 约", "ç±»åŀĭ çļĦ", "èĢģ åĮĸ", "çľĭ ä½ł", "è¿ĩ åĪĨ", "éŨ åīį", "ä¸Ģ éĹ´", "æĥ³ åİ»", "åª Ľ", "åľŁ è±Ĩ", "åıĪ 称", "ä¸Ń ä¿¡", "åŃĺ éĩı", "马 äºij", "èĩ´ 使", "åħĪ åīį", "èĢģ åŃIJ", "æīĵ æī®", "æ¯ķä¸ļ äºİ", "æ¯ķä¸ļ åIJİ", "ç¾İ好 çĶŁæ´»", "å·¥ä¸ļ ä¼ģä¸ļ", "就好 äºĨ", "èħIJ èļĢ", "çıį çıł", "åĪ° è¿ĻéĩĮ", "æīĢéľĢ çļĦ", "è¿Ļæĺ¯ åĽłä¸º", "çIJĨæĥ³ çļĦ", "å·®å¼Ĥ åĮĸ", "é ®", "é® ®", "äºļ 太", "æĹł ç©·", "æıIJ çİ°", "ä¸ĵä¸ļ æĬĢæľ¯", "çĶ¢ æ¥Ń", "åѦ åŃIJ", "ç§ij å¹»", "åįłåľ° éĿ¢ç§¯", "ä¸į åĩĨ", "æľªæĪIJ 年人", "æĶ¶ å½ķ", "è¿ĺ 款", "éĴ¢ çŃĭ", "æ¼ ¢", "å¾Ĺ æĦı", "综åIJĪ ä½ĵ", "æŀģ é«ĺ", "åįķ è¯į", "é«ĺæķĪ çļĦ", "骨 头", "æī§ çĿĢ", "缼 ä¸ĸ", "模 çī¹", "æĽ´ èĥ½", "ç»Ŀ æľĽ", "对åºĶ çļĦ", "æ¨ Ĭ", "æĸ° ä¸ī", "æĸ°ä¸ī æĿ¿", "æģ° æģ°", "åIJį 家", "æł¸å¿ĥ æĬĢæľ¯", "个 å°ı", "æĢİä¹Ī ä¼ļ", "说 ä¸įå®ļ", "西 çĵľ", "åĵ İ", "ç¢ Ł", "å¿ħ ä¸įåı¯", "å¿ħä¸įåı¯ å°ij", "ä¹ĭ éĸĵ", "åĪĨ 管", "交éĢļ äºĭæķħ", "å¼Ģ åĬŀ", "å¾ģæ±Ĥ æĦıè§ģ", "äº ¨", "鼻åŃIJ éĥµ", "鼻åŃIJéĥµ 件", "ä¿¡æģ¯ æľįåĬ¡", "ä½ł è§īå¾Ĺ", "缴 è§Ĥ", "å·² å®ĮæĪIJ", "åĪĨ ä¼ļ", "åĽŀ åįĩ", "éļ »", "好 人", "äºĨ解 ä¸Ģä¸ĭ", "åį« æµ´", "æľĢ çĪ±", "åºŀ 大", "客 æĪ¿", "çijŀ åħ¸", "éĥ½ ä¸įæĺ¯", "é¤ ¨", "èĹ ī", "çļĦ åIJĦ项", "为 缮æłĩ", "çļĦ è®¤çŁ¥", "å½±åĵįåĬĽ çļĦ", "夸 å¼ł", "佩 æĪ´", "æ±ĩ çİĩ", "çļĦ çĪ±æĥħ", "æĺ¥ é£İ", "æĺ¯ æĪijçļĦ", "æ¨ ¹", "åįĬ å°ıæŶ", "å±± åİ¿", "å±± 西çľģ", "èĢĮ è¿Ļ", "æĽ´å¤ļ ä¿¡æģ¯", "è¿ĺ æľīä¸ĢäºĽ", "ç²¾ ç»ĨåĮĸ", "ç¾İ åѦ", "çĶ± æĸ¼", "ä»ħä¾Ľ åıĤèĢĥ", "å¾Ī é«ĺçļĦ", "åıł åĬł", "è¿Ļä¹Ī 说", "å±ķ åĩº", "åĽĽ å¤Ħ", "ä¸ĩ 家", "æĭĽ åĭŁ", "çļĦ 强大", "æĤ£ æľī", "å°ı äºİ", "ä¹Łè®¸ æĺ¯", "对 èĩªå·±çļĦ", "èģĮä¸ļ æķĻèĤ²", "æĿ¥ è¿Ľè¡Į", "æ¡£ 次", "æīĵ èµ¢", "éĥ½æľī çĿĢ", "åº ¸", "è¯Ń æ°Ķ", "çĶ² éĨĽ", "空 åĨĽ", "车 åĨħ", "åĽłä¸º ä½ł", "å®ŀ æķĪ", "æĥħ ä¾£", "åıijè¾¾ åĽ½å®¶", "éķľ åŃIJ", "æ¯į å©´", "ä½Ĩæĺ¯ ä»ĸ", "积æŀģ æİ¨è¿Ľ", "大å¹ħ 度", "çļĦ 女åĦ¿", "é¤IJ æ¡Į", "åIJ¬ å¾Ĺ", "çļĦ 积æŀģæĢ§", "好 åIJ§", "æĹ¥ æ¶Īæģ¯", "æľī ä»»ä½ķ", "æ¯Ĵ åĵģ", "æĹ©çĤ¹ åĬłçĽŁ", "第ä¸Ģ 天", "å°½ åĬĽ", "æł ĸ", "主 æīĵ", "æĺ¯ä¸Ģ åIJį", "çĪĨ æĸĻ", "äºĭä¸ļ åıijå±ķ", "å¾® åķĨ", "äºİä¸Ģä½ĵ çļĦ", "çĶŁ çĮª", "èĩªçĦ¶ èµĦæºIJ", "çŀĦ åĩĨ", "è§Ħ模 åĮĸ", "并 ä¸İ", "èĤ¥ èĥĸ", "家 çĶ¨", "大 çĪ·", "é¢Ħ åijĬ", "æĿ¥ åģļ", "éĺ³ åİ¿", "æŀĦ çŃij", "é¢ģ å¥ĸ", "åİĨåı² æĸĩåĮĸ", "æľįåĭĻ æĪĸ", "æĢ» åĨ³èµĽ", "åıij åŀĭ", "æĪij 羣çļĦ", "æĽ ¦", "åıĤ ä¼ļ", "èĦĨ å¼±", "åĩĨ åħ¥", "èħ¹ éĥ¨", "åı¸ 令", "æĤ² åī§", "天 ä¸Ĭ", "åı£ ä¸Ń", "ä¸ĩ 个", "åѦ ä¸ļ", "æıIJ åĢ¡", "两 è¾¹", "大 èĤ¡ä¸ľ", "åı¤ éķĩ", "è¡Ģ ç³ĸ", "çļĦ ç¨ĭ度", "æ£ī èĬ±", "åIJİ åı°", "å°± åĮ»", "æķ´ æķ´", "èĴ ²", "çĽĪåĪ© èĥ½åĬĽ", "ç± ½", "èĦ «", "çľĭ éĩį", "家 éķ·", "èģĺ çĶ¨", "èµĽ éģĵ", "åīį èĢħ", "建 èŃ°", "å¾ĭå¸Ī äºĭåĬ¡", "èīºæľ¯ åĵģ", "æľī èĩªå·±çļĦ", "åIJ¦ å®ļ", "社 åĽ¢", "åij¨ äºĶ", "带 åĪ°", "å·¥ä½ľ ä¼ļè®®", "èĤ¡ æľ¬", "å¤ĸ åĮħ", "家 åħ¬åı¸", "çĽij çĭ±", "èĪ Ĭ", "åIJį æł¡", "西 æ¹ĸ", "è¶ħè¿ĩ äºĨ", "åįĹ å±±", "ç»Ħ 件", "åĢ¼å¾Ĺ 注æĦı", "æĮ£ æīİ", "äºĭ 迹", "ç¶ĵ çĩŁ", "ç§ij 室", "好 åIJĹ", "æ¤ħ åŃIJ", "åľĪ åŃIJ", "ä½Ĩ 她", "æµģ çķħ", "åIJĦèĩª çļĦ", "èģĮ åijĺ", "è¡į çĶŁ", "åħ¨ åľº", "æĴ¤ éĶĢ", "åį´ 被", "å®ģ éĿĻ", "åīį æīĢ", "åīįæīĢ æľª", "åīįæīĢæľª æľī", "主 ä¸ļ", "åĮĹ ç¾İ", "è¯Ħ å®ļ", "åĵģ å°Ŀ", "大家 éĥ½åľ¨", "主 å¸ħ", "ç»Ĩ å¿ĥ", "ä¿¡æģ¯ æĬ«éľ²", "çļĦ ç«ŀäºī", "éĢĻ樣 çļĦ", "ç§ijåĪĽ æĿ¿", "éĩĩ æijĺ", "票 æį®", "éĢIJ å¹´", "èĭ± è¶ħ", "è¡Įä¸ļ åĨħ", "人 寿", "åIJİ åĭ¤", "å¦Ĥ æĦı", "ç¬Ķ è¯ķ", "æ·¡æ·¡ çļĦ", "ä¸į èĪĴæľį", "ä½ĵ 积", "ä¹Łä¸į è¦ģ", "éĿ¢ æĸĻ", "æł· æľ¬", "ç¥ ģ", "æĮī è§Ħå®ļ", "大æ¦Ĥ æĺ¯", "æĥħåĨµ è¿Ľè¡Į", "åIJĦ åįķä½į", "çļĦ ç¬ij容", "åĩºèī² çļĦ", "代表 æĢ§", "çļĦ ç¾İ好", "éĴ ¦", "å¾® çĶŁçī©", "è¶Ĭ æĺ¯", "æĸ¹ åı¯", "å¹² èĦĨ", "éģĬ æĪ²", "çļĦ åħ´è¶£", "éĹ® è´£", "åĽłä¸º æĪij们", "èĢĥ éĩı", "çĶŁ çĶŁ", "éĺ» åĬĽ", "ä¸į åħģ许", "æıIJ è®®", "åĩı æĮģ", "åıªæĺ¯ ä¸Ģ个", "æĪij æĬĬ", "åıijçİ° èĩªå·±", "å¢ŀ å¹ħ", "å¦ į", "èĹĿ è¡ĵ", "ä¸Ģ家 人", "åĪĨ 级", "çļĦ æķ°éĩı", "è½® èŀįèµĦ", "çŃī åĽłç´ł", "大 夫", "èģĺ 请", "é£İ æľº", "绽 æĶ¾", "ä»»ä½ķ ä¸Ģ个", "éł Ĥ", "éĺ¶ çº§", "æĬĬ 她", "è¿Ľ åĨĽ", "èĥ½ åģļåĪ°", "åŁ¹è®Ń æľºæŀĦ", "çī© æĸĻ", "ç«¥ è¯Ŀ", "æĮĩ导 æĦıè§ģ", "éĺ ®", "æ·±åħ¥ æİ¨è¿Ľ", "主 æľº", "æ¸Ķ ä¸ļ", "ä¸į æľį", "æµĵ éĥģ", "è¡Ĺ ä¸Ĭ", "ä¾Ŀ 次", "æŶ 段", "æ¢ µ", "çļĦ åĸľçĪ±", "å¾Ī éķ¿", "åĪĿ 级", "æŀľ æĸŃ", "æĬ¢ æķij", "é¼ĵ èĪŀ", "ä¾Ľ éľĢ", "æ·±åħ¥ å¼Ģå±ķ", "产ä¸ļ éĽĨ群", "åĻª éŁ³", "åIJ¬ çĿĢ", "æ·±åĪ» çļĦ", "å¿į åıĹ", "çĶµ ç£ģ", "强 èĢħ", "æ»ĭ åij³", "æĽ¼ èģĶ", "åı¯ä»¥ 缴æİ¥", "大 ç±³", "æŃ· åı²", "æĶ¿åĬ¡ æľįåĬ¡", "åħ¬ å¼ı", "社 群", "éģĵ士 èģĮä¸ļ", "ä¹ĭ æĥħ", "æµ· æ°´", "æ¼Ķ å¥ı", "åºĹ éĩĮ", "迹 象", "åıijå±ķ çIJĨ念", "é«ĺ 空", "åij¨ åĪĬ", "åĽŀ åĪ°äºĨ", "ä¸į éĢĤåIJĪ", "åłµ å¡ŀ", "åĬ Ī", "æ°´ ä¸Ĭ", "çĢij å¸ĥ", "纳ç¨İ 人", "çĩĥ æ²¹", "å·¥ç¨ĭ é¡¹çĽ®", "峡 è°·", "æľī éĴĪ对æĢ§", "åľĨ å½¢", "æľ¬ å¸Ĥ", "è¿Ļ è¯Ŀ", "管çIJĨ èĢħ", "ç¡®è¯Ĭ çĹħä¾ĭ", "æĬĬ æīĭ", "彩 èī²", "ä¸Ĭ åīį", "夯 å®ŀ", "ç¾Ĭ èĤī", "å¾Ģ å¹´", "æĵħ èĩª", "è¿· 人", "èĪª æ¯į", "ç²¾ ç»Ĩ", "åľ¨ æĪijçļĦ", "åĪĽ æĬķ", "麦 åħĭ", "æľĪ ç»ı", "åĮĹ æµ·", "ä¹ĭ æĺŁ", "åı¶ åŃIJ", "å¸Ĥåľº ç«ŀäºī", "è¿Ļ äºĭ", "åıĥ èĪĩ", "产 åľ°", "åĶ ī", "åķĨåĵģ æĪ¿", "èĪª è¿IJ", "ä¼ĺ å¼Ĥ", "ä»ĸ们 æĺ¯", "鼨 æ°´", "è¯į æ±ĩ", "åĨľ çĶ°", "欧 éĺ³", "çŁŃ 线", "管 ç½ij", "æł¹ åŁº", "åıªæľī ä¸Ģ个", "éŀĭ åŃIJ", "å¸Ĥ å§Ķ书记", "åĪ» æĦı", "è¡Į 车", "åıĪ 被", "åı¯éĿł æĢ§", "è´ ±", "ä»» åij½", "åºĶ åľ¨", "å°± å¾Ĺ", "æľįåĬ¡ ä½ĵç³»", "æĶ¿ æĿĥ", "åıijè¨Ģ 人", "è¿ĩ å¾Ģ", "两 åıª", "èĻ½ 说", "éĢģ ä¸Ĭ", "ä»Ģä¹Ī äºĭ", "æķ£ æĸĩ", "æİĮ æݧ", "èĸĦ å¼±", "ä¸ĭéĿ¢ å°±", "主è¦ģ åĨħ容", "å¾Ī éĩįè¦ģçļĦ", "å°± 说", "çĻ½èī² çļĦ", "éĤ£ä¸ª æŶåĢĻ", "ç»ı纪 人", "çļĦ æ¯į亲", "ç¬Ķè®° æľ¬", "åºķ å±Ĥ", "è¿ij 代", "解 说", "è²ł 責", "æľĢ大 åĮĸ", "åķĨ éĵº", "æł¡ åıĭ", "æ² ģ", "ä¸į åĩºæĿ¥", "éĻ· éĺ±", "ç¨ ħ", "åħ¬å¸ĥ äºĨ", "åĩĢ åĢ¼", "çĽ¸å¯¹ è¾ĥ", "ç¬ Ľ", "æł¸ ç®Ĺ", "åįİ ä¾¨", "æĢ¥ æķij", "æĮº 好", "åħĴ ç«¥", "äºĮ èĥİ", "åĩº èĩª", "åĿ Ł", "æīĭ ä¸ĭ", "å± ¡", "åĪĽéĢł æĢ§", "ä¸¥æł¼ æĮīçħ§", "åĨį åİ»", "举 缣", "人 æµģ", "äºĨä¸Ģ 声", "å°ıæŶ åīį", "è´µ æĹı", "éľ ĸ", "ä¹Łæĺ¯ éĿŀ常", "éĢ ±", "çľĭäºĨ çľĭ", "ç¹ģ æ®ĸ", "èĩ³ æѤ", "é¢Ħ å¤ĩ", "å¾Ī æĺİæĺ¾", "æ¼Ķ èīº", "åĿIJ çĿĢ", "ä¿Ħ åĨĽ", "åľ¨ è¿ĩåİ»", "ä¹ĭ äºĭ", "æĬĵ èİ·", "åĿIJ ä¸ĭ", "çĶ± ä¸ŃåĽ½", "ä¹Ł å¼Ģå§ĭ", "çŃĶ å¤į", "åŀĥåľ¾ åĪĨç±»", "éĴĵ é±¼", "åIJĦ 種", "缸 éģĩ", "ä¸įåģľ çļĦ", "æī¹ éĩı", "éĩįè¦ģ ä½ľçĶ¨", "å§Ķ å±Ī", "åħŃ å¹´", "ä¸ĥ åįģ", "ä¹ĭ æĪĺ", "é£İéĻ© 管çIJĨ", "éŁ³ æ¨Ĥ", "è¡ĮæĶ¿ å¤Ħç½ļ", "æľ¬ äºĭ", "æĴ° åĨĻ", "èģļ åIJĪ", "éĢĤ æŶ", "æIJ¬ 家", "ç¢İ çīĩ", "缼 å®´", "ç®Ģ æ´ģ", "åı¬ éĽĨ", "ç®Ģ åĮĸ", "åĮĹ京 æŶéĹ´", "第ä¸ī å±Ĭ", "æĿ¥ åĽŀ", "常çĶ¨ çļĦ", "京 æ´¥", "京津 åĨĢ", "梦 å¹»", "è¯ķ è¡Į", "æľº åºĬ", "åĪ° æľĢåIJİ", "åĬ© æīĭ", "åĪĨ 彩", "åĩº åĵģ", "åĪ¹ 车", "åIJ¯ åıij", "侧 éĿ¢", "æ¯ı å½ĵ", "缸åħ³ è§Ħå®ļ", "ä¸ĸ 人", "è´Ń 车", "å¿ĥ 缮", "å¿ĥ缮 ä¸Ń", "äºĶ éĩij", "è¿ĺ è®°å¾Ĺ", "ä¾Ŀ çĦ¶æĺ¯", "æıIJ æ¡Ī", "çĶµåķĨ å¹³åı°", "åģļ åĪ°äºĨ", "æĿľ ç»Ŀ", "å®ī åįĵ", "ä¸ĸçķĮ åIJĦåľ°", "åīį éĢĶ", "æ´Ĺ åĩĢ", "å¥ĭ åĬĽ", "åŁİå¸Ĥ 建设", "å¤ļ åĬŁèĥ½", "ä¼ļ éĢłæĪIJ", "åıijå¸ĥ ä¼ļä¸Ĭ", "究 ç«Łæĺ¯", "åĪĨ 红", "çŁ¥ èŃĺ", "éĿ¢ æĿ¿", "æĹł 声", "æĢ¥ éľĢ", "失 çľł", "çĪ¸ å¦Ī", "äº Ĥ", "åħ¨ æĻ¯", "ç»ıåħ¸ çļĦ", "åī§ ä¸Ń", "é¢Ĩ导 ä¸ĭ", "åħļ åĨħ", "åħ¥ ä¾µ", "æĭī æĸ¯", "ä¸Ģ å¹ķ", "åĬł ä¹ĭ", "èĤ Ĩ", "èĭ± æł¼", "èĭ±æł¼ åħ°", "å·§ åħĭ", "å·§åħĭ åĬĽ", "ä¸Ģ å¿ĥ", "èģ Ĥ", "å¾Ģå¾Ģ æĺ¯", "管çIJĨ å±Ĥ", "çĻ» åħ¥", "建ç«ĭ èµ·", "建 åĽ½", "åŃIJ 宫", "åºĶ ä»ĺ", "æİ¢ 究", "第ä¸Ģ ä½į", "ä½Ļ 家", "çŃī æ´»åĬ¨", "æīĢ èĩ´", "è¾ĥ å¿«", "æĺ¯ éĿŀ", "æıIJ åIJį", "äºĮ èĢħ", "åıªåī© ä¸ĭ", "åħ¶ä¸Ń åĮħæĭ¬", "ç¼ĸ ç¨ĭ", "çł´ ç¢İ", "ä¸Ń 举", "å·¥ä½ľ æĬ¥åijĬ", "çŃ¾ åIJį", "éħĴ ä¸ļ", "çŁ¥ æĻĵ", "çĥŃ å¿ĥ", "éĿŀ åĩ¡", "èIJ¥ä¸ļ æī§", "èIJ¥ä¸ļæī§ çħ§", "人大 代表", "ä¸Ģ个 æĸ°çļĦ", "å¨ģ æµ·", "éĤ£ 人", "涨 ä»·", "æ¶Ī çģŃ", "éļ¾ å¿ĺ", "ç¶ĵ é©Ĺ", "åı£ è¢ĭ", "ç³» æķ°", "æĸĩ ä¸Ń", "好 转", "æĸ° 鼶åĶ®", "讲述 äºĨ", "å¼Ģ çĽĺ", "çķĻ ç»Ļ", "æħ¢æħ¢ çļĦ", "æĤ² 伤", "æľ¬ æľŁ", "äºĨ å¤ļå°ij", "è¿Ļ 让", "åIJĮ çŃī", "æ¸ħ æĺİ", "个 åŁİå¸Ĥ", "æºĸ åĤĻ", "åĩłä¹İ æĺ¯", "强 åĬĽ", "ä¿ ¯", "æ°´ 稻", "åĽºå®ļ çļĦ", "æł¸ åĩĨ", "说 æľį", "顯 示", "è¿Ļ å¥Ĺ", "æĻºæħ§ åŁİå¸Ĥ", "å±ĭ 顶", "ä¸į æĿ¥", "çĶŁ é²ľ", "çŁ¥ æĥħ", "æĬķ 身", "åijĬè¯ī æĪij们", "ä¸ī åĽĽ", "ä¸ĩ ä¸Ģ", "è¾Ĩ 车", "为 ä¹ĭ", "åĪ° æŶåĢĻ", "è¿Ļ æīįæĺ¯", "åIJį çīĮ", "åºŁ æ°´", "åݻ年 åIJĮæľŁ", "å¹´ éĻIJ", "éģĭ åĭķ", "åıĮ çľ¼", "è¦ģ ç´§", "对 çŃĸ", "åľº é¦Ĩ", "çĻ¾ ç§ij", "è¶Ĭ éĩİ", "å¯Į åIJ«", "大å¤ļæķ° 人", "æľĢ å°ij", "åı¬ åĶ¤", "åħ¸ èĮĥ", "åĨľ æľº", "æŃ£ æĸĩ", "åºĶçĶ¨ äºİ", "æ·± èĢķ", "ä¿ Ń", "ä»Ģä¹Ī ä¸ľè¥¿", "å¥Ĺ é¤IJ", "å½ĵ éĢī", "å·¦ æīĭ", "è°ĥ çIJĨ", "æĻļ é¤IJ", "éļ¾ åħ³", "åĩŃ è¯ģ", "çĪ± 人", "æĮĩ è´£", "è´£ ç¼ĸ", "çļĦä¸Ģ 款", "éĵ ²", "åįģ 个", "èĢ »", "æľįåĬ¡ åķĨ", "åľ° çĭ±", "è¿ŀ å¿Ļ", "åĽ° æĥij", "çļ ĵ", "ä¸į åIJĥ", "çİ°åľ¨ å·²ç»ı", "çĽĺ çĤ¹", "ä¸įåģľ åľ°", "管çIJĨ 模å¼ı", "è¿Ļ 段æŶéĹ´", "æ¤ °", "礼 åĮħ", "æµģ 转", "æī« çłģ", "éĽĨä¸Ń åľ¨", "æ±Ĥ åĬ©", "åįĬ 个", "å¿«éĢŁ å¢ŀéķ¿", "å¾Ģ ä¸ĭ", "è¯Ħ åĪĨ", "å°± æĥ³", "åķĨåĬ¡ éĥ¨", "æľī éĹ®é¢ĺ", "èİ· åĪ©", "æ¯Ľ çĹħ", "æĦŁ åºĶ", "èī¯ æĢ§", "åĪĨ æѧ", "åĨ ī", "æĪij们 çİ°åľ¨", "è¦ģ åĬłå¼º", "å·§ å¦Ļ", "èŀº æĹĭ", "åĪĩ æį¢", "çĭ Ħ", "顺 çķħ", "å°¤åħ¶ æĺ¯åľ¨", "èĬĿ 麻", "éļ¾ è¿ĩ", "æĹĹ å¸ľ", "å¤į åį°", "å¤įåį° 件", "å¿ħ éľĢ", "对å¤ĸ å¼ĢæĶ¾", "éļ¾ åıĹ", "åİŁæĿ¥ æĺ¯", "ç®Ĺ äºĨ", "é«ĺ å±±", "离 èģĮ", "çµĦ ç¹", "çµĦç¹ Ķ", "å±ģ èĤ¡", "çĻ¾ 家", "éģĩ ä¸Ĭ", "æĺĶ æĹ¥", "ä¸į 容", "çĽij管 éĥ¨éŨ", "主 æĦı", "æµģ åŁŁ", "è·Į å¹ħ", "èĩ³ ä¸Ĭ", "åĪ« 说", "æĺ¯ æ¯Ķè¾ĥ", "å®ıè§Ĥ ç»ıæµİ", "å¸Ĥåľº 主ä½ĵ", "污æŁĵ çī©", "æķij æ²»", "丰 æĶ¶", "åŃĺ æĶ¾", "åĩ Ħ", "éĩij å±±", "æį¢ äºĨ", "ä¸ĵ 人", "éĹľ æĸ¼", "æĹ¢ è¦ģ", "åĽ½ 足", "éļ ĭ", "åıį åĩ»", "èµ· 身", "åħĪ æĺ¯", "å¸ĮæľĽ èĥ½å¤Ł", "åĪ¶ 订", "åºĹ éĿ¢", "åĸ Ģ", "æķĻ ä½ł", "éĻį 温", "åĬĽ æ±Ĥ", "ä¸ī çĻ¾", "çī© ä»·", "丢 失", "å¢Ļ ä¸Ĭ", "éĥ¨ 份", "æł· æĿ¿", "ä¹ĭ æĦı", "ç½ij å°ıç¼ĸ", "ä¸ĸ ä¸Ĭ", "è°ĥ è¯ķ", "污æŁĵ éĺ²æ²»", "å½± éĻ¢", "å®Įåħ¨ åı¯ä»¥", "éĢļ åħ³", "ä¹īåĬ¡ æķĻèĤ²", "没æľī åĬŀæ³ķ", "èĢ ¿", "å¦ ³", "æĹł æĥħ", "å¾Ĺ çĽĬ", "å¾ĹçĽĬ äºİ", "æľŁ çĽ¼", "娱ä¹IJ åľº", "çĶ² æĸ¹", "ä¸Ģ æ±½", "çĹ °", "çĸij ä¼¼", "æĸ°æµª å¾®åįļ", "强 è¡Į", "å½ĵ ä»ĸ", "èĥ º", "çĶ¨æĪ· æıIJä¾Ľ", "åĮº å§Ķ", "æĦ¿ æĻ¯", "æĬĺ æī£", "失 踪", "è¿« åĪĩ", "åŃĹ æ¯į", "åĴ ¯", "èªį èŃĺ", "ä»Ģä¹Ī æĦıæĢĿ", "çĽĴ åŃIJ", "å½ķ éŁ³", "建设 å·¥ç¨ĭ", "ä¸ļ ä½Ļ", "å®ŀè·µ æ´»åĬ¨", "羣 空", "çĤ ĸ", "åľ¨ è·¯ä¸Ĭ", "主è¦ģ åĮħæĭ¬", "该 æĢİä¹Ī", "æĢ» æľī", "æĢ§ æĦŁ", "æ°ij èĪª", "å¼Ģ åºĹ", "欺 éªĹ", "çªģ åĩ»", "缺 失", "æī§ ä¸ļ", "åľ° éģĵ", "并 æĹł", "æ°ij åĬŀ", "ç»Ħç»ĩ çĶŁæ´»", "æĪij å¦Ī", "è¨ĺ èĢħ", "管 åĪ¶", "æī¾ 个", "èĹ »", "çĤİ çĹĩ", "äºĴ åĬ©", "æµıè§Ī åĻ¨", "çݩ家 æĿ¥è¯´", "éĻįä½İ äºĨ", "è£ Ķ", "æĮ£ éĴ±", "åķĨ æľº", "æĶ¹ è£ħ", "æµģ 浪", "æĶ¿ æ³ķ", "èĢģ 头", "çĶŁäº§ åĴĮ", "ç© Ĺ", "亲 çĪ±", "亲çĪ± çļĦ", "å±¥ èģĮ", "åŁİ éĩĮ", "ç»Ĩ åĪĨ", "åĬ³åĬ¨ åIJĪåIJĮ", "åľ¨ æĹ¥æľ¬", "å¨ģ å°Ķ", "åį« è§Ĩ", "éĢ£ çµIJ", "çĿĢ éĩį", "æĬĺ 磨", "åĽ¾ 为", "çľ ·", "å·¥ åºı", "æĵ ģ", "æĵģ æľī", "ç½ijç«Ļ åľ°åĽ¾", "çļĦä¸Ģ 大", "ç»Ħç»ĩ å®ŀæĸ½", "æĬĽ å¼ĥ", "åĴĮ æĶ¯æĮģ", "æ³ķ åĪĻ", "浪 æ½®", "çİ° æľīçļĦ", "åĩł çİĩ", "为 客æĪ·", "åįģ ä¸ĩ", "è ¹Ħ", "çªģåĩº éĹ®é¢ĺ", "åıĥ åĬł", "éĥ½ä¼ļ æľī", "çĽ ¤", "è°ģ éĥ½", "æīĭ åĬ¨", "缴 è¾¾", "çĤ¹ å¤ļ", "éĺ¶ å±Ĥ", "ä¸į ä½³", "éĤ£ 段", "滨 æµ·", "æĺ¯ åĽ½åĨħ", "æĪij å¸ĮæľĽ", "åIJĽ åŃIJ", "è§Ĥ éŁ³", "åģļ é¥Ń", "æ±½ è»Ĭ", "åħ³ ç¨İ", "çľ¼åīį çļĦ", "æ°´ éĿ¢", "èĢ³ æľº", "追 踪", "æݨ éĢģ", "éĴ± åĮħ", "æģ¶ å¿ĥ", "æµ· åŁŁ", "å· į", "å¼Ģ æĿ¥", "表 æĢģ", "仪 表", "å¹³ åİŁ", "åįģ å¤ļå¹´", "ä¹Ł æĹłæ³ķ", "åħ¼ 顾", "è¡£ æŁľ", "æł½ åŁ¹", "æĪ¿ æºIJ", "设ç«ĭ äºĨ", "ä¸ĩ åIJį", "æķ° é¢Ŀ", "è¦ģ åĿļæĮģ", "åIJīæŀĹ çľģ", "请 èģĶç³»", "ç»ıåİĨ è¿ĩ", "çļĦ æľ¬è´¨", "åħ¥ éŨ", "æľ¬ æ¡Ī", "çİĩ è¾¾åĪ°", "åı° éĺ¶", "éĴ ŀ", "æĪij èĥ½", "èݲ èĬ±", "éĴ ł", "ä¸Ģ äºĭ", "åİŁ æľīçļĦ", "æ¯ı åĢĭ", "æ¯Ķäºļ 迪", "æ£ĭçīĮ 游æĪı", "ä¸įä¼ļ æľī", "å½Ĵ æĿ¥", "äºĶ çĻ¾", "è¿ĩ é«ĺ", "鼷 è¾¾", "ä¸Ģèµ· åİ»", "æķĻ 导", "å°± è¯Ĭ", "å°± å¾Ī", "ä¸įåIJĮ äºİ", "ä¿ º", "å¸ĸ åŃIJ", "æĶ¿åįı å§Ķåijĺ", "çĸ«æĥħ å½±åĵį", "åĪĨ è£Ĥ", "为ä»Ģä¹Ī ä¼ļ", "äºĶ æĺŁ", "å°ij åĦ¿", "æĬ¢ éĻ©", "梦 è§ģ", "è®°èĢħ éĩĩ访", "å±± è·¯", "æĪij 个人", "æ²Ļ 滩", "è¹ Ń", "æĶ¹ è®Ĭ", "æĸ°åŀĭ åĨł", "æĸ°åŀĭåĨł çĬ¶", "åĮ» æĬ¤", "åĮ»æĬ¤ 人åijĺ", "æµ· å°Ķ", "åħ³äºİ æĪij们", "éĻ¤ å¤ĸ", "åº ļ", "宣 åijĬ", "ä¸ī åįĥ", "æ¦ ¨", "ç§ijæĬĢ 大åѦ", "ä¸ĥ åħ«", "顺 åºĶ", "çĪ¸çĪ¸ å¦Īå¦Ī", "éĢī åıĸ", "åī§ çĥĪ", "乡æĿij æĹħ游", "积æŀģ æݢ索", "表çİ° 为", "å¾Ī æ¸ħæ¥ļ", "大 åĨĽ", "æĿ¥ çĶµ", "å¥Ĺ æĪ¿", "çİ° è¡Į", "享 åıĹåĪ°", "çľĭ çĤ¹", "åĽºå®ļ èµĦ产", "以 人为", "以人为 æľ¬", "ä¸į å®Į", "éĻį 鼨", "åģļçļĦ äºĭæĥħ", "并 äºİ", "顽 强", "èĢ ¸", "åĺ´ å·´", "缸åħ³ ä¿¡æģ¯", "æĪij 没", "æĪĺçķ¥ æĢ§", "æĢĿ 念", "åĪĺ å¤ĩ", "åĬ© æĶ»", "é£İ è²Į", "éĿ¢å¯¹ éĿ¢", "积æŀģ å¼Ģå±ķ", "çĸĹ æķĪ", "çľĭ 书", "缺 åı£", "åĽ½æ°ij ç»ıæµİ", "使çĶ¨ æĿĥ", "éģ¥ è¿ľ", "å¡« è¡¥", "第ä¸ī 人", "åįĬ å¤ľ", "æѦæ±ī å¸Ĥ", "æĪij åıijçİ°", "ä¼ĺæĥł æĶ¿çŃĸ", "é£İ åı£", "å°± ä¸įèĥ½", "为 主è¦ģ", "æµģ åĩº", "å´ĩ æĭľ", "并 ä¸įèĥ½", "é«ĺ ä¸ī", "ä¸ĸçķĮä¸Ĭ æľĢ", "æĥ³ å¿ħ", "åħ¶ æīĢ", "åĢĻ éĢī", "åĢĻéĢī 人", "ä¸į çĪ±", "åī¯ ä½ľçĶ¨", "人æ°ij æĹ¥æĬ¥", "æĪij ä¸įæĺ¯", "å®ŀ çī©", "çĶµ åİĤ", "ä¹Ł ç®Ĺæĺ¯", "æľī éĹľ", "æľī èĥ½åĬĽ", "æĮĤ åľ¨", "çľ¼ ä¸ĭ", "约 ç¿°", "å°ı åѦçĶŁ", "èµ· åĪ°äºĨ", "å·¥ 夫", "åIJĮ å¿ĥ", "åĿ¦ è¨Ģ", "çł Į", "åıijæĮ¥ äºĨ", "èģĮä¸ļ éģĵå¾·", "è¿ĻäºĽ å¹´", "念 头", "èĢģ é¼ł", "åħ¨ èµĦ", "åħ¨èµĦ åŃIJ", "ä¸Ģ åij³", "å¤ļ ä¸ĩåħĥ", "æł¼ æľĥ", "éķ¿ éĢĶ", "带 èµ°", "èĭ± 寸", "æĸĩ ä½ĵ", "对 ä»ĸ们", "åĵŃ äºĨ", "å¡« æĬ¥", "çīĪæĿĥ 声æĺİ", "çĶµ 线", "è´Ńçī© ä¸Ńå¿ĥ", "饱 满", "ä½İ 头", "强 è¿«", "ä¿Ŀ æ´ģ", "欧 åĨł", "缸 è¿ŀ", "认 è´Ń", "çģ« æĺŁ", "é«ĺ å°Ķ", "é«ĺå°Ķ 夫", "èij« èĬ¦", "æłĩ 注", "çļĦ çIJĨæĥ³", "æł¸ éħ¸", "æł¸éħ¸ æ£Ģæµĭ", "åĬ ī", "ä¸ĢèĪ¬ æĺ¯", "æĢĿ ç´¢", "轨 迹", "çĥŃ å¸¦", "éĻ £", "åĩĨç¡® æĢ§", "æĪ´ çĿĢ", "åľ¨ çĶŁæ´»ä¸Ń", "æīĢ èĥ½", "æľ¯ åIJİ", "带 ä½ł", "ç¥ ł", "æ®ĭ éħ·", "ä¹Ł åıªæĺ¯", "çĶ³ è´Ń", "举åĬŀ äºĨ", "æľī æĦıä¹ī", "æĹº 缼", "åľ¨ 網", "åľ¨ç¶² è·¯ä¸Ĭ", "å¾Ī大 ç¨ĭ度", "管 è¾ĸ", "çĸ«æĥħ æľŁéĹ´", "触 æij¸", "éĺ¶æ®µ æĢ§", "ä¼ļ è§īå¾Ĺ", "çļĦ çĶ»éĿ¢", "æİ¥åıĹ äºĨ", "表达 äºĨ", "éĤĵ å°ı", "éĤĵå°ı å¹³", "åħļ é£İ", "åħļé£İ å»īæĶ¿", "åķĨ åѦéĻ¢", "åħij æį¢", "é£Łåĵģ èį¯åĵģ", "éĿŀ常 好çļĦ", "çľ ¯", "纳 ç±³", "åĬ¨ æijĩ", "åĽŀ éģ¿", "çľĭ èijĹ", "款 项", "åħ« å¹´", "åģļ 个", "æĸĩ æ¡£", "éĩijèŀį ç§ijæĬĢ", "åħ¶ä¸Ń æľī", "äºĨä¸Ģ ç³»åĪĹ", "æĹĹèĪ° åºĹ", "称 èµŀ", "éĽ¢ éĸĭ", "åĪ¶ åĨ·", "家 éŨåı£", "åįģ å¤ļ", "ä¼´ ä¾£", "çľĭ çĹħ", "æĭī çĿĢ", "æī Ĵ", "çĸ² æĥ«", "å°ijæķ° æ°ijæĹı", "åĽ¾ å½¢", "è½ §", "å¢ŀ éĩı", "饲 åħ»", "çģ« å±±", "æ¯ı 个æľĪ", "ä½ľä¸º ä¸ĢåIJį", "è½´ æī¿", "æĸĩ 书", "ç¼ ķ", "åħ·ä½ĵ æĥħåĨµ", "çĹĽ çĤ¹", "缴 éĶĢ", "å¡ Ĭ", "ä¹Ł æľĥ", "çĥŃ æ½®", "å¹³ æ°ij", "æ¼ĶåĶ± ä¼ļ", "æķĻ çłĶ", "éĢĥ éģ¿", "ä¸Ģ è´¯", "å°± è¶Ĭ", "å®ŀ å®ŀåľ¨", "å®ŀå®ŀåľ¨ åľ¨", "ä¹łè¿ijå¹³ æĢ»", "æº º", "å¿ĥ åºķ", "éķ¿ å¾ģ", "媽 媽", "第ä¸ī 次", "åĩº æ¼Ķ", "çĭĢ æ³ģ", "å°Ķ æĸ¯", "代çIJĨ åķĨ", "çĨ ı", "çļĦ 对象", "çĶµ éĩı", "è¡Į åĪĹ", "åĽ½ 人", "è·ij äºĨ", "åįĶ åĬ©", "èIJ¥ è¿IJ", "å¸Ī åħĦ", "æ¦ ®", "æĥ³ åĥı", "æĢ§ 强", "ç§ijåѦ çłĶ究", "延 å®ī", "ä¸¥æł¼ èIJ½å®ŀ", "é¢Ĩ ä¼ļ", "缸 å·®", "è·¯ 人", "çĶ «", "æľī ä»·åĢ¼", "æľīä»·åĢ¼ çļĦ", "ç¾İ åĽ¢", "æ°ij主 çĶŁæ´»", "æĪij æīį", "ç¾İåĽ½ 人", "æ°Ķ åij³", "åıį å°Ħ", "çļĦ åĨ³å¿ĥ", "大 è±Ĩ", "交 代", "è¿Ľ åĩº", "åıį æĬĹ", "æĮĩ çļĦæĺ¯", "ä»· ä½į", "è¿Ľ é©»", "ä¸Ĭ çĻ¾", "ä½į åĪĹ", "ä¸ŃåĽ½ ä¼ģä¸ļ", "çļĦ好 å¤Ħ", "主 ç¼ĸ", "æ±½ æ²¹", "ä½Ĩ æĪij们", "æĢİä¹Ī çľĭ", "é»Ħ å±±", "å¤ļ åªĴä½ĵ", "åIJİ åį«", "èİ·å¾Ĺ æĽ´å¤ļ", "åĬ¡ å¿ħ", "为 å¥ijæľº", "é¦ĸ 饰", "ä¸ĩ åįļ", "è¶ĬæĿ¥è¶Ĭ 大", "ä¸ĵ项 è¡ĮåĬ¨", "å¥ĭ è¿Ľ", "ä»į çĦ¶æĺ¯", "è´¨ æĦŁ", "å¦Ĥæŀľ ä¸įæĺ¯", "ç«Ļ èµ·æĿ¥", "ä¹¾ éļĨ", "åı¯æĢķ çļĦ", "å¯Į è´µ", "æ¸ħ ç®Ĺ", "åIJij ä¸ĭ", "åĢ ļ", "çļĦ çŃĶæ¡Ī", "èĪ¹ ä¸Ĭ", "çļĦ羣å®ŀ æĢ§", "çŃī åĬŁèĥ½", "åĸľ åī§", "å¨ģ åĬĽ", "æĸ° é¢ĸ", "æł¸ çĶµ", "æĬ¥ éĶĢ", "æķħ 乡", "ä¼´ éļı", "éŀ Ń", "å¦Ĭ å¨ł", "åĪĨ åĮĸ", "æľī å¾Ī大", "æĢİä¹Ī 说", "æĻĤ 代", "产 åĩº", "ä»ĭç»į 说", "å¤ĦçIJĨ åĻ¨", "èĨ¨ èĥĢ", "åī¯ å¸Ĥéķ¿", "çļĦ 妻åŃIJ", "æł· åĵģ", "åIJĮæ¯Ķ ä¸ĭéĻį", "åħĥ å·¦åı³", "çĶ¨ èĩªå·±çļĦ", "é«ĺ éĽĦ", "æĺ¥ æĻļ", "ä¹Ł æľīå¾Īå¤ļ", "çľ¼ çIJĥ", "æķ£ æŃ¥", "ä»ĸ们 éĥ½", "第ä¸Ģ 家", "åĬŀ 好", "å®ī éĺ²", "ä¸Ģ ä¸ĩ", "åľ¨ éĩĮéĿ¢", "éŁ³ é¢ij", "åı£ åı·", "ä¸Ģ è¶Ł", "ç¦ı çī¹", "é³ ŀ", "æĥĬ èī³", "æĸ° å¨ĺ", "绿èī² åıijå±ķ", "ä¸Ń å¼ı", "ä¹Ł åıªæľī", "çİ° 身", "åı¯ ä¾Ľ", "æ¯ı ä¸Ģ个人", "第ä¸ī èĢħ", "åľ° å½¢", "éĴ¢ ç»ĵæŀĦ", "çĽijçĿ£ æ£ĢæŁ¥", "åı« æĪij", "èĩ´ æķ¬", "æ´Ĺ æīĭ", "ä¸ĭ è°ĥ", "康 çĨĻ", "æĪIJ交 éĩı", "ä¹Ł æĪIJ为", "åħī æ»ij", "å®Įæķ´ æĢ§", "çģ ¼", "網 éłģ", "éķ¿ 寿", "éģ© çĶ¨", "çļĦä¸Ģ 项", "çŀ© 缮", "æĬĬ èĩªå·±çļĦ", "éĵ¶è¡Į åį¡", "å°± å¿ħé¡»", "ç¾İ çĻ½", "éŀį å±±", "æľ¬ é¢Ĩ", "ä¸Ģ ç¢Ĺ", "æīĵ æ³ķ", "æĤ¨ 好", "对 åŃ©åŃIJ", "æĬ¥éģĵ 称", "ä¼ł åĩº", "大 èĩ£", "ç¬ ĭ", "çĽ ı", "é¾ ļ", "缴 线", "æĻº åºĵ", "秣 车", "é£İ åij³", "çľĭ ä¸Ģä¸ĭ", "æݨ éĶĢ", "éĥ¨ éĥ¨éķ¿", "è´¨éĩı åĴĮ", "åĪĬ çĻ»", "å·¥ä¸ļ åĮĸ", "çİĩ 为", "鼶 件", "硬 åĮĸ", "ä¸Ĭ åįĥ", "ç»ıéªĮ åĢ¼", "å¹³ è¡Į", "声 éģĵ", "æľįåĬ¡ è´¨éĩı", "çĶŁ çĶ¢", "æľĢ 容æĺĵ", "ä¸Ģ æŀļ", "å¹´ æĬ¥", "åħ¬ ç½ij", "åħ¬ç½ij å®ī", "åħ¬ç½ijå®ī å¤ĩ", "çļĦ èĥ½éĩı", "å®ŀéĻħ è¡ĮåĬ¨", "è¦ģ ä¸įè¦ģ", "æĹ¥æľ¬ 人", "èĢ¶ 稣", "ç¼ĸ åī§", "æ¶ ©", "åį° å°¼", "ä¸Ĭä¸ĭ 游", "åĩł åı¥", "ä¸Ń éĵģ", "ç°¡ åĸ®", "èĩª 带", "çĶŁ äºİ", "ä¸Ģ åı£æ°Ķ", "åĭ¤ å¥ĭ", "éĻį ä»·", "å±ķçİ° äºĨ", "å¸ĥ æĭī", "ä¼ļ éĢīæĭ©", "çļĦ ç»ıåħ¸", "好 æľĭåıĭ", "车 éģĵ", "æķ´ åĢĭ", "åľ ĵ", "éķ¿æľŁ 以æĿ¥", "æĬķ å½±", "çļĩ åĨł", "è¿ĩ 大", "åijĬè¯ī ä»ĸ", "ä¼ģä¸ļ æıIJä¾Ľ", "æĬ½ 象", "éĢĤ 度", "çļĦ 女åŃ©", "èµ· ä¼ı", "çļĦ åĬŁæķĪ", "ä¸ĵ项 æķ´æ²»", "åı¯ éĢļè¿ĩ", "ä¸įåIJĮ ç¨ĭ度", "å¼Ĥ è®®", "åĩĢ èµĦ产", "åij Ĺ", "ä»Ģä¹Ī åij¢", "å·¡ éĢ»", "è¸ı ä¸Ĭ", "ä½Ĩ å®ĥ", "ç²¾ 度", "管 å±Ģ", "第ä¸Ģ åIJį", "åĨħ åŃĺ", "æijĨ åľ¨", "åī© ä¸ĭ", "主ä½ĵ 责任", "çĤ¹ åįĬ", "以 èĩ³äºİ", "åħ»èĢģ ä¿ĿéĻ©", "æĦŁåıĹ åĪ°äºĨ", "çŁ¥åIJį çļĦ", "å¯Į 豪", "妥 åĸĦ", "åŃĻ åŃIJ", "éĵ Ĥ", "说 èĩªå·±", "让 æĤ¨", "æķ° æݧ", "çļĦçľ¼ åħī", "注 éĶĢ", "çļĦ çģµéŃĤ", "è¿ĺ ä¸įéĶĻ", "éĹ® ä»ĸ", "èĩªä¸» çłĶåıij", "èĵ ĭ", "ç´« èī²", "åĽ½å®¶ å®īåħ¨", "è¾½å®ģ çľģ", "ä¹Ł æ¯Ķè¾ĥ", "ç¾İ èĤ¡", "ä¸įç¡®å®ļ æĢ§", "å¿ĥ 头", "æĪ ³", "级 åĪ«çļĦ", "论 è¿°", "çļĦ åĽŀçŃĶ", "ä¿Ŀè¯ģ éĩij", "çŃī è¡Įä¸ļ", "幸ç¦ı æĦŁ", "æѧ è§Ĩ", "æľº 票", "æ´¾ 人", "èĩ´ åij½", "åĺ´ è§Ĵ", "æĸ°éĹ» ä¸Ńå¿ĥ", "æĶ¾å¼ĥ äºĨ", "å®ľ å±ħ", "åĨĻ ä¸ĭ", "éĹ® çŃĶ", "è¿ĻéĩĮ æĺ¯", "å¤ļ åľ°", "åĮºåŁŁ åĨħ", "åīµ æĸ°", "çľĭ ä»ĸ", "æī§æ³ķ 人åijĺ", "åĬ¨ æľº", "éŁ³ åĵį", "çļĦ åij½è¿IJ", "顶 éĥ¨", "åĵ Ł", "éĥ½ æľĥ", "æīĵéĢł æĪIJ", "æĦı åĽ¾", "çļ ĸ", "åĢĴ åħ¥", "å·´ èIJ¨", "åĬ© åѦ", "å¤į åı¤", "åIJ¯ çĶ¨", "åĽ½éĻħ å¸Ĥåľº", "åĤ¨ èĥ½", "é»ijé¾Ļæ±Ł çľģ", "ä¹ĺ 车", "è¿IJåĬ¨ ä¼ļ", "ä¿Ŀ åĪ©", "çŁ³ æĿIJ", "çµ ®", "çĤĴ ä½ľ", "çļĦ ä¿¡ä»»", "å°± æĪIJäºĨ", "åı¯ è§Ĥ", "çļĩ ä¸Ĭ", "è¿Ļ åĩłå¤©", "ä¸Ģ éĶ®", "åĨ· åĨ»", "ä¿Ŀ åį«", "æł¸ æ¡ĥ", "åIJĪä½ľ åħ³ç³»", "éĢģ åĩº", "æĹĹ ä¸ĭçļĦ", "åľ¨ ä¹İ", "为 广大", "åįĪ é¤IJ", "ä¸ĵ 访", "æĪĸ å°Ĩ", "éĿĴå²Ľ å¸Ĥ", "å¥Ķ è·ij", "æĹ¥ æĬ¥éģĵ", "å¥ij åIJĪ", "æĸ° æĺ¥", "ä¸į å°ıå¿ĥ", "两 ä¸ī", "æĦıæĢĿ æĺ¯", "åĨ· èĹı", "çļĦ çĹĩçĬ¶", "æĢ§ åij½", "è¶ħ æłĩ", "å¯Ĩ 碼", "ç§ijæĬĢ èĤ¡ä»½", "äºĨä¸Ģ æī¹", "çĿ£ å¯Ł", "åªĴ ä»ĭ", "å°Ħ æīĭ", "ä¿® åħ»", "çīĩ åĪ»", "éĢĤåIJĪ èĩªå·±", "åıªè¦ģ æĺ¯", "åIJĥ è¿ĩ", "éĩij éĵ¶", "缴 å±ŀ", "åѦ éĹ®", "åİĭ åĪ¶", "çªĹ å¤ĸ", "æĶ¶ åĪ°äºĨ", "åħ¨åĽ½ 人大", "ä½Ĩæĺ¯ å¯¹äºİ", "åľ¨ æķ´ä¸ª", "çļĦ èĥĮåIJİ", "åĩıå°ij äºĨ", "åıį èħIJ", "åıįèħIJ åĢ¡", "åıįèħIJåĢ¡ å»ī", "æĹ ·", "åĪĨ æľŁ", "åľ¨ æ·±åľ³", "æīĵ çĿĢ", "æī« ä¸Ģ", "æī«ä¸Ģ æī«", "æĶ¿åºľ éĥ¨éŨ", "æİ¥ è¿ŀ", "å±ŀäºİ èĩªå·±", "åŃIJ å¼¹", "åIJĮæł· æĺ¯", "æĢ» åħ±", "车 ä¼ģ", "æ¢ ĵ", "åħ¬ é¡·", "åıij 声", "éĴ Ľ", "èµ°åĬ¿ åĽ¾", "主 èIJ¥", "åĸ Ķ", "æķ°æį® åĪĨæŀIJ", "ä¸į è¿ľ", "æľī åIJį", "æľīåIJį çļĦ", "åģ¿ è¿ĺ", "å¾Ī ä½İ", "è®ĵ 人", "èĿ ī", "é«ĺ è´µ", "å°ij 许", "æ° Ł", "å¹ ¢", "亲 æĥħ", "è¿Ļ件 äºĭæĥħ", "çĶ¨ é¤IJ", "缸åħ³ æĸ°éĹ»", "å°± åºĶ该", "ç»Ī çĤ¹", "æĺ¯ å¤ļå°ij", "çĻ» åľº", "è¯ķ 管", "è¯ķ管 å©´åĦ¿", "åģļ 大", "åģļ大 åģļ强", "çļĦ ä¾ĭåŃIJ", "åħ« 个", "æĺİ æĹ¥", "çĤ ³", "èµ° åİ»", "éģ º", "å¢ ©", "ä½ĵä¼ļ åĪ°", "åĴ ı", "ä¸ĭ è¾¾", "å¤į åıij", "追 éĢIJ", "æīĵ åĵį", "çļĦ éļ±ç§ģæ¬Ĭ", "åħ·æľī ä¸Ģå®ļ", "è¿Ļä¹Ī å¤ļå¹´", "æłij æŀĹ", "æľĢ éķ¿", "åIJĮ èĥŀ", "åħī æ³½", "åŁŁ åIJį", "æĮĩ åIJij", "åıĹ害 èĢħ", "æłij èĦĤ", "æľīå¤ļ 大", "大 éĿ¢ç§¯", "æĹł ç¼Ŀ", "æĶ¹ æŃ£", "æĽ´å¤ļ çļĦæĺ¯", "æľŁ æľ«", "æŃ ¼", "ä¹ī ä¹Į", "éĤ£ ä½ł", "çļĦ 第ä¸Ģ个", "èĮ µ", "å° §", "èį «", "ä¸įä»ħ åı¯ä»¥", "æ¶Į çİ°", "æĢ» éĿ¢ç§¯", "æĸ°éĹ» åıijå¸ĥ", "æ°ij çĶ¨", "å°± 读", "æīĵ è´¥", "å¤ĸ è¯Ń", "æĪij们 ä¸Ģèµ·", "é¢Ħ å®ļ", "çĥ¹ 饪", "æľĢ 主è¦ģ", "æľĢ主è¦ģ çļĦ", "çīĮ çħ§", "åĽł åħ¶", "ä½İ ä¸ĭ", "ä¼ļ åIJĮ", "è§ģ 解", "éĹ´ éļĶ", "æķĻ ç¨ĭ", "å° ī", "å¸Ĥ ä¸Ńå¿ĥ", "åħ³éĶ® æĺ¯", "æµ· åįĹçľģ", "çī¹åĪ« æĺ¯åľ¨", "ä¸ŃåĽ½ 大éĻĨ", "åħħ足 çļĦ", "æĹ¢ èĥ½", "åĤ³ çµ±", "çijľ ä¼½", "åħ¥ åĽ´", "æħ¢æħ¢ åľ°", "æĬ¥ éħ¬", "æī¹ å¤į", "å·¥ä¸ļ åĽŃåĮº", "ä¸İ åıijå±ķ", "èĥ¸ éĥ¨", "åľ¨ ç½ij绾", "åľ¨ç½ij绾 ä¸Ĭ", "交 è°Ī", "æĽ´ æĶ¹", "åįłæľī çİĩ", "ä¸Ŀ绸 ä¹ĭè·¯", "è¡ Ľ", "çłĶ åĪ¤", "åĪ ª", "åĪª éĻ¤", "è¿Ļ åıª", "çļĦ æ°Ķæģ¯", "åĬł å·ŀ", "éĴ §", "çIJĨäºĭ éķ¿", "ä¸ĸ 家", "æµģè¡Į çļĦ", "å¾Ī æľīåı¯èĥ½", "们 éĥ½", "ç»ıèIJ¥ 模å¼ı", "è¡Įä¸ļ ä¸Ń", "éĢļçŁ¥ 书", "åij½ é¢ĺ", "æľ¬ 網ç«Ļ", "æ²Ļ çī¹", "åıij åħī", "é«ĺ ä»·", "å·² çĦ¶", "åıĮ åįģä¸Ģ", "ä¸Ĭ è¯ī", "ç¿ħ èĨĢ", "è¿Ļä¸Ģ å¹´", "大ä¼ļ ä¸Ĭ", "éĩ ī", "å®Įåħ¨ æĺ¯", "å¾Ĺ 太", "ä¸ĢèĪ¬ 人", "è¿ĺ ç®Ĺ", "æĬĺ åıł", "æĬķ æľº", "çĤ¹ çĩĥ", "çİ°éĩij æµģ", "åħĶ åŃIJ", "ç½ij æł¼", "æİ¥ è¿ĩ", "ä¾Ľ è´§", "éĺ´ å½±", "åİŁ åħĪ", "æį £", "å·¦ 侧", "åħĭ æĭī", "æīĵ åį¡", "ç§ij æ¯Ķ", "æ±ĩ éĽĨ", "åľ°çIJĨ ä½įç½®", "è¯Ħ å§Ķ", "ç»ĵåIJĪ èµ·æĿ¥", "è¿Ľåħ¥ åĪ°", "åı¯ è¡Į", "åı¯è¡Į æĢ§", "让 å®ĥ", "åĪ¶åº¦ æĶ¹éĿ©", "çĶĺèĤĥ çľģ", "åĵ Ĺ", "åģı åģı", "è¡£ çī©", "ç¥Ŀ è´º", "æºIJ èĩª", "并ä¸į 代表", "åĽ½ 度", "好 åĿı", "æĿ ĸ", "æĿŃ å·ŀå¸Ĥ", "湿 度", "é² ¸", "åįļ 彩", "æ³° å±±", "æĿij èIJ½", "æĸ° èģŀ", "èĤ ĭ", "åı¤èĢģ çļĦ", "çļĦ ç§ĺå¯Ĩ", "ä¸Ģ个 éĹ®é¢ĺ", "éģı åĪ¶", "åįĥ 亿", "è¿ĩ 硬", "å°Ħ åĩ»", "èĩªçĦ¶ æĺ¯", "产 åĮº", "çĤ¹ çĤ¹å¤´", "åı¯ä»¥ 帮åĬ©", "说 å®ŀ", "说å®ŀ è¯Ŀ", "æĪij åıªæĺ¯", "ä¹ĭ ä½Ļ", "åIJĮæŶ ä¹Łæĺ¯", "ä¸ŃåĽ½ éĺŁ", "建æĪIJ åIJİ", "ä¹IJ è§Ĩ", "åij¨ å²ģ", "èį¯ åºĹ", "éĩij åįİ", "严éĩį å½±åĵį", "è´¨ åľ°", "æĹħ éģĬ", "åħµ åĻ¨", "æķĻèĤ² æķĻåѦ", "离 åİ»", "åIJĦå¼ı åIJĦæł·", "ä»ĭ ç´", "ä»ĭç´ ¹", "å¼Ģ 头", "å°Ĩ èĩªå·±çļĦ", "åIJ¬ åĬĽ", "ä¿¡æģ¯ ç³»ç»Ł", "ä»İ æł¹æľ¬", "ä»İæł¹æľ¬ ä¸Ĭ", "æİĮ 声", "欢 åĸľ", "å±ķ åĮº", "åķ ¸", "太å¤ļ äºĨ", "éĹ² ç½®", "èĥ¡ èIJĿåįľ", "å§Ķ å®£ä¼ł", "å§Ķå®£ä¼ł éĥ¨", "åįĹ éĺ³", "å·ŀ åĮº", "ä¸İ æŶ", "ä¸İæŶ 俱", "ä¸İæĹ¶ä¿± è¿Ľ", "å«Įçĸij 人", "èī¯ å¿ĥ", "头 顶", "è´¢ æĬ¥", "ä½Ľ æ³ķ", "å¾ µ", "åİŁ 件", "åĭ ŀ", "çĶ· 篮", "å¤ĸåĽ½ 人", "è¿Ŀ 纪", "æī¾ äºĨ", "æįķ æįī", "缸 è¯Ĩ", "æIJľ éĽĨ", "çļĦ ä¼Łå¤§", "ä¸ī ç»´", "å°±è¡Į äºĨ", "çĭIJ æľĪ", "çĭIJæľĪ å±±", "å¸ĮæľĽ éĢļè¿ĩ", "èĢĮ 对äºİ", "éĿ¢ å°į", "åĨĽ åĽ¢", "è¡Ĺ åĮº", "æĤ¬ æĮĤ", "便 ç§ĺ", "æľīä¸Ģ çĤ¹", "ä¼ļè®® ä¸Ĭ", "ä¸ĭ æīĭ", "廣 åijĬ", "äºĶ è¡Į", "çŃī åĢĻ", "紧紧 åĽ´ç»ķ", "æĭ¿ äºĨ", "æ¡Į éĿ¢", "ç¥ŀ æĥħ", "éĽĦ åİļ", "çŀ ³", "楼 ä¸ĭ", "å½ ª", "äºĭ åıij", "åĨį è§ģ", "é¤ ĺ", "é¢Ħ åĶ®", "åİ» çľĭçľĭ", "æĪij们 åºĶ该", "ä¸ī 家", "æµ Ĭ", "ä¹IJ éĺŁ", "çľĭ ä¸įè§ģ", "èĦij åŃIJ", "æĮģ æľīçļĦ", "çĻ½ èıľ", "éĹª çĥģ", "åĸĿ æ°´", "æݧåĪ¶ ç³»ç»Ł", "ä¸ĵ åĮº", "æľĿ å»·", "æĪij å¿ĥéĩĮ", "å±ķ åİħ", "èľĺ èĽĽ", "åĨ» ç»ĵ", "ç² ª", "åº IJ", "åIJij 社ä¼ļ", "åĨ³çŃĸ éĥ¨ç½²", "çŁŃ æľŁåĨħ", "æĸ° ä¸ļæĢģ", "æľ Ķ", "æŶ æĬ¥", "使 ä¹ĭ", "åĽł åŃIJ", "åıĤä¸İ èĢħ", "çļĦ 年轻人", "æīĭ 表", "å°ģ éĶģ", "为ä»Ģä¹Ī ä¸į", "åIJ¸ çĥŁ", "æ¯Ĵ ç´ł", "åĪij æ³ķ", "磫 æŃ£", "身 æĹģ", "åİŁ è°ħ", "çĽij æĬ¤", "æѤ å¤Ħ", "éļ¨ æĻĤ", "æŀľ å®ŀ", "åĮ»çĸĹ æľįåĬ¡", "ä¸į åIJĪçIJĨ", "æIJŀ 好", "çļĦ èĦļæŃ¥", "å¤ĸ å¥Ĺ", "ç¶ĵ éģİ", "æĶ¾ ç¼ĵ", "åģľ çķĻ", "æĺŁ çIJĥ", "çļĦä¸Ģ éĿ¢", "åĩł ä½ķ", "è½® åĽŀ", "æ¯Ľ å·¾", "ä¿® çIJĨ", "ä¸įçŁ¥ ä¸į", "ä¸įçŁ¥ä¸į è§ī", "æķ´ 个人", "æ¯ģ çģŃ", "åı° å·ŀ", "使çĶ¨ 寿åij½", "é»ij çĻ½", "æij¸ ç´¢", "é¼ł æłĩ", "éĿ© æĸ°", "éº µ", "ä¸ĵéŨ 为", "å¾Īå¤ļ æľĭåıĭ", "å·¥ä½ľ ç»Ħ", "åIJĪ å½±", "çĤº ä»Ģ麼", "æŀģ 度", "çļĦ è¿ĽæŃ¥", "å½ĵ ä¹ĭ", "å½ĵä¹ĭ æĹł", "å½ĵä¹ĭæĹł æĦ§", "è´´ è¿ij", "å°º 度", "åľ¨ çİ°åľº", "éĻį 临", "åħ»èĢģ éĩij", "ç£ ķ", "åı¯ä»¥ 使", "管çIJĨ æ°´å¹³", "æľ¬æĬ¥ è®°èĢħ", "æ³ķ 令", "åį¡ 车", "举 æµ·", "å¤ļ éĩį", "åħ¶ éĹ´", "ç´ Ļ", "éĩį大 é¡¹çĽ®", "æ±Ĺ æ°´", "ç»Ħ å§Ķä¼ļ", "ä¿¡æģ¯ åħ¬å¼Ģ", "ä¸į论 æĺ¯", "ä¸Ģ åIJ¬", "èĴ¸ æ±½", "æıŃ ç§ĺ", "è¶ħ éģİ", "触 åıij", "å© ¦", "åħ³èģĶ 交æĺĵ", "å°± ç»Ļ大家", "好 ä¹ħ", "åĢŁ è´·", "游æĪı è§Ĵèī²", "å¼ĢåIJ¯ äºĨ", "æİ ł", "åħļçļĦ åįģä¹Ŀ", "ä¸ĭ 鼨", "çŁŃ æŶéĹ´åĨħ", "å¯ ħ", "导 åħ¥", "å·¥ä½ľ ç»ıéªĮ", "ä¹Ł åıªèĥ½", "鼷 éľĨ", "è·Ł è¿Ľ", "åį¡ éĢļ", "é¢ĩ æľī", "æľº ä½ĵ", "æĪĺ士 èģĮä¸ļ", "女 主", "ä½ĵåĪ¶ æľºåĪ¶", "足 åįı", "èĪĴéĢĤ çļĦ", "åĢŁ åı£", "æī¹ åĪ¤", "æķ° åĢ¼", "è« ¾", "éĺ¿æĭī 伯", "åĺ İ", "æħ ¶", "è¾¾ 人", "å¼Ģ æ°´", "大 鼨", "温 室", "ä½İ è¿·", "ä»į æŧ", "éªĹ åŃIJ", "亲 å±ŀ", "çIJĨ æĻº", "æľ¬ åŁºéĩij", "å¨ ħ", "åĨĻåŃĹ æ¥¼", "å¢Ļ å£ģ", "å® µ", "èĻ½ çĦ¶æĺ¯", "顺 çĿĢ", "åħ« åį¦", "åķĨ çĶ¨", "ä¸į 失", "è¿· èĮ«", "顺 便", "æļij æľŁ", "欺 è´Ł", "é¢ij é¢ij", "该 æł¡", "æĸĻ çIJĨ", "æ·± æĥħ", "åīį éĶĭ", "ä¿Ŀ èŃī", "èģĮä¸ļ çĶŁæ¶¯", "åħ¬ å¼Ģåıij", "åħ¬å¼Ģåıij è¡Į", "åħ¥ æĪ·", "éł ĵ", "åĢ¾ åIJ¬", "éŃ ģ", "æĦī æĤ¦", "åĽŀ åIJĪ", "åħ¨åĬĽ 以", "åħ¨åĬĽä»¥ èµ´", "åĥ¹ åĢ¼", "èĥ½åĬĽ 强", "ç»ı å¼Ģ", "ç»ıå¼Ģ åĮº", "è¿ľ æĸ¹", "çļĦ éģĵçIJĨ", "缴 åįĩ", "缴åįĩ æľº", "为主é¢ĺ çļĦ", "ç»Ļ æĤ¨", "è¿ĺ æĥ³", "æ¯Ķ æĪij", "åĨľ çī§", "æµ· åºķ", "çŃ¾è®¢ äºĨ", "对äºİ æĪij们", "æŶ 许", "éĶ® çĽĺ", "å®ŀéĻħ æݧåĪ¶", "çļĦ æ¨¡æł·", "åıįæĺł äºĨ", "代 åĬŀ", "åĮ» çĶ¨", "éĽĨ ç»ĵ", "åıijå±ķ åīįæĻ¯", "æĮĩ çĿĢ", "åįİ åĮĹ", "è¿Ļ åĩłä¸ª", "åIJį æ°Ķ", "åĤį æĻļ", "èĩª åıij", "æ³¢ åħ°", "大åĬĽ æİ¨è¿Ľ", "èĩª 称", "èįĨ å·ŀ", "æIJį 害", "äºĨä¸Ģ åı¥", "æľĢåĪĿ çļĦ", "éĩijèŀį åį±æľº", "æĢĢ 念", "è¡Į åĭķ", "女 æİĴ", "ä¸į 解", "ä¼ł éĶĢ", "转载 请", "饰 åĵģ", "åıª 为", "ä¸İ ä¼Ĺ", "ä¸İä¼Ĺ ä¸įåIJĮ", "èĥ½ èĢĹ", "èı© æıIJ", "è¿ij 两年", "è¿Ķ 乡", "马ä¸Ĭ å°±", "äºĮ çŃīå¥ĸ", "æ°´ 管", "æ³ķ åѦ", "çģŃ çģ«", "大 å§IJ", "åij¨ 转", "æľī æľŁ", "æľīæľŁ å¾Ĵ", "æľīæľŁå¾Ĵ åĪij", "å°į æĸ¹", "ç¥ŀ èī²", "æ²¹ èĦĤ", "ä¸ī çĤ¹", "ä¸į åĪ©äºİ", "äºĭä¸ļ éĥ¨", "å°± è·Ł", "å¼Ģ æĶ¯", "å°ı 女åŃ©", "åħ±åIJĮ åĬªåĬĽ", "çĶļèĩ³ è¿ĺ", "è¿Ļ åIJį", "è¿Ļ ç¬Ķ", "çݯ åį«", "æľī ç§į", "è§Ĩ åĬĽ", "çĨŁ çŁ¥", "åħ¬ç§¯ éĩij", "æ¶Īéĺ² å®īåħ¨", "é¢ĩ 为", "大 èħ¿", "éĿ ¶", "çī¹ æķĪ", "æľįåĬ¡ åĮº", "å¼Ģ åĩº", "深度 èŀįåIJĪ", "æĹł 忧", "æŁ¥ éĺħ", "ç»Ī ç»ĵ", "ä¿Ŀ ç¨İ", "è¨İ è«ĸ", "å½ĵ åģļ", "è·³ èĪŀ", "å¯ §", "女 çİĭ", "è®°èĢħ åľ¨", "åħ¨ 产ä¸ļéĵ¾", "è´¯ éĢļ", "åħ´ ä¸ļ", "éĻį åĪ°", "å°ģ éĿ¢", "åħ¨éĿ¢ æİ¨è¿Ľ", "奶 èĮ¶", "éĢī åĿĢ", "äºĨä¸Ģ åľº", "åIJĮ ä¼´", "è®® 论", "æIJ ĵ", "诸 èijĽ", "诸èijĽ 亮", "å¹² åĺĽ", "æµģ æĦŁ", "ä¸ĵä¸ļ çŁ¥è¯Ĩ", "çĶµ ç«Ļ", "åĩı å¼±", "åĩº åħ¥", "åIJĦ çľģ", "éĿŀ常 é«ĺ", "åľ° 毯", "åıij æĸĩ", "çĦ ī", "çĥ§ çĥ¤", "å£ģ 纸", "æģ¶ åĮĸ", "èĬ ¸", "èĥĸ åŃIJ", "çĩ Ĵ", "çľģ éĴ±", "çĻ¾ 强", "çIJĨå·¥ 大åѦ", "éĴ¢ æĿIJ", "åĽ½æľī èµĦ产", "æĪĺ æľº", "æ³Ħ éľ²", "åIJİéĿ¢ çļĦ", "æ°´ èµĦæºIJ", "æ¢ħ èĬ±", "åĨĻ çĿĢ", "ä¹ĭ 声", "æĹł åı¯", "æĺİ æľĿ", "ç«ĭæĸ¹ ç±³", "ç· £", "æĶ¾ è¿ĩ", "ç¦ı çĶ°", "å¾Ĺ ä½ı", "åıĹ ä¼Ĺ", "ä¸Ń 级", "çĹħ åıĺ", "ä¸Ģ çŀ¬éĹ´", "æĿĥ éĩį", "人æĢ§ åĮĸ", "åĮ»çĸĹ åį«çĶŁ", "ä¸įåĪ° ä½į", "æĻºèĥ½ 家å±ħ", "饮 çĶ¨", "æ¼Ķ åıĺ", "é«ĺ ç´łè´¨", "ä¹Ļ æĸ¹", "åģľ çķĻåľ¨", "èİ· æī¹", "ç©¿ æ¢Ń", "客 åľº", "æĮ½ åĽŀ", "京 åŁİ", "çĶŁåij½ åĬĽ", "實 éļĽ", "çĩ Ī", "åĨį çİ°", "çİ°å®ŀ ä¸Ń", "æľī ä¿¡å¿ĥ", "çĸı éĢļ", "åĺ´ åĶĩ", "鼷 éĶĭ", "èıľ åįķ", "éħ ¯", "è¶ħ é«ĺ", "å¾Ī é«ĺåħ´", "çĶŁ æ®ĸ", "éĢł ä»·", "误 åĮº", "æĨ ĭ", "好 æ¶Īæģ¯", "å´ Ń", "以 èĩ´", "å¼Ģ çİ©ç¬ij", "çĽij è§Ĩ", "å·¡ å¯Ł", "å¾· å·ŀ", "æĹ© æĹ©", "éĹª çĶµ", "æĪª åĽ¾", "åı¯ä»¥ æł¹æį®", "æīĭ èīº", "æİ¥ 轨", "ç§į æĹı", "æĢĢ éĩĮ", "åİ» åĮ»éĻ¢", "ä¸Ģ äºĮ", "å¼Ģ éĺĶ", "åĩı éĢŁ", "ä½Ĩ ä»İ", "éĢĻ ä¸Ģ", "åĩı åħį", "主é¢ĺ æķĻèĤ²", "å¼Ģå·¥ 建设", "è¹ ¦", "æľĪ 饼", "ä¸ĭ æ²ī", "å°Ĭ 严", "éĻ ĩ", "å®ŀ æľ¨", "å»ł åķĨ", "声 称", "èĢĥ åľº", "å¸ĥ é²ģ", "èĩª æĿ¥", "èĩªæĿ¥ æ°´", "éĴ ¾", "å¹´ 以ä¸Ĭ", "大 åıĶ", "ä»ĸ å·²ç»ı", "åħ¨ æĿij", "èģĶç³» çĶµè¯Ŀ", "为 导åIJij", "åĪ¤ å¤Ħ", "对 éĺµ", "缮 æ¨Ļ", "åIJį é¢Ŀ", "客 æ°Ķ", "横 åIJij", "çŃī åĨħ容", "åĩł çĤ¹", "è°Ī 论", "ä¸į ä¹ı", "å±ķ çİ°åĩº", "è¾ĥ éķ¿", "éĢĨ 转", "å°ı æĻĤ", "æĺ¯ å¤ļä¹Ī", "æľ¬ æľĪ", "è¿ij è§Ĩ", "æĪIJç«ĭ 以æĿ¥", "代表 çĿĢ", "æĬ¥ å¤į", "æĪı æĽ²", "è¨Ń åĤĻ", "åħ¥ èĤ¡", "å¾ģ æľį", "é«ĺ åĩº", "èĪŀåı° ä¸Ĭ", "å¿ĥ åĬ¨", "两 çĤ¹", "缸 çķ¶", "èĻ Ľ", "主 页", "åĩł 家", "æĹł ä¸į", "åįı å®ļ", "æĸ IJ", "å¯ĵ æĦı", "åħ¨ 线", "æįķ é±¼", "åı¯ä»¥ ä»İ", "æľī è¿Ļæł·çļĦ", "æģ¶ éŃĶ", "åĮħ åŃIJ", "æģ ¤", "å¼Ģå¥ĸ ç»ĵæŀľ", "ä¸į æŃ»", "èĹ į", "弯 æĽ²", "æµ· 峡", "éĶĢ æ¯ģ", "çļĦ çĭ¬çī¹", "示 æĦı", "ä¸įèĥ½ åĨį", "èĥ½ æĬĬ", "éĺ² çº¿", "ä¸įå°ij äºİ", "æ± Ģ", "çļĦ éĤ£ä¸Ģ", "羣 æĥħ", "åŀ ®", "被 æīĵ", "åĽ½ å®ī", "ç¾İ å¦Ļ", "è¿Ļ åĩł", "åĩº éģĵ", "æľįåĬ¡ äºİ", "æĪIJæŀľ 转åĮĸ", "æīį åįİ", "天 é¹ħ", "åĩł 个人", "åĢĺ èĭ¥", "èĢ½ 误", "æĬĹ æĪĺ", "è¡Į éĬ·", "æĿ¥ è¢Ń", "åĢŁ éĮ¢", "èįī èİĵ", "ä¸¥æł¼ æī§è¡Į", "举è¡Į äºĨ", "å¤ĸ ç±į", "å·² è¾¾", "æĿij åħļæĶ¯éĥ¨", "è¡ Ŀ", "éĻį èĩ³", "æµ· éĩı", "é¤IJ é¦Ĩ", "æĢ¥ å¿Ļ", "æ·± è¿ľ", "å¾Ģ è¿Ķ", "ç¨İåĬ¡ å±Ģ", "å¹¿æ³Ľ åºĶçĶ¨", "è®® åijĺ", "æĹł æķĮ", "çľ¼ åħī", "çĥŃè¡Ģ ä¼łå¥ĩ", "æŃ IJ", "äºĨ äºĽ", "è¿Ŀ èĥĮ", "è¿Ļ æĺ¯ä¸Ģç§į", "ä¸į 稳å®ļ", "大家 åĪĨ享", "表 çı¾", "åīį åįģ", "è·¯ è¿ĩ", "æĴ ©", "åIJĮ æĥħ", "ä¹ł ä¿Ĺ", "åıij è´¢", "åºĶ æľīçļĦ", "æĿİ æŁIJ", "èĤ Ľ", "马 åħĭ", "éĢļ åijĬ", "å·¨ 人", "ä¸Ģ åĽ¢", "éĢĻ 次", "ä¸į äºĨ解", "æĸ½ è¡Į", "èij¡èIJĦ çīĻ", "åıĺå¾Ĺ æĽ´åĬł", "æı £", "åĪĽæĸ° èĥ½åĬĽ", "çķħ éĶĢ", "表 æī¬", "æ¯Ķ åĪ©", "æ¯ĶåĪ© æŶ", "åĮ»çĸĹ ä¿ĿéĻ©", "æĵį 纵", "伤 亡", "æµİ å®ģ", "åıĺ äºĨ", "æľ¬æ¬¡ æ´»åĬ¨", "åľŁ 豪", "æĥ³ åĬŀæ³ķ", "æĺ ķ", "å½ĵ æĻļ", "åĩº å±Ģ", "çĥŃ è®®", "è°Ī è°Ī", "æĻĭ åįĩ", "åĬ¿ å¿ħ", "çĻ» å±±", "éĤ£ åĦ¿", "åIJĥ åĪ°", "ä¹ĭ åŁİ", "å¿« æĿ¥", "æ¹Ľ æ±Ł", "第ä¸ī 个", "åħ¨éĿ¢ æıIJåįĩ", "å¥ĸ åѦ", "å¥ĸåѦ éĩij", "æĬķåħ¥ 使çĶ¨", "é½IJ é²ģ", "åı¯ä»¥ æĬĬ", "åĴĮ ä»ĸçļĦ", "è´ŃæĪ¿ èĢħ", "æŃ£å¼ı åIJ¯åĬ¨", "åįİ æ¶¦", "ä¸įæĸŃ å®ĮåĸĦ", "éĴ¢ æĿ¿", "ç´¯ 积", "满 èĦ¸", "åĽĽ æĸ¹", "è´¢ çī©", "ä»ĸ们 ä¼ļ", "å¤ı æĹ¥", "éĤ£ 个人", "éĿł çĿĢ", "çĤ¹ äºĨ", "çĤ¹äºĨ çĤ¹å¤´", "æ© ĭ", "åıĪ 好", "åıĪ好 åıĪ", "åıĪ好åıĪ å¿«", "éĺµ éĺµ", "å°ģ 建", "æľ¬ çĶ°", "çī©ä¸ļ æľįåĬ¡", "èĩªè´¸ åĮº", "åIJ ı", "便åĪ© åºĹ", "åĽ½å®¶ æłĩåĩĨ", "éĿ¢ ç²ī", "èī° è¾Ľ", "æĶ» åħ³", "æīĵ åĮħ", "车 éĺŁ", "人 éĢī", "åı¯ ä¸įæĺ¯", "äºĮ åįģå¹´", "åIJį å¸Ī", "浦 举", "åħ¬ è¯ģ", "è¿IJ éĢģ", "æĺ¯ æľĢ好çļĦ", "æŁĶ åĴĮ", "çİĭ æŁIJ", "çĹħ æĪ¿", "åĨ¶ éĩij", "ä¸Ģ件 äºĭæĥħ", "åį ¤", "åı¯ æݧ", "çī Ł", "æĭ Ĥ", "å·² äºİ", "人 éĢł", "çĶŁçī© åĮ»èį¯", "ä½ĵ çİ°åĩº", "èĤ² åĦ¿", "èĢģ å®ŀ", "åľĸ çīĩ", "è« ¸", "ç´¯ äºĨ", "æĦŁåħ´è¶£ çļĦ", "åĽ¾çīĩ æĿ¥æºIJ", "ä¹Ł æĺ¯ä¸Ģç§į", "æ¾İæ¹ĥ æĸ°éĹ»", "æŶ 表示", "åħī è¾ī", "æĬ¥ åºŁ", "å²ģ æŶ", "éħ ®", "æ£Ģ ä¿®", "åıĺ éĢŁ", "åıĺéĢŁ ç®±", "åľ¨ èģĮ", "éı ¡", "æį Ĥ", "çĿ£ åĬŀ", "æ°¸ ä¸į", "åģļ ä¸ĢäºĽ", "åİĨ æŶ", "å·¥ç¨ĭ æľºæ¢°", "æģ° å½ĵ", "å°± åľ¨äºİ", "称 åij¼", "éĢļ常 æĺ¯", "æł· å¼ı", "åij¨ ä¸Ģ", "èĭ± éķij", "åĿĩ 线", "ä¼ł éĹ»", "çĶ¨æĪ· ä½ĵéªĮ", "èµŀ åIJĮ", "骨 æĬĺ", "为主 ä½ĵ", "æ±Ł å±±", "æ¸ħ æľĿ", "æĶĢ åįĩ", "ä¸į çĽ¸ä¿¡", "éĿ ´", "æѦ åĬŁ", "åĭ¤ åĬ³", "æĿ¥ æī¾", "å°Ĩ æĮģç»Ń", "丫 头", "æ¨Ļ æºĸ", "è£ ´", "深深 çļĦ", "åŃķ èĤ²", "è§ĦåĪĴ 建设", "æ¸ħ çĪ½", "ç²¾åĩĨ æī¶è´«", "æīĵçł´ äºĨ", "è¿Ļä¸Ģ 天", "å·¥ä½ľ æĢ»ç»ĵ", "æĹħ ç¨ĭ", "举 èIJ¥", "æĶ¾ å°Ħ", "æľī åĩłä¸ª", "éĿŀ çī©è´¨", "åIJĥ å¾Ĺ", "åĹ ¨", "ä¼ļ åıijçĶŁ", "篮 æĿ¿", "å¼Ģ å°ģ", "麻 å°Ĩ", "èıı æ³½", "ä¸į åIJĪ", "ç³»åĪĹ äº§åĵģ", "èѬ å¦Ĥ", "ç¾İ èªī", "èĩªå·± åĸľæ¬¢", "交æĺĵ ä¸Ńå¿ĥ", "åIJĪ åĶ±", "使 æĪij", "åĥı ç´ł", "带 éĺŁ", "ä½Ĩ 对äºİ", "æĬĬ è¿Ļ个", "èĤĿ èĦı", "åįķ纯 çļĦ", "æĶ»åĿļ æĪĺ", "缼 ä¼ļ", "åijµ æĬ¤", "æª Ģ", "赶 ä¸Ĭ", "æ¥ Ĭ", "ä¹ħ äºĨ", "ç¡ Ŀ", "çŃĶ é¢ĺ", "ä¿ĿæĮģ çĿĢ", "è§ģ è¯Ĩ", "çĤ¹ åĦ¿", "åįĬ 个æľĪ", "æ» ĩ", "浸 泡", "ä¼ł éĢģ", "åľ¨ å¸Ĥåľºä¸Ĭ", "ä¹ĭ 乡", "çī¹ éķ¿", "éĽ ŀ", "èª ł", "身 å¤Ħ", "æŁł 檬", "身 ç©¿", "çľģ åħ¬å®ī", "çľģåħ¬å®ī åİħ", "åıĻ åĪ©äºļ", "åĩł åĪĨéĴŁ", "人 åĢij", "åľ° 段", "èĩª åѦ", "ä¹Ł è¶ĬæĿ¥è¶Ĭ", "èģĮ æĿĥ", "æĸ §", "èĩ »", "å½Ĵ 纳", "驾 é©Ń", "éĥ¨åĪĨ åľ°åĮº", "没æľī æĥ³åĪ°", "æĴ ĩ", "ä¹Į é²ģ", "ä¹Įé²ģ æľ¨", "ä¹Įé²ģæľ¨ é½IJ", "èĤ² 人", "çļĦ æŃ¥ä¼IJ", "延 æľŁ", "æ²¹ æ°Ķ", "åģļ å®Į", "åľ£ åľ°", "丰 åİļ", "宽 带", "åı¯éĿł çļĦ", "åºŃ éĻ¢", "åŃ ľ", "å°ı康 社ä¼ļ", "å®īåħ¨ 管çIJĨ", "å¹´ 第", "æİĴ 污", "èĥĮ åĮħ", "家 ä½ı", "åħ¶å®ŀ å°±æĺ¯", "ä¼ļ è§ģ", "帮åĬ© ä¼ģä¸ļ", "ç½ij è´Ń", "æĺ¯ ä¸įä¼ļ", "飯 åºĹ", "æŃ» åİ»", "åħįçĸ« åĬĽ", "æľ ķ", "åĸĿ äºĨ", "è½» å¾®", "个æľĪ åĨħ", "ç»Ħ åĽ¢", "åĴĮ å®ĮåĸĦ", "é¸ ½", "æıIJ éĢŁ", "西å®ī å¸Ĥ", "ä¸Ńå¿ĥ 主任", "æŶéĹ´ 为", "æľŁ æĿĥ", "è¶ ķ", "ä¸įä»ħ è¦ģ", "æľį ä»İ", "é¡ĺ æĦı", "ä¸į å°ı", "ä¸įå°ı çļĦ", "ç° ĩ", "çª ¦", "åĪĩ æĪIJ", "åĵĪ åĪ©", "天 羣", "ä¸Ģ次 次", "éĩij å¸ģ", "æĢİä¹Ī èĥ½", "ç½ij è´·", "ä¼ļ计 å¸Ī", "çŁŃ 缺", "对 æłĩ", "åıĺå¾Ĺ æĽ´", "åīį åĩłå¤©", "éĺ² æ±Ľ", "彩 èĻ¹", "åĵģ ä½į", "表 æł¼", "严 å¯Ĩ", "æ¯Ľ åĪ©çİĩ", "çļĦ åį±å®³", "å½ķ åĪ¶", "æ°´ åĬ¡", "èĥ½å¤Ł 让", "å¹³ æĿ¿", "ä¹³ æĪ¿", "è¸ı å®ŀ", "é¦ĸ åĪĽ", "é¦Ļ èķī", "æĬ¥ 表", "ä¸Ģ æĬ¹", "åĩºçĶŁ äºİ", "è²» çĶ¨", "åĩº 让", "åIJĪæ³ķ æĢ§", "å°¼ åħĭ", "åĨ° åĨ·", "é¦Ļ æ°Ķ", "åı· 称", "èµ· çłģ", "åŁİ åİ¿", "çİ© èĢį", "ä¸Ĭ éĻIJ", "ä¼ļè®® ç²¾ç¥ŀ", "æĹģè¾¹ çļĦ", "便 ä¼ļ", "æıŃ æĻĵ", "çİ© æĦı", "éĽª å±±", "åIJij çĿĢ", "ä½ĵèĤ² åľ¨çº¿", "说æĺİ ä¹¦", "åĮĸ èĤ¥", "åħļç»Ħ 书记", "åĬ¨ 人", "ä¹ĭ æīĢ", "æľĪ èĩ³", "æľĢå¿« çļĦ", "èĬĤ åģĩæĹ¥", "ä¸ĵ åľº", "èĢĥ ä¸Ĭ", "çª Ł", "é²ľ è¡Ģ", "è¾ĥ强 çļĦ", "æĤĦ çĦ¶", "å¤ļ个 åĽ½å®¶", "çªĹ å¸ĺ", "æŀģ å¤§åľ°", "ä¸įçĶ¨ æĭħå¿ĥ", "è¿Ļä¹Ī åģļ", "åĥ¹ æł¼", "ç¾İ丽 乡æĿij", "å°ıæŶ åĨħ", "ç´§ è¿«", "大 çģ«", "èĥ³ èĨĬ", "æĵįä½ľ ç³»ç»Ł", "æ®ĭ çķĻ", "åĨĻ åĩº", "ç¦ģ å¿Į", "åĬłçĽŁ åºĹ", "è¿ij çĻ¾", "便 åı¯", "æķ´æĶ¹ æݪæĸ½", "éĩĩ访 æŶ", "åĶIJ 代", "æ·±åĮĸ æĶ¹éĿ©", "çŁ ¢", "éĥ½ åĸľæ¬¢", "è¶ĬæĿ¥è¶Ĭ é«ĺ", "èĬ± æľµ", "头 çĸ¼", "å®ī 康", "å¢ŀéķ¿ çİĩ", "çľ¼ çľĭ", "å°±æĺ¯ ä¸ºäºĨ", "èĢĮ 导èĩ´", "åĬłå¿« 建设", "èĬ± æł·", "åĨħå¿ĥ çļĦ", "æĺĨ å±±", "è³ĩ æºIJ", "åĽŀåĪ° 家", "èıĬ èĬ±", "æ°´ éĩı", "å¾ģ ä¿¡", "è¡ĮæĶ¿ åĮº", "ä¹ĥ æĺ¯", "æĬķèµĦ é¡¹çĽ®", "å«ģ ç»Ļ", "ç¥ŀ åľ£", "ç¨ ł", "æľ¬æĿ¥ å°±", "éĢIJ ä¸Ģ", "èģĮä¸ļ æĬĢæľ¯", "ä¸įèī¯ ä¿¡æģ¯", "æīĺ è¿IJ", "åIJ¯ 示", "ä¹ĭ åħ§å®¹", "éŁ ¶", "奢 åįİ", "æıŃ ç¤º", "æĪIJ为 ä¸ŃåĽ½", "æ¶Īè´¹ åĵģ", "åħ¬ çĶ¨", "æIJŀ å®ļ", "请 ä½ł", "æŁ ļ", "åĨħ è¡£", "ä½Ĩ ä»ĸ们", "ä¿Ŀ 湿", "该 åİ¿", "饱 åĴĮ", "æݨ åIJij", "èµĦæĸĻ æĺ¾ç¤º", "ä¸į å½±åĵį", "人 人éĥ½", "åıijå±ķ 壮大", "åħ»èĢģ æľįåĬ¡", "çĶŁæ´» æ°´å¹³", "åIJĦ åİ¿", "ä½ł éľĢè¦ģ", "说 çļĦæĺ¯", "å¤ĸ åªĴ", "æѤ 人", "次 è¦ģ", "追 赶", "åºĶ该 å¦Ĥä½ķ", "æĹ¥ åĩĮæĻ¨", "çķ¥ æľī", "éĥ½ æĥ³", "游 ä¹IJ", "è¿Ļ款 游æĪı", "å¹³ æ·¡", "æĺ¯ä¸Ģ åĢĭ", "å¤ĩ èĢĥ", "åĪ¶ æŃ¢", "ä¸Ģå®ļ èĥ½", "å¾Ĵ å¼Ł", "以 çĤº", "åįĥ åħĥ", "äºĶ åħŃ", "迪 士", "迪士 å°¼", "éĺ³ æĢ§", "åĨ¬å¥¥ ä¼ļ", "å°±æĺ¯ åĽłä¸º", "æĮĤ éĴ©", "æ¦Ĥ åĨµ", "åıªè¦ģ æľī", "æ²¹ çĶ»", "åľ° æłĩ", "ä¸Ĭ è°ĥ", "产ä¸ļ åĽŃåĮº", "åħ« åįģ", "æ£ ±", "液 æĻ¶", "æĿij å§Ķä¼ļ", "çŃ¾çº¦ 仪å¼ı", "è¿Ļ åħ¶ä¸Ń", "åĨĻ éģĵ", "示èĮĥ åŁºåľ°", "éĩİçĶŁ åĬ¨çī©", "鼻åŃIJ ä¿¡ç®±", "åĽ½éĻħ è´¸æĺĵ", "人 æĿĥ", "ä¿Ŀ 管", "èĭ¥ æĤ¨", "åİĭ æĬij", "é» Ľ", "åľ° çľĭçĿĢ", "éĻ °", "ä¸Ģå¹´ å¤ļ", "ä»İ 容", "ä¸Ń æĸŃ", "å¯Ł è§ī", "移 交", "éĶ ¯", "æĪĸ许 æĺ¯", "ç¶ ł", "两 项", "æľĢ åĸľæ¬¢", "æľĢåĸľæ¬¢ çļĦ", "å¤ľ éĩĮ", "åIJĮ ä»ģ", "åĪĽæĸ° 驱åĬ¨", "è°ģ èĥ½", "é£ ¾", "åħī åѦ", "åİ Ħ", "èĦ± é¢ĸ", "èĦ±é¢ĸ èĢĮåĩº", "è¿ ¦", "æĺ¯ ä¸įåı¯èĥ½", "çª ¥", "èĥ½ 满足", "宽 度", "伦 çIJĨ", "åı¯ä»¥ èİ·å¾Ĺ", "转 ä¼ļ", "å±± æĿij", "éĵº 设", "åĩº åĩ»", "æĸĩåĮĸ èīºæľ¯", "ä¼ļè®® 室", "æŃĮ 声", "æ» Ķ", "èIJİ ç¼©", "æľįåĬ¡ åijĺ", "åıij表 äºĨ", "æĸ¼ æĺ¯", "æĺİç¡® è§Ħå®ļ", "ç»´ å¥ĩ", "æ°´ 产", "æĬķ ä¿Ŀ", "éĺ´ éģĵ", "赶 å¿«", "夺 å¾Ĺ", "ä¸ĭ åįķ", "çī©æµģ åħ¬åı¸", "çݯ ç»ķ", "å½ Ī", "ä½ľé£İ 建设", "æĹħ游 æĻ¯åĮº", "æľī æĽ´å¤ļçļĦ", "丰å¯Į å¤ļ彩", "çIJĨè´¢ 产åĵģ", "åĩº å·®", "ä»İ严 æ²»", "ä»İ严治 åħļ", "缸 å¹²", "æ»ĭ 润", "主åĬŀ æĸ¹", "åī§ åľº", "æ»ļ çIJĥ", "æ©Ħ æ¦Ħ", "èĩªä¸» åĪĽæĸ°", "éĢļ å¾Ģ", "æł¼ å°Ķ", "çļĦ ä¼ĺçĤ¹", "èĥĮ ä¸Ĭ", "çª ľ", "çĪĨ åĩº", "å¹³ æķ´", "ä¸Ģ èĦļ", "åħ¨ä½ĵ åijĺå·¥", "éĻIJ å®ļ", "åŁİéķĩ åĮĸ", "æ· ³", "éĢ® æįķ", "è¡ĮåĬ¨ 计åĪĴ", "æīĵ å¾Ĺ", "åİļ éĩį", "纪å½ķ çīĩ", "åĿļ ä¿¡", "央 ä¼ģ", "åĨį ä¹Łä¸į", "天 涯", "åıĤèĢĥ èµĦæĸĻ", "æľī æ¯Ĵ", "åIJ¸ 纳", "è¶Ĭ åıij", "éĩįè¦ģ æĦıä¹ī", "åĽ½éĺ² éĥ¨", "è¿Ļ个 è¡Įä¸ļ", "æĻ® æŁ¥", "å¼Ĥ æĢ§", "延 è¿Ł", "å°ı å¹ħ", "èī² æĥħ", "综åIJĪ æ²»çIJĨ", "æŃ£æĺ¯ åĽłä¸º", "产ä¸ļ ç»ĵæŀĦ", "çłĶ究 æĬ¥åijĬ", "åģľ ä¸ĭ", "éķ¿ èĢģ", "éĩĿ å°į", "åįĹ京 å¸Ĥ", "çģĮ æºī", "转 è¿IJ", "欺 è¯Ī", "éĢł åģĩ", "åĪĨå¸ĥ å¼ı", "æĦŁ 触", "æĪij å½ĵæŶ", "åıij è§ī", "åĽ¾ 纸", "æĶ¹ èī¯", "çĭł çĭł", "åĨ² åĪº", "æĸ° 京", "æĸ°äº¬ æĬ¥", "ç¥ŀ åĻ¨", "秸 ç§Ĩ", "çĪ º", "å°Ĩ è¿İæĿ¥", "å·¥ ä¿¡", "工信 éĥ¨", "éĻIJ éĩı", "æŃ¢ æįŁ", "åѦä¼ļ äºĨ", "åįİ çĽĽ", "åįİ缼 é¡¿", "å¾Į ä¾Ĩ", "ä¸ĭéĿ¢ æĺ¯", "ä¸ĭéĿ¢æĺ¯ å°ı", "æIJ¬ è¿IJ", "ç¾İæľ¯ é¦Ĩ", "æ¸ħ åĩī", "å¤ļå¹´ åīį", "è© ŀ", "åįĥ ç±³", "表 è¿°", "æ±Ł éŨ", "åĬłæ²¹ ç«Ļ", "æľ¬ èĥ½", "导 读", "åĽ´ è§Ĥ", "并 åIJij", "åŁºæľ¬ æĥħåĨµ", "æīĵ å¼ĢäºĨ", "è¿Ļ ä¸ī个", "æ±ķ 头", "强 æľīåĬĽ", "强æľīåĬĽ çļĦ", "è¿Ľ åľº", "ä¹Ŀ æ±Ł", "çIJĥ æĺŁ", "好çľĭ çļĦ", "大 æĪ·", "æ¹ ¯", "å¥ĩ å¦Ļ", "ä¹IJ åĻ¨", "æĪijçļĦ å¿ĥ", "çľī 头", "åĨľä¸ļ çĶŁäº§", "ç¼ĸ çłģ", "åŁº ç¤", "åŁºç¤ İ", "天 æĸĩ", "åĢĭ人 è³ĩè¨Ĭ", "åİ» è¿ĩ", "èģĨ åIJ¬", "æĶ¾ åģĩ", "ä¸į åħ·å¤ĩ", "æ·Ģ ç²ī", "大 佬", "åħ¨ 天", "åħ¨éĿ¢ 建æĪIJ", "éļIJ å½¢", "ç¼ħ çĶ¸", "åIJ ³", "è¡ĮæĶ¿ æī§æ³ķ", "åŁİ åł¡", "èİ« æĸ¯", "èİ«æĸ¯ ç§ij", "æīĢæľī æĿĥ", "éĽĨ åľĺ", "å±Ģ åī¯å±Ģéķ¿", "åĩłä¹İ 没æľī", "æ´ģ åĩĢ", "çĶµå½± èĬĤ", "åŃ© ç«¥", "æīĢ åģļçļĦ", "æ¸ħ 代", "æĸ° çīĪ", "éĵĿ åIJĪéĩij", "为 æĬĵ", "为æĬĵ æīĭ", "åĪ¤ å®ļ", "çī¹ 产", "æīĭ æ©Ł", "ä¸įåı¯ æĪĸ", "ä¸įåı¯æĪĸ 缺", "å¸Ĥåľº è§Ħ模", "åĿ ¯", "åĮ» åѦéĻ¢", "å¿« è¦ģ", "èĮ ľ", "æĬĺ èħ¾", "äºĨ è¿ĩæĿ¥", "æĬ¥åijĬ æľŁåĨħ", "çī© ç§į", "ç»Łè®¡ å±Ģ", "æī© 建", "æ¶ ħ", "责任 人", "éĺ İ", "è¯Ħ è®®", "å¾Ģ äºĭ", "æīĢ 示", "æķ´ æ´ģ", "éĹº èľľ", "æĹħ éĢĶ", "å®ŀ è®Ń", "ä¹ĭ 称", "å·´ 士", "éĢŁåº¦ å¿«", "ä¸įä»ħ å¦ĤæѤ", "å®Ŀè´µ çļĦ", "åºŁ çī©", "æ²³ æ°´", "æİ¥ 纳", "ç²¾ æ¹Ľ", "åħ¶æ¬¡ æĺ¯", "顺 å¾·", "åħ¬åħ± åį«çĶŁ", "è¤IJ èī²", "ä¸į æĥľ", "æĬĢæľ¯ æľįåĬ¡", "æİ ·", "æ±Ĥ èģĮ", "ä¸ī 峡", "æĬķåħ¥ åĪ°", "太 åIJİ", "åIJ¯åĬ¨ 仪å¼ı", "缴æİ¥ å½±åĵį", "æĸ° 款", "个 乡éķĩ", "çĻ¾ 亿", "åº «", "ä¹Ł æŃ£æĺ¯", "åı¶ çīĩ", "æľĢæĹ© çļĦ", "æĪĺ 绩", "å·¥ æľŁ", "æĻļ æľŁ", "è¿Ļæł· 说", "è¯į è¯Ń", "ä¾ Ħ", "æķ£ çĥŃ", "éĽĨæĪIJ çĶµè·¯", "åIJį è¯į", "æĻº åķĨ", "æĭ¥ åłµ", "çĭĤ 欢", "è¿Ļ èĪ¬", "æµ´ 室", "åijķ åIJIJ", "æľªæĿ¥ åıijå±ķ", "ä¸īä½į ä¸Ģä½ĵ", "åªĴ é«Ķ", "ä¸įå¾Ĺ 转载", "åĽłä¸º 她", "æĺ¾ç¤º å±ı", "ä¾Ľ æļĸ", "éĨ« éĻ¢", "æľī æĦıæĢĿ", "æľīæĦıæĢĿ çļĦ", "娱ä¹IJ åŁİ", "åįµ å·¢", "åĪĽéĢł åĬĽ", "ç«ł èĬĤ", "人大 常å§Ķ", "èĢĮ çİ°åľ¨", "å¤ĸ å©Ĩ", "å¢ŀ æĮģ", "äºĶ åįĥ", "èĢģå¸Ī 们", "æ´Ľ æĿī", "æ´ĽæĿī 磶", "æİĮæı¡ äºĨ", "ä¸ŃåĽ½ æĸĩåĮĸ", "æĸ° æĶ¿", "主è¦ģ çĶ¨äºİ", "åıij çĥ§", "类似 äºİ", "åĮĹ æŀģ", "æĪij们 认为", "å¼¥ 漫", "åħ¨çIJĥ ç»ıæµİ", "é¢ IJ", "ä¸Ģèµ· è£ħä¿®", "æĶ Ĵ", "æĭī èIJ¨", "帶 ä¾Ĩ", "åĨ· æ°´", "ä¸ī åĨľ", "æĿ¿ æĿIJ", "è¿ŀ è¿ŀ", "éĵ ®", "ç»ıèIJ¥ çIJĨ念", "å±± 顶", "å¾Ī æĥ³", "çĺ «", "å§ĭç»Ī ä¿ĿæĮģ", "åľ¨ 广å·ŀ", "ä¸įåIJĮ æĦı", "åıĺ åİĭ", "åıĺåİĭ åĻ¨", "产 éĶĢ", "表 éĿ¢ä¸Ĭ", "æīĢ以 ä»ĸ", "ç»ıéªĮ 丰å¯Į", "éĥ¨ å§Ķ", "åħµ åĽ¢", "æīĢ è¿°", "æķ¦ çħĮ", "ç»ıèIJ¥ èĮĥåĽ´", "åı£ è¯Ń", "失 ä¿¡", "æ¯ı个人 çļĦ", "æīĭ æĮģ", "æģIJ æħĮ", "åł¡ åŀĴ", "é¦ ħ", "éĵ¸ éĢł", "æĭ¿ åĩºæĿ¥", "æİ¢ æµĭ", "大家 ä¸Ģèµ·", "å¥ §", "å®ŀè´¨ æĢ§", "å°ı åĦ¿", "èĩº åįĹ", "èĩºåįĹ å¸Ĥ", "å¼Ģåıij èĢħ", "åı¯ æł¹æį®", "ç®± åŃIJ", "饺 åŃIJ", "å¿Ļ çĿĢ", "æĿ¥ ä¸įåıĬ", "缸 ä¼ł", "åĽ½ ç½ij", "èħ¹ æ³»", "è¿ĻéĩĮ æľī", "é£İ æĻ¯åĮº", "åıĤ ä¿Ŀ", "æŃ» èĢħ", "æĪ´ ä¸Ĭ", "æ©Ł æ§ĭ", "è¯ķéªĮ åĮº", "ä¼ł æİĪ", "æµ· è¾¹", "泪 æ°´", "缸åħ³ åĨħ容", "éĥij å·ŀå¸Ĥ", "åħij çİ°", "两 åij¨", "èĬľ æ¹ĸ", "çĶµåŃIJ ä¿¡æģ¯", "红 å¤ĸ", "æĹħ游 å±Ģ", "å¾Ģå¾Ģ ä¼ļ", "è¿ħ çĮĽ", "ä¼ł 羣", "æ¸ħ æ¾Ī", "å°± è¿ij", "微信 群", "ç³»åĪĹ æ´»åĬ¨", "ç»ı常 ä¼ļ", "è§Ĥ æµĭ", "å¿ĥå¾Ĺ ä½ĵä¼ļ", "éĻĪ åĪĹ", "åĮĹ æĸĹ", "è« ®", "è«® è©¢", "è¿ĺæĺ¯ ä¼ļ", "æµĭ ç®Ĺ", "æĺŁ ç©º", "宽 容", "çī©ä¸ļ åħ¬åı¸", "æĪĴ æĮĩ", "å¸ħ æ°Ķ", "ä¸ĢæŃ¥ æŃ¥", "åħ± 鸣", "åĨ³ ä¸į", "æİ¥ 管", "å¦ĩ èģĶ", "æ¯Ķ åĸ»", "é²ģ è¿ħ", "æĮģ çºĮ", "缸 亲", "å¨ģå°¼æĸ¯ 人", "ç«ĭ 项", "åĪ Ŀå§ĭ", "èĩª åĪ¶", "è¿Ī è¿Ľ", "ä¸Ĭ æ±½", "å®ı ä¼Ł", "æł¹æľ¬ 没æľī", "æĸ°åĨł çĹħæ¯Ĵ", "åĵª ç§į", "康 åħ»", "è¡° èĢģ", "å½ķ åĥı", "é«Ķ é©Ĺ", "ç»ij å®ļ", "é¢Ŀ 头", "äºĶ æľĪ", "èĬ± å¼Ģ", "ä¸Ģ线 åŁİå¸Ĥ", "åĪ° åľº", "æĬķ éĻį", "çĹĺ çĹĺ", "åıĹ ä¸įäºĨ", "æīİ æł¹", "æĽ´ ä½ķåĨµ", "æĬ½ æŁ¥", "åĩº è·¯", "审议 éĢļè¿ĩ", "ä¸į åĥħ", "èī² è°ĥ", "çĻ¾ ä½Ļ", "èĤł éģĵ", "æ·±åİļ çļĦ", "马 åĬĽ", "æĹ© æĻļ", "æŃĮ èĪŀ", "éĺ² æĻĴ", "æľĢåIJİ ä¸Ģ个", "樱 èĬ±", "å°ıä¼Ļ åŃIJ", "åľ¨ å½ĵåľ°", "å°ıä¼Ļä¼´ 们", "èµ· æºIJ", "åħ¨ åªĴä½ĵ", "ç° ½", "éħ± æ²¹", "æĹłè®º å¦Ĥä½ķ", "裤 åŃIJ", "åģľ 产", "ä¸įçĶ± å¾Ĺ", "çīµ å¼ķ", "ä¼ł åĬ¨", "ä¹Ŀ é¾Ļ", "åĬł åĽº", "ä¹Łä¸į æķ¢", "æĬĢæľ¯ æĶ¯æĮģ", "ä¸Ĭ å²Ĺ", "ç»ıéªĮ åĴĮ", "æł¼ æŀĹ", "åIJ¸ éĻĦ", "æľªæĪIJ å¹´", "奢ä¾Ī åĵģ", "追 æį§", "好 ä¸į容æĺĵ", "èķ´ åIJ«", "ä¿Ŀ å®ļ", "æĬ¥ ä¸ļ", "æµ· åĨħå¤ĸ", "ä½ł çİ°åľ¨", "æ²¹ èĢĹ", "è´¨éĩı 管çIJĨ", "æ½ľ æ°´", "丽 æ±Ł", "转 åħ¥", "è¿Ļä¹Ī ä¹ħ", "æĺİ ä»£", "责任 åĪ¶", "éĩį å·¥", "大 å·´", "触 åıĬ", "èµ· åĪĿ", "大 å¦Ī", "æĸ¯ å¡Ķ", "åĨĽ å·¥", "书 éĻ¢", "å³ ¨", "æݨ çIJĨ", "è¿Ļç¯ĩ æĸĩç«ł", "è¿ģ 移", "åľ¨ åIJĮä¸Ģ", "ç»Ĩ ç»Ĩ", "åīĬ å¼±", "书 æĪ¿", "ç¶ĵ 常", "è¯ķ é¢ĺ", "æĤ£ ä¸Ĭ", "çĻ«çĹ« çĹħ", "åĨ² æ´Ĺ", "å¤ĸ æı´", "åħĭ åĪ¶", "åįģ æľĪ", "åģļ ä¸įåĪ°", "ç¾İ åĮĸ", "å¦Ĥ æľŁ", "è¿ĺ éľĢ", "天 åºľ", "å°± æĦıåij³çĿĢ", "çļĦç¡® æĺ¯", "éªĹ å±Ģ", "å°ıç»Ħ èµĽ", "è© ©", "ä¹Ŀ å¹´", "æĻĵ å¾Ĺ", "çłĶ究 人åijĺ", "大 éħĴåºĹ", "ç§ij åѸ", "åħŃ åIJĪ", "çķĮ å®ļ", "车 è½½", "å¼Ģ çĿĢ", "毫 æĹłçĸij", "毫æĹłçĸij éĹ®", "è¿IJ ç»´", "ç¦ģ åĮº", "èĦ± èIJ½", "讲 å¸Ī", "产ä¸ļ åŁºåľ°", "é«ĺ æĢ§èĥ½", "åħī 彩", "çİ° éĺ¶æ®µ", "åĩ ¿", "è¾ĥ å·®", "饮 çĶ¨æ°´", "éĸĭ çĻ¼", "ç½ij åIJ§", "çĮ´ åŃIJ", "æѦ æŀĹ", "å®ī åİ¿", "ä¸įåı¯ æĢĿ", "ä¸įåı¯æĢĿ è®®", "éĬ· åĶ®", "è´« ç©·", "为 åķ¥", "éº ĵ", "å¹¾ åĢĭ", "è§Ħ模 以ä¸Ĭ", "æı ļ", "被 åĽ°", "缺 å¸Ń", "å¿« é¤IJ", "æĬ¢ åįł", "æĻ Ł", "å¤į æ´»", "æľ¬æĬ¥ 讯", "åĪĽ ä¸ĭ", "æµ· 滩", "éĩı 产", "å¦Ĥä½ķ åİ»", "车 ä½į", "å¯ ĩ", "äºĮ åįģåĽĽ", "ç»ıæµİ æįŁå¤±", "éħįå¥Ĺ 设æĸ½", "åŁºæľ¬ éĿ¢", "äºī 论", "就好 åĥı", "çłĶ究 æĪIJæŀľ", "éĻĪ è¿°", "æīĵ åĬ¨", "ä¸ĭ å·´", "ç§Ĵ éĴŁ", "对 人ä½ĵ", "æĬĢæľ¯ çłĶåıij", "åİŁ åŃIJ", "æĺ¯ä¸Ģ 项", "äºĨä¸Ģ 份", "æĮĩ çĶ²", "çĶ¨ éĩı", "è¿ĺä¸į å¤Ł", "æĶ¿åºľ éĩĩè´Ń", "çŁ¥è¯Ĩ çĤ¹", "ä¸ŃåĽ½ 梦", "å¾Ī å¼Ģå¿ĥ", "礼 è²Į", "éĿŀ常 å¤ļ", "éĿŀ常å¤ļ çļĦ", "åĽ ļ", "æĹħ é¦Ĩ", "å°½ æĥħ", "æŃĮ åĶ±", "æ²Ļ é¾Ļ", "车 åİ¢", "客 æµģ", "åģı å·®", "积累 äºĨ", "æ¡ Ķ", "çĶ» çĶ»", "ä¹Ł åºĶ该", "åºĶçĶ¨ ç¨ĭåºı", "èĥĥ èĤł", "以 å¾Į", "豪 å®ħ", "æ·± åĬłå·¥", "缴 è¨Ģ", "åĮĸ çŁ³", "åĽ½ éģĵ", "ä¸ĥ 个", "ä»İèĢĮ 使", "èĤł èĥĥ", "æĹ¥ è¶ĭ", "çĪ¶ åŃIJ", "ç· ©", "æĭĽ çīĮ", "产 å¦ĩ", "çķª èĮĦ", "æĪij éĻ¢", "建çŃij å·¥ç¨ĭ", "å±ķè§Ī ä¼ļ", "家éķ¿ 们", "åĨľ ä½ľçī©", "æĹ¥ å¤ľ", "æĶ» æĵĬ", "è§Ħ éģ¿", "èĪŁ å±±", "便 æ°ij", "åħ« åŃĹ", "ä¸į æĽ¾", "æĶ¯ éħį", "çĨ¬ å¤ľ", "人 é¡ŀ", "ç´Ģ éĮĦ", "ç»ıèIJ¥ æ´»åĬ¨", "大 涨", "å¸Ĥå§Ķ 常å§Ķ", "åĪĨ éIJĺ", "ä¸Ģ个 èģĮä¸ļ", "çĹħ åĽł", "è¿Ļ 对äºİ", "ä¸įå¾Ĺä¸į 说", "åıijçĶµ æľº", "æľīæīĢ 帮åĬ©", "缮æłĩ ä»»åĬ¡", "åĽł åľ°", "åĽłåľ° åĪ¶", "åĽłåľ°åĪ¶ å®ľ", "å°Ĩ è¾¾åĪ°", "ç²Ĺ ç³Ļ", "稳 åĽº", "å« £", "çİ°åľ¨ å¾Īå¤ļ", "ä¸ĸçķĮ 级", "å¼ł æŁIJ", "çĤ¹ ç¼Ģ", "èij µ", "社ä¼ļ ç»Ħç»ĩ", "å¾Ģ åIJİ", "åĬł æģ¯", "åĻª 声", "æľī åħ´è¶£", "为æĤ¨ æıIJä¾Ľ", "æ²¹ æ¼Ĩ", "ç¬¬åĽĽ å±Ĭ", "çļĩ 宫", "ä¹Ĵ ä¹ĵ", "ä¹Ĵä¹ĵ çIJĥ", "éļ¨ èijĹ", "éģ© åIJĪ", "åįĹ éĿŀ", "æĵ ´", "西 æ´ĭ", "åĬł å¯Ĩ", "æĪIJåĬŁ 举åĬŀ", "åı£ æ°´", "æĪIJ 年人", "æīĢ æıIJä¾ĽçļĦ", "éļĶ å£ģ", "åľ¨ 京", "å½ĵåľ° æŶéĹ´", "çŃī åIJĦç§į", "é£İ æ°Ķ", "å±ĭ éĩĮ", "ä¸Ģ åŃĹ", "çļĦæŶéĹ´ éĩĮ", "åĺ¿ åĺ¿", "å¿« 讯", "ä¸Ń åľº", "ä¸Ģ çĵ¶", "æ» ķ", "é¢Ĩ è·ij", "好 èݱ", "好èݱ åĿŀ", "没 åħ³ç³»", "åĩº å¢ĥ", "ä¸įæĺ¯ ä¸Ģ个", "éĥ½æĺ¯ éĿŀ常", "éľĩ åĬ¨", "èİ· èĥľ", "åįļ å¼Ī", "æĬļ åħ»", "对 ç«ĭ", "æľįåĬ¡ æľºæŀĦ", "è°£ è¨Ģ", "社ä¼ļ ç§ijåѦ", "åIJ¬è¯´ è¿ĩ", "æī ³", "æīĵ 磨", "åı£ æľį", "好 åĥıæĺ¯", "以åıĬ åħ¶ä»ĸ", "çī¹ è´¨", "亲 è¿ij", "ä¸Ģ ç»ı", "æ¶ Ŀ", "éŃĶ æľ¯", "éģĵè·¯ 交éĢļ", "è§Ħ模 æľĢ大", "å®ŀæĸ½ æĦıè§ģ", "ä¹ ŀ", "ä¸Ģ ä¸ĸ", "åŁ· è¡Į", "è±Ĩ çĵ£", "åĪĹ ä¸º", "æķħ 宫", "çĶŁ åij½åij¨æľŁ", "ä¸īç§į èģĮä¸ļ", "详ç»Ĩ ä»ĭç»į", "å®Į å¤ĩ", "岩 çŁ³", "éļı æīĭ", "é£ ²", "æķĪæŀľ åĽ¾", "ç§ĭ åĨ¬", "åĬŁ å¾·", "è§Ħç«ł åĪ¶åº¦", "æĹ¥ æ¸IJ", "æīĢ éľĢè¦ģ", "æīĢéľĢè¦ģ çļĦ", "å²Ľ ä¸Ĭ", "åĩº åľŁ", "åĽ¾ æĸĩ", "ç§ijæĬĢ è¿ĽæŃ¥", "éĢļ èĥĢ", "èĢģ 太太", "èĭĹ æľ¨", "éĵ¶ å·Ŀ", "å¸IJ 篷", "éĿŀ è¦ģ", "éħį çĶµ", "å¤Ħ å¢ĥ", "èĤ¡æĿĥ æĬķèµĦ", "ä¸Ģ缴 åĪ°", "åĿĩ çĶ±", "æĬĹ æĹ¥", "æį® ä»ĭç»į", "ä½ł åĸľæ¬¢", "åĪĽæĸ° åŀĭ", "åıĺ è¿ģ", "è§Ĩ å¯Ł", "å®Įåħ¨ 没æľī", "åħĥ æŦ", "åı¯ ä¿¡", "åı¦ è¡Į", "æĿij 级", "åħ¥ åľº", "æIJŃ æ¡£", "ä¹Ł åĽłæѤ", "æį¢ æĪIJ", "ä¸į è´Ł", "äºĨ 大éĩıçļĦ", "éģĶ åĪ°", "å¸Ĥ åİ¿", "å¹´ è¼ķ", "å¿« æīĭ", "å¸Į å°Ķ", "èĩª èIJ¥", "éĽª èĬ±", "æIJ ģ", "çľ¼ ç§ij", "æŃ£ 確", "çļĦ 姿æĢģ", "åĿļå®ŀ çļĦ", "æĮĩ 纹", "æªĶ æ¡Ī", "ç½® äºİ", "佩 æľį", "豪 éŨ", "åĵ Ĵ", "æģ° 好", "檢 æŁ¥", "åĪĿ è¡·", "大 åĶIJ", "约 ä¼ļ", "èĴ¸ åıij", "çŃ¹ åĪĴ", "å¹´ ç»Ī", "è¡Į æ¥Ń", "åħ± éĿĴ", "åħ±éĿĴ åĽ¢", "ä¼ļ å¼ķèµ·", "ä¸Ń ç§ij", "ä¸Ńç§ij éĻ¢", "æĮ¯ åĬ¨", "åį´ åıijçİ°", "ä¸įåĬ¨ 产", "èĮ ¹", "æĪ¿éĹ´ éĩĮ", "è´§å¸ģ æĶ¿çŃĸ", "æ²» çĻĤ", "æħİ éĩį", "å¡ŀ å°Ķ", "åĽ½ ç±į", "åĽł æŀľ", "çŃī çī¹çĤ¹", "å±± è°·", "ä¸ĭ è¼ī", "è®ĵ æĪij", "饮 éħĴ", "è¿Ļ个 游æĪı", "ç»Ŀ 大éĥ¨åĪĨ", "åĴ¨è¯¢ æľįåĬ¡", "å¹² æ´»", "è®® ä¼ļ", "æ¦Ĥ è¿°", "åĪĨ åĮº", "æŃ» åIJİ", "ç«Ļ çĿĢ", "主è¦ģ é¢Ĩ导", "åIJĮ åŁİ", "大 æłij", "对 åѦçĶŁ", "社ä¼ļ ä¿ĿéĻ©", "å¢ŀ èµĦ", "主人 åħ¬", "å®£ä¼ł æķĻèĤ²", "æĸĩåĮĸ 交æµģ", "客 æĪ¶", "çŁ¥åIJį åĵģçīĮ", "æ»ŀ åIJİ", "äºĴ è¡¥", "æĦŁ 人", "åī ¿", "åIJİ ä»£", "äºī 龸", "æķĻèĤ² åŁ¹è®Ń", "éĿĻ èĦī", "ä¹ı åĬĽ", "说 åĩºæĿ¥", "çİĭèĢħ èį£èĢĢ", "åĢ «", "åįĩ èµ·", "éķ ģ", "åĩº 游", "éĢļè¡Į è¯ģ", "å·¥ä½ľ å²Ĺä½į", "åĮł å¿ĥ", "æĭ¿ æĿ¥", "æ´Ĺè¡£ æľº", "æĪijä¸į æĥ³", "é¢Ħ è§ģ", "æ¼Ķ 示", "ä¸Ģ缴 没æľī", "è·Ł 她", "对çħ§ æ£ĢæŁ¥", "ç° ¿", "ä¸ĵ å¿ĥ", "è®® äºĭ", "åīį 端", "åį¡ å°Ķ", "è¨Ń å®ļ", "设置 äºĨ", "å©ļ 纱", "åľ¨ åĽ½å¤ĸ", "åı³ 侧", "è³¼ çī©", "å¥ĩ èij©", "å¢ŀåĬł åĢ¼", "好 è¿IJ", "åĽ½éĻħ æľºåľº", "ä¸ĭ 称", "缮åīį 为æŃ¢", "ç¥ŀ ä»Ļ", "å®ĥ åı¯ä»¥", "æ¾Ħ æ¸ħ", "èĥ½ 使", "游 åĩ»", "游åĩ» éĺŁ", "åĩ ¹", "ä¸įè¦ģ åĨį", "åĨ³ èĥľ", "åĨ³ æĪĺ", "æĭ ½", "缼 åħ¸", "å¾Ī好 åľ°", "æľĢ ç¾İçļĦ", "åĥ ļ", "å·´ åŁº", "å·´åŁº æĸ¯åĿ¦", "æľĢ éĢĤåIJĪ", "é«ĺ èģĮ", "ä¿Ŀ å§Ĩ", "æİĪ æ¬Ĭ", "说åĪ° è¿ĻéĩĮ", "æݨ å¼Ģ", "çİĩ è¾¾", "ä¸īåĪĨ ä¹ĭä¸Ģ", "管çIJĨ ä¸Ńå¿ĥ", "交 æ±ĩ", "森æŀĹ åħ¬åĽŃ", "å¾Ģ ä¸Ĭ", "éªij è¡Į", "æį® æѤ", "纽 带", "ç» ŀ", "ä¸ī æĸ¹", "æĦıä¹ī ä¸ĬçļĦ", "æݨ è¿Ł", "å¤ļæł· æĢ§", "æĥ³ èµ·äºĨ", "æİĴåIJį 第", "å·¨ é¢Ŀ", "æĿŁ ç¼ļ", "å®ī å®ļ", "äºĭ 實", "çļĦ æĦ¿æľĽ", "è£ħå¤ĩ åĪ¶éĢł", "人 å±ħ", "人å±ħ çݯå¢ĥ", "å¿ĺè®° äºĨ", "该 游æĪı", "楼 ä¸Ĭ", "å¼Ģ ä¼ļ", "æģ ³", "åıĭæĥħ éĵ¾æİ¥", "ç¡ Ĵ", "ç»ĻäºĪ äºĨ", "åģı 好", "åĵ ī", "交éĢļ å®īåħ¨", "éĽ Į", "æ²» çĹħ", "è§īå¾Ĺ å¾Ī", "衬 è¡«", "å¿ĥ æĦ¿", "æ´ŀ å¯Ł", "æ°ij æ£Ģå¯ŁéĻ¢", "æıIJ çĤ¼", "è¦ģ è¿Ľä¸ĢæŃ¥", "驾 车", "æĻ® æĥł", "æķ ĸ", "ç¦ı éŁ³", "éĢģ è¾¾", "è§ĦåĪĴ 设计", "æīĭ å¥Ĺ", "å®ī ä¿Ŀ", "è¿ĺä¸į å¦Ĥ", "åīį è¿°", "æłĩ è®°", "ç´§ æİ¥çĿĢ", "æ§ IJ", "深深 åľ°", "满满 çļĦ", "æĺ¥ è¿IJ", "æĹ¥ 产", "çĪ± æĬ¤", "åħ¨ æĹ¥", "åħ¨æĹ¥ åĪ¶", "转 åĬ¨", "ç¥Ń ç¥Ģ", "ä¹° ä¸ľè¥¿", "对 æľªæĿ¥", "æ¶Ī失 äºĨ", "åļ´ éĩį", "ä¸ī æĿ¡", "éħ¸ 奶", "éĽĨåĽ¢ èĤ¡ä»½", "西 è·¯", "åıª å¾Ĺ", "éĢģ åİ»", "çĭł æĬĵ", "åĪ©çĶ¨ çİĩ", "ä¸ĭ åij¨", "å¥ĭ æĪĺ", "æĺ¥èĬĤ æľŁéĹ´", "è´Ł 责任", "æĺĤ è´µ", "å°¾ å·´", "ç¯ĩ æĸĩç«ł", "åħ ®", "è®Ĭ æĪIJ", "å¹ ¹", "çĻ» éĮĦ", "ä½ Ī", "å·¥ åĮł", "åĵªæĢķ æĺ¯", "åıį åĵį", "ç§ ĥ", "åĩº 轨", "æĹ¥ åĨĽ", "åIJį èªī", "æķı éĶIJ", "æľįåĬ¡ æ°´å¹³", "çħ§ å°Ħ", "ä¼Ĭ æĭī", "ä¼Ĭæĭī åħĭ", "åĨħ éĺģ", "èĬĴ æŀľ", "ä¸ĩ åĪĨ", "éĢĢ 款", "缴æĴŃ éĹ´", "æĭ¿ åĪ°äºĨ", "å°İ èĩ´", "空æ°Ķ ä¸Ń", "客æĪ· æľįåĬ¡", "è¿IJ åĬ¿", "ç»ĵ çŁ³", "ä¸į å¿ħè¦ģçļĦ", "èĥ¶ åĽĬ", "çIJĨ ä¼ļ", "æĬ½ åĩº", "空æ°Ķ è´¨éĩı", "æ¯ķ ç«Łæĺ¯", "åĨ· æ¼ł", "ä¸Ģ å¦Ĥ", "ä¸Ģå¦Ĥ æĹ¢", "ä¸Ģå¦ĤæĹ¢ å¾Ģ", "æĤ£ çĹħ", "åĬł æĮģ", "èµŀ åĬ©", "é« ®", "åij½ ä¸Ń", "æĦıä¹ī ä¸Ĭ", "ä¸į èĪį", "åģļ 梦", "æīĵ æī«", "æĺŁ åħī", "æĸŃ è£Ĥ", "åħ¨ å¥Ĺ", "è£ģ å®ļ", "马 åħĭæĢĿ", "骨 骼", "ä¸Ģ è·¯ä¸Ĭ", "å®ļ æŶ", "å·¥ç¨ĭ æĬĢæľ¯", "å½¼ å¾Ĺ", "æ±² åıĸ", "ä¸Ģ è§Ī", "åIJµ æŀ¶", "ä¿Ĺ 称", "æłª æ´²", "åºŁ æŧ", "è¡Į æĺŁ", "åıijçĶŁ åıĺåĮĸ", "é¦ĸ ä»ĺ", "åįģåĪĨ éĩįè¦ģ", "æĬĬ è¿ĻäºĽ", "ç¥ŀ å·ŀ", "æıIJä¾Ľ åķĨ", "æ¥ ·", "å± İ", "çĬ¶ åħĥ", "åŁİ å¢Ļ", "çľĭ ä¸Ģçľĭ", "çĶŁäº§ èĥ½åĬĽ", "åŁºæľ¬ä¸Ĭ éĥ½", "æīĵ æī°", "åĪĿ 次", "åĩº 示", "åħ¶ä¸Ń ä¸Ģ个", "çĶŁæĢģ ç³»ç»Ł", "æīĭ æİĮ", "æµİåįĹ å¸Ĥ", "åľĭ åħ§", "æŃ£ åĢ¼", "å¹¾ ä¹İ", "æݨèįIJ éĺħ读", "è¿Ń 代", "è°ĥ ä¾ĥ", "饮 åĵģ", "å¢Ļ ä½ĵ", "åıĺ çİ°", "äºĨ 好", "äºĨ好 åĩł", "ä¸į çķĻ", "çĪ ²", "å°½ æĹ©", "æŃ£åľ¨ è¿Ľè¡Į", "åĩº éĻ¢", "æĿĢ 害", "æıIJ 款", "åıijå±ķ 空éĹ´", "åīį 身", "ä¸įæĸŃ å¢ŀ强", "æ·± å±Ĥ次", "容 纳", "éĤ£ 份", "å·¥ä½ľ æķĪçİĩ", "æľ¬ åĽ½", "失 èIJ½", "æŃ£ åĽłä¸º", "èĬĤ æ°´", "ä¸ĭ ä¸Ģ代", "çłĶåıij ä¸Ńå¿ĥ", "ä¸į çIJĨ", "å®Į 好", "ä¿ĿæĬ¤ åĮº", "ç»ĵæŀĦ è°ĥæķ´", "å¥ł å®ļ", "宣 称", "éĺ» æĮ¡", "æĴ¤ 离", "ä¸į æĸ¹ä¾¿", "åĴ ķ", "ç¬ijäºĨ ç¬ij", "çݯå¢ĥ 污æŁĵ", "ä½ı æĪ·", "ç»Ŀ ç¼ĺ", "éĻ¤ å°ĺ", "é«ĺ å°ļ", "æĢİä¹Ī åı¯èĥ½", "éĿ¢ èī²", "åķĨ æ¥Ń", "çĸ ¹", "èµĦæºIJ ä¼ĺåĬ¿", "è¾ĸåĮº åĨħ", "èĢĢ çľ¼", "æij§ æ¯ģ", "ä¸ĸçķĮ ç»ıæµİ", "å¼ķ æĿ¥", "ä¸Ģ åĪĻ", "æĭĩ æĮĩ", "æĬµ 御", "éĽ į", "åĩĨå¤ĩ å·¥ä½ľ", "çıł ä¸īè§Ĵ", "ç¨Ģ åľŁ", "èİ·å¾Ĺ æĦŁ", "æĪIJåĬŁ çİĩ", "ç½ij 约", "ç½ij约 车", "èĦ IJ", "æķ¬ ä¸ļ", "éĩij ä»·", "ç²¾ é«ĵ", "ä¹° 车", "åħ³ åı£", "åĨį å¤ļ", "æŀģ åĵģ", "åIJĦ 家", "举æĬ¥ çĶµè¯Ŀ", "èļ Ĭ", "æĸ¹ å½¢", "ç§ijæĬĢ æĪIJæŀľ", "æľĢ好 æĺ¯", "éĹ® åĢĻ", "红 éħĴ", "åĽĽ ç§į", "ç¿Ĵ æħ", "ç¿Ĵæħ £", "åŀ ¦", "éĤ£ åıª", "é¢Ĩ æĤŁ", "çľ¼ éĥ¨", "æ³° å®ī", "ä»» æľŁ", "磨 æįŁ", "æĽ¿ æį¢", "åħ¸ 礼", "符åIJĪ æĿ¡ä»¶", "è¿ĺæľī ä»Ģä¹Ī", "åħ±äº« åįķ车", "åı¯ åĪĨ为", "åŃ£ åIJİ", "åŃ£åIJİ èµĽ", "举èİŀ å¸Ĥ", "å¿ĥ æĦı", "æīŃ æĽ²", "ä½ľä¸º ä¸Ģç§į", "è¿Ļ éĥ¨åĪĨ", "åıĤä¸İ åĪ°", "ç½ij çIJĥ", "實 çı¾", "ç»Ħ è£ħ", "åIJij å¤ĸ", "å·¥ä½ľ æĸ¹æ¡Ī", "åįģ æĿ¡", "課 ç¨ĭ", "颤 æĬĸ", "åĵ ©", "éĤ® å¯Ħ", "äº ¢", "åħį è²»", "ç§ ¤", "åºĶæĢ¥ 管çIJĨ", "åĽĽ äºĶ", "éºĴ éºŁ", "å¾Ĵ æŃ¥", "è¨ĺ å¾Ĺ", "çĴ IJ", "æĺ¯åIJ¦ ä¼ļ", "æĦıè§ģ åıįé¦Ī", "éļ¾ æĢª", "çª į", "交 æİ¥", "两 åįĥ", "æĩī çĶ¨", "æľŁ éĸĵ", "æIJ¬ åĪ°", "è®® é¢ĺ", "碧 æ¡Ĥ", "碧æ¡Ĥ åĽŃ", "åģļ çĶŁæĦı", "éĻĽ ä¸ĭ", "è· ĭ", "èĢģ人 家", "带 åĽŀ", "æŀ¸ æĿŀ", "è¡Į éķ¿", "åĨħ容 ç®Ģä»ĭ", "æ¢ ¢", "æĮĩ æݧ", "éĩį çĹĩ", "ç½ijåıĭ 们", "çı¾ 代", "ç±» 产åĵģ", "å¥Ķ æ³¢", "æ¸ º", "ç²ī ç¢İ", "è¿Ļ åıªæĺ¯", "æ£Ģå¯Ł æľºåħ³", "é½ Ĭ", "æĪ¿ 秣", "å¾· æĭī", "å²ģ 以ä¸Ĭ", "纯 åĩĢ", "åĪĨå¸ĥ åľ¨", "èĥ½ å¾ĹåĪ°", "ä¸į å°½", "ç«ŀ ä»·", "çļĦ 带é¢Ĩ", "çļĦ带é¢Ĩ ä¸ĭ", "ä¸Ńèį¯ æĿIJ", "æĿij éķĩ", "ä¸įåı¯ éģ¿åħį", "éľ² 天", "å°ı å§ijå¨ĺ", "çī© 件", "èijĹä½ľ æĿĥ", "æĭĺ çķĻ", "éĥ½ è§īå¾Ĺ", "æĽ² æĬĺ", "æ·»åĬł åīĤ", "åı¬ åĽŀ", "æīİå®ŀ æİ¨è¿Ľ", "æĬĦ è¢Ń", "åĮĸ 身", "缴 èIJ¥", "ä¹Ł å¸ĮæľĽ", "èį£èªī 称åı·", "åįĸ ç»Ļ", "æľī ä¸įåIJĮçļĦ", "å¥ĩ çī¹", "éĥ½ 认为", "å¦ ŀ", "æĪIJéķ¿ 为", "辩 æĬ¤", "主 æķĻç»ĥ", "æ³ķå¸Ī èģĮä¸ļ", "æ¤į åħ¥", "ç´¢ å°¼", "åIJ¬ è¿ĩ", "ä¹łæĥ¯ äºĨ", "夺 åıĸ", "éŁ ĵ", "æľ¬è´¨ ä¸Ĭ", "æİ¥ åĬĽ", "äºij 端", "è¦ģ åģļ好", "è·¯ çģ¯", "åįıåIJĮ åıijå±ķ", "æľī å¾ħ", "æ°´ åŁŁ", "æIJľçĭIJ é¦ĸ页", "è´¨éĩı å®īåħ¨", "åįģäºĮ äºĶ", "åĵ® åĸĺ", "èĵ¬åĭĥ åıijå±ķ", "åIJį 声", "身 亡", "çİĭ åºľ", "åİŁåĪĻ ä¸Ĭ", "çĥĺ å¹²", "éģĹ æ¼ı", "éĿ¢ 缮", "åĽ½ ä¼ļ", "ä¸Ģ缴 éĥ½æĺ¯", "æľīä¸Ģ ä½į", "éħį æľī", "éĻª çĿĢ", "ä¼ģ åĽ¾", "æĮī ä¸ĭ", "èĵĿ åĽ¾", "æ© ĺ", "大å¤ļ æĺ¯", "辩 论", "æĹĭ å¾ĭ", "æĬ¥ éĢģ", "æĿ¡ è§Ħå®ļ", "åĬ¨ éĿĻ", "åĮĪ 奴", "æĭľ 访", "ä¸Ģ åĪĢ", "ä»ĸ çŁ¥éģĵ", "主 æĿĥ", "ä»ĸ æĽ¾", "æĴŃ ç§į", "å£ģ åŀĴ", "çī¢è®° 使åij½", "åľ¨è¿Ļ æĸ¹éĿ¢", "æīĭ èħķ", "æĶ¯ æŀ¶", "ä¾Ĩ èĩª", "éĩį å¡ij", "å¤ļ å±Ĥ次", "ä»ĭ è´¨", "éĿ¢ åŃĶ", "æ½® 湿", "åİ¿ åŁŁ", "游æĪı å½ĵä¸Ń", "å£ ŀ", "åĪĹ åĩº", "èµĽ åĮº", "å¤ļ åįĬ", "éĩįçĤ¹ å·¥ä½ľ", "æĪij们 å¿ħé¡»", "æŁı æŀĹ", "é²ģ èĥ½", "æĸ½ å±ķ", "åIJĦ åĮº", "åħį ç¨İ", "èµĽ åIJİ", "æľĢ éĩįè¦ģ", "ä¸Ģ个 好çļĦ", "è¿Ŀæ³ķ è¿Ŀè§Ħ", "äºĨ解 æĽ´å¤ļ", "æķ¬ 请", "ç¬ijçĿĢ 说", "ä¸įæĸŃ åıijå±ķ", "æijĦå½± å¸Ī", "以 éĺ²", "çĤ¸ å¼¹", "声 åĵį", "ç¤ ģ", "æĩ ¿", "èĪĨ æĥħ", "èĩªçĶ± è´¸æĺĵ", "æķı æį·", "ä¸ī大 éĺ¶æ®µ", "èĭ Ķ", "æĹº åŃ£", "ä¸į 满æĦı", "微信 åı·", "ä¿® 为", "çł´ è£Ĥ", "éĢĥ 离", "æ¯ı èĤ¡", "è¾¾ ä¸įåĪ°", "æ¯ıå¹´ éĥ½", "çģ¯ 笼", "æѤ åŁºç¡Ģä¸Ĭ", "åĥı 个", "åĪĨ 娩", "æĻ ¾", "ä¸į èĩ³äºİ", "红 线", "误 解", "举 è·¯", "æ·® å®ī", "产 åѦ", "产åѦ çłĶ", "èī¾ æ»ĭ", "èī¾æ»ĭ çĹħ", "åīįæıIJ æĺ¯", "æ¯ı ä¸Ģ天", "ä¸ĥ 大", "æłij åı¶", "èµ° å¾Ĺ", "è¿Ļ 两ç§į", "æİı åĩº", "æİ IJ", "é¢Ĩ导 èĢħ", "ä¸Ģ æľµ", "个å¤ļ æľĪ", "ä¸Ń åħ³", "ä¸Ńåħ³ æĿij", "课åłĤ æķĻåѦ", "大 åĴĸ", "éģĭ çĶ¨", "è¯ļ æĦı", "ç»Ħ åĽ¾", "è¯ķ çĿĢ", "ä¹Ķ æ²»", "è¿ĺ ä¸įæĺ¯", "æľī æĽ´å¥½çļĦ", "åIJİ å¤ĩ", "æĸ°çĶŁ åĦ¿", "æ°Ķ è¡Ģ", "æ²¥ éĿĴ", "å±ı éļľ", "æ¥Ń åĭĻ", "æĪij 以为", "éķ¿ 缸", "èĢģ çĪ¸", "éķĩ æ±Ł", "æľºæ¢° 设å¤ĩ", "ä½Ĩæĺ¯ å¦Ĥæŀľ", "åĿļå®ļ ä¸į", "åĿļå®ļä¸į 移", "åĨ² éĶĭ", "ç®Ģ缴 æĺ¯", "åĤ¨ èĵĦ", "纯 çĶµåĬ¨", "漫 æŃ¥", "举 èµ·", "æģ¶ æĢ§", "è¨ĺ éĮĦ", "èģĮèĥ½ éĥ¨éŨ", "åħ¨ éķ¿", "鼻 è¦ĸ", "ä¹³ èħº", "ä½ķ å¤Ħ", "æ¶Ī æŀģ", "æŃ£ å¤Ħäºİ", "å®ī å®ģ", "æĪIJ éķ·", "åıĻ è¿°", "æºĥ çĸ¡", "ä½Ĩ çİ°åľ¨", "女 æĺŁ", "å©´ å¹¼åĦ¿", "æĬķ èŀįèµĦ", "éĹ® éĹ®", "æıŃ å¼Ģ", "è¯ ı", "åIJį å½ķ", "èĺij èıĩ", "åIJĬ 顶", "æ¹ĸ åĮº", "åįĸ åľº", "建 ç¯", "å»ºç¯ ī", "èİ ½", "åIJ¬ åIJ¬", "ç«ŀäºī ä¼ĺåĬ¿", "åĩº ä»»", "æľī 两ç§į", "橱 æŁľ", "è¤ ª", "è¯ķ åį·", "ç»ıæµİ æĬĢæľ¯", "æ·± å±Ĥ", "éĩįè¦ģ åĨħ容", "é£İ æݧ", "çĬ¶æĢģ ä¸ĭ", "éĥ¨ éĸĢ", "广 æ±½", "è§Ĥ æij©", "éģĹ çķĻ", "转 è´¦", "æĮģ ä»ĵ", "æĢ» 计", "åľĺ éļĬ", "æĪ¿ 举", "éĺĢ éŨ", "åħ¬ åħ³", "åħ³ åĪĩ", "èĤ ĺ", "æķ¸ æĵļ", "ä¸ī åįģå¹´", "è§ģè¯ģ äºĨ", "å± Ĩ", "çģ° å°ĺ", "æ¦ľ é¦ĸ", "è¦ĨçĽĸ çİĩ", "ä»Ļ 女", "çĶŁäº§ æĢ»", "çĶŁäº§æĢ» åĢ¼", "æĪ¿ è´·", "æ±Ł åĮº", "åħħçĶµ æ¡©", "çĻ¾ åIJĪ", "確 èªį", "转 移åĪ°", "éĥ½ æĹłæ³ķ", "纪念 é¦Ĩ", "çŃ¾ç½² äºĨ", "并ä¸į å¤ļ", "æĮ ł", "ä¸į太 好", "ä¸ĸ 代", "误 导", "é«ĺå³° 论åĿĽ", "åħ¼ 容", "龸 æ°Ķ", "æĿ¥ 访", "æīĢ 带æĿ¥çļĦ", "æĺ¯ä¸Ģ éĥ¨", "æĻļ é¥Ń", "åİĨ 代", "åIJ¦ åīĩ", "ä¹ħ ä¹ħ", "æľīæķĪ æľŁ", "诱 åıij", "æĢ» èµĦ产", "æľ¬èº« å°±æĺ¯", "çĶŁäº§ åİĤ家", "æŶ 髦", "èĢIJ çĶ¨", "ä»İå°ı å°±", "æĿ¡ 约", "èĭ± åĭĩ", "ä¿Ĺ è¯Ŀ说", "寺 åºĻ", "å¿ĥçIJĨ åģ¥åº·", "ä»Ģä¹Ī äºĭæĥħ", "æ±ī åŃĹ", "çķĻ ä½ı", "åįĹ è·¯", "ä¸ī 项", "丢 äºĨ", "æĥ³ åĪ°äºĨ", "çŃ¹ éĽĨ", "éĻĦåĬł åĢ¼", "西 è£ħ", "ä¹ĭ ä½ľ", "åģļçļĦ äºĭ", "çķ¶ æĤ¨", "çķ¶æĤ¨ åľ¨", "é¦ĸ 款", "ä¸įåľ¨ ä¹İ", "å·¥ç¨ĭ æĸ½å·¥", "éļIJ éļIJ", "åıĺ 身", "沿 éĢĶ", "æĤł æĤł", "ä¿Ŀ æļĸ", "çĶŁæ´» åŀĥåľ¾", "渤 æµ·", "æѦ ä¾ł", "女 主è§Ĵ", "举 ä¾ĭ", "æ ·¨", "çĻ½ é¢Ĩ", "è£Ļ åŃIJ", "è¿Ķ è¿ĺ", "è¿Ī åĩº", "é¾Ļ éŨ", "ç»ıæµİ ä½ĵ", "æĶ¶ å®ĺ", "çķĮ éĻIJ", "è·³ åĩº", "åįĩ åĢ¼", "绵 éĺ³", "çĸ¤ çĹķ", "çľĭ æ¸ħ", "æĭĴ çµķ", "è¥Ħ éĺ³", "课 å¤ĸ", "åŃIJ åŃĻ", "æŃĮ è¯į", "æĪIJ åIJį", "溶 液", "åĦĴ 家", "åķĨä¸ļ åĮĸ", "辨 åĪ«", "å¤ļ è¾¾", "ç½ij åºĹ", "ä¹Ŀ 大", "ä¹Ŀ大 ç²¾ç¥ŀ", "æѤ 举", "è¿ŀ è½½", "ä¸Ģ åĢĭ人", "èī² æ³½", "涵çĽĸ äºĨ", "è¦ı åĬĥ", "åĽ½ æĥħ", "åį«çĶŁ åģ¥åº·", "积æŀģ åĵįåºĶ", "æĭ Ļ", "åĪ¶ åĬ¨", "æĥ³è±¡ åĬĽ", "çļĦ ä¹IJ趣", "å¼łå®¶ çķĮ", "å´ İ", "éĩį åŀĭ", "å¤ĸ å¢Ļ", "æĶ¾ åѦ", "è®¤çľŁ åŃ¦ä¹ł", "è´¬ åĢ¼", "æ³ķ æ¡Ī", "æĬ¤èĤ¤ åĵģ", "éĻ·åħ¥ äºĨ", "请 æĤ¨", "åŀ ¢", "æķĻèĤ² èµĦæºIJ", "交æĺĵ å¹³åı°", "æŶ è£ħ", "ä¼łæŁĵ çĹħ", "æ¹ĸ æ³Ĭ", "èµĦ 管", "åݨ å¸Ī", "éĹľ éį", "éĹľéį µ", "åĵĪåĵĪ åĵĪ", "çĽĹ çªĥ", "çĶľ ç¾İ", "åºĦ åĽŃ", "缮åīį å·²ç»ı", "è¾¹ ä¸Ĭ", "çģ« èĬ±", "æĬ¥ è®°èĢħ", "æģĭ æĥħ", "ç´§ åĩij", "æ°´ æµģ", "è¿Ļæĺ¯ æĪij们", "æ³¥ åľŁ", "æĽ¾ ä»»", "æĸ¹ è¨Ģ", "åij¨ åħŃ", "åı· 楼", "ä¼ij åģĩ", "误 ä¼ļ", "åĽ½ åĢº", "åīį å¤ķ", "两 å¼ł", "éĹ «", "éŃĶ 鬼", "æĬĬ æĮģ", "èĬĤèĥ½ çݯä¿Ŀ", "æ¸ħæ´ģ èĥ½æºIJ", "èĤ¥ æĸĻ", "é«ĺ é¢ij", "å°± æľīäºĨ", "交 ä¼ļ", "没 éĴ±", "éĽħ æĢĿ", "è¦ģ åıĬæŶ", "åŁ¹åħ» åѦçĶŁ", "欣 åĸľ", "çĥŃæ°´ åĻ¨", "é¾Ļ æ¹ĸ", "äºĮ 楼", "æĸ°æµª è´¢ç»ı", "æĸ° åĬ¨èĥ½", "èµ£ å·ŀ", "æĭ³ 头", "æµģ åIJij", "ä¹Łæĺ¯ å¾Ī", "åıij åĶ®", "ä¸Ń åIJ«æľī", "åIJĵ å¾Ĺ", "å·¨ æĺŁ", "æĹł æīĢè°ĵ", "æ¯Ľ åŃĶ", "åħ¬åħ± 交éĢļ", "çĤİ çĥŃ", "èµ· èįī", "åĬłçĽŁ åķĨ", "说 ä¸įåĩº", "大åѦ æ¯ķä¸ļ", "å·¥ä¸ļ åĽŃ", "éłĺ åŁŁ", "åºĨ åħ¸", "æµģ 产", "èģ² éŁ³", "ä¼¼ä¹İ æĺ¯", "è´§ æºIJ", "æ·± åĪĩ", "æ²»çĸĹ æĸ¹æ³ķ", "èµĦæºIJ éħįç½®", "網 åıĭ", "çĶ £", "äº ¥", "躲 åľ¨", "社 ç§ij", "è»Ł é«Ķ", "女 è£ħ", "æŃ¡ è¿İ", "综åIJĪ å®ŀåĬĽ", "æł¼ å°ĩ", "åħļåı² åŃ¦ä¹ł", "æľĢ åŁºæľ¬", "æľĢåŁºæľ¬ çļĦ", "çľĭ æľĽ", "åıĹ è´¿", "ä¸įä»ħ èĥ½", "ä½ķ å¿ħ", "ä¸Ģ个 å°ıæŶ", "ç¾ Į", "æĭĽ æĶ¶", "çĤĴ èĤ¡", "æĿij å¹²éĥ¨", "缸 çĪ±", "æ½ľ èĥ½", "ä¹ į", "æŶ è¾°", "欣 æħ°", "éĵ¶ è¡Įä¸ļ", "çĭŃ çªĦ", "éĩįçĤ¹ é¢ĨåŁŁ", "çİ°å®ŀ çĶŁæ´»", "éĮ¯ 誤", "æĸ° è§Ħ", "滥 çĶ¨", "æŶ ä¸į", "æŶä¸į æŶ", "帳 èĻŁ", "ç¨Ģ 缺", "åIJij 举", "ä¿Ŀåģ¥ åĵģ", "çıŃ éķ¿", "äºĴ åĭķ", "笼 罩", "æ½ Ľ", "æļĸ å¿ĥ", "è½° çĤ¸", "åºĨ 幸", "è²Į ä¼¼", "æĵ º", "èĢIJ 磨", "ä¸ĵä¸ļ 人士", "ä¸ĢèĪ¬ éĥ½æĺ¯", "æ¼³ å·ŀ", "åħ¨ èĩªåĬ¨", "å½ķ çĶ¨", "大 è·Į", "æľīæķĪ æĢ§", "èĩª åĭķ", "ä¸ī个 æĸ¹éĿ¢", "港 åĮº", "ä¿¡ 貸", "éĢļ è¯Ŀ", "é«ĺ 涨", "æ³Ħ æ¼ı", "éħį ä¸Ĭ", "åħļ å·¥å§Ķ", "被 认为", "被认为 æĺ¯", "ä¸įä¼ļ åĨį", "è°ĥ åīĤ", "åıĤ èĤ¡", "èĦ± åıij", "å¿ł å®ŀ", "åĨħ åĪĨæ³Į", "ç¹ģ å¿Ļ", "åıĮ åĪĽ", "é©» æĿij", "åĪĴ ç®Ĺ", "éģİ ä¾Ĩ", "åľ£ ç»ı", "èıľ 鸣", "æĭ¼ å¤ļå¤ļ", "ä¸ŃåĽ½ 汽车", "çĥŁ èįī", "缴 æµģ", "äºĨä¸Ģ åı£æ°Ķ", "ä½İ æĪIJæľ¬", "æī¾ åĽŀ", "èĩª åįij", "總 æĺ¯", "æĸĩåĮĸ åĪĽæĦı", "天 æ²³", "樱 æ¡ĥ", "éªij åħµ", "éĩĮéĿ¢ æľī", "çİ ®", "èĥ½ æī¾åĪ°", "éĢĥ è·ij", "åĪĩ å°Ķ", "åĪĩå°Ķ 西", "以ä¸ĭ æĺ¯", "å²³ éĺ³", "çļĦ æ¦Ĥçİĩ", "æĬµ åĪ¶", "å¸Ī äºĭåĬ¡", "å¸ĪäºĭåĬ¡ æīĢ", "åĩĨ æŶ", "屬 æĸ¼", "订 è´Ń", "åįłæį® äºĨ", "ä¸Ń éĢĶ", "å° ĭ", "é»ij 马", "åİ¿ åħ¬å®īå±Ģ", "ä¸ĥ æľĪ", "èī² ç´ł", "å¿ĥèĦı çĹħ", "æŶ éĻIJ", "æ¯į åħ¬åı¸", "å¹ķ åIJİ", "ä¸Ĭ æ¦ľ", "åĢ¾åIJij äºİ", "纸 ä¸Ĭ", "æ¡ ĵ", "éĽĨä½ĵ ç»ıæµİ", "æĥħ å¢ĥ", "è¦ģ åģļåĪ°", "ç©į 極", "åıª æĢķ", "æ¹ĺ 西", "çļ± 纹", "åħ¨ åľĭ", "çĦ¡ è«ĸ", "好 æĦŁ", "åįķ ä»·", "è¿Ľç¨ĭ ä¸Ń", "æĺĨ ä»ij", "åĪĽ 客", "åħħ æĸ¥", "åħĪ æĬĬ", "该 æĢİä¹ĪåĬŀ", "åĵģ å¾·", "åħ¨éĿ¢ åıijå±ķ", "è¨Ī åĬĥ", "æĢ» å·¥ä¼ļ", "ä½Ľå±± å¸Ĥ", "æĬĹ è¡¡", "å¼Ģ åľº", "éĴ± å¸ģ", "åıĭ 们", "å«ī å¦Ĵ", "ç´¢ èµĶ", "è®Ĭ åĮĸ", "æĮ¤ åİĭ", "æĮij è¡ħ", "çŃī ä¸Ģæī¹", "æĿ¨ 欢", "ä¸ĵ家 åѦèĢħ", "èĥ½ è¾¾åĪ°", "èµ° è¿ij", "è´«åĽ° åľ°åĮº", "éĻIJ æľŁ", "ä¸į 平衡", "åĽ½åĨħ å¸Ĥåľº", "èµĽ åľº", "éħį èµĦ", "è¦ģ èĢĥèĻij", "ä¸ĩ åı°", "æľĪ æľ«", "éĶ ¥", "åŃ «", "æݥ触 åĪ°", "åĩº 产", "æķĻ åѸ", "ä½ľ å¼Ĭ", "çļĦ æľĢåIJİä¸Ģ", "ä¿ĥ æĪIJ", "åIJ¸ åıĸ", "æ½ľ èīĩ", "被 éªĹ", "è¾ĵ äºĨ", "çĭIJ çĭ¸", "åįĩ éĻį", "è¿ĻäºĽ ä¸ľè¥¿", "æĬķèµĦ åŁºéĩij", "çĶŁçī© åѦ", "ç½ij绾 èIJ¥éĶĢ", "åIJij è®°èĢħ", "èįī åľ°", "æĢ ¯", "æľįåĬ¡ èĥ½åĬĽ", "éĥģ éĹ·", "åįķ åĵģ", "å¾Ĺ 罪", "æĺĵ äºİ", "个å¤ļ å°ıæŶ", "éĩį ä»»", "ä¸Ĭ å®ĺ", "æľ¬ éĩij", "çı¾ åł´", "溢 ä»·", "æĺŁ è¾°", "æ´»åĬ¨ çİ°åľº", "丹 麦", "å¸Ŀ çİĭ", "æŁ¥ æĺİ", "åŃĺåľ¨ äºİ", "é¦Ļ æ°´", "æĬ½ æ£Ģ", "å®ŀéĻħä¸Ĭ æĺ¯", "æĸ° å¾ģç¨ĭ", "è´¢åĬ¡ 管çIJĨ", "æİ Ľ", "åĨľ åİĨ", "éĥ½ èĥ½å¤Ł", "éĤ¯ éĥ¸", "羣 實", "ç» Ĭ", "åĨµ ä¸Ķ", "ç½® 身", "ç¥Ī 祷", "çĿģ å¼Ģ", "æĮĩ çĤ¹", "å¼Ģ æľº", "西 å®ģ", "åĮĹ çº¦", "积 æ°´", "åĩº åĬ¨", "åıijå±ķ 模å¼ı", "转 æĬĺ", "èĢĥ çĤ¹", "æľī ç½ijåıĭ", "è´«åĽ° æĿij", "æĪij们 çŁ¥éģĵ", "åĪĨ éĶĢ", "å±± èĦī", "æ¯Ķ æĭŁ", "ä¼° ç®Ĺ", "æĶ¹ 建", "壮 è§Ĥ", "ç§ī æĮģ", "æı ª", "ç¦ Ģ", "åĮĸåѦ åĵģ", "ä¸ŃåĽ½ åĪ¶éĢł", "ä¸Ģ æŀ¶", "æīį è¡Į", "æĭĽ å¾ħ", "åıĺ æį¢", "åīį 线", "幸 好", "è¿Ļæł· çļĦè¯Ŀ", "å¿ĥ è¡Ģ管", "æĢ§ çĸ¾çĹħ", "åħ¨ èĥ½", "åĪij 侦", "ä¿¡æģ¯ åıijå¸ĥ", "æĺ¾ çĦ¶æĺ¯", "éĿĴ éĵľ", "åIJĥ ä»Ģä¹Ī", "çĶµ ä»·", "æ³ķå¾ĭ è§Ħå®ļ", "çħ ²", "çĵ· åĻ¨", "èĤī ç±»", "æıĴ åħ¥", "åĹ ľ", "è¿Ł è¿Ł", "ä¸ĢçĤ¹ éĥ½ä¸į", "è¿ĺ åĮħæĭ¬", "èĪį ä¸įå¾Ĺ", "æłĩå¿Ĺ æĢ§", "æľĪ 以æĿ¥", "ç³ĸ æŀľ", "éĥ½ åºĶ该", "çݯå¢ĥ åį«çĶŁ", "èĪª è¡Į", "éĥij éĩį", "ç½ij æĬķ", "åįģ ä½³", "ç§ģ ä¸ĭ", "æļ´ è·Į", "åĬłå¿« åıijå±ķ", "产åĵģ çłĶåıij", "åĪĽéĢł åĩº", "æĢ» è§īå¾Ĺ", "åºķ çĽĺ", "èķ Ĭ", "åĩºå¸Ń ä¼ļè®®", "主 æĿ¿", "æĹ¥æĻļ éĹ´", "å®ĺæĸ¹ å¾®åįļ", "å¼ķçĶ¨ æĹ¥æľŁ", "åī¯ æķĻæİĪ", "çĶµåŃIJ 产åĵģ", "è¡° éĢĢ", "çķĻ åŃĺ", "çģ« åĬĽ", "çĴ §", "çļ Ĥ", "åħ¼ åħ·", "éĩį è¿Ķ", "é¢Ĩ çķ¥", "åĪĩ éĻ¤", "åĨįçĶŁ èĥ½æºIJ", "å®ŀåľ¨ 太", "çIJĨ论 ä¸Ĭ", "ä¸ī å±Ĥ", "ä¸ĸçķĮ åIJĦåĽ½", "å®ľ æĺĮ", "èĢ³ è¾¹", "宽 æķŀ", "æ±ī æĹı", "çĻ½ çĻ½", "è¿ĻéĩĮ éĿ¢", "çĶŁæ´» ä¹łæĥ¯", "èµŀ èµı", "çĶ· 士", "ä¸Ń ä¿Ħ", "车 祸", "åīĤ éĩı", "éĻ¤ åİ»", "å·¦ è¾¹", "çŃij çī¢", "çīĽ å¸Ĥ", "家 åĬ¡", "åķ ĥ", "ç½® æį¢", "ç´« å¤ĸ", "ç´«å¤ĸ 线", "å¾Ģ åīį", "åĬĽ åѦ", "ç´§ è·Ł", "缮çļĦ åľ¨äºİ", "ç» ®", "ç¥ Ĥ", "宣 è¨Ģ", "äºĮ æ°§åĮĸ", "äºĮæ°§åĮĸ 碳", "æĹł ç¼ĺ", "ç²¾ éĢļ", "è¨ º", "å¼ķåıij äºĨ", "æľĢ åħĪ", "æ´¾ é©»", "ä¸į å¿į", "æĪij çĪ¸", "å¹´ ä¸ĭåįĬå¹´", "æ·ĭ å·´", "没 éĹ®é¢ĺ", "åºĹ åĨħ", "è·Ł æĪij说", "çĶŁäº§ çĶŁæ´»", "è§Ĥ æľĽ", "æ¸ į", "被 æī§è¡Į", "被æī§è¡Į 人", "èĪ ľ", "æİ º", "ä¸Ģ ç§Ĵ", "èįī åĿª", "åij¼ åĴĮ", "åij¼åĴĮ 浩", "åij¼åĴĮ浩 çī¹", "人æ°ij éĵ¶è¡Į", "çĦķ åıij", "è¯ģåĪ¸ 交æĺĵ", "çķ Ķ", "æľº èĥ½", "å¦ ¾", "æĻļ å¹´", "å·¥åķĨ èģĶ", "åİŁ åŀĭ", "è§Ĵ度 çľĭ", "æĬ¥ 社", "è¯į æĿ¡", "躲 éģ¿", "éĩį åIJ¯", "å¤ķ éĺ³", "èĤ¡æĿĥ 转让", "åľ¨ ä¸Ģ", "åľ¨ä¸Ģ æĹģ", "社ä¼ļ åĮĸ", "åıijå±ķ åİĨç¨ĭ", "æĭĸ æ¬ł", "使 èĢħ", "ä¸İ åIJ¦", "æĸ° å±ĢéĿ¢", "ä»Ĭ天 æĪij们", "é½IJ èģļ", "对 æĪij说", "éĢĴ 交", "æľª æĽ¾", "èİ Ĭ", "éĸ ī", "亲 æīĭ", "è§Ĵ éĢIJ", "æľī é»ŀ", "ç¨İ çİĩ", "ä½İ 声", "é»ĺ å¥ij", "æĻ® æ³ķ", "大 ä¸ĵ", "第äºĮ 大", "ä½ı åĿĢ", "æĶ¾ è¿Ľ", "äºĮ æĪĺ", "亲 身", "åĽº åĮĸ", "ä¸ĭ 乡", "åħ³éĶ® æĬĢæľ¯", "åĽŀ æĥ³", "æĬ¥ åĪĬ", "æ¶Ĥ æĬ¹", "èĹı çĿĢ", "ç¥Ŀ æĦ¿", "åįĩ 温", "çĶļèĩ³ è¿ŀ", "åħ¬åħĥ åīį", "ç¾İ æĸ¹", "è¯ļ å®ŀ", "æĹł åģ¿", "åīµ æ¥Ń", "å°ıå¿ĥ 翼", "å°ıå¿ĥ翼 翼", "两 æīĭ", "温馨 æıIJ示", "仿 羣", "æĥ ¶", "èĥ¡ åŃIJ", "å·¥ä½ľ ç«Ļ", "硬 çĽĺ", "ç« ¿", "åĤ³ éĢģ", "åħ¨ æł¡", "é²ľ æ´»", "çĴĢ çĴ¨", "ç»ĵ å°¾", "æį¢ æĿ¥", "æĪ Ģ", "ä½İ ä½į", "ä¸ĩåħĥ 以ä¸Ĭ", "åĬł åĪĨ", "æݨä»ĭ ä¼ļ", "çIJĨ èµĶ", "å¾· å°Ķ", "æĬĹ è®®", "æ´ ¼", "åĸ §", "åŁİ éĻħ", "å¾Ī æ£Ĵ", "人 æŃ»äº¡", "ä¼ļå±ķ ä¸Ńå¿ĥ", "äºĴèģĶ äºĴéĢļ", "èĸĦ èĨľ", "éĩį é»ŀ", "ç¦ģ æ¯Ĵ", "åĨ· ç¬ij", "大家 åı¯ä»¥", "é¦ĸ 缸", "è¿ij è·Ŀ离", "æµ® çİ°", "ç§ĺ è¯Ģ", "èµ· é£ŀ", "æIJ ¶", "羣 åģĩ", "æģ ķ", "å°ı åºĹ", "æ°ij çľ¾", "åıijå¸ĥ åħ¬åijĬ", "侧 éĩį", "å¾ĺ å¾Ĭ", "æĢ Ķ", "æª IJ", "æķ° 缮", "åī¯ ç§ĺ书éķ¿", "两 åı¥", "éļIJ çŀĴ", "åıĮ åıĮ", "æīĭ æĦŁ", "èij¡ 京", "éģĹ å¿ĺ", "é¬ ¥", "è¿Ļ个 åľ°æĸ¹", "说 çļĦè¯Ŀ", "å·¡ åĽŀ", "è¿Ŀ ç«ł", "æī¾ å·¥ä½ľ", "æĶ¯ çIJĥéĺŁ", "裡 éĿ¢", "æĺ¾ç¤º åĩº", "èĩ³ å°Ĭ", "两 级", "åīį 段æŶéĹ´", "çĺ¦ èº«", "èĤ¢ ä½ĵ", "æ¯į 親", "æīĭç»Ń è´¹", "汽车 è¡Įä¸ļ", "æİ© çĽĸ", "æݧèĤ¡ éĽĨåĽ¢", "åı£ å¾Ħ", "æĶ¿çŃĸ æݪæĸ½", "æµ· 绵", "åħ¨ éķĩ", "äºĭ åħ³", "å¸Ń æī§è¡Į", "å¸Ńæī§è¡Į å®ĺ", "éĤ£ 次", "åı¯èĥ½ åĩºçİ°", "ä¸Ńå¿ĥ åŁİå¸Ĥ", "ç¿» 身", "ä¹Ł ç®Ĺ", "ä¾µ çķ¥", "åĸĩ åıŃ", "æ¯ı次 éĥ½", "è§ ħ", "éĻ¢ éĻ¢éķ¿", "å§ĭ äºİ", "èѦ åĬ¡", "èį¯ æĿIJ", "å±ł æĿĢ", "æľ¬èº« å°±", "éļıæŶ éļı", "éļıæŶéļı åľ°", "åĶ® åįĸ", "æĹłäºº 驾驶", "é¢ ħ", "åĵģ 質", "åĺ² ç¬ij", "è·ij åİ»", "åħĭ éĩĮæĸ¯", "çķ¸ å½¢", "ä¿® 饰", "磩 éĺµ", "éŁ³ä¹IJ ä¼ļ", "æŁ³ å·ŀ", "é½ ¡", "ä¼ļ è°Ī", "æŃ£ çīĪ", "ä¹Ł åIJĮæł·", "æļ§ æĺ§", "è¡ĮæĶ¿ éĥ¨éŨ", "ä¹ĸ ä¹ĸ", "èĤ¤ èī²", "æŶ ä»»", "羣 åĪĩ", "æľĪ ä¸ĭ", "æľĪä¸ĭ æŬ", "举æĸ¹ è´¢å¯Į", "è£ħä¿® åħ¬åı¸", "éĢĢ è¿ĺ", "åĭĺ å¯Ł", "åĵ¥ 伦", "åĵ¥ä¼¦ æ¯Ķäºļ", "çĭ¬ ä¸Ģ", "çĭ¬ä¸Ģ æĹł", "çĭ¬ä¸ĢæĹł äºĮ", "è°ĥ åij³", "åİĭ è¿«", "åħ¨çIJĥ æľĢ大", "åī¯ æł¡éķ¿", "æĽ´ ä½İ", "åĪĨéĴŁ åIJİ", "åĽŀ ä¾Ĩ", "åĪ¶ åīĤ", "åijĬè¯ī 大家", "çĤ¹ éĴŁ", "åįģä¸ī å±Ĭ", "åij¨ åĽĽ", "è¿Ļæł· ä¸Ģ", "è¿Ļæł·ä¸Ģ æĿ¥", "èĭ Ł", "æľĽ åİ»", "æĪIJ è¯Ń", "å½ĵ åį³", "ç¬ij 声", "ä¹ĭ åĬ¿", "åĪijäºĭ æ¡Ī件", "æĮĤ çĿĢ", "ä½ķ ç§į", "å°ı 游æĪı", "åĽ½å®¶ æĪĺçķ¥", "åĨ· åĨ·", "å®ľ 宾", "æIJº ç¨ĭ", "è¶ĭ äºİ", "åıį çľģ", "常 说", "ä¸ĩ æĪ·", "åĥµ å°¸", "åįĥä¸ĩ åĪ«", "åıijçİ° éĹ®é¢ĺ", "åı¯ çŁ¥", "éŨæĪ· ç½ijç«Ļ", "åģ¥åº· 产ä¸ļ", "åı³ è¾¹", "æµ· è¿IJ", "è¿ij ä¹İ", "åĮ» æ²»", "æĢ» ç®Ĺ", "ä¸Ģ åĪĨéĴŁ", "æĭ §", "ä¹Ł æľīä¸ĢäºĽ", "ä¾ĽçĶµ åħ¬åı¸", "å»ī ä»·", "帮 ä»ĸ", "æŃ¤æ¬¡ æ´»åĬ¨", "åıªèĥ½ 说", "èĬ ĭ", "çīĩ 段", "åŃĺåľ¨ éĹ®é¢ĺ", "ä½łä¼ļ åıijçİ°", "è½® å»ĵ", "ç½ij éĢļ", "滨 æ±Ł", "æİĪ ä¿¡", "é»İ æĺİ", "ä¸į å±ŀäºİ", "约 åįł", "éķ¿æ²Ļ å¸Ĥ", "èĥļ èĥİ", "åħĥ 件", "éĻĨ åĨĽ", "è³¼ è²·", "æĮĩ æľĽ", "å®ŀä¹ł çĶŁ", "çī¹çĤ¹ æĺ¯", "çıł æ±Ł", "çľĭ ä¸įåĩº", "ä¸įè§ģ äºĨ", "ç¼ ī", "éĺµ èIJ¥", "åĶIJ æľĿ", "没 å¿ħè¦ģ", "åĽ½åľŁ èµĦæºIJ", "ç»ıæµİåѦ 家", "åIJĪèĤ¥ å¸Ĥ", "çIJ¢ 磨", "ç¡® åĪĩ", "åŁİå¸Ĥ åıijå±ķ", "çŃ· åŃIJ", "人æ°ij æľįåĬ¡", "满 åĪĨ", "è¿· ä¿¡", "ä½ľèĢħ æľ¬äºº", "æĸĩç«ł æĿ¥æºIJ", "ç«Ļ ç«ĭ", "æŀĦ æĪIJäºĨ", "è¾Ľ åĭ¤", "è¶ħ 强", "éĶ ļ", "åīįä¸ī åŃ£åº¦", "å°± è§īå¾Ĺ", "å´ĩ é«ĺ", "è¶Ĭ ä¾Ĩ", "è¶Ĭä¾Ĩ è¶Ĭ", "å¸Ĥåľº èIJ¥éĶĢ", "综åIJĪ ç´łè´¨", "åŃ ļ", "ä¾® è¾±", "äºĮ åŃĹ", "å·¥ä½ľ ä»»åĬ¡", "åı²ä¸Ĭ æľĢ", "æľĢ ä¼ĺ", "åIJ© åĴIJ", "表 çĻ½", "èİ« åIJį", "èİ«åIJį åħ¶", "èİ«åIJįåħ¶ å¦Ļ", "å¹ £", "åIJĮå¿Ĺ 们", "建设 çĶ¨åľ°", "åĦ Ģ", "éħį åģ¶", "å¼ ©", "åĶ± çīĩ", "æīĭ èĦļ", "åħ¼ ä»»", "åģľ æĶ¾", "æŃ£ å®Ĺ", "æĸ° åĨľæĿij", "åĤ¬ çĶŁ", "æīĢ åŃ¦æł¡", "念 ä½Ľ", "åĶ¤ éĨĴ", "åħ± åĪĽ", "æĭī ä¸ģ", "èĥĮ çĿĢ", "çĶŁæĢģ ä¿ĿæĬ¤", "åı£ 头", "æĸ¹åIJij çĽĺ", "調 æķ´", "æĭĽèģĺ ä¿¡æģ¯", "åħ¶ä»ĸ åĽ½å®¶", "ç®Ģ æĺĵ", "åĮ¿ åIJį", "è¯Ħ æµĭ", "æĺ¯ä¸Ģ 座", "çīµ æīĭ", "足 迹", "çIJĨ解 åĴĮ", "æľĢ åıĹ", "å¿ĥ è·³", "çĪ¶ 親", "éĿŀ常 åĸľæ¬¢", "èĭ¦ éļ¾", "æĬĢ å¸Ī", "æ°ij æĦı", "æĪĺ åĽ½", "æĽ¿ è¡¥", "æ´¥ è´´", "ä¸ŃåĽ½ ä¼łç»Ł", "åIJĦ è¡Į", "åIJĦè¡Į åIJĦ", "åIJĦè¡ĮåIJĦ ä¸ļ", "第äºĶ å±Ĭ", "èį· èĬ±", "æĦı èŃĺ", "票 ä»·", "åĪĨ æµģ", "æĿİ çĻ½", "æ±Ł åĮĹ", "æİĴ æĸ¥", "ä½ĵ éĩı", "åĮħåIJ« äºĨ", "åĪĺ æŁIJ", "çİ° å¦Ĥä»Ĭ", "å·¥èīº åĵģ", "è¿Ļç§į æĸ¹æ³ķ", "åĬŀåħ¬ 楼", "çĶµ å·¥", "çħ Ļ", "åį¡ çīĩ", "å¹´ å¹´åºķ", "ä¸ĵ项 èµĦéĩij", "åĮ» ç§ij", "åĮ»ç§ij 大åѦ", "åĽŀ头 çľĭ", "ä¸į å±ij", "èĩª 驾", "没 æĶ¶", "æīĵ çĮİ", "èĦ¸ éĥ¨", "åıĥ èĢĥ", "å°Ĩ 士", "è´«åĽ° 人åı£", "çIJĨæĥ³ 信念", "é£İ å°ļ", "人æīį éĺŁä¼į", "çij ¾", "æĿ¥ è¿ĻéĩĮ", "æ´Ĺ 涤", "å¹´ èĸª", "èĭį çĻ½", "ä¸ĩ äºĭ", "课 æľ¬", "åºĵ éĩĮ", "çī¹ æ´¾", "çī¹æ´¾ åijĺ", "èµŀ ç¾İ", "ç©¿ æĪ´", "製 ä½ľ", "èµŀ æĪIJ", "ä¸Ģ 侧", "å½ĵåľ° 人", "æĭ İ", "纸 è´¨", "ä½Ļ 个", "éĶĤ çĶµæ±ł", "æľº åŀĭ", "éĻ¢ éĻ¢å£«", "åģļ å·¥", "å¼ł è´´", "ç¥Ľ æĸij", "æ®ĸ æ°ij", "å¥ij 约", "æ¹ĺ æ½Ń", "æIJ ĸ", "åŃĺ è´§", "交éĢļ 大åѦ", "è¶ģ çĿĢ", "æĸĩçī© ä¿ĿæĬ¤", "å¤ĩ æĪĺ", "éĩĩ 纳", "åįĬ æľĪ", "æľĢ åħ³éĶ®", "æľĢåħ³éĶ® çļĦ", "æİ¥ éĢģ", "æĶ¶ åī²", "åıį åĢĴ", "çĥ Ľ", "æ ½Ķ", "ä¼Łå¤§ å¤įåħ´", "çļĦè¯Ŀ è¯Ń", "容 å¿į", "å®ļ éĩı", "æķ Ĺ", "åĵģçīĮ 形象", "æīŃ è½¬", "åĽ½å®¶ éĩįçĤ¹", "èĨĿ çĽĸ", "ä¸Ģ 楼", "大 éĻ¸", "éĤª æģ¶", "åĽŀ åij³", "çĮ ¿", "çĿ¡ åīį", "æĹł è¾ľ", "çĹħæ¯Ĵ æĦŁæŁĵ", "æľºæ¢° åĮĸ", "çĤ¹ 亮", "溶 解", "åĩłä¹İ æīĢæľī", "è·ij éģĵ", "çĶµè§Ĩ æľº", "åı ¨", "æijĩ äºĨ", "æijĩäºĨ æijĩ头", "èĩª è´Ł", "综åIJĪ åĪ©çĶ¨", "èĩª å¦Ĥ", "åİŁ ä¾Ĩ", "ä¹Łä¸į æĥ³", "èĬĤ 课", "è¿ĩ åī©", "çĶ² çĬ¶", "çĶ²çĬ¶ èħº", "æĸ° ä¸ĸ纪", "èĩªä¸» åĵģçīĮ", "é«ĺ å±Ĥ次", "ä¸Ģ è§Ĵ", "è¡Į äºĭ", "ç¥ĸ åħĪ", "å©ļ åIJİ", "éĹ´ éļĻ", "ç¼Ŀ éļĻ", "è¿Ļ æĶ¯", "ä¸įæĸŃ åĪĽæĸ°", "å¾® åŀĭ", "æĽĻ åħī", "享 çĶ¨", "ä¸ŃåĽ½ 移åĬ¨", "éĹŃ çݯ", "æī§ æĦı", "åıijå±ķ æł¼å±Ģ", "æł¸å¿ĥ åĮº", "éªļ æī°", "åħļåĴĮ åĽ½å®¶", "ä¸ŃåĽ½ æĶ¿åºľ", "帶 èijĹ", "ä¸ĩåįĥ çĵ¦", "åħ© 人", "äºİæĺ¯ æĪij", "åĽº ä½ĵ", "çªģ å¦Ĥ", "çªģå¦Ĥ åħ¶", "çªģå¦Ĥåħ¶ æĿ¥", "éĩĮç¨ĭ ç¢ij", "çĪ± ç¾İ", "æŁ¥ éªĮ", "åıĮ èµ¢", "éĹª åħī", "楼 å®ĩ", "æĻ ı", "æľī è¶³å¤ŁçļĦ", "æŁĶ æĢ§", "ä¿¡æģ¯ å®īåħ¨", "管 线", "并 ä¸įä¼ļ", "åĻ¨ 件", "ä½ł åºĶ该", "çĿĢ å®ŀ", "æĺİ æ¸ħ", "æĬĹ çĶŁç´ł", "æīĵ æŃ»", "å®Įåħ¨ ä¸įåIJĮ", "èĬ± æ¤Ĵ", "æĶ¾ 宽", "ä½İ 端", "åĽĽ èĤ¢", "åĮĹ京 èµĽè½¦", "éĽĨ å¸Ĥ", "æľª å©ļ", "大å¹ħ æıIJåįĩ", "建çŃij 设计", "çĭ¬ æľīçļĦ", "æİ¢ éĻ©", "æ²³æµģ åŁŁ", "æħķ 容", "被 çĽĹ", "åĵº ä¹³", "èı ģ", "æĥ¬ æĦı", "è¶ĬæĿ¥è¶Ĭ 好", "广大 群ä¼Ĺ", "å¾· èĤ²", "å¸Ĥåľº ä»·æł¼", "奥 å·´", "奥巴 马", "èĬĤ缮 ä¸Ń", "两 款", "ä¸ĩä½Ļ åħĥ", "ç»´ å°Ķ", "çĶŁçī© ç§ijæĬĢ", "åIJ¬ èµ·æĿ¥", "çł ļ", "æĭŁ å®ļ", "æ²¹ çĶ°", "声 èªī", "建çŃij ä¸ļ", "éĻIJ è´Ń", "çīĩ åŃIJ", "çķľ 禽", "ç½ij é¦ĸ页", "ä¼Ĺ çŃ¹", "æĴŀ åĩ»", "åīį ä¸įä¹ħ", "åīį ä¸ĸ", "åĽĽä¸ª æĦıè¯Ĩ", "æµĭ ç»ĺ", "éĺ² ç©º", "漫éķ¿ çļĦ", "æ²IJ æµ´", "æ¯Ķè¾ĥ ç®Ģåįķ", "æµĭ å®ļ", "åĽŀ è°ĥ", "让 人们", "èĴĭ ä»ĭ", "èĴĭä»ĭ çŁ³", "ç»ĵ æĻ¶", "å¢ŀæ·» äºĨ", "æĿ¡ è¯Ħ论", "åī¯ ä¼ļéķ¿", "ä½ı æīĢ", "ç»Ļ åĩºäºĨ", "è°ĥ éħį", "æ² ĸ", "æľī çĶ¨", "æľīçĶ¨ çļĦ", "ä¸ĢæĿ¡ é¾Ļ", "éĩİ å¤ĸ", "ç¼ĺ åĪĨ", "æ°¸è¿ľ ä¸įä¼ļ", "æŀľ æłij", "大åıij å¿«ä¸ī", "麻 éĨī", "äºij éĽĨ", "åİ» åĵªéĩĮ", "åħ¥ å¸Ĥ", "ä»» æĢ§", "建 æ¡£", "建档 ç«ĭ", "建档ç«ĭ åį¡", "ä¸Ģ 棵", "社 åįĢ", "缸 ä¼´", "åļ ·", "å¡« åħħ", "ä¸Ģ æĹı", "ç¾ ģ", "åıĸ è¯ģ", "èĪ° éĺŁ", "åİĤ åĮº", "è¡· å¿ĥ", "åıijå±ķ éĺ¶æ®µ", "é«ĺ 强度", "åĹĵ åŃIJ", "é¢Ĩ è¡Ķ", "楼 主", "大 èĴľ", "æŀķ 头", "ç²® æ²¹", "é»Ħ çĵľ", "æĵ Ĵ", "å°ı çĭĹ", "æĶ¹éĿ© å§Ķ", "åįģ åĪĨéĴŁ", "é²ľ èī³", "åħ³ ç¾½", "çĭĢ æħĭ", "å®ŀçĶ¨ æĢ§", "å°ij è§ģ", "é£ŀ æī¬", "çĶ° éĩİ", "æIJ Ĥ", "è¿Ļ个 è¯į", "åºĶæĢ¥ é¢Ħæ¡Ī", "è§Ĵ度 æĿ¥çľĭ", "æķ¬ çķı", "æ³ķ å®Ŀ", "åĸĦ æĦı", "æīĵ æĸŃ", "对 åĨ³", "çµķ å°į", "åĢŁ æѤ", "å¼Ģ æºIJ", "å°ı 說", "ç¥ º", "å²ģ 以ä¸ĭ", "éĢĢå½¹ åĨĽäºº", "ä¸įä¹ħ åīį", "åĩº åİĤ", "讽 åĪº", "æĿ¥çľĭçľĭ åIJ§", "éŃĶ åħ½", "çķĻ ä¸ĭæĿ¥", "å±ħ 室", "åłħ æĮģ", "çľĭ äºĨä¸Ģ", "çľĭäºĨä¸Ģ çľ¼", "éĽĨåĽ¢ æĹĹä¸ĭ", "æĪĺ æĪĺç»ĦåIJĪ", "è®¤çľŁ èIJ½å®ŀ", "汽车 产ä¸ļ", "çī©çIJĨ åѦ", "æķ µ", "éĴ Ŀ", "åĽ¢ éķ¿", "ä¸įæĸŃ æī©å¤§", "èĤ© è´Ł", "åıijå±ķ 缮æłĩ", "è³ĩ éĩij", "åīį ç½®", "ä¸ŃåĽ½ åı¤ä»£", "æŃ» åĪij", "åħħåĪĨ ä½ĵçİ°", "åħ³ éŨ", "ç¾İ æĦŁ", "æīĵ åħ¥", "æĬijéĥģ çĹĩ", "å°ij çĪ·", "æłij æŀĿ", "æ¶Īæģ¯ 称", "æ´Ľ åħĭ", "åį ¯", "è¿Ī åIJij", "æݨ åĭķ", "ä»İä¸ļ èĢħ", "åİ» ä¹°", "欢 å¿«", "æĭ¥ æĮ¤", "马 桶", "æĬĬ æݧ", "æĶ¿ åħļ", "å¼ł æī¬", "客 æłĪ", "红 æĺŁ", "éĢģ æĿ¥", "åħ¨åŁŁ æĹħ游", "èĩª ç§ģ", "åįģäºĮ æĿ¡", "åı¹ æģ¯", "ä¸Ģ èīĺ", "ä¿Ŀ è´¹", "æĸ½å·¥ çİ°åľº", "æľī 幸", "ç»Ń èĪª", "åı¯èĥ½ æľĥ", "èĥĮ åıĽ", "ä½£ éĩij", "ä¸ī çŃīå¥ĸ", "å¾Ī 满æĦı", "游æĪı åī¯æľ¬", "群 éĩĮ", "æŀĦ 件", "åºı å¹ķ", "太 æ¹ĸ", "æľ¨ è´¨", "æĻĭ æ±Ł", "çµĤ æĸ¼", "è·³ è·ĥ", "åĢºæĿĥ 人", "çŃī 诸å¤ļ", "æĶ¾ åĩº", "åħ³éĶ® æŶåĪ»", "æĦŁæŁĵ èĢħ", "é£ŀè¡Į åijĺ", "èĥĨ åĽº", "èĥĨåĽº éĨĩ", "æĬ± æŃī", "åij¨ äºĮ", "æĸ° æĹ¶æľŁ", "åĨ·éĵ¾ çī©æµģ", "è¿Ļç§į æĸ¹å¼ı", "该 æĿij", "åĽŀ é¦Ī", "åŁºçĿ£ æķĻ", "人 åıĤ", "æŀ¯ çĩ¥", "æī¹åıij å¸Ĥåľº", "åħħåĪĨ èĤ¯å®ļ", "å¸Ĥ æĶ¿åįı", "äºĭ æ¥Ń", "龸 çİĭ", "çĥŃ æIJľ", "åįģä¹Ŀ 大", "ä¼´ æľī", "ç¾İåĽ½ æĢ»ç»Ł", "åŁİå¸Ĥ 管çIJĨ", "ä¸ĭ 令", "èĥ¸ åı£", "åıª çŁ¥éģĵ", "åij¨ ä¸ī", "çĶ¨ æĪ¶", "éŃ ¯", "å¿ĥ è¡Ģ", "带头 人", "åĮ» åĬ¡", "åĮ»åĬ¡ 人åijĺ", "æݧåĪ¶ åĻ¨", "ä½ľåĵģ åĨħ容", "æĪĺ åıĭ", "åİĨ å¹´", "ä¸į åħĭ", "ä¸įåħĭ ä¸įåıĬ", "æĹ¥ æŃ£å¼ı", "è±IJ å¯Į", "ç¨İ è´¹", "æŶ æķĪ", "å±ķ ä½į", "è¡¡ éĺ³", "æĪ¿ 貸", "çĪĨ 款", "ä¹IJ æĦı", "çĶ· 主", "å¯ ¬", "æľĥ èŃ°", "ä¹ĭ å¤ľ", "åIJĮ 樣", "ä¸įè¦ģ 太", "ä¼Ĭ æĸ¯", "ä¼Ĭæĸ¯ åħ°", "åŁºæľ¬ åİŁåĪĻ", "åİ» æİī", "ä½İ ä¿Ŀ", "个 交æĺĵ", "个交æĺĵ æĹ¥", "èģĬ èģĬ", "åĽĽ ä½į", "åħļç»Ħ æĪIJåijĺ", "主è¦ģ ä»İäºĭ", "å½± éŁ³", "åĨĴ åĩº", "åij¼åIJ¸ éģĵ", "è¾¾ å°Ķ", "æľ¨ åľ°æĿ¿", "诡 å¼Ĥ", "çģ¯ åħ·", "çģ« çĥ§", "解 èĦ±", "æĦĪ åıij", "æ¹ĸ å·ŀ", "é£İ ä¿Ĺ", "æĸ° å½¢åĬ¿", "æĸ°å½¢åĬ¿ ä¸ĭ", "è² Ŀ", "èĦ ĵ", "åĬ¨åĬĽ çĶµæ±ł", "é£ŀ èĪ¹", "飧 æĢ§", "åĪ© çī©", "åĪ©çī© 浦", "ä¸į 认è¯Ĩ", "ç¼ĸ ç»ĩ", "ä½ľ åĿĬ", "èģĮä¸ļ æĬĢèĥ½", "çľĭ è¦ĭ", "åĽ´ æ£ĭ", "æĺı è¿·", "å½Ĵ å±ŀäºİ", "æĤ¬ å´ĸ", "éĨ« çĻĤ", "å®ĭ 代", "åºĦ æĿij", "èĹ ķ", "çĮĽ çĦ¶", "çĩĥæĸĻ çĶµæ±ł", "å®ŀä½ĵ åºĹ", "ä¸į足 以", "æĥħ ç·", "æĥħç· Ĵ", "å»Ĭ åĿĬ", "çĶµ åı°", "åºĶ åĬĽ", "ä¸Ńå°ı åѦçĶŁ", "èĥ¡ åIJĮ", "éī´ åĪ«", "åĨħ ç½®", "ä¹± 象", "æ¬Ĭ çĽĬ", "å¼ĢæĶ¾ å¼ı", "åįļ æĸĩ", "讲 课", "çŃī åİŁåĽł", "ç©· 人", "交 æĽ¿", "æĬ¤ çħ§", "åıijå±ķ æľºéģĩ", "客 åķĨ", "åıį ä¹ĭ", "ç±³ é¥Ń", "并 åıij", "并åıij çĹĩ", "æ±ī åŃIJ", "æŀľ åĽŃ", "对æĪij æĿ¥è¯´", "åģı åIJij", "æī¹ 示", "读 åIJİ", "读åIJİ æĦŁ", "æĺİ æĻº", "åĽ´ çĿĢ", "åıį 转", "æĿ¨ å¹Ĥ", "ä¸ĵ åįĸ", "ä¸ĵåįĸ åºĹ", "åıĹ éĻIJ", "åºŁ è¯Ŀ", "æŀģ å°ij", "åįĪ åIJİ", "è¿Ľ ä¿®", "åīĬ åĩı", "æľ¬ç§ij çĶŁ", "ä¼ĺ éĢī", "åħī çħ§", "åıĻ äºĭ", "åıĸ æļĸ", "åĮĹ è·¯", "æ¦ ķ", "èİĨ çĶ°", "楼 å±Ĥ", "天 èĬ±", "天èĬ± æĿ¿", "çĤ ľ", "å·²ç»ı æľīäºĨ", "è¶ ¾", "çĶ³ åįļ", "çĶµ éĺ»", "åĬŁ 课", "æŃ¥ æŃ¥", "éĤ£ä¹Ī 容æĺĵ", "æѤ æĸĩ", "ä½ °", "计 è¾ĥ", "çīĩ éĿ¢", "çĶµå½± éĻ¢", "ä¸į åħ¬å¹³", "ä¸ī æľŁ", "æĹħ游 èµĦæºIJ", "å¤ļç§į å½¢å¼ı", "è£Ĥ ç¼Ŀ", "åIJİ æİĴ", "硬 度", "åĽŀ æļĸ", "éģĵ æķĻ", "è´« è¡Ģ", "æ¸ħ é¦Ļ", "伤 çĹħ", "æĦı 義", "çļĦ ç¼ĺ", "çļĦç¼ĺ æķħ", "åºĦ 严", "åıªæĺ¯ ä¸ºäºĨ", "æīĵ æĬĺ", "以 ä¾Ĩ", "滿 足", "çİĽ 丽", "風 éļª", "æĸĩ ç§ij", "éħįå¤ĩ äºĨ", "è¿Ľ é£Ł", "æ¶ ¡", "è·¯ ç¨ĭ", "åı« 声", "ä¸Ńå¿ĥ åŁİåĮº", "æľīæīĢ ä¸įåIJĮ", "å¼µ è²¼", "é¢Ħ æĬ¥", "æľīå¤ļ ä¹Ī", "è¿Ľè¡Į åħ¨éĿ¢", "æĽ¾ ç¶ĵ", "ä¸ī 代", "å®ı 大", "æ¸ħ æī«", "éĢī åĩº", "åĵª ä¸Ģ个", "主 義", "ä¾Ŀ æĵļ", "çļ® éĿ©", "赶 æĿ¥", "çŃĽ æŁ¥", "æ¨ Ł", "ä¿Ŀ èįIJ", "åIJĥ æĥĬ", "æľĭåıĭ们 对", "ä»ĸ æĺ¯ä¸Ģ个", "åºŁ æ°Ķ", "æ» ħ", "è´¢ ç¨İ", "æĿij æĿijæ°ij", "èµĦ产 è´ŁåĢº", "å®ī å¨ľ", "缮åīį åĽ½åĨħ", "æĦŁè§ī èĩªå·±", "çµIJ åIJĪ", "éĶ¦ æłĩ", "éĶ¦æłĩ èµĽ", "æĽ´ æ·±", "åŁº æķ°", "éħ¿ éħĴ", "çī¹èī² 产ä¸ļ", "åİĭ å®ŀ", "ä¾Ŀæ³ķ 追究", "æ·¡ å®ļ", "ç®Ģ缴 å°±æĺ¯", "å£ĵ åĬĽ", "æ°ij å¿ĥ", "ä¸į åIJĪéĢĤ", "çĶ±æѤ åı¯è§ģ", "èµŀ èªī", "æ¾ ¤", "åĩłå¹´ åīį", "åIJī ä»ĸ", "çł´ æįŁ", "轻轻 åľ°", "å²Ľ 屿", "æĦı å¢ĥ", "ä»Ģä¹Ī åı«", "åģĩ è£ħ", "éĢģ è´§", "å¹ķ å¢Ļ", "妥 åįı", "åĽ½ æĹĹ", "äºĨ å¾Īä¹ħ", "åĪĨ辨 çİĩ", "ç´ Ķ", "éĺ³ åĮº", "åĩŃ çĿĢ", "åģľè½¦ ä½į", "京 éĥ½", "éĶ £", "æĵ ¾", "è¿Ľ éŨ", "åĪĺ æµ·", "åĽĽ 级", "女 足", "è¡ĮæĶ¿ 审æī¹", "éģ¥ æݧ", "ä¸į éĮ¯", "å¾Ĺ å¾Ī好", "为 缮çļĦ", "ä»į æľª", "ç²¾ è£ħ", "éĢį éģ¥", "å°½ 头", "çºł ç¼ł", "éłĺ å°İ", "æĭħ è´Ł", "æĪĸèĢħ åħ¶ä»ĸ", "åıªä¸įè¿ĩ æĺ¯", "åı® åĺ±", "åģĩ åĨĴ", "æļĸ æ°Ķ", "çĽIJ åŁİ", "被 è§Ĩ为", "诺 è´Ŀå°Ķ", "ç»ĻäºĨ æĪij", "è¿ij åįĥ", "éĩį åĽŀ", "éĨĴ äºĨ", "çĶµ 解", "忽çķ¥ äºĨ", "èĥĮ éĥ¨", "æĸĩæĺİ åŁİå¸Ĥ", "æº ħ", "è² ĵ", "æĬµ æĮ¡", "åĸľæ¬¢ åIJĥ", "éĿĻéĿĻ åľ°", "å¾Ī æ·±", "åŁºç¡Ģ çŁ¥è¯Ĩ", "è¿ĩ éĶĻ", "çIJĨ ç§ij", "交æµģ åIJĪä½ľ", "èĪ Ķ", "調 æŁ¥", "æħĪ æĤ²", "éĴ °", "èĩ´ çĶµ", "å®£ä¼ł æ´»åĬ¨", "åıĺ éĩı", "çļĦ人 æĿ¥è¯´", "æŶ éļĶ", "ä¸į管 ä½ł", "缸 è¿ij", "è´µ éĩijå±ŀ", "ä¹Łä¸į åı¯èĥ½", "ç²ī æľ«", "åįĹ çĵľ", "çĻ½ 马", "åħī æºIJ", "éĩij å¥ĸ", "çĭ¬ è§Ĵ", "çĭ¬è§Ĵ åħ½", "妨 ç¢į", "ç»Ļ åĬĽ", "ä½Ĩ ä»į", "å¼łå®¶ åı£", "èIJ¬ åħĥ", "渲 æŁĵ", "éķ¿å¤§ äºĨ", "è®°èĢħ äºĨ解", "æĢĢ çĿĢ", "è¦ģ åѦä¼ļ", "游æĪı 代", "游æĪı代 ç»ĥ", "äºĮ çĻ¾", "æĦıè¯Ĩ å½¢æĢģ", "çİ º", "计åĪĴ çĶŁèĤ²", "æī¾ åĩĨ", "åħ° èĬ±", "è¿Ļ座 åŁİå¸Ĥ", "污 æ³¥", "å®ĺæĸ¹ 微信", "å½Ĵ å±ŀ", "æ°§ æ°Ķ", "éģİç¨ĭ ä¸Ń", "åį°è±¡ æ·±åĪ»", "稳 妥", "çµIJ æĿŁ", "åŃķ æľŁ", "çī¹ æĿĥ", "åĿļ åĽº", "顺 åĬ¿", "æŀľ èĶ¬", "éĨ« 師", "åİ ®", "ä¹Łæĺ¯ å¦ĤæѤ", "é¦Ĵ 头", "缸 åĬ©", "å¹² 线", "ä¸Ģ æľ¬ä¹¦", "ç» ¥", "æĮ¯ å¥ĭ", "èĤ¾ èĦı", "åĭķ çī©", "é£ŀ è·ĥ", "èıľ åĵģ", "å¤ļ ä½Ļ", "å¤ļä½Ļ çļĦ", "éĢĿ ä¸ĸ", "æģĭ 人", "å¼Ģåıij åĪ©çĶ¨", "顺 丰", "éĩİ å¿ĥ", "æł¡ å¤ĸ", "æģIJ é¾Ļ", "éĿ¢ åħ·", "éķ¿ è¾Ī", "éļı å¤Ħ", "éļıå¤Ħ åı¯è§ģ", "ç´§ 缺", "éĩį ä¸Ń", "éĩįä¸Ń ä¹ĭ", "éĩįä¸Ńä¹ĭ éĩį", "奥 æĸ¯", "奥æĸ¯ åį¡", "ä¸Ģ个 å¤ļ", "ä¸Ģ个å¤ļ æľĪ", "ä¸įåı¯ 缺å°ij", "æĸ° æł¼å±Ģ", "æıIJ æĮ¯", "è¡Į è´¿", "æ¼Ĥ æµģ", "èģĬ åŁİ", "åħ´ 建", "è´¨ æ£Ģ", "ç§ģæľį 游æĪı", "æĽ´ éĩįè¦ģ", "è´ ®", "çħ ľ", "转åıĺ 为", "è¿Ļ 两年", "ä¿Ŀ é²ľ", "æī§ æķĻ", "çĥ ¨", "å¼Ģåıij 建设", "è¿IJèIJ¥ 管çIJĨ", "误 å·®", "京 åī§", "å¸IJ åı·", "å·¥ä½ľ ä½ľé£İ", "ä¸ĸ ä¿Ĺ", "çĻ½ 宫", "天 åĽ½", "å¤©åĽ½ 继ç»Ń", "å·´ æĸ¯", "èIJ¥ åĪ©", "åĵģ æł¼", "æĿijæ°ij 们", "æĪ¿ 车", "çŃī çĹĩçĬ¶", "å¦Ĥ å®ŀ", "å® ¸", "å±Ĥ 级", "éĶĻ è¿ĩäºĨ", "ç»ĵ å®ŀ", "ç¬ij èĦ¸", "羣å®ŀ æĢ§", "éĥ½å¸Ĥ æĬ¥", "é¥Ń èıľ", "åºĶ 注æĦı", "æĬ½ çĥŁ", "伪 éĢł", "åīį ä¸Ģ天", "éŃĶ é¾Ļ", "éŃĶé¾Ļ 令çīĮ", "约 è°Ī", "绣çŃ¹ æİ¨è¿Ľ", "让 çĶ¨æĪ·", "åħ¨éĿ¢ èIJ½å®ŀ", "å¼Ħ å¾Ĺ", "è°Ī æģĭçĪ±", "鸣 æĪIJéķ¿", "鸣æĪIJéķ¿ è®°", "æ´ĭ æ´ĭ", "çĸı æķ£", "éĿ¢ç§¯ 约", "æµĵ 缩", "æĸ¯ é¡¿", "çĶŁæĢģ åľĪ", "æī§ 导", "移 éĢģ", "齿 è½®", "æł¹æľ¬ å°±ä¸į", "缩 åĩı", "èµ° ä¸ĭåİ»", "çĿ« æ¯Ľ", "ä¹Łä¸į éĶĻ", "åıįæĺł åĩº", "èĭ¦ æģ¼", "缸åħ³ æĶ¿çŃĸ", "é«ĺ 楼", "ç²ī èī²", "æĬķèµĦ é¢Ŀ", "ä¸į ç»ı", "ä¸įç»ı æĦı", "å®ģ æĦ¿", "èĪĮ 头", "æ»ĭ çĶŁ", "å®ģ åİ¿", "åīįåĪĹ èħº", "åĩ ³", "é£Ł 欲", "åıĸ èĥľ", "éĻ¢ åŃIJ", "ç´łè´¨ æķĻèĤ²", "滨 å·ŀ", "æĬ¢ æĬĵ", "å¼Ĥ åij³", "åĴ ļ", "åĬ į", "宽 éĺĶ", "æļ´ 涨", "æĥł åıĬ", "è§Ħ ç¨ĭ", "ä¾Ľ åħ»", "éĢģ å¾Ģ", "å±± åºĦ", "举 äºļ", "å±ķ é¦Ĩ", "解 éĶģ", "æĹł è§Ĩ", "éĻį èIJ½", "è¿ŀ äºij", "è¿ŀäºij 港", "åıĤ è°ĭ", "çİ ĸ", "ç¬ ĥ", "èĢĹ è´¹", "æī¿ å¾·", "社ä¼ļ æķĪçĽĬ", "åįĹæµ· ç½ij", "åĪĽ 伤", "èIJ ±", "åħħ æ²Ľ", "ç½ijç«Ļ 建设", "大 åºĨ", "åĨį éĢł", "åŃĹ æł·", "åħ¨æ°ij åģ¥èº«", "èĮ« èĮ«", "æµ® åĬ¨", "åīį åı°", "å¢ŀ 设", "éĢĽ è¡Ĺ", "åĢĴ éĹŃ", "æ³ķå¾ĭ 顾éĹ®", "çĸ ®", "çĹħ çĹĩ", "空 åīį", "请 æķĻ", "èĥľ ä»»", "æĿĢ èıĮ", "æĪĺæĸĹ æľº", "ç»ĺ åĪ¶", "å¤Ħ æĸ¹", "çªģ åĽ´", "çĮ« åĴª", "æĬ¥åijĬ æĺ¾ç¤º", "ç¿ Ł", "çķ¶ åľ°", "æľĢ éļ¾", "纪 å§Ķ书记", "ä½İ åİĭ", "èĻļ 空", "è¿Ļéĥ¨ çĶµå½±", "产ä¸ļ åįĩ级", "è°· çĪ±", "è°·çĪ± åĩĮ", "æĬ¼ éĩij", "女 æĸ¹", "éĴ» çłĶ", "æļĹ æļĹ", "è¿· ä½ł", "æīĢ è¬Ĥ", "å¨ģ å»ī", "å¼Ģ æľĹ", "å² Ķ", "çģ« çĤ¬", "åIJĪçIJĨ æĢ§", "åħ¬ åĬŀ", "ä¼ļ ä¼ļéķ¿", "éĺ´ è°ĭ", "å¼Ģ å±Ģ", "æĻ®éĢļ è¯Ŀ", "åį¡ æĭī", "å°ij åIJĥ", "éĹª èĢĢ", "æŀľ æ±ģ", "æī§è¡Į åĬĽ", "è° Ľ", "æĬ¢ åĬ«", "é«ĺéĢŁ åıijå±ķ", "éŁ ¬", "åįĹ æ²Ļ", "é«ĺçŃī åŃ¦æł¡", "æį¢ 个", "åı¯èĥ½ åŃĺåľ¨", "æĬ Ĵ", "è°± åĨĻ", "被 æĬĵ", "æĿ¯ åŃIJ", "èĬĤèĥ½ åĩıæİĴ", "æ°ĶåĢĻ åıĺåĮĸ", "åĪĨ åĪ¥", "ä¸Ń æŀ¢", "欢 åij¼", "åħī 纤", "è¿Ļ 群", "çľ¼ çķĮ", "åħ±åIJĮ åıijå±ķ", "çİ° ä»Ĭ", "éĹ» è¨Ģ", "çī¹èī² å°ıéķĩ", "æķij 人", "éĻį æ°´", "ä¸ĸçķĮ ä¸Ģæµģ", "å°± é¤IJ", "çŀ ¥", "å¤į ä»ĩ", "ç¾½ æ¯Ľ", "ç¾½æ¯Ľ çIJĥ", "è´© åįĸ", "æºIJ æ³ī", "æĢ»ä½ĵ è§ĦåĪĴ", "åĬ¨ æĦŁ", "ä¸Ģ 审", "åĢŁ éĴ±", "è§ģ æķĪ", "èĬ± èįī", "åIJĮ ä¸ļ", "æŁ¥ è©¢", "åĽ½éĻħ åIJĪä½ľ", "ä¾Ľ åĽ¾", "åģ ´", "æł ĵ", "缸 éĢļ", "è°Ī åıĬ", "è¿ĩç¨ĭ å½ĵä¸Ń", "é¦Ļ èıĩ", "åįģåĽĽ æĿ¡", "ä¸Ģå¼Ģå§ĭ å°±", "ä¸ĵ åijĺ", "æĺİ é¡¯", "æīĵéĢł åĩº", "ä¸ĭéĿ¢ æĪij们", "æľº æ²¹", "åı° è¯į", "åŃIJ å¼Ł", "æľĢ 常è§ģçļĦ", "æĪij è®°å¾Ĺ", "ç» °", "æĤ¬ æµ®", "è¿ĺ 羣æĺ¯", "æĮĤ åı·", "åıĭ åĸĦ", "éĩį 伤", "çħ§ 亮", "æѦ èѦ", "åĩºçİ° éĹ®é¢ĺ", "è¸Ĭ è·ĥ", "åľ°çIJĥ ä¸Ĭ", "å¸Ĥ 人大", "åıĹ害 人", "å² IJ", "åIJĮ åѸ", "éĩijèŀį å¸Ĥåľº", "æľīçļĦ çݩ家", "å¸Ĥ æķĻèĤ²", "å¸ĤæķĻèĤ² å±Ģ", "åIJĦ å¼Ĥ", "ç·ļ ä¸Ĭ", "æģ º", "æľī 大éĩıçļĦ", "åķĨ æĬ¥", "åįķ åįķ", "åħ¨ é¢Ŀ", "ä¾Ŀæŧ æĺ¯", "好 åĩłä¸ª", "åĸ µ", "éĩį æķ´", "çĶŁæ´» è´¨éĩı", "æİ¢ 访", "åį° èĬ±", "缼 è¡Į", "å¾® è§Ĥ", "èĪį å¾Ĺ", "åºŁå¼ĥ çī©", "积 èĵĦ", "å®ļ å±ħ", "æĤ ¼", "èĮ ¸", "çļĦ 帮åĬ©", "çļĦ帮åĬ© ä¸ĭ", "亿 åIJ¨", "åŃĶ éĽĢ", "è¿ĻæĿ¡ è·¯", "é¥ µ", "æĦĪ åĬł", "éķ į", "ä½ľ æ¡Ī", "èįĶ æŀĿ", "太 å°ij", "è·» 身", "åħ¬çĽĬ æ´»åĬ¨", "çĻ½ æĸij", "æĬĢæľ¯ æ°´å¹³", "å¸ §", "æĹł çŁ¥", "åºĶ该 æĢİä¹Ī", "éĢĢ å¸Ĥ", "æ¸ Ń", "åħ» çĮª", "é© ¼", "群 å²Ľ", "大 åį«", "ä¹ĺ çĶ¨è½¦", "èı² å°Ķ", "è´´ åIJ§", "åģľ ä¸ĭæĿ¥", "æľīæľº ç»ĵåIJĪ", "åĪ» èĭ¦", "çļĦ åľ°", "çļĦåľ° æŃ¥", "è¯Ĭ æīĢ", "å¼Ģ æĪĺ", "èĢģ çīĮ", "çŃ¹ çłģ", "åħ«å¤§ 以æĿ¥", "楼 æĪ¿", "åŃĻ æĤŁ", "åŃĻæĤŁ 空", "åħĴ åŃIJ", "第ä¸Ģ æĿ¡", "社交 åªĴä½ĵ", "æĥ³ èµ·æĿ¥", "大 æ´ĭ", "æĭ¼ éŁ³", "è¿Ľ åįļä¼ļ", "è¿ĩ åħ³", "æ² ¼", "ç©¿ æIJŃ", "éĤ£ ä¸Ģ天", "çł´ éŨ", "æĬķæłĩ 人", "èµ¢ 家", "èĻļ å¼±", "æ¿ ĥ", "å®ī æ£Ģ", "客 家", "çĭ¬ç«ĭ èij£äºĭ", "æīĭ åĬ¿", "åīµ éĢł", "åľĨ满 å®ĮæĪIJ", "为主 线", "好å¥ĩ å¿ĥ", "é¢Ĩ åľŁ", "çª ĸ", "åħ¸åŀĭ æ¡Īä¾ĭ", "çªģåıij äºĭ件", "åºķ æ°Ķ", "头 æĻķ", "å®Ľ å¦Ĥ", "è§ ¸", "æ¸ħ æ·¡", "åļ ¼", "åģľ çĶµ", "ç²ī å°ĺ", "éĻįä½İ æĪIJæľ¬", "æĶ¾ æīĭ", "è®°èĢħ 表示", "æĭĸ 延", "éª ĩ", "æ®ĭ å¿į", "çľģ æķĻèĤ²", "çľģæķĻèĤ² åİħ", "é«ĺ é¢Ŀ", "éĦ Ļ", "æ¥ ŀ", "åĨħ ç§ij", "èIJ¥ä¸ļ é¢Ŀ", "åŁº çŁ³", "æµģ æ·Į", "主 æŨ", "éĺIJ éĩĬ", "建 åįİ", "æĥĬ åı¹", "çī¢åĽº æłijç«ĭ", "æĺ¯åIJ¦ åŃĺåľ¨", "建 åĨĽ", "éĽ¾ éľ¾", "åħ¬ 认", "åħ¬è®¤ çļĦ", "æ°¨ åŁº", "æ°¨åŁº éħ¸", "åīį åĩłå¹´", "åĪ¹ éĤ£", "æ±Ł 举", "å·¥ æ¥Ń", "ä¸ĢçĤ¹ ä¹Łä¸į", "ä¿® 士", "äºĨä¸Ģ éģį", "åĪ ģ", "æ»ļ æ»ļ", "åĪĨ æł¡", "羣 çĪ±", "è¡Ģ èĦī", "æĢ¥ åī§", "ä¸Ģ群 人", "ç¾ ¯", "æĪIJ é¾Ļ", "ç²¾ç¥ŀ çĹħ", "缸åħ³ 人åijĺ", "éĿĵ 丽", "ä¸ī åŃ£åº¦", "åĪĴ å®ļ", "ä¸ĸçķĮ 第ä¸Ģ", "éĢļ ä¿Ĺ", "åķĨä¸ļ åľ°äº§", "åĬŁèĥ½ æĢ§", "èµĦæľ¬ 主ä¹ī", "详 è§ģ", "æĬĵ æįķ", "æĸĩ æĺĮ", "å®Ŀ å®ī", "è£ħéħį å¼ı", "æºIJ æºIJ", "æºIJæºIJ ä¸įæĸŃ", "çĶŁ æĢķ", "纵 åIJij", "å£ ½", "çľ¼ è¢ĭ", "èĤī ä½ĵ", "åı¤ ä»Ĭ", "èŀį åªĴä½ĵ", "åģ ī", "æł¼ æľĥåĵ¡", "çĥ ·", "åĬŁ çĶ¨", "æīŃ çŁ©", "绿èī² éĢļéģĵ", "åī§ ç»Ħ", "å¼± åĬ¿", "è´¨éĩı éĹ®é¢ĺ", "éĻIJ é¢Ŀ", "éª Ĩ", "éģµ ä¹ī", "å¯Ŀ 室", "æĥ³ 念", "åł± åijĬ", "ä»ħ 次", "ä»ħ次 äºİ", "èŀį åĪĽ", "æĭĽèģĺ ä¼ļ", "åºĬ åŀ«", "转åŀĭ åıijå±ķ", "ä¸ŃåĽ½ çĶµä¿¡", "åIJ¬ è¯Ŀ", "è«ĭ æ±Ĥ", "大éĥ¨åĪĨ 人", "æ´» å¾Ĺ", "åĵŃ æ³£", "è¶ Ļ", "åıijçĹħ çİĩ", "ä¸į 符", "åĨĽ å®ĺ", "é¢Ī æ¤İ", "æĸ°åĨł çĸ«æĥħ", "æŁ¬ åŁĶ", "æŁ¬åŁĶ 寨", "ä»»ä½ķ å½¢å¼ı", "人 éĻħ", "人éĻħ åħ³ç³»", "æĢ» æī¿åĮħ", "å¹³åĿĩ æ¯ı", "æģŃ åĸľ", "åĦ ĺ", "åħµ 马", "è¿Ł åĪ°", "å·¥ 伤", "çīĪæĿĥ å½Ĵ", "çīĪæĿĥå½Ĵ åİŁ", "æĭ¥ æĬ¤", "ç³Ĭ æ¶Ĥ", "å¹² æ¶ī", "å°ij ä¸įäºĨ", "æĥ³ æī¾", "è´¹ çİĩ", "该 éĻ¢", "èŀį åĮĸ", "è¿İ åIJĪ", "è§ĨåIJ¬ èĬĤ缮", "æł¼ 網ç«Ļ", "çľī æ¯Ľ", "欢è¿İ 大家", "家åºŃ æķĻèĤ²", "ä¾µ èļĢ", "ç»Ļ ä½łä»¬", "è¡Ģ液 循çݯ", "å¯Ħ æīĺ", "å°ĸ åı«", "以ä¸ĭ åĩłä¸ª", "è¿ĺ 以为", "åħ¶ä»ĸ çݩ家", "ç¬ij ç¬ij", "æīĵ åIJ¬", "èĩªçĦ¶ ç§ijåѦ", "åŁº ç«Ļ", "ä¹Ŀ å·ŀ", "ä¿Ŀ 驾", "ä¿Ŀ驾 æĬ¤", "ä¿Ŀ驾æĬ¤ èĪª", "æĶ¾ çľ¼", "çŁ¥åIJį ä¼ģä¸ļ", "ç¸ ®", "ç¨ ½", "æļ ĩ", "使çĶ¨ 網路", "é¢Ħ çķĻ", "大 象", "åıijæĺİ ä¸ĵåĪ©", "æĸĩ 娱", "éĢł ç¦ı", "湿 润", "éĿ¢ æĿ¡", "æ¶Īè´¹ åįĩ级", "è®Ĭ å¾Ĺ", "åĩł åIJį", "ä» Ħ", "认 æ¸ħ", "è¿ľ æĻ¯", "æıĴ 座", "诸 侯", "åıĺ æĢģ", "ç¦ı 彩", "è´§ æŀ¶", "失 æݧ", "移åĬ¨ 端", "ä¸Ĭ åı¸", "éĢł 纸", "å¸ĥ æľĹ", "çĴ ĩ", "åı° åįĹ", "åĮĹ京 åĨ¬å¥¥", "èĵĿ çīĻ", "éķ¿ çŁŃ", "æĬĺ å°Ħ", "ç»ij æŀ¶", "å¯Ĵ åģĩ", "转 åŁºåĽł", "æĢ¥ äºİ", "æŃ£ åĵģ", "åħħ 滿", "大 纲", "æĬĹ ä½ĵ", "è¨ĵ ç·´", "æĶ¶ ç´§", "æ¯Ķ è³½", "åħµ åĬĽ", "æľ¬ æĽ¸", "äºĮ 代", "æĢ¥ è¯Ĭ", "æĸĩ æ¡Ī", "ç»ı åķĨ", "æĻ¨ æĬ¥", "æ£ ĺ", "æĢ»ä¹¦è®° åľ¨", "åıĹ éĤĢ", "äºĶ åĽĽ", "å²Ń åįĹ", "çĪ± åIJĥ", "åŁĥ å°Ķ", "å¿ĥ å¢ĥ", "è¦ĨçĽĸ éĿ¢", "å®ŀåľ¨æĺ¯ å¤ª", "æł¹ åºķ", "纷纷 表示", "åĹ ħ", "éļıçĿĢ æŶéĹ´", "åİĨåı² æĤłä¹ħ", "éħ ī", "æĢ» éĺŁ", "主é¢ĺ æ´»åĬ¨", "éĹ® åį·", "é©¿ ç«Ļ", "æı¡ ä½ı", "åı¯èĥ½ 导èĩ´", "æ°ij éĸĵ", "éĸĭ åķŁ", "ä½Ĩ ä¸įéĻIJ", "ä½Ĩä¸įéĻIJ äºİ", "åįģ éĩĮ", "å¨ ¥", "æįŁ èĢĹ", "çĸı 导", "çݯ æ°§", "ç¥ŀ éĢļ", "çĪ± å°Ķ", "çĪ±å°Ķ åħ°", "æľ´ å®ŀ", "å¿« æĬ¥", "æĶ¶ åıĹ", "æĪĸ 許", "èĥĮ éĿ¢", "æĸĩåĮĸ ä¼łåªĴ", "ä¸ī åĢĭ", "æĶ» åĬ¿", "å®ī 举", "å®ī举 å°¼", "åĿĩ å·²", "顾 èĻij", "éĦ Ń", "è¿Ļ家 åħ¬åı¸", "åħ¬åijĬ 称", "æıIJä¾Ľ ä¼ĺè´¨", "稳æŃ¥ æİ¨è¿Ľ", "å¤į è¯ķ", "å°Ĩ é¢Ĩ", "è°Ī èµ·", "å¨ Ħ", "è¿ŀ 线", "æ©Ł éĹľ", "åºĶçĶ¨ åľºæĻ¯", "çĶ» åĥı", "è´¢ è¿IJ", "ä¿Ŀ éļª", "çĹħ çIJĨ", "æ¯Ľ 主å¸Ń", "ä¸Ŀ 毫ä¸į", "çĪ± å¥ĩ", "çĪ±å¥ĩ èīº", "ä¸ĵ家 ç»Ħ", "åij¼ åĶ¤", "éĭ ¼", "çģ ¸", "é¢ĨåħĪ åľ°ä½į", "æıIJ æĭĶ", "龸 éģĵ", "å±± åĿ¡", "èĿ İ", "沸 èħ¾", "该 项", "ä»Ĭ çĶŁ", "ä¸Ģç¯ĩ æĸĩç«ł", "æĸ¹å¼ı è¿Ľè¡Į", "é»ij 客", "æĶ¹ åĬ¨", "主 é¡Į", "æķ£ å¸ĥ", "ä»Ģä¹Ī åľ°æĸ¹", "åĮĸ åIJĪ", "åĮĸåIJĪ çī©", "éĿĻ çĶµ", "æĢ» æĶ¶åħ¥", "å§Ķ ç»Ħç»ĩ", "å§Ķç»Ħç»ĩ éĥ¨", "éĿĻ æĢģ", "èĢģ åŃĹåı·", "室 åıĭ", "éĥ½ä¸į æķ¢", "æŀ¶ åŃIJ", "çģµ æķı", "审 è§Ĩ", "æĤ£ åĦ¿", "å±± 寨", "èĸª èµĦ", "é©° æı´", "éĥ¨åĪĨ åĨħ容", "好 ä¼¼", "æĪIJåijĺ åĽ½", "åľ¨æĪij çľĭæĿ¥", "åħ³æ³¨ 度", "éĻĪ æŁIJ", "è¿Ļç§į äºĭæĥħ", "éĢī å®ļ", "ç²¾ åŃIJ", "å£ģ çĶ»", "æ±Ł æ·®", "é«ĺ æĺĤ", "æł¼ åĬĽ", "è¼ ©", "åѦ åłĤ", "æĤ¨ åIJĮæĦı", "ä¸ĢåĪĩ éĥ½æĺ¯", "æ½ ¤", "éĸ ĥ", "å¸ĮæľĽ èĩªå·±", "ä¿ ĺ", "æ±Ł åİ¿", "æ³ ¾", "ç§ij æķĻ", "æīĵ è¿Ľ", "ä¸į æħİ", "å¯Ĵ åĨ¬", "æ¸Ķ æ°ij", "鼷 æĸ¯", "主 å®°", "æĹħ游 度åģĩ", "çĶµåŃIJ éĤ®ä»¶", "æ±Ĥ å©ļ", "éļİ æ®µ", "åģ¥èº« æĪ¿", "注æĺİ åĩºå¤Ħ", "äºĭæķħ åıijçĶŁ", "级 以ä¸Ĭ", "åŃĺ æ´»", "æĸ½ èĤ¥", "èľľ èľĤ", "åµ ©", "æĮĸæİĺ æľº", "æĬĹ æĭĴ", "ä¼ł 导", "æĺ¯ä»Ģä¹Ī åij¢", "ä¸Ĭå¹´ åIJĮæľŁ", "建 åħļ", "çĶŁ æħĭ", "ä¿Ŀ ä½ı", "款 车åŀĭ", "人 èĦī", "éļIJ èĶ½", "失 æķĪ", "éģ¿ åŃķ", "ç®Ģ 便", "谢谢 ä½ł", "å®Ī ä½ı", "æĶ¾ æĺł", "è¨Ī çķ«", "çݰ代 çī©æµģ", "é¤IJ 廳", "æķħ å±ħ", "大 大å°ı", "大大å°ı å°ı", "çī¹åĪ« 声æĺİ", "éģį åıĬ", "å¿ĥçIJĨ åĴ¨è¯¢", "è³ ´", "çĮ® è¡Ģ", "å·²ç»ı è¾¾åĪ°", "æīĵ æĭĽåij¼", "åıĮ è¾¹", "ä¸Ģæĸ¹éĿ¢ æĺ¯", "å´ĩ å°ļ", "éĺ¿ å¯Į", "éĺ¿å¯Į æ±Ĺ", "æĮģ æľī人", "è± ģ", "é£İ çŃĿ", "åĬ¨ èį¡", "äºĨä¸Ģ ä¼ļ", "äºĨä¸Ģä¼ļ åĦ¿", "ä¸ĩ 象", "çľĭ çĶµè§Ĩ", "åįģä¸ī æĿ¡", "çĮĽ çĥĪ", "è¦ģ ä¸įçĦ¶", "太æŀģ æĭ³", "å¼ķ çĪĨ", "ç»ıè¿ĩ å¤ļå¹´", "游æĪı éĩĮçļĦ", "é¾Ļ æ³ī", "æłĩ éħį", "è®ĵ ä»ĸåĢij", "éĢł æŀĹ", "åĮºåŁŁ æĢ§", "亿 ä¸ĩ", "æĪĺçķ¥ å¸ĥå±Ģ", "éķĩ æĶ¿åºľ", "åĶ® 票", "çĶŁäº§ å·¥èīº", "éķĩ åħļå§Ķ", "ä¸Ńå°ı åŀĭ", "æľ¨ èĢ³", "æ²³ è¾¹", "èĦ¾ èĥĥ", "欢è¿İ æĤ¨", "åıĺ å¼Ĥ", "缤 纷", "åŀĥåľ¾ 桶", "辩 è¯ģ", "车 åºĵ", "æ¯Ķ çİĩ", "åħ´ æĹº", "详ç»Ĩ äºĨ解", "å®ī å±ħ", "çħ§ æĸĻ", "æĸ¹ æīį", "èµ ¦", "åĨ ķ", "å¥Ķ èµ´", "å®Ŀ 鸡", "åľº åĿĩ", "缮åīį æŃ£åľ¨", "åIJŀ åĻ¬", "è¿° èģĮ", "æĩ µ", "å¥ĩ çijŀ", "ä»į å°Ĩ", "èĪī 辦", "å·¥åķĨ å±Ģ", "å¡ij èĥ¶", "åĬŀ å®ŀäºĭ", "æĸ¹ æĸ¹éĿ¢", "æĸ¹æĸ¹éĿ¢ éĿ¢", "æĸĩåĮĸ èĬĤ", "åħ¥ èģĮ", "é¸ ¥", "ç©¿ éĢı", "以 ä¹łè¿ijå¹³", "åį± éļª", "æľ¦ èĥ§", "åİĨåı² æĢ§", "æķŀ å¼Ģ", "ä¼Ļä¼´ åħ³ç³»", "çŁ¿ åĮº", "åĽ½éĻħ åľ¨çº¿", "ä¼łå¥ĩ éĩĮéĿ¢", "è¿ij äºĽ", "è¿ijäºĽ å¹´", "åĬ£ åĬ¿", "æĶ»åĩ» åĬĽ", "æĻº éĢł", "ç¦ §", "çİĭ åħĪçĶŁ", "éĨ« çĶŁ", "åĽĽ 项", "å®ŀ æĻ¯", "åĪĿ åĪĽ", "å¿ĥ 裡", "æĻ¶ ä½ĵ", "交 éĻħ", "让 æ¶Īè´¹èĢħ", "课 æĸĩ", "æİĴ æ°Ķ", "并ä¸į æĦıåij³", "缸 声", "第ä¸Ģ å±Ĭ", "åİŁ èijĹ", "éĽ ľ", "没æľī 太大", "è¡¥ æ°´", "çī©æµģ ä¼ģä¸ļ", "第äºĮ æī¹", "åħ¶å®ĥ éĹ®é¢ĺ", "æİĮ éŨ", "责任 å¿ĥ", "é¤IJ åħ·", "ç¾Ĭ æ¯Ľ", "没æľī å¿ħè¦ģ", "ä¹IJ åĽ¢", "è¿Ľ åŁİ", "ä¸ĢçĤ¹ åĦ¿", "身 å½¢", "çļ®èĤ¤ çĹħ", "æĺ ±", "å¢ŀ èĩ³", "èģ² æĺİ", "æıIJ è´¨", "ä½ĵèĤ² åľº", "çŃ¹ 建", "é¬ Ĩ", "车 çīĮ", "éļĶ éŁ³", "è´Łè´£ åIJĮå¿Ĺ", "丰 ç¡ķ", "ä½Ľ éĻĢ", "äºī åIJµ", "åº ¶", "æ·¡ æ°´", "å°ı çĶ·åŃ©", "ç§ģ èĩª", "åĮĸ è¿Ľç¨ĭ", "æĪĺ士 æĿ¥è¯´", "æ²¹ èħ»", "èĦ±è´« èĩ´å¯Į", "æĹ¥å¸¸ å·¥ä½ľ", "交 èŀį", "åĨľ è´¸", "åĨľè´¸ å¸Ĥåľº", "åĵĪ çĻ»", "çĶµ è´¹", "èµ ĺ", "åıĮ èħ¿", "æĵĶ å¿ĥ", "æĿ¥ 形容", "使åij½ æĦŁ", "éĤ£ä¹Ī ç®Ģåįķ", "èĬĻ èĵī", "åĢŁæ¬¾ 人", "ç§Ģ 丽", "è®ĵ ä»ĸ", "严åİī æīĵåĩ»", "è³ ŀ", "æļ «", "çħ¤ æ°Ķ", "çĪ¬ ä¸Ĭ", "æ½ĩ æ´Ĵ", "太 ä¹ħ", "åij½ åIJį为", "è·¯ çĶ±", "è·¯çĶ± åĻ¨", "é© ¯", "æıIJ æĹ©", "æĬĹåĩ» çĸ«æĥħ", "åĩ Ľ", "交 åıĭ", "éĶĢåĶ® æ¸łéģĵ", "毫ä¸į çĬ¹è±«", "èIJ¥ åľ°", "çłĶ究 表æĺİ", "é±¼ ç±»", "æį¢ å±Ĭ", "æİ¡ åıĸ", "çī Ĩ", "缼 å¼Ģ", "沧 æ¡ij", "åºŃ 审", "ç»ı æŁ¥", "åĬł å¼·", "缸æ¯Ķ äºİ", "ä¸ĵ çıŃ", "ä½ĵ åŀĭ", "被 害", "被害 人", "æĶ¶ 款", "åħ·æľī èī¯å¥½", "é«ĺå³° æľŁ", "åģı ä½İ", "åĦ Ł", "åĨľä¸ļ ç§ijæĬĢ", "çī¹æ®Ĭ æĥħåĨµ", "å¦Ĥæŀľ çݩ家", "éķ¿ 约", "第åħŃ å±Ĭ", "åħ¬å¼Ģ æĭĽèģĺ", "åĪĩ æĸŃ", "è¿« 使", "çĸĹ ç¨ĭ", "第äºĮ ç§į", "ä¸į åħį", "å¹² èѦ", "çŁ³ 榴", "åĹ £", "两 ç±»", "çĪµ 士", "åŁİ乡 å±ħæ°ij", "æѤ 项", "缴 è¾ĸ", "缴è¾ĸ å¸Ĥ", "åij¼ åºĶ", "éĴ ¯", "ç¦ı å¾·", "æľº 身", "æĵį åľº", "æ¿Ĵ 临", "人群 ä¸Ń", "èĤ¡ æ°ij", "åŃ ½", "æ³ķ åħ°", "é¨ İ", "糯 ç±³", "æĢ» çļĦ", "æĢ»çļĦ æĿ¥è¯´", "åħ¸ éĽħ", "æĸ° éĻĪ", "æĸ°éĻĪ 代谢", "缮 çĿ¹", "é¢Ħ è¨Ģ", "è·Į çł´", "æĸ° ç¯ĩç«ł", "æ¯Ĵ æĢ§", "åĸĿ èĮ¶", "æŁ¥ èİ·", "亮 丽", "çĶŁäº§ åķĨ", "æĶ¹ æĪIJ", "为äºĨ æĽ´å¥½", "æ·± 交", "深交 æīĢ", "æİ ĥ", "ä¹Ļ èĤĿ", "泸 å·ŀ", "åħĪè¿Ľ æĬĢæľ¯", "è¾ĵ ç»Ļ", "æķ£ æĪ·", "æĢĿç»´ æĸ¹å¼ı", "åºĹ 主", "è°ĭ æ±Ĥ", "游æĪı æĬĢå·§", "ä¸Ģå¹´ 级", "çľ¼ è§Ĵ", "ä¸Ńä»ĭ æľºæŀĦ", "å·§ åIJĪ", "éĺ² çĽĹ", "导 è´Ń", "æĪ Ĭ", "æĽ´ éĢĤåIJĪ", "åŁºæľ¬ ä¿¡æģ¯", "马 ä¸ģ", "åħ»æ®ĸ åľº", "åıį è¿ĩæĿ¥", "æݨ å´ĩ", "å¯ĨåĪĩ åħ³æ³¨", "åŁºéĩij ç»ıçIJĨ", "æĮī éĶ®", "åĨħéĥ¨ æݧåĪ¶", "æĪIJåijĺ åįķä½į", "æľ¯ è¯Ń", "åĪ¶ æľį", "åĪļ éľĢ", "æ£Ģ ç´¢", "大大 æıIJé«ĺ", "åģ¥åº· 管çIJĨ", "èĩª æѤ", "客æĪ· éľĢæ±Ĥ", "丰 èĥ¸", "èµ· éĩį", "èµ·éĩį æľº", "æ¬ł 缺", "æ¡Ī åŃIJ", "æĥħ人 èĬĤ", "åħļ æł¡", "è¢ ľ", "该 åī§", "迷失 ä¼łå¥ĩ", "ç»ļ 丽", "åķ ª", "æĹł ç§ģ", "éĢ² ä¸ĢæŃ¥", "第ä¸Ģ ç«ł", "åĻ¨ åħ·", "åĨľ èµĦ", "確 實", "åºı åĪĹ", "娱ä¹IJ å¹³åı°", "èŀįèµĦ 秣èµģ", "èµĦæºIJ åħ±äº«", "èģ½ åĪ°", "æIJŀ å¾Ĺ", "继ç»Ń ä¿ĿæĮģ", "åIJ¯ èĴĻ", "çľ º", "ä¸Ŀ è·¯", "设æĸ½ 建设", "æİ¥ åľ°", "æİ¥åľ° æ°Ķ", "第ä¸ī åŃ£åº¦", "åŁº è°ĥ", "åıij éŁ³", "社ä¼ļ èµĦæľ¬", "éĽĩ 主", "è¿ŀ èĥľ", "没 åķ¥", "å» ¢", "赶 èµ´", "æ¼Ķ åĮĸ", "åı¤ æĢª", "çİĭ çĪ·", "é¢Ħ åħĪ", "å¼Ģ åħ·", "åĽŀ é¦ĸ", "åľ°ä¸ĭ æ°´", "å°ıç¼ĸ ä¸Ģèµ·", "èµİ åĽŀ", "åľ° è²Į", "åĪĿ ä¸ī", "åı¯ çĶ¨äºİ", "éģĹ è¿¹", "è¿Ļ æī¹", "èĸª æ°´", "å¿ħçĦ¶ ä¼ļ", "æ² ½", "éį ĭ", "第ä¸Ģ éĥ¨", "åĪĬ çī©", "å®ŀ ä¾ĭ", "æ¸ħ åĩĢ", "ä¸Ĭ èµĽåŃ£", "åĽ¾ 表", "éĤ® è½®", "åĵª 裡", "缸 è§ģ", "æī° ä¹±", "æ¯ı æ¯ı", "è¿Ļ è¾ĪåŃIJ", "ç¡« éħ¸", "äºī 缸", "溯 æºIJ", "åĩº ä¼Ĺ", "çİī çŁ³", "åħ± çĶŁ", "æŶéĹ´ 段", "éĩįè¦ģ æĮĩ示", "æ¶Īè´¹ éľĢæ±Ĥ", "éķ¿ éķ¿", "éķ¿éķ¿ çļĦ", "å®ī æĬļ", "å¢ŀ é«ĺ", "æľ¬ è½®", "亲 çľ¼", "é£İ æ³¢", "èĢģ å¦Ī", "æĶ¶è´¹ æłĩåĩĨ", "åĨħ éĻĨ", "æĮ¥ åıij", "åįĩ åѦ", "èĥ¸ åīį", "åģı è¿ľ", "纯 æ´ģ", "æĸ½å·¥ åįķä½į", "身 ä»·", "è´¢ åĬĽ", "çº ¶", "è£ħ çĶ²", "æĺ¾ç¤º åĻ¨", "毫 åįĩ", "æ·± çŁ¥", "èĢ¶ ç©", "èĢ¶ç© Į", "è¾ĥ éĩı", "åľ¨ è¿ĩ渡", "åľ¨è¿ĩ渡 æľŁ", "èĮ Ĺ", "ä¸Ģ个 æĺŁæľŁ", "èĬ ·", "è´¿ èµĤ", "æ¿ ķ", "æĩĤ äºĭ", "ç§ §", "åħħ å½ĵ", "åĽ½ ç«ĭ", "èĬ± çĵ£", "éĤĦ è¦ģ", "åħ¬ åľĴ", "触 åĬ¨", "æ³° å·ŀ", "ä»Ģä¹Ī æł·", "æ»ĭ åħ»", "è¯Ħ åĪ¤", "æĮ¥ æīĭ", "èĦ Ī", "姥 姥", "è¿IJ è´¹", "æ¯ħ åĬĽ", "å¿ĥ æĻº", "ä¸į æİĴéĻ¤", "第ä¸ī 代", "éĢĢ è´§", "æĺŁ éĻħ", "æ°¸ åĪ©", "æĬ¤ åį«", "çıŃ è½¦", "è¨Ģ è¡Į", "ç¹ ª", "主åĬ¨ æĢ§", "å·¥ç¨ĭ è´¨éĩı", "éĥĬ åĮº", "ä¸Ģ æłĭ", "ä½Ĩ å®ŀéĻħä¸Ĭ", "ä¸ī大 èģĮä¸ļ", "åij¼ åı«", "女 åħĴ", "è¯ģåĪ¸ æĬķèµĦ", "èĢĥ æħ®", "çĤ« èĢĢ", "æ²» 好", "åĺ ¶", "èĥ ¤", "åħīä¼ı åıijçĶµ", "åĩł æŃ¥", "æīĢ æīĢ", "æīĢæīĢ éķ¿", "çħ§ æł·", "åĵ¥ 们", "è¯ Ľ", "è¿Ļä¸Ģ åĪ»", "çŁ¿ çī©è´¨", "ä¸įå¾Ĺ å·²", "åIJĮ 缣", "ç»Ĩ å¾®", "è·¯ èĻİ", "çĻ¾ èĬ±", "æ·· æ²Į", "ä¸Ĭæµ· è¯ģåĪ¸", "éĢĢ ç¨İ", "èµŀ åı¹", "æī®æ¼Ķ 游æĪı", "åIJį åĪĹ", "åIJįåĪĹ åīį", "åIJįåĪĹåīį èĮħ", "ç±³ å°Ķ", "ä»Ģä¹Ī åİŁåĽł", "å®īåħ¨ ä¿Ŀéļľ", "ä¸Ģåıª æīĭ", "ä¹³ ä¸ļ", "ä¸į çĶĺ", "æĥħ åķĨ", "æĮ¡ ä½ı", "åİŁåĽł ä¹ĭä¸Ģ", "è¿Ļ 两天", "çĥĺ çĦĻ", "è± ¬", "ä½ł 以为", "没 è§ģè¿ĩ", "åĵªå®¶ 好", "åīį ä»»", "è¿Ľ è´§", "éĢĢ åĽŀ", "串 èģĶ", "èĩ³ æĸ¼", "åĨ° æ·ĩ", "åĨ°æ·ĩ æ·ĭ", "æŁ¥çľĭ 详æĥħ", "çı¾ 實", "æݨ æµĭ", "æİ¥ æīĭ", "éļ¶ å±ŀäºİ", "åŁİå¸Ĥ 群", "æĿİ åħĪçĶŁ", "çŁ¿ æ³īæ°´", "çī¹ ä»·", "æĽ´å¤ļ 精彩", "ç¨ĭ å¼ı", "读 æĩĤ", "å±ı èĶ½", "奥 æŀĹ", "奥æŀĹ åĮ¹", "奥æŀĹåĮ¹ åħĭ", "红 èĸ¯", "å¥ ®", "å®Ŀ çİī", "網 絡", "è² §", "欧 å¼ı", "çĻ½ ç³ĸ", "èĩªçĦ¶ çģ¾å®³", "åijĬè¯ī 她", "å» ļ", "çĤ¹åĩ» æŁ¥çľĭ", "é£İ 湿", "èµĦ产 éĩįç»Ħ", "ä¹Łä¸į ä¾ĭå¤ĸ", "åįĬ 个å°ıæŶ", "åIJ¸å¼ķ æĽ´å¤ļ", "æŶéĹ´ èĬĤçĤ¹", "æĶ¶ 纳", "åIJ¸ æ¯Ĵ", "èĢģ 乡", "çIJ ħ", "æľĢ çµĤ", "åıį æĦŁ", "çĶ¨ 微信", "çĶ¨å¾®ä¿¡ æī«", "éĢŁ çİĩ", "大 çĨĬçĮ«", "åı¯ æĥ³", "åı¯æĥ³ èĢĮ", "åı¯æĥ³èĢĮ çŁ¥", "åĴ §", "èµ° åħ¥", "碳 éħ¸", "èĮĥ åĨ°", "èĮĥåĨ° åĨ°", "被 åĪ¤", "积æŀģ æݨåĬ¨", "足 足", "ç²Ĵ åŃIJ", "大 å®Ĺ", "大å®Ĺ åķĨåĵģ", "ç½ij绾 ç§ijæĬĢ", "æĽ¼ åŁİ", "å·² ä¹ħ", "å·²ä¹ħ çļĦ", "秦 çļĩ", "秦çļĩ å²Ľ", "ä»» æķĻ", "åĶ¯ ç¾İ", "æ·¡ åĮĸ", "æ¡Ĥ èĬ±", "çŁ¥è¯Ĩ åĪĨåŃIJ", "æĩĴ å¾Ĺ", "主 åħ¬", "设计 çIJĨ念", "è³ º", "æīĢ æıIJä¾Ľ", "æīĢæıIJä¾Ľ ä¹ĭ", "æĶ» åħĭ", "åĤ ¾", "è¯Ń æ³ķ", "åįĥ åı¤", "éĸĭ æĶ¾", "第ä¸Ģ èĬĤ", "éĤĦ æ²Ĵ", "éĢĥ çĶŁ", "æ³ Ĺ", "åİ¿ å§Ķ书记", "ä½ľèĢħ æīĢæľī", "çħ ½", "ç» ħ", "æł ħ", "æľ´ ç´ł", "çijķ çĸµ", "åĮħ åĮħ", "æ°ij主 åħļ", "ä¸į è¿ľå¤Ħ", "å¥ĩ å¼Ĥ", "åĺ» åĺ»", "æī ¼", "ç¿» å¼Ģ", "æĢİ èĥ½", "éģ´ éĢī", "解 éĩĭ", "å¹¼ ç¨ļ", "è¦ģ 好好", "趴 åľ¨", "ç´¢ åıĸ", "ç»Ī çĶŁ", "åħ¨ æµģç¨ĭ", "éģ© çķ¶", "åįıè°ĥ åıijå±ķ", "æĬ¥ ä»ĩ", "ç§ijæĬĢ åĽŃ", "ä»Ģä¹Ī éĥ½ä¸į", "æľĢåIJİ ä¸Ģ次", "ç»Ļ人 ä¸Ģç§į", "æł¸ å®ļ", "被 åĪĹåħ¥", "æĦı æĥ³ä¸įåĪ°", "èĢĥ æŁ¥", "åľ¨æѤ ä¹ĭåīį", "æīĵ çIJĥ", "è¶ĬæĿ¥è¶Ĭ å°ij", "å®ļ å¾ĭ", "è¡ĮæĶ¿ æľºåħ³", "ä½ıæĪ¿ åħ¬ç§¯", "å°ıå§IJ å§IJ", "ä¸ī èı±", "ä¿® è¡¥", "èŀĥ èŁ¹", "西 çĶ²", "æĢ ł", "çŃī å¤ļ项", "产ä¸ļ éĽĨèģļ", "ä»·æł¼ ä¸Ĭ涨", "åħ¬åħ± åľºæīĢ", "è¢ĭ åŃIJ", "æĨ§ æĨ¬", "çļĦæĸ¹å¼ı æĿ¥", "åĪ° è´¦", "çģ ½", "å·´ èı²", "å·´èı² çī¹", "æ¼Ķ ä¹ł", "èŃ¦ç¤º æķĻèĤ²", "çķı æĥ§", "å¼ķ æµģ", "æĶ¶ æĶ¯", "å±Ĥ åĩº", "å±Ĥåĩº ä¸į", "å±Ĥåĩºä¸į ç©·", "æijĩ æ»ļ", "辦 çIJĨ", "纵 è§Ĥ", "æķij æµİ", "家 éĥ½çŁ¥éģĵ", "åĮ ¯", "å°ı 鸣", "ä»» åĭĻ", "计 åħ¥", "ç«ŀ éĢī", "å¼ĢèįĴ æĹ¶æľŁ", "åij¨ æģ©", "åij¨æģ© æĿ¥", "交 ç»ĩ", "çķ¢ æ¥Ń", "æł¹æį® èĩªå·±", "æĸ°äºº çݩ家", "åѵåĮĸ åĻ¨", "éĩĩ æļĸ", "å¹³åĿĩ æ°´å¹³", "åħ¬å¼Ģ 课", "失 åĪ©", "伺 æľį", "çĬ ģ", "忽 æĤł", "主è¦ģ éĽĨä¸Ń", "æ¤į æłij", "æ¯Ĺ éĤ»", "èĩº çģ£", "åĩºåĽ½ çķĻåѦ", "æĬĹ éľĩ", "æĥ© æĪĴ", "å¹´åºķ åīį", "åĴ¸ éĺ³", "æ°ij å±ħ", "大çIJĨ çŁ³", "éĿ ³", "éķ ĸ", "æ¸ħ è¿ľ", "è£ħ è½½", "èĩ Ģ", "å½± ä¸ļ", "å¼Ł åħĦ", "æĤ² è§Ĥ", "çĿĢçľ¼ äºİ", "æįį åį«", "åī¥ 夺", "ç¯ Ĩ", "å¾Ī éķ¿æŶéĹ´", "è¥ Ł", "第ä¸Ģ çĻ¾", "ä¸ĢåĪĨ éĴ±", "æĸ°éĹ» è®°èĢħ", "éķ· æľŁ", "æ³ķ æĪĺç»ĦåIJĪ", "è°ģ çŁ¥éģĵ", "èħ° éĥ¨", "æ±ī åł¡", "åħ¥ çĿ¡", "åįĸ æİī", "æ¶Īè²» èĢħ", "æĥ¯ ä¾ĭ", "æĥ³ äºĨ", "æĥ³äºĨ æĥ³", "èĢģæŧ å°ıåĮº", "ä¼ł è¨Ģ", "åĪĨæķ° 线", "æµģ 泪", "ç»Ħç»ĩ é¢Ĩ导", "äºļ åĨĽ", "å¢ŀåĢ¼ æľįåĬ¡", "å¾ ¹", "ä¼ ¶", "äºĽ 许", "å¸ĥ èݱ", "强 æĤį", "宫 å»·", "绿 èĮ¶", "åĮ ¡", "å¾Ī æŃ£å¸¸", "æĺ¥ å¤ı", "æ¯ Ļ", "è¯Ħ æ¯Ķ", "åĩ¡ äºĭ", "æĬī æĭ©", "åĢĴ éľī", "éĩį 度", "åįıä¼ļ ä¼ļéķ¿", "忧 èĻij", "ä¸ĭ ä¸Ģç¯ĩ", "沪 æ·±", "æĪ İ", "æīĵ ä»Ĺ", "åįĪ é¥Ń", "å¹´é¾Ħ 段", "ä¸ŃåĽ½ 足çIJĥ", "设计 æĸ¹æ¡Ī", "åºĶçĶ¨ æŁ¥çľĭ", "é¢Ħ æĸĻ", "åĹ ¡", "ç¥ĸ çĪ¶", "çļĦä¸Ģ åijĺ", "æ´Ĺ å¹²åĩĢ", "åİĨåı² æĸ°", "åİĨåı²æĸ° é«ĺ", "çĭ¬ åħ·", "æħĭ 度", "æīĵ 交", "æīĵ交 éģĵ", "é»Ħ çŁ³", "çĽ¼ æľĽ", "çī§ åľº", "转 弯", "åįĩ åįİ", "åĨį ä¹Łæ²¡æľī", "èĭ± æīį", "æĽ´ åIJį为", "åĢŁ çĶ¨", "çºł éĶĻ", "ç»Ŀ对 ä¸įä¼ļ", "çİĭ çīĮ", "çĽĨ åľ°", "失 è°ĥ", "好 象", "é³ ¥", "ä¿Ŀ ä¿®", "åĽĽä¸ª èĩªä¿¡", "头 çļ®", "åİŁ åīĩ", "æĬ¥ æ¡Ī", "奴 éļ¶", "å³ Ļ", "è°ĥ æĸĻ", "ä¹Ł 許", "èIJ½ åĪ°", "èIJ½åĪ° å®ŀ", "èIJ½åĪ°å®ŀ å¤Ħ", "çĦļ çĥ§", "çĶŁæ´» çݯå¢ĥ", "åºĶ åıĬæŶ", "è¶Ĭ è¿ĩ", "æĦŁ è¬Ŀ", "æĻ¯ å¾·", "æĻ¯å¾· éķĩ", "çĬ Ģ", "身 éĤĬ", "ç¨İåĬ¡ æĢ»å±Ģ", "åĩĢ åľŁ", "ä¾µ åįł", "åĬ¨ å·¥", "å¹´ ä¹ĭ", "å¹´ä¹ĭ ä¹ħ", "第äºĮ èĬĤ", "åĬ¨çī© åĽŃ", "第ä¸Ģ 书记", "éħ ļ", "çĶŁäº§ 设å¤ĩ", "æŁIJç§į ç¨ĭ度", "åľ Ń", "åĩŃåĢŁ çĿĢ", "éĺħ è§Ī", "çĻ½ æ²Ļ", "æ²¹ çĥŁ", "çªģçł´ åı£", "åıĹ å½±åĵį", "åı¯ä»¥ æĽ´å¥½", "å³° åĢ¼", "æĿĤ è´¨", "宿 è¿ģ", "çĽĺ æ´»", "æ¿Ģ èµ·", "åĦ¿ ç§ij", "åĿIJ èIJ½åľ¨", "æĮª å¨ģ", "æµ· å²Ľ", "绣 绣", "éĻ ¨", "ä¼ĺ äºİ", "å°Ī 家", "ä¸Ģ éĤĬ", "èIJ Ĭ", "äºĨä¸Ģ åı£", "æ²ĥå°Ķ æ²ĥ", "æŃ£å¸¸ 使çĶ¨", "æĻ®éģį åŃĺåľ¨", "丰 满", "çĶ» åį·", "åºĶ æĶ¶", "åºĶæĶ¶ è´¦", "åºĶæĶ¶è´¦ 款", "å®Įæķ´ çĥŃ", "å®Įæķ´çĥŃ æ¦ľ", "注 è§Ĩ", "çĨ Ħ", "èº ¬", "éĶĢåĶ® 人åijĺ", "è¶ĭ åIJij", "çĦ¦ æĢ¥", "åįģå¹´ åīį", "ä¼łç»Ł 产ä¸ļ", "質 éĩı", "åĩ¤åĩ° ç½ij", "èµĦæºIJ æķ´åIJĪ", "æ¶Į åħ¥", "æĸĩåĮĸ ä¼łæĴŃ", "çķĮ 第ä¸Ģ", "æ°´ æ³µ", "宫 殿", "æİ¢ 寻", "ä¿® åīª", "æĦı è¦ĭ", "ç´Ĭ ä¹±", "æĽ ī", "çĻ½ è¡£", "èĻİ åį«", "ç´§ æī£", "å¤Ħå¤Ħ éķ¿", "åĪĽå»º å·¥ä½ľ", "红 æŀ£", "饼 å¹²", "äºĨ åįĬ天", "ä¼ļå½±åĵį åĪ°", "çĽ¸ä¿¡ 大家", "èħ¾ é£ŀ", "å°± å¦ĤåIJĮ", "ä¸ĭéĿ¢ å°ıç¼ĸ", "æ°ijèIJ¥ ç»ıæµİ", "æĻ ¦", "è£ħ æī®", "é»ij å¤ľ", "常 å¾·", "å·¥ä¸ļ 大åѦ", "æĺİ çŁ¥", "éĺŁåijĺ 们", "åIJ¬ 课", "æ¯ı éļĶ", "羣æĺ¯ å¤ª", "åIJĪä½ľ åħ±èµ¢", "çIJĨ åıij", "æīį å¹²", "çľĭ èµ·ä¾Ĩ", "殿 ä¸ĭ", "å®ī éĺ³", "æīĢ 产çĶŁçļĦ", "éĽĩ ä½£", "æĬ¬èµ· 头", "æį® æĬ¥éģĵ", "éļĨéĩį 举è¡Į", "交 éĶĻ", "è¶ħ é¢Ŀ", "åĮĸ çĸĹ", "é¡ Ĩ", "纵 æ·±", "çĪ±åĽ½ 主ä¹ī", "éĻ¢ åī¯éĻ¢éķ¿", "è® ³", "羣æŃ£ åģļåĪ°", "åѤ åįķ", "èĩªçĦ¶ èĢĮ", "èĩªçĦ¶èĢĮ çĦ¶", "ä¿® 身", "èĬ ¹", "æģ¯ æģ¯", "æģ¯æģ¯ 缸åħ³", "驾 æł¡", "æİ© 饰", "æ³½ è¿ŀ", "æ³½è¿ŀ æĸ¯åŁº", "举 æŃ¢", "管çIJĨ ä½ĵåĪ¶", "åħ¶ä¸Ń ä¹ĭä¸Ģ", "æĿ¾ å¼Ľ", "æĭ¦ æĪª", "åį« åģ¥", "åį«åģ¥ å§Ķ", "ä»İ åݻ年", "åĤ ¢", "è´Ń 票", "åĽ¾ æłĩ", "æ²³ 西", "æ°ijæĶ¿ å±Ģ", "ç§ģ èIJ¥", "å¤ĸåĽ½ è¯Ń", "å¹² è´§", "æĵ¦ æĭŃ", "åľ° ä¸Ń", "åľ°ä¸Ń æµ·", "æµĵ æµĵ", "æµĵæµĵ çļĦ", "å§ĭ 建", "å§ĭ建 äºİ", "ç¶ĵ æŃ·", "è·¯ æ¼Ķ", "æļ´ é£İ", "åŁº è¾ħ", "æī¶è´« å·¥ä½ľ", "ä¸Ģ缴 å¤Ħäºİ", "æĥħ 趣", "äºĮ åŃ£åº¦", "åİĮ æģ¶", "顺åĪ© å®ĮæĪIJ", "æŁ¥ å°ģ", "顶 端", "ä¸į åŃķ", "ä¸Ģ大 åłĨ", "被 æ·ĺæ±°", "æĺ¯ çĶ¨æĿ¥", "æľĢ åIJĪéĢĤ", "亮 çľ¼", "并ä¸įæĺ¯ å¾Ī", "ç§ijçłĶ éĻ¢", "ç§ijçłĶéĻ¢ æīĢ", "ç² Ł", "é¢Ī éĥ¨", "é»ĺé»ĺ åľ°", "é«ĺä¸Ń çĶŁ", "æĹıèĩªæ²» åİ¿", "æķĻåѦ è´¨éĩı", "æĪĺ çģ«", "åĿİ åĿ·", "æIJŃ ä¹ĺ", "è¯Ĺ æĦı", "åĪij èѦ", "åĩº æ±Ĺ", "åįģåħŃ æĿ¡", "请 åıĬæŶ", "åĨľä¸ļ 大åѦ", "èIJ½ åı¶", "æĢ» èĢĮè¨Ģ", "æĢ»èĢĮè¨Ģ ä¹ĭ", "æĿľ åħ°", "æĿľåħ° çī¹", "éĻª ä½ł", "åħ¬ æĬ¥", "çķĻè¨Ģ æĿ¿", "éĺħ åİĨ", "競 çĪŃ", "ç»Ļ åĪ«äºº", "æĹ¥æĬ¥ 社", "åĿIJ èIJ½", "åĿIJèIJ½ äºİ", "éĩij åŃĹ", "éĩijåŃĹ å¡Ķ", "åĽ ¤", "è¯Ŀ åī§", "æĮģç»Ń æİ¨è¿Ľ", "æ¼ı æ°´", "詳 ç´°", "æĢĢ æĬ±", "åıĺ å¹»", "饥 饿", "éļIJ 身", "个 èµĽåŃ£", "åĵ¡ å·¥", "æģ¢å¤į æŃ£å¸¸", "äºĨ 好å¤ļ", "æĺŁ å·´", "æĺŁå·´ åħĭ", "åħī çݯ", "å¸ħ åĵ¥", "çĻ½ éĽª", "ç¨į ç¨į", "计 æıIJ", "æĦĽ æĥħ", "éİ ĸ", "ä¿¡ éĺ³", "è§Ģ å¯Ł", "å¦Ĥæŀľä½ł æĥ³", "缸æ¯Ķ ä¹ĭä¸ĭ", "解 å¼Ģ", "æīĵåį° æľº", "身 躯", "ç²¾ç¥ŀ æĸĩæĺİ", "èĤ¡ æĮĩ", "å¾® åĪĽ", "红 èĮ¶", "èĩ´ çĻĮ", "æģ© æĸ½", "èħ¿ éĥ¨", "大åŀĭ å¤ļ人", "å®ī åĢį", "è¾ħ导 åijĺ", "èĪª éģĵ", "å¸ĥ å°Ķ", "åįĹå®ģ å¸Ĥ", "ä¸ĬçıŃ æĹı", "侧 ç»ĵæŀĦæĢ§", "追 éļı", "å½ĵåľ° æĶ¿åºľ", "èµ° åĩºæĿ¥", "éĩijèŀį ä¸ļ", "丼 书", "é¡¹çĽ® ç»ıçIJĨ", "è¿ĩ æĪ·", "骨 æŀ¶", "è¡ Ļ", "ä»Ģ 麽", "èħ ĭ", "è¦ģ 害", "åľ¨ åºĬä¸Ĭ", "代è¨Ģ 人", "並 å°ĩ", "åIJĦ个 æĸ¹éĿ¢", "è°´ è´£", "åħ± æĮ¯", "åį³å°Ĩ åĪ°æĿ¥", "èĤº çĻĮ", "ä¾Ľ éĶĢ", "丼 æŀĹ", "èµ ĥ", "åįģä½Ļ å¹´", "åĭĺ æİ¢", "飵 åij³", "èĭ¦ ç¬ij", "æľĢ大 ç¨ĭ度", "éĩįçĤ¹ åħ³æ³¨", "ä¹ĭ 举", "满 æĢĢ", "åıĹåĪ° å½±åĵį", "æĭĽ æĬķæłĩ", "è¡¥ é½IJ", "西 红", "西红 æŁ¿", "é¬ §", "è£ħ åį¸", "éĤ» éĩĮ", "èĤĩ äºĭ", "æİĴ æ¯Ĵ", "åѤ åĦ¿", "鼶 è·Ŀ离", "å®ŀ å¹²", "çľĭ æŁ¥çľĭ", "æĶ¶è´¹ ç«Ļ", "ç» ·", "åħ¬çĽĬ æĢ§", "éĢĴ ç»Ļ", "æĶ» æīĵ", "æĺŁçº§ éħĴåºĹ", "æĺİ åªļ", "çį¨ ç«ĭ", "è¯Ŀè¯Ń æĿĥ", "ä¸ĢæŃ¥ ä¸ĢæŃ¥", "书æ³ķ 家", "æľªç»ı æİĪæĿĥ", "çŁ³ èĨı", "åĩŃ ä»Ģä¹Ī", "çļĦ æĹ¥", "çļĦæĹ¥ åŃIJéĩĮ", "诱 人", "çĻ¾åĪĨ çĻ¾", "èĪĪ 趣", "å¼ł åħĪçĶŁ", "èĢģçĪ· åŃIJ", "æ³¢ çī¹", "åŁºéĩij 份é¢Ŀ", "æ²Ļåıij ä¸Ĭ", "å¥ĭæĸŠ缮æłĩ", "æ°¢ èĥ½", "æ²ĥå°Ķ çİĽ", "義 åĭĻ", "éŁ³ ç®±", "æ²ī 浸", "æ²ī浸 åľ¨", "èĭ± åľĭ", "çģ¯ çģ«", "è¿Ľ 项", "两 端", "ä¹Ķ 丹", "èĦ¸ é¢Ĭ", "åıijå±ķ æ½ľåĬĽ", "åĭķ ä½ľ", "åĵĪ ä½Ľ", "å®´ ä¼ļ", "æ§ į", "ç«ĭ å¿Ĺ", "ç¡ķ士 åѦä½į", "åĭĭ ç«ł", "è¿Ļ åľºæ¯ĶèµĽ", "æĮģ å¹³", "éķĢ éĶĮ", "èĭ± çī¹", "èĭ±çī¹ å°Ķ", "æķĻ èģĮå·¥", "åĬŁ åĬĽ", "该 æ¡Ī", "ä¸Ģ æ¢Ŀ", "åĺī å¹´", "åĺīå¹´ åįİ", "è¿« ä¸įåıĬ", "è¿«ä¸įåıĬ å¾ħ", "è¿Ļ个 æĹ¶ä»£", "精彩 æĴŃæĬ¥", "人 èĦ¸", "人èĦ¸ è¯ĨåĪ«", "æ£Ģå¯Ł å®ĺ", "å°ı èħ¿", "éĨĴ 缮", "åħļ æĢ»", "åħļæĢ» æĶ¯", "æĪ Ł", "èĮ« çĦ¶", "è±Ĩ æµĨ", "主 æ²»", "éĿĴæµ· çľģ", "åĪijäºĭ 责任", "çł °", "ä¹ĭ æ¬ĬåĪ©", "äºĶ å®ĺ", "è¿· æĥij", "åħ¥ åºĵ", "家 纺", "å¼¹ ç°§", "åįģäºĶ æĿ¡", "ç»Ļ å®Ŀå®Ŀ", "èĪªç©º èĪªå¤©", "å¾Ģ å¤ĸ", "å¼ķ åĬĽ", "çľ¼ çļ®", "æ¶ī 足", "æĿ¥ 宾", "åľ¨çº¿ è§Ĵèī²", "çĥŃ éĶĢ", "æµģ éĢĿ", "泡 泡", "éĻį å¹ħ", "è´ŁéĿ¢ å½±åĵį", "红 楼", "红楼 梦", "éļĶ çĿĢ", "ä¾¥ 幸", "许 ä¹ħ", "åĴĮ çĿ¦", "èŃ ½", "使çĶ¨èĢħ æĪĸ", "ä¹° åįķ", "è¿ ´", "é£İ æīĩ", "æķĻ 師", "æ¡ĮåŃIJ ä¸Ĭ", "å¾Ī æ¼Ĥ亮", "åł± å°İ", "第ä¸Ģ åŃ£åº¦", "ç©© å®ļ", "æĤ² åĵĢ", "çĿĢåĬĽ æīĵéĢł", "æĮ Ł", "è·¯ æ¡¥", "åij IJ", "åľ£è¯ŀ èĬĤ", "çļĩ åŃIJ", "ä»ĩ æģ¨", "éħĿ éħ¿", "ä¸į éĹ´", "ä¸įéĹ´ æĸŃ", "æĮĩ å°ĸ", "ä¸ŃåĽ½ ç½ij游", "åŀ £", "æĦıè§ģ 建议", "æ¯ħ çĦ¶", "亮 度", "èģĶ è°Ĭ", "å½ķ åħ¥", "åĦ ²", "å¨ĺ 家", "ç§ij å°Ķ", "ä¹Łæ²¡ ä»Ģä¹Ī", "æł¹æį® ä¸įåIJĮ", "åı¶ ä¿®", "åĢ¼ å®Ī", "æľ« 端", "åĪ ¨", "åĤµ åĭĻ", "èģ¯ åIJĪ", "å¥ĩ å¹»", "èĻļ æŀĦ", "é»Ħ æĺı", "å¹³ åĿ¦", "æµģ æ°ĵ", "æĸ° åŁºå»º", "æĮ½ æķij", "åįİ å°Ķ", "åįİå°Ķ è¡Ĺ", "æľĢ åıĹ欢è¿İ", "ç»Ń 约", "å¼Ĭ 端", "éŃĶ æ³ķå¸Ī", "éŃĶæ³ķå¸Ī åĴĮ", "åħ·ä½ĵ åĨħ容", "çIJī çĴĥ", "æī© 容", "èĮ¶ åĽŃ", "主ä¹ī èĢħ", "ç«ĭ éĿ¢", "æİ¥åıĹ éĩĩ访", "åĩº åħ¥å¢ĥ", "ç§ij åįı", "éĴ ³", "çµIJ æ§ĭ", "ç»ĵæŀľ æĺ¾ç¤º", "åı° è´¦", "å°± æĿ¥çľĭçľĭ", "èĩª æķij", "åıį æĩī", "åİ» åĵªåĦ¿", "è¿Ļ é¦ĸ", "è¿Ļé¦ĸ æŃĮ", "åIJ¬ ä¼Ĺ", "å¤ĸ 壳", "ä½ĵèĤ² é¦Ĩ", "實 æĸ½", "èŀº ä¸Ŀ", "æĭī åįĩ", "çĮĽ åľ°", "åħ¨åĽ½ 人æ°ij", "æĤī å°¼", "æĹı 群", "åĽ¢ åijĺ", "两个 å°ıæŶ", "åľ¨ çݩ家", "åľ¨çݩ家 ä¸Ń", "çĶľ çĶľ", "æĬķ è¡Į", "åįĶ æľĥ", "éĻ ¡", "åĬłå·¥ åİĤ", "æ¦Ĩ æŀĹ", "æŃ» è§Ĵ", "åĨħ å¹ķ", "æīĢæľī æĥħèĬĤ", "åĪ· åį¡", "æ°´ èĤ¿", "èĥĥ åı£", "å«Į å¼ĥ", "æ²® 丧", "ä¸īå¹´ 级", "æ¶Ĥ å±Ĥ", "å¿ĥ 仪", "å¿ĥ仪 çļĦ", "å¤ Ń", "é¦ĸ è½®", "æĹłè®ºæĺ¯ åħ¶", "éĢı æ°Ķ", "äºĮ åįģäºĶ", "ç® «", "åĬŁ åĬ³", "çŃ¾ ä¸ĭ", "æ²ī è¿·", "æķij åij½", "éĹª éĹª", "åIJĥ äºı", "å±ķ åĵģ", "åį³æŶ åıijçĶŁ", "ç¶ ľ", "綾 åIJĪ", "æłĩ æĺİ", "çľĭ çĶµå½±", "åħ¬ ç«ł", "éĺ¿ æ£®", "éĺ¿æ£® 纳", "身 åĪĽéĢł", "身åĪĽéĢł çļĦ", "æ¸Ľ å°ij", "åĢ¼å¾Ĺ åħ³æ³¨", "鼶åĶ® åķĨ", "æįĨ ç»ij", "è¸ı åħ¥", "èĽ Ł", "æŁ´ 纳", "èĢģ åħµ", "绿èī² çݯä¿Ŀ", "é¹ Ń", "麻 æľ¨", "æıŃ çīĮ", "è¿Ļ款 车", "ç¾İ å¾·", "ç¾İå¾· åħ¬åı¸", "æ¶ §", "è°ģ çŁ¥", "æ´ĭ èij±", "æ¯į æł¡", "ä¸Ģ éĹª", "çĶ· 主è§Ĵ", "æĹłçº¿ çĶµ", "å±ł å®°", "æĺ¯ éŁ©åĽ½", "æĺ¯éŁ©åĽ½ 娱", "容 è²Į", "åĿĩ 使åħ¶", "太 å¿«", "å¹´ çĶ±", "å¹´çĶ± 缼", "èĭ¦ èĭ¦", "åĬĽ è¿ĺæĺ¯", "åĬĽè¿ĺæĺ¯ èĩª", "æĨ ©", "èģ¯ 絡", "åĶ ¾", "åħ·æľī æĪĺ士", "追 éĹ®", "åłĨ æĶ¾", "åıį 驳", "å®ŀäºĭ æ±Ĥ", "å®ŀäºĭæ±Ĥ æĺ¯", "åѸ éĻ¢", "åįģ åĩłä¸ª", "æķij æĬ¤", "æķijæĬ¤ 车", "ç½ij绾 ä¼łæĴŃ", "åįģåħ« å±Ĭ", "éĥ¨ åī¯", "éĥ¨åī¯ éĥ¨éķ¿", "çĹ´ è¿·", "管çIJĨ æĿ¡ä¾ĭ", "èŀį 为ä¸Ģä½ĵ", "æĢ» 产åĢ¼", "è³ ĵ", "ä¸ĥ æĺŁ", "çıŃ ç»Ħ", "绣 é¢Ĩ", "请 大家", "éĩij éĻµ", "èĪħ èĪħ", "æµ· æ¹¾", "æĸ½ çŃĸ", "享 èªī", "éº ¥", "端 åįĪ", "绿 åŁİ", "確 ä¿Ŀ", "å·´ æĭī", "åĨĴ çĿĢ", "æħ· æħ¨", "个人 è§ĤçĤ¹", "ä¹Ļ çĥ¯", "ç¡ħ è°·", "éĸĭ å±ķ", "å°ļ 书", "åĿļ 飧", "åº µ", "èĢģ é¾Ħ", "èĢģé¾Ħ åĮĸ", "羨 çľ¼", "绿 æ°´", "绿水 éĿĴå±±", "书 é¦Ļ", "主åĬĽ åĨĽ", "æīįæĺ¯ çľŁæŃ£", "æĬ¢ åħĪ", "æĪIJå°± æĦŁ", "éĩį æŀĦ", "éĴ¢ åİĤ", "æĪIJ 份", "èĬ± 纹", "ä¹ĭ äºī", "å¹² ç»Ĩèĥŀ", "æĹ¢ åı¯ä»¥", "ç¹ģ çIJIJ", "æĦļ èł¢", "éĿŀ常 æĺİæĺ¾", "ä½ĵ 彩", "æĬĢ æ³ķ", "æĿĨ èıĮ", "å¹¿æ³Ľ åħ³æ³¨", "åĮĹ å®ĭ", "å§Ĭ 妹", "åįı åĬŀ", "æ·® åįĹ", "çĥ ı", "æ´Ĺ èĦ¸", "åıĹ è®¿", "åıĹ访 èĢħ", "éĩįè¦ģ åĽłç´ł", "å½±è§Ĩ åī§", "综èīº èĬĤ缮", "èľķ åıĺ", "äºĮ 线", "äºĮ线 åŁİå¸Ĥ", "ä¼Ĭ å§ĭ", "çıĬ çijļ", "èĩª æŁ¥", "åħ¥ åĽŃ", "åĩ¶ æīĭ", "åħ¬ è¯ī", "éģĩ éļ¾", "éĩĩçŁ¿ çŃī", "èĩª çIJĨ", "åĸ· æ¶Ĥ", "æī© åħħ", "éĢı è§Ĩ", "é«ĺéĢŁ å¢ŀéķ¿", "åĽ¾ çĶ»", "ç¾ ¹", "èĤĩ åºĨ", "è¾ľ è´Ł", "èµĶ ä»ĺ", "è· ¡", "åģ¥åº· æĪIJéķ¿", "以ä¸Ĭ åѦåİĨ", "åıĸå¾Ĺ 以åıĬ", "æ²ī 积", "åįģä¹Ŀ å±Ĭ", "缸éĹľ æľįåĭĻ", "æī§ åĭ¤", "åī¯ åİ¿éķ¿", "å¯ °", "åģľ æ»ŀ", "æ·¹ 没", "çŁ³ çģ°", "çį ¸", "åĢ ¦", "ç¾İ åªĴ", "æķĻ æ¡Ī", "åĬł çĽĸ", "åħ¬å¼Ģ èµĽ", "å¥ł åŁº", "æĺĨ èĻ«", "çŀ ħ", "磷 éħ¸", "äºī åĪĽ", "çİĭ æĻĵ", "ç¼ĵ åĨ²", "åİļ åİļ", "åİļåİļ çļĦ", "æŀ£ åºĦ", "ç²¾ çĽĬ", "ç²¾çĽĬ æ±Ĥ", "ç²¾çĽĬæ±Ĥ ç²¾", "åĪĨæĶ¯ æľºæŀĦ", "å®ŀæĸ½ ç»ĨåĪĻ", "æĸ° èµĽåŃ£", "總 çµ±", "éĢł è¡Ģ", "é¢ĩ åħ·", "é»Ħ åŁĶ", "è¡Ģ èĦĤ", "交éĢļ å·¥åħ·", "å³ ¥", "æĹıèĩªæ²» å·ŀ", "寺 éĻ¢", "確 å®ļ", "æ¦Ĥ念 èĤ¡", "æĦŁ å®ĺ", "æŁľ åı°", "åĶ Ķ", "çŀŃ解 並", "æĢ» ä»·", "åIJ¸ åħ¥", "æĢ ¼", "æĻļ éĹ´", "å±Ĭ æ¯ķä¸ļçĶŁ", "çĶŁ å§ľ", "éĺħ读 åħ¨æĸĩ", "å¾ĹåĪ° æľīæķĪ", "æIJľ æķij", "åİĨ æĿ¥", "èŃī æĺİ", "åĥ »", "èĨ³ é£Ł", "åĦĦ åħĥ", "æīĵ åİĭ", "宾 客", "åķ ¼", "ä¸ĢçĻ¾ å¤ļ", "æ·±åħ¥ 人å¿ĥ", "æ¢ħ å·ŀ", "çłĶ åѦ", "åħ³ ä¹İ", "è¼ Ľ", "亲 åıĭ", "éħį æĸĻ", "æĪij çĪ±ä½ł", "è´¸æĺĵ æĪĺ", "æľī èī²", "æľīèī² éĩijå±ŀ", "æįIJ åĬ©", "为 é¦ĸ", "为é¦ĸ çļĦ", "å¯Į åĬĽ", "çĶ· ç¥ŀ", "é³ ³", "æµĩ æ°´", "åIJ ±", "æĺİç¡® æıIJåĩº", "åı¹ äºĨ", "åı¹äºĨ åı£æ°Ķ", "礼 æĭľ", "è¿Ļ个 åIJįåŃĹ", "ä¿¡ å¾Ĵ", "å¿Ĺ 强", "éĻIJ æŶ", "æĶ¶ è²»", "åĨľå®¶ ä¹IJ", "å°ıé¾Ļ èĻ¾", "èIJ½ å¹ķ", "æ§ Ł", "åѦ 龸", "æĪĸ å¤ļ", "æĪĸå¤ļ æĪĸ", "æĪĸå¤ļæĪĸ å°ij", "座è°Ī ä¼ļä¸Ĭ", "æ¶ ¼", "éŃĶ çİĭ", "å² ±", "顶 å±Ĥ", "顶å±Ĥ 设计", "èĦij åŃIJéĩĮ", "éĻ¢ åŃIJéĩĮ", "轩 è¾ķ", "身å¿ĥ åģ¥åº·", "èħ ij", "éĹľ 注", "åıĤåĬł ä¼ļè®®", "ä¸Ńåįİ æĸĩåĮĸ", "追 寻", "å®ī çĦ¶", "é£Ļ åįĩ", "éŁŃ èıľ", "é¸ ¦", "åĤ¨ éĩı", "çĶ· æĸ¹", "å¤ĩ 份", "æijĶ åĢĴ", "润æ»ij æ²¹", "éĢ¼ è¿ij", "çĶ³ è¯ī", "鸣 ç±»", "çŁ³æ²¹ åĮĸå·¥", "åĿļ æŀľ", "è¿Ļ家 ä¼Ļ", "æĭĴ ä¸į", "羣 çļ®", "è·Ŀ éĽ¢", "è¿ĺ æĮº", "éĽķ åĥı", "åĪĿ æģĭ", "æıIJä¾Ľ æĽ´å¤ļ", "æŁ¥çľĭ åħ¨æĸĩ", "æķ°åŃĹ è´§å¸ģ", "åĸī åĴĻ", "åı¦ä¸Ģ ä½į", "åĤ¬ åĮĸ", "åĤ¬åĮĸ åīĤ", "ä»İæĿ¥ 没", "å¯ĨåĪĩ 缸åħ³", "éĥ¨ 主任", "产åĵģ ç»ıçIJĨ", "並 åIJĮæĦı", "èIJ½ åħ¥", "å±ıå¹ķ ä¸Ĭ", "åħ¬åı¸ ç«łç¨ĭ", "æį¢ åı¥è¯Ŀ", "æį¢åı¥è¯Ŀ 说", "ä½į æĸ¼", "ä½ Ķ", "åĩ» æĿĢ", "缸 è¾ĥ", "缸è¾ĥ äºİ", "ç²½ åŃIJ", "åįĹ æŀģ", "宫 é¢Ī", "è£ģ åijĺ", "æĺİ ç»Ĩ", "ä»·åĢ¼ éĵ¾", "åĽĽä¸ª æĸ¹éĿ¢", "æĥħåĨµ æĿ¥çľĭ", "æĮij åīĶ", "æ® ĺ", "æŀģ åĬĽ", "çĸij éļ¾", "æĬµæĬĹ åĬĽ", "æĢ¥ éĢŁ", "æĪ Į", "ä½İ ä¼°", "éĹª è¿ĩ", "æģ ¬", "èµŀ æī¬", "ä»ĸ å¦Ī", "æĪIJ为 ä¸ĢåIJį", "æ´Ĺ 礼", "é¢Ħ计 å°Ĩ", "åħĪè¿Ľ åįķä½į", "è¼ Ķ", "éĢĥ èĦ±", "çİ° åŃĺ", "èĢģèĻİ æľº", "åįģä¸ĥ æĿ¡", "åı¦ä¸Ģ åįĬ", "温 æĥħ", "åī¥ 离", "ä¸ĸ è´¸", "å®ĺ åı¸", "å¾Ī å·®", "éĹ´ è·Ŀ", "请 注æĦı", "åı² è¯Ĺ", "åĪ© åĻ¨", "è¿IJ ç®Ĺ", "沦 为", "該 使çĶ¨èĢħ", "èĮ ¬", "éĶ¦ 绣", "åı² æĸĻ", "çģµ æ´»æĢ§", "èģĶ 社", "æĹł åĬ©", "æĬĹ æ°§åĮĸ", "èıľ èĤ´", "éĢł èĪ¹", "æİī èIJ½", "å¤į æŁ¥", "åĭĥ åĭĥ", "åij¼ 声", "給 äºĪ", "åIJĮäºĭ 们", "ç½ °", "è¯ķ æİ¢", "åħ³éĶ® åŃĹ", "æįIJ çĮ®", "ç»Łè®¡ æķ°æį®", "åĪĽ ä½ľèĢħ", "ä¸ĭ åįĬ", "ä¸ĭåįĬ åľº", "æī¿æĭħ 责任", "端 æŃ£", "ç©¿ è¡£", "ä¼ł çIJĥ", "åĬ© éķ¿", "åĩ ±", "éķ¶ åµĮ", "é£ŀ ç¿Ķ", "è¾ĵ åįµ", "è¾ĵåįµ 管", "ä¸ĩ åħ¬éĩĮ", "æݨ广 åºĶçĶ¨", "å¿« æ¨Ĥ", "ç§ ½", "èī° å·¨", "åIJ¬ å®Į", "åĿļ 硬", "奥 åľ°", "å¥¥åľ° åĪ©", "é¢ ĵ", "èĻIJ å¾ħ", "ä¾Ľ æ±Ĥ", "éľī ç´ł", "伪 è£ħ", "乡 åľŁ", "åĩ¡ æľ¬ç½ij", "åĩ¡æľ¬ç½ij 注", "ä¼Ĭ åĪ©", "è¡¡ æ°´", "æĽ´ åĥıæĺ¯", "åĪĨéĴŁ å·¦åı³", "è¦ı 模", "äºĶ åĪĨéĴŁ", "åºĹ åĬłçĽŁ", "åĽ° éĽ£", "åħ³ åģľ", "æĢĿ 绪", "åĴ½ åĸī", "缸 符", "çĥ¦ èºģ", "æĻĤ æľŁ", "åijĪ çı¾", "解 æķ£", "诱 导", "éļĶ çĥŃ", "çĮ ¶", "åįĹ å®ĭ", "æ·±åħ¥ äºĨ解", "çŃĶ çĸij", "æĺ¼ å¤ľ", "åįĥ ä¼ı", "åĬ³åĬ¡ æ´¾éģ£", "红 è±Ĩ", "åĿı äºĭ", "çĤ¹ æ»´", "å°±ä¸ļ å²Ĺä½į", "约 åIJĪ", "åħį éĻ¤", "éĢĨ åĬ¿", "éĩį éĩijå±ŀ", "å®ĺ 宣", "ä½İ å»ī", "æģ¨ ä¸įå¾Ĺ", "å¾Ĺ 天", "å¾Ĺ天 çĭ¬", "å¾Ĺ天çĭ¬ åİļ", "ä¸Ģå°ģ ä¿¡", "æĬ½ å¥ĸ", "è¾Ĺ 转", "çķĻ å®Ī", "çķĻå®Ī åĦ¿ç«¥", "çŃĶ åį·", "å·¨ åŀĭ", "æľĢ好 ä¸įè¦ģ", "æµĻæ±Ł 大åѦ", "æĨ ¨", "æı¡ æīĭ", "éĴĪ ç»ĩ", "æİĴ 骨", "çĤ ½", "å°ģ è£ħ", "åįĢ åŁŁ", "空æ°Ķ åĩĢåĮĸ", "åħī å½±", "åĢĴ å¡Į", "å§ļ æĺİ", "æ¤į 被", "åѦ åīį", "åѦåīį æķĻèĤ²", "èĬĿ åĬł", "èĬĿåĬł åĵ¥", "缩 æ°´", "ä½ Ł", "åľ¨çº¿ åĴ¨è¯¢", "èµı æŀIJ", "éĿĴ èĽĻ", "æĬ± ä½ı", "èĮĤ åIJį", "åħ¨åĬĽ æīĵéĢł", "åįļ士 åѦä½į", "沧 å·ŀ", "åĻ ¢", "æĿĤ çī©", "åĪ» çĶ»", "æį ħ", "å¾® éĩı", "å¾®éĩı åħĥç´ł", "ä¸Ģ åĽŀäºĭ", "鸡 èĤī", "åĪ©æ¶¦ çİĩ", "æīį ç®Ĺ", "å¾® å¦Ļ", "棵 æłij", "è´ª 婪", "åĩı åĢ¼", "梦 å¢ĥ", "åı¯ è§Ĩ", "åı¯è§Ĩ åĮĸ", "广大 å¸Ĥæ°ij", "ä¸ĵä¸ļ ä»İäºĭ", "ç»ı 纬", "ç´§ çĽ¯", "çŁ¥ å·±", "è¤ ļ", "æĸĩåĮĸ åºķèķ´", "åݦéŨ å¸Ĥ", "临 港", "对åħ¶ 羣å®ŀ", "岸 è¾¹", "è¦ĸ çĤº", "æĬĹ çĻĮ", "åĶIJ å®ĩ", "ä¸įå¾Ĺ è¶ħè¿ĩ", "å¨ģ æħij", "æ¡Ĩæŀ¶ åįıè®®", "èµ° ç§ģ", "åĽ¢ å§Ķ", "夸 大", "æ¬ Ħ", "ç¥ŀç»ı ç³»ç»Ł", "æijĦå½± ä½ľåĵģ", "èĬ ¥", "å®ī åºĨ", "æµ· 滨", "æŀĦ æĢĿ", "çīµ æĮĤ", "åı ©", "éĺIJ æĺİ", "éģ ģ", "ç²¾ æ²¹", "ç©´ ä½į", "æĬ¤ 身", "æĬ¤èº« 符", "æĮĩ å°İ", "åŃĺåľ¨ ä¸Ģå®ļ", "å¯Ĥ éĿĻ", "æµ·å¤ĸ å¸Ĥåľº", "éĿ ¡", "综åIJĪ å¾ģ", "ä¿ IJ", "è¨Ī ç®Ĺ", "æĺİ æľĹ", "äºļ è¿IJ", "äºļè¿IJ ä¼ļ", "åīįçŀ» æĢ§", "åĮ® ä¹ı", "产ä¸ļ æī¶è´«", "èĦij æµ·", "èĦijæµ· ä¸Ń", "åħļçļĦ é¢Ĩ导", "åĪĺ éĤ¦", "æµģ æĺŁ", "æĵ Ĥ", "æĶĢ çĻ»", "åĴ Ķ", "ä¸Ģä¸ĭåŃIJ å°±", "è¯Ĭ æ²»", "使 åĬ²", "åīµ ä½ľ", "éĵŃ è®°", "éĴ± è´¢", "æĹ¥æĬ¥ è®°èĢħ", "çĥŁ çģ«", "èĥľ è´Ł", "åįļ 主", "ä¸ŃåĽ½ èģĶéĢļ", "ç½ijç«Ļ é¦ĸ页", "å°± å¤Ł", "å°±å¤Ł äºĨ", "æīij åħĭ", "å±ħ å§Ķä¼ļ", "è° ¬", "å®īåħ¨ äºĭæķħ", "åķĨ çĶ¨è½¦", "循çݯ ç»ıæµİ", "æ· ¤", "èĢĥ è¯ģ", "å®Ŀ èĹı", "å®Į ç»ĵ", "çłĶåıij æĬķåħ¥", "å² ij", "æģŃ æķ¬", "离 éĢĢä¼ij", "æ°´ 墨", "å© ¶", "è¯Ĺ åı¥", "å®ģæ³¢ å¸Ĥ", "å¼± çĤ¹", "åģľ çīĮ", "奶 æ²¹", "å¥ĩ纳 æ²³", "æĨ Ĥ", "社ä¼ļ å®ŀè·µ", "è´Ŀ 壳", "çłĤ æµĨ", "èĪ¹ åıª", "宣 æī¬", "综åIJĪ æķ´æ²»", "åĤ ij", "æ°ijæĹı æĸĩåĮĸ", "éĩį çİ°", "积 æ·Ģ", "åħ¬ çĦ¶", "çħ ī", "缸 èģļ", "æ± ¾", "纹 çIJĨ", "çĩĥ çħ¤", "æѤ ç§į", "ç¾İ å¦Ĩ", "åįĥ çĵ¦", "çIJ Ľ", "驾驶 è¯ģ", "éĺ¶ æ¢¯", "ä¸Ŀ ä¸Ŀ", "å¾Īå¤ļ äºĭæĥħ", "åħī éĺ´", "èijĹä½ľ æ¬Ĭ", "åħ§ éĥ¨", "çĽ¸å¯¹ æĿ¥è¯´", "éĸ Ĵ", "éľĩ æħij", "說 話", "æĨ ij", "ç«¥ è£ħ", "ä½ıæĪ¿ åĴĮ", "ä½ıæĪ¿åĴĮ åŁİ", "å·²ç»ı è¶ħè¿ĩ", "侦 å¯Ł", "çŁ¿ çī©", "ä¾Ľ 大家", "çī¹ éĤĢ", "ç¨ĭåºı åijĺ", "çķľçī§ ä¸ļ", "æ° ª", "çij ª", "åĢĴ åľ¨", "åĢĴåľ¨ åľ°", "æ¯ Ģ", "梯 éĺŁ", "æİ¥ èijĹ", "æĬĹ èıĮ", "è¤ ĩ", "ç¬ Ļ", "æ¯Ķ ä¸Ĭå¹´", "鸡 汤", "åŃ¦ä¹ł æĪIJ绩", "æĸij æĸĵ", "åħĪ 导", "åĪĹ ä¸¾", "è°ĥæŁ¥ æĺ¾ç¤º", "æ© «", "ä¹Ŀ åįģ", "è°¢ 飵", "è·¨è¶Ĭ å¼ı", "女æĢ§ æľĭåıĭ", "èIJ¥åħ» ä»·åĢ¼", "å®ŀè·µ ç»ıéªĮ", "èĭı å·ŀå¸Ĥ", "çĵ¶ åŃIJ", "æĸ° çļĦä¸Ģ", "æĸ°çļĦä¸Ģ å¹´", "æĺİ æĻ°", "å®ł çĪ±", "åŃŠ第", "æľĹ 诵", "纳 æĸ¯", "éĢĨ è¡Į", "è«ĭ æĤ¨", "è«ĭæĤ¨ æıIJä¾Ľ", "èĥ¸ æĢĢ", "第ä¸ĥ å±Ĭ", "强 壮", "代 åŃķ", "汶 å·Ŀ", "家 åĸ»", "家åĸ» æĪ·", "家åĸ»æĪ· æĻĵ", "èħ ®", "åIJ¯ 迪", "æĹł éļľç¢į", "èĻķçIJĨ åıĬ", "æĿ¥ åİĨ", "å®ŀ åĬ¡", "ä¹Ł éļıä¹ĭ", "æĬĢèĥ½ åŁ¹è®Ń", "åѤ ç«ĭ", "åī ģ", "éĥ´ å·ŀ", "æĶ¶ æķĽ", "éł» éģĵ", "èį£ 幸", "èİ« è¿ĩäºİ", "æѤ æĻĤ", "纪å§Ķ çĽij", "纪å§ĶçĽij å§Ķ", "缸 éĤ»", "åı¦ä¸Ģ è¾¹", "çªĴ æģ¯", "æľīå¾Īå¤ļ ç§į", "æ¯ı éĢ¢", "éĹ® ä¸ĸ", "ç´¯ ç´¯", "éĿĴæĺ¥ æľŁ", "è·¯ åĨµ", "åħĭ èݱ", "è¿Ħä»Ĭ 为æŃ¢", "æĥĬ å¥ĩ", "è·¨ 度", "éħ¿ éĢł", "åĩ ĭ", "è¿ij ä¸īå¹´", "åĨħ 马", "åĨħ马 å°Ķ", "æı į", "è¿Ľå±ķ æĥħåĨµ", "èĮ §", "æľīåºı æİ¨è¿Ľ", "æĢ» åĨłåĨĽ", "æĪIJ绩 åįķ", "éĽ»è©± åıĬ", "ç´§å¯Ĩ ç»ĵåIJĪ", "åºĬ ä½į", "é¹ Ĭ", "æķ£åıij çĿĢ", "åĭŁ èµĦ", "æ°¨ éħ¸", "彩 ç¥ŀ", "è®Ģ åıĸ", "éĩį 温", "ä¸Ń åŃĺåľ¨çļĦ", "ç¾İ éºĹ", "ä¸įæĸŃ å¢ŀåĬł", "è½® æµģ", "æİ¥ åIJ¬", "å¹´ 产åĢ¼", "åįĥ åħĭ", "æĪĺåľº ä¸Ĭ", "çħ§ 顧", "å¹²éĥ¨ éĺŁä¼į", "åį° ç«ł", "ä¸Ģèĩ´ æĢ§", "è¿ŀ å¤ľ", "åħħ è£ķ", "é»ij åIJįåįķ", "åĩĢ æ°´", "ä¸Ģ大 æĹ©", "åĮħ 袱", "çĬ¯ è§Ħ", "çIJĨ è«ĸ", "æŀģ æĺĵ", "éª ¸", "å¨ĺ å¨ĺ", "åĽ¢ åľĨ", "亿åħĥ 以ä¸Ĭ", "åĪ©çĶ¨ æĤ¨çļĦ", "带æĿ¥ æĽ´å¤ļ", "ä¸Ń央 空è°ĥ", "æľĪ èĸª", "çĮľ æĥ³", "åĪº 客", "ä½ľ æģ¯", "åįķ è°ĥ", "äºĴ åĪ©", "å¦Ĥæľī ä¾µæĿĥ", "å°ı å·§", "åįģ åł°", "åĵĪåĵĪ åĵĪåĵĪ", "è¾¹ éĻħ", "æłĩ è¯Ń", "åĪĩåħ¥ çĤ¹", "éĢĨ è¢Ń", "è¯ķ åīĤ", "绿 è±Ĩ", "è® ļ", "åŁºçĿ£ å¾Ĵ", "å£ ¬", "åħ¨ æĺİæĺŁ", "éĢī ç§Ģ", "èĪĮ å°ĸ", "ä¸įåIJĮ ç±»åŀĭ", "çĥŁ åĽ±", "çģµ æ°Ķ", "åĮº 管å§Ķä¼ļ", "åĨľ åī¯", "åĨľåī¯ 产åĵģ", "èĶļ æĿ¥", "沪 æĮĩ", "åħ»æ®ĸ æĪ·", "æĸĹ å¿Ĺ", "é¦ĸ é¢Ĩ", "è¡Ģ èħ¥", "åĬł ç´§", "ä¸Ģèĩ´ 好è¯Ħ", "第ä¸ī èĬĤ", "æī¬ å°ĺ", "交éĢļ æŀ¢çº½", "鼶 ç¢İ", "é»ij æ´ŀ", "çľĭ ä¸įæĩĤ", "å±ŀ å®ŀ", "主 åŁİåĮº", "å¨ Ľ", "å¨Ľ æ¨Ĥ", "ç¬ij æĦı", "èĻ¹ æ¡¥", "åIJĦ个 çݯèĬĤ", "çķ¥ å¾®", "èĢķ èĢĺ", "æľ¬ åľºæ¯ĶèµĽ", "æĪIJ è´¥", "éĢī èĤ¡", "èªŀ è¨Ģ", "çŃĶ 辩", "èĩª ä¹ł", "æ£ º", "ä¸ĩ 欧åħĥ", "åģľ å·¥", "对åħ¶ è¿Ľè¡Į", "积æŀģ éħįåIJĪ", "ä¹¾ åĿ¤", "å¦ĸ æĢª", "èļĮ åŁł", "èµĦ产 è¯Ħä¼°", "è°ĥ çļ®", "éĻ¤ å¤ķ", "åĽ´ å¢Ļ", "æľį å½¹", "æ·± æ¸Ĭ", "é¢Ħ åĪ¶", "ç ĥ½", "å®ī 稳", "建 æŀĦ", "çĭĻ åĩ»", "主åĭķ 註åĨĬ", "éĥ½æľī èĩªå·±", "æİĴåIJį 第ä¸Ģ", "麻 è¾£", "çĢ ļ", "çĥŁèĬ± çĪĨ", "çĥŁèĬ±çĪĨ 竹", "èĩªçĦ¶ ä¿ĿæĬ¤", "ä»Ļ å¢ĥ", "为äºĨ éģ¿åħį", "åĨ· åºĵ", "解æĶ¾ æĢĿæĥ³", "åĪĿ äºĮ", "ä½ĵ è´´", "é¦ĸ å¯Į", "迪 æĭľ", "æļĤ ç¼ĵ", "æĶ¯æĮģ åĬĽåº¦", "侦 æİ¢", "马 åĪº", "åĮĹ æ±½", "ç¹ ŀ", "è°İ è¨Ģ", "éĢ£ çºĮ", "å· ³", "ä»»ä½ķ æŶåĢĻ", "车 èģĶç½ij", "åįķ 项", "å¸Ń åį·", "建çŃij æĿIJæĸĻ", "ä¸Ńç§ĭ èĬĤ", "ç¡ķ士 çłĶ究", "ç§ģ ç«ĭ", "åħļåĴĮ æĶ¿åºľ", "æľ¬æ¬¡ 交æĺĵ", "èººåľ¨ åºĬä¸Ĭ", "ç½ijåıĭ è¯Ħ论", "å¦ Ŀ", "害 ç¾ŀ", "åħ¬ç«ĭ åĮ»éĻ¢", "ä¸ ŀ", "çĶŁçī© è´¨", "åºĶ éĤĢ", "æĬ½ åıĸ", "åĩł å¼ł", "æijĺ ç¼ĸ", "ç»ĺ æľ¬", "详 解", "强 硬", "æľĢ åħĪè¿ĽçļĦ", "æĭĽ èĤ¡", "æĭĽèĤ¡ 书", "åįĥ æĸ¹", "åįĥæĸ¹ çĻ¾", "åįĥæĸ¹çĻ¾ 计", "éħį éŁ³", "驾 çħ§", "å¾ģ æĪĺ", "èªĵ è¨Ģ", "æĭľ å¸Ī", "æĭľå¸Ī åѦ", "æĭľå¸ĪåѦ èīº", "æĬ± åĽ¢", "ç±³ ç²ī", "éĿŀ常 éĢĤåIJĪ", "èĪª æµ·", "å±¥ 约", "åįģåħ« æĿ¡", "éĶ» éĢł", "éĩįè¦ģ 举æݪ", "åıijæĮ¥ ä½ľçĶ¨", "æ· ļ", "人 社", "人社 å±Ģ", "è¯ķçĤ¹ å·¥ä½ľ", "éĺľ éĺ³", "æ¡ĥ åľĴ", "æ°ij ä¼ģ", "æ´ģ çĻ½", "è´µ 宾", "åħ¬ 社", "è§ī æĤŁ", "è®°å¿Ĩ åĬĽ", "æľĥåĵ¡ 註åĨĬ", "æѤ æ¡Ī", "麻 çĹ¹", "çı Ģ", "æĸ© èİ·", "çĶ· åŃ©åŃIJ", "å±ĢéĻIJ äºİ", "åĭĺ æŁ¥", "åIJĥ 饱", "èĬ¬ åħ°", "æ£ķ èī²", "ç¦ı ç¥ī", "çĶ³ èĬ±", "æµ· çĽĹ", "èĶ ij", "æĸĩ åѸ", "æ´»æĢ§ çĤŃ", "缴 éĢļ车", "è°¢ éĤĢ", "躺 çĿĢ", "åľ ĥ", "æ¯ıæĹ¥ ç»ıæµİ", "åħ¬åħ± æĸĩåĮĸ", "讲 æķħäºĭ", "å¯Ł çľĭ", "æĤł éĹ²", "åľ° åĿª", "æ¶Į çİ°åĩº", "é«ĺçŃī éĻ¢æł¡", "èĮĦ åŃIJ", "éĺ² åį«", "ä¾ĭ è¡Į", "æĺ¾ éľ²", "æĸ° 常æĢģ", "ç»Ŀ ä½³", "å¯Į æ°ij", "以 人æ°ij", "以人æ°ij 为", "éĤ¢ åı°", "å±ķ æ¼Ķ", "çĻ¼ å¸ĥ", "è´Ł è½½", "åģı 离", "æ°¸ éģł", "éĩįè¦ģ åİŁåĽł", "åįıä¼ļ ä¼ļåijĺ", "éļ¾ æ°ij", "çĶŁäº§ 车éĹ´", "çģµ åĬ¨", "两年 åīį", "æĸ¹ åľĨ", "æ´» ä¸ĭåİ»", "ä¸ĸçķĮ è§Ĥ", "éªĹ åıĸ", "ç¾İ è²Į", "èĥ½ çľĭåĩº", "çĻ¼ æı®", "è§Ĥ å½±", "åī ĥ", "åIJĪèµĦ åħ¬åı¸", "å© §", "å¹² æű", "åħŃ ä¸ªæľĪ", "尤为 éĩįè¦ģ", "èĤ ½", "秦 åĽ½", "æīĺ ç¦ı", "建çŃij å¸Ī", "åįĩ级 æĶ¹éĢł", "å°ı é¢Ŀ", "å°ıé¢Ŀ 贷款", "两个 ç»´æĬ¤", "æĭį æĭį", "åı¯ çĸij", "æį¢ åıĸ", "æѦ 士", "èµĸ 以", "èµĸ以 çĶŁåŃĺ", "æĮ ļ", "殿 åłĤ", "èĩªçĦ¶ çķĮ", "ç£ģ åľº", "å¦Ĥä½ķ çľĭå¾ħ", "ä»ĬæĹ¥ 头æĿ¡", "西 åŁŁ", "èİ· è¯Ħ", "風 æł¼", "ä¿Ħ åĽ½", "æīĵ æĭ¼", "å®£ä¼ł çīĩ", "å¾Ī æĸ¹ä¾¿", "ä¾Ľç»Ļ 侧", "纪念 ç¢ij", "毫 åħĭ", "èĬ³ é¦Ļ", "å·¥åķĨ éĵ¶è¡Į", "请 çĤ¹åĩ»", "ç¼ ª", "æĹłæķ° 次", "èį¯ å¸Ī", "èħ ¸", "游 èīĩ", "åĮ ¾", "å·¡ èĪª", "æ²»çIJĨ ä½ĵç³»", "èIJ¥éĢł èī¯å¥½", "æ·· æ·Ĩ", "éĢļ çķħ", "åĬ³ ç´¯", "ä»ĵ ä½į", "å¢ŀ éķ·", "éļIJ 约", "æĿĤå¿Ĺ 社", "åħ» èĤ²", "åı¯èĥ½ åıijçĶŁ", "èĢĥ 試", "西 侧", "åĬł åĢį", "主æĮģ åı¬å¼Ģ", "çķ¢ ç«Ł", "éĹ® 询", "æµ· æ£ł", "èĹ ©", "注æĺİ æĿ¥æºIJ", "æ£Ģ çĸ«", "请 åģĩ", "æĬļ æij¸", "èĵĦ çĶµæ±ł", "è·Ł ä¸įä¸Ĭ", "çݰ代 社ä¼ļ", "çŃ¹ èµĦ", "ä½ĵèĤ² 彩票", "延 误", "è¾Ľ è¾£", "éĿ¢ 容", "åį° è®°", "çģŃ äº¡", "ç´ł é£Ł", "åħ´ èĩ´", "éľĢè¦ģ çĶ¨", "éľĢè¦ģçĶ¨ åĪ°", "å®Ŀ å¦Ī", "ç£ĭ åķĨ", "éļ¶ å±ŀ", "è´¡çĮ® åĬĽéĩı", "åħ¬åħ± èµĦæºIJ", "大 éĺª", "åĨĽ è®Ń", "æĤ¬ 念", "社ä¼ļ 稳å®ļ", "å¹²äºĭ åĪĽä¸ļ", "æľī æĿ¡ä»¶", "æľīæĿ¡ä»¶ çļĦ", "ä¸Ģå¹´ ä¸Ģ度", "åİ ¥", "强 奸", "豪 车", "æİĮ æŁľ", "æ°´åĪ© å·¥ç¨ĭ", "å³ ª", "积æŀģ ä½ľçĶ¨", "æµ· æ·Ģ", "æµ·æ·Ģ åĮº", "çĥŃ æĴŃ", "åĿļæĮģ ä¸įæĩĪ", "åıĮ èĦļ", "绣 æĪĺ", "ä»»ä½ķ 人éĥ½", "åľ°ä¸ĭ 室", "åĨ¶ çĤ¼", "è°ħ 解", "æ¸Ķ èĪ¹", "太éĺ³ åŁİ", "被 æįķ", "计ç®Ĺ åĻ¨", "西 åĮ»", "èĪĴ å¿ĥ", "æ¡ ¦", "éģ ²", "åĬ ij", "è¨ Ĺ", "èİ º", "åĸ ¬", "çĵ ¯", "åĺ ĺ", "åł ķ", "æķ Ŀ", "åij ¦", "èĭ ŀ", "æŃ ¹", "æĵ ¬", "æ£ Ħ", "èĪ µ", "å¥ ª", "çļ ĭ", "æĶ ¸", "åľ ©", "ç¤ Ļ", "ç¢ ĺ", "éı Ī", "æĦ ķ", "ç¹ ³", "èĺ ¸", "è² Ĥ", "æ¼ ²", "æij ¹", "æĶ Ŀ", "åŃ ¢", "èķ Ń", "é¨ °", "æ½ ¼", "éħ °", "æĴ ¥", "è¹ ¬", "é¨ Ļ", "è¸ ¹", "éģ IJ", "çĺ Ģ", "èĽ ¤", "æĤ ĸ", "çĴ ŀ", "ç£ IJ", "æİ °", "è¾ Ĭ", "å¾ ij", "æİ ĸ", "éģ ŀ", "éĤ ¸", "éĽ ı", "æĨ İ", "æľ ½", "çį »", "ç® Ķ", "è¤ ¶", "æļ ¢", "æĺ µ", "çı Ĥ", "æĤ ¸", "åģ µ", "åĻ ľ", "å£ ¯", "æĴ ®", "æģ į", "å© ķ", "ç¯ ±", "éĺ Ļ", "çī ł", "è£ ĺ", "è³ ¢", "éĩ ľ", "éĵ ł", "èİ ĺ", "æ® Ĩ", "çĻ ¸", "è´ ı", "ç² ±", "å« ¡", "åĨ ¢", "è¤ Ĵ", "æĩ Ĭ", "éľ ĵ", "å¡ µ", "æĭ £", "å» Ł", "é£ ½", "é¢ Į", "åļ İ", "æ· º", "èĨ ł", "åİ Ń", "åļ ĩ", "åij ĥ", "çĴ ĭ", "çŃ ±", "æĭ ·", "èį §", "éĶ °", "åŃ °", "èĵ ĵ", "èĨ ½", "æŀ ī", "åĸ ½", "çĽ Ķ", "çŃ IJ", "ç¾ ļ", "è ħĮ", "è¾ «", "æ³ ĵ", "çĶ ¬", "èŁ ²", "åĸ ª", "å¦ ĵ", "è¬ Ģ", "çĤ Ĭ", "æĽ ľ", "æ± IJ", "è´ Ī", "èį Ģ", "æĬ ł", "ç¢ ¾", "æ« ĥ", "éŀ ł", "èij Ĩ", "ç¥ ¯", "å½ Ŀ", "é¦ į", "åĮ £", "æľ Ń", "åĿ Ĥ", "ä¿ ij", "èĵ ®", "çij Ľ", "æī ī", "èĩ Ł", "è² «", "çİ ¥", "æ· ¼", "åİ ²", "é³ Į", "å³ Ń", "åij Ľ", "é §", "é§ IJ", "éģ ·", "ä¿ ª", "æĢ Ĥ", "è¾ į", "å± į", "åĭ ģ", "å¥ ļ", "éļ ħ", "éĴ ´", "è¼ Ŀ", "å® ¦", "èIJ ĥ", "çĺ ĭ", "æĨ ¶", "æĤ ħ", "è¾ Ļ", "åij ľ", "çł º", "éĢ ŀ", "æµ ļ", "éĸ £", "èĸ ©", "éĻ ĭ", "çĤ Ļ", "èª ķ", "ä¸ Ł", "é¹ ½", "ç± Į", "è´ °", "éĭ ª", "çľ ©", "æĴ IJ", "èĨ º", "éŀ ĺ", "ç¾ ²", "çª ®", "ç´ IJ", "æ® ´", "çº ¾", "èº į", "ç´ ĭ", "çĦ ĸ", "çĶ º", "çī ½", "çĤ ¯", "ç¼ Ķ", "æ¯ ĵ", "å¬ °", "æ¢ §", "äº Ł", "è¢ ħ", "çį Ħ", "è¿ ¥", "æ¼ ¾", "çĿ ij", "ç¸ ¾", "é¦ ĭ", "é¤ ħ", "æ ¹Ħ", "æĺ ĩ", "æŀ Ń", "èĸ °", "æŁ ij", "æ¦ »", "åĻ Ĺ", "åĻ ´", "æ£ £", "åĶ §", "çĨ ¹", "è¼ ¯", "å¢ Ł", "é² ²", "æĪ Ľ", "èī ¦", "èĬ ®", "åĺ Ł", "å¸ ¥", "å¿ »", "çĮ Ŀ", "å¯ µ", "è³ ¦", "èĽ ¾", "æ» ¾", "çĤ ķ", "éĵ ¬", "èĴ ¿", "éĴ ¨", "çĥ Ļ", "ç² ķ", "æĥ ¦", "æº §", "é¢ į", "éħ £", "å³ ¦", "ç± ģ", "çĥ ĥ", "åĨ Ĺ", "åı ģ", "çĽ §", "ç½ µ", "éĴ Ĺ", "å¬ ī", "è° ı", "ç³ §", "è¾ Ń", "æ· ¬", "èŁ Ĵ", "è¯ ©", "è¦ ĥ", "çĻ ĸ", "é½ Ĵ", "çĪ IJ", "ç® į", "ç¼ İ", "ç£ º", "è¯ «", "è¤ ²", "æĵ ł", "èIJ ¦", "çĿ ¬", "è° į", "éĦ °", "æł ¾", "é¡ ı", "ç¸ ±", "æ¡ ¨", "éĨ ¬", "è¥ ²", "è® ª", "å© º", "èį Ł", "åĮ Ŀ", "çĨ ł", "èĽ Ĭ", "æ¸ ļ", "å´ ½", "é² ¤", "åķ °", "åĮ ķ", "ä¸ IJ", "è® ¥", "åı ½", "åı ¼", "çļ ¿", "è¿ Ĥ", "åIJ Ĩ", "å± ¹", "èĩ ¼", "è® ¹", "é© ®", "çº «", "æ± ŀ", "æĬ ¡", "èĭ ĩ", "åIJ ł", "åIJ Ń", "åIJ ®", "å² ĸ", "ä½ ĥ", "çĭ Ī", "åº ĩ", "åIJ Ŀ", "éĹ °", "æ± ¹", "å¿ ±", "æĭ Ħ", "æĭ Ĺ", "èĮ ī", "èĭ Ľ", "èĮ ģ", "çŁ ¾", "èĻ ı", "åij »", "åĴ Ħ", "å¿ ¿", "èĤ ®", "çĭ ŀ", "çĸ Ł", "çĸ Ļ", "çĸ ļ", "æ³ ŀ", "å¸ ļ", "å± ī", "è¿ ¢", "é© ¹", "ç İ·", "çıĬ ó", "çıĬó ł", "çıĬół Ħ", "çıĬółĦ ģ", "æĮ İ", "æĭ ´", "åŀ Ľ", "èį ¤", "æ® ĥ", "çĽ ¹", "åĵ Ĩ", "è´ »", "æ¯ ¡", "çĭ °", "çĭ ¡", "æŁ Ĵ", "æģ ĥ", "è¯ ¬", "è¢ Ħ", "è¯ ²", "èļ ¤", "èĢ Ļ", "åŁ Ĥ", "æį İ", "æį Į", "æ¢ Ĩ", "é ħĮ", "çł ¾", "æ® ī", "åĶ ł", "æĻ Į", "èļ £", "èļ ª", "èļ ĵ", "é¸ ¯", "åĶ ģ", "åĶ Ĩ", "åĢ Ķ", "èĪ Ģ", "è± º", "èĥ °", "é¸ µ", "é¸ ³", "é¦ ģ", "ç¾ Ķ", "æ¶ £", "æ¶ ķ", "æĤ ¯", "è¯ ½", "è° Ĩ", "ç¥ Ł", "ç» ¢", "æį º", "æį ¶", "æį »", "æİ Ĥ", "èı ł", "èIJ ¤", "éħ Ĺ", "çľ ¶", "åķ Ħ", "èļ ¯", "èĽ Ģ", "åĶ ¬", "å¸ ·", "éĵ IJ", "éĵ Ľ", "åģ İ", "å¾ Ļ", "èĦ ¯", "è± ļ", "çĮ ĸ", "çĹ Ĭ", "æ¶ ®", "æĥ Ń", "æĤ ´", "æĥ ĭ", "è° ļ", "æı ©", "æIJ Ģ", "æIJ Ķ", "æ¦ Ķ", "æ¤ Ń", "éĽ ³", "åĸ ³", "è· Ľ", "èľ ĵ", "èľ Ĵ", "é¹ ĥ", "éĶ Ħ", "çĶ ¥", "çŃ ı", "çĮ ©", "çĮ ¬", "çĮ ¾", "çĹ ¢", "çĹ ª", "æĥ °", "çª ĺ", "è° ¤", "éļ ĺ", "å© ¿", "é¹ ī", "çij Ļ", "æĸ Ł", "æ¤ ¿", "éħ ª", "éĽ ¹", "åĹ ¦", "è· ·", "è· º", "è· ¤", "èľ Ī", "èľ Ĺ", "å¹ Į", "é¦ ı", "èª Ĭ", "æ¼ ĵ", "è¤ Ĥ", "èĶ Ĺ", "èĶ ¼", "åħ ¢", "è£ ³", "èľ »", "èĿ ĩ", "åĺ Ģ", "éĶ ¹", "ç® ķ", "ç® ©", "çĺ ©", "çĺ Ł", "æ¼ ±", "å¯ ¥", "éª ¡", "æĴ µ", "æĴ ¬", "è± Į", "åĺ ¹", "èĿ ł", "èĿ Į", "èĿ Ĺ", "èĿ Ļ", "éķ IJ", "ç¨ ¼", "ç¯ ĵ", "èĨ Ľ", "é² «", "çĺ ª", "é² ¨", "æĨ Ķ", "ç¿ ©", "è¤ ¥", "ç¼ Ń", "åĻ ©", "çĵ ¢", "éľ İ", "è¸ ±", "è¹ Ĥ", "èŁ Ĩ", "é¹ ¦", "ç¯ ¡", "çĺ ¸", "çª ¿", "ç¼ °", "èĹ IJ", "è¹ ĭ", "èŁ ĭ", "èŁ Ģ", "èµ ¡", "èĩ Ĭ", "é³ Ħ", "ç³ ł", "æĩ ¦", "åļ £", "éķ °", "é³ į", "ç° ¸", "çĻ £", "é³ ĸ", "é¬ ĵ", "èł ķ", "éľ ¹", "èº ı", "é» ¯", "çĵ ¤", "çŁ Ĺ", "ä¹ Ĥ", "ä¹ ľ", "åħ Ģ", "å¼ ĭ", "åŃ ij", "åŃ ĵ", "å¹ º", "äº ĵ", "å »¿", "ä¸ ı", "åį ħ", "ä» ĥ", "ä» ī", "ä» Ĥ", "åĪ Ī", "çĪ »", "åį ŀ", "éĹ ©", "è® £", "å¤ ¬", "çĪ ¿", "æ¯ ĭ", "éĤ Ĺ", "éĤ Ľ", "èī ½", "èī ¿", "åı µ", "ä¸ ķ", "åĮ ľ", "åĬ ¢", "åį Ł", "åı ±", "åı »", "ä» ¨", "ä» Ł", "ä» ¡", "ä» «", "ä» ŀ", "åį ®", "æ° IJ", "çĬ °", "åĪ į", "éĤ Ŀ", "éĤ Ļ", "è® ¦", "è® §", "è® «", "å° »", "éĺ ¡", "å° ķ", "å¼ ģ", "èĢ Ĵ", "çİ İ", "çİ ij", "åľ ¬", "æī ¦", "åľ ª", "åľ ¹", "æī ª", "åľ ®", "åľ ¯", "èĬ Ĭ", "èĬ į", "èĬ Ħ", "èĬ ¨", "èĬ ij", "èĬ İ", "èĬ Ĺ", "äº ĺ", "åİ į", "å¤ ¼", "æĪ į", "å° ¥", "ä¹ ©", "æĹ ¯", "æĽ ³", "å² Į", "å± º", "åĩ ¼", "åĽ ¡", "éĴ ĩ", "ç¼ ¶", "æ° ĺ", "æ° ĸ", "çī Ŀ", "ä¼ İ", "ä¼ Ľ", "ä¼ ¢", "ä½ ¤", "ä» µ", "ä¼ ¥", "ä¼ §", "ä¼ ī", "ä¼ «", "åĽ Ł", "æ± Ĩ", "åĪ ĸ", "å¤ Ļ", "æĹ ®", "åĪ İ", "çĬ ·", "çĬ ¸", "èĪ Ľ", "åĩ «", "é Ĥ¬", "é¥ §", "æ± Ķ", "æ± ľ", "æ± Ĭ", "å¿ ĸ", "å¿ ı", "è® ´", "è® µ", "è® ·", "èģ ¿", "èī ®", "åİ ¾", "å¦ ģ", "çº ¡", "çº £", "çº ¥", "çº ¨", "çİ ķ", "çİ Ļ", "æĬ Ł", "æĬ Ķ", "åľ »", "åĿ į", "æĬ ĥ", "㧠IJ", "èĬ «", "èĬ ¾", "èĭ Ī", "èĭ £", "èĭ ĭ", "èĬ ¼", "èĭ Į", "èĭ ģ", "èĬ ©", "èĬ ª", "èĬ ¡", "èĬ Ł", "èĭ Ħ", "èĭ İ", "èĭ ¡", "æĿ Į", "æĿ ĵ", "æĿ Ī", "å¿ ij", "åŃ Ľ", "éĤ ´", "éĤ ³", "å¥ ģ", "è± ķ", "å¿ Ĵ", "æ¬ ¤", "è½ «", "è¿ ĵ", "éĤ ¶", "å¿ IJ", "åį £", "éĤ º", "æĹ °", "åij ĭ", "åij Ĵ", "åij ĵ", "åij Ķ", "åij ĸ", "æĹ ¸", "åIJ ¡", "èĻ ¬", "åIJ ½", "åIJ £", "åIJ ²", "å¸ ı", "å² Ī", "å² ĺ", "åħ ķ", "åĽ µ", "åĽ «", "éĴ Ĭ", "éĴ ĭ", "é ĴĮ", "è¿ ķ", "æ° Ļ", "æ° ļ", "çī ¤", "ä½ ŀ", "ä½ ļ", "ä½ Ŀ", "ä½ Ĺ", "å½ ·", "ä½ ĺ", "ä½ ¥", "è± ¸", "åĿ Į", "èĤ Ł", "å¥ Ĥ", "åĬ ¬", "çĭ ģ", "é¸ ł", "é¥ ¨", "é¥ ©", "é¥ «", "é¥ ¬", "åº ij", "åº ĭ", "çĸ Ķ", "çĸ ĸ", "èĤ ĵ", "éĹ ±", "éĹ ³", "çĤ Ģ", "æ² £", "æ² ħ", "æ² Ķ", "æ² ¤", "æ² ı", "æ² ļ", "æ± ©", "æ± ¨", "æ² ¨", "æ± ´", "æ² Ĩ", "æ² ©", "æ³ IJ", "æĢ ĥ", "æĢ Ħ", "å¿ ¡", "å¿ ¤", "å¿ ¾", "æĢ ħ", "å¿ ª", "æĢ Ĩ", "å¿ Ń", "å¿ ¸", "è¯ Ĥ", "è¯ ĥ", "è¯ ħ", "è¯ ĭ", "è¯ Į", "è¯ Ĵ", "éĻ Ĥ", "éĻ ī", "å¦ ©", "å¦ ª", "å¦ £", "å¦ Ĺ", "å¦ «", "å§ Ĵ", "å¦ ¤", "åĬ Ń", "åĪ Ń", "éĤ °", "çº Ń", "çº °", "çº ´", "çİ ¡", "çİ Ń", "çİ ł", "çİ ¢", "çİ ¦", "çĽ Ĥ", "å¿ Ŀ", "åĮ ¦", "åĿ ©", "æĬ ¨", "æĭ ¤", "åĿ «", "æĭ Ī", "åŀ Ĩ", "æĬ »", "åĬ ¼", "æĭ ĥ", "æĭ Ĭ", "åĿ ¼", "åĿ »", "㧠Ł", "åĿ ¨", "åĿ Ń", "æĬ ¿", "åĿ ³", "èĭ ·", "èĭ ¤", "èĮ ı", "èĭ «", "èĭ ľ", "èĭ ´", "èĭ Ĵ", "èĭ ĺ", "èĮ Į", "èĭ »", "èĭ ĵ", "èĮ ļ", "èĮ Ĩ", "èĮ ij", "èĮ ĵ", "èĮ Ķ", "èĮ ķ", "è ĮĢ", "èĭ ķ", "æŀ ¥", "æŀ ĩ", "æĿ ª", "æĿ ³", "æŀ §", "æĿ µ", "æŀ ¨", "æŀ ŀ", "æŀ ĭ", "æĿ »", "æĿ ·", "æĿ ¼", "çŁ ¸", "ç łĢ", "åĪ ³", "å¥ Ħ", "æ® ģ", "éĥ ı", "è½ Ń", "éĥ ħ", "é¸ ¢", "çĽ ±", "æĺ Ļ", "æĿ ²", "æĺ ĥ", "åĴ Ĥ", "åij ¸", "æĺ Ģ", "æĹ »", "æĺ ī", "çĤ ħ", "çķ Ģ", "èĻ ®", "åĴ Ģ", "åij ·", "é» ¾", "åij ±", "åij ¤", "åĴ Ĩ", "åĴ Ľ", "åij ¶", "åij £", "åĴ Ŀ", "å² ¢", "å² ¿", "å² ¬", "å² «", "å¸ Ļ", "å² £", "å³ ģ", "åĪ ¿", "å² ·", "åī Ģ", "å¸ Ķ", "å³ Ħ", "æ² ĵ", "åĽ ¹", "ç½ Ķ", "éĴ į", "éĴ İ", "éĴ ı", "éĴ Ĵ", "éĴ ķ", "éĤ ¾", "è¿ ®", "çī ¦", "ç« º", "è¿ ¤", "ä½ ¶", "ä¾ ij", "ä¾ ī", "èĩ ¾", "ä¾ Ĺ", "ä¾ ı", "ä¾ ©", "ä½ »", "ä½ ¾", "ä¾ ª", "ä½ ¼", "ä½ ¯", "ä¾ ¬", "å¸ Ľ", "ä¾ Ķ", "å¾ Ĥ", "åĪ ½", "éĥ Ħ", "ç± ´", "çĵ ®", "æĪ Ĺ", "èĤ ¼", "äı Ŀ", "èĤ ±", "èĤ «", "è¿ ©", "éĥ ĩ", "çĭ İ", "çĭ į", "çĭ Ĵ", "åĴ İ", "é¥ ¯", "é¥ ´", "åĨ ½", "åĨ ¼", "åº ĸ", "çĸ ł", "çĸ Ŀ", "åħ ĸ", "åĬ ¾", "ð¬ ī", "ð¬ī ¼", "çĤ ĺ", "çĤ Ŀ", "çĤ Ķ", "æ³ Ķ", "æ² Ń", "æ³ ·", "æ³ ±", "æ³ ħ", "æ³ ł", "æ³ º", "æ³ ĸ", "æ³ «", "æ³ ®", "æ² ±", "æ³ ¯", "æĢ Ļ", "æĢ µ", "æĢ ¦", "æĢ Ľ", "æĢ ı", "æĢ į", "ã ¤", "㤠ĺ", "æĢ ©", "æĢ «", "æĢ ¿", "å® ķ", "ç© ¹", "å® ĵ", "è¯ ĵ", "è¯ Ķ", "è¯ ĸ", "è¯ ĺ", "æĪ ¾", "è¯ Ļ", "æĪ ½", "éĥ ĵ", "è¡ ©", "ç¥ Ĩ", "ç¥ İ", "ç¥ ĩ", "è¯ ľ", "è¯ Ł", "è¯ £", "è¯ ¤", "è¯ §", "è¯ ¨", "æĪ ķ", "éĻ Ķ", "å¦ ²", "å¦ ¯", "å§ Ĺ", "å¸ ij", "åŃ ¥", "é© ½", "èĻ ±", "è¿ ¨", "ç» Ģ", "ç» ģ", "ç» Ĥ", "é© ·", "é© ¸", "ç» ī", "ç» Į", "éª Ģ", "çĶ ¾", "çı ı", "çı IJ", "çı ij", "çİ ³", "é¡ ¸", "çı ī", "çı Ī", "æĭ ®", "åŀ Ń", "æĮ Ŀ", "æĮ ŀ", "åŀ ¤", "èµ ³", "è´ ²", "åŀ ±", "åŀ Į", "åŀ §", "åŀ ĵ", "æĮ ¦", "åŀ ł", "èį ļ", "èį ij", "è´ ³", "èį ľ", "èİ Ĵ", "èĮ ¼", "èĮ ´", "èĮ ±", "èİ Ľ", "èį ŀ", "èĮ ¯", "èį ı", "èį ĩ", "èį ĥ", "èį ł", "èĮ Ń", "åŀ ©", "èį ¥", "èį ¦", "èį ¨", "èį ©", "åī ĭ", "èį ª", "èį ¬", "èį ®", "æŁ °", "æł ī", "æŁ ĺ", "æł Ĭ", "æŁ ©", "æŀ °", "æł Į", "æŁ Ļ", "æŀ µ", "æŀ ³", "æŁ ŀ", "æŁ Ŀ", "æł Ģ", "æŁ ¢", "æł İ", "æŁ Ī", "æŁ ģ", "æŀ ·", "æŁ ½", "åī Į", "éħ Ĭ", "éĥ ¦", "çĶ Ń", "çł Ĺ", "çł ĺ", "çł Ĵ", "æĸ «", "çł Ń", "çł ľ", "èĢ ·", "èĻ º", "æ® Ĥ", "æ® ĩ", "æ® Ħ", "è½ ±", "è½ ²", "è½ ³", "è½ ¶", "è½ ¸", "èĻ ¿", "æ¯ ĸ", "è§ ĩ", "å° ľ", "åĵ IJ", "çľ Ħ", "çľ į", "ðł ³", "ðł³ IJ", "éĥ ¢", "çľ ĩ", "çľ Ĭ", "çľ Ī", "ç¦ º", "åĵ Ĥ", "åĴ ´", "æĽ ·", "æĺ ´", "åĴ ¦", "åĵ ĵ", "åĵ Ķ", "çķ İ", "åij ²", "èĥ Ħ", "çķ ĭ", "çķ Ī", "èĻ ¼", "èĻ »", "çĽ ħ", "åĴ £", "åĵ ķ", "åī IJ", "éĥ §", "åĴ »", "åĽ ¿", "åĴ ¿", "åĵ Į", "åĵ Ļ", "åĵ ļ", "åĴ ©", "åĴ ¤", "åĵ Ŀ", "åĵ ı", "åĵ ŀ", "å³ £", "ç½ ĺ", "å³ Ĵ", "å³ ¤", "å³ ĭ", "è´ ¶", "éĴ ļ", "éĴ ¡", "éĴ £", "éĴ ¤", "éĴ «", "æ° ¡", "çī ¯", "éĥ ľ", "ç§ ķ", "ç§ Ń", "ç« ½", "ç¬ Ī", "ä¿ ¦", "ä¿ ¨", "ä¿ ħ", "åı Ł", "åŀ ¡", "çī ®", "ä¿ £", "ä¿ ļ", "çļ Ī", "ä¿ Ł", "éĢ ħ", "å¾ ĩ", "å¾ ī", "èĪ ¢", "éĥ Ĺ", "ä¿ İ", "éĥ ¤", "çĪ °", "éĥ Ľ", "çĵ ´", "èĥ ¨", "èĥ ª", "èĥ Ľ", "èĥ Ĥ", "èĥ Ļ", "èĥ į", "èĥ Ĺ", "è ĥĿ", "æľ IJ", "èĥ «", "é¸ ¨", "åĮ į", "çĭ ¨", "çĭ ¯", "é£ ij", "çĭ ©", "çĭ ²", "è¨ ĩ", "éĢ Ħ", "æĺ Ŀ", "é¥ ·", "é¥ ¸", "é¥ ¹", "åŃ ª", "å¨ Ī", "åº ¥", "çĸ ¬", "çĸ £", "çĸ ¥", "çĸ Ń", "åº ł", "ç« ij", "é£ Ĵ", "éĹ ¼", "éĹ ¾", "éĹ ¿", "éĺ Ĥ", "ç¾ ij", "è¿ ¸", "ç± ¼", "éħ ĭ", "çĤ »", "çĥ Ģ", "çĤ ·", "æ´ ±", "æ´ ¹", "æ´ §", "æ´ Į", "æµ ĥ", "æ´ ĩ", "æ´ Ħ", "æ´ Ļ", "æ¶ İ", "æ´ İ", "æ´ «", "æµ į", "æ´ ®", "æ´ µ", "æµ Ĵ", "æµ Ķ", "æµ ķ", "æ´ ³", "æģ ¸", "æģ ĵ", "æģ ¹", "æģ «", "æģ »", "æģ Ĥ", "æģ ª", "æģ ½", "å® ¥", "æī ĥ", "è¡ ²", "è¡ ½", "è¡ ¿", "è¢ Ĥ", "ç¥ ľ", "ç¥ ĵ", "ç¥ ļ", "è¯ ®", "ç¥ Ĺ", "ç¥ ¢", "è¯ °", "è¯ ³", "é¸ ©", "æĺ ¶", "åĴ «", "å¼ Ń", "çī ģ", "èĥ ¥", "éĻ Ł", "å§ ®", "å¨ Ĩ", "å§ Ŀ", "å§ £", "å§ ĺ", "å§ ¹", "ç¾ ¿", "çĤ ±", "çŁ ľ", "ç» Ķ", "éª ģ", "éª ħ", "ç» Ĺ", "ç» Ľ", "éª Ī", "èĢ ĸ", "æĮ Ī", "çı ¥", "çı Ļ", "é¡ ¼", "çı °", "çı ©", "çı §", "çı £", "çı ŀ", "çIJ ¤", "çı ²", "æģ ļ", "åŁ ķ", "åŁ ĺ", "åŁ Ļ", "åŁ ļ", "æĮ ¹", "èĢ Ĩ", "èĢ Ħ", "åŁ Ĵ", "æį ĭ", "è´ ½", "åŀ ¸", "æį ĥ", "çĽ į", "èį ¸", "èİ ³", "èİ ´", "èİ ª", "èİ ł", "èİ ľ", "èİ ħ", "èį ¼", "èİ ©", "èį ½", "èİ ¸", "èį »", "èİ ¨", "é¸ ª", "èİ ¼", "æł ²", "æł ³", "æ¡ ¡", "æ¡ İ", "æ¡ ¢", "æ¡ ¤", "æ¢ ĥ", "æł Ŀ", "æ¡ ķ", "æ¡ ģ", "æ¡ §", "æ¡ ħ", "æł Ł", "æ¡ ī", "æł ©", "éĢ ij", "éĢ ĭ", "å½ §", "é¬ ²", "è± ĩ", "éħ IJ", "éĢ ¦", "åİ Ŀ", "åŃ ¬", "çł Ŀ", "çł ¹", "çł §", "çł ·", "çł Ł", "çł ¼", "çł ¥", "çł £", "åī ŀ", "çł »", "è½ ¼", "è½ ¾", "è¾ Ĥ", "é¸ «", "è¶ ¸", "é¾ Ģ", "é¸ ¬", "èĻ Ķ", "çľ ¬", "åĶ Ľ", "çľ Ļ", "åĵ §", "åĵ ½", "æĻ ģ", "é¸ ®", "è¶ µ", "è¶ ¿", "çķ Ľ", "èļ ¨", "èļ ľ", "èļ į", "èļ ĭ", "èļ ¬", "èļ Ŀ", "èļ §", "åĶ ¢", "åľ Ħ", "åĶ £", "åĶ ı", "çĽ İ", "åĶ ij", "å´ Ĥ", "å´ ĥ", "ç½ ¡", "ç½ Ł", "è§ Ĭ", "èµ ħ", "éĴ ²", "éĴ µ", "éĴ ¹", "éĴ º", "éĴ ½", "éĴ ¼", "éĴ ¿", "éĵ Ģ", "éĵ Ħ", "éĵ Ĩ", "éĵ Ī", "éĵ ī", "éĵ Ĭ", "éĵ ĭ", "éĵ Į", "é ĵį", "ä ¥", "ä¥ ½", "éĵ İ", "æ° ©", "æ° ¤", "æ° ¦", "æ¯ ª", "èĪ IJ", "ç§ £", "ç§ «", "çĽ ī", "ç¬ Ħ", "ç¬ ķ", "ç¬ Ĭ", "ç¬ ı", "ç¬ Ĩ", "ä¿ ¸", "ä¿ µ", "åģ Į", "ä¿ ³", "ä¿ ¶", "åĢ ¬", "åĢ ı", "æģ ģ", "åĢ Ń", "ä¿ ¾", "åĢ ľ", "éļ ¼", "éļ ½", "åĢ Į", "åĢ ¥", "èĩ ¬", "éĥ «", "åĢ ¨", "è¡ Ħ", "é¢ Ģ", "å¾ ķ", "èĪ «", "è¡ ¾", "èĥ ¯", "èĥ ±", "èĥ ´", "èĥ Ń", "èĦ į", "èĥ ¼", "èĦ Ĵ", "é¸ ±", "é¸ ²", "çĭ ·", "çĮ ģ", "çĭ ³", "çĮ ĥ", "çĭ º", "éĢ ĸ", "æ¡ Ģ", "é¥ ½", "åĩ ĩ", "æĮ Ľ", "äº ³", "çĸ ³", "çĸ ´", "çĸ ¸", "çĸ ½", "çĹ Ī", "çĸ ±", "çĹ Ĥ", "çĹ ī", "è¡ ®", "é¢ ĥ", "æģ £", "æĹ Ĩ", "æĹ Ħ", "æĹ ĥ", "éĺ ĥ", "éĺ Ħ", "è¨ ļ", "éĺ Ĩ", "æģ Ļ", "ç² ij", "çĥ ľ", "çĥ ©", "çĥ Ĭ", "åī ¡", "éĥ ¯", "çĥ ¬", "æ¶ ij", "æµ ¯", "æ¶ ŀ", "æ¶ Ł", "å¨ ij", "æ¶ ł", "æµ ŀ", "æ¶ ĵ", "æµ ¥", "æ¶ Ķ", "æµ ľ", "æµ ł", "æµ £", "æĤ ļ", "æ ĤŃ", "æĤ Ŀ", "æĤ Ĵ", "æĤ Į", "æĤ Ľ", "çª Ī", "åī ľ", "è¯ ¹", "è¯ ¼", "è¢ Ĵ", "è¢ ¢", "è¯ ¿", "è° Ģ", "è° Ĥ", "è° Ħ", "è° ĩ", "å± IJ", "å± Ļ", "éĻ ¬", "åĭ IJ", "å¥ ĺ", "çī Ĥ", "èļ ©", "éĻ ²", "å¨ Į", "å¨ ī", "å¨ ²", "å¨ ´", "å¨ £", "å¨ ĵ", "å© Ģ", "çķ ļ", "éĢ ¡", "ç» ł", "éª Ĭ", "ç» ¡", "éª ĭ", "ç» ¦", "ç» ¨", "éª İ", "éĤ ķ", "é¸ ¶", "å½ Ĺ", "èĢ ľ", "çĦ ĺ", "èĪ Ĥ", "çIJ ı", "çIJ ĩ", "éº ¸", "æı ¶", "åŁ ´", "åŁ ¯", "æį ¯", "æİ ³", "æİ ´", "åŁ ¸", "åŁ µ", "èµ §", "åŁ ¤", "æį Ń", "éĢ µ", "åŁ Ŀ", "åł ĭ", "åł į", "æİ ¬", "é¸ ·", "æį ½", "æİ Ĭ", "åł ī", "æİ ¸", "æį ©", "æİ ®", "æĤ «", "åŁ Ń", "åŁ ½", "æİ ĩ", "æİ ¼", "èģ ĥ", "èIJ ģ", "èı ĺ", "åł ĩ", "èIJ ĺ", "èIJ ĭ", "èı ½", "èı ĸ", "è IJľ", "èIJ ¸", "èIJ ij", "æ£ »", "èı Ķ", "èı Ł", "èIJ ı", "èı ¹", "èı ª", "èı ħ", "èı Ģ", "èı °", "èı ¡", "æ¢ ¿", "æ¢ ı", "è§ ĭ", "æ¡ ´", "æ¡ ·", "æ£ ģ", "æ¡ «", "æ£ Ĥ", "åķ ¬", "éĥ ¾", "æķ ķ", "è± ī", "éĦ Ħ", "éħ ŀ", "ç¡ İ", "ç¡ Ń", "ç¡ ĸ", "ç¡ Ĺ", "ç¡ IJ", "ç¡ ĩ", "ç¡ Į", "é¸ ¸", "çĵ ł", "åĮ ı", "åİ ©", "æ® Ĵ", "æ® ĵ", "æ® į", "èµ ī", "éĽ ©", "è¾ Ħ", "åł ij", "çľ Ń", "çľ ¦", "åķ §", "æĻ ¡", "æĻ ¤", "çľ µ", "åľ Ĭ", "åĸ ı", "åķ ī", "åĭ ĸ", "æĻ ŀ", "åĶ µ", "æĻ Ĺ", "åķ Ń", "çķ ¦", "è¶ º", "åķ ®", "è· Ħ", "èļ ¶", "è ĽĦ", "èĽ İ", "èĽ Ĩ", "èļ °", "åľ ī", "èļ ±", "èĽ ī", "èĽ ı", "èļ ´", "åķ ģ", "åķ ķ", "åĶ ¿", "åķ IJ", "åĶ ¼", "åĶ ·", "åķ ĸ", "åķ µ", "åķ ¶", "åķ ·", "åĶ ³", "åĶ °", "åķ ľ", "å¸ »", "å´ ļ", "å´ ¦", "å¸ ¼", "å´ ®", "å´ ¤", "å´ Ĩ", "èµ ĩ", "èµ Ī", "èµ Ĭ", "éĵ ij", "éĵ Ĵ", "éĵ Ĺ", "éĵ Ļ", "éĵ Ł", "éĵ ¡", "éĵ ¢", "éĵ £", "éĵ ¤", "éĵ §", "éĵ ¨", "éĵ ©", "éĵ ª", "éĵ «", "éĵ ¯", "éĵ °", "éĵ ±", "éĵ ³", "éĵ µ", "éĵ ·", "çī ¾", "é¸ ¹", "ç§ ¾", "éĢ ¶", "ç¬ º", "çŃ ĩ", "ç¬ ¸", "ç¬ ª", "ç¬ ®", "ç¬ ł", "ç¬ ¥", "ç¬ ¤", "ç¬ ³", "ç¬ ¾", "ç¬ ŀ", "åģ ¾", "åģ ĥ", "åģ ķ", "åģ Ī", "åĤ Ģ", "åģ ¬", "åģ »", "çļ ij", "çļ İ", "é¸ »", "å¾ ľ", "èĪ ¸", "èĪ »", "èĪ ´", "èĪ ·", "é¾ Ľ", "ç¿ İ", "èĦ ¬", "èĦ ĺ", "èĦ ²", "åĮ IJ", "çĮ Ĺ", "çĮ ¡", "çĮ ŀ", "æĸ Ľ", "çĮ ķ", "é¦ Ĺ", "é¦ ĥ", "é¦ Ħ", "é¸ ¾", "åº ¹", "åº ¾", "çĹ Ķ", "çĹ į", "ç¿ Ĭ", "æĹ Į", "æĹ İ", "è¢ ¤", "éĺ ĩ", "éĺ Ī", "éĺ ī", "éĺ Ĭ", "éĺ ĭ", "éĺ į", "éĺ ı", "ç¾ Ł", "ç² Ŀ", "çĦ IJ", "çĦ ĵ", "çĦ Ĺ", "æ· ħ", "æ· ŀ", "æ¸ İ", "æ¶ ¿", "æ· ĸ", "æĮ ²", "æ· ł", "æ¶ ¸", "æ¸ ij", "æ· ¦", "æ· Ŀ", "æ¶ ª", "æ· Ļ", "æ¶ «", "æ¸ Į", "æĤ »", "æĤ ±", "æ ĥĿ", "æĥ ĺ", "æĥ Ĩ", "æĥ ļ", "æĥ ĩ", "æĥ ®", "çª ķ", "è° Į", "æī Ī", "çļ ²", "è° ij", "è£ Ĩ", "è¢ ·", "è£ ī", "è° Ĵ", "è° Ķ", "è° ķ", "è° ĸ", "è° Ĺ", "è° Ļ", "è° Ŀ", "éĢ ¯", "éĥ ¿", "éļ Ī", "ç² ľ", "éļ į", "éļ Ĺ", "å© Ĭ", "å¨ ¼", "å© ¢", "å© µ", "èĥ ¬", "è¢ Ī", "ç¿ Į", "æģ ¿", "æ¬ ¸", "ç» «", "éª IJ", "ç» ¯", "ç» ±", "éª Ĵ", "ç» ²", "éª ĵ", "ç» ¶", "ç» º", "ç» »", "ç» ¾", "éª ĸ", "ç¼ ģ", "èĢ ł", "çIJ «", "çIJ µ", "çIJ ¶", "çIJ ¥", "çIJ ¨", "çIJ °", "çIJ ®", "çIJ ¯", "çIJ ¬", "çIJ ļ", "è¾ ĩ", "é¼ ĭ", "æı ³", "åł ŀ", "æIJ ½", "æı ¸", "æı ł", "åł Ļ", "è¶ Ħ", "æı ĸ", "é¢ ī", "å¡ Ħ", "æı ¿", "èĢ ĭ", "æı Ħ", "èĽ ©", "èĽ °", "å¡ Ĩ", "æij Ĵ", "æı Ĩ", "æİ ¾", "èģ Ĵ", "èij ij", "èij ļ", "éĿ °", "éĿ ¸", "èij ³", "èij º", "èij ¸", "èIJ ¼", "èij ¶", "è ĴĮ", "èij Ń", "æ¥ ®", "æ £¼", "æ¤ Ł", "æ£ ¹", "æ¤ ¤", "æ£ °", "èµ į", "æ¤ ĭ", "æ¤ ģ", "æ¤ ª", "æ¤ IJ", "é¹ ģ", "éħ ¤", "éħ ¢", "éħ ¡", "é¹ Ĥ", "æ® ļ", "æ® Ľ", "éĽ ±", "è¾ ĭ", "æ¤ ł", "è¾ İ", "çĿ Ħ", "çĿ ĩ", "çĿ ĥ", "æĪ ¢", "åĸ ĭ", "åĹ Ĵ", "åĸ ĥ", "åĸ ±", "åĸ ¹", "æĻ ·", "åĸ Ī", "è· ĸ", "è· Ĺ", "è· ŀ", "è· ļ", "è· İ", "è· ı", "è· Ĩ", "èĽ ±", "èĽ ²", "èĽ Ń", "èĽ ³", "èĽ IJ", "èĽ Ķ", "èĽ ŀ", "èĽ ´", "èĽ ĺ", "åĸ ģ", "åĸ Ł", "åķ ¾", "åĹ ĸ", "åĸ ij", "åĹ Ł", "åĹ ŀ", "åĸ Ļ", "åµ ĺ", "åµ ĸ", "å´ ´", "éģ Ħ", "è© Ī", "åµ İ", "å µ¬", "åµ Ľ", "åµ ¯", "åµ Ŀ", "åµ «", "å¹ Ħ", "åµ ĭ", "èµ ķ", "éĵ »", "éĵ ¼", "éĵ ¿", "éĶ ĥ", "éĶ Ĩ", "éĶ ĩ", "éĶ ī", "éĶ ı", "éĶ ij", "éĶ Ĵ", "éĶ Ķ", "éĶ ķ", "æİ £", "çŁ ¬", "æ° °", "æ¯ ³", "æ¯ ½", "çĬ Ĭ", "çĬ Ħ", "çĬ ĭ", "é ¹Ħ", "çĬ į", "åµ ĩ", "é» į", "ç¨ ĥ", "ç¨ Ĥ", "çŃ ļ", "çŃ µ", "çŃ Į", "åĤ £", "åĤ Ī", "èĪ Ħ", "çī į", "åĤ ¥", "åĤ §", "éģ ij", "åĤ ©", "å¾ ¨", "åª Ń", "çķ ²", "å¼ ij", "ç¿ ķ", "é¹ Ĩ", "èħ Ī", "èħ ĵ", "èħ Ĩ", "èħ ´", "èħ ļ", "èħ ±", "é± ¿", "é² Ģ", "é² Ĥ", "çĮ ¢", "çĮ ¹", "çĮ ¥", "é£ ĵ", "è§ ŀ", "è§ ļ", "çĮ ±", "é¢ İ", "é£ §", "é¦ ĩ", "é¦ Ĭ", "äº µ", "èĦ Ķ", "è£ Ĵ", "çĹ £", "çĹ ¨", "çĹ ¦", "çĹ ŀ", "çĹ ¤", "çĹ §", "èµ ĵ", "ç« ¦", "çĵ ¿", "åķ »", "é¢ ı", "é¹ ĩ", "éĺ ij", "éĺ Ĵ", "éĺ ķ", "ç² ŀ", "éģ Ĵ", "åŃ ³", "çĦ ¯", "çĦ ľ", "çĦ ±", "é¹ Ī", "æ¸ «", "æ¹ ®", "æ¹ İ", "æ¹ ľ", "æ¹ į", "æ¹ «", "æº ²", "æ¹ Ł", "æº Ĩ", "æ¹ ²", "æ¹ Ķ", "æ¹ ī", "æ¸ ¥", "æ» ģ", "æĦ ł", "æĥ º", "æĦ ¦", "æĥ ´", "æĦ Ģ", "æĦ İ", "æĦ Ķ", "åĸ ¾", "å¯ IJ", "è° Ł", "è£ ¢", "è£ İ", "è£ ¥", "ç¥ ¾", "è° ł", "è° ¡", "è° ¥", "è° §", "åŃ ±", "å¼ ¼", "å· ½", "éª ĺ", "åª ª", "å· ¯", "ç¿ ļ", "çļ ´", "éª Ľ", "ç¼ Ĥ", "ç¼ ĥ", "ç¼ Ħ", "å½ ĺ", "ç¼ ĩ", "ç¼ Ī", "ç¼ Į", "ç¼ ij", "ç¼ Ĵ", "ç¼ Ĺ", "é£ ¨", "èĢ ¢", "çij ģ", "çij Ĺ", "çij Ħ", "éģ ¨", "éª ľ", "éŁ «", "é« ¡", "å¡ ¬", "éĦ ¢", "è¶ Ķ", "è¶ ij", "æij ħ", "æij ģ", "èľ ĩ", "æIJ ĭ", "æIJ ª", "æIJ IJ", "æIJ Ľ", "æIJ ł", "æij Ī", "å½ Ģ", "æ¯ Ĥ", "æIJ ¦", "æIJ ¡", "èĵ ģ", "æĪ ¡", "è ĵį", "éĦ ŀ", "èĵ IJ", "èĵ ¦", "é¹ ĭ", "èĴ ½", "èĵ ĸ", "èĵ Ĭ", "èĴ ¯", "èĵ Ł", "èĵ ij", "èĴ º", "èĵ ł", "èĴ Ł", "èĴ ¡", "èĴ ¹", "èĴ ´", "èĴ Ĺ", "èĵ ¥", "æ¥ Ķ", "æ¥ Ĥ", "æ¥ Ŀ", "æ¥ «", "æ¥ ¸", "æ¤ ´", "æ§ Į", "æ¥ ¯", "çļ Ļ", "æ¦ Ī", "æ§ İ", "æ¦ ī", "æ¥ ¦", "æ¥ £", "æ¥ ¹", "æ¤ ½", "åī ½", "éħ ©", "èľ ĥ", "ç¢ Ľ", "ç¢ ĵ", "ç¡ ¼", "ç¢ ī", "ç¢ ļ", "ç¢ ĩ", "ç¢ ľ", "é¹ Į", "è¾ ı", "é¾ ĥ", "é¾ ħ", "è¨ ¾", "ç² ²", "çĿ ļ", "åĹ ª", "éŁ ª", "åĹ ·", "åĹ ī", "çĿ ¨", "çĿ ¢", "éĽ İ", "çĿ ¥", "åĹ ij", "åĹ «", "åĹ ¬", "åĹ Ķ", "åĹ Ŀ", "æĪ ¥", "åĹ Ħ", "çħ ¦", "æļ Ħ", "éģ ¢", "æ ļĮ", "è· ¬", "è· ¶", "è ·¸", "è· IJ", "è· £", "è· ¹", "èĽ ¸", "èľ Ĭ", "èľ į", "èľ ī", "èľ £", "çķ ¹", "èĽ ¹", "åĹ ¥", "åĹ ²", "åĹ ³", "åĹ Į", "åĹ į", "åĹ IJ", "åĹ ¤", "åĹ µ", "ç½ ¨", "åµ Ĭ", "åµ ´", "éª °", "éĶ Ĺ", "éĶ Ľ", "éĶ ľ", "éĶ Ŀ", "éĶ ŀ", "éĶ Ł", "éĶ ¢", "éĶ ¨", "éĶ ©", "éĶ Ń", "éĶ ±", "éĽ ī", "æ° ²", "çĬ ı", "æŃ ĥ", "ç¨ ŀ", "ç¨ Ĺ", "ç¨ Ķ", "çŃ ł", "çŃ ¢", "çŃ ®", "çŃ ²", "çī Ĵ", "æķ «", "å¾ Ń", "æĦ Ĩ", "èī Ħ", "è§ İ", "æ¯ ¹", "è² Ĭ", "è² ħ", "è² ī", "é¢ Ķ", "èħ ł", "èħ ©", "èħ ¼", "èħ Ń", "è ħ§", "å¡ į", "åª µ", "é² ħ", "é² Ĩ", "é² ĩ", "é² Ī", "é² ĭ", "é² IJ", "èĤ Ħ", "é¹ IJ", "é£ ķ", "è§ ¥", "éģ Ľ", "é¦ IJ", "é¹ ij", "äº ¶", "çĺ ĥ", "çĹ ±", "çĹ ¼", "çĹ ¿", "çĺ IJ", "çĺ ģ", "çĺ Ĩ", "éº Ĥ", "æŃ Ĩ", "æĹ Ĵ", "éĺ ĸ", "éĺ Ĺ", "ç¾ §", "è± ¢", "ç² ³", "çĮ ·", "çħ ³", "çħ ¨", "çħ ħ", "çħ Ĭ", "çħ ¸", "çħ º", "æ» Ł", "æº ±", "æº ĺ", "æ¼ Ń", "æ» ¢", "æº ¥", "æº ½", "è£ Ł", "æº »", "æº ·", "æ» Ĺ", "æ» «", "æº ´", "æ» ı", "æ» ĥ", "æ» ¦", "æº ı", "æ» Ĥ", "æ» ĵ", "æº Ł", "æ» ª", "æĦ «", "æħ Ĭ", "é² İ", "éª ŀ", "çª ł", "çª £", "è£ ±", "è£ ¨", "è£ ¾", "è£ °", "ç¦ Ĭ", "è° ©", "è° ª", "åª ¾", "å« «", "åª ²", "å« Ĵ", "å« Ķ", "åª ¸", "ç¼ Ļ", "ç¼ ľ", "ç¼ Ľ", "è¾ Ķ", "éª Ŀ", "ç¼ Ł", "ç¼ ¡", "ç¼ ¢", "ç¼ £", "éª Ł", "èĢ ¥", "çĴ Ī", "çij Ń", "çį Ĵ", "è§ ı", "æħ Ŀ", "å« ł", "åı Ĩ", "æij ½", "å¢ ģ", "æĴ Ĥ", "æij ŀ", "æĴ Ħ", "ç¿ ¥", "è¸ ħ", "æij Ń", "å¢ ī", "å¢ Ĵ", "æ¦ ĸ", "ç¶ ¦", "èĶ «", "èĶ ·", "éĿ º", "éĿ ¼", "éŀ ħ", "éĿ ¿", "çĶ į", "èĶ ¸", "èĶ Ł", "èĶ º", "æĪ ¬", "èķ ĸ", "èĶ »", "èĵ ¿", "æĸ ¡", "é¹ ķ", "èĵ ¼", "æ¦ Ľ", "æ¦ §", "æ¦ «", "æ¦ Ń", "æ§ Ķ", "æ¦ ±", "æ§ ģ", "æ§ ł", "æ¦ ·", "åĥ °", "éħ ½", "éħ ¹", "ç¢ ¡", "ç¢ ´", "ç¢ £", "ç¢ ²", "èĩ §", "è± ¨", "æ® ¡", "éľ ģ", "èľ ļ", "é¾ ĩ", "é¾ Ī", "ä ģ", "äģ ĸ", "çĿ ½", "åĺ ŀ", "åĺ Ī", "åĺ Į", "åĺ ģ", "æļ Ŀ", "è¸ Į", "è¸ ī", "èľ ŀ", "èľ ¥", "èľ ®", "èĿ Ī", "èľ ´", "èľ ±", "èľ ©", "èľ ·", "èľ ¿", "èŀ Ĥ", "èľ ¢", "åĺ ¡", "é¹ Ĺ", "åĺ £", "åĺ ¤", "åĺ ļ", "åĹ ¾", "åĺ §", "ç½ ´", "ç½ ±", "å¹ Ķ", "å¶ Ĥ", "å¹ Ľ", "èµ Ļ", "ç½ Ĥ", "éª ·", "éª ¶", "é¹ ĺ", "éĶ ²", "éĶ ´", "éĶ ¶", "éĶ ·", "éĶ ¸", "éĶ µ", "éķ Ĥ", "çĬ Ĵ", "ç® IJ", "ç® ¦", "ç® §", "ç® ¸", "ç® ¬", "ç® ħ", "ç® ª", "ç® ľ", "ç® ¢", "ç® ĵ", "åĥ ĸ", "åĦ Ĩ", "åĥ ³", "åĥ Ń", "åĬ ģ", "åĥ ®", "éŃ ĥ", "éŃ Ĩ", "çĿ ¾", "èī ĭ", "éĦ ±", "èĨ Ī", "èĨ ij", "é² ij", "é² Ķ", "é² ļ", "é² Ľ", "é² Ł", "çį IJ", "è§ «", "éĽ Ĵ", "å¤ ¤", "é¦ ij", "éĬ ®", "å¡ ¾", "çĺ Į", "çĺ Ĭ", "çĺ ĺ", "çĺ Ļ", "æĹ ĸ", "èĨ Ĥ", "éĺ ļ", "éĦ ¯", "é² ŀ", "ç² ¿", "ç² ¼", "ç³ ģ", "æ§ Ĭ", "é¹ ļ", "çĨ ĺ", "çĨ ¥", "æ½ ¢", "æ¼ ķ", "æ» ¹", "æ¼ ¯", "æ¼ ¶", "æ½ ĭ", "æ½ ´", "æ¼ ª", "æ¼ ī", "æ¼ ©", "æ¾ ī", "æħ µ", "æIJ ´", "çª ¨", "å¯ ¤", "ç¶ ®", "è° ®", "è¤ ¡", "è¤ Ļ", "è¤ ĵ", "è¤ Ľ", "è¤ Ĭ", "è° ¯", "è° °", "è° ²", "å± £", "é¹ Ľ", "å« ±", "å« ĸ", "å« ¦", "å« ļ", "å «ĺ", "é¼ IJ", "çŀ Ģ", "é¹ ľ", "éª ł", "ç¼ ¥", "ç¼ ¦", "ç¼ §", "ç¼ ¨", "éª ¢", "ç¼ «", "èĢ ¦", "èĢ §", "çĴ ľ", "çĴ İ", "çĴ ģ", "å¥ Ń", "é« ¯", "é« «", "æĴ ·", "æĴ ħ", "èµ Ń", "æĴ ¸", "éĭ Ĩ", "æĴ Ļ", "æĴ º", "å¢ Ģ", "èģ ©", "è§ IJ", "éŀ ij", "èķ Ļ", "éŀ Ĵ", "èķ Ī", "èķ ¨", "èķ ¤", "èķ ŀ", "èķ º", "çŀ ¢", "èķ ĥ", "èķ ²", "èµ ľ", "æ§ ¿", "æ¨ ¯", "æ§ Ń", "æ¨ Ĺ", "æ¨ ĺ", "æ§ ²", "éĨ Į", "éĨ ħ", "éĿ ¥", "éŃ ĩ", "é¤ į", "ç£ Ķ", "ç£ Ļ", "éľ Ī", "è¾ ĺ", "é¾ ī", "é¾ Ĭ", "è§ ij", "çŀ Į", "ç ŀĭ", "çŀ ij", "åĺ Ń", "åĻ İ", "åĻ ¶", "é¢ Ļ", "æļ ¹", "åĻ ĺ", "è¸ Ķ", "è¸ Ŀ", "è¸ Ł", "è¸ Ĵ", "è¸ ¬", "è¸ ®", "è¸ ¯", "è¸ º", "è¸ ŀ", "èĿ ½", "èĿ ¾", "èĿ »", "èĿ °", "èĿ ®", "è ŀĭ", "èĿ ĵ", "èĿ £", "è Ŀ¼", "åĺ ¬", "é¢ ļ", "åĻ į", "åĻ Ļ", "åĻ Į", "åĻ Ķ", "é¢ Ľ", "å¹ ŀ", "å¹ ¡", "å¶ Ļ", "å¶ Ŀ", "éª º", "éķ Ĭ", "éķ ī", "éķ Į", "éķ ı", "éķ Ĵ", "éķ ĵ", "éķ Ķ", "ç¨ ·", "ç® ´", "ç¯ ij", "ç¯ ģ", "ç¯ Į", "çī ĸ", "åĦ ĭ", "èĻ ¢", "é¹ ŀ", "èĨ ĺ", "é² ł", "é² ¡", "é² ¢", "é² £", "é² ¥", "é² §", "é² ©", "çį Ĺ", "çį ł", "è§ ¯", "é¦ ĵ", "é¦ Ķ", "éº ¾", "å» Ľ", "çĺ Ľ", "çĺ ¼", "çĺ ¢", "çĺ ł", "é½ ij", "ç¾ °", "𥠻", "𥻠Ĺ", "ç³ Į", "ç³ į", "ç³ ħ", "çĨ ľ", "ç Ĩµ", "æ¾ į", "æ¾ Į", "æ½ ¸", "æ½ ¦", "æ½ ²", "éĭ Ī", "æ½ Ł", "æ½ º", "å¯ ®", "çª ³", "è° ³", "è¤ ´", "è¤ Ł", "è¤ «", "è° µ", "çĨ ¨", "å± ¦", "åĭ °", "æĪ ®", "èĿ ¥", "ç¼ ¬", "ç¼ ®", "ç¼ ¯", "éª £", "çķ ¿", "èĢ ©", "èĢ ¨", "èĢ ª", "çĴ Ł", "éĿ Ľ", "çĴ ł", "çĴ ĺ", "èģ ±", "èŀ ¯", "é« »", "é« Ń", "é« ¹", "æĵ Ģ", "çĶ ı", "æĵ ŀ", "ç¸ ł", "ç£ ¬", "é¢ ŀ", "èķ »", "é¢ Ł", "èĸ ¤", "èĸ ¨", "æª ł", "èĸ ı", "èĸ ®", "èĸ ľ", "èĸ ħ", "æ¨ ¾", "æ© Ľ", "æ© ĩ", "æ¨ µ", "æª İ", "æ© ¹", "æ¨ ½", "æ¨ ¨", "æ© ¼", "å¢ ¼", "æ© IJ", "ç¿ ®", "éĨ IJ", "éĨ į", "éĨ ļ", "ç£ ²", "èµ Ŀ", "æ® ª", "éľ ı", "éĮ ¾", "è¾ ļ", "éģ ½", "æ° ħ", "çŀ Ł", "çŀ ł", "çŀ °", "åļ Ħ", "åļ Ĩ", "åĻ ¤", "æļ ¾", "è¹ Ģ", "è¸ µ", "è¸ ½", "è¹ ī", "è¹ ģ", "èŀ ¨", "èŀ Ī", "èŀ ħ", "èŀ Ń", "èŀ ł", "èŀ Ł", "åĻ ±", "åĻ «", "åĻ »", "åĻ ¼", "ç½ ¹", "åľ ľ", "ä ¦", "ä¦ ĥ", "éķ Ĺ", "éķ ĺ", "éķ ļ", "éķ Ľ", "éķ Ŀ", "éķ ŀ", "éķ ł", "æ° ĩ", "æ° Ĩ", "ç© ij", "ç¯ Ŀ", "ç¯ ¥", "ç¯ ¦", "ç¯ ª", "ç¯ Ļ", "çĽ ¥", "åĬ ĵ", "ç¿ ±", "éŃ ī", "éŃ Ī", "å¾ ¼", "æŃ Ļ", "èĨ ¦", "èĨ Ļ", "é² ®", "é² ±", "é² ³", "é² ´", "é² µ", "é² ·", "é² »", "çį ´", "çį Ń", "çį ¬", "éĤ Ĥ", "é¹ §", "å» ¨", "èµ Ł", "çĺ °", "å» ª", "çĺ ¿", "çĺ µ", "çĺ ´", "çĻ ĥ", "çĺ ³", "éº ĩ", "éº Ī", "å ¬´", "å£ ħ", "ç³ Ĺ", "çĶ ij", "çĩ İ", "çĩ ł", "çĩ Ķ", "çĩ §", "æ¿ ij", "æ¿ ī", "æ½ ŀ", "æ¾ §", "æ¾ ¹", "æ¾ ¥", "æ¾ ¶", "æ¿ Ĥ", "è¤ °", "çª ¸", "å¬ ĸ", "çĬ Ł", "éļ °", "å¬ Ĺ", "é¢ ¡", "ç¼ ±", "ç¼ ²", "ç¼ ³", "çĴ ©", "çĴ ª", "èŀ «", "æĵ ¤", "å£ ķ", "è§ ³", "ç½ Ħ", "æĵ ¢", "èĸ ¹", "éŀ ¡", "éŀ ¬", "èĸ ·", "èĹ ĵ", "èĹ ģ", "æª Ħ", "æª ©", "æĩ ĭ", "éĨ ¢", "ç¿ ³", "ç¤ ħ", "ç£ ´", "é¹ ©", "é¾ ĭ", "é¾ Į", "è± ³", "å£ ij", "é» »", "åļ ı", "åļ ħ", "è¹ ij", "è¹ Ĵ", "è¹ Ĭ", "è Ł¥", "èŀ ¬", "èŀ µ", "çĸ ĥ", "èŀ ³", "èŁ ij", "åļ ĵ", "ç½ ½", "ç½ ¾", "å¶ ·", "é» ľ", "é» Ŀ", "é« ģ", "é« Ģ", "éķ ¡", "éķ ¢", "éķ £", "éķ ¦", "éķ §", "éķ ©", "éķ ª", "éķ «", "ç½ ħ", "ç° Į", "ç¯ ¾", "ç¯ ¼", "ç° ĸ", "ç° ĭ", "é¼ ¢", "åĦ ¡", "é¹ ª", "é¼ ¾", "çļ ¤", "éŃ į", "é¾ ł", "ç¹ ĩ", "è² ĺ", "éĤ Ī", "è² Ķ", "èĩ Į", "èĨ »", "èĩ Ĩ", "èĩ ĥ", "é² ¼", "é² ½", "é³ Ģ", "é³ ĥ", "é³ ħ", "é³ ĩ", "é³ Ĭ", "èŀ ½", "çĩ ®", "é¹ «", "ç³ ľ", "ç¸ »", "çĻ į", "éº ĭ", "æĩ ij", "æ¿ ¡", "æ¿ ®", "æ¿ ŀ", "æ¿ ł", "æ¿ ¯", "è¹ ĩ", "è¬ ĩ", "éĤ ĥ", "è¥ ģ", "æª Ĺ", "æ ĵĺ", "åŃ º", "éļ ³", "å¬ ·", "èŁ Ĭ", "é¹ ¬", "éį ª", "éı Ĭ", "é¬ Ī", "é¬ ĥ", "çŀ ½", "éŀ ¯", "éŀ ¨", "éŀ «", "éŀ §", "éŀ £", "èĹ ľ", "èĹ ł", "éĨ ª", "è¹ Ļ", "ç¤ ĵ", "çĩ ¹", "é¤ ®", "çŀ ¿", "æĽ Ľ", "é¢ ¢", "èº ĩ", "è¹ ļ", "èŁ Ľ", "èŁ ª", "èŁ ł", "èŁ ®", "é¹ ®", "é» ł", "é» Ł", "é« ħ", "é« Ĥ", "éķ ¬", "éķ Ń", "éķ ¯", "é¦ ¥", "ç° Ł", "ç° ª", "é¼ ¬", "éĽ ł", "èī Ł", "é³ İ", "é³ ı", "é³ IJ", "çĻ ŀ", "çĻ Ķ", "ç³ ¨", "è¹ ©", "éİ ı", "éĤ ĭ", "é¬ ı", "æĶ ī", "éŀ ²", "éŀ ´", "èĹ ¿", "èĺ §", "èĺ ħ", "éĨ ®", "éĨ ¯", "éħ ĥ", "éľ ª", "éľ Ń", "éľ ¨", "é» ¼", "åļ ¯", "è¹ °", "è¹ ¶", "è¹ ½", "è¹ ¼", "è¹ ´", "è¹ ¾", "è¹ ¿", "èł ĸ", "èł ĵ", "èŁ ¾", "èł Ĭ", "é» ¢", "é« ĭ", "é« Į", "éķ ²", "ç± Ģ", "é½ ģ", "éŃ ij", "èī ¨", "é³ ĵ", "é³ Ķ", "é³ ķ", "é³ Ĺ", "é³ Ļ", "éı ĸ", "ç¾ ¸", "㸠Ĩ", "çĢ £", "çĢ Ľ", "è¥ ¦", "è° ¶", "è¥ ŀ", "éª ¥", "ç¼ µ", "çĵ Ĵ", "æĶ ĺ", "èĺ ©", "èĺ ĸ", "éĨ ´", "éľ °", "éħ Ĩ", "çŁ į", "èº ħ", "é¼ į", "å· ī", "é» ©", "é» ¥", "é» ª", "éķ ³", "éķ ´", "é» §", "çº Ĥ", "çĴ º", "é¼ ¯", "èĩ ľ", "é³ ľ", "é³ Ŀ", "é³ Ł", "çį ¾", "åŃ Ģ", "éª §", "ç ĵĺ", "é¼ Ļ", "éĨ º", "ç¤ ´", "é¢ ¦", "æĽ ©", "é³ ¢", "éº Ŀ", "å¤ Ķ", "çĪ Ŀ", "çģ ı", "ç¦ ³", "éIJ ¾", "ç¾ ¼", "èł ¡", "èĢ ±", "é¹ ³", "æ° į", "é¥ ķ", "èº IJ", "é« ij", "éķ µ", "ç© °", "é¥ Ķ", "é¬ »", "é¬ Ł", "è¶ ±", "æĶ «", "æĶ ¥", "é¢ §", "èº ľ", "é¼ ¹", "çĻ ¯", "èł ²", "èł ¹", "èº ŀ", "è¡ ¢", "çģ ŀ", "è¥ »", "çº Ľ", "é¬ £", "æĶ ®", "åĽ Ķ", "é¦ ķ", "æĪ Ĩ", "çĪ ¨", "é½ ī", "äº į", "å° ¢", "å½ ³", "åį ¬", "æ® ³", "ðł Ļ¶", "æ¯ Į", "éĤ ĺ", "æĪ ĭ", "åľ ¢", "æ° ķ", "ä¼ ĭ", "ä» Ŀ", "åĨ ®", "æ° ¿", "æ± Ī", "æ° ¾", "å¿ ī", "å® Ħ", "𬣠Ļ", "è® ±", "æī ŀ", "åľ ²", "åľ «", "èĬ ı", "èĬ ĥ", "æľ ³", "æľ ¸", "ð¨ Ļ", "ð¨Ļ ¸", "éĤ ¨", "åIJ Ĵ", "åIJ ĸ", "å± ¼", "å± ¾", "è¾ ¿", "éĴ Ĩ", "ä» ³", "ä¼ £", "ä¼ Ī", "çĻ ¿", "çĶ ª", "éĤ ł", "çĬ ´", "åĨ ±", "éĤ ¡", "ð¬ĩ ķ", "æ± ĭ", "ä ľ", "äľ £", "è® »", "𬣠ŀ", "åŃ ĸ", "ð¬ĺ ĵ", "çº ©", "çİ Ĵ", "çİ ĵ", "çİ ĺ", "çİ ļ", "åĪ ¬", "ð«Ń Ł", "åĿ ľ", "åĿ ī", "æī ½", "ð«Ń ¢", "åĿ ĭ", "æī º", "㧠ij", "æ¯ IJ", "èĬ °", "èĬ £", "èĭ Ĭ", "èĭ ī", "èĬ ĺ", "èĬ ´", "èĬ ł", "ð« ĩ", "ð«ĩ Ń", "èĬ ¤", "æĿ ķ", "æĿ Ļ", "æĿ Ħ", "æĿ §", "æĿ ©", "å° ª", "å° ¨", "è½ ª", "ð«IJ Ħ", "åĿ Ĵ", "èĬ Ī", "æĹ ´", "æĹ µ", "åij Ļ", "ã ķ", "ãķ ®", "å² į", "ð« µ", "𫵠·", "å² ł", "å² ľ", "åij ĩ", "åĨ ı", "è§ ĥ", "å² Ļ", "ä¼ ¾", "ãij ĩ", "ä¼ Ń", "ä½ ĸ", "ä¼ ²", "ä½ ģ", "é£ ı", "çĭ ĥ", "éĹ ¶", "æ± §", "æ± «", "𣲠ĺ", "𣲠Ĺ", "æ² Ħ", "æ² ĺ", "ð¬ĩ Ļ", "æ± Ń", "ã³ ĩ", "æ² ĩ", "å¿ ®", "å¿ ³", "å¿ º", "𬣠¡", "ç¥ ĥ", "è¯ ĩ", "éĤ ²", "è¯ İ", "è¯ IJ", "å± ĥ", "ð« ¸", "𫸠©", "å² Ĭ", "éĺ ½", "ä¢ º", "éĺ ¼", "å¦ §", "å¦ ĺ", "ð¨ ļ", "ð¨ļ ķ", "çº ®", "é© ²", "ð«ĺ ľ", "çº »", "ð¬ĺ ĺ", "ð«ĺ Ŀ", "çº ¼", "çİ ¤", "çİ ŀ", "çİ ±", "çİ Ł", "éĤ ½", "éĤ ¿", "åĿ ¥", "åĿ °", "åĿ ¬", "åĿ ½", "å¼ Ĩ", "èĢ µ", "ä¢ ¼", "ð¦ Ń", "ð¦Ń ľ", "èĮ ĭ", "èĭ §", "èĭ ¾", "èĭ ł", "æŀ ħ", "ãŃ İ", "æŀ ĺ", "æŀ į", "çŁ ¼", "çŁ »", "åĮ ¼", "𬨠Ĥ", "ð¬Ģ ©", "ð¬Ģ ª", "æĹ ¿", "æĺ Ħ", "æĺ Ĵ", "æĺ Ī", "åĴ ī", "åĴ ĩ", "åĴ į", "å² µ", "å² ½", "å² ¨", "å² ŀ", "å³ Ĥ", "ã Ł", "ãŁ ĥ", "åĽ ·", "𬬠©", "éĴ IJ", "éĴ Ķ", "éĴ ĸ", "çī ¥", "ä½ ´", "åŀ Ī", "ä¾ ģ", "ä¾ ¹", "ä½ ¸", "ä½ º", "éļ ¹", "ãij Ĭ", "ä¾ Ĥ", "ä½ ½", "ä¾ ĺ", "éĥ Ī", "èĪ ł", "éĥ IJ", "éĥ ĥ", "æĶ ½", "èĤ Ń", "èĤ ¸", "èĤ ·", "çĭ ī", "çĭ Ŀ", "é¥ ³", "å¿ ŀ", "çĤ Į", "çĤ Ĩ", "æ³ Ļ", "æ² º", "æ³ Ĥ", "æ³ ľ", "æ³ ĥ", "æ³ ĩ", "æĢ Ĭ", "å³ ĥ", "ç© ¸", "ç¥ ĭ", "ç¥ Ĭ", "ð«į £", "𬣠³", "𬠩½", "é¸ ¤", "å¼ ¢", "å¼ ¨", "éĻ ij", "𬮠¿", "éĻ İ", "𬯠Ģ", "åį º", "ä¹ ¸", "å¦ Ń", "å§ Ī", "ð« °", "ð«° Ľ", "è¿ ³", "åı ķ", "𬳠µ", "é© µ", "𬳠¶", "ä Į", "äĮ ¹", "é© º", "ð«ł Ĭ", "ç» ĭ", "ç» IJ", "çł ī", "èĢ Ķ", "ãĽ ĥ", "çİ ¶", "çı ĩ", "çı ħ", "ð¬į Ľ", "çı ĭ", "çİ ¹", "çı Į", "çİ ¿", "éŁ ¨", "åŀ ļ", "åŀ ¯", "åŀ Ļ", "åŀ ²", "åŁ ı", "åŀ į", "èĢ ĩ", "é¿ į", "åŀ İ", "åŀ ´", "åŀ Ł", "åŀ ŀ", "æĮ ĵ", "åŀ µ", "åŀ ı", "æĭ ¶", "èį ĸ", "èį ģ", "èį Ļ", "èį Ľ", "èĮ Ī", "èĮ ½", "èį Ħ", "èĮ º", "ð¬ľ ¬", "èį ĵ", "èĮ ³", "𦠰", "𦰠¡", "èĮ Ľ", "èį Ń", "ãŃ ķ", "æŁ ·", "æŁ ĥ", "æŁ Ĭ", "æŀ ¹", "æł IJ", "æŁ ĸ", "éĥ ļ", "åī ħ", "ä´ ĵ", "è¿ º", "åİ ĸ", "çł Ĩ", "çł ij", "çł Ħ", "èĢ ı", "å¥ ĵ", "ä ¶", "ä¶ ®", "è½ µ", "è½ ·", "è½ ¹", "è½ º", "æĺ º", "𪠾", "𪾠¢", "æĺ ½", "çĽ ·", "åĴ ¡", "åĴ º", "æĺ ³", "æĺ £", "æĺ ¤", "æĺ «", "æĺ ¡", "åĴ ¥", "æĺ ª", "èĻ ·", "èĻ ¸", "åĵ ĥ", "å³ ĺ", "èĢ ij", "å³ Ľ", "𪨠°", "å³ Ĺ", "å³ §", "å¸ ¡", "éĴ ĺ", "ð«ĵ §", "éĴ ľ", "𬬠®", "𬬠±", "𬬠Ń", "éĴ ª", "éĴ ¬", "éĴ Ń", "çŁ §", "ç§ ¬", "ä¿ «", "èĪ ģ", "ä¿ ľ", "ä¿ Ļ", "ä¿ į", "åŀ ķ", "è¡ İ", "èĪ £", "å¼ ĩ", "ä¾ ´", "é¸ §", "äı ¡", "èĥ ł", "ð¦ Ļ¶", "èĥ Ī", "èĥ ©", "èĥ £", "æľ ı", "é£ IJ", "è¨ Ħ", "é¥ »", "åº ¤", "çĸ ¢", "çĤ £", "çĤ Ł", "ã ¶", "㶠²", "æ´ Ń", "æ´ ĺ", "æ´ ĵ", "æ´ ¿", "ã³ ļ", "æ³ ļ", "æµ Ī", "æµ ī", "æ´ ¸", "æ´ ij", "æ´ ¢", "æ´ Ī", "æ´ ļ", "æ´ º", "æ´ ¨", "æµ IJ", "ã³ ĺ", "æ´ ´", "æ´ £", "æģ Ķ", "å® ¬", "çª Ģ", "æī Ĥ", "è¢ Ĩ", "ç¥ ı", "ç¥ IJ", "ç¥ ķ", "åı ļ", "éĻ §", "éĻ ŀ", "å¨ Ģ", "å§ ŀ", "å§ ±", "å§ ¤", "å§ ¶", "å§ ½", "æŀ ²", "ç» ĸ", "éª ĥ", "ð¬ĺ ¡", "𬳠½", "ð¬ĺ ©", "ð«Ħ §", "å½ ĸ", "éª ī", "æģ Ŀ", "çı ª", "çı Ľ", "çı ¹", "çIJ Ĭ", "çİ ¼", "çı ĸ", "ðª Ł", "ðªŁ Ŀ", "çı ½", "çı ¦", "çı «", "çı Ĵ", "ð¬į ¤", "çı ¢", "çı ķ", "çı Ŀ", "ð«Ń ¼", "åŁ Ĺ", "åŀ ¾", "åŀ º", "åŁ Ĩ", "åŀ ¿", "åŁ Į", "åŁ ĩ", "èİ °", "èĮ Ŀ", "ð¬ľ ¯", "éĦ Ģ", "èİ ¶", "èİ Ŀ", "äĵ ĸ", "èİ Ļ", "æł »", "æ¡ ł", "ð¬ Ĥ", "ð¬Ĥ ©", "æ¡ Ħ", "æ¢ ł", "æł ´", "æ¢ ´", "æł Ĵ", "éħ İ", "éħ ı", "ð«ł Ĩ", "çł µ", "çł ł", "çł «", "çł ¬", "ç¡ ģ", "æģ §", "ç¿ ĥ", "éĥ ª", "ð¨ IJ", "ð¨IJ Ī", "è¾ Ģ", "è¾ ģ", "ð¬ Į", "ð¬Į Ĺ", "åī ķ", "èµ Ģ", "åĵ ¢", "æĻ ħ", "æĻ Ĭ", "åĶ Ŀ", "åĵ ³", "åĵ ±", "åĨ Ķ", "æĻ Ķ", "æĻ IJ", "çķ ĸ", "èļ Ħ", "èļ Ĩ", "ð« ij", "ð«ij ¡", "å¸ ±", "å´ ģ", "å³ ¿", "𪨠¶", "å´ Ħ", "å¸ ¨", "å ´Ģ", "èµ Ĩ", "𬠬¸", "éĴ ·", "𬬠»", "𬬠¹", "𬬠¿", "ð¬Ń ģ", "çľ ļ", "çĶ ¡", "ç¬ «", "åĢ »", "åĢ ´", "èĦ ©", "åĢ ®", "åĢ ķ", "åĢ ŀ", "ð« ¢", "ð«¢ ¸", "åĢ ĵ", "åĢ §", "è¡ ĥ", "èĻ Ĵ", "èĪ Ń", "èĪ ¯", "èĪ ¥", "çĵ ŀ", "é¬ ¯", "é¸ °", "èĦ İ", "æľ ĵ", "èĥ ²", "èĻ ĵ", "é± ½", "çĭ ´", "å³ ±", "çĭ »", "çľ ¢", "ð«Ĺ §", "åĭ į", "çĹ Ħ", "çĸ °", "çĹ ĥ", "ç« ĺ", "ç¾ ĸ", "ç¾ ĵ", "æ¡ Ĭ", "æķ ī", "çĥ ł", "çĥ Ķ", "çĥ ¶", "çĥ »", "ð¬Ĭ Ī", "æ¶ į", "æµ ¡", "æµ Ń", "æµ ¬", "æ¶ Ħ", "æ¶ ¢", "æ¶ IJ", "æµ °", "æµ Ł", "æµ Ľ", "æµ ¼", "æµ ²", "æ¶ ĺ", "æĤ Ī", "æĤ ĥ", "æĤ ¢", "ð¬Ĵ Ī", "å® §", "çª ħ", "çª Ĭ", "çª İ", "æī ħ", "æī Ĩ", "è¢ ª", "è¢ Ĺ", "è¢ ¯", "ç¥ §", "éļ º", "åł ²", "çĸ į", "𨠺", "𨺠Ļ", "éĻ ´", "ç ĥĿ", "çł ®", "ãĽ ļ", "åĵ ¿", "ç¿ Ģ", "ç¿ Ĥ", "åī Ł", "𬳠¿", "ð«Ħ ¨", "ç» ¤", "éª į", "ð¬ĺ «", "ä Ĥ", "äĤ ®", "çIJ İ", "çı ¸", "çı µ", "çIJ Ħ", "çIJ Ī", "çIJ Ģ", "çı º", "æİ Ń", "åł İ", "åł IJ", "åŁ ¼", "æİ İ", "åŁ «", "åł Į", "æĻ ¢", "ð« ®", "ð«® ĥ", "æİ ŀ", "åŁ ª", "å£ ¸", "ãĻ į", "èģ į", "èı Ŀ", "èIJ ļ", "èı ¥", "èİ ¿", "äĵ «", "åĭ ļ", "äĵ ¬", "èIJ Ĩ", "èı Ĥ", "èı į", "èı ¼", "èIJ £", "äĵ ¨", "èı ī", "äĵ Ľ", "æ¢ ¼", "æ¢ ½", "æ¡ ²", "æ¢ ¾", "æ¡ ¯", "æ¢ £", "æ¢ Į", "æ¡ ¹", "æķ Ķ", "åİ £", "ç¡ Ķ", "é¿ İ", "ç¡ Ļ", "ç¡ ļ", "ç¡ Ĭ", "ç¡ į", "åĭ Ķ", "ä´ ķ", "é¾ ģ", "éĢ ´", "åĶ ª", "åķ «", "ç¿ Ī", "ã «", "ã« °", "æĻ Ļ", "çķ ¤", "𬱠ĸ", "è¶ ¼", "è· Ĥ", "èĽ ĥ", "èļ ²", "ð¬Ł ½", "èļ º", "åķ ´", "äİ ĥ", "å´ §", "å´ Ł", "å´ ŀ", "å´ Ĵ", "å´ Į", "å´ ¡", "éĵ ı", "ð«ĵ ¯", "ð«Ł ¹", "éĵ ķ", "ð«Ł ¼", "éĵ ĸ", "éĵ ĺ", "éĵ ļ", "éĵ ŀ", "éĵ ¥", "éĵ ´", "çī »", "çī ¿", "ç¨ Ĩ", "ç¬ ±", "ç¬ ¯", "åģ °", "åģ ¡", "é¸ º", "åģ Ń", "åģ ²", "åģ ģ", "ã ¿", "ã¿ ł", "éĦ ħ", "åģ ĵ", "å¾ Ľ", "è¡ Ĵ", "èĪ ³", "èĪ ²", "é¸ ¼", "æĤ Ĩ", "éĦ ĥ", "çĵ »", "ä Ŀ", "äĿ Ļ", "èĦ ¶", "èĦ ŀ", "èĦ Ł", "äı ²", "é± ¾", "çĮ ĩ", "çĮ Ĭ", "çĮ Ħ", "è§ ĸ", "ðł ħ", "ðłħ ¤", "åº ±", "åº ¼", "åº ³", "çĹ ĵ", "ä´ Ķ", "ç« «", "åł ĥ", "éĺ Į", "ç¾ Ŀ", "ç¾ ķ", "çĦ Ĩ", "çĥ º", "çĦ Į", "æ· ı", "ð¬ĩ ¹", "æ· Ł", "æ· ľ", "æ· ´", "æ· ¯", "æ¹ ´", "æ¶ ´", "ð¬į ¡", "ã ¥", "㥠Ħ", "æĥ Ľ", "æĥ Ķ", "æĤ °", "æĥ Ļ", "å¯ ģ", "éĢ Ń", "𬤠ĩ", "ð«į ¯", "è¢ ¼", "è£ Ī", "ç¥ ²", "𬤠Ĭ", "ð«į ²", "è° ŀ", "èī ´", "å¼ ¸", "å¼ ¶", "𬯠İ", "éļ ĥ", "å© ŀ", "å¨ µ", "å© ¼", "åª ĸ", "å© ³", "å© į", "å© Į", "å© «", "å© ¤", "å© ĺ", "å© ł", "ð¬ĺ ¬", "ð¬ĺ Ń", "𬴠Ĥ", "ð«ĺ ¦", "ç» ¹", "ð«Ł ħ", "ð¬ĺ ¯", "éª ķ", "ð«ĺ §", "çµ ľ", "çı ·", "çIJ ²", "çIJ ¡", "çIJ Ł", "çIJ Ķ", "çIJ Ń", "åł ¾", "åł ¼", "æı ķ", "ãĻ ĺ", "åł §", "åĸ Ĩ", "åł ¨", "å¡ ħ", "åł ł", "çµ ·", "𪠣", "𪣠»", "ð¡ İ", "ð¡İ ļ", "è ijľ", "æĥ İ", "èIJ ³", "èij Ļ", "éĿ ¬", "èij ´", "èĴ ĩ", "èĴ Ī", "éĦ ļ", "èĴ ī", "èĵ ĩ", "èIJ ©", "èij °", "èij İ", "éĦ ij", "èĴ İ", "èij ĸ", "èĴ Ħ", "èIJ ¹", "æ£ ¤", "æ£ ½", "æ£ «", "æ¤ ĵ", "æ¤ ij", "ð¬ ĥ", "ð¬ĥ Ĭ", "é¹ Ģ", "æ¤ Ĩ", "æ£ ĵ", "æ£ ¬", "æ£ ª", "æ¤ Ģ", "æ¥ Ĺ", "𬠷", "𬷠ķ", "çĶ ¦", "éħ ¦", "è§ Į", "å¥ ¡", "çļ ķ", "ç¡ ª", "æ¬ ¹", "è© Ł", "ð«IJ IJ", "è¾ Į", "æ£ IJ", "é¾ Ĥ", "𬠹", "𬹠¼", "é» ¹", "çī ļ", "çĿ İ", "æĻ «", "æĻ ª", "æĻ ±", "ð §", "𧠿", "𧿠¹", "èĽ ij", "çķ ¯", "æĸ Ŀ", "åĸ ¤", "å´ ¶", "åµ ģ", "ð« ¶", "𫶠ĩ", "å´ ¾", "åµ ħ", "å´ ¿", "åµ ļ", "ç¿ Ļ", "ð«ĸ ®", "åľ Į", "åľ IJ", "èµ ij", "èµ Ĵ", "é¿ ı", "éĵ ¹", "ð¬Ń Ĭ", "éĵ ½", "𨱠ĩ", "ð«ĵ ¶", "éĶ Ĭ", "éĶ į", "éĶ İ", "ð¬Ń İ", "éĶ ĵ", "çĬ ĩ", "é¢ ĭ", "ç¨ Į", "çŃ Ģ", "çŃ ĺ", "çŃ ľ", "çŃ ¥", "çŃ ħ", "åĤ ĥ", "åĤ ī", "ç¿ Ľ", "åĤ Ĵ", "åĤ ķ", "èĪ ¾", "çķ ¬", "ð«ĸ ¯", "èĦ ¿", "èħ ĺ", "ä IJ", "äIJ ĥ", "èħ Ļ", "èħ Ĵ", "𬱠Ł", "é² ĥ", "çĮ °", "ð« Ľ", "ð«Ľ Ń", "çĮ ¯", "ã º", "㺠Ħ", "é¦ ī", "åĩ ĵ", "éĦ Ĺ", "ð« ·", "ð«· ·", "å» ĭ", "å» Ĩ", "éĦ Į", "ç² ¢", "éģ Ĩ", "æĹ IJ", "𬮠±", "çĦ ŀ", "ð¬Ĭ ¤", "æ¬ »", "𣠸", "𣸠£", "æº ļ", "æº ģ", "æ¹ Ŀ", "æ¸ °", "æ¹ ĵ", "ã ´", "ã´ Ķ", "æ¸ Ł", "æº ł", "æ¸ ¼", "æº ĩ", "æ¹ £", "æ¹ ij", "æº ŀ", "æĦ IJ", "æĦ ĥ", "æķ ©", "çĶ ¯", "æ£ ¨", "æī Ĭ", "è£ £", "ç¥ ¼", "å© »", "åª Ĩ", "åª ŀ", "ãĽ ¹", "åª ĵ", "åª Ĥ", "åª Ħ", "æ¯ µ", "çŁ ŀ", "𬴠ĥ", "ð«ĺ ¨", "ç¼ Ĭ", "ç¼ IJ", "éª Ļ", "çij ĥ", "çij ĵ", "çij ħ", "çij Ĩ", "ä´ ĸ", "çij ĸ", "çij Ŀ", "çij Ķ", "çij Ģ", "𤠧", "𤧠Ľ", "çij ³", "çij Ĥ", "å¶ ħ", "çij ij", "éģ ĺ", "é« ¢", "å¡ ¥", "åł ½", "èµ ª", "æij Ľ", "å¡ Ŀ", "æIJ Ĵ", "æIJ Į", "èĴ ±", "èĴ ¨", "èĵ ı", "èĶ Ģ", "èĵ ¢", "èĵ Ĥ", "èĴ »", "èĵ £", "æ¤ ¹", "æ¥ ª", "æ¦ ĥ", "æ¦ ħ", "æ¥ Ĵ", "æ¥ ©", "æ¦ ĩ", "æ¤ ¸", "æ¥ Ļ", "æŃ ħ", "𬠪", "𬪠©", "ç¢ ĥ", "ç¢ ı", "ð¬Ĵ Ķ", "ç¢ Ī", "äĥ ħ", "ç¡ ¿", "éĦ ł", "è¾ Ĵ", "𬨠İ", "ð«IJ ĵ", "é¾ Ĩ", "è§ ľ", "ä £", "ä£ ĺ", "æļ ķ", "é¹ į", "ð« «", "ð«« ĩ", "㬠Ĭ", "æļ ħ", "è· ±", "èľ IJ", "èľ İ", "åµ ²", "èµ Ĺ", "éª ±", "éĶ ĸ", "ð«ĵ ¹", "éĶ ĺ", "éĶ ³", "éĶ §", "éĶ ª", "ð¬Ń ļ", "éĶ «", "éĶ ¬", "ð¬Ń Ľ", "ç¨ ij", "ç¨ Ļ", "ä ħ", "äħ Ł", "ð¬ ķ", "ð¬ķ Ĥ", "çŃ »", "çŃ ¼", "çŃ ¶", "çŃ ¦", "çŃ ¤", "åĤ º", "é¹ İ", "åĥ ĩ", "èī ħ", "èī ī", "è° ¼", "è² Ĩ", "èħ ½", "èħ ¨", "èħ ¯", "é² ī", "é² Ĭ", "é² Į", "ä² Ł", "𬶠ĭ", "𬶠į", "é² ı", "éĽ Ĭ", "çĮ º", "é£ Ķ", "è§ Ł", "ð¦ Ŀ¼", "é¦ Į", "è£ Ľ", "å» Ĵ", "çĺ ħ", "éĦ ĺ", "é¹ Ĵ", "éĦ ľ", "éº Ģ", "éĦ £", "éĺ ĺ", "ð«Ķ ¶", "çħ ģ", "çħ ĥ", "çħ ´", "çħ ĭ", "çħ Ł", "çħ ĵ", "æ» ł", "æº į", "æº ¹", "æ» Ĩ", "æ» ī", "æº ¦", "æº µ", "æ¼ ·", "æ» §", "æ» ĺ", "æ» į", "æĦ Ń", "æħ ¥", "æħ Ĩ", "å¡ ±", "ð« ĮĢ", "è £¼", "ç¦ ĭ", "ç¦ Ķ", "ç¦ ĺ", "ç¦ Ĵ", "è° «", "é¹ Ķ", "ð«ĸ ³", "æĦ į", "å« Ħ", "åª ±", "æĪ ¤", "åĭ ł", "æĪ £", "ð«ĺ ª", "ð«ĺ ¬", "ç¼ ŀ", "èĢ ¤", "çij §", "ð« ŀ", "ð«ŀ ©", "çij ¨", "çij ±", "çij ·", "çij ¢", "æĸ ł", "æij ı", "å¢ ķ", "å¢ Ī", "å¢ IJ", "å¢ ĺ", "æij ´", "éĬ İ", "ð¡ IJ", "ð¡IJ ĵ", "å¢ ļ", "æĴ ĸ", "𪠤", "𪤠Ĺ", "éĿ ½", "éŀ ģ", "èĶ Į", "èĶ Ī", "èĵ °", "èĶ ¹", "èĶ Ĭ", "åĺ ı", "æ¦ °", "æ¦ ij", "æ§ ļ", "ð£ Ĺ", "ð£Ĺ ĭ", "æ§ ľ", "æ¦ į", "çĸ IJ", "𬸠ĺ", "éħ º", "éħ ¾", "éħ ²", "éħ ´", "ç¢ ¶", "äĥ İ", "ð¬Ĵ Ĺ", "ç¢ ¨", "ð¥ Ķ", "ð¥Ķ ²", "ç¢ ¹", "ç¢ ¥", "åĬ Ĥ", "ð«ļ ĸ", "ä´ Ĺ", "å¤ ¥", "çŀ į", "é¹ ĸ", "㬠İ", "è· ½", "èľ ¾", "å¹ ĸ", "å¶ į", "åľ Ļ", "𨱠ı", "éĶ º", "éĶ ¼", "éĶ ½", "ð¬Ń ¤", "éĶ ¾", "éĶ ¿", "éķ ĥ", "éķ Ħ", "éķ ħ", "é¦ Ŀ", "é¹ Ļ", "ç® ¨", "ç® ĸ", "åĬ Ħ", "åĥ ¬", "åĥ ¦", "åĥ Ķ", "åĥ İ", "æ§ ĥ", "ãĻ ¦", "é² Ĵ", "é² ķ", "ð«ļ ķ", "é² ĸ", "é² Ĺ", "é² ĺ", "é² Ļ", "𬶠IJ", "𬶠ı", "ð ©½", "𩽠¾", "å¤ IJ", "çį į", "é£ Ĺ", "𬸠ļ", "åĩ ĺ", "å» ij", "å» Ļ", "çĺ Ĺ", "çĺ ¥", "çĺ ķ", "é² Ŀ", "éĦ «", "çĨ ĩ", "æ¼ ¹", "æ¼ ĸ", "æ½ Ĩ", "æ¼ ¤", "æ½ ©", "æ¼ ¼", "æ¼ ´", "ã ½", "ã½ ı", "æ¼ Ī", "æ¼ ĭ", "æ¼ »", "æħ ¬", "çª ¬", "çª Ń", "ã ®", "ã® ¾", "𬤠Ŀ", "è¤ ķ", "ç¦ Ľ", "ç¦ ļ", "éļ ©", "å« ķ", "å« Ń", "å« ľ", "å« ª", "ð¬ ĻĤ", "ã »", "ã» ¬", "éº ¹", "çĴ Ĩ", "æ¼ ¦", "åı ĩ", "å¢ £", "å¢ ¦", "å¢ ¡", "åĬ IJ", "èĸ ģ", "èķ °", "èĶ ĥ", "é¼ Ĵ", "æ§ ±", "é¹ Ŀ", "ç£ ı", "ç£ ī", "æ® £", "æħ Ń", "éľ ħ", "æļ µ", "æļ ²", "æļ ¶", "è¸ ¦", "è¸ £", "äĹ ĸ", "èĿ ĺ", "èĿ ²", "èĿ ¤", "åĻ ĩ", "å ĻĤ", "åĻ Ģ", "ç½ ¶", "å¶ ²", "å¶ ĵ", "ãł ĩ", "å¶ Ł", "å¶ Ĵ", "éķ Ĩ", "éķ Ī", "éķ ĭ", "éķ İ", "ð¬Ń ©", "éķ ķ", "ç¨ ¹", "åĦ ĩ", "çļ ŀ", "çļ Ľ", "ä´ ĺ", "èī İ", "èī ı", "é¹ Ł", "𩾠ĥ", "é² ¦", "é² ª", "é² ¬", "æ© ¥", "è§ Ń", "é¹ ł", "é¹ ¡", "ç³ ĩ", "ç³ Ī", "ç¿ ¦", "é¹ ¢", "é¹ £", "çĨ Ľ", "æ½ ĸ", "æ½ µ", "ã µ", "ãµ IJ", "æ¾ Ĥ", "æ¾ Ľ", "çij ¬", "æ½ ½", "æ½ ¾", "æ½ ı", "æĨ Ń", "æĨ ķ", "𬸠£", "æĪ Ń", "è¤ ¯", "ç¦ ¤", "ð«į ½", "å« ½", "éģ ¹", "𬴠Ĭ", "çĴ ¥", "çĴ ²", "çĴ Ĵ", "æĨ Ļ", "æĵ IJ", "éĦ ¹", "èĸ ³", "éŀ Ķ", "é» ĩ", "ð¬ ŀ", "ð¬ŀ Ł", "èķ Ĺ", "èĸ ¢", "èķ ¹", "æ© ŀ", "æ© ij", "æ© ¦", "éĨ ij", "è§ ±", "ç£ ¡", "ð¥ ķ", "ð¥ķ ¢", "ç£ ľ", "è± ®", "ð«Ł ¦", "𬺠Ī", "ð«ł ľ", "é¹ ¾", "èĻ ¤", "æļ ¿", "æĽ Į", "æĽ Ī", "㬠ļ", "è¹ ħ", "è¸ ¶", "äĹ Ľ", "èŀ Ĺ", "çĸ ģ", "ãł ĵ", "å¹ ª", "𪠩", "𪩠ĺ", "å¶ ¦", "ð¬Ń ¬", "𨱠ij", "ð¬Ń ¯", "é¦ ŀ", "ç© Ħ", "ç¯ ļ", "ç¯ ¯", "ç° ī", "é¼ ½", "è¡ ł", "çĽ ¦", "èŀ £", "ç¸ ¢", "é² Ń", "é² ¯", "é² °", "é² º", "é² ¹", "ð«Ĺ ´", "äº ¸", "çĻ Ģ", "çĺ Ń", "𬸠¦", "ç¾ ±", "ç³ Ĵ", "çĩ ĭ", "çĨ »", "çĩ Ĭ", "çĩ ļ", "çĩ ı", "æ¿ ©", "æ¿ ĭ", "æ¾ ª", "æ¾ ½", "æ¾ ´", "æ¾ Ń", "æ¾ ¼", "æĨ ·", "æĨ º", "æĩ Ķ", "é» ī", "å¬ Ľ", "é¹ ¨", "ç¿ ¯", "ð«Ħ ·", "çĴ ±", "𤠩½", "çĴ ¬", "çĴ ®", "é« ½", "æĵ ¿", "èĸ ¿", "èĸ ¸", "æª ij", "æ« Ĩ", "æª ŀ", "éĨ ¨", "ç ¹Ħ", "ç£ ¹", "ç£ »", "çŀ «", "çŀ µ", "è¹ IJ", "èŁ ı", "ã ĺ", "ãĺ İ", "ð¬Ń ³", "éķ ¤", "ð¬Ń ¶", "ð«Ķ į", "éķ ¥", "éķ ¨", "ð¬Ń ¸", "𨱠Ķ", "ð¬Ń ¼", "ð«Ķ İ", "çŁ °", "ç© Ļ", "ç© ľ", "ç© Ł", "ç° ķ", "ç° ĥ", "ç° ı", "åĦ ¦", "éŃ ĭ", "æĸ ¶", "èī ļ", "𬸠ª", "è° ¿", "ä² ł", "𬶠Ł", "é² ¾", "𬶠ł", "é² ¿", "é³ ģ", "é³ Ĥ", "é³ Ī", "é³ ī", "çį ¯", "äĹ ª", "é¦ ĺ", "è¥ ķ", "è¥ ļ", "𬶠¨", "èŀ ±", "çĶ ĵ", "å¬ ¬", "å¬ ¥", "ð¦ Ī", "ð¦Ī ¡", "ð«Ħ ¸", "çĵ Ģ", "éĩ IJ", "é¬ ¶", "çĪ ĩ", "éŀ ³", "éŀ ®", "ð¬Ł ģ", "èĹ Ł", "èĹ ¦", "èĹ ¨", "é¹ ²", "æª «", "é» ¡", "ç¤ ŀ", "ç¤ Į", "ð¥ ĸ", "ð¥ĸ ¨", "è¹ ¢", "è¹ ľ", "èŁ «", "äĹ ´", "åļ ļ", "é« ĥ", "éķ ®", "éķ ±", "éħ Ĥ", "é¦ §", "ç° ł", "ç° Ŀ", "ç° °", "é¼ «", "é¼ ©", "çļ ¦", "èĩ ij", "ä² ¢", "é³ ij", "é³ Ĵ", "é¹ ±", "é¹ ¯", "çĻ Ĺ", "ð¦ Ĵ", "ð¦Ĵ į", "æĹ ŀ", "ç¿ ·", "åĨ ģ", "äİ ĸ", "çĢ Ķ", "çĢ į", "çĢ Į", "è¥ ľ", "ä´ Ļ", "ð¬Ļ Ĭ", "åļ Ń", "ã °", "ã° Ģ", "é¬ ·", "éĨ Ń", "è¹ ¯", "èł ĭ", "ç¿ ¾", "é³ ĺ", "åĦ ³", "åĦ ´", "é¼ Ĺ", "𬶠Ń", "𩾠Į", "é³ ļ", "é³ Ľ", "éº ij", "éº ĸ", "èł ĥ", "å½ Ł", "å¬ ¿", "é¬ Ĵ", "èĺ ĺ", "æ¬ Ĥ", "é Ĩµ", "é¢ ¥", "çĶ Ĺ", "ð¨ Ł", "ð¨Ł ł", "å· ĩ", "éħ ħ", "é« İ", "çĬ ¨", "𬶠®", "ð¨ Ń", "ð¨Ń ī", "㸠Į", "çĪ Ķ", "çĢ ±", "çĢ ¹", "çĢ ¼", "çĢ µ", "è¥ «", "åŃ ħ", "éª ¦", "ð¬Ļ ĭ", "èĢ °", "𤠫", "𤫠ī", "çĵ ĸ", "é¬ ĺ", "è¶ ¯", "𬺠ĵ", "ç½ į", "é¼ ±", "é³ ł", "é³ ¡", "é³ £", "çĪ Ł", "çĪ ļ", "çģ Ī", "éŁ Ĥ", "ç³ µ", "èĺ ¼", "ç¤ µ", "é¹ ´", "èº Ķ", "çļ Ń", "é¾ ¢", "é³ ¤", "äº ¹", "ç± ¥", "é¼ ·", "ð«ļ Ń", "çİ ĥ", "éĨ ¾", "é½ ĩ", "è§ ¿", "èł ¼", "× §", "× ¤", "× Ľ", "×ķ× ª", "× ¡", "×Ļ× Ŀ", "× ¦", "× Ĵ", "× ĺ", "×ķ× ¨", "× Ŀ", "×ķ× ľ", "× ĸ", "๠Ĥ", "ï º", "ðŁ į", "ðŁ IJ", "×Ļ× ¨", "ï »", "ðŁ ij", "ðĿ IJ", "ðŁ ı", "ðŁ Ķ", "ðŁ Į", "ðŁ İ", "ðŁ ĵ", "× Ł", "ðĿ ij", "×ķ× ĵ", "ï ¦", "Ġ× ķ", "×ķ× ij", "à¸Ń à¸ĩ", "ðĿ ĺ", "×Ļ× ª", "ðĿ ķ", "à¸Ĺ ีà¹Ī", "Ø§Ø ¦", "ðŁ ¤", "×ķ× Ł", "ر ÙĬ", "×Ļ× ľ", "ร ะ", "า ย", "ï ¯", "ï ®", "า ม", "â ĩ", "ðŁ ¥", "ï Ń", "ðĿ Ļ", "×ķ× ł", "á ½", "Ġ× Ľ", "ðŁ ļ", "â ļ", "ï §", "×ij ר", "×Ļ× ł", "á ´", "Ġ× Ĺ", "á ¼", "ðĿ Ĺ", "Ġ× ¢", "×Ļ× Ķ", "ãģ£ ãģŁ", "ãģĵ ãģ¨", "á ¸", "ÙĬ ÙĨ", "ãģª ãģĦ", "ا ع", "ภ¨", "à¹Ī à¸ĩ", "×Ļ× ĵ", "×ŀ ש", "á Ī", "׳ ×Ļ", "×Ļ× ij", "ï ¥", "ðĿ ĵ", "Ġ× Ļ", "× ļ", "ั à¸ĩ", "â ĵ", "ï ¤", "ĠاÙĦ Ø£", "า à¸ģ", "à¹ī à¸Ļ", "à¹Ģ ร", "×ķ× Ŀ", "á ¹", "ภ¶", "×Ļ× §", "ภĭ", "à¸Ħ ร", "ภĺ", "ั à¸ģ", "ðŁ ķ", "ÙĪ ÙĨ", "à¸Ń ย", "â Ĭ", "ðĿ Ĵ", "ĠاÙĦ ع", "า à¸Ļ", "×Ļ× Ł", "ÙĦ ÙĬ", "×Ļ× ©", "à¸Ľ ระ", "à¹Ģ à¸Ľ", "Ġ× ł", "×ķ× ¡", "ภł", "Ùħ ÙĨ", "×ķ× ¢", "×ķ× ŀ", "â Į", "ðŁ §", "à¹ĩ à¸Ļ", "ภį", "ã İ", "á µ", "ĠاÙĦ س", "×ķ× §", "ห ล", "ðŁ ĩ", "â ı", "ðŁ ¦", "Ġ×Ķ ×ŀ", "ÙĪ ا", "Ġ× ª", "ר ×IJ", "à¸Ń à¸Ļ", "ภ©", "à¹Ī ว", "×ķ× ¦", "í Ĺ", "ã Ħ", "ï ¨", "ï ¹", "â İ", "ï ²", "ðĿ ļ", "ð IJ", "à¸Ħ ว", "ห à¸Ļ", "Ġ× ¨", "ب ÙĬ", "ร à¹Į", "ر ا", "Ø´ ر", "×ķ× Ĺ", "×ķ× ¤", "×ķ× ©", "×ķ× Ĵ", "í Ŀ", "â Ľ", "à¸ķ ิ", "à¹Ģ à¸ģ", "ï ³", "ï ±", "à¸Ķ à¹ī", "ë ¹", "ï ¬", "á ¿", "ðŁ Ľ", "ðĿ ĸ", "à¹Īา à¸ĩ", "ู à¹ī", "Ġ×Ķ ×IJ", "ĠاÙĦ ØŃ", "פ ר", "ÙĪ Ùħ", "à¹Ģ ล", "í ĸ", "×Ļ× ¢", "ì Ī", "í ĵ", "ðŁ ħ", "á ł", "à¸Ħว าม", "à¸Ī ะ", "׳ ×Ķ", "Ġ× §", "ภŁ", "à¹ī à¸ĩ", "ห ม", "ت Ùħ", "׾ ×Ļ", "ÙĬ د", "à¹Ī à¸Ļ", "׊ר", "ש ר", "à¹Ģ à¸Ĺ", "×ŀ ר", "ë ĸ", "ع ÙĦ", "×ŀ ×¢", "â ²", "׾ ×Ķ", "Ġ× ¤", "à¸Ń à¸ģ", "س ÙĦ", "×Ļ× ŀ", "ÙĤ ÙĬ", "í İ", "ت ØŃ", "×Ļ× ¡", "×Ļ× Ĺ", "í Ľ", "ï °", "â ½", "á ī", "á Ĭ", "á ¨", "Ùĩ ا", "Ġ׾ ×Ķ", "×ķ× IJ", "Ùħ ا", "à¹īà¸Ń à¸ĩ", "ر ب", "ĠاÙĦ ج", "×ŀ ×ĵ", "Ùħ ÙĦ", "ت ر", "à¹Ģ à¸Ķ", "ק ר", "í ħ", "ì ¼", "ê ¿", "ã Ī", "á IJ", "ðŁ Ĺ", "ê ¦", "á ĭ", "ðĿ Ķ", "à¹Ģà¸Ľ à¹ĩà¸Ļ", "à¹ĥ ห", "ม า", "ว à¹Īา", "ม ี", "ี à¹ī", "à¹Ħม à¹Ī", "ÙĨ ÙĬ", "Ø ¤", "ร า", "×ķ ×Ļ", "ãĤĪ ãģĨ", "ิ à¸Ķ", "×Ļ× ¤", "׊׾", "ÙĤ د", "à¹Ģ ส", "×Ļ× ĺ", "à¸ģ ล", "ר ׼", "×ķ× Ľ", "×Ļ× Ľ", "ë Ī", "ë ĥ", "ðŁ ĸ", "á ħ", "â ¼", "ã ī", "à¹Ħ à¸Ķà¹ī", "ת ×Ļ", "×Ļ× IJ", "ĠاÙĦ Ø¥", "à¸ł า", "ร ิ", "ÙĤ Ø©", "ØŃ Ø¯", "ê »", "ì ±", "ת ×Ĺ", "ì º", "â ĭ", "á Ħ", "á ¾", "â µ", "â ¾", "ĠÙĪ اÙĦ", "׳ ×ķ", "Ù Ģ", "ÙĬ ا", "à¸ģ à¹ĩ", "×ŀ ×Ķ", "ãģĦ ãĤĭ", "ع د", "ĠاÙĦ ÙĨ", "Ġ×Ķ ש", "Ø ¦", "ั à¹īà¸ĩ", "ร ัà¸ļ", "ÙĪ ÙĤ", "ãģ§ ãģį", "à¹Ģ à¸ŀ", "׼ ׾", "×ĺ ר", "ั à¸Ķ", "à¸Ń า", "ì ¢", "à¸Ń à¸ļ", "à¸ķ ร", "à¹Ģ à¸Ĭ", "ì Ķ", "ãģĹ ãģ¾", "ë ģ", "ë ķ", "ðŁ Ļ", "â Ĵ", "á ¶", "à¹ģ ล", "ÙĨ ا", "à¹ĥห à¹ī", "à¹Ħ à¸Ľ", "× £", "ั ว", "า à¸ĩ", "×ĵ ר", "×ij ׾", "פ ×Ļ", "Ġ× ĵ", "ĠاÙĦ Ùģ", "à¹Ģ à¸Ĥ", "ש ×Ķ", "×IJ ר", "ë ¬", "ãģ« ãģª", "ÑĢ о", "ว ิ", "Ùħ ر", "×IJ ת", "Ùĥ ر", "س ب", "ÙĨ ت", "ãģĹ ãģĦ", "ا ج", "à¸Ń รà¹Į", "Ùĥ ÙĦ", "س Ùħ", "ส ิ", "×Ļ× ¦", "ë Ŀ", "í ľ", "ì ī", "á Ĩ", "Ùĩ Ùħ", "à¸Ļ ีà¹ī", "ãģĤ ãĤĭ", "ãģĦ ãģ¦", "س ÙĬ", "׾ ×IJ", "د ر", "ãģ ļ", "ÙĪ ج", "ĠاÙĦ Ø®", "ص ر", "í ı", "à¹īา à¸ĩ", "ุ à¸Ķ", "×ķ× ĺ", "×ij ×¢", "í Ĩ", "à¸Ĭ า", "ร ม", "ש ×ŀ", "×ŀ ס", "ê ´", "ì ´", "ë ľ", "ì ¿", "ì ©", "ë »", "â ¤", "ðŁ Ĩ", "á Į", "á ķ", "Ø° ا", "à¸Ĺ ำ", "à¸ķ à¹Ī", "ĠاÙĦ ÙĤ", "ÙĦ Ùĥ", "ู à¹Ī", "à¸Ħ ุ", "ÙĬ Ùħ", "׳ ×Ļ×Ŀ", "ืà¹Ī à¸Ń", "ÙĪ ع", "ãĤ ĩ", "ا ÙĤ", "Ġ×ij ×¢", "à¹Ģ ม", "ج Ùħ", "á» «", "ãģĵãģ¨ ãģĮ", "ب د", "×ķ× Ķ", "ש ׾", "Ùĩ ر", "à¹Ģ à¸Ļ", "ãģ ¹", "í ĭ", "ì »", "ì ½", "ë Ń", "ì Į", "í Ģ", "ë Į", "ë º", "ã Ĭ", "à¹ĥ à¸Ļ", "Ġ× Ĵ", "๠Ĩ", "à¸Ī าà¸ģ", "ว ย", "à¹ĥ à¸Ĭ", "à¸ĩ าà¸Ļ", "ĠاÙĦ Ø´", "ا ØŃ", "à¹īา à¸Ļ", "ืà¹Ī à¸Ńà¸ĩ", "×IJ ×Ļ", "ب ÙĦ", "ãģ¨ æĢĿ", "׳ ס", "ãģ¾ ãģĽ", "Ùĥ ÙĨ", "×¢ ר", "ĠاÙĦ د", "ש ת", "í ŀ", "Ùħ س", "ص ÙĦ", "×ķ׳ ×Ķ", "ار Ø©", "ÙĦ Ùħ", "ส ม", "Ø£ ÙĨ", "ת ר", "×IJ ×ŀ", "ع ب", "Ø® ت", "ãĤ ĥ", "ì ¡", "ì £", "ив а", "ส ั", "ึ à¸ģ", "ì ¸", "ë Ĩ", "алÑĮ н", "ì ³", "ì į", "ê ¼", "ê ½", "ì ı", "ã Į", "ã ı", "ï ©", "ê ª", "á İ", "Ġ× ĸ", "à¸ģ ัà¸Ļ", "×Ļ ×ķ", "à¸Ħ à¸Ļ", "׳ ×ķת", "à¸ľ ูà¹ī", "à¹ĥ à¸Ī", "ãģĦ ãģŁ", "Ùģ ر", "×ĺ ×Ļ", "צ ×Ļ", "ãĤĤ ãģ®", "ĠاÙĦ ص", "ãģ¾ãģĽ ãĤĵ", "د Ø©", "×ij ×Ļ", "ĠاÙĦ ر", "Ġ×ŀ ×IJ", "ส ำ", "à¹Ģ ห", "ع ر", "ãģª ãģı", "à¸ģร ะ", "×ij ×ĵ", "à¹Ģ à¸Ī", "×Ļ× ļ", "×Ĺ ×Ļ", "ÙĬ ع", "ש ×ij", "ÙĨ Ø©", "ÙĪ ض", "ÙĦ Ùģ", "ÙĢ ÙĢ", "פ ×¢", "í Ī", "×ŀ ק", "ภIJ", "ØŃ Ø©", "ا ص", "Ñĭв а", "à¸Ħ ม", "ว ั", "à¸Ľ ล", "ì Ł", "í ļ", "ë ´", "ë ij", "ë ī", "ë ĩ", "ì ¨", "ë ±", "ë İ", "â ¬", "á ¥", "á Ĺ", "á Ľ", "á į", "Å ©", "à¸Ķ ี", "ô i", "Ġ× ¡", "׾ ×ķ", "á»Ŀ i", "à¸Ħุ à¸ĵ", "â y", "à¸Ļ า", "×Ĺ ×ĵ", "×ĵ ×Ļ", "ห า", "ج ÙĦ", "à¹Ģ ว", "ãĤĩ ãģĨ", "Ùħ Ø©", "ĠاÙĦ Ùĥ", "Ġ×Ķ ×¢", "ج ر", "×ĸ ר", "ا Ø·", "׼ ת", "×ķ׳ ×Ļ×Ŀ", "ØŃ Ùħ", "ê ¶", "ر Ùĥ", "Ġ׾ ×¢", "×ķ× ĸ", "ส ร", "צ ׾", "Ø ¢", "ا ست", "à¹Ī ม", "Ø® ر", "צ ×¢", "×Ļר ×ķת", "اد Ø©", "Ø´ ار", "×ŀ ×Ĺ", "í Ĵ", "à¹Ģร ีย", "׊ק", "Ø§Ø «", "ร à¸ĩ", "à¹Ģ à¸ķ", "à¸Ī ำ", "ภĿ", "à¹Īา ย", "à¸Ħ ล", "ÙĤ ÙĪ", "иÑĩеÑģ к", "à¸ĵ à¹Į", "ั ย", "Ùħ ع", "ë ¨", "ë ¿", "ë ®", "ï ´", "ì ¥", "ì «", "ë µ", "á ¡", "â į", "ð ĵ", "â °", "à¸Ĥ à¸Ńà¸ĩ", "Ù ĭ", "à¸ģ ัà¸ļ", "ãģ® ãģ§", "à¹ī ว", "à¸Ńย à¹Īาà¸ĩ", "ãģ Ń", "á»ĩ t", "à¸ķ à¹īà¸Ńà¸ĩ", "×ŀ ×Ļ", "à¹ģ à¸ļ", "×Ĵ ר", "ÙĪ Ùģ", "ÙĤ ÙĦ", "à¸łà¸² à¸ŀ", "ר ×Ļ", "ล า", "ÙĬ س", "Ġ× ¦", "ÙĬ Ùģ", "Ġ× ĺ", "à¸ľ ล", "á ng", "ร ว", "Ġ×ŀ ש", "×IJ ×ķת", "×ĸ ×Ķ", "ู à¸ģ", "à¸Ļ ัà¸ģ", "اÙĨ ÙĬ", "د ا", "ãģ ³", "׼ ף", "ãĤī ãĤĮ", "ãĤĮ ãģ°", "ת ק", "ú c", "ÙĪ ز", "×Ļר ×Ķ", "Ġn gh", "án h", "Ġ×ķ ×IJ", "á» ħ", "ส ุà¸Ķ", "ë į°", "ا ض", "اÙĦ ÙĬ", "ب ار", "ع Ùħ", "à¸ļ า", "ت ج", "à¸ŀ ร", "×ķר ×Ķ", "ả ng", "Ø® ÙĦ", "ภī", "ắ c", "ש ×Ļ×Ŀ", "í Ķ", "Ùģ س", "×Ļ× Ĵ", "п ÑĢ", "ĠاÙĦ Ø«", "س Ø·", "ร ูà¹ī", "ีà¹Ī ย", "à¸Ń à¸Ķ", "ãģª ãĤĬ", "×Ĵ ×ĵ", "ãģĦ ãģ¾ãģĹãģŁ", "ס ק", "Ø® ص", "la ÅŁ", "ен но", "ب ØŃ", "ส à¸Ļ", "ภ®", "ר×IJ ש", "Ùħ ÙĪ", "دÙĬ د", "ษ า", "×ķ× ļ", "ãĥ§ ãĥ³", "à¸ķ ุ", "Ġê µ", "ĠÑģв о", "צ ×ij", "à¸Ń ม", "à¸Ľ ร", "ت ع", "×Ķ ת", "اÙħ ÙĦ", "×ŀ ׳", "ç ¶ļ", "ภ¤", "í į", "ë ĺ", "ë ¤", "ì ij", "â ´", "ã ĭ", "Ġب اÙĦ", "á»ģ u", "ĠاÙĦ ÙĦ", "à¸ķ ัว", "Ø° Ùĩ", "ึ à¸ĩ", "à¹ĥà¸Ĭ à¹ī", "á»ĵ ng", "à¸Ļ ั", "ม าà¸ģ", "ãĥ Ł", "×ŀ ×ķ", "à¸Ĺ ย", "á»Ļ i", "Ạ±", "ả o", "à¹Ĥ à¸Ķ", "×IJ ׾", "ส าม", "ÙĪ ب", "à¸Ĺ ุ", "ย ัà¸ĩ", "×¢ ת", "×ķ׳ ×ķת", "à¸Ĥ ึ", "à¸Ĥึ à¹īà¸Ļ", "à¸ģ à¹Ī", "Ạ«", "á»ij c", "ãģĹ ãĤĩãģĨ", "á»ĭ ch", "Ġ×IJ ×ķת", "Ġש ×IJ", "׼ ×ķ׾", "á»Ļ c", "ع Ø©", "à¸Ĺ ี", "à¹Ģ à¸Ń", "Ùĥ ت", "ãģ »", "Ạ»", "ìĹ ħ", "à¸Ń à¸Ńà¸ģ", "اÙĨ ت", "à¹Ħ ร", "Ġ×IJ ×Ĺר", "Ø· ر", "ÙĨ د", "ื à¹īà¸Ń", "Ø· ÙĦ", "×IJ ×Ķ", "uy ên", "í ĸī", "×ij ×Ķ", "à¸Ħ à¹Ī", "à¸Ĭ à¹Īว", "ãģĤãĤĬ ãģ¾ãģĻ", "ÙĬ ب", "ק ׾", "ãĥ Ļ", "Ä ©", "س ر", "า ว", "ãĤ ±", "à¸ļ ริ", "ר ×Ĵ", "á»ĥ u", "ØŃ Øª", "×ķ×ŀ ×Ļ", "ب ÙĨ", "êµ IJ", "ÄŁ u", "ãģª ãĤĵ", "×ij ק", "Ġפ ר", "ắ n", "ØŃ ÙĦ", "×ij ×Ĺ", "ấ u", "×ij ×ķ×ĵ", "ãĥ ¯", "Ġ׾ ק", "ั à¸į", "à¸ŀ ิ", "×Ĺ ×Ķ", "×ĸ ׼", "ãĥ¼ãĥ ł", "ÑĤ елÑĮ", "×ŀ ×Ļ×ĵ", "ÙĬ Ø®", "Ạ³", "ت ص", "à¸ĺ ิ", "è¾ ¼", "ì ĵ", "Ùĥ Ø©", "ÙĤ ب", "à¸Ħ à¹Į", "à¹īา ย", "à¸ĵ ะ", "า ะ", "ë Ĵ", "ê ¾", "ë ·", "ì ĩ", "ê º", "ì ģ", "ë Ģ", "ì ¾", "ë ½", "ë ļ", "ì Ń", "ì İ", "á ij", "ë Ĺ", "ê Ĵ", "à ¡", "à ¬", "ðIJ Į", "ã ĩ", "ðĿ Ħ", "Ġ׾ ×IJ", "ãģ¨ ãģĦãģĨ", "Ġn hi", "×Ļ ×ķת", "Ġש ×Ķ", "à¹ģล à¹īว", "Æ°á»Ľ c", "à¸Ķà¹ī วย", "à¸Ĺ าà¸ĩ", "׳ ת", "פ ת", "à¹ģ à¸ķà¹Ī", "Æ° ng", "à¸Ńย ูà¹Ī", "à¹ī ำ", "Ġ×IJ ׾", "Ùĥ Ùħ", "ấ p", "ล à¸ĩ", "ãģŁ ãĤģ", "×Ĵ ׾", "ห ร", "ĠÑĢ е", "à¹Ģà¸Ĥ à¹īา", "ÙĤ ر", "Ġ×Ķ ס", "ÙĪ ÙĬ", "สาม าร", "สามาร à¸ĸ", "Äĥ n", "à¸Ń ี", "פ ×ķ", "×Ļ׳ ×ķ", "ว ัà¸Ļ", "ặ c", "íķ Ļ", "×ŀ ת", "ê u", "Ạ¹", "Ùģ ÙĬ", "×ŀ צ", "à¸Ħ า", "ãģĿ ãģĨ", "ãĢ ħ", "ا ز", "ا Ùĩ", "ר ×Ļ×Ŀ", "ấ n", "ห าร", "ạ t", "ÙĨ Ùĩ", "à¹Ģ à¸Ħร", "ج Ùĩ", "׼ ×Ļ", "ắ t", "à¸Ħ à¹īา", "ر Ø©", "ãĥ ı", "Ùĥ ÙĪÙĨ", "ứ ng", "Ġìļ °", "ย à¹Į", "à¹Īว à¸Ļ", "à¸ģ ำ", "Ø« ر", "Ñģ и", "ĠاÙĦ Ø·", "Ġ×Ķ צ", "ĠØ ·", "ĠاÙĦ ÙĪ", "ê¹ Į", "ØŃ ÙĬ", "ار ات", "à¹Ģ à¸ĭ", "ب ا", "г ÑĢ", "ร ี", "ืà¸Ń à¸Ļ", "ع ت", "ÙĤ اÙĦ", "د Ùħ", "Ø ¡", "Ġ×ŀ ק", "×ĵ ×Ļ×Ŀ", "×¢ ׾", "ãģ Ĵ", "ëĭ ĺ", "×¢ ×Ķ", "Ġìĸ ´", "Ñģ ÑĮ", "ÙĤ Ø·", "ãĥ Ľ", "èĢĥ ãģĪ", "à¹ģ à¸Ļ", "ÙĪ ات", "â u", "ĠìĤ¬ ëŀ", "ห ว", "ĠاÙĦØ£ Ùħ", "Ġ×Ķ ×ŀש", "ب ÙĪ", "à¸Ĭ à¸Ļ", "ãĤĵ ãģ§ãģĻ", "ว à¸Ļ", "à¸ģร รม", "×ŀ ×ķ×ĵ", "Ùĥ اÙĨ", "×ķ× £", "ол ог", "ت ÙĨ", "à¸ķ à¹Į", "ê² ĥ", "ר ×ĺ", "ừ ng", "×ķ×ij ×Ķ", "Ùħ ØŃ", "ĠÐ §", "פ ×Ĵ", "ส à¸ĸ", "ãģĭ ãĤĬ", "ını z", "à¹Ģ ย", "ãĥ¼ ãĥ³", "ãģĬ ãĤĬ", "פ ש", "ิ à¸ķ", "Ø· ÙĨ", "×Ļת ×Ļ", "×IJ ׳", "ç ek", "ì ª", "×ŀ ×ij", "ศ า", "ãĤ¹ ãĤ¿", "à¸ļ ุ", "×ĵ ×ijר", "ãģĦ ãģı", "ส ะ", "à¹Ģ หล", "ิ à¸ĩ", "à¸ŀ ัà¸Ļ", "ãģĦ ãģŁãģł", "ãĤĤ ãĤī", "à¹ī ม", "ãģĵãģ¨ãģĮ ãģ§ãģį", "าร à¹Į", "ุ à¸ĩ", "í ij", "ì ¯", "ë ¼", "í Ĥ", "ì ·", "ê ¡", "á ı", "á Ĵ", "ðĿ ľ", "á ©", "ðŁ Ħ", "ðIJ ¤", "Ġש ׾", "Ġ×ŀ ×Ķ", "à¹ģล ะ", "Ġ׼ ׾", "Ạ½", "á»Ļ ng", "Ø° ÙĬ", "л е", "× ¥", "ãģª ãģ©", "ĠÙĪ Ø£", "หà¸Ļ à¹īา", "ãģ¾ ãģ§", "à¸ķà¹Ī à¸Ń", "à¸Ĺ ัà¹īà¸ĩ", "ãģł ãģij", "à¹ģà¸ļ à¸ļ", "à¹Ģร า", "פ ׾", "ãģŁ ãģĦ", "à¹Ģล ย", "ãģ£ãģ¦ ãģĦãĤĭ", "ế p", "ึ à¹Īà¸ĩ", "ê ´Ģ", "ê³ Ħ", "׼ ×ķ", "à¹Ģร ืà¹Īà¸Ńà¸ĩ", "ק ×Ļ", "êµ Ń", "פ ס", "ت ÙĬ", "ãĥ Ħ", "Ġ×Ķ ×Ĺ", "г и", "ר×IJ ׾", "×ŀ ׾", "ĠØ£ ÙĬ", "Ġع ÙĦÙĬ", "ãģĭ ãģ£ãģŁ", "ש ×Ļ", "д Ñĥ", "×ŀ ף", "׳ ×ĺ", "׳ ×Ļת", "mi ÅŁ", "׼ ×Ŀ", "Ġ×ij ר", "Ġ׾ ×ij", "ĠÐ Ľ", "ç e", "×ķ׳ ×Ļ", "ãĤĪãģĨ ãģ«", "פ ×ķר", "ãĥ į", "Ùĥ ÙĬ", "×Ĺ ×ª", "Ùģ ÙĦ", "Ġ×Ķ ק", "Ġ×Ķ ×ij", "Ġ×ŀ ס", "à¹Īา à¸Ļ", "п еÑĢ", "à¹Īา ว", "Ġ×ij ×IJ", "ĠÙĪ Ùĩ", "à¸Ļ ำ", "Ġ×ij ש", "׳ ק", "ãģ© ãģĨ", "ש ×ķת", "×ĵ ×Ķ", "à¹Ģ à¸ļ", "ÙĨ س", "Ġìļ° 리", "ส à¹Īวà¸Ļ", "ล ัà¸ĩ", "ج ز", "Ġ×Ĺ ×Ļ", "Ùĥ ثر", "ล ะ", "Ùĩ د", "ĠÙĪ ب", "اÙĦ Ùħ", "à¹ģ ม", "Æ¡ i", "Ġ×ij ×Ĺ", "ữ a", "à¹Ģà¸Ĺ ศ", "à¸ķ ัà¹īà¸ĩ", "ог да", "׾ ק", "د د", "สร à¹īาà¸ĩ", "à¸Ĭ ี", "Ùģ ض", "à¹ģ ห", "uy á»ĩn", "ร ัà¸ģ", "á»ĩ m", "ส า", "פ ק", "ีย à¸ĩ", "à¸ķ à¹Īาà¸ĩ", "à¸Ħร ัà¹īà¸ĩ", "ØŃ ÙĤ", "à¹Ģ à¸Ńà¸ĩ", "ائ ÙĬ", "×ĺ ×¢", "اÙĦ Ø©", "ิ à¹Īม", "ãĤ ½", "د Ùī", "Ġר ×IJ", "ãģ£ ãģ¨", "ãĥĥ ãĥĹ", "ÙĬر Ø©", "ê± ´", "×ŀ ×IJ", "×ķ ×ķ", "ب ع", "ãģ ²", "ร าย", "×ĵ ×Ŀ", "ت Ùģ", "à¸ķ à¸ģ", "ạ ng", "ãĤĴ è¦ĭ", "à¸Ĭ ั", "Æ°á» Ł", "Æ°á»Ł ng", "ج ب", "×ķ×ŀ ר", "ĠìĤ¬ëŀ Į", "ó ng", "ร ั", "Ġ×Ķ ×ĸ", "ר צ", "Ġ×Ĺ ×ĵ", "Ø° ÙĦÙĥ", "×ķר ×Ļ", "ãģ¡ ãĤĥ", "Ùģ ع", "Ġ׾ צ", "á i", "à¹ĩ à¸ļ", "ãģ İ", "à¸ģ ิ", "ạ c", "ë© °", "ãģª ãĤĭ", "×ķ׾ ×Ŀ", "à¹ģ à¸Ĺ", "×ķ× ¥", "м еÑĤ", "ü ÅŁ", "ÑĢ Ñı", "ภĴ", "ÑģÑĤ оÑı", "ع ÙĪد", "Ùħ ار", "Ø· Ø©", "à¸ŀ ื", "к ÑĢ", "à¹ģ à¸ģ", "à¹Ĥ รà¸ĩ", "×ij ×Ļ×ĺ", "ê² ł", "×ķ׾ ×Ķ", "ØŃ Ø±", "ืà¹Ī à¸Ńà¸Ļ", "×ķ×ij ר", "׊ש", "ãĥķãĤ ¡", "×ŀ ×ĺ", "ú t", "Ġd ön", "ắ ng", "ëł ĩ", "ẳ ng", "ว à¸ģ", "ص د", "Ø® Ø·", "à¸Ń ั", "ãĤı ãĤĮ", "سÙĦ اÙħ", "à¹Ģร à¹ĩ", "×Ļש ×Ļ", "ج اÙĦ", "ãģij ãĤĭ", "à¸Ĭา à¸ķิ", "ÙĪا ÙĤ", "à¹Ĥ à¸Ļ", "ãģ¦ ãģĹãģ¾", "اع Ø©", "ãĤŃ ãĥ£", "à¸į า", "ÙĦا ÙĤ", "ิ à¸ģ", "ĠÑģ ов", "ÑĢаРº", "×Ļ׳ ×Ļ", "ü ÄŁ", "Ã¼ÄŁ ü", "ק ×ij", "à¹Ī à¸Ńà¸ĩ", "Ġger çek", "à¸Ĺ ั", "ов аниÑı", "×ŀ ׼", "س Ø©", "×Ļ× £", "le ÅŁ", "Ùħ ؤ", "ĠìĿ ĺ", "à¸IJ าà¸Ļ", "ĠÑģ об", "Ġêµ Ń", "×¢ צ", "з в", "ส à¸ĩ", "ز ÙĦ", "ãģı ãĤĮ", "и ÑĢÑĥ", "ت Ø£", "п олн", "ìĺ Ģ", "ÙĨ Ø´", "׼ ×IJ", "Ùħ Ø´", "à¸Ķ à¹Į", "ÙĪ ÙĬÙĦ", "à¹ģ à¸Ĥ", "ãģ£ãģ¦ ãģĹãģ¾", "но ÑģÑĤ", "в л", "Ùħ ÙĤ", "را ج", "å¤ ī", "ë Ľ", "â ¸", "ì IJ", "à »", "á ļ", "â »", "ê Ļ", "â §", "ð Ĵ", "ðĿ ĩ", "Ġ×IJ ת", "ĠÙĦ ÙĦ", "ĠØ£ ÙĨ", "Ġ×ķ ×Ķ", "ãģ« ãģ¯", "Ġ×Ļ ש", "ت Ùĩ", "ÃŃ nh", "ÙĬ ات", "Ġ×ij ×ŀ", "à¸Ļั à¹īà¸Ļ", "à¸Ļ à¹īำ", "Ãł o", "à¸ķ าม", "ãģ® ãģ¯", "d ır", "Ġn ghi", "ặ t", "×ŀ ×Ļ×Ŀ", "ãģ¦ ãģĦãĤĭ", "Ġ×ij ת", "หร ืà¸Ń", "Ġس ÙĬ", "ãģª ãĤī", "à¹Ĥà¸Ķ ย", "ı yor", "à¸Ńี à¸ģ", "á»ĩ nh", "Ñĭ м", "à¸Ĺุ à¸ģ", "Ġ׾ ×Ĺ", "Ġ×Ķ ר", "Ġ×Ķ ×Ļ", "à¸ŀ ระ", "à¹Ģว ลา", "ĠØ º", "ẫ n", "m Ä±ÅŁ", "׼ ×Ķ", "á»ij n", "ãģ§ ãģĹãĤĩãģĨ", "ãĥ ¢", "à¸Ľ ี", "ס ×Ļ", "ãģĵ ãĤį", "Ġ׾ פ", "ร à¸ĸ", "ê¸ Ī", "à¸ģ วà¹Īา", "ë ¬´", "á»į ng", "ãĤĵ ãģ§", "ãĤĪãģĨ ãģª", "á»ĵ i", "ãĤ ¬", "ส à¹Īà¸ĩ", "×Ļ׳ ×Ķ", "à¸ĸ ูà¸ģ", "à¸Ī ัà¸Ķ", "Ġ×Ķ ×Ĵ", "ãĥ ľ", "×ŀ ×ķת", "ÙĪ Ùĥ", "ëĭ ¨", "ĠØ «", "ãģ® ãģĮ", "à¹Ģห à¹ĩà¸Ļ", "ع ا", "à¸Ļ ิ", "Å ŀ", "à¸Ń ะ", "ãģĪ ãĤĭ", "Ø« ÙĦ", "ØŃÙħ د", "à¹Ģà¸ģ ิà¸Ķ", "פ שר", "פ ×Ķ", "ม ิ", "ئ ÙĬس", "à¸Ĺำ à¹ĥหà¹ī", "×¢ ×ĵ", "ìĭ ¤", "à¸Ĭà¹Īว ย", "ĠاÙĦÙħ ÙĨ", "ز ÙĬ", "ع ÙĬ", "Ġ׼ ×IJ", "ạ nh", "á» ¹", "ãĤĵ ãģª", "ส ู", "צ ר", "Æ°á»Ľ ng", "×ķ ×ķ×Ķ", "à¹Ĥ ล", "ĠاÙĦ Ùĩ", "ว า", "หล าย", "Ñī е", "à¸Ĥ à¹īà¸Ń", "à¹īà¸Ń ย", "ب Ø·", "ка Ñı", "ĠØ ¢", "Ġи Ñģ", "ĠاÙĦ غ", "à¸ģ า", "à¸Ļ à¹Īา", "ÙĬ ÙĪ", "×ij ×ķר", "á»ħ n", "ว à¸ĩ", "×Ļ× ĸ", "ì² Ń", "н им", "ëŁ °", "×Ĵ ×ķר", "ص ØŃ", "ÙĦ ÙĪ", "×Ĺ ×ķת", "ส ุ", "رÙĬ ÙĤ", "ס ×ĺ", "Ġ×ŀ ×¢", "ãĥĨ ãĤ£", "à¸Ħ ิà¸Ķ", "ãĤį ãģĨ", "à¹Ħ ล", "à¸Ļ à¹Į", "á»ı i", "ÑģÑĤÑĢ о", "ส à¸Ķ", "ส าร", "ÙĪÙĦ Ø©", "ầ m", "ร à¹Īว", "รà¹Īว ม", "ร ุ", "ĠاÙĦس ÙĬ", "ìĺ ģ", "Ġ×ŀ ×ij", "פ ×ĺ", "à¸ķิ à¸Ķ", "×ĺ ×Ļ×Ŀ", "Ġë ¬´", "ÙĤد Ùħ", "Ġdü ÅŁ", "ائ ÙĦ", "м Ñĭ", "ØŃ Ø³", "ÙĪ ص", "×Ļק ×Ķ", "ãģ§ãģ¯ ãģªãģĦ", "à¹Ģ หม", "оÑĢ ÑĤ", "í Ĩµ", "ãģ IJ", "к ÑĢа", "ีย ว", "ع ار", "ئ Ø©", "íĥ Ģ", "ãģ«ãģª ãĤĬ", "ج Ø©", "ÙĪÙĤ ع", "ÑĮ Ñı", "×ķצ ×Ķ", "ש ×Ŀ", "ب ÙĤ", "Ġ×Ļ ×Ķ", "ÙĬ Ø·", "ım ız", "д еÑĢж", "×Ļש ר×IJ׾", "غ ÙĬر", "ร à¸Ńà¸ĩ", "à¹Ģรีย à¸Ļ", "Ġ×Ķ ×ĺ", "หม าย", "Ùħ Ùĩ", "اÙģ Ø©", "Ġо ÑĢг", "ÙĪ Ùī", "ãĥ© ãĤ¤", "×ŀ ׳×Ķ", "ĠÄij o", "Ġг оÑĢ", "اÙħ Ø©", "æ¥ ½", "Ø« ÙĬر", "à¸ģิ à¸Ī", "á»ĵ n", "ÙĨ ب", "ÑĢÑĥ д", "ìĹ Ī", "Ġ×Ĺ ×ijר", "ÑĢаР¶", "ạ ch", "ت ÙĪ", "à¹Ĥ ม", "×ij ×Ļ×ij", "Ġí Ĩµ", "aca ģı", "جÙĦ س", "à¹Ģà¸Ľ ล", "ว à¸Ķ", "à¸Ń ล", "ãģŁ ãĤĬ", "à¸Ľ ัà¸į", "Ġìķ Į", "عر Ùģ", "à¹Ħ à¸Ł", "Ø£ Ø®", "å¤ļ ãģĦ", "à¸Ķ ัà¸ĩ", "Ø´ Ùģ", "ãģ£ãģ¦ ãģĦãģ¾ãģĻ", "׼ ×ł×¡", "ÑĨ е", "еÑģ п", "Ùħ اÙħ", "à¸ŀื à¹īà¸Ļ", "иÑĩеÑģ ки", "Ø® د", "Ùĥ ÙĪÙħ", "Ġ×Ķ ר×IJש", "ت اب", "é£Ł ãģ¹", "ื à¸Ļ", "оÑĢ о", "Ġb öl", "×ķ×Ĺ ×ĵ", "دÙĬ ر", "ắ m", "د ع", "ãģķ ãģĽ", "à¸ĺ ร", "à¸ĺร รม", "ãģĭ ãĤĤ", "å¤ļ ãģı", "r ä", "س ع", "×Ļ׾ ×Ķ", "ض ر", "ĠاÙĦ شر", "×ĸ ×ķר", "×¢ ×ijר", "ạ m", "алÑĮ но", "ر ÙĨ", "اÙħ ج", "׼ ×ļ", "d ıģ", "д ен", "ض ا", "ÙĦÙĬ Ùħ", "Ġê·¸ 룬", "تÙħ اع", "ار ÙĬØ®", "à¹Ĥ à¸ķ", "ĠÑģ ÑĢед", "Ġ׳ ×ķס", "ÙĤ بÙĦ", "оÑĤ ов", "le ÅŁtir", "Ġм еÑģÑĤ", "سÙĦ Ùħ", "Ġ×¢ צ", "ĠاÙĦس ÙĦ", "еÑĤ ÑĮ", "اب Ø©", "н ак", "สà¸ĸ าà¸Ļ", "Ġ×ij ׳", "à¸ļ ัà¸Ļ", "׼ ׳", "Ġö ÄŁ", "ãģ¨ è¨Ģ", "uy ến", "di ÄŁ", "áºŃ u", "ÑĢ аÑģ", "ãĤ· ãĥ§ãĥ³", "n ız", "×ķ×ĵ ×Ķ", "ت س", "Ùħ اÙĦ", "à¹Ģห à¸ķุ", "ย ว", "à¸ŀ ัà¸ģ", "ãģĦ ãģªãģĦ", "Ġк аÑĩ", "ล à¹Į", "ר׼ ת", "ÅŁt ur", "×ŀ ×ķס", "ãģ ¥", "б ол", "عÙħ اÙĦ", "×ķר ת", "ÑĨи он", "ศ ึà¸ģ", "ภı", "ÑĢ ен", "اس ÙĬ", "ائ ر", "à¹Ĥ à¸Ľà¸£", "Ġse ç", "غ ÙĬ", "Ñį ÑĤ", "ен н", "ãģª ãģ®", "×Ļש ×Ķ", "×Ļפ ×ķר", "ãģŁãĤģ ãģ«", "ز Ø©", "Ġç oc", "ãĤ¯ ãĥª", "ÑĪ ен", "ãĤı ãģij", "رÙĬ د", "ĠÑĢ аÑģÑģ", "Ùĥ ات", "ส à¸Ńà¸ļ", "ce ÄŁi", "ãĤ¿ ãĤ¤", "à¸ļ ร", "ĠاÙĦ بر", "׳ ×ķ×¢", "r ün", "را ض", "ศา ส", "à¸ķ รà¹Į", "ãģį ãģŁ", "×ķ׾ ×ĵ", "еÑĢ и", "íĹ ĺ", "ắ p", "ت عÙĦ", "Ùĥ د", "иÑĤелÑĮ но", "Ø· Ùģ", "Ġав ÑĤом", "Ġ×ŀ צ", "ÑĪи Ñħ", "ات Ùģ", "ĠÑħ оÑĤ", "Ùİ Ø§", "ãģı ãĤĭ", "×Ķ פ", "à¹Ĥ à¸Ĺ", "à¹ģ à¸ŀ", "à¹Ī à¸Ńย", "ĠاÙĦÙħ Ø´", "à¸ģาร à¸ĵà¹Į", "ани з", "×Ķ ׾", "ظ Ùħ", "ย ุ", "li ÄŁ", "à¹Ħ à¸Ĥ", "à¸ĸ ืà¸Ń", "ö z", "ãģij ãģ¦", "à¹Ģ à¸ľ", "ุ ม", "ãĥĹ ãĥ¬", "Ġ×Ķ×IJ ×Ĺר", "خت ÙĦÙģ", "ภİ", "ÙĦا ØŃ", "Ġdü zen", "צ ×Ķ", "س اء", "×ķר ×ļ", "×ķ×ĵ ×Ļ", "ÑĢа ÑĦ", "ÅŁt ır", "ãģ« åħ¥", "ãģĪ ãģ°", "ص ÙĪÙĦ", "ĠÐľ оÑģ", "ا Ùĩر", "ãģ£ ãģ", "ĠлÑİ Ð±", "×Ļ×¢ ×Ķ", "Ġ×Ķ×ŀ ק", "สิ à¸Ĺ", "สิà¸Ĺ à¸ĺิ", "×Ļ׳ ×Ŀ", "ÙĦا Ùģ", "à¸ŀัà¸Ļ à¸ĺ", "×ķ×IJ ×Ķ", "ม ั", "à¸Ĥ à¸ĵะ", "д оÑĢ", "ãģ¨ ãģª", "à¸ģระ à¸Ĺ", "ac ı", "×ķ׾ ×ķ×Ĵ", "Ñĥ ÑĪ", "ãĥ¥ ãĥ¼", "ãĥ ¦", "Ùħ ست", "Ġa ÅŁ", "ש ק", "פ ת×Ĺ", "าย à¸Ļ", "í ĩ", "ë ¢", "ï ·", "í ī", "ì µ", "ì ¬", "ðĿ Ľ", "ì Ĵ", "ë Ļ", "ê §", "á ĸ", "â ¨", "â ±", "á ĺ", "ð ĸ", "à ł", "á Ķ", "ðIJ Ń", "ữ ng", "Å© ng", "Ġ×Ķ ת", "ĠاÙĦ ا", "Ġ×ŀ ת", "à¸ĸ ึà¸ĩ", "ò n", "á»ĭ nh", "нÑĭ м", "Ġc ả", "à¸Ķ ู", "Ġ à¹ģà¸ķà¹Ī", "Ġ×ij ×Ķ", "ó i", "ãģ¨ ãģĹãģ¦", "ú ng", "ĠØ °", "Ġ×Ķ ׳", "Ġب ÙĨ", "ÙĦ اÙĦ", "à¹Ħ à¸Ĺย", "á»ĩ p", "t ı", "ม ัà¸Ļ", "ằ ng", "á»ij t", "к ом", "à¸ĭ ึà¹Īà¸ĩ", "à¸Ħร ัà¸ļ", "à¸ļ à¹īาà¸Ļ", "ĠاÙĦ ÙĬ", "l ü", "ÙĪ س", "ãģł ãģ£ãģŁ", "à¹Ģ à¸ĩ", "Ġê³ µ", "н Ñĥ", "ãĤĪ ãĤĬ", "м Ñĥ", "à¹Ģà¸Ĥ า", "ãĤ Ģ", "ни е", "ãģ«ãģª ãĤĭ", "áºŃ y", "ĠÙĪ ا", "ëł ¤", "ש ×ķ", "á p", "×ĵ ×ķ", "ãģ§ ãģĹãģŁ", "ع ض", "Ñģк ой", "æĦŁ ãģĺ", "ÑİÑĤ ÑģÑı", "Ġ×Ļ ׼×ķ׾", "ãĤĵ ãģł", "в и", "à¹Ģล à¹Īà¸Ļ", "ìĿ´ ëĭ¤", "ĠÙĦ Ùĩ", "à¸Ħ ืà¸Ń", "ت Ùĥ", "Ùħ ÙĥÙĨ", "a ģı", "׳ ×ĵ", "ë¯ ¼", "à¹Ħ ว", "สำ ห", "สำห รัà¸ļ", "Ñģл ед", "t ır", "ĠÙĦ ÙĬ", "ĠاÙĦع ÙħÙĦ", "×ij ×ķת", "×ij ×Ļ×Ŀ", "à¸Ħ ำ", "à¹Ģà¸Ħร ืà¹Īà¸Ńà¸ĩ", "lı ģı", "ืà¸Ń à¸ĩ", "ج د", "íŀ Ī", "ìĭ ¬", "×¢ ×ķת", "ส ิà¸Ļ", "Ñĩ и", "ر ض", "à¹Ģà¸Ľ ิà¸Ķ", "à¸Ħ à¹Īา", "ìĦ ł", "ÙĪر Ø©", "ק ×ĺ", "ìľ ł", "ع ÙħÙĦ", "×IJ ×Ļ×Ŀ", "׾ ×Ļ×Ŀ", "à¹ĥห à¸į", "à¹ĥหà¸į à¹Ī", "ừ a", "á»į i", "ãģ ¶", "ÃŃ ch", "ãĥĩ ãĤ£", "×ķר ×Ļ×Ŀ", "Ñģ о", "ìķ ½", "ов а", "Ñĩ аÑģÑĤ", "à¹Ģà¸Ī à¹īา", "п ÑĢо", "Ġ×ŀ ×Ĺ", "ãĥ İ", "×ķ×Ļ ×ķת", "Ġд е", "ë§ Ī", "ì§ ģ", "×Ļפ ×Ķ", "ĠاÙĦع اÙĦÙħ", "ë¥ ´", "ר×IJ ×Ķ", "uy á»ĥn", "×¢ ×Ļ", "ม ืà¸Ń", "Ø¥ ÙĨ", "ร ู", "ĠØ ²", "×Ļ ×ķ×Ŀ", "à¸ķ à¹īà¸Ļ", "ãģ¦ ãģĦãģ¾ãģĻ", "Ùħ اÙĨ", "ĠÐ ¥", "à¸Ľà¸£à¸° à¹Ģà¸Ĺศ", "á» ³", "׾ ×ij", "à¹Ģà¸Ķ à¹ĩ", "ãģŁ ãģ¡", "à¸Ĺี ม", "à¸Ļ ะ", "ìĹ °", "Ġìł Ģ", "ÙĦ Ùĩ", "ợ i", "ĠاÙĦ ز", "د ار", "ãĤ³ ãĥ³", "м ин", "à¹ģห à¹Īà¸ĩ", "à¸Ķ ัà¸ļ", "׼ ר", "ж а", "íĸ Ī", "×ŀ ×ĸ", "ợ i", "à¸Ķ า", "Ġع بد", "à¹ģ ร", "×IJת ר", "×¢ ׳×Ļ", "à¹Ģ à¸Ħ", "×ķצ ר", "ì§Ģ ë§Į", "ائ Ùħ", "Ø£ س", "uy á»ģn", "Ġ×IJ ׳", "׊׳×ķ", "×ĸ ×Ļ", "ร à¹īาà¸Ļ", "ĠÐł оÑģ", "ĠÐłÐ¾Ñģ Ñģ", "رب ÙĬØ©", "t ür", "ãĤĭ ãģĵãģ¨", "ظ ر", "б Ñĭ", "à¸Ĺีà¹Ī สุà¸Ķ", "Ġצ ר", "èĩª åĪĨ", "л аÑģ", "ĠÑı в", "ĠÑıв лÑı", "à¸ŀร à¹īà¸Ńม", "à¸Ńา à¸Ī", "à¸ļริ à¸ģาร", "Ġç ı", "ëį ĺ", "ĠاÙĦÙħ ست", "ت Ø´", "ש ×ķ×ij", "ãĤ ´", "Ġyap ıl", "ĠاÙĦ Ø°", "ุ à¹Īม", "à¸ĸ à¹īา", "ìĦ ¤", "ì° ¨", "в аÑĢ", "à¹Ģà¸ŀ ิà¹Īม", "Æ°á»Ľ i", "Ùĥ س", "à¸Ńย าà¸ģ", "ãģ¦ ãĤĤ", "Ġг од", "ÙĬ ار", "à¸ķ à¸Ńà¸Ļ", "Ġиг ÑĢ", "à¹Ħà¸Ķà¹ī รัà¸ļ", "ĠاÙĦÙħ ر", "ÙĤ ت", "Ġë ĺ", "Ġëĺ IJ", "ẩ n", "ãģĻãĤĭ ãģĵãģ¨", "×Ĵ ×Ŀ", "Ġ×ij ×ij", "ت د", "ÙĪ ار", "ãĤ ®", "п ол", "Ġм ог", "تر Ùĥ", "ÙĪ Ø«", "Ġç ık", "ا Ø©", "à¹Ģà¸Ķ ียว", "มี à¸Ħวาม", "Ġ×ŀ ×Ĵ", "ص Ùģ", "ĠТ ак", "Ġ׼ ת", "×Ļ×ĵ ×Ļ", "ов оÑĢ", "ầ y", "สิ à¹Īà¸ĩ", "ب ت", "ür ü", "ÙĨ ج", "หล ัà¸ģ", "×Ļ×Ķ ×Ŀ", "ÙĤ ص", "з Ñĭ", "×Ľ×ª ×ij", "Æ° u", "m ız", "ĠìĦ ¸", "л ог", "Ùħ ÙĬÙĦ", "ÙĬ ج", "íĴ Ī", "à¸ŀ à¸ļ", "ห ัว", "з на", "ר ק", "à¹Ĥ ร", "Ġ×ij ס", "ĠBaÅŁ kan", "ĠëĶ °", "à¸Ń ัà¸Ļ", "ีà¹Īย ว", "н еÑģ", "à¹Ģà¸Ķ ิà¸Ļ", "ÙĬ اÙĨ", "×ķ׾ ×Ļ", "ا خت", "צ ×ķת", "ãģĵ ãģĵ", "ĠاÙĦ اÙĨ", "ĠпÑĢо ÑĨ", "ãģ¾ ãģł", "׼ ס", "ĠاÙĦ Ø¢", "ÙĬ ز", "ĠاÙĦد ÙĪÙĦ", "Ġíķĺ ëĤĺ", "ض ع", "ê» ĺ", "ÅĽ wi", "ย ิ", "ãģ¡ãĤĥ ãĤĵ", "ĠÙħ Ø´", "à¸ĺ ี", "ãģ¨ ãģį", "׳×Ļ ×ķת", "Ġë ¯", "Ġë¯ ¸", "Ġs ı", "ëĭĪ ê¹Į", "Ġп л", "غ ÙĦ", "à¹ģ รà¸ĩ", "ب ÙĬر", "ãģĤãĤĬ ãģ¾ãģĽãĤĵ", "ê· ¼", "Ġy üz", "ĠdeÄŁ er", "åł´ åIJĪ", "á» ¡", "м аÑĤ", "รา à¸Ĭ", "ÙĪر ÙĬ", "ж ен", "ãģ¾ ãĤĬ", "ãģ® ä¸Ń", "×Ļ×ĵ ×¢", "à¸Ń ุ", "à¸ļ à¸Ńล", "à¸Ľà¸±à¸į หา", "ز Ùħ", "ÄŁ a", "à¸Ń ืà¹Ī", "à¸Ńืà¹Ī à¸Ļ", "п л", "Ġне обÑħодим", "׼ ×ij", "à¹Ģ ศ", "קר ×Ķ", "ì² ĺ", "ëł ¨", "×ŀק ×ķ×Ŀ", "jÄħ c", "Ùĩ ÙĦ", "Ġ×¢ ×ij×ķ×ĵ", "à¹Ħม à¹ī", "à¸ģล ัà¸ļ", "×ķ׼ ׾", "ק ×ĵ", "اÙĦ ÙĬØ©", "ر Ùĩ", "ãģij ãĤĮãģ°", "ĠÙĨ Ùģس", "ãĤ¢ ãĥ«", "ìĹ Īëĭ¤", "ק ×ķר", "н еÑĢ", "ب اب", "ãĤ ¶", "سب ب", "ÙĦ ÙĬÙĦ", "ص ÙĨ", "ص در", "ế m", "à¸Ĭà¹Īว à¸ĩ", "ØŃ ÙĨ", "Ġ×ij ×Ĵ", "×ŀ ×ķ×¢", "׾ ×Ĺ", "大 ãģį", "ت ب", "н еÑĤ", "×Ļ×ij ×Ķ", "б л", "ãĥĹ ãĥª", "اص Ø©", "ãģ¤ ãģij", "×Ļ×ŀ ×ķש", "ãģĮ ãģĤ", "ëĭ ´", "ãģĭãĤĤ ãģĹ", "ãģĭãĤĤãģĹ ãĤĮ", "ãģ¡ ãĤī", "×ij ×ĺ", "Ġba ÄŁ", "×Ļ×Ĺ ×¡", "×ij ×ķ×¢", "ล ี", "פע ×Ļ׾", "им и", "g ÅĤ", "Ġим е", "خد اÙħ", "×IJ ×Ļר", "Ġy apt", "ãģ¨ ãģĦ", "à¸ĩ à¹Īาย", "׾×Ļ ×ķ", "ØŃد Ø«", "را ÙĤ", "ĠÄIJ i", "اد ر", "ãģĵãģ¨ ãĤĤ", "×ij ×Ļר", "Ġв з", "ض اÙģ", "ת ×ķ׼", "ÑĢ ом", "ر ات", "à¹Ģà¸Ĺ à¹Īา", "ãģĺ ãĤĥ", "ãģĿ ãģĵ", "اج تÙħاع", "à¹īà¸Ń à¸Ļ", "ÙĤ Ùħ", "ë³ ¸", "Ä ŀ", "ש ×Ļ×ķ", "×ij ׳×Ļ", "ìľĦ ìĽIJ", "à¹ģ à¸Ī", "×Ĺ ×ķר", "دÙĬ ÙĨØ©", "ت Ø·", "ằ m", "ò a", "ย à¸Ńà¸Ķ", "Ġëĭ ¹", "สุ à¸Ĥ", "×ĵר ×ļ", "د ÙĨ", "س ÙĬÙĨ", "ÙĪÙĤ Ùģ", "ÑĨ Ñĭ", "г оÑĤов", "еж дÑĥ", "à¸ŀ วà¸ģ", "اÙĤ تص", "اÙĤتص اد", "cz ÄĻ", "ni ÄĻ", "ÑĢ еб", "ØŃ ÙĪ", "à¸Ĺ à¹Į", "ãĤĪ ãģŃ", "д ж", "à¸ģล à¹Īาว", "دÙĬ Ø«", "ãĤ³ ãĥŁ", "ÙĤ ÙĪÙħ", "Ġت ØŃ", "à¹Ģ à¸ķิ", "اÙģ ظ", "à¸Ī ุ", "رÙĬ اض", "×ŀש ×ļ", "à¹Ĥ ย", "еÑĢ е", "ãģ¿ ãģŁãģĦ", "ìĿ´ ëĿ¼", "ĠاÙĦÙħ ÙĪ", "ĠÑģÑĤ о", "à¹Ģรà¹ĩ ว", "Ġд еÑĤ", "ĠÑģ дел", "à¹Ģà¸Ĭ ืà¹Īà¸Ń", "פ ׳×Ļ", "ÙĪض ÙĪع", "×ij ס", "à¹ģ à¸Ķ", "ó c", "ริ ม", "ÑĢаР´", "ìĪ ł", "ãĥ¼ãĤ º", "ãģ« ãģĬ", "и но", "פ ×Ļ׾", "à¸Ĭั à¹Īà¸Ļ", "×Ĺ×ĵ ש", "à¹Ģà¸Ļ ืà¹Īà¸Ńà¸ĩ", "׳ ×Ļס", "غ رب", "ãĤ¸ ãĥ£", "ส ัà¸ĩ", "à¹Ģ à¸Ĺีà¹Ī", "à¹Ģà¸Ĺีà¹Ī ยว", "ëŁ ¼", "à¹ģ à¸Ł", "ãĥ¼ãĤ ·", "ãĥ¼ãĤ· ãĥ§ãĥ³", "Ġвоз мож", "جÙħ ÙĪع", "×ijר ×Ļ×Ŀ", "ãĥĪ ãĥ©", "ĠкаÑĩ еÑģÑĤв", "Ø· ÙĬ", "ÑĤ Ñı", "צ ×ķ×¢", "ÄŁ ını", "ع ÙĦÙī", "ا Ø°", "ÙĪاÙĤ ع", "Ùħ ÙĪا", "ائ ÙĬÙĦ", "к ол", "á»ģ m", "à¸ľà¸¥ ิà¸ķ", "×Ļ׳ ×ĺר", "س Ùĥ", "ש ×Ļר", "ศึà¸ģ ษา", "à¸ļ ั", "Ñĩ аÑģ", "×ķפ ×Ķ", "×Ļפ ×ķ׾", "ĠاÙĦس اب", "رÙĬ ب", "ĠاÙĦ بÙĬ", "ãĤ¹ ãĥĨ", "Ñĩ ен", "à¹ģ à¸ľ", "Ġ׳ ש", "ز ÙĬد", "ØŃ Ø§Ø¯", "ëį Ķ", "رÙĪ ع", "à¸Ĺุ à¸Ļ", "ส มา", "c zeÅĦ", "×Ļ×ĵ ×Ķ", "ãģ§ ãģĤ", "Ġçoc uk", "Ø® ب", "à¸ļ าย", "à¸Ľà¸£à¸° à¸Ĭา", "×ŀש ׾", "ãģª ãģĭ", "à¸ģ าย", "ãĥģ ãĥ£", "аÑĢ и", "ĠÑĩ а", "à¸Ķ ำ", "à¸Ĺั à¹Īว", "Ñĥ Ñħ", "Ġö z", "Ġì¢ ĭ", "ج رÙĬ", "ائ ÙĤ", "à¸ł ัย", "Ø· ار", "د ارة", "Ä© nh", "Ø« ÙĨ", "zell ik", "اÙĦ ت", "Ġg eli", "ãĥķãĤ ©", "ол од", "رب ع", "שת ×ŀש", "à¸ļร ร", "íĿ ¬", "Ġü rün", "Ġê·¸ ëłĩ", "ศาส à¸ķรà¹Į", "ãģ ľ", "×Ļ×ij ׾", "ĠпÑĢед ÑģÑĤав", "سط ÙĬÙĨ", "ãĤĴ 使", "Ġпом оÑī", "×ķק ר", "ãĥ¯ ãĥ¼", "Ġyö net", "×Ļק ר", "à¸Ĥ า", "еÑĢи ал", "ØŃ Ùģ", "Ġ×Ļ צ", "à¸Ĺ ิ", "å£ ²", "à¸Ļ à¸Ńà¸ģ", "×ķ׼ ר", "íĻ ľ", "ủ y", "ĠاÙĦÙĤ ر", "×Ļ×ij ×ķת", "ÅĽ ni", "Ùħ شار", "ượ t", "ĠÙĦ دÙĬ", "ÑĤ ел", "ĠØ¥ ÙĦÙĬ", "عÙĦ ÙĪÙħ", "ìķ ĺ", "в иÑĤ", "à¸Ħ ะ", "yr ı", "ãģ¨ ãģ£ãģ¦", "à¹Ģ à¸ī", "à¸ĸ าม", "ÙĤ ار", "عÙĦ اÙħ", "ặ ng", "Ùħ ÙĴ", "×Ļ×ŀ ת", "سب Ø©", "ãĤ¯ ãĥ©", "×ķס ×£", "ĠпÑĢ ин", "ãģĦ ãĤį", "س اس", "عت بر", "วิ à¸Ĺย", "วิà¸Ĺย า", "س Ùĥر", "ãĤ· ãĥ§", "ãģ ģ", "ัà¸ģ ษ", "×ij ×ķ×Ķ", "ห ย", "ãģ¾ ãĤĮ", "ĠоÑĢг аниз", "каз ал", "ĠÑģв Ñıз", "uy ết", "ĠпÑĢо из", "Ġק ×ĺ", "à¹ģà¸ģ à¹ī", "п ÑĥÑģ", "Ġê·¸ ê²ĥ", "ëĬ IJ", "л екÑģ", "ãĥ¼ãĥ Ĺ", "à¸ķ ำ", "ת×Ĺ ×Ļ׾", "à¸Ńà¸ĩ à¸Ħà¹Į", "Ạµ", "׳ צ", "Ø£ Ø´", "Ø´ Ùĩ", "ย ะ", "à¸ģ à¸İ", "ĠاÙĦØ¥ سÙĦاÙħ", "ед ÑĮ", "ãģ² ãģ¨", "ëıĦ ë¡Ŀ", "ãģ© ãģ®", "Ñĥ в", "еÑĩ ение", "ĠاÙĦت ج", "ãģ« è¡Į", "Ġп озв", "ãĤı ãĤĬ", "ÙĦ اث", "íķĺ ìĺĢ", "Ġм аÑĢ", "Ġkon uÅŁ", "ãĥ¬ ãĤ¹", "ãĤĴ æĮģ", "ĠоÑģ нов", "×Ĺ ×ij", "ÙĪج ÙĪد", "פ ×ķף", "в оÑĢ", "Ġн ик", "ãģĭ ãĤĭ", "ÅŁtır ma", "×Ļס ×ĺ", "Ø£ ÙĦ", "ห à¹Į", "и она", "лÑĮ н", "Ġг оÑģ", "ĠÐľÐ¾Ñģ к", "ÑĢ об", "×ķ×IJ ×Ļ", "ãģĬãĤĬ ãģ¾ãģĻ", "ãģ£ãģ ±", "к л", "à¸Ļ à¸Ķà¹Į", "رÙĬ Ùģ", "اس ب", "ĠÑĢ еÑĪ", "Ġд ол", "ãģ¹ ãģį", "×Ļ×ij ×ķר", "м еÑī", "Ġна ÑĪ", "à¹ģ à¸Ľà¸¥", "ÑĢ иÑĤ", "кÑĥ Ñģ", "и ÑĢа", "аÑĤ ÑĥÑĢ", "ÙĪا صÙĦ", "à¹Ģà¸ľ ย", "à¸Ń ำ", "à¹Ģà¸ģ ิà¸Ļ", "غ Ùħ", "ãģĻ ãģİ", "lı kl", "ÅĦ sk", "ê² ¬", "×Ļ׼ ×Ķ", "׊ש×ij", "ÙĪر ÙĬØ©", "Ġд ейÑģÑĤв", "×Ĺ׾ ×ĺ", "Ġ׾ ×ŀ×¢", "צ׾ ×Ļ×Ĺ", "еÑĩ а", "Ùģ اع", "×Ĵ ×Ļ×ĵ", "áºŃ m", "ÄĻ b", "Ø´ ع", "ãģı ãĤĬ", "à¸ŀ ุ", "ед еÑĢ", "à¸Ĥ à¸Ļ", "à¸Ħ าร", "ĠболÑĮ ÑĪ", "ãģı ãģªãĤĬ", "à¸ĵ า", "×ĵ ×ķ×Ĵ", "Ġм н", "ä¸Ĭ ãģĮ", "ç¶ļ ãģį", "ฤ ษ", "ภĨ", "Ø® ÙĬ", "à¹Ģà¸Ĺ à¸ŀ", "สั ม", "à¹Ģส à¸Ļ", "à¹Ģสà¸Ļ à¸Ń", "ãĥ ´", "Ġи ÑģÑĤ", "با شر", "ĠÑĥ ÑĢов", "×ŀ ×ķ×ĸ", "ab ı", "wa ż", "×ķצ ×IJ×Ķ", "ÑĤ веÑĢ", "à¸ŀัà¸Ļà¸ĺ à¹Į", "׳ ×Ĵ×ĵ", "ãĤĭ ãģĵãģ¨ãģĮãģ§ãģį", "ĠÑĤÑĢ еб", "à¸ģร ุà¸ĩ", "ØŃت اج", "à¹Ģ à¸Ħล", "ã Ĩ", "ÄĻ tr", "Ġszcz eg", "Ġר ש", "à¸Ĺ à¸ĺ", "Ġн ек", "Ġнек оÑĤоÑĢ", "в ÑĪ", "Ð ¬", "à¹Īว ย", "ล ุ", "б ÑĢÑı", "หม ูà¹Ī", "à¹ģ à¸ķà¸ģ", "ר׼ ×Ļ×Ŀ", "Ġí ĸī", "ã i", "Ùĥر Ø©", "â Ń", "í IJ", "ã į", "á ģ", "â ®", "â ¥", "ì ®", "à ¿", "â ¿", "á Ĥ", "á ¤", "â ł", "í Ł", "ðIJ į", "ðIJ °", "ðĿ Ĩ", "ðŁ Ī", "Ġ×¢ ׾", "Ġع ÙĨ", "ĠÙħ ع", "Ġ×ĸ ×Ķ", "ĠÙħ ا", "Ġm Ãł", "Ġd ụ", "á»ĩ c", "а Ñħ", "s ı", "íķĺ ê³ł", "Ġ×ķ ×ij", "ĠÐŁ о", "×ķת ר", "ĠÙĦ Ùħ", "Ġ×ķ ׾", "ãģĹãģ¦ ãģĦãĤĭ", "Ġ×ŀ ×Ļ", "Ġب ÙĬÙĨ", "з а", "ĠÙĥ اÙĨ", "Ġ×Ķ ×Ļ×Ķ", "ëħ Ħ", "×IJ ×ķ", "д и", "ĠпеÑĢ е", "d ı", "Ġ׾ ש", "Ġש ×ŀ", "ãģĮ ãģĤãĤĭ", "ãģĦ ãģĦ", "ÑĢ е", "ק ×ķ", "и ли", "м е", "ÙĬ ت", "ãģ§ ãģĤãĤĭ", "Ġв о", "à¹ĥ หม", "à¹ĥหม à¹Ī", "Ġש ×ij", "Ġ à¹Ĥà¸Ķย", "ÙĬ Ùĩ", "ãģ§ãģĻ ãģĮ", "ãģ¨ ãģ¯", "ר ×ķ", "Ġ à¸ĭึà¹Īà¸ĩ", "ãģ§ãģį ãĤĭ", "м о", "à¹Ģà¸ŀ ืà¹Īà¸Ń", "צ ×ķ", "×ĺ ×ķ", "ìķ Ī", "Ġh á»į", "à¹Ģà¸ĩ ิà¸Ļ", "ĠاÙĦ ب", "Ġ มี", "ë¬ ¼", "Ñģ е", "ëĵ¤ ìĿ´", "Ġë§ IJ", "Ġl Ỽ", "a ÅĤ", "×Ĺ ×ijר", "Ġd á»±", "ÙĬ Ø«", "Ġth á»ĭ", "à¸ģà¹Ī à¸Ńà¸Ļ", "Ġ×ij ׼׾", "ãģ ¸", "ãģ¨æĢĿ ãģĦãģ¾ãģĻ", "ả nh", "ย า", "Ùģ ا", "ส ี", "à¸ķ า", "ë² ķ", "ãĥª ãĥ¼", "รา à¸Ħา", "Ġ×ķ ׾×IJ", "ãģ¨ ãģĵãĤį", "à¹Ģล ืà¸Ń", "di ÄŁi", "ÙĪ اÙĨ", "Ġ׾×Ķ ת", "รว ม", "פ ×Ļ×Ŀ", "à¸ľ ม", "ж и", "c ı", "ÑĢ од", "Ġkar ÅŁÄ±", "×Ĵ ×ķ", "ãģ« ãģ¤", "ãģ«ãģ¤ ãģĦãģ¦", "r Ãł", "×Ļ×ķת ר", "ĠìĨ Į", "ק ×Ķ", "ÑģÑĤв о", "ãģij ãģ©", "g é", "à¸Ķ à¹īาà¸Ļ", "çļĦ ãģ«", "ĠÙĬ ÙħÙĥÙĨ", "ìĨ į", "ÙĬ Ùĥ", "à¹Ħว à¹ī", "Ñģки й", "ì m", "Ġ׾×IJ ×Ĺר", "à¸Ńา หาร", "Ġà¹Ģ à¸ŀ", "รา ะ", "ล ูà¸ģ", "ÑģÑĤ а", "Ġìľ ł", "ÙĤ ÙĪÙĦ", "б оÑĢ", "Ñģк ого", "หล ัà¸ĩ", "à¸Ĥ à¹Īาว", "à¹Ģม ืà¸Ńà¸ĩ", "ê° ģ", "t Ãł", "ÙĬ ÙĬÙĨ", "عر ض", "ë° ©", "Ġëı Ļ", "Ġà¹Ģ à¸Ľ", "Ġà¹Ģà¸Ľ à¹ĩà¸Ļ", "ç i", "li ÄŁi", "ìĹIJ ê²Į", "ãĤ¿ ãĥ¼", "Ġ׾ ת", "פ ×ķת", "à¸Ĥ à¸Ń", "ر س", "ìł IJ", "à¸ľ à¹Īาà¸Ļ", "ÑĦ и", "ج ÙĨ", "ì¢ ħ", "Ġ×Ķ פ", "Ġn go", "á»ĭ a", "Ġtá» ķ", "Ġê·¸ 리", "à¹Ģม ืà¹Īà¸Ń", "Ø° Ùĥر", "ìĸ ij", "ìĹ Ń", "×ĺ ׾", "k ı", "Ġع ÙħÙĦ", "Ġع ÙĨد", "à¸ĭ ืà¹īà¸Ń", "Ġê± °", "в е", "r ü", "à¹Ģ à¸Ńา", "ส à¹Į", "à¸Ī à¸Ļ", "ס ת", "Ġgi ả", "ãĤĭ ãģ¨", "à¸ģำ ลัà¸ĩ", "н ей", "à¸Ī ริ", "à¸Īริ à¸ĩ", "Ġë į", "Ġëį Ķ", "à¸Ħà¹Ī ะ", "ì n", "Ġsü re", "Ġqu y", "à¸ļ าà¸ĩ", "åıĸ ãĤĬ", "ר ×Ĺ", "×ij ת", "ãģĮ ãģĤãĤĬãģ¾ãģĻ", "ר ש", "ìĹIJ ëĬĶ", "Ġ×IJ פשר", "ay ı", "ãģĮ ãĤī", "ØŃ Ø¨", "ан Ñģ", "س ÙĪ", "ĠпÑĢ е", "د ÙĪ", "ãģ« ãĤĪ", "à¹Ģà¸ģ ม", "สู à¸ĩ", "m akt", "makt ad", "maktad ır", "Ġön em", "×Ļ×ŀ ×Ļ×Ŀ", "б о", "ÙĪ ÙĬØ©", "รู à¸Ľ", "à¹Ĥล à¸ģ", "Ùħ ÙĬع", "ÑģÑĤ Ñĥп", "à¹Ĥ à¸Ń", "دÙĬ ÙĨ", "ì¤ ij", "ãģĹãģ ı", "à¹Ģส ีย", "в Ñĭ", "Ùħ ت", "íĺ Ħ", "ãĥIJ ãĥ¼", "ا Ø´", "ק ס", "Ġtá» ¥", "ล à¸Ķ", "Ùģ Ø©", "í ijľ", "ر ج", "k ÅĤad", "ĠÅŁ ey", "ĠØ£ Ùħ", "Ġà¹Ģ ม", "Ġب ÙĦ", "Ñģ каÑı", "ãģ¨ ãģ®", "Ġìĭ ¤", "ấ m", "ห à¹īà¸Ńà¸ĩ", "à¸Ĭ ม", "d ü", "Ġç ek", "Ġê³ ł", "×Ĵ ×ij", "à¸Ĭี วิ", "à¸Ĭีวิ à¸ķ", "Ùģض ÙĦ", "ภ¯", "ç ı", "Ġب Ø´", "ĠÙĩ ÙĨا", "ãģį ãģ¾ãģĹãģŁ", "t ü", "Ġìĺ ģ", "ĠTür k", "к ÑĤ", "פר ס", "ãģ¨ãģĦãģĨ ãģĵãģ¨", "í ĶĦ", "à¹ģร à¸ģ", "ר ×ķף", "Ġar as", "×ŀצ ×IJ", "Ġtá» ī", "س ا", "à¸ŀ à¸Ń", "ĠاÙĦÙħ ØŃ", "ãĥ ¤", "ĠاÙĦ است", "Ùģ ÙĨ", "×Ļ×ŀ ×Ķ", "ر ت", "ãģ¨ ãĤĤ", "Ġна Ñģ", "п ÑĢи", "Ġ×Ĺ ×ķ", "и ла", "ÙĬ Ø´", "Ġgö z", "Ġ×ij ׳×Ļ", "ım ı", "ĠÑĤ еÑħ", "Ġh á»Ļ", "غ ر", "к он", "اØŃ Øª", "Ġ à¸ŀ", "à¸Ń à¸Ńà¸Ļ", "à¸Ńà¸Ńà¸Ļ à¹Ħล", "à¸Ńà¸Ńà¸Ļà¹Ħล à¸Ļà¹Į", "Ñħ о", "Ñı в", "à¹ģ สà¸Ķ", "à¹ģสà¸Ķ à¸ĩ", "à¹Ģà¸ŀ ียà¸ĩ", "ÑĤ ов", "ا ÙĬ", "Ġ×Ķ ×ĵ", "Ġ×ķ ׼", "ãĤī ãģĦ", "×ķפ ף", "Ġë ¶Ī", "ล à¸Ńà¸ĩ", "Ø· اÙĦ", "Ġн и", "ĠÙħ ست", "ế c", "Ġש ׼", "ĠëķĮ 문", "วัà¸Ļ à¸Ĺีà¹Ī", "×Ļ׾ ×ĵ", "ØŃ Ø§", "е ÑĨ", "Ġc ứ", "×ĵ ×ķר", "ĠÙħ ØŃ", "ר׼ ×ij", "بÙĬ ع", "ни и", "ĠاÙĦØ£ ÙĪÙĦ", "à¸Ħว ร", "ãģ¨æĢĿ ãģĨ", "ĠС о", "ائ ÙĬØ©", "ر اء", "оÑģ об", "Ġب Ø£ÙĨ", "×¢ ×ķ×ĵ", "ĠÑĤ е", "ãģĵ ãģĨ", "ÑģÑĤ ÑĢа", "ай н", "Ġsö z", "ت ÙĨا", "à¸Ń ิ", "ặ p", "ĠìķĦ ëĭĪ", "íķ Ń", "Ġר×IJ ש", "Ġ à¹Ħà¸Ķà¹ī", "Ġ×Ĵ ×ĵ", "Ġס פר", "обÑī е", "ĠÙĪ Ø¥", "ada ÅŁ", "ãģ¡ ãĤĩ", "ק ×ķ׾", "ÑĢ ез", "ĠdÃ¼ÅŁ ün", "Ġ×ij ×IJ×ŀ", "Ġìĸ´ ëĸ", "ער ×ij", "н ее", "ĠÑģÑĤÑĢ ан", "س اÙĨ", "yn ı", "ĠاÙĦر ئÙĬس", "ãģĹãģ ª", "Ġ׳ ת", "ãģ«ãģª ãģ£ãģŁ", "g ü", "åıĹ ãģij", "׾ ת", "ìł Ī", "ëĬĶ ëį°", "Ø® ÙĬر", "à¸ķà¹īà¸Ńà¸ĩ à¸ģาร", "ĠÙĦ Ø£ÙĨ", "Ġch á»ĭ", "ÙĪ Ø©", "à¹ĥ ส", "ë¶Ģ íĦ°", "íķĺ ë©´", "ữ u", "à¹Ģหม ืà¸Ńà¸Ļ", "б еÑĢ", "ĠìĿ´ ìļ©", "ĠÑģ еб", "wiÄĻ ks", "Ġ׳ ×¢", "ÑĤ ÑĥÑĢ", "Ġngh Ä©", "ש ×ķ×ĺ", "ti ÄŁi", "Ġde ÄŁi", "×IJ ×ij", "Ġ×ŀ ×ŀ", "ãĥĹ ãĥŃ", "wa ÅĤ", "à¸Ī ึà¸ĩ", "Ø® دÙħ", "×IJ ×Ŀ", "Ä±ÅŁ ı", "cz Äħ", "ר ×ĵ", "ĠÑĢ Ñĥб", "خر Ùī", "ãģ® æĸ¹", "Ġд енÑĮ", "×Ĺ ×Ļ×Ŀ", "еÑĤ е", "ëĤ ľ", "×IJ ×Ĵ", "×¢ ×ķר", "ë³ Ħ", "åIJĮ ãģĺ", "ãĤ ²", "ר ×ļ", "×ķש ×IJ", "ìľ ¡", "ا Ø®", "צ ×Ļ×Ķ", "á»± a", "ãģĪ ãģ¦", "ש×Ķ ×ķ", "ан ÑĤ", "ลา à¸Ķ", "ин г", "ë¡ ł", "اع د", "ÙĪ سط", "Ġв оп", "Ġвоп ÑĢоÑģ", "Ùħ ÙĬÙĨ", "à¸Ħ à¸ĩ", "×Ļר ×Ļ×Ŀ", "c ów", "ê² ©", "Ġê·¸ 룰", "Ġì§ Ħ", "Ġש ׾×Ķ", "à¹Ģร ิà¹Īม", "à¸Ĭ à¸Ńà¸ļ", "д еÑĤ", "ÑİÑī иÑħ", "à¸ļ à¸Ńà¸ģ", "æĢĿ ãģĦ", "ع ÙĬد", "ס ×ŀ", "×Ĵ ×Ļ×¢", "צ ×ĵ", "ب ات", "ĠëĶ° ëĿ¼", "à¸Ī ัà¸ĩ", "ãģłãģij ãģ§", "×¢ ×Ļר", "ĠÑĩ ел", "ĠÑĩел ов", "ĠÑĩелов ек", "ãĥĥ ãĥģ", "à¹Ģà¸ģ ีà¹Īยว", "à¸Ķ ิ", "Ġפ ×¢", "×Ļ×ŀ ×Ļ", "ë° ĺ", "Ø® ار", "×ij ×Ļת", "×¢ ×Ļ×Ŀ", "ü yor", "ãĤģ ãģ¦", "к лад", "Ġ à¸Īาà¸ģ", "à¹Ģà¸Ħ ย", "ส à¸Ńà¸ĩ", "à¹ģ à¸Ħà¹Ī", "ẫ u", "หà¸Ļ ัà¸ĩ", "ש׾ ×ķ×Ŀ", "اÙĨ ÙĬØ©", "åĩº ä¼ļ", "åĩºä¼ļ ãģĦ", "à¸ł าย", "à¸ļา à¸Ĺ", "à¸Ĭา ว", "mu ÅŁ", "Ġ׾ק ×ij׾", "ãĤ· ãĥ£", "ĠÄ° ÅŁ", "×Ĵ×ĵ ×ķ׾", "ج عÙĦ", "ë³ Ģ", "ยิ à¹Īà¸ĩ", "à¸Ļ าย", "à¸Ļ ีà¹Ī", "วิ à¸ĺี", "ãĤī ãģªãģĦ", "ëł Ī", "Ġ문 ìłľ", "Ġ à¸ģ", "à¸Ĺำ à¸ĩาà¸Ļ", "à¹Ģว à¹ĩà¸ļ", "ÑĦ е", "楽 ãģĹ", "สำ à¸Ħ", "สำà¸Ħ ัà¸į", "ر Ùħ", "ãģķãĤĮ ãģ¦", "Ġоб ла", "ר×IJ ×Ļ", "หม à¸Ķ", "ÙĨ ÙĬØ©", "ли н", "Ġe ÄŁ", "it im", "ëł ¹", "ص اÙĦ", "ÅĽ l", "à¸ľ ิà¸Ķ", "ãĥŀ ãĥ³", "åħ¥ ãĤĮ", "à¹Ģà¸ķ à¸Ńรà¹Į", "ار ÙĬ", "ĠÐ ¦", "d ür", "ส วย", "ë¦ ½", "رÙĥ Ø©", "Ġh ã", "×Ļת ×Ķ", "à¸Ĥ à¸Ļา", "à¸Ĥà¸Ļา à¸Ķ", "à¸Īำ à¸Ļ", "à¸Īำà¸Ļ วà¸Ļ", "ש ×ķק", "Ġд ом", "ì± ħ", "ãģĭ ãģij", "פ ×ķ׾", "à¸Ĭ าย", "Ñģ моÑĤÑĢ", "Ñģл Ñĥж", "ש ×IJ׾", "кÑĢÑĭ ÑĤ", "Ġìŀ ĺ", "é«ĺ ãģĦ", "ĠÑĢ Ñĥк", "ÙĨ ص", "д ав", "Æ°á» ¡", "ưỡ ng", "ر اÙħ", "×Ļ׳ ×Ļ×Ŀ", "ãĥ© ãĥ¼", "ëĦ ¤", "Ġت ع", "l ke", "好 ãģį", "æĮģ ãģ¡", "Ġë§ İ", "Ġy ük", "ĠÑģоÑģÑĤ ав", "енÑĤ ÑĢ", "pe ÅĤ", "à¹Ģà¸Ľà¸¥ ีà¹Īย", "à¹Ģà¸Ľà¸¥à¸µà¹Īย à¸Ļ", "íı ī", "ãĤĦ ãģĻ", "×Ĺ ×ĸ", "×ijר ×Ķ", "ë£ ¨", "ìĶ Ģ", "بØŃ Ø«", "à¹Ģà¸ķ à¹ĩ", "ów i", "ب Ùĩ", "ãģį ãģ¾ãģĻ", "Ġ×¢ ×ŀ", "×Ĵ ×ķ׾", "ез д", "ÙĬÙģ Ø©", "สà¸Ļ à¹ĥà¸Ī", "Ġת ׾", "Ñı Ñī", "Ġس ÙĨ", "ĠÙĪا ØŃد", "ĠÑģ м", "lad ı", "ı ld", "×Ļר ת", "ีย à¸Ļ", "ת×Ĺ ×ª", "Ġж из", "à¸ŀ ั", "à¸ŀั à¸Ĵ", "à¸ŀัà¸Ĵ à¸Ļา", "à¸Ĭ ิ", "ا Ø®ÙĦ", "ãģ£ãģ¦ ãģĦãģŁ", "รั à¸IJ", "ãĤģ ãĤĭ", "à¹Ĥ à¸ģ", "ĠT á»ķ", "Ġh akk", "ر Ùģ", "ìł Ģ", "Ñģ об", "ãģª ãģijãĤĮãģ°", "Ùĩ ÙĪ", "Ġë² ķ", "ãĤ Ĩ", "ĠاÙĦس عÙĪد", "Ġ×IJ תר", "Ø§Ø º", "Ġ׾ ×ĵ", "à¹ģ à¸ķ", "à¹ģà¸ķ à¹Īà¸ĩ", "íĮ Į", "Ñĥп иÑĤÑĮ", "à¸ŀืà¹īà¸Ļ à¸Ĺีà¹Ī", "×ij ת×Ļ", "à¹ĩ à¸ģ", "ÅĤ at", "Ġê°ľ ìĿ¸", "ìłķ ë³´", "ÑĤ ал", "Ġgü ven", "ĠÄ° l", "Ġê° ģ", "Ġب ت", "×ŀ ×ķ׳×Ķ", "ĠاÙĦØŃ ÙĥÙĪÙħ", "ÙĤ ات", "à¹ģ à¸ģà¹Ī", "ห าà¸ģ", "н ÑĮ", "à¸Ľ รัà¸ļ", "มา à¸ĵ", "Ġне Ñģк", "ĠØ ¶", "สม ั", "สมั à¸Ħร", "ãģĮ ãģĤãĤĬ", "м еÑģÑĤ", "Ġ×IJ צ׾", "Ġкомп ани", "ס ר", "ÙĬÙħ Ø©", "ĠÑħ оÑĢо", "ĠÑħоÑĢо ÑĪ", "Ġ×Ļ ×ķ×ĵ", "ü s", "×Ĵ ×Ļש", "à¸ļ à¸Ĺ", "تÙĨ ظ", "ว าà¸ĩ", "ม หา", "Ġ׼ ×ķ׾", "à¸Ĥ à¹īาà¸ĩ", "ë° ľ", "г од", "д ан", "ãģĭãĤĤãģĹãĤĮ ãģ¾ãģĽãĤĵ", "ãģĵ ãģ¡ãĤī", "ãĥIJ ãĤ¤", "ece ÄŁi", "دÙĬ دة", "ÙĨ Ùī", "Ġëĭ¤ ìĿĮ", "ว ี", "غ ا", "ли з", "à¹Ģà¸Ķ ิ", "à¹Ģà¸Ķิ ม", "ĠÙĬ ست", "Ġy ılı", "ko ÅĦ", "ãģ§ãģĹãĤĩãģĨ ãģĭ", "ãģĤ ãģª", "ãģĤãģª ãģŁ", "ÑĨ ен", "ĠÙĪ ز", "×IJ ×Ļש", "à¹Ī à¸Ń", "ر ØŃ", "ê´ ij", "ÑĢа ÑģÑĤ", "Ġ×Ķ ׾", "ãģĹãģ¦ ãĤĤ", "×ŀר ׼", "×ŀר׼ ×ĸ", "éģķ ãģĦ", "ãģŁ ãģı", "ĠÑģ Ñĥд", "в еÑģÑĤи", "ĠíķĦ ìļĶ", "ãĥķ ãĤ§", "ÑĤелÑĮ но", "à¹Ģà¸ŀ ืà¹Īà¸Ńà¸Ļ", "ÅĤu ż", "à¹Ģà¸Ķิà¸Ļ à¸Ĺาà¸ĩ", "ש ×ķר", "Ġ×ŀ ×ĵ", "×ķ×¢ ׾", "ÙĦ اÙħ", "à¹Ħ à¸ĭ", "л ей", "кÑĥ ÑĢ", "Ạ¢", "à¸Ĺ าà¸Ļ", "ì§ ij", "ĠгоÑĢ од", "ר ס", "׾ ×ķ×Ĵ", "mas ını", "Ġл ÑĥÑĩ", "ล à¹Īา", "ìļ ¸", "ש ×ĺ", "ĠÐĺ н", "í Ĥ¤", "ÙĪÙĦ ا", "ìķ ł", "ĠØ£ÙĬ ضا", "Ùĥ ار", "ĠاÙĦت ع", "ส ูà¹Ī", "ãĤ ¼", "×ij ×Ļ×IJ", "ย à¸ģ", "ĠØŃ ÙĤ", "ر بÙĬ", "ãģĺãĤĥ ãģªãģĦ", "รัà¸ģ ษา", "Ñħод иÑĤ", "à¸ķ à¸Ńà¸ļ", "׳ ×ĺ×Ļ", "ĠاÙĦÙħ ج", "تÙħ ع", "ов аÑĤÑĮ", "ÙĦ ÙĬÙĨ", "×Ļ×ŀ ×ķת", "Ġm ù", "n ÄĻ", "Ġد ÙĬ", "׼ ש×Ļ×ķ", "Ġhi ç", "ë ijIJ", "ÙĪ اء", "ÙĪ Ø·", "ĠاÙĦ بÙĦ", "à¹ģม à¹ī", "ק ×ķת", "ÙĪج د", "å§ĭ ãĤģ", "ÙĬ ئة", "Ġë§ ¤", "ص بØŃ", "פ ×IJ", "г оÑĢ", "ס ×Ķ", "بÙĬ ÙĤ", "ย าà¸ģ", "Ġн ад", "ÙĬ Ùij", "Ġب ÙĪ", "ס ×ķר", "Ùħ ÙĥاÙĨ", "ר ×ij", "×Ĵ ×ĸ", "צ ת", "b ilit", "л аг", "ĠN go", "×IJ ×ķר", "à¸ķ à¸Ļ", "íĬ ¹", "à¸Ĺีà¹Ī à¸Ķี", "à¸Ľà¸£à¸° à¸Īำ", "ов ание", "ãģĦ ãģ¤", "ãĥĥãĤ¯ ãĤ¹", "åIJĪ ãĤı", "åIJĪãĤı ãģĽ", "×Ļ׳ ×ķ×Ļ", "ạ y", "Ø« ÙĤ", "ĠпÑĢ об", "ĠпÑĢоб лем", "ÅŁ eh", "ÅŁeh ir", "ع ادة", "اÙĨ ÙĪÙĨ", "à¸ķัว à¹Ģà¸Ńà¸ĩ", "ì¶ ķ", "ı lan", "б ан", "ãĥ³ ãĥī", "à¸Ī ี", "Ġ×Ķש ׳×Ļ", "п оÑĤ", "×ķ׾ ×Ļ×Ŀ", "ล ัà¸ļ", "ĠÑį ÑĤи", "×ijק ש", "ë¹Ħ ìĬ¤", "à¸Ńยà¹Īาà¸ĩ à¹Ħร", "×Ļ׾ ×Ļ", "à¹ĥà¸Ĭ à¹Ī", "ĠاÙĦ ÙĥÙĦ", "ãĥļ ãĥ¼ãĤ¸", "ص Ø©", "ÑĤи ÑĢ", "ãĤĵ ãģ©", "зÑĭ к", "wy ż", "Ùĩ ÙĬ", "ĠÙħ ÙĦÙĬ", "Ġвид е", "ظ اÙħ", "دا ÙĪÙĦ", "×ŀ ת×Ļ", "Ġs ık", "à¹Ģà¸ķิ ม", "ãĤ¢ ãĤ¤", "ка Ñħ", "צ ×Ļ׾", "à¹Ģà¸Ĭ à¹Īà¸Ļ", "м аг", "маг аз", "магаз ин", "à¸Ľ ั", "à¸Ľà¸± à¸Ī", "Ġש ×Ļר×ķת", "ีย ม", "ãĥĸ ãĥ«", "Ġد ÙĪÙĦ", "קר ×Ļ×Ŀ", "Ùĩ Ùı", "ов о", "Ġü ret", "د ÙĪÙĨ", "à¹ģà¸Ļ ว", "à¹Ģà¸Ļ ืà¹īà¸Ń", "ĠÑĦ оÑĤ", "ãĥ ĺ", "ãģ¤ ãģĭ", "Ñı Ñģ", "ĠíķĺëĤĺ ëĭĺ", "ائ ع", "Ġп лаÑĤ", "ìĺ Ī", "Ġdost ÄĻp", "ÙĪج Ùĩ", "Ġ×Ķ ×Ĺ×Ļ", "׳ ×Ļק", "д ей", "í ĽĦ", "ı y", "بØŃ Ø±", "à¹Ģส ริม", "Ġ׾ ×Ĵ", "Ø°Ùĩ ب", "ج ÙĬÙĦ", "رÙĥ ز", "Ġë ħ", "Ġëħ ¸", "פ×Ļ׾ ×ķ", "ãģ¾ ãģļ", "iri ÅŁ", "ĠÙĥ ÙĬÙģ", "Ġ×ij צ", "Ġêµ IJ", "ÑĢоÑģ Ñģ", "ĠØ´ ÙĬ", "Ġiç er", "×Ĵ ×ķ×ij×Ķ", "мен но", "×¢ ×ij×Ļר", "×ķ×ŀ ×Ķ", "ãĤī ãģĹãģĦ", "ãģ ¼", "Ñī ин", "è²· ãģĦ", "جÙħÙĪع Ø©", "Ġdön em", "Ġ×ij ×IJר", "в еÑģÑĤ", "×ķר ×ķת", "س Ùģ", "à¹ģà¸Ĺ à¸Ļ", "Ġд окÑĥменÑĤ", "Ġا ÙĬ", "ج اÙĨ", "צ×ķ×¢ ×Ļ", "ĠоÑģ об", "ĠاÙĦÙħ س", "ÑĢаР±", "à¸ł ู", "à¸Ķ าว", "л екÑĤ", "ع ÙĤ", "×ķ×ĵ ×ķת", "Ġol u", "Ġolu ÅŁtur", "ãģ¾ ãģ¾", "ед ин", "à¹Ģ à¸Ńà¸ģ", "ãĤµ ãĤ¤", "ëĦ Ī", "Ø· ÙĨÙĬ", "Ø· ÙĤØ©", "ĠÐł аз", "ÙĦ Ùij", "Ñĩ ем", "Ġ׾ ×ĺ", "สั à¹Īà¸ĩ", "سر ائÙĬÙĦ", "Ġפר ×ĺ×Ļ", "д еÑģÑĮ", "Ġ׳ ׼", "اÙĨ ب", "ÙĬا Ø©", "Ùħ بر", "Ġk ı", "à¸Ľ à¸ı", "à¸Ľà¸ı ิ", "à¸ļั à¸ķิ", "׳ ת×Ļ", "ìĨ ¡", "ر اب", "à¹ĥ à¸ķ", "à¹ĥà¸ķ à¹ī", "×Ļ׳ ת", "ÙĪ ÙĬر", "Ġ×Ķ×ŀ ×Ļ", "ей ÑĩаÑģ", "ק ×ķ×ij", "در اس", "ĠÙħ ÙĤ", "رÙĬ ÙĨ", "Ø® اص", "ãģĬ éĩij", "Ġج دا", "ãģĨ ãģ¡", "ëħ ¸", "ır ım", "æ§ ĺ", "ãģ« å¯", "ãģ«å¯ ¾", "ÑĨ ев", "Ġv ard", "ĠÐIJ н", "e ÄŁ", "ÑģÑĤв енно", "Ð ¨", "س د", "à¸ģ ุ", "à¹ģà¸ľ à¸Ļ", "รูà¹ī ส", "รูà¹īส ึà¸ģ", "ات ØŃاد", "Ñij ÑĤ", "×Ĺ ×ķק", "ãģĻ ãģIJ", "Ø· ÙĦاÙĤ", "Ġק ×ķ×ĵ", "à¹ĥà¸Ĭ à¹īà¸ĩ", "à¹ĥà¸Ĭà¹īà¸ĩ าà¸Ļ", "ãĥ¼ãĤ ¿", "Ġs ür", "ÑĢ ок", "ë³ ij", "สมา à¸Ĭ", "สมาà¸Ĭ ิà¸ģ", "ãĥķ ãĥ¬", "è¾¼ ãģ¿", "ãĤ» ãĥ³", "Ġê°Ģ ì§Ģ", "à¸ľ à¹īา", "ÑįÑĤ омÑĥ", "иÑĤ ел", "à¸ł ั", "ภij", "ãĥĸ ãĥ©", "×Ľ×ª ×ķ×ij", "׳ ×Ŀ", "ен нÑĭе", "×¢ ×¨×Ľ×ª", "Ġì Ĥ", "ĠìĤ ´", "à¸Ĥ à¹īา", "׳ ×ķס", "ãĥ¬ ãĥĵ", "ÑĢ еÑģ", "à¹Ģล à¸Ĥ", "Ø« اÙĦ", "ìĹ Ĩ", "ĠÑĩ аÑģÑĤ", "า ศ", "ãĥª ãĤ¢", "u ç", "×Ļ׼ ×ķת", "ล à¹īาà¸Ļ", "i ë", "ãĤ¸ ãĤ§", "à¸Ī à¸Ń", "ÙĪ ØŃد", "×Ļצ ×ķ×ij", "Ġ×ij ש׾", "ок о", "ض Ø©", "Ø° ر", "ĠÑĥ д", "Ä° L", "×ķצ ×Ļ×Ŀ", "×ĸ ×ŀף", "à¸Ľ à¸ģ", "íķĻ êµIJ", "س اÙħ", "à¹Ħ à¸Ķ", "ละ à¹Ģà¸Ń", "ละà¹Ģà¸Ń ีย", "ละà¹Ģà¸Ńีย à¸Ķ", "ả y", "аÑĨи он", "ãĤ¹ ãĤ¯", "פ ×ķס", "ร à¹Īาà¸ĩ", "ен нÑĭй", "ع ÙĨ", "عÙĦ ÙĨ", "ائ Ùģ", "d ÄĻ", "ؤ ÙĪÙĦ", "׾×ķ ×ķ", "Ġ×ij ש×ij", "ä»Ĭ åĽŀ", "ĠاÙĦج ÙĨ", "د اد", "wa Äĩ", "ãĥª ãĥ³", "ĠìŀIJ ìĭł", "اÙĨ ÙĬا", "ãĥ¡ ãĥª", "ÙĦ ÙĪÙĨ", "à¸Ĺ à¹Īà¸Ńà¸ĩ", "à¸Ĺà¹Īà¸Ńà¸ĩ à¹Ģà¸Ĺีà¹Īยว", "اÙģ ÙĬ", "Ġли ÑĪ", "Ùħ ÙĬØ©", "оÑĤ веÑĤ", "Ñĩ ин", "à Ĭ", "ãĥ¡ ãĥ³", "å® Ł", "éļĽ ãģ«", "ĠÑĢаР¹", "ãĤ¦ ãĥ³", "×Ļר ×ķש", "×Ļר×ķש ׾×Ļ×Ŀ", "ม ะ", "Ġar a", "каз аÑĤÑĮ", "à¸ķ ัà¸Ķ", "ÑĥÑİ ÑĤ", "Ġü st", "×Ĵ ×ķ×ij", "×Ĵ×ķ×ij ×ķת", "mal ı", "ег од", "егод нÑı", "اÙģ ÙĤ", "à¸Ĭ à¹Īà¸Ńà¸ĩ", "Ġö zellik", "×Ļצ ×ķר", "Ġmi ÄĻd", "Ġili ÅŁ", "Ġна Ñħод", "×¢ ×ĸר", "׾ ×Ľ×ª", "ÙĨت اج", "ĠÑģ ем", "à¸Ī à¹Īาย", "à¸ķร ว", "à¸ķรว à¸Ī", "פר ×ķ", "à¸Ĥ ัà¸ļ", "ãģ ŀ", "Ġп ло", "к олÑĮ", "×ŀ×¢ ×ĺ", "íķĺ ìĭľ", "jÄħ ce", "ÙĨ اÙĨ", "ลี à¸ģ", "н ÑĥÑĤ", "Ġоб ÑĢаз", "Ùĥ بر", "ĠاÙĦÙĪ Ø·ÙĨ", "ãģķãģĽ ãģ¦", "ÙĤ اء", "×ŀ×ĵ ×Ļ׳", "y ü", "פ ×Ļת", "׳ ×ķף", "ÙħÙĨ ظ", "หà¸Ļ ัà¸ģ", "ìŀ Ī", "ãĤ« ãĥ¼ãĥī", "ع ÙĨÙĬ", "п од", "ض اء", "à¸Ļ à¸ķà¹Į", "×ŀש פ", "ว à¹Į", "ר ×ķק", "ส ืà¹Īà¸Ń", "פק ×Ļ×ĵ", "ãģªãĤī ãģªãģĦ", "ĠìŬ 룬", "ÙĦ ج", "Ñī иÑĤ", "ãĥĥ ãĤ·", "ÙĦÙĬ س", "ĠÙĦ Ùħا", "ìł ij", "×ij ×Ļף", "ãĥģ ãĤ§", "Ġgü ç", "Ġch ứ", "×ķצ ×IJ", "קר ×ij", "à¹Ĥ à¸ŀ", "оÑĩ но", "סק ×Ļ", "ש׾ ×Ŀ", "صر Ùģ", "ĠL Ãł", "×¢ ×Ļת", "á» ·", "à¹Ĥ à¸Ńà¸ģ", "à¹Ĥà¸Ńà¸ģ า", "à¹Ĥà¸Ńà¸ģา ส", "Ġ×Ķ ×ĵ×ijר", "à¸Ļั à¹Īà¸Ļ", "ز ر", "нак о", "íļ į", "ãĤĤ ãģ¡", "ãĤĤãģ¡ ãĤį", "ãĤĤãģ¡ãĤį ãĤĵ", "اÙħ ت", "عد اد", "и нÑĭ", "ÅĤy w", "à¸Ħ à¸ĵะ", "à¸Ĺ ะ", "kt ör", "×Ļ×Ĺ ×Ķ", "Ġм е", "Ġме ÑģÑı", "׳×Ķ ×Ĵ", "ĠÑģ ÑĥÑīеÑģÑĤв", "à¸Ļ ัà¸Ļ", "ÑĦ ÑĦ", "ек ÑĤив", "عÙĦÙĪÙħ ات", "б Ñĥд", "à¸Ļัà¸ģ à¸ĩาà¸Ļ", "หà¸Ļà¹īา à¸Ĺีà¹Ī", "ÙĤÙĬ ÙĤ", "ãĤ· ãĥ³", "ãģ« éĸ¢", "×IJר ×Ĵ", "ĠпÑĢ оÑĤ", "ĠпÑĢоÑĤ ив", "ĠìŀĪ ìĸ´", "ÙĤÙĬ ÙĤØ©", "ìĹ ĩ", "k ür", "ãģ«ãģªãĤĬ ãģ¾ãģĹãģŁ", "Ġде ÑıÑĤ", "ĠдеÑıÑĤ елÑĮ", "פ×ķר ×ĺ", "à¸Ł à¹īา", "à¹Ģ à¸ł", "ĠавÑĤом аÑĤ", "×ĸ ×Ļק", "Ġold uk", "ع اÙħ", "ĠÑĤ оÑĢ", "yrı ca", "ê Ì", "ãĤŃ ãĥ³ãĤ°", "ãģ« ãģ¨ãģ£ãģ¦", "à¹Ģà¸ī à¸ŀ", "à¹Ģà¸īà¸ŀ าะ", "ãģ¯ ãģļ", "×ŀ ×IJ×Ļ", "สะ à¸Ķ", "สะà¸Ķ วà¸ģ", "ìľ¼ ë©°", "à¸ģ ี", "ภ¬", "Ġ×¢ ×ķש", "à¸łà¸² ษา", "à¸Ĺ ัà¸Ļ", "ac akt", "acakt ır", "اع دة", "ĠÑĥÑģл Ñĥг", "ס ר×ĺ", "×ķ×ŀ ×ķת", "×Ķ ×ķר", "×ŀ ×ķ×ij", "×ŀ×ķ×ij ף", "سÙĬ اس", "اتÙģ اÙĤ", "×Ķ צ׾", "Ùħؤ س", "Ġp ó", "Ġк ни", "×Ļ׼ ×ķ׾", "à¹Ģหล ืà¸Ń", "׼׾ ׼", "׳ ×ĸ", "ÑĪи е", "r ès", "ĠاÙĦØŃ ÙĤ", "лÑı ÑĢ", "ห à¸į", "หà¸į ิà¸ĩ", "ר×Ĵ ×Ļש", "à¹Ģส à¹īà¸Ļ", "ש×ij ×ķף", "ô tel", "ап ÑĢ", "апÑĢ имеÑĢ", "اب ÙĦ", "ĠÑĢаз виÑĤ", "Ġп олÑĮз", "ĠС еÑĢ", "×ķ×ij ×Ļ", "r óż", "ìĭ Ń", "ãĤ¯ ãĥĪ", "ãģĹ ãĤĪãģĨ", "à¸ģร ม", "ØŃ ÙĥÙĪÙħ", "à¹Ĥ à¸ļ", "à¸Ĺ à¹īาย", "ĠM á", "ĠÑĤ Ñĭ", "à¸Ħร ัว", "ÑĢÑĥ б", "ạ p", "Ġm ÅĤ", "ĠmÅĤ od", "Ġgör Ã¼ÅŁ", "Ġgeli ÅŁ", "Æ°Æ¡ i", "×ŀש ק", "ÙĢÙĢ ÙĢÙĢ", "รา ว", "ãģĹãģ £", "ãģĹãģ£ ãģĭãĤĬ", "ĠÐļ он", "Ġk ê", "à¹Ĥà¸Ĺ ร", "èIJ½ ãģ¡", "åĩº ãģ¦", "ล ัà¸ģษ", "Ġ×Ĵ ×ij×ķ×Ķ", "ãĥĻ ãĥ«", "ê±° ëĤĺ", "ë§ IJ", "×Ļ׾ ×ĵ×Ļ×Ŀ", "ĠëĦ Ī", "×ŀר ×Ļ", "ร ส", "ãĥŃ ãĥ³", "и ло", "ноÑģÑĤÑĮ Ñİ", "×ĸר ×Ĺ", "п он", "Ġ×Ķש ׾", "ê²ł ìĬµëĭĪëĭ¤", "Ġki ÅŁ", "ĠÐļ и", "ว ร", "د اع", "ÅŁ im", "ÙĨ Ùij", "в аÑĤ", "را Ùĥ", "ب اÙĦ", "ид е", "Ġ×Ķ×ŀ ×Ĺ", "ìĸ µ", "تÙģ اع", "Ø£ ت", "ëĬ ĺ", "ש ×Ļת", "ست Ùħر", "ĠÑĦ ак", "ĠاÙĦØ£Ùħ رÙĬ", "ëŀ ¨", "اس Ùħ", "Ġa ÄŁ", "Ġç ev", "Ùĥ ÙĪر", "ãģķ ãģ¾", "Ġç öz", "Ġر س", "Äħ da", "สà¸Ļ ุ", "ãģĹãģ¦ ãģıãĤĮ", "н Ñİ", "leÅŁ me", "ãĤª ãĥ³", "ãģ¨ ãģªãĤĬ", "ava ÅŁ", "×ĺ ×Ļ×ij", "ØŃ Ø¶", "×ķצ ×IJ×ķת", "ÙĨ ÙħÙĪ", "ı t", "ĠÑħ а", "ĠÑħа ÑĢак", "ĠÑħаÑĢак ÑĤеÑĢ", "Ġd ÅĤ", "ãĥĹ ãĥ©", "à¸Ĭ ุม", "à¹Ī à¸Ńà¸Ļ", "×ķ×ij ׾", "Ñģ ол", "×ĵ ×Ĵ", "аÑĢ аÑĤ", "n ivers", "Ġgerçek leÅŁtir", "ĠاÙĦ ÙĦÙĬ", "ระ ยะ", "ĠÙħ ختÙĦÙģ", "Ġgö nder", "Ùģ ار", "do ÄŁ", "doÄŁ an", "ص ÙĦاØŃ", "Ġyay ın", "ãĥĨ ãĥ³", "รว à¸Ī", "×Ļ×Ĺ ×Ļ×ĵ", "ünk ü", "ÑĨи алÑĮн", "à¸ļ ู", "ม ุ", "h ä", "Ø® Ùģ", "å¢ Ĺ", "å¢Ĺ ãģĪ", "еÑĩ но", "ĠاÙĦس ÙĨ", "à¸Ĥ าว", "im di", "Ð «", "à¸Ļà¸Ńà¸ģ à¸Īาà¸ģ", "à¸ļา ล", "ת ש", "Ġdüzen le", "мÑĭ Ñģл", "ãģı ãģª", "ż u", "Ġwsp óÅĤ", "Ġн аз", "ınd aki", "تر Ø©", "ÅŁ ek", "Ġö d", "ĠÙĪ Ùĥ", "Ġпозв олÑı", "Ġת ×ķ׼", "ÙħÙĨ تج", "ë§ ī", "ĠاÙĦØ« ÙĦاث", "аÑĨи Ñİ", "ÙĪر ÙĪ", "Ñĭв аеÑĤ", "خص ص", "ĠاÙĦÙģ ÙĦ", "ĠاÙĦÙģÙĦ سطÙĬÙĨ", "Ø¥ جر", "إجر اء", "اÙĨت Ø®", "اÙĨتخ اب", "ار ÙĬØ©", "×ķ Ö", "Ø¢ ÙĨ", "×ŀ×¢ ×ķת", "Ġм ал", "Ġ×IJ ×Ĺ", "à¸Ĺ à¹īà¸Ńà¸ĩ", "ze ÅĽ", "Ġë§Į ëĵ¤", "رÙĬ ع", "äºĭ ãĤĴ", "à¸ļริ หาร", "׾ ×ŀ×Ļ×ĵ", "Ġм Ñĥж", "ت رÙĪ", "ĠباÙĦ Ø¥", "פ ×Ļק", "ز ÙħØ©", "ĠÃ¶ÄŁ renc", "ãĥ ¶", "اÙħ عة", "ק×ij ×ķצ", "×ŀ ׳×ķת", "رÙĬ Ùħ", "Ġо каз", "ãģłãģij ãģ©", "Ġh ız", "Ġש ×IJת", "ãĤ¢ ãĥ¼", "Ġmożli wo", "ìĦ ¼", "ÙĪ اب", "ог ÑĢаÑĦ", "Ġعبد اÙĦ", "ãĤĴ è¡Į", "ب ÙĬÙĦ", "ĠÄ° ç", "ย าย", "ĠÑĥ ÑĩаÑģÑĤ", "ÑĦ еÑģÑģ", "ÑĦеÑģÑģ иона", "Ạ¤", "ÙĨ ÙĬÙĨ", "عد ÙĦ", "สร ร", "دÙĬ ÙĦ", "×ij ×Ļק", "czy ÅĤ", "ÑĢом е", "Ġм ед", "ìĻ Ķ", "ãĥ© ãĤ¤ãĥ³", "ĠÑĤ еп", "еÑĢ ÑĮ", "i ÄŁi", "в ели", "ÑĢи ÑģÑĤ", "ס ×ķפ", "×ŀ׾ ×Ĺ", "ĠاÙĦØ¥ ÙĨ", "Ġ׾×Ķ ש", "è¶Ĭ ãģĹ", "ĠÑĢ Ñĭ", "×ķ×IJ ר", "رÙĩ اب", "פ ×ķ×IJ×Ļ", "ĠгоÑģ Ñĥд", "ĠгоÑģÑĥд аÑĢ", "ĠгоÑģÑĥдаÑĢ ÑģÑĤв", "ĠاÙĦØ£Ùħ ÙĬر", "Ùħ ج", "à¹Ģหม าะ", "ÑĢ ев", "à¸Ĭี à¸ŀ", "ãĥķ ãĥĪ", "иÑĩ но", "ĠاÙĦÙħ ؤ", "Ġi ht", "íħ ľ", "د ÙĨÙĬ", "ر ص", "ла ÑģÑĤ", "à¹Ģหล à¹Īา", "ılı r", "ร à¸ĵà¹Į", "×ŀש ×Ļ×ļ", "Ġd á»ĭ", "Ø·Ùģ اÙĦ", "×ĺ ×ķף", "Ġ×ij ×Ļ׳", "ãģ¾ ãģ£ãģŁ", "лож ениÑı", "تØŃ Ø±", "ب اØŃ", "à¹Ģส ืà¹īà¸Ń", "ãģĻ ãģĶ", "lt ür", "à¸ĩ าม", "Ġt ü", "ĠпÑĢ им", "ĠпÑĢим ен", "Ġhay at", "ëĥ IJ", "ëĭ Į", "׳×Ļ ×ķ", "вед ен", "ìħ ¨", "à¸Ī ัย", "à¸ģà¹Ī à¸Ń", "Ġв од", "оÑģÑĤ оÑı", "н аÑĤ", "à¹ģ หล", "سÙħ ÙĬ", "à¸Ķำ à¹Ģà¸Ļ", "à¸Ķำà¹Ģà¸Ļ ิà¸Ļ", "w ód", "ö yle", "ãĥĢ ãĤ¤", "ÑĪи й", "меÑī ен", "ãģĹãģ¾ ãģĨ", "ãĥī ãĥ©", "ÙĪض ØŃ", "à¸Ńà¸Ļ ุ", "ĠاÙĦ اجتÙħاع", "laÅŁ ma", "à¸Ħ à¸Ńà¸Ļ", "×ŀר ×Ļ×Ŀ", "ÙĨ اÙħج", "שר ×ķת", "اÙĦ Ø£", "Ġksi Äħż", "Ġа н", "ÑĢаР¹", "اÙĩر Ø©", "×ŀ×ĵ ×Ķ", "ä¸Ģ ç·", "ä¸Ģç· Ĵ", "ä¸Ģç·Ĵ ãģ«", "ÑĢиÑĤ оÑĢ", "d ıkl", "à¹ģ à¸ĸ", "à¹ģà¸Ĥ à¹Īà¸ĩ", "екÑĤ оÑĢ", "×ŀס ×¢", "ÑĢак ÑĤи", "u ÄŁu", "×ķ×ij ת", "สู à¸ķร", "ĠçalÄ±ÅŁ m", "ĠçalÄ±ÅŁm alar", "Ġа на", "ãĥĽ ãĥ¼ãĥł", "Ġböl üm", "Ġب ص", "ол оÑģ", "ĠìķĬ ëĬĶ", "à¹Ī ะ", "ÙĪ تر", "ä¹ Ĺ", "ست خداÙħ", "פ×Ļ ×Ļס", "פ×Ļ×Ļס ×ij", "פ×Ļ×Ļס×ij ×ķק", "Ġк ÑĢаÑģ", "ли к", "رÙĬ ØŃ", "×ŀש ׾×Ķ", "à¹Ģย ีà¹Īย", "à¹Ģยีà¹Īย ม", "в иÑģ", "ом н", "ÄŁ un", "ãĥŃ ãĥ¼ãĥ³", "Ø£ تÙĬ", "à¸ķร ี", "çĶ³ ãģĹ", "تÙħ ر", "ìĹ ĪìĬµëĭĪëĭ¤", "ĠÙĪ غÙĬر", "red ni", "ĠاÙĦص Ùģ", "Ġна ÑģÑĤоÑı", "ĠнаÑģÑĤоÑı Ñī", "à¸ķ รา", "ĠÑĥÑģл ов", "ĠÑĥÑģлов иÑı", "ÑĨ еп", "×Ķ ×Ĺ׾×ĺ", "Ø· ÙĬع", "ĠB akan", "ĠاÙĦ رÙĪ", "илÑĮ но", "Ġм еÑĤ", "à¸Ķ à¸Ńà¸ģ", "ãģĭãĤī ãģªãģĦ", "Ġпо ÑģÑĤоÑı", "ĠпоÑģÑĤоÑı н", "ĠÑĩ аÑģ", "ü c", "wr ó", "б ÑĥÑĢ", "ãĥIJ ãĥĥãĤ¯", "ãĥ©ãĥ³ ãĥī", "Ġо гÑĢ", "สั à¸į", "สัà¸į à¸įา", "มั à¹Īà¸Ļ", "à¸Ħ à¸Ńม", "al ık", "Ġн ед", "üm üz", "ĠÅĽ wie", "é rio", "×Ļ×IJ ×Ķ", "دÙħ ات", "ı rl", "ĠоÑĤ з", "ĠоÑĤз Ñĭв", "ä»ĺ ãģį", "Ġkaż de", "мин иÑģÑĤ", "ãĤ° ãĥ«", "ë° ĸ", "ез н", "اÙĦ Ùģ", "Ġש ק׾", "Ùħ ض", "ãĥĿ ãĥ¼ãĥĪ", "ÙħÙĨ ت", "ÙĤÙĬ اÙħ", "Ø´ ÙĨ", "×Ļר ×ķ×¢", "ãĤŃãĥ£ ãĥ³", "доÑĢ ов", "×ŀ ×Ļת×Ļ", "ÙĪÙĦ ÙĪج", "Ùĥ اÙģ", "ĠÑĢаз лиÑĩ", "иÑĤ еÑĤ", "н олог", "ลà¸ĩ à¸Ĺุà¸Ļ", "Ġyak laÅŁ", "ãĥ¬ ãĤ¤", "ê²ł ëĭ¤", "æ±Ĥ ãĤģ", "رÙĪ Ùģ", "Ġí Ĭ", "ĠíĬ ¹", "ãģ£ ãģıãĤĬ", "à¸Ħวาม à¸Ħิà¸Ķ", "×Ķ ×Ļס×ĺ", "Ø¥ ÙĤ", "ãģ¦ ãģĦ", "à¹Ĥ à¸Ĭ", "ĠBü yük", "ĠФ едеÑĢ", "ÑĨи н", "ÑĢов а", "ĠاÙĦ اÙĤتصاد", "Ġch á", "à¸ĺ าà¸Ļ", "ë¥ ł", "à¹Ħ à¸ķ", "ÃŃ pio", "Ùĭ ا", "Ġоб Ñıз", "Ùĩ ج", "Ġì¤ij ìļĶ", "ãģ® ãģ§ãģ¯ãģªãģĦ", "بار اة", "ãĤ¤ ãĥ«", "Ġн оÑĢм", "á»ī nh", "m ö", "mö glich", "ÑĨи п", "ãĤ¢ ãĤ¯", "×Ķ ×Ļ", "ÑĨи алÑĮно", "ĠÅĽ wi", "ت ÙĤ", "ĠÑģÑĤо им", "بÙĬ عÙĬ", "Ġ׾ ש×ŀ", "г лÑı", "глÑı д", "ãģ¦ ãģıãĤĮ", "ÄĻd zi", "à¸Ĥ ั", "à¸Ĥั à¹īà¸Ļ", "Ø· ÙĤ", "ĠìĹ Ń", "ãģ£ãģ¦ãģĹãģ¾ ãģĨ", "ĠdeÄŁer l", "ĠdeÄŁerl endir", "Ġü lk", "Ġмн ог", "๠ĭ", "ë¿ IJ", "ĠУ кÑĢа", "ÄŁ ini", "Ġбез оп", "Ġбезоп аÑģ", "à¸Ńà¸Ńà¸ģ à¹ģà¸ļà¸ļ", "Ø§Ø ¸", "ØŃد اث", "л еÑĢ", "×Ļ× ¥", "×Ļ׳×ĺר ׳×ĺ", "lar ınız", "ØŃÙĬ ØŃ", "ż eli", "à¸Ń ัà¸ĩ", "à¸Ńัà¸ĩ à¸ģ", "à¸Ńัà¸ĩà¸ģ ฤษ", "ĠоÑĤ лиÑĩ", "ั ส", "ëŀ į", "ож но", "ãĤ¹ ãĥĿ", "ĠÑħ оÑĩ", "Ġк ап", "еÑĩ ен", "ØŃÙĦ Ø©", "ÙĬا Ùĩ", "на л", "×ķצ ר×Ļ×Ŀ", "Ġk ald", "åĥ į", "ĠاÙĦØ´ خص", "Ġз на", "Ġwz gl", "ż ycz", "ê° Ŀ", "à¸ŀ ลัà¸ĩ", "íģ ¼", "Ġö l", "Ġb ụ", "Ø´ Ùĩر", "Ġз ам", "Ġд ев", "×Ļ×ĺ ת", "تعÙĦ ÙĤ", "ÙĪÙħ Ø©", "ãĤĴ ä½ľ", "ãģį ãģ¦", "í ĥĿ", "ras ında", "ãĤĴ æİ¢", "ĠÙħ باشر", "راج ع", "Ġв озд", "ÙħØŃ Ø§", "×ķש ר", "ĠиÑģÑĤ оÑĢ", "ม ัà¸ģ", "t ıģ", "Ø« ار", "تر ÙĨت", "à¹ģà¸Ĥ à¹ĩ", "à¹ģà¸Ĥà¹ĩ à¸ĩ", "п оÑĩ", "Ġ×ij ×IJ×ķת", "ë¯ Ģ", "ëĿ¼ ëıĦ", "à¸Ĭ ัà¸Ķ", "ส à¸ķà¹Į", "ãĥĭ ãĥĥãĤ¯", "ид енÑĤ", "Ġг ÑĢÑĥпп", "ت Ø®", "Ạł", "ย ืà¸Ļ", "ย ัà¸Ļ", "ó ry", "T Ãľ", "ãģĹ ãĤĥ", "ĠпÑĢов ед", "лÑı еÑĤ", "Ùħ Ø®", "ย à¸Ńม", "×Ľ×ł×¡ ת", "ĠاÙĦÙħ ÙĨت", "Ġol mad", "ר׼ ×ĸ×Ļ", "Ġв ÑģÑĤÑĢ", "ĠиÑģ Ñģлед", "ÑĤвеÑĢ ж", "بد ÙĪ", "еÑĢ ÑĤ", "ï» ·", "± ħ", "สัม à¸ŀัà¸Ļà¸ĺà¹Į", "ิ à¹Īà¸Ļ", "צ ×Ļ×ij", "wiÄĻ t", "Ġì° ¸", "Ġz wiÄħz", "سب ÙĪع", "ãĥĥ ãĤ°", "à¸Ľà¸¥ à¸Ńà¸Ķ", "à¸Ľà¸¥à¸Ńà¸Ķ à¸łà¸±à¸¢", "ãĤĤ ãĤĬ", "ÙĤد س", "Ġspr z", "Ġsprz eda", "Ġist edi", "Ġk hu", "Ġд ен", "Ġko ÅĦ", "Ġ×ij ×Ĺ×Ļ", "à¹Ģà¸Ĺ à¹īา", "×ķס ×Ļ×£", "ãĥĭ ãĥ¥ãĥ¼", "ĠпÑĢед оÑģÑĤ", "ĠпÑĢедоÑģÑĤ ав", "à¹Ĥ à¸Ł", "é v", "ĠاÙĦص ØŃ", "صØŃ Ø§Ø¨", "à¹Ģà¸Ī à¹ĩà¸ļ", "вл ек", "วั à¸ķ", "à¸ĸ ุ", "ãģĵãģ¨ãģĮãģ§ãģį ãģ¾ãģĻ", "ÙĤÙĬ ÙĤÙĬ", "×ķ׊ר", "Ñĭ ÑĪ", "ĠоÑĤ но", "ĠоÑĤно ÑĪ", "об илÑĮ", "Ùģ ØŃ", "ı nt", "ınt ı", "Ġ׾ ×ij×ĵ", "í İĺìĿ´ì§Ģ", "ãĥĬ ãĥ«", "ĠÙħ ساء", "×Ļ×ĺ ×ij", "ÑĮ еÑĢ", "ëĦ ·", "Ñĭ ÑĤа", "ĠоÑĩ еÑĢ", "à¸Ķ ืà¹Ī", "à¸Ķืà¹Ī ม", "ĠN gh", "ت عب", "ÙĦاÙĤ ات", "×ķ׾×ķ×Ĵ ×Ļ×Ķ", "ĠìĿ´ ê²ĥ", "Ġ×Ķ ×ijר", "ìľ µ", "à¹Ģà¸Ħล ืà¹Īà¸Ńà¸Ļ", "Ùĩ Ø©", "à¸Īำ à¹Ģà¸Ľà¹ĩà¸Ļ", "å¤ī ãģĪ", "wi ÅĽcie", "ch od", "chod zÄħ", "в ÑĢо", "×ŀ×Ĺ ×Ļר", "Ġy ı", "Ġyı ll", "ì¡ Į", "à¹Ħ หว", "ãģªãģı ãģª", "Ġзав иÑģ", "ĠìĺĪ ìĪĺ", "Ùģ Ø°", "ủ ng", "à¸ŀุ à¸Ĺà¸ĺ", "з н", "lay an", "ãĤ ¡", "à¸ģà¹ĩ à¸ķาม", "ĠsaÄŁ lam", "ร à¸ĵ", "ĠÑģ иÑĤ", "ĠÑģиÑĤ Ñĥ", "ĠاÙĦت ÙĨ", "×Ķ ×ĸ", "ĠØ· ÙĪÙĬÙĦ", "ta ÅĤ", "Ġgö rd", "å¤ī ãĤı", "ëĥ ¥", "à¸Ħà¹Ī à¸Ńย", "×IJ ×ķ×ĺ", "ëħ IJ", "ãĥ©ãĥ³ ãĤ¹", "วั à¸Ĵ", "วัà¸Ĵ à¸Ļ", "Ġol uÅŁ", "פע ×ķ׾", "Ġszczeg óÅĤ", "à¸Ħา สิ", "à¸Ħาสิ à¹Ĥà¸Ļ", "pow ied", "ĠÑĤ еб", "หà¸Ļ à¹Īวย", "Ġм ил", "ØŃ Ùĥ", "à¸Ĺ à¸Ķ", "ĠмаÑĤ еÑĢиал", "ÅĤ ow", "à¹Ģà¸ģ ีย", "ĠÑģов еÑĢ", "ãĤ ©", "à¸Ľ ริ", "Ġи Ñİ", "наÑĩ ен", "ÑĢен д", "mu ÅŁtur", "ĠпÑĢод Ñĥк", "з д", "Ñı ÑĤи", "ÑıÑĤи Ñı", "à¹Ģม ีย", "رات ÙĬج", "Ġam acı", "ש ×ķ׾", "ש×ķ׾ ×Ĺ", "สะ à¸Ńา", "สะà¸Ńา à¸Ķ", "פ×Ĵ ×¢", "عب Ø©", "d ın", "íħ Ķ", "Ġ×ŀש ×Ĺק", "Ġfi yat", "Ġз аÑı", "ĠзаÑı в", "à¹Ĥ หล", "à¹Ĥหล à¸Ķ", "à¸ģรุà¸ĩ à¹Ģà¸Ĺà¸ŀ", "צ×Ļ ×Ļף", "ìļ ±", "Ùħ ب", "Ùħب اد", "land ır", "Ġв еÑģÑĮ", "Ġh ük", "ĠÐĴ оз", "ÑĩиÑĤ Ñĭва", "ว ล", "×ķצ ×¢", "à¸Ĥà¸ĵะ à¸Ĺีà¹Ī", "ĠaÅŁ aģı", "׾×IJ ×ķ×ŀ×Ļ", "tr zym", "Ã¤ÃŁ ig", "owo ÅĽci", "ãģĿ ãĤĤ", "Ġroz wiÄħz", "ĠgÅĤ ówn", "м онÑĤ", "×ŀ ×ķ×ŀ", "ĠÑģÑĤ ан", "ÙĦا ÙĤØ©", "p rowad", "prowad zi", "ĠÑģоÑģÑĤ оÑı", "×Ļ×IJ ×ķת", "r ı", "g ı", "ãĥij ãĥij", "Ġна лиÑĩ", "×Ķ צע", "Ġ׳ ×Ķ", "à¸Ħ ัà¸ļ", "ع راض", "и ж", "Ùĩ ائÙĬ", "ãĤī ãģı", "ож еÑĤ", "Ġоб оÑĢ", "ĠобоÑĢ Ñĥд", "Ø£ سÙĦ", "à¹ĩ à¸Ķ", "ÑĢÑĥ ÑĤ", "دÙĬ ÙħÙĤ", "دÙĬÙħÙĤ را", "Ġjest e", "×ķ×ķ ×Ļר", "×ij×ĵ ×Ļק", "деÑĢж ива", "ãģĬ ãģı", "ewn ÄĻtr", "ewnÄĻtr zn", "à¸ŀ ฤ", "Ġ×IJ ×ķ×Ķ", "ת×Ĺ ×ķש", "Ġz ob", "д Ñĥм", "ĠÑģ Ñĭ", "ÙĬر ا", "ĠwiÄĻ ks", "à¹ģà¸ķà¸ģ à¸ķà¹Īาà¸ĩ", "lar aras", "lararas ı", "íĺ Ģ", "ëī ´", "×ķ×Ĵ ׾", "ĠоÑĤ меÑĤ", "ĠÑĢ ан", "ت ÙĥÙĦ", "иÑĤелÑĮ н", "à¸Ľà¸£à¸° วั", "à¸Ľà¸£à¸°à¸§à¸± à¸ķิ", "ìŀ ĸ", "мож но", "pie czeÅĦ", "pieczeÅĦ st", "ëª »", "ìĬ ¨", "×ŀס ×ŀ", "á» ¦", "ศ ิ", "ศิ ล", "ศิล à¸Ľ", "ĠÅļ w", "ãĥĥ ãĤ·ãĥ§ãĥ³", "unit Ãł", "Ġmiesz ka", "Ġmieszka ÅĦ", "pr zed", "przed si", "przedsi ÄĻb", "przedsiÄĻb ior", "à¸Ľà¸£à¸° สิà¸Ĺà¸ĺิ", "à¸Ľà¸£à¸°à¸ªà¸´à¸Ĺà¸ĺิ à¸łà¸²à¸ŀ", "ย à¹Ī", "ìķ Ļ", "รว à¸Ķ", "รวà¸Ķ à¹Ģรà¹ĩว", "å½ĵ ãģŁãĤĬ", "äl le", "Ñĥ еÑĤÑģÑı", "ã n", "ëł µ", "th è", "ãĤĴ åĪ©çĶ¨", "ì µľ", "íĵ ¨", "à¸Ĺ ัà¸ļ", "า à¸Ħม", "ãģ ĩ", "ëĤ Į", "à¹Ģà¸Ľà¸¥ à¹Īา", "â ¦", "ë ¾", "ê Ģ", "ê ĩ", "â ¡", "ðŁ Ł", "ã IJ", "â º", "á Ń", "á Ļ", "á ĵ", "á ²", "ðĵ ı", "á ¬", "â ¯", "ä ¨", "ê Ŀ", "ê «", "ð ij", "ðĵ ĥ", "ðĿ ħ", "< unk", "", "", "", "Ġع ÙĦÙī", "Ġm á»Ļt", "Ġv Ỽi", "Ġng Æ°á»Ŀi", "ĠØ¥ ÙĦÙī", "Ġnh ững", "Ġth á»ĥ", "Ġ×IJ ×ķ", "Ġ×¢ ×Ŀ", "ا Ùĭ", "Ġ à¹ģละ", "ĠÙĦ ا", "Ġnh Æ°", "ĠاÙĦت ÙĬ", "Ġ×Ķ ×ķ×IJ", "ĠÄij ến", "ĠØ£ ÙĪ", "Ġv á»ģ", "ĠlÃł m", "Ġs ẽ", "Ġc Å©ng", "Ġ ợ", "ĠÄij ó", "Ġnhi á»ģu", "Ġt ại", "Ġtr ên", "Ġ×Ĵ ×Ŀ", "Ġnh Ãł", "Ġ׼ ×Ļ", "Ġs á»±", "ĠÄij ầu", "Ġb á»ĭ", "ĠÙĩ ذا", "Ġnh ất", "Ġph ải", "Ġhi á»ĩn", "Ġdụ ng", "ĠÄij á»Ļng", "ĠاÙĦÙĦ Ùĩ", "ĠØ Į", "ĠÙĥ ÙĦ", "Ġvi á»ĩc", "Ġn Äĥm", "Ġth ì", "Ġh á»įc", "ĠÙĪ ت", "t é", "Ġا ÙĨ", "Ġt ôi", "Ġ×IJ ׳×Ļ", "Ġ׾ ×Ļ", "Ġ×ŀ ×ķ", "Ġng Ãły", "Ġn Æ°á»Ľc", "Ġ×Ķ ×Ļ×IJ", "Ġ×IJ ×Ļ", "Ġh Æ¡n", "ĠÙĩ Ø°Ùĩ", "ĠÙĪ ÙĬ", "ĠاÙĦ Ø°ÙĬ", "Ġ×ķ ×ŀ", "Ġgi á", "Ġnh ân", "Ġch ÃŃnh", "Ġm ình", "ĠÐĿ а", "Ġth ế", "Ġ×Ļ ×ķתר", "Ġ×IJ ×Ŀ", "Ġn ên", "Ġh ợ", "Ġhợ p", "Ġc òn", "ĠÙĩ ÙĪ", "Ġc Æ¡", "Ġr ất", "ĠVi á»ĩt", "Ġب عد", "Ġש ×Ļ", "Ġth á»Ŀi", "Ġc ách", "ĠÄij á»ĵng", "Ġн о", "Ġtr Æ°á»Ŀng", "Ø Ł", "ĠÄij á»ĭnh", "ĠÄiji á»ģu", "×Ļ ×Ļ×Ŀ", "Ġth á»±c", "n ın", "Ġh ình", "Ġn ói", "Ġc ùng", "Ġ×Ķ ×Ķ", "ĠØ¥ ÙĨ", "Ġ×IJ ×ij׾", "Ġnh Æ°ng", "Ġbi ết", "Ġж е", "Ġch úng", "ĠÄij ang", "ĠØ° ÙĦÙĥ", "Ġl ên", "Ġkh ách", "Ġn Ãło", "Ġs á»Ń", "Ġkh ác", "Ġë° ı", "Ġl ý", "×Ļ ×Ļ", "ĠÄij ây", "Ġ׾ ×ŀ", "Ġc ần", "Ġtr ình", "Ġph át", "ãģ« ãĤĤ", "п о", "Ġn Äĥng", "Ġb á»Ļ", "Ġv ụ", "ĠÄij á»Ļ", "Ñĩ е", "Ġnh áºŃn", "Ġtr Æ°á»Ľc", "Ġ×¢ ×ĵ", "Ġh Ãłnh", "ĠØ® ÙĦاÙĦ", "Ġl ượng", "Ġc ấp", "Ġtá» ±", "Ġv ì", "Ġt Æ°", "Ġch ất", "Ġ׼ ×ŀ×ķ", "Ġg ì", "Ġש ׳", "Ġt ế", "ת ×ķ", "Ġnghi á»ĩp", "Ġm ặt", "ĠÙĥ Ùħا", "Ġ×ij ×Ļף", "Ġר ק", "Ġth ấy", "Ġmá y", "ĠÙģ Ùī", "Ġd ân", "Ġ×IJ ×Ĺ×ĵ", "Ġt âm", "Ġ׼ ×ļ", "Ġ׾ ×ķ", "в о", "Ġt ác", "Ġto Ãłn", "ĠÙĪ Ùħ", "Ġk ết", "Ġ หรืà¸Ń", "ĠÙĪاÙĦ Ùħ", "ĠÄiji á»ĥm", "Ġ×ĸ ×ķ", "Ġ×ij ×ķ", "׼ ×ķת", "Ġh á»Ļi", "Ġb ằng", "ت Ùĩا", "Ġ׼ ×ĵ×Ļ", "Ġ×Ķ ×Ŀ", "Ġxu ất", "ĠÙĤ د", "Ġb ảo", "Ġt á»ijt", "Ġt ình", "ĠÙĩ ÙĬ", "ĠÄij á»iji", "Ġthi ết", "Ġhi á»ĩu", "Ġti ếp", "Ġt ạo", "ת ×Ķ", "Ġch ủ", "o ÅĽÄĩ", "Ġgi ú", "Ġgiú p", "Ġà ½", "Ġqu ả", "Ġlo ại", "Ġc ô", "Ġà ´", "Ġô ng", "Ġ×Ķ ×ķ", "ĠاÙĦÙĬ ÙĪÙħ", "ĠtÃŃ nh", "г а", "Ġph òng", "Ġ Äĥn", "Ġع اÙħ", "Ġv á»ĭ", "lar ını", "r ÃŃa", "Ġt Ỽi", "ĠÄij Æ°á»Ŀng", "Ġgi Ỽi", "Ġb ản", "Ġc ầu", "Ġnhi ên", "Ġb á»ĩnh", "Ġth Æ°á»Ŀng", "Ġ×IJ ×Ļף", "ĠÄij á»ģ", "Ġh á»ĩ", "Ġ×Ļש ר×IJ׾", "Ġqu á", "ĠÐĹ Ð°", "ãģ® ãģ§ãģĻãģĮ", "ĠÐŁ ÑĢи", "Ġph ần", "ĠÙĪ ÙĦا", "ĠlỼ n", "Ġtr á»ĭ", "Ġcả m", "Ġм о", "Ġd ùng", "ĠاÙĦ Ùī", "ĠعÙĦÙĬ Ùĩ", "ĠìŀĪ ìĬµëĭĪëĭ¤", "ÙĬ ÙĤ", "ĠÙĤ بÙĦ", "Ġho ặc", "ĠØŃ ÙĬØ«", "Ġ à¸Ĺีà¹Ī", "Ġغ ÙĬر", "ĠÄij ại", "Ġsá»ij ng", "нÑĭ ми", "Ġth ức", "Ġפ ×Ļ", "ĠÄiji á»ĩn", "ãģª ãģĭãģ£ãģŁ", "Ġgi ải", "Ġv ẫn", "Ġи Ñħ", "Ġö nce", "Ġv áºŃy", "Ġmu á»ijn", "Ġ ảnh", "à¹ĥà¸Ļ à¸ģาร", "ĠQu á»ijc", "Ġk ế", "׳ ×IJ", "Ġס ×Ļ", "Ġy êu", "ãģ® ãģĭ", "ĠÄij ẹ", "ĠÄijẹ p", "Ġch ức", "Ġy ıl", "ĠTür kiye", "d é", "ĠÙĤ اÙĦ", "Ġd á»ĭch", "ĠolduÄŁ u", "Ġch á»įn", "Ġت Ùħ", "หà¸Ļ ึà¹Īà¸ĩ", "ãģķãĤĮ ãģŁ", "Ġph áp", "ìĽ Ķ", "Ġti á»ģn", "ãģĹ ãģ¾ãģĹãģŁ", "Ġש ׾×IJ", "ÙĦ Ø©", "Ġ׾פ ׳×Ļ", "Ġ×ij ×Ļת", "ĠH Ãł", "ĠØŃ Øª", "ĠØŃت Ùī", "Ġ×¢ ×ķ×ĵ", "Ġn ó", "Ġth áng", "à¹Ģลืà¸Ń à¸ģ", "ר ×Ķ", "Ġt Äĥng", "Ġcá i", "Ġtri á»ĥn", "Ġ×IJ×ķת ×ķ", "ìłģ ìĿ¸", "ĠC ông", "Ġ׾×Ķ ×Ļ×ķת", "Ġг ода", "и Ñİ", "Ġب عض", "Ġ à¸ģาร", "èī¯ ãģĦ", "ÙĪ ت", "Ġli ên", "ĠÐĿ о", "ĠÐĿ е", "çļĦ ãģª", "ĠÙħ ت", "ĠÑĤак же", "ĠкоÑĤоÑĢ Ñĭе", "Ġ×Ļ ×ĵ×Ļ", "Ġtr á»įng", "ãĤµ ãĤ¤ãĥĪ", "ìłģ ìľ¼ë¡ľ", "Ġt áºŃp", "Ġש ׾×Ļ", "íķĺ ê²Į", "Ġt Ãłi", "ĠÐ ¯", "Ġr á»ĵi", "ا Ùĥ", "Ġth Æ°Æ¡ng", "Ġ×Ķ ×ĸ×Ķ", "ĠÙĪ ÙħÙĨ", "à¸Ĺีà¹Ī มี", "Ġcu á»Ļc", "Ġbü yük", "ãģ¨ ãģĭ", "Ġ×ij ×Ļ×ķתר", "Ġl ần", "Ġgö re", "Ġtr ợ", "Ġ×ĺ ×ķ×ij", "ÑĤÑĮ ÑģÑı", "Ġth á»ijng", "Ġ׼ ש", "Ġti êu", "Ġ×ŀ×IJ ×ķ×ĵ", "Ø Ľ", "k Äħ", "Ġ à¹ĥà¸Ļ", "Ġv ấn", "Ġש ׾×ķ", "ĠÄij á»ģu", "Ùģ ت", "Ġê²ĥ ìĿ´", "Ġh óa", "ĠاÙĦع اÙħ", "ĠÙĬ ÙĪÙħ", "к ой", "Ġbi á»ĩt", "ÑģÑĤ о", "Ġ×Ķ ×Ļ×ķ", "à¸Ĺีà¹Ī à¸Īะ", "Ġ×ĵ ×Ļ", "Ġ×IJ ×ļ", "Ġá n", "ص ÙĪر", "Ġtr ÃŃ", "ĠÐŁÑĢ о", "Ġl á»±c", "ãģĹãģ¦ ãģĦãģ¾ãģĻ", "Ġb Ãłi", "Ġ×ĸ ×IJת", "Ġb áo", "à¸ļ à¸Ļ", "ĠëĮĢ íķľ", "Ġti ế", "Ġtiế ng", "Ġb ên", "ãģķãĤĮ ãĤĭ", "s ión", "Ġt ìm", "×¢ ×ķ", "m é", "ни Ñı", "ãģ» ãģ©", "Ġà¹Ģà¸ŀ ราะ", "ب Ø©", "Ġë¶ Ħ", "Ġ×IJ ×ĸ", "à¸Ĺ à¹Īาà¸Ļ", "ת ×Ŀ", "Ġth êm", "Ġho ạt", "y ı", "×ĸ ×ķ", "Ġgi á»Ŀ", "Ġb án", "à¸Ĥ าย", "Ñĩ а", "Ġ à¹Ĩ", "ĠاÙĦÙħ ت", "ĠоÑĩ енÑĮ", "Ġb ất", "Ġtr ẻ", "ÑĤ ÑĢ", "ĠØ£ ÙĨÙĩ", "ĠØ« Ùħ", "Ġ׼ ×ŀ×Ķ", "Ġkh ó", "Ġr ằng", "ĠÙĪ ÙģÙĬ", "ни й", "Ġho Ãłn", "t ó", "Ġ×IJ שר", "ĠìĥĿ ê°ģ", "Ñģ а", "Ġ׼ ×ijר", "ĠÑįÑĤ ом", "lar ının", "Ġch Æ°a", "з и", "Ġd ẫn", "ĠÐļ ак", "ج ÙĪ", "ĠбÑĭ ло", "ĠÙĬ ت", "n ı", "ÅĤ am", "ĠÙĪÙĩ ÙĪ", "×ij ×ķ", "п и", "ר ת", "Ġqu á»ijc", "ж д", "ĠÄij Æ¡n", "Ùĥت ب", "Ġm ắt", "ระ à¸ļ", "ระà¸ļ à¸ļ", "ĠÙĥ اÙĨت", "Ġth ân", "สิà¸Ļ à¸Ħà¹īา", "×Ĵ ×Ļ", "Ġph Æ°Æ¡ng", "à¹Ħมà¹Ī à¹Ħà¸Ķà¹ī", "ĠìĦ ±", "ĠC ác", "Ġ×Ķ×ŀ ×ķ", "ĠÑĤ ем", "Ġ×ĵ ×ķ", "à¸Ńะ à¹Ħร", "Ġv Äĥn", "ãģª ãģ®ãģ§", "ĠN á»Ļi", "Ġ×¢ ×ķ", "ãĤīãĤĮ ãĤĭ", "Ġs áng", "Ġgö ster", "ãģĵãģ¨ ãĤĴ", "Ġtaraf ından", "Ġм а", "ĠпоÑģл е", "Ġ׳ ×Ļת", "Ġ׳×Ļת ף", "Ġл еÑĤ", "Ġ׾ ׳×ķ", "Ñģ Ñģ", "Ġ×Ļ ×ķ", "п е", "ĠÙĪ ÙĦÙĥ", "ĠÙĪÙĦÙĥ ÙĨ", "Ġngo Ãłi", "ĠÄij á»ĭa", "r zÄħd", "dz iaÅĤ", "ĠÙħ ر", "иÑĤÑĮ ÑģÑı", "Ġ×IJ×Ĺר ×Ļ", "Ġ׾ ׼׾", "à¸Ĥ à¹īà¸Ńม", "à¸Ĥà¹īà¸Ńม ูล", "Ġб ол", "Ġбол ее", "جÙħ ع", "л еÑĤ", "Ġl á»ĭch", "ĠÙħ Ø«ÙĦ", "Ġ그리 ê³ł", "Ġth ứ", "ĠdeÄŁ il", "ÙĪ ØŃ", "Ġש׾ ×ļ", "ĠÙħ ØŃÙħد", "Ġn ếu", "ĠÄij á»ķi", "Ġv ừa", "Ġm á»įi", "Ġо ни", "Ġl úc", "ĠÙĬ ÙĥÙĪÙĨ", "ì§ Ī", "Ġש׾ ׳×ķ", "ĠÐĶ о", "Ġש ׳×Ļ", "ล ิ", "×IJ פשר", "Ġs ức", "ê¶ Į", "Ġ ứng", "à¹Ħมà¹Ī มี", "Ø·ÙĦ ب", "ĠÑĩ ем", "Ġch uyên", "Ġth ÃŃch", "Ġ×ķ ×Ļ", "íķ ©", "ĠÙħ صر", "д о", "ĠÄij ất", "Ġch ế", "à¸Ĭ ืà¹Īà¸Ń", "Ġìĭ ł", "ĠØ¥ ذا", "Ġر ئÙĬس", "Ġש ×Ļש", "Ġgiả m", "Ñģ ка", "lar ında", "Ġs ợ", "ĠtÃŃ ch", "ĠÙĦ ÙĥÙĨ", "Ġب Ùħ", "×¢ ×ķ×ij", "×¢×ķ×ij ×ĵ", "ÅĤÄħ cz", "ları na", "Ġש ×Ŀ", "ĠÙĦ ت", "Ġש×Ķ ×ķ×IJ", "t ów", "Ġëĭ¤ 른", "ĠØ£ Ùĥثر", "ãģ® ãģ§ãģĻ", "׼ ×Ļ×Ŀ", "ĠolduÄŁ unu", "ãģĭ ãģª", "ãĤĤ ãģĨ", "ÙĬ ØŃ", "Ġnh ìn", "Ġngh á»ĩ", "ãģ«ãģª ãģ£ãģ¦", "п а", "Ġquy ết", "ÙĦ ÙĤ", "t á", "Ġlu ôn", "ĠÄij ặc", "Ġ×IJ ר", "Ġtu á»ķi", "s ão", "ìĻ ¸", "ر د", "ĠبÙĩ ا", "Ġ×Ķ×Ļ ×ķ×Ŀ", "×ķ ×ķ×Ļ", "ãģ§ãģĻ ãģŃ", "ĠÑĤ ого", "Ġth ủ", "ãģĹãģŁ ãģĦ", "ر ÙĤ", "Ġb ắt", "г Ñĥ", "Ġtá» Ń", "ÑĪ а", "Ġ à¸Ľà¸µ", "Ġ×Ķ×IJ ×Ŀ", "íı ¬", "ż a", "Ġ×IJת ×Ķ", "Ġn á»Ļi", "Ġph ÃŃ", "ĠÅŁek ilde", "Ġl á»Ŀi", "d ıģı", "Ġ׼×IJ ף", "Ġt üm", "Ġm ạnh", "ĠM ỹ", "ãģĿ ãĤĵãģª", "Ġnh á»ı", "ãģª ãģĮãĤī", "Ġb ình", "ı p", "à¸ŀ า", "ĠÄij ánh", "ĠÙĪ ÙĦ", "ר ×ķת", "Ġ×IJ ×Ļ×ļ", "Ġch uyá»ĥn", "Ùĥ ا", "ãĤĮ ãĤĭ", "à¹ģม à¹Ī", "ãĤĪ ãģı", "ĠÙĪ ÙĤد", "íĸ Īëĭ¤", "Ġn Æ¡i", "ãģ«ãĤĪ ãģ£ãģ¦", "Ġvi ết", "Ġà¹Ģà¸ŀ ืà¹Īà¸Ń", "ëIJĺ ëĬĶ", "اد ÙĬ", "ĠÙģ Ø¥ÙĨ", "ì¦ Ŀ", "ĠÄij ặt", "Ġh Æ°á»Ľng", "Ġx ã", "Ġönem li", "ãģł ãģ¨", "Ġm ẹ", "Ġ×ij ×Ļ", "Ġ×ĵ ×ijר", "Ġv áºŃt", "ĠÄij ạo", "Ġdá»± ng", "ĠÑĤ ом", "ĠÙģÙĬ Ùĩا", "Ġج ÙħÙĬع", "Ġthu áºŃt", "st ÄĻp", "Ġti ết", "Ø´ ÙĬ", "Ġе Ñīе", "ãģĻãĤĭ ãģ¨", "ĠmÃł u", "ĠÑįÑĤ ого", "Ġv ô", "ĠÐŃ ÑĤо", "Ġth áºŃt", "Ġn ữa", "Ġbi ến", "Ġn ữ", "Ġ׾ ׼×Ŀ", "×Ļ ×Ļף", "Ġس ت", "ĠÐŀ ÑĤ", "Ġph ụ", "ê¹Į ì§Ģ", "Ġ׾ ×ļ", "Ġk ỳ", "à¹ĥ à¸Ħร", "Ġg ây", "ĠÙĦ ÙĦÙħ", "Ġtụ c", "ت ÙĬÙĨ", "Ġtr ợ", "Ġ׾ פ×Ļ", "Ġb á»ij", "ĠÐļ а", "ĠÄij ình", "ow Äħ", "s ında", "Ġkhi ến", "s ız", "Ġк огда", "ס ׾", "ĠбÑĭ л", "à¸Ļ à¹īà¸Ńย", "обÑĢаР·", "Ġê²ĥ ìĿ´ëĭ¤", "ëĵ¤ ìĿĢ", "ãģ¸ ãģ®", "Ġà¹Ģม ืà¹Īà¸Ń", "Ġph ục", "Ġ׊׾ק", "Ġh ết", "ĠÄij a", "à¹Ģà¸Ķà¹ĩ à¸ģ", "íĺ ķ", "l ÃŃ", "ê¸ ī", "Ġع دد", "ĠÄij á»ĵ", "Ġg ần", "Ġ×Ļ ×ķ×Ŀ", "Ġs Ä©", "ÑĢ Ñıд", "Ġquy á»ģn", "Ġ×IJ ׾×IJ", "Ùĩ Ùħا", "׳ ×Ļ×Ķ", "׾ ×ķת", "Ġ×Ķר ×ij×Ķ", "Ġti ên", "Ġal ın", "Ġd á»ħ", "人 ãģĮ", "но Ñģ", "л ÑģÑı", "ĠÄij Æ°a", "ส าว", "иÑĢов ан", "Ġ×ŀס פר", "×Ĵ ף", "Ġki ến", "ĠÐ ¨", "p é", "б Ñĥ", "ов ой", "б а", "ĠØ¥ ÙĦا", "×IJ ׾×Ļ", "Ġx ây", "Ġb ợi", "Ġש ×ķ", "人 ãģ®", "ק ×Ļ×Ŀ", "à¹Ģà¸Ķ ืà¸Ńà¸Ļ", "Ġkh á", "Ġ×ķ ׾×Ķ", "×ĵ ×ķת", "Ġ×¢ ×ij×ķר", "Ġبش ÙĥÙĦ", "ĠÙĩÙĨا Ùĥ", "ÑĤ ÑĢа", "Ġ íķĺëĬĶ", "ร à¸Ńà¸ļ", "owa ÅĤ", "h é", "Ġdi á»ħn", "Ġ×Ķ ׼׾", "ĠØ£ س", "Ġch uyá»ĩn", "ระ à¸Ķัà¸ļ", "ĠNh ững", "Ġ×IJ ×Ĺת", "ĠØŃ ÙĪÙĦ", "л ов", "׳ ר", "Ġ×ķ ׳", "Ġch Æ¡i", "Ġiç inde", "ÑģÑĤв Ñĥ", "Ġph á»ij", "ĠÑģ Ñĥ", "ç§ģ ãģ¯", "Ġch ứng", "Ġv á»±c", "à¹ģ à¸Ń", "Ġl áºŃp", "Ġtừ ng", "å°ij ãģĹ", "ĠNg uy", "ĠNguy á»ħn", "ĠÙģÙĬ Ùĩ", "Ġб а", "×Ļ ×Ļת", "Ġ×ľ×¢ ש×ķת", "Ġ×ŀ ׼", "Ġnghi á»ĩm", "Ġм ного", "Ġе е", "ëIJĺ ìĸ´", "Ġl ợi", "Ġ׾ ׾×IJ", "Ġ׼ ף", "Ġch ÃŃ", "ãģ§ ãģ®", "×Ĺ ×ķ", "ש ×ķ×Ŀ", "Ġ×ŀ ר", "ĠÐĶ лÑı", "Å ģ", "Ġ׼×IJ שר", "ĠM á»Ļt", "ĠÙĪاÙĦ ت", "ĠìĿ´ 룰", "ÅŁ a", "Ġchi ến", "Ġaras ında", "Ġ×ij ×IJתר", "ãģķãĤĮ ãģ¦ãģĦãĤĭ", "Ø´ ÙĥÙĦ", "Ġt ượng", "Ġت ت", "ĠC ó", "Ġb á»ı", "Ġtá»ī nh", "Ġkh ÃŃ", "ĠпÑĢ оÑģÑĤ", "ĠпÑĢоÑģÑĤ о", "ĠÙĪ ÙĤاÙĦ", "Ġgi áo", "ĠN ếu", "×IJ ×ŀר", "×¢×ł×Ļ ×Ļף", "íİ ¸", "Ùĩد Ùģ", "ĠB á»Ļ", "Ġb Ãłn", "Ġng uyên", "Ġgü zel", "ส าย", "ì² ľ", "×ŀ ×ķר", "Ġph ân", "ס פק", "ק ×ij׾", "ĠاÙĦÙħ تØŃ", "ĠاÙĦÙħتØŃ Ø¯Ø©", "ائ د", "Ġ×IJ ×ŀר", "Ġki ÅŁi", "ì¤ Ģ", "Ġtr uyá»ģn", "ĠÙĦ Ùĩا", "ĠÐľ а", "à¸ļริ ษ", "à¸ļริษ ั", "à¸ļริษั à¸Ĺ", "Ġש ׳×Ļ×Ŀ", "Ġмен Ñı", "ÅŁ e", "Ġdi á»ĩn", "Ġ×IJ׳ ×Ĺ׳×ķ", "k ü", "Ġc á»ķ", "Ġm á»Ĺi", "w ä", "Ùħ ÙĬ", "Ġhi á»ĥu", "ëĭ ¬", "Ġ×Ķ ×Ĺ׾", "Ġt ên", "Ġki á»ĩn", "ÙĨ ÙĤÙĦ", "Ġv á»ĩ", "×ĵ ת", "ĠÐłÐ¾ÑģÑģ ии", "л Ñĥ", "ĠاÙĦع ربÙĬØ©", "ĠØ· رÙĬÙĤ", "Ġ×Ķ×ij ×Ļת", "Ñģ еÑĢ", "Ġм не", "ä u", "Ġtri á»ĩu", "ĠÄij ủ", "Ġר ×ij", "ت ÙĩÙħ", "à¸ĭ ี", "Ġì§Ģ ê¸Ī", "li ÅĽmy", "د عÙħ", "ãģł ãĤįãģĨ", "Ñģки е", "Ġh á»ıi", "Ġק ×ķ", "ÑĢÑĥ Ñģ", "ÙĨ ظر", "ãģ® ãĤĤ", "Ġ×Ķ ׼×Ļ", "ĠìĽ IJ", "ÙĪ Ùĩ", "ĠÙĪ Ùİ", "ĠB ạn", "п лаÑĤ", "Ġ×ŀ ×ŀש", "лÑİ Ð±", "ĠнÑĥж но", "Ġth Æ°", "ãģ µ", "ãģı ãĤīãģĦ", "ر Ø´", "ר ×ķ×Ĺ", "ĠÙĬ تÙħ", "Ġצר ×Ļ×ļ", "Ġph á", "ม à¸Ńà¸ĩ", "Ġ×ij×IJ ×ķפף", "Ġcả nh", "Ġíķľ ëĭ¤", "Ġ×Ķ×ŀ ת", "à¸ķà¹Īาà¸ĩ à¹Ĩ", "มี à¸ģาร", "Ñģки Ñħ", "ĠÐĴ Ñģе", "Ġا ÙĪ", "ج ÙĬ", "ãģĵãģ¨ ãģ¯", "Ġd Ãłi", "Ġh á»ĵ", "èĩªåĪĨ ãģ®", "à¹Ħ หà¸Ļ", "ëĵ¤ ìĿĦ", "ĠV Äĥn", "Ġд аж", "Ġдаж е", "Ñĭ ми", "лаÑģ ÑĮ", "ÙĬ ÙĪÙĨ", "ÙĨ ÙĪ", "c ó", "ãģĹãģ¦ ãģĦãģŁ", "ãģł ãģĭãĤī", "طاÙĦ ب", "Ġc á»Ńa", "п ÑĢоÑģ", "ãģªãģ© ãģ®", "รุ à¹Īà¸Ļ", "Ġchi ếc", "л Ñĭ", "ĠÑıвлÑı еÑĤÑģÑı", "Ġn á»ķi", "ãģ® ãģĬ", "Ġ×IJת ×Ŀ", "ĠëķĮ문 ìĹIJ", "à¸ģล าà¸ĩ", "ĠbaÅŁ ka", "ìĦ Ŀ", "ĠÑĨ ел", "Ùģ ÙĤ", "ãģ«ãĤĪ ãĤĭ", "ÙĤ ا", "Ġçı kar", "Ġcứ u", "Ø· ا", "Ġש ת", "à¹Ĥ à¸Ħ", "Ġ×ŀ ׾", "Ġ×Ķ פר", "Ġг де", "ĠØ® Ø·", "åīį ãģ«", "c jÄĻ", "Ġ׊ש×ķ×ij", "ר×Ĵ ×¢", "Ġkho ảng", "ĠÄij á»Ŀi", "ĠÐł е", "Ġо на", "Ġ×IJ ׳×ķ", "ãģ® ãģ«", "ĠاÙĦØ° ÙĬÙĨ", "кÑĥ п", "ãĤµ ãĥ¼ãĥ", "ãĤµãĥ¼ãĥ ĵ", "ãĤµãĥ¼ãĥĵ ãĤ¹", "в ал", "г е", "Ġgi ữa", "ĠKh ông", "ĠâĹ ĭ", "à¸ģล ุà¹Īม", "ĠÙħÙĨ Ø°", "à¸Ń à¹Īาà¸Ļ", "ĠÑģп оÑģоб", "ĠÄij á»Ļi", "Ġdi ÄŁer", "Ġ à¸ĸà¹īา", "Ùħ Ø«ÙĦ", "Ġ×Ķ×IJ ×Ļ", "Ġد ÙĪÙĨ", "ÙĬر اÙĨ", "Ñī и", "بÙĨ اء", "ĠØ¢ خر", "ظ Ùĩر", "Ġ×ij ׼", "ĠاÙĦÙħ ع", "ãĥ Ĵ", "Ġt ất", "Ġm ục", "ĠdoÄŁ ru", "ãģŁ ãĤī", "Ġס ×ķ", "Ġx ác", "ร à¸Ń", "ĠcÄĥ n", "Ġон л", "Ġонл айн", "Ġk ý", "Ġch ân", "Ġ à¹Ħมà¹Ī", "اØŃ Ø©", "r án", "׳×Ļ ×Ļ×Ŀ", "Ġ×ij ף", "ĠÐ ĸ", "à¸ķร à¸ĩ", "д Ñĭ", "Ġs ắc", "ÙĦ ت", "ãĥŃ ãĥ¼", "ĠÙĦ ÙĨ", "Ġר ×ķ", "Ġd Æ°á»Ľi", "à¹Ģ à¸ĺ", "à¹Ģà¸ĺ à¸Ń", "e ÄŁi", "Ġ×ķ ש", "ĠÙĦ Ø£", "Ġg ặp", "Ġc á»ij", "ãģ¨ ãģ¦ãĤĤ", "رÙĪ س", "Ġ׾×Ķ ×Ļ", "Ġë³ ¸", "ä¸Ĭ ãģĴ", "Ġm ức", "Ñħ а", "Ġìŀ ¬", "à¸ī ัà¸Ļ", "ÑĢÑĥ ж", "Ġaç ık", "ÙĪ اÙĦ", "Ġ×ĸ ×ŀף", "人 ãģ¯", "ع ÙĬÙĨ", "Ñı Ñħ", "Ġ×Ĵ×ĵ ×ķ׾", "ר ×ķ×ij", "g ó", "ëĿ¼ ê³ł", "Ġark adaÅŁ", "ÙĨ شر", "Ġгод Ñĥ", "ĠболÑĮ ÑĪе", "ãģ¡ãĤĩ ãģ£ãģ¨", "Ġcâ u", "Ġs át", "íĶ ¼", "Ġti ến", "íķ´ ìķ¼", "ĠÙĪ Ø£ÙĨ", "à¸Ļ าà¸Ļ", "Ġ×ij×IJ×ŀ צע", "Ġ×ij×IJ×ŀצע ×ķת", "Ġ׾ ר", "Ġqu ản", "ĠÙĪاÙĦ Ø£", "Ġ×IJ×ķת ×Ķ", "Ġìĸ´ëĸ ¤", "Ġê²ĥ ìĿĢ", "ØŃس ÙĨ", "Ġm ất", "à¸Ħ ูà¹Ī", "ãĥ¬ ãĥ¼", "ĠÐĶ а", "Ġol ması", "Ġthu á»Ļc", "׳ ×Ĺ", "íĨ ł", "Ġsö yle", "ãģĿãģĨ ãģ§ãģĻ", "Ġت ÙĥÙĪÙĨ", "л ÑĥÑĩ", "׾ ×Ļ×ļ", "ĠØ£ ØŃد", "ли ÑģÑĮ", "ĠвÑģ его", "Ġ×Ķר ×ij", "Ġëª »", "o ÄŁ", "oÄŁ lu", "ĠìĦ ł", "Ġк аÑĢ", "à¸łà¸² à¸Ħ", "e ÅĦ", "Ġ à¸ģà¹ĩ", "Ġa ynı", "Ġb Ãł", "ãģªãĤĵ ãģ¦", "Ġ모 ëĵł", "ÙĤر ار", "ãģĹãģª ãģĦ", "ĠÐĴ о", "ĠÙĪÙĩ ÙĬ", "ни ки", "ãĤĮ ãģŁ", "Ġchu ẩn", "ר ×¢", "Ùģ رÙĬÙĤ", "ãĤĴ åıĹãģij", "ĠÄij úng", "б е", "׼ ×ķ×Ĺ", "п Ñĥ", "Ġ×ķ ×Ĵ×Ŀ", "×ŀ ׳×Ļ", "íĸ ¥", "צ ×Ļ×Ŀ", "à¸ĭ ิ", "Ùĩ ÙĨ", "н ем", "Ġ×ij×ij ×Ļת", "ر ع", "Ġ ส", "ĠÄIJ Ãł", "íķĺ ëĭ¤", "Ġ ấy", "×Ĺ ×ķ×ĵ", "×Ĺ×ķ×ĵ ש", "ĠÑĩеÑĢ ез", "Ñĥ л", "ĠB ình", "Ġê²ĥ ìĿĦ", "Ġ×Ĵ ר", "ä»ĺ ãģij", "×Ĺ׾ ק", "Ġت ÙĦÙĥ", "à¹ĥส à¹Ī", "sz Äħ", "ÙĤ اÙħ", "د ÙĪر", "ĠÙģ ÙĤØ·", "Ġh ữu", "Ġмог ÑĥÑĤ", "Ġg á»įi", "Ġק ר", "à¸Īะ มี", "ت ÙĤدÙħ", "Ġع بر", "Ġ׾×Ķ ×Ŀ", "ĠÑģам о", "ס ×ĵר", "Ġc Ãłng", "r ÃŃ", "Ġìŀ ¥", "ëĵ¤ ìĿĺ", "ĠÙĦ Ùĥ", "п оÑĢÑĤ", "Ġkh ả", "ĠÑģеб Ñı", "׳ ף", "Ġد ÙĪر", "Ġm ợ", "Ġcâ y", "Ġf ark", "Ġfark lı", "а ÑİÑĤ", "Ġtr á»±c", "wiÄĻks z", "Ġthu á»ijc", "Ġت ØŃت", "ت ÙĦ", "ов Ñĭе", "ëĤ ł", "Ġв ам", "بÙĦ غ", "Ġê°Ļ ìĿĢ", "íĮ IJ", "ÙĦ ب", "Ġnas ıl", "Ġод ин", "м ан", "ĠعÙĦÙĬ Ùĩا", "б и", "Ġפ ש×ķ×ĺ", "×ijר ×Ļ", "Ġש ׳×Ķ", "Ġëı Ħ", "ĠÄIJ ại", "Ġ×IJ×ķת ×Ŀ", "ĠاÙĦØŃ Ø±", "Ġб о", "à¸Ī ุà¸Ķ", "Ġr õ", "ĠdeÄŁi ÅŁ", "Ġëĭ ¨", "ĠÑģлÑĥÑĩ а", "ĠÑģлÑĥÑĩа е", "Ġ×IJ׳ ש×Ļ×Ŀ", "×ĵ ×£", "ש×ij ת", "Ġש׾ ׼×Ŀ", "Ġch ú", "nik ów", "Ġtan ı", "Ġcá o", "ĠÄij á", "Ġ×IJ ×ĵ×Ŀ", "Ġê° ķ", "Ġnhi á»ĩm", "Ġ׾ ס", "Ġ×Ľ×ª ×ij", "Ġ×Ķס פר", "ĠÄij Äĥng", "Ġë ijIJ", "à¸ľ ิ", "à¸ľà¸´ ว", "ج ا", "Ġê° IJ", "ر Ø£", "ست خدÙħ", "ãģ«ãģªãĤĬ ãģ¾ãģĻ", "Ġtá» ·", "×ĺ ×ķר", "г овоÑĢ", "Ġв оÑģ", "ĠÙħÙĨ Ùĩا", "иÑĢов аÑĤÑĮ", "ĠÄij ầy", "׳ ×Ĵ", "ĠÙħ ÙĪ", "ĠÙħ ÙĪÙĤع", "ר׼ ×Ļ", "ت Ùı", "ëª ¨", "Ġת ×ķ", "ÙĬا Ùĭ", "à¹ĥ à¸Ķ", "ãĤĬ ãģ¾ãģĻ", "à¸Ńยูà¹Ī à¹ĥà¸Ļ", "ĠØ£ ÙĪÙĦ", "ĠØ£ خرÙī", "Ġc Æ°", "ص ار", "×ŀ׊ש×ij", "б ÑĢа", "ÅĦ ski", "б ÑĢ", "ĠÙĬ Ùı", "à¸ģ ิà¸Ļ", "Ġch á»ijng", "Ùħ Ùı", "Ġ à¸Ħืà¸Ń", "Ġت ÙĨ", "t ÃŃ", "y Äĩ", "Ġm ạng", "Ùģ ÙĪ", "Ġdü nya", "ק ר×IJ", "Ġק ׾", "ĠØŃ Ø§ÙĦ", "c ÃŃa", "Ġà¹Ģ รา", "Ġר ×ķצ×Ķ", "Ġá p", "ë° ķ", "ا ÙĤØ©", "ни Ñİ", "Ġ×IJ ׾×ķ", "Ġ×ŀס ×ķ", "ãģ§ãģ¯ ãģªãģı", "Ġtr ả", "Ġק שר", "mi ÅŁtir", "Ġl Æ°u", "Ġh á»Ĺ", "ĠбÑĭ ли", "Ġl ấy", "عÙĦ Ùħ", "Ġö zel", "æ°Ĺ ãģĮ", "Ġ×ĵ ר×ļ", "Ùħ د", "s ını", "׳ ×ķש×IJ", "r ów", "Ñĩ еÑĢ", "êµIJ ìľ¡", "ĠÐľ о", "л ег", "ĠV Ỽi", "วัà¸Ļ à¸Ļีà¹ī", "ÑİÑī ие", "ãģĬ ãģĻ", "ãģĬãģĻ ãģĻ", "ãģĬãģĻãģĻ ãĤģ", "ëı ħ", "Ġ×Ļ×Ķ ×Ļ×Ķ", "×ŀ ×ĺר", "Ñı ми", "Ġl á»±a", "ĠÄij ấu", "à¹Ģส ียà¸ĩ", "Ġt Æ°Æ¡ng", "ëĵ ±", "ĠÑģÑĤ аÑĢ", "à¹ĥ à¸ļ", "ว ัà¸Ķ", "ĠÄ° stanbul", "Ġ à¸Īะ", "à¸ķ ลาà¸Ķ", "Ġب ÙĬ", "à¹ģà¸Ļ ะ", "à¹ģà¸Ļะ à¸Ļำ", "س اعد", "Ġب Ø£", "Ġki á»ĥm", "ØŃ Ø³Ø¨", "à¸Ĭั à¹īà¸Ļ", "Ġ×ķ ×¢×ķ×ĵ", "ов ÑĭÑħ", "оÑģ нов", "Ġtr Æ°á»Łng", "צ ×ij×¢", "ĠÃŃ t", "Ġk ỹ", "cr é", "Ñı м", "êµ °", "ãģĮ ãģªãģĦ", "ÙĬÙĦ Ø©", "ãĥķ ãĤ£", "ر Ùī", "ĠÙĬ جب", "Ġ×IJ ×£", "Ġc á»±c", "ãĤīãĤĮ ãģŁ", "Ġ à¸ľà¸¹à¹ī", "Ġ à¸Ń", "lar ımız", "Ġkad ın", "Ġê·¸ ëŀĺ", "Ġê·¸ëŀĺ ìĦľ", "ĠëĺIJ ëĬĶ", "ĠÄij ả", "ĠÄijả m", "Ġ×IJ ×ķ×ŀר", "Ġy ếu", "ci Äħ", "ciÄħ g", "Ġt á»ij", "Ġש×IJ ׳×Ļ", "Ġdz iaÅĤa", "Ñī а", "ĠÄij Ãłn", "s ına", "ãģĵãĤĮ ãģ¯", "Ġ×ij ׾×Ļ", "Ġ×ij ×Ļשר×IJ׾", "л оÑģÑĮ", "Ġgi ữ", "ê° IJ", "ÑĢ он", "تج ار", "г лав", "в ин", "Ġh ạn", "Ġyapı lan", "ب س", "Ġ à¸ŀรà¹īà¸Ńม", "ê´Ģ 리", "mÄ±ÅŁ tır", "b ü", "r ück", "ĠBaÅŁkan ı", "ĠÙĦ ÙĬس", "Ġs Æ¡", "à¸Īัà¸ĩ หว", "à¸Īัà¸ĩหว ัà¸Ķ", "د اء", "Ġ×Ķ ׼", "v ÃŃ", "ש ×IJר", "Ġh Æ°á»Łng", "Ġb óng", "ĠCh ÃŃnh", "Äħ c", "à¹Ģà¸ģีà¹Īยว à¸ģัà¸ļ", "Ġtá» ©", "Ġtứ c", "ĠÑĨ веÑĤ", "Ġt á»iji", "ĠnghÄ© a", "ÙĦا عب", "د ÙĦ", "Ġפע ×Ŀ", "h ör", "à¸Ĭ ุà¸Ķ", "à¸ŀ ู", "à¸ŀู à¸Ķ", "п аÑģ", "ĠÅŁ u", "Ġt Æ°á»Łng", "خار ج", "Ġâ m", "ĠинÑĤеÑĢ еÑģ", "ен нÑĭÑħ", "×IJ ׳×Ļ", "بد Ø£", "ëĿ¼ ëĬĶ", "ì¹ ´", "æĸ¹ ãģĮ", "ли в", "Ġ à¸Ħà¸Ļ", "ער ×ļ", "à¸Ĥà¸Ńà¸ĩ à¸Ħุà¸ĵ", "п ад", "Ġc ạnh", "ĠëĤ ¨", "ĠÄij âu", "Ġbi á»ĥu", "ãĤĤ ãģĤãĤĭ", "׾ ×Ĵ", "Ġ สำหรัà¸ļ", "Ġxu á»ijng", "ס ×ķ", "ĠØ° ات", "ĠÐľ е", "ع اÙĦÙħ", "×IJ ס", "ب ÙĬØ©", "Ø´ ا", "и ем", "ĠNg Æ°á»Ŀi", "íĺ ij", "Ñģл ов", "Ġп а", "Ġm ẫu", "ĠпÑĢоÑĨ еÑģÑģ", "ĠNh Ãł", "пÑĢо из", "пÑĢоиз вод", "à¸łà¸²à¸¢ à¹ĥà¸Ļ", "Ġ à¸ļาà¸Ĺ", "×ŀ ׳×ķ", "ĠоÑĢг ан", "רצ ×ķ", "×ķ×ŀ ×Ļ×Ŀ", "Ġyaz ı", "Ġd ù", "ãĥ¬ ãĥ³", "ÙĪÙĦ ÙĬ", "ย ู", "Ġtr ò", "à¹Ģà¸ŀ ลà¸ĩ", "Ġ×ŀ ׾×IJ", "à¸ķ ล", "à¸ķล à¸Ńà¸Ķ", "ĠÄij ạt", "Ġ×Ĺ×ĵ ש", "p óÅĤ", "Ġ×ŀ ×ĵ×Ļ", "ujÄħ c", "×ŀ׳×Ķ ׾", "Ġש×ij ×ķ", "Ġ×Ķ×ŀש פ×ĺ", "Ġ×IJ ׾×Ķ", "ĠÙĪ Ø°ÙĦÙĥ", "à¹Ģà¸ŀ ราะ", "ĠÄijo Ãłn", "Ġíķ¨ ê»ĺ", "Ġd ục", "Ø´ ت", "Ġ ula", "Ġula ÅŁ", "Ġqu ý", "Ġ×Ķ ×Ĵ×ĵ×ķ׾", "à¸ķัà¹īà¸ĩ à¹ģà¸ķà¹Ī", "Ġש ר", "Ø´ Ùĩد", "׳ ש×Ļ×Ŀ", "à¸ŀ ล", "رÙĪ ا", "ãĤĮ ãģ¦", "Ġн иÑħ", "Ġдел а", "ãģ§ãģį ãģªãģĦ", "ÅĤo ż", "×IJ ×Ĺר", "ì ½Ķ", "ãĤ¢ ãĥĥãĥĹ", "د Ùģع", "Ġti á»ĩn", "Ġkh á»ı", "Ġkhá»ı e", "ĠاÙĦع اÙħØ©", "ãģ« ãģĤãĤĭ", "ĠÄij á»Ļc", "ì¡ ±", "Ġc ụ", "й ÑĤе", "Ġзак он", "ĠпÑĢо екÑĤ", "ìĸ ¸", "ÙĦ ØŃ", "ĠçalÄ±ÅŁ ma", "ãĤĴ ãģĻãĤĭ", "Ñħ и", "ع اد", "Ġ׳ ×ŀצ×IJ", "Ġר ×Ļ", "à¸Ńà¸Ńà¸ģ มา", "ĠT ôi", "Ġth ần", "ĠÙĬ ا", "ล าย", "Ġав ÑĤо", "Ġsı ra", "ĠÙĥ Ø«ÙĬر", "Ùħ ÙĬز", "ĠاÙĦع ÙĦÙħ", "æĸ¹ ãģ¯", "×ķ×¢ ×ĵ", "Ġобла ÑģÑĤи", "×Ļ׾ ×Ļ×Ŀ", "ãģĮ åĩº", "à¸ĺ ุ", "à¸ĺุ ร", "à¸ĺุร à¸ģิà¸Ī", "ÙĤت ÙĦ", "ר×IJ ×ķ", "Ġng u", "Ġngu á»ĵn", "Ġ มา", "Ġпл ан", "t ório", "Ġcu á»iji", "Ñģк ом", "ĠاÙĦÙħ اض", "ĠاÙĦÙħاض ÙĬ", "Ġ×ij×¢ ׾", "Ġר ×ij×Ļ×Ŀ", "Ġlu áºŃn", "Ùĥ ÙĪ", "à¸Ĺัà¹īà¸ĩ หมà¸Ķ", "в ан", "Ġtho ại", "à¹Ħ à¸Ń", "б иÑĢ", "ĠاÙĦ ض", "ت ا", "ĠÑĢ од", "ĠV Ãł", "×ŀ ×Ļף", "ĠбÑĭ ла", "к ами", "ĠÐĶ е", "t ık", "קר ×Ļ", "ĠeÄŁ itim", "ĠÙĥ بÙĬر", "ب Ùĥ", "ĠÙĦ ÙĪ", "в ой", "Ġ ãģĵãģ®", "ĠÑĤ ÑĢÑĥд", "my ÅĽl", "Ġs Æ°", "à¸ŀ ีà¹Ī", "Ġ à¹ģลà¹īว", "×¢ ק", "Ġ×Ĺ×ijר ת", "ระ หว", "ระหว à¹Īาà¸ĩ", "×Ļ ×Ļ×Ķ", "ĠاÙĦÙĨ اس", "ün ü", "Ġ׾ ×ŀ×Ķ", "Ġch Æ°Æ¡ng", "ĠH á»ĵ", "ار ت", "ãĤĪãģĨ ãģ§ãģĻ", "l á", "ק×Ļ ×Ļ×Ŀ", "æľ¬ å½ĵ", "æľ¬å½ĵ ãģ«", "ãģĵãĤĵ ãģª", "Ñģ ов", "Ġ×ķ ×Ĺ", "à¹Ģà¸ģ à¹ĩà¸ļ", "Ġк ÑĤо", "à¹Ĥร à¸Ħ", "ĠØ´ رÙĥØ©", "ع زÙĬ", "عزÙĬ ز", "Ø·ÙĦ ÙĤ", "п ÑĥÑģÑĤ", "Ùģ تØŃ", "ëŀ Ģ", "Ġhã y", "ض Ùħ", "ë¦ °", "åł´åIJĪ ãģ¯", "ãĤª ãĥ¼", "Ġh ắn", "Ġ×IJ ×ij×Ļ×ij", "Ġש׾×Ķ ×Ŀ", "Ġ×Ķ×Ļ ×Ļת×Ķ", "ĠاÙĦد ÙĪÙĦØ©", "ĠاÙĦ ÙĪÙĤ", "ĠاÙĦÙĪÙĤ ت", "ãģĤ ãģ¾ãĤĬ", "Ġta ÅŁÄ±", "Ä° N", "×¢ סק", "ãģ¦ ãģĦãģŁ", "Ġtá»ķ ng", "ĠاÙĦØ¥ ÙĨس", "ĠاÙĦØ¥ÙĨس اÙĨ", "ÑĢ еÑĪ", "Ġg ái", "ĠÑĨ ен", "ĠÙģ ÙĤد", "Ùħ ات", "ãģķãĤĵ ãģ®", "Ġph ù", "×ĺ ×Ķ", "ĠÙĪاÙĦ تÙĬ", "Ġب Ùĥ", "ìĿ´ ëĤĺ", "к Ñģ", "Ùħ ÙĬر", "Ġv ùng", "ĠاÙĦØ´ عب", "ĠNh Æ°ng", "ãĥĢ ãĥ¼", "Ġ×Ĺ×Ļ ×Ļ×Ŀ", "ĠØ´ خص", "ק ×ķ×ĵ", "ê² Ģ", "×¢ ש", "×¢ ×ķ׾×Ŀ", "צ ×ķר", "ع ÙĤد", "ĠiÅŁ lem", "Ġ×Ķ×ij ×IJ", "Ġd ưỡng", "à¸Ł รี", "Ġph ÃŃa", "ãģ®ä¸Ń ãģ§", "Ġп и", "Ġng Ãłnh", "ним а", "ĠÙĩ ÙĦ", "Ġ×ķ ×IJת", "ĠÄij áng", "é quipe", "ĠÑįÑĤ оÑĤ", "Ġgö rev", "ë§ ¤", "Ġqu ân", "å¼ķ ãģį", "æĻĤ ãģ«", "Ġب Ùħا", "×ŀ ×Ļת", "Ġü lke", "Ġ×ŀק ×ķ×Ŀ", "×ij ף", "æ°Ĺ æĮģãģ¡", "Ġë§İ ìĿĢ", "Ġyük sek", "ÑĨ енÑĤÑĢ", "ĠÙħ جÙĦس", "ç§ģ ãģ®", "ÙĤد ر", "Ġë¶Ģ ë¶Ħ", "Ġì° ¨", "خر ج", "ãģĭ ãģªãĤĬ", "ë³´ ëĭ¤", "Ġ×ŀ ×Ļ×ĵ×¢", "peÅĤ ni", "Ġx á»Ń", "ìĹIJìĦľ ëĬĶ", "ĠباÙĦ Ùħ", "ĠÙĪ Ùħا", "ĠÑįÑĤ ой", "ب ÙĬÙĨ", "n ü", "ØŃ Ø²", "ØŃز ب", "ĠÑĢабоÑĤ а", "ĠNh áºŃt", "ÙĦ اء", "Ġëĵ ¤", "Ġëĵ¤ ìĸ´", "ãĤĦãģĻ ãģĦ", "×Ĺ×ĸ ק", "Ġ×Ķ×Ĺ ×ijר×Ķ", "п иÑĤ", "ãģĭãĤī ãģ®", "Ġë§IJ ìĶĢ", "Ġפ ×ķ", "ÙĦ Ùİ", "à¹Ģà¸ķà¹ĩ ม", "ĠÐļ о", "Ġm ówi", "Ġt ÃŃn", "ר×Ĵ ש", "פר ק", "Ġtr ạng", "ĠÐŀ н", "×Ĺ ×ķ×¥", "ĠعÙĨد Ùħا", "Ġب ر", "使 ãģĦ", "Ġr á»Ļng", "ëĮĢ ë¡ľ", "íĪ ¬", "Ġktóry ch", "в ид", "ลูà¸ģ à¸Ħà¹īา", "Ġmog Äħ", "Ġש ×Ĺ", "×ij ×Ĺר", "ãĥĸ ãĥŃãĤ°", "ĠTh Ãłnh", "Ġ×Ķ ר×Ļ", "ĠÑģÑĤ аÑĤÑĮ", "ĠH á»Ļi", "à¸ļ à¹īาà¸ĩ", "çī¹ ãģ«", "ĠÄIJ ức", "èĢħ ãģ®", "×¢ ×ŀ×ķ×ĵ", "×ĺר ×Ķ", "Ð ¥", "ĠÙħ Ùħا", "Ġe ÅŁ", "ĠнеобÑħодим о", "ник ов", "Ġüzer inde", "a ÅĤa", "Ġchá»ĭ u", "ĠاÙĦ دÙĬÙĨ", "أخ بار", "ĠÄij au", "ãģĮ å¤ļãģĦ", "jÄħ cych", "د Ø®ÙĦ", "ları nd", "larınd an", "Ġs ẻ", "à¸ŀิ à¹Ģศ", "à¸ŀิà¹Ģศ ษ", "ת ף", "t ıģı", "Ġlu áºŃt", "ĠÅŀ e", "ãĤ« ãĥ¼", "ãģ® ãģĤãĤĭ", "Ġ×Ķ×IJ תר", "ĠاÙĦØ¢ ÙĨ", "ıld ı", "Ġá o", "ĠнаÑĩ ал", "Ġvi á»ĩn", "Ġ×ij×¢ ×ķ׾×Ŀ", "з наÑĩ", "×Ļ×ĺ ×Ķ", "к ам", "ĠÐĺ з", "à¹Ģà¸Ĥ ียà¸Ļ", "à¸Ļ à¹īà¸Ńà¸ĩ", "ÑĤ ÑĢо", "à¹Ģ à¸Ł", "Ġжиз ни", "Ġ สà¹Īวà¸Ļ", "Ġv áºŃn", "Ġê´Ģ 볨", "Ġl âu", "ס ×ĺר", "ק ש", "س ÙĬر", "Ġ×IJ×ķת ×Ļ", "Ġm ôi", "ائ ب", "Ġо ÑģÑĤа", "Ġm ón", "Ġ×ij ×ŀק×ķ×Ŀ", "Ġد اخÙĦ", "Ġ×IJ ×ķר", "Ġв аÑģ", "Ùĥ Ø´Ùģ", "ìĺ ¨", "à¸ĸ à¹Īาย", "Ġkullan ıl", "Ġt ô", "ãģ« ãĤĪãĤĬ", "ĠëĺIJ íķľ", "Ġ×¢×ij×ķ×ĵ ×Ķ", "Ġri ê", "Ġriê ng", "Ġyak ın", "ز ا", "Å »", "×IJ ×ķ׼׾", "شار Ùĥ", "Ġб еÑģ", "× ´", "Ġا بÙĨ", "ĠTá»ķ ng", "ÙĨ ظ", "ÅĽwi ad", "ãĤµ ãĥ¼", "ห าย", "ĠG ün", "Ġhakk ında", "à¹Ģà¸Ĥà¹īา มา", "ز ÙĨ", "ĠÐł о", "Ġbi á»ĥn", "ãģ© ãģĵ", "Ùģ عÙĦ", "ز ع", "פר ×ĺ", "Ġ×Ķ ף", "Ø£ ÙĩÙĦ", "Ġth ất", "ØŃ ÙħÙĦ", "Ñĩ Ñĥ", "ĠìĤ¬ ìĭ¤", "ì° ¸", "ĠìľĦ íķ´", "ÙĪ ظ", "ĠÐŁ од", "Ġkho ản", "ÑĤ ен", "ĠÙģ اÙĦ", "Ñģ ад", "à¸Ļ à¸Ńà¸Ļ", "ĠاÙĦسعÙĪد ÙĬØ©", "\" ØĮ", "ĠاÙĦ ÙĴ", "ãĤī ãģļ", "Ġto án", "Ġch ắc", "׼ ×Ļר", "m éd", "méd ia", "ز ÙĪ", "Ġyan ı", "פ ׳×Ļ×Ŀ", "ØŃ Ø¸", "Ġб еÑģп", "ĠбеÑģп лаÑĤ", "ĠбеÑģплаÑĤ но", "ĠØ£ ÙħاÙħ", "à¸Ń าย", "à¸Ńาย ุ", "ר שת", "Ġg á»ĵ", "Ġgá»ĵ m", "Ġu á»ijng", "ص ب", "k ır", "ãĥij ãĥ¼", "Ġ׾×ĵ עת", "Ġк ÑĥпиÑĤÑĮ", "׾ ×ķ×Ĺ", "ÙĪض ع", "ÙĤÙĬ Ùħ", "à¸Ľ า", "ж ив", "à¸Ķ ิà¸Ļ", "×IJ ×ķפ", "à¹Ģล à¹ĩà¸ģ", "ãĥĥ ãĥī", "иÑĩеÑģки Ñħ", "ĠCh ủ", "кÑĢ аÑģ", "ÙĪ صÙĦ", "p ÅĤat", "м оÑĢ", "Ġ×Ķ×IJ ×ķ", "à¸Ń ิà¸Ļ", "Ġíķľ êµŃ", "гÑĢ е", "Ġìłľ ê³µ", "ì° ½", "Ġê°ľìĿ¸ ìłķë³´", "Ġngh á»ĭ", "à¸ĭ า", "ØŃس اب", "Ġby ÅĤa", "ÙħÙĦ Ùĥ", "иÑĩеÑģки е", "Ġb ác", "ض ØŃ", "ê¸ ¸", "ש ×ŀ×¢", "Ġìĸ´ëĸ »", "Ġìĸ´ëĸ» ê²Į", "ìĽ Į", "ات Ùĩ", "à¹Ĥรà¸ĩ à¹ģ", "à¹Ĥรà¸ĩà¹ģ รม", "خد ÙħØ©", "ĠÐł а", "׼×ķ׾ ×Ŀ", "×ŀש ×Ĺק", "ĠÙĪ ÙĥاÙĨ", "ס ×ķ×£", "ĠاÙĦØŃÙĥÙĪÙħ Ø©", "Ġ×ij ×ĺ", "Ġtr áºŃn", "Ġ×Ķ×¢ ×ķ׾×Ŀ", "ĠÃŃ ch", "t Äħ", "ש×ŀ ×ķ", "Ġ×Ķר×IJש ×ķף", "Ġíķĺ ê³ł", "ãģķ ãĤī", "ãģķãĤī ãģ«", "ãģ« ãģĹãģ¦", "Ġ à¸ľà¸¡", "ãģ® ãĤĪãģĨãģª", "ĠÙĪ ÙĤت", "ãĥį ãĥĥãĥĪ", "ÙĦ عب", "ÙĪ Ø´", "ìĺ ¬", "Ġ หาà¸ģ", "Ġm iaÅĤ", "à¸Ĺ à¸Ńà¸ĩ", "иÑĤ а", "ا صر", "ил ÑģÑı", "з е", "à¸Ľà¸£à¸° มาà¸ĵ", "ãģĿãĤĮ ãģ¯", "Ġb ır", "Ġbır ak", "صÙĨ اع", "Ð ®", "Ø´ عر", "Ġ׳ ×Ĵ×ĵ", "Ġب سبب", "ãĥĿ ãĤ¤", "ãĥĿãĤ¤ ãĥ³ãĥĪ", "ĠاÙĦج ÙĪ", "ĠнеÑģк олÑĮко", "Ġki ếm", "Ùģ Ùİ", "Ġض د", "×ij×Ļ×ĺ ×ķ×Ĺ", "تاب ع", "ÙĨ ز", "ĠB ản", "Ġaç ıkl", "Ġaçıkl ama", "Ġ à¸Ħุà¸ĵ", "à¸Ĺ า", "ÅĤ ów", "Ø· ب", "ÙĨ ØŃÙĨ", "Ġ×ŀק ×ķר", "ĠÄ° s", "Ġдом а", "Ġ วัà¸Ļ", "Ġd Ãłnh", "Ñı н", "ми ÑĢ", "Ġm ô", "ĠvÃł ng", "ص اب", "s ının", "à¸Ħ ืà¸Ļ", "Ø® بر", "×ĸ׼ ×ķ", "Ġ×ŀ ש×Ķ×ķ", "m ü", "Ġкомпани и", "Ġ×Ķ×¢ ×Ļר", "ĠÙĥ ÙĪ", "ÙĤÙĦ ب", "ĠlỼ p", "и ки", "׳ ×ij", "à¹Ĥ à¸Ħร", "à¹Ĥà¸Ħร à¸ĩ", "à¹Ĥà¸Ħรà¸ĩ à¸ģาร", "×ŀ×ķ×¢ ×ĵ", "ÑıÑĤ ÑģÑı", "หลัà¸ĩ à¸Īาà¸ģ", "ени Ñİ", "Ġש ×¢", "Ġb Æ°á»Ľc", "ãĥ¡ ãĥ¼ãĥ«", "ãĤĦ ãĤĬ", "Ġ×Ļ×ķ×ĵ ×¢", "Ġê´Ģ íķľ", "ĠاÙĦØ£ Ùħر", "Ġböl ge", "ĠÑģв ой", "ÙĦ س", "Ġ×ŀ×Ļ ×ķ×Ĺ×ĵ", "ĠëĤ´ ìļ©", "ĠØ£ جÙĦ", "ĠÄIJ ông", "Ġ×ŀ ×ł×ª", "Ġìĭľ ê°Ħ", "Ùĥ Ùİ", "ãģ¨ãģĦãģĨ ãģ®ãģ¯", "Ġnale ży", "تÙĨظ ÙĬÙħ", "ĠÑģозд а", "Ġph é", "Ġphé p", "ãģ§ãģį ãģ¾ãģĻ", "Ġع ÙĦÙħ", "大ãģį ãģª", "ãĤ² ãĥ¼ãĥł", "í ħĮ", "Ġ׼×ķ׾ ׾", "ĠинÑĤеÑĢ неÑĤ", "ĠT ừ", "ãģ¨ ãģªãĤĭ", "ز اÙĦ", "Ġktóry m", "Ġnh é", "ìĪ ľ", "н ев", "д еÑĢ", "ãĤ¢ ãĥĹãĥª", "i á»ĩu", "×ij ×Ļ׾", "Ġت س", "ĠÄIJ ây", "ĠاÙĦØ® اصة", "Ġà¹Ģ à¸Ĭ", "Ġà¹Ģà¸Ĭ à¹Īà¸Ļ", "ص اد", "Ġd ạng", "س عر", "Ġש ×Ļ×ŀ×ķש", "×Ĵ ×Ļ×Ŀ", "ãģĮãģĤ ãģ£ãģŁ", "п ÑĢов", "пÑĢов од", "Ġ×IJ ×Ļ׳×ķ", "Ġ׾ ר×IJ", "Ġ׾ר×IJ ×ķת", "ĠØ£ ÙģضÙĦ", "ĠØŃ ÙĦ", "ĠØ£ بÙĪ", "ê° ķ", "Ġì§ ij", "ãģ® ãĤĪãģĨãģ«", "Ġפ ׳×Ļ", "ס ×Ļ×Ŀ", "ĠÙĪÙĩ ذا", "Ġka ç", "Ġé én", "Ġê± ´", "ë° Ķ", "Ñĥ з", "à¸Ĥà¸Ńà¸ĩ à¹Ģรา", "i ÅĤ", "ĠÐľ Ñĭ", "Ġch ết", "ĠاÙĦØ« اÙĨÙĬ", "×IJ ק", "Ġ×ķ ×¢×ľ", "ĠاÙĦØ· ب", "×ij×ĺ ×Ĺ", "Ġج دÙĬدة", "Ġع دÙħ", "ع ز", "สิà¹Īà¸ĩ à¸Ĺีà¹Ī", "ãģĻ ãĤĮãģ°", "ĠÄij ô", "ì£ ł", "د ÙĤ", "н омÑĥ", "Ġk á»ĥ", "ãĤ¢ ãĥ³", "å¤ļãģı ãģ®", "à¸Ľà¸£à¸° à¸ģ", "à¸Ľà¸£à¸°à¸ģ à¸Ńà¸ļ", "פע×Ļ׾ ×ķת", "ĠÑģÑĤ ол", "may ı", "ãģ¤ ãģĦ", "Ġyılı nda", "Ġ à¸Īึà¸ĩ", "koÅĦ cz", "ĠTh ông", "Ġак ÑĤив", "н ÑģÑĤ", "нÑģÑĤ ÑĢÑĥ", "ĠÃĸ z", "Ġת ×ŀ×Ļ×ĵ", "ĠÙĥ ÙĨت", "Ñģ иÑģÑĤем", "pr és", "prés ent", "Ġn â", "Ġnâ ng", "gÅĤ os", "ĠÙĪز ÙĬر", "ØŃ ØµÙĦ", "Ġиме еÑĤ", "ØŃ Ø±ÙĥØ©", "à¸ŀ à¹Īà¸Ń", "ãĤĴ ãģĬ", "Ġاست خداÙħ", "×IJ×Ļר ×ķ×¢", "ä»ĸ ãģ®", "Ġש×Ķ ×Ŀ", "ãģĹãģŁ ãĤī", "ש×ŀ ×Ļ", "Ñģ ла", "m ı", "Ġbaz ı", "Ġíķĺ ì§Ģë§Į", "×ĵ ׾", "Ġyapt ıģı", "ãĥĬ ãĥ¼", "׾ ×Ļ׾×Ķ", "ãģ¨ãģĦ ãģ£ãģŁ", "änd ig", "ĠÅŁ a", "ĠÙģÙĬ Ùħا", "иÑĤ елÑı", "×ŀ ×ķש", "à¸Ĥ à¸Ńà¸ļ", "l ük", "Ġh á»ĵi", "Ġëª ħ", "ĠاÙĦÙĥ Ø«ÙĬر", "צ ×IJ", "Ġhaz ır", "طر Ùģ", "ا ÙĬا", "ĠÄij ôi", "ен д", "ÙĦ غ", "×Ĺ ×ĸ×ķר", "ĠвÑģ ег", "ĠвÑģег да", "ëIJĺ ê³ł", "×ĵ ×ķ×ĵ", "ан а", "د ÙĪÙĦØ©", "Ġho ạch", "ع ÙĦا", "عÙĦا ج", "Ġ×ķ ×¢×ĵ", "×Ķ ×Ŀ", "ки й", "ÙĦ ÙIJ", "Ġ×¢ ׾×Ļ×ķ", "ÑİÑī ий", "Ġng ủ", "صÙĨ ع", "ĠاÙĦع راÙĤ", "à¸ķà¹Īà¸Ń à¹Ħà¸Ľ", "ãģŁãģı ãģķãĤĵ", "Ġph ạm", "ÙĦ اÙĨ", "ات Ùĩا", "Ġbö yle", "تÙĨ ÙģÙĬ", "تÙĨÙģÙĬ Ø°", "Ġש×Ķ ×Ļ×IJ", "Ñģ Ñĥ", "ย าว", "Ġש ×ķ׳×Ļ×Ŀ", "Ġ×ŀ ×ķ׾", "ĠÑģ ил", "Ġ×IJ×Ĺר ×Ļ×Ŀ", "Ġph ủ", "ÙĤØ· ع", "ĠTh ủ", "à¸Ľà¸£à¸°à¹Ģà¸Ĺศ à¹Ħà¸Ĺย", "ÙĨ ÙĤ", "ĠÄijo ạn", "Ġب Ø¥", "п ÑĢедел", "×ķת ×ķ", "Ġy arı", "пÑĢ е", "ĠczÄĻ ÅĽci", "ØŃ ÙĥÙħ", "×ķ׳ ×Ļת", "פע ׾", "ãĤĴ ãģĹãģ¦", "Ġktó rzy", "׾ ×Ŀ", "ĠÄIJi á»ģu", "ĠкоÑĤоÑĢ аÑı", "ĠìĿ´ ìĥģ", "ãģĤ ãģ£ãģŁ", "Ġ×ŀ×ĵ ×ķ×ijר", "פ ×ķ×¢×ľ", "d ım", "éĢļ ãĤĬ", "ĠбÑĥд ÑĥÑĤ", "à¹Ģวà¹ĩà¸ļ à¹Ħà¸ĭ", "à¹Ģวà¹ĩà¸ļà¹Ħà¸ĭ à¸ķà¹Į", "ا خر", "×Ĺ ×Ļ׾", "Ġ×Ļ ׾", "Ġ×Ļ׾ ×ĵ×Ļ×Ŀ", "×Ĺ ×Ļפ", "×Ĺ×Ļפ ×ķש", "Ġd òng", "Ġש ×ĸ×Ķ", "ÑĮ е", "ãģĤ ãģ¨", "ìŀIJ ê°Ģ", "×IJ ×ĵ", "Ġü z", "Ġüz ere", "ظ ÙĦ", "Ġ×IJ ×ķ׾×Ļ", "Ġ×ij ×Ļ×ķ×Ŀ", "ÙĦ ات", "Ġm ê", "ì¹ ¨", "تØŃ Ø¯", "تØŃد Ø«", "ĠØ® اصة", "Ġب رÙĨ", "ĠبرÙĨ اÙħج", "ĠH Ãłn", "×Ĺ ×¡", "ĠÙĪ ÙĦÙħ", "×¢ ×Ŀ", "Ġm ı", "à¸Ł ัà¸ĩ", "ש ×¢×Ķ", "ÙĪÙģ ÙĤ", "ס ×ij×Ļר", "алÑĮ нÑĭй", "×Ĺש ×ķ×ij", "Ġn Ãłng", "ë³ ¼", "ĠкоÑĤоÑĢ ÑĭÑħ", "Ġ×Ĺ ×ķק", "t ör", "ĠлÑĥÑĩ ÑĪе", "ãĥij ãĥ³", "ลà¹Īา สุà¸Ķ", "Ġج دÙĬد", "ÙĬد Ø©", "à¸Ĺ รà¸ĩ", "ãĤĪãĤĬ ãĤĤ", "ÙĦ ÙĦ", "ãĤĤ ãģ£ãģ¨", "ש×ĺ ×Ĺ", "Ġ×ķ ×IJ×Ļ", "Ġgi á»ijng", "Ø¥ ضاÙģ", "ק ת", "ë§ Ŀ", "Ġzosta ÅĤ", "ÑĢ оз", "×Ļפ ×Ļ×Ŀ", "Ġ׼׾ ׾", "ת×ķ׼ ף", "dıģ ını", "ÙĤ سÙħ", "ĠÑģ ÑĩиÑĤ", "ĠÑģÑĩиÑĤ а", "×ĺ ×ķת", "Ġ Æ°u", "ĠØ¢ ÙĦ", "Ġм ом", "Ġмом енÑĤ", "ĠاÙĦتع ÙĦÙĬÙħ", "×¢×ľ ×ķת", "Ġch ữa", "Ġy ön", "Ġtr Ãł", "ĠØŃ ÙĬÙĨ", "à¸ĭ ั", "ĠC á", "×¢ ×ĸ", "ĠاÙĦØ£ ÙħÙĨ", "c ÃŃ", "Ġv á»ijn", "Ġ à¸Ļาย", "об ÑĢа", "ק ×IJ", "Ġthi ếu", "ãĥŀ ãĥ¼", "ส วà¸Ļ", "Ġg á»Ń", "Ġgá»Ń i", "Ġê ¹", "Ġê¹ Ģ", "Ġthi á»ĩn", "ÙĤ ع", "w ÄĻ", "Ġн ам", "ÑĤ ол", "Ġs ân", "ס ×ķ×Ĵ", "Ġgeç ir", "ÑĤ он", "ев а", "ĠÙĪ ضع", "Ġع شر", "Ñģ ло", "à¸Ī ัà¸ļ", "ãĤ· ãĥ¼", "ãĤĤ ãģĤãĤĬãģ¾ãģĻ", "Ġv ẻ", "ĠÄIJ á»ĥ", "ر Ùģع", "ĠاÙĦØ£ÙĪÙĦ Ùī", "ÑĤ аÑĢ", "ãģªãģı ãģ¦", "Ùħ Ùİ", "qu ÃŃ", "×¢×ł×Ļ ×Ļ׳", "г ен", "Ġh ôm", "à¸Ī า", "Ġnh Ỽ", "ĠاÙĦع ربÙĬ", "×IJ ף", "Ġl á»Ļ", "Ġje ÅĽli", "à¹Ģà¸Ĺà¹Īา à¸Ļัà¹īà¸Ļ", "ĠØ£ÙĨ Ùĩا", "Ġt uy", "Ġtuy á»ĩt", "Ġت ص", "Ġتص ÙĨÙĬ", "ĠتصÙĨÙĬ Ùģ", "Ġê·¸ëŁ¬ ëĤĺ", "о ÑĨен", "à¸ģิà¸Ī à¸ģรรม", "ãĤĦ ãģ£ãģ¦", "Ġkh á»ıi", "Ġl á»ĩ", "ĠاÙĦÙħج تÙħع", "à¸Ńาà¸Ī à¸Īะ", "à¸Īะ à¹Ģà¸Ľà¹ĩà¸Ļ", "ов Ñĭй", "ר ×Ŀ", "ร à¹īà¸Ńà¸Ļ", "ש ×ŀש", "人 ãģ«", "Ġüzer ine", "פר ×Ļ", "du ÄŁu", "Ñĩ ик", "Ġmù a", "Ġ×ŀת ×ķ×ļ", "Ġc áºŃp", "Ġت ارÙĬØ®", "×ij׾ ת×Ļ", "Ġì¢ Ģ", "ÙĦ ع", "ب اÙĨ", "Ġch út", "Ġ×Ķ×ĸ ×ŀף", "n ée", "ĠLi ên", "ĠÙĦÙĦ Ø£", "ØŃد ÙĪد", "Ġ×¢ ׼ש×Ļ×ķ", "в оз", "Ġyapt ı", "Ġоб о", "à¹ĥหà¹ī à¸ģัà¸ļ", "Ġ×ij×Ķ ×Ŀ", "ãģı ãģ¦", "ر أس", "ĠÑģÑĢед ÑģÑĤв", "ĠB Ãłi", "ãģĵãģ¨ ãģ«", "ĠìĤ¬ íļĮ", "Ġ모 ëijIJ", "×ij ×IJ", "Ġtr ắng", "ĠاÙĦبÙĦ د", "ĠHo Ãłng", "ли бо", "ĠдÑĢÑĥг иÑħ", "Ä° R", "Ñĥм а", "ĠJe ÅĽli", "ãĤĤ ãģĹ", "Ġv òng", "Ġ×IJתר ×Ļ×Ŀ", "ĠÄij á»įc", "Ġв оÑĤ", "ãģł ãģĮ", "ë° °", "à¸Ķู à¹ģล", "Ġ×ŀ ׼׾", "ìĹIJ ëıĦ", "г аз", "Ġ׳×ķס פ×Ļ×Ŀ", "ãģĵãģ¨ ãģ§", "Ġت ÙĪ", "ãģ§ ãģĤãĤĬ", "à¸Ļั à¹Īà¸ĩ", "ĠможеÑĤ е", "sz ÄĻ", "ãģ® ãģł", "ĠÙħÙĨ Ùĩ", "Ġb á»ķ", "Ġb üt", "Ġbüt ün", "ë³´ ê³ł", "Ġch á»ĵng", "à¹ģà¸Ī à¹īà¸ĩ", "ĠV ì", "ĠØŃ Ø±", "Ġgi ản", "ĠÙħ دÙĬÙĨØ©", "تط بÙĬÙĤ", "à¸Ī ิ", "æĹ¥ ãģ®", "б ил", "à¸ģ à¸Ńà¸ĩ", "ê³ ³", "ĠØ£ Ùħا", "ìĨ IJ", "Ġtr ái", "ĠвÑģ ем", "Ġس ÙĨØ©", "ĠÑģай ÑĤ", "Ġг оÑĤов", "п Ñĭ", "ĠëIJ ł", "ĠاÙĦØ® Ø·", "ĠاÙĦرئÙĬس ÙĬØ©", "Ġíķ ©ëĭĪëĭ¤", "ĠìķĦëĭĪ ëĿ¼", "ĠìĿ´ ëłĩ", "ĠìĿ´ëłĩ ê²Į", ") ØĮ", "h ält", "ĠØ£ Ùħر", "Ġع Ùħر", "à¸ģà¹ĩ à¸Īะ", "Ġ à¸Ĺำà¹ĥหà¹ī", "Ġc ân", "Ġ×ij ׾", "Ġ×ij׾ ×ij×ĵ", "פ סק", "ĠÙĬ ÙĤÙĪÙĦ", "н ÑĥÑĤÑĮ", "à¹ģ à¸Ħ", "Ġק צת", "Ġn ằm", "Ġh òa", "bilit Ãł", "ĠìĹĨ ëĭ¤", "Ġ׼ פ×Ļ", "ÑĢ ож", "лаг а", "Ġ×Ķש ×Ļ", "ĠNgo Ãłi", "ĠÙĪ ج", "ĠÙĪج ÙĪد", "ĠìľĦ íķľ", "Ġus ÅĤug", "Ġtu ần", "d ź", "×ŀ ×ķף", "ĠاÙĦع دÙĬد", "Ġch ẳng", "สุà¸Ĥ à¸łà¸²à¸ŀ", "Ġ×ij ×ĵר×ļ", "ĠÑģеб е", "ĠìŀĪ ìĿĦ", "ĠاÙĦØŃ Ø§ÙĦ", "Ġd á", "Ġc Æ°á»Ŀi", "Ġnghi ên", "ie ÅĦ", "ĠD Æ°Æ¡ng", "ï¼ ħ", "Ø´ د", "ãģĦãģ¤ ãĤĤ", "ĠвÑĭб оÑĢ", "Ġc á»Ļng", "ש ×Ļ׳×ķ×Ļ", "Ġch ạy", "Ġ×ij×¢ ׾×Ļ", "اخ بار", "íķĺ ë©°", "ż Äħ", "ج از", "Ġ׳ ר×IJ×Ķ", "ศ ู", "ศู à¸Ļ", "ศูà¸Ļ ยà¹Į", "×Ĵ ×¢", "Ġ×¢ ×ĵ×Ļ", "Ġ×¢×ĵ×Ļ ×Ļף", "بر ا", "ÑĨи й", "ĠÄIJ á»ĵng", "ÙĤ اÙĨÙĪÙĨ", "ĠÄij ứng", "ãģĹãģŁ ãĤĬ", "Ġ×Ĺ×Ļ ×Ļ", "Ġë IJľ", "ĠëIJľ ëĭ¤", "Ġм еждÑĥ", "à¸ŀวà¸ģ à¹Ģà¸Ĥา", "ĠB ắc", "ล ำ", "ë° ±", "ĠíĻ ķ", "มาà¸ģ ม", "มาà¸ģม าย", "бан к", "à¸Ńา à¸ģาร", "Ġh Ãł", "Ġ׾ ׳", "à¸Ń à¸Ń", "Ġë°Ķ ë¡ľ", "л ом", "m ática", "ĠØŃ Ø¯", "اب ت", "à¸Ĺีà¹Ī à¸Ļีà¹Ī", "Ġco ÅĽ", "ÙģÙĬ دÙĬ", "ÙģÙĬدÙĬ ÙĪ", "ĠмеÑģÑĤ о", "Ġph út", "มาà¸ģ à¸ģวà¹Īา", "×IJ פ", "ب ÙIJ", "ĠPh ú", "ì± Ħ", "ĠÙĪ سÙĦÙħ", "à¸Īี à¸Ļ", "поÑĤ ÑĢеб", "Ġ×Ĺ×ĵ ש×ķת", "Ø´ ÙĪ", "Ġעצ ×ŀ×ķ", "ĠعÙħÙĦ ÙĬØ©", "à¸Ħุà¸ĵ à¸łà¸²à¸ŀ", "ãģ¾ãģĻ ãģĮ", "دع ÙĪ", "طر ÙĤ", "à¹Ħมà¹Ī à¸ķà¹īà¸Ńà¸ĩ", "ë² Ķ", "ìĬ ¹", "Ġk ÃŃch", "ĠìĹĨ ëĬĶ", "ĠÑĤ ам", "ĠÙĨ ØŃÙĪ", "ĠاÙĦÙĤ اÙĨÙĪÙĨ", "×Ĺ ×ķ×Ŀ", "Ġk ız", "Ġ×ĵ ×Ļף", "ĠвÑĢем ени", "ãģ£ãģŁ ãĤĬ", "ĠØ´ Ùĩر", "ĠìĦľ ë¹ĦìĬ¤", "×¢ ש×Ķ", "Ġgi ác", "ĠاÙĦسÙĦ اÙħ", "Ġ×IJ ש", "ĠполÑĥÑĩ а", "à¸Īัà¸Ķ à¸ģาร", "к оÑĢ", "Ġ×Ķ×ĺ ×ķ×ij", "ราย à¸ģาร", "주 ìĿĺ", "à¹ģà¸ķà¹Ī ละ", "Ġê·¸ëŁ° ëį°", "à¸Ĺีà¹Ī à¹Ģà¸Ľà¹ĩà¸Ļ", "Ġת ×ķ×ļ", "بÙĬ اÙĨ", "Ð Ļ", "oÅĽci Äħ", "ÑĤ ок", "Ġà Ķ", "ĠÃĶ ng", "à¹Ħมà¹Ī à¹ĥà¸Ĭà¹Ī", "ãģ¿ ãģ¦", "ÐŁ о", "ĠЧ ÑĤо", "íĻ ©", "×ĺ ×ij×¢", "меÑĤ ÑĢ", "Ġ×ij ×ŀ×Ķ", "Ġ×ij×ŀ×Ķ ׾", "Ġ×ij×ŀ×Ķ׾ ×ļ", "Ñĩ ÑĮ", "ק ש×Ķ", "з нак", "знак ом", "uj ÄĻ", "×Ļצ ר", "ĠاÙĦÙħ ÙĦÙĥ", "ı yla", "×IJ×ŀ ת", "à¸Ľ ิà¸Ķ", "×IJ ×Ĺ×ĵ", "ر اد", "Ġm áºŃt", "ëĭ¤ ëĬĶ", "Ġl ạnh", "ש׾ ×ķש", "ØŃ Ø¯ÙĬØ«", "ت ز", "å¹´ ãģ®", "Ġк ваÑĢ", "ĠкваÑĢ ÑĤиÑĢ", "ä½ľ ãĤĬ", "رÙĪ ب", "ов ан", "ĠТ е", "à¸Īำ à¸ģ", "à¸Īำà¸ģ ัà¸Ķ", "ب اط", "×Ĵ ת", "Ġм аÑĪ", "ĠмаÑĪ ин", "×Ļצ ×Ķ", "ãģ» ãģ¨", "ãģ»ãģ¨ ãĤĵãģ©", "ÃŃ do", "ĠÑı зÑĭк", "à¸ļ ิà¸Ļ", "สà¸ĸาà¸Ļ à¸Ĺีà¹Ī", "ĠìĹ ´", "ãĤ¦ ãĤ§", "Ġc Ãł", "п ан", "åı£ ãĤ³ãĥŁ", "Ġر د", "اÙĤ ت", "ĠÙĥ ب", "ĠÙĥب ÙĬرة", "ÑģÑĤ ал", "ש×ŀ ×Ĺ", "pos ición", "ĠÙħÙĦÙĬ ÙĪÙĨ", "ĠìĿ´ ìķ¼", "ĠìĿ´ìķ¼ 기", "Ġh út", "ĠÅĽw iat", "Ġë°© ë²ķ", "ĠÑģв еÑĤ", "Ġвиде о", "ĠاÙĦÙĨ ظاÙħ", "Ġtr á»Ŀi", "ĠëĮĢ íķ´ìĦľ", "ר ×ŀת", "ت داÙĪÙĦ", "×ķר ×ĵ", "ת ×ŀ", "ת×ŀ ×ķ׳×ķת", "Ġ×ŀ ף", "Ġдв а", "Ġ×Ķק ×ķ", "æĹ¥ ãģ«", "Ġ×Ķ×Ĵ ×Ļ×¢", "à¹Ģà¸ŀิà¹Īม à¹Ģà¸ķิม", "Ùħار س", "Ġê²ĥ ìŀħëĭĪëĭ¤", "ãģªãģĦ ãģ¨", "Ġnhi á»ĩt", "ëIJ ©ëĭĪëĭ¤", "Ġ×ij׳ ×ķש×IJ", "Ġê°Ģ ìŀ¥", "Ġv ợ", "ĠÄij óng", "צ×Ļ׾ ×ķ×Ŀ", "ê´Ģ ê³Ħ", "в аÑı", "×IJ ×Ļ×ĸ", "×IJ×Ļ×ĸ ×Ķ", "ĠÙĨ ظاÙħ", "ÙħØŃ Ø§Ùģظ", "Ġt ải", "기 ëıĦ", "à¸Ľà¸±à¸Ī à¸Īุ", "à¸Ľà¸±à¸Īà¸Īุ à¸ļัà¸Ļ", "׼ ×ĵ×ķר", "ĠìķĦ ìĿ´", "׼׳ ×Ļס", "à¹Ģ à¸ķร", "à¹Ģà¸ķร ียม", "Ġngo ại", "ĠدÙĪÙĦ ار", "Ġr ẻ", "Ġkh Äĥn", "عد د", "Ø´ عب", "czy Äĩ", "ĠاÙĦ Ùĥر", "ĠÑĩеловек а", "ĠÙĪ Ø¥ÙĨ", "×IJ ×ĺ", "Ġth Æ¡", "ĠاÙĦ رÙĬاض", "оп ÑĢедел", "опÑĢедел ен", "×Ķ ×ŀש×ļ", "ĠÐĿ ово", "з Ñĭва", "ĠاÙĦدÙĪÙĦ ÙĬ", "ĠÄij áp", "Ġк ÑĢед", "ĠкÑĢед иÑĤ", "ов ого", "Ġm ôn", "à¸Ľà¸£à¸° à¹Ĥย", "à¸Ľà¸£à¸°à¹Ĥย à¸Ĭà¸Ļ", "à¸Ľà¸£à¸°à¹Ĥยà¸Ĭà¸Ļ à¹Į", "ÑģÑĤ е", "ĠTh á»ĭ", "د ÙĬØ©", "×ŀצ ×ķ", "Ùģ ات", "ק ×ĵ×Ŀ", "ìĿ´ëĿ¼ ê³ł", "ÙĪ Ø®", "Ġ×Ĺ ×ĸ", "ĠÑĦоÑĤ о", "׾ ×Ļת", "ت Ùİ", "ÙĪ بر", "й ÑĤи", "ĠÃ¶ÄŁ ren", "Ġ×Ķ×ĸ ×ķ", "Ġv á»įng", "ÙĤÙĪ Ø©", "ĠT ây", "ĠÐĿ и", "Ġש ×ķ×ij", "ãģ¨è¨Ģ ãĤıãĤĮ", "ãģ© ãĤĵãģª", "׊צ×Ļ", "ï½ ľ", "Ġ×ķ×Ķ ×ķ×IJ", "ä¸Ģ ãģ¤", "ĠÑģÑĤо иÑĤ", "ni Äħ", "×ĺר ×Ļ", "ĠдеÑĤ ей", "нÑı ÑĤÑĮ", "ĠÑģдел аÑĤÑĮ", "Ġë§İ ìĿ´", "ä½ķ ãģĭ", "ãģĽ ãĤĭ", "à¹Ħ หม", "à¸ķิà¸Ķ à¸ķà¹Īà¸Ń", "Ġ×ij ת×Ĺ", "Ġ×ijת×Ĺ ×ķ×Ŀ", "ìĻ Ħ", "ì§Ģ ëĬĶ", "ÑģÑĤ аÑĤ", "ÑıÑģ н", "ü b", "Ġth ả", "Ġ×ij×IJ×ŀ ת", "Ġt uyến", "×ĵ ×Ļר×Ķ", "Ġ×IJ ×Ļש×Ļ", "×ĸ׼ ר", "ãģ° ãģĭãĤĬ", "Ġx ét", "׼ ×Ļ×ķ", "׼×Ļ×ķ ×ķף", "diÄŁ ini", "ĠاÙĦÙħ ÙĪضÙĪع", "Ġh áºŃu", "à¸Īาà¸ģ à¸ģาร", "×ijס ×Ļס", "Ġ×ŀ×Ĵ ×Ļ×¢", "×ij ×Ļ×¢", "ĠÙĪ جÙĩ", "à¹ģà¸Ķ à¸ĩ", "à¸Ļ าà¸ĩ", "ĠÅŀ a", "ì ¡´", "ë¡ Ģ", "à¸ķ ะ", "Ġ×Ķ×Ĺ×Ļ ×Ļ×Ŀ", "Ùģ ÙĬد", "ãģ§ãģĻ ãģĭãĤī", "ê· ľ", "ź ni", "ĠлÑİ Ð´ÐµÐ¹", "Ġyüz de", "ıy orum", "ĠاÙĦ بØŃر", "e ño", "п аÑĢ", "ÙĬ ÙĤØ©", "об ÑĢ", "ר ×ķ×ļ", "ت ÙĪÙĤع", "ĠاÙĦØ´ ÙĬØ®", "åĪĿ ãĤģãģ¦", "ĠÑĤ елеÑĦ", "ĠÑĤелеÑĦ он", "Ġth ôi", "Ġ×Ļ׼×ķ׾ ×Ļ×Ŀ", "ĠÅŁ irk", "ĠÅŁirk et", "Ġìļ°ë¦¬ ê°Ģ", "ĠÄij ông", "Ġת ×ķ×ĵ×Ķ", "ÑģмоÑĤÑĢ еÑĤÑĮ", "ĠÙĦ ÙĩÙħ", "Ġ׾ ׼", "ĠN ó", "ĠØŃ Ø§ÙĦØ©", "ãģĦ ãģij", "קר ×ķ", "az ı", "ãĤ³ ãĥ¼", "ĠÙĦÙĦ ت", "s ınız", "ĠH ải", "기 ìĪł", "ยัà¸ĩ à¹Ħมà¹Ī", "ëĭ¤ ê³ł", "פ ×Ĺ", "Ġ׾×Ĵ ×ij×Ļ", "Ġع ÙĨÙĩ", "Ġк аз", "Ġказ ино", "ب ÙĪر", "ÑĦ еÑĢ", "Ġê°Ļ ìĿ´", "تس جÙĬÙĦ", "ĠاÙĦÙħ رÙĥز", "ĠTh ái", "д аÑĤÑĮ", "×ŀ×Ļ ×Ļ׾", "Ġpay laÅŁ", "ãģ¤ ãģ®", "à¹Ģร ืà¸Ń", "n ça", "׳ ×ķ×Ĺ", "Ġ×IJ פ×Ļ׾×ķ", "ãģ¨ èĢĥãģĪ", "ãģ¨ãģĹãģ¦ ãģ¯", "à¹Ģà¸Ī à¸Ń", "×ŀ פ", "Ġg iriÅŁ", "л иÑĤ", "ÑĤ елÑı", "Ñij н", "æ°Ĺ ãģ«", "Ġg ó", "Ġgó p", "åĪĩ ãĤĬ", "Ġ×Ķ ×Ĺ×ĵש", "ж ал", "Ġ×ĵ עת", "éģķ ãģĨ", "à¹Ģà¸Ĥà¹īา à¹Ħà¸Ľ", "Ġס ר×ĺ", "e ña", "æĸ° ãģĹãģĦ", "ر Ùİ", "ĠÐIJ ÑĢ", "Ġph ản", "à¸Īะ à¹Ħà¸Ķà¹ī", "Ġ×ijצ ×ķר×Ķ", "Ø´ اÙĩ", "شاÙĩ د", "ÙĪر د", "à¹Ģà¸Ļืà¹Īà¸Ńà¸ĩ à¸Īาà¸ģ", "или ÑģÑĮ", "à¹ģละ à¸ģาร", "Ġ×Ķ ×ĸ׼", "Ġ×Ķ×ĸ׼ ×ķ×Ļ×ķת", "ei ÃŁ", "ãĥ ¨", "ìĥ Ī", "ĠÃĩ a", "Æ ¯", "ש ×Ĵ", "ÙĬÙĨ Ø©", "ร à¹īà¸Ńà¸ĩ", "ãĤµ ãĥ³", "ÑĢоÑģÑģ ий", "ÑĢоÑģÑģий Ñģк", "a ÄŁa", "ĠнаÑĩ ина", "Ġص ÙĦÙī", "à¸Ĺุà¸ģ à¸Ħà¸Ļ", "íļĮ ìĤ¬", "Ġли ÑĨ", "Ø´ ÙĬر", "ĠØ´ÙĬ Ø¡", "ÙĬÙĨ ا", "Ġפ ×Ĺ×ķת", "Ġiçer is", "Ġiçeris inde", "ĠØ£ ØŃÙħد", "Ġże by", "ì´ Ŀ", "Ġп оказ", "Ġи менно", "หà¸Ļัà¸ĩ ส", "หà¸Ļัà¸ĩส ืà¸Ń", "ĠÑĤÑĢ е", "สัà¸ĩ à¸Ħม", "Ø¥ ÙIJ", "ãģĮ å¿ħè¦ģ", "ÙĬÙij Ø©", "פ צ", "íĭ °", "ĠÙħ جاÙĦ", "׳ פש", "к ан", "×Ĺ ×ķפ", "×Ĺ×ķפ ש", "ì²ĺ ëŁ¼", "ов аÑı", "з ов", "Ġh ạ", "Ġdzi ÄĻki", "×Ļר ×ķ", "Ġ׾ ×ŀצ", "Ġ׾×ŀצ ×ķ×IJ", "×Ļ×ĵ ×ķ", "Ġs ợ", "Ġ׾×Ķ ×Ĵ×Ļ×¢", "ק ×ij×¢", "Ġchi á»ģu", "ãĥŀ ãĤ¤", "Ġd Ãłng", "à¹ģà¸Ł à¸Ļ", "Ġü ye", "×Ļ׳ ×Ĵ", "à¹Ģรีย à¸ģ", "ç§ģ ãģĮ", "th é", "ĠÑĦ илÑĮ", "ĠÑĦилÑĮ м", "ĠNg Ãły", "Ġж ен", "Ġжен Ñīин", "ج ÙĬد", "n ç", "à¸Ľ รา", "×Ļ×ŀ ×ķ", "Ġn á»ģn", "×IJ ×ķ׾×Ŀ", "Ġвозмож ноÑģÑĤÑĮ", "Ġëĭ¤ ìĭľ", "è¦ĭ ãģŁ", "à¸ĸ à¸Ļ", "à¸ĸà¸Ļ à¸Ļ", "mız ı", "ĠÙħ جÙħÙĪعة", "c jÄħ", "ĠÐł Ф", "à¸ģำ หà¸Ļ", "à¸ģำหà¸Ļ à¸Ķ", "ĠìŬ 기", "land ı", "ни ÑĨ", "ÑģÑĤв е", "Ġ×ĵ ×ijר×Ļ×Ŀ", "Ġsk ÅĤad", "ãĤĬ ãģ¾ãģĹãģŁ", "ĠоÑĤ кÑĢÑĭÑĤ", "нÑı ÑĤ", "ĠÑģво ей", "à¸Ī ิà¸ķ", "ĠкаÑĩеÑģÑĤв е", "Ġet tiÄŁi", "ìĤ¬ íķŃ", "ĠاÙĦÙĬ ÙħÙĨ", "иÑĩеÑģки й", "ë¸ Į", "Ġ×ij×IJר ×¥", "Ġا سÙħ", "Ġиз веÑģÑĤ", "r ão", "Ġatt ivitÃł", "à¹Ģà¸Ľà¹ĩà¸Ļ à¸ģาร", "ĠاÙĦد Ùĥت", "ĠاÙĦدÙĥت ÙĪر", "ĠÙĪاØŃد Ø©", "ĠÑģ ÑĩеÑĤ", "ĠпÑĢ иÑĩ", "ĠпÑĢиÑĩ ин", "ĠÙĪز ارة", "Ġh uyá»ĩn", "ĠÙĥ تاب", "à¹ģà¸Ļ à¹Īà¸Ļ", "à¹ģà¸Ļà¹Īà¸Ļ à¸Ńà¸Ļ", "Ġgün ü", "г ÑĢÑĥз", "ĠاÙĦØ® اص", "Ġgör ül", "׾ ×ŀ×ĵ", "Ġìłķ ëıĦ", "×ķ×ij ×Ļ׾", "Ġ×ŀק צ×ķ×¢×Ļ", "ĠоÑģоб енно", "à¸Ľà¸£à¸° à¸ģา", "à¸Ľà¸£à¸°à¸ģา ศ", "aca ģını", "ë¶ ģ", "à¸łà¸¹ มิ", "ĠÑį лекÑĤ", "ĠÑįлекÑĤ ÑĢо", "Ġק ש×Ķ", "سÙĦ Ø·", "à¸Ĭà¸Ļ ะ", "×¢ ×Ļ׾", "ĠЧ е", "à¹ģà¸Ļ à¹Ī", "lı ÄŁ", "lıģ ın", "Ġ×ŀ×¢ ×¨×Ľ×ª", "好ãģį ãģª", "มาà¸ģ à¸Ĥึà¹īà¸Ļ", "×ŀ×¢ ×ijר", "ĠاÙĦÙħ غرب", "ĠпеÑĢ и", "ĠпеÑĢи од", "Ġnh ạc", "ا ÙĪÙĬ", "ĠÙĪ عÙĦÙī", "أخ Ø°", "ĠC ô", "תר ×ij×ķת", "×Ĵ ×Ķ", "Ġktóre j", "×IJ ×Ļת", "×ij ×ķ×IJ", "д елÑĮ", "รี วิ", "รีวิ ว", "ж Ñĥ", "Ġ×ij×Ĺ ×ķ", "еÑĪ ÑĮ", "ĠØ£ ÙĦÙģ", "ĠاÙĦÙĪ Ø·ÙĨÙĬ", "ĠاÙĦÙħÙĨ Ø·ÙĤØ©", "nÄħ Äĩ", "Ġthi ên", "иÑĩеÑģк ой", "ĠاÙĦÙħ ÙĦ", "Ġع Ùħ", "ס פר", "Ġnh óm", "ÙĪص Ùģ", "ĠCh úng", "Ġر ÙĤÙħ", "ãģ¾ãģĹãģŁ ãģĮ", "al ité", "ล ม", "ĠëĤ´ ê°Ģ", "׾ק ×ķ×Ĺ", "ĠS Æ¡n", "pos ição", "mi ÄĻ", "Ġtr ánh", "ĠÄIJ á»Ļ", "׼ ×Ĺ", "ãģĤ ãģ£ãģ¦", "à¸Ńย à¹Īา", "Ġ×ŀ×Ĺ ×Ļר", "Ġ×Ķ ×Ļת×Ķ", "à¸Ľ à¹Īา", "à¸Ńืà¹Īà¸Ļ à¹Ĩ", "Ø´ ÙĤ", "×ł×¡ ×Ļ", "ë¦ ¼", "ãģ¦ãģĹãģ¾ ãģĨ", "Ġ×ŀ צ×ij", "ãģ« åĩº", "ÙħÙĪا Ø·ÙĨ", "ยัà¸ĩ มี", "алÑĮ нÑĭе", "san ız", "Ø¥ سرائÙĬÙĦ", "ĠvÃł i", "ì¤ Ħ", "ãģ¨æĢĿ ãģ£ãģ¦", "×Ļ ×ķ׳×Ļ", "çĶŁ ãģį", "Ġs âu", "Ñĩ иÑģÑĤ", "Ġl á»ħ", "ĠGi á", "à¸Ńุ à¸Ľ", "à¸Ńà¸¸à¸Ľ à¸ģร", "à¸Ńà¸¸à¸Ľà¸ģร à¸ĵà¹Į", "Ġnh ẹ", "r ö", "ס ×ĺ×Ļ", "ãģķãĤĵ ãģĮ", "Ġd ầu", "ع Ùİ", "ت را", "×Ĵ×ĵ ׾", "Ġtécn ica", "׼ ׳×Ļ×Ŀ", "תק ש", "תקש ×ķרת", "Ġн его", "ét ait", "Ġm á»ģm", "Ñģ еÑĤ", "Ġnh áºŃt", "Ġ×ŀ ×¢×ľ", "Ġ×Ķ×¢ ×ij×ķ×ĵ", "Ġ×Ķ×¢×ij×ķ×ĵ ×Ķ", "Ġ×Ĵ ×Ļ׾", "ãģ¯ ãģªãģĦ", "ائ ØŃ", "Ġз деÑģÑĮ", "×IJ ×Ļ׳×ĺר", "Ùħ ÙIJ", "Ġ×Ļ ×Ĺ×ĵ", "ر اÙģ", "ì²ĺ 리", "×ĵ ×¢×ķת", "ì¹ ľ", "ĠТ о", "ĠTh ế", "ì¶ ©", "Ġ׳׼ ×ķף", "عÙĬ Ø´", "ни з", "Ġج اÙĨب", "×ŀק צ×ķ×¢", "à¹Ĥ à¸ĭ", "Ñģ ÑĥÑĤ", "ìĸ´ ìļĶ", "ãĤĴè¦ĭ ãģ¦", "ار د", "Ġaç ıl", "ĠاÙĦØŃ ÙĬاة", "à¸ģà¹ĩ à¹Ħà¸Ķà¹ī", "ãģĿãĤĮ ãĤĴ", "عض ÙĪ", "Ġг ÑĢаж", "ĠгÑĢаж дан", "à¸Īะ à¸ķà¹īà¸Ńà¸ĩ", "ĠìĿ´ 룬", "ĠìĿ´ëŁ¬ íķľ", "Ġtr ách", "ÙĨ Ùİ", "Ġkı sa", "à Ķ", "ÑĪ ка", "ãģ® 人", "ĠÐŁ оÑģ", "ĠÐŁÐ¾Ñģ ле", "Ñĥ лÑĮ", "ÙĪا جÙĩ", "ÙĤ رب", "à¸Ľà¸ıิ à¸ļัà¸ķิ", "ê° Ļ", "Ġ×ŀ ׳", "ĠÑģво и", "بر اÙħج", "Ġر ÙĪ", "пÑĢ од", "пÑĢод аж", "Ġby ÅĤy", "วั ย", "Ġgör ün", "Ġà Ī", "ÑİÑī им", "ĠÑĤак ой", "Ùģ ÙĪر", "ĠÙģ عÙĦ", "Ġб ел", "ëIJ ł", "er ÃŃa", "ĠÑģво Ñİ", "Ġl ã", "Ġlã nh", "à¹Ģà¸ŀืà¹Īà¸Ń à¹ĥหà¹ī", "ÙĤ ÙĨ", "تط ÙĪÙĬر", "Ġsay ı", "ĠÑģ ейÑĩаÑģ", "Ġ×IJ×Ĺר ת", "ק ×ķפ×Ķ", "ק×ķר ס", "Ġس Ùħ", "Ġ×ĺ ×Ļפ×ķ׾", "ìĿ´ëĿ¼ ëĬĶ", "دراس Ø©", "èµ· ãģĵ", "×Ĺ ×Ļ׳", "×Ĺ×Ļ׳ ×ķ×ļ", "×ĵ ק", "Ġë§ ŀ", "Ġком анд", "ĠÐij о", "Ġиг ÑĢÑĭ", "à¸ļ ี", "ĠØ£ Ùİ", "в ен", "ĠاÙĦج دÙĬد", "ĠÙĦ Ø¥", "Ġ×ķ×IJ ׳×Ļ", "Ġ×Ķס ×Ļ", "иÑĩеÑģк ого", "رÙĪ ØŃ", "à¸ģาร ศึà¸ģษา", "ĠTr Æ°á»Ŀng", "иг ÑĢа", "ıl ması", "Ġм аÑģÑģ", "ãģ¨ãģį ãģ«", "à¸Ĺีà¹Ī à¸ľà¹Īาà¸Ļ", "à¸Ĺีà¹Īà¸ľà¹Īาà¸Ļ มา", "ĠاÙĦساب ÙĤ", "Ġ×ŀ×¢ ×ĺ", "в аÑĤÑĮ", "m Ã¼ÅŁ", "Ġ׾ ׼×ļ", "Ġt á»ĭch", "Ùģ ÙĩÙħ", "تد رÙĬب", "Ø´ Ùĥ", "Ġ×ij ×ŀ×Ļ", "Ġ×ij×ŀ×Ļ ×ķ×Ĺ×ĵ", "ÙĤØ· اع", "ãģª ãģĹ", "×ķצ ×Ļ×IJ", "ĠÙĪ سÙĬ", "з Ñĥ", "Ġy at", "Ġyat ırım", "ë§ İ", "Ġth ắng", "ãģĬ 客", "ãģĬ客 æ§ĺ", "ĠThi ên", "ãģ«å¯¾ ãģĹãģ¦", "ÑĢ иÑģ", "ÙĨت ائ", "ÙĨتائ ج", "Ġ×ŀ שר", "Ġ×ŀשר ×ĵ", "Ġتع اÙĦ", "ĠتعاÙĦ Ùī", "ש ׳×Ļ", "Ùĩ اÙħ", "×IJ׳ ש×Ļ×Ŀ", "Ġżyc ia", "ĠÑĢÑĥб лей", "ÙĬ ض", "Ġkat ıl", "ĠÙħ ÙĪضÙĪع", "Ġvard ır", "ĠÙħÙĨ Ø·ÙĤØ©", "ĠTr ần", "Ġв еÑģ", "ü p", "Ùħ ÙĪÙĨ", "ÑĪ ли", "Ġn óng", "Ø® ÙĦÙģ", "ĠС ÑĤа", "Ġд оÑĢ", "ĠдоÑĢ ог", "ĠwÅĤa ÅĽnie", "eÄŁ in", "Ġhi á»ĥm", "ĠС ам", "ê»ĺ ìĦľ", "ĠÑĦ а", "ãģ» ãģĨ", "ãģ»ãģĨ ãģĮ", "×ķפ ×Ļ×¢", "ê° Ī", "د ÙĪÙĦ", "Ġthu ê", "Ġch á»Ĺ", "Ġëĭ¹ ìĭł", "ãģij ãĤĮ", "ãģijãĤĮ ãģ©", "ë³´ íĺ¸", "ãģķãĤĮ ãģ¦ãģĦãģ¾ãģĻ", "Ġнад о", "ĠìĤ¬ëŀĮ ëĵ¤", "à¹Ģà¸Ĥ à¸ķ", "สม ัย", "z ÅĤ", "ت ÙĪر", "Ġש ת×Ļ", "v ê", "Ġ×ijת ×ķ×ļ", "à¸Ĭ ัย", "ãģĦ ãģ£ãģŁ", "ìĿ ij", "Ġt ầ", "Ġtầ ng", "ש ׼ר", "Ġê¸ Ģ", "Ġ×Ķש ׳×Ķ", "Ġا ÙĨÙĩ", "ç«ĭ ãģ¡", "r és", "füh ren", "ر ØŃÙħ", "ê· ¹", "ĠâĢ «", "Ġsu ất", "à¸Ł ิ", "ÙĬ Ùĩا", "ĠاÙĦ اتØŃاد", "Ġt uyá»ĥn", "ãģ¾ ãĤĭ", "Ġm ại", "Ġng ân", "ãĤ° ãĥ©", "欲 ãģĹãģĦ", "س ار", "ãĤĤãģ® ãģ§ãģĻ", "ки е", "Ġseç im", "åħ¥ ãĤĬ", "ãģªãģ© ãĤĴ", "ÑĤ ÑĢи", "ĠÑģп еÑĨ", "ĠØ£ د", "Ġод но", "ÑĪ ел", "ãĥĩ ãĥ¼ãĤ¿", "ãĤ· ãĤ¹ãĥĨ", "ãĤ·ãĤ¹ãĥĨ ãĥł", "è¡Į ãģį", "ãģ¨æĢĿ ãģ£ãģŁ", "à¹Ģà¸ģิà¸Ķ à¸Ĥึà¹īà¸Ļ", "ĠÑĤ ож", "ĠÑĤож е", "Ġs ạch", "ĠÑģ ÑĢок", "Ġкли енÑĤ", "ĠÙħØ´ رÙĪع", "Ġalt ında", "Ġì ·¨", "ä¸Ń ãģ®", "ãģķãģĽ ãĤĭ", "ãģĻ ãģ¹", "ãģĻãģ¹ ãģ¦", "ê°ľ ë°ľ", "ĠÄij êm", "ãģªãģĦ ãģ®ãģ§", "ì² ł", "×¢ ×ij×ĵ", "Ġd ấu", "à¸Ħà¸Ļ à¸Ĺีà¹Ī", "ĠC ách", "تع ÙĦÙĬÙħ", "Ġh ại", "ãĤ» ãĥķãĥ¬", "ĠÙĨÙģس Ùĩ", "ĠíĨµ íķ´", "ÑĪ ло", "Ġнап ÑĢав", "ĠнапÑĢав лен", "ÑĢÑĥ Ñĩ", "íĶ Į", "Ġ×ijר ×Ļ×IJ", "ãģ® ãģ¿", "ãģ«ãģĬ ãģĦãģ¦", "×ij ׳ק", "ãĤ¨ ãĥ³", "Ø«ÙĦ اث", "Ġm ỹ", "ĠÑģай ÑĤе", "Ġе мÑĥ", "ت غÙĬ", "تغÙĬ ÙĬر", "خص ÙĪص", "ÑĤе ли", "Ġ×ķ׾ ׼ף", "פע ×Ŀ", "Ġпо ÑįÑĤомÑĥ", "ر اÙĨ", "иÑĤел ей", "пиÑģ ан", "×¢ ×¥", "ĠìĤ¬ ìĹħ", "Ùħ ز", "جÙħ ÙĬع", "ë©´ ìĦľ", "à¸ľà¸¥à¸´à¸ķ à¸łà¸±", "à¸ľà¸¥à¸´à¸ķà¸łà¸± à¸ĵ", "à¸ľà¸¥à¸´à¸ķà¸łà¸±à¸ĵ à¸ij", "à¸ľà¸¥à¸´à¸ķà¸łà¸±à¸ĵà¸ij à¹Į", "ĠпÑĢ имеÑĢ", "ãĤŃ ãĥ¼", "l â", "Ġch Äĥm", "缮 ãģ®", "ãģĦ ãģĭ", "ãģ¨è¨Ģ ãģĨ", "×ĸ ×ķ×Ĵ", "Ġ×ij ×ĵ×Ļ", "Ġ×ij×ĵ×Ļ ×ķק", "ãģĬ åºĹ", "à¸ķà¸Ńà¸Ļ à¸Ļีà¹ī", "Ġph á»iji", "п ÑĤ", "สà¸Ļ าม", "Ø· ÙĪ", "ص اØŃ", "صاØŃ Ø¨", "ĠD ü", "ĠDü nya", "Ġп ока", "п ал", "ĠÄij ảo", "ĠاÙĦÙģ ÙĪر", "ĠاÙĦÙģÙĪر Ùĥس", "Ġmá u", "кÑĢ еп", "ĠاÙĦس اعة", "ĠгоÑĢ ода", "Ùģ صÙĦ", "ай ÑĤе", "Ġд ог", "Ġдог овоÑĢ", "ĠØ¥ Ø°", "Ġ×ij׼׾ ׾", "ÙĬ تÙĩ", "×Ĵ ×ijר", "Ġbir ç", "Ġbirç ok", "문 íĻĶ", "ãģĿãģĨ ãģª", "را ØŃ", "ĠÙħ رة", "ĠденÑĮ ги", "f ä", "à¸Ĥà¹īา ว", "ĠÑģов ÑĢем", "ĠÑģовÑĢем енн", "׾×Ĺ ×¥", "èī¯ ãģı", "ĠÙģ Ø£", "Ġ×ķ ×ĸ×Ķ", "Ġз ани", "Ġзани ма", "Ġê°Ģì§Ģ ê³ł", "Ġh Æ¡i", "ãģªãģ® ãģĭ", "ãĥĨ ãĥ¬ãĥĵ", "Ġר ×ij×ķת", "à¸ķ ี", "Ġ×ijש ×ł×ª", "ĠT ại", "Ġthu áºŃn", "Ñģ ел", "Ñij м", "dzi Äĩ", "ĠÑģ ка", "ĠÑģка Ñĩ", "ĠÑģкаÑĩ аÑĤÑĮ", "×ķ×ŀ ×ķ", "г ла", "Ġмин ÑĥÑĤ", "åĩº ãģĻ", "Ġ×Ĺ×Ļ ×Ļ×ij", "Ġת ×Ĵ×ķ×ij×Ķ", "à¸£à¸¹à¸Ľ à¹ģà¸ļà¸ļ", "ни ÑĨа", "ĠÄ° n", "ĠØ£ ع", "Ġض ÙħÙĨ", "Ùħ ثاÙĦ", "ĠyaÅŁ an", "ĠìĹ° 구", "ĠL ê", "ש׾ ×Ĺ", "ãģı ãģªãĤĭ", "ìĹĨ ìĿ´", "ĠÑĤ ÑĢи", "ĠÑĩаÑģÑĤ о", "Ġоб ÑĢаÑĤ", "п ло", "د Ø®", "دخ ÙĪÙĦ", "س Ùĩ", "à¸Ń าà¸ģ", "à¸Ńาà¸ģ าศ", "Ġ׼ ×ĸ×Ķ", "Ġ×Ķ×¢ סק", "ĠاÙĦØ£ ÙĨ", "å¹´ ãģ«", "×¢ ש×ķ", "Ġש ×¢×ķת", "Ġm Ãłn", "×IJר ×Ļ", "sı yla", "Ùģر ÙĤ", "ни Ñħ", "Ġت ست", "è¦ĭ ãģ¦", "ØŃا ÙĪÙĦ", "×IJ ×Ļ׼×ķת", "ĠbaÅŁ ladı", "st Äħ", "stÄħ pi", "à¸Ĺีà¹Ī à¹Ģรา", "ÙĤر ر", "ج اب", "Ġ×ijר ×ķר", "à¹Ģà¸Ĥà¹īา à¹ĥà¸Ī", "×ŀ׊קר", "al ım", "Ġס ×Ļפ×ķר", "ãģ§ãģĤ ãĤĮãģ°", "Ġש×ŀ ×ķר×ķת", "Ġ×ķ ×ŀ×Ķ", "ãģĵ ãģĿ", "id ée", "ä¸ĭ ãģķãģĦ", "تÙĨا ÙĪÙĦ", "Ġ ลà¹īาà¸Ļ", "Ġìļ°ë¦¬ ëĬĶ", "اÙĨ ا", "ÑģÑĤ ой", "б оÑĤ", "ĠyaÅŁ am", "kö y", "Ø¥ ÙĦ", "ÑĢ Ñĭв", "기 ìĹħ", "Ġ×Ķ×ŀ ×ĵ", "Ġ×Ķ×ŀ×ĵ ×Ļ׳×Ķ", "د ب", "×¢ ×Ļ׳×Ļ", "×ŀ ת×Ĺ", "Ġפ ר×Ļ", "ãĥĭ ãĥ¼", "اÙħ ÙĬ", "Ġnh ằm", "ãĤĮ ãģªãģĦ", "ت عرÙģ", "Ġë§Ī ìĿĮ", "ìĵ °", "Ġh ấp", "ר×Ĵ ×Ļ׾", "ب Ùİ", "Ġr Äĥng", "gl Äħd", "ĠÑģиÑģÑĤем Ñĭ", "Ġkh óa", "ãģ§ãģĻ ãĤĪãģŃ", "大ãģį ãģı", "기 를", "Ġké o", "ÙĪ Ø¡", "ج اÙħ", "جاÙħ ع", "Ġ×¢ ×Ļצ×ķ×ij", "t éri", "Ġת ש", "Ġ×IJ ×ij×Ļ", "ĠCh Æ°Æ¡ng", "à¸ļริ à¹Ģว", "à¸ļริà¹Ģว à¸ĵ", "ãģ¤ ãģı", "Ġ×Ĺ ×ķ׾", "עת ×Ļ×ĵ", "ש ×Ļ×ŀ×Ķ", "ëĤ ¨", "Ġש×IJ ×Ļף", "ĠÙĪاÙĦ Ø¥", "ÑĦ а", "Ġkh ám", "Ġ×ĺ ×ķ×ij×Ķ", "ĠвÑĭ Ñģ", "ĠвÑĭÑģ око", "ĠاÙĦØŃ Ø¯ÙĬØ«", "人 ãĤĤ", "d Ã¼ÄŁÃ¼", "×Ļ×Ĺ ×ķ×ĵ", "تع ÙĦÙĬ", "تعÙĦÙĬ ÙĤ", "l ö", "تØŃ Ø¯ÙĬد", "н его", "ĠÑĥд об", "Ġ׾ ×ŀ×Ļ", "Ġר ×ķצ×Ļ×Ŀ", "Ġج اء", "Ġ×ij ×ĸ×ŀף", "à¸Ľà¸ģ à¸ķิ", "é«ĺ ãģı", "à¸Ľà¸¥ า", "Ġart ık", "Ġbug ün", "ק ׳×Ļ", "Ġkho á", "ĠÙħ رÙĥز", "ĠìŀIJ 기", "در جة", "×ŀש ר×ĵ", "Ġgi ấy", "Ġch óng", "ק פ", "ÙĬب Ø©", "ĠczÄĻ sto", "в али", "Ùĥ ب", "ìŁ ģ", "ส à¸ļาย", "à¸Ľà¸£à¸°à¸Ĭา à¸Ĭà¸Ļ", "×Ĵ ×ķ×£", "ëŁ ī", "ãģ® ãģĵãģ¨", "ล à¸Ń", "Ġngh á»ī", "åŃIJ ãģ©", "åŃIJãģ© ãĤĤ", "à¹Ħà¸Ķ à¹īà¸Ńย", "à¹Ħà¸Ķà¹īà¸Ńย à¹Īาà¸ĩ", "×ĵ ×¢", "ĠاÙĦت Ùī", "ĠÑģов еÑĤ", "Ġqual itÃł", "åĩº ãģĹ", "ĠÑĢÑĥк ов", "ĠÑĢÑĥков од", "ราย ละà¹Ģà¸Ńียà¸Ķ", "ãģªãģĭ ãģªãģĭ", "기 ê´Ģ", "Ġ×Ĺ ×ķש", "Ġ×Ĺ×ķש ×ij", "л оÑĤ", "à¸Ļะ à¸Ħรัà¸ļ", "ק×ij ×ķצ×Ķ", "Ġth ái", "Ġש ×ij×Ķ", "ĠÑĪ кол", "ĠÙĦ ÙĥÙĦ", "à¹ĥà¸Ļ à¸Ĭà¹Īวà¸ĩ", "ĠÙħ ÙĥاÙĨ", "ë ķĮ", "Ġc ải", "ĠCh ÃŃ", "ÑĥÑĩ а", "ìĿ µ", "Ġx ảy", "à¸Ĭà¸Ļ ิà¸Ķ", "Ġc áºŃu", "к ÑĢов", "ss é", "ĠÙĨ ÙĪع", "ĠТ а", "Ø® Ùħس", "פ×ķס ×ĺ", "Ġm ắc", "ĠÄij em", "à¸ģาร à¹ĥà¸Ĭà¹ī", "ר ×ķס", "ĠÐĽ е", "Ġth á»Ń", "รà¹Īาà¸ĩ à¸ģาย", "üz ü", "æĹ¥æľ¬ ãģ®", "ê³¼ ìłķ", "ש ×Ļ×IJ", "ĠìŀĪ ê³ł", "×ij ×ķ׾", "ìķ ħ", "ĠÙĪاÙĦ ا", "ĠÐĽ и", "ĠвÑģ Ñij", "Ġużytk ow", "×Ĺ ×ķ׾", "ر Ùģض", "Ġson uç", "ãģĦ ãģ¾ãģĽãĤĵ", "ìĤ¬ ìĹħ", "ëĪ Ħ", "ÑĤ ек", "Ġud ziaÅĤ", "л ез", "Ġ×Ķ×Ļ ×Ļת×Ļ", "ãĤīãĤĮ ãģ¦", "Ùħس ؤÙĪÙĦ", "ر ار", "ÑĤ ан", "ĠÄij Ãło", "Ġר ×ķ×ij", "Ġ×ijש×ij ×Ļ׾", "ä»ĬåĽŀ ãģ¯", "ãĤ¸ ãĥ¥", "Ġ×¢ ×ijר", "ãģĽ ãģ¦", "п олÑĮ", "ak lı", "Ġk ÃŃnh", "د ت", "лож ение", "ĠاÙĦÙħ ص", "ĠاÙĦÙħص رÙĬ", "à¸Īริà¸ĩ à¹Ĩ", "ĠاÙĦشر ÙĥØ©", "ĠÄij á»ı", "ãĥĽ ãĥĨ", "ãĥĽãĥĨ ãĥ«", "Ñį кон", "Ñįкон ом", "ĠÙĪ عÙĨ", "Ġת ׳", "Ġ×ª×ł ×IJ×Ļ", "ĠاÙĦدÙĪÙĦ ÙĬØ©", "Ġì§Ģ ìĹŃ", "ãģ§ãģĻ ãģĭ", "Ġв аÑĢи", "ĠваÑĢи анÑĤ", "ĠاÙĦع رب", "ел а", "Ġt Æ°á»Ľng", "sk Äħ", "Ġm ặc", "ส ัà¸ģ", "ãĥĵ ãĥ¼", "Ġ×ij ×Ĵ׾", "Ġ×ij×Ĵ׾ ׾", "ãĥķãĤ¡ ãĥ³", "×ij ×Ļצ", "×ij×Ļצ ×ķ×¢", "ли ÑģÑĤ", "à¸Ł ุ", "à¸Łà¸¸ à¸ķ", "à¸Łà¸¸à¸ķ à¸ļà¸Ńล", "à¸Ŀ à¹Īาย", "ìŀIJ ìĿĺ", "Ġس ÙĪÙģ", "Ġש ×Ķת", "Ġê± ¸", "×¢ ×ij×ķ×ĵ", "ãģĻãĤĭ ãģĵãģ¨ãģĮ", "ĠÑĩа ÑģÑĤÑĮ", "ãĤ¢ ãĥ¡ãĥª", "ãĤ¢ãĥ¡ãĥª ãĤ«", "Ġtak ım", "Ġs Ỽ", "ĠsỼ m", "שר ×Ķ", "è¨Ģ ãģĨ", "л ан", "ì» ¤", "׼ ׳×Ķ", "ÙĪÙģ ÙĬ", "íĹ Ī", "lu ÄŁu", "ĠëĮĢ íķ´", "Ġ׾×ij ×Ļת", "Ġ×Ķר×IJש ×ķ׳×Ķ", "ص Ùħ", "Ġsö yled", "Ġsöyled i", "à¸Ľ าà¸ģ", "Ġard ından", "ãģĪ ãģŁ", "à¸Ĺัà¹Īว à¹Ħà¸Ľ", "Ġ׳×ķס ×£", "б олÑĮ", "ãĤĵãģ§ãģĻ ãģijãģ©", "ĠлиÑĪ ÑĮ", "Ġ×ij ×IJ×Ļ", "ĠбÑĭ ÑģÑĤÑĢо", "ส ัà¸Ļ", "Ġ×ij פ׳×Ļ", "л еÑĩ", "ĠاÙĦØ® بر", "Ġsó c", "Ġth ú", "Ġп ÑıÑĤ", "ãģĬ é¡ĺ", "ãģĬé¡ĺ ãģĦ", "ÑĤ ин", "ãģ«ãģ¤ãģĦãģ¦ ãģ¯", "פ ף", "Ġдв ÑĥÑħ", "à¸į ีà¹Ī", "à¸įีà¹Ī à¸Ľ", "à¸įีà¹Īà¸Ľ ุ", "à¸įีà¹Īà¸Ľà¸¸ à¹Īà¸Ļ", "оп еÑĢ", "ĠاÙĦب شر", "ĠاÙĦÙħ اÙĦ", "ıyor uz", "تØŃ ÙħÙĬÙĦ", "à¸ģ ะ", "éĸĵ ãģ«", "×Ĺ ×ķש", "ĠNg uyên", "ãģĦãģ¦ ãģĦãĤĭ", "дÑĥ ÑĪ", "ש פע", "ÑĪ Ñĥ", "å®Ł éļĽãģ«", "ĠÑĢай он", "ĠCh á»ī", "ÙĨ صر", "Ġìļ ´", "Ġìļ´ ìĺģ", "Ġ×Ķ×ĵ ×Ļף", "ØŃد د", "ر ز", "ĠاÙĦد Ùħ", "ĠPh áp", "ÑĤ ÑģÑı", "è¦ĭ ãģĪ", "Ġti á»ĥu", "Ġs á»Ńa", "а ÑİÑĤÑģÑı", "ĠB á", "Ġ×ķ ׼׾", "Ð ĸ", "ÑĪ им", "ìĿ´ ëĬĶ", "л ев", "d ık", "Ġprés ente", "Ġara ç", "صد ÙĤ", "Ġпом ог", "ĠاÙĦشر ÙĤ", "ĠÙĪاÙĦ Ø°ÙĬ", "رÙĬ ا", "×ij ׳×ķת", "Ġng á»ĵi", "ר ×ķפ", "ר×ķפ ×IJ", "Ġth ấp", "ãĤĦ ãģ¯", "ãĤĦãģ¯ ãĤĬ", "ĠاÙĦج دÙĬدة", "éĿŀ常 ãģ«", "ÙĬÙĦ ÙĬ", "ìª ½", "تع اÙħÙĦ", "ãģł ãģ¨æĢĿãģĦãģ¾ãģĻ", "Ùħ Ùħ", "иÑĤе ли", "ãĤµãĤ¤ ãĤº", "اد ات", "ĠاÙĦÙħ اÙĦÙĬØ©", "Ùĥات ب", "к ли", "веÑĢ Ñħ", "ни Ñĩ", "Ġ×ľ×¢ ×ij×ķ×ĵ", "׾ ×Ļ×Ķ", "ØŃ Ùİ", "ãĤ¤ ãĥĻ", "ãĤ¤ãĥĻ ãĥ³ãĥĪ", "Ġת ×Ĵ×ķ×ij×ķת", "ÑĦ он", "ĠдÑĢÑĥг ие", "×IJ ×ĸ×ķר", "Ġper ò", "ìķ ŀ", "åĢŁ ãĤĬ", "ר צ×Ļ", "×IJ ×ĸ", "алÑĮ нÑĭÑħ", "Ġê²ĥ ìľ¼ë¡ľ", "ĠпÑĢав о", "ĠاÙĦØ£ رض", "à¹Ģà¸Ĺ à¸Ħ", "à¹Ģà¸Ĺà¸Ħ à¹Ĥà¸Ļ", "à¹Ģà¸Ĺà¸Ħà¹Ĥà¸Ļ à¹Ĥล", "à¹Ģà¸Ĺà¸Ħà¹Ĥà¸Ļà¹Ĥล ย", "à¹Ģà¸Ĺà¸Ħà¹Ĥà¸Ļà¹Ĥลย ี", "צ ר×Ļ", "ĠÐļ Ñĥ", "ıl ma", "決 ãĤģ", "ا ÙĪ", "Ġ×ĵ ק×ķת", "à¸Ħร ู", "ĠÙħست ÙĪÙī", "à¸Ľ à¹īà¸Ńà¸ĩ", "à¸Ľà¹īà¸Ńà¸ĩ à¸ģัà¸Ļ", "×ĵ ×ķ×ŀ×Ķ", "ĠÑģ егоднÑı", "س ÙĪÙĤ", "ר×Ĺ ×ķ×ij", "ĠØ¥ دارة", "Ñħ ож", "éģİ ãģİ", "à¸Ħ à¸Ń", "нÑĥ л", "×ķ׼ ×Ķ", "ÙĪ اÙģÙĤ", "׼׾ ׾", "Ġ×Ķ ×ĵ×ķ", "Ġl Ä©nh", "Ġkh ảo", "×IJ×ŀ צע", "ë¨ ¸", "Ġ׼ ×Ļצ", "Ġ׼×Ļצ ×ĵ", "Ġдолж нÑĭ", "หว ัà¸ĩ", "ãĥĩ ãĤ¶", "ãĥĩãĤ¶ ãĤ¤ãĥ³", "Ġng á»Ŀ", "ä¸Ń ãģ«", "à¸ģลัà¸ļ มา", "جÙħ اÙĦ", "à¸Ķัà¸ĩ à¸ģลà¹Īาว", "س ÙĥÙĨ", "س ÙĨ", "Ġözellik le", "з еÑĢ", "rz ÄĻ", "×ŀ ×ķר×Ķ", "Ġl ạ", "×ŀ ×Ļ׳×Ļ", "ר ×Ļת", "ãģĿãĤĮ ãģĮ", "ãģĭ ãĤĮ", "ĠÙĬÙħÙĥÙĨ Ùĥ", "öff entlich", "г ан", "ĠاÙĦØŃ ÙĦ", "ĠmiÄĻd zy", "ĠÑĩа ÑģÑĤи", "ujÄħ cy", "ĠbaÄŁ lı", "ĠiliÅŁ ki", "Ùģ اء", "ãĥª ãĥ³ãĤ°", "Ġhã ng", "ĠконÑĤ ÑĢ", "ĠконÑĤÑĢ ол", "к оп", "ש ×Ļ×¢", "ש×Ļ×¢ ×ķר", "ĠÐĴ аÑĪ", "Ġ×Ķ תק", "ÙħÙĨ ع", "ĠpolÃŃt ico", "Ġг олов", "ĠØ¥ ÙĬ", "Ø¥ ÙĨتاج", "à¸ļ ิ", "Ġг овоÑĢ", "ĠговоÑĢ иÑĤ", "Ġph á»ķ", "ĠÑģем ÑĮ", "ãģ¯ ãģĤãĤĬãģ¾ãģĽãĤĵ", "ĠÙĪ است", "×ŀש פ×ĺ", "з ем", "×ŀ×ĵ ×ijר", "Ġíģ °", "ĠìĿ´ ë²Ī", "ê°Ģ ëĬĶ", "Ġì§Ģ ìĽIJ", "Ġca ÅĤy", "Ġgeli ÅŁtir", "Ñģк ое", "pos é", "Ġkh ô", "à¸ķิà¸Ķ à¸ķาม", "miss ão", "Ġ׾ ×ŀר", "Ġ׾×ŀר ×ķת", "Ġb ó", "à¸ķรวà¸Ī สà¸Ńà¸ļ", "Ġngh á»ģ", "Ġб из", "Ġбиз неÑģ", "ÑģÑĤ еÑĢ", "ÙĪ Ùİ", "楽 ãģĹãģ", "楽ãģĹãģ ¿", "ãģĵãĤĮ ãģĭãĤī", "wiÄħ zan", "ส à¸Ńà¸Ļ", "Ùħ ÙĪر", "׳×ĵ ׾", "Ġ×Ķ×IJ ×ĵ×Ŀ", "Ġм олод", "ØŃ Ùħا", "ØŃÙħا ÙĬØ©", "ÑģÑĤ ÑĢан", "Ġbu á»ķi", "ת×Ļ ×Ļ×Ŀ", "abile ceÄŁi", "L Ä°", "à¹Ģย à¸Ńะ", "à¸Ī ร", "س ÙĥاÙĨ", "à¸Ļ ัà¸Ķ", "Ġm ấy", "ĠÐij а", "s ÅĤaw", "ĠÙģ ÙĦا", "ĠкоÑĤоÑĢ ой", "Ġпло Ñī", "ĠплоÑī ад", "ãĤĤ ãģĤãĤĬ", "sz czÄĻ", "×Ļפ ×ķ", "ש×ŀ ת", "owa ÅĤa", "Ġn ông", "צ×ij ×IJ", "ĠìŀĪ ìĹĪ", "ãģ¾ ãģ¨", "ãģ¾ãģ¨ ãĤģ", "ÙĤÙĪ ات", "ãģ¿ ãĤĵãģª", "Ġ׼ ×ŀ×¢×ĺ", "Ġx úc", "ï¼ Ĩ", "r ÄĻ", "rÄĻ cz", "×ĵ ×ŀ×Ļ", "Ġt áºŃn", "à¸Ķ วà¸ĩ", "ê²½ ìłľ", "п ÑĥÑĤ", "Ø£ ربع", "Ġ×ŀ שת×ŀש", "ãĤ¿ãĤ¤ ãĥĹ", "Ġìłľ ê°Ģ", "Ġ׾ ׼ף", "ĠобÑĢаз ом", "ÙĬÙĥ ا", "w ÅĤ", "wÅĤ asn", "ĠاÙĦÙĪØ·ÙĨ ÙĬØ©", "بÙĬ ب", "×ŀ ׾×Ļ", "к ÑĢаÑĤ", "기 ìĹIJ", "ÙĤ اد", "ĠÙĦ دÙī", "à¸Ħวาม รูà¹ī", "×ŀ×ĵ×Ļ׳ ×Ļ×ķת", "ê² ¨", "Ġíĺ Ħìŀ¬", "ש ת×Ļ", "м ол", "Ġmá i", "à¸ŀิ ม", "à¸ŀิม à¸ŀ", "à¸ŀิมà¸ŀ à¹Į", "หล วà¸ĩ", "Ġx uyên", "×Ĺ ×¡×¨", "رÙĪ ÙĨ", "ãģĿãģĨ ãģĦãģĨ", "ãģĿãĤĮ ãģŀ", "ãģĿãĤĮãģŀ ãĤĮ", "Ġ׼ ש×Ķ", "ÐŁ ÑĢав", "×ŀ×ij צע", "ع رب", "Ġbü yü", "פ×Ļת ×ķ×Ĺ", "à¸Ī à¸ļ", "ĠØ£ Ùĥبر", "שר ת", "×ŀ׼ ש×Ļר", "ĠÙĪ Ùħع", "ãģ® ãģŁãĤģãģ«", "à¸Ļ ัà¸ļ", "ì° °", "ãĥª ãĥķãĤ©", "ãĥªãĥķãĤ© ãĥ¼ãĥł", "Ġc Æ°á»Ŀng", "ĠìłĢ íĿ¬", "ÙħÙĨظ ÙħØ©", "Ġhiç bir", "ãģ§ãģ¯ ãģĤãĤĬãģ¾ãģĽãĤĵ", "ร à¸Ńย", "ëIJľ ëĭ¤", "ãģĻãģIJ ãģ«", "к ла", "Ġürün ler", "Ġki á»ĥu", "ĠëĤĺ ëĬĶ", "ÑĤ ки", "Ñģ им", "Ġchá»ī nh", "ãĤĤ ãģªãģĦ", "ศ รี", "æĽ¿ ãģĪ", "ta ÅŁ", "Ġب ÙĥÙĦ", "Ġ×ķ ×Ļש", "vis ão", "ä¼ Ŀ", "ä¼Ŀ ãģĪ", "ÙĦ د", "׾ ×Ļ×ŀ", "׾×Ļ×ŀ ×ķ×ĵ", "t ória", "د Ùij", "اÙħ ر", "Ġê·¸ëłĩ ê²Į", "Ġmateria ÅĤ", "à¸Ĺ รา", "à¸Ĺรา à¸ļ", "ãģ®æĸ¹ ãģĮ", "ãģ¦ ãģįãģŁ", "ض غ", "ضغ Ø·", "ĠÙĬ عÙĨÙĬ", "ел о", "×IJ×Ķ ×ij×Ķ", "×¢ ×ŀ", "ÅŁ ık", "ìŀIJ ëĬĶ", "ãĤ¿ ãĥ³", "Ġb áºŃt", "×ŀשפ ×Ĺ×Ķ", "к ÑĢи", "б ли", "สั à¸ķ", "สัà¸ķ วà¹Į", "ĠسÙĨ ÙĪات", "ĠPh Æ°Æ¡ng", "ãģ¦ãģĹãģ¾ ãģ£ãģŁ", "ãģª ãģľ", "Ġ×ij×IJ ×ķ", "Ġc án", "س جÙĦ", "Ġl ẽ", "ãĤ± ãĥ¼ãĤ¹", "Ġק ×Ļ×ij׾", "à¸ļà¸Ĺ à¸Ħวาม", "Ġ×ķ ׼ף", "ĠпÑĢедÑģÑĤав лен", "Ġn á»iji", "Ġcoment ário", "ени ем", "Ġtá» ı", "l Ãł", "Ġש×Ķ ×Ļ×Ķ", "Ñģл ав", "ĠاÙĦ ÙĪÙĦا", "ĠاÙĦÙĪÙĦا ÙĬات", "ÙĦج ÙĨØ©", "ק×ķר ×IJ", "бÑĭ ÑĤ", "Ġì ¦", "Ġì¦ ī", "ãģ§ãģĻ ãģĹ", "หรืà¸Ń à¹Ħมà¹Ī", "за ÑīиÑĤ", "ÙģÙĦ سطÙĬÙĨ", "Ġmi á»ħn", "à¹Ģย à¹ĩà¸Ļ", "ĠçalÄ±ÅŁ an", "×Ļ×Ĵ ×Ķ", "ĠE ÄŁ", "ĠEÄŁ itim", "ãĥĥãĤ· ãĥ¥", "Ġоп Ñĭ", "ĠопÑĭ ÑĤ", "ر غ", "رغ ب", "ĠÑģво иÑħ", "à¸Ľà¸£à¸° à¸ķ", "à¸Ľà¸£à¸°à¸ķ ู", "Ġ×ŀ×IJ ×ĵ", "׼ ×ķ׳×Ļ×Ŀ", "à¸Ļ ี", "ĠвÑĭ Ñħод", "ãģ®ä¸Ń ãģ«", "פ ׾×IJ", "ĠÙĪ ÙĦÙĬس", "פ×ķר ס", "פ×ķרס ×Ŀ", "Ùħ سÙĦÙħ", "Ġng ôi", "×ĵ ×ŀ×ķת", "ãĤĴ使 ãģ£ãģ¦", "ĠпомоÑī ÑĮÑİ", "Ø£ سر", "бл ок", "ÙĤ Ùĩ", "ãģĹãģ¾ ãģĦ", "ãģ¨ ãģĹãģŁ", "Ġп еÑģ", "ãĥī ãĥ«", "×Ĺ ×Ŀ", "ãģĹãģª ãģĮãĤī", "ĠÐŁ ÑĢед", "ãĥģãĤ§ ãĥĥãĤ¯", "å¼· ãģĦ", "ש ×Ļר×ķת", "д аеÑĤ", "×Ļ×ij ×ķ", "Ġgen ç", "ил аÑģ", "илаÑģ ÑĮ", "ĠبÙĦ د", "æĤ ª", "æĤª ãģĦ", "Ġ×ŀ שת", "æ§ĺ ãĢħ", "æ§ĺãĢħ ãģª", "à¸ĺรรม à¸Ĭาà¸ķิ", "ĠÙĥ اÙħÙĦ", "ĠاÙĦس Ùħ", "×ij×ĺ ×Ļ×Ĺ", "c á", "g ência", "ãĤ¹ãĤ¿ ãĥ¼", "à¸Ĺำ à¸ģาร", "×Ļ׾ ת", "Ġ×Ļ ×ķצ×IJ", "w ój", "à¸ļุ à¸Ħ", "à¸ļุà¸Ħ à¸Ħล", "ع تÙħ", "عتÙħ د", "ãģĿãĤĮ ãģ«", "ĠاÙĦت ارÙĬØ®", "ÙĤر اء", "Ġyönet im", "ק שר", "ĠÑģп оÑĢÑĤ", "Ġר×IJש ×ķף", "Ġseñ al", "Ġch ắn", "çĦ¡ ãģĦ", "ĠдоÑģÑĤ аÑĤ", "ĠдоÑģÑĤаÑĤ оÑĩно", "Ġá gua", "à¸ģร à¸ĵ", "à¸ģรà¸ĵ ี", "Ġ×ŀש ×ķ", "Ġtr ải", "ë² Į", "ujÄħ cych", "Ùģر د", "à¹ĥ à¸ģล", "à¹ĥà¸ģล à¹ī", "ãĤĭ ãģ®ãģ¯", "ר×ķ ×ķ×Ĺ", "ÙĨ Ùĥ", "ĠاÙĦÙĨ ÙĤ", "ãģ®ãģ§ ãģĹãĤĩãģĨ", "ãģ®ãģ§ãģĹãĤĩãģĨ ãģĭ", "Ùħ عرÙģ", "ÙħعرÙģ Ø©", "ÑĥÑī е", "Ġ×ij×¢ ×Ļקר", "ت صÙĦ", "Ġ×Ķ×IJ ר", "Ġ×Ķ×IJר ×¥", "ĠÅŀ i", "à¸Ĥา à¸Ķ", "íŀ ĺ", "ãģªãĤĵ ãģ¨", "ĠìĤ¬ëŀ ij", "l Ã¼ÄŁÃ¼", "ب اء", "ĠاÙĦØ¢ خر", "Ġfam ÃŃlia", "ĠTh áng", "Ñī ениÑı", "ãĤ¯ ãĥŃ", "ĠTh ứ", "æĽ¸ ãģį", "ен ной", "ìŀ ¡", "бл аг", "благ о", "п ов", "à¹ģ ว", "à¸ĩ à¸Ħà¹Į", "à¸Ńัà¸Ļ à¸Ķัà¸ļ", "ãģĤ ãģĴ", "ร à¹īาย", "ün ün", "Ġ×Ļ׼×ķ׾ ×Ķ", "з он", "ĠÐľ и", "маÑĤ еÑĢиал", "Ġë³´ ë©´", "ØŃÙģ ظ", "ê Ìģ", "ãģ« ãģĻãĤĭ", "Ġת ×IJ", "Ġ×Ķס ×ķ", "ĠÑģÑĤ оÑĢ", "ĠÑģÑĤоÑĢ он", "ãĥĪ ãĥĥãĥĹ", "ÅĤo ÅĽÄĩ", "ëħ ¼", "ëĵ Ŀ", "ĠÙĪاÙĦ ع", "ì¶ Ķ", "Ġ×Ļצ ×IJ", "ĠÑĢаз дел", "алÑĮ наÑı", "×IJ׳ ש×Ļ", "spo ÅĤ", "spoÅĤ ec", "spoÅĤec zn", "Ø¥ عÙĦ", "إعÙĦ اÙĨ", "ÙĤÙĪ Ùī", "íķĺë©´ ìĦľ", "تط ÙĪر", "Ġsi êu", "Ỽ t", "д ви", "дви ж", "Ġqu ần", "k ıl", "ĠпÑĢи зна", "ĠH ã", "ĠHã y", "ĠباÙĦ ت", "man ın", "ãĤ« ãĥ«", "Ġk á»·", "ק ׾×Ļ", "ëIJĺ ì§Ģ", "تعÙĦ Ùħ", "ìĭľ ìĦ¤", "ìĭ ¶", "íĺ ¼", "Ùĥ ÙĬÙģ", "売 ãĤĬ", "วิ à¸Ĭา", "б ал", "ĠØ£ ØŃ", "Ġдолж ен", "รา à¸ĩ", "ราà¸ĩ วั", "ราà¸ĩวั ล", "Ùħ اء", "ج ار", "Å ļ", "Ġ×ŀ×IJ ×ĸ", "ר ×ŀ×Ķ", "ãģĭãĤĤãģĹãĤĮ ãģªãģĦ", "ét ude", "czÄħ c", "Ġg ór", "×ł×¡ ×Ķ", "Ùħ ÙĬد", "ĠÐŁ еÑĢе", "Ø£ خر", "ãģĿãģ® å¾Į", "à¹Ģà¸Ķียว à¸ģัà¸Ļ", "×ŀ ×Ĵ×ķ", "×ŀ×Ĵ×ķ ×ķף", "д ов", "mas ına", "×¢ ׳×Ķ", "ãĤ± ãĥĥãĥĪ", "ס ×¢", "סע ×Ļ×£", "ĠT Æ°", "Ġt óc", "íĻľ ëıĻ", "ĠÐŀ д", "ĠÐŀд нако", "Ġdol ayı", "ؤ Ùĥد", "ê³Ħ íļį", "׾ ר", "в еÑĩ", "Ġkh ợi", "Ġth ủy", "×ĵ ף", "ร à¸ģ", "à¸ļั à¸ķร", "à¹Ģà¸ģ à¹Īา", "ĠاÙĦØ« اÙĦ", "ĠاÙĦثاÙĦ Ø«", "Ġpod rá", "ער ×Ļ", "ÙĨج اØŃ", "Ġkh ắc", "ì¸ ¡", "Ä° M", "ãĤ» ãĥĥãĥĪ", "ż enia", "Ġ׾×Ĺ ×ijר", "er Ãł", "ì ´Ī", "Ġkü ç", "Ġküç ük", "ات ÙĩÙħ", "à¸ĭ à¹Į", "Ùħشار ÙĥØ©", "ĠاÙĦ بط", "Ġd ây", "ен нÑĭм", "à¸Ĺีà¹Ī à¹Ħมà¹Ī", "ÙĤ Ùİ", "Ġv ượt", "Ġtr ì", "Ġwp ÅĤyw", "A Åŀ", "з о", "ĠاÙĦس ÙĬد", "à¸Ĺะ à¹Ģล", "ĠÑģодеÑĢж а", "ع Ø·ÙĬ", "ĠاÙĦع ÙĨ", "èĢħ ãģĮ", "à¹Ģ หà¸Ļ", "à¹Ģหà¸Ļ ืà¸Ń", "Ġb ÃŃ", "Ġüzer inden", "ĠV Å©", "Ġnu ôi", "ÙĨ Ùħ", "алÑĮ ного", "×¢ ×Ļף", "ØŃ Ø¶Ø±", "ĠоÑĤ дел", "ëª ĩ", "ìķ ¡", "ĠÙĦدÙĬ Ùĩ", "ìĻ ľ", "Ġse ktör", "Ġвозмож но", "ĠÐĶ ж", "Ġh ô", "äºĭ ãģĮ", "иÑĢов ание", "алÑĮ ной", "Ġ미 êµŃ", "ر ØŃÙĦ", "ĠÑįк Ñģ", "пÑĢав лÑı", "Ġnh á»Ŀ", "ĠÄij ẩ", "ĠÄijẩ y", "Ùģ Ùĥر", "ĠÙĪØ£ ضاÙģ", "ãĥIJ ãĤ¹", "ת×ķ׼ ׳×Ļת", "ÑĤел ей", "ĠØ¥ÙĦÙĬ Ùĩ", "ãģ¨è¨Ģ ãģ£ãģ¦", "Ġдв е", "Ġch ấp", "ĠL ö", "à¸Ħล ิ", "à¸Ħลิ à¸Ľ", "Ġس ÙĪر", "ĠسÙĪر ÙĬا", "×ŀ×Ĺ ×ķ", "st ä", "д об", "Ġni á»ĩm", "ãģ® 大", "פר×ķ ×Ļק", "פר×ķ×Ļק ×ĺ", "ĠCh âu", "Ġ×ŀ×Ķ ×Ŀ", "Ñģк им", "ĠполÑĥÑĩ иÑĤÑĮ", "ÙĬ ÙĪÙħ", "Ø« ÙĪر", "פ×ķ׾ ×Ļ×ĺ", "פ×ķ׾×Ļ×ĺ ×Ļ", "ĠмеÑģÑı ÑĨ", "åħ¨ ãģ¦", "ĠاÙĦÙħ جÙĦس", "ĠاÙĦت اÙĦÙĬ", "Ġ׊ר", "åIJij ãģij", "׼ ×ŀ×Ķ", "б ед", "Ø£ عض", "أعض اء", "ÙĪÙĦ د", "วà¹Īา à¸Īะ", "Ġb ánh", "à¸Ļิ ย", "à¸Ļิย ม", "à¸Ľà¸£à¸° à¸ģัà¸Ļ", "ÑģÑĤав иÑĤÑĮ", "à¸ŀ à¸Ļัà¸Ļ", "ĠÑį ÑĦÑĦ", "ĠÑįÑĦÑĦ екÑĤив", "Ġав ÑĤоÑĢ", "ĠÄIJ Äĥng", "Ġth Æ°á»Łng", "ãĤĴ æĦŁãģĺ", "à¸ģัà¸ļ à¸ģาร", "å¾Į ãģ«", "Ġya ÄŁ", "ست اÙĨ", "Ġli á»ģn", "ãģĦ ãģ¾", "i êu", "à¹Ĥà¸Ķ à¸Ļ", "ĠÙĦ Ø°ÙĦÙĥ", "à¹Ĥรà¸ĩ à¹Ģรียà¸Ļ", "צ ×Ļ×Ĵ", "ĠاÙĦÙħ عÙĦÙĪÙħات", "ç§ģ ãģŁãģ¡", "à¸Ĺีà¹Ī à¸Ħุà¸ĵ", "ãģ«ãģª ãģ£ãģ¦ãģĦãĤĭ", "×ŀ×ĵ ×Ļ׳×Ķ", "ס ׼×Ŀ", "Ġв не", "à¸ŀ à¸Ļัà¸ģà¸ĩาà¸Ļ", "ÑĢ ей", "à¹Ģà¸Īà¹īา หà¸Ļà¹īาà¸Ĺีà¹Ī", "ĠHi á»ĩn", "Ġméd ico", "ĠتØŃ ÙĤÙĬÙĤ", "ÑĮ ÑĤе", "miÅŁ ti", "ÙĤÙĬ ادة", "ãĤı ãģĭãĤĬ", "มา à¸Īาà¸ģ", "ëħ Ģ", "ãģ«éĸ¢ ãģĻãĤĭ", "×IJר×Ĵ ×ķף", "m ètre", "Ġעצ ×ŀ×Ļ", "ĠCh úa", "รูà¹ī à¸Ī", "รูà¹īà¸Ī ัà¸ģ", "ì£ Ħ", "ëĭ µ", "à¹ģà¸Ĺ à¹ī", "Ġgeç en", "Ġlan ça", "ĠاÙĦ بØŃØ«", "×ĵ ×ŀ×ķ", "ãģ¯ ãģĺ", "ãģ¯ãģĺ ãĤģ", "Ġdön Ã¼ÅŁ", "è¿ij ãģı", "à¹Ģส ม", "à¹Ģสม à¸Ń", "ëĿ ½", "Ġü ç", "á» ŀ", "ÑĪ аÑı", "à¸Ĺ ร", "ØŃ ÙĤÙĬÙĤØ©", "à¸Ĥà¸Ńà¸ĩ à¸ģาร", "Ġ무 ìĹĩ", "Ġ×Ķ ׼ר", "ĠاÙĦص ÙĬÙĨ", "ĠлÑİ Ð´Ð¸", "à¸ķ าย", "ب ÙĪÙĦ", "Ġvi êm", "Ġthi á»ĩu", "à¸ģ à¸Ķ", "Ġ׾ ×ĵ×ijר", "פ ׳×Ķ", "×IJר ×ij×¢", "س Ùī", "ĠاÙĦسÙĬ اس", "ĠاÙĦسÙĬاس ÙĬØ©", "yd ı", "ÙĪØŃد Ø©", "ĠдеÑıÑĤелÑĮ ноÑģÑĤи", "Ġ×ķ×Ķ ×ŀ", "п еÑĩ", "пеÑĩ аÑĤ", "иÑĢов аниÑı", "ĠÑģ ог", "ĠÑģог лаÑģ", "Ġ׼ ×ĵ", "Ġ׼×ĵ ×IJ×Ļ", "ĠиÑģполÑĮзов аÑĤÑĮ", "ס פ×ķר×ĺ", "Ġil çe", "exp érience", "ĠTh á»Ŀi", "Ä° K", "à¹Ħà¸Ł à¸Łà¹īา", "ëĵ¤ ìĹIJê²Į", "à¸Ľà¸£à¸° à¹Ģà¸ł", "à¸Ľà¸£à¸°à¹Ģà¸ł à¸Ĺ", "Ġmü mk", "Ġmümk ün", "Ġ×IJ×ķת ׳×ķ", "ìĦ± ìĿĦ", "ĠìĿ´ ìľł", "زÙĬ ارة", "Ġolduk ça", "r ób", "ĠØ£ ÙĨا", "Ġ×Ķ ×ij×Ļ", "Ñģ ен", "×¢ ×Ļקר", "×Ļ×ĵ ×ķ×¢", "d zÄħ", "Ùħ عÙĦÙĪÙħات", "Ø´ اب", "Ġpar ça", "à¸Ļะ à¸Ħะ", "ب اس", "ĠÑĤоÑĢ г", "ĠÑĤоÑĢг ов", "Ġ×Ĺ ×ĵר", "׼ ר×ĺ", "׼ר×ĺ ×Ļס", "ĠA yrıca", "ÃªÌ £", "ìľ ¨", "ĠÑĤак ие", "Ġ×ŀצ ×ķ×Ļ", "ãĥ©ãĥ³ ãĤŃãĥ³ãĤ°", "ש×Ļ×ķ ×ķק", "åīį ãģ®", "ĠB ảo", "Ñī Ñĥ", "æĹ© ãģı", "ĠPh òng", "à¸ŀระ ราà¸Ĭ", "פ ×Ĺ×ķת", "Ġг л", "Ġгл аз", "à¸Ĺ à¹Īา", "Ġd ạy", "ÑĢ оÑģÑĤ", "à¹Ĥà¸Ķย à¹Ģà¸īà¸ŀาะ", "Ġqu áºŃn", "Ġ×Ĺ×ijר ×ķת", "m ême", "mÄ±ÅŁ tı", "ĠاÙĦت داÙĪÙĦ", "Ġn ạn", "Ġ×Ķ ×ĵ×Ļ", "ĠاÙĦØ· رÙĬÙĤ", "×Ĵ ×ķת", "Ġ×Ķ ×ĵר×ļ", "ujÄħ ce", "Ġch ữ", "ãĤĤãģ® ãģ®", "ë° Ľ", "ãģķãĤĵ ãģ¯", "Ġyard ım", "ĠاÙĦع Ùħ", "Ġì§Ħ íĸī", "Ġ×Ļ ×Ĺ", "Ġ×Ļ×Ĺ ×¡×Ļ", "ĠاÙĦÙħ دÙĬÙĨØ©", "Ġc ú", "à¸ģี ฬ", "à¸ģีฬ า", "Ġni ên", "mis ión", "׳×Ļס ×Ļ", "׳×Ļס×Ļ ×ķף", "Ġвоз ÑĢаÑģÑĤ", "Ġ×¢×ķש ×Ķ", "ĠÙħ دÙĬر", "Ñı ÑģÑĮ", "ØŃ Ø¬Ùħ", "íĻĺ ê²½", "ĠاÙĦØ£ خرÙī", "u ÃŁer", "ĠاÙĦعاÙĦÙħ ÙĬØ©", "ĠNg á»įc", "êµIJ íļĮ", "ä¸Ĭ ãģ§", "×Ļ×Ķ ×ķ×ĵ", "×Ļ×Ķ×ķ×ĵ ×Ļ×Ŀ", "Ùħس اعدة", "Ġжиз нÑĮ", "ĠпоÑĤ омÑĥ", "ĠاÙĦÙħ ÙħÙĦ", "ĠاÙĦÙħÙħÙĦ ÙĥØ©", "ĠG ör", "ر ÙIJ", "×ŀק ×ķ×ŀ×ķת", "åĩºæĿ¥ ãĤĭ", "ÑĦ ÑĤ", "ĠìĿ´ ìłľ", "ĠÑĢ ем", "ĠÑĢем онÑĤ", "ת ×ķ×ļ", "æĻĤ ãģ¯", "ãĤīãĤĮ ãģªãģĦ", "alt ı", "家 ãģ®", "ĠاÙĦØ¥ عÙĦاÙħ", "리 ëĬĶ", "ãģĭãĤī ãģ¯", "ĠH ạ", "ãģĤ ãģ®", "×ĵ×Ļ ×ķף", "رÙĬ س", "Ġsoci etÃł", "ĠاÙĦÙĥ بÙĬر", "Ġ×ij ×ŀס", "Ġ×ij×ŀס ×Ĵר", "Ġ×ij×ŀס×Ĵר ת", "ĠìŀĪ ìľ¼ë©°", "Ġn ặng", "Ùĩ Ùī", "ĠB Ãł", "×ŀר ×ķ", "Ġj ÄĻ", "ĠjÄĻ zy", "ĠjÄĻzy k", "Ġ׼ ×ŀ×ķ×ijף", "×¢ ׾×Ķ", "à¸Ĺีà¹Ī à¹Ħà¸Ķà¹ī", "ãģ¾ ãģĹãĤĩãģĨ", "×ŀס פר", "Т Ðŀ", "سÙĬاس Ø©", "Ġкажд Ñĭй", "ë² ł", "t ım", "y á»ĩn", "ร ีà¹Ī", "ĠдеÑĤ Ñģк", "วิà¸ĺี à¸ģาร", "m ówi", "×ĺ×¢ ×Ŀ", "×Ķצ׾ ×Ĺ×Ķ", "ض ÙĬÙģ", "ĠÑħоÑĤ Ñı", "ãĤĵãģ§ ãģĦãĤĭ", "à¸Ħา à¸Ķ", "à¸Ħร à¸ļ", "Ġк ÑĥÑĢÑģ", "ĠbaÅŁ arı", "×ijר ×ķ", "ÙĬع Ø©", "ĠÐĿ Ñĥ", "à¸Ħวาม à¹Ģà¸Ľà¹ĩà¸Ļ", "Ġ׾ ×ŀש׾", "Ġì¢ĭ ìĿĢ", "Ùħؤس س", "Ùħؤسس ات", "Ġpréc is", "Ġth ảo", "à¸ģà¹ĩ à¸Ħืà¸Ń", "Ġש ׼׾", "führ ung", "ãģĦ ãģ§", "à¹ģละ มี", "à¸ģà¹ĩ มี", "Ġש ש", "м ел", "Ġкни г", "ĠباÙĦ ÙĨ", "ĠباÙĦÙĨ سبة", "Ġald ı", "ÑĤ ай", "Ġ×Ĺ×ĵ ש×Ļ×Ŀ", "å®Ł ãģ¯", "ع ÙĪا", "ĠìĿĺ 미", "из м", "ÑĢабоÑĤ аÑĤÑĮ", "Ùģ ص", "Ġ×ij׳ ×ķסף", "ãģ¨ãģĹãģ¦ ãĤĤ", "à¹Ģà¸Ľà¹ĩà¸Ļ à¸Ĺีà¹Ī", "ĠÑģлед ÑĥеÑĤ", "èĢĥãģĪ ãģ¦", "Ġ׼ ×Ļ×ķ×Ŀ", "ÑģÑĤ Ñĭ", "׼׾׼ ׾×Ļ", "æµģ ãĤĮ", "ãĤĴ ãģ¤ãģij", "Ñĩ аÑĤ", "×Ļ׼ ×ķף", "×Ļר ×Ļ", "ları yla", "ãĤ¤ ãĥ¡", "ãĤ¤ãĥ¡ ãĥ¼ãĤ¸", "׳×ĸ ק", "Ġci ò", "Ġs ın", "Ġsın ır", "à¸Ļ à¸Ħร", "к аÑĤ", "Ġl á»Ĺi", "ëŀ Į", "تÙģ اص", "تÙģاص ÙĬÙĦ", "ëĨ ĵ", "ĠÙħ ض", "il miÅŁ", "بار Ùĥ", "ÐĿ Ðĺ", "Ġth ẩm", "Ġ×IJ×ķת ×ļ", "ĠпÑĢин им", "ĠпÑĢиним а", "Ġyö nt", "Ġyönt em", "Ġ×ŀק ×ij׾", "Ġktó rego", "ê· Ģ", "شر Ùģ", "د اÙħ", "ãģĦãĤį ãģĦãĤį", "ĠAl ém", "Ġgör ü", "Ġgörü nt", "Ġgörünt ü", "د س", "ÑĪ ки", "г ÑĢад", "Ġl ạc", "Ġs ữa", "ãĤīãĤĮ ãģ¾ãģĻ", "o Ãłi", "Ñī ен", "ãģĭ ãģªãģĦ", "Ġп оп", "Ġпоп Ñĥ", "ĠпопÑĥ лÑıÑĢ", "ĠاÙĦÙħ ÙĪÙĤع", "rä g", "ï¼ ¡", "íķ Ħ", "ãĤĴè¦ĭ ãĤĭ", "اÙħ ا", "ĠاÙĦØŃ Ø±Ø¨", "ĠÐŁ а", "Ġ׾ ×IJתר", "Ġt á»ijc", "×ij ׾×Ķ", "ر ئÙĬس", "в Ñĥ", "ÙĬ دÙĬ", "каз ан", "Ġ׊ש×ij×ķף", "h ôtel", "×¢ ×ķ׳×Ķ", "ب ÙĨÙĬ", "×ŀ ×ķ׾", "Ġд нÑı", "éĽ£ ãģĹãģĦ", "вед ениÑı", "Ġ×ķ ×ŀת", "н апÑĢимеÑĢ", "ÙĤ ابÙĦ", "Ġrésult at", "ĠÑĢазвиÑĤ иÑı", "ر Ùij", "ìłĦ 문", "ĠاÙĦÙħ زÙĬد", "ĠìľĦ íķ´ìĦľ", "ëĨ į", "íĻ ķ", "ĠThi ết", "íĮ ¨", "malı dır", "Ġcz ÅĤ", "ĠczÅĤ owie", "ĠczÅĤowie k", "ĠÙĦ بÙĨ", "ĠÙĦبÙĨ اÙĨ", "üs ü", "ãģªãĤĵ ãģł", "Ġżyc ie", "ĠÑħоÑĢоÑĪ о", "æĸ¹ ãģ«", "ëĭ¤ ë©´", "иÑĩеÑģ каÑı", "ער ×Ļ׼", "ער×Ļ׼ ת", "ãģ¾ãģĽãĤĵ ãģ§ãģĹãģŁ", "ĠÑģоб ой", "Ġg á»Ĺ", "Ġдел аÑĤÑĮ", "da Äĩ", "аÑĢ а", "róż ni", "à¹Ģล ีà¹ī", "à¹Ģลีà¹ī ย", "à¹Ģลีà¹īย à¸ĩ", "à¸Ŀ าà¸ģ", "Ġت ÙĤ", "ĠتÙĤ دÙĬ", "ĠتÙĤدÙĬ Ùħ", "หà¸Ļ ุà¹Īม", "Ġmü cade", "Ġmücade le", "ì§Ģ 를", "ãĤ¤ ãĤ¹", "ĠØ£ ساس", "jÄħce go", "ĠÅŁ eh", "н ÑĤеÑĢ", "ÑĨи Ñİ", "ï» »", "ÑİÑī его", "à¹Ĥà¸Ľà¸£ à¹ģ", "à¹Ĥà¸Ľà¸£à¹ģ à¸ģรม", "Ġmie Äĩ", "ØŃÙĥÙĪÙħ Ø©", "ãģ§ãģĹãģŁ ãģĮ", "×Ļס ×Ķ", "ãĤĤãģ® ãĤĴ", "Ġ×ŀ ×IJת", "สุà¸Ķ à¸Ĺà¹īาย", "Ġc Å©", "ÙĨ سب", "ĠпÑĢ оÑĩ", "Ġд ней", "ĠÑįÑĤи Ñħ", "׾ ×ŀת", "нÑı Ñı", "Ñį к", "Ġì§Ģ ëĤľ", "มหา วิà¸Ĺยา", "มหาวิà¸Ĺยา ล", "มหาวิà¸Ĺยาล ัย", "d ão", "ĠMá y", "ĠêµŃ ê°Ģ", "à¸ļุ รี", "×Ĵ ×Ļ׾", "ĠÑĤÑĭ ÑģÑı", "ĠÑĤÑĭÑģÑı Ñĩ", "Ùģ Ùĥ", "ĠÐĺ Ñģ", "è¡Į ãĤıãĤĮ", "פר ×ĵ", "ãģ¤ ãģį", "à¸Ħร à¸Ńà¸ļ", "à¸Ħรà¸Ńà¸ļ à¸Ħรัว", "à¸Ĥึà¹īà¸Ļ มา", "ä»ĬæĹ¥ ãģ¯", "ĠìĤ¬ëŀĮ ìĿ´", "עצ ×ŀ×Ķ", "п оÑĢ", "ĠK ỳ", "Ġ Æ¡n", "Ġth Äĥm", "Ùģ اÙĤ", "ãģļ ãģ«", "Ġ׾ קר", "Ġ׾קר ×ķ×IJ", "اÙģ ÙĬØ©", "Ùħ Ùİا", "г аÑĢ", "ص ÙĦا", "صÙĦا Ø©", "Ġ×ŀ ×ĸ×Ķ", "lı ģını", "Ġ×IJ ×Ļ׳×Ķ", "к ÑĢо", "Ġng Æ°Æ¡i", "Ġв ним", "Ġвним ание", "jÄħ cy", "ÙĢÙĢÙĢÙĢ ÙĢ", "Ñģ Ñħод", "ãģªãĤĵ ãģĭ", "×ŀ ×Ļ׾", "Ġ×Ķ×IJ ×Ĺ", "ãĤı ãģªãģĦ", "ع سÙĥر", "ĠìĦ¸ ê³Ħ", "ĠÑĩ его", "ĠÑģÑĢед ÑģÑĤва", "ĠÐł аÑģ", "ãģª ãģģ", "ÙĨ Ùģس", "ר×Ļ ×ķף", "Ñģ Ñĥд", "ĠìĿ¸ ê°Ħ", "ĠاÙĦÙħ ÙĤبÙĦ", "ÙĨ عÙħ", "تÙĪ Ùģر", "ש ×ij×¢", "ı lm", "ılm Ä±ÅŁ", "Ġ×ľ×ª ת", "تص Ùģ", "×Ķפ ×ķ×ļ", "à¹ĥà¸Ļ à¸Ľà¸µ", "ìĿ´ ê³ł", "Ùģ ÙĪز", "à¸ľà¸¥ à¸ĩาà¸Ļ", "ĠGi áo", "à¸ļà¸Ńà¸ģ วà¹Īา", "Ġd Ä±ÅŁ", "ĠdÄ±ÅŁ ında", "ì£ ½", "Ġdzie ÅĦ", "к ÑĨии", "и ÑĨе", "ãģ® ä¸Ģ", "ع Ø´", "пÑĢ еÑģÑģ", "หà¸Ļ à¹Īà¸Ńย", "ลัà¸ģษ à¸ĵะ", "Ġpossibilit Ãł", "à¹Ħà¸Ķà¹īรัà¸ļ à¸ģาร", "หย ุà¸Ķ", "Ġphi ên", "çĶŁ ãģ¾ãĤĮ", "Ø· ÙĪÙĦ", "ÑĦ ин", "f ür", "ØŃ ÙĬاة", "íĸ ĪìĬµëĭĪëĭ¤", "׼ ׳×ķת", "à¸Ľà¸£à¸° ส", "à¸Ľà¸£à¸°à¸ª à¸ļ", "à¸Ľà¸£à¸°à¸ªà¸ļ à¸ģารà¸ĵà¹Į", "ëIJĺ ìĹĪ", "Ġkaż dy", "Ġl uyá»ĩn", "ĠоÑĢганиз аÑĨии", "å°ij ãģªãģı", "ÑģÑĤÑĢо ен", "Ġtécn ico", "ק ×Ķ׾", "Ġ×ķ×IJ ×Ĺ", "ĠعÙĦÙĬ Ùĥ", "Ñī ение", "Ġ×Ķ ×Ļ׾×ĵ×Ļ×Ŀ", "ÙĪس ائÙĦ", "Ġ×ķ ×Ķת", "تÙħ ÙĬز", "ĠÑģ казал", "Ġпол и", "Ġ×Ķ×ŀ ס", "ÙĦÙij Ùİ", "Ùħؤس سة", "Ġ×ŀ ×Ļ×ĵ", "ãģ£ ãģ¡", "ĠëĦĪ 무", "à¸ŀ ี", "Ġt ặng", "Ġt ấn", "ר ש×Ŀ", "Ġméd ica", "Ġ×¢ ×ķ×ŀ", "Ġ×¢×ķ×ŀ ×ĵ", "ÑĦ оÑĢ", "Ùħر Ø©", "Ġvat anda", "Ġvatanda ÅŁ", "Ġдел о", "à¸Ļ ม", "ãģ¨ åIJĮãģĺ", "Ùģ Ùī", "Ñģ оÑĢ", "Ġ×Ķס ר×ĺ", "Ġép oca", "ìłķ ì±ħ", "ĠÑģвÑıз ан", "ض رب", "ĠÙĦ ÙĨا", "Ġuży wa", "ĠاÙĦج ÙĬØ´", "Ñİ ÑĢ", "×ijס ×ķ×£", "Ġм Ñĥ", "ĠмÑĥ зÑĭк", "bilit é", "Ġma ç", "س Ùİ", "ت ÙĦÙĥ", "ãģ ¬", "ÙĬ ÙĦا", "ÑĪ ла", "ÙĢÙĢ ÙĢ", "Ġод ной", "зв ан", "ĠÑģ ÑĢаз", "ĠÑģÑĢаз Ñĥ", "ÙĨ ظÙħ", "را Ùĩ", "ĠÙĦÙĩ ذا", "׼ ×ķר", "Ġ×Ķש ×ij×ķ×¢", "Ġ×Ķש ת", "ĠQu ảng", "ãĥ« ãĥ¼", "ãģĪ ãģªãģĦ", "×ĺ ×IJ", "Ġmi á»ģn", "ĠPh áºŃt", "ĠاÙĦس ÙĪÙĤ", "Ä Ĥ", "ĠاÙĦج Ùħع", "ĠاÙĦجÙħع Ø©", "ÑİÑī ей", "a ÅĤem", "عت ÙĤد", "Ø£ ÙĦÙħ", "Ñģ ке", "ĠìĿ´ íķ´", "ÙĨس Ø®", "è¨Ģ ãģĦ", "д обав", "سب ÙĤ", "×¢×ķר ר", "ÑĤи п", "ãģĿãģĵ ãģ§", "vis ión", "عÙĪد Ø©", "ë¨ ¹", "×ŀ ×ĸר×Ĺ", "ĠØ¥ ØŃ", "Ġ׾×ij ×Ļף", "Ġ׾צ ×IJת", "Ġyard ı", "Ġyardı mc", "Ġyardımc ı", "Ä° Z", "ק פ×Ķ", "tr é", "liÄŁ ini", "клÑİÑĩ а", "Ġüret im", "Ġa yrı", "ĠkiÅŁ iler", "à¸Ħ à¹īà¸Ļ", "à¸Ħà¹īà¸Ļ หา", "ĠS á»±", "Ġ׼ ס", "Ġ×Ľ×¡ ×£", "ĠÑĤак иÑħ", "ĠXu ân", "Ġл ег", "Ġлег ко", "Ø«ÙĤ اÙģØ©", "ÐĿ Ðŀ", "ãĤ¹ãĤ¿ ãĥĥ", "ãĤ¹ãĤ¿ãĥĥ ãĥķ", "åIJĪ ãģĦ", "Ġ×Ķש ×Ļ×ŀ×ķש", "man ız", "ĠÐĴ аÑģ", "g ün", "ìľĦìĽIJ íļĮ", "Ġwsp óln", "ĠÑģв ое", "í ĥģ", "à¹Ģà¸Ļ ีย", "ÙĪب Ø©", "в Ñıз", "ı dır", "ëIJĺ ìĹĪëĭ¤", "ĠdeÄŁi ÅŁtir", "ãĤĭ ãģĵãģ¨ãģĮ", "Ġ×Ĺ×ĵ ש×Ķ", "ãĤīãĤĮ ãģ¦ãģĦãĤĭ", "×Ĺ×Ļ ×Ļ×ij", "ĠÐļ аÑĢ", "׳×Ļת ×ķ×Ĺ", "Ġק×ĺ ף", "ר ×ĸ", "ÙĪ غ", "èªŃ ãģ¿", "Ġت ÙĤÙĪÙħ", "ĠÙĥ اÙĦ", "à¸Ŀ ึà¸ģ", "Ġë°ľ ìĥĿ", "ológ ico", "ر اع", "à¹ģà¸ģà¹ī à¹Ħà¸Ĥ", "ĠÑĢабоÑĤ Ñĥ", "ÙĨÙij Ùİ", "à¸Ńยูà¹Ī à¸Ĺีà¹Ī", "ĠاÙĦØ« اÙĨÙĬØ©", "ĠNh ân", "Ñħ ваÑĤ", "ö ne", "Ġع دة", "à¹ģ สà¸ĩ", "ÑĤ оп", "пÑĥÑģ ка", "شر اء", "ĠÐļ ом", "Ġפע ×ķ׾×Ķ", "ìĤ¬ ìĿ´", "ìĤ¬ìĿ´ íĬ¸", "è¡Į ãģ£ãģ¦", "Ġ×Ķ ×Ķת", "ĠÑģÑĤ оÑĢо", "ĠÑģÑĤоÑĢо нÑĭ", "در س", "à¸ĭ ู", "à¸ķà¹Ī ำ", "ĠØ£ بÙĬ", "под об", "ãģ« ãģ¦", "ار تÙģاع", "ĠÙħ ؤ", "ик ов", "ge führt", "มืà¸Ń à¸ĸืà¸Ń", "ĠÙĦ ÙĤد", "ĠØ£ÙĨ Ùij", "سÙĬ طر", "ãģ¾ãģļ ãģ¯", "ס ×ĵ", "Ñģк олÑĮко", "ãģ¿ãģŁãģĦ ãģª", "×ĵר ×Ĵ", "×¢ ×Ļ×ĵ", "à¹ĥหà¹ī à¸ļริà¸ģาร", "ĠÐĶ и", "×ij×¢ ×Ļ×ķת", "Ġ×Ķ×Ĺ ×ķ", "пиÑģ ÑĮ", "ĠاÙĦØ® ÙĦ", "б ав", "ĠÄ° lk", "ĠاÙĦØ® Ùħ", "ĠاÙĦØ®Ùħ ÙĬس", "ĠÙĬ ÙĤÙĪÙħ", "æĻĤ ãģ®", "ĠsÅĤ ow", "ĠØ£ ÙĩÙħ", "Ø®ÙĦ ÙĤ", "ĠØ£ صبØŃ", "Ġchứ a", "Ġth ác", "Ùģ اÙĦ", "Ġch á»Ŀ", "ĠاÙĦØ® ار", "ĠاÙĦخار ج", "ĠاÙĦخارج ÙĬØ©", "Ø· ائر", "Ġt Ãł", "ĠtÃł u", "à¸ģล à¹īà¸Ńà¸ĩ", "ĠاÙĦÙħر Ø£", "ĠاÙĦÙħرأ Ø©", "åħ¨ ãģı", "ĠÃĸ n", "çļĦ ãģ«ãģ¯", "Ġpiè ce", "×Ĵ ×Ļ×ij", "ĠاÙĦ ÙĪاÙĤع", "ä»Ĭ ãģ®", "ĠاÙĦÙħ ÙĤ", "cz nÄħ", "Ùģع اÙĦ", "ен ного", "ĠÑĦак ÑĤ", "ìĭł ì²Ń", "ĠÐŀ ни", "ĠاÙĦبÙĦ اد", "ов иÑĩ", "ëı Į", "ÑĦ ÑĥнкÑĨи", "Ġìĸ´ ëĬIJ", "ãĥķãĤ© ãĥ¼", "d ÃŃ", "ил оÑģÑĮ", "Ùħ Ùī", "ĠاÙĦØ£ÙħرÙĬ Ùĥ", "ĠاÙĦØ£ÙħرÙĬÙĥ ÙĬØ©", "×ĺ ×Ļפ×ķ׾", "íĶĦ ë¡ľê·¸", "íĶĦë¡ľê·¸ ëŀ¨", "Ġש ×ķ׳×ķת", "Ø´ ÙħÙĦ", "ĠпаÑĢ а", "Ġ×Ķ×Ĺ ×ķק", "ÙĪز ارة", "ãģ¨ ãģĻãĤĭ", "Ġqu ảng", "ĠaÄŁ ır", "ĠاÙĦÙĦ ج", "ĠاÙĦÙĦج ÙĨØ©", "ê¸ ´", "ĠT ân", "ج ÙħÙĦ", "д ол", "à¹ģà¸ŀ à¸Ĺย", "à¹ģà¸ŀà¸Ĺย à¹Į", "Ġר×IJ ש×Ļ", "Ñī ей", "Ġçev re", "Ġкомп лекÑģ", "Ġ×ij ×ŀש×ļ", "Ġalt ın", "ĠØ£ عÙħاÙĦ", "ĠÑģво его", "ãĤĪ ãģĦ", "×Ĺ׾ ×Ļ×ĺ", "×ŀ׳ ×¢", "Ġר ×ij×Ķ", "ĠØ£ÙĬضا Ùĭ", "×ĸ ׾", "ĠاÙĦسÙĬ اسÙĬ", "æĢĿ ãģĨ", "קר ק", "קרק ×¢", "ĠاÙĦÙģ رÙĬÙĤ", "б иÑĤ", "ק ׳×Ķ", "ĠØ¥ ÙĨÙĩ", "ĠÐĴ ам", "Ðł Ðŀ", "ãĥĪ ãĥª", "å¿ħè¦ģ ãģª", "Ġch âu", "ç¶ļ ãģij", "Ġçöz üm", "gÅĤ ow", "ع ÙĤÙĦ", "売 ãĤĭ", "i ết", "à¸Ĭิ à¹īà¸Ļ", "ĠØŃÙĤ ÙĪÙĤ", "Ø·ÙĦ ع", "ĠÄij en", "ĠÙĥ اÙģØ©", "ãģ® ãģĶ", "Ġë ¬", "Ġë¬ ¼", "Ġ물 ë¡ł", "Ġرس ÙĪÙĦ", "з ам", "зам ен", "Ġkullan ıcı", "×¢ ×ķ׾", "èī² ãĢħ", "ÑĪи ÑĢ", "Ġ׊ש", "Ġwy gl", "Ġwygl Äħda", "ש ×Ļ×ŀ×ķש", "å¿ĺ ãĤĮ", "×¢ ×Ļצ×ķ×ij", "ĠاÙĦس ÙĪرÙĬ", "å°ij ãģªãģĦ", "Ġпо иÑģк", "สำ à¸Ļัà¸ģà¸ĩาà¸Ļ", "Ġ×ŀצ ×ĵ", "Ġmü ÅŁ", "ĠmÃ¼ÅŁ ter", "ĠmÃ¼ÅŁter i", "ĠÙħÙĨ ÙĩÙħ", "à¸ķำ à¹ģ", "à¸ķำà¹ģ หà¸Ļ", "à¸ķำà¹ģหà¸Ļ à¹Īà¸ĩ", "ÅĽ mie", "Ġש ×ł×ª", "Ġ×Ķ פ×Ļ", "פר ש", "×¢×ijר ×Ļת", "สà¸Ļ ัà¸ļ", "สà¸Ļัà¸ļ สà¸Ļุ", "สà¸Ļัà¸ļสà¸Ļุ à¸Ļ", "è¨Ģ ãģ£ãģ¦", "à¸ģาร à¸Īัà¸Ķ", "ĠMo że", "из аÑĨии", "ứ t", "ĠÙĪب عد", "ĠdeÄŁ ild", "ĠdeÄŁild ir", "Ġת ×ŀ", "Ġ×ŀ×ŀ ׳×ķ", "話 ãĤĴ", "ĠÑĨ ена", "Ġth úc", "×Ļ×ŀ ×ķף", "ĠB áo", "ãĤĴ åıĸãĤĬ", "å®ī ãģĦ", "Ġ×¢×ķש ×Ļ×Ŀ", "èĩªåĪĨ ãģĮ", "l ée", "ãĤĭ ãģ®ãģ§", "иÑĢÑĥ еÑĤ", "ãģ¦ ãĤĭ", "ست ر", "ĠاÙĦØŃ ÙĬ", "×Ļ׾ ×ķת", "Ġ×Ĺ ×ij", "ÙĤر Ø£", "تÙħ ÙĥÙĨ", "س ائÙĦ", "prü f", "ãģĭ ãģijãģ¦", "ĠÑģоб ÑģÑĤвенно", "ĠìľĦ íķĺìŬ", "׾ ×Ļ×ĺ", "ãģĮ å¤ļãģı", "ÙĬت Ùĩا", "ç«ĭ ãģ¦", "ม à¸Ńà¸ļ", "ìĭľ ìŀ¥", "оÑĢ а", "Ġs avaÅŁ", "×ĺ×Ļ×ij ×Ļ", "×ij ׳×ķ", "Ùħا ذا", "기 ê°Ħ", "ãģªãģ© ãģ§", "Ġ×ŀ ת×Ĺ×Ļ׾", "Ġnhi á»ħ", "Ġnhiá»ħ m", "ка ÑĢ", "каÑĢ ÑĤ", "Ġ׾×Ķ שת×ŀש", "׳ ×Ļ×Ĺ", "اد ÙĬØ©", "ราย à¸ĩาà¸Ļ", "Ġprzy kÅĤad", "Ñī ий", "ØŃض ÙĪر", "Ġh ôn", "à Ŀ", "ת ×ķצ×IJ×ķת", "راب Ø·", "Ġb ếp", "ĠполÑĥÑĩ и", "åĩºä¼ļãģĦ ç³»", "à¸Ľà¸¥ à¹Īà¸Ńย", "ĠاÙĦØ´ باب", "اÙĩ ÙĦ", "ä»Ĭ ãģ¾ãģ§", "رج ع", "ãĤ¶ ãĥ¼", "ÙĤ Ùģ", "ĠGro ÃŁ", "ĠíļĮ ìĽIJ", "اج ر", "Ġ×ij×ŀ קר×Ķ", "Ġseg urança", "fü hl", "ãģ¦ ãģĦãģı", "หม à¸Ń", "ĠкоÑĤоÑĢ ом", "ĠN Äĥm", "ĠdÅĤ ugo", "ÙħÙĨ ØŃ", "ש×ķ ×ķ×Ļ", "ĠØ£ÙĬ اÙħ", "ส à¸łà¸²à¸ŀ", "r zÄħ", "شر Ùĥات", "ãĤĴ èĢĥãģĪ", "д аÑĢ", "à¸Ľà¸£à¸° à¸Ĭุม", "Ġ×ķ×IJ ×ĸ", "i á»ĩn", "Ġt Æ°Æ¡i", "ש ×Ļ×Ĺ", "à¸Ń à¹Īà¸Ńà¸Ļ", "æĽ¸ ãģĦãģ¦", "Ġng ữ", "×ij×Ļ×ĺ ×Ĺ", "×ij×Ļ×ĺ×Ĺ ×ķף", "Ġs ẵ", "Ġsẵ n", "ì§Ģ ëıĦ", "ĠпÑĢ еп", "ĠпÑĢеп аÑĢаÑĤ", "Ġна ÑĥÑĩ", "ĠÃľ nivers", "ĠÃľnivers ites", "ĠÃľniversites i", "Ġ×Ĵ×ĵ ×ķ׾×Ķ", "Ġ×Ķ ×ł×ª", "Ġ×Ķ×ł×ª ×ij×¢", "ãģ§ãģĤ ãģ£ãģŁ", "Ġmies iÄħ", "ĠmiesiÄħ c", "г ÑĢам", "гÑĢам м", "Ġبش Ø£ÙĨ", "ĠÑħ ÑĢ", "ק ×Ļ×ĵ", "ק×Ļ×ĵ ×ķ×Ŀ", "Ø´ Ùĥر", "Ġ á»ķ", "Ġá»ķ n", "ãģĮãģĤ ãģ£ãģ¦", "ãģķãĤĮ ãģ¾ãģĻ", "Ġ×Ĺ ×ķ×ĵ", "Ġ×Ĺ×ķ×ĵ ש×Ļ×Ŀ", "ÙħÙĪا جÙĩ", "ÙħÙĪاجÙĩ Ø©", "أش خاص", "ب غ", "à¹Ģรียà¸Ļ รูà¹ī", "ãģĹãģ¦ ãģĦãģı", "Ġs ạn", "å¿ħ ãģļ", "׳ ×Ļ×Ĵ", "׳×Ļ×Ĵ ×ķ×ĵ", "باÙĦ غ", "׊ש×ŀ", "×Ĺש×ŀ ׾", "Ġnap raw", "Ġnapraw dÄĻ", "Ø´Ùĩ اد", "×IJ ×ķ×Ķ", "×IJ×ķ×Ķ ×ij", "и ÑĨÑĭ", "Ġ×Ķ ר׼×ij", "ëŀ ij", "Ġת ×¢", "Ġ×Ķ ×Ļש", "Ġ×Ķ×Ļש ר×IJ", "Ġ×Ķ×Ļשר×IJ ׾×Ļ", "Ø£ ÙħÙĨ", "ÑİÑī аÑı", "sk ór", "LER Ä°", "Ġ×Ķ×IJ×Ĺר ×ķף", "×¢ ׳ק", "ĠÙĪ ÙĥÙĦ", "ãģĵãģĵ ãģ§", "Ġqu án", "liÄŁ in", "à¸ģà¸İ หมาย", "Ø· Ùħ", "Ø£ جÙĩ", "أجÙĩ زة", "ĠEr doÄŁan", "ãģ§ ãģĬ", "Ġв ÑĢа", "ĠвÑĢа Ñĩ", "ĠPh ó", "à¸Ĭั à¹Īว", "à¸Ĭัà¹Īว à¹Ĥม", "à¸Ĭัà¹Īวà¹Ĥม à¸ĩ", "Ġph úc", "×Ļפ ×ķת", "×¢×Ļ ×ķף", "Ġduż o", "ãĥģ ãĥ¼ãĥł", "ĠÙĬ Ùİ", "Ġзад аÑĩ", "Ġ×Ĵ×ij×ķ×Ķ ×Ķ", "Ġ׼ ׼׾", "лож ен", "ét at", "Ġng Äĥn", "èµ· ãģį", "ĠTi ến", "ص عب", "Ġexperi ência", "Ø® Ùħ", "à¸ģาร à¸Ĺำà¸ĩาà¸Ļ", "س ÙĬد", "ĠD á»±", "ĠкоÑĤоÑĢ ого", "lad ıģı", "Ġkh á»ķ", "Ġê³Ħ ìĨį", "Ñī ик", "สà¹Īวà¸Ļ à¸ķัว", "з оÑĢ", "ÙĨ Ùı", "Ġ à¸Ķัà¸ĩ", "Ġà¸Ķัà¸ĩ à¸Ļัà¹īà¸Ļ", "Ġc ấu", "ĠÄij á»ijc", "о ÑĦ", "ĠاÙĦØ£ عÙħاÙĦ", "ãģªãģı ãģ¦ãĤĤ", "×ķ׼ ×Ļ×Ŀ", "à¹ģ à¸Ľ", "ĠB ên", "ãĥ¯ ãĥ³", "Ġgi ám", "ĠÅŀ u", "Ġd áng", "ع ÙĦÙĬ", "à¹Ģà¸ģ ษ", "à¹Ģà¸ģษ à¸ķร", "ÙĪج ب", "н нÑĭе", "ÙĤ ضاء", "à¸Ħว à¸ļ", "à¸Ħวà¸ļ à¸Ħุ", "à¸Ħวà¸ļà¸Ħุ ม", "ãģ¤ ãģ¤", "ĠVi á»ĩc", "×ŀ×ij ×ĺ", "ש×Ļת ×ķ×£", "Ġв едÑĮ", "k aza", "kaza ÅĤ", "à¸ķำ รวà¸Ī", "ãĤ¿ ãĥ«", "Ġпов Ñĭ", "ĠповÑĭ ÑĪен", "ĠS ợ", "ĠìĦ¤ ëªħ", "ĠÃĩ ünkü", "ìĥĿ íĻľ", "Ö ¾", "ãĤĮ ãģ¦ãģĦãĤĭ", "Ġ×ij ר×IJש", "ר ×ķ×Ĵ", "Ġо ÑĦи", "ĠоÑĦи ÑĨиалÑĮн", "ĠÑĥ ÑģÑĤанов", "ĠÑĥÑģÑĤанов лен", "ĠاÙĦÙħ صر", "ĠاÙĦÙħصر ÙĬØ©", "ĠÐŁÐ¾ ÑįÑĤомÑĥ", "ÙĨ صÙģ", "ĠÙĪاÙĦ ÙĨ", "Ġh Ãłi", "à¸Ħ ิ", "ĠApr ès", "ì³ IJ", "à¹Ģà¸ĭ ีย", "×ĵ ×ŀ×Ķ", "activ ité", "à¸Ħิà¸Ķ วà¹Īา", "ÑĤ ÑĢен", "à¹Ģ ฮ", "ãĥı ãĤ¤", "ãģĮ å¢ĹãģĪ", "ен наÑı", "Ġìĺ¤ ëĬĺ", "ãĥ¢ ãĥ³", "Ġкон еÑĩно", "ĠÙħÙĤ ابÙĦ", "cl é", "Ġh ü", "Ġth ẳng", "ìłģ ìĿ´", "ĠÐIJ лекÑģ", "ĠÐIJлекÑģ ан", "ĠÐIJлекÑģан дÑĢ", "ãĥŀãĥ³ ãĤ·ãĥ§ãĥ³", "ãģ²ãģ¨ ãģ¤", "ãģª ãģĬ", "à¹Ģà¸Īà¹īา à¸Ĥà¸Ńà¸ĩ", "ëĵľ 리", "Ø´ اء", "ĠsaÄŁ lık", "ĠÅŁ imdi", "×Ļ×IJ ׾", "تأ Ø«ÙĬر", "Ø£ سب", "أسب اب", "ĠвÑĭполн ен", "л ок", "ש ×Ļ×ij×Ķ", "Ġl ắm", "ĠTr Æ°á»Ľc", "Ġ×Ķ×¢ ׾", "리 를", "ĠÑĢ еж", "ĠÑĢеж им", "int é", "inté gr", "×Ĵ ׳×Ļ", "ĠاÙĦØ´ عر", "Ġmil hões", "Ġpeque ño", "ãĤ³ ãĥ¼ãĤ¹", "×ķ׼ ×Ĺ", "à¹Ģà¸Ĭ à¹īา", "شر ÙĤ", "Ġh Æ°Æ¡ng", "รัà¸IJ à¸ļาล", "à¸ģล าย", "à¸ģลาย à¹Ģà¸Ľà¹ĩà¸Ļ", "Ġпод Ñħод", "תש ×ķ×ij×Ķ", "ãģıãģª ãģ£ãģ¦", "ĠاÙĦØ£Ùħ Ùħ", "ĠH á»įc", "ĠwspóÅĤ pr", "ĠwspóÅĤpr ac", "Ñĩ Ñĥв", "ÑĩÑĥв ÑģÑĤв", "ÃŃst ico", "à¹Ģà¸ģ าะ", "ìĽ Ģ", "Ġназ ад", "ãĤĭ ãĤĪãģĨãģ«", "ĠС Ш", "ĠСШ ÐIJ", "м он", "ĠAs ÃŃ", "×ķר ×Ĵ", "полн ен", "×ŀס ׾", "×ŀ×¡×ľ ×ķ׾", "à¹Ģลืà¸Ń à¸Ķ", "à¹Ģริà¹Īม à¸ķà¹īà¸Ļ", "ĠاÙĦØ¥ Ùħ", "ĠاÙĦØ¥Ùħ ارات", "צ×Ķ ר", "ãĥ¡ãĥª ãĥĥãĥĪ", "ĠпоÑĤ ом", "в из", "ĠÙģ ترة", "å¾Į ãģ®", "ÐĿ ÐIJ", "×ŀס ר", "ÙĬر ÙĬ", "pr é", "Ġte ÅŁek", "ĠteÅŁek kür", "Ġöd eme", "د اÙĨ", "ãģ¾ ãģĹãģ¦", "缮 ãģ«", "ĠÑĤ еÑĩение", "l ard", "lard ır", "à¹Ģรา à¸Īะ", "ס פ×Ļ", "ĠÙĪÙĥ Ø°ÙĦÙĥ", "Ġh át", "Ġt á»Ļc", "à¸Ħุ ย", "Ġb ức", "ØŃ ÙĬÙĨ", "èģŀ ãģĦãģ¦", "Ùħؤ شر", "ĠNh Æ°", "Ġмен ее", "ละ à¸Ħร", "Ñģ ин", "ĠÑĢ ек", "ĠÑĢек л", "ĠÑĢекл ам", "ĠÙģ ÙĩÙĪ", "Ġ׾ ×ĸ", "×Ļ׳ ×ķת", "ĠÅŁ art", "ÑģÑĤав ка", "Ġíı¬ íķ¨", "ãģ«è¡Į ãģı", "ï¼ Ŀ", "ĠпозволÑı еÑĤ", "Ġת×ķ׼ ׾×ķ", "ов ал", "صÙĦ Ø©", "Ġ׾ש ׳×ķת", "ĠÐĺ гÑĢ", "ÙħÙĨتج ات", "Ġsat Ä±ÅŁ", "Ñģ ко", "ĠاÙĦØ«ÙĦاث اء", "Ġ×Ķ×ĵ×ijר ×Ļ×Ŀ", "ãģĹãģ¾ ãģĹãĤĩãģĨ", "بÙĤ Ùī", "åĬĽ ãĤĴ", "ĠÃĩ ok", "ãĥģ ãĥ¥", "à¹Ģà¸Ĭ ืà¹īà¸Ń", "ยุ à¸Ħ", "ศา ล", "Ġק×ķ×ĵ ×Ŀ", "×ĸר ×Ļ×Ŀ", "ãģ® åł´åIJĪ", "ĠìķĬ ìķĺ", "ãģĤãĤĬãģ¾ãģĻ ãģĮ", "×IJ שר", "è¡Į ãģı", "ãģ» ãģĭ", "æ°Ĺ ãģ«ãģªãĤĭ", "й деÑĤ", "íķĺìĺĢ ëĭ¤", "ستÙħر ار", "ĠÐŁÑĢ е", "ĠÑģ боÑĢ", "ĠìķĦ 무", "ç§ģ ãĤĤ", "ع ص", "Ġн иÑĩ", "ĠниÑĩ его", "ĠпÑĢи ем", "ק ×ķ×ŀ", "ĠìĪĺ ëıĦ", "Ġì ¡´", "Ġì¡´ ìŀ¬", "ĠØ£ Ø«ÙĨ", "ĠأثÙĨ اء", "ĠÙĪاÙĦ ØŃ", "ãģĮ ãģ§ãģįãĤĭ", "Ġת ×Ķ", "Ġת×Ķ ×Ļ×Ķ", "ר ף", "ĠÑģвÑıз и", "×Ĵ שת", "Ñģп екÑĤ", "ס ×ij×Ļ×ij", "ס×ij×Ļ×ij ×Ķ", "ĠíķĦìļĶ íķľ", "ت خصص", "Ġж ив", "Ġжив оÑĤ", "ĠMay ıs", "تع ا", "تعا ÙĪÙĨ", "ĠعÙĨ Ùĩا", "ów ki", "ĠاÙĦÙģÙĦسطÙĬÙĨ ÙĬ", "ãģłãģijãģ§ ãģªãģı", "ìĿ¸ ì§Ģ", "ĠاÙĦس ÙĪد", "ĠاÙĦسÙĪد اÙĨ", "إجراء ات", "Ġkö tü", "Ġ×Ļ תר", "×Ĵ ×Ļש×Ķ", "Ġצ ×ķר×ļ", "รà¸ĸ ย", "รà¸ĸย à¸Ļà¸ķà¹Į", "Ñħ оÑĤ", "Ðł ÐIJ", "ÙĪ Ø·ÙĨ", "Ġsay ısı", "ס ×Ĺר", "Ùħ ÙĪÙĦ", "ãĤĴæĮģ ãģ£ãģ¦", "ع اÙĨ", "Ġt á»Ļi", "ĠвÑĭ ÑĪе", "Ġt ầm", "ãĥĪ ãĥ¬", "×Ļצ ×ķ", "ม ุม", "س ÙĪد", "ìłĦ ìŀIJ", "ãĤµ ãĥŃãĥ³", "ìĤ° ìĹħ", "ĠоÑģнов ан", "Ø® Ùģض", "רצ ×Ķ", "بÙĬ ض", "×ķÖ ¹", "ס×Ļ ×Ļ×¢", "Ġש ×IJ×Ļ", "ĠاÙĦÙĤر Ø¢ÙĨ", "ĠТак же", "×ŀש ×ŀ×¢×ķת", "س ÙĩÙĦ", "Ġ×Ķ ׳×Ķ", "ãĤĴ ãģĹãģ¦ãģĦãĤĭ", "×Ļ ×Ļס", "×Ķ ×ķ×IJ", "ĠB ÃŃ", "Ġмал о", "ĠëĶ°ëĿ¼ ìĦľ", "Ġר ×Ĺ×ij", "ãģĮ é«ĺãģĦ", "ÙĪ اس", "ìĤ ¼", "׳ ×¢", "ãģ£ ãģ¡ãĤĥ", "ĠT üm", "à¸Ńีà¸ģ à¸Ķà¹īวย", "ãģĹãģ¦ ãģıãģłãģķãģĦ", "ÙĨØ´ اط", "ãĥĹ ãĥ©ãĥ³", "али ÑģÑĮ", "×ĵ ×ľ×ª", "Ġwc zeÅĽ", "ĠwczeÅĽ niej", "ĠÑįÑĤ им", "Ġthá»ĭ t", "à¸ļ ัà¸į", "à¸ļัà¸į à¸Ĭี", "ãģļ ãģ£ãģ¨", "ÑĢ ин", "Ġswo jÄħ", "íķĺëĬĶ ëį°", "Ġë§Įëĵ¤ ìĸ´", "تش Ùĥ", "تشÙĥ ÙĬÙĦ", "ائ Ùĩ", "Ġ׾פ ×Ĺ×ķת", "ãĥĭ ãĥ¥", "ãĥĭãĥ¥ ãĥ¼ãĤ¹", "׼×IJ ף", "ãģ§ãģį ãģŁ", "зв он", "Ġsta ÅĤ", "×Ĺ×ijר ת×Ļ", "ĠØ£ عÙĦÙĨ", "à¹ģà¸ļà¸ļ à¸Ļีà¹ī", "بد Ø¡", "ãĤģ ãģŁ", "Ġ×ŀש ×ŀ×¢×ķת", "Ġ×ŀש×ŀ×¢×ķת ×Ļ", "ör ü", "Ġh ạnh", "z ähl", "ĠL ý", "Ġ×ij ×Ķת", "Ġ×ij×Ķת ×IJ×Ŀ", "б аÑĢ", "ì¦ Ī", "ä»ĬåĽŀ ãģ®", "Ġy ü", "Ġyü ks", "Ġyüks el", "ãĤ½ ãĥ¼", "ãģĤ ãĤĮ", "ת ׾×ŀ×Ļ×ĵ", "ãģ¤ ãģª", "×ij ׳×Ļ×Ŀ", "Ġx ếp", "ĠмÑĥж Ñĩин", "ĠاÙĦÙĥ تاب", "׼ ×ŀ×ķת", "Ġç e", "Ġçe ÅŁ", "ĠçeÅŁ it", "ĠçeÅŁit li", "×ĵ ×Ļר×ķת", "à¸ļุ à¸į", "ĠاÙĦØ¥ ÙĦÙĥ", "ĠاÙĦØ¥ÙĦÙĥ ترÙĪ", "ĠاÙĦØ¥ÙĦÙĥترÙĪ ÙĨÙĬ", "ĠباÙĦØ¥ ض", "ĠباÙĦإض اÙģØ©", "Ġyö nel", "Ġyönel ik", "mys ÅĤ", "à¸Ķà¹īวย à¸ģาร", "à¸ģาร à¸Ĺำ", "ов Ñĭм", "Ø£ زÙħØ©", "æİ¢ ãģĹ", "íļ ¨", "Ġ×ķ×IJ ×Ŀ", "Ġnghi êm", "ÑĪ ин", "ка л", "Ġcrian ças", "èĩªåĪĨ ãģ§", "Ġн ай", "Ġнай ÑĤи", "ĠS á»ij", "ĠÃ¶ÄŁrenc iler", "ãĥ¶ æľĪ", "Ñģ ан", "ĠJ á", "ĠkonuÅŁ ma", "شر Ø·", "ëĪ Ī", "ar rière", "ضر ÙĪرة", "ãĥĶ ãĥ³", "×¢ שר", "аÑĢ ÑĮ", "جÙħ اع", "Ġdé co", "Ġ×Ļ×Ķ ×ķ×ĵ×Ļ", "à¸ŀ ลาà¸Ķ", "ĠÙĬ ÙĥÙĨ", "Ġج اÙħعة", "Ø· بÙĤ", "Ġbo ÅŁ", "×ķ ×ķ×IJ", "×ŀ×ĵ ×¢", "ק×ij×ķצ ת", "פ ×Ļר", "jÄħc ym", "ÙħØ´ ا", "Ùħشا ÙĥÙĦ", "צ פ×ķף", "Ø¥ ست", "×ŀ׼ ר", "سÙħ ع", "Ġкак ой", "ÑĤ воÑĢ", "ØŃ Ø¬", "Ùģر ض", "пÑĢав лен", "Ġник ак", "Ġmi á»ĩ", "Ġmiá»ĩ ng", "ü ÃŁ", "иÑĢов ал", "׾ ×ŀ×ķת", "次 ãģ®", "ÙĦ Ø·", "à¸ķ ัà¸Ļ", "×Ķ ת×Ĺ×Ļ׾", "Ġfoto ÄŁ", "ĠfotoÄŁ raf", "طر ØŃ", "à¸Ńà¸Ńà¸ģ à¹Ħà¸Ľ", "Ġy ên", "Ġп ок", "Ġпок Ñĥп", "ĠпокÑĥп а", "ÑĨ Ñĥ", "Ġкомп ÑĮÑİ", "ĠкомпÑĮÑİ ÑĤеÑĢ", "ĠاÙĦÙĥ رÙĬÙħ", "تص Ùħ", "تصÙħ ÙĬÙħ", "Ġоказ а", "Ġzar ówn", "Ġzarówn o", "ëĮĢ ì¶ľ", "ãĤ»ãĥ³ ãĤ¿ãĥ¼", "Ġjako ÅĽci", "æĤ ©", "æĤ© ãģ¿", "Ø£ÙĨ ÙĪ", "Ø£ÙĨÙĪ اع", "ë¹ ł", "Ġìłķ ë§IJ", "Ġk ẻ", "ĠÑģай ÑĤа", "Ġ×Ķ ער×ij", "Ùĩ ز", "pres ión", "ĠÑģÑĤ ен", "ãģ£ãģ¦ ãĤĭ", "Ġhız lı", "Ðļ ÐIJ", "×ŀשפ ×Ĺת", "ĠÙĨ Ùĩا", "ĠÙĨÙĩا ÙĬØ©", "ãģ¾ ãģĦ", "о ÑħÑĢан", "ร à¹īà¸Ńย", "ล ึà¸ģ", "ĠÙĪب اÙĦ", "ãĤĤãģ® ãģĮ", "ר׼ ×Ļ×ij", "ãĤ¤ ãĥ¤", "س ؤ", "سؤ اÙĦ", "ĠÙĦØ£ÙĨ Ùĩ", "ĠkonuÅŁ tu", "Ðļ ÑĥпиÑĤÑĮ", "Ġש×IJת ×Ķ", "ĠÙĪاÙĦ س", "Ġmożliwo ÅĽci", "Ġpró b", "ëĶ °", "ãģ© ãĤĮ", "ĠÐľ ин", "ĠоÑĢганиз м", "ãģ«å¯¾ ãģĻãĤĭ", "ĠPr é", "Ġpriv é", "ch è", "ãģĦãģŁãģł ãģį", "สà¸Ļุ à¸ģ", "ajÄħ ce", "ĠD zi", "ĠDzi ÄĻki", "ÅĤat w", "r än", "rän k", "æĿ¥ ãģŁ", "Ġ×Ķ×Ļ×Ķ ×ķ×ĵ×Ļ", "ãĤ¬ ãĥ¼", "ĠÑĢаР´", "ĠÑĢад и", "к ÑĤив", "Ø£ Ùĩد", "Ø£Ùĩد اÙģ", "ש ×IJ×Ļר", "ãģ¦ ãģĦãģªãģĦ", "Ġfr üh", "Ġок ол", "Ġокол о", "Ġreg ião", "ĠÑĩиÑģ ле", "Ġpon iew", "Ġponiew aż", "ìĦ¼ íĦ°", "Ġb ầu", "Ġê ·", "Ġê· ľ", "Ġê·ľ ìłķ", "ĠH òa", "ĠÑĤ оÑĤ", "ãĤĤ å¤ļãģĦ", "ĠاÙĦإسÙĦاÙħ ÙĬØ©", "ãģĭ ãģĦ", "Ñį н", "ĠÑĥказ ан", "ĠÑĤак ое", "ï¼ ³", "ëĮĢ íķĻ", "Ġgen iÅŁ", "ĠاÙĦØ® ÙĬ", "ĠاÙĦØ®ÙĬ ارات", "ãĤĴè¡Į ãģĨ", "ש ×ŀ×Ķ", "ĠLÃł m", "ÙĪÙĨ ÙĬ", "Ġ×IJ ׾×Ļ×ķ", "Ä ĺ", "à¹Ħมà¹Ī สามารà¸ĸ", "人 ãģ¨", "بر ز", "×Ļס ×ķ×ĵ", "×Ĵ ׾×Ļ", "ĠÙĬ ÙĨا", "ĠÙĬÙĨا ÙĬر", "ĠкаÑĢÑĤ ин", "Ġt ôn", "à¹Ģ à¸ģร", "à¸Ħ à¸Ķี", "Ġ׾×IJ ×ķר×ļ", "ãĤĤãĤī ãģĨ", "ãģĭ ãģĭãĤĭ", "ани и", "Ġara ÅŁtırma", "ÙĦاØŃ Ø¸", "ãģĦ ãĤĦ", "ĠT Ãłi", "Ġ à¸Ļà¸Ńà¸ģà¸Īาà¸ģ", "Ġà¸Ļà¸Ńà¸ģà¸Īาà¸ģ à¸Ļีà¹ī", "ĠÄIJ ảng", "ãģ£ãģ¦ ãģįãģŁ", "Ġà¸ĭึà¹Īà¸ĩ à¹Ģà¸Ľà¹ĩà¸Ļ", "Ġt ả", "Ġmożliwo ÅĽÄĩ", "ĠS ản", "ĠÄ° ki", "Ġc ắt", "س Ø£ÙĦ", "Ġbak ım", "Ø´ ب", "à¸ķ ีà¹ī", "à¸ŀ ยาย", "à¸ŀยาย าม", "สั à¸Ľ", "à¸ªà¸±à¸Ľ à¸Ķา", "à¸ªà¸±à¸Ľà¸Ķา หà¹Į", "ë° Ģ", "еÑĢ Ñĭ", "Ġc ánh", "Ġthu ế", "ت بع", "ãģ«åħ¥ ãĤĮ", "Ñİ ÑģÑĮ", "íļĮ ìĿĺ", "ç°¡ åį", "ç°¡åį ĺ", "ç°¡åįĺ ãģ«", "Ġtr úc", "ĠاÙĦÙĥ ÙĪÙĬ", "ĠاÙĦÙĥÙĪÙĬ ت", "ãĤıãģij ãģ§ãģĻ", "ĠÑģв об", "ĠÑģвоб од", "ĠÑĥÑĩаÑģÑĤ ник", "สิ à¹īà¸Ļ", "ĠпÑĢо ÑĦеÑģÑģиона", "ĠпÑĢоÑĦеÑģÑģиона лÑĮн", "Ñģп оÑĢ", "×Ĺ ×ķ×ij×Ķ", "Ùħع ÙĨÙī", "ĠاÙĦÙģ ترة", "สูà¸ĩ สุà¸Ķ", "ãĤı ãģļ", "ĠÄij è", "ĠÄijè n", "æ¯Ķ ãģ¹", "า à¸ĺิ", "Ġmoż emy", "à¹ģ à¸ĭ", "à¸Īะ à¹Ħมà¹Ī", "Ġs ắp", "Ðļ Ðŀ", "Ġprá ctica", "ÙĪÙĥ اÙĦØ©", "è¾¼ ãĤĵãģ§", "ológ ica", "Ġе Ñī", "ĠеÑī Ñij", "تع دÙĬÙĦ", "ĠØ£ Ùĥد", "Ġצר ×Ļ׼", "Ġצר×Ļ׼ ×Ļ×Ŀ", "Ø« Ùħ", "Ġк ÑĢÑĥ", "ĠкÑĢÑĥ п", "×ij×Ļק ×ķרת", "Ġì¡° ê¸Ī", "ãģ¨ãģį ãģ¯", "Ġb ạc", "ĠÑĢаÑģ пол", "ĠÑĢаÑģпол ож", "ĠÑĢаÑģполож ен", "ز ÙĬÙĨ", "ĠÐļ ÑĢоме", "ĠاÙĦÙĨ ظر", "×Ķ ×ķ×ĵ", "ĠاÙĦس بت", "ãģ¨æĢĿ ãģĦ", "Ġpa ÅĦst", "ĠpaÅĦst w", "ĠÙĦÙĬ ست", "ĠбÑĥд Ñĥ", "à¸Ĺัà¸Ļ à¸Ĺี", "ร าม", "ØŃ ØµÙĪÙĦ", "ãģĹãģ¦ãģıãĤĮ ãĤĭ", "ĠاÙĦØ¥ سرائÙĬÙĦ", "ĠاÙĦإسرائÙĬÙĦ ÙĬ", "ãģĵãĤĮ ãģ¾ãģ§", "ìĤ¬ 를", "Ġs ürü", "à¹Ģว à¸Ńรà¹Į", "à¹Ģà¸ĭ à¸Ńรà¹Į", "Ġutilis é", "ĠÑģиÑģÑĤем а", "Ġdw ó", "Ġdwó ch", "Ġpróp rio", "Ġëĵ± ìĿĦ", "arr êt", "ĠЧ а", "×IJ×ŀ ׳×ķת", "عار ض", "à¹Ģà¸ģม สà¹Į", "Ġ׾×Ķ ×ij×Ļף", "Ġ׾ ×ij×Ĺ", "Ġ׾×ij×Ĺ ×ķר", "สา à¸Ĥา", "ĠÐľÐ¾Ñģк ве", "ب عد", "ĠاÙĦÙĤر ار", "ĠÄIJ á»ĭa", "Ġ×Ĺ ×Ĵ", "Ùģ تر", "ÙĪÙĨ Ø©", "Ġ×Ķ×ĸ ×IJת", "å¸Ĥ ãģ®", "ãģ» ãģĹãģĦ", "Ġ×ij×¢ ×Ļר", "ĠÑĤеп еÑĢÑĮ", "ìĬµ ëĭĪê¹Į", "à¹Ħม à¹Īว", "à¹Ħมà¹Īว à¹Īา", "à¹Ħมà¹Īวà¹Īา à¸Īะ", "×ŀ ×IJ×Ķ", "æĥħ åł±", "æĥħåł± ãĤĴ", "غ ÙĨ", "Ġпо Ñı", "ĠпоÑı ви", "éģİ ãģĶ", "تش غ", "تشغ ÙĬÙĦ", "в ел", "Ġ×Ĺ ×ŀ", "ãģ¨ãģªãĤĬ ãģ¾ãģĻ", "Ġra ÄŁ", "ĠraÄŁ men", "ãģĭ ãģ©ãģĨ", "ãģĭãģ©ãģĨ ãģĭ", "ен ко", "ì§Ģ ê³ł", "Ġ×IJ׾ ×Ļ×Ķ", "ĠØ£ ÙĦ", "à¸Īำ หà¸Ļ", "à¸Īำหà¸Ļ à¹Īาย", "nız ı", "Ġ׾ק ×Ĺת", "Ø£ ÙĩÙħ", "Ø£ÙĩÙħ ÙĬØ©", "ت غÙĬر", "ש ×Ĺר", "ס×ķפ ר", "×ĵ ×Ļר", "èī¯ ãģĭãģ£ãģŁ", "×ŀ׾×Ĺ ×ŀ×Ķ", "ÑģÑĤв ие", "ÑĤ ÑĢаÑĤ", "ĠاÙĦØ£ Ø®", "ĠاÙĦأخ ÙĬرة", "ĠاÙĦØŃ ØµÙĪÙĦ", "Ġcréd ito", "צ ×Ļ×¢", "ãĥ¬ ãĥĻãĥ«", "بر ÙĬ", "ëIJ IJ", "ãģł ãģ£ãģ¦", "Ġreal tÃł", "س Ùģر", "×ķ׳ ×ķ", "×Ĵ ×ķ×ĵ", "×Ĵ×ķ×ĵ ׾", "ฮ า", "ãģĹãģ¦ ãģĬãĤĬãģ¾ãģĻ", "Ġg Ãł", "Ġ׾×ij צע", "å¼ķ è¶ĬãģĹ", "Ġ×ŀ ×Ļ׾×Ļ", "Ġ×ŀ×Ļ׾×Ļ ×ķף", "Ùħ در", "Ùħدر سة", "פ ×ķ×ĺ", "à¸Ļà¹īำ มัà¸Ļ", "ëģ Ŀ", "ع Ùĥس", "ĠÙĤ ض", "ĠÑĢÑĭ б", "خط Ø·", "×ŀ×ķס ×ĵ", "Ġ׼׾ ׾×Ļ", "ĠкоÑĤоÑĢ ое", "צ×Ļ ×ķף", "ĠмеÑģÑĤ а", "ãģĭ ãģ¤", "г ÑĢÑĥпп", "׾ ×Ļ׾", "ת ×ķ×IJר", "ë³µ ì§Ģ", "à¹ģà¸ľ à¹Īà¸Ļ", "Ġ×ij×¢ ת", "æĻĤéĸĵ ãĤĴ", "ï¼ £", "ãģ¨ãģĦãģĨãģĵãģ¨ ãģ§", "Ġ׾×Ķ ק", "Ġ׾ ×ĸ×Ķ", "ĠìłĢ ëĬĶ", "ĠاÙĦØ¥ رÙĩاب", "ĠìŀĪëĬĶ ëį°", "ĠÑĤ огда", "Ġ×Ķ צ×Ļ", "×ķ׾ ×ĺ", "Ġר פ×ķ×IJ×Ļ", "ãģĵãģ¨ ãģ§ãģĻ", "ĠÄij ÃŃch", "ØŃ ÙĬا", "Ġ×Ķ×ŀש ×Ĺק", "ãģľ ãģ²", "Ġ×ŀ×IJ פשר", "ãģ¿ ãģ¾ãģĹãģŁ", "ĠاÙĦØ£ÙħÙĬر ÙĥÙĬ", "Ùħج تÙħع", "Ġس اب", "Ġساب ÙĤ", "׼ ×Ļ׾", "Ạ¾", "ãĥª ãĤ¹ãĥĪ", "Ġì ĥ", "Ġìĥ Ī", "ĠìĥĪ ë¡ľ", "ĠìĥĪë¡ľ ìļ´", "ĠD á»ĭch", "à¹Ģหมาะ สม", "ĠاÙĦÙĨ بÙĬ", "׾ ׾", "ÙĨ ع", "Ðĵ лав", "Ðĵлав наÑı", "Ùħر ض", "Ġ×ķ ×ĵ", "ت ÙĤÙĬ", "تÙĤÙĬ ÙĬÙħ", "Ġb ảng", "ĠÙģ ÙĤاÙĦ", "×¢ ×ŀ×Ļ", "д ÑĢа", "Ġsu á»ijt", "سر عة", "Ġc á»Ń", "Ġ×Ķ ×Ļ×Ĺ×Ļ×ĵ", "سع ÙĬد", "à¸Ńา à¸Ĭีà¸ŀ", "Ġس ÙĪاء", "ãĤ½ ãĥķãĥĪ", "Ġл иÑĩно", "ĠÐļ оÑĢ", "اÙĩ تÙħ", "اÙĩتÙħ اÙħ", "à¸Ń à¸Ķี", "à¸Ńà¸Ķี à¸ķ", "ãģIJ ãĤīãģĦ", "Ġiht iya", "Ġihtiya ç", "ãģ¾ãģ§ ãģ®", "ìĭľ ìĬ¤", "ìĭľìĬ¤ íħľ", "ÑĢÑĥ ÑĪ", "ãĤĦ ãģ£ãģ±", "ãĤĦãģ£ãģ± ãĤĬ", "к еÑĢ", "Ġ ży", "Ġży w", "кл он", "Ġl ượt", "à ¾", "да Ñĩи", "tür k", "غ ÙĪ", "ĠигÑĢ ок", "Ġph ê", "Ġש ×¢×ľ", "ĠاÙĦÙħ دÙĨÙĬ", "ĠìŬ룬 ë¶Ħ", "ער ×Ļ×Ŀ", "Ñħод ÑıÑĤ", "Ġx ứ", "ÐĹ Ð°", "ĠÙģ رص", "à¸Īะ à¸Ĺำà¹ĥหà¹ī", "íģ ´", "×¢ ×ij×ķר", "à¹Ģหลà¹Īา à¸Ļีà¹ī", "èĢĥãģĪ ãĤĭ", "ÑĢ еÑģÑĤ", "н нÑĭй", "Ġc ầm", "دا Ø®ÙĦ", "ĠÙħÙĦÙĬ ار", "ĠÐIJ л", "ĠвÑĢем ен", "à¸Ĭà¹Īวย à¹ĥหà¹ī", "ר×Ļ ×ķת", "ëĵ ¯", "飲 ãģ¿", "׳ ׾", "שת ×£", "ĠاÙĦسعÙĪد ÙĬ", "u ÃŁ", "ìĿ¸ ëį°", "ĠìĿ¼ ë°ĺ", "ÅĤ ÄĻ", "Ġm á»iji", "×ŀ ×Ļ׳", "ĠاÙĦØ£ Ø·ÙģاÙĦ", "Ġçı kan", "é cole", "ק ×Ļש", "ק×Ļש ×ķר", "ĠоÑģ ÑĥÑīеÑģÑĤв", "ĠоÑģÑĥÑīеÑģÑĤв лÑı", "×ij ×IJר", "à¹Ħà¸Ľ à¸Ķà¹īวย", "Ġ×¢ ×ķ׾×Ķ", "à¸ģà¹ĩ à¹Ħมà¹Ī", "ãĥ¢ ãĥĩ", "ãĥ¢ãĥĩ ãĥ«", "تØŃ ÙĪÙĦ", "Ġод ного", "ת×Ĺ×Ļ׾ ת", "Ġت Ø®", "Ġch cia", "Ġchcia ÅĤ", "ãĥIJ ãĥ³", "èĢħ ãģ¯", "ĠÙħ ØŃÙĦ", "Ñģл ож", "Ñģлож н", "Ġt ÄĻ", "Ġçı kt", "Ġçıkt ı", "ĠC Æ¡", "à¹Ħà¸Ķà¹ī à¹Ģลย", "ır ken", "à¹Ģà¸Ĥà¹īา สูà¹Ī", "ÙħØŃ Ùĥ", "ÙħØŃÙĥ ÙħØ©", "à¸Ħุ à¹īม", "à¸Ļà¹Īา à¸Īะ", "лÑİ Ð´", "де ÑģÑı", "деÑģÑı ÑĤ", "ĠлÑİб ой", "تØŃر ÙĬر", "צע ×ĵ", "Ġе Ñij", "ĠاÙĦØŃ ÙĥÙħ", "Ġص باØŃ", "à¹Ģà¸ļ à¸Ńรà¹Į", "Ġróż nych", "ги б", "ĠÑģ оÑĤ", "ĠÑģоÑĤ ÑĢÑĥд", "ĠÑģоÑĤÑĢÑĥд ник", "ĠобÑĬ ем", "פ ×ĺר", "ãģĻãģĶ ãģı", "ãģ«éĸ¢ ãģĹãģ¦", "в ол", "Ø« ÙħاÙĨ", "Ġd ần", "æĬ ľ", "æĬľ ãģij", "Ġ×¢ ש", "Ġעש ×ķ×Ļ", "ס ×ķף", "ãģªãģ® ãģ§ãģĻ", "ãģ¯ ãģ©ãģĨ", "×ŀ×¢ ר×ij", "ï¼ °", "Ùħ صر", "ÙħÙĨ اسب", "ÙħÙĨاسب Ø©", "ä¸Ĭ ãģ®", "×IJ×Ļש ×ķר", "ĠìĦ¤ ì¹ĺ", "×ŀ×ĵ×Ļ׳ ×ķת", "×ŀר ת", "ãĤĭ ãģ®ãģĮ", "د Ùİ", "ĠاÙĦشر Ùĥات", "ìĭľ ê°Ħ", "ĠÑĢеÑĪ ение", "ãģĻãĤĭ ãģ®ãģ¯", "ĠìŀIJìĭł ìĿĺ", "׾ ×ŀ×ķ", "ãģ¨ãģĵãĤį ãģ§", "Ġק צר", "Ġmã i", "Ġkü ltür", "ãĥ©ãĤ¤ ãĥĸ", "à¸ľà¸¹à¹ī หà¸įิà¸ĩ", "æĻĤéĸĵ ãģĮ", "клÑİÑĩ и", "diÄŁ iniz", "มาà¸ģ à¹Ĩ", "تØŃ ÙħÙĦ", "Ġh ạt", "ãĤ¦ ãĤ£", "п ле", "×ŀ ׾×IJ", "ÅĤ ó", "Ġg á»ijc", "Ġ×IJ ×ķ×ĵ×ķת", "หว าà¸Ļ", "ĠاÙĦ ÙĪز", "ĠاÙĦÙĪز راء", "ëĵ¤ ê³¼", "Ġص ØŃ", "ĠصØŃ ÙĬÙģØ©", "Ġм м", "تد Ø®ÙĦ", "Ġpersön lich", "Ġز ÙĬ", "ĠزÙĬ ادة", "ãĤ· ãĤ¢", "Ġng ắn", "à¸Ħล ิà¸ģ", "Ġs ông", "Ġtü ket", "Ñį ÑĦÑĦ", "ÑįÑĦÑĦ екÑĤ", "ש ×Ļ×ij", "Ġا عت", "ت ض", "تض ÙħÙĨ", "ĠاÙĦÙħØ´ رÙĪع", "Ġprodu ção", "ĠпÑĢимен Ñı", "ни ÑĨÑĭ", "주 ëĬĶ", "ر Ùı", "Ġm Æ¡", "Ġhayat ı", "ëŁ ½", "Ġü cret", "Ġyan ında", "Ġpr ática", "×ij×Ļק ×ķר", "Ãľ N", "Ñģ оÑĤ", "ãĤıãģij ãģ§", "Ġдол го", "ת ׼×ķ", "ĠìķĦ ëĭĮ", "ë į°ìĿ´", "Ġç iz", "Ġcho Äĩ", "Ġ×Ķ ×Ļת", "Ġ×Ķ×Ļת ר", "Ġso át", "׼ ×ij×ĵ", "à¹Ģล à¹Īา", "Ġд еÑĢ", "ĠдеÑĢ ев", "ãĤĴ åħ¥ãĤĮ", "×Ĺ ×ķס", "×Ĺ×ķס ר", "ج ÙĬÙĨ", "t ón", "onn é", "Ġпол ноÑģÑĤÑĮÑİ", "人 ãģŁãģ¡", "Ġpr êt", "ëł ¸", "Ġdéc embre", "cı lar", "Ġת ת", "Ġê²½ìļ° ìĹIJëĬĶ", "ÙĪ عد", "è¦ĭ ãĤĭ", "วิ à¸Īัย", "ë ¶Ī", "ز ÙĪا", "زÙĪا ج", "d ì", "ãģ§ãģĻ ãĤĪ", "Ġвод о", "ĠÙĬ ÙĪجد", "Ñģ оÑģÑĤоÑı", "Ðŀ С", "ĠÄIJ ó", "׊פש", "Ġצ ×Ļ×ij×ķר", "ĠاÙĦÙĤ Ø·", "ĠاÙĦÙĤØ· اع", "Ġиме ÑİÑĤ", "Ġph áºŃn", "×Ľ×¡ פ×Ļ", "полн иÑĤелÑĮ", "éĻIJ ãĤĬ", "ĠÑģ ÑĢав", "ĠÑģÑĢав н", "ÙħاÙĦ Ùĥ", "×ĵר ×ķ×Ŀ", "çļĨ ãģķãĤĵ", "ØŃÙĤ ÙĤ", "à¹ģหล à¹Īà¸ĩ", "ĠاÙĦر سÙħÙĬ", "оÑĩ ки", "×ĺ ×ij×Ĺ", "Ġcan lı", "Ġ׾ ׾", "Ġ׾׾ ×ŀ×ķ×ĵ", "×ŀ×ij ×ķ", "ת ׼", "×ª×Ľ ׳×Ļת", "ĠاÙĦÙħ شار", "ĠاÙĦÙħشار ÙĥØ©", "Ä° Åŀ", "ĠسÙĬ اسÙĬ", "в олÑĮ", "ĠÑģ пÑĢав", "æĿ¥ ãģ¦", "פ×ķר ×ķ×Ŀ", "สำ à¹Ģรà¹ĩ", "สำà¹Ģรà¹ĩ à¸Ī", "ĠÅŁ öyle", "Ġzosta ÅĤa", "ĠH ü", "ר ×ķש", "د ÙĦÙĬÙĦ", "ÑĢи д", "ש ף", "×ŀק ×ķר", "ĠÑĥ Ñĩ", "ĠÑĥÑĩ еб", "ĠÑį ÑĤа", "ков а", "à¸ķà¸Ļ à¹Ģà¸Ńà¸ĩ", "ÙĨ ÙIJ", "à¸Ńีà¸ģ à¸Ħรัà¹īà¸ĩ", "ระ à¸ļุ", "Ġd ữ", "ĠاÙĦØŃ Ø§ÙĦÙĬ", "׼ ×ķ׼", "׼×ķ׼ ×ij", "Ġ×ŀ×IJ שר", "Ġtr ụ", "ÑĤел ем", "Ġв ли", "Ġвли Ñı", "Ġש×IJת ×Ŀ", "Ġuw ag", "Ġuwag ÄĻ", "×ĺ ×Ļת", "×IJ ×ĵ×Ŀ", "à¸Ķ ุ", "Ġ×Ķ×IJ ׾×Ķ", "Ġkar Ä±ÅŁ", "ĠÄIJ á»iji", "да ÑİÑĤ", "ãģªãģ® ãģ«", "Äħ cych", "à¹Ģà¸Ļ à¹īà¸Ļ", "ãģĹãģ¦ ãģĹãģ¾ãģĨ", "int érieur", "ĠfÃŃs ica", "ĠÐŁ ол", "ãģĹãģ ķ", "à¸Ĺำ à¹Ħม", "ĠL âm", "ĠاÙĦÙħ سÙĦÙħ", "ĠاÙĦÙħسÙĦÙħ ÙĬÙĨ", "ص ØŃØ©", "ìĹ Ħ", "à¹Ģà¸Ķà¹ĩ à¸Ķ", "ĠÑĥ ÑĩеÑĤ", "â Ìģ", "Ġب ÙĦا", "ĠاÙĦاجتÙħاع ÙĬ", "פרס ×Ŀ", "ãĥķ ãĥ©", "ĠÐļ огда", "mie ÅĽci", "ĠبÙĬÙĨ Ùħا", "Ġ×ŀ×IJ ×ŀר×Ļ×Ŀ", "Ġ×ij×IJ ×ĸ×ķר", "×ķש ×Ļ×Ŀ", "ĠÑģдел а", "entr ée", "à¹Ģ à¸Ħà¹īา", "Ñĥг л", "ĠاÙĦÙģ ÙĨÙĬ", "ĠÐĴ оÑĤ", "à¸Ĺีà¹Ī มา", "×ķצ ×Ĵ", "ÙĤد رة", "Ġëª ©", "Ġ목 ìłģ", "íıī ê°Ģ", "ĠاÙĦØ£ ربع", "ĠاÙĦأربع اء", "פס ×Ļק", "ĠÑıвлÑı ÑİÑĤÑģÑı", "ب ÙĪÙĨ", "ì° ¾", "×ŀ×¢ ר׼", "×ŀ×¢×¨×Ľ ×ķת", "ãĤ· ãĤ§", "ĠباÙĦ Ø£", "íĸĪ ëįĺ", "ĠاÙĦبر ÙĨاÙħج", "ĠاÙĦØ£ ØŃد", "Ġm Å©", "ĠmÅ© i", "п аÑĤ", "ب Ø«", "ĠÑĨ енÑĭ", "Ġ×ijת ׾", "è¨Ģ ãĤıãĤĮ", "ĠاÙĦÙħ جاÙĦ", "ĠìĦ¸ ìĥģ", "Ġ×Ĵ ×ķפ", "ĠнаÑĪ ей", "Ġкомп аниÑı", "б ин", "öl ü", "×Ļ ×Ļ×ĺ", "Ġ×ŀס פ×Ļק", "ยัà¸ĩ à¸Ħà¸ĩ", "ĠЧ и", "Ġан ÑĤи", "ĠÑģÑĢед и", "สà¹Īวà¸Ļ à¹ĥหà¸įà¹Ī", "оÑĩ ка", "íĬ¹ ë³Ħ", "ว à¹Īาà¸ĩ", "гоÑĢ од", "با Ùĥ", "à¹Ģส ีà¹Īย", "à¹Ģสีà¹Īย à¸ĩ", "ãĤĤãĤī ãģĦ", "ק ×ķ×Ŀ", "ãģĽ ãģļ", "ĠاÙĦÙĤ اÙĩرة", "Ġ×ij ׼×ļ", "Ùħشار ÙĬع", "باØŃ Ø«", "Ġпо Ñĩ", "ĠпоÑĩ ÑĤи", "ĠÑĦоÑĢм а", "S Ä°", "Ġ×ŀצ ×Ļ×¢", "ล ื", "ลื ม", "ĠÑĤ еÑĢ", "ĠÑĤеÑĢ ÑĢиÑĤоÑĢ", "ĠÑĤеÑĢÑĢиÑĤоÑĢ ии", "Ġв меÑģÑĤ", "ĠвмеÑģÑĤ е", "dıkl arı", "op ération", "à¹Ĥ ห", "ص دÙĬ", "صدÙĬ ÙĤ", "íĸī ìłķ", "تج ا", "تجا ÙĪز", "Ġsu ç", "Ġar ty", "Ġarty ku", "Ġartyku ÅĤ", "ãĤ·ãĥ§ ãĥĥãĥĹ", "ש פ", "שפ ×Ļ×¢", "Ġ×Ķש ×Ļר×ķת", "à¹ģà¸ĸ ม", "ë¸ Ķ", "Ġuk ÅĤad", "Ġ×ķ ׼×Ļ", "หล าà¸ģ", "หลาà¸ģ หลาย", "æĸ¹ ãĤĤ", "Ġpodr óż", "ĠE ÄŁer", "Ġком наÑĤ", "ĠÑģам ÑĭÑħ", "Ġв кÑĥÑģ", "б еж", "Ġ×ij ק×ķ", "æİĽ ãģij", "ãģ¿ ãĤĭãģ¨", "ĠiliÅŁ kin", "ĠÙĬ عÙħÙĦ", "Ġпод аÑĢ", "Ġyaz ılı", "ãĤĴ å¾Ĺ", "Ġwyst ÄĻp", "à¸Ĺีà¹Ī à¹ĥà¸Ĭà¹ī", "ØŃاد Ø«", "ÙĪ ÙĬد", "кÑĥ лÑĮÑĤ", "кÑĥлÑĮÑĤ ÑĥÑĢ", "à¸ģาร à¹ģà¸Ĥà¹Īà¸ĩ", "à¸ģารà¹ģà¸Ĥà¹Īà¸ĩ à¸Ĥ", "à¸ģารà¹ģà¸Ĥà¹Īà¸ĩà¸Ĥ ัà¸Ļ", "ÙħÙĪ ظ", "ÙħÙĪظ Ùģ", "ÙĬÙħ ÙĬ", "ãĤĵãģ§ãģĻ ãģĮ", "diÄŁ im", "diÄŁim iz", "ĠÐŁ еÑĢ", "ĠÐŁÐµÑĢ в", "Ġm ão", "ĠÑģ ез", "ĠÑģез он", "Ġ×Ķ×ŀ ×¢", "Ùħ جÙħÙĪعة", "ĠинÑĦоÑĢм аÑĨии", "i ếc", "ã ng", "ĠÄij ấy", "ãģĶ ç´", "ãģĶç´ ¹", "ãģĶç´¹ ä»ĭ", "Ġad ım", "à¹Ħ หล", "Ġп ÑĢакÑĤи", "ĠпÑĢакÑĤи Ñĩ", "ĠпÑĢакÑĤиÑĩ еÑģ", "ĠпÑĢакÑĤиÑĩеÑģ ки", "ĠاÙĦÙĨ Ùģس", "ĠÑĢабоÑĤ е", "ÙĦÙĬ Ùģ", "ĠاÙĦجÙĨ ÙĪب", "Ġвод Ñĭ", "ì¹ Ļ", "Ġм иÑĢа", "ĠÄij ừng", "ĠпÑĢоÑĤив о", "ĠÑģÑĤÑĢан Ñĭ", "ล ู", "ìĤ ¶", "kre ÅĽl", "Ġbul und", "Ġbulund uÄŁu", "à¹ģ สà¸Ļ", "ãĤ± ãĤ¢", "ת×Ĺ ×ķ×ŀ×Ļ", "ר׼ ×Ķ", "Ġ׾ק ×ķ×Ĺ", "Ġ׾ק×ķ×Ĺ ×ķת", "Ġ×Ľ×ª ×ķ×ijת", "ĠÙĦ ÙĥÙħ", "ب شر", "Ġr Ãłng", "Ġ×ŀ×Ķ ×ŀ", "Ġ×IJ×Ĺר ×ķת", "Ġб он", "Ġбон ÑĥÑģ", "ï½ Ĺ", "à¹ģ ยà¸ģ", "ãģĤãģªãģŁ ãģ®", "ĠÑĥÑĩаÑģÑĤ ие", "ĠE yl", "ĠEyl ül", "ĠçalÄ±ÅŁmalar ı", "Ø® طر", "ìĿ ½", "à¸ģาร à¹ĥà¸Ĭà¹īà¸ĩาà¸Ļ", "Ġана лиз", "תק ×ij׾", "ни ем", "ĠÄ° ns", "ĠÄ°ns an", "ĠبÙĪ اس", "ĠبÙĪاس طة", "Ġ׳ ×Ľ×ł×¡", "Ġ×Ķ×ŀ ×Ļ×ĵ×¢", "Ġç o", "Ġço ÄŁu", "á» ĺ", "ĠêµŃ 민", "ãĤĤ ãģĦãģĦ", "Ġ׼ ׾×Ļ", "ĠÑģÑĢед не", "g ÅĤo", "gÅĤo ÅĽ", "Ġneg ó", "Ġnegó cio", "ĠÑĢ егиÑģÑĤ", "ĠÑĢегиÑģÑĤ ÑĢа", "ĠÑĢегиÑģÑĤÑĢа ÑĨии", "Ġtr á»ĵng", "ĠпÑĢ Ñı", "ĠпÑĢÑı мо", "ëłĪ ìĿ´", "Ġk ém", "к ле", "à¸Ļำ มา", "ĠÑĦ ин", "ĠÑĦин анÑģ", "ĠÑĦинанÑģ ов", "Ġki á»ĩm", "ยัà¸ĩ à¹Ħ", "ยัà¸ĩà¹Ħ à¸ĩ", "ย ิà¸ĩ", "à¹Ĥ à¸Ľ", "ĠполÑĥÑĩ ил", "×Ļ×ĸ ×Ŀ", "à¹ģละ à¸Ħวาม", "Ġво обÑīе", "ص ÙĬر", "ãĥı ãĥ³", "ĠاÙĦÙĤ اد", "ĠاÙĦÙĤاد Ùħ", "Ġب دÙĪÙĨ", "ع ظÙħ", "ת ׳×ķ×¢", "×ª×ł×ķ×¢ ×Ķ", "Ø£ ÙħÙĦ", "ãģķ ãģĪ", "ÑĤ ем", "ÑĤем пеÑĢ", "ÑĤемпеÑĢ аÑĤÑĥÑĢ", "Ġ׾ ×Ļצ×ķר", "Ġr ÄĻk", "ر سÙĦ", "ìŀIJ 를", "Ġ×Ļצ ×Ļרת", "ÙĨ بÙĬ", "Ñĩ наÑı", "تØŃ ÙĦÙĬÙĦ", "Ġм ик", "Ġмик ÑĢо", "ĠS öz", "Ġfor ça", "Ñģ он", "ĠاÙĦع را", "ĠاÙĦعرا ÙĤÙĬ", "ĠH á»ĵng", "ãģĻãĤĭ ãģŁãĤģãģ«", "à¸Ĺีà¹Ī à¸Ńยูà¹Ī", "Ġ×ķ×IJ ×£", "ص ÙĬد", "ĠìķĬ ê³ł", "ร ัà¸ĩ", "ĠاÙĦت ÙĪاصÙĦ", "à¹Ģม à¸ķร", "Ñĥ ÑģÑĤÑĢой", "ÑĥÑģÑĤÑĢой ÑģÑĤв", "m ıyor", "Ġبا سÙħ", "Ġ×ķ ׼×ķ", "ĠG ül", "á» IJ", "Ãī tat", "غ اÙĦ", "Ø¥ ÙĨØ´", "Ø¥ÙĨØ´ اء", "T Ä°", "à¸Ĥà¹īา ม", "Ġtro ch", "Ġtroch ÄĻ", "Ø¥ ص", "إص ابة", "ĠØ« اÙĨÙĬ", "ĠاÙĦص ØŃØ©", "Ġ×ĸ×Ķ ×ķ", "jÄħ cej", "ãĥĢ ãĥ³", "ìĿ¸ ìĿ´", "Ġв олоÑģ", "ëIJĺ ë©´", "Ġzak ÅĤad", "ãģĻ ãģĵãģ¨", "以ä¸Ĭ ãģ®", "Ġ×Ķ×ŀק ×ķ×Ŀ", "ÙħØ´ اÙĩ", "ÙħشاÙĩ دة", "Ñĩ ив", "ب Ø´", "ย à¹īาย", "Ġsür dür", "ĠN ẵ", "ĠNẵ ng", "ĠигÑĢ аÑĤÑĮ", "Ġê·¸ëŁ¬ ë©´", "ãĥķ ãĥ«", "ล à¹Īะ", "Ġtend rá", "Ġb Ãły", "à¹Ģà¸Ľà¹ĩà¸Ļ à¸ľà¸¹à¹ī", "Ġok o", "Ġoko ÅĤo", "w ÅĤa", "wÅĤa ÅĽci", "wÅĤaÅĽci w", "æĢĿ ãĤı", "ĠYa ÅŁ", "ĠB á»ĩnh", "íı Ń", "بÙĬ د", "קר ף", "à¹Ģศ ร", "à¹Ģศร ษ", "à¹Ģศรษ à¸IJ", "à¹Ģศรษà¸IJ à¸ģิà¸Ī", "ĠاÙĦØ£ ÙĪرÙĪ", "ĠاÙĦØ£ÙĪرÙĪ بÙĬ", "fl äche", "ä¹Ĺ ãĤĬ", "Ġb á»ģn", "Ùĩ ب", "æľĢ ãĤĤ", "Ġsa ç", "à¸Ńำ à¹Ģà¸ł", "à¸Ńำà¹Ģà¸ł à¸Ń", "ĠØ£ ج", "ĠاÙĦد اخÙĦ", "ĠاÙĦداخÙĦ ÙĬØ©", "×ĺ ×ķ×ij", "ãĤĤ ãģªãģı", "Ġли ÑĨа", "à¹ģลà¹īว à¸ģà¹ĩ", "×ĸ׼ ×Ļר", "Ġqu Ãł", "ĠÙĥ Ø°ÙĦÙĥ", "صØŃ Ùģ", "ĠÃĤ u", "ÙĪب ا", "à¹Ģà¸Ľà¸¥à¸µà¹Īยà¸Ļ à¹ģà¸Ľà¸¥", "à¹Ģà¸Ľà¸¥à¸µà¹Īยà¸Ļà¹ģà¸Ľà¸¥ à¸ĩ", "à¸ķัว à¸Ńยà¹Īาà¸ĩ", "Ġráp ida", "Ġtas ar", "Ġtasar ım", "ĠعÙĦÙĬ ÙĩÙħ", "ס ×ķ׾", "c ılı", "cılı k", "Ġر غÙħ", "ìĭľ íĤ¤", "Ġ×IJ׾ ק", "Ġ×IJ׾ק ×ĺר", "Ġ×IJ׾ק×ĺר ×ķ׳×Ļ", "à¹ģà¸ļ à¹Īà¸ĩ", "Ġh ạng", "ãģ£ãģ¦ ãģıãĤĮ", "ĠÙĨ تÙĬ", "ĠÙĨتÙĬ جة", "ıkl ı", "غ اÙĨ", "à¸Ĥà¹īà¸Ń à¸Ħวาม", "à¸Ľà¸¥ าย", "ĠØ£ Ùħس", "à¸Ĺีà¹Ī à¹Ģà¸ģีà¹Īยว", "à¸Ĺีà¹Īà¹Ģà¸ģีà¹Īยว à¸Ĥ", "à¸Ĺีà¹Īà¹Ģà¸ģีà¹Īยวà¸Ĥ à¹īà¸Ńà¸ĩ", "Ġdé fin", "Ġdéfin i", "ÙģÙĨ اد", "ÙģÙĨاد ÙĤ", "à¹Ħà¸Ķà¹ī วà¹Īา", "ãģªãģĦ ãĤĪãģĨãģ«", "Ġpróp ria", "ĠPh át", "ãĤĦãģĻ ãģı", "สวย à¸ĩาม", "ê³ł ìļĶ", "Ñı еÑĤ", "ãģĭãĤĤãģĹãĤĮãģ¾ãģĽãĤĵ ãģĮ", "تر جÙħ", "ĠкÑĢаÑģ ив", "Ġ×ŀ ר×IJש", "д еж", "ĠÙĬ ÙĪÙĨ", "ĠÙĬÙĪÙĨ ÙĬÙĪ", "Ñģк оÑĢ", "ĠKas ım", "ê³Ħ ìķ½", "к оÑģ", "Ġна ÑĢÑĥ", "ĠнаÑĢÑĥ ÑĪен", "Ġdu że", "acc ès", "Ġh á»ĵng", "Ġv Å©", "ãģĦãģŁ ãģĹãģ¾ãģĻ", "Ġ×ĺ ×Ļ", "Ġ×ĺ×Ļ ×ķ׾", "lıkl arı", "Ġqu ê", "ëħ¸ ëıĻ", "ìķ Ķ", "CI ÃĵN", "Ġt ắc", "press ão", "ĠìŀĪ ìľ¼", "สิà¸Ĺà¸ĺิ à¹Į", "íĥ Ħ", "Ġ×Ķ×ŀ ×ŀש׾×Ķ", "å¬ī ãģĹãģĦ", "ĠÄIJ ặc", "ÙĨ زÙĦ", "ĠдÑĢÑĥг ой", "д ÑĥÑĤ", "ìĪ Ļ", "Ġth ụ", "à¹Ģส ร", "à¹Ģสร à¹ĩ", "à¹Ģสรà¹ĩ à¸Ī", "Ġto plant", "Ġtoplant ı", "×IJ×ŀ ף", "×ķ׾ ת", "п омн", "Ġyo ÄŁun", "ÅĦsk iego", "ì° ©", "ĠØ« ÙĦاث", "ĠØ«ÙĦاث Ø©", "Ġl ắng", "ë¦ ´", "ราà¸Ĭ à¸ģาร", "ĠÑģлов а", "á» Ĩ", "à¸Ķี à¸ģวà¹Īา", "ãģĶãģĸ ãģĦãģ¾ãģĻ", "Ġд из", "Ġдиз айн", "fé rence", "lıkl ar", "ãģªãĤĵ ãģ§ãģĻ", "ajÄħ cy", "Ġëĭ¤ ìĸij", "Ġëĭ¤ìĸij íķľ", "ק ×Ļר", "ØŃ Ø§Ø±", "ส ูà¹ī", "Ġz ro", "Ġzro bi", "Ġzrobi Äĩ", "×ŀ ×Ļ׼×Ķ", "à¸Ĭà¹Īวย à¹Ģหลืà¸Ń", "ĠÑįÑĤ Ñĥ", "ë´ ī", "楽 ãģĹãģĦ", "س ÙĪر", "íķĺ ê±°ëĤĺ", "Ùħؤ تÙħر", "Ġpoc zÄħ", "ĠpoczÄħ tk", "ĠpoczÄħtk u", "Ġع ربÙĬ", "اÙĦØ£ ر", "اÙĦأر دÙĨ", "à¸Ķ ร", "Åĵ uvre", "ĠÙĪÙĥ اÙĨت", "ĠÅĽ redni", "Ø® ضر", "Ġch uyến", "н ÑĤ", "ĠìķĮ ê³ł", "Ġv á»Ŀi", "Ġ×ij ×Ļ×ĵ×Ļ", "×ŀ×ĵ ×ķ×ijר", "ÙĪ Ùģر", "ÙĬ Ø¡", "׳ ×Ľ×¡", "ĠÐĽ а", "л он", "Ġx ấu", "Ùģ ÙĬÙĨ", "Ġfé vrier", "ĠÐŀ на", "ĠV á»ģ", "ĠÅŁey ler", "ĠполÑĥÑĩ ен", "з ад", "Ġn ét", "à¹Ħà¸Ľ ยัà¸ĩ", "×Ĺש×ij ×ķ", "à¸ļัà¸Ļ à¸Ĺ", "à¸ļัà¸Ļà¸Ĺ ึà¸ģ", "Ġgerçek leÅŁ", "иÑĩеÑģк ое", "ìĪĺ ê°Ģ", "Ø« بت", "ãģ¤ ãģ¾ãĤĬ", "ĠÑĥÑģловиÑı Ñħ", "ëĭ¤ ê°Ģ", "ราย à¹Ħà¸Ķà¹ī", "׼×IJ ×ij", "à¹Ĥà¸Ľà¸£ à¹Ĥม", "à¹Ĥà¸Ľà¸£à¹Ĥม à¸Ĭัà¹Īà¸Ļ", "j ähr", "jähr ige", "ק ׳×Ļ×Ŀ", "×ŀ ×ķק", "×ŀ×ķק ×ĵ", "ãģ«è¡Į ãģ£ãģ¦", "Ø¢ ÙĦ", "вед ение", "Ġ׾ ×Ľ×ª×ķ×ij", "جÙħ Ùĩ", "جÙħÙĩ ÙĪرÙĬØ©", "à¸ī à¸ļ", "à¸īà¸ļ ัà¸ļ", "ĠC òn", "à¸ľ สม", "ãģªãģ© ãģĮ", "×IJ×Ķ ×ij", "ĠдейÑģÑĤв иÑı", "y ız", "à¹Ħมà¹Ī à¹Ģà¸Ħย", "ج ÙĪز", "×Ķ×Ĺ׾×ĺ ×Ķ", "f ällt", "ãĥĵ ãĤ¸", "ãĥĵãĤ¸ ãĥį", "ãĥĵãĤ¸ãĥį ãĤ¹", "Ġ×IJ ×Ļ׳×Ŀ", "ĠнаÑħод иÑĤÑģÑı", "Ġdzi ÅĽ", "ست Ø·ÙĬع", "׾ ×Ļף", "Ø® ÙĦاÙģ", "Ùĩ ÙIJ", "Ġatr ás", "íĺ ģ", "ãĤĴ ãģĶ", "Ġ×Ķ×ŀ ×ķצר", "ĠBakan lıģı", "ÑİÑī ее", "ÙħÙĨ اط", "ÙħÙĨاط ÙĤ", "Ùģ د", "à¸Ļำ à¹Ħà¸Ľ", "Ġв аж", "Ġваж но", "Ġm ạch", "׼ ׳×ķ", "بع Ø«", "lan ması", "Ġa yr", "Ġayr ıl", "ìĤ¬ íļĮ", "d ÃŃa", "p ÅĤyw", "اÙħ ÙĬØ©", "íĺ ľ", "×IJ׳ ×Ĵ׾", "×IJ׳×Ĵ׾ ×Ļת", "ĠìŀĪëĭ¤ ëĬĶ", "Ġس اعة", "ĠëĤĺ íĥĢ", "b ö", "à¸Ħ ัà¸Ļ", "ĠdziaÅĤ ania", "Ø© Ùĭ", "Ġng Å©", "׳צ ×Ĺ", "ãģ¯ ãģĤãĤĭ", "ĠyaÅŁ ında", "st ück", "car acter", "caracter ÃŃsticas", "Ġr á»Ńa", "ĠÙħختÙĦÙģ Ø©", "ãģ«ãģĬ ãģijãĤĭ", "à¹ģà¸ŀ à¸ĩ", "วิ à¹Īà¸ĩ", "ת פ×ķ", "سا ÙĩÙħ", "使 ãģĨ", "Ùĥ رÙĬ", "×IJ פ×Ļ", "........ .......", "ĠÑĤак им", "×Ļ׼ ×ķ×Ļ", "Ø´ بÙĩ", "ج ÙĬر", "ãģĿãģ® ãģ¾ãģ¾", "ac jÄĻ", "ĠاÙĦت رÙĥ", "ĠاÙĦترÙĥ ÙĬ", "ĠпÑĢав илÑĮно", "Ġت عÙħÙĦ", "à¸ģล à¹īา", "Ġbi ên", "Ġ×ij׳×Ļ ×Ļת", "Ġкл Ñĥб", "Ġ×ŀ ש×Ķ", "в ÑĪий", "ãģĵãģ¨ãģĮãģ§ãģį ãĤĭ", "à¸ŀัà¸Ļà¸ĺ ุ", "à¸ŀัà¸Ļà¸ĺุ à¹Į", "ר ×ķ×Ŀ", "ĠاÙĦÙģ رÙĨ", "ĠاÙĦÙģرÙĨ سÙĬ", "à¹Ģà¸Ľà¹ĩà¸Ļ à¸Ħà¸Ļ", "ãģĹãģ¦ ãģĬãĤĬ", "Ġth ầy", "ãĤĵ ãģłãģijãģ©", "ìĶ ¨", "Ùħ دÙĨ", "ت ÙĪÙĨ", "ĠмеÑĤ ал", "ĠмеÑĤал л", "Ġin ÃŃcio", "à¸Ńà¸Ńà¸ģ à¸Īาà¸ģ", "ëĴ ¤", "Ġcu á»ijn", "Ġbu á»Ļc", "ÙĨ سÙĬ", "ä cht", "×ŀ ×Ļ׳×Ļ×Ŀ", "ãģķ ãģ¦", "ãģĮ ãģ§ãģį", "ÑĬ ем", "Ġtá i", "ĠЧ ÑĤ", "ĠЧÑĤ обÑĭ", "à¸Ľà¸¥ ูà¸ģ", "à¸Ĭุม à¸Ĭà¸Ļ", "н Ñģкий", "Ġv ững", "Ġ×Ķ ׾×ij", "ë le", "Ġש ×¢×ijר", "в аÑĤÑĮÑģÑı", "б ой", "ع ÙĪÙĨ", "à¹ģà¸Ķ à¸Ļ", "Ġספר ×Ļ×Ŀ", "Ġt uyên", "Ġnhi êu", "ĠQu ý", "Ġh uyết", "ãĤı ãģĭãĤīãģªãģĦ", "Ġ×ŀ ׼ף", "Ġ×Ķ ק׾", "Ġ׾×IJ ×ķר", "ĠÄIJi á»ĩn", "Ø´ ؤ", "شؤ ÙĪÙĨ", "Ġ×ŀ׊פש", "ĠпоÑģÑĤоÑıн но", "×ŀ ×Ļר", "ìħ Ķ", "Ðŀ Ñģ", "ÐŀÑģ нов", "×ĸ ×Ļת", "ĠH á", "ĠÑĩаÑģ ов", "×IJ ×ķ׾×Ļ", "Ġm át", "Ø® رÙĪ", "خرÙĪ ج", "ÙĤ ضا", "ÙĤضا ÙĬا", "à¹Ģà¸Ľ à¸Ńรà¹Į", "ĠÙĬ ÙĪÙĦ", "ĠÙĬÙĪÙĦ ÙĬÙĪ", "à¹Ĥà¸Ĺ ษ", "׳ פ׾", "ת ×ķש", "ת×ķש ×ij×Ļ", "Ġv ários", "×ŀ ר×IJ×Ķ", "ëĿ¼ ìĿ´", "ÙĨ غ", "×ij צע", "г он", "ĠÄIJ ược", "ع Ùı", "пÑĥÑģ к", "ĠÙĪاÙĦ Ùģ", "üc ü", "×Ļק ×Ļ×Ŀ", "Ġس بÙĬÙĦ", "׾×ij ף", "ĠاÙĦÙĤ رÙĨ", "ס ×ķת", "ĠQu áºŃn", "ãģĵãĤĮ ãģĮ", "ãĥĸ ãĥ©ãĥ³ãĥī", "×Ĵ ×ŀר", "Ġwarto ÅĽci", "ĠÙĪب ÙĬÙĨ", "Ġd ạ", "ÐIJ в", "ÐIJв ÑĤо", "Ġol acaktır", "à¸Ļ à¸Ĺà¹Į", "Ùħ طار", "Ġ×¢ ק×ij", "Ġת פ", "ãģĹãģ¦ ãģĦãģ¦", "צ ×ŀ×Ĺ", "à¸Ī à¸Ńà¸ĩ", "Ġö de", "ìį ¨", "ÙĨ اس", "調 ãģ¹", "ĠогÑĢ омн", "ë³´ íĹĺ", "×ĺ ק", "×ĺק ס×ĺ", "ĠbaÅŁ v", "ĠbaÅŁv uru", "Ġpom ys", "Ġpomys ÅĤ", "ãģ« ä¹Ĺ", "Ġש ׼ף", "ĠاÙĦÙħس ؤÙĪÙĦ", "Ġз ан", "Ġзан ÑıÑĤ", "Ġd Æ°Æ¡ng", "ãĥĹãĥ¬ ãĤ¤", "ล à¸ļ", "ÑĤи ка", "ĠAr alık", "Ġнед о", "Ġm á»Ļ", "Ġor an", "Ġoran ı", "Ġktó r", "Ġktór Äħ", "Ġ×Ķ×IJ×Ĺר ×ķ׳×ķת", "ائ ÙĨ", "ÅĦ s", "ÅĦs ka", "åĽ½ ãģ®", "×ŀ ×ĺ×Ļ", "ĠвопÑĢоÑģ Ñĭ", "à¸Ńà¸ĩà¸Ħà¹Į à¸ģร", "×ŀ ×ķצ×IJ", "Ġpó ź", "Ġpóź niej", "ש×ŀ ×IJ׾", "Ġk aps", "Ġkaps am", "Ġkapsam ında", "Ġmá quina", "ĠÅĽwie cie", "Ġho Ãłng", "Ġöz gü", "×Ĵ×ķר ×Ŀ", "ãģĤ ãģŁãĤĬ", "à¸ķัà¸Ķ สิà¸Ļ", "à¸ķัà¸Ķสิà¸Ļ à¹ĥà¸Ī", "б ÑĢи", "ãģ«ãģªãĤĭ ãģ¨", "ت ÙĥÙĪÙĨ", "Ġ×ķ×Ķ ×Ļ×IJ", "Ġchi ếu", "ÑģÑĤан ав", "ÑģÑĤанав ли", "ÑģÑĤанавли ва", "×ŀ ×ķ×Ĵ", "c ité", "ĠK örper", "Ġש ×Ĵ×Ŀ", "ع ظ", "عظ ÙĬÙħ", "Ġ×Ķ×IJ ×Ļש×Ļ", "Ġmat ière", "ĠÙģ ÙĪÙĤ", "Ġk to", "Ġkto ÅĽ", "à¸Ļ à¹Ĥย", "à¸Ļà¹Ĥย à¸ļาย", "å¾ħ ãģ¡", "à¹Ģม à¸Ļ", "à¹Ģมà¸Ļ ู", "A ÃĩÃĥO", "Ġt ù", "Ġtù y", "ãĥĪ ãĥ³", "ĠоÑĤ каз", "Ġ×ŀ ×ķצר", "ül ü", "ãģķãĤĵ ãģ«", "Ġ×Ĺ ×ķ×ij", "קר ×Ļ×IJ×Ķ", "ĠاÙĦØ® دÙħات", "ĠÙĦÙħ دة", "ر ؤ", "رؤ ÙĬØ©", "ãĤĴè¦ĭ ãģ¤ãģij", "à¸Ł า", "Ġréuss i", "à¸Ļัà¸ģ à¹Ģรียà¸Ļ", "ĠÑĩиÑģ л", "à¸ģาร à¹Ģลà¹Īà¸Ļ", "Ġhaz ırl", "Ġhazırl an", "ĠпеÑĢв Ñĭй", "ли м", "ĠоÑĤзÑĭв Ñĭ", "Ġwy jÄħ", "ĠwyjÄħ tk", "ĠØ£ ÙĤÙĦ", "ס ×ļ", "Ġê²° ìłķ", "Ġ׾×ŀ×¢ ש×Ķ", "Ġl ắp", "à¹ģà¸ļ ร", "à¹ģà¸ļร à¸Ļà¸Ķà¹Į", "วà¹Īา à¹Ģà¸Ľà¹ĩà¸Ļ", "Ġب دا", "Ġبدا ÙĬØ©", "ãģ¨ãģĦãģĨ ãģ®ãģĮ", "иÑĩеÑģк им", "à¸ģาร à¸ŀัà¸Ĵà¸Ļา", "Ġb Ãło", "Ġmia ÅĤa", "y waÄĩ", "ĠMär z", "ĠÙĨ سبة", "Ġéconom ique", "×ĸ ×ŀ", "×ĸ×ŀ ׳×Ļ×Ŀ", "æŃ¢ ãĤģ", "Ġt ủ", "íķĺ ìĭł", "Ġkażde go", "stra ÃŁe", "à¸Ĭ ีà¹ī", "à¹Ģ à¸ļา", "ÑĢеÑģ ÑĥÑĢÑģ", "ев ой", "Ø´ باب", "à¸ķà¹Īาà¸ĩ à¸Ľà¸£à¸°à¹Ģà¸Ĺศ", "Ġ×IJ ×Ļש", "Ġ×IJ×Ļש ×Ļת", "×Ļ ×ķפ", "×Ļ×ķפ ×Ļ", "ĠìļĶ 구", "ì¡° ìĤ¬", "ãģ£ãģŁ ãĤī", "׾ ×Ļק", "миниÑģÑĤ ÑĢ", "ãĤĤãģ® ãģ¯", "Ġl Æ°Æ¡ng", "Ġна и", "Ġнаи бол", "Ġнаибол ее", "íİ ĺ", "à¹ģà¸ŀ à¹ī", "ãĤŃ ãĥ¥", "ĠкоÑĤоÑĢ Ñĭм", "à¹ģà¸Ĺ à¸ĩ", "à¹ģà¸Ĺà¸ĩ à¸ļà¸Ńล", "Ġ׳ ×Ļ×Ķ", "Ġ׳×Ļ×Ķ ×ķ׾", "âĤ ª", "ĠGi ải", "ĠиÑģполÑĮзов а", "ëł¥ ìĿĦ", "ãģĹãģĭ ãĤĤ", "à¸ģà¹ĩ à¸ķà¹īà¸Ńà¸ĩ", "ĠÑĢ еб", "ĠÑĢеб ен", "ĠÑĢебен ка", "ت ÙĪاصÙĦ", "ãĤ°ãĥ« ãĥ¼ãĥĹ", "ãĤĦ ãĤī", "à¹Ģà¸Ľà¸´à¸Ķ à¸ķัว", "б ÑĢо", "ë°ĸ ìĹIJ", "ÙĨ Ùİا", "×Ķ ×Ĵ", "×Ķ×Ĵ ׳×Ķ", "à¸Ĺ รั", "à¸Ĺรั à¸ŀ", "à¸Ĺรัà¸ŀ ยà¹Į", "Ġkh á»iji", "עצ ×ŀ×ķ", "бол езн", "Ġë°Ľ ìķĦ", "ม à¸Ļ", "มà¸Ļ ุ", "มà¸Ļุ ษ", "มà¸Ļุษ ยà¹Į", "âĹ Ĩ", "×ŀ צ׾×Ļ×Ĺ", "Ñıв ление", "Ùħ Ø·ÙĦ", "ÙħØ·ÙĦ ÙĪب", "Ø® اÙĦÙģ", "ت ÙĪÙĤÙģ", "ãģ§ãģį ãģ¾ãģĽãĤĵ", "оÑģÑĤ ей", "м еÑĩа", "기 ëĬĶ", "תש ×¢", "ص ÙĬب", "Ġ×ij×¢ ×ķ×ĵ", "à¸Ĥà¸Ńà¸ĩ à¹Ģà¸Ĥา", "ÑĤÑı ж", "ĠÑĥ пÑĢав", "ĠÑĥпÑĢав лениÑı", "Ġgén ér", "Ġth ÃŃ", "פ ×ļ", "Ġر Ùħض", "ĠرÙħض اÙĨ", "Ġtr uyá»ĩn", "Ø¥ عداد", "ãĤµ ãĥĿãĥ¼ãĥĪ", "Ġпол но", "Ø® اÙħ", "ÐŁ еÑĤ", "ÐŁÐµÑĤ еÑĢ", "ÐŁÐµÑĤеÑĢ бÑĥÑĢ", "ÐŁÐµÑĤеÑĢбÑĥÑĢ г", "ÙħÙĨت دÙī", "ãģķãĤĮ ãģ¾ãģĹãģŁ", "ĠëĮĢ íķĺìŬ", "à¸ľà¸¹à¹ī à¸Ĺีà¹Ī", "Ġ×ŀ×IJ ×ķ", "׾ ׳×ĵ", "оÑĩ нÑĭе", "ĠнаÑĩ ала", "Ġ׾ ×Ļ׾×ĵ×Ļ×Ŀ", "ов ое", "ãģĻãĤĭãģĵãģ¨ ãģ§", "ĠاÙĦÙĨ Ùģ", "ĠاÙĦÙĨÙģ Ø·", "ìŀĪ ëĬĶ", "غ ÙĨÙĬ", "פ ×ĵ", "ãĤ ¾", "ĠCr é", "ãģ© ãģ¡ãĤī", "Ø« اÙĨ", "ÑĢаб аÑĤ", "ÑĢабаÑĤ Ñĭва", "Ġê°Ļ ëĭ¤", "à¸Ī ั", "à¸Īั à¸ģร", "Ġch ụ", "Ġchụ p", "Ġм аÑģÑĤ", "ĠмаÑģÑĤ еÑĢ", "Ġn ắm", "ĠÑģÑĤ али", "Ġ×Ķ×IJ ×Ļר×ķ×¢", "ãĤ½ ãĥ³", "åĪĨ ãģĭãĤĬ", "Ø· بع", "بد ا", "gr áfico", "г еÑĢ", "à¸Ķำà¹Ģà¸Ļิà¸Ļ à¸ģาร", "Ġsal dır", "Ġsaldır ı", "в ÑĪиÑħ", "ãģĭãģ£ãģŁ ãģ§ãģĻ", "Ġyapı yor", "ĠاÙĦÙģ ت", "צר פת", "з доÑĢов", "×ij×¢ ׾", "Ġ×IJ ×ŀ×Ļת×Ļ", "Ġоб Ñĭ", "ĠобÑĭ Ñĩ", "ĠобÑĭÑĩ но", "Ġ׾ ×ķ×ŀר", "ت ÙĥÙĨ", "تÙĥÙĨ ÙĪÙĦÙĪج", "تÙĥÙĨÙĪÙĦÙĪج ÙĬا", "Ġhakk ı", "ĠÑĢаР²", "ĠÑĢав но", "رÙĬ Ùĥ", "Ġ×ij ×ŀ×Ļ×ĵ", "Ġ×ij×ŀ×Ļ×ĵ ×Ķ", "à¹ģà¸ģ à¹īว", "Ġìĸ ĺ", "Ġìĸĺ 기", "ãģĹãģ¦ ãģĦãģ¾ãģĹãģŁ", "Ġkı sm", "Ġkısm ı", "ê± ¸", "åĨħ ãģ®", "ì§ ķ", "à¹Ģหมืà¸Ńà¸Ļ à¸ģัà¸Ļ", "ĠÙģ ÙIJ", "ĠÙģÙIJ ÙĬ", "ÙĤ اعدة", "Ġmoż esz", "Ùħ صاÙĦ", "ÙħصاÙĦ ØŃ", "ãģ¾ãģŁ ãģ¯", "б ег", "Ġs ıc", "Ġsıc ak", "Ñĩ иÑģ", "ÑĩиÑģ лен", "Ġн ог", "ãĥģãĥ£ ãĥ³", "ãĥ« ãĥī", "Ġgi ó", "Ġs ını", "Ġsını f", "ив аÑĤÑĮ", "Ġqu ên", "Ġì łģ", "Ġìłģ ìļ©", "ĠJo ão", "Ùģ اد", "ĠGl ück", "à¸Ĺ à¸Ńà¸Ķ", "Ġg ói", "ï¼ Ĭ", "Ġdé tail", "ĠدÙĬ سÙħ", "ĠدÙĬسÙħ بر", "ë¡ľ ìĦľ", "×ŀ ×ķ×Ĺ", "à¹Ħ ฮ", "ĠоÑĤ д", "ĠоÑĤд ÑĭÑħ", "Ġkh uyến", "à¸Ħ à¸Ńย", "Ġج ÙĨÙĬ", "ĠجÙĨÙĬ Ùĩ", "ĠاÙĦد Ùģاع", "à¸Ļà¹īำ หà¸Ļัà¸ģ", "ĠìĤ¬ëŀĮ ëĵ¤ìĿ´", "Ġth ừa", "ĠÃ¶ÄŁrenc i", "ĠпомоÑī и", "ĠczÄĻ ÅĽÄĩ", "ש ×ĺר", "ĠN hi", "ĠNhi á»ģu", "׳ צ×Ļ", "ĠнаÑĪ ем", "ĠkarÅŁÄ± laÅŁ", "Ġ×Ķש ׳×Ļ×Ŀ", "ĠÄIJ Æ°á»Ŀng", "Ġtr ú", "ĠÑĢазлиÑĩ нÑĭÑħ", "ĠاÙĦØ´ Ùĩر", "Ġ×ľ×¢ ×ķ׾×Ŀ", "ØŃ Ø¬Ø±", "ĠÄij á»ķ", "ĠìĿĺ íķ´", "à¸ļ à¹Īà¸Ńย", "Ġ×Ķ ×Ļ׾×ĵ", "ãģ¨ãģª ãģ£ãģŁ", "Ġ×Ĺ×ķ ×ķת", "Ġש×Ļר×ķת ×Ļ", "Äħ cy", "س رÙĬ", "K Ä°", "פ ׳×ķ", "ÑģÑĤÑĢÑĥк ÑĤÑĥÑĢ", "ÑĤ ÑĢÑĥд", "Ġ×Ķ קר", "Ġ×Ķקר ×ķ×ij", "Ġth áºŃm", "èģŀ ãģį", "ÙĤÙĪ ÙĬ", "клÑİÑĩ ен", "ÑĤе Ñħ", "ÑĤеÑħ нолог", "è¡Į ãģ£ãģŁ", "Ġ×ķ×IJ ×Ļף", "ĠÅŁek lin", "ĠÅŁeklin de", "r ô", "ÑĢ ог", "Ġнов Ñĭе", "Ġס ×ij×Ļ×ij", "Ġtecn ologÃŃa", "ס ׼", "×¡×Ľ ×ķ×Ŀ", "ĠÅŀ ub", "ĠÅŀub at", "Ġ×Ķ×ŀ ׾×IJ", "Ġwy pos", "Ġwypos aż", "ãģ¯ ä½ķ", "ãĤ¬ ãĥ³", "ê° ĸ", "Ġкак ие", "Ġçocuk lar", "Ġ׾צ ×ĵ", "Ġkay ıt", "ĠмеÑģÑĤ е", "Ùħ دÙĬÙĨØ©", "Ġ׼ ×Ĵ", "Ġ׼×Ĵ ×ķף", "ãģĹãģ¦ ãĤĭ", "ĠÙħا ÙĬÙĪ", "ãģ£ãģ¦ãģĹãģ¾ ãģ£ãģŁ", "ĠпÑĢогÑĢамм Ñĭ", "à¹ģล à¸Ļà¸Ķà¹Į", "ãĥ¯ ãĤ¤", "ער ×ķ×¥", "Ñģ ид", "ĠB öyle", "Ġì²ĺ ìĿĮ", "Ġת פק×Ļ×ĵ", "ĠTr ên", "íĥ Ī", "ĠÐłÐ¾ÑģÑģ ий", "ĠÐłÐ¾ÑģÑģий Ñģкой", "Ġs Ãłn", "Ġrè gle", "ĠyaklaÅŁ ık", "à¹Ģล ิà¸ģ", "Ġد ائÙħ", "Ġ×ķ ×Ĵ", "اب ر", "Ġb è", "ĠاÙĦ ÙĤدÙħ", "ĠÑĢеÑĪ ениÑı", "hi ên", "ÑĤи к", "Ä Ħ", "à¸ļรร ยาà¸ģ", "à¸ļรรยาà¸ģ าศ", "רצ ×ķף", "åĭķ ãģį", "ĠGä ste", "Ġ기 본", "ĠÙĬ عرÙģ", "ĠS á»Ń", "gÅĤ ÄĻb", "à¹Ģà¸Ń ส", "×IJ×ŀ ×Ļף", "Ġп Ñĥнк", "ĠпÑĥнк ÑĤ", "Ġ×Ļ×ķ×ĵ ×¢×Ļ×Ŀ", "ãĤ« ãĥ©ãĥ¼", "Ġ×ijס ×ĵר", "Ġbu á»ĵn", "й ÑĤ", "йÑĤ еÑģÑĮ", "ãĤĴ æ±ĤãĤģ", "Ġ×IJת ׼×Ŀ", "Ġ모 르", "ظ رÙĪÙģ", "Ñĩ еÑģÑĤво", "ìĸ´ ìĦľ", "Ġод на", "Ġkap ı", "Ġëħ¸ ëł¥", "ĠKü che", "ĠاÙĦت Ø´", "Ø· ÙĬب", "ĠíĬ¹ íŀĪ", "ĠвÑĭп ÑĥÑģ", "ĠвÑĭпÑĥÑģ к", "×ĵ ת×Ļ", "Ġu ÄŁ", "ĠuÄŁ ra", "ائ Ùĩا", "Ġtho át", "ãģª ãĤĤãģ®", "Ñij ÑĢ", "기 ê°Ģ", "ĠgeliÅŁ me", "تØŃ ÙĤ", "تØŃÙĤ ÙĤ", "Ġоп аÑģ", "б ÑĢоÑģ", "ห ุ", "หุ à¹īà¸Ļ", "ì¼ Ģ", "ãĤ¹ ãĥŀ", "ãĤ¹ãĥŀ ãĥĽ", "Ø£ Ùģر", "Ø£Ùģر اد", "ĠTh á»±c", "Ġth ắ", "ãĥªãĥ³ ãĤ¯", "Ġni á»ģm", "ĠHö he", "عÙħ ار", "ÙĥÙĪر ÙĪÙĨ", "ÙĥÙĪرÙĪÙĨ ا", "ĠÄIJ ến", "ĠÑģам ом", "ĠÑĤ еле", "ĠÄijo án", "à¸Ħวามà¸Ħิà¸Ķ à¹Ģหà¹ĩà¸Ļ", "Ġд иÑģк", "Ø£ Ø·ÙģاÙĦ", "ม ารà¹Į", "à¸Ĺ หาร", "à¸Ĺ à¸Ļ", "Ġب عÙĬد", "ĠاÙĦÙĩ ÙĨد", "åĩº ãģĹãģ¦", "Ġkar de", "Ġkarde ÅŁ", "×Ķ×Ļס×ĺ ×ķר", "×Ķ×Ļס×ĺ×ķר ×Ļ×Ķ", "éģ¸ ãģ³", "ع اÙħÙĦ", "à¸Ĥ ยาย", "Ġtü rl", "Ġtürl ü", "ĠìĿ¼ ìĿ´", "Ġmaté ria", "Ġ׼׾ ×ķ×ŀר", "ãĥģãĥ£ ãĥ¼", "جÙħ اعة", "ĠÑģво им", "Ø¥ÙĤ اÙħØ©", "ä¾ĭ ãģĪãģ°", "س اب", "Ø¢ خر", "ÙĤ دÙĬر", "×IJ×ŀ ×Ļ", "ìĸ »", "Ġ׳×ķס פת", "ĠÐĴ лад", "ĠÐĴлад им", "ĠÐĴладим иÑĢ", "Ġest ará", "ãģĵãģĨ ãģĦãģĨ", "ãĤĴ 使çĶ¨", "มา à¸ķร", "มาà¸ķร à¸IJาà¸Ļ", "ãģ£ãģ ½", "Ġn ú", "Ġnú i", "ย าà¸ĩ", "ĠاÙĦج ÙĨس", "Ġüst ün", "ëľ »", "ãĤ» ãĥ«", "ãģ¦ãģĦ ãģįãģ¾ãģĻ", "Ġ×Ĺ ×ķ×ĸ", "Ġ×Ĺ×ķ×ĸ ר", "ĠÐĵ лав", "à¹Ĥà¸Ĭ à¸Ħ", "íı IJ", "ÙĨت ظر", "Ġ×Ĵ ×ij×Ļ", "ع ÙĤب", "int ér", "intér êt", "×ŀ פ×Ĵ", "×ŀפ×Ĵ ש", "Ġth ù", "اÙģ ت", "Ġ×ŀש פ", "Ġ×ŀשפ ×ĺ×Ļ", "ĠÙħ ÙĪاÙĤع", "è¦ ļ", "è¦ļ ãģĪ", "×ĵ ×Ļף", "à¹Ģรืà¹Īà¸Ńà¸ĩ ราว", "ãģ¾ ãģĤ", "Ġgh ế", "иÑĢÑĥ ÑİÑĤ", "à¸ģ ว", "à¸ģว à¹īาà¸ĩ", "Ġпов еÑĢ", "ĠповеÑĢ Ñħ", "ĠповеÑĢÑħ ноÑģÑĤ", "׳ ×ĵר", "Ġкон ÑĨе", "Ġдолж на", "Ġ×Ļש ×Ļר", "acaģı z", "ìĹ Ķ", "Ġn ÃŃvel", "Ġö r", "Ġör nek", "Ùĥ Ùģ", "ĠФедеÑĢ аÑĨии", "Ġ구 ìĦ±", "หัว à¹ĥà¸Ī", "ĠV áºŃy", "м ед", "мед и", "меди ÑĨин", "медиÑĨин Ñģк", "از ÙĬ", "×Ĵ×ij ×ķ׾", "ÑĦ ÑĢ", "Ġzus ätzlich", "à¸ģ à¸ģ", "ĠاÙĦاÙĤتصاد ÙĬØ©", "Ġh è", "lu ÄŁun", "ج Ùİ", "à¹Ħà¸Ł ลà¹Į", "ÄIJ T", "ãģĿãģ® ä»ĸ", "à¸Ĺิ à¹īà¸ĩ", "ĠاÙĦØ£ ÙĪ", "ر سÙħ", "æ°Ĺ ãģ¥", "ìĿ´ ë©°", "ÑĮ ев", "ص Ø·", "ĠاÙĦاست Ø«", "ĠاÙĦاستث Ùħار", "à¸Ńา à¸Ħาร", "ĠÑĤоÑĩ но", "ĠV ân", "à¸Ń ร", "à¸Ńร à¹Īà¸Ńย", "ĠاÙĦس ÙĨØ©", "Ġc Æ°á»Ľi", "×Ļ×Ķ ף", "íį ¼", "話 ãģĹ", "âĹ ĭ", "ĠìķĬ ìĿĢ", "ãĥ¡ ãĥ¼ãĤ", "ãĥ¡ãĥ¼ãĤ «", "ãĥ¡ãĥ¼ãĤ« ãĥ¼", "ĠÑĤеп ло", "å½¼ ãĤī", "ĠÄ° z", "ĠÄ°z mir", "íĻ į", "Ġr ượ", "Ġrượ u", "æĢĿãģĦ åĩº", "ĠPh ạm", "Ġchá u", "צ×Ļ ×ķת", "ĠìĿ¼ 본", "ìĤ¬ ëĬĶ", "ĠÑģозд ан", "Ġar acı", "Ġ×¢ ר", "Ġער ×Ļ׼×Ķ", "ĠíķĺëĤĺëĭĺ ìĿĺ", "dzi ÅĤ", "à¸Ľà¸£à¸° à¸ĺาà¸Ļ", "Ġser ÃŃa", "ĠìŀĪ ëıĦë¡Ŀ", "در ج", "íķľëĭ¤ ëĬĶ", "à¸Ńา à¸Ĺ", "à¸Ńาà¸Ĺ ิà¸ķ", "à¸Ńาà¸Ĺิà¸ķ ยà¹Į", "ÑĤелÑĮ нÑĭй", "ĠØ® دÙħات", "×ŀ׳ ×ĺ", "Ġl ược", "ĠS Ãłi", "ĠÙĪ اض", "ĠÙĪاض ØŃ", "غ از", "ĠdoÄŁ al", "Ġ×ijש ×Ŀ", "Ġд лин", "ĠØ¥ طار", "Ġ×ijס פר", "ãĤĴ ä¸İ", "ãĤĴä¸İ ãģĪ", "Ġë²ķ ë¥ł", "ĠÑĥ вели", "ĠÑĥвели Ñĩи", "ส à¹Ħà¸ķ", "สà¹Ħà¸ķ ลà¹Į", "à¹Ħ à¸ģล", "×ij׊ף", "ĠìĿ´ íĽĦ", "Ġm unic", "Ġmunic ÃŃpio", "تÙħ Ø«ÙĦ", "ĠÄij áo", "H ôtel", "Ġl á»Ńa", "ĠÄij ẳng", "Ñĩ ки", "Ø´ رÙĪ", "شرÙĪ Ø·", "ĠìĿ´ 를", "ÙĬ Ùĭا", "×ŀ׾ ×ļ", "×ŀ×Ķ ×Ļר×ķת", "ĠобÑıз аÑĤелÑĮ", "ĠобÑıзаÑĤелÑĮ но", "é nergie", "Ġmud ança", "Ġm ụ", "Ġmụ n", "Ġn º", "ĠاÙĦت عا", "ĠاÙĦتعا ÙĪÙĨ", "ĠاÙĦاجتÙħاع ÙĬØ©", "Ġп лаÑģÑĤ", "Ġëĵ± ìĿĺ", "ãĥIJãĤ¤ ãĤ¯", "Ùĩج ÙĪÙħ", "ĠSa úde", "Ġì¤ijìļĶ íķľ", "Ġ×Ķצ ×Ļ×ij×ķר", "תק ף", "ĠاÙĦعاÙĦÙħ ÙĬ", "ĠболÑĮÑĪ ой", "ĠÙĥ ÙĦÙħ", "ĠÙĥÙĦÙħ Ø©", "ãģ®ãģ§ãģ¯ãģªãģĦ ãģ§ãģĹãĤĩãģĨãģĭ", "ĠÙħ باراة", "Ġש×IJ ׳", "Ġש×IJ׳ ×Ĺ׳×ķ", "ãĤ¹ãĤ¿ ãĤ¤ãĥ«", "ĠSa ÄŁ", "ĠSaÄŁ lık", "Ġh Æ°", "׳ ×Ĺ×Ķ", "Ġ×ij קר×ij", "Ø· عÙħ", "ห ิà¸Ļ", "à¸Ĺุà¸ģ วัà¸Ļ", "à¸Ħรัà¹īà¸ĩ à¸Ĺีà¹Ī", "ĠlÃł nh", "Ġdonn é", "ãģĽ ãģĦ", "جز ÙĬرة", "доÑĢ ож", "ì¼ ľ", "تÙĨظ ÙĬÙģ", "ãĥģ ãĥ§", "Ġald ıģı", "ج اج", "ĠÑĤ омÑĥ", "à¸Ľ ิ", "Ġ×ijר שת", "ãģıãģªãĤĬ ãģ¾ãģĻ", "ĠпÑĢин ÑĨип", "Ġ׊׾×ķ", "ëı ¼", "×ķ×Ĵ ש", "س س", "à¸Ľ ู", "Ġh ầu", "æĦŁãģĺ ãĤĭ", "ï¼ ´", "د ÙĪا", "ĠÑģм ог", "scri ção", "Ġth áºŃn", "Ġר ×ķ×IJ×Ķ", "обÑĢаж ен", "ĠاÙĦتج ارÙĬØ©", "Ø· بÙĬع", "jÄħc Äħ", "íĸī ìľĦ", "Ġнов Ñĭй", "Ġ×ŀ ×Ĺ×ĵש", "æĮ¯ ãĤĬ", "gu é", "Ġ×IJ ×Ļר×ķ×¢", "Ġ×IJ×Ļר×ķ×¢ ×Ļ×Ŀ", "ĠاÙĦ Ø°Ùĩب", "×ĵ ×IJ", "ت اÙĨ", "ãģł ãģĹ", "à¸Ńั à¸ķรา", "à¹Ĥ à¸Ī", "بÙĦ اد", "×Ķ×Ļ ×Ļ׳×ķ", "ĠÑģп е", "ĠÑģпе ÑĨиалÑĮно", "ĠÅĽwi ata", "ãĤĵãģ§ãģĻ ãĤĪ", "شر ÙĥØ©", "ĠpÅĤ yt", "Ġsitu é", "Ġ׼×IJ ׾×Ķ", "ס ×ijר", "Ġkaż d", "Ġkażd ym", "ãĤĴæĮģ ãģ¤", "׾×Ķ ׾", "׾×Ķ׾ ף", "ĠwÅĤ as", "ĠwÅĤas ne", "ĠsaÄŁ lan", "×ŀ×¢ ׾×Ķ", "ĠاÙĦا ÙĪÙĦ", "ìĹIJìĦľ ëıĦ", "×IJ×Ļר ×ķפ×Ķ", "تÙĤ ÙĨÙĬØ©", "Ùħ ائ", "Ùħائ Ø©", "Ġcompañ ÃŃa", "Ġsü rek", "Ġsürek li", "ĠиÑģ кÑĥÑģ", "ĠиÑģкÑĥÑģ ÑģÑĤв", "ĠB ürger", "ת ×Ĺר", "ת×Ĺר ×ķת", "à¸ŀรà¹īà¸Ńม à¸ģัà¸ļ", "Ø´ Ùħ", "à¸ĸืà¸Ń วà¹Īา", "è¾¼ ãĤĢ", "ä¼ij ãģ¿", "ĠاÙĦØ£ ب", "ĠÑģÑĤоим оÑģÑĤÑĮ", "ĠпÑĢав а", "may ın", "ห วย", "ĠاÙĦØ· بÙĬعÙĬ", "à¸Ĺีà¹Ī à¸ŀัà¸ģ", "ĠEst á", "Ñĭва ÑİÑĤ", "ب سÙĬ", "بسÙĬ Ø·", "Ġ×ij×¢ ×ijר", "åı¯èĥ½ ãģ§ãģĻ", "Ġ×ĵ ×ķ׾", "Ġ×ĵ×ķ׾ ר", "Ùĩ Ùİا", "воÑĢ оÑĤ", "ãģ¦ ãģĦãģ¾ãģĹãģŁ", "à¹Ĥà¸Ĺร ศ", "à¹Ĥà¸Ĺรศ ั", "à¹Ĥà¸Ĺรศั à¸ŀ", "à¹Ĥà¸Ĺรศัà¸ŀ à¸Ĺà¹Į", "Ġק ׳", "ĠاÙĦØ« ÙĨ", "ĠاÙĦØ«ÙĨ ائÙĬØ©", "Ġco ût", "à¸ķิà¸Ķ à¸ķัà¹īà¸ĩ", "Ġö rg", "Ġörg üt", "ĠاÙĦØ® ÙĦÙĬ", "ĠاÙĦØ®ÙĦÙĬ ج", "Ġb á»įn", "×ķ׾×ķ×Ĵ ×Ļ", "ëŀ ľ", "ĠÐij олÑĮ", "ĠÐijолÑĮ ÑĪ", "×Ĵ ×ijר×Ļ×Ŀ", "ÙĤ ÙĬد", "×ij×Ļ×ĺ ×ķ×Ļ", "æīĵ ãģ¡", "Ġol muÅŁ", "f äh", "fäh ig", "ล าà¸Ļ", "ĠÙĤ طر", "ש פ×Ķ", "èªŃ ãĤĵãģ§", "à¸Ĥ วา", "Ġchi ếm", "ãĤ¤ãĥ³ ãĤ¿", "ãĤ¤ãĥ³ãĤ¿ ãĥ¼ãĥ", "ãĤ¤ãĥ³ãĤ¿ãĥ¼ãĥ į", "ãĤ¤ãĥ³ãĤ¿ãĥ¼ãĥį ãĥĥãĥĪ", "Ġ׾ש×ŀ ×ķר", "Ġت رÙĥ", "ĠترÙĥ ÙĬا", "ר ×ķ×ĺ", "ãģ¨æĢĿ ãģĦãģ¾ãģĹãģŁ", "ĠاÙĦت ÙĤ", "Ġd Æ°", "ãģ¦ãģıãĤĮ ãĤĭ", "ãģĹãģŁ ãģĵãģ¨", "Ġróż ne", "ĠاÙĦØ· ÙģÙĦ", "ĠPost é", "Ġ×ŀש ×ķ×Ŀ", "Ñį ÑĢ", "ĠÑĢабоÑĤ аеÑĤ", "ãĤ· ãĥª", "ãĤ·ãĥª ãĥ¼ãĤº", "Ġ×ij×Ķ ×Ĺ׾×ĺ", "ק×Ķ ×Ļ׾×Ķ", "ãĤ« ãĥ¡", "ãĤ«ãĥ¡ ãĥ©", "ï¼ ¯", "ĠìĤ¬ ìĿ´", "Ġk ì", "Ġth Æ°á»Ľc", "ض بط", "ÙĤب ÙĪÙĦ", "åĪ¥ ãģ®", "Ġparticul ière", "ĠÑģво ем", "Ġ×¢ סק", "Ġעסק ×Ļ×Ŀ", "×ij×Ĺ ×Ļר×ķת", "×ij ×Ļ׳×ķ", "à¸ĭ à¸Ń", "Ġ×¢ ×ķ×ijר", "ãģłãģ£ãģŁ ãģ®ãģ§", "ıld ıģı", "Ùħ دار", "Ùħدار س", "주 ìĭľ", "à¸Ńา ศ", "à¸Ńาศ ัย", "Ġt ấm", "à¸ŀิ à¸Ī", "à¸ŀิà¸Ī าร", "à¸ŀิà¸Īาร à¸ĵา", "ÑĤелÑĮ нÑĭе", "Ñģк ÑĥÑİ", "Ðľ Ðĺ", "à¹Ģà¸ģ า", "à¹Ģà¸ģา หล", "à¹Ģà¸ģาหล ี", "×ĵ ×Ĺ", "à¹Ģà¸Ĭ ิà¸ĩ", "Ġد ÙĤÙĬÙĤØ©", "íķĻ ìĥĿ", "Ġש×IJ ׾×Ķ", "Ġcontr ôle", "Ġsit uação", "à¸Ĥà¸Ńà¸ĩ à¸ľà¸¹à¹ī", "ÙĨ Ø·ÙĤ", "ê³¼ íķĻ", "หลาย à¸Ħà¸Ļ", "Ġn ắng", "ÙĤ Ùı", "ì¡° ê±´", "Ñ ķ", "ãĥĥ ãģ¨", "×ŀ ×Ļ׾×Ķ", "Gr ün", "×Ļ ×Ļ×¢", "×Ļ×Ļ×¢ ×ķ×¥", "×ŀ׳ ׼", "ë ŃIJ", "×ŀ×¢ ×ŀ×ĵ", "สำ à¸Ļัà¸ģ", "ج دد", "à¸Ħ ัà¸Ķ", "Ġ×Ķ×ŀש פ", "Ġ×Ķ×ŀשפ ×Ĺ×Ķ", "×ŀש ק׾", "ÙĦ Ùı", "Ġty tu", "Ġtytu ÅĤ", "ÑĪ ей", "ĠìĿ¼ ë¶Ģ", "ÑĪ ение", "Ġph óng", "ĠìĹŃ ìĤ¬", "ãĤ« ãĥ³", "Ġtú i", "ĠÙĨ ÙĪÙģ", "ĠÙĨÙĪÙģ Ùħبر", "gr ün", "ĠاÙĦØ´ ÙħاÙĦ", "ÅĽwi adc", "ÅĽwiadc zenie", "ער ×Ķ", "Ġ×¢ ×ķ×ij", "Ġ×¢×ķ×ij ×ĵ×Ļ×Ŀ", "×ĵ×ķ×Ĵ ×ŀ×IJ", "ä»Ĭ ãģ¯", "Ġv ão", "ĠТ ем", "Ñģ илÑĮ", "Ġch ợ", "Ùħ را", "Ùħرا ÙĤب", "à¹Ħมà¹Ī รูà¹ī", "Ġر ائع", "×IJ׳ ×Ĺ׳×ķ", "สà¹Īà¸ĩ à¹Ģสริม", "צ ×Ĺ", "ĠìŀĪìĸ´ ìĦľ", "Ġkur ulu", "Ġkurulu ÅŁ", "ĠÃĸ zellik", "ĠÃĸzellik le", "Ġת ×Ļק", "Ġgh é", "Ġspr zÄĻ", "ĠsprzÄĻ t", "ער ×ķת", "را ØŃØ©", "ãģ£ ãģį", "ãģ£ãģį ãĤĬ", "ĠìķĦ ëŀĺ", "stit uição", "Ġдолж но", "×Ķ רש", "×Ķרש ×ŀ×Ķ", "×Ķ׾ ×ļ", "ãģ¡ ãģª", "ãģ¡ãģª ãģ¿", "ãģ¡ãģªãģ¿ ãģ«", "פ ×Ĺ×ĵ", "ĠاÙĦج ÙħÙĬع", "×ij×¢ ׾×Ļ", "Ġtr ùng", "Ġפ ת×Ĺ", "×ŀ׾×Ĺ ×ŀת", "ãĥĨ ãĥ¼ãĥ", "ãĥĨãĥ¼ãĥ ŀ", "Ùħ تاب", "Ùħتاب عة", "Ġ모 ìĬµ", "ÙĬ ص", "åIJĪ ãģĨ", "ĠY ap", "ĠYap ı", "ĠÑģ казаÑĤÑĮ", "ëª °", "à¸Ĺีà¹Ī สำà¸Ħัà¸į", "ĠìĹĨ ìĬµëĭĪëĭ¤", "Ġnh ắc", "Ġülk eler", "Ġмног ие", "íķĺ ìħ¨", "มาà¸ģ à¸Ĺีà¹Īสุà¸Ķ", "à¸ģ à¹īา", "à¸ģà¹īา ว", "ĠÄ° yi", "л еж", "леж а", "ãĤ¸ ãĥ§", "à¸Ĺั à¸ŀ", "ا ÙĪر", "Ġ×Ĺ×ijר ×Ļ", "Ġ׾ ש×Ŀ", "ì² «", "ĠT á»Ń", "×ŀ ×ķ׳×Ļ", "ÙĤ ÙĪد", "à¸ģระ à¹Ģà¸Ľ", "à¸ģระà¹Ģà¸Ľ à¹ĭ", "à¸ģระà¹Ģà¸Ľà¹ĭ า", "ĠпÑĢоблем Ñĭ", "Ġaç ıs", "Ġaçıs ından", "Ġ×Ķ×ŀ ׼", "ĠÙħع ظÙħ", "ÙĤÙĬ اس", "ĠпÑĢод олж", "ĠпÑĢодолж а", "Ġver diÄŁi", "ĠпÑĢед меÑĤ", "ãģĦãģ¾ãģĻ ãģĮ", "ĠëĶ° 른", "ĠاÙĦ ÙĤÙĬاÙħ", "ĠØ¥ÙĦÙĬ Ùĩا", "Т ÐIJ", "п оз", "ãĤ· ãĥ¥", "ä¸ĬãģĮ ãĤĬ", "à¹Ģà¸Ķิม à¸ŀัà¸Ļ", "à¸ģุ ล", "ØŃر ÙĬØ©", "ק×ij×ķצ ×ķת", "ë¯ ¿", "ĠاÙĦÙħ ÙĨا", "ĠاÙĦÙħÙĨا Ø·ÙĤ", "ĠвÑĭп ол", "ĠвÑĭпол нÑı", "ãĥĭ ãĤ¢", "Ġê²° êµŃ", "×Ĺ ×ķ×ŀ", "×Ĺ×ķ×ŀ ר×Ļ×Ŀ", "ĠУкÑĢа инÑĭ", "ห à¸Ńม", "ר ×Ļס", "ĠÑħоÑĤ ел", "ĠобÑĢаз ованиÑı", "Ġkh ẳng", "Ġm Æ°a", "Ġgör me", "Ġgüç lü", "سع Ùī", "มัà¹Īà¸Ļ à¹ĥà¸Ī", "íķĺ ê²łìĬµëĭĪëĭ¤", "Ġпол Ñĥ", "Ġfün f", "ãģ¨æĢĿ ãģ£ãģ¦ãģĦãģ¾ãģĻ", "Ġê·¸ê²ĥ ìĿĢ", "ĠdÃ¼ÅŁÃ¼n ce", "ìŀ ł", "ĠH Æ°á»Ľng", "ĠTi á»ĥu", "Ġç ift", "ãģij ãģ°", "à¸Īà¸Ļ à¸ĸึà¸ĩ", "à¸Ĺำ à¹Ħà¸Ķà¹ī", "ĠìŀIJ ì²´", "Ġd õ", "Ġdõ i", "à¸Ī ัà¸Ļ", "à¸Īัà¸Ļ à¸Ĺ", "à¸Īัà¸Ļà¸Ĺ รà¹Į", "ece ÄŁini", "׳×ķ×¢ ר", "غ ار", "ĠاÙĦØ£ÙħرÙĬ ÙĥÙĬ", "داع Ø´", "ĠбезопаÑģ ноÑģÑĤи", "Ġб Ñİ", "ĠбÑİ Ð´Ð¶", "ĠбÑİдж еÑĤ", "ãĥĬ ãĤ¤", "à¸ŀà¸ļ วà¹Īา", "da ÄŁ", "×IJ ×ķפף", "íĹ Į", "ãĥĢãĤ¤ ãĤ¨", "ãĥĢãĤ¤ãĤ¨ ãĥĥãĥĪ", "ĠëĮĢ íĨµ", "ĠëĮĢíĨµ ëł¹", "D Ä°", "Ø£ ØŃداث", "ĠA ÄŁ", "ĠAÄŁ ust", "ĠAÄŁust os", "ØŃÙĦ ÙĪÙĦ", "Ġw ÅĽ", "ĠwÅĽ ród", "ĠÑģо оÑĤвеÑĤ", "ĠÑģооÑĤвеÑĤ ÑģÑĤв", "ĠÑģооÑĤвеÑĤÑģÑĤв ии", "ĠLu áºŃt", "Ġ׼׾ פ×Ļ", "Ġв еÑī", "ĠвеÑī еÑģÑĤв", "ק ×Ļ×¥", "ĠبÙĩ ذا", "عا Ø´", "à¹Ģà¸Ľà¹ĩà¸Ļ à¹Ģรืà¹Īà¸Ńà¸ĩ", "Т Ðķ", "Ġ×ij×IJ ×Ļ׳×ĺר׳×ĺ", "س عد", "Ġ×Ķ×ĺ ×Ļפ×ķ׾", "פ ×Ļס", "à¸ĩà¹Īาย à¹Ĩ", "ĠGer ät", "׾ ×Ļ×ĵ×Ķ", "ĠÑĢ иÑģк", "׾ק ×Ĺ", "н наÑı", "ר ×Ļ×ĵ", "п ÑĢакÑĤи", "пÑĢакÑĤи к", "à¸Ĥัà¹īà¸Ļ à¸ķà¸Ńà¸Ļ", "à¸Ļà¹Īา รัà¸ģ", "larınız ı", "à¸Ńà¸Ļุ à¸įา", "à¸Ńà¸Ļุà¸įา à¸ķ", "ĠzdjÄĻ cia", "Ġb ây", "Ñģ ÑĢ", "ÑģÑĢ оÑĩ", "ãĥĭ ãĥ³ãĤ°", "Ġö ner", "Ġöner i", "Ġнов ÑĭÑħ", "دع ÙĪØ©", "Ġg ắn", "ĠاÙĦÙĦ بÙĨ", "ĠاÙĦÙĦبÙĨ اÙĨÙĬ", "ãĥĨãĤ£ ãĥ¼", "Ġص ØŃÙĬØŃ", "ем ÑĭÑħ", "çĸ² ãĤĮ", "ĠпÑĢо иÑģ", "ĠпÑĢоиÑģ ÑħодиÑĤ", "ส à¸ķิ", "ĠT ết", "Ġ×Ķ׾ ׾×ķ", "à¹Ģรืà¹Īà¸Ńà¸ĩ à¸Ļีà¹ī", "×ŀ×ij ׳×Ķ", "Ġconte údo", "Ġا خت", "Ġاخت ÙĬار", "Ùħ سÙĦ", "ÙħسÙĦ سÙĦ", "ëı Ī", "Ġ׾ ×Ļ×ĵ", "à¸ŀิ à¸ĺี", "ĠÑģов Ñģ", "ĠÑģовÑģ ем", "ãģĮãģĤãĤĬ ãģ¾ãģĹãģŁ", "Ġsó ng", "Ø¥ صÙĦاØŃ", "ë§ ģ", "Ùģ ÙĬر", "ĠJe żeli", "ìłľ ëıĦ", "d ÅĤug", "ìĥģ ìĿĦ", "Ġc áºŃn", "Ġhá»į p", "Ø£ ست", "أست اذ", "Ġ×ŀ ×Ļש×Ķ", "Ġ×ŀ×Ļש×Ķ ×ķ", "Ġd Ãły", "Ġch Ãłng", "ãģ¡ãĤĥãĤĵ ãģ¨", "ĠÄij ám", "Ġsw ój", "Ġpoder á", "ĠоÑĤлиÑĩ а", "Ġpéri ode", "ünd ig", "×ĺ×¢ ף", "ÑģÑĤÑĢо иÑĤелÑĮ", "ר ת×Ļ", "Ġ×Ļ×Ķ ×Ļ×ķ", "׾ ס", "ĠاÙĦÙħÙĨ زÙĦ", "à¸Ļิ à¹īว", "иÑĦ ика", "иÑĦика ÑĨи", "ðŁĺ ī", "Ġad ına", "ãĢĤãĢĤ ãĢĤ", "×IJ ×Ļף", "ס ×Ļר", "ĠÙĬ عد", "çŃĶ ãģĪ", "اÙĦ جز", "اÙĦجز ائر", "енÑĮ к", "ร ห", "รห ัส", "ĠTürk çe", "ê¾ ¸", "Ġ×Ļ ×ķ׼׾", "Ġש ×ķ׳×Ķ", "Ġ×ij×ŀ צ×ij", "ĠдейÑģÑĤв иÑĤелÑĮно", "ĠبأÙĨ Ùĩ", "×ŀק ×ĵ", "Ġ×Ķש ק", "Ø®ÙĬ ارات", "Ġf ı", "Ġfı rs", "Ġfırs at", "ëij ĺ", "ĠìĦľ ìļ¸", "Ġ×Ķ×Ĵ ×ķ×£", "ر عا", "رعا ÙĬØ©", "ĠK ết", "к Ñģи", "ĠÑĥÑģлÑĥг и", "ноÑģÑĤ ей", "ìļ´ ëıĻ", "ĠобÑĬ Ñı", "ĠобÑĬÑı вл", "н еж", "×Ķפ ×ļ", "Ġ×ij×¢ ×Ļ׳×Ļ", "ëĨ Ĵ", "ĠпÑĢоÑĨ ед", "ĠпÑĢоÑĨед ÑĥÑĢ", "Ġiht iy", "Ġihtiy acı", "Ġë°Ķ ëŀį", "Ġë°Ķëŀį ëĭĪëĭ¤", "à¸ģล ัว", "ĠÑģл ожно", "ק×Ļ ×Ļ×ŀת", "ĠÄIJ ình", "ĠÙħ ÙĦÙģ", "Ġà¹Ĥà¸Ķย มี", "Ġkat kı", "تØŃ ÙĪÙĬÙĦ", "à¹Ħ à¸ŀ", "ĠH á»į", "ñ e", "Ġдо Ñħод", "Ġtho ải", "íķĺìŬ ìķ¼", "ãĤ¹ãĥĿ ãĥ¼ãĥ", "ãĤ¹ãĥĿãĥ¼ãĥ Ħ", "ĠG òn", "Ġk è", "Ġkè m", "éĢ² ãĤģ", "ãĤ¹ ãĥ¼ãĥ", "ãĤ¹ãĥ¼ãĥ ij", "ãĤ¹ãĥ¼ãĥij ãĥ¼", "ĠgiÃł u", "ĠØ¥ عادة", "Ġ׾ ×ķק", "Ġ׾×ķק ×Ĺ", "ĠÑħоÑĩ еÑĤ", "×ĺ ׾×ķ×ķ", "×ĺ׾×ķ×ķ ×Ļ×ĸ", "×ĺ׾×ķ×ķ×Ļ×ĸ ×Ļ×Ķ", "Ġth uyết", "ãģĿãĤĮ ãģ§", "Ġvard ı", "à¹Ħร à¹ī", "ع بد", "ĠRep ública", "ãĥ¼ãĤ¿ ãĥ¼", "Ġ×ŀ×IJ ×ķת", "à¹Ħà¸Ľ à¹ģลà¹īว", "Ġyapıl acak", "ãĤ¹ãĤ¿ ãĥ¼ãĥĪ", "ãģ» ãģ¼", "Ġko ÅŁ", "ĠмаÑĤ еÑĢи", "Ġsiè cle", "ĠاÙĦÙħ ختÙĦÙģ", "ĠاÙĦÙħختÙĦÙģ Ø©", "Ġ׾ק ר×IJ", "Ġ׾קר×IJ ת", "Ġ×Ķפ ×ķ×¢×ľ", "Ġt òa", "Ġr Æ¡i", "åij¨ ãĤĬ", "à¸Ŀ à¸Ļ", "j ÅĽÄĩ", "ĠìķĬ ìĿĦ", "اÙĨت ÙĤاÙĦ", "ëĸ ł", "ив аеÑĤ", "ãĥĪ ãĥ«", "ĠاÙĦÙģÙĦسطÙĬÙĨ ÙĬØ©", "à¸ģลà¹Īาว วà¹Īา", "ا Ùĥت", "ĠÃĸ l", "ĠÑĢе ÑĪи", "ĠÑĢеÑĪи л", "Ġ׳×ķס פ×ķת", "Ġìłķ ì¹ĺ", "вл еÑĩен", "Ùħر ØŃÙĦØ©", "Ġcome ça", "Ġy ık", "ìĤ ´", "à¸ĺ à¸Ļา", "à¸ĺà¸Ļา à¸Ħาร", "à¸Ńà¸Ļ า", "à¸Ńà¸Ļา à¸Ħ", "à¸Ńà¸Ļาà¸Ħ à¸ķ", "Ġpeque ña", "ä»ķ äºĭãĤĴ", "Ġب Ø°ÙĦÙĥ", "Ġнов ого", "ãģĹãģ¦ ãģĦãģªãģĦ", "ĠاÙĦÙħ ÙĬاÙĩ", "à¸ģà¹ĩ à¹Ģà¸Ľà¹ĩà¸Ļ", "Ġж ÑĥÑĢ", "ĠжÑĥÑĢ нал", "в еÑģ", "خت ار", "Ġ매 ìļ°", "ĠM ã", "ĠавÑĤомаÑĤ Ñĭ", "ضع Ùģ", "ĠاÙĦÙģ Ùĥر", "ãģ§ãģĻ ãģ®ãģ§", "ãĥ¡ãĥ³ ãĥIJãĥ¼", "Ġк ÑĢÑĥг", "ĠاÙĦسÙĦ طة", "à¸Ħรัà¹īà¸ĩ à¹ģรà¸ģ", "à¸ģระà¸Ĺ รว", "à¸ģระà¸Ĺรว à¸ĩ", "ÑĨ ов", "éķ· ãģĦ", "大ãģį ãģĦ", "Ġgeç miÅŁ", "ìĦ± ìĿ´", "Ġצר ×Ļ׼×Ķ", "Ġм оÑī", "ĠмоÑī н", "Ġק ×Ļש", "Ġק×Ļש ×ķר×Ļ×Ŀ", "ĠNas ıl", "г ÑĢан", "Ġ×ŀ ×ķצר×Ļ×Ŀ", "Ġ×ŀס ×ķ×Ĵ", "Ġy ür", "Ġyür üt", "Ġ׾׊צ×ķ", "×ķÖ ¼", "ĠìŀĪ ìĹĪëĭ¤", "Ġter ör", "ĠTh Æ°Æ¡ng", "ĠÙĪ ÙĬÙħ", "ĠÙĪÙĬÙħ ÙĥÙĨ", "ج ÙĪÙĨ", "ĠÙĪغÙĬر Ùĩا", "×ŀ פ×ķ", "×Ĵ×ķר ×ŀ×Ļ×Ŀ", "׼×ij ×Ļש", "ĠاÙĦÙĦ غ", "ĠاÙĦÙĦغ Ø©", "شر Ùĥ", "ĠاÙĦر اب", "ĠاÙĦراب ع", "ĠпÑĢ ек", "ĠпÑĢек ÑĢаÑģ", "ĠпÑĢекÑĢаÑģ н", "Ġenerg ÃŃa", "ק×ĵ ×ŀ×Ļ", "ãģıãģª ãģ£ãģŁ", "ĠÄij ứ", "ĠÄijứ a", "Serv i", "Servi ço", "Ġkald ır", "åĥį ãģį", "Ġод еж", "Ġодеж д", "물 ìĿĦ", "ãģĿãģĨ ãģ§", "ãģĮãģĤ ãĤĮãģ°", "ìĻ ķ", "צ×ĵ ק", "Ġart ır", "Ġile ti", "Ġileti ÅŁim", "ãĤĪãģĨ ãģ§", "ãĥĪ ãĥ¼", "ãĤ¢ ãĥĭ", "ãĤ¢ãĥĭ ãĥ¡", "×ĺ×Ļ ×Ļ׾", "ãĥķ ãĥªãĥ¼", "ãĥĿ ãĥ³", "ÐŁÑĢ о", "Ġع اÙĦÙĬØ©", "ĠÃ¶ÄŁ ret", "ĠÃ¶ÄŁret men", "ĠкаÑĩеÑģÑĤв а", "Ġ×Ķ×ĺ ×ij×¢", "Ġзна Ñİ", "ãģ¦ ãģıãĤĭ", "Ġm ừng", "ÙħÙĪ ت", "ש ×ķ×ŀר", "×Ĺ׾ ×ij", "Ġwzgl ÄĻ", "ĠwzglÄĻ du", "ë²Ī 째", "Ġtá» ĵ", "Ġtá»ĵ n", "ãĥ¯ãĥ¼ ãĤ¯", "Ġpo życz", "Ġpożycz k", "×Ļ ×ķצר×Ļ×Ŀ", "Ùĥر Ùħ", "Ġг аÑĢ", "ĠгаÑĢ ан", "ĠгаÑĢан ÑĤи", "ล à¹īาà¸ĩ", "Ġìĺģ íĻĶ", "×ĺ ×Ļס", "Ġth ẻ", "ĠìŀĪëĭ¤ ê³ł", "اÙĦت ز", "اÙĦتز اÙħ", "Ġна ÑĪи", "is ée", "ãģĵãĤĮ ãĤĴ", "Ġm ẽ", "ض ÙĦ", "بÙĪ ت", "Ġ׼ ׼×Ķ", "h ợ", "ĠاÙĦس ÙĪرÙĬØ©", "Ġ×ľ×¢ ×ķ×ŀ", "Ġ×ľ×¢×ķ×ŀ ת", "ĠbaÅŁ ar", "ĠbaÅŁar ılı", "е ÑģÑĤÑĮ", "à¸Ħร ี", "à¸Ħรี ม", "ĠìłĦ ì²´", "ĠسÙĬ ÙĥÙĪÙĨ", "Ġ×ŀ×ĵ ×ķ×¢", "ĠëķĮ문 ìĿ´ëĭ¤", "Ġc ứng", "ger ät", "Ġм иÑĢ", "ĠмиÑĢ е", "ĠÙĥÙĬÙģ ÙĬØ©", "Ġפר ×ĺ×Ļ×Ŀ", "Ġgo ÅĽci", "иÑĤ еÑģÑĮ", "ÑĥÑĪ ки", "ؤ ÙħÙĨ", "Ġ×IJ ׼ף", "ĠاÙĦر جÙĦ", "Ġl á»įc", "à¹Ģรีย à¸ģวà¹Īา", "ãģĵãģ® ãĤĪãģĨãģª", "ë§Į íģ¼", "Ġп еÑĩ", "ÙĪÙĦ ات", "ĠÃľ ye", "liÄŁ inde", "à¸Ħะ à¹ģà¸Ļ", "à¸Ħะà¹ģà¸Ļ à¸Ļ", "ãĤĭãģĵãģ¨ ãģ¯", "วิ à¹Ģà¸Ħร", "วิà¹Ģà¸Ħร าะ", "วิà¹Ģà¸Ħราะ หà¹Į", "Ġвозмож ноÑģÑĤи", "ĠاÙĦÙĨ ساء", "ãĥīãĥ© ãĥŀ", "Ġgü c", "Ġgüc ü", "Ġt Æ°á»Ŀng", "Ġacomp aña", "ãĤ¤ ãĥ©", "ק צ×ij", "ĠY ö", "ĠYö net", "ĠYönet im", "สัม à¸ľ", "à¸ªà¸±à¸¡à¸ľ ัส", "à¸Ļ าม", "ĠÄij ợi", "à¹ģหà¹Īà¸ĩ à¸Ĭาà¸ķิ", "ãģĿãĤĮ ãģ§ãĤĤ", "ät ig", "ת ×ķ×Ŀ", "ĠbaÅŁ lat", "ĠвÑģ ей", "ת ×Ļק", "ת×Ļק ×ķף", "ĠNg ô", "ĠGesch ä", "ĠGeschä fts", "Ø£ Ùħ", "Ø£Ùħ راض", "à¹Ģà¸Ĺ à¸Ħà¸Ļ", "à¹Ģà¸Ĺà¸Ħà¸Ļ ิ", "à¹Ģà¸Ĺà¸Ħà¸Ļิ à¸Ħ", "Ġм енÑĮ", "ĠменÑĮ ÑĪе", "Ġöl ç", "Ġölç ü", "ĠÙĬ جعÙĦ", "ĠÄij ỡ", "ש ×Ļ׾", "ש×Ļ׾ ×ķ×ij", "ĠGr Ã¶ÃŁe", "ĠÙĩ اتÙģ", "รà¹īาà¸Ļ à¸Ńาหาร", "×Ķ׾ ×Ļ׼", "×Ķ׾×Ļ׼ ×Ļ", "иÑĢÑĥ ÑİÑī", "èĭ¥ ãģĦ", "ĠÃĸ zel", "ãģĦãģŁ ãĤī", "à¸Ħำ à¸ĸาม", "Ġzosta ÅĤy", "Ġ×Ķס ×Ļפ×ķר", "×Ķ ×ķ׾", "×Ķ×ķ׾ ×ļ", "à¹Ģà¸Ĭà¹Īà¸Ļ à¸ģัà¸Ļ", "à¹Ĥ à¸Ĩ", "à¹Ĥà¸Ĩ ษ", "à¹Ĥà¸Ĩษ à¸ĵา", "×IJר צ×ķת", "×Ĵר פ×Ļ", "Ġao ût", "ĠÙĬ رÙĬد", "ت ÙĪج", "تÙĪج ÙĬÙĩ", "ĠÑįÑĤ ап", "ãĤ¹ãĤ¿ ãĥ³", "Ġkr ó", "Ġkró tk", "ãĤĴ使 ãģĨ", "ì ·¨", "éĸ¢ ãĤı", "à¸Ķà¹īวย à¸Ħวาม", "à¸Ļำ à¹Ģสà¸Ļà¸Ń", "Ġa yrıca", "à¸Ī à¹īาà¸ĩ", "ĠÑĦоÑĤ огÑĢаÑĦ", "Ġв еÑĩ", "ĠвеÑĩ еÑĢ", "åĩº ãģĹãģŁ", "ĠÐ¥ о", "Ġ×ŀ ר×Ĵ×Ļש", "à¹ĥหà¹ī à¹Ģà¸Ľà¹ĩà¸Ļ", "ãĤĴ 缮", "ãĤĴ缮 æĮĩ", "׾ ×ŀ×Ļ×Ŀ", "nÄħ ÅĤ", "ĠÑģÑĤ анд", "ĠÑģÑĤанд аÑĢÑĤ", "ĠSü d", "ĠT âm", "اخت بار", "à¹Ģà¸ģ à¸Ńรà¹Į", "Ùħس رØŃ", "Ġbi á»ĩn", "ب Ùı", "Ġص اÙĦ", "ĠصاÙĦ ØŃ", "ĠPh ụ", "íľ ´", "ãĥ¬ãĥĵ ãĥ¥ãĥ¼", "Ġbụ ng", "Ġrég ime", "ĠØ£ Ø´Ùĩر", "ĠÑĢабоÑĤ ник", "à¸Ŀ ัà¸Ļ", "اع تÙħ", "اعتÙħ اد", "Ġзам еÑĤ", "ãģ¾ ãģ£ãģ¦", "Ġch ặt", "æĿ¥ ãĤĭ", "ĠاÙĦÙĤ ÙĪات", "ãģ«åħ¥ ãģ£ãģ¦", "تØŃ Ø§ÙĦÙģ", "Ùħ زÙĬد", "ĠÙĬ صÙĦ", "ìĹ ¼", "à¹Ģà¸Ĭ à¹ĩ", "à¹Ģà¸Ĭà¹ĩ à¸Ħ", "Ġk á»ĭ", "Ġká»ĭ p", "ĠìķĦ ì§ģ", "×IJ׳ ×Ĵ", "Ġобла ÑģÑĤÑĮ", "Ġpomoc Äħ", "Ġ×ķ ש׾", "ëĵł ì§Ģ", "ĠGi ám", "ĠSt ück", "Ġchá y", "ĠëĤĺ ìĺ¤", "ש ×Ļ×ĺת", "×ŀ×ĵ ר", "×ŀ×ĵר ×Ļ×ļ", "Ġsüre ç", "к ва", "×ij׾ ×Ļ×Ŀ", "×Ķ ת×Ļ", "×Ķת×Ļ ×Ļ×Ĺס", "ÙĤب اÙĦ", "Ġס ×ķ×Ĵ", "Ġס×ķ×Ĵ ×Ļ", "ÑģÑĤ олÑĮ", "ä½ķ ãĤĤ", "×ĸ׼ ×ķר", "è²· ãģĨ", "å®ī ãģı", "à¸Ħรัà¹īà¸ĩ à¸Ļีà¹ī", "kö p", "ĠÑģеÑĢ виÑģ", "оÑĩ нÑĭÑħ", "ê±° ëŀĺ", "تأ Ùĥ", "تأÙĥ ÙĬد", "×ĵ ׾ק", "Ġпо Ñĩем", "ĠпоÑĩем Ñĥ", "пиÑģ аÑĤÑĮ", "×ij שר", "ĠH Ãłng", "ĠT ìm", "Ġtr ừ", "ãĤ» ãĥĥãĤ¯ãĤ¹", "×ķ׳ ×Ĵ", "mız da", "п Ñģи", "ĠìŀĪ 기", "Ġr út", "ز اÙĨ", "تÙĨ ÙĪع", "ÙħÙĤ ا", "ÙħÙĤا ÙĪÙħØ©", "Ġ׾צ ×ķר×ļ", "Ġ×ij ×Ļר×ķש׾×Ļ×Ŀ", "ãĥ´ ãĤ£", "eb ile", "ebile ceÄŁi", "ãĥ¦ ãĥ¼ãĤ", "ãĥ¦ãĥ¼ãĤ ¶", "ãĥ¦ãĥ¼ãĤ¶ ãĥ¼", "ãĤĴä½ľ ãĤĭ", "Ñģ меÑĢ", "ÑģмеÑĢ ÑĤ", "Ġì§ ģ", "Ġì§ģ ìłij", "ĠÐŁ аÑĢ", "ØŃ Ø§Ø¶", "ØŃاض ر", "Ùħ ÙĥاÙģ", "ÙħÙĥاÙģ ØŃØ©", "ล ิà¸Ļ", "ãģ¦ ãģįãģ¦", "ÑĢоÑģ л", "ĠÄ°ÅŁ te", "ÙĤص ÙĬر", "Ġ×ij×Ĵ ×Ļ׾", "Ġ×ŀת ×IJ×Ļ×Ŀ", "Ġ×Ķ ×Ĺ×ĵ", "Ġ×Ķ×Ĺ×ĵ ש×Ķ", "ר ×ķ×¢", "Ġprodukt ów", "ĠÙħ صدر", "не ÑĨ", "ĠاÙĦعÙħÙĦ ات", "Ġçık ma", "Ġد بÙĬ", "ק ×Ļף", "ת ×IJר", "ת×IJר ×Ļ×ļ", "׳×Ļ ×Ļ×ĵ", "صر اع", "l ève", "צ ×Ļר", "à¸Ķ ัà¸Ļ", "à¹ĥหà¹ī à¹Ħà¸Ķà¹ī", "ãĤ¿ãĤ¤ ãĥł", "Ġgi ảng", "С ÐŁ", "ĠاÙĦÙħ ØŃÙĦ", "ĠاÙĦÙħØŃÙĦ ÙĬØ©", "ĠT ất", "׾ ×ķ×ĺ", "h á»ķ", "Ġam éric", "Ġaméric ain", "Ġ×ijש׾ ×ij", "Ġ׾×IJ ×ķ×ŀ×Ļ", "Ġpe ça", "ĠÑĢаз нÑĭÑħ", "ãģĦãĤĭ ãģ¨", "ãĥĩ ãĥ³", "ס קר", "Ġ×Ķ×ŀ×Ĺ ×Ļר", "ãģ¨ãģĦãģĨ ãĤĤãģ®", "رت بط", "ĠиÑģÑĤ оÑĩ", "ĠиÑģÑĤоÑĩ ник", "สมัà¸Ħร สมาà¸Ĭิà¸ģ", "Ġ à¸Ĺัà¹īà¸ĩ", "Ġà¸Ĺัà¹īà¸ĩ à¸Ļีà¹ī", "ĠT áºŃp", "ãģ£ãģ¦ ãģĦãģĨ", "ĠاÙĦÙĪ صÙĪÙĦ", "Ġdéc ada", "Ġо ÑĦоÑĢм", "ĠоÑĦоÑĢм лен", "สำหรัà¸ļ à¸ģาร", "Ġog óln", "ãģĨãģ¡ ãģ«", "Ġvá rias", "ãģĻãģİ ãĤĭ", "ÙĪ Ùĩا", "à¹Ĥà¸Ľà¸£ à¸Ķ", "ĠÐłÐ¾ÑģÑģ иÑı", "人 ãĢħ", "ãģĹãģ¦ ãģįãģŁ", "Ġsı rasında", "Ġng ôn", "س ÙĨØ©", "تÙħ تع", "×ŀ׼ ×ij×Ļ", "Ġnh ấn", "×¢ ×ŀ×Ļ×ĵ", "á» ¨", "ж иÑĤÑĮ", "ãĤī ãģĽ", "gr áf", "gráf ica", "ĠÙĤ ÙĪÙĦ", "ĠÙĤÙĪÙĦ Ùĩ", "ëĭ¨ ì²´", "ห à¹īา", "หà¹īา ม", "使 ãģ£ãģ¦", "ת ×Ļ×ij", "ת×Ļ×ij ת", "i á»ĥu", "à¹ģ à¸Ĭม", "à¹ģà¸Ĭม à¸Ľ", "à¹ģà¸Ĭà¸¡à¸Ľ à¹Į", "Ạ¬", "ĠëĤĺ ëĿ¼", "ĠÙħباشر Ø©", "Ġtr Äĥm", "سÙĥ ÙĪ", "ĠاÙĦØ° Ùī", "Ġbi ç", "Ġbiç im", "ت راجع", "Ġоб еÑģп", "ĠобеÑģп еÑĩ", "ĠобеÑģпеÑĩ ива", "Ġвозд ÑĥÑħ", "Ñĭв аÑĤÑĮ", "ÙĦ ØŃÙĤ", "ĠMü dü", "ĠMüdü rl", "ĠMüdürl Ã¼ÄŁÃ¼", "Ġyapt ır", "Ġפר ס", "Ġפרס ×ķ×Ŀ", "Ø· ÙĪر", "ÑģÑĤв оваÑĤÑĮ", "ìŀ¥ ìĿĦ", "à¸Ĺีà¹Īà¸Ķี à¸Ĺีà¹Īสุà¸Ķ", "à¸Ńั ล", "ÑĢ Ñİ", "Ùħست ÙĤبÙĦ", "Ñģл ÑĥÑĪ", "ÑģлÑĥÑĪ а", "èªį ãĤģ", "Ġ׾ ×Ļ×ŀ", "Ġ׾×Ļ×ŀ ×ķ×ĵ×Ļ", "ת ש×ķ×ij", "תש×ķ×ij ×ķת", "ĠgerçekleÅŁtir il", "ĠاÙĦ اتÙģاÙĤ", "ĠÑĥÑĢов не", "ĠÑĤ ÑĢав", "Ġ×Ķ×ŀ ×ķף", "ØŃÙģ اظ", "ĠÙħ ÙIJ", "ĠÙħÙIJ ÙĨ", "ĠÙħÙIJÙĨ ÙĴ", "Ġdem ás", "×ŀ×ķ×ĸ ×Ļק×Ķ", "ש ×Ļ×Ĺ×Ķ", "Ġb ú", "алÑĮ нÑĭм", "ãĤı ãģŁ", "ãĤıãģŁ ãģĹ", "ĠاÙĦÙħÙĪ اد", "ת ׼׳", "×ª×Ľ×ł ×ķף", "ãĥŃ ãĥĥãĤ¯", "hi ếu", "ĠÑĥ ме", "ÙħØŃا ÙĪÙĦØ©", "×IJ ×ķשר", "Ġкон кÑĥÑĢ", "ĠконкÑĥÑĢ Ñģ", "Ġ×ŀ ×ij×Ĺ", "Ġ×ŀ×ij×Ĺ ×Ļ×ł×ª", "Ġan lam", "Ġanlam ı", "Ġli á»ĩt", "Ġв Ñħод", "ĠH ình", "ĠÙĨ ÙĬ", "ĠÙĨÙĬ ÙĪز", "ãĤ¸ãĥ£ ãĥ¼", "×ij ×Ļ×¥", "ÑĤелÑĮ нÑĭÑħ", "à¸Ĺุà¸ģ à¸Ńยà¹Īาà¸ĩ", "ĠkiÅŁ inin", "Ø£ Ùĥثر", "ĠиÑģÑĤоÑĢ ии", "Ġë³Ģ íĻĶ", "פ׾ ס×ĺ", "×¤×ľ×¡×ĺ ×Ļ׳×Ļ", "ĠÑģ еÑĤ", "ĠÑģеÑĤ и", "dıģ ımız", "íķĺ ëıĦë¡Ŀ", "×Ķ ר", "×Ķר ×ij×Ķ", "ãģĻãĤĭãģĵãģ¨ ãģ¯", "Ġphi ếu", "تØŃ Ø³ÙĬÙĨ", "ĠÅĽ rod", "ĠÅĽrod ow", "ĠÅĽrodow isk", "ĠÑĢаÑģ Ñħод", "بر ÙĬد", "Ġر ÙĬ", "ĠرÙĬ اÙĦ", "Ġ×ķ ׼×ļ", "ì§Ģ ìļĶ", "׼ ×ŀ×ķ", "Ġ×¢×ľ ×Ļ×Ķ×Ŀ", "f ÃŃcio", "Ġkar arı", "tıģ ını", "ĠС ов", "ĠСов еÑĤ", "ãģĬéĩij ãĤĴ", "м еждÑĥ", "междÑĥ на", "междÑĥна ÑĢод", "междÑĥнаÑĢод н", "Ġm á»Ŀi", "ĠاÙĦØ¥ ÙĬر", "ĠاÙĦØ¥ÙĬر اÙĨÙĬ", "ĠاÙĦرÙĪ سÙĬ", "ص ÙĨد", "صÙĨد ÙĪÙĤ", "ĠاÙĦØ¥ÙĨ ترÙĨت", "Ġt ắm", "ĠÑĤак ого", "Ġ×ij ׾×ķ×Ĵ", "Ġü crets", "Ġücrets iz", "×Ĺ×ĸ ×Ļר", "ìĸ´ ìķ¼", "ĠPh ần", "ï¼ ľ", "Ġ×ĺ ×ij×¢", "Ġ×ĺ×ij×¢ ×Ļ", "×IJ×ŀ ×IJ", "اÙĤ ÙĦ", "Ġcondi ções", "ÙĤات ÙĦ", "ĠÑĢезÑĥлÑĮÑĤаÑĤ е", "ĠÑģво ими", "צ×ij ×Ļ×¢", "gé ni", "Ġz es", "Ġzes po", "Ġzespo ÅĤ", "ÑĪ ив", "Ġפר×ĺ×Ļ ×ķת", "Ùħست Ø´Ùģ", "ÙħستشÙģ Ùī", "شر ع", "Ġko ÅĽci", "Ġ×Ķ×IJ ×Ļ׳×ĺר׳×ĺ", "ĠЧ еÑĢ", "поÑĩ ÑĤ", "Ġactiv ités", "çŁ¥ ãģ£ãģ¦", "Ġ×ij ×ĸ×Ķ", "Ġyüz den", "ãģªãĤĬ ãģ¾ãģĽãĤĵ", "Ġíĺ ¹", "Ġíĺ¹ ìĿĢ", "Ġ×ŀש ׳×Ķ", "ĠÐĴ еÑĢ", "Ġ×ij×IJ×ķת ×ķ", "éĿ¢ çĻ½", "éĿ¢çĻ½ ãģĦ", "شر ØŃ", "gr ünde", "Ùģ Ø´", "ÙģØ´ ÙĦ", "Ġsé jour", "ë´ IJ", "Ġr ôle", "Ø´ عار", "ем Ñĭе", "ĠاÙĦج سÙħ", "алÑĮ ное", "Ġìĥģ íĥľ", "ï¼ ¤", "ë¯Ģ ë¡ľ", "ĠÙĨ ÙĤØ·", "ĠÙĨÙĤØ· Ø©", "ãģĿãģĨ ãģł", "ãģĻãĤĭ ãģ®ãģĮ", "ห ู", "Ġnh á»ĭ", "Ġeconóm ica", "ס×ĺ ×ķ×ĵ", "ס×ĺ×ķ×ĵ ׳×ĺ", "มี à¹Ĥà¸Ńà¸ģาส", "Ġgest ão", "รูà¹ī วà¹Īา", "Ġlo ạt", "ĠاÙĦÙħ Ùı", "ĠاÙĦØŃ ÙħÙĦ", "ĠاÙĦعÙħÙĦ ÙĬØ©", "Ġê²ĥ ëıĦ", "ĠÐľÐ¾Ñģк ва", "ק×ĺ ×ķר", "Ġпод ÑĢоб", "ĠподÑĢоб н", "Ġl Æ°ng", "ت Ùģس", "تÙģس ÙĬر", "ĠاÙĦ بع", "ĠاÙĦبع ض", "ئ ت", "Ðķ ÐĿ", "ìĹ° 구", "à¹ĥหà¹ī à¸Ħุà¸ĵ", "ãģĤãĤĬ ãģ¾ãģĹãģŁ", "Ġbir ka", "Ġbirka ç", "ĠÄ° sl", "ĠÄ°sl am", "çĹĽ ãģ¿", "Ġh ảo", "Ġм аÑı", "ĠiÅŁ çi", "ש ×", "×©× ģ", "à¸ģาร à¹Ģมืà¸Ńà¸ĩ", "×ķ×Ķ ר", "Ġch ó", "ëĨ Ģ", "Ġyan lı", "Ġyanlı ÅŁ", "幸 ãģĽ", "×IJר×Ĵ ×ķ׳×Ļ", "à¸Ńาà¸Ī าร", "à¸Ńาà¸Īาร ยà¹Į", "ĠинÑĦоÑĢм аÑĨиÑİ", "Ðĵ Ðŀ", "׳ ×Ĺש", "ĠìķĮ ìķĦ", "ĠÑħаÑĢакÑĤеÑĢ иÑģÑĤ", "ĠÑħаÑĢакÑĤеÑĢиÑģÑĤ ик", "à¸Ħุà¸ĵ สามารà¸ĸ", "è¦ĭ ãģĪãĤĭ", "à¸Ĭัà¸Ķ à¹Ģà¸Ī", "à¸Ĭัà¸Ķà¹Ģà¸Ī à¸Ļ", "ĠdziaÅĤ al", "ĠdziaÅĤal noÅĽci", "à¹Ĥà¸ŀ สà¸ķà¹Į", "ĠÐļ ол", "ĠÙģ ÙĩÙĬ", "Ġ×ŀ פ׳×Ļ", "Ġ×Ķק שר", "Ùħر Ùĥ", "ÙħرÙĥ ز", "Ġho á", "Ġа пп", "Ġапп аÑĢаÑĤ", "Ġp ami", "Ġpami ÄĻ", "ĠpamiÄĻ ta", "Ġç ünkü", "×ĵ ×ķף", "ãģ¯ ãģĵãģ¡ãĤī", "ĠM Ãł", "ĠÙĬ ÙĤدÙħ", "ĠпÑĢ ез", "ĠпÑĢез иденÑĤ", "à¸Ńุ à¸ķ", "à¸Ńุà¸ķ สา", "à¸Ńุà¸ķสา ห", "à¸Ńุà¸ķสาห à¸ģรรม", "ì§Ģ ìĽIJ", "Ġ×IJפשר ×ķת", "sch üt", "schüt z", "ĠTi ên", "Ġsay ılı", "ĠгÑĢÑĥпп Ñĭ", "оÑĩ нÑĭй", "Ġ×ľ×¢ ×ŀ×ķ×ĵ", "Ġwr zeÅĽ", "ĠwrzeÅĽ nia", "ĠÄIJ ầu", "à¹Ģà¸Ĥà¹īา รà¹Īวม", "nız da", "Ø®ÙĬ ص", "Ġgü nc", "Ġgünc el", "ĠÙĦÙĩ Ø°Ùĩ", "ĠÙĬ عتبر", "lé gi", "ãĤı ãģĭãĤĭ", "Ġr ừng", "ظ Ùĩ", "ظÙĩ ÙĪر", "Ġ×ŀ×ij ×Ļף", "Ġ기 íĥĢ", "åĪĩ ãĤĮ", "lan mÄ±ÅŁ", "à¸Ĺีà¹Ī มีà¸Ħวาม", "Ġh á»ģ", "ت ÙĪجÙĩ", "ĠاÙĦØ¥ دارة", "Ġú til", "ס פ×ķ", "à¸Ħวาม รัà¸ģ", "à¹Ĥ ฮ", "Ġпол иÑĤ", "ĠполиÑĤ ик", "Ġsat ın", "ĠÅŀ imdi", "×ŀ ×ķר×Ļ×Ŀ", "ìķĺ ëĭ¤", "×Ĺ ×ķ×ķ", "×Ĺ×ķ×ķ ×Ļ×Ķ", "à¸Ħà¸Ńม à¸ŀิ", "à¸Ħà¸Ńมà¸ŀิ ว", "à¸Ħà¸Ńมà¸ŀิว à¹Ģà¸ķà¸Ńรà¹Į", "Ġا ذا", "تخ اذ", "ãĤ¨ ãĥ«", "Ġpossibilit é", "ยืà¸Ļ ยัà¸Ļ", "Ġü nivers", "Ġünivers ite", "ĠاÙĦد ÙĪرÙĬ", "ĠìķĬëĬĶ ëĭ¤", "ĠìĦľ ë¡ľ", "ØŃ Ø§ÙĦ", "Ġë ¨", "Ġë¨ ¼", "Ġ먼 ìłĢ", "à¸Ĺีà¹Ī à¸ĸูà¸ģ", "ì§ ľ", "Ġsk óry", "лÑĮ ÑĨ", "à¹ĥà¸Ĭà¹ī à¹Ģวลา", "×ijק שת", "ĠØ° ÙĪ", "æĹ¥ ãĢħ", "ĠкоÑĤоÑĢ ÑĥÑİ", "ĠÑĥÑĢов енÑĮ", "ê¹ ¨", "à¹Ħ à¸Ĺ", "ãĤµ ãĥĹãĥª", "ãĤ¸ ãĥ§ãĥ³", "ãģĻ ãģ¹ãģį", "ĠG ór", "ãĥĪ ãĤ¤", "ãĥĪãĤ¤ ãĥ¬", "ĠyaÅŁ ama", "Ġdá»ĭ p", "Ġb ữa", "à¸ĭ ุ", "Ġöl üm", "ãģ£ãģ¦ ãģıãĤĭ", "à¸ģาร à¸Ħà¹īา", "ש ער", "ĠÑĤип а", "Ġг еÑĢ", "ĠгеÑĢ о", "רק ×¢", "Ġu waż", "Ġuważ a", "ש×ŀ ף", "Ġhast alık", "ãĤıãĤĮ ãĤĭ", "ba ÅŁÄ±", "Ñĩ ÑĤо", "Ġ×ij ×ŀר׼×ĸ", "Ġìļ°ë¦¬ ìĿĺ", "ĠÙĥاÙĨ ÙĪا", "ĠØ£ بر", "Ġأبر ÙĬÙĦ", "ì¸ µ", "à¹Ħà¸Ĥ à¹Ī", "ĠÙĪ ÙĦÙĪ", "à¸Ĺ ัว", "à¸Ĺัว รà¹Į", "ĠÙĪØ£ Ùĥد", "à¸Ĭ วà¸Ļ", "׾ ×ķק", "æį ¨", "æį¨ ãģ¦", "Ġİç in", "p éri", "Ġy al", "Ġyal nız", "ÑĮÑı н", "Ġg ắng", "à¸ģà¹ĩ ยัà¸ĩ", "ĠУкÑĢа ин", "ĠÑģ ами", "ĠпÑĢовед ен", "à¸ķà¸ģ à¹ģà¸ķà¹Īà¸ĩ", "ĠQu ân", "é paration", "ĠbaÅŁ ında", "Ġzn ale", "Ġznale ź", "Ġznaleź Äĩ", "ãĤ± ãĥ¼", "ãĥİ ãĥ¼", "à¸ĸูà¸ģ à¸ķà¹īà¸Ńà¸ĩ", "ëª ¸", "Ġëı Į", "ĠëıĮ ìķĦ", "ĠSch üler", "Ġпод гоÑĤов", "ĠподгоÑĤов к", "ع رÙĪ", "عرÙĪ ض", "la ÅŁtır", "ĠÑģоÑģÑĤав лÑıеÑĤ", "ĠпÑĢоиз вод", "ĠпÑĢоизвод ÑģÑĤва", "ĠоÑģнов е", "ĠØ´ ÙħاÙĦ", "à¸ģร ี", "ĠgörÃ¼ÅŁ me", "оÑĩ ек", "Ġ×Ĺ×ijר ×Ļ×Ŀ", "ÙħØ® اط", "Ùħخاط ر", "ï¼ Ń", "ר פ×IJ", "ĠM ẹ", "ยà¸Ńม รัà¸ļ", "Ġv ết", "Ø® Ø°", "ĠاÙĦت Ø·", "ĠاÙĦتط بÙĬÙĤ", "à¸Ļ ึà¸ģ", "Ġ×Ķ ×Ľ×ł×¡×ª", "ĠогÑĢ ани", "ĠогÑĢани Ñĩен", "ĠÃĩ alÄ±ÅŁ", "ĠاÙĦÙħÙĨت دÙī", "à¸Īำà¸Ļวà¸Ļ มาà¸ģ", "ĠÑĤоÑĢ ÑĢ", "ĠÑĤоÑĢÑĢ енÑĤ", "ĠìĤ´ ìķĦ", "à¸ŀลัà¸ĩ à¸ĩาà¸Ļ", "à¸Ĭ ัà¸Ļ", "ĠÐIJн дÑĢ", "Ġréalis é", "×ŀש ×IJ", "à¹ģ à¸Ĭ", "à¹ģà¸Ĭ รà¹Į", "Ġб ог", "มา à¹ģลà¹īว", "ĠاÙĦÙĨ ار", "Ġolmad ıģı", "×ĵ ×¢×Ķ", "ĠÑĥ веÑĢ", "ĠÑĥвеÑĢ ен", "ãĤĭ ãĤĤãģ®", "Ø£ د", "أد ÙĪات", "Ġ×Ķ×ĸ ×ķ×Ĵ", "Ø¥ عÙĦاÙħ", "h á»ı", "ĠNä he", "ĠÑĤ еÑģÑĤ", "Ġ×ŀ ×ķ׼ר", "Ġë¬¸ìłľ ê°Ģ", "ת ×ķצ×IJ×Ķ", "m ó", "mó vel", "ĠاÙĦتج ارة", "Ġмног иÑħ", "обÑī а", "Ġ×¢ סק×Ļ", "ĠEdu cação", "ק ש×Ļ×Ŀ", "é tabl", "établ issement", "Ġд еле", "иÑĢÑĥ еÑĤÑģÑı", "Ø¢ ثار", "Ġ×Ķ×ŀ ר׼×ĸ×Ļ", "ãĥIJ ãĥ«", "ĠвÑģÑĤÑĢ еÑĩ", "ãģĴ ãĤĭ", "Ġci Äħ", "ĠciÄħ gu", "ÙĬ ست", "à¸łà¸² ว", "à¸łà¸²à¸§ ะ", "Ø£ Ùħر", "Ġо жи", "Ġожи да", "Ġ ủy", "ãĥŀ ãĥ«", "ر اس", "оÑĩ ной", "ת ×Ĵ×ķ×ij×ķת", "تع رÙĬÙģ", "ĠÑģо ÑĨиалÑĮно", "ãĤĴ éĸĭ", "ĠиÑģÑģлед ова", "Ġd ú", "Ġdú vida", "Ġsk ÅĤ", "ĠskÅĤ ada", "Ġhä ufig", "ĠвÑĭб ÑĢ", "ĠвÑĭбÑĢ аÑĤÑĮ", "ãģ®ãģ§ãģ¯ãģªãģĦ ãģĭ", "ĠÑģ илÑĮно", "ÑĤвеÑĢж ден", "ר פ", "רפ ×ķ×IJ×Ķ", "æĢĿ ãģĦãģ¾ãģĻ", "ØŃر ص", "ש×ķת ×£", "Ùħس جد", "à¹Ĥà¸Ĭ วà¹Į", "ем ÑģÑı", "в ÑĪие", "Ġм л", "Ġмл н", "Ġ׾×Ķ ×ij×Ļ×IJ", "ĠÙĬ تعÙĦÙĤ", "à¸ķ ูà¹ī", "Ġп ÑĢаз", "ĠпÑĢаз д", "ĠпÑĢазд ник", "Ġн ем", "Ġнем ного", "Ġs Ãłng", "تÙĨ سÙĬ", "تÙĨسÙĬ ÙĤ", "Ġtá» Ŀ", "Ġмед и", "ãģ« æĪ", "ãģ«æĪ »", "à¸Ħว à¹īา", "ãģĭ ãģijãĤĭ", "×ij׾ ×ķת", "ĠÑįк Ñģп", "ĠÑįкÑģп еÑĢÑĤ", "Ġдев ÑĥÑĪ", "ĠдевÑĥÑĪ к", "ĠØŃ Øµ", "ÙĨØ´ Ø£", "ãģĮãģĤãĤĭ ãģ®ãģ§", "Ġت راÙħ", "ĠتراÙħ ب", "أس ÙĪاÙĤ", "Ġ׾פ ׳×ķת", "Ġا ï»·", "ãģ« ãģı", "ãģ«ãģı ãģĦ", "ĠØ£ عÙĦÙī", "Ġ׾×Ķ ×ŀש×Ļ×ļ", "rä u", "ש×ŀ ×Ļ×Ŀ", "åĪĨ ãģij", "ãģĻ ãģ§", "ãģĻãģ§ ãģ«", "×Ķ׾ ׼×Ķ", "×Ĺ׾ ×Ļ×£", "Ġì ±ħ", "Ġì±ħ ìŀĦ", "à¹Ģà¸Ī ริ", "à¹Ģà¸Īริ à¸į", "éģĬ ãģ³", "ج سد", "สา à¸ĺ", "สาà¸ĺ าร", "สาà¸ĺาร à¸ĵ", "Ġbas ın", "ÑĢаР³", "г ад", "Ġho ÅŁ", "íķ µ", "×ij×Ĺ ×Ļר×Ķ", "×ŀס ×ļ", "Ġìłľ íĴĪ", "تÙħ ÙĪÙĬÙĦ", "ĠL Æ°u", "ë¡ľ ë¶ĢíĦ°", "Ġп об", "Ġпоб ед", "ÙħÙĨ Ø°", "常 ãģ«", "ÙĤ س", "ĠاÙĦÙħ صدر", "ĠÙĪاÙĦ است", "Ġkh ắp", "ĠاÙĦج اÙĨب", "Ġng uyá»ĩn", "éĸĵ éģķãģĦ", "ĠÑģÑĤ ÑĢа", "ĠÑģÑĤÑĢа Ñħ", "ĠÑģÑĤÑĢаÑħ ов", "รี à¸ļ", "Ġx Æ°Æ¡ng", "Ġì° ¾", "Ġì°¾ ìķĦ", "Ġng ại", "г ал", "à¸ĭ ีà¹Ī", "Ġ×ij פ×Ļ×Ļס×ij×ķק", "Ц енÑĤÑĢ", "Ġaval iação", "Ġeconóm ico", "×ĸ ף", "ĠÐľ ак", "Ġinter és", "à¸ģล ิà¹Īà¸Ļ", "ÑģÑĤÑĮ Ñİ", "ĠÄij Æ°Æ¡ng", "å¼· ãģı", "ĠKh ách", "à¹Ģà¸Ļืà¹īà¸Ń หา", "ĠYaz ı", "è²· ãģ£ãģ¦", "Ðł Ðķ", "à¹Ģà¸ŀิà¹Īม à¸Ĥึà¹īà¸Ļ", "สม à¸ļู", "สมà¸ļู รà¸ĵà¹Į", "Ġм иÑĢов", "×Ĵ ׳×Ļ×Ŀ", "ĠÄij ức", "à¸Ń ารà¹Į", "ص اص", "ãģĬ ãĤĪ", "ãģĬãĤĪ ãģ³", "ÃªÌ ī", "ĠاÙĦÙħؤ تÙħر", "ĠاÙĦÙħر ØŃÙĦØ©", "สà¸Ńà¸ļ à¸ĸาม", "Ġà¸Īาà¸ģ à¸Ļัà¹īà¸Ļ", "Ġت عد", "ãģĿãģ® ãģŁãĤģ", "Ġkh áng", "à¸Ļ ิà¸Ķ", "ãĥĬ ãĥ³", "ëĦ¤ ìļĶ", "ĠاÙĦ اØŃت", "ĠاÙĦاØŃت ÙĦاÙĦ", "ìļ ķ", "Ġмод ели", "ĠпÑĢоÑĨ енÑĤ", "à¸ŀวà¸ģ à¹Ģรา", "Ġ×Ķצ ×ĵ", "Ġ×Ķצ×ĵ ×ĵ×Ļ×Ŀ", "ständ e", "׳ ×Ĵר", "Ġdot yc", "Ġdotyc zÄħ", "ĠdotyczÄħ ce", "ĠÅĽ wiÄĻt", "×ŀר ×Ķ", "ãģĻãģĶ ãģĦ", "ãĥĩãĤ£ ãĥ³ãĤ°", "à¸ģาร สรà¹īาà¸ĩ", "ë Ĥ¬", "Ġì°¸ ìŬ", "Ñģ Ñħ", "ÑģÑħ ем", "ÙħÙĪ س", "Ġn ấu", "Ġ׾×ŀ×¢ ׾×Ķ", "à¹Ģà¸Ľ à¹īา", "à¹Ģà¸Ľà¹īา หมาย", "Ġmù i", "ائ ز", "íĽ Ī", "×Ĺ×ij ×ķר×Ķ", "à¸ľà¸¹à¹ī à¹ĥà¸Ĭà¹ī", "Ġpa ź", "Ġpaź dzi", "Ġpaździ ern", "Ġpaździern ika", "ลà¸ĩ à¹Ħà¸Ľ", "ÙĤ اع", "Ġch áºŃm", "Ġözellik leri", "ĠÄIJ o", "ĠÄIJo Ãłn", "ж ение", "Ġh ẳ", "Ġhẳ n", "ĠaÅŁ k", "ï½ į", "ãĥij ãĤ¹", "×Ķ×ķר ×IJ×ķת", "ĠÅ »", "ĠÅ» y", "×ŀ×ĸ ׾", "ĠÑĥ кÑĢа", "ĠÑĥкÑĢа ин", "à¹Ģà¸Ĭ ิ", "à¹Ģà¸Ĭิ à¸į", "Ðł Ðĺ", "ĠzwiÄħz ku", "×Ķ×Ĺ׾×ĺ ת", "ãĤĵãģ§ãģĻ ãĤĪãģŃ", "ãģ¦ ãģĬãĤĬ", "лож иÑĤÑĮ", "×ŀ ×ķ׳×Ļ×Ŀ", "ฮ ิ", "ì° ¬", "ĠاÙĦÙħØ´ ترÙĥ", "ĠdÃ¼ÅŁ ük", "аг енÑĤ", "ĠاÙĦØ£ سبÙĪع", "ĠÙĤ رÙĬب", "ин д", "инд ив", "индив ид", "индивид Ñĥ", "индивидÑĥ алÑĮн", "för der", "Ġseç en", "Ġseçen ek", "Ġét ant", "ĠлÑİб им", "каз ÑĭваеÑĤ", "ว ิà¸Ļ", "Ġ×Ķ×ij ×IJ×Ļ×Ŀ", "Ġд ов", "Ġдов олÑĮ", "ĠдоволÑĮ но", "×¢×ĵ ×Ļ×£", "Ġok re", "Ġokre ÅĽ", "ĠokreÅĽ lon", "Ġت رÙĬد", "à¹Ģมืà¹Īà¸Ń วัà¸Ļà¸Ĺีà¹Ī", "ãĤĪ ãģĭãģ£ãģŁ", "Cum h", "Cumh ur", "Cumhur ba", "Cumhurba ÅŁ", "CumhurbaÅŁ kan", "CumhurbaÅŁkan ı", "Ġn ợ", "à¸ľà¸¹à¹ī à¹Ģลà¹Īà¸Ļ", "Ġcompl ète", "à¹Ģà¸ŀ ศ", "د ÙIJ", "Ġdü z", "Ġdüz ey", "ãģ§ãģĤãĤĭ ãģĵãģ¨", "ext érieur", "× ³", "Ġinform ação", "ãĤ¯ãĥª ãĥĭãĥĥãĤ¯", "ĠPub li", "ĠPubli é", "ר ×ķ×ĵ", "à¸Ħวาม à¸Ľà¸¥à¸Ńà¸Ķà¸łà¸±à¸¢", "ĠØ£ÙĬ ض", "ĠØ£ÙĬض Ùĭا", "ت سبب", "ãģ¤ ãĤĤãĤĬ", "из ма", "à¸Ĥึà¹īà¸Ļ à¹Ħà¸Ľ", "Ùĥ ÙIJ", "ÙĦ ÙĪÙħ", "Ġש צר", "Ġשצר ×Ļ×ļ", "ãģ¯ ãĤĤãģ¡ãĤįãĤĵ", "Ġк ан", "Ġкан ал", "ãģ«ãģª ãģ£ãģ¦ãģĦãģ¾ãģĻ", "ĠاÙĦØ£ Ùĥثر", "ت اØŃ", "ÙĨت Ùĩ", "ÙĨتÙĩ اء", "ا ÙĪÙĬØ©", "ĠBug ün", "н Ñģкого", "à¸Ķ à¹Īวà¸Ļ", "é volution", "ãģ£ãģ¦ ãģĦãģ¾ãģĹãģŁ", "ãĤ ħ", "ĠV Æ°Æ¡ng", "à¸łà¸²à¸ŀ ย", "à¸łà¸²à¸ŀย à¸Ļ", "à¸łà¸²à¸ŀยà¸Ļ à¸ķรà¹Į", "Ġ×Ķ צ׾×Ļ×Ĺ", "ĠاÙĦإسÙĦاÙħ ÙĬ", "ÙĦÙĬ ب", "Ġed ição", "ÑģÑĤÑĢ ел", "Ġkh úc", "ÙĨÙħÙĪ Ø°", "ÙĨÙħÙĪØ° ج", "׾ צ×Ķ", "ÑģÑĤав ил", "à¸ĸ า", "สรà¹īาà¸ĩ à¸Ħวาม", "ãģĦ ãģ£ãģ±", "ãģĦãģ£ãģ± ãģĦ", "ÑģÑĤав лен", "ĠاÙĦ ÙĤدس", "Ġng ược", "ب Ø®", "ส หร", "สหร ั", "สหรั à¸IJ", "ĠØ£ غ", "Ġأغ سط", "Ġأغسط س", "ãģĨ ãģ¾", "ãģĨãģ¾ ãģı", "ĠêµŃ ìłľ", "ØŃض ار", "Ġd ừng", "æĬ¼ ãģĹ", "ت ÙĪا", "تÙĪا جد", "ש×ŀ ×Ĺ×Ķ", "ãģı ãĤĵ", "Ġ×ij×¢ צ", "Ġ×ijעצ ×Ŀ", "×ŀ ׳×Ļ×ķת", "×ķ ×Ļ×ĵ", "×ķ×Ļ×ĵ ×IJ×ķ", "à¸Ĭ ิà¸ĩ", "Ġprac ÄĻ", "Ġз аÑĤ", "ĠзаÑĤ ем", "ĠìŀIJ ìľł", "Ġì¤ Ģ", "Ġì¤Ģ ë¹Ħ", "Ġb áºŃ", "ĠbáºŃ c", "Ġ×Ķ×ŀ צ×ij", "ĠÙĤ ÙĬÙħØ©", "à¹Ģà¸Ń à¹Ģà¸Ĭ", "à¹Ģà¸Ńà¹Ģà¸Ĭ ีย", "Ġperch è", "ĠاÙĦع سÙĥر", "ĠاÙĦعسÙĥر ÙĬØ©", "ج ÙĬب", "ëŀ µ", "Ùħ Ùĩر", "ÙħÙĩر جاÙĨ", "Ùħ راÙĥ", "ÙħراÙĥ ز", "Ġод нако", "à¸Ķี à¹Ĩ", "Ġצ פ×ķ", "Ġkullan ılan", "Ġк ино", "ãĥĨãĤ£ ãĥ³ãĤ°", "ĠGi Ỽi", "ت ÙĪز", "تÙĪز ÙĬع", "ย ิà¸Ļ", "ยิà¸Ļ à¸Ķี", "Ġc Åĵur", "ĠiÅŁ aret", "Ġ×ij×¢ ×ĸר", "Ġ×ij×¢×ĸר ת", "Ġп аÑĨи", "ĠпаÑĨи енÑĤ", "ãģ¿ãģŁãģĦ ãģ§ãģĻ", "в ез", "ли на", "од е", "Ġ×IJ×ķת ף", "dıģ ınız", "ĠÐIJ в", "ĠÐIJв ÑĤоÑĢ", "ï¼ ®", "ĠC ần", "ĠاÙĦا Ø®", "ĠاÙĦاخ بار", "Ġê±° ìĿĺ", "Ġat enção", "Ġgeld iÄŁi", "ãĤª ãĤ¹", "ãĤªãĤ¹ ãĤ¹", "ãĤªãĤ¹ãĤ¹ ãĥ¡", "ев Ñĭе", "кÑĢÑĭ л", "à¹Ģà¸Ĭ ียà¸ĩ", "à¹Ģà¸Ĭียà¸ĩ à¹ĥหมà¹Ī", "Ġmar ço", "ĠاÙĦÙħ ادة", "Ġг ол", "Ġsprzeda ży", "Ġíķ´ ê²°", "ĠÐķ го", "ê¹ Ģ", "Ġ׾ק×ij׾ ת", "ĠاÙĦÙģ ÙĨاÙĨ", "Ġcomunic ación", "à¹Ģสà¹īà¸Ļ à¸Ĺาà¸ĩ", "íĺ ¹", "à¸Ĭ ำ", "à¸Ĭำ ระ", "Ġ׼ ×IJ×ŀ", "Ġ׼×IJ×ŀ ×ķר", "à¸Ĭ à¹Īาà¸ĩ", "ز Ùĩر", "Ġklient ów", "ива ÑİÑĤ", "ан г", "׳ ×ļ", "Ġg á»įn", "Ãľ R", "ìĺģ ìĥģ", "Ġغ زة", "ìĿĮ ìĿĦ", "Ġbez po", "Ġbezpo ÅĽ", "ĠbezpoÅĽ redni", "ĠاÙĦÙħ ÙĪا", "ĠاÙĦÙħÙĪا Ø·ÙĨ", "ĠاÙĦÙħÙĪاطÙĨ ÙĬÙĨ", "ãĤĮ ãģ¾ãģĻ", "ĠмаÑĤ Ñĩ", "×IJ ×ķף", "Ġر سÙħÙĬ", "ĠÑįк он", "ĠÑįкон ом", "ĠÑįконом иÑĩеÑģк", "ãĥľ ãĥ¼", "Ġд иÑĢ", "ĠдиÑĢ екÑĤоÑĢ", "ĠÑģк оÑĢо", "à¸ļ ำ", "à¸ļำ ร", "à¸ļำร ุà¸ĩ", "ĠÑĦ ÑĥÑĤ", "ĠÑĦÑĥÑĤ бол", "Ġ×IJ ×Ļ׾", "Ġì¤ij êµŃ", "ìľ ¤", "eÄŁ e", "à¹Ħ à¸ģà¹Ī", "tra î", "traî n", "ĠÑĤ ÑĢÑĥб", "à¹Ģà¸ļ ื", "à¹Ģà¸ļื à¹īà¸Ńà¸ĩ", "à¹ģม à¸Ļ", "ĠتØŃ Ø¯ÙĬØ«", "Ġ׼ עת", "ØŃ Ø§Ø³Ø¨", "lı ÄŁa", "ק×Ļ ×Ļ×ŀ×Ļ×Ŀ", "оÑģÑĤ ÑĮÑİ", "à¸Ŀ ั", "à¸Ŀั à¹Īà¸ĩ", "Ø´ غÙĦ", "ìĽ ¹", "Ġкажд ого", "Ġbölüm ü", "หà¸Ļ ี", "Ġistedi ÄŁi", "Ġtr Æ°ng", "ãĥ Į", "ฮ à¸Ń", "Ø£ÙĨ Ø´", "Ø£ÙĨØ´ طة", "ĠاÙĦÙħ سÙĬ", "ĠاÙĦÙħسÙĬ ØŃ", "ลัà¸ģษ à¸ĵà¹Į", "Ġn á»Ńa", "à¸Ĺีà¹Ī à¸ķà¹īà¸Ńà¸ĩà¸ģาร", "ÑĪ ек", "л Ñij", "Ġש ×Ļ×Ķ", "Ġש×Ļ×Ķ ×Ļ×Ķ", "Ġkhu ôn", "ĠÑĤÑĢеб ованиÑı", "Ġ×ľ×¢ ×ĸ×ķר", "ĠاÙĦع Ùħر", "ราà¸Ħา à¸ĸูà¸ģ", "ÙĩÙı ÙħÙĴ", "ü st", "üst ü", "Ġден ег", "Ġn ạ", "à¸Ĥà¸Ļ ม", "Ġбл аг", "Ġблаг од", "Ġблагод аÑĢ", "ĠблагодаÑĢ Ñı", "Ø¥ سÙĦاÙħ", "à¸Ļิ ว", "çŁ¥ ãĤīãģªãģĦ", "Ø« ÙĤØ©", "Ġг олоÑģ", "×IJ×ķר ×Ĺ", "Ġtr ứng", "Ġод ном", "ĠkoÅĦ cu", "Ġ×ķ רק", "Wi ÄĻ", "WiÄĻ cej", "Ġ×IJ ×Ļ׼×ķת", "Ġ×IJ×Ļ׼×ķת ×Ļ", "Ñģ оÑģ", "Ġje żeli", "以ä¸ĭ ãģ®", "å°ı ãģķ", "å°ıãģķ ãģª", "олог ии", "Ġоб ÑģлÑĥж", "ĠобÑģлÑĥж ива", "Ùĥت ابة", "Ġê´Ģ ìĭ¬", "×¢ ש×Ļר", "Ġaras ındaki", "ĠÑĢай она", "ÙĪا جب", "Ġ×ij×Ĺ×Ļ ×Ļ", "íķ´ 주", "Ġg óc", "ай л", "ĠT ình", "æļ® ãĤī", "æļ®ãĤī ãģĹ", "æĻĤ ãģ«ãģ¯", "ĠгоÑĢод е", "Ġ׼×IJ ×Ļ׾", "Ġ׼×IJ×Ļ׾ ×ķ", "ĠC á»Ļng", "ãģ©ãģĨ ãģĹãģ¦ãĤĤ", "×Ĺ ×ķ×£", "تØŃ Ø±Ùĥ", "ĠÑģлов ам", "à¸Īะ à¸Ĭà¹Īวย", "ĠاÙĦÙħست ÙĤبÙĦ", "ÙĤ ض", "ÙĤض ÙĬ", "×ijס ×ķפ", "×ijס×ķפ ×ķ", "iÄĻ Äĩ", "ĠY ıl", "Ø´ ÙĬØ®", "à¸Ħุà¸ĵ à¸Īะ", "ש×ŀ ×ķת", "Ġت عرض", "Ġanál ise", "ĠÑģоб иÑĢа", "à¹Ģà¸ŀ à¸Ĭ", "à¹Ģà¸ŀà¸Ĭ ร", "Ġв ели", "Ġвели к", "สั à¹īà¸Ļ", "Ġpop ulação", "รà¹Īวม à¸ģัà¸Ļ", "×Ĺ ×ŀ", "×Ĺ×ŀ ×Ļש×Ļ", "ס ×Ļס", "åĨħ ãģ§", "Ġsob Äħ", "ĠY ay", "ĠYay ın", "ãĥ¡ ãĥĭãĥ¥ãĥ¼", "ĠпÑĢедоÑģÑĤав лÑı", "ãģł ãģ¨æĢĿãģĨ", "Ġê³ł ê°Ŀ", "Ġод ним", "à¹ĥà¸Ļ à¹Ģรืà¹Īà¸Ńà¸ĩ", "Ġs á»ķ", "ĠÐĹ Ð´ÐµÑģÑĮ", "Ġизмен ениÑı", "ĠìĿ¼ ìĿĦ", "ãģªãģ® ãģł", "клад Ñĭва", "ÑĢ ма", "Ġ×ķ×ij ׼׾", "تأ ÙħÙĬÙĨ", "ĠпÑĢи ÑıÑĤ", "ĠпÑĢиÑıÑĤ н", "Ùħ Ùħار", "ÙħÙħار سة", "ãģ¨ãģª ãģ£ãģ¦", "Ġج ÙħÙĬÙĦ", "Ġì§ Ī", "Ġì§Ī 문", "Ġquest ão", "i é", "ié ndo", "หà¹īà¸Ńà¸ĩ à¸ŀัà¸ģ", "ãĥij ãĥ¼ãĥĪ", "ÑĤвеÑĢж да", "н Ñģкой", "з ал", "มุ à¹Īà¸ĩ", "á» Ĭ", "Ġ×Ķ×IJ×Ĺר ×ķ׳×Ķ", "ĠTh Æ°", "주 민", "ĠاÙĦع ب", "év én", "évén ement", "ÙĤÙĪ اعد", "د Ùı", "ĠìķĬ ìĬµëĭĪëĭ¤", "Ġë³´ 기", "Ġyapıl ması", "à¹Ģร าà¸ģ", "à¹Ģราà¸ģ à¹ĩ", "ØŃ Ø°Ø±", "ÙĤ صر", "ãģ¦ãģĹãģ¾ ãģĦãģ¾ãģĹãģŁ", "Ġà¹Ģà¸Ľà¹ĩà¸Ļ à¸ķà¹īà¸Ļ", "ãģ¨ ãģ«", "ãģ¨ãģ« ãģĭ", "ãģ¨ãģ«ãģĭ ãģı", "н ÑĨе", "зв Ñĥк", "ãģĹãĤĪãģĨ ãģ¨", "ĠاÙĦصØŃ ÙĬØ©", "Ġש×Ķ ×Ļ×ķ", "ĠDi ÄŁer", "ÙĤÙĦ ÙĤ", "ãĤ¸ãĥ£ ãĥ³", "Ġr á»Ŀi", "Ġл еÑĩ", "ĠлеÑĩ ениÑı", "تب اد", "تباد ÙĦ", "צ פ×Ķ", "à¸Ħวาม à¹Ģหà¹ĩà¸Ļ", "ĠØ´ ب", "Ġشب ÙĥØ©", "ר ×Ļק", "Ùħ عد", "Ùħعد ات", "dıģ ında", "Ġ×ijש ׳×Ļ×Ŀ", "Ġ×Ķ ×Ļשר×IJ׾", "Ġ×Ķ×Ļשר×IJ׾ ×Ļת", "Ġsı nav", "׳צ ×Ļ×Ĵ", "วัà¸ķ à¸ĸุ", "ĠاÙĦبر ÙĦÙħ", "ĠاÙĦبرÙĦÙħ اÙĨ", "t ivitÃł", "ãĤĵãģł ãĤįãģĨ", "ק×Ļ ×Ļ×ŀ", "ÙĦÙĬ Ùĥ", "ĠÄij ò", "ĠÄijò i", "ĠÐĺн ÑĤеÑĢ", "ĠÐĺнÑĤеÑĢ неÑĤ", "ãģ«ãģ¨ãģ£ãģ¦ ãģ¯", "ãģ£ ãģĵ", "ק ×ķס", "ست ØŃÙĤ", "æķĻ ãģĪãģ¦", "ãĥĢ ãĥ¡", "ĠÙħÙĨ زÙĦ", "à¹Ģà¸ĭ à¹ĩà¸Ļ", "使 ãģĪãĤĭ", "è¦ĭ ç©į", "è¦ĭç©į ãĤĤãĤĬ", "Ø£ Ùģ", "Ø£Ùģ Ùĥار", "Ġиг ÑĢов", "ĠигÑĢов Ñĭе", "Ġm ÄĻż", "ĠmÄĻż czy", "ĠmÄĻżczy zn", "ĠاÙĦØŃ ÙĤÙĬÙĤÙĬ", "ع بر", "׼×ķ׾ ׳×ķ", "íĿ ¥", "×ŀ×IJ ×ķ×Ĺר", "خت ص", "ãĥŀ ãĥŀ", "Ġ×IJ×Ĺ ×ķ×ĸ", "í ĮĢ", "Ġr á»iji", "Ġв ÑĤоÑĢ", "ĠвÑĤоÑĢ ой", "Ġl ẫn", "пÑĢ ом", "пÑĢом ÑĭÑĪ", "пÑĢомÑĭÑĪ лен", "пÑĢомÑĭÑĪлен н", "ĠоÑĤноÑĪ ениÑı", "Ġs ứ", "Ġм обилÑĮ", "ĠмобилÑĮ н", "ĠÑįÑĤ омÑĥ", "Ġt ạp", "ĠìĤ¬ ê±´", "ĠìķĮ 볤", "Ùĥ Ùı", "ÙĥÙı ÙħÙĴ", "Ġק ×ķר×Ķ", "ĠÑĦ иÑĢ", "ĠÑĦиÑĢ м", "Ġsık ıntı", "׳ ׼", "׳׼ ×ķף", "ÙĪÙĦÙĪج ÙĬ", "ØŃ Ø§ÙĨ", "Ġlo ạn", "Ġ×IJ׾ ×£", "Ġm ắn", "abh äng", "abhäng ig", "ĠÑĥÑĢов нÑı", "Ġ׾×ij×ĵ ×ķק", "ÙĬ ÙħÙĨ", "lay ın", "Ġh ải", "Ġзав од", "ĠìķĦ 주", "สà¸ĸ า", "สà¸ĸา à¸ļัà¸Ļ", "Ġgüven lik", "à¹Ģà¸Ķ à¹Īà¸Ļ", "×ij×ĵ ק", "Ġë Ī", "ĠëĪ Ħ", "ĠëĪĦ 구", "éĩįè¦ģ ãģª", "รà¸Ńà¸ĩ รัà¸ļ", "sch lie", "schlie ÃŁen", "Ġìĸ ¼", "Ġìĸ¼ ë§Ī", "Ġìĸ¼ë§Ī ëĤĺ", "ÑĤи ки", "íķľëĭ¤ ê³ł", "ãģłãģ£ãģŁ ãĤī", "Ġ×Ķ ×Ļ×ĺ×ij", "ãģªãģijãĤĮãģ° ãģªãĤīãģªãģĦ", "â Ì", "Ã¢Ì £", "Ġph ạt", "ak Ä±ÅŁ", "ãģ¦ãģĹãģ¾ ãģĦãģ¾ãģĻ", "à¹Ģà¸ĭ à¹ĩ", "ĠС егоднÑı", "Ġinsan ların", "Ġdévelop pe", "ת פר", "תפר ×Ļ×ĺ", "اÙĨت شار", "ê° ij", "Fran çois", "Ø£ÙĦ ع", "Ø£ÙĦع اب", "ãĤĴ è¶ħ", "ãĤĴè¶ħ ãģĪ", "Ġê°Ļ ìĬµëĭĪëĭ¤", "ãĤ³ ãĥ¬", "ĠмеÑģÑı ÑĨев", "íĮ ħ", "ĠاÙĦج اÙħعة", "ìĿ¸ íĦ°", "ìĿ¸íĦ° ëĦ·", "×ĵר ×ķש", "ĠÙĪØ£ شار", "ĠпÑĢав ила", "ãģĿãģĵ ãģ«", "×Ĺ ×ŀ×ĵ", "à¹Ģหà¸ķุ à¸ģารà¸ĵà¹Į", "Ġê²½ íĹĺ", "ãģ¶ ãĤĬ", "׾ ש", "׾ש ×ķף", "à¹Ģ à¸ĸ", "ĠDo ÄŁu", "ĠиÑģполÑĮзов ание", "Ġçoc uÄŁu", "магазин е", "ĠÄiji á»ĥn", "Ġas lı", "Ġaslı nda", "Ġdoen ça", "Ġس اع", "Ġساع ات", "ĠиÑģполÑĮзов аниÑı", "ר ×ķצ×Ļ×Ŀ", "ĠзнаÑĩ иÑĤ", "ĠÑĢаР¼", "ĠÑĢам каÑħ", "ê±° 리", "Ġп ÑĭÑĤа", "ãĥģ ãĥ³", "Ġпо Ñģк", "ĠпоÑģк олÑĮ", "ĠпоÑģколÑĮ кÑĥ", "Ø¥ بر", "إبر اÙĩ", "إبراÙĩ ÙĬÙħ", "ĠÑĤÑĢ еÑħ", "ĠGen ç", "س ÙĪÙģ", "Ġve ÃŃculo", "ĠNg ân", "ĠоÑĩеÑĢ едÑĮ", "à¸Ħร ึà¹Īà¸ĩ", "×IJ ×ij×Ļ", "à¸ķ à¹īม", "ãĤĴè¡Į ãģĦ", "ĠاÙĦساب ÙĤØ©", "на ÑĨи", "наÑĨи она", "наÑĨиона лÑĮн", "Ġgest ión", "ت ÙĤد", "ĠاÙĦبÙĬ اÙĨ", "ĠاÙĦبÙĬاÙĨ ات", "ĠاÙĦ اÙĨتخاب", "ĠاÙĦاÙĨتخاب ات", "à¹Ģà¸Ĭ à¹Īา", "×ĵ ×IJ×Ĵ", "Ġ׾×Ĵ ×ŀר×Ļ", "Ġت ØŃتاج", "Ġth ôn", "à¸ķ à¹īà¸Ńà¸Ļ", "à¸ķà¹īà¸Ńà¸Ļ รัà¸ļ", "女 ãģ®", "女ãģ® åŃIJ", "Ġth ợ", "Ø· ØŃÙĨ", "ารà¹Į à¸Ķ", "ת ×ŀ×Ļ×ĵ", "ĠÑģам Ñĭм", "Ġìĭľ íĸī", "Ø¥ صد", "إصد ار", "ĠNgh á»ĩ", "ìķ ķ", "س ئ", "سئ ÙĦ", "à¸Ń าร", "à¸Ńาร ม", "à¸Ńารม à¸ĵà¹Į", "à¹ģ ฮ", "׳×ĺ ׾", "Ġì¢ĭ ìķĦ", "×ķ׾ ׾", "Ġ×ij ×Ľ×ª×ij", "ãĤ« ãĥ©", "צע ×Ļר×Ļ×Ŀ", "تعب ÙĬر", "Ġ×ŀ קר×Ķ", "ĠÑĦак ÑĤоÑĢ", "Ġت ÙħاÙħ", "ĠتÙħاÙħ ا", "ëį ķ", "Ġv Æ°á»Ŀ", "ĠvÆ°á»Ŀ n", "Ġd Ä±ÅŁÄ±", "ãģĦ ãģ¡", "Ġ׾ק ׳×ķת", "ĠاÙĦع ÙĦاÙĤات", "п Ñĥб", "пÑĥб ли", "Ø¥ ÙĬÙħ", "Ø¥ÙĬÙħ اÙĨ", "à¸Ńำ à¸Ļา", "à¸Ńำà¸Ļา à¸Ī", "åIJ« ãģ¾ãĤĮ", "ãĤĭ ãģŁãĤģãģ«", "ס ×Ĵ", "ס×Ĵ ׳×ķף", "تØŃ Ø¯ÙĬ", "Ġaup rès", "ĠاÙĦج Ùĩا", "ĠاÙĦجÙĩا ز", "Ġ×ŀ ת×Ĺת", "ен нÑĥÑİ", "Ġз им", "à¸ģา à¹ģà¸Ł", "Ġ×ijת ×ķר", "Ġngh è", "Ġnghè o", "ĠÐĽ Ñİ", "ĠÐĽÑİ Ð±", "תק צ×Ļ×ij", "×ŀ×¢ ש×Ķ", "ĠاÙĦبÙĬ ت", "צ ×Ļפ", "ĠобÑıз ан", "ĠM á»Ĺi", "ĠТ ÑĥÑĢ", "ĠÙĪب اÙĦت", "ĠÙĪباÙĦت اÙĦÙĬ", "Ġdéc ision", "Ġب د", "Ġبد أت", "Ġc ục", "Ġb ask", "Ġbask ı", "Ġhat ırl", "Ġhatırl a", "å°ı ãģķãģĦ", "Ġgerçek ten", "à¸ľ ัà¸ģ", "åı¯èĥ½ ãģª", "×ŀ×IJ ס", "Ġcr ÃŃtica", "ĠìĿĺ ìĽIJ", "عÙĤ ÙĪد", "×ĺ ׼׳", "×ĺ׼׳ ×ķ׾×ķ×Ĵ×Ļ×Ķ", "è¨Ģ ãģĪãģ°", "ĠÙĤ ÙĨا", "ĠÙĤÙĨا Ø©", "ĠìĿ´ê²ĥ ìĿĢ", "ت صر", "à¸Ł ัà¸Ļ", "ĠÑĢе ÑĨеп", "ĠÑĢеÑĨеп ÑĤ", "ĠبÙĨ Ùģس", "ÑĢо ÑĪ", "ĠмаÑĢ ÑĤа", "Ġson ras", "Ġsonras ı", "×ķ×ij ש", "ãĥª ãĤ¹ãĤ¯", "ĠFranç ais", "á» ļ", "ê° Ķ", "Ġ×Ķ×ijר ×Ļת", "פ ×Ļצ", "פ×Ļצ ×ķ×Ļ", "ĠÙĦÙħا ذا", "ĠÐļи ев", "ĠÑģ мÑĭÑģл", "ê¸Ī ìľµ", "ãĤ·ãĥ£ ãĥ«", "ãĥ© ãĤ¤ãĥĪ", "ìĽ ĥ", "×ŀ ×Ĺר", "ãĨ į", "Ġkullan ım", "Ġ×IJצ׾ ׳×ķ", "Ġt Ãłn", "ãĥı ãĥ¼", "ãģ¨ ãģ¨ãĤĤ", "ãģ¨ãģ¨ãĤĤ ãģ«", "ÑĢ ег", "ÑĢег и", "ÑĢеги он", "ãģªãģı ãģªãĤĭ", "Ġch ảy", "Ġج ÙĩØ©", "ÅĦsk iej", "à¸Ńี à¹Ģม", "à¸Ńีà¹Ģม ล", "ãģį ãģ£ãģ¨", "ĠìĺĪ ìĤ°", "Ġkit abı", "Ġedu cação", "Ġbul uÅŁ", "олог иÑı", "Ġкон кÑĢ", "ĠконкÑĢ еÑĤ", "×Ĵ ×Ļר", "ĠпÑĢед лаг", "ĠпÑĢедлаг аеÑĤ", "ĠY ên", "Ġíķľ ë²Ī", "Ġ×ŀ ר׼×ĸ×Ļ", "à¹Ģà¸Ľà¸´à¸Ķ à¹Ģà¸ľà¸¢", "ÑĤвеÑĢ д", "ĠH á»ĩ", "ĠÐĵ ÑĢ", "à¸Ŀ à¹īา", "×Ķ שק", "×Ķשק ×¢×Ķ", "Ġна Ñĥк", "ìłIJ ìĿĦ", "Ġн елÑĮ", "ĠнелÑĮ з", "ĠнелÑĮз Ñı", "г ин", "ĠB öl", "ĠBöl ge", "Ġв ла", "Ġвла ÑģÑĤи", "à¹Ģà¸Ļ à¹ĩ", "à¹Ģà¸Ļà¹ĩ à¸ķ", "ê³ ¨", "Ġö ld", "Ġöld ür", "׼׳ ×¢", "ĠاÙĦÙĩ ÙĬئة", "ت ارÙĬØ®", "ĠÐij ÑĢ", "ĠÑģ мож", "ĠÑģмож еÑĤе", "ĠL úc", "à¹Ħà¸Ľ à¸ĸึà¸ĩ", "ĠBakan ı", "Ġerklä rt", "ĠÐIJ на", "Ġsc ène", "åķı ãģĦ", "åķıãģĦ åIJĪãĤıãģĽ", "ÙħÙĩ ÙĨد", "ÙħÙĩÙĨد س", "Ġн азвание", "ив аниÑı", "ãĤĴ å¤īãģĪ", "ä»ĺãģį åIJĪ", "ãĥij ãĤ½", "ãĥijãĤ½ ãĤ³ãĥ³", "æĺİ ãĤī", "æĺİãĤī ãģĭ", "à¹Ģà¸Ńà¸ģ สาร", "à¹Ģà¸ģิà¸Ļ à¹Ħà¸Ľ", "л еп", "ãģĹãģŁ ãĤĤãģ®", "ĠC âm", "ĠCâm ara", "ק×ķ׾ ׳×ķ×¢", "Ġ×ij×Ĵ ×Ļף", "Ġoc zy", "Ġoczy wiÅĽcie", "att ivitÃł", "ãĥĵ ãĥ¥ãĥ¼", "Ġeduc ación", "Ä° YE", "ê¹Į ìļĶ", "ãĤ¨ ãĥªãĤ¢", "н еÑģÑĤи", "Ġm óg", "Ġmóg ÅĤ", "Ġק×ĺ ׳×Ļ×Ŀ", "ĠPr ä", "Ġ×ľ×¢ ×ij×ķר", "بÙĨ Ùī", "з ол", "зол оÑĤ", "Ġwn ÄĻtr", "ĠwnÄĻtr z", "Ġconstr ução", "รัà¸ļ รà¸Ńà¸ĩ", "س جÙĨ", "Ġק ×ķ׳", "ס ×Ļפ×ķר", "ĠÙħ دÙī", "رض Ùī", "п лав", "ï¼ ¥", "Ġil a", "Ġila ç", "ãĤĭ ãģ¹ãģį", "ĠÙħ ÙĪÙĤÙģ", "à¸ģร ุ", "à¸ģรุ à¸ĵา", "chodzÄħ c", "ĠÑĤÑĭ Ñģ", "Ðķ вÑĢо", "ĠÙĬ ØŃدث", "ãĥ¡ ãĤ¤ãĥ³", "ĠاÙĦص ØŃÙĬ", "ĠÐĶ ан", "دع اء", "ãĤ´ ãĥ¼ãĥ«", "ש ×ł×ª×Ļ", "×©×ł×ª×Ļ ×Ļ×Ŀ", "à¸Ķà¹īวย à¸ģัà¸Ļ", "Ġol acaģı", "Ġ×ij ×ŀ×Ĺ×Ļר", "×Ķ ק", "×Ķק ×ŀת", "ãĥ¢ ãĥİ", "ĠçalÄ±ÅŁ tı", "Ġjó venes", "ãģĦãģı ãĤī", "ĠÙħ عدÙĦ", "ĠC Å©ng", "ĠSeg ún", "Ġdönem de", "Ġ׾ ×Ļ×ĵ×Ļ", "ãģį ãģ¡", "ãģįãģ¡ ãĤĵ", "ãģįãģ¡ãĤĵ ãģ¨", "Ùģر ÙĨس", "ÙģرÙĨس ا", "åIJij ãģį", "Ġcamp aña", "ĠÑģам оÑģÑĤоÑı", "ĠÑģамоÑģÑĤоÑı ÑĤелÑĮно", "á» Ģ", "ÙĤ ÙĪا", "س ÙĦاØŃ", "à¸ģระ à¹ģ", "à¸ģระà¹ģ ส", "ĠполÑĮз Ñĥ", "n qu", "nqu ête", "รà¹Īวม à¸ģัà¸ļ", "ëĬIJ ëĥIJ", "à¸Ĺีม à¸Ĭาà¸ķิ", "Ġyıll ık", "ìĬ ¬", "ĠØ£ صØŃاب", "ill é", "Ġdó la", "Ġdóla res", "Ġк ож", "Ġкож и", "ล à¹īà¸Ń", "à¹Ģรีย à¸ļร", "à¹Ģรียà¸ļร à¹īà¸Ńย", "à¹Ģà¸ŀ ิ", "à¹Ģà¸ŀิ à¹Īà¸ĩ", "ÑĢиÑĤоÑĢ и", "Ġí ijľ", "Ġíijľ íĺĦ", "ĠпеÑĢ ев", "ĠпеÑĢев од", "פ×Ĵ ×Ļ×¢×Ķ", "ĠdeÄŁerlendir me", "Ùģ ائ", "ĠвÑĭ год", "ınız ı", "×ķ׼ ×Ļ×Ĺ", "ĠдоÑģÑĤ иг", "Ġng Ãłn", "æĢĿ ãģ£ãģŁ", "ĠÐķ ÑģÑĤÑĮ", "ĠاÙĦر غÙħ", "ĠzwiÄħz ane", "رب Ø·", "à¸Ļ ึà¸ĩ", "Ġ׾×Ĺ ×ķק", "Ġszczeg óln", "Ġszczególn ie", "Ġبا ستخداÙħ", "ĠfÃŃs ico", "×¢ ס", "עס ×ķק", "سÙĦ ÙĪÙĥ", "Ġا ØŃد", "Ñĩ ÑijÑĤ", "×ĸ׼ ×Ķ", "Ġl á»ĩnh", "ĠÙĪ ØŃت", "ĠÙĪØŃت Ùī", "à¸Ħวาม สามารà¸ĸ", "à¸Ńยูà¹Ī à¹ģลà¹īว", "à¸ģาร à¹Ģà¸Ķิà¸Ļà¸Ĺาà¸ĩ", "تخ Ø°", "צ×Ļ ×ķ×ĵ", "ĠاÙĦØ£ س", "ĠاÙĦأس ÙĩÙħ", "Ġt á»ĩ", "ãģ£ãģ¦ ãģĦãģ¦", "สร ุ", "สรุ à¸Ľ", "Ġком ÑĦ", "ĠкомÑĦ оÑĢÑĤ", "ìĺ¤ ëĬĶ", "ĠÑĢаз в", "ĠÑĢазв ива", "л анд", "h änge", "ĠبÙĨ سبة", "à¹Ģà¸Ĥ ียว", "עצ ×Ŀ", "Ġ׾ ×ľ×Ľ×ª", "Ñģо ÑĨиалÑĮн", "Ġëĭ¤ìĿĮ ê³¼", "Ġרש ×ķ×ŀ", "×ŀר ×Ĺ×ij", "س ÙĤØ·", "Ġalan ı", "ĠÄij á»ĩ", "é£Łãģ¹ ãĤĭ", "à¸Ķ ึà¸ĩ", "Ġgegen über", "ĠبÙĩ Ø°Ùĩ", "à¸ĸืà¸Ń à¹Ģà¸Ľà¹ĩà¸Ļ", "ëķ ħ", "à¸Ħà¸Ļ à¹Ħà¸Ĺย", "ãĤ¢ ãĤ¦", "ãĤ¢ãĤ¦ ãĥĪ", "ศ ัà¸ģ", "ศัà¸ģ à¸Ķิ", "ศัà¸ģà¸Ķิ à¹Į", "ÙĤÙĪ اÙĨ", "ÙĤÙĪاÙĨ ÙĬÙĨ", "Ġhá»Ļ p", "ãģªãģıãģª ãģ£ãģ¦", "Ġ×IJ ×ŀ׳", "Ġ×IJ×ŀ׳ ×Ŀ", "à¹Ģà¸ķ ืà¸Ńà¸Ļ", "ĠзавиÑģ им", "ĠзавиÑģим оÑģÑĤи", "ת ×Ļ×IJ", "ת×Ļ×IJ ×ķר", "å§ĭãĤģ ãģŁ", "Ġng á»į", "Ġngá»į t", "íĴ į", "ê³¼ ìŀ¥", "Ġb ại", "ãģ§ãģį ãģ¦", "Ġcomeç ar", "à¸Ľà¸£ าà¸ģ", "à¸Ľà¸£à¸²à¸ģ à¸ı", "Ġгод Ñĭ", "м еÑģ", "ĠاÙĦÙħست ÙĪÙī", "ĠÑģам Ñĭе", "л леÑĢ", "ãģ£ãģ¦ãģĹãģ¾ ãģĦãģ¾ãģĻ", "ãģ¨ãģ® ãģĵãģ¨", "bi ó", "à¸ģล à¹Īà¸Ńà¸ĩ", "ĠاÙĦز ÙĪج", "ãģ«è¡Į ãģ£ãģŁ", "à¸Ħà¹Ī à¸Ńà¸Ļ", "à¸Ħà¹Īà¸Ńà¸Ļ à¸Ĥà¹īาà¸ĩ", "ĠbaÄŁ l", "ĠbaÄŁl ant", "ĠbaÄŁlant ı", "確 ãģĭ", "確ãģĭ ãģ«", "ãĥľ ãĥ¼ãĥ«", "çµĤ ãĤıãĤĬ", "ש ×ŀר", "à¸Ĺีà¹Ī สามารà¸ĸ", "ÙĦ زÙħ", "д аеÑĤÑģÑı", "รัà¸ļ à¸Ľà¸£à¸°", "รัà¸ļà¸Ľà¸£à¸° à¸Ĺาà¸Ļ", "å¤ī ãĤıãĤĬ", "ï¼ ¢", "ĠìĺĪìĪĺ ëĭĺ", "ãĤĪãģĨ ãģ¨", "มัà¸ģ à¸Īะ", "ĠH Æ°Æ¡ng", "ÙĨ ÙģØ°", "×ŀ×ĵ ×ĵ", "ĠìĿ¸ ìłķ", "Ñħод иÑĤÑĮ", "ĠзавиÑģ иÑĤ", "×ķ×ĵ ×Ļ×¢", "ãģĵãģ¨ãģĮ ãģĤãĤĬãģ¾ãģĻ", "ع راÙĤ", "سط ØŃ", "à¸ģำ à¹Ħร", "ëĵ¤ ëıĦ", "×Ļצ ×Ļר×Ķ", "ãģĨ ãģĵãģ¨", "ÙĦا ØŃÙĤ", "ãģĦ ãĤĮãģ°", "ĠиÑģполÑĮз ÑĥÑİÑĤ", "ĠB ợi", "Ġשק׾ ×Ļ×Ŀ", "ÑĨи кл", "ÐIJ Ðŀ", "Ġ×ijש ׳×Ķ", "ÙĨØ´ Ø·", "Ġש ×Ļ׳×ķ×Ļ", "Ġש×Ļ׳×ķ×Ļ ×Ļ×Ŀ", "Ġpobl ación", "ĠH Æ°ng", "ระ ว", "ระว ัà¸ĩ", "رÙĬاض Ø©", "ر صد", "تÙĤ ÙĦÙĬ", "تÙĤÙĦÙĬ د", "Ġülk em", "Ġülkem iz", "à¸Ĭ ะ", "ãĤ¯ãĥª ãĥ¼ãĥł", "èģŀ ãģĦãģŁ", "Ġwa ż", "Ġważ ne", "ê±° ëĵł", "ê±°ëĵł ìļĶ", "×ŀ×IJ ×ijק", "×Ĺ×ĵ ש×ķת", "ĠW roc", "ĠWroc ÅĤaw", "ĠKü ltür", "s ist", "sist ência", "×¢×ĸר ×Ķ", "Ġg Æ°Æ¡ng", "รà¹īาà¸Ļ à¸Ħà¹īา", "ĠÙĪØ£ ÙĪضØŃ", "ánd ose", "ãĤ· ãĥ¼ãĥ³", "×IJ׳ ר×Ĵ", "×IJ׳ר×Ĵ ×Ļ×Ķ", "ãģªãģĦ ãģ§ãģĻ", "Ġkh ủng", "Ġ문 ìĦľ", "Ġ×ij ×ĵ×ijר", "×ĵ ×Ļ×ķ", "×ĵ×Ļ×ķ ×ķ×Ĺ", "Ġré gl", "ÙħÙĪ اد", "об оÑĢ", "обоÑĢ оÑĤ", "Ġ×Ķ ×ij׾", "Ġ×Ķ×ij׾ ×ķ×Ĵ", "ØŃ Ø§Ùħ", "ĠاÙĦع اص", "ĠاÙĦعاص ÙħØ©", "пеÑĢ аÑĤоÑĢ", "ت Ø®ÙĦ", "تخÙĦ ص", "ãģŁãģł ãģĹ", "ت سÙħ", "à¹Ĥรà¸ĩ à¸ŀ", "à¹Ĥรà¸ĩà¸ŀ ยา", "à¹Ĥรà¸ĩà¸ŀยา à¸ļาล", "ĠY ük", "ĠYük sek", "Ġש ׳×Ļת", "Ġש׳×Ļת ף", "liÄŁ e", "Ġפ ת", "Ġפת ×ķ×Ĺ", "Ġbe ÄŁ", "ĠbeÄŁ en", "Ġ×ŀ ×ķר", "Ġ×ŀ×ķר ׼×ij", "Ġرس اÙĦØ©", "íĨµ ìĭł", "Ġaval ia", "Ġavalia ções", "Ġman h", "Ġmanh ã", "Ġìķ ŀ", "Ġìķŀ ìľ¼ë¡ľ", "ÙĤ تر", "ÙĤتر ØŃ", "à¹Ģà¸ģ ืà¸Ń", "à¹Ģà¸ģืà¸Ń à¸ļ", "Ġpropos é", "Ø£ Ùħا", "Ø£Ùħا ÙĥÙĨ", "ĠÐŀ Ðŀ", "ĠÐŀÐŀ Ðŀ", "ÙħÙĤ ار", "ÙħÙĤار ÙĨØ©", "ëĦ IJ", "ãģĦãģŁãģł ãģı", "ÙĤ ÙĬÙĦ", "Ġна ÑĪиÑħ", "ãĤ« ãĥĥãĥĹ", "×Ĺ׾ ת", "Ġëĭ¤ ë§Į", "à¸Ĺัà¹Īว à¹Ĥลà¸ģ", "ãĥį ãĤ¿", "ØŃس اس", "ãģ«ãģª ãĤĮ", "ج ائ", "جائ زة", "é change", "é conom", "économ ie", "Т Ðĺ", "סת ׼׾", "à¸Ĺัà¹īà¸ĩ สà¸Ńà¸ĩ", "ĠاÙĦØ® اÙħ", "ĠاÙĦخاÙħ س", "ק ×ĺ×¢", "au waż", "à¸ľà¸¹à¹ī à¸Ĭาย", "à¹ģà¸Ľà¸¥ à¸ģ", "åIJĮæĻĤ ãģ«", "зн аниÑı", "ãģĦãģŁãģł ãģįãģ¾ãģĹãģŁ", "Ġ×ŀ×ij ׾×Ļ", "à¸Ĥà¸Ń à¹ĥหà¹ī", "ĠاÙĦت ربÙĬØ©", "Ġdécou vert", "Ġżyc iu", "apr ès", "Ġy ab", "Ġyab anc", "Ġyabanc ı", "ĠbaÅŁ layan", "ìĹĪ ëįĺ", "Ġhes abı", "Ġë§Į ìķ½", "ë§ Īëĭ¤", "ĠTh ánh", "ãĥ´ ãĤ¡", "à¸Ľà¸£à¸±à¸ļ à¸Ľà¸£", "à¸Ľà¸£à¸±à¸ļà¸Ľà¸£ ุà¸ĩ", "ĠM ặc", "à¹Ģหà¸ķุ à¸ľà¸¥", "ĠÐij ез", "Ġcapac itÃł", "ÅĤe ÅĽ", "ĠпÑĢе им", "ĠпÑĢеим ÑĥÑīеÑģÑĤв", "ĠÅļ wiÄĻt", "Ġpubli é", "×ŀ×¢ צ×ij", "Ùħشار Ùĥات", "à¸łà¸² ษ", "à¸łà¸²à¸© ี", "Ġdeux ième", "ĠÙħØŃ Ø§Ùģظ", "ĠÙħØŃاÙģظ Ø©", "ĠSch ön", "ï½ ¤", "Ġ×Ķ ×ij×¢", "Ġ×Ķ×ij×¢ ×Ļ×Ķ", "ĠÙĪاÙĦ ÙĦÙĩ", "è¨Ģ ãģ£ãģŁ", "à¸ķ à¹īาà¸Ļ", "วร รà¸ĵ", "à¸Ĺิ ศ", "ĠbaÅŁ ına", "Ġmog ÄĻ", "ש ×Ļפ×ķר", "ĠÙĪ عد", "ĠÙĪعد Ùħ", "Ġhistó rico", "Ġk ısı", "ĠìĿ´ ê²Į", "ĠPol ÃŃtica", "ĠÑģиÑĤÑĥ аÑĨии", "ĠkoÅĦ ca", "×ij×ĵ ×Ļק×Ķ", "ĠاÙĦسÙĬ ارات", "ãģªãĤī ãģ°", "ãĤµ ãĥ©", "ãĤĭãģĵãģ¨ãģĮãģ§ãģį ãĤĭ", "Ġdecis ão", "×ķ ×ķ×ĵ", "lä ss", "läss ig", "Ġ׾ ×Ļשר×IJ׾", "ĠÙĬ أتÙĬ", "ר ×ķ×ĸ", "ö ÄŁ", "Ã¶ÄŁ ret", "Ã¶ÄŁret im", "Ġд ек", "Ġдек аб", "Ġдекаб ÑĢÑı", "Ġש ×Ĺ×ķר", "ãģ¦ãģıãĤĮ ãģŁ", "عب ارة", "Ġélect rique", "ĠاÙĦتÙĨ ÙħÙĬØ©", "جر Ùī", "ĠìĪĺ íĸī", "à¸Ĺ ู", "ĠÑĢе алÑĮно", "Ñģп оÑģоб", "à¸Ħล à¹īาย", "Ġس عÙĪد", "ön ü", "ĠÙģ ÙħÙĨ", "تÙĥ ÙĪ", "تÙĥÙĪ ÙĬÙĨ", "ĠкаÑĩ еÑģÑĤво", "ĠконÑĤ ак", "ĠконÑĤак ÑĤ", "Ġsöz leÅŁme", "à¸Ń à¹īาà¸ĩ", "Ġت ÙĪÙģ", "ĠتÙĪÙģ ÙĬر", "×Ķ×ĸ ×ĵ", "×Ķ×ĸ×ĵ ×ŀ׳×ķת", "ĠØ·ÙĪÙĬÙĦ Ø©", "Ġtér mino", "Ġ×IJ ×Ļפ×Ķ", "ãĥĵ ãĥ«", "ส à¹Ĥม", "สà¹Ĥม สร", "ĠاÙĦ اث", "ĠاÙĦاث ÙĨÙĬÙĨ", "ев иÑĩ", "Ġopin ión", "à¸Ľ วà¸Ķ", "åı¤ ãģĦ", "ร à¹Īา", "ĠB iaÅĤ", "ĠÑģÑĤ ал", "ĠÑģÑĤал о", "ó logo", "ĠìķĦ ëĭĪëĭ¤", "Ġ×IJ ×Ļת", "Ġ×IJ×Ļת ×ķ", "à¹Ģหà¹ĩà¸Ļ วà¹Īา", "à¸ļ ารà¹Į", "çĦ ¼", "çĦ¼ ãģį", "ĠìĿ´ìļ© ìŀIJ", "ĠнекоÑĤоÑĢ Ñĭе", "ks z", "ksz taÅĤ", "ksztaÅĤ c", "ãĤŃãĥ£ ãĥĥãĤ·", "ãĤŃãĥ£ãĥĥãĤ· ãĥ³ãĤ°", "Ġro ÅĽ", "ĠroÅĽ lin", "ÑĢаж а", "×ij׳×Ļ ×Ļ×Ķ", "à¸Ľà¸£ สิ", "à¸Ľà¸£à¸ªà¸´ à¸ķ", "Ġgörd ü", "×ŀ׳×Ķ ×Ļ×Ĵ", "å¤īãĤı ãģ£ãģ¦", "Ġ×IJ ×Ķ", "Ġ×IJ×Ķ ×ijת×Ļ", "à¹Ģร à¹Īà¸ĩ", "Ġön ünde", "Ġê·¸ ëĥ¥", "пол иÑĤ", "полиÑĤ иÑĩеÑģк", "ãĥ¡ ãĥĩãĤ£", "ãĥ¡ãĥĩãĤ£ ãĤ¢", "ĠDet ay", "ĠDetay lı", "ĠاÙĦصÙģ ØŃØ©", "à¸ģาร à¹Ģà¸ĩิà¸Ļ", "Ġìµľ ê·¼", "׼ ש׾", "ï¼ ©", "вÑĪ его", "íķĺ ìĭ¤", "ĠÐŃ ÑĤ", "ĠÐŃÑĤ оÑĤ", "ส ื", "สื à¸ļ", "Ġng ừng", "ĠдокÑĥменÑĤ ов", "дав аÑĤÑĮ", "ĠاÙĦشخص ÙĬØ©", "Ġצ ×¢×Ļר", "در Ùĥ", "س ØŃب", "à¹Ħมà¹Ī à¸Ħà¹Īà¸Ńย", "Ġ×Ķ×ŀק ×ķ×ŀ×Ļ", "สัà¹Īà¸ĩ à¸ĭืà¹īà¸Ń", "Ġê·¸ê²ĥ ìĿĦ", "ãģĤãĤĭ ãģĦ", "ãģĤãĤĭãģĦ ãģ¯", "×IJ×ķ×ĺ ×ķ×ij", "×IJ×ķ×ĺ×ķ×ij ×ķס", "к ÑĨион", "ĠÐľ ожно", "ãģı ãģł", "ãģıãģł ãģķ", "ĠинÑĦоÑĢм аÑĨиÑı", "ï» Ł", "Ġìŀij ìĹħ", "Ġ×Ļ ×ķסף", "Ø¥ دارة", "ĠاÙĦØŃ Ø§Ø¬", "×ł×¡ ×Ļ×¢×Ķ", "из аÑĨиÑı", "×IJ׾ ×ij", "×IJ׾×ij ×ķ×Ŀ", "п ед", "Ġק×ĺ ׳×Ķ", "ĠÙĨÙģس Ùĩا", "ĠMinist ério", "Ġп ен", "Ġпен Ñģи", "ãĥIJ ãĥ©ãĥ³ãĤ¹", "Ġ×Ķת ×ķר×Ķ", "Ġt ạm", "ĠìĹŃ ìĭľ", "ï½ ¡", "Ġth á»±", "Ġ ısı", "ì» ¨", "ãģĹãģ£ãģĭãĤĬ ãģ¨", "Ġx Æ°a", "Ġc ặp", "×Ĺ ×Ļ×ij×ķר", "วัà¸Ĵà¸Ļ à¸ĺรรม", "st är", "stär ke", "ĠÑģам Ñĭй", "p isa", "pisa Äĩ", "ĠoluÅŁ an", "ĠاÙĦØ¥ ÙħاÙħ", "ĠcÄĥ ng", "Ġgü nl", "Ġgünl ük", "Ġ׳ש ×IJר", "Ġkhi á»ĥn", "ç¶ļ ãģijãĤĭ", "stit ución", "Ġcapac ité", "Ġj aki", "Ġjaki ÅĽ", "вÑĪ иÑģ", "вÑĪиÑģ ÑĮ", "פע×ķ׾ ×ķת", "ĠØŃ ÙĬات", "ĠØŃÙĬات Ùĩ", "Ġник огда", "ÐĽ Ь", "Ġ×Ķ×¢ ×ķ×ij", "Ġ×Ķ×¢×ķ×ij ×ĵ×Ķ", "Ġch Ãło", "หลาย à¹Ĩ", "ĠÑı н", "ĠÑıн ваÑĢ", "ĠÑıнваÑĢ Ñı", "à¸Īำà¹Ģà¸Ľà¹ĩà¸Ļ à¸ķà¹īà¸Ńà¸ĩ", "Ġhö her", "ãģķãĤĮãģ¦ ãģĦãģŁ", "สà¸ĩ สั", "สà¸ĩสั ย", "ĠاÙĦ اس", "ĠاÙĦاس ÙĦاÙħ", "ĠاÙĦØ´ Ùħس", "สà¸ĸาà¸Ļ ี", "ãĤ¯ãĥ© ãĤ¹", "à¸ŀร ร", "à¸ŀรร à¸Ħ", "p õ", "põ e", "Ġpor ém", "à¸Ľà¸£à¸° สà¸ĩ", "à¸Ľà¸£à¸°à¸ªà¸ĩ à¸Ħà¹Į", "powied zie", "powiedzie Äĩ", "Ġмог Ñĥ", "Ġж ел", "Ġжел ез", "ĠاÙĦØ« ÙĤ", "ĠاÙĦØ«ÙĤ اÙģÙĬ", "ĠпÑĢав ило", "Ġgdy ż", "פש ×ķ×ĺ", "ÑĢабоÑĤ ка", "ĠÙĥ رة", "Ø´ دد", "Ùħار Ùĥ", "Ùħ ÙĥØ©", "Ġпод пиÑģ", "×ĺ×ķ ×ķ×Ĺ", "ĠÅĽ c", "ĠÅĽc ian", "Ġر جاÙĦ", "Ġ×ª×ľ ×ķ×Ļ", "и ÑĪ", "иÑĪ ÑĮ", "Ġmé dec", "Ġmédec in", "ëįĶ ëĿ¼ëıĦ", "ĠÑĤеб Ñı", "Ġ׾×Ķ ×ķס×Ļ×£", "ãģĬ 話", "Ġà¹ģà¸ķà¹Ī à¸ģà¹ĩ", "د اÙģ", "داÙģ ع", "ĠC ùng", "ãĥ»ãĥ» ãĥ»ãĥ»", "ê¶ ģ", "Ġdeber ÃŃa", "หà¸Ļà¹Īวย à¸ĩาà¸Ļ", "Ġva ÌĢ", "Ġעצ ×ŀ", "Ġעצ×ŀ ×Ŀ", "à¹Ģà¸Ĭืà¹Īà¸Ń วà¹Īา", "שק ×¢", "Ġ×Ķ ׼×ķ׾", "Ġ×Ķ׼×ķ׾ ׾", "ни бÑĥд", "нибÑĥд ÑĮ", "ĠëĦĪ íĿ¬", "Ġоб ÑĢаÑī", "ĠобÑĢаÑī а", "Ġ×¢×ij×ķ×ĵ ת", "ĠاÙĦÙħÙĨت خب", "ıy ord", "ıyord u", "ÙĪ Ø°", "×Ĺש ×Ļ×ij×ķת", "Ġ×Ķ×¢ ×Ļק", "Ġ×Ķ×¢×Ļק ר×Ļ", "ì¢ Į", "ยุ à¹Ĥร", "ยุà¹Ĥร à¸Ľ", "Ġа пÑĢ", "ĠапÑĢ елÑı", "sz ed", "szed ÅĤ", "д он", "à¹Ģà¸ķิ à¸ļ", "à¹Ģà¸ķิà¸ļ à¹Ĥà¸ķ", "кол о", "Ġkażde j", "å¸ °", "帰 ãĤĬ", "Ġмил ли", "Ġмилли он", "ç¾İåij³ ãģĹãģĦ", "ت ÙĤار", "تÙĤار ÙĬر", "ĠìĿ´ 루", "ĠìĿ´ë£¨ ìĸ´", "Ġsprzeda ż", "×Ķ ×ķצ×IJ×ķת", "ãĤ¢ãĤ¯ ãĤ»", "ãĤ¢ãĤ¯ãĤ» ãĤ¹", "ר ×ķ×¥", "ĠгоÑģÑĥдаÑĢÑģÑĤв енн", "Ø£ ØŃÙĥ", "Ø£ØŃÙĥ اÙħ", "ĠoluÅŁ u", "ĠA ç", "ĠAç ık", "ãĤ¸ ãĥ¼", "ç´ł æĻ´", "ç´łæĻ´ ãĤīãģĹãģĦ", "Ġ×ijש×ij ×ķ×¢", "ب Ø°", "بذ ÙĦ", "สา à¹Ģหà¸ķุ", "Ġpoz osta", "Ġpozosta ÅĤ", "ØŃر Ùħ", "Ġimport ância", "leÅŁtir me", "Ġд ÑĢев", "Ġmó vil", "ĠA ynı", "Ġна лог", "Ġналог ов", "Ġ×Ĺ ×Ļפ×Ķ", "ĠÑĦоÑĢм Ñĥ", "à¸Ĺà¸Ķ สà¸Ńà¸ļ", "ĠksiÄħż ki", "Ġma ÅĤe", "Ùħس Ø£ÙĦ", "ÙħسأÙĦ Ø©", "ï¼¾ ï¼¾", "ç ãeste", "év iter", "Ġкон ÑģÑĤÑĢÑĥк", "ĠконÑģÑĤÑĢÑĥк ÑĨи", "ï¾ ŀ", "Ġת×ķ׼ ׳", "ãĤ¹ãĥĪ ãĥ¬ãĤ¹", "ĠاÙĦاÙĤتصاد ÙĬ", "×ŀ×ĵ ×Ļ", "Ġw ÅĤad", "ĠwÅĤad z", "Ø® ÙĪÙģ", "ĠмаÑĤеÑĢиал ов", "ãģ¨ãģ£ãģ¦ ãĤĤ", "Ġznaj du", "Ġznajdu jÄħ", "Ùģ ئة", "ãģ©ãģ® ãĤĪãģĨãģª", "æĬij ãģĪ", "׳ ×Ĺ׾", "Ġdü ny", "Ġdüny an", "Ġdünyan ın", "гÑĢ ани", "гÑĢани Ñĩ", "Ġ×Ķש׾ ×Ļש×Ļ", "Ġ×Ķ×IJ ש", "åıĬ ãģ³", "ìĭŃ ìĭľ", "ìĭŃìĭľ ìĺ¤", "Ġдол л", "Ġдолл аÑĢ", "Ġпов ÑĤоÑĢ", "Ġ×Ĺ ×Ļ׳×Ŀ", "ת פת×Ĺ", "Ñĥв ели", "Ñĥвели Ñĩен", "ãĤ« ãĥª", "raw id", "rawid ÅĤow", "×ķ ×ķ׾", "ãĥŁ ãĥ¥", "ì½ ĺ", "ĠBy ÅĤ", "Ðľ ÐIJ", "ع ÙIJ", "ĠÑģовеÑĢ ÑĪ", "ĠÑģовеÑĢÑĪ енно", "Ġм ой", "Ġ×ķ׾×IJ ×Ĺר", "æħ £", "æħ£ ãĤĮ", "ØŃ Ø§Ùģظ", "Ġ무 ë£Į", "à¸Ħà¸ĵะ à¸ģรรม", "à¸Ħà¸ĵะà¸ģรรม à¸ģาร", "Ġìĸ´ ëĶĶ", "Ġdif eren", "Ġdiferen ça", "ĠاÙĦØ£ ساس", "ĠاÙĦأساس ÙĬØ©", "Ġ׾×IJ×Ĺר ×ķ׳×Ķ", "ê· ł", "Ġ×Ķש׳×Ļ ×Ļ×Ķ", "ìľĦìĽIJ ìŀ¥", "ลุ à¸ģ", "ç iler", "Ġ×Ķ×IJ ׾×ķ", "èģŀ ãģı", "Ġ×ķ×IJ פ×Ļ׾×ķ", "ĠÑĢе ализ", "ĠÑĢеализ аÑĨи", "ระยะ à¹Ģวลา", "Ġجدا Ùĭ", "تب اع", "Ġveh ÃŃculo", "Ġдол г", "à¸Ľà¸£à¸´ มาà¸ĵ", "ì¦ IJ", "Ġ׾ ×ŀק×ķ×Ŀ", "ĠìĤ¬ ì§Ħ", "à¸Ĭ à¹īา", "Ġ×ŀ×¢ ×ķ׾×Ķ", "Ġgö rm", "Ġgörm ek", "ĠÙĪÙĩ Ø°Ùĩ", "пеÑĢ в", "пеÑĢв ÑĭÑħ", "ê·¸ ëŀĺ", "ĠاÙĦبر ÙĬØ·", "ĠاÙĦبرÙĬØ· اÙĨÙĬ", "ĠиÑİ Ð½Ñı", "ĠÐĵ оÑĢ", "Ġ׾ ש׾×Ŀ", "ÐIJ ÐĿ", "Ġназ наÑĩен", "о оÑĢ", "ооÑĢ Ñĥж", "Ġöz elli", "Ġözelli ÄŁi", "Ġни же", "ç¶ļ ãģijãģ¦", "Ġа ÑĢенд", "Ġkat ılı", "Ġkatılı m", "ĠØ¥ Ø·ÙĦاÙĤ", "ĠÙĪØ¥ ذا", "Ġок ÑĤÑı", "ĠокÑĤÑı бÑĢÑı", "à¹Ĥà¸ķ à¹", "à¹Ĥà¸ķ๠Ĭ", "à¹Ĥà¸ķà¹Ĭ ะ", "Ġolduk ları", "Ùħ ÙĪÙĤع", "ëĤ ©", "ãģ¨æĢĿ ãģ£ãģ¦ãģĦãĤĭ", "Ġש ×Ļ׼×ķ׾", "วา à¸Ķ", "س ÙĬÙĦ", "à¸Ĥ วั", "à¸Ĥวั à¸į", "تØŃ ÙĥÙħ", "ì ĤŃ", "Ġconna ît", "׳ פת×Ĺ", "Ġch ặ", "Ġchặ n", "ĠÙħ ØŃÙħ", "ĠÙħØŃÙħ ÙĪد", "ãģ ´", "ĠпÑĢодÑĥк ÑĨии", "зд ÑĢав", "ãģĶ è¦", "ãģĶè¦ §", "×IJ×ij ×IJ", "Ġvé ritable", "ĠØ· ÙģÙĦ", "ãĥĪãĥ© ãĥĸãĥ«", "ê³ ¡", "Ġת ×ŀ×ķ׳×Ķ", "Ġki ên", "ĠÙĤ ادر", "Ø¥ÙĤ ÙĦÙĬÙħ", "ĠпÑĢед пÑĢи", "ĠпÑĢедпÑĢи ÑıÑĤиÑı", "Ġb Äĥng", "Ġay ında", "Ġg ấp", "еÑħ ал", "Ġgi Ãłnh", "Ġд ав", "Ġдав но", "ìĺĢ ëĭ¤", "à¸Ļัà¸ģ à¹Ģà¸ķ", "à¸Ļัà¸ģà¹Ģà¸ķ ะ", "Ùħست شار", "ست راتÙĬج", "ستراتÙĬج ÙĬ", "رÙħ ز", "Ġt Ä©nh", "ë¡ Ń", "ĠÑĩ еÑĤ", "ĠÑĩеÑĤ Ñĭ", "ĠÑĩеÑĤÑĭ ÑĢе", "ĠEnt ão", "Ġص غ", "Ġصغ ÙĬرة", "×ij×Ļ×ĺ ×ķ׾", "خط ÙĪØ·", "ĠÑĢазвиÑĤ ие", "Ġamacı yla", "à¸Ĺี วี", "Ġо ÑģÑĤ", "ĠоÑģÑĤ алÑĮн", "ש×ķ׾׊ף", "Ġ׼ ׳×Ļס", "Ġ׼׳×Ļס ×Ķ", "Ġd áºŃy", "ĠyaÅŁ ayan", "Ġ×ŀ×Ķ ×ķ×ķ×Ķ", "ĠÑĥ Ñģи", "ĠÑĥÑģи ли", "×ŀ פ×Ļ", "ĠпÑĢовед ениÑı", "Ġر ب", "Ġرب Ùħا", "ĠاÙĦØ£ ÙĪسط", "Ġìľł ì§Ģ", "Ġprac ownik", "Ġpracownik ów", "×ŀס ×ķרת", "ÙĤار ب", "à¸Ħวาม รูà¹īสึà¸ģ", "à¹ģหล ะ", "ĠاÙĦÙĨ ÙĤد", "Ġ×IJ׾ פ×Ļ", "Ùħس ئ", "Ùħسئ ÙĪÙĦ", "ев ÑĭÑħ", "клÑİÑĩ ениÑı", "×ij ×Ļ׳", "×ij×Ļ׳ ×Ļ×Ķ×Ŀ", "ש ×ķ×IJ×Ķ", "ĠÅŁ ark", "ĠÅŁark ı", "Ġsü rec", "Ġsürec in", "à¹Ģà¸Ħร à¸Ķ", "à¹Ģà¸Ħรà¸Ķ ิà¸ķ", "ãĥIJ ãĥ¬", "ĠØ´ Ø£ÙĨ", "à¹Ģà¸Ńา à¹Ħวà¹ī", "niÄĻ cie", "רצ ×Ĺ", "ĠaÅŁ ama", "׳ פ×Ĵ×¢", "Ġth á»Ŀ", "Ġkhu ẩn", "diÄŁ inde", "ÑıÑī иÑħ", "ãĥĺ ãĥ«", "Ġüber h", "Ġüberh aupt", "ĠÑĤÑĢеб ова", "ĠdÅĤ ugi", "×ĺ ×Ļף", "à¸Ĥà¸Ļาà¸Ķ à¹ĥหà¸įà¹Ī", "ĠاÙĦØ£ Ùĩ", "ĠاÙĦØ£Ùĩ ÙĦÙĬ", "ĠMü d", "ĠMüd ürü", "Ġ×Ļ×Ķ ×ķ×ĵ×Ķ", "Ñĭв аеÑĤÑģÑı", "س اط", "×Ķת ׳×Ķ×Ĵ", "×Ķ×ª×ł×Ķ×Ĵ ×ķת", "à¸ģาร à¸ľà¸¥à¸´à¸ķ", "íĴ Ģ", "สà¸ĸาà¸Ļ à¸ģารà¸ĵà¹Į", "Ġо ÑĦ", "ĠоÑĦ иÑģ", "ĠÙĦ عبة", "Ġstron ÄĻ", "Ġר×IJ ×ķ×Ļ", "×Ĺ ×ij׾", "ĠÑĢÑĭ н", "ĠÑĢÑĭн ке", "Ġ׾×ŀ×¢ ף", "اس ÙĦ", "ห ัà¸Ļ", "Ġ×IJ ×Ĺ×Ļ", "ĠпÑĢод ол", "ê°Ģ ìŀħ", "Ġ×ijר ×Ĺ", "Ġ×ijר×Ĺ ×ij×Ļ", "дж еÑĢ", "Ġ׾ ×Ĺ׾", "Ġ׾×Ĺ׾ ×ķ×ĺ", "Ġ׾×Ĺ׾×ķ×ĺ ×Ļף", "ศาส à¸Ļา", "ãĤ¢ãĤ¤ ãĥĨ", "ãĤ¢ãĤ¤ãĥĨ ãĥł", "Ġפר ×ķפ", "جز اء", "ล à¸Ńย", "Ġc iaÅĤa", "Ġgi ết", "ĠзнаÑĩ иÑĤелÑĮно", "Ġolmad ıģ", "Ġolmadıģ ını", "н д", "нд екÑģ", "تأ Ùĥد", "Ġìĸ ¸", "Ġìĸ¸ ìłľ", "ay dın", "ãĥī ãĥ¬ãĤ¹", "Ġs ắt", "Ġíĺ¸ íħĶ", "Ġë¶ ģ", "Ġë¶ģ íķľ", "ãĥij ãĤ¤", "Ġ×ŀש×Ĺק ×Ļ", "à¸Ħà¸Ļ à¸Ńืà¹Īà¸Ļ", "Ġиз гоÑĤов", "ĠизгоÑĤов лен", "à¹Ģà¸ģีย ร", "à¹Ģà¸ģียร à¸ķิ", "תק שר", "ĠÑĢаÑģ ÑĩеÑĤ", "ส à¹Ģà¸ķ", "Ġl änger", "ĠiÅŁ let", "ĠiÅŁlet me", "Ġع ÙĦÙĬÙĨ", "ĠعÙĦÙĬÙĨ ا", "é lection", "ĠاÙĦغ ربÙĬØ©", "íĭ Ģ", "ãĤĤãĤī ãģĪ", "Ġкни ги", "Ø£ سÙħ", "أسÙħ اء", "Ġth á»ı", "Ġthá»ı a", "หà¸Ļ ู", "Ġ×ł×¢ ש×Ķ", "à¸łà¸²à¸¢ à¹ĥà¸ķà¹ī", "à¸ŀื à¸Ĭ", "رÙĬ Ø·", "Ùģ ÙĪض", "ãģĤãĤĬãģĮãģ¨ãģĨãģĶãģĸ ãģĦãģ¾ãģĹãģŁ", "ש ×ĵ×Ķ", "Ġng á»±c", "ĠÑģеÑĢ ÑĮ", "ĠÑģеÑĢÑĮ езн", "T ôi", "Ġfiyat ları", "ĠвÑģ Ñİ", "ĠC ódigo", "Ġ×Ķש ×IJ", "Ġ×Ķש×IJ ׾×Ķ", "ĠP ública", "Ø¥ Ø®", "إخ ÙĪاÙĨ", "ĠзаÑıв ил", "ãĥ¦ ãĥ¼", "ר×IJ ×Ļת", "vol ución", "Ġsz ko", "Ġszko ÅĤy", "جرÙĬ دة", "Ġpens é", "ìī ¬", "ĠBüyük ÅŁehir", "ĠØ£Ùħ رÙĬ", "ĠØ£ÙħرÙĬ ÙĥÙĬ", "à¸Ļัà¸ģ ศึà¸ģษา", "Ġtod av", "Ġtodav ÃŃa", "ĠС ан", "ĠСан кÑĤ", "íķĺ ìŀIJ", "ØŃÙĪ اÙĦ", "׼ ×ķשר", "à¹Ģลย à¸Ħรัà¸ļ", "Ġal gu", "Ġalgu ém", "Ùģ ز", "Ġçek il", "Ġ×ĵ ר׼×Ļ×Ŀ", "ãĥIJ ãĥ©", "à¸ģà¹ĩ สามารà¸ĸ", "สà¹Īวà¸Ļ ลà¸Ķ", "íı °", "ĠP úb", "ĠPúb lico", "à¹ģà¸Ļว à¸Ĺาà¸ĩ", "×IJת ×Ĵר", "Ø´ اش", "شاش Ø©", "ci ÅĽni", "ĠÃľ rün", "ÙĦÙĪ ØŃ", "ĠاÙĦ بÙĨ", "ĠاÙĦبÙĨ Ùĥ", "ì¡° ì¹ĺ", "Ġorganiz ación", "ãģĤãĤĬãģĮãģ¨ãģĨãģĶãģĸ ãģĦãģ¾ãģĻ", "s ätze", "ĠÑģем ей", "ÙĤ صد", "ÑģÑĤв еннÑĭе", "Ġpréc éd", "Ġprécéd ent", "à¸ģรุà¸ĩà¹Ģà¸Ĺà¸ŀ ฯ", "ãģ¨è¨Ģ ãģĦ", "×ij׳×Ļ ×Ļף", "ĠØŃ ÙĪ", "ĠØŃÙĪ اÙĦÙĬ", "סק ס", "ĠsaÄŁlam ak", "Ġ׾ צ×Ļ×Ļף", "ק×ĵ ש", "Ġ×Ķ×ŀ ×¢×¨×Ľ×ª", "Ġ׾×Ķ ×¢×ij×Ļר", "Ġg ünd", "Ġgünd em", "ĠнаÑĪ его", "à¹ĥà¸Ļ à¸ŀืà¹īà¸Ļà¸Ĺีà¹Ī", "à¹Ģà¸Ħร ืà¸Ń", "à¹Ģà¸Ħรืà¸Ń à¸Ĥ", "à¹Ģà¸Ħรืà¸Ńà¸Ĥ à¹Īาย", "ظ اÙĩرة", "ÙħÙĨ ظÙħ", "ÙħÙĨظÙħ ات", "Ùħت از", "追 ãģĦ", "dı kt", "dıkt an", "ĠëįĶ ìļ±", "ĠÐĿ апÑĢимеÑĢ", "tw ór", "×ŀ×ķ×¢ צ×Ķ", "Ùĥ ÙĪÙĥ", "Ð ©", "×ŀ×ĺ פ׾", "ó lica", "訪 ãĤĮ", "ĠëĮĢ ë¶Ģ", "ĠëĮĢë¶Ģ ë¶Ħ", "ãĤ¯ãĥª ãĥĥãĤ¯", "ãĤĴ éģ¸", "ãĤĴéģ¸ ãģ¶", "Ġpow sta", "Ġpowsta ÅĤ", "Ġraz ón", "×ij ×ķ×Ĺר", "ĠÑģообÑī ил", "Ġק ×ij×ķ×¢", "r êt", "à¸Ķี à¸Ĥึà¹īà¸Ļ", "×ŀס ×¢×ĵ", "×ŀסע×ĵ ×ķת", "ĠÃĸ sterreich", "Ġ׳ ×Ĺש×ij", "Ùħباد رة", "ì´ ī", "×Ĵ ׳×ĺ×Ļ", "ä¿¡ ãģĺ", "du ÄŁ", "duÄŁ unu", "Ġph ú", "ĠاÙĦØ£ Ø®ÙĬر", "Ġت عتبر", "landır ıl", "ãģ¨ãģ¯ ãģĦ", "ãģ¨ãģ¯ãģĦ ãģĪ", "ĠاÙĦ Ø·ÙĦ", "ĠاÙĦØ·ÙĦ اب", "ĠN º", "éģ¿ ãģij", "اÙĦ Ùħع", "اÙĦÙħع رÙĪÙģ", "ส à¸łà¸²", "éĽ¢ ãĤĮ", "ĠпомоÑī ÑĮ", "Ġзна еÑĤ", "ãĥĹãĥ¬ ãĤ¼", "ãĥĹãĥ¬ãĤ¼ ãĥ³ãĥĪ", "Ġsup érieur", "Ġש׾ ×Ļש×Ļ", "ĠاÙĦÙĨ ÙĪع", "ãĤĵãģ§ãģĻ ãģŃ", "à¸Ńà¸ļ รม", "Ġgi á»įng", "Ġwzgl ÄĻd", "ĠاÙĦÙģ ÙĤر", "è rent", "Ġ×ŀ×IJ ×Ĺ", "Ġ×ŀ×IJ×Ĺ ×ķר×Ļ", "×Ĵ ×Ĵ", "×Ļ ×Ļ×ij", "ÙħÙĦ اب", "ÙħÙĦاب س", "Ġhük ü", "Ġhükü met", "Ġ×ŀ×Ĵ ×Ļ×ij", "ĠÐŀ Ñĩ", "ĠÐŀÑĩ енÑĮ", "æĹ© ãģĦ", "Ġconstr ucción", "Ġth ượng", "ï¼ ĭ", "Ġcor ação", "à¹Ģหล à¹ĩà¸ģ", "ĠBaÅŁ b", "ĠBaÅŁb akan", "éĢ£ ãĤĮ", "ãģĻãĤĭ ãģĵãģ¨ãģĮãģ§ãģįãģ¾ãģĻ", "ĠÙĤ اÙħت", "Ġا Ùĥثر", "Ùģاع ÙĦ", "ĠÑĦ оÑĢ", "ĠÑĦоÑĢ Ñĥм", "غ Ø°ÙĬ", "ĠiÅŁ le", "ĠiÅŁle ml", "ĠiÅŁleml eri", "ĠìĤ¬ëŀĮ ìĿĢ", "Ġìŀij ìĦ±", "Ġë§Ī 볨", "Ùħ جÙĦس", "หม ู", "д в", "дв иг", "двиг а", "à¹Ģสีย à¸Ĭีวิà¸ķ", "×Ķת פת×Ĺ", "×Ķתפת×Ĺ ×ķת", "ĠмеÑĤ ÑĢо", "ĠÑģ енÑĤ", "ĠÑģенÑĤ Ñı", "ĠÑģенÑĤÑı бÑĢÑı", "ê³ §", "Ġ׾ פע", "Ġ×ľ×¤×¢ ×ŀ×Ļ×Ŀ", "à¹Ģà¸ļ ีย", "詳 ãģĹãģı", "çķ° ãģªãĤĭ", "ĠÄ°l çe", "ĠAt at", "ĠAtat ür", "ĠAtatür k", "รุ à¹Īà¸ĩ", "Ġkald ı", "Ġ주 ìŀ¥", "Ġprés ence", "Ġн аб", "Ġнаб лÑİ", "ĠнаблÑİ Ð´Ð°", "ĠÑģам ого", "×Ĵ ×ķש", "×ŀ×ĺ ×ķפ", "×ŀ×ĺ×ķפ ׾", "ĠвÑĭб иÑĢа", "ĠìŀIJ 리", "åĪĨ ãģĭãĤīãģªãģĦ", "Ġз Ñĥб", "Ġש׼ ×ijר", "Ġد ائ", "Ġدائ Ùħا", "ĠпаÑĢ ÑĤи", "ï¼ ²", "ĠاÙĬ ضا", "ĠÑħ оз", "ĠÑħоз Ñı", "ĠÑħозÑı й", "ĠÑħозÑıй ÑģÑĤв", "ĠاÙĦØ£ ج", "ĠاÙĦأج ÙĨب", "ĠاÙĦأجÙĨب ÙĬØ©", "ĠÐĹ Ð½Ð°", "ĠAp ós", "ĠÑį неÑĢ", "ĠÑįнеÑĢ ги", "Ġy ans", "Ġyans ı", "ĠJust i", "ĠJusti ça", "Ġpré vu", "ม วล", "ìŀ¥ ëĭĺ", "à¸ģระ à¸ļ", "à¸ģระà¸ļ วà¸Ļ", "à¸ģระà¸ļวà¸Ļ à¸ģาร", "×ŀ ×ŀ", "×ŀ×ŀ ×ķצע", "Ġh ẹ", "Ġhẹ n", "зд ание", "Ġak ÅŁ", "ĠakÅŁ am", "×ĺ ×ķפ", "Ġgere kt", "Ġgerekt i", "Ġgerekti ÄŁini", "Ġnar z", "Ġnarz ÄĻdzi", "é po", "épo que", "ĠTh ần", "Ġwys oko", "Ġwysoko ÅĽci", "à¸ľà¸¹à¹ī à¸Ľ", "à¸ľà¸¹à¹īà¸Ľ à¹Īวย", "ĠÙĬ بدÙĪ", "ÑĤелÑĮ ного", "Ġвз глÑıд", "Ġjed nÄħ", "ĠìĿĺ 견", "Ġ à¸Ĥà¸ĵะà¸Ĺีà¹Ī", "פ ×Ļ×ĵ", "ìĥģ ëĭ´", "Ġm ỡ", "×Ķ ×ŀ׾", "×Ķ×ŀ׾ צ×ķת", "ĠÑģоÑģÑĤ о", "ĠÑģоÑģÑĤо иÑĤ", "Ġав и", "Ġави а", "ĠL änder", "تص ÙĪÙĬر", "×ŀ×ĵ ×Ļ×Ķ", "ìłĪ ì°¨", "ãģ¨ ãĤĬ", "ãģ¨ãĤĬ ãģĤ", "ãģ¨ãĤĬãģĤ ãģĪ", "ãģ¨ãĤĬãģĤãģĪ ãģļ", "ĠÑĢ Ñıд", "ĠÑĢÑıд ом", "ĠNh ất", "ĠاÙĦÙĥ اÙħÙĦ", "×Ĺ׾ ׾", "ĠGi ấy", "צ ×ĺר", "צ×ĺר ×£", "Ġ׾×ij ×ĺ׾", "Ġим еÑĤÑĮ", "ס×ŀ ×ķ×ļ", "Ġparticip ação", "íķľëĭ¤ ë©´", "ÙħÙĨت دÙĬ", "ÙħÙĨتدÙĬ ات", "ĠeÄŁ len", "g änge", "رب ØŃ", "ãĤ® ãĥ£", "ĠاÙĦر ÙĤÙħ", "à¸ĭ à¹īำ", "ĠH óa", "×ŀר ×Ĺק", "ØŃÙħ اÙħ", "بÙĪ Ùĥ", "ĠArt ÃŃculo", "ãĥĦ ãĤ¢ãĥ¼", "×Ķפ ׼×Ķ", "×Ĺ׾ ×ķף", "ĠпеÑĢе Ñħод", "len miÅŁ", "زر اعة", "Ġseñ or", "ãģ£ãģ¦ ãģįãģ¦", "Ø¥ Ø´", "إش ارة", "Ġpod ÃŃa", "ĠÃľ lke", "н ÑģкаÑı", "Ġadapt é", "Ġdüzen len", "Ġdüzenlen en", "ĠÑģÑĤ ала", "ĠÙĬ ØŃتاج", "Ġn ier", "Ġnier uch", "Ġnieruch omo", "Ġnieruchomo ÅĽci", "ãģĵãģ¨ãģĮ ãģĤãĤĭ", "ยà¸Ńà¸Ķ à¹Ģยีà¹Īยม", "ĠÙħ ج", "ĠÙħج اÙĨÙĬ", "Ġз аб", "Ġзаб ол", "Ġзабол ев", "Ġзаболев аниÑı", "ĠÅĽ ro", "ĠÅĽro dk", "ĠÅĽrodk ów", "Ġ×Ķ ׾×IJ×ķ×ŀ×Ļ", "Ġdok ÅĤad", "ĠdokÅĤad nie", "ãģŁãģı ãģªãģĦ", "ãģ¯ãģļ ãģ§ãģĻ", "ãģ¨æĢĿ ãģ£ãģ¦ãģĦãģŁ", "é cran", "ìĹħ ì²´", "trzym aÅĤ", "ÑģÑĤв еннÑĭй", "ĠNot ÃŃc", "ĠNotÃŃc ias", "Ùħ رÙĬ", "ÙħرÙĬ ض", "æ°Ĺ è»", "æ°Ĺè» ½", "æ°Ĺ軽 ãģ«", "ëĵ £", "Ġ×ĵ ×ķ×IJר", "Ġ׾ ×ŀ׳", "Ġ׾×ŀ׳ ×ķ×¢", "ĠçalÄ±ÅŁ ıyor", "ĠÅŁ idd", "ĠÅŁidd et", "ĠM ặt", "Ġate ÅŁ", "ĠполÑĥÑĩ ениÑı", "à¹Ģà¸Ħรืà¹Īà¸Ńà¸ĩ มืà¸Ń", "Ġgrö ÃŁer", "د ائ", "دائ رة", "Ġbul un", "Ġbulun maktadır", "à¹Ģห ร", "à¹Ģหร ีย", "à¹Ģหรีย à¸į", "à¸Ļัà¸ģ à¸Ĺà¹Īà¸Ńà¸ĩà¹Ģà¸Ĺีà¹Īยว", "Ġalan ında", "ĠÑĥ зна", "Ġл еÑĩение", "売 ãĤĮ", "Ġçev ir", "Ġdeste ÄŁi", "ĠheiÃŁ t", "âĸ ²", "ØŃ Ø·", "à¸Ħำ à¸ķà¸Ńà¸ļ", "ãĤªãĥ³ ãĥ©ãĤ¤ãĥ³", "Ġ×ij×Ĺ×Ļ ×Ļ×Ŀ", "ãĥ¦ ãĥĭ", "Ġdüzenle me", "Ġmodal itÃł", "سر Ø·", "سرط اÙĨ", "×ŀ׼ ×ķף", "ĠданнÑĭ й", "تر ت", "ترت ÙĬب", "à¸ļาà¸ĩ à¸Ħà¸Ļ", "ĠÄIJ á»ĭnh", "ม ูล", "มูล à¸Ħà¹Īา", "ÙĨ ÙĤص", "à¸ģาร รัà¸ģษา", "ĠÑĦ он", "ĠÑĦон д", "ãĤĪãģĨ ãģ«ãģªãģ£ãģŁ", "Ùħع اÙĦ", "ÙħعاÙĦ جة", "ĠOs man", "ĠOsman lı", "иÑĩеÑģк ом", "à¸Ńยาà¸ģ à¸Īะ", "ãģķãģ¾ ãģĸ", "ãģķãģ¾ãģĸ ãģ¾", "ãģķãģ¾ãģĸãģ¾ ãģª", "Ġת ×ķ׼׾", "×¢ צ×ij", "ĠاÙĦع سÙĥ", "ĠاÙĦعسÙĥ رÙĬ", "Ġvé hic", "Ġvéhic ule", "Ġ×Ļצ ×Ĺק", "ĠاÙĦÙĪ ØŃ", "ĠاÙĦÙĪØŃ ÙĬد", "ĠاÙĦع دÙĪ", "ĠQu ản", "Ġê³µ ëıĻ", "بد ÙĦ", "ĠÄij ảng", "Ġm á»ĩnh", "Ġnie zb", "Ġniezb ÄĻ", "ĠniezbÄĻ dn", "Ġyayın lan", "обÑī и", "Ġgö tür", "צ פ", "צפ ×ķ×Ļ", "ĠÙĦÙĬ بÙĬ", "ĠÙĦÙĬبÙĬ ا", "ØŃ ÙĪا", "Ġд об", "Ġдоб ÑĢо", "иÑĢÑĥ ем", "ĠاÙĦØŃÙĥÙĪÙħ ÙĬØ©", "m Ã¤ÃŁig", "Ġed ición", "влек аÑĤелÑĮ", "влекаÑĤелÑĮ н", "Ġת ש׾×ķ×Ŀ", "Ġ×Ķש ×ķ׳×Ļ×Ŀ", "มิ à¸ĸุ", "มิà¸ĸุ à¸Ļ", "มิà¸ĸุà¸Ļ ายà¸Ļ", "é£Łãģ¹ ãģ¦", "ĠìĪĺ ì§ij", "ס ×ij×Ļ", "ĠиÑİ Ð»Ñı", "Ġà¹Ħà¸Ķà¹ī à¹ģà¸ģà¹Ī", "׾×Ĺ ×Ŀ", "tr ä", "trä gt", "ãģĿãĤĤ ãģĿãĤĤ", "ÐĿ Ðķ", "Ġв нÑĥÑĤ", "ĠвнÑĥÑĤ ÑĢи", "ãģ¨ ä¸Ģç·Ĵãģ«", "ãĤ« ãĥķãĤ§", "Ġ×ij×Ĺ ×ĵר", "×Ĺ ×ŀש", "ãĤ¨ ãĥį", "ãĤ¨ãĥį ãĥ«", "ãĤ¨ãĥįãĥ« ãĤ®", "ãĤ¨ãĥįãĥ«ãĤ® ãĥ¼", "à¸Ĥà¸Ńà¸ĩ à¸ķัวà¹Ģà¸Ńà¸ĩ", "بÙĤ اء", "פס ×Ļ׼", "פס×Ļ׼ ×ķ׾×ķ×Ĵ", "ãĥ¡ ãĥĥ", "ãĥ¡ãĥĥ ãĤ»", "ãĥ¡ãĥĥãĤ» ãĥ¼ãĤ¸", "ÙĦ ÙĤب", "A Äŀ", "שק ×Ļ×¢", "ÙĤ ساÙħ", "×ĵ×ķ×Ĵ ×ŀ×Ķ", "æ·± ãģĦ", "íĸĪ ëĬĶëį°", "ĠrozwiÄħz anie", "à¸Ļัà¹Īà¸Ļ à¹Ģà¸Ńà¸ĩ", "×Ļצ ×ij", "Ġtr ông", "à¹ĥà¸Ĭà¹ī à¸ļริà¸ģาร", "ĠاÙĦÙħÙĪ سÙħ", "ĠдеÑĤ и", "ãģĹãģĭ ãģªãģĦ", "ס ×Ļף", "Ġréfé rence", "à¹ģห à¹īà¸ĩ", "ãĤĤãĤī ãģ£ãģŁ", "Ġ׾ ר׼", "Ġ׾ר׼ ×ķש", "شع ÙĪر", "ĠÐij ог", "Ġlaz ım", "Ġ×Ļש ׳×Ŀ", "Ġп аÑĢÑĤ", "ĠпаÑĢÑĤ неÑĢ", "ĠÑĥ ника", "ĠÑĥника лÑĮн", "Ġmaté riel", "×ŀר ק", "Ġph Æ°á»Ŀng", "Ġз ай", "Ġзай м", "Ùģ ÙĤد", "Univers itÃł", "×¢ ר׼×Ļ×Ŀ", "Ġba ño", "Ġн оÑı", "ĠноÑı бÑĢÑı", "à¸Ľ à¹īาย", "Ġt ats", "Ġtats äch", "Ġtatsäch lich", "ĠÑĤÑĢ еÑĤÑĮ", "Ñį м", "ãĥĻ ãĥ¼ãĤ¹", "Ġnh á»±a", "ìĬ¤ íģ¬", "ĠعبداÙĦ ÙĦÙĩ", "Ġת ×ķר×Ķ", "أش ÙĬ", "أشÙĬ اء", "ĠÙĦÙĦ غا", "ĠÙĦÙĦغا ÙĬØ©", "Ùħ ÙĪاÙĤ", "ÙħÙĪاÙĤ Ùģ", "ĠgÅĤówn a", "Ġart Ä±ÅŁ", "Ġ×ŀק ×ķ×ŀ×Ļ", "ãĤ¯ãĥ© ãĥĸ", "Ġس ÙĪÙī", "ĠìŬ ìĦ±", "اس ر", "اسر ائÙĬÙĦ", "Ġ׳ ×Ľ×ª×ij", "ย à¹īà¸Ńà¸Ļ", "Ġdeber á", "Ġph ẫu", "ÑİÑī ем", "ĠÙĦدÙĬ ÙĨا", "×ŀ×ĺ ×Ķ", "Ġ׳ ×ķ׾×ĵ", "ĠвÑģÑĤÑĢ еÑĩа", "ãĤīãĤĮ ãģ¦ãģĦãģ¾ãģĻ", "ĠcaÅĤ ej", "ย ึ", "ยึ à¸Ķ", "поÑĤ ен", "поÑĤен ÑĨи", "Ġл иÑĤ", "ĠлиÑĤ еÑĢ", "ĠлиÑĤеÑĢ аÑĤÑĥÑĢ", "Ġкажд ом", "ĠíĮ IJ", "ĠíĮIJ ëĭ¨", "à¸Ī ู", "Ġpres ença", "ãģªãĤĵ ãģ§", "Ùħ ÙĬاÙĩ", "ин ÑĦоÑĢм", "инÑĦоÑĢм аÑĨион", "инÑĦоÑĢмаÑĨион н", "ĠìŀIJ ìĹ°", "ר׼ ש", "Ġöd ül", "ç¶ļ ãģı", "Ġп Ñģ", "ĠпÑģ иÑħ", "ĠпÑģиÑħ олог", "ت Ø°Ùĥر", "Ġìŀħ ìŀ¥", "ล à¸Ķà¹Į", "ìĦł ê±°", "ãģ£ãģ¦ ãģĬãĤĬãģ¾ãģĻ", "Ġ×Ļ ×¢", "Ġ×Ļ×¢ ק×ij", "ĠاÙĦØ· عاÙħ", "ãĥĨ ãĤ¹ãĥĪ", "ĠTu ấn", "Ġparticip ación", "×ŀ×ķ×ŀ ×Ĺ×Ķ", "×Ĵר ס×Ķ", "ĠاÙĦتÙĨ ÙģÙĬ", "ĠاÙĦتÙĨÙģÙĬ Ø°ÙĬ", "ĠбезопаÑģ н", "ge f", "gef ähr", "Ø´ ÙĪر", "Ġmy ÅĽli", "ÙĪا Ø´ÙĨ", "ÙĪاشÙĨ Ø·ÙĨ", "׳×ķס ×¢", "Ùĥ Ùĩ", "ÙĥÙĩ رب", "ÙĥÙĩرب اء", "Ġmus iaÅĤ", "ìĭ ¸", "ãĥĸãĥ© ãĥĥãĤ¯", "Ġcré é", "ÙĨÙĩ ار", "owo ÅĽÄĩ", "ÙħØŃا ÙĥÙħ", "ĠwÅĤa ÅĽ", "ĠwÅĤaÅĽ c", "ĠwÅĤaÅĽc iciel", "ĠÙĬ ؤ", "ĠÙĬؤ دÙĬ", "×ŀ×¢ ×ķ׳", "×IJ ×ij׾", "خط Ø£", "ĠÑħ олод", "×ĸ ×ķ׾", "ãģĵãĤĮ ãĤī", "ãģĵãĤĮãĤī ãģ®", "Ġbás ica", "ฤ à¸Ķ", "ฤà¸Ķ ูà¸ģ", "ฤà¸Ķูà¸ģ า", "ฤà¸Ķูà¸ģา ล", "èIJ½ãģ¡ çĿĢ", "ãģªãģĦ ãģĵãģ¨", "ص ÙĪÙħ", "ÙĨج ØŃ", "׳ק ×ķ×ĵ", "׳ק×ķ×ĵ ת", "кл аÑģÑģ", "íķĺìĭľ ëĬĶ", "ëĦ ĺ", "Ġש×IJ ×Ļ׳×ķ", "ĠС ейÑĩаÑģ", "may acaģı", "Ġyap ılır", "Ġcategor ÃŃa", "عب اد", "ĠТ еп", "ĠТеп еÑĢÑĮ", "×Ķ×Ļס×ĺ ×ķר×Ļ", "h ế", "ãĤ³ ãĥ¼ãĥī", "Ġcabe ça", "ج Ùħا", "جÙħا Ùĩ", "جÙħاÙĩ ÙĬر", "ä½İ ãģĦ", "ĠÑĤоваÑĢ ов", "à¸Ĭาว à¸ļà¹īาà¸Ļ", "ĠÑģÑĤан ов", "ĠÑģÑĤанов иÑĤÑģÑı", "ĠавÑĤом обилÑĮ", "ĠÑģлÑĥÑĩ ай", "à¸Ńั à¸ŀ", "ĠG iriÅŁ", "ĠìĿ¼ ëĭ¨", "ĠпÑĢ оÑģ", "ĠпÑĢоÑģ моÑĤÑĢ", "ãģªãģıãģª ãģ£ãģŁ", "มี à¸Ľà¸±à¸įหา", "ïº İ", "éc oute", "ĠÙħ ÙĪجÙĪد", "Ġس رÙĬع", "ĠÙĪÙĩ ÙĨا", "ĠÙĪÙĩÙĨا Ùĥ", "à¸Ħุà¸ĵ สม", "à¸Ħุà¸ĵสม à¸ļัà¸ķิ", "Ġìļ° ìĦł", "à¸ŀระ à¸ŀุà¸Ĺà¸ĺ", "好 ãģ¿", "ظ ÙĦÙħ", "Ġм акÑģ", "ĠмакÑģ ималÑĮ", "ĠмакÑģималÑĮ но", "ãĥª ãĤ¢ãĥ«", "à¹ģมà¹ī วà¹Īา", "ĠاÙĦØŃ ÙĪار", "ãĥĹãĥ© ãĤ¹", "Ġع ÙĦاÙĤØ©", "Ġíĸī ëıĻ", "Ġgönder il", "Ġl ãi", "ĠsaÄŁ lıkl", "ĠsaÄŁlıkl ı", "ĠÑĪ аг", "Ġ×ij×IJר ×Ķ", "prowadzi Äĩ", "ãģĦãģı ãģ¤ãģĭ", "Ġبت ارÙĬØ®", "Ġ×ij×IJ×ķת ×Ķ", "Ġmó c", "ĠÐľ не", "ãĥĹãĥ¬ ãĥ¼", "×IJ ×ĸר×Ĺ", "åł´åIJĪ ãģ«ãģ¯", "使 ãģĪ", "à¹Ģร ืà¸Ńà¸Ļ", "ĠÐŁ еÑĤ", "ĠÐŁÐµÑĤ ÑĢ", "ãģ«åħ¥ ãĤĭ", "Ùħ ادة", "à¹Ģà¸ĩ ืà¹Īà¸Ńà¸Ļ", "à¹Ģà¸ĩืà¹Īà¸Ńà¸Ļ à¹Ħà¸Ĥ", "ĠÑģоÑģÑĤоÑı ние", "ôn ica", "ĠÑĦ ев", "ĠÑĦев ÑĢа", "ĠÑĦевÑĢа лÑı", "Ġ×ķ ×ĸ", "Ġ×ķ×ĸ ×IJת", "à¸Ħร ิ", "à¸Ħริ ส", "ĠÐķ Ñīе", "ãģ£ãģ¦ãģĹãģ¾ ãģĦãģ¾ãģĹãģŁ", "ĠпÑĢав иÑĤелÑĮ", "ĠпÑĢавиÑĤелÑĮ ÑģÑĤв", "Ġtä glich", "Ġëĭ¹ ìĭľ", "×ŀ×ķ×¢ ×ŀ×ĵ", "Ġдв оÑĢ", "æī ķ", "æīķ ãģĦ", "ĠÑģÑĤан еÑĤ", "Ġвозд ейÑģÑĤв", "ĠвоздейÑģÑĤв и", "Ġf ête", "à¹Ģส า", "תק ×ķ×ķ×Ķ", "Ġu yar", "Ġuyar ı", "à¸ģลัà¸ļ à¹Ħà¸Ľ", "Ġgi Æ°á»Ŀng", "Ġв а", "Ġва ÑĪи", "ĠÄij áºŃu", "ĠSpa ÃŁ", "ĠìķĦ ë§Ī", "à¹Ħà¸Ķà¹ī à¸ĩà¹Īาย", "Ġ×Ķ×ŀ ×ijקש", "æĸ° ãģŁ", "æĸ°ãģŁ ãģª", "ılı yor", "пл ан", "Ġ×Ķ×ijר ×Ļ×IJ×ķת", "ĠaÄŁ rı", "Ġsay gı", "建 ãģ¦", "Ġnaj wyż", "Ġnajwyż sz", "سÙĬاس ات", "ãģĬ å¾Ĺ", "ĠاÙĦع ÙĦÙĬ", "ĠاÙĦعÙĦÙĬ ا", "Ġcoraz ón", "ì¹ĺ ë£Į", "หัว à¸Ĥà¹īà¸Ń", "Ġب ØŃÙĬ", "ĠبØŃÙĬ Ø«", "зв езд", "بÙĪ ابة", "ÐĽ Ðĺ", "ÙĦا زÙħ", "Ġroz p", "Ġrozp oc", "Ġrozpoc zÄĻ", "触 ãĤĮ", "ĠاÙĦج ÙħÙĩ", "ĠاÙĦجÙħÙĩ ÙĪر", "Ġsp ÄĻd", "ĠspÄĻd z", "วิà¸Ĺยา ศาสà¸ķรà¹Į", "ив аеÑĤÑģÑı", "Ġдан ной", "Ġreprés ente", "ĠÄij á»ĭch", "Ġ×¢×ŀ ×ķק", "à¸Ńัà¸Ļ à¸ķร", "à¸Ńัà¸Ļà¸ķร าย", "Ġestr atég", "Ġestratég ia", "pad ÅĤ", "Ġв полн", "Ġвполн е", "ĠпÑĢедоÑģÑĤав лен", "×Ĺ׾ ×ķק", "×Ĺ׾×ķק ת", "ãĤ¢ ãĥĬ", "ĠاÙĦغ Ø°", "ĠاÙĦغذ ائÙĬ", "ĠÑĥ зн", "ĠÑĥзн аÑĤÑĮ", "à¸ĭ à¹īาย", "å½ĵ ãģ¦", "ØŃÙĬ اء", "Ġbás ico", "ק×ķ×ij ×¢", "ĠاÙĦÙħ باراة", "ĠاÙĦÙĩ اتÙģ", "Ġ׼ ׳×Ĵ×ĵ", "à¸Ľà¸£à¸° หย", "à¸Ľà¸£à¸°à¸«à¸¢ ัà¸Ķ", "Ðļ ак", "à¸Ĺีà¹Ī à¸Ļà¹Īา", "à¸Ĺีà¹Īà¸Ļà¹Īา สà¸Ļà¹ĥà¸Ī", "ãģ¾ ãģģ", "ï½ ¢", "Ñģк оп", "Ġson rasında", "Ġur zÄħd", "ĠurzÄħd zenia", "׼×ķ ×ķ׳", "׼×ķ×ķ׳ ת", "Ġ׾×Ķת ×ŀ×ķ×ĵ", "Ġ׾×Ķת×ŀ×ķ×ĵ ×ĵ", "ĠÑģ ли", "ĠÑģли ÑĪ", "ĠÑģлиÑĪ ком", "ĠÑģÑĤ Ñĥд", "ĠÑģÑĤÑĥд енÑĤ", "Ġ×Ķ ×ķ×ĵ", "Ġ×Ķ×ķ×ĵ ×¢×Ķ", "ë¹Ħ ìļ©", "à¸Ńยาà¸ģ à¹ĥหà¹ī", "Ġb á»ģ", "ยุ à¸Ĺà¸ĺ", "Ðĺ ÐĿ", "س ائر", "Ø£ صÙĪÙĦ", "ĠاÙĦغ رÙģ", "ãģĵãģ¨ãĤĤ ãģĤãĤĬãģ¾ãģĻ", "è¾¼ ãģ¾ãĤĮ", "ĠاÙĦساب ع", "Ġc ủ", "ãģĦãģŁãģł ãģĦãģŁ", "ì§ ĵ", "ìĤ¬ 무", "powied ź", "تÙģ Ùĥ", "تÙģÙĥ ÙĬر", "иÑĢов ки", "ĠíĨµ íķ´ìĦľ", "ãĤ¨ ãĤ¹ãĥĨ", "ĠдеÑıÑĤелÑĮ ноÑģÑĤÑĮ", "ĠданнÑĭ м", "Ġ×¢ ×ķר", "Ġ×¢×ķר ׼×Ļ", "×ķ×ĵ עת", "Ġhayat ını", "Ġb Äħd", "ĠbÄħd ź", "obs ÅĤug", "à¹Ģà¸ŀียà¸ĩ à¹ģà¸Ħà¹Ī", "à¸ĭ à¹Īา", "è²ł ãģij", "ĠÑģÑĤÑĢ ем", "ĠÄij á»īnh", "ĠÐł ÑĥÑģ", "ĠN ữ", "Ġ׾×Ķש ×Ļ×Ĵ", "Ġjed noc", "Ġjednoc ze", "Ġjednocze ÅĽnie", "Ġ×Ķ×Ĵ ×ij×ķ×Ķ", "أخ ÙĦاÙĤ", "ĠнаÑģ ел", "ĠнаÑģел ениÑı", "ĠÙĬ ÙĨب", "ĠÙĬÙĨب غÙĬ", "ãģĮ ãģĭ", "ãģĮãģĭ ãģĭ", "×Ĵ עת", "Ðŀ Ðł", "ĠналиÑĩ ии", "Ġë§Ī ì§Ģ", "Ġë§Īì§Ģ ë§ī", "Ġíĸī ìĤ¬", "Ġtre ÅĽci", "Ġê°Ģ ì¹ĺ", "ì¦ ĺ", "Ġана лог", "×Ķצע ת", "в лад", "влад е", "ĠÑģдел ал", "Ġ׳ ×Ĵ×Ļש", "Ġ׳×Ĵ×Ļש ×ķת", "полн ение", "à¸Ĩ à¹Īา", "ĠD ön", "׼׾׼ ׾×Ķ", "×ŀ×ĸ ×Ĵ", "Ùħ Ùģ", "ÙħÙģ Ùĩ", "ÙħÙģÙĩ ÙĪÙħ", "×Ķ ×ĵ", "×Ķ×ĵ פס", "×Ķ×ĵפס ×Ķ", "ãģĻãģİ ãģ¦", "Ġг ÑĢ", "ĠгÑĢ н", "×ŀ×ĺ ×ķס", "Ġ기 ìĸµ", "ï¾ Ł", "ĠpÅĤ yn", "ĠGr ünde", "ĠBü cher", "Ġwed ÅĤug", "ãģ¾ãģł ãģ¾ãģł", "Ġ׳×Ķ ×ĵר", "ĠÙĬست Ø·ÙĬع", "ĠHi á»ĩp", "ãĤŃãĥ£ãĥ³ ãĥļ", "ãĤŃãĥ£ãĥ³ãĥļ ãĥ¼ãĥ³", "Ġth á»ķ", "Ġeuropé enne", "à¸ļ ัà¸ĩ", "à¸ļัà¸ĩ à¸Ħัà¸ļ", "ĠszczegóÅĤ owo", "׳ שק", "ãĥķ ãĥ©ãĥ³ãĤ¹", "×ŀ×ķ×ŀ ×Ĺ×Ļ", "Ġcom ún", "Ġç arp", "ØŃت ÙĬا", "ØŃتÙĬا ج", "ØŃتÙĬاج ات", "ëĭ´ ëĭ¹", "ä½ķ 度", "ä½ķ度 ãĤĤ", "×ĵ ×ijק", "ãģį ãĤĮ", "ãģįãĤĮ ãģĦ", "Ġк ам", "Ġкам еÑĢ", "ĠespecÃŃf ico", "Ġtel éfono", "à¸ķัà¹īà¸ĩ à¸Ńยูà¹Ī", "I Åŀ", "ãģ© ãĤĵãģ©", "ãģ©ãĤĵãģ© ãĤĵ", "עצ ×ŀ×IJ×Ļ", "à¸Ķัà¸ĩ à¸Ļีà¹ī", "ĠÑĦоÑĢм иÑĢов", "ĠÑĦоÑĢмиÑĢов а", "×ķ×ŀ ×ij", "Ġkullan ımı", "Ðľ Ðŀ", "×¢ ש×Ļ", "עש×Ļ ×Ļ×Ķ", "Ġön lem", "à¹Ģà¸Ń à¹ĩ", "à¹Ģà¸Ńà¹ĩ ม", "×ŀשק ×Ļ×¢", "ר ×Ļ×Ĺ", "à¸Ĥ ัà¸Ķ", "ĠíĻ ľ", "ĠíĻľ ìļ©", "à¸ĭ ะ", "ãĤĪãģĨ ãģ«ãģªãĤĬãģ¾ãģĹãģŁ", "ĠÑĢаÑģ пÑĢ", "ĠÑĢаÑģпÑĢ оÑģÑĤ", "ĠÑĢаÑģпÑĢоÑģÑĤ ÑĢан", "ĠÑĢаÑģпÑĢоÑģÑĤÑĢан ен", "׼×Ļ ×ķף", "ÙĤب ض", "تص رÙĬØŃ", "تصرÙĬØŃ Ø§Øª", "Ġо ÑĢи", "ĠоÑĢи г", "ĠоÑĢиг ина", "ĠоÑĢигина л", "ĠاÙĦع اÙĦÙĬ", "à¹ģหà¹Īà¸ĩ à¸Ļีà¹ī", "ãĥķãĤ¡ ãĥ¼", "ãģ¦ãģĦ ãģį", "ãģ¦ãģĦãģį ãģŁãģĦ", "פ תר", "פתר ×ķ׳×ķת", "Ġ×ij ×Ļ×Ĺ", "Ġ×ij×Ļ×Ĺ ×ĵ", "Ġod by", "Ġodby ÅĤ", "ĠоÑĩеÑĢ ед", "Ġtr Æ°Æ¡ng", "ãĤŃ ãĥ³", "×ŀ ×ķפ", "×ŀ×ķפ ×¢", "ëĵľ 립", "ëĵľë¦½ ëĭĪëĭ¤", "à¸ŀืà¹īà¸Ļ à¸IJาà¸Ļ", "ìŀIJ 격", "ĠVi á»ĩn", "ĠDes pués", "Ġ×IJ׾ ×Ļ׳×ķ", "Ġdur ée", "íĩ ´", "Ġmü zik", "i ếu", "ĠÑĢаз меÑīен", "Ġк Ñĥд", "ĠкÑĥд а", "غ ض", "غض ب", "ĠTamb ém", "à¸Īัà¸Ķ สà¹Īà¸ĩ", "à¸ģาร à¹ģสà¸Ķà¸ĩ", "onom ÃŃa", "Ġан г", "Ġанг ли", "Ġангли й", "Ġанглий Ñģк", "Ġzn al", "Ġznal az", "Ġznalaz ÅĤ", "תר ×Ĵ", "תר×Ĵ ×ķ×Ŀ", "ĠÑģ нов", "ĠÑģнов а", "ĠÑĩаÑģ а", "Ġcommun auté", "ĠespecÃŃf ica", "ĠL á»ĭch", "Ġli é", "Ùģ جر", "à¹Ģà¸ģ à¹Īà¸ĩ", "ع اÙĦ", "عاÙĦ ج", "Ø£ÙĨ ظ", "Ø£ÙĨظ ÙħØ©", "ES Ä°", "ĠاÙĦØŃ Ø¯ÙĬد", "à¸ŀระ à¸Ńà¸ĩà¸Ħà¹Į", "Ġפר שת", "Ġдв иж", "Ġдвиж ениÑı", "ĠاÙĦج ارÙĬ", "à¸ĺาà¸Ļ ี", "неÑģ ен", "ĠاÙĦÙĨ ÙĩائÙĬ", "Ġб еÑĢ", "ĠбеÑĢ ем", "ĠбеÑĢем енн", "Ġdépart ement", "à¹Ģà¸Ĺ ีย", "à¹Ģà¸Ĺีย à¸ļ", "ĠÐľ аÑĢи", "ĠнекоÑĤоÑĢ ÑĭÑħ", "об еÑģп", "обеÑģп еÑĩен", "×Ĺ ×ķ×ĸ", "×Ĺ×ķ×ĸ ×Ķ", "ÙĨت ج", "à¸Īะ à¹Ħà¸Ķà¹īรัà¸ļ", "á» °", "Ġél éments", "ع Ø·", "عط اء", "Ġt ắt", "i á»ĩm", "ÑİÑīиÑħ ÑģÑı", "ãģĹãģ °", "ãģĹãģ° ãĤīãģı", "Ġпом ожеÑĤ", "à¸Ĥà¸ĵะ à¸Ļีà¹ī", "Ġ×¢ שר×ķת", "éģķ ãģ£ãģ¦", "ĠпÑĢ ог", "ĠпÑĢог н", "ĠпÑĢогн оз", "Ġt ÅĤ", "ĠtÅĤ um", "ĠtÅĤum acz", "T ür", "Tür kiye", "ãģį ãģ£", "ãģįãģ£ ãģĭãģij", "Ġ×Ķ׳ ×ķ׼", "Ġ×Ķ׳×ķ׼ ×Ĺ×Ļ", "ĠìĥĿ ìĤ°", "ĠÑĦоÑĢм Ñĭ", "ç¾İ ãģĹãģĦ", "à¸Ľà¸£ ึà¸ģ", "à¸Ľà¸£à¸¶à¸ģ ษา", "Ġlum ière", "ãĤª ãĥ¼ãĥĹ", "ãĤªãĥ¼ãĥĹ ãĥ³", "à¸Ľ ืà¸Ļ", "วั สà¸Ķ", "วัสà¸Ķ ุ", "еÑĢÑĤ в", "ÙĥÙĦ Ùģ", "ï½ £", "à¸ĺรรม à¸Ķา", "׳ ×ĺר", "ĠпÑĢедÑģÑĤав лÑıеÑĤ", "Ġanál isis", "Ġb ãi", "با ÙĤÙĬ", "à¸Ľà¸£à¸° à¹Ģà¸Ķ", "à¸Ľà¸£à¸°à¹Ģà¸Ķ à¹ĩà¸Ļ", "ĠÑģлÑĥÑĩ аÑı", "ĠÑģлÑĥÑĩаÑı Ñħ", "ÐĽ ÐIJ", "สัà¸ĩ à¹Ģà¸ģ", "สัà¸ĩà¹Ģà¸ģ à¸ķ", "Ġprz ec", "Ġprzec ież", "Ùħ صÙĦ", "ÙħصÙĦ ØŃØ©", "ש×ķק ×ķ׾×ĵ", "ĠобоÑĢÑĥд ованиÑı", "Ġtr waÅĤ", "رÙĪ Ùħ", "ìķĪ ëĤ´", "ĠNgh á»ĭ", "Ø® Ø´", "à¸ļา à¸Ħาร", "à¸ļาà¸Ħาร à¹Īา", "Ġоп ÑĨион", "ĠÑģозд аниÑı", "ãĤ³ ãĤ¹ãĥĪ", "Ġ×Ķ×¢ ׾×Ļ", "Ġ×Ķ×¢×ľ×Ļ ×ķף", "lä uft", "ãĥĻ ãĤ¹ãĥĪ", "Ġr ê", "Ġrê ve", "×IJ ×ij×Ļ×ij", "×Ļ ×Ļ×ļ", "ë¶ Ļ", "ãĤ¤ãĥ³ ãĥī", "ÅĤo ży", "ÅĤoży Äĩ", "ع ائÙĦ", "عائÙĦ Ø©", "Ø£ ÙĪر", "Ø£ÙĪر اÙĤ", "à¸Ĺà¹īà¸Ńà¸ĩ à¸ĸ", "à¸Ĺà¹īà¸Ńà¸ĩà¸ĸ ิà¹Īà¸Ļ", "Ġä hn", "Ġähn lich", "ãĥŁ ãĥĭ", "à¸ľ ู", "à¸ľà¸¹ à¹īà¸Ļ", "à¸ľà¸¹à¹īà¸Ļ ำ", "ĠмаÑĤеÑĢиал Ñĭ", "Ġкап иÑĤ", "ĠкапиÑĤ ал", "ï¼ ¦", "Ġseç il", "Ġh ứng", "Ġintéress ant", "ãģ£ãģ¦ ãģĦãģı", "Ġe ÄŁer", "ëIJĺ ìĹĪìĬµëĭĪëĭ¤", "Ġan laÅŁma", "ãģĶ åĪ©çĶ¨", "Ġ×ij ×ĸ׼", "Ġ×ij×ĸ׼ ×ķת", "ëĿ¼ ë©´", "ĠÙĬ ÙĪس", "ĠÙĬÙĪس Ùģ", "أسÙĦ ØŃØ©", "ĠGef ühl", "ĠноÑĢм алÑĮн", "ãĥĻ ãĥ³", "ãģķãĤĮ ãĤĭãģĵãģ¨", "ĠÐij еÑģ", "ãģ¨ãģĦ ãģĪãģ°", "ĠÙħ ÙĩÙħ", "ĠÙħÙĩÙħ Ø©", "ãģ§ãģĹãĤĩãģĨ ãģŃ", "ĠêµŃ ëĤ´", "à¹Ģม à¹ĩà¸Ķ", "×ŀ×ij קר", "ĠاÙĦد ÙĨÙĬ", "ĠاÙĦدÙĨÙĬ ا", "à¸Ĭ ู", "к ÑĢÑĥÑĤ", "Ġtho áng", "Ġ׳ ×ĵר", "Ġ׳×ĵר ש", "ĠÑĢаÑģÑģ казал", "ĠAu ÃŁerdem", "פ ×IJר", "פ×IJר ק", "Ġ×ŀש×Ĺק ×Ļ×Ŀ", "צ ר׼×Ļ×Ŀ", "×ŀ×ĵ ×ķ", "×ŀ×ĵ×ķ ×Ļק", "èĭ¦ ãģĹ", "ĠÑģ иг", "ĠÑģиг нал", "ĠM á»įi", "Ġtr ữ", "Ġnast ÄĻp", "ĠnastÄĻp nie", "Ġì¶Ķ ì§Ħ", "ĠاÙĦÙģ ÙĨد", "ĠاÙĦÙģÙĨد ÙĤ", "koÅĦ czyÅĤ", "ส ีà¹Ī", "ק ×Ļ×ij", "ק×Ļ×ij ×ķ×¥", "ĠнÑĥж нÑĭ", "大 åĪĩ", "大åĪĩ ãģª", "æıĽ ãģĪ", "ת ×ķס", "ת×ķס פת", "ãģ£ãģ¦ ãģĦãģªãģĦ", "Ġм Ñı", "ĠмÑı г", "ĠмÑıг к", "Ġjak ie", "Ġjakie ÅĽ", "à¸ķำ à¸ļ", "à¸ķำà¸ļ ล", "ĠìŀĪ ì§Ģ", "×ij×ĺ ×IJ", "ĠоÑĤлиÑĩ но", "ÙĤ ÙIJ", "ĠавÑĤом об", "ĠавÑĤомоб и", "ĠавÑĤомоби лÑı", "دÙĬÙħÙĤرا Ø·ÙĬ", "ĠاÙĦ ÙĪا", "ĠاÙĦÙĪا ØŃد", "Ġس ÙĪرÙĬØ©", "Ø£ غÙĦ", "أغÙĦ ب", "ĠÑįк ÑĢан", "ãĥĹ ãĥ©ãĤ¤", "Ġjeste ÅĽ", "ãĥIJ ãĥª", "Ġ×Ķ×IJ ×ķ×ķ×Ļר", "ائ Ùĥ", "à¸Ńยà¹Īาà¸ĩ ยิà¹Īà¸ĩ", "ÑĢ екÑĤ", "Ġum o", "Ġumo ż", "Ġumoż li", "Ġumożli w", "Ġumożliw ia", "Ġnäch ste", "ĠìŀĪ ì§Ģë§Į", "ĠпÑĢед н", "ĠпÑĢедн аз", "ĠпÑĢедназ наÑĩен", "Ġma çı", "Ġp omi", "Ġpomi ÄĻd", "ĠpomiÄĻd zy", "ĠاÙĦÙĦ ÙĤاء", "à¹Ģà¸Ķ à¸Ńะ", "Ġнов оÑģÑĤи", "×ŀ׊׾×Ķ", "رÙĬاض ÙĬ", "à¸Ķ à¸Ļ", "à¸Ķà¸Ļ à¸ķรี", "ب صر", "ìĬ¤ íĥĢ", "scri pción", "Ġnap isa", "Ġnapisa ÅĤ", "Ġ׳ש ×ŀ×¢", "ĠاÙĦÙħØŃ ÙĦÙĬ", "Ġhi á»ĥn", "×IJ ×Ĺ", "×IJ׊ר×IJ×Ļ", "Ġг ÑĢаниÑĨ", "æīĭ ç¶ļãģį", "Ùĥ سب", "Ġà¹ģà¸ķà¹Ī à¸ĸà¹īา", "à¸Ķาว à¸Ļà¹Į", "à¸Ķาวà¸Ļà¹Į à¹Ĥหลà¸Ķ", "ãĤĭãģĵãģ¨ãģĮãģ§ãģį ãģ¾ãģĻ", "åŁºæľ¬ çļĦãģ«", "ÙĪÙĦ اد", "rä ume", "د Ùģاع", "×Ļצ ×¢", "ĠO czy", "ĠOczy wiÅĽcie", "ĠÅ ģ", "ĠÅģ a", "اÙĦÙĬ اب", "اÙĦÙĬاب اÙĨ", "áºł I", "ĠBir liÄŁi", "×Ķ ×ķצ", "×Ķ×ķצ ×IJת", "ĠÄij ua", "Ġê·¸ëŁ¬ ëĭĪê¹Į", "Ġréal ité", "ع ÙĦاÙĤات", "J este", "Jeste ÅĽ", "Ġмн ож", "Ġмнож еÑģÑĤво", "ï¼ «", "ãĥĹãĥŃ ãĤ¸ãĤ§", "ãĥĹãĥŃãĤ¸ãĤ§ ãĤ¯ãĥĪ", "ĠÑĦ л", "ظ ÙĨ", "×Ĵ׾ ×Ĵ׾", "ĠmÅĤod zie", "ĠmÅĤodzie ż", "à¸Ļà¹īำ à¸ķา", "à¸Ļà¹īำà¸ķา ล", "ÐĽ Ðķ", "×ij ×ķ×ĺ", "Ġ׾×Ķ ×Ĵ×Ļ×ĵ", "ãģĵãģ¨ãĤĤ ãģĤãĤĭ", "ز اد", "×ŀ×Ļ×ĵ ×¢", "ĠgÅĤówn ie", "ãĥı ãĤ¦", "ãĥıãĤ¦ ãĤ¹", "б ел", "Ġét ape", "ðŁĺ Ģ", "Ġмод елÑĮ", "a ģını", "ש ×Ĺק", "ש×Ĺק ף", "Ġni ño", "à¸Ĭ à¹īาà¸ĩ", "à¹Ģล ีย", "ĠÑĦоÑĢм е", "ĠاÙĦØ´ رÙĬÙģ", "ĠÑĥд аÑĢ", "arr iv", "arriv ée", "Ġmies iÄĻ", "ĠmiesiÄĻ cy", "ØŃ Ø±Ùĥ", "ØŃرÙĥ ات", "ĠDi á»ħn", "ÐĿ Ы", "ãģ¾ãģ£ãģŁ ãģı", "Ġ×Ļ ר×ķק", "еÑģÑĤ еÑģÑĤв", "еÑģÑĤеÑģÑĤв енн", "Ġê·¸ ëŁ¼", "ĠاÙĦÙħ تÙĪ", "ĠاÙĦÙħتÙĪ سط", "Ġbéné fic", "Ġbénéfic ie", "Ġwy bra", "Ġwybra Äĩ", "ĠاÙĦز ÙħÙĨ", "ĠпÑĢин Ñı", "ĠпÑĢинÑı л", "Ùģر ØŃ", "Ġk sz", "Ġksz taÅĤ", "ĠksztaÅĤ t", "ק׾ ×ĺ", "×ij×ĵ×Ļק ת", "Ġgi ấ", "Ġgiấ c", "Ġpropriet Ãł", "деÑĢж ан", "ĠKö ln", "ĠGü zel", "×Ļפ ×ķ×Ļ", "ĠCu á»Ļc", "ÑįÑĤ аж", "تر ÙĥÙĬ", "ترÙĥÙĬ ز", "лож ений", "Ġп Ñĥ", "ĠпÑĥ ÑĤи", "اخت ÙĦاÙģ", "åĩºãģ¦ ãģıãĤĭ", "à¸ļุ à¸ģ", "âĿ ¤", "ÑĦ ан", "פש ×ĺ", "à¸ļัà¸Ļ à¹Ģà¸Ĺ", "à¸ļัà¸Ļà¹Ģà¸Ĺ ิà¸ĩ", "ĠاÙĦس اد", "ĠاÙĦساد س", "ĠاÙĦÙĤ ÙĪÙħ", "ĠاÙĦÙĤÙĪÙħ ÙĬ", "Ġyönet ici", "Ùĩ ÙĪات", "ÙĩÙĪات Ùģ", "Ġrespons ável", "Ġпод деÑĢжива", "ĠاÙĦسÙĦ Ø·", "ĠاÙĦسÙĦØ· ات", "ãģĹãģ¦ ãģĬãģı", "ãĥļ ãĥĥãĥĪ", "à¸Ľ ุà¹Īม", "Ġogl Äħda", "ÙĨا ÙĤ", "ÙĨاÙĤ Ø´", "à¸Ħà¸Ńà¸Ļ à¹Ĥà¸Ķ", "ĠMü sl", "ĠMüsl ü", "ĠMüslü man", "ĠMo ż", "ĠMoż na", "Ġnum érique", "Ġv á»ı", "ĠسÙĬ تÙħ", "Ġyer leÅŁ", "монÑĤ аж", "Ġgo ût", "ãģ¦ ãģĬãĤĬãģ¾ãģĻ", "ĠKh ánh", "Ġе дин", "Ġедин ÑģÑĤв", "اÙĨ Ø®Ùģ", "اÙĨØ®Ùģ اض", "ìĭľ íĹĺ", "Ġl ặng", "ĠÑĢ олÑĮ", "à¸ķัว à¹ģà¸Ĺà¸Ļ", "à¸Ħà¹Īา à¹ĥà¸Ĭà¹ī", "à¸Ħà¹Īาà¹ĥà¸Ĭà¹ī à¸Īà¹Īาย", "Ġver füg", "Ġverfüg bar", "ìĻĶ ëĭ¤", "ãģĦ ãģļ", "ãģĦãģļ ãĤĮ", "ĠиÑģÑģлед ованиÑı", "меÑī а", "×Ķ ×Ĺ", "×Ķ×Ĺ ×ĸר", "à¹ģà¸Ł à¸Ĭัà¹Īà¸Ļ", "ت صرÙģ", "Ø¥ رÙĩاب", "Ġexerc ÃŃcio", "Ġé lev", "Ġélev é", "สัà¸įà¸įา à¸ĵ", "Ãĸ Z", "ãĥĹ ãĥŃãĤ°", "ãĥĹãĥŃãĤ° ãĥ©", "ãĥĹãĥŃãĤ°ãĥ© ãĥł", "Ġw ewnÄĻtrzn", "Ġhen üz", "é£Ľ ãģ³", "à¹Ģà¸Ķ à¸Ńรà¹Į", "Ñģ Ñĥж", "ÑģÑĥж ден", "شع ÙĪب", "ãģ²ãģ¨ ãĤĬ", "Ġwy ÅĤÄħ", "ĠwyÅĤÄħ cznie", "Ġпло Ñħо", "ÐĶ Ðķ", "Ạ¦", "Ùģع اÙĦÙĬ", "ÙģعاÙĦÙĬ ات", "ĠاÙĦع شر", "ÑģÑĤÑĥп ил", "Ġy arg", "Ġyarg ı", "нÑİ Ñİ", "×ķ×IJ ×ij", "Ġu ç", "Ġuç ak", "ë² ½", "تÙĪ ÙĤÙĬ", "تÙĪÙĤÙĬ ع", "Ġì¤ij ìĭ¬", "׳×Ļ×ķ ×ķ×ĺ", "Ø£ ÙĥÙĦ", "ç½® ãģĦãģ¦", "éłĤ ãģį", "Ġ×Ķת ×ij", "Ġ×Ķת×ij ×Ļ×¢×Ķ", "Ġdür fen", "Ùħ ÙĤاÙĦ", "ÙħÙĤاÙĦ ات", "Ġز ÙħÙĨ", "à¸ŀฤ ศ", "à¸ŀฤศ à¸Ī", "à¸ŀฤศà¸Ī ิà¸ģ", "à¸ŀฤศà¸Īิà¸ģ ายà¸Ļ", "ĠнеÑģк олÑĮ", "ĠнеÑģколÑĮ ки", "ĠнеÑģколÑĮки Ñħ", "Ġcrian ça", "มิ à¸ķร", "×ŀ׼ ×Ļר×ķת", "à¸ģาร à¸ļริหาร", "Ġtélé charg", "Ġ×IJ×ķ×Ķ ×ijת", "ĠBü ro", "ä½ľ ãģ£ãģŁ", "ĠKi ÅŁi", "ç¾İåij³ ãģĹ", "à¹Ģลย à¸Ħà¹Īะ", "à¸ŀà¸ļ à¸ģัà¸ļ", "à¸Ī à¹īา", "Ġç er", "Ġçer ç", "Ġçerç eve", "ãĤĴä½ľ ãģ£ãģ¦", "ĠпеÑĢв ÑĥÑİ", "×ŀצ ר×Ļ×Ŀ", "×IJ׾ ×ķ×Ķ", "×IJ׾×ķ×Ķ ×Ļ×Ŀ", "Ġagr é", "Ġagré able", "Ġay ır", "Ä°L Ä°", "ãĤ ¥", "Ġíĺ Ħ", "ĠíĺĦ ìĭ¤", "ثاÙĦ Ø«", "ת ×ĸ", "ת×ĸ ×ķ׳×Ķ", "ãģ¨ãģĦ ãģ£ãģ¦", "ãģ¨ãģĦãģ£ãģ¦ ãĤĤ", "Ġا بÙĪ", "ĠÑģоб ак", "é£Łãģ¹ ãģŁ", "Ġдан ном", "à¹Ģล ิ", "à¹Ģลิ ศ", "Ġí ļ", "Ġíļ ¨", "Ġíļ¨ ê³¼", "ãĤĤãĤī ãģĪãĤĭ", "׳ צ׾", "ÑĦ ик", "ÑĦик Ñģ", "Ġjeste ÅĽmy", "ת×Ĺ×ķש ×Ķ", "à¹Ħมà¹Ī à¸Ħวร", "ĠØŃ Ø³ÙĬÙĨ", "à¸ģาร ลà¸ĩà¸Ĺุà¸Ļ", "ë´ ¤", "ĠÐĺ менно", "à¸ļ à¸Ńรà¹Į", "à¸ļà¸Ńรà¹Į à¸Ķ", "ĠC ảnh", "ìĦľ ë¹ĦìĬ¤", "Ġпол ов", "Ġполов ин", "Ġзам еÑĩа", "ãģĦãĤį ãĤĵãģª", "Ġ×ij ×Ļק", "Ġ×ij×Ļק ש", "л ÑĥÑĪ", "ãĤĴ è¿İ", "ãĤĴè¿İ ãģĪ", "جرÙĬ ÙħØ©", "Ġt ây", "ĠاÙĦÙĨ ÙĪ", "ĠاÙĦÙĨÙĪ ÙĪÙĬ", "ÃĤ N", "ì¿ ł", "หà¸Ļ าว", "Ġ×ij׊ש×ij×ķף", "ز ار", "à¸Ķ าร", "à¸Ķาร า", "ĠÅĽ l", "ĠÅĽl ub", "มีà¸Ħวาม สุà¸Ĥ", "Ġn hu", "Ġnhu áºŃn", "ÙħØŃ Ø·Ø©", "à¹Ģสืà¹īà¸Ń à¸ľà¹īา", "ĠТ олÑĮко", "ĠÙĥ س", "ĠÙĥس ارة", "ÙħØ´ رÙĪع", "niÄĻ cia", "×¢ ׼ש×Ļ×ķ", "ت ÙĦÙģ", "تÙĦÙģ زÙĬ", "تÙĦÙģزÙĬ ÙĪÙĨ", "Ġl Æ°á»Ľi", "ĠÐľÐ¾Ñģк вÑĭ", "Ġré serve", "Ġan laÅŁ", "ĠanlaÅŁ ıl", "Ġed eceÄŁi", "รà¸Ńà¸ĩ à¹Ģà¸Ĺà¹īา", "Ġب Ø·", "Ġبط رÙĬ", "ĠبطرÙĬ ÙĤØ©", "ãģ¦ãģĹãģ¾ ãģ£ãģ¦", "ãĤĤãĤī ãģ£ãģ¦", "بر ج", "æ± ļ", "æ±ļ ãĤĮ", "Ġch oc", "Ġchoc ia", "Ġchocia ż", "Ġzob ac", "Ġzobac zyÄĩ", "пÑĢ Ñı", "пÑĢÑı жен", "ĠÑĨ иÑĦ", "ĠÑĨиÑĦ ÑĢ", "Ġм ам", "Ġвз ÑıÑĤÑĮ", "Ġch ạm", "ج سÙħ", "ØŃÙħ اس", "à¹Ģล à¹Īม", "à¸ŀิ ษ", "×Ķפ ׼×ķ", "à¸Ĭà¹Īà¸Ńà¸ĩ à¸Ĺาà¸ĩ", "Ġв ек", "Ġвек а", "Æ¡ Ìģ", "Æ¡Ìģ i", "ĠTi á»ģn", "Ġtr ầm", "мÑĭ ÑĪ", "мÑĭÑĪ л", "ĠÑĤ Ñĥ", "ĠÑĤÑĥ ÑĢиÑģÑĤ", "Ġch c", "Ġchc Äħ", "Ġав г", "Ġавг ÑĥÑģÑĤ", "ĠавгÑĥÑģÑĤ а", "ס ×IJ×ķת", "Ġר ×Ĵ׾", "à¸ľà¸¥ à¸ģระà¸Ĺ", "à¸ľà¸¥à¸ģระà¸Ĺ à¸ļ", "å¤īãĤı ãĤĭ", "Ġ×Ķ×IJ×Ĺר ×ķ׳×Ļ×Ŀ", "سÙģ ÙĬر", "ĠÑĩа Ñīе", "ãģĦ ãĤī", "ãģĦãĤī ãģ£", "ãģĦãĤīãģ£ ãģĹãĤĥ", "×ķ×ŀ ׳×Ļ×Ŀ", "Ġart tır", "ĠCh á»ĭ", "Ġì¡° ì§ģ", "ĠÑĥÑģп еÑħ", "Ġ×¢ ×ķס", "Ġ×¢×ķס ק", "ĠìĥĿ ëªħ", "ÑĨ иÑĤ", "Ġreg ión", "Ðŀ ÐĿ", "ĠdoÄŁ um", "ĠyaÅŁ ad", "ĠyaÅŁad ıģı", "à¸Ĺà¸Ķ ลà¸Ńà¸ĩ", "Ġgöz ü", "ש ×Ļר×Ķ", "дÑĥм ал", "Ġda ģı", "Ġdaģı t", "à¸Ĺีม à¸ĩาà¸Ļ", "Ġti á»ģm", "ĠاÙĦÙĥ بر", "ĠاÙĦÙĥبر Ùī", "ì¹ Ń", "ĠGü nc", "ĠGünc elle", "ĠGüncelle me", "ê¹ Ĭ", "ĠобоÑĢÑĥд ование", "ĠÑĢеÑĪ а", "á» ¤", "Ġп иÑĤ", "ĠпиÑĤ аниÑı", "à¹Ģรีย à¸ļ", "×Ľ×ª ×Ļ×ij×Ķ", "Ġп он", "Ġпон ÑĢав", "ĠпонÑĢав и", "Ġ×Ķ ×ķ׾×ĵ", "Ġ×Ķ×ķ׾×ĵ ת", "Ġê² ģ", "Ġê²ģ ëĭĪëĭ¤", "ĠпеÑĢв ой", "ãĥ©ãĤ¤ ãĥķ", "ĠÅŁi ir", "kr ÄĻ", "krÄĻ c", "Ġthi á»ĥu", "à¹Ģลย à¸Ĺี", "à¹Ģลยà¸Ĺี à¹Ģà¸Ķียว", "×ĺ×¢ ׳×ķת", "ائ ÙĩÙħ", "Ġ×IJ ס×ķר", "ĠплаÑĤ еж", "تر دد", "Ġmożli we", "Ġkh Ỽ", "ĠkhỼ p", "تÙģاع ÙĦ", "ĠÑĪ колÑĮ", "ĠÑĪколÑĮ н", "ĠÙĤ صة", "Ġmét ier", "nÄĻ ÅĤa", "หล à¹Īà¸Ń", "Ġ ủng", "Ġprz egl", "Ġprzegl Äħd", "ĠاÙĦÙħ تعÙĦ", "ĠاÙĦÙħتعÙĦ ÙĤØ©", "ĠÑģÑĭ н", "Ġв олн", "ãĥĩ ãĥ¼ãĥĪ", "ĠÐŃ ÑĤи", "Ġк ÑĢоме", "à¸Ħ ารà¹Į", "׳ק ×ķ×ĵ×Ķ", "Ġ׾ש×ŀ ×ķ×¢", "Ġ×ĸ ×ķ׼ר", "ï¼ §", "ÙĬ Ùİا", "Ġgi á»ıi", "åĥį ãģı", "ĠÑģ ни", "ĠÑģни жен", "à¹ģà¸Ķ à¸Ķ", "รุ à¸Ļ", "รุà¸Ļ à¹ģรà¸ĩ", "Ġhi á»ĩp", "ograf ÃŃa", "à¹Ģà¸Ī à¸Ńรà¹Į", "Ġдв иг", "Ġдвиг аÑĤ", "ĠдвигаÑĤ ел", "Ġü y", "Ġüy eler", "Ġüyeler i", "Ġб Ñĥк", "ĠбÑĥк в", "ãĤĤ å¤ļãģı", "Ġthi á»ĩt", "ĠPa ÃŃs", "ĠØ· بÙĬعÙĬ", "à¹ģà¸Ī à¸ģ", "ĠاÙĦص ØŃÙĬØŃ", "Ġapp ré", "Ġappré ci", "Ġdecis ión", "Ġë°ĺ ëĵľ", "Ġë°ĺëĵľ ìĭľ", "ĠÑĤеб е", "ãĤ· ãĥ¼ãĤº", "ãĤ·ãĥ¼ãĤº ãĥ³", "Ġд алÑĮн", "ĠìĬ ¤", "ĠìĬ¤ ìĬ¤", "ĠìĬ¤ìĬ¤ ë¡ľ", "ĠTh á»ĥ", "Ġkar ÅŁ", "ĠkarÅŁ ıs", "ĠkarÅŁÄ±s ında", "ĠK ön", "ĠKön ig", "ив ание", "×ij ×ķצע", "г лаÑģ", "Ġtw ó", "Ġtwó rc", "à¸Ľà¸ģ à¸Ħร", "à¸Ľà¸ģà¸Ħร à¸Ńà¸ĩ", "ĠG ÅĤ", "ĠGÅĤ ówn", "ĠUnter stüt", "ĠUnterstüt zung", "Ġд ÑĥÑħ", "ĠдÑĥÑħ ов", "Ø£ ÙħاÙĨ", "×Ĺש ש", "ت ظ", "تظ اÙĩر", "ĠлÑİб ом", "à¸ķ าร", "à¸ķาร าà¸ĩ", "Ġkr ól", "Ø£ ØŃدث", "ì¡Į ëĭ¤", "Ðļ ÑĥÑĢÑģ", "ãĥĥ ãĥĦ", "×ŀק ×ķ×ij׾", "ĠÑģимв ол", "Ġdés orm", "Ġdésorm ais", "w üns", "wüns che", "Ñĥ ни", "Ñĥни ÑĨип", "ÑĥниÑĨип алÑĮн", "หลัà¸ģ สูà¸ķร", "ÙĨت شر", "Ġа л", "Ġал к", "Ġалк ог", "Ġалког ол", "ĠÑĥ ÑĩиÑĤÑĭва", "à¸ģำ à¸ģัà¸ļ", "Ġ׾ פע×ķ׾", "ĠìĹ° ê²°", "s Äħd", "ĠاÙĦØ£ ÙĬ", "ĠاÙĦØ£ÙĬ اÙħ", "غÙĬ اب", "Ġна ÑĢ", "ĠнаÑĢ ко", "×ŀ×ķ×ĵ ×¢", "ĠÑģеÑĢ ии", "пиÑģ Ñĭва", "สิ ว", "ç¶ļ ãģĦãģ¦", "çĶ³ãģĹ è¾¼ãģ¿", "Ġ׾ ×Ĵר", "Ġ׾×Ĵר ×ķ×Ŀ", "Ġд ем", "Ġдем о", "Ġë³´ ëĤ´", "تÙĩ دÙĬد", "ĠÙħØ´ ÙĬرا", "Ġdu y", "Ġduy á»ĩt", "ĠwiÄĻks ze", "Ùħع اÙĬ", "ÙħعاÙĬ ÙĬر", "ĠG da", "ĠGda ÅĦsk", "Ġr ah", "Ġrah ats", "Ġrahats ız", "ר ×ķצ×Ķ", "l ös", "lös ung", "ĠТак им", "ÑĪ ед", "ÑĪед ÑĪ", "ع زÙĦ", "Ġרש ×Ļ×ŀת", "Ġ׾×Ķ ×Ļ׼", "Ġ׾×Ķ×Ļ׼ ×ł×¡", "Ġп ÑĥÑĤ", "ĠпÑĥÑĤ еÑĪ", "ĠпÑĥÑĤеÑĪ еÑģÑĤв", "Ġnot ÃŃcia", "Ġal Ä±ÅŁ", "ĠalÄ±ÅŁ ver", "ĠalÄ±ÅŁver iÅŁ", "ĠwÅĤ os", "ĠwÅĤos ów", "Ġب غ", "Ġبغ داد", "Ġver öffent", "Ġveröffent licht", "ĠKh á", "Ġt án", "ëIJĺ 기", "Ġë°© 문", "Ùģ ÙĬÙĦ", "à¹Ģà¸ģิà¸Ķ à¸Īาà¸ģ", "åı¯ æĦĽ", "åı¯æĦĽ ãģĦ", "à¸ĸ ุà¸ĩ", "Ġz ewnÄĻtrzn", "à¸łà¸²à¸©à¸² à¸Ńัà¸ĩà¸ģฤษ", "Ġmá xima", "Ġul us", "Ġulus lararası", "Ġ׳×Ķ ׳", "à¸Ĥà¹Īาว สาร", "ĠìĿĺ ìĤ¬", "à¹Ģหล ืà¸Ńà¸ĩ", "Ġد ÙĤ", "ĠدÙĤ ائÙĤ", "สืà¹Īà¸Ń สาร", "ë¨ ¼", "ĠÑģоÑģÑĤоÑı нии", "สมา à¸Ħม", "á» Ĥ", "ĠÐľÐ¾Ñģ ков", "ĠÐľÐ¾Ñģков Ñģк", "×ŀס ×ķ×Ĵ׾", "ãģĭ ãģĭãĤĬ", "ĠTr uyá»ģn", "à¹ģà¸Ĥà¹ĩà¸ĩ à¹ģรà¸ĩ", "×ŀ×Ĺ ×ĸ×Ļק", "à¹Ĥà¸ģ à¹ī", "ÙĬس ر", "ìĶ ©", "×IJ ×ķק", "×IJ×ķק ×ĺ", "×IJ×ķק×ĺ ×ķ×ijר", "Ġprox imité", "ÙħÙĨ Ùĩج", "ĠاÙĦج ز", "ĠاÙĦجز ائ", "ĠاÙĦجزائ رÙĬ", "ĠÄIJi á»ĥm", "Ġден еж", "Ġденеж н", "ÙģØŃ Øµ", "Ùģ ئ", "ĠÐij Ñĥд", "×Ĵ×Ļ×ĵ ×ķ׾", "ĠÐĴ едÑĮ", "عÙĦ اÙħØ©", "Ġ×IJ×Ĺר ×ķ׳×ķת", "ãģĦãģŁãģł ãģĦãģ¦", "سÙĦ ØŃ", "ØŃ ÙĦÙħ", "ز ÙĪار", "Ùĥ سر", "×ĺ קס", "Ġб ан", "Ġбан ков", "ĠпÑĢ ож", "ĠпÑĢож ива", "li wo", "liwo ÅĽci", "ĠTi ếp", "ĠاÙĦÙħÙĨ اسب", "ĠاÙĦØ® ÙĬار", "ãģĬ ãģĭ", "ãģĬãģĭ ãģĴ", "à¸Ķà¸Ńà¸ģ à¹Ħมà¹ī", "ä mp", "ämp fe", "à¸ķัà¹īà¸ĩ à¹ĥà¸Ī", "Ġза ÑīиÑĤ", "ĠзаÑīиÑĤ Ñĭ", "ĠTh Æ°á»Ŀng", "Ġص Ùģ", "ĠصÙģ ØŃØ©", "×Ĺ×ķר ×£", "ãĥIJ ãĥĥãĤ°", "Ġ×ĵ ×Ļ×Ĵ", "Ġ×ĵ×Ļ×Ĵ ×Ļ×ĺ", "Ġ×ĵ×Ļ×Ĵ×Ļ×ĺ ׾×Ļ", "Ġ×Ķ×Ĺ ×ķ׾×Ļ×Ŀ", "в еÑī", "веÑī а", "Ġк ÑĥлÑĮÑĤ", "ĠкÑĥлÑĮÑĤ Ñĥ", "ĠкÑĥлÑĮÑĤÑĥ ÑĢÑĭ", "ĠاÙĦاÙĨ ترÙĨت", "Ġhö ch", "Ġhöch st", "Ġíĺ ķ", "Ġíĺķ íĥľ", "Ġв ой", "Ġвой нÑĭ", "ÐĽ Ðŀ", "ìĭł ìļ©", "Ġ×ŀ×ij ×ķס", "Ġ×ŀ×ij×ķס ס", "×ŀ׳ ×Ļ×¢", "Ġfiyat ı", "ĠÑģл Ñĥж", "ĠÑģлÑĥж бÑĭ", "à¸Ĺั ศ", "à¸Ĺัศ à¸Ļ", "ãģĵãģ¨ãģĮ å¤ļãģĦ", "Ġ×Ķ×ŀש ת", "Ġ×Ķ×ŀשת ×ŀש", "å¯Ħ ãģĽ", "×ŀש׾ ×ķ×Ĺ", "æĻĤ çĤ¹", "æĻĤçĤ¹ ãģ§", "à¸ŀร ี", "à¸ŀรี à¹Ģมีย", "à¸ŀรีà¹Ģมีย รà¹Į", "à¸ŀรีà¹Ģมียรà¹Į ลีà¸ģ", "Ġdiffic olt", "Ġdifficolt Ãł", "ãĥ¬ ãĤ¹ãĥĪ", "ãĥ¬ãĤ¹ãĥĪ ãĥ©ãĥ³", "สม à¹Ģà¸Ķà¹ĩ", "สมà¹Ģà¸Ķà¹ĩ à¸Ī", "Ġж ид", "Ġжид к", "Ġzu peÅĤ", "ĠzupeÅĤ nie", "ĠÙħ جر", "ĠÙħجر د", "ãģĮ å§ĭ", "ãģĮå§ĭ ãģ¾", "ãĤŃãĥ£ ãĥ©", "Ġ×IJ ×ķ×ķ×Ļר", "ãģĬ äºĴ", "ãģĬäºĴ ãģĦ", "Ġpot rÃł", "ĠPa ÅĦst", "ĠPaÅĦst wo", "Ġب ÙĬاÙĨ", "ĠبÙĬاÙĨ ات", "Ġин огда", "ĠÑĢ а", "ĠÑĢа ÑģÑĤв", "ĠÑĢаÑģÑĤв оÑĢ", "Ġ×ĸ ×ŀ׳", "ยิ à¹īม", "Ä Ĩ", "ãģ¾ ãģķ", "ãģ¾ãģķ ãģ«", "ãĥķãĤ¡ ãĤ¤ãĥ«", "Ġgörd Ã¼ÄŁÃ¼", "สà¸ĩ à¸Ħร", "สà¸ĩà¸Ħร าม", "ĠArk adaÅŁ", "ĠrozwiÄħz ania", "×ŀ ×ķ×ĺ", "pi ÄĻ", "piÄĻ t", "ص غر", "ส ย", "สย าม", "ãĤĨ ãģ£ãģıãĤĬ", "Ġtr ần", "Ġeconom ÃŃa", "Ġgeh ören", "ãĤ·ãĥ§ ãĥ¼", "ĠsÅĤ ucha", "à¸ŀà¸Ń à¹ĥà¸Ī", "ĠоÑĤмеÑĤ ил", "ÙĨت ÙĤÙĦ", "Ġprop ósito", "ĠваÑĪ его", "Ġnh ắn", "à¹ģà¸ĸ ว", "Ġком иÑģ", "ĠкомиÑģ Ñģи", "waż nie", "Ġy avaÅŁ", "×ŀ ×Ļק", "×ŀ×Ļק ×ķ×Ŀ", "ש×IJ׾ ת", "Ġyıll arda", "ĠÐ ®", "ĠЮ ÑĢ", "×ł×¡ ×Ļ×ij×ķת", "ת צ", "תצ ×ķ×Ĵ", "Ġод нÑĥ", "Ġ à¸Ńยà¹Īาà¸ĩà¹Ħร", "Ġà¸Ńยà¹Īาà¸ĩà¹Ħร à¸ģà¹ĩà¸ķาม", "ëģ ¼", "à¹Ħล à¹Ī", "تس ÙĦÙĬÙħ", "بÙĦ اغ", "Ġì ī", "Ġìī ½", "Ġìī½ ê²Į", "ãĥļ ãĥ³", "зв ÑĥÑĩ", "ĠW äh", "ĠWäh rend", "Ġ×Ļ ×Ļת", "Ġ×Ļ×Ļת ׼ף", "Ġkh uyên", "Ġv ẽ", "Ġа меÑĢ", "ĠамеÑĢ ик", "ĠамеÑĢик ан", "ĠамеÑĢикан Ñģк", "ع جب", "ãĥĽãĥ¼ãĥł ãĥļãĥ¼ãĤ¸", "Ġник ÑĤо", "ĠÙĤ Ùİ", "ĠÙĤÙİ Ø§ÙĦ", "ĠÙĤÙİاÙĦ Ùİ", "ÐIJ ÐĹ", "Ùħ جÙħÙĪع", "ÙħجÙħÙĪع ات", "Ġnecess itÃł", "Ġpob li", "Ġpobli żu", "Ġph ấn", "ĠСо обÑī", "ÙħÙĤ اط", "ÙħÙĤاط ع", "Ġ×Ķצ ×ķר×ļ", "la ÅŁtırma", "ว ิà¸Ķ", "วิà¸Ķ ี", "วิà¸Ķี à¹Ĥà¸Ń", "Ġ그리 ìĬ¤", "Ġ그리ìĬ¤ ëıĦ", "ãĤ¿ãĤ¤ ãĥŁ", "ãĤ¿ãĤ¤ãĥŁ ãĥ³ãĤ°", "ק×ĺ ×Ĵ×ķר", "ק×ĺ×Ĵ×ķר ×Ļ×Ķ", "Ġ×Ĺ ×ķפ", "Ġ×Ĺ×ķפ ש×Ļ", "Ø£ جر", "Ġим ени", "ĠÑĢан ее", "à¹Ģà¸ŀืà¹Īà¸Ńà¸Ļ à¹Ĩ", "ĠJes ús", "Ñģо един", "Ñģоедин ен", "Ġר ×Ĺ×ķק", "à¹Ĥà¸ļ รา", "à¹Ĥà¸ļรา à¸ĵ", "ĠH Æ¡n", "Ġth áºŃp", "تع ÙĬÙĬÙĨ", "Ġtart Ä±ÅŁ", "ĠtartÄ±ÅŁ ma", "ĠGes pr", "ĠGespr äch", "תר ×ķפ", "תר×ķפ ×ķת", "Ġcat égorie", "Ġоказ Ñĭва", "ĠналиÑĩ ие", "Ġprésent é", "Ġk ull", "Ġkull and", "Ġkulland ı", "Ġü nl", "Ġünl ü", "ĠÙģ Ùĥرة", "из аÑĤоÑĢ", "×IJ ×ķ׳", "×IJ×ķ׳ ×Ļ×ij", "×IJ×ķ׳×Ļ×ij רס", "×IJ×ķ׳×Ļ×ijרס ×Ļ×ĺת", "ĠÑĢаÑģÑģ маÑĤ", "ĠÑĢаÑģÑģмаÑĤ ÑĢ", "ĠÑĢаÑģÑģмаÑĤÑĢ ива", "تÙĥÙĦ Ùħ", "Ùĥت رÙĪ", "ÙĥترÙĪ ÙĨÙĬ", "ĠÑģо ÑĩеÑĤ", "ĠÑģоÑĩеÑĤ а", "ãĤĴè¦ĭ ãģĽ", "Ġng ừa", "ĠÐł еÑģп", "ĠÐłÐµÑģп Ñĥб", "ĠÐłÐµÑģпÑĥб лик", "ãĤ¦ ãĤ©", "ãĤ¦ãĤ© ãĥ¼", "ĠÐľ еждÑĥ", "ĠìŀĪ ê²Į", "Ġm â", "ĠìļĶ ì²Ń", "ض ار", "ลุ à¹īà¸Ļ", "ëĮĢ íķĻêµIJ", "×ĸ ×Ļ׼", "×ĸ×Ļ׼ ר×ķף", "ãĤ¹ ãĥļ", "ãĤ¹ãĥļ ãĥ¼ãĤ¹", "ĠкÑĢаÑģ оÑĤ", "ï¼ ¨", "ê¼ Ń", "ãĤĴ éĽĨ", "ãĤĴéĽĨ ãĤģ", "ë° Ŀ", "Ġ×Ķ׳ ×IJ", "Ġ×Ķ׳×IJ ש×Ŀ", "Ġê°Ģ ìļ´", "Ġê°Ģìļ´ ëį°", "تÙĥÙĦ ÙģØ©", "ĠØŃ ÙĤÙĬÙĤÙĬ", "Ġh alk", "Ġhalk ın", "ÑİÑī ÑĥÑİ", "ĠÑģп ин", "סר×ĺ ף", "ĠпеÑĢв ого", "Ġпол ож", "Ġполож иÑĤелÑĮн", "Ġд л", "Ġдл иÑĤелÑĮн", "ĠV Ä©nh", "ê´ ´", "ĠÑģÑĭ ÑĢ", "ĠíĨµ íķĺìŬ", "ë³ij ìĽIJ", "à¹Ĥรà¸ĩ à¸ĩาà¸Ļ", "รัà¸ļ à¸ľà¸´à¸Ķ", "รัà¸ļà¸ľà¸´à¸Ķ à¸Ĭà¸Ńà¸ļ", "تج ÙĨب", "s ÅĤ", "sÅĤ uch", "ãĤ¢ãĥ« ãĥIJ", "ãĤ¢ãĥ«ãĥIJ ãĥł", "ëī´ ìĬ¤", "Ġpat ië", "Ġpatië nt", "Ġìĺ ¤í", "Ġìĺ¤í ŀ", "Ġìĺ¤íŀ Ī", "Ġìĺ¤íŀĪ 볤", "ĠDer ne", "ĠDerne ÄŁi", "wró ci", "wróci Äĩ", "Ġоб Ñī", "ĠобÑī еÑģÑĤв", "ĠобÑīеÑģÑĤв енно", "ĠêµIJ ìĪĺ", "tıģ ımız", "Ġ×Ķ×ŀש ×Ļ×ij", "k örper", "Ġпозв ол", "Ġпозвол иÑĤ", "ĠChi ến", "أخ ÙĪ", "ĠAy dın", "à¸Ķà¹īาà¸Ļ ล", "à¸Ķà¹īาà¸Ļล à¹Īาà¸ĩ", "Ġdr u", "Ġdru ż", "Ġdruż yn", "Ġë°ľ íijľ", "ĠTh ảo", "جÙĩ اد", "à¸ģระà¸Ĺ ูà¹ī", "Ġк ÑĢов", "ĠкÑĢов и", "Ġiçer ik", "Ġnad zie", "Ġnadzie jÄĻ", "ĠС моÑĤÑĢ", "Ġph ức", "ج تÙħاع", "جتÙħاع ÙĬØ©", "ком пон", "компон енÑĤ", "Ġб ил", "Ġбил еÑĤ", "ãĥIJ ãĥ³ãĥī", "ĠPol ÃŃcia", "اÙĦ تÙĩ", "اÙĦتÙĩ اب", "ØŃر Ùģ", "ت خط", "تخط ÙĬØ·", "ãĤ³ ãĥ¼ãĥ", "ãĤ³ãĥ¼ãĥ Ĵ", "ãĤ³ãĥ¼ãĥĴ ãĥ¼", "･･ ï½¥", "à¸ĭ à¸Ńย", "Ġcréd it", "è²· ãģ£ãģŁ", "ĠпоÑĢ Ñıд", "ĠпоÑĢÑıд ке", "Ġph ó", "Ġw ida", "Ġwida Äĩ", "جر ائÙħ", "à¸ľ ี", "ĠbÄĻd ÄĻ", "Ġ×ŀ פת×Ĺ", "ãĥij ãĥ¼ãĥ", "ãĥijãĥ¼ãĥ Ĩ", "ãĥijãĥ¼ãĥĨ ãĤ£", "ãĥijãĥ¼ãĥĨãĤ£ ãĥ¼", "ĠKa ż", "ĠKaż dy", "ĠнеобÑħодим оÑģÑĤи", "à¸Ł à¸Ńรà¹Į", "à¸Łà¸Ńรà¹Į ม", "Ġмал ÑĭÑĪ", "Ġпл оÑĤ", "ĠÑĥ ÑģÑĤÑĢой", "ĠÑĥÑģÑĤÑĢой ÑģÑĤва", "à¸ĸ à¸Ńà¸Ļ", "ĠoluÅŁtur ul", "ĠÅĽwi ad", "ĠÅĽwiad om", "Ùħع Ùĩد", "ĠпÑĢоиз веден", "Æ ł", "ר ×Ļש", "Ùħست Ø«", "Ùħستث Ùħر", "׳×Ļ ×Ļר", "pa ñ", "Ġ; -)", "Ġë°ľ 견", "Ġgör üyor", "Ùħؤ ÙĦÙģ", "ĠÄIJ á»ģ", "ĠاÙĦÙĨ ÙĪاب", "×Ĺק ×Ļר×Ķ", "Ġm á»ıi", "è¿° ãģ¹", "ÐĿ ик", "ìŀĸ ìķĦ", "ìŀĸìķĦ ìļĶ", "prowadzi ÅĤ", "l óg", "lóg ica", "פס ×ĺ", "פס×ĺ ×Ļ×ij׾", "Ġ×ŀ ×ĵ×Ķ", "Ġ×ŀ×ĵ×Ķ ×Ļ×Ŀ", "ãģĵãģĵ ãģ¾ãģ§", "×Ķ ת×Ĺ", "×Ķת׊׾×Ķ", "Ġפ ×ķס", "Ġפ×ķס ×ĺ×Ļ×Ŀ", "Ġн ев", "Ġнев оз", "Ġневоз можно", "ĠdostÄĻp ny", "Ġغ اÙĦ", "ĠغاÙĦ ب", "Ġbez pieczeÅĦst", "ĠbezpieczeÅĦst wa", "åĪĨ ãģĭãĤĭ", "ĠF ührung", "à¸ģ ีà¹ī", "gem Ã¤ÃŁ", "à¸Ĭà¹Īวà¸ĩ à¹Ģวลา", "Ġìļ°ë¦¬ ëĤĺ", "Ġìļ°ë¦¬ëĤĺ ëĿ¼", "ãģ¥ ãģıãĤĬ", "ĠاÙĦÙħ سÙĦ", "ĠاÙĦÙħسÙĦ ØŃØ©", "Ġlibert é", "клÑİÑĩ ение", "Ġzam ów", "Ġzamów ienia", "รà¸ĸ à¹Ħà¸Ł", "Ø£ ÙģÙĦ", "Ø£ÙģÙĦ اÙħ", "Ùħ راج", "Ùħراج عة", "Ġë¹Ħ êµIJ", "ĠاÙĦت اب", "ĠاÙĦتاب عة", "Ġë§Į ëĤĺ", "Ġб Ñĥм", "ĠбÑĥм аг", "Ġgé nero", "Ġìŀĺ 못", "×ŀ פ×ķר×ĺ", "è²·ãģĦ çī©", "ĠÙĦدÙĬ Ùĥ", "Ġ×ľ×¢ ×Ļת", "Ġ×ľ×¢×Ļת ×Ļ×Ŀ", "ĠsÅĤ ab", "ĠпÑĢедÑģÑĤав лÑı", "ãĤ¿ ãĤ¤ãĥĪ", "ãĤ¿ãĤ¤ãĥĪ ãĥ«", "Ùħ ص", "Ùħص Ø·Ùģ", "ÙħصطÙģ Ùī", "Ġdifficult é", "ãĥĨãĤ£ ãĥĸ", "Ġpew noÅĽci", "ĠpewnoÅĽci Äħ", "Ġ무 ìĬ¨", "Ø¥ رس", "إرس اÙĦ", "Ġд алÑĮ", "ĠдалÑĮ ÑĪе", "Ġ׾ ×ł×¡", "Ġ×ľ×ł×¡ ×ķת", "หมูà¹Ī à¸ļà¹īาà¸Ļ", "×ŀס×ŀ ׼×Ļ", "أسÙĦ ÙĪب", "Ġzw ÅĤ", "ĠzwÅĤ as", "ĠzwÅĤas zc", "ĠzwÅĤaszc za", "ĠпÑĢ еж", "ĠпÑĢеж де", "ĠоÑĢганиз аÑĨиÑı", "Ġdön emin", "Ġdönemin de", "Ġ Ủ", "ĠỦ y", "ä¸ĭ ãģĴ", "ĠпоÑģлед ние", "Ġgü ne", "Ġgüne ÅŁ", "Ġ×IJ ×ĸר", "Ġ×IJ×ĸר ×Ĺ×Ļ", "ãģ§ãģĤ ãĤįãģĨ", "ĠÙĨ ÙĤ", "ĠÙĨÙĤ اط", "æŃ£ ãģĹãģĦ", "ĠÑĢ ег", "ĠÑĢег иона", "ĠFör der", "ê²½ ìĺģ", "dıkl ar", "dıklar ını", "trzym aÄĩ", "أش Ùĥ", "أشÙĥ اÙĦ", "×Ķת ×IJ", "×Ķת×IJ ×ŀ×Ķ", "à¸Ĺำà¹ĥหà¹ī à¹Ģà¸ģิà¸Ķ", "ĠGeb ä", "ĠGebä ude", "ĠСеÑĢ г", "ĠСеÑĢг ей", "Ġз доÑĢов", "ĠздоÑĢов ÑĮÑı", "Ġr ãi", "ĠпÑĢед ÑĥÑģ", "ĠпÑĢедÑĥÑģ моÑĤÑĢ", "ĠпÑĢедÑĥÑģмоÑĤÑĢ ен", "Ġ×Ķצ ×Ļ×ij", "Ġ×Ķצ×Ļ×ij ×ķר×Ļ", "Ġdés ir", "Ġн оÑĩ", "ĠноÑĩ ÑĮ", "möglich keiten", "Ġ×IJ×Ĺר ×ķ׳×Ļ×Ŀ", "Ġsoir ée", "ĠNh áºŃn", "Ù ª", "à¸Ľà¸£à¸°à¸§à¸±à¸ķิ ศาสà¸ķรà¹Į", "êµIJ íĨµ", "ĠØ£ Ø®ÙĬ", "Ġdé cid", "Ġdécid é", "Ġwy ja", "Ġwyja ÅĽni", "Ġ สิ", "Ġสิ à¸ĩ", "Ġสิà¸ĩ หา", "Ġสิà¸ĩหา à¸Ħม", "à¹ģ à¸Ńรà¹Į", "หà¸Ļà¹īา à¸Īà¸Ń", "ס תר", "Ġê ¶", "Ġê¶ Į", "Ġê¶Į 리", "pl ätze", "ب Ø·ÙĦ", "ê±´ ìĦ¤", "Ġ×IJ ×Ļ×ŀ×Ļ", "Ġ×IJ×Ļ×ŀ×Ļ ×Ļ׾", "ãģ ½", "تر اث", "×IJ׾ ×Ļ×ŀ×ķת", "Ġdispon ÃŃveis", "Ġz ale", "Ġzale ży", "à¸Ľà¸£à¸°à¸Ĭา สัมà¸ŀัà¸Ļà¸ĺà¹Į", "ĠÅļw iat", "Ġpor ówn", "Ġporówn a", "Ġ׾×ĺ ×ķ×ijת", "×Ķ×ĸ ×ŀ׳×Ķ", "Ġ×Ľ×ª ×ķצ×IJ×Ķ", "Ġ×ij ק׾", "Ġ×ijק׾ ×ķת", "ĠоÑĤ кÑĢ", "ĠоÑĤкÑĢ Ñĭва", "ãĥij ãĥ¯ãĥ¼", "ë¿IJ ë§Į", "Ġв ÑģÑı", "ĠвÑģÑı к", "ãģ¨ãģª ãģ£ãģ¦ãģĦãĤĭ", "Ġgi áºŃn", "Ġок ÑĢÑĥ", "ĠокÑĢÑĥ жа", "ĠокÑĢÑĥжа ÑİÑī", "ĠUnivers ität", "ĠÑĢ ож", "ĠÑĢож д", "ĠÑĢожд ениÑı", "Ø® ÙĬÙĦ", "Ġкомпани й", "ĠÑĢазлиÑĩ нÑĭе", "ĠЦ ена", "׳×Ļ ×ķ×ĸ", "׳×Ļ×ķ×ĸ ׾", "׳×Ļ×ķ×ĸ׾ ×ĺר", "Ġê³µ ê°Ħ", "Ġê°ľ ëħIJ", "landır ma", "ĠÑĥдал ен", "à¸ŀัà¸ģ à¸ľ", "à¸ŀัà¸ģà¸ľ à¹Īà¸Ńà¸Ļ", "Ġprote cción", "Ġb ÅĤ", "ĠbÅĤ ÄĻd", "à Ī", "Ġíĸī ë³µ", "ĠÅŁ ü", "ĠÅŁÃ¼ phe", "Ġí Ķ", "ĠíĶ ¼", "ĠíĶ¼ íķ´", "Ġëĭ¤ 르", "à¹Ħมà¹Ī à¹Ģà¸ģิà¸Ļ", "ãģ¿ ãģª", "ãģ¿ãģª ãģķãĤĵ", "ĠпоÑĤ ÑĢеб", "ĠпоÑĤÑĢеб иÑĤел", "ĠاÙĦÙĥÙĦ اÙħ", "ìķĦ ë²Ħ", "ìķĦë²Ħ ì§Ģ", "ãĤĴ使 ãģ£ãģŁ", "Ġbụ i", "ĠпоÑĤ еÑĢ", "ĠпоÑĤеÑĢ Ñı", "ĠØ¢ ÙĦاÙģ", "ĠнаÑģÑĤоÑıÑī ее", "ãģıãģªãĤĬ ãģ¾ãģĹãģŁ", "clus ão", "ãĤ³ ãĥĶãĥ¼", "צ פ×Ļ", "צפ×Ļ ×Ļ×Ķ", "Ø® ÙĦا", "Ø®ÙĦا ص", "ล à¹īำ", "ãĥ¯ ãĤ¤ãĥ³", "Ġมี à¸Ļา", "Ġมีà¸Ļา à¸Ħม", "Ø´ خص", "شخص ÙĬات", "Ġ×ĸ ק", "Ġ×ĸק ×ķק", "×Ļ ×Ļצ", "×Ļ×Ļצ ×Ĵ", "èĢĥãģĪ æĸ¹", "Ġürün ü", "ĠиÑģп ол", "ĠиÑģпол ни", "Ġcompañ ero", "ק צ×Ķ", "×ŀ×¢ ׳×Ļק", "Ùħ ØŃÙħد", "Ġc ámara", "Ġп ед", "Ġпед аг", "Ġпедаг ог", "м аÑĢ", "маÑĢ к", "×Ķת ׳×Ĵ×ĵ", "ĠìĨĮ ê°ľ", "Ġcom unitÃł", "ê³ ¤", "ĠNg Ãłi", "สà¸ĩ à¸ļ", "ĠmieszkaÅĦ ców", "ĠÙĨ ÙĩائÙĬ", "iv ité", "Ġи де", "Ġиде алÑĮн", "ĠØ£ سبÙĪع", "Ġ×Ļ ×¢×ľ", "Ġ׾ ר×IJש", "Ġ׾ר×IJש ×ķ׳×Ķ", "ĠзапиÑģ и", "ĠкоÑĢ пÑĥÑģ", "วà¸ĩ ศ", "วà¸ĩศ à¹Į", "ĠÐĶ м", "ĠÐĶм иÑĤ", "ĠÐĶмиÑĤ ÑĢ", "Ġkön nt", "Ġböl ges", "Ġbölges inde", "׼ ×Ļ׼", "׼×Ļ׼ ר", "ĠاÙĦØ¥ Ø«ÙĨ", "ĠاÙĦإثÙĨ ÙĬÙĨ", "Ġng á»Ļ", "ì¹ ł", "د راج", "Ġu da", "Ġuda ÅĤo", "ìº IJ", "بر ÙĨاÙħج", "ĠÑģÑĥд еб", "ĠÑģÑĥдеб н", "Ġzun ächst", "ĠEduc ación", "ãģ¨ãģª ãģ£ãģ¦ãģĦãģ¾ãģĻ", "Ġ×Ķ×IJ ×ŀ×Ļת×Ļ", "ĠÄ° nt", "ĠÄ°nt ernet", "ĠcaÅĤ ego", "ãĥĹãĥª ãĥ³", "Ø¥ بد", "إبد اع", "ĠпоÑĢ ÑĤал", "à¹Ĥà¸ķ à¹ī", "Ġ×Ķק ש×ķר", "пл од", "ĠÙħ د", "ĠÙħد رÙĬد", "×ŀסע ×ĵ×Ķ", "ĠØ´ÙĬ ئ", "ĠØ´ÙĬئ ا", "à¸ģà¹Īà¸Ń สรà¹īาà¸ĩ", "Ġì°¸ ê³ł", "à¹Ģà¸Ĺ ร", "à¹Ģà¸Ĺร à¸Ķ", "Ġ×ij×ŀ קר×Ļ×Ŀ", "Ġb ât", "Ġbât iment", "åij¼ ãģ³", "ç´ł æķµ", "ç´łæķµ ãģª", "przedsiÄĻbior st", "przedsiÄĻbiorst w", "Ġ×ł×ª ×ķ׳×Ļ×Ŀ", "×Ĺ׾ ×ķ×Ŀ", "ร วย", "Ùħ ÙĪضÙĪع", "ĠÑģоб ÑĢан", "вед ÑĥÑī", "ĠÑĤе аÑĤ", "ĠÑĤеаÑĤ ÑĢ", "m eye", "meye ceÄŁi", "Ġpien iÄħ", "ĠpieniÄħ d", "ĠpieniÄħd ze", "ÑĢез иденÑĤ", "ØŃ ØµØ±", "ìĺ ¥", "à¹Ģย ืà¸Ńà¸Ļ", "ĠÑĥ ни", "ĠÑĥни веÑĢ", "ĠÑĥнивеÑĢ Ñģ", "ĠÑĥнивеÑĢÑģ иÑĤеÑĤ", "ĠاÙĦر ØŃ", "ĠاÙĦرØŃ ÙħÙĨ", "ĠÑĤеÑħ нолог", "ĠÑĤеÑħнолог ии", "ìĹIJ ëĦĪ", "ìĹIJëĦĪ ì§Ģ", "Ġíķ Ń", "ĠíķŃ ìĥģ", "à¸ĺ า", "à¸ĺา à¸ķุ", "ĠEspañ ol", "×ĵ×Ĵ ש", "Ġêµ ī", "Ġêµī ìŀ¥", "Ġêµīìŀ¥ íŀĪ", "ĠÅĤ at", "ĠÅĤat wo", "Ġk á»ĭch", "Ø¥ ز", "إز اÙĦØ©", "ĠдейÑģÑĤв ие", "ĠsaÄŁ layan", "สุà¸Ķ ยà¸Ńà¸Ķ", "Ġzosta Äĩ", "Ġdispon ÃŃvel", "ïº į", "ver ständ", "verständ lich", "tw or", "twor zyÄĩ", "ع جز", "à¹Ģà¸Ĥ à¹īม", "ยà¹Ī à¸Ńม", "Ġstrat ég", "Ġstratég ie", "à¸ľà¸¥ à¹Ħมà¹ī", "Ġê°ģ ì¢ħ", "ĠÙħ ÙĪا", "ĠÙħÙĪا ض", "ĠÙħÙĪاض ÙĬع", "اØŃ ØªØ¬", "اØŃتج اج", "Ġ Ấ", "ĠẤ n", "×ŀ ×ŀש׾×Ķ", "ĠÅŁek il", "×ŀ ×Ĺ׾", "×ŀ×Ĺ׾ ×ķת", "Ġ à¸ĺ", "Ġà¸ĺ ัà¸Ļ", "Ġà¸ĺัà¸Ļ วา", "Ġà¸ĺัà¸Ļวา à¸Ħม", "Ġìĭ¤ ìłľ", "Ġìĭ¤ìłľ ë¡ľ", "ì¤ij ìķĻ", "ëįĶ ëĿ¼", "ĠÑĪ иÑĢ", "ĠÑĪиÑĢ око", "Ġsol ución", "วาà¸ĩ à¹ģà¸ľà¸Ļ", "×IJ×ķ×ĺ ×ķ×ŀ", "×IJ×ķ×ĺ×ķ×ŀ ×ĺ×Ļ", "ĠÑĢ еÑģÑĤ", "ĠÑĢеÑģÑĤ оÑĢ", "ĠÑĢеÑģÑĤоÑĢ ан", "ëį ¸", "ÑĤ ÑĢад", "ÑĤÑĢад и", "ÑĤÑĢади ÑĨион", "ÑĤÑĢадиÑĨион н", "มะ à¹Ģรà¹ĩ", "มะà¹Ģรà¹ĩ à¸ĩ", "à¹Ĥ ส", "Ġol masını", "×ŀ×ķס ר", "ĠоÑĤноÑĪ ении", "Ġê°ĢëĬ¥ ìĦ±", "Ġy uk", "Ġyuk arı", "ìĨ Ķ", "ĠÑģ ÑĦ", "ĠÑģÑĦ еÑĢе", "Ġק ×ķפ", "ãĤ± ãĥ¼ãĤ", "ãĤ±ãĥ¼ãĤ Ń", "âĢķ âĢķ", "ĠاÙĦØ£ ÙĦÙħ", "ĠاÙĦØ£ÙĦÙħ اÙĨÙĬ", "Ả N", "ת×ķ׼ ׳×Ļ×ķת", "ĠÑģÑĥÑīеÑģÑĤв ÑĥеÑĤ", "æĪij ãĢħ", "ĠاÙĦص ادر", "ĠTr á»įng", "Ġа д", "Ġад миниÑģÑĤ", "ĠадминиÑģÑĤ ÑĢа", "ĠадминиÑģÑĤÑĢа ÑĨи", "ĠдÑĢÑĥг ими", "Ñģп еÑĪ", "عÙĦاÙħ ات", "Ġа б", "Ġаб Ñģол", "ĠабÑģол ÑİÑĤ", "ĠабÑģолÑİÑĤ но", "ฤ à¸Ķู", "é tr", "étr anger", "нÑı ÑĤи", "нÑıÑĤи е", "×¢ ×ķ׳", "×¢×ķ׳ ש", "ĠÙĤ ائ", "ĠÙĤائ ÙĦا", "Ġм аÑģ", "ĠмаÑģ ло", "ãĥī ãĤ¤", "ãĥīãĤ¤ ãĥĦ", "å¿ħè¦ģ ãģĮãģĤãĤĬãģ¾ãģĻ", "×ŀ×ķ×ĸ ×Ļ×IJ", "×ŀ×ķ×ĸ×Ļ×IJ ×ķף", "ĠNgo ại", "Ġkê nh", "à¸ģาร à¸Ńà¸Ńà¸ģà¹ģà¸ļà¸ļ", "×ŀ פק", "×ŀפק ×ĵ", "ÙħÙĨ از", "ÙħÙĨاز ÙĦ", "ë· °", "íĹ ¤", "ÙħÙĩ ارات", "Ġpropri été", "פ×Ĵ ×Ļש×Ķ", "Ñĩ ÑĢ", "ÑĩÑĢ еж", "ÑĩÑĢеж ден", "×Ķ ×ķצ×IJ×Ķ", "ØŃÙĥ ÙĬÙħ", "ĠíĻ Ī", "ĠíĻĪ íİĺìĿ´ì§Ģ", "åİ ³", "åݳ ãģĹãģĦ", "×¢ ×ŀ×ĵ×Ķ", "ĠAu ÃŁen", "سÙĪ Ø¡", "ë¹ Ī", "ĠÙĪ Ø®", "ĠÙĪØ® اصة", "ин ÑĤеÑĢ", "инÑĤеÑĢ еÑģ", "èĩ´ ãģĹãģ¾ãģĻ", "Ġhük üm", "à¹Ħà¸Ĥ มัà¸Ļ", "Ġdav ran", "Ġdavran Ä±ÅŁ", "à¹Ģà¸ķ ียà¸ĩ", "в ÑĢем", "вÑĢем енно", "à¹Ģà¸Ĺศ à¸ģา", "à¹Ģà¸Ĺศà¸ģา ล", "å¼ķ ãģ£", "å¼ķãģ£ è¶ĬãģĹ", "×IJר ×ķ×Ĺ", "×IJר×ķ×Ĺ ×ª", "à¹Ģ วิ", "à¹Ģวิ รà¹Į", "à¸Ńยà¹Īาà¸ĩ รวà¸Ķà¹Ģรà¹ĩว", "ĠìŬ íĸī", "ĠÑĢан ÑĮ", "ĠÑĢанÑĮ ÑĪе", "Ġzob ow", "Ġzobow iÄħ", "ĠzobowiÄħ z", "Ġ×ķ׼ ×ŀ×ķ×ijף", "ĠاÙĦÙħ Ùĩ", "ĠاÙĦÙħÙĩ ÙĨÙĬ", "ãĤ¢ ãĤ¸", "ãĤ¢ãĤ¸ ãĤ¢", "ë°© ìĨ¡", "à¸Ńà¸Ńà¸ģ à¸ģำลัà¸ĩ", "à¸Ńà¸Ńà¸ģà¸ģำลัà¸ĩ à¸ģาย", "am éli", "améli orer", "å½ĵãģŁãĤĬ åīį", "Ġreg elm", "Ġregelm Ã¤ÃŁig", "ãģĬ åĭ", "ãģĬåĭ §", "ãģĬåĭ§ ãĤģ", "Ġm Æ°á»Ŀi", "بر Ùħج", "ĠNat ürlich", "ĠD Å©ng", "ĠاÙĦر جاÙĦ", "Ġthé p", "Ġol muÅŁtur", "×ŀ×ķס ×Ļק×Ķ", "f älle", "주 íĥĿ", "ĠاÙĦÙģ رص", "Ġnaj wiÄĻks", "ĠnajwiÄĻks zy", "Ġça ÄŁ", "ĠçaÄŁ rı", "ì¸ ł", "ĠvÃŃ ct", "ĠvÃŃct ima", "ĠÑģовеÑĢ ÑĪен", "×Ķ×Ļ ×Ļת×Ļ", "à¹Ģà¸Ķ ี", "à¹Ģà¸Ķี à¹ĭ", "à¹Ģà¸Ķีà¹ĭ ยว", "ü yü", "Ġд оп", "Ġдоп олн", "Ġдополн иÑĤелÑĮно", "à¹ģà¸ķà¸ģà¸ķà¹Īาà¸ĩ à¸ģัà¸Ļ", "Ġá l", "Ġál bum", "à¸Ľà¸£à¸°à¸Īำ à¸Ľà¸µ", "ĠÑĦ едеÑĢ", "ĠÑĦедеÑĢ алÑĮн", "Ġobs ÅĤ", "ĠobsÅĤ ugi", "à¹Ģร ืà¹Ī", "à¹Ģรืà¹Ī à¸Ńย", "à¹Ģรืà¹Īà¸Ńย à¹Ĩ", "ëģ Į", "Ġngh ìn", "ĠBaÅŁkan lıģı", "تأ سÙĬ", "تأسÙĬ س", "Ġ×ij×ij ×ķקר", "Ġ×¢×ij×ķ×ĵ ×ķת", "Ġبص ÙĪرة", "ãĤıãģij ãģ§ãģ¯ãģªãģĦ", "führ er", "ãĤ¹ ãĤŃ", "ãĤ¹ãĤŃ ãĥ«", "ĠاÙĦÙĤ ض", "ĠاÙĦÙĤض ÙĬØ©", "Ġдолж ноÑģÑĤ", "Ùģار ÙĤ", "Ġcomeç ou", "Ġorganis é", "Ġxu ân", "ĠÑģообÑī аеÑĤ", "ĠпÑĢи д", "ĠпÑĢид еÑĤÑģÑı", "TÃľ RK", "ãĥ¬ ãĥ¼ãĤ·ãĥ§ãĥ³", "Kh ông", "است Ùģ", "استÙģ ادة", "ä¸ĬãģĮ ãģ£ãģ¦", "Ġum ie", "Ġumie jÄĻ", "ĠumiejÄĻ tn", "ĠumiejÄĻtn oÅĽci", "ëĤ ¸", "à¹Ģà¸Ļ à¸Ńรà¹Į", "×ĵ×ķ ×ķ×Ĺ", "ÃŃs imo", "I ÃĬ", "IÃĬ N", "Ġalcan ç", "Ġ à¸ķุ", "Ġà¸ķุ ลา", "Ġà¸ķุลา à¸Ħม", "ש׾ ×ĺ×ķף", "Ġél è", "Ġélè ves", "ĠÄij u", "ĠÄiju á»ķi", "ĠØ£ Ùģ", "ĠØ£Ùģ رÙĬ", "ĠØ£ÙģرÙĬ ÙĤÙĬ", "ĠØ£ÙģرÙĬÙĤÙĬ ا", "ãĤĴæİ¢ ãģĻ", "ĠпÑĢед ложениÑı", "ج اد", "ĠÑħоÑĤ ÑĮ", "Ñģ ал", "Ñģал он", "à¸Ľà¸£à¸° à¹Ģม", "à¸Ľà¸£à¸°à¹Ģม ิà¸Ļ", "ãĤŃ ãĥĥãĥģ", "ãĤŃãĥĥãĥģ ãĥ³", "×ij×ĵ×Ļק ×ķת", "Ġch ù", "Ġchù a", "ÐĴ иде", "ÐĴиде о", "иÑĢов ка", "ĠÑħоÑĤ иÑĤе", "Ġspéc ifique", "รส à¸Ĭาà¸ķิ", "è¾¼ ãĤĵãģł", "伸 ãģ³", "×Ķצ׾ ×Ĺת", "ãģ©ãģ® ãĤĪãģĨãģ«", "سع ادة", "Ġл ид", "Ġлид еÑĢ", "ม à¸ĩ", "มà¸ĩ à¸Ħล", "ØŃ Ø§ÙħÙĦ", "หล ุà¸Ķ", "à¸Ńยà¹Īาà¸ĩ à¸ķà¹Īà¸Ń", "à¸Ńยà¹Īาà¸ĩà¸ķà¹Īà¸Ń à¹Ģà¸Ļืà¹Īà¸Ńà¸ĩ", "ãģķãģĽãģ¦ éłĤ", "تس ÙĪÙĬ", "تسÙĪÙĬ ÙĤ", "ĠaÅŁaģı d", "ĠaÅŁaģıd aki", "ĠÑĨ елÑĮ", "ĠÑĨелÑĮ Ñİ", "ĠAra ÅŁtırma", "à¸Ĥัà¸ļ รà¸ĸ", "Ùĩ Ø°Ùĩ", "ลà¸ĩ à¸Ĺะ", "ลà¸ĩà¸Ĺะ à¹Ģà¸ļ", "ลà¸ĩà¸Ĺะà¹Ģà¸ļ ียà¸Ļ", "تÙĥ اÙħÙĦ", "Ġc io", "Ġcio è", "ãģ¦ ãģĬãģı", "ĠاÙĦصØŃ ÙģÙĬ", "ĠíĬ¹ ìłķ", "полн иÑĤÑĮ", "ãĤĵ ãģĺãĤĥãģªãģĦ", "ãĤĵãģĺãĤĥãģªãģĦ ãģĭ", "ĠاÙĦج Ùĩ", "ĠاÙĦجÙĩ ات", "ĠÑĥÑģпеÑĪ но", "Ġв ок", "Ġвок ÑĢÑĥг", "ĠÑģиÑĤÑĥ аÑĨиÑı", "Ġ×Ķ×IJ ×ŀר", "Ġ×Ķ×IJ×ŀר ×Ļק", "Ġ×Ķ×IJ×ŀר×Ļק ×IJ×Ļ", "×ŀ ×Ĵ×ĸ", "×ŀ×Ĵ×ĸ ×Ļף", "Ġак ÑĤÑĥ", "ĠакÑĤÑĥ алÑĮн", "é ta", "éta is", "Ġmog ÅĤa", "ĠÑĤоÑĩ ки", "Ġ×ŀ×Ķ ×ŀ×¢", "Ġ×ŀ×Ķ×ŀ×¢ ×¨×Ľ×ª", "มี à¸Ľà¸£à¸°à¸ªà¸´à¸Ĺà¸ĺà¸´à¸łà¸²à¸ŀ", "×Ļר ×Ļ×ĵ×Ķ", "×Ĵר ×ŀ׳", "×Ĵר×ŀ׳ ×Ļ×Ķ", "Ġг лав", "Ġглав ное", "Ġ미 ëŀĺ", "Ġ׳׼ ×ķ׳×Ķ", "ĠÙĪ Ø·ÙĨÙĬ", "op port", "opport unitÃł", "Ġh ủy", "ĠÙĦ تØŃ", "ĠÙĦتØŃ ÙĤÙĬÙĤ", "Ġó rg", "Ġórg ão", "ãĤ¹ ãĥĶ", "ãĤ¹ãĥĶ ãĥ¼ãĥī", "Ġön ü", "Ġönü ne", "Ùħع اÙħÙĦ", "ש×ŀ ×Ļר×Ķ", "ĠвеÑģÑĮ ма", "ĠwiÄĻks zo", "ĠwiÄĻkszo ÅĽÄĩ", "Ġاست راتÙĬج", "ĠاستراتÙĬج ÙĬØ©", "ĠÙģ Ø¥", "ĠÙģØ¥ ذا", "à¹Ģà¸Ĭืà¹Īà¸Ń ม", "à¹Ģà¸Ĭืà¹Īà¸Ńม à¸ķà¹Īà¸Ń", "Ġ׾ פר", "Ġ׾פר ×ĺ×Ļ×Ŀ", "Ùħض ÙĬ", "ĠGer çek", "Ġçocuk ların", "ÙĪØ« ائÙĤ", "ĠÙħساء Ùĭ", "Ġunterstüt zt", "Ġpré st", "Ġprést amo", "ĠÐłÐ°Ð· меÑĢ", "ĠÅŁ eker", "Ġsé culo", "×ij×Ķ ×Ļר", "Ø´Ùĩ ÙĪر", "Ġ à¸Ńีà¸ģ", "Ġà¸Ńีà¸ģ à¸Ĺัà¹īà¸ĩ", "Ġlleg ó", "à¸¨à¸´à¸¥à¸Ľ ะ", "æĪij ãģĮ", "æĪijãģĮ 家", "ع ÙĤÙĪ", "عÙĤÙĪ بات", "ĠF älle", "Ġs ÅĤuż", "ĠsÅĤuż b", "ĠاÙĦØŃÙĤ ÙĪÙĤ", "Ġпл иÑĤ", "Ġи ноÑģÑĤ", "ĠиноÑģÑĤ ÑĢан", "ĠиноÑģÑĤÑĢан н", "à¹ĥà¸Ļ à¸Ĥà¸ĵะà¸Ĺีà¹Ī", "ãĤ« ãĥĨ", "ãĤ«ãĥĨ ãĤ´", "ãĤ«ãĥĨãĤ´ ãĥª", "à¸Ńิ ส", "à¸Ńิส ระ", "à¹Ģà¸ľà¸¢ à¹ģ", "à¹Ģà¸ľà¸¢à¹ģ à¸ŀร", "à¹Ģà¸ľà¸¢à¹ģà¸ŀร à¹Ī", "ãģĬ ãģĦ", "ãģĬãģĦ ãģĹãģĦ", "است ÙĤÙĦ", "استÙĤÙĦ اÙĦ", "تØŃ Ø¶", "تØŃض ÙĬر", "åĬ© ãģij", "Ùħر اÙģÙĤ", "Ġ×ĵ ×ķר", "Ġ×ĵ×ķר ש", "×ŀת×Ļ ×Ļ×Ĺס", "ס ×Ļ׼", "ס×Ļ׼ ×ķ×Ŀ", "íĮĮ íĬ¸", "Ġwy ÅĽ", "ĠwyÅĽ w", "ĠwyÅĽw iet", "ĠwyÅĽwiet l", "ĠاÙĦاÙĨ ساÙĨ", "ĠStra ÃŁen", "ï¼ ¬", "ãģ« åŁº", "ãģ«åŁº ãģ¥", "Ġcap ÃŃtulo", "ลุ ย", "Ġ×Ķ×ŀק צ×ķ×¢×Ļ", "ãģĤãĤĭ ç¨ĭ度", "á» ¢", "ĠاÙĦ ÙĦا", "ĠاÙĦÙĦا زÙħØ©", "æķĻ ãģĪ", "Ġרש ×IJ×Ļ", "з ав", "зав иÑģ", "завиÑģ им", "à¸Ľà¸±à¸Ī à¸Īัย", "à¹Ģà¸ĭ ล", "à¹Ģà¸ĭล ลà¹Į", "Ġdiffé rence", "ĠAlt ın", "Ġк ÑĢай", "ĠкÑĢай не", "Ġз ло", "Ġgün ümüz", "Ġн аÑĤÑĥÑĢ", "ĠнаÑĤÑĥÑĢ алÑĮн", "×Ĵ×ķ׾ ש×Ļ×Ŀ", "Ġк аÑĤегоÑĢ", "ĠкаÑĤегоÑĢ ии", "Ġз нак", "à¸ģà¹Īà¸Ńà¸Ļ หà¸Ļà¹īา", "à¸ģà¹Īà¸Ńà¸Ļหà¸Ļà¹īา à¸Ļีà¹ī", "ĠÙħÙĨ ت", "ĠÙħÙĨت خب", "ãĥĽ ãĥ¼ãĥ«", "Ġе вÑĢо", "ส ว", "สว ม", "ĠìľĦ ìĽIJ", "ĠìľĦìĽIJ ëĭĺ", "ĠاÙĦØŃ ÙĪØ«", "ĠاÙĦØŃÙĪØ« ÙĬ", "ĠÑģодеÑĢж иÑĤ", "ãĥķãĤ¡ ãĥĥãĤ·ãĥ§ãĥ³", "Ġ à¸ģัà¸Ļ", "Ġà¸ģัà¸Ļ ย", "Ġà¸ģัà¸Ļย ายà¸Ļ", "ãĤª ãĥª", "ãĤªãĥª ãĤ¸", "ãĤªãĥªãĤ¸ ãĥĬãĥ«", "Ġб ÑĢенд", "ãĤĴæĮģ ãģ£ãģ¦ãģĦãĤĭ", "Ġinvers ión", "Ġê° ĸ", "Ġê°ĸ ê³ł", "Ġnov itÃł", "ê´Ģ ê´ij", "Ġà¸ŀ ฤษ", "Ġà¸ŀฤษ à¸łà¸²", "Ġà¸ŀà¸¤à¸©à¸łà¸² à¸Ħม", "×ķר ×Ĺ×Ļ×Ŀ", "׼׾ ×ķ׾", "Ġng ạc", "×Ļ ×Ļש", "×Ļ×Ļש ×ķ×ij", "f äll", "fäll ig", "ĠÑĤÑĢеб ÑĥеÑĤÑģÑı", "Ġcar á", "Ġcará cter", "Ġprinc ÃŃpio", "ĠÅĤ az", "ĠÅĤaz ien", "ĠÅĤazien k", "Ġgi ãn", "ÑģÑĤÑĢа ива", "Ùħس اب", "Ùħساب ÙĤØ©", "à¹Ģà¸Ħรืà¹Īà¸Ńà¸ĩ à¸Ķืà¹Īม", "ترÙĥ ÙĬب", "vol ução", "ĠÐŁ оÑĩ", "ĠÐŁÐ¾Ñĩ ем", "ĠÐŁÐ¾Ñĩем Ñĥ", "казал оÑģÑĮ", "ĠпÑĢимен ениÑı", "à¹Ģà¸Ĺ ียม", "íĮ Ķ", "à¸Ĥà¹īà¸Ń à¹Ģสà¸Ļà¸Ń", "à¸Ľà¸±à¸į à¸įา", "Ġоб ÑĥÑĩ", "ĠобÑĥÑĩ ениÑı", "ĠÑģеÑĢ и", "ĠÑģеÑĢи ал", "Ġingl és", "ĠÙĦ Ùĥرة", "Ġ×ĺ ׾", "Ġ×ĺ׾ פ×ķף", "Ġìł ij", "Ġìłij ê·¼", "×IJ ×ķ×Ĵ", "×IJ×ķ×Ĵ ×ķס", "×IJ×ķ×Ĵ×ķס ×ĺ", "ĠболÑĮÑĪ ое", "ĠÐļон еÑĩно", "×¢×Ļת ×ķ׳", "×¢×Ļת×ķ׳ ×IJ×Ļ", "Ġкноп к", "Ġз н", "Ġзн аÑĤÑĮ", "ĠÄij á»±", "ĠÄijá»± ng", "вл аж", "влаж н", "×ŀ ×Ļ×ĺ×ij", "ãĤ¬ ãĤ¤", "ãĤ¬ãĤ¤ ãĥī", "........ ..", "Ġà¸ģ ุม", "Ġà¸ģุม à¸łà¸²à¸ŀ", "Ġà¸ģà¸¸à¸¡à¸łà¸²à¸ŀ ัà¸Ļ", "Ġà¸ģà¸¸à¸¡à¸łà¸²à¸ŀัà¸Ļ à¸ĺ", "Ġà¸ģà¸¸à¸¡à¸łà¸²à¸ŀัà¸Ļà¸ĺ à¹Į", "be z", "bez pieczeÅĦst", "bezpieczeÅĦst w", "ãĥijãĥij æ´»", "ع اط", "عاط Ùģ", "ĠÄij áºŃm", "Ġз ÑĢ", "ĠзÑĢ ениÑı", "Ġbor ç", "Ġнед ел", "Ġнедел Ñİ", "Ġh á»ı", "Ġhá»ı ng", "ìŀ¥ ìķł", "ìŀ¥ìķł ìĿ¸", "ĠاÙĦع ÙĦاÙĤØ©", "Ġíģ ¬", "Ġíģ¬ ê²Į", "à¹Ħร à¹Ī", "à¸ļา à¸Ķ", "à¸ļาà¸Ķ à¹Ģà¸Īà¹ĩà¸ļ", "à¸Ŀ รั", "à¸Ŀรั à¹Īà¸ĩ", "à¸Ŀรัà¹Īà¸ĩ à¹Ģศ", "à¸Ŀรัà¹Īà¸ĩà¹Ģศ ส", "ר ×¢×Ļ", "רע×Ļ ×ķ׳×ķת", "Ġë Į", "ĠëĮ ĵ", "ĠëĮĵ ê¸Ģ", "Ġnaj b", "Ġnajb li", "Ġnajbli ż", "Ġnajbliż sz", "ĠиÑģполÑĮз ÑĥеÑĤÑģÑı", "Ġcient ÃŃf", "ĠcientÃŃf ico", "×¢ ×ŀק", "Ġg ợi", "Ø´ ØŃÙĨ", "ĠÅĽ m", "ĠÅĽm ier", "ĠÅĽmier ci", "à¸Ħาสิà¹Ĥà¸Ļ à¸Ńà¸Ńà¸Ļà¹Ħลà¸Ļà¹Į", "×Ĺש×ij ת×Ļ", "Ġn ingu", "Ġningu ém", "è¾¼ ãĤģ", "ãģ ·", "ĠÑĥ г", "ĠÑĥг ол", "ï½ °", "פת ×Ļ×Ĺ", "פת×Ļ×Ĺ ×ª", "Ġ×Ķר×IJש ×ķ׳×Ļ×Ŀ", "p ósito", "ãĤŃ ãĥ¬ãĤ¤", "ãģ© ãģĵãĤį", "à¹Ģà¸Ĺà¹Īา à¹Ħ", "à¹Ģà¸Ĺà¹Īาà¹Ħ หร", "à¹Ģà¸Ĺà¹Īาà¹Ħหร à¹Ī", "ĠинÑĤеÑĢ ÑĮеÑĢ", "ĠØŃ Ø§Ø¬", "ĠØŃاج Ø©", "สี à¸Ĥาว", "ìĸ ¼", "Ġn á»Ļ", "Ġná»Ļ p", "ĠÃŃ nd", "ĠÃŃnd ice", "สำ รวà¸Ī", "Ġкажд ой", "Ġhot éis", "Ġnast ÄĻ", "ĠnastÄĻ pn", "Ġ×Ķק ×ķ×ĵ", "Ġ×Ķק×ķ×ĵ ×Ŀ", "פ ×ķפ", "פ×ķפ ×ķ׾", "פ×ķפ×ķ׾ ר×Ļ", "вÑĪ ей", "ãĤ·ãĥ³ ãĥĹ", "ãĤ·ãĥ³ãĥĹ ãĥ«", "ĠzdjÄĻ Äĩ", "ĠгÑĢÑĥпп а", "Ġпом еÑī", "ĠпомеÑī ениÑı", "ãģ©ãģĨ ãģĦãģĨ", "ĠиÑģп ÑĭÑĤа", "Ġog ÅĤ", "ĠogÅĤ os", "ĠogÅĤos zen", "ĠogÅĤoszen i", "สรà¹īาà¸ĩ สรร", "สรà¹īาà¸ĩสรร à¸Ħà¹Į", "à¸ŀร รà¸ĵ", "Ġçık Ä±ÅŁ", "ĠÑĩаÑģÑĤ ноÑģÑĤи", "Ġ×ķ ×Ļ×ķתר", "ç¶ļãģį ãĤĴ", "ç¶ļãģįãĤĴ èªŃ", "ç¶ļãģįãĤĴèªŃ ãĤĢ", "à¸ģร ั", "à¸ģรั ม", "г ÑĢаÑĦ", "Ġв лад", "Ġвлад елÑĮ", "ĠвладелÑĮ ÑĨ", "Ġistedi ÄŁ", "ĠistediÄŁ iniz", "×ij׾ ×¢", "×ij×ľ×¢ ×ĵ×Ļ", "ÙħÙĪ اÙģ", "ÙħÙĪاÙģ ÙĤØ©", "Ġ×Ļ ×ķר", "Ġ×Ļ×ķר ק", "ãĤ«ãĥ¼ãĥī ãĥŃãĥ¼ãĥ³", "ĠاÙĦÙħØ´ ÙĥÙĦ", "ĠاÙĦÙħØ´ÙĥÙĦ Ø©", "ĠêµŃ íļĮ", "ס פ×ĺ", "ספ×ĺ ×ŀ", "ספ×ĺ×ŀ ×ijר", "Ġìĸ´ ëłµ", "Ùĥ اÙħ", "ÙĥاÙħ ÙĬرا", "sch lü", "schlü sse", "ĠØ« ÙĨ", "ĠØ«ÙĨ ائÙĬ", "ìī ½", "ĠÐŀ Ñģоб", "ĠÐŀÑģоб енно", "Ġин веÑģÑĤи", "ĠинвеÑģÑĤи ÑĨи", "اØŃ ØªÙħ", "اØŃتÙħ اÙĦ", "E Äŀ", "EÄŀ Ä°", "íķĺ ê²łëĭ¤", "Ġ×IJ ×ijר×Ķ", "Ġ×IJ×ijר×Ķ ×Ŀ", "Ġ×ij×Ĺ ×Ļ׳×Ŀ", "Ø£ ÙĪض", "Ø£ÙĪض اع", "Ġdé l", "Ġdél ai", "Ġ×IJ×ķ×Ķ ×ij×Ļ×Ŀ", "ĠÑģо Ñħ", "ĠÑģоÑħ ÑĢ", "ĠÑģоÑħÑĢ ани", "ĠдоÑģÑĤ иж", "ĠдоÑģÑĤиж ени", "สิà¹Īà¸ĩ à¹ģ", "สิà¹Īà¸ĩà¹ģ วà¸Ķ", "สิà¹Īà¸ĩà¹ģวà¸Ķ ล", "สิà¹Īà¸ĩà¹ģวà¸Ķล à¹īà¸Ńม", "ĠاÙĦÙħ باشر", "ĠÑĦ иг", "ĠÑĦиг ÑĥÑĢ", "мож ем", "׾×ŀ×Ļ×ĵ ×Ķ", "Ġcin é", "Ġciné ma", "Ġb ada", "Ġbada ÅĦ", "جب ÙĩØ©", "Ġд еп", "Ġдеп ÑĥÑĤ", "ĠдепÑĥÑĤ аÑĤ", "Ġdist ância", "ĠاÙĦÙħ عار", "ĠاÙĦÙħعار ضة", "thè se", "ü nc", "ünc ü", "Ġдан ного", "ĠBel gi", "ĠBelgi ë", "Ġ×ij ×ijק", "Ġ×ij×ijק ש×Ķ", "ย à¹Īาà¸Ļ", "Ġsol ução", "Ġ×Ķצ ×ĺר", "Ġ×Ķצ×ĺר פ×ķ", "ĠØ£ÙĨ ØŃ", "ĠØ£ÙĨØŃ Ø§Ø¡", "Ġد ÙħØ´", "ĠدÙħØ´ ÙĤ", "มั à¹ī", "มัà¹ī ย", "Ùħ غرب", "است عÙħاÙĦ", "ĠS ÅĤow", "ĠëıĻ ìĭľ", "ĠëıĻìĭľ ìĹIJ", "ĠÑģ оÑģ", "ĠÑģоÑģ ед", "ì²Ń ìĨĮ", "ì²ŃìĨĮ ëħĦ", "Ġг ÑĢаÑĦ", "ĠгÑĢаÑĦ ик", "Ġìŀij ìĿĢ", "Ġyet i", "Ġyeti ÅŁtir", "ĠìĿ´ê²ĥ ìĿ´", "ห à¹Īาà¸ĩ", "Ø¥ ÙħÙĥاÙĨ", "Ø¥ÙħÙĥاÙĨ ÙĬØ©", "است عراض", "ÙħØ® در", "ĠÑĩ ÑĥÑĤÑĮ", "Ùħ دÙĬر", "ÙħدÙĬر ÙĬØ©", "Ġà¹Ģม ษ", "Ġà¹Ģมษ ายà¸Ļ", "Ġм еÑħ", "ĠмеÑħ аниз", "ĠмеÑħаниз м", "ĠÑģ Ñĥм", "ĠÑģÑĥм мÑĥ", "Ġv ö", "Ġvö ll", "Ġvöll ig", "Ġд ÑĢÑĥз", "ĠдÑĢÑĥз ÑĮÑı", "ãĤĴåĪ©çĶ¨ ãģĹãģ¦", "à¸ļรร à¸Īุ", "po życz", "×ŀש ׼", "×ŀש׼ ×ł×ª", "×ŀ×©×Ľ×ł×ª ×IJ", "Ġeuropé en", "Ġpropri é", "Ġproprié taire", "Ġkh ấu", "ãģĦãģŁãģł ãģijãĤĭ", "Ġtec rü", "Ġtecrü be", "×Ķ ×ij", "×Ķ×ij ׳×Ķ", "Ġcu Ì", "ĠcuÌ ī", "ĠcuÌī a", "×IJ ×ķ×ķ", "×IJ×ķ×ķ ×Ļר×Ķ", "Ġ׼×ķ׾ ×ķ", "U lus", "Ulus lararası", "Ġ׳ ×ķת", "Ġ׳×ķת ף", "ãģ« åIJij", "ãģ«åIJij ãģijãģ¦", "ë¹ Ľ", "à¸Ĺ ัà¸ģษ", "à¸Ĺัà¸ģษ ะ", "س ÙĤÙĪ", "سÙĤÙĪ Ø·", "Ġв н", "Ġвн еÑĪ", "ĠвнеÑĪ не", "Ġur z", "Ġurz ÄĻd", "Ġá mb", "Ġámb ito", "à¸Ń à¸ĺิ", "à¸Ńà¸ĺิ à¸ļาย", "Ġ ÅĤad", "ĠÅĤad n", "ê±´ ì¶ķ", "wód zt", "wództ w", "Ġquest ões", "Ġש ק", "Ġשק ×Ļ×ij׾", "Ġmiejsc owoÅĽci", "Ġв ал", "Ġвал ÑİÑĤ", "hä user", "หà¸Ļ à¸Ńà¸ĩ", "ãģ¨ åħ±", "ãģ¨åħ± ãģ«", "ãĥı ãĥ¼ãĥī", "Ġê°ľ ìµľ", "ĠоÑģнов ном", "Ġм ÑıÑģ", "اع ت", "اعت ÙĤاÙĦ", "สà¸ĸ ิ", "สà¸ĸิ à¸ķิ", "N gu", "Ngu á»ĵn", "ĠÙħ جÙĦ", "ĠÙħجÙĦ Ø©", "à¹ģà¸Ĥ à¸Ļ", "ĠاÙĦÙĦÙĬ بÙĬ", "פע×Ļ׾ ×ķ×Ļ×ķת", "Ġ×Ķר פ×ķ×IJ×Ļ", "פר ×ķפ", "פר×ķפ ×Ļ׾", "ק ׾×IJ", "ק׾×IJ ס×Ļ", "Ùĥت Ø´Ùģ", "ãģ«ãģª ãģ£ãģ¦ãģĹãģ¾ãģĨ", "à¹Ģà¸Ħล à¹ĩà¸Ķ", "à¹Ģà¸Ħลà¹ĩà¸Ķ ลัà¸ļ", "Ġì» ´", "Ġì»´ íĵ¨", "Ġì»´íĵ¨ íĦ°", "Ġ×Ĺ×Ļ ×ķ×ij×Ļ", "Ġnä m", "Ġnäm lich", "åij¼ ãģ°", "åij¼ãģ° ãĤĮ", "ĠÑĢ ол", "ĠÑĢол и", "Ġspécial isé", "à¸Ļ วัà¸ķ", "à¸Ļวัà¸ķ à¸ģรรม", "ÙĨص ÙĪص", "пеÑĢ ед", "пеÑĢед аÑĩ", "thè que", "Ġר×IJ ×Ļת×Ļ", "ãĥĢ ãĤ¦ãĥ³", "ãĤı ãģĭ", "ãĤıãģĭ ãģ£ãģ¦", "беÑĢ еж", "ĠÑģ ек", "ĠÑģек ÑĢ", "ĠÑģекÑĢ еÑĤ", "ĠпоÑģÑĤоÑıн н", "à¸Ĥà¸Ļ สà¹Īà¸ĩ", "Ġm ük", "Ġmük em", "Ġmükem mel", "еÑĤ еÑģÑĮ", "ĠاÙĦسÙĨ ÙĪات", "ĠìłĦ íĺĢ", "Ġ×Ķ×ŀק ×ķר×Ļ", "Ġmü d", "Ġmüd ah", "Ġmüdah ale", "Ġwy b", "Ġwyb ór", "Ġtend ência", "Ø¥ دار", "إدار ÙĬØ©", "Ġunterstüt zen", "ת ×ijר", "ת×ijר ר", "Ġdi á", "Ġdiá logo", "ĠÃĸ nce", "ĠÃĸnce ki", "ãĤ¹ãĥĿ ãĥĥãĥĪ", "ëĦ £", "ĠG eli", "ĠGeli ÅŁ", "ãĤĴ éĢļ", "ãĤĴéĢļ ãģĹãģ¦", "ĠFuÃŁ ball", "Ġsal ari", "Ġsalari é", "ĠпÑĢодÑĥк ÑĤов", "صÙģ ÙĤØ©", "รว à¸ļ", "รวà¸ļ รวม", "à¹ĥà¸Ļ à¸IJาà¸Ļ", "à¹ĥà¸Ļà¸IJาà¸Ļ ะ", "Ġkay na", "Ġkayna ģı", "Ġìŀij íĴĪ", "ĠвÑĭ ÑĢаж", "ĠвÑĭÑĢаж ен", "ĠÑģÑĤ еп", "ĠÑģÑĤеп ени", "ĠاÙĦÙħ ÙĪجÙĪد", "ĠاÙĦÙħÙĪجÙĪد Ø©", "ล à¹īม", "Ġnaj czÄĻ", "ĠnajczÄĻ ÅĽcie", "ĠnajczÄĻÅĽcie j", "Ġz wy", "Ġzwy k", "Ġzwyk ÅĤ", "Ġê·¸ëłĩ ì§Ģ", "à¸ģระ à¸Ī", "à¸ģระà¸Ī าย", "Ġëĭ µ", "Ġëĭµ ë³Ģ", "ĠÑĢе ак", "ĠÑĢеак ÑĨи", "ĠÅĽwie ż", "ĠÑģÑĤоим оÑģÑĤи", "ÙħÙĨ اÙĤ", "ÙħÙĨاÙĤ Ø´", "ÙħÙĨاÙĤØ´ Ø©", "ĠÑħоÑĩ Ñĥ", "ãĥľ ãĥ¼ãĥī", "Ġróż nic", "Ġк ÑĢÑĭ", "ĠкÑĢÑĭ ÑĪ", "âľ ĵ", "ãĤ³ãĥ³ ãĥĨãĥ³", "ãĤ³ãĥ³ãĥĨãĥ³ ãĥĦ", "ĠпÑĢед поÑĩ", "×ŀר ×ij×Ļת", "ĠØ´ Ùĥ", "ĠØ´Ùĥ را", "Ġд ал", "Ġдал ек", "Ġдалек о", "بر ÙĬØ·", "برÙĬØ· اÙĨÙĬا", "ع ÙĨا", "عÙĨا ÙĬØ©", "ĠÑĢаÑģÑģ каз", "ĠÑĢаÑģÑģказ Ñĭва", "Ø£ ÙĦÙĪ", "Ø£ÙĦÙĪ اÙĨ", "æĮģ ãģ£ãģ¦", "æĮģãģ£ãģ¦ ãģĦ", "Ùħباد ئ", "×Ķ ×¢×ijר", "×Ķ×¢×ijר ת", "Ġyay ı", "Ġyayı ml", "Ġyayıml a", "m át", "mát icos", "à¸ģ ัà¸ĩ", "à¸ģัà¸ĩ วล", "Ġ׾ פת", "Ġ×ľ×¤×ª ×ķ×Ĺ", "à¸ŀฤ à¸ķิ", "à¸ŀฤà¸ķิ à¸ģรรม", "í Ĥ¬", "Ġок ÑĢÑĥг", "Ġ×ŀצ ×ķ×ķ×Ķ", "ÐĽ ени", "ÐĽÐµÐ½Ð¸ н", "ĠTri á»ģu", "ãĤ³ãĥŁ ãĥ¥", "ãĤ³ãĥŁãĥ¥ ãĥĭ", "ãĤ³ãĥŁãĥ¥ãĥĭ ãĤ±", "ãĤ³ãĥŁãĥ¥ãĥĭãĤ± ãĥ¼ãĤ·ãĥ§ãĥ³", "Ùĥ ÙĨÙĬ", "ÙĥÙĨÙĬ سة", "ãĤĴ ä¸Ńå¿ĥ", "ãĤĴä¸Ńå¿ĥ ãģ«", "ĠmiÄĻd z", "ĠmiÄĻdz yn", "ĠmiÄĻdzyn ar", "ĠmiÄĻdzynar od", "ĠmiÄĻdzynarod ow", "ÙĦ ÙĨ", "ÙĦÙĨ دا", "بر Ø´", "برش ÙĦÙĪÙĨ", "برشÙĦÙĪÙĨ Ø©", "à¸ģระ à¸ķุ", "à¸ģระà¸ķุ à¹īà¸Ļ", "Ġg ı", "Ġgı da", "à¸Ľà¸£à¸° à¸Ĺัà¸ļ", "à¸Ľà¸£à¸°à¸Ĺัà¸ļ à¹ĥà¸Ī", "Ġë¶Ī 구", "Ġë¶Ī구 íķĺê³ł", "ĠÙĨ Ø·", "ĠÙĨØ· اÙĤ", "ĠÐľ ожеÑĤ", "Pr äs", "Präs ident", "ĠÑģк оÑĢ", "ĠÑģкоÑĢ оÑģÑĤÑĮ", "Ġ×Ķ×ij ×ķקר", "еÑħ аÑĤÑĮ", "Ġg ạo", "Ġש×IJ ×Ļ׳×Ŀ", "Ġ×ij׳ ×ķ×Ĵ", "Ġ×ij׳×ķ×Ĵ ×¢", "Ġо пиÑģание", "Ġucz ni", "Ġuczni ów", "à¹Ģà¸Ń à¹ĩà¸Ļ", "Ġت Ø´", "Ġتش رÙĬÙĨ", "Ġnh ãn", "ë¹ ¨", "Ġcaract ère", "×¢ ׾×Ļ", "×¢×ľ×Ļ ×Ļ×Ķ", "楽ãģĹ ãĤģãĤĭ", "ĠÑģ аÑħ", "ĠÑģаÑħ аÑĢ", "дÑĥм аÑĤÑĮ", "ĠÐĴоз можно", "ص ÙĬاÙĨ", "صÙĬاÙĨ Ø©", "öm ür", "ส ล", "สล à¹ĩ", "สลà¹ĩ à¸Ń", "สลà¹ĩà¸Ń à¸ķ", "ë¡ ¯", "Ġth ói", "gr Ã¶ÃŁe", "Ġksi ÄĻ", "ĠksiÄĻ g", "ĠÑĢ ом", "ĠÑĢом ан", "ÙĤ اسÙħ", "×ŀ×ij ×ķ×Ĵ", "×ŀ×ij×ķ×Ĵ ר×Ļ×Ŀ", "bes ch", "besch äft", "beschäft ig", "×Ķצע ×Ķ", "ĠÃģ rea", "ĠзаÑıв к", "Ä ¹", "ĠлÑİб ого", "Ġ ม", "Ġม à¸ģร", "Ġมà¸ģร าà¸Ħม", "ÑĦ из", "ÑĦиз иÑĩеÑģк", "ин ÑĦ", "инÑĦ ек", "инÑĦек ÑĨи", "اÙĦ Ø·", "اÙĦØ· ائÙģ", "Ġкол л", "Ġколл екÑĤив", "ез жа", "Ġس بØŃ", "ĠسبØŃ Ø§ÙĨ", "ĠسبØŃاÙĨ Ùĩ", "sch lä", "schlä ge", "Ġд и", "Ġди аг", "Ġдиаг ноÑģÑĤ", "ĠоÑĤмеÑĤ иÑĤÑĮ", "Т Ь", "ĠاÙĦ در", "ĠاÙĦدر اسÙĬ", "עצ ×ŀ", "עצ×ŀ ×IJ×ķת", "Ġdém arch", "Ġdémarch e", "Ġ×ĺ ×ķ×¢", "Ġ×ĺ×ķ×¢ ף", "Ġfuncion ários", "á» µ", "׾ ׼×IJ", "׾׼×IJ ×ķר×Ķ", "à¸ĭ à¹Ī", "à¸ĭà¹Ī à¸Ńม", "ĠÑĩ Ñĥв", "ĠÑĩÑĥв ÑģÑĤво", "âĸ ¼", "п ÑĥÑī", "пÑĥÑī ен", "Ġм еÑĢ", "ĠмеÑĢ оп", "ĠмеÑĢоп ÑĢи", "ĠмеÑĢопÑĢи ÑıÑĤиÑı", "Ġu çu", "Ġuçu ÅŁ", "ãĤĴåĪ©çĶ¨ ãģĻãĤĭ", "a ÄŁ", "aÄŁ lı", "ìĺĪ ìĪł", "à¹ģ ยà¹Ī", "ĠاÙĦÙĥ Ùħ", "ĠاÙĦÙĥÙħ بÙĬ", "ĠاÙĦÙĥÙħبÙĬ ÙĪتر", "ت ÙĪÙĬ", "تÙĪÙĬ تر", "à¹Ģà¸Ĭ ีà¹Īยว", "à¹Ģà¸Ĭีà¹Īยว à¸Ĭา", "à¹Ģà¸Ĭีà¹Īยวà¸Ĭา à¸į", "á» Ķ", "Ġhi ếm", "ذا Ùĥرة", "Ġ×Ķ×ŀ×Ļ ×ķ×Ĺ×ĵ", "ĠìĪ ľ", "ĠìĪľ ê°Ħ", "ĠK ı", "ĠKı sa", "Ġgele ceÄŁi", "пÑĢо ÑĦеÑģÑģиона", "пÑĢоÑĦеÑģÑģиона л", "Ġog ó", "Ġogó le", "ĠgÅĤ ów", "ĠgÅĤów ne", "ĠÑģÑĤ илÑĮ", "×IJ פ׾", "×IJפ׾ ×Ļק", "×IJפ׾×Ļק צ×Ļ×Ķ", "สม ารà¹Į", "สมารà¹Į à¸Ĺ", "สมารà¹Įà¸Ĺ à¹Ĥà¸Ł", "สมารà¹Įà¸Ĺà¹Ĥà¸Ł à¸Ļ", "Ġth ánh", "ÐŁ од", "ÐŁÐ¾Ð´ ÑĢоб", "ÐŁÐ¾Ð´ÑĢоб нее", "ĠاÙĦت ÙĪÙĨ", "ĠاÙĦتÙĪÙĨ سÙĬ", "Ġbah çe", "à¹ģà¸ģà¹ī à¸Ľà¸±à¸įหา", "é ducation", "eu rop", "europ ä", "europä ische", "ĠK si", "ĠKsi ÄĻ", "ĠëĦ ĺ", "ĠëĦĺ ìĸ´", "Ġv üc", "Ġvüc ud", "Ġyay g", "Ġyayg ın", "Ġnie kt", "Ġniekt óry", "Ġniektóry ch", "ãģŃ ãģĩ", "Ġк аж", "Ġкаж еÑĤÑģÑı", "к аж", "каж еÑĤ", "ĠاÙĦ دÙĬÙħÙĤرا", "ĠاÙĦدÙĬÙħÙĤرا Ø·", "ĠاÙĦدÙĬÙħÙĤراط ÙĬØ©", "æŃ ©", "æŃ© ãģĦãģ¦", "Ġv az", "Ġvaz ge", "Ġvazge ç", "Ġмин ималÑĮ", "ĠминималÑĮ н", "ãĥij ãĤ¿", "ãĥijãĤ¿ ãĥ¼ãĥ³", "Ġë Ĭ", "ĠëĬ IJ", "ĠëĬIJ ëĤĮ", "ãģ¡ ãĤĩãģĨ", "ãģ¡ãĤĩãģĨ ãģ©", "Ġ à¸ģร", "Ġà¸ģร à¸ģà¸İ", "Ġà¸ģรà¸ģà¸İ าà¸Ħม", "تج دÙĬد", "ĠØ´ اÙħÙĦ", "หลัà¸ģ à¸IJาà¸Ļ", "ĠмаÑĢ ÑĪ", "ĠмаÑĢÑĪ ÑĢÑĥÑĤ", "Ġv ÃŃt", "ĠvÃŃt ima", "Ġquiz á", "ay gı", "×ĵ×ijר ×Ļ×ķ", "Ġиз д", "Ġизд ели", "Ġиздели Ñı", "п ла", "пла Ñĩ", "плаÑĩ ива", "ä»» ãģĽ", "Ġéquip é", "ä¹ħ ãģĹãģ", "ä¹ħãģĹãģ ¶", "ä¹ħãģĹãģ¶ ãĤĬ", "Ġк аÑĤ", "ĠкаÑĤ ал", "ĠкаÑĤал ог", "ส à¹īม", "ĠÑĢ ей", "ĠÑĢей ÑĤ", "ĠÑĢейÑĤ инг", "Ġth uyá»ģn", "ĠاÙĦÙħ ÙĤدس", "esp ère", "ãģ«åħ¥ ãģ£ãģŁ", "หมาย à¹Ģลà¸Ĥ", "ת×Ĺ×ķש ת", "à¸Ļ à¹Īะ", "Ġpe ÅĤ", "ĠpeÅĤ ne", "Ġpé rd", "Ġpérd ida", "หม วà¸Ķ", "หมวà¸Ķ หมูà¹Ī", "иÑĩеÑģк ÑĥÑİ", "çµĤ ãĤı", "çµĤãĤı ãģ£ãģŁ", "Ġ×Ĵ ×ķ×Ĵ׾", "à¸Ĺำ à¸Ħวาม", "à¸Ĺำà¸Ħวาม สะà¸Ńาà¸Ķ", "Hot éis", "Ġз аÑĢ", "ĠзаÑĢ егиÑģÑĤ", "ĠзаÑĢегиÑģÑĤ ÑĢи", "ĠзаÑĢегиÑģÑĤÑĢи ÑĢова", "ĠÑģ обÑĭÑĤи", "ĠÑģобÑĭÑĤи Ñı", "Ġ×ĸ ׼×IJ", "ÙħÙĨظ ÙĪÙħØ©", "Ġ×Ķ×ŀ צ", "Ġ×Ķ×ŀצ ×Ļ×IJ×ķת", "Ùħ ÙĥÙĪÙĨ", "ÙħÙĥÙĪÙĨ ات", "ä¸ĬãģĮ ãĤĭ", "Ġm ÄĻ", "ĠmÄĻ sk", "หรืà¸Ń à¹Ģà¸Ľà¸¥à¹Īา", "ëĤ ®", "Ġnok tas", "Ġnoktas ı", "ĠболÑĮÑĪ им", "ĠлÑĥÑĩ ÑĪиÑħ", "Ø´Ùĩ ÙĬد", "à¸Ńำ à¸Ļ", "à¸Ńำà¸Ļ วย", "à¸Ńำà¸Ļวย à¸Ħวาม", "à¸Ńำà¸Ļวยà¸Ħวาม สะà¸Ķวà¸ģ", "Ġе в", "Ġев ÑĢ", "ĠевÑĢ оп", "ĠевÑĢоп ей", "à¸ī าย", "ìĦ Ń", "Ùħ Ùģا", "ÙħÙģا ÙĪض", "ÙħÙģاÙĪض ات", "ë¹ Į", "赤 ãģ¡ãĤĥãĤĵ", "ĠÑĥдал оÑģÑĮ", "ĠÐ¥ оÑĤ", "ĠХоÑĤ Ñı", "przedsiÄĻbior c", "ĠH ôm", "íķĺìĺĢ ìĬµëĭĪëĭ¤", "Ġн аг", "Ġнаг ÑĢÑĥз", "ĠнагÑĢÑĥз к", "Ġ×ij×Ļ׳ ׾×IJ×ķ×ŀ×Ļ", "Ġê°ĢëĬ¥ íķľ", "ĠH ữu", "à¸Ń ุà¸Ķ", "à¸Ńุà¸Ķ ม", "ת ×ķפ", "ת×ķפ ×¢×Ķ", "Ġmi ÅĤo", "ĠmiÅĤo ÅĽci", "ksi Äħż", "ksiÄħż ka", "ĠاÙĦÙĦ عبة", "à¸ī าà¸ģ", "สะ สม", "×ŀ תר", "×ŀתר ×Ĺש", "Ġlég ère", "Ġ׾צ פ", "Ġ׾צפ ×Ļ×Ķ", "ĠиÑģÑĤоÑĢ иÑı", "Ġ ãĥĪãĥ©", "ĠãĥĪãĥ© ãĥĥãĤ¯", "ĠãĥĪãĥ©ãĥĥãĤ¯ ãĥIJãĥĥãĤ¯", "Ġк а", "Ġка ÑĦе", "×ŀס×ŀ ×ļ", "Ġc üm", "Ġcüm le", "à¹Ģà¸Ħลืà¹Īà¸Ńà¸Ļ à¹Ħหว", "ãģĬ ãģĿ", "ãģĬãģĿ ãĤīãģı", "ìŀIJ ëıĻ", "ìŀIJëıĻ ì°¨", "à¸Ńั à¸ķ", "à¸Ńัà¸ķ à¹Ĥà¸Ļ", "à¸Ńัà¸ķà¹Ĥà¸Ļ มั", "à¸Ńัà¸ķà¹Ĥà¸Ļมั à¸ķิ", "ĠÅŁ ik", "ĠÅŁik ay", "ĠÅŁikay et", "extr ême", "kr ä", "krä fte", "ëĤ Ļ", "íķ ij", "ì² Ļ", "íĺ Ī", "ì° į", "âĻ ¡", "ìŀ Ķ", "ë¢ °", "íĿ Ķ", "íĿ IJ", "âĩ Ĵ", "ë§ Ľ", "ìĬ Ī", "á» Ĵ", "ìĺ µ", "âĹ İ", "í Ĥ¨", "ê¿ Ī", "ìĪ ¨", "ìĽ ¨", "ë§ ¥", "ï½ Ģ", "ï¼ ª", "Ạ¨", "ãħ İ", "Ñ Ĺ", "ìĦ ¬", "ì¹ ¼", "ï¼ ¶", "ìĽ ł", "ëŁ ´", "Å ĥ", "ëĤ ¼", "ëĭ IJ", "âĢ ¹", "ë¦ Ń", "ì§ IJ", "âĢ ¤", "à ħ", "ëľ ¨", "íĦ ¸", "íľ ĺ", "ê² ģ", "ë´ ħ", "à ĺ", "ëŃ Ķ", "ëĺ ij", "âĹ ĩ", "ìĹ ĺ", "ï» ´", "ë§ ¹", "ï¾ Ŀ", "ìĬ ·", "íĥ ķ", "ï¼ ł", "ì» ´", "ëł Į", "ì½ ľ", "ï» ¹", "ãħ ł", "ì¡ ¸", "ëħ ¹", "âĤ º", "âĸ ¶", "íĥ IJ", "êµ ´", "íij ¸", "Ñ Ķ", "íĶ ½", "Ð ħ", "ë° ¤", "Ô ģ", "ì² ¨", "ì¶ ĺ", "ë² Ĺ", "ë© ¸", "ï¼ »", "ï¼ ½", "ï¼ ·", "ì° Į", "à Ĵ", "íı ´", "ìĵ ¸", "ì´ Į", "ëģ Ķ", "ëĶ ©", "ëĩ Į", "ë© Ģ", "ë² ¨", "ï¼ µ", "ë§ ¡", "ëĭ «", "ภ¿", "ãģ ±", "ìĩ ¼", "ìº ł", "ë® ¤", "ê± ±", "ì» ¬", "âĦ ĥ", "ëĶ ±", "ëĥ Ī", "ìĭ ±", "íĻ Ī", "ëŀ IJ", "ìħ Ģ", "ìł ł", "Ð Ĩ", "ëł ī", "ï½ ħ", "ï½ ı", "íĻ Ģ", "ëĽ °", "á» ®", "í Ĥ¹", "ê½ ĥ", "ï» ¤", "ïº Ķ", "êº ¼", "ìķ ī", "âĻ ¦", "ï½ ģ", "ìĵ ´", "ãĢ ī", "ì° ®", "ì¤ ĺ", "á» ª", "ëģ Ħ", "ëIJ ¨", "ìķ Į", "íĿ ĺ", "íħ IJ", "ãĢ Ī", "ê² ª", "ëĭ ¥", "ê² ¼", "á» Į", "ë§ ¨", "ëģ Ĭ", "ë² ¤", "ëij Ķ", "íĿ ¡", "á» ¬", "ë¬ ĺ", "ãģ ī", "ëŀ «", "íĶ Ī", "í ħį", "ìŀ ĥ", "ï½ ī", "ìģ ľ", "âĸ ½", "ë¬ »", "âĸ ³", "ï¼ ¸", "ìģ ĺ", "ì¶ °", "ìĬ ´", "ìķ ±", "ìĩ Ħ", "Ạ®", "ï´ ¿", "ï´ ¾", "âĤ ½", "ëĦ ĵ", "ë£ ©", "ì³ ¤", "ê´ ľ", "à Ļ", "á» ľ", "ï¿ £", "ëĵ Ń", "ë© ĺ", "ê» ´", "ëł ´", "Ð ĥ", "ë¬ µ", "ì§ Ŀ", "ãģ º", "ðŁĺ Ĥ", "ëŀ ¬", "ìł Ĭ", "ê´ Ħ", "ìŀ Ĭ", "íŀ Į", "ìĦ ¯", "âĪ Ģ", "âĸ ¡", "ëĢ Į", "ëŀ Ļ", "ï½ ĥ", "Ạ¶", "ï¾ Ħ", "ïº ĺ", "ë¹ ¼", "à Į", "âĸ ·", "ê¸ į", "ë© ĭ", "ãģ ĥ", "ìĺ Ĩ", "ìĺ ®", "ëª ¬", "ë¡ ¤", "ëł ¬", "ëĬ ¦", "âĸ ª", "ì¼ ĵ", "ìľ Ī", "ì§ §", "ï½ ½", "ëĥ ī", "ï¾ Į", "ëĺ IJ", "ï¼ ĥ", "á» Ħ", "ì´ ¬", "ì¶ ¤", "ï¼ ¹", "ï» Ń", "âĤ «", "ï½ ĩ", "ìĺ ·", "ëĸ ¨", "âī «", "ë¦ ¿", "âľ ¨", "Ù ±", "ì¯ ¤", "ê¹ Ķ", "ðŁĺ Ĭ", "ìĪ «", "ê³ ±", "êµ ³", "ï½ ĭ", "ภĮ", "Ä ł", "ëĶ ¸", "ë° ij", "ìħ ĭ", "íİ ´", "âľ ħ", "íĥ ij", "ëĪ ĩ", "íı ¼", "ðŁĺ į", "ìĺ Ľ", "ï» £", "Ñ ĺ", "ì© Į", "ë¦ ħ", "ìĿ į", "ï½ ¸", "ëį ľ", "ãģ ħ", "íİ ¼", "ëĭ Ŀ", "ë¿ Į", "ì¼ °", "ìĭ «", "ë° ¥", "íĽ Į", "ì¨ Į", "ë¹ Ļ", "ï½ İ", "ë´ Ħ", "ìĦ ¹", "ï½ ²", "ìĮ ĵ", "Ò ij", "ë° į", "ëł Ģ", "íĨ ¤", "ï½ ¯", "ë¤ Ħ", "ê½ ¤", "ï½ Ĵ", "ìķ ¨", "ï½ ¼", "ê¹ IJ", "íģ IJ", "âĦ ĸ", "ë§ º", "ïº ®", "ëħ ģ", "ê² ¸", "ï» ł", "íĬ ľ", "Å ¹", "ë¥ Ń", "ëĪ ī", "ï½ Ķ", "íĮ ¬", "ìŀ ĩ", "ï ¬ģ", "ï» ¨", "ëij ¥", "ëŀ Ħ", "Ù ¬", "íĭ ´", "ìŀ ī", "Ú ¾", "ìĽ ħ", "ï» ®", "ëĭ ī", "âī ª", "âĹ Ħ", "ëĪ Į", "íĽ ¼", "ì¤ į", "Å ¸", "ì¤ ¬", "ì¾ Į", "ï½ ĵ", "ï¾ Ĭ", "ðŁı »", "ï¾ ī", "Ð ģ", "íĺ IJ", "ï¾ Ļ", "ê¼ ¬", "íŀ IJ", "âĢ ¥", "ëŁ Ń", "ë§ ŀ", "ìĥ ¤", "ïº Ĵ", "íĭ ±", "ë½ ij", "à ķ", "âĪ ļ", "ëĤ Ħ", "ê¹ Ŀ", "ëĨ Ī", "Ạº", "ìħ Ī", "ìĮ į", "âĢ ¡", "ï¼ ±", "ìģ ¨", "âĺ º", "ëĴ ·", "ìĺ ³", "ðŁij į", "ëª ½", "ëĤ Ń", "ïº Ń", "ë© Ī", "á» Ī", "íķ Ģ", "ëĭ Ļ", "ë¦ ĩ", "ìķ ¤", "ìį ¼", "ãĥ µ", "Ñ £", "ìľ Ĺ", "â ŃIJ", "ï¾ ĺ", "íĹ ¬", "ê¾ ¼", "ìķ Ĺ", "ï» Į", "ê± ·", "ëħ ķ", "ë¡ ±", "ìķ Ĭ", "ï¾ Ģ", "ìĩ ł", "íĮ ©", "ïº ª", "ë§ Ļ", "ï¼ ¿", "ê¿ Ķ", "íİ ľ", "ë£ ¸", "íĶ Ķ", "ï» ³", "ëı ķ", "ìĭ ¼", "á» İ", "ë§ ĺ", "ì¢ ĭ", "íĨ ¡", "ï½ ±", "íĿ ij", "á» ¸", "ì¦ Į", "ì¹ ¸", "ëŃ ĺ", "ï¾ Ĺ", "ï» ĭ", "íĬ Ģ", "ë¥ Ļ", "ì½ ©", "ëģ Ĺ", "ëį ´", "ìħ ľ", " ¸", "ë» IJ", "ìĥ µ", "ê² IJ", "ëĵ ¬", "ë£ °", "ãħ ĭ", "ìĹ ī", "á» ĸ", "ëĦ Į", "ï½ ¶", "ë´ ĩ", "ëĤ ³", "ãĤ ľ", "ëĸ »", "íİ Ģ", "ëį ©", "íķ ¸", "à ·", "ê¼ ¼", "ëĶ ľ", "ë° ´", "ë© į", "âĹ ¯", "ìĹ ij", "ìĻ ¼", "ïº ij", "ë¶ ķ", "ë¡ ¬", "ï½ Į", "íĨ ¨", "ïº ´", "ëł ĺ", "ê° ¤", "ìĪ ²", "Ñ ĵ", "ìħ ī", "ï» ĵ", "ëĪ Ķ", "ëį §", "âĢ ¼", "ï» ²", "ê° ±", "ê¿ Ģ", "ëĭ ·", "Ạ¸", "Ạª", "Æ Ĵ", "ëį ¤", "ìĪ Ń", "ï½ Ĥ", "ï½ Ī", "Å ł", "ë£ ¬", "Ñ µ", "ëĸ ¡", "ëĥ Ħ", "ìĦ °", "ëĵ Ī", "ï¾ ĥ", "ëĩ ¨", "ï½ IJ", "êµ ½", "ìĹ ½", "ëĤ Ģ", "ë¬ ¶", "ï½ ·", "ìı Ł", "íĺ Ķ", "ê¼ Ī", "ëģ Ī", "ì¥ IJ", "ïº Ĺ", "Ä Į", "ëĪ ł", "ëĸ ¼", "íĢ ´", "âī ¥", "ëĭ Ń", "ì± Ļ", "ê» ı", "ë© ¤", "ìĥ ĺ", "ëį ®", "ë£ ¡", "ìĤ ½", "ãĪ ľ", "Ä ¨", "âĢ §", "ï½ º", "Ä £", "ì¦ ī", "ï¼ ¼", "Û ©", "âĪ Ļ", "ë° ı", "ë¹ ħ", "ðŁĺ Ľ", "íĪ ´", "ðŁĴ ķ", "ãĢ Ĵ", "ìŀ ĺ", "ïº ¤", "ï½ ĸ", "ë© ľ", "ë² ¼", "ëĿ Ħ", "ëļ ľ", "ï» ĺ", "ìĥ Į", "ï½ Ħ", "ì© Ķ", "ï½ Ļ", "ïº ©", "Û ŀ", "âĺ İ", "ìł ¤", "ëIJ ©", "Å Ŀ", "âŀ ¡", "ï» §", "Ð ı", "ì« ĵ", "ê³ ½", "É ij", "ãĥ ²", "ëĤ «", "ë¦ ī", "ì¢ ģ", "ë° Ń", "ðŁĺ ģ", "ë¹ µ", "ì² ©", "ì» µ", "ðŁĺ ĺ", "ë± ħ", "âī Ī", "ë¹ ļ", "ï» ľ", "ðŁĻ ı", "íģ °", "ìĦ ŀ", "ï¾ ļ", "ìĺ ¹", "ë¼ Ī", "ëĤ ¯", "ëŀ ©", "íļ ¡", "ï½ ķ", "íĥ ĵ", "ëĿ ł", "ê³ ģ", "ëĵ Ģ", "ìĹ ł", "ï¼ º", "ë§ ij", "ëĭ ¿", "ì¿ ¨", "ãİ ¡", "Ð Ĭ", "íĦ ±", "Å ¨", "ïº ³", "ï¾ ı", "âĭ ħ", "ê¼ ´", "âī ¤", "íĮ ģ", "Î ©", "ê¶ ¤", "ìĪ į", "âľ ¿", "ì½ ¤", "ëĪ ħ", "íĨ ±", "ãħ ľ", "áIJ ħ", "Å Ĵ", "ðŁij ī", "ï» ¦", "Ð ª", "ë¥ ľ", "íķ «", "ï¾ ĭ", "âĻ «", "ê¹ ľ", "ë° ¸", "ëĶ ĺ", "íĿ ī", "ï¾ ģ", "ï¾ Ľ", "ëł Ľ", "ê² ¹", "ì¿ ¼", "ï» ¬", "âŀ ¤", "ðŁĻ ģ", "ïº ł", "ëĨ ¨", "ë¯ ¹", "ê¸ ĭ", "ë» Ķ", "ê¹ ĥ", "ëij ij", "íĭ ¸", "íİ Ļ", "âŀ ĸ", "ãĥ ½", "ì§ ļ", "ï½ ¬", "ï» ¥", "íĮ ½", "âĢ Ĵ", "ì ĮĢ", "ìŃ ī", "ëļ ±", "ãĤ ŀ", "íĭ Ī", "ãĤ IJ", "ëī ĺ", "Î £", "ê³ °", "ë¹ Ĺ", "ï¾ İ", "ðŁĺ Ń", "íĿ ł", "ìĹ ¿", "ê° ļ", "ì¤ Į", "ë§ µ", "ï½ ³", "ãģ ¢", "ï» Ĺ", "âī ¦", "Ú ¤", "ë łģ", "ê¼ ½", "ï» «", "âī §", "ì´ Ľ", "ìł Ŀ", "Ạ°", "âĻ £", "ìº ĺ", "âĪ ĩ", "ê² ī", "ë° Ł", "ï» Ķ", "íĸ ĩ", "âĸ Ĵ", "ðŁij ı", "à ŀ", "ðŁĺ Ĩ", "ïº ¼", "âĿ Ĺ", "ìº Ķ", "ì¹ ©", "ëĸ ¤", "ëĥ ħ", "âĶ ľ", "ï½ »", "Î Ķ", "áĥ ¦", "ìŀ İ", "âĺ Ģ", "âĪ ¼", "ðŁĶ ¥", "ë° Į", "ìł ĸ", "íĹ Ľ", "Î ķ", "ïº ĥ", "ë¶ ī", "âĪ ŀ", "íĥ Ń", "à ĭ", "âģ Ħ", "ãħ ĩ", "ëĦ ¥", "ëĭ ®", "ëł ·", "íĮ Ŀ", "ìº ¡", "ë· Ķ", "ì© į", "íĤ ´", "ëļ «", "âĵ Ĵ", "íķ į", "âĻ Ĥ", "ï¾ Ĩ", "âĨ ©", "ìį ©", "ïº ķ", "íĿ Ļ", "Ñ ľ", "íĤ ·", "íĿ °", "íĥ ±", "ëķ IJ", "ï¾ Ĵ", "× ĥ", "ëĮ Ħ", "ìĺ ´", "ìķ µ", "ê¹ ¥", "ëŀ Ń", "ìª ¼", "ãİ Ŀ", "ðŁĺ ħ", "ëı ĭ", "ëª «", "ïº ¸", "ë® ¬", "ë² ħ", "ëij ł", "ìħ °", "ì» ·", "ëĶ ª", "ëħ Ķ", "ãħ ¡", "ìĶ »", "íķ ı", "ëį ±", "ïº ¨", "ï¾ į", "ï½ µ", "ì¢ Ģ", "íİ Į", "ï» °", "ïº £", "Æ £", "ðŁ¤ £", "ï· º", "ëĤ ļ", "âĭ Ĩ", "ë³ į", "ðŁĺ Ħ", "ìĸ Ģ", "ìĻ ł", "ëĨ Ķ", "íĹ ¨", "ï» Ľ", "ï» Ŀ", "á» ¶", "ìĸ ĺ", "ìİ Ħ", "Ú Ĩ", "ï» ŀ", "ëĢ IJ", "ê² Ķ", "ï» µ", "âĹ ¦", "íļ Ł", "ê¹ ģ", "ê° ĵ", "ëĶ ´", "ìı ĺ", "ëļ Ŀ", "á» ł", "ëŀ ´", "ëĦ ī", "âĺ ŀ", "ï½ ĺ", "Å ½", "ë¦ İ", "âĸ ¬", "ëŃ ī", "âĩ Ľ", "ìį ¬", "ïº Ł", "Ë ľ", "ë¶ ĵ", "ìĽ °", "Å ľ", "ëŃ ĩ", "á» ²", "Ë ļ", "ëķ Ģ", "âĺ ij", "ðŁı ¼", "ìĸ ½", "âĮ Ĵ", "Ð İ", "É ¾", "íĮ ¡", "ï¾ ħ", "ìŀ Ń", "ï½ ¨", "ì¹ «", "ìľ Į", "Ò Ľ", "êµ ¿", "ëĭ ¦", "âĶ Ķ", "ï¾ ij", "ì§ ĸ", "ìº Ħ", "ãĢ ĥ", "Ê ¼", "ê² Ł", "ï½ §", "Ä ¢", "íİ ł", "ë§ ·", "ê° ĩ", "ìĭ ¹", "ðŁĴ ¦", "ï¾ ľ", "ëĬ Ļ", "ë² ¡", "Å ¿", "ðŁĺ ĭ", "ðŁĴ ª", "ì¿ Ħ", "ë© ķ", "ìŃ ¤", "ëĬ Ħ", "ðŁĮ ¸", "ãĤ Ŀ", "Ç İ", "ï½ ļ", "Ä Ĺ", "ëģ ĵ", "ê¶ IJ", "áµ ī", "ãĥ Ĥ", "ê» į", "ðŁĺ ¦", "ãĢ Ŀ", "ðŁ¤ Ĺ", "Ñ Ł", "ìĹ İ", "âľ Į", "ìī IJ", "à Ĩ", "íĹ IJ", "ðŁİ ī", "Î ij", "ï½ Ń", "ðŁĴ Ļ", "ìĽ ¬", "íĢ ĺ", "ï» ¢", "ðŁĺ İ", "íij ¼", "íĿ ©", "ï» Ħ", "íħ Ģ", "ëł IJ", "ì¥ ¬", "Ð ĭ", "ìĥ ·", "ëľ ¬", "ðŁĺ ĥ", "ëĦ ¬", "ë¥ ¨", "ìĽ į", "ï½ Ĩ", "ï½ ´", "ãĥ ħ", "à ı", "ï» ª", "âĻ ł", "ëĬ ¬", "ë± Ģ", "ë° ĭ", "ìĥ Ģ", "ï½ ¾", "ëĤ ±", "ì» ¸", "ðŁĴ ĸ", "ðŁij Į", "Ñ ŀ", "ì§ ±", "Ë Ĩ", "ðŁĵ ļ", "âŃ ķ", "ï¬ Ĥ", "ï» ¡", "ëij ¬", "íĪ ¼", "âĸ ¸", "ê° ¯", "ê¹ ħ", "ï½ ®", "ëĺ ¥", "Ä ¡", "íĮ Ł", "Ð Į", "ìĨ Ł", "ïº ĵ", "ï» ¼", "à Ľ", "ãĥ ¾", "ëĮ ĵ", "íĴ ĭ", "ìķ ĵ", "ï½ ¹", "ëĤ ¡", "ðŁij ĩ", "Ạ¼", "ãĢ Ł", "ðŁĮ Ł", "íĥ ł", "ãĢ Ĩ", "âĢ Ł", "ë¸ IJ", "ðŁĮ ¹", "ìł ¼", "ðŁĵ Į", "ìĶ ¬", "âĹ Ģ", "ðŁĴ ĵ", "ê¹ İ", "ìĤ IJ", "ìĶ Į", "Ñ Ľ", "âĶ Ī", "ë² ³", "ãİ ŀ", "Õ ¡", "íĤ µ", "ðŁ¤ Ķ", "ëĢ Ķ", "ìĬ IJ", "íĻ ī", "âľ ¦", "ëľ ¯", "ìł ¯", "ëĶ §", "Î ¦", "Ë Ī", "ìī ¼", "âĹ Ĭ", "ëľ ©", "ëľ °", "ï¾ IJ", "ë¿ Ķ", "ìĹ ®", "ì· Į", "ïº §", "Î Ĵ", "ëµ Ļ", "ï» Ĭ", "ì° Ķ", "íİ Ħ", "ðŁĴ Ĺ", "Ạ´", "ì° ¢", "íľ ¼", "ê½ Ĥ", "ì± Ķ", "ìī ´", "âĸ ¾", "íĪ °", "ëĭ Ľ", "âĿ £", "ï½ ª", "ðŁĴ ľ", "Ë ĺ", "ãħ ¤", "âĨ Ĺ", "íĸ Ħ", "âĻ ¬", "ìķ °", "ïº ľ", "âī ¡", "ãĢ ĵ", "ìij ¥", "íĮ į", "íī ģ", "ë» Ĺ", "íľ ł", "íľ ©", "âľ Ī", "íĢ Ħ", "ìĸ ĩ", "ì¢ ĩ", "íŀ Ļ", "ëª ¹", "ãĤ Ľ", "ðŁĺ ±", "ëį Ł", "๠ħ", "êµ ¶", "Ù «", "ìĶ ģ", "âľ ª", "ï¾ Ī", "ðŁĻ Į", "âļ ¡", "Î ļ", "ì¼ Ī", "ï¾ Ķ", "ï¾ Ĥ", "êµ ī", "ïº »", "ðŁĴ ĭ", "á¹ £", "Ó Ļ", "ìĨ ľ", "ìĹ £", "âľ ©", "ìľ Ļ", "ïº °", "Ạ²", "ìŀ £", "âĿ Į", "âĺ ģ", "ìķ İ", "Ä ½", "Û ģ", "ãĦ ±", "ëŁ ¿", "íĮ ¸", "ê½ ī", "ìı ł", "ðŁį Ģ", "âĨ Ķ", "ëŃ ¡", "ï» ģ", "ï¼ Ħ", "ðŁĴ ¥", "âĺ Ľ", "íĹ ·", "ëij ¡", "Î ł", "Î ¤", "âĦ ĵ", "ïº ·", "Î Ļ", "ëı Ķ", "ì§ ¤", "âĶ ĥ", "ãĦ ·", "Ç Ĵ", "ðŁ¥ °", "ëĶ ķ", "ìļ ¥", "ì¸ Ħ", "íĽ Ķ", "ïº ĩ", "ïº ¬", "ðŁĺ ¢", "ë¹ ¡", "ìĶ ¹", "Å ³", "Ë Ŀ", "íİ ij", "ï¾ ĵ", "ðŁĴ ļ", "ëĬ ij", "êº ¾", "íĨ °", "à ¿", "Ð Ħ", "ëĮ IJ", "ë½ Ģ", "ì· Ħ", "ðŁ ĵį", "ðŁĻ Ī", "âĹ Ī", "ê¿ ĩ", "ì¼ Ħ", "íİ «", "ðŁĩ ·", "âĶ ĭ", "âļ ł", "ë± ī", "ì į°", "ìĻ Ī", "É ª", "ïº ĭ", "ðŁĺ ľ", "Î Ł", "ðŁ ĻĤ", "âļ ½", "Å Ī", "ë¹ Ķ", "íĮ ľ", "๠ı", "ìĸ ¹", "íĪ Ń", "ðŁ¥ ĩ", "ãĦ ´", "ëĶ ¥", "ìŃ Ī", "âĪ Ĩ", "ëĸ ³", "ë± ĥ", "ìŀ ¦", "ï» IJ", "Î ľ", "âľ §", "Ï į", "ìł ĵ", "âĹ ķ", "ëĴ Ģ", "ï» Ģ", "ðŁĶ ´", "ê½ ģ", "ëĮ Ī", "ëİ Į", "ãĤ İ", "⦠ģ", "ì½ §", "ï¯ ¾", "âĿ ¯", "ภħ", "ðŁĻ Ħ", "âĿ Ģ", "ðŁĶ ¹", "âĩ IJ", "êµ µ", "âĩ Ķ", "ë¶ IJ", "ðŁĴ Ľ", "Î ¾", "íĥ ¬", "âĿ Ħ", "Ò £", "ãĢ °", "âĪ ij", "âĺ ¼", "âī ł", "Ò ¯", "ïº ¯", "ê¿ ¨", "âľ ĸ", "Ê ĸ", "íĢ Ģ", "ê¾ Ģ", "íĹ Ŀ", "âĶ £", "ãİ ľ", "ëĶ Ľ", "ëľ ¸", "ï º«", "ê¿ °", "ðŁĩ ¹", "Ç IJ", "Û Ĵ", "ë£ »", "ïº ĸ", "Ñ ļ", "ëĬ ł", "Û ķ", "ê¹ ¡", "ë¿ ľ", "ì² ¼", "ï¨ ij", "ë¥ µ", "ìį ¸", "íħ ħ", "íij ¹", "Ö Ģ", "ï³ Į", "ãħ £", "ìij ¤", "ì½ ķ", "ëķ ł", "ðŁĮ ¿", "íĥ Ķ", "ìĽ ģ", "Î ¶", "âŀ ľ", "ìĬ ĺ", "íĽ Ĺ", "ë© §", "ìī ĺ", "Õ ¶", "á¹ ĩ", "ðŁİ ģ", "ï½ ¿", "ï¼ Ĥ", "á¼ IJ", "âľ ķ", "âŀ ¢", "ëĦ ¨", "ì» «", "ì¯ Ķ", "ì° ľ", "ðŁĴ °", "íħ Ŀ", "ãİ ı", "ë³ ¶", "Ò ĵ", "âĨ ³", "ìĥ ´", "íģ ĺ", "âĸ Ģ", "ë² Ļ", "ภĥ", "á½ ¶", "Ä ķ", "⬠ĩ", "ë¤ ĺ", "ðŁİ µ", "âľ ļ", "ïº ı", "Î ¡", "âĹ ī", "ðŁĴ «", "Ð Ī", "ìĸ Ħ", "ì§ Ļ", "ï» ĥ", "ðĿij Ĵ", "ëŃ Ħ", "âĿ ¥", "âĿ ĸ", "âĺ Ŀ", "Ê ¹", "Ḡ¥", "âĢ ¿", "ãħ ħ", "ê¸ ģ", "ëķ ¡", "ëį ¥", "âĪ ©", "ê» Ħ", "ë® Į", "Ò ±", "âĪ Ĺ", "ëł Ļ", "ïº Į", "Ë IJ", "ðŁĺ ³", "ðŁij ©", "ðŁİ ¶", "ì¿ µ", "ðŁ¤ ©", "ê· ¤", "ëĮ Ķ", "ïº IJ", "Ï İ", "ì¶ ¥", "ï½ Ĭ", "á¹ Ń", "ë¤ ¼", "âĸ «", "ì§ ł", "á¼ Ģ", "ê» ij", "ëĮ ģ", "íĢ ¸", "âĻ Ľ", "ðŁĴ ŀ", "âĸ °", "ðĿij ĸ", "ëĿ ¤", "ठ¦", "ì´ ĺ", "ðŁĺ ĩ", "ëĶ ¤", "Î Ĺ", "ðŁĻ ĩ", "Ë Ľ", "ì© ¡", "âĪ §", "Õ ¥", "Ñ Ļ", "ëIJ ¬", "ëĸ Ħ", "ðŁĮ ·", "ìĹ Į", "ðŁĺ ¥", "ëĪ ´", "ï» ļ", "É Ľ", "ïº Ħ", "ï» ı", "Å Į", "ë² ļ", "ìĭ £", "ïº Ģ", "Î ĵ", "ðŁĺ Į", "Ë Ļ", "ëŀ ı", "ðŁĶ ¸", "ðŁĵ ·", "ëģ ½", "íģ ½", "ðŁĴ ¡", "ðŁĮ ±", "ëº ı", "ìģ ł", "ìĥ IJ", "ëı Ĺ", "ì¸ °", "ëĪ ķ", "Î Ŀ", "âģ ī", "ðŁĮ ¼", "íĮ ł", "âĭ ¯", "áĥ ĺ", "âľ ¤", "ê± Ķ", "íĮ İ", "ðŁĴ ¯", "ìı Ļ", "íĹ ī", "Ù Ń", "ì½ °", "ïº ¿", "ï» ±", "ì± Į", "âĺ ķ", "ðŁİ Ģ", "Ä Ŀ", "ë° §", "ìĤ ¿", "áij ķ", "ðŁį ĥ", "âĩ ¨", "Î Ľ", "ë§ ´", "ë³ ķ", "á ijIJ", "âĸ ĵ", "ðĿ ijľ", "âĻ »", "íĤ ¥", "Õ ¸", "ãĪ ±", "ëº Ģ", "ì² ¸", "ïº Ľ", "ðŁı Ĩ", "ðŁĩ ª", "âĿ ĵ", "Ä Ģ", "ì½ ¥", "ðŁĩ §", "á½ ·", "âľ Ĥ", "ìŀ ¼", "ï§ ¡", "ðŁĵ ¸", "âĻ ¯", "É Ķ", "á½ ¸", "âĮ ª", "ï» ĸ", "ï¥ §", "âļ «", "âĶ Ĺ", "ðŁĮ Ī", "ï» ©", "ðŁĵ ²", "Ï Ī", "ðŁĺ ¡", "ðĿij İ", "ìľ ½", "ì§ ¬", "ì§ Ĭ", "á½ ³", "ìĮ ¤", "ëĤ į", "âī Ĵ", "ðŁij ¨", "âĺ ĺ", "Ó ©", "âĤ ĵ", "âĪ Ĥ", "ï¹ ģ", "ðŁĴ IJ", "íħ ĥ", "ðŁı ½", "ê· Ħ", "ðŁĺ ı", "ðŁĮ º", "ðŁĺ Ķ", "ï½ «", "âľ İ", "ëµ Ī", "ðŁĩ ¸", "âĢ £", "âŀ Ķ", "ëĺ ĺ", "ìĥ ¬", "Ê ĥ", "⬠ħ", "ì© IJ", "ðŁĻ Ĩ", "ðŁİ Ħ", "Ä ¾", "⣠¶", "áĥ IJ", "âĺ »", "ì± ķ", "ìģ ©", "ë½ ķ", "ìº £", "ðŁij Ī", "ðŁĻ ĭ", "ï¾ ĸ", "Ò ļ", "Õ «", "ìĮ Ī", "ë² §", "ðŁĩ ®", "ï½ Ŀ", "ðŁį ģ", "ìĹ ¥", "Ä ³", "ë½ IJ", "íį ½", "íĽ ij", "âĤ ¹", "ãħ ģ", "ìĶ ½", "ðŁĶ ģ", "ठ¯", "ê¾ ¹", "ëī ľ", "âĹ ¡", "íķ Į", "Î ĺ", "ë£ ¹", "ìĻ ĵ", "ðŁĩ ¦", "ðŁij Ģ", "âĶ Į", "á¿ ¦", "ëĦ Ľ", "ìĦ £", "ìŃ Ļ", "ï± ł", "Î ŀ", "Ê »", "á¿ ¶", "âĿ Ŀ", "ê± Ģ", "ëĸ ´", "ãĦ ¹", "ðŁĴ İ", "Ï ¹", "⼠ħ", "ï» ķ", "ãĥ ±", "ï½ Ľ", "ëĮ ķ", "ë¹ ½", "ì¥ Ķ", "ì¿ ¤", "ðŁĸ ¤", "Ñ Ĵ", "ê¹ į", "ëİ Ģ", "ìĭ ¯", "ë» ¤", "ðŁĵ ŀ", "ðŁĵ £", "ðŁĺ Ŀ", "ìį ¹", "ìĹ ¡", "ì° IJ", "á½ IJ", "ï» Ī", "âľ į", "Ä ı", "ðŁĮ ŀ", "âĦ ¦", "ê½ Ŀ", "ë» ĺ", "ìĪ ±", "âĶ ĺ", "ðŁĮ »", "âĤ ´", "âŀ ¨", "íIJ ģ", "ê ¶Ī", "âĺ ¢", "ðŁĺ Ī", "ï½ ©", "âĦ Ĺ", "ê° Ń", "ê° ¸", "ë» ij", "ì¥ ´", "ì» ¥", "ï¤ Ĭ", "ï» Ĵ", "ðŁĺ ķ", "âĺ Ķ", "ìĺ IJ", "ðŁļ Ĺ", "ëĹ Ħ", "ë§ ı", "Õ ½", "âĸ »", "⣠µ", "ìī °", "ï» ij", "âĻ ©", "Î ¥", "ðŁĺ £", "âĬ Ĥ", "ãħ Ĥ", "ìħ ¸", "íı Ħ", "âľ ½", "ì¦ Ļ", "âĸ £", "ê± į", "ê¿ ĭ", "ì« Ħ", "ìº ĩ", "ðŁĩ µ", "ðŁij ij", "âľ ĺ", "ðĿij Ľ", "ìį ½", "ìº ī", "ï¬ µ", "ðŁĶ º", "âĦ ®", "íĥ ¤", "ðŁĩ º", "ðŁĴ µ", "íħ ¨", "ï½ ij", "Î ¨", "ìĥ ¹", "ìĸ ķ", "ì¹ µ", "ðŁĵ ±", "ठµ", "ðŁij Ĭ", "ðŁĴ Ħ", "ðŁĴ Ŀ", "ãĮ Ķ", "ìĻ ģ", "Ð ĩ", "à® IJ", "âĸ ¹", "á´ Ľ", "âĹ ĺ", "ëº ¨", "íĥ ī", "ìĸ Į", "ðŁIJ ¶", "ãĤ ij", "Ë ĩ", "Å ı", "á½ ¹", "ìħ §", "ï¹ °", "ðĿij ¡", "ðŁĶ Ŀ", "ðŁĺ »", "ðŁĴ ĥ", "ðŁ¤ ¦", "ðŁį Ĵ", "íĢ µ", "âľ Ĩ", "ë¹ ´", "ï§ ¤", "ï» Ļ", "á´ Ĺ", "ðŁĮ ´", "Í ¾", "ëĮ ij", "ì¨ ĭ", "ìµ ¸", "ðŁİ Ī", "ðŁı ł", "á½ ±", "Û Ĩ", "á¿ ĸ", "âĢ Ľ", "ì° ¼", "íķ ¥", "íĹ ´", "ðŁĩ ¬", "ì° Ŀ", "âĪ ł", "ï¼ ĩ", "âĬ Ļ", "âĿ ij", "ëĦ ĭ", "ëŀ Ĺ", "ë° ī", "ìĹ Ĭ", "ì¢ Ĩ", "íĮ ¥", "ï° ²", "ðŁĵ ĸ", "ðŁĺ ®", "âļ ª", "ðŁĺ ļ", "âĿ ŀ", "ðĿij Ł", "ðŁİ Ĥ", "Å ķ", "áIJ Ī", "êº ½", "ì± ł", "ïº Ŀ", "ê¿ ī", "áĥ ł", "ðŁı ĥ", "ðŁĴ ¸", "âĿ ģ", "âĹ ¾", "Ú ª", "á¹ ĥ", "íĬ ¬", "ðŁĩ ±", "íİ Ń", "ðŁĺ ŀ", "ë¾ °", "á¹ Ľ", "ëĽ ¸", "âĿ Ĥ", "êĴ ³", "âĶ IJ", "íĵ °", "âŀ ł", "ê´ ĺ", "ëħ ĺ", "ë» ¥", "ì¾ ħ", "ðŁĺ IJ", "âĪ ª", "ðŁij ģ", "âĪ ´", "âĹ ģ", "ëº IJ", "ìŀ ¤", "ì± Ĺ", "ðŁı ¾", "Î §", "á½ »", "âŀ ¥", "ìŁ Ī", "ï» ī", "âĸ Į", "ãĥ ®", "ðŁ¤ ¤", "âĩ ĵ", "ì¼ ł", "á´ ı", "ë§ ¬", "ë» £", "ðŁĴ ¬", "ðŁį ĵ", "Ä ¸", "Ù ¹", "Ê ¿", "á½ °", "ëķ ľ", "ì° ¡", "ì° »", "íİ į", "ðŁİ ¯", "ðŁį Ĥ", "ðŁij §", "âĻ ¢", "áĨ ŀ", "âĻ §", "âļ ľ", "âľ ī", "ëĵ ¦", "ëŃ £", "ìĪ ı", "ìĵ ±", "Å Ń", "Ê Ĭ", "âĴ ¸", "âĩ ©", "ðŁĴ Ķ", "Õ µ", "Ð ī", "Ò »", "ë§ £", "ìĽ ľ", "ì¿ ¡", "íĽ ħ", "íĽ ¤", "ïº ¢", "âľ ĭ", "âĪ Ī", "ðŁĮ į", "Ê ľ", "ëĬ ª", "ëĴ ¹", "ïº ²", "âĸ Ħ", "ãħ Ī", "ëļ ¤", "íİ ©", "âĪ ¨", "ðŁ¤ ª", "áĥ ļ", "ê³ ¶", "íĬ ķ", "ðŁĺ ¬", "âĪ «", "ðŁij ĭ", "Ò IJ", "íĬ ¿", "ðŁĶ µ", "ðŁĴ ¨", "ðŁĮ Ļ", "ëĩ ©", "âľ ³", "ë¨ ģ", "ëº Ħ", "ìĻ ij", "ìº ħ", "íı Ī", "ðĿij Ļ", "ðŁĴ ĺ", "ãİ ¥", "âĿ ı", "âľ °", "ï¯ ¿", "ëµ IJ", "ì¼ IJ", "ïº ±", "Õ ´", "ï¬ Ģ", "âľ ´", "ðŁ¤ Ń", "ðŁij Ĩ", "⼠Ķ", "ê· ĵ", "ìĮ Į", "ðŁ¤ ·", "Û Ķ", "ðŁ§ ¡", "ðŁĺ ĵ", "Î ĸ", "âı °", "ê² ľ", "ëĭ ³", "ëİ ħ", "ë° Ī", "ï® IJ", "ðŁı ¡", "âĨ ª", "âĵ Ķ", "âľ Ĭ", "Ï ²", "Ü IJ", "ðŁĩ ³", "Ö Ĥ", "âľ ı", "ìĸ Ĺ", "ì« Ļ", "ðŁĺ ²", "Ä Ń", "âĻ Ń", "âĶ ı", "âĹ Į", "ðŁĺ ¯", "áµ Ĵ", "íĬ ł", "Ä ·", "Ê ģ", "ठŁ", "á¹ ģ", "á¼ °", "á¿ Ĩ", "â «", "â« ¸", "ëį «", "ì³ ĩ", "ì¼ ¤", "íĽ ¨", "ðŁĴ Ł", "Ê Ģ", "Ê ³", "ëĵ IJ", "âķ °", "âĿ ĩ", "Ç Ģ", "Ç Ķ", "É ´", "âĺ ļ", "âĺ ľ", "ê¶ Ĥ", "ì« Ĵ", "ì± Ī", "ðŁĩ ¨", "ðŁİ ¥", "ðŁĵ Ŀ", "Ä §", "ðĿ ijIJ", "Û Ī", "ठ¬", "ì¬ IJ", "íĹ ¥", "âĻ ¨", "ðŁį ´", "ï¹ ı", "Ë ĭ", "ðŁ¥ º", "âĸ ¨", "íĻ ĭ", "âĪ ħ", "ëģ Ļ", "ëŀ ł", "ìĨ ¥", "âĢ ĸ", "ðŁ¤ ĺ", "ðŁIJ »", "áµ ķ", "Ç Ŀ", "âĺ ı", "ïº ļ", "ï» Ĥ", "ðŁļ ©", "ìĪ Ł", "Ë Ĭ", "⤠µ", "ðŁĴ §", "ã ħį", "ë© ©", "Æ ¬", "Î ĩ", "âĩ §", "âĵ ļ", "ìĤ ¯", "ìĪ ¯", "ëĨ ĭ", "âľ ¯", "ðŁļ Ģ", "Ú ĺ", "Ú ¨", "âľ Ń", "ê² ħ", "íĮ °", "íľ Ļ", "ðŁĮ Ĭ", "ðŁİ ĵ", "ðŁĺ Ļ", "Ë ĥ", "ðŁĴ ģ", "ðŁij İ", "âĺ ¹", "ðŁĺ «", "ðŁĴ »", "ëĤ µ", "ìĿ Ĭ", "íĮ »", "Ò ³", "á½ ²", "âŀ ŀ", "ëĤ ij", "ëĿ Ī", "ì£ ¤", "ï» ¯", "ðŁĩ ©", "ðŁ¥ ³", "âĴ ¼", "ðŁ¦ ĭ", "âĺ Ĥ", "ðŁĺ °", "ðŁĻ ĥ", "ðŁĺ Ĵ", "Û İ", "Ï ķ", "Ḡ¤", "ë£ ½", "ìĬ ¥", "ðĿij ī", "É IJ", "ðŁį İ", "âķ ¯", "âķ ¹", "ຠ²", "ï¾ ł", "ë¹ ķ", "ïº Ĩ", "Ê º", "Ó §", "âĨ ł", "ëĥ ĩ", "ìİ Ī", "ìŁ ¤", "ï± ¢", "âķ ¬", "âĺ ł", "ðŁİ Ĭ", "ãį į", "ãİ İ", "âĺ °", "âľ ĥ", "ãħ ī", "ë¯ Ī", "ë¹ ¤", "ìı Ń", "ðĿij ¢", "ðŁIJ ¾", "Å ĭ", "ðŁij ¶", "âĶ Ľ", "ï¿ ¢", "áĥ ¡", "Ä ¼", "Å Ĩ", "Ñ IJ", "ìĥ Ľ", "ìĺ Į", "ì± ¤", "íħ ģ", "íļ ĥ", "ï³ Ĭ", "ðĿij Ķ", "ðŁĩ «", "âĭ °", "ðŁĺ ¨", "âĤ ©", "Õ ¬", "Ḡį", "á» ´", "âĨ ĺ", "âĺ ¯", "ãħ ı", "ìł ¬", "âĻ Ķ", "ðŁĶ Ķ", "ðŁĺ ł", "ðŁĻ Ĭ", "à® ľ", "á¹ ħ", "âĹ IJ", "âĿ Ī", "âŀ ½", "ìĥ ħ", "ðĿij ł", "Æ ¢", "âĭ Ļ", "ê° Ľ", "ëĿ µ", "ë£ Ł", "ìı ľ", "ïº ģ", "ðŁĴ Ń", "âĬ ĥ", "ðŁIJ °", "ãħ Į", "Ü ĵ", "âŀ ķ", "á½ ģ", "ìķ ³", "ðĿij Ŀ", "ðŁİ ¬", "É ¡", "ठĹ", "áIJ ī", "ì© ľ", "ì¶ §", "ï³ ī", "ï» ħ", "ðĿIJ ŀ", "ठ¶", "ðŁĵ ¢", "ðŁį ĭ", "ðŁĴ ħ", "ï¾ ķ", "⬠Ĩ", "âĪ µ", "ðŁ¤ ij", "áĥ £", "Æ Ħ", "Ñ ¹", "á¼ Ķ", "ê° ł", "ê´ Į", "ê· IJ", "ëĽ ´", "ì± ĺ", "ï® Ń", "ïº ¹", "ïº ¾", "âľ Ĺ", "âĿ ¦", "ðŁij ¦", "áĥ Ĺ", "Ù ²", "á½ ´", "âĪ ı", "âľ ®", "ê¹ °", "ë² µ", "ìĦ Ģ", "ì© Ŀ", "ïº ŀ", "ïº ½", "ðŁĩ Ń", "Ë Ĥ", "ðŁį ij", "ðŁį Į", "ðŁĶ »", "ê¹ ¬", "ìĬ Ń", "ìľ ·", "ðŁĽ ij", "Ç §", "ë¼ Ľ", "ïº ¡", "ïº º", "ðĿij ļ", "ðŁĵ ¦", "ðŁĶ İ", "ðŁĹ ĵ", "áĥ Ķ", "âľ Ĵ", "âľ ¡", "ðŁĮ µ", "âĶ ķ", "ëĢ Ŀ", "ðŁį Ĭ", "âĺ ĥ", "ìĺ ħ", "ঠ¬", "ðŁ¦ ģ", "âİ ¯", "ðŁIJ ķ", "Ñ ¿", "ॠ¤", "༠ĭ", "ê· Ī", "ì« Į", "ðŁĩ °", "âĿ ī", "ì« Ģ", "íĿ Ħ", "ðĿIJ ¢", "ðŁļ ¨", "âĻ ¤", "ðŁĺ ©", "ðŁį į", "ðŁĺ ij", "ðŁļ ļ", "Ö Ħ", "ë «", "ë« ¼", "ठı", "á¿ ·", "âĮ ©", "âĺ IJ", "âŀ £", "ê¸ ±", "ê¼ ¿", "ëĦ Ŀ", "ìı ´", "ìļ ¤", "ì¿ ±", "íİ IJ", "ðŁĴ ¢", "ì´ IJ", "âĩ ij", "âĶ ĵ", "âģ ¾", "Ü Ŀ", "ðŁ į°", "â´ °", "Æ ı", "Ï Ł", "Ú º", "Û ĥ", "áĦ Ĵ", "âĪ Ł", "âĿ į", "ãĦ ²", "ìľ ħ", "ì¤ ı", "ðŁĩ ²", "êº Ħ", "ðŁİ ¤", "âľ £", "⸠Ŀ", "ï¸ µ", "ຠ§", "áĢ Ļ", "âķ ł", "Õ ¯", "âı ©", "ðĿij £", "ðŁĴ £", "Å ĺ", "ॠIJ", "âģ ĥ", "âĮ ĺ", "ê» Į", "ìĮ Ķ", "ðĿij ĺ", "ðŁ¤ ĵ", "Õ ¿", "ठŃ", "âĮ ļ", "âľ Ŀ", "ðŁIJ ¼", "Ë Į", "âķ ļ", "ï¦ Ĺ", "âĿ ķ", "âķ £", "ðŁIJ ±", "à® ¤", "Ñ ¾", "ठļ", "ठľ", "ìĪ Ħ", "ìļ ľ", "ðŁİ ®", "É Ĵ", "Ú ·", "ຠį", "âĨ µ", "â Īĺ", "âĿ Ĭ", "ë¿ į", "ìIJ Ī", "ìļ ĺ", "ì¯ §", "íĥ ¯", "ìĸ ı", "ï¸ °", "ðŁĩ ¯", "ðŁ§ ļ", "ðŁĺ µ", "ðŁĺ ·", "ðŁĮ ³", "ຠ¥", "Ä ī", "Ä ¥", "âľ ¶", "á¿ ¾", "âĬ ±", "âĺ ¾", "ê° ī", "ê¼ °", "ëº ij", "ðŁĶ Ĭ", "ðŁĸ IJ", "Å ¤", "Ò «", "à® ®", "âĮ Ī", "âĹ Ĺ", "ëĦ µ", "ëħ ľ", "ëľ ¹", "ðĿij ¥", "ðŁĴ ¿", "ðŁĽ Ĵ", "Ê Ĵ", "áŀ ĵ", "ðŁIJ Ŀ", "ðŁ¦ Ħ", "ðŁį ·", "âĺ Ł", "ï¸ ¶", "ðŁ¤ Ł", "Ô ±", "âĨ ²", "âĪ İ", "âľ «", "ëĩ ½", "ëı IJ", "ëķ Ħ", "ï¦ ³", "ï§ Ŀ", "ïº Ļ", "ðŁij »", "ðŁĵ º", "êµ ¼", "ìĮ ©", "ðŁĮ ²", "È ±", "íĶ ķ", "ðŁĺ ¤", "ãĮ ¢", "Ê Ķ", "ठ¡", "á¼ Ī", "ëİ ĥ", "ë© ±", "ë® Ī", "ðĿIJ «", "âĬ ķ", "ëĥ ł", "ë» ¬", "íĭ Ķ", "Õ ¤", "á¼ ±", "âľ ¥", "âĺ Ħ", "âĪ ¥", "âļ ķ", "ðŁij Ħ", "ðŁİ ħ", "ຠĻ", "âĶ ¬", "á½ µ", "Õ ¾", "Ö ģ", "âĹ Ķ", "ê¿ į", "ëĸ µ", "ë© İ", "ë® ´", "ìķ ´", "áĥ ľ", "á¼ ¡", "âĶ Ĭ", "âķ ®", "âĹ ¼", "ðŁį ¾", "ðŁĽ į", "ðŁij Ĺ", "ðŁ¤ ŀ", "âľ Ħ", "Õ Ģ", "ঠ²", "Ë ī", "⣠¨", "Ä ¯", "Ï Ĭ", "á´ ľ", "ë¹ ³", "ï³ ĭ", "ï¿ ł", "Ä ª", "âĤ ¸", "âľ ±", "ê» IJ", "ëĭ »", "ë§ ¸", "ìŀ ¿", "ì© ¨", "ì ŃIJ", "ì° ¿", "íħ Ł", "ðĿIJ §", "ðĿij ij", "ðŁĮ İ", "ðŁĵ ®", "ðŁķ Ķ", "âĹ Ļ", "âĹ »", "âŀ §", "ìŁ Ŀ", "âľ ¬", "ãĥ °", "âģ Ī", "â ĵĺ", "ðŁ ĴĮ", "ï¬ ĥ", "ຠĶ", "ìĶ °", "ðŁĺ ª", "× Ģ", "ìĥ ¨", "ïŃ ĭ", "ðŁį ķ", "ðŁĺ ´", "Ï ³", "á¼ Ħ", "á½ ħ", "âĩ ¢", "âķ Ń", "ìĺ »", "íĬ ¤", "Ü ĺ", "⤠´", "âĹ į", "áŀ Ł", "ðŁį º", "áŀ ļ", "ðŁı Ĭ", "ðŁIJ ·", "Ê Į", "á½ º", "âģ »", "ê½ Į", "ëĪ Ĺ", "ë Ĺı", "ì¿ °", "íĢ ¼", "íį ħ", "ï· ²", "ðŁĮ ı", "ðŁį «", "ðŁį ³", "ðŁİ °", "ðŁij °", "ðŁĴ ²", "ᥠĻ", "ðŁIJ Ł", "ï¿ ¡", "ðŁĹ £", "ðŁį ľ", "âľ ²", "ãİ ¢", "ðŁĶ °", "á¼ ¸", "á½ ij", "Ä İ", "áĦ Ģ", "âĻ ķ", "ëł Ŀ", "ìĪ ´", "ïŃ Ń", "Ó ľ", "Ô Ģ", "ëĢ ľ", "ëĥ Ķ", "ìĬ Ľ", "ì« ij", "ìº ¥", "ìº ¬", "ðĿij ¦", "ðŁĶ ¶", "ì¾ ¨", "ðĿIJ ļ", "ðŁį »", "ðŁĴ į", "ðŁ¤ ¡", "ðŁķ Ĭ", "â½ ĩ", "âĵ IJ", "ðŁį Ń", "ðŁį ª", "ðŁĶ Ĩ", "Ò ¡", "á´ ĩ", "É Ĺ", "Ü Ķ", "âĦ İ", "âĿ ĥ", "ëĹ Ģ", "ï² Ķ", "ïº Ī", "ðĿIJ »", "ðŁĴ Ĭ", "ðŁļ «", "Ñ °", "Ñ ³", "ठ·", "âĹ ł", "ðŁij ¤", "ï¾ ĩ", "âĺ ĵ", "ðŁį µ", "ðŁ¤ ¨", "âĸ Ń", "à® ´", "Ü ¢", "Ü ¬", "à´ ®", "ðŁķ º", "Ô ¹", "Õ £", "à´ ¯", "á ´Ģ", "âĮ ī", "âľ IJ", "âŀ ¦", "ê¹ ½", "ëĮ ľ", "ðŁı ¥", "ðŁĵ ©", "Ò ¹", "Ó ĺ", "ठħ", "âĿ §", "Æ Ĺ", "âĹ ½", "ðŁij «", "ðŁİ §", "ðŁij £", "âľ »", "ðŁĻ ħ", "ðŁĺ ĸ", "ðŁĴ ®", "ຠ°", "ðŁĶ ľ", "ðŁį Ħ", "ðŁ¤ Ŀ", "á ĥĿ", "áŀ Ģ", "âĩ ¦", "Ê ¾", "Ò ®", "Õ ¼", "ठĨ", "âĹ ħ", "âļ ĵ", "âļ ĸ", "ê¿ ©", "ë¯ Ħ", "ìIJ IJ", "ìŀ °", "ì§ Ń", "íĭ ĭ", "íİ ¨", "íĻ §", "ï² ij", "ðŁİ Ĺ", "Ù ³", "ðŁij ¸", "ঠ®", "ðŁij ķ", "Ú µ", "âĢ ¾", "âŀ °", "ðŁij ¯", "ðŁİ ¼", "ðŁı ģ", "Ä º", "Ê ı", "Ú ³", "âı ±", "ê½ Ī", "ëĿ Į", "ìĮ ī", "ìĹ ·", "ìŀ ´", "íĹ ¹", "íľ ¨", "ðĿĹ ²", "ðŁĮ IJ", "ðŁİ Ļ", "ðŁı µ", "íĽ Ļ", "ðĿij ħ", "ðŁĺ ¶", "âĵ ħ", "âķ ¥", "ðŁį ı", "ï¦ İ", "Õ ©", "ðĿIJ Ħ", "Ó £", "Ú ¿", "âĻ ļ", "ðŁĶ Ĺ", "Ḡ«", "âĭ ®", "âĸ ¦", "⼠½", "âľ µ", "ãħ Ĩ", "ãħ Ĭ", "ëĦ Ļ", "ëĿ ¨", "ë¥ Ħ", "ìĦ ¦", "ì§ °", "ì§ ¹", "íī Ī", "ï§ ij", "ï» ĩ", "ðŁĮ ¾", "ðŁı ĸ", "ðŁIJ ij", "ðŁĴ ³", "ðŁĵ Ĩ", "Û ĩ", "Ü ķ", "á½ ½", "ëĦ ľ", "à´ ²", "à´ ³", "ຠŃ", "áĥ Ľ", "âĿ Ķ", "âij ħ", "áĥ ¥", "ðŁĵ ħ", "âŀ ³", "á´ µ", "ï¹ ¡", "ï¹ ¶", "Î Ĩ", "ठ¥", "áī µ", "âĿ Ļ", "âĿ ±", "ëī ł", "ëİ ł", "ëı Ľ", "ë¿ ħ", "ìĶ ¸", "íij ¯", "íŀ ī", "íŀ Ľ", "ï§ Ħ", "ïŃ ĺ", "ïº ¦", "ï» ¸", "ðĿij Ĥ", "ðĿij ı", "Ï ij", "Ú ł", "áĢ Ķ", "áŀ Ķ", "á¹ ¢", "ëĦ ¸", "ðĿIJ ¨", "ðŁĩ ´", "Õ °", "ðŁij ł", "ðŁį Ĩ", "ðŁı Ģ", "ðŁ ijIJ", "ðŁį ĩ", "ðŁIJ £", "áĪ Ń", "Ü ª", "ðŁ ĮĢ", "áŀ ĺ", "âĩ Ħ", "ðĿIJ Ģ", "Ê Ļ", "âĶ ¼", "ðŁı ¿", "Æ ·", "È ł", "Ñ ½", "âĤ ¨", "ê´ Ń", "ê¹ »", "ëĶ ¨", "ìĪ Ģ", "ì¾ °", "íĨ Ī", "ï® §", "ï¯ ½", "ðŁĶ ħ", "ðŁĶ ®", "Å ¢", "Ê °", "Ñ ¸", "ठ£", "âĬ Ĺ", "ëª Ħ", "ï¹ ·", "ïº ħ", "ðĿIJ µ", "ðŁĮ ¶", "ðŁĵ °", "ðŁĶ ·", "ðŁĸ Ĵ", "ðŁ¤ ²", "ëī ©", "ðŁİ Ĩ", "ðŁ§ IJ", "ðŁį ®", "âĨ º", "âĿ ¢", "ðŁij ª", "ðŁij ±", "âĨ ¡", "áŀ ı", "Ú ķ", "ðŁį ¹", "ðŁĴ Ģ", "Ë ®", "Ó ¨", "Ö ħ", "ठĩ", "âĤ ¡", "âĪ ķ", "âĺ ī", "ê¹ ¼", "ê¼ IJ", "ì½ ¸", "ðĿIJ ¬", "ðŁı ħ", "ðŁij Ļ", "ðŁĴ ī", "ðŁ¤ Ļ", "È ĺ", "É ³", "É ¹", "Ù º", "áĢ Ħ", "á¿ ³", "âļ ĺ", "âĿ Ĩ", "ëĨ ī", "ìĸ į", "ìĺ ĩ", "ì¥ ĺ", "íĸ ħ", "íĻ ij", "ï® Ĭ", "ï¿ Ń", "ðĿĴ IJ", "ðĿĹ ¢", "ðŁĶ ĸ", "ðŁĶ ¨", "ðŁļ ij", "ðŁļ ²", "Æ ¸", "âĹ ¥", "ðĿIJ Ń", "ðŁį ½", "âĹ ij", "âĵ ĩ", "ðŁĶ ±", "âľ ¼", "ï¹ ĥ", "âķ ±", "ãĢ Ĺ", "ðŁı ĭ", "ðŁļ ´", "ðĿIJ ®", "Ä ļ", "Õ ı", "Ä ¶", "áĥ ij", "á¹ ¬", "Ä Ī", "Ä Ĵ", "Ò °", "Ó ķ", "â IJ", "âIJ £", "âĹ ¢", "âļ Ļ", "ãħ Ĺ", "ê° ¬", "ê³ ª", "ê» Ģ", "ëĦ ´", "ëİ ģ", "ëĿ Ķ", "ë¬ ½", "ëŃ į", "ìĩ ³", "ì° ¹", "íĮ ¹", "íŀ Ŀ", "ï® ĭ", "ï ¶Ī", "ðĿĴ Ĥ", "ðŁ¥ Ģ", "ðŁ¦ ħ", "Ê ĺ", "á¼ ij", "âģ İ", "ðŁį ŀ", "âĨ ĸ", "âĨ Ļ", "ðŁİ ĥ", "âĦ ¡", "âĭ ±", "ðŁĶ į", "ಠ¨", "áµ ĥ", "âĶ «", "⦠¿", "ðŁĩ »", "Æ ¤", "Ò ı", "Ò ·", "Û ī", "à® ķ", "Ḡ³", "ï¬ ±", "ðŁĨ Ķ", "Ú Ń", "Û ¦", "áħ ¡", "âĦ ¹", "ê¿ İ", "ëķ Ķ", "ë¼ ī", "ìļ §", "ì² µ", "ì´ ¨", "íĬ Ī", "íĸ IJ", "ðĿĹ ĺ", "ðŁĩ ¿", "ðŁİ ĸ", "ðŁij ħ", "ðŁ ĵĺ", "ðŁļ Ļ", "ðŁĽ µ", "ච½", "⼠µ", "ðĿIJ ³", "ðĿIJ ¸", "âļ Ķ", "ðŁij Ń", "Ó ij", "âĶ ¯", "ðŁħ ¿", "ðŁĺ ¹", "ï¿ «", "â¼ ¤", "ðŁĴ ĩ", "ðŁĵ İ", "ðŁĸ ĭ", "ঠ¸", "ðĿIJ į", "Ä ²", "Ï ĭ", "Ñ ¬", "Ú ¬", "Ü Ĵ", "á´ ¬", "ï¨ Ħ", "É £", "Ë ij", "Ï µ", "Ò Ŀ", "Û ¥", "Ü ł", "๠Ľ", "áĥ ķ", "áĬ ķ", "á¾ ¶", "âĤ ·", "âĩ ¾", "âķ ©", "âĸ IJ", "âĺ ª", "âĺ ®", "âĿ ļ", "âĿ Ń", "âŀ ±", "âµ İ", "ãı Ĭ", "ë© ĵ", "ìĹ ¾", "ìª Ħ", "íĵ Į", "íķ ¼", "ïŃ ¬", "ðĿij Ĩ", "ðĿij ŀ", "ðĿĸ Ĭ", "ðŁİ ¸", "ðŁı Ħ", "ðŁij µ", "ðŁĴ ł", "ðŁĶ ĺ", "ðŁ¥ Ĥ", "Å ª", "à· ĥ", "á´ ¼", "âĬ °", "ë³ ı", "ë´ £", "ï¥ ľ", "ðŁĵ Ī", "ðŁķ ¯", "ðŁ§ Ģ", "âĻ IJ", "ðŁĨ Ĺ", "ðŁĵ ķ", "ðŁ§ ģ", "Ü «", "âĿ IJ", "Õ ķ", "འķ", "âŀ Ŀ", "ঠķ", "ðĿIJ ¶", "É ¢", "Î Ħ", "áĨ ¢", "âĤ ±", "Õ į", "à¡ ķ", "á´ °", "Ḡ©", "⼠·", "âĿ ®", "ê¡ ĵ", "ëı ¤", "ëĹ IJ", "ëµ Į", "ìij Ī", "íı ¿", "íĹ µ", "ðĿIJ İ", "ðŁĨ ĺ", "ðŁı Ł", "É ¥", "Õ »", "à¡ Ķ", "ठĸ", "á´ ¸", "âİ Ļ", "âİ ¥", "âı ³", "ëģ ķ", "ëĬ ī", "ì¡ į", "ì¹ ¡", "ï¦ ¶", "ï¬ Ł", "ï® «", "ï® ¯", "ï± ĥ", "ï ·»", "ïº µ", "ðĿĹ Ķ", "ðĿĹ ¡", "ðŁİ ¨", "ðŁĶ Ĵ", "Ú Ľ", "ठ§", "âŀ ¹", "áĢ Ģ", "ðŁį ħ", "âĹ ¤", "ठł", "ðŁIJ ¥", "áĥ Ĵ", "ðŁı Ŀ", "ðŁį ¼", "ãĮ §", "âĿ Ľ", "ðŁIJ Ī", "ঠ¯", "áĢ ŀ", "ãĢ ĸ", "áŀ Ļ", "ঠª", "Õ Ĩ", "âĬ Ĩ", "âľ ¾", "ðŁIJ Ĺ", "ï¹ ¿", "Ä ¦", "Ü Ł", "ಠł", "ಠ¥", "áŀ ī", "á´ ¥", "á´ ©", "á½ Ģ", "á½ ¡", "âĨ ķ", "âŀ ¯", "ê¡ ij", "ëij £", "ë± Į", "ìĪ ij", "ìľ Ķ", "ìŀ ½", "ì¨ į", "ðĿij Ģ", "ðŁĮ Į", "ðŁį ¦", "ðŁį ©", "ðŁIJ ļ", "ðŁĵ Ĵ", "ðŁĵ ¹", "ðŁ¥ ij", "Ä ĭ", "Ë Ĺ", "Ñ «", "Õ ¢", "Ú °", "â ĮĢ", "âĹ Ĥ", "âĹ £", "âľ Ľ", "âĿ Ĵ", "âĿ ĺ", "âŀ Ļ", "âŀ ²", "ãİ į", "ê¡ IJ", "ëŀ ĸ", "ìĬ Ŀ", "ìĽ ¤", "ì¡ ĭ", "ì¨ °", "íĹ Ļ", "ï¥ ¸", "ï³ į", "ï» İ", "ðĿij ĵ", "ðŁĵ Ĭ", "ðŁļ ¼", "ï¦ ģ", "ðĿķ Ĵ", "ðŁ ijľ", "ðŁij ¿", "ðŁĩ ½", "à· Ħ", "âĸ ´", "ãį ī", "âĬ ĩ", "ðŁ§ ¸", "Ú ¡", "â¾ ĥ", "ðŁĹ »", "âĵ ij", "ðŁ¤ ¸", "ðŁ¤ ¯", "êĴ °", "ðĿIJ ĵ", "âĶ ´", "êĴ ±", "áĢ ĺ", "â ĽĦ", "ï¹ ¹", "Ó Ķ", "áĥ ±", "Ü ¡", "ß ŀ", "âĻ ı", "âľ ¸", "ìij ¨", "ðĿIJ Ŀ", "ðĿIJ ¥", "ðŁį ī", "ðŁij ¼", "ðŁ¥ Ŀ", "Æ Ķ", "Ý ¬", "ठ«", "ຠļ", "á´ ´", "á½ ĸ", "âĤ ¶", "âİ ¢", "âĿ ħ", "⣠«", "ãİ Ľ", "ë® ¨", "ëº Į", "ë¼ ĺ", "ìĨ Ŀ", "ìľ ³", "ìŀ Į", "ì£ Ĺ", "ìª ĺ", "ì» ¹", "ï· ¼", "ïº Ĥ", "ðĿIJ ´", "ðĿIJ ¼", "ðŁĮ ļ", "ðŁı «", "ðŁĴ ¤", "ðŁĴ ¶", "ðŁĴ ¼", "Ê ķ", "Ê ½", "â² Ł", "ãī ł", "ê¡ Ĵ", "ëľ Ģ", "ìĥ ¾", "ì¸ ¤", "ï¥ ģ", "ðĿļ Ĭ", "ðŁļ ĥ", "âŀ Ľ", "ìħ ´", "áĦ ĭ", "âĩ Ĺ", "ï§ ·", "âĺ ĸ", "ðŁIJ ¦", "⸠ľ", "ðŁĴ ´", "ðŁ¤ ļ", "ãĬ Ĺ", "âĮ Ľ", "áĪ Ľ", "༠º", "â½ ī", "ðŁı ¢", "âĵ ŀ", "âĺ ½", "ãĢ Ļ", "ðŁ¤ ®", "Å IJ", "áĥ ¬", "ðĿĹ »", "ðŁį ĸ", "Æ Ĭ", "Ê Ł", "ß ĭ", "ठĭ", "áµ Ķ", "á¿ ĥ", "âĦ ī", "âĮ ĭ", "âı ²", "âĵ Ī", "âĵ ¢", "âķ Ķ", "âļ ij", "âĿ ĭ", "âĿ İ", "â µľ", "âµ £", "ëĴ Ī", "ëľ ģ", "ë¶ ĩ", "ìį »", "ìĺ Ń", "ì§ ¢", "íĹ Ģ", "ï§ Ĭ", "ï ¬¸", "ï± ¡", "ðĿIJ º", "ðĿij §", "ðĿĺ ¦", "ðŁĵ ¥", "ðŁĺ Ł", "ðŁ¥ IJ", "Ä ĸ", "É ¨", "áĢ IJ", "áĥ ĵ", "Ạĵ", "á¼ ¶", "á½ Ħ", "âĤ ¤", "âĮ ľ", "âĮ Ł", "âİ ł", "⼠¸", "âµ į", "âµ ı", "âµ ĵ", "ãĢ ĺ", "ë ·¸", "íħ ¼", "ï¦ Į", "ïŃ Ħ", "ïŃ İ", "ðĿĻ ļ", "ðĿļ ĺ", "༠ĵ", "ëŃ ħ", "áIJ Ľ", "ãİ ¾", "ï¨ Ģ", "ðŁĹ ½", "âĻ ŀ", "Ë ĸ", "âĹ ŀ", "ðŁ¤ «", "ðŁĺ Ĺ", "ï½ ¦", "ðŁ¤ ¢", "âģ ĩ", "ãĢ µ", "ðŁį Ķ", "áĬ ł", "ðŁĺ ¼", "ðĿĹ ®", "ðŁIJ ³", "ðĿIJ ĭ", "ðŁĨ ļ", "ðŁĶ Ľ", "Ñ »", "Ü ¨", "à® ²", "âľ ŀ", "âµ Ļ", "êµ £", "ì¸ ¨", "ðĿ IJľ", "ðĿĺ °", "ðŁĶ ½", "Ç »", "Ç ¿", "Ê ĩ", "Î IJ", "Ð Ģ", "Ñ ¡", "Ñ ²", "Ò Ĵ", "Ù ¶", "ß ķ", "ච±", "áIJ ģ", "âģ ŀ", "âĸ §", "⼠Ī", "âľ ľ", "âľ ¹", "⣠¹", "⤠ĩ", "ê² Ĭ", "ê¾ ľ", "ë¯ IJ", "ë³ IJ", "ìħ ©", "ìIJ ¬", "ìij ¹", "ï¤ Ķ", "ï¦ ļ", "ï¬ ł", "ïŃ Ķ", "ïº ¶", "ðĿĴ ı", "ðĿĸ Ĩ", "ðĿĹ ¶", "ðŁı Ĥ", "ðŁIJ ½", "ðŁĴ ©", "ðŁĵ ½", "ðŁĹ ¨", "ðŁĹ º", "ðŁĺ ¸", "ðŁ¥ §", "Å Ĺ", "Ê İ", "Ò Ļ", "× ²", "ठĪ", "á¼ ´", "á¿ ij", "âµ ī", "ãħ ĵ", "ì½ ´", "ðĿĸ ĵ", "ðŁĵ Ĺ", "ðŁĶ ª", "ðŁĸ į", "Ï Ĵ", "ðŁij ¬", "áĥ Ļ", "âĨ ¬", "âĶ ¤", "⼠¹", "âĻ Ł", "ðŁļ ¶", "ðŁij ¾", "âĪ ĭ", "ðŁIJ ¯", "༠İ", "âľ ·", "ï¨ Ļ", "âĶ »", "ðŁij ¹", "áĦ ī", "ຠª", "â¾ ı", "â½ ħ", "ãİ ĸ", "Ñ ´", "Õ ®", "Ú ¼", "áĢ ķ", "áĨ ¼", "ëŃ ı", "ðŁIJ ¸", "ðŁļ £", "Æ Ŀ", "Ô »", "áĥ ¢", "ðŁį ¯", "É ¦", "Õ ¦", "âĻ ĭ", "ï¬ «", "ðĿĹ ¦", "Ç ļ", "É ±", "ठī", "á´ Ħ", "âĻ ĵ", "⼠°", "⣠ª", "ëĥ ĺ", "ë¢ ¸", "ìĤ ij", "ï® Ķ", "ðĿķ ĸ", "ðĿĹ §", "ðŁĩ ¼", "ðŁĵ ĭ", "ðŁļ ľ", "ðŁ¥ ¤", "Ä ®", "Å ·", "ß Ĭ", "ॠ¥", "à® ª", "áŀ Ħ", "áµ Ģ", "Ḡħ", "á¼ ¢", "âĪ Ŀ", "âĬ ¹", "âĴ ¶", "âķ ´", "⼠±", "⼠³", "⼠º", "âŀ Ł", "ãı Ħ", "ê¸ Ķ", "ê¹ Ł", "ëĩ °", "ë¹ »", "ìĤ ¥", "ìĽ »", "ì° Ł", "íĥ °", "íĨ º", "íļ ½", "ï¤ ´", "ï¥ ¾", "ï³ Ŀ", "ðĿIJ ¦", "ðĿĴ ľ", "ðĿĴ Ł", "ðĿļ Ĺ", "ðŁİ Ń", "ðŁı ĵ", "ðŁı ³", "ðŁı º", "ðŁIJ į", "ðŁij ĥ", "ðŁĴ ı", "ðŁ¤ ĸ", "ðŁ¤ µ", "Õ ²", "âµ Ķ", "ëĺ ¬", "ï¦ £", "Ê Ĥ", "áĨ «", "áŀ ij", "ðĿĸ İ", "ðĿĹ ĸ", "áĦ ĥ", "âĩ ł", "áĢ ¡", "འĦ", "âŀ ¸", "ï¦ Ļ", "âĩ ļ", "ðŁIJ ¬", "ðŁIJ ¢", "â¾ Ĵ", "ðŁIJ ¤", "ðŁĶ «", "ãĢ ŀ", "ï¸ º", "ðŁĺ º", "â½ ´", "ðŁĨ ķ", "âģ ¿", "ðŁį ¨", "ಠķ", "ðŁļ ĺ", "áŀ ħ", "ঠħ", "áŀ ¢", "ਠľ", "â ļĮ", "ãĢ ½", "à· ´", "âĵ Ľ", "áĢ ľ", "ìĨ ¨", "Ë ©", "Ü Ĺ", "âĭ ¼", "ðŁĻ ī", "Å Ĭ", "É ĵ", "Ê ²", "Î °", "Ñ ¼", "Ô ¿", "à¡ IJ", "༠ľ", "འ¦", "ᶠľ", "âĤ ²", "âĨ ¨", "âĬ ¥", "âķ §", "âĻ ľ", "ãĭ ¡", "ë´ ¬", "ë¶ ij", "ìī ¿", "ìİ ħ", "ìł ±", "ì° §", "ï² ¡", "ðĿĴ Ľ", "ðĿķ £", "ðĿĹ ľ", "ðŁį ²", "ðŁİ ©", "ðŁIJ IJ", "ðŁIJ ł", "ðŁij ½", "ðŁĴ ij", "ðŁĵ ľ", "ðŁķ µ", "ðŁ ļĮ", "ðŁĽ £", "Ê ĭ", "Ó ¯", "Ù ¸", "ß Ķ", "ß Ļ", "à¡ ĵ", "á´ į", "Ḡ¿", "âı º", "âĸ ¥", "ë¤ ½", "íľ ij", "ðĿIJ ¹", "ðĿĸ Ķ", "ðĿļ İ", "ðŁĵ Ħ", "ðŁ¦ ·", "Æ ĥ", "ঠŁ", "âĮ Ĥ", "âĺ Ń", "â² ļ", "ëĿ ķ", "ðŁİ £", "à® ĩ", "འĨ", "áħ µ", "áĹ ľ", "âĢ ½", "âĮ £", "âģ ½", "ðŁĵ ¬", "ðŁ¤ §", "âĩ ª", "â½ £", "âĹ Ł", "ï¨ Ĺ", "êĴ ª", "ðŁĽ Ģ", "Ç Ĥ", "ðŁ¥ ¶", "ðŁİ į", "ï¿ ©", "ðŁij Ĵ", "áµ Ī", "ï¸ ¿", "áħ ©", "â¾ ¦", "à° ¤", "á´ ĸ", "ਠ¬", "ຠĹ", "༠»", "Ñ º", "ਠª", "á´ ³", "ðĿIJ Ī", "à» Ģ", "á´ ¿", "âĤ į", "âĩ ¡", "⼠ª", "ðĿIJ Ĥ", "ðĿĴ ķ", "ðŁ IJľ", "Ê į", "Ñ ±", "འĥ", "ë® IJ", "ìĽ ¡", "ìľ ģ", "ðĿIJ ¿", "ðĿķ ł", "ðŁij Ľ", "Æ ª", "Ï º", "Ó ¬", "Ù ¿", "Ý £", "ઠī", "à® ¹", "འij", "áĨ ¯", "áµ ĩ", "âĩ ¥", "âı ª", "âĻ °", "âļ Ń", "âļ ¾", "ãħ Ħ", "êĢ °", "ê° Ĺ", "ê² ĭ", "ê² »", "ê¶ ľ", "ê¼ ĩ", "ê½ ¹", "ëĤ Ł", "ëħ Ī", "ëĭ ¢", "ë§ Ł", "ëª Ĩ", "ëµ Ģ", "ì½ ±", "íĩ ĺ", "íľ ľ", "ï§ ¾", "ï± µ", "ï² ¢", "ï² ¤", "ðĿĴ Ĭ", "ðĿĺ ¯", "ðŁį Ĺ", "ðŁı į", "ðŁIJ ĺ", "ðŁĵ ¡", "ðŁĶ ŀ", "ðŁ¤ ³", "ðŁ¥ ģ", "ðŁ¥ Ĺ", "ðŁ¦ Ĭ", "Ä µ", "Æ ¦", "Ç µ", "É ¯", "Î ı", "Õ Ħ", "Ü ¥", "འģ", "ᨠł", "âķ «", "ãİ ī", "ë· ´", "ìĨ İ", "ìİ Į", "ì£ µ", "íĽ ł", "ï§ ª", "ï³ ı", "ï» º", "ðĿij ģ", "ðĿij ĩ", "ðĿĴ Ĩ", "ðŁİ ł", "ðŁIJ Ķ", "ðŁij Ł", "Å ĸ", "ठĮ", "á¾ ½", "ê¦ Ĵ", "à® Ł", "á´ ±", "ðŁı °", "ðŁIJ ŀ", "འĢ", "áĢ ħ", "âĬ ¿", "ðŁIJ §", "ἠģ", "â¼ Ī", "âĶ ¿", "ðŁ¥ ´", "â¼ ¿", "ðŁ§ ľ", "ãħ ¿", "âĦ «", "ãĢ ³", "ãĬ Ļ", "â¼ Ģ", "ï ¦¬", "ðŁı ¬", "ðŁĵ »", "áĬ Ľ", "áĦ ħ", "ຠĬ", "ຠĽ", "áħ ³", "ðŁij ®", "à® ±", "âĺ ĩ", "ðĿIJ ı", "à´ µ", "à» ģ", "འı", "འ¢", "ᥠ±", "âĤ £", "ï¥ ¦", "ïŃ Ļ", "ï´ ©", "ï¹ Ĥ", "ðŁį £", "ðŁķ ¹", "Ï ĸ", "ච¸", "ຠ¢", "áĭ Ń", "âİ Ŀ", "âĹ Ŀ", "âĻ Ī", "âĻ İ", "ê½ ¥", "ì³ Ķ", "ì¼ ij", "ï± °", "ðĿij ĥ", "ðŁĮ ª", "ðŁį ¡", "Å İ", "Ê ¦", "Ñ §", "Ó İ", "Ô ´", "Ú Ī", "ß ĵ", "ß §", "ठĶ", "áĪ «", "áĪ µ", "áĹ ©", "á´ ł", "á¼ ł", "âĢ Ĺ", "âģ ij", "âĦ ı", "âĸ ĩ", "â² £", "ãĦ ³", "ãī ®", "ê³ Ĺ", "ëĦ Ĵ", "ëĸ «", "ë¡ Ħ", "ë¹ °", "ë½ ģ", "ìĦ ģ", "ìĮ ĺ", "ìŁ Į", "ì³ ī", "ì¼ ķ", "ï¬ »", "ï³ İ", "ï¹ ¸", "ï¹ ¾", "ðĿIJ Ĩ", "ðĿij ·", "ðĿĽ ¼", "ðŁİ ı", "ðŁİ ŀ", "ðŁIJ Ļ", "ðŁij Ĥ", "ðŁĵ ģ", "ðŁĸ ±", "ðŁļ į", "ðŁļ §", "ðŁĽ ¡", "ðŁ¤ Ĵ", "ðŁ¥ ŀ", "ðŁ¥ ©", "ðŁ¦ Ģ", "ðŁ¦ ĸ", "Ë ¢", "Ü ļ", "à® µ", "áĢ ģ", "áī °", "âı Ń", "âĻ ¿", "ê³ ĺ", "ëı Ŀ", "ëķ ĥ", "ìħ Į", "ìĴ ¸", "ìĽ Ł", "íħ Ħ", "íľ «", "ï§ ĺ", "ï¿ ¬", "ðŁı ·", "ðŁĶ §", "ðŁ¥ Ī", "Æ ĸ", "áŀ ĩ", "áŀ ĸ", "âģ º", "âĹ ľ", "âŀ ©", "ê¦ Ń", "ëĻ ¤", "ïŃ ¼", "ðĿĻ ĸ", "ðĿĻ £", "ðĿĻ ¤", "ðŁĮ Ŀ", "ðŁĶ ij", "ðŁĽ ł", "ຠĩ", "âĺ £", "ãĦ ¨", "ðĿĸ Ĺ", "Ó ĵ", "âĨ £", "ðŁ¥ ī", "ðŁĮ ł", "ðŁĺ ½", "ãİ ł", "Å §", "ðŁIJ Ĵ", "ï§ IJ", "ðŁĺ ¿", "âĪ ¬", "ðŁIJ ®", "⣠±", "ಠ¡", "â¾ ¼", "à° ²", "Ë ¶", "âĸ ¿", "Õ Ī", "áŀ İ", "áħ ¥", "áŀ Ĺ", "Õ §", "ðŁ¤ IJ", "ðŁį ł", "ঠ¤", "චº", "âĻ į", "ìĺ Ļ", "íĺ ĵ", "ï¹ º", "ðŁĽ ³", "Å ī", "á´ İ", "âı ľ", "âĶ ³", "ê¸ ·", "ì¡ Ķ", "ðĿĴ Ī", "ðĿĴ į", "ðĿĴ ¹", "ðĿĵ ĩ", "ðĿķ Ł", "ðĿĹ ¹", "ðŁĮ ħ", "ðŁı ´", "Ä Ķ", "Ä ¤", "Å µ", "Ç ¾", "Ï ŀ", "Ï ¶", "Ô ³", "Ü Ĩ", "ß ©", "à¡ Ĵ", "ठĺ", "චļ", "འĸ", "áģ Ĭ", "áĥ ŀ", "áĦ Ĥ", "áĭ «", "á´ º", "Ḡ£", "Ḡª", "á¹ Ĥ", "á¼ ·", "á¿ ĩ", "âĩ Į", "âı ¬", "âĻ Į", "â® Ł", "â´ »", "âµ Ł", "ê¦ ķ", "ê¦ ª", "ê¦ ®", "ê² Ħ", "ê¾ IJ", "ëĥ ij", "ëķ ĭ", "ë¡ ¸", "ë¬ Ģ", "ìĩ ¤", "ìĪ ©", "ìľ ķ", "ìŃ ĺ", "ì· °", "ì ·¸", "íľ Ģ", "ï¤ £", "ï§ į", "ï± Ħ", "ï³ ij", "ðĿIJ ¤", "ðĿĴ ĵ", "ðĿĴ ¶", "ðĿĹ ¼", "ðĿĻ Ĭ", "ðŁĩ ¾", "ðŁĮ Ľ", "ðŁĮ ®", "ðŁİ ĩ", "ðŁİ ²", "ðŁı Ľ", "ðŁij ¥", "ðŁij ´", "ðŁĴ Ĩ", "ðŁĵ Ĥ", "ðŁĵ §", "ðŁķ IJ", "ðŁĸ ķ", "ðŁĺ §", "ðŁĻ Ģ", "ðŁļ Ĵ", "ðŁĽ «", "ðŁ¤ ł", "ðŁ¥ ļ", "ðŁ¥ Ľ", "ðŁ¥ £", "Ç ¯", "È §", "Î Ĭ", "Ò ²", "× °", "Û ij", "áĥ ©", "áĦ Į", "áĪ į", "áī ¥", "áı Ĥ", "âģ ±", "âĬ ¢", "âĹ ĵ", "âĿ °", "ë¿ ¡", "ìĽ ©", "íģ Ń", "íĨ ³", "íĬ Ħ", "íĵ ¸", "ï¥ £", "ï¥ ´", "ï± IJ", "ï± ¯", "ï³ ļ", "ðĿĸ ĺ", "ðĿĺ Ģ", "ðŁIJ Ĭ", "ðŁIJ Į", "ðŁij ļ", "ðŁĵ ĥ", "ðŁļ Ľ", "ðŁļ ª", "ðŁ¤ °", "Ä ´", "áĥ ®", "áĹ ¨", "âĻ ®", "â² ŀ", "ãĪ Ķ", "ì ħį", "ãħ ĥ", "ï¥ ¡", "ຠ¡", "Õ İ", "Õ º", "⬠Ľ", "â½ ¤", "ðĿIJ ²", "âŀ µ", "áĢ Ľ", "âĶ ħ", "âĨ Ł", "â¼ Ĭ", "ðŁĮ ½", "ðŁļ ¿", "ï¦ Ĭ", "ãĦ £", "⼠©", "ï© Ľ", "ðŁį ±", "â¾ ¨", "à´ ¤", "áŀ ģ", "ຠŀ", "Ê ļ", "ðĿIJ Ĵ", "à´ ±", "áŀ ľ", "à® ©", "à° Ĺ", "à´ ļ", "âĩ £", "ï¦ ķ", "Õ ħ", "Æ ĺ", "âĤ ¦", "âĶ Ħ", "ï¦ Ł", "ï¦ «", "ðĿIJ ģ", "ðĿIJ ĥ", "ðŁį ¸", "ðŁIJ ²", "Å ¶", "É ĸ", "ß ĺ", "ภ¦", "འĶ", "áĨ ·", "âģ ķ", "âĵ Ĥ", "âĿ ľ", "ï¥ ¥", "ï¬ ®", "ðĿĹ Ŀ", "ðĿĹ ¿", "ðŁİ ¾", "ðŁĹ Ŀ", "ðŁ¦ Į", "Æ ħ", "Ç ª", "Ò Ĺ", "Ü Ľ", "ß ł", "à¡ ij", "áī £", "áĬ Ń", "á¹ ¡", "âŀ ¼", "âŀ ¾", "â´ ±", "ãī ¡", "ê³ ¯", "ë½ Ī", "ìĤ ĺ", "ìī ij", "ì «ĺ", "íĮ ĥ", "íĻ °", "ï¤ Ĺ", "ðŁĮ ¬", "ðŁĮ °", "ðŁį ¤", "Ä »", "Å ĩ", "Æ ¨", "É ķ", "Ò ¢", "Ò º", "Ö į", "× ±", "Ú ±", "Ú ½", "Û IJ", "ठĽ", "à· Ģ", "๠ļ", "ຠ«", "á´ ¹", "á ½Ķ", "á¾ ³", "âĤ Ĵ", "âĨ ´", "âĩ Ŀ", "âī ħ", "â Į¨", "âĵ ĵ", "âĸ ¢", "âļ ¬", "âŀ Ń", "â² Ĵ", "ãİ ¿", "ê¿ ´", "ëĪ ±", "ëį ¬", "ëİ IJ", "ëIJ «", "ëĶ «", "ë± ģ", "ìĥ ¥", "íĮ ¼", "ïŃ ĵ", "ï® ¥", "ï² °", "ðĿIJ ĩ", "ðĿIJ ij", "ðĿij Į", "ðĿĵ ª", "ðĿķ ļ", "ðĿĺ ª", "ðĿĺ ¼", "ðĿļ Ľ", "ðŁĩ ¶", "ðŁĮ Ħ", "ðŁĮ ķ", "ðŁĮ ¤", "ðŁĮ §", "ðŁį ¬", "ðŁİ ĭ", "ðŁİ »", "ðŁı ¨", "ðŁIJ ĩ", "ðŁij ĵ", "ðŁĵ IJ", "ðŁĵ Ļ", "ðŁĶ ¼", "ðŁķ Ĵ", "ðŁĸ ı", "ðŁĸ ¥", "ðŁ¤ ¬", "ðŁ¥ Ĭ", "ðŁ¥ Ĵ", "ß Į", "ຠĦ", "á¼ µ", "âķ ¡", "â² ¤", "â´ ¼", "âµ ¢", "ãĪ ¯", "ëĵ ¸", "ëŁ ĩ", "ëº į", "ðĿĻ §", "ðŁį Ī", "ðŁĶ ¬", "ðŁĸ Ĭ", "ðŁ¤ ¾", "Ë ¡", "Ü ©", "âĮ ¡", "âŃ ij", "â² ¦", "ë© ī", "ì¼ Ń", "ï¿ ¤", "ðĿĴ İ", "ðĿĹ ¥", "ðŁIJ µ", "ðŁķ ¶", "ðŁķ ¸", "ðŁ¤ ľ", "Õ ª", "áĪ ĭ", "ðŁ¥ µ", "ï° ģ", "áµ IJ", "âķ ĵ", "áĢ ĸ", "âĭ Ī", "É ŀ", "âŀ ®", "ॠ°", "ãĨ ģ", "ðŁĴ ±", "ðŁı Ń", "áĨ ¨", "ðŁį ļ", "ðŁ¦ IJ", "á´ »", "âĺ Į", "à´ ķ", "Õ ±", "áħ ®", "ðĿIJ Į", "Å ¦", "ຠķ", "âľ Ļ", "Ë ³", "Ô µ", "âķ Ĵ", "ðĿĹ Ĺ", "ðĿĹ ł", "Ú ļ", "ঠ§", "âĨ Ŀ", "âĻ ī", "ãĮ »", "ì¹ Ĭ", "ðĿĹ º", "ðŁ§ ĺ", "ì³ £", "ï¬ Ŀ", "ðŁij º", "Ç Ł", "Î Ī", "Î «", "Ñ ¥", "Ô ²", "Õ ¨", "Ü ¦", "ঠĨ", "ঠ¥", "áIJ ¢", "á¼ ģ", "á¼ ĺ", "á¼ ¦", "âĵ Ŀ", "ãĪ °", "ãİ Ĺ", "ê² ¡", "ë¨ Ģ", "ì£ Ķ", "ì´ ¤", "ìµ Ŀ", "ï§ ´", "ïŃ Ĭ", "ï² Ł", "ðĿIJ ·", "ðĿij ĭ", "ðĿĵ ī", "ðĿĺ µ", "ðŁĴ ·", "ðŁĽ ©", "ðŁ§ ¹", "Å Ķ", "Ê ŀ", "Ë ¥", "Î Į", "Ñ ©", "Ó IJ", "Ó ł", "Ú ij", "Ú Ĵ", "ß ¨", "ઠĪ", "áIJ ĥ", "á¹ ¯", "âĤ ĭ", "âĤ µ", "âĦ ħ", "âĦ ł", "âĪ £", "âī º", "âī »", "âĬ Ľ", "âĮ IJ", "âİ ĵ", "âĺ ¸", "âĻ Ĵ", "âļ Ĵ", "âľ ĩ", "âľ ł", "â´ ·", "âµ ĸ", "ãĦ ¸", "ãī ¢", "ãī °", "êĩ ´", "ê´ ¸", "êº ł", "ëĤ ı", "ëĤ ¢", "ëIJ Ģ", "ëº ´", "ìĥ ľ", "ìį ħ", "ì¤ «", "ì± ¦", "ìº ij", "ì¼ ģ", "ì¿ ³", "íĤ ģ", "íħ ¡", "íĴ Ĥ", "íĴ ī", "íľ Ħ", "ïŃ ª", "ï® ¬", "ï¯ ¦", "ï± ª", "ï² ı", "ï ´Ģ", "ï» Ĩ", "ï¿ ¦", "ðĿij Ĺ", "ðĿĸ Ļ", "ðŁĮ ¡", "ðŁį Ŀ", "ðŁį §", "ðŁİ «", "ðŁı ĺ", "ðŁı ª", "ðŁIJ ĭ", "ðŁIJ Ľ", "ðŁIJ º", "ðŁij ĸ", "ðŁij ŀ", "ðŁij ·", "ðŁĵ Ģ", "ðŁ ĶĦ", "ðŁĶ Į", "ðŁķ Ļ", "ðŁĻ į", "ðŁĻ İ", "ðŁ¦ į", "Ç °", "É Ł", "Ê Ĩ", "Ô ¼", "Ú ľ", "ঠ¡", "ঠ¶", "áĴ ĥ", "á¼ ©", "âĵ ķ", "â² Ī", "ê° °", "ê¹ ł", "êº ħ", "ëĦ ¹", "ë¯ ĵ", "íIJ Ī", "ï§ ¶", "ï® ij", "ï² ¨", "ðĿĴ ī", "ðĿĴ Ķ", "ðĿĹ ¨", "ðĿĻ ŀ", "ðĿļ Ĵ", "ðĿļ ķ", "ðŁIJ İ", "ðŁ¤ ķ", "ðŁ§ Ķ", "Ï °", "Ô Ŀ", "âĮ Ĭ", "âĴ ¾", "ãī £", "ïŃ ©", "ðĿļ ŀ", "Ê ij", "ঠ¦", "áĦ ĩ", "âī ĥ", "â² Ģ", "ìŁ İ", "ðĿij ¶", "ðĿĵ ²", "ðŁ İ·", "ðŁļ ¹", "ຠģ", "áł ł", "ãĦ ļ", "ðŁIJ ¿", "ἠļ", "âķ ³", "ðŁIJ Ń", "âĴ ¹", "ðĿĸ ļ", "âĻ ĸ", "ãĪ ²", "âĨ ¾", "áĦ Ĩ", "âķ Ľ", "ðŁ¤ į", "â½ ¥", "ðŁ Į¨", "âĪ ®", "ãĮ ĺ", "ãį ij", "ï¹ Ģ", "âĵ Ĺ", "âĬ Ħ", "ðŁı ¹", "Ë Ĵ", "ðŁ¤ ±", "ãı ľ", "ðŁİ Į", "ï¥ Ń", "ঠ£", "ðŁİ ¹", "ãĬ Ł", "à´ °", "ðĿIJ Ķ", "à´ ¨", "འļ", "âľ º", "Õ ·", "ðŁij ³", "ঠľ", "âĺ ĭ", "âĻ Ĭ", "ãĢ Ľ", "È ĭ", "à® °", "áĥ ¨", "âĦ ķ", "íij Ģ", "ðĿĵ ĥ", "ðŁ¦ Ķ", "Ä ¿", "Å Ģ", "Æ ³", "É ļ", "Ö ĥ", "Ü £", "ß Ł", "ঠŃ", "ৠ¡", "ච»", "ຠ£", "འĩ", "Ḡ¨", "á½ Ī", "â½ ¬", "ê¡ Ķ", "ì³ Ħ", "ï¨ ī", "ðĿIJ ¡", "ðĿĺ ¢", "ðŁį ¿", "ðŁİ Ł", "ðŁı ī", "ðŁĶ IJ", "ðŁļ ħ", "ðŁ¤ ½", "Æ į", "Ç «", "Ç ½", "È ļ", "Î ī", "Ó ¤", "Ó ª", "Õ Ĭ", "Ù ¼", "Ú ´", "ß Ŀ", "චľ", "á¼ ķ", "á¿ ¥", "âİ ŀ", "ãĢ ļ", "ãī ¤", "ê³ ¸", "ê· ģ", "ëĵ Ħ", "ëĵ ķ", "ì¨ Ķ", "ì± ¨", "ðĿIJ ¾", "ðĿij »", "ðĿĶ ¼", "ðĿķ Ŀ", "ðĿĺ Ń", "ðŁĨ Ļ", "ðŁĵ ¤", "ðŁĶ Ł", "ðŁĹ ¼", "Ä ľ", "Æ ģ", "Æ ¿", "Ç ³", "Ç ·", "É ĥ", "É ł", "Ê ī", "Ê §", "Ë ²", "Ï ´", "Õ ģ", "Õ ŀ", "Ö ĩ", "Û Ĥ", "Û ĵ", "ß Ĺ", "ß ¦", "ঠ¹", "à® ³", "à´ ¸", "à» Ĥ", "áĪ Ŀ", "áĪ ª", "áĭ µ", "áIJ Ĭ", "áĴ ª", "áļ ĸ", "áŀ Ľ", "á´ ¢", "áµ ı", "áµ Ń", "ᶠ«", "Ḡı", "ẠĴ", "á¼ ¥", "á½ ķ", "á½ ¼", "âĤ Ĭ", "âĦ Ĥ", "âĦ ©", "âĩ ī", "âī £", "âĮ ł", "âİ Ł", "âı ®", "âķ ĺ", "âĹ ĸ", "âĺ ©", "âĻ ij", "âĻ ²", "âļ Ľ", "ãĦ Ł", "ãī ±", "ãİ ļ", "ê¡ ķ", "êª ĸ", "ê° ¹", "ê² Ĩ", "êµ Ħ", "ëĩ ¬", "ëĭ ¯", "ëı ł", "ëĴ ¬", "ëĸ Ī", "ëĸ ½", "ëĺ Ķ", "ëŀ ¸", "ë¸ ħ", "ë» ł", "ë¿ Ł", "ìĤ µ", "ìĬ ī", "ìľ °", "ìł ĭ", "ìł Ķ", "ì¥ ¡", "ìŃ Ŀ", "ì¼ ¬", "íĪ ĩ", "íī ľ", "íį Ħ", "íĽ ¾", "íĿ £", "ï¤ ©", "ï¤ ¯", "ï¦ ľ", "ï¦ §", "ï§ ľ", "ï¨ Ī", "ï¬ ª", "ï ¬´", "ïŃ ½", "ï® ī", "ï¯ ŀ", "ï° Ĵ", "ï± ĩ", "ï¿ Ħ", "ðĿIJ ħ", "ðĿij Ħ", "ðĿij º", "ðĿĴ Ĺ", "ðĿĵ ®", "ðĿķ Ľ", "ðĿķ ŀ", "ðĿĸ ij", "ðĿĺ ģ", "ðĿĺ Ĩ", "ðĿĺ ¶", "ðĿĻ ¢", "ðĿļ ľ", "ðŁĮ ĥ", "ðŁĮ ¦", "ðŁį Ł", "ðŁİ İ", "ðŁı Ļ", "ðŁIJ ©", "ðŁIJ «", "ðŁIJ ´", "ðŁij Ķ", "ðŁĵ ī", "ðŁĵ Ľ", "ðŁĶ ī", "ðŁĸ ¼", "ðŁĹ ĥ", "ðŁĹ ¯", "ðŁļ ĩ", "ðŁļ IJ", "ðŁļ µ", "ðŁ¤ ¶", "ðŁ¥ ĭ", "ðŁ¥ ĵ", "ðŁ¥ ®", "ðŁ¦ İ", "ðŁ¦ ł", "ðŁ§ Ĵ", "ðŁ§ ¨", "Æ IJ", "Ç į", "Ó Ģ", "Ô Ľ", "ಠ°", "à´ Ļ", "áĢ Ĵ", "ê² Ŀ", "ê¹ ¹", "ë© ¥", "ìĸ Ķ", "ï¤ ģ", "ï¤ ı", "ï¦ ī", "ï¦ ĵ", "ï§ ī", "ï² Ŀ", "ðĿĹ ŀ", "ðĿĹ ±", "ðŁĮ ĭ", "ðŁį ¶", "ঠļ", "ìķ ľ", "ðĿIJ ¯", "ðĿļ Ŀ", "à° ¨", "འĺ", "འł", "á¡ ¥", "á¾ °", "âģ į", "âĶ °", "⬠ľ", "ðĿIJ ł", "ðĿij ¯", "ðĿĹ Ľ", "ðĿĵ »", "ðĿĸ Ī", "âŀ »", "áŀ ł", "â¡ ±", "â» ij", "ðŁ§ µ", "ï¦ ¢", "ðŁij ĺ", "ãĤ Ķ", "â¼ Ł", "ãĬ ¤", "ï¦ Ŀ", "ãĮ ¦", "âĢ ¸", "ðŁĶ Ļ", "ã ¹", "ã¹ ¦", "ï¹ ħ", "ï© Į", "ãī ¨", "ï¸ ½", "âį ¥", "ðŁļ ī", "ðŁ¥ ľ", "âĵ ľ", "â» Ŀ", "ï¨ ľ", "ðŁĴ Ĵ", "áĦ ij", "â¾ ŀ", "ï¨ ģ", "à´ ª", "áĦ İ", "âŀ ´", "ঠ·", "áħ ¬", "áŀ §", "âĨ ¢", "âķ ¦", "âľ ij", "Ë ¬", "Õ IJ", "༠Ķ", "Ê ¤", "Ë ¨", "ठŀ", "à» ĥ", "༠ļ", "âĵ ¥", "âķ ľ", "ðŁIJ ĸ", "á¼ Ļ", "á¼ ¤", "ìĨ °", "È Ĥ", "Ê ±", "à® ļ", "áĥ §", "á´ ĭ", "á´ ®", "âĿ ¡", "âŀ ·", "ëĿ ¡", "ï§ ¢", "ï¯ ¡", "ðĿķ ķ", "ðŁħ °", "ðŁ¦ ¸", "Ç ¸", "Ó ŀ", "Ô ¶", "Ö Ĩ", "Ú ģ", "Û ĭ", "áİ ¥", "á¾ ¿", "âĶ Ń", "âĶ ®", "êĢ Ģ", "ê± ĺ", "ëIJ Ń", "ë½ Ħ", "ìĶ IJ", "ì¸ Į", "íģ ł", "íĻ ±", "ï¥ ī", "ï¨ ĸ", "ðĿij ´", "ðĿĸ Ĵ", "ðĿĺ ¨", "ðĿ ļĮ", "ðŁIJ ¡", "ðŁij ¢", "ðŁĵ Ķ", "Å ħ", "Æ İ", "È ©", "Ò ª", "Ô ĥ", "áĥ «", "Ḡĩ", "⼠Ł", "ê» Ń", "ë¨ Ħ", "ìŁ Ģ", "ì¤ ´", "íļ IJ", "ï¤ ³", "ðŁŁ ¢", "Æ §", "È ¼", "Ê Ŀ", "Ë Ħ", "Ë ħ", "Ë į", "Ë §", "Ò ¥", "Õ Ķ", "Ø ı", "Ø ¼", "ß IJ", "ß ľ", "ठĵ", "ঠĻ", "à® ĵ", "ච´", "༠į", "༠Ĵ", "འ£", "áĢ Ĥ", "áĢ Ĭ", "áĦ Ħ", "á Īĺ", "áĭ Ĭ", "áĮ į", "áij ĭ", "áŀ Ĥ", "áł ¢", "á¡ Ŀ", "á´ ¦", "áµ į", "áµ ¨", "Ḡ¡", "Ḡ¯", "á¼ £", "âģ Ĥ", "âĦ ĺ", "âĦ ľ", "âĦ ³", "âĦ µ", "âĨ ¦", "âĩ Ĩ", "âĪ ·", "âĬ ļ", "âĮ «", "âĮ ¯", "âİ Ľ", "âİ ľ", "âİ ¤", "âİ ¦", "âİ ®", "âij ī", "âĶ ī", "âķ Ļ", "âĸ Ĥ", "âĹ Ń", "âĺ Ĭ", "âĺ į", "âĺ Ĵ", "âļ Ĩ", "⼠§", "⼠²", "âŀ ĺ", "⥠Ħ", "â´ ³", "â´ ½", "âµ Ī", "ãī ¯", "ãİ ij", "㧠¬", "êĻ ¬", "ê§ ģ", "ê³ ¬", "ê´ ŀ", "ê» ľ", "ëħ ĵ", "ëĭ ¼", "ëį ĸ", "ëĸ ±", "ëĿ °", "ë¡ ¹", "ë¢ ´", "ë£ Ģ", "ë¤ ł", "ë¨ ķ", "ëŃ ¥", "ìĦ ¶", "ìħ ¤", "ìĮ ķ", "ìį ª", "ìı ©", "ìĴ Ģ", "ìĶ ¯", "ìĿ Ķ", "ìĿ ľ", "ìł Ń", "ì§ ¦", "ì¨ ©", "ì² ¬", "ì³ ¥", "ì¼ ¯", "íĢ «", "íĢ Ń", "íĥ ¸", "íĵ ģ", "íķ ¬", "íĹ ¸", "íĽ ķ", "íľ Ń", "íĿ Ĺ", "ï¤ Į", "ï¤ ª", "ï§ ¿", "ï¬ Ħ", "ï¬ ħ", "ïŃ ij", "ïŃ «", "ïŃ º", "ï® Ĥ", "ï® ¢", "ï® ¨", "ï° İ", "ï° ł", "ï² £", "ï³ IJ", "ï³ Ĵ", "ï³ ĺ", "ï³ ľ", "ï¹ ¼", "ï¿ ¨", "ðĿIJ ©", "ðĿĴ ļ", "ðĿķ Ķ", "ðĿķ ¤", "ðĿĸ Į", "ðĿĹ £", "ðĿĹ °", "ðĿĹ ´", "ðĿĺ Ĥ", "ðĿĺ ¥", "ðĿĺ ®", "ðĿĺ ¸", "ðĿĻ Ģ", "ðĿĽ ¾", "ðĿľ ı", "ðŁĮ ģ", "ðŁĮ ľ", "ðŁĮ ¥", "ðŁĮ ¯", "ðŁį IJ", "ðŁİ Ĵ", "ðŁı Ķ", "ðŁı ķ", "ðŁı ®", "ðŁIJ Ĥ", "ðŁIJ ī", "ðŁIJ ¹", "ðŁĶ ķ", "ðŁĶ ļ", "ðŁķ ij", "ðŁķ £", "ðŁĹ ŀ", "ðŁĹ ¡", "ðŁĹ ¿", "ðŁļ Ĩ", "ðŁļ Ĭ", "ðŁļ ĵ", "ðŁļ ķ", "ðŁļ ¾", "ðŁĽ ģ", "ðŁĽ İ", "ðŁĽ ı", "ðŁ¤ ´", "ðŁ¥ ķ", "ðŁ¥ ĸ", "ðŁ¥ ł", "ðŁ¥ ¥", "ðŁ¦ Ĩ", "ðŁ¦ ī", "ðŁ¦ ļ", "ðŁ§ ij", "ðŁ§ ¥", "ðŁ§ ¿", "Å °", "Æ º", "É §", "ઠĩ", "à® £", "áĪ Ī", "áĬ ¤", "áĭ ®", "áĮ Ī", "áĮ µ", "ᥠ²", "âĵ Ł", "êĻ ³", "ê° Ĭ", "ëķ ģ", "ëķ ¨", "ìĬ ģ", "ï¦ µ", "ï¬ ²", "ðĿĸ į", "ðĿĺ Į", "ðĿĺ ³", "ðĿĻ ©", "ðŁį Ļ", "ðŁĸ ĸ", "áī ³", "áĭ ¨", "áĸ ĩ", "áŀ Į", "á¹ §", "âķ ª", "âŀ ļ", "â² ĺ", "ê ķ", "êķ ¥", "ï¤ ·", "ï® £", "ï¯ ł", "ðĿĴ ĸ", "ðĿķ ĺ", "ðĿĸ ĩ", "ðĿĹ Ł", "ðĿĹ ª", "ðĿĹ ¯", "ðĿĻ ł", "ðŁĵ ı", "ঠĹ", "âĴ »", "â² ł", "ðĿĵ µ", "Ê £", "à° ľ", "áĬ ¢", "áŀ IJ", "Ḡ·", "âĦ Ľ", "âĩ Ģ", "âĩ Ĭ", "êĴ ¦", "ê¦ ł", "ï® ¤", "ðŁį Ľ", "ðŁ¤ Ľ", "ᨠ¾", "âŀ º", "áķ ¯", "ἠı", "âĩ Ĥ", "âĶ ¹", "âĻ Ĺ", "ðŁĸ ¨", "ê¦ ı", "ઠ°", "áļ ¨", "ðŁ¤ ¥", "ðŁ§ ¢", "ãIJ Ĥ", "ãĦ ¥", "ðŁĸ Į", "â¼ Ĵ", "ãĬ §", "âį ©", "ðŁ¦ ij", "âĶ ·", "ï© IJ", "ï© ¡", "ðĵ Ī", "ðĵĪ Ĵ", "â» Ħ", "ï¨ Ĵ", "âĦ ª", "Ò §", "Ú Į", "âĢ ¶", "⺠ł", "â» ģ", "âĨ ¸", "áĦ IJ", "ãħ IJ", "à» Ħ", "áĹ ª", "âĨ ¼", "âĩ ĭ", "âĩ ĺ", "âĮ ij", "âĸ ©", "ðĿIJ Ĺ", "Ä Ĭ", "ঠī", "ìī ł", "É ¤", "ß į", "ß ı", "áµ Ĺ", "âĤ ¥", "âĵ ī", "âĶ ł", "âĶ ¨", "âķ Ħ", "ä ¤", "ä¤ Ģ", "ê» ¸", "ï® ģ", "ðĵ Ĥ", "ðĵĤ ĥ", "ðŁ¦ ķ", "Æ Ľ", "ঠĩ", "ãı ĺ", "ï® ¼", "Ú ĵ", "Ú Ŀ", "ঠĵ", "ච¯", "á´ ħ", "á½ Ļ", "âģ ¼", "âĸ İ", "â¼ ©", "ä Ķ", "äĶ Ģ", "ë» ¡", "ìĽ ½", "íģ Ħ", "ï¥ ¼", "ï± ī", "ï¹ »", "ðĿĸ ĭ", "ðĿĻ Ī", "ðĿĻ ª", "ðĿ Ļ¶", "ðŁIJ Ħ", "ðŁIJ Ĩ", "áİ ¢", "ḠĮ", "âĿ ´", "ðŁı ¸", "È Ŀ", "É ¸", "Î ħ", "Ï ľ", "Ó ¢", "Õ ¹", "à´ ħ", "ຠĪ", "áĭ °", "áij İ", "áł µ", "á¡ ł", "á´ ī", "Ḡµ", "á¿ ´", "âĵ £", "âĶ ¶", "â½ ¯", "ê² ¥", "ê¿ ĺ", "ëģ İ", "ëİ Ī", "ëĶ ¯", "ë² °", "ìĺ ¯", "ìĽ ¸", "ìŀ Ĺ", "ì§ ĺ", "ì¬ ¬", "ì· ¬", "íģ ħ", "íĵ Ķ", "íĽ Ŀ", "ï¤ ®", "ï¤ ¹", "ï¥ ²", "ï¯ ĸ", "ðĿĵ ħ", "ðĿĻ Ħ", "ðŁĵ ¶", "ðŁĹ Ĵ", "ðŁ¥ Ķ", "ðŁ¥ Ń", "Å ®", "Å ´", "Æ ī", "Æ «", "Ç ģ", "Ç £", "Ç º", "Ç ¼", "È į", "È ¯", "É ľ", "Ê ¬", "Ë ģ", "Ë ¤", "Ë µ", "Ï Ľ", "Ò ¤", "Ò ¬", "Ó ı", "Ó Ľ", "Ó ¡", "Ó ³", "Ô Į", "Ô ¬", "Õ ³", "Ù »", "Ú ī", "Ú §", "Ü ľ", "ß ª", "ठĿ", "ঠĽ", "ਠĨ", "ઠķ", "ઠ¡", "à® İ", "à° ¬", "ൠ»", "ൠ¼", "චł", "චŃ", "ච¶", "à· Ĩ", "༠½", "áĢ ļ", "áħ ¢", "áĨ ¸", "áĪ Ģ", "áĪ ķ", "áĪ °", "áī ¡", "áī ¤", "áĬ ¦", "áĬ «", "áĭ ĭ", "áĭ į", "áİ ¯", "áij Ń", "áķ Ĺ", "ᣠĽ", "ᥠĴ", "á© ī", "áŃ º", "á´ ¡", "áµ ĺ", "áµ Ľ", "ᶠł", "Ḡģ", "Ḡĭ", "á¹ Ļ", "á¹ Ŀ", "á¹ ¦", "Ạħ", "á¼ Ĥ", "á½ ĥ", "á½ į", "á½ §", "á¾ ·", "âĢ µ", "âĤ İ", "âĦ Ŀ", "âħ Ģ", "âĨ ŀ", "âĨ §", "âĩ ħ", "âĪ ĥ", "âī ı", "âī ½", "âĬ ŀ", "âĬ ¡", "âĬ §", "â Ĭ¶", "âĭ Ħ", "âİ Ĵ", "âİ ¡", "âİ £", "âİ ª", "âı İ", "âĵ ĥ", "âĵ ĸ", "âĵ ¨", "âķ ĭ", "âķ ĸ", "âķ ¢", "âķ ²", "âĸ Ĩ", "âĸ Ĭ", "âĸ į", "âĸ ®", "âĺ ¡", "âĺ ¦", "âĺ ±", "âĺ ¿", "âĻ ĺ", "âĻ Ŀ", "âļ °", "⼠ij", "âŀ ª", "⤠Ŀ", "⤠¢", "⤠·", "⧠«", "⨠Ń", "⨠¯", "â± £", "â² İ", "âµ Ľ", "ãħ Ķ", "ãĪ ı", "ãī ²", "ãī ³", "ãĬ ij", "ãĭ Ľ", "ãİ IJ", "ê² ¤", "ê· ¿", "ê¹ ŀ", "ê» ¨", "ê¼ į", "ê¿ ¸", "ëĥ ¬", "ëĩ IJ", "ëĭ ł", "ëį ¯", "ëĹ Į", "ëĹ ij", "ë¥ Ģ", "ëª ĥ", "ëª ¯", "ë± ¡", "ë³ ĵ", "ë³ ½", "ë µľ", "ìĤ ³", "ìħ ¥", "ìĩ ½", "ìı ¨", "ìı ¸", "ìķ į", "ìĸ ĸ", "ìŁ ¨", "ì¢ ĥ", "ì¢ į", "ì¥ ij", "ì§ ¼", "ì© ĥ", "ì® ľ", "ì® ¸", "ì³ ij", "ì´ ¥", "ì¾ ĥ", "íħ ¦", "íĪ ¿", "íĵ ½", "íķ ³", "íĸ ı", "íĹ ł", "íĿ «", "ï¤ ĵ", "ï¤ ĺ", "ï¥ İ", "ï¥ ¶", "ï¦ ħ", "ï¦ ½", "ï§ ĩ", "ï¬ Ĩ", "ï¬ ³", "ï® ĩ", "ï® Ī", "ï® Ŀ", "ï® ©", "ï® ±", "ï¯ ĺ", "ï¯ Ļ", "ï¯ ¢", "ï¯ £", "ï¯ ¤", "ï¯ ¥", "ï± Ĥ", "ï² Ĩ", "ï² ª", "ï´ ¼", "ïº ī", "ïº Ĭ", "ïº ¥", "ðĿij ¨", "ðĿij ©", "ðĿij ²", "ðĿ ĴĮ", "ðĿĴ ª", "ðĿĴ ®", "ðĿĵ Ĥ", "ðĿĵ Ī", "ðĿĵ ¯", "ðĿĶ ¨", "ðĿķ Ģ", "ðĿķ Ĩ", "ðĿķ ¦", "ðĿķ §", "ðĿķ «", "ðĿķ ·", "ðĿĹ µ", "ðĿĹ ¸", "ðĿĺ Ħ", "ðĿĺ Ļ", "ðĿĺ ł", "ðĿĺ ¬", "ðĿĻ į", "ðĿĻ ij", "ðĿĻ ¡", "ðĿ Ļ¨", "ðĿĻ ·", "ðĿļ į", "ðĿĽ ¿", "ðŁ ĥ", "ðŁĥ ı", "ðŁħ ĺ", "ðŁ ī", "ðŁī ij", "ðŁİ ¡", "ðŁİ ª", "ðŁİ ±", "ðŁİ ³", "ðŁİ º", "ðŁı İ", "ðŁı Ĺ", "ðŁı ļ", "ðŁı ŀ", "ðŁı ¦", "ðŁı §", "ðŁIJ ģ", "ðŁIJ ħ", "ðŁIJ ĵ", "ðŁĴ Ĥ", "ðŁĵ ij", "ðŁĵ ĵ", "ðŁĵ ¨", "ðŁĵ «", "ðŁĶ ĭ", "ðŁĶ Ń", "ðŁĶ ¯", "ðŁķ Ĺ", "ðŁļ Ĥ", "ðŁļ ¢", "ðŁļ ¦", "ðŁļ ¬", "ðŁĽ ĭ", "ðŁĽ Į", "ðŁĽ ¬", "ðŁĽ ¶", "ðŁŁ ¡", "ðŁ¥ ĺ", "ðŁ¥ Ł", "ðŁ¥ ¦", "ðŁ¦ ĩ", "ðŁ¦ Ī", "ðŁ§ Ĭ", "ðŁ§ Ĺ", "ðŁ§ ¤", "Ê ·", "Ë ¹", "á¹ ļ", "á½ ¥", "âĦ Ł", "ê² ¯", "ê» «", "ë° ·", "ìĥ Ĩ", "ìĽ Ŀ", "ì¨ ī", "ì« ı", "ï¯ ķ", "ðĿľ ĭ", "É ²", "Ò Ń", "Ó Ī", "འĽ", "áĭ ĵ", "áĻ Ń", "áł ©", "á¹ ®", "âĦ Ĵ", "âĨ »", "âµ ĥ", "ëĢ ¨", "ëł §", "ìī ¥", "ìĮ ľ", "ìĹ ¶", "ì¨ Ī", "ìª ¾", "íı ½", "íļ Ķ", "íĽ µ", "ï¤ ¸", "ï¦ IJ", "ï§ Ĺ", "ï§ ļ", "ï¬ ¯", "ðĿIJ Ĭ", "ðĿķ Ĺ", "ðĿĹ ļ", "ðĿļ ĸ", "ðŁħ ´", "È ĥ", "É Ŀ", "Ï ±", "Ó Ĺ", "ठ¢", "áħ ł", "áī ¦", "áij Į", "áĴ ¼", "áŀ ¡", "áł ¨", "áł Ń", "ᨠħ", "ᨠĶ", "á´ ĺ", "ᶠ¦", "Ḡİ", "á¼ ħ", "á¼ ¹", "âĨ ¯", "âĵ İ", "ãı Į", "ê ī", "êī Ĥ", "ëĨ §", "ëĿ ±", "ì¢ ¡", "íĪ ½", "ï¤ ĩ", "ï¤ Ľ", "ðĿIJ ķ", "ðĿĵ ¸", "ðĿĵ ¼", "ðĿĹ ķ", "ðĿĺ Ī", "ðŁı £", "ðŁı ¤", "ðŁĹ Ħ", "Ñ ·", "Ò ł", "áµ ĸ", "á¼ ¨", "ë¬ Ħ", "ï° ´", "âĪ ½", "Õ Ń", "Ú ¹", "ॠŁ", "áĢ Ĩ", "áŀ Ĵ", "ãĢ ¶", "ê¦ «", "ï¸ ĵ", "ðĿIJ Ľ", "ðĿĺ Ĺ", "ðŁı ľ", "ì« Ń", "ðŁ§ ŀ", "འĤ", "âĨ ¿", "âĩ ı", "âĵ ģ", "âĶ §", "âķ ģ", "âķ ¤", "ê¦ Ĺ", "ê¦ ¤", "ðŁı Ī", "áŀ ķ", "Ô ½", "ઠĹ", "ଠĨ", "âķ ķ", "ï½ ł", "â¼ ¦", "â¼ ¯", "â¾ ·", "âĶ ĸ", "ଠĵ", "âĺ Ĺ", "âį ĭ", "ï¨ Ŀ", "â¼ ¥", "ï¦ ª", "âĦ Ĭ", "ãĢ ´", "âį ¢", "ð¡ Ī", "ð¡Ī ½", "ï© ¨", "ãĢ »", "ãı ĥ", "ï¦ ¡", "ï¨ ĺ", "ðŁIJ ĥ", "ðŁĨ ĸ", "ðŁĹ ¾", "ãĦ ĩ", "Þ ĭ", "â¼ ¼", "ï¨ Ń", "Þ Ģ", "Þ Ħ", "Þ Ī", "Þ IJ", "âĮ Ħ", "â» ĺ", "ãŁ ¢", "á ħ§", "ðIJĮ ¿", "Ë »", "ಠĹ", "áĢ ĩ", "áŀ Ĭ", "âķ ĩ", "ãĩ ¼", "ãİ °", "Õ Ĵ", "Ü Ī", "ß ¥", "à¿ IJ", "áĢ Ł", "âĨ ¥", "âķ Į", "â½ Ģ", "â½ °", "â¾ Ĭ", "ä Ħ", "äĦ Ģ", "ðĵ IJ", "ðĵIJ į", "ðŁİ ¦", "âĤ ¯", "âĬ ĺ", "âĦ į", "Ê µ", "Ñ ¶", "Ú ĥ", "ঠĶ", "à´ ¦", "áİ ¶", "áĵ ķ", "á¹ ¨", "âĤ ł", "âĩ °", "âĹ Ĵ", "â¿ Ĭ", "ê· ±", "ì¹ ķ", "íĪ ©", "ïŃ Ģ", "ðĿĴ ¸", "ðĿĵ Ĭ", "ðĿĺ ©", "Ç ¦", "É «", "áĬ ¨", "È ¹", "Ê ¯", "Î ª", "Ú Ģ", "áĮ ¸", "áİ »", "áı ķ", "áı ´", "á² Ĥ", "á½ ¨", "âı Ŀ", "âĺ Ļ", "ëĥ ¨", "ëĦ ¼", "ëĪ Ļ", "ë£ ħ", "ìĶ ¼", "ìķ Ŀ", "ìļ ¬", "ìľ ±", "ï¥ Ĥ", "ï¦ ¹", "ï¬ ¹", "ïŃ ģ", "ï³ Ī", "ðĿĶ ħ", "ðĿĺ ¤", "ðĿĻ ı", "ðĿĻ Ļ", "ðŁķ ī", "ðŁ§ Ļ", "Ḡij", "ê´ ¼", "ëģ į", "ëĹ ´", "ëĿ ³", "ë° ŀ", "ë° ¢", "ëµ ĺ", "ìĤ Ķ", "ìĦ Ħ", "ì¼ ļ", "íĢ ł", "íĬ ±", "íĮ ĸ", "ï¤ ij", "ï¦ ´", "ï¦ ¸", "ï´ į", "ðĿĺ ·", "Ä ¬", "Å ¬", "Æ Ģ", "Æ ĭ", "Æ ľ", "Ç ij", "Ç ĺ", "Ç ŀ", "Ç ¥", "Ç ®", "É °", "É ¶", "É ·", "É ½", "Ê Ī", "Ê IJ", "Ë İ", "Ë Ł", "Ë ¦", "Ë ¯", "Ï IJ", "Ï ĵ", "Ï ¢", "Ï ¤", "Ï ª", "Ï Ń", "Ï ®", "Ï »", "Ñ ł", "Ñ Ń", "Ò ¨", "Ó Ŀ", "Ô ¡", "Ô ·", "Õ ī", "Õ ĵ", "Õ ĸ", "Õ ļ", "Õ Ŀ", "Ö İ", "Ø ¿", "Ú ħ", "Ú į", "Ú Ķ", "Û Ĭ", "Û ¾", "Ü Ļ", "Ý Ĵ", "Ý ĺ", "ß Ĵ", "ß ĸ", "ठĬ", "ठIJ", "ঠı", "ঠĸ", "ৠŁ", "ઠ®", "ઠ¹", "à® ħ", "à® Ĩ", "à° ¡", "à° °", "ಠļ", "ಠ®", "ಠ¯", "à´ Ł", "à´ ·", "ൠ¾", "චij", "චŀ", "༠¼", "འĵ", "áĢ ĵ", "áĤ ¦", "áĥ ĸ", "áĥ Ń", "áĥ ¯", "áħ ¨", "áħ ª", "áĨ °", "áĪ ģ", "áĪ İ", "áĪ ĵ", "áĪ ¥", "áĪ ²", "áĪ ´", "áĪ »", "áī ł", "áī ²", "áī ¶", "áĬ £", "áĬ ¥", "áĬ ª", "áĭ ĺ", "áĭ ²", "áĭ ¶", "áĮ £", "áį ¡", "áį £", "áİ ¬", "áİ ¾", "áIJ ¡", "áķ ķ", "áĸ ±", "áĹ IJ", "áĹ Ń", "áĺ ī", "áļ ±", "ἠŁ", "áŀ ¥", "ᣠĶ", "áł £", "áł ª", "áł °", "áł ´", "ᤠĸ", "ᥠ£", "á ®", "á® ł", "á ¯", "ᯠĻ", "á °", "á° į", "á´ Ĭ", "á´ ¾", "áµ ģ", "áµ İ", "áµ ŀ", "áµ ¤", "ᶠħ", "ᶠĺ", "ᶠŁ", "ᶠ¢", "ᶠ¤", "ᶠ±", "ᶠ»", "Ḡī", "Ḡŀ", "Ḡº", "á¹ ĵ", "á¹ Ĺ", "á¹ ª", "ẠĬ", "Ạı", "ẠĽ", "á¼ ĥ", "á¼ Į", "á¼ ¿", "á½ Ĥ", "á½ ĵ", "á½ Ĺ", "á½ ¦", "á¾ ±", "á¾ ´", "á¿ ĺ", "á¿ Ł", "á¿ ¸", "âģ ĺ", "âĤ ij", "âĤ Ľ", "âĤ ¿", "âĦ ĩ", "âĦ ŀ", "âĦ ±", "âĩ Ł", "âĩ ²", "âĪ ¤", "âĪ ¶", "âī Ĥ", "âī ¾", "âĬ ¨", "âĬ ³", "âĬ ·", "âĭ Į", "âĭ ĺ", "âĮ ķ", "âĮ ¥", "âĮ µ", "âĮ º", "âį £", "âį ²", "âį µ", "âİ ĩ", "âı ĥ", "âı IJ", "âı ł", "âı ¤", "âı ¶", "âı ¸", "âı ¹", "âij Ĥ", "âĴ ·", "âĴ º", "âĵ ¡", "âĵ ¤", "âĶ ¾", "âĸ ĺ", "âĸ µ", "âĹ ª", "âĹ ·", "âĺ ¨", "âĺ «", "âĺ ²", "âĺ ³", "âĻ Ĩ", "âļ ¤", "âļ ¥", "⼠ĵ", "⼠´", "⼠¾", "âŀ «", "âŀ ¿", "⣠·", "⤠ij", "⤠«", "⤠¶", "⤠½", "⧠ª", "⨠Ģ", "â ©½", "⬠¡", "⬠¢", "⬠¤", "â² ĸ", "â² ª", "âµ Ģ", "⸠®", "⸠½", "ãĢ ł", "ãĢ ·", "ãĦ Į", "ãĦ ĺ", "ãħ ij", "ãĪ İ", "ãĪ IJ", "ãĬ ľ", "ãĮ ĵ", "ãĮ ł", "ãİ Ł", "ãİ ¤", "ãİ §", "㬠®", "ä Ī", "äĪ Ģ", "ä °", "ä° Ģ", "ê ħ", "êħ ī", "êĩ Ĺ", "ê Ī", "êĪ į", "ê§ Ĥ", "ê§ Ĭ", "êª Ģ", "ê² Ī", "ê² į", "ê³ Ģ", "êµ ł", "ê½ IJ", "ê¾ Ī", "ê¿ ±", "ëĥ ı", "ëĦ ij", "ëħ ¤", "ëĩ ¸", "ëĪ ¼", "ëī ħ", "ëĬ £", "ëĭ º", "ëį ŀ", "ëIJ Į", "ëķ ¸", "ëĺ ł", "ëĻ ĩ", "ëĻ Ī", "ëľ ½", "ëŀ Ķ", "ëł ľ", "ë£ IJ", "ë§ Ģ", "ë§ Ĭ", "ëª Ģ", "ë¬ Ń", "ë¯ ¾", "ë³ ľ", "ë´ Ĭ", "ëµ ī", "ë· ľ", "ë¸ Ģ", "ë¹ ĭ", "ìģ Ħ", "ìĤ £", "ìĤ »", "ìĦ µ", "ìħ Ĵ", "ìī Ī", "ìī Ķ", "ìĬ Į", "ìĬ Ļ", "ìIJ ´", "ìĵ º", "ìķ ļ", "ìķ º", "ìĸ ľ", "ìĹ ª", "ìĺ ľ", "ìĻ ¤", "ìļ Ľ", "ìļ º", "ìĿ ħ", "ìĿ ı", "ìĿ Ń", "ìĿ ¶", "ìł Ľ", "ì¡ Ī", "ì¢ ī", "ì¢ Ķ", "ì© ł", "ìŃ Į", "ì¯ ©", "ì´ £", "ì¸ ķ", "ì¹ Ł", "ì¾ ¡", "ì¿ Ļ", "íģ ĩ", "íģ ī", "íĩ Ģ", "íĪ ¶", "íĸ ij", "íĸ ¤", "íĹ ħ", "íľ ı", "íĿ Ŀ", "ï¤ Ĵ", "ï¤ ķ", "ï¤ ¬", "ï¥ ħ", "ï¥ ĩ", "ï¥ ı", "ï¥ ļ", "ï¥ Ł", "ï¦ Ħ", "ï¦ Ī", "ï¦ ¨", "ï¦ ©", "ï¦ ²", "ï§ ģ", "ï§ ĥ", "ï§ Ķ", "ï§ ł", "ï§ £", "ï§ ®", "ï ŃIJ", "ïŃ ĸ", "ïŃ ¦", "ïŃ ´", "ïŃ µ", "ïŃ ¶", "ïŃ ¸", "ï® Į", "ï® İ", "ï® ŀ", "ï® Ł", "ï® ¡", "ï® ª", "ï¯ Ķ", "ï¯ Ĺ", "ï¯ ļ", "ï¯ Ľ", "ï¯ Ŀ", "ï¯ Ł", "ï¯ §", "ï¯ ¨", "ï¯ «", "ï¯ ¯", "ï¯ °", "ï¯ ±", "ï¯ ²", "ï¯ ³", "ï¯ ´", "ï¯ µ", "ï¯ ¶", "ï° Ģ", "ï± ħ", "ï± Ķ", "ï± ´", "ï² ģ", "ï³ ķ", "ï· ½", "ï¸ ķ", "ï¸ ±", "ï¹ £", "ï¹ ½", "ï» į", "ï¾ ±", "ðĿIJ Ļ", "ðĿIJ ½", "ðĿij ¤", "ðĿij ®", "ðĿij µ", "ðĿĴ ĥ", "ðĿĴ Ħ", "ðĿĵ Ń", "ðĿĵ ·", "ðĿĶ ĸ", "ðĿĶ ŀ", "ðĿĶ ¢", "ðĿĶ ¦", "ðĿĶ ¬", "ðĿķ Ħ", "ðĿķ Ĭ", "ðĿķ İ", "ðĿķ Ļ", "ðĿķ ľ", "ðĿķ Ń", "ðĿķ ³", "ðĿķ ¸", "ðĿķ ¾", "ðĿ ĸī", "ðĿĸ ı", "ðĿĺ ĩ", "ðĿĺ ī", "ðĿĺ ĸ", "ðĿĺ Ľ", "ðĿĺ ŀ", "ðĿĺ «", "ðĿĺ ¾", "ðĿĻ ĩ", "ðĿĻ ī", "ðĿĻ ĭ", "ðĿĻ İ", "ðĿĻ ĺ", "ðĿĻ ¥", "ðĿļ ĥ", "ðĿļ IJ", "ðĿļ Ķ", "ðĿľ ĥ", "ðŁĦ ·", "ðŁħ Ŀ", "ðŁħ ¾", "ðŁĨ Ĥ", "ðŁĨ ĵ", "ðŁĮ Ĥ", "ðŁĮ Ĩ", "ðŁĮ ī", "ðŁĮ ij", "ðŁĮ ĺ", "ðŁĮ ©", "ðŁĮ «", "ðŁį ¢", "ðŁį ¥", "ðŁİ Ľ", "ðŁİ ¢", "ðŁİ ´", "ðŁij ¡", "ðŁĴ ¾", "ðŁĵ Ń", "ðŁĶ Ī", "ðŁĶ ¦", "ðŁĶ ²", "ðŁĶ ³", "ðŁķ ĵ", "ðŁķ ķ", "ðŁķ ĺ", "ðŁķ Ł", "ðŁķ ·", "ðŁĹ ³", "ðŁļ Ħ", "ðŁļ Ķ", "ðŁļ ĸ", "ðŁĽ IJ", "ðŁĽ ¤", "ðŁĽ ¸", "ðŁ ł", "ðŁł ³", "ðŁ¤ ¹", "ðŁ¥ ĥ", "ðŁ¥ ¨", "ðŁ¥ ª", "ðŁ¥ ¾", "ðŁ¦ ĥ", "ðŁ¦ Ĵ", "ðŁ¦ Ļ", "ðŁ¦ ¶", "ðŁ§ ł", "ðŁ§ ª", "ðŁ§ Ń", "ðŁ§ ²", "𣠷", "𣷠Ń", "ð¦ ĺ", "ð¦ĺ Ĵ", "Æ ij", "Ç Ļ", "È ®", "Ø ł", "Ú Ħ", "Ü Ģ", "ß ¢", "áī Ģ", "áĬ IJ", "áİ ł", "Ạŀ", "ëĪ ŀ", "ëķ Ł", "ë£ ģ", "ë¤ Ĺ", "ìĦ ¥", "ìħ ij", "ìĸ IJ", "ìĽ Ľ", "ì£ ķ", "íİ ı", "íĽ ĵ", "ï¥ º", "ï³ Ľ", "ï´ «", "ðĸ §", "ðĸ§ ·", "ðĿķ ģ", "ðŁIJ ª", "ðŁĴ Ī", "ðŁĵ ł", "ðŁķ Ľ", "ðŁķ ´", "Ñ Ŀ", "Ó Ĭ", "ॠ²", "ઠª", "áĥ ¤", "áį IJ", "ᶠ°", "á¼ Ŀ", "á½ ©", "âĭ ĭ", "âĴ ½", "âĻ ¾", "â ½Ķ", "â¾ ¯", "ãĦ Ĵ", "ãħ ļ", "ëIJ į", "ë· ģ", "ìĭ Ģ", "ìļ Ŀ", "ì¥ °", "ìº ´", "íĭ ī", "íĿ ½", "ï¦ Ģ", "ï¦ ¿", "ï§ ħ", "ï§ ĵ", "ïŃ ¯", "ï® Ĩ", "ðIJ¤ ķ", "ðĿIJ Ł", "ðĿĴ ħ", "ðĿĵ ľ", "ðĿĶ °", "ðĿĶ »", "ðĿĺ į", "ðĿĻ ¯", "ðŁĦ ½", "ðŁħ Ĥ", "ðŁħ Ķ", "ðŁħ ½", "ðŁĵ ´", "ðŁ§ ĸ", "Ó Ĵ", "Ḡ²", "ëī ¼", "Ç ı", "È ĵ", "Ê ¸", "Õ Ĥ", "Û ħ", "ß ¡", "ß £", "à® ¯", "à° Ī", "ಠ¸", "ຠ®", "༠ķ", "áĢ İ", "áĨ ¡", "áIJ ĭ", "áIJ ķ", "áij ¯", "áŀ Ĩ", "ᨠķ", "á© Ī", "âģ ħ", "âĨ ļ", "âĶ İ", "âł ©", "â² Ĥ", "â² Ķ", "â² ¨", "ãĬ ļ", "íĵ ²", "ðĿij Ī", "ðĿij ¬", "ðĿij ¹", "ðĿĴ ¾", "ðĿĵ ±", "ðĿĵ ½", "ðĿķ ¯", "ðĿķ »", "ðĿĺ ½", "ðĿļ Ĩ", "ðŁĦ °", "ðŁIJ ¨", "Ò ķ", "ಠħ", "ï¨ Ĩ", "ðĿij °", "ðŁĦ ¸", "Ô İ", "Ø į", "Ù µ", "ಠ¶", "áĢ Ī", "áĺ Ĺ", "áł ¸", "á¡ ¡", "ᨠ²", "á© ģ", "á´ ·", "áµ §", "âķ ¨", "âļ ģ", "â¾ Ŀ", "ãĢ ¼", "ãĦ ı", "êĴ «", "ê¦ ¥", "ê¦ ©", "ê¦ ²", "ìĺ ¼", "íĵ IJ", "ðĵ ĩ", "ðĵĩ ¼", "ðĿķ ¿", "ðŁĽ ´", "ë¨ ľ", "ಠµ", "à´ İ", "༠Ģ", "âĩ ĸ", "ãĪ «", "âĵ Ģ", "áħ ´", "áļ ¾", "ἠŀ", "ἠ«", "ᥠ´", "âĨ Ľ", "âĨ ¶", "âĩ ¤", "âķ Ł", "âĺ ·", "âļ IJ", "ðŁ§ ´", "á¹ ³", "âĶ į", "âĶ Ĵ", "âĶ ©", "âĶ ¦", "â¾ µ", "ઠľ", "ઠ¤", "âĩ Ļ", "âĶ ±", "âķ Ģ", "â½ Ĭ", "ï½ Ł", "ଠ¡", "ðł ®", "ðł® ·", "âķ ĥ", "â° Ķ", "ãĬ ¦", "ðŁİ IJ", "ãĩ °", "â¼ Ŀ", "â¾ Ķ", "â½ Ĵ", "âł Ĵ", "ï¨ ¦", "ï© Ĵ", "ï¨ ²", "ï© ĸ", "ðĵı ¸", "ãĮ ĥ", "ðĸ ¤", "ðĸ¤ IJ", "ï¦ Ń", "âĬ ħ", "â¾ ³", "ä´ ¥", "ï© ķ", "ðŁĮ Ķ", "áŀ ĭ", "âļ į", "â¼ ĭ", "ãİ ĺ", "ðIJĮ ²", "É ©", "áİ ij", "âĨ ®", "âĩ ĥ", "âļ İ", "ãĩ ±", "ãĭ ©", "ãĮ ¶", "êĻ ª", "ëİ ¬", "ï¨ IJ", "ï¨ Ľ", "ï© Ĭ", "ï© į", "ðĵ ħ", "ðĵħ º", "Ï ¡", "È ij", "É Ĥ", "Ô ĵ", "ß İ", "à´ §", "áĢ ī", "áĢ ĭ", "áĢ ij", "áĢ ł", "áļ Ļ", "ᨠĦ", "ᨠ©", "ᨠ¹", "á© ĵ", "ᬠľ", "á´ Ļ", "áµ ij", "âĤ Ń", "âĨ °", "âľ ģ", "â½ IJ", "ãĭ ¯", "ãĮ ½", "íĨ ¢", "ï¤ ¿", "ðŁ Ĥ", "ðŁĤ »", "È Ĵ", "Í º", "Ô ¥", "Õ ij", "Ú ¶", "ৠİ", "ච®", "ຠĸ", "ຠľ", "ຠ½", "áĥ »", "áħ ¯", "áĭ ŀ", "áĸ ķ", "á ´Ī", "ᶠĨ", "Ḡľ", "á¹ ¼", "á¿ ¨", "âĦ ĭ", "âĦ Ń", "âĪ ±", "âĮ ĵ", "âĶ ĩ", "âĶ ¢", "â± ®", "â² Ħ", "ãĩ ¾", "ãĪ ¬", "ë¸ ¡", "ìIJ ī", "íĻ Ľ", "ðĿķ ª", "Æ ¹", "Í ²", "Ó ģ", "Û ¼", "ঠ«", "áħ Ł", "áī Ĩ", "áį Ī", "Ạĸ", "á½ ī", "âĶ ¸", "â½ ©", "ê ľ", "êľ ¥", "êµ ħ", "ëĤ Ķ", "ëĦ ł", "ëĩ Ĺ", "ëĻ Ŀ", "ìļ ¯", "ìļ ·", "ìŁ Ľ", "ì· IJ", "íŁ ¬", "íŁ ®", "íŁ °", "ï¦ Ĩ", "ï¦ ±", "ï² ŀ", "ï³ ¤", "ï³ ¥", "ðIJĮ ¸", "ðĿĶ ı", "ðĿķ ®", "ðĿĺ £", "ঠĪ", "âı ı", "ãĦ ĸ", "ê² ĩ", "ëĸ ĺ", "ëľ ·", "ëŀ Ĵ", "ë¡ ĵ", "ë¢ ī", "ë£ ĥ", "ë§ ĭ", "ë² ĭ", "ìĤ ·", "ìĪ ķ", "ì Į¨", "ìĵ »", "ìĸ Ĭ", "ìĻ ¬", "ìĿ »", "ì¦ ģ", "ìµ ¤", "ì· ĥ", "íĢ ľ", "íħ ī", "íį ł", "íı ħ", "íij ±", "íķ ķ", "íĸ ł", "íĿ ķ", "Æ Ļ", "Æ ļ", "Æ ŀ", "Ç ĥ", "Ç Ĭ", "Ç ľ", "Ç ¤", "Ç Ń", "Ç ¹", "È Ģ", "È ģ", "È ħ", "È ī", "È Ĺ", "È Ł", "È ¤", "È ¥", "È ¨", "È µ", "È º", "È »", "É Į", "É ®", "Ê ħ", "Ê ¥", "Ê ¨", "Ë ĵ", "Ë Ķ", "Ë ł", "Ë £", "Ë ¸", "Í ´", "Ï Ĺ", "Ï ĺ", "Ï Ļ", "Ï ļ", "Ï Ŀ", "Ï ¨", "Ï ¬", "Ï ¾", "Ï ¿", "Ñ ª", "Ò Ģ", "Ò ľ", "Ò ¼", "Ò ½", "Ó Ĥ", "Ó ħ", "Ó ĩ", "Ó į", "Ó ĸ", "Ó Ł", "Ó «", "Ó ±", "Ô Ĩ", "Ô ĩ", "Ô º", "Õ ĭ", "Ö ī", "Ø Ī", "Ø Ĭ", "Ø ½", "Ø ¾", "Ù ·", "Ú Ĥ", "Ú Ĭ", "Ú ĸ", "Ú Ĺ", "Ú £", "Ú «", "Ú ¸", "Û Ģ", "Û į", "Û ½", "Ü ī", "Ü ¤", "Ý §", "Ý ´", "Þ ĥ", "Þ ¤", "Þ ¥", "ß ļ", "ß Ľ", "ß ¤", "àł į", "àł ĵ", "àł ³", "à¡ ¢", "ॠł", "ৠł", "ৠº", "ਠĬ", "ਠIJ", "ਠ®", "ਠ¯", "ਠ°", "ਠ¸", "ઠĨ", "ઠ³", "ઠµ", "ઠ½", "ଠĮ", "ଠĺ", "ଠ½", "à® ĥ", "à® ¸", "à° Ĩ", "à° ķ", "à° ¦", "ಠĨ", "ಠĬ", "ಠĮ", "ಠIJ", "ಠĽ", "ಠ¤", "ಠ¦", "ಠª", "ಠ²", "ಠ¹", "à´ Ĩ", "à´ ı", "à´ Ĺ", "à´ «", "à´ ¹", "ൠº", "ൠ½", "චħ", "චĬ", "චĶ", "ච§", "ච«", "ච°", "༠Ħ", "༠ħ", "༠Ĭ", "འĻ", "འ¡", "འ§", "à¿ Ģ", "à¿ Ļ", "áĢ Ŀ", "áĢ §", "áĢ ©", "áĢ ¿", "áģ µ", "áĤ ģ", "áĤ ½", "áĥ Ĥ", "áĥ ª", "áĦ Ĭ", "áĦ ¢", "áħ ¦", "áħ Ń", "áĨ ®", "áĨ ±", "áĨ »", "á ĩ", "áĩ Ĥ", "áĪ ħ", "áĪ ī", "áĪ Į", "áĪ IJ", "áĪ Ĵ", "áĪ Ļ", "áĪ ļ", "áĪ ľ", "áĪ ŀ", "áĪ ©", "áĪ ³", "áĪ º", "áĪ ½", "áī ħ", "áī ¢", "áī ±", "áī ´", "áĬ ĥ", "áĬ į", "áĬ ĸ", "áĬ ®", "áĬ ¸", "áĭ Ľ", "áĭ Ŀ", "áĭ ³", "áĮ ģ", "áĮ ħ", "áĮ ¥", "áĮ ¦", "á Į¨", "áį Ĭ", "áį į", "áį ķ", "áį ĸ", "áį ¢", "áį ¤", "áİ Ĵ", "áİ ª", "áı ģ", "áı IJ", "áı Ł", "áIJ Ĥ", "áIJ ĸ", "áIJ Ŀ", "áIJ ŀ", "áIJ Ł", "áIJ ł", "áij ĸ", "áĴ ĭ", "áĴ į", "áĴ ¡", "áĵ «", "áĶ ķ", "áķ ĭ", "áķ ij", "áķ Ļ", "áķ ļ", "áķ Ľ", "áķ ¤", "áķ ¦", "áķ ®", "áķ ¼", "áĸ ĵ", "áĹ Ĺ", "áĹ ¢", "áĹ ¯", "áĹ ·", "áĺ Ħ", "áĺ ij", "ἠĤ", "ἠĻ", "áŀ į", "áł Ĩ", "áł ¡", "áł ¦", "áł ®", "áł ¯", "áł ²", "áł ·", "á¡ į", "á¡ ŀ", "á¡ ¤", "á ¡´", "á¡ µ", "ᤠĵ", "ᥠĸ", "ᥠ°", "ᨠ¦", "ᨠ§", "ᨠ¨", "ᨠª", "ᨠ¬", "ᨠ¯", "ᨠ³", "ᨠµ", "á© ĥ", "ᬠķ", "áŃ £", "á ±", "á± ļ", "á² ł", "á´ ĵ", "á´ ¶", "áµ Ĥ", "áµ Į", "áµ ¥", "áµ ´", "ᶠĩ", "ḠĪ", "Ḡł", "Ḡ§", "Ḡ´", "Ḡ¾", "á¹ Ģ", "á¹ ĸ", "á¹ Ł", "á¹ ł", "á¹ «", "á¹ ±", "á¹ ·", "á¹ ¿", "ẠĦ", "Ạį", "Ạij", "ẠĹ", "á¼ ī", "á¼ ĵ", "á¼ Ń", "á½ ĭ", "á½ Ĵ", "á½ ł", "á½ £", "á¾ Ħ", "á¾ ı", "á¾ ij", "á¾ Ĺ", "á¾ ¦", "á¾ §", "á¾ ¾", "á¿ Ħ", "á¿ ĵ", "á¿ ¡", "á¿ ¬", "âģ ļ", "âĤ Į", "âĦ ģ", "âĦ Ķ", "âĦ £", "âĦ §", "âĦ ¯", "âĦ °", "âĦ ´", "âħ ħ", "âĨ ľ", "âĨ «", "âĨ Ń", "âĨ ±", "âĨ ¹", "âĨ ½", "âĩ ĩ", "âĩ ľ", "âĩ µ", "âĪ ī", "âĪ Ĭ", "âĪ ĸ", "âĪ ľ", "âĪ ¾", "âī Ģ", "âī ĭ", "âī Į", "âī ĵ", "âī ľ", "âī ´", "âī ¿", "âĬ Ĭ", "âĬ ĭ", "âĬ Ķ", "âĬ ĸ", "âĬ £", "âĬ ¦", "âĭ İ", "âĭ ª", "âĭ ²", "âĮ ¦", "âĮ §", "âį º", "âİ Ī", "âİ ¨", "âİ ¬", "âİ ³", "âİ ¼", "âİ ¾", "âı Į", "âı ļ", "âı «", "âı ¯", "âı µ", "âĴ ľ", "âĴ Ŀ", "âĴ «", "âĵ Ħ", "âĵ Ĭ", "âĵ Ļ", "âĵ ©", "âĶ ij", "âĶ Ļ", "âĶ ļ", "âĶ ¥", "âķ ħ", "âķ ī", "âķ į", "âķ ı", "âķ ŀ", "âĸ ļ", "âĸ ¯", "âĹ ĥ", "âĹ ļ", "âĹ ¬", "âĹ ´", "âĺ Ī", "âĺ ¤", "âĺ ¥", "âĺ §", "âĺ ¬", "âĻ ģ", "âĻ ±", "âļ ĥ", "âļ Ħ", "âļ ħ", "âļ ı", "âļ ļ", "âļ ŀ", "âļ Ł", "âļ ±", "âļ ²", "âľ Ģ", "âľ Ł", "âľ ¢", "âĿ µ", "⣠¡", "⣠¦", "⣠§", "⣠³", "⣠¾", "⣠¿", "âł ĩ", "⤠Ħ", "⤠º", "⥠Ĥ", "⥠¹", "⧠ī", "⧠¼", "⧠½", "⨠į", "⬠Ĭ", "⬠Ł", "âŃ ŀ", "â® ŀ", "â® ³", "⯠Ī", "⯠ij", "â± ł", "â± ±", "â² Ń", "â´ ¹", "âµ ķ", "⸠¾", "â º«", "â¼ Ĩ", "â¼ ł", "â½ Ł", "â½ ¼", "â¾ Ľ", "â¾ §", "â¿ ĥ", "â¿ »", "ãĤ ķ", "ãĤ Ł", "ãĦ Ľ", "ãĦ ¡", "ãĦ ¶", "ãĦ º", "ãħ Ĵ", "ãħ Ł", "ãĨ Ģ", "ãĩ »", "ãĪ ij", "ãĪ Ń", "ãĪ ®", "ãĪ ³", "ãĪ ¹", "ãī ¥", "ãī ¦", "ãī ¹", "ãī ¿", "ãĬ ŀ", "ãĬ ¨", "ãĭ ij", "ãĭ ¥", "ãĭ ´", "ãĭ º", "ãİ Ħ", "ãİ ķ", "ãİ ¯", "ãı Ĥ", "ãı Ī", "ãı ĵ", "ãı ĸ", "ãı ±", "ãIJ ±", "ãŁ ģ", "ã ¢", "㢠¨", "ã ¨", "㨠³", "ã« ª", "ã« ´", "㶠³", "㺠¾", "ä Ģ", "äĢ Ģ", "ä ĭ", "äĭ Į", "ä ĮĢ", "äIJ Ģ", "ä łĢ", "ä ł", "äł ¼", "ä §", "ä§ ŀ", "ä¨ °", "ä¨ º", "ä ´Ģ", "ä ·", "ä· ħ", "ä ·¸", "ê Ĥ", "êĤ «", "ê Į", "êĮ ¼", "ê į", "êį ²", "êĴ µ", "ê ĵ", "êĵ ½", "êĻ Ń", "êĿ Ľ", "êĿ ¥", "ê ŀ", "êŀ Ĭ", "ê¦ Ĩ", "ê¦ ĩ", "ê¦ Ł", "ê¦ ¨", "ê§ Ī", "ê ©", "ê© Ł", "êª ĭ", "êª ij", "êª ķ", "êª Ĺ", "êª ľ", "êª ®", "êª ±", "êª »", "êª ¼", "ê« Ģ", "ê« Ŀ", "ê° ĥ", "ê° ĺ", "ê± ľ", "ê² ĵ", "ê² ļ", "ê³ Ļ", "ê³ ¾", "ê´ Ĺ", "ê´ Ļ", "êµ Ľ", "ê¶ ĥ", "ê¶ ķ", "ê¶ ¨", "ê¸ ©", "ê¸ ¿", "ê ¹Ħ", "ê¹ Ĩ", "ê¹ ī", "ê¹ ĵ", "ê¹ ¢", "ê¹ £", "ê¹ ¸", "êº ³", "ê¿ ı", "ê¿ ķ", "ê¿ §", "ëĢ ©", "ëģ ħ", "ëĥ µ", "ëĦ ĸ", "ëĦ Ĺ", "ëĦ ¢", "ëħ Ĥ", "ëĨ IJ", "ëĩ ľ", "ëĪ ĭ", "ëĪ ļ", "ëī į", "ëī ¨", "ëĬ ļ", "ëĬ ¡", "ëĭ ľ", "ëĭ ª", "ëĮ ĺ", "ëĮ ¤", "ëĮ ¸", "ëİ Ł", "ëı ¨", "ëIJ Ħ", "ëIJ ı", "ëIJ ´", "ëIJ ¸", "ëij ģ", "ëij ¿", "ëĴ ¨", "ëĵ ·", "ëĶ ®", "ëĶ ²", "ëķ §", "ëĸ Ķ", "ëĸ ª", "ëĺ Ń", "ëļ Ģ", "ëļ ł", "ëĽ Ķ", "ëĽ ©", "ëľ ħ", "ëŀ ķ", "ëŀ °", "ëŁ IJ", "ëł ¡", "ë¡ ŀ", "ë¡ £", "ë¡ µ", "ë£ Ħ", "ë£ į", "ë¤ ³", "ë¦ į", "ë¦ ı", "ë¦ ³", "ë§ Ħ", "ë§ Ĩ", "ë§ į", "ë§ ľ", "ë§ «", "ë§ »", "ë¨ ®", "ë© Ĥ", "ë© Ń", "ëª ´", "ë¬ ľ", "ë¬ ł", "ë¬ «", "ë¬ ¾", "ëŃ ¬", "ë® ĺ", "ë® ¹", "ë¯ ķ", "ë¯ ľ", "ë° ¨", "ë° ª", "ë± Ķ", "ë² ĺ", "ë² Ľ", "ë² ±", "ë² ´", "ë´ ½", "ëµ ¤", "ëµ ¨", "ë· Ĺ", "ë· ĺ", "ë¸ ĵ", "ë¸ ľ", "ë¹ ª", "ëº ĥ", "ëº ĺ", "ëº µ", "ë» ´", "ë¼ IJ", "ë¾ Ķ", "ìģ Ń", "ìĤ ł", "ìĤ ®", "ìĥ ı", "ìĥ Ļ", "ìĦ º", "ìħ ¢", "ìĨ Ģ", "ìĨ ħ", "ìĨ ¤", "ìĨ ¦", "ìĨ ¬", "ìĩ ±", "ìĪ µ", "ìĭ ¨", "ìĭ ´", "ìĮ °", "ìį ľ", "ìİ Ĺ", "ìİ ĺ", "ìİ ¼", "ìij ī", "ìij Ŀ", "ìij »", "ìĴ Ķ", "ìĴ ¯", "ìĵ ©", "ìķ IJ", "ìķ ĸ", "ìĸ ł", "ìĸ ¾", "ìĹ ĥ", "ìĹ Ĺ", "ìĹ ľ", "ìĹ ¨", "ìĺ Ĥ", "ìĺ Ħ", "ìĺ ı", "ìĺ ¾", "ìĺ ¿", "ìľ §", "ìĿ IJ", "ìĿ ĸ", "ìĿ ·", "ìŀ į", "ìŀ ı", "ìŀ ¨", "ìŀ ª", "ìŀ ³", "ìł ¡", "ìł ´", "ìł ¹", "ì¡ Ģ", "ì¡ ª", "ì¡ µ", "ì¢ IJ", "ì¢ ¨", "ì£ Į", "ì£ Ļ", "ì£ ³", "ì¦ ij", "ì§ ¥", "ì§ ´", "ì§ ¾", "ì¨ ĵ", "ì¨ ķ", "ì© °", "ì© »", "ì© ¼", "ìª Ĺ", "ì¬ Ķ", "ì¬ ĺ", "ì® ®", "ì¯ ķ", "ì¯ ĺ", "ì° İ", "ì° ¯", "ì± ĥ", "ì± µ", "ì² §", "ì² ®", "ì² ¯", "ì³ ¬", "ì´ ĭ", "ì´ ¢", "ìµ ¥", "ì¶ £", "ì¸ Ī", "ì¸ Ļ", "ìº ¤", "ìº Ń", "ì» ½", "ì¼ Ļ", "ì½ ¬", "ì¾ Ģ", "ì¿ ħ", "ì¿ ½", "íĢ ħ", "íģ ¦", "íĤ ħ", "íĥ ¶", "íĥ ¹", "íĦ Ķ", "íħ £", "íĨ Ħ", "íĨ §", "íĨ ¹", "íĩ ¼", "íī ¤", "íĬ ½", "íĭ Ĥ", "íĭ ij", "íį Ī", "íį Ļ", "íį ¿", "íİ ¶", "íIJ Ŀ", "íĴ ľ", "íĵ Ŀ", "íĵ ª", "íĵ ±", "íĵ ·", "íĵ ¼", "íĶ Ļ", "íĶ ł", "íķ ļ", "íķ Ľ", "íķ ŀ", "íķ Ł", "íķ §", "íķ ¶", "íĸ Ĭ", "íĸ ĭ", "íĸ į", "íĸ Ķ", "íĸ ĺ", "íĸ ¡", "íĸ ¬", "íĹ £", "íĹ ¿", "íĺ ĸ", "íĺ Ń", "íļ °", "íĽ į", "íĽ ½", "íĿ Ł", "íĿ Ń", "íĿ ´", "íŀ ľ", "ï¤ ī", "ï¤ Ń", "ï¤ ²", "ï¤ µ", "ï¤ ¼", "ï¥ Ģ", "ï¥ ij", "ï¥ Ĵ", "ï¥ ķ", "ï¥ ĺ", "ï¥ Ļ", "ï¥ «", "ï¥ ¬", "ï¥ °", "ï ¥¿", "ï¦ ĭ", "ï¦ ı", "ï¦ Ķ", "ï¦ ĸ", "ï¦ ĺ", "ï¦ Ľ", "ï¦ ł", "ï¦ ®", "ï¦ ¯", "ï¦ º", "ï¦ »", "ï¦ ¾", "ï§ Ĩ", "ï§ ĸ", "ï§ Ľ", "ï§ ŀ", "ï§ Ł", "ï§ §", "ï§ ³", "ï§ º", "ï§ ½", "ï¨ ĥ", "ï¨ ļ", "ï¨ ¢", "ï© Ł", "ï¬ ¤", "ï¬ ¬", "ï¬ ¼", "ïŃ Ĵ", "ïŃ ķ", "ïŃ Ľ", "ïŃ Ŀ", "ïŃ ŀ", "ïŃ Ł", "ïŃ ¤", "ïŃ §", "ïŃ ¨", "ïŃ ®", "ïŃ °", "ïŃ ±", "ïŃ ·", "ïŃ ¹", "ïŃ »", "ï® Ģ", "ï® ĥ", "ï® Ħ", "ï® ħ", "ï® į", "ï® Ĵ", "ï® ĵ", "ï® ķ", "ï® ¦", "ï® ®", "ï® °", "ï¯ ĵ", "ï¯ ľ", "ï¯ ©", "ï¯ ª", "ï¯ ¬", "ï¯ Ń", "ï¯ ®", "ï¯ ·", "ï¯ ¹", "ï¯ »", "ï¯ ¼", "ï° ĥ", "ï° Į", "ï° IJ", "ï° ĺ", "ï° Ļ", "ï° ľ", "ï° ŀ", "ï° ¢", "ï° ®", "ï° °", "ï° ¼", "ï° ¿", "ï± Ģ", "ï± ģ", "ï± Ī", "ï± ĭ", "ï± ı", "ï± Ń", "ï² Ģ", "ï² ĩ", "ï² Ī", "ï² ĭ", "ï² İ", "ï² Ĵ", "ï² ľ", "ï² ł", "ï² ¬", "ï² »", "ï³ ĩ", "ï³ Ķ", "ï³ £", "ï³ «", "ï´ ĺ", "ï´ °", "ï´ ½", "ï ¶", "ï¶ °", "ï¸ ĸ", "ï¸ ´", "ï¸ ¹", "ï¹ į", "ï¹ Ĺ", "ï¹ ¢", "ï¹ ¤", "ï¹ ©", "ï¹ ±", "ï¾ °", "ï¿ Ĥ", "ï¿ ®", "ðIJĮ °", "ðIJĮ ¹", "ðIJĮ º", "ðIJĮ ½", "ðIJį Ĥ", "ðIJį ĥ", "ðIJį Ħ", "ðIJ İ", "ðIJİ ¹", "ðIJ¤ Ĥ", "ðIJ¤ į", "ðIJ¤ ı", "ðIJ¤ ĵ", "ðIJŃ ī", "ðIJŃ į", "ðIJ° ĩ", "ðIJ° °", "ðij Ĥ", "ðijĤ Ħ", "ðij ĺ", "ðijĺ ģ", "ðĴ Ģ", "ðĴĢ ¸", "ðĴ ģ", "ðĴģ º", "ðĴ Ħ", "ðĴĦ ·", "ðĴ Ĭ", "ðĴĬ ij", "ðĴ ĭ", "ðĴĭ Ĺ", "ð ĴĮ", "ðĴĮ ¨", "ðĵĥ ¢", "ðĵĥ °", "ðĸ ł", "ðĸł ļ", "ðĿĦ ĥ", "ðĿĦ ħ", "ðĿĦ ķ", "ðĿĦ Ļ", "ðĿĦ ±", "ðĿĦ ´", "ðĿĦ ¹", "ðĿħ İ", "ðĿħ ª", "ðĿĨ £", "ðĿĨ ³", "ðĿĨ ¹", "ðĿĩ Ĭ", "ðĿĩ Ĺ", "ðĿĩ ļ", "ðĿĩ ľ", "ðĿĩ ł", "ðĿIJ ī", "ðĿIJ ĸ", "ðĿIJ ĺ", "ðĿIJ £", "ðĿIJ ±", "ðĿij Ĭ", "ðĿij Ń", "ðĿij ¼", "ðĿij ½", "ðĿĴ °", "ðĿĴ ·", "ðĿĴ ¿", "ðĿĵ ģ", "ðĿĵ ĭ", "ðĿĵ İ", "ðĿĵ Ĵ", "ðĿ ĵĺ", "ðĿĵ ¢", "ðĿĵ ¦", "ðĿĵ «", "ðĿĵ ¿", "ðĿĶ İ", "ðĿĶ ±", "ðĿĶ ´", "ðĿĶ ·", "ðĿĶ ¸", "ðĿĶ ½", "ðĿķ Ĥ", "ðĿķ ĥ", "ðĿķ ĭ", "ðĿķ ı", "ðĿķ IJ", "ðĿķ ¥", "ðĿķ ´", "ðĿķ º", "ðĿĸ IJ", "ðĿĸ Ľ", "ðĿĸ Ŀ", "ðĿĸ ŀ", "ðĿĹ ©", "ðĿĹ ³", "ðĿĹ ½", "ðĿĺ Ĭ", "ðĿĺ ĭ", "ðĿĺ Ķ", "ðĿĺ ±", "ðĿĺ ´", "ðĿĺ ¿", "ðĿĻ Ĵ", "ðĿĻ Ŀ", "ðĿĻ Ł", "ðĿĻ ¬", "ðĿĻ Ń", "ðĿĻ »", "ðĿĻ ¾", "ðĿļ Ī", "ðĿļ ĭ", "ðĿļ ij", "ðĿļ Ł", "ðĿļ ł", "ðĿļ £", "ðĿĽ ½", "ðĿľ Ĥ", "ðĿľ Ķ", "ðĿľ Ļ", "ðŁ Ģ", "ðŁĢ Ħ", "ðŁĦ ²", "ðŁĦ ¶", "ðŁħ IJ", "ðŁħ ĸ", "ðŁħ ļ", "ðŁħ Ľ", "ðŁħ ¦", "ðŁħ ¶", "ðŁħ »", "ðŁħ ¼", "ðŁĨ ĥ", "ðŁĨ Ĩ", "ðŁĨ İ", "ðŁĪ ¯", "ðŁĪ ²", "ðŁĪ ¹", "ðŁĮ ĩ", "ðŁĮ ĵ", "ðŁį ĺ", "ðŁİ ij", "ðŁİ ¿", "ðŁı ı", "ðŁı Ĵ", "ðŁı ©", "ðŁı ¯", "ðŁIJ Ģ", "ðŁij Ŀ", "ðŁĴ ¹", "ðŁĴ º", "ðŁĵ Ł", "ðŁĵ ª", "ðŁĵ ¼", "ðŁĶ Ģ", "ðŁĶ Ĥ", "ðŁĶ ĥ", "ðŁĶ ĩ", "ðŁĶ ĵ", "ðŁĶ ¢", "ðŁĶ ¤", "ðŁĶ ©", "ðŁķ ĸ", "ðŁķ ļ", "ðŁķ ľ", "ðŁķ Ŀ", "ðŁķ ŀ", "ðŁķ ł", "ðŁķ ¢", "ðŁķ ³", "ðŁĸ ĩ", "ðŁĸ ij", "ðŁĸ ¶", "ðŁĹ ģ", "Ñ ¨", "Ú İ", "á¡ Į", "Ḡ°", "ẠĢ", "á¼ ®", "á½ Ŀ", "âĦ ¬", "âļ §", "⼠¤", "ã³ ¬", "êĻ ĭ", "ê¸ ij", "ëĶ ī", "ëĹ į", "ë¡ ij", "ë¯ ij", "ë» ħ", "ë¼ Ŀ", "ìĦ IJ", "ìī ¡", "ìĭ ²", "ìı ±", "ìĹ ¤", "ìĿ ©", "ìĿ ¿", "ìŁ Ļ", "ìł °", "ì¥ ī", "íĬ Ń", "íķ ®", "ï® ı", "ðŁħ ±", "ðŁĨ Ĵ", "ðŁķ ĭ", "É ĺ", "Ê ĵ", "Õ ĥ", "à´ ´", "འħ", "áĨ º", "áĪ Ĭ", "áĪ ¨", "áĪ ¾", "áī IJ", "áĮ ĥ", "áĮ ½", "áĶ Ń", "áł Ĥ", "áł ¬", "ᨠ¸", "á© ĭ", "ᶠı", "á¾ Ķ", "á¿ IJ", "á¿ ļ", "âĻ Ļ", "âļ Ĥ", "âļ Ĺ", "â¡ ¢", "⤠¦", "ëĸ °", "ë¤ Ĥ", "ë§ ł", "ë± ĭ", "ë± IJ", "ìĽ ¢", "ìľ ¾", "ì³ ħ", "ì» ģ", "íģ »", "íĥ Ļ", "íĵ ĸ", "íĵ Ń", "íķ ±", "íĽ ľ", "ï¤ ħ", "ï¤ Ĩ", "ï¦ ĥ", "ï§ ©", "ï¨ Ĥ", "ðIJ¤ Ķ", "ðIJŃ ĵ", "ðIJ° ¼", "ðĿĵ ŀ", "ðĿĵ °", "ðĿĻ ľ", "ðĿļ ģ", "ðŁħ ¢", "ðŁı ĩ", "È ²", "Ê ¶", "Ô Ī", "Ô ij", "Ý ĵ", "Ý ¥", "ठij", "ॠ±", "ଠī", "à° ³", "à° µ", "ಠŁ", "áĢ ı", "áģ ¼", "áī ¨", "áĬ Ĵ", "áĭ ©", "áĮ Ħ", "áĮ Ķ", "áIJ §", "á ĴĮ", "áĶ ħ", "áĶ Ĭ", "áł Ħ", "ᨠģ", "Ḡĥ", "Ḡ»", "âĶ ŀ", "âĺ µ", "âļ £", "â² ¢", "ãĪ ª", "ä¶ µ", "ê² Ļ", "ê² ´", "ê³ Ĥ", "ë¡ ¼", "ìĨ Ĭ", "ì¼ ĩ", "íĭ į", "íĵ ¬", "íĵ ®", "íĵ ¶", "íĵ »", "ï¤ ¦", "ï¥ ł", "ï¥ ±", "ïŃ ²", "ðIJŃ Ĭ", "ðIJ ±ħ", "ðĸ ¥", "ðĸ¥ ¨", "ðĿij ³", "ðĿĵ ķ", "ðĿĵ ¬", "ðĿĵ ¹", "ðĿĵ ¾", "ðĿĶ ĵ", "ðĿķ į", "ðĿķ ¡", "ðĿķ ±", "ðĿĸ ĸ", "ðĿĺ ı", "ðĿĺ IJ", "ðĿĺ ļ", "ðĿĻ ®", "ðĿĻ °", "ðĿĻ ¸", "ðĿĻ º", "ðĿĻ ¼", "ðĿĻ ½", "ðĿĻ ¿", "ðĿļ Ħ", "ðĿļ ı", "ðŁħ ħ", "ðŁħ ĵ", "Æ Ī", "àł Į", "áĻ ³", "á ļĮ", "ἠħ", "ἠIJ", "ᤠĬ", "ḠĬ", "âĶ ½", "âķ Ĭ", "⼠ĩ", "⼠ı", "âĿ ª", "âĿ «", "⣠°", "ãĦ į", "ãĦ ĵ", "ãĦ §", "ãħ ĸ", "ãī «", "ê¦ Ķ", "ï± Ĭ", "ຠĤ", "áħ £", "ᥠĶ", "ᥠ¤", "âĨ ¤", "âĨ ·", "âĩ ŀ", "âĸ ¤", "âŀ ¶", "ãĪ ¼", "ï¨ ·", "ðĵı §", "âĶ ²", "âĢ ´", "âĴ Ł", "âĴ ¡", "â° Ĥ", "â° į", "â° İ", "â° IJ", "â° ij", "â° Ł", "â° ł", "â° ¡", "â¼ Ń", "ãĬ ¥", "âĴ ł", "â½ º", "ãĩ º", "ãĩ ½", "ï¨ Ĭ", "áķ ·", "âį ¨", "⺠Ł", "â½ Ĺ" ] } } ================================================ FILE: configs/qwen3_06b/tokenizer_config.json ================================================ { "add_bos_token": false, "add_prefix_space": false, "added_tokens_decoder": { "151643": { "content": "<|endoftext|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": true }, "151644": { "content": "<|im_start|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": true }, "151645": { "content": "<|im_end|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": true }, "151646": { "content": "<|object_ref_start|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": true }, "151647": { "content": "<|object_ref_end|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": true }, "151648": { "content": "<|box_start|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": true }, "151649": { "content": "<|box_end|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": true }, "151650": { "content": "<|quad_start|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": true }, "151651": { "content": "<|quad_end|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": true }, "151652": { "content": "<|vision_start|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": true }, "151653": { "content": "<|vision_end|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": true }, "151654": { "content": "<|vision_pad|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": true }, "151655": { "content": "<|image_pad|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": true }, "151656": { "content": "<|video_pad|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": true }, "151657": { "content": "", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false }, "151658": { "content": "", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false }, "151659": { "content": "<|fim_prefix|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false }, "151660": { "content": "<|fim_middle|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false }, "151661": { "content": "<|fim_suffix|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false }, "151662": { "content": "<|fim_pad|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false }, "151663": { "content": "<|repo_name|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false }, "151664": { "content": "<|file_sep|>", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false }, "151665": { "content": "", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false }, "151666": { "content": "", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false }, "151667": { "content": "", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false }, "151668": { "content": "", "lstrip": false, "normalized": false, "rstrip": false, "single_word": false, "special": false } }, "additional_special_tokens": [ "<|im_start|>", "<|im_end|>", "<|object_ref_start|>", "<|object_ref_end|>", "<|box_start|>", "<|box_end|>", "<|quad_start|>", "<|quad_end|>", "<|vision_start|>", "<|vision_end|>", "<|vision_pad|>", "<|image_pad|>", "<|video_pad|>" ], "bos_token": null, "chat_template": "{%- if tools %}\n {{- '<|im_start|>system\\n' }}\n {%- if messages[0].role == 'system' %}\n {{- messages[0].content + '\\n\\n' }}\n {%- endif %}\n {{- \"# Tools\\n\\nYou may call one or more functions to assist with the user query.\\n\\nYou are provided with function signatures within XML tags:\\n\" }}\n {%- for tool in tools %}\n {{- \"\\n\" }}\n {{- tool | tojson }}\n {%- endfor %}\n {{- \"\\n\\n\\nFor each function call, return a json object with function name and arguments within XML tags:\\n\\n{\\\"name\\\": , \\\"arguments\\\": }\\n<|im_end|>\\n\" }}\n{%- else %}\n {%- if messages[0].role == 'system' %}\n {{- '<|im_start|>system\\n' + messages[0].content + '<|im_end|>\\n' }}\n {%- endif %}\n{%- endif %}\n{%- set ns = namespace(multi_step_tool=true, last_query_index=messages|length - 1) %}\n{%- for message in messages[::-1] %}\n {%- set index = (messages|length - 1) - loop.index0 %}\n {%- if ns.multi_step_tool and message.role == \"user\" and not(message.content.startswith('') and message.content.endswith('')) %}\n {%- set ns.multi_step_tool = false %}\n {%- set ns.last_query_index = index %}\n {%- endif %}\n{%- endfor %}\n{%- for message in messages %}\n {%- if (message.role == \"user\") or (message.role == \"system\" and not loop.first) %}\n {{- '<|im_start|>' + message.role + '\\n' + message.content + '<|im_end|>' + '\\n' }}\n {%- elif message.role == \"assistant\" %}\n {%- set content = message.content %}\n {%- set reasoning_content = '' %}\n {%- if message.reasoning_content is defined and message.reasoning_content is not none %}\n {%- set reasoning_content = message.reasoning_content %}\n {%- else %}\n {%- if '' in message.content %}\n {%- set content = message.content.split('')[-1].lstrip('\\n') %}\n {%- set reasoning_content = message.content.split('')[0].rstrip('\\n').split('')[-1].lstrip('\\n') %}\n {%- endif %}\n {%- endif %}\n {%- if loop.index0 > ns.last_query_index %}\n {%- if loop.last or (not loop.last and reasoning_content) %}\n {{- '<|im_start|>' + message.role + '\\n\\n' + reasoning_content.strip('\\n') + '\\n\\n\\n' + content.lstrip('\\n') }}\n {%- else %}\n {{- '<|im_start|>' + message.role + '\\n' + content }}\n {%- endif %}\n {%- else %}\n {{- '<|im_start|>' + message.role + '\\n' + content }}\n {%- endif %}\n {%- if message.tool_calls %}\n {%- for tool_call in message.tool_calls %}\n {%- if (loop.first and content) or (not loop.first) %}\n {{- '\\n' }}\n {%- endif %}\n {%- if tool_call.function %}\n {%- set tool_call = tool_call.function %}\n {%- endif %}\n {{- '\\n{\"name\": \"' }}\n {{- tool_call.name }}\n {{- '\", \"arguments\": ' }}\n {%- if tool_call.arguments is string %}\n {{- tool_call.arguments }}\n {%- else %}\n {{- tool_call.arguments | tojson }}\n {%- endif %}\n {{- '}\\n' }}\n {%- endfor %}\n {%- endif %}\n {{- '<|im_end|>\\n' }}\n {%- elif message.role == \"tool\" %}\n {%- if loop.first or (messages[loop.index0 - 1].role != \"tool\") %}\n {{- '<|im_start|>user' }}\n {%- endif %}\n {{- '\\n\\n' }}\n {{- message.content }}\n {{- '\\n' }}\n {%- if loop.last or (messages[loop.index0 + 1].role != \"tool\") %}\n {{- '<|im_end|>\\n' }}\n {%- endif %}\n {%- endif %}\n{%- endfor %}\n{%- if add_generation_prompt %}\n {{- '<|im_start|>assistant\\n' }}\n {%- if enable_thinking is defined and enable_thinking is false %}\n {{- '\\n\\n\\n\\n' }}\n {%- endif %}\n{%- endif %}", "clean_up_tokenization_spaces": false, "eos_token": "<|endoftext|>", "errors": "replace", "model_max_length": 131072, "pad_token": "<|endoftext|>", "split_special_tokens": false, "tokenizer_class": "Qwen2Tokenizer", "unk_token": null } ================================================ FILE: configs/qwen3_06b/vocab.json ================================================ {"!":0,"\"":1,"#":2,"$":3,"%":4,"&":5,"'":6,"(":7,")":8,"*":9,"+":10,",":11,"-":12,".":13,"/":14,"0":15,"1":16,"2":17,"3":18,"4":19,"5":20,"6":21,"7":22,"8":23,"9":24,":":25,";":26,"<":27,"=":28,">":29,"?":30,"@":31,"A":32,"B":33,"C":34,"D":35,"E":36,"F":37,"G":38,"H":39,"I":40,"J":41,"K":42,"L":43,"M":44,"N":45,"O":46,"P":47,"Q":48,"R":49,"S":50,"T":51,"U":52,"V":53,"W":54,"X":55,"Y":56,"Z":57,"[":58,"\\":59,"]":60,"^":61,"_":62,"`":63,"a":64,"b":65,"c":66,"d":67,"e":68,"f":69,"g":70,"h":71,"i":72,"j":73,"k":74,"l":75,"m":76,"n":77,"o":78,"p":79,"q":80,"r":81,"s":82,"t":83,"u":84,"v":85,"w":86,"x":87,"y":88,"z":89,"{":90,"|":91,"}":92,"~":93,"¡":94,"¢":95,"£":96,"¤":97,"¥":98,"¦":99,"§":100,"¨":101,"©":102,"ª":103,"«":104,"¬":105,"®":106,"¯":107,"°":108,"±":109,"²":110,"³":111,"´":112,"µ":113,"¶":114,"·":115,"¸":116,"¹":117,"º":118,"»":119,"¼":120,"½":121,"¾":122,"¿":123,"À":124,"Á":125,"Â":126,"Ã":127,"Ä":128,"Å":129,"Æ":130,"Ç":131,"È":132,"É":133,"Ê":134,"Ë":135,"Ì":136,"Í":137,"Î":138,"Ï":139,"Ð":140,"Ñ":141,"Ò":142,"Ó":143,"Ô":144,"Õ":145,"Ö":146,"×":147,"Ø":148,"Ù":149,"Ú":150,"Û":151,"Ü":152,"Ý":153,"Þ":154,"ß":155,"à":156,"á":157,"â":158,"ã":159,"ä":160,"å":161,"æ":162,"ç":163,"è":164,"é":165,"ê":166,"ë":167,"ì":168,"í":169,"î":170,"ï":171,"ð":172,"ñ":173,"ò":174,"ó":175,"ô":176,"õ":177,"ö":178,"÷":179,"ø":180,"ù":181,"ú":182,"û":183,"ü":184,"ý":185,"þ":186,"ÿ":187,"Ā":188,"ā":189,"Ă":190,"ă":191,"Ą":192,"ą":193,"Ć":194,"ć":195,"Ĉ":196,"ĉ":197,"Ċ":198,"ċ":199,"Č":200,"č":201,"Ď":202,"ď":203,"Đ":204,"đ":205,"Ē":206,"ē":207,"Ĕ":208,"ĕ":209,"Ė":210,"ė":211,"Ę":212,"ę":213,"Ě":214,"ě":215,"Ĝ":216,"ĝ":217,"Ğ":218,"ğ":219,"Ġ":220,"ġ":221,"Ģ":222,"ģ":223,"Ĥ":224,"ĥ":225,"Ħ":226,"ħ":227,"Ĩ":228,"ĩ":229,"Ī":230,"ī":231,"Ĭ":232,"ĭ":233,"Į":234,"į":235,"İ":236,"ı":237,"IJ":238,"ij":239,"Ĵ":240,"ĵ":241,"Ķ":242,"ķ":243,"ĸ":244,"Ĺ":245,"ĺ":246,"Ļ":247,"ļ":248,"Ľ":249,"ľ":250,"Ŀ":251,"ŀ":252,"Ł":253,"ł":254,"Ń":255,"ĠĠ":256,"ĠĠĠĠ":257,"in":258,"Ġt":259,"ĠĠĠĠĠĠĠĠ":260,"er":261,"ĠĠĠ":262,"on":263,"Ġa":264,"re":265,"at":266,"st":267,"en":268,"or":269,"Ġth":270,"ĊĊ":271,"Ġc":272,"le":273,"Ġs":274,"it":275,"an":276,"ar":277,"al":278,"Ġthe":279,";Ċ":280,"Ġp":281,"Ġf":282,"ou":283,"Ġ=":284,"is":285,"ĠĠĠĠĠĠĠ":286,"ing":287,"es":288,"Ġw":289,"ion":290,"ed":291,"ic":292,"Ġb":293,"Ġd":294,"et":295,"Ġm":296,"Ġo":297,"ĉĉ":298,"ro":299,"as":300,"el":301,"ct":302,"nd":303,"Ġin":304,"Ġh":305,"ent":306,"id":307,"Ġn":308,"am":309,"ĠĠĠĠĠĠĠĠĠĠĠ":310,"Ġto":311,"Ġre":312,"--":313,"Ġ{":314,"Ġof":315,"om":316,");Ċ":317,"im":318,"čĊ":319,"Ġ(":320,"il":321,"//":322,"Ġand":323,"ur":324,"se":325,"Ġl":326,"ex":327,"ĠS":328,"ad":329,"Ġ\"":330,"ch":331,"ut":332,"if":333,"**":334,"Ġ}":335,"em":336,"ol":337,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":338,"th":339,")Ċ":340,"Ġ{Ċ":341,"Ġg":342,"ig":343,"iv":344,",Ċ":345,"ce":346,"od":347,"Ġv":348,"ate":349,"ĠT":350,"ag":351,"ay":352,"Ġ*":353,"ot":354,"us":355,"ĠC":356,"Ġst":357,"ĠI":358,"un":359,"ul":360,"ue":361,"ĠA":362,"ow":363,"Ġ'":364,"ew":365,"Ġ<":366,"ation":367,"()":368,"Ġfor":369,"ab":370,"ort":371,"um":372,"ame":373,"Ġis":374,"pe":375,"tr":376,"ck":377,"âĢ":378,"Ġy":379,"ist":380,"----":381,".ĊĊ":382,"he":383,"Ġe":384,"lo":385,"ĠM":386,"Ġbe":387,"ers":388,"Ġon":389,"Ġcon":390,"ap":391,"ub":392,"ĠP":393,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":394,"ass":395,"int":396,">Ċ":397,"ly":398,"urn":399,"Ġ$":400,";ĊĊ":401,"av":402,"port":403,"ir":404,"->":405,"nt":406,"ction":407,"end":408,"Ġde":409,"ith":410,"out":411,"turn":412,"our":413,"ĠĠĠĠĠ":414,"lic":415,"res":416,"pt":417,"==":418,"Ġthis":419,"Ġwh":420,"Ġif":421,"ĠD":422,"ver":423,"age":424,"ĠB":425,"ht":426,"ext":427,"=\"":428,"Ġthat":429,"****":430,"ĠR":431,"Ġit":432,"ess":433,"ĠF":434,"Ġr":435,"os":436,"and":437,"Ġas":438,"ect":439,"ke":440,"rom":441,"Ġ//":442,"con":443,"ĠL":444,"(\"":445,"qu":446,"lass":447,"Ġwith":448,"iz":449,"de":450,"ĠN":451,"Ġal":452,"op":453,"up":454,"get":455,"Ġ}Ċ":456,"ile":457,"Ġan":458,"ata":459,"ore":460,"ri":461,"Ġpro":462,";čĊ":463,"ĉĉĉĉ":464,"ter":465,"ain":466,"ĠW":467,"ĠE":468,"Ġcom":469,"Ġreturn":470,"art":471,"ĠH":472,"ack":473,"import":474,"ublic":475,"Ġor":476,"est":477,"ment":478,"ĠG":479,"able":480,"Ġ-":481,"ine":482,"ill":483,"ind":484,"ere":485,"::":486,"ity":487,"Ġ+":488,"Ġtr":489,"elf":490,"ight":491,"('":492,"orm":493,"ult":494,"str":495,"..":496,"\",":497,"Ġyou":498,"ype":499,"pl":500,"Ġnew":501,"Ġj":502,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":503,"Ġfrom":504,"Ġex":505,"ĠO":506,"ld":507,"Ġ[":508,"oc":509,":Ċ":510,"Ġse":511,"Ġle":512,"--------":513,".s":514,"{Ċ":515,"',":516,"ant":517,"Ġat":518,"ase":519,".c":520,"Ġch":521,"":589,"ust":590,"que":591,"Ġres":592,"))":593,"'s":594,"Ġk":595,"ans":596,"yst":597,"unction":598,"********":599,"Ġi":600,"Ġus":601,"pp":602,"one":603,"ail":604,"====":605,"name":606,"Ġstr":607,"Ġ/":608,"Ġ&":609,"ach":610,"div":611,"ystem":612,"ell":613,"Ġhave":614,"err":615,"ould":616,"ull":617,"pon":618,"ĠJ":619,"_p":620,"Ġ==":621,"ign":622,"St":623,".Ċ":624,"Ġpl":625,");ĊĊ":626,"form":627,"put":628,"ount":629,"}ĊĊ":630,"dd":631,"ite":632,"Ġget":633,"rr":634,"ome":635,"ĠâĢ":636,"aram":637,"cc":638,"Ġ*/":639,"ER":640,"In":641,"les":642,"_s":643,"ong":644,"ie":645,"Ġcan":646,"ĠV":647,"erv":648,"pr":649,"Ġun":650,"row":651,"ber":652,"Ġdo":653,"ll":654,"Ġel":655,"Ġself":656,"ated":657,"ary":658,"Ġ.":659,"']":660,"ud":661,"Ġen":662,"ĠTh":663,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":664,"te":665,"_c":666,"uct":667,"Ġab":668,"ork":669,".get":670,"Ġ#":671,"aw":672,"ress":673,"ob":674,"Name":675,"app":676,"['":677,"Ġall":678,"ory":679,"ition":680,"ance":681,"ear":682,"Ġcont":683,"vent":684,"ia":685,"Ġwill":686,"IN":687,"ĠĠĠĠĠĠĠĠĠ":688,"return":689,"Ġ":755,"\",Ċ":756,"ec":757,"ĠIn":758,"ph":759,"Ġ|":760,"_f":761,"Ġvar":762,"ence":763,"Id":764,"ree":765,"ink":766,"lect":767,"ug":768,"eth":769,"Ġelse":770,"----------------":771,"cont":772,"Ġso":773,"atic":774,"Ġlo":775,"pro":776,"ton":777,"ss":778,"own":779,"abel":780,"oint":781,"ous":782,"eld":783,"ST":784,"The":785,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":786,"RE":787,"\":":788,"olor":789,"tp":790,"eg":791,"key":792,"ude":793,"ĠSt":794,"ound":795,"Ġar":796,"\");Ċ":797,"ener":798,"ser":799,"bject":800,"essage":801,"fer":802,"Ġmore":803,"ations":804,"ents":805,"Ġhis":806,"Ġthey":807,".S":808,"ĠY":809,"use":810,"ne":811,"ish":812,"old":813,"_d":814,"io":815,"ield":816,"Ġper":817,"Cont":818,"ings":819,"####":820,"Ġdata":821,"Ġsa":822,"ef":823,"fo":824,"Ġone":825,"eng":826,"Ġdis":827,"AT":828,"Ġname":829,"Ġtrue":830,"val":831,"led":832,".f":833,"Ġne":834,"Ġend":835,".T":836,"cre":837,"ark":838,"log":839,"Ex":840,"error":841,"_id":842,"urre":843,"ange":844,"Ġnull":845,"rray":846,"Ġmy":847,"pan":848,"ict":849,"ator":850,"View":851,"List":852,"ĉreturn":853,"âĢĿ":854,"Ġpre":855,"Ġx":856,"clude":857,"arg":858,"ov":859,".h":860,"Ġ>":861,"Ġtheir":862,"')":863,"irst":864,"ick":865,"gh":866,"LE":867,"OR":868,"Ġprivate":869,"tem":870,"čĊčĊ":871,"user":872,"Ġ)":873,"com":874,".A":875,"\";Ċ":876,"Ġid":877,"read":878,"Ġwho":879,"_b":880,"\">Ċ":881,"Ġtime":882,"Ġman":883,"ry":884,"========":885,"roup":886,"rop":887,"public":888,"vel":889,"umber":890,"ble":891,"Ġwhich":892,"****************":893,"Ġany":894,"Ġfalse":895,"we":896,"Ġvalue":897,"Ġli":898,"\")":899,"nder":900,"gr":901,"Ġno":902,"param":903,"fig":904,".com":905,"Ġapp":906,"_l":907,"ions":908,".D":909,"ĠCh":910,"Ġabout":911,"Ġadd":912,"Ġsu":913,"Ġstring":914,"ID":915,"Ġover":916,"string":917,".l":918,"ource":919,"_C":920,"]Ċ":921,"Ġqu":922,"ĠString":923,"ca":924,"SE":925,"Ġro":926,"sh":927,"ual":928,"Type":929,"son":930,"new":931,"ern":932,"Ġag":933,"AR":934,"];Ċ":935,"].":936,"Ġ?":937,"ical":938,"Ġdes":939,"uth":940,"ix":941,"ays":942,"Ġtype":943,"'t":944,"ault":945,"Ġinter":946,"var":947,".b":948,"Ġpart":949,".d":950,"urrent":951,"IT":952,"EN":953,"enc":954,"(f":955,"ra":956,"value":957,"cho":958,"utton":959,"ose":960,"Ġ!=":961,"ater":962,"é":963,"reate":964,"oll":965,"pos":966,"yle":967,"ng":968,"AL":969,"using":970,"ames":971,"Ġ{čĊ":972,"ates":973,"ely":974,"Ġwork":975,"Ġem":976,"inal":977,"Ġsp":978,"Ġwhen":979,".set":980,"ĠĠĠĠĠĠ":981,"):Ċ":982,"to":983,"quire":984,"indow":985,"lement":986,"pect":987,"ash":988,"[i":989,"Ġuse":990,".F":991,"pec":992,"Ġad":993,"ove":994,"ception":995,"ength":996,"include":997,"ader":998,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":999,"atus":1000,"Th":1001,"itle":1002,"rit":1003,"void":1004,"().":1005,"(Ċ":1006,"Ġoff":1007,"Ġother":1008,"Ġ&&":1009,"';Ċ":1010,"ms":1011,"Ġbeen":1012,"Ġte":1013,"ml":1014,"co":1015,"nc":1016,"ervice":1017,"Ġ%":1018,"**Ċ":1019,"ann":1020,"ade":1021,"ĊĊĊĊ":1022,"lock":1023,"const":1024,"ponse":1025,"Ġsup":1026,"++":1027,"date":1028,"Ġacc":1029,"Ġhad":1030,"Ġbu":1031,"ĠRe":1032,"Ġwere":1033,"Ġfile":1034,"Ġwould":1035,"ĠâĢľ":1036,"ven":1037,"iss":1038,"Ġour":1039,"class":1040,"raw":1041,"Ġyear":1042,"Data":1043,"Ġval":1044,"Ġsome":1045,"fter":1046,"ys":1047,"Ġ///":1048,"round":1049,"view":1050,"Ġpe":1051,"Ġthere":1052,"Ġsaid":1053,"du":1054,"of":1055,"line":1056,"/*":1057,"duct":1058,"Ġher":1059,"ĠĠĠĠĠĠĠĠĠĠĠĠĠ":1060,"Res":1061,"Ġco":1062,"Ġcomm":1063,"ise":1064,"min":1065,"ĠĠĠĠĊ":1066,"#include":1067,"ethod":1068,".P":1069,"ute":1070,"Ġass":1071,"Int":1072,"ask":1073,"loc":1074,"Ġlike":1075,"ody":1076,"Ġlet":1077,"load":1078,"Ġam":1079,"rol":1080,"Ġgr":1081,"yp":1082,"Ġalso":1083,"ĠIt":1084,"url":1085,"ific":1086,"ors":1087,"_P":1088,"_n":1089,"igh":1090,"Ġthan":1091,"Com":1092,"AN":1093,"UL":1094,"ating":1095,"ĠThis":1096,"ref":1097,"_S":1098,"Ġstatic":1099,"roll":1100,"Ġjust":1101,"Ġresult":1102,"ian":1103,"idth":1104,"Ġthem":1105,"));Ċ":1106,"der":1107,"reak":1108,"Con":1109,"://":1110,"ule":1111,"...":1112,"arch":1113,"ement":1114,"Ġ<<":1115,"ush":1116,"ense":1117,"arr":1118,"Ġinto":1119,"cess":1120,"amp":1121,"ied":1122,"ument":1123,"Ġ\\":1124,"],":1125,"wo":1126,"als":1127,"Ġwhat":1128,"anc":1129,"Value":1130,"='":1131,"olum":1132,"Ġpos":1133,"ages":1134,"ayer":1135,"Ġsc":1136,"ues":1137,"\")Ċ":1138,"_T":1139,"Ġlist":1140,"(s":1141,"Ġcase":1142,"Ch":1143,"ĉĉĉĉĉ":1144,"////////":1145,"ponent":1146,"Ġz":1147,"Ġkn":1148,"let":1149,"DE":1150,"red":1151,"Ġfe":1152,"Ġ},Ċ":1153,"Ġ,":1154,"(t":1155,"Ġfirst":1156,"');Ċ":1157,"word":1158,"Ġimport":1159,"Ġact":1160,"Ġchar":1161,"CT":1162,"ĠTr":1163,"ople":1164,"={":1165,"ĉf":1166,"ient":1167,"cent":1168,".j":1169,"lection":1170,"))Ċ":1171,"Ġonly":1172,"Ġprint":1173,"mer":1174,".W":1175,"ock":1176,"Ġ--":1177,"Text":1178,"Ġop":1179,"ank":1180,"Ġits":1181,"Ġback":1182,"[\"":1183,"Ġneed":1184,"Ġcl":1185,"Ġsub":1186,"Ġla":1187,"((":1188,".\"":1189,"Object":1190,"Ġstart":1191,"file":1192,"(self":1193,"ner":1194,"ey":1195,"Ġuser":1196,"Ġent":1197,"ĠCom":1198,"its":1199,"ĠCon":1200,"ouble":1201,"ower":1202,"item":1203,"very":1204,"ĠWe":1205,"lick":1206,"ĠQ":1207,"php":1208,"ttp":1209,"':":1210,"ics":1211,"Ġunder":1212,"Ġ*Ċ":1213,".L":1214,");":1215,"ices":1216,"Ġreg":1217,")čĊ":1218,"ĉpublic":1219,"SS":1220,"Ġthen":1221,"reat":1222,"ious":1223,".G":1224,"ek":1225,"irect":1226,"heck":1227,"cript":1228,"ning":1229,"ĠUn":1230,"Ġmay":1231,"ĠWh":1232,"Bo":1233,"Item":1234,"struct":1235,".st":1236,"ream":1237,"ible":1238,"loat":1239,"Ġorg":1240,"und":1241,"sum":1242,"_in":1243,"../":1244,"_M":1245,"Ġhow":1246,"rite":1247,"'Ċ":1248,"To":1249,"ww":1250,"Ġpeople":1251,"index":1252,".n":1253,"http":1254,"(m":1255,"ector":1256,"Ġind":1257,"Ġjav":1258,"],Ċ":1259,"ĠHe":1260,"_st":1261,"ful":1262,"ole":1263,"){Ċ":1264,"Ġshould":1265,"opy":1266,"elp":1267,"ier":1268,"_name":1269,"erson":1270,"ION":1271,"ote":1272,"Ġtest":1273,"Ġbet":1274,"rror":1275,"ular":1276,"ãĢ":1277,"ĠÐ":1278,"bs":1279,"ting":1280,"Ġmake":1281,"Tr":1282,"Ġafter":1283,"arget":1284,"RO":1285,"olumn":1286,"rc":1287,"_re":1288,"define":1289,"Ġright":1290,"right":1291,"day":1292,"Ġlong":1293,"[]":1294,"(p":1295,"td":1296,"cond":1297,"ĠPro":1298,"Ġrem":1299,"ptions":1300,"vid":1301,".g":1302,"Ġext":1303,"Ġ__":1304,"')Ċ":1305,"pace":1306,"mp":1307,"Ġmin":1308,"stance":1309,"air":1310,"action":1311,"wh":1312,"type":1313,"util":1314,"ait":1315,"ĊĊ":1339,"Ġshe":1340,"\"]":1341,"aph":1342,"Ġexp":1343,"erty":1344,"ĠSe":1345,"Ġpar":1346,"unc":1347,"ET":1348,"Ġread":1349,"print":1350,"Ġrel":1351,"Ġform":1352,"Ġdr":1353,"Exception":1354,"input":1355,"Ġtrans":1356,"########":1357,"order":1358,"By":1359,"Ġaw":1360,"ities":1361,"uff":1362,"play":1363,".add":1364,"ĠâĢĵ":1365,"Ġwant":1366,"Ġcomp":1367,"ments":1368,"Ġ||":1369,"az":1370,"be":1371,"Ġnumber":1372,"Ġrequire":1373,"ĠEx":1374,"Ġcol":1375,"Ġkey":1376,"ember":1377,"Ġtwo":1378,"Ġsize":1379,"Ġwhere":1380,"UT":1381,"result":1382,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":1383,"ough":1384,"orld":1385,"ood":1386,"uch":1387,"ative":1388,"ger":1389,"arent":1390,"Ġ/*":1391,"Ġarg":1392,"Ġwhile":1393,"(this":1394,"Ġrec":1395,"Ġdif":1396,"State":1397,"Ġspec":1398,"ride":1399,"_F":1400,"Ġlook":1401,"AM":1402,"ility":1403,"eter":1404,"âĢĻt":1405,"ĊĊĊ":1406,"ayout":1407,"--------------------------------":1408,"ager":1409,"Ġcould":1410,"Ġbr":1411,"ends":1412,"ures":1413,"Ġknow":1414,"ets":1415,"ĠIf":1416,"ĠSh":1417,".w":1418,"back":1419,"Ġser":1420,"Ġ+=":1421,"Ġfr":1422,"());Ċ":1423,"Ġhand":1424,"Ind":1425,"ULL":1426,"Im":1427,"();ĊĊ":1428,"Ġmost":1429,"Ġtry":1430,"Ġnow":1431,"rough":1432,">čĊ":1433,"ackage":1434,"Ġhim":1435,"._":1436,"ify":1437,"Ġbreak":1438,"Ġ);Ċ":1439,"ren":1440,"#define":1441,"itt":1442,"Ġap":1443,"ĉc":1444,"(n":1445,"ĠYou":1446,":ĊĊ":1447,"-m":1448,"Ġevery":1449,"ustom":1450,"lient":1451,"ocument":1452,"cription":1453,"Error":1454,"-b":1455,"о":1456,"][":1457,"trans":1458,"Ġpoint":1459,"Ġstd":1460,"Ġfil":1461,"Time":1462,"Ġmod":1463,"Ġ->":1464,"Ġerror":1465,"ah":1466,"Ġtext":1467,"roller":1468,"lose":1469,"ql":1470,"Ġpol":1471,"><":1784,".B":1785,"-c":1786,"Ġopen":1787,"Ġest":1788,"ĠĠĠĠĠĠĠĠĊ":1789,"Ġnext":1790,"IM":1791,"ÑĤ":1792,"OT":1793,"ó":1794,"Ġfollow":1795,"content":1796,"ĠĠĠĠĠĠĠĠĠĠĠĠ":1797,"Ġinclud":1798,"HE":1799,"ĠRes":1800,"Ġhref":1801,"и":1802,"Ġcar":1803,"ypes":1804,"image":1805,"Un":1806,"Ġbool":1807,"AD":1808,"Ġgame":1809,".Form":1810,"rows":1811,"*/":1812,"velop":1813,".Drawing":1814,"Ġpath":1815,"ision":1816,"Ġeach":1817,"ĠPl":1818,"_type":1819,"Path":1820,"nection":1821,"Ġav":1822,"').":1823,"Ġsupport":1824,"ENT":1825,"rem":1826,"\").":1827,"Ġown":1828,"Ġcor":1829,"count":1830,"miss":1831,"ually":1832,"Ġmem":1833,"std":1834,"ience":1835,"search":1836,"\"ĊĊ":1837,"Form":1838,"Ġsex":1839,"ename":1840,"Ġsign":1841,"Ġet":1842,"ĠĠĠĠĠĠĠĠĠĠ":1843,"','":1844,"ĠApp":1845,"Ġthose":1846,"off":1847,"Ġerr":1848,"Ġsystem":1849,"Ġbest":1850,"code":1851,"Ġsame":1852,"Ġdi":1853,"uss":1854,"Ġcreate":1855,"ather":1856,"Array":1857,".in":1858,"fe":1859,"Service":1860,"UN":1861,"ats":1862,"ĠZ":1863,"alth":1864,"Ġmade":1865,"true":1866,"AB":1867,"Ġmark":1868,"rid":1869,"ified":1870,",čĊ":1871,"yn":1872,"press":1873,"Ġgroup":1874,"Ġfin":1875,"ĠLicense":1876,"Field":1877,"eger":1878,"Ġworld":1879,"iness":1880,"ty":1881,"Ġprocess":1882,"(b":1883,"Ġcre":1884,"arn":1885,"ives":1886,"Ġmain":1887,"ideo":1888,"_g":1889,"AG":1890,"valid":1891,"img":1892,"PI":1893,"Ġcolor":1894,"Ġreport":1895,"Ġtake":1896,"rib":1897,"OM":1898,"Ġday":1899,"Request":1900,"Ġsk":1901,"bers":1902,"ĉs":1903,".Add":1904,"oot":1905,"Image":1906,"Ġcomple":1907,"ollection":1908,"Ġtop":1909,"Ġfree":1910,"AS":1911,"De":1912,"ĠOn":1913,"IG":1914,"eta":1915,"Date":1916,"Ġaction":1917,"Over":1918,"itor":1919,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":1920,"not":1921,"Ġindex":1922,"her":1923,"icon":1924,"On":1925,";čĊčĊ":1926,"ivity":1927,"mand":1928,".Windows":1929,"OL":1930,"Ġreal":1931,"Ġmax":1932,"land":1933,"....":1934,"raph":1935,"Ġbuild":1936,"leg":1937,"assword":1938,"?ĊĊ":1939,"âĢ¦":1940,"ook":1941,"uck":1942,"Ġmessage":1943,"test":1944,"ivers":1945,"Ġinput":1946,"Ġart":1947,"Ġbetween":1948,"Get":1949,"enter":1950,"ground":1951,"ene":1952,"á":1953,".length":1954,"Node":1955,"(i":1956,"Class":1957,"for":1958,"ĠâĢĶ":1959,"ten":1960,"oin":1961,"Ġke":1962,"ui":1963,"ĠIN":1964,"Ġtable":1965,"sub":1966,"ĠLe":1967,"Ġhead":1968,"Ġmust":1969,"////////////////":1970,".util":1971,"Context":1972,"Ġorder":1973,"Ġmov":1974,"over":1975,"Ġcontin":1976,"Ġsay":1977,"static":1978,".Text":1979,"ĠclassName":1980,"pany":1981,"Ġter":1982,"head":1983,"rg":1984,"Ġproduct":1985,"This":1986,".âĢĿ":1987,"ĠBut":1988,"loy":1989,"Ġdouble":1990,"sg":1991,"Ġplace":1992,".x":1993,"message":1994,"Ġinformation":1995,"private":1996,"Ġoper":1997,"ced":1998,"db":1999,"\">":2179,"aterial":2180,"iled":2181,"Ġput":2182,"Qu":2183,"ÑĢ":2184,"ung":2185,"map":2186,"ĉĉĉĉĉĉĉĉ":2187,"Ġlevel":2188,"Component":2189,"book":2190,"creen":2191,"_RE":2192,"Ġconfig":2193,"ãģ":2194,"Or":2195,".data":2196,"Ġdocument":2197,"\",\"":2198,"tribute":2199,"ux":2200,"Log":2201,"ference":2202,"post":2203,"_e":2204,"Ġlocal":2205,"andom":2206,"assert":2207,"Val":2208,"lected":2209,"ina":2210,"atabase":2211,"Add":2212,"Ġcontent":2213,".print":2214,"signed":2215,"ric":2216,".\"ĊĊ":2217,"Ġfa":2218,"!ĊĊ":2219,"-f":2220,"ived":2221,"Ġquest":2222,".ex":2223,"Ġfloat":2224,"Ġdevelop":2225,"оÐ":2226,"Map":2227,"ading":2228,"Ġposs":2229,"UE":2230,"namespace":2231,"_O":2232,"ĉb":2233,".Get":2234,">(":2235,"json":2236,"etails":2237,"Ġtoo":2238,"Ġextends":2239,"ĠNone":2240,"Ġfore":2241,"(String":2242,"format":2243,"Ġgreat":2244,"inter":2245,"cale":2246,"Ñģ":2247,"ron":2248,"iving":2249,"Ent":2250,"ency":2251,"xt":2252,"oy":2253,"Ġmonth":2254,"Ġhapp":2255,"Ġsuper":2256,"bar":2257,"default":2258,"_de":2259,"ords":2260,"ln":2261,"({Ċ":2262,"ĠInd":2263,"ases":2264,"Ġtitle":2265,"Ġcontext":2266,"oh":2267,"-p":2268,"Em":2269,"Ġmet":2270,"Test":2271,"Ġlife":2272,"_v":2273,"ĠUS":2274,"UI":2275,"ocation":2276,"md":2277,"Ġ[Ċ":2278,"Ġ]":2279,"sw":2280,"Ġincre":2281,"script":2282,"ential":2283,"ways":2284,".de":2285,"Ġsrc":2286,"Ġcatch":2287,"ĠAmeric":2288,"//Ċ":2289,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":2290,"Ġpay":2291,"plit":2292,"âĢĶ":2293,"Ġcoun":2294,"obj":2295,".php":2296,"Ġchange":2297,"ething":2298,"'re":2299,"aster":2300,"los":2301,"lation":2302,"ĠĠĊ":2303,"Le":2304,"ä":2305,"({":2306,"ready":2307,"ĠNo":2308,"Ġposition":2309,"Ġold":2310,"Ġbook":2311,"abled":2312,"bug":2313,"Hand":2314,"};ĊĊ":2315,"isplay":2316,"aving":2317,"Ġgover":2318,"Ġversion":2319,"System":2320,"nect":2321,"response":2322,"Style":2323,"Up":2324,"angu":2325,"Ġthree":2326,"init":2327,"ero":2328,"Ġlaw":2329,"endif":2330,"Ġbase":2331,"email":2332,"(l":2333,"_V":2334,"Ġconf":2335,"ATE":2336,"Ġduring":2337,"tes":2338,"Ġconsole":2339,"ĠPr":2340,"Ġspe":2341,"ves":2342,"path":2343,"ialog":2344,"dition":2345,"_to":2346,"ards":2347,"Ġagainst":2348,"etwork":2349,"ĠPh":2350,"_L":2351,"cur":2352,"imit":2353,"With":2354,"Ġpower":2355,"ium":2356,"';ĊĊ":2357,"Ġwom":2358,"left":2359,"ources":2360,"atri":2361,"ĠIm":2362,"ĠMan":2363,"orth":2364,"${":2365,"quals":2366,"ese":2367,"_size":2368,"Ġiss":2369,"otal":2370,"-g":2371,"ique":2372,"rame":2373,"Ġwidth":2374,"erg":2375,")(":2376,"ittle":2377,"TR":2378,"ĠThey":2379,"ences":2380,"rl":2381,"ons":2382,"Ġlabel":2383,".y":2384,"-t":2385,"update":2386,"anel":2387,"sc":2388,".to":2389,"Ġproject":2390,"ü":2391,"Ġelement":2392,"Ġsuccess":2393,"ĉĉĊ":2394,".sh":2395,"ram":2396,"ched":2397,"())Ċ":2398,"Ġ(Ċ":2399,"Ġdate":2400,"Ġtot":2401,"_ST":2402,"All":2403,"ification":2404,"ĉvar":2405,"Ġtri":2406,"chem":2407,"my":2408,"Ġbig":2409,"ĠAd":2410,"ĠAt":2411,"ots":2412,"num":2413,"Act":2414,"Ġmap":2415,"era":2416,"cope":2417,".$":2418,",âĢĿ":2419,"Ġpop":2420,"Ġfew":2421,"Ġlen":2422,"uid":2423,"eters":2424,"ules":2425,"ÃŃ":2426,"source":2427,"https":2428,"Ġdem":2429,"Ġear":2430,"################":2431,"Ġmatch":2432,"ories":2433,"aces":2434,"ĠCl":2435,"Ġnode":2436,"irc":2437,"local":2438,"unity":2439,"};Ċ":2440,"Ġanother":2441,"<<":2442,"ogle":2443,"Ġsit":2444,"ework":2445,"TE":2446,".I":2447,"NS":2448,"ology":2449,"ought":2450,".Cont":2451,">>":2452,"Ġcare":2453,"state":2454,"ĉprivate":2455,"Ġeffect":2456,"++)":2457,"_file":2458,"ending":2459,"Line":2460,"For":2461,"ior":2462,"ĠSc":2463,"Ġfun":2464,".Size":2465,"ĉelse":2466,"])":2467,"start":2468,"vious":2469,"Ġ},":2470,"ours":2471,"Ġleg":2472,"Ġservice":2473,"Ġsince":2474,"iron":2475,"Label":2476,"Ġnon":2477,"Ġlos":2478,"iction":2479,"Ġfull":2480,"acter":2481,"board":2482,"gress":2483,"Ġturn":2484,"ither":2485,".size":2486,"Ġbody":2487,"resh":2488,"eturn":2489,"(_":2490,"yles":2491,"ormal":2492,"pi":2493,"Ġsomething":2494,"!--":2495,"uint":2496,"Ġprodu":2497,"Ġstand":2498,"Ġproble":2499,"Ġavailable":2500,"mt":2501,"ĠBl":2502,"Ġ...":2503,"Ġblock":2504,"Input":2505,"Ġkeep":2506,"Count":2507,"open":2508,"Ġ['":2509,"Ġthrow":2510,"uilder":2511,"Action":2512,"Ġthings":2513,"True":2514,"Ġurl":2515,"ĠBo":2516,"printf":2517,"Ġred":2518,"js":2519,".create":2520,"ĠOr":2521,"Status":2522,"Instance":2523,"Ġcontrol":2524,"Ġcome":2525,"Ġcustom":2526,"location":2527,"model":2528,"ĠčĊ":2529,"Ġsource":2530,"Ġeas":2531,".out":2532,"]ĊĊ":2533,"oney":2534,"Ġawait":2535,"Ġpartic":2536,"AP":2537,"ublish":2538,"odes":2539,"_pro":2540,"ply":2541,"riter":2542,"Ġprov":2543,"Ġmill":2544,"HT":2545,"])Ċ":2546,"Ġchang":2547,"Ġask":2548,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":2549,"Ġoutput":2550,"Ġemail":2551,".push":2552,"Ġ}čĊčĊ":2553,"ination":2554,"atrix":2555,"Table":2556,"uccess":2557,"]);Ċ":2558,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":2559,"Ġdisc":2560,"([":2561,"Ġbusiness":2562,"height":2563,".html":2564,"ta":2565,"field":2566,"Ġrequired":2567,"_R":2568,"Ġgovern":2569,"}čĊčĊ":2570,"lex":2571,".,":2572,"ĠSet":2573,"urch":2574,"///":2575,"ts":2576,"af":2577,"Ġmight":2578,"istory":2579,"Str":2580,"Ġnever":2581,"Response":2582,"arse":2583,"ada":2584,"ĠHow":2585,"Ġ*)":2586,"Ġ;":2587,"Ġhard":2588,"Ad":2589,"Ġintern":2590,"used":2591,"(data":2592,"mod":2593,"annel":2594,"Ġnp":2595,"ugg":2596,"Ġ/>Ċ":2597,"Ġcalled":2598,"body":2599,"Ġcho":2600,"(r":2601,"_set":2602,"ird":2603,"Ġ>=":2604,"Ġ};Ċ":2605,"Ġoptions":2606,"ĠGener":2607,"Ġheight":2608,"Point":2609,"You":2610,"ety":2611,"Click":2612,"Ġsmall":2613,"Ġide":2614,"Ġaccess":2615,"anguage":2616,"Ġprotected":2617,"Ġjob":2618,"ĠThere":2619,"Def":2620,"Ġaddress":2621,"Ġuint":2622,"Not":2623,"oo":2624,"aps":2625,"":2759,"ĉĠĠĠ":2760,"\"))":2761,"Content":2762,"_W":2763,"plement":2764,"Ġwon":2765,"Ġvideo":2766,"adi":2767,"point":2768,"%%":2769,"Ġgl":2770,"erved":2771,"viron":2772,"IF":2773,"uted":2774,"ãĥ":2775,"'m":2776,"Ġcert":2777,"Ġprof":2778,"Ġcell":2779,"ari":2780,"Ġplayer":2781,"ais":2782,"Ġcost":2783,"Ġhum":2784,"(R":2785,"Ġoffic":2786,"ks":2787,".text":2788,"atures":2789,"Ġtotal":2790,"Ġ*/ĊĊ":2791,"ope":2792,"Ġstat":2793,"UM":2794,"Ġload":2795,"ights":2796,"Ġclear":2797,"uro":2798,"Ġtechn":2799,"upport":2800,"IR":2801,"Ġrow":2802,"Ġseem":2803,"Ġq":2804,"Ġshort":2805,"ĠNot":2806,"ipp":2807,"Group":2808,"section":2809,"max":2810,"irl":2811,"Ġoverride":2812,"Ġcompany":2813,"Ġdone":2814,"\");čĊ":2815,"Ġgre":2816,".Re":2817,"Ġbelie":2818,"rist":2819,"Ġhealth":2820,"ANT":2821,"()ĊĊ":2822,"ĠBe":2823,".value":2824,"ĠGr":2825,"ottom":2826,"Ġargs":2827,"PT":2828,"status":2829,"func":2830,"uments":2831,"-h":2832,"Number":2833,":čĊ":2834,"ĠLog":2835,"erver":2836,"Ġ),Ċ":2837,"ament":2838,"Ġobj":2839,"inc":2840,"Ġchildren":2841,"icy":2842,"IZ":2843,"ands":2844,"ably":2845,"Ġdistrib":2846,"Ġcur":2847,"erial":2848,"Ġdays":2849,"reated":2850,"rect":2851,"-l":2852,"irm":2853,"idden":2854,"omb":2855,"Ġinitial":2856,".js":2857,"Ġâ":2858,"Query":2859,"Ġonline":2860,"imal":2861,".con":2862,"au":2863,"Url":2864,"control":2865,"irection":2866,"Ġinstance":2867,"ORT":2868,"ĠFr":2869,"where":2870,"Ġjavax":2871,"Ġorgan":2872,"apter":2873,"Ġreason":2874,"options":2875,"ĠMar":2876,"(a":2877,"Ġwithin":2878,".âĢĿĊĊ":2879,"ODE":2880,"_DE":2881,"admin":2882,"ended":2883,"Ġdesign":2884,"ĠData":2885,"une":2886,"ĠFile":2887,"root":2888,"Ġcent":2889,"Ġarr":2890,"_add":2891,"len":2892,"page":2893,",'":2894,"_str":2895,"Ġbro":2896,"ability":2897,"outh":2898,"/c":2899,"pose":2900,"irtual":2901,"earch":2902,"_url":2903,"argin":2904,"Http":2905,"Ġschool":2906,"ava":2907,"Ġconsider":2908,".label":2909,"ĠArray":2910,"web":2911,"opt":2912,".println":2913,"ulation":2914,"Ġfunc":2915,"PL":2916,"Ġ\"\\":2917,"ĠText":2918,"actory":2919,"(function":2920,"null":2921,"Ġeng":2922,"down":2923,"Ġinclude":2924,"ĠEn":2925,"ĠDr":2926,"Ġdb":2927,"!!":2928,"side":2929,"Ġinit":2930,"quired":2931,"ĠShe":2932,"Column":2933,"react":2934,"Ġann":2935,"Ġstop":2936,"Ġlater":2937,"ĠThat":2938,"ention":2939,"df":2940,"UG":2941,"ILE":2942,"Ġclient":2943,"raft":2944,"ffer":2945,"POST":2946,"elper":2947,"Ġlove":2948,"quote":2949,"oud":2950,"Ġjson":2951,"Ġable":2952,"Ġmen":2953,"AX":2954,"ĠCopyright":2955,"ö":2956,"avig":2957,"req":2958,"Client":2959,"});Ċ":2960,".Com":2961,"erc":2962,"ilt":2963,"pecial":2964,"_com":2965,"room":2966,".Name":2967,"Ġgive":2968,"amb":2969,"ike":2970,"Ġcondition":2971,"client":2972,"ators":2973,":\"":2974,"Ġcopy":2975,"uture":2976,"iversity":2977,"ernal":2978,"{{":2979,"ĠCan":2980,"ounc":2981,"do":2982,"Ġocc":2983,"Ġappro":2984,"thers":2985,"ze":2986,"Ġeither":2987,"ĠFl":2988,"Ġimportant":2989,"Ġlead":2990,"attr":2991,"ART":2992,"Equal":2993,"Ġda":2994,"etch":2995,"entity":2996,"Ġfamily":2997,"adding":2998,"Ġoption":2999,"Ġexist":3000,"ica":3001,"ĠObject":3002,"'ve":3003,"vers":3004,"itional":3005,"output":3006,"ĠTrue":3007,"ĠOF":3008,"_time":3009,"Ġoffer":3010,"Ġ});ĊĊ":3011,"HER":3012,"egin":3013,"\"\"":3014,"Ġwater":3015,"Ġche":3016,"ĠMy":3017,"ored":3018,"Ġstep":3019,"ances":3020,"CK":3021,"AY":3022,"à¸":3023,"struction":3024,"(C":3025,"ouch":3026,"Stream":3027,"active":3028,"ama":3029,"Entity":3030,"product":3031,"(){Ċ":3032,"Ġgovernment":3033,"ĠID":3034,"ajor":3035,"And":3036,"Ġdisplay":3037,"л":3038,"Ġtimes":3039,"Ġfour":3040,"Ġfar":3041,"Ġpresent":3042,"ĠNS":3043,"Ġ\\Ċ":3044,"uest":3045,"Ġbas":3046,"echo":3047,"child":3048,"ifier":3049,"Handler":3050,"Ġlib":3051,"Property":3052,"translation":3053,"Ġroom":3054,"Ġonce":3055,"Ġ[]":3056,"center":3057,"================================":3058,"Ġresults":3059,"Ġcontinue":3060,"Ġtalk":3061,"_get":3062,"Ġgrow":3063,".sw":3064,"eb":3065,"ĠPublic":3066,"OP":3067,"ecute":3068,"ols":3069,"Ġ**":3070,"\");ĊĊ":3071,"Ġmass":3072,"ured":3073,".class":3074,"omic":3075,"Ġmean":3076,"ips":3077,"Ġaut":3078,");čĊčĊ":3079,"Ġuntil":3080,"Ġmarket":3081,"Ġarea":3082,"uit":3083,"Ġlength":3084,"ĠWith":3085,"structor":3086,"event":3087,"\"><":3088,"ĠSp":3089,"IV":3090,"Ġmus":3091,"iff":3092,"Ġkind":3093,"author":3094,"ounds":3095,"mb":3096,"_key":3097,"width":3098,"pository":3099,"Ġlight":3100,"uk":3101,"Row":3102,"ohn":3103,"alf":3104,"vironment":3105,"apper":3106,"ollections":3107,"Ġside":3108,"_info":3109,"Ġexample":3110,"imary":3111,"Ġwr":3112,"Ġcamp":3113,"cribe":3114,"\"/":3115,"Ġmiss":3116,"way":3117,"Ġbased":3118,"Ġplan":3119,"Vis":3120,"omain":3121,"unk":3122,"Ġaway":3123,"UP":3124,"":3370,"Ġden":3371,"obile":3372,"change":3373,"ĠĠĠĠĠĠĠĠĠĠĠĠĊ":3374,"ici":3375,"na":3376,"ĠForm":3377,"Ġsort":3378,"Select":3379,"pare":3380,"Ġthought":3381,"_con":3382,"Ġtask":3383,"ocus":3384,"ĠDE":3385,"ĠMin":3386,"Ġopt":3387,"ĉbreak":3388,"umer":3389,"KE":3390,"then":3391,"Ġdet":3392,"ĠTest":3393,"ports":3394,"Ġreview":3395,"('/":3396,"move":3397,"Ġswitch":3398,"ERT":3399,"patch":3400,"annot":3401,"ãĤ":3402,"Ġabove":3403,"itive":3404,"Ġquestion":3405,"ĠQu":3406,"ãĢĤĊĊ":3407,"gle":3408,"Ġword":3409,"Ġprovide":3410,"ĠReturn":3411,"Ġresearch":3412,"ão":3413,"ustr":3414,"Ġpublish":3415,"chema":3416,"}}":3417,"ĠCON":3418,"-in":3419,"allback":3420,"Ġcover":3421,"\\\\":3422,"color":3423,"ĠIS":3424,"Ġwhether":3425,"imate":3426,"isc":3427,"Bar":3428,"Ġdiv":3429,"Be":3430,"ourn":3431,"Ġhaving":3432,"lem":3433,"player":3434,"abs":3435,"amera":3436,"ney":3437,"Ġexc":3438,"gether":3439,"plied":3440,"ao":3441,"[$":3442,"Ġ++":3443,"ipe":3444,"show":3445,"/d":3446,"[:":3447,"agement":3448,"lev":3449,"_ID":3450,"rary":3451,"ades":3452,"_se":3453,"ause":3454,"Ġemploy":3455,"Ġ*/čĊ":3456,"Ġfre":3457,"Ġ'@":3458,"Ġcomplet":3459,"Ġlarge":3460,"ral":3461,"\\x":3462,"Ġfac":3463,">":3578,"Ġface":3579,"CTION":3580,"Ġsave":3581,"Ġtyp":3582,"dev":3583,"(\"#":3584,"AGE":3585,"container":3586,"edit":3587,"QL":3588,"Ġitems":3589,"Ġsocial":3590,"ien":3591,"ĠReact":3592,").ĊĊ":3593,"Ġmar":3594,"Ġredu":3595,"ĠRE":3596,".put":3597,"Ġmajor":3598,"Cell":3599,"next":3600,"Ġexpected":3601,"Ġyet":3602,"Ġindiv":3603,"tributes":3604,"atis":3605,"amed":3606,"Ġfood":3607,"Source":3608,"(string":3609,"Ġ+Ċ":3610,"ites":3611,"dr":3612,"Ġmembers":3613,"Ġcomb":3614,"items":3615,"ĠPer":3616,"TH":3617,"=True":3618,"Ġbar":3619,"_SE":3620,"comm":3621,"(w":3622,")ĊĊĊ":3623,"Ġsend":3624,"Ġinc":3625,"unsigned":3626,"FA":3627,"Ġparams":3628,"apping":3629,"ros":3630,"ugin":3631,"fa":3632,"Ġconnection":3633,"Ġ};ĊĊ":3634,"Ġbecome":3635,"Mode":3636,"Ġev":3637,"Ġdiff":3638,"ĠUnited":3639,"Height":3640,"fully":3641,"images":3642,"Ġmakes":3643,"Ġglobal":3644,"Ġcontact":3645,"':Ċ":3646,"Ġabs":3647,"аÐ":3648,"float":3649,"Ġexcept":3650,"ĠPol":3651,"Child":3652,"typ":3653,"Ġcertain":3654,"ión":3655,"OUT":3656,"Ġimpro":3657,"iles":3658,"Ġ-->Ċ":3659,"ĠPart":3660,"values":3661,"oss":3662,"/**":3663,"ilit":3664,"ĠEvent":3665,"curity":3666,"ster":3667,"Ġcharacter":3668,"Ġnews":3669,"Ġ\",":3670,"Ġdevice":3671,"cel":3672,"login":3673,"heet":3674,"Default":3675,"@\"":3676,"ĉĠ":3677,"click":3678,"(value":3679,"ĠAb":3680,"Ġprevious":3681,"ERROR":3682,"ocal":3683,"Ġmaterial":3684,"Ġbelow":3685,"ĠChrist":3686,"Ġmedia":3687,"cover":3688,"ĠUI":3689,"Ġfail":3690,"Ġblack":3691,"Ġcomponent":3692,"ĠAmerican":3693,"Ġadded":3694,"Ġbuy":3695,"stit":3696,"Ġcame":3697,"Ġdelete":3698,"property":3699,"oding":3700,"Ġcard":3701,"rops":3702,"Ġhttps":3703,"Ġroot":3704,"Ġhandle":3705,"CC":3706,"Back":3707,"emplate":3708,"Ġgetting":3709,"_by":3710,"mail":3711,"_sh":3712,".assert":3713,"ĠDec":3714,"(true":3715,"Ġcomput":3716,"Ġclaim":3717,"'=>":3718,"ĠSub":3719,"Ġair":3720,"ops":3721,"nav":3722,"ements":3723,"(id":3724,"Ġenter":3725,"anged":3726,"End":3727,"Ġlocation":3728,"Ġnight":3729,"Ġdoing":3730,"ĠRed":3731,"lin":3732,"}ĊĊĊ":3733,"vider":3734,"Ġpick":3735,"Ġwatch":3736,"essages":3737,"Ġhuman":3738,"Ġdam":3739,"pend":3740,"dir":3741,"Ġtax":3742,"Ġgirl":3743,"reet":3744,"Ġbox":3745,"Ġstrong":3746,"(v":3747,"rel":3748,"Ġinterface":3749,"Ġmsg":3750,"fect":3751,"_at":3752,"Ġhouse":3753,"Ġtrack":3754,"');ĊĊ":3755,"je":3756,"ĠJohn":3757,"istr":3758,"(S":3759,"ube":3760,"Ġce":3761,"itted":3762,"VER":3763,"*)":3764,"parent":3765,"Ġapplication":3766,"any":3767,".swing":3768,"Ġpack":3769,"\\u":3770,"Ġpract":3771,"Ġsection":3772,"ctx":3773,"Ġunsigned":3774,".Point":3775,"ĠOne":3776,"ı":3777,"iple":3778,"aid":3779,"Ñĥ":3780,"Vector":3781,"byte":3782,"Ġwait":3783,"ĠÃł":3784,"Ã¥":3785,"Ġtogether":3786,"Ġthrows":3787,"FO":3788,"'))":3789,"host":3790,"ising":3791,".view":3792,"Ġterms":3793,"framework":3794,"-r":3795,"Ġapply":3796,"Ġsession":3797,"Options":3798,"uggest":3799,"Ġothers":3800,"witter":3801,"Ġfund":3802,"Init":3803,"__(":3804,"ensor":3805,"GET":3806,"Ġseveral":3807,"ii":3808,"[j":3809,"IO":3810,"Ġtemplate":3811,"Position":3812,"Ġecon":3813,"achine":3814,"Ġil":3815,".spring":3816,"main":3817,"elt":3818,"iment":3819,"Rec":3820,"mm":3821,"ĠUniversity":3822,"ursor":3823,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":3824,"GL":3825,"icture":3826,"ithub":3827,"cer":3828,"cast":3829,"From":3830,"ales":3831,"Ġsubject":3832,"password":3833,"ny":3834,"Ġesc":3835,".write":3836,"ï¼Į":3837,"What":3838,".H":3839,"Ġhistory":3840,"ĠFe":3841,"Ġindividual":3842,"unit":3843,"Ġ-->":3844,"Ġdu":3845,"IST":3846,"Ġusers":3847,"fs":3848,"false":3849,"unt":3850,"Title":3851,"Ġmot":3852,"Ġfuture":3853,"ached":3854,"Ġstarted":3855,"Ġmode":3856,"Ġ'<":3857,"_array":3858,"Ġax":3859,"'];Ċ":3860,"ires":3861,"There":3862,"ught":3863,"tml":3864,"posed":3865,"icult":3866,"Ġtook":3867,"Ġgames":3868,"Ġ}}":3869,"Ġ?>Ċ":3870,"Ġproducts":3871,"Is":3872,"Ġbad":3873,"ĠDes":3874,".path":3875,"'ĊĊ":3876,"ĠPost":3877,"avel":3878,"(:":3879,"Ġneeds":3880,"Ġknown":3881,"Fl":3882,"Ġexec":3883,"Ġseen":3884,"ume":3885,"Ġborder":3886,"Ġlive":3887,"temp":3888,"Per":3889,"Ġvariable":3890,"iet":3891,"ĠDef":3892,"Ġge":3893,"eme":3894,"_back":3895,"first":3896,"Ġprovided":3897,"////////////////////////////////":3898,"Ġfilename":3899,"Ġhope":3900,"uly":3901,"auto":3902,"find":3903,"_string":3904,"btn":3905,"itude":3906,"Attribute":3907,"Ġyoung":3908,".txt":3909,"Ġwebsite":3910,"ĠProp":3911,"Ġey":3912,">();Ċ":3913,"ional":3914,"ARR":3915,"ictionary":3916,"urther":3917,".":3997,"tx":3998,"Ġpur":3999,"uel":4000,"ymbol":4001,"uation":4002,"anger":4003,"Ġbackground":4004,"ecess":4005,"efined":4006,"........":4007,"Ġdescription":4008,"Ġrepresent":4009,"\"));Ċ":4010,"pression":4011,"rowser":4012,"Ġseries":4013,"wards":4014,"($_":4015,"aise":4016,"Ġhot":4017,"acity":4018,"ries":4019,"actions":4020,"Create":4021,"adio":4022,"amples":4023,"Ġoriginal":4024,"ensive":4025,"font":4026,"stream":4027,"using":4028,".springframework":4029,"server":4030,"Ġbill":4031,"ACK":4032,"ilename":4033,"Ġframe":4034,"Ġ=Ċ":4035,"Edit":4036,"adius":4037,"Ġdraw":4038,"anks":4039,"Ġdeter":4040,"Ġcomes":4041,"_int":4042,"Ġforeach":4043,"angle":4044,"Ġelect":4045,"pected":4046,"Header":4047,"istration":4048,"False":4049,"ĠGame":4050,"Ġfilter":4051,"Activity":4052,"Ġlarg":4053,"inition":4054,"Ġ\"<":4055,"ised":4056,"Ġremove":4057,"ĠTrans":4058,"met":4059,"see":4060,"Format":4061,"Command":4062,"ĠEX":4063,"None":4064,"Ġfront":4065,"ASE":4066,"ĠRec":4067,"oundation":4068,"Ġvo":4069,"=\\\"":4070,"(*":4071,"Change":4072,".Write":4073,"group":4074,"ients":4075,"uy":4076,"****************************************************************":4077,"Ġdig":4078,"hr":4079,"(-":4080,"Ġgen":4081,"number":4082,"vec":4083,"urope":4084,"entry":4085,"LL":4086,"Ġste":4087,"Valid":4088,"'],":4089,"_param":4090,"Ġselected":4091,"Ġaccording":4092,"ĠDis":4093,"Ġutil":4094,"Buffer":4095,"_error":4096,"Ġassoci":4097,"_SIZE":4098,"Ġwor":4099,"Ġprintf":4100,"rag":4101,"Âł":4102,"DD":4103,"ĠVal":4104,"Ġactiv":4105,"Eng":4106,"etime":4107,"Ġvirtual":4108,"aign":4109,"aur":4110,"ĠPres":4111,"ĠException":4112,"Ġanything":4113,"ĠOff":4114,"Ġhours":4115,"Ġwar":4116,"Args":4117,"aging":4118,"Ġmodels":4119,"ĠTime":4120,"Ob":4121,"ams":4122,"joy":4123,"Ġearly":4124,".read":4125,"Ġcenter":4126,"ĠInitial":4127,"Ġlanguage":4128,"length":4129,"xy":4130,"Ġsn":4131,"Ġinf":4132,"Post":4133,"Ġago":4134,"Ġeasy":4135,"_code":4136,"ĠANY":4137,"_ch":4138,"Ġdownload":4139,"(T":4140,"aved":4141,"âĢĵ":4142,"Ġstudents":4143,"Ġfig":4144,"light":4145,"xx":4146,"Ġbuffer":4147,"ĠDep":4148,"ĠMath":4149,"ITH":4150,"Ġvari":4151,"Ġdue":4152,"Factory":4153,"Ġpor":4154,"Ġep":4155,"otype":4156,"Ġcannot":4157,"Ġwhite":4158,"čĊ":4424,".annot":4425,"Ġcollection":4426,"'.":4427,"Ġsimilar":4428,"Ġtaken":4429,"(\"%":4430,"Order":4431,"']Ċ":4432,"-md":4433,"ĠTH":4434,"aced":4435,"Ġisn":4436,"/j":4437,"Ġson":4438,"graph":4439,"ĠInteger":4440,"Ġnecess":4441,"reen":4442,"Ġum":4443,"Ġ\\<":4444,"Ġmoment":4445,"Ġbring":4446,"Ġindic":4447,"ysis":4448,"Level":4449,"verse":4450,"urrenc":4451,"_test":4452,"Ġentire":4453,"Down":4454,"Ġ}ĊĊĊ":4455,"(result":4456,"ĠRead":4457,"è":4458,"Mod":4459,"Ġtrying":4460,"\"),Ċ":4461,"Ġmember":4462,"ĠCor":4463,"ODO":4464,"-control":4465,"untime":4466,"ĠSim":4467,"Dialog":4468,"plot":4469,"_on":4470,"Ġphys":4471,"}/":4472,"Ġnamespace":4473,"ĉčĊ":4474,"acc":4475,"Player":4476,"ARE":4477,"Ġfoot":4478,"Ġboard":4479,"part":4480,"Ġsus":4481,"wise":4482,"ĠMc":4483,"Ġpush":4484,"ATA":4485,"Ġplease":4486,"ried":4487,"weet":4488,"bit":4489,"ided":4490,"VE":4491,"ĠSw":4492,"UB":4493,"Ġtypes":4494,"edia":4495,"Ġclos":4496,"acebook":4497,"When":4498,"Ġedit":4499,"igger":4500,"Ġenerg":4501,"Container":4502,"Ġphot":4503,"ĠCount":4504,"ĠEurope":4505,".Is":4506,"ĠRuss":4507,"peed":4508,"ĠStr":4509,"Ġpy":4510,"Ġcult":4511,"Ġdefined":4512,"ccount":4513,"Ġobt":4514,".Location":4515,"Ġthread":4516,"ille":4517,"Ġinstead":4518,"strong":4519,"ĠSec":4520,"URE":4521,"Ġidea":4522,".se":4523,"emy":4524,"selected":4525,"Connection":4526,"acing":4527,"thread":4528,".next":4529,"Ġcoll":4530,"Ġfilm":4531,"istic":4532,"Ġcompet":4533,"Ġconn":4534,"though":4535,"Ġcompan":4536,"ocket":4537,"Ġteach":4538,"=(":4539,"Ġphone":4540,"Ġactive":4541,"delete":4542,"tries":4543,"Ġmo":4544,"Ġdeath":4545,"});ĊĊ":4546,"ocol":4547,"Widget":4548,"Ġarticle":4549,"rodu":4550,"andid":4551,"Ñĭ":4552,"ĠCr":4553,"ka":4554,"():":4555,"lood":4556,"ĉĉĉĊ":4557,"Ġalmost":4558,"Ġsell":4559,"ervlet":4560,"rip":4561,"Unit":4562,"Ġapplic":4563,"Ġconnect":4564,"Ġfeature":4565,"Ġvia":4566,"'),":4567,"Ġlim":4568,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":4569,"ĠGu":4570,"Engine":4571,"Ġens":4572,"Ġenvironment":4573,"block":4574,"HERE":4575,"NULL":4576,"gy":4577,"tag":4578,")).":4579,"exp":4580,"Ġcompl":4581,"Ġinstall":4582,"Ġcomplete":4583,"queue":4584,"atural":4585,"Ġgeneral":4586,"thon":4587,"Ġasked":4588,"ores":4589,"(res":4590,"Ġreserved":4591,"SP":4592,"ĠâĢ¦":4593,"ÅĤ":4594,"Ġsignific":4595,"Off":4596,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":4597,"ĠAg":4598,"ĠJust":4599,"ĠError":4600,"Ġinfl":4601,"adata":4602,"Ġicon":4603,"asks":4604,"''":4605,"_LO":4606,"?.":4607,"account":4608,"Ġ(*":4609,"')ĊĊ":4610,"rap":4611,"_var":4612,"ĠFOR":4613,"Ġparty":4614,"ĠYour":4615,"cat":4616,"stry":4617,".new":4618,"boot":4619,"ĠNov":4620,"Ġvector":4621,"Ġnormal":4622,"Ġfurther":4623,"Repository":4624,"Ġdatabase":4625,"attle":4626,"Ġmusic":4627,"Ġspeed":4628,"Ġdoc":4629,"process":4630,"IGHT":4631,".parse":4632,"Ġtaking":4633,"Ġviol":4634,"ceed":4635,"ĠAfter":4636,"Ġforward":4637,"Ġcrit":4638,"\"/>Ċ":4639,"rot":4640,"Ġfailed":4641,"efore":4642,"Ġconcern":4643,"oe":4644,"ba":4645,"Ġsender":4646,"Ġterm":4647,"has":4648,"=\"#":4649,"Ġpotential":4650,"Num":4651,"Ġpublished":4652,".close":4653,"ĠImage":4654,"straint":4655,"UD":4656,"ĠOb":4657,"Ġprobably":4658,"lim":4659,"\":Ċ":4660,"olume":4661,"Ġconsum":4662,"ague":4663,"ensions":4664,"Ġinvestig":4665,"-year":4666,"');":4667,"-sm":4668,"Ġenjoy":4669,"orig":4670,"ering":4671,"cp":4672,"leased":4673,"plements":4674,"Ġreturns":4675,"pat":4676,"BO":4677,"ĠHouse":4678,".Label":4679,"Ġweight":4680,"ighb":4681,"Ġconditions":4682,"Ġexception":4683,"description":4684,"Ġtrad":4685,"-to":4686,"Ġ{}":4687,"Ġmodule":4688,"END":4689,".ap":4690,".props":4691,"Ġconstructor":4692,"aves":4693,"Ġfavor":4694,"ĠNow":4695,";i":4696,"ĠMain":4697,"_k":4698,"eries":4699,"âĢĻll":4700,"transform":4701,"imestamp":4702,"Pre":4703,"Ġmer":4704,".res":4705,"stant":4706,"Location":4707,"_NAME":4708,"Ġloss":4709,"ĠĊĊ":4710,"net":4711,"Ġengine":4712,"Block":4713,"Ġissues":4714,"Ġparse":4715,"ĠBar":4716,"Ġstay":4717,"ĠJSON":4718,"Ġdom":4719,"airs":4720,"wner":4721,"Ġlower":4722,"\",čĊ":4723,"ĠDem":4724,"ufact":4725,"Ġps":4726,"Ġperfect":4727,"RL":4728,"Ġeduc":4729,"ls":4730,"emory":4731,"ARRANT":4732,"uge":4733,"Ġexact":4734,".key":4735,"alled":4736,"ech":4737,"ief":4738,"\\/":4739,"oke":4740,"Ġformer":4741,"alloc":4742,"Ġsix":4743,"ida":4744,"Ġmargin":4745,"Ġheart":4746,"ald":4747,"pack":4748,".getElementById":4749,"ĠWARRANT":4750,"Ġrather":4751,"Ġbuilding":4752,"erman":4753,"lice":4754,"Ġquestions":4755,"izes":4756,"lege":4757,"irectory":4758,"Ġje":4759,"Ġcas":4760,"props":4761,"utf":4762,"Ġsecurity":4763,"Ġhowever":4764,"weight":4765,"Ġinside":4766,"Ġpresident":4767,"Char":4768,"ĠWITH":4769,".map":4770,"Ġgraph":4771,"Ġtag":4772,"_status":4773,"Ġattempt":4774,"opp":4775,"uses":4776,"ĉconst":4777,"Ġround":4778,",$":4779,"Ġfriends":4780,"Email":4781,"?>":4782,"Resource":4783,"KEY":4784,"osp":4785,".query":4786,"ĠNorth":4787,"ables":4788,"istrib":4789,"_class":4790,"ello":4791,"That":4792,"к":4793,"pecially":4794,"ĠPresident":4795,"Ġcampaign":4796,"Ġalt":4797,"area":4798,"Ġchall":4799,"Ġopport":4800,".Con":4801,"Ġenergy":4802,"like":4803,".string":4804,"ington":4805,")*":4806,"yy":4807,"Ġprofession":4808,"irth":4809,"Ġseg":4810,"æľ":4811,"Ġhor":4812,"iers":4813,"can":4814,"Ġbehind":4815,"Product":4816,"fg":4817,"ĠSk":4818,".jpg":4819,"?:":4820,"];ĊĊ":4821,"Ġcallback":4822,"ĠHttp":4823,"ÑĮ":4824,"long":4825,"MS":4826,"ATH":4827,"Ġraise":4828,"Ġwanted":4829,"rown":4830,"utor":4831,"lt":4832,"]=":4833,"eline":4834,"MA":4835,"Ġsepar":4836,"cs":4837,"semb":4838,"Dis":4839,"bserv":4840,"ĠWill":4841,"Ġpolicy":4842,"Ġthird":4843,"phone":4844,"Ġbed":4845,"/g":4846,".__":4847,"ĠInc":4848,"izing":4849,".remove":4850,"instance":4851,".type":4852,"Ġserv":4853,"Each":4854,"Ġhar":4855,"ĠMessage":4856,"(key":4857,"SELECT":4858,"Pos":4859,"));čĊ":4860,"Ġrecomm":4861,"Ġtraining":4862,"ĠEnt":4863,"ĠChar":4864,"icht":4865,"(file":4866,"Ġprior":4867,"Game":4868,"Ġexit":4869,"Params":4870,".core":4871,"PC":4872,"nes":4873,"anced":4874,"(request":4875,"Password":4876,"}>Ċ":4877,"Ġmag":4878,"Ġrelease":4879,"Ġshall":4880,"udent":4881,"ĠSouth":4882,"ando":4883,":'":4884,".TabIndex":4885,"sk":4886,"anner":4887,"isset":4888,"Ġoutside":4889,"ledge":4890,"Ġå":4891,"ĠRob":4892,"Ġimm":4893,"!Ċ":4894,"ĠWeb":4895,"Des":4896,"BC":4897,"ancial":4898,"Route":4899,"Dec":4900,"ferences":4901,"Ġpurch":4902,"ĠModel":4903,"ctor":4904,"gn":4905,"_start":4906,"_un":4907,".*":4908,"ises":4909,"Ġground":4910,"Ġunique":4911,"Ġbeaut":4912,"{\"":4913,"Ġpour":4914,"ĠOct":4915,"Ġtree":4916,"sets":4917,"_res":4918,"')->":4919,"_reg":4920,"(\"\\":4921,"Ġbyte":4922,"Bl":4923,"Ġdating":4924,"Ġmatter":4925,"ĠRem":4926,"Ġ'../":4927,"ĠAug":4928,"ĠLa":4929,"Ġ$(":4930,"ournal":4931,"iam":4932,"Ġshows":4933,"write":4934,"Ġball":4935,"Ġsimply":4936,"Ġfast":4937,"Ġmemory":4938,"ASS":4939,"ĠOf":4940,"oved":4941,"ante":4942,"aul":4943,"istry":4944,")));Ċ":4945,"Ġfit":4946,"_":5129,"\")ĊĊ":5130,"ox":5131,"application":5132,"Ġ]Ċ":5133,"ĊĊĊĊĊĊ":5134,"Ġsoon":5135,"ctions":5136,"inger":5137,"Ġjoin":5138,"ĠPe":5139,"Ġë":5140,"Ġlas":5141,".E":5142,"css":5143,"/or":5144,"ĠStart":5145,"ĠTO":5146,"Ġsubs":5147,"conn":5148,"components":5149,"DEBUG":5150,"quare":5151,"Function":5152,"endar":5153,".index":5154,"Ġfill":5155,"ÄĻ":5156,"Ġchoose":5157,"how":5158,"ĠAmerica":5159,"assets":5160,"------------":5161,"ĠValue":5162,"Ġoffice":5163,"Ġveh":5164,"Ġtransform":5165,"ĠArt":5166,"Ġinde":5167,"Ġfn":5168,"Ġimplements":5169,"ango":5170,"plete":5171,"+\"":5172,"tmp":5173,"amily":5174,"Ġhash":5175,"missions":5176,"EST":5177,"gt":5178,"Provider":5179,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":5180,"Ġflag":5181,"Ġparticip":5182,"den":5183,"ĠReturns":5184,"Ġnote":5185,"ür":5186,"pm":5187,"ideos":5188,"Ġspecified":5189,"ĠEN":5190,"ester":5191,"olid":5192,"Ġupon":5193,"(std":5194,"ĉv":5195,"Ġ'\\":5196,"uz":5197,"Ġvert":5198,"Ġvict":5199,"ĉself":5200,"Ġ\"$":5201,".k":5202,"Ġgroups":5203,"github":5204,"lang":5205,"Ġmut":5206,"TO":5207,"Ġve":5208,"ĠPlease":5209,";ĊĊĊ":5210,"access":5211,"Ġ{\"":5212,"rea":5213,"Ġrisk":5214,"icker":5215,"oggle":5216,"ĉwhile":5217,"ANG":5218,".send":5219,"Ġwoman":5220,"Ġgets":5221,"Ġign":5222,"ĠId":5223,"_log":5224,"ONE":5225,"Ġevid":5226,"ĠHar":5227,"_sub":5228,"Ġendl":5229,"Ġincluded":5230,"());ĊĊ":5231,"ĠAp":5232,"igr":5233,"Ġsem":5234,"ĠBlack":5235,"doc":5236,"_table":5237,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":5238,"-up":5239,"Ġcause":5240,"Ġ..":5241,"Ġvan":5242,"_dict":5243,"Ġfocus":5244,"IND":5245,"CESS":5246,".Log":5247,"Ġmultiple":5248,"ido":5249,"Ġregard":5250,"-M":5251,"andler":5252,"ourse":5253,"Ġdeg":5254,".U":5255,"Ġaddition":5256,"Ġvarious":5257,"Ġreceive":5258,"ен":5259,"ĠHT":5260,"Obj":5261,"DF":5262,"Ġincrease":5263,"ĠOpen":5264,"];":5265,"Ġcommit":5266,"?Ċ":5267,"ategories":5268,"atory":5269,"ship":5270,"ĠMich":5271,"Ġhtml":5272,"romise":5273,"Ġleave":5274,"Ġstrateg":5275,"aven":5276,"ĠConsole":5277,"known":5278,"-n":5279,"_LE":5280,".component":5281,"Ġbre":5282,"Session":5283,"iance":5284,"Ġalign":5285,"typedef":5286,"_result":5287,"ĠWHERE":5288,".split":5289,"Ġreading":5290,"FAULT":5291,"Ġclo":5292,"Ġnotice":5293,"_pr":5294,"arter":5295,"Ġlock":5296,"Ġstandard":5297,"etic":5298,"ellow":5299,"Ġpadding":5300,"ĠHis":5301,"Ġstates":5302,"_cast":5303,"(P":5304,"aa":5305,"Ġinternal":5306,"ean":5307,"ĠPRO":5308,"ĠKey":5309,"Ġespecially":5310,"ming":5311,"Ġcross":5312,"Ġnational":5313,"_object":5314,"filter":5315,"Ġscript":5316,".update":5317,"_i":5318,"ĠAssert":5319,"/core":5320,"%%%%":5321,"Ġproblems":5322,"istor":5323,"Ġ.=":5324,"Ġarch":5325,"Ġwritten":5326,"Ġmilit":5327,"MENT":5328,".ch":5329,"cape":5330,"ĠMus":5331,"_config":5332,"ĠAPI":5333,"foot":5334,"Ġimages":5335,"endl":5336,".In":5337,"First":5338,"Ġplatform":5339,".prot":5340,"Option":5341,"ste":5342,"ĠTODO":5343,"Ġforce":5344,".cont":5345,"ĉecho":5346,"ĠDav":5347,"Ptr":5348,"(B":5349,"RT":5350,"ĠBase":5351,"]['":5352,"Ġannounc":5353,"console":5354,"ĠPy":5355,"ds":5356,".as":5357,"Ġprevent":5358,"apan":5359,"Ġ{'":5360,"}'":5592,"Ġdead":5593,"VAL":5594,"QUE":5595,"************************************************************************":5596,"Ġcharg":5597,"Return":5598,"Ġful":5599,"dom":5600,"Ġrules":5601,"Ġmodify":5602,"Ġeval":5603,"ham":5604,"atement":5605,"\\<":5606,"ula":5607,"=False":5608,"RA":5609,"Ġcontains":5610,"Ġstack":5611,"mar":5612,"Ġ{}Ċ":5613,"Ġundefined":5614,"Ass":5615,"ĠChina":5616,"vey":5617,"*Ċ":5618,"Ġplaying":5619,")/":5620,"actor":5621,"Ġbottom":5622,"lier":5623,"ĠNumber":5624,"Ġcouple":5625,"DC":5626,"ĠSO":5627,"gor":5628,".setText":5629,"success":5630,"command":5631,"Filter":5632,"ĠOur":5633,"_item":5634,"Ġctx":5635,"Ġroad":5636,"Version":5637,"case":5638,"urt":5639,"avior":5640,"ych":5641,"sembly":5642,"ĠProduct":5643,"Ġheld":5644,"afe":5645,"Ġincludes":5646,"&":5789,"CON":5790,"Ġrepl":5791,"Ġregular":5792,"Storage":5793,"ramework":5794,"Ġgoal":5795,"Ġtouch":5796,".widget":5797,"Ġbuilt":5798,"des":5799,"Part":5800,"(re":5801,"Ġworth":5802,"hib":5803,"game":5804,"Ġв":5805,"acion":5806,"ĠWhite":5807,"(type":5808,"(`":5809,"Ġnatural":5810,"Ġinj":5811,"Ġcalcul":5812,"ĠApril":5813,".List":5814,"Ġassociated":5815,"ĉSystem":5816,"~~":5817,"=[":5818,"Ġstorage":5819,"Ġbytes":5820,"Ġtravel":5821,"Ġsou":5822,"Ġpassed":5823,"!=":5824,"ascript":5825,".open":5826,"Ġgrid":5827,"Ġbus":5828,"Ġrecogn":5829,"Ab":5830,"Ġhon":5831,"ĠCenter":5832,"Ġprec":5833,"build":5834,"HTML":5835,"ĠSan":5836,"Ġcountries":5837,"aled":5838,"token":5839,"kt":5840,"Ġqual":5841,"Last":5842,"adow":5843,"Ġmanufact":5844,"idad":5845,"jango":5846,"Next":5847,"xf":5848,".a":5849,"Ġporno":5850,"ĠPM":5851,"erve":5852,"iting":5853,"_th":5854,"ci":5855,"=None":5856,"gs":5857,"Ġlogin":5858,"atives":5859,"']);Ċ":5860,"Äħ":5861,"Ġill":5862,"IA":5863,"children":5864,"DO":5865,"Ġlevels":5866,"Ġ{{":5867,"Ġlooks":5868,"Ġ\"#":5869,"ToString":5870,"Ġnecessary":5871,"ĠĠĠĊ":5872,"cell":5873,"Entry":5874,"Ġ'#":5875,"Ġextrem":5876,"Selector":5877,"Ġplaceholder":5878,"Load":5879,"Ġreleased":5880,"ORE":5881,"Enumer":5882,"ĠTV":5883,"SET":5884,"inq":5885,"Press":5886,"ĠDepartment":5887,"Ġproperties":5888,"Ġrespond":5889,"Search":5890,"ael":5891,"Ġrequ":5892,"ĠBook":5893,"/Ċ":5894,"(st":5895,"Ġfinancial":5896,"icket":5897,"_input":5898,"Ġthreat":5899,"(in":5900,"Strip":5901,"ìĿ":5902,"ção":5903,"Ġevidence":5904,"));":5905,"ĠBro":5906,"Ġ[];Ċ":5907,"Ġou":5908,"buf":5909,"Script":5910,"dat":5911,"Ġrule":5912,"#import":5913,"=\"/":5914,"Serial":5915,"Ġstarting":5916,"[index":5917,"ae":5918,"Ġcontrib":5919,"session":5920,"_new":5921,"utable":5922,"ober":5923,"Ġ\"./":5924,"Ġlogger":5925,"Ġrecently":5926,"Ġreturned":5927,"ččĊ":5928,")))Ċ":5929,"itions":5930,"Ġseek":5931,"Ġcommunic":5932,"Ġ\".":5933,"Ġusername":5934,"ECT":5935,"DS":5936,"Ġotherwise":5937,"ĠGerman":5938,".aw":5939,"Adapter":5940,"ixel":5941,"Ġsystems":5942,"Ġdrop":5943,"Ġstructure":5944,"Ġ$(\"#":5945,"encies":5946,"anning":5947,"ĠLink":5948,"ĠResponse":5949,"Ġstri":5950,"ż":5951,"ĠDB":5952,"æĹ":5953,"android":5954,"submit":5955,"otion":5956,"(@":5957,".test":5958,"ĊĊĊĊĊĊĊĊ":5959,"];čĊ":5960,"Ġdirectly":5961,"Ġ\"%":5962,"ris":5963,"elta":5964,"AIL":5965,"){čĊ":5966,"mine":5967,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":5968,"(k":5969,"bon":5970,"asic":5971,"pite":5972,"___":5973,"Max":5974,"Ġerrors":5975,"ĠWhile":5976,"Ġarguments":5977,"Ġensure":5978,"Right":5979,"-based":5980,"Web":5981,"Ġ-=":5982,"Ġintrodu":5983,"ĠInst":5984,"ĠWash":5985,"ordin":5986,"join":5987,"Database":5988,"Ġgrad":5989,"Ġusually":5990,"ITE":5991,"Props":5992,"?>Ċ":5993,"ĠGo":5994,"@Override":5995,"REF":5996,"Ġip":5997,"ĠAustral":5998,"Ġist":5999,"ViewById":6000,"Ġserious":6001,"Ġcustomer":6002,".prototype":6003,"odo":6004,"cor":6005,"Ġdoor":6006,"ĠWITHOUT":6007,"Ġplant":6008,"Ġbegan":6009,"Ġdistance":6010,"()).":6011,"Ġchance":6012,"Ġord":6013,"came":6014,"pragma":6015,"Ġprotect":6016,"ragment":6017,"ĠNode":6018,"ening":6019,"Ñĩ":6020,"Ġroute":6021,"ĠSchool":6022,"hi":6023,"Ġneighb":6024,"After":6025,"licit":6026,"Ġcontr":6027,"Ġprimary":6028,"AA":6029,".WriteLine":6030,"utils":6031,"Ġbi":6032,"Red":6033,".Linq":6034,".object":6035,"Ġleaders":6036,"unities":6037,"Ġgun":6038,"onth":6039,"ĠDev":6040,"FILE":6041,"Ġcomments":6042,"_len":6043,"arrow":6044,"amount":6045,"Range":6046,"sert":6047,"GridView":6048,"Ġupdated":6049,"ĠMo":6050,"Ġinform":6051,"ociety":6052,"ala":6053,"Access":6054,"Ġhab":6055,"Ġcreat":6056,"_arg":6057,"ĠJanuary":6058,"ĠDay":6059,"\")čĊ":6060,"uple":6061,"document":6062,"gorith":6063,"menu":6064,"ĠOver":6065,"bb":6066,".title":6067,"_out":6068,"Ġled":6069,"uri":6070,"Ġ?>Ċ":6107,"run":6108,"Ġscene":6109,"(array":6110,"device":6111,"_title":6112,"agon":6113,"]čĊ":6114,"aby":6115,"Ġbecame":6116,"boolean":6117,"Ġpark":6118,"ĠCode":6119,"upload":6120,"riday":6121,"ĠSeptember":6122,"Fe":6123,"Ġsen":6124,"cing":6125,"FL":6126,"Col":6127,"uts":6128,"_page":6129,"inn":6130,"Ġimplied":6131,"aling":6132,"Ġyourself":6133,".Count":6134,"conf":6135,"Ġaud":6136,"_init":6137,".)":6138,"Ġwrote":6139,"NG":6140,".Error":6141,"ä»":6142,".for":6143,"Ġequal":6144,"ĠRequest":6145,"Ġserial":6146,"Ġallows":6147,"XX":6148,"Ġmiddle":6149,"chor":6150,"ø":6151,"erval":6152,".Column":6153,"reading":6154,"Ġescort":6155,"ĠAugust":6156,"Ġquickly":6157,"Ġweap":6158,"ĠCG":6159,"ropri":6160,"ho":6161,"Ġcop":6162,"(struct":6163,"ĠBig":6164,"Ġvs":6165,"Ġfrequ":6166,".Value":6167,"Ġactions":6168,"Ġproper":6169,"Ġinn":6170,"Ġobjects":6171,"Ġmatrix":6172,"avascript":6173,"Ġones":6174,".group":6175,"Ġgreen":6176,"Ġpaint":6177,"ools":6178,"ycl":6179,"encode":6180,"olt":6181,"comment":6182,".api":6183,"Dir":6184,"Ġune":6185,"izont":6186,".position":6187,"Ġdesigned":6188,"_val":6189,"avi":6190,"iring":6191,"tab":6192,"Ġlayer":6193,"Ġviews":6194,"Ġreve":6195,"rael":6196,"ĠON":6197,"rics":6198,"np":6199,"Ġcore":6200,"());čĊ":6201,"Main":6202,"Ġexpert":6203,"ĉĉčĊ":6204,"_en":6205,"Ġ/>":6206,"utter":6207,"IAL":6208,"ails":6209,"ĠKing":6210,"*/ĊĊ":6211,"ĠMet":6212,"_end":6213,"addr":6214,"ora":6215,"Ġir":6216,"Min":6217,"Ġsurpr":6218,"Ġrepe":6219,"Ġdirectory":6220,"PUT":6221,"-S":6222,"Ġelection":6223,"haps":6224,".pre":6225,"cm":6226,"Values":6227,"Ġ\"Ċ":6228,"column":6229,"ivil":6230,"Login":6231,"inue":6232,"Ġbeautiful":6233,"Ġsecret":6234,"(event":6235,"Ġchat":6236,"ums":6237,"Ġorigin":6238,"Ġeffects":6239,"Ġmanagement":6240,"illa":6241,"tk":6242,"Ġsetting":6243,"ĠCour":6244,"Ġmassage":6245,"ĉend":6246,"Ġhappy":6247,"Ġfinish":6248,"Ġcamera":6249,"ĠVer":6250,"ĠDemocr":6251,"ĠHer":6252,"(Q":6253,"cons":6254,"ita":6255,"Ġ'.":6256,"{}":6257,"ĉC":6258,"Ġstuff":6259,"Ġ:Ċ":6260,"ĠAR":6261,"Task":6262,"hidden":6263,"eros":6264,"IGN":6265,"atio":6266,"ĠHealth":6267,"olute":6268,"Enter":6269,"'>":6270,"ĠTwitter":6271,"ĠCounty":6272,"scribe":6273,"Ġ=>Ċ":6274,"Ġhy":6275,"fit":6276,"Ġmilitary":6277,"Ġsale":6278,"required":6279,"non":6280,"bootstrap":6281,"hold":6282,"rim":6283,"-old":6284,"ĠDown":6285,"Ġmention":6286,"contact":6287,"_group":6288,"oday":6289,"Ġtown":6290,"Ġsolution":6291,"uate":6292,"elling":6293,"]->":6294,"otes":6295,"ental":6296,"omen":6297,"ospital":6298,"ĠSup":6299,"_EN":6300,"Ġslow":6301,"SESSION":6302,"Ġblue":6303,"ago":6304,"Ġlives":6305,"Ġ^":6306,".un":6307,"inst":6308,"enge":6309,"Ġcustomers":6310,"Ġcast":6311,"udget":6312,"ï¼ģ":6313,"icens":6314,"Ġdetermin":6315,"Selected":6316,"_pl":6317,"ueue":6318,"Ġdark":6319,"//ĊĊ":6320,"si":6321,"thern":6322,"ĠJapan":6323,"/w":6324,"PU":6325,"ĠEast":6326,"ovie":6327,"Ġpackage":6328,"Ġnor":6329,"Ġapi":6330,"bot":6331,"\"];Ċ":6332,"_post":6333,"ulate":6334,"Ġclub":6335,"'));Ċ":6336,"Ġloop":6337,"PIO":6338,"ione":6339,"shot":6340,"Initial":6341,"Ġplayed":6342,"register":6343,"rought":6344,"_max":6345,"acement":6346,"match":6347,"raphics":6348,"AST":6349,"Ġexisting":6350,"Ġcomplex":6351,"DA":6352,".Ch":6353,".common":6354,"mo":6355,"Ġ'../../":6356,"ito":6357,"Ġanalysis":6358,"Ġdeliver":6359,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ":6360,"idx":6361,"Ãł":6362,"ongo":6363,"ĠEnglish":6364,"Ċ":9992,"_default":9993,"ĠDatabase":9994,"rep":9995,"ESS":9996,"nergy":9997,".Find":9998,"_mask":9999,"Ġrise":10000,"Ġkernel":10001,"::$":10002,".Q":10003,"Ġoffering":10004,"decl":10005,"ĠCS":10006,"Ġlisted":10007,"Ġmostly":10008,"enger":10009,"Ġblocks":10010,"olo":10011,"Ġgoverning":10012,"\\F":10013,"Ġconcent":10014,".getText":10015,"Ġmb":10016,"Ġoccurred":10017,"Ġchanging":10018,"Scene":10019,"_CODE":10020,"Beh":10021,"\"The":10022,"Ġtile":10023,"ĠAssociation":10024,"ĉP":10025,"alty":10026,"_ad":10027,"odies":10028,"iated":10029,"Ġprepared":10030,"possible":10031,"Ġmort":10032,"TEST":10033,"Ġignore":10034,"Ġcalc":10035,"Ġrs":10036,"ĠassertEquals":10037,"Ġsz":10038,"ĠTHIS":10039,".\"Ċ":10040,"Ġcanvas":10041,"java":10042,"Ġdut":10043,"VALID":10044,".sql":10045,".input":10046,"Ġaux":10047,"Sup":10048,"Ġartist":10049,"Vec":10050,"_TIME":10051,".stringify":10052,"etween":10053,"ĠCategory":10054,"Ġ[-":10055,"ĠDevExpress":10056,"ĠJul":10057,"Ġring":10058,".ed":10059,"YY":10060,"Let":10061,"TextField":10062,"Ġflat":10063,"_print":10064,"ĠOTHER":10065,"adian":10066,"Ġchecked":10067,"ele":10068,"Align":10069,"standing":10070,"Ġ[],":10071,"Ġlab":10072,"ucky":10073,"ĠChristmas":10074,"(image":10075,".module":10076,"Ġlots":10077,"Ġslightly":10078,"(final":10079,"erge":10080,"è¿":10081,"ĠPolice":10082,"ĠRight":10083,"Ġaward":10084,"ĠOS":10085,"Ġ{}ĊĊ":10086,"Ġptr":10087,"oves":10088,"icated":10089,"ем":10090,"Ġmanage":10091,"oliday":10092,"Amount":10093,"oolStrip":10094,"tbody":10095,"Nav":10096,"wrap":10097,"BB":10098,"Ġwatching":10099,"arios":10100,"Ġoptional":10101,"_K":10102,"ĠLicensed":10103,".Map":10104,"Timer":10105,"ĠAP":10106,"ĠRev":10107,"(o":10108,",c":10109,"umin":10110,"etailed":10111,"ĠHy":10112,"Ġblank":10113,"agger":10114,"ĠSelf":10115,"()[":10116,".make":10117,"earn":10118,"channel":10119,";Ċ":10133,"World":10134,"Ġpython":10135,"Ġlif":10136,"Ġtrav":10137,"Ġconven":10138,"company":10139,"ĠClub":10140,"Ver":10141,"Btn":10142,"Ġzone":10143,"products":10144,"ĠEduc":10145,"Ġverify":10146,"ĠMil":10147,"ono":10148,"]);ĊĊ":10149,"ENCE":10150,"Ġpacket":10151,"Ġcer":10152,"Ġenumer":10153,"Ġpars":10154,"formed":10155,"Ġoccup":10156,"tre":10157,"Ġexercise":10158,"Day":10159,"_sum":10160,"Ġasking":10161,"aption":10162,"Ġorders":10163,"Ġspending":10164,"ĠERR":10165,".Dis":10166,"ĠUtil":10167,"âĢľI":10168,"\\'":10169,"?)":10170,"/>Ċ":10171,"Ġemot":10172,"Ġinfluence":10173,"ĠAfrica":10174,"atters":10175,"Ùħ":10176,".session":10177,"Ġchief":10178,"ĉĉĉĉĉĉĉĉĉĉĉ":10179,"Ġtom":10180,"cluded":10181,"serial":10182,"_handler":10183,".Type":10184,"aped":10185,"Ġpolicies":10186,"-ex":10187,"-tr":10188,"blank":10189,"merce":10190,"Ġcoverage":10191,"Ġrc":10192,"_matrix":10193,"_box":10194,"Ġcharges":10195,"ĠBoston":10196,"Pe":10197,"Ġcircum":10198,"Ġfilled":10199,"Ġnorth":10200,"ictureBox":10201,"ĉres":10202,"è®":10203,"Ġtermin":10204,"Ġ[âĢ¦":10205,"IRECT":10206,"Ġber":10207,"Ġ\"../../":10208,"retch":10209,".code":10210,"_col":10211,"ĠGovernment":10212,"Ġargv":10213,"ĠLord":10214,"asi":10215,"Exec":10216,"ĉlet":10217,"vertis":10218,"Ġdiscussion":10219,"enance":10220,"outube":10221,"typeof":10222,"Ġserved":10223,"ĠPut":10224,"ĉx":10225,"Ġsweet":10226,"Before":10227,"ategy":10228,".of":10229,"ĠMaterial":10230,"Sort":10231,"ONT":10232,"igital":10233,"Why":10234,"Ġsust":10235,"Ġç":10236,"abet":10237,"Ġsegment":10238,"Ġ[],Ċ":10239,"ĠMuslim":10240,"ĠfindViewById":10241,"cut":10242,"_TEXT":10243,"ĠMary":10244,"Ġloved":10245,"Ġlie":10246,"ĠJO":10247,"Ġisset":10248,"month":10249,"Ġprime":10250,"ti":10251,"ĠCarol":10252,"Use":10253,"ĠPop":10254,"ĠSave":10255,"Interval":10256,"execute":10257,"dy":10258,"ĠIran":10259,"_cont":10260,"ĉT":10261,"Ġphase":10262,"checkbox":10263,"week":10264,"Ġhide":10265,"Ġtil":10266,"Ġju":10267,"Custom":10268,"burg":10269,"/M":10270,"TON":10271,"Ġquant":10272,"Ġrub":10273,"ixels":10274,"Ġinstalled":10275,"Ġdump":10276,"Ġproperly":10277,"(List":10278,"Ġdecide":10279,"apply":10280,"Has":10281,"Ġkeeping":10282,"Ġcitizens":10283,"Ġjoint":10284,"pool":10285,"Socket":10286,"_op":10287,"Ġweapon":10288,"gnore":10289,"ĠExec":10290,"otten":10291,"ĠMS":10292,"Ġ(-":10293,"ĠReview":10294,"Ġexamples":10295,"Ġtight":10296,"!(":10297,"DP":10298,"ĠMessageBox":10299,"Ġphotograph":10300,"URI":10301,"ét":10302,"low":10303,"ĠGrand":10304,".persistence":10305,"Ġmaintain":10306,"Ġnums":10307,"Ġzip":10308,"ials":10309,"ĠGets":10310,"peg":10311,"ĠBuffer":10312,"~~~~":10313,"rastructure":10314,"ĠPL":10315,"uen":10316,"obby":10317,"sizeof":10318,"Ġpic":10319,"Ġseed":10320,"Ġexperienced":10321,"Ġodd":10322,"Ġkick":10323,"Ġprocedure":10324,"avigator":10325,"-on":10326,",j":10327,"ĠAlthough":10328,"ĠuserId":10329,"accept":10330,"Blue":10331,"IColor":10332,"layer":10333,"available":10334,"Ġends":10335,".table":10336,"Ġdataset":10337,"bus":10338,"Ġexplain":10339,"(pro":10340,"ĠCommittee":10341,"Ġnoted":10342,"]:Ċ":10343,"Dim":10344,"stdio":10345,".\",Ċ":10346,"_source":10347,"ĠWeek":10348,"ĠEdge":10349,"Ġoperating":10350,"Ġeste":10351,"ipl":10352,"agination":10353,"Ġproceed":10354,"Ġanimation":10355,".Models":10356,"ĠWatch":10357,"iat":10358,"Ġoppon":10359,"/A":10360,"Report":10361,"Ġsounds":10362,"_buf":10363,"IELD":10364,"Ġbund":10365,"ĉget":10366,".pr":10367,"(tmp":10368,"Ġkid":10369,">ĊĊĊ":10370,"Ġyang":10371,"NotFound":10372,"ÑĨ":10373,"math":10374,"@gmail":10375,"ĠLIMIT":10376,"redients":10377,"Ġvent":10378,"avigate":10379,"Look":10380,"Ġreligious":10381,"Ġrand":10382,"rio":10383,"(GL":10384,"_ip":10385,"uan":10386,"iciency":10387,"ĠChange":10388,">čĊčĊ":10389,"ĠEntity":10390,"Ġrencontre":10391,"ĠRet":10392,"plan":10393,"én":10394,"BOOL":10395,"uries":10396,"train":10397,"Definition":10398,"============":10399,"zz":10400,"Animation":10401,"ĠOK":10402,"_menu":10403,".bl":10404,"_score":10405,"Ġacad":10406,"(System":10407,"Ġrefresh":10408,"'=>$":10409,".Graphics":10410,"amento":10411,"pid":10412,"tc":10413,"Ġtips":10414,"Ġhomes":10415,"Ġfuel":10416,"âĸ":10417,"_helper":10418,"ĠĠčĊ":10419,"ĠRoom":10420,".Close":10421,"_attr":10422,"ĠMount":10423,"ĠEv":10424,"arser":10425,"_top":10426,"eah":10427,"ĠDelete":10428,"ãĢį":10429,"uke":10430,"Ġusage":10431,"aria":10432,"_dev":10433,"Ġtexture":10434,"Ġconversation":10435,"eper":10436,"Bean":10437,"done":10438,"nonatomic":10439,"ĠSecond":10440,"Ġshooting":10441,"_pre":10442,"Components":10443,"Ġ]ĊĊ":10444,"__,":10445,"stitution":10446,".Char":10447,">();ĊĊ":10448,"Ġpresented":10449,"Ġwa":10450,"oker":10451,"-ĊĊ":10452,"iner":10453,"Ġbecoming":10454,"Ġincident":10455,"Att":10456,"Ġrevealed":10457,"forc":10458,"Ġboot":10459,".page":10460,"Enumerator":10461,"_->":10462,"Photo":10463,"Ġspring":10464,".\",":10465,"ĠDictionary":10466,"BJECT":10467,"Ġlocations":10468,"Ġsamples":10469,"InputStream":10470,"ĠBrown":10471,"Ġstats":10472,"quality":10473,"Ñħ":10474,"-dis":10475,"Ġhelping":10476,"Ġped":10477,"(se":10478,"ĠWho":10479,"alian":10480,"internal":10481,"Ġft":10482,">().":10483,"->{":10484,"Ġmine":10485,"Ġsector":10486,"Ġgro":10487,"Ġopportunities":10488,"Ġü":10489,"Ġmp":10490,"Ġalleged":10491,"Ġdoubt":10492,"Mouse":10493,"About":10494,"_part":10495,"Ġchair":10496,"Ġstopped":10497,"loop":10498,"entities":10499,"Ġapps":10500,"ansion":10501,"Ġmental":10502,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":10503,"FR":10504,"Ġdefend":10505,"care":10506,"Ġideal":10507,"/api":10508,"urface":10509,"Ġele":10510,"ulator":10511,"ĠRights":10512,"anguages":10513,"Ġfunds":10514,"Ġadapt":10515,"Attributes":10516,"Ġdeploy":10517,"opts":10518,"Ġvalidation":10519,"Ġconcerns":10520,"uce":10521,".num":10522,"ulture":10523,"ila":10524,"Ġcup":10525,"Ġpure":10526,".Fore":10527,"ĠHashMap":10528,".valueOf":10529,"asm":10530,"MO":10531,"Ġcs":10532,"Ġstores":10533,"Ġ************************************************************************":10534,"Ġcommunication":10535,"mem":10536,".EventHandler":10537,".Status":10538,"_right":10539,".setOn":10540,"Sheet":10541,"Ġidentify":10542,"enerated":10543,"ordered":10544,"Ġ\"[":10545,"Ġswe":10546,"Condition":10547,"ĠAccording":10548,"Ġprepare":10549,"Ġrob":10550,"Pool":10551,"Ġsport":10552,"rv":10553,"ĠRouter":10554,"Ġalternative":10555,"([]":10556,"ĠChicago":10557,"ipher":10558,"ische":10559,"ĠDirector":10560,"kl":10561,"ĠWil":10562,"keys":10563,"Ġmysql":10564,"Ġwelcome":10565,"king":10566,"ĠManager":10567,"Ġcaught":10568,")}Ċ":10569,"Score":10570,"_PR":10571,"Ġsurvey":10572,"hab":10573,"Headers":10574,"ADER":10575,"Ġdecor":10576,"Ġturns":10577,"Ġradius":10578,"errupt":10579,"Cor":10580,"Ġmel":10581,"Ġintr":10582,"(q":10583,"ĠAC":10584,"amos":10585,"MAX":10586,"ĠGrid":10587,"ĠJesus":10588,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":10589,".DE":10590,"Ġts":10591,"Ġlinked":10592,"free":10593,"ĠQt":10594,"Ġ/**čĊ":10595,"Ġfaster":10596,"ctr":10597,"_J":10598,"DT":10599,".Check":10600,"Ġcombination":10601,"Ġintended":10602,"-the":10603,"-type":10604,"ectors":10605,"ami":10606,"uting":10607,"Ġuma":10608,"XML":10609,"UCT":10610,"Ap":10611,"ĠRandom":10612,"Ġran":10613,".sort":10614,"Ġsorted":10615,".Un":10616,"_PER":10617,"itory":10618,"Ġpriority":10619,"ĠGal":10620,"ĠOld":10621,"hot":10622,"ĠDisplay":10623,"(sub":10624,"_TH":10625,"_Y":10626,"ĠCare":10627,"loading":10628,"Kind":10629,"_handle":10630,",,":10631,"rase":10632,"_replace":10633,".addEventListener":10634,"ĠRT":10635,"Ġentered":10636,"gers":10637,"Ġich":10638,"(start":10639,"/app":10640,"Ġbrother":10641,"Memory":10642,"Outlet":10643,"Ġutf":10644,"prec":10645,"Ġnavigation":10646,"ORK":10647,"Ġdst":10648,"Detail":10649,"Ġaudience":10650,"Ġdur":10651,"Ġcluster":10652,"unched":10653,"Ġ],":10654,"Ġcomfortable":10655,".values":10656,"ĠTotal":10657,"Ġsnap":10658,"Ġstandards":10659,"Ġperformed":10660,"hand":10661,"(\"@":10662,"åŃ":10663,"Ġphil":10664,"ibr":10665,"trim":10666,"Ġforget":10667,"Ġdoctor":10668,".TextBox":10669,"icons":10670,",s":10671,"ĠOp":10672,"Sm":10673,"Stop":10674,"ĉList":10675,"ĉu":10676,"Comment":10677,"_VERSION":10678,".Xtra":10679,"Person":10680,"rb":10681,"LOB":10682,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ":10683,"ĠCentral":10684,"ICK":10685,"raq":10686,"Ġputting":10687,"Ġmd":10688,"ĠLove":10689,"Program":10690,"Border":10691,"oor":10692,"Ġallowing":10693,"after":10694,"Ġentries":10695,"ĠMaybe":10696,"]).":10697,"ĠShort":10698,")\\":10699,".now":10700,"friend":10701,"Ġprefer":10702,"ĠGPIO":10703,"osis":10704,"ĠGameObject":10705,"Ġskip":10706,"Ġcompetition":10707,"_match":10708,"lications":10709,"_CONT":10710,".groupBox":10711,"Ġals":10712,"\"We":10713,"_eq":10714,"lan":10715,"_search":10716,"ĠMusic":10717,"asis":10718,"Ġbind":10719,"ĠIsland":10720,"rum":10721,"(E":10722,"Ġseat":10723,"Video":10724,"Ġack":10725,"reek":10726,"={()":10727,"Ġrating":10728,"Ġrestaurant":10729,"DEX":10730,"(buf":10731,"pping":10732,"uality":10733,"Ġleague":10734,"Ġfocused":10735,"apon":10736,"$data":10737,"CLUD":10738,"CLUDING":10739,"Ġabsolute":10740,"(query":10741,"Ġtells":10742,"Ang":10743,"Ġcommunities":10744,"Ġhonest":10745,"oking":10746,"Ġapart":10747,"arity":10748,"/$":10749,"_module":10750,"ĠEnc":10751,".an":10752,".Config":10753,"Cre":10754,"Ġshock":10755,"ĠArab":10756,"IENT":10757,"/re":10758,"Ġretrie":10759,"ycler":10760,"isa":10761,"ĠOrgan":10762,".graph":10763,"Ġí":10764,"ĠBAS":10765,"Enum":10766,"Ġpossibly":10767,"ÑĢаÐ":10768,"ĠJapanese":10769,"Ġcraft":10770,"ĠPlace":10771,"Ġtalent":10772,"Ġfunding":10773,"Ġconfirmed":10774,"Ġcycle":10775,"/x":10776,"GE":10777,"Ġhearing":10778,"Ġplants":10779,"Ġmouth":10780,"pages":10781,"oria":10782,"ĠRemove":10783,"_total":10784,"Ġod":10785,"ollapse":10786,"door":10787,"Ġbought":10788,"Ġaddr":10789,"ARCH":10790,"_dim":10791,"dden":10792,"Ġdecades":10793,"REQUEST":10794,"Ġversions":10795,"fire":10796,"Ġmoves":10797,"fb":10798,"Ġcoffee":10799,".connect":10800,"ĠRow":10801,"Ġschema":10802,"Scope":10803,"-Type":10804,"Ġfighting":10805,"Ġretail":10806,"Ġmodified":10807,"TF":10808,"Files":10809,"nie":10810,"_command":10811,"stone":10812,"ĠÑĤ":10813,"_thread":10814,"Ġbond":10815,"ĠDevelopment":10816,"Ġpt":10817,"FORM":10818,"plet":10819,"Ġidentified":10820,"cpp":10821,"Ġcoding":10822,"oked":10823,"ĠMaster":10824,"IDTH":10825,"Ġresidents":10826,"redit":10827,"ĠPhoto":10828,"=-":10829,"unte":10830,"ateur":10831,"_STATE":10832,"ĠSing":10833,"Ġsheet":10834,".val":10835,"orse":10836,"Ġhers":10837,"Ġdetermined":10838,"Common":10839,"Ġwed":10840,"_queue":10841,"PH":10842,"ĠAtl":10843,"cred":10844,"/LICENSE":10845,"Ġmes":10846,"Ġadvanced":10847,".java":10848,".Sh":10849,"Go":10850,"kill":10851,"fp":10852,"_settings":10853,"Ġpal":10854,"Ġtruck":10855,"Ġcombined":10856,"Ġ\"${":10857,"ĠCorpor":10858,"Ġjoined":10859,"ĠJose":10860,"ĠCup":10861,"uns":10862,"estival":10863,"levision":10864,"Ġbroken":10865,"Ġmarriage":10866,"ĠWestern":10867,"Ġrepresents":10868,"ĠTitle":10869,"Ġss":10870,".Ass":10871,"ongoose":10872,"iento":10873,"<>();Ċ":10874,"Ġabsolutely":10875,"Ġsmooth":10876,"TERN":10877,"ĠUnless":10878,"Word":10879,"Ġmerge":10880,"igan":10881,"ĠVol":10882,"Ġnn":10883,".getId":10884,"Ġз":10885,"Ġsexy":10886,"Ġseeking":10887,"Single":10888,".this":10889,"Ġkom":10890,"bound":10891,";\"":10892,"ĠfontSize":10893,"_df":10894,"Ġinjury":10895,"(H":10896,"Ġissued":10897,"_END":10898,":self":10899,"Ġpatch":10900,"Ġleaves":10901,"Ġadopt":10902,"FileName":10903,"ãĢIJ":10904,"Ġexecutive":10905,"ĠByte":10906,"]))Ċ":10907,"Ġnu":10908,"outing":10909,"cluding":10910,"-R":10911,".options":10912,"Ġsubstant":10913,"avax":10914,"ĠBUT":10915,"Ġtechnical":10916,"Ġtwice":10917,"Ġmás":10918,"Ġunivers":10919,"yr":10920,"Ġdrag":10921,"ĠDC":10922,"Ġsed":10923,"Ġbot":10924,"ĠPal":10925,"ĠHall":10926,"forcement":10927,"Ġauch":10928,".mod":10929,"notation":10930,"_files":10931,".line":10932,"_flag":10933,"[name":10934,"Ġresolution":10935,"Ġbott":10936,"(\"[":10937,"ende":10938,"(arr":10939,"Free":10940,"(@\"":10941,"ĠDistrict":10942,"PEC":10943,":-":10944,"Picker":10945,"ĠJo":10946,"ĠĠĠĠĠĊ":10947,"ĠRiver":10948,"_rows":10949,"Ġhelpful":10950,"Ġmassive":10951,"---Ċ":10952,"Ġmeasures":10953,"ĠRuntime":10954,"Ġworry":10955,"ĠSpec":10956,"ĉD":10957,"ãĢij":10958,"Ġ){Ċ":10959,"Ġworse":10960,"(filename":10961,"Ġlay":10962,"Ġmagic":10963,"ĠTheir":10964,"oul":10965,"stroy":10966,"ĠWhere":10967,"Ġsudden":10968,"Ġdefe":10969,"Ġbinding":10970,"Ġflight":10971,"ĠOnInit":10972,"ĠWomen":10973,"ĠPolicy":10974,"Ġdrugs":10975,"ishing":10976,"('../":10977,"ĠMel":10978,"peat":10979,"tor":10980,"Ġproposed":10981,"Ġstated":10982,"_RES":10983,"Ġeast":10984,"ĠCONDITION":10985,"_desc":10986,"Ġwinning":10987,"folio":10988,"Mapper":10989,"ĠPan":10990,"ĠAnge":10991,".servlet":10992,"Ġcopies":10993,"LM":10994,"Ġvm":10995,"åį":10996,"Ġdictionary":10997,"Seg":10998,"elines":10999,"ĠSend":11000,"Ġiron":11001,"ĠFort":11002,".domain":11003,"Ġdebate":11004,"NotNull":11005,"eq":11006,"acher":11007,"lf":11008,"ĉfmt":11009,"Ġlawy":11010,"ÄŁ":11011,"ĠMen":11012,"Ġtrim":11013,"(NULL":11014,"Ġ!!":11015,"Ġpad":11016,"Ġfollows":11017,"\"][\"":11018,"requ":11019,"ĠEp":11020,".github":11021,"(img":11022,"eto":11023,"('\\":11024,"Services":11025,"umbnail":11026,"_main":11027,"pleted":11028,"fortunately":11029,"Ġwindows":11030,"Ġplane":11031,"ĠConnection":11032,".local":11033,"uard":11034,"}\\":11035,"==\"":11036,"andon":11037,"ĠRoy":11038,"west":11039,"iginal":11040,"emies":11041,"itz":11042,"'):Ċ":11043,"ĠPeter":11044,"Ġtough":11045,"Ġreduced":11046,"Ġcalculate":11047,"Ġrapid":11048,"customer":11049,"Ġefficient":11050,"Ġmedium":11051,"Ġfell":11052,".ref":11053,"ĠCas":11054,"Ġfeedback":11055,"Speed":11056,"(output":11057,"aje":11058,"Ġcategories":11059,"Ġfee":11060,"};":11061,"Ġdeleted":11062,"reh":11063,"Ġproof":11064,"Desc":11065,"Build":11066,"Ġsides":11067,".ArrayList":11068,"-%":11069,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":11070,"ر":11071,".match":11072,"ли":11073,"Ġfeels":11074,"Ġachieve":11075,"Ġclim":11076,"_ON":11077,"ĠCD":11078,"Ġteacher":11079,"_current":11080,"bn":11081,"_PL":11082,"isting":11083,"Enable":11084,"GEN":11085,"Ġtv":11086,"Ġsock":11087,"Ġplays":11088,"Ġdiscount":11089,"ĠKE":11090,"ĠDebug":11091,"Fore":11092,"ĠIraq":11093,"Ġappearance":11094,"Mon":11095,"Ġstyled":11096,"ĠHuman":11097,"iot":11098,"ĠHistory":11099,"Ġsac":11100,"ĠCollection":11101,"Ġrecommended":11102,".Selected":11103,"Ġorganizations":11104,"Ġdiscovered":11105,"cohol":11106,"adas":11107,"ĠThomas":11108,"May":11109,"Ġconserv":11110,"Ġdomin":11111,"ĠFollow":11112,"ĠSection":11113,"ĠThanks":11114,"Username":11115,"Ġrecipe":11116,"Ġwonderful":11117,".sleep":11118,"_if":11119,"ĉĊĉĊ":11120,"orno":11121,"Ġru":11122,"_target":11123,".\"\"":11124,"à¦":11125,"EventArgs":11126,"Ġinputs":11127,"Ġfif":11128,"Ġvision":11129,"cy":11130,"ĠSeries":11131,")(((":11132,"Ġtrading":11133,"Ġmarker":11134,"Begin":11135,"Ġtypically":11136,"Ġcauses":11137,"dropdown":11138,"_DEBUG":11139,"Ġdetect":11140,"country":11141,"!\");Ċ":11142,"ĉR":11143,"appy":11144,"Ġcref":11145,"('<":11146,"\"=>":11147,"ĠLE":11148,"reader":11149,"Ġadministr":11150,"õ":11151,"ucket":11152,"Ġfashion":11153,".char":11154,"izar":11155,"Ġdisable":11156,"Ġsuc":11157,"ĠLive":11158,"issue":11159,"Ġmetadata":11160,"flags":11161,"ĠðŁ":11162,"Ġcommitted":11163,"Ġva":11164,"Ġrough":11165,"Ġ'''Ċ":11166,"Ġhighlight":11167,"_vars":11168,"VO":11169,"Ġencoding":11170,"-Z":11171,"_sign":11172,"$(\"#":11173,"Ġrain":11174,"reatest":11175,"ĠEND":11176,"Selection":11177,"Ġcandidates":11178,"Ġsav":11179,".Empty":11180,"Ġdecisions":11181,"Ġcollabor":11182,"ridge":11183,"feed":11184,"ression":11185,"Ġpersons":11186,"VM":11187,"ega":11188,"_BIT":11189,"According":11190,"acked":11191,"Ġdollars":11192,"_loss":11193,"ĠCost":11194,"}\"Ċ":11195,"Notification":11196,"Ġprostit":11197,"Ġauthority":11198,".rec":11199,"Ġspokes":11200,"ĠToday":11201,"istant":11202,"ĠHead":11203,"âĢĿ.":11204,"ertainment":11205,"cean":11206,"culate":11207,"Ġven":11208,"However":11209,"_arr":11210,"Ġtokens":11211,"Graph":11212,"ĠJud":11213,"ĠVirgin":11214,"ĠSerial":11215,"unning":11216,"Mutable":11217,"agers":11218,".csv":11219,"Ġdeveloping":11220,"Ġinstructions":11221,"Ġpromise":11222,"Ġrequested":11223,"_encode":11224,"/\"":11225,"ĠIcon":11226,"uilt":11227,"-day":11228,"Ġintelligence":11229,".IS":11230,"ĠObservable":11231,"ĠHard":11232,"Bool":11233,"idential":11234,".Anchor":11235,"Ġselling":11236,"CI":11237,"AGES":11238,"tle":11239,"bur":11240,"UFFER":11241,"RY":11242,"Ġbigger":11243,"Ġrat":11244,"Ġfamous":11245,"Ġtypename":11246,"Ġexplained":11247,"}}Ċ":11248,"Ġnuclear":11249,"-N":11250,"Ġcrisis":11251,"ĠEnter":11252,"Ġanswers":11253,"/${":11254,"/pl":11255,"Ġsequ":11256,"_next":11257,"mask":11258,"Ġstanding":11259,"Ġplenty":11260,"ĠCross":11261,"ĉret":11262,"dro":11263,"ĠCast":11264,"=true":11265,"ĠChris":11266,"icio":11267,"ĠMike":11268,"Decimal":11269,"addComponent":11270,"Len":11271,"Ġcock":11272,"Ġ#{":11273,"URN":11274,"":11403,"Ġ*=":11404,"ĠPS":11405,"Ġdangerous":11406,"[p":11407,"OME":11408,"Other":11409,"ĠStringBuilder":11410,"Points":11411,"heading":11412,"Ġcurrency":11413,"Ġpercentage":11414,"_API":11415,"Ġclassic":11416,"thead":11417,"ĠMO":11418,"FE":11419,"Idx":11420,"await":11421,"Ġè":11422,"Ġaccident":11423,"Ġvariant":11424,"Ġmyst":11425,"ĠLand":11426,"ĠBre":11427,"Ġharm":11428,"ĠAcc":11429,"Ġcharged":11430,"iones":11431,"Visibility":11432,"arry":11433,"ĠLanguage":11434,"Ġwalking":11435,"\".ĊĊ":11436,"ifer":11437,"Ġleadership":11438,".From":11439,"ynam":11440,"Ġtimestamp":11441,"ipt":11442,"ĠHas":11443,"REFER":11444,"ĠIts":11445,"Ġlistener":11446,"UTE":11447,"_description":11448,"Ġexperiences":11449,"Ġcreates":11450,"RS":11451,"cart":11452,"black":11453,"Ġchoices":11454,"war":11455,"Ġ'''":11456,"Ġordered":11457,"Ġevening":11458,"Ġpil":11459,"Ġtun":11460,"ĠBad":11461,"(app":11462,"random":11463,"Ġexplicit":11464,"Ġarrived":11465,"Ġfly":11466,"Ġeconom":11467,"-mail":11468,"Ġlists":11469,"Ġarchitect":11470,"ĠPay":11471,"Ġds":11472,"ĠSol":11473,"Ġvehicles":11474,"Hz":11475,"-com":11476,"Ġking":11477,"_equal":11478,"ĠHelp":11479,"Ġabuse":11480,"--;Ċ":11481,"Ġextr":11482,"Ġchemical":11483,"ä¿":11484,"Ġorient":11485,"Ġbreath":11486,"ĠSpace":11487,"(element":11488,"wait":11489,"DED":11490,"igma":11491,"Ġentr":11492,"Ġsob":11493,"-name":11494,"Ġaffected":11495,"ika":11496,"Ġcoal":11497,"_work":11498,"Ġhundreds":11499,"Ġpolitics":11500,"subject":11501,"Ġconsumer":11502,"ANGE":11503,"Ġrepeated":11504,"Send":11505,"Ġ#[":11506,"Ġprotocol":11507,"Ġleads":11508,"useum":11509,"Every":11510,"Import":11511,"(count":11512,"Ġchallenges":11513,"Ġnovel":11514,"Ġdepart":11515,"bits":11516,".Current":11517,"Ġ`${":11518,"oting":11519,"(\\":11520,"Ġcreative":11521,"Ġbuff":11522,"Ġintroduced":11523,"usic":11524,"modules":11525,"Are":11526,"-doc":11527,"language":11528,"_cache":11529,"Ġtod":11530,"?>{{":11764,"ĠResource":11765,"ĠStandard":11766,"ĠPrem":11767,"updated":11768,"ivalent":11769,"Ġassets":11770,"_temp":11771,"Ġinterests":11772,"Ġhardware":11773,"ĠRom":11774,"ĠShare":11775,"Ġ''Ċ":11776,"Ġ*,":11777,"ĠTake":11778,"ĠImages":11779,"_CHECK":11780,"(typeof":11781,"ĠJun":11782,"\\<^":11783,"Ġliqu":11784,"Ġworst":11785,"ymbols":11786,"ĉĉĉĠĠĠ":11787,"Ġdrivers":11788,"ĠDocument":11789,"eno":11790,"ĠTechnology":11791,"Ġapproved":11792,"umps":11793,"Ġsnow":11794,"formance":11795,"_ASSERT":11796,"uits":11797,"ÙĨ":11798,"Ġdifferences":11799,".Visible":11800,"ĉĉĉčĊ":11801,"ĠPs":11802,"_fetch":11803,"Ġtodo":11804,".',Ċ":11805,"Ġsel":11806,"urers":11807,"invalid":11808,"Ġtweet":11809,"VEL":11810,"Ġresearchers":11811,"Ġsprintf":11812,"ĠRO":11813,"Ġpel":11814,".Trans":11815,"Ġillegal":11816,"dialog":11817,"smarty":11818,"lg":11819,"_MIN":11820,"Ġhero":11821,"final":11822,"Ġpp":11823,".Le":11824,"Ġci":11825,"ĉRT":11826,"Ġsuggested":11827,"pdf":11828,"aching":11829,"ĠRo":11830,"ĠProperties":11831,"ĠSi":11832,"Ġbuying":11833,"Ġmu":11834,"Ġlands":11835,"ifiers":11836,"ĠFILE":11837,"ROUP":11838,"Ġholder":11839,"ĠSon":11840,"Ġsympt":11841,".route":11842,")?":11843,"Ġargc":11844,"Ġfort":11845,"Ġcasino":11846,"_category":11847,"Ġforum":11848,"prefix":11849,"apture":11850,"Tube":11851,"ems":11852,"imize":11853,"Ġnue":11854,"aus":11855,"course":11856,"ATOR":11857,"()),":11858,"Advertis":11859,"INGS":11860,"Ġacknow":11861,"ĠKorea":11862,"pling":11863,"Ġworker":11864,"PLIED":11865,"hal":11866,"ĠRichard":11867,"Elements":11868,"ĉĉĉĠ":11869,"star":11870,"Ġrelationships":11871,"Ġcheap":11872,"ACH":11873,"ĠXML":11874,",&":11875,"ĠLouis":11876,"Ġride":11877,"_FAIL":11878,"Ġchunk":11879,"[s":11880,"_OUT":11881,"Ġchosen":11882,"_[":11883,"/(":11884,"ĠJeff":11885,"_sl":11886,"priv":11887,"ĠCanadian":11888,"Ġunable":11889,"_FLAG":11890,"Ġnos":11891,"high":11892,"Ġlift":11893,"fun":11894,"(){":11895,"elly":11896,"yclerView":11897,"_as":11898,"_LIST":11899,"Ġradi":11900,".getValue":11901,"ĠAngeles":11902,"ĠSpan":11903,"_instance":11904,"itors":11905,"Ġmigration":11906,"AK":11907,"Oh":11908,"®":11909,".selected":11910,"ĠGT":11911,"Ġadvance":11912,"ĠStyle":11913,".DataGridView":11914,"ection":11915,"Ñİ":11916,"pio":11917,"rog":11918,"Ġshopping":11919,"ĠRect":11920,"Illuminate":11921,"OU":11922,"ĉarray":11923,"Ġsubstantial":11924,"Ġpregn":11925,"Ġpromote":11926,"IEW":11927,".Layout":11928,"Ġsigns":11929,"/.":11930,"Ġletters":11931,"Board":11932,"ctrl":11933,"\"\\":11934,"ĠJones":11935,"Ġvertex":11936,"Ġja":11937,"Ġaffili":11938,"Ġwealth":11939,"ĉdefault":11940,"Ġsignificantly":11941,"Ġec":11942,"Ġxs":11943,"actual":11944,".per":11945,"_step":11946,"anvas":11947,"mac":11948,"Ġtransl":11949,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":11950,"Iterator":11951,"Ġoch":11952,"agnostic":11953,"ĠDuring":11954,"ĠDEFAULT":11955,"Ġtill":11956,"Ġsignature":11957,"Ġbird":11958,"ĠOl":11959,"ĠIr":11960,"HS":11961,"avatar":11962,"ESSAGE":11963,"Ġelev":11964,"Ġmt":11965,"ĠNav":11966,"Ġrelax":11967,"Ġplate":11968,"ITEM":11969,"(date":11970,".not":11971,"Ġgrade":11972,"Ġ}),Ċ":11973,"?\"ĊĊ":11974,"iences":11975,"High":11976,"ĠDIS":11977,"disabled":11978,"QUI":11979,"Ġnoise":11980,"aux":11981,"ĠUP":11982,"osa":11983,"Ġvoc":11984,"Ġ))":11985,"ocom":11986,"_OFF":11987,"ĠDb":11988,"Lock":11989,".eclipse":11990,",d":11991,"ĠDraw":11992,"Ġ\"(":11993,"Ġvisited":11994,"ĠâĪ":11995,"Ġsucceed":11996,"Ġimpossible":11997,"aire":11998,"ĠTurn":11999,"Ġdish":12000,"FG":12001,"Ġsensor":12002,"ANN":12003,"aba":12004,"Ġsurg":12005,"]);čĊ":12006,"Ġfp":12007,"_an":12008,"-J":12009,"-G":12010,"ĠJob":12011,"Convert":12012,"ĠKEY":12013,"Ġauthors":12014,"_server":12015,"\\r":12016,"Ġ-*-":12017,"flex":12018,"Ġsoc":12019,"Ret":12020,"Ġsalt":12021,"ĠâĢ¦ĊĊ":12022,"ĠClear":12023,"(page":12024,"-danger":12025,"Ġrooms":12026,"conv":12027,"#{":12028,".op":12029,"ĠArea":12030,"_SC":12031,"hen":12032,"Ġbegins":12033,"-y":12034,"Ġexcited":12035,"Ġignored":12036,"Ġbonus":12037,"student":12038,"ĠMember":12039,"Ġrelatively":12040,"ĠLow":12041,"ĠProdu":12042,"ateway":12043,"posure":12044,"Ġthick":12045,"aniel":12046,"(view":12047,"ĠCrush":12048,"Extension":12049,"Il":12050,"eed":12051,"LOC":12052,".im":12053,".Items":12054,"Ġconflict":12055,".prevent":12056,"ĠonCreate":12057,"uv":12058,"iser":12059,"Ġwave":12060,"Mar":12061,"ĠCommunity":12062,"iche":12063,"ĠNothing":12064,"[m":12065,"ĠLee":12066,"riends":12067,"ère":12068,"!!!":12069,"anz":12070,".result":12071,"ĠSK":12072,"_PARAM":12073,"Ġdemocr":12074,"BackColor":12075,".exists":12076,"\"It":12077,"(options":12078,"razy":12079,"aser":12080,"\\Database":12081,"alendar":12082,"_ass":12083,";}Ċ":12084,"vertex":12085,"inecraft":12086,"Warning":12087,"argo":12088,"Ġactor":12089,"ĠInstead":12090,"ĠUsing":12091,"Self":12092,"@interface":12093,"Ġspeaking":12094,"ĠParis":12095,"ĠLICENSE":12096,".node":12097,"ĠFood":12098,"EIF":12099,"ĠBi":12100,".Start":12101,"ĠIB":12102,"Ġuniversity":12103,"ĠHeader":12104,".product":12105,"Copy":12106,"etc":12107,"rical":12108,"Ġ>>>":12109,"books":12110,"Ġalgorithm":12111,"Ġ'__":12112,"(javax":12113,"Ġnumerous":12114,"Share":12115,"Have":12116,"Ġrecru":12117,"Ġprove":12118,".substring":12119,"health":12120,"ел":12121,"Ġdecimal":12122,"Ġcommission":12123,"scription":12124,"xC":12125,"Ġsummary":12126,"atted":12127,"Ġcloser":12128,"finished":12129,"()){Ċ":12130,"ĠWood":12131,"_fields":12132,"ku":12133,"_items":12134,"Flag":12135,"Ġconfidence":12136,"ĠFederal":12137,"dux":12138,"Ġcompat":12139,"Ġvertical":12140,"й":12141,"ès":12142,";\">Ċ":12143,"_manager":12144,"()))Ċ":12145,"IDE":12146,":\",":12147,"__Ċ":12148,"ĠWay":12149,"ÑĪ":12150,"Temp":12151,"ĠSTR":12152,"ritten":12153,"Sync":12154,"ĠAV":12155,"ĠCEO":12156,"ĠGuid":12157,"Ġenvironmental":12158,"Ġcorresponding":12159,"ĉconsole":12160,"Ġjustice":12161,"ĠJS":12162,"Ġlived":12163,"gar":12164,"ĠGraph":12165,"ĠStat":12166,"ĠiPhone":12167,".al":12168,"ĠHD":12169,"Ġoccur":12170,"Ġthreshold":12171,"Ġonclick":12172,"REG":12173,".GraphicsUnit":12174,"Meta":12175,"ž":12176,"Ġcum":12177,".gnu":12178,"ë":12179,"Ġobtained":12180,"Ġcomplaint":12181,"Ġeating":12182,"Ġtar":12183,"_task":12184,"Ġopts":12185,"(to":12186,"Pass":12187,"Ġplastic":12188,"tility":12189,"ĠWin":12190,".preventDefault":12191,"pile":12192,"ĠGar":12193,"Ġquantity":12194,"_last":12195,"Ġgreatest":12196,"Dao":12197,"_DIS":12198,"ĠUsed":12199,"ĠHP":12200,"riting":12201,"SION":12202,"blue":12203,"domain":12204,"Ġscores":12205,"Normal":12206,"_admin":12207,"ĠASSERT":12208,"Then":12209,"***":12210,"dist":12211,"lon":12212,"Ġhate":12213,"shal":12214,"ImageView":12215,"database":12216,"Ġpand":12217,"Ġlogic":12218,"=false":12219,"bg":12220,"ĠConfiguration":12221,"Ġnur":12222,"OG":12223,"Ġmarried":12224,":+":12225,"Ġdropped":12226,"Ġregistration":12227,"ом":12228,"ultiple":12229,"izers":12230,"shape":12231,".copy":12232,"Ġwearing":12233,"ĠCath":12234,"Ġdedicated":12235,"Ġ...Ċ":12236,"Ġadvoc":12237,"ĠFamily":12238,"Ġstatements":12239,"ematic":12240,"ampionship":12241,"Ġmotiv":12242,"ĠHave":12243,"Ġblow":12244,"Job":12245,"cert":12246,"_vector":12247,"install":12248,"ĠCOPY":12249,"embed":12250,"DIR":12251,"ĠSpring":12252,"Ġexhib":12253,"cdn":12254,"ĠComment":12255,"ĠOptional":12256,".player":12257,"ĠDark":12258,"(pos":12259,"ĠShould":12260,"Ġcentre":12261,"ĠGuard":12262,"ów":12263,"Ġtrouble":12264,"ENER":12265,"(unsigned":12266,"_service":12267,"Ġns":12268,"uling":12269,"ĠMexico":12270,"ĠNY":12271,"mysql":12272,"Ġlic":12273,"åľ":12274,"Mr":12275,"-fl":12276,"ĠCustomer":12277,"idi":12278,"Ġ?>ĊĊ":12279,"rible":12280,"ĠпÑĢ":12281,"Ġsizes":12282,"_STRING":12283,"validation":12284,"ĠJon":12285,"(Http":12286,"addClass":12287,"Nodes":12288,"Ġfragment":12289,"Ġspoke":12290,"Ġwaste":12291,"Join":12292,"Ġillustr":12293,"eli":12294,"cient":12295,"Ġaid":12296,"Ġprosec":12297,"'){Ċ":12298,"Ġpassing":12299,"Ġfaces":12300,"Shape":12301,"_Z":12302,"iti":12303,"Ġalle":12304,"Ġrobot":12305,"ĠĠĠĠĠĠĠĊ":12306,"ĠSpe":12307,"Ġreceiving":12308,"ĠDetails":12309,"Ġ\")":12310,"mg":12311,"_REF":12312,"Ġcomparison":12313,"*,":12314,"ĠFound":12315,"_session":12316,"(U":12317,"/F":12318,"Ġxxx":12319,"Network":12320,"ders":12321,"Ġcapture":12322,"Ġcorre":12323,"ĠLtd":12324,"ĠAdv":12325,"[@":12326,"Ġclip":12327,"Mill":12328,"ĠProfile":12329,"Ġendif":12330,"Ġoblig":12331,"describe":12332,".element":12333,"riterion":12334,"LD":12335,"ered":12336,"Ġfavour":12337,"score":12338,"ĠFilter":12339,"attributes":12340,"Ġchecks":12341,"Inflater":12342,"ĠPlus":12343,"Ġscientific":12344,"Ġprivacy":12345,"Head":12346,"Ġfeat":12347,"Ġdegrees":12348,"ĠPale":12349,";\">":12350,"Ġfilms":12351,"ĠAudio":12352,"ĠTag":12353,"ĠEnergy":12354,"itar":12355,"parator":12356,"Ġfellow":12357,"Ġevt":12358,"ĠTri":12359,"ĠDAM":12360,"cloud":12361,"ĠPassword":12362,"ĠDemocrats":12363,"ĠAcad":12364,"$lang":12365,"Ġreb":12366,"())ĊĊ":12367,"нÑĭ":12368,"ĠBur":12369,"readcr":12370,"Ġhex":12371,"Console":12372,"ctl":12373,"ousel":12374,"ĠWilliam":12375,"Ġaz":12376,"_PORT":12377,"Ġpractices":12378,"Ġanywhere":12379,"ĠPosition":12380,"Ġ->Ċ":12381,"iams":12382,".username":12383,"placeholder":12384,"Ġoder":12385,"ĠSecretary":12386,"ĠiT":12387,"mond":12388,"events":12389,"?âĢĿ":12390,".Sub":12391,"Ġattached":12392,"Ġnão":12393,"Ġestate":12394,".action":12395,"Ġfigures":12396,"Ġ});čĊ":12397,"Ġsubscri":12398,".tag":12399,"nam":12400,".plot":12401,"noon":12402,"liament":12403,"Character":12404,".tab":12405,"Ġwinter":12406,"ĠVariable":12407,"Ġtrees":12408,"Ġproud":12409,"(V":12410,"_load":12411,"Ġhier":12412,"ĠEcon":12413,"Ġfd":12414,"Ġvictims":12415,"Rest":12416,"iana":12417,"Ġfake":12418,".Println":12419,"Ġstrlen":12420,"Ġsad":12421,"Ġble":12422,"Prot":12423,"Ġbuttons":12424,"Ġtelevision":12425,"Ġlogo":12426,"extension":12427,"ĉj":12428,"stein":12429,"aciones":12430,"Ġ\"\"\"ĊĊ":12431,"Ġsimp":12432,"Ġrecorded":12433,"Ġbrings":12434,"Ġprincipal":12435,"Ġfees":12436,"(source":12437,"kdir":12438,"Ġutils":12439,"Ġcorrectly":12440,"fil":12441,"Ġwel":12442,"Pair":12443,"-button":12444,"scale":12445,"verify":12446,"[c":12447,"Ġ---":12448,"Ġescape":12449,"ikes":12450,"LowerCase":12451,"ician":12452,"Ġchapter":12453,"ĠTYPE":12454,"Ġshadow":12455,"Ġawesome":12456,"WE":12457,"elif":12458,"Ġlambda":12459,"Ġdistinct":12460,"Ġbare":12461,"-off":12462,"Ġcolour":12463,".appendChild":12464,"olec":12465,"aga":12466,".fill":12467,"ĉsuper":12468,"Ġadj":12469,"(position":12470,".getItem":12471,"Short":12472,"Ġtotally":12473,"VD":12474,"ĠTre":12475,"_ep":12476,"vements":12477,"ĠSolution":12478,"Ġfundament":12479,"Follow":12480,"Ġfacility":12481,"Ġhappening":12482,"OF":12483,".textBox":12484,"Span":12485,"Ġ«":12486,"iden":12487,"Ġexceed":12488,"(parent":12489,"Ġcp":12490,"ç»":12491,"Ġhasn":12492,"Ġpri":12493,"Ġconsequ":12494,"nen":12495,"ĠINTO":12496,"Ignore":12497,"ĠFuture":12498,"Ġcarbon":12499,"ĠSteel":12500,"fmt":12501,"okie":12502,"Ġspl":12503,"(title":12504,"-info":12505,"Ġdeals":12506,"Ġfixture":12507,"ea":12508,"Div":12509,"Ġtested":12510,"_return":12511,")ĊĊĊĊ":12512,"upported":12513,"ĠCook":12514,"Ġpaying":12515,"ĠIll":12516,"Ġarrested":12517,"ĠPrime":12518,"_callback":12519,">,Ċ":12520,"driver":12521,"Once":12522,"abb":12523,"_bytes":12524,"ĠSets":12525,"(Object":12526,"Ġcc":12527,"Ġshell":12528,"alo":12529,");//":12530,"(log":12531,"ctors":12532,")":13004,"Ġ$(\".":13005,".pos":13006,"Ġboys":13007,"Ġwedding":13008,"Ġagents":13009,"=\"_":13010,"ĠArmy":13011,"Ġhint":13012,"vision":13013,"Ġtech":13014,"ĠConnect":13015,"Ġlegend":13016,"ĠBet":13017,".Base":13018,"Subject":13019,"Ġlit":13020,"Remove":13021,"Ġ\":":13022,"ĠFinal":13023,"pearance":13024,"ĠiTunes":13025,"Ġparticipants":13026,"ĠPython":13027,"Ġbusy":13028,"iel":13029,"vertices":13030,"ĠtemplateUrl":13031,"ĠClose":13032,"Img":13033,"ĠCorporation":13034,"timestamp":13035,"Ġextend":13036,"Ġwebsites":13037,"Ġpossibility":13038,"оÑĤ":13039,"Ġkö":13040,"Ġmeat":13041,"Ġrepresentation":13042,"Ġĉĉ":13043,"_START":13044,".apply":13045,"ĠValley":13046,"ĠSuccess":13047,"Hi":13048,"Ġnob":13049,"ĠIEnumerable":13050,"_select":13051,"geo":13052,".\")Ċ":13053,"Ġturning":13054,"Ġfabric":13055,"(\"\");Ċ":13056,"Ġperspective":13057,"éĹ":13058,"ĠSn":13059,"Thank":13060,";j":13061,".Parameters":13062,"ĉĠĠĠĠĠĠĠĠĠĠĠ":13063,"Ġfacts":13064,"Ġunt":13065,".instance":13066,"################################################################":13067,"-end":13068,"ĠJOIN":13069,"ĠHen":13070,"Ġuri":13071,"åIJį":13072,"Ġна":13073,"ĠInfo":13074,"Ġconducted":13075,"ĠÃ¥":13076,"OURCE":13077,"Ġwine":13078,"John":13079,".Errorf":13080,"ĠAge":13081,"ounded":13082,"Ġrealize":13083,"Ġ];":13084,"Ġsubsequ":13085,",m":13086,"(User":13087,"iano":13088,"Ġaccompl":13089,"isp":13090,".std":13091,"éĩ":13092,"ĠBed":13093,".setAttribute":13094,"BR":13095,"keep":13096,"ĠALL":13097,"Ġisol":13098,"amma":13099,"Package":13100,"Ġoccasion":13101,"-success":13102,"ед":13103,"ĠLIMITED":13104,"strip":13105,"()ĊĊĊ":13106,"istribution":13107,"Colors":13108,"Ġ+:+":13109,"DidLoad":13110,"aler":13111,"Ġtid":13112,"ĠLED":13113,"ĠLinked":13114,"ĠCart":13115,"())čĊ":13116,"_READ":13117,"Ġkilling":13118,"ĠPHP":13119,"fection":13120,"Ġinstances":13121,"cv":13122,"\"/>":13123,"Ġsf":13124,"Ġtaxes":13125,"_location":13126,"ĠBitcoin":13127,"uable":13128,"rank":13129,"ignore":13130,"track":13131,"ка":13132,"Ġshouldn":13133,"ĠOP":13134,"=>{Ċ":13135,"Ġkm":13136,"Ġhelper":13137,"_head":13138,"ĠWhether":13139,"oco":13140,"_bl":13141,"Ġstatistics":13142,"Ġbeauty":13143,"Ġtog":13144,"tip":13145,"ëĭ¤":13146,"Ġcsv":13147,"(sql":13148,"stdlib":13149,"weak":13150,"Ġlikes":13151,"Äį":13152,"Ġrepeat":13153,"Ġapartment":13154,"Ġemph":13155,"_edit":13156,"Ġvit":13157,"ĉtype":13158,"Even":13159,"uten":13160,"Ġcircumstances":13161,"bian":13162,"Ġsugar":13163,"Windows":13164,"ìŀ":13165,"Ġobserved":13166,"/data":13167,"Ġcalendar":13168,"Ġstrike":13169,"ĠRES":13170,"_sc":13171,"fony":13172,"orem":13173,"(z":13174,"power":13175,"etect":13176,"ĠSat":13177,".description":13178,"Ġgang":13179,"ĠSports":13180,"ongs":13181,"ĠBundle":13182,".sum":13183,"once":13184,"Ġaccused":13185,"Ġexplore":13186,"Ġapproximately":13187,"Ġlosing":13188,"thesis":13189,"ĠFund":13190,"Ġdiagn":13191,"Autowired":13192,"properties":13193,"Ġ_.":13194,"Ġcnt":13195,"cedure":13196,"Ġyy":13197,"Ġgrant":13198,"sock":13199,".innerHTML":13200,"Ġ]);Ċ":13201,"ĠCONFIG":13202,"='$":13203,"]];Ċ":13204,"UND":13205,"Ġglob":13206,"Ġdire":13207,"uffle":13208,"_MEM":13209,"Ġauthentic":13210,">(\"":13211,"Ġdecade":13212,"ĠImport":13213,"Ġoriginally":13214,"ĠjQuery":13215,"Ġindicate":13216,"Ġourselves":13217,"Sw":13218,".lbl":13219,"enerate":13220,"Ġbasically":13221,"ĠHom":13222,"Ġ+#+":13223,"ĠBritain":13224,"ĠKar":13225,"toEqual":13226,".stop":13227,"Ġmodal":13228,"isi":13229,"Ġsuggests":13230,"Ġdtype":13231,"Ġtur":13232,"bf":13233,"Ġconnections":13234,"ĠBefore":13235,"isted":13236,"mouse":13237,"Ġpulled":13238,".build":13239,"Ġlegislation":13240,"Ġforth":13241,"pad":13242,"ego":13243,".Now":13244,"Ġexciting":13245,"}ĊĊĊĊ":13246,"Ġcompr":13247,"Ġshares":13248,"Ġrig":13249,"green":13250,"_vec":13251,"Ġenumerate":13252,"Auto":13253,"icator":13254,"ĠRay":13255,"asse":13256,"Ġholiday":13257,"Ġnullable":13258,"gun":13259,"_details":13260,"Ġwrapper":13261,"seq":13262,"ĠYoung":13263,"juana":13264,"Ġ\"__":13265,"license":13266,"serve":13267,"^(":13268,"iders":13269,".Remove":13270,"ropdown":13271,"'S":13272,"pin":13273,"(token":13274,".Default":13275,"Ġreasonable":13276,"ampion":13277,"ĠSociety":13278,"Ġbei":13279,"erves":13280,"rad":13281,"ĠFox":13282,"_images":13283,"Ġwheel":13284,"')[":13285,"Ġcfg":13286,"(By":13287,"Constructor":13288,"Ġvary":13289,".swift":13290,"Ġproxy":13291,"ĉH":13292,"ĠAnother":13293,"ĠPen":13294,"Ġchecking":13295,"Ġjest":13296,"manager":13297,"Origin":13298,"ugs":13299,"oir":13300,">čĊ":15956,"Ġrelief":15957,"lap":15958,"quer":15959,"_parent":15960,"heap":15961,"LOSE":15962,"Ġcombine":15963,"ĠRose":15964,"owers":15965,"Ġprocedures":15966,"ĠSort":15967,"anim":15968,"variant":15969,"ehicle":15970,"Ġsigning":15971,"Primary":15972,"currency":15973,"Ġsexe":15974,"oen":15975,"theta":15976,"eman":15977,"Ġimpressive":15978,"('_":15979,"ĉU":15980,"ĠTextStyle":15981,"_cnt":15982,"Ġslice":15983,"(':":15984,"Ġunderstood":15985,"His":15986,"Ġinformed":15987,"Ġnick":15988,"(TAG":15989,"hd":15990,"Ġelections":15991,"esture":15992,"ĠSanta":15993,"ĠCoast":15994,".pdf":15995,"inciple":15996,".clone":15997,"born":15998,"uta":15999,"Ġlicensed":16000,"Cr":16001,"Ġbread":16002,"ĠHouston":16003,"Ġnod":16004,"Ġhopes":16005,"ĠCGRect":16006,"Ġguilty":16007,".gif":16008,"Ġrose":16009,".Common":16010,"Tip":16011,"ANK":16012,"ĠFC":16013,"During":16014,"ĠSymfony":16015,"Ġdefensive":16016,"km":16017,")>":16018,"archive":16019,"ĠURI":16020,"ycling":16021,"-o":16022,"ĠWebsite":16023,"AMP":16024,"ishment":16025,"Ġdoctors":16026,"Direct":16027,"ARI":16028,"ĠRedirect":16029,"ieren":16030,"_dist":16031,"yo":16032,"ĠProgress":16033,"Ġzum":16034,"Ġmemor":16035,"ĠED":16036,"Ġjur":16037,"æį®":16038,"_TABLE":16039,"Ġuuid":16040,"Expr":16041,".head":16042,"('%":16043,"pointer":16044,"Ġestimate":16045,"ĠGreg":16046,"Ġloader":16047,"ĠiOS":16048,"Ġmens":16049,"[y":16050,"Ġrefused":16051,"Ġprecision":16052,"isch":16053,"ĠACTION":16054,"Cloud":16055,"sWith":16056,"(ret":16057,"_ADDR":16058,"_conf":16059,"(df":16060,"Ġlocked":16061,"Ġrising":16062,"ãĥ»ãĥ»":16063,"ĠMs":16064,"Ġscenes":16065,"_EXT":16066,"_raw":16067,"_the":16068,"people":16069,"Ġrecon":16070,"ĠFun":16071,"Ġbless":16072,"ĠUpdated":16073,"ün":16074,"ĠĠĠĠĠĠĠĠĠĠĠĠčĊ":16075,"pection":16076,"Release":16077,".logger":16078,"ĠSY":16079,"Ġcounsel":16080,"urd":16081,"_true":16082,"Ġeverybody":16083,"ivot":16084,"Ġhence":16085,"ĠNAS":16086,"Ġopposed":16087,"unknown":16088,"ĠDESC":16089,"ĠChair":16090,"failed":16091,"ĠINCLUDING":16092,"Ġwriters":16093,"{}Ċ":16094,"ÃŃt":16095,"_copy":16096,"}:":16097,"ĠBat":16098,"Ġconverted":16099,"eding":16100,"placement":16101,"ĠHost":16102,"Sound":16103,"им":16104,"Ġsought":16105,"mid":16106,"Ġsalary":16107,"ogg":16108,"âĦ¢":16109,"bul":16110,"Ġwir":16111,"validator":16112,"_STAT":16113,".store":16114,"ĠBattle":16115,"ın":16116,"Ġ-->ĊĊ":16117,"Trump":16118,"dot":16119,"ĠCONT":16120,".fetch":16121,"Ġcontinu":16122,"was":16123,"Ġfraud":16124,"_tmp":16125,"mitter":16126,".pictureBox":16127,"GA":16128,"Ġtournament":16129,".Input":16130,"[r":16131,"exion":16132,"centage":16133,"ĠKorean":16134,"undef":16135,"ĠAvailable":16136,"reshape":16137,"Ġkit":16138,"ĠStruct":16139,"ĠSUB":16140,"Answer":16141,"_lib":16142,".twitter":16143,"Ġore":16144,"ĠDragon":16145,".Ext":16146,",k":16147,"Ġexplanation":16148,"refs":16149,"ĠDrive":16150,"ĠTraining":16151,".Has":16152,"intage":16153,"big":16154,"ologist":16155,"ennis":16156,"Ùĩ":16157,"Ġchicken":16158,"ĠĠĠĠĠĠĠĠĠĠĊ":16159,"çĽ":16160,"ãģ§":16161,"Ġpeak":16162,"Ġdrinking":16163,"Ġencode":16164,"ĠNEW":16165,"malloc":16166,"ĉfprintf":16167,"Ġ=================================================================":16168,"including":16169,"Ġprinciples":16170,"ĠMah":16171,"storage":16172,"-key":16173,"Ġkeyword":16174,"%;":16175,"Ġtrained":16176,".contrib":16177,"Ġkv":16178,"__':Ċ":16179,"ĠBoy":16180,"parameter":16181,"Ġsuite":16182,"Ġthousand":16183,"Ġcoordinate":16184,"-generated":16185,"íķĺ":16186,"generated":16187,"Ġadmitted":16188,"Ġpussy":16189,"#w":16190,"Ġswim":16191,"union":16192,"Na":16193,"ĠRoyal":16194,".channel":16195,"Updated":16196,"_ROOT":16197,"Ġvital":16198,"raction":16199,"ĠCrusher":16200,"Ġpreced":16201,"Ġhorizontal":16202,"Blueprint":16203,"Ġattrs":16204,"Ġsmoke":16205,"ÐĴ":16206,".Equals":16207,"FB":16208,"ĠResources":16209,"rolling":16210,"Ġpasses":16211,"ĠNum":16212,"rotate":16213,"etype":16214,"\\\",":16215,"Ġsensitive":16216,"Ġtall":16217,"?âĢĿĊĊ":16218,"Proxy":16219,"iy":16220,"_section":16221,"âĢĶâĢĶâĢĶâĢĶ":16222,"brid":16223,"Ġcircuit":16224,"atan":16225,"ENC":16226,"Ġdriven":16227,"Ġvoted":16228,"Ġeducational":16229,"Ġinteraction":16230,"abetes":16231,"Ġtone":16232,"ĠInitializeComponent":16233,"Ġmerely":16234,"Ġìŀ":16235,"cookie":16236,"_div":16237,"ĠUILabel":16238,"vely":16239,"});čĊ":16240,"_ENT":16241,"#+#+":16242,"articles":16243,"ĠSouthern":16244,"Ġstronger":16245,"ĠGiven":16246,"ĠEric":16247,"ĠIR":16248,"abstract":16249,"Under":16250,"nable":16251,"Ġincrement":16252,"oven":16253,"Ġcoin":16254,"_timer":16255,"Ġsuffered":16256,"ĠFREE":16257,"'].\"":16258,"ĠQueen":16259,"stats":16260,"Ġmeetings":16261,"Ġentering":16262,"Ġalongside":16263,"(session":16264,"itals":16265,"Ġfoundation":16266,"ĠCredit":16267,".div":16268,"_ALL":16269,"pcion":16270,"_stat":16271,"icking":16272,"Defaults":16273,"_src":16274,"Ġoutputs":16275,"/B":16276,"Ġenthus":16277,"-bl":16278,".ForeColor":16279,"ĉtemp":16280,"Face":16281,"Ġinteract":16282,"Ġweird":16283,"Mount":16284,"rell":16285,"udents":16286,"Ġrequirement":16287,"ĠSus":16288,"IER":16289,"Ġelected":16290,"reference":16291,"ĠME":16292,"Ġservers":16293,".wait":16294,"Ġsnapshot":16295,"ilton":16296,"Ġtries":16297,"Ġtipo":16298,".Time":16299,">w":16300,"Ġmountain":16301,"Ġpounds":16302,"Ġ[...":16303,"exists":16304,"ĠngOn":16305,"_MAP":16306,"Ġflying":16307,"xiety":16308,"ĉvalue":16309,"_DB":16310,"uno":16311,"Ġseats":16312,"TURN":16313,".author":16314,"!)":16315,"orce":16316,"Ġindicated":16317,".sin":16318,"Ġassignment":16319,"imiento":16320,"ĠFrame":16321,"_gen":16322,"inery":16323,"_)":16324,"messages":16325,".settings":16326,"ĠMean":16327,"ĠMuseum":16328,"irq":16329,"attach":16330,"ĠPalestin":16331,"_QU":16332,"_tags":16333,"Ġcasual":16334,"emen":16335,"ASSWORD":16336,"$s":16337,"ĠCirc":16338,"ой":16339,"etric":16340,"/P":16341,"Ġepoch":16342,"The":16357,"ĠAk":16358,"Ġgrass":16359,"/*čĊ":16360,"(dis":16361,"Ġguns":16362,"Ġtb":16363,"ĠKevin":16364,".args":16365,"ĠAh":16366,"oped":16367,"(J":16368,"columns":16369,"arguments":16370,"ĠWithEvents":16371,"_full":16372,"ĠDefense":16373,"Simple":16374,"Ġdeaths":16375,"Ġextensive":16376,"ĠStill":16377,"ĠExpression":16378,"ĠAgency":16379,"Ġperforming":16380,"FX":16381,"Ġusuario":16382,"UAL":16383,"Side":16384,"odos":16385,"aptop":16386,"Ġcredentials":16387,"_cap":16388,"atient":16389,"ĠDisney":16390,"Ġai":16391,"Ġchip":16392,"Ġvolt":16393,".makeText":16394,"%%%%%%%%%%%%%%%%":16395,"Ġbelief":16396,"_LOC":16397,"ĠCivil":16398,"Navigation":16399,"Ġreveal":16400,"Ġviolent":16401,"ĠFil":16402,"Ġcatalog":16403,"emed":16404,"scan":16405,".control":16406,"Ġconstitution":16407,"Country":16408,"Separator":16409,"_APP":16410,"topic":16411,"uetooth":16412,"MIN":16413,"Ġdescriptor":16414,"yt":16415,"ETHER":16416,"Ġdistribute":16417,"'}Ċ":16418,".trim":16419,".Line":16420,"Ġlbl":16421,"assertEquals":16422,"ĠDet":16423,"ombok":16424,"(width":16425,"Ġtort":16426,"ĠEXPRESS":16427,"aco":16428,"Using":16429,"ĠBrand":16430,"wall":16431,"EMENT":16432,"ĠCommunic":16433,"(Ċ":17055,"?>\"":17056,"Ġ///Ċ":17057,"Ġeiner":17058,"Ġweekly":17059,"ĉlogger":17060,"_pop":17061,"_man":17062,"Ġmigrations":17063,"Ġasks":17064,"Ġbs":17065,"Ġfalls":17066,".Where":17067,"-height":17068,"_feature":17069,".Min":17070,"Ġhyper":17071,"Ġvolatile":17072,"Ġtwenty":17073,"Typography":17074,"Unable":17075,"Det":17076,",f":17077,"-mod":17078,"Ġsettlement":17079,"Ġcontracts":17080,"nome":17081,"Bad":17082,"ĠBrian":17083,"(username":17084,"!!!!":17085,"Ġhack":17086,".Field":17087,"HR":17088,"ĠJordan":17089,"iza":17090,"ĠÂł":17091,"ĠSher":17092,".header":17093,"(other":17094,"ĠDub":17095,"(op":17096,"ĠRound":17097,"Ġvie":17098,"Ġappl":17099,"ĉJ":17100,"ĠInsert":17101,"ĠLP":17102,"regon":17103,"ĠMPI":17104,"Ġanchor":17105,"aca":17106,"ør":17107,"Ġade":17108,"anchor":17109,"quee":17110,"ĠTreeNode":17111,"Ġtargeted":17112,"Ġlaid":17113,"ABEL":17114,"vet":17115,"ĠOrigin":17116,"Ant":17117,".');Ċ":17118,"expect":17119,"edReader":17120,"ĠMajor":17121,"Ġinch":17122,"Compar":17123,"Ġpreview":17124,"Ġillness":17125,"ĠCONTRACT":17126,"ĠIndepend":17127,"uuid":17128,"Ġnome":17129,"Ġtc":17130,"ĠAvenue":17131,"isan":17132,"Ġphrase":17133,"_move":17134,"\")[":17135,"Ġprovision":17136,"Ġconcentr":17137,"_IR":17138,"ĠUt":17139,"()+":17140,"Ġnas":17141,"!,":17142,"ĠRobin":17143,"iations":17144,"atitude":17145,"Ġpx":17146,"ĠWithout":17147,"/bash":17148,"ekt":17149,"reement":17150,"Observer":17151,"ĠRegion":17152,"UBLIC":17153,"Ġ{//":17154,"KN":17155,"å·":17156,"GameObject":17157,"å¾":17158,"encoding":17159,"Ġ***":17160,"projects":17161,"Ġtk":17162,"Ġcheese":17163,"EMPL":17164,"aro":17165,"ĠاÙĦ":17166,"Ġconsists":17167,"refresh":17168,"ureau":17169,"ĠScanner":17170,"Ġsoil":17171,"Ġflavor":17172,"DataSource":17173,"Execute":17174,"ение":17175,"Ġshit":17176,"åĪĨ":17177,"Ċ":17419,"Ġsubsequent":17420,"posable":17421,"-fluid":17422,"Ġthorough":17423,"Ġpublicly":17424,"apters":17425,"ĠWilson":17426,"_PRE":17427,"yard":17428,"ä¼":17429,"ĉin":17430,"Ġrevers":17431,"Ġbullet":17432,"cribed":17433,"nesota":17434,"Ġ($_":17435,"annon":17436,"cursor":17437,"Ġclothing":17438,"ĠMulti":17439,":',":17440,"Ġvess":17441,"ordinator":17442,"Ġeinem":17443,"Cannot":17444,"Ġarmed":17445,"ĉV":17446,"ä¸Ĭ":17447,".Flat":17448,"ĠSep":17449,"ĠSubject":17450,"_font":17451,"Ġcharacteristics":17452,"Done":17453,"eln":17454,"############":17455,"POS":17456,"Ġdensity":17457,"ĠPlatform":17458,"-items":17459,"Ġovers":17460,"Ġpushing":17461,"ç¤":17462,".Connection":17463,"_term":17464,"Ġinitialization":17465,"________________________________":17466,"ç¬":17467,".document":17468,"lesh":17469,"ĉdocument":17470,"ĠPin":17471,"ça":17472,"Ġdefinitions":17473,".Path":17474,"_WRITE":17475,"ĠĉĊ":17476,"?>ĊĊ":17477,"Ġterrible":17478,"bean":17479,"ickets":17480,"ĠSV":17481,"Buy":17482,"(task":17483,"Ġregime":17484,"google":17485,"Ġcrack":17486,".visit":17487,"NUM":17488,"energy":17489,"Ġstruck":17490,"_sample":17491,".payload":17492,"Ġrevis":17493,"ĠScene":17494,"Ġpg":17495,"Ġbreakfast":17496,"URRENT":17497,".charAt":17498,"_exception":17499,"ĠAnton":17500,"Ġguidelines":17501,"Ġexhaust":17502,"ĠFinancial":17503,"Ġindent":17504,"Ġdesktop":17505,"Hidden":17506,"Failure":17507,"Ġprinciple":17508,"Ġiv":17509,"Ġseks":17510,"network":17511,"ĠnumberOf":17512,"ĠAlbert":17513,"ĉlong":17514,",.":17515,"Ġzeros":17516,"fade":17517,"ĠTyp":17518,"ĠTerm":17519,"ĠArts":17520,".Application":17521,"Ġbehalf":17522,"æĪ·":17523,"Ġmere":17524,"(`${":17525,"Ġawareness":17526,"elpers":17527,"flix":17528,"Ġweigh":17529,"Ġestimates":17530,".child":17531,"/O":17532,"ĠBitmap":17533,".bottom":17534,"Ġ**************************************************************************":17535,"Expect":17536,"ento":17537,"ĠForum":17538,"veral":17539,"Ġjail":17540,"Ġabilities":17541,"ĠHOLD":17542,"ĠCit":17543,"Ġdynam":17544,"Ġgray":17545,"ĉĉĉĉĉĉĉĉĉĉĉĉĉ":17546,".nextInt":17547,"antly":17548,"ĠARISING":17549,"(private":17550,"Ġrejected":17551,"ĠNic":17552,"Ġleather":17553,"={Ċ":17554,"alytics":17555,"thetic":17556,".Top":17557,".Page":17558,"={`":17559,"Ġ;čĊ":17560,"depth":17561,"mann":17562,"WD":17563,"ĠSom":17564,".Right":17565,"Ġ)}Ċ":17566,"Ġtrait":17567,"ÃĹ":17568,"iac":17569,"Ġrv":17570,"Sample":17571,".Xml":17572,"opped":17573,"ĠÑĦ":17574,"lists":17575,"Ġtear":17576,"iversary":17577,".collection":17578,"ĠConstitution":17579,"ĠHttpResponse":17580,"Ġbrill":17581,"ĠProm":17582,"hover":17583,"ĠMiami":17584,"Ġargue":17585,"_float":17586,"ĠãĤ":17587,"Ġnat":17588,"ĠTal":17589,"Ġintegration":17590,"(cur":17591,"Ġremoving":17592,"Ġcoeff":17593,"ĠThough":17594,"Ġforecast":17595,"ĠVegas":17596,"Site":17597,"Ġtrab":17598,"ĠHenry":17599,"-i":17600,"Ġinvolves":17601,"BT":17602,"Ġslo":17603,"Invoke":17604,"Ġlucky":17605,"rat":17606,"Ġ?Ċ":17607,"Ġhandled":17608,"(fd":17609,"contents":17610,"ĠOFF":17611,"RF":17612,"Ġsty":17613,"ĠMotor":17614,"tery":17615,"tax":17616,"MAP":17617,"ĠMrs":17618,"Ġphones":17619,"ĠUIView":17620,"\")));Ċ":17621,"(dev":17622,"ĠIrish":17623,"Ġws":17624,"DI":17625,"_OFFSET":17626,"ĠEvents":17627,"Ġstages":17628,"Ġ}//":17629,"Ġhaben":17630,"STANCE":17631,"ĠSin":17632,"ĠMoney":17633,"(top":17634,"Ġappointment":17635,"VERSION":17636,"metadata":17637,"_comment":17638,"Ġcolleagues":17639,"maps":17640,"âĺ":17641,"ĊĉĊ":17642,"(al":17643,"_req":17644,"Ġfut":17645,"Ġarchitecture":17646,"ĠWHETHER":17647,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":17648,"_screen":17649,"ĠstyleUrls":17650,"Ġmonster":17651,".up":17652,"phia":17653,"Ġprocessor":17654,"ĠTerr":17655,"=',":17656,"ĠManufact":17657,"ĠNT":17658,"kel":17659,"ibern":17660,"ĉfile":17661,"Ali":17662,"rientation":17663,"Ġ//!":17664,"apore":17665,"aneous":17666,"ĠCreat":17667,"folder":17668,"Ġhay":17669,"Suppress":17670,"(left":17671,"Ġeuro":17672,"Ġdisclaimer":17673,"ustry":17674,"ships":17675,"_fd":17676,"ĠFa":17677,"_insert":17678,"Ġrol":17679,"ifting":17680,"ĠComments":17681,"_br":17682,"Ġlosses":17683,"ĠAdded":17684,"charg":17685,"Ġпо":17686,"_system":17687,"ĠSometimes":17688,"ĠSpain":17689,"(group":17690,"ialis":17691,"Ġdollar":17692,"ĠArgs":17693,"quires":17694,"ĠTen":17695,".scss":17696,"Ġsurvive":17697,"usage":17698,"Ġjun":17699,"imiter":17700,"ï¼ģĊĊ":17701,"Ġfifth":17702,"toggle":17703,"Ġdecline":17704,"($\"":17705,"(Long":17706,"inge":17707,"Ġpilot":17708,"-light":17709,"-radius":17710,"Ġpodcast":17711,"Ġnaturally":17712,"Pages":17713,"为":17714,"ĠDespite":17715,"Ġlighting":17716,"Ġcrate":17717,"ĠBinary":17718,"Ġreducing":17719,"Ġeleg":17720,"ĠMouse":17721,"ĠTestBed":17722,"ĠbeforeEach":17723,"_ARRAY":17724,"Redirect":17725,"Ġflood":17726,"Ġships":17727,"Ġelectricity":17728,")*(":17729,"ê¸":17730,"ĠViet":17731,"hero":17732,"Ġdia":17733,"ĠKent":17734,"heart":17735,"Ġthreats":17736,"_acc":17737,"Ġsymbols":17738,"ischen":17739,"_inst":17740,"Criterion":17741,"ĠTIM":17742,".Height":17743,"ĠâĢĻ":17744,"();ĊĊĊ":17745,"Products":17746,"_SP":17747,"ĠCy":17748,"Ġdependent":17749,"este":17750,"Ġdatos":17751,"dit":17752,"ав":17753,"IGNAL":17754,"Ġlesson":17755,"\">'":17756,"ĠCover":17757,"ĠHope":17758,"ĠTimer":17759,"Ġdad":17760,"viders":17761,"ĠPhot":17762,"/?":17763,"ropy":17764,"oming":17765,"asion":17766,"Ġ\\(":17767,"ĠET":17768,"ĠReading":17769,"Ġepisodes":17770,"lm":17771,"echa":17772,"Ġneuro":17773,"Ġharmon":17774,"Ġliberal":17775,"-ind":17776,"DATA":17777,"Ġeveryday":17778,"Ġdivided":17779,"ĠActiveRecord":17780,"figure":17781,"UA":17782,"ä¹":17783,"riendly":17784,"tech":17785,".gameObject":17786,"иÑĤÑĮ":17787,"Ġmoon":17788,"ftime":17789,"Ġnoch":17790,"ĠTORT":17791,"ĠVM":17792,".initial":17793,"(child":17794,"Ġmusical":17795,"Ġoc":17796,"bas":17797,"ĠHay":17798,"_long":17799,"Ġmemset":17800,"iley":17801,"adelphia":17802,"SV":17803,"roat":17804,"_tx":17805,"Ġlon":17806,"ĠngOnInit":17807,"bp":17808,"ĠGolden":17809,"ACHE":17810,"Ġworried":17811,"azi":17812,"Ear":17813,"Take":17814,"(fp":17815,"burgh":17816,"_Data":17817,"gres":17818,"ĠOnt":17819,"pus":17820,"Ġtransparent":17821,"Ġpocket":17822,"Ġram":17823,"igrations":17824,".čĊčĊ":17825,"Ġ[(":17826,"Ġadopted":17827,"Ġreportedly":17828,"ĠDream":17829,"Ġ}));Ċ":17830,"losing":17831,"Ġteeth":17832,"ĠBooks":17833,"\",&":17834,"enny":17835,"LEMENT":17836,"Ġgel":17837,"ĠPlant":17838,"!âĢĿ":17839,".host":17840,"ĠReply":17841,"rength":17842,"Ġrecognition":17843,"Ġ}}>Ċ":17844,"LA":17845,"Ġmirror":17846,"Ġassistant":17847,"(device":17848,"Ġspiritual":17849,"builder":17850,"§":17851,"Ġoutr":17852,"Ġtt":17853,"ĠPER":17854,"Ġradical":17855,"Methods":17856,"Ġpace":17857,"udy":17858,"Ġgut":17859,"ĠGreek":17860,"Ġnonatomic":17861,"ĠPaper":17862,"_GPIO":17863,"Ġobst":17864,".Ad":17865,"vironments":17866,"ĠSov":17867,"(con":17868,"ĠTransaction":17869,".assign":17870,"ĉcatch":17871,"elter":17872,"Ġbitcoin":17873,"_GR":17874,"ĠčĊ":17989,"metic":17990,"Ġtransformation":17991,"åı·":17992,"Ġrgb":17993,"istributions":17994,"Ġimplicit":17995,"/in":17996,"destination":17997,"аÑĤÑĮ":17998,"Zero":17999,"Ġunset":18000,".where":18001,".go":18002,"Ġformation":18003,"Ġdeclaration":18004,"()čĊčĊ":18005,"ĠExpl":18006,"ĉĉĉĠĠ":18007,"/pro":18008,".JSON":18009,"Ġdesk":18010,".substr":18011,"//----------------------------------------------------------------------------":18012,"lyn":18013,"pson":18014,"disable":18015,"ĠFunc":18016,"ĉAssert":18017,"ĠMARK":18018,"Ġdefeat":18019,"Ġblind":18020,"Ġconstants":18021,".headers":18022,"UILD":18023,"Ġexpenses":18024,"Pixel":18025,"Ġhr":18026,"Ġfel":18027,"ĠEastern":18028,"_del":18029,"ĠCub":18030,"Ġsq":18031,"ĉcount":18032,"ĠDirectory":18033,"Ġexclus":18034,"Ġhistoric":18035,"Ġ------------------------------------------------":18036,"Ġcomposition":18037,"ĠdataGridView":18038,"ĠBurn":18039,"ĠBC":18040,"Master":18041,"Ġspawn":18042,"Ġbearing":18043,".SetActive":18044,"ilo":18045,"Ġgallery":18046,"Ġfounded":18047,"Ġavailability":18048,".sqrt":18049,"Ġpes":18050,"ĠDOM":18051,"mate":18052,"Oct":18053,"Ġmatched":18054,"itivity":18055,"Ġanxiety":18056,".price":18057,"ĠInstant":18058,"ìĬ":18059,"Ġtut":18060,"ICollection":18061,".shared":18062,"_sql":18063,"tbl":18064,"library":18065,"_destroy":18066,"ermal":18067,"ĠNotes":18068,"ĠEin":18069,"Ġsouthern":18070,"ĠOTHERWISE":18071,"Ġmacro":18072,".lower":18073,"cls":18074,"ContentView":18075,".link":18076,"constant":18077,"ĠBes":18078,"Ġsomebody":18079,"nb":18080,"\">{":18081,"(local":18082,".....":18083,"ĠNull":18084,"mx":18085,"Ġç":18086,"Ġpause":18087,"-----------":18088,"_MO":18089,"ĠCM":18090,"ĠforKey":18091,"ĠDVD":18092,"Ġclosest":18093,"_DEVICE":18094,"ĠStephen":18095,"ĠBBC":18096,"ĠTravel":18097,"Paint":18098,"ĠResults":18099,"ĠRule":18100,"Ġtp":18101,"Ġratings":18102,"cin":18103,"csv":18104,">/":18105,"ĠGOP":18106,"lad":18107,"ĠÑĢ":18108,"ĠindexPath":18109,"matrix":18110,"=f":18111,"arsed":18112,"Ġ});":18113,"ĠCos":18114,"ĠScore":18115,"Ġtak":18116,"ĠESP":18117,"ĠINC":18118,"_NULL":18119,"-flex":18120,"\"][":18121,"into":18122,"eland":18123,"Authorization":18124,"_FALSE":18125,"Ġgate":18126,"Ġvid":18127,"istent":18128,"TIME":18129,"Ġrewrite":18130,"Ġtie":18131,"Ġarchive":18132,".events":18133,".getParameter":18134,"ĠPermission":18135,"Ġprogramme":18136,"Ġé":18137,"jud":18138,"Ġcameras":18139,"(sys":18140,"ĠSyrian":18141,"Ġimprovements":18142,"Ġhip":18143,"Ġsuicide":18144,"Ġscholar":18145,"Ġcompatible":18146,"remote":18147,".down":18148,"FUNCTION":18149,"Ġmanaging":18150,"ĠUIKit":18151,".raw":18152,">>>>":18153,"Ġdemands":18154,"ellite":18155,"Ġdent":18156,"ĠMicro":18157,"åıĸ":18158,"'][$":18159,"ĠIE":18160,"imension":18161,"Ġtrem":18162,"Ġgained":18163,".with":18164,".ok":18165,"hou":18166,"Ġbom":18167,"ampaign":18168,"Ġjoining":18169,"fish":18170,"ĠaddSubview":18171,"Ġnorthern":18172,".cor":18173,"oret":18174,"Die":18175,"inish":18176,"_comp":18177,"Ġattended":18178,"Ġcollapse":18179,"ĠSS":18180,"acent":18181,"_EQUAL":18182,"ĠDeep":18183,"RGB":18184,"ĉtest":18185,"olves":18186,"uset":18187,"UnityEngine":18188,"writer":18189,"Resolver":18190,",%":18191,"ifference":18192,"_remove":18193,"onda":18194,"Ġfemme":18195,"decode":18196,"Branch":18197,"Ġflush":18198,"Ġinnovative":18199,"Tests":18200,"Ġ['./":18201,"Ġcovering":18202,".admin":18203,"ultipart":18204,"(lambda":18205,"namespace":18206,"ĠSport":18207,"Ġ!(":18208,"acles":18209,"Ġdepression":18210,"ĠKong":18211,"Ġpert":18212,"ĠConn":18213,"ĠOtherwise":18214,"/home":18215,"supported":18216,"Ġpink":18217,"Ġinvited":18218,"ños":18219,"_enabled":18220,"Ġ-Ċ":18221,"FW":18222,"eners":18223,"ĠMY":18224,"Ġsuggestions":18225,"Canvas":18226,"Ġfer":18227,"ĠMarketing":18228,"@Test":18229,"untu":18230,"ĠVen":18231,"ĠCou":18232,"ivals":18233,"Donald":18234,"limited":18235,"ĉĉĉĉĉĉĊ":18236,"Ġanalyst":18237,"(entry":18238,"Ġrepresentative":18239,"_attributes":18240,"Ġfur":18241,".hide":18242,"resp":18243,"adores":18244,"rides":18245,"ĠJosh":18246,"robot":18247,"ĠNAT":18248,"Ġsesso":18249,"Ġintegrated":18250,":true":18251,"parts":18252,"Ġstupid":18253,":event":18254,"@endsection":18255,"Ġpu":18256,".Table":18257,"ĠYii":18258,"`;ĊĊ":18259,"Ġclang":18260,"=\"\">":18261,"engan":18262,"_parameters":18263,".internal":18264,"ĠModern":18265,"Ġmetric":18266,"Ġsemi":18267,"={{Ċ":18268,".amazon":18269,"ĠBB":18270,"ainty":18271,"viewport":18272,"ĠstartActivity":18273,"dispatch":18274,"*****":18275,"Ġflav":18276,"ifferent":18277,"[this":18278,"Ġstake":18279,"Ġargued":18280,"viously":18281,".work":18282,"ĠOak":18283,"Old":18284,"(async":18285,"notes":18286,"Ġflip":18287,"Ġdisag":18288,"ĠTE":18289,"ĉerror":18290,"<'":18291,"Ġ»ĊĊ":18292,"Ġfiltered":18293,"ĠMach":18294,"Ġhung":18295,"_dump":18296,"_samples":18297,"-dismiss":18298,"Ġray":18299,"Implemented":18300,"DK":18301,"Ġjed":18302,"Ġbreaks":18303,"Ġfits":18304,".gr":18305,"ĠZero":18306,"oro":18307,"Ġequally":18308,"Ġ'[":18309,"Ġconcerning":18310,"<":18407,"Ġpromot":18408,"Ġincl":18409,"_only":18410,"를":18411,"ĠAttorney":18412,"-date":18413,"Ġlandscape":18414,"Ġfu":18415,"SY":18416,".prop":18417,"ĠArr":18418,"pag":18419,"ParallelGroup":18420,"':čĊ":18421,"Ġlogs":18422,"aunch":18423,"unci":18424,"nama":18425,"TableCell":18426,"issues":18427,".{":18428,"ecurity":18429,"_exec":18430,"olds":18431,"Ġhosts":18432,"Ġproto":18433,"_import":18434,"_sort":18435,"ĠBow":18436,"ĠNormal":18437,"ĠFarm":18438,".createParallelGroup":18439,"Rotation":18440,".err":18441,"Ġpleased":18442,"itage":18443,".Wh":18444,"ĉĉĠĠĠĠ":18445,"MR":18446,"ĠMORE":18447,"ĠNatural":18448,"_transform":18449,"BASE":18450,"eneral":18451,"utdown":18452,".commons":18453,"WT":18454,"Ġaan":18455,".Result":18456,"dog":18457,"Ġclicking":18458,"),ĊĊ":18459,"#line":18460,"Operator":18461,"Ġciv":18462,"Ġmerg":18463,"obuf":18464,"ngthen":18465,"Ġ[{":18466,"Ġcancell":18467,"trigger":18468,".:":18469,"WORK":18470,"declare":18471,"Ġdecrease":18472,"ÅĽci":18473,"loom":18474,".None":18475,"ĠMI":18476,"ĠJason":18477,"Ġhealthcare":18478,"iamond":18479,"sylvania":18480,"*x":18481,"ĠRa":18482,"[b":18483,"Ġprinting":18484,"phabet":18485,"ĠLabour":18486,"opper":18487,"Ġzijn":18488,"-target":18489,"_FUNCTION":18490,"Ġoct":18491,"ениÑı":18492,"åľ¨":18493,"Ġwestern":18494,"Ġcomputers":18495,"ĠRET":18496,"HashMap":18497,"[String":18498,"getValue":18499,"_DATE":18500,".Next":18501,"ĠFif":18502,"él":18503,"icked":18504,"æİ":18505,"-MM":18506,"Ġ{ĊĊĊ":18507,"Ġcontacts":18508,"Ġdigits":18509,"Produ":18510,"Ġunusual":18511,"Ġrapidly":18512,"tures":18513,"Ġangry":18514,"cancel":18515,"xxxx":18516,"_parser":18517,"idity":18518,"_PREFIX":18519,"Ġmehr":18520,"Ġrarely":18521,"ethe":18522,"opes":18523,"Ġ%.":18524,"works":18525,"Ġtheta":18526,"Ġcontribution":18527,"ĠTony":18528,"Ġsquad":18529,"ай":18530,"Ġîn":18531,"there":18532,"outed":18533,"ĉq":18534,"ĻĤ":18535,"good":18536,"LI":18537,"页":18538,"ĠLiving":18539,"izabeth":18540,"Ġkt":18541,"ĠDallas":18542,"]],Ċ":18543,"Ġ/>ĊĊ":18544,"Ġraising":18545,"/router":18546,"_game":18547,"ĠCUR":18548,"zens":18549,".es":18550,"ĠfontWeight":18551,"(func":18552,"notification":18553,"Ġ'../../../":18554,"Ġblame":18555,"ãĢĤĊĊĊĊ":18556,"anco":18557,"Identity":18558,"follow":18559,"Ġarts":18560,"xs":18561,"Ġofficially":18562,"ĠStudio":18563,"Ġrecommendations":18564,"Ġlocale":18565,"Ġamateur":18566,"ĠEnable":18567,"Ġcaps":18568,".End":18569,"-add":18570,"_gshared":18571,"ĠCT":18572,"Force":18573,"ĊĠĠĠĠĠĠĠĠĠĠĠĠĊ":18574,"Ġorange":18575,"Ġlp":18576,"Ġanswered":18577,".Grid":18578,"Ġdual":18579,"Ġstrategic":18580,"Ġnobody":18581,"Ġfatal":18582,"_est":18583,"(el":18584,"Ġìł":18585,"ĠBudd":18586,"AIT":18587,"_factor":18588,"-one":18589,"ĠHAVE":18590,"\"čĊčĊ":18591,"Prof":18592,"Ġär":18593,"strings":18594,"Ġdirty":18595,"ĠFace":18596,"ĠBegin":18597,"ĠBus":18598,"Ġwis":18599,"åŃĹ":18600,"Ġspeaker":18601,"Ġcarrier":18602,"ĠOm":18603,"Ġhadn":18604,"Allow":18605,"::__":18606,"Ġverb":18607,"ĠComplete":18608,"ĠEasy":18609,"Ġbills":18610,"ĠĠĊĊ":18611,"Vertical":18612,"Ġpron":18613,"ĠDefine":18614,"Ġlookup":18615,"variables":18616,"Ġpandas":18617,"umes":18618,"Ġinnoc":18619,"ĠsetUp":18620,"ĠChampionship":18621,"artist":18622,"ĠCType":18623,"Foundation":18624,"à¹Ī":18625,"ĠSetup":18626,"Ġrecipes":18627,"ĠUIColor":18628,"ĠFight":18629,"Ġauthorized":18630,"_click":18631,"_success":18632,"angan":18633,"ĠMountain":18634,"ĠDoctor":18635,"Ġegg":18636,"ĠMedicine":18637,"cles":18638,"`.Ċ":18639,"[int":18640,"dashboard":18641,"ĠAppro":18642,"-dr":18643,"Ġproduces":18644,"Ġrental":18645,"Ġreload":18646,"Ġarrival":18647,"spot":18648,"Ġundert":18649,"Ġequipped":18650,"Ġproved":18651,"Ġcenters":18652,"Ġdefines":18653,"also":18654,"Ġopacity":18655,"ĠUnfortunately":18656,"ĠIllinois":18657,"Ġне":18658,"ĠTemple":18659,"ĠTrail":18660,"ĠKelly":18661,"Ġmeasurement":18662,"Ġseparated":18663,"-circle":18664,"Hey":18665,"ĠREAD":18666,"igits":18667,"Ġib":18668,"ĠMOD":18669,"attery":18670,"аз":18671,"Ġvend":18672,"енÑĤ":18673,"ĠHttpClient":18674,"safe":18675,"_ASS":18676,"icit":18677,"ĠConstruct":18678,"ĠClo":18679,"ĠSix":18680,"_TOKEN":18681,"(block":18682,"Ġwarned":18683,"/*!":18684,"!Ċ":18769,"Ġinnovation":18770,"_\"":18771,"Ġ);čĊčĊ":18772,"Ġspots":18773,"Ġchoosing":18774,".cs":18775,"Ġflexible":18776,"UInt":18777,"Ġscratch":18778,"-al":18779,"Ġfestival":18780,"Ġoutstanding":18781,"================================================":18782,"Mean":18783,"ĠOregon":18784,"symbol":18785,".account":18786,"dney":18787,"'''":18788,"!\",":18789,"Ġparticle":18790,"Ãĥ":18791,"[MAX":18792,"IVER":18793,"ERENCE":18794,"NSMutable":18795,"ĠColumbia":18796,"_ĊĊ":18797,".fr":18798,"Ġcogn":18799,"VR":18800,"ĠMethods":18801,"ĠMade":18802,"ĠBR":18803,"ĠElse":18804,"Ġeggs":18805,"Ġswing":18806,"ĠInv":18807,"Ġdiseases":18808,"Ġfirms":18809,"Ġlemma":18810,"}`);Ċ":18811,"lings":18812,"Ġgym":18813,"uminum":18814,".Trim":18815,"Mem":18816,"Ġcriticism":18817,"ibernate":18818,"_TX":18819,"ioni":18820,"Ġguidance":18821,"Ġrepeatedly":18822,"Ġsupplier":18823,"Ġpainting":18824,".Fragment":18825,"edException":18826,"Ġwiring":18827,"Ġcourts":18828,"WEB":18829,"æľī":18830,"\\.":18831,"illance":18832,"Ġbrows":18833,"ĠPattern":18834,"PLICATION":18835,"ĠSummer":18836,"Chain":18837,"Ġcute":18838,"mercial":18839,"Ġdil":18840,"ĠFranklin":18841,"ĉglobal":18842,"INCLUDING":18843,"history":18844,"Ġlst":18845,"Qt":18846,"SDL":18847,"alia":18848,"iere":18849,"(...":18850,"ĉcin":18851,"iffs":18852,"velope":18853,"ĠRoot":18854,"cluster":18855,"UserName":18856,"igne":18857,"()Ċ":18949,"Ġapplying":18950,"Ġpromised":18951,"Ġox":18952,"ncia":18953,"ĠValidation":18954,"orts":18955,"_cur":18956,"elect":18957,"eye":18958,"(Data":18959,"Ġreporter":18960,"ĠBuff":18961,"Ġsr":18962,"Ġ\";":18963,"icky":18964,"Ġtempor":18965,"SN":18966,"Ġresident":18967,"pires":18968,"ysical":18969,"Ġendorse":18970,"ĠSong":18971,"isEmpty":18972,"leet":18973,"_util":18974,"Ġdistingu":18975,"ĠTalk":18976,"ĠMot":18977,"(default":18978,".Arg":18979,"gorithms":18980,"_words":18981,"immer":18982,"_reset":18983,"family":18984,"WW":18985,"Ġsavings":18986,"ĠâĢĿ":18987,"_enable":18988,"sidebar":18989,"Running":18990,"Ġali":18991,"Ġtestim":18992,"Ġwarnings":18993,"ĠChem":18994,"ĠExit":18995,"Ġfounder":18996,"pector":18997,"Ġrm":18998,"_dataset":18999,"ĠDas":19000,"Ġhan":19001,"Getty":19002,"ál":19003,"Ġny":19004,"Ġpoverty":19005,"Ġresulted":19006,".by":19007,"ĠVisit":19008,"Ġobtaining":19009,"/'.$":19010,"ĠĠĠĠĠĠĠĠĠĠĠĊ":19011,"shall":19012,"_LEFT":19013,"UIImage":19014,"_Name":19015,"have":19016,"ĠNob":19017,"lr":19018,"-footer":19019,"Ġnaked":19020,"ĠGarden":19021,"\\Facades":19022,"Ġgraduate":19023,"Ġfranchise":19024,"plane":19025,"Ġcontributions":19026,"ĠstringWith":19027,"Ġcrypto":19028,"Ġmovements":19029,"athers":19030,"Ġlifetime":19031,"Ġcommunicate":19032,"jar":19033,"ĠFragment":19034,"_IF":19035,"ĠNavy":19036,"ĠFigure":19037,"Ġsimulation":19038,"_stop":19039,"Ġreporters":19040,"Ġversus":19041,"aja":19042,"Ġα":19043,"Ġgovernor":19044,"ListItem":19045,"Ġsealed":19046,".Background":19047,"edi":19048,"ashing":19049,"Ġlip":19050,"ĠIh":19051,"merge":19052,"Ġnec":19053,"elocity":19054,"ATEG":19055,"Ġseeds":19056,"Ġfloating":19057,"_FA":19058,"walk":19059,"ĉuser":19060,"_depth":19061,"Ġwage":19062,"@app":19063,"Nil":19064,"([\"":19065,"(vector":19066,"Ġsecretary":19067,"ĠjPanel":19068,"vez":19069,"³³³³":19070,"direction":19071,"ĠEP":19072,"Ġhunt":19073,"JsonProperty":19074,"ĠPORT":19075,"]\",":19076,"ап":19077,"ĠForeign":19078,"panic":19079,"Ġtrials":19080,"ĠAle":19081,"Ġrural":19082,"-value":19083,"authorized":19084,"ĠScotland":19085,".drop":19086,"ĠMT":19087,"ç±":19088,"rowth":19089,"FilePath":19090,"Ġrecall":19091,"ifle":19092,"Ġcel":19093,"ĠSELECT":19094,"kn":19095,"_case":19096,"Ġcrop":19097,"sure":19098,"pot":19099,"ICS":19100,"Ġstem":19101,"Ġindustries":19102,"Put":19103,"Ġaber":19104,"roadcast":19105,"Icons":19106,")\")Ċ":19107,"æĪIJåĬŁ":19108,"gui":19109,"Ġassumed":19110,"Ġrx":19111,"EA":19112,"è§":19113,"ELL":19114,"Ġdose":19115,"Ġine":19116,"Ġdeeper":19117,"lider":19118,"Ġordinary":19119,"Ġgolf":19120,"_IMAGE":19121,"ĠNAME":19122,"(module":19123,"Ġatom":19124,"Ġbelt":19125,"Ġoffices":19126,"beta":19127,"Ġphilosophy":19128,"(JSON":19129,"-field":19130,"Ġintroduce":19131,"Ġconvenience":19132,"optim":19133,">\"Ċ":19134,"athy":19135,"Ġemployer":19136,"quate":19137,"Ġedited":19138,"Arguments":19139,"ĠNations":19140,"__)":19141,"Ġnose":19142,"ĠSample":19143,"')ĊĊĊ":19144,"Ġcake":19145,".getAttribute":19146,"HD":19147,"Modified":19148,"Ġpredicted":19149,"ÅĦ":19150,"anie":19151,"Sorry":19152,"(doc":19153,"wind":19154,"ieve":19155,"Ġprovisions":19156,"ATER":19157,"OTE":19158,"MY":19159,".Autowired":19160,"ĠBath":19161,".Boolean":19162,"Ġbackend":19163,".Mouse":19164,"ateral":19165,"paper":19166,"Const":19167,"ĠVR":19168,"_entity":19169,"_CTRL":19170,"ĠProtection":19171,"ĠGM":19172,"ĠStudy":19173,"Ġsoup":19174,"otime":19175,"'use":19176,"]\"":19177,"/users":19178,"aug":19179,"ĠHong":19180,"_norm":19181,"ãģ¨":19182,"Ġsecre":19183,"(Build":19184,"ĠContract":19185,"olas":19186,"Ġsauce":19187,"Ġaggressive":19188,"Ġracial":19189,"character":19190,"@@":19191,"Ġcompile":19192,"ĠVoid":19193,"_rem":19194,"_memory":19195,"kk":19196,"Ġmic":19197,"Same":19198,"Utility":19199,"ĠHtml":19200,"ĠXml":19201,"Ready":19202,"Ġgall":19203,"Ġallegedly":19204,"ĉĉĉĉĠĠĠ":19205,"ĠMetal":19206,"ĠPersonal":19207,"ĠborderRadius":19208,"rxjs":19209,"objects":19210,"Ġwanting":19211,"Ġbowl":19212,"vendor":19213,"offsetof":19214,"ĠRs":19215,"ĠRating":19216,"Ġrally":19217,"_NODE":19218,"ĠMix":19219,"Ġadvertis":19220,"Ġnarrative":19221,"sal":19222,"Ġmc":19223,"SError":19224,"Ġfingers":19225,"Ġaccompany":19226,"Ġtired":19227,"Ġstride":19228,"Ġgui":19229,"elist":19230,"Locale":19231,"Ġreleases":19232,"iking":19233,"Ġanger":19234,")))ĊĊ":19235,"allest":19236,"Summary":19237,"(O":19238,"(for":19239,"Ġbasketball":19240,"Ġroads":19241,"ĠInstall":19242,"ĠFab":19243,"itmap":19244,"Ġ))Ċ":19245,"Ġintersection":19246,"ighbor":19247,"ĠBry":19248,"ĠHERE":19249,"Software":19250,"elfare":19251,"acs":19252,"Ġtrailer":19253,".getClass":19254,"chars":19255,"Ġregulation":19256,"Ġrefers":19257,"Ġdestruction":19258,"Ġcontinuous":19259,"ĠAustin":19260,"é¢":19261,"akan":19262,".window":19263,"ĠTemplates":19264,"Ġabsence":19265,":n":19266,"Ġdisorder":19267,"flash":19268,"Ġdelet":19269,"boards":19270,"ĠĠĉ":19271,"ROP":19272,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":19273,"Ġacqu":19274,"Ġlawsuit":19275,"ĠReviews":19276,"Ġgarage":19277,"timer":19278,"Ġej":19279,"ĠRectangle":19280,"Ġflowers":19281,"ilst":19282,"ĠInstance":19283,"Super":19284,"det":19285,"disposing":19286,"ĠES":19287,"ĠIC":19288,"vere":19289,"Sk":19290,"_channels":19291,"puted":19292,"/null":19293,"nnen":19294,"ĠGallery":19295,"_global":19296,"Authentication":19297,"ĠRank":19298,"Ġblocked":19299,"Ġcalm":19300,"market":19301,"ĉval":19302,"Ġaug":19303,"period":19304,"ĠConstant":19305,"Ġ?>\">Ċ":19306,"Ġlobby":19307,"pal":19308,"Ġsink":19309,"iah":19310,"С":19311,"urname":19312,"Ġconver":19313,"Ġinvestigate":19314,"Christ":19315,"Hub":19316,"ĠIND":19317,"ĠPed":19318,"uras":19319,"ĉurl":19320,"ĠTro":19321,"Ġpreferences":19322,"Ġguaranteed":19323,"`ĊĊ":19324,"Ġportions":19325,"Ġevalu":19326,"'>;ĊĊ":19421,".AutoScaleMode":19422,"Ġcats":19423,"Ġregistry":19424,"ulus":19425,"FI":19426,"payload":19427,"-search":19428,"Ġstaying":19429,"acious":19430,"Decoration":19431,"Review":19432,"Inf":19433,"Keep":19434,"itis":19435,",String":19436,"Coord":19437,"Ġpero":19438,"Sex":19439,"ĠAtlanta":19440,"uesta":19441,"Argb":19442,">*":19443,"}_":19444,"Footer":19445,"Ġemployed":19446,"_bound":19447,"vide":19448,".func":19449,"$scope":19450,"Ġspo":19451,"ĠAnal":19452,"ounced":19453,"around":19454,"Ġrestriction":19455,"Ġshops":19456,"åĢ":19457,"ĠLatin":19458,"-col":19459,"Ġbarely":19460,"ĠEuro":19461,"Er":19462,"Ġfaire":19463,"_distance":19464,"_unlock":19465,"Quote":19466,"IVATE":19467,"ĠåĪ":19468,"Ġaimed":19469,"ĠRetrie":19470,".iter":19471,"Ġwrapped":19472,"Ġagreements":19473,"strument":19474,"(product":19475,"Ġstudied":19476,".setValue":19477,"Ġye":19478,"ĠCache":19479,"MBOL":19480,"Ġquarterback":19481,"Ġsyntax":19482,".getElementsBy":19483,".version":19484,"website":19485,"Runner":19486,"_single":19487,"ativ":19488,"ĠAltern":19489,"ĠBeautiful":19490,"rightarrow":19491,"Ġdiversity":19492,"plash":19493,"(co":19494,".Fill":19495,"Ġtyping":19496,"Ġclar":19497,"Hit":19498,"OO":19499,"acco":19500,"worth":19501,"Ġscripts":19502,"ĠMuslims":19503,"ĠLL":19504,"erving":19505,"(boolean":19506,"Ġbaseball":19507,"ĠCAN":19508,"MAIL":19509,"depend":19510,"Ġrespective":19511,"Ġconstexpr":19512,".*;ĊĊ":19513,"']))Ċ":19514,"Ġyard":19515,"Ġidentical":19516,"ifecycle":19517,"USH":19518,"upiter":19519,".validate":19520,"cli":19521,"ISTER":19522,"Indicator":19523,"Fail":19524,"Ġdemocracy":19525,".var":19526,"Ġsatisfied":19527,"-------------":19528,"encer":19529,"hor":19530,"Ġrounds":19531,"DAO":19532,"oa":19533,"Ġflask":19534,"=c":19535,"[]Ċ":19536,"/dist":19537,"Ġparte":19538,"Ġconfirmation":19539,"eron":19540,"aware":19541,"":19542,"Ġdependencies":19543,"ĠVideos":19544,"-row":19545,"Ġ**/Ċ":19546,"Ġnou":19547,"Ġhover":19548,"æŀ":19549,"Ġnin":19550,"ĠUSD":19551,"Mac":19552,"_Load":19553,"Ġoutcomes":19554,"_socket":19555,"Ġqueries":19556,"wm":19557,"Ġhitting":19558,"inux":19559,"Mich":19560,"udge":19561,"ATAB":19562,"Ġvulnerable":19563,"ä¾":19564,"Ġportfolio":19565,":YES":19566,"ĉmap":19567,"Bound":19568,"Ġiteration":19569,"incess":19570,"Ġactors":19571,"ĠQual":19572,"_clean":19573,"ãĢijãĢIJ":19574,"MSG":19575,"Green":19576,"ĠOfficer":19577,"Ġsmoking":19578,">',":19579,"ĠFlo":19580,"++;":19581,"olygon":19582,"Ġbulk":19583,"Ġdrama":19584,"Ġexceptions":19585,"osed":19586,"Ġ+čĊ":19587,"Ġlegacy":19588,"CV":19589,"Ġcontributed":19590,"ĠTerms":19591,"Ġbt":19592,"Ġuntuk":19593,"Ġalien":19594,"===Ċ":19595,"ĉVector":19596,"Ġls":19597,"Online":19598,".facebook":19599,"numeric":19600,"ockets":19601,"Aut":19602,"bury":19603,"-redux":19604,"ĠRedistributions":19605,"GLOBALS":19606,"urrencies":19607,"Ġtons":19608,"âĢĻ,":19609,"Ġê":19610,"(col":19611,"ĠSymbol":19612,"Ġstayed":19613,"ĠML":19614,"Ġmunicip":19615,"Ġsexo":19616,"Sen":19617,"nr":19618,"Ġgains":19619,"Ġshortly":19620,".Menu":19621,"ý":19622,"KNOWN":19623,"Ġoperators":19624,"-V":19625,"ĠPatrick":19626,"/add":19627,"_CO":19628,"iration":19629,"(post":19630,"Posts":19631,"/_":19632,"Ġplug":19633,"Ġintellectual":19634,"Ġmetab":19635,"Ġpregnancy":19636,"ĠPremier":19637,"nm":19638,"Ġprediction":19639,"ĠMinistry":19640,"Three":19641,"valuate":19642,"ĠMini":19643,"bu":19644,"оз":19645,"\";čĊ":20078,"ĠSav":20079,".Bold":20080,"Ġenables":20081,"ĉtmp":20082,"Ġmanually":20083,"ĠSqu":20084,"userid":20085,".function":20086,".cache":20087,"LOPT":20088,".Services":20089,"ddit":20090,"tim":20091,">>":20154,"station":20155,"lore":20156,"atype":20157,"ishop":20158,"/****************************************************************":20159,"ComboBox":20160,"Ġvacation":20161,"Ġinitiative":20162,"ĠdefaultValue":20163,"concat":20164,"ĠKh":20165,"ĠWelcome":20166,"izedName":20167,"Migration":20168,"Ġgradient":20169,"Hot":20170,"Ġhardly":20171,"elo":20172,"ĠStudents":20173,"Ġloose":20174,"atz":20175,".Send":20176,"'/":20177,"Ġuniversal":20178,"Ġenterprise":20179,"Ġregex":20180,"Ġvisitor":20181,"ĠFly":20182,"Seq":20183,"à¸Ļ":20184,"ĠVisual":20185,"Ġlibraries":20186,"atoes":20187,"Payment":20188,"Ġpent":20189,"Ġgathered":20190,"VRTX":20191,"ĠDM":20192,"Split":20193,"Ġletting":20194,"ÐĿ":20195,"_errors":20196,"epoch":20197,"PARAM":20198,"cu":20199,"ÑģÑĤв":20200,"olutions":20201,"Editing":20202,"fonts":20203,"Ġallocated":20204,"ĠBased":20205,"(Y":20206,"ĠJudge":20207,"Ġbrothers":20208,"FILES":20209,"ço":20210,"wb":20211,"_PI":20212,"'^":20213,"Ġsword":20214,".services":20215,"Ġnl":20216,"Tim":20217,"igg":20218,"ĠMoore":20219,"Ġcryptoc":20220,"åĩº":20221,"_posts":20222,"otate":20223,"?'":20224,"....ĊĊ":20225,"Ġkl":20226,"=\"$":20227,"Ġdecoration":20228,"ạ":20229,"ĠDIRECT":20230,"GUI":20231,")=>{Ċ":20232,"Ġnewsletter":20233,"Ġprecis":20234,"(point":20235,"ĠEquipment":20236,"uty":20237,"ĠDave":20238,"Ġparticipation":20239,"uarios":20240,"xit":20241,".As":20242,"ETER":20243,"orous":20244,"Ġshield":20245,"[]>":20246,"ilitary":20247,".origin":20248,"Ġpromotion":20249,"Unt":20250,"Ġct":20251,"TRA":20252,"ViewHolder":20253,"Ġsigma":20254,"delta":20255,"arehouse":20256,"contract":20257,"(Vector":20258,"Ġcompete":20259,"/form":20260,"/components":20261,"Ġnr":20262,"ĠIndones":20263,"ĠоÑĤ":20264,"ĠVolume":20265,".files":20266,"(resp":20267,"/models":20268,"Ġsurf":20269,"standard":20270,"/o":20271,"ĠXCTAssert":20272,"VICES":20273,".Code":20274,"SED":20275,"Ġactivate":20276,"Delta":20277,"Ġlimitation":20278,"rij":20279,"Ġpregnant":20280,":^(":20281,"Ġsour":20282,"pie":20283,"Ġexpense":20284,"ication":20285,"ĠLarge":20286,"Ġ±":20287,"ĠBowl":20288,"(models":20289,"/N":20290,"Pa":20291,".reload":20292,"Ġwondering":20293,"Execution":20294,"ĉĠĠĠĠĠĠ":20295,"ĠGraphics":20296,"ĠContin":20297,"_job":20298,"ĠgetName":20299,"ĠMagn":20300,"ĠDWORD":20301,"mad":20302,"Ġnh":20303,"features":20304,"}\");Ċ":20305,"heets":20306,"(train":20307,"zn":20308,"Ġrecruit":20309,".connection":20310,"Ġbarrel":20311,"Ġsteam":20312,"_setting":20313,"Ġangular":20314,"aneously":20315,"Ġbil":20316,"ĠNorm":20317,"(!$":20318,"ibt":20319,"%(":20320,"Ġposit":20321,"ĠFather":20322,"intendo":20323,"Live":20324,"Ġports":20325,"Ġmej":20326,"Ġlanding":20327,"ponder":20328,"Ġcod":20329,"_HEADER":20330,".Margin":20331,"Ġballs":20332,"Ġdiscussions":20333,"Ġblend":20334,"Hex":20335,"Ġfarmers":20336,"Ġmaintaining":20337,"ĠĠĠčĊ":20338,"syn":20339,"[T":20340,"rus":20341,"uffers":20342,"Ġcontributors":20343,"_sys":20344,".Debug":20345,"Ġconstructed":20346,"omes":20347,"?id":20348,"slider":20349,"Ġsuppliers":20350,"scriber":20351,"pes":20352,"Ðŀ":20353,"\":čĊ":20354,"\\Controller":20355,"))ĊĊĊ":20356,"Ġlua":20357,"Multi":20358,"ENS":20359,"Src":20360,"Ġpetition":20361,"Ġslave":20362,"looking":20363,"VERT":20364,"ĉvector":20365,"Special":20366,"hh":20367,"anne":20368,"ĠNiger":20369,"/views":20370,"zing":20371,"endant":20372,"(":20591,".Product":20592,"Forms":20593,"NEW":20594,"Pay":20595,"ĉboolean":20596,"_contact":20597,"ĠElectric":20598,"skip":20599,"Ġwur":20600,"Ġchronic":20601,"_driver":20602,"ĠSab":20603,"ĠUlt":20604,"ĠRad":20605,"STATUS":20606,"ĠLewis":20607,"OB":20608,"Ġgifts":20609,".Rec":20610,"TRUE":20611,"Ġintensity":20612,"Marker":20613,".compare":20614,"ffic":20615,"Cookie":20616,"ĠBaby":20617,"ĠBigDecimal":20618,"ilet":20619,"ĠHOLDERS":20620,"ĠLady":20621,"Ġlung":20622,"ĠAlabama":20623,"Ġdess":20624,"`);Ċ":20625,"ĠBuilder":20626,"_region":20627,"Ġneutral":20628,"Both":20629,"Ġhp":20630,"Ġhorn":20631,"Ġsegments":20632,"ĠEC":20633,"\"=>\"":20634,"(rec":20635,"ĠPi":20636,"GM":20637,"Ġlaptop":20638,"Scalar":20639,"isd":20640,"-dialog":20641,"ĠAnderson":20642,"Ġmistakes":20643,"ĠHan":20644,"jes":20645,"estination":20646,"Ġpromises":20647,"bid":20648,"ĠScient":20649,"GIN":20650,"ĠPerformance":20651,"bage":20652,".users":20653,"leading":20654,"Ġoral":20655,"Graphics":20656,"_PTR":20657,"hang":20658,"Ġinev":20659,"processing":20660,"Factor":20661,"ĠNA":20662,"$string":20663,"Ġgrounds":20664,".SaveChanges":20665,"clock":20666,"cripcion":20667,"ĠNewton":20668,"gc":20669,".includes":20670,"Ġblast":20671,"Ġ'-'":20672,"Ġpuede":20673,".Session":20674,"Ġgrep":20675,"_final":20676,"ĠGay":20677,"ĠGive":20678,"iri":20679,"-star":20680,"ĠUIImage":20681,"_epoch":20682,"ubb":20683,"enth":20684,"Ġelite":20685,"Ġcampaigns":20686,"ĠPorno":20687,"_assign":20688,"Protocol":20689,"ĠBeing":20690,"ĠAirport":20691,"Ġconventional":20692,"ĠWat":20693,"ĠCI":20694,"ETA":20695,"ĠAnthony":20696,"Ġtablet":20697,"(format":20698,"Ġconsistently":20699,"ĠIowa":20700,"Ġavatar":20701,".cursor":20702,"![":20703,"Ġhanging":20704,"Her":20705,"Such":20706,"';ĊĊĊ":20707,"orgeous":20708,"()==":20709,"ĠviewModel":20710,"Ġãĥ":20711,"Ġels":20712,"ĠAgent":20713,"Fetch":20714,"apor":20715,"Ġcx":20716,"pread":20717,"ĠPier":20718,"oeff":20719,"Sn":20720,"ĠVirtual":20721,"Apr":20722,".White":20723,"_MOD":20724,"ĠPoints":20725,"失":20726,"Ġgenes":20727,"Ġvendor":20728,"Ġmainstream":20729,"Ċ":20758,"Filename":20759,"Ġsne":20760,"ĠFootball":20761,"Ġrival":20762,"Ġdisaster":20763,"ionic":20764,"ĠDamage":20765,".Resource":20766,"-en":20767,"ĠTypes":20768,"getString":20769,"(board":20770,"Ġbol":20771,"plain":20772,"zym":20773,"า":20774,"Ġscanner":20775,"ilder":20776,"_msgs":20777,"æı":20778,"(intent":20779,"Ġdestruct":20780,"Ġbust":20781,"ĠEmploy":20782,"oni":20783,"ĠUIViewController":20784,"Ġodds":20785,"earer":20786,"Geometry":20787,"Ġyii":20788,"_EXPORT":20789,"ĠAttack":20790,"Ġniet":20791,"Ġimpression":20792,"ĠGil":20793,"_prob":20794,"ĠCF":20795,"ĠExperience":20796,"/plugins":20797,".Method":20798,"Ġbeliefs":20799,"Native":20800,"_build":20801,"Ġvig":20802,"Ġranks":20803,"covered":20804,"such":20805,"Guard":20806,".pack":20807,"adder":20808,"ivia":20809,"lng":20810,"ĠвÑĭ":20811,"Timestamp":20812,"_now":20813,"Ġpoker":20814,"Ġunc":20815,"Ġshapes":20816,"-types":20817,"_period":20818,"pk":20819,"Ġveteran":20820,"Ġsono":20821,"Ġappointed":20822,"overflow":20823,".driver":20824,"_cat":20825,"utt":20826,"plant":20827,"imb":20828,"ĠAccept":20829,"Ġconcert":20830,"ĉnode":20831,"ĉz":20832,"?>čĊ":20833,"Ġbanned":20834,"ĉĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":20835,"Ġtoxic":20836,"Ġdisappe":20837,"ÈĽ":20838,"Ġgrace":20839,"ateful":20840,"Reply":20841,"ĠCruz":20842,"Ġscrap":20843,"Ġkeywords":20844,"simp":20845,"Ġmortgage":20846,"Ġcyber":20847,"ĠExecute":20848,"Ġlatitude":20849,"ifu":20850,".COM":20851,"dbo":20852,"Ġsorts":20853,"ĠGas":20854,"omial":20855,".Local":20856,"Cells":20857,".Replace":20858,"Strings":20859,".fit":20860,"ĠThird":20861,"%\",Ċ":20862,"Ġ{}\".":20863,"ĠSony":20864,"Ġ[:":20865,"Ġfallen":20866,".')Ċ":20867,"inh":20868,"ĠMC":20869,"Ġredis":20870,"Codes":20871,"Ġprofiles":20872,"hook":20873,"Reducer":20874,"_FUNC":20875,"Ġnavigate":20876,"strlen":20877,"Ġhorm":20878,"áŀ":20879,"ĠSR":20880,".boot":20881,"Ġdigest":20882,"ĉheader":20883,".findOne":20884,"æģ":20885,"DbType":20886,"nia":20887,"_merge":20888,"Ġdonne":20889,"/Getty":20890,"_CHAR":20891,"Ġbands":20892,".URL":20893,"artial":20894,"Ġfreq":20895,"Ġsist":20896,"Ng":20897,"Ġrendering":20898,"\\Core":20899,"Widgets":20900,"ĠVA":20901,"Ġactivists":20902,"Ste":20903,"=_":20904,"alla":20905,"Stamp":20906,"Ġloads":20907,"Ġxx":20908,"ĠLearning":20909,".Mvc":20910,"uir":20911,"(\"$":20912,"Ġconnecting":20913,"ReadOnly":20914,"uru":20915,"ĠEag":20916,"BIT":20917,"_DEL":20918,"å§":20919,"arrass":20920,"external":20921,"ĠYOUR":20922,"ĠBrew":20923,"ĠFive":20924,"Ġresize":20925,"igid":20926,"eration":20927,"ĠÑį":20928,"åĬł":20929,"ĠCatch":20930,"Ùģ":20931,"ĠLeon":20932,"amil":20933,".Body":20934,"Clip":20935,"/list":20936,".br":20937,"EditText":20938,"ĉdb":20939,".Game":20940,"(BuildContext":20941,"backend":20942,".Red":20943,"facebook":20944,".urls":20945,"mr":20946,"rolled":20947,"-------":20948,"Ġintervention":20949,"Ġretirement":20950,"ĠKit":20951,"ĠPRE":20952,"UpperCase":20953,"ĠSocket":20954,"Ġ:-":20955,"Ġstudying":20956,"ĠMetro":20957,"arded":20958,"Ġconversations":20959,"Called":20960,"Ġexamine":20961,"ertificate":20962,".gz":20963,"-responsive":20964,"Ġrefund":20965,"_network":20966,"allowed":20967,"empt":20968,"Ġmeals":20969,"Categories":20970,"Ġtraveling":20971,"Ġkg":20972,"Ġshame":20973,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":20974,"Ġexplicitly":20975,"Ġmathematic":20976,"ĠSuite":20977,"ĠRGB":20978,"******/":20979,"Ġmixture":20980,"learning":20981,".template":20982,"atts":20983,"wx":20984,"ĉctx":20985,".properties":20986,"Ġdrinks":20987,"ĠEither":20988,"setText":20989,".getData":20990,".zip":20991,"Ġreveals":20992,".Ċ":21005,"Ġranked":21006,"_impl":21007,"ĠHandles":21008,"Ġhosted":21009,"Ġupdating":21010,"album":21011,"éĿ":21012,"Ġshader":21013,"Editors":21014,"-round":21015,"[]{":21016,"Ġsep":21017,"ĠHi":21018,"TEM":21019,"lookup":21020,".man":21021,"_INPUT":21022,"Ġthreatened":21023,"_IMPORT":21024,"Ġdrops":21025,"ruit":21026,"sid":21027,"both":21028,"ĠExcel":21029,"Ġjer":21030,"ordinary":21031,"ей":21032,"VIEW":21033,"reply":21034,"Ġ):Ċ":21035,"colors":21036,"verified":21037,"_Tr":21038,"_parse":21039,"Ġcongress":21040,"Promise":21041,"ints":21042,"ĠMother":21043,".Api":21044,"ĠDuration":21045,"ĠfirstName":21046,"inheritdoc":21047,"ĠMars":21048,"Ġapr":21049,"ODY":21050,"Ġvisits":21051,"Ġhealing":21052,"letters":21053,")));čĊ":21054,"future":21055,".Framework":21056,"Ġkiss":21057,"Ġinvolve":21058,"Ġsilent":21059,"adows":21060,"Ġanybody":21061,"sch":21062,"Ġsolely":21063,"-img":21064,"Ġpropri":21065,"Ġinstruct":21066,"Ġlicenses":21067,"Ġmeth":21068,"Ġcondem":21069,"ĠDomain":21070,"ĠHarris":21071,"ĠsÃ¥":21072,"CEPT":21073,"Batch":21074,"@extends":21075,"ĠCONTRIBUT":21076,".DataFrame":21077,"_packet":21078,"recision":21079,"Ġfocusing":21080,".ht":21081,"__\":Ċ":21082,":Get":21083,"ĠKC":21084,"Ġpassage":21085,"Segment":21086,"_center":21087,"-zA":21088,"_BL":21089,"Ġconvin":21090,"Ġclassified":21091,"ĠNSMutable":21092,"_ap":21093,"tile":21094,"Rectangle":21095,"(nums":21096,"vens":21097,"ĠUIButton":21098,"ĠFeder":21099,"amo":21100,"Ġoutline":21101,"ĠParser":21102,"Ġâī":21103,"ĠWorks":21104,".Schema":21105,"Ġengines":21106,"_common":21107,"_old":21108,"ĠsetContentView":21109,"Ġ///<":21110,"ĠBT":21111,"fm":21112,"Ġdivers":21113,"_weights":21114,"emark":21115,"ĠACT":21116,"Ġproportion":21117,"overlay":21118,".dirname":21119,"ĠGit":21120,"_REFERENCE":21121,"<>":21122,"lb":21123,"_rule":21124,"è´¥":21125,"ĠPutin":21126,"Ġsleeping":21127,"():čĊ":21128,"Ġpreserve":21129,"Ġparliament":21130,"ĠLooking":21131,"Ġpicking":21132,"ĠDispatch":21133,"Ġslip":21134,"ëĵ":21135,"ĠLyn":21136,"_signal":21137,"configuration":21138,"ĠPitt":21139,"aden":21140,"procedure":21141,"Ġenthusi":21142,"fight":21143,"ĠConsider":21144,"Ġtorn":21145,"Connected":21146,".cos":21147,"_groups":21148,"ĠThink":21149,"Ġdeliber":21150,"Ġresid":21151,"working":21152,".columns":21153,"ĠCalled":21154,"Ġeslint":21155,">\",":21156,"_DOWN":21157,"hist":21158,"ĠAdvanced":21159,"Ġrewards":21160,"actors":21161,"Ġsilence":21162,"Ġmyth":21163,"Ġneur":21164,"Ġauction":21165,".GetString":21166,"eks":21167,"(project":21168,"ĉmsg":21169,"ĉoutput":21170,"Ġcomplaints":21171,",S":21172,"Ġtbl":21173,"Ġ,ĊĊ":21174,"riors":21175,"ahren":21176,"Ġlawyers":21177,"redux":21178,"_symbol":21179,"offee":21180,"_RESULT":21181,"(Name":21182,"UTC":21183,".currentTime":21184,"Ġorganis":21185,".arg":21186,"Ġminim":21187,"wick":21188,"Ġreceives":21189,"Balance":21190,"Ġspeaks":21191,"ĠDays":21192,"ĠBelow":21193,"tipo":21194,"Present":21195,"Ġreserv":21196,"hp":21197,"Ġrit":21198,"_RIGHT":21199,"--)":21200,"Ġchairman":21201,"DIS":21202,"ĠBOOST":21203,"Ġexperiments":21204,"__);Ċ":21205,"Ġstamp":21206,"Ġfert":21207,"Ġfond":21208,"Ter":21209,"elve":21210,"uren":21211,"+i":21212,"endency":21213,"Ġvirtually":21214,"...\"":21215,"ï½ŀ":21216,"-cent":21217,"_unique":21218,"Ġpricing":21219,"mic":21220,"RESH":21221,"Ġ:::":21222,"Ġannotation":21223,"ĠCircle":21224,"ongodb":21225,"itas":21226,"Ġ%(":21227,"(component":21228,"Ġоб":21229,"(port":21230,"-hour":21231,".obj":21232,"LBL":21233,"Ġjury":21234,"GBT":21235,"Ġspy":21236,"ĠProfessional":21237,"Ġ\"\";ĊĊ":21238,"Ġstriking":21239,"Ġdiscrimination":21240,"Ġpays":21241,"lict":21242,"entes":21243,"Ġthrowing":21244,"ĠPlugin":21245,"(def":21246,"ĠRuntimeException":21247,"ĠMigration":21248,"Ġdic":21249,"bag":21250,"onia":21251,"Ġcorruption":21252,"(Map":21253,"Ġprz":21254,".dto":21255,"Ġacquire":21256,"StateToProps":21257,"Ġloving":21258,"ож":21259,"_pattern":21260,"Ġemotions":21261,"Ġpublisher":21262,"_be":21263,"Ġcouples":21264,"oj":21265,"ĠChart":21266,"Ġtrop":21267,".tool":21268,"Ġestablishment":21269,"Ġdol":21270,"Ġtower":21271,"Ġlane":21272,"ĠSydney":21273,"Ġfilling":21274,"claimed":21275,"Ġdialogue":21276,"Ġconvention":21277,"booking":21278,"parency":21279,"æ±":21280,"ĠGeneric":21281,"\\Schema":21282,"Ġranges":21283,"/ch":21284,"Ġpanels":21285,"Ġruled":21286,"çĶŁ":21287,".ts":21288,"_sets":21289,"Ġcleanup":21290,"Previous":21291,"ĠAnimal":21292,"($(":21293,"ĠAve":21294,"ollar":21295,"_eval":21296,"ĉName":21297,"(tree":21298,"Ġ\"]":21299,"Ġduties":21300,"='/":21301,"Clicked":21302,"Ġdifferently":21303,"ĠClark":21304,"Ġdit":21305,"ologists":21306,"Ġsynd":21307,"Ġsends":21308,"-known":21309,"kb":21310,"ĠModal":21311,"itative":21312,"Ġracing":21313,"Ġhighlights":21314,"ĠSimon":21315,"ĠCaptain":21316,"ä¿¡":21317,"ĠCB":21318,"contin":21319,"aran":21320,"Ġphysics":21321,"retty":21322,"etal":21323,".md":21324,"axios":21325,"Ġspeakers":21326,"Ġprep":21327,"Ġawarded":21328,"ì§Ģ":21329,"ĠCorn":21330,"ĠNature":21331,"UDIO":21332,"Ġproj":21333,"-pre":21334,"[u":21335,"Features":21336,"ĠisEqual":21337,"Binary":21338,"sig":21339,"Ġconfusion":21340,"ĠHat":21341,"Ġktó":21342,".configure":21343,"MON":21344,"/edit":21345,"_Add":21346,",true":21347,"Ġcli":21348,"ErrorMessage":21349,"-loader":21350,"Dimensions":21351,"ultiply":21352,"Ġ{!!":21353,"ĠSqlCommand":21354,"Ġspoken":21355,"Ġpics":21356,"Ġtoy":21357,"(Key":21358,"ĠLoop":21359,"ب":21360,"EATURE":21361,"inction":21362,"_setup":21363,"wrapper":21364,"Ġtong":21365,"cular":21366,"Opt":21367,".Pl":21368,"=\",":21369,"(length":21370,"umn":21371,"Ġchrom":21372,"Ġsevent":21373,"ĠIllegalArgumentException":21374,"ĉstart":21375,"Ġbegun":21376,"CEPTION":21377,"dataset":21378,"ĠFailed":21379,"cols":21380,"Ġknee":21381,"imore":21382,".splice":21383,"shell":21384,"iggers":21385,"Ġthemes":21386,"ĠDJ":21387,"ĠAssistant":21388,"-$":21389,"Maybe":21390,"Ġordering":21391,"ĠIntelligence":21392,"ĠMassachusetts":21393,"Ġfailing":21394,"elson":21395,"Great":21396,"=i":21397,".rest":21398,"Ġinvite":21399,"-disable":21400,".GroupBox":21401,"âĢĻest":21402,"Ġtackle":21403,"gv":21404,"etter":21405,"Ġ),čĊ":21406,"_rules":21407,".warn":21408,"functions":21409,"ĠChristians":21410,"Ġbacked":21411,"Ġslider":21412,"Ġenjoying":21413,"nest":21414,"Ġhij":21415,"_ms":21416,"//*":21417,"Annotations":21418,"ĠVariables":21419,"":21620,"cycle":21621,"ĠBull":21622,"paths":21623,"Ġunp":21624,"ĠviewDidLoad":21625,"_Model":21626,"ĠassertTrue":21627,"Ġrated":21628,"Decl":21629,"verted":21630,"ĠDat":21631,"brew":21632,"Ġpointing":21633,"Ms":21634,"ĠPointer":21635,")'":21636,"_non":21637,"ĠSEC":21638,"Ġyeah":21639,"gency":21640,"initialize":21641,"fly":21642,"[pos":21643,",g":21644,"Tele":21645,"Ġjoke":21646,"Ġclause":21647,".findById":21648,"enes":21649,"(instance":21650,"£":21651,"Ġslic":21652,"_home":21653,"Ġ*/}Ċ":21654,"_pages":21655,"(service":21656,"RP":21657,"ĠAmong":21658,".getCurrent":21659,"ãĤ¹":21660,"Ġslee":21661,"=[Ċ":22071,"oler":22072,"Ġlibert":22073,"Ġ`Ċ":22074,"Ġwenn":22075,"lated":22076,"Ġimmune":22077,"(Node":22078,"ĠProblem":22079,"ĠAbs":22080,"logs":22081,"Ġ../":22082,"ĠADC":22083,"Ġ}}\">Ċ":22084,">');Ċ":22085,"=b":22086,"ĠWind":22087,"lahoma":22088,"Ġallocate":22089,"orian":22090,"Ġprescription":22091,"-quality":22092,"ĠMayor":22093,"inely":22094,"endforeach":22095,"ĠComplex":22096,"kom":22097,"TY":22098,"]].":22099,".Style":22100,"_many":22101,"','$":22102,"Ġbarrier":22103,"ĠFetch":22104,"ĠMarvel":22105,"Ġresist":22106,"ого":22107,"bidden":22108,"ĠRunnable":22109,":false":22110,"Ġbuilds":22111,"ĠStage":22112,"Ġdub":22113,"empo":22114,".site":22115,";ĊĊĊĊ":22116,"ĠDenver":22117,"Ġrevel":22118,"Ġtriggered":22119,"Ġdice":22120,"_fail":22121,"Ġgc":22122,"ĉX":22123,"ĠThrowable":22124,".router":22125,"ĠRevolution":22126,"ÑĢа":22127,"_NON":22128,"Ł¥":22129,"Ġelder":22130,"Ġabroad":22131,"Ġе":22132,"ĠAdult":22133,"blr":22134,"glyphicon":22135,"Ġpromoting":22136,"Ġiz":22137,"ĠSolid":22138,"_loader":22139,"early":22140,".enabled":22141,"-edit":22142,"ĠUL":22143,"_play":22144,"ĠInterrupt":22145,"Ġadvantages":22146,"ucle":22147,"Ġmechanical":22148,".tableLayoutPanel":22149,"ĠWorking":22150,"Ġanonymous":22151,"Rating":22152,"igious":22153,"_phone":22154,".addActionListener":22155,"Ġfran":22156,"unden":22157,"Ġ*)&":22158,"_bool":22159,"ulative":22160,"Ġcone":22161,"ĠMult":22162,"Ġmö":22163,"ĠForward":22164,"]):Ċ":22165,"Ġconvinced":22166,"acted":22167,"ãģĵ":22168,"ĠConfigure":22169,"Ġceiling":22170,"Der":22171,"Ġpassengers":22172,"Groups":22173,"Ġsoccer":22174,"/W":22175,"aviors":22176,"swith":22177,"ĠZone":22178,".Options":22179,"ĠMom":22180,"ieder":22181,"Arrays":22182,"Ġtreatments":22183,"Ġprotecting":22184,"fac":22185,"Ġpickle":22186,"ButtonItem":22187,"Ġblocking":22188,"strar":22189,"ò":22190,"ĠExport":22191,"Ġthrew":22192,"otta":22193,"ĠBASE":22194,".ws":22195,".LEADING":22196,"orderBy":22197,"_delay":22198,"ĠPu":22199,".dll":22200,"ĠChoose":22201,"Police":22202,"ĠBEGIN":22203,"boxes":22204,"Ġdiamond":22205,",l":22206,"Ġĉĉĉ":22207,"Ġcurious":22208,"tv":22209,"Ġerotische":22210,"ackages":22211,"ĉSet":22212,"Tick":22213,".border":22214,"staticmethod":22215,"Ġcher":22216,"invoice":22217,"Ġcru":22218,"Ġdefect":22219,"_metadata":22220,"relation":22221,"ikan":22222,"[N":22223,"(Qt":22224,"(Base":22225,"æģ¯":22226,"beat":22227,"ĠEmpty":22228,"ĉo":22229,"_shift":22230,"Ġregret":22231,"Those":22232,"Cent":22233,"ĠPortug":22234,"ĠIslands":22235,"ĠTIME":22236,"Management":22237,"-sp":22238,"ême":22239,"Ġnotion":22240,"unifu":22241,"PK":22242,"è¡Į":22243,"ĠCURLOPT":22244,"\\\"\\":22245,"UV":22246,"çº":22247,"dra":22248,"cou":22249,"=`":22250,"ĠDestroy":22251,"rp":22252,".cancel":22253,"GG":22254,"runtime":22255,"ĠVue":22256,"Ġprogressive":22257,"/services":22258,"Ġrunner":22259,"_FRAME":22260,".ToolStripMenuItem":22261,"Ġ','":22262,"delay":22263,"=utf":22264,"Ġscreening":22265,"Ġpulling":22266,"omas":22267,"Ġanth":22268,"-new":22269,"/local":22270,"ĠiPad":22271,"Ġtwitter":22272,"Ġdying":22273,"Ġheaven":22274,"ĠUInt":22275,"ĠSenator":22276,"Ġpresum":22277,"ĠWalker":22278,"Ġovercome":22279,"etection":22280,"Ġembarrass":22281,"China":22282,"Include":22283,"ROLL":22284,"ĠdataType":22285,"David":22286,"ร":22287,"lop":22288,"-month":22289,"Ġscar":22290,"ĠSafe":22291,"Ġ****************************************************************":22292,"Ġaccessories":22293,"Ġramp":22294,"_USE":22295,"Ġcontrad":22296,"))]Ċ":22297,"Ġprest":22298,"ĠHR":22299,"ĠRap":22300,"Ġusize":22301,"Ġcapability":22302,"Ġcort":22303,"-next":22304,"Ġburden":22305,"_reader":22306,"Ġ@@":22307,"regular":22308,"ĠKa":22309,"MAN":22310,"Ġastr":22311,"Ġ'')Ċ":22312,"Ġfed":22313,"Ġparsing":22314,"ĠYears":22315,"Ġbroker":22316,"\":{\"":22317,"Ġakt":22318,"Inventory":22319,"abeled":22320,"Ġargparse":22321,"*******Ċ":22322,"versation":22323,"Ġcord":22324,"ĠTi":22325,"Ġhopefully":22326,"Ġah":22327,"verb":22328,"Ġstolen":22329,".Entry":22330,"Ġexpecting":22331,"Orientation":22332,"Ġpowered":22333,"Ġpersist":22334,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":22335,"']);":22336,"')),Ċ":22337,"ĠCash":22338,"ĉitem":22339,"grades":22340,"ropol":22341,"basic":22342,"Ġ\");čĊ":22343,"Ġawards":22344,"(range":22345,"-all":22346,"ĠIBOutlet":22347,"ĠIndeed":22348,"----------------------------------------------------------------------------":22349,"Ġstomach":22350,"Ġflower":22351,"Ġsew":22352,"_times":22353,"avis":22354,"QString":22355,"ĠRoutes":22356,"_prot":22357,"Ġcomedy":22358,"Ġlogout":22359,"Ġwooden":22360,"Ġposter":22361,"piece":22362,".Join":22363,"ĠPok":22364,"celona":22365,"mutex":22366,";čĊčĊčĊ":22367,"Ġstrikes":22368,"Loaded":22369,")arg":22370,"esa":22371,"United":22372,"Ep":22373,"PELL":22374,"ĠAtlantic":22375,"ullet":22376,"apple":22377,"Ġsettled":22378,"acon":22379,"Ġprinter":22380,"ĠGC":22381,"å®ļ":22382,"Ġrendered":22383,",âĢĻ":22384,"heit":22385,"social":22386,".ge":22387,"ĠRick":22388,"ĠUtah":22389,"got":22390,"onical":22391,"ĠScroll":22392,"ĠSciences":22393,"Ġjug":22394,"Ġampl":22395,"enti":22396,"LEFT":22397,"Ġtabs":22398,"Ġenormous":22399,".getKey":22400,"locate":22401,".EX":22402,".storage":22403,".We":22404,"Ġtoast":22405,"ĠAdditionally":22406,"ĠNOW":22407,"_UPDATE":22408,"Ġtransferred":22409,"tha":22410,".Display":22411,"_ui":22412,"IDEO":22413,"Ġmeaningful":22414,"ĠMoscow":22415,",this":22416,"ĠVictoria":22417,"æĶ¹":22418,"ĠÐŁ":22419,".stack":22420,"ĠBarn":22421,"paredStatement":22422,":string":22423,"Ġbij":22424,"ĠSTATE":22425,"Ġemployers":22426,"ĉinput":22427,"(|":22428,"Ġlex":22429,"invoke":22430,"ĉnum":22431,"++,":22432,"atial":22433,"orses":22434,"Ġfork":22435,"_txt":22436,"ĠAntonio":22437,"Ġ(<":22438,"averse":22439,"Ġdevast":22440,"ãĢĢ":22441,".Dec":22442,"ĠGard":22443,"/ui":22444,".%":22445,"tri":22446,"Ġrolled":22447,"ValuePair":22448,"itten":22449,"ĠTher":22450,"Ġvrou":22451,"ĠFlow":22452,"ĠFinance":22453,"ĠComb":22454,"HC":22455,".setVisible":22456,"isl":22457,"Ġpk":22458,"Ġupset":22459,"(raw":22460,"ĠVice":22461,"eatures":22462,"ĠLang":22463,"Looking":22464,"ĠAST":22465,"Ġtrips":22466,"ĠJustin":22467,"browser":22468,"=\"'.$":22469,".vertices":22470,"-co":22471,"}/{":22472,"Ġ?,":22473,"ĠDomin":22474,"ĠBelg":22475,"\"<":22476,"Ġsuppose":22477,"addy":22478,"Ġwalks":22479,"ERRU":22480,"_filters":22481,"Preferred":22482,"scene":22483,"еÑģ":22484,"ĠAffairs":22485,"Ġ\"#{":22486,"ĠonSubmit":22487,"Ġstocks":22488,"/view":22489,"gree":22490,"-get":22491,"hit":22492,"Jo":22493,".getC":22494,"Initialized":22495,"ÑĤи":22496,"cuts":22497,"(Type":22498,"ĠAgreement":22499,"ĠVietnam":22500,"Ġ/*!":22501,"Ġpizza":22502,"-view":22503,"_em":22504,"Ġlhs":22505,"Ġmuy":22506,"ĠIdent":22507,"ĠFriends":22508,"Ġabund":22509,"_AD":22510,".timestamp":22511,"-'":22512,"Ġduplicate":22513,"Ġhunting":22514,"Ġregulatory":22515,"iao":22516,"amous":22517,"ĠEntertainment":22518,"[A":22519,"iatric":22520,"_CLIENT":22521,"ĠKids":22522,"/pkg":22523,"Break":22524,")));ĊĊ":22525,"ĠShape":22526,"Ġrelating":22527,"Interrupt":22528,"ableOpacity":22529,"embre":22530,"Ġmystery":22531,"Ġjournalists":22532,"ritable":22533,".Link":22534,"Ġstopping":22535,"CRET":22536,".DB":22537,"Ġpopularity":22538,"Ġgew":22539,"Ġimpr":22540,"setValue":22541,"FLAG":22542,"ĉmax":22543,"Ġbake":22544,"wy":22545,"ĠEconomic":22546,"Ġencontr":22547,"Ġfname":22548,"/de":22549,"Rank":22550,"Ġbugs":22551,".sm":22552,"Ġmedian":22553,"DOWN":22554,"ĠSure":22555,"AtIndex":22556,"ĠDick":22557,"Ġ(__":22558,".delta":22559,"Fr":22560,"Ġsuggesting":22561,"ĠRecyclerView":22562,",e":22563,"START":22564,"/****************************************************************************":22565,"xford":22566,"Ġreceipt":22567,"CLAIM":22568,"readonly":22569,"Ġengaging":22570,"Ca":22571,"asma":22572,"Ġensuring":22573,"English":22574,"ĠVancouver":22575,"hyth":22576,"Ġpurchasing":22577,"ĠPI":22578,".word":22579,"(sp":22580,".home":22581,":def":22582,"Ġgig":22583,"ĠVe":22584,"forum":22585,"ĠMitch":22586,"Bay":22587,"_FL":22588,"Ġsoll":22589,"_columns":22590,"Ġminority":22591,"bird":22592,"Ġhanded":22593,"SSL":22594,"STAT":22595,"Ġnervous":22596,"ĥ½":22597,"ĠfilePath":22598,"CREATE":22599,"Aw":22600,"Ġpens":22601,"seed":22602,"ĠCompute":22603,"olk":22604,"ĠAsset":22605,"reach":22606,"'),čĊ":22607,"navigation":22608,"LF":22609,"/util":22610,"ĠPub":22611,"ĠâĶ":22612,"cion":22613,"##Ċ":22614,"III":22615,"TagName":22616,"Ġamid":22617,"permission":22618,"ifiable":22619,"xFFFFFFFF":22620,"ни":22621,".Buffer":22622,"_irq":22623,"dark":22624,"Ġretval":22625,".fire":22626,"production":22627,".listen":22628,"ĠWeather":22629,"Ġbuyers":22630,".ne":22631,"erp":22632,"ĠPent":22633,"Ġwelfare":22634,"ĠpageSize":22635,"ĠStadium":22636,"erta":22637,"Ġlev":22638,"ampa":22639,"Pager":22640,"Ġcharging":22641,"ĠNetflix":22642,"|null":22643,"_random":22644,".xpath":22645,"Ġstere":22646,"ĠISIS":22647,"ponses":22648,"(loc":22649,"eyond":22650,"ĠOfficial":22651,"ĠMaryland":22652,"DataType":22653,"_par":22654,"{},":22655,"ĠEnjoy":22656,"_SHIFT":22657,"ĠAwards":22658,"_ENTRY":22659,"Ġseemingly":22660,"enticate":22661,"Ġhearts":22662,"_;ĊĊ":22663,"ĠHIV":22664,"Ġindivid":22665,"ĠFlag":22666,"_ctrl":22667,"ĠCallback":22668,",z":22669,"ĠGPU":22670,"ĉobj":22671,"ĠPhoenix":22672,"ĠBUS":22673,"Ġrubber":22674,"_AUTH":22675,"ĠSolutions":22676,"(location":22677,"Variables":22678,".setEnabled":22679,"_high":22680,"WO":22681,"Gesture":22682,"Ġretry":22683,"ĠobjectForKey":22684,"alloween":22685,"Ġmos":22686,"ĠCele":22687,"Ġikke":22688,"(cell":22689,"ĠMODE":22690,"rena":22691,"Ġdescribing":22692,"Ġphi":22693,"Ġrd":22694,"Ġdeserve":22695,"Ġwheels":22696,"å¸Ĥ":22697,"Ġcritics":22698,"Namespace":22699,"ĠFra":22700,"ĠĊĊĊĊ":22701,"Ġalla":22702,"Ġrequiring":22703,"æľŁ":22704,"utation":22705,"Ġdelayed":22706,"Ġadministrative":22707,"Ġbay":22708,".hidden":22709,"Tex":22710,"Ġboundaries":22711,"Ġ]);ĊĊ":22712,"ĠFollowing":22713,"~/":22714,"Fi":22715,"_conv":22716,"_TITLE":22717,"Ġdesde":22718,"ICollectionView":22719,"Alias":22720,"Ġbite":22721,"patient":22722,"_COMMAND":22723,"Completed":22724,"ĉelif":22725,"(<":22726,"Business":22727,"ĠPool":22728,"Ġpursue":22729,"ĠBan":22730,"_steps":22731,"_DECL":22732,"umble":22733,"Ġcombo":22734,"ĠLayer":22735,".xr":22736,"Ġdup":22737,"---------":22738,"Ġmodifier":22739,"rob":22740,"rez":22741,"Ġathletes":22742,"Used":22743,"wear":22744,"Ġlegitimate":22745,"Ġ\"ĊĊ":22746,"Ġhv":22747,"Std":22748,"ĠHold":22749,"Ġsurviv":22750,"ĠAlliance":22751,"ĠEarly":22752,"Behavior":22753,"(font":22754,"/libs":22755,"Ġrectangle":22756,"Ġsinger":22757,"Ġamp":22758,"EqualTo":22759,"Ġ\".\"":22760,"Ġgirlfriend":22761,"å±":22762,"linear":22763,"observ":22764,"Ġpiù":22765,"Ġcomplement":22766,"WithValue":22767,"(password":22768,"take":22769,"Blank":22770,"ĠCompar":22771,"'\",":22772,"_policy":22773,"mongoose":22774,"_FAILED":22775,".report":22776,"Ratio":22777,".PerformLayout":22778,"usable":22779,"mers":22780,"_render":22781,"PEED":22782,"Ġlesb":22783,"ĉE":22784,"_tool":22785,"Ġladies":22786,"оÑģ":22787,"))))Ċ":22788,";;;;":22789,".dot":22790,"Ġnest":22791,"peak":22792,"ukkit":22793,"eca":22794,"_SW":22795,"Ġ&(":22796,"ĠOklahoma":22797,"Ġbanking":22798,"ĠNintendo":22799,"Ġreproduce":22800,"_elements":22801,"_mac":22802,"proxy":22803,"Ġremarkable":22804,"}/${":22805,"Ġouts":22806,".hasNext":22807,"MODE":22808,"Ġanime":22809,".conn":22810,"Unique":22811,"Dom":22812,"Ġimportantly":22813,"itty":22814,"Ġjuice":22815,"Tw":22816,"ĠPartners":22817,"Ġattacking":22818,"Ġportable":22819,"amiento":22820,".PictureBox":22821,".gen":22822,"Ġoptimal":22823,"Ġrecre":22824,"Ġjournalist":22825,"ĠExtract":22826,"ĠMoreover":22827,"ĠmarginTop":22828,".Ap":22829,"Ġfiring":22830,"NaN":22831,"ĉtemplate":22832,"ад":22833,".En":22834,"Ġdefence":22835,"ĠTel":22836,"ilen":22837,"jan":22838,"=data":22839,"ĠUrl":22840,"ĠReuters":22841,"(total":22842,"ĠFifth":22843,"Ġessays":22844,"Ġinterpretation":22845,"Ġcharity":22846,"ĠRules":22847,"Ġsubsection":22848,"styled":22849,"azer":22850,"lags":22851,"LIST":22852,"Ġuploaded":22853,"Ġtrash":22854,"Ġregistr":22855,"Ġseller":22856,">';čĊ":22857,"ĠstartTime":22858,"çĻ":22859,"sy":22860,"(HttpServletRequest":22861,"Ġtrap":22862,"GC":22863,"Ġembedded":22864,"Ġsurrounded":22865,"imits":22866,"TX":22867,"ylinder":22868,"ĠFal":22869,"Ġsentences":22870,"ĠJa":22871,"IFICATION":22872,"weapon":22873,"ovation":22874,"Ġcoat":22875,"Ġinterpol":22876,"Ġlips":22877,"ĠKy":22878,"Ġvectors":22879,"_am":22880,"Ġintake":22881,".world":22882,"Ġinbox":22883,"ĠMAC":22884,"_ab":22885,"(nameof":22886,"Ġentert":22887,"Ġgathering":22888,"ĠSIM":22889,"++.":22890,"nya":22891,"'}}":22892,"ĠUPDATE":22893,"Ġpac":22894,"(html":22895,"ĠSant":22896,"iating":22897,"ĠIdeas":22898,"Ġspray":22899,"ĠHart":22900,"Ġverification":22901,"adesh":22902,"/modules":22903,"ĠMind":22904,"ĠSizedBox":22905,"Ġshelter":22906,"Ġheroes":22907,"atty":22908,"Ġcertified":22909,"sj":22910,"Ġêtre":22911,"ÅĤo":22912,"Ġpublishing":22913,"ĠMalays":22914,".getUser":22915,"ĠProvider":22916,"ĠLinkedList":22917,"ĠBor":22918,"ROUND":22919,"did":22920,"tain":22921,"pire":22922,"ĠJenn":22923,"tel":22924,"ande":22925,"_front":22926,"ĠMcG":22927,"TestMethod":22928,"à¸Ń":22929,"Ġoccasionally":22930,"ĠWales":22931,"Ġexercises":22932,"ĠÐĴ":22933,"-plus":22934,"Ġvalidator":22935,"Ġprayer":22936,"LATED":22937,"_author":22938,"Ġlabour":22939,"++Ċ":22940,"-equiv":22941,"ĠGPL":22942,"Ġfacebook":22943,"simple":22944,"gly":22945,"Processor":22946,"ipy":22947,"Ġ*>":22948,"Ġcleared":22949,"ĠPush":22950,"Ġpenis":22951,"Structure":22952,"lij":22953,"ĠMorgan":22954,"Ġhandful":22955,"\".Ċ":22956,"|\\":22957,"Ġ********************************":22958,"ĠAqu":22959,"_IC":22960,".loads":22961,"Ġmeter":22962,"ĠMarine":22963,"::{":22964,"ĠTS":22965,"ĠArrays":22966,".Title":22967,"GRAM":22968,"termin":22969,"Ġcoinc":22970,"Else":22971,"_states":22972,"-run":22973,"members":22974,"astro":22975,"ĠonPress":22976,"Ġbeings":22977,"Ġabandoned":22978,"Ġtaxp":22979,"owners":22980,".mode":22981,"Ġdiagnosis":22982,"Ġ_Ċ":22983,"ĠKnight":22984,"ĉA":22985,"Ġobserve":22986,"),'":22987,"!\")Ċ":22988,"ĠPara":22989,"Ġvariation":22990,"(False":22991,"ĠAnti":22992,"Ġgri":22993,"Ġhomeless":22994,"?v":22995,"Ġbez":22996,".Server":22997,"release":22998,"ĠPatri":22999,"Ġchars":23000,"Ġranking":23001,"activation":23002,"Ġwides":23003,"qr":23004,".Sql":23005,"acular":23006,"ĠBot":23007,"_sync":23008,"Ġhappiness":23009,"Ġvolunteers":23010,"Ġsits":23011,"/<":23012,"[e":23013,"(fileName":23014,"Ġcapac":23015,"ĠMaria":23016,"father":23017,"Ġgram":23018,"*i":23019,"Ġcaso":23020,"_draw":23021,"ĠRaw":23022,"ĠIterator":23023,"ĠPadding":23024,"PD":23025,"BOX":23026,"ĠSPECIAL":23027,"Ġfecha":23028,"Ġvide":23029,"ĠLeader":23030,"以":23031,"$(\".":23032,"Ġdiameter":23033,"Ġmild":23034,"Ġrocks":23035,"appings":23036,"directory":23037,".flush":23038,"ĠJess":23039,"UNIT":23040,"ĠPear":23041,"Ġmandatory":23042,"Sur":23043,"qt":23044,"Ġstreams":23045,"Ġcooperation":23046,"ĠSac":23047,"Ġcheaper":23048,"ĉch":23049,"animation":23050,"fare":23051,"(height":23052,"(True":23053,"NY":23054,"Ġwrest":23055,"Ġpolls":23056,"Ġencountered":23057,"ĠMarketable":23058,"_PASSWORD":23059,"_SELECT":23060,"ĠArabia":23061,"_clock":23062,"Ġvoy":23063,"Ġиз":23064,"Ġstir":23065,"isible":23066,"-effect":23067,".created":23068,"Ġtoys":23069,"ĠTradable":23070,"Ġrust":23071,"Ġstrcpy":23072,"_timestamp":23073,"Ġtalented":23074,",null":23075,"ĠJobs":23076,"ĠPortland":23077,"Ġweakness":23078,"Throw":23079,"ĠAngel":23080,"ä¿®":23081,"Ġuncert":23082,"ï¼īĊ":23083,"ĠìĿ´":23084,"Which":23085,"Ġ[-]:":23086,"Something":23087,"Ġconvicted":23088,"kle":23089,"edium":23090,"Ġbranches":23091,"Ġbases":23092,"ç®":23093,"Ġcomplexity":23094,"ĠFig":23095,".reshape":23096,"$db":23097,"_CONST":23098,"ĠTes":23099,".runtime":23100,"Ġdeny":23101,"ĠBSD":23102,"Ġkr":23103,"hatt":23104,"ĠStatic":23105,"Ġuniversities":23106,"Replace":23107,"Ġdrove":23108,"Ġadoles":23109,"_plugin":23110,"ĠLGBT":23111,"Ġtex":23112,"duction":23113,"EDI":23114,"ĠTed":23115,"_URI":23116,"Ġreception":23117,"arten":23118,".Single":23119,"rice":23120,"scious":23121,"_bg":23122,"Ġwages":23123,"ĠServlet":23124,"UILayout":23125,"Ġformatted":23126,".Mod":23127,"',Ċ":23174,"Ġexpanding":23175,"ĠHamilton":23176,"ĠContrib":23177,".Tables":23178,"Activ":23179,"HH":23180,"ocommerce":23181,"_;":23182,"Ġamongst":23183,"owing":23184,"ĠCold":23185,"APH":23186,"Ġpsychological":23187,"_tensor":23188,"Ġpackaging":23189,"ĠSweden":23190,"Ġpare":23191,"Ġaggregate":23192,"Ġmoderate":23193,"_hand":23194,"Ġdesignated":23195,"Ġdrum":23196,"ĠgetUser":23197,"ĠCreek":23198,"_scope":23199,"ĠTransfer":23200,"ĠMarg":23201,"Ġfighters":23202,"Wnd":23203,"ĠSel":23204,"ĠLaunch":23205,"Ġemerging":23206,"iframe":23207,"ĠAdditional":23208,"Ġfears":23209,"Ġsatellite":23210,"_:":23211,"Ġdisposing":23212,"GetValue":23213,"HttpPost":23214,"ATIVE":23215,"ulary":23216,"Views":23217,"Ġattending":23218,"ĠTennessee":23219,"ĠMission":23220,"Ġmedication":23221,"ĠWy":23222,"ĠAnna":23223,"ع":23224,"ĠVertex":23225,".types":23226,"Organ":23227,".DataGridViewTextBoxColumn":23228,"ĠRS":23229,"Ġtempo":23230,"(App":23231,"VersionUID":23232,".point":23233,"ĠDutch":23234,"Hours":23235,"LU":23236,"Ġquoted":23237,".builder":23238,"ĠPerfect":23239,"ĠAlways":23240,"_two":23241,"Ġexclusively":23242,"ĠCra":23243,"ificar":23244,"ĠAWS":23245,"ingham":23246,"complex":23247,"kernel":23248,"Ġgravity":23249,"Ġwi":23250,"Ġoverview":23251,"ĠWant":23252,"ĠWP":23253,"(sh":23254,".rotation":23255,"States":23256,"ĠTeen":23257,"_components":23258,"ìĪĺ":23259,"Received":23260,"Ġlyrics":23261,"rites":23262,"ĉĉĉĉĉĠ":23263,"-American":23264,"[num":23265,"/python":23266,"ĠUART":23267,"Ġapple":23268,"ĠJonathan":23269,"Ġmomentum":23270,"ั":23271,"Ĥ¹":23272,"Ġmich":23273,"andra":23274,"Ġbiological":23275,"ĠMens":23276,"Ġ%%":23277,"elsea":23278,"ĠMexican":23279,".randint":23280,"Ġtale":23281,"ĠValidate":23282,"Ġdefeated":23283,".htm":23284,"Ġcopper":23285,"=/":23286,"cosystem":23287,"Ġrip":23288,"decimal":23289,".VISIBLE":23290,"ĠTa":23291,"ĉĉĉĉĉĉĉĉĉĉĉĉĉĉ":23292,"Ġdownloaded":23293,"environment":23294,"Ġnomine":23295,"building":23296,"ĠSpot":23297,"ipheral":23298,"Ġalto":23299,"quet":23300,"ĠFT":23301,"/get":23302,"/master":23303,"WIN":23304,"åħĥ":23305,"West":23306,"argc":23307,"Ġproducers":23308,"ĠMuch":23309,"_storage":23310,"credit":23311,"CONT":23312,"Ġvet":23313,"Ġvoices":23314,"('',":23315,"Ġinstruments":23316,"ĠMSG":23317,"esse":23318,"repository":23319,"omics":23320,"Ġdealer":23321,"Still":23322,"Ġbanner":23323,"ascii":23324,"Ġremarks":23325,"[js":23326,"Ġshorter":23327,"gulp":23328,"Ġmyster":23329,"Ġkun":23330,"ĠBird":23331,"Ġtiene":23332,"nut":23333,"ĠUm":23334,"Ġwise":23335,"Yeah":23336,"INESS":23337,"_begin":23338,"-heading":23339,"Course":23340,"ĠčĊčĊ":23341,"ombie":23342,"graded":23343,"ĠGPS":23344,"Ġże":23345,"Fit":23346,"caption":23347,"ön":23348,"/image":23349,"lia":23350,"(mod":23351,"Ġleak":23352,"enza":23353,"/H":23354,"ĠHappy":23355,"Dist":23356,"nx":23357,"ĠGovernor":23358,"(last":23359,"teacher":23360,"ĠSent":23361,"support":23362,"jectory":23363,"ĠÙħ":23364,"Registration":23365,"ĠGray":23366,",false":23367,"Ġadjusted":23368,"(settings":23369,"'Ċ":23431,"-fold":23432,"æĬ":23433,"ĠBetter":23434,"Ġ\"\\<":23435,"spacing":23436,"Ġfurnished":23437,"oser":23438,"]}Ċ":23439,"Ġ$\"":23440,"pull":23441,".Post":23442,"(ip":23443,"Ĺı":23444,".front":23445,"nte":23446,"ĠFM":23447,"guid":23448,"Ġnegotiations":23449,"agonal":23450,"Ġtremend":23451,"ungeon":23452,"Adv":23453,"carousel":23454,"ÃŁe":23455,"_DESC":23456,"Ġhammer":23457,"áºŃ":23458,"ĠĠĠĠĠĠĠĠĊĊ":23459,"-core":23460,"-service":23461,"Ġcorners":23462,"ĠSF":23463,"pred":23464,">A":23465,"ĠJLabel":23466,"Ġromantic":23467,"Ġtestimony":23468,"osc":23469,"ĠGeneration":23470,"asures":23471,"_internal":23472,"Ġprints":23473,"Ġ])Ċ":23474,"ĠCleveland":23475,"repo":23476,"Disc":23477,"Ġ\">Ċ":23478,"����":23479,"Ġnearest":23480,"_tb":23481,"(require":23482,"EOF":23483,"-child":23484,"Ġbudd":23485,".XtraEditors":23486,"alties":23487,"\\\":\\\"":23488,"Words":23489,"Ġlocally":23490,"Ġpurchases":23491,"Drawer":23492,"extract":23493,"Ġexecut":23494,"}'.":23495,"userdata":23496,"Ġfocuses":23497,"-minute":23498,"ĠPublish":23499,"ogo":23500,"Ġmountains":23501,"Bot":23502,"}>{":23503,"Ġtension":23504,"rod":23505,"mesh":23506,"Ġtransformed":23507,",R":23508,"()}Ċ":23509,".long":23510,"Ġgorgeous":23511,"ĠSchedule":23512,"Ġoldest":23513,"Ġsubprocess":23514,"(IN":23515,"yect":23516,"ĠCooper":23517,"arness":23518,"ĠMonitor":23519,".part":23520,"ĠNBC":23521,"Ġcotton":23522,"Ġhol":23523,"Ġrgba":23524,"ĠBio":23525,"Continue":23526,"Pod":23527,"Ġparticipating":23528,"clusions":23529,"(ByVal":23530,"ì":23531,"ĠHOW":23532,"_setopt":23533,"Ġaccompanying":23534,"aton":23535,"Ġ/\\":23536,"ĠAuthentication":23537,"ién":23538,"ĠBarack":23539,"/*.":23540,"Ġeager":23541,"ĠCancel":23542,"$":23586,"OLEAN":23587,"OKIE":23588,"IBILITY":23589,"UAGE":23590,"ĠSurvey":23591,"Ġresign":23592,"wing":23593,"Ġsecrets":23594,"Ġchips":23595,"JSONObject":23596,"Desktop":23597,"_SYMBOL":23598,"(resource":23599,"ĠĊ":23600,"Ġnewest":23601,"uli":23602,"Ġdesert":23603,"Ġdip":23604,"ĠPow":23605,"Ġequation":23606,"Ġpossibilities":23607,"ĠFed":23608,"osph":23609,"Ġ[%":23610,"Ġbubble":23611,"etherlands":23612,"Ġcement":23613,".auto":23614,"_AN":23615,"âĢĻ.":23616,"selection":23617,"ĠBond":23618,"Den":23619,"-O":23620,".getType":23621,".Window":23622,"pres":23623,"Ġswinger":23624,"\"})Ċ":23625,"Ġpip":23626,"Ġmice":23627,"Ġcompound":23628,"-plugin":23629,"iko":23630,"Ġcenturies":23631,"icular":23632,"-inline":23633,"ĉkey":23634,">\\<":23635,"ENSION":23636,"Ġ[čĊ":23637,"Ġprecisely":23638,"Ġété":23639,"ĠPast":23640,"ĠCambridge":23641,"-full":23642,"Ġanalyze":23643,"ĠSteven":23644,"Ġnem":23645,"due":23646,"oren":23647,"Ġmuscles":23648,"ijing":23649,"/-":23650,"ĠKennedy":23651,"RM":23652,"ossible":23653,"Ġactress":23654,"Ġdolor":23655,"å½ķ":23656,"Need":23657,".toggle":23658,"ĠRace":23659,"wers":23660,".material":23661,"ĠDue":23662,"ĠPel":23663,"#print":23664,"Ġindependence":23665,"exus":23666,"Shadow":23667,"Ġencoder":23668,"(level":23669,"ĠSwift":23670,".doc":23671,"_selection":23672,"ĠserialVersionUID":23673,"Labels":23674,"Ġperformances":23675,".Tag":23676,"ĠNHL":23677,"izen":23678,"/UIKit":23679,"_CONTROL":23680,"Ġearnings":23681,"ĠAlt":23682,"_HANDLE":23683,"Ctx":23684,"Ġpersu":23685,"Ġtran":23686,"ç¨":23687,"_CHANNEL":23688,"Ġsatisfaction":23689,"ĠGP":23690,"iox":23691,"mitt":23692,"lando":23693,"Ġpig":23694,"inals":23695,"ência":23696,"Surface":23697,"ĠUUID":23698,"Ġbeneficial":23699,"Ġsequences":23700,"ĉmemset":23701,"Ġmagical":23702,"«":23703,"Ġworn":23704,"ASC":23705,"popup":23706,"COMP":23707,"_before":23708,"eness":23709,"Ui":23710,"Les":23711,".require":23712,".Serializable":23713,"addGap":23714,"Ġauthorization":23715,".pyplot":23716,"urray":23717,"latitude":23718,"frames":23719,"ajs":23720,"Ġcompass":23721,"Ġobservations":23722,"_sup":23723,".environ":23724,"Ġtriple":23725,"ĠRuby":23726,"Ġdrain":23727,"_FILTER":23728,"San":23729,"UMP":23730,"NullException":23731,"ĠGab":23732,"owe":23733,"ĠTurkish":23734,"_sequence":23735,"ĠGrant":23736,"uela":23737,"Ġwo":23738,"Ġcube":23739,"iq":23740,"Ġdisorders":23741,"Ġextraordinary":23742,"Ġctrl":23743,"ĠSeq":23744,"entr":23745,"Ġsanctions":23746,"utsch":23747,"Reports":23748,"Ġinherit":23749,"Period":23750,"Ġphotography":23751,"ĠFramework":23752,"Ġspecialist":23753,"Ġ?ĊĊ":23754,"_selected":23755,".Player":23756,"Ġallocation":23757,"(account":23758,"Ġstructural":23759,"vable":23760,"-offset":23761,".AppCompatActivity":23762,"ам":23763,".AddWithValue":23764,"Ġicons":23765,"Ġshutdown":23766,"_low":23767,"ĠCompare":23768,"ĠCe":23769,"=head":23770,"lam":23771,".predict":23772,"_DEC":23773,"ĠSleep":23774,"ĠGratis":23775,"Ġsuggestion":23776,"ĠDEL":23777,"caff":23778,"avirus":23779,"Nothing":23780,"ŀĭ":23781,"Ġwidespread":23782,"Ġmechanisms":23783,"ĠtextAlign":23784,"occup":23785,"ĠRail":23786,":NS":23787,"Ġfiber":23788,"Ġmk":23789,"Ġvintage":23790,"-long":23791,".reduce":23792,".Entities":23793,"(record":23794,"Ġpleasant":23795,"FRING":23796,".Cells":23797,"OTT":23798,"ĉelseif":23799,"_confirm":23800,"ĠViewGroup":23801,"sym":23802,"Ġpray":23803,"Ġsuspected":23804,"Contains":23805,"Ġborders":23806,"ĠcomponentDid":23807,"ASSERT":23808,"Ġinfinite":23809,"-order":23810,"Ġhello":23811,"ĠGrade":23812,".currentTimeMillis":23813,"apolis":23814,"zh":23815,"ĉObject":23816,":\\\\":23817,"HO":23818,"valuation":23819,"Ġvocab":23820,"Ġcoupon":23821,"atabases":23822,".GetType":23823,"Learn":23824,"]=\"":23825,"ĠGary":23826,"otive":23827,"Ġash":23828,"Ġbib":23829,"XXXX":23830,"Ġbalanced":23831,"VALUE":23832,"ĠNat":23833,"_Ad":23834,"<":23976,"Ġfool":23977,"Ġesk":23978,".Null":23979,"ĠDies":23980,"_OUTPUT":23981,"_TYPED":23982,"Ġpainted":23983,"Ġsophistic":23984,"ĠBear":23985,"*n":23986,"_PACK":23987,"Ġdelivering":23988,"ĠCOUNT":23989,"åįķ":23990,"Ġjeg":23991,"-car":23992,"fname":23993,"Ġranging":23994,"ĠNeg":23995,"/******/":23996,"ĠCHAR":23997,"Ġultra":23998,"Grad":23999,"=t":24000,"Ġjudges":24001,"ĠDise":24002,"anners":24003,"Ġscal":24004,"_cal":24005,"ĠCONNECTION":24006,"_embed":24007,"(fn":24008,"ĠCraft":24009,"ĠPas":24010,"\")->":24011,".convert":24012,".resource":24013,"ĠSTATUS":24014,"ông":24015,"ĠTit":24016,"Ġclassroom":24017,"ĠArchitect":24018,"ĠKings":24019,"Ġsteady":24020,"/*!Ċ":24021,"ĠGene":24022,")\";Ċ":24023,"icia":24024,"stan":24025,"ĠConstruction":24026,"umper":24027,"wc":24028,"ĠCBS":24029,"inging":24030,"-party":24031,"(driver":24032,"MARK":24033,"Ġnested":24034,"eward":24035,"Ġdependency":24036,"Ġmales":24037,"ĠONE":24038,"ĠProduction":24039,"][$":24040,"ãĥ¼ãĥ":24041,"_LOAD":24042,"ĠBol":24043,"elry":24044,"łéĻ¤":24045,"ĠRequire":24046,"Ġplacing":24047,"xxx":24048,"CALE":24049,"Ġthumb":24050,"Choose":24051,"Ġprototype":24052,"VOID":24053,"Ġlesbian":24054,"Ġtraits":24055,"Sharp":24056,"Ġconsume":24057,"Truth":24058,"ĠactionPerformed":24059,"ĠEnvironmental":24060,"ĠDean":24061,"Ġestado":24062,"same":24063,"Ġnumeric":24064,"Ġtransit":24065,".Email":24066,"-side":24067,"_RUN":24068,"ĠVillage":24069,"_OPEN":24070,"è¦":24071,".rem":24072,"-warning":24073,"anya":24074,"PropertyChanged":24075,"Ġ(!_":24076,"(check":24077,"ilia":24078,"ĠSoft":24079,"steps":24080,"ĠMadrid":24081,"MemoryWarning":24082,"Ġhandlers":24083,"Ġexperiencing":24084,"Ġinspect":24085,"buttons":24086,"ReceiveMemoryWarning":24087,"chemy":24088,"Links":24089,"Ġurllib":24090,".SystemColors":24091,"ĠEigen":24092,"Ġpunishment":24093,":UIControl":24094,"bara":24095,"-set":24096,"Ġ}čĊčĊčĊ":24097,"Ġtolerance":24098,"Ġinterfaces":24099,".redirect":24100,"ighbors":24101,"csrf":24102,"_background":24103,".Utils":24104,"_HT":24105,"ĠInterest":24106,"imos":24107,"Ġgrants":24108,"Ġexamined":24109,"ÐĶ":24110,"Ġcf":24111,"forge":24112,"backs":24113,"ĠObjects":24114,"_sent":24115,".entry":24116,"ĠTHEN":24117,"ellido":24118,"cia":24119,",res":24120,"/stdc":24121,".nd":24122,"(Int":24123,"ĠAuthors":24124,"ĠAppCompatActivity":24125,"'{":24126,"Ġmedi":24127,"Music":24128,"igm":24129,"ceipt":24130,"Ġauss":24131,"Ġtargeting":24132,"ĠKeys":24133,"hn":24134,":]Ċ":24135,"Ġmineral":24136,"î":24137,".ca":24138,"omed":24139,"Ġsheets":24140,"Ġcamb":24141,"Ġdeadly":24142,".inject":24143,"(unit":24144,"ĠSelection":24145,".gms":24146,"(connection":24147,"Ġ$(\"":24148,"émon":24149,"ĠCurrently":24150,"pte":24151,"_paths":24152,"leaf":24153,"Ġimplications":24154,"posal":24155,"ä½į":24156,"[/":24157,"ancia":24158,"éĽ":24159,"mul":24160,"cie":24161,"Ġgeile":24162,"imals":24163,"UIView":24164,"Ġsurre":24165,"serialize":24166,"ISO":24167,"Ġarbitrary":24168,"Ġsockaddr":24169,".fn":24170,"ĠMerc":24171,"Ġcasting":24172,"KeyDown":24173,"ĠnewValue":24174,"opens":24175,"Todo":24176,"Ġflexibility":24177,"ĉĉĉĉĠĠ":24178,"Velocity":24179,"ún":24180,"rowing":24181,"Ġcomputed":24182,"`)Ċ":24183,"statement":24184,"Ġri":24185,"_cart":24186,"Low":24187,"transfer":24188,".nav":24189,"Ġgrave":24190,"ĠDoor":24191,"ĉalert":24192,".subscribe":24193,"-profile":24194,"ĉbase":24195,"ĠâĪĴ":24196,"__ĊĊ":24197,"Ġengineers":24198,"Ġexplosion":24199,"Ġdari":24200,"ĉLog":24201,"onal":24202,"Ġisolated":24203,"{i":24204,"ĠMsg":24205,"Future":24206,"Ġracist":24207,"-wrap":24208,"ĠVers":24209,"borg":24210,"ISION":24211,"ĠÑĢаÐ":24212,"ĠYan":24213,"initWith":24214,"Ġnomin":24215,"(empty":24216,"ÃŃn":24217,"ãĤ¤":24218,"ĉwidth":24219,"Ġchamber":24220,"/ajax":24221,"EMP":24222,"Ġneces":24223,"ivos":24224,"logic":24225,"*)&":24226,"cripts":24227,"RowAt":24228,"iblings":24229,"Ġears":24230,"Ġcomputing":24231,"Ġmaker":24232,"ĠNeither":24233,"breadcrumb":24234,"Ġserialize":24235,"ĠWithin":24236,"Ġdell":24237,"_TRACE":24238,"=a":24239,"Ġwishes":24240,"-inch":24241,"ĠDor":24242,"Ġinnocent":24243,"ĠDol":24244,"Ġintens":24245,"forced":24246,"ĠBIT":24247,"Ġphotographs":24248,"Ġcasa":24249,"ĠLen":24250,"\\Framework":24251,".Simple":24252,"Ġdear":24253,")/(":24254,"ippi":24255,"Ġowns":24256,"Players":24257,"Ġproposals":24258,".pi":24259,"usalem":24260,"Damage":24261,"Ġcalories":24262,"ĠCreative":24263,"Ġ[$":24264,"Ġ//čĊ":24265,"AndView":24266,"ème":24267,".custom":24268,"_factory":24269,"commands":24270,"_look":24271,"Ġstrcmp":24272,"YN":24273,"aired":24274,"Ġaudit":24275,"оÑģÑĤ":24276,"ĠReverse":24277,"ropriate":24278,"etics":24279,"';Ċ":24352,"Ġpepper":24353,"Ġshed":24354,"ĠMedium":24355,"ĠCookie":24356,"Ġoverseas":24357,"edor":24358,"asurement":24359,"åŃĺ":24360,"Ġ'.'":24361,"Ġphp":24362,"ĠPROC":24363,"Ġexceptional":24364,"(th":24365,"ĠJet":24366,"Ġoccupied":24367,".setImage":24368,"ĠRelated":24369,"ucker":24370,"Members":24371,"PRINT":24372,"ĠGlo":24373,"_VIEW":24374,"}\",Ċ":24375,"Ġadoption":24376,"[])Ċ":24377,"ĠMissouri":24378,"ĠLincoln":24379,"erald":24380,"Popup":24381,"Ġfate":24382,"-bootstrap":24383,"fections":24384,"ĠPoll":24385,"_ARGS":24386,"inance":24387,"-home":24388,".),":24389,"_done":24390,":ĊĊĊ":24391,"Ġdiscussing":24392,"ĠSQLException":24393,"Ġelectro":24394,"ĉreq":24395,"Ġzw":24396,"Ġlui":24397,"Ġovernight":24398,"$user":24399,"ĠWAY":24400,"Ġallerg":24401,"Ġdisappointed":24402,"Ġradiation":24403,"Ġimpressed":24404,"ificates":24405,"Ġtob":24406,"CLASS":24407,"Ġcuda":24408,"_det":24409,"-post":24410,"ulu":24411,"Translation":24412,"-hand":24413,".year":24414,"ĠMongo":24415,"Ġunclear":24416,".engine":24417,"WEBPACK":24418,"rices":24419,"_ACCESS":24420,"Ġholidays":24421,"percent":24422,".Identity":24423,"ĠGov":24424,"Ġpassionate":24425,"!!.":24426,"ĠGreece":24427,"plusplus":24428,"'));":24429,"GP":24430,"Ġexcit":24431,".tabPage":24432,"_cond":24433,"Ġsponsor":24434,"MODULE":24435,"_proc":24436,"Ġ$Ċ":24437,"Ġrational":24438,".Tool":24439,"Ġihr":24440,"cca":24441,"åĵģ":24442,"ĠEstate":24443,"IBUTE":24444,"ActionPerformed":24445,"ĠSolar":24446,"¦Ĥ":24447,"Ġequity":24448,"tid":24449,"Ġrecip":24450,".simple":24451,"mk":24452,"ĠLuke":24453,"ĠGuardian":24454,"Ġencrypted":24455,"Ġdominant":24456,".place":24457,"ĠNV":24458,"Ġtongue":24459,"(Get":24460,"Ġstainless":24461,".Play":24462,"Ġeb":24463,"aci":24464,".buffer":24465,"readcrumbs":24466,"Ġvaccine":24467,"prom":24468,"ĠuserInfo":24469,"Ġslug":24470,"SerializedName":24471,"-wide":24472,"Ġreactions":24473,"ĠYang":24474,"ĠAdds":24475,"(userId":24476,"Ġplates":24477,"ĠMEM":24478,"Ġbail":24479,"Inside":24480,"eted":24481,"Ġelsif":24482,"Ġsake":24483,"Ġcycles":24484,"ĠìĹ":24485,"ĉI":24486,"-collapse":24487,"ĠGMT":24488,"Declaration":24489,"Ġgros":24490,"Ġreaches":24491,"Ġcustody":24492,"Until":24493,"tu":24494,"ĠChen":24495,"Ġnx":24496,"(addr":24497,"ĠOffer":24498,"Ġcolleg":24499,"assador":24500,"Ġmapper":24501,"ĠSIGNAL":24502,"ĠBloom":24503,"ĠHoll":24504,"ĠImper":24505,"-des":24506,"_site":24507,"Proc":24508,"Equ":24509,"Ġatomic":24510,"ĠWoman":24511,"sent":24512,"scar":24513,"Ġintelligent":24514,"ĠGetting":24515,"ĠRegistration":24516,"ĠPhill":24517,"Ġkiller":24518,"unicode":24519,"ĊĉĉĊ":24520,"ĠJacob":24521,"ĠConst":24522,"Ġlocate":24523,"Ġcaus":24524,"ĠScholar":24525,"Ġconstitutional":24526,"Ġinflation":24527,"ĠGot":24528,"=array":24529,"endum":24530,"Ġtranslated":24531,"Ġdivorce":24532,"Entries":24533,"Ġsor":24534,"ĠQuote":24535,"irlines":24536,"UK":24537,"Ġexcel":24538,"(opt":24539,"ĠADV":24540,",:,":24541,"Ġcontacted":24542,"ĠDA":24543,"Ġrings":24544,"ĠIndustrial":24545,".getContext":24546,"Ġforgotten":24547,"ĠTan":24548,"Ġpants":24549,"Ġov":24550,"Ġdecoder":24551,"ĠPartial":24552,"Ġvc":24553,"Ġbattles":24554,"Arial":24555,"FRINGEMENT":24556,"irates":24557,",w":24558,"aintenance":24559,"ĠOd":24560,"ĠTechnologies":24561,"åīį":24562,"ĠCarter":24563,".findAll":24564,"Nome":24565,"Ben":24566,"ĠUsage":24567,"ĠPicture":24568,"Ġbadly":24569,"_panel":24570,"Ġpatent":24571,"ĠProtocol":24572,"lotte":24573,"ĉplayer":24574,"jections":24575,"Ġdou":24576,"_release":24577,"urniture":24578,"_tax":24579,"ĠFields":24580,".dataset":24581,"_master":24582,"CLUDE":24583,"ĠPharm":24584,"bst":24585,"Ġoperational":24586,".cell":24587,"Ġidentifying":24588,"Ġjwt":24589,"tuple":24590,"ĠTC":24591,"ĠCro":24592,"ixmap":24593,"-components":24594,"general":24595,"Ġoz":24596,"_De":24597,"_double":24598,"ĠToo":24599,".ViewGroup":24600,"gate":24601,"dings":24602,"photos":24603,"Ġgrande":24604,"ollect":24605,"_lin":24606,"Ġawful":24607,"filters":24608,"Ġalternate":24609,"esp":24610,"Ġcompress":24611,"eo":24612,"ĠScale":24613,"Ġindirect":24614,"Ġinvoice":24615,"ĊĊĊĊĊĊĊĊĊĊĊĊĊĊĊĊ":24616,"Starting":24617,"ĠPlayers":24618,"iele":24619,".then":24620,"Ord":24621,"ĠTuple":24622,"Ġbout":24623,"ĠStatistics":24624,"Preview":24625,"Ġpuzzle":24626,"ĠWidth":24627,"STATE":24628,"Ġoverlay":24629,"ĉon":24630,"Ġinfr":24631,"Ġsmallest":24632,"locked":24633,"ÑĤо":24634,"ssl":24635,"Ġdeemed":24636,"Ġsco":24637,"reck":24638,"ĠjButton":24639,"Ġmissions":24640,"称":24641,".SelectedIndex":24642,"TABLE":24643,"Sept":24644,"Ġacknowledge":24645,"Ġstrtotime":24646,"ĠTell":24647,"ĠDak":24648,"Ġaluminum":24649,"Ġfence":24650,"ĠStars":24651,"CONFIG":24652,"Ġretrofit":24653,"Ġemphasis":24654,"/header":24655,"ĠSomething":24656,"inished":24657,"='\".$":24658,"ĠValidators":24659,"Ġpolar":24660,"sections":24661,".aspx":24662,"Ġaspir":24663,".Mock":24664,"CodeGen":24665,"Ġpeut":24666,"Ġaccepting":24667,"Ġbacking":24668,"Picture":24669,"/ap":24670,"ег":24671,"_SEC":24672,"-use":24673,"annotation":24674,"Ġcognitive":24675,"Ġgrip":24676,"hour":24677,"ĠLegal":24678,"Ġepic":24679,".toolStrip":24680,".notify":24681,".Last":24682,"ORIZ":24683,"Middleware":24684,"criptions":24685,"lash":24686,"_FOUND":24687,"ĠLiverpool":24688,"Ġ{}\",":24689,"Install":24690,"Ġnit":24691,"Ġfigured":24692,"[len":24693,".Win":24694,".platform":24695,"Ġgambling":24696,"(dt":24697,"avery":24698,"ĉinclude":24699,"Whether":24700,"Routing":24701,"Ġtherap":24702,"Remote":24703,"ĠLoss":24704,"yll":24705,"Ġapproached":24706,"ĠVehicle":24707,"ĠAlpha":24708,"Ġvocê":24709,"answers":24710,"NSDictionary":24711,"consider":24712,"unused":24713,"ĠFan":24714,"orable":24715,"fre":24716,"ĠDISCLAIM":24717,"ĠActor":24718,".]":24719,"toHave":24720,".userId":24721,"Ġspeeds":24722,"eway":24723,"Ġrecurs":24724,"Ġг":24725,"_priv":24726,"!âĢĿĊĊ":24727,"Choice":24728,"Ġsettle":24729,"Ġplanes":24730,"'},":24731,"Tom":24732,"ITER":24733,"!\"Ċ":24734,"å»":24735,"achelor":24736,"Ġseparation":24737,"Ġdal":24738,"adj":24739,"Ġregisters":24740,"riz":24741,"ĠNotice":24742,"Ġlu":24743,"Ġcourage":24744,"Ġaxes":24745,"cellent":24746,".async":24747,"Ġcompatibility":24748,"ç«":24749,"Ġ!ĊĊ":24750,"ĉtitle":24751,"YLE":24752,"ĉmessage":24753,"UUID":24754,"OLDER":24755,"ĠHH":24756,"ĠStyleSheet":24757,"Ġaccessed":24758,".validation":24759,"tasks":24760,"Ġpollution":24761,".canvas":24762,"Ġingredient":24763,"ĠCabin":24764,"Ah":24765,"oldown":24766,"ĠNOI":24767,"ĠÃĹ":24768,"[f":24769,"educ":24770,"yalty":24771,"(not":24772,"_State":24773,"amen":24774,"Ġdao":24775,"udad":24776,"ellers":24777,"}&":24778,"licity":24779,"_WINDOW":24780,"Ġtatto":24781,"valor":24782,".Range":24783,"Ġreferenced":24784,"ĠReserve":24785,"Money":24786,"SCRIPT":24787,"/product":24788,"choices":24789,"Ġtin":24790,"ãĤĵ":24791,"Ġseparator":24792,"Ġpkg":24793,"ammed":24794,"ĠMAT":24795,"!!ĊĊ":24796,"Ġraid":24797,"Ġmotivation":24798,"ĠXP":24799,"ĠBackground":24800,"ĠQuaternion":24801,".defineProperty":24802,"iker":24803,"ĉparent":24804,"ĠOriginally":24805,"antage":24806,"ĠHans":24807,"Ġtimeline":24808,".cur":24809,"opic":24810,"ĠSequ":24811,"must":24812,"ĠCoal":24813,"Ġformatter":24814,"_RGB":24815,"Ġ_(\"":24816,"'}),Ċ":24817,"Ġ=================":24818,"ĠFUNCTION":24819,"Ġlng":24820,"icates":24821,"live":24822,"_engine":24823,"Ġtowns":24824,"'))ĊĊ":24825,"ĠPK":24826,"(api":24827,"ĉscanf":24828,"packet":24829,".phone":24830,"áĢ":24831,"ĠAndy":24832,"_NAMES":24833,"PLY":24834,"Ġmins":24835,"imi":24836,"Ġbrick":24837,"Ġblade":24838,".stdout":24839,"}`;Ċ":24840,"Shift":24841,"ĉsb":24842,"ĠChecks":24843,"Ġphenomenon":24844,"Avatar":24845,"Ġministry":24846,"rose":24847,"ĉFile":24848,"Ġtitled":24849,"(LOG":24850,"Ġgan":24851,"design":24852,"(),čĊ":24853,"Ġbones":24854,"stm":24855,"ÅĽÄĩ":24856,"ĠInputStream":24857,"Ġvolunt":24858,"ĠSerializable":24859,"Ġfighter":24860,"ĠDrag":24861,"Twitter":24862,"Ġsubsid":24863,"ç¼":24864,"Ġforums":24865,".loading":24866,"logged":24867,"_this":24868,"Ġterrain":24869,"Ġirre":24870,"ĠIng":24871,"ĠCN":24872,"_objects":24873,".uid":24874,"Ġconsciousness":24875,"TINGS":24876,"ĠGall":24877,"Ġportray":24878,"ĠDeveloper":24879,"Ġparticipant":24880,"Ġ\";čĊ":24881,"/model":24882,"ĠOperations":24883,"^\\":24884,"ĠLater":24885,"Ġraises":24886,"-none":24887,".meta":24888,"='.$":24889,"Finished":24890,"Ġreplacing":24891,"Ġsampling":24892,"ĠJen":24893,"\"There":24894,"REAL":24895,"ALE":24896,"ìĬ¤":24897,"Orders":24898,"_parameter":24899,"ĠOlympic":24900,"Ġtrès":24901,"Ġarena":24902,"iol":24903,";?>":24904,"Ġimpacts":24905,"ĠWS":24906,":get":24907,"Ġflights":24908,"ĠRussell":24909,"camera":24910,"Fn":24911,"sigma":24912,"Ġforcing":24913,"Ġlocals":24914,"Ġdeparture":24915,"Ġcelebration":24916,"ĠSay":24917,"ï¼Ĵ":24918,"ĠHills":24919,".hasOwnProperty":24920,"Ġtypings":24921,".API":24922,"Ġdonation":24923,"OperationException":24924,".Activity":24925,"cplusplus":24926,"ĠCharlie":24927,"Ġimported":24928,"Ġdann":24929,"Ġoccasions":24930,"Ġimplementing":24931,"Ġpurple":24932,".dialog":24933,"SQLException":24934,"erno":24935,"Ġwars":24936,"Ġpaste":24937,"Ġdecreased":24938,"Ġharsh":24939,"Ġelabor":24940,"inputs":24941,"ĠViews":24942,"ĠerrorMessage":24943,"_mul":24944,"ĉwrite":24945,"ĠCop":24946,"ĠAnnual":24947,"(button":24948,"Ġvida":24949,"bars":24950,"ĠHarvard":24951,"ĉexpect":24952,"Ġindexes":24953,"Ġdocumentary":24954,"Ġflesh":24955,"ORLD":24956,"ĠDelta":24957,"MAND":24958,"Brush":24959,"-column":24960,"Ġdevelopments":24961,"methodVisitor":24962,"slice":24963,"ĠPDO":24964,"Ġinvesting":24965,"irable":24966,"Ġxmlns":24967,"ï¼Ľ":24968,"arta":24969,"Ġtheories":24970,"_city":24971,"Ġ$__":24972,"Creating":24973,"(pr":24974,"Dropdown":24975,"ismatch":24976,"ĠNET":24977,"'])){Ċ":24978,"ĠValues":24979,"ĠSEO":24980,"ĠSTAT":24981,"Ġecosystem":24982,"Ġtempt":24983,"Ġ\\\\":24984,"Ġ//{Ċ":24985,"ĠChristopher":24986,"ĠKentucky":24987,"ĠHttpServletResponse":24988,"Ġhybrid":24989,"yon":24990,"Ġfeeding":24991,"ĠExtra":24992,"Norm":24993,"ITCH":24994,"ĠSean":24995,"ĠUpload":24996,"mun":24997,"pur":24998,"Ġpersistent":24999,"ĠIDC":25000,"ĠPerform":25001,".merge":25002,"_room":25003,"Meanwhile":25004,"!='":25005,"ĠWel":25006,"ArgsConstructor":25007,".Database":25008,"Ġcounting":25009,"()*":25010,"ĶåĽŀ":25011,"ĠTOP":25012,"mill":25013,"ĠDT":25014,"IGNED":25015,"ĠKB":25016,"Ġcomply":25017,"South":25018,"_collection":25019,"Chapter":25020,"Ġexplaining":25021,"_AM":25022,"_ts":25023,"cards":25024,"Ġquel":25025,"Ġpole":25026,"Ġtouchdown":25027,"ĠOthers":25028,"Ġpeers":25029,"ĠTypeError":25030,"Ġsixth":25031,"Ġcheer":25032,"Ġdispute":25033,"usc":25034,")],":25035,"thumb":25036,"Ġhiding":25037,"ĠSIG":25038,"likes":25039,"ĠPAGE":25040,".Reflection":25041,"Ġheadquarters":25042,"TING":25043,"ĠGhost":25044,"MLE":25045,"$Ċ":25046,"Ġcontrary":25047,"extend":25048,"']).":25049,"FFECT":25050,"ĠPinterest":25051,"úmero":25052,"ricane":25053,"ĉsession":25054,"Ġcrystal":25055,"-Control":25056,"overnment":25057,"ograf":25058,"-action":25059,"volume":25060,"ften":25061,"Ġuncon":25062,"Ġanimate":25063,"Ġlease":25064,"scr":25065,"Ġrefuse":25066,"ãĢĭ":25067,"ftp":25068,"information":25069,"Ġevaluated":25070,"Ġinjection":25071,"Ġjack":25072,"Ġworkshop":25073,"注":25074,"PTH":25075,"ĠTs":25076,"offer":25077,"ĉos":25078,"Ġkingdom":25079,"Missing":25080,"Ġlawmakers":25081,"extField":25082,"Ġsinging":25083,"abi":25084,"/client":25085,".media":25086,"ATEGORY":25087,"Signature":25088,"%',Ċ":25089,"ĠFuck":25090,"][:":25091,"Ġsensors":25092,"/com":25093,"ĠPrimary":25094,".SQL":25095,"_program":25096,"Ġpills":25097,"Ġintegral":25098,"Ġfleet":25099,"Ġdropping":25100,".sl":25101,"Been":25102,"Ġpets":25103,"Ġadvised":25104,"Ġdragon":25105,"_EDIT":25106,"(im":25107,"FER":25108,"ĠDrug":25109,"(random":25110,"Ġcompression":25111,"oust":25112,"[%":25113,"Ġbuyer":25114,"hop":25115,"Roles":25116,"manage":25117,"Ġpainful":25118,"ĠBranch":25119,"-modal":25120,"enant":25121,"ĠMesh":25122,"/font":25123,"ĠGraham":25124,"Ġâĺ":25125,"Ġnc":25126,"ĠFrancis":25127,"Ġspecification":25128,"Ġdamages":25129,"-config":25130,"Ġtheoret":25131,"secure":25132,"_multi":25133,"aceutical":25134,"Ġdemanding":25135,"enne":25136,"ISTS":25137,"()));ĊĊ":25138,"Reason":25139,"Recent":25140,"phase":25141,"Ġpsy":25142,"_MAN":25143,"Ġvolunteer":25144,"å¿":25145,"istributed":25146,"lio":25147,"Ġproductivity":25148,"_comm":25149,"Spring":25150,"nis":25151,".weight":25152,"ĠCancer":25153,"Alloc":25154,"ĠTweet":25155,"Ġseparately":25156,"ĉcheck":25157,"_properties":25158,".Unit":25159,"_CLK":25160,"Ġgt":25161,"Ġ();ĊĊ":25162,"Ġhandy":25163,"ĠThompson":25164,"Ġunnecessary":25165,"ĠReader":25166,"GN":25167,"=request":25168,"ĠUtility":25169,".Repository":25170,"ĠAx":25171,"hydr":25172,"ieu":25173,"Ġthy":25174,"Ġlt":25175,"_mail":25176,"ä¿®æĶ¹":25177,"ailand":25178,"ĠPhilip":25179,"Ġbitter":25180,"Ġbetting":25181,"Ġtimed":25182,"ocks":25183,"'a":25184,"Ġalgorithms":25185,"Ġreinterpret":25186,"Ġtoss":25187,"rogen":25188,"Ġhoped":25189,"(selected":25190,"Ġventure":25191,"TEX":25192,"ĠLeave":25193,".Substring":25194,"Ġgrateful":25195,"uka":25196,"ĠConsumer":25197,"Ġaggreg":25198,"Circle":25199,"à¸ģ":25200,"_blocks":25201,"Ġlegally":25202,"Ġ\"|":25203,"ãĥĥ":25204,".board":25205,".Ab":25206,"Functions":25207,"recipe":25208,"èĩ":25209,"ĠOxford":25210,"Ġwholes":25211,".Build":25212,"_changed":25213,"hai":25214,"Ġdepartments":25215,"Imp":25216,"Ġcoalition":25217,"INFRINGEMENT":25218,"Ġempower":25219,"itches":25220,"North":25221,"Ġinflamm":25222,"ONSE":25223,"Ġmissile":25224,"ĠRaj":25225,"ĠIssue":25226,"Ġatoi":25227,"caled":25228,".Controllers":25229,"ĠWolf":25230,"Ġcrushers":25231,"á»ĩ":25232,".Auth":25233,".addAttribute":25234,"his":25235,"Ġboots":25236,".clean":25237,"camp":25238,"Ġtenant":25239,"Ġtune":25240,"Ġ{}'.":25241,"Ġworkout":25242,"Repo":25243,"Ġpartially":25244,"MISSION":25245,"jamin":25246,"ĠSB":25247,"Ġdetermination":25248,"Ġ'');Ċ":25249,"ĠBeng":25250,"Ġvos":25251,"Ġinhab":25252,"/lang":25253,"sburgh":25254,"Executor":25255,"hone":25256,"ĠChallenge":25257,"_links":25258,".Level":25259,"Ġunderground":25260,"-code":25261,"Ġoptimization":25262,"logging":25263,"_dest":25264,"Ġsnake":25265,"Ġchemicals":25266,"_IMPORTED":25267,"adoop":25268,"ĠTHAT":25269,"managed":25270,"Ġreduces":25271,"ĠREAL":25272,"ĠGuy":25273,"_GENERIC":25274,"/********************************":25275,".amount":25276,"Ġdere":25277,"getTime":25278,"Ġpant":25279,"anonymous":25280,"Ġharmony":25281,"ĠAlan":25282,"Ġscenarios":25283,"Ġdirt":25284,"htags":25285,"Mc":25286,"Shell":25287,"rin":25288,"{čĊčĊ":25289,".pow":25290,"ĉclient":25291,"Ġconspiracy":25292,"Ġadmission":25293,"ĠRegional":25294,"ĠViewController":25295,"ĠPhilippines":25296,"Ġdepos":25297,"Ġpap":25298,"ĠPad":25299,"Paul":25300,".ComboBox":25301,"Ġtutor":25302,"ĠRecipe":25303,"writing":25304,"Ġcontributor":25305,"OTH":25306,"Small":25307,"VI":25308,"Ġhacer":25309,"equ":25310,"ĠExamples":25311,"human":25312,".messages":25313,"ĉtyp":25314,"Ġ(čĊ":25315,"ĠSSL":25316,"LEN":25317,"ĠRomney":25318,"(grid":25319,"ĉmin":25320,"Ġ>ĊĊ":25321,"Ġfruits":25322,"Ġvoter":25323,"Inline":25324,"pane":25325,"ĠCollections":25326,"charset":25327,"Ġspam":25328,"zb":25329,"itemap":25330,"Ġsucceeded":25331,"_COL":25332,"Ġelapsed":25333,"imeter":25334,"Ġrecovered":25335,"Tensor":25336,"hattan":25337,".setup":25338,"isto":25339,"(head":25340,"ĠSIZE":25341,"Ġtactics":25342,"Ġdistur":25343,"Ġpreval":25344,"icios":25345,"(Value":25346,"_cols":25347,"ĠFat":25348,"Ġseal":25349,"Ġsons":25350,"Ġensures":25351,"Ġpressing":25352,"=&":25353,"igenous":25354,"Ġharassment":25355,"_JSON":25356,"Ġignor":25357,"ynomial":25358,"omer":25359,"_static":25360,"Ġsignificance":25361,"Ġcircles":25362,"_System":25363,"Ġdiscipline":25364,"Ġdressed":25365,"Ġsphere":25366,"Ġclimb":25367,"_actions":25368,"ĠBab":25369,"Ġ'=',":25370,"_schema":25371,"\"use":25372,"Ġunders":25373,"Ġcups":25374,".screen":25375,"/new":25376,"Ġappearing":25377,"TOP":25378,"vised":25379,"clang":25380,"Ġinvestigators":25381,"Ġmysterious":25382,"Ġpromising":25383,"Ġqualify":25384,"Ġcave":25385,"Ġequip":25386,"=x":25387,"GT":25388,"(link":25389,".velocity":25390,".erase":25391,"oter":25392,"++++++++":25393,"profit":25394,"Ġzones":25395,"_uid":25396,"-ser":25397,"Ġobjectives":25398,"Ġmilf":25399,"webkit":25400,"(match":25401,"neh":25402,"ĠAssociated":25403,"ĠTodo":25404,"=d":25405,"Cam":25406,"Ġvocal":25407,"Ġsudo":25408,"(EX":25409,"Ġtrou":25410,"ABC":25411,".bean":25412,"ĠGround":25413,"ĠREST":25414,"weets":25415,"Ing":25416,"imon":25417,"_bus":25418,"ĠCOLOR":25419,"unto":25420,"Ġfoss":25421,"ĠLinks":25422,"äng":25423,"/forms":25424,"prises":25425,"Ġachievement":25426,"CALL":25427,"елÑĮ":25428,"ĠVerify":25429,"_SOURCE":25430,"aptcha":25431,"IDD":25432,"_reference":25433,"Gold":25434,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ":25435,"Receiver":25436,"Ġaj":25437,"_direction":25438,"}]":25439,"ĠCompet":25440,"Ġbang":25441,"ĠCass":25442,"-url":25443,"techn":25444,"ĠJerusalem":25445,"longitude":25446,"');čĊčĊ":25447,"Ġwinners":25448,"Tasks":25449,"ĠDMA":25450,"Ġtooltip":25451,"İ·":25452,"ĠBra":25453,"_duration":25454,"cury":25455,"parents":25456,"---->(":25526,"ĠKir":25527,"Ġintros":25528,"Ġsketch":25529,"Ġskilled":25530,"Ġimmer":25531,"Ġadequate":25532,"_rep":25533,"(header":25534,"_like":25535,"Ġperceived":25536,"ssh":25537,"Ġassuming":25538,"Ġff":25539,"_uuid":25540,"ulas":25541,"Ġdemocratic":25542,".entities":25543,"Series":25544,"aphore":25545,"Ġnewer":25546,"}(":25547,"SEC":25548,"airo":25549,"Ġcommod":25550,"Ġprivilege":25551,"Ġdeux":25552,"ĠHop":25553,".'/":25554,"ctic":25555,".';Ċ":25556,"C":25630,"ĠWarren":25631,"Ġoptimizer":25632,"ĠSERVICES":25633,"_oper":25634,"getAttribute":25635,"ĠMcK":25636,"_self":25637,".rs":25638,"\")ĊĊĊ":25639,"GetComponent":25640,"erce":25641,"Ġtous":25642,"units":25643,"']);čĊ":25644,"Zoom":25645,"/E":25646,"Ġobsc":25647,"Ġfastest":25648,"online":25649,"Ġpeaceful":25650,"ffen":25651,"Ġcargo":25652,"ĉpr":25653,"Ġseeks":25654,"zu":25655,"Trim":25656,"Ġward":25657,"Ġverd":25658,"Ġblogs":25659,".exceptions":25660,"ĠPremium":25661,"ĠNetherlands":25662,"Safe":25663,"Finish":25664,"ĠAlbum":25665,"_ACC":25666,"=this":25667,"virtual":25668,"]>":25669,"_LABEL":25670,"ĠNich":25671,"_win":25672,"ĠAaron":25673,"WP":25674,";$":25675,"aims":25676,"ĠImageView":25677,"Ġendless":25678,"ERA":25679,"_DISABLE":25680,"Ġcancelled":25681,"-us":25682,"Ġinspection":25683,"emin":25684,"ĠGrey":25685,"-open":25686,"Ġiterations":25687,".owner":25688,"Ġkeras":25689,".Password":25690,"ĠRy":25691,"ĠINS":25692,"Air":25693,"ĠSeveral":25694,".TabStop":25695,"INGLE":25696,"ĠHair":25697,"ĠCanvas":25698,"AAAA":25699,"Ġflaw":25700,"cedes":25701,".Report":25702,"íĬ":25703,"ĠTips":25704,"criptors":25705,".transaction":25706,".Spring":25707,"Ġviewer":25708,"Ġinsights":25709,"è¾ĵ":25710,"ordion":25711,"UINT":25712,"seek":25713,"ĠAuf":25714,"ìŀIJ":25715,"Ġstrain":25716,"Tooltip":25717,"Ġdz":25718,"ignal":25719,"adt":25720,"Ġuc":25721,"finite":25722,"Ġnm":25723,".cmd":25724,"ĠMySql":25725,"[data":25726,".jackson":25727,".tree":25728,"RequestParam":25729,"_agent":25730,"\")]čĊ":25731,"Ġassass":25732,"(Constants":25733,":ss":25734,"ĠMAN":25735,"+-+-":25736,"ĠBottom":25737,"prints":25738,"ĠSame":25739,"@Autowired":25740,"swap":25741,"ición":25742,"Ġprotesters":25743,"Ġhoney":25744,"ĠVeter":25745,"(Calendar":25746,"-ad":25747,"ĠBrooklyn":25748,"Life":25749,"_VAR":25750,"zech":25751,"ĠCALL":25752,"_CAST":25753,"ĠElection":25754,"Ġthickness":25755,"Very":25756,"_INTEGER":25757,"-dev":25758,"))))":25759,"apat":25760,"oooo":25761,"demo":25762,"ĠparseFloat":25763,"ĠRather":25764,"STIT":25765,"maker":25766,"[current":25767,"chrono":25768,"Ġchrist":25769,"ãģª":25770,"ĠDetail":25771,"Æ°á»":25772,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":25773,"Ġsul":25774,"idency":25775,"Que":25776,"Ġelegant":25777,"apons":25778,"Ġdishes":25779,"Ġintegers":25780,"(read":25781,"findViewById":25782,"ĠAmount":25783,"ĠSkip":25784,"Ġhabits":25785,"*)(":25786,"Ġmonsters":25787,"MAC":25788,":end":25789,"Ġfrank":25790,"Assembly":25791,"Ġdfs":25792,"Ġneut":25793,"_TYPES":25794,"equal":25795,"loyd":25796,"(uri":25797,"Ġchi":25798,"Ġdefendant":25799,"Ġconflicts":25800,"Ġvil":25801,"-js":25802,"ĠPeace":25803,"Ġmutable":25804,")sender":25805,"ĠFocus":25806,"建":25807,"Ġappreciated":25808,"sleep":25809,"ĠRED":25810,"Culture":25811,"Ġdesigners":25812,"_generator":25813,"codes":25814,"/ex":25815,".GetValue":25816,"umbled":25817,".scalajs":25818,"peror":25819,"Ġveterans":25820,"Ġ})čĊ":25821,"Ġunfortunately":25822,"_CREATE":25823,"Mass":25824,"ĠCLAIM":25825,"ĠMeet":25826,"_support":25827,"Bank":25828,"().Ċ":25829,"Dark":25830,"_LOW":25831,"ĠMining":25832,"ĠOwner":25833,"iera":25834,"Cliente":25835,"Ġencouraging":25836,">S":25837,"Ġboyfriend":25838,"ĠHalf":25839,"ĠACC":25840,"Aff":25841,"_ar":25842,"-life":25843,"cx":25844,".JButton":25845,"izado":25846,".zero":25847,".openqa":25848,"oton":25849,".textContent":25850,"Ġtoll":25851,"atie":25852,"Ġballot":25853,"-number":25854,".Exception":25855,"ĉparams":25856,"circle":25857,"-map":25858,"Ġnap":25859,"ĠRobot":25860,"ĠIch":25861,"registration":25862,"Amazon":25863,"rollment":25864,"(exp":25865,"Ġtanks":25866,"ĠGordon":25867,"Ġmachinery":25868,"Ġbaseline":25869,"æĭ":25870,"Ø©":25871,"ĠConvention":25872,"ĉconfig":25873,"ookies":25874,"mult":25875,"Records":25876,"ĠEST":25877,"Ġgarbage":25878,"Ġconform":25879,"idal":25880,"Ġbarg":25881,"Ġsurvived":25882,"Ġinvestigations":25883,".containsKey":25884,"--------------------------------------------------------------------------Ċ":25885,"ortion":25886,"Ġhorr":25887,"_http":25888,"Ġmant":25889,"];čĊčĊ":25890,"binary":25891,"empl":25892,"Ġinquiry":25893,"ĠMeanwhile":25894,"Ġcollecting":25895,".EntityFramework":25896,"\",ĊĊ":25897,"ĠPic":25898,"@Inject":25899,"ickness":25900,"ĠBinding":25901,"Ġcontrolling":25902,"reverse":25903,"Ġchairs":25904,"sembled":25905,"(add":25906,"Disabled":25907,"anas":25908,".translate":25909,"-----------Ċ":25910,"Ġreflected":25911,"\"]ĊĊ":25912,"External":25913,"Arrow":25914,"Singleton":25915,"%x":25916,"ĠÅ":25917,"Ġancest":25918,"ĠOrleans":25919,"ĉcmd":25920,"Ġprohibited":25921,"ithmetic":25922,"(channel":25923,"_css":25924,"Forward":25925,".socket":25926,"Ġluc":25927,"âĨ":25928,"ĠFirefox":25929,"ĠMovies":25930,")_":25931,".ends":25932,"(shape":25933,"Ġdealt":25934,"Ġsaves":25935,"Ġglory":25936,"Ġmejor":25937,"Ġbreathing":25938,"Ġeller":25939,"getData":25940,"Ġangles":25941,"Ġtoolbar":25942,"Ġspacing":25943,"IPS":25944,"Ġfloors":25945,"_ACTIVE":25946,"Ġshuffle":25947,"/shared":25948,"ĠEle":25949,"edish":25950,"Ġwebcam":25951,".expect":25952,"iloc":25953,"ĠIncludes":25954,"Ġtweeted":25955,"Ġ:)":25956,"ĠEssay":25957,"Fix":25958,"-between":25959,"_web":25960,".conv":25961,"Ġracism":25962,"Ġreflects":25963,"umm":25964,"иÑĤе":25965,"_footer":25966,"/docs":25967,"ĠPour":25968,"NgModule":25969,".initialize":25970,"patterns":25971,"_In":25972,"ĠAbb":25973,"*čĊ":25974,"Ġsentiment":25975,"buff":25976,"_counts":25977,"Ġreuse":25978,"chunk":25979,"Ġimposed":25980,"PrimaryKey":25981,"Foreground":25982,"Ġconsumed":25983,"?!":25984,"Ġdick":25985,"Ġchron":25986,"ĠFern":25987,"Ġresponsive":25988,"Ġinsect":25989,"iculty":25990,"Ġrw":25991,"Ġalike":25992,"Ġsubset":25993,"ĠCookies":25994,"ĠPair":25995,"Ġtier":25996,"IFO":25997,"avour":25998,"ĠQU":25999,",sizeof":26000,"Ġmerged":26001,"mv":26002,"itol":26003,"ylon":26004,"Ġjumped":26005,".role":26006,"ensaje":26007,"Rules":26008,"Ġbrowse":26009,"Animator":26010,"Ġyoga":26011,"Ġvariants":26012,"Ġcourtesy":26013,"uran":26014,"pbs":26015,"elseif":26016,"Alt":26017,"ĠLane":26018,"CLK":26019,"IMARY":26020,"_PROPERTY":26021,"ï¼IJ":26022,"Ġchan":26023,"Ġgradually":26024,"Ġshake":26025,"Ġblonde":26026,"...\");Ċ":26027,"-sex":26028,"Ġgameplay":26029,"acies":26030,".refresh":26031,"USB":26032,"ĠPlot":26033,"Was":26034,"issippi":26035,"ĠTensor":26036,"Ġcryptocurrency":26037,"Ġdifficulties":26038,"Deleted":26039,"Without":26040,"_append":26041,"_ver":26042,"\"))čĊ":26043,"Ġhonestly":26044,"Ġpivot":26045,"Ġtemps":26046,"_ps":26047,"ĠUnlike":26048,"[:-":26049,"VS":26050,"_inf":26051,"Ġjunior":26052,"Ġanimations":26053,"Ġfilepath":26054,"?{{$":26076,"Ġunicode":26077,"places":26078,"ĠCoffee":26079,".SE":26080,"ĠPAR":26081,"(txt":26082,"gebra":26083,"Ġfires":26084,"MainWindow":26085,"medium":26086,"Ġ(âĢľ":26087,"Ġlg":26088,"Ġcmp":26089,"/base":26090,"_layers":26091,"_entries":26092,"Ġadminister":26093,"ĠSUCH":26094,"BP":26095,"ĠScottish":26096,"ĉčĊĉčĊ":26097,"guard":26098,"ĠStrong":26099,"Insn":26100,"ĠCAP":26101,"asury":26102,"ĠSEE":26103,"Clock":26104,"erie":26105,"\\models":26106,"Ġ$$":26107,"ĠCab":26108,"Ġwurde":26109,"Ġsoldier":26110,"Ġclips":26111,"Ġarrangement":26112,"ĠWonder":26113,"ĠHorn":26114,"Ġscared":26115,"Ġcure":26116,"mkdir":26117,"Ġaligned":26118,"ĠPink":26119,"Ġlanded":26120,"Dimension":26121,"ScrollPane":26122,".chat":26123,".With":26124,"ĠTrain":26125,"].Ċ":26126,"Ġthirty":26127,"Ġdurable":26128,"Ġld":26129,"Ġlateinit":26130,"Ġcharts":26131,"Ġinsult":26132,".Fatal":26133,"_ct":26134,"Ġmasks":26135,"CLUDED":26136,"President":26137,"Ġcolours":26138,"gments":26139,".attributes":26140,"ĠFlex":26141,"ĠClock":26142,"ÃŃcul":26143,"imen":26144,"JO":26145,"ĠRegex":26146,"_LINK":26147,"Ġcouch":26148,"ĠINPUT":26149,"Ġbeating":26150,"business":26151,"preced":26152,".unit":26153,"ĠFel":26154,"Never":26155,"ospel":26156,".startswith":26157,"ĠEPA":26158,".only":26159,"Ġpreventing":26160,"yer":26161,"ColumnName":26162,"Ġelevation":26163,"flu":26164,"icycle":26165,"Ġoffline":26166,"Toolbar":26167,"Ġcompeting":26168,")].":26169,"Ġmog":26170,"ĠisValid":26171,"Ask":26172,"_av":26173,"_lat":26174,"ANC":26175,"ĠJoh":26176,"kers":26177,"Ġguards":26178,"Ġchains":26179,"ĠSimpleDateFormat":26180,".static":26181,"Ġvessel":26182,"Ġmud":26183,"Ġstabil":26184,"Ġstret":26185,"gm":26186,"amation":26187,"çľ":26188,"-with":26189,"Ġros":26190,"_PA":26191,"Ġresultado":26192,"Ġconfidential":26193,"ĠTokyo":26194,"ĉusing":26195,"ĠMathf":26196,"ombine":26197,"ĠESPN":26198,"Ġdealers":26199,"Ġdismissed":26200,"TRY":26201,"Ġteens":26202,"records":26203,"Ġwings":26204,"gallery":26205,"accounts":26206,"_LIB":26207,"Ġjacket":26208,"ĠNSObject":26209,"Ġstones":26210,"ĠDelivery":26211,"ĠDiet":26212,"/watch":26213,"Ġtoilet":26214,"ĠGuest":26215,".day":26216,"Ġintval":26217,"Visit":26218,"Ġinvestigated":26219,"Ġpentru":26220,"ĠTheatre":26221,"andidates":26222,"Lang":26223,"ĠServ":26224,"Ġcontrollers":26225,"ĠsetTitle":26226,"NP":26227,"amy":26228,"flat":26229,"(ui":26230,"_document":26231,"èĥ½":26232,"ĠCoin":26233,"ĠAdams":26234,"ptic":26235,"Ġproductive":26236,"Ġaccomplished":26237,"čĊčĊčĊčĊ":26238,"Ġdeferred":26239,"ientes":26240,"Ġsinc":26241,"olars":26242,"Rightarrow":26243,"Ġvariations":26244,"(offset":26245,".LayoutInflater":26246,"Ġsuspend":26247,"Ġprevention":26248,"_private":26249,"_js":26250,"âĺħ":26251,"Ġwieder":26252,"atum":26253,"ĴĮ":26254,"Ġappearances":26255,".Document":26256,"Ġvalidates":26257,"calendar":26258,"}\";Ċ":26259,".demo":26260,"conut":26261,"Ġcorrection":26262,"ĠDeal":26263,"Ġbatteries":26264,".duration":26265,",\\":26266,"_marker":26267,"multi":26268,"Ġhalt":26269,"Ġcms":26270,"Ġshaped":26271,"Bro":26272,"reduce":26273,"Ġ####":26274,"CTOR":26275,"ĠBenef":26276,"Ġiconic":26277,"Ġpiano":26278,"Ġeffectiveness":26279,"|.Ċ":26280,"Ġajax":26281,"Ġvolumes":26282,"ม":26283,"Ġcljs":26284,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ":26285,"aths":26286,"raits":26287,"大":26288,"Ñĸ":26289,"_mult":26290,"Ġfascinating":26291,"Average":26292,"Ġpré":26293,"ĠChairman":26294,".findElement":26295,"_pin":26296,"Ġcomparing":26297,"Ġdarkness":26298,"-Fi":26299,"-server":26300,"Ġselecting":26301,"sterdam":26302,"ĠParts":26303,"FORMATION":26304,"Ġnoting":26305,"Ġpile":26306,"ogs":26307,"Ġpalette":26308,"_do":26309,"itize":26310,"()(":26311,"Ġdefining":26312,"Ġremainder":26313,"Units":26314,"_TASK":26315,"HttpClient":26316,"Social":26317,"Ġfundra":26318,"NR":26319,"chest":26320,"Currency":26321,".adapter":26322,"Ġdop":26323,"unting":26324,"ANGUAGE":26325,"\"He":26326,"ĉindex":26327,"_package":26328,".Icon":26329,"Ġrepet":26330,"mass":26331,"=\".$":26332,"ĠSud":26333,"Ġlid":26334,"province":26335,"ìľ":26336,"GPIO":26337,"Ðļ":26338,"ĠMySQL":26339,"Ġdocs":26340,"ĠGA":26341,"Ġipsum":26342,"Kernel":26343,"Ġaccepts":26344,"Ġfitting":26345,"Ġcuando":26346,"Ġduplic":26347,"ĠBrother":26348,"ĠKle":26349,"nums":26350,"Ġmorph":26351,"Ġ########":26352,"ĠCGPoint":26353,"manual":26667,"ĠTechnical":26668,"Ġcorporation":26669,"ĠHW":26670,"anka":26671,"TAIL":26672,"istas":26673,"Ġperforms":26674,"ĠBehavior":26675,".For":26676,"_ORDER":26677,"ĠKick":26678,"Ġcallbacks":26679,"_dr":26680,"uego":26681,"hub":26682,"ufficient":26683,"sky":26684,"Ġbp":26685,"htable":26686,"ĠONLY":26687,"ĠAUTHORS":26688,".Argument":26689,"\"};Ċ":26690,"ĠThunder":26691,"ĠKom":26692,".Should":26693,"AUTH":26694,"ahu":26695,"_payment":26696,"Ġstarter":26697,"ìĦľ":26698,"ìļ©":26699,"Blog":26700,".patch":26701,"Ġgoverned":26702,"assy":26703,"-found":26704,"Ġtheater":26705,"ĠFontWeight":26706,"ĠBatman":26707,"\"If":26708,".Random":26709,"_delta":26710,"ĠCE":26711,"Authenticated":26712,"Ġdrone":26713,"Ġcous":26714,"radius":26715,"Mer":26716,"(None":26717,"ĠNJ":26718,"_headers":26719,"Ġamer":26720,"pytest":26721,"ĠActions":26722,"ĉĉĉĠĠĠĠ":26723,"Ġett":26724,"Ġholy":26725,"Ġuncomfort":26726,"ĠNin":26727,"ĠDecimal":26728,"ĠMessages":26729,".sender":26730,"]])Ċ":26731,"Ġembrace":26732,"Though":26733,"/sp":26734,"Ġcultures":26735,"Ġhighway":26736,"tar":26737,".fail":26738,"_hidden":26739,"ĠcomponentDidMount":26740,"ĠWright":26741,"Ġjag":26742,"_il":26743,"../../../":26744,"igu":26745,"Food":26746,"Ġace":26747,"Ġaños":26748,"USD":26749,"Ġmutual":26750,"Logic":26751,"Ġtemple":26752,"Ġbriefly":26753,"ĠTrip":26754,"classmethod":26755,"defaults":26756,"Ġchunks":26757,",,,,":26758,"ĠReason":26759,"$id":26760,"-ups":26761,"Ġdamn":26762,"Ġtrucks":26763,"Ġunlimited":26764,"Ġsculpt":26765,"ĠCards":26766,"Ġautor":26767,"ĠTesting":26768,"Ġdiese":26769,"shops":26770,"ç´":26771,"(payload":26772,"ĠPATH":26773,"ĠMemorial":26774,"Ġridiculous":26775,"egree":26776,"-winning":26777,"Ġrehab":26778,"Ġsophisticated":26779,"wpdb":26780,"ĉpath":26781,"!\";Ċ":26782,"_SYS":26783,".speed":26784,"Ġsoap":26785,"suffix":26786,"Wrap":26787,"Ġenhancement":26788,"Ãī":26789,"úb":26790,"Ġplaylist":26791,"Ġmixing":26792,"antidad":26793,"=\"\";Ċ":26794,"ĠRevision":26795,"ĠBeat":26796,".inc":26797,"-way":26798,"encias":26799,"ulers":26800,"Cat":26801,"idel":26802,"ĠShip":26803,".setColor":26804,"Ġthreatening":26805,".modules":26806,"Ġafterwards":26807,"ĠDashboard":26808,"ĊĠĊ":26809,"Signal":26810,"Ġprimer":26811,"orneys":26812,"iciary":26813,"Ġligne":26814,"_predict":26815,"Ġaest":26816,"_https":26817,">:":26818,"ĠLex":26819,"Ġrencontres":26820,"egral":26821,"scala":26822,"_family":26823,"ÃŁen":26824,"_sym":26825,"Ġuncertainty":26826,"ĠVALUE":26827,"Ġ};čĊčĊ":26828,"Ġbroader":26829,"Ġhorses":26830,"ãģĿ":26831,"ĠKal":26832,"oba":26833,"_INET":26834,"ĠKill":26835,"jquery":26836,"amination":26837,"[@\"":26838,"Ġmuj":26839,"###Ċ":26840,"FirstOrDefault":26841,"thenReturn":26842,"Che":26843,"/footer":26844,"Ġparks":26845,"asje":26846,"ĠGulf":26847,"Ġmodest":26848,".Init":26849,"ï¼ŁĊĊ":26850,"Ġprospects":26851,"Ġsvg":26852,"Ġåı":26853,".Dialog":26854,"_NET":26855,"Ġ(($":26856,"Ġek":26857,"ĠWarning":26858,"ĠMK":26859,"":27166,"ĠRepair":27167,"_BE":27168,"Brand":27169,"uart":27170,"preview":27171,"Ġinitiatives":27172,"running":27173,"bang":27174,"ĉupdate":27175,"ĠCoach":27176,"Rich":27177,"Ġyoutube":27178,"Ġritual":27179,"appa":27180,"ĠRobinson":27181,"precision":27182,"////////////////////////////////////////////////////////////////////////////":27183,"=[]Ċ":27184,"Ġcelebrated":27185,"OTO":27186,"Ġinclusion":27187,"JP":27188,"';čĊčĊ":27189,"Ġnotable":27190,"(_.":27191,"Managed":27192,"Ġguides":27193," ":27194,"atedRoute":27195,"ĠAdjust":27196,"Ġcolored":27197,"_scores":27198,"ĠTesla":27199,"_progress":27200,".inst":27201,"['_":27202,".flags":27203,"Ġfclose":27204,"_OPER":27205,"ży":27206,"_note":27207,"Ġtransgender":27208,"åķ":27209,"RIPT":27210,"Ġabsent":27211,"Ġamet":27212,"Ġoperand":27213,"ë©":27214,"Ġhood":27215,"toLowerCase":27216,"avo":27217,"ĠCircuit":27218,"ĠLind":27219,"--}}Ċ":27220,"=m":27221,"Ġsuppress":27222,"ĠMAP":27223,"iang":27224,"-admin":27225,"Ġsidebar":27226,"ĠBu":27227,"ĠHex":27228,",F":27229,"ĠSignal":27230,"Ġtransparency":27231,"ĠFederation":27232,"/V":27233,"Req":27234,"Ġpulse":27235,"Ġtends":27236,"Numbers":27237,"%'":27238,"Ġdeport":27239,"datas":27240,"_UINT":27241,"_tra":27242,"oko":27243,"Ġ\"?":27244,"compet":27245,"solete":27246,"undry":27247,"Ġoverlap":27248,"}`,Ċ":27249,".ly":27250,"_summary":27251,"ĠLost":27252,".Center":27253,"Ġdisability":27254,".Serialization":27255,"Ġgeom":27256,"Ġ?:":27257,"ĠWo":27258,"Ġshipped":27259,"Ĥæķ°":27260,"Ġugly":27261,"Ġexcitement":27262,"Ġexterior":27263,"Ġcheckout":27264,"Ġkur":27265,",D":27266,"ĠAlaska":27267,"Ġsynthetic":27268,"ĠBudget":27269,"ĠSubscribe":27270,"Ġ&Ċ":27271,"ÈĻi":27272,"ĠYu":27273,"ĉquery":27274,"}.Ċ":27275,"Ġtraged":27276,"assen":27277,"Ġaccommodation":27278,"Ġphysician":27279,"Ġrenamed":27280,"Ġtidak":27281,"zÄħ":27282,"Ġminus":27283,"nych":27284,"_EXCEPTION":27285,"threads":27286,"Ġtire":27287,"_created":27288,"ensure":27289,"Ġworthy":27290,"Ġexcuse":27291,"Ġcloth":27292,".parentNode":27293,"/platform":27294,"ĠUFC":27295,"ĠGtk":27296,"unny":27297,"Ġgibt":27298,"keley":27299,"hum":27300,"(tx":27301,"ĉdev":27302,"Ġoutfit":27303,"doors":27304,"Ġfon":27305,"icut":27306,"volatile":27307,"Ġhomosex":27308,"Maximum":27309,"Ġexpend":27310,"Ġ});ĊĊĊ":27311,"Eq":27312,"onders":27313,"department":27314,"ĠPhysics":27315,"\"});Ċ":27316,"Ġparad":27317,".Str":27318,"Ġsele":27319,"IFIED":27320,"Ġdelivers":27321,"ivan":27322,"Ġresponsibilities":27323,"Ġadvocates":27324,"èµ":27325,"ĠRID":27326,".parameters":27327,"Metrics":27328,"ronics":27329,"ĠUITableViewCell":27330,"Absolute":27331,"ipse":27332,"ylum":27333,"MLElement":27334,"_VALID":27335,"\\<^":27530,"Ġios":27531,"sound":27532,"\"];":27533,"Ġfreed":27534,"rottle":27535,"ĠLower":27536,"[count":27537,"åĿ":27538,"Ġpale":27539,"ĠWayne":27540,"earth":27541,"_categories":27542,"UCK":27543,".metadata":27544,"Ġsummon":27545,"HOME":27546,"олÑĮз":27547,"Ġmanufactured":27548,"Ġdock":27549,"Ġcompetitors":27550,"_MODEL":27551,"okia":27552,"ĠHey":27553,"ο":27554,"Ġbackward":27555,"ĠPOSS":27556,"ropa":27557,"Ġcri":27558,"_OBJ":27559,"Transport":27560,"-high":27561,"Ġerotik":27562,"_slot":27563,"Ġartic":27564,"_framework":27565,"-serif":27566,"ĠSqlDbType":27567,"')(":27568,"+\"/":27569,"Ġwore":27570,"Sil":27571,"Ġstoring":27572,"ĠPhase":27573,"uant":27574,"Ġbump":27575,"inho":27576,"Ġdign":27577,"Ġbacks":27578,"qq":27579,"(hash":27580,"Ġgeo":27581,"Ġtender":27582,"Logo":27583,"!)Ċ":27584,"ĠMX":27585,"ĠArthur":27586,"essoa":27587,"_Ch":27588,"Ġbedrooms":27589,"=\"#\"><":27590,"Ġthroat":27591,"insic":27592,".integer":27593,"Ġprimitive":27594,"Truthy":27595,"Ġfacilitate":27596,"Ġcreativity":27597,"ĠDNS":27598,"Ġgra":27599,"uez":27600,"Ġcountless":27601,"ĠPoland":27602,"'M":27603,"ĠDist":27604,"Ġvest":27605,"Ġcertification":27606,"á»ij":27607,"held":27608,"extensions":27609,"(static":27610,"Ġgrades":27611,"ĠUber":27612,"ãģŁ":27613,"Ġ[])Ċ":27614,"datos":27615,"ĠgetData":27616,"ĠCharg":27617,"ĠBS":27618,".microsoft":27619,".video":27620,".direction":27621,"->{'":27622,"lua":27623,"apest":27624,"Ġboiler":27625,"erek":27626,"Ġdecides":27627,".jar":27628,"ISC":27629,"ĠWords":27630,"(CON":27631,"EMPLATE":27632,"reeze":27633,"shots":27634,"apps":27635,"unted":27636,".setName":27637,"::<":27638,"-bold":27639,"ê²":27640,"å¯Ĩ":27641,"Longrightarrow":27642,"Ġunfair":27643,"Ġearning":27644,"Ġshelf":27645,"UREMENT":27646,"Ġidle":27647,"_MENU":27648,".Custom":27649,"AGER":27650,"-\"":27651,"_switch":27652,"because":27653,")view":27654,"mare":27655,"_condition":27656,"ĠStarting":27657,"Mvc":27658,"(pre":27659,"dump":27660,"_LOCK":27661,"atetime":27662,".callback":27663,"ĠCer":27664,"opol":27665,"ibrary":27666,"Ġreservation":27667,"ĉĉĉĉĉĉĉĊ":27668,"lector":27669,"graduate":27670,"Ġgenerous":27671,"Ġion":27672,"ricao":27673,"mq":27674,"_complete":27675,"(cursor":27676,"ĠFormControl":27677,":center":27678,"Ġsubstitute":27679,"ĠPlanning":27680,"Ġpension":27681,"Ġrecommendation":27682,"ĠTags":27683,"Ġgef":27684,"Ġalbums":27685,"Ġwashing":27686,"roc":27687,"Ġtrains":27688,"atings":27689,"Ġexponent":27690,"ackbar":27691,"-ln":27692,"ág":27693,".DataAnnotations":27694,"ĠEIF":27695,"ĠMalaysia":27696,"ĉPORT":27697,"onus":27698,"Ġclever":27699,"Ġpeu":27700,">ĊĊĊĊ":27701,"ĠArguments":27702,"Ġdebugging":27703,"(right":27704,"'D":27705,"compute":27706,"Ġfinest":27707,"ORAGE":27708,"Ġspectacular":27709,"phrase":27710,"Ġindia":27711,"Ġlegendary":27712,"birth":27713,"Ġcomposite":27714,"Ġgrows":27715,"ĠTD":27716,"Ġepid":27717,"Ġlaunching":27718,"]][":27719,"Minutes":27720,"ĠCha":27721,"Ġcleaned":27722,"Ġwitnesses":27723,"ukan":27724,"ĉType":27725,"Ġhabe":27726,"paragraph":27727,"ĠJPanel":27728,"ĠHann":27729,"Ġvaried":27730,"ĠPokemon":27731,"ĠMUST":27732,"åĬ¨":27733,".visibility":27734,"opup":27735,"^[":27736,".expand":27737,"Ġ\"',":27738,".fasterxml":27739,"_auto":27740,"ĠSheet":27741,"marker":27742,"Parcel":27743,"ews":27744,"ĠStrategy":27745,"-making":27746,"Ġunve":27747,"Ġtrailing":27748,"Ġclicks":27749,"ĠGetComponent":27750,"ĉcontent":27751,"IGENCE":27752,"ERNEL":27753,"NSMutableArray":27754,"Ġbreat":27755,"Ġharmful":27756,"¶Ī":27757,"Ġbesides":27758,"Ġboring":27759,"Ġbrutal":27760,"vang":27761,"(parse":27762,"quick":27763,"Ġpytest":27764,"Ġswitching":27765,"()]Ċ":27766,"ĠìĦ":27767,"LER":27768,"ĉfont":27769,"Ġnett":27770,")]ĊĊ":27771,"(/\\":27772,"æŀľ":27773,"toArray":27774,"Ġbreed":27775,"ĠCAR":27776,"ĠWeapon":27777,"Abs":27778,"tot":27779,"ĠsetName":27780,"aptive":27781,"Ġ:,":27782,"Ġescaped":27783,"orden":27784,"ĠPri":27785,"thumbnail":27786,"Ġdescriptions":27787,"/styles":27788,"ĠPCI":27789,"Ġalphabet":27790,"asticsearch":27791,"NOTE":27792,"Ġcialis":27793,"ĠGriff":27794,"Ġporque":27795,"Ġproteins":27796,"plays":27797,"Ġstating":27798,"Ġimagination":27799,"Ġfacial":27800,"ĠMechan":27801,"Ġarranged":27802,"_used":27803,"Ġarrangements":27804,"ĠPipe":27805,"hostname":27806,"Ġprovinc":27807,"Tit":27808,".FlatStyle":27809,"ĠSplit":27810,"ĠLoader":27811,".cc":27812,"Ġclinic":27813,"----------------------------":27814,"Ġbaking":27815,"ĠENT":27816,"neath":27817,"ãĢģĊĊ":27818,"ANE":27819,".EntityFrameworkCore":27820,"appers":27821,".ic":27822,"ĠNgModule":27823,"ĠFORM":27824,"Ġ';":27825,"-profit":27826,"hw":27827,"enemy":27828,"ĠEye":27829,"Ġcaution":27830,"town":27831,"Ġurged":27832,"ĠJimmy":27833,"ynchronous":27834,"-sized":27835,"making":27836,",{":27837,"]',":27838,"_Object":27839,"ahoma":27840,"Ġactivist":27841,"INVAL":27842,"ĠCommercial":27843,"ĠOrlando":27844,"(tab":27845,"Ġب":27846,"Algorithm":27847,"Ġheritage":27848,"GetMapping":27849,"Ġfailures":27850,"rios":27851,"ativa":27852,"Ġtet":27853,"Ġcarpet":27854,"(Z":27855,"three":27856,"Ġdisclosure":27857,".ERROR":27858,"_called":27859,"Ġdial":27860,"Ġoccasional":27861,".Err":27862,"Ġfuncion":27863,"caffold":27864,"Ġreleasing":27865,"ï¼īĊĊ":27866,"_Value":27867,"ĠVari":27868,"yellow":27869,"Ġstruggles":27870,".cal":27871,"ĠDakota":27872,"ĉclose":27873,"Ġsandwich":27874,"Ġanalytics":27875,"Ġ**)":27876,"&#":27877,"ĠJos":27878,"Ġpassive":27879,"ATTR":27880,"Throwable":27881,"ĠMun":27882,"ĠUint":27883,"(disposing":27884,"arak":27885,"ĠLeaders":27886,"Ġaffecting":27887,"ĠitemView":27888,"Ġeconomics":27889,"fv":27890,"à¹Ģ":27891,".rb":27892,"ĠOverall":27893,"Ġwealthy":27894,"Ġevolved":27895,"nda":27896,"ĠHus":27897,"restrict":27898,"umen":27899,"ĠAgricult":27900,"!ĊĊĊ":27901,"Ġexpires":27902,"Ġspokesperson":27903,"interval":27904,"Ġâ":27905,"Ġqueen":27906,"(nil":27907,"ingo":27908,"Heap":27909,"Ùİ":27910,"Ġcomplain":27911,"Sym":27912,"ĠClone":27913,"ĠRu":27914,"ĠWILL":27915,"ĠCrystal":27916,"/content":27917,"ingen":27918,"ointment":27919,"LastName":27920,"avicon":27921,"ĠIBM":27922,"ĠDimension":27923,"anh":27924,"icipants":27925,"ĠAnne":27926,".progress":27927,"Ġalgo":27928,"obil":27929,"ĠVoice":27930,"ĠFE":27931,"Ġgli":27932,"Ġved":27933,"Ġprevents":27934,"\\Column":27935,"Ġfolk":27936,"etti":27937,"Ġmn":27938,"ĠCLASS":27939,"Ġdisplaying":27940,"ĠKl":27941,"ĠFerr":27942,"duto":27943,".ib":27944,"Ġdados":27945,"'name":27946,"-space":27947,"Ġitalian":27948,"Ġinverse":27949,"Ġdense":27950,"uter":27951,"ĠIEnumerator":27952,"-sign":27953,"Ġnationwide":27954,"Ġpersona":27955,"Ġsolved":27956,"Ġdramatically":27957,"Logout":27958,"Ġgrav":27959,"Ġanalyses":27960,"ollo":27961,"Ġlamp":27962,".team":27963,"ĠErot":27964,"=[\"":27965,"Ġdancing":27966,"Ġ?>/":27967,"Ġcater":27968,"ffe":27969,"ĠSha":27970,"ĠBos":27971,"ĠREQUIRE":27972,"ĠMonster":27973,"ĠRB":27974,"ĠIDE":27975,"Ġsuits":27976,"ĠformData":27977,"(theta":27978,"Ġspatial":27979,"=NULL":27980,"ĠSqlConnection":27981,"Ġà":27982,"ĠVenez":27983,"ĠMorning":27984,"Ġpublications":27985,"ĠNONINFRINGEMENT":27986,"firstName":27987,"uds":27988,"Would":27989,"_HEAD":27990,"Ġinvested":27991,"stable":27992,"fred":27993,"Ġcommander":27994,"SES":27995,"âĢĶa":27996,"anche":27997,"ĠMovement":27998,"ë³":27999,"Suite":28000,"Ġjurisdiction":28001,"리":28002,"ĠBeth":28003,"jQuery":28004,"ĠIsa":28005,"Ġdental":28006,",*":28007,"ĠLimit":28008,"iliation":28009,"=\"{":28010,"bast":28011,"Ġturb":28012,"isy":28013,"OOK":28014,"Ġadvocate":28015,"imag":28016,"LECTION":28017,"лÑĮ":28018,"(category":28019,".dec":28020,"Ġuniqu":28021,"_sn":28022,"Ġattracted":28023,"ĠÃī":28024,"ĠRunning":28025,"_edges":28026,"ĠDisable":28027,"_AS":28028,"åĽ¾":28029,"Ġnetworking":28030,"_branch":28031,"Having":28032,"toBeTruthy":28033,"GI":28034,"Ġcamps":28035,"sep":28036,"-part":28037,"Ġ)ĊĊĊĊĊĊĊĊ":28038,"ustralia":28039,"ĠReports":28040,"rito":28041,"Ġwaist":28042,"_plus":28043,"ĠWW":28044,"-person":28045,"April":28046,"Ġsar":28047,".tar":28048,"Ġagricultural":28049,"tic":28050,"Ġtcp":28051,"ĠsetValue":28052,"agento":28053,"ĠAppe":28054,"piler":28055,"CADE":28056,"Ġanche":28057,"atcher":28058,"Ġcomics":28059,"Ġlbs":28060,"_segment":28061,"']=$":28062,"itters":28063,"icher":28064,"GINE":28065,"Ġutilize":28066,"ĠCursor":28067,"_expression":28068,"Ġdag":28069,"x":28257,".Task":28258,"money":28259,"ibaba":28260,"'});Ċ":28261,"ĠSpecific":28262,"ĠLinear":28263,"_OPT":28264,"HashCode":28265,"(Player":28266,".ContainsKey":28267,"Ġcollapsed":28268,"transparent":28269,"_RANGE":28270,"Viewer":28271,"(cfg":28272,"Ġsorting":28273,"Ġinfected":28274,"ĠNach":28275,"Ġaccommodate":28276,".elements":28277,"_PART":28278,"ĠSexy":28279,"=get":28280,"(year":28281,"Ġxhr":28282,":]":28283,"owski":28284,"Ġsummar":28285,"Ġ¿":28286,"Ġinte":28287,"Ġworkflow":28288,"ĠTaiwan":28289,"versions":28290,"åıij":28291,"Ġsurprisingly":28292,"Ġoptical":28293,"Ġproces":28294,"Ġdisagree":28295,"Ġnuevo":28296,"ĠCAM":28297,"sorted":28298,"leases":28299,"istle":28300,"Ident":28301,"ĉevent":28302,"jected":28303,"Chunk":28304,"Vars":28305,".provider":28306,"Ġproceedings":28307,"Ġinclusive":28308,"Ġartwork":28309,"endants":28310,"ï¼ļĊ":28311,"seen":28312,"Ġlig":28313,"Ġmakers":28314,"_fun":28315,"Ġlengths":28316,"PathVariable":28317,"[item":28318,"ี":28319,"Dead":28320,"FFFFFF":28321,"ĠUrban":28322,"uples":28323,"ichen":28324,"(nullptr":28325,".spec":28326,",System":28327,"URATION":28328,"(job":28329,"å¼ı":28330,"Ġtracker":28331,"ÅĻ":28332,"ĠMR":28333,"ĠSQLite":28334,"Ġdto":28335,"Ġ;;Ċ":28336,"Ġmint":28337,"ĠIntroduction":28338,"cao":28339,"Ġquestioned":28340,"Ġfitted":28341,"revision":28342,"sq":28343,"Ġmig":28344,"_units":28345,"_async":28346,"Ġflick":28347,"});ĊĊĊ":28348,"Ġnotre":28349,"}`,":28350,"Filters":28351,"Ġmundo":28352,"_days":28353,"Ġfrm":28354,"utc":28355,"Ġvals":28356,"ewidth":28357,"ĠGenerator":28358,"ĠArtist":28359,"ĠIDs":28360,"ĠArticles":28361,"reater":28362,"ĠComponentFixture":28363,".=":28364,"Ġrou":28365,"-no":28366,".bukkit":28367,"egg":28368,"ĠDiff":28369,"atics":28370,"ÑĥÑĩ":28371,"âĢĶĊĊ":28372,"ĠCharlotte":28373,"bye":28374,"Ġ});čĊčĊ":28375,"ĠVik":28376,"ĠBrow":28377,"Ġlv":28378,"ĠGib":28379,"-wing":28380,"GLIGENCE":28381,"(Il":28382,"ĠEngineer":28383,".Wait":28384,"ĠPictures":28385,"Ġrhet":28386,"Ġthermal":28387,"Ġpraise":28388,"<>();ĊĊ":28389,"ĠSpider":28390,"Pause":28391,"ĠBaker":28392,"Ġslower":28393,"Ġ}]Ċ":28394,"_enqueue":28395,"Ġdisappeared":28396,"ĠTicket":28397,"INUX":28398,"_LOCAL":28399,"аÑģÑģ":28400,"@Injectable":28401,"community":28402,"GestureRecognizer":28403,"åĽ½":28404,"Ġscales":28405,"Ġ-(":28406,"/'+":28407,"ĠSit":28408,"Ġexecutives":28409,"arding":28410,"Ġadvers":28411,"Ġbackwards":28412,"ĉcontext":28413,"ĠHamp":28414,"ĠPF":28415,"ĠDeck":28416,"ĠCraig":28417,"American":28418,"Ġbell":28419,"Ġprol":28420,"ufen":28421,"Ġrng":28422,"arshal":28423,"ĠSimply":28424,"firstname":28425,"shore":28426,"July":28427,"Ġmortality":28428,"ĠâĨĴĊĊ":28429,"Helpers":28430,"Ġbenchmark":28431,"emade":28432,"Ġorganisations":28433,".gson":28434,"ĠTextField":28435,"Ġcivilians":28436,".Arrays":28437,"ĠMississippi":28438,"Ġintermediate":28439,"getUser":28440,"_cluster":28441,"Relative":28442,"foreign":28443,".querySelectorAll":28444,"ForeignKey":28445,"Ġreasonably":28446,"---------Ċ":28447,"Cards":28448,"ĠKam":28449,"ĠThor":28450,"Ġroller":28451,"-element":28452,"ĠCurrency":28453,"ddie":28454,"ALLY":28455,"ĠRA":28456,"Ġpermet":28457,"aaaa":28458,"Ġhomework":28459,"ĠVit":28460,"Ġmold":28461,"ĠFer":28462,"[start":28463,"Ġstatistical":28464,"Ġscary":28465,"_HOME":28466,".Begin":28467,"Construct":28468,"ogenic":28469,"ĠDEALINGS":28470,"Ġtambién":28471,"ixon":28472,".ind":28473,"acre":28474,"Ġtransforms":28475,"ĠNap":28476,".Block":28477,"ussia":28478,"piration":28479,"ulent":28480,"Ġceil":28481,"Clause":28482,"naire":28483,"TES":28484,"Ġneat":28485,"STD":28486,"ĠRegExp":28487,"perform":28488,":)":28489,"Ġunions":28490,"Ġsublic":28491,"Ġwinds":28492,"loating":28493,"glich":28494,"Ġpagination":28495,"Skill":28496,"Apply":28497,"ĠOperator":28498,"istogram":28499,"Ġqualities":28500,"Cross":28501,"Ġdecom":28502,"],\"":28503,"ĠJuan":28504,".modal":28505,".Child":28506,"ĠRoger":28507,"STITUTE":28508,":CGRectMake":28509,"alette":28510,"Ġsta":28511,"aside":28512,"Ġblur":28513,"ĠWa":28514,"ifetime":28515,"reed":28516,"controls":28517,"Ġbins":28518,"Ġпол":28519,"*/,Ċ":28520,"UIS":28521,"ĠRou":28522,"ĠDemo":28523,"-awesome":28524,"ĠChain":28525,"Ġhasta":28526,"ĠBart":28527,".KEY":28528,"Ġvendors":28529,"nofollow":28530,"ĠDest":28531,"_builder":28532,"Ġargues":28533,"_answer":28534,"goto":28535,"ĠRESULT":28536,"ĠMON":28537,"Ġpoder":28538,"oons":28539,"_CASE":28540,"Ġreplic":28541,"Ġfinancing":28542,"ĠDATE":28543,"cern":28544,"_track":28545,"ties":28546,"/logo":28547,"ĠNEGLIGENCE":28548,"getType":28549,">T":28550,"bet":28551,"girl":28552,"ĠINCIDENTAL":28553,"-site":28554,".trigger":28555,"ĠLisa":28556,"_inputs":28557,"Ġrelatives":28558,"LoggedIn":28559,"Configure":28560,"IK":28561,".accept":28562,"Resume":28563,"ĠDraft":28564,"Ġ*>(":28565,"ĠWA":28566,"edian":28567,"erness":28568,"ĠLayoutInflater":28569,"*/čĊčĊ":28570,"othy":28571,"Ġobligation":28572,"Subscribe":28573,"Ġthumbnail":28574,"exist":28575,"Ġinsisted":28576,"ĠUICollectionView":28577,"ĠAngular":28578,"Ġtablets":28579,"ĠImpact":28580,"ãĢįĊĊ":28581,"aho":28582,"Ġcharacteristic":28583,"gd":28584,"Ġ=================================================":28585,"ourt":28586,"`.":28587,"Appro":28588,"Coordinate":28589,"Remember":28590,"Ġmarine":28591,"]=='":28592,"ĠAdministrator":28593,".getDefault":28594,"Ġforgot":28595,"ĠStructure":28596,"Vue":28597,"arsing":28598,"moment":28599,"kw":28600,"_cursor":28601,"Attack":28602,"Ġathletic":28603,"Ġdiagnosed":28604,"Ġende":28605,"åĪłéĻ¤":28606,"House":28607,"ĠPARAM":28608,"Ġwiki":28609,"ĠOpp":28610,"Ġconservation":28611,"Ġsnd":28612,"_tem":28613,"substr":28614,"ĠCape":28615,".sim":28616,"UTION":28617,"anan":28618,"âĢĻun":28619,"Ġgy":28620,"-work":28621,"Ġcompelling":28622,"='#":28623,"ĉsub":28624,"Ġdirectories":28625,"íĬ¸":28626,"Ġtouches":28627,"outines":28628,".Collection":28629,"schedule":28630,".lat":28631,"ĠDoctrine":28632,"CAA":28633,"ĠRefer":28634,"Ġshifts":28635,"Ġlikelihood":28636,"preter":28637,"ĠFemale":28638,"Ġintercept":28639,"Ġlou":28640,"çĻ»":28641,"Ġrug":28642,"ĠCrown":28643,"Ġ****************************************************************************":28644,"-product":28645,"Ġprompted":28646,"ungle":28647,"docker":28648,"ĠTu":28649,"ĠUnique":28650,"_Error":28651,"ulos":28652,"ĠâĦ":28653,"Ġ(`":28654,"Getting":28655,"_scal":28656,"ĠEnh":28657,"üt":28658,"Ġsustained":28659,"Ġpatches":28660,"Ġprosper":28661,"ĠGaza":28662,"_light":28663,"Ġincons":28664,"--------Ċ":28665,"ĉĉĠĠĠĠĠĠ":28666,"SF":28667,"CN":28668,":\";Ċ":28669,"ĠCollins":28670,"(*)":28671,"Ġcompilation":28672,"']čĊ":28673,"Ġconsequence":28674,",...":28675,"Ġdm":28676,"ĠBLOCK":28677,"Cluster":28678,"Ġski":28679,"(argc":28680,"Tuple":28681,"Ġjoins":28682,"ĠSheriff":28683,"War":28684,"indi":28685,"Ġcommented":28686,"HOST":28687,"Ġinvitation":28688,"apanese":28689,"Ġpermits":28690,"precedented":28691,"_zone":28692,"ĠAmy":28693,"_RD":28694,"Minimum":28695,"Ġinvocation":28696,".enable":28697,"ichten":28698,"-owned":28699,"\"id":28700,"_POINTER":28701,"Fac":28702,"Ġspecifications":28703,"Ġnomination":28704,"Ġgp":28705,"<(":28706,"Ġrobots":28707,"ĠJerry":28708,"Ġholders":28709,"Ġwand":28710,"cms":28711,"Ġ}))Ċ":28712,".Toast":28713,"ĠIList":28714,"Based":28715,"zoom":28716,"/style":28717,"ĠBeck":28718,"Men":28719,"Ġcontributing":28720,"Ġundo":28721,"ĠOH":28722,"ĠaddObject":28723,"Ġeigen":28724,"signup":28725,"éĶĻ":28726,"Ġdistant":28727,"PARATOR":28728,"ĠMari":28729,"Ġmá":28730,"Emp":28731,"ós":28732,"ĠìĪĺ":28733,"evt":28734,"+j":28735,"park":28736,"ĠStay":28737,"ĠDun":28738,"Ġsoy":28739,">%":28740,"azines":28741,"Ġtiempo":28742,"(me":28743,"present":28744,".This":28745,"Ġeditors":28746,"FIELD":28747,".Work":28748,"ĠUniverse":28749,"Ġdrunk":28750,".timer":28751,"Ġaltered":28752,"ĠNar":28753,"ëł¥":28754,".Active":28755,"idor":28756,"çŃ":28757,".deltaTime":28758,"Ġawkward":28759,""":28760,"ĠSafari":28761,"Ġtricks":28762,"MENTS":28763,"division":28764,"Ġvarying":28765,"ĠHighway":28766,"Ġphotographer":28767,"ĠStewart":28768,"Ġlasting":28769,".Pre":28770,".amazonaws":28771,"ĠLuck":28772,".Description":28773,"ĠNaz":28774,"neg":28775,"Ġcó":28776,"<<\"\\":28777,"ĠSurv":28778,"ĠUnc":28779,"Recipe":28780,".BorderStyle":28781,"Ġmodifications":28782,"-at":28783,"ATFORM":28784,"hdr":28785,"ako":28786,"Ġsublicense":28787,"ĠJump":28788,"Ġbeim":28789,"ĠManhattan":28790,".bool":28791,"_hw":28792,"ÑĤÑĮ":28793,"Bin":28794,"Ġgateway":28795,"\"\":":28796,"ĠUIS":28797,":\"+":28798,"-def":28799,"ĠRegular":28800,"/testing":28801,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":28802,"stringstream":28803,"Ġdispar":28804,"Ġmobil":28805,"-read":28806,"ĠAdapter":28807,"ĠChampions":28808,"Ġscheduler":28809,"Ġkills":28810,"ĠMultiple":28811,"irror":28812,"Ġgods":28813,"ADO":28814,"akte":28815,"ĠUsuario":28816,".circular":28817,"Ġrecept":28818,"ĠExpr":28819,"Ġelderly":28820,"Ġnicely":28821,"Ġbeste":28822,"Want":28823,"Ġclassical":28824,".sprite":28825,"objc":28826,"ĠMason":28827,"Ġsistema":28828,".Black":28829,"eso":28830,"ĠZeit":28831,"Ġdivid":28832,"Ġenters":28833,"_subject":28834,"ĠPlanet":28835,".warning":28836,"ĠGram":28837,"_tokens":28838,"Ġhouseholds":28839,"_customer":28840,"userName":28841,"cross":28842,"Ġpione":28843,"Ġassists":28844,"_SM":28845,"ibo":28846,"Ġloyal":28847,"Ġuseless":28848,"#elif":28849,"ĠUltimate":28850,"Come":28851,"gel":28852,"Ġdich":28853,"xyz":28854,"ikel":28855,"obra":28856,"_scan":28857,"ĠInterior":28858,"ĠNice":28859,"Ġplac":28860,"ĉtarget":28861,"Ġviral":28862,"asso":28863,"()/":28864,"unde":28865,"ĠAdobe":28866,"Os":28867,"visited":28868,"ĠOW":28869,"ĠFeed":28870,"ĠSequence":28871,"Ġmanages":28872,"inson":28873,"ĠLouisiana":28874,"{})":28875,"ĠHab":28876,"ĠLD":28877,"Ġbip":28878,"prites":28879,"(elem":28880,".hibernate":28881,"élé":28882,"Ġohne":28883,"_transaction":28884,"Ġannunci":28885,"Published":28886,"ĠHonda":28887,"ĠTam":28888,"ĠPacket":28889,"_selector":28890,"Ġchallenged":28891,"Processing":28892,"-hover":28893,"Ġtrainer":28894,"_cancel":28895,"ĠNSDictionary":28896,"abric":28897,"ĠMLS":28898,"_sensor":28899,"Ġshrink":28900,"ĠFX":28901,"threshold":28902,"ĉHX":28903,"-mark":28904,"`.`":28905,"Scheme":28906,"(full":28907,"_writer":28908,"ĠSys":28909,"Ġfled":28910,"ĠCin":28911,"-widget":28912,"ĠPrevious":28913,"Gender":28914,"_question":28915,"Feed":28916,"Ġscrut":28917,"(prefix":28918,"ãĢĤãĢĤ":28919,"Ġinfections":28920,"Parts":28921,"Ġhierarchy":28922,"_DELETE":28923,"ĠPatient":28924,"_pay":28925,"Ġpromoted":28926,"Ġìĭ":28927,"Ġcivilian":28928,"Ġagriculture":28929,"ĠPiece":28930,"Ġstance":28931,"utsche":28932,"Assign":28933,".ACTION":28934,"Fig":28935,"_radius":28936,"ĠSync":28937,"ducer":28938,"failure":28939,"ensed":28940,"ptime":28941,"BM":28942,"_datetime":28943,"quivo":28944,"QUEUE":28945,"èĢħ":28946,"Appear":28947,"Ġsummit":28948,":void":28949,"Ġvine":28950,"认":28951,"onne":28952,"_TRANS":28953,".green":28954,"_cc":28955,"Ġhungry":28956,"Ġ\">":28957,"());čĊčĊ":28958,"Extract":28959,"izens":28960,"Ġsolver":28961,"Notify":28962,"Ġenglish":28963,"ĠShopping":28964,"interfaces":28965,"REQ":28966,"Ġilleg":28967,"ĠUIImageView":28968,"Ġdisconnect":28969,"ĠUntil":28970,"ĠConservative":28971,"@Column":28972,"Ġshifted":28973,"Ġ:čĊ":28974,"Ġfich":28975,"Ġdla":28976,"Ġshoe":28977,"\"),čĊ":28978,"ularity":28979,"_RESP":28980,"Weather":28981,"UIApplication":28982,".iterator":28983,"Ġaging":28984,".Parent":28985,"owie":28986,"(equal":28987,"ĠConv":28988,"/default":28989,"Ġmeasuring":28990,".prev":28991,".IsValid":28992,".Fat":28993,"ĠsÄĥ":28994,"keywords":28995,"without":28996,"Ġsovere":28997,"Ġexchanges":28998,"Ġmelt":28999,"Ġislands":29000,"ĠIntegr":29001,"Ġjumping":29002,"Ġgle":29003,"Ġjournalism":29004,"Ġdated":29005,"Localized":29006,"ĠRefresh":29007,"Particle":29008,"Ġaa":29009,"ĠSTRICT":29010,"Ġbod":29011,".Process":29012,"_AUTO":29013,"ĠPublished":29014,"every":29015,"Ġtechnological":29016,"lsx":29017,"Ġirrit":29018,"Additional":29019,"Ġdelimiter":29020,"_language":29021,"-area":29022,"boys":29023,"ĠTube":29024,"Ġwat":29025,"Ġmechanics":29026,"_owner":29027,"Spell":29028,"ĠStories":29029,".AppendLine":29030,"TableView":29031,"hem":29032,"stick":29033,"ollower":29034,"IFF":29035,"ĠUV":29036,"ollision":29037,"SUB":29038,"Ġcomparable":29039,"Ġdonde":29040,"sales":29041,"llvm":29042,"Ġ}],Ċ":29043,"OTTOM":29044,"ĠPurpose":29045,"Lab":29046,"Ġinterviewed":29047,"ois":29048,"asil":29049,".setId":29050,"ĠInstruction":29051,"-->":29052,"ĠModified":29053,"ationally":29054,"ĠMeeting":29055,"误":29056,"#region":29057,"Ġrouting":29058,".focus":29059,"ĠYouth":29060,"<":29348,"Ġunto":29349,"ologically":29350,"ĠMul":29351,"VIDIA":29352,"Ġslim":29353,"ĠCommissioner":29354,"(on":29355,"Ġunderneath":29356,"/db":29357,"vote":29358,"(Message":29359,"ĠPope":29360,"Defined":29361,"Ġswift":29362,"urf":29363,"Ġadapted":29364,"SEL":29365,"Ġrevenues":29366,"Ġdivine":29367,"=y":29368,"Gradient":29369,"_act":29370,"Ġ/*!<":29371,"Ġpolygon":29372,"ĠFDA":29373,"ĠCarr":29374,"atables":29375,"(stdout":29376,"Ġrefriger":29377,"Ġcoordin":29378,"avorites":29379,"ÑĪи":29380,"Ġcompassion":29381,"ĠPOSSIBILITY":29382,"-secondary":29383,"uracy":29384,"Ġcompromise":29385,"_AV":29386,"_os":29387,"Ġbeside":29388,"ĥĿ":29389,"Ġln":29390,".plugins":29391,"Capacity":29392,"alah":29393,".bin":29394,"ĠCRC":29395,"_balance":29396,"ĠflexDirection":29397,"Ġambit":29398,"Ġnickname":29399,"ĠForces":29400,"CLE":29401,"ĠShell":29402,"Ġsail":29403,"ĠWriter":29404,"ĠAlice":29405,"dw":29406,"ĠIndians":29407,"ĠMarshall":29408,"_SRC":29409,"Ġnormalized":29410,"ĠJag":29411,"ãĤĴ":29412,"zeit":29413,"rpc":29414,"ÃŃc":29415,".inline":29416,"Ġtravers":29417,"_numeric":29418,"Ġutilities":29419,"Ġevac":29420,"INPUT":29421,"ĉregister":29422,"MX":29423,"ĠCampbell":29424,"Ġdatasets":29425,"Ġdemanded":29426,"ĠinitialState":29427,"gan":29428,"Ġei":29429,"Unexpected":29430,"-web":29431,"trait":29432,",Y":29433,"ĠTodd":29434,"Ġskeleton":29435,"Ġoptimize":29436,"第":29437,"ĠUpon":29438,"ĠStObject":29439,"Ġaplic":29440,".'P":29478,"vron":29479,".UN":29480,"Ġpainter":29481,"izarre":29482,"Ġlav":29483,"Ġpom":29484,"preg":29485,"=function":29486,"(serial":29487,"ifica":29488,"uming":29489,"åľ°":29490,"ãģĤ":29491,"-op":29492,"UCH":29493,"ĠHend":29494,".propTypes":29495,"Ġyo":29496,"Ġroutines":29497,"Ġcaring":29498,"Sem":29499,"Ġreserves":29500,"Ġpriorities":29501,"redits":29502,"ISTR":29503,"ContentType":29504,"ĠSchw":29505,"/media":29506,"Ġestr":29507,"Ġclimbing":29508,"-week":29509,"cherche":29510,"sensor":29511,"ToArray":29512,"ĠMontreal":29513,"Ġclouds":29514,"ĠInjectable":29515,"ĠRice":29516,"Ġpropaganda":29517,"_provider":29518,"Ġindoor":29519,"Ġinaug":29520,"Ġdiplom":29521,"Ġmessaging":29522,"_mut":29523,"å¦Ĥ":29524,"Ġkw":29525,"ONS":29526,"arians":29527,"RPC":29528,")]čĊ":29529,"-ray":29530,"ĠSor":29531,"mall":29532,"Ġmarketplace":29533,"Ġvtk":29534,"Ma":29535,"ogan":29536,"igi":29537,"Ġsponsored":29538,"ĠDani":29539,".SEVER":29540,">'.$":29541,"multipart":29542,"ĠWol":29543,"ĠtableName":29544,"ĠUsername":29545,"BackgroundColor":29546,"Ġfright":29547,"_EMAIL":29548,"September":29549,"_vals":29550,"opia":29551,"Ġspotted":29552,"-Ch":29553,"ĠdataSource":29554,"/\"Ċ":29555,"екÑĤ":29556,"ĠRequestMethod":29557,"ĠReplace":29558,"-do":29559,"ahn":29560,"ĠPhD":29561,"].ĊĊ":29562,"NON":29563,"gement":29564,"ĠThr":29565,"Ġquietly":29566,"Ġtorture":29567,"Ġteas":29568,"ĠCY":29569,"Ġatr":29570,"development":29571,"-detail":29572,"Ġlighter":29573,"Ġarguing":29574,"Ġdeserves":29575,"Ġcurriculum":29576,"_CONTEXT":29577,"ÅĤy":29578,"HITE":29579,"ĉID":29580,"/uploads":29581,"Ġtits":29582,"reo":29583,"_drop":29584,".UTF":29585,"Ġpickup":29586,"Ġgrocery":29587,"ĠPure":29588,"Ġeasiest":29589,"Phil":29590,".feature":29591,"(\"*":29592,"Ġinvestor":29593,"tok":29594,"Ġjar":29595,"Los":29596,"âĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶ":29597,".queue":29598,"-speed":29599,"Mal":29600,"umblr":29601,"ĠCONST":29602,"ĠHRESULT":29603,"ĠDance":29604,"(filePath":29605,"Ġattributed":29606,"à¥į":29607,"ĠBund":29608,"coins":29609,"Ġsão":29610,"Ġpir":29611,"personal":29612,"Ġprelim":29613,"Ġpropose":29614,"ĠTL":29615,"]])":29616,"ĠSubscription":29617,"ĠKre":29618,",len":29619,".FirstOrDefault":29620,")--":29621,"_products":29622,".GetBytes":29623,"Ship":29624,"Ġencrypt":29625,"ĠSG":29626,"ĠMyst":29627,"hir":29628,"Ġiterate":29629,"Ġintend":29630,".mockito":29631,"Ġchapters":29632,"(angle":29633,"ĠVlad":29634,"设":29635,"'.ĊĊ":29636,"ResponseBody":29637,"ĠAbd":29638,"deal":29639,"Ġbarriers":29640,"-outline":29641,"bill":29642,"ĠFalls":29643,"_second":29644,".include":29645,".ceil":29646,"Ġoccupation":29647,"phony":29648,".moveTo":29649,"ĠJennifer":29650,"ASTER":29651,";\"><":29652,"ĠEnabled":29653,"Ġterminate":29654,"ĠIo":29655,"lations":29656,"ĠTHEORY":29657,"Ġearliest":29658,"Ġrack":29659,"ĠScar":29660,"shake":29661,"chip":29662,"Ġuv":29663,"Ġalliance":29664,"пиÑģ":29665,"ĠGOODS":29666,"zione":29667,"ĠVI":29668,"Ġ{-":29669,"Ġfiltering":29670,"Ġmiscon":29671,".DockStyle":29672,"Ġbush":29673,"Ġjunk":29674,"æĮ":29675,"ĠQUE":29676,"Ġhooks":29677,"Ġfirmware":29678,"Ġmiddleware":29679,"dic":29680,"ĠOakland":29681,"Ġarrives":29682,"Payload":29683,"pixel":29684,"]|":29685,"ĠstartDate":29686,".PRO":29687,"_audio":29688,"Ġmidfield":29689,"igidbody":29690,"ĠSwiss":29691,"ĠClip":29692,"ĠDump":29693,"ĠTextBox":29694,"Ġgeh":29695,"yield":29696,"ods":29697,"Ġreferendum":29698,"Backend":29699,"ĠCream":29700,"Ġdominated":29701,"ĠArchive":29702,"Ġriders":29703,".prepareStatement":29704,"Ġquando":29705,"Ġchef":29706,"wiki":29707,"inel":29708,"ampling":29709,"(\"\\\\":29710,"Ġsag":29711,"_proxy":29712,"ãģķ":29713,"pdo":29714,".getElementsByTagName":29715,"Ġdemonstration":29716,"ĠNPC":29717,"Ġarchivo":29718,"endance":29719,"Ġefficiently":29720,"(actual":29721,".tableView":29722,"Ġmush":29723,"Ġbears":29724,"_threads":29725,"jas":29726,"ahun":29727,"Ġneural":29728,"Ġdesigning":29729,"ĠGDP":29730,"Ġlifted":29731,"缮":29732,"ĠJoint":29733,"ĠInclude":29734,"ĠGiants":29735,"Ġwithdrawal":29736,"ĠRent":29737,"native":29738,"ĠSeek":29739,"gression":29740,"_CPU":29741,"\\S":29742,"ĠShield":29743,"Ġsolic":29744,"Ġboom":29745,"yecto":29746,"Ġmanufacture":29747,"ĠâĢĭ":29748,"Ġbbox":29749,"Ġearthqu":29750,"ollectors":29751,":@\"%":29752,"Ġloops":29753,"Je":29754,"alking":29755,"ĠWhats":29756,"ĠBoys":29757,".book":29758,"ARGE":29759,"_pixel":29760,"Ġsuspects":29761,"ι":29762,"usp":29763,"ĠBMW":29764,"ieces":29765,"(person":29766,"å¼Ģ":29767,"é»":29768,"ĠPodcast":29769,"Ġbou":29770,"(Item":29771,"û":29772,"(Input":29773,"HttpGet":29774,"Ġburg":29775,")^":29776,"BOARD":29777,"*/,":29778,"Ġgulp":29779,"ĠBenn":29780,"Ġdecks":29781,".statusCode":29782,"Ġacute":29783,"Ġhug":29784,"ugu":29785,"Ġpled":29786,",\"%":29787,"hape":29788,"Ġзап":29789,"ĠMaine":29790,".real":29791,"Ġdalam":29792,"ĠMinor":29793,".Float":29794,"disp":29795,"Ġtl":29796,"Ġencount":29797,"=>$":29798,"Ġfg":29799,"tees":29800,"ĠRecomm":29801,"äl":29802,"Ġchemistry":29803,"Blocks":29804,"OID":29805,"Ġforex":29806,"ĠAppend":29807,"Ġ{*":29808,"ĠSupply":29809,"CGFloat":29810,"(bl":29811,"Ġate":29812,"adora":29813,"Ġgust":29814,"Associ":29815,">.Ċ":29816,"FETCH":29817,".serial":29818,"widgets":29819,"ardless":29820,"iefs":29821,"_FULL":29822,"ernetes":29823,"ĠPred":29824,"ØŃ":29825,"äºĭ":29826,"ubernetes":29827,"ĠLaura":29828,"Ġlabeled":29829,"Highlight":29830,"Ġannoying":29831,"/update":29832,"(description":29833,"Ġintimid":29834,"$c":29835,"\")))Ċ":29836,".AP":29837,"Ġ[]*":29838,"ĠEXIT":29839,".Host":29840,"ĠOPEN":29841,".sendMessage":29842,"_camera":29843,"_tile":29844,"Ġtherm":29845,"onomous":29846,"Ġdisadv":29847,"Ġnaar":29848,"indexOf":29849,"ĠPP":29850,".protocol":29851,"AFE":29852,"Ġtextures":29853,"################################################":29854,"umbai":29855,".stats":29856,"ĠGE":29857,"Ġie":29858,"ĠSTD":29859,"ĠMann":29860,".reflect":29861,"KB":29862,"Ġdive":29863,".wav":29864,"/*----------------------------------------------------------------":29865,"/settings":29866,".lifecycle":29867,"Ġdaughters":29868,"orus":29869,"uber":29870,"NING":29871,"stri":29872,"ĠTip":29873,"Ġzn":29874,"Ġswitched":29875,"inet":29876,"uffy":29877,"ĠTransportation":29878,"(conf":29879,"frica":29880,"ĠXL":29881,"ĠLead":29882,"_percent":29883,"__":29899,"permissions":29900,"ĠDetermine":29901,".Man":29902,"Ġadvances":29903,".InputStream":29904,"Ġstrongest":29905,"ĠeBay":29906,"Ġ#-":29907,"Ġdirname":29908,"ĠSMS":29909,"Ġmedications":29910,"Ġamended":29911,"Ġchurches":29912,"ĠImperial":29913,"$row":29914,"ĠMadison":29915,"ĠInsp":29916,"Ġaffair":29917,"Ġpsychology":29918,"vh":29919,"Ġseverity":29920,"âĢIJ":29921,"Ġstrips":29922,"AH":29923,"vertising":29924,"Ġconse":29925,"IMAGE":29926,"ĠStats":29927,"ĉsc":29928,".Cursor":29929,"Ġfreeze":29930,"sson":29931,"(xml":29932,"ĠSusan":29933,".tile":29934,"eded":29935,"ĠĠĠĠĉĉĉ":29936,"uelle":29937,"ĠMitchell":29938,"based":29939,"Operand":29940,"½æķ°":29941,"ĠFF":29942,"ĉstrcpy":29943,"ounces":29944,"ildo":29945,".executeQuery":29946,"Ġapproaching":29947,"ĠSeven":29948,"Ġnuts":29949,"Ġric":29950,"assignment":29951,"Ġcalculator":29952,"ĠMurphy":29953,"ĠBou":29954,"íĦ":29955,"Ġbutt":29956,"Ġticks":29957,"Projects":29958,"ilib":29959,".textColor":29960,"mov":29961,"_logo":29962,"(template":29963,"ĠINIT":29964,"ĠimageView":29965,"scriptions":29966,"ORITY":29967,"Consumer":29968,"Ġunprecedented":29969,"Ġtourist":29970,"Ġbron":29971,"Ġcontractor":29972,"Ġlicence":29973,"ĠNam":29974,"æ¯":29975,"(transform":29976,"_ATT":29977,"Pref":29978,"ĠGam":29979,"Ġvessels":29980,"Ġhav":29981,"Later":29982,".ToLower":29983,"Ġurls":29984,"Ġbreakdown":29985,"Ġpenalties":29986,"Ġfoster":29987,"ĠUE":29988,"Ġclue":29989,"comed":29990,"åIJį称":29991,"-main":29992,"Ġpts":29993,"Ġcounted":29994,"icts":29995,"/post":29996,"Ġgetattr":29997,"Ġping":29998,"ANCEL":29999,"Ġpec":30000,"Ñħод":30001,"antom":30002,"ĠBlueprint":30003,"ĠEventEmitter":30004,"Ġlä":30005,"æ²":30006,"Ġstraw":30007,"(comp":30008,"'une":30009,">N":30010,"-client":30011,"esModule":30012,"-base":30013,"Ġretreat":30014,"_simple":30015,"ĉĉĉĉĉĉĠ":30016,"fee":30017,"')čĊčĊ":30018,"ControlItem":30019,"Ġsubscribers":30020,"please":30021,"ĠEff":30022,"Ġpound":30023,"ĠBytes":30024,"ĠTea":30025,"_activity":30026,"Ġmaxim":30027,"Ġopcode":30028,"BSD":30029,".constant":30030,";}":30031,"ombres":30032,"Ġcareers":30033,").ĊĊĊĊ":30034,"Ġspreading":30035,"-expanded":30036,"ĠOrd":30037,"amarin":30038,"Ġmobility":30039,"Unfortunately":30040,"akk":30041,"NL":30042,"_redirect":30043,"ĠPG":30044,"ĠSensor":30045,"bol":30046,"tap":30047,"_MEMORY":30048,"ĠUIAlert":30049,"plitude":30050,"Website":30051,"ĠLogo":30052,"love":30053,"[ind":30054,"Ġaltogether":30055,"Ġwondered":30056,"Ġesper":30057,"ĠLiberal":30058,"Ġoss":30059,"Ġelit":30060,"Ġstiff":30061,"odox":30062,"_mentions":30063,"ĠDouglas":30064,"_pid":30065,"ĠCK":30066,"ĠinitWithFrame":30067,".blog":30068,"pkg":30069,"anghai":30070,"QUIRED":30071,"uu":30072,"Ġmkdir":30073,"ATAL":30074,"Ġunh":30075,"inces":30076,"sth":30077,"Ġhypothesis":30078,"Ġcata":30079,"ĠTB":30080,"ĠClar":30081,"Ġpredecess":30082,"Ġsituated":30083,"-world":30084,"))/":30085,"Ġheadlines":30086,".stat":30087,"Ġoutbreak":30088,"spath":30089,"_FLAGS":30090,"ĠServletException":30091,"Sun":30092,"FROM":30093,"ĠDir":30094,"ãĥ»ãĥ»ãĥ»":30095,"_coord":30096,"ĠOptim":30097,"Monitor":30098,".bit":30099,"XXX":30100,"Ġtodas":30101,"feld":30102,"ÑĢи":30103,"imir":30104,"Ġpolitically":30105,"Ġmolecular":30106,"Ġtraded":30107,"Ġ{{$":30108,"ĠSwedish":30109,"Ġ'@/":30110,"_REAL":30111,"Ġwarehouse":30112,"today":30113,",L":30114,"orp":30115,"false":30392,"Ġspa":30393,"ĠNear":30394,"ìķ":30395,"Ġintrig":30396,"_members":30397,"wave":30398,"Ġanalysts":30399,"_OS":30400,"edin":30401,"ĠFri":30402,"Ġretrieved":30403,"Regular":30404,"_obs":30405,"EXPORT":30406,"')}}\"":30407,"\"class":30408,"__((":30409,"bucket":30410,"Ġstro":30411,"ĠPatch":30412,"ystick":30413,"fulness":30414,"apos":30415,"Da":30416,"ĉĉĉĉĉĠĠĠ":30417,"Ġenrich":30418,"unordered":30419,"hole":30420,"Cong":30421,"';ĊĊ":30463,"STRUCT":30464,"QR":30465,"IDs":30466,"(arguments":30467,"_aux":30468,"(Event":30469,"_PRIVATE":30470,"ĠTrek":30471,"Ġdownloads":30472,"mutable":30473,"_STRUCT":30474,"(wx":30475,"Ġdomains":30476,"jspx":30477,"ĠViagra":30478,"Commands":30479,"Js":30480,".cfg":30481,"ContentPane":30482,"ĠEditText":30483,"à¥įà¤":30484,"Attach":30485,"ĠARM":30486,"positive":30487,"ĠGenerated":30488,"Ġseized":30489,"=:":30490,"Ġelectronics":30491,"ĠAppComponent":30492,"/',Ċ":30493,".equalsIgnoreCase":30494,"Doctrine":30495,"disk":30496,"ĠPolitical":30497,"CHO":30498,"":30584,"ĠBeauty":30585,"Ġ`<":30586,"Ġtouching":30587,"Ġ|--":30588,"ĉflag":30589,"normalize":30590,"Ġtrapped":30591,"Ġestablishing":30592,"/build":30593,"AJ":30594,"fy":30595,"-react":30596,"avn":30597,"RIPTION":30598,"Ġkut":30599,"ĠFashion":30600,"ĠInform":30601,"curities":30602,"{Ċ":30634,"Ġgarlic":30635,"Ġrepr":30636,"Ġreplies":30637,"(prop":30638,"Ġspirits":30639,"Ġinspire":30640,"Ġbasement":30641,".reject":30642,"Ġhints":30643,"Ġpolling":30644,"ĉĠĊ":30645,"_rating":30646,"Ġcath":30647,"avier":30648,"Ġcompressed":30649,"ĠVS":30650,"]'":30651,"Ġjudicial":30652,"ĠTrend":30653,"training":30654,"ESTAMP":30655,"ognition":30656,"Äģ":30657,"SENT":30658,"ventions":30659,"Ġconsultant":30660,"umph":30661,"ĠuserService":30662,",NULL":30663,"kh":30664,"Dear":30665,"_BAD":30666,"itations":30667,"Ġmetaph":30668,"'é":30669,"andise":30670,"-font":30671,".chart":30672,"Ġsg":30673,"_Controller":30674,".jpeg":30675,"ĠULONG":30676,"ĉgame":30677,"(ss":30678,"ĠMaj":30679,"ĉgo":30680,"ĠSad":30681,"ĠBerg":30682,"ĠMine":30683,"Pack":30684,"Ġresistant":30685,"ĠROM":30686,"Ġpeg":30687,"ĠStanford":30688,"ĠYahoo":30689,"Ġscaled":30690,"Ġlan":30691,"=[]":30692,"\"/>ččĊ":30736,"Ġsud":30737,"ĉbackground":30738,"Ġscholars":30739,"-muted":30740,"ará":30741,"Ġ=====":30742,"Ġ____":30743,"Creat":30744,"enever":30745,"/wp":30746,"ĠVPN":30747,"ErrorCode":30748,")],Ċ":30749,"(builder":30750,"ĠEnemy":30751,"Sensor":30752,"usa":30753,"Ġtriggers":30754,"Ġplayoffs":30755,"_REQ":30756,"Ġ(~":30757,"ĠBarry":30758,"Ġpermanently":30759,"ĠRUN":30760,"Ġbure":30761,".Fatalf":30762,"Ġchick":30763,"ĉpanic":30764,"psi":30765,"oka":30766,"éĢī":30767,">[":30768,"Ġunderstands":30769,"ĠJunior":30770,"ĠINFO":30771,"=mysqli":30772,"ustain":30773,"-source":30774,"serv":30775,"ĠCREATE":30776,".au":30777,"Ġsells":30778,"ĠĠĊĠĠĊ":30779,"Europe":30780,"zw":30781,"preh":30782,"ĠNSA":30783,"Ġxy":30784,"ิ":30785,"ĠBeyond":30786,"Instead":30787,"NonQuery":30788,"Ġarise":30789,"Ġavoided":30790,".emplace":30791,"_models":30792,"}),Ċ":30793,"Ġhid":30794,"Ġ&_":30795,".points":30796,".getWidth":30797,".Exec":30798,"Ġ////":30799,"ĠSessions":30800,"...\\":30801,"ĠColomb":30802,"Ġacceleration":30803,"restore":30804,"Ġile":30805,"obic":30806,"}Ċ":31296,"plaint":31297,"getText":31298,"Ġindividually":31299,"Ġcheckbox":31300,"UY":31301,"ĠLamb":31302,"Ġdysfunction":31303,"ĠLar":31304,"à°":31305,"ĠCreating":31306,"');ĊĊĊ":31307,"\"They":31308,"locations":31309,"_CORE":31310,"Interaction":31311,"umbnails":31312,"ĠPartner":31313,"brit":31314,"Ġlesser":31315,"ĠSlot":31316,"setAttribute":31317,"ĠWave":31318,".po":31319,"/store":31320,"Ġbrowsing":31321,"_pd":31322,"sume":31323,"sed":31324,"Curve":31325,"Ġplasma":31326,"Ġsuspicious":31327,"ìĿ¸":31328,"ĠBah":31329,"ĠExplicit":31330,"_CC":31331,".ClientSize":31332,"\\View":31333,"Ġsubstit":31334,"loon":31335,"ĠGAME":31336,"ĠBrid":31337,"Ľå»º":31338,"_User":31339,"Ġsquares":31340,"fone":31341,"Ġsacred":31342,"ughs":31343,"]interface":31344,"ĠThrow":31345,"ĠKirk":31346,"Ġempire":31347,"Ġassessed":31348,"Tax":31349,"ĠHeaven":31350,"-buffer":31351,"_STATIC":31352,"éné":31353,"-bordered":31354,"Ġpunct":31355,"(mode":31356,"Ġkeine":31357,"Sent":31358,"ĠCalcul":31359,"ĠEve":31360,"Ġstylish":31361,"Ġoils":31362,".TestCase":31363,"Ġtrademark":31364,"Ġliterary":31365,"Ġconcentrations":31366,"ĠRelations":31367,"(Class":31368,"Ġstdin":31369,"Ġvæ":31370,"backup":31371,".VERSION":31372,".AutoScaleDimensions":31373,"starter":31374,"Transactional":31375,"-panel":31376,"Studio":31377,"kc":31378,"ĠChamber":31379,"ĠSpiel":31380,"Ġrho":31381,"اÙĦ":31382,"!'":31383,".Attributes":31384,"Ġmurdered":31385,"apeutic":31386,"Ġintimate":31387,"ĠtextField":31388,"ĠBuffalo":31389,"dummy":31390,"\"%":31391,"ĠLiberty":31392,"obar":31393,"ĠTank":31394,"ĠPopular":31395,"ervisor":31396,"ĠIniti":31397,"ĠMall":31398,"ĠPrior":31399,"CAP":31400,"ĠClay":31401,"ĠCertificate":31402,".Lock":31403,"-strip":31404,"-driven":31405,"/all":31406,"ĠMessageBoxButtons":31407,"_SECRET":31408,"_pb":31409,"Ġrats":31410,"ाà¤":31411,"Ġnt":31412,".Router":31413,"_topic":31414,"Ġtennis":31415,"ĠPUBLIC":31416,"ĠActivatedRoute":31417,"Ġ',Ċ":31418,"Ġcostume":31419,"Ġjokes":31420,".Handle":31421,"ĉbyte":31422,"Ġflavors":31423,"(cc":31424,"Ġpersonas":31425,"ĉimage":31426,"ĠNazi":31427,"Ġgrammar":31428,"Ġúlt":31429,"Ġvalve":31430,"Ġvic":31431,"ĠRachel":31432,"_invalid":31433,"Prefs":31434,"stdint":31435,"(route":31436,"Ġhtmlspecialchars":31437,"Ġpeoples":31438,"pline":31439,"Ġnv":31440,"ĠQuant":31441,"oppers":31442,"ĠcurrentUser":31443,"ĠCatal":31444,"Ġreconc":31445,"Ġconjunction":31446,"lx":31447,"amburg":31448,"Ġinfluential":31449,"danger":31450,"inders":31451,"Ġ%@\",":31452,".configuration":31453,"osome":31454,".identity":31455,"Ġpicker":31456,"nost":31457,"ĠDIY":31458,"August":31459,"ablo":31460,"Leaf":31461,"ĠReco":31462,"cko":31463,"DOC":31464,"ĠHerm":31465,":any":31466,"ĠInterview":31467,"ĠTex":31468,"xfe":31469,"(work":31470,"Ġleap":31471,"Heading":31472,"Ġquarters":31473,"\\Bundle":31474,"reb":31475,"Perhaps":31476,"ĠGmbH":31477,"Birth":31478,"ĉsum":31479,"ĠWatson":31480,".nil":31481,"ç¡":31482,"{}ĊĊ":31483,"icaid":31484,"Getter":31485,"\"name":31486,"Ġ\"čĊ":31487,"_none":31488,"zm":31489,"acute":31490,"uesto":31491,"Ġsous":31492,"Ġrebuild":31493,"Ġnewspapers":31494,"ĠHaz":31495,"Ġkits":31496,"ifo":31497,"Blur":31498,"Ġsuited":31499,"-In":31500,"à¯":31501,"ĠKeith":31502,"ĠNorway":31503,"INIT":31504,"ireccion":31505,"ieties":31506,"_usage":31507,"ĠDoug":31508,"rise":31509,"Ġtrillion":31510,"imited":31511,"ĠREL":31512,"alic":31513,"Ġcriticized":31514,"theorem":31515,"Ġcease":31516,"Ġsidew":31517,"ĠTerry":31518,"Ġsubsidi":31519,"Ġfirmly":31520,"Ġaws":31521,"Ġhott":31522,"Ġdressing":31523,"badge":31524,"ĠApplications":31525,"è¿ĶåĽŀ":31526,"Ġlaughed":31527,"Ġhobby":31528,"Ġmusicians":31529,"Ġ*.":31530,".placeholder":31531,"Ġcounters":31532,"ĠCapitol":31533,"SDK":31534,"Ġhelmet":31535,"andbox":31536,"quit":31537,"Ġcriminals":31538,"Ġteenager":31539,"(update":31540,"Gl":31541,".selection":31542,"Ġdischarge":31543,"Ġpresenting":31544,"ufacturer":31545,"_UNKNOWN":31546,"Ġstressed":31547,"åĻ¨":31548,"Proto":31549,"_correct":31550,"haus":31551,"Ġrenov":31552,"Ġfirearms":31553,"Ġtechnically":31554,"-browser":31555,"Ġcandy":31556,"Stroke":31557,"Ġexecutor":31558,"Ġoccurrence":31559,"ĠIPv":31560,"_INTERFACE":31561,"ĠRetrieve":31562,".bad":31563,"Exchange":31564,"Navbar":31565,"ĠKid":31566,"(getApplicationContext":31567,"_STOP":31568,"ĠBoss":31569,"Listeners":31570,"Ġshooter":31571,"ĠAlb":31572,"äch":31573,"Ġpix":31574,".keyCode":31575,"alone":31576,"Ġabsurd":31577,"ĠCum":31578,"ĠNewtonsoft":31579,"ikt":31580,"Ġlaughing":31581,"Ġcapitalism":31582,"reeNode":31583,"Tx":31584,"_QUERY":31585,".Sleep":31586,"(login":31587,"WebElement":31588,"Ġcelebrating":31589,"Ġdeprecated":31590,"Ġmaar":31591,"Ġartistic":31592,"_ASSOC":31593,"ĠBorderRadius":31594,"ĉwp":31595,"Ġsurvivors":31596,"Inner":31597,"-red":31598,"Ġprosecution":31599,"_pp":31600,"(\"$":31682,"Ġcomma":31683,"unchecked":31684,"graphics":31685,"rors":31686,"GROUND":31687,"(public":31688,"Ġcustomized":31689,"ĠArkansas":31690,"ĠRew":31691,"Ġexpiration":31692,"×ķ":31693,"ĠCul":31694,"Ġnons":31695,".Filter":31696,"Ġsenator":31697,"_definition":31698,"ashington":31699,"ymph":31700,"/J":31701,"Ġfuse":31702,"ramid":31703,"ĠSupplier":31704,"Ġautocomplete":31705,"Ġ}),":31706,".\"ĊĊĊ":31707,"_functions":31708,"ĉto":31709,".eval":31710,"ĠTObject":31711,"References":31712,"Ġheated":31713,"HAL":31714,"Ġ))}Ċ":31715,"}$":31716,"ĠBarr":31717,"_UNIT":31718,"+$":31719,"ĠgetValue":31720,"iped":31721,"chied":31722,"(vm":31723,"cue":31724,"_integer":31725,"_course":31726,"third":31727,"Ġrevised":31728,"**/Ċ":31729,"_DIRECT":31730,"OutOf":31731,"(\"(":31732,"ĠFeel":31733,"Ġreass":31734,"Ġsubtitle":31735,"peri":31736,"nf":31737,"Ġenjoys":31738,"Ġtreats":31739,")this":31740,"-tabs":31741,"ancers":31742,"Ġcontinent":31743,"Ġcardio":31744,"Ser":31745,".question":31746,"Ġphrases":31747,"Validators":31748,"Ġpopul":31749,"ĠlÃŃ":31750,"song":31751,"_INTERNAL":31752,"Ġadviser":31753,"Ġpuzz":31754,"Ġambitious":31755,"ĠTob":31756,"ĠDP":31757,"Ġpresidency":31758,"Ġsurrender":31759,"Ġwatches":31760,"_binary":31761,"ĠSoon":31762,"Ġcanada":31763,"(\"\")Ċ":31764,"]='":31765,"ĠBrandon":31766,"epsilon":31767,"rw":31768,".addChild":31769,".Copy":31770,"Principal":31771,"Photos":31772,"Ġmarginal":31773,"Ġbasics":31774,"eing":31775,"Must":31776,"_String":31777,"Ġole":31778,"Magento":31779,".customer":31780,"(prev":31781,"ล":31782,"Ġloyalty":31783,"Cog":31784,"Ġprotocols":31785,"ĠCompanies":31786,"Ġtheoretical":31787,"Ġaccessing":31788,"ĠZen":31789,".ones":31790,"attice":31791,"_world":31792,"zes":31793,"Ġtattoo":31794,"Ġmenos":31795,"Ġintersect":31796,"\"];ĊĊ":31797,"belie":31798,"Ġinactive":31799,".readline":31800,"-labelled":31801,".done":31802,"lickr":31803,"ĠWORK":31804,"Ġderivative":31805,"Ġdatabases":31806,"âĤĤ":31807,"Ġsx":31808,".isArray":31809,"Ġys":31810,"Ġpada":31811,"ĠBullet":31812,"(`/":31813,"isActive":31814,"ĠCGSize":31815,"(equalTo":31816,"ĠColumbus":31817,"Ġmarry":31818,"DEV":31819,"_limits":31820,"rones":31821,"IAS":31822,"Ġtau":31823,"mino":31824,"_Write":31825,"ĠWine":31826,"Ġ[['":31827,"ĠPull":31828,"riters":31829,"rients":31830,"Ġshifting":31831,"upp":31832,"_TIMER":31833,"ĠConditions":31834,"ấ":31835,"ĠOrders":31836,"ĠStrength":31837,"æīĢ":31838,"Ġvalidity":31839,"Ġfot":31840,"etur":31841,"Ġbolt":31842,"åĨħ":31843,"ĠAlong":31844,"oshi":31845,"Ġassumptions":31846,"Ġmagazines":31847,"_SPI":31848,"Ġpunt":31849,"_PRODUCT":31850,"Ġrelay":31851,"ĠJavascript":31852,".te":31853,"-es":31854,"Ġwidgets":31855,"(fs":31856,"\";":31923,"atching":31924,"ĠKnowledge":31925,"ĉThe":31926,";margin":31927,"lessness":31928,"opard":31929,"umatic":31930,"()));čĊ":31931,"Ġfals":31932,"(cache":31933,"TypeId":31934,"éĢļ":31935,"_choice":31936,"ĠGoth":31937,"ĠSites":31938,"MG":31939,"_border":31940,"Indices":31941,"Comparer":31942,"ĠRedistribution":31943,"Ġcloset":31944,"Ġversatile":31945,"Inputs":31946,"********************":31947,"Ġobesity":31948,"quiz":31949,"gra":31950,"(global":31951,"åĬ¡":31952,"Ġcollector":31953,"Ġkor":31954,"ovable":31955,"ADC":31956,"ĠEventHandler":31957,".nc":31958,"Ġplayback":31959,"ientos":31960,"_perm":31961,"_WARNING":31962,"ĠOlympics":31963,".norm":31964,"ĠBroadcast":31965,"_small":31966,"drive":31967,".iloc":31968,"Ġtyped":31969,"MEM":31970,"_cons":31971,"DMETHOD":31972,"Ġlun":31973,".distance":31974,"(par":31975,"poon":31976,"Ġbast":31977,"activities":31978,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":31979,":čĊčĊ":31980,"SER":31981,")&&":31982,"_lst":31983,"ĠPolish":31984,"Ġknocked":31985,"Ġfrustration":31986,"aukee":31987,"Ġphosph":31988,"iquid":31989,"_coeff":31990,"æѤ":31991,"Latest":31992,"ĠDust":31993,"Tipo":31994,"Ġmaintains":31995,"Ġmarsh":31996,"incinn":31997,"lbl":31998,"Care":31999,"Ġneighborhoods":32000,"_gpio":32001,"ĠArsenal":32002,"Dem":32003,"ĠWhe":32004,"_hook":32005,"Ġldc":32006,"ĠHarper":32007,"ĠBerkeley":32008,"Ġgraduated":32009,"Percent":32010,"Ġarriving":32011,"ĠAdventure":32012,"(scope":32013,"('*":32014,"quarter":32015,"ĠMarie":32016,"Speaking":32017,"_codegen":32018,"Ġimmun":32019,"caster":32020,"ãĤĮ":32021,"åķĨ":32022,"ĠDimensions":32023,".record":32024,"Ġtexto":32025,"ĠMichelle":32026,"Pending":32027,"(by":32028,"_PAR":32029,"ucht":32030,"bee":32031,".Thread":32032,"ampire":32033,"know":32034,"ĠClinical":32035,"ĠmarginBottom":32036,"Ġdistinguish":32037,".Full":32038,".undefined":32039,"ĠSequelize":32040,"############################################################################":32041,"Ġeducated":32042,"_OVER":32043,"åºı":32044,"ĠÂłĠÂł":32045,"_each":32046,"Ġurge":32047,"depart":32048,"Ġdonors":32049,"ĠAu":32050,"Ġbillions":32051,"Ġbelonging":32052,"_age":32053,"_Int":32054,"Ġsubstances":32055,"machine":32056,"!!!ĊĊ":32057,"Ġjsonify":32058,"ibbean":32059,"ĠCad":32060,"ĠendTime":32061,"Ġcycling":32062,"ĠUITextField":32063,"Ġleverage":32064,"Ġvanilla":32065,"eat":32066,"Launch":32067,"(pt":32068,"states":32069,"ĠControls":32070,"ĠRespons":32071,"ĠJake":32072,"Ġasleep":32073,"fortunate":32074,".nextLine":32075,"SizeMode":32076,"ìĿ¼":32077,"TestingModule":32078,"German":32079,"ĠInvestig":32080,".reverse":32081,"ĠBACK":32082,"(DateTime":32083,"Ġnonprofit":32084,"ĠExpect":32085,"Ġtanto":32086,"']),":32087,"ĉthe":32088,"Multiple":32089,"(getActivity":32090,"_WAIT":32091,"Ġjá":32092,"decor":32093,"levance":32094,"ĠGitHub":32095,"mination":32096,"_quantity":32097,".Scanner":32098,"ĠLion":32099,"éĶĻ误":32100,"Ġdre":32101,"Ġtantra":32102,"ĠcontentType":32103,"Ġfid":32104,"_alt":32105,"NSIndexPath":32106,"-pl":32107,"åĮĸ":32108,"Ġantibiot":32109,"tables":32110,"acial":32111,"ĠRegistry":32112,"Ġolive":32113,"igers":32114,"Ġsubscriber":32115,"_pres":32116,"ĠSyntax":32117,"Ġlovers":32118,".Byte":32119,"olders":32120,"_forward":32121,"always":32122,"Caption":32123,"Priv":32124,"ĠTampa":32125,"isateur":32126,"-labelledby":32127,"ĠToString":32128,"ĠìĤ¬":32129,"Ġinitiated":32130,"WF":32131,"Ġinstitutional":32132,"inject":32133,"ĠScr":32134,"Ġdoctrine":32135,"Ġspacious":32136,"isure":32137,"ĠAna":32138,"\"time":32139,"essaging":32140,"Ġcid":32141,"ĠNan":32142,"Ġincomplete":32143,"TAG":32144,"-build":32145,"December":32146,"Ġresidual":32147,"(PDO":32148,"ĠListen":32149,"Ġglyph":32150,"Ġgaps":32151,"nea":32152,".Rect":32153,"Ġsau":32154,"ĠPhotograph":32155,"Ġexecutable":32156,"ĠExpert":32157,"Coroutine":32158,"_sizes":32159,"ĠNL":32160,".isValid":32161,");}Ċ":32162,"-reg":32163,"Ġciting":32164,"cwd":32165,"ĠOttawa":32166,"ĠBatt":32167,"Ġrenewable":32168,"Ġpreliminary":32169,"Ġasylum":32170,"Ġwrist":32171,"Ġutiliz":32172,"Ġdetention":32173,"Fast":32174,"Ġange":32175,"incinnati":32176,"Ġsteering":32177,"ĠNaN":32178,"iosity":32179,"/page":32180,"Ġè¿":32181,"sterol":32182,"Ġdisg":32183,"(DB":32184,"ĠDESCRIPTION":32185,"Ġ_$":32186,"Ġobstacle":32187,"Ġbizarre":32188,"Ġextraction":32189,"_expected":32190,"Ġloses":32191,"ĠCelebr":32192,"ĠhtmlFor":32193,"Ġexploit":32194,"олÑĮзов":32195,"XYZ":32196,"Ġmagnet":32197,"amped":32198,"Ġatoms":32199,"Sources":32200,"pectives":32201,"Ñģли":32202,"Ġ=čĊ":32203,"Ġdare":32204,"ĠWalter":32205,"Ġbrightness":32206,"Ġannotations":32207,"ëı":32208,"iske":32209,"Schedule":32210,".images":32211,"rosso":32212,"Ġ\"..":32213,"gamma":32214,"Ġinstructor":32215,"Ġoverwrite":32216,"-am":32217,"Ġdevastating":32218,"ĠSaints":32219,"Ġhs":32220,"Ġbonuses":32221,"$output":32222,"ijd":32223,"(ActionEvent":32224,"monitor":32225,"Ġmattress":32226,"January":32227,".jp":32228,"Ġcaracter":32229,"Ġimpose":32230,"_rest":32231,"ĠSignature":32232,"Ġcoronavirus":32233,"ãģĬ":32234,"_compare":32235,"Measure":32236,"itated":32237,"elijk":32238,"igos":32239,"esar":32240,"Ġrushed":32241,"metry":32242,"_SEPARATOR":32243,"_WE":32244,"_ATTRIBUTE":32245,"Ġyaml":32246,"Ġspecs":32247,"ĠRah":32248,"pheric":32249,"ĠInvestment":32250,"äll":32251,"Ġappealing":32252,"Ġviewport":32253,"ç©":32254,"ĠmarginLeft":32255,"Ġsubtract":32256,"ĠEDIT":32257,"ĉArrayList":32258,"grading":32259,"ĠFailure":32260,"asper":32261,"EEK":32262,"(now":32263,")Ċ":32279,"Collision":32280,"ĠGreater":32281,"ĠRacing":32282,"alan":32283,"Ġmonetary":32284,",new":32285,"ĠSorry":32286,".Enable":32287,"ĠInstantiate":32288,"ollen":32289,"ë©´":32290,"ĠCalling":32291,"_hour":32292,"ADA":32293,"Ġshy":32294,")**":32295,"Ġ==>":32296,"Ġespecial":32297,"Ġinterpreted":32298,"!=\"":32299,"Ġpharmacy":32300,".single":32301,"ĠCialis":32302,"Ġparas":32303,".toUpperCase":32304,"ĠDemon":32305,"Prime":32306,"Ġrankings":32307,"Adding":32308,"_HASH":32309,"ĠExam":32310,"Ú©":32311,"ĠVictor":32312,"Okay":32313,"\"];čĊ":32314,"Ġfortune":32315,"ĠFETCH":32316,"expand":32317,".Interop":32318,"Ġbarn":32319,"æ¶Ī":32320,"uevo":32321,"Ġspeculation":32322,"âĶĢâĶĢâĶĢâĶĢ":32323,"ĠNu":32324,"ĠBlues":32325,"(fname":32326,"Ġinhabit":32327,"Ġ\\\"%":32328,"CES":32329,"ulario":32330,"_cr":32331,"Ġvalidated":32332,"Ġmidnight":32333,"anking":32334,"Ġincorporate":32335,"Ġpursuit":32336,"EXP":32337,"prime":32338,"Pid":32339,"-US":32340,"ĠNurs":32341,"ĠWheel":32342,"éĺ":32343,"Ġinp":32344,"Ġsupportive":32345,".member":32346,"ĠShot":32347,".CheckBox":32348,"Ġaffirm":32349,"Tor":32350,"FullYear":32351,"Ġconsiderably":32352,"credentials":32353,"_opts":32354,"Roll":32355,"(round":32356,"Ġcoment":32357,"_UART":32358,"Ġextending":32359,"RG":32360,"resultado":32361,"itu":32362,".getSession":32363,"Ġattraction":32364,"&D":32365,"$html":32366,"ĠJessica":32367,"ĠAssociate":32368,"añ":32369,"_ed":32370,"ĠLag":32371,"Ġorigins":32372,"())->":32373,"addEventListener":32374,"IALOG":32375,"åIJ¦":32376,".Compare":32377,"Album":32378,"ĠKu":32379,"\";ĊĊ":32423,"quisite":32424,"channels":32425,"/res":32426,"ĠAnalytics":32427,".appcompat":32428,"/to":32429,"ĠonError":32430,"(attr":32431,"IRM":32432,"Ġragaz":32433,"-as":32434,".Second":32435,"oriented":32436,"Ġdonn":32437,"Ġlightning":32438,"fid":32439,"ĠPle":32440,"ãģ¾ãģĻ":32441,"tro":32442,".True":32443,"Observable":32444,"×Ļ":32445,"umbing":32446,"Ġprospective":32447,"-filter":32448,"Ġpursuant":32449,"(points":32450,".Bind":32451,"Ġpalm":32452,"clearfix":32453,"ös":32454,"ĠGonz":32455,"Ġweaken":32456,"Drive":32457,"enido":32458,"lld":32459,"obox":32460,"anean":32461,"Got":32462,"ä¿Ŀ":32463,"Regex":32464,"æĥ":32465,"Ġsalad":32466,"assis":32467,"\"net":32468,"inheritDoc":32469,"ĠRV":32470,"quier":32471,"Ġclazz":32472,"Ä±ÅŁ":32473,"osterone":32474,"Ġairline":32475,".listdir":32476,"Ġdownloading":32477,"ĠPalm":32478,"waukee":32479,"<":32480,".BL":32481,"_INLINE":32482,"offs":32483,"<<(":32484,"_news":32485,"Ġchase":32486,"/><":32487,"Ġeuros":32488,"ĠEgyptian":32489,"ĠStainless":32490,"_BOOL":32491,"ĠGuild":32492,"ĠDynam":32493,"[indexPath":32494,"Ġï":32495,"Ġmemorable":32496,"ĠChampion":32497,"ResourceManager":32498,".Login":32499,"ĠFormer":32500,"yped":32501,"Ġlleg":32502,";\",":32503,"DWORD":32504,"Ġtaxi":32505,"Ġbombs":32506,"rah":32507,".tags":32508,"_tests":32509,"stones":32510,"âĢĿ)":32511,"[g":32512,"rtype":32513,"Ġvu":32514,"Ġhostile":32515,"Chars":32516,"ĠPatriots":32517,"/status":32518,"());Ċ":32872,"ajÄħ":32873,"_OCC":32874,"Ġplanets":32875,"æŁ¥":32876,"ĠDublin":32877,"Ġserie":32878,".printf":32879,"deep":32880,"`)":32881,"Ġ\\$":32882,"Ġμ":32883,"_VIDEO":32884,"endors":32885,"ĠCrypto":32886,"Far":32887,".Transparent":32888,".TR":32889,"iasm":32890,"_training":32891,"Ġteaches":32892,"ĠBelt":32893,"Ġlimiting":32894,"ĠKath":32895,"ĠIndexPath":32896,"Ġachievements":32897,"Ġserá":32898,"interopRequire":32899,"Ġdisse":32900,".If":32901,"arming":32902,"ulsion":32903,"Po":32904,"_DETAIL":32905,"Prototype":32906,"ĠCAL":32907,"Ġagrees":32908,".vo":32909,".ExecuteNonQuery":32910,"ĠTopic":32911,"Ġ'{}":32912,"Arm":32913,"Ġecc":32914,"Mag":32915,"Ġserialized":32916,"ĉconn":32917,"cached":32918,"=tf":32919,"ĠByteArray":32920,"protobuf":32921,"varchar":32922,"ĉASSERT":32923,"Ġliste":32924,"_trigger":32925,"·¸":32926,"Feel":32927,"Tahoma":32928,"ĠLik":32929,"Ġstructured":32930,"ergus":32931,".Initial":32932,"_ge":32933,"cljs":32934,".contact":32935,"Ġandere":32936,"$stmt":32937,"_CURRENT":32938,"ĠDiscover":32939,"$res":32940,"formatter":32941,"Ha":32942,"vangst":32943,"Ġemerge":32944,"ãĢĤâĢĿ":32945,"ĠCabinet":32946,"-square":32947,"éĥ¨":32948,"Ġrage":32949,"ĠAJ":32950,"ĠVT":32951,"shadow":32952,"ĠFaith":32953,"enames":32954,"pretty":32955,"hasil":32956,"party":32957,"Ġvarchar":32958,"Ġfotos":32959,"Ġalum":32960,"ĠBelgium":32961,".ylabel":32962,"Ġdej":32963,"_numbers":32964,"Ġhu":32965,".setAdapter":32966,"ĠUsually":32967,"(sample":32968,".Shared":32969,"Ġbooked":32970,"Ġ>>=":32971,"Ġminerals":32972,"\">":32991,"prog":32992,"boo":32993,"_md":32994,"_pack":32995,"(express":32996,"utz":32997,"\\Auth":32998,",id":32999,"ĠChile":33000,"actice":33001,"Ġrecruitment":33002,"Ġposes":33003,"Ġvulnerability":33004,"instanc":33005,"orum":33006,"dess":33007,"Ġxl":33008,"%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%":33009,"(fig":33010,"Ġdeleting":33011,".del":33012,")')Ċ":33013,"ĠWeekly":33014,"???":33015,"(strcmp":33016,"smith":33017,"Ġpursuing":33018,"-so":33019,"ĠApps":33020,"/'Ċ":33021,"Ġdecis":33022,"FORE":33023,"Everyone":33024,"Ġlanes":33025,"Virtual":33026,".attach":33027,"(Log":33028,"ĠMedicaid":33029,"(Path":33030,"ĠTurner":33031,"/application":33032,"Ġportrait":33033,"Ġoppose":33034,"checkout":33035,"Ġfinishes":33036,"_ME":33037,"Barrier":33038,"Song":33039,"VAR":33040,"Earlier":33041,"rella":33042,"Ġhast":33043,"azar":33044,"Ġpulls":33045,"ngx":33046,"Ġinspiring":33047,"ÑĥÑİ":33048,"-direction":33049,"Ġexplosive":33050,"ĠcreatedAt":33051,"sto":33052,"Ġwheat":33053,"ĠBuilt":33054,"'ai":33055,"Ġtracked":33056,"hammad":33057,"RowAtIndexPath":33058,"_heap":33059,"Due":33060,"Ġconnects":33061,".publish":33062,"emu":33063,"Ġbullets":33064,"BAR":33065,"olate":33066,"Ġinternally":33067,"Ġcatching":33068,"-password":33069,"ouched":33070,"æĢ§":33071,"eous":33072,"Ġxrange":33073,"Quality":33074,"vv":33075,"Manage":33076,"(($":33077,"acements":33078,"ĠBrothers":33079,"ĠHEAD":33080,"ĠUnsupported":33081,"san":33082,"esi":33083,"***Ċ":33084,"Ġadaptation":33085,"ĠWorker":33086,"']/":33087,".savefig":33088,"(trans":33089,"ج":33090,"nee":33091,"Correct":33092,"...\")Ċ":33093,"Ġsubmitting":33094,"-path":33095,"ĉlast":33096,"issan":33097,".xlabel":33098,"ĠSepar":33099,"/no":33100,"_best":33101,"ĠMills":33102,"_sock":33103,"(flag":33104,"Ġdestinations":33105,"emption":33106,"ĠFAIL":33107,"åĴĮ":33108,"Ġrp":33109,"fact":33110,"ĉlen":33111,"DAY":33112,"Ġseiz":33113,"_dst":33114,"lip":33115,".Linear":33116,"ĠBasket":33117,"$t":33118,"$i":33119,"-brand":33120,"ĠNeil":33121,"ĠEq":33122,"Ġthou":33123,"ogene":33124,"Ġscholarship":33125,"æĽ´":33126,"Ġswo":33127,"aginator":33128,"eni":33129,"(book":33130,"Ġblink":33131,"thus":33132,"ĠcancellationToken":33133,"ĠPalestinians":33134,"Ġprofitable":33135,"Ġbackpack":33136,"enson":33137,"true":33284,"ĠNYC":33285,"Ġbored":33286,"ĠDetect":33287,"Ġappar":33288,"Ġjeans":33289,"ĠTak":33290,"IOD":33291,"ĠHorse":33292,"(FILE":33293,"(?":33294,"rique":33295,"optimizer":33296,"nat":33297,"loys":33298,"ĉToken":33299,"oubted":33300,"uess":33301,"ocoa":33302,"DataMember":33303,"_POWER":33304,"classList":33305,"PushButton":33306,"ĠWiFi":33307,".Stream":33308,".guild":33309,"Ġnog":33310,"ĠPortugal":33311,"ĠUnter":33312,"Primitive":33313,"boss":33314,"ĠDeutsch":33315,"Ġerotic":33316,"Ġstrconv":33317,".TryParse":33318,"Ġgrams":33319,".Success":33320,"_pk":33321,"ĠHarvey":33322,"-minded":33323,".country":33324,"[]\"":33325,"Ġangel":33326,"Ġbeats":33327,"ĠVor":33328,"ilio":33329,".master":33330,"something":33331,"ĠPACK":33332,"(if":33333,"RequestBody":33334,"Ġantes":33335,"/widget":33336,"Ġmodo":33337,"ĠAW":33338,"finder":33339,"Ġoptimized":33340,"Ġmissiles":33341,"NB":33342,"ĉinternal":33343,"tex":33344,"ĠSri":33345,"Ġdamaging":33346,"ĠMais":33347,"-Allow":33348,"ĠZh":33349,"-alt":33350,"Ġ));ĊĊ":33351,"èī":33352,"Ġinfluences":33353,"Ġcatal":33354,"_REGISTER":33355,"ĠAPIs":33356,"-century":33357,"Ġbiology":33358,"ĠActual":33359,"Ġheels":33360,"TRACE":33361,"_DIG":33362,"Dataset":33363,"ĠMatter":33364,"Ġclassifier":33365,".wikipedia":33366,"ĠRogers":33367,"Ġdonated":33368,"rawler":33369,"enen":33370,"Ġcasinos":33371,"ortal":33372,"Ġprive":33373,"spe":33374,"ducers":33375,".ep":33376,"Ġgrasp":33377,"acji":33378,"Ġdairy":33379,"Ġbuses":33380,".comm":33381,".ins":33382,"ĠIRS":33383,"ĠBeer":33384,"adc":33385,"oard":33386,"_MET":33387,"Ġ'+'":33388,"rans":33389,"Ġkinda":33390,"ĠâĶĤ":33391,"ĠMaur":33392,"аг":33393,"Ġbandwidth":33394,"ibus":33395,"ĠDifferent":33396,"(mat":33397,"ĠResume":33398,"_UNS":33399,"establish":33400,"Ġfonction":33401,"Subscription":33402,"_company":33403,"Ġlightly":33404,".confirm":33405,".yaml":33406,"ĠBoost":33407,"Commerce":33408,"-template":33409,"_DELAY":33410,"ĠHI":33411,"Ġnavig":33412,"(Sender":33413,"ĠHS":33414,"_\"+":33415,"ĠREQUEST":33416,"Ġwifi":33417,"=\"\"Ċ":33418,"])->":33419,"Ġrope":33420,"Ġviolated":33421,"Ġglance":33422,"ĠKurd":33423,"Ġè®":33424,"deck":33425,"ĠISBN":33426,"Ġinfect":33427,"ĠFoo":33428,"Ġgetter":33429,"Ġtener":33430,"appe":33431,".hh":33432,"_hot":33433,"\".$":33643,"Ġrelies":33644,"(Console":33645,"International":33646,"->{$":33647,"Mid":33648,"Ġdissert":33649,"dds":33650,"Ġdeposits":33651,"ĉdriver":33652,"#ga":33653,"prising":33654,"println":33655,"Ġpresenter":33656,"Ġmines":33657,"CSS":33658,"ĠDual":33659,"(!(":33660,"Ġkam":33661,"ĠisLoading":33662,"ĠProtect":33663,".upper":33664,"arium":33665,"]:ĊĊĊ":33666,"Yii":33667,"-shirt":33668,"ĠIMAGE":33669,"_colors":33670,"Ġurgent":33671,".Container":33672,"!(Ċ":33673,"Saturday":33674,"Ġsocieties":33675,"ĠThan":33676,"ĠCod":33677,"=@":33678,"Ġattachments":33679,".mobile":33680,"Ġspite":33681,"Ġbounce":33682,"rawl":33683,"instancetype":33684,"ĠTruck":33685,"Ġmanipulation":33686,"(Config":33687,"-inst":33688,"Ġstor":33689,"itution":33690,"PreferredGap":33691,"ĠmainAxisAlignment":33692,"Ġlistened":33693,"'''ĊĊ":33694,"ottage":33695,"-project":33696,".APPLICATION":33697,"ĉroot":33698,"Ġwhit":33699,"Ġbilder":33700,"Ġker":33701,"Ġappliances":33702,"rowave":33703,"ìĿĢ":33704,"ematics":33705,"ĠOrg":33706,"oping":33707,"_SEARCH":33708,"Ġcham":33709,"addContainerGap":33710,"Ġ().":33711,"ĠArrow":33712,"Illegal":33713,"Currently":33714,"Ġusa":33715,"Ġpasswords":33716,"Ġrenown":33717,"avern":33718,"ĠEvil":33719,"Ġconcat":33720,"Ġduo":33721,"Ġvale":33722,"ĠBean":33723,"Ġindicators":33724,"cmath":33725,"ĠPump":33726,"November":33727,"ificant":33728,"_DOMAIN":33729,"regar":33730,"ĠPortal":33731,"\"$":33732,"Ġformerly":33733,"\"]:Ċ":33734,"ĠVisibility":33735,".getElementsByClassName":33736,"_RED":33737,"Ġchampions":33738,"à´":33739,"Valor":33740,"_es":33741,"*a":33742,"-repeat":33743,"Band":33744,".stage":33745,"Ġbureauc":33746,"Cnt":33747,"eten":33748,"-function":33749,"Ġmuito":33750,"PID":33751,"_editor":33752,"Ġcrashed":33753,"dead":33754,"kat":33755,"agh":33756,"ĠEXT":33757,"asser":33758,"-small":33759,"Ġrealiz":33760,"(Entity":33761,"ús":33762,"ĠActually":33763,"ĠElite":33764,"Ġhelm":33765,"(nonatomic":33766,"asher":33767,"Community":33768,"alleng":33769,"iry":33770,"ĠGrowth":33771,"Ġsue":33772,"Ġfrequencies":33773,"_descriptor":33774,".Attribute":33775,"Ġrecipients":33776,"_NS":33777,"/\"+":33778,"iban":33779,"Ġathlete":33780,"ĠIgn":33781,"_DMA":33782,"(ds":33783,"ĠRequirements":33784,"ADI":33785,"erez":33786,"\\Admin":33787,"braska":33788,"ĠRust":33789,"Relation":33790,"COD":33791,"ĠVERSION":33792,"emma":33793,")){":33794,".Duration":33795,"ĠCamb":33796,"-logo":33797,"Ġreadable":33798,"Ġcreators":33799,"()];Ċ":33800,"UpDown":33801,"-half":33802,".getMonth":33803,"(sf":33804,"Pic":33805,"Ġhunger":33806,".tx":33807,"Ġexceeded":33808,"_seed":33809,"(^":33810,"_sk":33811,".perform":33812,"Ġ>::":33813,"Ġmongo":33814,"=float":33815,"bindParam":33816,"Smart":33817,"ifa":33818,"Ġsecurities":33819,"Ġprejud":33820,"Ġ,\"":33821,"Ġcorps":33822,"Ġvra":33823,"amacare":33824,"iterr":33825,"(Media":33826,"uche":33827,"Ġcob":33828,"Ġliber":33829,".geometry":33830,"Locator":33831,"Ġsliding":33832,"Ġsurgical":33833,"_CUR":33834,"Ġconsect":33835,"[*":33836,"ĠResort":33837,"Stub":33838,"_DOUBLE":33839,"ĠSoph":33840,"Ġelectoral":33841,"_disable":33842,"ĠÑģо":33843,"ĠLightning":33844,"Ġmentions":33845,"ocy":33846,"Ġleaked":33847,"Ġrelaxing":33848,"Presenter":33849,"vsp":33850,"Ġguilt":33851,"=-=-":33852,".reply":33853,"ĠMirror":33854,"Camp":33855,"Ġ+#+#+#+":33856,"Ġ+#+#+#+#+#+":33857,".Author":33858,"Ġdirective":33859,"-hook":33860,"íĦ°":33861,"}ĊĊĊĊĊ":33862,"@pytest":33863,"_rand":33864,"mis":33865,"Ġcolorful":33866,"uje":33867,"lasses":33868,"ĠClasses":33869,".have":33870,"%),":33871,"é¢ĺ":33872,"Ġdisturbing":33873,"substring":33874,"ĠKoh":33875,"Invest":33876,"purchase":33877,"Ġrecycling":33878,"ĠART":33879,"ierarchy":33880,"Ġfps":33881,".checkBox":33882,"íķ´":33883,"_material":33884,"ducation":33885,"Ġfw":33886,"udit":33887,"Ġreviewing":33888,"ĠSid":33889,"Syntax":33890,"ĠWritten":33891,"argar":33892,"UME":33893,"/q":33894,"Classifier":33895,"Official":33896,"Ġjazz":33897,"Ġomega":33898,"Physics":33899,"Ġlugar":33900,"_accessor":33901,".commands":33902,"Ability":33903,"ĠBatch":33904,"RAM":33905,"Ġencounters":33906,".Qu":33907,"BYTE":33908,"ĠDistribution":33909,"Ġuso":33910,"ĠRecovery":33911,"approved":33912,"Ġdenial":33913,"/share":33914,"LinkedList":33915,")čĊčĊčĊ":33916,"uddy":33917,"Ġfines":33918,"Ġry":33919,"Unicode":33920,"ĉrender":33921,"Ġpremises":33922,"Ġpon":33923,"aliases":33924,"/Foundation":33925,"cuda":33926,"ĠCock":33927,",:)":33928,"(folder":33929,"Ġméd":33930,"drag":33931,"Ġtalents":33932,"ĠĠĠĊĊ":33933,"еÑģÑĤв":33934,"mob":33935,".yml":33936,"Ġaster":33937,"Ġdiscre":33938,"goal":33939,"ĠGTX":33940,"ĠSUCCESS":33941,"ĠLONG":33942,"(find":33943,"Ġsingular":33944,"_sz":33945,"ĠEthereum":33946,"..Ċ":33947,"Ġirres":33948,"')){Ċ":33949,"Ġministers":33950,"Steps":33951,"iversal":33952,"ĠNevertheless":33953,"-led":33954,"Ġ(%)":33955,"ç¡®":33956,"Ġtimezone":33957,"Ġstranger":33958,"(render":33959,"Ġshutil":33960,"Ġmph":33961,"Ġtrio":33962,"ppy":33963,"Ġpredomin":33964,"Ġendors":33965,"ĠRussians":33966,"ĉrow":33967,"Ġwizard":33968,".serialize":33969,"Ġcomplained":33970,"Ġsido":33971,"Ġdelighted":33972,"-me":33973,"ĠRav":33974,"Human":33975,"adays":33976,"recv":33977,"Working":33978,"Jump":33979,"ĠÃ¥r":33980,"ĠAutomatic":33981,"_Base":33982,"æł¼":33983,"aurants":33984,"¯":33985,"æ¸":33986,"(CType":33987,"IFI":33988,"(amount":33989,"Ġbelieving":33990,"=mysql":33991,"Ġfir":33992,"Ġrestoration":33993,"ereco":33994,"Т":33995,"_'+":33996,"Ġebook":33997,"Ġdebris":33998,"(inputs":33999,"AYOUT":34000,"Ġscreaming":34001,"avia":34002,"lander":34003,"Ġdistress":34004,"Ġassembled":34005,"ĠAvoid":34006,"(thread":34007,"ĠRPC":34008,"_EXIT":34009,"(queue":34010,"иÑģÑĤ":34011,"Dll":34012,"Ġskull":34013,"_pub":34014,"chez":34015,"minate":34016,"ensen":34017,"Ġinsane":34018,"bounds":34019,"ĠRosen":34020,"Ġconditioning":34021,"processed":34022,"videos":34023,"four":34024,".Conv":34025,"|;Ċ":34026,"Personal":34027,"cerpt":34028,":UIControlStateNormal":34029,"Ġdoses":34030,"ĠKarl":34031,"ĠFrequ":34032,".BASE":34033,"ĠVote":34034,"Ġconcurrent":34035,"ĠMessageBoxIcon":34036,"ĠÃĸ":34037,"ĠDubai":34038,"ĠRetail":34039,":number":34040,"ĠObserver":34041,"ĠBigInteger":34042,"_origin":34043,"_WORK":34044,"Frames":34045,"Ġnotably":34046,".âĢľ":34047,"Ġtropical":34048,"Ġniche":34049,"amina":34050,".sys":34051,"(tokens":34052,"modify":34053,"osit":34054,"strom":34055,"ĠComics":34056,"OPTION":34057,"Ticket":34058,"Ġfactories":34059,"Ġdisput":34060,"_File":34061,"ĠFinn":34062,"eee":34063,"ĠDiscord":34064,"_money":34065,".tpl":34066,"_safe":34067,"LB":34068,"Ġglut":34069,"JK":34070,".flow":34071,"-cont":34072,"gos":34073,"Ġhorizon":34074,"ĠRush":34075,"::*":34076,"Pipe":34077,"ulla":34078,"borough":34079,"heimer":34080,"(move":34081,"(Text":34082,"});čĊčĊ":34083,"welcome":34084,"ĠComponents":34085,"Ġgovernance":34086,"closed":34087,"ĉmargin":34088,"Ġlaundry":34089,"ĠTerminal":34090,"izards":34091,".âĢĶ":34092,".remote":34093,".radius":34094,"ĠQuebec":34095,"Ġdh":34096,"Tech":34097,"ĠMist":34098,"seller":34099,"_literal":34100,"Ġgenius":34101,"Ġbrains":34102,"gem":34103,"ĠMeasure":34104,"Ġcatast":34105,"rance":34106,".TextField":34107,"Ġconsuming":34108,"Ġ'\\''":34109,"oubtedly":34110,"ĠCertain":34111,"Ev":34112,"erti":34113,"being":34114,"Experience":34115,"Ġ//[":34116,"ĠArabic":34117,"ĠCrist":34118,"ĠAzure":34119,"Ġhora":34120,"ladesh":34121,"\\Blueprint":34122,"dar":34123,".rel":34124,"Ġsuprem":34125,"ĠReagan":34126,"ĠAttributes":34127,"-sidebar":34128,"ĠuseStyles":34129,"ĠAirlines":34130,"Ġhills":34131,"/xhtml":34132,"vinc":34133,"_mock":34134,"ĊĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ":34135,"ĠPill":34136,".LayoutStyle":34137,"ĠCommander":34138,"]<":34139,"signature":34140,"Ġ{}čĊ":34141,"Ġhatred":34142,"Ġëĭ":34143,"olesterol":34144,"Ġ********":34145,"ancellor":34146,"crop":34147,"TIM":34148,"ĉĉĊĊ":34149,"ysqli":34150,"uitive":34151,"ĉunset":34152,"_sel":34153,"Ġmenus":34154,"tick":34155,"Ġconstitute":34156,"ĠElements":34157,"ĠRedis":34158,"aggio":34159,"_fp":34160,"_depend":34161,"emas":34162,"CAST":34163,"orange":34164,"jon":34165,"ĠEmily":34166,"Ġpotatoes":34167,"Ġreceptor":34168,"ĠElectronic":34169,"ĠLights":34170,"Ġcombining":34171,"ĠSomeone":34172,"Ġ########.":34173,"ĠTOD":34174,"/show":34175,"Xd":34176,".\"'":34177,"afx":34178,"Ġtragic":34179,"Styled":34180,"ĠMarco":34181,"Gallery":34182,"dale":34183,".âĢĿĊĊĊĊ":34184,"érie":34185,"/service":34186,"äºĨ":34187,"Ġambient":34188,"_SETTINGS":34189,".Adapter":34190,"lene":34191,"Ġtravels":34192,"Notice":34193,"Ġcleans":34194,"ĠFem":34195,"chair":34196,"Ñĥн":34197,"/my":34198,"_bad":34199,"ĠEconomics":34200,"ISA":34201,"_CNT":34202,"(Menu":34203,"äºİ":34204,"ĠRidge":34205,"Ġlengthy":34206,"Dot":34207,"Ġjumps":34208,"Ġhey":34209,"$pdf":34210,"Ġworm":34211,"Ġsut":34212,"Ġsher":34213,"iamo":34214,"ĠCalc":34215,"trieve":34216,"Ġcops":34217,"ĠChrom":34218,"Ġregulated":34219,"reatment":34220,"ĠHigher":34221,"oks":34222,"Ġdeze":34223,"LOCATION":34224,"ongsTo":34225,"Ġfinite":34226,"Ġvaries":34227,"Ġpositioned":34228,"'il":34229,"éĩij":34230,"Ġhike":34231,"(done":34232,"playlist":34233,"Ġada":34234,"Ġcoastal":34235,"ĠNancy":34236,".DateTimeField":34237,"CppCodeGen":34238,"ĠSimilarly":34239,"reur":34240,"ĠContr":34241,"ĠHidden":34242,"ĠBeta":34243,"atched":34244,"_install":34245,".Output":34246,"Lookup":34247,"ĠRichmond":34248,"quared":34249,"Ġmanga":34250,"-controls":34251,"ĠBernard":34252,"Large":34253,"Ġslices":34254,"Ġoffence":34255,"ĠMega":34256,"Ġestar":34257,"Ġjoints":34258,"Ġsumm":34259,"_platform":34260,"Buff":34261,".addSubview":34262,"Ġretained":34263,"Letter":34264,".dim":34265,"Ġessere":34266,"ĠScaffold":34267,"EXPECT":34268,"ĉRE":34269,".longitude":34270,"ünd":34271,"Ġstatue":34272,".addWidget":34273,"ĠCaribbean":34274,"addPreferredGap":34275,"ilde":34276,"UILabel":34277,"ĠOpport":34278,"Ġimperial":34279,"ursion":34280,"Ġmandate":34281,"Ġpromotional":34282,"Ġvk":34283,"iaÅĤ":34284,"Ġpyl":34285,"ĠCreation":34286,"озд":34287,"Ġsimpler":34288,".what":34289,"ĠRecent":34290,"Storm":34291,".quantity":34292,"ĠLov":34293,"\"-":34294,"ubbles":34295,"_notification":34296,"(world":34297,"urger":34298,"*(-":34299,":\"Ċ":34300,"hm":34301,"anship":34302,"ĠAlmost":34303,"Ġmotorcycle":34304,"_fee":34305,"Ġabsorb":34306,"ĠVincent":34307,"Ġsounded":34308,"ÃŃst":34309,"Ġpharmaceutical":34310,"htag":34311,"ĠKindle":34312,"italize":34313,"ĠEmperor":34314,"oustic":34315,"Ġspecialists":34316,"åħ¬":34317,"BorderStyle":34318,"/\\":34319,"RELATED":34320,"(',',":34321,"(expr":34322,"Ġht":34323,"åįĪ":34324,"_Create":34325,"Ġspecially":34326,"Ġ[];čĊ":34327,"Ġheel":34328,"Ġsept":34329,"_arch":34330,"(initial":34331,"%.ĊĊ":34332,"\\\",\\\"":34333,"Ġdiscusses":34334,"Ġupt":34335,"Ġ[&":34336,"Ġmanus":34337,".hand":34338,"ĠMAIN":34339,"ĠDenmark":34340,"Ġ],čĊ":34341,"Ġcryst":34342,"Ġnack":34343,"Coords":34344,"_inner":34345,"Ġmidst":34346,"Ġawake":34347,"ĠÐŀ":34348,"-break":34349,"ÃŃvel":34350,"_PASS":34351,"ĠParams":34352,"Ġdetr":34353,"Ġspider":34354,"ĠConcept":34355,"Ġprend":34356,"CHED":34357,".Exit":34358,"Ġpopulated":34359,"Ġvirtue":34360,"_SESSION":34361,"Ġnouvel":34362,"oauth":34363,"ĠданнÑĭ":34364,"rink":34365,".HeaderText":34366,"aturated":34367,"Ġerst":34368,"Ġåħ":34369,"à¥ĩ":34370,"_visible":34371,"eyer":34372,"Ġliable":34373,"Ġdebe":34374,"Ġbw":34375,"{-#":34376,"_WIN":34377,"dfs":34378,"Hover":34379,"ĠPUT":34380,"-angle":34381,"Ġnoble":34382,"Ġtraces":34383,"encv":34384,"ĠuserData":34385,"_ins":34386,"ĠSuz":34387,"Ġnewsletters":34388,"ĠModi":34389,"Ġentrepreneurs":34390,"Ġtribute":34391,"Ġrumors":34392,"Ġrr":34393,"ĠQuarter":34394,"ê³ł":34395,"Ġfeeds":34396,"óg":34397,"Ġenvelope":34398,"Ġlear":34399,"Ġkø":34400,"developer":34401,"Similar":34402,":\")Ċ":34403,"subscription":34404,"Modifier":34405,"italic":34406,"Ġnasty":34407,"Ġtermination":34408,"Ġcharming":34409,"ĠâŁ":34410,"tons":34411,".trace":34412,"hots":34413,"ĠUR":34414,"Mont":34415,"Ġjustified":34416,"ĠGang":34417,"inea":34418,"Ġbog":34419,"(ap":34420,"_$":34421,"Ġcontamin":34422,".Dot":34423,"ĉDebug":34424,"(exports":34425,"Ġpaired":34426,"ĠAssignment":34427,"Ġautomobile":34428,"ĵį":34429,"Ġphases":34430,"vw":34431,"@SuppressWarnings":34432,"=\\":34433,"rant":34434,"-ed":34435,"ĉawait":34436,"Ġcertificates":34437,"'>\"":34438,"Ġintact":34439,"CTRL":34440,"Mike":34441,"gregation":34442,"ATTERN":34443,"Ġrepublic":34444,"_upper":34445,"iliary":34446,"Ġcomputation":34447,"hire":34448,"ĠShin":34449,"_ANY":34450,"ĠManufacturer":34451,"ĠCarm":34452,"Ġbearings":34453,"_comb":34454,"cad":34455,"uristic":34456,"Ġwholesale":34457,"Ġdonor":34458,".interfaces":34459,"presso":34460,"ĠBrun":34461,"-close":34462,"prove":34463,"_SK":34464,"ĉframe":34465,"etros":34466,"ĠPain":34467,"_EXP":34468,"ĠLT":34469,"_fs":34470,".datas":34471,"ĉss":34472,"voir":34473,"ĠAxis":34474,"Major":34475,"=\"<":34476,"[h":34477,"Ġprofess":34478,"igrate":34479,"(score":34480,"Keyword":34481,"\"os":34482,"ĠĠĠĠĉĊ":34483,"analysis":34484,"Ġreplay":34485,".pass":34486,"\\d":34487,"tls":34488,"Ġsanct":34489,".light":34490,"_mobile":34491,"ÑģÑĤÑĮ":34492,"ĉtotal":34493,"uity":34494,"Ġpaused":34495,"NAS":34496,"Ġencore":34497,"loe":34498,"Ġ-*-ĊĊ":34499,".high":34500,"ampler":34501,"ĠSecure":34502,"Ġfragments":34503,"_vel":34504,"illary":34505,"ĠStein":34506,"ĠDawn":34507,"Ġmaximize":34508,"ย":34509,"Ġ/^":34510,"Ġcontinually":34511,"Ġshadows":34512,"ĉĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":34513,"ĠIActionResult":34514,"Ġinformación":34515,"CHECK":34516,".SelectedItem":34517,"bundle":34518,"olley":34519,"<":34681,"Ġtrajectory":34682,"_ring":34683,"Ġhydrogen":34684,"tron":34685,"Ġstatute":34686,"Ġconditional":34687,"Ġtray":34688,"-school":34689,"(widget":34690,"$config":34691,"Ġrequesting":34692,".uint":34693,"eton":34694,"brities":34695,"OfType":34696,"ADMIN":34697,"predict":34698,"Ġgegen":34699,"ĠHapp":34700,"OCUMENT":34701,"ĠApart":34702,"Ġ-----":34703,"roe":34704,"uide":34705,"justify":34706,"ĠSquad":34707,"Ġprofes":34708,".bot":34709,"_currency":34710,"innen":34711,"ĠMumbai":34712,"ĠNumbers":34713,"avanaugh":34714,"agnitude":34715,"âĢľThere":34716,"=http":34717,"çīĩ":34718,"Ġvb":34719,"+'{{$":34802,"Ġinode":34803,"sil":34804,"Ġhace":34805,"Ġseverely":34806,"ĠOverview":34807,"Ġspraw":34808,"Ġbeaches":34809,":left":34810,"·»":34811,"(${":34812,"ĠFIRST":34813,"ĠSpa":34814,"-ass":34815,"Ġbaise":34816,"ĠNODE":34817,"ĠPizza":34818,"Pet":34819,"(seq":34820,"\\\">Ċ":34821,"CppMethodPointer":34822,"Ġvp":34823,"Ġia":34824,"_seconds":34825,"emet":34826,"/blob":34827,"_THRESH":34828,"...čĊ":34829,"Dest":34830,"ĠNH":34831,".dataSource":34832,"ités":34833,"ĠJak":34834,"sell":34835,"Ġworkshops":34836,"\",Ċ":35452,"_Pin":35453,"uese":35454,"Ġoverrides":35455,"_ready":35456,"Advanced":35457,"Ġopi":35458,"-cart":35459,"(\"/\",":35460,"ĠDeb":35461,"CRY":35462,"ĠVertical":35463,"ĠOVER":35464,"ĠCorporate":35465,"Ġ\"\";":35466,"Ġstepping":35467,"ej":35468,"Ġaccusations":35469,"Ġoraz":35470,"_tail":35471,"Ġinduced":35472,"Ġelastic":35473,"Ġblown":35474,",//":35475,"Ġbackgrounds":35476,"âĢĻune":35477,"-sdk":35478,"ĠsetInterval":35479,"Ġincentives":35480,"Ġvegetable":35481,"_On":35482,"expanded":35483,"pix":35484,"_shader":35485,"ĠSPDX":35486,"@example":35487,"ĠWrapper":35488,".Zero":35489,"Positive":35490,"Ġspinner":35491,"Ġinvented":35492,"ĠGates":35493,"оÑĤоÑĢ":35494,"Ġcomparisons":35495,"è·":35496,".primary":35497,"dataProvider":35498,"additional":35499,"ĉoptions":35500,"snapshot":35501,".setHorizontal":35502,"Ġ\"{}":35503,"ĠFisher":35504,"halten":35505,"":35538,"ĠRegistered":35539,"INED":35540,"kal":35541,"parison":35542,"Ġobjeto":35543,"Vi":35544,"manda":35545,"Ġrenewed":35546,"ĠSof":35547,"essel":35548,".ndarray":35549,"Ġcrap":35550,"管":35551,".abspath":35552,"(up":35553,"Ġclearance":35554,"ĠTW":35555,"_COPY":35556,"ĠĠĠĠĠĠĠĠĠĠĠĠĉ":35557,"Ġforests":35558,"Ġarguably":35559,"ĠASS":35560,"hey":35561,"amel":35562,"_fore":35563,"ĠSoutheast":35564,"Ġabused":35565,"Ġpracticing":35566,"akedirs":35567,"主":35568,"_resources":35569,"Ġpond":35570,".Fixed":35571,"LastError":35572,"ĠPsychology":35573,"Ġ\"//":35574,"!:":35575,"Reusable":35576,"Ġmensaje":35577,"Ġrospy":35578,"Ġbour":35579,"Ġvarieties":35580,"Ġempath":35581,"(({":35582,"_org":35583,"ĠMes":35584,"ĠMagento":35585,"ISTORY":35586,"Unless":35587,"Ġhj":35588,"ĠDuty":35589,"Jun":35590,",size":35591,"Ġpaintings":35592,"Ġdispens":35593,"dart":35594,"Ġbehavioral":35595,"Ġrpc":35596,"calculate":35597,"fruit":35598,"_mm":35599,"ĉpthread":35600,"MaxLength":35601,"Ġcurrencies":35602,"_capacity":35603,"ĠOz":35604,"Ġfirearm":35605,"Ġcoefficient":35606,"Ġbankruptcy":35607,"wart":35608,"Ġfatigue":35609,"AVA":35610,"Ġespa":35611,"_pc":35612,"ĠQuotes":35613,"_LIGHT":35614,"ĠTickets":35615,"Ġrelates":35616,"Ġpublishers":35617,"Ġunlocked":35618,"Ġ//----------------------------------------------------------------":35619,"ĠInterruptedException":35620,"Ġoutlook":35621,"rn":35622,"Ġrebels":35623,"Written":35624,"Ġasian":35625,"otto":35626,"Ġĉĉĉĉ":35627,"_gpu":35628,"Txt":35629,".ImageView":35630,"Ġsuis":35631,"_tables":35632,".RecyclerView":35633,"Ġwhatsoever":35634,"èģ":35635,"]++;Ċ":35636,"assertTrue":35637,"_verify":35638,"ĠRivers":35639,"Ġ][":35640,"Jet":35641,"idian":35642,"Sibling":35643,"Ġgenres":35644,".Access":35645,"OPS":35646,"Ġtrivial":35647,"ส":35648,"alen":35649,"вед":35650,"ĠSword":35651,"Ġscrutiny":35652,"(cb":35653,"Ġcommerce":35654,"Ġguarantees":35655,"_adv":35656,"ĠLET":35657,"recio":35658,"Ġhilar":35659,"Ġbackyard":35660,"ãĢı":35661,"Ġillustrated":35662,"/vendor":35663,".Util":35664,"Ġwow":35665,"LOY":35666,"ĠMarshal":35667,"\">'.$":35668,"ĠBak":35669,"Ġmodifiers":35670,"dictionary":35671,"ĠStre":35672,"multiple":35673,"\")),":35674,"ĠCort":35675,"']\").":35676,"(admin":35677,"ĠCreator":35678,"Internet":35679,"(ms":35680,"logy":35681,"DECLARE":35682,"ĠMarcus":35683,"<<<<":35684,"ãģł":35685,"_my":35686,"(inst":35687,"Ġsciences":35688,"NDER":35689,".enter":35690,"Ġitu":35691,"Ġbehave":35692,"Pan":35693,"ombies":35694,"='<":35695,"'));čĊ":35696,"ĠMENU":35697,"ĠWorkers":35698,".NoError":35699,"Ġbindings":35700,"Ġdisabilities":35701,"{\\":35702,"ĠMunicip":35703,"Ġcores":35704,"urple":35705,"ĠNokia":35706,"usions":35707,"ĠFitness":35708,".handleChange":35709,"Ġjavascript":35710,"ìļĶ":35711,"(dec":35712,"Ġpacking":35713,"-depend":35714,"Ġtranscript":35715,"zeros":35716,"_alert":35717,"?\",Ċ":35718,"libs":35719,"±Ð¾ÑĤ":35720,"Ġ|ĊĊ":35721,"trained":35722,"ĠGent":35723,"ĠRab":35724,"xp":35725,"_configuration":35726,"天":35727,"_accept":35728,".recyclerview":35729,":url":35730,"ĠMuhammad":35731,"Ġprivileges":35732,"_bank":35733,"uku":35734,"wallet":35735,"ĠROOT":35736,"Ġencuent":35737,"?family":35738,"ĉposition":35739,"Ġcg":35740,"Ġprecip":35741,"methods":35742,"_fast":35743,"increment":35744,"ĠTiger":35745,"_OCCURRED":35746,"quip":35747,"ĠHAS":35748,"_dom":35749,"Ġwreck":35750,"bj":35751,"Ġdern":35752,"Ġorgans":35753,".entries":35754,"Ġ_('":35755,"ramento":35756,"ĠJamie":35757,"Ġpunk":35758,"IPP":35759,"Ġprograma":35760,"Ġattain":35761,"Ġproves":35762,"/sign":35763,"Ġanswering":35764,"Ġladder":35765,"****************************":35766,"ĠWalmart":35767,"ĠCONTENT":35768,"ductor":35769,"Ġverbal":35770,"ĠPID":35771,"crypto":35772,"_CALLBACK":35773,"Ġ=================================":35774,"Ġpotent":35775,"Ġshorts":35776,".Uri":35777,".uniform":35778,";border":35779,"ĠWer":35780,"Ġherein":35781,"lla":35782,"ĠIhr":35783,"Pixmap":35784,"literal":35785,"!)ĊĊ":35786,"generic":35787,"rust":35788,"_scripts":35789,"osto":35790,"itus":35791,"ĠCoalition":35792,"Ġremot":35793,"deploy":35794,"ĠEagle":35795,"ãĢģãĢĮ":35796,"Ġimportante":35797,"ĉobject":35798,"Ġseasonal":35799,"nej":35800,"aidu":35801,"BindView":35802,"ĠSierra":35803,"-bg":35804,"ĠmakeStyles":35805,"[offset":35806,"Games":35807,"Ġhormone":35808,"ARIO":35809,"heads":35810,"(select":35811,"ĠStarted":35812,"@param":35813,"_decl":35814,"_blog":35815,"Ġaño":35816,"\\Api":35817,"ĠMilwaukee":35818,"Provid":35819,"Animated":35820,"Ġcooler":35821,"ĠSeed":35822,".Edit":35823,"ÏĦ":35824,"ĠTaking":35825,"ĠborderColor":35826,"-founder":35827,".LoggerFactory":35828,"Ġ\"\"ĊĊ":35829,"ALT":35830,"ĠLate":35831,"EDIATE":35832,"Ġ);ĊĊĊ":35833,"afa":35834,"Ġcancellation":35835,"Atom":35836,"ĠBirmingham":35837,"empresa":35838,"HEMA":35839,"ascal":35840,"Ġupside":35841,".Version":35842,"ĠFolder":35843,"ĠEight":35844,"ĠVintage":35845,"ĠAppDelegate":35846,"ĠPrevention":35847,".separator":35848,"STM":35849,"(room":35850,"generator":35851,"Ġcattle":35852,"ĉZ":35853,"ĠParticle":35854,"'};Ċ":35855,"Ġneighbours":35856,"ĠStateless":35857,"Ġaltitude":35858,"Ġsaint":35859,"обав":35860,"Ġconvinc":35861,"ĠContents":35862,"Ġjeune":35863,"(ts":35864,"Serialization":35865,"(collection":35866,"ĠJazz":35867,"ĠDod":35868,"ĠRoch":35869,"acio":35870,"commended":35871,"DEFINE":35872,".onload":35873,"Ġspecialty":35874,"PLACE":35875,"_MOVE":35876,"Ġaccountable":35877,"Reuters":35878,"Ġficken":35879,"Ġdepr":35880,"Wow":35881,"Void":35882,".space":35883,"à¸Ĺ":35884,"Ġtq":35885,"ĠPets":35886,"<$":35887,"(Current":35888,"berries":35889,"planation":35890,"ĠlistOf":35891,"ĠThu":35892,"ĠPRINT":35893,"Ġmismo":35894,"Ġdoi":35895,"chk":35896,"ĠUnicode":35897,"(role":35898,"Ġvirgin":35899,"-->Ċ":36360,"Vol":36361,"ĠSSD":36362,"))),":36363,".Optional":36364,"Ġnurses":36365,"Ġorb":36366,"_pe":36367,");čĊčĊčĊ":36368,"placed":36369,"esser":36370,"Ġtherapeutic":36371,"Ġwhitespace":36372,"Ġaston":36373,"Successful":36374,"Ġpraised":36375,"ĠWes":36376,"Ġeighth":36377,"iral":36378,"Ġvrouw":36379,"Ġfaction":36380,"_bias":36381,"Ġwitch":36382,"Ġnpc":36383,"(sb":36384,"ĠRodrig":36385,"_big":36386,"Dependency":36387,"ĠAbraham":36388,"ardi":36389,"CAR":36390,"nos":36391,"Ġabundance":36392,"Ġnutrients":36393,"instein":36394,".Vert":36395,"ĠISS":36396,"D":36495,"Ġservlet":36496,"bastian":36497,"Ġ>&":36498,"SID":36499,"_clk":36500,"Ġdivisions":36501,"}',Ċ":36502,"Ġdildo":36503,"Ġparade":36504,"major":36505,"Ġaboard":36506,";++":36507,"Ġfusion":36508,"\"},{\"":36509,"ĠDialogResult":36510,"ĉarr":36511,"-em":36512,"_nr":36513,"(handler":36514,".NET":36515,".XtraReports":36516,"ĠShah":36517,"ĠBrief":36518,"-,":36519,"Ġprecio":36520,"ĉĉĉĠĠĠĠĠĠ":36521,"Ġtant":36522,"ĠGrande":36523,"/xml":36524,"_ICON":36525,"ĠRetro":36526,"unque":36527,"Ġnag":36528,"toFixed":36529,"XL":36530,"Ġdeclaring":36531,"ĠConcrete":36532,"ĠAmazing":36533,"ĉprintk":36534,"Ġdebates":36535,"DATED":36536,"Ġaesthetic":36537,"emetery":36538,"RoutingModule":36539,"ĠNashville":36540,"WAYS":36541,"Ġwolf":36542,"Ġobservers":36543,"OTA":36544,"anson":36545,"Ġea":36546,"Ġgreenhouse":36547,"ĵįä½ľ":36548,"Ġstair":36549,"Ġimmigrant":36550,"_apply":36551,"peare":36552,"ĠBloomberg":36553,"_PLAYER":36554,"Resp":36555,"æŃ£":36556,"Chooser":36557,"ĠICollection":36558,"Peter":36559,"Erro":36560,".detectChanges":36561,"Maps":36562,"Ġsqueeze":36563,"ĠHomes":36564,"wegian":36565,"Ġformatting":36566,"Ġnegotiate":36567,"uld":36568,"ĠNep":36569,"ĠQB":36570,"Ġeconomies":36571,"Ġ*/,":36572,"Ġredund":36573,"ĠAber":36574,".IsNullOrWhiteSpace":36575,"ycled":36576,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ":36577,"_Sh":36578,"Ġskept":36579,"Ġrecreated":36580,"ĠgetType":36581,"Ġmargins":36582,"Ġcolonial":36583,"charts":36584,"//@":36585,"Ġprocessors":36586,"说":36587,"batis":36588,"æĦı":36589,"atorio":36590,"mentioned":36591,"Patient":36592,"Ġprey":36593,"Checkbox":36594,"_xpath":36595,".skip":36596,"ĠMormon":36597,"ĠMemoryStream":36598,"CREMENT":36599,"Ġku":36600,"meld":36601,"\\Data":36602,"ĠKernel":36603,"iltr":36604,"éĢģ":36605,"(profile":36606,"Carbon":36607,"ROLE":36608,"(pl":36609,"]*(":36610,".memory":36611,"Ġmedal":36612,"Ġadvisor":36613,"ität":36614,"Ġhdr":36615,"ierung":36616,"ĠProvides":36617,"(alpha":36618,"Ġteenagers":36619,"-parser":36620,".LatLng":36621,"]()Ċ":36622,"Ġfelony":36623,"ĉĉĉĊĉĉĉĊ":36624,"BOOK":36625,"Ġslash":36626,"Ġclearfix":36627,"ĠProphet":36628,"容":36629,"rightness":36630,"-fi":36631,".kind":36632,"erton":36633,"Jim":36634,"Ġmanipulate":36635,"Ġworksheet":36636,"olin":36637,"stars":36638,"Ġartifact":36639,"_EMPTY":36640,"ĉmain":36641,"-------------';":36709,"Ġexpressing":36710,"ĠIQ":36711,"ĠFact":36712,"/*******************************************************************************Ċ":36713,"_mass":36714,")):":36715,"Ġcondom":36716,"ĠcreateState":36717,"ometown":36718,"Ġirr":36719,"Ġ>(":36720,">B":36721,"iteration":36722,"ãĥª":36723,"Ġshirts":36724,"ounty":36725,"->$":36726,"_SIGN":36727,"ĠDale":36728,"Ġjj":36729,"Easy":36730,"Fre":36731,"ĠNy":36732,"Ġchlor":36733,"matched":36734,"ĠGerm":36735,"-UA":36736,"ĠNathan":36737,"education":36738,"-yard":36739,"-che":36740,"houses":36741,"ritional":36742,"Ġproximity":36743,"Ġdiesem":36744,"áºŃp":36745,"Ġdrought":36746,".audio":36747,"ĠLeo":36748,"Ġfavorable":36749,"inch":36750,"ĠDaw":36751,"ribly":36752,"_student":36753,"idable":36754,"OVE":36755,"Ġlacks":36756,"ouncing":36757,".business":36758,"Ġreopen":36759,"maybe":36760,"_GLOBAL":36761,"Ġdresses":36762,"ĠEdwards":36763,"ensible":36764,"ĠHardware":36765,"ĠExcellent":36766,"ĠTimeUnit":36767,"CTIONS":36768,"Ġschedules":36769,"Ġsegue":36770,"Opens":36771,"ammen":36772,"-Identifier":36773,"Ġstaring":36774,"Ġhappily":36775,"ĠHob":36776,"'_":36777,"Ġ\");":36778,"amentos":36779,"etched":36780,"Ġ/>}Ċ":36781,".Users":36782,"Ġinterrupted":36783,"Contacts":36784,"Ġregistro":36785,"inburgh":36786,"CHA":36787,"_imp":36788,"phis":36789,"say":36790,"Ġretailer":36791,".NODE":36792,"/maps":36793,"_LAST":36794,"ĠCharge":36795,"_guard":36796,"Collider":36797,"ĠStatelessWidget":36798,"\":[\"":36799,"(\"../../":36800,"ioxide":36801,"ĠSund":36802,"Ġ'';":36803,"unset":36804,"addWidget":36805,"лÑİ":36806,"elles":36807,"alker":36808,"Arc":36809,"Ġdeduct":36810,"GUILayout":36811,"ĠVilla":36812,"Ġforbidden":36813,"_where":36814,"Ġ\\/":36815,"ĠTib":36816,"_AX":36817,"]čĊčĊ":36818,"ĠBir":36819,"Ġbend":36820,"ĠMAKE":36821,"ĠMET":36822,"Ġfutures":36823,"Ġweighted":36824,"\"\"\"čĊ":36825,"Ġauthorize":36826,"(program":36827,"},{\"":36828,"Ġcoefficients":36829,"ês":36830,"PerPage":36831,"ĠBathroom":36832,"ĠPublishing":36833,"GPL":36834,"Ġsubmissions":36835,"ĠNUMBER":36836,"jÄħ":36837,"Ġadditionally":36838,"empre":36839,"ĠShel":36840,"otyp":36841,"Solution":36842,"Ġthunder":36843,"_ec":36844,"ĠĊĠĠĠĠĊ":36845,"ĠFellow":36846,"Ġkay":36847,"ĠnewState":36848,"ONTAL":36849,"Implementation":36850,".Look":36851,"Ġents":36852,"Ġlors":36853,"ĠBIG":36854,"fab":36855,"Ġaveraged":36856,"ĠFeedback":36857,"ĠWells":36858,"Ġmartial":36859,"Ġindul":36860,"ĠCommunist":36861,"ĠForex":36862,"ĠAgriculture":36863,"\"[":36864,"Ġquar":36865,"ĠKont":36866,"ĉview":36867,".Bytes":36868,"desktop":36869,"ĠMakes":36870,"akespeare":36871,".Nullable":36872,"Ġspotlight":36873,"VB":36874,"owy":36875,"(torch":36876,"tridge":36877,"_bounds":36878,"Ġapologize":36879,".addItem":36880,"antd":36881,"*);Ċ":36882,",u":36883,"(gen":36884,"ç»ĵ":36885,"reator":36886,"ĠCord":36887,"oupper":36888,".metro":36889,"Ġew":36890,"ĠWORD":36891,".After":36892,"Ġdetained":36893,"ĠHammer":36894,"existing":36895,"Ġost":36896,"Ġmonument":36897,"-custom":36898,"UserID":36899,"ĠNom":36900,"Ġrejection":36901,"(dim":36902,"Ġsingleton":36903,"ĉdie":36904,"ariance":36905,"reports":36906,"]!=":36907,"elda":36908,"Ġprevalence":36909,"_regs":36910,".\".":36911,"Ġfeminist":36912,"Codec":36913,"Ġ**Ċ":36914,"(labels":36915,"_MARK":36916,"FAILED":36917,"Ġadministered":36918,"WN":36919,"ĠĠĠĠĠĠĠĠĉĉ":36920,"Ġnoun":36921,"wig":36922,"Ġgotta":36923,"Ġrif":36924,"-im":36925,"ĠPaulo":36926,"ĠCommandType":36927,"]))ĊĊ":36928,"-zero":36929,"Training":36930,"Ġlord":36931,"_art":36932,"reddit":36933,"Cert":36934,"Ġpeso":36935,"Rot":36936,"Ġendanger":36937,".dr":36938,"userInfo":36939,"unts":36940,"nv":36941,"ĠTrailer":36942,"-first":36943,"(make":36944,"Ġbenefici":36945,"-black":36946,"iÃŁ":36947,"Ġundoubtedly":36948,"Ġmex":36949,"ĠAncient":36950,"(as":36951,"Ġdescent":36952,"Pick":36953,"Ġreplica":36954,"$obj":36955,"ähr":36956,"Ġarrows":36957,"fty":36958,"ĠLibya":36959,"uga":36960,"charged":36961,"Tur":36962,"Ġhomic":36963,"issen":36964,"ĠFake":36965,"Ġbeers":36966,"Ġscattered":36967,"(Time":36968,"UTIL":36969,"Ġbureaucr":36970,"/plain":36971,"Ġsticking":36972,"FAIL":36973,"ĠCovid":36974,"Third":36975,"_present":36976,"ĠPierre":36977,"Ġëª":36978,"Ġ[...]ĊĊ":36979,"Prob":36980,"ĠTraffic":36981,"icao":36982,"doctor":36983,"Ġ),ĊĊ":36984,"Tabs":36985,"alu":36986,"ï¼ļâĢľ":36987,"Ġinherent":36988,"_No":36989,"ritis":36990,"ĠProof":36991,".basename":36992,"ä¼ļ":36993,"Ġchim":36994,"ĠProtected":36995,"crit":36996,"Ġprone":36997,"Ġкон":36998,"ĠHeroes":36999,"Ġanxious":37000,"Ġanos":37001,"Ġweekends":37002,"Ġsext":37003,"Ġreducer":37004,"=UTF":37005,"half":37006,"ĠSaw":37007,".mm":37008,"Ġnueva":37009,".currentTarget":37010,".lua":37011,"_EXTENSION":37012,"ĉreg":37013,"ĠCtrl":37014,"_align":37015,"acceptable":37016,"Ġrushing":37017,"frac":37018,"Ġboasts":37019,"Five":37020,"±":37021,"ĠTemperature":37022,">):":37023,"Ġcharter":37024,"REATED":37025,"Ġsubjected":37026,"Ġopc":37027,"healthy":37028,"使çĶ¨":37029,"ĠScientific":37030,"Ġfrau":37031,"riages":37032,"à¸Ķ":37033,".inventory":37034,"ationale":37035,"Mad":37036,"minutes":37037,">>();Ċ":37038,"ĠEnv":37039,"Ġrecordings":37040,"Ġsuspicion":37041,"sqlite":37042,"ĉread":37043,"ãģ¦":37044,"Ġworries":37045,".putString":37046,"ĠShanghai":37047,"(uid":37048,"rer":37049,"ĠvÃŃde":37050,"\"):":37051,"Ġmethodology":37052,"ĠкоÑĤоÑĢ":37053,"ccc":37054,"avad":37055,"Ġinduction":37056,"ĉThread":37057,",string":37058,"ại":37059,"nehmen":37060,"uition":37061,"Ġ*__":37062,".emf":37063,"Ġìľ":37064,"/themes":37065,"ĠNine":37066,".One":37067,"ĠEmbed":37068,"Ġfaz":37069,"uations":37070,"Ġprivately":37071,"Ġling":37072,"[F":37073,"ushi":37074,"Ġlaunches":37075,"(KEY":37076,"GMT":37077,"Ġaiming":37078,"patible":37079,"ĠBiden":37080,"iw":37081,"ĠDegree":37082,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":37083,"Ġ$('<":37084,"ários":37085,"toUpperCase":37086,"ìłľ":37087,"ĠEUR":37088,"Ġoversight":37089,"Ġtablesp":37090,"Updates":37091,".makedirs":37092,"Ġhumidity":37093,"/template":37094,"Always":37095,"(IS":37096,"_cert":37097,"Dig":37098,"Ġunderway":37099,"orton":37100,"ĠHurricane":37101,"Ġspends":37102,"ĠSegment":37103,"Ġflies":37104,"ĠToggle":37105,"ĠLynch":37106,"Ġsenses":37107,"ĠKos":37108,"setEnabled":37109,"istically":37110,"Ġtester":37111,"Ġadministrators":37112,"Ġtagged":37113,"Ðĵ":37114,"Ġshortcut":37115,"ĠResolution":37116,"Ġsupervision":37117,"ĠAshley":37118,"Tracking":37119,"ulatory":37120,"andel":37121,"isten":37122,"Ġunre":37123,"(diff":37124,"ANTS":37125,"Ġrider":37126,"ĠsÄħ":37127,".Series":37128,"_orders":37129,"ORIZONTAL":37130,"Ġretention":37131,"ãĢĤčĊčĊ":37235,"Ġdiagonal":37236,"ĠCancellationToken":37237,"_Internal":37238,"Ġruin":37239,".Qt":37240,"ocratic":37241,"Tel":37242,"ĠAnswers":37243,"matic":37244,"Ġxp":37245,"atem":37246,"_jobs":37247,"_any":37248,"Ġseniors":37249,"Ġlandmark":37250,"ĠQList":37251,"Ġmaneu":37252,"otify":37253,"/\";Ċ":37254,"/server":37255,"ĠPhilosoph":37256,"utenant":37257,"(io":37258,"hz":37259,"Ġauthenticated":37260,"dv":37261,"-Compatible":37262,"Originally":37263,",function":37264,"ãĢĤčĊ":37265,"ĠRepresentative":37266,"asily":37267,"ircuit":37268,".dt":37269,"(math":37270,".Marshal":37271,"[,":37272,"ĠCities":37273,"_turn":37274,"|)Ċ":37275,"Ġcantidad":37276,"alter":37277,"ĉui":37278,"ĠNebraska":37279,"Ġskirt":37280,".bg":37281,"SharedPreferences":37282,"(style":37283,"Ġgrief":37284,"gew":37285,"Ġsafeg":37286,"olang":37287,"_lists":37288,"ìĽ":37289,"Ġgranite":37290,"Ġhottest":37291,".jdbc":37292,".Customer":37293,"Ġâī¤":37294,"Ġwaar":37295,"_scene":37296,"+'/":37297,"ĠJTextField":37298,"Ġseating":37299,"Ġwears":37300,"Ġ`/":37301,"Cases":37302,"ĠYoutube":37303,"ım":37304,"Ġbalcon":37305,",G":37306,"MetaData":37307,"-price":37308,"SCR":37309,"Unity":37310,"Ġtrunk":37311,"={`${":37312,"Ġearthquake":37313,"Partial":37314,"Ġsubst":37315,"Ġelimin":37316,"=\"'.":37317,"//*[@":37318,"Ġsupervisor":37319,"vrolet":37320,"_article":37321,"Ġpane":37322,"bio":37323,"Ġmotors":37324,"NM":37325,"Frank":37326,"Ġonion":37327,"-word":37328,"ItemClickListener":37329,"Ġbrit":37330,"endencies":37331,"Computer":37332,"_running":37333,"(day":37334,"-he":37335,"(named":37336,"ĠSach":37337,"оÑĩ":37338,"campaign":37339,".Abstract":37340,"(wrapper":37341,".pay":37342,"Ġuw":37343,"Geo":37344,"rails":37345,"/select":37346,"ichte":37347,"sons":37348,"EVENT":37349,"Ġaliment":37350,"Providers":37351,"Await":37352,"_INTERVAL":37353,".off":37354,"Ġgluten":37355,"_cloud":37356,"Ġwen":37357,".extract":37358,"ĉbutton":37359,"/MM":37360,"Party":37361,"Ġdemographic":37362,"_errno":37363,"Ġhiking":37364,"('')Ċ":37365,"\",@\"":37366,"Ġwit":37367,"rá":37368,"ologie":37369,"ĠStyles":37370,"ĠBrowserModule":37371,".RequestMapping":37372,"icans":37373,"PAGE":37374,"creation":37375,"ĠFerguson":37376,"uded":37377,"numbers":37378,"ĠGTK":37379,"Ġpresentations":37380,"ĠBobby":37381,"_span":37382,"estyle":37383,"Ġillegally":37384,"abela":37385,"Ġbattlefield":37386,"capacity":37387,"terror":37388,"]\");Ċ":37389,"Ġwarrior":37390,"leader":37391,"ĠDBG":37392,"ĠRevenue":37393,"Ġvigil":37394,"Ġcounterparts":37395,"(Error":37396,"ACTER":37397,"Ġheeft":37398,"Ġselections":37399,"zeug":37400,"tom":37401,"-two":37402,".;Ċ":37403,"_statement":37404,"ĠAid":37405,"ĠVul":37406,"_rgb":37407,"Ġprizes":37408,"Ġeditable":37409,"ĉform":37410,"ını":37411,".decor":37412,"Demo":37413,"lices":37414,"Ġenctype":37415,"ratulations":37416,"ĠROS":37417,"_chars":37418,"ĠJahr":37419,"partial":37420,"ÑĥÑĤ":37421,"ĠReceive":37422,"ĠLands":37423,"APTER":37424,"Ġchopped":37425,"..\"":37426,"ĠAnaly":37427,"ĠUID":37428,"ĠRadeon":37429,"ĠBee":37430,"Ġunm":37431,">M":37432,".findall":37433,"Tokenizer":37434,"ĠWHAT":37435,"Ġsj":37436,"Drawing":37437,"Ess":37438,"OND":37439,"Ĭ¶":37440,"(packet":37441,"âĢĶbut":37442,"Invocation":37443,"ĠNuclear":37444,"?;Ċ":37445,"Ġgrandes":37446,"ĠCrypt":37447,"remark":37448,"Ġ'../../../../":37449,"Ġinability":37450,"magic":37451,"cats":37452,"Ġsimulate":37453,":${":37454,"inflate":37455,"Ġener":37456,":NO":37457,"iples":37458,"Ġmerit":37459,"ĠRated":37460,"Ġglue":37461,"/blog":37462,"Ġgren":37463,"Ġthrilled":37464,".CH":37465,"uncan":37466,"ĠPRIMARY":37467,"Ġpersec":37468,"Ġfeared":37469,".MIN":37470,"ĠTheater":37471,"éĴ":37472,"ategorie":37473,"段":37474,"Ġappetite":37475,"square":37476,"ĠAlexand":37477,".UserId":37478,"_gt":37479,"_enter":37480,"Ġgraduates":37481,"FragmentManager":37482,"Authorize":37483,"-NLS":37484,"(My":37485,"Ġtriumph":37486,"usting":37487,"_PARAMS":37488,"Characters":37489,"(:,:,":37490,"_BUILD":37491,"MHz":37492,"Ġwashed":37493,"Ġuncle":37494,"Steve":37495,"ardown":37496,"${":37680,"_confirmation":37681,"Ġtrophy":37682,"Works":37683,"ĠElectronics":37684,"ĠMediterranean":37685,"_metrics":37686,"Ġannouncing":37687,"ĠDAY":37688,"_proto":37689,"Ġpear":37690,"baseUrl":37691,"ĉĉĉĉĉĉĉĉĊ":37692,"Ġcoordination":37693,":N":37694,".animate":37695,"ĠCotton":37696,"_hit":37697,"âľ":37698,"Ġjetzt":37699,"ifter":37700,"(fields":37701,"ownload":37702,"ificacion":37703,".cuda":37704,"ĠLiu":37705,">equals":37706,"ĠAce":37707,"ÑĢам":37708,"ĠSuperman":37709,"ĠGarcia":37710,"Ġarrests":37711,"agar":37712,"Ġ{})":37713,"Ġmacros":37714,"roupe":37715,"être":37716,"Ġtwisted":37717,"struments":37718,"_(\"":37719,"_vertices":37720,"ĠTransition":37721,"ик":37722,"[max":37723,"mind":37724,"ĠaccessToken":37725,"Ġunle":37726,"mus":37727,"cop":37728,"ĠFactor":37729,"Ġconced":37730,"Ġretr":37731,".linalg":37732,"-slider":37733,"obl":37734,"_StaticFields":37735,"Ġzombie":37736,"selling":37737,"Ġchap":37738,"Ġshaking":37739,"ĠTranslate":37740,"ĠAmsterdam":37741,"ĠETH":37742,"_EXTERN":37743,"kd":37744,"_disc":37745,"Ġpreceding":37746,"Ġprix":37747,"ObjectName":37748,"_modified":37749,"ardware":37750,"Ġ?>\">":37751,"ĠDW":37752,"`${":37753,"Ġ?>\">ĊĊ":37859,"Ġspinning":37860,"_pending":37861,"Matchers":37862,".Keys":37863,"ĠPV":37864,"enus":37865,"antis":37866,"Ġdiscard":37867,"Ġhaul":37868,"Ġempir":37869,"Ġpathway":37870,"Ġoak":37871,"мен":37872,"-induced":37873,"Ġimpair":37874,"ĠCalgary":37875,".isHidden":37876,"dz":37877,"_include":37878,"Ġgm":37879,"Ġ'('":37880,"PY":37881,"uggestions":37882,"Ġcommodity":37883,"cro":37884,"/sub":37885,"ĠgetInstance":37886,"ĠLegacy":37887,"ĠKil":37888,"Bal":37889,"(short":37890,"Inform":37891,"+x":37892,"*r":37893,"ĠHopefully":37894,"orate":37895,"Ġmachen":37896,"Ġtreaty":37897,"ĠOri":37898,".public":37899,"-horizontal":37900,"Ġtactic":37901,"Ġbord":37902,"wares":37903,"Ġammo":37904,"ĠLists":37905,"Ġequations":37906,"/her":37907,"ĠNSW":37908,"Bounding":37909,"_Collections":37910,"Ġavail":37911,".DropDown":37912,"è°":37913,"Ġhh":37914,"ĠlÃł":37915,".pb":37916,"Ġmemorial":37917,"ĠATTR":37918,"Ġexhausted":37919,"Ġtsp":37920,"ĉredirect":37921,"Ġlikewise":37922,"STER":37923,"Ljava":37924,"Ġcondemned":37925,"ocaust":37926,"(strict":37927,"Ġexempt":37928,"Ġsms":37929,"Ġexagger":37930,"SYS":37931,"Ġlounge":37932,":^":37933,"Ġtodd":37934,"deb":37935,"atorial":37936,"ĠPorter":37937,"Ġtuition":37938,"Ġexempl":37939,"Ġparen":37940,".lineTo":37941,"Ġkidney":37942,"Ġça":37943,"Ġcui":37944,"ï¼Į请":37945,"XC":37946,"Ġmoż":37947,"Ġnominated":37948,"lung":37949,"ImGui":37950,"ĠBuzz":37951,"Ġstereo":37952,"portal":37953,"resas":37954,"Ġklass":37955,"Ġdrafted":37956,"Ġprojectile":37957,"/gpl":37958,"(parameters":37959,"*)Ċ":37960,"Ġassisted":37961,"ĠNSInteger":37962,"sitemap":37963,":nth":37964,".Views":37965,".ArgumentParser":37966,"Ġmeer":37967,"zier":37968,"ĠDig":37969,"Ċ":38036,"Ġplag":38037,"pine":38038,"Ġblanket":38039,"Ġ:-":38643,"Ġlcd":38644,"---------------":38645,"(\"\"":38646,"Ġtactical":38647,"ĠRonald":38648,"extr":38649,"ĠFest":38650,"Ġfuer":38651,"-navigation":38652,"Ġkb":38653,"ghost":38654,"ĠhandleChange":38655,"_cls":38656,"()!=":38657,"Comparator":38658,".vm":38659,"ĠCox":38660,"_review":38661,"/@":38662,"_cookie":38663,"Ġrecognised":38664,"ldap":38665,"Threads":38666,"ĠSexual":38667,"ĠBearing":38668,"(SQL":38669,"Ġxr":38670,"Ġthigh":38671,"URLConnection":38672,"ĠSUV":38673,"ĠmContext":38674,"Ġincidence":38675,"ĠEste":38676,".sup":38677,"_te":38678,"(EXIT":38679,"CMD":38680,"/\">":38681,"Almost":38682,"ĠUne":38683,"Ġanderen":38684,"ĠSingleton":38685,"Ġbore":38686,"Think":38687,"Ġnarc":38688,"]initWith":38689,"_shop":38690,"(strategy":38691,"!',":38692,"herits":38693,"ĠDesk":38694,"_machine":38695,".netty":38696,"ında":38697,"=<":38698,"ĠQR":38699,"ĠSidebar":38700,".splitContainer":38701,"ĠonSuccess":38702,"Ġmonkey":38703,"Enjoy":38704,"(nodes":38705,"pectrum":38706,"Ġ(*(":38707,"ĉUINT":38708,",height":38709,"ĠNetworks":38710,".tail":38711,".linspace":38712,"Ġ\"...":38713,"Listen":38714,"Æ¡":38715,".Channel":38716,"-defined":38717,"Repeat":38718,"adjust":38719,"ERM":38720,"_application":38721,".assertNotNull":38722,"-stream":38723,"Ġrabbit":38724,"Ġpositioning":38725,"Ġwoke":38726,"Ġfing":38727,"Ġmultiplayer":38728,"Ġregistering":38729,"until":38730,"Ã¥n":38731,"(::":38732,"ussions":38733,"Ġpotato":38734,"ĠEquals":38735,".Sup":38736,"/apache":38737,"Ġ(=":38738,".\")":38739,".ptr":38740,"ĠSpeech":38741,".clip":38742,"ĠGabriel":38743,"Ġmusician":38744,"/issues":38745,".shop":38746,"ĠHier":38747,"_RET":38748,"_bucket":38749,"ãĥ¡":38750,"avs":38751,"Ġroz":38752,"flower":38753,"WriteBarrier":38754,"ĠMilan":38755,"Ġlegislature":38756,"ĠDoll":38757,"Ġproving":38758,".concatenate":38759,"âķIJ":38760,"Ġgchar":38761,"cdnjs":38762,"bles":38763,"ĠListing":38764,"ло":38765,".xrLabel":38766,"ĠSak":38767,"justice":38768,"ĠValentine":38769,"unless":38770,"Ġpiger":38771,"(run":38772,"Ġtestified":38773,"ANA":38774,"ĠRemoves":38775,"))));Ċ":38776,"recated":38777,"ĠRuntimeMethod":38778,"Ġconqu":38779,"ãĤ¢":38780,"Ġtissues":38781,"ailer":38782,"été":38783,"-Star":38784,"Ġflames":38785,".setIcon":38786,"Ġsupern":38787,"Ġvagina":38788,"-variable":38789,"Ġwellness":38790,"CUR":38791,"Ġbelle":38792,".getRequest":38793,"Ġpoco":38794,"benh":38795,"agens":38796,"Ġspill":38797,"ĠJur":38798,"Ġdispatcher":38799,"ного":38800,"emonic":38801,"(dirname":38802,"ĠÐĶ":38803,"Ġpasse":38804,"Ġganz":38805,"ricing":38806,"EU":38807,"Ġmujeres":38808,"essen":38809,".attribute":38810,"jj":38811,"ĉĉĠĊ":38812,"[^":38813,"Ġstrtolower":38814,"lexer":38815,"ectar":38816,"hotel":38817,".square":38818,"Ġrall":38819,"Ġlowered":38820,"handled":38821,"Market":38822,"ĠUses":38823,"ivas":38824,".Business":38825,"ãģĹãģ¦":38826,"DIV":38827,"Ġwasted":38828,"Ġavoir":38829,"êm":38830,"_ACCOUNT":38831,".et":38832,"ĉSDL":38833,"kap":38834,"Ġfox":38835,"uppet":38836,"{},Ċ":38837,"\",'":38838,"Favorite":38839,"PEND":38840,"ĠAES":38841,"}),":38842,"Ġdeduction":38843,"ĠpolÃŃt":38844,"ĠcomponentWill":38845,"ĠTelerik":38846,"_SELF":38847,"Ġmuse":38848,"Craft":38849,"Ġdens":38850,"ि":38851,"(tp":38852,"Ġtasty":38853,"Ġbalances":38854,"Ġdedication":38855,"ĠWallace":38856,"Ġunlaw":38857,"\\\">\\":38858,"Ġmum":38859,"-update":38860,"emente":38861,"Ġsoda":38862,"Republic":38863,"asmine":38864,"éric":38865,"(Status":38866,"ĠJsonConvert":38867,"ĠDisk":38868,".Redirect":38869,"Ġfilming":38870,"/mol":38871,"Ro":38872,"Ġville":38873,"Ġtrabaj":38874,"Ġsynthesis":38875,"rega":38876,"Ġrl":38877,"Scheduler":38878,"ISHED":38879,"currentUser":38880,"(errors":38881,"'h":38882,"_bot":38883,"ximo":38884,"ĠUSART":38885,"_super":38886,"_DECREF":38887,"ной":38888,"_ROW":38889,"Ġpromotes":38890,"ĠTA":38891,"Ġhoras":38892,"ĠRepresents":38893,"Ġnameof":38894,"ĠExc":38895,"ĠGarage":38896,"Ġseine":38897,",#":38898,"Ġherb":38899,"/resources":38900,"Ġpleaded":38901,".radioButton":38902,"Ġæĺ":38903,"Ops":38904,"ĠNest":38905,"cstring":38906,"ĠDefence":38907,"Ġrefere":38908,"_leaf":38909,"Ġrevelation":38910,"ë§":38911,".executeUpdate":38912,"_WORLD":38913,"Ġexpans":38914,"(\"\\\"":38915,"jab":38916,"Ġdoubts":38917,"ĠGeometry":38918,"Ġintroduces":38919,"Ġsenators":38920,"Ġcanal":38921,".helper":38922,"ĠBiology":38923,"_SENS":38924,".previous":38925,"-touch":38926,"abit":38927,"Ġimpacted":38928,"Ġbrackets":38929,".direct":38930,"accum":38931,"Ġtestosterone":38932,"ĉaction":38933,"ĠChance":38934,"Ġpeaks":38935,"CppCodeGenWriteBarrier":38936,"Ġunbelie":38937,"_press":38938,".Rel":38939,"angled":38940,"/templates":38941,"-->čĊ":38942,"lime":38943,"Ġsufficiently":38944,"_nt":38945,"Expand":38946,".isfile":38947,"ĠisEmpty":38948,"Ġqt":38949,"Ġmulher":38950,"acob":38951,"George":38952,"常":38953,"Ġassim":38954,"aso":38955,"Ġcomprised":38956,"OV":38957,"(CONFIG":38958,"ĉwriter":38959,"Ġdesp":38960,"Ġtenure":38961,"(cr":38962,".pool":38963,"ĠBrend":38964,"Ġcensor":38965,"(timeout":38966,"Ġplea":38967,".Wrap":38968,"Ġtightly":38969,"ĠWere":38970,"ĠIgnore":38971,"abei":38972,"Ġbridges":38973,"Ġcondemn":38974,"Ġsimplicity":38975,"Ġroutinely":38976,"Ġblacks":38977,"jb":38978,"ĠPit":38979,"Utf":38980,"Ġ/Ċ":38981,"reload":38982,"ĠsetObject":38983,"/global":38984,"Ġfatty":38985,"Ġsocks":38986,"Couldn":38987,"Ġerotisk":38988,"æĿ¡":38989,"ĠPressure":38990,"ĠMaz":38991,"npos":38992,"tolower":38993,"ĠEQ":38994,"uteur":38995,"ĠMoment":38996,"Ġeta":38997,"{{--":38998,"Ġgraphs":38999,"ĠGuar":39000,"rine":39001,"(--":39002,"ĠHttpStatus":39003,"(student":39004,"*np":39005,"Ġrailway":39006,"Ġasynchronous":39007,"_vm":39008,"'],'":39009,",text":39010,"merchant":39011,"(Guid":39012,"ĠGra":39013,"ixer":39014,"fetchAll":39015,".addListener":39016,"flip":39017,"*$":39018,">(),":39019,"Ġsunlight":39020,"assigned":39021,"Ġabc":39022,"ĠCOLUMN":39023,"ĠðŁĻĤĊĊ":39024,")...":39025,"Ġensemble":39026,"Ġnewline":39027,"_SINGLE":39028,"iedad":39029,"Ġdarker":39030,"ormap":39031,"Ġlion":39032,"plits":39033,"Ġillustration":39034,"ĠIEEE":39035,"Ġvista":39036,"ousands":39037,"*******":39038,"ĠTommy":39039,"Ġhue":39040,"Sel":39041,"Ġaura":39042,"ĠTherapy":39043,"Ġanimator":39044,".constraints":39045,"Ġvague":39046,"(\"\")":39047,"Ġvillain":39048,"Ġblessing":39049,"ĠstringBuilder":39050,"ĠMisc":39051,"ĠDIR":39052,"fax":39053,"-node":39054,"ĠWalking":39055,"ĠAU":39056,"sess":39057,"Ġgrill":39058,"VERTISE":39059,"ĠFoods":39060,"Ġtournaments":39061,"Ãĵ":39062,"ĠMarsh":39063,"Ġwonders":39064,"Longitude":39065,".CommandText":39066,"=input":39067,"_encoder":39068,"pageSize":39069,"ĠgetState":39070,">>Ċ":39071,".grey":39072,"pod":39073,"Ġreadings":39074,"Ġreconsider":39075,"Startup":39076,"Ġexcer":39077,".balance":39078,"_cycle":39079,"_Time":39080,"LOCAL":39081,"ĠEFI":39082,"ĠReyn":39083,".setForeground":39084,"byn":39085,"Ġdisconnected":39086,"ACTIVE":39087,"Ġembedding":39088,"ickers":39089,"Ġsurroundings":39090,"*c":39091,"Ġgarant":39092,"Ġbf":39093,"Ġwipe":39094,"Ġä¸ĭ":39095,"_TRA":39096,"adox":39097,"çķ":39098,"Ġsucks":39099,"ĠSongs":39100,"ĠAssociates":39101,"ĠBald":39102,"ĠBrett":39103,"venile":39104,"Ġvt":39105,"Ġinade":39106,"Ġresigned":39107,"ĠGlenn":39108,".pattern":39109,".DataBind":39110,"Ñĥм":39111,"LayoutInflater":39112,"chet":39113,"ĠTestament":39114,".ms":39115,"Ġpav":39116,"ĠReactDOM":39117,"urdy":39118,"ADATA":39119,"Mu":39120,"/actions":39121,"ĠJs":39122,"_extract":39123,"ĠBring":39124,":id":39125,"strt":39126,"ivation":39127,"Ġoutright":39128,"azu":39129,"loyment":39130,"иÑı":39131,"aldo":39132,"ĠPublisher":39133,"Education":39134,"Palette":39135,"_drv":39136,"Ġ($(":39137,"ĠAnda":39138,"Ġremedy":39139,"Ġinconsistent":39140,"tection":39141,"Ġregulators":39142,"Ġshortest":39143,"(pair":39144,"ĠInstallation":39145,"Ġdefendants":39146,"Ġ();":39147,"-large":39148,"Mel":39149,"Ġthreaten":39150,"нÑı":39151,"Ġfetish":39152,"otine":39153,"_dic":39154,"Ġ<$":39155,"Ġstagger":39156,"spi":39157,"$response":39158,"Serv":39159,"-born":39160,"jos":39161,"ĉimg":39162,"ĉWHERE":39163,"_lt":39164,"å½ĵ":39165,".cost":39166,"ĠTue":39167,".labels":39168,"ĠLV":39169,"wcsstore":39170,"ĠJesse":39171,"ห":39172,"Trade":39173,"Ġpredecessor":39174,"ëĤ":39175,"finally":39176,"_general":39177,"oggler":39178,"_REGION":39179,"nement":39180,"Ġblogger":39181,"ĠHarbor":39182,"ĠDataset":39183,"[w":39184,"Ġattendees":39185,".ico":39186,"maximum":39187,".Unlock":39188,"_SYNC":39189,"ágina":39190,"Ġdowns":39191,"ĠWii":39192,"])/":39193,"Ġkicking":39194,"unication":39195,"ĠDAC":39196,"ĠIDS":39197,"ĠRental":39198,"ĠcurrentTime":39199,"Ġvaccines":39200,"ĠDevil":39201,"Ġnors":39202,"_mouse":39203,"urrection":39204,"(no":39205,"Ġ>čĊ":39206,"Ġaggression":39207,"Ġbreeding":39208,".symbol":39209,"iman":39210,"AbsolutePath":39211,"ĠWHO":39212,"_flush":39213,"-root":39214,"arna":39215,"&M":39216,"Ġfathers":39217,"ĠRocket":39218,"iveau":39219,"Ġwander":39220,"Ġcompos":39221,"ĠWarrior":39222,"ĠSeat":39223,"ĠClinic":39224,"_invoice":39225,"(dispatch":39226,"Producto":39227,"aturing":39228,"ossier":39229,"ĠMAY":39230,"Ġdagger":39231,"Ġsanitized":39232,"ĠRFC":39233,"Ġproph":39234,"Ġurine":39235,"Ġgrind":39236,"ĠExpanded":39237,"descripcion":39238,"-fw":39239,"ĠKerry":39240,"=name":39241,"Ġchk":39242,"Ġnationally":39243,"Ġthee":39244,"Inc":39245,"Ġ?>>":39246,".RadioButton":39247,".HttpServletResponse":39248,"/Y":39249,"ĉfield":39250,"Ġhomme":39251,"yper":39252,"Physical":39253,"=v":39254,"Ġdriv":39255,"ĠErrors":39256,"ĠcÄĥ":39257,"Death":39258,"ĠWINDOW":39259,"Ġpoet":39260,"ĠSharp":39261,"ĠImmutable":39262,"ĉcreate":39263,"Ġgeht":39264,"ĠReform":39265,"aiser":39266,"ĠInitialization":39267,"Ġimmunity":39268,".compose":39269,"Ġlatency":39270,"ĠLebanon":39271,"ĠParad":39272,"Ġfuels":39273,"ĠExhib":39274,"coh":39275,"%\">Ċ":39276,"ĠCLI":39277,")initWith":39278,"-Za":39279,"_CLEAR":39280,"regn":39281,"Ġfinances":39282,".standard":39283,"_CATEGORY":39284,".library":39285,"Ġtravelers":39286,"_wp":39287,"ĠEvaluation":39288,"starting":39289,"Ġ)),Ċ":39290,"episode":39291,"ĠVariant":39292,"Ġdaemon":39293,"ĠJulia":39294,"ĠNR":39295,"Ġdoubles":39296,"'":39526,"Ġqueryset":39527,";}čĊ":39528,"ĠPopulation":39529,"utedString":39530,"resident":39531,"_FONT":39532,"ĠRespond":39533,"Ġobscure":39534,"Ġobservable":39535,"ĠContributors":39536,"kon":39537,"ĠMusk":39538,"exao":39539,"ĠTub":39540,"BootApplication":39541,"SOR":39542,".Horizontal":39543,".findBy":39544,".power":39545,"Ġpositively":39546,"venience":39547,"ĠJong":39548,"Ġwhistle":39549,"ĠзнаÑĩ":39550,"Ġlending":39551,"Ġdestructive":39552,"ĠonDelete":39553,"authorization":39554,"();?>":39555,"_original":39556,"science":39557,"atra":39558,"?,?,":39559,"ĠAsc":39560,"Ġconvincing":39561,"$a":39562,"orgen":39563,"_Date":39564,"ĠProvide":39565,"Ġlonely":39566,")'Ċ":39567,"exchange":39568,";?>Ċ":39569,".fast":39570,"Samples":39571,"London":39572,"'])čĊ":39573,"ĠIonic":39574,"Ġpesso":39575,"ĠKnights":39576,"ĠRaf":39577,"_attrs":39578,"Ġrepeal":39579,">Main":39580,"ĠOrdered":39581,"_New":39582,"=\"\">\";Ċ":39663,"ĠSERVER":39664,"ĠHEADER":39665,"_velocity":39666,"ĠInvoke":39667,".timestamps":39668,"Ġsulf":39669,"IQUE":39670,"Ġinhabitants":39671,"phins":39672,"azzo":39673,"Ġmono":39674,"Legend":39675,"Ġnonce":39676,"IFE":39677,";\";Ċ":39678,"-create":39679,"\"\",Ċ":39680,"permit":39681,"ĠImmigration":39682,"Ġpathname":39683,"ffective":39684,"âĻĢâĻĢ":39685,"Ġexams":39686,"-event":39687,"ĠTill":39688,"[mid":39689,"FIX":39690,";color":39691,"(Order":39692,"_traits":39693,"ĠorderBy":39694,"Ġsunt":39695,"ĠNicholas":39696,"ز":39697,"Ġsunny":39698,"iners":39699,"Ġaccessibility":39700,"ĠHB":39701,".comp":39702,"ĉop":39703,"Ġminorities":39704,"etheus":39705,"Ġcollaborative":39706,"prit":39707,"HIR":39708,"Ġwraps":39709,"ĉdraw":39710,"god":39711,"ĠIX":39712,".apps":39713,"ĠNM":39714,"Ġirrelevant":39715,"ĠTigers":39716,"Ġdiag":39717,"GV":39718,"ĠAccessories":39719,"kont":39720,"Ġsimplify":39721,"ĠFavorite":39722,"_tools":39723,"([]);Ċ":39724,"Ġtowers":39725,"Bes":39726,"Ġhunter":39727,"Ġsalon":39728,"(buff":39729,"ĉdebug":39730,"Ġmalware":39731,"Moving":39732,"-options":39733,")+'":39734,"ĠLOVE":39735,"_SOCKET":39736,"_fin":39737,"ĠDelaware":39738,"Ġsheriff":39739,"-invalid":39740,"ĠFULL":39741,"Ġпод":39742,"elas":39743,"\"strings":39744,"ĠRepresentatives":39745,"surface":39746,"resolved":39747,"htdocs":39748,")):čĊ":39749,"Ġpressures":39750,"Ġnorms":39751,"Ġpla":39752,"Ġsurname":39753,"Ġpostal":39754,"ĠDepart":39755,"Ġslaughter":39756,"orida":39757,"Ġhebben":39758,"Ġdesar":39759,"compact":39760,"_LANG":39761,"åIJĪ":39762,"opoly":39763,"_rad":39764,"ĠSTDMETHOD":39765,"Lazy":39766,"ĠĠĠĉ":39767,"...,":39768,"(web":39769,"ĠPont":39770,"Ġetwas":39771,"Ġupward":39772,"_hat":39773,"Ġ],ĊĊ":39774,"ĠbaseUrl":39775,"Ġworrying":39776,"-addon":39777,"(getClass":39778,"SPI":39779,"Ġcapturing":39780,")},Ċ":39781,"Effects":39782,"Ġcompetent":39783,"Ġfoul":39784,"Ġsubscribing":39785,"ĠOBJECT":39786,"IXEL":39787,"bucks":39788,"(edge":39789,"(pass":39790,"ĠPeterson":39791,"Ġboobs":39792,"ĠDelay":39793,"_square":39794,"elim":39795,"oters":39796,"_PC":39797,"%E":39798,"onclick":39799,"ĠSVG":39800,"Ġtopped":39801,"Ġfist":39802,"smart":39803,"ĠRalph":39804,"(owner":39805,"jours":39806,"Ġbronze":39807,"ĠArgumentException":39808,"(original":39809,"_SCALE":39810,"_cp":39811,"Ġrecommends":39812,".setStyle":39813,"Sure":39814,"LAND":39815,"Ġrepeating":39816,"Matt":39817,".Visibility":39818,"Ġenterprises":39819,".Setup":39820,"(scene":39821,"ĠReactive":39822,"urge":39823,"bw":39824,".Put":39825,"persist":39826,".cookie":39827,"ĠAudi":39828,"`s":39829,"supplier":39830,"(Form":39831,"¡":39832,"_so":39833,"ĮĢ":39834,"ĠLegion":39835,"tte":39836,"Nd":39837,"Loss":39838,"(attrs":39839,".scatter":39840,"Ġgroom":39841,"Ġglimpse":39842,"Ġnails":39843,"Ġcumulative":39844,"Ġfazer":39845,"_services":39846,".Num":39847,"ibilit":39848,"_resolution":39849,"ĠTx":39850,"uminium":39851,"opa":39852,".schedule":39853,"smtp":39854,"à¸ķ":39855,"urry":39856,"ük":39857,"goog":39858,"_signature":39859,".into":39860,"ĠSteps":39861,"Ġhomeowners":39862,"ĠNSURL":39863,"ĠPAC":39864,"ĠĠĠĠĠĠĠĠĠĠĠĠĊĊ":39865,">')Ċ":39866,"enh":39867,"Ġincap":39868,"$MESS":39869,"Ġmoins":39870,"ĠFi":39871,"Ġoffseason":39872,"pressions":39873,">.Ċ":39945,"ĠGrass":39946,"ĠGoal":39947,"_pdf":39948,"Handlers":39949,"Ġstacks":39950,".getFullYear":39951,"=[];Ċ":39952,"车":39953,",V":39954,"(split":39955,"Ñĥнк":39956,"Ġbakeca":39957,"Ġ~/.":39958,"pez":39959,"tails":39960,"ĠGlen":39961,"ĠsetImage":39962,"ĠComic":39963,"BLOCK":39964,"ĉThis":39965,"oader":39966,"Ġcapitalist":39967,"_STEP":39968,"(Boolean":39969,"ĠCorrect":39970,"rina":39971,"Ġconcaten":39972,"å®ŀ":39973,"():ĊĊ":39974,"Ġunanim":39975,"lli":39976,"alars":39977,"-ne":39978,"Ġdivor":39979,"ĠKickstarter":39980,"]._":39981,"*'+":40622,"åĿĢ":40623,"acency":40624,"(URL":40625,"_half":40626,"=l":40627,"ĠlistView":40628,"(section":40629,".toArray":40630,"+/":40631,"ĠRodriguez":40632,"istream":40633,"Ġeligibility":40634,"::-":40635,".newInstance":40636,"PB":40637,"ĠAssets":40638,"ĠComposite":40639,"ĠLabs":40640,"ĠHamas":40641,"++);Ċ":40642,"Ġblk":40643,"ĠNeo":40644,"Luc":40645,"@login":40646,"Ġunaware":40647,".met":40648,"_RELEASE":40649,"(ST":40650,"AMIL":40651,"rike":40652,"Ġ(){Ċ":40653,"(sprintf":40654,"ĠAccounts":40655,"ĠVIEW":40656,"ĠAj":40657,"ãĤ°":40658,"Ġwhisk":40659,"Ġidi":40660,"Ġrode":40661,"Ġihn":40662,"ĠElementary":40663,"Qty":40664,"Ġintriguing":40665,"Ġå¤":40666,"Jobs":40667,"ĉoffset":40668,"ĠAhmed":40669,"ĠTaliban":40670,"Ġèİ·åıĸ":40671,"Ġinjected":40672,".Authentication":40673,"_linear":40674,".Decimal":40675,"Ġapples":40676,"Ġshareholders":40677,"Ġbaked":40678,".diff":40679,"ĠEddie":40680,"okers":40681,"Ġconfronted":40682,"voices":40683,"Ġtus":40684,"ĠSpin":40685,"NODE":40686,"_Un":40687,"CTX":40688,"/google":40689,"Temperature":40690,"Ġ'').":40691,"Ġmagnificent":40692,"ĠstartIndex":40693,"sembles":40694,"Anyone":40695,"zk":40696,"ehen":40697,"ĠDame":40698,".strict":40699,"Ġreplaces":40700,"Ġlineback":40701,"Ġpushes":40702,"Ġcheek":40703,"ĠShi":40704,"_BYTES":40705,"REA":40706,"ản":40707,"_CONNECTION":40708,"Gateway":40709,"ĠTravis":40710,"ĠAX":40711,"ĠBasically":40712,"ĠUpgrade":40713,"àª":40714,"themes":40715,"ermo":40716,"kor":40717,"Female":40718,"_attach":40719,"ĠìĤ¬ìļ©":40720,"Ġpoz":40721,"==============Ċ":40722,"(symbol":40723,"ĠSector":40724,"__)ĊĊ":40725,"_padding":40726,"ï¼ļ\"":40727,"Ġfabs":40728,"Ġranged":40729,"setName":40730,"Ġperror":40731,"âĹ":40732,"ĠFileReader":40733,"Ġfulfilled":40734,"_Current":40735,"Ġdominate":40736,"Ġsmugg":40737,"PostMapping":40738,"_force":40739,"Ġbloc":40740,"ĠGiant":40741,"(video":40742,"ĠCU":40743,"SystemService":40744,"Ġelf":40745,"Ġkontakt":40746,"ëª":40747,"kees":40748,"gtk":40749,"ĠparamInt":40750,"Ġmarkup":40751,"uales":40752,"Ġaccounted":40753,"Ġgangbang":40754,"RYPT":40755,"ĠWrong":40756,"Ġcredited":40757,"ĠMESSAGE":40758,"Ġflaws":40759,"Ġbbw":40760,"Ġmetabolic":40761,"ĠOEM":40762,"/event":40763,"(Collectors":40764,"monton":40765,"appear":40766,"Ġopted":40767,"Ġcheat":40768,"Ġdav":40769,"ĠProceed":40770,"Ġê¸":40771,"anked":40772,"из":40773,"ansk":40774,"ĠHang":40775,"ĠCler":40776,"Ġdisgu":40777,"Ġcmap":40778,".cljs":40779,"Ġaument":40780,"lez":40781,"ĠJoined":40782,"_received":40783,"Ġaerial":40784,"otel":40785,"Ġgreet":40786,"\"s":40787,"ĠGenesis":40788,"ĠCalif":40789,"panion":40790,"Ġtailored":40791,"mapping":40792,"andExpect":40793,".track":40794,"atomy":40795,"ĠOw":40796,"ullah":40797,".Yes":40798,"ĠSimpleName":40799,"dbh":40800,"'en":40801,"Ġnonsense":40802,"Ġphilosophical":40803,"(getContext":40804,"Ġisso":40805,"ĠACE":40806,"startDate":40807,"ĠbÄĻd":40808,"ĠAUTHOR":40809,"ĠGlobe":40810,"Ġinsects":40811,"_Al":40812,"ushing":40813,"è®°":40814,"/Home":40815,"ĠLocalDate":40816,"needed":40817,"hesive":40818,"Ġillusion":40819,"äºĮ":40820,"Ġtrat":40821,"xo":40822,"/detail":40823,"_MATCH":40824,"Ġbroadband":40825,"Ġwal":40826,"ĠIllegalStateException":40827,"IRECTION":40828,"Ġnortheast":40829,"esium":40830,"ĠCliente":40831,"ulance":40832,"nty":40833,"Ġtecn":40834,"Devices":40835,"Ġgrains":40836,"ĠOg":40837,"ĠSEL":40838,"udiant":40839,"Ġ++;Ċ":40840,"Ġexplanations":40841,"occo":40842,"Ġdiets":40843,"Ġcohort":40844,"(controller":40845,".Iterator":40846,"-rich":40847,"rocess":40848,"GD":40849,"Ġcarbohydr":40850,"Ġfried":40851,"ĠEmployment":40852,"ìŀ¥":40853,"ĠLeonard":40854,"_${":40855,"quares":40856,"Ġcompanions":40857,"Ġparis":40858,"Ġstimulation":40859,"ĠZoo":40860,"Ġrelevance":40861,"ĠColour":40862,"Ġspear":40863,"otional":40864,"ĠLite":40865,"ĠKosten":40866,"Ġó":40867,"_attachment":40868,"orphic":40869,"Ġdamit":40870,"Ġdlg":40871,"Ġthrive":40872,"CHANGE":40873,"ĠApparently":40874,"Ġatual":40875,"Ġrooted":40876,"(images":40877,"awi":40878,"ariat":40879,"Ġcherry":40880,"STATIC":40881,"mnt":40882,"ĠUserId":40883,"illet":40884,"ĠHispanic":40885,"Ġnak":40886,"Ġcentro":40887,"Ġdims":40888,"_initialize":40889,"ık":40890,"ĠCenters":40891,"REN":40892,"Ġevolutionary":40893,"ĠTopics":40894,"_damage":40895,"emer":40896,"Ġrund":40897,"Ġpunished":40898,"Ġcubic":40899,"fair":40900,"[];ĊĊ":40901,"Ġinstantiate":40902,"Ġoversee":40903,"-delete":40904,"unteer":40905,"startTime":40906,"ĠPipeline":40907,"_GAME":40908,"ĠCir":40909,"ĉNull":40910,".Formatting":40911,"ucumber":40912,"ĠRide":40913,"Ġzoo":40914,"Ġchecker":40915,"åIJĮ":40916,"=C":40917,"Ġgrit":40918,"\");//":40919,"_xy":40920,"ĠDeclaration":40921,"Ġcallable":40922,"Foo":40923,"ĠListItem":40924,"Ġinaccur":40925,"mlin":40926,"ĉData":40927,"Ġevolving":40928,"awan":40929,"Ġcafe":40930,"folk":40931,"_IDX":40932,"ĠAnything":40933,"ĠPalestine":40934,"ĠGridView":40935,"Ġcolony":40936,"ĠGermans":40937,"(+":40938,".pid":40939,".jsx":40940,"ĠSuperior":40941,"Christian":40942,"ĠLect":40943,"ĉGame":40944,"Ġinstrumental":40945,"Animations":40946,"дал":40947,"ĠMoses":40948,"ĉĉčĊĉĉčĊ":40949,"zs":40950,"kte":40951,"ä¸ļ":40952,"_DIST":40953,"bitmap":40954,"dB":40955,"Ġpersistence":40956,"ÑĢоÑģ":40957,"$l":40958,"Bron":40959,"Ġ{|":40960,"_chart":40961,"ĠConsum":40962,"Ġhemp":40963,"Ġ\"))Ċ":40964,"Ġattackers":40965,"Ġknowledgeable":40966,"Ġcet":40967,"Ġviruses":40968,"'I":40969,"Ġpitcher":40970,"Ġsweeping":40971,"=list":40972,"aptops":40973,".depth":40974,"Ġinstructed":40975,"ĠRus":40976,"benhavn":40977,"Ġин":40978,"Sports":40979,"Ġonset":40980,"æĿĥ":40981,".RED":40982,"_si":40983,"ĠPST":40984,".onChange":40985,">tag":40986,"ĠRoh":40987,"_character":40988,"ĠLaws":40989,"ĠBachelor":40990,"_swap":40991,".reactivex":40992,"Ġrewarding":40993,"Medium":40994,"-[":40995,"ĠRecently":40996,"Joint":40997,"partition":40998,"ĠMinutes":40999,"Ġindo":41000,"Ġabsorbed":41001,"ĠGN":41002,"_IND":41003,"Ġsaber":41004,"Spawn":41005,"outputs":41006,"ĠJeffrey":41007,"Ġmedieval":41008,"hed":41009,"Guide":41010,"Ġpsycho":41011,"Ġglam":41012,"Elim":41013,"ädchen":41014,"_plain":41015,"ĠSau":41016,"-four":41017,"Ġanalyzing":41018,"QUERY":41019,"Ġtomato":41020,"_buttons":41021,"VEN":41022,".setStatus":41023,".Url":41024,"+ĊĊ":41025,"Ġcomplaining":41026,"degree":41027,"confirmed":41028,"Ġsubt":41029,"parsed":41030,"Ġtorque":41031,"Ġtroubled":41032,"ĠTARGET":41033,"Ġtrademarks":41034,"ĠCoordinate":41035,"ĠViv":41036,"Ġ//}ĊĊ":41037,"Ġaprès":41038,".getPosition":41039,"(KeyCode":41040,"ĠSilva":41041,"Ġmeteor":41042,"Ġendorsement":41043,"Overview":41044,"ĠPoss":41045,".Inject":41046,"Ġevenly":41047,"Ġvisualization":41048,"Ġwchar":41049,"ĠHDMI":41050,"Ġfunct":41051,"ickname":41052,"','','":41053,"Ġforwards":41054,"ManagedObject":41055,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":41056,"ĉserver":41057,"ĠOutlook":41058,"ĠChronicle":41059,"Ġdubbed":41060,"Ġdok":41061,"ĠWear":41062,".AL":41063,"paren":41064,".Interface":41065,"Interfaces":41066,".cod":41067,"Ġdib":41068,".Globalization":41069,"ĠAcademic":41070,"Ġassms":41071,"Autom":41072,"Ġlw":41073,"ĠNW":41074,"Ġ&&čĊ":41075,"Ġproblema":41076,"ĠManufacturing":41077,"limits":41078,"-mobile":41079,"Ġfilme":41080,"/map":41081,"Ġdoit":41082,"ĠInk":41083,"Ġsued":41084,".arr":41085,"Ġundermin":41086,"ĠProc":41087,"crollView":41088,"__$":41089,"Ġsidewalk":41090,"(that":41091,"ื":41092,"[q":41093,"grammar":41094,"Ġtë":41095,"quito":41096,"Ġspiral":41097,"extended":41098,"Ġfocal":41099,"Ġdigging":41100,"pas":41101,"ĠTall":41102,".proxy":41103,"itures":41104,"TRACT":41105,"ĠRealm":41106,"Ġfeder":41107,"Ġoriented":41108,"ĠAlternative":41109,"Ġowe":41110,"Ġsourced":41111,"inker":41112,".det":41113,"Sep":41114,"ĠQui":41115,"ĠPalmer":41116,"(_,":41117,"samples":41118,"oyer":41119,"ullan":41120,"quez":41121,"Edges":41122,"Ġshout":41123,"ĠAchie":41124,"Ġhaar":41125,"_Construct":41126,"Ġpremature":41127,"Ġrevert":41128,"').Ċ":41129,"Ġschn":41130,"filtered":41131,"nullptr":41132,"Saved":41133,"itecture":41134,"CLA":41135,"Ġvl":41136,"stell":41137,"ĉMe":41138,"ĠLip":41139,"national":41140,"Ġwholly":41141,"Ġsprings":41142,".Timer":41143,"ĉsrc":41144,"elsen":41145,"åħ¶":41146,"Ġcommunicating":41147,"ĠQuiz":41148,"Ġteng":41149,"Ġgez":41150,"ĠOutside":41151,".Sign":41152,"(cs":41153,"Ġdisputes":41154,"ĠWeiss":41155,"annes":41156,">No":41157,"ĠBach":41158,".removeAll":41159,"refer":41160,"/dashboard":41161,"ĠAjax":41162,"IndexChanged":41163,"ĠWeak":41164,"'\"Ċ":41165,"Ġsights":41166,"accessToken":41167,"ĠJoi":41168,"(domain":41169,"ĉcv":41170,"Ġcontinuation":41171,"Ġplum":41172,"adir":41173,".setMessage":41174,"Ġï¼Į":41175,"Ġswallow":41176,"ĠLamp":41177,"Ġqw":41178,"Ġuu":41179,"Coin":41180,"ubic":41181,"ĠDeals":41182,"race":41183,"Ġdictator":41184,"Ġmeme":41185,"turned":41186,"ĠJulie":41187,".gridColumn":41188,"Ġpuppy":41189,"Ġpam":41190,"Ġ){čĊ":41191,"Ġinviting":41192,"Ġfrench":41193,"vim":41194,"Ġwrapping":41195,"Ġ#-}Ċ":41196,"([-":41197,"Early":41198,"Ġshiny":41199,".faces":41200,"Ġrebell":41201,"abcdef":41202,"ält":41203,"Ġestimation":41204,"phys":41205,"losures":41206,"_REL":41207,"Ġexclusion":41208,"ĠSkype":41209,"weise":41210,"-stop":41211,"nothing":41212,"ĠEgg":41213,"isors":41214,"Richard":41215,"Ġcounseling":41216,"Ġcommem":41217,"ĠQMessageBox":41218,"ĠSynd":41219,"ĠFrost":41220,"ĠCompetition":41221,"ĠAwake":41222,"Ġted":41223,"iciones":41224,"ĠDevComponents":41225,"VERTISEMENT":41226,"otti":41227,".runner":41228,"Ġuniquely":41229,".flag":41230,"ĉrs":41231,"_generic":41232,"Ġ```Ċ":41233,"ACHINE":41234,"Ġmein":41235,"(Application":41236,"(br":41237,"Ġratios":41238,":,":41239,"ĠXCTest":41240,"ustainable":41241,"-www":41242,"itles":41243,"_TEMP":41244,"Ġsyst":41245,"umericUpDown":41246,"ĉassertTrue":41247,"Ġwf":41248,".peek":41249,"ĠBulg":41250,"Ġterrifying":41251,".MODE":41252,"ĠGW":41253,"ár":41254,"Ġfic":41255,"Ġcommitments":41256,"-tech":41257,"ĠLiquid":41258,"opez":41259,"zheimer":41260,"aña":41261,"-media":41262,"(animated":41263,"_goal":41264,"Ġgum":41265,"ystone":41266,".SET":41267,"ĠWend":41268,"setCellValue":41269,"Ġmsgs":41270,"cash":41271,"ALLOC":41272,"/aws":41273,"Ġmicrowave":41274,".Pointer":41275,"ĉConsole":41276,"_sorted":41277,"ĠFilip":41278,"Prod":41279,"Ġ//!<":41280,"ingroup":41281,"Ġks":41282,"_TRI":41283,"Ġteaspoon":41284,"ĠATT":41285,"Ġrecovering":41286,"ĠGLOBAL":41287,".Par":41288,"Ġ/>;Ċ":41289,"Ġmarble":41290,"ulators":41291,"ĠCycle":41292,"Ġherbs":41293,"_metric":41294,")!":41295,"_CLOCK":41296,"_Button":41297,"Harry":41298,"è¿Ľ":41299,"Ġstrains":41300,"ĠAppBar":41301,"ĠChan":41302,"/video":41303,"Ġbam":41304,".Progress":41305,"$f":41306,"lemen":41307,"Ġirregular":41308,"ĠDuncan":41309,"ĠMint":41310,"-video":41311,"া":41312,"ówn":41313,"ĠEMPTY":41314,"Ġstacked":41315,"ĠHA":41316,"_cut":41317,"Ġwherein":41318,"ĠWays":41319,"(counter":41320,"è¯ķ":41321,"FormGroup":41322,"Ġblew":41323,"courses":41324,"Ġproductos":41325,"rys":41326,"ĠRestr":41327,"Ġstyling":41328,">s":41329,"Ġpiv":41330,"Ġitertools":41331,"getRepository":41332,"ĠIk":41333,"_devices":41334,"layui":41335,"Ġhalfway":41336,"Ġfranç":41337,"Ġtuning":41338,"OA":41339,"_Node":41340,"arde":41341,"Ġfierce":41342,"licted":41343,"#čĊ":41344,"Ġbreakthrough":41345,"ĠErik":41346,"Ġbride":41347,"Ġ.\"":41348,"culus":41349,"inside":41350,"ĠIndianapolis":41351,"ĠEE":41352,"Ġyog":41353,"urret":41354,".fs":41355,".grad":41356,"_cards":41357,"_accuracy":41358,"_epi":41359,"queda":41360,"/org":41361,"éªĮ":41362,"Ġcompte":41363,"))[":41364,"Outside":41365,"Greater":41366,"ĠRenderer":41367,".actor":41368,"Accounts":41369,"Idle":41370,"_hours":41371,"erner":41372,"Joined":41373,"Ġmenj":41374,"requires":41375,"ĠOPER":41376,".removeChild":41377,"ĉsp":41378,"Ġesse":41379,"rift":41380,"xFE":41381,"ĠShakespeare":41382,"____________":41383,"Ġbudgets":41384,"ModelState":41385,"fillable":41386,"-component":41387,"ocos":41388,"ĠBUTTON":41389,"/io":41390,",out":41391,"sms":41392,"Thomas":41393,"ĠArmed":41394,"resume":41395,"Ġrotating":41396,"ĠVault":41397,"Ġseus":41398,".(*":41399,"Ġamino":41400,"Ġ[]);ĊĊ":41401,"Ġprovoc":41402,"nox":41403,".GetEnumerator":41404,"=======Ċ":41405,"æĸĻ":41406,"_scroll":41407,"Ġfilmed":41408,"ĠSoci":41409,"gap":41410,"gro":41411,"Vote":41412,"\"But":41413,"_RC":41414,"Animal":41415,"ÂĢ":41416,"ibile":41417,"Ġawaken":41418,"orest":41419,"inja":41420,"ĠIvan":41421,"(Command":41422,"Ġ*****":41423,"η":41424,"Ġkvinder":41425,"/helpers":41426,"_cases":41427,"tg":41428,"ìĦ¸":41429,"Registered":41430,"ĉpass":41431,"_digits":41432,"Ġcontour":41433,"Ġinfants":41434,"Ġjustification":41435,"ĠFortunately":41436,"Contr":41437,"ĠonCreateView":41438,"_SAMPLE":41439,"ĠallowNull":41440,"Ġnud":41441,"Ġfetched":41442,"_equ":41443,"ĠUnable":41444,"=\\\"\"":41445,">{Ċ":41446,"Ġcommittees":41447,"istema":41448,"+\".":41449,"ÃŃan":41450,"mant":41451,"Ġsoutheast":41452,"ï¼ĮĊ":41453,"dialogs":41454,"PROJECT":41455,"charger":41456,"-port":41457,"(uuid":41458,".export":41459,"Six":41460,"ĠRP":41461,"Prem":41462,"Ġconscience":41463,"ĠmarginRight":41464,"_distribution":41465,"yaml":41466,"resizing":41467,"Dock":41468,"ĠLocations":41469,"GY":41470,"Seed":41471,"BUFFER":41472,"ossip":41473,"ullen":41474,"Things":41475,"-self":41476,".poll":41477,"PLAYER":41478,"Ġå®":41479,"GROUP":41480,"ĠAway":41481,"Ġgospel":41482,"xfd":41483,"Mary":41484,"ĠPortable":41485,"TURE":41486,"Ġutilis":41487,"Ġseit":41488,"Ġstrand":41489,"Ġtransc":41490,"Ġ(^":41491,"ĠAlfred":41492,".mem":41493,".circle":41494,"Ġ~/":41495,"forcing":41496,"Ġriot":41497,"prox":41498,"THON":41499,"ización":41500,"ĠNI":41501,"rost":41502,"Ġdispro":41503,"_instances":41504,"ï¼ĮâĢľ":41505,"ographer":41506,"endas":41507,"ĠIsaac":41508,"ĠPine":41509,"/dis":41510,"ĠcolorWith":41511,"iterate":41512,"_stride":41513,"Ġpunto":41514,".EventArgs":41515,"(center":41516,"Ġneighboring":41517,"ĠPrison":41518,"ĠMessenger":41519,"Ġepidemic":41520,"dao":41521,"_complex":41522,"Ġgravel":41523,"_DIP":41524,"ément":41525,"ĠAri":41526,"_bitmap":41527,".quit":41528,"(valid":41529,"Ġpend":41530,"Ġrespiratory":41531,"Ġrebound":41532,"DefaultValue":41533,"ãĥŃ":41534,"Ġcommits":41535,".tests":41536,"_fr":41537,"itet":41538,".sf":41539,"Ġspacecraft":41540,"critical":41541,"Ġdepressed":41542,"ĠAnyObject":41543,"Ġunb":41544,"Ġdiscern":41545,"(mysql":41546,"Latin":41547,"ĠBog":41548,"ĠWildlife":41549,"ToFile":41550,"ioxid":41551,"@RestController":41552,"Ġ\"$(":41553,"Ġ<<\"":41554,"Ġdefects":41555,"Ġdatum":41556,"hin":41557,"Ġrealizar":41558,"anyahu":41559,"ĠSig":41560,"@Data":41561,"adaptive":41562,"ĠCatherine":41563,".cr":41564,"ĠCOOKIE":41565,"Ġpictured":41566,"ĠFighter":41567,"Queryable":41568,"ĠAnyway":41569,"ĠGLFW":41570,"_namespace":41571,"_ft":41572,"Ġ])":41573,"Organization":41574,"Ġconstitutes":41575,"Ġquand":41576,"(chunk":41577,"\"/>čĊ":41578,"ĠLakes":41579,"mainwindow":41580,"Carthy":41581,"spin":41582,"(csv":41583,":red":41584,"-commerce":41585,"ู":41586,"Ġdiscovering":41587,"Ġeco":41588,"_fac":41589,"inceton":41590,"ĠGreens":41591,"jwt":41592,"ص":41593,"ĠBroncos":41594,"ĠGoods":41595,"(GTK":41596,"ĠreturnValue":41597,"Ġsiempre":41598,"Ġneutr":41599,"went":41600,"ĠNatal":41601,"Ġenthusiastic":41602,"á»į":41603,"FN":41604,"/database":41605,"Catalog":41606,"Ġbrun":41607,"ĠKash":41608,"_Pl":41609,"iscrim":41610,",width":41611,"Ġinmates":41612,"Assignment":41613,"ĠHaven":41614,"Ġplayground":41615,"exam":41616,"@Controller":41617,"uliar":41618,".getParent":41619,"Ġ\";ĊĊ":41620,":size":41621,"issors":41622,"Ġfis":41623,"Ġalc":41624,"ensation":41625,"ĠNixon":41626,"Ġmighty":41627,"-str":41628,"_special":41629,"_ADC":41630,"ĠTwig":41631,"umbling":41632,"-address":41633,"Ġheroin":41634,"YTE":41635,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ":41636,"Friend":41637,"Ġave":41638,"ĠPNG":41639,"ĠKurdish":41640,"DataSetChanged":41641,"Ġblades":41642,"bral":41643,"Steam":41644,"Ġsigu":41645,"IRTUAL":41646,"acos":41647,"UDP":41648,"(database":41649,"hec":41650,"ĠStrings":41651,"_scalar":41652,"ĉdesc":41653,"ĠTLS":41654,";\"Ċ":41655,"ĠCorbyn":41656,"SimpleName":41657,"uell":41658,"ĠEntre":41659,"ellites":41660,"-place":41661,"Ġfrankly":41662,"ĠErf":41663,"CEL":41664,"ĠpaÃŃs":41665,"Ġhedge":41666,"Ġlatent":41667,"ĠIRQ":41668,"ĠHerald":41669,"ĠPrec":41670,"ë³´":41671,".TEXT":41672,"Salary":41673,"Ġautumn":41674,"Ġtravail":41675,".Sum":41676,"Ġcared":41677,"Mor":41678,"Ġintuitive":41679,"Ġjournals":41680,"_IT":41681,"ĠTrou":41682,"ä¼ł":41683,"HasColumnName":41684,"Composite":41685,"Ġspice":41686,"_disk":41687,"_CODES":41688,"ĠIntroduced":41689,"iona":41690,"Ġnuestra":41691,"oct":41692,"ĠĠĠĠĊĠĠĠĠĊĠĠĠĠĊ":41693,"(parameter":41694,"Ġstudios":41695,"ĠprojectId":41696,"Ġbdsm":41697,".SqlClient":41698,"imizer":41699,"ĠCARD":41700,"+t":41701,"aan":41702,".sol":41703,"_Adjust":41704,"Ġrighteous":41705,"ĠLogging":41706,".filters":41707,"_TAB":41708,"ĉsys":41709,"rophic":41710,"otherapy":41711,"ĠBrowse":41712,"keyboard":41713,"RON":41714,"+\\":41715,"ropped":41716,"Ġextensively":41717,"fk":41718,"Ġlime":41719,"years":41720,"Exc":41721,"Ġsph":41722,"Ġcheating":41723,"andro":41724,"ÃŃo":41725,"Ġprince":41726,"oire":41727,"ĠDestination":41728,"ĠConverts":41729,"Ġupstream":41730,"oled":41731,"Ġservants":41732,"Ġsemantic":41733,"Ġcrunch":41734,"Ġeventual":41735,"runner":41736,"/error":41737,"Spin":41738,"Ġsecretly":41739,"Ġassemble":41740,".Person":41741,"enderror":41742,"_<":41743,"Ġpendant":41744,"Sleep":41745,"ĠChemistry":41746,"Ġbosses":41747,"lk":41748,"))),Ċ":41749,"Blockly":41750,"DEVICE":41751,"Ġreflecting":41752,"Ġample":41753,"Milliseconds":41754,"ĠPresidential":41755,"Ġusuarios":41756,"ĠNZ":41757,"ĠSalary":41758,"ĠAmanda":41759,"_np":41760,"jury":41761,"Ġkön":41762,"Ġtherapist":41763,"Ġhomosexual":41764,"ĠDrake":41765,"-window":41766,"ĠLocated":41767,".Driver":41768,"ĠVIDEO":41769,"Ġmerchants":41770,"ĠChest":41771,"-lock":41772,"/php":41773,"Ġmilano":41774,"_STYLE":41775,"arger":41776,"idea":41777,"GUID":41778,"advanced":41779,"meal":41780,"OptionsItemSelected":41781,"='%":41782,"ĠCham":41783,":data":41784,"(stat":41785,"WillAppear":41786,"Ġinformal":41787,"aji":41788,"Ġreproductive":41789,"ĠCAS":41790,"ãģ£":41791,"FUNC":41792,"ĠRuth":41793,")+(":41794,"CONST":41795,"ĠFans":41796,"ĠgroupId":41797,"xffffffff":41798,"Ġsampler":41799,"Ġ}}\">":41800,".the":41801,"Ġhollow":41802,"WAY":41803,"ĠFaculty":41804,"AttributedString":41805,"ĠLooks":41806,"ĠRex":41807,"jk":41808,"ĠMIL":41809,"Ġbard":41810,".Long":41811,"Ġlivest":41812,"Ġskal":41813,"icism":41814,"MAIN":41815,"Ġmucho":41816,"BODY":41817,"Ġese":41818,"ĉuse":41819,"Foot":41820,".SQLException":41821,"Ġinheritance":41822,"received":41823,"Ġputas":41824,"edis":41825,"alsa":41826,"ĠErrorMessage":41827,"Booking":41828,"Ġtract":41829,"acz":41830,"ĠCant":41831,"_regex":41832,"Ġideological":41833,"Ġjihad":41834,"hos":41835,"/sys":41836,"colm":41837,"(pool":41838,"Ġestán":41839,"ĠPending":41840,"emás":41841,"Ġktóry":41842,"));ĊĊĊ":41843,"transactions":41844,"Ġwield":41845,"itere":41846,"erture":41847,"_ss":41848,"Ġstretching":41849,"Ġprisoner":41850,".ReadAll":41851,"Ġbesch":41852,"--;čĊ":41853,"Ġcrisp":41854,"_SCAN":41855,"Ġae":41856,"Strict":41857,"ĠMinneapolis":41858,"ĠBoeing":41859,"aris":41860,"rek":41861,"_pipe":41862,"Ġpriests":41863,"(EIF":41864,"ehicles":41865,"ĠInteractive":41866,"between":41867,"ĉNullCheck":41868,"ĠBlair":41869,"ĠLt":41870,"_inline":41871,"ethyl":41872,"¼":41873,"_packages":41874,"Ġbarrels":41875,"_he":41876,"Ġregexp":41877,"_pts":41878,"_Handler":41879,"ingular":41880,"ĠNissan":41881,"ĠRanch":41882,"Ġperch":41883,"Unsupported":41884,"Smith":41885,"ĠLegends":41886,"Mi":41887,"Ġgf":41888,"steder":41889,"Ġacquiring":41890,"Ġsimulator":41891,"(),\"":41892,"receive":41893,"Ġinplace":41894,"ACTION":41895,"ĠWebDriver":41896,"filesystem":41897,"'+Ċ":41909,"Ġcredible":41910,"amat":41911,"playing":41912,".setImageResource":41913,"quel":41914,"Ġpodr":41915,"geom":41916,"Ek":41917,"ĠQatar":41918,"Ġgeld":41919,"?',Ċ":41920,"Ġcyl":41921,"(ax":41922,"ĠWI":41923,"urally":41924,"ĠBrasil":41925,"Ġsenza":41926,"aley":41927,"onen":41928,"Ġbah":41929,"Ġmolecule":41930,"Rad":41931,"è¿°":41932,"ANCH":41933,"-background":41934,"-agent":41935,"Ġprolifer":41936,":boolean":41937,"Ġtide":41938,"erializer":41939,"_;čĊ":41940,"Fee":41941,"**)":41942,"ergy":41943,"ĠHonor":41944,".Logging":41945,"iris":41946,"Ġundermine":41947,"ĠDy":41948,"Ġtyr":41949,"Ġdeque":41950,"Ġdamer":41951,"([])Ċ":41952,".layoutControlItem":41953,"peated":41954,"CAN":41955,"ragments":41956,"Land":41957,")]);Ċ":41958,"ĠSah":41959,"ĠDECL":41960,"Within":41961,"ĠNamespace":41962,"another":41963,"sembling":41964,".describe":41965,"Consum":41966,"ĠFear":41967,"given":41968,"Orange":41969,"This":41993,"ĠdataIndex":41994,"Ġprintable":41995,"ĠEyes":41996,"_targets":41997,"(Py":41998,".over":41999,"Ġbru":42000,"ampton":42001,"Ġplaintiff":42002,");Ċ":42013,"invest":42014,".*ĊĊ":42015,"Ġtélé":42016,"Ġsuperf":42017,"Ġcascade":42018,"DTD":42019,"Ġvivid":42020,"Ġsubsidies":42021,"ĠHass":42022,"Ġcollaps":42023,"Ġceramic":42024,"{}\".":42025,"ĠLeakage":42026,"-trash":42027,"collapsed":42028,"-social":42029,"ĠChad":42030,"Ġinclined":42031,"Ġsto":42032,"Ġstoryboard":42033,".payment":42034,"stackoverflow":42035,"ĠRaiders":42036,"Ġ#'":42037,"olicies":42038,"ìľ¼ë¡ľ":42039,"emap":42040,"Ġkj":42041,"Ġquota":42042,"ĠGardens":42043,"ë²Ī":42044,"ĠAngels":42045,"Ġoft":42046,"Ġlowercase":42047,"ĠiParam":42048,"Ġcheapest":42049,"unta":42050,"_pkt":42051,"icators":42052,"Ġleurs":42053,"Ġdecreases":42054,"ĉdefine":42055,"PREC":42056,"ammers":42057,"ĠPreparedStatement":42058,"(direction":42059,"Ġcrews":42060,"arked":42061,"ĠMemphis":42062,"ĠSell":42063,"GTK":42064,"Ġmaid":42065,":disable":42066,"éĽĨ":42067,"ĠPf":42068,"Ġalbeit":42069,"openh":42070,"?>\">Ċ":42071,".getSource":42072,"(scale":42073,"Du":42074,"ĠPIL":42075,"_refresh":42076,"Ġbets":42077,"(car":42078,"ĠVon":42079,"|--------------------------------------------------------------------------Ċ":42080,"ĠGrat":42081,"Much":42082,"(Dialog":42083,".stopPropagation":42084,"Ġtek":42085,"Ġexits":42086,"'],$":42087,"ĠphoneNumber":42088,"ucs":42089,"ecimal":42090,"--------------":42091,"inp":42092,".pojo":42093,"Ġcorpus":42094,"Ġpractitioners":42095,".pic":42096,"\"testing":42097,"ĠstringBy":42098,".NotNull":42099,"Ġrang":42100,".Dynamic":42101,"_Render":42102,"аÑĤа":42103,"Waiting":42104,"ĠWik":42105,"Ġoverwhelmed":42106,"%\">":42107,"ĠAE":42108,"}}>Ċ":42109,"uw":42110,"_typ":42111,"Ġbuckets":42112,"Ġgreeting":42113,"Ġlaughter":42114,"Ġantagon":42115,"uggestion":42116,"-email":42117,"ĉtop":42118,"Ġeros":42119,"_tri":42120,"Ġissuing":42121,"Ġhá":42122,"Ġisolate":42123,"Overflow":42124,",E":42125,"Ġnutritional":42126,"ĠAbbott":42127,"Ġnf":42128,".touch":42129,".fetchall":42130,"_zip":42131,"\")}Ċ":42132,"Ġamat":42133,"ĠCisco":42134,"ĠnÃ¥":42135,"PLEX":42136,"Ġsei":42137,"foto":42138,".toJson":42139,"å¤ļ":42140,"ĠKlein":42141,"Ġlibc":42142,"Ġminers":42143,"å¢":42144,"-print":42145,"ĠPride":42146,"Todos":42147,"Ġmasked":42148,"ĠsetData":42149,"Ġtelefon":42150,"Ġunhappy":42151,"ĠTables":42152,"geb":42153,"(debug":42154,"_allowed":42155,"-access":42156,"Ġlogistics":42157,"Ġgems":42158,"ĠMature":42159,"Ġrsp":42160,"ĠAlle":42161,".getBytes":42162,"\\web":42163,"ynchronized":42164,"Paragraph":42165,"Ġthrottle":42166,".sqlite":42167,"consulta":42168,"ĠSeah":42169,"Ce":42170,"Ġsubmar":42171,"ERE":42172,"Vous":42173,"Ġreddit":42174,"Ġsqlalchemy":42175,"-mile":42176,"ocide":42177,"Pour":42178,"}}\">Ċ":42179,"stead":42180,"Ġ@(":42181,"Ġ[])":42182,"ĠAds":42183,"Ġoverload":42184,"ridden":42185,"ĠDesert":42186,"ĠWrap":42187,"ĠPortuguese":42188,"etz":42189,"ĉfirst":42190,"Ġmilestone":42191,"æĹł":42192,"ÑĥÑī":42193,"(success":42194,"\")Ċ":42363,"ĠDollar":42364,"Ġemoji":42365,"Carousel":42366,"-player":42367,"Ġadjusting":42368,"Ġjuga":42369,"allenges":42370,"gene":42371,"(bodyParser":42372,"lopedia":42373,"ĠBehind":42374,"Ġsleeves":42375,"Ġdragging":42376,"ĠChevrolet":42377,"Ġbiz":42378,"ivities":42379,"ĠFrequency":42380,",char":42381,".WHITE":42382,"_preview":42383,")';Ċ":42384,"_ax":42385,"IONS":42386,".cpu":42387,".inputs":42388,"UBE":42389,"_feed":42390,"ĠSupplement":42391,"!).":42392,"esus":42393,"ĠUDP":42394,"Ġmicrophone":42395,"Ġconfirms":42396,".isNotEmpty":42397,"\":\"\",Ċ":42398,"_SCREEN":42399,"ĉexpected":42400,"+-+-+-+-":42401,"ĠHait":42402,"fastcall":42403,"Ġdepict":42404,"vb":42405,"_picture":42406,"ĉdescription":42407,"ĠWife":42408,"uci":42409,"Ġvicious":42410,"ä»ĸ":42411,"ueba":42412,"ĠsetUser":42413,"ãģ¡":42414,"Ġdiving":42415,"Ġopera":42416,"usercontent":42417,"arah":42418,")},":42419,"yun":42420,"velt":42421,"Ġuncovered":42422,"Ġhips":42423,"Ġoscill":42424,"Ġasserting":42425,"ĠXi":42426,".restore":42427,"kea":42428,"Ġspelling":42429,"Ġderive":42430,"abwe":42431,"ĠDow":42432,".setType":42433,"_vs":42434,"Ġcozy":42435,".categories":42436,"Org":42437,"_mgr":42438,"Ġdungeon":42439,"collectionView":42440,"ĠBlank":42441,"acias":42442,"ää":42443,"_cleanup":42444,"_ACTIVITY":42445,"Ġtriangles":42446,".MenuItem":42447,"Ġiphone":42448,"ĠWon":42449,"]]ĊĊ":42450,"ĠComparison":42451,".Doc":42452,"Ġcanonical":42453,"ĠSudan":42454,"'){":42455,"UpInside":42456,"builtin":42457,"ENCY":42458,"xbe":42459,"Ġchuck":42460,"Ġcontradict":42461,"Ġnuestro":42462,"Ġarchitectural":42463,"ĠFib":42464,"Ġcompares":42465,"*k":42466,"Cfg":42467,"çĦ¡":42468,"nten":42469,"Matches":42470,"ĠDOWNLOAD":42471,"_HANDLER":42472,"management":42473,"[S":42474,"ENG":42475,"ÂĢÂ":42476,"fang":42477,"Ġslipped":42478,"ĠLanka":42479,"escaping":42480,"Ġtackles":42481,"ĠPedro":42482,".Prop":42483,".''":42484,".Generated":42485,".NewGuid":42486,"atrigesimal":42487,"illon":42488,"Ġstatistic":42489,"species":42490,"holding":42491,"Drupal":42492,"Ġfundamentally":42493,"Ġbondage":42494,"Ġresolutions":42495,"InlineData":42496,"\\Type":42497,"estion":42498,".wrap":42499,"Ġwarriors":42500,"ĠLOCAL":42501,"Archive":42502,"Ġembraced":42503,"ủ":42504,".Ver":42505,"ĠAffordable":42506,"olesale":42507,"ĠApplied":42508,"ĠConversion":42509,"mega":42510,"_cam":42511,"Ġceremon":42512,"aurus":42513,"ĠVolk":42514,".opens":42515,"/about":42516,"ĠStd":42517,"journal":42518,"()){čĊ":42519,",\"\\":42520,"(Arrays":42521,"ĠDense":42522,"aseña":42523,"änner":42524,"/stat":42525,"userData":42526,"Ġgerman":42527,"Ġtz":42528,"worthy":42529,"FormatException":42530,"pherd":42531,"Ġsmiles":42532,"ĠWhenever":42533,"(adapter":42534,".badlogic":42535,"Ġbriefing":42536,".GridColumn":42537,"-char":42538,"dimension":42539,"ĠCopper":42540,"Ġninth":42541,"Ġ'{{":42542,"Ġrav":42543,"_Table":42544,"Ġderivatives":42545,"ĠRaise":42546,"ĠFut":42547,"armor":42548,"-padding":42549,"Ġremin":42550,"ĉstyle":42551,"ĠMembership":42552,"Ġspreads":42553,"Ġgalleries":42554,"ĠClarke":42555,"Ġconception":42556,"minute":42557,"Ġabusive":42558,"_adj":42559,"Ġterrific":42560,"Ġovert":42561,"ourcing":42562,"Ġentrada":42563,"levels":42564,"Ġcritique":42565,"Ġrespects":42566,"ĠMMA":42567,"iene":42568,"Ġencaps":42569,"ĠRaymond":42570,"Divider":42571,"ivable":42572,"baz":42573,"Ġ@_;Ċ":42574,"ĠClaire":42575,"Ġurging":42576,"CEE":42577,"Ġtransformer":42578,"discord":42579,"ĠJourney":42580,"tos":42581,"Ġcompetitions":42582,"ĠOBJ":42583,"ĠBis":42584,"Ġrelaxation":42585,"idy":42586,"_INSTANCE":42587,"ĠPref":42588,"dados":42589,"iciencies":42590,"ĠMediaQuery":42591,"ĠCube":42592,"ĠStrange":42593,"gpu":42594,"(days":42595,"_InitStruct":42596,"Ġfingerprint":42597,"emat":42598,"ĠGecko":42599,"Ġrails":42600,"ĠLum":42601,"straction":42602,"igung":42603,"(movie":42604,"_dictionary":42605,"_interrupt":42606,"ĠQC":42607,"iked":42608,"appendChild":42609,"recipient":42610,"ré":42611,"Ve":42612,"Ġtowel":42613,".lastIndexOf":42614,"Ġplacebo":42615,"ĠWie":42616,".esp":42617,"(Debug":42618,"operative":42619,"Ġdeceased":42620,"&id":42621,"ĉmutex":42622,"elic":42623,"Ġbapt":42624,"ĉčĊčĊ":42625,"Ġfarther":42626,"Half":42627,".disable":42628,".menuStrip":42629,"leccion":42630,"ĠresultCode":42631,"Ġcans":42632,"-election":42633,"female":42634,"_FIX":42635,"ausible":42636,"ĠPOWER":42637,"Ġreconstruction":42638,"Ġscans":42639,".XtraBars":42640,"âĢĺs":42641,"Removed":42642,"Ġparagraphs":42643,"_margin":42644,"Ġlymph":42645,"Ġbos":42646,"lington":42647,"ĠBaptist":42648,"Ġadvertisements":42649,"ĠManage":42650,"/yyyy":42651,"IOUS":42652,"ENCES":42653,"ĠFiction":42654,"ĉmenu":42655,"ĠFileOutputStream":42656,"ovan":42657,"ĠFeng":42658,"Ġskipping":42659,"getClass":42660,"anni":42661,"Ġrebounds":42662,"Ġpublicity":42663,"Ġingres":42664,"usement":42665,"Ġthoughtful":42666,".Chart":42667,"Ġhatte":42668,"passport":42669,"Ġhooked":42670,"ĠLens":42671,"Ġflagship":42672,"Ġstip":42673,"ĠGEN":42674,"Ġclues":42675,"ipv":42676,"ĠRise":42677,"ĠGew":42678,"tablename":42679,"Ġforemost":42680,"_validate":42681,"_analysis":42682,"olla":42683,"Ġqualifications":42684,"Ġdistributions":42685,"ĠFlower":42686,"Ġtense":42687,"Ġthankful":42688,"Ġclutch":42689,"Ġunified":42690,"roads":42691,"Ġsiti":42692,"Ġstall":42693,"_PRIORITY":42694,"cstdlib":42695,"_USERNAME":42696,".bytes":42697,"?page":42698,"ermalink":42699,"ĠVeget":42700,"/vnd":42701,"-author":42702,".NONE":42703,"ĠConcurrent":42704,"ĠCry":42705,"Ġstarters":42706,"ĠInteraction":42707,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":42708,"ĠLEVEL":42709,"Ell":42710,"ĠcomboBox":42711,"ĠTheresa":42712,"tek":42713,"_Handle":42714,"Ġaby":42715,".gdx":42716,",end":42717,"(Local":42718,"Ol":42719,"knife":42720,"arial":42721,"ĠHoff":42722,"Ġprostituerade":42723,"Doctor":42724,"Instances":42725,".SetValue":42726,"ĉfrom":42727,"Ġluxurious":42728,"Indent":42729,"Allocator":42730,"_DRAW":42731,"(\",\",":42732,"ĠFrances":42733,"ĠgroupBox":42734,"(schema":42735,"Printf":42736,"ORIES":42737,"-gradient":42738,"Ġreput":42739,"arin":42740,"_DONE":42741,"incre":42742,"ignty":42743,"Ġexert":42744,"Ġ-.":42745,"/App":42746,"-through":42747,"Ġdeclining":42748,"Ġdessert":42749,"Ġincumb":42750,"Ġdesignation":42751,".PORT":42752,",strong":42753,"Ġsandbox":42754,"Ġwines":42755,"ĠPav":42756,"$str":42757,"askell":42758,"Ġhö":42759,"ĠPY":42760,"GetInstance":42761,"TextInput":42762,"gameObject":42763,"/events":42764,"createdAt":42765,"ĠlocalVar":42766,"ĠWHITE":42767,"pered":42768,"ilege":42769,"efficient":42770,",color":42771,"cate":42772,"ĠCafe":42773,"Ġsimilarities":42774,"Ġpumps":42775,"ĠHungary":42776,".Username":42777,"Ġskate":42778,"Ġtouchdowns":42779,"Ġaccelerate":42780,"ĠHelen":42781,"OMEM":42782,"ĠKun":42783,"_vol":42784,"ĠfindAll":42785,"ĠMenschen":42786,"ahead":42787,");\"":42788,"kommen":42789,"Ġpossessed":42790,".argmax":42791,".transition":42792,"ARP":42793,"OLUME":42794,"(script":42795,"ĠÐĺ":42796,"ĠFinding":42797,"onces":42798,"Io":42799,"Bold":42800,"Ġrenewal":42801,"_DIALOG":42802,"Ġdisreg":42803,"INTERN":42804,"Ġtoute":42805,"Ġelectr":42806,"ĠGross":42807,"ĉtrue":42808,".Fields":42809,"ĠWIDTH":42810,"ĠDent":42811,"ĠÃģ":42812,"NSNotification":42813,"Ġaos":42814,"Ġmelee":42815,".Validation":42816,"ĠDEC":42817,"-dependent":42818,"Ġsuic":42819,"Traits":42820,"$message":42821,"ĠDear":42822,"ĉFILE":42823,"languages":42824,".Prot":42825,".addr":42826,"-generation":42827,"ICON":42828,"Ġtransplant":42829,"-description":42830,"Ġchasing":42831,"Ġchees":42832,"Ġ}*/Ċ":42833,"Trad":42834,"queries":42835,"/widgets":42836,"subpackage":42837,"Ġespec":42838,"Ġcracked":42839,"Ġcompetitor":42840,"Purchase":42841,"-team":42842,"olecular":42843,"orThunk":42844,"&P":42845,"Ġrelent":42846,"/#{":42847,"ĠproductId":42848,"Ġè¾":42849,"ĠLav":42850,"ĠAlter":42851,".Mode":42852,"ADIO":42853,"grp":42854,"æ·»åĬł":42855,"Quit":42856,"Ġdepths":42857,"-category":42858,"ĠDATABASE":42859,"SPELL":42860,"ĠFalcon":42861,"ĠQStringList":42862,"Ġ''.":42863,"ĠInstitution":42864,"damage":42865,"azor":42866,"belongsTo":42867,"verages":42868,"ĠNONE":42869,"ippets":42870,",\\Ċ":42871,"Ġfootprint":42872,"_archive":42873,"nak":42874,".getField":42875,"ĠReflection":42876,"Ġ']":42877,"ĠHBO":42878,"_discount":42879,"Ġincest":42880,"ĠDodge":42881,"ĠWade":42882,".NO":42883,"\"encoding":42884,"ĠBlockchain":42885,"Ġlawsuits":42886,"ĠMaint":42887,"chten":42888,"Ġétait":42889,"Ġktóre":42890,"_ctl":42891,"(timer":42892,"Battle":42893,"izo":42894,"ayed":42895,"IOR":42896,"ĠGlasgow":42897,"Ġsynth":42898,"_logs":42899,".pose":42900,"_AdjustorThunk":42901,"((&":42902,"Ġunsure":42903,"ystate":42904,"íķĺëĬĶ":42905,"OULD":42906,".ng":42907,"Ġdefaultdict":42908,"workspace":42909,"Ġselective":42910,"PickerController":42911,"YNAMIC":42912,".methods":42913,"Ġpathways":42914,"ĠFew":42915,"KG":42916,"CRYPT":42917,"following":42918,"ĠDLC":42919,"ĠSara":42920,"Ġpreset":42921,"estructor":42922,"ĠKurt":42923,"Ġairplane":42924,"Ġomp":42925,"ĠParents":42926,"ĠMartinez":42927,".complete":42928,"Ġbroadly":42929,"Ġscare":42930,"ĠMé":42931,"Ġelimination":42932,"Ġpoured":42933,"/sw":42934,"Ġcomun":42935,"Ġmasc":42936,"ĠOrganic":42937,"ĠStringUtils":42938,"ilateral":42939,"Ġreluctant":42940,"-age":42941,"Ġnz":42942,".\"\\":42943,"Ġpastor":42944,"alez":42945,"Ġefect":42946,"prov":42947,"/init":42948,"Ġpenn":42949,"unds":42950,"Ġssize":42951,"ĠProj":42952,"basename":42953,"Ġshells":42954,"ĠNeck":42955,"ĠEnforcement":42956,"vided":42957,"stown":42958,"Sphere":42959,"$r":42960,"ussen":42961,"afil":42962,"ĠTelegram":42963,"Ġanalytical":42964,"нÑĭе":42965,"usually":42966,"xn":42967,"Ġhistorian":42968,"ĠGregory":42969,"olph":42970,"ĠUna":42971,"Ġcontributes":42972,"%-":42973,"antiago":42974,"ÑĢед":42975,".region":42976,"Ġabrupt":42977,"ĠUnsupportedOperationException":42978,"ĠTASK":42979,"_finish":42980,"Ġnotorious":42981,"ĠVs":42982,"ĠMQ":42983,"Ġsunset":42984,"Ġunacceptable":42985,"arcer":42986,"Ġillumin":42987,"ĠOrb":42988,"Ġbh":42989,"Este":42990,"_dispatch":42991,"Ġripped":42992,"Ġtoujours":42993,"ĠParcel":42994,"_ll":42995,".userName":42996,".classes":42997,"SOURCE":42998,"(Number":42999,"елÑı":43000,"Ġheadphones":43001,"(side":43002,"constitution":43003,"annah":43004,"čĊĠĠĠĠĠĠĠĠčĊ":43005,"Ġcliff":43006,"-ref":43007,"Ġmostrar":43008,"ĠPowell":43009,"+y":43010,"ĠBG":43011,"_fragment":43012,".Port":43013,"Ġrealizing":43014,"paramref":43015,"Ġhometown":43016,"@Table":43017,"+\"--}}Ċ":43196,"French":43197,"EntityManager":43198,"ĠPlain":43199,"////////////////////////////////////////////////////////////////////":43200,"³":43201,"(RE":43202,"capt":43203,"Ġorganisms":43204,"Ġjets":43205,"olocation":43206,"ĠAppRoutingModule":43207,"Ġglorious":43208,"æľį":43209,"Ġdiscarded":43210,"ĉĉĉĉĠĠĠĠĠ":43211,"ĠArnold":43212,"lug":43213,"Ġparl":43214,"Ġhormones":43215,"Ġmah":43216,"ĠSonic":43217,"Ġorganizers":43218,"_PLATFORM":43219,".inv":43220,"Ġchord":43221,"ventional":43222,"ĉof":43223,"Episode":43224,".Enum":43225,"unkt":43226,"ĠDh":43227,"ĠJared":43228,"ĠNak":43229,"Ġintends":43230,"Endian":43231,"Ġaustralia":43232,"_cv":43233,"(resolve":43234,"Ġclinics":43235,"liked":43236,"ASHINGTON":43237,"inha":43238,"'*":43239,"ĠNP":43240,"_beh":43241,"Ġhf":43242,"Ġwür":43243,"categoria":43244,"$form":43245,"Ġsubway":43246,"ĠisActive":43247,"popular":43248,"Cour":43249,"Ġcooldown":43250,"Ġainsi":43251,"ĠGLuint":43252,"ereal":43253,"ĠarrayOf":43254,"Ġhatch":43255,"==========":43256,"resses":43257,"_PP":43258,".^":43259,"_decay":43260,"ĠBless":43261,"metrics":43262,"ĠCOPYING":43263,"ĠDumpster":43264,"ĠJosé":43265,"ĠDesigns":43266,"<":43269,"Ġ\"}Ċ":43270,"timezone":43271,"Ġeer":43272,"maxcdn":43273,"ĠESC":43274,"igaret":43275,"_connected":43276,"_reverse":43277,"Ġquestionable":43278,"ĠUSC":43279,"Ġtutti":43280,"Ġdropout":43281,"ĠActivities":43282,"ĠWinds":43283,"')));Ċ":43284,"Ġcongest":43285,"ģı":43286,"Ġprolonged":43287,"è¿Ļ":43288,"ĠCrossAxisAlignment":43289,"LEEP":43290,"ĠVALID":43291,"ĠGaz":43292,"Ġdependence":43293,"ĠPrix":43294,".CompilerServices":43295,"jump":43296,"Ġstrat":43297,"circ":43298,"ĠCUSTOM":43299,"xaa":43300,"Ġbmp":43301,"Ġbureau":43302,"Ġwaren":43303,"NX":43304,"(Window":43305,"ĠChristie":43306,"_FE":43307,"Ġtn":43308,"ĠOmega":43309,"communications":43310,"HomePage":43311,"completion":43312,"Ġsupplying":43313,"YPES":43314,"ável":43315,"åĪ¶":43316,"(click":43317,"\\Contracts":43318,"/questions":43319,"Ġez":43320,"AMS":43321,".mesh":43322,"Ġ'\\Ċ":43373,"Robot":43374,"JsonObject":43375,"ĠDF":43376,"ĠProcessor":43377,"_should":43378,".protobuf":43379,"-users":43380,"Ġembry":43381,"FONT":43382,"Ġstartups":43383,"ĠDataSource":43384,")#":43385,"uros":43386,"_Color":43387,"Ġstandalone":43388,"}[":43389,"jd":43390,"Ġforgive":43391,"Ġngx":43392,"ĠGenerally":43393,"Ġconfigurable":43394,"/order":43395,"Ġvas":43396,"')\";Ċ":43397,"ĠRR":43398,"ĠTroy":43399,"Ġcompromised":43400,"ĠSwan":43401,"intendent":43402,"Central":43403,"_keeper":43404,"Ġarquivo":43405,"ĠReadOnly":43406,"_curve":43407,"kv":43408,"entin":43409,"è±":43410,"ĠEy":43411,".imread":43412,"ĠPam":43413,"iffe":43414,"ativity":43415,"xbc":43416,"Ġgrim":43417,"-filled":43418,"namese":43419,"']:":43420,"Ġaur":43421,"ĠGibson":43422,".MouseEvent":43423,"Ġlado":43424,"avadoc":43425,"Ġfamil":43426,"ĠModer":43427,"fps":43428,"ãĢĢãĢĢ":43429,"-example":43430,"ĠAlzheimer":43431,"ĠUtf":43432,"_arguments":43433,"Conclusion":43434,"textContent":43435,"remaining":43436,"Ġinterrupts":43437,"ĠBackup":43438,"ĠMong":43439,"Ġreceptors":43440,"histor":43441,".coroutines":43442,"Ġshouted":43443,"Alarm":43444,"Ġcombust":43445,"Ġgrote":43446,"ultural":43447,"(ids":43448,"--------------------------------------------------------------------------------":43449,"iplinary":43450,"Opts":43451,"ĠYale":43452,"localStorage":43453,"Ġequival":43454,"ĠFleet":43455,"\\b":43456,"*pi":43457,"ĠQLabel":43458,"æ¡":43459,"Ġvx":43460,"ĠACL":43461,"Ġsucesso":43462,"Ġperc":43463,"ĠNotre":43464,"Ġanarch":43465,"Ring":43466,"spb":43467,"Ġstrpos":43468,"stores":43469,"ĠMaple":43470,"(MainActivity":43471,"(\"\"))":43472,"ĠviewHolder":43473,"Quad":43474,"Ġigual":43475,"orsche":43476,".margin":43477,"Ġindie":43478,"Ġfranc":43479,"ĠFormBuilder":43480,"ĠParticip":43481,".flash":43482,"Ġstorms":43483,"Ult":43484,"Ġfen":43485,"[new":43486,"Ever":43487,"=\"Ċ":43488,"Ġlocalized":43489,"_follow":43490,"Ġnave":43491,"Ġdominance":43492,"(tile":43493,"Journal":43494,"ĠVC":43495,"Ġpenetration":43496,"ï¼ķ":43497,"Ġcompartment":43498,"Ġbids":43499,"Formatted":43500,"******/ĊĊ":43501,"(city":43502,"âĢĶit":43503,"[C":43504,"ĠuseCallback":43505,"aub":43506,")?.":43507,"ĠVAR":43508,"ĠSebastian":43509,"ĠMoss":43510,"Ġabundant":43511,"Greg":43512,"ÑĤа":43513,"_ci":43514,"Ġbibli":43515,"CRM":43516,"ĠAttempt":43517,"isme":43518,"dash":43519,"ãĢİ":43520,"_mu":43521,".FormattingEnabled":43522,"Indeed":43523,"-direct":43524,"Ġsucking":43525,"Ġpne":43526,"ocabulary":43527,"ĠPackers":43528,".Navigation":43529,"Ġpied":43530,"cribing":43531,"ĠStuart":43532,".ToDouble":43533,"ĠSecondary":43534,"Saving":43535,"ĠDut":43536,"ĠMadd":43537,"Magic":43538,",H":43539,".documentElement":43540,"ĠBST":43541,"Ġdiffers":43542,"Ġmoreover":43543,"_nd":43544,"SEARCH":43545,"пÑĢав":43546,"æ´":43547,"toMatch":43548,"Ġdecreasing":43549,"-member":43550,"ampus":43551,"(boost":43552,"Daily":43553,"DataGridView":43554,"ĠHttpContext":43555,"Ġhipp":43556,"_workers":43557,"-language":43558,"éĵ":43559,"Ġconsisted":43560,"athing":43561,"ĠMercury":43562,"$content":43563,"Ġpracticed":43564,"ĠModules":43565,"_DAY":43566,"Ġweaknesses":43567,"ĠLodge":43568,"Ġnar":43569,"ĠMate":43570,"Ġjp":43571,"ĠHttpHeaders":43572,"Ġsmo":43573,"ĠTOKEN":43574,"])(":43575,"Ġaqui":43576,"swagen":43577,"Ġsrv":43578,"ĉans":43579,"Around":43580,"ĠManuel":43581,"Ġfictional":43582,"ĠIMG":43583,"Ġ.'":43584,"ĠBerry":43585,"Ġwallpaper":43586,"sexual":43587,"iero":43588,"ĠçļĦ":43589,"ìĨĮ":43590,"BackingField":43591,"ĠAdrian":43592,"BASEPATH":43593,"Ġrepeats":43594,"Ġblues":43595,"Ġunpredict":43596,"_coll":43597,"stacle":43598,"ĠTumblr":43599,"ĠElf":43600,"Ġassurance":43601,"Ġcensus":43602,"ĠIMPORT":43603,"ENDER":43604,"anos":43605,"Ġ=(":43606,"ĠEllis":43607,"\"ĊĊĊĊ":43608,".win":43609,"ĠAbove":43610,"alon":43611,"_tick":43612,"Ġrepresentations":43613,"Ġæķ":43614,"wid":43615,"ĠArms":43616,"Lista":43617,"_failure":43618,"_cm":43619,".FlatAppearance":43620,"Ġthrone":43621,"Patch":43622,"ĠVoy":43623,"engl":43624,"Ġnegotiating":43625,">`":43626,"Ġshoots":43627,"ĠFPS":43628,".Year":43629,"ĠKiss":43630,"ención":43631,"reeting":43632,"FromFile":43633,"Ġresignation":43634,"Ø·":43635,"Ġtwins":43636,"ượ":43637,"Ġgebru":43638,".getContent":43639,".Tree":43640,"ĠEmployees":43641,"ĠFIFA":43642,"Ġcertainty":43643,"(Cl":43644,"Ġtotals":43645,"editable":43646,"à¥Ģ":43647,".Reporting":43648,"Mas":43649,"quiet":43650,".rules":43651,"ĠVO":43652,"conexion":43653,",K":43654,"Ġallocator":43655,"ĠPowder":43656,"\\Repository":43657,"Beat":43658,"_tipo":43659,"Ġ['',":43660,"_INTR":43661,"Ġ<<<":43662,"\");čĊ":43691,"dropIfExists":43692,"ĠBeg":43693,"_HAL":43694,"ĠcrossAxisAlignment":43695,"ĠEvidence":43696,"Ġpeculiar":43697,"Ġinstitute":43698,"veis":43699,"Ġfft":43700,"Ãģ":43701,"Ġzoekt":43702,"analy":43703,"ĠHomeland":43704,"Ġpenetr":43705,"uddenly":43706,"ĉelement":43707,"ĠBren":43708,"ĠTrudeau":43709,"ĠCuban":43710,"jam":43711,"uslim":43712,"_ev":43713,"Ġstems":43714,"}%":43715,"Ŀå§ĭ":43716,"Ġbranding":43717,"Ġcorrespondence":43718,".jquery":43719,"¢åįķ":43720,"ĠReads":43721,"(HttpStatusCode":43722,"assin":43723,"(slot":43724,"ĠGraduate":43725,"///<":43726,"Ġinformations":43727,"ENABLE":43728,"Ġpuis":43729,"Ġfinder":43730,"ĠBris":43731,"Ġnettsteder":43732,"_mid":43733,"Ġogs":43734,"ĠSterling":43735,"Ġarrog":43736,"strftime":43737,"|ĊĊ":43738,"Ġvox":43739,"ĠRegardless":43740,"Ġeso":43741,"ĠComfort":43742,".BooleanField":43743,"Ġuh":43744,"ACY":43745,"Ġsqueez":43746,"ĠVic":43747,"contro":43748,".lo":43749,"Ġire":43750,"ĠComedy":43751,"ë¶":43752,"Ġoriginated":43753,"Ġshipment":43754,"|max":43755,"_guid":43756,"levation":43757,"наÑı":43758,"(undefined":43759,"ĠDDR":43760,"Ġshootings":43761,"ĠLatino":43762,"ENDOR":43763,"Ġaveraging":43764,"Ġgreeted":43765,"Ġtheaters":43766,"ое":43767,"ĠdB":43768,"Ġgst":43769,"Ġdefinite":43770,".Storage":43771,".her":43772,"Ġafore":43773,"ĠReality":43774,"ĠGods":43775,"versed":43776,"Ġhandsome":43777,"Ġexcluding":43778,"(ad":43779,"Quotes":43780,"ĠScheme":43781,"?q":43782,"ĠTamil":43783,"Ticks":43784,"Ġpest":43785,"'n":43786,"Ġpornography":43787,"_modal":43788,"Ġ----------":43789,"Ġdisposable":43790,"FREE":43791,"Ġshark":43792,"CHE":43793,"Ġdepicted":43794,"Ġdemonstrations":43795,"ĠKilled":43796,"ĠRULE":43797,"Ġobsessed":43798,"Ġsimplified":43799,"Postal":43800,"Ġconceptual":43801,"Ġpst":43802,"Las":43803,"_PROJECT":43804,"ucceeded":43805,"olu":43806,"ÄŁi":43807,"Ġpersonalities":43808,"Ġreshape":43809,"Ġenclosed":43810,"ĉptr":43811,"Ġtutorials":43812,"Ġexploded":43813,"_DIRECTORY":43814,"åĨħ容":43815,"Ġcanon":43816,"Ġrecognise":43817,"PAD":43818,"ĠApprox":43819,"ĠRestore":43820,"ĠImportant":43821,"Ġheavier":43822,".Sequential":43823,"Earth":43824,"ĠMilk":43825,".setRequest":43826,".tem":43827,"Ġreconstruct":43828,"Ġskeptical":43829,"_Private":43830,"BUF":43831,"qua":43832,":a":43833,"Ġsek":43834,"Ġdwell":43835,"ossa":43836,"Ġrewarded":43837,"ий":43838,"(topic":43839,"_partition":43840,"Ġ__________________":43841,"Keywords":43842,"ĠFranco":43843,"Lite":43844,"Ġnaken":43845,"Ġза":43846,"OBJECT":43847,"Ġcrafts":43848,"ĠSwap":43849,".Xna":43850,".Connect":43851,"Ġbalcony":43852,"(real":43853,"ĠBarnes":43854,"bir":43855,"ĠTwenty":43856,"ayan":43857,"atars":43858,"ĠPropel":43859,"ĠIhnen":43860,"Upgrade":43861,"Ġcurb":43862,"-second":43863,"Ġneph":43864,".pres":43865,"ìŀħ":43866,".seq":43867,"Ġpadded":43868,"\"?":43869,"jl":43870,"ãĥ¬":43871,"')a":43875,"Coordinates":43876,"Ġenacted":43877,"ENTS":43878,"Ġlac":43879,".final":43880,"ĠPhpStorm":43881,"called":43882,"Ġinquiries":43883,".middleware":43884,"ĠDowntown":43885,"/';Ċ":43886,"Ġkilomet":43887,"accel":43888,"Ġquien":43889,"wstring":43890,"setData":43891,"Ġmanera":43892,"Ġmodular":43893,"rimp":43894,"Ġtariffs":43895,"âĢĻil":43896,"_THROW":43897,"/color":43898,"ĠHTMLElement":43899,"Ġcarro":43900,"Ġprere":43901,"Ġplotting":43902,"ĠPositive":43903,"ĠMachines":43904,"OTES":43905,"Ỽ":43906,"pleasant":43907,"Ġalte":43908,"Ġainda":43909,"these":43910,"Ġcors":43911,"ipay":43912,"ĠAdvisory":43913,"ĠRubio":43914,"jq":43915,"Ġlimestone":43916,"Ġdetached":43917,"设置":43918,"tenant":43919,"ĠDepth":43920,"alore":43921,"ĠÑģÑĤÑĢок":43922,"ĠFORE":43923,"ĠLay":43924,"presentation":43925,")');Ċ":43926,".subplots":43927,"Ïĥ":43928,"NOW":43929,"Gar":43930,"handles":43931,"abra":43932,"puties":43933,"ĠElectrical":43934,"Middle":43935,"ropic":43936,"ĠJD":43937,"ĠDyn":43938,"ĠBristol":43939,"ĠMcCarthy":43940,"Ġstriker":43941,"Ġenumerable":43942,"ĠEvan":43943,".defaults":43944,"quences":43945,")||":43946,"ĉtoken":43947,"âĹı":43948,"-dropdown":43949,"STORE":43950,"ĠGraphic":43951,"(pp":43952,"Expl":43953,"Ġupwards":43954,"ĠDistributed":43955,"ĠWEB":43956,"Jer":43957,"isNaN":43958,"çĶŁæĪIJ":43959,">R":43960,"üssen":43961,"efs":43962,"Ġuncover":43963,"Ġlud":43964,".calculate":43965,"Ġintptr":43966,"Ġmidfielder":43967,".Headers":43968,"Ġmf":43969,"eref":43970,".Metro":43971,"ĠSpeaking":43972,":b":43973,"Ġcryptocurrencies":43974,"Ġdemons":43975,"ĉEXPECT":43976,"Ġwicked":43977,"youtube":43978,":Int":43979,"ĠHindi":43980,"ĠCAT":43981,"Ġع":43982,"rar":43983,"omore":43984,"/per":43985,"/license":43986,"Ġreim":43987,"Ġawaiting":43988,"Ġlethal":43989,"ĠEF":43990,"rounded":43991,"ĠPlatinum":43992,"ĠвÑģе":43993,".coords":43994,".Device":43995,"/item":43996,"ĠWenn":43997,"compileComponents":43998,"ĠKinder":43999,".removeItem":44000,"Ġanda":44001,"bnb":44002,"Ġpra":44003,"(transaction":44004,"Ġembarrassing":44005,"ĉBOOL":44006,".contentView":44007,"Ġeventdata":44008,"atore":44009,"ĠprovidedIn":44010,"irma":44011,"Ġzona":44012,"_HW":44013,"æĻ":44014,"Ġstove":44015,"Ġcounterpart":44016,"_Product":44017,"_MANAGER":44018,"Ġinfring":44019,"ĠERA":44020,"_party":44021,"Ñij":44022,"Ġinici":44023,"_Request":44024,"Ġmiracle":44025,"ĠcancelButton":44026,"Spy":44027,"ató":44028,"Ġpolish":44029,"ĠNicole":44030,".displayName":44031,"\\Requests":44032,"ĠuseHistory":44033,"RouterModule":44034,"Ġstared":44035,"IDER":44036,"ÑĥнкÑĨи":44037,"Ġnota":44038,"$arr":44039,"pecified":44040,"Ġtopp":44041,"_DRIVER":44042,"/ng":44043,"åł":44044,"_tm":44045,"%timeout":44046,"\"":44488,"tlement":44489,"$(\"":44490,"FromString":44491,"ĠBild":44492,"Ġconventions":44493,"_native":44494,"ĠInspector":44495,"ĠPist":44496,"ubar":44497,"Ġregs":44498,"ĠPilot":44499,"Thus":44500,">'+":44501,"Ġcela":44502,".news":44503,"(Product":44504,"Living":44505,"Russia":44506,"Ġfacet":44507,"etical":44508,"Ġ['$":44509,"/[":44510,"ĠDire":44511,"Ġgases":44512,"ĠINFORMATION":44513,"ĠEat":44514,"ĠForums":44515,"ĠCharacters":44516,"_met":44517,"Ġìĭľ":44518,"Ġkings":44519,"achie":44520,"ĠLambda":44521,"Ġtimers":44522,"ĠLighting":44523,"ĠCasey":44524,"addir":44525,"andex":44526,".answer":44527,"ĠHip":44528,"ĠPrincip":44529,"StartDate":44530,"ĠãĢĮ":44531,"tres":44532,"Ġ&#":44533,".MaxValue":44534,"ĠProblems":44535,"Ġlatex":44536,"OfClass":44537,"ĠLynn":44538,"//'":44539,"Ġvoyage":44540,"Ġshuttle":44541,"ĠRoller":44542,"ĠRuntimeError":44543,"uya":44544,"Dic":44545,"ĉbuilder":44546,"Ġbullying":44547,"Ġsimplest":44548,".called":44549,"ĠLR":44550,"Ġmorality":44551,"Ġsturdy":44552,"tracking":44553,".swagger":44554,"_BIND":44555,"ITOR":44556,"-urlencoded":44557,"ĠÑħ":44558,"ĠTrinity":44559,"Ġtraps":44560,"Ġ|-":44561,"ĠsetText":44562,"Ġbargain":44563,"Ġbrakes":44564,".getCode":44565,"Ġmigrate":44566,"Ġribbon":44567,")return":44568,"Ġcharger":44569,"acom":44570,"ADIUS":44571,"ĠAmbassador":44572,"-after":44573,"Ġanni":44574,"ĉspin":44575,"Concept":44576,"ĠHenderson":44577,"ĠHOST":44578,".rank":44579,"ĠNortheast":44580,"Ġberlin":44581,"Ġrequis":44582,".feed":44583,"ĠsourceMapping":44584,"ĠRencontre":44585,".ajax":44586,"nestjs":44587,"Ġtrek":44588,"ĠNacional":44589,"Ġ&[":44590,"Ġpayable":44591,"ortex":44592,"Ġdept":44593,"fieldName":44594,"Ġcompletes":44595,"ĠRVA":44596,"Ġonions":44597,"alignment":44598,"Formats":44599,"Ġ'{$":44600,"HashSet":44601,"ĠBod":44602,".InvariantCulture":44603,"Ġsettlements":44604,"Ġhydr":44605,".updated":44606,"venth":44607,"(seconds":44608,"=\"/\"":44609,"Ġwebpage":44610,"(ĊĊ":44611,"Ġtir":44612,"Ġtoes":44613,"ĠBrick":44614,"Ġambition":44615,"Pot":44616,"=max":44617,"ETIME":44618,"Ġdepot":44619,"calls":44620,"ĠNorwegian":44621,"`:":44622,"Ġburger":44623,"Ġprofessors":44624,"ĠAllocate":44625,"-thirds":44626,"-chart":44627,"Ġford":44628,"*N":44629,".kotlin":44630,"Ġpaperwork":44631,"ĠDEVICE":44632,"%@\",":44633,"respect":44634,"(mp":44635,"é«ĺ":44636,"-if":44637,"Ġcushion":44638,"obot":44639,"Ġparc":44640,"SPACE":44641,"ĠNetanyahu":44642,"Ġselfish":44643,"feat":44644,"Ġclientes":44645,"-tools":44646,"Ġporch":44647,"Ġjq":44648,".verbose":44649,"Ġliberals":44650,"])ĊĊĊ":44651,"pies":44652,"NotBlank":44653,"(term":44654,"ÈĽi":44655,"_Params":44656,".normalize":44657,"Bullet":44658,"ASIC":44659,"(hex":44660,"_cliente":44661,"+,":44662,"_DI":44663,"Ġforthcoming":44664,"}\")]Ċ":44665,"seo":44666,"Um":44667,">Name":44668,"Ġcomfortably":44669,"irectional":44670,"WITH":44671,"/pr":44672,"ĠPoor":44673,"ĠVitamin":44674,"vic":44675,"GH":44676,"Ġpriorit":44677,"ĠNN":44678,"ĠClosed":44679,"¤í":44680,"ĠisOpen":44681,"\\Console":44682,"AndFeel":44683,".SUCCESS":44684,"_OPERATION":44685,"polation":44686,"ĠTas":44687,"psz":44688,">'.":44689,"CURRENT":44690,"Vendor":44691,"hosts":44692,"ĠErd":44693,">tagger":44694,"ĠsourceMappingURL":44695,"Ġmarathon":44696,"_closed":44697,"Ġexemption":44698,"Ġrecognizes":44699,"ideshow":44700,"'$":44701,"('/');Ċ":44702,"mits":44703,"warz":44704,"ĠCherry":44705,"µ¬":44706,"nor":44707,"porte":44708,"Ġwl":44709,"_backup":44710,".getBoolean":44711,".getResource":44712,"Ġdefinitive":44713,".EditText":44714,"ĠsÃŃ":44715,".CONT":44716,"ĠPLAYER":44717,".cards":44718,"ĠShore":44719,"('/')Ċ":44720,"cluir":44721,"WebDriver":44722,"(month":44723,"-release":44724,"Ġinspector":44725,"å£":44726,"ĠNF":44727,"_clip":44728,"åŃIJ":44729,"Ġinteracting":44730,".tmp":44731,"Ġ'''ĊĊ":44732,"Ġdee":44733,"Ġfrost":44734,"\"]))Ċ":44735,"ĠPlaces":44736,"Throws":44737,"fork":44738,"/day":44739,"iPhone":44740,"ĠMIC":44741,"Ġfolding":44742,"Ġcrore":44743,"ĠChiefs":44744,"pherical":44745,"(price":44746,".WriteString":44747,"Ġexiting":44748,"]',Ċ":44749,"ighting":44750,"Ingredient":44751,"(vertex":44752,"ĠscrollView":44753,"hf":44754,":new":44755,"SEN":44756,"sector":44757,"Ġspins":44758,"ĠScheduler":44759,"otechn":44760,"semicolon":44761,"FontOfSize":44762,"ĠSpecifically":44763,"flamm":44764,".ObjectId":44765,"Ġconta":44766,"_permissions":44767,"ĉFROM":44768,"ICODE":44769,"/kg":44770,"ĠHotels":44771,"-med":44772,"ĠDin":44773,"Ġnavy":44774,"getParam":44775,"Ġmend":44776,"Ġportrayed":44777,"ĠMetropolitan":44778,"Painter":44779,"Ġreferral":44780,"_good":44781,"Ġmarvel":44782,"osaic":44783,">(&":44784,".ur":44785,"Ġestos":44786,"William":44787,"Ġtimber":44788,"Ġquelques":44789,"ĠDocuments":44790,".Xaml":44791,"Ġbatches":44792,"éģĵ":44793,"ĠReleased":44794,"Tail":44795,"COOKIE":44796,"heid":44797,"_station":44798,"ĠVia":44799,"Sale":44800,"ĠRepeat":44801,"Ġpromin":44802,"ĠZo":44803,"-forward":44804,"ĠIon":44805,"itary":44806,"Ġjus":44807,"-request":44808,"Ġproudly":44809,"ĠStreaming":44810,"(MouseEvent":44811,"ĠSprint":44812,"_rotation":44813,"Repositories":44814,"Ġtart":44815,"ĠÑģв":44816,"Ġmappings":44817,"èª":44818,"Cu":44819,"Cycle":44820,"Ġbun":44821,"ĉlua":44822,"ãĥī":44823,"Ġ((!":44824,"Ġcollectively":44825,"ĠCond":44826,"Ġwszyst":44827,"(lib":44828,"openhagen":44829,"_skip":44830,".ColumnHeader":44831,"éĤ":44832,"perienced":44833,"ıè¿°":44834,"_props":44835,"Ġcontrace":44836,"Ġmatchup":44837,"abetic":44838,".members":44839,"RECT":44840,"(dat":44841,"Ġsog":44842,"renom":44843,"_Method":44844,"Customers":44845,"fullname":44846,"ZN":44847,"retry":44848,"Ġkap":44849,"ĠNeu":44850,"èĬ":44851,"addChild":44852,"willReturn":44853,"_permalink":44854,"Ġenergetic":44855,"ĠWet":44856,"ĠMorr":44857,"Ġgcd":44858,"counts":44859,",type":44860,"dig":44861,"(Login":44862,"Ġcracks":44863,"Ġbacterial":44864,"ĠMeat":44865,"ĠArmstrong":44866,"ĠBronze":44867,"Ġapproximate":44868,"_dirs":44869,"liga":44870,"ÅĤad":44871,"Ġkindness":44872,"Ġcontre":44873,"ĠEVERY":44874,"MET":44875,"Ġannouncements":44876,"gpio":44877,"ĠWaitForSeconds":44878,"ĠPhotoshop":44879,"Ġdiscontin":44880,"/dd":44881,"Ġtopology":44882,"anical":44883,".interface":44884,"aucoup":44885,".HashSet":44886,"ARIANT":44887,"(routes":44888,"ĠTeh":44889,"Ġhype":44890,"]\").":44891,"Ġslam":44892,"Ġbroth":44893,"-inter":44894,"ĠRid":44895,"-manager":44896,"Cancelar":44897,"ĠPagination":44898,"Ġsoundtrack":44899,"Ġposterior":44900,"Ġscrub":44901,"creating":44902,"-*":44903,"irteen":44904,".dy":44905,".symmetric":44906,"Ġ\"\".":44907,"===============":44908,"Ġchassis":44909,"ĠnumberOfRows":44910,"Developer":44911,"_bins":44912,"ĠOUR":44913,"rieb":44914,"Pros":44915,"ĠwiÄĻ":44916,"\"d":44917,"Ġasyncio":44918,"zeigen":44919,"_spi":44920,".ALL":44921,"Ġscrews":44922,"Chinese":44923,"ĠapiKey":44924,"Ġunsuccessful":44925,"ĠSeahawks":44926,"ORG":44927,"ç«ł":44928,"Ġprofessionally":44929,"ĠCoupon":44930,"åŃĹ段":44931,"Convention":44932,"Ġpolym":44933,"æīĭ":44934,"Ġsalvation":44935,"Ġengineered":44936,"ĠWrest":44937,"ĠGCC":44938,"Ġwarmer":44939,"LayoutConstraint":44940,"Ġaggrav":44941,"Scripts":44942,"venture":44943,"Ġrefrigerator":44944,"Ġinnovations":44945,"ĠRunner":44946,"NIC":44947,"ĠRolling":44948,"ControlEvents":44949,"Ġloos":44950,"pac":44951,"ĉpanel":44952,"efe":44953,"ĠBuddha":44954,"--------------Ċ":44955,"åºĵ":44956,"(forKey":44957,"Ġlumin":44958,"Ġ(?":44959,"ĠAIDS":44960,",user":44961,"imientos":44962,"contentType":44963,"antlr":44964,"é¦":44965,"ĠWelt":44966,"Production":44967,"might":44968,"ĠVII":44969,"\",(":44970,"Ġobserving":44971,"Ġdeliberate":44972,"(control":44973,"Ġwithd":44974,"Ġsemana":44975,"STACK":44976,"uchen":44977,"Nice":44978,"ĠDeutschland":44979,"ĠSpecifies":44980,"dma":44981,"izio":44982,"ĠFacts":44983,"_popup":44984,"ĠDirectors":44985,"{:":44986,"[R":44987,"ĠÑįлеменÑĤ":44988,"Ġplat":44989,"Ġdirecting":44990,"ä¸ī":44991,"ĠGilbert":44992,"âĢ¦.ĊĊ":44993,".qml":44994,"Ġthereafter":44995,"Ġdisposition":44996,"draft":44997,"Ġsurgeon":44998,"ĠInsider":44999,"Blend":45000,"ĠTrev":45001,"trinsic":45002,"Topics":45003,"rieve":45004,"_FILENAME":45005,"Ġautres":45006,"Jose":45007,"Producer":45008,"erus":45009,"Ġpetit":45010,"ĠNEXT":45011,"ĠFilters":45012,"Ġreplicate":45013,"\"]).":45014,"Ġlenders":45015,"]\",Ċ":45016,";charset":45017,"CppObject":45018,"Ġfloral":45019,"ĠTipo":45020,"Ġcircuits":45021,"easy":45022,"(&$":45023,"itta":45024,"eryl":45025,"_COMMON":45026,"'}}>Ċ":45027,"-backed":45028,"(variable":45029,"(Index":45030,"Ġvoir":45031,"_locations":45032,"++){":45033,"ĠLouisville":45034,"Ġgratitude":45035,".Mockito":45036,"ĠPowers":45037,"ieurs":45038,"Ġgeographic":45039,"rale":45040,"Ġcra":45041,"ĠSpurs":45042,"iphertext":45043,"ACION":45044,"-common":45045,"Ġvictories":45046,"ĠFinals":45047,".shuffle":45048,"-million":45049,"_PROC":45050,"assume":45051,"Ġils":45052,"DBC":45053,"BootTest":45054,"Ġlavor":45055,".testing":45056,".ast":45057,"\"]/":45058,"moid":45059,"Ġqualification":45060,"gesch":45061,"ĉput":45062,"Ġairports":45063,"JI":45064,"Teacher":45065,"_uniform":45066,"Ġnama":45067,"ĠBast":45068,"ertype":45069,"capture":45070,"getAll":45071,"ĠReynolds":45072,"ooled":45073,".comments":45074,"Ġchin":45075,").*":45076,"Ġили":45077,"tgl":45078,"udos":45079,"ĠdÃŃas":45080,"chai":45081,".program":45082,"Ġpsz":45083,"ĉicon":45084,"phil":45085,"entral":45086,"_WRAP":45087,"ovi":45088,"Ġnostalg":45089,"Infinity":45090,"ĉyield":45091,"Ġvitamins":45092,"Quaternion":45093,"Sink":45094,"_goods":45095,"Ġ........":45096,"ĠWings":45097,"uridad":45098,"-story":45099,"\"])ĊĊ":45100,"idelity":45101,"TypeDef":45102,"Gtk":45103,"ĠíĮ":45104,"_Main":45105,"Ġchez":45106,"ĠRaven":45107,"Ġpayroll":45108,"Ġfreelance":45109,"LLU":45110,"ĠMend":45111,"eday":45112,"ApiModelProperty":45113,".FormBorderStyle":45114,"Ġeconomist":45115,"stanbul":45116,"Ġfreight":45117,"-Agent":45118,"(meta":45119,"Ġsymmetry":45120,"Ġ'..":45121,".Calendar":45122,"-aut":45123,"gf":45124,"pent":45125,"yclopedia":45126,"Ġwishing":45127,"ĊĊĊĊĊĊĊĊĊĊĊĊ":45128,"Ġgentleman":45129,"Ġê³":45130,"=#":45131,"Ġlectures":45132,"âĢľIn":45133,"Ġ!_":45134,"Ġhb":45135,"ĠVendor":45136,"Recently":45137,"_notes":45138,"æıIJ示":45139,"\"My":45140,"HeadersHeight":45141,"_SO":45142,"Ġunwilling":45143,"Ġsuperhero":45144,"gio":45145,"psy":45146,"ĠPeer":45147,"javax":45148,"&apos":45149,"ĠCrisis":45150,"ordinal":45151,"Memcpy":45152,"++++++++++++++++":45153,"-val":45154,"Ġworkbook":45155,"-ap":45156,"=k":45157,"Ġmetallic":45158,"_peer":45159,"ByPrimaryKey":45160,"_SD":45161,"uator":45162,"_SHADER":45163,")Math":45164,".Transform":45165,"Ġcows":45166,"Phi":45167,"ĠClem":45168,"(_(\"":45169,"ĠLud":45170,"-delay":45171,"ĠSecurities":45172,"ĠOrthodox":45173,"Symfony":45174,"(report":45175,"Ġentertain":45176,"EPS":45177,"izoph":45178,"exual":45179,"IRD":45180,"ä»İ":45181,"Ġlith":45182,"Ġsanitize":45183,"Ġfeminine":45184,"ISBN":45185,".authentication":45186,"_pipeline":45187,"/constants":45188,"ĠCONF":45189,"Ġlucr":45190,"ricia":45191,".ttf":45192,".setContent":45193,"Ġstan":45194,"orean":45195,"ĠLloyd":45196,".rawValue":45197,"Ġgor":45198,"ĠBrowns":45199,"Regression":45200,"Ġlowering":45201,"naissance":45202,"Ġblows":45203,"Ġamazed":45204,"Ġunrelated":45205,"Reviews":45206,"Ġruby":45207,"ĠModifier":45208,"Ġgiants":45209,".thread":45210,"Ġcontainment":45211,"ĠStartCoroutine":45212,"umat":45213,"orelease":45214,"ĠRandy":45215,"@endif":45216,"Digest":45217,"Ġsuburban":45218,"=\");Ċ":45219,"Ġannonce":45220,".variable":45221,"\\Foundation":45222,"Ġacre":45223,"Van":45224,"Ġtuples":45225,"dns":45226,"ĠStanding":45227,"_large":45228,"Ġboxing":45229,"SupportActionBar":45230,"ĠFortune":45231,"ĠRum":45232,"_multiple":45233,"archical":45234,"Ġfwrite":45235,"_quote":45236,"Ġfoolish":45237,"Ġcomprising":45238,"Ġоп":45239,"-selected":45240,"vf":45241,"maid":45242,"Nama":45243,"(datetime":45244,"Ġindirectly":45245,"gart":45246,"fixtures":45247,"chos":45248,"ĠHalo":45249,"Ġrecurring":45250,"-news":45251,"vil":45252,"ĠNursing":45253,"-produ":45254,"ĠHQ":45255,"\\HttpFoundation":45256,"enci":45257,"auen":45258,"Ġvy":45259,"ocracy":45260,"Ġdelegation":45261,"Ġasphalt":45262,"ĠsetSelected":45263,"kok":45264,"/rest":45265,"metics":45266,"ĠNSDate":45267,"Ġtravelled":45268,"Ġrecib":45269,"Ġmime":45270,"CLIENT":45271,"ĠGU":45272,"ĠHANDLE":45273,"/Q":45274,"[z":45275,"Ġbothered":45276,"ĠBBQ":45277,"ças":45278,"_examples":45279,"_FIN":45280,"ĠwhiteColor":45281,"Ġastronom":45282,"-dir":45283,"Ġsovereign":45284,"Ġbreeze":45285,"Ġinning":45286,"ĠEdmonton":45287,"gli":45288,".blogspot":45289,"jsx":45290,"Ġversa":45291,"ĠMohammed":45292,".Job":45293,"-toggler":45294,"ĠполÑĮзоваÑĤ":45295,"ardon":45296,"Ġnewborn":45297,"Ġnaval":45298,"noteq":45299,"Ġtumblr":45300,"Ġhentai":45301,"ĠTypically":45302,"Ġloot":45303,".Sprite":45304,"Flight":45305,"Ġwavelength":45306,"-sk":45307,"ĠElle":45308,"_exports":45309,"ĠÑı":45310,"ĠIH":45311,"izophren":45312,"Ġíģ":45313,"_primary":45314,"Ġmois":45315,"ĠBN":45316,"Ġsystemic":45317,"Ġdiferentes":45318,"INCT":45319,"Ġ''ĊĊ":45320,"$q":45321,"WidgetItem":45322,"clide":45323,"$file":45324,"Lemma":45325,"/table":45326,"agrid":45327,"ĠMongoDB":45328,"inte":45329,"Ġapprent":45330,"ÂŃing":45331,".Db":45332,"ĠÃĤ":45333,"hammer":45334,"='';Ċ":45335,"Ġbrokers":45336,"itlement":45337,"semblies":45338,"Ele":45339,"{x":45340,"Ġlastname":45341,"<-":45342,"Ġflatten":45343,"_band":45344,".Root":45345,".readFileSync":45346,"======":45347,".rx":45348,"?čĊ":45349,"Ġmetaphor":45350,"Ti":45351,"conte":45352,"Ġdebit":45353,"Ġcontempt":45354,"CppType":45355,"æĶ¯":45356,"FormField":45357,"ratio":45358,"osopher":45359,"Ġimplant":45360,"PURE":45361,"Ġalta":45362,"_management":45363,"Ġrefine":45364,"ĠCheckBox":45365,"ĠCharl":45366,"-version":45367,"conditional":45368,"venues":45369,"Ġrifles":45370,"Ġoffspring":45371,"Ġmilling":45372,"Ġsharply":45373,"Ġunderwater":45374,"(origin":45375,"_Control":45376,"Ġ.$":45377,"Plugins":45378,"Ġdrying":45379,"Ġillustrates":45380,"-u":45381,"Ġvegetarian":45382,"npc":45383,"Heart":45384,";',Ċ":45385,"comma":45386,"teenth":45387,"asan":45388,"/spec":45389,"_moves":45390,"-margin":45391,"Ġingen":45392,"³³³":45393,"Ġprojet":45394,"Ġotra":45395,"Ġbras":45396,".utc":45397,"Ġslept":45398,"=sub":45399,"abilit":45400,"poster":45401,"Ġsdk":45402,"ouncill":45403,"Ġwd":45404,"PreparedStatement":45405,"ĠDrum":45406,"(attribute":45407,"ĠEthernet":45408,"ĉDB":45409,"California":45410,"cube":45411,"[I":45412,".Created":45413,"ĠHM":45414,"Ġtracing":45415,"FormsModule":45416,"-you":45417,".currency":45418,"feeding":45419,"Ġtbody":45420,"Li":45421,"accion":45422,"nas":45423,"Ġtrouver":45424,"NONE":45425,"\"},čĊ":45426,"Ġftp":45427,"WithIdentifier":45428,"polate":45429,"FileInfo":45430,"Ġpursued":45431,"ĠĠĠĠčĊĠĠĠĠčĊ":45432,"DESCRIPTION":45433,"}*/Ċ":45434,"FromNib":45435,"Ġdecorative":45436,"_SSL":45437,"(chat":45438,"TLS":45439,"Ġsurprises":45440,"alculate":45441,"ĠSplash":45442,"(Configuration":45443,"ĠSEM":45444,"imson":45445,"/library":45446,"":45521,"GED":45522,"faq":45523,"Ġoptionally":45524,"_Dis":45525,"ĠSuccessful":45526,"ĠCensus":45527,"Ġincarcer":45528,"_CARD":45529,"Ġaviation":45530,"ĠGym":45531,"Authority":45532,".Bean":45533,"shader":45534,"NotExist":45535,"_TextChanged":45536,"ĠSTOP":45537,"(team":45538,"\"H":45539,"wg":45540,"Ġgrinder":45541,"Ġstripe":45542,"Ġpreservation":45543,"Claim":45544,"aversal":45545,"warehouse":45546,"targets":45547,"Trust":45548,"Ġallev":45549,",www":45550,"ousse":45551,"_chan":45552,"_Size":45553,"systems":45554,"Ġobjection":45555,"ĠKane":45556,"Ġcorros":45557,"ĠDSL":45558,"Ġua":45559,"ĠMH":45560,"ĠStrategic":45561,"_tcp":45562,"Ġê°Ĵ":45563,"Ġborrowed":45564,"ĠAch":45565,"ĉcommand":45566,"Ġgps":45567,"leston":45568,"ichever":45569,"ĠUA":45570,"Ġassaulted":45571,"Ġspecializes":45572,"ĉsearch":45573,"Hotel":45574,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠčĊ":45575,"ĠPitch":45576,"ĠÙģ":45577,"READY":45578,"Ġparental":45579,"Ġgéné":45580,"Ġdonnées":45581,"Ġdetain":45582,"TARGET":45583,"Ġprotagonist":45584,"ĠclearInterval":45585,"ĠIconButton":45586,"ĠGetAll":45587,"TypeInfo":45588,"EH":45589,"âĢľThey":45590,"Ġ{[":45591,"Ġgag":45592,"ĠÚ©":45593,"ĠDropdown":45594,".free":45595,"gone":45596,"imens":45597,"Ġinstal":45598,"ĉcurl":45599,"_CAN":45600,"ĠBone":45601,"ï¼Ķ":45602,"onyms":45603,"-government":45604,".bindingNavigator":45605,"ĠDans":45606,"ĠMcL":45607,"(en":45608,">(_":45609,"ÐĴÑĭ":45610,".*;čĊ":45611,"=j":45612,"-cor":45613,"Son":45614,".ToolStripItem":45615,"-around":45616,"_XML":45617,"endDate":45618,"Ġslack":45619,"Ġrotated":45620,"Ġnoqa":45621,"Ġcottage":45622,"Ġencontrar":45623,"_skill":45624,"houette":45625,"!čĊ":45626,".weather":45627,"Ġemphasized":45628,"家":45629,"ĠÑģпиÑģ":45630,"ĠCompiler":45631,"(android":45632,"ĠâĢº":45633,".turn":45634,"Ġsuppression":45635,"_calls":45636,"Ġ*@":45637,"(strlen":45638,".hex":45639,"ĠBills":45640,"ĠRSA":45641,"ÏĤ":45642,"ĠEscape":45643,"ementia":45644,"Ġfrontend":45645,"Ġpint":45646,"_exc":45647,"zzo":45648,"[],Ċ":45649,"Ġ\"','\"":45650,".Environment":45651,"Ġaforementioned":45652,"Ġendure":45653,"prototype":45654,"therapy":45655,"ssi":45656,"Deg":45657,"_plugins":45658,".userInfo":45659,"Printer":45660,"ĠPROGRAM":45661,"Ġruins":45662,"Ġempirical":45663,"Ġcrawl":45664,"ĠBoiler":45665,"-comment":45666,".subplot":45667,"_et":45668,"Ġ'.',":45669,"minor":45670,"ĠCustoms":45671,"Ġyaw":45672,"underline":45673,"ĠComo":45674,"(('":45675,"(mean":45676,"Ġchaque":45677,"ĠBlocks":45678,".rad":45679,"ilibrium":45680,"Ġwebdriver":45681,"Ġmelhor":45682,"dana":45683,"ĠAbuse":45684,"ĠSouthwest":45685,"ĠParen":45686,"PERTIES":45687,"ĉIL":45688,"Ġscream":45689,"vu":45690,"Ġincomes":45691,"Ġnim":45692,"Ġlace":45693,"Ġcompensate":45694,"Reverse":45695,"Dat":45696,"_attack":45697,"Ġnour":45698,"achen":45699,"cek":45700,"\"+":45957,"Ġtokenizer":45958,"Ġsovereignty":45959,"ĠPence":45960,"()\");Ċ":45961,"Ġpessoas":45962,".Ge":45963,"ĠIncluded":45964,"Ġpagina":45965,"Ġexposing":45966,"еÑĪ":45967,"_SCRIPT":45968,"/$',":45969,"Thumbnail":45970,"×Ķ":45971,"webElementX":45972,"webElementXpaths":45973,"pressure":45974,"ĠCurry":45975,"_CP":45976,"OLUTION":45977,"ILES":45978,"protect":45979,"oola":45980,"Workspace":45981,"{};Ċ":45982,"ĠUNS":45983,"Ġsympathy":45984,"roker":45985,"Ġremodel":45986,"ĉcell":45987,"Ġatop":45988,".FullName":45989,"Ġfaut":45990,"ĠEasily":45991,"_dynamic":45992,"Ġframed":45993,"Ġmotive":45994,"è·¯":45995,"sam":45996,"Ġmarca":45997,"ĠTextEditingController":45998,"Ġdestructor":45999,"cream":46000,"Ġrude":46001,"ĠBold":46002,"ĠIndigenous":46003,"Ġgens":46004,"Ġrelacion":46005,"(system":46006,"ĠUIFont":46007,"_charge":46008,"USTER":46009,"EV":46010,".Namespace":46011,"Ġmerger":46012,"Ġcalloc":46013,"gang":46014,"BadRequest":46015,"Ġsper":46016,"-design":46017,"Ġâĩ":46018,"Chan":46019,"Ġorganism":46020,",)":46021,"=id":46022,"_plane":46023,"ĠCases":46024,"elfast":46025,"ĠLegislature":46026,"ĠFaker":46027,"Ġinvoking":46028,"-utils":46029,"().'":46030,".face":46031,"Ġguardian":46032,"myModal":46033,"Ġclipboard":46034,"ĠATM":46035,"Ġpeas":46036,"ĠSylv":46037,".calc":46038,"ĠContacts":46039,"intValue":46040,"Ġmodifying":46041,"ĠBarb":46042,".loss":46043,"_percentage":46044,"Asked":46045,"(lst":46046,"ategorical":46047,"-files":46048,"ĠRomania":46049,".Ac":46050,"Ġhai":46051,"ĠFlying":46052,"Ġż":46053,"jp":46054,"ĠTrainer":46055,".arc":46056,"_deg":46057,"Ġtraceback":46058,"OrFail":46059,"FLOW":46060,".old":46061,"oya":46062,"gmt":46063,"isempty":46064,"Ġvaccination":46065,"Ġobsolete":46066,"recognized":46067,"Ġruined":46068,"ĠRein":46069,"ĠTracking":46070,"xfb":46071,"اÛĮ":46072,"Ġvære":46073,"Ġbryster":46074,"ĠITS":46075,"Ġdestiny":46076,"Ġswear":46077,"Ġredes":46078,"Ġclf":46079,"Ġflipped":46080,"ĉhead":46081,"Bluetooth":46082,"ĠOverrides":46083,":Boolean":46084,"_=":46085,"_lr":46086,"spawn":46087,":index":46088,"VALUES":46089,"iskey":46090,"?\");Ċ":46091,".synthetic":46092,"ĠChecking":46093,"structures":46094,"iping":46095,"Ġvocals":46096,"-Up":46097,"ĠManufacturers":46098,"ĠMarriage":46099,"代çłģ":46100,"Ġgarner":46101,"_Client":46102,"parallel":46103,"RIEND":46104,"Ġvinegar":46105,"segue":46106,"JB":46107,"Ġcontacting":46108,"ĠCarroll":46109,"Ġoutreach":46110,"tensor":46111,"_variant":46112,"Ġtheat":46113,"licable":46114,"{|":46115,"tiny":46116,"_letter":46117,"Ġpencil":46118,"HeadersHeightSizeMode":46119,"iltro":46120,".autoconfigure":46121,".drag":46122,".useState":46123,"ĠBMI":46124,"hint":46125,"Compile":46126,"*\\":46127,"enary":46128,"Ġlvl":46129,".Cache":46130,"+=\"":46131,"_tv":46132,"ruitment":46133,"Ġfread":46134,"Articles":46135,"fila":46136,"Ġpackaged":46137,"âĺĨ":46138,"ATHER":46139,"ĠPlanned":46140,"scheme":46141,"Ġdiary":46142,"Ġoffenses":46143,"/F":46460,"ĠStick":46461,"Ġcerc":46462,"ĠSlee":46463,"ĉĉĠĠĠĠĠĠĠĠ":46464,"":46639,"ĉcol":46640,"VG":46641,"_boolean":46642,"recent":46643,"Ġ*)ĊĊ":46644,"ĠRainbow":46645,"ommen":46646,"Ġlur":46647,"Ġoppression":46648,"(\",\");Ċ":46649,"ĠFacility":46650,"DEFINED":46651,"Ġneon":46652,"Ġoffender":46653,"AFP":46654,"ĠCleaning":46655,"[]):":46656,"Ġundocumented":46657,".Repositories":46658,"ĠGuitar":46659,"аÑģÑģив":46660,"Skills":46661,"Ġtestimon":46662,"ryptography":46663,"ĠAmber":46664,"ĠStalin":46665,"Ġlone":46666,"Ġapenas":46667,"Ġdieses":46668,"ĠArduino":46669,"转":46670,"==-":46671,"_Act":46672,"Ġcoded":46673,"âĸł":46674,"amburger":46675,"-links":46676,"Ġarmour":46677,".High":46678,"getContent":46679,"stag":46680,"Ġheck":46681,"ĠìĹĨ":46682,"ĠMcConnell":46683,"ĠConcert":46684,"ĠAlloc":46685,"äre":46686,".replaceAll":46687,"Ġpartitions":46688,"rott":46689,"ĠFle":46690,"_TREE":46691,"reasonable":46692,"ĠReporting":46693,"Ġbillionaire":46694,"scores":46695,"mins":46696,"-eye":46697,"MORE":46698,"abort":46699,"ĠSWT":46700,"Ġinverted":46701,"ĠTeachers":46702,";n":46703,"Ġastro":46704,"нов":46705,"аниÑĨ":46706,"producto":46707,"countries":46708,"ĠOwen":46709,"Ġcontamination":46710,"Ġvibe":46711,"ĠElli":46712,".script":46713,"ĠOlive":46714,"DMA":46715,"vier":46716,":semicolon":46717,"-module":46718,"gressive":46719,"agu":46720,"_players":46721,"Ġresultados":46722,"started":46723,"scrollTop":46724,"=====":46725,"Ġweighing":46726,"Ġ[[[":46727,"zahl":46728,"(NS":46729,"ĠAssertion":46730,"league":46731,".setTextColor":46732,"ĉMessage":46733,"Ġmoms":46734,"_AF":46735,".wh":46736,"ALS":46737,"Ġautre":46738,"]ĊĊĊĊ":46739,".opacity":46740,"ĠBuddhist":46741,"Ġdeaf":46742,"ĠOrganisation":46743,"(Global":46744,"ensch":46745,"Ġheadache":46746,"ĠAlien":46747,"_inode":46748,"ĠStark":46749,"Ġæī":46750,"-lnd":46751,"oref":46752,"_feat":46753,"Ġpedestrian":46754,"Ġnominal":46755,"Ġballoon":46756,"Ġsprites":46757,"PrototypeOf":46758,"ĠApost":46759,"ĠFEATURE":46760,"OH":46761,"Ġrecess":46762,"ĠDonna":46763,"consumer":46764,"$GLOBALS":46765,"ĠGIF":46766,"-frame":46767,"Inicio":46768,"Ġpassages":46769,"DateString":46770,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":46771,".byte":46772,"Bug":46773,"initializer":46774,"pkt":46775,"odium":46776,"ĠDER":46777,".ops":46778,"leri":46779,"Ġgifted":46780,"Ġdetach":46781,"terrain":46782,"elters":46783,"ãģı":46784,".loader":46785,"ĠNGO":46786,"strncmp":46787,"Kh":46788,"(fontSize":46789,"rocket":46790,"Ġprecedent":46791,"ĠAurora":46792,"ĠExperiment":46793,"isphere":46794,"Encoded":46795,"ĠâĢĵĊĊ":46796,"Ġpyramid":46797,"ĠAnniversary":46798,"ofil":46799,"ëŁ":46800,"(plugin":46801,"Coeff":46802,"Ġcooperate":46803,"Ġpredominantly":46804,"ISM":46805,"Phrase":46806,"_DEFINE":46807,"Flip":46808,"AMILY":46809,"ĠMarkets":46810,"ĠStreamReader":46811,"ĠCombine":46812,"Ġmanuscript":46813,"zza":46814,",tp":46815,"Whatever":46816,"ITICAL":46817,"ighbour":46818,"DataProvider":46819,".Texture":46820,"privacy":46821,".SDK":46822,"Ġrecharge":46823,"Ġcpp":46824,"ĠCFG":46825,"(holder":46826,"(py":46827,"mot":46828,"Ġsavoir":46829,"ĠRosa":46830,"ĠPCs":46831,"ĠíĻ":46832,".heroku":46833,"Ġfren":46834,"ĠRiley":46835,"agate":46836,"Ġsond":46837,".xlsx":46838,"Ġhacked":46839,"stad":46840,"Gi":46841,"Ġsanity":46842,"ĠSqlDataAdapter":46843,"...\",":46844,"ĠPussy":46845,"Ġ****************":46846,"Ġhassle":46847,"_PARENT":46848,"ĠUAE":46849,"Ġbeginners":46850,"(Client":46851,"Ġstatistically":46852,".hour":46853,"edelta":46854,"Ġtraction":46855,"uelve":46856,"arat":46857,"Ġsauna":46858,"INVALID":46859,"Ġindictment":46860,"ALLE":46861,"Ġdissent":46862,"ĠTypography":46863,"Ġintentional":46864,"sit":46865,"ĠAnimals":46866,"Ġcountryside":46867,"Ġuart":46868,"}\\\"":46869,"Ġseamless":46870,"¾ç¤º":46871,"Ġautos":46872,"Ġ\"'\";Ċ":46873,"Flush":46874,"ANNOT":46875,"Ġalgebra":46876,"assoc":46877,"ĠWaters":46878,"Ġpreparations":46879,"ronym":46880,"[,]":46881,"Sans":46882,"Ġarmies":46883,"ipeg":46884,"Ġcreamy":46885,".art":46886,"etre":46887,"ĠAnimated":46888,"Ġunpleasant":46889,"emean":46890,"great":46891,"iÄħ":46892,"ĠEarlier":46893,"Ġchic":46894,"Ġpreserving":46895,"(exec":46896,"ĠInvestigation":46897,"ĉGPIO":46898,"Ġrigorous":46899,"ijo":46900,"=num":46901,"ĠtoolStrip":46902,")set":46903,"+\"&":46904,"ĠAcceler":46905,"Ġdevelopmental":46906,"isposable":46907,"Ġflawed":46908,"rene":46909,"Updating":46910,"Ġwatchdog":46911,"Ġdenominator":46912,"Ġsuburbs":46913,"Ġ...)":46914,"Ġconvictions":46915,"closure":46916,".IP":46917,"Ġtranslates":46918,".swt":46919,".Trace":46920,"Ġmettre":46921,".isEnabled":46922,"ĠEffective":46923,".toInt":46924,"Ġenchant":46925,"Ġstunned":46926,"Ġpoi":46927,"/code":46928,"adm":46929,".databinding":46930,"ĠLorem":46931,"________________________________________________________________":46932,"Ġledger":46933,"Ġcara":46934,"ĠGir":46935,"Ġwaits":46936,"Uno":46937,"Ġcwd":46938,"è¾ij":46939,"ĠTResult":46940,"Ġrejo":46941,"Ġemitted":46942,"ĠWestminster":46943,"ä¸Ģ个":46944,"nek":46945,"_Tis":46946,"Ġenact":46947,"ĉwith":46948,"orgia":46949,"Ġjue":46950,"Perform":46951,"SPATH":46952,".topic":46953,"ĠDaten":46954,"ầ":46955,"Ġsitio":46956,"_MM":46957,"\"So":46958,"bial":46959,"Ġscoped":46960,"Requires":46961,"ĠTOTAL":46962,"ĠChancellor":46963,"(contents":46964,"Ġstealth":46965,"devices":46966,"-pass":46967,"ilih":46968,"ĠMalcolm":46969,"ĠDepot":46970,"Ġconfigur":46971,"aussian":46972,"_constraint":46973,"веÑĤ":46974,"GRA":46975,"ĠRates":46976,".dataGridViewTextBoxColumn":46977,"ĠNobel":46978,"itics":46979,"Ġignorant":46980,"ĠReporter":46981,"ĠEbola":46982,"ĠShock":46983,"_relation":46984,"ĠNinja":46985,")c":46986,"Ġticker":46987,".isChecked":46988,"ĠSuppliers":46989,"ĠRapid":46990,"Levels":46991,"âĤ¬âĦ¢":46992,"ĉqueue":46993,"Ġchop":46994,"ĠUnix":46995,"reject":46996,"-calendar":46997,"(sort":46998,"ène":46999,"ercicio":47000,"Ġhect":47001,"CALLTYPE":47002,"roupon":47003,"Ġrentals":47004,"authors":47005,"{name":47006,"ĠFIFO":47007,"Ġlassen":47008,"ĠNous":47009,"Ġsnapped":47010,"Ġfertility":47011,"\"log":47012,"clicked":47013,"Ġplanting":47014,"Ġgb":47015,"/output":47016,"PEAT":47017,"Ġcategoria":47018,"Ġbach":47019,"Professor":47020,"inth":47021,"\"]čĊ":47022,"Recorder":47023,"serde":47024,"ĠTransmission":47025,"trad":47026,"Ġturbo":47027,"_VERTEX":47028,"\\Event":47029,"ilver":47030,"Ġbodily":47031,"ĠSources":47032,"Ġkillings":47033,".xrTableCell":47034,"Ġfolded":47035,"/legal":47036,"uner":47037,"ĠRifle":47038,"ĠMIDI":47039,"_SelectedIndexChanged":47040,".SizeType":47041,"ĠWebSocket":47042,"Ġseleccion":47043,"Sand":47044,"otros":47045,"Ġenvision":47046,"/etc":47047,"ĠMelissa":47048,"Spot":47049,"ное":47050,"_ARM":47051,"Attempt":47052,"ĠBI":47053,"ãģĶ":47054,"ĠDU":47055,"Ġbacklash":47056,"stride":47057,"/classes":47058,"ĠtextColor":47059,"_staff":47060,"oblin":47061,"agenta":47062,".collections":47063,"illage":47064,"'čĊčĊ":47065,"flatten":47066,"_sales":47067,"_MASTER":47068,"TW":47069,"_da":47070,"Pitch":47071,"phies":47072,"Ġzombies":47073,"ĠVERY":47074,"ĠPharmacy":47075,"ĠprogressBar":47076,"Ġhashtag":47077,"Sidebar":47078,"@stop":47079,"(pc":47080,"олж":47081,"MAKE":47082,"ĠCoron":47083,"Ġkvinner":47084,"ĠMaid":47085,"bob":47086,".titleLabel":47087,"Ġsuccesses":47088,"ĠDemocracy":47089,"ĠSurgery":47090,"Ġcougar":47091,"Ġcurso":47092,"Ġloro":47093,"istency":47094,"Senior":47095,"æk":47096,"ĠAAA":47097,"ĠBOOK":47098,"ко":47099,"WSTR":47100,"Ġ*/,Ċ":47101,"oyal":47102,".vector":47103,"ĠSPEC":47104,"SSF":47105,"Ġcompuls":47106,"ĠAppeals":47107,"ĠWinston":47108,"ĠMockito":47109,"contrib":47110,".available":47111,"entityManager":47112,"arias":47113,"_sale":47114,"_rs":47115,"Ġdecoding":47116,"Ġlocator":47117,"olith":47118,"Ġkol":47119,"Ġascii":47120,"ĠRut":47121,"/interface":47122,"ĉĉĉĉĉĉĠĠĠ":47123,"ĠNumer":47124,".flip":47125,"-del":47126,"Ġbolster":47127,"onomic":47128,"Ġzm":47129,"LG":47130,"FindBy":47131,"Ġadaptive":47132,"loo":47133,"Ġvue":47134,"(reverse":47135,"_canvas":47136,".roles":47137,"ificado":47138,"venient":47139,"\"As":47140,"ĠEntr":47141,"aligned":47142,"Ġbereits":47143,"///ĊĊ":47144,".gwt":47145,".employee":47146,"_cli":47147,"Ġanticipate":47148,"éĻIJ":47149,"Ġpik":47150,"Ġmushrooms":47151,"(tt":47152,"Ġoma":47153,"ĠSanchez":47154,"_google":47155,".Valid":47156,"ĠFileName":47157,"ivative":47158,"ked":47159,"-war":47160,"Ġmaturity":47161,"ид":47162,"Ġminer":47163,"Reducers":47164,"ĠLatLng":47165,"_STD":47166,"Digits":47167,"Calc":47168,"-upload":47169,"Ġhandic":47170,"ีà¹Ī":47171,"egrated":47172,"ĠSTM":47173,"Clients":47174,"ĠTurbo":47175,"SYNC":47176,"Ġphotographers":47177,".Out":47178,".character":47179,"BUILD":47180,".unlock":47181,"Ġarises":47182,"ĠCommands":47183,"(\"\");čĊ":47184,"_FORE":47185,";',":47186,"+\"'":47187,".Images":47188,"\"){":47189,"ĠMeyer":47190,"Ġnegatively":47191,"ĠDLL":47192,"Ġexe":47193,"Ġdeficiency":47194,"Ġwildly":47195,"-switch":47196,"construction":47197,"Ġexceptionally":47198,"ĠLiz":47199,"/java":47200,"Ġtheirs":47201,"ĠContemporary":47202,"lis":47203,".fillRect":47204,"ĠNFC":47205,"Ġrehe":47206,"(numbers":47207,"Ġraster":47208,"Ġfiguring":47209,"Ġshowc":47210,"ĠJill":47211,"Ġarcade":47212,"ĠConstructs":47213,"mdl":47214,"('|":47215,"Ġidentifiers":47216,"Ġstellar":47217,"(Connection":47218,"Ġ\"{{":47219,"yor":47220,"(mysqli":47221,"Ġdove":47222,"OfBirth":47223,".disconnect":47224,"_hi":47225,"Ġzwischen":47226,"ĠGrund":47227,"iros":47228,"_Array":47229,".onclick":47230,"ansom":47231,"Answers":47232,"ĉremove":47233,"Fa":47234,"Ġhurry":47235,"-inf":47236,"ĠgetClass":47237,"ĠRegulation":47238,"ĠFLAGS":47239,"misc":47240,"Ken":47241,"_heading":47242,"GHz":47243,"-entry":47244,"Ġbiography":47245,"Sig":47246,"-mf":47247,"Watcher":47248,"âĢľA":47249,"}px":47250,"Ġspicy":47251,"_sq":47252,"Lost":47253,"(track":47254,"али":47255,"Descending":47256,"((":47453,"survey":47454,"Ġíĺ":47455,"...')Ċ":47456,"ĠDivider":47457,"osl":47458,"_CANCEL":47459,"_prepare":47460,"stin":47461,"ĠHeath":47462,".PrimaryKey":47463,"ĠâĨIJ":47464,"ĠLocalDateTime":47465,"Ġcooperative":47466,"Learning":47467,".enqueue":47468,"Ġgoog":47469,"ĠRegression":47470,"imates":47471,"Ġvoyeur":47472,"ĠDrink":47473,"plug":47474,"Ġlender":47475,"mana":47476,"Ġpersonnes":47477,"ypse":47478,"Ġunlink":47479,"ĠRavens":47480,"Ġhurd":47481,"Ġperiodically":47482,"ARGS":47483,"ĠGH":47484,"characters":47485,"...\"ĊĊ":47486,"-establish":47487,"Ġdn":47488,"(condition":47489,"ĠGravity":47490,"Ġestas":47491,"_focus":47492,"Creature":47493,"(site":47494,"Ġcarr":47495,"ĠRL":47496,"ĠRI":47497,"ĠMoto":47498,"ASF":47499,"ĠLuckily":47500,"ĉRoute":47501,"Ġentropy":47502,"(\",\"":47503,"Collect":47504,"(contact":47505,"ĠFlorence":47506,"Ġpremiums":47507,"Ġlifecycle":47508,"Ġbans":47509,"xef":47510,"WebKit":47511,"ĠFloating":47512,"Ġcosa":47513,"Specific":47514,"ĠLoans":47515,"bread":47516,"Ġdescriptors":47517,"Ġ{:.":47518,"THREAD":47519,"ĠTrent":47520,"Ġscop":47521,"QA":47522,"ĠAntar":47523,"pel":47524,"_difference":47525,"_changes":47526,"(...)":47527,"ĠRotation":47528,"ĠLGPL":47529,"ĠJUST":47530,"(Task":47531,"_subset":47532,"ĠTRANS":47533,"åĬĽ":47534,"ĠScout":47535,"-popup":47536,"Ġsmoked":47537,"_Class":47538,"Ġturnover":47539,"brakk":47540,"ĠRocky":47541,"tas":47542,".RegularExpressions":47543,"ĠElliott":47544,"ĠSpinner":47545,"DUCTION":47546,"Ġlibre":47547,"Ġmolto":47548,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠ":47549,"ĠFTP":47550,"mpeg":47551,"(features":47552,"Ġbald":47553,"ĠVid":47554,"Ġshouting":47555,"Lint":47556,"Ġsockets":47557,"Ġprow":47558,"Ġnouvelle":47559,"iscard":47560,"ĠSponsor":47561,"Ġconsulta":47562,")));":47563,"Indian":47564,"ĠRaspberry":47565,"Ġteammate":47566,"ĠJWT":47567,"ĠGhana":47568,"Ġcakes":47569,"primer":47570,"forma":47571,"ergarten":47572,"_Manager":47573,"Ġpreseason":47574,"GAME":47575,"|\"":47576,"ĠBrock":47577,"Ġoccupy":47578,"Ġdecorations":47579,"ánd":47580,"Ġcot":47581,"Ġparan":47582,"Disk":47583,"remain":47584,">?":47585,"Strong":47586,"Ġfrance":47587,"ĠEra":47588,"-cr":47589,".BufferedReader":47590,"ĠParadise":47591,"ĠVAT":47592,"ĠAnders":47593,"Ġlimb":47594,"ampoo":47595,"Ġimperative":47596,"UTILITY":47597,"ĠRecognition":47598,"Ġragazze":47599,"Ġpops":47600,"ypress":47601,"Ġembargo":47602,"//{Ċ":47603,"Ġsyll":47604,"PTR":47605,"åŃĺåľ¨":47606,"Ġdidnt":47607,"Mailer":47608,"Ġacademics":47609,"ĠFrauen":47610,"neider":47611,"-rel":47612,"Ġrainbow":47613,"(In":47614,"Ġsliced":47615,"=============Ċ":47616,"(send":47617,"NSMutableDictionary":47618,"vos":47619,"(package":47620,"Ġordinance":47621,"viewer":47622,"ĠSantos":47623,"-selling":47624,"Ġgov":47625,"ettle":47626,"Ġfounders":47627,"Ġwaking":47628,"slashes":47629,"-pound":47630,"recht":47631,"ات":47632,".onClick":47633,"Ġnord":47634,"ständ":47635,"_when":47636,"UTERS":47637,"icc":47638,"Ġcapsule":47639,"ĠWid":47640,"Marc":47641,"ุ":47642,"rored":47643,"UGE":47644,"LOUD":47645,"ĠAudit":47646,"ipients":47647,"opian":47648,"ĠSue":47649,"Ġwurden":47650,".Helpers":47651,"Ġfactions":47652,"[np":47653,"-than":47654,"Ġreco":47655,"Ġkas":47656,"Ġcmds":47657,"/network":47658,"xbf":47659,"getColor":47660,"Ġbiased":47661,"ĠLak":47662,"Datas":47663,"vents":47664,"Ġë²":47665,"_PS":47666,".Validate":47667,"Invoker":47668,"Ġneuen":47669,"Ġjuvenile":47670,"VISION":47671,"Ġdevote":47672,"Ġlinha":47673,"Ġdiscounted":47674,"\\Config":47675,"Ġworthwhile":47676,"Ġskinny":47677,"ĠCourses":47678,"leys":47679,"ĠMortgage":47680,"Kevin":47681,"Ġannounces":47682,"])*":47683,"reservation":47684,"Ġæķ°":47685,"Ġprejudice":47686,"ĠStringComparison":47687,"Ġbeard":47688,"-win":47689,"ĠSão":47690,"ĉms":47691,"jal":47692,"ĠEarn":47693,"_ports":47694,"ĠNombre":47695,"_COR":47696,"ĠBUILD":47697,".sound":47698,"Yellow":47699,"Ġlinebacker":47700,"Ġcharitable":47701,"jug":47702,"_NONNULL":47703,"ĠDental":47704,"\">${":47705,"ĉmatch":47706,"Russian":47707,"Ġversch":47708,"Ġpinned":47709,"Ġadopting":47710,"OptionsMenu":47711,"Pag":47712,"Ġpairing":47713,"Ġtread":47714,"ercises":47715,"ĠSpread":47716,")i":47717,"ĠBAD":47718,"_tf":47719,"UIImageView":47720,"populate":47721,"bab":47722,"ĠÏĥ":47723,"[++":47724,"Ġopioid":47725,"Ġ##Ċ":47726,"dtype":47727,"ĠStarts":47728,"('/')":47729,"Ġpersonals":47730,"-market":47731,"Ġredundant":47732,"ĠEssential":47733,"Ġscrapy":47734,"Ġим":47735,"acl":47736,"Ġcrear":47737,"ĠBend":47738,"Ġrelieve":47739,"-room":47740,"wife":47741,"ĠvÃł":47742,"ĠQPoint":47743,"Ġquasi":47744,"ĠmethodName":47745,"\\xc":47746,"ĠPeru":47747,"/The":47748,".orm":47749,"Ġviz":47750,"/pdf":47751,"Located":47752,"Ġconfrontation":47753,"ĠChampionships":47754,"Ġhypert":47755,"Ġdj":47756,"ĠUserInfo":47757,"ĠåĪĽå»º":47758,"\\xb":47759,"(sim":47760,"Ġ==Ċ":47761,"Ġstaging":47762,"Ġdrastically":47763,"åѦ":47764,"lords":47765,".less":47766,"ведиÑĤе":47767,"ĠBucket":47768,"ĠMam":47769,".term":47770,"_pi":47771,"czy":47772,".pub":47773,"precio":47774,"ĠVirt":47775,"Ġroman":47776,"itat":47777,"Lex":47778,"_infos":47779,"Ä°":47780,".other":47781,"VELO":47782,"Ġponder":47783,"Ġhanno":47784,"(Page":47785,"doi":47786,"Ġpolite":47787,"Ġprogrammer":47788,"Dies":47789,"$d":47790,"Ġreplication":47791,"addColumn":47792,"frican":47793,"Ġleng":47794,"beer":47795,"oit":47796,"Ġwasting":47797,"ylim":47798,"measure":47799,"Neg":47800,"Ġpartie":47801,".console":47802,"ĠGuinea":47803,"TEL":47804,"_fact":47805,".chunk":47806,"Ġlent":47807,"Ġaller":47808,"Ġà¤ķ":47809,"_idle":47810,"Ġadmissions":47811,"JSONArray":47812,"Ġvibration":47813,".helpers":47814,"å¤ĸ":47815,"Ġhen":47816,"john":47817,"ĠìĥĿ":47818,"Ġjudgement":47819,"Ġgeen":47820,"terra":47821,"^{":47822,"ĠIz":47823,"Ġcâ":47824,"instances":47825,"Ġthreatens":47826,"Ġmüssen":47827,"KindOfClass":47828,"Ġstorytelling":47829,"_demo":47830,"rias":47831,"Privacy":47832,"hift":47833,"ĠYi":47834,"esor":47835,"íķł":47836,"ensitivity":47837,".Writer":47838,"à¸Ĥ":47839,"District":47840,".getJSONObject":47841,"Impro":47842,"(getResources":47843,"ĠSPELL":47844,"roduce":47845,"Ġslowed":47846,"Ġlinewidth":47847,"Ġhonesty":47848,"ĠCoord":47849,"ĠFork":47850,"ĠDispatchQueue":47851,"ĠCliff":47852,"ĠWiring":47853,"_TIMESTAMP":47854,"ollah":47855,"avoid":47856,"++];Ċ":47857,"semantic":47858,"-css":47859,"Ġveto":47860,"ĠMerr":47861,"Ġlegislators":47862,"CEEDED":47863,"Ġquestionnaire":47864,"ĠPills":47865,"Calculate":47866,"(core":47867,"'e":47868,"Ġdislike":47869,"ĠPreferences":47870,"_EXTERNAL":47871,"è°ĥ":47872,"Ġdodge":47873,"æľįåĬ¡":47874,".names":47875,".drawImage":47876,"_prom":47877,"uckland":47878,"Ġ<$>":47879,"ız":47880,"/site":47881,"项":47882,"rophe":47883,"Ġcompelled":47884,"Ġlaptops":47885,"Ġuni":47886,"CLOSE":47887,"Ġcasualties":47888,"ĠUniform":47889,"Terminal":47890,".\",\"":47891,"DAT":47892,"(TreeNode":47893,"ĠGandhi":47894,"(stmt":47895,"AXB":47896,"*M":47897,"Ġumbrella":47898,"animal":47899,"Ġgrpc":47900,"Ġwhereby":47901,"Ġfloats":47902,"ĉarg":47903,"Ġdbg":47904,"Ġexceeding":47905,"EventType":47906,".SaveChangesAsync":47907,"Ġ{{{":47908,"Ġowed":47909,"ahrenheit":47910,"Ġì§":47911,"Ġequipo":47912,"urai":47913,"Ġidol":47914,"]\")Ċ":47915,"_major":47916,"Ġentirety":47917,"ingerprint":47918,"ços":47919,"/account":47920,"ĉright":47921,"ursos":47922,"ĠEDT":47923,"_INSERT":47924,"Ġshining":47925,"Ġ<:":47926,"EdgeInsets":47927,"Ġcolonies":47928,".IM":47929,"ĉĠĉ":47930,"ROAD":47931,"CCCC":47932,"placing":47933,"ĠgetActivity":47934,"emacs":47935,"'%(":47936,".clicked":47937,"ĠThem":47938,"isia":47939,"Buscar":47940,".rename":47941,"Ġoath":47942,"Ġafterward":47943,"ĠUFO":47944,"APS":47945,"ĠJacksonville":47946,".some":47947,"Confirmed":47948,".scan":47949,"igInteger":47950,"Decorator":47951,"shield":47952,"ressive":47953,".did":47954,"请è¾ĵåħ¥":47955,"Ġshutter":47956,"Dam":47957,"Ġparenting":47958,"eyed":47959,"$item":47960,"-develop":47961,"Ġextracts":47962,"Ġdecentralized":47963,"ĠElsa":47964,"_spin":47965,"])+":47966,"-initial":47967,"Ġmultitude":47968,"Ġsensory":47969,"ĠMODEL":47970,"Ġsafeguard":47971,"ì¹":47972,"Ġhunters":47973,"ĠTiny":47974,"INO":47975,"decorate":47976,"ĠNoSuch":47977,"Ho":47978,"(Response":47979,"Ġruler":47980,"ĉshort":47981,"Ġcaster":47982,"ĠclientId":47983,"Ġpdb":47984,"ëıĦ":47985,"itic":47986,"ĠGameState":47987,"ĠnewItem":47988,")ĊĊĊĊĊĊ":47989,"ouis":47990,"noc":47991,".BLACK":47992,"_VECTOR":47993,"----------();":48281,".getP":48282,"anye":48283,"Ġneuron":48284,"ifold":48285,"ĠKnown":48286,"Bitcoin":48287,"Anyway":48288,"ayette":48289,"Ġ'['":48290,"Ãłnh":48291,"mgr":48292,"Ġcorrelated":48293,"Ġnause":48294,"Ġmentality":48295,"hasMany":48296,"ĠFG":48297,"ampie":48298,"ITU":48299,"Fs":48300,".Sp":48301,"_between":48302,"Dependencies":48303,"oug":48304,"Placeholder":48305,"=text":48306,"ĠManaging":48307,"ocalypse":48308,"åĮĹ":48309,"_mag":48310,"fld":48311,"âij":48312,"CAM":48313,"ĠHelpers":48314,"Ġdost":48315,"/out":48316,"Ġassassination":48317,".getImage":48318,"ĠKenny":48319,".')ĊĊ":48320,"){//":48321,"ĠRanger":48322,"Ġgek":48323,"Ġsincere":48324,"čĊ":48527,".getResources":48528,"Ġlump":48529,"_consts":48530,"(ext":48531,"ĉdir":48532,"âĿ":48533,"ĠpaddingTop":48534,"Ġobsession":48535,"Ġbanning":48536,"ĠAppModule":48537,"Ġpartisan":48538,"Ġcatalogue":48539,"Ġminors":48540,"Ġpitches":48541,"weep":48542,"Ġundertake":48543,"Ġthemed":48544,"audit":48545,".scrollTop":48546,"Ġrer":48547,"Ġsymptom":48548,"Ġopenings":48549,".blocks":48550,"openid":48551,"Ġassh":48552,"-save":48553,"ĠPig":48554,"Ġregain":48555,"Ġinicial":48556,"/favicon":48557,"ĉexp":48558,"Ġspices":48559,"iska":48560,"claims":48561,"mak":48562,"definitions":48563,"Ġcorrespondent":48564,"ĠCannabis":48565,"__,Ċ":48566,"ĠLucky":48567,"ĠGaussian":48568,"ĠNearly":48569,"CAD":48570,"']]Ċ":48571,"Ġadequately":48572,"ĠTITLE":48573,"constitutional":48574,"-mm":48575,"_override":48576,"Ġblas":48577,".readyState":48578,"Ġreminis":48579,"Ġreinforced":48580,"ĠCollabor":48581,"Ġdecorating":48582,"Ġbachelor":48583,"ERRUPT":48584,"Ġupright":48585,"ipation":48586,"ĠNoble":48587,"ĠvalueForKey":48588,"ĠsetLoading":48589,".Ignore":48590,"åģ":48591,"Globals":48592,"ĠMent":48593,"ASSES":48594,"Ġlimbs":48595,"ĠHUD":48596,"inci":48597,".iv":48598,"ĠQModelIndex":48599,"Fuse":48600,"Ġpedal":48601,"_FREQ":48602,"(verbose":48603,"Ġlongitud":48604,"ĠCharter":48605,"ê·¸":48606,"Ġbundles":48607,".ignore":48608,"umbo":48609,"EMA":48610,".......":48611,"sx":48612,".Card":48613,"Ġheute":48614,"Ġsteer":48615,"jumlah":48616,"Ġ{_":48617,"_Checked":48618,"Ġfax":48619,"ĠGust":48620,"itchens":48621,"Ġ))ĊĊ":48622,"Ġremarkably":48623,"/XML":48624,"-remove":48625,"_bt":48626,"Ġincub":48627,".package":48628,".currentThread":48629,"ĠHighlander":48630,".side":48631,"splash":48632,"Ġici":48633,"=D":48634,"Ġpuck":48635,"Ġballots":48636,"Ġhugely":48637,"coeff":48638,"ĠpData":48639,".COLUMN":48640,"ĠHealing":48641,"Ġordin":48642,"!),":48643,"Ġ'',čĊ":48644,"(md":48645,"ĠSask":48646,"čĊ":48668,"Ġrá":48669,"Ġblunt":48670,"ĠImageIcon":48671,"ifik":48672,"RTC":48673,"Ġfibers":48674,"Ġtoile":48675,".sent":48676,"ĠPyQt":48677,"$app":48678,"Ġmedio":48679,"Ġgranting":48680,"Ġtslint":48681,"ĠMö":48682,"(figsize":48683,"Ġhurricane":48684,"Ġlifes":48685,"ĠÃĦ":48686,"rocessing":48687,"_standard":48688,"-option":48689,"')))":48690,"Ġvacant":48691,"å·¥":48692,"ĠHollow":48693,"handleChange":48694,"Ġdivider":48695,"ĠEngineers":48696,"Ġsvens":48697,"Ġcompliant":48698,"tanggal":48699,"ĠCredits":48700,"ĠEmirates":48701,"RuleContext":48702,"Ġrealization":48703,"Ġdistracted":48704,"]+=":48705,"Ġaugment":48706,"ĠDw":48707,"otp":48708,"orrent":48709,"Editar":48710,".stock":48711,"Study":48712,"pections":48713,"ĠGameManager":48714,"=cut":48715,"Ġflock":48716,"ĠRomans":48717,"them":48718,"-hop":48719,"Ġscreenshots":48720,"Ġ/*!Ċ":48721,"Ġconversions":48722,"Ġnormalization":48723,"(configuration":48724,"Ġaeros":48725,"_security":48726,"!'Ċ":48727,"Bonus":48728,"ĠDRIVER":48729,"ĉDate":48730,"tie":48731,"ĠWyoming":48732,"Stand":48733,"itre":48734,"Ġshoppers":48735,"Ġdisadvantage":48736,"Ġliking":48737,"ç¬ij":48738,"Ġunderstandable":48739,"SEE":48740,"Ġhoy":48741,"Ġninete":48742,"Ġconfer":48743,"Ġnowrap":48744,"ĠVern":48745,",čĊčĊ":48746,"imestep":48747,"LayoutManager":48748,"à·":48749,"ĉwait":48750,"PLETED":48751,"Japan":48752,"Ġinduce":48753,"Ġå¯":48754,"озв":48755,"_ENDPOINT":48756,".horizontal":48757,"Ġaccelerated":48758,"rimon":48759,"IVES":48760,"Transactions":48761,"Lean":48762,"ĠSOUR":48763,"whether":48764,"yg":48765,"Ġoid":48766,"ĠEntityManager":48767,"OUNTRY":48768,"Ġfila":48769,"OLUMNS":48770,"INUE":48771,"ĠAnchor":48772,"TRAN":48773,"woo":48774,"blockquote":48775,"ĠNurse":48776,"ĠCarp":48777,"Ġredeem":48778,".try":48779,"ĠJP":48780,"Ġtimestamps":48781,"Ġ?>\"><":48782,"ĠREMOVE":48783,"ĠStarbucks":48784,"Really":48785,"Ġflooded":48786,".Callback":48787,"DropDown":48788,"ipro":48789,"Ġtended":48790,"lte":48791,"Ġproportions":48792,"-te":48793,"ĠRena":48794,"licate":48795,"forces":48796,".extra":48797,".authenticate":48798,"вод":48799,"¡°":48800,"ĠforControlEvents":48801,"Ġsenha":48802,"Ġkein":48803,"Ġminist":48804,"ĠPreference":48805,"ĠTelegraph":48806,"Ñĥп":48807,"strpos":48808,"Ġillnesses":48809,"Ġpigs":48810,"ĠgetIntent":48811,"Sol":48812,"Ġ¡":48813,"(cpu":48814,"[prop":48815,"screens":48816,"');?>":48817,"ĠActs":48818,"Ġstrdup":48819,"Ġaverages":48820,"anal":48821,"ĠCasual":48822,"GroupBox":48823,"ĠHandbook":48824,"/comments":48825,"Ġnumbered":48826,"Ġbroadcasting":48827,"çĽij":48828,".nativeElement":48829,".mu":48830,"ĠupdatedAt":48831,"ĠDoesn":48832,".AC":48833,".coll":48834,"Ġrecorder":48835,"_sha":48836,"Bg":48837,"bil":48838,"Ġbolts":48839,"Ġç¬":48840,"Ġimposing":48841,"ĠInformationen":48842,"_flashdata":48843,"economic":48844,"Remark":48845,"ucas":48846,"ĠOfficers":48847,"ĠTER":48848,"Walk":48849,"Ġmercado":48850,"_generate":48851,"HY":48852,"Calling":48853,"snap":48854,"scriptId":48855,".operation":48856,"ĠFlame":48857,"liness":48858,"Ġrented":48859,"_toggle":48860,"-changing":48861,"ĠTY":48862,"'util":48863,"EEP":48864,"Ġgraphql":48865,"ĠUni":48866,"Ġimpulse":48867,".Basic":48868,"Ġenergies":48869,"MARY":48870,"ĠMarcel":48871,"Ġmortal":48872,"Ġfres":48873,"mens":48874,"motion":48875,"Ġsampled":48876,"âĢľThat":48877,"iday":48878,"quipment":48879,"getInt":48880,"ĠAbsolute":48881,",'\"":48882,"uned":48883,".share":48884,"Ġ})(":48885,"mmm":48886,"ĠRising":48887,"ä»»":48888,"Ġunemployed":48889,"xfa":48890,".follow":48891,"ĉĉĉĉĠĠĠĠĠĠ":48892,"slt":48893,".Phone":48894,"Ġknives":48895,"Ġeve":48896,"onClick":48897,"]))čĊ":48898,"ĠWitness":48899,"ĉNS":48900,"ĠEOS":48901,"ĠStefan":48902,"ĠPriest":48903,"âĢĶwhich":48904,"GetString":48905,".By":48906,"Ġupstairs":48907,"Ġdetriment":48908,"broken":48909,"embro":48910,"Ġnicotine":48911,"ilion":48912,"Ġastonishing":48913,"_aff":48914,"ĠLesson":48915,"Ġaccidental":48916,"odor":48917,"Ġdecir":48918,"ĠnewName":48919,"+.":48920,"缸":48921,"igslist":48922,"ĠGithub":48923,"Ġsuccessive":48924,"racial":48925,"Ġenviron":48926,"éªĮè¯ģ":48927,"Ġredirected":48928,"TOTAL":48929,"Ġgrabbing":48930,"ĠLance":48931,"Ġforfe":48932,"_CB":48933,"å¾®":48934,"Elapsed":48935,"_way":48936,"(DialogInterface":48937,"_measure":48938,"xbb":48939,"Dog":48940,"Depart":48941,"-src":48942,"resolver":48943,"withstanding":48944,"_shell":48945,"ĠLastName":48946,"ĠAviation":48947,"Ġbeginner":48948,"(\"%.":48949,"(tool":48950,"Ġнов":48951,":init":48952,"(API":48953,"ĠMorrison":48954,"vtColor":48955,"Ġstaple":48956,"/INFO":48957,"Ġsupernatural":48958,"Ġsteak":48959,"timeline":48960,"zzle":48961,"\"`ĊĊ":48962,"Secondary":48963,"ĠNepal":48964,".StringUtils":48965,"Ġadam":48966,"Ġ(...":48967,"Ġsubstitution":48968,"Ġboarding":48969,"ĠKeyword":48970,"ĠAssault":48971,"dbcTemplate":48972,"ĠorderId":48973,"(engine":48974,".assertThat":48975,"ĠVenus":48976,"Ġhomicide":48977,"ĠAval":48978,"Ġgutter":48979,"ĠSupported":48980,"/part":48981,"Ġacclaimed":48982,"Histor":48983,"Ġmeses":48984,"über":48985,"ĠRenew":48986,"Ġgras":48987,"ĠEk":48988,"Ġinfile":48989,"indy":48990,".music":48991,".Scroll":48992,"ĠAges":48993,"ĠNaruto":48994,"ĠGather":48995,"Ġconfirming":48996,"=(\"":48997,"Ġpitched":48998,"oley":48999,"France":49000,"+'\"":49001,"$total":49002,"Ġonde":49003,"Ġditch":49004,"_sigma":49005,"Ġcontinuity":49006,"reward":49007,"-load":49008,"Ġproceso":49009,"Locked":49010,"staw":49011,"Ġspinal":49012,"lazy":49013,"!==":49014,"jest":49015,"Ġdun":49016,"ĠRodgers":49017,"ĉgrid":49018,"Ġlogos":49019,"ĠBengal":49020,".super":49021,"Provides":49022,"Ġnutrient":49023,".Timestamp":49024,"IZATION":49025,"åĨĮ":49026,"Ġfats":49027,"ĠXxx":49028,"ctica":49029,"Targets":49030,"Ġcontours":49031,"Ġreordered":49032,":Array":49033,"Ġtolerate":49034,"Vir":49035,"Ġterribly":49036,"Ġbricks":49037,"(&_":49038,"hb":49039,"Portal":49040,"ĠBread":49041,".which":49042,"ÂŃt":49043,"asInstanceOf":49044,"Ġjobject":49045,"ĉlength":49046,"_MT":49047,";\">čĊ":49048,"_EXIST":49049,"Ġmaternal":49050,"REL":49051,"Ġê²½ìļ°":49052,"hee":49053,"Ġlayouts":49054,"ĠLap":49055,"aisy":49056,"Ġstumbled":49057,"ĠUIG":49058,"ĠSco":49059,"Ġimpaired":49060,"RESSED":49061,"Ġabuses":49062,"VF":49063,"ARB":49064,".NAME":49065,"rch":49066,"primir":49067,"_completed":49068,"Ġpenny":49069,"Chrome":49070,"(begin":49071,"ernen":49072,"-checkbox":49073,"PlainOldData":49074,"ĠLPC":49075,"rade":49076,"spir":49077,"Ġconceived":49078,"Tips":49079,"ĠIoT":49080,"ĠGan":49081,"èģĶ":49082,"Ġbiases":49083,"Ġconsultants":49084,"pled":49085,"_ht":49086,"associated":49087,"],ĊĊ":49088,"Ġdelightful":49089,"ĠÑĤек":49090,"Helvetica":49091,"(load":49092,"-expand":49093,"_WIDGET":49094,"toa":49095,"ĠAkt":49096,"Ġomn":49097,"Ġclauses":49098,"Intel":49099,"*/}Ċ":49100,"_registration":49101,"ĠoldValue":49102,"Ġrestoring":49103,"Ġunreal":49104,"OVER":49105,"ĉĊĉĊĉĊ":49106,"ATS":49107,"_probe":49108,"Ġdivisor":49109,".updateDynamic":49110,"å¹³":49111,"Produces":49112,"stamp":49113,".jboss":49114,"ĉtask":49115,"!(:":49116,"Ġpsychic":49117,"@class":49118,"Martin":49119,"ĠPassed":49120,"clarations":49121,"hel":49122,"аÑĩ":49123,"ĉcopy":49124,"-bin":49125,"zan":49126,"igram":49127,"াà¦":49128,"(sig":49129,"ĠCaval":49130,"_##":49131,"Ġ%=":49132,"outlined":49133,"ĠAcid":49134,"Ġunpredictable":49135,"-dashboard":49136,"HexString":49137,"+c":49138,".Public":49139,"ẩ":49140,"Ġconveyor":49141,"ĠEB":49142,"Ġselects":49143,"Ġknocking":49144,"ĠCec":49145,"IBUTES":49146,"owaÄĩ":49147,"gatsby":49148,"*v":49149,"entropy":49150,"Ġdispatched":49151,"Ġcamel":49152,"ĠSaturn":49153,"Ġoverweight":49154,"(phone":49155,"parable":49156,"%B":49157,"_vectors":49158,"Ġbrewing":49159,"ĠTk":49160,"ĠDownloads":49161,"ĠSaved":49162,".Price":49163,"Ġcurved":49164,"ĠParenthood":49165,"è¶":49166,".pnl":49167,"pletely":49168,".Day":49169,"Ġadvertisers":49170,"Ġejec":49171,"Ġprzed":49172,"ë¯":49173,"!';Ċ":49174,"ĠKush":49175,"ĠTAB":49176,"Ġquests":49177,"Ġcoincidence":49178,"ummies":49179,"ĠKashmir":49180,"ĠEthics":49181,"_growth":49182,"Ġaktiv":49183,"Ġgrouping":49184,"å¢ŀ":49185,"_truth":49186,"åIJ¬":49187,"todos":49188,"iset":49189,"TexCoord":49190,"ätt":49191,"ĠZur":49192,"roys":49193,"_MAGIC":49194,"Ġbrewery":49195,"(State":49196,"ĠSMALL":49197,"ĠPlants":49198,"itbart":49199,"eacher":49200,"ĠAdelaide":49201,"Lu":49202,"Ġfick":49203,"undles":49204,"_loaded":49205,"ие":49206,"Poll":49207,"ritic":49208,"ELY":49209,"Ġ+'":49210,"ĠProfession":49211,"Ġstamps":49212,"ĠSew":49213,"scrollView":49214,"Ġcommunist":49215,"/problems":49216,"}čĊčĊčĊčĊ":49217,",o":49218,"Ġudp":49219,"Ġobese":49220,"approve":49221,"ancellation":49222,"_Game":49223,"ĠHashtable":49224,"adaptiveStyles":49225,"Ġpossesses":49226,".matcher":49227,"functional":49228,"Mrs":49229,"ĉsave":49230,"ĠDbType":49231,"Ġken":49232,"getContext":49233,"Ġmans":49234,"(rel":49235,"ĠBrotherhood":49236,")`Ċ":49237,"解":49238,".Information":49239,"OutOfRangeException":49240,"ĠSek":49241,"Cas":49242,"Ġbloggers":49243,"Either":49244,"(\"\"\"":49245,"Ġpinch":49246,"Ġcoarse":49247,")p":49248,"ĠPulse":49249,"Ġlearnt":49250,"Ġdentist":49251,"Ġonchange":49252,"Ġdirectives":49253,"(actions":49254,"nyder":49255,"ĠShir":49256,"Trait":49257,"_dep":49258,"ĠPET":49259,"ĠREP":49260,".AppSettings":49261,"cuador":49262,"idenav":49263,"Ġenvi":49264,"Ġslammed":49265,"ĠShoot":49266,"ĠdateFormat":49267,".joda":49268,"veys":49269,"Ġ).ĊĊ":49270,"Ġcareg":49271,"ĠParallel":49272,"_translation":49273,".functions":49274,".obs":49275,"RuntimeException":49276,"[]=":49277,"overview":49278,"ĠSchl":49279,"Ġnoisy":49280,"ĠOnPropertyChanged":49281,"Sending":49282,"Ġunfamiliar":49283,"Upon":49284,"ĠPrints":49285,".typ":49286,"Ġfleeing":49287,"ĉmove":49288,"(Un":49289,"Ġqr":49290,"׾":49291,"_beta":49292,"Ġskies":49293,"ĉme":49294,"WND":49295,"Ġstickers":49296,"blas":49297,"Ġinserts":49298,"Ġverses":49299,"ĠDew":49300,"Ġtangible":49301,"Ġhecho":49302,"POL":49303,"Ġteardown":49304,"omnia":49305,"IBE":49306,".cover":49307,"_strategy":49308,"^-":49309,"setPosition":49310,"uale":49311,"Signed":49312,"Ġiface":49313,"aseline":49314,".setTime":49315,"ĠMineral":49316,"ĠFighting":49317,"skins":49318,"Ġdiscrimin":49319,"Ġdansk":49320,"ĠPrinceton":49321,"acist":49322,"Ġ());Ċ":49323,"tracks":49324,"imonial":49325,"adecimal":49326,"EPROM":49327,"uggle":49328,".Notification":49329,"$mail":49330,"cantidad":49331,"ĠJung":49332,"Ġseekers":49333,"Ġplausible":49334,"tier":49335,"еж":49336,"Ġrapper":49337,"ĠMana":49338,"ĠHttpStatusCode":49339,"Ġburnt":49340,"loses":49341,"ĠFoto":49342,"ĠJsonObject":49343,"Instagram":49344,"Ġsyscall":49345,"Ġrealities":49346,"ĠMATLAB":49347,":^{Ċ":49348,"TERM":49349,"ĠCbd":49350,"ĠParagraph":49351,"Ġtravés":49352,"Ġconstructing":49353,"Ġswal":49354,"Ġpige":49355,"LLLL":49356,"-existing":49357,"Gets":49358,"Ġmelted":49359,"Ġmitigate":49360,"Hen":49361,"Ġhm":49362,"imas":49363,"ĠAo":49364,"ĠPerez":49365,"ĠDAL":49366,"Ġëĭ¤":49367,"Ġdivis":49368,"StoryboardSegue":49369,"ĠModify":49370,"ĠÃľber":49371,"_OVERRIDE":49372,".pem":49373,"untos":49374,"Ġespañ":49375,"Ġ{?":49376,"ĠPAY":49377,"_ipv":49378,"ĠFury":49379,"__.__":49380,"elow":49381,"-centered":49382,"checks":49383,"_Reg":49384,"-Javadoc":49385,"ĉload":49386,"ĠLikewise":49387,"اÙħ":49388,"UNE":49389,".sem":49390,"xcb":49391,"ĠCave":49392,"_sleep":49393,"Ġsilently":49394,"ĠExtreme":49395,".ToUpper":49396,"ĉCHECK":49397,"Ġcue":49398,"ĠQByteArray":49399,"Ġcorrupted":49400,"ĠDé":49401,"Ġimped":49402,"GetName":49403,"Ġinaccurate":49404,"Ġsober":49405,"ее":49406,"Ġbarcode":49407,"--){Ċ":49408,"inki":49409,"Ġép":49410,"Ġdri":49411,"ĠALT":49412,">>>>>>>>":49413,"onta":49414,"[L":49415,"Ġinteres":49416,"verting":49417,"Ġdiagnostics":49418,"pdev":49419,"è©":49420,"ĠIntegrated":49421,").'":49422,"_gc":49423,"$text":49424,".games":49425,"ĠTerra":49426,"'Re":49427,".transfer":49428,"_FIFO":49429,"getModel":49430,"Ġbland":49431,"ĠColeman":49432,"Ġprimes":49433,"ĠæĪ":49434,"Ġcrosses":49435,"nk":49436,"GING":49437,"Ġ'^":49438,"ĠBlob":49439,"Ġintercourse":49440,"ĠBlvd":49441,"Ġweighs":49442,"_regular":49443,"ĠPerth":49444,"Ġseparating":49445,"Ġbilled":49446,".tabControl":49447,"Ġpuppet":49448,"Ġutilization":49449,"Ġâĸł":49450,"Ġsucces":49451,"Ġlamps":49452,"_proj":49453,"Eric":49454,"Ġrenovation":49455,"ĠFamilies":49456,"ĠBits":49457,"partials":49458,"-Men":49459,"solution":49460,"Ġdwarf":49461,".INTEGER":49462,"ĠLOCK":49463,".ct":49464,"Ġexcerpt":49465,"ĠPix":49466,"ĠFirstName":49467,"ANTED":49468,"ĠAdmir":49469,"-help":49470,"Prior":49471,"ĠAlign":49472,".INSTANCE":49473,"LineEdit":49474,"('/:":49475,"Ġinet":49476,"odus":49477,".pkl":49478,"ĠKY":49479,"upert":49480,"Ġnerves":49481,"_gradient":49482,"}','":49483,"_unref":49484,"Ġsaturated":49485,"ĠConnected":49486,"ĠFN":49487,"EXIT":49488,"Ġteleport":49489,"Ġavait":49490,"PageRoute":49491,"Ġdivorced":49492,"(lang":49493,"fst":49494,"ĠTyr":49495,"Ġmessenger":49496,"ifstream":49497,"XS":49498,"ĠBanking":49499,"Ġinfectious":49500,"ĠMons":49501,"_LOOP":49502,"Ġzurück":49503,"Ġobtener":49504,"/repos":49505,"Vel":49506,"acro":49507,"ĠuserRepository":49508,"styleType":49509,"ĠSRC":49510,"VMLINUX":49511,"recursive":49512,"/bar":49513,"_chip":49514,"ominated":49515,"ĠNit":49516,"âĢĶto":49517,"ĠBuddh":49518,"омеÑĢ":49519,"ĠMAG":49520,"ĠCHE":49521,"_den":49522,".raises":49523,"_degree":49524,"Ġpumpkin":49525,"_templates":49526,"_MEDIA":49527,"ĠTimeline":49528,"Ġbots":49529,"ObjectType":49530,"Ġbuys":49531,".posts":49532,"CAL":49533,"waiting":49534,"ĠDaniels":49535,"Ġdabei":49536,"ĠSigma":49537,"ilor":49538,"igel":49539,",W":49540,"ADS":49541,"(panel":49542,"ì²´":49543,"itating":49544,".palette":49545,"Ġmosquito":49546,"Ġtego":49547,"(parseInt":49548,"Ġdespués":49549,"promise":49550,"Ġwij":49551,"typescript":49552,"ĠTv":49553,"_IDENTIFIER":49554,").ĊĊĊ":49555,"_flat":49556,"itsu":49557,"USR":49558,"experience":49559,"-fit":49560,"phinx":49561,"_thresh":49562,"Ġideally":49563,"ĠFreeman":49564,",DB":49565,"_rw":49566,"çŃī":49567,"Ub":49568,"_statistics":49569,"=\"\"><":49570,"Ġchore":49571,"Ġyork":49572,"installed":49573,"Additionally":49574,"Ġpstmt":49575,"ylko":49576,"::Ċ":49577,"Forest":49578,"Ġheadset":49579,"Ġgallon":49580,"ÑĢем":49581,"Ġwithdrawn":49582,"ĠCandidate":49583,"Ġmelting":49584,"Ġfreezer":49585,"Ġhl":49586,"_HELP":49587,"mime":49588,"(/*":49589,"Ġthirst":49590,"$return":49591,"memberof":49592,"еб":49593,"ĠHttpServletRequest":49594,"(ob":49595,"_Result":49596,"Ġasserted":49597,"Ġfulfilling":49598,"Ġstretches":49599,"parated":49600,"-funded":49601,"ĠåĽ":49602,"ingles":49603,"_ca":49604,".condition":49605,"ĠDisplays":49606,"Ġorang":49607,"ĠCRE":49608,"ĠglBind":49609,"ĠSelector":49610,"/type":49611,"ĠAlexa":49612,"chedules":49613,"ĠPeninsula":49614,"Ġparity":49615,"ĉdest":49616,"ĠDoors":49617,"čĊĉčĊ":49618,"_dimension":49619,"Ġaload":49620,".StoredProcedure":49621,"(paren":49622,"ĠBurke":49623,"')]Ċ":49624,"-engine":49625,"Ġquir":49626,"ĠHybrid":49627,"ĠDoe":49628,"Ġoutlines":49629,"ĠTrends":49630,"_NV":49631,"periments":49632,"ĠHin":49633,"?',":49634,"ĉText":49635,"FUL":49636,"Ġsmells":49637,"Ġslick":49638,"Ġmiserable":49639,"ĠArrayAdapter":49640,"ĠparamString":49641,"Hom":49642,"_literals":49643,"usuarios":49644,"Ġprompting":49645,"_lazy":49646,"ĠActivation":49647,"_oc":49648,"Weak":49649,"Ġanecd":49650,"ĠUCLA":49651,"=re":49652,"issement":49653,"ĠEscorts":49654,"Excellent":49655,"ĠPause":49656,"Ġrepositories":49657,"TOR":49658,"ariate":49659,"_iso":49660,"updates":49661,"halb":49662,"udiante":49663,"ë¡Ŀ":49664,"Ġnaive":49665,"ĠPeg":49666,"ĠLounge":49667,"ARGIN":49668,"(bin":49669,"OnClickListener":49670,"ĠFAILED":49671,"Ġlite":49672,"Ġdzie":49673,"ĠLiteral":49674,"ivor":49675,"fcntl":49676,"Ġeats":49677,"Ġqed":49678,"Unlock":49679,"riding":49680,"undai":49681,"=M":49682,"ATTER":49683,"ConfigureAwait":49684,"icias":49685,"ustomed":49686,"Ġsuccession":49687,"endTime":49688,"ĠJupiter":49689,"Ġjudging":49690,"dration":49691,"_docs":49692,".mo":49693,"Ġeducators":49694,"ĠVine":49695,"Cond":49696,"[out":49697,"qb":49698,"\\Validator":49699,"Ġmeanings":49700,"Ġpresently":49701,"Ġdividing":49702,"ottenham":49703,"ascular":49704,"Ġtrailers":49705,"ĠCLOSE":49706,"ами":49707,"âĢĻai":49708,"ĠGain":49709,"wor":49710,"Ġplanner":49711,"Ġdistributing":49712,"vat":49713,"months":49714,"xlabel":49715,"HF":49716,"Viol":49717,".BASELINE":49718,"еÑĤÑģÑı":49719,"ĠRotate":49720,"Ġtxn":49721,":bold":49722,"Ġbloss":49723,"Forgery":49724,"(embed":49725,"Ġjako":49726,"sprintf":49727,"their":49728,"Ġexhibits":49729,"-static":49730,"hecy":49731,"getActiveSheet":49732,".clients":49733,"ãģį":49734,"_hide":49735,"[word":49736,"Cb":49737,"addItem":49738,"axe":49739,"_radio":49740,"alion":49741,"modifier":49742,"Ġsaturation":49743,"Ġdenom":49744,"_pixels":49745,"mess":49746,"(fl":49747,"atif":49748,"Ġsecs":49749,"Ġprostitution":49750,"Ġgrandchildren":49751,"Ġparadise":49752,"ĠFeld":49753,"_BINARY":49754,"itous":49755,"à¹Ħ":49756,"Ġflashing":49757,"-sided":49758,"Ġcontradiction":49759,"/*ĊĊ":49760,"ylabel":49761,"ĠTet":49762,"Ġadmire":49763,"reso":49764,"Ġletz":49765,"ĠSEARCH":49766,"slots":49767,"ĠRewards":49768,"ĠHog":49769,"ĠNSData":49770,"stash":49771,"Fall":49772,"ĠAmer":49773,"LinearLayout":49774,"/photos":49775,"Ġfeather":49776,"Ġ|čĊ":49777,"Downloads":49778,".StartsWith":49779,"Ġ//#":49780,"ineTransform":49781,"Ġaffid":49782,"Vtbl":49783,"ĠRogue":49784,"scribed":49785,"Ġfauc":49786,"ĠMonroe":49787,"Ġdeclares":49788,"modern":49789,"reon":49790,"aybe":49791,"PASS":49792,"fers":49793,"_MULTI":49794,"ĠMathematics":49795,"Ġsudah":49796,"_ATTACH":49797,"ĠnumberWith":49798,"ĠSolomon":49799,"jin":49800,"ografia":49801,"öl":49802,"_design":49803,"culated":49804,"ĠLuna":49805,"iesz":49806,"Ġ=>'":49807,"Ġrevelations":49808,"Along":49809,"(ed":49810,"ĠFilename":49811,"Ġylabel":49812,"Secure":49813,"Ġbusca":49814,"agnosis":49815,"_RECE":49816,"Ġoverlapping":49817,"Extent":49818,"Ġanticipation":49819,"Checks":49820,"ĠALSO":49821,"orc":49822,"ilingual":49823,"itational":49824,"Ġadvancement":49825,"ouro":49826,"ĠPredicate":49827,"å¾Ĺ":49828,"eria":49829,"ĠPierce":49830,"orio":49831,"Ġmerits":49832,"Ġpeanut":49833,".Package":49834,"ĠConduct":49835,"_SENSOR":49836,"Ġboiling":49837,"Ġintra":49838,"ĠIGN":49839,"ĠFur":49840,".Refresh":49841,"ĠReach":49842,"_decoder":49843,".Exp":49844,"ĠÑĤак":49845,"pill":49846,",Q":49847,"ĠGrill":49848,"Ġpopping":49849,".Ag":49850,"Ġproyecto":49851,"Ġmileage":49852,"Ġecological":49853,"]]);Ċ":49854,"ĠÂŃ":49855,"subplot":49856,"acad":49857,"ĠTrying":49858,"recipes":49859,"$criteria":49860,"ĠPersian":49861,"-bound":49862,"MASK":49863,"ĠGesture":49864,"Ġkk":49865,"ĠPVC":49866,"Ġprohibition":49867,"Ġcomando":49868,"ĠLOOK":49869,"Shopping":49870,"Ġdistortion":49871,"čĊ":49917,".Dependency":49918,".QueryString":49919,".Owner":49920,"Ġexpiry":49921,"Thu":49922,"(Vec":49923,"Ġhazardous":49924,"Ġrpm":49925,"APON":49926,"ĠaddTarget":49927,"sville":49928,"pNet":49929,"ĠImg":49930,"ĠTIMER":49931,".Animation":49932,"Ġbek":49933,"Ġassort":49934,"Ġlebih":49935,"ĠbodyParser":49936,"Ġvibrating":49937,"IDL":49938,"Ġbutterknife":49939,"inters":49940,"Ġpersuade":49941,"ĠLGBTQ":49942,"èĭ":49943,".soft":49944,"Ġbeams":49945,"_sur":49946,".Def":49947,"Ġlabs":49948,"ĉplt":49949,"Ġskins":49950,"Ġtransferring":49951,"Ġimaginary":49952,"_End":49953,";background":49954,"Ġlaps":49955,"_COMMENT":49956,"(SDL":49957,"onds":49958,".Record":49959,"ĠImplements":49960,"_ticks":49961,"()))ĊĊ":49962,"Ġarose":49963,"]?":49964,"ĠMp":49965,"ĠICommand":49966,"Ġsculpture":49967,"Ġcontracted":49968,"\">'":50446,"kinson":50447,"Ġкол":50448,"ognitive":50449,"_li":50450,"Ġimminent":50451,"Ġaffinity":50452,".signal":50453,"Ġnotch":50454,"ĠSteelers":50455,"maxlength":50456,"KK":50457,"ĠEugene":50458,"_PWM":50459,"roi":50460,"ĠâĹı":50461,"ĠHamburg":50462,".Must":50463,"Ġaxe":50464,"enef":50465,"Ġambitions":50466,"ĠSpecies":50467,"ĠStress":50468,"Ġawhile":50469,"ĠбÑĥд":50470,"Ġwithstand":50471,"ĠDecoder":50472,"_inventory":50473,"Ġ{ččĊ":50474,"Ġtgt":50475,"Ġrailroad":50476,"WASHINGTON":50477,"Ġnegotiated":50478,"NST":50479,"-phone":50480,",U":50481,"Ġexercising":50482,"ụ":50483,"_PIXEL":50484,"avors":50485,"iterated":50486,"Ġvampire":50487,"adal":50488,"Ingrese":50489,"Ġung":50490,"jective":50491,".cells":50492,"Ġnano":50493,"Ġmarkdown":50494,"_RULE":50495,"(events":50496,"Ġluggage":50497,"MESSAGE":50498,"igkeit":50499,"$count":50500,"AttributeName":50501,"IGINAL":50502,"_Ent":50503,"ĠBF":50504,"ĠCOMMENT":50505,"_ini":50506,"ĠEuropeans":50507,"ĠBelle":50508,"åij½":50509,")['":50510,"åºĶ":50511,"ĠUseful":50512,".reference":50513,"()\",":50514,"_grade":50515,"ĠKaw":50516,"Ġsentencing":50517,"Ġsocialism":50518,"monster":50519,"_LAYER":50520,"Ġdeepest":50521,"wk":50522,"ĠNoise":50523,"###ĊĊ":50524,"Ġpréc":50525,"otle":50526,"ÑĤе":50527,"auf":50528,"ibal":50529,"Ġconquer":50530,">Email":50531,"Ġambulance":50532,"OAD":50533,"Ġ(\"%":50534,"ĠFI":50535,".fixture":50536,"Ġterse":50537,"ĠĠĠĠĉĉĉĉ":50538,"Ġsanctuary":50539,"ugi":50540,"ĠComparator":50541,"Definitions":50542,"Ġasthma":50543,"Ġlact":50544,"Ġhardwood":50545,".clock":50546,"Ġattracting":50547,"ĠMour":50548,"(distance":50549,"icits":50550,"Ġbonne":50551,"ĠACCESS":50552,".DeserializeObject":50553,"ĠTyped":50554,"Ġjeu":50555,"ĠappId":50556,"ĠClara":50557,"ĠHF":50558,"ĠReich":50559,"ipples":50560,"//--------------------------------------------------------------------------------":50561,"_delivery":50562,"erialization":50563,"Ġplaintiffs":50564,"Scient":50565,"shopping":50566,"ĠDummy":50567,"ĠWald":50568,"GroupName":50569,"Ġinscription":50570,"elog":50571,"::::::::":50572,"_ld":50573,"BackPressed":50574,".Raw":50575,"ĠOnTrigger":50576,"Ġmuseums":50577,"ĠBeen":50578,"ĠAdventures":50579,"Ġslate":50580,"Ġlett":50581,"Ġsund":50582,"ĠGin":50583,"ĠMechanical":50584,".ship":50585,"AppComponent":50586,"Ġdestined":50587,"Ġdwelling":50588,"Profiler":50589,"Prepare":50590,"zeich":50591,"Ġsilicon":50592,"(has":50593,"Ġ#%":50594,"VIDEO":50595,"Ġcollaborate":50596,"Lin":50597,"Ġscopes":50598,"(className":50599,"(sd":50600,"andin":50601,".ham":50602,"ServiceImpl":50603,"-described":50604,"Ġirony":50605,"stial":50606,"ĠHuawei":50607,"(repo":50608,"Ġunexpectedly":50609,"ĠKai":50610,".install":50611,"\\xf":50612,"Ġexhibited":50613,"_TCP":50614,"ĠOx":50615,"_CHO":50616,"Ġprostituerte":50617,"Ġvä":50618,"Ġsito":50619,"Ġconstituents":50620,"ĠContinued":50621,"ĠSAVE":50622,"rss":50623,"/message":50624,"ubes":50625,"Ġmisdemean":50626,"Ġtaxation":50627,"Ġstoryline":50628,"hair":50629,"ĠFinds":50630,"SIG":50631,"verification":50632,"~=":50633,".hp":50634,"Iterable":50635,"Ñĭе":50636,"atori":50637,"Ġctr":50638,"Rx":50639,"_);ĊĊ":50640,"dag":50641,".pin":50642,"Ġpseud":50643,"Ġinvo":50644,"ÑģÑĤÑĢ":50645,"_pix":50646,"为空":50647,"Ġsworn":50648,"âĢĶor":50649,"_registry":50650,"Ġdisasters":50651,"ĠROI":50652,"ĠâĢķ":50653,"aktu":50654,"forest":50655,"beiten":50656,"âĢĶI":50657,"ueva":50658,"egt":50659,"Ġspikes":50660,"URES":50661,"ĠRecommended":50662,"Ġexploited":50663,"ĠFrederick":50664,"_COMPLETE":50665,"ĠDrugs":50666,"!!!!!!!!":50667,"ĠRiv":50668,"STOP":50669,"ROOM":50670,"ĠPASSWORD":50671,"Cookies":50672,".El":50673,"á»Ń":50674,"ĠBert":50675,"Ġhashed":50676,"icester":50677,"Ġdecorator":50678,"ĠqueryString":50679,":;Ċ":50680,"Ġ\"[\"":50681,"otope":50682,"-Americ":50683,"ĠMatthews":50684,"URAL":50685,"âĢľ,":50686,"Summer":50687,"fos":50688,"_CONTAINER":50689,"_ACK":50690,"Ġfiltr":50691,"_disp":50692,"_Re":50693,"Ġfacile":50694,"аÑĪ":50695,"ĠìķĬ":50696,"Ġeben":50697,"Ġsprink":50698,"ĠQuint":50699,">V":50700,"Ġhistorians":50701,"ourmet":50702,"ĠMonitoring":50703,"ledger":50704,"cott":50705,"Ġware":50706,"GGLE":50707,"cars":50708,"ĠMEDIATEK":50709,"Ġvolupt":50710,"_View":50711,"HEL":50712,"(copy":50713,"(stats":50714,"Ġchromosome":50715,"ĠCurtis":50716,"-conf":50717,"(asset":50718,"Ġhvor":50719,"FileSystem":50720,"<>();čĊ":50721,"ocoder":50722,"ĠCannon":50723,")x":50724,"ĠSmooth":50725,"ĠSAS":50726,"_ce":50727,"ĉprev":50728,"_movie":50729,"Ec":50730,"_wall":50731,".ĊĊ":51278,"ogenesis":51279,"ĠOPTIONS":51280,"uptools":51281,"Ġmilitant":51282,"Ġexited":51283,"igar":51284,"ĠCOMM":51285,"ĠDisposable":51286,"aycast":51287,"Ġrowspan":51288,"Ġsynthes":51289,"Ġsondern":51290,"ĠĊ":54769,"ĠJacket":54770,"RATION":54771,".getSelectedItem":54772,"-init":54773,"ĠRegisters":54774,"_sep":54775,"ĠToolkit":54776,".dict":54777,"Ġxlabel":54778,"\\Table":54779,"toc":54780,"_combo":54781,"ĠCompact":54782,"Ġrugged":54783,"à¥ĩà¤":54784,"-management":54785,"')}}\">Ċ":54786,"ĠStamp":54787,"ıl":54788,"rox":54789,"Ġlandscapes":54790,"_NOTE":54791,"monary":54792,"cab":54793,"Ġmoet":54794,"xaf":54795,"rcode":54796,"-cli":54797,"_gate":54798,"[event":54799,"SPORT":54800,"gia":54801,"ĠSUPER":54802,"/Login":54803,"_shutdown":54804,"interrupt":54805,"Ġpretending":54806,"Ġfringe":54807,"ĠReds":54808,"ĠCUDA":54809,"ĠUNIX":54810,"vit":54811,"Ġbrig":54812,"drv":54813,"ĠConnector":54814,"Therefore":54815,"Ġlia":54816,"Detection":54817,"_actor":54818,"Ġtempfile":54819,"Ġeccentric":54820,"-role":54821,"Ġpadx":54822,"dent":54823,"Western":54824,"Ġê·¸":54825,"ĠApplicationRecord":54826,"Ġcampaigning":54827,"_runner":54828,"ĠCivic":54829,"aleigh":54830,"Ġdirekt":54831,".sul":54832,"ĠĠĉĉĉ":54833,"anten":54834,"Ġissuer":54835,"Ġassertions":54836,"(orig":54837,"ATIO":54838,"Ġleaned":54839,"äs":54840,".DTO":54841,"explode":54842,".Observable":54843,"Ġstaggering":54844,"Ġkidnapped":54845,"Ġprogrammers":54846,"ĠInnov":54847,".parameter":54848,"Ġdomination":54849,"Ġskeptic":54850,"Ġæĺ¯":54851,"Ġavoids":54852,".Verify":54853,"ubby":54854,"ĠASN":54855,"Ġformato":54856,"ĠBeatles":54857,"_brand":54858,"Ġinset":54859,"youtu":54860,"Ġtoc":54861,"-final":54862,"Showing":54863,"ĠDoub":54864,"ĠMesa":54865,"Adj":54866,"_medium":54867,"Creates":54868,"(endpoint":54869,"ĉUP":54870,"bbie":54871,"Ġstalk":54872,".databind":54873,".Scan":54874,"agents":54875,"$,":54876,"individual":54877,"+)/":54878,"ĉvm":54879,"(notification":54880,"Ġinex":54881,"ĠClassification":54882,"reno":54883,"Ġolig":54884,"-rated":54885,"Ġformulation":54886,"',{":54887,"Ġacept":54888,"_unpack":54889,"_CA":54890,".Pow":54891,"ĉim":54892,"Ġaluminium":54893,"ANO":54894,"Ġxn":54895,"Ġcómo":54896,"ĠIngredient":54897,"Ġseizures":54898,"åħ±":54899,"ificador":54900,"Ġsiguiente":54901,"ĠInfragistics":54902,"Ġduplicated":54903,"ĠDee":54904,"Ġnø":54905,"ĠACCEPT":54906,"(crate":54907,"иÑĤелÑĮ":54908,"-less":54909,"Ġinfinity":54910,"Analyzer":54911,"-Day":54912,"ritt":54913,"(cin":54914,"ĠGy":54915,"Ġmultiplied":54916,"uchi":54917,"ĠBaldwin":54918,"/ip":54919,"Ġshortcuts":54920,".ADD":54921,"Ġvigor":54922,"_instruction":54923,"(;":54924,"_eta":54925,"è¿ŀ":54926,"utorials":54927,"Ġboosting":54928,"bv":54929,"Ġacknowledges":54930,"Listening":54931,"FAQ":54932,";b":54933,"((-":54934,"Ġarchitects":54935,"Ġzwe":54936,"Ġpuls":54937,"ĠgetCount":54938,"verbs":54939,"ãĢľ":54940,"(Collection":54941,"kre":54942,"Ġjurisdictions":54943,"_bridge":54944,"ĠCrack":54945,"ĠDifficulty":54946,"KO":54947,"Reservation":54948,"_requires":54949,"Tour":54950,"ãģĹãģŁ":54951,".setCurrent":54952,"Ġky":54953,"ĠAlbany":54954,"Ġè§":54955,"ller":54956,"agna":54957,"workers":54958,".blank":54959,"ĠPrayer":54960,"MIC":54961,"Ġresilience":54962,"TeX":54963,"ĠLanguages":54964,"study":54965,"ĉcurr":54966,"Ġenzymes":54967,"Slug":54968,"ĠíĮĮ":54969,"stral":54970,"Ġtumors":54971,"Ġsegunda":54972,"='{":54973,"instruction":54974,"ĠLisp":54975,"/info":54976,"Ġ\"{$":54977,",:),":54978,"Ġgv":54979,"(ErrorMessage":54980,"Ġ'=":54981,"}-${":54982,".Documents":54983,"\"Well":54984,"Ġreminiscent":54985,"Ġgaz":54986,"iropr":54987,"ehr":54988,"Ġsuppressed":54989,"ersh":54990,".scrollTo":54991,"Ġcadena":54992,"ĠgameState":54993,"ÃŃm":54994,"(conv":54995,"ĠTomorrow":54996,"ĠCCT":54997,"Mongo":54998,"ulg":54999,".Camera":55000,".handlers":55001,"mph":55002,"Ġstk":55003,"Ġgenetics":55004,"ACING":55005,"Trivia":55006,"ĠBam":55007,"(marker":55008,".Stretch":55009,"ĠSunni":55010,"ĠBetty":55011,".tolist":55012,"unlikely":55013,".Rectangle":55014,"obsolete":55015,"ILON":55016,"innerText":55017,"embourg":55018,"aN":55019,"ĠVehicles":55020,"unlock":55021,":utf":55022,"nob":55023,"ĠSeeing":55024,"ĠNEVER":55025,"Ġtls":55026,"Ġfilles":55027,"Ġbenefited":55028,"ĠClint":55029,"*/),":55030,".fold":55031,"Ġposible":55032,"ADED":55033,"thouse":55034,".DAL":55035,"ĠOdd":55036,"rokes":55037,"ĠSunny":55038,"ĠPartialEq":55039,"_Buffer":55040,"ĠLevi":55041,"longrightarrow":55042,"eldon":55043,"gages":55044,"_warn":55045,".CreateTable":55046,"ĠDip":55047,"_questions":55048,".logic":55049,"Ġ#\"":55050,"={()=>":55051,"Ġtep":55052,"Ġjuicy":55053,"ìĤ¬":55054,"enko":55055,"ialect":55056,"Ùī":55057,"Ġonboard":55058,"Ġæı":55059,"ĉrt":55060,"_UTF":55061,"ĠQAction":55062,"âĢŀ":55063,"(Component":55064,"(audio":55065,".hit":55066,"gte":55067,"Ġprogrammed":55068,"stateParams":55069,"Ġpolyester":55070,"fires":55071,"byss":55072,"]=(":55073,"_quality":55074,"OfDay":55075,"ĠFairy":55076,"Ġyelled":55077,"opl":55078,"(userName":55079,"ĠDifference":55080,"Ġevaluations":55081,"iffany":55082,"Ġcyclists":55083,"Ġcidade":55084,"Ġtextbook":55085,"Ġprofiling":55086,"__),":55087,"dea":55088,".activate":55089,"Ġindications":55090,"Ðķ":55091,"TouchUpInside":55092,"Ġinvaluable":55093,"ĠMASK":55094,"Ġcontend":55095,"Freq":55096,"Ġrecruits":55097,"(interval":55098,"ĠUserProfile":55099,"Ġ'./../":55100,"edu":55101,"_Callback":55102,"Ġanalogy":55103,"ĠTrophy":55104,"apphire":55105,"Videos":55106,"ĠCher":55107,"ĠHav":55108,"âĢ¦\"":55109,".validator":55110,"gfx":55111,"ĠUObject":55112,"classnames":55113,"triangle":55114,"ĠEncoder":55115,".spy":55116,"Ġpredators":55117,"=status":55118,"-safe":55119,":\",Ċ":55120,"ĠIncluding":55121,"Ġ{};čĊ":55122,"*cos":55123,"Ġendured":55124,".sulake":55125,"Ġnursery":55126,"Ġfragrance":55127,"Ġrebuilding":55128,"Ġnth":55129,"ĠFraser":55130,".setDate":55131,"ĠVince":55132,"_REST":55133,"Ġventilation":55134,"æµ·":55135,"cribes":55136,".asm":55137,"lpVtbl":55138,"ĠAbe":55139,"uisine":55140,",array":55141,"ĉclassName":55142,"errals":55143,"Ġ'ĊĊ":55144,"Checkout":55145,"Ġsolicit":55146,"Aux":55147,"_capture":55148,"Ġribs":55149,"ragon":55150,"viol":55151,"topics":55152,"FunctionFlags":55153,"ĠMarty":55154,"bike":55155,"ĠTucker":55156,"(kernel":55157,"ĠOps":55158,"CloseOperation":55159,"/demo":55160,"ilda":55161,"ĠlÃŃnea":55162,"APPING":55163,"Ġsuites":55164,".visitVarInsn":55165,"urus":55166,"ĠMinute":55167,"(manager":55168,"Ġbutterfly":55169,"Ġapare":55170,"Ġwolves":55171,"JWT":55172,"ĠSalon":55173,"ĉdelay":55174,"-eslint":55175,"isations":55176,".rpc":55177,")|(":55178,"ĠSnapchat":55179,"/mm":55180,"MN":55181,"ceries":55182,".textAlignment":55183,"ĠFrankfurt":55184,"Ġado":55185,"(newValue":55186,"(access":55187,"(Expression":55188,"ĠSignIn":55189,"ĠHaiti":55190,"_tp":55191,".setParameter":55192,"Minute":55193,"Ġmanuals":55194,"ricanes":55195,"ĠPTR":55196,"ĠOuter":55197,"Ġgetline":55198,"ocations":55199,"_CD":55200,"ĠLyon":55201,"/gui":55202,"_live":55203,"idan":55204,".geom":55205,"ĠborderBottom":55206,"imuth":55207,"_checkpoint":55208,"Ġmeu":55209,"ĠIrving":55210,"Ġpeuvent":55211,"(MAX":55212,"ĠARCH":55213,"Ġpov":55214,".sourceforge":55215,"Ġjamais":55216,"Ġark":55217,"ĠBaghdad":55218,"ĠCLEAR":55219,"MenuBar":55220,"Ġtrois":55221,"CHEDULE":55222,"Ġ#čĊ":55223,"(Call":55224,"$order":55225,"(Material":55226,"Ġencontrado":55227,"$list":55228,"ĠMETHODS":55229,".beginTransaction":55230,"_MAG":55231,"StyleSheet":55232,"Ġmajors":55233,"Ġindefinitely":55234,"cleanup":55235,"Ġhomeland":55236,"(dto":55237,"Dates":55238,"Presentation":55239,"ĠDK":55240,"={`/":55241,"ĉKey":55242,"(Block":55243,"_checkbox":55244,"needs":55245,"ĠonComplete":55246,"rico":55247,"Ġgleich":55248,"Ġxm":55249,"OOD":55250,"Better":55251,"ĠSQLITE":55252,".Book":55253,"xad":55254,"ĠGone":55255,"ĉdp":55256,"Ġdevotion":55257,"Ġstm":55258,"Ġobsess":55259,"ĠBackend":55260,"Queries":55261,"Ik":55262,"//****************************************************************":55263,"Ġdividends":55264,".parentElement":55265,"}\")ĊĊ":55266,"ĠMaterialPageRoute":55267,":num":55268,"Ġexplic":55269,"ĠOL":55270,"least":55271,"Oops":55272,"imentos":55273,"Ġinsurers":55274,"Ġheroic":55275,"ĉfields":55276,".imgur":55277,".btnCancel":55278,"ĠDetective":55279,"(sm":55280,"ĠMutableLiveData":55281,".lab":55282,"(([":55283,"Ġhairst":55284,"ĠTransactions":55285,"å¼Ģå§ĭ":55286,"ĠstdClass":55287,"uento":55288,"GIS":55289,"_cod":55290,"Instructions":55291,"Calls":55292,"PointerType":55293,"ĠRw":55294,"Ġassortment":55295,"ĠDIG":55296,"+r":55297,"_CERT":55298,"Ġinstability":55299,"Ġvib":55300,"onas":55301,"Ġroku":55302,"apellido":55303,"Ġangl":55304,"preneur":55305,"Ġfluids":55306,"isease":55307,"Ġdeed":55308,"quist":55309,"_CONSTANT":55310,"Ġequilibrium":55311,"_delegate":55312,"ĠQuantum":55313,"rei":55314,"Capabilities":55315,"rectangle":55316,"?><":55317,"alien":55318,"ĠJug":55319,"DNA":55320,"Tickets":55321,"Occurs":55322,"ĠHawk":55323,".setHorizontalGroup":55324,"\\Collection":55325,"ffiti":55326,"Ġrearr":55327,".setVerticalGroup":55328,"Ġcavity":55329,"Ġadulte":55330,"Facade":55331,"-wh":55332,"ĠLOL":55333,"Ø°":55334,"Ġgrandparents":55335,"Swift":55336,"ĉwx":55337,"æīĢæľī":55338,"ifen":55339,"ffset":55340,"Beyond":55341,"//}ĊĊ":55342,"Ġwager":55343,"Ġbury":55344,"Ġcommence":55345,"registro":55346,"scient":55347,"ĠPercent":55348,"Ġдолж":55349,"(identifier":55350,".setModel":55351,"Ġseldom":55352,"nton":55353,"Ġappliance":55354,"amus":55355,"rysler":55356,"Ġpanties":55357,"enguins":55358,"Ġmimic":55359,"ĠonChanged":55360,"Ġalcoholic":55361,".reloadData":55362,"Charge":55363,"ĠFax":55364,"ĠjScrollPane":55365,"Empresa":55366,"Ġshattered":55367,"xba":55368,"Fonts":55369,"?s":55370,"Ġpostseason":55371,"retain":55372,"_rates":55373,"ĠrequestCode":55374,".todo":55375,"´s":55376,"CHK":55377,"ĠKeeping":55378,"engeance":55379,"Ġvscode":55380,"IPPING":55381,"DefaultCloseOperation":55382,"_raise":55383,"ĠOculus":55384,"ograms":55385,"raj":55386,"pci":55387,"Ġcorrosion":55388,".handleSubmit":55389,"Accessible":55390,"ĠPiano":55391,"little":55392,"ACL":55393,"Äĩe":55394,".unwrap":55395,"ĠConvers":55396,"ĠLeben":55397,"ioneer":55398,"ĠMerchant":55399,"ĠJorge":55400,"Ġembracing":55401,"Ġventa":55402,"ást":55403,"Ġviene":55404,"Ċ":55556,"-growing":55557,"Ġdeepcopy":55558,"Ack":55559,"eggies":55560,"Ġ__(\"":55561,"Ġnoir":55562,"terrorism":55563,"Ġanthem":55564,"agency":55565,"_PACKAGE":55566,"ĠClosure":55567,".registry":55568,"Ġmammals":55569,"L":55600,"Ġbluetooth":55601,".Deep":55602,"-standing":55603,"ácil":55604,"Ġrooft":55605,"ĠPaths":55606,"_iterations":55607,"InvalidArgumentException":55608,".spi":55609,"ĠUIAlertAction":55610,"uye":55611,"signin":55612,".priority":55613,"ĠEssays":55614,"='{$":55615,"Ġè¿ĶåĽŀ":55616,"_signed":55617,".persist":55618,"Ġredesign":55619,"ToLower":55620,"ĠNewman":55621,"=start":55622,"ĠIsraelis":55623,"asiswa":55624,"Speech":55625,"Ġnumeros":55626,"handlers":55627,"ĠWong":55628,"ĠмеÑĤод":55629,"Weights":55630,"ĠGujar":55631,"teil":55632,"ĠNonetheless":55633,"_EFFECT":55634,"Ġvect":55635,"ĠOsc":55636,"Ġcoats":55637,"ĠWheat":55638,"Ġgeek":55639,"ĠPROPERTY":55640,"worm":55641,"_constants":55642,"ĠBoulder":55643,"ĠParm":55644,"cole":55645,"ĠdefaultCenter":55646,"ĠRouge":55647,":A":55648,"xcf":55649,"ĠVenice":55650,"median":55651,"Ġredemption":55652,"Fresh":55653,"Ġcosm":55654,"Ġfigur":55655,"Ġrefurb":55656,"COPE":55657,".cd":55658,"Ġchords":55659,"ĠSgt":55660,"Åį":55661,"VPN":55662,"ĠSEND":55663,"ainen":55664,"_accounts":55665,"Ġtenth":55666,"Ġdissolved":55667,"":55907,"Ġlegitimacy":55908,"Ġoo":55909,"Slinky":55910,"Ġnationals":55911,".words":55912,";p":55913,"trap":55914,"omanip":55915,"Ġcues":55916,"Ġgraduating":55917,"Ġsemaphore":55918,"\"]);ĊĊ":55919,"acey":55920,"REET":55921,"Grab":55922,"ĠFelix":55923,"(Id":55924,"_neighbors":55925,"Ġmeaningless":55926,"(del":55927,"Ġjeder":55928,"ĠContentValues":55929,".absolute":55930,"/cl":55931,"Ġxb":55932,"datum":55933,"Ġtortured":55934,"Ġrubbing":55935,"Scores":55936,"ĠðŁĺī":55937,"Ġavons":55938,"Ġamsterdam":55939,"EOS":55940,"Hal":55941,"Ġtrustworthy":55942,"#=":55943,".EXTRA":55944,"Ġmano":55945,"isicing":55946,"-support":55947,"ĉcursor":55948,"ĠSpo":55949,"aimassage":55950,"Mission":55951,"[]{\"":55952,"Ġprinters":55953,"GREEN":55954,"Ġteg":55955,"Ġabdominal":55956,"!ĊĊĊĊĊĊ":55957,".Short":55958,"азв":55959,"ĠGifts":55960,"}\")":55961,"(binding":55962,"xce":55963,"âĢij":55964,"infos":55965,"FormData":55966,"Ġdart":55967,"Ġelems":55968,"(inv":55969,"YL":55970,"tin":55971,"GENER":55972,"ữ":55973,"ĠTaken":55974,"uckle":55975,":e":55976,"Ġspectral":55977,".baidu":55978,"/');Ċ":55979,"Ġgreedy":55980,"esion":55981,",,,,,,,,":55982,"Ġ/>,Ċ":55983,"InternalServerError":55984,"NSNotificationCenter":55985,"ĠAi":55986,"Ġspit":55987,"Ġaugmented":55988,"ĠstandardUserDefaults":55989,"FINITY":55990,"Race":55991,":C":55992,"ĠRECORD":55993,"ĠHighlight":55994,"Ġ'`":55995,"Ġdeficits":55996,"Ġnei":55997,"Ġresearched":55998,"Ta":55999,"Ġcopp":56000,".GetHashCode":56001,"):čĊčĊ":56002,"OnClick":56003,"ĠWellington":56004,"Ġrevival":56005,"æ¯Ķ":56006,"éĹ®":56007,"ĠNSS":56008,"Ġforn":56009,"Ġinté":56010,"ĠKuwait":56011,"_flip":56012,"_bo":56013,"_\\":56014,"Ġoccurrences":56015,"ĠScientists":56016,"SRC":56017,"ogens":56018,"igrant":56019,"REMOTE":56020,"ĠSID":56021,".opts":56022,"uve":56023,"()])Ċ":56024,"Ġlibertarian":56025,"ĠGlide":56026,"lesen":56027,"Ġforme":56028,"owania":56029,"Ġannoyed":56030,"Defs":56031,"ĠExecutor":56032,"Ġcasts":56033,".setChecked":56034,"ĠSharing":56035,".SerializeObject":56036,"Ġselectors":56037,"_OTHER":56038,"미":56039,"(super":56040,"(OS":56041,"_VERIFY":56042,"idunt":56043,"';Ċ":56045,"Ġvidéo":56046,"ĠNegro":56047,"ĠLords":56048,"ĠTours":56049,"Ġsoftly":56050,".receive":56051,"ĠERC":56052,"ĠdataSet":56053,"Badge":56054,"ĉEvent":56055,"Ġperl":56056,"Ġ{}\\":56057,"(sentence":56058,"OrUpdate":56059,"Ġdiminish":56060,"PIN":56061,"(draw":56062,".ToDateTime":56063,".EqualTo":56064,"(pin":56065,"-pencil":56066,"luent":56067,"ĠCaller":56068,"Ġplayful":56069,"-'+":56070,"xca":56071,"swick":56072,"){}Ċ":56073,"}:${":56074,"ĠMeth":56075,".getCell":56076,".break":56077,"Ġymax":56078,"='Ċ":56291,"ĠHiro":56292,"(TRUE":56293,"asurer":56294,"Ġcuer":56295,"Uber":56296,".Operation":56297,"Ġolan":56298,"Ġthrilling":56299,"'.":56321,"ĉvalid":56322,"\"\",":56323,"Instrument":56324,">J":56325,"Ġnostr":56326,"ĠRift":56327,"_Port":56328,"Ġveces":56329,"[['":56330,"Ġrallies":56331,"-series":56332,"Ġvv":56333,".uc":56334,"Ġrtn":56335,"StateChanged":56336,"(ins":56337,"ĠCla":56338,"------------Ċ":56339,"cus":56340,"ĠReload":56341,"//------------------------------------------------------------------------------------------------":56342,".seconds":56343,"_destination":56344,"Ġscrewed":56345,">c":56346,"Thickness":56347,"Designer":56348,"Ġgrids":56349,"nÄħ":56350,"(cookie":56351,"Trip":56352,"-Mobile":56353,"Ġvoll":56354,"Ġgenital":56355,"Ġconfisc":56356,"ĠConfederate":56357,"ĠwebView":56358,"Ġmise":56359,"Ġcler":56360,"(selection":56361,"$date":56362,"Ġsharpen":56363,"ragen":56364,"AndUpdate":56365,"Ġremix":56366,"Ġhtons":56367,"RW":56368,"MPI":56369,"Ġretrieval":56370,"Ġrichest":56371,".Decode":56372,":initComponents":56373,"ĠTValue":56374,"Saint":56375,"@include":56376,"ĠPERSON":56377,".sep":56378,"ĠLDAP":56379,"gba":56380,"ĠgroÃŁe":56381,"Ġreliably":56382,"ĠDFS":56383,".getItemId":56384,"Ġprésent":56385,".getToken":56386,"Ġchinese":56387,"ĠMeal":56388,"YOU":56389,"\">>ĊĊ":56948,"bower":56949,"Ġswapped":56950,"/install":56951,"Ġsinks":56952,"etrize":56953,"Ġdeclines":56954,"ĉmysql":56955,"ĠCString":56956,"ĠMotionEvent":56957,".Language":56958,"Road":56959,"ÑĤеÑĢ":56960,"ascimento":56961,"'))->":56962,".about":56963,"(editor":56964,"ĠRatings":56965,"income":56966,"Å¡e":56967,".dequeueReusableCell":56968,"ĠAustrian":56969,"Ġsulla":56970,"ĠTribunal":56971,"ĠDidn":56972,"оваÑĢ":56973,"Ġinspections":56974,"Boss":56975,"Ġcocktails":56976,"Ġapologized":56977,"_subplot":56978,"opal":56979,"+=(":56980,"Ġresonance":56981,"ibu":56982,"Ġ리":56983,"roma":56984,"reserve":56985,"pls":56986,"ĠTah":56987,"axies":56988,"OPLE":56989,"ĠDarren":56990,"ĠZombie":56991,"_Map":56992,"Ġ])ĊĊ":56993,"ĠQi":56994,"ĠSail":56995,"Ġrestrictive":56996,"Ġerosion":56997,"-par":56998,"WHITE":56999,"Ġoldu":57000,"Ġaperture":57001,"Ġbitcoins":57002,"texto":57003,"ĠComcast":57004,"Ġtimeless":57005,"enkins":57006,"Ġfeeder":57007,"/tmp":57008,"resden":57009,"+'_":57010,".Destroy":57011,"Ġçok":57012,"ĠDOCUMENT":57013,".lng":57014,".tagName":57015,"Ġkullan":57016,"egrate":57017,"Ġ(*.":57018,"ç¼ĸè¾ij":57019,"Ġhandshake":57020,"soc":57021,"_geometry":57022,"ĠDamascus":57023,"Minor":57024,"ĠKafka":57025,"ìŬ":57026,"Florida":57027,"_compute":57028,".expr":57029,"Ġparalle":57030,"ĠDiaz":57031,"cir":57032,"[target":57033,"Ġjoking":57034,"Ġglor":57035,"(setq":57036,"_handlers":57037,"Hang":57038,"Ġferr":57039,"riminal":57040,"ĉĠĠĠĠĉĉ":57041,"enties":57042,"defines":57043,"-tax":57044,"jsonp":57045,"ĠUPS":57046,"metro":57047,"__;Ċ":57048,"ĠUganda":57049,"])):Ċ":57050,"_td":57051,"xae":57052,"lw":57053,".OS":57054,"ĠLogged":57055,"acid":57056,"ĠMayo":57057,"aspect":57058,"Ġvaginal":57059,"Ġinitializing":57060,"Ġsteroids":57061,"fiction":57062,"GRE":57063,"gend":57064,"Ġliabilities":57065,"ĠLets":57066,"Mech":57067,"(nc":57068,"(change":57069,"Ġconnectors":57070,":k":57071,"Ġtast":57072,"!\");ĊĊ":57073,"things":57074,"rophy":57075,"luetooth":57076,"ĠSignUp":57077,".ctrl":57078,"Ġtherein":57079,"orda":57080,".escape":57081,"igator":57082,"Ġpetrol":57083,"Ġspecimen":57084,"Ġdebuted":57085,"-Pro":57086,"Ġcrises":57087,".addView":57088,"ëıĻ":57089,"-door":57090,"Ġmonet":57091,"Ġmillis":57092,"Ġvier":57093,"InternalEnumerator":57094,"Ġadmins":57095,"ĠLair":57096,"zin":57097,"getQuery":57098,"umbles":57099,"LIMIT":57100,"ĠVig":57101,"_song":57102,"":57415,"Ġpasado":57416,"thank":57417,"_Delete":57418,"ĠBrighton":57419,",unsigned":57420,"ä½ľèĢħ":57421,"Ġaspirations":57422,"-how":57423,"Rose":57424,"=((":57425,"_needed":57426,"_plural":57427,">ĊĊ":57545,"Ġsurfaced":57546,"ĠìłĢìŀ¥":57547,"platz":57548,"ĉemail":57549,"ceptors":57550,"\">(":57551,"Ġepile":57552,"读":57553,"ĠDebt":57554,"åijĬ":57555,"NOP":57556,"\"https":57557,":j":57558,"FormItem":57559,"_LICENSE":57560,".getDouble":57561,"ĠAgenda":57562,"ĉfinally":57563,"(filters":57564,"(av":57565,"ç¾İ":57566,"APER":57567,"Ġlava":57568,"еÑĢж":57569,"))))ĊĊ":57570,"Ġfaulty":57571,"_nm":57572,"Ġtrava":57573,"(Bitmap":57574,"Ġspeeding":57575,">').":57576,"Ġscreened":57577,"_roll":57578,"ĠMacBook":57579,"ĠAUD":57580,"Ġdiagnose":57581,".Generate":57582,"Ġ^^":57583,"Ġstrs":57584,"[Test":57585,"Ġransom":57586,"ĠDHCP":57587,"elden":57588,"Ġinterpretations":57589,"()].":57590,"flatMap":57591,"ĠlineHeight":57592,"_mount":57593,"ĠWizards":57594,"Ġsluts":57595,"ehler":57596,"odal":57597,"Ġmilitia":57598,"å²":57599,"earned":57600,"Ġmisery":57601,"intval":57602,"fund":57603,"Ġhides":57604,"Ġdiarr":57605,"ĠWesley":57606,"Ġxmm":57607,"Ġquem":57608,"ĠArabs":57609,"ifth":57610,"ategorized":57611,"Disposable":57612,"Pure":57613,"_NOTIFY":57614,"snippet":57615,"ĠGarrett":57616,".running":57617,".weights":57618,"Ġ(--":57619,"Ġinvariant":57620,"äºĭ件":57621,"ĠAllowed":57622,"dirs":57623,"Ġpassions":57624,"Ġlad":57625,"ĠFlush":57626,"menus":57627,":block":57628,"Ġcompra":57629,".chomp":57630,"allocator":57631,"Ġcurated":57632,"ĠKnowing":57633,"ĠPatterson":57634,"Ġtelah":57635,"'ex":57636,"Ġdoomed":57637,"Ġphilanth":57638,"otty":57639,".styles":57640,"Owned":57641,"Ġallergies":57642,"=params":57643,"ocese":57644,"itelist":57645,"ĠSending":57646,"bef":57647,"orrar":57648,"ĠNão":57649,"ĠFargo":57650,"ĠLub":57651,"ĠCombined":57652,"_given":57653,"ĉĉĉĉĉĠĠĠĠ":57654,"Ġreconciliation":57655,"Patterns":57656,"azard":57657,"Ġbiomass":57658,"ĠHouses":57659,"respuesta":57660,"cco":57661,"/topics":57662,"ĠYuk":57663,"Ġweakened":57664,"_calendar":57665,"Ġmulheres":57666,"ĠMarl":57667,"Ġsine":57668,"ĠTil":57669,"ĠSouls":57670,"ĠDeutsche":57671,"ĠFOLLOW":57672,"Ġpipelines":57673,"ĠBeverly":57674,"_DIPSETTING":57675,"\"#":57676,"ĠProto":57677,".big":57678,"ĠSavings":57679,"ĠTanz":57680,"jun":57681,"ĠGamma":57682,"ĠSadd":57683,"Ġadvisors":57684,"Ġroast":57685,"Ġunters":57686,"udies":57687,"_lon":57688,"-pointer":57689,"ĠElementRef":57690,"\\Builder":57691,"exampleInput":57692,".webdriver":57693,"dataType":57694,"ĠQuite":57695,"ĠCeltics":57696,"uil":57697,"-defense":57698,"bish":57699,"ĠUIWindow":57700,"ĠSuddenly":57701,".hot":57702,".reason":57703,"Ġgör":57704,"AMD":57705,".Multi":57706,"authenticated":57707,"regions":57708,";(":57709,"аÑĢам":57710,"ĠKirby":57711,"$route":57712,"PRECATED":57713,"ĠDurham":57714,"owo":57715,"ĠPerforms":57716,"Ġdisregard":57717,"nst":57718,"ĠPols":57719,"ĠgetP":57720,"\"]:":57721,"-colored":57722,"(Keys":57723,"ĠAlleg":57724,"_modify":57725,"_loading":57726,"strained":57727,"Ġatroc":57728,"_phr":57729,"":58721,"ceph":58722,".DateTimePicker":58723,".\";ĊĊ":58724,"ĠTie":58725,",item":58726,"Ġmenn":58727,"Gas":58728,"ocha":58729,"_virtual":58730,"Ġmasterpiece":58731,"_sequences":58732,"LTE":58733,"ĠSubmission":58734,"Caller":58735,"$\\":58736,"Sport":58737,"agus":58738,"ConstraintMaker":58739,"Ġcoloc":58740,"Ġwig":58741,"ĠУ":58742,"ĉArray":58743,"Looks":58744,"ĠGTA":58745,".steps":58746,"atchewan":58747,"_ranges":58748,"extAlignment":58749,"ĠBrennan":58750,"Ġabstraction":58751,"ulerAngles":58752,".misc":58753,"Ġantibodies":58754,"Ġexponential":58755,"ĠCHANNEL":58756,"expense":58757,"'y":58758,"Ġdetectives":58759,"Ġpurported":58760,"YSTEM":58761,"Ġradioactive":58762,"ĠLatina":58763,".Encoding":58764,".TAG":58765,"xin":58766,"Degree":58767,"uracion":58768,"prices":58769,"ĠReferentialAction":58770,"Ġrarity":58771,"Ġpiles":58772,"gende":58773,"_projects":58774,"_globals":58775,".startTime":58776,"Ġ구":58777,"SECTION":58778,"_publish":58779,"Fault":58780,"DDL":58781,"_prior":58782,"Mom":58783,"Ġthicker":58784,"Ġsequelize":58785,"Ġessentials":58786,"stras":58787,"intr":58788,">(()":58789,".management":58790,"eil":58791,"éĹŃ":58792,"Aware":58793,".City":58794,"ĠArbit":58795,"_DM":58796,"_keyboard":58797,"LObject":58798,"-webpack":58799,"ĠNewport":58800,"ĠprincipalColumn":58801,"legant":58802,"Ġpallet":58803,"Ġfracture":58804,"Ġgmail":58805,".Meta":58806,"Above":58807,".KeyEvent":58808,"jit":58809,"_macro":58810,"_PUSH":58811,"ứ":58812,"/controller":58813,"åĬłè½½":58814,"Ġsuperficial":58815,"exterity":58816,"Ġmensagem":58817,"Wind":58818,"iston":58819,".openapi":58820,"иÑĢов":58821,"ĠSerializer":58822,"uctive":58823,"Ġzar":58824,"Places":58825,".Static":58826,"Ba":58827,"Ġinadvert":58828,"ĠIndonesian":58829,"_IPV":58830,"(horizontal":58831,"ĠgetTitle":58832,"idepress":58833,"ĠConsoleColor":58834,"ipers":58835,"$out":58836,"Ġfestive":58837,"Ġevenings":58838,".GetData":58839,"uitka":58840,"ĠManuals":58841,"ussed":58842,"_Max":58843,".Chat":58844,"ĠAircraft":58845,"=com":58846,"FOUND":58847,"apro":58848,"Ġtreasures":58849,"_alive":58850,"Ġgadget":58851,"eking":58852,"ButtonDown":58853,"Browsable":58854,".PERMISSION":58855,"PASSWORD":58856,"ĠHASH":58857,"fé":58858,"\\TestCase":58859,"LOSS":58860,"others":58861,",J":58862,"Ġasshole":58863,"werk":58864,"Ġmã":58865,".ie":58866,"evil":58867,"kontakte":58868,"////////////////////////////////////////////////////////////////////////////////Ċ":58869,"=sys":58870,"ĉlock":58871,"--;ĊĊ":58872,"_FUN":58873,"FillColor":58874,"óa":58875,"prend":58876,"Ġcompressor":58877,"Mother":58878,"ĠArcher":58879,".goto":58880,"Ġwürde":58881,"Ġbamboo":58882,"ï¼İ":58883,"ĠTrees":58884,"Ġbumper":58885,"Ġsausage":58886,"ĠElasticsearch":58887,"Ġhorizontally":58888,"ĠGul":58889,"Immutable":58890,"Ġloser":58891,"Ġaborted":58892,"-demo":58893,"ĠHatch":58894,"Ġunde":58895,"Ġprocesso":58896,"-call":58897,"Income":58898,"åĥ":58899,"_returns":58900,"'].\"'":58901,"(sw":58902,"CBS":58903,"amilies":58904,"ĠYourself":58905,"ĠHolt":58906,".MON":58907,"à§ĩ":58908,"ÑĪе":58909,"anon":58910,"ĠFontAwesome":58911,"producer":58912,"jr":58913,"Ġmau":58914,"ĉinter":58915,"Ġdishonest":58916,"Ġmagna":58917,"ĠCollective":58918,"Ġvraiment":58919,"Ġchoix":58920,"stay":58921,"Ġwelding":58922,"rising":58923,",min":58924,"ĠFate":58925,"glob":58926,"RGBA":58927,"Ġdette":58928,"Ven":58929,"Ġembarrassment":58930,".DELETE":58931,"gregar":58932,"-render":58933,"(bucket":58934,"\">ĊĊĊ":58935,".waitKey":58936,"Busy":58937,"Ġdifferentiation":58938,"ĠCST":58939,".Constant":58940,"ĠlineNumber":58941,"(matches":58942,"Ġwebsocket":58943,"Ġbarred":58944,"Ġpuedes":58945,"Mono":58946,"CORE":58947,"IID":58948,"ĠĠĠĠčĊčĊ":58949,"Ġpúblico":58950,"leaning":58951,"Ġcleansing":58952,"Ġcris":58953,"ĠDevils":58954,"_SETTING":58955,"untary":58956,".);Ċ":58957,"ĊĠĠĠĊ":58958,"[curr":58959,"tsy":58960,"ĠAlexis":58961,"ritel":58962,"Ġpetroleum":58963,".preprocessing":58964,"matter":58965,"ForResult":58966,"-license":58967,"Ġtravellers":58968,"ĠDispatcher":58969,"ennifer":58970,"Ġdigestive":58971,"PED":58972,"hibition":58973,"MASConstraintMaker":58974,"ĠWatt":58975,"Benef":58976,".setView":58977,"dto":58978,"TEE":58979,"ĠPelosi":58980,"_EXTRA":58981,"Ġmedals":58982,"xhr":58983,"forecast":58984,"Ġnargin":58985,"ouns":58986,"-fill":58987,"_CURSOR":58988,"Ġsupervised":58989,"Ġturf":58990,"ĠEdgar":58991,"POSITION":58992,"ĠcategoryId":58993,"âī":58994,"_ER":58995,"ủa":58996,"Shown":58997,".ll":58998,"_POLICY":58999,"(),'":59000,"ĠPrev":59001,"ĠStringField":59002,"ĉGlobal":59003,"assed":59004,"Throughout":59005,"ostringstream":59006,".awtextra":59007,"Ġslopes":59008,"ĠSequential":59009,"Ġgiorn":59010,"Ġzelf":59011,"Ġversatility":59012,"leneck":59013,".cgi":59014,"Ġdoubling":59015,"ĠBangkok":59016,"Ġbuurt":59017,"Ġusuário":59018,"studio":59019,"Ġjeunes":59020,"Ġmuted":59021,"Ġips":59022,"_fraction":59023,"&&(":59024,"Ġstunt":59025,"');?>čĊ":59049,"Ġevapor":59050,"bable":59051,"ĠPRICE":59052,"Ġæ³":59053,"lucent":59054,"Ġvamp":59055,"ĠTechnician":59056,"Ġuniqueness":59057,"Mes":59058,"urban":59059,".parametrize":59060,"ĠReplay":59061,"Sessions":59062,"embr":59063,"-Americans":59064,"_PROXY":59065,"Ġpian":59066,"Ġtrie":59067,"ĠDestructor":59068,"GameState":59069,"ĠIMF":59070,"chin":59071,"Ġporte":59072,"ĠSwal":59073,"åŁİ":59074,"Substring":59075,"iming":59076,"/Library":59077,"Ġfrightened":59078,"writes":59079,"Ġrecursos":59080,"arResult":59081,"_INITIALIZ":59082,"ĠBadge":59083,"_crc":59084,"Eight":59085,"ĠDISTINCT":59086,"Ġthro":59087,"@Xml":59088,"ĠLegendary":59089,"-twitter":59090,"_easy":59091,"Ġ+++":59092,"(DATA":59093,".Locale":59094,"Ġkä":59095,"Ġnurt":59096,"Ġcruis":59097,"_ios":59098,"Ġsensing":59099,"_Line":59100,"ĊĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ":59101,"pong":59102,"oleon":59103,"Ġwildcard":59104,"çĶ¨æĪ·åIJį":59105,"Ġbegging":59106,"Rod":59107,"ĠÃİ":59108,"_CELL":59109,"Researchers":59110,".selector":59111,"_ing":59112,"Ġaspiring":59113,"Ġimmortal":59114,"Ġymin":59115,"_robot":59116,"Ġplur":59117,"BTC":59118,"ĠDID":59119,"Ġpiercing":59120,"*u":59121,"_DEFINED":59122,"ĠThi":59123,"itaire":59124,"(media":59125,"-ons":59126,"Ġchefs":59127,"Ġ\"*.":59128,"/AP":59129,"Ġrazor":59130,"ĠsearchData":59131,"Ġ=&":59132,"ĠãĢĤ":59133,"Ġmourn":59134,"tingham":59135,"Ġoli":59136,"ĠVernon":59137,"_RS":59138,"ŀæĢ§":59139,"Ġfácil":59140,"angen":59141,"celain":59142,"Ġail":59143,"lest":59144,"ĠQCOMPARE":59145,"gain":59146,"Ġε":59147,"ĠKob":59148,"ĠFault":59149,"_configs":59150,"ç»ĵæŀľ":59151,".+":59152,"calar":59153,"(colors":59154,"Mul":59155,"_ART":59156,"Ġexperimenting":59157,"ermen":59158,"ĠAnglo":59159,".FixedSingle":59160,"Sea":59161,"Ġctxt":59162,".slider":59163,"Collapse":59164,"Grey":59165,"Ġfld":59166,"-proof":59167,".capacity":59168,"getParent":59169,"ĠCompliance":59170,"Ġburgl":59171,"-rec":59172,"Ġoverwritten":59173,"MU":59174,"Ġrouters":59175,"ĉModel":59176,"Ġfantasies":59177,"avian":59178,"_prec":59179,"ĠScandin":59180,"Ġ//<":59181,"/oct":59182,"Ġceremonies":59183,"Months":59184,"undy":59185,"Ġqued":59186,"ĠNou":59187,"ĠVibr":59188,".rgb":59189,"Ġcitrus":59190,"Ġbraces":59191,"-uppercase":59192,"getTable":59193,"Ġdopo":59194,"ĠKerr":59195,"_CHILD":59196,"-cloud":59197,"ĉMatrix":59198,"Ġgardening":59199,"Sing":59200,"almost":59201,"Requirements":59202,"uguay":59203,"(Property":59204,"subscriber":59205,"FAST":59206,"reaction":59207,"(lp":59208,")})Ċ":59209,"`).":59210,".wallet":59211,"_exchange":59212,".Maximum":59213,"ĠVerb":59214,"âĶģ":59215,"()<":59216,"ï¼ĽĊ":59217,"ROT":59218,"CARD":59219,"ubit":59220,"{@":59221,"_kel":59222,"ĠTooltip":59223,"MySQL":59224,"MainActivity":59225,"arf":59226,"Ġmalign":59227,"Ġseinen":59228,"apist":59229,"Ġ<%":59230,"MethodImpl":59231,"Mil":59232,"ĠMick":59233,".depend":59234,">&":59267,"ĉok":59268,"-low":59269,".usuario":59270,"nested":59271,"XB":59272,"OURS":59273,".BorderColor":59274,"Ġbrow":59275,"ĠÐķ":59276,"corr":59277,"ĠRedskins":59278,".getTag":59279,".getTransaction":59280,"Ġstigma":59281,"hardt":59282,"ĠPlayerPrefs":59283,"alsy":59284,"ucson":59285,"Languages":59286,"ĠOlivia":59287,"Ġtac":59288,"Ġbli":59289,"Ġcaval":59290,"Ġconsolidated":59291,"Ġperil":59292,"Ġdele":59293,"Ġformulated":59294,"Ġhighways":59295,".spawn":59296,"==$":59297,"ĠNiet":59298,"Ġveggies":59299,"ypo":59300,"-rule":59301,"ĠVie":59302,"/epl":59303,"Ġenfants":59304,"stringLiteral":59305,"Ġtoughest":59306,"buyer":59307,"Ġcovariance":59308,"Ġili":59309,"ĠSophie":59310,"ĠBAB":59311,"Ġ\"),":59312,"ĠUk":59313,"currentIndex":59314,"_userdata":59315,".codec":59316,"ĠPunjab":59317,"ĠSNP":59318,"lol":59319,"advance":59320,"Ġcomfy":59321,"JsonIgnore":59322,"Ġfashionable":59323,"ĠICON":59324,"Ġora":59325,"ĠPricing":59326,"E":59384,"tering":59385,"/screens":59386,"Ġheightened":59387,"аÑĢÑĤ":59388,"Authorities":59389,"_bbox":59390,"ünst":59391,".fontSize":59392,"ĠBOOLEAN":59393,"divide":59394,"ĠSloven":59395,"ucer":59396,"ÙĴ":59397,"stub":59398,"Ġnavigating":59399,":animated":59400,"_NOW":59401,"_vect":59402,"}{Ċ":59403,"@(":59404,"Ġtelecom":59405,"Ġcontracting":59406,"ĠAssange":59407,"Ġextracting":59408,"Ġgrö":59409,"cobra":59410,".DIS":59411,"Ġcrab":59412,"Ġtwitch":59413,"Ġverts":59414,"Ġrejects":59415,"ĉformat":59416,"Ġregeneration":59417,".Sys":59418,"solve":59419,"ĉdialog":59420,"shi":59421,"meter":59422,"(best":59423,"validators":59424,"Ġonwards":59425,"Ġguru":59426,"Ġmoderator":59427,"owied":59428,"experiment":59429,"rub":59430,"Ġmqtt":59431,"ĠCaucas":59432,"Ġnationalism":59433,"Ġmange":59434,"ĉImGui":59435,"/Edit":59436,"Ġinh":59437,"Ġintellig":59438,"erokee":59439,"ĉexport":59440,"Ġdiscriminate":59441,"subtract":59442,"ĠMoodle":59443,"enser":59444,"ĠGuides":59445,"RAP":59446,"-hot":59447,"_grp":59448,".picture":59449,"XA":59450,"ĠinitView":59451,"_Comm":59452,"Ġoverdose":59453,"Ġ+ĊĊ":59454,"ĠSilent":59455,"shows":59456,"Ġinterpolate":59457,"Formation":59458,"Ġbisc":59459,"markets":59460,"(SC":59461,"Ze":59462,"ĠNetworking":59463,"Ġadrenal":59464,"ĠGuns":59465,"eteor":59466,"Declared":59467,"orgetown":59468,"Ġkarena":59469,"/password":59470,"_addresses":59471,"ITERAL":59472,"Buzz":59473,"ĠConway":59474,"(case":59475,"PWD":59476,"heiro":59477,"(act":59478,"**čĊ":59479,"());ĊĊĊ":59480,"Ġanv":59481,"Ġ..ĊĊ":59482,"(MenuItem":59483,"(mail":59484,"_sections":59485,"ĉnet":59486,"Ġplut":59487,"Ġwrench":59488,"/object":59489,"ĠIst":59490,"ĠVIS":59491,"/pub":59492,"alten":59493,"Ġguitars":59494,"Ġantibiotic":59495,"ï¼ĸ":59496,"¹":59497,"Ġ\"+\"":59498,"formula":59499,"Ġbabes":59500,"ĠPrompt":59501,"Ġenim":59502,"/player":59503,"ĉref":59504,"ĠbyÄĩ":59505,"Ġconsumes":59506,"ĠHast":59507,"ĠTao":59508,"Ġ'))Ċ":59509,"Ġclam":59510,"Ġthighs":59511,"Ġmotif":59512,"ApiOperation":59513,"ĠWL":59514,"getC":59515,"ĉflags":59516,"ointments":59517,"Ġeconomical":59518,"needle":59519,"xls":59520,"practice":59521,"utzer":59522,"timeofday":59523,"-output":59524,"ĠfindById":59525,"ĠBuddy":59526,"ÐŀÑĤ":59527,"Seven":59528,"ĠBark":59529,"Ġenvoy":59530,"_algorithm":59531,"åĪ©":59532,"Ġballistic":59533,"移":59534,"rades":59535,"ĉdoc":59536,"roducing":59537,"ĠEating":59538,"Unmount":59539,"/dataTables":59540,"_bonus":59541,"Ġlitt":59542,"pps":59543,")localObject":59544,"perf":59545,"ĠHelvetica":59546,"shutdown":59547,"/ml":59548,".tokens":59549,"ĠHardcore":59550,",row":59551,"/bg":59552,"Scaler":59553,"âĢĶas":59554,"_logits":59555,"âĢĻint":59556,"ĉApp":59557,"Implicit":59558,".Fprintf":59559,"ETO":59560,"Ġterra":59561,"Ġpossessing":59562,".rstrip":59563,",),":59564,"=yes":59565,"ĠStripe":59566,"?=":59567,"neutral":59568,".good":59569,"Ġkennen":59570,"ĠSung":59571,"fault":59572,"ystatechange":59573,"Canadian":59574,"','\".$":59575,"ĠMits":59576,"ænd":59577,"ĠSTRUCT":59578,"ĠURLWithString":59579,"ĠCompass":59580,"Ġ--ĊĊ":59581,"ĠNSLayoutConstraint":59582,"|min":59583,"-adjust":59584,"Ġrebuilt":59585,"LIGHT":59586,"/se":59587,"-mount":59588,"vpn":59589,"validated":59590,"(QObject":59591,"Ġignition":59592,"ĠChargers":59593,"RYPTO":59594,"]initWithFrame":59595,"ĠFluid":59596,"Ġcadre":59597,"Ġnominations":59598,"Neill":59599,"ĠHou":59600,"Ġcurrents":59601,"_gene":59602,"(inp":59603,"Paris":59604,"zÄĻ":59605,"aggregate":59606,"Ġassoc":59607,"weeted":59608,"errat":59609,"âĢĵĊĊ":59610,"Ġ'/',Ċ":59611,"fixture":59612,"ĠHighest":59613,"ambient":59614,"Ġchmod":59615,"Ġconte":59616,"Ġsensual":59617,"Ġgarment":59618,"zers":59619,"ĠPowered":59620,"domains":59621,"Reward":59622,"iomanip":59623,"Ġcockpit":59624,"outfile":59625,"Ġbuiltin":59626,"Ġinsisting":59627,".vars":59628,"zipcode":59629,"Ġ����":59630,"fails":59631,"Ġconsolidation":59632,"_oid":59633,"Planet":59634,"Ġ=\",":59635,"ĉel":59636,"UILT":59637,"ätz":59638,"afari":59639,"ĠMcCl":59640,"Timeline":59641,"Esta":59642,"Ġfram":59643,"YE":59644,"Ġcerebral":59645,"OfMonth":59646,"ĠPregn":59647,"ĠклаÑģÑģ":59648,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ":59649,"ĠFres":59650,"Approved":59651,".Special":59652,"ĠProtestant":59653,"Ġallergy":59654,"_pcm":59655,"ĉCopyright":59656,"ĠsuperClass":59657,"\"strconv":59658,"ĠMohamed":59659,"Ġ'//":59660,"ForeColor":59661,"Arthur":59662,"ĠJungle":59663,"Ġveins":59664,"Sad":59665,"Ġbackups":59666,"ĠOpinion":59667,"ût":59668,"Ġintermitt":59669,"odyn":59670,"ĠChristina":59671,"Ġandre":59672,"Ġevacuation":59673,"palette":59674,"horse":59675,"ĠResident":59676,"ĠHassan":59677,".Nil":59678,"Ġaisle":59679,"ĠGrowing":59680,"Ġbloginfo":59681,"/sql":59682,"_ioctl":59683,"Scaling":59684,"ĠMonad":59685,"_cpp":59686,"ĠHutch":59687,"ĠAppleWebKit":59688,"Expense":59689,"_JOB":59690,"Ġpointless":59691,"FromBody":59692,"antal":59693,"Ġdepicting":59694,"ĠCELL":59695,"Ġrefin":59696,"ĠCNC":59697,"ì¹ĺ":59698,"_dimensions":59699,"ĠSAN":59700,"Ġaft":59701,"Ġfootsteps":59702,"ccoli":59703,"_PHONE":59704,"/math":59705,"-kind":59706,"ĠMeans":59707,"ichael":59708,".guna":59709,"Ġinauguration":59710,"-driving":59711,"(delete":59712,"ĠtotalCount":59713,"_MC":59714,".Extension":59715,"Commercial":59716,"ĠzIndex":59717,"$":59849,"Ġebay":59850,"Ġcaptive":59851,"pliant":59852,"ĠCalculates":59853,"olta":59854,"esting":59855,"_revision":59856,"Ġmús":59857,"+m":59858,"\",\"\",\"":59859,"WHAT":59860,"Ġcompassionate":59861,"harga":59862,"[random":59863,"Ġmodulo":59864,"(sn":59865,"Ġoccupations":59866,"////Ċ":59867,"ĉboard":59868,"ĠBalk":59869,"wiÄħ":59870,"ĠWifi":59871,".Profile":59872,":maj":59873,"ĉmat":59874,"LOCKS":59875,"(jButton":59876,"Ġ('$":59877,"Mur":59878,"æĮī":59879,"bble":59880,"Ġfrog":59881,"-hide":59882,"Ġbroadcaster":59883,"à¸ŀ":59884,"haled":59885,"Ġamusing":59886,"_predictions":59887,"_intr":59888,"Ġeagle":59889,"аÑĤелÑĮ":59890,"ĠgetList":59891,"psilon":59892,"Ġcharacterization":59893,"ARDS":59894,"Ġrelocation":59895,"Ġrulers":59896,"PAY":59897,"ĠDefinitely":59898,"_Action":59899,"Ġclosures":59900,"Ġfactual":59901,"odynamic":59902,"Ġprecautions":59903,"niej":59904,"ĠParties":59905,"ĠSubaru":59906,"Ġcousins":59907,"arbeit":59908,".money":59909,"gunta":59910,"(and":59911,"getitem":59912,".StylePriority":59913,"Ġslid":59914,"singleton":59915,"Ġgarn":59916,"ĠPAS":59917,"Ġdazz":59918,"aż":59919,"Ġbogus":59920,"ĠMog":59921,"Ġrivalry":59922,"isol":59923,"Ġlandmarks":59924,"ñas":59925,"Bern":59926,"ĠSachs":59927,"Ġ\")ĊĊ":59928,"Ġhostility":59929,"_mex":59930,"mere":59931,"Mot":59932,"pictureBox":59933,"Defense":59934,"Ġaffidavit":59935,"otherwise":59936,".directory":59937,"_UnityEngine":59938,"-blog":59939,".skin":59940,"phem":59941,"Apellido":59942,"erchant":59943,"[class":59944,"Ġwart":59945,".\"[":59946,"aleur":59947,"/back":59948,"ĠĠĠĠĉĠĠĠ":59949,"Ġprecipitation":59950,"Ġobstruction":59951,"ĠpObj":59952,"Ġrupt":59953,"UCKET":59954,"aye":59955,"æİĴ":59956,"gx":59957,"Ġecl":59958,"Ġsecrecy":59959,"/Header":59960,"ĠLesb":59961,"Ġlei":59962,"ĠBulletin":59963,"Ġgiveaway":59964,".Home":59965,"_ROOM":59966,"\"W":59967,"Ġcowork":59968,"_ra":59969,"ĠCycling":59970,"ĠPaw":59971,"Ġpupil":59972,"/arch":59973,"ĠFileUtils":59974,"é¦ĸ":59975,"rsp":59976,"Ġfreedoms":59977,"ĠLear":59978,"}`).":59979,"Ġbowls":59980,"/block":59981,"_logging":59982,"Ġmethane":59983,"Ġhorns":59984,"Ġwonderfully":59985,"Ġalterations":59986,"Ġexile":59987,"lsen":59988,"_pause":59989,"_LANGUAGE":59990,"ĠUSDA":59991,"_mysql":59992,"_AMOUNT":59993,"ĠLIFE":59994,"Ġyoungsters":59995,"Ġriots":59996,"[E":59997,"Ġunforgettable":59998,",},Ċ":59999,"Disposed":60000,"ĠAssassin":60001,"UNG":60002,"ĠNewsp":60003,"UserService":60004,":aload":60005,"+',":60006,"Ġsettlers":60007,"Ġscreams":60008,"Ġinconvenience":60009,".Rotate":60010,"Ġjars":60011,"ĠPuzzle":60012,"Ġmest":60013,"arsi":60014,"ĠSharma":60015,"|(":60016,".ds":60017,"ĠSacred":60018,"_evt":60019,"Ġexpresses":60020,"Ġhoch":60021,"ĠDuch":60022,".calls":60023,"thr":60024,"ĠSheffield":60025,".AlertDialog":60026,"Ġradically":60027,"Ġtrous":60028,"Ġprevailing":60029,"ĠWWII":60030,"âĢĻn":60031,"ensely":60032,"ĠYesterday":60033,"ĠSirius":60034,"Ġkillers":60035,"ĠFFT":60036,"Ġoval":60037,"'):čĊ":60038,"Ġìłķë³´":60039,"ourage":60040,"ĠCheckbox":60041,"Workbook":60042,".defer":60043,"_floor":60044,"Ġcouncill":60045,"Ġnorske":60046,"moil":60047,"orea":60048,"Ġmarketed":60049,"_SUR":60050,"xAA":60051,"Ġstained":60052,"eut":60053,"ĠMeng":60054,"Ġieee":60055,".extern":60056,"egie":60057,"Ġrapp":60058,"ĠPyongyang":60059,"'class":60060,"Mob":60061,"ĠinitialValue":60062,"_wave":60063,"Ġjab":60064,"Ġmasculine":60065,"Ġamplifier":60066,"Ġtty":60067,"PathComponent":60068,"_xt":60069,"ĠGFP":60070,"/sec":60071,"ĉdispatch":60072,"markdown":60073,"ĠSchn":60074,"bole":60075,"··":60076,"mousemove":60077,"ĠerrMsg":60078,"Ġasign":60079,"_mono":60080,"ToSelector":60081,"ĠZu":60082,"(Rect":60083,"ĠErrorCode":60084,"latin":60085,"angible":60086,"vtk":60087,"CGSize":60088,"Pokemon":60089,"Ġclassmates":60090,"Ġattracts":60091,"ĠTatto":60092,"ultan":60093,"ológ":60094,"Ġhalted":60095,"न":60096,"ĠKart":60097,"Ġue":60098,"_InitStructure":60099,"TestClass":60100,"ĠAirbnb":60101,"_\",":60102,"Ġcharcoal":60103,"Ġipc":60104,"ĠStretch":60105,".glide":60106,"latesAutoresizingMaskIntoConstraints":60107,"Ġpotion":60108,"ITTLE":60109,"Ġcountert":60110,"_hd":60111,"prepared":60112,"Ads":60113,"ĠVampire":60114,"robots":60115,".CreateIndex":60116,"StatusLabel":60117,"Ġtucked":60118,"afür":60119,"Ut":60120,"Ġsweater":60121,"_FN":60122,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĉ":60123,"ataka":60124,"Ġeyebrows":60125,"acoes":60126,"uden":60127,".LinearLayoutManager":60128,"Ġsway":60129,"Ġmultin":60130,"())))Ċ":60131,"ĠNSUInteger":60132,"ĠMyBase":60133,"Partner":60134,"utschen":60135,"ĠCater":60136,".setBackgroundColor":60137,"Ġaccomplishment":60138,"_problem":60139,".dtd":60140,"ĠpageNumber":60141,"Ġjackets":60142,"Ġcropped":60143,"uels":60144,"ĠHep":60145,"Ġcapped":60146,"*Math":60147,"_callbacks":60148,"Ġpubb":60149,"ĠBrunswick":60150,".respond":60151,"[\"_":60152,"Ġbedding":60153,"hythm":60154,"OX":60155,"(speed":60156,"Ġpesticides":60157,"Ġ-------":60158,".Blue":60159,"Ġnoodles":60160,"ĠGoes":60161,"Ġsaver":60162,"oxy":60163,"_completion":60164,"ĠSwinger":60165,"ĠgetDate":60166,"Ġminded":60167,"integration":60168,"ĠLotus":60169,"(stop":60170,"(',');Ċ":60171,"Ġfloods":60172,"ĠWorkflow":60173,"Ġerupted":60174,"Macro":60175,"ĠSauce":60176,"ĠeventName":60177,"\\Input":60178,"Breaking":60179,"ĉwhen":60180,"_pw":60181,"INDER":60182,"ĠWellness":60183,"Ġvoxel":60184,"ĠMell":60185,"ĠMEDIA":60186,"SENS":60187,"ĠFunds":60188,"ĠMild":60189,"Ċ":60198,"Ġtempting":60199,"Ġtestament":60200,"Ġbible":60201,"Ġconsulted":60202,"ĠIndexError":60203,"è¨ĺ":60204,"Ġkeypad":60205,"izzo":60206,"(ok":60207,"Ġwhatsapp":60208,"ĠRemoteException":60209,"Ġteamed":60210,"âĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶâĢĶ":60211,"»,":60212,"ĠgetTime":60213,"diag":60214,"issy":60215,"Ġhed":60216,"Ġknots":60217,"jom":60218,"Ġfunnel":60219,"-mails":60220,"Ġexporting":60221,"ĠVL":60222,"ĠKarn":60223,"ĠBuddhism":60224,"ĠAllan":60225,"_RADIUS":60226,"Ġwording":60227,"ĠForget":60228,"ĠCorona":60229,"iphy":60230,"Ġlimburg":60231,"uggy":60232,"ĠUserRepository":60233,"imin":60234,"(ele":60235,"Ġlabelled":60236,"社":60237,"ĠHerman":60238,".qq":60239,"Ġ\"));Ċ":60240,"ieber":60241,".Translate":60242,"ryn":60243,"Ġdesenv":60244,"umd":60245,"Simply":60246,"ĉmode":60247,"Rpc":60248,"ĠValencia":60249,"Ġstaffers":60250,"Ġselv":60251,"ĠSpike":60252,"Ġdelic":60253,"Ġeru":60254,"_DT":60255,"Judge":60256,"á»ķ":60257,"ĠBasin":60258,".mutable":60259,"\"url":60260,"Ġtariff":60261,"ĠSleeve":60262,"Ġflare":60263,".dropout":60264,"Ġbrides":60265,")),čĊ":60266,"_constraints":60267,"destruct":60268,"Outline":60269,"Ġdisappears":60270,"_locked":60271,"ĠNSLocalizedString":60272,"cke":60273,"ĉnull":60274,"adresse":60275,"Ġtopping":60276,"ĠJoker":60277,"bishop":60278,"ноÑģÑĤÑĮ":60279,"andering":60280,"_amp":60281,"=time":60282,"_Space":60283,"_PULL":60284,"'=":60285,"Ġantiqu":60286,"Ġcach":60287,"___ĊĊ":60288,"ONES":60289,"оÑı":60290,"Ġunread":60291,".policy":60292,"oooooooo":60293,"룬":60294,"Ġusted":60295,"ĠRece":60296,"Ġallem":60297,"ãĥ¼ãĤ¹":60298,"ĠThoughts":60299,"veillance":60300,"istrate":60301,"_lane":60302,"Ġfamed":60303,".GetName":60304,"Ġsmoother":60305,"ĠQualified":60306,"azers":60307,"_geo":60308,"Fax":60309,"ĠMinds":60310,"ĠRaises":60311,"Ġtranscripts":60312,"Conversation":60313,"Ġremarked":60314,"ëĤĺ":60315,"dling":60316,"Ġdeploying":60317,"ĠsharedApplication":60318,"Ġkp":60319,"FontAwesomeIcon":60320,"_dummy":60321,"reiben":60322,"ĠJaneiro":60323,"Directions":60324,".getBean":60325,"sass":60326,"Ġcommanders":60327,"vation":60328,"errorCode":60329,"ĠAlloy":60330,".localized":60331,"Ðij":60332,"Ġdishwasher":60333,"ĠSoup":60334,"Nu":60335,"_Default":60336,"Ġuneven":60337,"Ġ/>\";Ċ":60338,"-Based":60339,"Ġseamlessly":60340,"-null":60341,"ĠXC":60342,"Ġstew":60343,"(delay":60344,"ATORS":60345,"ĠWheeler":60346,"\"H":60500,"east":60501,".air":60502,"âĢľBut":60503,"ObjectContext":60504,"successfully":60505,"_land":60506,"Ġfolds":60507,"_COORD":60508,"Ġsubpo":60509,".getAddress":60510,"instr":60511,"Materials":60512,"ÑĥÑģÑĤ":60513,"deposit":60514,"-last":60515,"_GRAY":60516,"=find":60517,"Ġmutant":60518,"Ġlesbienne":60519,"letcher":60520,"ROUGH":60521,"ureka":60522,".capture":60523,"Ġenn":60524,"Ġ([[":60525,"ĠFlu":60526,"ĠtaskId":60527,"ĠHussein":60528,".folder":60529,"Ġausterity":60530,"ISTRATION":60531,"_Impl":60532,"注æĦı":60533,"Ġdecree":60534,"-chat":60535,"Ġimplication":60536,"Ġguesses":60537,"ulkan":60538,"Analytics":60539,".plus":60540,"COMMAND":60541,"ели":60542,"»ĊĊ":60543,"_SITE":60544,"ĠequalTo":60545,"SupportFragmentManager":60546,"ĠRecording":60547,"å®ĮæĪIJ":60548,"Ġbaggage":60549,"Ġpitchers":60550,"ĠEh":60551,"oque":60552,"ĉcnt":60553,"Ġ=>$":60554,"/foo":60555,"IRA":60556,"ĠSatellite":60557,"borah":60558,"Ġ}}\"Ċ":60559,"ĠEnds":60560,"ĠSpray":60561,",param":60562,".Chrome":60563,"*q":60564,"thought":60565,"ibrated":60566,"Ġthieves":60567,"Ġbeneficiaries":60568,"Entered":60569,"ottesville":60570,"Ġveterin":60571,"ByID":60572,"quipe":60573,"umption":60574,"-unit":60575,"ExecutionContext":60576,"@s":60577,"ĠGiov":60578,".ToolTip":60579,"_friend":60580,"(attributes":60581,"Ġdumping":60582,"ĠJC":60583,"_DOCUMENT":60584,"ĠArmour":60585,"(insert":60586,".HorizontalAlignment":60587,"ĠQed":60588,"ãģĦãģ¾ãģĻ":60589,"/git":60590,"ĠYYYY":60591,"ĠCardiff":60592,"Ġapa":60593,"organic":60594,"ĠWhereas":60595,"ĠæĿ":60596,"ĠMia":60597,"Ġdemolition":60598,"Ġscars":60599,"Ġpai":60600,"Ġretries":60601,"Ġrq":60602,"ĠDenis":60603,"(Utils":60604,"Ġalleviate":60605,"ĠPIC":60606,"idue":60607,"Ġacknowledging":60608,"Ġ//////////////////////////////////":60609,"ç¡®å®ļ":60610,"Ä«":60611,"\\Json":60612,".binary":60613,"Ġxtype":60614,"signals":60615,"ĠAppearance":60616,"&r":60617,"}s":60618,"Ci":60619,"ĠIllum":60620,"porate":60621,"hog":60622,"ĠindexOf":60623,"\\Command":60624,"_parallel":60625,"ĠSherlock":60626,"íĥ":60627,"Ġ\"\")čĊ":60628,"////////////////////////////////////////////////////////////////////////////////////////////////":60629,"Ġcriticize":60630,"ĠSoap":60631,"ĠMatcher":60632,"Ġgrilled":60633,"*T":60634,"Ġadore":60635,"ulling":60636,"Ġjedoch":60637,"_refs":60638,"leanup":60639,"ĠJAXB":60640,"Ġroses":60641,"ĠLiam":60642,"sizei":60643,"Ġgetchar":60644,"Ġtarde":60645,"-tooltip":60646,"Ġqualifier":60647,"ĠIntermediate":60648,"_Window":60649,"ĠMalta":60650,"Disconnect":60651,"ewhere":60652,"Campo":60653,"Ġirrational":60654,"ledo":60655,"ĠDN":60656,"ARGV":60657,"Ġoutro":60658,"Ġthirteen":60659,"Joseph":60660,"MAR":60661,"/gl":60662,"Jess":60663,"ĠPsychiat":60664,"ĠpaddingBottom":60665,"-loop":60666,"/fonts":60667,"_seen":60668,"Teams":60669,"ReactDOM":60670,"(man":60671,"(xpath":60672,".getSimpleName":60673,">(*":60674,"ĠPvt":60675,"Ġelders":60676,"Ġpies":60677,".userAgent":60678,"-region":60679,"ĠGreeks":60680,"(fragment":60681,"stu":60682,"Ġcouncils":60683,"Ġstamina":60684,"ĠGoddess":60685,"西":60686,"Ġphilosophers":60687,"Ġpersone":60688,"ĠLose":60689,"ĠCLR":60690,"ĠDocs":60691,"Ġsoak":60692,"ĠHOLDER":60693,"Ġbells":60694,"hashCode":60695,"RATE":60696,"_WEIGHT":60697,"inous":60698,"endra":60699,"ophobic":60700,"Ġprose":60701,"Ġfinely":60702,"/oauth":60703,"(space":60704,"adge":60705,"ĠMama":60706,"ĠstringBuffer":60707,"Ġstint":60708,"Ġmisma":60709,"Ġvillains":60710,"ĠCrimea":60711,"Ġdiploma":60712,"ĠпоÑģл":60713,"ĠBea":60714,"(join":60715,"Ġíķ´":60716,"CHAT":60717,"pering":60718,"ĠCros":60719,"Ġmonkeys":60720,"Ġpreds":60721,"yla":60722,",,,":60723,"Ġvibrator":60724,"ĠNU":60725,"åħĪ":60726,"fant":60727,"zet":60728,"Ġbietet":60729,"unft":60730,"sworth":60731,".Flow":60732,"Ġpsyched":60733,"ĠContinental":60734,">t":60735,"Ġquilt":60736,".UP":60737,"Ġexpansive":60738,"Dispose":60739,"(language":60740,"Caps":60741,"_ZONE":60742,"Ġrecycle":60743,"ĠManaged":60744,"currentColor":60745,".broadcast":60746,"signIn":60747,".prom":60748,"llu":60749,"ueblo":60750,"Ġpunches":60751,"Ġautomat":60752,"Ġassigning":60753,"ĠcreateUser":60754,"ĠAllied":60755,"Ġconductor":60756,"Ĥ¨":60757,"Ġsaddle":60758,"Ġdni":60759,"omedical":60760,"-West":60761,"PositiveButton":60762,"Ġitalic":60763,"?[":60764,"(trigger":60765,"Ġelephants":60766,"\":\"\",\"":60767,"Ġcaliber":60768,"rafted":60769,"digits":60770,"Ġmarshal":60771,"milliseconds":60772,"markers":60773,"mom":60774,"/place":60775,"Ġholistic":60776,":t":60777,"#,":60778,"Ġboto":60779,"Ġnausea":60780,"ĠShooting":60781,"itech":60782,"ĠtextStatus":60783,"())Ċ":61004,"ADDRESS":61005,"BST":61006,"etzt":61007,"ĠQgs":61008,"Sense":61009,"ExceptionHandler":61010,"ĠChu":61011,".getOwnProperty":61012,"Ġexercised":61013,"iotic":61014,"ĠReleases":61015,"Ġpinterest":61016,"olie":61017,"isoft":61018,"Ġsequencing":61019,"Ġpadre":61020,"]));čĊ":61021,"(radius":61022,".med":61023,"ainties":61024,".ObjectModel":61025,"Ġemple":61026,"Ġseguro":61027,"Stars":61028,"Ġqualitative":61029,"lemn":61030,"á»±":61031,">\").":61032,"Ġgx":61033,"-cert":61034,"ĠASTM":61035,"Ġfullname":61036,"Ġtelemetry":61037,"ĠCambodia":61038,"_ul":61039,"ĠClare":61040,"CUSTOM":61041,"QC":61042,"ĠUns":61043,"ĠHTTPS":61044,"ĠParkinson":61045,"ancybox":61046,"','.":61047,"Tue":61048,".getLast":61049,"Ġabi":61050,"Äħd":61051,"Ast":61052,"ĠEditing":61053,".Unity":61054,"jmp":61055,"Ġmats":61056,"ĠsharedPreferences":61057,"Captain":61058,".pageSize":61059,"Ġrtl":61060,"Ġanmeld":61061,"RuntimeObject":61062,"Ġdemande":61063,"(\";":61064,"seite":61065,"-headed":61066,"ĠKra":61067,"ĠFONT":61068,"`\\":61069,"ClassNotFoundException":61070,".avg":61071,"atical":61072,"Aj":61073,"Ġpermitting":61074,"Proj":61075,"ERRQ":61076,"Ġcreampie":61077,"ĠBuyer":61078,"-modules":61079,"ĠSundays":61080,"|`Ċ":61081,"Ġdaytime":61082,"Ġ+(":61083,"Ġglitch":61084,"ĠOperand":61085,"Ġtoxins":61086,"inya":61087,"DNS":61088,"ĠSas":61089,"Cake":61090,"ĠNationals":61091,".addTo":61092,"Ġsinking":61093,"Ġcomprehension":61094,"Ġscor":61095,"agements":61096,"Ġtard":61097,"Ġmarching":61098,"ĠMTV":61099,"Ġsane":61100,"CreateInfo":61101,"ắ":61102,"ĠendIndex":61103,"ĉlayout":61104,"ĠåIJį":61105,"SITE":61106,"ĠTHERE":61107,"Ġ[{'":61108,"opathic":61109,"Ġtransmitter":61110,"/body":61111,"Ġpund":61112,"ĠClosing":61113,"Ġsetattr":61114,"Ġbounded":61115,"Atlas":61116,"suming":61117,"(times":61118,"parer":61119,"ynom":61120,"feit":61121,"Ġfrem":61122,"-leg":61123,"ĠBras":61124,">#":61125,"Ġì¶ľëł¥":61126,"ĠINSTANCE":61127,"ĠCouch":61128,"_hosts":61129,"likelihood":61130,".Marker":61131,"ĠMasks":61132,"Ġcereal":61133,"utilities":61134,"Ġelemental":61135,"Ġdistorted":61136,"inactive":61137,"cry":61138,"WL":61139,"UPPORTED":61140,".Throws":61141,"/schema":61142,"serie":61143,".\"',":61144,"ĠBenedict":61145,"-picker":61146,"iggs":61147,"ĠPirate":61148,"åij¨æľŁ":61149,"ĠThema":61150,"ĠSouthampton":61151,"ĠarrayWith":61152,"ĠPaula":61153,"Ġpredictor":61154,"-Ass":61155,".userid":61156,"Ġperi":61157,"Ġexaggerated":61158,"urate":61159,"arseille":61160,"ĠConcent":61161,"ĠPik":61162,"Ġ@_;ĊĊ":61163,"Ġformations":61164,"Ġdenomin":61165,"\"/>.Ċ":61166,"endedor":61167,"Ġpancre":61168,"Ġamt":61169,"ĠonResume":61170,"onDelete":61171,"ĠBCH":61172,")(\"":61173,"movement":61174,"Ġpotassium":61175,"":69726,"ĠPPC":69727,"isz":69728,"akeFromNib":69729,"ĠDisp":69730,"ĠAthletics":69731,"Ġnightclub":69732,"GOOD":69733,".setGeometry":69734,"+[":69735,"/send":69736,"Ġbinaries":69737,"Ġráp":69738,":req":69739,"-consuming":69740,"ertime":69741,"UPDATED":69742,"_nullable":69743,"VIN":69744,"ulia":69745,"cyan":69746,"Ġmisunderstanding":69747,"orical":69748,"degrees":69749,"Leading":69750,".AR":69751,"ickest":69752,"Nuevo":69753,"uforia":69754,"Ġgoodies":69755,"Ġfores":69756,"()<<\"":69757,"ademic":69758,"ActionCreators":69759,"servername":69760,"(nt":69761,"dbContext":69762,"Ġairborne":69763,"Ġexhibitions":69764,"cele":69765,"Ġtela":69766,"":69782,".setPreferredSize":69783,"ĠMID":69784,"ĠAless":69785,"Ġhorsepower":69786,"Ġatm":69787,"ĠPackaging":69788,"Ġciphertext":69789,"RequestMethod":69790,"Ġbeiden":69791,"è£":69792,"ĠPOW":69793,".WriteHeader":69794,"director":69795,"-but":69796,"ãģłãģķãģĦ":69797,"incer":69798,"_dn":69799,"!!!!!":69800,"Ġmanufactures":69801,".TextUtils":69802,"Ġconsciously":69803,"Ġbounced":69804,"culture":69805,"ĠSpar":69806,"ĠPiper":69807,".press":69808,"-owner":69809,"Ġevaluator":69810,"ĠSTREAM":69811,".PictureBoxSizeMode":69812,"Ġsugars":69813,"ScreenWidth":69814,"ĠnextState":69815,"Ġivory":69816,"Ġbrunch":69817,"density":69818,"_OW":69819,"ĠCoronavirus":69820,"ĠCFR":69821,"bak":69822,"\\Category":69823,"æķ°ç»Ħ":69824,"Ġinvokevirtual":69825,"}()Ċ":69826,"Ġsujet":69827,"-marker":69828,"isdigit":69829,"ĠMobil":69830,"ĠJsonRequestBehavior":69831,"_REMOTE":69832,".existsSync":69833,"Ġriches":69834,".presenter":69835,"ĠglColor":69836,"Ġhanya":69837,"Ġfortress":69838,"Ġflashed":69839,"viz":69840,"requently":69841,"buat":69842,"$con":69843,">|":69844,".Func":69845,"Ġhumorous":69846,"uem":69847,".ZERO":69848,"ĠSTL":69849,"ĠBuk":69850,"/sample":69851,"ĠGros":69852,"Recipes":69853,"Ġinflated":69854,"Ġswung":69855,":F":69856,"Facing":69857,".Theme":69858,"ник":69859,"Ġsplendid":69860,"ĠrequestId":69861,".CenterScreen":69862,"/autoload":69863,"embedded":69864,"_depart":69865,"ĠPorts":69866,"à¹ĥ":69867,"айд":69868,"discussion":69869,"_consum":69870,"Ġscouts":69871,"Ġcolabor":69872,".Stage":69873,".nano":69874,"eldorf":69875,"Ġgemacht":69876,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ":69877,"Ġpolicymakers":69878,"_PKT":69879,",Th":69880,"oky":69881,"_UID":69882,"Ping":69883,"Ġorchest":69884,"Ġoptics":69885,"uhan":69886,"ĠXOR":69887,"Ġespañol":69888,"ĠAdidas":69889,"rng":69890,"mans":69891,".vstack":69892,"Ġgetaway":69893,"Ġhierarchical":69894,"anoia":69895,"ĠBitmapFactory":69896,"realm":69897,"ĉap":69898,"_apps":69899,"-divider":69900,".drawer":69901,"ĠHARD":69902,"'];?>Ċ":69903,"-packed":69904,"æ²»":69905,"_STRUCTURE":69906,"[Y":69907,"iParam":69908,"(eq":69909,"Ġencompasses":69910,"Ġ\\ĊĊ":69911,"->[":69912,"&utm":69913,"groupon":69914,"strate":69915,"DY":69916,"omorphic":69917,"':[":69918,"Ġgravitational":69919,"ĠMicha":69920,"ĠTencent":69921,"Ġcoached":69922,"ì¶ľ":69923,"ÑĥменÑĤ":69924,"/mobile":69925,"MouseDown":69926,"bud":69927,"ĠYas":69928,"ĠProviders":69929,"NZ":69930,"ĉreport":69931,"errmsg":69932,"ĠimagePath":69933,"acterial":69934,"ĠManga":69935,"wicklung":69936,"(usuario":69937,"\"));čĊčĊ":69938,"/***":69939,"Ġorganise":69940,"Indexed":69941,"_QUAL":69942,"(PyObject":69943,"Ġsurrendered":69944,"POCH":69945,"ĠNOTES":69946,"\\\\\"":69947,"-job":69948,"Ġseventy":69949,"####Ċ":69950,"ĠManor":69951,"Ġdownright":69952,"Ġtimeframe":69953,"insurance":69954,"checker":69955,"ĠSECRET":69956,"Ġechoes":69957,"ĠCarmen":69958,".setHorizontalAlignment":69959,"ĠisChecked":69960,"ĠTOR":69961,"_nn":69962,"('(":69963,"FetchRequest":69964,"ĠPrinted":69965,"Fluid":69966,"ĠSTACK":69967,"GES":69968,"aigned":69969,"igor":69970,".Unknown":69971,"CBC":69972,"ĠCarlson":69973,".URI":69974,"Ġplight":69975,"/start":69976,"ĠPersonnel":69977,"ĠPREFIX":69978,",**":69979,"Ġlimite":69980,"_heat":69981,"%ï¼Į":69982,"ĠDonne":69983,"getNode":69984,"ĠScientology":69985,"Ġcomet":69986,"Ġwenig":69987,"Aside":69988,"ĠMPEG":69989,"'?":69990,"variably":69991,".endDate":69992,"Ġuncont":69993,"ĠScores":69994,"ĠLoginForm":69995,".generated":69996,",ch":69997,"-mar":69998,"ĠNed":69999,"ĠeventId":70000,"+p":70001,"ĠSIN":70002,"/reset":70003,".REACT":70004,"ĠMessi":70005,"_RANK":70006,".writeFile":70007,"Ġcripp":70008,"esthetic":70009,"ERSIST":70010,"Ġreimbursement":70011,"CurrentValue":70012,"Ġunin":70013,"DownLatch":70014,"ĠpaddingRight":70015,"Ġstocked":70016,"/'.":70017,"Ġrepayment":70018,"trak":70019,"/backend":70020,"Ġизмен":70021,"CSR":70022,"Ġpreventive":70023,"Ġpantalla":70024,"_trim":70025,"Pedido":70026,"hospital":70027,"Ġmanageable":70028,"routeParams":70029,"textures":70030,"......ĊĊ":70031,"Ġsélection":70032,"NameValuePair":70033,"Ġpollut":70034,"Modes":70035,"ĠLaud":70036,"jay":70037,"ĠUrs":70038,"Ġsigner":70039,"ĠJJ":70040,"ĠCherokee":70041,"_EXISTS":70042,"Ġdwar":70043,"Ġ($('#":70044,"Ġreef":70045,">{$":70046,"ĠBaylor":70047,"ĠModelState":70048,"-_":70049,"ĠStructures":70050,"Ġsouvent":70051,"Specify":70052,"(pipe":70053,"Ġfracking":70054,"ĠGPA":70055,"Ġbele":70056,"ĉĉĉĉĉĉĉĠĠĠ":70057,"ĠMinority":70058,"Ġtud":70059,"Ġopenness":70060,"ĠIllustrated":70061,"Ġoxidation":70062,"ĠNK":70063,"ĉUpdate":70064,"ĠEMS":70065,"ĠTeddy":70066,"Ġgenerals":70067,"ĉMat":70068,"Ġradios":70069,"ĠAntique":70070,"conomy":70071,"ĠSquadron":70072,")','":70073,"声":70074,"Ġyoure":70075,"ĠMainPage":70076,"Ġbehaviours":70077,"enght":70078,"(@\"%@\",":70079,"Ġtestcase":70080,"ĠCompilation":70081,"Ġflavours":70082,"ĠExtend":70083,"illator":70084,"Ġcoh":70085,"Ġspline":70086,"ĠKG":70087,"-pay":70088,"Ġcommunism":70089,"ĠBusinesses":70090,"ocking":70091,".MaxLength":70092,"assandra":70093,"quiring":70094,"adden":70095,"ĠJeb":70096,"_fault":70097,"[file":70098,"Ġprominence":70099,"disciplinary":70100,"âĢĶthey":70101,"_extent":70102,"ĠVIC":70103,"Ġentails":70104,".partner":70105,"Ġhippoc":70106,"League":70107,"çĶ·":70108,"wipe":70109,"-spinner":70110,"Ġsalute":70111,"ĠSurgical":70112,"(outputs":70113,"worked":70114,"[strlen":70115,"appointed":70116,"ĠHeg":70117,"ĠACPI":70118,"([^":70119,"uala":70120,"_tol":70121,"ĠRit":70122,".Payment":70123,"kowski":70124,"Ġwalmart":70125,"requirements":70126,"ĠFINSEQ":70127,"_BACKGROUND":70128,"ĠOsborne":70129,"(errorMessage":70130,"Reporting":70131,"Ġauctions":70132,"Ġcombos":70133,"ĠNoticed":70134,"_oct":70135,"Ġprimero":70136,"taire":70137,"_hr":70138,"Ġмод":70139,"Ġcontradictory":70140,"=\"@":70141,"achines":70142,"(optarg":70143,"ĠPenguin":70144,"ĠAbbas":70145,"Ġsublime":70146,"Ġpageable":70147,"ĠDefensive":70148,"Ġdistinctly":70149,"ĠAutomatically":70150,"Understanding":70151,"EqualityComparer":70152,"gota":70153,"Ġ\"::":70154,"Ġpulver":70155,"ĠBattles":70156,"Ġunparalleled":70157,"TCHA":70158,"Ġconstrued":70159,"-aff":70160,"Ġprecursor":70161,"-lfs":70162,"Ġmaduras":70163,"ĠDaisy":70164,"ĠArbeits":70165,".Management":70166,"ĉIn":70167,"Ġrobes":70168,"Ġspéc":70169,"âĢľ(":70170,"Ġmaternity":70171,"extent":70172,"ĠSpacer":70173,"DidAppear":70174,"ĉus":70175,".getRequestDispatcher":70176,"(cols":70177,"Ġplummet":70178,"ìħ":70179,"Ġ{ĊĊĊĊ":70180,"érica":70181,"ĠSizes":70182,".enum":70183,".Highlight":70184,"Ġ!!}ĊĊĊ":70193,"Wenn":70194,"Ġclimax":70195,"Ġcrem":70196,"_that":70197,"[âĢ¦":70198,"_domains":70199,"_REPLY":70200,"Ġcompleta":70201,"VEST":70202,"_particle":70203,"Ġsop":70204,"Ġfatalities":70205,"implify":70206,"ĠSKF":70207,"Ġinfusion":70208,"ĠJavier":70209,"Ġballet":70210,"Ġamigo":70211,".want":70212,"Ġcollagen":70213,"ĠLawyer":70214,".Statement":70215,".rt":70216,"baar":70217,"EndPoint":70218,"ĠBek":70219,"SHIP":70220,"Ġpatriarch":70221,"ĠAunt":70222,"_TM":70223,"ĠmÃŃn":70224,"Ġmastered":70225,"WXYZ":70226,"Ġespos":70227,"=logging":70228,"Ġrighteousness":70229,"torrent":70230,"Ġbst":70231,"_CHAIN":70232,"Ġoutskirts":70233,"(rotation":70234,"Ġ'.')":70235,"igrants":70236,"+lsi":70237,"ĠCCTV":70238,"_PHASE":70239,".azure":70240,"_Process":70241,"vae":70242,"ĠTropical":70243,"ĠAnkara":70244,"imageView":70245,"_RUNNING":70246,"Ġ*)__":70247,"ến":70248,"(cli":70249,"scatter":70250,"Ġsche":70251,"Registrar":70252,"Ġairing":70253,"Ġpyplot":70254,"isión":70255,"/customer":70256,"Ġsimplement":70257,"Ġclassy":70258,"ĠDWC":70259,"ĠBashar":70260,"ĠDEVELO":70261,"ĠVick":70262,"avail":70263,"ĠHö":70264,"_extend":70265,"drFc":70266,".isNotBlank":70267,"Ġplais":70268,"|}Ċ":70269,"Ġpornofil":70270,"labs":70271,"Ġhaus":70272,"Ġoriginating":70273,"Ġsurrounds":70274,"ĠQUAL":70275,"meg":70276,"/logger":70277,"[obj":70278,"Ġirresponsible":70279,"ĠPublicKey":70280,"HONE":70281,":'/":70282,"ibox":70283,"ĠFVector":70284,"|{Ċ":70285,"ataloader":70286,"hawks":70287,"HDR":70288,"Ġescalation":70289,"ĠPodsDummy":70290,"elite":70291,"Ġpresup":70292,"Cached":70293,">G":70294,".optimizer":70295,"ĠVisible":70296,"´Ģ":70297,"Ġnen":70298,"Ġpcs":70299,"ĠIdle":70300,"[Any":70301,"Ġkeyboards":70302,"ĠCOMPONENT":70303,"Ġtitanium":70304,"(mut":70305,"ĠLedger":70306,"Ġprosperous":70307,"etrofit":70308,"_LL":70309,"_patient":70310,"Ġpdata":70311,"Ġkontakte":70312,"Swipe":70313,"Ġcheerful":70314,"ĠHonduras":70315,"\"][$":70316,"Ġhemorrh":70317,"\":\"+":70318,"Ġleasing":70319,"Ġinstalls":70320,"ĠPax":70321,"ĠLogistics":70322,"Ġkinetic":70323,"ĠPhon":70324,"_movement":70325,"ĉbytes":70326,"Ġcinco":70327,"ĠMadness":70328,"\")+":70329,"ĠJE":70330,"_ij":70331,"SceneManager":70332,"ĠBust":70333,"ptest":70334,"aea":70335,"Ġbesser":70336,"ÃŃg":70337,"дин":70338,"(tasks":70339,"(\"(\"":70340,"setType":70341,"(outfile":70342,"ĉreset":70343,"ĠARC":70344,"Ġmúsica":70345,"ĠShelf":70346,"ĠminY":70347,"pch":70348,"Ġweiber":70349,"issor":70350,"Ġtrouve":70351,"ĉButton":70352,"Ġregenerated":70353,"Å£i":70354,"imachinery":70355,"blocking":70356,".dataTables":70357,"_frac":70358,"ĠAdvantage":70359,".visitMethod":70360,"éĩįæĸ°":70361,"Ġextrapol":70362,"Ġteasing":70363,"ĠHitch":70364,"ĠGeek":70365,"ESCO":70366,"Ġwich":70367,"ĉax":70368,"_decor":70369,"ĠscreenWidth":70370,"ĠSophia":70371,"Forgot":70372,".uni":70373,"ĠVenture":70374,"_collision":70375,"Ġlawmaker":70376,"(Edit":70377,"blers":70378,"ĠgetNext":70379,"âĢĶyou":70380,"MediaPlayer":70381,"ĠHorde":70382,"ĠCongressman":70383,"observations":70384,"ĉproperty":70385,"Ġ<--":70386,"CreatedAt":70387,"ubyte":70388,"Ġquarantine":70389,"Ġdistressed":70390,"_APB":70391,"ĠGoodman":70392,"ãĤ«":70393,"Ġrecomend":70394,"_PRINTF":70395,"DONE":70396,"Bindable":70397,"rstrip":70398,"centaje":70399,"ĠUnexpected":70400,"ĠSCHOOL":70401,"ĠProfessionals":70402,"ĠGPUs":70403,"Lesson":70404,"Exclusive":70405,"Ġatrav":70406,"ĠDank":70407,"ĠLawyers":70408,"ĠWalton":70409,">[]":70410,"Ġaloud":70411,"=\"../../../":70412,"Ġdebating":70413,"ĠAVG":70414,"_VOL":70415,"/cgi":70416,".deg":70417,":g":70418,".Infof":70419,"MeasureSpec":70420,".song":70421,"mtree":70422,"ulls":70423,"Jordan":70424,"ĠCovers":70425,"Ġattributable":70426,"Ġjedis":70427,"iatrics":70428,"Ġrotterdam":70429,"Ġmeld":70430,"ĠContentType":70431,"Ġmantle":70432,"Ġalice":70433,"_duplicate":70434,"/Internal":70435,"Ġfilesize":70436,"ĉfire":70437,"rese":70438,"ondere":70439,"Ġfamiliarity":70440,"ĠCrest":70441,"Ġkarma":70442,"Ġtorino":70443,"Ġmesa":70444,"/temp":70445,"Ġchir":70446,"ĠOverflow":70447,"Ġtenemos":70448,"unik":70449,"NEXT":70450,"Alle":70451,"Ġnxt":70452,"Mart":70453,"Ġatl":70454,"Ġperiodo":70455,"_you":70456,"Ġ})).":70457,"intestinal":70458,".AdapterView":70459,"Ġhesitant":70460,"Ġcomparatively":70461,".UInt":70462,"(viewModel":70463,"Ġsangat":70464,"ĠResponsive":70465,"ĠZack":70466,"âħ":70467,"JAVA":70468,"ĠFuller":70469,"ĠâĿ¤":70470,".Consumer":70471,"Ġank":70472,"Ġreactors":70473,"fuck":70474,"_rat":70475,"ĠsessionFactory":70476,"_backward":70477,"Ġscrambled":70478,"ĉth":70479,"Ġinsensitive":70480,"Ġchamps":70481,"Ġnginx":70482,"Ġconhec":70483,"ĠJasper":70484,".fm":70485,"StrictEqual":70486,"achsen":70487,"-Nov":70488,"lassen":70489,".integration":70490,"(lbl":70491,"Compose":70492,"ĠFon":70493,"Ãļ":70494,"Gratis":70495,"ĠLime":70496,"ĠAdapterView":70497,"Ġpoisoned":70498,"anchors":70499,"设计":70500,"']?>\"":70501,"Ġprocur":70502,"Italy":70503,".MONTH":70504,"ĠLUA":70505,"ĠLithuania":70506,"ĠHeads":70507,"_CHUNK":70508,"ĠPUSH":70509,"AspectRatio":70510,"Ġweg":70511,"Ġvids":70512,"ĠWein":70513,"ĉINT":70514,"sessionId":70515,"Industry":70516,"Ġdenounced":70517,"JKLM":70518,"ĠVanessa":70519,".Identifier":70520,"propri":70521,"Ġиг":70522,"Ġtécn":70523,"Ġmosaic":70524,"StreamReader":70525,"-Th":70526,"forth":70527,"Ġadherence":70528,"bate":70529,"Ġknights":70530,"sounds":70531,"Ġsalle":70532,"OMET":70533,"ãĤ¹ãĥĪ":70534,"-tm":70535,"ĠRhe":70536,".FileOutputStream":70537,"åĪĨç±»":70538,"ĠENG":70539,"holiday":70540,"ĠCongratulations":70541,")(Ċ":70542,"Ġaggregates":70543,"HOOK":70544,"ewire":70545,"Senator":70546,"Ġembeddings":70547,"epy":70548,"(COM":70549,"Ġrobber":70550,"äter":70551,"wang":70552,"_teacher":70553,"Ġresentment":70554,"Ġlettuce":70555,"erreur":70556,"(ic":70557,"ĠTactical":70558,"ĠContracts":70559,"Ġmænd":70560,"Ġsitios":70561,"Ġbastante":70562,"Ġnuevos":70563,"ĉNdrFc":70564,"ĠprivateKey":70565,"ucch":70566,"MMdd":70567,"Ġè¾ĵåĩº":70568,"umba":70569,"@foreach":70570,":\");ĊĊ":70571,"Ġslippery":70572,"ĠKeystone":70573,"Ġpioneering":70574,"_triangle":70575,"(\"Ċ":70576,"ĉĉĉĉĉĉĉĉĠĠ":70577,"ĠIntervention":70578,"SCI":70579,"ĠcJSON":70580,"Ġterminating":70581,"ë¹Ħ":70582,"Ġbabys":70583,"Subset":70584,"Ġë¡":70585,"Ġseulement":70586,"Ġmuestra":70587,"Entre":70588,"以ä¸Ĭ":70589,"ngo":70590,"\"bytes":70591,"QRST":70592,"Ġypos":70593,"persona":70594,"ĠDeploy":70595,"cee":70596,"Ġà®":70597,".goal":70598,"Ġhabitats":70599,"ĠisAdmin":70600,"Ġexploiting":70601,"Ġventil":70602,"ĠBalls":70603,"اب":70604,"Ġmindfulness":70605,"(kwargs":70606,"Ġresembling":70607,"Ġchoir":70608,"ĠonBackPressed":70609,"ĠSECURITY":70610,"/gtest":70611,"Ġjustices":70612,"ĠintegerValue":70613,"blah":70614,"ĠAim":70615,"_finalize":70616,"keh":70617,"ĠComplexity":70618,"Ġaugust":70619,"getElementsByTagName":70620,"Ġpreach":70621,"Ġpronunciation":70622,"ĠTrash":70623,"-percent":70624,"_PRIV":70625,"ĠHunts":70626,"ĠCurse":70627,"uellen":70628,"Ġheavyweight":70629,"Xi":70630,"ĉselected":70631,"ĠMcCoy":70632,"å¼Ĥ常":70633,"|=Ċ":70634,"ĠBattlefield":70635,"ItemImage":70636,"Ġdeductions":70637,"ĠElemental":70638,"());//":70639,"ĠBurk":70640,"})čĊčĊ":70641,"swift":70642,"/function":70643,"Usually":70644,"_St":70645,"_feats":70646,"ĠIsValid":70647,"Ġzad":70648,"ImageContext":70649,"Ġclassname":70650,"Ġdonner":70651,"Ġ-->ĊĊĊ":70652,"Ġmotorcycles":70653,"+'/'+":70654,"ĠsetBackground":70655,"\\CMS":70656,".AllArgsConstructor":70657,"ĠLexington":70658,".examples":70659,"ĠPurs":70660,"PushMatrix":70661,"Ġ==============================================================":70662,".addTarget":70663,"pora":70664,"Fullscreen":70665,"Ġgoof":70666,"hlen":70667,"äge":70668,"ĠCURL":70669,"ĠInteresting":70670,"Ġretrieves":70671,"_Obj":70672,"inness":70673,"-----ĊĊ":70674,".tsv":70675,"(IM":70676,"ĠBraves":70677,"_ISR":70678,"osti":70679,"á»ĵ":70680,"ĠExterior":70681,"ĠCourtney":70682,"Ġresidues":70683,"Tier":70684,".*;čĊčĊ":70685,":black":70686,"webView":70687,"\"path":70688,"Ġmasa":70689,"]!='":70690,"ĠMatching":70691,"dur":70692,"Jvm":70693,"=context":70694,"_RING":70695,"Ġproponents":70696,"ĠQStringLiteral":70697,"Ġinflate":70698,"\">čĊ":70931,"_COST":70932,"ilinear":70933,"ĠWorkspace":70934,"Ġspel":70935,"agogue":70936,"ĠMillennium":70937,"ĠPopulate":70938,"Ġnid":70939,".parseColor":70940,"Solar":70941,"ĠGad":70942,"Ġì¤ij":70943,"ĠKamp":70944,"ĉrm":70945,"Ġbenz":70946,"ĠHonestly":70947,"Ġelectrode":70948,"ĠPrairie":70949,"ĠPROFILE":70950,"ĠOriental":70951,"ĠOLED":70952,"/copyleft":70953,"awaii":70954,"(products":70955,")\\<":70956,"-created":70957,".ManyToMany":70958,"\"How":70959,"ĠвÑĭп":70960,"Ġmitochondrial":70961,"_testing":70962,"(created":70963,"ĠgetField":70964,"_EVAL":70965,"].\"":70966,"ĠFSM":70967,"ĠRita":70968,"ĠåıĤæķ°":70969,"Ġcôt":70970,"ĠInsight":70971,"ĉmysqli":70972,"_timing":70973,"IDO":70974,")))))Ċ":70975,"COVERY":70976,".imag":70977,"CDF":70978,"lust":70979,"ickt":70980,"_FP":70981,".','":70982,"gcc":70983,"Ġkurz":70984,"_pwm":70985,"Ġodpowied":70986,"ĠBarrier":70987,"/***************************************************************************Ċ":70988,"pak":70989,"-Israel":70990,"ĠRutgers":70991,"ĠselectedItem":70992,"ĠRamirez":70993,"Farm":70994,"Ġcalendars":70995,"gzip":70996,"Ġblockbuster":70997,"ĠPlymouth":70998,"çľĮ":70999,"responses":71000,".DialogInterface":71001,"-grand":71002,"ĠgetSource":71003,"Ġdejtings":71004,"Ġtieten":71005,"Ġcondemnation":71006,"Ġcontinuar":71007,".MockMvc":71008,"/english":71009,"ĠMediaPlayer":71010,"computed":71011,"ĠClippers":71012,"(delegate":71013,".Slf":71014,"Ġë¡ľ":71015,"ĠTide":71016,"Ġihrem":71017,"ĠWan":71018,"ÑĥÑİÑī":71019,"}><":71020,"Discussion":71021,"Ġwatts":71022,"-minus":71023,"ĠJuliet":71024,"éĽħ":71025,"Ġconcluding":71026,"andscape":71027,"Ġúltima":71028,"ĠDERP":71029,"ĠsignUp":71030,"ĠSecondly":71031,"WAIT":71032,"lds":71033,".callbacks":71034,"(hour":71035,"imators":71036,"volent":71037,"AAF":71038,"edriver":71039,"ĠMathematic":71040,"'":71042,"{j":71043,"_ABORT":71044,"Ether":71045,"Ġeducator":71046,"Ġprecaution":71047,"Ġfingertips":71048,"getVar":71049,"camatan":71050,"-debug":71051,"ĠRAF":71052,"[arg":71053,"Ġraced":71054,"Ġtsunami":71055,".flink":71056,"Ġglyc":71057,"uko":71058,"ĠMultiply":71059,"Ġredistribution":71060,"AGO":71061,"ĠRoutine":71062,"Ġopr":71063,"(lower":71064,"ĠFunktion":71065,".dk":71066,"Ġegt":71067,"_BASIC":71068,"syscall":71069,"ĠLSD":71070,"ĠDuplicate":71071,"_sell":71072,"ĠerrorHandler":71073,"_ips":71074,"Ġerv":71075,"annie":71076,"(resourceName":71077,"Ġbottled":71078,"Ġcrawling":71079,"egment":71080,".setTag":71081,"Ġrss":71082,"ĠQuarry":71083,"_exact":71084,".jwt":71085,"ĠBoards":71086,"opi":71087,"Ġnasal":71088,"ĠXYZ":71089,".ud":71090,"Northern":71091,"Ġactivating":71092,"edx":71093,"ovah":71094,"Ġindx":71095,"AlertDialog":71096,"Ġtienes":71097,"annya":71098,"_pan":71099,"(decimal":71100,".Dict":71101,"Ġsubsidiaries":71102,"ProductName":71103,"Few":71104,"dato":71105,"odied":71106,"-under":71107,"Ġê²ĥ":71108,"çīĪæľ¬":71109,"atism":71110,"[Math":71111,".'<":71112,"(infile":71113,"Ġdenotes":71114,"$class":71115,"_SECURITY":71116,"Ġsewage":71117,"melon":71118,"(Character":71119,"/github":71120,"Ġglaring":71121,".Guid":71122,"_sparse":71123,"ĠMargin":71124,"_dns":71125,"Ġmeiner":71126,"Ġleftist":71127,"ĉloc":71128,"abytes":71129,"Ġequipments":71130,"expo":71131,"ĠSomerset":71132,"EK":71133,"æį¢":71134,"Ġlecturer":71135,"Ġmemiliki":71136,"æł¸":71137,"ç´ł":71138,"pron":71139,":pointer":71140,"borrow":71141,"ĠProtective":71142,"_cf":71143,"ĠÐķÑģли":71144,"bpp":71145,"';ĊĊĊĊ":71146,"aturally":71147,"_NAV":71148,"Ġpeptide":71149,">d":71150,"Ġifstream":71151,"_FACTORY":71152,"');//":71153,"joined":71154,"mong":71155,"Ġtimespec":71156,"Ġdestabil":71157,"Ġautop":71158,"-limit":71159,"publication":71160,"ĠDenn":71161,".Memory":71162,"(skb":71163,"ĠAnaheim":71164,"_RETURNTRANSFER":71165,"oueur":71166,"(_('":71167,"legt":71168,"istingu":71169,"ĉpriv":71170,"Ġredirects":71171,"Mt":71172,"Ġalleen":71173,"ĠPointF":71174,"Ġomin":71175,"Ġcitt":71176,"ĠTage":71177,"ĠWalls":71178,"á»ī":71179,"Ġoccupying":71180,"xBF":71181,"rangle":71182,"Ġrelational":71183,"-org":71184,"Ġjpg":71185,"-derived":71186,"Ġmalfunction":71187,"ĠBenson":71188,"(scroll":71189,"ĠXD":71190,"Holy":71191,"(commands":71192,"Ġtipping":71193,"Ġprimitives":71194,"Ġsexle":71195,"CallCheck":71196,"ĠMASTER":71197,"_TEAM":71198,".setRequestHeader":71199,"_specs":71200,"Ġserge":71201,".Master":71202,"Ġims":71203,".SpringBootTest":71204,"paypal":71205,"ĠWANT":71206,".Inst":71207,"ĠCarpet":71208,"Ġwrongly":71209,"($('.":71210,"Ġbild":71211,".Roll":71212,"ĠUrb":71213,"-can":71214,"ãģıãģłãģķãģĦ":71215,"oliberal":71216,"čĊčĊ":71610,"ĠMahm":71611,"}\";ĊĊ":71612,"Ġdq":71613,"ĠPublishers":71614,"ĠAmpl":71615,"ĠDanielle":71616,"Ġtern":71617,"èµ·":71618,"noÅĽÄĩ":71619,"ein":71620,"ĠAsyncStorage":71621,"unger":71622,"rouw":71623,"Ġscissors":71624,"/assert":71625,".bucket":71626,"/archive":71627,"_Man":71628,"Ġintoler":71629,"Ġ()=>":71630,"ĠÐĴÑĭ":71631,"Ġsai":71632,".xy":71633,".\"čĊ":71634,"Ġurinary":71635,"esub":71636,"ISTICS":71637,"Ġκ":71638,"Ġcompliments":71639,"ĠtypingsJapgolly":71640,"ihar":71641,"Expansion":71642,"ĠServing":71643,"_students":71644,"ĠXBOOLE":71645,"(il":71646,"Ġì²ĺ":71647,"Ġjó":71648,"(tol":71649,"(JS":71650,"ĉCG":71651,"ĠDRAW":71652,"twig":71653,"Ġoat":71654,"_smooth":71655,"ĠCSL":71656,"Ġosob":71657,"Ġensuing":71658,"Ġbanker":71659,"ĠBackpack":71660,"_ping":71661,"Ġwishlist":71662,"=ax":71663,"ĉĠĠĠĊ":71664,"Disney":71665,"steady":71666,"\">%":71667,"Ġprophets":71668,"ĠZX":71669,"Ġminimalist":71670,".PLAIN":71671,"Seattle":71672,".ordinal":71673,"ĠPIPE":71674,"Ġretorna":71675,"Ġjugador":71676,"ĠBret":71677,"ĠâĶľ":71678,"Ġplush":71679,"ULATOR":71680,"Sorting":71681,".gridy":71682,"ectomy":71683,"_activ":71684,"rack":71685,"Interactive":71686,"ĠAntarctica":71687,"Ġvengeance":71688,"enso":71689,"_known":71690,"upplier":71691,".Modules":71692,"ĠConnectionState":71693,"éļIJèĹı":71694,"@FindBy":71695,"Ġplacer":71696,"\\model":71697,"<()>":71698,".isSuccessful":71699,"-good":71700,"bz":71701,"ĠDraco":71702,"Assistant":71703,"-extra":71704,"аблиÑĨ":71705,"Ġhypocrisy":71706,"Ġtst":71707,"ĠAgr":71708,"$txt":71709,"Ġlogistic":71710,"licensed":71711,"ĠHof":71712,"Ġtat":71713,"(iv":71714,"Ġintoxic":71715,"postId":71716,"_strike":71717,"Ġhumiliation":71718,"pcodes":71719,"\"sync":71720,"(recipe":71721,"+N":71722,"rente":71723,"ĉClient":71724,"ycopg":71725,"ĠZurich":71726,"ĠProfiles":71727,"Countries":71728,"Ġpict":71729,"Ġrollout":71730,"requencies":71731,"Ġpatched":71732,"Ġcartridges":71733,"Ġshading":71734,"Jar":71735,"Ġsalvage":71736,"ĠTaxes":71737,"Ġstandby":71738,"aporan":71739,"Eigen":71740,".angular":71741,"ĠNested":71742,"享":71743,"ĠisVisible":71744,"ĠDwight":71745,"_BRANCH":71746,".Delay":71747,"Ġkend":71748,"Ġfacilitated":71749,".flatMap":71750,"Ġsanta":71751,"ĉSend":71752,"/messages":71753,"ĠofType":71754,"ĉswap":71755,"#plt":71756,"ĠTurks":71757,"NES":71758,"Ġprogressively":71759,"ĠResidence":71760,"ĠTREE":71761,"Ġnoen":71762,"dio":71763,"Ġnelle":71764,"Ġsogar":71765,"itti":71766,"weekly":71767,"Ġambiguity":71768,"_Settings":71769,"Ware":71770,".neo":71771,"_DST":71772,"Ġæĸ¹":71773,"prep":71774,"lobby":71775,"@email":71776,"/movie":71777,"Ġfunkc":71778,"ĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĠĊ":71779,"ÂŃs":71780,"Ġguardians":71781,"-pos":71782,"Ġconfiguring":71783,"ĠCPS":71784,"ĠDeus":71785,"Ġvidéos":71786,"_empresa":71787,"Ġslapped":71788,"',Ċ":71820,"_XDECREF":71821,"ĠBuzzFeed":71822,"_MARGIN":71823,"PLOY":71824,".small":71825,"ĠmimeType":71826,"Ġholog":71827,"ĉcamera":71828,"lias":71829,"Ġsuspense":71830,"odynam":71831,"bau":71832,"Ġgraveyard":71833,"_named":71834,"\":\"'":71835,"Ġ************************************************":71836,"ĠgameOver":71837,"ĠLENGTH":71838,"ĉscreen":71839,"ĠdoInBackground":71840,"_dependencies":71841,"Ġrtc":71842,"/up":71843,"_ROM":71844,"Hall":71845,"Ġdeficiencies":71846,"(te":71847,"'#":71848,"_equiv":71849,"Ġpreorder":71850,"ĠAxe":71851,"омÑĥ":71852,".sendFile":71853,"Ġfilt":71854,"ĠLimits":71855,"ĠCavaliers":71856,".discount":71857,"âĨIJ":71858,"ĠWit":71859,"QRSTUV":71860,"Ġij":71861,"Ġtegen":71862,"Ġ:\",":71863,"difficulty":71864,"punkt":71865,"ĠEmails":71866,"chlor":71867,"(fun":71868,".Uint":71869,"ĠStall":71870,"_verified":71871,"uD":71872,"FileType":71873,"Ġpleasures":71874,"Ġjudiciary":71875,"Ġsham":71876,"ipur":71877,"_PLUS":71878,"offers":71879,"(foo":71880,"_GT":71881,"ĉcore":71882,"ENTION":71883,"ĠLiberation":71884,"CommandLine":71885,"_department":71886,".Ar":71887,"_neighbor":71888,"ĠSubmitted":71889,"ĠĊ":96121,"Ġdroits":96122,"Ġhomosexuals":96123,"Ġabduction":96124,"ĉwidget":96125,"$headers":96126,"ĠDAR":96127,"Ġfla":96128,"threat":96129,"Ġlouis":96130,".GetProperty":96131,"\"Just":96132,"(frames":96133,"ryo":96134,"profession":96135,"|i":96136,"íķ´ìĦľ":96137,"(sv":96138,"Ġunrecognized":96139,"Ionic":96140,"Fashion":96141,"ScreenState":96142,"ĠIncoming":96143,"NotNil":96144,"Ġsyncing":96145,"emie":96146,"Ġthermo":96147,"_procs":96148,"Ġinconsistency":96149,"religious":96150,".mj":96151,"Ġpersonn":96152,"Ġmomentos":96153,"orarily":96154,"ĠæĬ":96155,"_neurons":96156,"Illustr":96157,"imoto":96158,"ilik":96159,"ĠWoj":96160,"Trading":96161,"Ġappare":96162,"Ġentreprises":96163,"achat":96164,"Ġ¬":96165,"Ġneigh":96166,"BUTTONDOWN":96167,"ĠMaher":96168,"aghan":96169,"-hash":96170,"\"f":96171,"Ġclientele":96172,".addButton":96173,"ĉSP":96174,"Qi":96175,"Ġgrated":96176,"POSITE":96177,":>":96178,"ĠHowell":96179,"ĠComparative":96180,"ĠISC":96181,"ÂŃi":96182,"Ocean":96183,"Davis":96184,"ĠFilme":96185,"Wins":96186,"ĠJIT":96187,"occer":96188,"ĠCorm":96189,"ENCHMARK":96190,"rchive":96191,"icação":96192,"Ġmata":96193,"Ġchildbirth":96194,"ĠOptionally":96195,"Ens":96196,"Ġxhttp":96197,"Ġelucid":96198,"_OscInitStruct":96199,"))):Ċ":96200,"Ġintuit":96201,"ĠDonate":96202,"Ġcorrelates":96203,">Delete":96204,"Ġequipe":96205,"Ġboca":96206,"Ġinflatable":96207,"erah":96208,"ĠDateTimeKind":96209,"Ġcalves":96210,"\\Lib":96211,"Ġemlrt":96212,"ĠTrilogy":96213,"ĠPanc":96214,"ĠDuis":96215,"ĠpelÃŃcula":96216,"WARDS":96217,"_DETECT":96218,"-sectional":96219,"dhcp":96220,"ForRow":96221,"-destruct":96222,"ĠPresenter":96223,"/slick":96224,",on":96225,"ĠCitadel":96226,"loggedin":96227,"_subtype":96228,"Ġsigue":96229,"Ġcuring":96230,"ĠFirewall":96231,"Ġfluorescence":96232,"ĠItalians":96233,"иÑĤÑģÑı":96234,".getStyle":96235,"InSeconds":96236,"jie":96237,"-Smith":96238,"Ġxlink":96239,"Ġsubmissive":96240,"онÑĤ":96241,"arbonate":96242,"ĠFaul":96243,"_goals":96244,"ĠCommissioners":96245,"chartInstance":96246,"_POSTFIELDS":96247,"Ġmedial":96248,"Ġmanos":96249,"Ġdelt":96250,"svm":96251,".Apis":96252,"ephy":96253,"Ġasympt":96254,"ĠappDelegate":96255,"Ġimprobable":96256,"cka":96257,"simd":96258,"/Error":96259,".âĢĵ":96260,"ĠPTS":96261,"deer":96262,"Ġsina":96263,"magnitude":96264,"IDADE":96265,"']}'":96266,"Ġmayores":96267,"ĉcomment":96268,"/console":96269,"\"@":96270,"volt":96271,".sell":96272,"ĠMacy":96273,"Ġmelod":96274,"Ġimágenes":96275,"_chg":96276,"Ġinout":96277,"idente":96278,")'),Ċ":96279,"dni":96280,".blob":96281,"Ġtypography":96282,"Ġeerie":96283,"_OID":96284,"pesan":96285,"ajan":96286,"Ġchopping":96287,"Ġbluff":96288,"adf":96289,"_bases":96290,".Formatter":96291,"Ġ\\%":96292,"ĠPageInfo":96293,"Carrier":96294,"ĠCalibration":96295,"como":96296,"-bodied":96297,"Ġfinancier":96298,"ĠINA":96299,".ERR":96300,"Ġhoodie":96301,"ĠSanity":96302,"guarded":96303,".opendaylight":96304,"ISMATCH":96305,"Highlights":96306,"ünk":96307,"aniem":96308,"angered":96309,"assignments":96310,"Ġregistrado":96311,"ĠUPPER":96312,"ampilkan":96313,"ashire":96314,"ĠNikola":96315,"ĠCFL":96316,"ĠHDC":96317,"Ġpoids":96318,"ĠIPs":96319,"Ġpreventative":96320,"ipsoid":96321,"ifix":96322,".camel":96323,".ga":96324,"Volumes":96325,"-ste":96326,"Yahoo":96327,"_sibling":96328,"Highest":96329,"optgroup":96330,"Ġkvinna":96331,"âĢĿãĢĤĊĊ":96332,"ĠAppliances":96333,"Ġ\"><":96334,"')\")Ċ":96335,"htt":96336,"ĠIdentified":96337,"Ġpencils":96338,"ĠmemberId":96339,"ĠappendString":96340,".loadData":96341,"ĠmockMvc":96342,"Ġjub":96343,"ĠSlut":96344,"ĠTaipei":96345,"statt":96346,"Polit":96347,"Ġpartager":96348,"DidChange":96349,"Increases":96350,")}.":96351,"ĠBaba":96352,"_CLIP":96353,"[unit":96354,"ĠклÑİÑĩ":96355,"Ġalcuni":96356,"ĠLola":96357,"Ġclinging":96358,"@PostMapping":96359,"(concat":96360,"Ġssid":96361,"ĠFauc":96362,"okit":96363,"ĠRecorded":96364,"ález":96365,"($('<":96366,".assertIsNot":96367,"Ġkali":96368,"Volt":96369,"Ġwarmly":96370,"Ġscares":96371,"getti":96372,"führt":96373,"_does":96374,".EMAIL":96375,"imations":96376,"Ġspringfox":96377,"ĠDecom":96378,"arcy":96379,"Ġglitches":96380,"ĠMoff":96381,"ĠVoll":96382,".between":96383,"Ġcoorden":96384,"ĠParticularly":96385,"GBP":96386,"Ġsemble":96387,"Eastern":96388,"_MSB":96389,"]){čĊ":96390,"morgan":96391,"ĠEVAL":96392,"dere":96393,"HOUSE":96394,"moire":96395,"istique":96396,"_lstm":96397,"-commit":96398,"ysterious":96399,"Ġtwink":96400,"-thumbnails":96401,"enÃŃ":96402,":'',":96403,"Ġblackout":96404,"ĠFloors":96405,"Ġsofas":96406,"Ġoui":96407,"leshoot":96408,"ĠRaq":96409,"-abs":96410,"Ġkra":96411,"Mining":96412,"shaft":96413,".setColumns":96414,"Clazz":96415,"PRETTY":96416,".playlist":96417,"éĸ¢":96418,"-Saharan":96419,"MING":96420,"ĉbl":96421,"è®®":96422,"jf":96423,"DOCKER":96424,"hopefully":96425,"(ignore":96426,"ĠUsersController":96427,"ĠMitarbeiter":96428,"ĠLES":96429,"Hamilton":96430,"-metadata":96431,"ĠKK":96432,"iktig":96433,"Ġwollte":96434,"egrator":96435,"]bool":96436,",current":96437,"ĠvalueType":96438,"Ġexcavation":96439,"oland":96440,"Ġverv":96441,"/filepath":96442,"AuthProvider":96443,"Ġprocrast":96444,"ĉULONG":96445,"_MEMBERS":96446,"Ġuplift":96447,"ĠAutonomous":96448,"Ġartworks":96449,"ĠOutreach":96450,"Ġpore":96451,"Homepage":96452,"DialogTitle":96453,"ĠGenerating":96454,"PARSE":96455,"Ġsemanas":96456,"Ġhumano":96457,"JSGlobalScope":96458,"Ġvolte":96459,"Ġbella":96460,"(isinstance":96461,"Ġplc":96462,"\\Catalog":96463,"Ġesteemed":96464,"鼷":96465,"(suffix":96466,"Ġsweeps":96467,"ĉORDER":96468,"Ġdoivent":96469,"ĠSwarm":96470,"ĠCompiled":96471,"getPage":96472,"ADR":96473,".RichTextBox":96474,"ĠNaming":96475,"agged":96476,"ĠGANG":96477,"rasing":96478,"odeled":96479,"Ġgala":96480,"ĠJSName":96481,"ddf":96482,"Ġillust":96483,"ĠLansing":96484,"[port":96485,"-death":96486,"Ġdinheiro":96487,"ĠEighth":96488,"Ġbian":96489,"stÃ¥":96490,"Ġversión":96491,"ĠLinearGradient":96492,"ĠHarding":96493,".*)":96494,"eczy":96495,"$header":96496,"ĠvÃ¥r":96497,"Unchecked":96498,"Ġkoje":96499,"ĠPaladin":96500,"())),":96501,"Giving":96502,"()})Ċ":96503,"Ġdips":96504,"Friendly":96505,"Ġportrays":96506,"Ġhelium":96507,"Ġinsurgency":96508,"_expiry":96509,"ĠstringByAppendingString":96510,"Ġaantal":96511,"slope":96512,"mast":96513,".getInteger":96514,"Ġ########################":96515,"_PIPELINE":96516,"Ġdensely":96517,"Ġmutating":96518,"midi":96519,"ĠSeit":96520,"ayne":96521,"NOWLED":96522,"ĠDesmond":96523,"ĠFName":96524,"ĠNairobi":96525,"\\Context":96526,"Ġcalcular":96527,"-den":96528,"Ġcott":96529,"]):čĊ":96530,"ĠRecommendation":96531,"ĠRolex":96532,"ĠvalidationResult":96533,".pat":96534,"ĠnÃły":96535,"ĠRestClient":96536,"ĠGPI":96537,"ĠAsheville":96538,"ĠOSP":96539,"ĠPERMISSION":96540,"ÐĶаÑĤа":96541,"/notification":96542,"Knight":96543,"_Word":96544,"ĠBender":96545,"ranking":96546,"Ġpartida":96547,"_reservation":96548,"ÌĢ":96549,"ĠmName":96550,"Ġgetch":96551,"Ġborr":96552,"Ġdiligent":96553,"Discuss":96554,"æŃ£åľ¨":96555,"apeake":96556,"ioned":96557,"-Nazi":96558,".cum":96559,"ĠKron":96560,"=$('#":96561,"/single":96562,"Ġerotisch":96563,"ĠVib":96564,"Ġratified":96565,"Ġconcerted":96566,"ĠREGARD":96567,"Ġdobr":96568,".DriverManager":96569,"'r":96570,"Portable":96571,"ĉsuite":96572,"Ġrelaciones":96573,"ĠDop":96574,"emploi":96575,"DOB":96576,"Ġcrumbs":96577,"Ġxls":96578,"_Application":96579,"(':',":96580,"Ġ------------------------------------------------------------------------Ċ":96581,"mse":96582,"Ġberk":96583,"ĠReturnValue":96584,"ĠBelly":96585,"Ġcamar":96586,"ĠPeek":96587,"elsing":96588,"Ġnotifies":96589,"ĠTristan":96590,"ĠGAR":96591,"emme":96592,"ĠElevated":96593,"_CSV":96594,"(chalk":96595,"Ġtwenties":96596,"ĠSearchResult":96597,"=search":96598,"ĠMixing":96599,"ýt":96600,"Ġrecruiter":96601,"ĠIDEOGRAPH":96602,"ĠAgo":96603,"(Operation":96604,"$values":96605,"Ġworldly":96606,"ĠRosenberg":96607,"ĠConfigureServices":96608,">*Ċ":96705,"Ġsnork":96706,"_opacity":96707,"ĠinitWithNibName":96708,"iado":96709,"AAC":96710,"Ġ]).":96711,";z":96712,"_paragraph":96713,"Ġnoses":96714,"stands":96715,"ifr":96716,"_mE":96717,"Iraq":96718,".Predicate":96719,"enaire":96720,"]]];Ċ":96721,"Ġunidad":96722,"Ġretirees":96723,"_hello":96724,"Ġmodele":96725,"ĠUITableViewController":96726,"fwrite":96727,"_numero":96728,"_visited":96729,"Ġrecebe":96730,"(Notification":96731,"Fantastic":96732,"_submenu":96733,"ĠPEM":96734,"ĠCupertino":96735,"approximately":96736,"classed":96737,".ReadString":96738,"Ġdomicile":96739,"_PW":96740,"Ġballpark":96741,"ĠKale":96742,"contra":96743,"_favorite":96744,"/of":96745,"Quite":96746,"ĠOTA":96747,"Ġaccelerometer":96748,"didn":96749,"|^":96750,"ĠRohingya":96751,"ivicrm":96752,"annabin":96753,"обÑĭÑĤи":96754,"orado":96755,"')+":96756,"Haunted":96757,",ID":96758,"(UIAlertAction":96759,"urv":96760,"_bel":96761,"ĠMexicans":96762,"/terms":96763,"ĠPainter":96764,"InputLabel":96765,"ĠVinci":96766,"ĠRosie":96767,"\\uc":96768,"":96929,"_gs":96930,"Ġcompil":96931,"nard":96932,"-exc":96933,"Ġrhyme":96934,"Ġbutto":96935,"says":96936,"antasy":96937,"ë¸":96938,"ĠcittÃł":96939,"Ġcheg":96940,"TimeString":96941,"Ġpositivity":96942,"ĠDabei":96943,"Ġwang":96944,"Ġescre":96945,"\"c":96946,"ĉvideo":96947,"ĠRanked":96948,".strings":96949,">>>(":96950,"ĠинÑĤеÑĢ":96951,"Ġresta":96952,"[:,:":96953,"Ġrendre":96954,"Ġdeser":96955,"Jos":96956,"Ġdisruptions":96957,"ĠопеÑĢ":96958,"sampling":96959,"suppress":96960,"ĠcontainerView":96961,"ĠSeamless":96962,"Ġairy":96963,"Ġonload":96964,".WindowManager":96965,"ĠPLA":96966,"braco":96967,".setPositiveButton":96968,"Ġpdu":96969,"Ġgsi":96970,"ĠCli":96971,"_gradients":96972,"Ñıд":96973,"ĠWhisper":96974,"cstdint":96975,"Ġläng":96976,"Ġformulations":96977,"énom":96978,"ournemouth":96979,"[$_":96980,"Ġordinarily":96981,".setUsername":96982,"Ġfaculties":96983,"MITTED":96984,"/values":96985,"Ġweir":96986,"ĠApt":96987,"MZ":96988,"ĉcf":96989,"ucken":96990,"ĉĉĉĉĉĉĉĉĉĉĉĉĉĉĉĉĉĉĉĉ":96991,"defense":96992,"[iVar":96993,"ĠBusinessException":96994,"Selectors":96995,"(coordinates":96996,"ĠResets":96997,"ĠDrinks":96998,"oleans":96999,"(stypy":97000,"_IOC":97001,".xxx":97002,"ĠSlater":97003,"ĠBelize":97004,"Ġ/************************************************************************":97005,"addin":97006,"_episodes":97007,"Ġischem":97008,"legalArgumentException":97009,"Danny":97010,"Ġpared":97011,".codehaus":97012,"ĠAssy":97013,"ĉRect":97014,"âŀ":97015,".lista":97016,"ĠваÑĪ":97017,"Ġvets":97018,"HWND":97019,"isoner":97020,"Ġxo":97021,"Ġorally":97022,"ĠStmt":97023,".rnn":97024,"ĠDPI":97025,"ĠStrikes":97026,".setViewportView":97027,"ĠèĩªåĬ¨çĶŁæĪIJ":97028,"YELLOW":97029,"GLenum":97030,"partners":97031,"ĠImplicit":97032,"Ġtako":97033,"âĢĻelle":97034,"Ġermög":97035,"totalCount":97036,"Gil":97037,"ĉwork":97038,"Ġpratic":97039,"inati":97040,"abies":97041,"ĠSkinner":97042,"Ġspirited":97043,"Ġpancreatic":97044,"Ġhdf":97045,"'em":97046,"Ġpsychosis":97047,"olicit":97048,"Ġ\"{\"":97049,"_atual":97050,"Ġélect":97051,"TEAM":97052,"Ġdak":97053,"ĠSWAT":97054,".FragmentManager":97055,"Ġprovisioning":97056,"lifetime":97057,"_EXTENSIONS":97058,"ĠCASCADE":97059,"Ġ![":97060,"(KP":97061,"Ġvem":97062,"ĠInterracial":97063,"']},Ċ":97064,"spacer":97065,"_kv":97066,"Warehouse":97067,"RDD":97068,"_fsm":97069,".StretchImage":97070,",Yes":97071,"ĠRefugee":97072,"ĠBringing":97073,"Ġválido":97074,".intersection":97075,"Ġspooky":97076,"_portal":97077,"Ġmoth":97078,"ĠZodiac":97079,"ĠSOCIAL":97080,"MimeType":97081,"']}}":97200,"_Blue":97201,"Ġbotanical":97202,"Ġfrags":97203,"Ġfamilial":97204,"-du":97205,"Ġseizing":97206,"(blocks":97207,".rd":97208,".checkNotNull":97209,"Ġmiser":97210,"Ġmaxx":97211,"ĠKnee":97212,"ViewItem":97213,"InnerHTML":97214,"Danger":97215,"((__":97216,"Ġprzypad":97217,"createUrl":97218,"**,":97219,"ĠDecorating":97220,"ATEGY":97221,"?>/":97222,".Designer":97223,"hexdigest":97224,"ĠEverywhere":97225,"alleries":97226,".TEXTURE":97227,".Blocks":97228,"zell":97229,"Ġpreço":97230,"Suddenly":97231,"inputEmail":97232,"(sync":97233,".bd":97234,"golden":97235,">');":97236,"ĠDickinson":97237,">>(Ċ":97238,"ĠQUEUE":97239,"ĠgetColumn":97240,"ĠSAND":97241,".piece":97242,"licer":97243,"Flutter":97244,"ĠgetVersion":97245,"ĠresourceId":97246,"ogl":97247,"ÅĤaw":97248,".Branch":97249,"ĉweb":97250,"Ġframerate":97251,"PPP":97252,"Ġfray":97253,"CNT":97254,"Ġinformatie":97255,"']čĊčĊ":97256,"neas":97257,"HeaderCode":97258,"Ġæ¸":97259,"Ġtrg":97260,"rawtypes":97261,"Honda":97262,"Ġmarketer":97263,"ĠrequestData":97264,"ĠPg":97265,"ĉnot":97266,"ĠpageInfo":97267,"Ġaktuellen":97268,"ãģķãĤĵ":97269,"ĠAMS":97270,"pushViewController":97271,"ĉAL":97272,"Ġvests":97273,"produce":97274,"-même":97275,"ĠRahman":97276,"Funny":97277,"EZ":97278,"_Valid":97279,"Ġsquadron":97280,"Ġlash":97281,"Ġirm":97282,"iasco":97283,"ĠParan":97284,"Ġpetites":97285,"ĠDecay":97286,"Ġuninitialized":97287,"privileged":97288,"Ġmbedtls":97289,"å¤ĩ注":97290,"Ġ^.":97291,"Ġecstatic":97292,"Detroit":97293,"Ġparten":97294,"Ġsouvenir":97295,".getLogin":97296,"моÑĤÑĢ":97297,"enção":97298,"ĠmÃŃnimo":97299,"ĠAccessed":97300,"rió":97301,"Mic":97302,"ĠVocal":97303,".SetString":97304,"Ġmensajes":97305,"åĢį":97306,"Ġattravers":97307,"ĠAph":97308,"Ġ');čĊ":97309,"ünde":97310,"Ġenchanted":97311,"ĠRootState":97312,"ĠCLOSED":97313,"ĉĉĉĉĉĉĉĉčĊ":97314,"Ġcaliente":97315,"orris":97316,"Ġphysicists":97317,"hwnd":97318,"_vi":97319,"Ġrápido":97320,"Ġcapitalized":97321,"edBy":97322,"Ġmachining":97323,"Ġhubby":97324,"ĠStacy":97325,".Bus":97326,"drink":97327,"Hur":97328,"Ġpropia":97329,"UnitTest":97330,"Ġmisconception":97331,"__));Ċ":97332,"/dc":97333,"ĠMayweather":97334,"_mC":97335,".createFrom":97336,"ĠQPainter":97337,"ropsych":97338,"innitus":97339,"ayas":97340,"Ġgeg":97341,"(dw":97342,"Ġusado":97343,"Ġtrickle":97344,"Ġannihil":97345,"ĠPasta":97346,"Ġ++Ċ":97347,"(ExpectedConditions":97348,".postValue":97349,"icap":97350,"ĠDonetsk":97351,"_soup":97352,"-publish":97353,"ĠPb":97354,"mentions":97355,"ACCEPT":97356,".Pull":97357,",âĢĻâĢĻ":97358,"Ġretarded":97359,"_ATOM":97360,"ĠTerminator":97361,"-court":97362,"ĠCLLocationCoordinate":97363,"Ġreverence":97364,"ĠSSC":97365,"utely":97366,"ĠWON":97367,"ĠGSL":97368,"frei":97369,".getLongitude":97370,"ĠopenFileDialog":97371,".Butter":97372,"-important":97373,"_MANY":97374,"ĠGong":97375,"âĢľHow":97376,"Ġgorge":97377,"=msg":97378,"ĠEzek":97379,"createCommand":97380,":checked":97381,"Ġinfographic":97382,".WEST":97383,"Dirs":97384,"Ġguarda":97385,"Ġbeetle":97386,"Loading":97460,"_mA":97461,".getRandom":97462,"blings":97463,"Ġcheeses":97464,"tti":97465,".âĢ¢":97466,"ĠBurgess":97467,"enderit":97468,".',čĊ":97469,"(\"\"+":97470,"acb":97471,"%p":97472,"indexed":97473,"_predicate":97474,"nesia":97475,"Ġbied":97476,"ĠCIT":97477,"(Pos":97478,"_radi":97479,"ä»·æł¼":97480,"Biz":97481,"ĠAdolescent":97482,"Ġviên":97483,"cycl":97484,"_Cancel":97485,"Ġconclusive":97486,"Ġappellate":97487,"informatics":97488,"SJ":97489,"Ġelective":97490,"roleId":97491,"Fetcher":97492,"ĉCommand":97493,"(\"(%":97494,"Ġfart":97495,"ILA":97496,"getBlock":97497,"AUSE":97498,"Ġдан":97499,"ĠArte":97500,"Ġnotifying":97501,"Ġgele":97502,".same":97503,"ĠRegel":97504,"ĠBaÅŁ":97505,".creation":97506,"ĠVN":97507,"_community":97508,"Ġunsustainable":97509,"SEX":97510,"ĠgridSize":97511,"rescia":97512,"aversable":97513,"(',')[":97514,"ĠPhelps":97515,"á»ķi":97516,"ANCELED":97517,"-IS":97518,".runners":97519,"ĠStokes":97520,".Produ":97521,"Ġwhipping":97522,"_acquire":97523,"Ġinvestigación":97524,"fried":97525,".copyWith":97526,"ĠHardcover":97527,"-Se":97528,"áŀ¶áŀ":97529,"invitation":97530,"lesai":97531,"ĠDorm":97532,"ĠÑģпиÑģка":97533,"Ġconcatenated":97534,"ophil":97535,"Ġthinker":97536,"/fontawesome":97537,"ĠLeopard":97538,"Ġ\"/\");Ċ":97539,"Ġresiduals":97540,"ĠMicrowave":97541,"Ġconforme":97542,"throp":97543,"Ġdisemb":97544,"ĠOMG":97545,"ĠDiscipline":97546,"ĠAcrobat":97547,"/repository":97548,"dfa":97549,"_MED":97550,"bufio":97551,"Ġméthode":97552,"_HOLD":97553,"iasi":97554,"_legacy":97555,")ččĊ":97556,"æ£Ģ":97557,"GetProcAddress":97558,"Ġyay":97559,"otence":97560,"orderid":97561,"-tw":97562,"Ġdearly":97563,"Incoming":97564,"/il":97565,"Ġneurop":97566,"ucz":97567,");čččĊ":97568,"ĠInnovative":97569,"Ġprofund":97570,"igmat":97571,"SelectionMode":97572,"relevant":97573,".GO":97574,"Ġbruises":97575,"Ġsach":97576,"odef":97577,"Ġreimb":97578,"/desktop":97579,"-spot":97580,"undance":97581,"Entropy":97582,"\\core":97583,"Ġsuger":97584,"ĠMvc":97585,"ĠGNOME":97586,"_indx":97587,"ĠYYSTYPE":97588,"ĠMatlab":97589,"ĠCIF":97590,"Ġ*))":97591,"ĠproductList":97592,"ĠAlright":97593,"acemark":97594,"ÑĤив":97595,"modification":97596,"international":97597,"Ġhomers":97598,"Ġdicts":97599,"ĠQFont":97600,".SQLite":97601,"Ġtransplantation":97602,"ĠMessageBoxButton":97603,"ĠElves":97604,"']])Ċ":97605,"(QIcon":97606,"Ġcinemas":97607,"COORD":97608,"-China":97609,"Ġkhẩu":97610,"æĪijçļĦ":97611,"Ġskulls":97612,"Ġpainstaking":97613,"fce":97614,".XRLabel":97615,"Ġspecifier":97616,"Ġpreferring":97617,"/activity":97618,"(Photo":97619,"ált":97620,".lot":97621,"''.":97622,"annonce":97623,".googlecode":97624,"-pdf":97625,"ĠPoke":97626,"_ACL":97627,"Ġendowed":97628,"discover":97629,".omg":97630,"Ġwoodland":97631,".Magic":97632,"Ġvolont":97633,"NotAllowed":97634,"Ġchave":97635,"BMW":97636,"','=',":97637,"ĠSIX":97638,"æĪij们":97639,"Ġkosher":97640,"Ġaspiration":97641,"intl":97642,"_refptr":97643,"'+Ċ":97644,"mentor":97645,".club":97646,"WindowState":97647,".ARR":97648,"Ġzza":97649,"ĠmessageType":97650,".equ":97651,"Thor":97652,"Ġinjust":97653,"Ġgums":97654,"ĠborderSide":97655,"/////":97656,"ĠTransmit":97657,"Ġbufsize":97658,"Ġhak":97659,"Ġellas":97660,"RANDOM":97661,"ĉmc":97662,"Ġpea":97663,"eko":97664,"documento":97665,"Ġhysteria":97666,"Ġarenas":97667,"Ġgunmen":97668,"Ġmike":97669,"Ġimpunity":97670,"atisation":97671,"_Zero":97672,"_COMPANY":97673,"ĠGors":97674,"ĠuseClass":97675,"(redis":97676,"ĠRUNNING":97677,"ĠBair":97678,"velte":97679,"Ġ','.":97680,"аÑĤÑĮÑģÑı":97681,"öst":97682,"encodeURIComponent":97683,"_restrict":97684,"Ġdecals":97685,"ĠPedido":97686,"Ġaltercation":97687,"Displays":97688,"ĠApplicants":97689,"CUS":97690,"Textarea":97691,"ĠAngola":97692,".future":97693,"ĠUSHORT":97694,"Ġsuppressing":97695,"Ġsetzen":97696,"APolynomial":97697,"Ġtoch":97698,"Ġhallmark":97699,"Ġ$$$":97700,"ĠCHARSET":97701,".rpm":97702,"ĠDich":97703,"--------------------":97704,"_parm":97705,"è¿ĺ":97706,"acciones":97707,"hait":97708,"WARDED":97709,"_routing":97710,"ĠNOM":97711,"Ġenclave":97712,"ĠLotto":97713,"ĉfr":97714,"complexContent":97715,"ĠBallard":97716,"kube":97717,"/win":97718,".getColumnModel":97719,"_REPLACE":97720,"HeaderValue":97721,"Ġestudiantes":97722,"Ġapis":97723,"Ġbpm":97724,"ĠTypeName":97725,"AndGet":97726,"rita":97727,"Plans":97728,">Note":97729,"Ġfetisch":97730,"Ġtoned":97731,"_goto":97732,"onsense":97733,"Ġmolds":97734,"Ġinfiltration":97735,"ĠGuerrero":97736,"ubbo":97737,"cki":97738,"($(\".":97739,"_activities":97740,"(changes":97741,"ĠofApp":97742,"ĠKepler":97743,"ĠDemp":97744,"ĠContinent":97745,".Ticks":97746,"ĠUnsigned":97747,"ĠJahres":97748,"Ġfreshmen":97749,"ĠArchived":97750,"ĠкоÑĤоÑĢÑĭй":97751,"Ġ'::":97752,"Tutorial":97753,"Cc":97754,"ĠtableLayoutPanel":97755,"fromJson":97756,".levels":97757,"_transient":97758,"Ġendorsing":97759,"ĠDIC":97760,"lauf":97761,"Ġshred":97762,"_EMIT":97763,"ificantly":97764,"ALA":97765,"/proto":97766,"Ġnarrowing":97767,"Utc":97768,"Factors":97769,"Ġsentient":97770,"æŀIJ":97771,"lixir":97772,"ĠCROSS":97773,"meteor":97774,"Ġgroin":97775,"Ġmdb":97776,"ĠRotterdam":97777,"Ġcomida":97778,"ĠOpCode":97779,"ĠDefaultValue":97780,"PermissionsResult":97781,"Ġheterogeneous":97782,"Ġmoot":97783,"Ġdeceived":97784,"-independent":97785,"ĠObjectOutputStream":97786,"Ġoverpower":97787,".dup":97788,"Ġldb":97789,"Ġdomestically":97790,"Ġbestellen":97791,"Ġlov":97792,"ĠContractors":97793,"Triangles":97794,"Ġfodder":97795,"Ġfilmes":97796,"ä¼ģ":97797,"Ġrevolver":97798,"StartupScript":97799,"/validation":97800,"ĠResourceType":97801,"iÅŁ":97802,"ĠLaz":97803,"fef":97804,"Ġlstm":97805,"{*":97806,".attachment":97807,".hits":97808,"ewith":97809,"DOG":97810,"Alabama":97811,"Ġmediums":97812,".mContext":97813,"-cols":97814,"åıĭ":97815,".notice":97816,"Ġattn":97817,"ĠPacking":97818,"ĠLn":97819,"_COMPLEX":97820,"/Users":97821,".savetxt":97822,"ĠRounds":97823,"?,?,?,?,":97824,"Ġingl":97825,"ĠROC":97826,"_female":97827,"ĠStard":97828,"]];":97829,"Ġwrestlers":97830,"Ġtorrents":97831,"Ġsinh":97832,"ĊĊ":97833,"ë³µ":97834,"sense":97835,"however":97836,".Physics":97837,"Infrastructure":97838,"ĠSacr":97839,"Fel":97840,"ĠDISTRIBUT":97841,"éments":97842,"ĠValidates":97843,"############################################################":97844,"Ġ|/":97845,"Ġesl":97846,"Ġréseau":97847,"ĠBip":97848,"BYTES":97849,"_WATER":97850,"Turning":97851,"ELS":97852,"Ġjuxtap":97853,"Ġlesbische":97854,"ých":97855,"(Unknown":97856,"Neo":97857,"@JsonProperty":97858,"Ġalumnos":97859,"ĠRaqqa":97860,"imei":97861,".getBounds":97862,".MouseEventHandler":97863,"#######":97864,"GenericType":97865,"/cms":97866,"Ġturno":97867,"Ġмин":97868,"Ġfolklore":97869,"ĠEvo":97870,"Ġconductivity":97871,"Ġleben":97872,"Ġgearbox":97873,"-vs":97874,"ĠÏĨ":97875,"Ġdrinkers":97876,"Ġconexao":97877,"ĠTeeth":97878,"ĠgetArguments":97879,"ĠRAT":97880,"entious":97881,"Educ":97882,"+W":97883,"ĠInstitutional":97884,"ĠBord":97885,"isEqual":97886,"(pwd":97887,"Ġignited":97888,"ĠRousse":97889,"Ġimpactful":97890,"ĠMalk":97891,"Ġgeral":97892,"ĠPivot":97893,"Ġazt":97894,"Ġcsvfile":97895,"ĠRope":97896,"ĠSOLUTION":97897,"ĠArbitrary":97898,"Ġletto":97899,".MouseAdapter":97900,"Ġ}}}":97901,"ĠSailor":97902,"dera":97903,"Putting":97904,"Ġconcentrates":97905,"ĠauthDomain":97906,"âĢĿçļĦ":97907,"-finals":97908,",strlen":97909,"Muon":97910,"ĠOrdinary":97911,"firefox":97912,"ĠLaTeX":97913,"ĠHund":97914,"engineering":97915,"/blue":97916,"edTextBox":97917,"(\"\");":97918,"ĠCDDL":97919,"kept":97920,"ĠGetString":97921,"Kir":97922,"()='":97923,"ĠOCD":97924,"antium":97925,"$menu":97926,"ĠAppalachian":97927,"Secretary":97928,"ë¥ĺ":97929,"ีย":97930,"Semantic":97931,"Ġ*[":97932,"estone":97933,"ungkin":97934,"MaxY":97935,"-tone":97936,"\"};čĊ":97937,"_Part":97938,"ĊĊ":98140,"Lic":98141,"ĠMirage":98142,"ĠAssemblyFileVersion":98143,"TeV":98144,"ĠValueEventListener":98145,"-solving":98146,"Tho":98147,"roulette":98148,"_WP":98149,"Ġuninterrupted":98150,"ĠfieldType":98151,".Typed":98152,"Ġamour":98153,"Ġmockery":98154,"(vol":98155,"ĠSubcommittee":98156,"ĠRuf":98157,"erox":98158,":UIButtonTypeCustom":98159,"ĠBlur":98160,"Ġwykon":98161,"nces":98162,"ASHBOARD":98163,"!!\");Ċ":98164,"Ġmurderers":98165,".daily":98166,"ĠDIAG":98167,"jing":98168,"Ġdolphin":98169,"Ġlòng":98170,"Ġbö":98171,"ĠVocabulary":98172,".StObject":98173,"')\">":98174,"Ġzun":98175,"Ġscrimmage":98176,"tréal":98177,"ĠLig":98178,"[vi":98179,"Cole":98180,"Ġfrosting":98181,".Players":98182,"-translate":98183,"Feels":98184,"=\\\"/":98185,".ButterKnife":98186,"Ġ?>;Ċ":98187,"Ġavi":98188,"innie":98189,".Failure":98190,"Ġspindle":98191,"ConfigurationException":98192,"_hop":98193,"Ġposição":98194,"ĠAwait":98195,"UIImagePickerController":98196,"ĉday":98197,"Ġgenom":98198,"Cab":98199,"ĠÑĢезÑĥлÑĮÑĤаÑĤ":98200,"ORIGINAL":98201,"Ġejaculation":98202,"(tcp":98203,"SECOND":98204,"Ġtonic":98205,"ĠListBox":98206,"ĠĉĉĊ":98207,"()>Ċ":98208,"Ġquatre":98209,"ượng":98210,"withErrors":98211,".Maybe":98212,",âĢ¦":98213,"tokenId":98214,"_UNDEF":98215,"Ġfreshness":98216,"ĠAmendments":98217,".mapbox":98218,".CV":98219,"(blog":98220,"_gettime":98221,".quest":98222,"sparse":98223,"Ġresale":98224,"Ġenthusiastically":98225,"ĠProstitutas":98226,"Wa":98227,"Cargo":98228,".Parcelable":98229,"SENSOR":98230,"ĠRyu":98231,"Laughs":98232,"_Native":98233,"/pg":98234,"ysts":98235,"Ġphotoc":98236,"ç®Ģ":98237,"adopt":98238,".species":98239,"conciliation":98240,"Adjusted":98241,".FirebaseAuth":98242,"uttle":98243,"ordination":98244,"Ġmunch":98245,"ĠStake":98246,".ping":98247,"anker":98248,"(QStringLiteral":98249,"Ġsubscript":98250,"ĠĠĉĊ":98251,"ĠMCC":98252,"_Cmd":98253,"sexy":98254,"iou":98255,"ĠMANY":98256,"Ġnanny":98257,"TRAIN":98258,"Ġflourishing":98259,"ĠWatches":98260,"ĠQMap":98261,"ĠFerm":98262,"Ġwasm":98263,"ĠAbed":98264,"_UD":98265,"ĠGlasses":98266,"+v":98267,"Attend":98268,".Chain":98269,"Ġdecency":98270,"ĠSupplementary":98271,"hunter":98272,"-txt":98273,"Ġ\"}\";Ċ":98274,".setWindowTitle":98275,"(\"":98377,"Ġmascara":98378,"(Profile":98379,"åĬŁèĥ½":98380,"imité":98381,"Ġwildfires":98382,"-ROM":98383,".isOn":98384,"(groupId":98385,"Repair":98386,"accumulate":98387,"Ġ<\",":98388,"Ġhandwritten":98389,"Ġacheter":98390,"ĠMGM":98391,"ĠIrma":98392,"->{_":98393,"gee":98394,"criminal":98395,"Ġèĭ¥è¦ģ":98396,"Ġmomentarily":98397,"\")!=":98398,"_lit":98399,"ĠexpiresIn":98400,".\").":98401,"éķ¿åº¦":98402,"Ġfrække":98403,"vlc":98404,"Ġorbs":98405,"),$":98406,"Ġventured":98407,"/>\\":98408,"charm":98409,"Nuitka":98410,"eldig":98411,"atonin":98412,"Witness":98413,"-lat":98414,"ĠsetHidden":98415,"Ġrelics":98416,"Ġconsulate":98417,".IGNORE":98418,"\"After":98419,"ĠsetAddress":98420,"Ġbesteht":98421,"Ġ'')ĊĊ":98422,".xaxis":98423,"Ġserão":98424,"Ġmisled":98425,"_UNIFORM":98426,"ĠVIA":98427,"incr":98428,"Ġzenith":98429,"Ġviscosity":98430,"Ġthinly":98431,".getSharedPreferences":98432,".ErrorCode":98433,"\"),\"":98434,"ĠMillionen":98435,"Ġ/>)Ċ":98436,"ScrollIndicator":98437,"-seeking":98438,"ĠPOLITICO":98439,"asca":98440,"_rl":98441,"Navig":98442,"(fullfile":98443,"Ġsolitude":98444,"Ġjuven":98445,"Ġhauling":98446,"ĠMacros":98447,"ĠGry":98448,"Ġexercitation":98449,"ĠATTACK":98450,"TickCount":98451,"Ġrites":98452,"Ġdoe":98453,"ParticleSystem":98454,"Ġslu":98455,"WindowText":98456,"ĠClassName":98457,"Ġslander":98458,"ĉPort":98459,"jong":98460,"?a":98461,".Dial":98462,"âĢĶat":98463,"$objPHPExcel":98464,"Ġsoar":98465,"ENN":98466,"appeared":98467,"Ġquotid":98468,"emachine":98469,"Ġnip":98470,"Ġmicrotime":98471,"ĠAlma":98472,";!":98473,"------------------------------------------------------------------------------------------------":98474,"ĠPassage":98475,"Ġdumpsters":98476,"ĠExclude":98477,"Ġsuggestive":98478,"ĠCircularProgressIndicator":98479,"_clr":98480,"ArrayType":98481,"ILLA":98482,"ElapsedTime":98483,"Driven":98484,"ĠresourceName":98485,"ĠGarrison":98486,"serir":98487,"-ahead":98488,"Ġpinnacle":98489,"ĠEspresso":98490,"Sparse":98491,"Ġassays":98492,"ĠGirlfriend":98493,"imid":98494,"]='\\":98495,"ONGLONG":98496,"Ġportraying":98497,"Lane":98498,"Ġbúsqueda":98499,"Ġreinforcements":98500,"ĠSpreadsheet":98501,"ĠArrayCollection":98502,",arr":98503,"lightbox":98504,"icana":98505,"<\"":98506,"builders":98507,"Kid":98508,"ĠMatSnackBar":98509,"EXPR":98510,"odcast":98511,"ĠFoundations":98512,"Ġinds":98513,"='${":98514,"Fizz":98515,"-functional":98516,"(workspace":98517,"Ġstemmed":98518,"_patches":98519,"ĠJarvis":98520,"READING":98521,"Ġdisrespectful":98522,"ĠQDom":98523,"Ġ${Ċ":98524,"estatus":98525,"Reached":98526,"!.ĊĊ":98527,"ILT":98528,"ĠNDEBUG":98529,"ĠCourage":98530,"birthdate":98531,"ĠTing":98532,"Ġutilizado":98533,"ánchez":98534,"Outdoor":98535,"Ġhandguns":98536,"RefCount":98537,"ÉĻ":98538,"romo":98539,"Ġtts":98540,".She":98541,"ĠPane":98542,"ãĢij,ãĢIJ":98543,"ĠIOCTL":98544,"/black":98545,"inscription":98546,"Ġbiopsy":98547,"ĠTimeInterval":98548,".TestCheck":98549,"ĠGUIStyle":98550,"ĠCapability":98551,"ĠBeitrag":98552,"donnees":98553,"Treatment":98554,".backup":98555,"Ġsignings":98556,"ĠBoca":98557,"drm":98558,".MAIN":98559,"Ġgoede":98560,"ĠMarkup":98561,"GREE":98562,"ĠBaseService":98563,".Creator":98564,"Ġjails":98565,"ĠKahn":98566,"IpAddress":98567,"ACHI":98568,"Ġinhibited":98569,"Ġ@$_":98570,"ĠAssass":98571,"Ġenviado":98572,"Heroes":98573,"ÐŁÐµÑĢ":98574,"ĠMaven":98575,".ls":98576,"Ġive":98577,"|RF":98578,"ĠresizeMode":98579,"Ġrumpe":98580,"_attachments":98581,"TU":98582,"Ġtactile":98583,"Attempting":98584,"Ġrobin":98585,"yaw":98586,"Ġmercenaries":98587,"ĠHabitat":98588,"enddate":98589,"Ġoxy":98590,"ĉRandom":98591,"ohon":98592,"IsNull":98593,"ĠValidationResult":98594,"ãĥļ":98595,"umbed":98596,"ppv":98597,"Ġarp":98598,"ichick":98599,"_rnn":98600,"ĠTFT":98601,"TexImage":98602,"\"On":98603,"ĠSampler":98604,"topl":98605,"Ġjane":98606,"yling":98607,"ĠUNICODE":98608,"TabIndex":98609,"<{Ċ":98610,"suspend":98611,"uvian":98612,",application":98613,"олиÑĩеÑģÑĤво":98614,"yat":98615,"ezier":98616,"ĠCHUNK":98617,"ĠAdler":98618,"/Add":98619,"ĠKeyValue":98620,"Ġsposób":98621,"Sampling":98622,"chers":98623,"_AMD":98624,"Ru":98625,".MustCompile":98626,"Nation":98627,"Assoc":98628,"Managing":98629,"ĠEngl":98630,"_GB":98631,"Ġsuccinct":98632,"Ġdisliked":98633,"ĠIke":98634,"Bulletin":98635,"_ARCHIVE":98636,"Proposal":98637,"Ġjogging":98638,".CREATED":98639,"Ġchol":98640,"è£ħ":98641,"Į¨":98642,"-push":98643,"Ġreserva":98644,"corev":98645,"ètre":98646,"THR":98647,"Ġincompetence":98648,"Ġcharisma":98649,"æĦŁ":98650,"Ġ\"==":98651,"BTN":98652,"ĠLocator":98653,"ivet":98654,"('.')Ċ":98655,"ĠforIndexPath":98656,"ôme":98657,"Ġcapacit":98658,"waters":98659,"ĠWRONG":98660,"hoa":98661,"ĠMIPS":98662,"Ġemiss":98663,"ĠJacqueline":98664,"(cmp":98665,"Ġeens":98666,"Leo":98667,".timing":98668,"CLUSION":98669,"Ġ(\"-":98670,"åĵĪ":98671,".kode":98672,"ĠUndert":98673,"Ġbewild":98674,"ĠEssen":98675,".hd":98676,"Ġrenegot":98677,"Ġmower":98678,"Ġlsp":98679,"Ġpenchant":98680,"Ġmanoe":98681,"Ġagli":98682,"Ġrecal":98683,"ĠOPERATION":98684,"(^)(":98685,"Ġν":98686,"ĠScoped":98687,"Ġ@\"Ċ":98688,"=label":98689,"[loc":98690,"Intl":98691,"ĠNz":98692,"tablet":98693,".ColumnName":98694,"ĠscreenSize":98695,"DBus":98696,"cooked":98697,"-registration":98698,"âĢľOne":98699,"-non":98700,"ĠwiÄĻc":98701,"Ġcosta":98702,".addTab":98703,".conditions":98704,"ĠHess":98705,"MEMORY":98706,"ĠAvalanche":98707,"()}}Ċ":98708,"Ġtriplet":98709,"Ġlabyrinth":98710,"ĠNodeList":98711,"ĠNYT":98712,"Ġyeni":98713,"dff":98714,".HtmlControls":98715,"AVIS":98716,"/Math":98717,"Ġmemcmp":98718,"اء":98719,"оÑģÑĮ":98720,"crap":98721,"(pages":98722,"Ġlxml":98723,"ĠQDateTime":98724,"_tcb":98725,"Ġopenid":98726,"Ġsynaptic":98727,"ĠMDMA":98728,"(slug":98729,"igmatic":98730,"enor":98731,"Ġcramped":98732,"GOP":98733,"ŃIJ":98734,".isFile":98735,"ĠDifferential":98736,"Ġ=\"\";Ċ":98737,"ĉĉĉĠĠĠĠĉ":98738,"ĠCooke":98739,"ĉUFUNCTION":98740,"Ġperseverance":98741,"RelativeLayout":98742,"IMPORTANT":98743,"Ġexon":98744,"Ġон":98745,"ibase":98746,"(CONT":98747,"novation":98748,"ä½ķ":98749,"[sub":98750,"AdminController":98751,"HTTPHeader":98752,"crear":98753,"ĠNIR":98754,"ĠDropDownList":98755,"Ġvalide":98756,"Ġdehydration":98757,".']":98758,"(WIN":98759,"Ġ...\\":98760,"Ġphotoshop":98761,"ĉInit":98762,"_cou":98763,"ĠtimeZone":98764,"darwin":98765,"romatic":98766,"NavigationItemSelectedListener":98767,"brates":98768,"]--;Ċ":98769,"Ġtragedies":98770,"ĠPediatrics":98771,"SMART":98772,"-API":98773,"ĠMessageLookup":98774,"ĉvo":98775,"Ġprejudices":98776,"ĠmA":98777,"Ups":98778,"ĠMISSING":98779,"ĉad":98780,"Cream":98781,"ĠTb":98782,"ĠMona":98783,"_ghost":98784,"ĉtypes":98785,"Emb":98786,"ĠDocumentary":98787,"');ĊĊĊĊ":98788,"Ġlup":98789,"_Reference":98790,"ĠBATCH":98791,"Ġintertwined":98792,"":98915,"Ġfoyer":98916,"'utilisation":98917,"ĠMüller":98918,"ĠFetish":98919,"ĠdefaultManager":98920,"Ġbacktrack":98921,"Bah":98922,"Explicit":98923,"_ASCII":98924,"ĠmActivity":98925,"(Msg":98926,"Ġê²Į":98927,"ĠTERMS":98928,"ĠAngie":98929,"HSV":98930,"ĠMosque":98931,".Names":98932,"íĬ¼":98933,"reste":98934,"_parms":98935,"Ġgaping":98936,"Ġcropping":98937,"DataFrame":98938,"Ġresponsiveness":98939,"_undo":98940,"_tran":98941,".terminate":98942,"Ġitaliane":98943,"Ġwalkthrough":98944,"Ġattractiveness":98945,"де":98946,"_STS":98947,"_learn":98948,"Ġchocolates":98949,"ierarchical":98950,"-thinking":98951,"Ġ)))":98952,"ishments":98953,".Logf":98954,"ĠTMZ":98955,"ĠCanary":98956,"foil":98957,"ĠVaccine":98958,".vx":98959,"ĠSurround":98960,"Intermediate":98961,"Ġiov":98962,"vais":98963,"';\";Ċ":98964,"ï½ŀĊĊ":98965,"éĢģæĸĻ":98966,"âĢ¦it":98967,"Seats":98968,"Clar":98969,"Wars":98970,"ĠHutchinson":98971,"ĠHasan":98972,"!')ĊĊ":98973,"ĠRichie":98974,"cheiden":98975,"($('":98976,"York":98977,"Ġlids":98978,"Ġalphanumeric":98979,"ĠGlock":98980,".shapes":98981,"Ġsparking":98982,"_epsilon":98983,"uplicated":98984,".dirty":98985,"])==":98986,"ĠìľĦì¹ĺ":98987,"Ġscn":98988,"Ġ/****************************************************************":98989,"_PREVIEW":98990,"_HC":98991,"ielding":98992,"fgets":98993,"ĠAddison":98994,"ĠproductService":98995,"-figure":98996,"(retval":98997,"zano":98998,"Ġautob":98999,"ĉsd":99000,"_numer":99001,"ĠSetLastError":99002,"ĠFior":99003,"ificance":99004,"Untitled":99005,"Ġinfield":99006,"Ġ{}));Ċ":99007,"Ġspac":99008,"Ġrookies":99009,"(describing":99010,"ngen":99011,"ிà®":99012,".rdf":99013,".Mutex":99014,"Ġkneeling":99015,"ĠQE":99016,"setMax":99017,"ReadStream":99018,"Ġventas":99019,"sut":99020,"cmpeq":99021,".WriteAllText":99022,"ĠExperienced":99023,"$__":99024,"Ġkaum":99025,"ĠLIS":99026,"Ġdocumentos":99027,"_HEALTH":99028,"icontains":99029,"Ġartisans":99030,"OWNER":99031,"Ġblinked":99032,"getDisplay":99033,"Ġtoen":99034,"ĠrowNum":99035,"Ġavril":99036,"Ġinvis":99037,"ĠKear":99038,"toBeInTheDocument":99039,"apur":99040,"Ġracked":99041,"ĠMcMaster":99042,"_ATTRIB":99043,"Haz":99044,"Ġfactura":99045,"/ts":99046,"ĠÑĢазмеÑĢ":99047,"Ġzf":99048,"Ġshortfall":99049,".fasta":99050,"ĠCONSTANT":99051,".managed":99052,"gems":99053,"SharedPointer":99054,"Ġblurry":99055,"brightness":99056,"(components":99057,"Ġ...\"ĊĊ":99058,"SELL":99059,"ĠIllustrator":99060,".getChannel":99061,"Ġtrouvé":99062,"ysters":99063,"Ġvois":99064,"ĠLinden":99065,"Ġemojis":99066,"Ġbrawl":99067,"ĠMSR":99068,"ĠElo":99069,"ĠCroatian":99070,"PopupMenu":99071,"Lewis":99072,".JWT":99073,"Ġastonished":99074,"Bush":99075,"(itemId":99076,"Ġdetachment":99077,"ĠEncore":99078,"å°Ķ":99079,"Ġrekl":99080,"Ġcram":99081,")$/":99082,".getHost":99083,"_recommend":99084,"-HT":99085,"_calibration":99086,"Authenticate":99087,".firebaseapp":99088,"UNIX":99089,"ĉCamera":99090,"ĠHEAP":99091,"Ideal":99092,".office":99093,"Ġgoofy":99094,"(Symbol":99095,"Ġjouer":99096,"_partitions":99097,"Ġrapidement":99098,"ĠGNUNET":99099,"idUser":99100,"Ġsupervise":99101,"(Contact":99102,"AWN":99103,"ãģĺ":99104,"Ġnaam":99105,"Ġaust":99106,"åľ¨çº¿":99107,"_softmax":99108,"AllowAnonymous":99109,"ammable":99110,"ROUTE":99111,"*D":99112,"Ġaden":99113,"ĠCristina":99114,"ĠCristiano":99115,"Ġbloodstream":99116,"subclass":99117,"_persona":99118,"CHILD":99119,"-know":99120,"ĠnavigationOptions":99121,"ĠZukunft":99122,"ĠPixar":99123,"Tyler":99124,"Ġunderworld":99125,"Ġsincerity":99126,"Ġdispenser":99127,"Ġkter":99128,"idders":99129,".addNode":99130,"-checked":99131,"Ġkeyst":99132,"ĠWTO":99133,".signals":99134,"Ġadventurer":99135,"ĠPang":99136,"\\R":99137,"=pos":99138,"Ġdispensaries":99139,"ĠCloset":99140,"(\"{\\\"":99141,"ideon":99142,"Ġnécessaire":99143,"()\"Ċ":99144,"_RECEIVED":99145,"Ġrésultats":99146,"Ġmoden":99147,"ĠIcelandic":99148,";d":99149,".allowed":99150,"(newUser":99151,"Ġmerciless":99152,".WaitFor":99153,"Ġdaycare":99154,"ĠConveyor":99155,"çĸ":99156,"ð¬":99157,"çĥ":99158,"çĹ":99159,"çł":99160,"èĦ":99161,"é²":99162,"å¦":99163,"çĿĢ":99164,"å¾Ī":99165,"éħ":99166,"çĭ":99167,"éª":99168,"æĤ":99169,"é¥":99170,"èħ":99171,"æĥ³":99172,"å¨":99173,"é¹":99174,"çĤ":99175,"åĴ":99176,"çĮ":99177,"è´¨":99178,"æ¢":99179,"æ°Ķ":99180,"ð«":99181,"æķĻ":99182,"çŁ":99183,"åĦ":99184,"åıijå±ķ":99185,"åĪĽ":99186,"èij":99187,"æħ":99188,"åŀ":99189,"åģļ":99190,"æĪĺ":99191,"æIJ":99192,"强":99193,"æ·±":99194,"åĩł":99195,"ç¿":99196,"å©":99197,"èŀ":99198,"å§Ķ":99199,"åIJĦ":99200,"èİ":99201,"é¸":99202,"éº":99203,"åıĹ":99204,"èģĮ":99205,"åĺ":99206,"æ½":99207,"é£İ":99208,"èIJ¥":99209,"åħļ":99210,"èľ":99211,"éĤ£":99212,"é¢Ĩ":99213,"çij":99214,"é³":99215,"æľ¯":99216,"ä»Ģ":99217,"æĪ¿":99218,"ç²¾":99219,"åª":99220,"éĨ":99221,"太":99222,"èĤ¡":99223,"èĽ":99224,"åħī":99225,"æŀģ":99226,"åĬŀ":99227,"èĵ":99228,"çĺ":99229,"å´":99230,"åĹ":99231,"èĬ±":99232,"çłĶ":99233,"å¿«":99234,"å¸Ī":99235,"è¶Ĭ":99236,"è§Ĥ":99237,"æ¤":99238,"æ¦":99239,"çŀ":99240,"èĤ²":99241,"çĪ±":99242,"çĻ½":99243,"ä¸ĸ":99244,"ä»Ģä¹Ī":99245,"çľ¼":99246,"å³":99247,"èĴ":99248,"æĵ":99249,"被":99250,"å¹²":99251,"çĹħ":99252,"士":99253,"çĴ":99254,"è¸":99255,"æ¾":99256,"å·¥ä½ľ":99257,"让":99258,"çĥŃ":99259,"è¾ĥ":99260,"åĦ¿":99261,"åĬ©":99262,"积":99263,"ç³":99264,"çĵ":99265,"ç£":99266,"åĤ":99267,"è¹":99268,"èļ":99269,"å·±":99270,"çĻ¾":99271,"åĬ¿":99272,"èµĽ":99273,"æ¨":99274,"æ¿":99275,"èĸ":99276,"æĿij":99277,"带":99278,"å¢ĥ":99279,"æĬ¤":99280,"éŃ":99281,"å«":99282,"èĩªå·±":99283,"æµİ":99284,"ä½İ":99285,"åĮ»":99286,"éĺ²":99287,"åĨľ":99288,"èĨ":99289,"çĨ":99290,"é«":99291,"åĨĽ":99292,"æĪı":99293,"åįĩ":99294,"æĸ¯":99295,"ä½ı":99296,"èIJ½":99297,"åħ»":99298,"èĩ´":99299,"çĬ":99300,"çĩ":99301,"çħ":99302,"èĶ":99303,"ä¼ģä¸ļ":99304,"åĽ¢":99305,"æīį":99306,"æł¡":99307,"åĩĨ":99308,"å¥ĩ":99309,"åī¯":99310,"é¼":99311,"æ¼Ķ":99312,"马":99313,"èµ°":99314,"ç¥ŀ":99315,"åħĭ":99316,"æľĽ":99317,"æ²¹":99318,"è¾¹":99319,"åįĥ":99320,"å¾Ģ":99321,"åĪĩ":99322,"æ©":99323,"ç¶":99324,"åĻ":99325,"éĻħ":99326,"çīĮ":99327,"社ä¼ļ":99328,"游æĪı":99329,"æĸ½":99330,"çħ§":99331,"æݧ":99332,"满":99333,"è¯Ĩ":99334,"éĩįè¦ģ":99335,"足":99336,"çķĻ":99337,"ç»Ĩ":99338,"åįı":99339,"éĢĤ":99340,"æĩ":99341,"æ§":99342,"éĦ":99343,"èĿ":99344,"å¸Ĥåľº":99345,"ç»ıæµİ":99346,"ä¹ł":99347,"æĸĩåĮĸ":99348,"éļ¾":99349,"ä¹IJ":99350,"åĨ³":99351,"欢":99352,"è§ī":99353,"åĽŃ":99354,"åħ´":99355,"åħħ":99356,"举":99357,"æī¹":99358,"èķ":99359,"æĬĬ":99360,"æĬĢæľ¯":99361,"究":99362,"第ä¸Ģ":99363,"便":99364,"åĵį":99365,"çİ©":99366,"åĿļ":99367,"èŀį":99368,"åįĬ":99369,"åĸľ":99370,"å±Ĥ":99371,"离":99372,"ä»ħ":99373,"éŁ":99374,"åij³":99375,"念":99376,"åŃ£":99377,"ç´§":99378,"ä¹ħ":99379,"é¤":99380,"éŀ":99381,"è¤":99382,"åĢĻ":99383,"åĨµ":99384,"çŁ³":99385,"åģ¥":99386,"æĢİ":99387,"å®Ŀ":99388,"è¡Ģ":99389,"åŁŁ":99390,"æĹ©":99391,"çŁ¥éģĵ":99392,"è´Ł":99393,"åįļ":99394,"å·´":99395,"亲":99396,"å±ŀ":99397,"严":99398,"äºī":99399,"å¯Ł":99400,"èº":99401,"ç°":99402,"建设":99403,"产ä¸ļ":99404,"åIJĥ":99405,"åŃ©":99406,"æĹħ":99407,"æł¹":99408,"æĿIJ":99409,"ä¼Ĺ":99410,"éļı":99411,"å®ĺ":99412,"åºķ":99413,"彩":99414,"å¯Į":99415,"温":99416,"åį«":99417,"åī§":99418,"çĽĬ":99419,"æĬĹ":99420,"è´¢":99421,"纪":99422,"æĨ":99423,"çĶŁæ´»":99424,"红":99425,"çĶŁäº§":99426,"è¿ľ":99427,"éĴ±":99428,"åĶ®":99429,"群":99430,"çıŃ":99431,"楼":99432,"éĩĩ":99433,"èīº":99434,"å±ħ":99435,"åģĩ":99436,"è°Ī":99437,"æĻļ":99438,"é¬":99439,"èĪª":99440,"害":99441,"èĹ":99442,"çį":99443,"åµ":99444,"çİĭ":99445,"康":99446,"èİ·":99447,"ç»Ń":99448,"äºļ":99449,"é£Ł":99450,"åİĭ":99451,"æĭĽ":99452,"èĮĥ":99453,"许":99454,"åĽ´":99455,"é½":99456,"éĻį":99457,"纳":99458,"åĵª":99459,"æķĻèĤ²":99460,"å·²ç»ı":99461,"å¾·":99462,"æŀĹ":99463,"å®īåħ¨":99464,"é¾Ļ":99465,"大家":99466,"éĿĴ":99467,"åºľ":99468,"æ²³":99469,"åı¤":99470,"èį¯":99471,"åĿĩ":99472,"æĻº":99473,"乡":99474,"çķ¥":99475,"åĨ·":99476,"ç¦ı":99477,"室":99478,"ç»´":99479,"æī¿":99480,"å±Ĭ":99481,"è¯ī":99482,"åĪ»":99483,"èŁ":99484,"æª":99485,"å°±æĺ¯":99486,"è¿Ļ个":99487,"ä¸Ńå¿ĥ":99488,"ä¸ĸçķĮ":99489,"åŁİå¸Ĥ":99490,"éĿŀ常":99491,"åĪĴ":99492,"åıĮ":99493,"æĢİä¹Ī":99494,"åĪ°äºĨ":99495,"æľĥ":99496,"åı²":99497,"ä¾Ĩ":99498,"å¾ĭ":99499,"å¥ĸ":99500,"ç»Ī":99501,"åªĴ":99502,"å®ģ":99503,"课":99504,"èģĮä¸ļ":99505,"åħį":99506,"æµĭ":99507,"æĢ¥":99508,"æķij":99509,"çĭ¬":99510,"èѦ":99511,"é¤IJ":99512,"æĦ¿":99513,"è´«":99514,"çĸij":99515,"åļ":99516,"她":99517,"åıĪ":99518,"åĽłä¸º":99519,"ä¸įæĺ¯":99520,"å¤Ł":99521,"æĸ¹éĿ¢":99522,"éķĩ":99523,"äºĴ":99524,"éħĴ":99525,"讲":99526,"çĸĹ":99527,"æĺ¥":99528,"æ¹ĸ":99529,"å¤ľ":99530,"责任":99531,"人æ°ij":99532,"åħ°":99533,"çŁŃ":99534,"æķħ":99535,"åĩı":99536,"æĻ®":99537,"亮":99538,"ä¾Ŀ":99539,"åį°":99540,"éĿĻ":99541,"åĢĭ":99542,"å¾ģ":99543,"åIJ¸":99544,"缺":99545,"æĶ»":99546,"åĩĢ":99547,"åħ¸":99548,"åĽº":99549,"访":99550,"ç¹":99551,"çĢ":99552,"æıIJä¾Ľ":99553,"ç»ĩ":99554,"å¾Īå¤ļ":99555,"çłĶ究":99556,"è·Ł":99557,"主è¦ģ":99558,"æĥħåĨµ":99559,"çŃĸ":99560,"æŃ»":99561,"大åѦ":99562,"æĶ¿åºľ":99563,"å½±åĵį":99564,"ä¹°":99565,"åħŃ":99566,"éĻ©":99567,"åħ«":99568,"æŁIJ":99569,"è´¨éĩı":99570,"åįł":99571,"å·®":99572,"æĽ´å¤ļ":99573,"æľĭ":99574,"éĿ©":99575,"宣":99576,"çł´":99577,"è½»":99578,"座":99579,"æĺ¾":99580,"稳":99581,"è´µ":99582,"èĥĮ":99583,"èī¯":99584,"çĸ«":99585,"æ¯Ĵ":99586,"ä¹İ":99587,"åĢŁ":99588,"è¿·":99589,"çŃĶ":99590,"æ¿Ģ":99591,"åij¼":99592,"äºĨä¸Ģ":99593,"趣":99594,"ä¼´":99595,"ä¼Ļ":99596,"è¼":99597,"ð¬Ń":99598,"åĽ½å®¶":99599,"æ´»åĬ¨":99600,"çİ°åľ¨":99601,"ç§ijæĬĢ":99602,"åį¡":99603,"ä¸įåIJĮ":99604,"个人":99605,"è®°èĢħ":99606,"ä¸įæĸŃ":99607,"éĹ»":99608,"ä¹Ŀ":99609,"èijĹ":99610,"综":99611,"ä¸ĥ":99612,"æłij":99613,"æľĭåıĭ":99614,"åįĸ":99615,"伤":99616,"æ²Ļ":99617,"åĸĦ":99618,"å¥Ĺ":99619,"è½®":99620,"ç©¿":99621,"è¡¥":99622,"ä¸Ģå®ļ":99623,"çªģ":99624,"çĿ£":99625,"追":99626,"å¨ģ":99627,"åı¦":99628,"åĽ°":99629,"æŀ¶":99630,"ç»Ŀ":99631,"æķ£":99632,"æİ¢":99633,"æ´Ĺ":99634,"临":99635,"ä¼¼":99636,"è´¸":99637,"丰":99638,"æĺ¯ä¸Ģ":99639,"ç«ŀ":99640,"è¿İ":99641,"èģļ":99642,"è«":99643,"æįŁ":99644,"æī§":99645,"驾":99646,"è¿Ŀ":99647,"è¥":99648,"èł":99649,"ä»ĸ们":99650,"æŶåĢĻ":99651,"å®ĥ":99652,"人åijĺ":99653,"è¿Ļæł·":99654,"å·¥ç¨ĭ":99655,"åĪĽæĸ°":99656,"åŃ©åŃIJ":99657,"å¸Į":99658,"éĥ¨åĪĨ":99659,"éĵ¶":99660,"代表":99661,"é¦Ļ":99662,"帮":99663,"æİ¨è¿Ľ":99664,"çĽĺ":99665,"积æŀģ":99666,"éĥ¨éŨ":99667,"åŁ¹":99668,"æѦ":99669,"ä¸įä¼ļ":99670,"çŃij":99671,"éĢĻ":99672,"çݩ家":99673,"æĭ¿":99674,"åİĤ":99675,"æ¯Ľ":99676,"çģµ":99677,"æŃĮ":99678,"绿":99679,"å¦Ī":99680,"缼":99681,"é¦Ĩ":99682,"顺":99683,"èĦ¸":99684,"å°¼":99685,"丽":99686,"奥":99687,"éģĩ":99688,"è¯į":99689,"å°ģ":99690,"ä¸Ŀ":99691,"好çļĦ":99692,"æĭħ":99693,"èĦ±":99694,"æģ¶":99695,"åİļ":99696,"åĬ³":99697,"缣":99698,"æĬĺ":99699,"åı¥":99700,"æĢĢ":99701,"æŁĵ":99702,"书记":99703,"åĨł":99704,"é²ľ":99705,"æ¦Ĥ":99706,"éļIJ":99707,"å¹ħ":99708,"èµŀ":99709,"å¹ķ":99710,"æ¥Ń":99711,"éģĹ":99712,"åĪ¤":99713,"èĺ":99714,"å¶":99715,"æĬķèµĦ":99716,"è¡Įä¸ļ":99717,"äºij":99718,"çݯå¢ĥ":99719,"åѦçĶŁ":99720,"åIJĪä½ľ":99721,"åģ¥åº·":99722,"é£ŀ":99723,"ä¸ĢæŃ¥":99724,"ä¸Ģ缴":99725,"åıijçĶŁ":99726,"éĺ¿":99727,"é¢Ĩ导":99728,"åĸľæ¬¢":99729,"åºĶ该":99730,"çĤº":99731,"è®Ń":99732,"æĿĢ":99733,"港":99734,"交éĢļ":99735,"éĺ¶":99736,"éĴ¢":99737,"令":99738,"å°½":99739,"æ¯į":99740,"è¡£":99741,"ç²ī":99742,"顶":99743,"ä¹Łä¸į":99744,"æĬĵ":99745,"èĭ¦":99746,"幸":99747,"礼":99748,"第ä¸ī":99749,"大çļĦ":99750,"éģİ":99751,"çĥŁ":99752,"éģ¿":99753,"ä»į":99754,"åºĨ":99755,"æĢķ":99756,"è°¢":99757,"çĽĸ":99758,"å°Ħ":99759,"éľ²":99760,"æĸĹ":99761,"çĬ¶":99762,"åѸ":99763,"æ¯ķ":99764,"å·¨":99765,"çŁ¿":99766,"çļĩ":99767,"å¸Ń":99768,"çĹĩ":99769,"æī¬":99770,"延":99771,"侧":99772,"æ·¡":99773,"çļĦä¸Ģ":99774,"網":99775,"æ´ģ":99776,"ç¸":99777,"è§Ī":99778,"çŃ¹":99779,"ç§ĺ":99780,"è¯Ĭ":99781,"çı¾":99782,"èªī":99783,"毫":99784,"ð¨":99785,"åį´":99786,"æĪIJ为":99787,"èĥ½åĬĽ":99788,"é»Ħ":99789,"æĹħ游":99790,"èĪ¬":99791,"æ¯Ķè¾ĥ":99792,"èµ·æĿ¥":99793,"äºĨ解":99794,"èĩªçĦ¶":99795,"ä¸Ģ次":99796,"åŁºæľ¬":99797,"æĽ¾":99798,"综åIJĪ":99799,"èıľ":99800,"è§īå¾Ĺ":99801,"第äºĮ":99802,"è·ij":99803,"æ³¢":99804,"åĢĴ":99805,"ç¡Ģ":99806,"åħµ":99807,"èįī":99808,"çĶ³":99809,"çĶ°":99810,"æĤ£":99811,"è§Ħå®ļ":99812,"èĥľ":99813,"èµĦ产":99814,"梦":99815,"æľĿ":99816,"è¿ĻéĩĮ":99817,"夫":99818,"æĮ¥":99819,"ä½Ľ":99820,"å®Ī":99821,"鼶":99822,"æĸ¼":99823,"ç¯ĩ":99824,"å²Ľ":99825,"åĵ¥":99826,"éŃĶ":99827,"ä¸įåĪ°":99828,"æīĺ":99829,"åºĬ":99830,"欧":99831,"èį£":99832,"æ±ĩ":99833,"æī©":99834,"åģı":99835,"å¢Ļ":99836,"讯":99837,"å©ļ":99838,"æĥł":99839,"æ´ĭ":99840,"å®ľ":99841,"润":99842,"æħ¢":99843,"éĢı":99844,"宽":99845,"顾":99846,"ç´¯":99847,"污":99848,"çĪĨ":99849,"秣":99850,"æĥĬ":99851,"涨":99852,"饰":99853,"éĺµ":99854,"饮":99855,"æļĸ":99856,"åºŁ":99857,"æĹĹ":99858,"éļĶ":99859,"ç¶ĵ":99860,"åĭĻ":99861,"實":99862,"éĢĶ":99863,"æī«":99864,"çĥĪ":99865,"鼻":99866,"åĪij":99867,"éĹľ":99868,"éĹª":99869,"å¥ĭ":99870,"åĤ¨":99871,"缩":99872,"ä¾µ":99873,"å¬":99874,"ð¬¶":99875,"åĽ½éĻħ":99876,"ç»Ħç»ĩ":99877,"ä¸ĵä¸ļ":99878,"åıijçİ°":99879,"å¸ĮæľĽ":99880,"ç»ıèIJ¥":99881,"åı«":99882,"æĿ¥è¯´":99883,"éļľ":99884,"ä»»ä½ķ":99885,"交æĺĵ":99886,"éĩįçĤ¹":99887,"çļ®":99888,"ç»į":99889,"æ´¾":99890,"ç§ijåѦ":99891,"åºĶçĶ¨":99892,"建çŃij":99893,"èĤī":99894,"æĶ¹éĿ©":99895,"åŁºç¡Ģ":99896,"æ±ī":99897,"åĩºæĿ¥":99898,"è¿Ļä¹Ī":99899,"åĪļ":99900,"åĿIJ":99901,"ä¸įä»ħ":99902,"ä¼ļè®®":99903,"éĿł":99904,"åªĴä½ĵ":99905,"æ°¸":99906,"åĨ²":99907,"èĭı":99908,"央":99909,"çĪ¶":99910,"åłĤ":99911,"å®ŀéĻħ":99912,"è¡Ĺ":99913,"ç«¥":99914,"éĺħ":99915,"äºĭæĥħ":99916,"åİŁåĽł":99917,"éħ¸":99918,"以æĿ¥":99919,"娱":99920,"宫":99921,"åĿĹ":99922,"绩":99923,"éĩİ":99924,"ä¸įå¾Ĺ":99925,"ä¼łå¥ĩ":99926,"硬":99927,"åİħ":99928,"æĹ¢":99929,"ç»ĥ":99930,"èĦij":99931,"å¼±":99932,"æİĮ":99933,"è´´":99934,"æĮĤ":99935,"åħ³éĶ®":99936,"å°ļ":99937,"é¥Ń":99938,"åºĦ":99939,"çĻ¼":99940,"åľĭ":99941,"æİĪ":99942,"个æľĪ":99943,"äºĪ":99944,"å¸ģ":99945,"è·Ŀ":99946,"æ²ī":99947,"ç«Ł":99948,"åĨ¬":99949,"æĬ½":99950,"éĨĴ":99951,"å¼Ł":99952,"触":99953,"èģĺ":99954,"è±Ĩ":99955,"æļ´":99956,"åijĬè¯ī":99957,"豪":99958,"èµ¢":99959,"è·¨":99960,"è³ĩ":99961,"çĪ¸":99962,"æĬ±":99963,"浪":99964,"麻":99965,"仪":99966,"è¡¡":99967,"奶":99968,"çģ¾":99969,"赶":99970,"èĤ¥":99971,"å§IJ":99972,"åĢº":99973,"éľĩ":99974,"订":99975,"æ¬Ĭ":99976,"ç·":99977,"å»ī":99978,"ä¿Ĺ":99979,"å¿ĺ":99980,"å¦ĩ":99981,"ç¼ĵ":99982,"åŃķ":99983,"漫":99984,"è£ģ":99985,"çĩĥ":99986,"é»ĺ":99987,"çī¢":99988,"çĪ·":99989,"æĬµ":99990,"宾":99991,"æľīä¸Ģ":99992,"迹":99993,"è¿«":99994,"è²Į":99995,"æľīçļĦ":99996,"ð¬ĺ":99997,"è¿ĺæĺ¯":99998,"æīĢ以":99999,"ä¹Łæĺ¯":100000,"è¿ĻäºĽ":100001,"对äºİ":100002,"åIJ§":100003,"缮åīį":100004,"èĩªå·±çļĦ":100005,"èĥ½å¤Ł":100006,"å¦Ĥä½ķ":100007,"æľºæŀĦ":100008,"åıªæĺ¯":100009,"ç½ijç«Ļ":100010,"åħ¨éĿ¢":100011,"为äºĨ":100012,"å¼Ģåıij":100013,"æĸ°éĹ»":100014,"éĩijèŀį":100015,"继":100016,"客æĪ·":100017,"ä¸Ģèµ·":100018,"èĮ¶":100019,"åħ³æ³¨":100020,"æ°´å¹³":100021,"åİĨåı²":100022,"å¢ŀéķ¿":100023,"é±":100024,"åŁºéĩij":100025,"åºŃ":100026,"åı¶":100027,"ä¿ĥ":100028,"鼨":100029,"æ¶Īè´¹":100030,"èĪ¹":100031,"çŁ¥è¯Ĩ":100032,"æĪĺçķ¥":100033,"ç»ıéªĮ":100034,"å³°":100035,"æĽ²":100036,"èĦļ":100037,"åĨ°":100038,"å¤ı":100039,"å½Ĵ":100040,"ç¬Ķ":100041,"èĻij":100042,"çĶ²":100043,"åľĪ":100044,"è¯Ĺ":100045,"é½IJ":100046,"容æĺĵ":100047,"çłĶåıij":100048,"骨":100049,"纸":100050,"è·µ":100051,"æŧ":100052,"çķ¶":100053,"åĪ¸":100054,"è´·":100055,"åı¬":100056,"ç§ĭ":100057,"液":100058,"è¡ĮæĶ¿":100059,"çĮ®":100060,"èĤ¤":100061,"éĢIJ":100062,"è¶ĬæĿ¥":100063,"è¶ĬæĿ¥è¶Ĭ":100064,"æĦıè§ģ":100065,"èĪŀ":100066,"åīĤ":100067,"æ¶ī":100068,"ç¨ĭ度":100069,"åħ¬åħ±":100070,"械":100071,"æľ«":100072,"纯":100073,"åĶ±":100074,"æ´²":100075,"æĬ¢":100076,"æ¤į":100077,"å¿Ļ":100078,"ä¼°":100079,"å¼¹":100080,"æ³ī":100081,"æľĢ大":100082,"è¶ĭ":100083,"å·§":100084,"ç¦ģ":100085,"æī¶":100086,"åį±":100087,"çıł":100088,"çĨŁ":100089,"æĭľ":100090,"主ä¹ī":100091,"æĿĤ":100092,"éĻĦ":100093,"éģį":100094,"æIJŃ":100095,"æĮ¯":100096,"å¤ļå¹´":100097,"æķ¬":100098,"æijĦ":100099,"纷":100100,"å¼ĥ":100101,"湿":100102,"å¨ĺ":100103,"æ¡£":100104,"驶":100105,"æľĹ":100106,"æ®ĸ":100107,"æ¦ľ":100108,"åĵ¡":100109,"ä¸Ģä½ĵ":100110,"æŁ¥çľĭ":100111,"ç¹ģ":100112,"æµĵ":100113,"åħ¬å®ī":100114,"æ½ľ":100115,"è´¯":100116,"éªĹ":100117,"æIJľ":100118,"å·¡":100119,"è¬":100120,"éĬ":100121,"å§Ķä¼ļ":100122,"æĤł":100123,"åī©":100124,"æıŃ":100125,"åŃ£åº¦":100126,"ð«ĺ":100127,"ð¬¬":100128,"ä´":100129,"ðª":100130,"ä½Ĩæĺ¯":100131,"éĥ½æĺ¯":100132,"å¹³åı°":100133,"åŃ¦ä¹ł":100134,"åĵģçīĮ":100135,"ä¸Ķ":100136,"è¿Ļç§į":100137,"æĶ¿çŃĸ":100138,"æĭ¬":100139,"认为":100140,"ä¸ĢèĪ¬":100141,"æłĩåĩĨ":100142,"æĶ¯æĮģ":100143,"模å¼ı":100144,"åħ³ç³»":100145,"çļĦæĺ¯":100146,"è¿Ļä¸Ģ":100147,"ä¸įè¦ģ":100148,"çĶļ":100149,"ç²¾ç¥ŀ":100150,"æĭ¥":100151,"åĪ©çĶ¨":100152,"ä¿ĿæĬ¤":100153,"ä½ľçĶ¨":100154,"èĭ¥":100155,"åĽ½åĨħ":100156,"ä»ĭç»į":100157,"ä¸Ģä¸ĭ":100158,"å·¥ä¸ļ":100159,"缮æłĩ":100160,"æľĢåIJİ":100161,"ä»·åĢ¼":100162,"å°į":100163,"éĵģ":100164,"è°ģ":100165,"ç»ĵæŀĦ":100166,"éĽª":100167,"æĻºèĥ½":100168,"ä¼łç»Ł":100169,"ä½ĵèĤ²":100170,"çĶŁæĢģ":100171,"æĭį":100172,"æݪ":100173,"åĨľä¸ļ":100174,"çī¹èī²":100175,"è§Ħ模":100176,"æĹ¶ä»£":100177,"è¿ĩç¨ĭ":100178,"éĴĪ":100179,"æĿ¾":100180,"åĶIJ":100181,"åĮ»çĸĹ":100182,"çģ¯":100183,"åĪ¶éĢł":100184,"æł¸å¿ĥ":100185,"ä¸įåı¯":100186,"ç³»åĪĹ":100187,"åIJī":100188,"åľ£":100189,"åĢij":100190,"ä½³":100191,"æĿ¥çľĭ":100192,"æ¯ĶèµĽ":100193,"ä¸ĭæĿ¥":100194,"åĩºäºĨ":100195,"å¹²éĥ¨":100196,"微信":100197,"å½ĵåľ°":100198,"åį·":100199,"åį«çĶŁ":100200,"ä¼Ł":100201,"çĸ«æĥħ":100202,"è°·":100203,"åĩłä¸ª":100204,"éĺ´":100205,"çĶŁçī©":100206,"å°¤":100207,"ä¼Ĭ":100208,"èĤ¯":100209,"éĿ¢ç§¯":100210,"åĪĽéĢł":100211,"æı¡":100212,"åľĨ":100213,"æĻĵ":100214,"æĪIJäºĨ":100215,"åĩ¡":100216,"çĸ¾":100217,"ç«ŀäºī":100218,"讨":100219,"主é¢ĺ":100220,"é²ģ":100221,"迪":100222,"ä¿Ħ":100223,"æĢª":100224,"並":100225,"èĻļ":100226,"æ½®":100227,"çĥ§":100228,"èĢ³":100229,"æ±ł":100230,"éĢĤåIJĪ":100231,"æł¹æľ¬":100232,"åĬłçĽŁ":100233,"çĶµè§Ĩ":100234,"æ··":100235,"ç¼ĺ":100236,"çªĹ":100237,"çĬ¯":100238,"æĥ¯":100239,"æĦıä¹ī":100240,"åĬŀæ³ķ":100241,"ä¼ij":100242,"æ»ij":100243,"åĭĩ":100244,"æķ¢":100245,"寻":100246,"è¦Ĩ":100247,"éĢĥ":100248,"ç»ıçIJĨ":100249,"åĿı":100250,"æ³½":100251,"ä¹ĺ":100252,"åĪº":100253,"å±ı":100254,"é¡¿":100255,"亡":100256,"éĤĢ":100257,"åħ¼":100258,"åĭ¤":100259,"æ®ĭ":100260,"æĺł":100261,"æ¯ķä¸ļ":100262,"æĪª":100263,"è·Į":100264,"å£ģ":100265,"åı¦ä¸Ģ":100266,"羣å®ŀ":100267,"磨":100268,"è¯ļ":100269,"å¿ħè¦ģ":100270,"æģĭ":100271,"æĩĤ":100272,"å¾Ĵ":100273,"è°ĵ":100274,"æķı":100275,"æĻ¨":100276,"èĥ¸":100277,"æĭ¼":100278,"å¦Ļ":100279,"诸":100280,"èģĬ":100281,"æĤī":100282,"麼":100283,"åĩŃ":100284,"èĪĴ":100285,"æ¶Ĥ":100286,"è¿ģ":100287,"沿":100288,"å¡ij":100289,"æĽ¿":100290,"æ¾³":100291,"å¿į":100292,"èĢĹ":100293,"龸":100294,"åĩłå¹´":100295,"åĪĬ":100296,"èĦī":100297,"èħIJ":100298,"æ¡Į":100299,"çºł":100300,"æ»ļ":100301,"æĤ²":100302,"åĨĴ":100303,"妹":100304,"çķħ":100305,"纵":100306,"æijĩ":100307,"夺":100308,"è·¯ä¸Ĭ":100309,"忽":100310,"èĸª":100311,"æģIJ":100312,"æĦıæĢĿ":100313,"å«Į":100314,"æı´":100315,"æ°§":100316,"èĢĢ":100317,"éĺ»":100318,"轨":100319,"å¹»":100320,"æįķ":100321,"åĿ¦":100322,"åĵĪåĵĪ":100323,"çĭIJ":100324,"滨":100325,"è²»":100326,"è¿Ł":100327,"人éĥ½":100328,"ç»ĺ":100329,"åı¹":100330,"çµIJ":100331,"æī°":100332,"æ»ĭ":100333,"å¥ij":100334,"åĭŁ":100335,"確":100336,"ð¦":100337,"éĽĨåĽ¢":100338,"æĿİ":100339,"å¼Ģå±ķ":100340,"æıIJåįĩ":100341,"åħ¨åĽ½":100342,"汽车":100343,"åŃ¦æł¡":100344,"æł¹æį®":100345,"è¿Ļæĺ¯":100346,"åĩºçİ°":100347,"éĻĪ":100348,"ç½Ĺ":100349,"èİ·å¾Ĺ":100350,"åĪĺ":100351,"éĶĢåĶ®":100352,"æľªæĿ¥":100353,"éľĢæ±Ĥ":100354,"å®ŀæĸ½":100355,"åĿļæĮģ":100356,"åħ¨çIJĥ":100357,"éĵ¶è¡Į":100358,"æݧåĪ¶":100359,"é¡»":100360,"åľ°åĮº":100361,"æīĵéĢł":100362,"çļĦè¯Ŀ":100363,"帮åĬ©":100364,"ä½ĵç³»":100365,"è¾¾åĪ°":100366,"è§ĦåĪĴ":100367,"åŁ¹è®Ń":100368,"两个":100369,"æĬ¥åijĬ":100370,"åľ°æĸ¹":100371,"å®Įåħ¨":100372,"æİī":100373,"ç»ĵåIJĪ":100374,"å®£ä¼ł":100375,"æ³ķå¾ĭ":100376,"èīºæľ¯":100377,"çĶµå½±":100378,"說":100379,"ä¸ĢçĤ¹":100380,"è¶ħè¿ĩ":100381,"çĶµåŃIJ":100382,"æĢĿæĥ³":100383,"æķĻåѦ":100384,"éĺ¶æ®µ":100385,"åķĨä¸ļ":100386,"çī©æµģ":100387,"åĪĽä¸ļ":100388,"æĸ¹æ¡Ī":100389,"çݰ代":100390,"æ¡¥":100391,"èIJ½å®ŀ":100392,"带æĿ¥":100393,"产çĶŁ":100394,"ç§Ģ":100395,"æ³°":100396,"ä¹±":100397,"åħ·ä½ĵ":100398,"åĸĿ":100399,"èĵĿ":100400,"å®Ĺ":100401,"åįĩ级":100402,"æ·±åħ¥":100403,"ä¿ĿéĻ©":100404,"ç®Ģåįķ":100405,"çĹĽ":100406,"稳å®ļ":100407,"è¾Ĩ":100408,"å±ŀäºİ":100409,"å·Ŀ":100410,"ä¸įå°ij":100411,"åĴ¨":100412,"ä¸ľè¥¿":100413,"å½¢å¼ı":100414,"娱ä¹IJ":100415,"æŃ£å¸¸":100416,"鸡":100417,"åħħåĪĨ":100418,"å®ŀè·µ":100419,"éĩĮéĿ¢":100420,"è·³":100421,"èĻİ":100422,"æĪIJéķ¿":100423,"æļĹ":100424,"çĿ¡":100425,"罪":100426,"çIJĨ念":100427,"æĮij":100428,"èµĦæľ¬":100429,"å¤ļå°ij":100430,"ä¸ĭéĿ¢":100431,"å¸Ŀ":100432,"åħ¬å¼Ģ":100433,"æ¸IJ":100434,"éķ·":100435,"å±ĭ":100436,"欢è¿İ":100437,"å¿ĥçIJĨ":100438,"çĤİ":100439,"æ¹¾":100440,"è®ĵ":100441,"éĤĦ":100442,"ç³ĸ":100443,"ä¹Į":100444,"åĬ±":100445,"çīĻ":100446,"èħ¿":100447,"å²Ĺ":100448,"ä¼į":100449,"æĪIJåijĺ":100450,"åŃĶ":100451,"å°ıç¼ĸ":100452,"èij£":100453,"泡":100454,"åħĪè¿Ľ":100455,"åħ§":100456,"åĺ´":100457,"è´Ŀ":100458,"è»":100459,"æIJŀ":100460,"æ³Ľ":100461,"鸣":100462,"ç½²":100463,"èĽĭ":100464,"主任":100465,"缮çļĦ":100466,"ä¹ı":100467,"æ´¥":100468,"æĪ´":100469,"ä¸¥æł¼":100470,"çħ¤":100471,"çĮ«":100472,"åĶ¯":100473,"å°Ĭ":100474,"çĶľ":100475,"åŀĥ":100476,"åľ¾":100477,"æĭŁ":100478,"çĦ¦":100479,"é«Ķ":100480,"å®ı":100481,"æ©Ł":100482,"é©»":100483,"æĹģ":100484,"å½»":100485,"éĥ½ä¸į":100486,"æij©":100487,"ä»ĵ":100488,"ä¹³":100489,"岸":100490,"è°ĭ":100491,"大å¤ļ":100492,"çģŃ":100493,"èħ¾":100494,"æŁľ":100495,"èĪį":100496,"åħļçļĦ":100497,"å°ĺ":100498,"åįģå¹´":100499,"æĭĴ":100500,"裡":100501,"æŁĶ":100502,"å¹¼":100503,"éĶģ":100504,"ä¸ĵ项":100505,"æīİ":100506,"驾驶":100507,"ç¢İ":100508,"è¢ĭ":100509,"éĶĭ":100510,"壮":100511,"å°ĸ":100512,"çĶµæ±ł":100513,"è¿Ķ":100514,"æ¼ı":100515,"循":100516,"èıĮ":100517,"èĥĥ":100518,"è¾ħ":100519,"éĢĴ":100520,"èĥİ":100521,"éĻª":100522,"寿":100523,"å¥Ķ":100524,"çĮĽ":100525,"纹":100526,"çŁ¥åIJį":100527,"å¿Ĩ":100528,"æ¡ĥ":100529,"æ£ĭ":100530,"éĢĨ":100531,"çĤ¼":100532,"ç±į":100533,"çī§":100534,"æł·çļĦ":100535,"è¾Ľ":100536,"åłĨ":100537,"å®ŀåľ¨":100538,"ä¼ı":100539,"宿":100540,"èµı":100541,"è£Ĥ":100542,"åįĬå¹´":100543,"åĢ¾":100544,"满æĦı":100545,"梯":100546,"æĦıåij³":100547,"åѤ":100548,"ç¥Ŀ":100549,"æĻ¶":100550,"èµĶ":100551,"åģ¿":100552,"èĦĤ":100553,"ç½ļ":100554,"ç¢į":100555,"æ²ĥ":100556,"æĵį":100557,"å´ĩ":100558,"æļĤ":100559,"è·ĥ":100560,"æIJ¬":100561,"å©Ĩ":100562,"éī":100563,"éī´":100564,"åħ´è¶£":100565,"èIJ¥ä¸ļ":100566,"è®Ĭ":100567,"èĦı":100568,"è¾Ī":100569,"å·ŀå¸Ĥ":100570,"è´«åĽ°":100571,"ç©·":100572,"ä¸Ńå°ı":100573,"æ¼Ĥ":100574,"çĻĮ":100575,"èľľ":100576,"ä¼Ļä¼´":100577,"çīµ":100578,"æĤŁ":100579,"éĻ·":100580,"èµĽåŃ£":100581,"樣":100582,"åģ¶":100583,"æĺĨ":100584,"è¢Ń":100585,"æįIJ":100586,"èī°":100587,"æĤ¬":100588,"çĶ¢":100589,"èij¡":100590,"çĽĹ":100591,"å©´":100592,"å°İ":100593,"纽":100594,"åĢ¡":100595,"æī®":100596,"è¨Ń":100597,"æĬij":100598,"ç¡ķ":100599,"è¾ĸ":100600,"éĥģ":100601,"辩":100602,"éĤ»":100603,"çİ°åĩº":100604,"è¦ı":100605,"å½¹":100606,"éĺĶ":100607,"åīµ":100608,"诱":100609,"æĥij":100610,"æ·Ģ":100611,"é¢Ī":100612,"侦":100613,"æģ°":100614,"æ£Ģå¯Ł":100615,"éĨ«":100616,"çĦ¶æĺ¯":100617,"åĭĥ":100618,"èĮ«":100619,"äĵ":100620,"ð¬¸":100621,"ä½ľä¸º":100622,"çļĦ人":100623,"éĤ£ä¹Ī":100624,"ç¾İåĽ½":100625,"è¿ĺæľī":100626,"æıIJé«ĺ":100627,"èĻ½":100628,"åħ·æľī":100629,"åĮħæĭ¬":100630,"æĪĸèĢħ":100631,"ä¸įè¿ĩ":100632,"ä¸Ĭæµ·":100633,"åĮ»éĻ¢":100634,"èµĦéĩij":100635,"çĶļèĩ³":100636,"åĪ¶åº¦":100637,"解åĨ³":100638,"èģĶç½ij":100639,"继ç»Ń":100640,"建ç«ĭ":100641,"è¿Ľä¸ĢæŃ¥":100642,"æĿIJæĸĻ":100643,"ä»Ĭ天":100644,"å¿ħé¡»":100645,"åIJĦç§į":100646,"çİ°åľº":100647,"ä»ĸçļĦ":100648,"å¢ŀåĬł":100649,"é¢ĨåŁŁ":100650,"åıĤä¸İ":100651,"æĮģç»Ń":100652,"ä¹ĭä¸Ģ":100653,"çī¹åĪ«":100654,"é±¼":100655,"åħ±åIJĮ":100656,"åĬª":100657,"çİī":100658,"人们":100659,"åħĪçĶŁ":100660,"ä¼ĺåĬ¿":100661,"ä¿ĿæĮģ":100662,"ä½ľåĵģ":100663,"çīĽ":100664,"æĪIJæľ¬":100665,"æĶ¶åħ¥":100666,"åıĬæŶ":100667,"è´Łè´£":100668,"æİ¥åıĹ":100669,"èįIJ":100670,"åıªè¦ģ":100671,"羣çļĦ":100672,"导èĩ´":100673,"æľºåĪ¶":100674,"è¡ĮåĬ¨":100675,"æĸ°çļĦ":100676,"å®ĮåĸĦ":100677,"为ä»Ģä¹Ī":100678,"ä¸Ń央":100679,"æĪIJç«ĭ":100680,"æĦŁè§ī":100681,"åıĺåĮĸ":100682,"åıĹåĪ°":100683,"并ä¸į":100684,"åŃĻ":100685,"æĸ½å·¥":100686,"æĺİæĺ¾":100687,"è¿ĩåİ»":100688,"åıijæĮ¥":100689,"羣æŃ£":100690,"åŁºåľ°":100691,"æĺİç¡®":100692,"èĥ¡":100693,"许å¤ļ":100694,"ä¸Ģå¹´":100695,"æĸ¹åIJij":100696,"æģ©":100697,"çĽ¸ä¿¡":100698,"åľ³":100699,"详ç»Ĩ":100700,"äºĭä¸ļ":100701,"çĶŁåij½":100702,"åĴ¨è¯¢":100703,"æĸĩæĺİ":100704,"çijŀ":100705,"绿èī²":100706,"èİ«":100707,"æĦıè¯Ĩ":100708,"æĬķåħ¥":100709,"åĬłå¿«":100710,"æ¢ħ":100711,"ç¿»":100712,"å¼ĢæĶ¾":100713,"æĻ®éĢļ":100714,"åįıä¼ļ":100715,"æĪIJ绩":100716,"ä»Ļ":100717,"å¯Ĵ":100718,"è¯ģåĪ¸":100719,"认è¯Ĩ":100720,"丹":100721,"大éĩı":100722,"è¿ħ":100723,"åģļåĪ°":100724,"设æĸ½":100725,"è´¸æĺĵ":100726,"èĥ½æºIJ":100727,"æĹ¶æľŁ":100728,"ä¸Ģ天":100729,"æ²»çIJĨ":100730,"åĺī":100731,"å®ĩ":100732,"丰å¯Į":100733,"举è¡Į":100734,"æĪIJæŀľ":100735,"èĤ¯å®ļ":100736,"çĭĹ":100737,"åĬ¨åĬĽ":100738,"森":100739,"åĩłä¹İ":100740,"åĽłç´ł":100741,"æ°ijæĹı":100742,"æ´ŀ":100743,"ç½ijåıĭ":100744,"åIJĪçIJĨ":100745,"广大":100746,"æ®Ĭ":100747,"æ´Ľ":100748,"æĿ¯":100749,"èĴĻ":100750,"çĶ¨äºİ":100751,"èŀįèµĦ":100752,"ç¥ĸ":100753,"æľºæ¢°":100754,"举åĬŀ":100755,"èĩªåĬ¨":100756,"åĬŀåħ¬":100757,"é»ŀ":100758,"éĽĦ":100759,"åĢ¼å¾Ĺ":100760,"çĮª":100761,"以为":100762,"æĺĮ":100763,"è·Ŀ离":100764,"åIJ¸å¼ķ":100765,"ç»ķ":100766,"éļĨ":100767,"计ç®Ĺ":100768,"éĺŁä¼į":100769,"大ä¼ļ":100770,"å¼ķèµ·":100771,"çī¹çĤ¹":100772,"èĥ¶":100773,"å¹´è½»":100774,"æľ¬èº«":100775,"æľºåħ³":100776,"å®ĺæĸ¹":100777,"éĥij":100778,"æµĻ":100779,"è§Ĵèī²":100780,"èij£äºĭ":100781,"为主":100782,"æĹłè®º":100783,"ä¹łæĥ¯":100784,"æ¥ļ":100785,"æĭĵ":100786,"ç»Łè®¡":100787,"åħĦ":100788,"å¹¿æ³Ľ":100789,"åįĢ":100790,"污æŁĵ":100791,"è«ĭ":100792,"èĬĤ缮":100793,"伦":100794,"è¦ĨçĽĸ":100795,"èĢIJ":100796,"æī¶è´«":100797,"ç»ıåİĨ":100798,"éĩįè¦ģçļĦ":100799,"èĤ¡ä¸ľ":100800,"æĭĽèģĺ":100801,"åĽĽä¸ª":100802,"æĩī":100803,"èĥŀ":100804,"æijĨ":100805,"é«ĺéĢŁ":100806,"麦":100807,"åİŁåĪĻ":100808,"èݱ":100809,"æĽ´å¥½":100810,"éķľ":100811,"åĩĮ":100812,"åŀĥåľ¾":100813,"éĢ²":100814,"çģ°":100815,"éĵº":100816,"äºĭæķħ":100817,"çĶĺ":100818,"空æ°Ķ":100819,"é¾Ħ":100820,"èı²":100821,"çĵ¶":100822,"æĺ¨":100823,"æĹ¥æĬ¥":100824,"æµ®":100825,"åľ°åĽ¾":100826,"åijĪ":100827,"大åĬĽ":100828,"绪":100829,"å¸ħ":100830,"æľįåĭĻ":100831,"ä¸įéĶĻ":100832,"乡æĿij":100833,"å±¥":100834,"å¹³æĸ¹":100835,"éĹ²":100836,"æī£":100837,"ç´łè´¨":100838,"èµ´":100839,"éģŃ":100840,"èIJ¨":100841,"èĩªä¸»":100842,"éĩijå±ŀ":100843,"èī¯å¥½":100844,"两年":100845,"æ³¥":100846,"é¢ľ":100847,"精彩":100848,"ä¸Ńåįİ":100849,"æĻĭ":100850,"ä¹łè¿ij":100851,"ä¹łè¿ijå¹³":100852,"æĪĺ士":100853,"åģļçļĦ":100854,"éªij":100855,"æ»´":100856,"çĵľ":100857,"çīĪæĿĥ":100858,"èĤł":100859,"æľĥåĵ¡":100860,"çıį":100861,"種":100862,"仿":100863,"çī©ä¸ļ":100864,"åĢĭ人":100865,"妻":100866,"伸":100867,"æ±Ĺ":100868,"æĹº":100869,"çIJĨæĥ³":100870,"æij¸":100871,"è¿Ŀæ³ķ":100872,"å®Įæķ´":100873,"åݦ":100874,"è¸ı":100875,"æĸij":100876,"æ¡Ĥ":100877,"ä½ĵåĪ¶":100878,"師":100879,"æĿĨ":100880,"殿":100881,"æ¯ģ":100882,"é¦Ī":100883,"è§Ĵ度":100884,"欣":100885,"çĥ¦":100886,"èĤº":100887,"éĩĩ访":100888,"æijĺ":100889,"æĮ¡":100890,"æ·ĺ":100891,"åħ»èĢģ":100892,"çĤ¸":100893,"è¿Ī":100894,"åİī":100895,"åĿĬ":100896,"è¾£":100897,"åĩĿ":100898,"泪":100899,"çĸı":100900,"æİĺ":100901,"åĥıæĺ¯":100902,"éĽķ":100903,"ç¼Ŀ":100904,"èį·":100905,"æį·":100906,"åł¡":100907,"åı¥è¯Ŀ":100908,"çĸ¼":100909,"æłı":100910,"éģµ":100911,"碳":100912,"å·¥åķĨ":100913,"æIJº":100914,"åĪ¥":100915,"ä¹Ļ":100916,"æĹĭ":100917,"æĥľ":100918,"ä¸Ģ大":100919,"å±Ĥ次":100920,"èµĸ":100921,"æĬ¬":100922,"æ¨Ĥ":100923,"è¯ŀ":100924,"åħĴ":100925,"篮":100926,"èĤĥ":100927,"姿":100928,"æĬļ":100929,"çĵ·":100930,"çĶµåĬ¨":100931,"æĸ°åĨł":100932,"涵":100933,"ç¢ij":100934,"æ·®":100935,"æŨ":100936,"踪":100937,"æ¸Ķ":100938,"æĦĪ":100939,"åıĶ":100940,"åįĹçľģ":100941,"義":100942,"å§Ķ书记":100943,"貸":100944,"æ¶Į":100945,"è«ĸ":100946,"èIJĦ":100947,"æıı":100948,"忧":100949,"辦":100950,"å¦Ĩ":100951,"æīŃ":100952,"åijµ":100953,"éģ¥":100954,"許":100955,"ä»ĩ":100956,"åįģä¸ī":100957,"åī²":100958,"èªį":100959,"èĪ°":100960,"é¢ĩ":100961,"饱":100962,"çĭł":100963,"é«ĺçļĦ":100964,"çµ±":100965,"æħİ":100966,"é¢ģ":100967,"åIJĪéĢĤ":100968,"æµ´":100969,"èµĭ":100970,"æĬ¼":100971,"妥":100972,"éĻ¢éķ¿":100973,"èĢķ":100974,"辨":100975,"æħ°":100976,"åįģåĽĽ":100977,"æľµ":100978,"èĵĦ":100979,"æŀ¢":100980,"å»·":100981,"æĤĦ":100982,"涯":100983,"磩":100984,"åŃIJéĩĮ":100985,"çĬ¹":100986,"å±Ģéķ¿":100987,"éIJ":100988,"å¥ł":100989,"ä¼ļéķ¿":100990,"æĵļ":100991,"ä¸įåıĬ":100992,"åįģä¹Ŀ":100993,"欺":100994,"躺":100995,"éĺIJ":100996,"çºĮ":100997,"註":100998,"åĨĬ":100999,"èŃĺ":101000,"é«ĺçŃī":101001,"èħº":101002,"å¤ķ":101003,"ç»ij":101004,"åĶ¤":101005,"èķ´":101006,"çķľ":101007,"æħĭ":101008,"åıĻ":101009,"åıĥ":101010,"峡":101011,"人大":101012,"éħ¿":101013,"éģ©":101014,"奢":101015,"åı£æ°Ķ":101016,"éĮĦ":101017,"éı":101018,"åĭĺ":101019,"è´¿":101020,"éļª":101021,"éĭ":101022,"éļ¶":101023,"ð¥":101024,"ð¬£":101025,"ð£":101026,"ð«į":101027,"ð¬³":101028,"ð«ĵ":101029,"ð«Ħ":101030,"ð«Ł":101031,"ð¨±":101032,"äĹ":101033,"以åıĬ":101034,"æľīéĻIJ":101035,"åij¢":101036,"åIJĹ":101037,"çľĭåĪ°":101038,"计åĪĴ":101039,"è¿Ľåħ¥":101040,"缴æİ¥":101041,"åĪĨæŀIJ":101042,"åıªæľī":101043,"设å¤ĩ":101044,"åħ¶å®ŀ":101045,"åĬłå¼º":101046,"ä¸ŃçļĦ":101047,"ä¿Ŀéļľ":101048,"èĢģå¸Ī":101049,"人æīį":101050,"å¾ĹåĪ°":101051,"é£İéĻ©":101052,"ä¸Ģç§į":101053,"空éĹ´":101054,"æĪijåĽ½":101055,"ä¹ĭåīį":101056,"ä¸ĵ家":101057,"æĿ¨":101058,"æĹ¥æľ¬":101059,"群ä¼Ĺ":101060,"åıĤåĬł":101061,"æķĪæŀľ":101062,"æľīåħ³":101063,"家åºŃ":101064,"åĮºåŁŁ":101065,"åĬªåĬĽ":101066,"éļıçĿĢ":101067,"æĹłæ³ķ":101068,"交æµģ":101069,"è¡Į为":101070,"æ£ĢæŁ¥":101071,"æľŁéĹ´":101072,"å¦ĤæѤ":101073,"èĤ¡ä»½":101074,"å½ĵæŶ":101075,"è£ħå¤ĩ":101076,"åĩĨå¤ĩ":101077,"éħĴåºĹ":101078,"è¿IJåĬ¨":101079,"æıIJåĩº":101080,"å·¦åı³":101081,"æݪæĸ½":101082,"é£Łåĵģ":101083,"æ¶Īè´¹èĢħ":101084,"åѦéĻ¢":101085,"æĮĩ导":101086,"è¿IJèIJ¥":101087,"éĩį大":101088,"åĨľæĿij":101089,"éĢłæĪIJ":101090,"æĶ¿æ²»":101091,"éĴĪ对":101092,"æŃ£å¼ı":101093,"åıĸå¾Ĺ":101094,"éĤ£ä¸ª":101095,"éĽĨä¸Ń":101096,"åıªèĥ½":101097,"å¿«éĢŁ":101098,"身ä½ĵ":101099,"åħļåijĺ":101100,"èģĶåIJĪ":101101,"åĬĽéĩı":101102,"éĥ½æľī":101103,"æħ§":101104,"å¡Ķ":101105,"åĪ«äºº":101106,"表çİ°":101107,"æķħäºĭ":101108,"ä¸ĢåĪĩ":101109,"å°ĩ":101110,"èµĦæĸĻ":101111,"åŁ¹åħ»":101112,"éĺħ读":101113,"æľī人":101114,"èIJ¥éĶĢ":101115,"çĽijçĿ£":101116,"çݯä¿Ŀ":101117,"èĢĥèĻij":101118,"æ·±åľ³":101119,"严éĩį":101120,"èĮĥåĽ´":101121,"å§Ķåijĺ":101122,"çĽij管":101123,"ä¸ī个":101124,"è£ħä¿®":101125,"åħ¬éĩĮ":101126,"åĪĨåĪ«":101127,"çIJĨ解":101128,"飩":101129,"åĬłå·¥":101130,"è®¤çľŁ":101131,"ä¸į好":101132,"åݻ年":101133,"éĻįä½İ":101134,"æľºä¼ļ":101135,"åįıè®®":101136,"符åIJĪ":101137,"å¢ŀ强":101138,"æĬĢèĥ½":101139,"é¦ĸåħĪ":101140,"秦":101141,"ä¸ģ":101142,"å°¾":101143,"æľīäºĨ":101144,"åľ°äº§":101145,"æ¸ł":101146,"æĸ¹ä¾¿":101147,"移åĬ¨":101148,"éĢŁåº¦":101149,"å°¤åħ¶":101150,"éĢļçŁ¥":101151,"åĿĽ":101152,"éģ¿åħį":101153,"æģ¢":101154,"è´¡":101155,"èģĮå·¥":101156,"å®ŀåĬĽ":101157,"æĺ¯ä¸Ģç§į":101158,"åIJ¯åĬ¨":101159,"çĸ¾çĹħ":101160,"æĿ¥äºĨ":101161,"çĽ¸å¯¹":101162,"çİ°å®ŀ":101163,"èŀįåIJĪ":101164,"åIJĮæł·":101165,"åħ¬åijĬ":101166,"çī¹æ®Ĭ":101167,"ç´«":101168,"ä¸ĭåİ»":101169,"ä¼łæĴŃ":101170,"æľĢ好":101171,"ä¼ĺè´¨":101172,"æ²Ĵ":101173,"æĮº":101174,"æŦ":101175,"诺":101176,"ä¸ĢåIJį":101177,"éģĵè·¯":101178,"示èĮĥ":101179,"è¿ĩæĿ¥":101180,"åIJĮåѦ":101181,"é¼ĵ":101182,"æĿŃ":101183,"æľ¬æ¬¡":101184,"åIJĮæĦı":101185,"ä¸ĸ纪":101186,"ç¾Ĭ":101187,"欲":101188,"å·¥èīº":101189,"çĵ¦":101190,"人士":101191,"æľīæīĢ":101192,"ä»İäºĭ":101193,"æľīå¾Īå¤ļ":101194,"ä¸įäºĨ":101195,"å²Ĺä½į":101196,"åıĺå¾Ĺ":101197,"åĬ³åĬ¨":101198,"å¤Ħäºİ":101199,"å¹³åĿĩ":101200,"形象":101201,"å¡ŀ":101202,"åħ±äº«":101203,"çĿĽ":101204,"åĪ©æ¶¦":101205,"æŃ£æĺ¯":101206,"å¾Ģå¾Ģ":101207,"缸æ¯Ķ":101208,"横":101209,"åĪ·":101210,"æµĻæ±Ł":101211,"大éĥ¨åĪĨ":101212,"å¤ļ个":101213,"æĤ¨çļĦ":101214,"çĶµåķĨ":101215,"å¾®åįļ":101216,"å§ĭç»Ī":101217,"çĬ¯ç½ª":101218,"æĺ¯åľ¨":101219,"ç»ĦåIJĪ":101220,"åİŁæĿ¥":101221,"æ¸ħæ¥ļ":101222,"åIJĦåľ°":101223,"æĦŁåıĹ":101224,"å½ĵä¸Ń":101225,"è¶ĭåĬ¿":101226,"æĻ¯åĮº":101227,"羣æĺ¯":101228,"ä¾ĽåºĶ":101229,"转åŀĭ":101230,"çĭĤ":101231,"èĨľ":101232,"èĭĹ":101233,"å¿ł":101234,"å¾Ī大":101235,"èĤ¡æĿĥ":101236,"ç¾İåħĥ":101237,"æİĴåIJį":101238,"åĬ¨çī©":101239,"éĶħ":101240,"墨":101241,"主å¸Ń":101242,"å¾Ī好":101243,"ç»Ŀ对":101244,"æĿľ":101245,"转载":101246,"çĴĥ":101247,"æĿijæ°ij":101248,"åIJ¨":101249,"åĽŃåĮº":101250,"é«ĺ度":101251,"çī©è´¨":101252,"è¾ī":101253,"æĹ¥å¸¸":101254,"æıĴ":101255,"ä¸īå¹´":101256,"ä½ĵçİ°":101257,"æīįæĺ¯":101258,"代çIJĨ":101259,"ä¸į管":101260,"æģĴ":101261,"åľ°ä½į":101262,"ç²®":101263,"èĸĦ":101264,"æĺİçĻ½":101265,"ä¸Ģèĩ´":101266,"æĽ¼":101267,"åĵŃ":101268,"åĩ¤":101269,"åĬ²":101270,"æķĮ":101271,"æĪĺæĸĹ":101272,"主ä½ĵ":101273,"åħ¬å¸ĥ":101274,"åıĤèĢĥ":101275,"èĪªç©º":101276,"寺":101277,"åѦä¼ļ":101278,"åıįæĺł":101279,"ç¾İ丽":101280,"太éĺ³":101281,"建æĪIJ":101282,"æħ¢æħ¢":101283,"åIJĦ个":101284,"éĤ¦":101285,"ç»ĦæĪIJ":101286,"ä¸ī大":101287,"éĶ¦":101288,"大å¤ļæķ°":101289,"æ¦Ĥ念":101290,"éŃĤ":101291,"åħ¬çĽĬ":101292,"èįĴ":101293,"身份":101294,"æ·±åĪ»":101295,"åħ©":101296,"ç»ıåħ¸":101297,"åIJĦ项":101298,"èĻķ":101299,"è¿ĽæŃ¥":101300,"åįģäºĮ":101301,"æī§æ³ķ":101302,"æĥ³åĪ°":101303,"æĦŁæŁĵ":101304,"åķĨåĬ¡":101305,"å°ıç»Ħ":101306,"èĶ¬":101307,"çıŃåŃIJ":101308,"åIJĮå¿Ĺ":101309,"éĿ¢ä¸´":101310,"çĤĴ":101311,"å¤ļç§į":101312,"è§ĤçĤ¹":101313,"åĵªéĩĮ":101314,"å°Ŀ":101315,"å§Ĩ":101316,"èħ¹":101317,"åŁİåĮº":101318,"太å¤ļ":101319,"çĹħæ¯Ĵ":101320,"åľ¨äºİ":101321,"æīĢè°ĵ":101322,"æĻ°":101323,"æŀĿ":101324,"æĭĸ":101325,"å®ħ":101326,"æķ´æ²»":101327,"ä½ıæĪ¿":101328,"åģ·":101329,"çĨĬ":101330,"èµģ":101331,"æ°Ľ":101332,"æł¼å±Ģ":101333,"åŁºç¡Ģä¸Ĭ":101334,"èĥĨ":101335,"åħ½":101336,"鼶åĶ®":101337,"åĿ¡":101338,"女åŃ©":101339,"æĴŀ":101340,"åħ¨åĬĽ":101341,"åĴĸ":101342,"èĤ©":101343,"çľī":101344,"èĩ³äºİ":101345,"åħļç»Ħ":101346,"ä¸Ģ件":101347,"æĭĨ":101348,"äºĭå®ŀ":101349,"åĤ³":101350,"æ¹ĺ":101351,"網ç«Ļ":101352,"循çݯ":101353,"åIJĮæ¯Ķ":101354,"æĭĶ":101355,"åĮ»èį¯":101356,"åħ»æ®ĸ":101357,"åĽºå®ļ":101358,"å®ŀéĻħä¸Ĭ":101359,"è®°å¾Ĺ":101360,"åĪ©äºİ":101361,"æĤ¦":101362,"æĭ³":101363,"èĤĿ":101364,"æķĪçĽĬ":101365,"該":101366,"æ°ij主":101367,"çĹĩçĬ¶":101368,"風":101369,"å¹¼åĦ¿":101370,"å§ij":101371,"æĪĴ":101372,"ä¸ĭçļĦ":101373,"渡":101374,"å¹´åºķ":101375,"è®°å¿Ĩ":101376,"åIJIJ":101377,"大å¹ħ":101378,"å¾½":101379,"åħ¬ä¼Ĺ":101380,"ä¿¡å¿ĥ":101381,"çİĽ":101382,"ä¼ļä¸Ĭ":101383,"ä¹Ķ":101384,"æijĦå½±":101385,"æ£ĭçīĮ":101386,"éĻķ":101387,"åºĶæĢ¥":101388,"æĶ¶è´¹":101389,"æݧèĤ¡":101390,"仪å¼ı":101391,"çŀ¬":101392,"æīĢåľ¨":101393,"碰":101394,"å§ĵ":101395,"é¡Į":101396,"æĶ¯éĥ¨":101397,"使åij½":101398,"çĤī":101399,"å¯Ħ":101400,"翼":101401,"åľ°ä¸ĭ":101402,"è¾ŀ":101403,"俱":101404,"主æĮģ":101405,"è´§å¸ģ":101406,"æģ¨":101407,"èĤĮ":101408,"çĽĪ":101409,"éĶ»":101410,"å¿ĹæĦ¿":101411,"类似":101412,"æĮĸ":101413,"éĢ»":101414,"總":101415,"纪念":101416,"åķ¥":101417,"弯":101418,"åIJįåŃĹ":101419,"åģ¥èº«":101420,"çļĦå¿ĥ":101421,"驱":101422,"èĥĮåIJİ":101423,"æ³ķå¸Ī":101424,"ç²Ĵ":101425,"èĥ½éĩı":101426,"è¾°":101427,"èī³":101428,"å½¼":101429,"段æŶéĹ´":101430,"åIJĪæ³ķ":101431,"æĵ¦":101432,"ç¾½":101433,"åݨ":101434,"æĪij说":101435,"äºĭåĬ¡":101436,"åĩłå¤©":101437,"åħģ":101438,"ç¼´":101439,"åįĵ":101440,"两ç§į":101441,"çĭ¬çī¹":101442,"帶":101443,"éĴ»":101444,"æĥ©":101445,"é¢ĨåħĪ":101446,"è¶³å¤Ł":101447,"壳":101448,"æĦıåij³çĿĢ":101449,"åĪĨå¸ĥ":101450,"ä¹ĥ":101451,"éģĭ":101452,"佩":101453,"è°±":101454,"çģ£":101455,"èį¡":101456,"贯彻":101457,"å¹¾":101458,"ç£ģ":101459,"åħ¸åŀĭ":101460,"åīĩ":101461,"åĨ»":101462,"æ¬ł":101463,"ä¸įä¹ħ":101464,"浦":101465,"éŃħ":101466,"å¼ĢäºĨ":101467,"使çĶ¨èĢħ":101468,"è¿Ļ款":101469,"å°Ī":101470,"èĦ±è´«":101471,"æĶ»åĿļ":101472,"ç®Ĺæĺ¯":101473,"ç¨Ģ":101474,"æĹłäºº":101475,"åłµ":101476,"å¥ı":101477,"éĥ½å¸Ĥ":101478,"åı¯è§ģ":101479,"ä¸įåĩº":101480,"æ·»":101481,"äºı":101482,"ç¾İ好":101483,"èĥĸ":101484,"飵":101485,"æłĩå¿Ĺ":101486,"èĬĤèĥ½":101487,"æĬ«":101488,"å°º":101489,"寸":101490,"ä¸Ģ代":101491,"é¢Ĺ":101492,"èĢ¶":101493,"èĴ¸":101494,"åĸ®":101495,"滿":101496,"çĮľ":101497,"æµĨ":101498,"åŁĥ":101499,"åįĥä¸ĩ":101500,"èµĮ":101501,"èģ²":101502,"ä½ľé£İ":101503,"質":101504,"寨":101505,"年人":101506,"åį°è±¡":101507,"桶":101508,"æĴ¤":101509,"åįģäºĶ":101510,"æ¯ħ":101511,"沪":101512,"åĽ½æľī":101513,"大éĩıçļĦ":101514,"御":101515,"å¯ĵ":101516,"è¦ĸ":101517,"æ¼Ĥ亮":101518,"çľł":101519,"çĤŃ":101520,"é»İ":101521,"èĻ¹":101522,"åĪ©äºļ":101523,"èŃī":101524,"æµı":101525,"åįģåħ«":101526,"丢":101527,"è¾½":101528,"æľīä¸ĢäºĽ":101529,"æħĪ":101530,"åģľè½¦":101531,"å®ł":101532,"解æĶ¾":101533,"æľīå¤ļ":101534,"éĤĬ":101535,"常è§ģ":101536,"æĬ¹":101537,"纤":101538,"親":101539,"æ¡Ĩ":101540,"èİŀ":101541,"æ°§åĮĸ":101542,"è¿Ļ件":101543,"åĩ°":101544,"æŁ´":101545,"åıijçĶµ":101546,"é¼ł":101547,"转åĮĸ":101548,"å¨ĥ":101549,"æĮ¤":101550,"罩":101551,"å¯ĨåĪĩ":101552,"æĪijä¸į":101553,"é«ĺæĸ°":101554,"ä¸Ģç¯ĩ":101555,"è¿Ľç¨ĭ":101556,"è¡°":101557,"è¿ĺä¸į":101558,"çħĮ":101559,"æĸ°åįİ":101560,"èĤ¿":101561,"滩":101562,"ä¸Ģæµģ":101563,"è¯Ī":101564,"å®ŀä½ĵ":101565,"å¤ĸåĽ½":101566,"躲":101567,"èµł":101568,"覺":101569,"æ¢Ŀ":101570,"ä¸įè§ģ":101571,"è¨Ĭ":101572,"åĮ¹":101573,"åįµ":101574,"çĩ¥":101575,"æħķ":101576,"齿":101577,"å®´":101578,"饼":101579,"èij¡èIJĦ":101580,"å°ıå¿ĥ":101581,"æģ¼":101582,"éĻĮ":101583,"æĺĤ":101584,"åĥ¹":101585,"èĬĿ":101586,"æ¯ı个人":101587,"åīįæıIJ":101588,"ä½ĵä¼ļ":101589,"æ¨Ļ":101590,"æIJľçĭIJ":101591,"对åħ¶":101592,"丧":101593,"èľĤ":101594,"浸":101595,"調":101596,"åĿª":101597,"é¢ĸ":101598,"åIJį为":101599,"笼":101600,"èĪĮ":101601,"æľ¬ä¹¦":101602,"èģ¯":101603,"纺":101604,"ç®Ģ缴":101605,"éĽ¢":101606,"ç¾İçļĦ":101607,"éļ¨":101608,"é«ĺå³°":101609,"è¿Ļ家":101610,"åĤ¬":101611,"å°¸":101612,"ç¡ķ士":101613,"èŃ·":101614,"è°¨":101615,"æĺı":101616,"æĶ¿åįı":101617,"è¡Ķ":101618,"ç¿Ĵ":101619,"åľĴ":101620,"åĽ½æ°ij":101621,"主è§Ĵ":101622,"è£ķ":101623,"伪":101624,"åºŀ":101625,"æ°ijèIJ¥":101626,"æĥ§":101627,"ç§ĺ书":101628,"çĹķ":101629,"çĻ¾åĪĨ":101630,"溶":101631,"æĹłçĸij":101632,"çļĦçľ¼":101633,"æĵİ":101634,"ä¼Łå¤§":101635,"å½°":101636,"åħ¬å®īå±Ģ":101637,"ç³ķ":101638,"å¼¥":101639,"åĤĻ":101640,"ä¹¾":101641,"毫ä¸į":101642,"注æĺİ":101643,"åī¯æĢ»":101644,"æĦī":101645,"æķ¦":101646,"馨":101647,"æĶĢ":101648,"éĢĿ":101649,"åı¯éĿł":101650,"夸":101651,"åľĺ":101652,"éĿ¢ä¸Ĭ":101653,"æĬĸ":101654,"èĦĨ":101655,"é©°":101656,"ä¼IJ":101657,"妨":101658,"å®ļäºĨ":101659,"ç³Ĭ":101660,"æŃ¡":101661,"éĥ¨éķ¿":101662,"ç§ī":101663,"èĪĨ":101664,"åĪijäºĭ":101665,"åIJµ":101666,"æ¤Ĵ":101667,"è¡ĵ":101668,"豫":101669,"èı©":101670,"åѵ":101671,"饲":101672,"就好":101673,"åłª":101674,"ä¸īè§Ĵ":101675,"åľºæ¯ĶèµĽ":101676,"ä¸įåģľ":101677,"æĵħ":101678,"åħ¨æĸĩ":101679,"æ³ģ":101680,"åѦä½į":101681,"æ±°":101682,"éłĺ":101683,"åıł":101684,"éļĽ":101685,"å¸IJ":101686,"çľĭåĩº":101687,"åĮł":101688,"å±ĢéĿ¢":101689,"æ³Į":101690,"è°Ĭ":101691,"åIJĮæľŁ":101692,"æĬķæłĩ":101693,"奴":101694,"æĿ¥çľĭçľĭ":101695,"èĦ¾":101696,"èŀº":101697,"æŃī":101698,"çĽ¯":101699,"ç¨İåĬ¡":101700,"å»Ĭ":101701,"æİ©":101702,"æħ¨":101703,"çĽ¼":101704,"èĬĴ":101705,"è®Ģ":101706,"æĮ£":101707,"èĮħ":101708,"æĸ¥":101709,"æ¤ħ":101710,"åĪ°æĿ¥":101711,"èijĹä½ľ":101712,"çĭ±":101713,"äºĮæīĭ":101714,"ä»İæĿ¥":101715,"çĸ²":101716,"åºĬä¸Ĭ":101717,"æĸ°æµª":101718,"æ³Ħ":101719,"å¢ŀåĢ¼":101720,"丼":101721,"æļij":101722,"ä»İä¸ļ":101723,"æ·ĭ":101724,"å¤ļæł·":101725,"æľ´":101726,"份é¢Ŀ":101727,"æŀ£":101728,"西çľģ":101729,"æľ¬è´¨":101730,"深深":101731,"èīĩ":101732,"绵":101733,"产åĢ¼":101734,"æ¼ł":101735,"èħ»":101736,"çŃĽ":101737,"åİĮ":101738,"æģŃ":101739,"å«Įçĸij":101740,"æĪ¶":101741,"æ»ŀ":101742,"èĨĢ":101743,"åĬ£":101744,"座è°Ī":101745,"常æĢģ":101746,"çļĦæĥħ":101747,"覽":101748,"å¯Ĥ":101749,"åĮĨ":101750,"èĩº":101751,"顯":101752,"çķı":101753,"éģ£":101754,"åįľ":101755,"çŃīå¥ĸ":101756,"責":101757,"溯":101758,"éİ":101759,"çĤ¹å¤´":101760,"èĵ¬":101761,"決":101762,"éħ¬":101763,"éģĬ":101764,"è³¼":101765,"註åĨĬ":101766,"æľ¬æĬ¥":101767,"çµķ":101768,"æ´»æĢ§":101769,"åħij":101770,"éĮ¯":101771,"åĨ¶":101772,"åĸ»":101773,"æºĸ":101774,"èĤ¢":101775,"æºĥ":101776,"æŬ":101777,"åīĬ":101778,"çIJĨäºĭ":101779,"å±ł":101780,"沧":101781,"èļĢ":101782,"鼻åŃIJ":101783,"为æŃ¢":101784,"常å§Ķ":101785,"çµĤ":101786,"éĬ·":101787,"çĭĢ":101788,"ä¾£":101789,"èĥĢ":101790,"èŃ°":101791,"çĶ¨è½¦":101792,"åĻª":101793,"æŃ·":101794,"åįĶ":101795,"åĪ¹":101796,"ç«Łæĺ¯":101797,"é©Ĺ":101798,"èIJĿ":101799,"çĻ«":101800,"çĹ«":101801,"æѧ":101802,"å¼Ĭ":101803,"媽":101804,"çıĬ":101805,"è¡·":101806,"éľī":101807,"åŁºçĿ£":101808,"éļ±":101809,"æ°¨":101810,"绸":101811,"å°¼æĸ¯":101812,"çĥĺ":101813,"æľŁåĨħ":101814,"è°ħ":101815,"éĽĩ":101816,"éļĻ":101817,"åĸī":101818,"åī¥":101819,"çĹĺ":101820,"æĮ½":101821,"çĵ£":101822,"æ¹Ľ":101823,"樱":101824,"æ¾İ":101825,"æ¹ĥ":101826,"åĨ¬å¥¥":101827,"棵":101828,"å®°":101829,"åŀĴ":101830,"æ§ĭ":101831,"ä¾Ī":101832,"èĮĦ":101833,"åĺ¿":101834,"èıĩ":101835,"çĻĤ":101836,"åĬĥ":101837,"éį":101838,"èĶ½":101839,"çŀŃ":101840,"æķŀ":101841,"ä¹ĸ":101842,"飧":101843,"è¾ľ":101844,"æĩĪ":101845,"ä½£":101846,"çŀ»":101847,"åŁĶ":101848,"èĪħ":101849,"å®ŀäºĭ":101850,"é¨":101851,"姥":101852,"絡":101853,"åĺ»":101854,"çķ¢":101855,"æ²ĥå°Ķ":101856,"è¿Ħ":101857,"èĤĩ":101858,"æħij":101859,"ã§":101860,"äı":101861,"ðł":101862,"ð¬ĩ":101863,"ð«Ń":101864,"ð«IJ":101865,"ã³":101866,"©½":101867,"ð«ł":101868,"ãĽ":101869,"ð¬į":101870,"é¿":101871,"ð¬Ĵ":101872,"ãĻ":101873,"ð¬¤":101874,"ð¬´":101875,"ð«ĸ":101876,"ð¤":101877,"ã¬":101878,"ä²":101879,"ð«Ķ":101880,"ð«ļ":101881,"è¦ģæ±Ĥ":101882,"ä¸ĢäºĽ":101883,"å®ŀçİ°":101884,"èĢĮä¸Ķ":101885,"åĽłæѤ":101886,"çĶ±äºİ":101887,"åħ³äºİ":101888,"çĦ¶åIJİ":101889,"æݨåĬ¨":101890,"ä¸Ģæł·":101891,"æĮīçħ§":101892,"è¿Ļæł·çļĦ":101893,"å½¢æĪIJ":101894,"æľīäºĽ":101895,"æĽ´åĬł":101896,"ç»ıè¿ĩ":101897,"建议":101898,"æ²»çĸĹ":101899,"ä½łä»¬":101900,"æīįèĥ½":101901,"ä¿ĥè¿Ľ":101902,"åijĺå·¥":101903,"ä½ĵéªĮ":101904,"èĪĩ":101905,"åģļ好":101906,"ä¿Ŀè¯ģ":101907,"æķ´ä¸ª":101908,"æĺ¯ä¸Ģ个":101909,"éĩĩçĶ¨":101910,"çIJĨ论":101911,"æ¯Ķå¦Ĥ":101912,"ä¸ĬçļĦ":101913,"æݨèįIJ":101914,"çĶ³è¯·":101915,"天空":101916,"éĥ¨èIJ½":101917,"åįģåĪĨ":101918,"æĿ¥èĩª":101919,"ä¹ĭéĹ´":101920,"è°ĥæķ´":101921,"æ¯ı天":101922,"è°ĥæŁ¥":101923,"æĤ£èĢħ":101924,"è¿ĩç¨ĭä¸Ń":101925,"é¦Ļ港":101926,"广åijĬ":101927,"éĿ¢å¯¹":101928,"满足":101929,"éķ¿æľŁ":101930,"è§ĦèĮĥ":101931,"æķ´ä½ĵ":101932,"æĶ¹åıĺ":101933,"æĻºæħ§":101934,"å¦Īå¦Ī":101935,"å¦Ĥä»Ĭ":101936,"åIJĪåIJĮ":101937,"éĥ½ä¼ļ":101938,"åĦ¿ç«¥":101939,"åĩıå°ij":101940,"éŁ³ä¹IJ":101941,"ç»ı常":101942,"ä¸Ĭå¸Ĥ":101943,"ä¼ĺç§Ģ":101944,"çļĦéĩįè¦ģ":101945,"ä¸ĢæĿ¡":101946,"æµ·å¤ĸ":101947,"åı¦å¤ĸ":101948,"ä¸Ģ家":101949,"åİĭåĬĽ":101950,"大åŀĭ":101951,"çľĭçĿĢ":101952,"åĪĢ":101953,"幸ç¦ı":101954,"æݨ广":101955,"åIJĽ":101956,"å¾IJ":101957,"æī¾åĪ°":101958,"äºİæĺ¯":101959,"èĩªèº«":101960,"ä¸Ģä½į":101961,"åľŁåľ°":101962,"åĬłåħ¥":101963,"æݢ索":101964,"æ¢ģ":101965,"主åĬ¨":101966,"å°±ä¸ļ":101967,"女æĢ§":101968,"çªģçł´":101969,"ä¸įåIJĮçļĦ":101970,"è¿IJè¾ĵ":101971,"èĩªçĶ±":101972,"å±ħæ°ij":101973,"æŃ¤æ¬¡":101974,"çļĦæŶéĹ´":101975,"家éķ¿":101976,"ä¸Ģ个人":101977,"æ£Ģæµĭ":101978,"åĨħéĥ¨":101979,"广å·ŀ":101980,"缴æĴŃ":101981,"ä»İèĢĮ":101982,"贷款":101983,"åı¬å¼Ģ":101984,"æĶ¹éĢł":101985,"人çĶŁ":101986,"å±ķ示":101987,"æ¯ıå¹´":101988,"女人":101989,"çļĦæĸ¹å¼ı":101990,"æķĪçİĩ":101991,"å±±ä¸ľ":101992,"æ¸łéģĵ":101993,"ä¼¼ä¹İ":101994,"æ¡Ī件":101995,"åĪ©çĽĬ":101996,"çľĭçľĭ":101997,"å¿ĥéĩĮ":101998,"ç»´æĬ¤":101999,"å®Ŀå®Ŀ":102000,"ç½ijä¸Ĭ":102001,"论åĿĽ":102002,"å°±åı¯ä»¥":102003,"ä¸į足":102004,"æģ¢å¤į":102005,"å¸ĥå±Ģ":102006,"è´¡çĮ®":102007,"ä¸ĭéĻį":102008,"æİĮæı¡":102009,"çļ®èĤ¤":102010,"å·¥åħ·":102011,"éĩįåºĨ":102012,"åĵģè´¨":102013,"æݨåĩº":102014,"çĶ·äºº":102015,"æī¿æĭħ":102016,"çªģåĩº":102017,"èĢĮè¨Ģ":102018,"æ²Ł":102019,"åįıè°ĥ":102020,"æĺ¯ä»Ģä¹Ī":102021,"汤":102022,"æĴij":102023,"çĭ¬ç«ĭ":102024,"çݯèĬĤ":102025,"æī©å¤§":102026,"æ´ª":102027,"æĿ°":102028,"çĽIJ":102029,"ä»ģ":102030,"æ¶īåıĬ":102031,"èĢģ人":102032,"åį³ä½¿":102033,"åįĹ京":102034,"éħįåIJĪ":102035,"鬼":102036,"çĪ¶äº²":102037,"ç½Ĺæĸ¯":102038,"å°ıåĮº":102039,"æķĻæİĪ":102040,"åĨ³çŃĸ":102041,"é¢Ħ计":102042,"æľ¬äºº":102043,"伯":102044,"竹":102045,"åĪ°åºķ":102046,"å¸Ĥæ°ij":102047,"åĩºåı£":102048,"éĩĩè´Ń":102049,"æĢ»ç»ĵ":102050,"æѦæ±ī":102051,"åĬłå¤§":102052,"å¹¿ä¸ľ":102053,"æµģç¨ĭ":102054,"人åı£":102055,"å¦Ĥæŀľä½ł":102056,"åĩºåİ»":102057,"åĩī":102058,"åĨľæ°ij":102059,"çݰ象":102060,"åĬĽåº¦":102061,"ç»ĻäºĪ":102062,"åħļå§Ķ":102063,"è¯Ńè¨Ģ":102064,"线ä¸Ĭ":102065,"æĢİæł·":102066,"åĦ¿åŃIJ":102067,"ç¡®å®ŀ":102068,"ä¹ĭå¤ĸ":102069,"éĥ½åľ¨":102070,"èī¾":102071,"çļĦæĥħåĨµ":102072,"éĩĮçļĦ":102073,"åĽ´ç»ķ":102074,"æĽ´å¤ļçļĦ":102075,"ä¾Ŀæ³ķ":102076,"åħ¬åĽŃ":102077,"家éĩĮ":102078,"æ¯į亲":102079,"ä¸įåĨį":102080,"èĭ¹":102081,"æ³ķéĻ¢":102082,"éŁ©åĽ½":102083,"缸å½ĵ":102084,"ä¸įçŁ¥":102085,"è¯Ħä¼°":102086,"ä¸įçĶ¨":102087,"顺åĪ©":102088,"éĩįè§Ĩ":102089,"è´¢åĬ¡":102090,"ä»ĸåĢij":102091,"åıijè¡Į":102092,"ä¸ĵéŨ":102093,"åħ·å¤ĩ":102094,"并ä¸įæĺ¯":102095,"足çIJĥ":102096,"éŀĭ":102097,"åıij表":102098,"æ°¸è¿ľ":102099,"èIJ¥åħ»":102100,"éħįå¥Ĺ":102101,"æķ´åIJĪ":102102,"è´º":102103,"åĽŀçŃĶ":102104,"æĶ¶çĽĬ":102105,"ä¹Łè®¸":102106,"è»Ĭ":102107,"æݥ触":102108,"æĶ»åĩ»":102109,"åĽĽå·Ŀ":102110,"æĢ§èĥ½":102111,"åĽŀåĪ°":102112,"èħ°":102113,"ä¹Łæ²¡æľī":102114,"å¼Ħ":102115,"设ç«ĭ":102116,"éĺ²æݧ":102117,"æĬĢå·§":102118,"éĢļ常":102119,"è´¢æĶ¿":102120,"éĥ¨ç½²":102121,"åľºæĻ¯":102122,"æ±Łèĭı":102123,"表达":102124,"åĸ·":102125,"女åĦ¿":102126,"èĪ¶":102127,"給":102128,"ä¼ļåijĺ":102129,"æĪĸ许":102130,"亩":102131,"举æĸ¹":102132,"天津":102133,"è¿ijå¹´":102134,"çľĭæĿ¥":102135,"æ¯Ķä¾ĭ":102136,"岩":102137,"éĵľ":102138,"çİ»":102139,"å®ŀéªĮ":102140,"æĢĿç»´":102141,"æĭħå¿ĥ":102142,"æ²Ī":102143,"身边":102144,"æ·±åĮĸ":102145,"ç²¾åĩĨ":102146,"ç§ģæľį":102147,"æ¶Īéĺ²":102148,"åİ»äºĨ":102149,"ç»Ĩèĥŀ":102150,"çIJĥéĺŁ":102151,"æĺİæĺŁ":102152,"é£Łçī©":102153,"å¾Īå¿«":102154,"è®©ä½ł":102155,"ä¿¡çĶ¨":102156,"åĶ¯ä¸Ģ":102157,"åħ¶å®ĥ":102158,"çŃīæĸ¹éĿ¢":102159,"å¾ĭå¸Ī":102160,"æŃ»äº¡":102161,"æŁ³":102162,"ä¸Ģæī¹":102163,"ä¸Ĭ涨":102164,"æľºåľº":102165,"å½¢åĬ¿":102166,"æĦ¿æĦı":102167,"éĽĨä½ĵ":102168,"æĸ°åŀĭ":102169,"æįŁå¤±":102170,"æĽ¸":102171,"ä¸ĭåįĪ":102172,"æ¯ı次":102173,"æĪIJå°±":102174,"åħ¬è·¯":102175,"èĻ«":102176,"åĴ±":102177,"西å®ī":102178,"æľĢä½³":102179,"ç§ijçłĶ":102180,"å¤įæĿĤ":102181,"æľºåĻ¨":102182,"çĪ±æĥħ":102183,"çħ§çīĩ":102184,"å¹´é¾Ħ":102185,"è³ĩæĸĻ":102186,"ç²Ĺ":102187,"åĩĨç¡®":102188,"åĬłä¸Ĭ":102189,"åĩºçīĪ":102190,"è°IJ":102191,"家å±ħ":102192,"èĥĮæĻ¯":102193,"ä¸Ģ线":102194,"äºĭ项":102195,"åĬ¨ä½ľ":102196,"祥":102197,"æĢ»ä½ĵ":102198,"æĪ¿åŃIJ":102199,"ä¹Łå°±æĺ¯":102200,"大æ¦Ĥ":102201,"é«ĺæķĪ":102202,"åIJ¹":102203,"æİĪæĿĥ":102204,"éĻĦè¿ij":102205,"æ¡Īä¾ĭ":102206,"éĹ¹":102207,"çĪ¸çĪ¸":102208,"彩票":102209,"æĢĴ":102210,"举æĬ¥":102211,"æĻ®éģį":102212,"çķĻä¸ĭ":102213,"è¡£æľį":102214,"æĹłè®ºæĺ¯":102215,"åħħ满":102216,"深度":102217,"æ¡ij":102218,"æĪªèĩ³":102219,"带æĿ¥çļĦ":102220,"éĻµ":102221,"æĦŁæĥħ":102222,"èµļ":102223,"åĵªäºĽ":102224,"æķ´æĶ¹":102225,"æĪIJçĨŁ":102226,"å¨ľ":102227,"é¼»":102228,"磼":102229,"çĽ¾":102230,"好好":102231,"ç¬¬åĽĽ":102232,"åĨłåĨĽ":102233,"è´¢å¯Į":102234,"æľĢ好çļĦ":102235,"车åŀĭ":102236,"éĸĢ":102237,"åį³å°Ĩ":102238,"åĪĨ为":102239,"éĿĴå²Ľ":102240,"纷纷":102241,"ä»ĬæĹ¥":102242,"平衡":102243,"å¹³æĸ¹ç±³":102244,"éĤ£ç§į":102245,"åĩºçĶŁ":102246,"éĿĴæĺ¥":102247,"人群":102248,"人工":102249,"ä¹ĭä¸ĭ":102250,"æ¹ĸåĮĹ":102251,"åľ¨æѤ":102252,"åįļ士":102253,"æŶåĪ»":102254,"æ²³åĮĹ":102255,"æĶ¾å¼ĥ":102256,"éĢļéģĵ":102257,"森æŀĹ":102258,"çĸĨ":102259,"æķ¸":102260,"èĬ³":102261,"æīĵåĩ»":102262,"æĽ¹":102263,"åĮĸåѦ":102264,"æĥ³è±¡":102265,"ä¸ĩ人":102266,"è´¢ç»ı":102267,"åħĥç´ł":102268,"ä¼ļ计":102269,"åħ¨ä½ĵ":102270,"æĦĽ":102271,"é«ĺä¸Ń":102272,"æľºéģĩ":102273,"å£°éŁ³":102274,"æĹħè¡Į":102275,"浩":102276,"æŁ±":102277,"å°ijå¹´":102278,"åĽ½å¤ĸ":102279,"èijĹåIJį":102280,"çĶŁåŃĺ":102281,"å§ľ":102282,"带é¢Ĩ":102283,"é¢ľèī²":102284,"ä¸Ĭä¸ĭ":102285,"产ä¸ļéĵ¾":102286,"æĽ´å¥½çļĦ":102287,"å²Ń":102288,"ä¼ĺæĥł":102289,"便æĺ¯":102290,"åħ§å®¹":102291,"ä¸Ģåıª":102292,"çIJ´":102293,"梦æĥ³":102294,"秣èµģ":102295,"å¼ĢåIJ¯":102296,"è´Ńçī©":102297,"åĮħåIJ«":102298,"åĪ©çİĩ":102299,"èµ·äºĨ":102300,"æľīåĬĽ":102301,"éĤ£éĩĮ":102302,"审æī¹":102303,"对æīĭ":102304,"çİ°éĩij":102305,"天çĦ¶":102306,"çĽĴ":102307,"çĪ½":102308,"å¿ħçĦ¶":102309,"åĮĸå·¥":102310,"ä¸ĵåĪ©":102311,"åķ¡":102312,"å¼Ģå¿ĥ":102313,"人ä½ĵ":102314,"éģĵ士":102315,"æĢģ度":102316,"空è°ĥ":102317,"æĭĽåķĨ":102318,"姻":102319,"第äºĶ":102320,"æ£Ĵ":102321,"ä¸Ģç³»åĪĹ":102322,"åį±æľº":102323,"转åıĺ":102324,"åľºæīĢ":102325,"鸣":102326,"æĪ¿éĹ´":102327,"éĢ¼":102328,"è¯ķçĤ¹":102329,"对å¤ĸ":102330,"åĩºåı°":102331,"åľ¨è¿Ļ":102332,"åİĤ家":102333,"巨大":102334,"ç®Ģä»ĭ":102335,"çľĭäºĨ":102336,"åħļ建":102337,"æĮĩæĮ¥":102338,"çŁ³æ²¹":102339,"ä¸įåı¯èĥ½":102340,"èݲ":102341,"ä¸į太":102342,"åĪĽæĦı":102343,"第ä¸Ģ个":102344,"è´µå·ŀ":102345,"è¿ĩäºĨ":102346,"æľ¬æĿ¥":102347,"éģĵå¾·":102348,"çŃĶæ¡Ī":102349,"éĻ¶":102350,"ä¸Ģè·¯":102351,"èĤĸ":102352,"æ¸ħæ´ģ":102353,"æľīæľº":102354,"åIJįåįķ":102355,"æĿ±":102356,"åij¼åIJ¸":102357,"ä¸Ī":102358,"ç¦ı建":102359,"è¯ķéªĮ":102360,"å¼ķåıij":102361,"ä¹Łæ²¡":102362,"ä¸įä½ı":102363,"çĨŁæĤī":102364,"èIJ¬":102365,"ä¸įèī¯":102366,"çłĸ":102367,"èĩ´åĬĽ":102368,"çŃ¾è®¢":102369,"åIJĬ":102370,"侯":102371,"çĺ¦":102372,"å§ijå¨ĺ":102373,"æĸ¤":102374,"妻åŃIJ":102375,"æĺ¥èĬĤ":102376,"çĪ¬":102377,"æĽĿ":102378,"çĥŃæĥħ":102379,"éķ¿æ²Ļ":102380,"èIJ¥éĢł":102381,"éħ·":102382,"éĵĿ":102383,"åŁºæľ¬ä¸Ĭ":102384,"åij¨åĽ´":102385,"ä»Ģ麼":102386,"认åı¯":102387,"åĪĨåŃIJ":102388,"ä¸Ģæĸ¹éĿ¢":102389,"è½´":102390,"å¼·":102391,"马ä¸Ĭ":102392,"éĽ¾":102393,"èĩ£":102394,"å°¿":102395,"çĶŁæĦı":102396,"å®īå¾½":102397,"ç¥ŀç»ı":102398,"åĩºå¸Ń":102399,"èį¯åĵģ":102400,"çIJĨçĶ±":102401,"åįıåIJĮ":102402,"æµģåĬ¨":102403,"åıijåĬ¨":102404,"åĿļå®ļ":102405,"表æĺİ":102406,"åIJİéĿ¢":102407,"ä¹īåĬ¡":102408,"å¦ĸ":102409,"æľīåı¯èĥ½":102410,"年轻人":102411,"大éĻĨ":102412,"å²³":102413,"ä¸įèµ·":102414,"çŀ¬éĹ´":102415,"ä¸įå¾Ĺä¸į":102416,"çŃ¾çº¦":102417,"åIJĪæł¼":102418,"åħļæĶ¯éĥ¨":102419,"æµİåįĹ":102420,"便åĪ©":102421,"éļıæŶ":102422,"å¥ī":102423,"称为":102424,"产æĿĥ":102425,"åIJķ":102426,"çĽĨ":102427,"课åłĤ":102428,"ç·ļ":102429,"æ£ī":102430,"线ä¸ĭ":102431,"èĩªè¡Į":102432,"举æݪ":102433,"åݦéŨ":102434,"èĩªä¿¡":102435,"å½±è§Ĩ":102436,"ä»Ķ":102437,"çĶŁæ´»ä¸Ń":102438,"æĿĥçĽĬ":102439,"çĻ½èī²":102440,"å°±ä¸į":102441,"è¿Ľå±ķ":102442,"æ¯ıæĹ¥":102443,"ä¾Ľç»Ļ":102444,"æĿĥåĪ©":102445,"æĹłæķ°":102446,"çIJĨè´¢":102447,"ä¾Ŀæŧ":102448,"ä¸ĬåįĪ":102449,"è¯ĨåĪ«":102450,"çĽĪåĪ©":102451,"çłĤ":102452,"许åı¯":102453,"åIJĮäºĭ":102454,"åĺĽ":102455,"éģ¸":102456,"çĿĢåĬĽ":102457,"éŨåı£":102458,"ä¸įå¤ļ":102459,"åħ¶æ¬¡":102460,"碧":102461,"çī©çIJĨ":102462,"åĨħå¿ĥ":102463,"çĻ¾å§ĵ":102464,"æĢ»ç»Ł":102465,"å¹²åĩĢ":102466,"积累":102467,"åıįé¦Ī":102468,"æłijç«ĭ":102469,"社交":102470,"秩":102471,"åįģä¸Ģ":102472,"éĤĵ":102473,"驱åĬ¨":102474,"å±ķè§Ī":102475,"èĪĴéĢĤ":102476,"åŁºåĽł":102477,"å·®å¼Ĥ":102478,"转让":102479,"å°ıå§IJ":102480,"æł·åŃIJ":102481,"ç¿Ķ":102482,"é«ĺåħ´":102483,"å½±åĵįåĬĽ":102484,"æīĭç»Ń":102485,"缸åIJĮ":102486,"缸åºĶ":102487,"æĻĴ":102488,"è§Ģ":102489,"å¸Ĥå§Ķ":102490,"èĬ¯":102491,"å±ķçİ°":102492,"åľ°çIJĥ":102493,"éĤª":102494,"ä¸Ģå®ļçļĦ":102495,"åħģ许":102496,"ä¿¡ä»»":102497,"æīij":102498,"éĻ¢æł¡":102499,"ç®Ģ称":102500,"åģļæ³ķ":102501,"ä¹ĭè·¯":102502,"æĹĹä¸ĭ":102503,"èħĶ":102504,"æ¶Ī失":102505,"ä¸ĸçķĮä¸Ĭ":102506,"åŁİ乡":102507,"èĪŀåı°":102508,"å¾Ī大çļĦ":102509,"绣çŃ¹":102510,"åħ¬å¹³":102511,"èĤ¾":102512,"çļĦ好":102513,"æ±ģ":102514,"çľ¼åīį":102515,"éĽ£":102516,"å¹½":102517,"åħ±äº§":102518,"主åĬŀ":102519,"å¤Ħç½ļ":102520,"åºĻ":102521,"éģĵçIJĨ":102522,"å¼µ":102523,"æİ¥çĿĢ":102524,"çĮİ":102525,"çģĮ":102526,"çĶ±æѤ":102527,"人åĬĽ":102528,"æµģè¡Į":102529,"ä¾ł":102530,"åı¯ä»¥è¯´":102531,"èĴĭ":102532,"å½¢æĢģ":102533,"æĹ¥åŃIJ":102534,"æ¼Ĩ":102535,"çķĻåѦ":102536,"缸éĹľ":102537,"æľĢå¤ļ":102538,"åĩŃåĢŁ":102539,"åħ¬äº¤":102540,"æĮĸæİĺ":102541,"æĿĤå¿Ĺ":102542,"主人":102543,"éļľç¢į":102544,"æł¡éķ¿":102545,"æĸ¹ä½į":102546,"ä¸ĬçıŃ":102547,"å¤ļåħĥ":102548,"èĥģ":102549,"éŃħåĬĽ":102550,"èĮĤ":102551,"åħħçĶµ":102552,"强大":102553,"çĥ¤":102554,"å¥ĭæĸĹ":102555,"å®ŀçĶ¨":102556,"éĺģ":102557,"ç»ĻäºĨ":102558,"æľ¬ç§ij":102559,"æłĭ":102560,"æĭ¨":102561,"æķĻç»ĥ":102562,"éĥ½çŁ¥éģĵ":102563,"æ¯ķä¸ļçĶŁ":102564,"ç¢Ĺ":102565,"åŀĤ":102566,"讼":102567,"å®ģæ³¢":102568,"åѦèĢħ":102569,"谢谢":102570,"åŁİéķĩ":102571,"æĢİä¹ĪåĬŀ":102572,"éģĶ":102573,"æĪIJ交":102574,"æ½ľåĬĽ":102575,"åį§":102576,"æĸ°å¼Ģ":102577,"éħįå¤ĩ":102578,"主åĬĽ":102579,"åij³éģĵ":102580,"çĥĤ":102581,"é£ŀè¡Į":102582,"å«ģ":102583,"大大":102584,"ç»Ļ大家":102585,"å¤ĸéĿ¢":102586,"éĨī":102587,"åıijè¨Ģ":102588,"æĹ©é¤IJ":102589,"åIJĦèĩª":102590,"å®Ļ":102591,"èį£èªī":102592,"æĬ«éľ²":102593,"é¡ŀ":102594,"åĨħçļĦ":102595,"èĤª":102596,"è¾IJ":102597,"æ³µ":102598,"æĬĽ":102599,"æĺŁæľŁ":102600,"ä¸Ģ带":102601,"çĶŁç´ł":102602,"ç»ıéĶĢ":102603,"åĩ¶":102604,"åľ°ä¸Ĭ":102605,"åij½è¿IJ":102606,"åĵ²":102607,"ä¸Ĭåİ»":102608,"æĸĩçī©":102609,"è¯ij":102610,"æĮ¯åħ´":102611,"éķ¿æŶéĹ´":102612,"ç¥Ń":102613,"åIJĪèĤ¥":102614,"è¿Ŀè§Ħ":102615,"èģª":102616,"ä½İäºİ":102617,"éĢĤå½ĵ":102618,"æľīåºı":102619,"æľ¬ç½ij":102620,"çķĻè¨Ģ":102621,"æĥ³æ³ķ":102622,"çŃ¾ç½²":102623,"å§ļ":102624,"æĢ§æł¼":102625,"èĴĻåı¤":102626,"æŁı":102627,"åŀ«":102628,"åѦåİĨ":102629,"ä»ħä»ħ":102630,"讲è¯Ŀ":102631,"éĶIJ":102632,"æĢĸ":102633,"åīª":102634,"èĭį":102635,"åIJĵ":102636,"强çĥĪ":102637,"åģ¥åħ¨":102638,"çĸ¯":102639,"åı¤ä»£":102640,"å¥Ī":102641,"ä¸įçĦ¶":102642,"乡éķĩ":102643,"æľĭåıĭ们":102644,"åĤħ":102645,"èģ½":102646,"个æĢ§":102647,"æ³ķè§Ħ":102648,"å°ıéķĩ":102649,"çĶ»éĿ¢":102650,"第åħŃ":102651,"網路":102652,"åīįæĻ¯":102653,"åIJ¬è¯´":102654,"ä¼łåªĴ":102655,"æĿ¡ä¾ĭ":102656,"åĪ«çļĦ":102657,"ä¸įæĩĤ":102658,"顾éĹ®":102659,"强度":102660,"éĺ¿éĩĮ":102661,"èµ°åĬ¿":102662,"帽":102663,"çļĦç¡®":102664,"åĮºåĪ«":102665,"éĮ¢":102666,"主管":102667,"ä¸Ģçľĭ":102668,"æĸľ":102669,"åŃĺåľ¨çļĦ":102670,"仲":102671,"åį±å®³":102672,"éĵŃ":102673,"游æĪıä¸Ń":102674,"éħ±":102675,"é¾Ļ头":102676,"人å¿ĥ":102677,"éĢĢä¼ij":102678,"æµıè§Ī":102679,"åĬ«":102680,"éĺ²æ²»":102681,"ç®Ń":102682,"å±Ī":102683,"è¾½å®ģ":102684,"壤":102685,"è¿İæĿ¥":102686,"éŀį":102687,"çĶ¨æĿ¥":102688,"å¤§åľ°":102689,"ä»°":102690,"éĢļ讯":102691,"å¼Ģå·¥":102692,"裤":102693,"å¦ĤåIJĮ":102694,"骤":102695,"éĺŁåijĺ":102696,"轩":102697,"ç¾İæľ¯":102698,"èĻŁ":102699,"åIJĮä¸Ģ":102700,"åľĸ":102701,"书æ³ķ":102702,"æīĵåį°":102703,"åIJ«æľī":102704,"éĽĨæĪIJ":102705,"éĹ·":102706,"å¸Ĥåľºä¸Ĭ":102707,"æĹģè¾¹":102708,"åľ°æĿ¿":102709,"产çĶŁçļĦ":102710,"粤":102711,"éĩįç»Ħ":102712,"è¡Ģ液":102713,"çŃĭ":102714,"åĬŀäºĭ":102715,"常è§ģçļĦ":102716,"ä¸ĬåįĬå¹´":102717,"å±ıå¹ķ":102718,"åIJīæŀĹ":102719,"å·©":102720,"åĸľçĪ±":102721,"ç¿ł":102722,"ä¸īç§į":102723,"æ¡Ĩæŀ¶":102724,"举èİŀ":102725,"çĶĺèĤĥ":102726,"èĬ¬":102727,"åĽ¾ä¹¦":102728,"åĩ¤åĩ°":102729,"æ°ĶåĢĻ":102730,"å°´":102731,"å°¬":102732,"两天":102733,"è¾ħ导":102734,"åĢŁæ¬¾":102735,"æĹ¥èµ·":102736,"æ´Ĵ":102737,"ä¸Ģ度":102738,"è¹Ī":102739,"æ½Ń":102740,"æīĩ":102741,"çĻľ":102742,"æĸ°åħ´":102743,"åĤ²":102744,"诸å¤ļ":102745,"è´ª":102746,"éĻ·åħ¥":102747,"èĪŁ":102748,"èĤºçĤİ":102749,"ä¸Ģæł·çļĦ":102750,"åİĺ":102751,"åľ°çIJĨ":102752,"æĬķ注":102753,"éļĬ":102754,"åħīä¼ı":102755,"ä¿Ŀåģ¥":102756,"åħĶ":102757,"åħ¬åĬ¡":102758,"æīĵçł´":102759,"çĶ·åŃ©":102760,"åĬ³åĬ¡":102761,"ä½łä¼ļ":102762,"çĶ¨åľ°":102763,"溢":102764,"åıijè¾¾":102765,"èĤļ":102766,"è¿ĩäºİ":102767,"èĩĤ":102768,"éĢĻ樣":102769,"轻轻":102770,"ä¸Ńåħ±":102771,"åIJĦåĽ½":102772,"åĶĩ":102773,"å®ŀä¹ł":102774,"èĻ¾":102775,"槽":102776,"ä¸įä¸Ĭ":102777,"åħįçĸ«":102778,"åįłæį®":102779,"å·¥ä¼ļ":102780,"åĽĬ":102781,"èĪªå¤©":102782,"åı¯çĪ±":102783,"æĸĹäºī":102784,"çĺ¤":102785,"å¦Ĥæľī":102786,"éĽĸ":102787,"对æĪij":102788,"åĩºç§Ł":102789,"好çľĭ":102790,"太大":102791,"æ°´åĪ©":102792,"åĬ¿åĬĽ":102793,"åħ¨æ°ij":102794,"ç½¢":102795,"èµ¢å¾Ĺ":102796,"çĶµä¿¡":102797,"车éĹ´":102798,"æĻĤåĢĻ":102799,"å°ijæķ°":102800,"éĵ¸":102801,"åħ³èģĶ":102802,"ä¸įä»ħä»ħ":102803,"为æĤ¨":102804,"åĴ¸":102805,"æľºåĬ¨":102806,"è£Ļ":102807,"åĵįåºĶ":102808,"éģł":102809,"è²·":102810,"ç©´":102811,"å¢ħ":102812,"éĶ¡":102813,"çµĦ":102814,"çģ«è½¦":102815,"è³ĩè¨Ĭ":102816,"åĨ³èµĽ":102817,"污水":102818,"èªŀ":102819,"å´Ľ":102820,"ç´§å¯Ĩ":102821,"缺å°ij":102822,"å¤ļ人":102823,"æĢ»ä¹¦è®°":102824,"éĶĪ":102825,"èijĽ":102826,"å¿ĺè®°":102827,"éĻĮçĶŁ":102828,"éķ¿å¤§":102829,"åħĪè¿ĽçļĦ":102830,"ç¡ħ":102831,"åıijæĺİ":102832,"å©´åĦ¿":102833,"æīİå®ŀ":102834,"èĽĭçĻ½":102835,"ä¸ĢçĻ¾":102836,"缮åħī":102837,"æħĮ":102838,"åĬłæ²¹":102839,"åIJŀ":102840,"ä¸Ģ群":102841,"ä¸Ńä»ĭ":102842,"å¸ĸ":102843,"å¿Į":102844,"èģĮèĥ½":102845,"广æĴŃ":102846,"çĽijå¯Ł":102847,"ç§ĺå¯Ĩ":102848,"çĭ®":102849,"è¿ĻæĿ¡":102850,"éĢ¢":102851,"æĢ¨":102852,"åįģåħŃ":102853,"試":102854,"说åĪ°":102855,"åĩĿèģļ":102856,"æĮĩ示":102857,"æ°¢":102858,"å¼ĺ":102859,"éĺĢ":102860,"æĸ©":102861,"éłħ":102862,"ä¸Ģå¼Ģå§ĭ":102863,"æİĴè¡Į":102864,"åľ¨æĪij":102865,"纪å½ķ":102866,"æĬĦ":102867,"æłª":102868,"说æ³ķ":102869,"ä¸Ńèį¯":102870,"好å¤ļ":102871,"åıªä¸įè¿ĩ":102872,"çķĻåľ¨":102873,"个å°ıæŶ":102874,"è®¤çŁ¥":102875,"çķ«":102876,"è§ģè¿ĩ":102877,"å°ıå¾®":102878,"ä½Ľå±±":102879,"çľ¾":102880,"讲述":102881,"梳":102882,"称åı·":102883,"æĹ¥æĻļ":102884,"è¢ĸ":102885,"åķ¤":102886,"æľªç»ı":102887,"æľĢæĹ©":102888,"æī®æ¼Ķ":102889,"è¡Ģ管":102890,"纱":102891,"æĥħèĬĤ":102892,"第ä¸ĥ":102893,"æį§":102894,"ä»Ĺ":102895,"æ¿ĢçĥĪ":102896,"æĹłçº¿":102897,"ä¸į容æĺĵ":102898,"å¼Ģå¹ķ":102899,"æĸ°çĶŁ":102900,"ä¸ĵ注":102901,"èij±":102902,"åįĹæµ·":102903,"çĩŁ":102904,"èµ·ä¾Ĩ":102905,"æ´¾åĩº":102906,"åĦĴ":102907,"侨":102908,"è¼ĥ":102909,"åįļè§Ī":102910,"éĢ¾":102911,"åĮĢ":102912,"ç»ıæµİåѦ":102913,"æ¸Ĺ":102914,"ä¿ĿèŃ·":102915,"çīº":102916,"çī²":102917,"çİ«":102918,"çij°":102919,"æľĢåIJİä¸Ģ":102920,"æĶ¿åĬ¡":102921,"æ§Ľ":102922,"èĻķçIJĨ":102923,"éļIJæĤ£":102924,"æī¿åĮħ":102925,"極":102926,"æ¡©":102927,"çĽ²":102928,"导åIJij":102929,"èĩ´å¯Į":102930,"ç¼Ĩ":102931,"æģĭçĪ±":102932,"ä¸įåĬ¨":102933,"ç»Ļ人":102934,"å·¢":102935,"表æĥħ":102936,"举åįĹ":102937,"åĨħå¤ĸ":102938,"è¾ĪåŃIJ":102939,"åıī":102940,"åįļä¼ļ":102941,"åĬŁæķĪ":102942,"渴":102943,"屬":102944,"æİĴéĻ¤":102945,"éĢĽ":102946,"ä¸Ģä¼ļ":102947,"ä¸įå¼Ģ":102948,"å¼Ģå¥ĸ":102949,"é»ijé¾Ļ":102950,"é»ijé¾Ļæ±Ł":102951,"å¿«ä¸ī":102952,"度åģĩ":102953,"åĿ¤":102954,"éĤ®ä»¶":102955,"æĩĴ":102956,"ä¾ĽçĶµ":102957,"廣":102958,"好è¯Ħ":102959,"ç§ĺ书éķ¿":102960,"æĪĺåľº":102961,"好å¥ĩ":102962,"ä¾µæĿĥ":102963,"æĨ¾":102964,"æľĢåĪĿ":102965,"æī¹åıij":102966,"åİķ":102967,"è¼ķ":102968,"æŀ¯":102969,"ä¸ļåĨħ":102970,"è´ŃæĪ¿":102971,"ä¸įåľ¨":102972,"纪å§Ķ":102973,"æīĢéľĢ":102974,"å¸Ĥéķ¿":102975,"è³½":102976,"å¼ķæĵİ":102977,"çģµéŃĤ":102978,"éĬĢ":102979,"滤":102980,"çĿIJ":102981,"å¤ļ项":102982,"åĽŀ头":102983,"èīĺ":102984,"å¤įå·¥":102985,"éĥ¨ä»¶":102986,"紧紧":102987,"æŁIJç§į":102988,"使åħ¶":102989,"æĸ°äºº":102990,"æŀļ":102991,"æ³ķå®ļ":102992,"å·´å·´":102993,"涵çĽĸ":102994,"稻":102995,"æĭ¾":102996,"æĻķ":102997,"轿":102998,"éĢļè¡Į":102999,"åĵĢ":103000,"æ³Ĭ":103001,"温馨":103002,"éĽĨèģļ":103003,"çĨĻ":103004,"åĩij":103005,"åįģä¸ĥ":103006,"æ°Ķæģ¯":103007,"æıIJä¾ĽçļĦ":103008,"æ³³":103009,"奥è¿IJ":103010,"çģ¾å®³":103011,"åĩĢåĮĸ":103012,"è·¨è¶Ĭ":103013,"åĵªæĢķ":103014,"éŁ¿":103015,"å¢ŀæ·»":103016,"çĦĬ":103017,"æ®ĭçĸ¾":103018,"ç¢Į":103019,"æĤĶ":103020,"è§ģè¯ģ":103021,"è¾ĸåĮº":103022,"å¿ĥèĦı":103023,"éļ§":103024,"åį¸":103025,"åı¯èĥ½æĢ§":103026,"æľī趣":103027,"åī¯ä¹¦è®°":103028,"åĮĸå¦Ĩ":103029,"ä¿Ĥ":103030,"æ£ļ":103031,"éĨĩ":103032,"带头":103033,"éłĪ":103034,"追究":103035,"æijĶ":103036,"è¿Ļéĥ¨":103037,"ä¸į论":103038,"祸":103039,"å³»":103040,"éģķ":103041,"çĶŁèĤ²":103042,"å¤ł":103043,"å¤ĸ交":103044,"è¯Ħ为":103045,"ä»İå°ı":103046,"å°ıå°ı":103047,"饿":103048,"æĴ¼":103049,"è·¨å¢ĥ":103050,"被åijĬ":103051,"åįĹå®ģ":103052,"身å¿ĥ":103053,"åĨįçĶŁ":103054,"æīĢ说":103055,"æŶéĹ´åĨħ":103056,"åĪĹåħ¥":103057,"éĿĴæµ·":103058,"çĪ±å¥½":103059,"çªĦ":103060,"èĪĪ":103061,"è¿ĩ渡":103062,"æ¿Ł":103063,"éĽĢ":103064,"审议":103065,"åĽ½èµĦ":103066,"æŃ¥ä¼IJ":103067,"轨éģĵ":103068,"信念":103069,"ä¸īåĪĨ":103070,"çĨ¬":103071,"åѵåĮĸ":103072,"ç¼ł":103073,"éĥĬ":103074,"èĪĴæľį":103075,"纪æ£Ģ":103076,"ä¸Ģä¸ĭåŃIJ":103077,"éĽ»è©±":103078,"è²ł":103079,"éĴ¥":103080,"åĮĻ":103081,"çĹ´":103082,"è¶ģ":103083,"绣":103084,"çĪµ":103085,"è½°":103086,"éªĦ":103087,"姨":103088,"æĭĺ":103089,"çĮ´":103090,"讶":103091,"è¿Ļ座":103092,"çį¨":103093,"æ·ĺæ±°":103094,"çĹħä¾ĭ":103095,"æ²Ļåıij":103096,"è§Ĩ为":103097,"头æĿ¡":103098,"å¿ħè¦ģçļĦ":103099,"åı¯è°ĵ":103100,"è¯Ŀ说":103101,"ç¯Ħ":103102,"æĹ©çĤ¹":103103,"æŀ¢çº½":103104,"羡":103105,"çĪ±åĽ½":103106,"çªģåıij":103107,"éĢĬ":103108,"æ½į":103109,"èį£èĢĢ":103110,"èŁ¹":103111,"æ¦Ĥçİĩ":103112,"å¾Īä¹ħ":103113,"æĥķ":103114,"訴":103115,"åľĨ满":103116,"çļ±":103117,"åĪĨæ³Į":103118,"åħħ足":103119,"çľĭæ³ķ":103120,"è¾Ł":103121,"æĭ¦":103122,"æĭ©":103123,"对åºĶ":103124,"ä¸ºæł¸å¿ĥ":103125,"èħĬ":103126,"å¤ļä¹Ī":103127,"æµij":103128,"å®ıè§Ĥ":103129,"èĦĸ":103130,"åIJĪèµĦ":103131,"çĶŁæ¶¯":103132,"å®ŀè´¨":103133,"ä¼ĺçĤ¹":103134,"çĶ¨æ°´":103135,"寿åij½":103136,"沫":103137,"åIJģ":103138,"詹":103139,"åĽ½éĺ²":103140,"å´©":103141,"åĿİ":103142,"èĨı":103143,"ä¸Ģè½®":103144,"éģĹ产":103145,"æ¹¾åĮº":103146,"ç»İ":103147,"åįķ纯":103148,"æ¾Ħ":103149,"åīįåĪĹ":103150,"身影":103151,"é»ĺé»ĺ":103152,"æįī":103153,"çĴ°":103154,"èıĬ":103155,"æĢľ":103156,"åħĭæĢĿ":103157,"æĢ»å±Ģ":103158,"çĩĥæĸĻ":103159,"ä¸ļæĢģ":103160,"åIJĦæł·":103161,"åĴ½":103162,"åĩºèī²":103163,"åĪĿå¿ĥ":103164,"åıĽ":103165,"çłĶ讨":103166,"è¡«":103167,"åİĨç¨ĭ":103168,"禽":103169,"è¶³å¤ŁçļĦ":103170,"èįĨ":103171,"çľĭå¾ħ":103172,"è´©":103173,"åĨ³å¿ĥ":103174,"裹":103175,"å¸ĪèĮĥ":103176,"åŀĦ":103177,"æĿł":103178,"åĩ¸":103179,"çĬ¹è±«":103180,"çĥŃè¡Ģ":103181,"åIJĪä¼Ļ":103182,"éħµ":103183,"èIJ½åľ¨":103184,"åįłåľ°":103185,"衬":103186,"èĵī":103187,"æĦ¤":103188,"æ¸Ĭ":103189,"åĪĨæķ°":103190,"ç¬ijçĿĢ":103191,"太平":103192,"çĤ«":103193,"æݨä»ĭ":103194,"æĸ¯åĿ¦":103195,"形容":103196,"æĵĬ":103197,"æĦŁåħ´è¶£":103198,"åĨĽäºº":103199,"åĩĮæĻ¨":103200,"对çħ§":103201,"åıijçĹħ":103202,"å·¾":103203,"èĪī":103204,"檢":103205,"ç¬ijäºĨ":103206,"ç¡®è¯Ĭ":103207,"è´ŁåĢº":103208,"壮大":103209,"æĪļ":103210,"äºĴèģĶ":103211,"課":103212,"èħ¦":103213,"æű":103214,"åıĹ欢è¿İ":103215,"åįī":103216,"éĻ¢å£«":103217,"æ©¡":103218,"ä¸Ģ对":103219,"è¾±":103220,"æ²Ĥ":103221,"åı²ä¸Ĭ":103222,"æIJı":103223,"å´ĸ":103224,"代谢":103225,"磷":103226,"é¡ĺ":103227,"æµĩ":103228,"常çĶ¨":103229,"åįij":103230,"åĩºåĽ½":103231,"è¯ł":103232,"稳æŃ¥":103233,"ç»ı纪":103234,"å¤ļå¤ļ":103235,"æīĢå¾Ĺ":103236,"为主é¢ĺ":103237,"ä¸ĢåĪĨ":103238,"æł½":103239,"顧":103240,"纲":103241,"åĥħ":103242,"å£ĵ":103243,"åĦª":103244,"ç¿°":103245,"æİĢ":103246,"人为":103247,"媳":103248,"æ´½":103249,"èĿ¶":103250,"å¤įåħ´":103251,"ä¼ļå½±åĵį":103252,"åIJĦçķĮ":103253,"éĤ£ä¸Ģ":103254,"颤":103255,"çĢı":103256,"çĢı覽":103257,"å¯ŀ":103258,"åı¯æĢķ":103259,"åį³æŶ":103260,"çķ´":103261,"ä¸ĭåįĬå¹´":103262,"ç¬Ķè®°":103263,"éĻĦåĬł":103264,"çĥŃæ°´":103265,"奸":103266,"ç£ħ":103267,"æĿī":103268,"æ¸ħåįİ":103269,"éĸ±":103270,"ç°¡":103271,"å¤Ħå¤Ħ":103272,"åIJĪéĩij":103273,"æ²³æµģ":103274,"ç´°":103275,"è´ŁéĿ¢":103276,"çļĦ羣å®ŀ":103277,"åĻ¨æ¢°":103278,"èĴIJ":103279,"西äºļ":103280,"å·ħ":103281,"ç²¹":103282,"åİŁæĸĩ":103283,"æŀķ":103284,"è¡Ģåİĭ":103285,"åļ´":103286,"å¸ĺ":103287,"åĨĢ":103288,"æĮ«":103289,"çĶµè·¯":103290,"å°ıä¼Ļä¼´":103291,"èĿ´":103292,"æľĢå¿«":103293,"æĭĮ":103294,"宪":103295,"æĸ·":103296,"ç¿ħ":103297,"åĴ³":103298,"åĹ½":103299,"ç¾ŀ":103300,"èººåľ¨":103301,"èµĽè½¦":103302,"æ²IJ":103303,"éĻIJ度":103304,"为ä¸Ģä½ĵ":103305,"èĴľ":103306,"幫":103307,"æIJħ":103308,"åĭĭ":103309,"åīĸ":103310,"纳ç¨İ":103311,"éķ¿æķĪ":103312,"ç½ķ":103313,"åī¯æľ¬":103314,"ç©į":103315,"éĴ©":103316,"ç¹¼":103317,"åĽ½åľŁ":103318,"è¼ī":103319,"ä¸įå¿ĺ":103320,"èŃ¦ç¤º":103321,"çģ¿":103322,"å¿ĥå¾Ĺ":103323,"æĦļ":103324,"忽çķ¥":103325,"åĽŀäºĭ":103326,"åįłæľī":103327,"æ·Ħ":103328,"çī¡":103329,"çĽijäºĭ":103330,"ç¿¡":103331,"éĴĪ对æĢ§":103332,"çªĥ":103333,"製":103334,"èĨĿ":103335,"ç³Ł":103336,"港澳":103337,"太太":103338,"澡":103339,"ç»ĨåĮĸ":103340,"åĶ®åIJİ":103341,"å®ŀåľ¨æĺ¯":103342,"ç«£":103343,"çį²":103344,"åĢ¾åIJij":103345,"å¼ķçĶ¨":103346,"é¹ħ":103347,"ç¬ij容":103348,"ä¹IJ趣":103349,"æ°ijæĶ¿":103350,"éŨæĪ·":103351,"å±ģ":103352,"迷失":103353,"éĶĮ":103354,"å°ı康":103355,"åĭī":103356,"æ³¼":103357,"ä¾ĭåŃIJ":103358,"ä¸īä½į":103359,"å»ł":103360,"èĶĵ":103361,"广éĺĶ":103362,"èĢį":103363,"èĢģèĻİ":103364,"åĭŁéĽĨ":103365,"èĦļæŃ¥":103366,"æĭ¯":103367,"åŃĹåı·":103368,"çĦ°":103369,"é¢ł":103370,"èļĤ":103371,"èļģ":103372,"飯":103373,"人æĢ§":103374,"æĴ°":103375,"åİ¢":103376,"å±ĢéĻIJ":103377,"æľªæĪIJ":103378,"åĵªåĦ¿":103379,"大åıij":103380,"ä¸įå®ļ":103381,"å¾ģæ±Ĥ":103382,"éĥµ":103383,"åĢºæĿĥ":103384,"çĪ±ä½ł":103385,"èºģ":103386,"ä»ħä¾Ľ":103387,"è¿ľå¤Ħ":103388,"éĨĽ":103389,"åĥµ":103390,"积æŀģæĢ§":103391,"æİ¡":103392,"åīįä¸ī":103393,"äºİä¸Ģä½ĵ":103394,"çŀĦ":103395,"çĿģ":103396,"沸":103397,"åħ±èµ¢":103398,"éĢĢå½¹":103399,"è´Ŀå°Ķ":103400,"æİı":103401,"æĪ²":103402,"è¡į":103403,"éĶĤ":103404,"ä¸ĩä½Ļ":103405,"ç§ijåĪĽ":103406,"æ¼ĶåĶ±":103407,"欧åħĥ":103408,"æ·¡æ·¡":103409,"éĿĴå±±":103410,"èĹĿ":103411,"绽":103412,"令çīĮ":103413,"éĽĨ群":103414,"ä½ľçī©":103415,"çĢij":103416,"夯":103417,"ç½ij游":103418,"åħ«å¤§":103419,"éªļ":103420,"èªĵ":103421,"ä¼ļå±ķ":103422,"åħļåı²":103423,"æ£Ģå¯ŁéĻ¢":103424,"åĸĺ":103425,"éĺ±":103426,"èĢĮåĩº":103427,"éĢļ车":103428,"éĴĵ":103429,"æĥħ人":103430,"æ¸Ľ":103431,"ä¸Ńç§ĭ":103432,"çĪŃ":103433,"åıªåī©":103434,"æĺĶ":103435,"éĩİçĶŁ":103436,"ç¡«":103437,"èIJĿåįľ":103438,"æĬµæĬĹ":103439,"çĻ«çĹ«":103440,"éĻĢ":103441,"èĶļ":103442,"å¸ľ":103443,"满满":103444,"èı±":103445,"éļĨéĩį":103446,"æĺŁçº§":103447,"æ½ĩ":103448,"åħ¬åħĥ":103449,"è°£":103450,"æ¯Ķäºļ":103451,"æ¡ĮåŃIJ":103452,"èµ£":103453,"è²¼":103454,"æĦ¿æľĽ":103455,"顽":103456,"æ´¾éģ£":103457,"ç¥Ľ":103458,"åªļ":103459,"éĺľ":103460,"èij«":103461,"èĬ¦":103462,"æ³»":103463,"å¡Į":103464,"çĭŃ":103465,"å»īæĶ¿":103466,"å¥ijæľº":103467,"æĹĹèĪ°":103468,"æĥ«":103469,"严åİī":103470,"åıĭæĥħ":103471,"å¦Ĭ":103472,"å¨ł":103473,"åĵªå®¶":103474,"èĨ¨":103475,"è¶Ł":103476,"æĮª":103477,"èĻIJ":103478,"éłģ":103479,"çŀ©":103480,"éºŁ":103481,"稣":103482,"èģĶéĢļ":103483,"åı®":103484,"çİĭèĢħ":103485,"ä¸įç¡®å®ļ":103486,"çijľ":103487,"è°İ":103488,"çī¢è®°":103489,"碼":103490,"æĬ¤èĤ¤":103491,"é¡·":103492,"çĦķ":103493,"åģļ强":103494,"éļ±ç§ģ":103495,"éļ±ç§ģæ¬Ĭ":103496,"åıĹ害":103497,"ä¸įçĶ±":103498,"çĥ¹":103499,"饪":103500,"驳":103501,"ä¼½":103502,"ä¸Ŀ绸":103503,"è¥Ħ":103504,"åįģä½Ļ":103505,"éºĹ":103506,"æ¬ĬåĪ©":103507,"èģŀ":103508,"åı¤èĢģ":103509,"éģı":103510,"åIJĦå¼ı":103511,"å°±è¡Į":103512,"åħ¥å¢ĥ":103513,"çĥģ":103514,"èľĺ":103515,"èĽĽ":103516,"纬":103517,"磫":103518,"è»Ł":103519,"æ´Ĺè¡£":103520,"æĦ§":103521,"é¢Ħæ¡Ī":103522,"éľĨ":103523,"æ·±åİļ":103524,"éĺ¿æĭī":103525,"åĨĻåŃĹ":103526,"åį¦":103527,"éķĢ":103528,"æ¨¡æł·":103529,"åĤį":103530,"æIJį":103531,"èĸ¯":103532,"åłħ":103533,"åħ¬ç§¯":103534,"è¨İ":103535,"ä¼łæŁĵ":103536,"毯":103537,"çIJĨå·¥":103538,"åĨ·éĵ¾":103539,"ç«ĭæĸ¹":103540,"æ¢Ń":103541,"åľ£è¯ŀ":103542,"综èīº":103543,"çİ©ç¬ij":103544,"æĥ³ä¸įåĪ°":103545,"æijĩ头":103546,"æ·¹":103547,"åģĩæĹ¥":103548,"åĢĺ":103549,"èĢ½":103550,"èİĵ":103551,"åŁ·":103552,"èĩªè´¸":103553,"åįĬ天":103554,"æªĶ":103555,"æ¾İæ¹ĥ":103556,"éķij":103557,"丫":103558,"éĩĮç¨ĭ":103559,"å¼ĢèįĴ":103560,"èıı":103561,"å®Ŀè´µ":103562,"èѬ":103563,"åķŁ":103564,"æŁł":103565,"檬":103566,"é©Ń":103567,"æ±Ľ":103568,"çĨĬçĮ«":103569,"èķī":103570,"éļıä¹ĭ":103571,"å±ij":103572,"è¾ĥ强":103573,"èĥ³":103574,"èĨĬ":103575,"éĿĻéĿĻ":103576,"åĴª":103577,"æĭĽåij¼":103578,"代è¨Ģ":103579,"ä¿¡ç®±":103580,"è£ħéħį":103581,"æĤį":103582,"åįķ车":103583,"èIJİ":103584,"å¤ļ彩":103585,"éĻ¸":103586,"ä»İ严":103587,"æ©Ħ":103588,"æ¦Ħ":103589,"éĢ®":103590,"éĩĮæĸ¯":103591,"姿æĢģ":103592,"太æŀģ":103593,"éĩĿ":103594,"æºī":103595,"è¿Ń":103596,"秸":103597,"ç§Ĩ":103598,"å·¥å§Ķ":103599,"æ±ķ":103600,"èģĨ":103601,"佬":103602,"ç¼ħ":103603,"çĶ¸":103604,"åī¯å±Ģéķ¿":103605,"éĹº":103606,"誤":103607,"è¤IJ":103608,"ä¸įéĻIJ":103609,"èħķ":103610,"åijķ":103611,"磶":103612,"åĨľå®¶":103613,"管å§Ķä¼ļ":103614,"饺":103615,"èĬľ":103616,"æ¾Ī":103617,"è©¢":103618,"å¨ģå°¼æĸ¯":103619,"ä½ķåĨµ":103620,"å°ıä¼Ļ":103621,"奢ä¾Ī":103622,"è¿Ļç¯ĩ":103623,"诵":103624,"ç«łç¨ĭ":103625,"ç´Ģ":103626,"éIJĺ":103627,"éĤ¢":103628,"ç³Ļ":103629,"ç¼Ģ":103630,"ä¹Ĵ":103631,"ä¹ĵ":103632,"çī¢åĽº":103633,"åĿŀ":103634,"å¼Ī":103635,"ä¾ĭå¤ĸ":103636,"廳":103637,"è§Ħç«ł":103638,"èĬĻ":103639,"篷":103640,"躯":103641,"æłĪ":103642,"åĿļå®ŀ":103643,"åŁºå»º":103644,"çĿĢçľ¼":103645,"ç·´":103646,"èij©":103647,"ç¼ļ":103648,"æ¦Ĩ":103649,"主åĭķ":103650,"ç¥Ģ":103651,"äºĴéĢļ":103652,"尤为":103653,"å®Ľ":103654,"骼":103655,"æ±²":103656,"ä¾ĥ":103657,"æĤłä¹ħ":103658,"æij§":103659,"æĭĩ":103660,"é«ĵ":103661,"éºĴ":103662,"éĻĽ":103663,"æŀ¸":103664,"æĿŀ":103665,"è´¬":103666,"å°ıé¾Ļ":103667,"åĵ®":103668,"èĵ¬åĭĥ":103669,"åĮĪ":103670,"çķľçī§":103671,"娩":103672,"个å¤ļ":103673,"æ²¥":103674,"æĺ§":103675,"çĦļ":103676,"æĬijéĥģ":103677,"çĸ¡":103678,"èĺij":103679,"éģİç¨ĭ":103680,"橱":103681,"éĿĵ":103682,"大çIJĨ":103683,"髦":103684,"åĪĨ辨":103685,"渤":103686,"çĸ¤":103687,"åĬ¨èĥ½":103688,"å¼łå®¶":103689,"ä¸ĩåįĥ":103690,"滥":103691,"饥":103692,"åºŁå¼ĥ":103693,"帳":103694,"æ¼³":103695,"è±IJ":103696,"ä»ij":103697,"å«ī":103698,"å¦Ĵ":103699,"çŀĴ":103700,"è¡ħ":103701,"çĭ¸":103702,"å¾ģç¨ĭ":103703,"éĤ¯":103704,"éĥ¸":103705,"ç¥Ī":103706,"祷":103707,"趴":103708,"ç»ĵæŀĦæĢ§":103709,"è§ĨåIJ¬":103710,"è¬Ŀ":103711,"çĴĢ":103712,"çĴ¨":103713,"åĩºå¤Ħ":103714,"è¯Ģ":103715,"å¾ĺ":103716,"å¾Ĭ":103717,"羨":103718,"åĸĩ":103719,"åıŃ":103720,"åĺ²":103721,"çķ¸":103722,"å¹²äºĭ":103723,"æļ§":103724,"æ²Ľ":103725,"åĦĦ":103726,"å»ĵ":103727,"åİ¿éķ¿":103728,"èĥļ":103729,"çIJ¢":103730,"çŃ·":103731,"éĩĭ":103732,"ä¾®":103733,"åIJ©":103734,"åĴIJ":103735,"åĮ¿":103736,"æĬ¬èµ·":103737,"æ³£":103738,"涤":103739,"麽":103740,"æĽĻ":103741,"åī¯éĻ¢éķ¿":103742,"åħļåĴĮ":103743,"æķ£åıij":103744,"润æ»ij":103745,"åĵº":103746,"æĥ¬":103747,"漫éķ¿":103748,"ä¸įæĩĪ":103749,"åŁł":103750,"åĹĵ":103751,"èĢģçĪ·":103752,"讽":103753,"æĪĺç»ĦåIJĪ":103754,"æ£ł":103755,"åħ¨åŁŁ":103756,"èł¢":103757,"诡":103758,"åīįçŀ»":103759,"æķĽ":103760,"ä¸Ģå°ģ":103761,"å¹Ĥ":103762,"èİĨ":103763,"è¯Ŀè¯Ń":103764,"ç»ĨåĪĻ":103765,"屿":103766,"åµĮ":103767,"éĢį":103768,"åĺ±":103769,"渲":103770,"çĥ¯":103771,"çĿ¹":103772,"é¦Ĵ":103773,"èħ¥":103774,"æĬĹåĩ»":103775,"çĿ«":103776,"èįĶ":103777,"éļİ":103778,"æ³īæ°´":103779,"è¬Ĥ":103780,"çĤ¬":103781,"åĩıæİĴ":103782,"è¸Ĭ":103783,"è·»":103784,"æ·Į":103785,"éľ¾":103786,"å¥ĩ纳":103787,"å¯Ŀ":103788,"æ¤İ":103789,"æŁ¬":103790,"æĸ¯åŁº":103791,"åħ¬ç«ĭ":103792,"è¨ĵ":103793,"é£Ļ":103794,"é©¿":103795,"åĤµ":103796,"èĽĻ":103797,"ç¯ĩç«ł":103798,"åĪĨæĶ¯":103799,"ä¸Ĭå¹´":103800,"çŃĿ":103801,"缤":103802,"èĢģæŧ":103803,"åĻ¬":103804,"æľ¦":103805,"èĥ§":103806,"æ¶Īè²»":103807,"æĵĶ":103808,"榴":103809,"æ¿Ĵ":103810,"糯":103811,"泸":103812,"æįĨ":103813,"ç»ļ":103814,"èµİ":103815,"çIJIJ":103816,"èµĤ":103817,"æħ®":103818,"æ²Į":103819,"çĦĻ":103820,"æĴŃæĬ¥":103821,"æ·ĩ":103822,"åĪĩåħ¥":103823,"çijķ":103824,"çĸµ":103825,"éģ´":103826,"ç¨ļ":103827,"ç©©":103828,"èŀĥ":103829,"æ£ķ":103830,"æĨ§":103831,"æĨ¬":103832,"伺":103833,"æ¯Ĺ":103834,"æįį":103835,"æĬī":103836,"ç´Ĭ":103837,"å¼Ľ":103838,"æĭŃ":103839,"æĹıèĩªæ²»":103840,"åĿ·":103841,"競":103842,"詳":103843,"è¿Ħä»Ĭ":103844,"è°´":103845,"çŀŃ解":103846,"æŁ¿":103847,"é¢Ĭ":103848,"ç°§":103849,"çĥŁèĬ±":103850,"ä¾¥":103851,"çĿ¦":103852,"éħĿ":103853,"æ°ĵ":103854,"çIJī":103855,"å§Ĭ":103856,"æ²®":103857,"æħ·":103858,"èľķ":103859,"çijļ":103860,"éĩĩçŁ¿":103861,"åł°":103862,"åºķèķ´":103863,"èĨ³":103864,"è¾ķ":103865,"éŁŃ":103866,"åĴĻ":103867,"ç²½":103868,"åīĶ":103869,"沦":103870,"èĤ´":103871,"éķ¶":103872,"æĺ¼":103873,"è¾Ĺ":103874,"婪":103875,"åĮ®":103876,"æĸĵ":103877,"汶":103878,"éĥ´":103879,"éł»":103880,"çªĴ":103881,"袱":103882,"åĽ±":103883,"èĢĺ":103884,"èļĮ":103885,"çĭĻ":103886,"çĹ¹":103887,"ç¥ī":103888,"æı®":103889,"æ·Ĩ":103890,"ç£ĭ":103891,"éĺª":103892,"æ«":103893,"ã¸":103894,"Ļ¶":103895,"ãij":103896,"ð£²":103897,"ä¢":103898,"ãŃ":103899,"ð¬¨":103900,"ð¬Ģ":103901,"ð¬®":103902,"ð¬¯":103903,"ð¬ľ":103904,"ðª¨":103905,"ð«Ĺ":103906,"ð¬Ĭ":103907,"ð¬±":103908,"ð¬Ł":103909,"äİ":103910,"ð¡":103911,"äĥ":103912,"ãł":103913,"ð©":103914,"ð©¾":103915,"ð¬º":103916,"ð¬Ļ":103917,"ãĢĶ":103918,"ãĢķ":103919,"çļĦæŶåĢĻ":103920,"æľīéĻIJåħ¬åı¸":103921,"ä¹ĭåIJİ":103922,"ä¸ļåĬ¡":103923,"åķĬ":103924,"èĻ½çĦ¶":103925,"æĭ¥æľī":103926,"äºĴèģĶç½ij":103927,"éĤ£äºĽ":103928,"ä½łçļĦ":103929,"åĨ³å®ļ":103930,"éĻ¤äºĨ":103931,"åĽ¢éĺŁ":103932,"åı¯æĺ¯":103933,"以åIJİ":103934,"社åĮº":103935,"çļĦéĹ®é¢ĺ":103936,"并ä¸Ķ":103937,"æķĻå¸Ī":103938,"å°±ä¼ļ":103939,"天空éĥ¨èIJ½":103940,"æľĢç»Ī":103941,"å½ĵçĦ¶":103942,"ä¹Łæľī":103943,"ç¡®ä¿Ŀ":103944,"æĥ³è¦ģ":103945,"è´Ńä¹°":103946,"人çļĦ":103947,"åIJ´":103948,"çļĦåıijå±ķ":103949,"ä¸įçŁ¥éģĵ":103950,"软件":103951,"æĪij们çļĦ":103952,"çĪ¶æ¯į":103953,"åīij":103954,"èĢĮæĺ¯":103955,"å®īæİĴ":103956,"åIJİæĿ¥":103957,"çļĦåľ°æĸ¹":103958,"èµµ":103959,"èĢĥè¯ķ":103960,"çªģçĦ¶":103961,"ä¸Ģå®ļè¦ģ":103962,"åĪ¶ä½ľ":103963,"è¯Ħä»·":103964,"åħįè´¹":103965,"è´¹çĶ¨":103966,"绣ä¸Ģ":103967,"çĦ¶èĢĮ":103968,"è¿Ļ次":103969,"éĿĴå¹´":103970,"人类":103971,"亦":103972,"让人":103973,"è´Łè´£äºº":103974,"éĩĩåıĸ":103975,"çļĦäºĭæĥħ":103976,"ä¹Łä¼ļ":103977,"车è¾Ĩ":103978,"æĽ´æĺ¯":103979,"强åĮĸ":103980,"æĪijåĢij":103981,"以åīį":103982,"ä¼ĺåĮĸ":103983,"å§Ķåijĺä¼ļ":103984,"åĽ°éļ¾":103985,"年度":103986,"ä½įäºİ":103987,"æĮĩåĩº":103988,"åĨį次":103989,"åĬŀçIJĨ":103990,"æ¯ı个":103991,"对æĸ¹":103992,"è¿Ľè¡ĮäºĨ":103993,"æľĢé«ĺ":103994,"课ç¨ĭ":103995,"身ä¸Ĭ":103996,"æĽ¾ç»ı":103997,"åĮ»çĶŁ":103998,"å®īè£ħ":103999,"æľ±":104000,"è¿IJè¡Į":104001,"åıĮæĸ¹":104002,"æľĢ大çļĦ":104003,"æŀĦ建":104004,"è¿ŀç»Ń":104005,"çļĦå°ı":104006,"她çļĦ":104007,"çŃīçŃī":104008,"æĶ¹åĸĦ":104009,"åIJĦç±»":104010,"éģĩåĪ°":104011,"æľīçĿĢ":104012,"人çī©":104013,"æĢ»æĺ¯":104014,"è¿ħéĢŁ":104015,"åĪ¶å®ļ":104016,"å®ĥ们":104017,"å®ĺç½ij":104018,"è¿ĺè¦ģ":104019,"ç»Īäºİ":104020,"æĪ¿åľ°äº§":104021,"è¯ģæĺİ":104022,"èĤ¡ç¥¨":104023,"åºĶå½ĵ":104024,"èĭ±åĽ½":104025,"è¿IJçĶ¨":104026,"æľĢæĸ°":104027,"享åıĹ":104028,"让æĪij":104029,"æĻļä¸Ĭ":104030,"å¾ŀ":104031,"å°ı说":104032,"å°¤åħ¶æĺ¯":104033,"è®Ńç»ĥ":104034,"åħ¨å¸Ĥ":104035,"æĮijæĪĺ":104036,"æľīçĤ¹":104037,"带çĿĢ":104038,"çļĦä¸ľè¥¿":104039,"é£İæł¼":104040,"é»Ħéĩij":104041,"å¼ķ导":104042,"æѤå¤ĸ":104043,"æľĢè¿ij":104044,"追æ±Ĥ":104045,"强è°ĥ":104046,"ä¹Łåı¯ä»¥":104047,"æĦŁåĪ°":104048,"èĩªæĪij":104049,"çī¹åĪ«æĺ¯":104050,"æĪIJéĥ½":104051,"éĢIJæ¸IJ":104052,"å¿«ä¹IJ":104053,"ä¹ĭä¸Ń":104054,"æĬķèµĦèĢħ":104055,"ä»ĸ们çļĦ":104056,"æ°ı":104057,"å·¥ä½ľäººåijĺ":104058,"äºĨä¸Ģ个":104059,"åķ¦":104060,"ä¸ĢåĢĭ":104061,"åŁºå±Ĥ":104062,"æ²ŁéĢļ":104063,"第ä¸Ģ次":104064,"并没æľī":104065,"çļĦå·¥ä½ľ":104066,"åľ¨è¿ĻéĩĮ":104067,"æŀª":104068,"æĶ¯æĴij":104069,"æŶå°ļ":104070,"æĿ¥åĪ°":104071,"æĶ¶è´Ń":104072,"éĿ©åij½":104073,"æĺ¯ä¸įæĺ¯":104074,"讨论":104075,"ä¸ļ绩":104076,"å°±èĥ½":104077,"ç«ĭåį³":104078,"è¡Ĺéģĵ":104079,"åľ¨ä¸Ģèµ·":104080,"æľĪ份":104081,"é«ĺ端":104082,"å¾Īéļ¾":104083,"ä¿Ħç½Ĺæĸ¯":104084,"æīĭ段":104085,"åģļåĩº":104086,"ä¼Ĺå¤ļ":104087,"å®ŀè¡Į":104088,"æīĵå¼Ģ":104089,"游客":104090,"ä¾ĿçĦ¶":104091,"å°±åĥı":104092,"离å¼Ģ":104093,"说éģĵ":104094,"æĸ°èĥ½æºIJ":104095,"溪":104096,"äºķ":104097,"令人":104098,"ä¸Ģåľº":104099,"æĪijæĥ³":104100,"两人":104101,"èĩ³å°ij":104102,"çļĦçĶŁæ´»":104103,"æĺ¯ä¸ª":104104,"èĭ±è¯Ń":104105,"æ²Ĵæľī":104106,"æĢĿèĢĥ":104107,"éĻIJåĪ¶":104108,"åı°æ¹¾":104109,"ä¸ĢæŦ":104110,"çļĦä¸Ģ个":104111,"é«ĺ级":104112,"åĬŀåħ¬å®¤":104113,"å¾·åĽ½":104114,"æĪijå°±":104115,"å®ļä½į":104116,"éĢĤåºĶ":104117,"æĮĩæłĩ":104118,"åħ¨çľģ":104119,"ä¸Ĭè¿°":104120,"å®ĥçļĦ":104121,"åĽŀ家":104122,"欧洲":104123,"éĵģè·¯":104124,"é¼ĵåĬ±":104125,"çļĦå½±åĵį":104126,"é«ĺæł¡":104127,"天ä¸ĭ":104128,"é«ĺè´¨éĩı":104129,"æĿŃå·ŀ":104130,"èµĦ讯":104131,"æĶ¾åľ¨":104132,"æľīä¸Ģ个":104133,"å°±è¦ģ":104134,"ä¸ĬéĿ¢":104135,"解éĩĬ":104136,"éĢIJæŃ¥":104137,"尽管":104138,"æľīä»Ģä¹Ī":104139,"çļĦäºĭ":104140,"çĻ»è®°":104141,"人æ°ijå¸ģ":104142,"è§Ĥä¼Ĺ":104143,"è§Ĥå¯Ł":104144,"çĶµèĦij":104145,"çļĦåIJĮæŶ":104146,"ä½ľä¸ļ":104147,"宣å¸ĥ":104148,"çļĦä½ľçĶ¨":104149,"åĽŀæĿ¥":104150,"éļ¾ä»¥":104151,"æīĢæľīçļĦ":104152,"å°ıåѦ":104153,"æıIJåīį":104154,"æ¤įçī©":104155,"åĩ¯":104156,"ä¸ĬäºĨ":104157,"å°±åľ¨":104158,"åħĪåIJİ":104159,"æīĭæľ¯":104160,"éĥŃ":104161,"éĿ¢åīį":104162,"æ¯ķç«Ł":104163,"äºĮæĺ¯":104164,"红èī²":104165,"éĺ³åħī":104166,"èĭ¹æŀľ":104167,"å¾Īå¤ļ人":104168,"ç»ĻæĪij":104169,"åĵ¦":104170,"çľ¼çĿĽ":104171,"éłŃ":104172,"ä¸Ģæĺ¯":104173,"åıijå±ķçļĦ":104174,"åıįåºĶ":104175,"æĪ¿å±ĭ":104176,"æľŁå¾ħ":104177,"ç§įæ¤į":104178,"æĸĩåѦ":104179,"åį³åı¯":104180,"é¦ĸ次":104181,"èĭ±éĽĦ":104182,"å¤ļ次":104183,"åĮħè£ħ":104184,"æ²³åįĹ":104185,"ä¹ĭéĹ´çļĦ":104186,"ä»įçĦ¶":104187,"åIJ¬åĪ°":104188,"èij£äºĭéķ¿":104189,"è§ĦåĪĻ":104190,"ä¸Ģ份":104191,"大ä¼Ĺ":104192,"使å¾Ĺ":104193,"è¿Ľåı£":104194,"ä¸Ģçīĩ":104195,"æĢ§çļĦ":104196,"çļĦ大":104197,"æĪijæĺ¯":104198,"äºĴåĬ¨":104199,"æ°£":104200,"çļĨ":104201,"åħ¬åı¸çļĦ":104202,"ä¸Ģè¾¹":104203,"åıĬåħ¶":104204,"èī¯å¥½çļĦ":104205,"æĭĵå±ķ":104206,"å½ĵå¹´":104207,"å¹¿åľº":104208,"åģļäºĨ":104209,"åŁºäºİ":104210,"æıIJéĨĴ":104211,"åħĦå¼Ł":104212,"èĢģæĿ¿":104213,"è¿ijæĹ¥":104214,"çĬ¶åĨµ":104215,"注éĩį":104216,"åĪļåĪļ":104217,"è°ĥçłĶ":104218,"å¿ĥä¸Ń":104219,"æĬĬæı¡":104220,"éļıåIJİ":104221,"ä¸įå¤Ł":104222,"åĪĽä½ľ":104223,"ç«Ļåľ¨":104224,"缸äºĴ":104225,"çĸ«æĥħéĺ²æݧ":104226,"年代":104227,"带åĬ¨":104228,"伤害":104229,"ç«ŁçĦ¶":104230,"å¼ķè¿Ľ":104231,"累计":104232,"让æĪij们":104233,"åĽŀæĶ¶":104234,"æĬ¥åIJį":104235,"åĬ©åĬĽ":104236,"èģĶ缣":104237,"çŃĸçķ¥":104238,"åij¨è¾¹":104239,"åĭĴ":104240,"è¿ĺåľ¨":104241,"æµģéĩı":104242,"寻æī¾":104243,"çĶµåĬĽ":104244,"èĪ¹èĪ¶":104245,"è¿ĺèĥ½":104246,"æĭħä»»":104247,"çļĦæĥħåĨµä¸ĭ":104248,"çļĦåİŁåĽł":104249,"缺ä¹ı":104250,"çIJĥåijĺ":104251,"å²ģçļĦ":104252,"çĶ·åŃIJ":104253,"å·¥èµĦ":104254,"è¿ijå¹´æĿ¥":104255,"åijĢ":104256,"æıIJä¾ĽäºĨ":104257,"她们":104258,"家åħ·":104259,"çĩķ":104260,"è½»æĿ¾":104261,"æł¡åĽŃ":104262,"èĢĥæł¸":104263,"åį±éĻ©":104264,"åħļç»Ħç»ĩ":104265,"æĢ»ç»ıçIJĨ":104266,"çļĦæĸ°":104267,"çİ»çĴĥ":104268,"è¿Ļä½į":104269,"对æѤ":104270,"家人":104271,"çļĦè¦ģæ±Ĥ":104272,"温度":104273,"æĮĩæķ°":104274,"缴åĪ°":104275,"æѤæŶ":104276,"æ¹ĸåįĹ":104277,"éĥ½è¦ģ":104278,"ä½ľåĩº":104279,"åIJĦä½į":104280,"èĢĥçĶŁ":104281,"ä¾Ŀæį®":104282,"说è¯Ŀ":104283,"æĪijä¹Ł":104284,"å·¥åİĤ":104285,"åıĺæĪIJ":104286,"ä»ĸ人":104287,"æĪijè§īå¾Ĺ":104288,"åIJĦ级":104289,"ä¼łå¥ĩç§ģæľį":104290,"ä¸Ĭåįĩ":104291,"好åĥı":104292,"åĬłéĢŁ":104293,"äºĮåįģ":104294,"è¢ģ":104295,"è£ħ饰":104296,"éĥ½èĥ½":104297,"ä¸Ģå¼ł":104298,"åĬ¨æĢģ":104299,"å¹´çļĦ":104300,"è¿Ļå°±æĺ¯":104301,"ä¹Łè¦ģ":104302,"èµĦæł¼":104303,"æĪĺäºī":104304,"æĦŁè°¢":104305,"åŁ¹èĤ²":104306,"天æ°Ķ":104307,"女士":104308,"åı¯èĥ½ä¼ļ":104309,"çļĦ产åĵģ":104310,"ä¹Łå°±":104311,"主è¦ģæĺ¯":104312,"åĪºæ¿Ģ":104313,"ç»Ļä½ł":104314,"大æķ°æį®":104315,"åĮ»åѦ":104316,"åĪ¤æĸŃ":104317,"ä»ĸ说":104318,"表æ¼Ķ":104319,"äºļæ´²":104320,"ä¸ĵé¢ĺ":104321,"ç«ŀäºīåĬĽ":104322,"éĤ£æł·":104323,"å±ķå¼Ģ":104324,"å¹³æŶ":104325,"æİ¥ä¸ĭæĿ¥":104326,"æī¿è¯º":104327,"æ³ķåĽ½":104328,"åħ³å¿ĥ":104329,"ä¼ļæľī":104330,"éĤĢ请":104331,"é¢Ħéĺ²":104332,"对æİ¥":104333,"好äºĨ":104334,"åĴ±ä»¬":104335,"çļĦæĦŁè§ī":104336,"æĢĿè·¯":104337,"éĥ½æ²¡æľī":104338,"çļĦæĸ¹æ³ķ":104339,"女åŃIJ":104340,"åı¸æ³ķ":104341,"è¿ĺä¼ļ":104342,"è¶ĬæĿ¥è¶Ĭå¤ļ":104343,"åĽłçĤº":104344,"æµ·åįĹ":104345,"人æķ°":104346,"å°Ĩä¼ļ":104347,"ä¸ļ主":104348,"é¤IJ饮":104349,"å±ħä½ı":104350,"åıijåĩº":104351,"è¿ijæľŁ":104352,"å¼ķé¢Ĩ":104353,"æľºåĻ¨äºº":104354,"åĩºæĿ¥çļĦ":104355,"çľĭè§ģ":104356,"ä¿Ĭ":104357,"让ä»ĸ":104358,"ä¸įæĥ³":104359,"å·¥ä½ľçļĦ":104360,"è¡¥åħħ":104361,"æµħ":104362,"çī¹å¾ģ":104363,"ä¸Ĭå¸Ĥåħ¬åı¸":104364,"ç¾İé£Ł":104365,"广西":104366,"æ¯ıä¸Ģ个":104367,"èIJ½åľ°":104368,"åĵģç§į":104369,"åĴĮè°IJ":104370,"å½»åºķ":104371,"é«ĺèĢĥ":104372,"æĺ¨å¤©":104373,"åīįå¾Ģ":104374,"çĽijæµĭ":104375,"çĻ¾åº¦":104376,"åľ¨ä¸ŃåĽ½":104377,"çļĦéľĢæ±Ĥ":104378,"亿ç¾İåħĥ":104379,"åŃ¦æľ¯":104380,"æĶ¶åĪ°":104381,"æĿ¿åĿĹ":104382,"ä¸Ģ段":104383,"æŀĦæĪIJ":104384,"ä¼ģä¸ļçļĦ":104385,"表éĿ¢":104386,"æķ´çIJĨ":104387,"ç»ĵå©ļ":104388,"人家":104389,"åģľæŃ¢":104390,"åѦç§ij":104391,"æĺ¾å¾Ĺ":104392,"ä¼ijæģ¯":104393,"é¢ĦæľŁ":104394,"æĪĸæĺ¯":104395,"çļĦ主è¦ģ":104396,"åºĶ对":104397,"èµ°äºĨ":104398,"ä¸ŃéĹ´":104399,"èµ°è¿Ľ":104400,"åijĪçİ°":104401,"æIJŃéħį":104402,"é¹ı":104403,"æĺ¯åĽłä¸º":104404,"æĥħ绪":104405,"å®ļæľŁ":104406,"社ä¼ļ主ä¹ī":104407,"çŃī级":104408,"çŁĽçĽ¾":104409,"é£ŀæľº":104410,"èĩ³ä»Ĭ":104411,"æĶ¶éĽĨ":104412,"çļĦæķħäºĭ":104413,"åĪĩå®ŀ":104414,"å®ŀçİ°äºĨ":104415,"å½¢æĪIJäºĨ":104416,"åįĹæĸ¹":104417,"ä¸ŃåѦ":104418,"æµ·æ´ĭ":104419,"åIJ¦åĪĻ":104420,"æĭįæijĦ":104421,"大åѦçĶŁ":104422,"åĩºçİ°äºĨ":104423,"æĦıå¤ĸ":104424,"ä¹Łèĥ½":104425,"çļĦèĥ½åĬĽ":104426,"åĿIJåľ¨":104427,"åĪĻæĺ¯":104428,"èĢĥå¯Ł":104429,"å°Ĭéĩį":104430,"éĺ²æŃ¢":104431,"ç´§å¼ł":104432,"读书":104433,"åĩºè¡Į":104434,"å°±æľī":104435,"å±¥è¡Į":104436,"çݰ代åĮĸ":104437,"åĽ½åĬ¡":104438,"åĽ½åĬ¡éĻ¢":104439,"ç»´ä¿®":104440,"åİŁåĪĽ":104441,"æĺ¯æĮĩ":104442,"ä¼ijéĹ²":104443,"çĤ®":104444,"æĸ°æĹ¶ä»£":104445,"éĢĻåĢĭ":104446,"ä¸įæķ¢":104447,"å®Įç¾İ":104448,"ç»ĨèĬĤ":104449,"éŃı":104450,"èĶ¬èıľ":104451,"é¢Ĩ导çıŃåŃIJ":104452,"è¶ħ级":104453,"è¡Įæĥħ":104454,"人工æĻºèĥ½":104455,"åį°åº¦":104456,"åŁºç¡Ģ设æĸ½":104457,"åıĪæĺ¯":104458,"èį¯çī©":104459,"åIJ¸æĶ¶":104460,"åį´æĺ¯":104461,"éĥİ":104462,"å¥ĸåĬ±":104463,"çļĦæľĭåıĭ":104464,"ä¿ĿçķĻ":104465,"è§Ħå¾ĭ":104466,"æĸ°çĸĨ":104467,"è¿ĺåı¯ä»¥":104468,"æİ¥è¿ij":104469,"æѤåīį":104470,"æī¹åĩĨ":104471,"æĢİä¹Īæł·":104472,"çļĦä½įç½®":104473,"ä¸ĢåĿĹ":104474,"æĭĴç»Ŀ":104475,"顾客":104476,"ä¹Łåľ¨":104477,"ä¸ĢçĶŁ":104478,"éĥ¨éĺŁ":104479,"å¹´åīį":104480,"æĸ¹éĿ¢çļĦ":104481,"å°Ŀè¯ķ":104482,"羣æŃ£çļĦ":104483,"ç¦ģæŃ¢":104484,"è¿ĺ没æľī":104485,"æ°ijçĶŁ":104486,"èµ°åIJij":104487,"èĦ¸ä¸Ĭ":104488,"å½ĵ天":104489,"éĽĨåĽ¢åħ¬åı¸":104490,"çļĦä¸Ģç§į":104491,"西æĸ¹":104492,"åĽŀåºĶ":104493,"ä¸Ģ声":104494,"常常":104495,"æıIJåĪ°":104496,"èħ¾è®¯":104497,"æľįè£ħ":104498,"为ä½ķ":104499,"äºijåįĹ":104500,"å°±ç®Ĺ":104501,"ä¼łæī¿":104502,"åıįèĢĮ":104503,"ä¸ĩåIJ¨":104504,"财产":104505,"å¦Ĥä¸ĭ":104506,"æĹ¥åīį":104507,"åİŁæľ¬":104508,"æľĢéĩįè¦ģçļĦ":104509,"认è¯ģ":104510,"ä¸Ģéģĵ":104511,"ä¿¡æģ¯åĮĸ":104512,"å¾ĹåĪ°äºĨ":104513,"éĢ²è¡Į":104514,"æĪijè¦ģ":104515,"éĢļä¿¡":104516,"室åĨħ":104517,"èµļéĴ±":104518,"æĶ¶èĹı":104519,"解åĨ³æĸ¹æ¡Ī":104520,"æĪ¿äº§":104521,"çĭ¼":104522,"æ´»åĬĽ":104523,"ç»ıæµİåıijå±ķ":104524,"çŃīå¾ħ":104525,"ä¹Łå¾Ī":104526,"åĿij":104527,"å¾Ī好çļĦ":104528,"éļ¾åº¦":104529,"ä¸įå¦Ĥ":104530,"人æ°ijæĶ¿åºľ":104531,"åĩºåıij":104532,"åīįæľŁ":104533,"æ¼Ķåijĺ":104534,"女çĶŁ":104535,"èģļçĦ¦":104536,"审计":104537,"é¢Ħæµĭ":104538,"ä¾Ŀæīĺ":104539,"äºĶå¹´":104540,"补贴":104541,"æ¸ħæĻ°":104542,"éªĤ":104543,"çľĭèµ·æĿ¥":104544,"çļĦåŃ©åŃIJ":104545,"é¢ijéģĵ":104546,"ä½ıå®ħ":104547,"éĿ¢åIJij":104548,"æľĢä½İ":104549,"æĹ¢çĦ¶":104550,"ä¸Ģå¥Ĺ":104551,"æķ°åѦ":104552,"群ä½ĵ":104553,"åĮĹ京å¸Ĥ":104554,"å±ħçĦ¶":104555,"æ°ĽåĽ´":104556,"éĢĶå¾Ħ":104557,"çļĦåŁºç¡Ģä¸Ĭ":104558,"èģĮè´£":104559,"åı¯èĥ½æĺ¯":104560,"åĨĽäºĭ":104561,"æĪIJæķĪ":104562,"åŃ©åŃIJ们":104563,"计ç®Ĺæľº":104564,"赤":104565,"产ä¸ļåıijå±ķ":104566,"巨大çļĦ":104567,"工人":104568,"çĶŁéķ¿":104569,"éĥ½åı¯ä»¥":104570,"çļĦæľºä¼ļ":104571,"èµĦè´¨":104572,"çĹĽèĭ¦":104573,"ç²īä¸Ŀ":104574,"å¢ĵ":104575,"å¹³å®ī":104576,"管éģĵ":104577,"è·ŁçĿĢ":104578,"é¥®é£Ł":104579,"åķĨ家":104580,"å¤ļ家":104581,"åı¸æľº":104582,"åºĶ该æĺ¯":104583,"éĢıéľ²":104584,"认å®ļ":104585,"è¡Įä¸ļçļĦ":104586,"çļĦä¼ģä¸ļ":104587,"æ¯ıä¸Ģ":104588,"èĮĥåĽ´åĨħ":104589,"è¾ĥ大":104590,"è´¤":104591,"å¤§èµĽ":104592,"å¤ļäºĨ":104593,"鸿":104594,"临åºĬ":104595,"åľ¨è¿Ļ个":104596,"çļĦåĨħ容":104597,"éĶĢéĩı":104598,"å¾Īå°ij":104599,"åŃŁ":104600,"ç»´æĮģ":104601,"åĴĸåķ¡":104602,"æľ¬åľ°":104603,"èī²å½©":104604,"并éĿŀ":104605,"èĢĮå·²":104606,"温æļĸ":104607,"èIJ§":104608,"æĬĵä½ı":104609,"èĢĮä¸įæĺ¯":104610,"åĸĬ":104611,"çļĦåħ³ç³»":104612,"çī©åĵģ":104613,"éĤ£æĺ¯":104614,"åĨľäº§åĵģ":104615,"è¿ĻæŶ":104616,"å©ļ姻":104617,"æ°´æŀľ":104618,"æĶ¶èİ·":104619,"ä»ĺåĩº":104620,"客æĪ·ç«¯":104621,"æ¼Ķåĩº":104622,"åħ¨æĸ°":104623,"è¿Ļä¹Łæĺ¯":104624,"æĺ¯çĶ±":104625,"è§Ĥ念":104626,"æľī个":104627,"éĢłåŀĭ":104628,"èĥľåĪ©":104629,"ä¸īæĺ¯":104630,"è¶ħå¸Ĥ":104631,"åħļå»ºå·¥ä½ľ":104632,"æĶ¾å¿ĥ":104633,"线路":104634,"æĭĽçĶŁ":104635,"åIJĥé¥Ń":104636,"è½ī":104637,"å°½éĩı":104638,"è§ģåĪ°":104639,"åIJĮæ¯Ķå¢ŀéķ¿":104640,"åįİ为":104641,"æĪijå¸Ĥ":104642,"æıIJåĩºäºĨ":104643,"æ°ijèѦ":104644,"åįļçī©":104645,"åįļçī©é¦Ĩ":104646,"è¯ļä¿¡":104647,"åīįéĿ¢":104648,"山西":104649,"è¾ħåĬ©":104650,"转移":104651,"æĽ´ä¸º":104652,"丰å¯ĮçļĦ":104653,"åį¢":104654,"å¿«éĢĴ":104655,"æĺ¾èijĹ":104656,"çī©èµĦ":104657,"åĪ°è¾¾":104658,"æľīåĪ©äºİ":104659,"åijĨ":104660,"åŃ©åŃIJçļĦ":104661,"ä¸įä½Ĩ":104662,"çłĶ究éĻ¢":104663,"çĶ³æĬ¥":104664,"æļ¨":104665,"æ°ijéĹ´":104666,"åį»":104667,"çļĦå£°éŁ³":104668,"å¸ĤåľºçļĦ":104669,"ä¸Ģåı¥":104670,"çľģ级":104671,"æĿ¥çļĦ":104672,"åĵªä¸ª":104673,"æīįä¼ļ":104674,"åĪĨéħį":104675,"èĶ¡":104676,"ä»ĸåľ¨":104677,"åħ±æľī":104678,"å¡ĺ":104679,"èĴĤ":104680,"éľį":104681,"åıĤè§Ĥ":104682,"ä¸Ī夫":104683,"ä¾ĿéĿł":104684,"æľīæŶ":104685,"äºĨå¾Īå¤ļ":104686,"ä¸ĸçķĮæĿ¯":104687,"家æĹı":104688,"ä¸įéľĢè¦ģ":104689,"大å¸Ī":104690,"èŀįåħ¥":104691,"éĿŀæ³ķ":104692,"çĹħ人":104693,"åIJİæľŁ":104694,"大家éĥ½":104695,"ç½ijåĿĢ":104696,"åİŁæĸĻ":104697,"ä¾¿å®ľ":104698,"æ¶Ľ":104699,"ä»¿ä½Ľ":104700,"å·®è·Ŀ":104701,"åı¦ä¸Ģæĸ¹éĿ¢":104702,"产åĵģçļĦ":104703,"赫":104704,"æĥħåĨµä¸ĭ":104705,"éĴ¢éĵģ":104706,"æľ¬ç«Ļ":104707,"纳åħ¥":104708,"å·²æľī":104709,"æľī没æľī":104710,"估计":104711,"é£ĺ":104712,"æľŁè´§":104713,"åĢĭ人è³ĩæĸĻ":104714,"ä¸ĵä¸ļçļĦ":104715,"çĪĨåıij":104716,"èĩ´åĬĽäºİ":104717,"çİ°åľ¨çļĦ":104718,"æľīåĵªäºĽ":104719,"çł´åĿı":104720,"æķ°åŃĹåĮĸ":104721,"åľ°éĿ¢":104722,"é»ijèī²":104723,"å¹¼åĦ¿åĽŃ":104724,"çļĦç²¾ç¥ŀ":104725,"äºŃ":104726,"导æ¼Ķ":104727,"çİ°æľī":104728,"æѦåĻ¨":104729,"èĭıå·ŀ":104730,"çİĦ":104731,"æ±Łè¥¿":104732,"延伸":104733,"论æĸĩ":104734,"è¾ĥ为":104735,"çİ©æ³ķ":104736,"é¼İ":104737,"åIJĮæŃ¥":104738,"éĩĬæĶ¾":104739,"æĽĿåħī":104740,"åĿļåĨ³":104741,"å§Ķæīĺ":104742,"å°Ĩåľ¨":104743,"äºĪ以":104744,"ä½ľæĸĩ":104745,"èĢĮåľ¨":104746,"ä¼ĺåħĪ":104747,"åĽŀåİ»":104748,"ä¿®å¤į":104749,"åĽ½åĨħå¤ĸ":104750,"çŃĸåĪĴ":104751,"åıijæĶ¾":104752,"å¿ĥæĥħ":104753,"çļĦåİĨåı²":104754,"éĿ¢è¯ķ":104755,"举åĮĹ":104756,"ä¿¡åı·":104757,"ç²®é£Ł":104758,"è¯ģ书":104759,"æŁIJäºĽ":104760,"è¿IJä½ľ":104761,"åĨ²åĩ»":104762,"çĥŃçĤ¹":104763,"æŶæŶ":104764,"æŶæĹ¶å½©":104765,"åľ°çĤ¹":104766,"ä¸Ģä½ĵåĮĸ":104767,"éļ¾é¢ĺ":104768,"æĽ°":104769,"ç«ĭåĪ»":104770,"æĺ¯éĿŀ常":104771,"åħ±åĴĮ":104772,"åħ±åĴĮåĽ½":104773,"æ¿ĢåĬ±":104774,"æľīæķĪçļĦ":104775,"å¤Ħç½®":104776,"该åħ¬åı¸":104777,"æ£ĢéªĮ":104778,"èѦæĸ¹":104779,"è´¾":104780,"äºĨä¸Ģä¸ĭ":104781,"ä»ĬåIJİ":104782,"çħ®":104783,"çĶ¨åĵģ":104784,"读èĢħ":104785,"æĪijåľ¨":104786,"åĽŀå¤į":104787,"ä¸Ģ座":104788,"è¿ĺ没":104789,"å®ļåĪ¶":104790,"没æĥ³åĪ°":104791,"夹":104792,"ä¼łéĢĴ":104793,"ä¸Ģ款":104794,"强大çļĦ":104795,"çļĦè¡Į为":104796,"å¤ı天":104797,"åıijåĬ¨æľº":104798,"é¢ĨåŁŁçļĦ":104799,"å®ŀéªĮ室":104800,"ä¸ĢæĬĬ":104801,"æĺ¯ä¸ºäºĨ":104802,"éĻķ西":104803,"æĭħä¿Ŀ":104804,"è¾¾æĪIJ":104805,"è¦ģæĺ¯":104806,"æĺİ天":104807,"ç»Ļä»ĸ":104808,"建ç«ĭäºĨ":104809,"ä¸įè¡Į":104810,"ä¸Ńæĸĩ":104811,"åľ°è¯´":104812,"åIJİçļĦ":104813,"çĽijæݧ":104814,"éĢ¸":104815,"æĢ»éĥ¨":104816,"æľ¬æĸĩ":104817,"鹿":104818,"æĻ¯è§Ĥ":104819,"çļĦ缮æłĩ":104820,"èĽĩ":104821,"åĨ¯":104822,"ä¸ŃåĮ»":104823,"æķĪåºĶ":104824,"产éĩı":104825,"åŃĿ":104826,"è´¦æĪ·":104827,"è¿Ŀåıį":104828,"èij£äºĭä¼ļ":104829,"äº¬ä¸ľ":104830,"责任ç¼ĸè¾ij":104831,"åķıé¡Į":104832,"çĪ±å¿ĥ":104833,"èŃ¦å¯Ł":104834,"é¤IJåİħ":104835,"å¸ĤæĶ¿åºľ":104836,"天天":104837,"æĸ°é²ľ":104838,"éĥijå·ŀ":104839,"è¶ħè¶Ĭ":104840,"å½Ń":104841,"çŁ¥è¯Ĩ产æĿĥ":104842,"åĽŀå¿Ĩ":104843,"路线":104844,"å»īæ´ģ":104845,"éĿĴå°ijå¹´":104846,"åıĸå¾ĹäºĨ":104847,"çľĭåĪ°äºĨ":104848,"馬":104849,"ç²¾åĵģ":104850,"åľ°éĵģ":104851,"æĮģæľī":104852,"ä¸ĭäºĨ":104853,"æľīæŶåĢĻ":104854,"ä¸Ģ人":104855,"æĴĴ":104856,"ä»Ķç»Ĩ":104857,"èĢģåħ¬":104858,"äºĭå®ŀä¸Ĭ":104859,"èģĶèµĽ":104860,"ä¾ĽåºĶéĵ¾":104861,"é¢Ħç®Ĺ":104862,"åĪ¶éĢłä¸ļ":104863,"å®īåħ¨çĶŁäº§":104864,"俱ä¹IJ":104865,"俱ä¹IJéĥ¨":104866,"çļĦæł¸å¿ĥ":104867,"æīĵç®Ĺ":104868,"å½±çīĩ":104869,"æIJŃ建":104870,"ä¹Łä¸įä¼ļ":104871,"æĭħå½ĵ":104872,"å±ĤéĿ¢":104873,"åѦåijĺ":104874,"临æŶ":104875,"缸ç»ĵåIJĪ":104876,"对æ¯Ķ":104877,"ä»ĸæĺ¯":104878,"æĸ°åĮº":104879,"è¿Ľåİ»":104880,"çĻ¾å¹´":104881,"ä¿©":104882,"尽快":104883,"çĶµåŃIJåķĨåĬ¡":104884,"æĽ´æľī":104885,"æ¸ħçIJĨ":104886,"åı¦ä¸Ģ个":104887,"åĤ»":104888,"ä»Ģä¹Īæł·çļĦ":104889,"æĺ¯æľĢ":104890,"åij¨å¹´":104891,"å¾Ī容æĺĵ":104892,"åĽ¢ç»ĵ":104893,"ç´Ħ":104894,"æĹ©å·²":104895,"çļĦåıĺåĮĸ":104896,"éľŀ":104897,"æĹ¥ä¸ĬåįĪ":104898,"失åİ»":104899,"ä¸Ńåľĭ":104900,"çļĦä¸ĢäºĽ":104901,"å°ıåŃ©":104902,"ä¸ĭè·Į":104903,"éĶ»çĤ¼":104904,"éij":104905,"éij«":104906,"å¿ĹæĦ¿èĢħ":104907,"èĤ¡å¸Ĥ":104908,"èµĽäºĭ":104909,"许åı¯è¯ģ":104910,"åı¯æĮģç»Ń":104911,"åijĬè¯īè®°èĢħ":104912,"éĢ»è¾ij":104913,"å¼ķåħ¥":104914,"çļĦè¿ĩç¨ĭä¸Ń":104915,"è§Ĩè§ī":104916,"èĩªæ²»åĮº":104917,"è¯ģæį®":104918,"è£ħç½®":104919,"第ä¸īæĸ¹":104920,"å¹´æĿ¥":104921,"å¹¿ä¸ľçľģ":104922,"带æĿ¥äºĨ":104923,"éķ¿æ±Ł":104924,"访éĹ®":104925,"å·®ä¸įå¤ļ":104926,"æĺ¯æĪij":104927,"éģŃéģĩ":104928,"æĬĵ好":104929,"é«ĺè¾¾":104930,"å¹¶åľ¨":104931,"èĩªè§ī":104932,"ä¾ĽåºĶåķĨ":104933,"æĥħæĦŁ":104934,"ä½ıäºĨ":104935,"çļĦèģĮä¸ļ":104936,"çļĩå¸Ŀ":104937,"西éĥ¨":104938,"åĴĮå¹³":104939,"çļĦåĬĽéĩı":104940,"汪":104941,"åħħåĪĨåıijæĮ¥":104942,"æĬķè¯ī":104943,"èµ·åĪ°":104944,"äºĴ缸":104945,"æ¾³éŨ":104946,"æİ¥åĪ°":104947,"æ°´æ³¥":104948,"模åŀĭ":104949,"ä¸ĢåįĬ":104950,"秩åºı":104951,"æĪijä»¬åľ¨":104952,"æī¿è®¤":104953,"ä¸Ģéĥ¨åĪĨ":104954,"åįłæ¯Ķ":104955,"å¦ĩ女":104956,"ç²ĺ":104957,"äºĨ解åĪ°":104958,"ä¸Ģå®ļä¼ļ":104959,"åIJĦ大":104960,"èµ°åĩº":104961,"为大家":104962,"é«ĺéĵģ":104963,"åı¯ä»¥åľ¨":104964,"ä½Ĩåľ¨":104965,"çĶŁæĢģçݯå¢ĥ":104966,"èı¯":104967,"çļĦä»·æł¼":104968,"麻çĥ¦":104969,"æ¿Ģåıij":104970,"éĤ£å°±":104971,"çļĦæł·åŃIJ":104972,"为æѤ":104973,"å¤©åľ°":104974,"çļĦ缮çļĦ":104975,"åĢºåĪ¸":104976,"å·²ç¶ĵ":104977,"åĽĽå¤§":104978,"åIJĮæĹ¶ä¹Ł":104979,"å½¼æѤ":104980,"æĭ¿åĪ°":104981,"åIJ«éĩı":104982,"åįģ大":104983,"éļ¾éģĵ":104984,"å¼Ĺ":104985,"ä¸Ģ段æŶéĹ´":104986,"çħ§é¡¾":104987,"æķ°æį®æĺ¾ç¤º":104988,"æĪIJ为äºĨ":104989,"èµ°åĪ°":104990,"æľ¬åħ¬åı¸":104991,"ç»Ī端":104992,"ä¹Łä¸įæĺ¯":104993,"头åıij":104994,"大约":104995,"é£İæĻ¯":104996,"æ¶ĪèĢĹ":104997,"å®¡æŁ¥":104998,"äºīåıĸ":104999,"æ³ķæ²»":105000,"äºĭçī©":105001,"ç¼ĵ解":105002,"æĥ¨":105003,"缸åºĶçļĦ":105004,"çļĦæķĪæŀľ":105005,"åıįå¤į":105006,"åıijçĶŁäºĨ":105007,"éĢĻäºĽ":105008,"ç»ĥä¹ł":105009,"åݨæĪ¿":105010,"å¼Ģæĭĵ":105011,"欣èµı":105012,"夫妻":105013,"ä¸įä¸Ģæł·":105014,"产èĥ½":105015,"èĬ¯çīĩ":105016,"è¦ģç´ł":105017,"åıį对":105018,"çİĩåħĪ":105019,"è´§çī©":105020,"æĹ¥çĶµ":105021,"ä½ľå®¶":105022,"æĶ¹è¿Ľ":105023,"æĪIJåĪĨ":105024,"åĽłèĢĮ":105025,"åĩıèĤ¥":105026,"æ½ĺ":105027,"å±±ä¸ľçľģ":105028,"åĬĿ":105029,"åŁĭ":105030,"æѦè£ħ":105031,"æ±ĩæĬ¥":105032,"ä¸Ģ个æľĪ":105033,"çĥŃéŨ":105034,"大éģĵ":105035,"æ´»åĭķ":105036,"éĥ½å¾Ī":105037,"çĶµæ¢¯":105038,"ç´§æĢ¥":105039,"åĢºåĬ¡":105040,"客æľį":105041,"ä¸Ģéĥ¨":105042,"ä½łæĺ¯":105043,"çİ°çĬ¶":105044,"æŃ£ç¡®çļĦ":105045,"ä¹ĭå¤Ħ":105046,"ç¼ĸåĪ¶":105047,"ä½łåı¯ä»¥":105048,"çŃīåľ°":105049,"èİī":105050,"对è¯Ŀ":105051,"æ·ĺå®Ŀ":105052,"è°ĥèĬĤ":105053,"æİĴæĶ¾":105054,"åºĵåŃĺ":105055,"ç´ļ":105056,"çļĦä¼ĺåĬ¿":105057,"æĿĥå¨ģ":105058,"以ä¸ĭç®Ģ称":105059,"ä¸Ģ项":105060,"èģļéĽĨ":105061,"ä¼łç»ŁçļĦ":105062,"æ··åIJĪ":105063,"è¿Ļä¸ĢçĤ¹":105064,"ä¸Ģçľ¼":105065,"æĹłéĻIJ":105066,"èİ·å¾ĹäºĨ":105067,"éĢīæīĭ":105068,"åĪ¶åĵģ":105069,"åįıä½ľ":105070,"çĭ¬çī¹çļĦ":105071,"ä¸Ģ级":105072,"è¿Ļ个éĹ®é¢ĺ":105073,"æĸĮ":105074,"æĺ¯æĪij们":105075,"æķĮ人":105076,"æ¸ħæ´Ĺ":105077,"ä¸ĢçĽ´åľ¨":105078,"å°ıç±³":105079,"çļĦè¿ĩç¨ĭ":105080,"åľ¨åĮĹ京":105081,"ä¸ĢæĶ¯":105082,"æĹ©ä¸Ĭ":105083,"æĸĩèīº":105084,"ç¦ıåĪ©":105085,"é£ŁçĶ¨":105086,"æĦŁåĬ¨":105087,"åħ¨ç¨ĭ":105088,"æĶ¯åĩº":105089,"æĸ°å»º":105090,"å¸ķ":105091,"æĺ¾çĦ¶":105092,"羣çļĦæĺ¯":105093,"æĸ°éĹ»ç½ij":105094,"èĥ½åIJ¦":105095,"åįıåĬ©":105096,"亲èĩª":105097,"å¾Īæľī":105098,"çĻ¼å±ķ":105099,"æĦı大":105100,"æĦı大åĪ©":105101,"çĶµç½ij":105102,"æĹ¥çĽĬ":105103,"çĨ±":105104,"èĤĮèĤ¤":105105,"çĶ·æĢ§":105106,"ç»Ħ建":105107,"çŃīéĹ®é¢ĺ":105108,"æ¶ĪéĻ¤":105109,"æĬ¤çIJĨ":105110,"å¡ijæĸĻ":105111,"ä¹Įåħĭ":105112,"ä¹Įåħĭåħ°":105113,"åķĨæłĩ":105114,"çIJ³":105115,"æĸ°æīĭ":105116,"çļĦçī¹çĤ¹":105117,"åĴ¬":105118,"å½ĵä¸ĭ":105119,"设计å¸Ī":105120,"èµĶåģ¿":105121,"第åįģ":105122,"æĻºèĥ½åĮĸ":105123,"å¼ĢåıijåĮº":105124,"åı¯ä»¥éĢļè¿ĩ":105125,"åħ±äº§åħļ":105126,"åİī害":105127,"çģµæ´»":105128,"æŶåħī":105129,"éĥ¨ä½į":105130,"人æĸĩ":105131,"è¿ĽæĿ¥":105132,"ä¹ĭæīĢ以":105133,"ä¸īåįģ":105134,"çļĦåѦçĶŁ":105135,"éĺ²æĬ¤":105136,"åĽ½äº§":105137,"æ·±åľ³å¸Ĥ":105138,"éĤ£å°±æĺ¯":105139,"åĪ°ä½į":105140,"çī¹æľĹ":105141,"çī¹æľĹæĻ®":105142,"å®ŀæŶ":105143,"åı°çģ£":105144,"èĢĮä¸į":105145,"æĮĩå®ļ":105146,"åĿĿ":105147,"èħIJè´¥":105148,"çī¹å®ļ":105149,"å¢ŀéĢŁ":105150,"æłĩçŃ¾":105151,"æĪ¿ä»·":105152,"æĦģ":105153,"贯彻èIJ½å®ŀ":105154,"æĢ§è´¨":105155,"çłĶ究çĶŁ":105156,"ç¾İ容":105157,"æī¹è¯Ħ":105158,"究竣":105159,"人åĬĽèµĦæºIJ":105160,"éĸĭå§ĭ":105161,"åĽŀå½Ĵ":105162,"èIJ¥åķĨ":105163,"èIJ¥åķĨçݯå¢ĥ":105164,"ä¸ŃåĽ½äºº":105165,"çļĦåŁºæľ¬":105166,"è¯Ŀé¢ĺ":105167,"æłĩåĩĨåĮĸ":105168,"西èĹı":105169,"åĭ¾":105170,"çļĦ设计":105171,"ç®ĢåįķçļĦ":105172,"å¤įåĪ¶":105173,"æ¸IJæ¸IJ":105174,"以å¤ĸ":105175,"èģĶåĬ¨":105176,"两次":105177,"æĢ§åĴĮ":105178,"æĽ´å¤§":105179,"çļĦåIJįåŃĹ":105180,"飦":105181,"ä½łè¦ģ":105182,"å¢ĥå¤ĸ":105183,"æĹ©æľŁ":105184,"åĪĿæŃ¥":105185,"è´¦åı·":105186,"害æĢķ":105187,"æĺ¨æĹ¥":105188,"åĪļæīį":105189,"ç¥ŀç§ĺ":105190,"ç²¾å¿ĥ":105191,"æµģéĢļ":105192,"åħ¨æĸ¹ä½į":105193,"以å¾Ģ":105194,"ä¹Łå°Ĩ":105195,"æĺ¯ä¸ŃåĽ½":105196,"åĽ½å®¶çº§":105197,"å°ĨåĨĽ":105198,"æijĬ":105199,"æľĢ为":105200,"第ä¸ĢæŶéĹ´":105201,"æ¶Īæ¯Ĵ":105202,"å°Ĩäºİ":105203,"å¨ģèĥģ":105204,"èĭ±æĸĩ":105205,"æīĭä¸Ń":105206,"çIJĥè¿·":105207,"è§Ĥçľĭ":105208,"离å©ļ":105209,"æľ¬åľŁ":105210,"åĪĨæķ£":105211,"æĻ´":105212,"è¦ģ注æĦı":105213,"浪费":105214,"管æݧ":105215,"åĩºåĶ®":105216,"æĢ»è£ģ":105217,"ä¸Ģéĺµ":105218,"å¨ĩ":105219,"äºĶ个":105220,"å½ĵåĪĿ":105221,"çºłçº·":105222,"ä¸ĵçĶ¨":105223,"å¤ĩæ¡Ī":105224,"åĪĿæľŁ":105225,"å®ĥæĺ¯":105226,"åĮºåĿĹ":105227,"åĮºåĿĹéĵ¾":105228,"大è¿ŀ":105229,"è¿Ļç±»":105230,"åıĺæĪIJäºĨ":105231,"éĤĦæĺ¯":105232,"åįļ客":105233,"çı¾åľ¨":105234,"ä¸Ģæĸ¹":105235,"å®ĮæĪIJäºĨ":105236,"è¿Ļ个æŶåĢĻ":105237,"åħ¨å¹´":105238,"ä¸Ĭ线":105239,"ç½IJ":105240,"ç«ŀèµĽ":105241,"åĩºçīĪ社":105242,"åĵ¥åĵ¥":105243,"寫":105244,"å¾Ĺ以":105245,"èĬ±åĽŃ":105246,"äºĨèµ·æĿ¥":105247,"èĦ±è´«æĶ»åĿļ":105248,"çļĦåİŁåĪĻ":105249,"讲解":105250,"æ¶ĪåĮĸ":105251,"æįŁå®³":105252,"æļĤæŶ":105253,"å¾ĹçŁ¥":105254,"éĢĤçĶ¨":105255,"éŨåºĹ":105256,"解读":105257,"æĻ®åıĬ":105258,"人æ°ijæ³ķéĻ¢":105259,"åī¯ä¸»ä»»":105260,"å¿ĥçģµ":105261,"è¯ĬæĸŃ":105262,"ç¾İ女":105263,"æŁ¯":105264,"年以æĿ¥":105265,"æ´»è·ĥ":105266,"åĢŁåĬ©":105267,"åħ±å»º":105268,"è¯ī讼":105269,"æĶ¾æĿ¾":105270,"çªĹåı£":105271,"ä¼ģæ¥Ń":105272,"åĬłæĭ¿":105273,"åĬłæĭ¿å¤§":105274,"ä¹°äºĨ":105275,"主æµģ":105276,"æĩĤå¾Ĺ":105277,"å°Ĩåħ¶":105278,"éĢıæĺİ":105279,"å·¥ä½ľä¸Ń":105280,"èĤ¡ä»·":105281,"æ¡£æ¡Ī":105282,"没æľīä»»ä½ķ":105283,"åijĬçŁ¥":105284,"å¹´åĪĿ":105285,"æĹ¥ä¸ĭåįĪ":105286,"åİĤåķĨ":105287,"èĬĤå¥ı":105288,"主导":105289,"è£Ŀ":105290,"åħ³éĶ®è¯į":105291,"èģĬ天":105292,"åĨĻä½ľ":105293,"æĶ¹éĿ©å¼ĢæĶ¾":105294,"æľīæľĽ":105295,"éĢļæĬ¥":105296,"èIJĮ":105297,"æĢ»é¢Ŀ":105298,"çŁŃæľŁ":105299,"ä¸Ģçķª":105300,"çĶŁæ´»çļĦ":105301,"åĮĸçļĦ":105302,"æĺ¥å¤©":105303,"è¿Ļåľº":105304,"æĸ°å¼Ģä¼łå¥ĩ":105305,"æĺ¯è¦ģ":105306,"å°ļæľª":105307,"åıĺæĽ´":105308,"ä¸Ģåij¨":105309,"客è§Ĥ":105310,"æĹ¥èĩ³":105311,"é¹°":105312,"çݲ":105313,"å°ĨæĿ¥":105314,"客人":105315,"åıĺéĿ©":105316,"说äºĨ":105317,"åİŁçIJĨ":105318,"èģĮåĬ¡":105319,"åıĪæľī":105320,"ä¸Ģåı¥è¯Ŀ":105321,"æĦŁåıĹåĪ°":105322,"ç¬ĶèĢħ":105323,"移æ°ij":105324,"西åįĹ":105325,"ä¹ĥèĩ³":105326,"æŃ£è§Ħ":105327,"åĪĿä¸Ń":105328,"çĬ¬":105329,"å½ĵäºĭ":105330,"å½ĵäºĭ人":105331,"æĪij们è¦ģ":105332,"åħ¥åı£":105333,"éĤ£æŶ":105334,"æľīéĻIJ责任":105335,"å°ij女":105336,"è¿Ļä¹Īå¤ļ":105337,"åĪĨåħ¬åı¸":105338,"å®ĩå®Ļ":105339,"çļĦéĢīæĭ©":105340,"å§IJå§IJ":105341,"åıijèµ·":105342,"è»į":105343,"æĽ´å¥½åľ°":105344,"éĻĨç»Ń":105345,"æľ¬æľįåĭĻ":105346,"å«©":105347,"赶紧":105348,"èĦĤèĤª":105349,"第äºĮ天":105350,"æĪijä¼ļ":105351,"两ä½į":105352,"æķ²":105353,"åħ¬å®īæľºåħ³":105354,"ç§ijæĬĢåĪĽæĸ°":105355,"尺寸":105356,"è¾IJå°Ħ":105357,"å®ĹæķĻ":105358,"转æį¢":105359,"åĩºçİ°åľ¨":105360,"ä¸Ģé¢Ĺ":105361,"æľŁéĻIJ":105362,"åIJĮåѦ们":105363,"åĮĹæĸ¹":105364,"ä½łå°±":105365,"ä¸Ģ带ä¸Ģè·¯":105366,"èĢģå©Ĩ":105367,"游æĪıçݩ家":105368,"çļĦç»ĵæŀľ":105369,"è¡¥åģ¿":105370,"å¤ĸè´¸":105371,"对å¾ħ":105372,"ç»´çĶŁç´ł":105373,"ç»ıéĶĢåķĨ":105374,"è¿ĺå°Ĩ":105375,"åŃIJ女":105376,"æĽ´é«ĺ":105377,"ä¸į大":105378,"éī´å®ļ":105379,"让ä»ĸ们":105380,"æīĢè°ĵçļĦ":105381,"æŃ»äºĨ":105382,"帮æī¶":105383,"åĵ²åѦ":105384,"以ä¸ĬçļĦ":105385,"çļĦåħ³éĶ®":105386,"æĹ©å°±":105387,"æĬ¥ä»·":105388,"éģµå®Ī":105389,"æī©å¼ł":105390,"æĺ¯å¾Ī":105391,"å¼ĢéĢļ":105392,"æĸ°åĬł":105393,"æĸ°åĬłåĿ¡":105394,"ç¿»è¯ij":105395,"询éĹ®":105396,"é¸Ń":105397,"ä½ĵåĨħ":105398,"两个人":105399,"çĪ¹":105400,"éľľ":105401,"乡æĿijæĮ¯åħ´":105402,"çĿ¡è§ī":105403,"å®ĺåijĺ":105404,"åĪĽå§ĭ":105405,"åĪĽå§ĭ人":105406,"ä¼Ĺ人":105407,"åį³ä¾¿":105408,"çĸ«èĭĹ":105409,"ä¼ģä¸ļ家":105410,"渣":105411,"ç²¾åĬĽ":105412,"å¤ĸéĥ¨":105413,"èģªæĺİ":105414,"è¿Ļä¹Ł":105415,"å½ķåıĸ":105416,"åĨ²çªģ":105417,"åħ¨èº«":105418,"åŃ£èĬĤ":105419,"忽çĦ¶":105420,"çļĦæĢģ度":105421,"åĤ¨å¤ĩ":105422,"ä¿Ŀåħ»":105423,"çļĦæĥ³æ³ķ":105424,"ä¸Ĭæµ·å¸Ĥ":105425,"æIJºæīĭ":105426,"çļĦä¿¡æģ¯":105427,"åķĨåľº":105428,"çļĦæĢĿæĥ³":105429,"æĿĥåĬĽ":105430,"毫æĹł":105431,"æĢĢåŃķ":105432,"硬件":105433,"åĨħèĴĻåı¤":105434,"æݢ讨":105435,"åħ»çĶŁ":105436,"çļĦ表çİ°":105437,"空ä¸Ń":105438,"æģIJæĢĸ":105439,"å¾Īé«ĺ":105440,"ç»ıæµİ社ä¼ļ":105441,"ä¸ĬæĿ¥":105442,"延ç»Ń":105443,"éĩįå¤į":105444,"éĺ²èĮĥ":105445,"çļĦå½¢å¼ı":105446,"æľĪåºķ":105447,"èĢģ年人":105448,"绿åĮĸ":105449,"å±±åĮº":105450,"æĭ¿åĩº":105451,"æĹħ客":105452,"æĽ´æį¢":105453,"åħ¬ä¸»":105454,"èĬĤ约":105455,"åħ¨åİ¿":105456,"åĽŀæĬ¥":105457,"çIJĨæĢ§":105458,"çĸ¯çĭĤ":105459,"æ¶īå«Į":105460,"åī§æĥħ":105461,"åĨ¬åŃ£":105462,"åIJİç»Ń":105463,"è¿Ļæĺ¯ä¸Ģ个":105464,"æ¼Ķ讲":105465,"ä¸Ģå±Ĥ":105466,"æľīåħ³éĥ¨éŨ":105467,"æĹłå¥Ī":105468,"ç§įç±»":105469,"缸åħ³çļĦ":105470,"æĪĸèĢħæĺ¯":105471,"æī¶æĮģ":105472,"å¤ļæķ°":105473,"çļĦä½ľåĵģ":105474,"ä¸ĭä¸ĢæŃ¥":105475,"å¸ĪåĤħ":105476,"é«ĺéĢŁåħ¬è·¯":105477,"好åıĭ":105478,"ä¼ĺç§ĢçļĦ":105479,"è¿ĽäºĨ":105480,"æģIJæĢķ":105481,"äºĨåIJ§":105482,"大è§Ħ模":105483,"çļĦä¸ĸçķĮ":105484,"æĢĢçĸij":105485,"å··":105486,"åħ´å¥ĭ":105487,"æĪ°":105488,"æĿijéĩĮ":105489,"æľĭåıĭåľĪ":105490,"åĨ¬å¤©":105491,"ä¸Ńåįİ人æ°ij":105492,"åįıåķĨ":105493,"è¯ĦéĢī":105494,"æĹŃ":105495,"å¢ŀåĬłäºĨ":105496,"åıĹ伤":105497,"ä¸ĢèĤ¡":105498,"便æį·":105499,"ä¸ij":105500,"鹤":105501,"å¤ĸè§Ĥ":105502,"å·¥ç¨ĭå¸Ī":105503,"åĴĮåħ¶ä»ĸ":105504,"è¿Ļå°±":105505,"ä¸Ńå°ıä¼ģä¸ļ":105506,"西åĮĹ":105507,"åĽ½æľīä¼ģä¸ļ":105508,"èĭ¥æĺ¯":105509,"åı¯æĥľ":105510,"çĶŁæĹ¥":105511,"åĩ½":105512,"ä¹°åįĸ":105513,"ç¥Ŀç¦ı":105514,"人æ°ij群ä¼Ĺ":105515,"åħīæĺİ":105516,"åħ¬å¯ĵ":105517,"æĺ¯è°ģ":105518,"æĪijçŁ¥éģĵ":105519,"è¯Ńæĸĩ":105520,"æķıæĦŁ":105521,"ä¸įéĶĻçļĦ":105522,"æĿ¥è®²":105523,"æ³¢åĬ¨":105524,"çļĦ第ä¸Ģ":105525,"åľ°éľĩ":105526,"åľ¨åħ¨åĽ½":105527,"骨干":105528,"å®īç½®":105529,"家çĶµ":105530,"ä¸İæѤ":105531,"ä¸İæѤåIJĮæŶ":105532,"åıĹçģ¾":105533,"çĥŃ线":105534,"çļĦæĬĢæľ¯":105535,"æµĭéĩı":105536,"ä¾Ŀèµĸ":105537,"ä¸ŃåĽ½çļĦ":105538,"çī¹æĢ§":105539,"è¾ĥé«ĺ":105540,"踩":105541,"ä¼ļåľ¨":105542,"建éĢł":105543,"导èĪª":105544,"æĥ³èµ·":105545,"åħ¨ä¸ĸçķĮ":105546,"建æĿIJ":105547,"ç¯Ģ":105548,"çļĦåŁºç¡Ģ":105549,"èĩªåĬ¨åĮĸ":105550,"åīįåIJİ":105551,"çĿ¡çľł":105552,"æݨè¡Į":105553,"æį®äºĨ解":105554,"ä»Ģä¹ĪæŶåĢĻ":105555,"ä¸įåĸľæ¬¢":105556,"çħ¤çĤŃ":105557,"éĤ£ä¹Īå¤ļ":105558,"å¸ĤåľºåĮĸ":105559,"ä¸į管æĺ¯":105560,"ç«ĭåľº":105561,"éĥ½æ²¡":105562,"课é¢ĺ":105563,"æĪij们å°Ĩ":105564,"è¿ĩçļĦ":105565,"åĨįåĬłä¸Ĭ":105566,"çĪ¾":105567,"身æĿIJ":105568,"çĶ·å¥³":105569,"è¿ľè¿ľ":105570,"çĶ·çĶŁ":105571,"èĩªèº«çļĦ":105572,"è´Łæĭħ":105573,"çĻ¾ä¸ĩ":105574,"西çıŃ":105575,"西çıŃçīĻ":105576,"åĩĢåĪ©æ¶¦":105577,"澳大":105578,"澳大åĪ©äºļ":105579,"ä¸įåİ»":105580,"æī¿åıĹ":105581,"楼çĽĺ":105582,"å¢ĥåĨħ":105583,"æ··åĩĿ":105584,"æ··åĩĿåľŁ":105585,"æĢĿæĥ³æĶ¿æ²»":105586,"å¸ĤåĮº":105587,"æĭĽæłĩ":105588,"åĽ¢ä½ĵ":105589,"è¿Ľåº¦":105590,"åĨĽéĺŁ":105591,"åıįå¼¹":105592,"äºĨä¸ĢäºĽ":105593,"æİ¥å¾ħ":105594,"çļĦåŃ¦ä¹ł":105595,"éħįéĢģ":105596,"é£Łåĵģå®īåħ¨":105597,"æĽ¿ä»£":105598,"æĺ¯ä»¥":105599,"éĢļçĶ¨":105600,"çłĶ究æīĢ":105601,"ç¦ħ":105602,"æīĶ":105603,"éļĶ离":105604,"ä¸ĩå¹³æĸ¹ç±³":105605,"çļĦè§Ħå®ļ":105606,"ç»ĻæĪij们":105607,"æ¿Ģåħī":105608,"ä¼ļåĩºçİ°":105609,"çŁŃä¿¡":105610,"ç©¿çĿĢ":105611,"æ²Īéĺ³":105612,"æķĻæĿIJ":105613,"éĺ²çĸ«":105614,"ä¼ĺèī¯":105615,"约å®ļ":105616,"æĪijçľģ":105617,"åħ¬æ°ij":105618,"éģ¸æĵ":105619,"éģ¸æĵĩ":105620,"å·²æĪIJ为":105621,"ä¸įå¿ħ":105622,"ç¥ĸåĽ½":105623,"å¹¶æľª":105624,"åľŁå£¤":105625,"å¾®ç¬ij":105626,"äºĭä¸ļåįķä½į":105627,"çļĦ游æĪı":105628,"åħ¬ç¤º":105629,"åIJĪçIJĨçļĦ":105630,"çªĿ":105631,"æ°Ķ象":105632,"家ä¸Ń":105633,"äº®çĽ¸":105634,"åį«æĺŁ":105635,"è®°è½½":105636,"è§Ĩéĩİ":105637,"åľ°åĮºçļĦ":105638,"ä½Ĩä»ĸ":105639,"èĤĮèĤī":105640,"äºıæįŁ":105641,"åĬŀåѦ":105642,"ä¸Ģè¡Į":105643,"è¯ŀçĶŁ":105644,"åıijå¸ĥçļĦ":105645,"çļĦæľįåĬ¡":105646,"çļĦçłĶ究":105647,"åij¨æľ«":105648,"产ä¸ļåĽŃ":105649,"é«ĺ温":105650,"æĪIJåĬŁçļĦ":105651,"æŃ¥éª¤":105652,"åŃĺåĤ¨":105653,"åŃIJåħ¬åı¸":105654,"让她":105655,"ä¸Ńæľī":105656,"åĺī宾":105657,"妮":105658,"æĺİå¹´":105659,"äºĨåIJĹ":105660,"äºīè®®":105661,"æĪĪ":105662,"ä¸Ģæľ¬":105663,"ç¾İ丽çļĦ":105664,"ä½łè¯´":105665,"大人":105666,"æĶ»çķ¥":105667,"ä¸įæľĥ":105668,"å¾ħéģĩ":105669,"ä¸Ģè¾Ĩ":105670,"çīĪæĿĥæīĢæľī":105671,"æ°ijä¼Ĺ":105672,"åĬŁå¤«":105673,"å±ķä¼ļ":105674,"大èĦij":105675,"æ¯ıæľĪ":105676,"å°ı麦":105677,"æµĻæ±Łçľģ":105678,"çļĦæīĢæľī":105679,"ä¸ĭæ»ij":105680,"èĵĿèī²":105681,"è¦ģæĥ³":105682,"åѦçĶŁçļĦ":105683,"å½ĵä½ł":105684,"ä½ľæĪĺ":105685,"家乡":105686,"å¤ļåIJį":105687,"é«ĺäºİ":105688,"åĿļ强":105689,"è¿ŀéĶģ":105690,"åIJİæŀľ":105691,"人äºĭ":105692,"ç´ħ":105693,"æ¿ĢåĬ¨":105694,"è¿ĽæĶ»":105695,"ç©Ĩ":105696,"ä¸ĺ":105697,"让èĩªå·±":105698,"以æѤ":105699,"夫人":105700,"å¼Ģ设":105701,"æ°Ķè´¨":105702,"鸡èĽĭ":105703,"çĦ¡æ³ķ":105704,"åIJĥäºĨ":105705,"åĪĨåĪ«ä¸º":105706,"èģĶåIJĪåĽ½":105707,"å½ĵ代":105708,"å¦Ĥæŀľæĺ¯":105709,"è¿ľç¨ĭ":105710,"åĸĤ":105711,"è®°ä½ı":105712,"æ¸ħåįķ":105713,"åIJĪä½ľä¼Ļä¼´":105714,"åİ»åģļ":105715,"æķħéļľ":105716,"模æĭŁ":105717,"å¸ĪçĶŁ":105718,"åīįæĿ¥":105719,"çĶµè§Ĩåī§":105720,"çĥŃçĪ±":105721,"éľ²åĩº":105722,"é«ĺå±Ĥ":105723,"çĶµåĻ¨":105724,"纪å¾ĭ":105725,"å¼ĢåıijåķĨ":105726,"éķ¿å®ī":105727,"è½½ä½ĵ":105728,"çļĦå°±æĺ¯":105729,"被人":105730,"åıĹçIJĨ":105731,"篮çIJĥ":105732,"èİİ":105733,"交ç»Ļ":105734,"æľªæĿ¥çļĦ":105735,"两大":105736,"åIJķå¸ĥ":105737,"çŃī人":105738,"çļĦæĹ¥åŃIJ":105739,"åIJĪä½ľç¤¾":105740,"æĮijéĢī":105741,"åŃĺ款":105742,"ç³»ç»ŁçļĦ":105743,"æĬĬå®ĥ":105744,"没æľīä»Ģä¹Ī":105745,"ä»İæѤ":105746,"ä¸ŃåįĪ":105747,"çĸ¼çĹĽ":105748,"å·©åĽº":105749,"浪漫":105750,"缸åħ³éĥ¨éŨ":105751,"éķ¿åŁİ":105752,"纤维":105753,"ä¸ĬéŨ":105754,"çĪĨçĤ¸":105755,"èµ·çĤ¹":105756,"çļĦéĢļçŁ¥":105757,"èĢĮæĿ¥":105758,"çļĦèĢģ":105759,"æīĭéĩĮ":105760,"è¯ŃéŁ³":105761,"è¾Ľèĭ¦":105762,"æ±Łèĭıçľģ":105763,"çĶ¨äºĨ":105764,"身份è¯ģ":105765,"æľīåĬ©":105766,"æľīåĬ©äºİ":105767,"çī©èģĶç½ij":105768,"åĩºéŨ":105769,"å¼ŁåŃIJ":105770,"æĥ¹":105771,"è¿Ļ件äºĭ":105772,"æĪij们åı¯ä»¥":105773,"çļĦçĶŁåij½":105774,"æľīä¸Ģç§į":105775,"åºĹéĵº":105776,"åıĮæīĭ":105777,"çļĦæ¶Īæģ¯":105778,"èĢIJå¿ĥ":105779,"å°´å°¬":105780,"éĤ£å¤©":105781,"é¦ĸæī¹":105782,"æĺ¯ä¸Ģ家":105783,"人æ°Ķ":105784,"åıįæŃ£":105785,"æĪijåĴĮ":105786,"å®łçī©":105787,"ä¸į对":105788,"寻æ±Ĥ":105789,"çĽ¸ä¼¼":105790,"åľ¨ç¾İåĽ½":105791,"åı«åģļ":105792,"åĹİ":105793,"ç«ĭ足":105794,"çĶ¨éĢĶ":105795,"åħĨ":105796,"大æ°Ķ":105797,"åIJijä¸Ĭ":105798,"ä»ĸå°±":105799,"é¡¹çĽ®å»ºè®¾":105800,"èĭ¥å¹²":105801,"æĺ¯æľī":105802,"æ¿Ģæĥħ":105803,"çļĦæĦıä¹ī":105804,"æĺŃ":105805,"严éĩįçļĦ":105806,"å¯ĨéĽĨ":105807,"èĪŀè¹Ī":105808,"èį£èİ·":105809,"èİ·æĤī":105810,"æ±ŁåįĹ":105811,"åģĩå¦Ĥ":105812,"æĪ·å¤ĸ":105813,"线索":105814,"ç§ģ人":105815,"转åŀĭåįĩ级":105816,"çļĦä»·åĢ¼":105817,"åįķçĭ¬":105818,"èĢģçĻ¾å§ĵ":105819,"å°įæĸ¼":105820,"åĽ½éĻħåĮĸ":105821,"ä¼°åĢ¼":105822,"æľįåĬ¡ä¸ļ":105823,"èĩŃ":105824,"æİīäºĨ":105825,"解åĨ³äºĨ":105826,"ä¹Łä¸įèĥ½":105827,"åħ¹":105828,"æĸ¯çī¹":105829,"æķħæĦı":105830,"è¿ĩ度":105831,"èĬĤæĹ¥":105832,"çĻ½çĻľ":105833,"çĻ½çĻľé£İ":105834,"继æī¿":105835,"äºĨä¸įå°ij":105836,"äºĮ人":105837,"è§ģéĿ¢":105838,"æĥ³æĥ³":105839,"å¤įåIJĪ":105840,"康å¤į":105841,"åİ¿åŁİ":105842,"åľ¨åĽ½åĨħ":105843,"åľºåľ°":105844,"éĻ¶çĵ·":105845,"è¿Ļ项":105846,"çľ¼ä¸Ń":105847,"糸":105848,"æĦŁè§īåĪ°":105849,"æŀľçĦ¶":105850,"æĶ¾åħ¥":105851,"约æĿŁ":105852,"æİĴæŁ¥":105853,"车主":105854,"çļĦæĦıæĢĿ":105855,"æĸ°åŁİ":105856,"æĥ³çĿĢ":105857,"éģĤ":105858,"èĮ¶åı¶":105859,"ä¹°æĪ¿":105860,"åĨľæĪ·":105861,"é«ĺæīĭ":105862,"çİīç±³":105863,"æĸ°åĨłèĤºçĤİ":105864,"çħ§æĺİ":105865,"æĮĩåįĹ":105866,"踢":105867,"æķijæı´":105868,"æĻ¯çĤ¹":105869,"ç¨İæĶ¶":105870,"çļĦæīĭ":105871,"æŃ£å¥½":105872,"è¦ģæĬĬ":105873,"éļıæĦı":105874,"åħ¶å®ŀæĺ¯":105875,"ç»Ļèĩªå·±":105876,"è°ĪåĪ¤":105877,"æ¯ı天éĥ½":105878,"æĢģåĬ¿":105879,"é¢Ħ约":105880,"åİĨåı²ä¸Ĭ":105881,"å®Ŀè´Ŀ":105882,"åīįè¿Ľ":105883,"ä¹Łå°±æĺ¯è¯´":105884,"çļĦæĦıè§ģ":105885,"åı£ç½©":105886,"åİĺç±³":105887,"èĬ±è´¹":105888,"ä½ĵèĤ²æĬķ注":105889,"åħ¬ä¼Ĺåı·":105890,"èijĹåIJįçļĦ":105891,"å¼ĢæĪ·":105892,"æĭįåįĸ":105893,"å²ģæľĪ":105894,"åĨħ涵":105895,"å®Įæķ´çļĦ":105896,"é«ĺåİĭ":105897,"åħ¬åĬ¡åijĺ":105898,"使çĶ¨çļĦ":105899,"çĶŁäº§çº¿":105900,"妹妹":105901,"走访":105902,"æĺ¯åı¯ä»¥":105903,"åľ¨å®¶":105904,"æļ´åĬĽ":105905,"æ³°åĽ½":105906,"è´¨çĸij":105907,"ä¸įéģİ":105908,"天çĦ¶æ°Ķ":105909,"缺çĤ¹":105910,"å°ıåŀĭ":105911,"ä¸įä»ħæĺ¯":105912,"é»ijæļĹ":105913,"梨":105914,"æĸĩæĹħ":105915,"è¦ģæľī":105916,"ä¸Ńå±±":105917,"çļĦæķ°æį®":105918,"å¾Ĺå¾Ī":105919,"以便":105920,"对ä»ĸ":105921,"åĬłä»¥":105922,"çĻ¼çı¾":105923,"设å®ļ":105924,"èĤļåŃIJ":105925,"éĿĸ":105926,"å¥īçĮ®":105927,"ä¸įåıĺ":105928,"åı£ç¢ij":105929,"åľ¨åĵªéĩĮ":105930,"ä½IJ":105931,"è¿Ļ两个":105932,"çļĦæĸ¹åIJij":105933,"æŀ«":105934,"äºĮ次":105935,"çīĩåĮº":105936,"éłIJ":105937,"ç£Ĭ":105938,"æĭ¿çĿĢ":105939,"å·²ç»ıæĪIJ为":105940,"ä¹ĭä¸Ĭ":105941,"å®ĹæŨ":105942,"奶奶":105943,"é«ĺæĸ°åĮº":105944,"社æľĥ":105945,"è·Łè¸ª":105946,"æľįåĬ¡ä¸Ńå¿ĥ":105947,"æī¯":105948,"æīĭæĮĩ":105949,"礼çī©":105950,"宿èĪį":105951,"çĶ¨å¿ĥ":105952,"æıIJé«ĺäºĨ":105953,"亮çĤ¹":105954,"ä¸įæĦ¿æĦı":105955,"æĴŃæĶ¾":105956,"å¤ļå°ijéĴ±":105957,"没ä»Ģä¹Ī":105958,"æķ°åįģ":105959,"æĢ»çĽij":105960,"çļĦåŁİå¸Ĥ":105961,"æī¾åĪ°äºĨ":105962,"åĨħåľ°":105963,"åĪ°çİ°åľ¨":105964,"æĪĺæĸĹåĬĽ":105965,"åİŁå§ĭ":105966,"åĥ§":105967,"åĢĴæĺ¯":105968,"æľĢåħ·":105969,"è´«åĽ°æĪ·":105970,"éĢģåĪ°":105971,"级åĪ«":105972,"åĩºèµĦ":105973,"æĪªæŃ¢":105974,"ç§įåŃIJ":105975,"èĥ½ä¸įèĥ½":105976,"幸è¿IJ":105977,"èĸĩ":105978,"项éĵ¾":105979,"æĮĤçīĮ":105980,"ä¸Ģ樣":105981,"ä¹ĺ客":105982,"èIJ½åIJİ":105983,"ä½ĨæĪij":105984,"æĹ©åľ¨":105985,"åĬ¨æ¼«":105986,"å¹³çŃī":105987,"å¯¹ä½ł":105988,"ä¸įæĢķ":105989,"å¤ĸçķĮ":105990,"å¤ļå¹´æĿ¥":105991,"é¦ĸ个":105992,"æ²³åįĹçľģ":105993,"æĪĸåħ¶ä»ĸ":105994,"éķľå¤´":105995,"åįĹæĺĮ":105996,"ä¸ĢéĿ¢":105997,"éĢłæĪIJçļĦ":105998,"å´Ķ":105999,"çŃĴ":106000,"æķĻèĤ²éĥ¨":106001,"åľ°åŁŁ":106002,"æĺĨæĺİ":106003,"å·´é»İ":106004,"æīĭ游":106005,"ä¸ĢæŶ":106006,"çłį":106007,"顶级":106008,"åħ±è®¡":106009,"åİŁæ²¹":106010,"è¾īçħĮ":106011,"说æĺ¯":106012,"æĸ°åįİ社":106013,"ç»ıåİĨäºĨ":106014,"ä¸įæŃ¢":106015,"è¦ģä¹Ī":106016,"èĢħçļĦ":106017,"æĢ»æĬķèµĦ":106018,"è¡Į驶":106019,"ä¸Ĭå¸Ŀ":106020,"年纪":106021,"çIJ¼":106022,"ä¼łè¯´":106023,"ç²¾èĭ±":106024,"æĸ¹éĴĪ":106025,"æ±Łæ¹ĸ":106026,"æĪIJçĤº":106027,"æĢ»éĩı":106028,"æĬķæĶ¾":106029,"åĬ¨çĶ»":106030,"èŤ":106031,"çĶµæºIJ":106032,"éĴĻ":106033,"åIJĮè¡Į":106034,"æĻ®éĢļçļĦ":106035,"åĽ¾ä¹¦é¦Ĩ":106036,"è¯ĪéªĹ":106037,"æħĪåĸĦ":106038,"è¿Ļ份":106039,"主æĮģ人":106040,"å°±è¿Ļæł·":106041,"èĢĮæĪIJ":106042,"èĩªè¡Į车":106043,"ä¸ŃåĽ½çī¹èī²":106044,"èĤ¿çĺ¤":106045,"åIJ¾":106046,"å¼Łå¼Ł":106047,"åıĹçĽĬ":106048,"éĢīæĭ©äºĨ":106049,"æĺİæĺ¾çļĦ":106050,"æĬ¥èĢĥ":106051,"ç¬ijéģĵ":106052,"éĽĸçĦ¶":106053,"温å·ŀ":106054,"éĿŀæ´²":106055,"ç§įç§į":106056,"åıĤåĬłäºĨ":106057,"è´§è¿IJ":106058,"éļı便":106059,"就没æľī":106060,"縣":106061,"央è§Ĩ":106062,"ç©¿è¶Ĭ":106063,"çļĦçݰ象":106064,"åĩłæ¬¡":106065,"çļĦé£İéĻ©":106066,"æŃĮæĽ²":106067,"æľ¬å±Ĭ":106068,"å¹´åĨħ":106069,"ä¸įè¶ħè¿ĩ":106070,"è¿ĩå¤ļ":106071,"å¿ħé¡»è¦ģ":106072,"ç»ĵ论":106073,"åĢŁéī´":106074,"ç¥ŀå¥ĩ":106075,"æľŁæľĽ":106076,"ä¸ĵ享":106077,"éĿŀ常éĩįè¦ģ":106078,"æĦıè¯ĨåĪ°":106079,"åIJĪ并":106080,"æĬĬèĩªå·±":106081,"å¥Ĺè£ħ":106082,"éŃĶæ³ķ":106083,"å¤ıåŃ£":106084,"ä¸įåĥı":106085,"å¢ĥçķĮ":106086,"æĥĬåĸľ":106087,"æľīä¸Ģ天":106088,"çĦ¦çĤ¹":106089,"æĪij认为":106090,"åħ°å·ŀ":106091,"çĶµæ°Ķ":106092,"èģĶç³»æĪij们":106093,"ç§ijæĻ®":106094,"她说":106095,"çļĦæĸĩç«ł":106096,"å¥ĩæĢª":106097,"åıĭ好":106098,"饮æĸĻ":106099,"çļĦæĶ¯æĮģ":106100,"çŃĶåºĶ":106101,"éĩįéĩı":106102,"çij¶":106103,"åĩıè½»":106104,"ç§ijåŃ¦å®¶":106105,"巴西":106106,"éĩijèŀįæľºæŀĦ":106107,"åħļå§Ķ书记":106108,"貸款":106109,"ç²¾èĩ´":106110,"ä»İæľª":106111,"åį°åĪ·":106112,"åĽŀ顾":106113,"é¦ĸéĥ½":106114,"åıijèĤ²":106115,"éĹ®éģĵ":106116,"è¾¾åĪ°äºĨ":106117,"å¿įä¸įä½ı":106118,"æīįæľī":106119,"æįIJèµł":106120,"ä½ĽæķĻ":106121,"ä¸įæ¸ħ":106122,"éĺŁéķ¿":106123,"缸åıį":106124,"æĬ¥èѦ":106125,"大åħ¨":106126,"æ¬§çĽŁ":106127,"帮å¿Ļ":106128,"çļĦæĻĤåĢĻ":106129,"缮å½ķ":106130,"足以":106131,"èī°éļ¾":106132,"ä»ĸä¹Ł":106133,"å·¥ä½ľèĢħ":106134,"头èĦij":106135,"缺éĻ·":106136,"æĪIJç«ĭäºĨ":106137,"å°±å¼Ģå§ĭ":106138,"认åIJĮ":106139,"é»Ħèī²":106140,"çĹħæĥħ":106141,"覺å¾Ĺ":106142,"è¿Ļ两":106143,"ä¿¡ä»°":106144,"åľĭ家":106145,"ä¸įä»ħä»ħæĺ¯":106146,"çĭ¬å®¶":106147,"èĪ¬çļĦ":106148,"æĿIJè´¨":106149,"æµ·ä¸Ĭ":106150,"çĤºäºĨ":106151,"æľºåĬ¨è½¦":106152,"缸å½ĵäºİ":106153,"å¤ļåħĥåĮĸ":106154,"æĽ´å¤§çļĦ":106155,"èĽ®":106156,"åģĩæľŁ":106157,"å¼ıçļĦ":106158,"交éĢļè¿IJè¾ĵ":106159,"çľģå§Ķ":106160,"ä¸įç®Ĺ":106161,"æĶ¾ä¸ĭ":106162,"éĹ¯":106163,"äººåľ¨":106164,"港åı£":106165,"æĹ¨åľ¨":106166,"åij½ä»¤":106167,"æŁIJ个":106168,"平稳":106169,"åıªå¥½":106170,"人人":106171,"äºŀ":106172,"äºĮç»´":106173,"äºĮç»´çłģ":106174,"æŀģ为":106175,"åĪ«å¢ħ":106176,"åħ¶ä½Ļ":106177,"大äºĭ":106178,"主管éĥ¨éŨ":106179,"æĹłéĶ¡":106180,"éŵ":106181,"éģŃåĪ°":106182,"说è¿ĩ":106183,"ä¸ºä½ł":106184,"解çŃĶ":106185,"éªĮæĶ¶":106186,"çļĦç»ıéªĮ":106187,"åĮ¹éħį":106188,"çģ«ç®Ń":106189,"豪åįİ":106190,"æŁIJæŁIJ":106191,"çļĦæĹ¶ä»£":106192,"书éĿ¢":106193,"æģĴ大":106194,"延éķ¿":106195,"ä¸ĢåIJĮ":106196,"æľªèĥ½":106197,"交æį¢":106198,"çĶ¢åĵģ":106199,"çŃīåĪ°":106200,"åĪĨ离":106201,"æīĵçĶµè¯Ŀ":106202,"å¹²çĩ¥":106203,"è¾ĥå¤ļ":106204,"å¤ļå¹´çļĦ":106205,"èĥĮæĻ¯ä¸ĭ":106206,"为ä¾ĭ":106207,"æijĺè¦ģ":106208,"å´Ľèµ·":106209,"æѤåĪ»":106210,"æľīæľºä¼ļ":106211,"æĿ¡æ¬¾":106212,"é¢Ĩ导å°ıç»Ħ":106213,"çļĦ身ä½ĵ":106214,"åįķä¸Ģ":106215,"央è¡Į":106216,"ä¸įæĸŃæıIJé«ĺ":106217,"ä»·åĢ¼è§Ĥ":106218,"èĬ½":106219,"èIJį":106220,"æ³ķå¾ĭæ³ķè§Ħ":106221,"ä¸įéĶĪ":106222,"ä¸įéĶĪéĴ¢":106223,"åĩºäºİ":106224,"èĻļæĭŁ":106225,"æį®æĤī":106226,"çĥ¦æģ¼":106227,"åħ¨æĸ°çļĦ":106228,"æī«æıı":106229,"çĻ»éĻĨ":106230,"èīºæľ¯å®¶":106231,"çļĦé£Łçī©":106232,"çļĦåŃĺåľ¨":106233,"客åİħ":106234,"æĪij们就":106235,"æŁ¥çľĭæĽ´å¤ļ":106236,"è¯Ħ审":106237,"å¸Ĥåł´":106238,"è¬Ľ":106239,"巨头":106240,"ä¸ŃåĽ½ç»ıæµİ":106241,"äºĨèĩªå·±çļĦ":106242,"åĨ³è®®":106243,"çĽijçĿ£ç®¡çIJĨ":106244,"æĬķ票":106245,"åĨį度":106246,"è¡ĮçĤº":106247,"注åħ¥":106248,"ä½ľä¸ºä¸Ģ个":106249,"æ¯ı个人éĥ½":106250,"åįķåħĥ":106251,"è¦ģçŁ¥éģĵ":106252,"被称为":106253,"ä¹ĭéĻħ":106254,"解éĻ¤":106255,"丸":106256,"溫":106257,"ä¸īæĺŁ":106258,"é²ľæĺİ":106259,"ä¹Łéĥ½":106260,"æĹ¶æľº":106261,"åĩºæīĭ":106262,"æĥħå½¢":106263,"åķĨè´¸":106264,"éĢī举":106265,"对èĩªå·±":106266,"çĶŁåĬ¨":106267,"åħĭæľį":106268,"个ä½ĵ":106269,"èĭij":106270,"稱":106271,"大åݦ":106272,"æĺ¯å¯¹":106273,"åĪ©æģ¯":106274,"è¿IJåĬ¨åijĺ":106275,"åĮĸ解":106276,"åīį沿":106277,"æĦŁæģ©":106278,"æĢ»ä¹ĭ":106279,"é«ĺæĸ°æĬĢæľ¯":106280,"åĿĩ为":106281,"åħ¨åĮº":106282,"æ°Ķæ°Ľ":106283,"åı¯ä»¥è¯´æĺ¯":106284,"ä½ı宿":106285,"åħļåijĺå¹²éĥ¨":106286,"åĹ¯":106287,"è·µè¡Į":106288,"çļĦä¸ĵä¸ļ":106289,"èĢĥéªĮ":106290,"èķ¾":106291,"åħ¬åŃIJ":106292,"çļĦçĬ¶æĢģ":106293,"æ½®æµģ":106294,"ä¿¡æīĺ":106295,"è´¼":106296,"åIJĦæĸ¹":106297,"æķijåĬ©":106298,"éĿŀ常çļĦ":106299,"æ¡¥æ¢ģ":106300,"åħ¬æĸ¤":106301,"ä¼¼çļĦ":106302,"çľĭ好":106303,"å±Ģéĥ¨":106304,"å®īéĿĻ":106305,"éħį件":106306,"常è§Ħ":106307,"å¼Ģ车":106308,"第äºĮ次":106309,"ä¸Ĭ级":106310,"åıĤèµĽ":106311,"家å±ŀ":106312,"强åĬ¿":106313,"åľ¨ä»ĸ":106314,"åIJijåīį":106315,"ä¹ĭåľ°":106316,"éĥ¡":106317,"è¡Įç¨ĭ":106318,"èѦåijĬ":106319,"è§Ħå®ļçļĦ":106320,"åķĨåŁİ":106321,"äºĶ大":106322,"æķĻ室":106323,"åįģ足":106324,"æīĢä»¥åľ¨":106325,"å°Ĩ继ç»Ń":106326,"çŃīæĸ¹å¼ı":106327,"家ä¼ģä¸ļ":106328,"交ä»ĺ":106329,"çĤ¹è¯Ħ":106330,"ç»ĵç®Ĺ":106331,"ä¹Łåı¯":106332,"å¤ĸæ±ĩ":106333,"è¿Ļç§įæĥħåĨµ":106334,"æİĪäºĪ":106335,"å¸ĥç½®":106336,"æĪIJç«ĭäºİ":106337,"é¢ĦèѦ":106338,"管çIJĨ人åijĺ":106339,"å©ļ礼":106340,"ç»ĵæĿŁåIJİ":106341,"åħ¥éĢī":106342,"æĹłæ¯Ķ":106343,"åĴĮåıijå±ķ":106344,"çĻ½éħĴ":106345,"çİ©åħ·":106346,"ä¸ĩç¾İåħĥ":106347,"çļĦæĪIJ绩":106348,"æĭįçħ§":106349,"èĢĥèĻijåĪ°":106350,"ä¼ģä¸ļåıijå±ķ":106351,"äºĨ个":106352,"çĶŁæ°Ķ":106353,"çļĦ女人":106354,"äºĶåįģ":106355,"çĪ·çĪ·":106356,"纽约":106357,"éĥ½è¢«":106358,"ä¸Ĭ课":106359,"çĽ¡":106360,"ä¼łç»ŁæĸĩåĮĸ":106361,"æ½ľåľ¨":106362,"åıijå°Ħ":106363,"ä¸Ģ身":106364,"éĺ²å®Ī":106365,"åĪ®":106366,"é¢ĺ缮":106367,"åľ¨åĨħçļĦ":106368,"ç¾İ好çļĦ":106369,"è¿ĻéĩĮçļĦ":106370,"ä¸Ģä¸Ŀ":106371,"人åĿĩ":106372,"åĢ¡å¯¼":106373,"身åIJİ":106374,"æī©å±ķ":106375,"大éŨ":106376,"就被":106377,"è¯¥é¡¹çĽ®":106378,"æŀ¶æŀĦ":106379,"ä¸Ģåı£":106380,"ä¿¡æģ¯æĬĢæľ¯":106381,"å¼Ģä¸ļ":106382,"æĶ¶åıĸ":106383,"ç½ij页":106384,"æĶ¯æı´":106385,"å°ģéĹŃ":106386,"å¡ijéĢł":106387,"大èĥĨ":106388,"å¿«éĢŁåıijå±ķ":106389,"çľĭä¼¼":106390,"æ¸Ŀ":106391,"è¿Ļæł·ä¸Ģ个":106392,"模åĿĹ":106393,"注æĦıåĪ°":106394,"çł´è§£":106395,"èĩªä»İ":106396,"åijµåijµ":106397,"ä¹ĭå¾Į":106398,"ä¹ĭæĹħ":106399,"è·ŁæĪij":106400,"æ³ķ人":106401,"æİĴè¡Įæ¦ľ":106402,"åĿļå®Ī":106403,"好å¤Ħ":106404,"çŁ³å¤´":106405,"并å°Ĩ":106406,"èĪ±":106407,"æŃĩ":106408,"两岸":106409,"å¤ļä¹ħ":106410,"象å¾ģ":106411,"个æĢ§åĮĸ":106412,"çļĦè§Ĵ度":106413,"å¸Ĩ":106414,"ç¦ıå·ŀ":106415,"æŁ¥å¤Ħ":106416,"ä¸¤åĽ½":106417,"åIJ¸å¼ķäºĨ":106418,"é¦ĸå¸Ń":106419,"大åĵ¥":106420,"é¤Ĭ":106421,"涨å¹ħ":106422,"éĢīçĶ¨":106423,"許å¤ļ":106424,"èIJ½æĪ·":106425,"åĵĪå°Ķ":106426,"åĵĪå°Ķ滨":106427,"åģļä»Ģä¹Ī":106428,"以åħį":106429,"é¾į":106430,"æĹłéľĢ":106431,"åĪ°åºķæĺ¯":106432,"æĢ¡":106433,"åijĬè¯īä½ł":106434,"éĺ²æ°´":106435,"è¿ĻæŶåĢĻ":106436,"欢ä¹IJ":106437,"转åIJij":106438,"è¿Ļä¸ªåľ°åĽ¾":106439,"åħ¥é©»":106440,"èįīåİŁ":106441,"æĹ¶ä»£çļĦ":106442,"åıĺåĬ¨":106443,"åĬłå¼ºå¯¹":106444,"åģ¶å°Ķ":106445,"å®ĪæĬ¤":106446,"æ°Ķ温":106447,"人éĹ´":106448,"æľĿé²ľ":106449,"ç»ıè´¹":106450,"åĽŃæŀĹ":106451,"å·¥åľ°":106452,"è§Ħæł¼":106453,"åĩłåįģ":106454,"è¯ķåĽ¾":106455,"å¦ĥ":106456,"éĤ£æŶåĢĻ":106457,"å¼ĺæī¬":106458,"ä¸ļçķĮ":106459,"çļĦéĢŁåº¦":106460,"ä¼ļä¸įä¼ļ":106461,"èIJ¥æĶ¶":106462,"å°ıå¾®ä¼ģä¸ļ":106463,"çľĭè¿ĩ":106464,"æĬĬä»ĸ":106465,"éģµå¾ª":106466,"è¿Ļè¾¹":106467,"没æľī人":106468,"壶":106469,"æ¹ĸåįĹçľģ":106470,"æŀģåħ¶":106471,"çļĦ人çĶŁ":106472,"ä»ĸè¿ĺ":106473,"转åĮĸ为":106474,"èµ°è¿ĩ":106475,"æĬ±çĿĢ":106476,"çīĽå¥¶":106477,"ä¸ĩ亩":106478,"å¿ĥæĢģ":106479,"æĹ¥å¸¸çĶŁæ´»":106480,"ä½ĵæ£Ģ":106481,"æĻĥ":106482,"çŃīé¢ĨåŁŁ":106483,"æĩī該":106484,"åı¯ä»¥çľĭåĪ°":106485,"æī¾ä¸įåĪ°":106486,"èĢģå¹´":106487,"æĬĬæĪij":106488,"积åĪĨ":106489,"梳çIJĨ":106490,"绳":106491,"çļĦæĶ¿æ²»":106492,"å¸ĿåĽ½":106493,"éĻªä¼´":106494,"æ´Ľéĺ³":106495,"åħ¬æŃ£":106496,"å¼Ģåı£":106497,"çī¹èī²çļĦ":106498,"åĽ°å¢ĥ":106499,"ä¸Ĭæľī":106500,"ç«ĭä½ĵ":106501,"æīĵå·¥":106502,"åķ¤éħĴ":106503,"åľ¨éĤ£éĩĮ":106504,"éĤ£è¾¹":106505,"个åĪ«":106506,"ä¸Ģå®ļæĺ¯":106507,"çļĦéĩįè¦ģæĢ§":106508,"ä¸»å¼ł":106509,"åĴĮæľįåĬ¡":106510,"ä¸Ĭç½ij":106511,"è¡¥åĬ©":106512,"åıªéľĢ":106513,"弦":106514,"éģ®":106515,"åĬĽäºī":106516,"度è¿ĩ":106517,"èij¬":106518,"é¡¿æŶ":106519,"éĦī":106520,"纺ç»ĩ":106521,"åľ°åĿĹ":106522,"ä¿¡çĶ¨åį¡":106523,"ç½ļ款":106524,"åijĬè¯īæĪij":106525,"éĽĻ":106526,"书çĶ»":106527,"è¨Ńè¨Ī":106528,"æĢ»ä¼ļ":106529,"åĪ¤åĨ³":106530,"ä¿¡èªī":106531,"个èĤ¡":106532,"平常":106533,"æĢİ麼":106534,"ä½ĵçİ°åľ¨":106535,"é»Ħæ²³":106536,"åĽĽå·Ŀçľģ":106537,"羣缸":106538,"åIJĦé¡¹å·¥ä½ľ":106539,"åĬ¨åijĺ":106540,"å³°ä¼ļ":106541,"ä¸ĢæľŁ":106542,"æľīä¸Ģå®ļçļĦ":106543,"é«ĺ度éĩįè§Ĩ":106544,"ç¹ģèį£":106545,"åıijçİ°äºĨ":106546,"ç½ij红":106547,"æīĭæ³ķ":106548,"家åĽŃ":106549,"仪åĻ¨":106550,"è¾ĥä½İ":106551,"çļĦå®īåħ¨":106552,"æ¡IJ":106553,"ä»ĺ款":106554,"æĬijåĪ¶":106555,"åįĵè¶Ĭ":106556,"æŃ£éĿ¢":106557,"åĵij":106558,"强åĪ¶":106559,"ä»Ĭ天çļĦ":106560,"æĪĺèĥľ":106561,"楼å¸Ĥ":106562,"æĭ¿ä¸ĭ":106563,"é¢ľåĢ¼":106564,"举éĥ¨":106565,"çłĶåĪ¶":106566,"çļĦæĪĺçķ¥":106567,"åľ¨ä¸Ģ个":106568,"ä¸ī人":106569,"å®ĮäºĨ":106570,"æĸ°æĬĢæľ¯":106571,"ç»ıæµİæķĪçĽĬ":106572,"å¯Įæľī":106573,"澳洲":106574,"åĬ©çIJĨ":106575,"é¢Ĩåıĸ":106576,"è°Ń":106577,"çĩĥçĥ§":106578,"ç´łåħ»":106579,"éĤĦæľī":106580,"è¿ĽèĢĮ":106581,"ä»Ģä¹Īæĺ¯":106582,"çłĶ究ä¸Ńå¿ĥ":106583,"éĢĤçĶ¨äºİ":106584,"æİ¥æĶ¶":106585,"å¤±æľĽ":106586,"äºĮ级":106587,"éĹ´çļĦ":106588,"åİŁæłĩé¢ĺ":106589,"èªįçĤº":106590,"æį¡":106591,"对çĿĢ":106592,"对éĿ¢":106593,"ä¸ŃåİŁ":106594,"éĵĥ":106595,"çĶŁäº§çļĦ":106596,"åıijå¸ĥä¼ļ":106597,"士åħµ":106598,"è¿Ļåı¥è¯Ŀ":106599,"缴纳":106600,"ä¸Ģ个个":106601,"åѸçĶŁ":106602,"çĸijéĹ®":106603,"交èѦ":106604,"示èĮĥåĮº":106605,"天使":106606,"åľ¨ä¸Ĭæµ·":106607,"åIJĮæĻĤ":106608,"è½»æĺĵ":106609,"åĶ¯ä¸ĢçļĦ":106610,"çĥŃéĹ¹":106611,"ä¹IJè§Ĥ":106612,"çļĦ身份":106613,"åĸĦäºİ":106614,"大åİħ":106615,"èĤ¯å®ļæĺ¯":106616,"éĺ²çģ«":106617,"å¤ĸåĩº":106618,"æį®è¯´":106619,"é¡¹çĽ®çļĦ":106620,"ä¸Ģåı°":106621,"èĻļåģĩ":106622,"ä¸Ģç¬Ķ":106623,"ç«ĭæ³ķ":106624,"严èĤĥ":106625,"æī¿åĬŀ":106626,"åįģåĩł":106627,"çļĦ空éĹ´":106628,"æľ¬ç½ijç«Ļ":106629,"åģļå¾Ĺ":106630,"ä¿Ŀ温":106631,"æľĪåĪĿ":106632,"åľ¨ç½ijä¸Ĭ":106633,"åIJĦæĸ¹éĿ¢":106634,"ä¸ī天":106635,"交æĺĵæīĢ":106636,"解æŀIJ":106637,"åħļä¸Ń央":106638,"è¿Ľåĩºåı£":106639,"åĴĮ社ä¼ļ":106640,"次æķ°":106641,"ä¹ĭ家":106642,"维度":106643,"æ´¾åĩºæīĢ":106644,"产çĶŁäºĨ":106645,"带æľī":106646,"å¾Ī强":106647,"æľīäºĽäºº":106648,"å¹´åIJİ":106649,"äºĨ许å¤ļ":106650,"å¯Ĩ度":106651,"åŃ¦æľŁ":106652,"çıłæµ·":106653,"æľĢå¤ļçļĦ":106654,"è¾¹ç¼ĺ":106655,"容éĩı":106656,"第äºĮ个":106657,"ä¸Ģ缴æĺ¯":106658,"ä¸įç¦ģ":106659,"æŃ²":106660,"ä»ĭç»įäºĨ":106661,"ä¼ĺéĽħ":106662,"æ¯Ķè¼ĥ":106663,"èģĮä½į":106664,"温æŁĶ":106665,"æľīéĴ±":106666,"æľĢé«ĺçļĦ":106667,"åįļè§Īä¼ļ":106668,"ä¸įæĪIJ":106669,"éĶĻäºĨ":106670,"è¯ģçĽij":106671,"è¯ģçĽijä¼ļ":106672,"æĪIJ人":106673,"åĿĩåĮĢ":106674,"æľīåĪ©":106675,"è¶ĬåįĹ":106676,"æīĵäºĨ":106677,"好åIJĥ":106678,"系統":106679,"è·Łéļı":106680,"çļĦåľ°ä½į":106681,"æŃ£å¦Ĥ":106682,"ç¨įå¾®":106683,"åį°åıij":106684,"åĪĽç«ĭ":106685,"é£İåħī":106686,"å°ĨæĪIJ为":106687,"ä¸įé«ĺ":106688,"é¢ijç¹ģ":106689,"设æľī":106690,"ä¼ŀ":106691,"æĭĨéĻ¤":106692,"å½±åĥı":106693,"æ¸ĹéĢı":106694,"å¹´å¼Ģå§ĭ":106695,"ç½ijæĺĵ":106696,"è¦ģåģļ":106697,"çĶµåĬ¨è½¦":106698,"羣å¿ĥ":106699,"æµ·åĨĽ":106700,"ä¼łæĿ¥":106701,"å·®åĪ«":106702,"è°¨æħİ":106703,"çĥŁåı°":106704,"åįĥå¹´":106705,"è¯ģå®ŀ":106706,"çIJª":106707,"çļĦåħ·ä½ĵ":106708,"åĪ°å¤Ħ":106709,"ä¸įå®ľ":106710,"èľĢ":106711,"èĥ½åĬĽåĴĮ":106712,"çīºçī²":106713,"çļĦéĴ±":106714,"大éĺŁ":106715,"é¦ĸè¦ģ":106716,"ä¸įæĦ¿":106717,"çİ«çij°":106718,"人æ°ijç½ij":106719,"è¿ĺæĺ¯è¦ģ":106720,"åĽĽå¹´":106721,"æįŁä¼¤":106722,"çļĦåģļæ³ķ":106723,"éĿĪ":106724,"è¡Ķæİ¥":106725,"åIJĪæĪIJ":106726,"没人":106727,"éĹ¨æ§Ľ":106728,"ä¿¡è´·":106729,"çļĦ缸åħ³":106730,"举é£İ":106731,"社ä¿Ŀ":106732,"ä¸ĭ游":106733,"åĿĹéĴ±":106734,"è¿ĩåIJİ":106735,"çļĦåºĶçĶ¨":106736,"饶":106737,"é¢ģåıij":106738,"ä¸Ģå¤Ħ":106739,"åįİå¤ı":106740,"为ä¼ģä¸ļ":106741,"åıªä¼ļ":106742,"侵害":106743,"çļĦåĬŁèĥ½":106744,"åѸç¿Ĵ":106745,"ä¸Ńåįİæ°ijæĹı":106746,"åıijå¸ĥäºĨ":106747,"è¿İæİ¥":106748,"æĪijèĩªå·±":106749,"è¿ĺéľĢè¦ģ":106750,"太éĺ³èĥ½":106751,"åİ»ä¸ĸ":106752,"æĺ¯ä½ł":106753,"åIJĪåĬĽ":106754,"ç»ĺçĶ»":106755,"åı°åĮĹ":106756,"çĿ£ä¿ĥ":106757,"åĮĹéĥ¨":106758,"æľīå¤ļå°ij":106759,"å¾Īéĩįè¦ģ":106760,"åĪĴåĪĨ":106761,"åı·çº¿":106762,"æĶ¾å¤§":106763,"ä¼ļ被":106764,"èİ·å¥ĸ":106765,"ä¹ĭåĨħ":106766,"失åİ»äºĨ":106767,"çݩ家们":106768,"éĩĩéĽĨ":106769,"壹":106770,"家ä¼Ļ":106771,"çĻ½å¤©":106772,"åĽłä¸ºä»ĸ":106773,"社ä¼ļæ²»çIJĨ":106774,"å¼ĢåĪĽ":106775,"çĶµç¼Ĩ":106776,"æĸ°ä¸Ģ代":106777,"并è´Ń":106778,"就已ç»ı":106779,"çļĦ社ä¼ļ":106780,"éĻ¤éĿŀ":106781,"åı¯ä»¥çĶ¨":106782,"å©ī":106783,"æ¯Ķè¾ĥ好":106784,"å®ŀä¸ļ":106785,"åĪĽåĬŀ":106786,"æıIJèµ·":106787,"é»ĥ":106788,"ä½ıåľ¨":106789,"å¸ĤæĶ¿":106790,"éĿ¢ä¸´çļĦ":106791,"èĥ½åľ¨":106792,"çŁŃçŁŃ":106793,"çľŁäºº":106794,"æĺİæĺİ":106795,"èµĦåĬ©":106796,"çļĦä¸įåIJĮ":106797,"å°ıæľĭåıĭ":106798,"é¢ĺæĿIJ":106799,"ç¾İåij³":106800,"æĺŁåº§":106801,"ä¸įä¸Ģæł·çļĦ":106802,"çľĭä¸Ĭåİ»":106803,"ä¸Ģæł¹":106804,"广å·ŀå¸Ĥ":106805,"åıijçĶŁçļĦ":106806,"é«ĺç§ijæĬĢ":106807,"ä¸Ģè¾ĪåŃIJ":106808,"交åıī":106809,"ä½ĵ系建设":106810,"åĽłä¸ºæĪij":106811,"çıįæĥľ":106812,"ä¸ĬåѦ":106813,"æĪĺæľ¯":106814,"æѤ类":106815,"交å¾Ģ":106816,"æĮīæij©":106817,"人们çļĦ":106818,"åħ¶å¯¦":106819,"åİŁæĿIJæĸĻ":106820,"æ¸´æľĽ":106821,"缸å¤Ħ":106822,"微微":106823,"æ®·":106824,"ä¹ĺåĿIJ":106825,"å¼Ģå±ķäºĨ":106826,"é«ĺåĵģè´¨":106827,"æĹłäººæľº":106828,"ä¸įæĺ¯å¾Ī":106829,"çļĦæĬķèµĦ":106830,"èĬĤçľģ":106831,"èĩī":106832,"ç²¾éĢī":106833,"çļĦæłĩåĩĨ":106834,"åįĹéĥ¨":106835,"认è¯ĨåĪ°":106836,"å¹³éĿĻ":106837,"èĹ¥":106838,"æī«é»ij":106839,"æī«é»ijéĻ¤":106840,"æī«é»ijéĻ¤æģ¶":106841,"éĢĻ種":106842,"建çŃijéĿ¢ç§¯":106843,"ç¡®ç«ĭ":106844,"管çIJĨåĬŀæ³ķ":106845,"æĦıå¿Ĺ":106846,"丨":106847,"让åŃ©åŃIJ":106848,"æķijçģ¾":106849,"å½ĵä»Ĭ":106850,"çģ«çģ¾":106851,"åIJĦéĥ¨éŨ":106852,"ä¾µçĬ¯":106853,"æ¯ıåij¨":106854,"æı½":106855,"ä¸Ģ次æĢ§":106856,"åħ¶ä»ĸ人":106857,"éĶĻè¿ĩ":106858,"ä¸İåħ¶":106859,"åĭĩæ°Ķ":106860,"çĩĥæ°Ķ":106861,"é¦ĸå±Ĭ":106862,"æľį饰":106863,"ç²¥":106864,"å®Įæ¯ķ":106865,"å°±æĬĬ":106866,"åĬŀäºĭå¤Ħ":106867,"ä¸Ģä¼ļåĦ¿":106868,"离ä¸įå¼Ģ":106869,"å¦ĤæŀľæĤ¨":106870,"ä»ĵåºĵ":106871,"导å¸Ī":106872,"åIJĪéĢĤçļĦ":106873,"毫米":106874,"å®īåħ¨æĢ§":106875,"ä¾Ŀçħ§":106876,"产ä¸ļåĮĸ":106877,"ä½łçľĭ":106878,"羣çļĦå¾Ī":106879,"åѤçĭ¬":106880,"éĺ²å¾¡":106881,"å¾Īç®Ģåįķ":106882,"é£İæ°´":106883,"ä½Ĩä¹Ł":106884,"æݨåĩºäºĨ":106885,"æ°ijèIJ¥ä¼ģä¸ļ":106886,"çłģ头":106887,"å¤įæĿĤçļĦ":106888,"ç»ĦæĪIJéĥ¨åĪĨ":106889,"åħħ满äºĨ":106890,"è¿ijåĩłå¹´":106891,"çľģæĶ¿åºľ":106892,"æľīå¿ħè¦ģ":106893,"éĻ³":106894,"ä¹ĭç±»":106895,"ä¹ĭç±»çļĦ":106896,"æĢ§ä»·":106897,"æĢ§ä»·æ¯Ķ":106898,"åķĨåºĹ":106899,"å¸ĤåĢ¼":106900,"人æīįåŁ¹åħ»":106901,"æ·±åıĹ":106902,"管çIJĨå±Ģ":106903,"æģIJæĥ§":106904,"ä»ħæľī":106905,"æĬµè¾¾":106906,"æµ·åħ³":106907,"èµĭäºĪ":106908,"äºĭåĦ¿":106909,"ä»·éĴ±":106910,"æīĭä¸Ĭ":106911,"èĩªå¾ĭ":106912,"åħ³çĪ±":106913,"享æľī":106914,"éģĹæĨ¾":106915,"å¾Īå¿«å°±":106916,"æĽ´å¿«":106917,"æłĩè¯Ĩ":106918,"åºĨç¥Ŀ":106919,"ä¹Łå¥½":106920,"ä¸įæĺĵ":106921,"æĪijå¾Ī":106922,"æĶ¹éĿ©åıijå±ķ":106923,"å¤ĸåľ°":106924,"æĬµæĬ¼":106925,"è¯Ĺ人":106926,"åİķæīĢ":106927,"æĸ°åªĴä½ĵ":106928,"èĸĽ":106929,"è°Īè¯Ŀ":106930,"ä¸Ģå®ļç¨ĭ度":106931,"èµ°åľ¨":106932,"æľĢ强":106933,"åĬŁçİĩ":106934,"åħ±è¯Ĩ":106935,"大桥":106936,"ä¸ĭæĸ¹":106937,"å¤ĸèµĦ":106938,"碱":106939,"å·¡è§Ĩ":106940,"æ¹ĸåĮĹçľģ":106941,"个çĻ¾åĪĨ":106942,"个çĻ¾åĪĨçĤ¹":106943,"çļĦ责任":106944,"çļĦåĵģçīĮ":106945,"åĬ©æݨ":106946,"åĪĽéĢłäºĨ":106947,"ä»»èģĮ":106948,"å¿«æį·":106949,"æĿijåºĦ":106950,"åİ»çľĭ":106951,"æīįèĥ½å¤Ł":106952,"層":106953,"æĪij家":106954,"æĺ¯ä¸Ģ款":106955,"ç¾ħ":106956,"åĨ°éĽª":106957,"æŀģ大":106958,"çģ¯åħī":106959,"éĨĭ":106960,"ä¸İåħ¶ä»ĸ":106961,"æıIJåĩºçļĦ":106962,"éĿłè¿ij":106963,"è°ĥåĬ¨":106964,"å°½åı¯èĥ½":106965,"åıijåĬĽ":106966,"ç»Ļ她":106967,"éĢĤéĩı":106968,"è·¨åĽ½":106969,"åħĪè¡Į":106970,"æĸ°æĿIJæĸĻ":106971,"ä½ľäºĨ":106972,"满äºĨ":106973,"ä¸į满":106974,"çļĦçľ¼çĿĽ":106975,"çľĭå¾Ĺ":106976,"è¿Ļä¸Ģ次":106977,"é½IJåħ¨":106978,"çļĦä¸Ģéĥ¨åĪĨ":106979,"ä¸Ļ":106980,"æ¸ħæĸ°":106981,"說æĺİ":106982,"身边çļĦ":106983,"æīĢæľī人":106984,"å½°æĺ¾":106985,"è±¹":106986,"åį¿":106987,"è¿IJ转":106988,"æĮĩå¼ķ":106989,"å¸Ĥåħ¬å®īå±Ģ":106990,"åıĤå±ķ":106991,"ä¹ĭæŶ":106992,"éĩijèŀįæľįåĬ¡":106993,"èµĦæľ¬å¸Ĥåľº":106994,"èĥ½è®©":106995,"å¿ĺäºĨ":106996,"天åłĤ":106997,"æ¯Ķå¦Ĥ说":106998,"éĬĢè¡Į":106999,"èĽĭç³ķ":107000,"çĶ©":107001,"æł¸å®ŀ":107002,"æĻ®äº¬":107003,"ä¼ĺç¾İ":107004,"åı£èħĶ":107005,"漫çĶ»":107006,"çľ¼éĩĮ":107007,"äºĨä¸ĭæĿ¥":107008,"æĪijä»¬ä¹Ł":107009,"ä¾į":107010,"为ä¸Ńå¿ĥ":107011,"å¥ĩ迹":107012,"éĿĴçĿIJ":107013,"æĪªèĩ³çĽ®åīį":107014,"åĩºä¾Ĩ":107015,"æĢ»åħ¬åı¸":107016,"弥补":107017,"ç®Ĺæ³ķ":107018,"å·¥ä½ľå®¤":107019,"æīĢ以æĪij":107020,"æ°´åĪĨ":107021,"æīĢå±ŀ":107022,"ä¸į说":107023,"ä½Ĩæĺ¯åľ¨":107024,"è¦ģåİ»":107025,"åĪĽä¸ļèĢħ":107026,"ä¸įæ¸ħæ¥ļ":107027,"åĽĽåij¨":107028,"æĺ¯ä»İ":107029,"çļĦæł¹æľ¬":107030,"çģ¶":107031,"æ¯Ľæ³½":107032,"æ¯Ľæ³½ä¸ľ":107033,"æµ·åı£":107034,"åĽĽåįģ":107035,"ä¹Łè¢«":107036,"èģ·":107037,"ä¸Ģæīĭ":107038,"绩æķĪ":107039,"çļĦçĶ·äºº":107040,"书ç±į":107041,"ä¸ĢèĦ¸":107042,"大äºİ":107043,"鼶éĥ¨ä»¶":107044,"åħ³æĢĢ":107045,"平米":107046,"æļ´éľ²":107047,"å¾Ĺå¤ļ":107048,"ä¸ī级":107049,"æľ¬åij¨":107050,"两èĢħ":107051,"对ä¸ŃåĽ½":107052,"åıªè§ģ":107053,"欧ç¾İ":107054,"å¦Ĥæŀľæľī":107055,"å·²ç»ıæĺ¯":107056,"çľĭå®Į":107057,"çģ«éĶħ":107058,"èµIJ":107059,"ä¸Ģéģį":107060,"æĦŁåĨĴ":107061,"ç»ĵå±Ģ":107062,"ä»ĵåĤ¨":107063,"å®ŀåľ°":107064,"åī¯æĢ»ç»ıçIJĨ":107065,"ä¹Łä¸įçŁ¥éģĵ":107066,"碰åĪ°":107067,"åIJĪ计":107068,"客æĪ·çļĦ":107069,"ç½Ĺ马":107070,"æĦīå¿«":107071,"é£Ľ":107072,"çĥŃçĥĪ":107073,"伦æķ¦":107074,"åĮ»ä¿Ŀ":107075,"éĺ¿éĩĮå·´å·´":107076,"åĨį说":107077,"ä¸ºåŁºç¡Ģ":107078,"çĶŁäº§ç»ıèIJ¥":107079,"è¿ĻäºĽäºº":107080,"åĪĹ车":107081,"æ²³åĮĹçľģ":107082,"è¿Ļ段":107083,"æ´»åĬ¨ä¸Ń":107084,"å©·":107085,"çĶŁçIJĨ":107086,"ä¸ŃåĽ½äººæ°ij":107087,"éĦĤ":107088,"åIJ¬åıĸ":107089,"å¤įä¹ł":107090,"æľīçĽĬ":107091,"æĶ¶æĭ¾":107092,"å¾Īåı¯èĥ½":107093,"ç½ijç»ľæ¸¸æĪı":107094,"们çļĦ":107095,"èµĭèĥ½":107096,"éļ¾å¾Ĺ":107097,"åĪĨæīĭ":107098,"羣è¯ļ":107099,"åħ¬åı¸åľ¨":107100,"åĿĩè¡¡":107101,"åı£åij³":107102,"çīµå¤´":107103,"ä¸ĢèĪ¬çļĦ":107104,"轿车":107105,"çŃīäºİ":107106,"æ²īé»ĺ":107107,"æĪijéĥ½":107108,"å°ıç¨ĭåºı":107109,"ä¸Ģåī¯":107110,"æī¿è½½":107111,"åľ°è´¨":107112,"çķĮéĿ¢":107113,"çĶµæľº":107114,"çĦ¦èĻij":107115,"éĶĢåĶ®é¢Ŀ":107116,"æĸ°è½¦":107117,"ä¸Ĭ游":107118,"主æ¼Ķ":107119,"éļIJç§ģ":107120,"åıijå±ķæĪĺçķ¥":107121,"çļĦåĬªåĬĽ":107122,"å¼Ģåħ³":107123,"解åĨ³éĹ®é¢ĺ":107124,"çĿ£å¯¼":107125,"对æĬĹ":107126,"å¾Īå¤ļ人éĥ½":107127,"æĹłæķĪ":107128,"产åĵģè´¨éĩı":107129,"å®īå¿ĥ":107130,"åįİ人":107131,"ä¸į符åIJĪ":107132,"èĩªå®¶":107133,"éĺµå®¹":107134,"çļĦåIJĦç§į":107135,"çļĦçIJĨ念":107136,"çļĦæĸĩåĮĸ":107137,"为èĩªå·±":107138,"山水":107139,"游泳":107140,"éľĩèį¡":107141,"çĶŁæ´»æĸ¹å¼ı":107142,"è¿ľç¦»":107143,"çŁ³åĮĸ":107144,"æѤäºĭ":107145,"æĺ¯çľŁçļĦ":107146,"çļĦæ¯Ķä¾ĭ":107147,"çĶ¨çĶµ":107148,"奥è¿IJä¼ļ":107149,"ä¿Ŀå®ī":107150,"èĽĭçĻ½è´¨":107151,"çļĦå¿ĥçIJĨ":107152,"å·«":107153,"åı·çłģ":107154,"æ°Ķä½ĵ":107155,"åıijæĶ¹":107156,"åıijæĶ¹å§Ķ":107157,"åĮ»å¸Ī":107158,"æ¶ĤæĸĻ":107159,"æĺĬ":107160,"å¸Ĥ级":107161,"ä¸ĸçķĮçļĦ":107162,"åĪĨåĪ«æĺ¯":107163,"çł´äº§":107164,"ä¸ĢæĿ¯":107165,"æĭīå¼Ģ":107166,"å¹³åĩ¡":107167,"çļĦåıijçĶŁ":107168,"åĬ¨æīĭ":107169,"ä¸ĢçĽ´ä»¥æĿ¥":107170,"æīĭå·¥":107171,"éĩĮéĿ¢çļĦ":107172,"æĹłåħ³":107173,"ä»ĭåħ¥":107174,"èµ°ä¸Ĭ":107175,"å°±æĺ¯è¦ģ":107176,"å¹´éĹ´":107177,"åĩºçı¾":107178,"å½±éŁ¿":107179,"å¹ħ度":107180,"éĽģ":107181,"éģĵåħ·":107182,"缮çļĦåľ°":107183,"åIJİèĢħ":107184,"ä¸Ĭæ¼Ķ":107185,"äºĨåĩł":107186,"æ®ĭçĸ¾äºº":107187,"å¿Ļç¢Į":107188,"æĺ¯åIJ¦æľī":107189,"并对":107190,"ä¼ļ导èĩ´":107191,"æ°´åºĵ":107192,"ç»Ĩèĩ´":107193,"åIJİæĤĶ":107194,"å¿ĥæĢĿ":107195,"åģļäºĭ":107196,"åİĤæĪ¿":107197,"çĿ¿":107198,"è¿IJèIJ¥åķĨ":107199,"头éĥ¨":107200,"çļĦè§Ĵèī²":107201,"æĺ¯ä»ĸ":107202,"æĹ¢æľī":107203,"å°ıæŶåĢĻ":107204,"强åĬ²":107205,"主æĴŃ":107206,"åħ¨åĽ½åIJĦåľ°":107207,"æįı":107208,"æįŁåĿı":107209,"åķĨä¼ļ":107210,"ä¿Ŀç½Ĺ":107211,"çľģå¸Ĥ":107212,"éļ§éģĵ":107213,"æľīä¸įå°ij":107214,"è¦ģåľ¨":107215,"å»ºè®¾é¡¹çĽ®":107216,"ç³ĸå°¿":107217,"ç³ĸå°¿çĹħ":107218,"æĿ¡ä»¶ä¸ĭ":107219,"ä¼ĺè´¨çļĦ":107220,"é¦ĸåıij":107221,"å½ĵæŶçļĦ":107222,"丰çĶ°":107223,"大çĽĺ":107224,"缸继":107225,"å®ģå¤ı":107226,"åħ¥ä½ı":107227,"æĪijè¿ĺ":107228,"åħĭæĸ¯":107229,"å®ļä»·":107230,"å¹³æĸ¹åħ¬éĩĮ":107231,"çļĦçŁ¥è¯Ĩ":107232,"æĪij们ä¼ļ":107233,"åħĥå®Ŀ":107234,"ä½ĵéĩį":107235,"è³£":107236,"对æĪij们":107237,"çŁ³å®¶":107238,"çŁ³å®¶åºĦ":107239,"ç²¾åįİ":107240,"å½¢çĬ¶":107241,"åıĹåĪ°äºĨ":107242,"修订":107243,"ç¾İåľĭ":107244,"é«ĺæ¸ħ":107245,"çľ¼éķľ":107246,"è§īå¾Ĺèĩªå·±":107247,"带ç»Ļ":107248,"åĶ®ä»·":107249,"éĹ¨ç¥¨":107250,"åŃķå¦ĩ":107251,"çĶµè§Ĩåı°":107252,"åıijä½ľ":107253,"çļĦåij³éģĵ":107254,"éķ¿è¿ľ":107255,"åħ¬åħ±æľįåĬ¡":107256,"æŃ£å¸¸çļĦ":107257,"æľīè¿ĩ":107258,"é£İæĥħ":107259,"æ¯Ķéĩį":107260,"åIJ»":107261,"管çIJĨå·¥ä½ľ":107262,"综åIJĪæĢ§":107263,"已被":107264,"说起":107265,"æİĴæ°´":107266,"ä¸įæĸŃåľ°":107267,"æĥħæĢĢ":107268,"è¾ĵéĢģ":107269,"è¿ĩæķı":107270,"çļĦåı¯èĥ½æĢ§":107271,"æľįçĶ¨":107272,"æľī许å¤ļ":107273,"å§Ķåī¯ä¹¦è®°":107274,"åĮĸå¦Ĩåĵģ":107275,"æļĤåģľ":107276,"æĬķèµĦ人":107277,"çıŃ级":107278,"说çĿĢ":107279,"åįĹåĮĹ":107280,"åĪĨè¡Į":107281,"çıłå®Ŀ":107282,"寶":107283,"å¢ŀå¤ļ":107284,"被åĬ¨":107285,"çī¹æ®ĬçļĦ":107286,"éĹľä¿Ĥ":107287,"çļĦèĦ¸":107288,"æĥŁ":107289,"ä¸įä¸Ģå®ļ":107290,"ç¶Ń":107291,"çģ«çĪĨ":107292,"秣éĩij":107293,"çŀ§":107294,"éĩį建":107295,"è·ª":107296,"ä¸Ģ種":107297,"çļĦåIJĪä½ľ":107298,"å®īæħ°":107299,"ä»įæĺ¯":107300,"ä¸ĵä¸ļåĮĸ":107301,"è°ĥ解":107302,"ä¸į妨":107303,"éĢĻæĺ¯":107304,"å¿ħéłĪ":107305,"ä¼ĬæľĹ":107306,"å¾ĹäºĨ":107307,"æľįåĬ¡å¹³åı°":107308,"姬":107309,"åħĪéĶĭ":107310,"çİĭåŃIJ":107311,"çļĦä¸ĢåĪĩ":107312,"æĢ»çIJĨ":107313,"åĵ¼":107314,"çªij":107315,"çļĦå¿ĥæĥħ":107316,"çļĦéĩį大":107317,"çijŁ":107318,"ä¸Ģç¬ij":107319,"åıijå±ķä¸Ń":107320,"åģ¥åº·åıijå±ķ":107321,"åĵģçīĮçļĦ":107322,"禮":107323,"ä½Ļ人":107324,"ä»Ĭ年以æĿ¥":107325,"æķ°çłģ":107326,"çŃ¾è¯ģ":107327,"åİ»æī¾":107328,"åŁºéĩijä¼ļ":107329,"æĬ±æĢ¨":107330,"æŃ£å½ĵ":107331,"çıŃåŃIJæĪIJåijĺ":107332,"ä¸įåIJĪæł¼":107333,"åĪ¶å®ļäºĨ":107334,"ç¼ĵæħ¢":107335,"åĪ¶çº¦":107336,"æłı缮":107337,"å¸Ĥåľºç»ıæµİ":107338,"ç»ĦæĪIJçļĦ":107339,"严峻":107340,"æĹ¥è®¯":107341,"ä¸ĢçĤ¹çĤ¹":107342,"æĺ¯æĢİä¹Ī":107343,"çļĦçħ§çīĩ":107344,"éĺ»æŃ¢":107345,"模ç³Ĭ":107346,"缸":107347,"éģķåıį":107348,"æIJ¬è¿ģ":107349,"éĩijéĴ±":107350,"彬":107351,"ä¸įå®ī":107352,"æĪĺçķ¥åIJĪä½ľ":107353,"å¡«åĨĻ":107354,"讲究":107355,"åħħåĪĨåĪ©çĶ¨":107356,"èĥ½å¤ł":107357,"èij¡èIJĦéħĴ":107358,"éĩĩçĶ¨äºĨ":107359,"åľ¨ä»Ĭå¹´":107360,"ä¸Ńå°ıåѦ":107361,"åľ¨æĦı":107362,"çļĦåİĭåĬĽ":107363,"ä¸į幸":107364,"åĪ¶èį¯":107365,"åı¯ä»¥è®©":107366,"被è¯Ħ为":107367,"ç»ĨèıĮ":107368,"æĪıåī§":107369,"åįĬ导":107370,"åįĬ导ä½ĵ":107371,"è§Ĩè§Ĵ":107372,"åĸľæŃ¡":107373,"å¾ģæĶ¶":107374,"è°ĭåĪĴ":107375,"æŀģ大çļĦ":107376,"çĤ¹èµŀ":107377,"è®°èĢħä»İ":107378,"两åIJį":107379,"èĩªåĬ©":107380,"èµ·æŃ¥":107381,"æĬ¤å£«":107382,"å®Ŀ马":107383,"太åŃIJ":107384,"å°ıå°ıçļĦ":107385,"温æ³ī":107386,"åĩºç§Łè½¦":107387,"秣æĪ¿":107388,"两家":107389,"éľĩæĴ¼":107390,"ç§īæī¿":107391,"ä¸Ģ件äºĭ":107392,"çĥĪ士":107393,"å®ĺåħµ":107394,"转身":107395,"ä¹IJåĽŃ":107396,"çĻĮçĹĩ":107397,"模èĮĥ":107398,"æĦ£":107399,"è¿ĩåİ»çļĦ":107400,"代价":107401,"çļĦæ¦Ĥ念":107402,"åĩłçĻ¾":107403,"è´µéĺ³":107404,"æĭħ忧":107405,"éĢĤå®ľ":107406,"çݯå¢ĥä¿ĿæĬ¤":107407,"çĥ«":107408,"ä½łæĥ³":107409,"æѤåIJİ":107410,"ä½łä¹Ł":107411,"çįİ":107412,"éĻ¤æѤ":107413,"éĻ¤æѤä¹ĭå¤ĸ":107414,"è°ĥ度":107415,"ç§ij缮":107416,"æīĢ说çļĦ":107417,"åĬĩ":107418,"忽è§Ĩ":107419,"ä¸ī次":107420,"ä¸ĢæĹ¥":107421,"åŀĤ缴":107422,"ç«ŀæĬĢ":107423,"éĿ¢åĮħ":107424,"大æĪĺ":107425,"æIJºå¸¦":107426,"å¦Ĥæŀľæ²¡æľī":107427,"åħ»æĪIJ":107428,"åĩºè¡Ģ":107429,"çĪ±å¥½èĢħ":107430,"æīĵéĢļ":107431,"èµ·è¯ī":107432,"åijĪçİ°åĩº":107433,"æŃĮæīĭ":107434,"åľ¨å¤ĸ":107435,"é¢Ĩ导干éĥ¨":107436,"åĨ¥":107437,"èĪĨ论":107438,"æıIJåıĸ":107439,"éĺ¿å°Ķ":107440,"æľĽçĿĢ":107441,"ä¸īäºļ":107442,"財":107443,"åĪ·æĸ°":107444,"æĻļæĬ¥":107445,"è¿ĺæľīä¸Ģ个":107446,"åĨ°ç®±":107447,"ç½ijçĤ¹":107448,"åĩºåħ·":107449,"强çĥĪçļĦ":107450,"æĪijçĽ¸ä¿¡":107451,"å¸ĮæľĽèĥ½":107452,"çīĻ齿":107453,"äºĭå®ľ":107454,"ä¸ļåĨħ人士":107455,"ä»£æĽ¿":107456,"åıĺå½¢":107457,"éĽ²":107458,"è°ĥæݧ":107459,"åĪĽæĸ°åĪĽä¸ļ":107460,"æĭĨè¿ģ":107461,"æł¸æŁ¥":107462,"éĢĹ":107463,"åħ¥åѦ":107464,"æĦıåIJij":107465,"æıĽ":107466,"ä¸ĭ次":107467,"ä¼łè¾ĵ":107468,"ä»ĸä»¬åľ¨":107469,"èĢĮä¸Ķè¿ĺ":107470,"æĹ¥åľ¨":107471,"æķĻè®Ń":107472,"æ´»çĿĢ":107473,"çļĦæľīæķĪ":107474,"å¤įå·¥å¤į":107475,"å¤įå·¥å¤į产":107476,"æĺ¯ä¸Ģ件":107477,"çŃīçĿĢ":107478,"復":107479,"åĭĩæķ¢":107480,"éģŃåıĹ":107481,"å¥Ķé©°":107482,"讲座":107483,"说å®Į":107484,"ç»Ļåĩº":107485,"è°¦":107486,"è¯ĬçĸĹ":107487,"çĽ²çĽ®":107488,"客è¿IJ":107489,"å°±è¿ŀ":107490,"å¼Ģåħĥ":107491,"å¼Ģåħĥæ£ĭçīĮ":107492,"ä¸įæĸŃæıIJåįĩ":107493,"çĶ¨æĪ·çļĦ":107494,"æĴķ":107495,"ä¾Ľæ°´":107496,"ç¶ĵæ¿Ł":107497,"ä¸ŃåĮ»èį¯":107498,"èģĶæĥ³":107499,"åħ¬äº¤è½¦":107500,"èĪªçıŃ":107501,"æĬĢè¡ĵ":107502,"å¼ķèµ·çļĦ":107503,"å°¹":107504,"èµĦæ·±":107505,"åĽ½èµĦå§Ķ":107506,"èĺŃ":107507,"é¼»åŃIJ":107508,"éĹ½":107509,"æİĴéĺŁ":107510,"è§Ĥåħī":107511,"éģĹåĿĢ":107512,"ä¸ľäº¬":107513,"é¥ŃåºĹ":107514,"ä¸įæĸŃçļĦ":107515,"å°±æĺ¯ä¸Ģ个":107516,"éķ¿ä¹ħ":107517,"çļĦè§ĤçĤ¹":107518,"娶":107519,"æĪijçİ°åľ¨":107520,"çķ°":107521,"å¾Ĺåĩº":107522,"å¿ħå®ļ":107523,"ä¸įåıĹ":107524,"åıªéľĢè¦ģ":107525,"åĽ°æī°":107526,"ç§ijåѦæĬĢæľ¯":107527,"çīĽèĤī":107528,"è¾ĥé«ĺçļĦ":107529,"è·ijæŃ¥":107530,"æ²¾":107531,"èı©èIJ¨":107532,"æľĢå¾Į":107533,"ä¿Ŀå¯Ĩ":107534,"æ²»å®ī":107535,"éĤ±":107536,"常è¯Ĩ":107537,"èĦ¸èī²":107538,"åĮĹ大":107539,"æ±ĩèģļ":107540,"æijĨèĦ±":107541,"é¾Ļ头ä¼ģä¸ļ":107542,"女åıĭ":107543,"çŃīå·¥ä½ľ":107544,"ä¸Ńç¾İ":107545,"èģĮåľº":107546,"èĦijè¢ĭ":107547,"åĨĻçļĦ":107548,"饲æĸĻ":107549,"åĬ³åĬ¨åĬĽ":107550,"屯":107551,"æĮģèĤ¡":107552,"åĽ¾åĥı":107553,"è¿ĩåİ»äºĨ":107554,"貨":107555,"è¾²":107556,"éĹ®æĪij":107557,"è·Łä½ł":107558,"çĶŁæŃ»":107559,"审ç¾İ":107560,"é¢Ĺç²Ĵ":107561,"ä¸Ńæĸ¹":107562,"åĬłçĥŃ":107563,"æĹħè¡Į社":107564,"çĻ¼çĶŁ":107565,"ä¸įåłª":107566,"åĤ·":107567,"æ¥ł":107568,"åĬŀæ¡Ī":107569,"æŁĦ":107570,"æĹ¢æĺ¯":107571,"å¤ĦåĪĨ":107572,"羣å®ŀçļĦ":107573,"æĬ¥çº¸":107574,"å¸ĪçĪ¶":107575,"å®īå¾½çľģ":107576,"åī¯ä¸»å¸Ń":107577,"ä¹ĭéģĵ":107578,"导弹":107579,"åŃ¦æł¡çļĦ":107580,"åŁİå¸ĤçļĦ":107581,"è°ĪåĪ°":107582,"æ¢Ĺ":107583,"å¹³éĿ¢":107584,"说ä»Ģä¹Ī":107585,"é¢ijçİĩ":107586,"éķ¿ä¸īè§Ĵ":107587,"çļĦåĪ©çĽĬ":107588,"黨":107589,"è±ĨèħIJ":107590,"å®ŀéĻħæĥħåĨµ":107591,"æŀĹä¸ļ":107592,"纪æ£ĢçĽijå¯Ł":107593,"ä½ıéĻ¢":107594,"çļĦæķ´ä½ĵ":107595,"åīįè¡Į":107596,"æĮ¨":107597,"çħ¤çŁ¿":107598,"åī¯æĢ»è£ģ":107599,"å°ıåIJĥ":107600,"æŀģ端":107601,"å©Ĩå©Ĩ":107602,"çİ°è´§":107603,"è¯ĹæŃĮ":107604,"éĴ¥åĮĻ":107605,"缩çŁŃ":107606,"ä½Ĩè¿Ļ":107607,"æĸ°åĵģ":107608,"è¿Ļ对":107609,"çŁ¥åIJį度":107610,"å¿ĹæĦ¿æľįåĬ¡":107611,"大å±Ģ":107612,"è¡¡éĩı":107613,"ä½ĵçİ°äºĨ":107614,"æ¡ĥèĬ±":107615,"åIJ¸å¼ķåĬĽ":107616,"åł¤":107617,"æĵħéķ¿":107618,"åĴĴ":107619,"çĽ¸æľº":107620,"ä¸Ģç«Ļ":107621,"ä¸Ģç«Ļå¼ı":107622,"æľĢç¾İ":107623,"æ°¸ä¹ħ":107624,"çļĦéĥ¨åĪĨ":107625,"åĪĨå·¥":107626,"å·¥ç¨ĭ建设":107627,"æIJŃè½½":107628,"æ°´ä¸Ń":107629,"èĮ¨":107630,"çļĦæĵįä½ľ":107631,"ç»Łæ²»":107632,"çķħéĢļ":107633,"åħļçļĦåįģ":107634,"輸":107635,"測":107636,"ç¾İè§Ĥ":107637,"ä¸įåĪ©":107638,"åıįæĢĿ":107639,"éªĦåĤ²":107640,"æłĩçļĦ":107641,"æĿĢ人":107642,"éĺ¿å§¨":107643,"é£ŁæĿIJ":107644,"åIJĥçļĦ":107645,"åIJİåĨį":107646,"çŁ£":107647,"两侧":107648,"æ¸ħæ°´":107649,"è¿ĽçIJĥ":107650,"å¼Ģå§ĭäºĨ":107651,"åIJ¬äºĨ":107652,"çĦĬæİ¥":107653,"磮":107654,"å¨Ł":107655,"为人":107656,"éĢģç»Ļ":107657,"åĨĴéĻ©":107658,"æķ·":107659,"ç»ĪæŃ¢":107660,"æīįçŁ¥éģĵ":107661,"è¿IJæ°Ķ":107662,"éĢļé£İ":107663,"æĥĬ讶":107664,"ç§ijåѦéĻ¢":107665,"æıIJéĹ®":107666,"太åİŁ":107667,"缸åIJĮçļĦ":107668,"ä»ķ":107669,"èģĸ":107670,"æĥħæ³ģ":107671,"é¢Ĩ导人":107672,"åĩºæĿ¥äºĨ":107673,"沿线":107674,"éĻ½":107675,"æĦŁè¦º":107676,"ä»įåľ¨":107677,"æ©Ļ":107678,"约为":107679,"åĸĿéħĴ":107680,"çĶ¨èį¯":107681,"ä¸ĭä¸Ģ":107682,"æ³ķå®ĺ":107683,"顺åºı":107684,"åģļä¸Ģ个":107685,"åĭ¢":107686,"æŃª":107687,"çĶµç«ŀ":107688,"ä¼´éļıçĿĢ":107689,"ä¹ĭåĬĽ":107690,"ä¹ĭ人":107691,"äºij计ç®Ĺ":107692,"åĪ«äººçļĦ":107693,"ç§ijåѦåıijå±ķ":107694,"第åħ«":107695,"å¹²æī°":107696,"女ç¥ŀ":107697,"è¿Ļæł·åģļ":107698,"å¤Ħåľ¨":107699,"æ°´è´¨":107700,"éķ¿æĺ¥":107701,"å¸ĤåľºéľĢæ±Ĥ":107702,"ç»´æĿĥ":107703,"èĢ³æľµ":107704,"æĸĩåĮĸçļĦ":107705,"奶ç²ī":107706,"ä¼łè¾¾":107707,"æīĭæľºçīĪ":107708,"æĽ¾åľ¨":107709,"äºĮæľŁ":107710,"åİŁåĽłæĺ¯":107711,"æºIJ头":107712,"åıĪèĥ½":107713,"裸":107714,"æĬĢæľ¯åĪĽæĸ°":107715,"æĸĩåĮĸæĹħ游":107716,"åıij票":107717,"年级":107718,"ä½łä¸į":107719,"ä¹ĭå¿ĥ":107720,"æķ°çĻ¾":107721,"åIJijå¾Ģ":107722,"èĢģ家":107723,"åľĭéļĽ":107724,"çļĦé«ĺ度":107725,"æľĿéĺ³":107726,"æ¸ħéĻ¤":107727,"èĩªæľī":107728,"书ä¸Ń":107729,"游æĪıè£ħå¤ĩ":107730,"ä¸ĩå¤ļ":107731,"驾驶åijĺ":107732,"ä½łçŁ¥éģĵ":107733,"åĽ½åºĨ":107734,"é£ŁåłĤ":107735,"æİ¥åı£":107736,"æĢ»æķ°":107737,"åħ¶ä»ĸçļĦ":107738,"çĶŁåij½çļĦ":107739,"ä½łåľ¨":107740,"çļĦ缮åħī":107741,"è¿Ļæĸ¹éĿ¢":107742,"éĥ½è¯´":107743,"çĸĹæ³ķ":107744,"åĭĩ士":107745,"åľ¨åħ¨çIJĥ":107746,"ä¿ĿéĻ©åħ¬åı¸":107747,"çĿ£æŁ¥":107748,"åĸĦèī¯":107749,"表彰":107750,"è¹²":107751,"路段":107752,"æľĥåĵ¡è¦ı":107753,"æľĥåĵ¡è¦ıç¯Ħ":107754,"æĪ·åŀĭ":107755,"ä¿ĥ使":107756,"修建":107757,"é«ĺæ°´å¹³":107758,"åģļåĩºäºĨ":107759,"ä¸»åľº":107760,"è¡Įèµ°":107761,"空çĻ½":107762,"æľī人说":107763,"è¿Ļ个ä¸ĸçķĮ":107764,"åIJįä¹ī":107765,"å®Įç¾İçļĦ":107766,"羡æħķ":107767,"åıĬåħ¶ä»ĸ":107768,"åı¯çĶ¨":107769,"æĭIJ":107770,"è¾ĥ大çļĦ":107771,"æĬĢæľ¯åĴĮ":107772,"å°¼äºļ":107773,"çĻ¾è´§":107774,"æıī":107775,"éĢīè´Ń":107776,"éĺŁåıĭ":107777,"ä¼łæĦŁ":107778,"ä¼łæĦŁåĻ¨":107779,"åıªè¦ģä½ł":107780,"为ä»Ģä¹Īè¦ģ":107781,"ä¸ĵ注äºİ":107782,"ä½Ļé¢Ŀ":107783,"åħ¸åŀĭçļĦ":107784,"缮åīįå·²":107785,"æ¬²æľĽ":107786,"èģĶ绾":107787,"æµģä¼ł":107788,"çļĦ家åºŃ":107789,"åı·åı¬":107790,"çıįè´µ":107791,"ä¼Łå¤§çļĦ":107792,"éī´äºİ":107793,"è·Łä»ĸ":107794,"产çī©":107795,"ä¸įå·²":107796,"è¿Ŀæ³ķè¡Į为":107797,"头ä¸Ĭ":107798,"åĪĨ解":107799,"åı¯ä»¥çľĭåĩº":107800,"æł¡åĮº":107801,"åŃĹä½ĵ":107802,"ä¿®çĤ¼":107803,"çĶļèĩ³æĺ¯":107804,"微信åħ¬ä¼Ĺ":107805,"åıĸ代":107806,"èIJ¥ä¸ļæĶ¶åħ¥":107807,"æ½įåĿĬ":107808,"ä½łèĥ½":107809,"社ä¼ļä¿Ŀéļľ":107810,"æ¯ĶèµĽä¸Ń":107811,"污水å¤ĦçIJĨ":107812,"夫å¦ĩ":107813,"ä¸Ģå¹ħ":107814,"沿海":107815,"åı£æĦŁ":107816,"ä½Ĩåį´":107817,"å½ĵæĹ¥":107818,"çļĦæľĢ大":107819,"æ¯ıä¸Ģä½į":107820,"没äºĭ":107821,"çī¹åĪ¥":107822,"å¼ĢåѦ":107823,"è·¯éĿ¢":107824,"å¿ĥçIJĨåѦ":107825,"æĶ¾ç½®":107826,"éĩįåºĨå¸Ĥ":107827,"ä½łèĩªå·±":107828,"æ¶Īè´¹èĢħçļĦ":107829,"ä¸Ģæ³¢":107830,"èѦæĥķ":107831,"åį§å®¤":107832,"注å°Ħ":107833,"é£İ鼨":107834,"沿çĿĢ":107835,"åijĬ訴":107836,"表çİ°åĩº":107837,"åĽĽæĺ¯":107838,"åı¤åħ¸":107839,"æĽ´éĩįè¦ģçļĦ":107840,"好äºĭ":107841,"çľ¼æ³ª":107842,"æ¨ĵ":107843,"审åĪ¤":107844,"碰æĴŀ":107845,"车ç«Ļ":107846,"è¿Ľåħ¥äºĨ":107847,"éĽĨåIJĪ":107848,"æł¼å¤ĸ":107849,"宾é¦Ĩ":107850,"æĶ¯ä»ĺå®Ŀ":107851,"她æĺ¯":107852,"æĺ¯å¦Ĥä½ķ":107853,"人次":107854,"çļĦæĪIJåĬŁ":107855,"æĹłåĬĽ":107856,"æµ·æĭĶ":107857,"æĺ¥åŃ£":107858,"éĥ½ä¸įä¼ļ":107859,"çŃīå¤ļç§į":107860,"ä¸Ģ个å°ı":107861,"åģľè½¦åľº":107862,"è®©æĽ´å¤ļ":107863,"è¿ĻçĤ¹":107864,"æĪIJåĵģ":107865,"éĴī":107866,"éģĩè§ģ":107867,"çıŃ主任":107868,"æĦıæĦ¿":107869,"çļĦåIJĮåѦ":107870,"游è§Ī":107871,"åİĭ缩":107872,"åľ¨ä¼łå¥ĩ":107873,"å¼¹æĢ§":107874,"æĹ¥åĨħ":107875,"ç¦ı建çľģ":107876,"è§ĴèIJ½":107877,"åĪĨå¼Ģ":107878,"ä¼ļ让":107879,"å¤ĸåĽ´":107880,"çĨŁæĤīçļĦ":107881,"çĨĶ":107882,"ä¸ĩè¾Ĩ":107883,"å¤ľéĹ´":107884,"车身":107885,"ä¸ŃæľŁ":107886,"å®ĮåĸĦçļĦ":107887,"åĵģç±»":107888,"åıĭè°Ĭ":107889,"éĢīæĭĶ":107890,"éªij士":107891,"彦":107892,"çļĦçľĭæ³ķ":107893,"åĽ½çİĭ":107894,"è¾£æ¤Ĵ":107895,"åıijå¸ĥæŶéĹ´":107896,"åı¤åŁİ":107897,"éļıæľº":107898,"ç«ĸ":107899,"å¼Ģè¾Ł":107900,"ä¼ĹçĶŁ":107901,"没åĬŀæ³ķ":107902,"åįĥéĩĮ":107903,"æĿ¥æºIJäºİ":107904,"çļĦæĿĥåĪ©":107905,"æ¯ĶåĪĨ":107906,"满æĦıçļĦ":107907,"ä¿®è¡Į":107908,"åĿł":107909,"大海":107910,"èݹ":107911,"åĩºèº«":107912,"è«ĩ":107913,"åħ³èĬĤ":107914,"åIJį人":107915,"éľĢè¦ģ注æĦı":107916,"æĹ©æĻ¨":107917,"å¤ĸåįĸ":107918,"åıĪè¦ģ":107919,"æ¶īæ¡Ī":107920,"çĶ³è¯·äºº":107921,"éĻĦè¿ijçļĦ":107922,"åĬłå¿«æİ¨è¿Ľ":107923,"æĸ°å¹´":107924,"大è¡Ĺ":107925,"ä¸Ģé»ŀ":107926,"èĭıå®ģ":107927,"æĤĦæĤĦ":107928,"èĦ¾æ°Ķ":107929,"å¸ĮèħĬ":107930,"éļıåį³":107931,"æķ¢äºİ":107932,"å®ŀè·µä¸Ń":107933,"æĺ¯æ²¡æľī":107934,"æľī趣çļĦ":107935,"æĿ¥èĩªäºİ":107936,"è£ģåĪ¤":107937,"女åŃ©åŃIJ":107938,"èĩ³åħ³":107939,"èĩ³åħ³éĩįè¦ģ":107940,"æĻºåĬĽ":107941,"èµ°åĩºåİ»":107942,"çŁŃæĿ¿":107943,"å¤§åĽ½":107944,"çļĦ认è¯Ĩ":107945,"å¹´å¤ľ":107946,"åĨįåĪ°":107947,"åIJĮæł·çļĦ":107948,"å¯Ĩå°ģ":107949,"å¤ĸ交éĥ¨":107950,"çĶŁæķĪ":107951,"æĤ¨åı¯ä»¥":107952,"ä½łåĢij":107953,"è¿ĩå¹´":107954,"å¼ĵ":107955,"è¡ĮæĿİ":107956,"æ¯Ķèµ·":107957,"身é«ĺ":107958,"è¿Ļ个人":107959,"ä¸Ńå¤ĸ":107960,"éģĵæŃī":107961,"çĽ¯çĿĢ":107962,"亲åŃIJ":107963,"éŸ":107964,"çĻ½äºij":107965,"èĦĸåŃIJ":107966,"ä¸ĢåĪĩéĥ½":107967,"æ·ij":107968,"è°ľ":107969,"åģ¶çĦ¶":107970,"éĿłè°±":107971,"é«ĺ管":107972,"ä¸ĭåıij":107973,"æĶ¾åĪ°":107974,"ç±»åĪ«":107975,"ä¸ĭåĪĹ":107976,"æ··ä¹±":107977,"åIJĪæ³ķæĿĥçĽĬ":107978,"çݯçIJĥ":107979,"æľīæķĪåľ°":107980,"åķĨæĪ·":107981,"æ¹ĸ人":107982,"海岸":107983,"æĬķ产":107984,"两个æľĪ":107985,"éĥ½éĿŀ常":107986,"å¢ŀ强äºĨ":107987,"æĿ¥åĪ°äºĨ":107988,"åī©ä½Ļ":107989,"æĤ¨çļĦåŃ©åŃIJ":107990,"æµģæ°´":107991,"æŃ£ä¹ī":107992,"天çĮ«":107993,"åģļè¿ĩ":107994,"ä½ķæŶ":107995,"æĪijåİ»":107996,"çľģ份":107997,"å¥ĸéĩij":107998,"该å¦Ĥä½ķ":107999,"ä¸ĭçıŃ":108000,"åģ¶åĥı":108001,"æijĨæĶ¾":108002,"æĸ°æ¨¡å¼ı":108003,"æĬķè³ĩ":108004,"è·¯åı£":108005,"åĨľæ°ijå·¥":108006,"大åѸ":108007,"件äºĭ":108008,"æł¹æľ¬ä¸į":108009,"æµĵ度":108010,"æµĵåİļ":108011,"è½®èĥİ":108012,"æĪ¿ä¼ģ":108013,"éĿŀ常好":108014,"ä»İä¸Ń":108015,"äººæł¼":108016,"ç¿ģ":108017,"æŶéĹ´åĴĮ":108018,"è¿Ļä¸įæĺ¯":108019,"åĪ¸åķĨ":108020,"æĥĬ人":108021,"åĻ¨å®ĺ":108022,"åĩĨåĪĻ":108023,"æĥħæĻ¯":108024,"æĽ´é«ĺçļĦ":108025,"åŃ¦å®¶":108026,"泡沫":108027,"åľ°æĸ¹æĶ¿åºľ":108028,"å°±çŁ¥éģĵ":108029,"åij¼åIJģ":108030,"ç»ıè´¸":108031,"èĬ±éĴ±":108032,"æľīä¸Ģ次":108033,"æĦŁæħ¨":108034,"ä¸Ģåįĥ":108035,"å¤ľæĻļ":108036,"詹å§Ĩ":108037,"詹å§Ĩæĸ¯":108038,"è¦ģéĹ»":108039,"ç»Ĵ":108040,"æºIJäºİ":108041,"çļĦè´¨éĩı":108042,"注æĦıäºĭ项":108043,"æħ¢æĢ§":108044,"稳å®ļçļĦ":108045,"建设åĴĮ":108046,"æĻ¯è±¡":108047,"éĩıåĮĸ":108048,"çļĦ話":108049,"è¯Ħ级":108050,"æºľ":108051,"红åĮħ":108052,"éĢļéģİ":108053,"社ä¼ļ责任":108054,"æĸ°äº§åĵģ":108055,"åĨ·éĿĻ":108056,"çľĭä¸įåĪ°":108057,"èģĶéĤ¦":108058,"éŃĦ":108059,"çļĦåīįæıIJ":108060,"çļĦåīįæıIJä¸ĭ":108061,"è¾ĥ好":108062,"çļĦæĦŁæĥħ":108063,"客æĪ·æıIJä¾Ľ":108064,"çĭ¬èĩª":108065,"å¢ŀæĶ¶":108066,"æĸĩçĮ®":108067,"æĭ¼åij½":108068,"管çIJĨåĴĮ":108069,"æµģåĬ¨æĢ§":108070,"åħ¨å®¶":108071,"ä¸Ĭæĸ¹":108072,"æݨåĩºçļĦ":108073,"ä¸īåĽ½":108074,"ä¸Ģ个æĺ¯":108075,"æĸ°ä¸Ģè½®":108076,"æĸĩåĮĸéģĹ产":108077,"殺":108078,"大湾åĮº":108079,"éĥ½éľĢè¦ģ":108080,"çļĦå®ŀéĻħ":108081,"ç·Ĭ":108082,"大å¥ĸ":108083,"åħīèĬĴ":108084,"便äºİ":108085,"çļĦ表æĥħ":108086,"æ¼Ķç»İ":108087,"红åĨĽ":108088,"å½ĵæĪij":108089,"æ²»æĦĪ":108090,"é¢Ŀ度":108091,"éĿľ":108092,"ä»»ä½ķ人":108093,"è¡Ĺ头":108094,"çī¹æĸ¯":108095,"çī¹æĸ¯æĭī":108096,"åĮ»çĸĹæľºæŀĦ":108097,"ç»ĻåŃ©åŃIJ":108098,"è§Ħ磩":108099,"è£ľ":108100,"çļĦ身影":108101,"ä¸ĵæłı":108102,"æĿ¥ä¸´":108103,"童年":108104,"å¤įèĭı":108105,"è¨Ĥ":108106,"åŀĭåı·":108107,"åĽ¾æ¡Ī":108108,"ç®ĢåİĨ":108109,"æĭ±":108110,"èį·åħ°":108111,"ä»»æĦı":108112,"æī¿æİ¥":108113,"è¿Ļæīį":108114,"客车":108115,"æľĿçĿĢ":108116,"éłħ缮":108117,"åı°é£İ":108118,"çļĦæĪ¿åŃIJ":108119,"éªı":108120,"æĿ±è¥¿":108121,"éģĹä¼ł":108122,"è¶Ĭå¤ļ":108123,"äºĨä»ĸçļĦ":108124,"ä¸Ĭåij¨":108125,"管çIJĨåĪ¶åº¦":108126,"失ä¸ļ":108127,"çĶ·åıĭ":108128,"æİ¥ç§į":108129,"å¨ģåIJį":108130,"çĴ°å¢ĥ":108131,"åıijçĶŁåľ¨":108132,"ä¸ªåĽ½å®¶":108133,"åĪĽæĸ°åıijå±ķ":108134,"æĶ¹åıĺäºĨ":108135,"åģ¥åº·çļĦ":108136,"åĢ¼å¾Ĺä¸Ģ":108137,"åĢ¼å¾Ĺä¸ĢæıIJ":108138,"åĽ¢ä¼Ļ":108139,"åģĩ设":108140,"åı°ä¸Ĭ":108141,"è§ĦèĮĥåĮĸ":108142,"éĻªåIJĮ":108143,"座æ¤ħ":108144,"åı¯æĢľ":108145,"åħĭæĢĿ主ä¹ī":108146,"æ³ķå¾ĭ责任":108147,"ä¸Ģé¡¿":108148,"æĬ¬å¤´":108149,"为éĩįçĤ¹":108150,"è¿ľæ´ĭ":108151,"éĢıè¿ĩ":108152,"åħ¨çIJĥåĮĸ":108153,"趣åij³":108154,"票æĪ¿":108155,"æ¯ı人":108156,"åIJĦç§įåIJĦæł·":108157,"äºĨåĩºæĿ¥":108158,"ç»Ŀ对æĺ¯":108159,"ä¸ĭå±ŀ":108160,"ä¸ĢåıĮ":108161,"è¿ĻåĿĹ":108162,"æĬĹçĸ«":108163,"è¦ģçĤ¹":108164,"å½¢æĪIJçļĦ":108165,"æĪijçľĭ":108166,"ä¸ĩéĩĮ":108167,"èĢĥçłĶ":108168,"为åħ¶":108169,"æ°ij宿":108170,"å¤ļä½į":108171,"大èĩ´":108172,"ä»ĺè´¹":108173,"åħ¥æīĭ":108174,"å±ħ家":108175,"æīĢåľ¨åľ°":108176,"人身":108177,"è¿ĩå¾Ĺ":108178,"è¯ķè¯ķ":108179,"访è°Ī":108180,"åĬłéĩį":108181,"å°±ä¸įä¼ļ":108182,"çĶŁäº§ä¼ģä¸ļ":108183,"åĽŀåĽ½":108184,"åºķ线":108185,"赶åĪ°":108186,"æĶ¯éĺŁ":108187,"æĪij们éĥ½":108188,"éĤ®æĶ¿":108189,"缴èĩ³":108190,"éĴ¢çIJ´":108191,"åħľ":108192,"çłĶ讨ä¼ļ":108193,"æľĪ亮":108194,"åĿļæĮģ以":108195,"åħ¬å®īéĥ¨":108196,"éĴ¢ç®¡":108197,"å°ıçĻ½":108198,"ç½®ä¸ļ":108199,"èģĭ":108200,"书åĨĻ":108201,"æĿı":108202,"éħįæĸ¹":108203,"èĢĮåıĪ":108204,"çijŀ士":108205,"çķĮçļĦ":108206,"èĢģ大":108207,"æĪIJçĨŁçļĦ":108208,"å¹²ä»Ģä¹Ī":108209,"ä¸ĵ项æĸĹäºī":108210,"çŃīå¤ļ个":108211,"èĦ±ç¦»":108212,"ä¸ī个æľĪ":108213,"çłĶ究åijĺ":108214,"æĹĭ转":108215,"æŀģèĩ´":108216,"åħįè´£":108217,"åħį责声æĺİ":108218,"å¾Īå¤ļçݩ家":108219,"车ä¸Ĭ":108220,"交äºĴ":108221,"å·²æĺ¯":108222,"ä¸Ģå°ı":108223,"çļĦéĩįçĤ¹":108224,"èĬ±äºĨ":108225,"ä¸įæĺİ":108226,"æľīåħ³è§Ħå®ļ":108227,"çĬ¹å¦Ĥ":108228,"羸":108229,"寡":108230,"çļĦè¡£æľį":108231,"åĮħ裹":108232,"身åŃIJ":108233,"å¸ĪèĮĥ大åѦ":108234,"äºĭåħĪ":108235,"线æĿ¡":108236,"æ³ķåĪ¶":108237,"åħ»æĬ¤":108238,"稳å®ļæĢ§":108239,"éĤµ":108240,"åŀĦæĸŃ":108241,"é¡į":108242,"èĢĥåı¤":108243,"æĿłæĿĨ":108244,"èĭıèģĶ":108245,"æ°´çĶµ":108246,"åħ·ä½ĵçļĦ":108247,"æ¿Ģæ´»":108248,"æĪijæł¡":108249,"åĪļå¼Ģå§ĭ":108250,"åĩ¸æĺ¾":108251,"禾":108252,"åħ¼èģĮ":108253,"éĢıéģİ":108254,"åľ¨æ¸¸æĪıä¸Ń":108255,"社ä¼ļåıijå±ķ":108256,"好çİ©":108257,"å¹»æĥ³":108258,"ä¸į代表":108259,"注æĦıåĬĽ":108260,"æ£į":108261,"çĶ¨æīĭ":108262,"ç¾İ人":108263,"许å¤ļ人":108264,"å¾Īæĺ¯":108265,"çļĦçłĶåıij":108266,"æīĵåĩº":108267,"åIJĪä¼Ļ人":108268,"ä¸Ģå¤ľ":108269,"ç¼ĵç¼ĵ":108270,"ä¿®æŃ£":108271,"æĦŁçŁ¥":108272,"ç»Ī身":108273,"æ¿Ģç´ł":108274,"çݯå¢ĥä¸ĭ":108275,"次ä¼ļè®®":108276,"ç»ıæµİå¢ŀéķ¿":108277,"æīĽ":108278,"åıijéħµ":108279,"åĪĨæŀIJå¸Ī":108280,"åľ¨æľªæĿ¥":108281,"主è¦ģæľī":108282,"ä¸ĢåŃ£åº¦":108283,"çļĦ说æ³ķ":108284,"ä»İæĿ¥æ²¡æľī":108285,"货车":108286,"缩å°ı":108287,"太è¿ĩ":108288,"æķĪåĬĽ":108289,"ä¸įä¸ĭ":108290,"æĬķ稿":108291,"èį¯ä¸ļ":108292,"ç»Ħéķ¿":108293,"ç«ĻçĤ¹":108294,"å¾Īåĸľæ¬¢":108295,"éIJµ":108296,"åĬ¿å¤´":108297,"æ¼ıæ´ŀ":108298,"æĦ¤æĢĴ":108299,"åħħå®ŀ":108300,"åĪĽä¸ļæĿ¿":108301,"çĪª":108302,"æľªå¿ħ":108303,"åºķéĥ¨":108304,"å¾ĹåĪĨ":108305,"人æ°ijåĮ»éĻ¢":108306,"äºĮæīĭæĪ¿":108307,"å·²ç»ı被":108308,"大楼":108309,"æĸ°æĪ¿":108310,"辦æ³ķ":108311,"çĶ¨åĬĽ":108312,"æĭĵ宽":108313,"åĨħåľ¨":108314,"æĴŃåĩº":108315,"饰æ¼Ķ":108316,"ä¹Łè®©":108317,"ä½ľçĤº":108318,"çī©ä¸ļ管çIJĨ":108319,"åį´ä¸į":108320,"为ä¸ŃåĽ½":108321,"å±ĢåĬ¿":108322,"ä¸įèĤ¯":108323,"æľĢæĸ°çļĦ":108324,"åı¯ä»¥éĢīæĭ©":108325,"æĺ¾çİ°":108326,"å°±ç®Ĺæĺ¯":108327,"åľ¨æł¡":108328,"é¾Ł":108329,"两æĿ¡":108330,"çļĦå®ŀåĬĽ":108331,"è¶Ĭ好":108332,"å¥¹åľ¨":108333,"å¿łè¯ļ":108334,"ä¹ŁéľĢè¦ģ":108335,"游æĪıæĵįä½ľ":108336,"è¶ħåĩº":108337,"å¦Ĥæŀľä¸į":108338,"æīĢåľ¨çļĦ":108339,"ä½łè¿ĺ":108340,"以åĨħ":108341,"æľīä¸Ģå®ļ":108342,"åı¯è¾¾":108343,"è·ijåĪ°":108344,"åīĽ":108345,"建ç«ĭåģ¥åħ¨":108346,"æķ´è½¦":108347,"åīįæĸ¹":108348,"éĹ´æİ¥":108349,"çŃ¹å¤ĩ":108350,"çĸ²åĬ³":108351,"离å¼ĢäºĨ":108352,"æ±Ŀ":108353,"éĿ¢éĥ¨":108354,"ä¹ĭåīįçļĦ":108355,"åıĺ为":108356,"å¦Ĥæŀľè¯´":108357,"对ä»ĺ":108358,"åĿĩåı¯":108359,"被åijĬ人":108360,"ç²¾ç¾İ":108361,"èģļä¼ļ":108362,"çĿĢæĢ¥":108363,"è°·æŃĮ":108364,"ä¸Ģåı·":108365,"红åĪ©":108366,"ä¼łå¥ĩ游æĪı":108367,"å»ĸ":108368,"è´ŀ":108369,"ä¹°åĪ°":108370,"éŃļ":108371,"ä½ĵè´¨":108372,"å°ijäºĨ":108373,"æ³īå·ŀ":108374,"åIJŁ":108375,"ç»Ŀä¸į":108376,"é»ijæģ¶":108377,"é»ijæģ¶åĬ¿åĬĽ":108378,"ä¸Ĭæĺł":108379,"çļĦè¯Ŀé¢ĺ":108380,"ä¸ĩ人次":108381,"ä¸ĸéĹ´":108382,"çĶ¨å·¥":108383,"贯穿":108384,"å®ĿçŁ³":108385,"ä½łå¥½":108386,"åĪĩåī²":108387,"å¼ºåĽ½":108388,"åĽŀèIJ½":108389,"æ°´æĻ¶":108390,"模仿":108391,"洪水":108392,"éĢĻ麼":108393,"åįģä¸īäºĶ":108394,"ä½ij":108395,"éĻĦ件":108396,"çļĦå¢ŀéķ¿":108397,"éĻĦå±ŀ":108398,"çİ°å·²":108399,"å¸®ä½ł":108400,"éĩijçīĮ":108401,"é«ĺåİŁ":108402,"åľ¨å®¶éĩĮ":108403,"éĺ²èħIJ":108404,"ç¡®å®ŀæĺ¯":108405,"宣讲":108406,"天æīį":108407,"ç»ıèIJ¥ç®¡çIJĨ":108408,"éĶħçĤī":108409,"åIJĪä¸Ģ":108410,"è§Ĥèµı":108411,"éķ¿è¾¾":108412,"主ä¹īæĢĿæĥ³":108413,"éĤ£éº¼":108414,"é£İäºij":108415,"为主çļĦ":108416,"æļijåģĩ":108417,"æĮģä¹ħ":108418,"å¼Ĥåľ°":108419,"å¼ĢéŨ":108420,"模æĿ¿":108421,"æī¹æ¬¡":108422,"ä¸į便":108423,"天çĶŁ":108424,"åĩłä¸ªæľĪ":108425,"ä¸ĵç§ij":108426,"åı¦æľī":108427,"åħ¬å¸ĥçļĦ":108428,"æĩ·":108429,"åľºåIJĪ":108430,"çļĦå¿ĥæĢģ":108431,"è¿ĺ好":108432,"å®ŀæĪĺ":108433,"èĢģå¸ĪçļĦ":108434,"åħ©åĢĭ":108435,"åı¯åľ¨":108436,"éĤ£ä½į":108437,"å¥łå®ļäºĨ":108438,"ä¿ĥéĶĢ":108439,"æı´åĬ©":108440,"ä¸ĩçī©":108441,"æĥħæĬ¥":108442,"é¦ĸåħĪè¦ģ":108443,"æĸĩåĮĸåĴĮ":108444,"éĥ½å·²ç»ı":108445,"ä¸Ĭä¸ĸ纪":108446,"åĨľåľº":108447,"大æī¹":108448,"æĺİçĻ½äºĨ":108449,"çļĦæĪIJéķ¿":108450,"çļĦæ¯ĶèµĽ":108451,"失误":108452,"åģļæĪIJ":108453,"ä»Ĭ天å°ıç¼ĸ":108454,"é¢Ĩè¢ĸ":108455,"æıIJåįĩäºĨ":108456,"å¾IJå·ŀ":108457,"ä»įæľī":108458,"è¿ĩ滤":108459,"å¹½é»ĺ":108460,"çĥŃéĩı":108461,"ä¸Ģé¦ĸ":108462,"æ¼Ĥ亮çļĦ":108463,"åĩłç§į":108464,"åĢ¡è®®":108465,"å°±åı¯ä»¥äºĨ":108466,"æİĴåĪĹ":108467,"éĩįéĩį":108468,"ä¼ģä¸ļåĴĮ":108469,"ä¸ĵå±ŀ":108470,"çħİ":108471,"亲æĪļ":108472,"çĻ¾åĪĨä¹ĭ":108473,"稿件":108474,"è¿ĺå¾Ĺ":108475,"人åĵ¡":108476,"äºī夺":108477,"æĽ´å®¹æĺĵ":108478,"大èĩªçĦ¶":108479,"鼻èħ¦":108480,"太空":108481,"åľ°å¤Ħ":108482,"夢":108483,"ä»ĸ对":108484,"å¿ħå°Ĩ":108485,"ä¸įå½ĵ":108486,"严谨":108487,"åĩºåľº":108488,"å·²ç»ıæľī":108489,"é¢ĨåĨĽ":108490,"é«ĺæ¡£":108491,"ä¸ĢæīĢ":108492,"æłĹ":108493,"让åѦçĶŁ":108494,"æĽ¹æĵį":108495,"æŁIJä¸Ģ":108496,"伸åĩº":108497,"èĬ±åįī":108498,"æ¸ħéĨĴ":108499,"èģĶç³»æĸ¹å¼ı":108500,"åĪĨå±Ģ":108501,"èħ³":108502,"æ©¡èĥ¶":108503,"éķ¿å¾Ĺ":108504,"ç»¿åľ°":108505,"è¢į":108506,"çļĦèīºæľ¯":108507,"女æľĭåıĭ":108508,"ä¸Ńè¶ħ":108509,"离åŃIJ":108510,"å¤ļæł·åĮĸ":108511,"éĺ³åı°":108512,"ä½İ碳":108513,"ä¸Ģç±»":108514,"çŃīæĸ¹éĿ¢çļĦ":108515,"å¾Ĺ好":108516,"模åħ·":108517,"ä¸ĩ亿":108518,"çķĻæĦı":108519,"临æ²Ĥ":108520,"å°ijéĩı":108521,"çľĭåIJij":108522,"ç»ıèIJ¥èĢħ":108523,"çķĻä¸ĭäºĨ":108524,"åĿıäºĨ":108525,"åijĬåĪ«":108526,"羣çIJĨ":108527,"ç¼´è´¹":108528,"æĬĬä½ł":108529,"çļĦä»»åĬ¡":108530,"æĪij对":108531,"ä¹°åħ¥":108532,"çĻ»ä¸Ĭ":108533,"æľī两个":108534,"ä¸Ģ头":108535,"æĵįæݧ":108536,"åħ¨è¦ĨçĽĸ":108537,"çĿĢæīĭ":108538,"å¢ĻéĿ¢":108539,"å¤ļæĸ¹":108540,"åı¯çĪ±çļĦ":108541,"ä¹Łåı¯èĥ½":108542,"æľĢæľī":108543,"è¿ĻäºĽéĥ½æĺ¯":108544,"æĥ¡":108545,"å®®":108546,"å¾Īå°ı":108547,"éĹ®é¢ĺæĺ¯":108548,"åĿĩæľī":108549,"å¾ģéĽĨ":108550,"说åĩº":108551,"æľīæĦı":108552,"é¢Ĥ":108553,"æī¬å·ŀ":108554,"åķĨä¸ļ模å¼ı":108555,"çĶŁèĤĸ":108556,"æįIJ款":108557,"å²Ĥ":108558,"ç¾İæĻ¯":108559,"è¿ĺ羣":108560,"æĭ¥æĬ±":108561,"身ä½ĵåģ¥åº·":108562,"æ·±å¤Ħ":108563,"çľ¼ç¥ŀ":108564,"çļĦ形象":108565,"ä¼ĺè¶Ĭ":108566,"å½ĵæĪIJ":108567,"åĮºåĪĨ":108568,"åİ»éĻ¤":108569,"注å®ļ":108570,"å§IJ妹":108571,"åĮºåĨħ":108572,"é©ļ":108573,"æļĹ示":108574,"æĺİ亮":108575,"æħ°éĹ®":108576,"å¸Ĥåľºä»½é¢Ŀ":108577,"çĮªèĤī":108578,"çļĦèµĦéĩij":108579,"åİĨç»ı":108580,"å§ĭç»ĪåĿļæĮģ":108581,"çĶŁæľº":108582,"ä¸į顾":108583,"éĩijåĪļ":108584,"大声":108585,"éĻķ西çľģ":108586,"é²į":108587,"åĨľä¸ļåĨľæĿij":108588,"æľī害":108589,"éŨè¯Ĭ":108590,"æ¯ıä¸Ģ次":108591,"çļĦåĽłç´ł":108592,"é¢Ŀå¤ĸ":108593,"åݿ级":108594,"çļĩåIJİ":108595,"åĽ½ä¼ģ":108596,"é¦ĸéĢī":108597,"ç¼ĸåĨĻ":108598,"æĭ¿èµ·":108599,"åģ·åģ·":108600,"ä¸İä¸ŃåĽ½":108601,"åįĸ家":108602,"ç»Ļä»ĸ们":108603,"ç¥ŀè¯Ŀ":108604,"åŃ¸æł¡":108605,"æĪijä¸Ģ缴":108606,"çŁ¥éģĵäºĨ":108607,"åįĴ":108608,"åĴĮåľ°åĮº":108609,"ä»Ģä¹Īéĥ½":108610,"çĶ»å®¶":108611,"æľ¬çĿĢ":108612,"ä½ĻåIJį":108613,"审çIJĨ":108614,"ä¸ĢåIJij":108615,"åıijå±ķè¶ĭåĬ¿":108616,"åĮºéĹ´":108617,"注åĨĮèµĦæľ¬":108618,"çIJ¦":108619,"ä¸įåı¯ä»¥":108620,"çļĦåĦ¿åŃIJ":108621,"åĢ¼çıŃ":108622,"ä¸¥æł¼çļĦ":108623,"å®ŀä½ĵç»ıæµİ":108624,"æľīæĿĥ":108625,"æĪijåıĪ":108626,"éĵ¶æ²³":108627,"ç«ĭ马":108628,"æĿĢäºĨ":108629,"åĮħ容":108630,"管家":108631,"身é«Ķ":108632,"éĵħ":108633,"å°ıåŃIJ":108634,"管çIJĨç³»ç»Ł":108635,"æľīçļĦ人":108636,"é£İçĶµ":108637,"æĻºèĥ½åĪ¶éĢł":108638,"精确":108639,"æĭĽåķĨå¼ķ":108640,"æĭĽåķĨå¼ķèµĦ":108641,"äºĮæīĭ车":108642,"åİ¿å§Ķ":108643,"èīºäºº":108644,"å¥ķ":108645,"è¿İæĿ¥äºĨ":108646,"ç»ĵæĿŁäºĨ":108647,"çļĦä¼łç»Ł":108648,"æĭ¼æIJı":108649,"奥迪":108650,"çĸijæĥij":108651,"ä¹ĭæĹ¥èµ·":108652,"æłĩå¿ĹçĿĢ":108653,"åľ°åįĢ":108654,"è¯łéĩĬ":108655,"åĪ°æľŁ":108656,"åħ¨éĥ½":108657,"çŁŃæļĤ":108658,"æĺ¯æĪijåĽ½":108659,"æĪijå·²ç»ı":108660,"æ»´æ»´":108661,"天èµĭ":108662,"对她":108663,"åį«çĶŁéĹ´":108664,"çĶŁäº§åŁºåľ°":108665,"æĹ¥è®°":108666,"çļĦæķĻåѦ":108667,"åĵĩ":108668,"æ°ijäºĭ":108669,"è¿ĺåİŁ":108670,"æīĭä¸ŃçļĦ":108671,"çļĦèī¯å¥½":108672,"æ·«":108673,"ä¸Ńåħ±ä¸Ń央":108674,"åĪĥ":108675,"åĵĦ":108676,"åľ¨ä»ĸçļĦ":108677,"å°Īæ¥Ń":108678,"åľºéĿ¢":108679,"éĤ»å±ħ":108680,"çĹĴ":108681,"å¦Ħ":108682,"å¤ĸç§ij":108683,"ä¸įéĢĤ":108684,"举åĬŀçļĦ":108685,"éĤ¹":108686,"åħļçļĦ建设":108687,"çĻ¼è¡¨":108688,"è·¨çķĮ":108689,"æ²īæ·Ģ":108690,"大çīĩ":108691,"è¶Ĭé«ĺ":108692,"å°Ĩæĺ¯":108693,"è§īéĨĴ":108694,"åĤ¨åŃĺ":108695,"å¢ŀ大":108696,"ä¸į让":108697,"æķ´å½¢":108698,"å¹³åı°ä¸Ĭ":108699,"åĩłä½į":108700,"è¯īæ±Ĥ":108701,"好ä¸į好":108702,"åľį":108703,"æĸĩæľ¬":108704,"éĢ²åħ¥":108705,"ç´į":108706,"æł¹æĵļ":108707,"èįīæ¡Ī":108708,"åħŃ个":108709,"åĭ¿":108710,"åĪ¶æĪIJ":108711,"饮水":108712,"æ°¸æģĴ":108713,"èĩªæĿĢ":108714,"åı¸é©¬":108715,"éļ¾çĤ¹":108716,"为æĪij们":108717,"弧":108718,"åī©ä¸ĭçļĦ":108719,"åĩĨå¤ĩ好":108720,"çļĦæľĢä½³":108721,"èģĶåIJĪä¼ļ":108722,"æĤ£èĢħçļĦ":108723,"æĪijä¸įçŁ¥éģĵ":108724,"ä¸ĭä¸Ģ个":108725,"åıijå±ķæĸ¹åIJij":108726,"笨":108727,"æīĢ以æĪij们":108728,"åĨĻäºĨ":108729,"éĢłæĪIJäºĨ":108730,"æ²Ļæ¼ł":108731,"çŃĽéĢī":108732,"çģ¾åĮº":108733,"ä¸Ĭçľĭ":108734,"éħ¶":108735,"æ»ļåĬ¨":108736,"éļ¾åħį":108737,"åIJīåĪ©":108738,"ä¸Ģä¸Ģ":108739,"ç²¾å¯Ĩ":108740,"伸æīĭ":108741,"礼仪":108742,"åħ¨æĺ¯":108743,"è¶Ĭ大":108744,"ä¸Ńæłĩ":108745,"åıĸåĨ³":108746,"åıĸåĨ³äºİ":108747,"éĢĶä¸Ń":108748,"讨åİĮ":108749,"æīĭåĨĮ":108750,"第ä¹Ŀ":108751,"åŃĶåŃIJ":108752,"çĦ¶å¾Į":108753,"ä¸Ģåħ±":108754,"æµ·æĬ¥":108755,"款å¼ı":108756,"æķ´å¤©":108757,"è¾¹çķĮ":108758,"路边":108759,"æĻĭ级":108760,"åIJIJ槽":108761,"çļĦåħ³æ³¨":108762,"æĪij没æľī":108763,"å°±æĺ¯åľ¨":108764,"缮çļĦæĺ¯":108765,"åį³ä½¿æĺ¯":108766,"顶å°ĸ":108767,"å·²ç»ıåľ¨":108768,"å®īåħ¨éļIJæĤ£":108769,"æłĩæĿĨ":108770,"åįĹéĢļ":108771,"ä¼ļ对":108772,"座ä½į":108773,"èµ¢å¾ĹäºĨ":108774,"åİŁæĿ¥çļĦ":108775,"身为":108776,"书åºĹ":108777,"è¢Ńåĩ»":108778,"ä»ĬæĻļ":108779,"以èī²":108780,"以èī²åĪĹ":108781,"æĬĸéŁ³":108782,"åį´æ²¡æľī":108783,"丧失":108784,"çļĦå±ĢéĿ¢":108785,"åįģåĽĽäºĶ":108786,"çŃī缸åħ³":108787,"æ±ĩæĢ»":108788,"å¤ĸ表":108789,"为æ°ij":108790,"éľĩæĥĬ":108791,"å¥Ĺè·¯":108792,"çĬ¯ç½ªå«Įçĸij":108793,"å°Ĩ以":108794,"çİĩé¢Ĩ":108795,"éħĴåIJ§":108796,"è¡Įä¸ļåıijå±ķ":108797,"å¹´èĩ³":108798,"åĻ¨æĿIJ":108799,"åĴĮæĬĢæľ¯":108800,"æľĢå°ı":108801,"è¿Ļä¸ĢåĪĩ":108802,"èģĮ称":108803,"å½ĵä½ľ":108804,"æİĢèµ·":108805,"åĴĭ":108806,"ä¸Ńéĥ¨":108807,"æīĭèĩĤ":108808,"ç½¢äºĨ":108809,"媳å¦ĩ":108810,"æ´½è°Ī":108811,"æĹ¶ä»£ä¸ŃåĽ½":108812,"人çĶŁçļĦ":108813,"æŀģéĻIJ":108814,"ç¦Ħ":108815,"åĮºæĶ¿åºľ":108816,"æľ¬éĴ±":108817,"礼åĵģ":108818,"çļĦéĤ£ä¸ª":108819,"ä¾¦æŁ¥":108820,"太å¤ļçļĦ":108821,"å®ŀæĸ½æĸ¹æ¡Ī":108822,"é«ĺæłĩåĩĨ":108823,"æĮĩæĮ¥éĥ¨":108824,"åĢ¾æĸľ":108825,"çī¹èī²ç¤¾ä¼ļ":108826,"çµIJæŀľ":108827,"éĴ»çŁ³":108828,"移æ¤į":108829,"çī¹ç§į":108830,"èĩªæĦ¿":108831,"æĭľçĻ»":108832,"åįķ身":108833,"åį´åıĪ":108834,"åĪ¥äºº":108835,"åIJĪè§Ħ":108836,"æľºçĶµ":108837,"çī¹æĦı":108838,"å½ĵåīįä½įç½®":108839,"买家":108840,"åIJĪ约":108841,"èĤ©èĨĢ":108842,"为åĩĨ":108843,"家è£ħ":108844,"çļĦçĥŃæĥħ":108845,"éĿŀéģĹ":108846,"çļĦéŃħåĬĽ":108847,"åİŁåijĬ":108848,"社ä¼ļåIJĦçķĮ":108849,"ä¹°çļĦ":108850,"å¤ļåIJĥ":108851,"éĽķå¡ij":108852,"èµ·ä¹ī":108853,"åĬłåī§":108854,"éĤ£ä¸ĢåĪ»":108855,"å°Ĩè¿Ľä¸ĢæŃ¥":108856,"æ¡ĤæŀĹ":108857,"æĽ´å¼º":108858,"对ä¼ģä¸ļ":108859,"æĹłæĦı":108860,"ä¹łè¿ijå¹³æĸ°":108861,"æµģ失":108862,"微软":108863,"çĽ¸å¯¹äºİ":108864,"座è°Īä¼ļ":108865,"主èIJ¥ä¸ļ":108866,"主èIJ¥ä¸ļåĬ¡":108867,"ç§ģåĭŁ":108868,"å±ķ示äºĨ":108869,"常æĢģåĮĸ":108870,"è²´":108871,"符åı·":108872,"å¹´è½»çļĦ":108873,"å°±éľĢè¦ģ":108874,"ä¹ŁæĽ¾":108875,"çļĦæĥħ绪":108876,"è¾¾æłĩ":108877,"èĩ¨":108878,"ä½įå±ħ":108879,"ä»ħ为":108880,"é¦ĸ家":108881,"éĺ´éĺ³":108882,"ä¸įåĨįæĺ¯":108883,"åĽłä¸ºå®ĥ":108884,"ä¼ģä¸ļåľ¨":108885,"çĺ¾":108886,"åIJ¬è§ģ":108887,"åİŁæľī":108888,"åĪ¶è£ģ":108889,"å¯Ĥå¯ŀ":108890,"éĢļè¿ĩ对":108891,"æ»ijéĽª":108892,"è¿Ļå¼ł":108893,"çļĦçIJĨ解":108894,"æĸ°ä¸ŃåĽ½":108895,"è¿ĻåĦ¿":108896,"ä½İä»·":108897,"æĥ³è¿ĩ":108898,"çļĦä¿¡å¿ĥ":108899,"建çŃijçī©":108900,"çļĦé¢ľèī²":108901,"ä¸įåºĶ该":108902,"æĹłçĸijæĺ¯":108903,"å¼ķèµ·äºĨ":108904,"åħ¨åijĺ":108905,"æĿ°åĩº":108906,"è¿Ļæĺ¯æĪij":108907,"誰":108908,"èĺĩ":108909,"éĺµåľ°":108910,"åħħåĢ¼":108911,"çŁ¿ä¸ļ":108912,"çĿĢä»ĸ":108913,"信访":108914,"ä¸ĩè¾¾":108915,"æij©æĵ¦":108916,"å¼Ģ端":108917,"èı²å¾ĭ":108918,"èı²å¾ĭ宾":108919,"车åŃIJ":108920,"æľ¬èº«çļĦ":108921,"çģ«è½¦ç«Ļ":108922,"常å·ŀ":108923,"为代表":108924,"为代表çļĦ":108925,"广çĶµ":108926,"亲人":108927,"åı³æīĭ":108928,"éĽĨè£ħ":108929,"éĽĨè£ħç®±":108930,"çļĦåį°è±¡":108931,"æ©Łæľĥ":108932,"åĮĨåĮĨ":108933,"åħīçĶµ":108934,"大æĸ¹":108935,"è¿ĺæľª":108936,"åĪ©å¥½":108937,"ç»Ŀ大å¤ļæķ°":108938,"åľ¨è¿Ļç§į":108939,"ä¸Ģç»Ħ":108940,"æĸ°èĤ¡":108941,"转åıij":108942,"æ³ķåºŃ":108943,"æĹłæīĢ":108944,"éģĵè·¯ä¸Ĭ":108945,"çŁ¿å±±":108946,"èijī":108947,"æĶ¶åĽŀ":108948,"称ä¹ĭ":108949,"称ä¹ĭ为":108950,"æıŃéľ²":108951,"åı£å²¸":108952,"åIJ¼":108953,"å¿ĥæĥ³":108954,"çļĦ梦æĥ³":108955,"éĽ¯":108956,"ä¹ĭåĪĿ":108957,"å¥ĸ项":108958,"订éĺħ":108959,"èĵĿ天":108960,"åĿ¦åħĭ":108961,"ç«ĭæ¡Ī":108962,"èģĶæīĭ":108963,"ä½Ĩæĺ¯æĪij":108964,"帮æĪij":108965,"ä»ħ代表":108966,"说æĪij":108967,"çļĦè¶ĭåĬ¿":108968,"æ¯Ķè¾ĥ大":108969,"èµ°å»Ĭ":108970,"éĩįçĤ¹é¡¹çĽ®":108971,"èµĮåľº":108972,"åIJįçīĩ":108973,"æĦŁåı¹":108974,"åľ¨åľ°ä¸Ĭ":108975,"åıijçĥŃ":108976,"èĮĥçķ´":108977,"çļĦéģĵè·¯":108978,"éĩijèī²":108979,"ä»ĸåıĪ":108980,"ä¼ļ产çĶŁ":108981,"æ°ijåĽ½":108982,"å®ĺæĸ¹ç½ijç«Ļ":108983,"æĶ¶çĽĬçİĩ":108984,"çļĦåĪ°æĿ¥":108985,"çļĦåĬŀæ³ķ":108986,"æĶ¹åĪ¶":108987,"ä¸ĩç§ij":108988,"ä¸įäºĪ":108989,"è¿ĻäºĽéĹ®é¢ĺ":108990,"çĪ±ä¸Ĭ":108991,"çIJĥåľº":108992,"责令":108993,"æİĪ课":108994,"åľ¨é¦Ļ港":108995,"ç»Ĩèħ»":108996,"å¤ļä¸ĩ":108997,"åIJĮå¹´":108998,"大使":108999,"æĸĭ":109000,"ä¹Łä¸º":109001,"æĥłå·ŀ":109002,"åIJī祥":109003,"çĶ°åĽŃ":109004,"åĽ½å®¶éĺŁ":109005,"éĩįçĶŁ":109006,"åľ¨åħ¶":109007,"é¦Ļåij³":109008,"è´Łèį·":109009,"亲åĪĩ":109010,"èĩªè±ª":109011,"没éĶĻ":109012,"åĽłä¸ºåľ¨":109013,"æĺŁæĺŁ":109014,"éĤij":109015,"è¿ĺæľīå¾Īå¤ļ":109016,"æij©æīĺ":109017,"æij©æīĺ车":109018,"æŃ¥è¡Į":109019,"管çIJĨä½ĵç³»":109020,"èĦļä¸ĭ":109021,"éģİåİ»":109022,"æ±īè¯Ń":109023,"对ä¸įèµ·":109024,"çļĦç»ıåİĨ":109025,"åıĬ缸åħ³":109026,"ä¸įå°ij人":109027,"éĩįç£ħ":109028,"åĬ³åĬ¨èĢħ":109029,"大åĬĽåıijå±ķ":109030,"æĢİä¹Īåģļ":109031,"çĭĹçĭĹ":109032,"举åįĹäºļ":109033,"åĭĩäºİ":109034,"åħ¬éĸĭ":109035,"çĵ·çłĸ":109036,"åıĤçħ§":109037,"广æĴŃçĶµè§Ĩ":109038,"举åĬ¨":109039,"æ±Łè¥¿çľģ":109040,"æķĪèĥ½":109041,"åĶ¯æľī":109042,"éĿ¢è²Į":109043,"èĩªåĬ¨é©¾é©¶":109044,"æ¦ľåįķ":109045,"å½ĵæĪij们":109046,"仲è£ģ":109047,"æľ¨æĿIJ":109048,"ç±³åħ°":109049,"çĻ½éĵ¶":109050,"çļĦ人éĥ½":109051,"å°±åĥıæĺ¯":109052,"æŃ¥åħ¥":109053,"åįłçĶ¨":109054,"åĩ»è´¥":109055,"让大家":109056,"ä¼ļè®©ä½ł":109057,"åİ¿æĶ¿åºľ":109058,"è¦ģçĶ¨":109059,"çŃīå½¢å¼ı":109060,"åįĩé«ĺ":109061,"责任æĦŁ":109062,"å¤ĩçĶ¨":109063,"ä»ĸ认为":109064,"æ¸ħåįİ大åѦ":109065,"ä»ĸèĩªå·±":109066,"éĸ±è®Ģ":109067,"太平æ´ĭ":109068,"éĶģå®ļ":109069,"çŃĨ":109070,"è¿Ļçīĩ":109071,"æī§æĶ¿":109072,"è¿ĶåĽŀæIJľçĭIJ":109073,"å°±æѤ":109074,"éģĩåĪ°äºĨ":109075,"å¼Ģå¹ķå¼ı":109076,"管çIJĨéĥ¨éŨ":109077,"姿åĬ¿":109078,"设æĥ³":109079,"åĽĽåŃ£":109080,"æĬĢæľ¯äººåijĺ":109081,"å·®çĤ¹":109082,"è¾ŀèģĮ":109083,"èĢģ師":109084,"çļĦæĦŁåıĹ":109085,"ä¹ŁéĿŀ常":109086,"å¹´ä¸ĬåįĬå¹´":109087,"æĢªçī©":109088,"èĮĥæĸĩ":109089,"æĪĺå½¹":109090,"åIJ«ä¹ī":109091,"åħ¨è¿ĩç¨ĭ":109092,"èĢĮéĿŀ":109093,"éĢļ讯åijĺ":109094,"è¿Ļæł·æīįèĥ½":109095,"æľºç»Ħ":109096,"è£ı":109097,"çķ¶çĦ¶":109098,"èµĮåįļ":109099,"åIJĦæľī":109100,"å·¥ä½ľæľºåĪ¶":109101,"äºĭåIJİ":109102,"åī§éĻ¢":109103,"å±ĬæŶ":109104,"åĺ´éĩĮ":109105,"主线":109106,"ä¸ĢåľĪ":109107,"主è¦ģåİŁåĽł":109108,"å°¸ä½ĵ":109109,"åĮ»çĸĹåĻ¨æ¢°":109110,"ä½łæĢİä¹Ī":109111,"ä½ĨçĶ±äºİ":109112,"æĹ¶ç©º":109113,"çĶ·æľĭåıĭ":109114,"çĶľèľľ":109115,"é«ĺåľ°":109116,"æĻĸ":109117,"èĴIJéĽĨ":109118,"åĩĿèģļåĬĽ":109119,"å¤ĩåıĹ":109120,"æĸĩåĪĽ":109121,"马æĿ¥":109122,"马æĿ¥è¥¿äºļ":109123,"æŁ´æ²¹":109124,"使人":109125,"æķĻä¼ļ":109126,"ç§ĭ天":109127,"æĺİçıł":109128,"åħŃåįģ":109129,"çݯå¢ĥä¸Ń":109130,"æ¸ħæĻ¨":109131,"积æŀģåıĤä¸İ":109132,"å·ħå³°":109133,"ä¸ºæľŁ":109134,"çŃ¾åŃĹ":109135,"æĦŁæ¿Ģ":109136,"ç§ĭåŃ£":109137,"æĿijåŃIJ":109138,"æ¢ħ西":109139,"æļ´éĽ¨":109140,"çĶŁæ´»åľ¨":109141,"çªĹæĪ·":109142,"æģ¶åĬ£":109143,"纯粹":109144,"åľ¨æİ¥åıĹ":109145,"没èĥ½":109146,"è¡Į人":109147,"åĭº":109148,"æĭ¨æīĵ":109149,"ä½ľåĩºäºĨ":109150,"çļĦ主é¢ĺ":109151,"æľªä¾Ĩ":109152,"ä¸ŃæľĢ":109153,"æ¾ľ":109154,"é«ĺè¡Ģåİĭ":109155,"åħ´èµ·":109156,"æŃ£èĥ½éĩı":109157,"åŁ¹è®ŃçıŃ":109158,"æİ¥åħ¥":109159,"çĦ¶åIJİåĨį":109160,"åѦçĶŁä»¬":109161,"é¢ĨåħĪçļĦ":109162,"çģ«çĥŃ":109163,"ä¸ĵèģĮ":109164,"æĪĸèĢħ说":109165,"建è¨Ń":109166,"é»ı":109167,"对åħ¬åı¸":109168,"çī¹æľīçļĦ":109169,"åħīèį£":109170,"å½ĵåľº":109171,"éĿ¢åŃIJ":109172,"èµĦ产管çIJĨ":109173,"æĹ¶æľŁçļĦ":109174,"çŀİ":109175,"åįİ举":109176,"åıĪä¸Ģ次":109177,"èĥİåĦ¿":109178,"å®ļçĤ¹":109179,"头çĹĽ":109180,"液ä½ĵ":109181,"æĺ¯ä¸Ģä½į":109182,"帽åŃIJ":109183,"å¹´èµ·":109184,"ä¸įä½İäºİ":109185,"è¾ĥå°ij":109186,"éĿ¢ä¸´çĿĢ":109187,"å±Ĥå±Ĥ":109188,"èĿ´èĿ¶":109189,"èī°èĭ¦":109190,"éĺ¿æł¹":109191,"éĺ¿æł¹å»·":109192,"æ¦Ĥæĭ¬":109193,"请éĹ®":109194,"èµ·åºĬ":109195,"å±Ģå±Ģéķ¿":109196,"稳åģ¥":109197,"å¦ĤæŀľæĪij们":109198,"éħĴç²¾":109199,"æĪ·åı£":109200,"æĦŁæĤŁ":109201,"æĪij们éľĢè¦ģ":109202,"æĬĢèīº":109203,"èĩªåªĴä½ĵ":109204,"è¿ĽåĮĸ":109205,"æ¿ĢçĥĪçļĦ":109206,"ä½ĵ温":109207,"èļķ":109208,"èĩ´è¾ŀ":109209,"宪æ³ķ":109210,"ä¸ĢçŃīå¥ĸ":109211,"çĵ¶é¢Ī":109212,"æĥłæ°ij":109213,"èµ°è·¯":109214,"çİ°ä»»":109215,"åķĨéĩı":109216,"ä¸ĭ车":109217,"åĪł":109218,"責任":109219,"èŀįåIJĪåıijå±ķ":109220,"ç´łæĿIJ":109221,"油价":109222,"åģļ人":109223,"çŀª":109224,"æĶ¹éĿ©åĪĽæĸ°":109225,"çļĦåĮºåĪ«":109226,"è·¨å¢ĥçĶµåķĨ":109227,"æ¶īåıĬåĪ°":109228,"æīĺ管":109229,"æĪijè¿ĺæĺ¯":109230,"åĿIJæłĩ":109231,"ç½ij讯":109232,"å½ĵåľ°çļĦ":109233,"追溯":109234,"åľŁèĢ³":109235,"åľŁèĢ³åħ¶":109236,"åºķä¸ĭ":109237,"åĩłåįģå¹´":109238,"ç©¿è¿ĩ":109239,"çĶŁæĢģæĸĩæĺİ":109240,"æݨèĸ":109241,"æݨèĸ¦":109242,"éłĨ":109243,"åĴ³åĹ½":109244,"åĪĨæĪIJ":109245,"çĹķ迹":109246,"æĪ·ç±į":109247,"éĥ½ä¸įèĥ½":109248,"æĻļä¼ļ":109249,"åĢ©":109250,"ä½ĵåĬĽ":109251,"è¿Ļ个èģĮä¸ļ":109252,"æĹłå½¢":109253,"åıªæĥ³":109254,"è¿Ľåıĸ":109255,"æĿĢæŃ»":109256,"èĦĬ":109257,"äºijåįĹçľģ":109258,"æľªçŁ¥":109259,"ç¾İèģĶ":109260,"ç¾İèģĶåĤ¨":109261,"å¤ĸå½¢":109262,"诱æĥij":109263,"çĽ£":109264,"è¡Į使":109265,"åłĨ积":109266,"çĨŁç»ĥ":109267,"éĺIJè¿°":109268,"æľĢ大éĻIJ度":109269,"å·¡æŁ¥":109270,"夺åĨł":109271,"ä¼ģä¸ļæĸĩåĮĸ":109272,"çĭ®åŃIJ":109273,"ä¿Ŀå®Ī":109274,"ä¸ºæł¸å¿ĥçļĦ":109275,"æī©æķ£":109276,"åĪ¶éĢłåķĨ":109277,"æŁĶ软":109278,"为ä¸Ģä½ĵçļĦ":109279,"游çİ©":109280,"çĶŁçĹħ":109281,"幫åĬ©":109282,"åĶ±æŃĮ":109283,"æīįåı¯ä»¥":109284,"宽æĿ¾":109285,"è¦ģæ¯Ķ":109286,"æĺ¯æĢİæł·":109287,"çģ°èī²":109288,"çİĭåĽ½":109289,"æIJħæĭĮ":109290,"计éĩı":109291,"åij¨åĽ´çļĦ":109292,"æĻºèĥ½æīĭæľº":109293,"常åĬ¡":109294,"常åĬ¡åī¯":109295,"é©´":109296,"å°Ĩè¿ij":109297,"寻常":109298,"ä¸ŃåĽ½å¸Ĥåľº":109299,"容åĻ¨":109300,"å±±ä¸Ĭ":109301,"èĥĮåIJİçļĦ":109302,"亲å¯Ĩ":109303,"æīĢ以说":109304,"éİ®":109305,"çļĦçIJĨçĶ±":109306,"大åŁİå¸Ĥ":109307,"常年":109308,"æĹħ游ä¸ļ":109309,"å°±æĺ¯è¿Ļæł·":109310,"åĨįæĿ¥":109311,"é«ĺä½į":109312,"åĨħ饰":109313,"æŀĦéĢł":109314,"ä¸Ģèµ·æĿ¥":109315,"çĶ³è«ĭ":109316,"å·²ç»ıå¼Ģå§ĭ":109317,"çļĦåĬ¨ä½ľ":109318,"被迫":109319,"éģįå¸ĥ":109320,"åīĸæŀIJ":109321,"å°ıäºĭ":109322,"å¿ĥä¸ŃçļĦ":109323,"ä½ĵåĪ¶æĶ¹éĿ©":109324,"çļĩ家":109325,"æķĻåłĤ":109326,"åIJĥå®Į":109327,"åĽ½æ°ijåħļ":109328,"æĺİç¡®äºĨ":109329,"åıijå±ķè§ĦåĪĴ":109330,"第ä¸ĢæŃ¥":109331,"å¾Ĺèµ·":109332,"åľ¨åĵª":109333,"çļĦè·¯ä¸Ĭ":109334,"é»Ķ":109335,"çķ¶æĻĤ":109336,"大åĬĽæĶ¯æĮģ":109337,"åıĮéĩį":109338,"çŁ¥éģĵèĩªå·±":109339,"åIJĪä½ľåįıè®®":109340,"æ°ĶåĬ¿":109341,"éķ¿æķĪæľºåĪ¶":109342,"ç½ķè§ģ":109343,"åĽŀæĿ¥äºĨ":109344,"ä»ĸä¼ļ":109345,"ä¸Ńæĸ°":109346,"ä¸Ńæĸ°ç½ij":109347,"çļĦåķĨåĵģ":109348,"èµłéĢģ":109349,"決å®ļ":109350,"å¸ĤåľºçĽij管":109351,"çķĻåѦçĶŁ":109352,"çĶµåİĭ":109353,"äºļ马":109354,"äºļ马éĢĬ":109355,"è¿ĺæĺ¯æ¯Ķè¾ĥ":109356,"ä¿ĥè¿ĽäºĨ":109357,"æµģåħ¥":109358,"æijĦåĥı":109359,"æijĦåĥı头":109360,"æıIJåıĬ":109361,"åıijæİĺ":109362,"æī¾åĩº":109363,"æ¢Ŀ件":109364,"ç¹¼çºĮ":109365,"æĪijåĸľæ¬¢":109366,"å¥İ":109367,"æ¦ľæł·":109368,"å¼ĢèĬ±":109369,"æ²īéĩį":109370,"åŁºåĩĨ":109371,"ä»ħä»ħæĺ¯":109372,"轨éģĵ交éĢļ":109373,"åĶIJå±±":109374,"çŃīä¸Ģç³»åĪĹ":109375,"ä¸įè¿ĩæĺ¯":109376,"åŃĺåľ¨çĿĢ":109377,"èĬ±çĶŁ":109378,"夷":109379,"ç»Ī究":109380,"ä¹Łæĺ¯ä¸Ģ个":109381,"åįģåŃĹ":109382,"èĸªéħ¬":109383,"伤å¿ĥ":109384,"æĺ¥ç§ĭ":109385,"åĨ·åį´":109386,"ç²¾çģµ":109387,"çļĦåľ°åĽ¾":109388,"æ¯Ķçī¹":109389,"æ¯Ķçī¹å¸ģ":109390,"æĢ§åĪ«":109391,"ä½Ļä¸ĩåħĥ":109392,"ä¸įå¿ĺåĪĿå¿ĥ":109393,"å¿ĥçĸ¼":109394,"æĽ²çº¿":109395,"é«ĺä½İ":109396,"è¦ıå®ļ":109397,"æĻ¯èī²":109398,"è¦ģ说":109399,"åħ¬åı¸å°Ĩ":109400,"液åİĭ":109401,"è¿Ŀ约":109402,"åİļ度":109403,"åºŀ大çļĦ":109404,"è¿ĺæĺ¯å¾Ī":109405,"é¦ĸåħĪæĺ¯":109406,"çµ²":109407,"åĬ¡å®ŀ":109408,"並ä¸Ķ":109409,"å¢ŀè¿Ľ":109410,"ç»Ħç»ĩå¼Ģå±ķ":109411,"èµ·æĿ¥äºĨ":109412,"è¾ĥå°ı":109413,"导游":109414,"ä¸¤åľ°":109415,"ç¿ĺ":109416,"çģ¿çĥĤ":109417,"é£İéĩĩ":109418,"æĶ¯çº¿":109419,"æĶ¯çº¿ä»»åĬ¡":109420,"娱ä¹IJåľĪ":109421,"天津å¸Ĥ":109422,"åĮħåĽ´":109423,"æľ¬èµĽåŃ£":109424,"éĩįè¦ģ讲è¯Ŀ":109425,"åıĮåIJij":109426,"åįİ丽":109427,"éĶ¤":109428,"åĦ¿å¥³":109429,"åįĸåĩº":109430,"ä¾Ĩ說":109431,"ä»ĭç»įä¸Ģä¸ĭ":109432,"åIJ¦è®¤":109433,"åĭĿ":109434,"æĻ®éĢļ人":109435,"çļĦåĬ¨åĬĽ":109436,"涨åģľ":109437,"åŁºéĩij管çIJĨ":109438,"ä¸Ģ个éĩįè¦ģ":109439,"è¿IJæ²³":109440,"çħŀ":109441,"è´¢æĶ¿éĥ¨":109442,"è¡Įä¸ļåįıä¼ļ":109443,"éĥ½å°Ĩ":109444,"è¨Ģ论":109445,"ä¸ĭä¾Ĩ":109446,"墨西":109447,"墨西åĵ¥":109448,"åĽłä¸ºä»ĸ们":109449,"æĢİä¹ĪåĽŀäºĭ":109450,"åĬłå¤§å¯¹":109451,"èĬŃ":109452,"çīĮåŃIJ":109453,"ä¼ļ使":109454,"妹åŃIJ":109455,"ç«Ļéķ¿":109456,"å¿ħå¤ĩ":109457,"æłijæľ¨":109458,"æģ¶æĦı":109459,"æ²³éģĵ":109460,"å¯Įè£ķ":109461,"ç¹ģåįİ":109462,"ä»£è¡¨åĽ¢":109463,"æµij身":109464,"é¦ĸä½į":109465,"èĪªç©ºåħ¬åı¸":109466,"éĽ»å½±":109467,"ä¸ĵè¾ij":109468,"æ°´æºIJ":109469,"ä¸Ńæ¯Ĵ":109470,"並ä¸į":109471,"èĢĮåİ»":109472,"éĥĿ":109473,"äºİæѤ":109474,"æĸĩåĮĸ建设":109475,"èĤ¯å®ļä¼ļ":109476,"å¸ĮæľĽå¤§å®¶":109477,"æııåĨĻ":109478,"ä½İè°ĥ":109479,"æĸ°åħ´äº§ä¸ļ":109480,"æ·Ħåįļ":109481,"æĶ¾å¼Ģ":109482,"çļĦæĢ§æł¼":109483,"çĸ¾çĹħçļĦ":109484,"æķ´é¡¿":109485,"线ä¸Ĭ线ä¸ĭ":109486,"éĢī项":109487,"çļĦ认åı¯":109488,"æķ´é½IJ":109489,"çĶļä¹Ī":109490,"çľģåĨħ":109491,"åı¤äºº":109492,"æ°ijä¿Ĺ":109493,"çī¡ä¸¹":109494,"éŨçªĹ":109495,"éĤ£æł·çļĦ":109496,"çĽijäºĭä¼ļ":109497,"ç¿¡ç¿ł":109498,"禹":109499,"åįĥä¸ĩä¸įè¦ģ":109500,"æĶ¶ç¼©":109501,"çļĦæĸĩåŃĹ":109502,"åĴĮå°ļ":109503,"æĮĩ令":109504,"åħ±äº§åħļåijĺ":109505,"çļĦçĪ¶äº²":109506,"å®Įå·¥":109507,"åĬ¡å·¥":109508,"马æĭī":109509,"马æĭīæĿ¾":109510,"æµĭè¯Ħ":109511,"å²ļ":109512,"ä¸įåģļ":109513,"ä¸ĥå¹´":109514,"åĿĩä»·":109515,"主è§Ĥ":109516,"å¾Īä¸įéĶĻ":109517,"èĤ¡ä¸ľå¤§ä¼ļ":109518,"äºĶä¸Ģ":109519,"é£İåIJ¹":109520,"å¼Ģéĩĩ":109521,"è¿Ļä¹Ī大":109522,"èĥ½çľĭåĪ°":109523,"èĢĥè¯Ħ":109524,"åį³ä¾¿æĺ¯":109525,"çݰ代åĨľä¸ļ":109526,"æ¯Ķè¾ĥé«ĺ":109527,"è¦ģçľĭ":109528,"没äºĨ":109529,"解決":109530,"çݯæ¯Ķ":109531,"åĨ²åĬ¨":109532,"æ·±å¤ľ":109533,"åĩłåįĥ":109534,"ä¿ı":109535,"ç½ijæ°ij":109536,"就没":109537,"ä»ĸ表示":109538,"éĩıåŃIJ":109539,"æĹ©é¤IJåĬłçĽŁ":109540,"åįĬå²Ľ":109541,"æIJŀç¬ij":109542,"ä¸ĬæĬ¥":109543,"審":109544,"é¢Ħ订":109545,"èľĤèľľ":109546,"æŁ¥æī¾":109547,"ä¼ĹæīĢ":109548,"ä¼ĹæīĢåij¨":109549,"ä¼ĹæīĢåij¨çŁ¥":109550,"æĹ©æĹ¥":109551,"åıijæī¬":109552,"åĴĮ个人":109553,"åĬłåħ¥äºĨ":109554,"åĸ®ä½į":109555,"åĪĨæĺİ":109556,"第ä¸Ģæī¹":109557,"ç¾İåĨĽ":109558,"æĿĢæīĭ":109559,"éŨå¤ĸ":109560,"åķĨåľĪ":109561,"ä¸ĢåĪ»":109562,"çļĦçľ¼ç¥ŀ":109563,"éľĦ":109564,"äºĽä»Ģä¹Ī":109565,"åĬłæ·±":109566,"æ¯ıä½į":109567,"å¸ĤéĿ¢ä¸Ĭ":109568,"åıĶåıĶ":109569,"çļĦéĤ£ç§į":109570,"粤港澳":109571,"è´´å¿ĥ":109572,"æĸĩåĮĸ产ä¸ļ":109573,"红æĹĹ":109574,"åĺīåħ´":109575,"æĶ¶çĽĺ":109576,"å®ĮæĪIJåIJİ":109577,"ä¼ģä¸ļ管çIJĨ":109578,"纵横":109579,"ä¸įä¿¡":109580,"æĪIJéĥ½å¸Ĥ":109581,"æ´Ĺ澡":109582,"举è¡ĮçļĦ":109583,"çĶ¢çĶŁ":109584,"ç©¿ä¸Ĭ":109585,"åĪļ好":109586,"åħī线":109587,"æīĵæŀ¶":109588,"è¿Ļæľ¬ä¹¦":109589,"åĶ®åIJİæľįåĬ¡":109590,"åĩłåĪĨ":109591,"ä¸Ĭ次":109592,"ä¸įåĪĨ":109593,"产åIJİ":109594,"éģ¿å¼Ģ":109595,"ç»Īæŀģ":109596,"代表大ä¼ļ":109597,"æ¼ĶæĬĢ":109598,"åĽŀè´Ń":109599,"åŃ¦è´¹":109600,"éĺ»ç¢į":109601,"ä¸Ģ大æī¹":109602,"竣工":109603,"åĨ³å®ļäºĨ":109604,"ä½Ĩå¦Ĥæŀľ":109605,"çĶµæµģ":109606,"ä¸Ŀ毫":109607,"èĥ½å¤Łåľ¨":109608,"éĶĢåĶ®æĶ¶åħ¥":109609,"åľ¨åŃ¦æł¡":109610,"æ°´åĩĨ":109611,"è§Ĩ线":109612,"èĩªåľ¨":109613,"åķĨä¸ļéĵ¶è¡Į":109614,"为äºĨ让":109615,"çį²å¾Ĺ":109616,"çݩ家æľĭåıĭ":109617,"éĿ¢èĨľ":109618,"åĪĨåī²":109619,"åī§æľ¬":109620,"ç«Ń":109621,"说å¾Ĺ":109622,"æĥ³çŁ¥éģĵ":109623,"çļĦ人çī©":109624,"èĮħåı°":109625,"åIJĮä¸Ģ个":109626,"æķ°æį®ä¸Ńå¿ĥ":109627,"çĶĦ":109628,"åĸľæĤ¦":109629,"ä¸ĭæĿ¥çļĦ":109630,"å®ļåIJij":109631,"æŀģåħ·":109632,"çļĦåľŁåľ°":109633,"éĤ£åĢĭ":109634,"æijĦåħ¥":109635,"äºĨæĪijçļĦ":109636,"马路":109637,"åħ¨ç¤¾ä¼ļ":109638,"è®®æ¡Ī":109639,"å±ĭåŃIJ":109640,"åIJįåı«":109641,"åĮª":109642,"åľ¨å¤ĸéĿ¢":109643,"åįİåįĹ":109644,"åıijè´§":109645,"å¯ĴåĨ·":109646,"é«ĺçŃīæķĻèĤ²":109647,"详ç»ĨçļĦ":109648,"ä¸ªé¡¹çĽ®":109649,"çĶŁäº§åĬĽ":109650,"æĹ¶å¸¸":109651,"å°±æľĥ":109652,"ä¸ĩèĤ¡":109653,"éĻĮçĶŁäºº":109654,"æııç»ĺ":109655,"å½ĵçĦ¶æĺ¯":109656,"æĭīåĬ¨":109657,"éĵ¾æĿ¡":109658,"æī£éĻ¤":109659,"ä¸Ģ缴éĥ½":109660,"å°ıåŃ©åŃIJ":109661,"伤åı£":109662,"第äºĮå±Ĭ":109663,"è´Ńç½®":109664,"çļĩ马":109665,"æĹłèģĬ":109666,"表åĨ³":109667,"诸å¦Ĥ":109668,"åĵįèµ·":109669,"é£İæļ´":109670,"ä¸ĢæµģçļĦ":109671,"ç·¨":109672,"解æĶ¾åĨĽ":109673,"室å¤ĸ":109674,"å°±è¿Ļä¹Ī":109675,"島":109676,"æīĢæľī人éĥ½":109677,"æIJľç´¢å¼ķæĵİ":109678,"çļĦæĪIJæľ¬":109679,"åħļæĶ¿":109680,"åıijè¡Į人":109681,"çļĦäºĭå®ŀ":109682,"对该":109683,"åıĹæįŁ":109684,"ä¿Ħä¹Į":109685,"é²ľèĬ±":109686,"åĨľèį¯":109687,"æŀģéĢŁ":109688,"æĢ¥æĢ§":109689,"两ä¼ļ":109690,"ä¸ĢèĪ¬æĿ¥è¯´":109691,"æµ·é²ľ":109692,"åĨĪ":109693,"çĶ¨äºº":109694,"çĶ¨äººåįķä½į":109695,"åĢª":109696,"åĦªæĥł":109697,"æł¹æºIJ":109698,"åĽ¢è´Ń":109699,"ç¾İæ´²":109700,"ä¸ĭè¡Į":109701,"å¹´æľ«":109702,"èľ¡":109703,"è¯ģ件":109704,"åľ¨æĪijåĽ½":109705,"ä¸įåºĶ":109706,"æĮīæŶ":109707,"åłªç§°":109708,"åľºä¸Ĭ":109709,"å¹²éĥ¨èģĮå·¥":109710,"æľīå¾Ī大çļĦ":109711,"æķ°åŃĹç»ıæµİ":109712,"æ¼Ķç»ĥ":109713,"æį®ç»Łè®¡":109714,"å¾ĢæĿ¥":109715,"广åijĬæľįåĬ¡":109716,"çļĦè·Ŀ离":109717,"æѸ":109718,"è¨Ģè¯Ń":109719,"被èªī":109720,"被èªī为":109721,"åĭī强":109722,"å°Ĭæķ¬":109723,"ä¸ĩ亿åħĥ":109724,"ä¸ŃåĽ½åĽ½éĻħ":109725,"å¹²é¢Ħ":109726,"年产":109727,"èĢķåľ°":109728,"èĮİ":109729,"åį³æĺ¯":109730,"æĺ¨æĻļ":109731,"æĪIJ为ä¸Ģ个":109732,"çºłæŃ£":109733,"åij½åIJį":109734,"é¢ģå¸ĥ":109735,"çĮľæµĭ":109736,"ä¿ĿèŃ·æĶ¿çŃĸ":109737,"æĭ¢":109738,"活泼":109739,"çŃīéĥ¨éŨ":109740,"åѦåĪ°":109741,"å¢ŀåĢ¼ç¨İ":109742,"èĪªçº¿":109743,"åĨ¤":109744,"åįģåĩłå¹´":109745,"æݧèĤ¡èĤ¡ä¸ľ":109746,"ä¸ĢéŨ":109747,"ä¸ªå·¥ä½ľ":109748,"ä¸ªå·¥ä½ľæĹ¥":109749,"æĸ°è¥¿":109750,"æĸ°è¥¿åħ°":109751,"论è¯ģ":109752,"ä»Ĩ":109753,"åı¦å¤ĸä¸Ģ个":109754,"æĶ¹ç¼ĸ":109755,"严ç¦ģ":109756,"åĸľå¥½":109757,"个人信æģ¯":109758,"满æĦı度":109759,"åĵ¨":109760,"å¸ĪèµĦ":109761,"æĶ¹ä¸º":109762,"ç«ŀäºī对æīĭ":109763,"åĩºçĤī":109764,"åķĨ人":109765,"大æ£ļ":109766,"æĮĩ导ä¸ĭ":109767,"å¦ĩç§ij":109768,"輪":109769,"æīģ":109770,"åIJĮæŶè¿ĺ":109771,"并éĢļè¿ĩ":109772,"æĪĺéĺŁ":109773,"èĶĵ延":109774,"ä¿ŀ":109775,"éĢĤå½ĵçļĦ":109776,"åīįè¾Ī":109777,"åĵģåij³":109778,"æ¹¿åľ°":109779,"æĪIJåŀĭ":109780,"ä¸įåıªæĺ¯":109781,"æĥ©ç½ļ":109782,"åĩºåı°äºĨ":109783,"çݩ游æĪı":109784,"æīįåıijçİ°":109785,"åºĶèģĺ":109786,"å¤ĸæĿ¥":109787,"åįłé¢Ĩ":109788,"å±ķæľĽ":109789,"å«Ĥ":109790,"港èĤ¡":109791,"æ¡Įä¸Ĭ":109792,"æĶ¯æŁ±":109793,"çļĦæĥħå½¢":109794,"广éĺĶçļĦ":109795,"æĶ¯è¡Į":109796,"å´©æºĥ":109797,"æľĪä¸Ń":109798,"æľĪä¸ŃæŬ":109799,"ç»įåħ´":109800,"临è¿ij":109801,"æĬ¤æłı":109802,"æļ®":109803,"åįķèģĮä¸ļ":109804,"è¾¹å¢ĥ":109805,"æĹ¥çħ§":109806,"ä¸ĢåłĨ":109807,"缴å¾Ħ":109808,"åħ±åIJĮä½ĵ":109809,"æĸ°åįİç½ij":109810,"æīĵ好":109811,"çĶµåĬ¨æ±½è½¦":109812,"ä¸įæĺİçĻ½":109813,"éĢĻ裡":109814,"çĽĽå¤§":109815,"çİĭæľĿ":109816,"åĨįä¸Ģ次":109817,"åĬŀåħ¬åİħ":109818,"è´¨æĬ¼":109819,"åIJĪåĩ»":109820,"人们对":109821,"éĽ¶é£Ł":109822,"éĥ½ä¸įçŁ¥éģĵ":109823,"çļĦè¯Ńè¨Ģ":109824,"åĭŁéĽĨèµĦéĩij":109825,"åĬ¨èĦī":109826,"彤":109827,"è¿Ļåĩłå¹´":109828,"çŁŃè§Ĩé¢ij":109829,"太é«ĺ":109830,"常å§Ķä¼ļ":109831,"åĬłçıŃ":109832,"éĩįå¿ĥ":109833,"åªĴä½ĵæĬ¥éģĵ":109834,"没æ³ķ":109835,"éĹ»åIJį":109836,"çĥŃ度":109837,"å¹¿æ³ĽçļĦ":109838,"åħŃ大":109839,"çī©ä½ĵ":109840,"ä¸į该":109841,"é¢ĺ主":109842,"精彩çļĦ":109843,"ä¸ºè¿Ľä¸ĢæŃ¥":109844,"èĻŀ":109845,"åĽºçĦ¶":109846,"è´µå·ŀçľģ":109847,"çºłç»ĵ":109848,"代çIJĨ人":109849,"æ³ķå®ļ代表":109850,"åı¦ä¸Ģç§į":109851,"ä¸įåIJ«":109852,"æĭ¯æķij":109853,"ä¼ļç»Ļ":109854,"è¯Ĺè¯į":109855,"åIJĮç±»":109856,"å¾Ĺä¸įåĪ°":109857,"æĬĵç´§":109858,"以åħ¶":109859,"åħ¥åħļ":109860,"è¿ĺåı¯":109861,"æľŁåĪĬ":109862,"å¾Īå¤ļæŶåĢĻ":109863,"æĹ¥åIJİ":109864,"åħ¬çº¦":109865,"ä¸Ģ举":109866,"æ¯Ķè¾ĥå¤ļ":109867,"éĩijæ²Ļ":109868,"æįŀ":109869,"æİĴåĩº":109870,"æŃ¦æľ¯":109871,"ä¸įæĸ·":109872,"ä¸ŃèĢĥ":109873,"ä¿¡èµĸ":109874,"ä»İä¸ļ人åijĺ":109875,"çģ«çĦ°":109876,"éĨĴæĿ¥":109877,"ä½İ温":109878,"éĢ¾æľŁ":109879,"åĬ±å¿Ĺ":109880,"éħ¥":109881,"åı¯è°ĵæĺ¯":109882,"è¿ĻæĦıåij³çĿĢ":109883,"é¢łè¦Ĩ":109884,"åĮĹ京大åѦ":109885,"ä¸ĵ线":109886,"åıĬ以ä¸Ĭ":109887,"訪":109888,"èĢĮåIJİ":109889,"çŁ¥ä¹İ":109890,"ä¸Ģ对ä¸Ģ":109891,"å¨ĥå¨ĥ":109892,"çģ¾éļ¾":109893,"åħ¨å±Ģ":109894,"æīĢå¾Ĺç¨İ":109895,"å®ŀæĥł":109896,"èļĤèļģ":109897,"ä¹ŁçŁ¥éģĵ":109898,"温åĴĮ":109899,"èIJ½ä¸ĭ":109900,"åŀĭä¼ģä¸ļ":109901,"åĨįä¹Ł":109902,"ä¾ĽçĥŃ":109903,"é«ĺæ½®":109904,"çĢı覽åĻ¨":109905,"çļĦ巨大":109906,"åħĪ天":109907,"å¹´ä¸ŃåĽ½":109908,"类似çļĦ":109909,"çIJĨäºĭä¼ļ":109910,"空éĸĵ":109911,"çģµæĦŁ":109912,"åĬĽæ°Ķ":109913,"带ä¸Ĭ":109914,"ä¸į好æĦıæĢĿ":109915,"æľīä½ķ":109916,"å·²åľ¨":109917,"åıĸåĩº":109918,"è¿Ŀæ³ķçĬ¯ç½ª":109919,"åŃ¦ä¹łè´¯å½»":109920,"åľ°å¸¦":109921,"楼梯":109922,"çŃīæĥħåĨµ":109923,"ä»İåīį":109924,"çļĦä¹łæĥ¯":109925,"ç³Łç³ķ":109926,"å°±èĥ½å¤Ł":109927,"è©ķ":109928,"ä¸Ģå¾ĭ":109929,"æĮ«æĬĺ":109930,"åİŁæĸĩåľ°åĿĢ":109931,"å½ĵå±Ģ":109932,"ä¸įéĢļ":109933,"æķ°åįĥ":109934,"éĺŁä¼į建设":109935,"æŶèĬĤ":109936,"åģļèµ·":109937,"çļĦè®°å¿Ĩ":109938,"ç½ij绾å®īåħ¨":109939,"åĩ¡æĺ¯":109940,"æ°¯":109941,"éĽķåĪ»":109942,"åŁĥåıĬ":109943,"æĪijåı¯ä»¥":109944,"çĽijçIJĨ":109945,"æĽ´åħ·":109946,"åŁİ管":109947,"èĭ¯":109948,"åı¥åŃIJ":109949,"èĭ¥æľī":109950,"ä»İæĿ¥ä¸į":109951,"缸åħ³è´Łè´£":109952,"å®īåħ¨æĦŁ":109953,"æĽ´è¦ģ":109954,"çļĦæĥħæĦŁ":109955,"çī¢çī¢":109956,"è¾ĥ好çļĦ":109957,"æ°®":109958,"ç¬ijè¯Ŀ":109959,"车å±ķ":109960,"ä¹ĭç¾İ":109961,"ç®Ģ约":109962,"ç±»åŀĭçļĦ":109963,"èĢģåĮĸ":109964,"çľĭä½ł":109965,"è¿ĩåĪĨ":109966,"éŨåīį":109967,"ä¸ĢéĹ´":109968,"æĥ³åİ»":109969,"åªĽ":109970,"åľŁè±Ĩ":109971,"åıĪ称":109972,"ä¸Ńä¿¡":109973,"åŃĺéĩı":109974,"马äºij":109975,"èĩ´ä½¿":109976,"åħĪåīį":109977,"èĢģåŃIJ":109978,"æīĵæī®":109979,"æ¯ķä¸ļäºİ":109980,"æ¯ķä¸ļåIJİ":109981,"ç¾İ好çĶŁæ´»":109982,"å·¥ä¸ļä¼ģä¸ļ":109983,"就好äºĨ":109984,"èħIJèļĢ":109985,"çıįçıł":109986,"åĪ°è¿ĻéĩĮ":109987,"æīĢéľĢçļĦ":109988,"è¿Ļæĺ¯åĽłä¸º":109989,"çIJĨæĥ³çļĦ":109990,"å·®å¼ĤåĮĸ":109991,"é®":109992,"é®®":109993,"äºļ太":109994,"æĹłç©·":109995,"æıIJçİ°":109996,"ä¸ĵä¸ļæĬĢæľ¯":109997,"çĶ¢æ¥Ń":109998,"åѦåŃIJ":109999,"ç§ijå¹»":110000,"åįłåľ°éĿ¢ç§¯":110001,"ä¸įåĩĨ":110002,"æľªæĪIJ年人":110003,"æĶ¶å½ķ":110004,"è¿ĺ款":110005,"éĴ¢çŃĭ":110006,"æ¼¢":110007,"å¾ĹæĦı":110008,"综åIJĪä½ĵ":110009,"æŀģé«ĺ":110010,"åįķè¯į":110011,"é«ĺæķĪçļĦ":110012,"骨头":110013,"æī§çĿĢ":110014,"缼ä¸ĸ":110015,"模çī¹":110016,"æĽ´èĥ½":110017,"ç»ĿæľĽ":110018,"对åºĶçļĦ":110019,"æ¨Ĭ":110020,"æĸ°ä¸ī":110021,"æĸ°ä¸īæĿ¿":110022,"æģ°æģ°":110023,"åIJį家":110024,"æł¸å¿ĥæĬĢæľ¯":110025,"个å°ı":110026,"æĢİä¹Īä¼ļ":110027,"说ä¸įå®ļ":110028,"西çĵľ":110029,"åĵİ":110030,"ç¢Ł":110031,"å¿ħä¸įåı¯":110032,"å¿ħä¸įåı¯å°ij":110033,"ä¹ĭéĸĵ":110034,"åĪĨ管":110035,"交éĢļäºĭæķħ":110036,"å¼ĢåĬŀ":110037,"å¾ģæ±ĤæĦıè§ģ":110038,"亨":110039,"鼻åŃIJéĥµ":110040,"鼻åŃIJéĥµä»¶":110041,"ä¿¡æģ¯æľįåĬ¡":110042,"ä½łè§īå¾Ĺ":110043,"缴è§Ĥ":110044,"å·²å®ĮæĪIJ":110045,"åĪĨä¼ļ":110046,"åĽŀåįĩ":110047,"éļ»":110048,"好人":110049,"äºĨ解ä¸Ģä¸ĭ":110050,"åį«æµ´":110051,"æľĢçĪ±":110052,"åºŀ大":110053,"客æĪ¿":110054,"çijŀåħ¸":110055,"éĥ½ä¸įæĺ¯":110056,"館":110057,"èĹī":110058,"çļĦåIJĦ项":110059,"ä¸ºçĽ®æłĩ":110060,"çļĦè®¤çŁ¥":110061,"å½±åĵįåĬĽçļĦ":110062,"å¤¸å¼ł":110063,"佩æĪ´":110064,"æ±ĩçİĩ":110065,"çļĦçĪ±æĥħ":110066,"æĺ¥é£İ":110067,"æĺ¯æĪijçļĦ":110068,"樹":110069,"åįĬå°ıæŶ":110070,"å±±åİ¿":110071,"山西çľģ":110072,"èĢĮè¿Ļ":110073,"æĽ´å¤ļä¿¡æģ¯":110074,"è¿ĺæľīä¸ĢäºĽ":110075,"ç²¾ç»ĨåĮĸ":110076,"ç¾İåѦ":110077,"çĶ±æĸ¼":110078,"ä»ħä¾ĽåıĤèĢĥ":110079,"å¾Īé«ĺçļĦ":110080,"åıłåĬł":110081,"è¿Ļä¹Ī说":110082,"å±ķåĩº":110083,"åĽĽå¤Ħ":110084,"ä¸ĩ家":110085,"æĭĽåĭŁ":110086,"çļĦ强大":110087,"æĤ£æľī":110088,"å°ıäºİ":110089,"ä¹Łè®¸æĺ¯":110090,"对èĩªå·±çļĦ":110091,"èģĮä¸ļæķĻèĤ²":110092,"æĿ¥è¿Ľè¡Į":110093,"档次":110094,"æīĵèµ¢":110095,"éĥ½æľīçĿĢ":110096,"庸":110097,"è¯Ńæ°Ķ":110098,"çĶ²éĨĽ":110099,"空åĨĽ":110100,"车åĨħ":110101,"åĽłä¸ºä½ł":110102,"å®ŀæķĪ":110103,"æĥħä¾£":110104,"åıijè¾¾åĽ½å®¶":110105,"éķľåŃIJ":110106,"æ¯įå©´":110107,"ä½Ĩæĺ¯ä»ĸ":110108,"积æŀģæİ¨è¿Ľ":110109,"大å¹ħ度":110110,"çļĦ女åĦ¿":110111,"é¤IJæ¡Į":110112,"åIJ¬å¾Ĺ":110113,"çļĦ积æŀģæĢ§":110114,"好åIJ§":110115,"æĹ¥æ¶Īæģ¯":110116,"æľīä»»ä½ķ":110117,"æ¯Ĵåĵģ":110118,"æĹ©çĤ¹åĬłçĽŁ":110119,"第ä¸Ģ天":110120,"å°½åĬĽ":110121,"æłĸ":110122,"主æīĵ":110123,"æĺ¯ä¸ĢåIJį":110124,"çĪĨæĸĻ":110125,"äºĭä¸ļåıijå±ķ":110126,"å¾®åķĨ":110127,"äºİä¸Ģä½ĵçļĦ":110128,"çĶŁçĮª":110129,"èĩªçĦ¶èµĦæºIJ":110130,"çŀĦåĩĨ":110131,"è§Ħ模åĮĸ":110132,"并ä¸İ":110133,"èĤ¥èĥĸ":110134,"家çĶ¨":110135,"大çĪ·":110136,"é¢ĦåijĬ":110137,"æĿ¥åģļ":110138,"éĺ³åİ¿":110139,"æŀĦçŃij":110140,"é¢ģå¥ĸ":110141,"åİĨåı²æĸĩåĮĸ":110142,"æľįåĭĻæĪĸ":110143,"æĢ»åĨ³èµĽ":110144,"åıijåŀĭ":110145,"æĪij羣çļĦ":110146,"æĽ¦":110147,"åıĤä¼ļ":110148,"èĦĨå¼±":110149,"åĩĨåħ¥":110150,"èħ¹éĥ¨":110151,"åı¸ä»¤":110152,"æĤ²åī§":110153,"天ä¸Ĭ":110154,"åı£ä¸Ń":110155,"ä¸ĩ个":110156,"åѦä¸ļ":110157,"æıIJåĢ¡":110158,"两边":110159,"大èĤ¡ä¸ľ":110160,"åı¤éķĩ":110161,"è¡Ģç³ĸ":110162,"çļĦç¨ĭ度":110163,"æ£īèĬ±":110164,"åIJİåı°":110165,"å°±åĮ»":110166,"æķ´æķ´":110167,"èĴ²":110168,"çĽĪåĪ©èĥ½åĬĽ":110169,"ç±½":110170,"èĦ«":110171,"çľĭéĩį":110172,"家éķ·":110173,"èģĺçĶ¨":110174,"èµĽéģĵ":110175,"åīįèĢħ":110176,"建èŃ°":110177,"å¾ĭå¸ĪäºĭåĬ¡":110178,"èīºæľ¯åĵģ":110179,"æľīèĩªå·±çļĦ":110180,"åIJ¦å®ļ":110181,"ç¤¾åĽ¢":110182,"åij¨äºĶ":110183,"带åĪ°":110184,"å·¥ä½ľä¼ļè®®":110185,"èĤ¡æľ¬":110186,"å¤ĸåĮħ":110187,"家åħ¬åı¸":110188,"çĽijçĭ±":110189,"èĪĬ":110190,"åIJįæł¡":110191,"西æ¹ĸ":110192,"è¶ħè¿ĩäºĨ":110193,"åįĹå±±":110194,"ç»Ħ件":110195,"åĢ¼å¾Ĺ注æĦı":110196,"æĮ£æīİ":110197,"äºĭ迹":110198,"ç¶ĵçĩŁ":110199,"ç§ij室":110200,"好åIJĹ":110201,"æ¤ħåŃIJ":110202,"åľĪåŃIJ":110203,"ä½Ĩ她":110204,"æµģçķħ":110205,"åIJĦèĩªçļĦ":110206,"èģĮåijĺ":110207,"è¡įçĶŁ":110208,"åħ¨åľº":110209,"æĴ¤éĶĢ":110210,"åį´è¢«":110211,"å®ģéĿĻ":110212,"åīįæīĢ":110213,"åīįæīĢæľª":110214,"åīįæīĢæľªæľī":110215,"主ä¸ļ":110216,"åĮĹç¾İ":110217,"è¯Ħå®ļ":110218,"åĵģå°Ŀ":110219,"大家éĥ½åľ¨":110220,"主å¸ħ":110221,"ç»Ĩå¿ĥ":110222,"ä¿¡æģ¯æĬ«éľ²":110223,"çļĦç«ŀäºī":110224,"éĢĻ樣çļĦ":110225,"ç§ijåĪĽæĿ¿":110226,"éĩĩæijĺ":110227,"票æį®":110228,"éĢIJå¹´":110229,"èĭ±è¶ħ":110230,"è¡Įä¸ļåĨħ":110231,"人寿":110232,"åIJİåĭ¤":110233,"å¦ĤæĦı":110234,"ç¬Ķè¯ķ":110235,"æ·¡æ·¡çļĦ":110236,"ä¸įèĪĴæľį":110237,"ä½ĵ积":110238,"ä¹Łä¸įè¦ģ":110239,"éĿ¢æĸĻ":110240,"æł·æľ¬":110241,"ç¥ģ":110242,"æĮīè§Ħå®ļ":110243,"大æ¦Ĥæĺ¯":110244,"æĥħåĨµè¿Ľè¡Į":110245,"åIJĦåįķä½į":110246,"çļĦç¬ij容":110247,"åĩºèī²çļĦ":110248,"代表æĢ§":110249,"çļĦç¾İ好":110250,"éĴ¦":110251,"å¾®çĶŁçī©":110252,"è¶Ĭæĺ¯":110253,"æĸ¹åı¯":110254,"å¹²èĦĨ":110255,"éģĬæĪ²":110256,"çļĦåħ´è¶£":110257,"éĹ®è´£":110258,"åĽłä¸ºæĪij们":110259,"èĢĥéĩı":110260,"çĶŁçĶŁ":110261,"éĺ»åĬĽ":110262,"ä¸įåħģ许":110263,"æıIJè®®":110264,"åĩıæĮģ":110265,"åıªæĺ¯ä¸Ģ个":110266,"æĪijæĬĬ":110267,"åıijçİ°èĩªå·±":110268,"å¢ŀå¹ħ":110269,"å¦į":110270,"èĹĿè¡ĵ":110271,"ä¸Ģ家人":110272,"åĪĨ级":110273,"çļĦæķ°éĩı":110274,"è½®èŀįèµĦ":110275,"çŃīåĽłç´ł":110276,"大夫":110277,"èģĺ请":110278,"é£İæľº":110279,"绽æĶ¾":110280,"ä»»ä½ķä¸Ģ个":110281,"éłĤ":110282,"éĺ¶çº§":110283,"æĬĬ她":110284,"è¿ĽåĨĽ":110285,"èĥ½åģļåĪ°":110286,"åŁ¹è®ŃæľºæŀĦ":110287,"çī©æĸĻ":110288,"ç«¥è¯Ŀ":110289,"æĮĩ导æĦıè§ģ":110290,"éĺ®":110291,"æ·±åħ¥æİ¨è¿Ľ":110292,"ä¸»æľº":110293,"æ¸Ķä¸ļ":110294,"ä¸įæľį":110295,"æµĵéĥģ":110296,"è¡Ĺä¸Ĭ":110297,"ä¾Ŀ次":110298,"æĹ¶æ®µ":110299,"梵":110300,"çļĦåĸľçĪ±":110301,"å¾Īéķ¿":110302,"åĪĿ级":110303,"æŀľæĸŃ":110304,"æĬ¢æķij":110305,"é¼ĵèĪŀ":110306,"ä¾ĽéľĢ":110307,"æ·±åħ¥å¼Ģå±ķ":110308,"产ä¸ļéĽĨ群":110309,"åĻªéŁ³":110310,"åIJ¬çĿĢ":110311,"æ·±åĪ»çļĦ":110312,"å¿įåıĹ":110313,"çĶµç£ģ":110314,"强èĢħ":110315,"æ»ĭåij³":110316,"æĽ¼èģĶ":110317,"åı¯ä»¥çĽ´æİ¥":110318,"大米":110319,"æŃ·åı²":110320,"æĶ¿åĬ¡æľįåĬ¡":110321,"åħ¬å¼ı":110322,"社群":110323,"éģĵ士èģĮä¸ļ":110324,"ä¹ĭæĥħ":110325,"æµ·æ°´":110326,"æ¼Ķå¥ı":110327,"åºĹéĩĮ":110328,"迹象":110329,"åıijå±ķçIJĨ念":110330,"é«ĺ空":110331,"åij¨åĪĬ":110332,"åĽŀåĪ°äºĨ":110333,"ä¸įéĢĤåIJĪ":110334,"åłµå¡ŀ":110335,"åĬĪ":110336,"æ°´ä¸Ĭ":110337,"çĢijå¸ĥ":110338,"纳ç¨İ人":110339,"çĩĥæ²¹":110340,"å·¥ç¨ĭé¡¹çĽ®":110341,"峡谷":110342,"æľīéĴĪ对æĢ§":110343,"åľĨå½¢":110344,"æľ¬å¸Ĥ":110345,"è¿Ļè¯Ŀ":110346,"管çIJĨèĢħ":110347,"ç¡®è¯ĬçĹħä¾ĭ":110348,"æĬĬæīĭ":110349,"彩èī²":110350,"ä¸Ĭåīį":110351,"夯å®ŀ":110352,"ç¾ĬèĤī":110353,"å¾Ģå¹´":110354,"æĵħèĩª":110355,"迷人":110356,"èĪªæ¯į":110357,"ç²¾ç»Ĩ":110358,"åľ¨æĪijçļĦ":110359,"åĪĽæĬķ":110360,"麦åħĭ":110361,"æľĪç»ı":110362,"åĮĹæµ·":110363,"ä¹ĭæĺŁ":110364,"åı¶åŃIJ":110365,"å¸Ĥåľºç«ŀäºī":110366,"è¿Ļäºĭ":110367,"åıĥèĪĩ":110368,"äº§åľ°":110369,"åĶī":110370,"åķĨåĵģæĪ¿":110371,"èĪªè¿IJ":110372,"ä¼ĺå¼Ĥ":110373,"ä»ĸ们æĺ¯":110374,"éĽ¨æ°´":110375,"è¯įæ±ĩ":110376,"åĨľçĶ°":110377,"欧éĺ³":110378,"çŁŃ线":110379,"管ç½ij":110380,"æł¹åŁº":110381,"åıªæľīä¸Ģ个":110382,"éŀĭåŃIJ":110383,"å¸Ĥå§Ķ书记":110384,"åĪ»æĦı":110385,"è¡Į车":110386,"åıĪ被":110387,"åı¯éĿłæĢ§":110388,"è´±":110389,"ä»»åij½":110390,"åºĶåľ¨":110391,"å°±å¾Ĺ":110392,"æľįåĬ¡ä½ĵç³»":110393,"æĶ¿æĿĥ":110394,"åıijè¨Ģ人":110395,"è¿ĩå¾Ģ":110396,"两åıª":110397,"èĻ½è¯´":110398,"éĢģä¸Ĭ":110399,"ä»Ģä¹Īäºĭ":110400,"æķ£æĸĩ":110401,"æİĮæݧ":110402,"èĸĦå¼±":110403,"ä¸ĭéĿ¢å°±":110404,"主è¦ģåĨħ容":110405,"å¾Īéĩįè¦ģçļĦ":110406,"就说":110407,"çĻ½èī²çļĦ":110408,"éĤ£ä¸ªæŶåĢĻ":110409,"ç»ı纪人":110410,"çļĦæ¯į亲":110411,"ç¬Ķè®°æľ¬":110412,"åºķå±Ĥ":110413,"è¿ij代":110414,"解说":110415,"è²łè²¬":110416,"æľĢ大åĮĸ":110417,"åķĨéĵº":110418,"æł¡åıĭ":110419,"æ²ģ":110420,"ä¸įåĩºæĿ¥":110421,"éĻ·éĺ±":110422,"ç¨ħ":110423,"åħ¬å¸ĥäºĨ":110424,"åĩĢåĢ¼":110425,"çĽ¸å¯¹è¾ĥ":110426,"笼":110427,"æł¸ç®Ĺ":110428,"åįİ侨":110429,"æĢ¥æķij":110430,"æĮºå¥½":110431,"åħĴç«¥":110432,"äºĮèĥİ":110433,"åĩºèĩª":110434,"åĿŁ":110435,"æīĭä¸ĭ":110436,"屡":110437,"åĪĽéĢłæĢ§":110438,"ä¸¥æł¼æĮīçħ§":110439,"åĨįåİ»":110440,"举缣":110441,"人æµģ":110442,"äºĨä¸Ģ声":110443,"å°ıæŶåīį":110444,"è´µæĹı":110445,"éľĸ":110446,"ä¹Łæĺ¯éĿŀ常":110447,"éĢ±":110448,"çľĭäºĨçľĭ":110449,"ç¹ģæ®ĸ":110450,"èĩ³æѤ":110451,"é¢Ħå¤ĩ":110452,"å¾Īæĺİæĺ¾":110453,"æ¼Ķèīº":110454,"åĿIJçĿĢ":110455,"ä¿ĦåĨĽ":110456,"åľ¨è¿ĩåİ»":110457,"ä¹ĭäºĭ":110458,"æĬĵèİ·":110459,"åĿIJä¸ĭ":110460,"çĶ±ä¸ŃåĽ½":110461,"ä¹Łå¼Ģå§ĭ":110462,"çŃĶå¤į":110463,"åŀĥåľ¾åĪĨç±»":110464,"éĴĵé±¼":110465,"åIJĦ種":110466,"缸éģĩ":110467,"ä¸įåģľçļĦ":110468,"æī¹éĩı":110469,"éĩįè¦ģä½ľçĶ¨":110470,"å§Ķå±Ī":110471,"åħŃå¹´":110472,"ä¸ĥåįģ":110473,"ä¹ĭæĪĺ":110474,"é£İéĻ©ç®¡çIJĨ":110475,"éŁ³æ¨Ĥ":110476,"è¡ĮæĶ¿å¤Ħç½ļ":110477,"æľ¬äºĭ":110478,"æĴ°åĨĻ":110479,"èģļåIJĪ":110480,"éĢĤæŶ":110481,"æIJ¬å®¶":110482,"ç¢İçīĩ":110483,"çĽĽå®´":110484,"ç®Ģæ´ģ":110485,"åı¬éĽĨ":110486,"ç®ĢåĮĸ":110487,"åĮĹ京æŶéĹ´":110488,"第ä¸īå±Ĭ":110489,"æĿ¥åĽŀ":110490,"常çĶ¨çļĦ":110491,"京津":110492,"京津åĨĢ":110493,"梦幻":110494,"è¯ķè¡Į":110495,"æľºåºĬ":110496,"åĪ°æľĢåIJİ":110497,"åĬ©æīĭ":110498,"åĪĨ彩":110499,"åĩºåĵģ":110500,"åĪ¹è½¦":110501,"åIJ¯åıij":110502,"侧éĿ¢":110503,"æ¯ıå½ĵ":110504,"缸åħ³è§Ħå®ļ":110505,"ä¸ĸ人":110506,"è´Ń车":110507,"å¿ĥ缮":110508,"å¿ĥ缮ä¸Ń":110509,"äºĶéĩij":110510,"è¿ĺè®°å¾Ĺ":110511,"ä¾ĿçĦ¶æĺ¯":110512,"æıIJæ¡Ī":110513,"çĶµåķĨå¹³åı°":110514,"åģļåĪ°äºĨ":110515,"æĿľç»Ŀ":110516,"å®īåįĵ":110517,"ä¸ĸçķĮåIJĦåľ°":110518,"åīįéĢĶ":110519,"æ´ĹåĩĢ":110520,"å¥ĭåĬĽ":110521,"åŁİå¸Ĥ建设":110522,"å¤ļåĬŁèĥ½":110523,"ä¼ļéĢłæĪIJ":110524,"åıijå¸ĥä¼ļä¸Ĭ":110525,"究竣æĺ¯":110526,"åĪĨ红":110527,"çŁ¥èŃĺ":110528,"éĿ¢æĿ¿":110529,"æĹłå£°":110530,"æĢ¥éľĢ":110531,"å¤±çľł":110532,"çĪ¸å¦Ī":110533,"äºĤ":110534,"åħ¨æĻ¯":110535,"ç»ıåħ¸çļĦ":110536,"åī§ä¸Ń":110537,"é¢Ĩ导ä¸ĭ":110538,"åħļåĨħ":110539,"åħ¥ä¾µ":110540,"æĭīæĸ¯":110541,"ä¸Ģå¹ķ":110542,"åĬłä¹ĭ":110543,"èĤĨ":110544,"èĭ±æł¼":110545,"èĭ±æł¼åħ°":110546,"å·§åħĭ":110547,"å·§åħĭåĬĽ":110548,"ä¸Ģå¿ĥ":110549,"èģĤ":110550,"å¾Ģå¾Ģæĺ¯":110551,"管çIJĨå±Ĥ":110552,"çĻ»åħ¥":110553,"建ç«ĭèµ·":110554,"å»ºåĽ½":110555,"åŃIJ宫":110556,"åºĶä»ĺ":110557,"æݢ究":110558,"第ä¸Ģä½į":110559,"ä½Ļ家":110560,"çŃīæ´»åĬ¨":110561,"æīĢèĩ´":110562,"è¾ĥå¿«":110563,"æĺ¯éĿŀ":110564,"æıIJåIJį":110565,"äºĮèĢħ":110566,"åıªåī©ä¸ĭ":110567,"åħ¶ä¸ŃåĮħæĭ¬":110568,"ç¼ĸç¨ĭ":110569,"çł´ç¢İ":110570,"ä¸Ń举":110571,"å·¥ä½ľæĬ¥åijĬ":110572,"çŃ¾åIJį":110573,"éħĴä¸ļ":110574,"çŁ¥æĻĵ":110575,"çĥŃå¿ĥ":110576,"éĿŀåĩ¡":110577,"èIJ¥ä¸ļæī§":110578,"èIJ¥ä¸ļæī§çħ§":110579,"人大代表":110580,"ä¸Ģ个æĸ°çļĦ":110581,"å¨ģæµ·":110582,"éĤ£äºº":110583,"涨价":110584,"æ¶ĪçģŃ":110585,"éļ¾å¿ĺ":110586,"ç¶ĵé©Ĺ":110587,"åı£è¢ĭ":110588,"ç³»æķ°":110589,"æĸĩä¸Ń":110590,"好转":110591,"æĸ°éĽ¶åĶ®":110592,"讲述äºĨ":110593,"å¼ĢçĽĺ":110594,"çķĻç»Ļ":110595,"æħ¢æħ¢çļĦ":110596,"æĤ²ä¼¤":110597,"æľ¬æľŁ":110598,"äºĨå¤ļå°ij":110599,"è¿Ļ让":110600,"åIJĮçŃī":110601,"æ¸ħæĺİ":110602,"个åŁİå¸Ĥ":110603,"æºĸåĤĻ":110604,"åĩłä¹İæĺ¯":110605,"强åĬĽ":110606,"俯":110607,"水稻":110608,"åĽºå®ļçļĦ":110609,"æł¸åĩĨ":110610,"说æľį":110611,"顯示":110612,"è¿Ļå¥Ĺ":110613,"æĻºæħ§åŁİå¸Ĥ":110614,"å±ĭ顶":110615,"ä¸įæĿ¥":110616,"çĶŁé²ľ":110617,"çŁ¥æĥħ":110618,"æĬķ身":110619,"åijĬè¯īæĪij们":110620,"ä¸īåĽĽ":110621,"ä¸ĩä¸Ģ":110622,"è¾Ĩ车":110623,"为ä¹ĭ":110624,"åĪ°æŶåĢĻ":110625,"è¿Ļæīįæĺ¯":110626,"åIJįçīĮ":110627,"åºŁæ°´":110628,"åݻ年åIJĮæľŁ":110629,"å¹´éĻIJ":110630,"éģĭåĭķ":110631,"åıĮçľ¼":110632,"è¦ģç´§":110633,"对çŃĸ":110634,"åľºé¦Ĩ":110635,"çĻ¾ç§ij":110636,"è¶Ĭéĩİ":110637,"å¯ĮåIJ«":110638,"大å¤ļæķ°äºº":110639,"æľĢå°ij":110640,"åı¬åĶ¤":110641,"åħ¸èĮĥ":110642,"åĨľæľº":110643,"æŃ£æĸĩ":110644,"åºĶçĶ¨äºİ":110645,"æ·±èĢķ":110646,"ä¿Ń":110647,"ä»Ģä¹Īä¸ľè¥¿":110648,"å¥Ĺé¤IJ":110649,"å½ĵéĢī":110650,"å·¦æīĭ":110651,"è°ĥçIJĨ":110652,"æĻļé¤IJ":110653,"éļ¾åħ³":110654,"åĩŃè¯ģ":110655,"çĪ±äºº":110656,"æĮĩè´£":110657,"è´£ç¼ĸ":110658,"çļĦä¸Ģ款":110659,"éĵ²":110660,"åįģ个":110661,"èĢ»":110662,"æľįåĬ¡åķĨ":110663,"åľ°çĭ±":110664,"è¿ŀå¿Ļ":110665,"åĽ°æĥij":110666,"çļĵ":110667,"ä¸įåIJĥ":110668,"çİ°åľ¨å·²ç»ı":110669,"çĽĺçĤ¹":110670,"ä¸įåģľåľ°":110671,"管çIJĨ模å¼ı":110672,"è¿Ļ段æŶéĹ´":110673,"椰":110674,"礼åĮħ":110675,"æµģ转":110676,"æī«çłģ":110677,"éĽĨä¸Ńåľ¨":110678,"æ±ĤåĬ©":110679,"åįĬ个":110680,"å¿«éĢŁå¢ŀéķ¿":110681,"å¾Ģä¸ĭ":110682,"è¯ĦåĪĨ":110683,"å°±æĥ³":110684,"åķĨåĬ¡éĥ¨":110685,"æľīéĹ®é¢ĺ":110686,"èİ·åĪ©":110687,"æ¯ĽçĹħ":110688,"æĦŁåºĶ":110689,"èī¯æĢ§":110690,"åĪĨæѧ":110691,"åĨī":110692,"æĪij们çİ°åľ¨":110693,"è¦ģåĬłå¼º":110694,"å·§å¦Ļ":110695,"èŀºæĹĭ":110696,"åĪĩæį¢":110697,"çĭĦ":110698,"顺çķħ":110699,"å°¤åħ¶æĺ¯åľ¨":110700,"èĬĿ麻":110701,"éļ¾è¿ĩ":110702,"æĹĹå¸ľ":110703,"å¤įåį°":110704,"å¤įåį°ä»¶":110705,"å¿ħéľĢ":110706,"对å¤ĸå¼ĢæĶ¾":110707,"éļ¾åıĹ":110708,"åİŁæĿ¥æĺ¯":110709,"ç®ĹäºĨ":110710,"é«ĺå±±":110711,"离èģĮ":110712,"çµĦç¹":110713,"çµĦç¹Ķ":110714,"å±ģèĤ¡":110715,"çĻ¾å®¶":110716,"éģĩä¸Ĭ":110717,"æĺĶæĹ¥":110718,"ä¸į容":110719,"çĽij管éĥ¨éŨ":110720,"主æĦı":110721,"æµģåŁŁ":110722,"è·Įå¹ħ":110723,"èĩ³ä¸Ĭ":110724,"åĪ«è¯´":110725,"æĺ¯æ¯Ķè¾ĥ":110726,"å®ıè§Ĥç»ıæµİ":110727,"å¸Ĥåľºä¸»ä½ĵ":110728,"污æŁĵçī©":110729,"æķijæ²»":110730,"丰æĶ¶":110731,"åŃĺæĶ¾":110732,"åĩĦ":110733,"éĩijå±±":110734,"æį¢äºĨ":110735,"ä¸ĵ人":110736,"éĹľæĸ¼":110737,"æĹ¢è¦ģ":110738,"åĽ½è¶³":110739,"éļĭ":110740,"åıįåĩ»":110741,"起身":110742,"åħĪæĺ¯":110743,"å¸ĮæľĽèĥ½å¤Ł":110744,"åĪ¶è®¢":110745,"åºĹéĿ¢":110746,"åĸĢ":110747,"æķĻä½ł":110748,"éĻį温":110749,"åĬĽæ±Ĥ":110750,"ä¸īçĻ¾":110751,"çī©ä»·":110752,"丢失":110753,"å¢Ļä¸Ĭ":110754,"éĥ¨ä»½":110755,"æł·æĿ¿":110756,"ä¹ĭæĦı":110757,"ç½ijå°ıç¼ĸ":110758,"ä¸ĸä¸Ĭ":110759,"è°ĥè¯ķ":110760,"污æŁĵéĺ²æ²»":110761,"å½±éĻ¢":110762,"å®Įåħ¨åı¯ä»¥":110763,"éĢļåħ³":110764,"ä¹īåĬ¡æķĻèĤ²":110765,"没æľīåĬŀæ³ķ":110766,"èĢ¿":110767,"妳":110768,"æĹłæĥħ":110769,"å¾ĹçĽĬ":110770,"å¾ĹçĽĬäºİ":110771,"æľŁçĽ¼":110772,"娱ä¹IJåľº":110773,"çĶ²æĸ¹":110774,"ä¸Ģæ±½":110775,"çĹ°":110776,"çĸijä¼¼":110777,"æĸ°æµªå¾®åįļ":110778,"强è¡Į":110779,"å½ĵä»ĸ":110780,"èĥº":110781,"çĶ¨æĪ·æıIJä¾Ľ":110782,"åĮºå§Ķ":110783,"æĦ¿æĻ¯":110784,"æĬĺæī£":110785,"失踪":110786,"è¿«åĪĩ":110787,"åŃĹæ¯į":110788,"åĴ¯":110789,"èªįèŃĺ":110790,"ä»Ģä¹ĪæĦıæĢĿ":110791,"çĽĴåŃIJ":110792,"å½ķéŁ³":110793,"建设工ç¨ĭ":110794,"ä¸ļä½Ļ":110795,"å®ŀ践活åĬ¨":110796,"çľŁç©º":110797,"çĤĸ":110798,"åľ¨è·¯ä¸Ĭ":110799,"主è¦ģåĮħæĭ¬":110800,"该æĢİä¹Ī":110801,"æĢ»æľī":110802,"æĢ§æĦŁ":110803,"æ°ijèĪª":110804,"å¼ĢåºĹ":110805,"欺éªĹ":110806,"çªģåĩ»":110807,"缺失":110808,"æī§ä¸ļ":110809,"åľ°éģĵ":110810,"并æĹł":110811,"æ°ijåĬŀ":110812,"ç»Ħç»ĩçĶŁæ´»":110813,"æĪijå¦Ī":110814,"è¨ĺèĢħ":110815,"管åĪ¶":110816,"æī¾ä¸ª":110817,"èĹ»":110818,"çĤİçĹĩ":110819,"äºĴåĬ©":110820,"æµıè§ĪåĻ¨":110821,"çݩ家æĿ¥è¯´":110822,"éĻįä½İäºĨ":110823,"è£Ķ":110824,"æĮ£éĴ±":110825,"åķĨæľº":110826,"æĶ¹è£ħ":110827,"æµģ浪":110828,"æĶ¿æ³ķ":110829,"èĢģ头":110830,"çĶŁäº§åĴĮ":110831,"ç©Ĺ":110832,"亲çĪ±":110833,"亲çĪ±çļĦ":110834,"å±¥èģĮ":110835,"åŁİéĩĮ":110836,"ç»ĨåĪĨ":110837,"åĬ³åĬ¨åIJĪåIJĮ":110838,"åľ¨æĹ¥æľ¬":110839,"å¨ģå°Ķ":110840,"åį«è§Ĩ":110841,"éĢ£çµIJ":110842,"çĿĢéĩį":110843,"æĬĺ磨":110844,"åĽ¾ä¸º":110845,"çľ·":110846,"å·¥åºı":110847,"æĵģ":110848,"æĵģæľī":110849,"ç½ijç«Ļåľ°åĽ¾":110850,"çļĦä¸Ģ大":110851,"ç»Ħç»ĩå®ŀæĸ½":110852,"æĬĽå¼ĥ":110853,"åĴĮæĶ¯æĮģ":110854,"æ³ķåĪĻ":110855,"浪潮":110856,"çİ°æľīçļĦ":110857,"åĩłçİĩ":110858,"为客æĪ·":110859,"åįģä¸ĩ":110860,"è¹Ħ":110861,"çªģåĩºéĹ®é¢ĺ":110862,"åıĥåĬł":110863,"éĥ½ä¼ļæľī":110864,"缤":110865,"è°ģéĥ½":110866,"æīĭåĬ¨":110867,"çĽ´è¾¾":110868,"çĤ¹å¤ļ":110869,"éĺ¶å±Ĥ":110870,"ä¸įä½³":110871,"éĤ£æ®µ":110872,"滨海":110873,"æĺ¯åĽ½åĨħ":110874,"æĪijå¸ĮæľĽ":110875,"åIJĽåŃIJ":110876,"è§ĤéŁ³":110877,"åģļé¥Ń":110878,"æ±½è»Ĭ":110879,"åħ³ç¨İ":110880,"çľ¼åīįçļĦ":110881,"æ°´éĿ¢":110882,"èĢ³æľº":110883,"追踪":110884,"æݨéĢģ":110885,"éĴ±åĮħ":110886,"æģ¶å¿ĥ":110887,"æµ·åŁŁ":110888,"å·į":110889,"å¼ĢæĿ¥":110890,"表æĢģ":110891,"仪表":110892,"å¹³åİŁ":110893,"åįģå¤ļå¹´":110894,"ä¹ŁæĹłæ³ķ":110895,"åħ¼é¡¾":110896,"è¡£æŁľ":110897,"æł½åŁ¹":110898,"æĪ¿æºIJ":110899,"设ç«ĭäºĨ":110900,"ä¸ĩåIJį":110901,"æķ°é¢Ŀ":110902,"è¦ģåĿļæĮģ":110903,"åIJīæŀĹçľģ":110904,"请èģĶç³»":110905,"ç»ıåİĨè¿ĩ":110906,"çļĦæľ¬è´¨":110907,"åħ¥éŨ":110908,"æľ¬æ¡Ī":110909,"çİĩè¾¾åĪ°":110910,"åı°éĺ¶":110911,"éĴŀ":110912,"æĪijèĥ½":110913,"èݲèĬ±":110914,"éĴł":110915,"ä¸Ģäºĭ":110916,"åİŁæľīçļĦ":110917,"æ¯ıåĢĭ":110918,"æ¯Ķäºļ迪":110919,"æ£ĭçīĮ游æĪı":110920,"ä¸įä¼ļæľī":110921,"å½ĴæĿ¥":110922,"äºĶçĻ¾":110923,"è¿ĩé«ĺ":110924,"éĽ·è¾¾":110925,"ä¸Ģèµ·åİ»":110926,"æķĻ导":110927,"å°±è¯Ĭ":110928,"å°±å¾Ī":110929,"ä¸įåIJĮäºİ":110930,"俺":110931,"å¸ĸåŃIJ":110932,"æĶ¿åįıå§Ķåijĺ":110933,"çĸ«æĥħå½±åĵį":110934,"åĪĨè£Ĥ":110935,"为ä»Ģä¹Īä¼ļ":110936,"äºĶæĺŁ":110937,"å°ijåĦ¿":110938,"æĬ¢éĻ©":110939,"梦è§ģ":110940,"è®°èĢħéĩĩ访":110941,"山路":110942,"æĪij个人":110943,"æ²Ļ滩":110944,"è¹Ń":110945,"æĶ¹è®Ĭ":110946,"æĸ°åŀĭåĨł":110947,"æĸ°åŀĭåĨłçĬ¶":110948,"åĮ»æĬ¤":110949,"åĮ»æĬ¤äººåijĺ":110950,"æµ·å°Ķ":110951,"åħ³äºİæĪij们":110952,"éĻ¤å¤ĸ":110953,"åºļ":110954,"宣åijĬ":110955,"ä¸īåįĥ":110956,"榨":110957,"ç§ijæĬĢ大åѦ":110958,"ä¸ĥåħ«":110959,"顺åºĶ":110960,"çĪ¸çĪ¸å¦Īå¦Ī":110961,"éĢīåıĸ":110962,"åī§çĥĪ":110963,"乡æĿijæĹħ游":110964,"积æŀģæݢ索":110965,"表çݰ为":110966,"å¾Īæ¸ħæ¥ļ":110967,"大åĨĽ":110968,"æĿ¥çĶµ":110969,"å¥ĹæĪ¿":110970,"çİ°è¡Į":110971,"享åıĹåĪ°":110972,"çľĭçĤ¹":110973,"åĽºå®ļèµĦ产":110974,"以人为":110975,"ä»¥äººä¸ºæľ¬":110976,"ä¸įå®Į":110977,"éĻį鼨":110978,"åģļçļĦäºĭæĥħ":110979,"并äºİ":110980,"顽强":110981,"èĢ¸":110982,"åĺ´å·´":110983,"缸åħ³ä¿¡æģ¯":110984,"æĪij没":110985,"æĪĺçķ¥æĢ§":110986,"æĢĿ念":110987,"åĪĺå¤ĩ":110988,"åĬ©æĶ»":110989,"é£İè²Į":110990,"éĿ¢å¯¹éĿ¢":110991,"积æŀģå¼Ģå±ķ":110992,"çĸĹæķĪ":110993,"çľĭ书":110994,"缺åı£":110995,"åĽ½æ°ijç»ıæµİ":110996,"使çĶ¨æĿĥ":110997,"éģ¥è¿ľ":110998,"å¡«è¡¥":110999,"第ä¸ī人":111000,"åįĬå¤ľ":111001,"æѦæ±īå¸Ĥ":111002,"æĪijåıijçİ°":111003,"ä¼ĺæĥłæĶ¿çŃĸ":111004,"é£İåı£":111005,"å°±ä¸įèĥ½":111006,"为主è¦ģ":111007,"æµģåĩº":111008,"å´ĩæĭľ":111009,"并ä¸įèĥ½":111010,"é«ĺä¸ī":111011,"ä¸ĸçķĮä¸ĬæľĢ":111012,"æĥ³å¿ħ":111013,"åħ¶æīĢ":111014,"åĢĻéĢī":111015,"åĢĻéĢī人":111016,"ä¸įçĪ±":111017,"åī¯ä½ľçĶ¨":111018,"人æ°ijæĹ¥æĬ¥":111019,"æĪijä¸įæĺ¯":111020,"å®ŀçī©":111021,"çĶµåİĤ":111022,"ä¹Łç®Ĺæĺ¯":111023,"æľīéĹľ":111024,"æľīèĥ½åĬĽ":111025,"æĮĤåľ¨":111026,"çľ¼ä¸ĭ":111027,"约翰":111028,"å°ıåѦçĶŁ":111029,"èµ·åĪ°äºĨ":111030,"工夫":111031,"åIJĮå¿ĥ":111032,"åĿ¦è¨Ģ":111033,"çłĮ":111034,"åıijæĮ¥äºĨ":111035,"èģĮä¸ļéģĵå¾·":111036,"è¿ĻäºĽå¹´":111037,"念头":111038,"èĢģé¼ł":111039,"åħ¨èµĦ":111040,"åħ¨èµĦåŃIJ":111041,"ä¸Ģåij³":111042,"å¤ļä¸ĩåħĥ":111043,"æł¼æľĥ":111044,"éķ¿éĢĶ":111045,"带走":111046,"èĭ±å¯¸":111047,"æĸĩä½ĵ":111048,"对ä»ĸ们":111049,"åĵŃäºĨ":111050,"å¡«æĬ¥":111051,"çīĪæĿĥ声æĺİ":111052,"çĶµçº¿":111053,"è´Ńçī©ä¸Ńå¿ĥ":111054,"饱满":111055,"ä½İ头":111056,"强迫":111057,"ä¿Ŀæ´ģ":111058,"欧åĨł":111059,"缸è¿ŀ":111060,"认è´Ń":111061,"çģ«æĺŁ":111062,"é«ĺå°Ķ":111063,"é«ĺå°Ķ夫":111064,"èij«èĬ¦":111065,"æłĩ注":111066,"çļĦçIJĨæĥ³":111067,"æł¸éħ¸":111068,"æł¸éħ¸æ£Ģæµĭ":111069,"åĬī":111070,"ä¸ĢèĪ¬æĺ¯":111071,"æĢĿç´¢":111072,"轨迹":111073,"çĥŃ带":111074,"éĻ£":111075,"åĩĨç¡®æĢ§":111076,"æĪ´çĿĢ":111077,"åľ¨çĶŁæ´»ä¸Ń":111078,"æīĢèĥ½":111079,"æľ¯åIJİ":111080,"å¸¦ä½ł":111081,"ç¥ł":111082,"æ®ĭéħ·":111083,"ä¹Łåıªæĺ¯":111084,"çĶ³è´Ń":111085,"举åĬŀäºĨ":111086,"æľīæĦıä¹ī":111087,"æĹºçĽĽ":111088,"åľ¨ç¶²":111089,"åľ¨ç¶²è·¯ä¸Ĭ":111090,"å¾Ī大ç¨ĭ度":111091,"管è¾ĸ":111092,"çĸ«æĥħæľŁéĹ´":111093,"触æij¸":111094,"éĺ¶æ®µæĢ§":111095,"ä¼ļè§īå¾Ĺ":111096,"çļĦçĶ»éĿ¢":111097,"æİ¥åıĹäºĨ":111098,"表达äºĨ":111099,"éĤĵå°ı":111100,"éĤĵå°ıå¹³":111101,"åħļé£İ":111102,"åħļé£İå»īæĶ¿":111103,"åķĨåѦéĻ¢":111104,"åħijæį¢":111105,"é£Łåĵģèį¯åĵģ":111106,"éĿŀ常好çļĦ":111107,"çľ¯":111108,"纳米":111109,"åĬ¨æijĩ":111110,"åĽŀéģ¿":111111,"çľĭèijĹ":111112,"款项":111113,"åħ«å¹´":111114,"åģļ个":111115,"æĸĩæ¡£":111116,"éĩijèŀįç§ijæĬĢ":111117,"åħ¶ä¸Ńæľī":111118,"äºĨä¸Ģç³»åĪĹ":111119,"æĹĹèĪ°åºĹ":111120,"称èµŀ":111121,"éĽ¢éĸĭ":111122,"åĪ¶åĨ·":111123,"家éŨåı£":111124,"åįģå¤ļ":111125,"ä¼´ä¾£":111126,"çľĭçĹħ":111127,"æĭīçĿĢ":111128,"æīĴ":111129,"çĸ²æĥ«":111130,"å°ijæķ°æ°ijæĹı":111131,"åĽ¾å½¢":111132,"轧":111133,"å¢ŀéĩı":111134,"饲åħ»":111135,"çģ«å±±":111136,"æ¯ı个æľĪ":111137,"ä½ľä¸ºä¸ĢåIJį":111138,"è½´æī¿":111139,"æĸĩ书":111140,"ç¼ķ":111141,"åħ·ä½ĵæĥħåĨµ":111142,"çĹĽçĤ¹":111143,"缴éĶĢ":111144,"å¡Ĭ":111145,"ä¹Łæľĥ":111146,"çĥŃæ½®":111147,"å¹³æ°ij":111148,"æ¼ĶåĶ±ä¼ļ":111149,"æķĻçłĶ":111150,"éĢĥéģ¿":111151,"ä¸Ģè´¯":111152,"å°±è¶Ĭ":111153,"å®ŀå®ŀåľ¨":111154,"å®ŀå®ŀåľ¨åľ¨":111155,"ä¹łè¿ijå¹³æĢ»":111156,"溺":111157,"å¿ĥåºķ":111158,"éķ¿å¾ģ":111159,"媽媽":111160,"第ä¸ī次":111161,"åĩºæ¼Ķ":111162,"çĭĢæ³ģ":111163,"å°Ķæĸ¯":111164,"代çIJĨåķĨ":111165,"çĨı":111166,"çļĦ对象":111167,"çĶµéĩı":111168,"è¡ĮåĪĹ":111169,"åĽ½äºº":111170,"è·ijäºĨ":111171,"åįĶåĬ©":111172,"èIJ¥è¿IJ":111173,"å¸ĪåħĦ":111174,"榮":111175,"æĥ³åĥı":111176,"æĢ§å¼º":111177,"ç§ijåѦçłĶ究":111178,"延å®ī":111179,"ä¸¥æł¼èIJ½å®ŀ":111180,"é¢Ĩä¼ļ":111181,"çĽ¸å·®":111182,"路人":111183,"çĶ«":111184,"æľīä»·åĢ¼":111185,"æľīä»·åĢ¼çļĦ":111186,"ç¾İåĽ¢":111187,"æ°ij主çĶŁæ´»":111188,"æĪijæīį":111189,"ç¾İåĽ½äºº":111190,"æ°Ķåij³":111191,"åıįå°Ħ":111192,"çļĦåĨ³å¿ĥ":111193,"大è±Ĩ":111194,"交代":111195,"è¿Ľåĩº":111196,"åıįæĬĹ":111197,"æĮĩçļĦæĺ¯":111198,"ä»·ä½į":111199,"è¿Ľé©»":111200,"ä¸ĬçĻ¾":111201,"ä½įåĪĹ":111202,"ä¸ŃåĽ½ä¼ģä¸ļ":111203,"çļĦ好å¤Ħ":111204,"主ç¼ĸ":111205,"汽油":111206,"ä½ĨæĪij们":111207,"æĢİä¹Īçľĭ":111208,"é»Ħå±±":111209,"å¤ļåªĴä½ĵ":111210,"åIJİåį«":111211,"èİ·å¾ĹæĽ´å¤ļ":111212,"åĬ¡å¿ħ":111213,"为å¥ijæľº":111214,"é¦ĸ饰":111215,"ä¸ĩåįļ":111216,"è¶ĬæĿ¥è¶Ĭ大":111217,"ä¸ĵ项è¡ĮåĬ¨":111218,"å¥ĭè¿Ľ":111219,"ä»įçĦ¶æĺ¯":111220,"è´¨æĦŁ":111221,"å¦Ĥæŀľä¸įæĺ¯":111222,"ç«Ļèµ·æĿ¥":111223,"ä¹¾éļĨ":111224,"åı¯æĢķçļĦ":111225,"å¯Įè´µ":111226,"æ¸ħç®Ĺ":111227,"åIJijä¸ĭ":111228,"åĢļ":111229,"çļĦçŃĶæ¡Ī":111230,"èĪ¹ä¸Ĭ":111231,"çļĦ羣å®ŀæĢ§":111232,"çŃīåĬŁèĥ½":111233,"åĸľåī§":111234,"å¨ģåĬĽ":111235,"æĸ°é¢ĸ":111236,"æł¸çĶµ":111237,"æĬ¥éĶĢ":111238,"æķħ乡":111239,"ä¼´éļı":111240,"éŀŃ":111241,"å¦Ĭå¨ł":111242,"åĪĨåĮĸ":111243,"æľīå¾Ī大":111244,"æĢİä¹Ī说":111245,"æĻĤ代":111246,"产åĩº":111247,"ä»ĭç»į说":111248,"å¤ĦçIJĨåĻ¨":111249,"èĨ¨èĥĢ":111250,"åī¯å¸Ĥéķ¿":111251,"çļĦ妻åŃIJ":111252,"æł·åĵģ":111253,"åIJĮæ¯Ķä¸ĭéĻį":111254,"åħĥå·¦åı³":111255,"çĶ¨èĩªå·±çļĦ":111256,"é«ĺéĽĦ":111257,"æĺ¥æĻļ":111258,"ä¹Łæľīå¾Īå¤ļ":111259,"çľ¼çIJĥ":111260,"æķ£æŃ¥":111261,"ä»ĸ们éĥ½":111262,"第ä¸Ģ家":111263,"åĬŀ好":111264,"å®īéĺ²":111265,"ä¸Ģä¸ĩ":111266,"åľ¨éĩĮéĿ¢":111267,"éŁ³é¢ij":111268,"åı£åı·":111269,"ä¸Ģè¶Ł":111270,"ç¦ıçī¹":111271,"é³ŀ":111272,"æĥĬèī³":111273,"æĸ°å¨ĺ":111274,"绿èī²åıijå±ķ":111275,"ä¸Ńå¼ı":111276,"ä¹Łåıªæľī":111277,"çݰ身":111278,"åı¯ä¾Ľ":111279,"æ¯ıä¸Ģ个人":111280,"第ä¸īèĢħ":111281,"åľ°å½¢":111282,"éĴ¢ç»ĵæŀĦ":111283,"çĽijçĿ£æ£ĢæŁ¥":111284,"åı«æĪij":111285,"èĩ´æķ¬":111286,"æ´Ĺæīĭ":111287,"ä¸ĭè°ĥ":111288,"康çĨĻ":111289,"æĪIJ交éĩı":111290,"ä¹ŁæĪIJ为":111291,"åħīæ»ij":111292,"å®Įæķ´æĢ§":111293,"çģ¼":111294,"網éłģ":111295,"éķ¿å¯¿":111296,"éģ©çĶ¨":111297,"çļĦä¸Ģ项":111298,"çŀ©çĽ®":111299,"æĬĬèĩªå·±çļĦ":111300,"éĵ¶è¡Įåį¡":111301,"å°±å¿ħé¡»":111302,"ç¾İçĻ½":111303,"éŀįå±±":111304,"æľ¬é¢Ĩ":111305,"ä¸Ģç¢Ĺ":111306,"æīĵæ³ķ":111307,"æĤ¨å¥½":111308,"对åŃ©åŃIJ":111309,"æĬ¥éģĵ称":111310,"ä¼łåĩº":111311,"大èĩ£":111312,"ç¬ĭ":111313,"çĽı":111314,"é¾ļ":111315,"çĽ´çº¿":111316,"æĻºåºĵ":111317,"ç§Łè½¦":111318,"é£İåij³":111319,"çľĭä¸Ģä¸ĭ":111320,"æݨéĶĢ":111321,"éĥ¨éĥ¨éķ¿":111322,"è´¨éĩıåĴĮ":111323,"åĪĬçĻ»":111324,"å·¥ä¸ļåĮĸ":111325,"çİĩ为":111326,"鼶件":111327,"硬åĮĸ":111328,"ä¸Ĭåįĥ":111329,"ç»ıéªĮåĢ¼":111330,"å¹³è¡Į":111331,"声éģĵ":111332,"æľįåĬ¡è´¨éĩı":111333,"çĶŁçĶ¢":111334,"æľĢ容æĺĵ":111335,"ä¸Ģæŀļ":111336,"å¹´æĬ¥":111337,"åħ¬ç½ij":111338,"åħ¬ç½ijå®ī":111339,"åħ¬ç½ijå®īå¤ĩ":111340,"çļĦèĥ½éĩı":111341,"å®ŀéĻħè¡ĮåĬ¨":111342,"è¦ģä¸įè¦ģ":111343,"æĹ¥æľ¬äºº":111344,"èĢ¶ç¨£":111345,"ç¼ĸåī§":111346,"涩":111347,"åį°å°¼":111348,"ä¸Ĭä¸ĭ游":111349,"åĩłåı¥":111350,"ä¸Ńéĵģ":111351,"ç°¡åĸ®":111352,"èĩªå¸¦":111353,"çĶŁäºİ":111354,"ä¸Ģåı£æ°Ķ":111355,"åĭ¤å¥ĭ":111356,"éĻįä»·":111357,"å±ķçİ°äºĨ":111358,"å¸ĥæĭī":111359,"ä¼ļéĢīæĭ©":111360,"çļĦç»ıåħ¸":111361,"好æľĭåıĭ":111362,"车éģĵ":111363,"æķ´åĢĭ":111364,"åľĵ":111365,"éķ¿æľŁä»¥æĿ¥":111366,"æĬķå½±":111367,"çļĩåĨł":111368,"è¿ĩ大":111369,"åijĬè¯īä»ĸ":111370,"ä¼ģä¸ļæıIJä¾Ľ":111371,"æĬ½è±¡":111372,"éĢĤ度":111373,"çļĦ女åŃ©":111374,"èµ·ä¼ı":111375,"çļĦåĬŁæķĪ":111376,"ä¸ĵ项æķ´æ²»":111377,"åı¯éĢļè¿ĩ":111378,"ä¸įåIJĮç¨ĭ度":111379,"å¼Ĥè®®":111380,"åĩĢèµĦ产":111381,"åijĹ":111382,"ä»Ģä¹Īåij¢":111383,"å·¡éĢ»":111384,"è¸ıä¸Ĭ":111385,"ä½Ĩå®ĥ":111386,"精度":111387,"管å±Ģ":111388,"第ä¸ĢåIJį":111389,"åĨħåŃĺ":111390,"æijĨåľ¨":111391,"åī©ä¸ĭ":111392,"主ä½ĵ责任":111393,"çĤ¹åįĬ":111394,"以èĩ³äºİ":111395,"åħ»èĢģä¿ĿéĻ©":111396,"æĦŁåıĹåĪ°äºĨ":111397,"çŁ¥åIJįçļĦ":111398,"å¯Į豪":111399,"妥åĸĦ":111400,"åŃĻåŃIJ":111401,"éĵĤ":111402,"说èĩªå·±":111403,"让æĤ¨":111404,"æķ°æݧ":111405,"çļĦçľ¼åħī":111406,"注éĶĢ":111407,"çļĦçģµéŃĤ":111408,"è¿ĺä¸įéĶĻ":111409,"éĹ®ä»ĸ":111410,"èĩªä¸»çłĶåıij":111411,"èĵĭ":111412,"ç´«èī²":111413,"åĽ½å®¶å®īåħ¨":111414,"è¾½å®ģçľģ":111415,"ä¹Łæ¯Ķè¾ĥ":111416,"ç¾İèĤ¡":111417,"ä¸įç¡®å®ļæĢ§":111418,"å¿ĥ头":111419,"æĪ³":111420,"级åĪ«çļĦ":111421,"论述":111422,"çļĦåĽŀçŃĶ":111423,"ä¿Ŀè¯ģéĩij":111424,"çŃīè¡Įä¸ļ":111425,"幸ç¦ıæĦŁ":111426,"æѧè§Ĩ":111427,"æľºç¥¨":111428,"派人":111429,"èĩ´åij½":111430,"åĺ´è§Ĵ":111431,"æĸ°éĹ»ä¸Ńå¿ĥ":111432,"æĶ¾å¼ĥäºĨ":111433,"å®ľå±ħ":111434,"åĨĻä¸ĭ":111435,"éĹ®çŃĶ":111436,"è¿ĻéĩĮæĺ¯":111437,"å¤ļåľ°":111438,"åĮºåŁŁåĨħ":111439,"åīµæĸ°":111440,"çľĭä»ĸ":111441,"æī§æ³ķ人åijĺ":111442,"åĬ¨æľº":111443,"éŁ³åĵį":111444,"çļĦåij½è¿IJ":111445,"顶éĥ¨":111446,"åĵŁ":111447,"éĥ½æľĥ":111448,"æīĵéĢłæĪIJ":111449,"æĦıåĽ¾":111450,"çļĸ":111451,"åĢĴåħ¥":111452,"å·´èIJ¨":111453,"åĬ©åѦ":111454,"å¤įåı¤":111455,"åIJ¯çĶ¨":111456,"åĽ½éĻħå¸Ĥåľº":111457,"åĤ¨èĥ½":111458,"é»ijé¾Ļæ±Łçľģ":111459,"ä¹ĺ车":111460,"è¿IJåĬ¨ä¼ļ":111461,"ä¿ĿåĪ©":111462,"çŁ³æĿIJ":111463,"çµ®":111464,"çĤĴä½ľ":111465,"çļĦä¿¡ä»»":111466,"å°±æĪIJäºĨ":111467,"åı¯è§Ĥ":111468,"çļĩä¸Ĭ":111469,"è¿Ļåĩłå¤©":111470,"ä¸ĢéĶ®":111471,"åĨ·åĨ»":111472,"ä¿Ŀåį«":111473,"æł¸æ¡ĥ":111474,"åIJĪä½ľåħ³ç³»":111475,"éĢģåĩº":111476,"æĹĹä¸ĭçļĦ":111477,"åľ¨ä¹İ":111478,"为广大":111479,"åįĪé¤IJ":111480,"ä¸ĵ访":111481,"æĪĸå°Ĩ":111482,"éĿĴå²Ľå¸Ĥ":111483,"å¥Ķè·ij":111484,"æĹ¥æĬ¥éģĵ":111485,"å¥ijåIJĪ":111486,"æĸ°æĺ¥":111487,"ä¸įå°ıå¿ĥ":111488,"两ä¸ī":111489,"æĦıæĢĿæĺ¯":111490,"åĨ·èĹı":111491,"çļĦçĹĩçĬ¶":111492,"æĢ§åij½":111493,"è¶ħæłĩ":111494,"å¯Ĩ碼":111495,"ç§ijæĬĢèĤ¡ä»½":111496,"äºĨä¸Ģæī¹":111497,"çĿ£å¯Ł":111498,"åªĴä»ĭ":111499,"å°Ħæīĭ":111500,"ä¿®åħ»":111501,"çīĩåĪ»":111502,"éĢĤåIJĪèĩªå·±":111503,"åıªè¦ģæĺ¯":111504,"åIJĥè¿ĩ":111505,"éĩijéĵ¶":111506,"缴å±ŀ":111507,"åѦéĹ®":111508,"åİĭåĪ¶":111509,"çªĹå¤ĸ":111510,"æĶ¶åĪ°äºĨ":111511,"åħ¨åĽ½äººå¤§":111512,"ä½Ĩæĺ¯å¯¹äºİ":111513,"åľ¨æķ´ä¸ª":111514,"çļĦèĥĮåIJİ":111515,"åĩıå°ijäºĨ":111516,"åıįèħIJ":111517,"åıįèħIJåĢ¡":111518,"åıįèħIJåĢ¡å»ī":111519,"æĹ·":111520,"åĪĨæľŁ":111521,"åľ¨æ·±åľ³":111522,"æīĵçĿĢ":111523,"æī«ä¸Ģ":111524,"æī«ä¸Ģæī«":111525,"æĶ¿åºľéĥ¨éŨ":111526,"æİ¥è¿ŀ":111527,"å±ŀäºİèĩªå·±":111528,"åŃIJå¼¹":111529,"åIJĮæł·æĺ¯":111530,"æĢ»åħ±":111531,"车ä¼ģ":111532,"æ¢ĵ":111533,"åħ¬é¡·":111534,"åıij声":111535,"éĴĽ":111536,"èµ°åĬ¿åĽ¾":111537,"主èIJ¥":111538,"åĸĶ":111539,"æķ°æį®åĪĨæŀIJ":111540,"ä¸įè¿ľ":111541,"æľīåIJį":111542,"æľīåIJįçļĦ":111543,"åģ¿è¿ĺ":111544,"å¾Īä½İ":111545,"è®ĵ人":111546,"èĿī":111547,"é«ĺè´µ":111548,"å°ij许":111549,"æ°Ł":111550,"å¹¢":111551,"亲æĥħ":111552,"è¿Ļ件äºĭæĥħ":111553,"çĶ¨é¤IJ":111554,"缸åħ³æĸ°éĹ»":111555,"å°±åºĶ该":111556,"ç»ĪçĤ¹":111557,"æĺ¯å¤ļå°ij":111558,"çĻ»åľº":111559,"è¯ķ管":111560,"è¯ķ管婴åĦ¿":111561,"åģļ大":111562,"åģļ大åģļ强":111563,"çļĦä¾ĭåŃIJ":111564,"åħ«ä¸ª":111565,"æĺİæĹ¥":111566,"çĤ³":111567,"èµ°åİ»":111568,"éģº":111569,"墩":111570,"ä½ĵä¼ļåĪ°":111571,"åĴı":111572,"ä¸ĭè¾¾":111573,"å¤įåıij":111574,"追éĢIJ":111575,"æīĵåĵį":111576,"çļĦéļ±ç§ģæ¬Ĭ":111577,"åħ·æľīä¸Ģå®ļ":111578,"è¿Ļä¹Īå¤ļå¹´":111579,"æłijæŀĹ":111580,"æľĢéķ¿":111581,"åIJĮèĥŀ":111582,"åħīæ³½":111583,"åŁŁåIJį":111584,"æĮĩåIJij":111585,"åıĹ害èĢħ":111586,"æłijèĦĤ":111587,"æľīå¤ļ大":111588,"大éĿ¢ç§¯":111589,"æĹłç¼Ŀ":111590,"æĶ¹æŃ£":111591,"æĽ´å¤ļçļĦæĺ¯":111592,"æľŁæľ«":111593,"æŃ¼":111594,"ä¹īä¹Į":111595,"éĤ£ä½ł":111596,"çļĦ第ä¸Ģ个":111597,"èĮµ":111598,"å°§":111599,"èį«":111600,"ä¸įä»ħåı¯ä»¥":111601,"æ¶Įçİ°":111602,"æĢ»éĿ¢ç§¯":111603,"æĸ°éĹ»åıijå¸ĥ":111604,"æ°ijçĶ¨":111605,"就读":111606,"æīĵè´¥":111607,"å¤ĸè¯Ń":111608,"æĪij们ä¸Ģèµ·":111609,"é¢Ħå®ļ":111610,"çĥ¹é¥ª":111611,"æľĢ主è¦ģ":111612,"æľĢ主è¦ģçļĦ":111613,"çīĮçħ§":111614,"åĽłåħ¶":111615,"ä½İä¸ĭ":111616,"ä¼ļåIJĮ":111617,"è§ģ解":111618,"éĹ´éļĶ":111619,"æķĻç¨ĭ":111620,"å°ī":111621,"å¸Ĥä¸Ńå¿ĥ":111622,"åħ³éĶ®æĺ¯":111623,"æµ·åįĹçľģ":111624,"çī¹åĪ«æĺ¯åľ¨":111625,"ä¸ŃåĽ½å¤§éĻĨ":111626,"åħħ足çļĦ":111627,"æĹ¢èĥ½":111628,"åĤ³çµ±":111629,"çijľä¼½":111630,"åħ¥åĽ´":111631,"æħ¢æħ¢åľ°":111632,"æĬ¥éħ¬":111633,"æī¹å¤į":111634,"å·¥ä¸ļåĽŃåĮº":111635,"ä¸İåıijå±ķ":111636,"èĥ¸éĥ¨":111637,"åľ¨ç½ij绾":111638,"åľ¨ç½ij绾ä¸Ĭ":111639,"交è°Ī":111640,"æĽ´æĶ¹":111641,"åįłæľīçİĩ":111642,"ä¸Ŀ绸ä¹ĭè·¯":111643,"è¡Ľ":111644,"çłĶåĪ¤":111645,"åĪª":111646,"åĪªéĻ¤":111647,"è¿Ļåıª":111648,"çļĦæ°Ķæģ¯":111649,"åĬłå·ŀ":111650,"éĴ§":111651,"çIJĨäºĭéķ¿":111652,"ä¸ĸ家":111653,"æµģè¡ĮçļĦ":111654,"å¾Īæľīåı¯èĥ½":111655,"们éĥ½":111656,"ç»ıèIJ¥æ¨¡å¼ı":111657,"è¡Įä¸ļä¸Ń":111658,"éĢļçŁ¥ä¹¦":111659,"åij½é¢ĺ":111660,"æľ¬ç¶²ç«Ļ":111661,"æ²Ļçī¹":111662,"åıijåħī":111663,"é«ĺä»·":111664,"å·²çĦ¶":111665,"åıĮåįģä¸Ģ":111666,"ä¸Ĭè¯ī":111667,"ç¿ħèĨĢ":111668,"è¿Ļä¸Ģå¹´":111669,"大ä¼ļä¸Ĭ":111670,"éĩī":111671,"å®Įåħ¨æĺ¯":111672,"å¾Ĺ太":111673,"ä¸ĢèĪ¬äºº":111674,"è¿ĺç®Ĺ":111675,"æĬĺåıł":111676,"æĬķæľº":111677,"çĤ¹çĩĥ":111678,"çİ°éĩijæµģ":111679,"åħĶåŃIJ":111680,"ç½ijæł¼":111681,"æİ¥è¿ĩ":111682,"ä¾Ľè´§":111683,"éĺ´å½±":111684,"åİŁåħĪ":111685,"æį£":111686,"左侧":111687,"åħĭæĭī":111688,"æīĵåį¡":111689,"ç§ijæ¯Ķ":111690,"æ±ĩéĽĨ":111691,"åľ°çIJĨä½įç½®":111692,"è¯Ħå§Ķ":111693,"ç»ĵåIJĪèµ·æĿ¥":111694,"è¿Ľåħ¥åĪ°":111695,"åı¯è¡Į":111696,"åı¯è¡ĮæĢ§":111697,"让å®ĥ":111698,"åĪ¶åº¦æĶ¹éĿ©":111699,"çĶĺèĤĥçľģ":111700,"åĵĹ":111701,"åģıåģı":111702,"è¡£çī©":111703,"ç¥Ŀè´º":111704,"æºIJèĩª":111705,"并ä¸į代表":111706,"åĽ½åº¦":111707,"好åĿı":111708,"æĿĸ":111709,"æĿŃå·ŀå¸Ĥ":111710,"湿度":111711,"鲸":111712,"åįļ彩":111713,"æ³°å±±":111714,"æĿijèIJ½":111715,"æĸ°èģŀ":111716,"èĤĭ":111717,"åı¤èĢģçļĦ":111718,"çļĦç§ĺå¯Ĩ":111719,"ä¸Ģ个éĹ®é¢ĺ":111720,"éģıåĪ¶":111721,"åįĥ亿":111722,"è¿ĩ硬":111723,"å°Ħåĩ»":111724,"èĩªçĦ¶æĺ¯":111725,"产åĮº":111726,"çĤ¹çĤ¹å¤´":111727,"åı¯ä»¥å¸®åĬ©":111728,"说å®ŀ":111729,"说å®ŀè¯Ŀ":111730,"æĪijåıªæĺ¯":111731,"ä¹ĭä½Ļ":111732,"åIJĮæĹ¶ä¹Łæĺ¯":111733,"ä¸ŃåĽ½éĺŁ":111734,"建æĪIJåIJİ":111735,"ä¹IJè§Ĩ":111736,"åij¨å²ģ":111737,"èį¯åºĹ":111738,"éĩijåįİ":111739,"严éĩįå½±åĵį":111740,"è´¨åľ°":111741,"æĹħéģĬ":111742,"åħµåĻ¨":111743,"æķĻèĤ²æķĻåѦ":111744,"离åİ»":111745,"åIJĦå¼ıåIJĦæł·":111746,"ä»ĭç´":111747,"ä»ĭç´¹":111748,"å¼Ģ头":111749,"å°Ĩèĩªå·±çļĦ":111750,"åIJ¬åĬĽ":111751,"ä¿¡æģ¯ç³»ç»Ł":111752,"ä»İæł¹æľ¬":111753,"ä»İæł¹æľ¬ä¸Ĭ":111754,"æİĮ声":111755,"欢åĸľ":111756,"å±ķåĮº":111757,"åķ¸":111758,"太å¤ļäºĨ":111759,"éĹ²ç½®":111760,"èĥ¡èIJĿåįľ":111761,"å§Ķå®£ä¼ł":111762,"å§Ķå®£ä¼łéĥ¨":111763,"åįĹéĺ³":111764,"å·ŀåĮº":111765,"ä¸İæŶ":111766,"ä¸İæĹ¶ä¿±":111767,"ä¸İæĹ¶ä¿±è¿Ľ":111768,"å«Įçĸij人":111769,"èī¯å¿ĥ":111770,"头顶":111771,"è´¢æĬ¥":111772,"ä½Ľæ³ķ":111773,"å¾µ":111774,"åİŁä»¶":111775,"åĭŀ":111776,"çĶ·ç¯®":111777,"å¤ĸåĽ½äºº":111778,"è¿Ŀ纪":111779,"æī¾äºĨ":111780,"æįķæįī":111781,"缸è¯Ĩ":111782,"æIJľéĽĨ":111783,"çļĦä¼Łå¤§":111784,"ä¸īç»´":111785,"å°±è¡ĮäºĨ":111786,"çĭIJæľĪ":111787,"çĭIJæľĪå±±":111788,"å¸ĮæľĽéĢļè¿ĩ":111789,"èĢĮ对äºİ":111790,"éĿ¢å°į":111791,"åĨĽåĽ¢":111792,"è¡ĹåĮº":111793,"æĤ¬æĮĤ":111794,"便ç§ĺ":111795,"æľīä¸ĢçĤ¹":111796,"ä¼ļè®®ä¸Ĭ":111797,"ä¸ĭæīĭ":111798,"廣åijĬ":111799,"äºĶè¡Į":111800,"çŃīåĢĻ":111801,"ç´§ç´§åĽ´ç»ķ":111802,"æĭ¿äºĨ":111803,"æ¡ĮéĿ¢":111804,"ç¥ŀæĥħ":111805,"éĽĦåİļ":111806,"çŀ³":111807,"楼ä¸ĭ":111808,"彪":111809,"äºĭåıij":111810,"åĨįè§ģ":111811,"é¤ĺ":111812,"é¢ĦåĶ®":111813,"åİ»çľĭçľĭ":111814,"æĪij们åºĶ该":111815,"ä¸ī家":111816,"æµĬ":111817,"ä¹IJéĺŁ":111818,"çľĭä¸įè§ģ":111819,"èĦijåŃIJ":111820,"æĮģæľīçļĦ":111821,"çĻ½èıľ":111822,"éĹªçĥģ":111823,"åĸĿæ°´":111824,"æݧåĪ¶ç³»ç»Ł":111825,"ä¸ĵåĮº":111826,"æľĿå»·":111827,"æĪijå¿ĥéĩĮ":111828,"å±ķåİħ":111829,"èľĺèĽĽ":111830,"åĨ»ç»ĵ":111831,"粪":111832,"åºIJ":111833,"åIJij社ä¼ļ":111834,"åĨ³çŃĸéĥ¨ç½²":111835,"çŁŃæľŁåĨħ":111836,"æĸ°ä¸ļæĢģ":111837,"æľĶ":111838,"æŶæĬ¥":111839,"使ä¹ĭ":111840,"åĽłåŃIJ":111841,"åıĤä¸İèĢħ":111842,"çļĦ年轻人":111843,"æīĭ表":111844,"å°ģéĶģ":111845,"为ä»Ģä¹Īä¸į":111846,"åIJ¸çĥŁ":111847,"æ¯Ĵç´ł":111848,"åĪijæ³ķ":111849,"磫æŃ£":111850,"身æĹģ":111851,"åİŁè°ħ":111852,"çĽijæĬ¤":111853,"æѤå¤Ħ":111854,"éļ¨æĻĤ":111855,"æŀľå®ŀ":111856,"åĮ»çĸĹæľįåĬ¡":111857,"ä¸įåIJĪçIJĨ":111858,"æIJŀ好":111859,"çļĦèĦļæŃ¥":111860,"å¤ĸå¥Ĺ":111861,"ç¶ĵéģİ":111862,"æĶ¾ç¼ĵ":111863,"åģľçķĻ":111864,"æĺŁçIJĥ":111865,"çļĦä¸ĢéĿ¢":111866,"åĩłä½ķ":111867,"è½®åĽŀ":111868,"æ¯Ľå·¾":111869,"ä¿®çIJĨ":111870,"ä¸įçŁ¥ä¸į":111871,"ä¸įçŁ¥ä¸įè§ī":111872,"æķ´ä¸ªäºº":111873,"æ¯ģçģŃ":111874,"åı°å·ŀ":111875,"使çĶ¨å¯¿åij½":111876,"é»ijçĻ½":111877,"æij¸ç´¢":111878,"é¼łæłĩ":111879,"éĿ©æĸ°":111880,"麵":111881,"ä¸ĵéĹ¨ä¸º":111882,"å¾Īå¤ļæľĭåıĭ":111883,"å·¥ä½ľç»Ħ":111884,"åIJĪå½±":111885,"çĤºä»Ģ麼":111886,"æŀģ度":111887,"çļĦè¿ĽæŃ¥":111888,"å½ĵä¹ĭ":111889,"å½ĵä¹ĭæĹł":111890,"å½ĵä¹ĭæĹłæĦ§":111891,"è´´è¿ij":111892,"尺度":111893,"åľ¨çİ°åľº":111894,"éĻį临":111895,"åħ»èĢģéĩij":111896,"ç£ķ":111897,"åı¯ä»¥ä½¿":111898,"管çIJĨæ°´å¹³":111899,"æľ¬æĬ¥è®°èĢħ":111900,"æ³ķ令":111901,"åį¡è½¦":111902,"ä¸ľæµ·":111903,"å¤ļéĩį":111904,"åħ¶éĹ´":111905,"ç´Ļ":111906,"éĩįå¤§é¡¹çĽ®":111907,"æ±Ĺæ°´":111908,"ç»Ħå§Ķä¼ļ":111909,"ä¿¡æģ¯åħ¬å¼Ģ":111910,"ä¸į论æĺ¯":111911,"ä¸ĢåIJ¬":111912,"èĴ¸æ±½":111913,"æıŃç§ĺ":111914,"è¶ħéģİ":111915,"触åıij":111916,"婦":111917,"åħ³èģĶ交æĺĵ":111918,"å°±ç»Ļ大家":111919,"好ä¹ħ":111920,"åĢŁè´·":111921,"游æĪıè§Ĵèī²":111922,"å¼ĢåIJ¯äºĨ":111923,"æİł":111924,"åħļçļĦåįģä¹Ŀ":111925,"ä¸ĭ鼨":111926,"çŁŃæŶéĹ´åĨħ":111927,"å¯ħ":111928,"导åħ¥":111929,"å·¥ä½ľç»ıéªĮ":111930,"ä¹Łåıªèĥ½":111931,"鼷éľĨ":111932,"è·Łè¿Ľ":111933,"åį¡éĢļ":111934,"é¢ĩæľī":111935,"æľºä½ĵ":111936,"æĪĺ士èģĮä¸ļ":111937,"女主":111938,"ä½ĵåĪ¶æľºåĪ¶":111939,"足åįı":111940,"èĪĴéĢĤçļĦ":111941,"åĢŁåı£":111942,"æī¹åĪ¤":111943,"æķ°åĢ¼":111944,"諾":111945,"éĺ¿æĭī伯":111946,"åĺİ":111947,"æħ¶":111948,"达人":111949,"å¼Ģæ°´":111950,"å¤§éĽ¨":111951,"温室":111952,"ä½İè¿·":111953,"ä»įæŧ":111954,"éªĹåŃIJ":111955,"亲å±ŀ":111956,"çIJĨæĻº":111957,"æľ¬åŁºéĩij":111958,"å¨ħ":111959,"åĨĻåŃĹ楼":111960,"å¢Ļå£ģ":111961,"宵":111962,"èĻ½çĦ¶æĺ¯":111963,"顺çĿĢ":111964,"åħ«åį¦":111965,"åķĨçĶ¨":111966,"ä¸į失":111967,"è¿·èĮ«":111968,"顺便":111969,"æļijæľŁ":111970,"æ¬ºè´Ł":111971,"é¢ijé¢ij":111972,"è¯¥æł¡":111973,"æĸĻçIJĨ":111974,"æ·±æĥħ":111975,"åīįéĶĭ":111976,"ä¿ĿèŃī":111977,"èģĮä¸ļçĶŁæ¶¯":111978,"åħ¬å¼Ģåıij":111979,"åħ¬å¼Ģåıijè¡Į":111980,"åħ¥æĪ·":111981,"éłĵ":111982,"åĢ¾åIJ¬":111983,"éŃģ":111984,"æĦīæĤ¦":111985,"åĽŀåIJĪ":111986,"åħ¨åĬĽä»¥":111987,"åħ¨åĬĽä»¥èµ´":111988,"åĥ¹åĢ¼":111989,"èĥ½åĬĽå¼º":111990,"ç»ıå¼Ģ":111991,"ç»ıå¼ĢåĮº":111992,"è¿ľæĸ¹":111993,"çļĦéģĵçIJĨ":111994,"缴åįĩ":111995,"缴åįĩæľº":111996,"为主é¢ĺçļĦ":111997,"ç»ĻæĤ¨":111998,"è¿ĺæĥ³":111999,"æ¯ĶæĪij":112000,"åĨľçī§":112001,"æµ·åºķ":112002,"çŃ¾è®¢äºĨ":112003,"对äºİæĪij们":112004,"æĹ¶è®¸":112005,"éĶ®çĽĺ":112006,"å®ŀéĻħæݧåĪ¶":112007,"çļĦæ¨¡æł·":112008,"åıįæĺłäºĨ":112009,"代åĬŀ":112010,"åĮ»çĶ¨":112011,"éĽĨç»ĵ":112012,"åıijå±ķåīįæĻ¯":112013,"æĮĩçĿĢ":112014,"åįİåĮĹ":112015,"è¿Ļåĩłä¸ª":112016,"åIJįæ°Ķ":112017,"åĤįæĻļ":112018,"èĩªåıij":112019,"æ³¢åħ°":112020,"大åĬĽæİ¨è¿Ľ":112021,"èĩªç§°":112022,"èįĨå·ŀ":112023,"æIJį害":112024,"äºĨä¸Ģåı¥":112025,"æľĢåĪĿçļĦ":112026,"éĩijèŀįåį±æľº":112027,"æĢĢ念":112028,"è¡Įåĭķ":112029,"女æİĴ":112030,"ä¸į解":112031,"ä¼łéĶĢ":112032,"转载请":112033,"饰åĵģ":112034,"åıªä¸º":112035,"ä¸İä¼Ĺ":112036,"ä¸İä¼Ĺä¸įåIJĮ":112037,"èĥ½èĢĹ":112038,"èı©æıIJ":112039,"è¿ij两年":112040,"è¿Ķ乡":112041,"马ä¸Ĭå°±":112042,"äºĮçŃīå¥ĸ":112043,"水管":112044,"æ³ķåѦ":112045,"çģŃçģ«":112046,"大å§IJ":112047,"åij¨è½¬":112048,"æľīæľŁ":112049,"æľīæľŁå¾Ĵ":112050,"æľīæľŁå¾ĴåĪij":112051,"å°įæĸ¹":112052,"ç¥ŀèī²":112053,"æ²¹èĦĤ":112054,"ä¸īçĤ¹":112055,"ä¸įåĪ©äºİ":112056,"äºĭä¸ļéĥ¨":112057,"å°±è·Ł":112058,"å¼ĢæĶ¯":112059,"å°ı女åŃ©":112060,"åħ±åIJĮåĬªåĬĽ":112061,"çĶļèĩ³è¿ĺ":112062,"è¿ĻåIJį":112063,"è¿Ļç¬Ķ":112064,"çݯåį«":112065,"æľīç§į":112066,"è§ĨåĬĽ":112067,"çĨŁçŁ¥":112068,"åħ¬ç§¯éĩij":112069,"æ¶Īéĺ²å®īåħ¨":112070,"é¢ĩ为":112071,"大èħ¿":112072,"éĿ¶":112073,"çī¹æķĪ":112074,"æľįåĬ¡åĮº":112075,"å¼Ģåĩº":112076,"深度èŀįåIJĪ":112077,"æĹłå¿§":112078,"æŁ¥éĺħ":112079,"ç»Īç»ĵ":112080,"ä¿Ŀç¨İ":112081,"è¨İè«ĸ":112082,"å½ĵåģļ":112083,"è·³èĪŀ":112084,"寧":112085,"女çİĭ":112086,"è®°èĢħåľ¨":112087,"åħ¨äº§ä¸ļéĵ¾":112088,"è´¯éĢļ":112089,"åħ´ä¸ļ":112090,"éĻįåĪ°":112091,"å°ģéĿ¢":112092,"åħ¨éĿ¢æİ¨è¿Ľ":112093,"奶èĮ¶":112094,"éĢīåĿĢ":112095,"äºĨä¸Ģåľº":112096,"åIJĮä¼´":112097,"议论":112098,"æIJĵ":112099,"诸èijĽ":112100,"诸èijĽäº®":112101,"å¹²åĺĽ":112102,"æµģæĦŁ":112103,"ä¸ĵä¸ļçŁ¥è¯Ĩ":112104,"çĶµç«Ļ":112105,"åĩıå¼±":112106,"åĩºåħ¥":112107,"åIJĦçľģ":112108,"éĿŀ常é«ĺ":112109,"åľ°æ¯¯":112110,"åıijæĸĩ":112111,"çĦī":112112,"çĥ§çĥ¤":112113,"å£ģ纸":112114,"æģ¶åĮĸ":112115,"èĬ¸":112116,"èĥĸåŃIJ":112117,"çĩĴ":112118,"çľģéĴ±":112119,"çĻ¾å¼º":112120,"çIJĨ工大åѦ":112121,"éĴ¢æĿIJ":112122,"åĽ½æľīèµĦ产":112123,"æĪĺæľº":112124,"æ³Ħéľ²":112125,"åIJİéĿ¢çļĦ":112126,"æ°´èµĦæºIJ":112127,"æ¢ħèĬ±":112128,"åĨĻçĿĢ":112129,"ä¹ĭ声":112130,"æĹłåı¯":112131,"æĺİæľĿ":112132,"ç«ĭæĸ¹ç±³":112133,"ç·£":112134,"æĶ¾è¿ĩ":112135,"ç¦ıçĶ°":112136,"å¾Ĺä½ı":112137,"åıĹä¼Ĺ":112138,"ä¸Ń级":112139,"çĹħåıĺ":112140,"ä¸Ģçŀ¬éĹ´":112141,"æĿĥéĩį":112142,"人æĢ§åĮĸ":112143,"åĮ»çĸĹåį«çĶŁ":112144,"ä¸įåĪ°ä½į":112145,"æĻºèĥ½å®¶å±ħ":112146,"饮çĶ¨":112147,"æ¼Ķåıĺ":112148,"é«ĺç´łè´¨":112149,"ä¹Ļæĸ¹":112150,"åģľçķĻåľ¨":112151,"èİ·æī¹":112152,"ç©¿æ¢Ń":112153,"å®¢åľº":112154,"æĮ½åĽŀ":112155,"京åŁİ":112156,"çĶŁåij½åĬĽ":112157,"實éļĽ":112158,"çĩĪ":112159,"åĨįçİ°":112160,"çİ°å®ŀä¸Ń":112161,"æľīä¿¡å¿ĥ":112162,"çĸıéĢļ":112163,"åĺ´åĶĩ":112164,"鼷éĶĭ":112165,"èıľåįķ":112166,"éħ¯":112167,"è¶ħé«ĺ":112168,"å¾Īé«ĺåħ´":112169,"çĶŁæ®ĸ":112170,"éĢłä»·":112171,"误åĮº":112172,"æĨĭ":112173,"好æ¶Īæģ¯":112174,"å´Ń":112175,"以èĩ´":112176,"å¼Ģçİ©ç¬ij":112177,"çĽijè§Ĩ":112178,"å·¡å¯Ł":112179,"å¾·å·ŀ":112180,"æĹ©æĹ©":112181,"éĹªçĶµ":112182,"æĪªåĽ¾":112183,"åı¯ä»¥æł¹æį®":112184,"æīĭèīº":112185,"æݥ轨":112186,"ç§įæĹı":112187,"æĢĢéĩĮ":112188,"åİ»åĮ»éĻ¢":112189,"ä¸ĢäºĮ":112190,"å¼ĢéĺĶ":112191,"åĩıéĢŁ":112192,"ä½Ĩä»İ":112193,"éĢĻä¸Ģ":112194,"åĩıåħį":112195,"主é¢ĺæķĻèĤ²":112196,"å¼Ģ工建设":112197,"蹦":112198,"æľĪ饼":112199,"ä¸ĭæ²ī":112200,"å°Ĭ严":112201,"éĻĩ":112202,"å®ŀæľ¨":112203,"å»łåķĨ":112204,"声称":112205,"èĢĥåľº":112206,"å¸ĥé²ģ":112207,"èĩªæĿ¥":112208,"èĩªæĿ¥æ°´":112209,"éĴ¾":112210,"年以ä¸Ĭ":112211,"大åıĶ":112212,"ä»ĸå·²ç»ı":112213,"åħ¨æĿij":112214,"èģĶç³»çĶµè¯Ŀ":112215,"为导åIJij":112216,"åĪ¤å¤Ħ":112217,"对éĺµ":112218,"缮æ¨Ļ":112219,"åIJįé¢Ŀ":112220,"客æ°Ķ":112221,"横åIJij":112222,"çŃīåĨħ容":112223,"åĩłçĤ¹":112224,"è°Ī论":112225,"ä¸įä¹ı":112226,"å±ķçİ°åĩº":112227,"è¾ĥéķ¿":112228,"éĢĨ转":112229,"å°ıæĻĤ":112230,"æĺ¯å¤ļä¹Ī":112231,"æľ¬æľĪ":112232,"è¿ijè§Ĩ":112233,"æĪIJç«ĭ以æĿ¥":112234,"代表çĿĢ":112235,"æĬ¥å¤į":112236,"æĪıæĽ²":112237,"è¨ŃåĤĻ":112238,"åħ¥èĤ¡":112239,"å¾ģæľį":112240,"é«ĺåĩº":112241,"èĪŀåı°ä¸Ĭ":112242,"å¿ĥåĬ¨":112243,"两çĤ¹":112244,"缸çķ¶":112245,"èĻĽ":112246,"主页":112247,"åĩłå®¶":112248,"æĹłä¸į":112249,"åįıå®ļ":112250,"æĸIJ":112251,"å¯ĵæĦı":112252,"åħ¨çº¿":112253,"æįķé±¼":112254,"åı¯ä»¥ä»İ":112255,"æľīè¿Ļæł·çļĦ":112256,"æģ¶éŃĶ":112257,"åĮħåŃIJ":112258,"æģ¤":112259,"å¼Ģå¥ĸç»ĵæŀľ":112260,"ä¸įæŃ»":112261,"èĹį":112262,"å¼¯æĽ²":112263,"海峡":112264,"éĶĢæ¯ģ":112265,"çļĦçĭ¬çī¹":112266,"示æĦı":112267,"ä¸įèĥ½åĨį":112268,"èĥ½æĬĬ":112269,"éĺ²çº¿":112270,"ä¸įå°ijäºİ":112271,"æ±Ģ":112272,"çļĦéĤ£ä¸Ģ":112273,"羣æĥħ":112274,"åŀ®":112275,"被æīĵ":112276,"åĽ½å®ī":112277,"ç¾İå¦Ļ":112278,"è¿Ļåĩł":112279,"åĩºéģĵ":112280,"æľįåĬ¡äºİ":112281,"æĪIJæŀľè½¬åĮĸ":112282,"æīįåįİ":112283,"天é¹ħ":112284,"åĩłä¸ªäºº":112285,"åĢĺèĭ¥":112286,"èĢ½è¯¯":112287,"æĬĹæĪĺ":112288,"è¡ĮéĬ·":112289,"æĿ¥è¢Ń":112290,"åĢŁéĮ¢":112291,"èįīèİĵ":112292,"ä¸¥æł¼æī§è¡Į":112293,"举è¡ĮäºĨ":112294,"å¤ĸç±į":112295,"已达":112296,"æĿijåħļæĶ¯éĥ¨":112297,"è¡Ŀ":112298,"éĻįèĩ³":112299,"æµ·éĩı":112300,"é¤IJé¦Ĩ":112301,"æĢ¥å¿Ļ":112302,"æ·±è¿ľ":112303,"å¾Ģè¿Ķ":112304,"ç¨İåĬ¡å±Ģ":112305,"å¹¿æ³ĽåºĶçĶ¨":112306,"è®®åijĺ":112307,"æĹłæķĮ":112308,"çľ¼åħī":112309,"çĥŃè¡Ģä¼łå¥ĩ":112310,"æŃIJ":112311,"äºĨäºĽ":112312,"è¿ĿèĥĮ":112313,"è¿Ļæĺ¯ä¸Ģç§į":112314,"ä¸į稳å®ļ":112315,"大家åĪĨ享":112316,"表çı¾":112317,"åīįåįģ":112318,"è·¯è¿ĩ":112319,"æĴ©":112320,"åIJĮæĥħ":112321,"ä¹łä¿Ĺ":112322,"åıijè´¢":112323,"åºĶæľīçļĦ":112324,"æĿİæŁIJ":112325,"èĤĽ":112326,"马åħĭ":112327,"éĢļåijĬ":112328,"巨人":112329,"ä¸ĢåĽ¢":112330,"éĢĻ次":112331,"ä¸įäºĨ解":112332,"æĸ½è¡Į":112333,"èij¡èIJĦçīĻ":112334,"åıĺå¾ĹæĽ´åĬł":112335,"æı£":112336,"åĪĽæĸ°èĥ½åĬĽ":112337,"çķħéĶĢ":112338,"表æī¬":112339,"æ¯ĶåĪ©":112340,"æ¯ĶåĪ©æŶ":112341,"åĮ»çĸĹä¿ĿéĻ©":112342,"æĵį纵":112343,"伤亡":112344,"æµİå®ģ":112345,"åıĺäºĨ":112346,"æľ¬æ¬¡æ´»åĬ¨":112347,"åľŁè±ª":112348,"æĥ³åĬŀæ³ķ":112349,"æĺķ":112350,"å½ĵæĻļ":112351,"åĩºå±Ģ":112352,"çĥŃè®®":112353,"è°Īè°Ī":112354,"æĻĭåįĩ":112355,"åĬ¿å¿ħ":112356,"çĻ»å±±":112357,"éĤ£åĦ¿":112358,"åIJĥåĪ°":112359,"ä¹ĭåŁİ":112360,"å¿«æĿ¥":112361,"æ¹Ľæ±Ł":112362,"第ä¸ī个":112363,"åħ¨éĿ¢æıIJåįĩ":112364,"å¥ĸåѦ":112365,"å¥ĸåѦéĩij":112366,"æĬķåħ¥ä½¿çĶ¨":112367,"é½IJé²ģ":112368,"åı¯ä»¥æĬĬ":112369,"åĴĮä»ĸçļĦ":112370,"è´ŃæĪ¿èĢħ":112371,"æŃ£å¼ıåIJ¯åĬ¨":112372,"åįİ润":112373,"ä¸įæĸŃå®ĮåĸĦ":112374,"éĴ¢æĿ¿":112375,"累积":112376,"满èĦ¸":112377,"åĽĽæĸ¹":112378,"è´¢çī©":112379,"ä»ĸ们ä¼ļ":112380,"å¤ıæĹ¥":112381,"éĤ£ä¸ªäºº":112382,"éĿłçĿĢ":112383,"çĤ¹äºĨ":112384,"çĤ¹äºĨçĤ¹å¤´":112385,"æ©ĭ":112386,"åıĪ好":112387,"åıĪ好åıĪ":112388,"åıĪ好åıĪå¿«":112389,"éĺµéĺµ":112390,"å°ģ建":112391,"æľ¬çĶ°":112392,"çī©ä¸ļæľįåĬ¡":112393,"èĩªè´¸åĮº":112394,"åIJı":112395,"便åĪ©åºĹ":112396,"åĽ½å®¶æłĩåĩĨ":112397,"éĿ¢ç²ī":112398,"èī°è¾Ľ":112399,"æĶ»åħ³":112400,"æīĵåĮħ":112401,"车éĺŁ":112402,"人éĢī":112403,"åı¯ä¸įæĺ¯":112404,"äºĮåįģå¹´":112405,"åIJįå¸Ī":112406,"æµ¦ä¸ľ":112407,"åħ¬è¯ģ":112408,"è¿IJéĢģ":112409,"æĺ¯æľĢ好çļĦ":112410,"æŁĶåĴĮ":112411,"çİĭæŁIJ":112412,"çĹħæĪ¿":112413,"åĨ¶éĩij":112414,"ä¸Ģ件äºĭæĥħ":112415,"åį¤":112416,"åı¯æݧ":112417,"çīŁ":112418,"æĭĤ":112419,"å·²äºİ":112420,"人éĢł":112421,"çĶŁçī©åĮ»èį¯":112422,"ä½ĵçİ°åĩº":112423,"èĤ²åĦ¿":112424,"èĢģå®ŀ":112425,"åľĸçīĩ":112426,"諸":112427,"ç´¯äºĨ":112428,"æĦŁåħ´è¶£çļĦ":112429,"åĽ¾çīĩæĿ¥æºIJ":112430,"ä¹Łæĺ¯ä¸Ģç§į":112431,"æ¾İæ¹ĥæĸ°éĹ»":112432,"æĹ¶è¡¨ç¤º":112433,"åħīè¾ī":112434,"æĬ¥åºŁ":112435,"å²ģæŶ":112436,"éħ®":112437,"æ£Ģä¿®":112438,"åıĺéĢŁ":112439,"åıĺéĢŁç®±":112440,"åľ¨èģĮ":112441,"éı¡":112442,"æįĤ":112443,"çĿ£åĬŀ":112444,"æ°¸ä¸į":112445,"åģļä¸ĢäºĽ":112446,"åİĨæŶ":112447,"å·¥ç¨ĭæľºæ¢°":112448,"æģ°å½ĵ":112449,"å°±åľ¨äºİ":112450,"称åij¼":112451,"éĢļ常æĺ¯":112452,"æł·å¼ı":112453,"åij¨ä¸Ģ":112454,"èĭ±éķij":112455,"åĿĩ线":112456,"ä¼łéĹ»":112457,"çĶ¨æĪ·ä½ĵéªĮ":112458,"èµŀåIJĮ":112459,"骨æĬĺ":112460,"为主ä½ĵ":112461,"æ±Łå±±":112462,"æ¸ħæľĿ":112463,"æĶĢåįĩ":112464,"ä¸įçĽ¸ä¿¡":112465,"éĿ´":112466,"æѦåĬŁ":112467,"åĭ¤åĬ³":112468,"æĿ¥æī¾":112469,"å°ĨæĮģç»Ń":112470,"丫头":112471,"æ¨Ļæºĸ":112472,"裴":112473,"深深çļĦ":112474,"åŃķèĤ²":112475,"è§ĦåĪĴ建设":112476,"æ¸ħçĪ½":112477,"ç²¾åĩĨæī¶è´«":112478,"æīĵçł´äºĨ":112479,"è¿Ļä¸Ģ天":112480,"å·¥ä½ľæĢ»ç»ĵ":112481,"æĹħç¨ĭ":112482,"举èIJ¥":112483,"æĶ¾å°Ħ":112484,"æľīåĩłä¸ª":112485,"éĿŀçī©è´¨":112486,"åIJĥå¾Ĺ":112487,"åŨ":112488,"ä¼ļåıijçĶŁ":112489,"篮æĿ¿":112490,"å¼Ģå°ģ":112491,"麻å°Ĩ":112492,"èııæ³½":112493,"ä¸įåIJĪ":112494,"ç³»åĪĹ产åĵģ":112495,"èѬå¦Ĥ":112496,"ç¾İèªī":112497,"èĩªå·±åĸľæ¬¢":112498,"交æĺĵä¸Ńå¿ĥ":112499,"åIJĪåĶ±":112500,"使æĪij":112501,"åĥıç´ł":112502,"带éĺŁ":112503,"ä½Ĩ对äºİ":112504,"æĬĬè¿Ļ个":112505,"èĤĿèĦı":112506,"åįķ纯çļĦ":112507,"æĶ»åĿļæĪĺ":112508,"缼ä¼ļ":112509,"åijµæĬ¤":112510,"æªĢ":112511,"赶ä¸Ĭ":112512,"æ¥Ĭ":112513,"ä¹ħäºĨ":112514,"ç¡Ŀ":112515,"çŃĶé¢ĺ":112516,"ä¿ĿæĮģçĿĢ":112517,"è§ģè¯Ĩ":112518,"çĤ¹åĦ¿":112519,"åįĬ个æľĪ":112520,"æ»ĩ":112521,"浸泡":112522,"ä¼łéĢģ":112523,"åľ¨å¸Ĥåľºä¸Ĭ":112524,"ä¹ĭ乡":112525,"çī¹éķ¿":112526,"éĽŀ":112527,"èªł":112528,"身å¤Ħ":112529,"æŁłæª¬":112530,"身穿":112531,"çľģåħ¬å®ī":112532,"çľģåħ¬å®īåİħ":112533,"åıĻåĪ©äºļ":112534,"åĩłåĪĨéĴŁ":112535,"人åĢij":112536,"åľ°æ®µ":112537,"èĩªåѦ":112538,"ä¹Łè¶ĬæĿ¥è¶Ĭ":112539,"èģĮæĿĥ":112540,"æĸ§":112541,"èĩ»":112542,"å½Ĵ纳":112543,"驾é©Ń":112544,"éĥ¨åĪĨåľ°åĮº":112545,"没æľīæĥ³åĪ°":112546,"æĴĩ":112547,"ä¹Įé²ģ":112548,"ä¹Įé²ģæľ¨":112549,"ä¹Įé²ģæľ¨é½IJ":112550,"èĤ²äºº":112551,"çļĦæŃ¥ä¼IJ":112552,"å»¶æľŁ":112553,"æ²¹æ°Ķ":112554,"åģļå®Į":112555,"åľ£åľ°":112556,"丰åİļ":112557,"宽带":112558,"åı¯éĿłçļĦ":112559,"åºŃéĻ¢":112560,"åŃľ":112561,"å°ı康社ä¼ļ":112562,"å®īåħ¨ç®¡çIJĨ":112563,"年第":112564,"æİĴ污":112565,"èĥĮåĮħ":112566,"家ä½ı":112567,"åħ¶å®ŀå°±æĺ¯":112568,"ä¼ļè§ģ":112569,"帮åĬ©ä¼ģä¸ļ":112570,"ç½ijè´Ń":112571,"æĺ¯ä¸įä¼ļ":112572,"飯åºĹ":112573,"æŃ»åİ»":112574,"åħįçĸ«åĬĽ":112575,"æľķ":112576,"åĸĿäºĨ":112577,"轻微":112578,"个æľĪåĨħ":112579,"ç»ĦåĽ¢":112580,"åĴĮå®ĮåĸĦ":112581,"鸽":112582,"æıIJéĢŁ":112583,"西å®īå¸Ĥ":112584,"ä¸Ńå¿ĥ主任":112585,"æŶéĹ´ä¸º":112586,"æľŁæĿĥ":112587,"è¶ķ":112588,"ä¸įä»ħè¦ģ":112589,"æľįä»İ":112590,"é¡ĺæĦı":112591,"ä¸įå°ı":112592,"ä¸įå°ıçļĦ":112593,"ç°ĩ":112594,"窦":112595,"åĪĩæĪIJ":112596,"åĵĪåĪ©":112597,"å¤©çľŁ":112598,"ä¸Ģ次次":112599,"éĩijå¸ģ":112600,"æĢİä¹Īèĥ½":112601,"ç½ijè´·":112602,"ä¼ļ计å¸Ī":112603,"çŁŃ缺":112604,"对æłĩ":112605,"åıĺå¾ĹæĽ´":112606,"åīįåĩłå¤©":112607,"éĺ²æ±Ľ":112608,"彩èĻ¹":112609,"åĵģä½į":112610,"è¡¨æł¼":112611,"严å¯Ĩ":112612,"æ¯ĽåĪ©çİĩ":112613,"çļĦåį±å®³":112614,"å½ķåĪ¶":112615,"æ°´åĬ¡":112616,"èĥ½å¤Łè®©":112617,"å¹³æĿ¿":112618,"ä¹³æĪ¿":112619,"è¸ıå®ŀ":112620,"é¦ĸåĪĽ":112621,"é¦Ļèķī":112622,"æĬ¥è¡¨":112623,"ä¸ĢæĬ¹":112624,"åĩºçĶŁäºİ":112625,"è²»çĶ¨":112626,"åĩºè®©":112627,"åIJĪæ³ķæĢ§":112628,"å°¼åħĭ":112629,"åĨ°åĨ·":112630,"é¦Ļæ°Ķ":112631,"åı·ç§°":112632,"èµ·çłģ":112633,"åŁİåİ¿":112634,"çİ©èĢį":112635,"ä¸ĬéĻIJ":112636,"ä¼ļ议精ç¥ŀ":112637,"æĹģè¾¹çļĦ":112638,"便ä¼ļ":112639,"æıŃæĻĵ":112640,"çİ©æĦı":112641,"éĽªå±±":112642,"åIJijçĿĢ":112643,"ä½ĵèĤ²åľ¨çº¿":112644,"说æĺİ书":112645,"åĮĸèĤ¥":112646,"åħļç»Ħ书记":112647,"åĬ¨äºº":112648,"ä¹ĭæīĢ":112649,"æľĪèĩ³":112650,"æľĢå¿«çļĦ":112651,"èĬĤåģĩæĹ¥":112652,"ä¸ĵåľº":112653,"èĢĥä¸Ĭ":112654,"çªŁ":112655,"é²ľè¡Ģ":112656,"è¾ĥ强çļĦ":112657,"æĤĦçĦ¶":112658,"å¤ļä¸ªåĽ½å®¶":112659,"çªĹå¸ĺ":112660,"æŀģå¤§åľ°":112661,"ä¸įçĶ¨æĭħå¿ĥ":112662,"è¿Ļä¹Īåģļ":112663,"åĥ¹æł¼":112664,"ç¾İ丽乡æĿij":112665,"å°ıæŶåĨħ":112666,"紧迫":112667,"大çģ«":112668,"èĥ³èĨĬ":112669,"æĵįä½ľç³»ç»Ł":112670,"æ®ĭçķĻ":112671,"åĨĻåĩº":112672,"ç¦ģå¿Į":112673,"åĬłçĽŁåºĹ":112674,"è¿ijçĻ¾":112675,"便åı¯":112676,"æķ´æĶ¹æݪæĸ½":112677,"éĩĩ访æŶ":112678,"åĶIJ代":112679,"æ·±åĮĸæĶ¹éĿ©":112680,"çŁ¢":112681,"éĥ½åĸľæ¬¢":112682,"è¶ĬæĿ¥è¶Ĭé«ĺ":112683,"èĬ±æľµ":112684,"头çĸ¼":112685,"å®ī康":112686,"å¢ŀéķ¿çİĩ":112687,"çľ¼çľĭ":112688,"å°±æĺ¯ä¸ºäºĨ":112689,"èĢĮ导èĩ´":112690,"åĬłå¿«å»ºè®¾":112691,"èĬ±æł·":112692,"åĨħå¿ĥçļĦ":112693,"æĺĨå±±":112694,"è³ĩæºIJ":112695,"åĽŀåĪ°å®¶":112696,"èıĬèĬ±":112697,"æ°´éĩı":112698,"å¾ģä¿¡":112699,"è¡ĮæĶ¿åĮº":112700,"ä¹ĥæĺ¯":112701,"æĬķèµĦé¡¹çĽ®":112702,"å«ģç»Ļ":112703,"ç¥ŀåľ£":112704,"稳":112705,"æľ¬æĿ¥å°±":112706,"éĢIJä¸Ģ":112707,"èģĮä¸ļæĬĢæľ¯":112708,"ä¸įèī¯ä¿¡æģ¯":112709,"æīĺè¿IJ":112710,"åIJ¯ç¤º":112711,"ä¹ĭåħ§å®¹":112712,"飶":112713,"奢åįİ":112714,"æıŃ示":112715,"æĪIJ为ä¸ŃåĽ½":112716,"æ¶Īè´¹åĵģ":112717,"åħ¬çĶ¨":112718,"æIJŀå®ļ":112719,"è¯·ä½ł":112720,"æŁļ":112721,"åĨħè¡£":112722,"ä½Ĩä»ĸ们":112723,"ä¿Ŀ湿":112724,"该åİ¿":112725,"饱åĴĮ":112726,"æݨåIJij":112727,"èµĦæĸĻæĺ¾ç¤º":112728,"ä¸įå½±åĵį":112729,"人人éĥ½":112730,"åıijå±ķ壮大":112731,"åħ»èĢģæľįåĬ¡":112732,"çĶŁæ´»æ°´å¹³":112733,"åIJĦåİ¿":112734,"ä½łéľĢè¦ģ":112735,"说çļĦæĺ¯":112736,"å¤ĸåªĴ":112737,"æŃ¤äºº":112738,"次è¦ģ":112739,"追赶":112740,"åºĶ该å¦Ĥä½ķ":112741,"æĹ¥åĩĮæĻ¨":112742,"çķ¥æľī":112743,"éĥ½æĥ³":112744,"游ä¹IJ":112745,"è¿Ļ款游æĪı":112746,"平淡":112747,"æĺ¯ä¸ĢåĢĭ":112748,"å¤ĩèĢĥ":112749,"åĪ¶æŃ¢":112750,"ä¸Ģå®ļèĥ½":112751,"å¾Ĵå¼Ł":112752,"以çĤº":112753,"åįĥåħĥ":112754,"äºĶåħŃ":112755,"迪士":112756,"迪士尼":112757,"éĺ³æĢ§":112758,"åĨ¬å¥¥ä¼ļ":112759,"å°±æĺ¯åĽłä¸º":112760,"æĮĤéĴ©":112761,"æ¦ĤåĨµ":112762,"åıªè¦ģæľī":112763,"æ²¹çĶ»":112764,"åľ°æłĩ":112765,"ä¸Ĭè°ĥ":112766,"产ä¸ļåĽŃåĮº":112767,"åħ«åįģ":112768,"棱":112769,"液æĻ¶":112770,"æĿijå§Ķä¼ļ":112771,"çŃ¾çº¦ä»ªå¼ı":112772,"è¿Ļåħ¶ä¸Ń":112773,"åĨĻéģĵ":112774,"示èĮĥåŁºåľ°":112775,"éĩİçĶŁåĬ¨çī©":112776,"鼻åŃIJä¿¡ç®±":112777,"åĽ½éĻħè´¸æĺĵ":112778,"人æĿĥ":112779,"ä¿Ŀ管":112780,"èĭ¥æĤ¨":112781,"åİĭæĬij":112782,"黼":112783,"åľ°çľĭçĿĢ":112784,"éĻ°":112785,"ä¸Ģå¹´å¤ļ":112786,"ä»İ容":112787,"ä¸ŃæĸŃ":112788,"å¯Łè§ī":112789,"移交":112790,"éĶ¯":112791,"æĪĸ许æĺ¯":112792,"綳":112793,"两项":112794,"æľĢåĸľæ¬¢":112795,"æľĢåĸľæ¬¢çļĦ":112796,"å¤ľéĩĮ":112797,"åIJĮä»ģ":112798,"åĪĽæĸ°é©±åĬ¨":112799,"è°ģèĥ½":112800,"飾":112801,"åħīåѦ":112802,"åİĦ":112803,"èĦ±é¢ĸ":112804,"èĦ±é¢ĸèĢĮåĩº":112805,"迦":112806,"æĺ¯ä¸įåı¯èĥ½":112807,"窥":112808,"èĥ½æ»¡è¶³":112809,"宽度":112810,"伦çIJĨ":112811,"åı¯ä»¥èİ·å¾Ĺ":112812,"转ä¼ļ":112813,"å±±æĿij":112814,"éĵºè®¾":112815,"åĩºåĩ»":112816,"æĸĩåĮĸèīºæľ¯":112817,"ä¼ļ议室":112818,"æŃĮ声":112819,"æ»Ķ":112820,"èIJİ缩":112821,"æľįåĬ¡åijĺ":112822,"åıij表äºĨ":112823,"æĸ¼æĺ¯":112824,"æĺİç¡®è§Ħå®ļ":112825,"ç»´å¥ĩ":112826,"水产":112827,"æĬķä¿Ŀ":112828,"éĺ´éģĵ":112829,"赶快":112830,"夺å¾Ĺ":112831,"ä¸ĭåįķ":112832,"çī©æµģåħ¬åı¸":112833,"çݯç»ķ":112834,"å½Ī":112835,"ä½ľé£İ建设":112836,"æĹħ游æĻ¯åĮº":112837,"æľīæĽ´å¤ļçļĦ":112838,"丰å¯Įå¤ļ彩":112839,"çIJĨ财产åĵģ":112840,"åĩºå·®":112841,"ä»İ严治":112842,"ä»İ严治åħļ":112843,"çĽ¸å¹²":112844,"æ»ĭ润":112845,"主åĬŀæĸ¹":112846,"åī§åľº":112847,"æ»ļçIJĥ":112848,"æ©Ħæ¦Ħ":112849,"èĩªä¸»åĪĽæĸ°":112850,"éĢļå¾Ģ":112851,"æł¼å°Ķ":112852,"çļĦä¼ĺçĤ¹":112853,"èĥĮä¸Ĭ":112854,"çªľ":112855,"çĪĨåĩº":112856,"å¹³æķ´":112857,"ä¸ĢèĦļ":112858,"åħ¨ä½ĵåijĺå·¥":112859,"éĻIJå®ļ":112860,"åŁİéķĩåĮĸ":112861,"æ·³":112862,"éĢ®æįķ":112863,"è¡ĮåĬ¨è®¡åĪĴ":112864,"æīĵå¾Ĺ":112865,"åİļéĩį":112866,"纪å½ķçīĩ":112867,"åĿļä¿¡":112868,"央ä¼ģ":112869,"åĨįä¹Łä¸į":112870,"天涯":112871,"åıĤèĢĥèµĦæĸĻ":112872,"æľīæ¯Ĵ":112873,"åIJ¸çº³":112874,"è¶Ĭåıij":112875,"éĩįè¦ģæĦıä¹ī":112876,"åĽ½éĺ²éĥ¨":112877,"è¿Ļ个è¡Įä¸ļ":112878,"æĻ®æŁ¥":112879,"å¼ĤæĢ§":112880,"å»¶è¿Ł":112881,"å°ıå¹ħ":112882,"èī²æĥħ":112883,"综åIJĪæ²»çIJĨ":112884,"æŃ£æĺ¯åĽłä¸º":112885,"产ä¸ļç»ĵæŀĦ":112886,"çłĶ究æĬ¥åijĬ":112887,"åģľä¸ĭ":112888,"éķ¿èĢģ":112889,"éĩĿå°į":112890,"åįĹ京å¸Ĥ":112891,"çģĮæºī":112892,"转è¿IJ":112893,"欺è¯Ī":112894,"éĢłåģĩ":112895,"åĪĨå¸ĥå¼ı":112896,"æĦŁè§¦":112897,"æĪijå½ĵæŶ":112898,"åıijè§ī":112899,"åĽ¾çº¸":112900,"æĶ¹èī¯":112901,"çĭłçĭł":112902,"åĨ²åĪº":112903,"æĸ°äº¬":112904,"æĸ°äº¬æĬ¥":112905,"ç¥ŀåĻ¨":112906,"秸ç§Ĩ":112907,"çĪº":112908,"å°Ĩè¿İæĿ¥":112909,"工信":112910,"工信éĥ¨":112911,"éĻIJéĩı":112912,"æŃ¢æįŁ":112913,"åѦä¼ļäºĨ":112914,"åįİ缼":112915,"åįİçĽĽé¡¿":112916,"å¾Įä¾Ĩ":112917,"ä¸ĭéĿ¢æĺ¯":112918,"ä¸ĭéĿ¢æĺ¯å°ı":112919,"æIJ¬è¿IJ":112920,"ç¾İæľ¯é¦Ĩ":112921,"æ¸ħåĩī":112922,"å¤ļå¹´åīį":112923,"è©ŀ":112924,"åįĥç±³":112925,"表述":112926,"æ±ŁéŨ":112927,"åĬłæ²¹ç«Ļ":112928,"æľ¬èĥ½":112929,"导读":112930,"åĽ´è§Ĥ":112931,"并åIJij":112932,"åŁºæľ¬æĥħåĨµ":112933,"æīĵå¼ĢäºĨ":112934,"è¿Ļä¸ī个":112935,"æ±ķ头":112936,"强æľīåĬĽ":112937,"强æľīåĬĽçļĦ":112938,"è¿Ľåľº":112939,"ä¹Ŀæ±Ł":112940,"çIJĥæĺŁ":112941,"好çľĭçļĦ":112942,"大æĪ·":112943,"湯":112944,"å¥ĩå¦Ļ":112945,"ä¹IJåĻ¨":112946,"æĪijçļĦå¿ĥ":112947,"çľī头":112948,"åĨľä¸ļçĶŁäº§":112949,"ç¼ĸçłģ":112950,"åŁºç¤":112951,"åŁºç¤İ":112952,"天æĸĩ":112953,"åĢĭ人è³ĩè¨Ĭ":112954,"åİ»è¿ĩ":112955,"èģĨåIJ¬":112956,"æĶ¾åģĩ":112957,"ä¸įåħ·å¤ĩ":112958,"æ·Ģç²ī":112959,"大佬":112960,"åħ¨å¤©":112961,"åħ¨éĿ¢å»ºæĪIJ":112962,"éļIJå½¢":112963,"ç¼ħçĶ¸":112964,"åIJ³":112965,"è¡ĮæĶ¿æī§æ³ķ":112966,"åŁİåł¡":112967,"èİ«æĸ¯":112968,"èİ«æĸ¯ç§ij":112969,"æīĢæľīæĿĥ":112970,"éĽĨåľĺ":112971,"å±Ģåī¯å±Ģéķ¿":112972,"åĩłä¹İ没æľī":112973,"æ´ģåĩĢ":112974,"çĶµå½±èĬĤ":112975,"åŃ©ç«¥":112976,"æīĢåģļçļĦ":112977,"æ¸ħ代":112978,"æĸ°çīĪ":112979,"éĵĿåIJĪéĩij":112980,"为æĬĵ":112981,"为æĬĵæīĭ":112982,"åĪ¤å®ļ":112983,"çī¹äº§":112984,"æīĭæ©Ł":112985,"ä¸įåı¯æĪĸ":112986,"ä¸įåı¯æĪĸ缺":112987,"å¸Ĥåľºè§Ħ模":112988,"åĿ¯":112989,"åĮ»åѦéĻ¢":112990,"å¿«è¦ģ":112991,"èĮľ":112992,"æĬĺèħ¾":112993,"äºĨè¿ĩæĿ¥":112994,"æĬ¥åijĬæľŁåĨħ":112995,"çī©ç§į":112996,"ç»Łè®¡å±Ģ":112997,"æī©å»º":112998,"æ¶ħ":112999,"责任人":113000,"éĺİ":113001,"è¯Ħè®®":113002,"å¾Ģäºĭ":113003,"æīĢ示":113004,"æķ´æ´ģ":113005,"éĹºèľľ":113006,"æĹħéĢĶ":113007,"å®ŀè®Ń":113008,"ä¹ĭ称":113009,"巴士":113010,"éĢŁåº¦å¿«":113011,"ä¸įä»ħå¦ĤæѤ":113012,"å®Ŀè´µçļĦ":113013,"åºŁçī©":113014,"河水":113015,"æݥ纳":113016,"ç²¾æ¹Ľ":113017,"åħ¶æ¬¡æĺ¯":113018,"顺德":113019,"åħ¬åħ±åį«çĶŁ":113020,"è¤IJèī²":113021,"ä¸įæĥľ":113022,"æĬĢæľ¯æľįåĬ¡":113023,"æİ·":113024,"æ±ĤèģĮ":113025,"ä¸ī峡":113026,"æĬķåħ¥åĪ°":113027,"太åIJİ":113028,"åIJ¯åĬ¨ä»ªå¼ı":113029,"缴æݥ影åĵį":113030,"æĸ°æ¬¾":113031,"个乡éķĩ":113032,"çĻ¾äº¿":113033,"庫":113034,"ä¹ŁæŃ£æĺ¯":113035,"åı¶çīĩ":113036,"æľĢæĹ©çļĦ":113037,"æĪĺ绩":113038,"å·¥æľŁ":113039,"æĻļæľŁ":113040,"è¿Ļæł·è¯´":113041,"è¯įè¯Ń":113042,"ä¾Ħ":113043,"æķ£çĥŃ":113044,"éĽĨæĪIJçĶµè·¯":113045,"åIJįè¯į":113046,"æĻºåķĨ":113047,"æĭ¥åłµ":113048,"çĭĤ欢":113049,"è¿ĻèĪ¬":113050,"浴室":113051,"åijķåIJIJ":113052,"æľªæĿ¥åıijå±ķ":113053,"ä¸īä½įä¸Ģä½ĵ":113054,"åªĴé«Ķ":113055,"ä¸įå¾Ĺ转载":113056,"åĽłä¸ºå¥¹":113057,"æĺ¾ç¤ºå±ı":113058,"ä¾Ľæļĸ":113059,"éĨ«éĻ¢":113060,"æľīæĦıæĢĿ":113061,"æľīæĦıæĢĿçļĦ":113062,"娱ä¹IJåŁİ":113063,"åįµå·¢":113064,"åĪĽéĢłåĬĽ":113065,"ç«łèĬĤ":113066,"人大常å§Ķ":113067,"èĢĮçİ°åľ¨":113068,"å¤ĸå©Ĩ":113069,"å¢ŀæĮģ":113070,"äºĶåįĥ":113071,"èĢģå¸Ī们":113072,"æ´ĽæĿī":113073,"æ´ĽæĿī磶":113074,"æİĮæı¡äºĨ":113075,"ä¸ŃåĽ½æĸĩåĮĸ":113076,"æĸ°æĶ¿":113077,"主è¦ģçĶ¨äºİ":113078,"åıijçĥ§":113079,"类似äºİ":113080,"åĮĹæŀģ":113081,"æĪij们认为":113082,"弥漫":113083,"åħ¨çIJĥç»ıæµİ":113084,"é¢IJ":113085,"ä¸Ģèµ·è£ħä¿®":113086,"æĶĴ":113087,"æĭīèIJ¨":113088,"帶ä¾Ĩ":113089,"åĨ·æ°´":113090,"ä¸īåĨľ":113091,"æĿ¿æĿIJ":113092,"è¿ŀè¿ŀ":113093,"éĵ®":113094,"ç»ıèIJ¥çIJĨ念":113095,"山顶":113096,"å¾Īæĥ³":113097,"çĺ«":113098,"å§ĭç»Īä¿ĿæĮģ":113099,"åľ¨å¹¿å·ŀ":113100,"ä¸įåIJĮæĦı":113101,"åıĺåİĭ":113102,"åıĺåİĭåĻ¨":113103,"产éĶĢ":113104,"表éĿ¢ä¸Ĭ":113105,"æīĢ以ä»ĸ":113106,"ç»ıéªĮ丰å¯Į":113107,"éĥ¨å§Ķ":113108,"åħµåĽ¢":113109,"æīĢè¿°":113110,"æķ¦çħĮ":113111,"ç»ıèIJ¥èĮĥåĽ´":113112,"åı£è¯Ń":113113,"失信":113114,"æ¯ı个人çļĦ":113115,"æīĭæĮģ":113116,"æģIJæħĮ":113117,"åł¡åŀĴ":113118,"é¦ħ":113119,"éĵ¸éĢł":113120,"æĭ¿åĩºæĿ¥":113121,"æİ¢æµĭ":113122,"大家ä¸Ģèµ·":113123,"奧":113124,"å®ŀè´¨æĢ§":113125,"å°ıåĦ¿":113126,"èĩºåįĹ":113127,"èĩºåįĹå¸Ĥ":113128,"å¼ĢåıijèĢħ":113129,"åı¯æł¹æį®":113130,"ç®±åŃIJ":113131,"饺åŃIJ":113132,"å¿ĻçĿĢ":113133,"æĿ¥ä¸įåıĬ":113134,"çĽ¸ä¼ł":113135,"åĽ½ç½ij":113136,"èħ¹æ³»":113137,"è¿ĻéĩĮæľī":113138,"é£İæĻ¯åĮº":113139,"åıĤä¿Ŀ":113140,"æŃ»èĢħ":113141,"æĪ´ä¸Ĭ":113142,"æ©Łæ§ĭ":113143,"è¯ķéªĮåĮº":113144,"ä¼łæİĪ":113145,"æµ·è¾¹":113146,"泪水":113147,"缸åħ³åĨħ容":113148,"éĥijå·ŀå¸Ĥ":113149,"åħijçİ°":113150,"两åij¨":113151,"èĬľæ¹ĸ":113152,"çĶµåŃIJä¿¡æģ¯":113153,"红å¤ĸ":113154,"æĹħ游å±Ģ":113155,"å¾Ģå¾Ģä¼ļ":113156,"è¿ħçĮĽ":113157,"ä¼łçľŁ":113158,"æ¸ħæ¾Ī":113159,"å°±è¿ij":113160,"微信群":113161,"ç³»åĪĹæ´»åĬ¨":113162,"ç»ı常ä¼ļ":113163,"è§Ĥæµĭ":113164,"å¿ĥå¾Ĺä½ĵä¼ļ":113165,"éĻĪåĪĹ":113166,"åĮĹæĸĹ":113167,"è«®":113168,"諮詢":113169,"è¿ĺæĺ¯ä¼ļ":113170,"æµĭç®Ĺ":113171,"æĺŁç©º":113172,"宽容":113173,"çī©ä¸ļåħ¬åı¸":113174,"æĪĴæĮĩ":113175,"å¸ħæ°Ķ":113176,"ä¸ĢæŃ¥æŃ¥":113177,"åħ±é¸£":113178,"åĨ³ä¸į":113179,"æݥ管":113180,"å¦ĩèģĶ":113181,"æ¯Ķåĸ»":113182,"é²ģè¿ħ":113183,"æĮģçºĮ":113184,"çĽ¸äº²":113185,"å¨ģå°¼æĸ¯äºº":113186,"ç«ĭ项":113187,"åĪĿå§ĭ":113188,"èĩªåĪ¶":113189,"è¿Īè¿Ľ":113190,"ä¸Ĭæ±½":113191,"å®ıä¼Ł":113192,"æł¹æľ¬æ²¡æľī":113193,"æĸ°åĨłçĹħæ¯Ĵ":113194,"åĵªç§į":113195,"康åħ»":113196,"è¡°èĢģ":113197,"å½ķåĥı":113198,"é«Ķé©Ĺ":113199,"ç»ijå®ļ":113200,"é¢Ŀ头":113201,"äºĶæľĪ":113202,"èĬ±å¼Ģ":113203,"ä¸Ģ线åŁİå¸Ĥ":113204,"åĪ°åľº":113205,"æĬķéĻį":113206,"çĹĺçĹĺ":113207,"åıĹä¸įäºĨ":113208,"æīİæł¹":113209,"æĽ´ä½ķåĨµ":113210,"æĬ½æŁ¥":113211,"åĩºè·¯":113212,"审议éĢļè¿ĩ":113213,"ä¸įåĥħ":113214,"èī²è°ĥ":113215,"çĻ¾ä½Ļ":113216,"èĤłéģĵ":113217,"æ·±åİļçļĦ":113218,"马åĬĽ":113219,"æĹ©æĻļ":113220,"æŃĮèĪŀ":113221,"éĺ²æĻĴ":113222,"æľĢåIJİä¸Ģ个":113223,"樱èĬ±":113224,"å°ıä¼ĻåŃIJ":113225,"åľ¨å½ĵåľ°":113226,"å°ıä¼Ļ伴们":113227,"èµ·æºIJ":113228,"åħ¨åªĴä½ĵ":113229,"ç°½":113230,"éħ±æ²¹":113231,"æĹłè®ºå¦Ĥä½ķ":113232,"裤åŃIJ":113233,"åģľäº§":113234,"ä¸įçĶ±å¾Ĺ":113235,"çīµå¼ķ":113236,"ä¼łåĬ¨":113237,"ä¹Ŀé¾Ļ":113238,"åĬłåĽº":113239,"ä¹Łä¸įæķ¢":113240,"æĬĢæľ¯æĶ¯æĮģ":113241,"ä¸Ĭå²Ĺ":113242,"ç»ıéªĮåĴĮ":113243,"æł¼æŀĹ":113244,"åIJ¸éĻĦ":113245,"æľªæĪIJå¹´":113246,"奢ä¾Īåĵģ":113247,"追æį§":113248,"好ä¸į容æĺĵ":113249,"èķ´åIJ«":113250,"ä¿Ŀå®ļ":113251,"æĬ¥ä¸ļ":113252,"æµ·åĨħå¤ĸ":113253,"ä½łçİ°åľ¨":113254,"æ²¹èĢĹ":113255,"è´¨éĩı管çIJĨ":113256,"æ½ľæ°´":113257,"ä¸½æ±Ł":113258,"转åħ¥":113259,"è¿Ļä¹Īä¹ħ":113260,"æĺİ代":113261,"责任åĪ¶":113262,"éĩįå·¥":113263,"大巴":113264,"触åıĬ":113265,"èµ·åĪĿ":113266,"大å¦Ī":113267,"æĸ¯å¡Ķ":113268,"åĨĽå·¥":113269,"书éĻ¢":113270,"峨":113271,"æݨçIJĨ":113272,"è¿Ļç¯ĩæĸĩç«ł":113273,"è¿ģ移":113274,"åľ¨åIJĮä¸Ģ":113275,"ç»Ĩç»Ĩ":113276,"åīĬå¼±":113277,"书æĪ¿":113278,"ç¶ĵ常":113279,"è¯ķé¢ĺ":113280,"æĤ£ä¸Ĭ":113281,"çĻ«çĹ«çĹħ":113282,"åĨ²æ´Ĺ":113283,"å¤ĸæı´":113284,"åħĭåĪ¶":113285,"åįģæľĪ":113286,"åģļä¸įåĪ°":113287,"ç¾İåĮĸ":113288,"å¦ĤæľŁ":113289,"è¿ĺéľĢ":113290,"å¤©åºľ":113291,"å°±æĦıåij³çĿĢ":113292,"çļĦç¡®æĺ¯":113293,"éªĹå±Ģ":113294,"å°ıç»ĦèµĽ":113295,"è©©":113296,"ä¹Ŀå¹´":113297,"æĻĵå¾Ĺ":113298,"çłĶ究人åijĺ":113299,"大éħĴåºĹ":113300,"ç§ijåѸ":113301,"åħŃåIJĪ":113302,"çķĮå®ļ":113303,"车载":113304,"å¼ĢçĿĢ":113305,"毫æĹłçĸij":113306,"毫æĹłçĸijéĹ®":113307,"è¿IJç»´":113308,"ç¦ģåĮº":113309,"èĦ±èIJ½":113310,"讲å¸Ī":113311,"产ä¸ļåŁºåľ°":113312,"é«ĺæĢ§èĥ½":113313,"åħī彩":113314,"çİ°éĺ¶æ®µ":113315,"åĩ¿":113316,"è¾ĥå·®":113317,"饮çĶ¨æ°´":113318,"éĸĭçĻ¼":113319,"ç½ijåIJ§":113320,"çĮ´åŃIJ":113321,"æѦæŀĹ":113322,"å®īåİ¿":113323,"ä¸įåı¯æĢĿ":113324,"ä¸įåı¯æĢĿè®®":113325,"éĬ·åĶ®":113326,"è´«ç©·":113327,"为åķ¥":113328,"éºĵ":113329,"å¹¾åĢĭ":113330,"è§Ħ模以ä¸Ĭ":113331,"æıļ":113332,"è¢«åĽ°":113333,"缺å¸Ń":113334,"å¿«é¤IJ":113335,"æĬ¢åįł":113336,"æĻŁ":113337,"å¤įæ´»":113338,"æľ¬æĬ¥è®¯":113339,"åĪĽä¸ĭ":113340,"海滩":113341,"éĩı产":113342,"å¦Ĥä½ķåİ»":113343,"车ä½į":113344,"å¯ĩ":113345,"äºĮåįģåĽĽ":113346,"ç»ıæµİæįŁå¤±":113347,"éħįå¥Ĺ设æĸ½":113348,"åŁºæľ¬éĿ¢":113349,"äºī论":113350,"就好åĥı":113351,"çłĶ究æĪIJæŀľ":113352,"éĻĪè¿°":113353,"æīĵåĬ¨":113354,"ä¸ĭå·´":113355,"ç§ĴéĴŁ":113356,"对人ä½ĵ":113357,"æĬĢæľ¯çłĶåıij":113358,"åİŁåŃIJ":113359,"æĺ¯ä¸Ģ项":113360,"äºĨä¸Ģ份":113361,"æĮĩçĶ²":113362,"çĶ¨éĩı":113363,"è¿ĺä¸įå¤Ł":113364,"æĶ¿åºľéĩĩè´Ń":113365,"çŁ¥è¯ĨçĤ¹":113366,"ä¸ŃåĽ½æ¢¦":113367,"å¾Īå¼Ģå¿ĥ":113368,"礼è²Į":113369,"éĿŀ常å¤ļ":113370,"éĿŀ常å¤ļçļĦ":113371,"åĽļ":113372,"æĹħé¦Ĩ":113373,"å°½æĥħ":113374,"æŃĮåĶ±":113375,"æ²Ļé¾Ļ":113376,"车åİ¢":113377,"客æµģ":113378,"åģıå·®":113379,"积累äºĨ":113380,"æ¡Ķ":113381,"çĶ»çĶ»":113382,"ä¹ŁåºĶ该":113383,"åºĶçĶ¨ç¨ĭåºı":113384,"èĥĥèĤł":113385,"以å¾Į":113386,"豪å®ħ":113387,"æ·±åĬłå·¥":113388,"缴è¨Ģ":113389,"åĮĸçŁ³":113390,"åĽ½éģĵ":113391,"ä¸ĥ个":113392,"ä»İèĢĮ使":113393,"èĤłèĥĥ":113394,"æĹ¥è¶ĭ":113395,"çĪ¶åŃIJ":113396,"ç·©":113397,"æĭĽçīĮ":113398,"产å¦ĩ":113399,"çķªèĮĦ":113400,"æĪijéĻ¢":113401,"建çŃijå·¥ç¨ĭ":113402,"å±ķè§Īä¼ļ":113403,"家éķ¿ä»¬":113404,"åĨľä½ľçī©":113405,"æĹ¥å¤ľ":113406,"æĶ»æĵĬ":113407,"è§Ħéģ¿":113408,"èĪŁå±±":113409,"便æ°ij":113410,"åħ«åŃĹ":113411,"ä¸įæĽ¾":113412,"æĶ¯éħį":113413,"çĨ¬å¤ľ":113414,"人é¡ŀ":113415,"ç´ĢéĮĦ":113416,"ç»ıèIJ¥æ´»åĬ¨":113417,"大涨":113418,"å¸Ĥå§Ķ常å§Ķ":113419,"åĪĨéIJĺ":113420,"ä¸Ģ个èģĮä¸ļ":113421,"çĹħåĽł":113422,"è¿Ļ对äºİ":113423,"ä¸įå¾Ĺä¸į说":113424,"åıijçĶµæľº":113425,"æľīæīĢ帮åĬ©":113426,"缮æłĩä»»åĬ¡":113427,"åĽłåľ°":113428,"åĽłåľ°åĪ¶":113429,"åĽłåľ°åĪ¶å®ľ":113430,"å°Ĩè¾¾åĪ°":113431,"ç²Ĺç³Ļ":113432,"ç¨³åĽº":113433,"å«£":113434,"çİ°åľ¨å¾Īå¤ļ":113435,"ä¸ĸçķĮ级":113436,"å¼łæŁIJ":113437,"çĤ¹ç¼Ģ":113438,"èijµ":113439,"社ä¼ļç»Ħç»ĩ":113440,"å¾ĢåIJİ":113441,"åĬłæģ¯":113442,"åĻªå£°":113443,"æľīåħ´è¶£":113444,"为æĤ¨æıIJä¾Ľ":113445,"æ²¹æ¼Ĩ":113446,"ç¬¬åĽĽå±Ĭ":113447,"çļĩ宫":113448,"ä¹Ĵä¹ĵ":113449,"ä¹Ĵä¹ĵçIJĥ":113450,"éļ¨èijĹ":113451,"éģ©åIJĪ":113452,"åįĹéĿŀ":113453,"æĵ´":113454,"西æ´ĭ":113455,"åĬłå¯Ĩ":113456,"æĪIJåĬŁä¸¾åĬŀ":113457,"åı£æ°´":113458,"æĪIJ年人":113459,"æīĢæıIJä¾ĽçļĦ":113460,"éļĶå£ģ":113461,"åľ¨äº¬":113462,"å½ĵåľ°æŶéĹ´":113463,"çŃīåIJĦç§į":113464,"é£İæ°Ķ":113465,"å±ĭéĩĮ":113466,"ä¸ĢåŃĹ":113467,"çļĦæŶéĹ´éĩĮ":113468,"åĺ¿åĺ¿":113469,"快讯":113470,"ä¸Ńåľº":113471,"ä¸Ģçĵ¶":113472,"æ»ķ":113473,"é¢Ĩè·ij":113474,"好èݱ":113475,"好èݱåĿŀ":113476,"没åħ³ç³»":113477,"åĩºå¢ĥ":113478,"ä¸įæĺ¯ä¸Ģ个":113479,"éĥ½æĺ¯éĿŀ常":113480,"éľĩåĬ¨":113481,"èİ·èĥľ":113482,"åįļå¼Ī":113483,"æĬļåħ»":113484,"对ç«ĭ":113485,"æľįåĬ¡æľºæŀĦ":113486,"è°£è¨Ģ":113487,"社ä¼ļç§ijåѦ":113488,"åIJ¬è¯´è¿ĩ":113489,"æī³":113490,"æīĵ磨":113491,"åı£æľį":113492,"好åĥıæĺ¯":113493,"以åıĬåħ¶ä»ĸ":113494,"çī¹è´¨":113495,"亲è¿ij":113496,"ä¸Ģç»ı":113497,"æ¶Ŀ":113498,"éŃĶæľ¯":113499,"éģĵ路交éĢļ":113500,"è§Ħ模æľĢ大":113501,"å®ŀæĸ½æĦıè§ģ":113502,"ä¹ŀ":113503,"ä¸Ģä¸ĸ":113504,"åŁ·è¡Į":113505,"è±Ĩçĵ£":113506,"åĪĹ为":113507,"æķħ宫":113508,"çĶŁåij½åij¨æľŁ":113509,"ä¸īç§įèģĮä¸ļ":113510,"详ç»Ĩä»ĭç»į":113511,"å®Įå¤ĩ":113512,"å²©çŁ³":113513,"éļıæīĭ":113514,"飲":113515,"æķĪæŀľåĽ¾":113516,"ç§ĭåĨ¬":113517,"åĬŁå¾·":113518,"è§Ħç«łåĪ¶åº¦":113519,"æĹ¥æ¸IJ":113520,"æīĢéľĢè¦ģ":113521,"æīĢéľĢè¦ģçļĦ":113522,"å²Ľä¸Ĭ":113523,"åĩºåľŁ":113524,"åĽ¾æĸĩ":113525,"ç§ijæĬĢè¿ĽæŃ¥":113526,"éĢļèĥĢ":113527,"èĢģ太太":113528,"èĭĹæľ¨":113529,"éĵ¶å·Ŀ":113530,"å¸IJ篷":113531,"éĿŀè¦ģ":113532,"éħįçĶµ":113533,"å¤Ħå¢ĥ":113534,"èĤ¡æĿĥæĬķèµĦ":113535,"ä¸Ģ缴åĪ°":113536,"åĿĩçĶ±":113537,"æĬĹæĹ¥":113538,"æį®ä»ĭç»į":113539,"ä½łåĸľæ¬¢":113540,"åĪĽæĸ°åŀĭ":113541,"åıĺè¿ģ":113542,"è§Ĩå¯Ł":113543,"å®Įåħ¨æ²¡æľī":113544,"åħĥæŦ":113545,"åı¯ä¿¡":113546,"åı¦è¡Į":113547,"æĿij级":113548,"åħ¥åľº":113549,"æIJŃæ¡£":113550,"ä¹ŁåĽłæѤ":113551,"æį¢æĪIJ":113552,"ä¸įè´Ł":113553,"äºĨ大éĩıçļĦ":113554,"éģĶåĪ°":113555,"å¸Ĥåİ¿":113556,"å¹´è¼ķ":113557,"å¿«æīĭ":113558,"å¸Įå°Ķ":113559,"èĩªèIJ¥":113560,"éĽªèĬ±":113561,"æIJģ":113562,"çľ¼ç§ij":113563,"æŃ£ç¢º":113564,"çļĦ姿æĢģ":113565,"åĿļå®ŀçļĦ":113566,"æĮĩ纹":113567,"æªĶæ¡Ī":113568,"ç½®äºİ":113569,"佩æľį":113570,"豪éŨ":113571,"åĵĴ":113572,"æģ°å¥½":113573,"æª¢æŁ¥":113574,"åĪĿè¡·":113575,"大åĶIJ":113576,"约ä¼ļ":113577,"èĴ¸åıij":113578,"çŃ¹åĪĴ":113579,"å¹´ç»Ī":113580,"è¡Įæ¥Ń":113581,"åħ±éĿĴ":113582,"åħ±éĿĴåĽ¢":113583,"ä¼ļå¼ķèµ·":113584,"ä¸Ńç§ij":113585,"ä¸Ńç§ijéĻ¢":113586,"æĮ¯åĬ¨":113587,"åį´åıijçİ°":113588,"ä¸įåĬ¨äº§":113589,"èĮ¹":113590,"æĪ¿éĹ´éĩĮ":113591,"è´§å¸ģæĶ¿çŃĸ":113592,"æ²»çĻĤ":113593,"æħİéĩį":113594,"å¡ŀå°Ķ":113595,"åĽ½ç±į":113596,"åĽłæŀľ":113597,"çŃīçī¹çĤ¹":113598,"山谷":113599,"ä¸ĭè¼ī":113600,"è®ĵæĪij":113601,"饮éħĴ":113602,"è¿Ļ个游æĪı":113603,"ç»Ŀ大éĥ¨åĪĨ":113604,"åĴ¨è¯¢æľįåĬ¡":113605,"干活":113606,"è®®ä¼ļ":113607,"æ¦Ĥè¿°":113608,"åĪĨåĮº":113609,"æŃ»åIJİ":113610,"ç«ĻçĿĢ":113611,"主è¦ģé¢Ĩ导":113612,"åIJĮåŁİ":113613,"大æłij":113614,"对åѦçĶŁ":113615,"社ä¼ļä¿ĿéĻ©":113616,"å¢ŀèµĦ":113617,"主人åħ¬":113618,"å®£ä¼łæķĻèĤ²":113619,"æĸĩåĮĸ交æµģ":113620,"客æĪ¶":113621,"çŁ¥åIJįåĵģçīĮ":113622,"æ»ŀåIJİ":113623,"äºĴè¡¥":113624,"æĦŁäºº":113625,"åī¿":113626,"åIJİ代":113627,"äºī龸":113628,"æķĻèĤ²åŁ¹è®Ń":113629,"éĿĻèĦī":113630,"ä¹ıåĬĽ":113631,"说åĩºæĿ¥":113632,"çİĭèĢħèį£èĢĢ":113633,"åĢ«":113634,"åįĩèµ·":113635,"éķģ":113636,"åĩºæ¸¸":113637,"éĢļè¡Įè¯ģ":113638,"å·¥ä½ľå²Ĺä½į":113639,"åĮłå¿ĥ":113640,"æĭ¿æĿ¥":113641,"æ´Ĺè¡£æľº":113642,"æĪijä¸įæĥ³":113643,"é¢Ħè§ģ":113644,"æ¼Ķ示":113645,"ä¸ĢçĽ´æ²¡æľī":113646,"è·Łå¥¹":113647,"对çħ§æ£ĢæŁ¥":113648,"ç°¿":113649,"ä¸ĵå¿ĥ":113650,"è®®äºĭ":113651,"åīį端":113652,"åį¡å°Ķ":113653,"è¨Ńå®ļ":113654,"设置äºĨ":113655,"å©ļ纱":113656,"åľ¨åĽ½å¤ĸ":113657,"åı³ä¾§":113658,"è³¼çī©":113659,"å¥ĩèij©":113660,"å¢ŀåĬłåĢ¼":113661,"好è¿IJ":113662,"åĽ½éĻħæľºåľº":113663,"ä¸ĭ称":113664,"缮åīį为æŃ¢":113665,"ç¥ŀä»Ļ":113666,"å®ĥåı¯ä»¥":113667,"æ¾Ħæ¸ħ":113668,"èĥ½ä½¿":113669,"游åĩ»":113670,"游åĩ»éĺŁ":113671,"åĩ¹":113672,"ä¸įè¦ģåĨį":113673,"åĨ³èĥľ":113674,"åĨ³æĪĺ":113675,"æĭ½":113676,"缼åħ¸":113677,"å¾Īå¥½åľ°":113678,"æľĢç¾İçļĦ":113679,"åĥļ":113680,"å·´åŁº":113681,"å·´åŁºæĸ¯åĿ¦":113682,"æľĢéĢĤåIJĪ":113683,"é«ĺèģĮ":113684,"ä¿Ŀå§Ĩ":113685,"æİĪæ¬Ĭ":113686,"说åĪ°è¿ĻéĩĮ":113687,"æݨå¼Ģ":113688,"çİĩè¾¾":113689,"ä¸īåĪĨä¹ĭä¸Ģ":113690,"管çIJĨä¸Ńå¿ĥ":113691,"交æ±ĩ":113692,"森æŀĹåħ¬åĽŃ":113693,"å¾Ģä¸Ĭ":113694,"éªijè¡Į":113695,"æį®æѤ":113696,"纽带":113697,"ç»ŀ":113698,"ä¸īæĸ¹":113699,"æĦıä¹īä¸ĬçļĦ":113700,"æİ¨è¿Ł":113701,"å¤ļæł·æĢ§":113702,"æĥ³èµ·äºĨ":113703,"æİĴåIJį第":113704,"å·¨é¢Ŀ":113705,"æĿŁç¼ļ":113706,"å®īå®ļ":113707,"äºĭ實":113708,"çļĦæĦ¿æľĽ":113709,"è£ħå¤ĩåĪ¶éĢł":113710,"人å±ħ":113711,"人å±ħçݯå¢ĥ":113712,"å¿ĺè®°äºĨ":113713,"该游æĪı":113714,"楼ä¸Ĭ":113715,"å¼Ģä¼ļ":113716,"æģ³":113717,"åıĭæĥħéĵ¾æİ¥":113718,"ç¡Ĵ":113719,"ç»ĻäºĪäºĨ":113720,"åģı好":113721,"åĵī":113722,"交éĢļå®īåħ¨":113723,"éĽĮ":113724,"æ²»çĹħ":113725,"è§īå¾Ĺå¾Ī":113726,"衬衫":113727,"å¿ĥæĦ¿":113728,"æ´ŀå¯Ł":113729,"æ°ijæ£Ģå¯ŁéĻ¢":113730,"æıIJçĤ¼":113731,"è¦ģè¿Ľä¸ĢæŃ¥":113732,"驾车":113733,"æĻ®æĥł":113734,"æķĸ":113735,"ç¦ıéŁ³":113736,"éĢģè¾¾":113737,"è§ĦåĪĴ设计":113738,"æīĭå¥Ĺ":113739,"å®īä¿Ŀ":113740,"è¿ĺä¸įå¦Ĥ":113741,"åīįè¿°":113742,"æłĩè®°":113743,"ç´§æİ¥çĿĢ":113744,"æ§IJ":113745,"æ·±æ·±åľ°":113746,"满满çļĦ":113747,"æĺ¥è¿IJ":113748,"æĹ¥äº§":113749,"çĪ±æĬ¤":113750,"åħ¨æĹ¥":113751,"åħ¨æĹ¥åĪ¶":113752,"转åĬ¨":113753,"ç¥Ńç¥Ģ":113754,"ä¹°ä¸ľè¥¿":113755,"å¯¹æľªæĿ¥":113756,"æ¶Ī失äºĨ":113757,"åļ´éĩį":113758,"ä¸īæĿ¡":113759,"éħ¸å¥¶":113760,"éĽĨåĽ¢èĤ¡ä»½":113761,"西路":113762,"åıªå¾Ĺ":113763,"éĢģåİ»":113764,"çĭłæĬĵ":113765,"åĪ©çĶ¨çİĩ":113766,"ä¸ĭåij¨":113767,"å¥ĭæĪĺ":113768,"æĺ¥èĬĤæľŁéĹ´":113769,"è´Łè´£ä»»":113770,"æĺĤè´µ":113771,"尾巴":113772,"ç¯ĩæĸĩç«ł":113773,"åħ®":113774,"è®ĬæĪIJ":113775,"å¹¹":113776,"çĻ»éĮĦ":113777,"ä½Ī":113778,"å·¥åĮł":113779,"åĵªæĢķæĺ¯":113780,"åıįåĵį":113781,"ç§ĥ":113782,"åĩºè½¨":113783,"æĹ¥åĨĽ":113784,"åIJįèªī":113785,"æķıéĶIJ":113786,"æľįåĬ¡æ°´å¹³":113787,"çħ§å°Ħ":113788,"ä¼Ĭæĭī":113789,"ä¼Ĭæĭīåħĭ":113790,"åĨħéĺģ":113791,"èĬĴæŀľ":113792,"ä¸ĩåĪĨ":113793,"éĢĢ款":113794,"缴æĴŃéĹ´":113795,"æĭ¿åĪ°äºĨ":113796,"å°İèĩ´":113797,"空æ°Ķä¸Ń":113798,"客æĪ·æľįåĬ¡":113799,"è¿IJåĬ¿":113800,"ç»ĵçŁ³":113801,"ä¸įå¿ħè¦ģçļĦ":113802,"èĥ¶åĽĬ":113803,"çIJĨä¼ļ":113804,"æĬ½åĩº":113805,"空æ°Ķè´¨éĩı":113806,"æ¯ķç«Łæĺ¯":113807,"åĨ·æ¼ł":113808,"ä¸Ģå¦Ĥ":113809,"ä¸Ģå¦ĤæĹ¢":113810,"ä¸Ģå¦ĤæĹ¢å¾Ģ":113811,"æĤ£çĹħ":113812,"åĬłæĮģ":113813,"èµŀåĬ©":113814,"é«®":113815,"åij½ä¸Ń":113816,"æĦıä¹īä¸Ĭ":113817,"ä¸įèĪį":113818,"åģļ梦":113819,"æīĵæī«":113820,"æĺŁåħī":113821,"æĸŃè£Ĥ":113822,"åħ¨å¥Ĺ":113823,"è£ģå®ļ":113824,"马åħĭæĢĿ":113825,"骨骼":113826,"ä¸Ģè·¯ä¸Ĭ":113827,"å®ļæŶ":113828,"å·¥ç¨ĭæĬĢæľ¯":113829,"å½¼å¾Ĺ":113830,"æ±²åıĸ":113831,"ä¸Ģè§Ī":113832,"åIJµæŀ¶":113833,"ä¿Ĺ称":113834,"æłªæ´²":113835,"åºŁæŧ":113836,"è¡ĮæĺŁ":113837,"åıijçĶŁåıĺåĮĸ":113838,"é¦ĸä»ĺ":113839,"åįģåĪĨéĩįè¦ģ":113840,"æĬĬè¿ĻäºĽ":113841,"ç¥ŀå·ŀ":113842,"æıIJä¾ĽåķĨ":113843,"楷":113844,"å±İ":113845,"çĬ¶åħĥ":113846,"åŁİå¢Ļ":113847,"çľĭä¸Ģçľĭ":113848,"çĶŁäº§èĥ½åĬĽ":113849,"åŁºæľ¬ä¸Ĭéĥ½":113850,"æīĵæī°":113851,"åĪĿ次":113852,"åĩºç¤º":113853,"åħ¶ä¸Ńä¸Ģ个":113854,"çĶŁæĢģç³»ç»Ł":113855,"æīĭæİĮ":113856,"æµİåįĹå¸Ĥ":113857,"åľĭåħ§":113858,"æŃ£åĢ¼":113859,"å¹¾ä¹İ":113860,"æݨèįIJéĺħ读":113861,"è¿Ń代":113862,"è°ĥä¾ĥ":113863,"饮åĵģ":113864,"å¢Ļä½ĵ":113865,"åıĺçİ°":113866,"äºĨ好":113867,"äºĨ好åĩł":113868,"ä¸įçķĻ":113869,"çĪ²":113870,"å°½æĹ©":113871,"æŃ£åľ¨è¿Ľè¡Į":113872,"åĩºéĻ¢":113873,"æĿĢ害":113874,"æıIJ款":113875,"åıijå±ķ空éĹ´":113876,"åīį身":113877,"ä¸įæĸŃå¢ŀ强":113878,"æ·±å±Ĥ次":113879,"容纳":113880,"éĤ£ä»½":113881,"å·¥ä½ľæķĪçİĩ":113882,"æľ¬åĽ½":113883,"失èIJ½":113884,"æŃ£åĽłä¸º":113885,"èĬĤæ°´":113886,"ä¸ĭä¸Ģ代":113887,"çłĶåıijä¸Ńå¿ĥ":113888,"ä¸įçIJĨ":113889,"å®Į好":113890,"ä¿ĿæĬ¤åĮº":113891,"ç»ĵæŀĦè°ĥæķ´":113892,"å¥łå®ļ":113893,"宣称":113894,"éĺ»æĮ¡":113895,"æĴ¤ç¦»":113896,"ä¸įæĸ¹ä¾¿":113897,"åĴķ":113898,"ç¬ijäºĨç¬ij":113899,"çݯå¢ĥ污æŁĵ":113900,"ä½ıæĪ·":113901,"ç»Ŀç¼ĺ":113902,"éĻ¤å°ĺ":113903,"é«ĺå°ļ":113904,"æĢİä¹Īåı¯èĥ½":113905,"éĿ¢èī²":113906,"åķĨæ¥Ń":113907,"çĸ¹":113908,"èµĦæºIJä¼ĺåĬ¿":113909,"è¾ĸåĮºåĨħ":113910,"èĢĢçľ¼":113911,"æij§æ¯ģ":113912,"ä¸ĸçķĮç»ıæµİ":113913,"å¼ķæĿ¥":113914,"ä¸ĢåĪĻ":113915,"æĭĩæĮĩ":113916,"æĬµå¾¡":113917,"éĽį":113918,"åĩĨå¤ĩå·¥ä½ľ":113919,"çıłä¸īè§Ĵ":113920,"ç¨ĢåľŁ":113921,"èİ·å¾ĹæĦŁ":113922,"æĪIJåĬŁçİĩ":113923,"ç½ij约":113924,"ç½ij约车":113925,"èĦIJ":113926,"æķ¬ä¸ļ":113927,"éĩijä»·":113928,"ç²¾é«ĵ":113929,"买车":113930,"åħ³åı£":113931,"åĨįå¤ļ":113932,"æŀģåĵģ":113933,"åIJĦ家":113934,"举æĬ¥çĶµè¯Ŀ":113935,"èļĬ":113936,"æĸ¹å½¢":113937,"ç§ijæĬĢæĪIJæŀľ":113938,"æľĢ好æĺ¯":113939,"éĹ®åĢĻ":113940,"红éħĴ":113941,"åĽĽç§į":113942,"ç¿Ĵæħ":113943,"ç¿Ĵæħ£":113944,"åŀ¦":113945,"éĤ£åıª":113946,"é¢ĨæĤŁ":113947,"çľ¼éĥ¨":113948,"æ³°å®ī":113949,"ä»»æľŁ":113950,"磨æįŁ":113951,"æĽ¿æį¢":113952,"åħ¸ç¤¼":113953,"符åIJĪæĿ¡ä»¶":113954,"è¿ĺæľīä»Ģä¹Ī":113955,"åħ±äº«åįķ车":113956,"åı¯åĪĨ为":113957,"åŃ£åIJİ":113958,"åŃ£åIJİèµĽ":113959,"举èİŀå¸Ĥ":113960,"å¿ĥæĦı":113961,"æīŃæĽ²":113962,"ä½ľä¸ºä¸Ģç§į":113963,"è¿Ļéĥ¨åĪĨ":113964,"åıĤä¸İåĪ°":113965,"ç½ijçIJĥ":113966,"實çı¾":113967,"ç»Ħè£ħ":113968,"åIJijå¤ĸ":113969,"å·¥ä½ľæĸ¹æ¡Ī":113970,"åįģæĿ¡":113971,"課ç¨ĭ":113972,"颤æĬĸ":113973,"åĵ©":113974,"éĤ®å¯Ħ":113975,"亢":113976,"åħįè²»":113977,"秤":113978,"åºĶæĢ¥ç®¡çIJĨ":113979,"åĽĽäºĶ":113980,"éºĴéºŁ":113981,"å¾ĴæŃ¥":113982,"è¨ĺå¾Ĺ":113983,"çĴIJ":113984,"æĺ¯åIJ¦ä¼ļ":113985,"æĦıè§ģåıįé¦Ī":113986,"éļ¾æĢª":113987,"çªį":113988,"交æİ¥":113989,"两åįĥ":113990,"æĩīçĶ¨":113991,"æľŁéĸĵ":113992,"æIJ¬åĪ°":113993,"è®®é¢ĺ":113994,"碧æ¡Ĥ":113995,"碧æ¡ĤåĽŃ":113996,"åģļçĶŁæĦı":113997,"éĻĽä¸ĭ":113998,"è·ĭ":113999,"èĢģ人家":114000,"带åĽŀ":114001,"æŀ¸æĿŀ":114002,"è¡Įéķ¿":114003,"åĨħ容ç®Ģä»ĭ":114004,"梢":114005,"æĮĩæݧ":114006,"éĩįçĹĩ":114007,"ç½ijåıĭ们":114008,"çı¾ä»£":114009,"类产åĵģ":114010,"å¥Ķæ³¢":114011,"渺":114012,"ç²īç¢İ":114013,"è¿Ļåıªæĺ¯":114014,"æ£Ģå¯Łæľºåħ³":114015,"é½Ĭ":114016,"æĪ¿ç§Ł":114017,"å¾·æĭī":114018,"å²ģ以ä¸Ĭ":114019,"纯åĩĢ":114020,"åĪĨå¸ĥåľ¨":114021,"èĥ½å¾ĹåĪ°":114022,"ä¸įå°½":114023,"ç«ŀä»·":114024,"çļĦ带é¢Ĩ":114025,"çļĦ带é¢Ĩä¸ĭ":114026,"ä¸Ńèį¯æĿIJ":114027,"æĿijéķĩ":114028,"ä¸įåı¯éģ¿åħį":114029,"éľ²å¤©":114030,"å°ıå§ijå¨ĺ":114031,"çī©ä»¶":114032,"èijĹä½ľæĿĥ":114033,"æĭĺçķĻ":114034,"éĥ½è§īå¾Ĺ":114035,"æĽ²æĬĺ":114036,"æ·»åĬłåīĤ":114037,"åı¬åĽŀ":114038,"æīİå®ŀæİ¨è¿Ľ":114039,"æĬĦè¢Ń":114040,"åĮĸ身":114041,"缴èIJ¥":114042,"ä¹Łå¸ĮæľĽ":114043,"èį£èªī称åı·":114044,"åįĸç»Ļ":114045,"æľīä¸įåIJĮçļĦ":114046,"å¥ĩçī¹":114047,"éĥ½è®¤ä¸º":114048,"å¦ŀ":114049,"æĪIJéķ¿ä¸º":114050,"辩æĬ¤":114051,"主æķĻç»ĥ":114052,"æ³ķå¸ĪèģĮä¸ļ":114053,"æ¤įåħ¥":114054,"索尼":114055,"åIJ¬è¿ĩ":114056,"ä¹łæĥ¯äºĨ":114057,"夺åıĸ":114058,"éŁĵ":114059,"æľ¬è´¨ä¸Ĭ":114060,"æİ¥åĬĽ":114061,"äºij端":114062,"è¦ģåģļ好":114063,"è·¯çģ¯":114064,"åįıåIJĮåıijå±ķ":114065,"æľīå¾ħ":114066,"æ°´åŁŁ":114067,"æIJľçĭIJé¦ĸ页":114068,"è´¨éĩıå®īåħ¨":114069,"åįģäºĮäºĶ":114070,"åĵ®åĸĺ":114071,"èĵ¬åĭĥåıijå±ķ":114072,"åIJį声":114073,"身亡":114074,"çİĭåºľ":114075,"åİŁåĪĻä¸Ĭ":114076,"çĥĺå¹²":114077,"éģĹæ¼ı":114078,"éĿ¢çĽ®":114079,"åĽ½ä¼ļ":114080,"ä¸Ģ缴éĥ½æĺ¯":114081,"æľīä¸Ģä½į":114082,"éħįæľī":114083,"éĻªçĿĢ":114084,"ä¼ģåĽ¾":114085,"æĮīä¸ĭ":114086,"èĵĿåĽ¾":114087,"æ©ĺ":114088,"大å¤ļæĺ¯":114089,"辩论":114090,"æĹĭå¾ĭ":114091,"æĬ¥éĢģ":114092,"æĿ¡è§Ħå®ļ":114093,"åĬ¨éĿĻ":114094,"åĮĪ奴":114095,"æĭľè®¿":114096,"ä¸ĢåĪĢ":114097,"ä»ĸçŁ¥éģĵ":114098,"主æĿĥ":114099,"ä»ĸæĽ¾":114100,"æĴŃç§į":114101,"å£ģåŀĴ":114102,"çī¢è®°ä½¿åij½":114103,"åľ¨è¿Ļæĸ¹éĿ¢":114104,"æīĭèħķ":114105,"æĶ¯æŀ¶":114106,"ä¾Ĩèĩª":114107,"éĩįå¡ij":114108,"å¤ļå±Ĥ次":114109,"ä»ĭè´¨":114110,"éĿ¢åŃĶ":114111,"潮湿":114112,"åİ¿åŁŁ":114113,"游æĪıå½ĵä¸Ń":114114,"å£ŀ":114115,"åĪĹåĩº":114116,"èµĽåĮº":114117,"å¤ļåįĬ":114118,"éĩįçĤ¹å·¥ä½ľ":114119,"æĪij们å¿ħé¡»":114120,"æŁıæŀĹ":114121,"é²ģèĥ½":114122,"æĸ½å±ķ":114123,"åIJĦåĮº":114124,"åħįç¨İ":114125,"èµĽåIJİ":114126,"æľĢéĩįè¦ģ":114127,"ä¸Ģ个好çļĦ":114128,"è¿Ŀæ³ķè¿Ŀè§Ħ":114129,"äºĨè§£æĽ´å¤ļ":114130,"æķ¬è¯·":114131,"ç¬ijçĿĢ说":114132,"ä¸įæĸŃåıijå±ķ":114133,"æijĦå½±å¸Ī":114134,"以éĺ²":114135,"çĤ¸å¼¹":114136,"声åĵį":114137,"ç¤ģ":114138,"æĩ¿":114139,"èĪĨæĥħ":114140,"èĩªçĶ±è´¸æĺĵ":114141,"æķıæį·":114142,"ä¸ī大éĺ¶æ®µ":114143,"èĭĶ":114144,"æĹºåŃ£":114145,"ä¸į满æĦı":114146,"微信åı·":114147,"修为":114148,"çł´è£Ĥ":114149,"éĢĥ离":114150,"æ¯ıèĤ¡":114151,"è¾¾ä¸įåĪ°":114152,"æ¯ıå¹´éĥ½":114153,"çģ¯ç¬¼":114154,"æŃ¤åŁºç¡Ģä¸Ĭ":114155,"åĥı个":114156,"åĪĨ娩":114157,"æĻ¾":114158,"ä¸įèĩ³äºİ":114159,"红线":114160,"误解":114161,"ä¸ľè·¯":114162,"æ·®å®ī":114163,"产åѦ":114164,"产åѦçłĶ":114165,"èī¾æ»ĭ":114166,"èī¾æ»ĭçĹħ":114167,"åīįæıIJæĺ¯":114168,"æ¯ıä¸Ģ天":114169,"ä¸ĥ大":114170,"æłijåı¶":114171,"èµ°å¾Ĺ":114172,"è¿Ļ两ç§į":114173,"æİıåĩº":114174,"æİIJ":114175,"é¢Ĩ导èĢħ":114176,"ä¸Ģæľµ":114177,"个å¤ļæľĪ":114178,"ä¸Ńåħ³":114179,"ä¸Ńåħ³æĿij":114180,"课åłĤæķĻåѦ":114181,"大åĴĸ":114182,"éģĭçĶ¨":114183,"è¯ļæĦı":114184,"ç»ĦåĽ¾":114185,"è¯ķçĿĢ":114186,"ä¹Ķæ²»":114187,"è¿ĺä¸įæĺ¯":114188,"æľīæĽ´å¥½çļĦ":114189,"åIJİå¤ĩ":114190,"æĸ°çĶŁåĦ¿":114191,"æ°Ķè¡Ģ":114192,"æ²¥éĿĴ":114193,"å±ıéļľ":114194,"æ¥ŃåĭĻ":114195,"æĪij以为":114196,"éķ¿çĽ¸":114197,"èĢģçĪ¸":114198,"éķĩæ±Ł":114199,"æľºæ¢°è®¾å¤ĩ":114200,"ä½Ĩæĺ¯å¦Ĥæŀľ":114201,"åĿļå®ļä¸į":114202,"åĿļå®ļä¸į移":114203,"åĨ²éĶĭ":114204,"ç®Ģ缴æĺ¯":114205,"åĤ¨èĵĦ":114206,"纯çĶµåĬ¨":114207,"漫æŃ¥":114208,"举起":114209,"æģ¶æĢ§":114210,"è¨ĺéĮĦ":114211,"èģĮèĥ½éĥ¨éŨ":114212,"åħ¨éķ¿":114213,"鼻è¦ĸ":114214,"ä¹³èħº":114215,"ä½ķå¤Ħ":114216,"æ¶Īæŀģ":114217,"æŃ£å¤Ħäºİ":114218,"å®īå®ģ":114219,"æĪIJéķ·":114220,"åıĻè¿°":114221,"æºĥçĸ¡":114222,"ä½Ĩçİ°åľ¨":114223,"女æĺŁ":114224,"å©´å¹¼åĦ¿":114225,"æĬķèŀįèµĦ":114226,"éĹ®éĹ®":114227,"æıŃå¼Ģ":114228,"è¯ı":114229,"åIJįå½ķ":114230,"èĺijèıĩ":114231,"åIJĬ顶":114232,"æ¹ĸåĮº":114233,"åįĸåľº":114234,"建ç¯":114235,"建ç¯ī":114236,"èݽ":114237,"åIJ¬åIJ¬":114238,"ç«ŀäºīä¼ĺåĬ¿":114239,"åĩºä»»":114240,"æľī两ç§į":114241,"æ©±æŁľ":114242,"褪":114243,"è¯ķåį·":114244,"ç»ıæµİæĬĢæľ¯":114245,"æ·±å±Ĥ":114246,"éĩįè¦ģåĨħ容":114247,"é£İæݧ":114248,"çĬ¶æĢģä¸ĭ":114249,"éĥ¨éĸĢ":114250,"广汽":114251,"è§Ĥæij©":114252,"éģĹçķĻ":114253,"转账":114254,"æĮģä»ĵ":114255,"æĢ»è®¡":114256,"åľĺéļĬ":114257,"æĪ¿ä¸ľ":114258,"éĺĢéŨ":114259,"åħ¬åħ³":114260,"åħ³åĪĩ":114261,"èĤĺ":114262,"æķ¸æĵļ":114263,"ä¸īåįģå¹´":114264,"è§ģè¯ģäºĨ":114265,"å±Ĩ":114266,"çģ°å°ĺ":114267,"æ¦ľé¦ĸ":114268,"è¦ĨçĽĸçİĩ":114269,"ä»Ļ女":114270,"çĶŁäº§æĢ»":114271,"çĶŁäº§æĢ»åĢ¼":114272,"æĪ¿è´·":114273,"æ±ŁåĮº":114274,"åħħçĶµæ¡©":114275,"çĻ¾åIJĪ":114276,"確èªį":114277,"转移åĪ°":114278,"éĥ½æĹłæ³ķ":114279,"纪念é¦Ĩ":114280,"çŃ¾ç½²äºĨ":114281,"并ä¸įå¤ļ":114282,"æĮł":114283,"ä¸į太好":114284,"ä¸ĸ代":114285,"误导":114286,"é«ĺ峰论åĿĽ":114287,"åħ¼å®¹":114288,"龸æ°Ķ":114289,"æĿ¥è®¿":114290,"æīĢ带æĿ¥çļĦ":114291,"æĺ¯ä¸Ģéĥ¨":114292,"æĻļé¥Ń":114293,"åİĨ代":114294,"åIJ¦åīĩ":114295,"ä¹ħä¹ħ":114296,"æľīæķĪæľŁ":114297,"诱åıij":114298,"æĢ»èµĦ产":114299,"æľ¬èº«å°±æĺ¯":114300,"çĶŁäº§åİĤ家":114301,"æŶ髦":114302,"èĢIJçĶ¨":114303,"ä»İå°ıå°±":114304,"æĿ¡çº¦":114305,"èĭ±åĭĩ":114306,"ä¿Ĺè¯Ŀ说":114307,"寺åºĻ":114308,"å¿ĥçIJĨåģ¥åº·":114309,"ä»Ģä¹Īäºĭæĥħ":114310,"æ±īåŃĹ":114311,"çķĻä½ı":114312,"åįĹè·¯":114313,"ä¸ī项":114314,"丢äºĨ":114315,"æĥ³åĪ°äºĨ":114316,"çŃ¹éĽĨ":114317,"éĻĦåĬłåĢ¼":114318,"西è£ħ":114319,"ä¹ĭä½ľ":114320,"åģļçļĦäºĭ":114321,"çķ¶æĤ¨":114322,"çķ¶æĤ¨åľ¨":114323,"é¦ĸ款":114324,"ä¸įåľ¨ä¹İ":114325,"å·¥ç¨ĭæĸ½å·¥":114326,"éļIJéļIJ":114327,"åıĺ身":114328,"沿éĢĶ":114329,"æĤłæĤł":114330,"ä¿Ŀæļĸ":114331,"çĶŁæ´»åŀĥåľ¾":114332,"渤海":114333,"æŃ¦ä¾ł":114334,"女主è§Ĵ":114335,"举ä¾ĭ":114336,"æ·¨":114337,"çĻ½é¢Ĩ":114338,"è£ĻåŃIJ":114339,"è¿Ķè¿ĺ":114340,"è¿Īåĩº":114341,"é¾ĻéŨ":114342,"ç»ıæµİä½ĵ":114343,"æĶ¶å®ĺ":114344,"çķĮéĻIJ":114345,"è·³åĩº":114346,"åįĩåĢ¼":114347,"绵éĺ³":114348,"çĸ¤çĹķ":114349,"çľĭæ¸ħ":114350,"æĭĴçµķ":114351,"è¥Ħéĺ³":114352,"课å¤ĸ":114353,"åŃIJåŃĻ":114354,"æŃĮè¯į":114355,"æĪIJåIJį":114356,"溶液":114357,"åĦĴ家":114358,"åķĨä¸ļåĮĸ":114359,"辨åĪ«":114360,"å¤ļè¾¾":114361,"ç½ijåºĹ":114362,"ä¹Ŀ大":114363,"ä¹Ŀ大精ç¥ŀ":114364,"æŃ¤ä¸¾":114365,"è¿ŀè½½":114366,"ä¸ĢåĢĭ人":114367,"èī²æ³½":114368,"涵çĽĸäºĨ":114369,"è¦ıåĬĥ":114370,"åĽ½æĥħ":114371,"åį«çĶŁåģ¥åº·":114372,"积æŀģåĵįåºĶ":114373,"æĭĻ":114374,"åĪ¶åĬ¨":114375,"æĥ³è±¡åĬĽ":114376,"çļĦä¹IJ趣":114377,"å¼łå®¶çķĮ":114378,"å´İ":114379,"éĩįåŀĭ":114380,"å¤ĸå¢Ļ":114381,"æĶ¾åѦ":114382,"è®¤çľŁåŃ¦ä¹ł":114383,"è´¬åĢ¼":114384,"æ³ķæ¡Ī":114385,"æĬ¤èĤ¤åĵģ":114386,"éĻ·åħ¥äºĨ":114387,"请æĤ¨":114388,"åŀ¢":114389,"æķĻèĤ²èµĦæºIJ":114390,"交æĺĵå¹³åı°":114391,"æŶè£ħ":114392,"ä¼łæŁĵçĹħ":114393,"æ¹ĸæ³Ĭ":114394,"èµĦ管":114395,"åݨå¸Ī":114396,"éĹľéį":114397,"éĹľéįµ":114398,"åĵĪåĵĪåĵĪ":114399,"çĽĹçªĥ":114400,"çĶľç¾İ":114401,"åºĦåĽŃ":114402,"缮åīįå·²ç»ı":114403,"è¾¹ä¸Ĭ":114404,"çģ«èĬ±":114405,"æĬ¥è®°èĢħ":114406,"æģĭæĥħ":114407,"ç´§åĩij":114408,"æ°´æµģ":114409,"è¿Ļæĺ¯æĪij们":114410,"æ³¥åľŁ":114411,"æĽ¾ä»»":114412,"æĸ¹è¨Ģ":114413,"åij¨åħŃ":114414,"åı·æ¥¼":114415,"ä¼ijåģĩ":114416,"误ä¼ļ":114417,"åĽ½åĢº":114418,"åīįå¤ķ":114419,"ä¸¤å¼ł":114420,"éĹ«":114421,"éŃĶ鬼":114422,"æĬĬæĮģ":114423,"èĬĤèĥ½çݯä¿Ŀ":114424,"æ¸ħæ´ģèĥ½æºIJ":114425,"èĤ¥æĸĻ":114426,"é«ĺé¢ij":114427,"å°±æľīäºĨ":114428,"交ä¼ļ":114429,"没éĴ±":114430,"éĽħæĢĿ":114431,"è¦ģåıĬæŶ":114432,"åŁ¹åħ»åѦçĶŁ":114433,"欣åĸľ":114434,"çĥŃæ°´åĻ¨":114435,"é¾Ļæ¹ĸ":114436,"äºĮ楼":114437,"æĸ°æµªè´¢ç»ı":114438,"æĸ°åĬ¨èĥ½":114439,"èµ£å·ŀ":114440,"æĭ³å¤´":114441,"æµģåIJij":114442,"ä¹Łæĺ¯å¾Ī":114443,"åıijåĶ®":114444,"ä¸ŃåIJ«æľī":114445,"åIJĵå¾Ĺ":114446,"å·¨æĺŁ":114447,"æĹłæīĢè°ĵ":114448,"æ¯ĽåŃĶ":114449,"åħ¬åħ±äº¤éĢļ":114450,"çĤİçĥŃ":114451,"èµ·èįī":114452,"åĬłçĽŁåķĨ":114453,"说ä¸įåĩº":114454,"大åѦæ¯ķä¸ļ":114455,"å·¥ä¸ļåĽŃ":114456,"éłĺåŁŁ":114457,"åºĨåħ¸":114458,"æµģ产":114459,"èģ²éŁ³":114460,"ä¼¼ä¹İæĺ¯":114461,"è´§æºIJ":114462,"æ·±åĪĩ":114463,"æ²»çĸĹæĸ¹æ³ķ":114464,"èµĦæºIJéħįç½®":114465,"網åıĭ":114466,"çĶ£":114467,"亥":114468,"èº²åľ¨":114469,"社ç§ij":114470,"è»Łé«Ķ":114471,"女è£ħ":114472,"æŃ¡è¿İ":114473,"综åIJĪå®ŀåĬĽ":114474,"æł¼å°ĩ":114475,"åħļåı²åŃ¦ä¹ł":114476,"æľĢåŁºæľ¬":114477,"æľĢåŁºæľ¬çļĦ":114478,"çľĭæľĽ":114479,"åıĹè´¿":114480,"ä¸įä»ħèĥ½":114481,"ä½ķå¿ħ":114482,"ä¸Ģ个å°ıæŶ":114483,"ç¾Į":114484,"æĭĽæĶ¶":114485,"çĤĴèĤ¡":114486,"æĿijå¹²éĥ¨":114487,"缸çĪ±":114488,"æ½ľèĥ½":114489,"ä¹į":114490,"æĹ¶è¾°":114491,"欣æħ°":114492,"éĵ¶è¡Įä¸ļ":114493,"çĭŃçªĦ":114494,"éĩįçĤ¹é¢ĨåŁŁ":114495,"çİ°å®ŀçĶŁæ´»":114496,"éĮ¯èª¤":114497,"æĸ°è§Ħ":114498,"滥çĶ¨":114499,"æŶä¸į":114500,"æŶä¸įæŶ":114501,"帳èĻŁ":114502,"ç¨Ģ缺":114503,"åIJij举":114504,"ä¿Ŀåģ¥åĵģ":114505,"çıŃéķ¿":114506,"äºĴåĭķ":114507,"笼罩":114508,"æ½Ľ":114509,"æļĸå¿ĥ":114510,"è½°çĤ¸":114511,"åºĨ幸":114512,"è²Įä¼¼":114513,"æĵº":114514,"èĢIJ磨":114515,"ä¸ĵä¸ļ人士":114516,"ä¸ĢèĪ¬éĥ½æĺ¯":114517,"æ¼³å·ŀ":114518,"åħ¨èĩªåĬ¨":114519,"å½ķçĶ¨":114520,"大è·Į":114521,"æľīæķĪæĢ§":114522,"èĩªåĭķ":114523,"ä¸ī个æĸ¹éĿ¢":114524,"港åĮº":114525,"信貸":114526,"éĢļè¯Ŀ":114527,"é«ĺ涨":114528,"æ³Ħæ¼ı":114529,"éħįä¸Ĭ":114530,"åħļå·¥å§Ķ":114531,"被认为":114532,"被认为æĺ¯":114533,"ä¸įä¼ļåĨį":114534,"è°ĥåīĤ":114535,"åıĤèĤ¡":114536,"èĦ±åıij":114537,"å¿łå®ŀ":114538,"åĨħåĪĨæ³Į":114539,"ç¹ģå¿Ļ":114540,"åıĮåĪĽ":114541,"é©»æĿij":114542,"åĪĴç®Ĺ":114543,"éģİä¾Ĩ":114544,"åľ£ç»ı":114545,"èıľé¸Ł":114546,"æĭ¼å¤ļå¤ļ":114547,"ä¸ŃåĽ½æ±½è½¦":114548,"çĥŁèįī":114549,"缴æµģ":114550,"äºĨä¸Ģåı£æ°Ķ":114551,"ä½İæĪIJæľ¬":114552,"æī¾åĽŀ":114553,"èĩªåįij":114554,"總æĺ¯":114555,"æĸĩåĮĸåĪĽæĦı":114556,"天河":114557,"樱æ¡ĥ":114558,"éªijåħµ":114559,"éĩĮéĿ¢æľī":114560,"çİ®":114561,"èĥ½æī¾åĪ°":114562,"éĢĥè·ij":114563,"åĪĩå°Ķ":114564,"åĪĩå°Ķ西":114565,"以ä¸ĭæĺ¯":114566,"å²³éĺ³":114567,"çļĦæ¦Ĥçİĩ":114568,"æĬµåĪ¶":114569,"å¸ĪäºĭåĬ¡":114570,"å¸ĪäºĭåĬ¡æīĢ":114571,"åĩĨæŶ":114572,"屬æĸ¼":114573,"订è´Ń":114574,"åįłæį®äºĨ":114575,"ä¸ŃéĢĶ":114576,"å°ĭ":114577,"é»ij马":114578,"åİ¿åħ¬å®īå±Ģ":114579,"ä¸ĥæľĪ":114580,"èī²ç´ł":114581,"å¿ĥèĦıçĹħ":114582,"æŶéĻIJ":114583,"æ¯įåħ¬åı¸":114584,"å¹ķåIJİ":114585,"ä¸Ĭæ¦ľ":114586,"åĢ¾åIJijäºİ":114587,"纸ä¸Ĭ":114588,"æ¡ĵ":114589,"éĽĨä½ĵç»ıæµİ":114590,"æĥħå¢ĥ":114591,"è¦ģåģļåĪ°":114592,"ç©į極":114593,"åıªæĢķ":114594,"æ¹ĺ西":114595,"çļ±çº¹":114596,"åħ¨åľĭ":114597,"çĦ¡è«ĸ":114598,"好æĦŁ":114599,"åįķä»·":114600,"è¿Ľç¨ĭä¸Ń":114601,"æĺĨä»ij":114602,"åĪĽå®¢":114603,"åħħæĸ¥":114604,"åħĪæĬĬ":114605,"该æĢİä¹ĪåĬŀ":114606,"åĵģå¾·":114607,"åħ¨éĿ¢åıijå±ķ":114608,"è¨ĪåĬĥ":114609,"æĢ»å·¥ä¼ļ":114610,"ä½Ľå±±å¸Ĥ":114611,"æĬĹè¡¡":114612,"å¼Ģåľº":114613,"éĴ±å¸ģ":114614,"åıĭ们":114615,"å«īå¦Ĵ":114616,"ç´¢èµĶ":114617,"è®ĬåĮĸ":114618,"æĮ¤åİĭ":114619,"æĮijè¡ħ":114620,"çŃīä¸Ģæī¹":114621,"æĿ¨æ¬¢":114622,"ä¸ĵ家åѦèĢħ":114623,"èĥ½è¾¾åĪ°":114624,"èµ°è¿ij":114625,"è´«åĽ°åľ°åĮº":114626,"éĻIJæľŁ":114627,"ä¸į平衡":114628,"åĽ½åĨħå¸Ĥåľº":114629,"èµĽåľº":114630,"éħįèµĦ":114631,"è¦ģèĢĥèĻij":114632,"ä¸ĩåı°":114633,"æľĪæľ«":114634,"éĶ¥":114635,"åŃ«":114636,"æݥ触åĪ°":114637,"åĩºäº§":114638,"æķĻåѸ":114639,"ä½ľå¼Ĭ":114640,"çļĦæľĢåIJİä¸Ģ":114641,"ä¿ĥæĪIJ":114642,"åIJ¸åıĸ":114643,"æ½ľèīĩ":114644,"被éªĹ":114645,"è¾ĵäºĨ":114646,"çĭIJçĭ¸":114647,"åįĩéĻį":114648,"è¿ĻäºĽä¸ľè¥¿":114649,"æĬķèµĦåŁºéĩij":114650,"çĶŁçī©åѦ":114651,"ç½ij绾èIJ¥éĶĢ":114652,"åIJijè®°èĢħ":114653,"èįīåľ°":114654,"æĢ¯":114655,"æľįåĬ¡èĥ½åĬĽ":114656,"éĥģéĹ·":114657,"åįķåĵģ":114658,"å¾Ĺ罪":114659,"æĺĵäºİ":114660,"个å¤ļå°ıæŶ":114661,"éĩįä»»":114662,"ä¸Ĭå®ĺ":114663,"æľ¬éĩij":114664,"çı¾åł´":114665,"溢价":114666,"æĺŁè¾°":114667,"æ´»åĬ¨çİ°åľº":114668,"丹麦":114669,"å¸Ŀçİĭ":114670,"æŁ¥æĺİ":114671,"åŃĺåľ¨äºİ":114672,"é¦Ļæ°´":114673,"æĬ½æ£Ģ":114674,"å®ŀéĻħä¸Ĭæĺ¯":114675,"æĸ°å¾ģç¨ĭ":114676,"è´¢åĬ¡ç®¡çIJĨ":114677,"æİĽ":114678,"åĨľåİĨ":114679,"éĥ½èĥ½å¤Ł":114680,"éĤ¯éĥ¸":114681,"çľŁå¯¦":114682,"ç»Ĭ":114683,"åĨµä¸Ķ":114684,"置身":114685,"ç¥Ī祷":114686,"çĿģå¼Ģ":114687,"æĮĩçĤ¹":114688,"å¼Ģæľº":114689,"西å®ģ":114690,"åĮĹ约":114691,"积水":114692,"åĩºåĬ¨":114693,"åıijå±ķ模å¼ı":114694,"转æĬĺ":114695,"èĢĥçĤ¹":114696,"æľīç½ijåıĭ":114697,"è´«åĽ°æĿij":114698,"æĪijä»¬çŁ¥éģĵ":114699,"åĪĨéĶĢ":114700,"å±±èĦī":114701,"æ¯ĶæĭŁ":114702,"ä¼°ç®Ĺ":114703,"æĶ¹å»º":114704,"壮è§Ĥ":114705,"ç§īæĮģ":114706,"æıª":114707,"ç¦Ģ":114708,"åĮĸåѦåĵģ":114709,"ä¸ŃåĽ½åĪ¶éĢł":114710,"ä¸Ģæŀ¶":114711,"æīįè¡Į":114712,"æĭĽå¾ħ":114713,"åıĺæį¢":114714,"åīį线":114715,"幸好":114716,"è¿Ļæł·çļĦè¯Ŀ":114717,"å¿ĥè¡Ģ管":114718,"æĢ§çĸ¾çĹħ":114719,"åħ¨èĥ½":114720,"åĪij侦":114721,"ä¿¡æģ¯åıijå¸ĥ":114722,"æĺ¾çĦ¶æĺ¯":114723,"éĿĴéĵľ":114724,"åIJĥä»Ģä¹Ī":114725,"çĶµä»·":114726,"æ³ķå¾ĭè§Ħå®ļ":114727,"çħ²":114728,"çĵ·åĻ¨":114729,"èĤīç±»":114730,"æıĴåħ¥":114731,"åĹľ":114732,"è¿Łè¿Ł":114733,"ä¸ĢçĤ¹éĥ½ä¸į":114734,"è¿ĺåĮħæĭ¬":114735,"èĪįä¸įå¾Ĺ":114736,"æłĩå¿ĹæĢ§":114737,"æľĪ以æĿ¥":114738,"ç³ĸæŀľ":114739,"éĥ½åºĶ该":114740,"çݯå¢ĥåį«çĶŁ":114741,"èĪªè¡Į":114742,"éĥijéĩį":114743,"ç½ijæĬķ":114744,"åįģä½³":114745,"ç§ģä¸ĭ":114746,"æļ´è·Į":114747,"åĬłå¿«åıijå±ķ":114748,"产åĵģçłĶåıij":114749,"åĪĽéĢłåĩº":114750,"æĢ»è§īå¾Ĺ":114751,"åºķçĽĺ":114752,"èķĬ":114753,"åĩºå¸Ńä¼ļè®®":114754,"主æĿ¿":114755,"æĹ¥æĻļéĹ´":114756,"å®ĺæĸ¹å¾®åįļ":114757,"å¼ķçĶ¨æĹ¥æľŁ":114758,"åī¯æķĻæİĪ":114759,"çĶµåŃIJ产åĵģ":114760,"è¡°éĢĢ":114761,"çķĻåŃĺ":114762,"çģ«åĬĽ":114763,"çĴ§":114764,"çļĤ":114765,"åħ¼åħ·":114766,"éĩįè¿Ķ":114767,"é¢Ĩçķ¥":114768,"åĪĩéĻ¤":114769,"åĨįçĶŁèĥ½æºIJ":114770,"å®ŀåľ¨å¤ª":114771,"çIJĨ论ä¸Ĭ":114772,"ä¸īå±Ĥ":114773,"ä¸ĸçķĮåIJĦåĽ½":114774,"å®ľæĺĮ":114775,"èĢ³è¾¹":114776,"宽æķŀ":114777,"æ±īæĹı":114778,"çĻ½çĻ½":114779,"è¿ĻéĩĮéĿ¢":114780,"çĶŁæ´»ä¹łæĥ¯":114781,"èµŀèµı":114782,"çĶ·å£«":114783,"ä¸Ńä¿Ħ":114784,"车祸":114785,"åīĤéĩı":114786,"éĻ¤åİ»":114787,"左边":114788,"çŃijçī¢":114789,"çīĽå¸Ĥ":114790,"家åĬ¡":114791,"åķĥ":114792,"ç½®æį¢":114793,"ç´«å¤ĸ":114794,"ç´«å¤ĸ线":114795,"å¾Ģåīį":114796,"åĬĽåѦ":114797,"ç´§è·Ł":114798,"缮çļĦåľ¨äºİ":114799,"ç»®":114800,"ç¥Ĥ":114801,"宣è¨Ģ":114802,"äºĮæ°§åĮĸ":114803,"äºĮæ°§åĮĸ碳":114804,"æĹłç¼ĺ":114805,"ç²¾éĢļ":114806,"診":114807,"å¼ķåıijäºĨ":114808,"æľĢåħĪ":114809,"派驻":114810,"ä¸įå¿į":114811,"æĪijçĪ¸":114812,"å¹´ä¸ĭåįĬå¹´":114813,"æ·ĭå·´":114814,"没éĹ®é¢ĺ":114815,"åºĹåĨħ":114816,"è·ŁæĪij说":114817,"çĶŁäº§çĶŁæ´»":114818,"è§ĤæľĽ":114819,"æ¸į":114820,"被æī§è¡Į":114821,"被æī§è¡Į人":114822,"èĪľ":114823,"æݺ":114824,"ä¸Ģç§Ĵ":114825,"èįīåĿª":114826,"åij¼åĴĮ":114827,"åij¼åĴĮ浩":114828,"åij¼åĴĮ浩çī¹":114829,"人æ°ijéĵ¶è¡Į":114830,"çĦķåıij":114831,"è¯ģåĪ¸äº¤æĺĵ":114832,"çķĶ":114833,"æľºèĥ½":114834,"妾":114835,"æĻļå¹´":114836,"å·¥åķĨèģĶ":114837,"åİŁåŀĭ":114838,"è§Ĵ度çľĭ":114839,"æĬ¥ç¤¾":114840,"è¯įæĿ¡":114841,"躲éģ¿":114842,"éĩįåIJ¯":114843,"å¤ķéĺ³":114844,"èĤ¡æĿĥ转让":114845,"åľ¨ä¸Ģ":114846,"åľ¨ä¸ĢæĹģ":114847,"社ä¼ļåĮĸ":114848,"åıijå±ķåİĨç¨ĭ":114849,"æĭĸæ¬ł":114850,"使èĢħ":114851,"ä¸İåIJ¦":114852,"æĸ°å±ĢéĿ¢":114853,"ä»Ĭ天æĪij们":114854,"é½IJèģļ":114855,"对æĪij说":114856,"éĢĴ交":114857,"æľªæĽ¾":114858,"èİĬ":114859,"éĸī":114860,"亲æīĭ":114861,"è§ĴéĢIJ":114862,"æľīé»ŀ":114863,"ç¨İçİĩ":114864,"ä½İ声":114865,"é»ĺå¥ij":114866,"æĻ®æ³ķ":114867,"大ä¸ĵ":114868,"第äºĮ大":114869,"ä½ıåĿĢ":114870,"æĶ¾è¿Ľ":114871,"äºĮæĪĺ":114872,"亲身":114873,"åĽºåĮĸ":114874,"ä¸ĭ乡":114875,"åħ³éĶ®æĬĢæľ¯":114876,"åĽŀæĥ³":114877,"æĬ¥åĪĬ":114878,"æ¶ĤæĬ¹":114879,"èĹıçĿĢ":114880,"ç¥ĿæĦ¿":114881,"åįĩ温":114882,"çĶļèĩ³è¿ŀ":114883,"åħ¬åħĥåīį":114884,"ç¾İæĸ¹":114885,"è¯ļå®ŀ":114886,"æĹłåģ¿":114887,"åīµæ¥Ń":114888,"å°ıå¿ĥ翼":114889,"å°ıå¿ĥ翼翼":114890,"两æīĭ":114891,"温馨æıIJ示":114892,"ä»¿çľŁ":114893,"æĥ¶":114894,"èĥ¡åŃIJ":114895,"å·¥ä½ľç«Ļ":114896,"硬çĽĺ":114897,"ç«¿":114898,"åĤ³éĢģ":114899,"åħ¨æł¡":114900,"é²ľæ´»":114901,"çĴĢçĴ¨":114902,"ç»ĵå°¾":114903,"æį¢æĿ¥":114904,"æĪĢ":114905,"ä½İä½į":114906,"ä¸ĩåħĥ以ä¸Ĭ":114907,"åĬłåĪĨ":114908,"æݨä»ĭä¼ļ":114909,"çIJĨèµĶ":114910,"å¾·å°Ķ":114911,"æĬĹè®®":114912,"æ´¼":114913,"åĸ§":114914,"åŁİéĻħ":114915,"å¾Īæ£Ĵ":114916,"人æŃ»äº¡":114917,"ä¼ļå±ķä¸Ńå¿ĥ":114918,"äºĴèģĶäºĴéĢļ":114919,"èĸĦèĨľ":114920,"éĩįé»ŀ":114921,"ç¦ģæ¯Ĵ":114922,"åĨ·ç¬ij":114923,"大家åı¯ä»¥":114924,"é¦ĸ缸":114925,"è¿ijè·Ŀ离":114926,"æµ®çİ°":114927,"ç§ĺè¯Ģ":114928,"èµ·é£ŀ":114929,"æIJ¶":114930,"羣åģĩ":114931,"æģķ":114932,"å°ıåºĹ":114933,"æ°ijçľ¾":114934,"åıijå¸ĥåħ¬åijĬ":114935,"侧éĩį":114936,"å¾ĺå¾Ĭ":114937,"æĢĶ":114938,"æªIJ":114939,"æķ°çĽ®":114940,"åī¯ç§ĺ书éķ¿":114941,"两åı¥":114942,"éļIJçŀĴ":114943,"åıĮåıĮ":114944,"æīĭæĦŁ":114945,"èij¡äº¬":114946,"éģĹå¿ĺ":114947,"鬥":114948,"è¿Ļä¸ªåľ°æĸ¹":114949,"说çļĦè¯Ŀ":114950,"å·¡åĽŀ":114951,"è¿Ŀç«ł":114952,"æī¾å·¥ä½ľ":114953,"æĶ¯çIJĥéĺŁ":114954,"裡éĿ¢":114955,"æĺ¾ç¤ºåĩº":114956,"èĩ³å°Ĭ":114957,"两级":114958,"åīį段æŶéĹ´":114959,"çĺ¦èº«":114960,"èĤ¢ä½ĵ":114961,"æ¯į親":114962,"æīĭç»Ńè´¹":114963,"汽车è¡Įä¸ļ":114964,"æİ©çĽĸ":114965,"æݧèĤ¡éĽĨåĽ¢":114966,"åı£å¾Ħ":114967,"æĶ¿çŃĸæݪæĸ½":114968,"海绵":114969,"åħ¨éķĩ":114970,"äºĭåħ³":114971,"å¸Ńæī§è¡Į":114972,"å¸Ńæī§è¡Įå®ĺ":114973,"éĤ£æ¬¡":114974,"åı¯èĥ½åĩºçİ°":114975,"ä¸Ńå¿ĥåŁİå¸Ĥ":114976,"翻身":114977,"ä¹Łç®Ĺ":114978,"ä¾µçķ¥":114979,"åĸĩåıŃ":114980,"æ¯ı次éĥ½":114981,"è§ħ":114982,"éĻ¢éĻ¢éķ¿":114983,"å§ĭäºİ":114984,"èѦåĬ¡":114985,"èį¯æĿIJ":114986,"å±łæĿĢ":114987,"æľ¬èº«å°±":114988,"éļıæŶéļı":114989,"éļıæŶéļıåľ°":114990,"åĶ®åįĸ":114991,"æĹłäººé©¾é©¶":114992,"é¢ħ":114993,"åĵģ質":114994,"åĺ²ç¬ij":114995,"è·ijåİ»":114996,"åħĭéĩĮæĸ¯":114997,"çķ¸å½¢":114998,"修饰":114999,"磩éĺµ":115000,"éŁ³ä¹IJä¼ļ":115001,"æŁ³å·ŀ":115002,"齡":115003,"ä¼ļè°Ī":115004,"æŃ£çīĪ":115005,"ä¹ŁåIJĮæł·":115006,"æļ§æĺ§":115007,"è¡ĮæĶ¿éĥ¨éŨ":115008,"ä¹ĸä¹ĸ":115009,"èĤ¤èī²":115010,"æŶ任":115011,"羣åĪĩ":115012,"æľĪä¸ĭ":115013,"æľĪä¸ĭæŬ":115014,"举æĸ¹è´¢å¯Į":115015,"è£ħä¿®åħ¬åı¸":115016,"éĢĢè¿ĺ":115017,"åĭĺå¯Ł":115018,"åĵ¥ä¼¦":115019,"åĵ¥ä¼¦æ¯Ķäºļ":115020,"çĭ¬ä¸Ģ":115021,"çĭ¬ä¸ĢæĹł":115022,"çĭ¬ä¸ĢæĹłäºĮ":115023,"è°ĥåij³":115024,"åİĭè¿«":115025,"åħ¨çIJĥæľĢ大":115026,"åī¯æł¡éķ¿":115027,"æĽ´ä½İ":115028,"åĪĨéĴŁåIJİ":115029,"åĽŀä¾Ĩ":115030,"åĪ¶åīĤ":115031,"åijĬè¯ī大家":115032,"çĤ¹éĴŁ":115033,"åįģä¸īå±Ĭ":115034,"åij¨åĽĽ":115035,"è¿Ļæł·ä¸Ģ":115036,"è¿Ļæł·ä¸ĢæĿ¥":115037,"èĭŁ":115038,"æľĽåİ»":115039,"æĪIJè¯Ń":115040,"å½ĵåį³":115041,"ç¬ij声":115042,"ä¹ĭåĬ¿":115043,"åĪijäºĭæ¡Ī件":115044,"æĮĤçĿĢ":115045,"ä½ķç§į":115046,"å°ı游æĪı":115047,"åĽ½å®¶æĪĺçķ¥":115048,"åĨ·åĨ·":115049,"å®ľå®¾":115050,"æIJºç¨ĭ":115051,"è¶ĭäºİ":115052,"åıįçľģ":115053,"常说":115054,"ä¸ĩæĪ·":115055,"åĥµå°¸":115056,"åįĥä¸ĩåĪ«":115057,"åıijçİ°éĹ®é¢ĺ":115058,"åı¯çŁ¥":115059,"éŨæĪ·ç½ijç«Ļ":115060,"åģ¥åº·äº§ä¸ļ":115061,"åı³è¾¹":115062,"æµ·è¿IJ":115063,"è¿ijä¹İ":115064,"åĮ»æ²»":115065,"æĢ»ç®Ĺ":115066,"ä¸ĢåĪĨéĴŁ":115067,"æĭ§":115068,"ä¹Łæľīä¸ĢäºĽ":115069,"ä¾ĽçĶµåħ¬åı¸":115070,"å»īä»·":115071,"帮ä»ĸ":115072,"æŃ¤æ¬¡æ´»åĬ¨":115073,"åıªèĥ½è¯´":115074,"èĬĭ":115075,"çīĩ段":115076,"åŃĺåľ¨éĹ®é¢ĺ":115077,"ä½łä¼ļåıijçİ°":115078,"è½®å»ĵ":115079,"ç½ijéĢļ":115080,"æ»¨æ±Ł":115081,"æİĪä¿¡":115082,"é»İæĺİ":115083,"ä¸įå±ŀäºİ":115084,"约åįł":115085,"éķ¿æ²Ļå¸Ĥ":115086,"èĥļèĥİ":115087,"åħĥ件":115088,"éĻĨåĨĽ":115089,"購買":115090,"æĮĩæľĽ":115091,"å®ŀä¹łçĶŁ":115092,"çī¹çĤ¹æĺ¯":115093,"çıłæ±Ł":115094,"çľĭä¸įåĩº":115095,"ä¸įè§ģäºĨ":115096,"ç¼ī":115097,"éĺµèIJ¥":115098,"åĶIJæľĿ":115099,"没å¿ħè¦ģ":115100,"åĽ½åľŁèµĦæºIJ":115101,"ç»ıæµİåŃ¦å®¶":115102,"åIJĪèĤ¥å¸Ĥ":115103,"çIJ¢ç£¨":115104,"ç¡®åĪĩ":115105,"åŁİå¸Ĥåıijå±ķ":115106,"çŃ·åŃIJ":115107,"人æ°ijæľįåĬ¡":115108,"满åĪĨ":115109,"è¿·ä¿¡":115110,"ä½ľèĢħæľ¬äºº":115111,"æĸĩç«łæĿ¥æºIJ":115112,"ç«Ļç«ĭ":115113,"æŀĦæĪIJäºĨ":115114,"è¾Ľåĭ¤":115115,"è¶ħ强":115116,"éĶļ":115117,"åīįä¸īåŃ£åº¦":115118,"å°±è§īå¾Ĺ":115119,"å´ĩé«ĺ":115120,"è¶Ĭä¾Ĩ":115121,"è¶Ĭä¾Ĩè¶Ĭ":115122,"å¸ĤåľºèIJ¥éĶĢ":115123,"综åIJĪç´łè´¨":115124,"åŃļ":115125,"侮辱":115126,"äºĮåŃĹ":115127,"å·¥ä½ľä»»åĬ¡":115128,"åı²ä¸ĬæľĢ":115129,"æľĢä¼ĺ":115130,"åIJ©åĴIJ":115131,"表çĻ½":115132,"èİ«åIJį":115133,"èİ«åIJįåħ¶":115134,"èİ«åIJįåħ¶å¦Ļ":115135,"å¹£":115136,"åIJĮå¿Ĺ们":115137,"建设çĶ¨åľ°":115138,"åĦĢ":115139,"éħįåģ¶":115140,"弩":115141,"åĶ±çīĩ":115142,"æīĭèĦļ":115143,"åħ¼ä»»":115144,"åģľæĶ¾":115145,"æŃ£å®Ĺ":115146,"æĸ°åĨľæĿij":115147,"åĤ¬çĶŁ":115148,"æīĢåŃ¦æł¡":115149,"å¿µä½Ľ":115150,"åĶ¤éĨĴ":115151,"åħ±åĪĽ":115152,"æĭīä¸ģ":115153,"èĥĮçĿĢ":115154,"çĶŁæĢģä¿ĿæĬ¤":115155,"åı£å¤´":115156,"æĸ¹åIJijçĽĺ":115157,"調æķ´":115158,"æĭĽèģĺä¿¡æģ¯":115159,"åħ¶ä»ĸåĽ½å®¶":115160,"ç®Ģæĺĵ":115161,"åĮ¿åIJį":115162,"è¯Ħæµĭ":115163,"æĺ¯ä¸Ģ座":115164,"çīµæīĭ":115165,"足迹":115166,"çIJĨ解åĴĮ":115167,"æľĢåıĹ":115168,"å¿ĥè·³":115169,"çĪ¶è¦ª":115170,"éĿŀ常åĸľæ¬¢":115171,"èĭ¦éļ¾":115172,"æĬĢå¸Ī":115173,"æ°ijæĦı":115174,"æĪĺåĽ½":115175,"æĽ¿è¡¥":115176,"津贴":115177,"ä¸ŃåĽ½ä¼łç»Ł":115178,"åIJĦè¡Į":115179,"åIJĦè¡ĮåIJĦ":115180,"åIJĦè¡ĮåIJĦä¸ļ":115181,"第äºĶå±Ĭ":115182,"èį·èĬ±":115183,"æĦıèŃĺ":115184,"票价":115185,"åĪĨæµģ":115186,"æĿİçĻ½":115187,"æ±ŁåĮĹ":115188,"æİĴæĸ¥":115189,"ä½ĵéĩı":115190,"åĮħåIJ«äºĨ":115191,"åĪĺæŁIJ":115192,"çİ°å¦Ĥä»Ĭ":115193,"å·¥èīºåĵģ":115194,"è¿Ļç§įæĸ¹æ³ķ":115195,"åĬŀåħ¬æ¥¼":115196,"çĶµå·¥":115197,"çħĻ":115198,"åį¡çīĩ":115199,"å¹´å¹´åºķ":115200,"ä¸ĵ项èµĦéĩij":115201,"åĮ»ç§ij":115202,"åĮ»ç§ij大åѦ":115203,"åĽŀ头çľĭ":115204,"ä¸įå±ij":115205,"èĩªé©¾":115206,"没æĶ¶":115207,"æīĵçĮİ":115208,"èĦ¸éĥ¨":115209,"åıĥèĢĥ":115210,"å°Ĩ士":115211,"è´«åĽ°äººåı£":115212,"çIJĨæĥ³ä¿¡å¿µ":115213,"é£İå°ļ":115214,"人æīįéĺŁä¼į":115215,"çij¾":115216,"æĿ¥è¿ĻéĩĮ":115217,"æ´Ĺ涤":115218,"å¹´èĸª":115219,"èĭįçĻ½":115220,"ä¸ĩäºĭ":115221,"è¯¾æľ¬":115222,"åºĵéĩĮ":115223,"çī¹æ´¾":115224,"çī¹æ´¾åijĺ":115225,"èµŀç¾İ":115226,"ç©¿æĪ´":115227,"è£½ä½ľ":115228,"èµŀæĪIJ":115229,"ä¸Ģ侧":115230,"å½ĵåľ°äºº":115231,"æĭİ":115232,"纸质":115233,"ä½Ļ个":115234,"éĶĤçĶµæ±ł":115235,"æľºåŀĭ":115236,"éĻ¢éĻ¢å£«":115237,"åģļå·¥":115238,"å¼łè´´":115239,"ç¥Ľæĸij":115240,"æ®ĸæ°ij":115241,"å¥ij约":115242,"æ¹ĺæ½Ń":115243,"æIJĸ":115244,"åŃĺè´§":115245,"交éĢļ大åѦ":115246,"è¶ģçĿĢ":115247,"æĸĩçī©ä¿ĿæĬ¤":115248,"å¤ĩæĪĺ":115249,"éĩĩ纳":115250,"åįĬæľĪ":115251,"æľĢåħ³éĶ®":115252,"æľĢåħ³éĶ®çļĦ":115253,"æİ¥éĢģ":115254,"æĶ¶åī²":115255,"åıįåĢĴ":115256,"çĥĽ":115257,"æ½Ķ":115258,"ä¼Łå¤§å¤įåħ´":115259,"çļĦè¯Ŀè¯Ń":115260,"容å¿į":115261,"å®ļéĩı":115262,"æķĹ":115263,"åĵģçīĮ形象":115264,"æīŃ转":115265,"åĽ½å®¶éĩįçĤ¹":115266,"èĨĿçĽĸ":115267,"ä¸Ģ楼":115268,"大éĻ¸":115269,"éĤªæģ¶":115270,"åĽŀåij³":115271,"çĮ¿":115272,"çĿ¡åīį":115273,"æĹłè¾ľ":115274,"çĹħæ¯ĴæĦŁæŁĵ":115275,"æľºæ¢°åĮĸ":115276,"çĤ¹äº®":115277,"溶解":115278,"åĩłä¹İæīĢæľī":115279,"è·ijéģĵ":115280,"çĶµè§Ĩæľº":115281,"åı¨":115282,"æijĩäºĨ":115283,"æijĩäºĨæijĩ头":115284,"èĩªè´Ł":115285,"综åIJĪåĪ©çĶ¨":115286,"èĩªå¦Ĥ":115287,"åİŁä¾Ĩ":115288,"ä¹Łä¸įæĥ³":115289,"èĬĤ课":115290,"è¿ĩåī©":115291,"çĶ²çĬ¶":115292,"çĶ²çĬ¶èħº":115293,"æĸ°ä¸ĸ纪":115294,"èĩªä¸»åĵģçīĮ":115295,"é«ĺå±Ĥ次":115296,"ä¸Ģè§Ĵ":115297,"è¡Įäºĭ":115298,"ç¥ĸåħĪ":115299,"å©ļåIJİ":115300,"éĹ´éļĻ":115301,"ç¼ĿéļĻ":115302,"è¿ĻæĶ¯":115303,"ä¸įæĸŃåĪĽæĸ°":115304,"å¾®åŀĭ":115305,"æĽĻåħī":115306,"享çĶ¨":115307,"ä¸ŃåĽ½ç§»åĬ¨":115308,"éĹŃçݯ":115309,"æī§æĦı":115310,"åıijå±ķæł¼å±Ģ":115311,"æł¸å¿ĥåĮº":115312,"éªļæī°":115313,"åħļåĴĮåĽ½å®¶":115314,"ä¸ŃåĽ½æĶ¿åºľ":115315,"帶èijĹ":115316,"ä¸ĩåįĥçĵ¦":115317,"åħ©äºº":115318,"äºİæĺ¯æĪij":115319,"åĽºä½ĵ":115320,"çªģå¦Ĥ":115321,"çªģå¦Ĥåħ¶":115322,"çªģå¦Ĥåħ¶æĿ¥":115323,"éĩĮç¨ĭç¢ij":115324,"çĪ±ç¾İ":115325,"æŁ¥éªĮ":115326,"åıĮèµ¢":115327,"éĹªåħī":115328,"楼å®ĩ":115329,"æĻı":115330,"æľīè¶³å¤ŁçļĦ":115331,"æŁĶæĢ§":115332,"ä¿¡æģ¯å®īåħ¨":115333,"管线":115334,"并ä¸įä¼ļ":115335,"åĻ¨ä»¶":115336,"ä½łåºĶ该":115337,"çĿĢå®ŀ":115338,"æĺİæ¸ħ":115339,"æĬĹçĶŁç´ł":115340,"æīĵæŃ»":115341,"å®Įåħ¨ä¸įåIJĮ":115342,"èĬ±æ¤Ĵ":115343,"æĶ¾å®½":115344,"ä½İ端":115345,"åĽĽèĤ¢":115346,"åĮĹäº¬èµĽè½¦":115347,"éĽĨå¸Ĥ":115348,"æľªå©ļ":115349,"大å¹ħæıIJåįĩ":115350,"建çŃij设计":115351,"çĭ¬æľīçļĦ":115352,"æİ¢éĻ©":115353,"æ²³æµģåŁŁ":115354,"æħķ容":115355,"被çĽĹ":115356,"åĵºä¹³":115357,"èıģ":115358,"æĥ¬æĦı":115359,"è¶ĬæĿ¥è¶Ĭ好":115360,"广大群ä¼Ĺ":115361,"å¾·èĤ²":115362,"å¸Ĥåľºä»·æł¼":115363,"奥巴":115364,"奥巴马":115365,"èĬĤ缮ä¸Ń":115366,"两款":115367,"ä¸ĩä½Ļåħĥ":115368,"ç»´å°Ķ":115369,"çĶŁçī©ç§ijæĬĢ":115370,"åIJ¬èµ·æĿ¥":115371,"çłļ":115372,"æĭŁå®ļ":115373,"æ²¹çĶ°":115374,"声èªī":115375,"建çŃijä¸ļ":115376,"éĻIJè´Ń":115377,"çīĩåŃIJ":115378,"çķľç¦½":115379,"ç½ijé¦ĸ页":115380,"ä¼ĹçŃ¹":115381,"æĴŀåĩ»":115382,"åīįä¸įä¹ħ":115383,"åīįä¸ĸ":115384,"åĽĽä¸ªæĦıè¯Ĩ":115385,"æµĭç»ĺ":115386,"éĺ²ç©º":115387,"漫éķ¿çļĦ":115388,"æ²IJæµ´":115389,"æ¯Ķè¾ĥç®Ģåįķ":115390,"æµĭå®ļ":115391,"åĽŀè°ĥ":115392,"让人们":115393,"èĴĭä»ĭ":115394,"èĴĭä»ĭçŁ³":115395,"ç»ĵæĻ¶":115396,"å¢ŀæ·»äºĨ":115397,"æĿ¡è¯Ħ论":115398,"åī¯ä¼ļéķ¿":115399,"ä½ıæīĢ":115400,"ç»ĻåĩºäºĨ":115401,"è°ĥéħį":115402,"æ²ĸ":115403,"æľīçĶ¨":115404,"æľīçĶ¨çļĦ":115405,"ä¸ĢæĿ¡é¾Ļ":115406,"éĩİå¤ĸ":115407,"ç¼ĺåĪĨ":115408,"æ°¸è¿ľä¸įä¼ļ":115409,"æŀľæłij":115410,"大åıijå¿«ä¸ī":115411,"麻éĨī":115412,"äºijéĽĨ":115413,"åİ»åĵªéĩĮ":115414,"åħ¥å¸Ĥ":115415,"ä»»æĢ§":115416,"建档":115417,"建档ç«ĭ":115418,"建档ç«ĭåį¡":115419,"ä¸Ģ棵":115420,"社åįĢ":115421,"çĽ¸ä¼´":115422,"åļ·":115423,"å¡«åħħ":115424,"ä¸ĢæĹı":115425,"ç¾ģ":115426,"åıĸè¯ģ":115427,"èĪ°éĺŁ":115428,"åİĤåĮº":115429,"è¡·å¿ĥ":115430,"åıijå±ķéĺ¶æ®µ":115431,"é«ĺ强度":115432,"åĹĵåŃIJ":115433,"é¢Ĩè¡Ķ":115434,"楼主":115435,"大èĴľ":115436,"æŀķ头":115437,"粮油":115438,"é»Ħçĵľ":115439,"æĵĴ":115440,"å°ıçĭĹ":115441,"æĶ¹éĿ©å§Ķ":115442,"åįģåĪĨéĴŁ":115443,"é²ľèī³":115444,"åħ³ç¾½":115445,"çĭĢæħĭ":115446,"å®ŀçĶ¨æĢ§":115447,"å°ijè§ģ":115448,"é£ŀæī¬":115449,"çĶ°éĩİ":115450,"æIJĤ":115451,"è¿Ļ个è¯į":115452,"åºĶæĢ¥é¢Ħæ¡Ī":115453,"è§Ĵ度æĿ¥çľĭ":115454,"æķ¬çķı":115455,"æ³ķå®Ŀ":115456,"åĸĦæĦı":115457,"æīĵæĸŃ":115458,"对åĨ³":115459,"çµķå°į":115460,"åĢŁæѤ":115461,"å¼ĢæºIJ":115462,"å°ı說":115463,"祺":115464,"å²ģ以ä¸ĭ":115465,"éĢĢå½¹åĨĽäºº":115466,"ä¸įä¹ħåīį":115467,"åĩºåİĤ":115468,"讽åĪº":115469,"æĿ¥çľĭçľĭåIJ§":115470,"éŃĶåħ½":115471,"çķĻä¸ĭæĿ¥":115472,"å±ħ室":115473,"åłħæĮģ":115474,"çľĭäºĨä¸Ģ":115475,"çľĭäºĨä¸Ģçľ¼":115476,"éĽĨåĽ¢æĹĹä¸ĭ":115477,"æĪĺæĪĺç»ĦåIJĪ":115478,"è®¤çľŁèIJ½å®ŀ":115479,"汽车产ä¸ļ":115480,"çī©çIJĨåѦ":115481,"æķµ":115482,"éĴĿ":115483,"åĽ¢éķ¿":115484,"ä¸įæĸŃæī©å¤§":115485,"èĤ©è´Ł":115486,"åıijå±ķ缮æłĩ":115487,"è³ĩéĩij":115488,"åīįç½®":115489,"ä¸ŃåĽ½åı¤ä»£":115490,"æŃ»åĪij":115491,"åħħåĪĨä½ĵçİ°":115492,"åħ³éŨ":115493,"ç¾İæĦŁ":115494,"æīĵåħ¥":115495,"æĬijéĥģçĹĩ":115496,"å°ijçĪ·":115497,"æłijæŀĿ":115498,"æ¶Īæģ¯ç§°":115499,"æ´Ľåħĭ":115500,"åį¯":115501,"è¿ĪåIJij":115502,"æݨåĭķ":115503,"ä»İä¸ļèĢħ":115504,"åݻ买":115505,"欢快":115506,"æĭ¥æĮ¤":115507,"马桶":115508,"æĬĬæݧ":115509,"æĶ¿åħļ":115510,"å¼łæī¬":115511,"客æłĪ":115512,"红æĺŁ":115513,"éĢģæĿ¥":115514,"åħ¨åŁŁæĹħ游":115515,"èĩªç§ģ":115516,"åįģäºĮæĿ¡":115517,"åı¹æģ¯":115518,"ä¸Ģèīĺ":115519,"ä¿Ŀè´¹":115520,"æĸ½å·¥çİ°åľº":115521,"æľī幸":115522,"ç»ŃèĪª":115523,"åı¯èĥ½æľĥ":115524,"èĥĮåıĽ":115525,"ä½£éĩij":115526,"ä¸īçŃīå¥ĸ":115527,"å¾Ī满æĦı":115528,"游æĪıåī¯æľ¬":115529,"群éĩĮ":115530,"æŀĦ件":115531,"åºıå¹ķ":115532,"太æ¹ĸ":115533,"æľ¨è´¨":115534,"æĻĭæ±Ł":115535,"çµĤæĸ¼":115536,"è·³è·ĥ":115537,"åĢºæĿĥ人":115538,"çŃī诸å¤ļ":115539,"æĶ¾åĩº":115540,"åħ³éĶ®æŶåĪ»":115541,"æĦŁæŁĵèĢħ":115542,"é£ŀè¡Įåijĺ":115543,"èĥĨåĽº":115544,"èĥĨåĽºéĨĩ":115545,"æĬ±æŃī":115546,"åij¨äºĮ":115547,"æĸ°æĹ¶æľŁ":115548,"åĨ·éĵ¾çī©æµģ":115549,"è¿Ļç§įæĸ¹å¼ı":115550,"该æĿij":115551,"åĽŀé¦Ī":115552,"åŁºçĿ£æķĻ":115553,"人åıĤ":115554,"æŀ¯çĩ¥":115555,"æī¹åıijå¸Ĥåľº":115556,"åħħåĪĨèĤ¯å®ļ":115557,"å¸ĤæĶ¿åįı":115558,"äºĭæ¥Ń":115559,"龸çİĭ":115560,"çĥŃæIJľ":115561,"åįģä¹Ŀ大":115562,"ä¼´æľī":115563,"ç¾İåĽ½æĢ»ç»Ł":115564,"åŁİå¸Ĥ管çIJĨ":115565,"ä¸ĭ令":115566,"èĥ¸åı£":115567,"åıªçŁ¥éģĵ":115568,"åij¨ä¸ī":115569,"çĶ¨æĪ¶":115570,"éŃ¯":115571,"å¿ĥè¡Ģ":115572,"带头人":115573,"åĮ»åĬ¡":115574,"åĮ»åĬ¡äººåijĺ":115575,"æݧåĪ¶åĻ¨":115576,"ä½ľåĵģåĨħ容":115577,"æĪĺåıĭ":115578,"åİĨå¹´":115579,"ä¸įåħĭ":115580,"ä¸įåħĭä¸įåıĬ":115581,"æĹ¥æŃ£å¼ı":115582,"è±IJå¯Į":115583,"ç¨İè´¹":115584,"æŶæķĪ":115585,"å±ķä½į":115586,"è¡¡éĺ³":115587,"æĪ¿è²¸":115588,"çĪĨ款":115589,"ä¹IJæĦı":115590,"çĶ·ä¸»":115591,"寬":115592,"æľĥèŃ°":115593,"ä¹ĭå¤ľ":115594,"åIJĮ樣":115595,"ä¸įè¦ģ太":115596,"ä¼Ĭæĸ¯":115597,"ä¼Ĭæĸ¯åħ°":115598,"åŁºæľ¬åİŁåĪĻ":115599,"åİ»æİī":115600,"ä½İä¿Ŀ":115601,"个交æĺĵ":115602,"个交æĺĵæĹ¥":115603,"èģĬèģĬ":115604,"åĽĽä½į":115605,"åħļç»ĦæĪIJåijĺ":115606,"主è¦ģä»İäºĭ":115607,"å½±éŁ³":115608,"åĨĴåĩº":115609,"åij¼åIJ¸éģĵ":115610,"è¾¾å°Ķ":115611,"æľ¨åľ°æĿ¿":115612,"诡å¼Ĥ":115613,"çģ¯åħ·":115614,"çģ«çĥ§":115615,"解èĦ±":115616,"æĦĪåıij":115617,"æ¹ĸå·ŀ":115618,"é£İä¿Ĺ":115619,"æĸ°å½¢åĬ¿":115620,"æĸ°å½¢åĬ¿ä¸ĭ":115621,"è²Ŀ":115622,"èĦĵ":115623,"åĬ¨åĬĽçĶµæ±ł":115624,"é£ŀèĪ¹":115625,"飧æĢ§":115626,"åĪ©çī©":115627,"åĪ©çī©æµ¦":115628,"ä¸į认è¯Ĩ":115629,"ç¼ĸç»ĩ":115630,"ä½ľåĿĬ":115631,"èģĮä¸ļæĬĢèĥ½":115632,"çľĭè¦ĭ":115633,"åĽ´æ£ĭ":115634,"æĺıè¿·":115635,"å½Ĵå±ŀäºİ":115636,"æĤ¬å´ĸ":115637,"éĨ«çĻĤ":115638,"å®ĭ代":115639,"åºĦæĿij":115640,"èĹķ":115641,"çĮĽçĦ¶":115642,"çĩĥæĸĻçĶµæ±ł":115643,"å®ŀä½ĵåºĹ":115644,"ä¸į足以":115645,"æĥħç·":115646,"æĥħç·Ĵ":115647,"å»ĬåĿĬ":115648,"çĶµåı°":115649,"åºĶåĬĽ":115650,"ä¸Ńå°ıåѦçĶŁ":115651,"èĥ¡åIJĮ":115652,"éī´åĪ«":115653,"åĨħç½®":115654,"乱象":115655,"æ¬ĬçĽĬ":115656,"å¼ĢæĶ¾å¼ı":115657,"åįļæĸĩ":115658,"讲课":115659,"çŃīåİŁåĽł":115660,"穷人":115661,"äº¤æĽ¿":115662,"æĬ¤çħ§":115663,"åıijå±ķæľºéģĩ":115664,"客åķĨ":115665,"åıįä¹ĭ":115666,"ç±³é¥Ń":115667,"并åıij":115668,"并åıijçĹĩ":115669,"æ±īåŃIJ":115670,"æŀľåĽŃ":115671,"对æĪijæĿ¥è¯´":115672,"åģıåIJij":115673,"æī¹ç¤º":115674,"读åIJİ":115675,"读åIJİæĦŁ":115676,"æĺİæĻº":115677,"åĽ´çĿĢ":115678,"åıį转":115679,"æĿ¨å¹Ĥ":115680,"ä¸ĵåįĸ":115681,"ä¸ĵåįĸåºĹ":115682,"åıĹéĻIJ":115683,"åºŁè¯Ŀ":115684,"æŀģå°ij":115685,"åįĪåIJİ":115686,"è¿Ľä¿®":115687,"åīĬåĩı":115688,"æľ¬ç§ijçĶŁ":115689,"ä¼ĺéĢī":115690,"åħīçħ§":115691,"åıĻäºĭ":115692,"åıĸæļĸ":115693,"åĮĹè·¯":115694,"æ¦ķ":115695,"èİĨçĶ°":115696,"楼å±Ĥ":115697,"天èĬ±":115698,"天èĬ±æĿ¿":115699,"çĤľ":115700,"å·²ç»ıæľīäºĨ":115701,"趾":115702,"çĶ³åįļ":115703,"çĶµéĺ»":115704,"åĬŁè¯¾":115705,"æŃ¥æŃ¥":115706,"éĤ£ä¹Ī容æĺĵ":115707,"æѤæĸĩ":115708,"ä½°":115709,"计è¾ĥ":115710,"çīĩéĿ¢":115711,"çĶµå½±éĻ¢":115712,"ä¸įåħ¬å¹³":115713,"ä¸īæľŁ":115714,"æĹħ游èµĦæºIJ":115715,"å¤ļç§įå½¢å¼ı":115716,"è£Ĥç¼Ŀ":115717,"åIJİæİĴ":115718,"硬度":115719,"åĽŀæļĸ":115720,"éģĵæķĻ":115721,"è´«è¡Ģ":115722,"æ¸ħé¦Ļ":115723,"伤çĹħ":115724,"æĦı義":115725,"çļĦç¼ĺ":115726,"çļĦç¼ĺæķħ":115727,"åºĦ严":115728,"åıªæĺ¯ä¸ºäºĨ":115729,"æīĵæĬĺ":115730,"以ä¾Ĩ":115731,"滿足":115732,"çİĽä¸½":115733,"風éļª":115734,"æĸĩç§ij":115735,"éħįå¤ĩäºĨ":115736,"è¿Ľé£Ł":115737,"涡":115738,"è·¯ç¨ĭ":115739,"åı«å£°":115740,"ä¸Ńå¿ĥåŁİåĮº":115741,"æľīæīĢä¸įåIJĮ":115742,"張貼":115743,"é¢ĦæĬ¥":115744,"æľīå¤ļä¹Ī":115745,"è¿Ľè¡Įåħ¨éĿ¢":115746,"æĽ¾ç¶ĵ":115747,"ä¸ī代":115748,"å®ı大":115749,"æ¸ħæī«":115750,"éĢīåĩº":115751,"åĵªä¸Ģ个":115752,"主義":115753,"ä¾Ŀæĵļ":115754,"çļ®éĿ©":115755,"赶æĿ¥":115756,"çŃĽæŁ¥":115757,"æ¨Ł":115758,"ä¿ĿèįIJ":115759,"åIJĥæĥĬ":115760,"æľĭåıĭ们对":115761,"ä»ĸæĺ¯ä¸Ģ个":115762,"åºŁæ°Ķ":115763,"æ»ħ":115764,"è´¢ç¨İ":115765,"æĿijæĿijæ°ij":115766,"èµĦäº§è´ŁåĢº":115767,"å®īå¨ľ":115768,"缮åīįåĽ½åĨħ":115769,"æĦŁè§īèĩªå·±":115770,"çµIJåIJĪ":115771,"éĶ¦æłĩ":115772,"éĶ¦æłĩèµĽ":115773,"æĽ´æ·±":115774,"åŁºæķ°":115775,"éħ¿éħĴ":115776,"çī¹èī²äº§ä¸ļ":115777,"åİĭå®ŀ":115778,"ä¾Ŀæ³ķ追究":115779,"æ·¡å®ļ":115780,"ç®ĢçĽ´å°±æĺ¯":115781,"å£ĵåĬĽ":115782,"æ°ijå¿ĥ":115783,"ä¸įåIJĪéĢĤ":115784,"çĶ±æѤåı¯è§ģ":115785,"èµŀèªī":115786,"澤":115787,"åĩłå¹´åīį":115788,"åIJīä»ĸ":115789,"çł´æįŁ":115790,"è½»è½»åľ°":115791,"å²Ľå±¿":115792,"æĦıå¢ĥ":115793,"ä»Ģä¹Īåı«":115794,"åģĩè£ħ":115795,"éĢģè´§":115796,"å¹ķå¢Ļ":115797,"妥åįı":115798,"åĽ½æĹĹ":115799,"äºĨå¾Īä¹ħ":115800,"åĪĨ辨çİĩ":115801,"ç´Ķ":115802,"éĺ³åĮº":115803,"åĩŃçĿĢ":115804,"åģľè½¦ä½į":115805,"京éĥ½":115806,"éĶ£":115807,"æĵ¾":115808,"è¿ĽéŨ":115809,"åĪĺæµ·":115810,"åĽĽçº§":115811,"女足":115812,"è¡ĮæĶ¿å®¡æī¹":115813,"éģ¥æݧ":115814,"ä¸įéĮ¯":115815,"å¾Ĺå¾Ī好":115816,"ä¸ºçĽ®çļĦ":115817,"ä»įæľª":115818,"ç²¾è£ħ":115819,"éĢįéģ¥":115820,"尽头":115821,"çºłç¼ł":115822,"éłĺå°İ":115823,"æĭħè´Ł":115824,"æĪĸèĢħåħ¶ä»ĸ":115825,"åıªä¸įè¿ĩæĺ¯":115826,"åı®åĺ±":115827,"åģĩåĨĴ":115828,"æļĸæ°Ķ":115829,"çĽIJåŁİ":115830,"被è§Ĩ为":115831,"诺è´Ŀå°Ķ":115832,"ç»ĻäºĨæĪij":115833,"è¿ijåįĥ":115834,"éĩįåĽŀ":115835,"éĨĴäºĨ":115836,"çĶµè§£":115837,"忽çķ¥äºĨ":115838,"èĥĮéĥ¨":115839,"æĸĩæĺİåŁİå¸Ĥ":115840,"æºħ":115841,"è²ĵ":115842,"æĬµæĮ¡":115843,"åĸľæ¬¢åIJĥ":115844,"éĿĻéĿĻåľ°":115845,"å¾Īæ·±":115846,"åŁºç¡ĢçŁ¥è¯Ĩ":115847,"è¿ĩéĶĻ":115848,"çIJĨç§ij":115849,"交æµģåIJĪä½ľ":115850,"èĪĶ":115851,"èª¿æŁ¥":115852,"æħĪæĤ²":115853,"éĴ°":115854,"èĩ´çĶµ":115855,"å®£ä¼łæ´»åĬ¨":115856,"åıĺéĩı":115857,"çļĦ人æĿ¥è¯´":115858,"æŶéļĶ":115859,"ä¸įç®¡ä½ł":115860,"缸è¿ij":115861,"è´µéĩijå±ŀ":115862,"ä¹Łä¸įåı¯èĥ½":115863,"ç²īæľ«":115864,"åįĹçĵľ":115865,"çĻ½é©¬":115866,"åħīæºIJ":115867,"éĩijå¥ĸ":115868,"çĭ¬è§Ĵ":115869,"çĭ¬è§Ĵåħ½":115870,"妨ç¢į":115871,"ç»ĻåĬĽ":115872,"ä½Ĩä»į":115873,"å¼łå®¶åı£":115874,"èIJ¬åħĥ":115875,"渲æŁĵ":115876,"éķ¿å¤§äºĨ":115877,"è®°èĢħäºĨ解":115878,"æĢĢçĿĢ":115879,"è¦ģåѦä¼ļ":115880,"游æĪı代":115881,"游æĪı代ç»ĥ":115882,"äºĮçĻ¾":115883,"æĦıè¯Ĩå½¢æĢģ":115884,"çݺ":115885,"计åĪĴçĶŁèĤ²":115886,"æī¾åĩĨ":115887,"åħ°èĬ±":115888,"è¿Ļ座åŁİå¸Ĥ":115889,"污泥":115890,"å®ĺæĸ¹å¾®ä¿¡":115891,"å½Ĵå±ŀ":115892,"æ°§æ°Ķ":115893,"éģİç¨ĭä¸Ń":115894,"åį°è±¡æ·±åĪ»":115895,"稳妥":115896,"çµIJæĿŁ":115897,"åŃķæľŁ":115898,"çī¹æĿĥ":115899,"åĿļåĽº":115900,"顺åĬ¿":115901,"æŀľèĶ¬":115902,"éĨ«å¸«":115903,"åİ®":115904,"ä¹Łæĺ¯å¦ĤæѤ":115905,"é¦Ĵ头":115906,"缸åĬ©":115907,"干线":115908,"ä¸Ģæľ¬ä¹¦":115909,"绥":115910,"æĮ¯å¥ĭ":115911,"èĤ¾èĦı":115912,"åĭķçī©":115913,"é£ŀè·ĥ":115914,"èıľåĵģ":115915,"å¤ļä½Ļ":115916,"å¤ļä½ĻçļĦ":115917,"éĢĿä¸ĸ":115918,"æģĭ人":115919,"å¼ĢåıijåĪ©çĶ¨":115920,"顺丰":115921,"éĩİå¿ĥ":115922,"æł¡å¤ĸ":115923,"æģIJé¾Ļ":115924,"éĿ¢åħ·":115925,"éķ¿è¾Ī":115926,"éļıå¤Ħ":115927,"éļıå¤Ħåı¯è§ģ":115928,"紧缺":115929,"éĩįä¸Ń":115930,"éĩįä¸Ńä¹ĭ":115931,"éĩįä¸Ńä¹ĭéĩį":115932,"奥æĸ¯":115933,"奥æĸ¯åį¡":115934,"ä¸Ģ个å¤ļ":115935,"ä¸Ģ个å¤ļæľĪ":115936,"ä¸įåı¯ç¼ºå°ij":115937,"æĸ°æł¼å±Ģ":115938,"æıIJæĮ¯":115939,"è¡Įè´¿":115940,"æ¼Ĥæµģ":115941,"èģĬåŁİ":115942,"åħ´å»º":115943,"è´¨æ£Ģ":115944,"ç§ģæľį游æĪı":115945,"æĽ´éĩįè¦ģ":115946,"è´®":115947,"çħľ":115948,"转åıĺ为":115949,"è¿Ļ两年":115950,"ä¿Ŀé²ľ":115951,"æī§æķĻ":115952,"çĥ¨":115953,"å¼Ģåıij建设":115954,"è¿IJèIJ¥ç®¡çIJĨ":115955,"误差":115956,"京åī§":115957,"å¸IJåı·":115958,"å·¥ä½ľä½ľé£İ":115959,"ä¸ĸä¿Ĺ":115960,"çĻ½å®«":115961,"å¤©åĽ½":115962,"å¤©åĽ½ç»§ç»Ń":115963,"å·´æĸ¯":115964,"èIJ¥åĪ©":115965,"åĵģæł¼":115966,"æĿijæ°ij们":115967,"æĪ¿è½¦":115968,"çŃīçĹĩçĬ¶":115969,"å¦Ĥå®ŀ":115970,"宸":115971,"å±Ĥ级":115972,"éĶĻè¿ĩäºĨ":115973,"ç»ĵå®ŀ":115974,"ç¬ijèĦ¸":115975,"羣å®ŀæĢ§":115976,"éĥ½å¸ĤæĬ¥":115977,"é¥Ńèıľ":115978,"åºĶ注æĦı":115979,"æĬ½çĥŁ":115980,"伪éĢł":115981,"åīįä¸Ģ天":115982,"éŃĶé¾Ļ":115983,"éŃĶé¾Ļ令çīĮ":115984,"约è°Ī":115985,"绣çŃ¹æİ¨è¿Ľ":115986,"让çĶ¨æĪ·":115987,"åħ¨éĿ¢èIJ½å®ŀ":115988,"å¼Ħå¾Ĺ":115989,"è°ĪæģĭçĪ±":115990,"鸣æĪIJéķ¿":115991,"鸣æĪIJéķ¿è®°":115992,"æ´ĭæ´ĭ":115993,"çĸıæķ£":115994,"éĿ¢ç§¯çº¦":115995,"æµĵ缩":115996,"æĸ¯é¡¿":115997,"çĶŁæĢģåľĪ":115998,"æī§å¯¼":115999,"移éĢģ":116000,"齿轮":116001,"æł¹æľ¬å°±ä¸į":116002,"缩åĩı":116003,"èµ°ä¸ĭåİ»":116004,"çĿ«æ¯Ľ":116005,"ä¹Łä¸įéĶĻ":116006,"åıįæĺłåĩº":116007,"èĭ¦æģ¼":116008,"缸åħ³æĶ¿çŃĸ":116009,"é«ĺ楼":116010,"ç²īèī²":116011,"æĬķèµĦé¢Ŀ":116012,"ä¸įç»ı":116013,"ä¸įç»ıæĦı":116014,"å®ģæĦ¿":116015,"èĪĮ头":116016,"æ»ĭçĶŁ":116017,"å®ģåİ¿":116018,"åīįåĪĹèħº":116019,"åĩ³":116020,"é£Łæ¬²":116021,"åıĸèĥľ":116022,"éĻ¢åŃIJ":116023,"ç´łè´¨æķĻèĤ²":116024,"滨å·ŀ":116025,"æĬ¢æĬĵ":116026,"å¼Ĥåij³":116027,"åĴļ":116028,"åĬį":116029,"宽éĺĶ":116030,"æļ´æ¶¨":116031,"æĥłåıĬ":116032,"è§Ħç¨ĭ":116033,"ä¾Ľåħ»":116034,"éĢģå¾Ģ":116035,"å±±åºĦ":116036,"举äºļ":116037,"å±ķé¦Ĩ":116038,"解éĶģ":116039,"æĹłè§Ĩ":116040,"éĻįèIJ½":116041,"è¿ŀäºij":116042,"è¿ŀäºij港":116043,"åıĤè°ĭ":116044,"çİĸ":116045,"ç¬ĥ":116046,"èĢĹè´¹":116047,"æī¿å¾·":116048,"社ä¼ļæķĪçĽĬ":116049,"åįĹæµ·ç½ij":116050,"åĪĽä¼¤":116051,"èIJ±":116052,"åħħæ²Ľ":116053,"ç½ijç«Ļ建设":116054,"大åºĨ":116055,"åĨįéĢł":116056,"åŃĹæł·":116057,"åħ¨æ°ijåģ¥èº«":116058,"èĮ«èĮ«":116059,"æµ®åĬ¨":116060,"åīįåı°":116061,"å¢ŀ设":116062,"éĢĽè¡Ĺ":116063,"åĢĴéĹŃ":116064,"æ³ķå¾ĭ顾éĹ®":116065,"çĸ®":116066,"çĹħçĹĩ":116067,"空åīį":116068,"请æķĻ":116069,"èĥľä»»":116070,"æĿĢèıĮ":116071,"æĪĺæĸĹæľº":116072,"ç»ĺåĪ¶":116073,"å¤Ħæĸ¹":116074,"çªģåĽ´":116075,"çĮ«åĴª":116076,"æĬ¥åijĬæĺ¾ç¤º":116077,"ç¿Ł":116078,"çķ¶åľ°":116079,"æľĢéļ¾":116080,"纪å§Ķ书记":116081,"ä½İåİĭ":116082,"èĻļ空":116083,"è¿Ļéĥ¨çĶµå½±":116084,"产ä¸ļåįĩ级":116085,"è°·çĪ±":116086,"è°·çĪ±åĩĮ":116087,"æĬ¼éĩij":116088,"女æĸ¹":116089,"éĴ»çłĶ":116090,"æļĹæļĹ":116091,"è¿·ä½ł":116092,"æīĢè¬Ĥ":116093,"å¨ģå»ī":116094,"å¼ĢæľĹ":116095,"å²Ķ":116096,"çģ«çĤ¬":116097,"åIJĪçIJĨæĢ§":116098,"åħ¬åĬŀ":116099,"ä¼ļä¼ļéķ¿":116100,"éĺ´è°ĭ":116101,"å¼Ģå±Ģ":116102,"æĻ®éĢļè¯Ŀ":116103,"åį¡æĭī":116104,"å°ijåIJĥ":116105,"éĹªèĢĢ":116106,"æŀľæ±ģ":116107,"æī§è¡ĮåĬĽ":116108,"è°Ľ":116109,"æĬ¢åĬ«":116110,"é«ĺéĢŁåıijå±ķ":116111,"飬":116112,"åįĹæ²Ļ":116113,"é«ĺçŃīåŃ¦æł¡":116114,"æį¢ä¸ª":116115,"åı¯èĥ½åŃĺåľ¨":116116,"æĬĴ":116117,"è°±åĨĻ":116118,"被æĬĵ":116119,"æĿ¯åŃIJ":116120,"èĬĤèĥ½åĩıæİĴ":116121,"æ°ĶåĢĻåıĺåĮĸ":116122,"åĪĨåĪ¥":116123,"ä¸Ńæŀ¢":116124,"欢åij¼":116125,"åħī纤":116126,"è¿Ļ群":116127,"çľ¼çķĮ":116128,"åħ±åIJĮåıijå±ķ":116129,"çİ°ä»Ĭ":116130,"éĹ»è¨Ģ":116131,"çī¹èī²å°ıéķĩ":116132,"æķij人":116133,"éĻįæ°´":116134,"ä¸ĸçķĮä¸Ģæµģ":116135,"å°±é¤IJ":116136,"çŀ¥":116137,"å¤įä»ĩ":116138,"ç¾½æ¯Ľ":116139,"ç¾½æ¯ĽçIJĥ":116140,"è´©åįĸ":116141,"æºIJæ³ī":116142,"æĢ»ä½ĵè§ĦåĪĴ":116143,"åĬ¨æĦŁ":116144,"ä¸Ģ审":116145,"åĢŁéĴ±":116146,"è§ģæķĪ":116147,"èĬ±èįī":116148,"åIJĮä¸ļ":116149,"æŁ¥è©¢":116150,"åĽ½éĻħåIJĪä½ľ":116151,"ä¾ĽåĽ¾":116152,"åģ´":116153,"æłĵ":116154,"缸éĢļ":116155,"è°ĪåıĬ":116156,"è¿ĩç¨ĭå½ĵä¸Ń":116157,"é¦Ļèıĩ":116158,"åįģåĽĽæĿ¡":116159,"ä¸Ģå¼Ģå§ĭå°±":116160,"ä¸ĵåijĺ":116161,"æĺİ顯":116162,"æīĵéĢłåĩº":116163,"ä¸ĭéĿ¢æĪij们":116164,"æľºæ²¹":116165,"åı°è¯į":116166,"åŃIJå¼Ł":116167,"æľĢ常è§ģçļĦ":116168,"æĪijè®°å¾Ĺ":116169,"ç»°":116170,"æĤ¬æµ®":116171,"è¿ĺ羣æĺ¯":116172,"æĮĤåı·":116173,"åıĭåĸĦ":116174,"éĩį伤":116175,"çħ§äº®":116176,"æѦèѦ":116177,"åĩºçİ°éĹ®é¢ĺ":116178,"è¸Ĭè·ĥ":116179,"åľ°çIJĥä¸Ĭ":116180,"å¸Ĥ人大":116181,"åıĹ害人":116182,"å²IJ":116183,"åIJĮåѸ":116184,"éĩijèŀįå¸Ĥåľº":116185,"æľīçļĦçݩ家":116186,"å¸ĤæķĻèĤ²":116187,"å¸ĤæķĻèĤ²å±Ģ":116188,"åIJĦå¼Ĥ":116189,"ç·ļä¸Ĭ":116190,"æģº":116191,"æľī大éĩıçļĦ":116192,"åķĨæĬ¥":116193,"åįķåįķ":116194,"åħ¨é¢Ŀ":116195,"ä¾Ŀæŧæĺ¯":116196,"好åĩłä¸ª":116197,"åĸµ":116198,"éĩįæķ´":116199,"çĶŁæ´»è´¨éĩı":116200,"æݢ访":116201,"åį°èĬ±":116202,"缼è¡Į":116203,"å¾®è§Ĥ":116204,"èĪįå¾Ĺ":116205,"åºŁå¼ĥçī©":116206,"积èĵĦ":116207,"å®ļå±ħ":116208,"æĤ¼":116209,"èĮ¸":116210,"çļĦ帮åĬ©":116211,"çļĦ帮åĬ©ä¸ĭ":116212,"亿åIJ¨":116213,"åŃĶéĽĢ":116214,"è¿ĻæĿ¡è·¯":116215,"饵":116216,"æĦĪåĬł":116217,"éķį":116218,"ä½ľæ¡Ī":116219,"èįĶæŀĿ":116220,"太å°ij":116221,"跻身":116222,"åħ¬çĽĬæ´»åĬ¨":116223,"çĻ½æĸij":116224,"æĬĢæľ¯æ°´å¹³":116225,"帧":116226,"æĹłçŁ¥":116227,"åºĶ该æĢİä¹Ī":116228,"éĢĢå¸Ĥ":116229,"æ¸Ń":116230,"åħ»çĮª":116231,"驼":116232,"ç¾¤å²Ľ":116233,"大åį«":116234,"ä¹ĺçĶ¨è½¦":116235,"èı²å°Ķ":116236,"è´´åIJ§":116237,"åģľä¸ĭæĿ¥":116238,"æľīæľºç»ĵåIJĪ":116239,"åĪ»èĭ¦":116240,"çļĦåľ°":116241,"çļĦåľ°æŃ¥":116242,"è¯ĬæīĢ":116243,"å¼ĢæĪĺ":116244,"èĢģçīĮ":116245,"çŃ¹çłģ":116246,"åħ«å¤§ä»¥æĿ¥":116247,"楼æĪ¿":116248,"åŃĻæĤŁ":116249,"åŃĻæĤŁç©º":116250,"åħĴåŃIJ":116251,"第ä¸ĢæĿ¡":116252,"社交åªĴä½ĵ":116253,"æĥ³èµ·æĿ¥":116254,"大æ´ĭ":116255,"æĭ¼éŁ³":116256,"è¿Ľåįļä¼ļ":116257,"è¿ĩåħ³":116258,"æ²¼":116259,"ç©¿æIJŃ":116260,"éĤ£ä¸Ģ天":116261,"çł´éŨ":116262,"æĬķæłĩ人":116263,"赢家":116264,"èĻļå¼±":116265,"æ¿ĥ":116266,"å®īæ£Ģ":116267,"客家":116268,"çĭ¬ç«ĭèij£äºĭ":116269,"æīĭåĬ¿":116270,"åīµéĢł":116271,"åľĨ满å®ĮæĪIJ":116272,"为主线":116273,"好å¥ĩå¿ĥ":116274,"é¢ĨåľŁ":116275,"çªĸ":116276,"åħ¸åŀĭæ¡Īä¾ĭ":116277,"çªģåıijäºĭ件":116278,"åºķæ°Ķ":116279,"头æĻķ":116280,"å®Ľå¦Ĥ":116281,"觸":116282,"æ¸ħæ·¡":116283,"åļ¼":116284,"åģľçĶµ":116285,"ç²īå°ĺ":116286,"éĻįä½İæĪIJæľ¬":116287,"æĶ¾æīĭ":116288,"è®°èĢħ表示":116289,"æĭĸ延":116290,"éªĩ":116291,"æ®ĭå¿į":116292,"çľģæķĻèĤ²":116293,"çľģæķĻèĤ²åİħ":116294,"é«ĺé¢Ŀ":116295,"éĦĻ":116296,"æ¥ŀ":116297,"åĨħç§ij":116298,"èIJ¥ä¸ļé¢Ŀ":116299,"åŁºçŁ³":116300,"æµģæ·Į":116301,"主æŨ":116302,"éĺIJéĩĬ":116303,"建åįİ":116304,"æĥĬåı¹":116305,"çī¢åĽºæłijç«ĭ":116306,"æĺ¯åIJ¦åŃĺåľ¨":116307,"建åĨĽ":116308,"éĽ¾éľ¾":116309,"åħ¬è®¤":116310,"åħ¬è®¤çļĦ":116311,"æ°¨åŁº":116312,"æ°¨åŁºéħ¸":116313,"åīįåĩłå¹´":116314,"åĪ¹éĤ£":116315,"æ±Łä¸ľ":116316,"å·¥æ¥Ń":116317,"ä¸ĢçĤ¹ä¹Łä¸į":116318,"修士":116319,"äºĨä¸Ģéģį":116320,"åĪģ":116321,"æ»ļæ»ļ":116322,"åĪĨæł¡":116323,"羣çĪ±":116324,"è¡ĢèĦī":116325,"æĢ¥åī§":116326,"ä¸Ģ群人":116327,"羯":116328,"æĪIJé¾Ļ":116329,"ç²¾ç¥ŀçĹħ":116330,"缸åħ³äººåijĺ":116331,"éĿĵ丽":116332,"ä¸īåŃ£åº¦":116333,"åĪĴå®ļ":116334,"ä¸ĸçķĮ第ä¸Ģ":116335,"éĢļä¿Ĺ":116336,"åķĨä¸ļåľ°äº§":116337,"åĬŁèĥ½æĢ§":116338,"èµĦæľ¬ä¸»ä¹ī":116339,"详è§ģ":116340,"æĬĵæįķ":116341,"æĸĩæĺĮ":116342,"å®Ŀå®ī":116343,"è£ħéħįå¼ı":116344,"æºIJæºIJ":116345,"æºIJæºIJä¸įæĸŃ":116346,"çĶŁæĢķ":116347,"纵åIJij":116348,"壽":116349,"çľ¼è¢ĭ":116350,"èĤīä½ĵ":116351,"åı¤ä»Ĭ":116352,"èŀįåªĴä½ĵ":116353,"åģī":116354,"æł¼æľĥåĵ¡":116355,"çĥ·":116356,"åĬŁçĶ¨":116357,"æīŃ磩":116358,"绿èī²éĢļéģĵ":116359,"åī§ç»Ħ":116360,"å¼±åĬ¿":116361,"è´¨éĩıéĹ®é¢ĺ":116362,"éĻIJé¢Ŀ":116363,"éªĨ":116364,"éģµä¹ī":116365,"å¯Ŀ室":116366,"æĥ³å¿µ":116367,"åł±åijĬ":116368,"ä»ħ次":116369,"ä»ħ次äºİ":116370,"èŀįåĪĽ":116371,"æĭĽèģĺä¼ļ":116372,"åºĬåŀ«":116373,"转åŀĭåıijå±ķ":116374,"ä¸ŃåĽ½çĶµä¿¡":116375,"åIJ¬è¯Ŀ":116376,"è«ĭæ±Ĥ":116377,"大éĥ¨åĪĨ人":116378,"æ´»å¾Ĺ":116379,"åĵŃæ³£":116380,"è¶Ļ":116381,"åıijçĹħçİĩ":116382,"ä¸į符":116383,"åĨĽå®ĺ":116384,"é¢Īæ¤İ":116385,"æĸ°åĨłçĸ«æĥħ":116386,"æŁ¬åŁĶ":116387,"æŁ¬åŁĶ寨":116388,"ä»»ä½ķå½¢å¼ı":116389,"人éĻħ":116390,"人éĻħåħ³ç³»":116391,"æĢ»æī¿åĮħ":116392,"å¹³åĿĩæ¯ı":116393,"æģŃåĸľ":116394,"åĦĺ":116395,"åħµé©¬":116396,"è¿ŁåĪ°":116397,"工伤":116398,"çīĪæĿĥå½Ĵ":116399,"çīĪæĿĥå½ĴåİŁ":116400,"æĭ¥æĬ¤":116401,"ç³Ĭæ¶Ĥ":116402,"å¹²æ¶ī":116403,"å°ijä¸įäºĨ":116404,"æĥ³æī¾":116405,"è´¹çİĩ":116406,"该éĻ¢":116407,"èŀįåĮĸ":116408,"è¿İåIJĪ":116409,"è§ĨåIJ¬èĬĤ缮":116410,"æł¼ç¶²ç«Ļ":116411,"çľīæ¯Ľ":116412,"欢è¿İ大家":116413,"家åºŃæķĻèĤ²":116414,"ä¾µèļĢ":116415,"ç»Ļä½łä»¬":116416,"è¡Ģ液循çݯ":116417,"å¯Ħæīĺ":116418,"å°ĸåı«":116419,"以ä¸ĭåĩłä¸ª":116420,"è¿ĺ以为":116421,"åħ¶ä»ĸçݩ家":116422,"ç¬ijç¬ij":116423,"æīĵåIJ¬":116424,"èĩªçĦ¶ç§ijåѦ":116425,"åŁºç«Ļ":116426,"ä¹Ŀå·ŀ":116427,"ä¿Ŀ驾":116428,"ä¿Ŀ驾æĬ¤":116429,"ä¿Ŀ驾æĬ¤èĪª":116430,"æĶ¾çľ¼":116431,"çŁ¥åIJįä¼ģä¸ļ":116432,"縮":116433,"稽":116434,"æļĩ":116435,"使çĶ¨ç¶²è·¯":116436,"é¢ĦçķĻ":116437,"大象":116438,"åıijæĺİä¸ĵåĪ©":116439,"æĸĩ娱":116440,"éĢłç¦ı":116441,"湿润":116442,"éĿ¢æĿ¡":116443,"æ¶Īè´¹åįĩ级":116444,"è®Ĭå¾Ĺ":116445,"åĩłåIJį":116446,"ä»Ħ":116447,"认æ¸ħ":116448,"è¿ľæĻ¯":116449,"æıĴ座":116450,"诸侯":116451,"åıĺæĢģ":116452,"ç¦ı彩":116453,"è´§æŀ¶":116454,"失æݧ":116455,"移åĬ¨ç«¯":116456,"ä¸Ĭåı¸":116457,"éĢłçº¸":116458,"å¸ĥæľĹ":116459,"çĴĩ":116460,"åı°åįĹ":116461,"åĮĹ京åĨ¬å¥¥":116462,"èĵĿçīĻ":116463,"éķ¿çŁŃ":116464,"æĬĺå°Ħ":116465,"ç»ijæŀ¶":116466,"å¯Ĵåģĩ":116467,"è½¬åŁºåĽł":116468,"æĢ¥äºİ":116469,"æŃ£åĵģ":116470,"åħħ滿":116471,"大纲":116472,"æĬĹä½ĵ":116473,"è¨ĵç·´":116474,"æĶ¶ç´§":116475,"æ¯Ķè³½":116476,"åħµåĬĽ":116477,"æľ¬æĽ¸":116478,"äºĮ代":116479,"æĢ¥è¯Ĭ":116480,"æĸĩæ¡Ī":116481,"ç»ıåķĨ":116482,"æĻ¨æĬ¥":116483,"æ£ĺ":116484,"æĢ»ä¹¦è®°åľ¨":116485,"åıĹéĤĢ":116486,"äºĶåĽĽ":116487,"å²ŃåįĹ":116488,"çĪ±åIJĥ":116489,"åŁĥå°Ķ":116490,"å¿ĥå¢ĥ":116491,"è¦ĨçĽĸéĿ¢":116492,"å®ŀåľ¨æĺ¯å¤ª":116493,"æł¹åºķ":116494,"纷纷表示":116495,"åĹħ":116496,"éļıçĿĢæŶéĹ´":116497,"åİĨåı²æĤłä¹ħ":116498,"éħī":116499,"æĢ»éĺŁ":116500,"主é¢ĺæ´»åĬ¨":116501,"éĹ®åį·":116502,"é©¿ç«Ļ":116503,"æı¡ä½ı":116504,"åı¯èĥ½å¯¼èĩ´":116505,"æ°ijéĸĵ":116506,"éĸĭåķŁ":116507,"ä½Ĩä¸įéĻIJ":116508,"ä½Ĩä¸įéĻIJäºİ":116509,"åįģéĩĮ":116510,"娥":116511,"æįŁèĢĹ":116512,"çĸı导":116513,"çݯ氧":116514,"ç¥ŀéĢļ":116515,"çĪ±å°Ķ":116516,"çĪ±å°Ķåħ°":116517,"æľ´å®ŀ":116518,"å¿«æĬ¥":116519,"æĶ¶åıĹ":116520,"æĪĸ許":116521,"èĥĮéĿ¢":116522,"æĸĩåĮĸä¼łåªĴ":116523,"ä¸īåĢĭ":116524,"æĶ»åĬ¿":116525,"å®ī举":116526,"å®īä¸ľå°¼":116527,"åĿĩå·²":116528,"顾èĻij":116529,"éĦŃ":116530,"è¿Ļ家åħ¬åı¸":116531,"åħ¬åijĬ称":116532,"æıIJä¾Ľä¼ĺè´¨":116533,"稳æŃ¥æİ¨è¿Ľ":116534,"å¤įè¯ķ":116535,"å°Ĩé¢Ĩ":116536,"è°Īèµ·":116537,"å¨Ħ":116538,"è¿ŀ线":116539,"æ©ŁéĹľ":116540,"åºĶçĶ¨åľºæĻ¯":116541,"çĶ»åĥı":116542,"è´¢è¿IJ":116543,"ä¿Ŀéļª":116544,"çĹħçIJĨ":116545,"æ¯Ľä¸»å¸Ń":116546,"ä¸Ŀ毫ä¸į":116547,"çĪ±å¥ĩ":116548,"çĪ±å¥ĩèīº":116549,"ä¸ĵ家ç»Ħ":116550,"åij¼åĶ¤":116551,"éĭ¼":116552,"çģ¸":116553,"é¢ĨåħĪåľ°ä½į":116554,"æıIJæĭĶ":116555,"龸éģĵ":116556,"å±±åĿ¡":116557,"èĿİ":116558,"沸èħ¾":116559,"该项":116560,"ä»ĬçĶŁ":116561,"ä¸Ģç¯ĩæĸĩç«ł":116562,"æĸ¹å¼ıè¿Ľè¡Į":116563,"é»ij客":116564,"æĶ¹åĬ¨":116565,"主é¡Į":116566,"æķ£å¸ĥ":116567,"ä»Ģä¹Īåľ°æĸ¹":116568,"åĮĸåIJĪ":116569,"åĮĸåIJĪçī©":116570,"éĿĻçĶµ":116571,"æĢ»æĶ¶åħ¥":116572,"å§Ķç»Ħç»ĩ":116573,"å§Ķç»Ħç»ĩéĥ¨":116574,"éĿĻæĢģ":116575,"èĢģåŃĹåı·":116576,"室åıĭ":116577,"éĥ½ä¸įæķ¢":116578,"æŀ¶åŃIJ":116579,"çģµæķı":116580,"审è§Ĩ":116581,"æĤ£åĦ¿":116582,"山寨":116583,"èĸªèµĦ":116584,"é©°æı´":116585,"éĥ¨åĪĨåĨħ容":116586,"好似":116587,"æĪIJåijĺåĽ½":116588,"åľ¨æĪijçľĭæĿ¥":116589,"åħ³æ³¨åº¦":116590,"éĻĪæŁIJ":116591,"è¿Ļç§įäºĭæĥħ":116592,"éĢīå®ļ":116593,"ç²¾åŃIJ":116594,"å£ģçĶ»":116595,"æ±Łæ·®":116596,"é«ĺæĺĤ":116597,"æł¼åĬĽ":116598,"輩":116599,"åѦåłĤ":116600,"æĤ¨åIJĮæĦı":116601,"ä¸ĢåĪĩéĥ½æĺ¯":116602,"潤":116603,"éĸĥ":116604,"å¸ĮæľĽèĩªå·±":116605,"ä¿ĺ":116606,"æ±Łåİ¿":116607,"æ³¾":116608,"ç§ijæķĻ":116609,"æīĵè¿Ľ":116610,"ä¸įæħİ":116611,"å¯ĴåĨ¬":116612,"æ¸Ķæ°ij":116613,"鼷æĸ¯":116614,"主宰":116615,"æĹħ游度åģĩ":116616,"çĶµåŃIJéĤ®ä»¶":116617,"æ±Ĥå©ļ":116618,"éļİ段":116619,"åģ¥èº«æĪ¿":116620,"注æĺİåĩºå¤Ħ":116621,"äºĭæķħåıijçĶŁ":116622,"级以ä¸Ĭ":116623,"åŃĺæ´»":116624,"æĸ½èĤ¥":116625,"èľľèľĤ":116626,"嵩":116627,"æĮĸæİĺæľº":116628,"æĬĹæĭĴ":116629,"ä¼łå¯¼":116630,"æĺ¯ä»Ģä¹Īåij¢":116631,"ä¸Ĭå¹´åIJĮæľŁ":116632,"建åħļ":116633,"çĶŁæħĭ":116634,"ä¿Ŀä½ı":116635,"款车åŀĭ":116636,"人èĦī":116637,"éļIJèĶ½":116638,"失æķĪ":116639,"éģ¿åŃķ":116640,"ç®Ģ便":116641,"è°¢è°¢ä½ł":116642,"å®Īä½ı":116643,"æĶ¾æĺł":116644,"è¨Īçķ«":116645,"çݰ代çī©æµģ":116646,"é¤IJ廳":116647,"æķħå±ħ":116648,"大大å°ı":116649,"大大å°ıå°ı":116650,"çī¹åĪ«å£°æĺİ":116651,"éģįåıĬ":116652,"å¿ĥçIJĨåĴ¨è¯¢":116653,"è³´":116654,"çĮ®è¡Ģ":116655,"å·²ç»ıè¾¾åĪ°":116656,"æīĵæĭĽåij¼":116657,"åıĮè¾¹":116658,"ä¸Ģæĸ¹éĿ¢æĺ¯":116659,"å´ĩå°ļ":116660,"éĺ¿å¯Į":116661,"éĺ¿å¯Įæ±Ĺ":116662,"æĮģæľī人":116663,"è±ģ":116664,"é£İçŃĿ":116665,"åĬ¨èį¡":116666,"äºĨä¸Ģä¼ļ":116667,"äºĨä¸Ģä¼ļåĦ¿":116668,"ä¸ĩ象":116669,"çľĭçĶµè§Ĩ":116670,"åįģä¸īæĿ¡":116671,"çĮĽçĥĪ":116672,"è¦ģä¸įçĦ¶":116673,"太æŀģæĭ³":116674,"å¼ķçĪĨ":116675,"ç»ıè¿ĩå¤ļå¹´":116676,"游æĪıéĩĮçļĦ":116677,"é¾Ļæ³ī":116678,"æłĩéħį":116679,"è®ĵä»ĸåĢij":116680,"éĢłæŀĹ":116681,"åĮºåŁŁæĢ§":116682,"亿ä¸ĩ":116683,"æĪĺçķ¥å¸ĥå±Ģ":116684,"éķĩæĶ¿åºľ":116685,"åĶ®ç¥¨":116686,"çĶŁäº§å·¥èīº":116687,"éķĩåħļå§Ķ":116688,"ä¸Ńå°ıåŀĭ":116689,"æľ¨èĢ³":116690,"河边":116691,"èĦ¾èĥĥ":116692,"欢è¿İæĤ¨":116693,"åıĺå¼Ĥ":116694,"缤纷":116695,"åŀĥåľ¾æ¡¶":116696,"辩è¯ģ":116697,"车åºĵ":116698,"æ¯Ķçİĩ":116699,"åħ´æĹº":116700,"详ç»ĨäºĨ解":116701,"å®īå±ħ":116702,"çħ§æĸĻ":116703,"æĸ¹æīį":116704,"赦":116705,"åĨķ":116706,"å¥Ķèµ´":116707,"å®Ŀ鸡":116708,"åľºåĿĩ":116709,"缮åīįæŃ£åľ¨":116710,"åIJŀåĻ¬":116711,"è¿°èģĮ":116712,"æĩµ":116713,"å¥ĩçijŀ":116714,"ä»įå°Ĩ":116715,"èĪī辦":116716,"å·¥åķĨå±Ģ":116717,"å¡ijèĥ¶":116718,"åĬŀå®ŀäºĭ":116719,"æĸ¹æĸ¹éĿ¢":116720,"æĸ¹æĸ¹éĿ¢éĿ¢":116721,"æĸĩåĮĸèĬĤ":116722,"åħ¥èģĮ":116723,"鸥":116724,"ç©¿éĢı":116725,"ä»¥ä¹łè¿ijå¹³":116726,"åį±éļª":116727,"æľ¦èĥ§":116728,"åİĨåı²æĢ§":116729,"æķŀå¼Ģ":116730,"ä¼Ļä¼´åħ³ç³»":116731,"çŁ¿åĮº":116732,"åĽ½éĻħåľ¨çº¿":116733,"ä¼łå¥ĩéĩĮéĿ¢":116734,"è¿ijäºĽ":116735,"è¿ijäºĽå¹´":116736,"åĬ£åĬ¿":116737,"æĶ»åĩ»åĬĽ":116738,"æĻºéĢł":116739,"禧":116740,"çİĭåħĪçĶŁ":116741,"éĨ«çĶŁ":116742,"åĽĽé¡¹":116743,"å®ŀæĻ¯":116744,"åĪĿåĪĽ":116745,"å¿ĥ裡":116746,"æĻ¶ä½ĵ":116747,"交éĻħ":116748,"让æ¶Īè´¹èĢħ":116749,"课æĸĩ":116750,"æİĴæ°Ķ":116751,"并ä¸įæĦıåij³":116752,"çĽ¸å£°":116753,"第ä¸Ģå±Ĭ":116754,"åİŁèijĹ":116755,"鼾":116756,"没æľī太大":116757,"补水":116758,"çī©æµģä¼ģä¸ļ":116759,"第äºĮæī¹":116760,"åħ¶å®ĥéĹ®é¢ĺ":116761,"æİĮéŨ":116762,"责任å¿ĥ":116763,"é¤IJåħ·":116764,"ç¾Ĭæ¯Ľ":116765,"没æľīå¿ħè¦ģ":116766,"ä¹IJåĽ¢":116767,"è¿ĽåŁİ":116768,"ä¸ĢçĤ¹åĦ¿":116769,"身形":116770,"çļ®èĤ¤çĹħ":116771,"æĺ±":116772,"å¢ŀèĩ³":116773,"èģ²æĺİ":116774,"æıIJè´¨":116775,"ä½ĵèĤ²åľº":116776,"çŃ¹å»º":116777,"é¬Ĩ":116778,"车çīĮ":116779,"éļĶéŁ³":116780,"è´Łè´£åIJĮå¿Ĺ":116781,"丰ç¡ķ":116782,"ä½ĽéĻĢ":116783,"äºīåIJµ":116784,"庶":116785,"æ·¡æ°´":116786,"å°ıçĶ·åŃ©":116787,"ç§ģèĩª":116788,"åĮĸè¿Ľç¨ĭ":116789,"æĪĺ士æĿ¥è¯´":116790,"æ²¹èħ»":116791,"èĦ±è´«èĩ´å¯Į":116792,"æĹ¥å¸¸å·¥ä½ľ":116793,"交èŀį":116794,"åĨľè´¸":116795,"åĨľè´¸å¸Ĥåľº":116796,"åĵĪçĻ»":116797,"çĶµè´¹":116798,"èµĺ":116799,"åıĮèħ¿":116800,"æĵĶå¿ĥ":116801,"æĿ¥å½¢å®¹":116802,"使åij½æĦŁ":116803,"éĤ£ä¹Īç®Ģåįķ":116804,"èĬĻèĵī":116805,"åĢŁæ¬¾äºº":116806,"ç§Ģ丽":116807,"è®ĵä»ĸ":116808,"严åİīæīĵåĩ»":116809,"è³ŀ":116810,"æļ«":116811,"çħ¤æ°Ķ":116812,"çĪ¬ä¸Ĭ":116813,"æ½ĩæ´Ĵ":116814,"太ä¹ħ":116815,"åij½åIJį为":116816,"è·¯çĶ±":116817,"è·¯çĶ±åĻ¨":116818,"驯":116819,"æıIJæĹ©":116820,"æĬĹåĩ»çĸ«æĥħ":116821,"åĩĽ":116822,"交åıĭ":116823,"éĶĢåĶ®æ¸łéģĵ":116824,"毫ä¸įçĬ¹è±«":116825,"èIJ¥åľ°":116826,"çłĶ究表æĺİ":116827,"鱼类":116828,"æį¢å±Ĭ":116829,"æİ¡åıĸ":116830,"çīĨ":116831,"缼å¼Ģ":116832,"沧æ¡ij":116833,"åºŃ审":116834,"ç»ıæŁ¥":116835,"åĬłå¼·":116836,"缸æ¯Ķäºİ":116837,"ä¸ĵçıŃ":116838,"ä½ĵåŀĭ":116839,"被害":116840,"被害人":116841,"æĶ¶æ¬¾":116842,"åħ·æľīèī¯å¥½":116843,"é«ĺå³°æľŁ":116844,"åģıä½İ":116845,"åĦŁ":116846,"åĨľä¸ļç§ijæĬĢ":116847,"çī¹æ®ĬæĥħåĨµ":116848,"å¦Ĥæŀľçݩ家":116849,"éķ¿çº¦":116850,"第åħŃå±Ĭ":116851,"åħ¬å¼ĢæĭĽèģĺ":116852,"åĪĩæĸŃ":116853,"迫使":116854,"çĸĹç¨ĭ":116855,"第äºĮç§į":116856,"ä¸įåħį":116857,"å¹²èѦ":116858,"çŁ³æ¦´":116859,"åĹ£":116860,"两类":116861,"çĪµå£«":116862,"åŁİ乡å±ħæ°ij":116863,"æŃ¤é¡¹":116864,"缴è¾ĸ":116865,"缴è¾ĸå¸Ĥ":116866,"åij¼åºĶ":116867,"éĴ¯":116868,"ç¦ıå¾·":116869,"æľºèº«":116870,"æĵįåľº":116871,"æ¿Ĵ临":116872,"人群ä¸Ń":116873,"èĤ¡æ°ij":116874,"åŃ½":116875,"æ³ķåħ°":116876,"é¨İ":116877,"糯米":116878,"æĢ»çļĦ":116879,"æĢ»çļĦæĿ¥è¯´":116880,"åħ¸éĽħ":116881,"æĸ°éĻĪ":116882,"æĸ°éĻĪ代谢":116883,"缮çĿ¹":116884,"é¢Ħè¨Ģ":116885,"è·Įçł´":116886,"æĸ°ç¯ĩç«ł":116887,"æ¯ĴæĢ§":116888,"åĸĿèĮ¶":116889,"æŁ¥èİ·":116890,"亮丽":116891,"çĶŁäº§åķĨ":116892,"æĶ¹æĪIJ":116893,"为äºĨæĽ´å¥½":116894,"深交":116895,"深交æīĢ":116896,"æİĥ":116897,"ä¹ĻèĤĿ":116898,"泸å·ŀ":116899,"åħĪè¿ĽæĬĢæľ¯":116900,"è¾ĵç»Ļ":116901,"æķ£æĪ·":116902,"æĢĿç»´æĸ¹å¼ı":116903,"åºĹ主":116904,"è°ĭæ±Ĥ":116905,"游æĪıæĬĢå·§":116906,"ä¸Ģ年级":116907,"çľ¼è§Ĵ":116908,"ä¸Ńä»ĭæľºæŀĦ":116909,"å·§åIJĪ":116910,"éĺ²çĽĹ":116911,"导è´Ń":116912,"æĪĬ":116913,"æĽ´éĢĤåIJĪ":116914,"åŁºæľ¬ä¿¡æģ¯":116915,"马ä¸ģ":116916,"åħ»æ®ĸåľº":116917,"åıįè¿ĩæĿ¥":116918,"æݨå´ĩ":116919,"å¯ĨåĪĩåħ³æ³¨":116920,"åŁºéĩijç»ıçIJĨ":116921,"æĮīéĶ®":116922,"åĨħéĥ¨æݧåĪ¶":116923,"æĪIJåijĺåįķä½į":116924,"æľ¯è¯Ń":116925,"åĪ¶æľį":116926,"åĪļéľĢ":116927,"æ£Ģç´¢":116928,"大大æıIJé«ĺ":116929,"åģ¥åº·ç®¡çIJĨ":116930,"èĩªæѤ":116931,"客æĪ·éľĢæ±Ĥ":116932,"丰èĥ¸":116933,"èµ·éĩį":116934,"èµ·éĩįæľº":116935,"æ¬łç¼º":116936,"æ¡ĪåŃIJ":116937,"æĥħ人èĬĤ":116938,"åħļæł¡":116939,"è¢ľ":116940,"该åī§":116941,"è¿·å¤±ä¼łå¥ĩ":116942,"ç»ļ丽":116943,"åķª":116944,"æĹłç§ģ":116945,"éĢ²ä¸ĢæŃ¥":116946,"第ä¸Ģç«ł":116947,"åĻ¨åħ·":116948,"åĨľèµĦ":116949,"確實":116950,"åºıåĪĹ":116951,"娱ä¹IJå¹³åı°":116952,"èŀįèµĦ秣èµģ":116953,"èµĦæºIJåħ±äº«":116954,"èģ½åĪ°":116955,"æIJŀå¾Ĺ":116956,"继ç»Ńä¿ĿæĮģ":116957,"åIJ¯èĴĻ":116958,"çľº":116959,"ä¸Ŀè·¯":116960,"设æĸ½å»ºè®¾":116961,"æİ¥åľ°":116962,"æİ¥åľ°æ°Ķ":116963,"第ä¸īåŃ£åº¦":116964,"åŁºè°ĥ":116965,"åıijéŁ³":116966,"社ä¼ļèµĦæľ¬":116967,"éĽĩ主":116968,"è¿ŀèĥľ":116969,"没åķ¥":116970,"廢":116971,"赶赴":116972,"æ¼ĶåĮĸ":116973,"åı¤æĢª":116974,"çİĭçĪ·":116975,"é¢ĦåħĪ":116976,"å¼Ģåħ·":116977,"åĽŀé¦ĸ":116978,"åľ°ä¸ĭæ°´":116979,"å°ıç¼ĸä¸Ģèµ·":116980,"èµİåĽŀ":116981,"åľ°è²Į":116982,"åĪĿä¸ī":116983,"åı¯çĶ¨äºİ":116984,"éģĹ迹":116985,"è¿Ļæī¹":116986,"èĸªæ°´":116987,"å¿ħçĦ¶ä¼ļ":116988,"æ²½":116989,"éįĭ":116990,"第ä¸Ģéĥ¨":116991,"åĪĬçī©":116992,"å®ŀä¾ĭ":116993,"æ¸ħåĩĢ":116994,"ä¸ĬèµĽåŃ£":116995,"åĽ¾è¡¨":116996,"éĤ®è½®":116997,"åĵªè£¡":116998,"缸è§ģ":116999,"æī°ä¹±":117000,"æ¯ıæ¯ı":117001,"è¿Ļè¾ĪåŃIJ":117002,"ç¡«éħ¸":117003,"äºī缸":117004,"溯æºIJ":117005,"åĩºä¼Ĺ":117006,"çİīçŁ³":117007,"åħ±çĶŁ":117008,"æŶéĹ´æ®µ":117009,"éĩįè¦ģæĮĩ示":117010,"æ¶Īè´¹éľĢæ±Ĥ":117011,"éķ¿éķ¿":117012,"éķ¿éķ¿çļĦ":117013,"å®īæĬļ":117014,"å¢ŀé«ĺ":117015,"æľ¬è½®":117016,"äº²çľ¼":117017,"é£İæ³¢":117018,"èĢģå¦Ī":117019,"æĶ¶è´¹æłĩåĩĨ":117020,"åĨħéĻĨ":117021,"æĮ¥åıij":117022,"åįĩåѦ":117023,"èĥ¸åīį":117024,"åģıè¿ľ":117025,"纯æ´ģ":117026,"æĸ½å·¥åįķä½į":117027,"身价":117028,"è´¢åĬĽ":117029,"纶":117030,"è£ħçĶ²":117031,"æĺ¾ç¤ºåĻ¨":117032,"毫åįĩ":117033,"æ·±çŁ¥":117034,"èĢ¶ç©":117035,"èĢ¶ç©Į":117036,"è¾ĥéĩı":117037,"åľ¨è¿ĩ渡":117038,"åľ¨è¿ĩæ¸¡æľŁ":117039,"èĮĹ":117040,"ä¸Ģ个æĺŁæľŁ":117041,"èĬ·":117042,"è´¿èµĤ":117043,"æ¿ķ":117044,"æĩĤäºĭ":117045,"秧":117046,"åħħå½ĵ":117047,"åĽ½ç«ĭ":117048,"èĬ±çĵ£":117049,"éĤĦè¦ģ":117050,"åħ¬åľĴ":117051,"触åĬ¨":117052,"æ³°å·ŀ":117053,"ä»Ģä¹Īæł·":117054,"æ»ĭåħ»":117055,"è¯ĦåĪ¤":117056,"æĮ¥æīĭ":117057,"èĦĪ":117058,"姥姥":117059,"è¿IJè´¹":117060,"æ¯ħåĬĽ":117061,"å¿ĥæĻº":117062,"ä¸įæİĴéĻ¤":117063,"第ä¸ī代":117064,"éĢĢè´§":117065,"æĺŁéĻħ":117066,"æ°¸åĪ©":117067,"æĬ¤åį«":117068,"çıŃ车":117069,"è¨Ģè¡Į":117070,"繪":117071,"主åĬ¨æĢ§":117072,"å·¥ç¨ĭè´¨éĩı":117073,"éĥĬåĮº":117074,"ä¸Ģæłĭ":117075,"ä½Ĩå®ŀéĻħä¸Ĭ":117076,"ä¸ī大èģĮä¸ļ":117077,"åij¼åı«":117078,"女åħĴ":117079,"è¯ģåĪ¸æĬķèµĦ":117080,"èĢĥæħ®":117081,"çĤ«èĢĢ":117082,"治好":117083,"åĺ¶":117084,"èĥ¤":117085,"åħīä¼ıåıijçĶµ":117086,"åĩłæŃ¥":117087,"æīĢæīĢ":117088,"æīĢæīĢéķ¿":117089,"çħ§æł·":117090,"åĵ¥ä»¬":117091,"è¯Ľ":117092,"è¿Ļä¸ĢåĪ»":117093,"çŁ¿çī©è´¨":117094,"ä¸įå¾Ĺå·²":117095,"åIJĮ缣":117096,"ç»Ĩå¾®":117097,"è·¯èĻİ":117098,"çĻ¾èĬ±":117099,"æ··æ²Į":117100,"ä¸Ĭæµ·è¯ģåĪ¸":117101,"éĢĢç¨İ":117102,"èµŀåı¹":117103,"æī®æ¼Ķ游æĪı":117104,"åIJįåĪĹ":117105,"åIJįåĪĹåīį":117106,"åIJįåĪĹåīįèĮħ":117107,"ç±³å°Ķ":117108,"ä»Ģä¹ĪåİŁåĽł":117109,"å®īåħ¨ä¿Ŀéļľ":117110,"ä¸Ģåıªæīĭ":117111,"ä¹³ä¸ļ":117112,"ä¸įçĶĺ":117113,"æĥħåķĨ":117114,"æĮ¡ä½ı":117115,"åİŁåĽłä¹ĭä¸Ģ":117116,"è¿Ļ两天":117117,"çĥĺçĦĻ":117118,"豬":117119,"ä½łä»¥ä¸º":117120,"没è§ģè¿ĩ":117121,"åĵªå®¶å¥½":117122,"åīįä»»":117123,"è¿Ľè´§":117124,"éĢĢåĽŀ":117125,"串èģĶ":117126,"èĩ³æĸ¼":117127,"åĨ°æ·ĩ":117128,"åĨ°æ·ĩæ·ĭ":117129,"æŁ¥çľĭ详æĥħ":117130,"çı¾å¯¦":117131,"æݨæµĭ":117132,"æİ¥æīĭ":117133,"éļ¶å±ŀäºİ":117134,"åŁİå¸Ĥ群":117135,"æĿİåħĪçĶŁ":117136,"çŁ¿æ³īæ°´":117137,"çī¹ä»·":117138,"æĽ´å¤ļ精彩":117139,"ç¨ĭå¼ı":117140,"读æĩĤ":117141,"å±ıèĶ½":117142,"奥æŀĹ":117143,"奥æŀĹåĮ¹":117144,"奥æŀĹåĮ¹åħĭ":117145,"红èĸ¯":117146,"奮":117147,"å®Ŀçİī":117148,"網絡":117149,"貧":117150,"欧å¼ı":117151,"çĻ½ç³ĸ":117152,"èĩªçĦ¶çģ¾å®³":117153,"åijĬè¯ī她":117154,"å»ļ":117155,"çĤ¹åĩ»æŁ¥çľĭ":117156,"é£İ湿":117157,"èµĦ产éĩįç»Ħ":117158,"ä¹Łä¸įä¾ĭå¤ĸ":117159,"åįĬ个å°ıæŶ":117160,"åIJ¸å¼ķæĽ´å¤ļ":117161,"æŶéĹ´èĬĤçĤ¹":117162,"æĶ¶çº³":117163,"åIJ¸æ¯Ĵ":117164,"èĢģ乡":117165,"çIJħ":117166,"æľĢçµĤ":117167,"åıįæĦŁ":117168,"çĶ¨å¾®ä¿¡":117169,"çĶ¨å¾®ä¿¡æī«":117170,"éĢŁçİĩ":117171,"大çĨĬçĮ«":117172,"åı¯æĥ³":117173,"åı¯æĥ³èĢĮ":117174,"åı¯æĥ³èĢĮçŁ¥":117175,"åĴ§":117176,"èµ°åħ¥":117177,"碳éħ¸":117178,"èĮĥåĨ°":117179,"èĮĥåĨ°åĨ°":117180,"被åĪ¤":117181,"积æŀģæݨåĬ¨":117182,"足足":117183,"ç²ĴåŃIJ":117184,"大å®Ĺ":117185,"大å®ĹåķĨåĵģ":117186,"ç½ij绾ç§ijæĬĢ":117187,"æĽ¼åŁİ":117188,"å·²ä¹ħ":117189,"å·²ä¹ħçļĦ":117190,"秦çļĩ":117191,"秦çļĩå²Ľ":117192,"ä»»æķĻ":117193,"åĶ¯ç¾İ":117194,"æ·¡åĮĸ":117195,"æ¡ĤèĬ±":117196,"çŁ¥è¯ĨåĪĨåŃIJ":117197,"æĩĴå¾Ĺ":117198,"主åħ¬":117199,"设计çIJĨ念":117200,"賺":117201,"æīĢæıIJä¾Ľ":117202,"æīĢæıIJä¾Ľä¹ĭ":117203,"æĶ»åħĭ":117204,"åĤ¾":117205,"è¯Ńæ³ķ":117206,"åįĥåı¤":117207,"éĸĭæĶ¾":117208,"第ä¸ĢèĬĤ":117209,"éĤĦæ²Ĵ":117210,"éĢĥçĶŁ":117211,"æ³Ĺ":117212,"åİ¿å§Ķ书记":117213,"ä½ľèĢħæīĢæľī":117214,"çħ½":117215,"ç»ħ":117216,"æłħ":117217,"æľ´ç´ł":117218,"çijķçĸµ":117219,"åĮħåĮħ":117220,"æ°ij主åħļ":117221,"ä¸įè¿ľå¤Ħ":117222,"å¥ĩå¼Ĥ":117223,"åĺ»åĺ»":117224,"æī¼":117225,"ç¿»å¼Ģ":117226,"æĢİèĥ½":117227,"éģ´éĢī":117228,"解éĩĭ":117229,"å¹¼ç¨ļ":117230,"è¦ģ好好":117231,"è¶´åľ¨":117232,"ç´¢åıĸ":117233,"ç»ĪçĶŁ":117234,"åħ¨æµģç¨ĭ":117235,"éģ©çķ¶":117236,"åįıè°ĥåıijå±ķ":117237,"æĬ¥ä»ĩ":117238,"ç§ijæĬĢåĽŃ":117239,"ä»Ģä¹Īéĥ½ä¸į":117240,"æľĢåIJİä¸Ģ次":117241,"ç»Ļ人ä¸Ģç§į":117242,"æł¸å®ļ":117243,"被åĪĹåħ¥":117244,"æĦıæĥ³ä¸įåĪ°":117245,"èĢĥæŁ¥":117246,"åľ¨æѤä¹ĭåīį":117247,"æīĵçIJĥ":117248,"è¶ĬæĿ¥è¶Ĭå°ij":117249,"å®ļå¾ĭ":117250,"è¡ĮæĶ¿æľºåħ³":117251,"ä½ıæĪ¿åħ¬ç§¯":117252,"å°ıå§IJå§IJ":117253,"ä¸īèı±":117254,"修补":117255,"èŀĥèŁ¹":117256,"西çĶ²":117257,"æĢł":117258,"çŃīå¤ļ项":117259,"产ä¸ļéĽĨèģļ":117260,"ä»·æł¼ä¸Ĭ涨":117261,"åħ¬åħ±åľºæīĢ":117262,"è¢ĭåŃIJ":117263,"æĨ§æĨ¬":117264,"çļĦæĸ¹å¼ıæĿ¥":117265,"åĪ°è´¦":117266,"çģ½":117267,"å·´èı²":117268,"å·´èı²çī¹":117269,"æ¼Ķä¹ł":117270,"èŃ¦ç¤ºæķĻèĤ²":117271,"çķıæĥ§":117272,"å¼ķæµģ":117273,"æĶ¶æĶ¯":117274,"å±Ĥåĩº":117275,"å±Ĥåĩºä¸į":117276,"å±Ĥåĩºä¸įç©·":117277,"æijĩæ»ļ":117278,"辦çIJĨ":117279,"纵è§Ĥ":117280,"æķijæµİ":117281,"家éĥ½çŁ¥éģĵ":117282,"åĮ¯":117283,"å°ı鸣":117284,"ä»»åĭĻ":117285,"计åħ¥":117286,"ç«ŀéĢī":117287,"å¼ĢèįĴæĹ¶æľŁ":117288,"åij¨æģ©":117289,"åij¨æģ©æĿ¥":117290,"交ç»ĩ":117291,"çķ¢æ¥Ń":117292,"æł¹æį®èĩªå·±":117293,"æĸ°äººçݩ家":117294,"åѵåĮĸåĻ¨":117295,"éĩĩæļĸ":117296,"å¹³åĿĩæ°´å¹³":117297,"åħ¬å¼Ģ课":117298,"失åĪ©":117299,"伺æľį":117300,"çĬģ":117301,"忽æĤł":117302,"主è¦ģéĽĨä¸Ń":117303,"æ¤įæłij":117304,"æ¯ĹéĤ»":117305,"èĩºçģ£":117306,"åĩºåĽ½çķĻåѦ":117307,"æĬĹéľĩ":117308,"æĥ©æĪĴ":117309,"å¹´åºķåīį":117310,"åĴ¸éĺ³":117311,"æ°ijå±ħ":117312,"大çIJĨçŁ³":117313,"éĿ³":117314,"éķĸ":117315,"æ¸ħè¿ľ":117316,"è£ħè½½":117317,"èĩĢ":117318,"å½±ä¸ļ":117319,"å¼ŁåħĦ":117320,"æĤ²è§Ĥ":117321,"çĿĢçľ¼äºİ":117322,"æįįåį«":117323,"åī¥å¤º":117324,"ç¯Ĩ":117325,"å¾Īéķ¿æŶéĹ´":117326,"è¥Ł":117327,"第ä¸ĢçĻ¾":117328,"ä¸ĢåĪĨéĴ±":117329,"æĸ°éĹ»è®°èĢħ":117330,"éķ·æľŁ":117331,"æ³ķæĪĺç»ĦåIJĪ":117332,"è°ģçŁ¥éģĵ":117333,"èħ°éĥ¨":117334,"æ±īåł¡":117335,"åħ¥çĿ¡":117336,"åįĸæİī":117337,"æ¶Īè²»èĢħ":117338,"æĥ¯ä¾ĭ":117339,"æĥ³äºĨ":117340,"æĥ³äºĨæĥ³":117341,"èĢģæŧå°ıåĮº":117342,"ä¼łè¨Ģ":117343,"åĪĨæķ°çº¿":117344,"æµģ泪":117345,"ç»Ħç»ĩé¢Ĩ导":117346,"äºļåĨĽ":117347,"å¢ŀåĢ¼æľįåĬ¡":117348,"å¾¹":117349,"伶":117350,"äºĽè®¸":117351,"å¸ĥèݱ":117352,"强æĤį":117353,"宫廷":117354,"绿èĮ¶":117355,"åĮ¡":117356,"å¾ĪæŃ£å¸¸":117357,"æĺ¥å¤ı":117358,"æ¯Ļ":117359,"è¯Ħæ¯Ķ":117360,"åĩ¡äºĭ":117361,"æĬīæĭ©":117362,"åĢĴéľī":117363,"éĩį度":117364,"åįıä¼ļä¼ļéķ¿":117365,"忧èĻij":117366,"ä¸ĭä¸Ģç¯ĩ":117367,"沪深":117368,"æĪİ":117369,"æīĵä»Ĺ":117370,"åįĪé¥Ń":117371,"å¹´é¾Ħ段":117372,"ä¸ŃåĽ½è¶³çIJĥ":117373,"设计æĸ¹æ¡Ī":117374,"åºĶçĶ¨æŁ¥çľĭ":117375,"é¢ĦæĸĻ":117376,"åĹ¡":117377,"ç¥ĸçĪ¶":117378,"çļĦä¸Ģåijĺ":117379,"æ´Ĺå¹²åĩĢ":117380,"åİĨåı²æĸ°":117381,"åİĨåı²æĸ°é«ĺ":117382,"çĭ¬åħ·":117383,"æħĭ度":117384,"æīĵ交":117385,"æīĵ交éģĵ":117386,"é»ĦçŁ³":117387,"çĽ¼æľĽ":117388,"çī§åľº":117389,"转弯":117390,"åįĩåįİ":117391,"åĨįä¹Łæ²¡æľī":117392,"èĭ±æīį":117393,"æĽ´åIJį为":117394,"åĢŁçĶ¨":117395,"çºłéĶĻ":117396,"ç»Ŀ对ä¸įä¼ļ":117397,"çİĭçīĮ":117398,"çĽĨåľ°":117399,"失è°ĥ":117400,"好象":117401,"é³¥":117402,"ä¿Ŀä¿®":117403,"åĽĽä¸ªèĩªä¿¡":117404,"头çļ®":117405,"åİŁåīĩ":117406,"æĬ¥æ¡Ī":117407,"奴éļ¶":117408,"å³Ļ":117409,"è°ĥæĸĻ":117410,"ä¹Łè¨±":117411,"èIJ½åĪ°":117412,"èIJ½åĪ°å®ŀ":117413,"èIJ½åĪ°å®ŀå¤Ħ":117414,"çĦļçĥ§":117415,"çĶŁæ´»çݯå¢ĥ":117416,"åºĶåıĬæŶ":117417,"è¶Ĭè¿ĩ":117418,"æĦŁè¬Ŀ":117419,"æĻ¯å¾·":117420,"æĻ¯å¾·éķĩ":117421,"çĬĢ":117422,"身éĤĬ":117423,"ç¨İåĬ¡æĢ»å±Ģ":117424,"åĩĢåľŁ":117425,"ä¾µåįł":117426,"åĬ¨å·¥":117427,"å¹´ä¹ĭ":117428,"å¹´ä¹ĭä¹ħ":117429,"第äºĮèĬĤ":117430,"åĬ¨çī©åĽŃ":117431,"第ä¸Ģ书记":117432,"éħļ":117433,"çĶŁäº§è®¾å¤ĩ":117434,"æŁIJç§įç¨ĭ度":117435,"åľŃ":117436,"åĩŃåĢŁçĿĢ":117437,"éĺħè§Ī":117438,"çĻ½æ²Ļ":117439,"æ²¹çĥŁ":117440,"çªģçł´åı£":117441,"åıĹå½±åĵį":117442,"åı¯ä»¥æĽ´å¥½":117443,"å³°åĢ¼":117444,"æĿĤè´¨":117445,"宿è¿ģ":117446,"çĽĺæ´»":117447,"æ¿Ģèµ·":117448,"åĦ¿ç§ij":117449,"åĿIJèIJ½åľ¨":117450,"æĮªå¨ģ":117451,"æµ·å²Ľ":117452,"绣绣":117453,"éĻ¨":117454,"ä¼ĺäºİ":117455,"å°Ī家":117456,"ä¸ĢéĤĬ":117457,"èIJĬ":117458,"äºĨä¸Ģåı£":117459,"æ²ĥå°Ķæ²ĥ":117460,"æŃ£å¸¸ä½¿çĶ¨":117461,"æĻ®éģįåŃĺåľ¨":117462,"丰满":117463,"çĶ»åį·":117464,"åºĶæĶ¶":117465,"åºĶæĶ¶è´¦":117466,"åºĶæĶ¶è´¦æ¬¾":117467,"å®Įæķ´çĥŃ":117468,"å®Įæķ´çĥŃæ¦ľ":117469,"注è§Ĩ":117470,"çĨĦ":117471,"躬":117472,"éĶĢåĶ®äººåijĺ":117473,"è¶ĭåIJij":117474,"çĦ¦æĢ¥":117475,"åįģå¹´åīį":117476,"ä¼łç»Łäº§ä¸ļ":117477,"質éĩı":117478,"åĩ¤åĩ°ç½ij":117479,"èµĦæºIJæķ´åIJĪ":117480,"æ¶Įåħ¥":117481,"æĸĩåĮĸä¼łæĴŃ":117482,"çķĮ第ä¸Ģ":117483,"æ°´æ³µ":117484,"宫殿":117485,"æݢ寻":117486,"ä¿®åīª":117487,"æĦıè¦ĭ":117488,"ç´Ĭä¹±":117489,"æĽī":117490,"çĻ½è¡£":117491,"èĻİåį«":117492,"ç´§æī£":117493,"å¤Ħå¤Ħéķ¿":117494,"åĪĽå»ºå·¥ä½ľ":117495,"红æŀ£":117496,"饼干":117497,"äºĨåįĬ天":117498,"ä¼ļå½±åĵįåĪ°":117499,"çĽ¸ä¿¡å¤§å®¶":117500,"èħ¾é£ŀ":117501,"å°±å¦ĤåIJĮ":117502,"ä¸ĭéĿ¢å°ıç¼ĸ":117503,"æ°ijèIJ¥ç»ıæµİ":117504,"æĻ¦":117505,"è£ħæī®":117506,"é»ijå¤ľ":117507,"常德":117508,"å·¥ä¸ļ大åѦ":117509,"æĺİçŁ¥":117510,"éĺŁåijĺ们":117511,"åIJ¬è¯¾":117512,"æ¯ıéļĶ":117513,"羣æĺ¯å¤ª":117514,"åIJĪä½ľåħ±èµ¢":117515,"çIJĨåıij":117516,"æīįå¹²":117517,"çľĭèµ·ä¾Ĩ":117518,"殿ä¸ĭ":117519,"å®īéĺ³":117520,"æīĢ产çĶŁçļĦ":117521,"éĽĩä½£":117522,"æĬ¬èµ·å¤´":117523,"æį®æĬ¥éģĵ":117524,"éļĨéĩį举è¡Į":117525,"交éĶĻ":117526,"è¶ħé¢Ŀ":117527,"åĮĸçĸĹ":117528,"é¡Ĩ":117529,"纵深":117530,"çĪ±åĽ½ä¸»ä¹ī":117531,"éĻ¢åī¯éĻ¢éķ¿":117532,"讳":117533,"羣æŃ£åģļåĪ°":117534,"åѤåįķ":117535,"èĩªçĦ¶èĢĮ":117536,"èĩªçĦ¶èĢĮçĦ¶":117537,"修身":117538,"èĬ¹":117539,"æģ¯æģ¯":117540,"æģ¯æģ¯çĽ¸åħ³":117541,"é©¾æł¡":117542,"æݩ饰":117543,"æ³½è¿ŀ":117544,"æ³½è¿ŀæĸ¯åŁº":117545,"举æŃ¢":117546,"管çIJĨä½ĵåĪ¶":117547,"åħ¶ä¸Ńä¹ĭä¸Ģ":117548,"æĿ¾å¼Ľ":117549,"æĭ¦æĪª":117550,"åį«åģ¥":117551,"åį«åģ¥å§Ķ":117552,"ä»İåݻ年":117553,"åĤ¢":117554,"è´Ń票":117555,"åĽ¾æłĩ":117556,"河西":117557,"æ°ijæĶ¿å±Ģ":117558,"ç§ģèIJ¥":117559,"å¤ĸåĽ½è¯Ń":117560,"干货":117561,"æĵ¦æĭŃ":117562,"åľ°ä¸Ń":117563,"åľ°ä¸Ńæµ·":117564,"æµĵæµĵ":117565,"æµĵæµĵçļĦ":117566,"å§ĭ建":117567,"å§ĭ建äºİ":117568,"ç¶ĵæŃ·":117569,"è·¯æ¼Ķ":117570,"æļ´é£İ":117571,"åŁºè¾ħ":117572,"æī¶è´«å·¥ä½ľ":117573,"ä¸Ģ缴å¤Ħäºİ":117574,"æĥħ趣":117575,"äºĮåŃ£åº¦":117576,"åİĮæģ¶":117577,"顺åĪ©å®ĮæĪIJ":117578,"æŁ¥å°ģ":117579,"顶端":117580,"ä¸įåŃķ":117581,"ä¸Ģ大åłĨ":117582,"被æ·ĺæ±°":117583,"æĺ¯çĶ¨æĿ¥":117584,"æľĢåIJĪéĢĤ":117585,"äº®çľ¼":117586,"并ä¸įæĺ¯å¾Ī":117587,"ç§ijçłĶéĻ¢":117588,"ç§ijçłĶéĻ¢æīĢ":117589,"ç²Ł":117590,"é¢Īéĥ¨":117591,"é»ĺé»ĺåľ°":117592,"é«ĺä¸ŃçĶŁ":117593,"æĹıèĩªæ²»åİ¿":117594,"æķĻåŃ¦è´¨éĩı":117595,"æĪĺçģ«":117596,"åĿİåĿ·":117597,"æIJŃä¹ĺ":117598,"è¯ĹæĦı":117599,"åĪijèѦ":117600,"åĩºæ±Ĺ":117601,"åįģåħŃæĿ¡":117602,"请åıĬæŶ":117603,"åĨľä¸ļ大åѦ":117604,"èIJ½åı¶":117605,"æĢ»èĢĮè¨Ģ":117606,"æĢ»èĢĮè¨Ģä¹ĭ":117607,"æĿľåħ°":117608,"æĿľåħ°çī¹":117609,"éĻªä½ł":117610,"åħ¬æĬ¥":117611,"çķĻè¨ĢæĿ¿":117612,"éĺħåİĨ":117613,"競çĪŃ":117614,"ç»ĻåĪ«äºº":117615,"æĹ¥æĬ¥ç¤¾":117616,"åĿIJèIJ½":117617,"åĿIJèIJ½äºİ":117618,"éĩijåŃĹ":117619,"éĩijåŃĹå¡Ķ":117620,"åĽ¤":117621,"è¯Ŀåī§":117622,"æĮģç»Ńæİ¨è¿Ľ":117623,"æ¼ıæ°´":117624,"詳細":117625,"æĢĢæĬ±":117626,"åıĺå¹»":117627,"饥饿":117628,"éļIJ身":117629,"ä¸ªèµĽåŃ£":117630,"åĵ¡å·¥":117631,"æģ¢å¤įæŃ£å¸¸":117632,"äºĨ好å¤ļ":117633,"æĺŁå·´":117634,"æĺŁå·´åħĭ":117635,"åħīçݯ":117636,"å¸ħåĵ¥":117637,"çĻ½éĽª":117638,"ç¨įç¨į":117639,"计æıIJ":117640,"æĦĽæĥħ":117641,"éİĸ":117642,"ä¿¡éĺ³":117643,"è§Ģå¯Ł":117644,"å¦Ĥæŀľä½łæĥ³":117645,"缸æ¯Ķä¹ĭä¸ĭ":117646,"解å¼Ģ":117647,"æīĵåį°æľº":117648,"身躯":117649,"ç²¾ç¥ŀæĸĩæĺİ":117650,"èĤ¡æĮĩ":117651,"å¾®åĪĽ":117652,"红èĮ¶":117653,"èĩ´çĻĮ":117654,"æģ©æĸ½":117655,"èħ¿éĥ¨":117656,"大åŀĭå¤ļ人":117657,"å®īåĢį":117658,"è¾ħ导åijĺ":117659,"èĪªéģĵ":117660,"å¸ĥå°Ķ":117661,"åįĹå®ģå¸Ĥ":117662,"ä¸ĬçıŃæĹı":117663,"侧ç»ĵæŀĦæĢ§":117664,"追éļı":117665,"å½ĵåľ°æĶ¿åºľ":117666,"èµ°åĩºæĿ¥":117667,"éĩijèŀįä¸ļ":117668,"ä¸Ľä¹¦":117669,"é¡¹çĽ®ç»ıçIJĨ":117670,"è¿ĩæĪ·":117671,"骨æŀ¶":117672,"è¡Ļ":117673,"ä»Ģ麽":117674,"èħĭ":117675,"è¦ģ害":117676,"åľ¨åºĬä¸Ĭ":117677,"代è¨Ģ人":117678,"並å°ĩ":117679,"åIJĦ个æĸ¹éĿ¢":117680,"è°´è´£":117681,"åħ±æĮ¯":117682,"åį³å°ĨåĪ°æĿ¥":117683,"èĤºçĻĮ":117684,"ä¾ĽéĶĢ":117685,"丼æŀĹ":117686,"èµĥ":117687,"åįģä½Ļå¹´":117688,"åĭĺæİ¢":117689,"飵åij³":117690,"èĭ¦ç¬ij":117691,"æľĢ大ç¨ĭ度":117692,"éĩįçĤ¹åħ³æ³¨":117693,"ä¹ĭ举":117694,"满æĢĢ":117695,"åıĹåĪ°å½±åĵį":117696,"æĭĽæĬķæłĩ":117697,"è¡¥é½IJ":117698,"西红":117699,"è¥¿çº¢æŁ¿":117700,"鬧":117701,"è£ħåį¸":117702,"éĤ»éĩĮ":117703,"èĤĩäºĭ":117704,"æİĴæ¯Ĵ":117705,"åѤåĦ¿":117706,"鼶è·Ŀ离":117707,"å®ŀå¹²":117708,"çľĭæŁ¥çľĭ":117709,"æĶ¶è´¹ç«Ļ":117710,"ç»·":117711,"åħ¬çĽĬæĢ§":117712,"éĢĴç»Ļ":117713,"æĶ»æīĵ":117714,"æĺŁçº§éħĴåºĹ":117715,"æĺİåªļ":117716,"çį¨ç«ĭ":117717,"è¯Ŀè¯ŃæĿĥ":117718,"ä¸ĢæŃ¥ä¸ĢæŃ¥":117719,"书æ³ķ家":117720,"æľªç»ıæİĪæĿĥ":117721,"çŁ³èĨı":117722,"åĩŃä»Ģä¹Ī":117723,"çļĦæĹ¥":117724,"çļĦæĹ¥åŃIJéĩĮ":117725,"诱人":117726,"çĻ¾åĪĨçĻ¾":117727,"èĪĪ趣":117728,"å¼łåħĪçĶŁ":117729,"èĢģçĪ·åŃIJ":117730,"æ³¢çī¹":117731,"åŁºéĩij份é¢Ŀ":117732,"æ²Ļåıijä¸Ĭ":117733,"å¥ĭæĸĹ缮æłĩ":117734,"æ°¢èĥ½":117735,"æ²ĥå°ĶçİĽ":117736,"義åĭĻ":117737,"éŁ³ç®±":117738,"æ²ī浸":117739,"æ²īæµ¸åľ¨":117740,"èĭ±åľĭ":117741,"çģ¯çģ«":117742,"è¿Ľé¡¹":117743,"两端":117744,"ä¹Ķ丹":117745,"èĦ¸é¢Ĭ":117746,"åıijå±ķæ½ľåĬĽ":117747,"åĭķä½ľ":117748,"åĵĪä½Ľ":117749,"å®´ä¼ļ":117750,"æ§į":117751,"ç«ĭå¿Ĺ":117752,"ç¡ķ士åѦä½į":117753,"åĭĭç«ł":117754,"è¿Ļåľºæ¯ĶèµĽ":117755,"æĮģå¹³":117756,"éķĢéĶĮ":117757,"èĭ±çī¹":117758,"èĭ±çī¹å°Ķ":117759,"æķĻèģĮå·¥":117760,"åĬŁåĬĽ":117761,"该æ¡Ī":117762,"ä¸Ģæ¢Ŀ":117763,"åĺīå¹´":117764,"åĺīå¹´åįİ":117765,"è¿«ä¸įåıĬ":117766,"è¿«ä¸įåıĬå¾ħ":117767,"è¿Ļ个æĹ¶ä»£":117768,"精彩æĴŃæĬ¥":117769,"人èĦ¸":117770,"人èĦ¸è¯ĨåĪ«":117771,"æ£Ģå¯Łå®ĺ":117772,"å°ıèħ¿":117773,"éĨĴ缮":117774,"åħļæĢ»":117775,"åħļæĢ»æĶ¯":117776,"æĪŁ":117777,"èĮ«çĦ¶":117778,"è±ĨæµĨ":117779,"主治":117780,"éĿĴæµ·çľģ":117781,"åĪijäºĭ责任":117782,"çł°":117783,"ä¹ĭæ¬ĬåĪ©":117784,"äºĶå®ĺ":117785,"è¿·æĥij":117786,"åħ¥åºĵ":117787,"家纺":117788,"弹簧":117789,"åįģäºĶæĿ¡":117790,"ç»Ļå®Ŀå®Ŀ":117791,"èĪªç©ºèĪªå¤©":117792,"å¾Ģå¤ĸ":117793,"å¼ķåĬĽ":117794,"çľ¼çļ®":117795,"æ¶ī足":117796,"æĿ¥å®¾":117797,"åľ¨çº¿è§Ĵèī²":117798,"çĥŃéĶĢ":117799,"æµģéĢĿ":117800,"泡泡":117801,"éĻįå¹ħ":117802,"è´ŁéĿ¢å½±åĵį":117803,"红楼":117804,"红楼梦":117805,"éļĶçĿĢ":117806,"侥幸":117807,"许ä¹ħ":117808,"åĴĮçĿ¦":117809,"èŃ½":117810,"使çĶ¨èĢħæĪĸ":117811,"ä¹°åįķ":117812,"è¿´":117813,"é£İæīĩ":117814,"æķĻ師":117815,"æ¡ĮåŃIJä¸Ĭ":117816,"å¾Īæ¼Ĥ亮":117817,"åł±å°İ":117818,"第ä¸ĢåŃ£åº¦":117819,"ç©©å®ļ":117820,"æĤ²åĵĢ":117821,"çĿĢåĬĽæīĵéĢł":117822,"æĮŁ":117823,"路桥":117824,"åijIJ":117825,"åľ£è¯ŀèĬĤ":117826,"çļĩåŃIJ":117827,"ä»ĩæģ¨":117828,"éħĿéħ¿":117829,"ä¸įéĹ´":117830,"ä¸įéĹ´æĸŃ":117831,"æĮĩå°ĸ":117832,"ä¸ŃåĽ½ç½ij游":117833,"åŀ£":117834,"æĦıè§ģ建议":117835,"æ¯ħçĦ¶":117836,"亮度":117837,"èģĶè°Ĭ":117838,"å½ķåħ¥":117839,"åĦ²":117840,"å¨ĺ家":117841,"ç§ijå°Ķ":117842,"ä¹Łæ²¡ä»Ģä¹Ī":117843,"æł¹æį®ä¸įåIJĮ":117844,"åı¶ä¿®":117845,"åĢ¼å®Ī":117846,"æľ«ç«¯":117847,"åĪ¨":117848,"åĤµåĭĻ":117849,"èģ¯åIJĪ":117850,"å¥ĩå¹»":117851,"èĻļæŀĦ":117852,"é»Ħæĺı":117853,"å¹³åĿ¦":117854,"æµģæ°ĵ":117855,"æĸ°åŁºå»º":117856,"æĮ½æķij":117857,"åįİå°Ķ":117858,"åįİå°Ķè¡Ĺ":117859,"æľĢåıĹ欢è¿İ":117860,"ç»Ń约":117861,"å¼Ĭ端":117862,"éŃĶæ³ķå¸Ī":117863,"éŃĶæ³ķå¸ĪåĴĮ":117864,"åħ·ä½ĵåĨħ容":117865,"çIJīçĴĥ":117866,"æī©å®¹":117867,"èĮ¶åĽŃ":117868,"主ä¹īèĢħ":117869,"ç«ĭéĿ¢":117870,"æİ¥åıĹéĩĩ访":117871,"åĩºåħ¥å¢ĥ":117872,"ç§ijåįı":117873,"éĴ³":117874,"çµIJæ§ĭ":117875,"ç»ĵæŀľæĺ¾ç¤º":117876,"åı°è´¦":117877,"å°±æĿ¥çľĭçľĭ":117878,"èĩªæķij":117879,"åıįæĩī":117880,"åİ»åĵªåĦ¿":117881,"è¿Ļé¦ĸ":117882,"è¿Ļé¦ĸæŃĮ":117883,"åIJ¬ä¼Ĺ":117884,"å¤ĸ壳":117885,"ä½ĵèĤ²é¦Ĩ":117886,"實æĸ½":117887,"èŀºä¸Ŀ":117888,"æĭīåįĩ":117889,"çĮĽåľ°":117890,"åħ¨åĽ½äººæ°ij":117891,"æĤīå°¼":117892,"æĹı群":117893,"åĽ¢åijĺ":117894,"两个å°ıæŶ":117895,"åľ¨çݩ家":117896,"åľ¨çݩ家ä¸Ń":117897,"çĶľçĶľ":117898,"æĬķè¡Į":117899,"åįĶæľĥ":117900,"éĻ¡":117901,"åĬłå·¥åİĤ":117902,"æ¦ĨæŀĹ":117903,"æŃ»è§Ĵ":117904,"åĨħå¹ķ":117905,"æīĢæľīæĥħèĬĤ":117906,"åĪ·åį¡":117907,"æ°´èĤ¿":117908,"èĥĥåı£":117909,"å«Įå¼ĥ":117910,"沮丧":117911,"ä¸ī年级":117912,"æ¶Ĥå±Ĥ":117913,"å¿ĥ仪":117914,"å¿ĥ仪çļĦ":117915,"å¤Ń":117916,"é¦ĸè½®":117917,"æĹłè®ºæĺ¯åħ¶":117918,"éĢıæ°Ķ":117919,"äºĮåįģäºĶ":117920,"箫":117921,"åĬŁåĬ³":117922,"çŃ¾ä¸ĭ":117923,"æ²īè¿·":117924,"æķijåij½":117925,"éĹªéĹª":117926,"åIJĥäºı":117927,"å±ķåĵģ":117928,"åį³æŶåıijçĶŁ":117929,"綾":117930,"綾åIJĪ":117931,"æłĩæĺİ":117932,"çľĭçĶµå½±":117933,"åħ¬ç«ł":117934,"éĺ¿æ£®":117935,"éĺ¿æ£®çº³":117936,"身åĪĽéĢł":117937,"身åĪĽéĢłçļĦ":117938,"æ¸Ľå°ij":117939,"åĢ¼å¾Ĺåħ³æ³¨":117940,"鼶åĶ®åķĨ":117941,"æįĨç»ij":117942,"è¸ıåħ¥":117943,"èĽŁ":117944,"æŁ´çº³":117945,"èĢģåħµ":117946,"绿èī²çݯä¿Ŀ":117947,"é¹Ń":117948,"éº»æľ¨":117949,"æıŃçīĮ":117950,"è¿Ļ款车":117951,"ç¾İå¾·":117952,"ç¾İå¾·åħ¬åı¸":117953,"涧":117954,"è°ģçŁ¥":117955,"æ´ĭèij±":117956,"æ¯įæł¡":117957,"ä¸ĢéĹª":117958,"çĶ·ä¸»è§Ĵ":117959,"æĹłçº¿çĶµ":117960,"å±łå®°":117961,"æĺ¯éŁ©åĽ½":117962,"æĺ¯éŁ©åĽ½å¨±":117963,"容è²Į":117964,"åĿĩ使åħ¶":117965,"太快":117966,"å¹´çĶ±":117967,"å¹´çĶ±çĽĽ":117968,"èĭ¦èĭ¦":117969,"åĬĽè¿ĺæĺ¯":117970,"åĬĽè¿ĺæĺ¯èĩª":117971,"æĨ©":117972,"èģ¯çµ¡":117973,"åĶ¾":117974,"åħ·æľīæĪĺ士":117975,"追éĹ®":117976,"åłĨæĶ¾":117977,"åıį驳":117978,"å®ŀäºĭæ±Ĥ":117979,"å®ŀäºĭæ±Ĥæĺ¯":117980,"åѸéĻ¢":117981,"åįģåĩłä¸ª":117982,"æķijæĬ¤":117983,"æķijæĬ¤è½¦":117984,"ç½ijç»ľä¼łæĴŃ":117985,"åįģåħ«å±Ĭ":117986,"éĥ¨åī¯":117987,"éĥ¨åī¯éĥ¨éķ¿":117988,"çĹ´è¿·":117989,"管çIJĨæĿ¡ä¾ĭ":117990,"èŀį为ä¸Ģä½ĵ":117991,"æĢ»äº§åĢ¼":117992,"è³ĵ":117993,"ä¸ĥæĺŁ":117994,"çıŃç»Ħ":117995,"绣é¢Ĩ":117996,"请大家":117997,"éĩijéĻµ":117998,"èĪħèĪħ":117999,"æµ·æ¹¾":118000,"æĸ½çŃĸ":118001,"享èªī":118002,"麥":118003,"端åįĪ":118004,"绿åŁİ":118005,"確ä¿Ŀ":118006,"å·´æĭī":118007,"åĨĴçĿĢ":118008,"æħ·æħ¨":118009,"个人è§ĤçĤ¹":118010,"ä¹Ļçĥ¯":118011,"ç¡ħè°·":118012,"éĸĭå±ķ":118013,"å°ļ书":118014,"åĿļ飧":118015,"庵":118016,"èĢģé¾Ħ":118017,"èĢģé¾ĦåĮĸ":118018,"çľ¨çľ¼":118019,"绿水":118020,"绿水éĿĴå±±":118021,"书é¦Ļ":118022,"主åĬĽåĨĽ":118023,"æīįæĺ¯çľŁæŃ£":118024,"æĬ¢åħĪ":118025,"æĪIJå°±æĦŁ":118026,"éĩįæŀĦ":118027,"éĴ¢åİĤ":118028,"æĪIJ份":118029,"èĬ±çº¹":118030,"ä¹ĭäºī":118031,"å¹²ç»Ĩèĥŀ":118032,"æĹ¢åı¯ä»¥":118033,"ç¹ģçIJIJ":118034,"æĦļèł¢":118035,"éĿŀ常æĺİæĺ¾":118036,"ä½ĵ彩":118037,"æĬĢæ³ķ":118038,"æĿĨèıĮ":118039,"å¹¿æ³Ľåħ³æ³¨":118040,"åĮĹå®ĭ":118041,"å§Ĭ妹":118042,"åįıåĬŀ":118043,"æ·®åįĹ":118044,"çĥı":118045,"æ´ĹèĦ¸":118046,"åıĹ访":118047,"åıĹ访èĢħ":118048,"éĩįè¦ģåĽłç´ł":118049,"å½±è§Ĩåī§":118050,"综èīºèĬĤ缮":118051,"èľķåıĺ":118052,"äºĮ线":118053,"äºĮ线åŁİå¸Ĥ":118054,"ä¼Ĭå§ĭ":118055,"çıĬçijļ":118056,"èĩªæŁ¥":118057,"åħ¥åĽŃ":118058,"åĩ¶æīĭ":118059,"åħ¬è¯ī":118060,"éģĩéļ¾":118061,"éĩĩçŁ¿çŃī":118062,"èĩªçIJĨ":118063,"åĸ·æ¶Ĥ":118064,"æī©åħħ":118065,"éĢıè§Ĩ":118066,"é«ĺéĢŁå¢ŀéķ¿":118067,"åĽ¾çĶ»":118068,"ç¾¹":118069,"èĤĩåºĨ":118070,"è¾ľè´Ł":118071,"èµĶä»ĺ":118072,"è·¡":118073,"åģ¥åº·æĪIJéķ¿":118074,"以ä¸ĬåѦåİĨ":118075,"åıĸå¾Ĺ以åıĬ":118076,"æ²ī积":118077,"åįģä¹Ŀå±Ĭ":118078,"缸éĹľæľįåĭĻ":118079,"æī§åĭ¤":118080,"åī¯åİ¿éķ¿":118081,"寰":118082,"åģľæ»ŀ":118083,"淹没":118084,"çŁ³çģ°":118085,"çį¸":118086,"åĢ¦":118087,"ç¾İåªĴ":118088,"æķĻæ¡Ī":118089,"åĬłçĽĸ":118090,"åħ¬å¼ĢèµĽ":118091,"å¥łåŁº":118092,"æĺĨèĻ«":118093,"çŀħ":118094,"磷éħ¸":118095,"äºīåĪĽ":118096,"çİĭæĻĵ":118097,"ç¼ĵåĨ²":118098,"åİļåİļ":118099,"åİļåİļçļĦ":118100,"æŀ£åºĦ":118101,"ç²¾çĽĬ":118102,"ç²¾çĽĬæ±Ĥ":118103,"ç²¾çĽĬæ±Ĥç²¾":118104,"åĪĨæĶ¯æľºæŀĦ":118105,"å®ŀæĸ½ç»ĨåĪĻ":118106,"æĸ°èµĽåŃ£":118107,"總統":118108,"éĢłè¡Ģ":118109,"é¢ĩåħ·":118110,"é»ĦåŁĶ":118111,"è¡ĢèĦĤ":118112,"交éĢļå·¥åħ·":118113,"å³¥":118114,"æĹıèĩªæ²»å·ŀ":118115,"寺éĻ¢":118116,"確å®ļ":118117,"æ¦Ĥ念èĤ¡":118118,"æĦŁå®ĺ":118119,"æŁľåı°":118120,"åĶĶ":118121,"çŀŃ解並":118122,"æĢ»ä»·":118123,"åIJ¸åħ¥":118124,"æĢ¼":118125,"æĻļéĹ´":118126,"å±Ĭæ¯ķä¸ļçĶŁ":118127,"çĶŁå§ľ":118128,"éĺħ读åħ¨æĸĩ":118129,"å¾ĹåĪ°æľīæķĪ":118130,"æIJľæķij":118131,"åİĨæĿ¥":118132,"èŃīæĺİ":118133,"åĥ»":118134,"èĨ³é£Ł":118135,"åĦĦåħĥ":118136,"æīĵåİĭ":118137,"宾客":118138,"åķ¼":118139,"ä¸ĢçĻ¾å¤ļ":118140,"æ·±åħ¥äººå¿ĥ":118141,"æ¢ħå·ŀ":118142,"çłĶåѦ":118143,"åħ³ä¹İ":118144,"è¼Ľ":118145,"亲åıĭ":118146,"éħįæĸĻ":118147,"æĪijçĪ±ä½ł":118148,"è´¸æĺĵæĪĺ":118149,"æľīèī²":118150,"æľīèī²éĩijå±ŀ":118151,"æįIJåĬ©":118152,"为é¦ĸ":118153,"为é¦ĸçļĦ":118154,"å¯ĮåĬĽ":118155,"çĶ·ç¥ŀ":118156,"é³³":118157,"æµĩæ°´":118158,"åIJ±":118159,"æĺİç¡®æıIJåĩº":118160,"åı¹äºĨ":118161,"åı¹äºĨåı£æ°Ķ":118162,"礼æĭľ":118163,"è¿Ļ个åIJįåŃĹ":118164,"ä¿¡å¾Ĵ":118165,"å¿Ĺ强":118166,"éĻIJæŶ":118167,"æĶ¶è²»":118168,"åĨľå®¶ä¹IJ":118169,"å°ıé¾ĻèĻ¾":118170,"èIJ½å¹ķ":118171,"æ§Ł":118172,"åѦ龸":118173,"æĪĸå¤ļ":118174,"æĪĸå¤ļæĪĸ":118175,"æĪĸå¤ļæĪĸå°ij":118176,"座è°Īä¼ļä¸Ĭ":118177,"涼":118178,"éŃĶçİĭ":118179,"å²±":118180,"顶å±Ĥ":118181,"顶å±Ĥ设计":118182,"èĦijåŃIJéĩĮ":118183,"éĻ¢åŃIJéĩĮ":118184,"轩è¾ķ":118185,"身å¿ĥåģ¥åº·":118186,"èħij":118187,"éĹľæ³¨":118188,"åıĤåĬłä¼ļè®®":118189,"ä¸ŃåįİæĸĩåĮĸ":118190,"追寻":118191,"å®īçĦ¶":118192,"é£Ļåįĩ":118193,"éŁŃèıľ":118194,"鸦":118195,"åĤ¨éĩı":118196,"çĶ·æĸ¹":118197,"å¤ĩ份":118198,"æijĶåĢĴ":118199,"润æ»ijæ²¹":118200,"éĢ¼è¿ij":118201,"çĶ³è¯ī":118202,"鸣类":118203,"çŁ³æ²¹åĮĸå·¥":118204,"åĿļæŀľ":118205,"è¿Ļ家ä¼Ļ":118206,"æĭĴä¸į":118207,"羣çļ®":118208,"è·ĿéĽ¢":118209,"è¿ĺæĮº":118210,"éĽķåĥı":118211,"åĪĿæģĭ":118212,"æıIJä¾ĽæĽ´å¤ļ":118213,"æŁ¥çľĭåħ¨æĸĩ":118214,"æķ°åŃĹè´§å¸ģ":118215,"åĸīåĴĻ":118216,"åı¦ä¸Ģä½į":118217,"åĤ¬åĮĸ":118218,"åĤ¬åĮĸåīĤ":118219,"ä»İæĿ¥æ²¡":118220,"å¯ĨåĪĩ缸åħ³":118221,"éĥ¨ä¸»ä»»":118222,"产åĵģç»ıçIJĨ":118223,"並åIJĮæĦı":118224,"èIJ½åħ¥":118225,"å±ıå¹ķä¸Ĭ":118226,"åħ¬åı¸ç«łç¨ĭ":118227,"æį¢åı¥è¯Ŀ":118228,"æį¢åı¥è¯Ŀ说":118229,"ä½įæĸ¼":118230,"ä½Ķ":118231,"åĩ»æĿĢ":118232,"缸è¾ĥ":118233,"缸è¾ĥäºİ":118234,"ç²½åŃIJ":118235,"åįĹæŀģ":118236,"宫é¢Ī":118237,"è£ģåijĺ":118238,"æĺİç»Ĩ":118239,"ä»·åĢ¼éĵ¾":118240,"åĽĽä¸ªæĸ¹éĿ¢":118241,"æĥħåĨµæĿ¥çľĭ":118242,"æĮijåīĶ":118243,"æ®ĺ":118244,"æŀģåĬĽ":118245,"çĸijéļ¾":118246,"æĬµæĬĹåĬĽ":118247,"æĢ¥éĢŁ":118248,"æĪĮ":118249,"ä½İä¼°":118250,"éĹªè¿ĩ":118251,"æģ¬":118252,"èµŀæī¬":118253,"ä»ĸå¦Ī":118254,"æĪIJ为ä¸ĢåIJį":118255,"æ´Ĺ礼":118256,"é¢Ħ计å°Ĩ":118257,"åħĪè¿Ľåįķä½į":118258,"è¼Ķ":118259,"éĢĥèĦ±":118260,"çİ°åŃĺ":118261,"èĢģèĻİæľº":118262,"åįģä¸ĥæĿ¡":118263,"åı¦ä¸ĢåįĬ":118264,"温æĥħ":118265,"åī¥ç¦»":118266,"ä¸ĸè´¸":118267,"å®ĺåı¸":118268,"å¾Īå·®":118269,"éĹ´è·Ŀ":118270,"请注æĦı":118271,"åı²è¯Ĺ":118272,"åĪ©åĻ¨":118273,"è¿IJç®Ĺ":118274,"沦为":118275,"該使çĶ¨èĢħ":118276,"èĮ¬":118277,"éĶ¦ç»£":118278,"åı²æĸĻ":118279,"çģµæ´»æĢ§":118280,"èģĶ社":118281,"æĹłåĬ©":118282,"æĬĹæ°§åĮĸ":118283,"èıľèĤ´":118284,"éĢłèĪ¹":118285,"æİīèIJ½":118286,"å¤įæŁ¥":118287,"åĭĥåĭĥ":118288,"åij¼å£°":118289,"給äºĪ":118290,"åIJĮäºĭ们":118291,"ç½°":118292,"è¯ķæİ¢":118293,"åħ³éĶ®åŃĹ":118294,"æįIJçĮ®":118295,"ç»Łè®¡æķ°æį®":118296,"åĪĽä½ľèĢħ":118297,"ä¸ĭåįĬ":118298,"ä¸ĭåįĬåľº":118299,"æī¿æĭħ责任":118300,"端æŃ£":118301,"ç©¿è¡£":118302,"ä¼łçIJĥ":118303,"åĬ©éķ¿":118304,"åĩ±":118305,"éķ¶åµĮ":118306,"é£ŀç¿Ķ":118307,"è¾ĵåįµ":118308,"è¾ĵåįµç®¡":118309,"ä¸ĩåħ¬éĩĮ":118310,"æݨ广åºĶçĶ¨":118311,"å¿«æ¨Ĥ":118312,"秽":118313,"èī°å·¨":118314,"åIJ¬å®Į":118315,"åĿļ硬":118316,"å¥¥åľ°":118317,"å¥¥åľ°åĪ©":118318,"é¢ĵ":118319,"èĻIJå¾ħ":118320,"ä¾Ľæ±Ĥ":118321,"éľīç´ł":118322,"伪è£ħ":118323,"ä¹¡åľŁ":118324,"åĩ¡æľ¬ç½ij":118325,"åĩ¡æľ¬ç½ij注":118326,"ä¼ĬåĪ©":118327,"è¡¡æ°´":118328,"æĽ´åĥıæĺ¯":118329,"åĪĨéĴŁå·¦åı³":118330,"è¦ı模":118331,"äºĶåĪĨéĴŁ":118332,"åºĹåĬłçĽŁ":118333,"åĽ°éĽ£":118334,"åħ³åģľ":118335,"æĢĿ绪":118336,"åĴ½åĸī":118337,"缸符":118338,"çĥ¦èºģ":118339,"æĻĤæľŁ":118340,"åijĪçı¾":118341,"解æķ£":118342,"诱导":118343,"éļĶçĥŃ":118344,"çĮ¶":118345,"åįĹå®ĭ":118346,"æ·±åħ¥äºĨ解":118347,"çŃĶçĸij":118348,"æĺ¼å¤ľ":118349,"åįĥä¼ı":118350,"åĬ³åĬ¡æ´¾éģ£":118351,"红è±Ĩ":118352,"åĿıäºĭ":118353,"çĤ¹æ»´":118354,"å°±ä¸ļå²Ĺä½į":118355,"约åIJĪ":118356,"åħįéĻ¤":118357,"éĢĨåĬ¿":118358,"éĩįéĩijå±ŀ":118359,"å®ĺ宣":118360,"ä½İå»ī":118361,"æģ¨ä¸įå¾Ĺ":118362,"å¾Ĺ天":118363,"å¾Ĺ天çĭ¬":118364,"å¾Ĺ天çĭ¬åİļ":118365,"ä¸Ģå°ģä¿¡":118366,"æĬ½å¥ĸ":118367,"è¾Ĺ转":118368,"çķĻå®Ī":118369,"çķĻå®ĪåĦ¿ç«¥":118370,"çŃĶåį·":118371,"å·¨åŀĭ":118372,"æľĢ好ä¸įè¦ģ":118373,"æµĻæ±Łå¤§åѦ":118374,"æĨ¨":118375,"æı¡æīĭ":118376,"éĴĪç»ĩ":118377,"æİĴ骨":118378,"çĤ½":118379,"å°ģè£ħ":118380,"åįĢåŁŁ":118381,"空æ°ĶåĩĢåĮĸ":118382,"åħīå½±":118383,"åĢĴå¡Į":118384,"å§ļæĺİ":118385,"æ¤į被":118386,"åѦåīį":118387,"åѦåīįæķĻèĤ²":118388,"èĬĿåĬł":118389,"èĬĿåĬłåĵ¥":118390,"缩水":118391,"ä½Ł":118392,"åľ¨çº¿åĴ¨è¯¢":118393,"èµıæŀIJ":118394,"éĿĴèĽĻ":118395,"æĬ±ä½ı":118396,"èĮĤåIJį":118397,"åħ¨åĬĽæīĵéĢł":118398,"åįļ士åѦä½į":118399,"沧å·ŀ":118400,"åĻ¢":118401,"æĿĤçī©":118402,"åĪ»çĶ»":118403,"æįħ":118404,"å¾®éĩı":118405,"å¾®éĩıåħĥç´ł":118406,"ä¸ĢåĽŀäºĭ":118407,"鸡èĤī":118408,"åĪ©æ¶¦çİĩ":118409,"æīįç®Ĺ":118410,"å¾®å¦Ļ":118411,"棵æłij":118412,"贪婪":118413,"åĩıåĢ¼":118414,"梦å¢ĥ":118415,"åı¯è§Ĩ":118416,"åı¯è§ĨåĮĸ":118417,"广大å¸Ĥæ°ij":118418,"ä¸ĵä¸ļä»İäºĭ":118419,"ç»ı纬":118420,"ç´§çĽ¯":118421,"çŁ¥å·±":118422,"è¤ļ":118423,"æĸĩåĮĸåºķèķ´":118424,"åݦéŨå¸Ĥ":118425,"临港":118426,"对åħ¶çľŁå®ŀ":118427,"岸边":118428,"è¦ĸçĤº":118429,"æĬĹçĻĮ":118430,"åĶIJå®ĩ":118431,"ä¸įå¾Ĺè¶ħè¿ĩ":118432,"å¨ģæħij":118433,"æ¡Ĩæŀ¶åįıè®®":118434,"èµ°ç§ģ":118435,"åĽ¢å§Ķ":118436,"夸大":118437,"æ¬Ħ":118438,"ç¥ŀç»ıç³»ç»Ł":118439,"æijĦå½±ä½ľåĵģ":118440,"èĬ¥":118441,"å®īåºĨ":118442,"海滨":118443,"æŀĦæĢĿ":118444,"çīµæĮĤ":118445,"åı©":118446,"éĺIJæĺİ":118447,"éģģ":118448,"精油":118449,"ç©´ä½į":118450,"æĬ¤èº«":118451,"æĬ¤èº«ç¬¦":118452,"æĮĩå°İ":118453,"åŃĺåľ¨ä¸Ģå®ļ":118454,"å¯ĤéĿĻ":118455,"æµ·å¤ĸå¸Ĥåľº":118456,"éĿ¡":118457,"综åIJĪå¾ģ":118458,"ä¿IJ":118459,"è¨Īç®Ĺ":118460,"æĺİæľĹ":118461,"äºļè¿IJ":118462,"äºļè¿IJä¼ļ":118463,"åīįçŀ»æĢ§":118464,"åĮ®ä¹ı":118465,"产ä¸ļæī¶è´«":118466,"èĦijæµ·":118467,"èĦijæµ·ä¸Ń":118468,"åħļçļĦé¢Ĩ导":118469,"åĪĺéĤ¦":118470,"æµģæĺŁ":118471,"æĵĤ":118472,"æĶĢçĻ»":118473,"åĴĶ":118474,"ä¸Ģä¸ĭåŃIJå°±":118475,"è¯Ĭæ²»":118476,"使åĬ²":118477,"åīµä½ľ":118478,"éĵŃè®°":118479,"éĴ±è´¢":118480,"æĹ¥æĬ¥è®°èĢħ":118481,"çĥŁçģ«":118482,"èĥľè´Ł":118483,"åįļ主":118484,"ä¸ŃåĽ½èģĶéĢļ":118485,"ç½ijç«Ļé¦ĸ页":118486,"å°±å¤Ł":118487,"å°±å¤ŁäºĨ":118488,"æīijåħĭ":118489,"å±ħå§Ķä¼ļ":118490,"è°¬":118491,"å®īåħ¨äºĭæķħ":118492,"åķĨçĶ¨è½¦":118493,"循çݯç»ıæµİ":118494,"æ·¤":118495,"èĢĥè¯ģ":118496,"å®ĿèĹı":118497,"å®Įç»ĵ":118498,"çłĶåıijæĬķåħ¥":118499,"å²ij":118500,"æģŃæķ¬":118501,"离éĢĢä¼ij":118502,"水墨":118503,"婶":118504,"è¯Ĺåı¥":118505,"å®ģæ³¢å¸Ĥ":118506,"å¼±çĤ¹":118507,"åģľçīĮ":118508,"奶油":118509,"å¥ĩ纳河":118510,"æĨĤ":118511,"社ä¼ļå®ŀè·µ":118512,"è´Ŀ壳":118513,"çłĤæµĨ":118514,"èĪ¹åıª":118515,"宣æī¬":118516,"综åIJĪæķ´æ²»":118517,"åĤij":118518,"æ°ijæĹıæĸĩåĮĸ":118519,"éĩįçİ°":118520,"积æ·Ģ":118521,"åħ¬çĦ¶":118522,"çħī":118523,"缸èģļ":118524,"æ±¾":118525,"纹çIJĨ":118526,"çĩĥçħ¤":118527,"æѤç§į":118528,"ç¾İå¦Ĩ":118529,"åįĥçĵ¦":118530,"çIJĽ":118531,"驾驶è¯ģ":118532,"éĺ¶æ¢¯":118533,"ä¸Ŀä¸Ŀ":118534,"å¾Īå¤ļäºĭæĥħ":118535,"åħīéĺ´":118536,"èijĹä½ľæ¬Ĭ":118537,"åħ§éĥ¨":118538,"çĽ¸å¯¹æĿ¥è¯´":118539,"éĸĴ":118540,"éľĩæħij":118541,"說話":118542,"æĨij":118543,"ç«¥è£ħ":118544,"ä½ıæĪ¿åĴĮ":118545,"ä½ıæĪ¿åĴĮåŁİ":118546,"å·²ç»ıè¶ħè¿ĩ":118547,"ä¾¦å¯Ł":118548,"çŁ¿çī©":118549,"ä¾Ľå¤§å®¶":118550,"çī¹éĤĢ":118551,"ç¨ĭåºıåijĺ":118552,"çķľçī§ä¸ļ":118553,"æ°ª":118554,"çijª":118555,"åĢĴåľ¨":118556,"åĢĴåľ¨åľ°":118557,"æ¯Ģ":118558,"梯éĺŁ":118559,"æİ¥èijĹ":118560,"æĬĹèıĮ":118561,"è¤ĩ":118562,"ç¬Ļ":118563,"æ¯Ķä¸Ĭå¹´":118564,"鸡汤":118565,"åŃ¦ä¹łæĪIJ绩":118566,"æĸijæĸĵ":118567,"åħĪ导":118568,"åĪĹ举":118569,"è°ĥæŁ¥æĺ¾ç¤º":118570,"æ©«":118571,"ä¹Ŀåįģ":118572,"è°¢éŁµ":118573,"è·¨è¶Ĭå¼ı":118574,"女æĢ§æľĭåıĭ":118575,"èIJ¥åħ»ä»·åĢ¼":118576,"å®ŀè·µç»ıéªĮ":118577,"èĭıå·ŀå¸Ĥ":118578,"çĵ¶åŃIJ":118579,"æĸ°çļĦä¸Ģ":118580,"æĸ°çļĦä¸Ģå¹´":118581,"æĺİæĻ°":118582,"å®łçĪ±":118583,"åŃĹ第":118584,"æľĹ诵":118585,"纳æĸ¯":118586,"éĢĨè¡Į":118587,"è«ĭæĤ¨":118588,"è«ĭæĤ¨æıIJä¾Ľ":118589,"èĥ¸æĢĢ":118590,"第ä¸ĥå±Ĭ":118591,"强壮":118592,"代åŃķ":118593,"汶å·Ŀ":118594,"家åĸ»":118595,"家åĸ»æĪ·":118596,"家åĸ»æĪ·æĻĵ":118597,"èħ®":118598,"åIJ¯è¿ª":118599,"æĹłéļľç¢į":118600,"èĻķçIJĨåıĬ":118601,"æĿ¥åİĨ":118602,"å®ŀåĬ¡":118603,"ä¹Łéļıä¹ĭ":118604,"æĬĢèĥ½åŁ¹è®Ń":118605,"åѤç«ĭ":118606,"åīģ":118607,"éĥ´å·ŀ":118608,"æĶ¶æķĽ":118609,"éł»éģĵ":118610,"èį£å¹¸":118611,"èİ«è¿ĩäºİ":118612,"æѤæĻĤ":118613,"纪å§ĶçĽij":118614,"纪å§ĶçĽijå§Ķ":118615,"缸éĤ»":118616,"åı¦ä¸Ģè¾¹":118617,"çªĴæģ¯":118618,"æľīå¾Īå¤ļç§į":118619,"æ¯ıéĢ¢":118620,"éĹ®ä¸ĸ":118621,"累累":118622,"éĿĴæĺ¥æľŁ":118623,"è·¯åĨµ":118624,"åħĭèݱ":118625,"è¿Ħä»Ĭ为æŃ¢":118626,"æĥĬå¥ĩ":118627,"跨度":118628,"éħ¿éĢł":118629,"åĩĭ":118630,"è¿ijä¸īå¹´":118631,"åĨħ马":118632,"åĨħ马å°Ķ":118633,"æıį":118634,"è¿Ľå±ķæĥħåĨµ":118635,"èĮ§":118636,"æľīåºıæİ¨è¿Ľ":118637,"æĢ»åĨłåĨĽ":118638,"æĪIJ绩åįķ":118639,"éĽ»è©±åıĬ":118640,"ç´§å¯Ĩç»ĵåIJĪ":118641,"åºĬä½į":118642,"é¹Ĭ":118643,"æķ£åıijçĿĢ":118644,"åĭŁèµĦ":118645,"æ°¨éħ¸":118646,"彩ç¥ŀ":118647,"è®Ģåıĸ":118648,"éĩį温":118649,"ä¸ŃåŃĺåľ¨çļĦ":118650,"ç¾İéºĹ":118651,"ä¸įæĸŃå¢ŀåĬł":118652,"è½®æµģ":118653,"æİ¥åIJ¬":118654,"年产åĢ¼":118655,"åįĥåħĭ":118656,"æĪĺåľºä¸Ĭ":118657,"çħ§é¡§":118658,"å¹²éĥ¨éĺŁä¼į":118659,"åį°ç«ł":118660,"ä¸Ģèĩ´æĢ§":118661,"è¿ŀå¤ľ":118662,"åħħè£ķ":118663,"é»ijåIJįåįķ":118664,"åĩĢæ°´":118665,"ä¸Ģ大æĹ©":118666,"åĮħ袱":118667,"çĬ¯è§Ħ":118668,"çIJĨè«ĸ":118669,"æŀģæĺĵ":118670,"骸":118671,"å¨ĺå¨ĺ":118672,"åĽ¢åľĨ":118673,"亿åħĥ以ä¸Ĭ":118674,"åĪ©çĶ¨æĤ¨çļĦ":118675,"带æĿ¥æĽ´å¤ļ":118676,"ä¸Ń央空è°ĥ":118677,"æľĪèĸª":118678,"çĮľæĥ³":118679,"åĪºå®¢":118680,"ä½ľæģ¯":118681,"åįķè°ĥ":118682,"äºĴåĪ©":118683,"å¦Ĥæľīä¾µæĿĥ":118684,"å°ıå·§":118685,"åįģåł°":118686,"åĵĪåĵĪåĵĪåĵĪ":118687,"è¾¹éĻħ":118688,"æłĩè¯Ń":118689,"åĪĩåħ¥çĤ¹":118690,"éĢĨè¢Ń":118691,"è¯ķåīĤ":118692,"绿è±Ĩ":118693,"è®ļ":118694,"åŁºçĿ£å¾Ĵ":118695,"壬":118696,"åħ¨æĺİæĺŁ":118697,"éĢīç§Ģ":118698,"èĪĮå°ĸ":118699,"ä¸įåIJĮç±»åŀĭ":118700,"çĥŁåĽ±":118701,"çģµæ°Ķ":118702,"åĮºç®¡å§Ķä¼ļ":118703,"åĨľåī¯":118704,"åĨľåī¯äº§åĵģ":118705,"èĶļæĿ¥":118706,"沪æĮĩ":118707,"åħ»æ®ĸæĪ·":118708,"æĸĹå¿Ĺ":118709,"é¦ĸé¢Ĩ":118710,"è¡Ģèħ¥":118711,"åĬłç´§":118712,"ä¸Ģèĩ´å¥½è¯Ħ":118713,"第ä¸īèĬĤ":118714,"æī¬å°ĺ":118715,"交éĢļæŀ¢çº½":118716,"鼶ç¢İ":118717,"é»ijæ´ŀ":118718,"çľĭä¸įæĩĤ":118719,"å±ŀå®ŀ":118720,"主åŁİåĮº":118721,"å¨Ľ":118722,"å¨Ľæ¨Ĥ":118723,"ç¬ijæĦı":118724,"èĻ¹æ¡¥":118725,"åIJĦ个çݯèĬĤ":118726,"çķ¥å¾®":118727,"èĢķèĢĺ":118728,"æľ¬åľºæ¯ĶèµĽ":118729,"æĪIJè´¥":118730,"éĢīèĤ¡":118731,"èªŀè¨Ģ":118732,"çŃĶ辩":118733,"èĩªä¹ł":118734,"棺":118735,"ä¸ĩ欧åħĥ":118736,"åģľå·¥":118737,"对åħ¶è¿Ľè¡Į":118738,"积æŀģéħįåIJĪ":118739,"ä¹¾åĿ¤":118740,"å¦ĸæĢª":118741,"èļĮåŁł":118742,"èµĦ产è¯Ħä¼°":118743,"è°ĥçļ®":118744,"éĻ¤å¤ķ":118745,"åĽ´å¢Ļ":118746,"æľįå½¹":118747,"æ·±æ¸Ĭ":118748,"é¢ĦåĪ¶":118749,"çĥ½":118750,"å®ī稳":118751,"建æŀĦ":118752,"çĭĻåĩ»":118753,"主åĭķ註åĨĬ":118754,"éĥ½æľīèĩªå·±":118755,"æİĴåIJį第ä¸Ģ":118756,"麻辣":118757,"çĢļ":118758,"çĥŁèĬ±çĪĨ":118759,"çĥŁèĬ±çĪĨ竹":118760,"èĩªçĦ¶ä¿ĿæĬ¤":118761,"ä»Ļå¢ĥ":118762,"为äºĨéģ¿åħį":118763,"åĨ·åºĵ":118764,"解æĶ¾æĢĿæĥ³":118765,"åĪĿäºĮ":118766,"ä½ĵè´´":118767,"é¦ĸå¯Į":118768,"迪æĭľ":118769,"æļĤç¼ĵ":118770,"æĶ¯æĮģåĬĽåº¦":118771,"侦æİ¢":118772,"马åĪº":118773,"åĮĹæ±½":118774,"ç¹ŀ":118775,"è°İè¨Ģ":118776,"éĢ£çºĮ":118777,"å·³":118778,"ä»»ä½ķæŶåĢĻ":118779,"车èģĶç½ij":118780,"åįķ项":118781,"å¸Ńåį·":118782,"建çŃijæĿIJæĸĻ":118783,"ä¸Ńç§ĭèĬĤ":118784,"ç¡ķ士çłĶ究":118785,"ç§ģç«ĭ":118786,"åħļåĴĮæĶ¿åºľ":118787,"æľ¬æ¬¡äº¤æĺĵ":118788,"èººåľ¨åºĬä¸Ĭ":118789,"ç½ijåıĭè¯Ħ论":118790,"å¦Ŀ":118791,"害ç¾ŀ":118792,"åħ¬ç«ĭåĮ»éĻ¢":118793,"ä¸ŀ":118794,"çĶŁçī©è´¨":118795,"åºĶéĤĢ":118796,"æĬ½åıĸ":118797,"åĩłå¼ł":118798,"æijĺç¼ĸ":118799,"ç»ĺæľ¬":118800,"详解":118801,"强硬":118802,"æľĢåħĪè¿ĽçļĦ":118803,"æĭĽèĤ¡":118804,"æĭĽèĤ¡ä¹¦":118805,"åįĥæĸ¹":118806,"åįĥæĸ¹çĻ¾":118807,"åįĥæĸ¹çĻ¾è®¡":118808,"éħįéŁ³":118809,"驾çħ§":118810,"å¾ģæĪĺ":118811,"èªĵè¨Ģ":118812,"æĭľå¸Ī":118813,"æĭľå¸ĪåѦ":118814,"æĭľå¸ĪåѦèīº":118815,"æĬ±åĽ¢":118816,"ç±³ç²ī":118817,"éĿŀ常éĢĤåIJĪ":118818,"èĪªæµ·":118819,"履约":118820,"åįģåħ«æĿ¡":118821,"éĶ»éĢł":118822,"éĩįè¦ģ举æݪ":118823,"åıijæĮ¥ä½ľçĶ¨":118824,"æ·ļ":118825,"人社":118826,"人社å±Ģ":118827,"è¯ķçĤ¹å·¥ä½ľ":118828,"éĺľéĺ³":118829,"æ¡ĥåľĴ":118830,"æ°ijä¼ģ":118831,"æ´ģçĻ½":118832,"贵宾":118833,"åħ¬ç¤¾":118834,"è§īæĤŁ":118835,"è®°å¿ĨåĬĽ":118836,"æľĥåĵ¡è¨»åĨĬ":118837,"æѤæ¡Ī":118838,"麻çĹ¹":118839,"çıĢ":118840,"æĸ©èİ·":118841,"çĶ·åŃ©åŃIJ":118842,"å±ĢéĻIJäºİ":118843,"åĭĺæŁ¥":118844,"åIJĥ饱":118845,"èĬ¬åħ°":118846,"æ£ķèī²":118847,"ç¦ıç¥ī":118848,"çĶ³èĬ±":118849,"æµ·çĽĹ":118850,"èĶij":118851,"æĸĩåѸ":118852,"æ´»æĢ§çĤŃ":118853,"缴éĢļ车":118854,"è°¢éĤĢ":118855,"躺çĿĢ":118856,"åľĥ":118857,"æ¯ıæĹ¥ç»ıæµİ":118858,"åħ¬åħ±æĸĩåĮĸ":118859,"讲æķħäºĭ":118860,"å¯Łçľĭ":118861,"æĤłéĹ²":118862,"åľ°åĿª":118863,"æ¶Įçİ°åĩº":118864,"é«ĺçŃīéĻ¢æł¡":118865,"èĮĦåŃIJ":118866,"éĺ²åį«":118867,"ä¾ĭè¡Į":118868,"æĺ¾éľ²":118869,"æĸ°å¸¸æĢģ":118870,"ç»Ŀä½³":118871,"å¯Įæ°ij":118872,"以人æ°ij":118873,"以人æ°ij为":118874,"éĤ¢åı°":118875,"å±ķæ¼Ķ":118876,"çĻ¼å¸ĥ":118877,"è´Łè½½":118878,"åģı离":118879,"æ°¸éģł":118880,"éĩįè¦ģåİŁåĽł":118881,"åįıä¼ļä¼ļåijĺ":118882,"éļ¾æ°ij":118883,"çĶŁäº§è½¦éĹ´":118884,"çģµåĬ¨":118885,"两年åīį":118886,"æĸ¹åľĨ":118887,"æ´»ä¸ĭåİ»":118888,"ä¸ĸçķĮè§Ĥ":118889,"éªĹåıĸ":118890,"ç¾İè²Į":118891,"èĥ½çľĭåĩº":118892,"çĻ¼æı®":118893,"è§Ĥå½±":118894,"åīĥ":118895,"åIJĪèµĦåħ¬åı¸":118896,"婧":118897,"å¹²æű":118898,"åħŃ个æľĪ":118899,"尤为éĩįè¦ģ":118900,"èĤ½":118901,"ç§¦åĽ½":118902,"æīĺç¦ı":118903,"建çŃijå¸Ī":118904,"åįĩ级æĶ¹éĢł":118905,"å°ıé¢Ŀ":118906,"å°ıé¢Ŀ贷款":118907,"两个维æĬ¤":118908,"æĭįæĭį":118909,"åı¯çĸij":118910,"æį¢åıĸ":118911,"æŃ¦å£«":118912,"èµĸ以":118913,"èµĸ以çĶŁåŃĺ":118914,"æĮļ":118915,"殿åłĤ":118916,"èĩªçĦ¶çķĮ":118917,"ç£ģåľº":118918,"å¦Ĥä½ķçľĭå¾ħ":118919,"ä»ĬæĹ¥å¤´æĿ¡":118920,"è¥¿åŁŁ":118921,"èİ·è¯Ħ":118922,"é¢¨æł¼":118923,"ä¿ĦåĽ½":118924,"æīĵæĭ¼":118925,"å®£ä¼łçīĩ":118926,"å¾Īæĸ¹ä¾¿":118927,"ä¾Ľç»Ļ侧":118928,"纪念ç¢ij":118929,"毫åħĭ":118930,"èĬ³é¦Ļ":118931,"å·¥åķĨéĵ¶è¡Į":118932,"请çĤ¹åĩ»":118933,"缪":118934,"æĹłæķ°æ¬¡":118935,"èį¯å¸Ī":118936,"èħ¸":118937,"游èīĩ":118938,"åĮ¾":118939,"å·¡èĪª":118940,"æ²»çIJĨä½ĵç³»":118941,"èIJ¥éĢłèī¯å¥½":118942,"æ··æ·Ĩ":118943,"éĢļçķħ":118944,"åĬ³ç´¯":118945,"ä»ĵä½į":118946,"å¢ŀéķ·":118947,"éļIJ约":118948,"æĿĤå¿Ĺ社":118949,"åħ»èĤ²":118950,"åı¯èĥ½åıijçĶŁ":118951,"èĢĥ試":118952,"西侧":118953,"åĬłåĢį":118954,"主æĮģåı¬å¼Ģ":118955,"çķ¢ç«Ł":118956,"éĹ®è¯¢":118957,"æµ·æ£ł":118958,"èĹ©":118959,"注æĺİæĿ¥æºIJ":118960,"æ£Ģçĸ«":118961,"请åģĩ":118962,"æĬļæij¸":118963,"èĵĦçĶµæ±ł":118964,"è·Łä¸įä¸Ĭ":118965,"çݰ代社ä¼ļ":118966,"çŃ¹èµĦ":118967,"ä½ĵèĤ²å½©ç¥¨":118968,"延误":118969,"è¾Ľè¾£":118970,"éĿ¢å®¹":118971,"åį°è®°":118972,"çģŃ亡":118973,"ç´łé£Ł":118974,"åħ´èĩ´":118975,"éľĢè¦ģçĶ¨":118976,"éľĢè¦ģçĶ¨åĪ°":118977,"å®Ŀå¦Ī":118978,"ç£ĭåķĨ":118979,"éļ¶å±ŀ":118980,"è´¡çĮ®åĬĽéĩı":118981,"åħ¬åħ±èµĦæºIJ":118982,"大éĺª":118983,"åĨĽè®Ń":118984,"æĤ¬å¿µ":118985,"社ä¼ļ稳å®ļ":118986,"å¹²äºĭåĪĽä¸ļ":118987,"æľīæĿ¡ä»¶":118988,"æľīæĿ¡ä»¶çļĦ":118989,"ä¸Ģå¹´ä¸Ģ度":118990,"åİ¥":118991,"强奸":118992,"豪车":118993,"æİĮæŁľ":118994,"æ°´åĪ©å·¥ç¨ĭ":118995,"峪":118996,"积æŀģä½ľçĶ¨":118997,"æµ·æ·Ģ":118998,"æµ·æ·ĢåĮº":118999,"çĥŃæĴŃ":119000,"åĿļæĮģä¸įæĩĪ":119001,"åıĮèĦļ":119002,"绣æĪĺ":119003,"ä»»ä½ķ人éĥ½":119004,"åľ°ä¸ĭ室":119005,"åĨ¶çĤ¼":119006,"è°ħ解":119007,"æ¸ĶèĪ¹":119008,"太éĺ³åŁİ":119009,"被æįķ":119010,"计ç®ĹåĻ¨":119011,"西åĮ»":119012,"èĪĴå¿ĥ":119013,"桦":119014,"éģ²":119015,"åĬij":119016,"è¨Ĺ":119017,"èݺ":119018,"åĸ¬":119019,"çĵ¯":119020,"åĺĺ":119021,"åłķ":119022,"æķĿ":119023,"åij¦":119024,"èĭŀ":119025,"æŃ¹":119026,"æĵ¬":119027,"æ£Ħ":119028,"èĪµ":119029,"奪":119030,"çļĭ":119031,"æĶ¸":119032,"åľ©":119033,"ç¤Ļ":119034,"ç¢ĺ":119035,"éıĪ":119036,"æĦķ":119037,"ç¹³":119038,"èĺ¸":119039,"è²Ĥ":119040,"æ¼²":119041,"æij¹":119042,"æĶĿ":119043,"åŃ¢":119044,"èķŃ":119045,"騰":119046,"æ½¼":119047,"éħ°":119048,"æĴ¥":119049,"蹬":119050,"é¨Ļ":119051,"踹":119052,"éģIJ":119053,"çĺĢ":119054,"èĽ¤":119055,"æĤĸ":119056,"çĴŀ":119057,"ç£IJ":119058,"æİ°":119059,"è¾Ĭ":119060,"å¾ij":119061,"æİĸ":119062,"éģŀ":119063,"éĤ¸":119064,"éĽı":119065,"æĨİ":119066,"æľ½":119067,"çį»":119068,"ç®Ķ":119069,"褶":119070,"æļ¢":119071,"æĺµ":119072,"çıĤ":119073,"æĤ¸":119074,"åģµ":119075,"åĻľ":119076,"壯":119077,"æĴ®":119078,"æģį":119079,"å©ķ":119080,"篱":119081,"éĺĻ":119082,"çīł":119083,"è£ĺ":119084,"è³¢":119085,"éĩľ":119086,"éĵł":119087,"èİĺ":119088,"æ®Ĩ":119089,"çĻ¸":119090,"è´ı":119091,"ç²±":119092,"å«¡":119093,"åĨ¢":119094,"è¤Ĵ":119095,"æĩĬ":119096,"éľĵ":119097,"塵":119098,"æĭ£":119099,"å»Ł":119100,"飽":119101,"é¢Į":119102,"åļİ":119103,"æ·º":119104,"èĨł":119105,"åİŃ":119106,"åļĩ":119107,"åijĥ":119108,"çĴĭ":119109,"çѱ":119110,"æĭ·":119111,"èį§":119112,"éĶ°":119113,"åŃ°":119114,"èĵĵ":119115,"èĨ½":119116,"æŀī":119117,"åĸ½":119118,"çĽĶ":119119,"çŃIJ":119120,"ç¾ļ":119121,"èħĮ":119122,"辫":119123,"æ³ĵ":119124,"çĶ¬":119125,"èŁ²":119126,"åĸª":119127,"å¦ĵ":119128,"è¬Ģ":119129,"çĤĬ":119130,"æĽľ":119131,"æ±IJ":119132,"è´Ī":119133,"èįĢ":119134,"æĬł":119135,"碾":119136,"æ«ĥ":119137,"éŀł":119138,"èijĨ":119139,"祯":119140,"å½Ŀ":119141,"é¦į":119142,"åĮ£":119143,"æľŃ":119144,"åĿĤ":119145,"ä¿ij":119146,"èĵ®":119147,"çijĽ":119148,"æīī":119149,"èĩŁ":119150,"貫":119151,"çİ¥":119152,"æ·¼":119153,"åݲ":119154,"é³Į":119155,"å³Ń":119156,"åijĽ":119157,"é§":119158,"é§IJ":119159,"éģ·":119160,"俪":119161,"æĢĤ":119162,"è¾į":119163,"å±į":119164,"åĭģ":119165,"å¥ļ":119166,"éļħ":119167,"éĴ´":119168,"è¼Ŀ":119169,"宦":119170,"èIJĥ":119171,"çĺĭ":119172,"æĨ¶":119173,"æĤħ":119174,"è¾Ļ":119175,"åijľ":119176,"çłº":119177,"éĢŀ":119178,"æµļ":119179,"éĸ£":119180,"èĸ©":119181,"éĻĭ":119182,"çĤĻ":119183,"èªķ":119184,"丣":119185,"é¹½":119186,"ç±Į":119187,"è´°":119188,"éĭª":119189,"çľ©":119190,"æĴIJ":119191,"èĨº":119192,"éŀĺ":119193,"ç¾²":119194,"窮":119195,"ç´IJ":119196,"æ®´":119197,"纾":119198,"èºį":119199,"ç´ĭ":119200,"çĦĸ":119201,"çĶº":119202,"çī½":119203,"çĤ¯":119204,"ç¼Ķ":119205,"æ¯ĵ":119206,"嬰":119207,"梧":119208,"äºŁ":119209,"è¢ħ":119210,"çįĦ":119211,"è¿¥":119212,"æ¼¾":119213,"çĿij":119214,"績":119215,"é¦ĭ":119216,"é¤ħ":119217,"æ¹Ħ":119218,"æĺĩ":119219,"æŀŃ":119220,"èĸ°":119221,"æŁij":119222,"榻":119223,"åĻĹ":119224,"åĻ´":119225,"棣":119226,"åĶ§":119227,"çĨ¹":119228,"輯":119229,"å¢Ł":119230,"é²²":119231,"æĪĽ":119232,"èī¦":119233,"èĬ®":119234,"åĺŁ":119235,"帥":119236,"å¿»":119237,"çĮĿ":119238,"寵":119239,"賦":119240,"èĽ¾":119241,"滾":119242,"çĤķ":119243,"éĵ¬":119244,"èĴ¿":119245,"éĴ¨":119246,"çĥĻ":119247,"ç²ķ":119248,"æĥ¦":119249,"溧":119250,"é¢į":119251,"éħ£":119252,"峦":119253,"ç±ģ":119254,"çĥĥ":119255,"åĨĹ":119256,"åıģ":119257,"缧":119258,"ç½µ":119259,"éĴĹ":119260,"å¬ī":119261,"è°ı":119262,"糧":119263,"è¾Ń":119264,"æ·¬":119265,"èŁĴ":119266,"诩":119267,"è¦ĥ":119268,"çĻĸ":119269,"é½Ĵ":119270,"çĪIJ":119271,"ç®į":119272,"ç¼İ":119273,"磺":119274,"诫":119275,"褲":119276,"æĵł":119277,"èIJ¦":119278,"çĿ¬":119279,"è°į":119280,"éĦ°":119281,"æł¾":119282,"é¡ı":119283,"縱":119284,"桨":119285,"éĨ¬":119286,"襲":119287,"讪":119288,"婺":119289,"èįŁ":119290,"åĮĿ":119291,"çĨł":119292,"èĽĬ":119293,"æ¸ļ":119294,"å´½":119295,"鲤":119296,"åķ°":119297,"åĮķ":119298,"ä¸IJ":119299,"讥":119300,"åı½":119301,"åı¼":119302,"çļ¿":119303,"è¿Ĥ":119304,"åIJĨ":119305,"å±¹":119306,"èĩ¼":119307,"讹":119308,"é©®":119309,"纫":119310,"æ±ŀ":119311,"æĬ¡":119312,"èĭĩ":119313,"åIJł":119314,"åIJŃ":119315,"åIJ®":119316,"å²ĸ":119317,"ä½ĥ":119318,"çĭĪ":119319,"åºĩ":119320,"åIJĿ":119321,"éĹ°":119322,"æ±¹":119323,"忱":119324,"æĭĦ":119325,"æĭĹ":119326,"èĮī":119327,"èĭĽ":119328,"èĮģ":119329,"çŁ¾":119330,"èĻı":119331,"åij»":119332,"åĴĦ":119333,"å¿¿":119334,"èĤ®":119335,"çĭŀ":119336,"çĸŁ":119337,"çĸĻ":119338,"çĸļ":119339,"æ³ŀ":119340,"å¸ļ":119341,"å±ī":119342,"è¿¢":119343,"驹":119344,"çİ·":119345,"çıĬó":119346,"çıĬół":119347,"çıĬółĦ":119348,"çıĬółĦģ":119349,"æĮİ":119350,"æĭ´":119351,"åŀĽ":119352,"èį¤":119353,"æ®ĥ":119354,"çĽ¹":119355,"åĵĨ":119356,"è´»":119357,"毡":119358,"çĭ°":119359,"çĭ¡":119360,"æŁĴ":119361,"æģĥ":119362,"诬":119363,"è¢Ħ":119364,"诲":119365,"èļ¤":119366,"èĢĻ":119367,"åŁĤ":119368,"æįİ":119369,"æįĮ":119370,"æ¢Ĩ":119371,"éħĮ":119372,"çł¾":119373,"æ®ī":119374,"åĶł":119375,"æĻĮ":119376,"èļ£":119377,"èļª":119378,"èļĵ":119379,"鸯":119380,"åĶģ":119381,"åĶĨ":119382,"åĢĶ":119383,"èĪĢ":119384,"豺":119385,"èĥ°":119386,"鸵":119387,"鸳":119388,"é¦ģ":119389,"ç¾Ķ":119390,"涣":119391,"æ¶ķ":119392,"æĤ¯":119393,"诽":119394,"è°Ĩ":119395,"ç¥Ł":119396,"绢":119397,"æįº":119398,"æį¶":119399,"æį»":119400,"æİĤ":119401,"èıł":119402,"èIJ¤":119403,"éħĹ":119404,"羶":119405,"åķĦ":119406,"èļ¯":119407,"èĽĢ":119408,"åĶ¬":119409,"帷":119410,"éĵIJ":119411,"éĵĽ":119412,"åģİ":119413,"å¾Ļ":119414,"èĦ¯":119415,"è±ļ":119416,"çĮĸ":119417,"çĹĬ":119418,"涮":119419,"æĥŃ":119420,"æĤ´":119421,"æĥĭ":119422,"è°ļ":119423,"æı©":119424,"æIJĢ":119425,"æIJĶ":119426,"æ¦Ķ":119427,"æ¤Ń":119428,"éĽ³":119429,"åĸ³":119430,"è·Ľ":119431,"èľĵ":119432,"èľĴ":119433,"é¹ĥ":119434,"éĶĦ":119435,"çĶ¥":119436,"çŃı":119437,"çĮ©":119438,"çĮ¬":119439,"çĮ¾":119440,"çĹ¢":119441,"çĹª":119442,"æĥ°":119443,"çªĺ":119444,"è°¤":119445,"éļĺ":119446,"å©¿":119447,"é¹ī":119448,"çijĻ":119449,"æĸŁ":119450,"椿":119451,"éħª":119452,"éĽ¹":119453,"åŦ":119454,"è··":119455,"è·º":119456,"è·¤":119457,"èľĪ":119458,"èľĹ":119459,"å¹Į":119460,"é¦ı":119461,"èªĬ":119462,"æ¼ĵ":119463,"è¤Ĥ":119464,"èĶĹ":119465,"èĶ¼":119466,"åħ¢":119467,"裳":119468,"èľ»":119469,"èĿĩ":119470,"åĺĢ":119471,"éĶ¹":119472,"ç®ķ":119473,"箩":119474,"çĺ©":119475,"çĺŁ":119476,"æ¼±":119477,"寥":119478,"骡":119479,"æĴµ":119480,"æĴ¬":119481,"è±Į":119482,"åĺ¹":119483,"èĿł":119484,"èĿĮ":119485,"èĿĹ":119486,"èĿĻ":119487,"éķIJ":119488,"稼":119489,"ç¯ĵ":119490,"èĨĽ":119491,"鲫":119492,"çĺª":119493,"鲨":119494,"æĨĶ":119495,"ç¿©":119496,"褥":119497,"ç¼Ń":119498,"åĻ©":119499,"çĵ¢":119500,"éľİ":119501,"踱":119502,"è¹Ĥ":119503,"èŁĨ":119504,"鹦":119505,"篡":119506,"çĺ¸":119507,"窿":119508,"ç¼°":119509,"èĹIJ":119510,"è¹ĭ":119511,"èŁĭ":119512,"èŁĢ":119513,"赡":119514,"èĩĬ":119515,"é³Ħ":119516,"ç³ł":119517,"æĩ¦":119518,"åļ£":119519,"éķ°":119520,"é³į":119521,"ç°¸":119522,"çĻ£":119523,"é³ĸ":119524,"é¬ĵ":119525,"èłķ":119526,"éľ¹":119527,"èºı":119528,"黯":119529,"çĵ¤":119530,"çŁĹ":119531,"ä¹Ĥ":119532,"ä¹ľ":119533,"åħĢ":119534,"å¼ĭ":119535,"åŃij":119536,"åŃĵ":119537,"幺":119538,"äºĵ":119539,"廿":119540,"ä¸ı":119541,"åįħ":119542,"ä»ĥ":119543,"ä»ī":119544,"ä»Ĥ":119545,"åĪĪ":119546,"çĪ»":119547,"åįŀ":119548,"éĹ©":119549,"讣":119550,"夬":119551,"çĪ¿":119552,"æ¯ĭ":119553,"éĤĹ":119554,"éĤĽ":119555,"èī½":119556,"èī¿":119557,"åıµ":119558,"ä¸ķ":119559,"åĮľ":119560,"åĬ¢":119561,"åįŁ":119562,"åı±":119563,"åı»":119564,"仨":119565,"代":119566,"仡":119567,"仫":119568,"ä»ŀ":119569,"åį®":119570,"æ°IJ":119571,"çĬ°":119572,"åĪį":119573,"éĤĿ":119574,"éĤĻ":119575,"讦":119576,"讧":119577,"讫":119578,"å°»":119579,"éĺ¡":119580,"å°ķ":119581,"å¼ģ":119582,"èĢĴ":119583,"çİİ":119584,"çİij":119585,"åľ¬":119586,"æī¦":119587,"åľª":119588,"åľ¹":119589,"æīª":119590,"åľ®":119591,"åľ¯":119592,"èĬĬ":119593,"èĬį":119594,"èĬĦ":119595,"èĬ¨":119596,"èĬij":119597,"èĬİ":119598,"èĬĹ":119599,"äºĺ":119600,"åİį":119601,"夼":119602,"æĪį":119603,"å°¥":119604,"乩":119605,"æĹ¯":119606,"æĽ³":119607,"å²Į":119608,"屺":119609,"åĩ¼":119610,"åĽ¡":119611,"éĴĩ":119612,"缶":119613,"æ°ĺ":119614,"æ°ĸ":119615,"çīĿ":119616,"ä¼İ":119617,"ä¼Ľ":119618,"ä¼¢":119619,"佤":119620,"仵":119621,"ä¼¥":119622,"伧":119623,"ä¼ī":119624,"伫":119625,"åĽŁ":119626,"æ±Ĩ":119627,"åĪĸ":119628,"å¤Ļ":119629,"æĹ®":119630,"åĪİ":119631,"çĬ·":119632,"çĬ¸":119633,"èĪĽ":119634,"åĩ«":119635,"éĤ¬":119636,"饧":119637,"æ±Ķ":119638,"æ±ľ":119639,"æ±Ĭ":119640,"å¿ĸ":119641,"å¿ı":119642,"è®´":119643,"讵":119644,"è®·":119645,"èģ¿":119646,"èī®":119647,"åݾ":119648,"å¦ģ":119649,"纡":119650,"纣":119651,"纥":119652,"纨":119653,"çİķ":119654,"çİĻ":119655,"æĬŁ":119656,"æĬĶ":119657,"åľ»":119658,"åĿį":119659,"æĬĥ":119660,"ã§IJ":119661,"èĬ«":119662,"èĬ¾":119663,"èĭĪ":119664,"èĭ£":119665,"èĭĭ":119666,"èĬ¼":119667,"èĭĮ":119668,"èĭģ":119669,"èĬ©":119670,"èĬª":119671,"èĬ¡":119672,"èĬŁ":119673,"èĭĦ":119674,"èĭİ":119675,"èĭ¡":119676,"æĿĮ":119677,"æĿĵ":119678,"æĿĪ":119679,"å¿ij":119680,"åŃĽ":119681,"éĤ´":119682,"éĤ³":119683,"å¥ģ":119684,"è±ķ":119685,"å¿Ĵ":119686,"欤":119687,"轫":119688,"è¿ĵ":119689,"éĤ¶":119690,"å¿IJ":119691,"åį£":119692,"éĤº":119693,"æĹ°":119694,"åijĭ":119695,"åijĴ":119696,"åijĵ":119697,"åijĶ":119698,"åijĸ":119699,"æŸ":119700,"åIJ¡":119701,"èĻ¬":119702,"åIJ½":119703,"åIJ£":119704,"åIJ²":119705,"å¸ı":119706,"å²Ī":119707,"å²ĺ":119708,"åħķ":119709,"åĽµ":119710,"åĽ«":119711,"éĴĬ":119712,"éĴĭ":119713,"éĴĮ":119714,"è¿ķ":119715,"æ°Ļ":119716,"æ°ļ":119717,"çī¤":119718,"ä½ŀ":119719,"ä½ļ":119720,"ä½Ŀ":119721,"ä½Ĺ":119722,"å½·":119723,"ä½ĺ":119724,"ä½¥":119725,"豸":119726,"åĿĮ":119727,"èĤŁ":119728,"å¥Ĥ":119729,"åĬ¬":119730,"çĭģ":119731,"鸳":119732,"饨":119733,"饩":119734,"饫":119735,"饬":119736,"åºij":119737,"åºĭ":119738,"çĸĶ":119739,"çĸĸ":119740,"èĤĵ":119741,"éű":119742,"éĹ³":119743,"çĤĢ":119744,"æ²£":119745,"æ²ħ":119746,"æ²Ķ":119747,"沤":119748,"æ²ı":119749,"æ²ļ":119750,"汩":119751,"汨":119752,"沨":119753,"æ±´":119754,"æ²Ĩ":119755,"沩":119756,"æ³IJ":119757,"æĢĥ":119758,"æĢĦ":119759,"å¿¡":119760,"忤":119761,"忾":119762,"æĢħ":119763,"忪":119764,"æĢĨ":119765,"å¿Ń":119766,"忸":119767,"è¯Ĥ":119768,"è¯ĥ":119769,"è¯ħ":119770,"è¯ĭ":119771,"è¯Į":119772,"è¯Ĵ":119773,"éĻĤ":119774,"éĻī":119775,"妩":119776,"妪":119777,"妣":119778,"å¦Ĺ":119779,"妫":119780,"å§Ĵ":119781,"妤":119782,"åĬŃ":119783,"åĪŃ":119784,"éĤ°":119785,"çºŃ":119786,"纰":119787,"纴":119788,"çİ¡":119789,"çİŃ":119790,"çİł":119791,"çİ¢":119792,"çݦ":119793,"çĽĤ":119794,"å¿Ŀ":119795,"åĮ¦":119796,"åĿ©":119797,"æĬ¨":119798,"æĭ¤":119799,"åĿ«":119800,"æĭĪ":119801,"åŀĨ":119802,"æĬ»":119803,"åĬ¼":119804,"æĭĥ":119805,"æĭĬ":119806,"åĿ¼":119807,"åĿ»":119808,"ã§Ł":119809,"åĿ¨":119810,"åĿŃ":119811,"æĬ¿":119812,"åĿ³":119813,"èĭ·":119814,"èĭ¤":119815,"èĮı":119816,"èĭ«":119817,"èĭľ":119818,"èĭ´":119819,"èĭĴ":119820,"èĭĺ":119821,"èĮĮ":119822,"èĭ»":119823,"èĭĵ":119824,"èĮļ":119825,"èĮĨ":119826,"èĮij":119827,"èĮĵ":119828,"èĮĶ":119829,"èĮķ":119830,"èĮĢ":119831,"èĭķ":119832,"æŀ¥":119833,"æŀĩ":119834,"æĿª":119835,"æĿ³":119836,"æŀ§":119837,"æĿµ":119838,"æŀ¨":119839,"æŀŀ":119840,"æŀĭ":119841,"æĿ»":119842,"æĿ·":119843,"æĿ¼":119844,"磸":119845,"çłĢ":119846,"åĪ³":119847,"å¥Ħ":119848,"æ®ģ":119849,"éĥı":119850,"è½Ń":119851,"éĥħ":119852,"鸢":119853,"缱":119854,"æĺĻ":119855,"æĿ²":119856,"æĺĥ":119857,"åĴĤ":119858,"åij¸":119859,"æĺĢ":119860,"æĹ»":119861,"æĺī":119862,"çĤħ":119863,"çķĢ":119864,"èĻ®":119865,"åĴĢ":119866,"åij·":119867,"黾":119868,"åij±":119869,"åij¤":119870,"åĴĨ":119871,"åĴĽ":119872,"åij¶":119873,"åij£":119874,"åĴĿ":119875,"å²¢":119876,"岿":119877,"岬":119878,"岫":119879,"å¸Ļ":119880,"å²£":119881,"å³ģ":119882,"åĪ¿":119883,"å²·":119884,"åīĢ":119885,"å¸Ķ":119886,"å³Ħ":119887,"æ²ĵ":119888,"åĽ¹":119889,"ç½Ķ":119890,"éĴį":119891,"éĴİ":119892,"éĴı":119893,"éĴĴ":119894,"éĴķ":119895,"éĤ¾":119896,"è¿®":119897,"çī¦":119898,"竺":119899,"迤":119900,"佶":119901,"ä¾ij":119902,"ä¾ī":119903,"èĩ¾":119904,"ä¾Ĺ":119905,"ä¾ı":119906,"侩":119907,"ä½»":119908,"ä½¾":119909,"侪":119910,"ä½¼":119911,"佯":119912,"侬":119913,"å¸Ľ":119914,"ä¾Ķ":119915,"å¾Ĥ":119916,"åĪ½":119917,"éĥĦ":119918,"ç±´":119919,"çĵ®":119920,"æĪĹ":119921,"èĤ¼":119922,"äıĿ":119923,"èĤ±":119924,"èĤ«":119925,"è¿©":119926,"éĥĩ":119927,"çĭİ":119928,"çĭį":119929,"çĭĴ":119930,"åĴİ":119931,"饯":119932,"饴":119933,"åĨ½":119934,"åĨ¼":119935,"åºĸ":119936,"çĸł":119937,"çĸĿ":119938,"åħĸ":119939,"åĬ¾":119940,"ð¬ī":119941,"ð¬ī¼":119942,"çĤĺ":119943,"çĤĿ":119944,"çĤĶ":119945,"æ³Ķ":119946,"æ²Ń":119947,"æ³·":119948,"æ³±":119949,"æ³ħ":119950,"æ³ł":119951,"泺":119952,"æ³ĸ":119953,"泫":119954,"æ³®":119955,"æ²±":119956,"泯":119957,"æĢĻ":119958,"æĢµ":119959,"æĢ¦":119960,"æĢĽ":119961,"æĢı":119962,"æĢį":119963,"ã¤":119964,"ã¤ĺ":119965,"æĢ©":119966,"æĢ«":119967,"æĢ¿":119968,"å®ķ":119969,"穹":119970,"å®ĵ":119971,"è¯ĵ":119972,"è¯Ķ":119973,"è¯ĸ":119974,"è¯ĺ":119975,"æĪ¾":119976,"è¯Ļ":119977,"æĪ½":119978,"éĥĵ":119979,"è¡©":119980,"ç¥Ĩ":119981,"ç¥İ":119982,"ç¥ĩ":119983,"è¯ľ":119984,"è¯Ł":119985,"诣":119986,"诤":119987,"诧":119988,"诨":119989,"æĪķ":119990,"éĻĶ":119991,"妲":119992,"妯":119993,"å§Ĺ":119994,"å¸ij":119995,"åŃ¥":119996,"驽":119997,"èĻ±":119998,"迨":119999,"ç»Ģ":120000,"ç»ģ":120001,"ç»Ĥ":120002,"é©·":120003,"驸":120004,"ç»ī":120005,"ç»Į":120006,"éªĢ":120007,"çĶ¾":120008,"çıı":120009,"çıIJ":120010,"çıij":120011,"çݳ":120012,"顸":120013,"çıī":120014,"çıĪ":120015,"æĭ®":120016,"åŀŃ":120017,"æĮĿ":120018,"æĮŀ":120019,"åŀ¤":120020,"èµ³":120021,"è´²":120022,"åŀ±":120023,"åŀĮ":120024,"åŀ§":120025,"åŀĵ":120026,"æĮ¦":120027,"åŀł":120028,"èįļ":120029,"èįij":120030,"è´³":120031,"èįľ":120032,"èİĴ":120033,"èĮ¼":120034,"èĮ´":120035,"èĮ±":120036,"èİĽ":120037,"èįŀ":120038,"èĮ¯":120039,"èįı":120040,"èįĩ":120041,"èįĥ":120042,"èįł":120043,"èĮŃ":120044,"åŀ©":120045,"èį¥":120046,"èį¦":120047,"èį¨":120048,"èį©":120049,"åīĭ":120050,"èįª":120051,"èį¬":120052,"èį®":120053,"æŁ°":120054,"æłī":120055,"æŁĺ":120056,"æłĬ":120057,"æŁ©":120058,"æŀ°":120059,"æłĮ":120060,"æŁĻ":120061,"æŀµ":120062,"æŀ³":120063,"æŁŀ":120064,"æŁĿ":120065,"æłĢ":120066,"æŁ¢":120067,"æłİ":120068,"æŁĪ":120069,"æŁģ":120070,"æŀ·":120071,"æŁ½":120072,"åīĮ":120073,"éħĬ":120074,"éĥ¦":120075,"çĶŃ":120076,"çłĹ":120077,"çłĺ":120078,"çłĴ":120079,"æĸ«":120080,"çłŃ":120081,"çłľ":120082,"èĢ·":120083,"èĻº":120084,"æ®Ĥ":120085,"æ®ĩ":120086,"æ®Ħ":120087,"è½±":120088,"è½²":120089,"è½³":120090,"轶":120091,"轸":120092,"èĻ¿":120093,"æ¯ĸ":120094,"è§ĩ":120095,"å°ľ":120096,"åĵIJ":120097,"çľĦ":120098,"çľį":120099,"ðł³":120100,"ðł³IJ":120101,"éĥ¢":120102,"çľĩ":120103,"çľĬ":120104,"çľĪ":120105,"禺":120106,"åĵĤ":120107,"åĴ´":120108,"æĽ·":120109,"æĺ´":120110,"åĴ¦":120111,"åĵĵ":120112,"åĵĶ":120113,"çķİ":120114,"åij²":120115,"èĥĦ":120116,"çķĭ":120117,"çķĪ":120118,"èĻ¼":120119,"èĻ»":120120,"çĽħ":120121,"åĴ£":120122,"åĵķ":120123,"åīIJ":120124,"éĥ§":120125,"åĴ»":120126,"åĽ¿":120127,"åĴ¿":120128,"åĵĮ":120129,"åĵĻ":120130,"åĵļ":120131,"åĴ©":120132,"åĴ¤":120133,"åĵĿ":120134,"åĵı":120135,"åĵŀ":120136,"å³£":120137,"ç½ĺ":120138,"å³Ĵ":120139,"峤":120140,"å³ĭ":120141,"è´¶":120142,"éĴļ":120143,"éĴ¡":120144,"éĴ£":120145,"éĴ¤":120146,"éĴ«":120147,"æ°¡":120148,"çī¯":120149,"éĥľ":120150,"ç§ķ":120151,"ç§Ń":120152,"竽":120153,"ç¬Ī":120154,"俦":120155,"俨":120156,"ä¿ħ":120157,"åıŁ":120158,"åŀ¡":120159,"çī®":120160,"ä¿£":120161,"ä¿ļ":120162,"çļĪ":120163,"ä¿Ł":120164,"éĢħ":120165,"å¾ĩ":120166,"å¾ī":120167,"èĪ¢":120168,"éĥĹ":120169,"ä¿İ":120170,"éĥ¤":120171,"çĪ°":120172,"éĥĽ":120173,"çĵ´":120174,"èĥ¨":120175,"èĥª":120176,"èĥĽ":120177,"èĥĤ":120178,"èĥĻ":120179,"èĥį":120180,"èĥĹ":120181,"èĥĿ":120182,"æľIJ":120183,"èĥ«":120184,"鸨":120185,"åĮį":120186,"çĭ¨":120187,"çĭ¯":120188,"é£ij":120189,"çĭ©":120190,"çĭ²":120191,"è¨ĩ":120192,"éĢĦ":120193,"æĺĿ":120194,"饷":120195,"饸":120196,"饹":120197,"åŃª":120198,"å¨Ī":120199,"庥":120200,"çĸ¬":120201,"çĸ£":120202,"çĸ¥":120203,"çĸŃ":120204,"åºł":120205,"ç«ij":120206,"é£Ĵ":120207,"éĹ¼":120208,"éĹ¾":120209,"éĹ¿":120210,"éĺĤ":120211,"ç¾ij":120212,"迸":120213,"ç±¼":120214,"éħĭ":120215,"çĤ»":120216,"çĥĢ":120217,"çĤ·":120218,"æ´±":120219,"æ´¹":120220,"æ´§":120221,"æ´Į":120222,"æµĥ":120223,"æ´ĩ":120224,"æ´Ħ":120225,"æ´Ļ":120226,"æ¶İ":120227,"æ´İ":120228,"æ´«":120229,"æµį":120230,"æ´®":120231,"æ´µ":120232,"æµĴ":120233,"æµĶ":120234,"æµķ":120235,"æ´³":120236,"æģ¸":120237,"æģĵ":120238,"æģ¹":120239,"æģ«":120240,"æģ»":120241,"æģĤ":120242,"æģª":120243,"æģ½":120244,"宥":120245,"æīĥ":120246,"衲":120247,"衽":120248,"è¡¿":120249,"è¢Ĥ":120250,"ç¥ľ":120251,"ç¥ĵ":120252,"ç¥ļ":120253,"诮":120254,"ç¥Ĺ":120255,"祢":120256,"诰":120257,"诳":120258,"鸩":120259,"æĺ¶":120260,"åĴ«":120261,"å¼Ń":120262,"çīģ":120263,"èĥ¥":120264,"éĻŁ":120265,"姮":120266,"å¨Ĩ":120267,"å§Ŀ":120268,"姣":120269,"å§ĺ":120270,"姹":120271,"羿":120272,"çĤ±":120273,"磾":120274,"ç»Ķ":120275,"éªģ":120276,"éªħ":120277,"ç»Ĺ":120278,"综":120279,"éªĪ":120280,"èĢĸ":120281,"æĮĪ":120282,"çı¥":120283,"çıĻ":120284,"顼":120285,"çı°":120286,"çı©":120287,"çı§":120288,"çı£":120289,"çıŀ":120290,"çIJ¤":120291,"çı²":120292,"æģļ":120293,"åŁķ":120294,"åŁĺ":120295,"åŁĻ":120296,"åŁļ":120297,"æĮ¹":120298,"èĢĨ":120299,"èĢĦ":120300,"åŁĴ":120301,"æįĭ":120302,"è´½":120303,"åŀ¸":120304,"æįĥ":120305,"çĽį":120306,"èį¸":120307,"èݳ":120308,"èİ´":120309,"èݪ":120310,"èİł":120311,"èİľ":120312,"èİħ":120313,"èį¼":120314,"èİ©":120315,"èį½":120316,"èݸ":120317,"èį»":120318,"èݨ":120319,"鸪":120320,"èݼ":120321,"æł²":120322,"æł³":120323,"æ¡¡":120324,"æ¡İ":120325,"æ¡¢":120326,"桤":120327,"æ¢ĥ":120328,"æłĿ":120329,"æ¡ķ":120330,"æ¡ģ":120331,"桧":120332,"æ¡ħ":120333,"æłŁ":120334,"æ¡ī":120335,"æł©":120336,"éĢij":120337,"éĢĭ":120338,"彧":120339,"鬲":120340,"è±ĩ":120341,"éħIJ":120342,"éĢ¦":120343,"åİĿ":120344,"åѬ":120345,"çłĿ":120346,"çł¹":120347,"糧":120348,"çł·":120349,"糣":120350,"çł¼":120351,"çł¥":120352,"çł£":120353,"åīŀ":120354,"çł»":120355,"è½¼":120356,"è½¾":120357,"è¾Ĥ":120358,"鸫":120359,"趸":120360,"é¾Ģ":120361,"鸬":120362,"èĻĶ":120363,"羬":120364,"åĶĽ":120365,"çľĻ":120366,"åĵ§":120367,"åĵ½":120368,"æĻģ":120369,"鸮":120370,"趵":120371,"趿":120372,"çķĽ":120373,"èļ¨":120374,"èļľ":120375,"èļį":120376,"èļĭ":120377,"èļ¬":120378,"èļĿ":120379,"èļ§":120380,"åĶ¢":120381,"åľĦ":120382,"åĶ£":120383,"åĶı":120384,"çĽİ":120385,"åĶij":120386,"å´Ĥ":120387,"å´ĥ":120388,"罡":120389,"ç½Ł":120390,"è§Ĭ":120391,"èµħ":120392,"éĴ²":120393,"éĴµ":120394,"éĴ¹":120395,"éĴº":120396,"éĴ½":120397,"éĴ¼":120398,"éĴ¿":120399,"éĵĢ":120400,"éĵĦ":120401,"éĵĨ":120402,"éĵĪ":120403,"éĵī":120404,"éĵĬ":120405,"éĵĭ":120406,"éĵĮ":120407,"éĵį":120408,"ä¥":120409,"䥽":120410,"éĵİ":120411,"æ°©":120412,"æ°¤":120413,"æ°¦":120414,"毪":120415,"èĪIJ":120416,"秣":120417,"秫":120418,"çĽī":120419,"ç¬Ħ":120420,"ç¬ķ":120421,"ç¬Ĭ":120422,"ç¬ı":120423,"ç¬Ĩ":120424,"俸":120425,"俵":120426,"åģĮ":120427,"俳":120428,"俶":120429,"åĢ¬":120430,"åĢı":120431,"æģģ":120432,"åĢŃ":120433,"俾":120434,"åĢľ":120435,"éļ¼":120436,"éļ½":120437,"åĢĮ":120438,"åĢ¥":120439,"èĩ¬":120440,"éĥ«":120441,"åĢ¨":120442,"è¡Ħ":120443,"é¢Ģ":120444,"å¾ķ":120445,"èĪ«":120446,"衾":120447,"èĥ¯":120448,"èĥ±":120449,"èĥ´":120450,"èĥŃ":120451,"èĦį":120452,"èĥ¼":120453,"èĦĴ":120454,"鸱":120455,"鸲":120456,"çĭ·":120457,"çĮģ":120458,"çĭ³":120459,"çĮĥ":120460,"çĭº":120461,"éĢĸ":120462,"æ¡Ģ":120463,"饽":120464,"åĩĩ":120465,"æĮĽ":120466,"亳":120467,"çĸ³":120468,"çĸ´":120469,"çĸ¸":120470,"çĸ½":120471,"çĹĪ":120472,"çĸ±":120473,"çĹĤ":120474,"çĹī":120475,"è¡®":120476,"é¢ĥ":120477,"æģ£":120478,"æĹĨ":120479,"æĹĦ":120480,"æĹĥ":120481,"éĺĥ":120482,"éĺĦ":120483,"è¨ļ":120484,"éĺĨ":120485,"æģĻ":120486,"ç²ij":120487,"çĥľ":120488,"çĥ©":120489,"çĥĬ":120490,"åī¡":120491,"éĥ¯":120492,"çĥ¬":120493,"æ¶ij":120494,"浯":120495,"æ¶ŀ":120496,"æ¶Ł":120497,"å¨ij":120498,"æ¶ł":120499,"æµŀ":120500,"æ¶ĵ":120501,"æµ¥":120502,"æ¶Ķ":120503,"æµľ":120504,"æµł":120505,"æµ£":120506,"æĤļ":120507,"æĤŃ":120508,"æĤĿ":120509,"æĤĴ":120510,"æĤĮ":120511,"æĤĽ":120512,"çªĪ":120513,"åīľ":120514,"诹":120515,"诼":120516,"è¢Ĵ":120517,"袢":120518,"诿":120519,"è°Ģ":120520,"è°Ĥ":120521,"è°Ħ":120522,"è°ĩ":120523,"å±IJ":120524,"å±Ļ":120525,"éĻ¬":120526,"åĭIJ":120527,"å¥ĺ":120528,"çīĤ":120529,"èļ©":120530,"éĻ²":120531,"å¨Į":120532,"å¨ī":120533,"娲":120534,"娴":120535,"娣":120536,"å¨ĵ":120537,"å©Ģ":120538,"çķļ":120539,"éĢ¡":120540,"绳":120541,"éªĬ":120542,"绡":120543,"éªĭ":120544,"绦":120545,"绨":120546,"éªİ":120547,"éĤķ":120548,"鸶":120549,"å½Ĺ":120550,"èĢľ":120551,"çĦĺ":120552,"èĪĤ":120553,"çIJı":120554,"çIJĩ":120555,"麸":120556,"æı¶":120557,"åŁ´":120558,"åŁ¯":120559,"æį¯":120560,"æݳ":120561,"æİ´":120562,"åŁ¸":120563,"åŁµ":120564,"赧":120565,"åŁ¤":120566,"æįŃ":120567,"éĢµ":120568,"åŁĿ":120569,"åłĭ":120570,"åłį":120571,"æݬ":120572,"鸷":120573,"æį½":120574,"æİĬ":120575,"åłī":120576,"æݸ":120577,"æį©":120578,"æİ®":120579,"æĤ«":120580,"åŁŃ":120581,"åŁ½":120582,"æİĩ":120583,"æݼ":120584,"èģĥ":120585,"èIJģ":120586,"èıĺ":120587,"åłĩ":120588,"èIJĺ":120589,"èIJĭ":120590,"èı½":120591,"èıĸ":120592,"èIJľ":120593,"èIJ¸":120594,"èIJij":120595,"棻":120596,"èıĶ":120597,"èıŁ":120598,"èIJı":120599,"èı¹":120600,"èıª":120601,"èıħ":120602,"èıĢ":120603,"èı°":120604,"èı¡":120605,"梿":120606,"æ¢ı":120607,"è§ĭ":120608,"æ¡´":120609,"æ¡·":120610,"æ£ģ":120611,"æ¡«":120612,"æ£Ĥ":120613,"åķ¬":120614,"éĥ¾":120615,"æķķ":120616,"è±ī":120617,"éĦĦ":120618,"éħŀ":120619,"ç¡İ":120620,"ç¡Ń":120621,"ç¡ĸ":120622,"ç¡Ĺ":120623,"ç¡IJ":120624,"ç¡ĩ":120625,"ç¡Į":120626,"鸸":120627,"çĵł":120628,"åĮı":120629,"åİ©":120630,"æ®Ĵ":120631,"æ®ĵ":120632,"æ®į":120633,"èµī":120634,"鼩":120635,"è¾Ħ":120636,"åłij":120637,"çľŃ":120638,"羦":120639,"åķ§":120640,"æĻ¡":120641,"æĻ¤":120642,"çľµ":120643,"åľĬ":120644,"åĸı":120645,"åķī":120646,"åĭĸ":120647,"æĻŀ":120648,"åĶµ":120649,"æĻĹ":120650,"åķŃ":120651,"çķ¦":120652,"趺":120653,"åķ®":120654,"è·Ħ":120655,"èļ¶":120656,"èĽĦ":120657,"èĽİ":120658,"èĽĨ":120659,"èļ°":120660,"åľī":120661,"èļ±":120662,"èĽī":120663,"èĽı":120664,"èļ´":120665,"åķģ":120666,"åķķ":120667,"åĶ¿":120668,"åķIJ":120669,"åĶ¼":120670,"åĶ·":120671,"åķĸ":120672,"åķµ":120673,"åķ¶":120674,"åķ·":120675,"åĶ³":120676,"åĶ°":120677,"åķľ":120678,"帻":120679,"å´ļ":120680,"å´¦":120681,"帼":120682,"å´®":120683,"å´¤":120684,"å´Ĩ":120685,"èµĩ":120686,"èµĪ":120687,"èµĬ":120688,"éĵij":120689,"éĵĴ":120690,"éĵĹ":120691,"éĵĻ":120692,"éĵŁ":120693,"éĵ¡":120694,"éĵ¢":120695,"éĵ£":120696,"éĵ¤":120697,"éĵ§":120698,"éĵ¨":120699,"éĵ©":120700,"éĵª":120701,"éĵ«":120702,"éĵ¯":120703,"éĵ°":120704,"éĵ±":120705,"éĵ³":120706,"éĵµ":120707,"éĵ·":120708,"çī¾":120709,"鸹":120710,"秾":120711,"éĢ¶":120712,"笺":120713,"çŃĩ":120714,"笸":120715,"笪":120716,"笮":120717,"笳":120718,"笥":120719,"笤":120720,"笳":120721,"笾":120722,"ç¬ŀ":120723,"åģ¾":120724,"åģĥ":120725,"åģķ":120726,"åģĪ":120727,"åĤĢ":120728,"åģ¬":120729,"åģ»":120730,"çļij":120731,"çļİ":120732,"鸻":120733,"å¾ľ":120734,"èĪ¸":120735,"èĪ»":120736,"èĪ´":120737,"èĪ·":120738,"é¾Ľ":120739,"ç¿İ":120740,"èĦ¬":120741,"èĦĺ":120742,"èĦ²":120743,"åĮIJ":120744,"çĮĹ":120745,"çĮ¡":120746,"çĮŀ":120747,"æĸĽ":120748,"çĮķ":120749,"é¦Ĺ":120750,"é¦ĥ":120751,"é¦Ħ":120752,"鸾":120753,"庹":120754,"庾":120755,"çĹĶ":120756,"çĹį":120757,"ç¿Ĭ":120758,"æĹĮ":120759,"æĹİ":120760,"袤":120761,"éĺĩ":120762,"éĺĪ":120763,"éĺī":120764,"éĺĬ":120765,"éĺĭ":120766,"éĺį":120767,"éĺı":120768,"ç¾Ł":120769,"ç²Ŀ":120770,"çĦIJ":120771,"çĦĵ":120772,"çĦĹ":120773,"æ·ħ":120774,"æ·ŀ":120775,"æ¸İ":120776,"涿":120777,"æ·ĸ":120778,"æĮ²":120779,"æ·ł":120780,"涸":120781,"æ¸ij":120782,"æ·¦":120783,"æ·Ŀ":120784,"涪":120785,"æ·Ļ":120786,"涫":120787,"æ¸Į":120788,"æĤ»":120789,"æĤ±":120790,"æĥĿ":120791,"æĥĺ":120792,"æĥĨ":120793,"æĥļ":120794,"æĥĩ":120795,"æĥ®":120796,"çªķ":120797,"è°Į":120798,"æīĪ":120799,"çļ²":120800,"è°ij":120801,"è£Ĩ":120802,"袷":120803,"è£ī":120804,"è°Ĵ":120805,"è°Ķ":120806,"è°ķ":120807,"è°ĸ":120808,"è°Ĺ":120809,"è°Ļ":120810,"è°Ŀ":120811,"éĢ¯":120812,"éĥ¿":120813,"éļĪ":120814,"ç²ľ":120815,"éļį":120816,"éļĹ":120817,"å©Ĭ":120818,"娼":120819,"å©¢":120820,"婵":120821,"èĥ¬":120822,"è¢Ī":120823,"ç¿Į":120824,"æģ¿":120825,"欸":120826,"绫":120827,"éªIJ":120828,"绯":120829,"ç»±":120830,"éªĴ":120831,"绲":120832,"éªĵ":120833,"绶":120834,"绺":120835,"ç»»":120836,"绾":120837,"éªĸ":120838,"ç¼ģ":120839,"èĢł":120840,"çIJ«":120841,"çIJµ":120842,"çIJ¶":120843,"çIJ¥":120844,"çIJ¨":120845,"çIJ°":120846,"çIJ®":120847,"çIJ¯":120848,"çIJ¬":120849,"çIJļ":120850,"è¾ĩ":120851,"é¼ĭ":120852,"æı³":120853,"åłŀ":120854,"æIJ½":120855,"æı¸":120856,"æıł":120857,"åłĻ":120858,"è¶Ħ":120859,"æıĸ":120860,"é¢ī":120861,"å¡Ħ":120862,"æı¿":120863,"èĢĭ":120864,"æıĦ":120865,"èĽ©":120866,"èĽ°":120867,"å¡Ĩ":120868,"æijĴ":120869,"æıĨ":120870,"æݾ":120871,"èģĴ":120872,"èijij":120873,"èijļ":120874,"éĿ°":120875,"éĿ¸":120876,"èij³":120877,"èijº":120878,"èij¸":120879,"èIJ¼":120880,"èij¶":120881,"èĴĮ":120882,"èijŃ":120883,"楮":120884,"棼":120885,"æ¤Ł":120886,"棹":120887,"椤":120888,"棰":120889,"èµį":120890,"æ¤ĭ":120891,"æ¤ģ":120892,"椪":120893,"æ¤IJ":120894,"é¹ģ":120895,"éħ¤":120896,"éħ¢":120897,"éħ¡":120898,"é¹Ĥ":120899,"æ®ļ":120900,"æ®Ľ":120901,"鼱":120902,"è¾ĭ":120903,"æ¤ł":120904,"è¾İ":120905,"çĿĦ":120906,"çĿĩ":120907,"çĿĥ":120908,"æĪ¢":120909,"åĸĭ":120910,"åĹĴ":120911,"åĸĥ":120912,"åĸ±":120913,"åĸ¹":120914,"æĻ·":120915,"åĸĪ":120916,"è·ĸ":120917,"è·Ĺ":120918,"è·ŀ":120919,"è·ļ":120920,"è·İ":120921,"è·ı":120922,"è·Ĩ":120923,"èĽ±":120924,"èĽ²":120925,"èĽŃ":120926,"èĽ³":120927,"èĽIJ":120928,"èĽĶ":120929,"èĽŀ":120930,"èĽ´":120931,"èĽĺ":120932,"åĸģ":120933,"åĸŁ":120934,"åķ¾":120935,"åĹĸ":120936,"åĸij":120937,"åĹŁ":120938,"åĹŀ":120939,"åĸĻ":120940,"åµĺ":120941,"åµĸ":120942,"å´´":120943,"éģĦ":120944,"è©Ī":120945,"åµİ":120946,"嵬":120947,"åµĽ":120948,"嵯":120949,"åµĿ":120950,"嵫":120951,"å¹Ħ":120952,"åµĭ":120953,"èµķ":120954,"éĵ»":120955,"éĵ¼":120956,"éĵ¿":120957,"éĶĥ":120958,"éĶĨ":120959,"éĶĩ":120960,"éĶī":120961,"éĶı":120962,"éĶij":120963,"éĶĴ":120964,"éĶĶ":120965,"éĶķ":120966,"æİ£":120967,"磬":120968,"æ°°":120969,"毳":120970,"毽":120971,"çĬĬ":120972,"çĬĦ":120973,"çĬĭ":120974,"é¹Ħ":120975,"çĬį":120976,"åµĩ":120977,"é»į":120978,"ç¨ĥ":120979,"ç¨Ĥ":120980,"çŃļ":120981,"çѵ":120982,"çŃĮ":120983,"åĤ£":120984,"åĤĪ":120985,"èĪĦ":120986,"çīį":120987,"åĤ¥":120988,"åĤ§":120989,"éģij":120990,"åĤ©":120991,"徨":120992,"åªŃ":120993,"çķ²":120994,"å¼ij":120995,"ç¿ķ":120996,"é¹Ĩ":120997,"èħĪ":120998,"èħĵ":120999,"èħĨ":121000,"èħ´":121001,"èħļ":121002,"èħ±":121003,"鱿":121004,"é²Ģ":121005,"é²Ĥ":121006,"çĮ¢":121007,"çĮ¹":121008,"çĮ¥":121009,"é£ĵ":121010,"è§ŀ":121011,"è§ļ":121012,"çĮ±":121013,"é¢İ":121014,"飧":121015,"é¦ĩ":121016,"é¦Ĭ":121017,"亵":121018,"èĦĶ":121019,"è£Ĵ":121020,"çĹ£":121021,"çŨ":121022,"çŦ":121023,"çĹŀ":121024,"çŤ":121025,"çŧ":121026,"èµĵ":121027,"竦":121028,"çĵ¿":121029,"åķ»":121030,"é¢ı":121031,"é¹ĩ":121032,"éĺij":121033,"éĺĴ":121034,"éĺķ":121035,"ç²ŀ":121036,"éģĴ":121037,"åŃ³":121038,"çĦ¯":121039,"çĦľ":121040,"çĦ±":121041,"é¹Ī":121042,"渫":121043,"æ¹®":121044,"æ¹İ":121045,"æ¹ľ":121046,"æ¹į":121047,"湫":121048,"溲":121049,"æ¹Ł":121050,"æºĨ":121051,"æ¹²":121052,"æ¹Ķ":121053,"æ¹ī":121054,"渥":121055,"æ»ģ":121056,"æĦł":121057,"æĥº":121058,"æĦ¦":121059,"æĥ´":121060,"æĦĢ":121061,"æĦİ":121062,"æĦĶ":121063,"åĸ¾":121064,"å¯IJ":121065,"è°Ł":121066,"裢":121067,"è£İ":121068,"裥":121069,"祾":121070,"è°ł":121071,"è°¡":121072,"è°¥":121073,"è°§":121074,"åѱ":121075,"å¼¼":121076,"å·½":121077,"éªĺ":121078,"媪":121079,"å·¯":121080,"ç¿ļ":121081,"çļ´":121082,"éªĽ":121083,"ç¼Ĥ":121084,"ç¼ĥ":121085,"ç¼Ħ":121086,"å½ĺ":121087,"ç¼ĩ":121088,"ç¼Ī":121089,"ç¼Į":121090,"ç¼ij":121091,"ç¼Ĵ":121092,"ç¼Ĺ":121093,"飨":121094,"èĢ¢":121095,"çijģ":121096,"çijĹ":121097,"çijĦ":121098,"éģ¨":121099,"éªľ":121100,"飫":121101,"é«¡":121102,"塬":121103,"éĦ¢":121104,"è¶Ķ":121105,"è¶ij":121106,"æijħ":121107,"æijģ":121108,"èľĩ":121109,"æIJĭ":121110,"æIJª":121111,"æIJIJ":121112,"æIJĽ":121113,"æIJł":121114,"æijĪ":121115,"å½Ģ":121116,"æ¯Ĥ":121117,"æIJ¦":121118,"æIJ¡":121119,"èĵģ":121120,"æĪ¡":121121,"èĵį":121122,"éĦŀ":121123,"èĵIJ":121124,"èĵ¦":121125,"é¹ĭ":121126,"èĴ½":121127,"èĵĸ":121128,"èĵĬ":121129,"èĴ¯":121130,"èĵŁ":121131,"èĵij":121132,"èĴº":121133,"èĵł":121134,"èĴŁ":121135,"èĴ¡":121136,"èĴ¹":121137,"èĴ´":121138,"èĴĹ":121139,"èĵ¥":121140,"æ¥Ķ":121141,"æ¥Ĥ":121142,"æ¥Ŀ":121143,"楫":121144,"楸":121145,"椴":121146,"æ§Į":121147,"楯":121148,"çļĻ":121149,"æ¦Ī":121150,"æ§İ":121151,"æ¦ī":121152,"楦":121153,"楣":121154,"楹":121155,"椽":121156,"åī½":121157,"éħ©":121158,"èľĥ":121159,"ç¢Ľ":121160,"ç¢ĵ":121161,"硼":121162,"ç¢ī":121163,"ç¢ļ":121164,"ç¢ĩ":121165,"ç¢ľ":121166,"é¹Į":121167,"è¾ı":121168,"é¾ĥ":121169,"é¾ħ":121170,"訾":121171,"ç²²":121172,"çĿļ":121173,"åĹª":121174,"éŁª":121175,"åĹ·":121176,"åĹī":121177,"çĿ¨":121178,"çĿ¢":121179,"éĽİ":121180,"çĿ¥":121181,"åĹij":121182,"åĹ«":121183,"åŬ":121184,"åĹĶ":121185,"åĹĿ":121186,"æĪ¥":121187,"åĹĦ":121188,"çħ¦":121189,"æļĦ":121190,"éģ¢":121191,"æļĮ":121192,"è·¬":121193,"è·¶":121194,"è·¸":121195,"è·IJ":121196,"è·£":121197,"è·¹":121198,"èĽ¸":121199,"èľĬ":121200,"èľį":121201,"èľī":121202,"èľ£":121203,"çķ¹":121204,"èĽ¹":121205,"åĹ¥":121206,"åĹ²":121207,"åĹ³":121208,"åĹĮ":121209,"åĹį":121210,"åĹIJ":121211,"åŤ":121212,"åŵ":121213,"罨":121214,"åµĬ":121215,"åµ´":121216,"骰":121217,"éĶĹ":121218,"éĶĽ":121219,"éĶľ":121220,"éĶĿ":121221,"éĶŀ":121222,"éĶŁ":121223,"éĶ¢":121224,"éĶ¨":121225,"éĶ©":121226,"éĶŃ":121227,"éĶ±":121228,"éĽī":121229,"æ°²":121230,"çĬı":121231,"æŃĥ":121232,"ç¨ŀ":121233,"ç¨Ĺ":121234,"ç¨Ķ":121235,"çŃł":121236,"çŃ¢":121237,"çŃ®":121238,"çŃ²":121239,"çīĴ":121240,"æķ«":121241,"å¾Ń":121242,"æĦĨ":121243,"èīĦ":121244,"è§İ":121245,"毹":121246,"è²Ĭ":121247,"è²ħ":121248,"è²ī":121249,"é¢Ķ":121250,"èħł":121251,"èħ©":121252,"èħ¼":121253,"èħŃ":121254,"èħ§":121255,"å¡į":121256,"媵":121257,"é²ħ":121258,"é²Ĩ":121259,"é²ĩ":121260,"é²Ī":121261,"é²ĭ":121262,"é²IJ":121263,"èĤĦ":121264,"é¹IJ":121265,"é£ķ":121266,"觥":121267,"éģĽ":121268,"é¦IJ":121269,"é¹ij":121270,"亶":121271,"çĺĥ":121272,"çű":121273,"çĹ¼":121274,"çĹ¿":121275,"çĺIJ":121276,"çĺģ":121277,"çĺĨ":121278,"éºĤ":121279,"æŃĨ":121280,"æĹĴ":121281,"éĺĸ":121282,"éĺĹ":121283,"羧":121284,"è±¢":121285,"ç²³":121286,"çĮ·":121287,"çħ³":121288,"çħ¨":121289,"çħħ":121290,"çħĬ":121291,"çħ¸":121292,"çħº":121293,"æ»Ł":121294,"溱":121295,"æºĺ":121296,"æ¼Ń":121297,"滢":121298,"溥":121299,"溽":121300,"è£Ł":121301,"溻":121302,"溷":121303,"æ»Ĺ":121304,"滫":121305,"溴":121306,"æ»ı":121307,"æ»ĥ":121308,"滦":121309,"æºı":121310,"æ»Ĥ":121311,"æ»ĵ":121312,"æºŁ":121313,"滪":121314,"æĦ«":121315,"æħĬ":121316,"é²İ":121317,"éªŀ":121318,"çªł":121319,"窣":121320,"裱":121321,"裨":121322,"裾":121323,"裰":121324,"ç¦Ĭ":121325,"è°©":121326,"è°ª":121327,"媾":121328,"å««":121329,"媲":121330,"å«Ĵ":121331,"å«Ķ":121332,"媸":121333,"ç¼Ļ":121334,"ç¼ľ":121335,"ç¼Ľ":121336,"è¾Ķ":121337,"éªĿ":121338,"ç¼Ł":121339,"缡":121340,"ç¼¢":121341,"ç¼£":121342,"éªŁ":121343,"èĢ¥":121344,"çĴĪ":121345,"çijŃ":121346,"çįĴ":121347,"è§ı":121348,"æħĿ":121349,"å«ł":121350,"åıĨ":121351,"æij½":121352,"å¢ģ":121353,"æĴĤ":121354,"æijŀ":121355,"æĴĦ":121356,"ç¿¥":121357,"è¸ħ":121358,"æijŃ":121359,"å¢ī":121360,"å¢Ĵ":121361,"æ¦ĸ":121362,"綦":121363,"èĶ«":121364,"èĶ·":121365,"éĿº":121366,"éĿ¼":121367,"éŀħ":121368,"éĿ¿":121369,"çĶį":121370,"èĶ¸":121371,"èĶŁ":121372,"èĶº":121373,"æĪ¬":121374,"èķĸ":121375,"èĶ»":121376,"èĵ¿":121377,"æĸ¡":121378,"é¹ķ":121379,"èĵ¼":121380,"æ¦Ľ":121381,"榧":121382,"榫":121383,"æ¦Ń":121384,"æ§Ķ":121385,"榱":121386,"æ§ģ":121387,"æ§ł":121388,"榷":121389,"åĥ°":121390,"éħ½":121391,"éħ¹":121392,"碡":121393,"碴":121394,"碣":121395,"碲":121396,"èĩ§":121397,"豨":121398,"殡":121399,"éľģ":121400,"èľļ":121401,"é¾ĩ":121402,"é¾Ī":121403,"äģ":121404,"äģĸ":121405,"çĿ½":121406,"åĺŀ":121407,"åĺĪ":121408,"åĺĮ":121409,"åĺģ":121410,"æļĿ":121411,"è¸Į":121412,"è¸ī":121413,"èľŀ":121414,"èľ¥":121415,"èľ®":121416,"èĿĪ":121417,"èľ´":121418,"èľ±":121419,"èľ©":121420,"èľ·":121421,"èľ¿":121422,"èŀĤ":121423,"èľ¢":121424,"åĺ¡":121425,"é¹Ĺ":121426,"åĺ£":121427,"åĺ¤":121428,"åĺļ":121429,"åĹ¾":121430,"åĺ§":121431,"ç½´":121432,"ç½±":121433,"å¹Ķ":121434,"å¶Ĥ":121435,"å¹Ľ":121436,"èµĻ":121437,"ç½Ĥ":121438,"骷":121439,"骶":121440,"é¹ĺ":121441,"éĶ²":121442,"éĶ´":121443,"éĶ¶":121444,"éĶ·":121445,"éĶ¸":121446,"éĶµ":121447,"éķĤ":121448,"çĬĴ":121449,"ç®IJ":121450,"箦":121451,"箧":121452,"箸":121453,"箬":121454,"ç®ħ":121455,"箪":121456,"箾":121457,"箢":121458,"ç®ĵ":121459,"åĥĸ":121460,"åĦĨ":121461,"åĥ³":121462,"åĥŃ":121463,"åĬģ":121464,"åĥ®":121465,"éŃĥ":121466,"éŃĨ":121467,"çĿ¾":121468,"èīĭ":121469,"éĦ±":121470,"èĨĪ":121471,"èĨij":121472,"é²ij":121473,"é²Ķ":121474,"é²ļ":121475,"é²Ľ":121476,"é²Ł":121477,"çįIJ":121478,"觫":121479,"éĽĴ":121480,"夤":121481,"é¦ij":121482,"éĬ®":121483,"塾":121484,"çĺĮ":121485,"çĺĬ":121486,"çĺĺ":121487,"çĺĻ":121488,"æĹĸ":121489,"èĨĤ":121490,"éĺļ":121491,"éĦ¯":121492,"é²ŀ":121493,"粿":121494,"ç²¼":121495,"ç³ģ":121496,"æ§Ĭ":121497,"é¹ļ":121498,"çĨĺ":121499,"çĨ¥":121500,"æ½¢":121501,"æ¼ķ":121502,"滹":121503,"漯":121504,"漶":121505,"æ½ĭ":121506,"æ½´":121507,"漪":121508,"æ¼ī":121509,"漩":121510,"æ¾ī":121511,"æħµ":121512,"æIJ´":121513,"窨":121514,"寤":121515,"綮":121516,"è°®":121517,"褡":121518,"è¤Ļ":121519,"è¤ĵ":121520,"è¤Ľ":121521,"è¤Ĭ":121522,"è°¯":121523,"è°°":121524,"è°²":121525,"å±£":121526,"é¹Ľ":121527,"嫱":121528,"å«ĸ":121529,"嫦":121530,"å«ļ":121531,"å«ĺ":121532,"é¼IJ":121533,"çŀĢ":121534,"é¹ľ":121535,"éªł":121536,"ç¼¥":121537,"缦":121538,"缧":121539,"缨":121540,"骢":121541,"缫":121542,"èĢ¦":121543,"èĢ§":121544,"çĴľ":121545,"çĴİ":121546,"çĴģ":121547,"å¥Ń":121548,"髯":121549,"é««":121550,"æĴ·":121551,"æĴħ":121552,"èµŃ":121553,"æĴ¸":121554,"éĭĨ":121555,"æĴĻ":121556,"æĴº":121557,"å¢Ģ":121558,"èģ©":121559,"è§IJ":121560,"éŀij":121561,"èķĻ":121562,"éŀĴ":121563,"èķĪ":121564,"èķ¨":121565,"èķ¤":121566,"èķŀ":121567,"èķº":121568,"çŀ¢":121569,"èķĥ":121570,"èķ²":121571,"èµľ":121572,"槿":121573,"樯":121574,"æ§Ń":121575,"æ¨Ĺ":121576,"æ¨ĺ":121577,"槲":121578,"éĨĮ":121579,"éĨħ":121580,"éĿ¥":121581,"éŃĩ":121582,"é¤į":121583,"ç£Ķ":121584,"ç£Ļ":121585,"éľĪ":121586,"è¾ĺ":121587,"é¾ī":121588,"é¾Ĭ":121589,"è§ij":121590,"çŀĮ":121591,"çŀĭ":121592,"çŀij":121593,"åĺŃ":121594,"åĻİ":121595,"åĻ¶":121596,"é¢Ļ":121597,"æļ¹":121598,"åĻĺ":121599,"è¸Ķ":121600,"è¸Ŀ":121601,"è¸Ł":121602,"è¸Ĵ":121603,"踬":121604,"踮":121605,"踯":121606,"踺":121607,"è¸ŀ":121608,"èĿ½":121609,"èĿ¾":121610,"èĿ»":121611,"èĿ°":121612,"èĿ®":121613,"èŀĭ":121614,"èĿĵ":121615,"èĿ£":121616,"èĿ¼":121617,"åĺ¬":121618,"é¢ļ":121619,"åĻį":121620,"åĻĻ":121621,"åĻĮ":121622,"åĻĶ":121623,"é¢Ľ":121624,"å¹ŀ":121625,"幡":121626,"å¶Ļ":121627,"å¶Ŀ":121628,"骺":121629,"éķĬ":121630,"éķī":121631,"éķĮ":121632,"éķı":121633,"éķĴ":121634,"éķĵ":121635,"éķĶ":121636,"稷":121637,"ç®´":121638,"ç¯ij":121639,"ç¯ģ":121640,"ç¯Į":121641,"çīĸ":121642,"åĦĭ":121643,"èĻ¢":121644,"é¹ŀ":121645,"èĨĺ":121646,"é²ł":121647,"鲡":121648,"é²¢":121649,"é²£":121650,"é²¥":121651,"鲧":121652,"鲩":121653,"çįĹ":121654,"çįł":121655,"觯":121656,"é¦ĵ":121657,"é¦Ķ":121658,"麾":121659,"å»Ľ":121660,"çĺĽ":121661,"çĺ¼":121662,"çĺ¢":121663,"çĺł":121664,"é½ij":121665,"ç¾°":121666,"ð¥»":121667,"ð¥»Ĺ":121668,"ç³Į":121669,"ç³į":121670,"ç³ħ":121671,"çĨľ":121672,"çĨµ":121673,"æ¾į":121674,"æ¾Į":121675,"潸":121676,"潦":121677,"æ½²":121678,"éĭĪ":121679,"æ½Ł":121680,"潺":121681,"寮":121682,"窳":121683,"è°³":121684,"褴":121685,"è¤Ł":121686,"褫":121687,"è°µ":121688,"çĨ¨":121689,"屦":121690,"åĭ°":121691,"æĪ®":121692,"èĿ¥":121693,"缬":121694,"ç¼®":121695,"缯":121696,"骣":121697,"çķ¿":121698,"èĢ©":121699,"èĢ¨":121700,"èĢª":121701,"çĴŁ":121702,"éĿĽ":121703,"çĴł":121704,"çĴĺ":121705,"èģ±":121706,"èŀ¯":121707,"é«»":121708,"é«Ń":121709,"髹":121710,"æĵĢ":121711,"çĶı":121712,"æĵŀ":121713,"縳":121714,"磬":121715,"é¢ŀ":121716,"èķ»":121717,"é¢Ł":121718,"èĸ¤":121719,"èĸ¨":121720,"æªł":121721,"èĸı":121722,"èĸ®":121723,"èĸľ":121724,"èĸħ":121725,"樾":121726,"æ©Ľ":121727,"æ©ĩ":121728,"樵":121729,"æªİ":121730,"橹":121731,"樽":121732,"樨":121733,"橼":121734,"墼":121735,"æ©IJ":121736,"ç¿®":121737,"éĨIJ":121738,"éĨį":121739,"éĨļ":121740,"磲":121741,"èµĿ":121742,"殪":121743,"éľı":121744,"éĮ¾":121745,"è¾ļ":121746,"éģ½":121747,"æ°ħ":121748,"çŀŁ":121749,"çŀł":121750,"çŀ°":121751,"åļĦ":121752,"åļĨ":121753,"åĻ¤":121754,"æļ¾":121755,"è¹Ģ":121756,"踵":121757,"踽":121758,"è¹ī":121759,"è¹ģ":121760,"èŀ¨":121761,"èŀĪ":121762,"èŀħ":121763,"èŀŃ":121764,"èŀł":121765,"èŀŁ":121766,"åĻ±":121767,"åĻ«":121768,"åĻ»":121769,"åĻ¼":121770,"ç½¹":121771,"åľľ":121772,"ä¦":121773,"ä¦ĥ":121774,"éķĹ":121775,"éķĺ":121776,"éķļ":121777,"éķĽ":121778,"éķĿ":121779,"éķŀ":121780,"éķł":121781,"æ°ĩ":121782,"æ°Ĩ":121783,"ç©ij":121784,"ç¯Ŀ":121785,"篥":121786,"篦":121787,"篪":121788,"ç¯Ļ":121789,"çĽ¥":121790,"åĬĵ":121791,"翱":121792,"éŃī":121793,"éŃĪ":121794,"å¾¼":121795,"æŃĻ":121796,"èĨ¦":121797,"èĨĻ":121798,"é²®":121799,"é²±":121800,"é²³":121801,"é²´":121802,"é²µ":121803,"é²·":121804,"é²»":121805,"çį´":121806,"çįŃ":121807,"çį¬":121808,"éĤĤ":121809,"鹧":121810,"廨":121811,"èµŁ":121812,"çĺ°":121813,"廪":121814,"çĺ¿":121815,"çĺµ":121816,"çĺ´":121817,"çĻĥ":121818,"çĺ³":121819,"éºĩ":121820,"éºĪ":121821,"嬴":121822,"å£ħ":121823,"ç³Ĺ":121824,"çĶij":121825,"çĩİ":121826,"çĩł":121827,"çĩĶ":121828,"çĩ§":121829,"æ¿ij":121830,"æ¿ī":121831,"æ½ŀ":121832,"澧":121833,"æ¾¹":121834,"æ¾¥":121835,"澶":121836,"æ¿Ĥ":121837,"褰":121838,"窸":121839,"å¬ĸ":121840,"çĬŁ":121841,"éļ°":121842,"å¬Ĺ":121843,"颡":121844,"ç¼±":121845,"ç¼²":121846,"ç¼³":121847,"çĴ©":121848,"çĴª":121849,"èŀ«":121850,"æĵ¤":121851,"å£ķ":121852,"觳":121853,"ç½Ħ":121854,"æĵ¢":121855,"èĸ¹":121856,"éŀ¡":121857,"éŀ¬":121858,"èĸ·":121859,"èĹĵ":121860,"èĹģ":121861,"æªĦ":121862,"檩":121863,"æĩĭ":121864,"éĨ¢":121865,"翳":121866,"ç¤ħ":121867,"磴":121868,"鹩":121869,"é¾ĭ":121870,"é¾Į":121871,"è±³":121872,"å£ij":121873,"é»»":121874,"åļı":121875,"åļħ":121876,"è¹ij":121877,"è¹Ĵ":121878,"è¹Ĭ":121879,"èŁ¥":121880,"èŀ¬":121881,"èŀµ":121882,"çĸĥ":121883,"èŀ³":121884,"èŁij":121885,"åļĵ":121886,"ç½½":121887,"ç½¾":121888,"嶷":121889,"黾":121890,"é»Ŀ":121891,"é«ģ":121892,"é«Ģ":121893,"éķ¡":121894,"éķ¢":121895,"éķ£":121896,"éķ¦":121897,"éķ§":121898,"éķ©":121899,"éķª":121900,"éķ«":121901,"ç½ħ":121902,"ç°Į":121903,"篾":121904,"篼":121905,"ç°ĸ":121906,"ç°ĭ":121907,"é¼¢":121908,"åĦ¡":121909,"鹪":121910,"é¼¾":121911,"çļ¤":121912,"éŃį":121913,"é¾ł":121914,"ç¹ĩ":121915,"è²ĺ":121916,"éĤĪ":121917,"è²Ķ":121918,"èĩĮ":121919,"èĨ»":121920,"èĩĨ":121921,"èĩĥ":121922,"é²¼":121923,"é²½":121924,"é³Ģ":121925,"é³ĥ":121926,"é³ħ":121927,"é³ĩ":121928,"é³Ĭ":121929,"èŀ½":121930,"çĩ®":121931,"鹫":121932,"ç³ľ":121933,"縻":121934,"çĻį":121935,"éºĭ":121936,"æĩij":121937,"æ¿¡":121938,"æ¿®":121939,"æ¿ŀ":121940,"æ¿ł":121941,"濯":121942,"è¹ĩ":121943,"è¬ĩ":121944,"éĤĥ":121945,"è¥ģ":121946,"æªĹ":121947,"æĵĺ":121948,"åŃº":121949,"éļ³":121950,"嬷":121951,"èŁĬ":121952,"鹬":121953,"éįª":121954,"éıĬ":121955,"é¬Ī":121956,"é¬ĥ":121957,"çŀ½":121958,"éŀ¯":121959,"éŀ¨":121960,"éŀ«":121961,"éŀ§":121962,"éŀ£":121963,"èĹľ":121964,"èĹł":121965,"éĨª":121966,"è¹Ļ":121967,"ç¤ĵ":121968,"çĩ¹":121969,"餮":121970,"çŀ¿":121971,"æĽĽ":121972,"颢":121973,"èºĩ":121974,"è¹ļ":121975,"èŁĽ":121976,"èŁª":121977,"èŁł":121978,"èŁ®":121979,"é¹®":121980,"黳":121981,"黣":121982,"é«ħ":121983,"é«Ĥ":121984,"éķ¬":121985,"éķŃ":121986,"éķ¯":121987,"馥":121988,"ç°Ł":121989,"ç°ª":121990,"鼬":121991,"鼳":121992,"èīŁ":121993,"é³İ":121994,"é³ı":121995,"é³IJ":121996,"çĻŀ":121997,"çĻĶ":121998,"糨":121999,"蹩":122000,"éİı":122001,"éĤĭ":122002,"é¬ı":122003,"æĶī":122004,"éŀ²":122005,"éŀ´":122006,"èĹ¿":122007,"èĺ§":122008,"èĺħ":122009,"éĨ®":122010,"éĨ¯":122011,"éħĥ":122012,"éľª":122013,"éľŃ":122014,"龨":122015,"黼":122016,"åļ¯":122017,"è¹°":122018,"蹶":122019,"è¹½":122020,"è¹¼":122021,"è¹´":122022,"è¹¾":122023,"蹿":122024,"èłĸ":122025,"èłĵ":122026,"èŁ¾":122027,"èłĬ":122028,"黢":122029,"é«ĭ":122030,"é«Į":122031,"éķ²":122032,"ç±Ģ":122033,"é½ģ":122034,"éŃij":122035,"èī¨":122036,"é³ĵ":122037,"é³Ķ":122038,"é³ķ":122039,"é³Ĺ":122040,"é³Ļ":122041,"éıĸ":122042,"羸":122043,"ã¸Ĩ":122044,"çĢ£":122045,"çĢĽ":122046,"襦":122047,"è°¶":122048,"è¥ŀ":122049,"骥":122050,"ç¼µ":122051,"çĵĴ":122052,"æĶĺ":122053,"èĺ©":122054,"èĺĸ":122055,"éĨ´":122056,"éľ°":122057,"éħĨ":122058,"çŁį":122059,"èºħ":122060,"é¼į":122061,"å·ī":122062,"黩":122063,"黥":122064,"黪":122065,"éķ³":122066,"éķ´":122067,"黧":122068,"çºĤ":122069,"çĴº":122070,"鼯":122071,"èĩľ":122072,"é³ľ":122073,"é³Ŀ":122074,"é³Ł":122075,"çį¾":122076,"åŃĢ":122077,"骧":122078,"çĵĺ":122079,"é¼Ļ":122080,"éĨº":122081,"礴":122082,"颦":122083,"æĽ©":122084,"é³¢":122085,"éºĿ":122086,"å¤Ķ":122087,"çĪĿ":122088,"çģı":122089,"禳":122090,"éIJ¾":122091,"ç¾¼":122092,"èł¡":122093,"èĢ±":122094,"é¹³":122095,"æ°į":122096,"é¥ķ":122097,"èºIJ":122098,"é«ij":122099,"éķµ":122100,"ç©°":122101,"é¥Ķ":122102,"鬻":122103,"鬣":122104,"趱":122105,"æĶ«":122106,"æĶ¥":122107,"颧":122108,"èºľ":122109,"é¼¹":122110,"çĻ¯":122111,"èł²":122112,"èł¹":122113,"èºŀ":122114,"è¡¢":122115,"çģŀ":122116,"襻":122117,"çºĽ":122118,"鬣":122119,"æĶ®":122120,"åĽĶ":122121,"é¦ķ":122122,"æĪĨ":122123,"çĪ¨":122124,"é½ī":122125,"äºį":122126,"å°¢":122127,"å½³":122128,"åį¬":122129,"殳":122130,"ðłĻ¶":122131,"æ¯Į":122132,"éĤĺ":122133,"æĪĭ":122134,"åľ¢":122135,"æ°ķ":122136,"ä¼ĭ":122137,"ä»Ŀ":122138,"åĨ®":122139,"æ°¿":122140,"æ±Ī":122141,"æ°¾":122142,"å¿ī":122143,"å®Ħ":122144,"ð¬£Ļ":122145,"è®±":122146,"æīŀ":122147,"åľ²":122148,"åľ«":122149,"èĬı":122150,"èĬĥ":122151,"æľ³":122152,"æľ¸":122153,"ð¨Ļ":122154,"ð¨Ļ¸":122155,"éĤ¨":122156,"åIJĴ":122157,"åIJĸ":122158,"å±¼":122159,"å±¾":122160,"辿":122161,"éĴĨ":122162,"仳":122163,"ä¼£":122164,"ä¼Ī":122165,"çĻ¿":122166,"çĶª":122167,"éĤł":122168,"çĬ´":122169,"åĨ±":122170,"éĤ¡":122171,"ð¬ĩķ":122172,"æ±ĭ":122173,"äľ":122174,"äľ£":122175,"è®»":122176,"ð¬£ŀ":122177,"åŃĸ":122178,"ð¬ĺĵ":122179,"纩":122180,"çİĴ":122181,"çİĵ":122182,"çİĺ":122183,"çİļ":122184,"åĪ¬":122185,"ð«ŃŁ":122186,"åĿľ":122187,"åĿī":122188,"æī½":122189,"ð«Ń¢":122190,"åĿĭ":122191,"æīº":122192,"ã§ij":122193,"æ¯IJ":122194,"èĬ°":122195,"èĬ£":122196,"èĭĬ":122197,"èĭī":122198,"èĬĺ":122199,"èĬ´":122200,"èĬł":122201,"ð«ĩ":122202,"ð«ĩŃ":122203,"èĬ¤":122204,"æĿķ":122205,"æĿĻ":122206,"æĿĦ":122207,"æĿ§":122208,"æĿ©":122209,"å°ª":122210,"å°¨":122211,"轪":122212,"ð«IJĦ":122213,"åĿĴ":122214,"èĬĪ":122215,"æĹ´":122216,"æŵ":122217,"åijĻ":122218,"ãķ":122219,"ãķ®":122220,"å²į":122221,"ð«µ":122222,"𫵷":122223,"å²ł":122224,"å²ľ":122225,"åijĩ":122226,"åĨı":122227,"è§ĥ":122228,"å²Ļ":122229,"ä¼¾":122230,"ãijĩ":122231,"ä¼Ń":122232,"ä½ĸ":122233,"ä¼²":122234,"ä½ģ":122235,"é£ı":122236,"çĭĥ":122237,"éŶ":122238,"汧":122239,"汫":122240,"ð£²ĺ":122241,"ð£²Ĺ":122242,"æ²Ħ":122243,"æ²ĺ":122244,"ð¬ĩĻ":122245,"æ±Ń":122246,"ã³ĩ":122247,"æ²ĩ":122248,"å¿®":122249,"忳":122250,"忺":122251,"𬣡":122252,"ç¥ĥ":122253,"è¯ĩ":122254,"éĤ²":122255,"è¯İ":122256,"è¯IJ":122257,"å±ĥ":122258,"ð«¸":122259,"𫸩":122260,"å²Ĭ":122261,"éĺ½":122262,"䢺":122263,"éĺ¼":122264,"妧":122265,"å¦ĺ":122266,"ð¨ļ":122267,"ð¨ļķ":122268,"纮":122269,"驲":122270,"ð«ĺľ":122271,"纻":122272,"ð¬ĺĺ":122273,"ð«ĺĿ":122274,"纼":122275,"çݤ":122276,"çİŀ":122277,"çݱ":122278,"çİŁ":122279,"éĤ½":122280,"éĤ¿":122281,"åĿ¥":122282,"åĿ°":122283,"åĿ¬":122284,"åĿ½":122285,"å¼Ĩ":122286,"èĢµ":122287,"䢼":122288,"ð¦Ń":122289,"ð¦Ńľ":122290,"èĮĭ":122291,"èĭ§":122292,"èĭ¾":122293,"èĭł":122294,"æŀħ":122295,"ãŃİ":122296,"æŀĺ":122297,"æŀį":122298,"çŁ¼":122299,"磻":122300,"åĮ¼":122301,"ð¬¨Ĥ":122302,"ð¬Ģ©":122303,"ð¬Ģª":122304,"æĹ¿":122305,"æĺĦ":122306,"æĺĴ":122307,"æĺĪ":122308,"åĴī":122309,"åĴĩ":122310,"åĴį":122311,"å²µ":122312,"å²½":122313,"岨":122314,"å²ŀ":122315,"å³Ĥ":122316,"ãŁ":122317,"ãŁĥ":122318,"åĽ·":122319,"𬬩":122320,"éĴIJ":122321,"éĴĶ":122322,"éĴĸ":122323,"çī¥":122324,"ä½´":122325,"åŀĪ":122326,"ä¾ģ":122327,"ä¾¹":122328,"佸":122329,"佺":122330,"éļ¹":122331,"ãijĬ":122332,"ä¾Ĥ":122333,"ä½½":122334,"ä¾ĺ":122335,"éĥĪ":122336,"èĪł":122337,"éĥIJ":122338,"éĥĥ":122339,"æĶ½":122340,"èĤŃ":122341,"èĤ¸":122342,"èĤ·":122343,"çĭī":122344,"çĭĿ":122345,"饳":122346,"å¿ŀ":122347,"çĤĮ":122348,"çĤĨ":122349,"æ³Ļ":122350,"沺":122351,"æ³Ĥ":122352,"æ³ľ":122353,"æ³ĥ":122354,"æ³ĩ":122355,"æĢĬ":122356,"å³ĥ":122357,"穸":122358,"ç¥ĭ":122359,"ç¥Ĭ":122360,"ð«į£":122361,"𬣳":122362,"𬩽":122363,"鸤":122364,"å¼¢":122365,"弨":122366,"éĻij":122367,"𬮿":122368,"éĻİ":122369,"ð¬¯Ģ":122370,"åįº":122371,"乸":122372,"å¦Ń":122373,"å§Ī":122374,"ð«°":122375,"ð«°Ľ":122376,"迳":122377,"åıķ":122378,"𬳵":122379,"驵":122380,"𬳶":122381,"äĮ":122382,"äĮ¹":122383,"驺":122384,"ð«łĬ":122385,"ç»ĭ":122386,"ç»IJ":122387,"çłī":122388,"èĢĶ":122389,"ãĽĥ":122390,"çݶ":122391,"çıĩ":122392,"çıħ":122393,"ð¬įĽ":122394,"çıĭ":122395,"çݹ":122396,"çıĮ":122397,"çİ¿":122398,"飨":122399,"åŀļ":122400,"åŀ¯":122401,"åŀĻ":122402,"åŀ²":122403,"åŁı":122404,"åŀį":122405,"èĢĩ":122406,"é¿į":122407,"åŀİ":122408,"åŀ´":122409,"åŀŁ":122410,"åŀŀ":122411,"æĮĵ":122412,"åŀµ":122413,"åŀı":122414,"æĭ¶":122415,"èįĸ":122416,"èįģ":122417,"èįĻ":122418,"èįĽ":122419,"èĮĪ":122420,"èĮ½":122421,"èįĦ":122422,"èĮº":122423,"ð¬ľ¬":122424,"èįĵ":122425,"èĮ³":122426,"ð¦°":122427,"𦰡":122428,"èĮĽ":122429,"èįŃ":122430,"ãŃķ":122431,"æŁ·":122432,"æŁĥ":122433,"æŁĬ":122434,"æŀ¹":122435,"æłIJ":122436,"æŁĸ":122437,"éĥļ":122438,"åīħ":122439,"ä´ĵ":122440,"迺":122441,"åİĸ":122442,"çłĨ":122443,"çłij":122444,"çłĦ":122445,"èĢı":122446,"å¥ĵ":122447,"ä¶":122448,"䶮":122449,"è½µ":122450,"è½·":122451,"è½¹":122452,"轺":122453,"æĺº":122454,"ðª¾":122455,"𪾢":122456,"æĺ½":122457,"缷":122458,"åĴ¡":122459,"åĴº":122460,"æĺ³":122461,"æĺ£":122462,"æĺ¤":122463,"æĺ«":122464,"æĺ¡":122465,"åĴ¥":122466,"æĺª":122467,"èĻ·":122468,"èĻ¸":122469,"åĵĥ":122470,"å³ĺ":122471,"èĢij":122472,"å³Ľ":122473,"𪨰":122474,"å³Ĺ":122475,"峧":122476,"帡":122477,"éĴĺ":122478,"ð«ĵ§":122479,"éĴľ":122480,"𬬮":122481,"𬬱":122482,"ð¬¬Ń":122483,"éĴª":122484,"éĴ¬":122485,"éĴŃ":122486,"磧":122487,"秬":122488,"ä¿«":122489,"èĪģ":122490,"ä¿ľ":122491,"ä¿Ļ":122492,"ä¿į":122493,"åŀķ":122494,"è¡İ":122495,"èĪ£":122496,"å¼ĩ":122497,"ä¾´":122498,"鸧":122499,"äı¡":122500,"èĥł":122501,"ð¦Ļ¶":122502,"èĥĪ":122503,"èĥ©":122504,"èĥ£":122505,"æľı":122506,"é£IJ":122507,"è¨Ħ":122508,"饻":122509,"庤":122510,"çĸ¢":122511,"çĤ£":122512,"çĤŁ":122513,"ã¶":122514,"㶲":122515,"æ´Ń":122516,"æ´ĺ":122517,"æ´ĵ":122518,"æ´¿":122519,"ã³ļ":122520,"æ³ļ":122521,"æµĪ":122522,"æµī":122523,"æ´¸":122524,"æ´ij":122525,"æ´¢":122526,"æ´Ī":122527,"æ´ļ":122528,"æ´º":122529,"æ´¨":122530,"æµIJ":122531,"ã³ĺ":122532,"æ´´":122533,"æ´£":122534,"æģĶ":122535,"宬":122536,"çªĢ":122537,"æīĤ":122538,"è¢Ĩ":122539,"ç¥ı":122540,"ç¥IJ":122541,"ç¥ķ":122542,"åıļ":122543,"éĻ§":122544,"éĻŀ":122545,"å¨Ģ":122546,"å§ŀ":122547,"姱":122548,"姤":122549,"姶":122550,"姽":122551,"æŀ²":122552,"ç»ĸ":122553,"éªĥ":122554,"ð¬ĺ¡":122555,"𬳽":122556,"ð¬ĺ©":122557,"ð«Ħ§":122558,"å½ĸ":122559,"éªī":122560,"æģĿ":122561,"çıª":122562,"çıĽ":122563,"çı¹":122564,"çIJĬ":122565,"çݼ":122566,"çıĸ":122567,"ðªŁ":122568,"ðªŁĿ":122569,"çı½":122570,"çı¦":122571,"çı«":122572,"çıĴ":122573,"ð¬į¤":122574,"çı¢":122575,"çıķ":122576,"çıĿ":122577,"ð«Ń¼":122578,"åŁĹ":122579,"åŀ¾":122580,"åŀº":122581,"åŁĨ":122582,"åŀ¿":122583,"åŁĮ":122584,"åŁĩ":122585,"èİ°":122586,"èĮĿ":122587,"ð¬ľ¯":122588,"éĦĢ":122589,"èݶ":122590,"èİĿ":122591,"äĵĸ":122592,"èİĻ":122593,"æł»":122594,"æ¡ł":122595,"ð¬Ĥ":122596,"ð¬Ĥ©":122597,"æ¡Ħ":122598,"æ¢ł":122599,"æł´":122600,"梴":122601,"æłĴ":122602,"éħİ":122603,"éħı":122604,"ð«łĨ":122605,"çłµ":122606,"çłł":122607,"çł«":122608,"糬":122609,"ç¡ģ":122610,"æģ§":122611,"ç¿ĥ":122612,"éĥª":122613,"ð¨IJ":122614,"ð¨IJĪ":122615,"è¾Ģ":122616,"è¾ģ":122617,"ð¬Į":122618,"ð¬ĮĹ":122619,"åīķ":122620,"èµĢ":122621,"åĵ¢":122622,"æĻħ":122623,"æĻĬ":122624,"åĶĿ":122625,"åĵ³":122626,"åĵ±":122627,"åĨĶ":122628,"æĻĶ":122629,"æĻIJ":122630,"çķĸ":122631,"èļĦ":122632,"èļĨ":122633,"ð«ij":122634,"ð«ij¡":122635,"帱":122636,"å´ģ":122637,"峿":122638,"𪨶":122639,"å´Ħ":122640,"帨":122641,"å´Ģ":122642,"èµĨ":122643,"𬬸":122644,"éĴ·":122645,"𬬻":122646,"𬬹":122647,"𬬿":122648,"ð¬Ńģ":122649,"çľļ":122650,"çĶ¡":122651,"笫":122652,"åĢ»":122653,"åĢ´":122654,"èĦ©":122655,"åĢ®":122656,"åĢķ":122657,"åĢŀ":122658,"ð«¢":122659,"𫢸":122660,"åĢĵ":122661,"åĢ§":122662,"è¡ĥ":122663,"èĻĴ":122664,"èĪŃ":122665,"èĪ¯":122666,"èĪ¥":122667,"çĵŀ":122668,"鬯":122669,"鸰":122670,"èĦİ":122671,"æľĵ":122672,"èĥ²":122673,"èĻĵ":122674,"é±½":122675,"çĭ´":122676,"å³±":122677,"çĭ»":122678,"çľ¢":122679,"ð«Ĺ§":122680,"åĭį":122681,"çĹĦ":122682,"çĸ°":122683,"çĹĥ":122684,"ç«ĺ":122685,"ç¾ĸ":122686,"ç¾ĵ":122687,"æ¡Ĭ":122688,"æķī":122689,"çĥł":122690,"çĥĶ":122691,"çĥ¶":122692,"çĥ»":122693,"ð¬ĬĪ":122694,"æ¶į":122695,"浡":122696,"æµŃ":122697,"浬":122698,"æ¶Ħ":122699,"涢":122700,"æ¶IJ":122701,"æµ°":122702,"æµŁ":122703,"æµĽ":122704,"æµ¼":122705,"æµ²":122706,"æ¶ĺ":122707,"æĤĪ":122708,"æĤĥ":122709,"æĤ¢":122710,"ð¬ĴĪ":122711,"宧":122712,"çªħ":122713,"çªĬ":122714,"çªİ":122715,"æīħ":122716,"æīĨ":122717,"袪":122718,"è¢Ĺ":122719,"袯":122720,"祧":122721,"éļº":122722,"åł²":122723,"çĸį":122724,"ð¨º":122725,"ð¨ºĻ":122726,"éĻ´":122727,"çĥĿ":122728,"çł®":122729,"ãĽļ":122730,"åĵ¿":122731,"ç¿Ģ":122732,"ç¿Ĥ":122733,"åīŁ":122734,"𬳿":122735,"ð«Ħ¨":122736,"绤":122737,"éªį":122738,"ð¬ĺ«":122739,"äĤ":122740,"äĤ®":122741,"çIJİ":122742,"çı¸":122743,"çıµ":122744,"çIJĦ":122745,"çIJĪ":122746,"çIJĢ":122747,"çıº":122748,"æİŃ":122749,"åłİ":122750,"åłIJ":122751,"åŁ¼":122752,"æİİ":122753,"åŁ«":122754,"åłĮ":122755,"æĻ¢":122756,"ð«®":122757,"ð«®ĥ":122758,"æİŀ":122759,"åŁª":122760,"壸":122761,"ãĻį":122762,"èģį":122763,"èıĿ":122764,"èIJļ":122765,"èı¥":122766,"èİ¿":122767,"äĵ«":122768,"åĭļ":122769,"äĵ¬":122770,"èIJĨ":122771,"èıĤ":122772,"èıį":122773,"èı¼":122774,"èIJ£":122775,"äĵ¨":122776,"èıī":122777,"äĵĽ":122778,"梼":122779,"梽":122780,"桲":122781,"梾":122782,"桯":122783,"梣":122784,"æ¢Į":122785,"桹":122786,"æķĶ":122787,"åİ£":122788,"ç¡Ķ":122789,"é¿İ":122790,"ç¡Ļ":122791,"ç¡ļ":122792,"ç¡Ĭ":122793,"ç¡į":122794,"åĭĶ":122795,"ä´ķ":122796,"é¾ģ":122797,"éĢ´":122798,"åĶª":122799,"åķ«":122800,"ç¿Ī":122801,"ã«":122802,"ã«°":122803,"æĻĻ":122804,"çķ¤":122805,"ð¬±ĸ":122806,"趼":122807,"è·Ĥ":122808,"èĽĥ":122809,"èļ²":122810,"ð¬Ł½":122811,"èļº":122812,"åķ´":122813,"äİĥ":122814,"å´§":122815,"å´Ł":122816,"å´ŀ":122817,"å´Ĵ":122818,"å´Į":122819,"å´¡":122820,"éĵı":122821,"ð«ĵ¯":122822,"ð«Ł¹":122823,"éĵķ":122824,"ð«Ł¼":122825,"éĵĸ":122826,"éĵĺ":122827,"éĵļ":122828,"éĵŀ":122829,"éĵ¥":122830,"éĵ´":122831,"çī»":122832,"çī¿":122833,"ç¨Ĩ":122834,"笱":122835,"笯":122836,"åģ°":122837,"åģ¡":122838,"鸺":122839,"åģŃ":122840,"åģ²":122841,"åģģ":122842,"ã¿":122843,"ã¿ł":122844,"éĦħ":122845,"åģĵ":122846,"å¾Ľ":122847,"è¡Ĵ":122848,"èĪ³":122849,"èĪ²":122850,"鸼":122851,"æĤĨ":122852,"éĦĥ":122853,"çĵ»":122854,"äĿ":122855,"äĿĻ":122856,"èĦ¶":122857,"èĦŀ":122858,"èĦŁ":122859,"äı²":122860,"é±¾":122861,"çĮĩ":122862,"çĮĬ":122863,"çĮĦ":122864,"è§ĸ":122865,"ðłħ":122866,"ðłħ¤":122867,"庱":122868,"庼":122869,"庳":122870,"çĹĵ":122871,"ä´Ķ":122872,"ç««":122873,"åłĥ":122874,"éĺĮ":122875,"ç¾Ŀ":122876,"ç¾ķ":122877,"çĦĨ":122878,"çĥº":122879,"çĦĮ":122880,"æ·ı":122881,"ð¬ĩ¹":122882,"æ·Ł":122883,"æ·ľ":122884,"æ·´":122885,"æ·¯":122886,"æ¹´":122887,"涴":122888,"ð¬į¡":122889,"ã¥":122890,"ã¥Ħ":122891,"æĥĽ":122892,"æĥĶ":122893,"æĤ°":122894,"æĥĻ":122895,"å¯ģ":122896,"éĢŃ":122897,"ð¬¤ĩ":122898,"ð«į¯":122899,"袼":122900,"è£Ī":122901,"祲":122902,"ð¬¤Ĭ":122903,"ð«į²":122904,"è°ŀ":122905,"èī´":122906,"弸":122907,"弶":122908,"ð¬¯İ":122909,"éļĥ":122910,"å©ŀ":122911,"娵":122912,"婼":122913,"åªĸ":122914,"婳":122915,"å©į":122916,"å©Į":122917,"å©«":122918,"婤":122919,"å©ĺ":122920,"å©ł":122921,"ð¬ĺ¬":122922,"ð¬ĺŃ":122923,"ð¬´Ĥ":122924,"ð«ĺ¦":122925,"绹":122926,"ð«Łħ":122927,"ð¬ĺ¯":122928,"éªķ":122929,"ð«ĺ§":122930,"絾":122931,"çı·":122932,"çIJ²":122933,"çIJ¡":122934,"çIJŁ":122935,"çIJĶ":122936,"çIJŃ":122937,"åł¾":122938,"åł¼":122939,"æıķ":122940,"ãĻĺ":122941,"åł§":122942,"åĸĨ":122943,"åł¨":122944,"å¡ħ":122945,"åłł":122946,"çµ·":122947,"ðª£":122948,"𪣻":122949,"ð¡İ":122950,"ð¡İļ":122951,"èijľ":122952,"æĥİ":122953,"èIJ³":122954,"èijĻ":122955,"éĿ¬":122956,"èij´":122957,"èĴĩ":122958,"èĴĪ":122959,"éĦļ":122960,"èĴī":122961,"èĵĩ":122962,"èIJ©":122963,"èij°":122964,"èijİ":122965,"éĦij":122966,"èĴİ":122967,"èijĸ":122968,"èĴĦ":122969,"èIJ¹":122970,"棤":122971,"棽":122972,"棫":122973,"æ¤ĵ":122974,"æ¤ij":122975,"ð¬ĥ":122976,"ð¬ĥĬ":122977,"é¹Ģ":122978,"æ¤Ĩ":122979,"æ£ĵ":122980,"棬":122981,"棪":122982,"æ¤Ģ":122983,"æ¥Ĺ":122984,"ð¬·":122985,"ð¬·ķ":122986,"çĶ¦":122987,"éħ¦":122988,"è§Į":122989,"奡":122990,"çļķ":122991,"硪":122992,"欹":122993,"è©Ł":122994,"ð«IJIJ":122995,"è¾Į":122996,"æ£IJ":122997,"é¾Ĥ":122998,"ð¬¹":122999,"𬹼":123000,"黹":123001,"çīļ":123002,"çĿİ":123003,"æĻ«":123004,"æĻª":123005,"æĻ±":123006,"ð§":123007,"ð§¿":123008,"𧿹":123009,"èĽij":123010,"çķ¯":123011,"æĸĿ":123012,"åĸ¤":123013,"å´¶":123014,"åµģ":123015,"ð«¶":123016,"ð«¶ĩ":123017,"å´¾":123018,"åµħ":123019,"å´¿":123020,"åµļ":123021,"ç¿Ļ":123022,"ð«ĸ®":123023,"åľĮ":123024,"åľIJ":123025,"èµij":123026,"èµĴ":123027,"é¿ı":123028,"éĵ¹":123029,"ð¬ŃĬ":123030,"éĵ½":123031,"ð¨±ĩ":123032,"ð«ĵ¶":123033,"éĶĬ":123034,"éĶį":123035,"éĶİ":123036,"ð¬Ńİ":123037,"éĶĵ":123038,"çĬĩ":123039,"é¢ĭ":123040,"ç¨Į":123041,"çŃĢ":123042,"çŃĺ":123043,"çŃľ":123044,"çŃ¥":123045,"çŃħ":123046,"åĤĥ":123047,"åĤī":123048,"ç¿Ľ":123049,"åĤĴ":123050,"åĤķ":123051,"èĪ¾":123052,"çķ¬":123053,"ð«ĸ¯":123054,"èĦ¿":123055,"èħĺ":123056,"äIJ":123057,"äIJĥ":123058,"èħĻ":123059,"èħĴ":123060,"ð¬±Ł":123061,"é²ĥ":123062,"çĮ°":123063,"ð«Ľ":123064,"ð«ĽŃ":123065,"çĮ¯":123066,"ãº":123067,"ãºĦ":123068,"é¦ī":123069,"åĩĵ":123070,"éĦĹ":123071,"ð«·":123072,"ð«··":123073,"å»ĭ":123074,"å»Ĩ":123075,"éĦĮ":123076,"ç²¢":123077,"éģĨ":123078,"æĹIJ":123079,"𬮱":123080,"çĦŀ":123081,"ð¬Ĭ¤":123082,"欻":123083,"ð£¸":123084,"𣸣":123085,"æºļ":123086,"æºģ":123087,"æ¹Ŀ":123088,"渰":123089,"æ¹ĵ":123090,"ã´":123091,"ã´Ķ":123092,"æ¸Ł":123093,"æºł":123094,"渼":123095,"æºĩ":123096,"æ¹£":123097,"æ¹ij":123098,"æºŀ":123099,"æĦIJ":123100,"æĦĥ":123101,"æķ©":123102,"çĶ¯":123103,"棨":123104,"æīĬ":123105,"裣":123106,"祼":123107,"å©»":123108,"åªĨ":123109,"åªŀ":123110,"ãĽ¹":123111,"åªĵ":123112,"åªĤ":123113,"åªĦ":123114,"毵":123115,"çŁŀ":123116,"ð¬´ĥ":123117,"ð«ĺ¨":123118,"ç¼Ĭ":123119,"ç¼IJ":123120,"éªĻ":123121,"çijĥ":123122,"çijĵ":123123,"çijħ":123124,"çijĨ":123125,"ä´ĸ":123126,"çijĸ":123127,"çijĿ":123128,"çijĶ":123129,"çijĢ":123130,"ð¤§":123131,"ð¤§Ľ":123132,"çij³":123133,"çijĤ":123134,"å¶ħ":123135,"çijij":123136,"éģĺ":123137,"é«¢":123138,"å¡¥":123139,"åł½":123140,"赪":123141,"æijĽ":123142,"å¡Ŀ":123143,"æIJĴ":123144,"æIJĮ":123145,"èĴ±":123146,"èĴ¨":123147,"èĵı":123148,"èĶĢ":123149,"èĵ¢":123150,"èĵĤ":123151,"èĴ»":123152,"èĵ£":123153,"椹":123154,"楪":123155,"æ¦ĥ":123156,"æ¦ħ":123157,"æ¥Ĵ":123158,"楩":123159,"æ¦ĩ":123160,"椸":123161,"æ¥Ļ":123162,"æŃħ":123163,"ð¬ª":123164,"𬪩":123165,"ç¢ĥ":123166,"ç¢ı":123167,"ð¬ĴĶ":123168,"ç¢Ī":123169,"äĥħ":123170,"ç¡¿":123171,"éĦł":123172,"è¾Ĵ":123173,"ð¬¨İ":123174,"ð«IJĵ":123175,"é¾Ĩ":123176,"è§ľ":123177,"ä£":123178,"ä£ĺ":123179,"æļķ":123180,"é¹į":123181,"ð««":123182,"ð««ĩ":123183,"ã¬Ĭ":123184,"æļħ":123185,"è·±":123186,"èľIJ":123187,"èľİ":123188,"åµ²":123189,"èµĹ":123190,"骱":123191,"éĶĸ":123192,"ð«ĵ¹":123193,"éĶĺ":123194,"éĶ³":123195,"éĶ§":123196,"éĶª":123197,"ð¬Ńļ":123198,"éĶ«":123199,"éĶ¬":123200,"ð¬ŃĽ":123201,"ç¨ij":123202,"ç¨Ļ":123203,"äħ":123204,"äħŁ":123205,"ð¬ķ":123206,"ð¬ķĤ":123207,"çŃ»":123208,"çŃ¼":123209,"çѶ":123210,"çѦ":123211,"çѤ":123212,"åĤº":123213,"é¹İ":123214,"åĥĩ":123215,"èīħ":123216,"èīī":123217,"è°¼":123218,"è²Ĩ":123219,"èħ½":123220,"èħ¨":123221,"èħ¯":123222,"é²ī":123223,"é²Ĭ":123224,"é²Į":123225,"ä²Ł":123226,"ð¬¶ĭ":123227,"ð¬¶į":123228,"é²ı":123229,"éĽĬ":123230,"çĮº":123231,"é£Ķ":123232,"è§Ł":123233,"ð¦Ŀ¼":123234,"é¦Į":123235,"è£Ľ":123236,"å»Ĵ":123237,"çĺħ":123238,"éĦĺ":123239,"é¹Ĵ":123240,"éĦľ":123241,"éºĢ":123242,"éĦ£":123243,"éĺĺ":123244,"ð«Ķ¶":123245,"çħģ":123246,"çħĥ":123247,"çħ´":123248,"çħĭ":123249,"çħŁ":123250,"çħĵ":123251,"æ»ł":123252,"æºį":123253,"溹":123254,"æ»Ĩ":123255,"æ»ī":123256,"溦":123257,"溵":123258,"æ¼·":123259,"滧":123260,"æ»ĺ":123261,"æ»į":123262,"æĦŃ":123263,"æħ¥":123264,"æħĨ":123265,"塱":123266,"ð«ĮĢ":123267,"裼":123268,"ç¦ĭ":123269,"ç¦Ķ":123270,"ç¦ĺ":123271,"ç¦Ĵ":123272,"è°«":123273,"é¹Ķ":123274,"ð«ĸ³":123275,"æĦį":123276,"å«Ħ":123277,"媱":123278,"æĪ¤":123279,"åĭł":123280,"æĪ£":123281,"ð«ĺª":123282,"ð«ĺ¬":123283,"ç¼ŀ":123284,"èĢ¤":123285,"çij§":123286,"ð«ŀ":123287,"ð«ŀ©":123288,"çij¨":123289,"çij±":123290,"çij·":123291,"çij¢":123292,"æĸł":123293,"æijı":123294,"å¢ķ":123295,"å¢Ī":123296,"å¢IJ":123297,"å¢ĺ":123298,"æij´":123299,"éĬİ":123300,"ð¡IJ":123301,"ð¡IJĵ":123302,"å¢ļ":123303,"æĴĸ":123304,"ðª¤":123305,"ðª¤Ĺ":123306,"éĿ½":123307,"éŀģ":123308,"èĶĮ":123309,"èĶĪ":123310,"èĵ°":123311,"èĶ¹":123312,"èĶĬ":123313,"åĺı":123314,"榰":123315,"æ¦ij":123316,"æ§ļ":123317,"ð£Ĺ":123318,"ð£Ĺĭ":123319,"æ§ľ":123320,"æ¦į":123321,"çĸIJ":123322,"ð¬¸ĺ":123323,"éħº":123324,"éħ¾":123325,"éħ²":123326,"éħ´":123327,"碶":123328,"äĥİ":123329,"ð¬ĴĹ":123330,"碨":123331,"ð¥Ķ":123332,"ð¥Ķ²":123333,"碹":123334,"碥":123335,"åĬĤ":123336,"ð«ļĸ":123337,"ä´Ĺ":123338,"夥":123339,"çŀį":123340,"é¹ĸ":123341,"ã¬İ":123342,"è·½":123343,"èľ¾":123344,"å¹ĸ":123345,"å¶į":123346,"åľĻ":123347,"ð¨±ı":123348,"éĶº":123349,"éĶ¼":123350,"éĶ½":123351,"ð¬Ń¤":123352,"éĶ¾":123353,"éĶ¿":123354,"éķĥ":123355,"éķĦ":123356,"éķħ":123357,"é¦Ŀ":123358,"é¹Ļ":123359,"箨":123360,"ç®ĸ":123361,"åĬĦ":123362,"åĥ¬":123363,"åĥ¦":123364,"åĥĶ":123365,"åĥİ":123366,"æ§ĥ":123367,"ãĻ¦":123368,"é²Ĵ":123369,"é²ķ":123370,"ð«ļķ":123371,"é²ĸ":123372,"é²Ĺ":123373,"é²ĺ":123374,"é²Ļ":123375,"ð¬¶IJ":123376,"ð¬¶ı":123377,"ð©½":123378,"𩽾":123379,"å¤IJ":123380,"çįį":123381,"é£Ĺ":123382,"ð¬¸ļ":123383,"åĩĺ":123384,"å»ij":123385,"å»Ļ":123386,"çĺĹ":123387,"çĺ¥":123388,"çĺķ":123389,"é²Ŀ":123390,"éĦ«":123391,"çĨĩ":123392,"æ¼¹":123393,"æ¼ĸ":123394,"æ½Ĩ":123395,"漤":123396,"潩":123397,"æ¼¼":123398,"æ¼´":123399,"ã½":123400,"ã½ı":123401,"æ¼Ī":123402,"æ¼ĭ":123403,"æ¼»":123404,"æħ¬":123405,"窬":123406,"çªŃ":123407,"ã®":123408,"㮾":123409,"ð¬¤Ŀ":123410,"è¤ķ":123411,"禼":123412,"ç¦ļ":123413,"éļ©":123414,"å«ķ":123415,"å«Ń":123416,"å«ľ":123417,"嫪":123418,"ð¬ĻĤ":123419,"ã»":123420,"㻬":123421,"麹":123422,"çĴĨ":123423,"漦":123424,"åıĩ":123425,"墣":123426,"墦":123427,"墡":123428,"åĬIJ":123429,"èĸģ":123430,"èķ°":123431,"èĶĥ":123432,"é¼Ĵ":123433,"槱":123434,"é¹Ŀ":123435,"ç£ı":123436,"ç£ī":123437,"殣":123438,"æħŃ":123439,"éľħ":123440,"æļµ":123441,"æļ²":123442,"æļ¶":123443,"踦":123444,"踣":123445,"äĹĸ":123446,"èĿĺ":123447,"èĿ²":123448,"èĿ¤":123449,"åĻĩ":123450,"åĻĤ":123451,"åĻĢ":123452,"罶":123453,"嶲":123454,"å¶ĵ":123455,"ãłĩ":123456,"å¶Ł":123457,"å¶Ĵ":123458,"éķĨ":123459,"éķĪ":123460,"éķĭ":123461,"éķİ":123462,"ð¬Ń©":123463,"éķķ":123464,"稹":123465,"åĦĩ":123466,"çļŀ":123467,"çļĽ":123468,"ä´ĺ":123469,"èīİ":123470,"èīı":123471,"é¹Ł":123472,"ð©¾ĥ":123473,"鲦":123474,"鲪":123475,"鲬":123476,"æ©¥":123477,"è§Ń":123478,"é¹ł":123479,"鹡":123480,"ç³ĩ":123481,"ç³Ī":123482,"翦":123483,"é¹¢":123484,"é¹£":123485,"çĨĽ":123486,"æ½ĸ":123487,"æ½µ":123488,"ãµ":123489,"ãµIJ":123490,"æ¾Ĥ":123491,"æ¾Ľ":123492,"çij¬":123493,"æ½½":123494,"æ½¾":123495,"æ½ı":123496,"æĨŃ":123497,"æĨķ":123498,"𬸣":123499,"æĪŃ":123500,"褯":123501,"禤":123502,"ð«į½":123503,"嫽":123504,"éģ¹":123505,"ð¬´Ĭ":123506,"çĴ¥":123507,"çĴ²":123508,"çĴĴ":123509,"æĨĻ":123510,"æĵIJ":123511,"éĦ¹":123512,"èĸ³":123513,"éŀĶ":123514,"é»ĩ":123515,"ð¬ŀ":123516,"ð¬ŀŁ":123517,"èķĹ":123518,"èĸ¢":123519,"èķ¹":123520,"æ©ŀ":123521,"æ©ij":123522,"橦":123523,"éĨij":123524,"觱":123525,"磡":123526,"ð¥ķ":123527,"ð¥ķ¢":123528,"ç£ľ":123529,"è±®":123530,"ð«Ł¦":123531,"ð¬ºĪ":123532,"ð«łľ":123533,"é¹¾":123534,"èĻ¤":123535,"æļ¿":123536,"æĽĮ":123537,"æĽĪ":123538,"ã¬ļ":123539,"è¹ħ":123540,"踶":123541,"äĹĽ":123542,"èŀĹ":123543,"çĸģ":123544,"ãłĵ":123545,"幪":123546,"ðª©":123547,"ðª©ĺ":123548,"嶦":123549,"ð¬Ń¬":123550,"ð¨±ij":123551,"ð¬Ń¯":123552,"é¦ŀ":123553,"ç©Ħ":123554,"ç¯ļ":123555,"篯":123556,"ç°ī":123557,"é¼½":123558,"è¡ł":123559,"缦":123560,"èŀ£":123561,"縢":123562,"é²Ń":123563,"鲯":123564,"é²°":123565,"鲺":123566,"é²¹":123567,"ð«Ĺ´":123568,"亸":123569,"çĻĢ":123570,"çĺŃ":123571,"𬸦":123572,"ç¾±":123573,"ç³Ĵ":123574,"çĩĭ":123575,"çĨ»":123576,"çĩĬ":123577,"çĩļ":123578,"çĩı":123579,"æ¿©":123580,"æ¿ĭ":123581,"澪":123582,"æ¾½":123583,"æ¾´":123584,"æ¾Ń":123585,"æ¾¼":123586,"æĨ·":123587,"æĨº":123588,"æĩĶ":123589,"é»ī":123590,"å¬Ľ":123591,"鹨":123592,"翯":123593,"ð«Ħ·":123594,"çĴ±":123595,"𤩽":123596,"çĴ¬":123597,"çĴ®":123598,"髽":123599,"æĵ¿":123600,"èĸ¿":123601,"èĸ¸":123602,"æªij":123603,"æ«Ĩ":123604,"æªŀ":123605,"éĨ¨":123606,"ç¹Ħ":123607,"磹":123608,"磻":123609,"çŀ«":123610,"çŀµ":123611,"è¹IJ":123612,"èŁı":123613,"ãĺ":123614,"ãĺİ":123615,"ð¬Ń³":123616,"éķ¤":123617,"ð¬Ń¶":123618,"ð«Ķį":123619,"éķ¥":123620,"éķ¨":123621,"ð¬Ń¸":123622,"ð¨±Ķ":123623,"ð¬Ń¼":123624,"ð«Ķİ":123625,"磰":123626,"ç©Ļ":123627,"ç©ľ":123628,"ç©Ł":123629,"ç°ķ":123630,"ç°ĥ":123631,"ç°ı":123632,"åĦ¦":123633,"éŃĭ":123634,"æĸ¶":123635,"èīļ":123636,"𬸪":123637,"è°¿":123638,"ä²ł":123639,"ð¬¶Ł":123640,"é²¾":123641,"ð¬¶ł":123642,"鲿":123643,"é³ģ":123644,"é³Ĥ":123645,"é³Ī":123646,"é³ī":123647,"çį¯":123648,"äĹª":123649,"é¦ĺ":123650,"è¥ķ":123651,"è¥ļ":123652,"𬶨":123653,"èŀ±":123654,"çĶĵ":123655,"嬬":123656,"嬥":123657,"ð¦Ī":123658,"ð¦Ī¡":123659,"ð«Ħ¸":123660,"çĵĢ":123661,"éĩIJ":123662,"鬶":123663,"çĪĩ":123664,"éŀ³":123665,"éŀ®":123666,"ð¬Łģ":123667,"èĹŁ":123668,"èŦ":123669,"èŨ":123670,"é¹²":123671,"檫":123672,"黡":123673,"ç¤ŀ":123674,"ç¤Į":123675,"ð¥ĸ":123676,"ð¥ĸ¨":123677,"è¹¢":123678,"è¹ľ":123679,"èŁ«":123680,"äĹ´":123681,"åļļ":123682,"é«ĥ":123683,"éķ®":123684,"éķ±":123685,"éħĤ":123686,"馧":123687,"ç°ł":123688,"ç°Ŀ":123689,"ç°°":123690,"鼫":123691,"鼩":123692,"çļ¦":123693,"èĩij":123694,"ä²¢":123695,"é³ij":123696,"é³Ĵ":123697,"é¹±":123698,"鹯":123699,"çĻĹ":123700,"ð¦Ĵ":123701,"ð¦Ĵį":123702,"æĹŀ":123703,"ç¿·":123704,"åĨģ":123705,"äİĸ":123706,"çĢĶ":123707,"çĢį":123708,"çĢĮ":123709,"è¥ľ":123710,"ä´Ļ":123711,"ð¬ĻĬ":123712,"åļŃ":123713,"ã°":123714,"ã°Ģ":123715,"鬷":123716,"éĨŃ":123717,"蹯":123718,"èłĭ":123719,"翾":123720,"é³ĺ":123721,"åĦ³":123722,"åĦ´":123723,"é¼Ĺ":123724,"ð¬¶Ń":123725,"ð©¾Į":123726,"é³ļ":123727,"é³Ľ":123728,"éºij":123729,"éºĸ":123730,"èłĥ":123731,"å½Ł":123732,"嬿":123733,"é¬Ĵ":123734,"èĺĺ":123735,"æ¬Ĥ":123736,"éĨµ":123737,"颥":123738,"çĶĹ":123739,"ð¨Ł":123740,"ð¨Łł":123741,"å·ĩ":123742,"éħħ":123743,"é«İ":123744,"çĬ¨":123745,"𬶮":123746,"ð¨Ń":123747,"ð¨Ńī":123748,"ã¸Į":123749,"çĪĶ":123750,"çĢ±":123751,"çĢ¹":123752,"çĢ¼":123753,"çĢµ":123754,"襫":123755,"åŃħ":123756,"骦":123757,"ð¬Ļĭ":123758,"èĢ°":123759,"ð¤«":123760,"ð¤«ī":123761,"çĵĸ":123762,"é¬ĺ":123763,"趯":123764,"ð¬ºĵ":123765,"ç½į":123766,"é¼±":123767,"é³ł":123768,"鳡":123769,"é³£":123770,"çĪŁ":123771,"çĪļ":123772,"çģĪ":123773,"éŁĤ":123774,"ç³µ":123775,"èĺ¼":123776,"礵":123777,"é¹´":123778,"èºĶ":123779,"çļŃ":123780,"é¾¢":123781,"鳤":123782,"亹":123783,"ç±¥":123784,"é¼·":123785,"ð«ļŃ":123786,"çİĥ":123787,"éĨ¾":123788,"é½ĩ":123789,"觿":123790,"èł¼":123791,"ק":123792,"פ":123793,"׼":123794,"×ķת":123795,"ס":123796,"×Ļ×Ŀ":123797,"צ":123798,"×Ĵ":123799,"×ĺ":123800,"×ķר":123801,"×Ŀ":123802,"×ķ׾":123803,"×ĸ":123804,"à¹Ĥ":123805,"ïº":123806,"ðŁį":123807,"ðŁIJ":123808,"×Ļר":123809,"ï»":123810,"ðŁij":123811,"ðĿIJ":123812,"ðŁı":123813,"ðŁĶ":123814,"ðŁĮ":123815,"ðŁİ":123816,"ðŁĵ":123817,"ף":123818,"ðĿij":123819,"×ķ×ĵ":123820,"ï¦":123821,"Ġ×ķ":123822,"×ķ×ij":123823,"à¸Ńà¸ĩ":123824,"ðĿĺ":123825,"×Ļת":123826,"ðĿķ":123827,"à¸Ĺีà¹Ī":123828,"ائ":123829,"ðŁ¤":123830,"×ķף":123831,"رÙĬ":123832,"×Ļ׾":123833,"ระ":123834,"าย":123835,"ï¯":123836,"ï®":123837,"าม":123838,"âĩ":123839,"ðŁ¥":123840,"ïŃ":123841,"ðĿĻ":123842,"×ķ׳":123843,"á½":123844,"Ġ׼":123845,"ðŁļ":123846,"âļ":123847,"ï§":123848,"×ijר":123849,"×Ļ׳":123850,"á´":123851,"Ġ×Ĺ":123852,"á¼":123853,"ðĿĹ":123854,"Ġ×¢":123855,"×Ļ×Ķ":123856,"ãģ£ãģŁ":123857,"ãģĵãģ¨":123858,"á¸":123859,"ÙĬÙĨ":123860,"ãģªãģĦ":123861,"اع":123862,"ศ":123863,"à¹Īà¸ĩ":123864,"×Ļ×ĵ":123865,"×ŀש":123866,"áĪ":123867,"׳×Ļ":123868,"×Ļ×ij":123869,"ï¥":123870,"ðĿĵ":123871,"Ġ×Ļ":123872,"×ļ":123873,"ัà¸ĩ":123874,"âĵ":123875,"ï¤":123876,"ĠاÙĦØ£":123877,"าà¸ģ":123878,"à¹īà¸Ļ":123879,"à¹Ģร":123880,"×ķ×Ŀ":123881,"á¹":123882,"ึ":123883,"×Ļק":123884,"à¸ĭ":123885,"à¸Ħร":123886,"à¸ĺ":123887,"ัà¸ģ":123888,"ðŁķ":123889,"ÙĪÙĨ":123890,"à¸Ńย":123891,"âĬ":123892,"ðĿĴ":123893,"ĠاÙĦع":123894,"าà¸Ļ":123895,"×Ļף":123896,"ÙĦÙĬ":123897,"×Ļש":123898,"à¸Ľà¸£à¸°":123899,"à¹Ģà¸Ľ":123900,"Ġ׳":123901,"×ķס":123902,"à¸ł":123903,"ÙħÙĨ":123904,"×ķ×¢":123905,"×ķ×ŀ":123906,"âĮ":123907,"ðŁ§":123908,"à¹ĩà¸Ļ":123909,"à¸į":123910,"ãİ":123911,"áµ":123912,"ĠاÙĦس":123913,"×ķק":123914,"หล":123915,"ðŁĩ":123916,"âı":123917,"ðŁ¦":123918,"Ġ×Ķ×ŀ":123919,"ÙĪا":123920,"Ġת":123921,"ר×IJ":123922,"à¸Ńà¸Ļ":123923,"ษ":123924,"à¹Īว":123925,"×ķצ":123926,"íĹ":123927,"ãĦ":123928,"ï¨":123929,"ï¹":123930,"âİ":123931,"ï²":123932,"ðĿļ":123933,"ðIJ":123934,"à¸Ħว":123935,"หà¸Ļ":123936,"Ġר":123937,"بÙĬ":123938,"รà¹Į":123939,"را":123940,"شر":123941,"×ķ×Ĺ":123942,"×ķפ":123943,"×ķש":123944,"×ķ×Ĵ":123945,"íĿ":123946,"âĽ":123947,"à¸ķิ":123948,"à¹Ģà¸ģ":123949,"ï³":123950,"ï±":123951,"à¸Ķà¹ī":123952,"ë¹":123953,"ï¬":123954,"á¿":123955,"ðŁĽ":123956,"ðĿĸ":123957,"à¹Īาà¸ĩ":123958,"ูà¹ī":123959,"Ġ×Ķ×IJ":123960,"ĠاÙĦØŃ":123961,"פר":123962,"ÙĪÙħ":123963,"à¹Ģล":123964,"íĸ":123965,"×Ļ×¢":123966,"ìĪ":123967,"íĵ":123968,"ðŁħ":123969,"áł":123970,"à¸Ħวาม":123971,"à¸Īะ":123972,"׳×Ķ":123973,"Ġק":123974,"à¸Ł":123975,"à¹īà¸ĩ":123976,"หม":123977,"تÙħ":123978,"׾×Ļ":123979,"ÙĬد":123980,"à¹Īà¸Ļ":123981,"×Ĺר":123982,"שר":123983,"à¹Ģà¸Ĺ":123984,"×ŀר":123985,"ëĸ":123986,"عÙĦ":123987,"×ŀ×¢":123988,"â²":123989,"׾×Ķ":123990,"Ġפ":123991,"à¸Ńà¸ģ":123992,"سÙĦ":123993,"×Ļ×ŀ":123994,"ÙĤÙĬ":123995,"íİ":123996,"تØŃ":123997,"×Ļס":123998,"×Ļ×Ĺ":123999,"íĽ":124000,"ï°":124001,"â½":124002,"áī":124003,"áĬ":124004,"á¨":124005,"Ùĩا":124006,"Ġ׾×Ķ":124007,"×ķ×IJ":124008,"Ùħا":124009,"à¹īà¸Ńà¸ĩ":124010,"رب":124011,"ĠاÙĦج":124012,"×ŀ×ĵ":124013,"ÙħÙĦ":124014,"تر":124015,"à¹Ģà¸Ķ":124016,"קר":124017,"íħ":124018,"ì¼":124019,"ê¿":124020,"ãĪ":124021,"áIJ":124022,"ðŁĹ":124023,"ê¦":124024,"áĭ":124025,"ðĿĶ":124026,"à¹Ģà¸Ľà¹ĩà¸Ļ":124027,"à¹ĥห":124028,"มา":124029,"วà¹Īา":124030,"มี":124031,"ีà¹ī":124032,"à¹Ħมà¹Ī":124033,"ÙĨÙĬ":124034,"ؤ":124035,"รา":124036,"×ķ×Ļ":124037,"ãĤĪãģĨ":124038,"ิà¸Ķ":124039,"×Ļפ":124040,"×Ĺ׾":124041,"ÙĤد":124042,"à¹Ģส":124043,"×Ļ×ĺ":124044,"à¸ģล":124045,"ר׼":124046,"×ķ׼":124047,"×Ļ׼":124048,"ëĪ":124049,"ëĥ":124050,"ðŁĸ":124051,"áħ":124052,"â¼":124053,"ãī":124054,"à¹Ħà¸Ķà¹ī":124055,"ת×Ļ":124056,"×Ļ×IJ":124057,"ĠاÙĦØ¥":124058,"à¸łà¸²":124059,"ริ":124060,"ÙĤØ©":124061,"ØŃد":124062,"ê»":124063,"ì±":124064,"ת×Ĺ":124065,"ìº":124066,"âĭ":124067,"áĦ":124068,"á¾":124069,"âµ":124070,"â¾":124071,"ĠÙĪاÙĦ":124072,"׳×ķ":124073,"ÙĢ":124074,"ÙĬا":124075,"à¸ģà¹ĩ":124076,"×ŀ×Ķ":124077,"ãģĦãĤĭ":124078,"عد":124079,"ĠاÙĦÙĨ":124080,"Ġ×Ķש":124081,"ئ":124082,"ัà¹īà¸ĩ":124083,"รัà¸ļ":124084,"ÙĪÙĤ":124085,"ãģ§ãģį":124086,"à¹Ģà¸ŀ":124087,"׼׾":124088,"×ĺר":124089,"ัà¸Ķ":124090,"à¸Ńา":124091,"ì¢":124092,"à¸Ńà¸ļ":124093,"à¸ķร":124094,"à¹Ģà¸Ĭ":124095,"ìĶ":124096,"ãģĹãģ¾":124097,"ëģ":124098,"ëķ":124099,"ðŁĻ":124100,"âĴ":124101,"á¶":124102,"à¹ģล":124103,"ÙĨا":124104,"à¹ĥหà¹ī":124105,"à¹Ħà¸Ľ":124106,"×£":124107,"ัว":124108,"าà¸ĩ":124109,"×ĵר":124110,"×ij׾":124111,"פ×Ļ":124112,"Ġ×ĵ":124113,"ĠاÙĦÙģ":124114,"à¹Ģà¸Ĥ":124115,"ש×Ķ":124116,"×IJר":124117,"ë¬":124118,"ãģ«ãģª":124119,"ÑĢо":124120,"วิ":124121,"Ùħر":124122,"×IJת":124123,"Ùĥر":124124,"سب":124125,"ÙĨت":124126,"ãģĹãģĦ":124127,"اج":124128,"à¸Ńรà¹Į":124129,"ÙĥÙĦ":124130,"سÙħ":124131,"สิ":124132,"×Ļצ":124133,"ëĿ":124134,"íľ":124135,"ìī":124136,"áĨ":124137,"ÙĩÙħ":124138,"à¸Ļีà¹ī":124139,"ãģĤãĤĭ":124140,"ãģĦãģ¦":124141,"سÙĬ":124142,"׾×IJ":124143,"در":124144,"ãģļ":124145,"ÙĪج":124146,"ĠاÙĦØ®":124147,"صر":124148,"íı":124149,"à¹īาà¸ĩ":124150,"ุà¸Ķ":124151,"×ķ×ĺ":124152,"×ij×¢":124153,"íĨ":124154,"à¸Ĭา":124155,"รม":124156,"ש×ŀ":124157,"×ŀס":124158,"ê´":124159,"ì´":124160,"ëľ":124161,"ì¿":124162,"ì©":124163,"ë»":124164,"â¤":124165,"ðŁĨ":124166,"áĮ":124167,"áķ":124168,"ذا":124169,"à¸Ĺำ":124170,"à¸ķà¹Ī":124171,"ĠاÙĦÙĤ":124172,"ÙĦÙĥ":124173,"ูà¹Ī":124174,"à¸Ħุ":124175,"ÙĬÙħ":124176,"׳×Ļ×Ŀ":124177,"ืà¹Īà¸Ń":124178,"ÙĪع":124179,"ãĤĩ":124180,"اÙĤ":124181,"Ġ×ij×¢":124182,"à¹Ģม":124183,"جÙħ":124184,"ừ":124185,"ãģĵãģ¨ãģĮ":124186,"بد":124187,"×ķ×Ķ":124188,"ש׾":124189,"Ùĩر":124190,"à¹Ģà¸Ļ":124191,"ãģ¹":124192,"íĭ":124193,"ì»":124194,"ì½":124195,"ëŃ":124196,"ìĮ":124197,"íĢ":124198,"ëĮ":124199,"ëº":124200,"ãĬ":124201,"à¹ĥà¸Ļ":124202,"Ġ×Ĵ":124203,"à¹Ĩ":124204,"à¸Īาà¸ģ":124205,"วย":124206,"à¹ĥà¸Ĭ":124207,"à¸ĩาà¸Ļ":124208,"ĠاÙĦØ´":124209,"اØŃ":124210,"à¹īาà¸Ļ":124211,"ืà¹Īà¸Ńà¸ĩ":124212,"×IJ×Ļ":124213,"بÙĦ":124214,"ãģ¨æĢĿ":124215,"×ł×¡":124216,"ãģ¾ãģĽ":124217,"ÙĥÙĨ":124218,"ער":124219,"ĠاÙĦد":124220,"שת":124221,"íŀ":124222,"Ùħس":124223,"صÙĦ":124224,"×ķ׳×Ķ":124225,"ارة":124226,"ÙĦÙħ":124227,"สม":124228,"Ø£ÙĨ":124229,"תר":124230,"×IJ×ŀ":124231,"عب":124232,"خت":124233,"ãĤĥ":124234,"ì¡":124235,"ì£":124236,"ива":124237,"สั":124238,"ึà¸ģ":124239,"ì¸":124240,"ëĨ":124241,"алÑĮн":124242,"ì³":124243,"ìį":124244,"ê¼":124245,"ê½":124246,"ìı":124247,"ãĮ":124248,"ãı":124249,"ï©":124250,"êª":124251,"áİ":124252,"Ġ×ĸ":124253,"à¸ģัà¸Ļ":124254,"×Ļ×ķ":124255,"à¸Ħà¸Ļ":124256,"׳×ķת":124257,"à¸ľà¸¹à¹ī":124258,"à¹ĥà¸Ī":124259,"ãģĦãģŁ":124260,"Ùģر":124261,"×ĺ×Ļ":124262,"צ×Ļ":124263,"ãĤĤãģ®":124264,"ĠاÙĦص":124265,"ãģ¾ãģĽãĤĵ":124266,"دة":124267,"×ij×Ļ":124268,"ĠاÙĦر":124269,"Ġ×ŀ×IJ":124270,"สำ":124271,"à¹Ģห":124272,"عر":124273,"ãģªãģı":124274,"à¸ģระ":124275,"×ij×ĵ":124276,"à¹Ģà¸Ī":124277,"×Ļ×ļ":124278,"×Ĺ×Ļ":124279,"ÙĬع":124280,"ש×ij":124281,"ÙĨØ©":124282,"ÙĪض":124283,"ÙĦÙģ":124284,"ÙĢÙĢ":124285,"פע":124286,"íĪ":124287,"×ŀק":124288,"à¸IJ":124289,"ØŃØ©":124290,"اص":124291,"Ñĭва":124292,"à¸Ħม":124293,"วั":124294,"à¸Ľà¸¥":124295,"ìŁ":124296,"íļ":124297,"ë´":124298,"ëij":124299,"ëī":124300,"ëĩ":124301,"ì¨":124302,"ë±":124303,"ëİ":124304,"â¬":124305,"á¥":124306,"áĹ":124307,"áĽ":124308,"áį":124309,"Å©":124310,"à¸Ķี":124311,"ôi":124312,"Ġס":124313,"׾×ķ":124314,"á»Ŀi":124315,"à¸Ħุà¸ĵ":124316,"ây":124317,"à¸Ļา":124318,"×Ĺ×ĵ":124319,"×ĵ×Ļ":124320,"หา":124321,"جÙĦ":124322,"à¹Ģว":124323,"ãĤĩãģĨ":124324,"ÙħØ©":124325,"ĠاÙĦÙĥ":124326,"Ġ×Ķ×¢":124327,"جر":124328,"×ĸר":124329,"اط":124330,"×Ľ×ª":124331,"×ķ׳×Ļ×Ŀ":124332,"ØŃÙħ":124333,"ê¶":124334,"رÙĥ":124335,"Ġ×ľ×¢":124336,"×ķ×ĸ":124337,"สร":124338,"צ׾":124339,"Ø¢":124340,"است":124341,"à¹Īม":124342,"خر":124343,"צע":124344,"×Ļר×ķת":124345,"ادة":124346,"شار":124347,"×ŀ×Ĺ":124348,"íĴ":124349,"à¹Ģรีย":124350,"×Ĺק":124351,"اث":124352,"รà¸ĩ":124353,"à¹Ģà¸ķ":124354,"à¸Īำ":124355,"à¸Ŀ":124356,"à¹Īาย":124357,"à¸Ħล":124358,"ÙĤÙĪ":124359,"иÑĩеÑģк":124360,"à¸ĵà¹Į":124361,"ัย":124362,"Ùħع":124363,"ë¨":124364,"ë¿":124365,"ë®":124366,"ï´":124367,"ì¥":124368,"ì«":124369,"ëµ":124370,"á¡":124371,"âį":124372,"ðĵ":124373,"â°":124374,"à¸Ĥà¸Ńà¸ĩ":124375,"Ùĭ":124376,"à¸ģัà¸ļ":124377,"ãģ®ãģ§":124378,"à¹īว":124379,"à¸Ńยà¹Īาà¸ĩ":124380,"ãģŃ":124381,"á»ĩt":124382,"à¸ķà¹īà¸Ńà¸ĩ":124383,"×ŀ×Ļ":124384,"à¹ģà¸ļ":124385,"×Ĵר":124386,"ÙĪÙģ":124387,"ÙĤÙĦ":124388,"à¸łà¸²à¸ŀ":124389,"ר×Ļ":124390,"ลา":124391,"ÙĬس":124392,"Ġצ":124393,"ÙĬÙģ":124394,"Ġ×ĺ":124395,"à¸ľà¸¥":124396,"áng":124397,"รว":124398,"Ġ×ŀש":124399,"×IJ×ķת":124400,"×ĸ×Ķ":124401,"ูà¸ģ":124402,"à¸Ļัà¸ģ":124403,"اÙĨÙĬ":124404,"دا":124405,"ãģ³":124406,"׼ף":124407,"ãĤīãĤĮ":124408,"ãĤĮãģ°":124409,"תק":124410,"úc":124411,"ÙĪز":124412,"×Ļר×Ķ":124413,"Ġngh":124414,"ánh":124415,"Ġ×ķ×IJ":124416,"á»ħ":124417,"สุà¸Ķ":124418,"ëį°":124419,"اض":124420,"اÙĦÙĬ":124421,"بار":124422,"عÙħ":124423,"à¸ļา":124424,"تج":124425,"à¸ŀร":124426,"×ķר×Ķ":124427,"ảng":124428,"Ø®ÙĦ":124429,"à¸ī":124430,"ắc":124431,"ש×Ļ×Ŀ":124432,"íĶ":124433,"Ùģس":124434,"×Ļ×Ĵ":124435,"пÑĢ":124436,"ĠاÙĦØ«":124437,"سط":124438,"รูà¹ī":124439,"ีà¹Īย":124440,"à¸Ńà¸Ķ":124441,"ãģªãĤĬ":124442,"×Ĵ×ĵ":124443,"ãģĦãģ¾ãģĹãģŁ":124444,"סק":124445,"خص":124446,"laÅŁ":124447,"енно":124448,"بØŃ":124449,"สà¸Ļ":124450,"ฮ":124451,"ר×IJש":124452,"ÙħÙĪ":124453,"دÙĬد":124454,"ษา":124455,"×ķ×ļ":124456,"ãĥ§ãĥ³":124457,"à¸ķุ":124458,"Ġêµ":124459,"ĠÑģво":124460,"צ×ij":124461,"à¸Ńม":124462,"à¸Ľà¸£":124463,"تع":124464,"×Ķת":124465,"اÙħÙĦ":124466,"×ŀ׳":124467,"ç¶ļ":124468,"ฤ":124469,"íį":124470,"ëĺ":124471,"ë¤":124472,"ìij":124473,"â´":124474,"ãĭ":124475,"ĠباÙĦ":124476,"á»ģu":124477,"ĠاÙĦÙĦ":124478,"à¸ķัว":124479,"Ø°Ùĩ":124480,"ึà¸ĩ":124481,"à¹ĥà¸Ĭà¹ī":124482,"á»ĵng":124483,"à¸Ļั":124484,"มาà¸ģ":124485,"ãĥŁ":124486,"×ŀ×ķ":124487,"à¸Ĺย":124488,"á»Ļi":124489,"ằ":124490,"ảo":124491,"à¹Ĥà¸Ķ":124492,"×IJ׾":124493,"สาม":124494,"ÙĪب":124495,"à¸Ĺุ":124496,"ยัà¸ĩ":124497,"עת":124498,"×ķ׳×ķת":124499,"à¸Ĥึ":124500,"à¸Ĥึà¹īà¸Ļ":124501,"à¸ģà¹Ī":124502,"ẫ":124503,"á»ijc":124504,"ãģĹãĤĩãģĨ":124505,"á»ĭch":124506,"Ġ×IJ×ķת":124507,"Ġש×IJ":124508,"׼×ķ׾":124509,"á»Ļc":124510,"عة":124511,"à¸Ĺี":124512,"à¹Ģà¸Ń":124513,"Ùĥت":124514,"ãģ»":124515,"ẻ":124516,"ìĹħ":124517,"à¸Ńà¸Ńà¸ģ":124518,"اÙĨت":124519,"à¹Ħร":124520,"Ġ×IJ×Ĺר":124521,"طر":124522,"ÙĨد":124523,"ืà¹īà¸Ń":124524,"Ø·ÙĦ":124525,"×IJ×Ķ":124526,"uyên":124527,"íĸī":124528,"×ij×Ķ":124529,"à¸Ħà¹Ī":124530,"à¸Ĭà¹Īว":124531,"ãģĤãĤĬãģ¾ãģĻ":124532,"ÙĬب":124533,"ק׾":124534,"ãĥĻ":124535,"Ä©":124536,"سر":124537,"าว":124538,"ãĤ±":124539,"à¸ļริ":124540,"ר×Ĵ":124541,"á»ĥu":124542,"ØŃت":124543,"×ķ×ŀ×Ļ":124544,"بÙĨ":124545,"êµIJ":124546,"ÄŁu":124547,"ãģªãĤĵ":124548,"×ijק":124549,"Ġפר":124550,"ắn":124551,"ØŃÙĦ":124552,"×ij×Ĺ":124553,"ấu":124554,"×ij×ķ×ĵ":124555,"ãĥ¯":124556,"Ġ׾ק":124557,"ัà¸į":124558,"à¸ŀิ":124559,"×Ĺ×Ķ":124560,"×ĸ׼":124561,"ãĥ¼ãĥł":124562,"ÑĤелÑĮ":124563,"×ŀ×Ļ×ĵ":124564,"ÙĬØ®":124565,"ẳ":124566,"تص":124567,"à¸ĺิ":124568,"è¾¼":124569,"ìĵ":124570,"ÙĥØ©":124571,"ÙĤب":124572,"à¸Ħà¹Į":124573,"à¹īาย":124574,"à¸ĵะ":124575,"าะ":124576,"ëĴ":124577,"ê¾":124578,"ë·":124579,"ìĩ":124580,"êº":124581,"ìģ":124582,"ëĢ":124583,"ì¾":124584,"ë½":124585,"ëļ":124586,"ìŃ":124587,"ìİ":124588,"áij":124589,"ëĹ":124590,"êĴ":124591,"à¡":124592,"à¬":124593,"ðIJĮ":124594,"ãĩ":124595,"ðĿĦ":124596,"Ġ׾×IJ":124597,"ãģ¨ãģĦãģĨ":124598,"Ġnhi":124599,"×Ļ×ķת":124600,"Ġש×Ķ":124601,"à¹ģลà¹īว":124602,"Æ°á»Ľc":124603,"à¸Ķà¹īวย":124604,"à¸Ĺาà¸ĩ":124605,"×ł×ª":124606,"פת":124607,"à¹ģà¸ķà¹Ī":124608,"Æ°ng":124609,"à¸Ńยูà¹Ī":124610,"à¹īำ":124611,"Ġ×IJ׾":124612,"ÙĥÙħ":124613,"ấp":124614,"ลà¸ĩ":124615,"ãģŁãĤģ":124616,"×Ĵ׾":124617,"หร":124618,"ĠÑĢе":124619,"à¹Ģà¸Ĥà¹īา":124620,"ÙĤر":124621,"Ġ×Ķס":124622,"ÙĪÙĬ":124623,"สามาร":124624,"สามารà¸ĸ":124625,"Äĥn":124626,"à¸Ńี":124627,"פ×ķ":124628,"×Ļ׳×ķ":124629,"วัà¸Ļ":124630,"ặc":124631,"íķĻ":124632,"×ŀת":124633,"êu":124634,"ẹ":124635,"ÙģÙĬ":124636,"×ŀצ":124637,"à¸Ħา":124638,"ãģĿãģĨ":124639,"ãĢħ":124640,"از":124641,"اÙĩ":124642,"ר×Ļ×Ŀ":124643,"ấn":124644,"หาร":124645,"ạt":124646,"ÙĨÙĩ":124647,"à¹Ģà¸Ħร":124648,"جÙĩ":124649,"׼×Ļ":124650,"ắt":124651,"à¸Ħà¹īา":124652,"رة":124653,"ãĥı":124654,"ÙĥÙĪÙĨ":124655,"ứng":124656,"Ġìļ°":124657,"ยà¹Į":124658,"à¹Īวà¸Ļ":124659,"à¸ģำ":124660,"ثر":124661,"Ñģи":124662,"ĠاÙĦØ·":124663,"Ġ×Ķצ":124664,"ĠØ·":124665,"ĠاÙĦÙĪ":124666,"ê¹Į":124667,"ØŃÙĬ":124668,"ارات":124669,"à¹Ģà¸ĭ":124670,"با":124671,"гÑĢ":124672,"รี":124673,"ืà¸Ńà¸Ļ":124674,"عت":124675,"ÙĤاÙĦ":124676,"دÙħ":124677,"Ø¡":124678,"Ġ×ŀק":124679,"×ĵ×Ļ×Ŀ":124680,"×¢×ľ":124681,"ãģĴ":124682,"ëĭĺ":124683,"×¢×Ķ":124684,"Ġìĸ´":124685,"ÑģÑĮ":124686,"ÙĤØ·":124687,"ãĥĽ":124688,"èĢĥãģĪ":124689,"à¹ģà¸Ļ":124690,"ÙĪات":124691,"âu":124692,"ĠìĤ¬ëŀ":124693,"หว":124694,"ĠاÙĦØ£Ùħ":124695,"Ġ×Ķ×ŀש":124696,"بÙĪ":124697,"à¸Ĭà¸Ļ":124698,"ãĤĵãģ§ãģĻ":124699,"วà¸Ļ":124700,"à¸ģรรม":124701,"×ŀ×ķ×ĵ":124702,"ÙĥاÙĨ":124703,"×ķ×£":124704,"олог":124705,"تÙĨ":124706,"à¸ķà¹Į":124707,"ê²ĥ":124708,"ר×ĺ":124709,"ừng":124710,"×ķ×ij×Ķ":124711,"ÙħØŃ":124712,"ĠЧ":124713,"פ×Ĵ":124714,"สà¸ĸ":124715,"ãģĭãĤĬ":124716,"ınız":124717,"à¹Ģย":124718,"ãĥ¼ãĥ³":124719,"ãģĬãĤĬ":124720,"פש":124721,"ิà¸ķ":124722,"Ø·ÙĨ":124723,"×Ļת×Ļ":124724,"×IJ׳":124725,"çek":124726,"ìª":124727,"×ŀ×ij":124728,"ศา":124729,"ãĤ¹ãĤ¿":124730,"à¸ļุ":124731,"×ĵ×ijר":124732,"ãģĦãģı":124733,"สะ":124734,"à¹Ģหล":124735,"ิà¸ĩ":124736,"à¸ŀัà¸Ļ":124737,"ãģĦãģŁãģł":124738,"ãĤĤãĤī":124739,"à¹īม":124740,"ãģĵãģ¨ãģĮãģ§ãģį":124741,"ารà¹Į":124742,"ุà¸ĩ":124743,"íij":124744,"ì¯":124745,"ë¼":124746,"íĤ":124747,"ì·":124748,"ê¡":124749,"áı":124750,"áĴ":124751,"ðĿľ":124752,"á©":124753,"ðŁĦ":124754,"ðIJ¤":124755,"Ġש׾":124756,"Ġ×ŀ×Ķ":124757,"à¹ģละ":124758,"Ġ׼׾":124759,"ẽ":124760,"á»Ļng":124761,"Ø°ÙĬ":124762,"ле":124763,"×¥":124764,"ãģªãģ©":124765,"ĠÙĪØ£":124766,"หà¸Ļà¹īา":124767,"ãģ¾ãģ§":124768,"à¸ķà¹Īà¸Ń":124769,"à¸Ĺัà¹īà¸ĩ":124770,"ãģłãģij":124771,"à¹ģà¸ļà¸ļ":124772,"à¹Ģรา":124773,"פ׾":124774,"ãģŁãģĦ":124775,"à¹Ģลย":124776,"ãģ£ãģ¦ãģĦãĤĭ":124777,"ếp":124778,"ึà¹Īà¸ĩ":124779,"ê´Ģ":124780,"ê³Ħ":124781,"׼×ķ":124782,"à¹Ģรืà¹Īà¸Ńà¸ĩ":124783,"ק×Ļ":124784,"êµŃ":124785,"פס":124786,"تÙĬ":124787,"ãĥĦ":124788,"Ġ×Ķ×Ĺ":124789,"ги":124790,"ר×IJ׾":124791,"×ŀ׾":124792,"ĠØ£ÙĬ":124793,"ĠعÙĦÙĬ":124794,"ãģĭãģ£ãģŁ":124795,"ש×Ļ":124796,"дÑĥ":124797,"×ŀף":124798,"׳×ĺ":124799,"׳×Ļת":124800,"miÅŁ":124801,"׼×Ŀ":124802,"Ġ×ijר":124803,"Ġ׾×ij":124804,"ĠÐĽ":124805,"çe":124806,"×ķ׳×Ļ":124807,"ãĤĪãģĨãģ«":124808,"פ×ķר":124809,"ãĥį":124810,"ÙĥÙĬ":124811,"×Ĺת":124812,"ÙģÙĦ":124813,"Ġ×Ķק":124814,"Ġ×Ķ×ij":124815,"Ġ×ŀס":124816,"à¹Īาà¸Ļ":124817,"пеÑĢ":124818,"à¹Īาว":124819,"Ġ×ij×IJ":124820,"ĠÙĪÙĩ":124821,"à¸Ļำ":124822,"Ġ×ijש":124823,"׳ק":124824,"ãģ©ãģĨ":124825,"ש×ķת":124826,"×ĵ×Ķ":124827,"à¹Ģà¸ļ":124828,"ÙĨس":124829,"Ġìļ°ë¦¬":124830,"สà¹Īวà¸Ļ":124831,"ลัà¸ĩ":124832,"جز":124833,"Ġ×Ĺ×Ļ":124834,"Ùĥثر":124835,"ละ":124836,"Ùĩد":124837,"ĠÙĪب":124838,"اÙĦÙħ":124839,"à¹ģม":124840,"Æ¡i":124841,"Ġ×ij×Ĺ":124842,"ữa":124843,"à¹Ģà¸Ĺศ":124844,"à¸ķัà¹īà¸ĩ":124845,"огда":124846,"׾ק":124847,"دد":124848,"สรà¹īาà¸ĩ":124849,"à¸Ĭี":124850,"Ùģض":124851,"à¹ģห":124852,"uyá»ĩn":124853,"รัà¸ģ":124854,"á»ĩm":124855,"สา":124856,"פק":124857,"ียà¸ĩ":124858,"à¸ķà¹Īาà¸ĩ":124859,"à¸Ħรัà¹īà¸ĩ":124860,"ØŃÙĤ":124861,"à¹Ģà¸Ńà¸ĩ":124862,"ائÙĬ":124863,"×ĺ×¢":124864,"اÙĦØ©":124865,"ิà¹Īม":124866,"ãĤ½":124867,"دÙī":124868,"Ġר×IJ":124869,"ãģ£ãģ¨":124870,"ãĥĥãĥĹ":124871,"ÙĬرة":124872,"ê±´":124873,"×ŀ×IJ":124874,"×ķ×ķ":124875,"بع":124876,"ãģ²":124877,"ราย":124878,"×ĵ×Ŀ":124879,"تÙģ":124880,"à¸ķà¸ģ":124881,"ạng":124882,"ãĤĴè¦ĭ":124883,"à¸Ĭั":124884,"Æ°á»Ł":124885,"Æ°á»Łng":124886,"جب":124887,"×ķ×ŀר":124888,"ĠìĤ¬ëŀĮ":124889,"óng":124890,"รั":124891,"Ġ×Ķ×ĸ":124892,"רצ":124893,"Ġ×Ĺ×ĵ":124894,"Ø°ÙĦÙĥ":124895,"×ķר×Ļ":124896,"ãģ¡ãĤĥ":124897,"Ùģع":124898,"Ġ׾צ":124899,"ái":124900,"à¹ĩà¸ļ":124901,"ãģİ":124902,"à¸ģิ":124903,"ạc":124904,"ë©°":124905,"ãģªãĤĭ":124906,"×ķ׾×Ŀ":124907,"à¹ģà¸Ĺ":124908,"×ķ×¥":124909,"меÑĤ":124910,"Ã¼ÅŁ":124911,"ÑĢÑı":124912,"à¸Ĵ":124913,"ÑģÑĤоÑı":124914,"عÙĪد":124915,"Ùħار":124916,"طة":124917,"à¸ŀื":124918,"кÑĢ":124919,"à¹ģà¸ģ":124920,"à¹Ĥรà¸ĩ":124921,"×ij×Ļ×ĺ":124922,"ê²ł":124923,"×ķ׾×Ķ":124924,"ØŃر":124925,"ืà¹Īà¸Ńà¸Ļ":124926,"×ķ×ijר":124927,"×Ĺש":124928,"ãĥķãĤ¡":124929,"×ŀ×ĺ":124930,"út":124931,"Ġdön":124932,"ắng":124933,"ëłĩ":124934,"ẳng":124935,"วà¸ģ":124936,"صد":124937,"خط":124938,"à¸Ńั":124939,"ãĤıãĤĮ":124940,"سÙĦاÙħ":124941,"à¹Ģรà¹ĩ":124942,"×Ļש×Ļ":124943,"جاÙĦ":124944,"ãģijãĤĭ":124945,"à¸Ĭาà¸ķิ":124946,"ÙĪاÙĤ":124947,"à¹Ĥà¸Ļ":124948,"ãģ¦ãģĹãģ¾":124949,"اعة":124950,"ãĤŃãĥ£":124951,"à¸įา":124952,"ÙĦاÙĤ":124953,"ิà¸ģ":124954,"ĠÑģов":124955,"ÑĢак":124956,"×Ļ׳×Ļ":124957,"Ã¼ÄŁ":124958,"Ã¼ÄŁÃ¼":124959,"ק×ij":124960,"à¹Īà¸Ńà¸ĩ":124961,"Ġgerçek":124962,"à¸Ĺั":124963,"ованиÑı":124964,"×ŀ׼":124965,"سة":124966,"×Ļ×£":124967,"leÅŁ":124968,"Ùħؤ":124969,"ĠìĿĺ":124970,"à¸IJาà¸Ļ":124971,"ĠÑģоб":124972,"ĠêµŃ":124973,"עצ":124974,"зв":124975,"สà¸ĩ":124976,"زÙĦ":124977,"ãģıãĤĮ":124978,"иÑĢÑĥ":124979,"تأ":124980,"полн":124981,"ìĺĢ":124982,"ÙĨØ´":124983,"׼×IJ":124984,"ÙħØ´":124985,"à¸Ķà¹Į":124986,"ÙĪÙĬÙĦ":124987,"à¹ģà¸Ĥ":124988,"ãģ£ãģ¦ãģĹãģ¾":124989,"ноÑģÑĤ":124990,"вл":124991,"ÙħÙĤ":124992,"راج":124993,"å¤ī":124994,"ëĽ":124995,"â¸":124996,"ìIJ":124997,"à»":124998,"áļ":124999,"â»":125000,"êĻ":125001,"â§":125002,"ðĴ":125003,"ðĿĩ":125004,"Ġ×IJת":125005,"ĠÙĦÙĦ":125006,"ĠØ£ÙĨ":125007,"Ġ×ķ×Ķ":125008,"ãģ«ãģ¯":125009,"Ġ×Ļש":125010,"تÙĩ":125011,"ÃŃnh":125012,"ÙĬات":125013,"Ġ×ij×ŀ":125014,"à¸Ļัà¹īà¸Ļ":125015,"à¸Ļà¹īำ":125016,"Ãło":125017,"à¸ķาม":125018,"ãģ®ãģ¯":125019,"dır":125020,"Ġnghi":125021,"ặt":125022,"×ŀ×Ļ×Ŀ":125023,"ãģ¦ãģĦãĤĭ":125024,"Ġ×ijת":125025,"หรืà¸Ń":125026,"ĠسÙĬ":125027,"ãģªãĤī":125028,"à¹Ĥà¸Ķย":125029,"ıyor":125030,"à¸Ńีà¸ģ":125031,"á»ĩnh":125032,"Ñĭм":125033,"à¸Ĺุà¸ģ":125034,"Ġ׾×Ĺ":125035,"Ġ×Ķר":125036,"Ġ×Ķ×Ļ":125037,"à¸ŀระ":125038,"à¹Ģวลา":125039,"Ġغ":125040,"ẫn":125041,"mÄ±ÅŁ":125042,"׼×Ķ":125043,"á»ijn":125044,"ãģ§ãģĹãĤĩãģĨ":125045,"ãĥ¢":125046,"à¸Ľà¸µ":125047,"ס×Ļ":125048,"ãģĵãĤį":125049,"Ġ׾פ":125050,"รà¸ĸ":125051,"ê¸Ī":125052,"à¸ģวà¹Īา":125053,"무":125054,"á»įng":125055,"ãĤĵãģ§":125056,"ãĤĪãģĨãģª":125057,"á»ĵi":125058,"ãĤ¬":125059,"สà¹Īà¸ĩ":125060,"×Ļ׳×Ķ":125061,"à¸ĸูà¸ģ":125062,"à¸Īัà¸Ķ":125063,"Ġ×Ķ×Ĵ":125064,"ãĥľ":125065,"×ŀ×ķת":125066,"ÙĪÙĥ":125067,"ëĭ¨":125068,"ĠØ«":125069,"ãģ®ãģĮ":125070,"à¹Ģหà¹ĩà¸Ļ":125071,"عا":125072,"à¸Ļิ":125073,"Åŀ":125074,"à¸Ńะ":125075,"ãģĪãĤĭ":125076,"Ø«ÙĦ":125077,"ØŃÙħد":125078,"à¹Ģà¸ģิà¸Ķ":125079,"פשר":125080,"פ×Ķ":125081,"มิ":125082,"ئÙĬس":125083,"à¸Ĺำà¹ĥหà¹ī":125084,"×¢×ĵ":125085,"ìĭ¤":125086,"à¸Ĭà¹Īวย":125087,"ĠاÙĦÙħÙĨ":125088,"زÙĬ":125089,"عÙĬ":125090,"Ġ׼×IJ":125091,"ạnh":125092,"ỹ":125093,"ãĤĵãģª":125094,"สู":125095,"צר":125096,"Æ°á»Ľng":125097,"×ķ×ķ×Ķ":125098,"à¹Ĥล":125099,"ĠاÙĦÙĩ":125100,"วา":125101,"หลาย":125102,"Ñīе":125103,"à¸Ĥà¹īà¸Ń":125104,"à¹īà¸Ńย":125105,"بط":125106,"каÑı":125107,"ĠØ¢":125108,"ĠиÑģ":125109,"ĠاÙĦغ":125110,"à¸ģา":125111,"à¸Ļà¹Īา":125112,"ÙĬÙĪ":125113,"×ij×ķר":125114,"á»ħn":125115,"วà¸ĩ":125116,"×Ļ×ĸ":125117,"ì²Ń":125118,"ним":125119,"룰":125120,"×Ĵ×ķר":125121,"صØŃ":125122,"ÙĦÙĪ":125123,"×Ĺ×ķת":125124,"สุ":125125,"رÙĬÙĤ":125126,"ס×ĺ":125127,"Ġ×ŀ×¢":125128,"ãĥĨãĤ£":125129,"à¸Ħิà¸Ķ":125130,"ãĤįãģĨ":125131,"à¹Ħล":125132,"à¸Ļà¹Į":125133,"á»ıi":125134,"ÑģÑĤÑĢо":125135,"สà¸Ķ":125136,"สาร":125137,"ÙĪÙĦØ©":125138,"ầm":125139,"รà¹Īว":125140,"รà¹Īวม":125141,"รุ":125142,"ĠاÙĦسÙĬ":125143,"ìĺģ":125144,"Ġ×ŀ×ij":125145,"פ×ĺ":125146,"à¸ķิà¸Ķ":125147,"×ĺ×Ļ×Ŀ":125148,"Ġ무":125149,"ÙĤدÙħ":125150,"ĠdÃ¼ÅŁ":125151,"ائÙĦ":125152,"мÑĭ":125153,"ØŃس":125154,"ÙĪص":125155,"×Ļק×Ķ":125156,"ãģ§ãģ¯ãģªãģĦ":125157,"à¹Ģหม":125158,"оÑĢÑĤ":125159,"íĨµ":125160,"ãģIJ":125161,"кÑĢа":125162,"ียว":125163,"عار":125164,"ئة":125165,"íĥĢ":125166,"ãģ«ãģªãĤĬ":125167,"جة":125168,"ÙĪÙĤع":125169,"ÑĮÑı":125170,"×ķצ×Ķ":125171,"ש×Ŀ":125172,"بÙĤ":125173,"Ġ×Ļ×Ķ":125174,"ÙĬØ·":125175,"ımız":125176,"деÑĢж":125177,"×Ļשר×IJ׾":125178,"غÙĬر":125179,"รà¸Ńà¸ĩ":125180,"à¹Ģรียà¸Ļ":125181,"Ġ×Ķ×ĺ":125182,"หมาย":125183,"ÙħÙĩ":125184,"اÙģØ©":125185,"ĠоÑĢг":125186,"ÙĪÙī":125187,"ãĥ©ãĤ¤":125188,"×ŀ׳×Ķ":125189,"ĠÄijo":125190,"ĠгоÑĢ":125191,"اÙħØ©":125192,"楽":125193,"Ø«ÙĬر":125194,"à¸ģิà¸Ī":125195,"á»ĵn":125196,"ÙĨب":125197,"ÑĢÑĥд":125198,"ìĹĪ":125199,"Ġ×Ĺ×ijר":125200,"ÑĢаж":125201,"ạch":125202,"تÙĪ":125203,"à¹Ĥม":125204,"×ij×Ļ×ij":125205,"ĠíĨµ":125206,"acaģı":125207,"جÙĦس":125208,"à¹Ģà¸Ľà¸¥":125209,"วà¸Ķ":125210,"à¸Ńล":125211,"ãģŁãĤĬ":125212,"à¸Ľà¸±à¸į":125213,"ĠìķĮ":125214,"عرÙģ":125215,"à¹Ħà¸Ł":125216,"أخ":125217,"å¤ļãģĦ":125218,"à¸Ķัà¸ĩ":125219,"Ø´Ùģ":125220,"ãģ£ãģ¦ãģĦãģ¾ãģĻ":125221,"×Ľ×ł×¡":125222,"ÑĨе":125223,"еÑģп":125224,"ÙħاÙħ":125225,"à¸ŀืà¹īà¸Ļ":125226,"иÑĩеÑģки":125227,"خد":125228,"ÙĥÙĪÙħ":125229,"Ġ×Ķר×IJש":125230,"تاب":125231,"é£Łãģ¹":125232,"ืà¸Ļ":125233,"оÑĢо":125234,"Ġböl":125235,"×ķ×Ĺ×ĵ":125236,"دÙĬر":125237,"ắm":125238,"دع":125239,"ãģķãģĽ":125240,"à¸ĺร":125241,"à¸ĺรรม":125242,"ãģĭãĤĤ":125243,"å¤ļãģı":125244,"rä":125245,"سع":125246,"×Ļ׾×Ķ":125247,"ضر":125248,"ĠاÙĦشر":125249,"×ĸ×ķר":125250,"×¢×ijר":125251,"ạm":125252,"алÑĮно":125253,"رÙĨ":125254,"اÙħج":125255,"׼×ļ":125256,"dıģ":125257,"ден":125258,"ضا":125259,"ÙĦÙĬÙħ":125260,"Ġê·¸ëŁ¬":125261,"تÙħاع":125262,"ارÙĬØ®":125263,"à¹Ĥà¸ķ":125264,"ĠÑģÑĢед":125265,"Ġ׳×ķס":125266,"ÙĤبÙĦ":125267,"оÑĤов":125268,"leÅŁtir":125269,"ĠмеÑģÑĤ":125270,"سÙĦÙħ":125271,"Ġעצ":125272,"ĠاÙĦسÙĦ":125273,"еÑĤÑĮ":125274,"ابة":125275,"нак":125276,"สà¸ĸาà¸Ļ":125277,"Ġ×ij׳":125278,"à¸ļัà¸Ļ":125279,"׼׳":125280,"ĠÃ¶ÄŁ":125281,"ãģ¨è¨Ģ":125282,"uyến":125283,"diÄŁ":125284,"áºŃu":125285,"ÑĢаÑģ":125286,"ãĤ·ãĥ§ãĥ³":125287,"nız":125288,"×ķ×ĵ×Ķ":125289,"تس":125290,"ÙħاÙĦ":125291,"à¹Ģหà¸ķุ":125292,"ยว":125293,"à¸ŀัà¸ģ":125294,"ãģĦãģªãģĦ":125295,"ĠкаÑĩ":125296,"ลà¹Į":125297,"×¨×Ľ×ª":125298,"ÅŁtur":125299,"×ŀ×ķס":125300,"ãģ¥":125301,"бол":125302,"عÙħاÙĦ":125303,"×ķרת":125304,"ÑĨион":125305,"ศึà¸ģ":125306,"à¸ı":125307,"ÑĢен":125308,"اسÙĬ":125309,"ائر":125310,"à¹Ĥà¸Ľà¸£":125311,"Ġseç":125312,"غÙĬ":125313,"ÑįÑĤ":125314,"енн":125315,"ãģªãģ®":125316,"×Ļש×Ķ":125317,"×Ļפ×ķר":125318,"ãģŁãĤģãģ«":125319,"زة":125320,"Ġçoc":125321,"ãĤ¯ãĥª":125322,"ÑĪен":125323,"ãĤıãģij":125324,"رÙĬد":125325,"ĠÑĢаÑģÑģ":125326,"Ùĥات":125327,"สà¸Ńà¸ļ":125328,"ceÄŁi":125329,"ãĤ¿ãĤ¤":125330,"à¸ļร":125331,"ĠاÙĦبر":125332,"׳×ķ×¢":125333,"rün":125334,"راض":125335,"ศาส":125336,"à¸ķรà¹Į":125337,"ãģįãģŁ":125338,"×ķ׾×ĵ":125339,"еÑĢи":125340,"íĹĺ":125341,"ắp":125342,"تعÙĦ":125343,"Ùĥد":125344,"иÑĤелÑĮно":125345,"Ø·Ùģ":125346,"ĠавÑĤом":125347,"Ġ×ŀצ":125348,"ÑĪиÑħ":125349,"اتÙģ":125350,"ĠÑħоÑĤ":125351,"Ùİا":125352,"ãģıãĤĭ":125353,"×Ķפ":125354,"à¹Ĥà¸Ĺ":125355,"à¹ģà¸ŀ":125356,"à¹Īà¸Ńย":125357,"ĠاÙĦÙħØ´":125358,"à¸ģารà¸ĵà¹Į":125359,"аниз":125360,"×Ķ׾":125361,"ظÙħ":125362,"ยุ":125363,"liÄŁ":125364,"à¹Ħà¸Ĥ":125365,"à¸ĸืà¸Ń":125366,"öz":125367,"ãģijãģ¦":125368,"à¹Ģà¸ľ":125369,"ุม":125370,"ãĥĹãĥ¬":125371,"Ġ×Ķ×IJ×Ĺר":125372,"ختÙĦÙģ":125373,"à¸İ":125374,"ÙĦاØŃ":125375,"Ġdüzen":125376,"צ×Ķ":125377,"ساء":125378,"×ķר×ļ":125379,"×ķ×ĵ×Ļ":125380,"ÑĢаÑĦ":125381,"ÅŁtır":125382,"ãģ«åħ¥":125383,"ãģĪãģ°":125384,"صÙĪÙĦ":125385,"ĠÐľÐ¾Ñģ":125386,"اÙĩر":125387,"ãģ£ãģ":125388,"ĠлÑİб":125389,"×Ļ×¢×Ķ":125390,"Ġ×Ķ×ŀק":125391,"สิà¸Ĺ":125392,"สิà¸Ĺà¸ĺิ":125393,"×Ļ׳×Ŀ":125394,"ÙĦاÙģ":125395,"à¸ŀัà¸Ļà¸ĺ":125396,"×ķ×IJ×Ķ":125397,"มั":125398,"à¸Ĥà¸ĵะ":125399,"доÑĢ":125400,"ãģ¨ãģª":125401,"à¸ģระà¸Ĺ":125402,"acı":125403,"×ķ׾×ķ×Ĵ":125404,"ÑĥÑĪ":125405,"ãĥ¥ãĥ¼":125406,"ãĥ¦":125407,"Ùħست":125408,"ĠaÅŁ":125409,"שק":125410,"פת×Ĺ":125411,"ายà¸Ļ":125412,"íĩ":125413,"ë¢":125414,"ï·":125415,"íī":125416,"ìµ":125417,"ì¬":125418,"ðĿĽ":125419,"ìĴ":125420,"ëĻ":125421,"ê§":125422,"áĸ":125423,"â¨":125424,"â±":125425,"áĺ":125426,"ðĸ":125427,"àł":125428,"áĶ":125429,"ðIJŃ":125430,"ững":125431,"Å©ng":125432,"Ġ×Ķת":125433,"ĠاÙĦا":125434,"Ġ×ŀת":125435,"à¸ĸึà¸ĩ":125436,"òn":125437,"á»ĭnh":125438,"нÑĭм":125439,"Ġcả":125440,"à¸Ķู":125441,"Ġà¹ģà¸ķà¹Ī":125442,"Ġ×ij×Ķ":125443,"ói":125444,"ãģ¨ãģĹãģ¦":125445,"úng":125446,"ĠØ°":125447,"Ġ×Ķ׳":125448,"ĠبÙĨ":125449,"ÙĦاÙĦ":125450,"à¹Ħà¸Ĺย":125451,"á»ĩp":125452,"tı":125453,"มัà¸Ļ":125454,"ằng":125455,"á»ijt":125456,"ком":125457,"à¸ĭึà¹Īà¸ĩ":125458,"à¸Ħรัà¸ļ":125459,"à¸ļà¹īาà¸Ļ":125460,"ĠاÙĦÙĬ":125461,"lü":125462,"ÙĪس":125463,"ãģłãģ£ãģŁ":125464,"à¹Ģà¸ĩ":125465,"Ġê³µ":125466,"нÑĥ":125467,"ãĤĪãĤĬ":125468,"мÑĥ":125469,"à¹Ģà¸Ĥา":125470,"ãĤĢ":125471,"ние":125472,"ãģ«ãģªãĤĭ":125473,"áºŃy":125474,"ĠÙĪا":125475,"볤":125476,"ש×ķ":125477,"áp":125478,"×ĵ×ķ":125479,"ãģ§ãģĹãģŁ":125480,"عض":125481,"Ñģкой":125482,"æĦŁãģĺ":125483,"ÑİÑĤÑģÑı":125484,"Ġ×Ļ׼×ķ׾":125485,"ãĤĵãģł":125486,"ви":125487,"à¹Ģลà¹Īà¸Ļ":125488,"ìĿ´ëĭ¤":125489,"ĠÙĦÙĩ":125490,"à¸Ħืà¸Ń":125491,"تÙĥ":125492,"ÙħÙĥÙĨ":125493,"aģı":125494,"׳×ĵ":125495,"민":125496,"à¹Ħว":125497,"สำห":125498,"สำหรัà¸ļ":125499,"Ñģлед":125500,"tır":125501,"ĠÙĦÙĬ":125502,"ĠاÙĦعÙħÙĦ":125503,"×ij×ķת":125504,"×ij×Ļ×Ŀ":125505,"à¸Ħำ":125506,"à¹Ģà¸Ħรืà¹Īà¸Ńà¸ĩ":125507,"lıģı":125508,"ืà¸Ńà¸ĩ":125509,"جد":125510,"íŀĪ":125511,"ìĭ¬":125512,"×¢×ķת":125513,"สิà¸Ļ":125514,"Ñĩи":125515,"رض":125516,"à¹Ģà¸Ľà¸´à¸Ķ":125517,"à¸Ħà¹Īา":125518,"ìĦł":125519,"ÙĪرة":125520,"ק×ĺ":125521,"ìľł":125522,"عÙħÙĦ":125523,"×IJ×Ļ×Ŀ":125524,"׾×Ļ×Ŀ":125525,"à¹ĥหà¸į":125526,"à¹ĥหà¸įà¹Ī":125527,"ừa":125528,"á»įi":125529,"ãģ¶":125530,"ÃŃch":125531,"ãĥĩãĤ£":125532,"×ķר×Ļ×Ŀ":125533,"Ñģо":125534,"ìķ½":125535,"ова":125536,"ÑĩаÑģÑĤ":125537,"à¹Ģà¸Īà¹īา":125538,"пÑĢо":125539,"Ġ×ŀ×Ĺ":125540,"ãĥİ":125541,"×ķ×Ļ×ķת":125542,"Ġде":125543,"ë§Ī":125544,"ì§ģ":125545,"×Ļפ×Ķ":125546,"ĠاÙĦعاÙĦÙħ":125547,"르":125548,"ר×IJ×Ķ":125549,"uyá»ĥn":125550,"×¢×Ļ":125551,"มืà¸Ń":125552,"Ø¥ÙĨ":125553,"รู":125554,"Ġز":125555,"×Ļ×ķ×Ŀ":125556,"à¸ķà¹īà¸Ļ":125557,"ãģ¦ãģĦãģ¾ãģĻ":125558,"ÙħاÙĨ":125559,"ĠÐ¥":125560,"à¸Ľà¸£à¸°à¹Ģà¸Ĺศ":125561,"ỳ":125562,"׾×ij":125563,"à¹Ģà¸Ķà¹ĩ":125564,"ãģŁãģ¡":125565,"à¸Ĺีม":125566,"à¸Ļะ":125567,"ìĹ°":125568,"ĠìłĢ":125569,"ÙĦÙĩ":125570,"ợi":125571,"ĠاÙĦز":125572,"دار":125573,"ãĤ³ãĥ³":125574,"мин":125575,"à¹ģหà¹Īà¸ĩ":125576,"à¸Ķัà¸ļ":125577,"׼ר":125578,"жа":125579,"íĸĪ":125580,"×ŀ×ĸ":125581,"ợi":125582,"à¸Ķา":125583,"Ġعبد":125584,"à¹ģร":125585,"×IJתר":125586,"×¢×ł×Ļ":125587,"à¹Ģà¸Ħ":125588,"×ķצר":125589,"ì§Ģë§Į":125590,"ائÙħ":125591,"أس":125592,"uyá»ģn":125593,"Ġ×IJ׳":125594,"×Ĺ׳×ķ":125595,"×ĸ×Ļ":125596,"รà¹īาà¸Ļ":125597,"ĠÐłÐ¾Ñģ":125598,"ĠÐłÐ¾ÑģÑģ":125599,"ربÙĬØ©":125600,"tür":125601,"ãĤĭãģĵãģ¨":125602,"ظر":125603,"бÑĭ":125604,"à¸Ĺีà¹Īสุà¸Ķ":125605,"Ġצר":125606,"èĩªåĪĨ":125607,"лаÑģ":125608,"ĠÑıв":125609,"ĠÑıвлÑı":125610,"à¸ŀรà¹īà¸Ńม":125611,"à¸Ńาà¸Ī":125612,"à¸ļริà¸ģาร":125613,"Ġçı":125614,"ëįĺ":125615,"ĠاÙĦÙħست":125616,"تش":125617,"ש×ķ×ij":125618,"ãĤ´":125619,"Ġyapıl":125620,"ĠاÙĦØ°":125621,"ุà¹Īม":125622,"à¸ĸà¹īา":125623,"ìĦ¤":125624,"ì°¨":125625,"ваÑĢ":125626,"à¹Ģà¸ŀิà¹Īม":125627,"Æ°á»Ľi":125628,"Ùĥس":125629,"à¸Ńยาà¸ģ":125630,"ãģ¦ãĤĤ":125631,"Ġгод":125632,"ÙĬار":125633,"à¸ķà¸Ńà¸Ļ":125634,"ĠигÑĢ":125635,"à¹Ħà¸Ķà¹īรัà¸ļ":125636,"ĠاÙĦÙħر":125637,"ÙĤت":125638,"Ġëĺ":125639,"ĠëĺIJ":125640,"ẩn":125641,"ãģĻãĤĭãģĵãģ¨":125642,"×Ĵ×Ŀ":125643,"Ġ×ij×ij":125644,"تد":125645,"ÙĪار":125646,"ãĤ®":125647,"пол":125648,"Ġмог":125649,"ترÙĥ":125650,"ÙĪØ«":125651,"Ġçık":125652,"اة":125653,"à¹Ģà¸Ķียว":125654,"มีà¸Ħวาม":125655,"Ġ×ŀ×Ĵ":125656,"صÙģ":125657,"ĠТак":125658,"Ġ×Ľ×ª":125659,"×Ļ×ĵ×Ļ":125660,"овоÑĢ":125661,"ầy":125662,"สิà¹Īà¸ĩ":125663,"بت":125664,"ürü":125665,"ÙĨج":125666,"หลัà¸ģ":125667,"×Ļ×Ķ×Ŀ":125668,"ÙĤص":125669,"зÑĭ":125670,"×Ľ×ª×ij":125671,"Æ°u":125672,"mız":125673,"ĠìĦ¸":125674,"лог":125675,"ÙħÙĬÙĦ":125676,"ÙĬج":125677,"íĴĪ":125678,"à¸ŀà¸ļ":125679,"หัว":125680,"зна":125681,"רק":125682,"à¹Ĥร":125683,"Ġ×ijס":125684,"ĠBaÅŁkan":125685,"ĠëĶ°":125686,"à¸Ńัà¸Ļ":125687,"ีà¹Īยว":125688,"неÑģ":125689,"à¹Ģà¸Ķิà¸Ļ":125690,"ÙĬاÙĨ":125691,"×ķ׾×Ļ":125692,"اخت":125693,"צ×ķת":125694,"ãģĵãģĵ":125695,"ĠاÙĦاÙĨ":125696,"ĠпÑĢоÑĨ":125697,"ãģ¾ãģł":125698,"×Ľ×¡":125699,"ĠاÙĦØ¢":125700,"ÙĬز":125701,"ĠاÙĦدÙĪÙĦ":125702,"ĠíķĺëĤĺ":125703,"ضع":125704,"ê»ĺ":125705,"ÅĽwi":125706,"ยิ":125707,"ãģ¡ãĤĥãĤĵ":125708,"ĠÙħØ´":125709,"à¸ĺี":125710,"ãģ¨ãģį":125711,"׳×Ļ×ķת":125712,"Ġë¯":125713,"Ġ미":125714,"Ġsı":125715,"ëĭĪê¹Į":125716,"Ġпл":125717,"غÙĦ":125718,"à¹ģรà¸ĩ":125719,"بÙĬر":125720,"ãģĤãĤĬãģ¾ãģĽãĤĵ":125721,"ê·¼":125722,"Ġyüz":125723,"ĠdeÄŁer":125724,"åł´åIJĪ":125725,"ỡ":125726,"маÑĤ":125727,"ราà¸Ĭ":125728,"ÙĪرÙĬ":125729,"жен":125730,"ãģ¾ãĤĬ":125731,"ãģ®ä¸Ń":125732,"×Ļ×ĵ×¢":125733,"à¸Ńุ":125734,"à¸ļà¸Ńล":125735,"à¸Ľà¸±à¸įหา":125736,"زÙħ":125737,"ÄŁa":125738,"à¸Ńืà¹Ī":125739,"à¸Ńืà¹Īà¸Ļ":125740,"пл":125741,"ĠнеобÑħодим":125742,"׼×ij":125743,"à¹Ģศ":125744,"קר×Ķ":125745,"ì²ĺ":125746,"볨":125747,"×ŀק×ķ×Ŀ":125748,"jÄħc":125749,"ÙĩÙĦ":125750,"Ġ×¢×ij×ķ×ĵ":125751,"à¹Ħมà¹ī":125752,"à¸ģลัà¸ļ":125753,"×ķ׼׾":125754,"ק×ĵ":125755,"اÙĦÙĬØ©":125756,"رÙĩ":125757,"ãģijãĤĮãģ°":125758,"ĠÙĨÙģس":125759,"ãĤ¢ãĥ«":125760,"ìĹĪëĭ¤":125761,"ק×ķר":125762,"неÑĢ":125763,"باب":125764,"ãĤ¶":125765,"سبب":125766,"ÙĦÙĬÙĦ":125767,"صÙĨ":125768,"صدر":125769,"ếm":125770,"à¸Ĭà¹Īวà¸ĩ":125771,"ØŃÙĨ":125772,"Ġ×ij×Ĵ":125773,"×ŀ×ķ×¢":125774,"׾×Ĺ":125775,"大ãģį":125776,"تب":125777,"неÑĤ":125778,"×Ļ×ij×Ķ":125779,"бл":125780,"ãĥĹãĥª":125781,"اصة":125782,"ãģ¤ãģij":125783,"×Ļ×ŀ×ķש":125784,"ãģĮãģĤ":125785,"ëĭ´":125786,"ãģĭãĤĤãģĹ":125787,"ãģĭãĤĤãģĹãĤĮ":125788,"ãģ¡ãĤī":125789,"×ij×ĺ":125790,"ĠbaÄŁ":125791,"×Ļ×Ĺס":125792,"×ij×ķ×¢":125793,"ลี":125794,"פע×Ļ׾":125795,"ими":125796,"gÅĤ":125797,"Ġиме":125798,"خداÙħ":125799,"×IJ×Ļר":125800,"Ġyapt":125801,"ãģ¨ãģĦ":125802,"à¸ĩà¹Īาย":125803,"׾×Ļ×ķ":125804,"ØŃدث":125805,"راÙĤ":125806,"ĠÄIJi":125807,"ادر":125808,"ãģĵãģ¨ãĤĤ":125809,"×ij×Ļר":125810,"Ġвз":125811,"ضاÙģ":125812,"ת×ķ׼":125813,"ÑĢом":125814,"رات":125815,"à¹Ģà¸Ĺà¹Īา":125816,"ãģĺãĤĥ":125817,"ãģĿãģĵ":125818,"اجتÙħاع":125819,"à¹īà¸Ńà¸Ļ":125820,"ÙĤÙħ":125821,"본":125822,"Äŀ":125823,"ש×Ļ×ķ":125824,"×ij׳×Ļ":125825,"ìľĦìĽIJ":125826,"à¹ģà¸Ī":125827,"×Ĺ×ķר":125828,"دÙĬÙĨØ©":125829,"تط":125830,"ằm":125831,"òa":125832,"ยà¸Ńà¸Ķ":125833,"Ġëĭ¹":125834,"สุà¸Ĥ":125835,"×ĵר×ļ":125836,"دÙĨ":125837,"سÙĬÙĨ":125838,"ÙĪÙĤÙģ":125839,"ÑĨÑĭ":125840,"гоÑĤов":125841,"еждÑĥ":125842,"à¸ŀวà¸ģ":125843,"اÙĤتص":125844,"اÙĤتصاد":125845,"czÄĻ":125846,"niÄĻ":125847,"ÑĢеб":125848,"ØŃÙĪ":125849,"à¸Ĺà¹Į":125850,"ãĤĪãģŃ":125851,"дж":125852,"à¸ģลà¹Īาว":125853,"دÙĬØ«":125854,"ãĤ³ãĥŁ":125855,"ÙĤÙĪÙħ":125856,"ĠتØŃ":125857,"à¹Ģà¸ķิ":125858,"اÙģظ":125859,"à¸Īุ":125860,"رÙĬاض":125861,"×ŀש×ļ":125862,"à¹Ĥย":125863,"еÑĢе":125864,"ãģ¿ãģŁãģĦ":125865,"ìĿ´ëĿ¼":125866,"ĠاÙĦÙħÙĪ":125867,"ĠÑģÑĤо":125868,"à¹Ģรà¹ĩว":125869,"ĠдеÑĤ":125870,"ĠÑģдел":125871,"à¹Ģà¸Ĭืà¹Īà¸Ń":125872,"פ׳×Ļ":125873,"ÙĪضÙĪع":125874,"×ijס":125875,"à¹ģà¸Ķ":125876,"óc":125877,"ริม":125878,"ÑĢад":125879,"ìĪł":125880,"ãĥ¼ãĤº":125881,"ãģ«ãģĬ":125882,"ино":125883,"פ×Ļ׾":125884,"à¸Ĭัà¹Īà¸Ļ":125885,"×Ĺ×ĵש":125886,"à¹Ģà¸Ļืà¹Īà¸Ńà¸ĩ":125887,"׳×Ļס":125888,"غرب":125889,"ãĤ¸ãĥ£":125890,"สัà¸ĩ":125891,"à¹Ģà¸Ĺีà¹Ī":125892,"à¹Ģà¸Ĺีà¹Īยว":125893,"ëŁ¼":125894,"à¹ģà¸Ł":125895,"ãĥ¼ãĤ·":125896,"ãĥ¼ãĤ·ãĥ§ãĥ³":125897,"Ġвозмож":125898,"جÙħÙĪع":125899,"×ijר×Ļ×Ŀ":125900,"ãĥĪãĥ©":125901,"ĠкаÑĩеÑģÑĤв":125902,"Ø·ÙĬ":125903,"ÑĤÑı":125904,"צ×ķ×¢":125905,"ģını":125906,"عÙĦÙī":125907,"اذ":125908,"ÙĪاÙĤع":125909,"ÙħÙĪا":125910,"ائÙĬÙĦ":125911,"кол":125912,"á»ģm":125913,"à¸ľà¸¥à¸´à¸ķ":125914,"×Ļ׳×ĺר":125915,"سÙĥ":125916,"ש×Ļר":125917,"ศึà¸ģษา":125918,"à¸ļั":125919,"ÑĩаÑģ":125920,"×ķפ×Ķ":125921,"×Ļפ×ķ׾":125922,"ĠاÙĦساب":125923,"رÙĬب":125924,"ĠاÙĦبÙĬ":125925,"ãĤ¹ãĥĨ":125926,"Ñĩен":125927,"à¹ģà¸ľ":125928,"Ġ׳ש":125929,"زÙĬد":125930,"ØŃاد":125931,"ëįĶ":125932,"رÙĪع":125933,"à¸Ĺุà¸Ļ":125934,"สมา":125935,"czeÅĦ":125936,"×Ļ×ĵ×Ķ":125937,"ãģ§ãģĤ":125938,"Ġçocuk":125939,"خب":125940,"à¸ļาย":125941,"à¸Ľà¸£à¸°à¸Ĭา":125942,"×ŀש׾":125943,"ãģªãģĭ":125944,"à¸ģาย":125945,"ãĥģãĥ£":125946,"аÑĢи":125947,"ĠÑĩа":125948,"à¸Ķำ":125949,"à¸Ĺัà¹Īว":125950,"ÑĥÑħ":125951,"Ġöz":125952,"Ġì¢ĭ":125953,"جرÙĬ":125954,"ائÙĤ":125955,"à¸łà¸±à¸¢":125956,"طار":125957,"دارة":125958,"Ä©nh":125959,"Ø«ÙĨ":125960,"zellik":125961,"اÙĦت":125962,"Ġgeli":125963,"ãĥķãĤ©":125964,"олод":125965,"ربع":125966,"שת×ŀש":125967,"à¸ļรร":125968,"íĿ¬":125969,"Ġürün":125970,"Ġê·¸ëłĩ":125971,"ศาสà¸ķรà¹Į":125972,"ãģľ":125973,"×Ļ×ij׾":125974,"ĠпÑĢедÑģÑĤав":125975,"سطÙĬÙĨ":125976,"ãĤĴ使":125977,"ĠпомоÑī":125978,"×ķקר":125979,"ãĥ¯ãĥ¼":125980,"Ġyönet":125981,"×Ļקר":125982,"à¸Ĥา":125983,"еÑĢиал":125984,"ØŃÙģ":125985,"Ġ×Ļצ":125986,"à¸Ĺิ":125987,"売":125988,"à¸Ļà¸Ńà¸ģ":125989,"×ķ׼ר":125990,"íĻľ":125991,"ủy":125992,"ĠاÙĦÙĤر":125993,"×Ļ×ij×ķת":125994,"ÅĽni":125995,"Ùħشار":125996,"ượt":125997,"ĠÙĦدÙĬ":125998,"ÑĤел":125999,"ĠØ¥ÙĦÙĬ":126000,"عÙĦÙĪÙħ":126001,"ìķĺ":126002,"виÑĤ":126003,"à¸Ħะ":126004,"yrı":126005,"ãģ¨ãģ£ãģ¦":126006,"à¹Ģà¸ī":126007,"à¸ĸาม":126008,"ÙĤار":126009,"عÙĦاÙħ":126010,"ặng":126011,"ÙħÙĴ":126012,"×Ļ×ŀת":126013,"سبة":126014,"ãĤ¯ãĥ©":126015,"×ķסף":126016,"ĠпÑĢин":126017,"ãģĦãĤį":126018,"ساس":126019,"عتبر":126020,"วิà¸Ĺย":126021,"วิà¸Ĺยา":126022,"سÙĥر":126023,"ãĤ·ãĥ§":126024,"ãģģ":126025,"ัà¸ģษ":126026,"×ij×ķ×Ķ":126027,"หย":126028,"ãģ¾ãĤĮ":126029,"ĠоÑĢганиз":126030,"казал":126031,"ĠÑģвÑıз":126032,"uyết":126033,"ĠпÑĢоиз":126034,"Ġק×ĺ":126035,"à¹ģà¸ģà¹ī":126036,"пÑĥÑģ":126037,"Ġê·¸ê²ĥ":126038,"ëĬIJ":126039,"лекÑģ":126040,"ãĥ¼ãĥĹ":126041,"à¸ķำ":126042,"ת×Ĺ×Ļ׾":126043,"à¸Ńà¸ĩà¸Ħà¹Į":126044,"ẵ":126045,"׳צ":126046,"أش":126047,"Ø´Ùĩ":126048,"ยะ":126049,"à¸ģà¸İ":126050,"ĠاÙĦإسÙĦاÙħ":126051,"едÑĮ":126052,"ãģ²ãģ¨":126053,"ëıĦë¡Ŀ":126054,"ãģ©ãģ®":126055,"Ñĥв":126056,"еÑĩение":126057,"ĠاÙĦتج":126058,"ãģ«è¡Į":126059,"Ġпозв":126060,"ãĤıãĤĬ":126061,"ÙĦاث":126062,"íķĺìĺĢ":126063,"ĠмаÑĢ":126064,"ĠkonuÅŁ":126065,"ãĥ¬ãĤ¹":126066,"ãĤĴæĮģ":126067,"ĠоÑģнов":126068,"×Ĺ×ij":126069,"ÙĪجÙĪد":126070,"פ×ķף":126071,"воÑĢ":126072,"Ġник":126073,"ãģĭãĤĭ":126074,"ÅŁtırma":126075,"×Ļס×ĺ":126076,"Ø£ÙĦ":126077,"หà¹Į":126078,"иона":126079,"лÑĮн":126080,"ĠгоÑģ":126081,"ĠÐľÐ¾Ñģк":126082,"ÑĢоб":126083,"×ķ×IJ×Ļ":126084,"ãģĬãĤĬãģ¾ãģĻ":126085,"ãģ£ãģ±":126086,"кл":126087,"à¸Ļà¸Ķà¹Į":126088,"رÙĬÙģ":126089,"اسب":126090,"ĠÑĢеÑĪ":126091,"Ġдол":126092,"ãģ¹ãģį":126093,"×Ļ×ij×ķר":126094,"меÑī":126095,"ĠнаÑĪ":126096,"à¹ģà¸Ľà¸¥":126097,"ÑĢиÑĤ":126098,"кÑĥÑģ":126099,"иÑĢа":126100,"аÑĤÑĥÑĢ":126101,"ÙĪاصÙĦ":126102,"à¹Ģà¸ľà¸¢":126103,"à¸Ńำ":126104,"à¹Ģà¸ģิà¸Ļ":126105,"غÙħ":126106,"ãģĻãģİ":126107,"lıkl":126108,"ÅĦsk":126109,"견":126110,"×Ļ׼×Ķ":126111,"×Ĺש×ij":126112,"ÙĪرÙĬØ©":126113,"ĠдейÑģÑĤв":126114,"×Ĺ׾×ĺ":126115,"Ġ׾×ŀ×¢":126116,"צ׾×Ļ×Ĺ":126117,"еÑĩа":126118,"Ùģاع":126119,"×Ĵ×Ļ×ĵ":126120,"áºŃm":126121,"ÄĻb":126122,"شع":126123,"ãģıãĤĬ":126124,"à¸ŀุ":126125,"едеÑĢ":126126,"à¸Ĥà¸Ļ":126127,"à¸Ħาร":126128,"ĠболÑĮÑĪ":126129,"ãģıãģªãĤĬ":126130,"à¸ĵา":126131,"×ĵ×ķ×Ĵ":126132,"Ġмн":126133,"ä¸ĬãģĮ":126134,"ç¶ļãģį":126135,"ฤษ":126136,"à¸Ĩ":126137,"Ø®ÙĬ":126138,"à¹Ģà¸Ĺà¸ŀ":126139,"สัม":126140,"à¹Ģสà¸Ļ":126141,"à¹Ģสà¸Ļà¸Ń":126142,"ãĥ´":126143,"ĠиÑģÑĤ":126144,"باشر":126145,"ĠÑĥÑĢов":126146,"×ŀ×ķ×ĸ":126147,"abı":126148,"waż":126149,"×ķצ×IJ×Ķ":126150,"ÑĤвеÑĢ":126151,"à¸ŀัà¸Ļà¸ĺà¹Į":126152,"׳×Ĵ×ĵ":126153,"ãĤĭãģĵãģ¨ãģĮãģ§ãģį":126154,"ĠÑĤÑĢеб":126155,"à¸ģรุà¸ĩ":126156,"ØŃتاج":126157,"à¹Ģà¸Ħล":126158,"ãĨ":126159,"ÄĻtr":126160,"Ġszczeg":126161,"Ġרש":126162,"à¸Ĺà¸ĺ":126163,"Ġнек":126164,"ĠнекоÑĤоÑĢ":126165,"вÑĪ":126166,"Ь":126167,"à¹Īวย":126168,"ลุ":126169,"бÑĢÑı":126170,"หมูà¹Ī":126171,"à¹ģà¸ķà¸ģ":126172,"ר׼×Ļ×Ŀ":126173,"Ġíĸī":126174,"ãi":126175,"Ùĥرة":126176,"âŃ":126177,"íIJ":126178,"ãį":126179,"áģ":126180,"â®":126181,"â¥":126182,"ì®":126183,"à¿":126184,"â¿":126185,"áĤ":126186,"á¤":126187,"âł":126188,"íŁ":126189,"ðIJį":126190,"ðIJ°":126191,"ðĿĨ":126192,"ðŁĪ":126193,"Ġ×¢×ľ":126194,"ĠعÙĨ":126195,"ĠÙħع":126196,"Ġ×ĸ×Ķ":126197,"ĠÙħا":126198,"ĠmÃł":126199,"Ġdụ":126200,"á»ĩc":126201,"аÑħ":126202,"sı":126203,"íķĺê³ł":126204,"Ġ×ķ×ij":126205,"ĠÐŁÐ¾":126206,"×ķתר":126207,"ĠÙĦÙħ":126208,"Ġ×ķ׾":126209,"ãģĹãģ¦ãģĦãĤĭ":126210,"Ġ×ŀ×Ļ":126211,"ĠبÙĬÙĨ":126212,"за":126213,"ĠÙĥاÙĨ":126214,"Ġ×Ķ×Ļ×Ķ":126215,"ëħĦ":126216,"×IJ×ķ":126217,"ди":126218,"ĠпеÑĢе":126219,"dı":126220,"Ġ׾ש":126221,"Ġש×ŀ":126222,"ãģĮãģĤãĤĭ":126223,"ãģĦãģĦ":126224,"ÑĢе":126225,"ק×ķ":126226,"или":126227,"ме":126228,"ÙĬت":126229,"ãģ§ãģĤãĤĭ":126230,"Ġво":126231,"à¹ĥหม":126232,"à¹ĥหมà¹Ī":126233,"Ġש×ij":126234,"Ġà¹Ĥà¸Ķย":126235,"ÙĬÙĩ":126236,"ãģ§ãģĻãģĮ":126237,"ãģ¨ãģ¯":126238,"ר×ķ":126239,"Ġà¸ĭึà¹Īà¸ĩ":126240,"ãģ§ãģįãĤĭ":126241,"мо":126242,"à¹Ģà¸ŀืà¹Īà¸Ń":126243,"צ×ķ":126244,"×ĺ×ķ":126245,"ìķĪ":126246,"Ġhá»į":126247,"à¹Ģà¸ĩิà¸Ļ":126248,"ĠاÙĦب":126249,"Ġมี":126250,"물":126251,"Ñģе":126252,"ëĵ¤ìĿ´":126253,"Ġë§IJ":126254,"ĠlỼ":126255,"aÅĤ":126256,"×Ĺ×ijר":126257,"Ġdá»±":126258,"ÙĬØ«":126259,"Ġthá»ĭ":126260,"à¸ģà¹Īà¸Ńà¸Ļ":126261,"Ġ×ij׼׾":126262,"ãģ¸":126263,"ãģ¨æĢĿãģĦãģ¾ãģĻ":126264,"ảnh":126265,"ยา":126266,"Ùģا":126267,"สี":126268,"à¸ķา":126269,"ë²ķ":126270,"ãĥªãĥ¼":126271,"ราà¸Ħา":126272,"Ġ×ķ׾×IJ":126273,"ãģ¨ãģĵãĤį":126274,"à¹Ģลืà¸Ń":126275,"diÄŁi":126276,"ÙĪاÙĨ":126277,"Ġ׾×Ķת":126278,"รวม":126279,"פ×Ļ×Ŀ":126280,"à¸ľà¸¡":126281,"жи":126282,"cı":126283,"ÑĢод":126284,"ĠkarÅŁÄ±":126285,"×Ĵ×ķ":126286,"ãģ«ãģ¤":126287,"ãģ«ãģ¤ãģĦãģ¦":126288,"rÃł":126289,"×Ļ×ķתר":126290,"ĠìĨĮ":126291,"ק×Ķ":126292,"ÑģÑĤво":126293,"ãģijãģ©":126294,"gé":126295,"à¸Ķà¹īาà¸Ļ":126296,"çļĦãģ«":126297,"ĠÙĬÙħÙĥÙĨ":126298,"ìĨį":126299,"ÙĬÙĥ":126300,"à¹Ħวà¹ī":126301,"Ñģкий":126302,"ìm":126303,"Ġ׾×IJ×Ĺר":126304,"à¸Ńาหาร":126305,"Ġà¹Ģà¸ŀ":126306,"ราะ":126307,"ลูà¸ģ":126308,"ÑģÑĤа":126309,"Ġìľł":126310,"ÙĤÙĪÙĦ":126311,"боÑĢ":126312,"Ñģкого":126313,"หลัà¸ĩ":126314,"à¸Ĥà¹Īาว":126315,"à¹Ģมืà¸Ńà¸ĩ":126316,"ê°ģ":126317,"tÃł":126318,"ÙĬÙĬÙĨ":126319,"عرض":126320,"ë°©":126321,"ĠëıĻ":126322,"Ġà¹Ģà¸Ľ":126323,"Ġà¹Ģà¸Ľà¹ĩà¸Ļ":126324,"çi":126325,"liÄŁi":126326,"ìĹIJê²Į":126327,"ãĤ¿ãĥ¼":126328,"Ġ×ľ×ª":126329,"פ×ķת":126330,"à¸Ĥà¸Ń":126331,"رس":126332,"ìłIJ":126333,"à¸ľà¹Īาà¸Ļ":126334,"ÑĦи":126335,"جÙĨ":126336,"ì¢ħ":126337,"Ġ×Ķפ":126338,"Ġngo":126339,"á»ĭa":126340,"Ġtá»ķ":126341,"Ġ그리":126342,"à¹Ģมืà¹Īà¸Ń":126343,"Ø°Ùĥر":126344,"ìĸij":126345,"ìĹŃ":126346,"×ĺ׾":126347,"kı":126348,"ĠعÙħÙĦ":126349,"ĠعÙĨد":126350,"à¸ĭืà¹īà¸Ń":126351,"Ġê±°":126352,"ве":126353,"rü":126354,"à¹Ģà¸Ńา":126355,"สà¹Į":126356,"à¸Īà¸Ļ":126357,"סת":126358,"Ġgiả":126359,"ãĤĭãģ¨":126360,"à¸ģำลัà¸ĩ":126361,"ней":126362,"à¸Īริ":126363,"à¸Īริà¸ĩ":126364,"Ġëį":126365,"ĠëįĶ":126366,"à¸Ħà¹Īะ":126367,"ìn":126368,"Ġsüre":126369,"Ġquy":126370,"à¸ļาà¸ĩ":126371,"åıĸãĤĬ":126372,"ר×Ĺ":126373,"×ijת":126374,"ãģĮãģĤãĤĬãģ¾ãģĻ":126375,"רש":126376,"ìĹIJëĬĶ":126377,"Ġ×IJפשר":126378,"ayı":126379,"ãģĮãĤī":126380,"ØŃب":126381,"анÑģ":126382,"سÙĪ":126383,"ĠпÑĢе":126384,"دÙĪ":126385,"ãģ«ãĤĪ":126386,"à¹Ģà¸ģม":126387,"สูà¸ĩ":126388,"makt":126389,"maktad":126390,"maktadır":126391,"Ġönem":126392,"×Ļ×ŀ×Ļ×Ŀ":126393,"бо":126394,"ÙĪÙĬØ©":126395,"à¸£à¸¹à¸Ľ":126396,"à¹Ĥลà¸ģ":126397,"ÙħÙĬع":126398,"ÑģÑĤÑĥп":126399,"à¹Ĥà¸Ń":126400,"دÙĬÙĨ":126401,"ì¤ij":126402,"ãģĹãģı":126403,"à¹Ģสีย":126404,"вÑĭ":126405,"Ùħت":126406,"íĺĦ":126407,"ãĥIJãĥ¼":126408,"اش":126409,"קס":126410,"Ġtụ":126411,"ลà¸Ķ":126412,"ÙģØ©":126413,"íijľ":126414,"رج":126415,"kÅĤad":126416,"ĠÅŁey":126417,"ĠØ£Ùħ":126418,"Ġà¹Ģม":126419,"ĠبÙĦ":126420,"ÑģкаÑı":126421,"ãģ¨ãģ®":126422,"Ġìĭ¤":126423,"ấm":126424,"หà¹īà¸Ńà¸ĩ":126425,"à¸Ĭม":126426,"dü":126427,"Ġçek":126428,"Ġê³ł":126429,"×Ĵ×ij":126430,"à¸Ĭีวิ":126431,"à¸Ĭีวิà¸ķ":126432,"ÙģضÙĦ":126433,"ฯ":126434,"çı":126435,"Ġبش":126436,"ĠÙĩÙĨا":126437,"ãģįãģ¾ãģĹãģŁ":126438,"tü":126439,"Ġìĺģ":126440,"ĠTürk":126441,"кÑĤ":126442,"פרס":126443,"ãģ¨ãģĦãģĨãģĵãģ¨":126444,"íĶĦ":126445,"à¹ģรà¸ģ":126446,"ר×ķף":126447,"Ġaras":126448,"×ŀצ×IJ":126449,"Ġtá»ī":126450,"سا":126451,"à¸ŀà¸Ń":126452,"ĠاÙĦÙħØŃ":126453,"ãĥ¤":126454,"ĠاÙĦاست":126455,"ÙģÙĨ":126456,"×Ļ×ŀ×Ķ":126457,"رت":126458,"ãģ¨ãĤĤ":126459,"ĠнаÑģ":126460,"пÑĢи":126461,"Ġ×Ĺ×ķ":126462,"ила":126463,"ÙĬØ´":126464,"Ġgöz":126465,"Ġ×ij׳×Ļ":126466,"ımı":126467,"ĠÑĤеÑħ":126468,"Ġhá»Ļ":126469,"غر":126470,"кон":126471,"اØŃت":126472,"Ġà¸ŀ":126473,"à¸Ńà¸Ńà¸Ļ":126474,"à¸Ńà¸Ńà¸Ļà¹Ħล":126475,"à¸Ńà¸Ńà¸Ļà¹Ħลà¸Ļà¹Į":126476,"Ñħо":126477,"Ñıв":126478,"à¹ģสà¸Ķ":126479,"à¹ģสà¸Ķà¸ĩ":126480,"à¹Ģà¸ŀียà¸ĩ":126481,"ÑĤов":126482,"اÙĬ":126483,"Ġ×Ķ×ĵ":126484,"Ġ×ķ׼":126485,"ãĤīãģĦ":126486,"×ķפף":126487,"Ġë¶Ī":126488,"ลà¸Ńà¸ĩ":126489,"طاÙĦ":126490,"Ġни":126491,"ĠÙħست":126492,"ếc":126493,"Ġש׼":126494,"ĠëķĮ문":126495,"วัà¸Ļà¸Ĺีà¹Ī":126496,"×Ļ׾×ĵ":126497,"ØŃا":126498,"еÑĨ":126499,"Ġcứ":126500,"×ĵ×ķר":126501,"ĠÙħØŃ":126502,"ר׼×ij":126503,"بÙĬع":126504,"нии":126505,"ĠاÙĦØ£ÙĪÙĦ":126506,"à¸Ħวร":126507,"ãģ¨æĢĿãģĨ":126508,"ĠСо":126509,"ائÙĬØ©":126510,"راء":126511,"оÑģоб":126512,"ĠبأÙĨ":126513,"×¢×ķ×ĵ":126514,"ĠÑĤе":126515,"ãģĵãģĨ":126516,"ÑģÑĤÑĢа":126517,"айн":126518,"Ġsöz":126519,"تÙĨا":126520,"à¸Ńิ":126521,"ặp":126522,"ĠìķĦëĭĪ":126523,"íķŃ":126524,"Ġר×IJש":126525,"Ġà¹Ħà¸Ķà¹ī":126526,"Ġ×Ĵ×ĵ":126527,"Ġספר":126528,"обÑīе":126529,"ĠÙĪØ¥":126530,"adaÅŁ":126531,"ãģ¡ãĤĩ":126532,"ק×ķ׾":126533,"ÑĢез":126534,"ĠdÃ¼ÅŁÃ¼n":126535,"Ġ×ij×IJ×ŀ":126536,"Ġìĸ´ëĸ":126537,"ער×ij":126538,"нее":126539,"ĠÑģÑĤÑĢан":126540,"ساÙĨ":126541,"ynı":126542,"ĠاÙĦرئÙĬس":126543,"ãģĹãģª":126544,"Ġ×ł×ª":126545,"ãģ«ãģªãģ£ãģŁ":126546,"gü":126547,"åıĹãģij":126548,"×ľ×ª":126549,"ìłĪ":126550,"ëĬĶëį°":126551,"Ø®ÙĬر":126552,"à¸ķà¹īà¸Ńà¸ĩà¸ģาร":126553,"ĠÙĦØ£ÙĨ":126554,"Ġchá»ĭ":126555,"ÙĪØ©":126556,"à¹ĥส":126557,"ë¶ĢíĦ°":126558,"íķĺë©´":126559,"ữu":126560,"à¹Ģหมืà¸Ńà¸Ļ":126561,"беÑĢ":126562,"ĠìĿ´ìļ©":126563,"ĠÑģеб":126564,"wiÄĻks":126565,"Ġ×ł×¢":126566,"ÑĤÑĥÑĢ":126567,"ĠnghÄ©":126568,"ש×ķ×ĺ":126569,"tiÄŁi":126570,"ĠdeÄŁi":126571,"×IJ×ij":126572,"Ġ×ŀ×ŀ":126573,"ãĥĹãĥŃ":126574,"waÅĤ":126575,"à¸Īึà¸ĩ":126576,"خدÙħ":126577,"×IJ×Ŀ":126578,"Ä±ÅŁÄ±":126579,"czÄħ":126580,"ר×ĵ":126581,"ĠÑĢÑĥб":126582,"خرÙī":126583,"ãģ®æĸ¹":126584,"ĠденÑĮ":126585,"×Ĺ×Ļ×Ŀ":126586,"еÑĤе":126587,"ëĤľ":126588,"×IJ×Ĵ":126589,"×¢×ķר":126590,"ë³Ħ":126591,"åIJĮãģĺ":126592,"ãĤ²":126593,"ר×ļ":126594,"×ķש×IJ":126595,"ìľ¡":126596,"اخ":126597,"צ×Ļ×Ķ":126598,"á»±a":126599,"ãģĪãģ¦":126600,"ש×Ķ×ķ":126601,"анÑĤ":126602,"ลาà¸Ķ":126603,"инг":126604,"ë¡ł":126605,"اعد":126606,"ÙĪسط":126607,"Ġвоп":126608,"ĠвопÑĢоÑģ":126609,"ÙħÙĬÙĨ":126610,"à¸Ħà¸ĩ":126611,"×Ļר×Ļ×Ŀ":126612,"ców":126613,"격":126614,"Ġê·¸ëŁ°":126615,"Ġì§Ħ":126616,"Ġש׾×Ķ":126617,"à¹Ģริà¹Īม":126618,"à¸Ĭà¸Ńà¸ļ":126619,"деÑĤ":126620,"ÑİÑīиÑħ":126621,"à¸ļà¸Ńà¸ģ":126622,"æĢĿãģĦ":126623,"عÙĬد":126624,"ס×ŀ":126625,"×Ĵ×Ļ×¢":126626,"צ×ĵ":126627,"بات":126628,"ĠëĶ°ëĿ¼":126629,"à¸Īัà¸ĩ":126630,"ãģłãģijãģ§":126631,"×¢×Ļר":126632,"ĠÑĩел":126633,"ĠÑĩелов":126634,"ĠÑĩеловек":126635,"ãĥĥãĥģ":126636,"à¹Ģà¸ģีà¹Īยว":126637,"à¸Ķิ":126638,"Ġפע":126639,"×Ļ×ŀ×Ļ":126640,"ë°ĺ":126641,"خار":126642,"×ij×Ļת":126643,"×¢×Ļ×Ŀ":126644,"üyor":126645,"ãĤģãģ¦":126646,"клад":126647,"Ġà¸Īาà¸ģ":126648,"à¹Ģà¸Ħย":126649,"สà¸Ńà¸ĩ":126650,"à¹ģà¸Ħà¹Ī":126651,"ẫu":126652,"หà¸Ļัà¸ĩ":126653,"ש׾×ķ×Ŀ":126654,"اÙĨÙĬØ©":126655,"åĩºä¼ļ":126656,"åĩºä¼ļãģĦ":126657,"à¸łà¸²à¸¢":126658,"à¸ļาà¸Ĺ":126659,"à¸Ĭาว":126660,"muÅŁ":126661,"Ġ׾ק×ij׾":126662,"ãĤ·ãĥ£":126663,"ĠÄ°ÅŁ":126664,"×Ĵ×ĵ×ķ׾":126665,"جعÙĦ":126666,"ë³Ģ":126667,"ยิà¹Īà¸ĩ":126668,"à¸Ļาย":126669,"à¸Ļีà¹Ī":126670,"วิà¸ĺี":126671,"ãĤīãģªãģĦ":126672,"ëłĪ":126673,"Ġë¬¸ìłľ":126674,"Ġà¸ģ":126675,"à¸Ĺำà¸ĩาà¸Ļ":126676,"à¹Ģวà¹ĩà¸ļ":126677,"ÑĦе":126678,"楽ãģĹ":126679,"สำà¸Ħ":126680,"สำà¸Ħัà¸į":126681,"رÙħ":126682,"ãģķãĤĮãģ¦":126683,"Ġобла":126684,"ר×IJ×Ļ":126685,"หมà¸Ķ":126686,"ÙĨÙĬØ©":126687,"лин":126688,"ĠeÄŁ":126689,"itim":126690,"ëł¹":126691,"صاÙĦ":126692,"ÅĽl":126693,"à¸ľà¸´à¸Ķ":126694,"ãĥŀãĥ³":126695,"åħ¥ãĤĮ":126696,"à¹Ģà¸ķà¸Ńรà¹Į":126697,"ارÙĬ":126698,"ĠЦ":126699,"dür":126700,"สวย":126701,"립":126702,"رÙĥØ©":126703,"Ġhã":126704,"×Ļת×Ķ":126705,"à¸Ĥà¸Ļา":126706,"à¸Ĥà¸Ļาà¸Ķ":126707,"à¸Īำà¸Ļ":126708,"à¸Īำà¸Ļวà¸Ļ":126709,"ש×ķק":126710,"Ġдом":126711,"ì±ħ":126712,"ãģĭãģij":126713,"פ×ķ׾":126714,"à¸Ĭาย":126715,"ÑģмоÑĤÑĢ":126716,"ÑģлÑĥж":126717,"ש×IJ׾":126718,"кÑĢÑĭÑĤ":126719,"Ġìŀĺ":126720,"é«ĺãģĦ":126721,"ĠÑĢÑĥк":126722,"ÙĨص":126723,"дав":126724,"ưỡ":126725,"ưỡng":126726,"راÙħ":126727,"×Ļ׳×Ļ×Ŀ":126728,"ãĥ©ãĥ¼":126729,"ëĦ¤":126730,"Ġتع":126731,"lke":126732,"好ãģį":126733,"æĮģãģ¡":126734,"Ġë§İ":126735,"Ġyük":126736,"ĠÑģоÑģÑĤав":126737,"енÑĤÑĢ":126738,"peÅĤ":126739,"à¹Ģà¸Ľà¸¥à¸µà¹Īย":126740,"à¹Ģà¸Ľà¸¥à¸µà¹Īยà¸Ļ":126741,"íıī":126742,"ãĤĦãģĻ":126743,"×Ĺ×ĸ":126744,"×ijר×Ķ":126745,"루":126746,"ìĶĢ":126747,"بØŃØ«":126748,"à¹Ģà¸ķà¹ĩ":126749,"ówi":126750,"بÙĩ":126751,"ãģįãģ¾ãģĻ":126752,"Ġ×¢×ŀ":126753,"×Ĵ×ķ׾":126754,"езд":126755,"ÙĬÙģØ©":126756,"สà¸Ļà¹ĥà¸Ī":126757,"Ġ×ª×ľ":126758,"ÑıÑī":126759,"ĠسÙĨ":126760,"ĠÙĪاØŃد":126761,"ĠÑģм":126762,"ladı":126763,"ıld":126764,"×Ļרת":126765,"ียà¸Ļ":126766,"ת×Ĺת":126767,"Ġжиз":126768,"à¸ŀั":126769,"à¸ŀัà¸Ĵ":126770,"à¸ŀัà¸Ĵà¸Ļา":126771,"à¸Ĭิ":126772,"اخÙĦ":126773,"ãģ£ãģ¦ãģĦãģŁ":126774,"รัà¸IJ":126775,"ãĤģãĤĭ":126776,"à¹Ĥà¸ģ":126777,"ĠTá»ķ":126778,"Ġhakk":126779,"رÙģ":126780,"ìłĢ":126781,"Ñģоб":126782,"ãģªãģijãĤĮãģ°":126783,"ÙĩÙĪ":126784,"Ġë²ķ":126785,"ãĤĨ":126786,"ĠاÙĦسعÙĪد":126787,"Ġ×IJתר":126788,"اغ":126789,"Ġ׾×ĵ":126790,"à¹ģà¸ķ":126791,"à¹ģà¸ķà¹Īà¸ĩ":126792,"íĮĮ":126793,"ÑĥпиÑĤÑĮ":126794,"à¸ŀืà¹īà¸Ļà¸Ĺีà¹Ī":126795,"×ijת×Ļ":126796,"à¹ĩà¸ģ":126797,"ÅĤat":126798,"Ġê°ľìĿ¸":126799,"ìłķë³´":126800,"ÑĤал":126801,"Ġgüven":126802,"ĠÄ°l":126803,"Ġê°ģ":126804,"Ġبت":126805,"×ŀ×ķ׳×Ķ":126806,"ĠاÙĦØŃÙĥÙĪÙħ":126807,"ÙĤات":126808,"à¹ģà¸ģà¹Ī":126809,"หาà¸ģ":126810,"нÑĮ":126811,"à¸Ľà¸£à¸±à¸ļ":126812,"มาà¸ĵ":126813,"ĠнеÑģк":126814,"Ġض":126815,"สมั":126816,"สมัà¸Ħร":126817,"ãģĮãģĤãĤĬ":126818,"меÑģÑĤ":126819,"Ġ×IJצ׾":126820,"Ġкомпани":126821,"סר":126822,"ÙĬÙħØ©":126823,"ĠÑħоÑĢо":126824,"ĠÑħоÑĢоÑĪ":126825,"Ġ×Ļ×ķ×ĵ":126826,"üs":126827,"×Ĵ×Ļש":126828,"à¸ļà¸Ĺ":126829,"تÙĨظ":126830,"วาà¸ĩ":126831,"มหา":126832,"Ġ׼×ķ׾":126833,"à¸Ĥà¹īาà¸ĩ":126834,"ë°ľ":126835,"год":126836,"дан":126837,"ãģĭãĤĤãģĹãĤĮãģ¾ãģĽãĤĵ":126838,"ãģĵãģ¡ãĤī":126839,"ãĥIJãĤ¤":126840,"eceÄŁi":126841,"دÙĬدة":126842,"ÙĨÙī":126843,"Ġëĭ¤ìĿĮ":126844,"วี":126845,"غا":126846,"лиз":126847,"à¹Ģà¸Ķิ":126848,"à¹Ģà¸Ķิม":126849,"ĠÙĬست":126850,"Ġyılı":126851,"koÅĦ":126852,"ãģ§ãģĹãĤĩãģĨãģĭ":126853,"ãģĤãģª":126854,"ãģĤãģªãģŁ":126855,"ÑĨен":126856,"ĠÙĪز":126857,"×IJ×Ļש":126858,"à¹Īà¸Ń":126859,"رØŃ":126860,"ê´ij":126861,"ÑĢаÑģÑĤ":126862,"Ġ×Ķ׾":126863,"ãģĹãģ¦ãĤĤ":126864,"×ŀר׼":126865,"×ŀר׼×ĸ":126866,"éģķãģĦ":126867,"ãģŁãģı":126868,"ĠÑģÑĥд":126869,"веÑģÑĤи":126870,"ĠíķĦìļĶ":126871,"ãĥķãĤ§":126872,"ÑĤелÑĮно":126873,"à¹Ģà¸ŀืà¹Īà¸Ńà¸Ļ":126874,"ÅĤuż":126875,"à¹Ģà¸Ķิà¸Ļà¸Ĺาà¸ĩ":126876,"ש×ķר":126877,"Ġ×ŀ×ĵ":126878,"×ķ×¢×ľ":126879,"ÙĦاÙħ":126880,"à¹Ħà¸ĭ":126881,"лей":126882,"кÑĥÑĢ":126883,"Ả":126884,"à¸Ĺาà¸Ļ":126885,"ì§ij":126886,"ĠгоÑĢод":126887,"רס":126888,"׾×ķ×Ĵ":126889,"masını":126890,"ĠлÑĥÑĩ":126891,"ลà¹Īา":126892,"ìļ¸":126893,"ש×ĺ":126894,"ĠÐĺн":126895,"íĤ¤":126896,"ÙĪÙĦا":126897,"ìķł":126898,"ĠØ£ÙĬضا":126899,"Ùĥار":126900,"ĠاÙĦتع":126901,"สูà¹Ī":126902,"ãĤ¼":126903,"×ij×Ļ×IJ":126904,"ยà¸ģ":126905,"ĠØŃÙĤ":126906,"ربÙĬ":126907,"ãģĺãĤĥãģªãģĦ":126908,"รัà¸ģษา":126909,"ÑħодиÑĤ":126910,"à¸ķà¸Ńà¸ļ":126911,"׳×ĺ×Ļ":126912,"ĠاÙĦÙħج":126913,"تÙħع":126914,"оваÑĤÑĮ":126915,"ÙĦÙĬÙĨ":126916,"×Ļ×ŀ×ķת":126917,"Ġmù":126918,"nÄĻ":126919,"ĠدÙĬ":126920,"׼ש×Ļ×ķ":126921,"Ġhiç":126922,"ëijIJ":126923,"ÙĪاء":126924,"ÙĪØ·":126925,"ĠاÙĦبÙĦ":126926,"à¹ģมà¹ī":126927,"ק×ķת":126928,"ÙĪجد":126929,"å§ĭãĤģ":126930,"ÙĬئة":126931,"Ġ매":126932,"صبØŃ":126933,"פ×IJ":126934,"гоÑĢ":126935,"ס×Ķ":126936,"بÙĬÙĤ":126937,"ยาà¸ģ":126938,"Ġнад":126939,"ÙĬÙij":126940,"ĠبÙĪ":126941,"ס×ķר":126942,"ÙħÙĥاÙĨ":126943,"ר×ij":126944,"×Ĵ×ĸ":126945,"צת":126946,"bilit":126947,"лаг":126948,"ĠNgo":126949,"×IJ×ķר":126950,"à¸ķà¸Ļ":126951,"íĬ¹":126952,"à¸Ĺีà¹Īà¸Ķี":126953,"à¸Ľà¸£à¸°à¸Īำ":126954,"ование":126955,"ãģĦãģ¤":126956,"ãĥĥãĤ¯ãĤ¹":126957,"åIJĪãĤı":126958,"åIJĪãĤıãģĽ":126959,"×Ļ׳×ķ×Ļ":126960,"ạy":126961,"Ø«ÙĤ":126962,"ĠпÑĢоб":126963,"ĠпÑĢоблем":126964,"ÅŁeh":126965,"ÅŁehir":126966,"عادة":126967,"اÙĨÙĪÙĨ":126968,"à¸ķัวà¹Ģà¸Ńà¸ĩ":126969,"ì¶ķ":126970,"ılan":126971,"бан":126972,"ãĥ³ãĥī":126973,"à¸Īี":126974,"Ġ×Ķש׳×Ļ":126975,"поÑĤ":126976,"×ķ׾×Ļ×Ŀ":126977,"ลัà¸ļ":126978,"ĠÑįÑĤи":126979,"×ijקש":126980,"ë¹ĦìĬ¤":126981,"à¸Ńยà¹Īาà¸ĩà¹Ħร":126982,"×Ļ׾×Ļ":126983,"à¹ĥà¸Ĭà¹Ī":126984,"ĠاÙĦÙĥÙĦ":126985,"ãĥļãĥ¼ãĤ¸":126986,"صة":126987,"ÑĤиÑĢ":126988,"ãĤĵãģ©":126989,"зÑĭк":126990,"wyż":126991,"ÙĩÙĬ":126992,"ĠÙħÙĦÙĬ":126993,"Ġвиде":126994,"ظاÙħ":126995,"داÙĪÙĦ":126996,"×ŀת×Ļ":126997,"Ġsık":126998,"à¹Ģà¸ķิม":126999,"ãĤ¢ãĤ¤":127000,"каÑħ":127001,"צ×Ļ׾":127002,"à¹Ģà¸Ĭà¹Īà¸Ļ":127003,"маг":127004,"магаз":127005,"магазин":127006,"à¸Ľà¸±":127007,"à¸Ľà¸±à¸Ī":127008,"Ġש×Ļר×ķת":127009,"ียม":127010,"ãĥĸãĥ«":127011,"ĠدÙĪÙĦ":127012,"קר×Ļ×Ŀ":127013,"ÙĩÙı":127014,"ово":127015,"Ġüret":127016,"دÙĪÙĨ":127017,"à¹ģà¸Ļว":127018,"à¹Ģà¸Ļืà¹īà¸Ń":127019,"ĠÑĦоÑĤ":127020,"ãĥĺ":127021,"ãģ¤ãģĭ":127022,"ÑıÑģ":127023,"ĠíķĺëĤĺëĭĺ":127024,"ائع":127025,"ĠплаÑĤ":127026,"ìĺĪ":127027,"ĠdostÄĻp":127028,"ÙĪجÙĩ":127029,"Ġ×Ķ×Ĺ×Ļ":127030,"׳×Ļק":127031,"дей":127032,"íĽĦ":127033,"ıy":127034,"بØŃر":127035,"à¹Ģสริม":127036,"Ġ׾×Ĵ":127037,"Ø°Ùĩب":127038,"جÙĬÙĦ":127039,"رÙĥز":127040,"Ġëħ":127041,"Ġëħ¸":127042,"פ×Ļ׾×ķ":127043,"ãģ¾ãģļ":127044,"iriÅŁ":127045,"ĠÙĥÙĬÙģ":127046,"Ġ×ijצ":127047,"ĠêµIJ":127048,"ÑĢоÑģÑģ":127049,"ĠØ´ÙĬ":127050,"Ġiçer":127051,"×Ĵ×ķ×ij×Ķ":127052,"менно":127053,"×¢×ij×Ļר":127054,"×ķ×ŀ×Ķ":127055,"ãĤīãģĹãģĦ":127056,"ãģ¼":127057,"Ñīин":127058,"è²·ãģĦ":127059,"جÙħÙĪعة":127060,"Ġdönem":127061,"Ġ×ij×IJר":127062,"веÑģÑĤ":127063,"×ķר×ķת":127064,"سÙģ":127065,"à¹ģà¸Ĺà¸Ļ":127066,"ĠдокÑĥменÑĤ":127067,"ĠاÙĬ":127068,"جاÙĨ":127069,"צ×ķ×¢×Ļ":127070,"ĠоÑģоб":127071,"ĠاÙĦÙħس":127072,"ÑĢаб":127073,"à¸łà¸¹":127074,"à¸Ķาว":127075,"лекÑĤ":127076,"عÙĤ":127077,"×ķ×ĵ×ķת":127078,"Ġolu":127079,"ĠoluÅŁtur":127080,"ãģ¾ãģ¾":127081,"един":127082,"à¹Ģà¸Ńà¸ģ":127083,"ãĤµãĤ¤":127084,"ëĦĪ":127085,"Ø·ÙĨÙĬ":127086,"Ø·ÙĤØ©":127087,"ĠÐłÐ°Ð·":127088,"ÙĦÙij":127089,"Ñĩем":127090,"Ġ׾×ĺ":127091,"สัà¹Īà¸ĩ":127092,"سرائÙĬÙĦ":127093,"Ġפר×ĺ×Ļ":127094,"деÑģÑĮ":127095,"Ġ׳׼":127096,"اÙĨب":127097,"ÙĬاة":127098,"Ùħبر":127099,"Ġkı":127100,"à¸Ľà¸ı":127101,"à¸Ľà¸ıิ":127102,"à¸ļัà¸ķิ":127103,"×ł×ª×Ļ":127104,"ìĨ¡":127105,"راب":127106,"à¹ĥà¸ķ":127107,"à¹ĥà¸ķà¹ī":127108,"×Ļ×ł×ª":127109,"ÙĪÙĬر":127110,"Ġ×Ķ×ŀ×Ļ":127111,"ейÑĩаÑģ":127112,"ק×ķ×ij":127113,"دراس":127114,"ĠÙħÙĤ":127115,"رÙĬÙĨ":127116,"خاص":127117,"ãģĬéĩij":127118,"Ġجدا":127119,"ãģĨãģ¡":127120,"ëħ¸":127121,"ırım":127122,"æ§ĺ":127123,"ãģ«å¯":127124,"ãģ«å¯¾":127125,"ÑĨев":127126,"Ġvard":127127,"ĠÐIJн":127128,"eÄŁ":127129,"ÑģÑĤвенно":127130,"Ш":127131,"سد":127132,"à¸ģุ":127133,"à¹ģà¸ľà¸Ļ":127134,"รูà¹īส":127135,"รูà¹īสึà¸ģ":127136,"اتØŃاد":127137,"ÑijÑĤ":127138,"×Ĺ×ķק":127139,"ãģĻãģIJ":127140,"Ø·ÙĦاÙĤ":127141,"Ġק×ķ×ĵ":127142,"à¹ĥà¸Ĭà¹īà¸ĩ":127143,"à¹ĥà¸Ĭà¹īà¸ĩาà¸Ļ":127144,"ãĥ¼ãĤ¿":127145,"Ġsür":127146,"ÑĢок":127147,"ë³ij":127148,"สมาà¸Ĭ":127149,"สมาà¸Ĭิà¸ģ":127150,"ãĥķãĥ¬":127151,"è¾¼ãģ¿":127152,"ãĤ»ãĥ³":127153,"Ġê°Ģì§Ģ":127154,"à¸ľà¹īา":127155,"ÑįÑĤомÑĥ":127156,"иÑĤел":127157,"à¸łà¸±":127158,"à¸ij":127159,"ãĥĸãĥ©":127160,"×Ľ×ª×ķ×ij":127161,"׳×Ŀ":127162,"еннÑĭе":127163,"×¢×¨×Ľ×ª":127164,"ĠìĤ":127165,"ĠìĤ´":127166,"à¸Ĥà¹īา":127167,"׳×ķס":127168,"ãĥ¬ãĥĵ":127169,"ÑĢеÑģ":127170,"à¹Ģลà¸Ĥ":127171,"ثاÙĦ":127172,"ìĹĨ":127173,"ĠÑĩаÑģÑĤ":127174,"าศ":127175,"ãĥªãĤ¢":127176,"uç":127177,"×Ļ׼×ķת":127178,"ลà¹īาà¸Ļ":127179,"ië":127180,"ãĤ¸ãĤ§":127181,"à¸Īà¸Ń":127182,"ÙĪØŃد":127183,"×Ļצ×ķ×ij":127184,"Ġ×ijש׾":127185,"око":127186,"ضة":127187,"ذر":127188,"ĠÑĥд":127189,"Ä°L":127190,"×ķצ×Ļ×Ŀ":127191,"×ĸ×ŀף":127192,"à¸Ľà¸ģ":127193,"íķĻêµIJ":127194,"ساÙħ":127195,"à¹Ħà¸Ķ":127196,"ละà¹Ģà¸Ń":127197,"ละà¹Ģà¸Ńีย":127198,"ละà¹Ģà¸Ńียà¸Ķ":127199,"ảy":127200,"аÑĨион":127201,"ãĤ¹ãĤ¯":127202,"פ×ķס":127203,"รà¹Īาà¸ĩ":127204,"еннÑĭй":127205,"عÙĨ":127206,"عÙĦÙĨ":127207,"ائÙģ":127208,"dÄĻ":127209,"ؤÙĪÙĦ":127210,"׾×ķ×ķ":127211,"Ġ×ijש×ij":127212,"ä»ĬåĽŀ":127213,"ĠاÙĦجÙĨ":127214,"داد":127215,"waÄĩ":127216,"ãĥªãĥ³":127217,"ĠìŀIJìĭł":127218,"اÙĨÙĬا":127219,"ãĥ¡ãĥª":127220,"ÙĦÙĪÙĨ":127221,"à¸Ĺà¹Īà¸Ńà¸ĩ":127222,"à¸Ĺà¹Īà¸Ńà¸ĩà¹Ģà¸Ĺีà¹Īยว":127223,"اÙģÙĬ":127224,"ĠлиÑĪ":127225,"ÙħÙĬØ©":127226,"оÑĤвеÑĤ":127227,"Ñĩин":127228,"ÃĬ":127229,"ãĥ¡ãĥ³":127230,"å®Ł":127231,"éļĽãģ«":127232,"ĠÑĢай":127233,"ãĤ¦ãĥ³":127234,"×Ļר×ķש":127235,"×Ļר×ķש׾×Ļ×Ŀ":127236,"มะ":127237,"Ġara":127238,"казаÑĤÑĮ":127239,"à¸ķัà¸Ķ":127240,"ÑĥÑİÑĤ":127241,"Ġüst":127242,"×Ĵ×ķ×ij":127243,"×Ĵ×ķ×ij×ķת":127244,"malı":127245,"егод":127246,"егоднÑı":127247,"اÙģÙĤ":127248,"à¸Ĭà¹Īà¸Ńà¸ĩ":127249,"Ġözellik":127250,"×Ļצ×ķר":127251,"ĠmiÄĻd":127252,"ĠiliÅŁ":127253,"ĠнаÑħод":127254,"×¢×ĸר":127255,"×ľ×Ľ×ª":127256,"ÙĨتاج":127257,"ĠÑģем":127258,"à¸Īà¹Īาย":127259,"à¸ķรว":127260,"à¸ķรวà¸Ī":127261,"פר×ķ":127262,"à¸Ĥัà¸ļ":127263,"ãģŀ":127264,"Ġпло":127265,"колÑĮ":127266,"×ŀ×¢×ĺ":127267,"íķĺìĭľ":127268,"jÄħce":127269,"ÙĨاÙĨ":127270,"ลีà¸ģ":127271,"нÑĥÑĤ":127272,"ĠобÑĢаз":127273,"Ùĥبر":127274,"ĠاÙĦÙĪØ·ÙĨ":127275,"ãģķãģĽãģ¦":127276,"ÙĤاء":127277,"×ŀ×ĵ×Ļ׳":127278,"yü":127279,"פ×Ļת":127280,"׳×ķף":127281,"ÙħÙĨظ":127282,"หà¸Ļัà¸ģ":127283,"ìŀĪ":127284,"ãĤ«ãĥ¼ãĥī":127285,"عÙĨÙĬ":127286,"под":127287,"ضاء":127288,"à¸Ļà¸ķà¹Į":127289,"×ŀשפ":127290,"วà¹Į":127291,"ר×ķק":127292,"สืà¹Īà¸Ń":127293,"פק×Ļ×ĵ":127294,"ãģªãĤīãģªãģĦ":127295,"ĠìŬ룬":127296,"ÙĦج":127297,"ÑīиÑĤ":127298,"ãĥĥãĤ·":127299,"ÙĦÙĬس":127300,"ĠÙĦÙħا":127301,"ìłij":127302,"×ij×Ļף":127303,"ãĥģãĤ§":127304,"Ġgüç":127305,"Ġchứ":127306,"×ķצ×IJ":127307,"קר×ij":127308,"à¹Ĥà¸ŀ":127309,"оÑĩно":127310,"סק×Ļ":127311,"ש׾×Ŀ":127312,"صرÙģ":127313,"ĠLÃł":127314,"×¢×Ļת":127315,"á»·":127316,"à¹Ĥà¸Ńà¸ģ":127317,"à¹Ĥà¸Ńà¸ģา":127318,"à¹Ĥà¸Ńà¸ģาส":127319,"Ġ×Ķ×ĵ×ijר":127320,"à¸Ļัà¹Īà¸Ļ":127321,"زر":127322,"нако":127323,"íļį":127324,"ãĤĤãģ¡":127325,"ãĤĤãģ¡ãĤį":127326,"ãĤĤãģ¡ãĤįãĤĵ":127327,"اÙħت":127328,"عداد":127329,"инÑĭ":127330,"ÅĤyw":127331,"à¸Ħà¸ĵะ":127332,"à¸Ĺะ":127333,"ktör":127334,"×Ļ×Ĺ×Ķ":127335,"Ġме":127336,"ĠмеÑģÑı":127337,"׳×Ķ×Ĵ":127338,"ĠÑģÑĥÑīеÑģÑĤв":127339,"à¸Ļัà¸Ļ":127340,"ÑĦÑĦ":127341,"екÑĤив":127342,"عÙĦÙĪÙħات":127343,"бÑĥд":127344,"à¸Ļัà¸ģà¸ĩาà¸Ļ":127345,"หà¸Ļà¹īาà¸Ĺีà¹Ī":127346,"ÙĤÙĬÙĤ":127347,"ãĤ·ãĥ³":127348,"ãģ«éĸ¢":127349,"×IJר×Ĵ":127350,"ĠпÑĢоÑĤ":127351,"ĠпÑĢоÑĤив":127352,"ĠìŀĪìĸ´":127353,"ÙĤÙĬÙĤØ©":127354,"ìĹĩ":127355,"kür":127356,"ãģ«ãģªãĤĬãģ¾ãģĹãģŁ":127357,"ĠдеÑıÑĤ":127358,"ĠдеÑıÑĤелÑĮ":127359,"פ×ķר×ĺ":127360,"à¸Łà¹īา":127361,"à¹Ģà¸ł":127362,"ĠавÑĤомаÑĤ":127363,"×ĸ×Ļק":127364,"Ġolduk":127365,"عاÙħ":127366,"ĠÑĤоÑĢ":127367,"yrıca":127368,"êÌ":127369,"ãĤŃãĥ³ãĤ°":127370,"ãģ«ãģ¨ãģ£ãģ¦":127371,"à¹Ģà¸īà¸ŀ":127372,"à¹Ģà¸īà¸ŀาะ":127373,"ãģ¯ãģļ":127374,"×ŀ×IJ×Ļ":127375,"สะà¸Ķ":127376,"สะà¸Ķวà¸ģ":127377,"ìľ¼ë©°":127378,"à¸ģี":127379,"ฬ":127380,"Ġ×¢×ķש":127381,"à¸łà¸²à¸©à¸²":127382,"à¸Ĺัà¸Ļ":127383,"acakt":127384,"acaktır":127385,"اعدة":127386,"ĠÑĥÑģлÑĥг":127387,"סר×ĺ":127388,"×ķ×ŀ×ķת":127389,"×Ķ×ķר":127390,"×ŀ×ķ×ij":127391,"×ŀ×ķ×ijף":127392,"سÙĬاس":127393,"اتÙģاÙĤ":127394,"×Ķצ׾":127395,"Ùħؤس":127396,"Ġpó":127397,"Ġкни":127398,"×Ļ׼×ķ׾":127399,"à¹Ģหลืà¸Ń":127400,"׼׾׼":127401,"׳×ĸ":127402,"ÑĪие":127403,"rès":127404,"ĠاÙĦØŃÙĤ":127405,"лÑıÑĢ":127406,"หà¸į":127407,"หà¸įิà¸ĩ":127408,"ר×Ĵ×Ļש":127409,"à¹Ģสà¹īà¸Ļ":127410,"ש×ij×ķף":127411,"ôtel":127412,"апÑĢ":127413,"апÑĢимеÑĢ":127414,"ابÙĦ":127415,"ĠÑĢазвиÑĤ":127416,"ĠполÑĮз":127417,"ĠСеÑĢ":127418,"×ķ×ij×Ļ":127419,"róż":127420,"ìĭŃ":127421,"ãĤ¯ãĥĪ":127422,"ãģĹãĤĪãģĨ":127423,"à¸ģรม":127424,"ØŃÙĥÙĪÙħ":127425,"à¹Ĥà¸ļ":127426,"à¸Ĺà¹īาย":127427,"ĠMá":127428,"ĠÑĤÑĭ":127429,"à¸Ħรัว":127430,"ÑĢÑĥб":127431,"ạp":127432,"ĠmÅĤ":127433,"ĠmÅĤod":127434,"ĠgörÃ¼ÅŁ":127435,"ĠgeliÅŁ":127436,"Æ°Æ¡i":127437,"×ŀשק":127438,"ÙĢÙĢÙĢÙĢ":127439,"ราว":127440,"ãģĹãģ£":127441,"ãģĹãģ£ãģĭãĤĬ":127442,"ĠÐļон":127443,"Ġkê":127444,"à¹Ĥà¸Ĺร":127445,"èIJ½ãģ¡":127446,"åĩºãģ¦":127447,"ลัà¸ģษ":127448,"Ġ×Ĵ×ij×ķ×Ķ":127449,"ãĥĻãĥ«":127450,"ê±°ëĤĺ":127451,"ë§IJ":127452,"×Ļ׾×ĵ×Ļ×Ŀ":127453,"ĠëĦĪ":127454,"×ŀר×Ļ":127455,"รส":127456,"ãĥŃãĥ³":127457,"ило":127458,"ноÑģÑĤÑĮÑİ":127459,"×ĸר×Ĺ":127460,"пон":127461,"Ġ×Ķש׾":127462,"ê²łìĬµëĭĪëĭ¤":127463,"ĠkiÅŁ":127464,"ĠÐļи":127465,"วร":127466,"داع":127467,"ÅŁim":127468,"ÙĨÙij":127469,"ваÑĤ":127470,"راÙĥ":127471,"باÙĦ":127472,"иде":127473,"Ġ×Ķ×ŀ×Ĺ":127474,"ìĸµ":127475,"تÙģاع":127476,"أت":127477,"ëĬĺ":127478,"ש×Ļת":127479,"ستÙħر":127480,"ĠÑĦак":127481,"ĠاÙĦØ£ÙħرÙĬ":127482,"ëŀ¨":127483,"اسÙħ":127484,"ĠaÄŁ":127485,"Ġçev":127486,"ÙĥÙĪر":127487,"ãģķãģ¾":127488,"Ġçöz":127489,"Ġرس":127490,"Äħda":127491,"สà¸Ļุ":127492,"ãģĹãģ¦ãģıãĤĮ":127493,"нÑİ":127494,"leÅŁme":127495,"ãĤªãĥ³":127496,"ãģ¨ãģªãĤĬ":127497,"avaÅŁ":127498,"×ĺ×Ļ×ij":127499,"ØŃض":127500,"×ķצ×IJ×ķת":127501,"ÙĨÙħÙĪ":127502,"ıt":127503,"ĠÑħа":127504,"ĠÑħаÑĢак":127505,"ĠÑħаÑĢакÑĤеÑĢ":127506,"ĠdÅĤ":127507,"ãĥĹãĥ©":127508,"à¸Ĭุม":127509,"à¹Īà¸Ńà¸Ļ":127510,"×ķ×ij׾":127511,"Ñģол":127512,"×ĵ×Ĵ":127513,"аÑĢаÑĤ":127514,"nivers":127515,"ĠgerçekleÅŁtir":127516,"ĠاÙĦÙĦÙĬ":127517,"ระยะ":127518,"ĠÙħختÙĦÙģ":127519,"Ġgönder":127520,"Ùģار":127521,"doÄŁ":127522,"doÄŁan":127523,"صÙĦاØŃ":127524,"Ġyayın":127525,"ãĥĨãĥ³":127526,"รวà¸Ī":127527,"×Ļ×Ĺ×Ļ×ĵ":127528,"ünkü":127529,"ÑĨиалÑĮн":127530,"à¸ļู":127531,"มุ":127532,"hä":127533,"Ø®Ùģ":127534,"å¢Ĺ":127535,"å¢ĹãģĪ":127536,"еÑĩно":127537,"ĠاÙĦسÙĨ":127538,"à¸Ĥาว":127539,"imdi":127540,"Ы":127541,"à¸Ļà¸Ńà¸ģà¸Īาà¸ģ":127542,"à¸ļาล":127543,"תש":127544,"Ġdüzenle":127545,"мÑĭÑģл":127546,"ãģıãģª":127547,"żu":127548,"ĠwspóÅĤ":127549,"Ġназ":127550,"ındaki":127551,"ترة":127552,"ÅŁek":127553,"Ġöd":127554,"ĠÙĪÙĥ":127555,"ĠпозволÑı":127556,"Ġת×ķ׼":127557,"ÙħÙĨتج":127558,"ë§ī":127559,"ĠاÙĦØ«ÙĦاث":127560,"аÑĨиÑİ":127561,"ÙĪرÙĪ":127562,"ÑĭваеÑĤ":127563,"خصص":127564,"ĠاÙĦÙģÙĦ":127565,"ĠاÙĦÙģÙĦسطÙĬÙĨ":127566,"إجر":127567,"إجراء":127568,"اÙĨتخ":127569,"اÙĨتخاب":127570,"ارÙĬØ©":127571,"×ķÖ":127572,"Ø¢ÙĨ":127573,"×ŀ×¢×ķת":127574,"Ġмал":127575,"Ġ×IJ×Ĺ":127576,"à¸Ĺà¹īà¸Ńà¸ĩ":127577,"zeÅĽ":127578,"Ġë§Įëĵ¤":127579,"رÙĬع":127580,"äºĭãĤĴ":127581,"à¸ļริหาร":127582,"׾×ŀ×Ļ×ĵ":127583,"ĠмÑĥж":127584,"ترÙĪ":127585,"ĠباÙĦØ¥":127586,"פ×Ļק":127587,"زÙħØ©":127588,"ĠÃ¶ÄŁrenc":127589,"ãĥ¶":127590,"اÙħعة":127591,"ק×ij×ķצ":127592,"×ŀ׳×ķת":127593,"رÙĬÙħ":127594,"Ġоказ":127595,"ãģłãģijãģ©":127596,"Ġhız":127597,"Ġש×IJת":127598,"ãĤ¢ãĥ¼":127599,"Ġmożliwo":127600,"ìĦ¼":127601,"ÙĪاب":127602,"огÑĢаÑĦ":127603,"ĠعبداÙĦ":127604,"ãĤĴè¡Į":127605,"بÙĬÙĦ":127606,"Ġİç":127607,"ยาย":127608,"ĠÑĥÑĩаÑģÑĤ":127609,"ÑĦеÑģÑģ":127610,"ÑĦеÑģÑģиона":127611,"Ấ":127612,"ÙĨÙĬÙĨ":127613,"عدÙĦ":127614,"สรร":127615,"دÙĬÙĦ":127616,"×ij×Ļק":127617,"czyÅĤ":127618,"ÑĢоме":127619,"Ġмед":127620,"ìĻĶ":127621,"ãĥ©ãĤ¤ãĥ³":127622,"ĠÑĤеп":127623,"еÑĢÑĮ":127624,"iÄŁi":127625,"вели":127626,"ÑĢиÑģÑĤ":127627,"ס×ķפ":127628,"×ŀ׾×Ĺ":127629,"ĠاÙĦØ¥ÙĨ":127630,"Ġ׾×Ķש":127631,"è¶ĬãģĹ":127632,"ĠÑĢÑĭ":127633,"×ķ×IJר":127634,"رÙĩاب":127635,"פ×ķ×IJ×Ļ":127636,"ĠгоÑģÑĥд":127637,"ĠгоÑģÑĥдаÑĢ":127638,"ĠгоÑģÑĥдаÑĢÑģÑĤв":127639,"ĠاÙĦØ£ÙħÙĬر":127640,"Ùħج":127641,"à¹Ģหมาะ":127642,"ÑĢев":127643,"à¸Ĭีà¸ŀ":127644,"ãĥķãĥĪ":127645,"иÑĩно":127646,"ĠاÙĦÙħؤ":127647,"Ġiht":127648,"íħľ":127649,"دÙĨÙĬ":127650,"رص":127651,"лаÑģÑĤ":127652,"à¹Ģหลà¹Īา":127653,"ılır":127654,"รà¸ĵà¹Į":127655,"×ŀש×Ļ×ļ":127656,"Ġdá»ĭ":127657,"Ø·ÙģاÙĦ":127658,"×ĺ×ķף":127659,"Ġ×ij×Ļ׳":127660,"ãģ¾ãģ£ãģŁ":127661,"ложениÑı":127662,"تØŃر":127663,"باØŃ":127664,"à¹Ģสืà¹īà¸Ń":127665,"ãģĻãģĶ":127666,"ltür":127667,"à¸ĩาม":127668,"Ġtü":127669,"ĠпÑĢим":127670,"ĠпÑĢимен":127671,"Ġhayat":127672,"ëĥIJ":127673,"ëĭĮ":127674,"׳×Ļ×ķ":127675,"веден":127676,"ìħ¨":127677,"à¸Īัย":127678,"à¸ģà¹Īà¸Ń":127679,"Ġвод":127680,"оÑģÑĤоÑı":127681,"наÑĤ":127682,"à¹ģหล":127683,"سÙħÙĬ":127684,"à¸Ķำà¹Ģà¸Ļ":127685,"à¸Ķำà¹Ģà¸Ļิà¸Ļ":127686,"wód":127687,"öyle":127688,"ãĥĢãĤ¤":127689,"ÑĪий":127690,"меÑīен":127691,"ãģĹãģ¾ãģĨ":127692,"ãĥīãĥ©":127693,"ÙĪضØŃ":127694,"à¸Ńà¸Ļุ":127695,"ĠاÙĦاجتÙħاع":127696,"laÅŁma":127697,"à¸Ħà¸Ńà¸Ļ":127698,"×ŀר×Ļ×Ŀ":127699,"ÙĨاÙħج":127700,"שר×ķת":127701,"اÙĦØ£":127702,"ĠksiÄħż":127703,"Ġан":127704,"ÑĢай":127705,"اÙĩرة":127706,"×ŀ×ĵ×Ķ":127707,"ä¸Ģç·":127708,"ä¸Ģç·Ĵ":127709,"ä¸Ģç·Ĵãģ«":127710,"ÑĢиÑĤоÑĢ":127711,"dıkl":127712,"à¹ģà¸ĸ":127713,"à¹ģà¸Ĥà¹Īà¸ĩ":127714,"екÑĤоÑĢ":127715,"×ŀסע":127716,"ÑĢакÑĤи":127717,"uÄŁu":127718,"×ķ×ijת":127719,"สูà¸ķร":127720,"ĠçalÄ±ÅŁm":127721,"ĠçalÄ±ÅŁmalar":127722,"Ġана":127723,"ãĥĽãĥ¼ãĥł":127724,"Ġbölüm":127725,"Ġبص":127726,"олоÑģ":127727,"ĠìķĬëĬĶ":127728,"à¹Īะ":127729,"ÙĪتر":127730,"ä¹Ĺ":127731,"ستخداÙħ":127732,"פ×Ļ×Ļס":127733,"פ×Ļ×Ļס×ij":127734,"פ×Ļ×Ļס×ij×ķק":127735,"ĠкÑĢаÑģ":127736,"лик":127737,"رÙĬØŃ":127738,"×ŀש׾×Ķ":127739,"à¹Ģยีà¹Īย":127740,"à¹Ģยีà¹Īยม":127741,"виÑģ":127742,"омн":127743,"ÄŁun":127744,"ãĥŃãĥ¼ãĥ³":127745,"أتÙĬ":127746,"à¸ķรี":127747,"çĶ³ãģĹ":127748,"تÙħر":127749,"ìĹĪìĬµëĭĪëĭ¤":127750,"ĠÙĪغÙĬر":127751,"redni":127752,"ĠاÙĦصÙģ":127753,"ĠнаÑģÑĤоÑı":127754,"ĠнаÑģÑĤоÑıÑī":127755,"à¸ķรา":127756,"ĠÑĥÑģлов":127757,"ĠÑĥÑģловиÑı":127758,"ÑĨеп":127759,"×Ķ×Ĺ׾×ĺ":127760,"Ø·ÙĬع":127761,"ĠBakan":127762,"ĠاÙĦرÙĪ":127763,"илÑĮно":127764,"ĠмеÑĤ":127765,"à¸Ķà¸Ńà¸ģ":127766,"ãģĭãĤīãģªãģĦ":127767,"ĠпоÑģÑĤоÑı":127768,"ĠпоÑģÑĤоÑıн":127769,"ĠÑĩаÑģ":127770,"üc":127771,"wró":127772,"бÑĥÑĢ":127773,"ãĥIJãĥĥãĤ¯":127774,"ãĥ©ãĥ³ãĥī":127775,"ĠогÑĢ":127776,"สัà¸į":127777,"สัà¸įà¸įา":127778,"มัà¹Īà¸Ļ":127779,"à¸Ħà¸Ńม":127780,"alık":127781,"Ġнед":127782,"ümüz":127783,"ĠÅĽwie":127784,"ério":127785,"×Ļ×IJ×Ķ":127786,"دÙħات":127787,"ırl":127788,"ĠоÑĤз":127789,"ĠоÑĤзÑĭв":127790,"ä»ĺãģį":127791,"Ġkażde":127792,"миниÑģÑĤ":127793,"ãĤ°ãĥ«":127794,"ë°ĸ":127795,"езн":127796,"اÙĦÙģ":127797,"Ġשק׾":127798,"Ùħض":127799,"ãĥĿãĥ¼ãĥĪ":127800,"ÙħÙĨت":127801,"ÙĤÙĬاÙħ":127802,"Ø´ÙĨ":127803,"×Ļר×ķ×¢":127804,"ãĤŃãĥ£ãĥ³":127805,"доÑĢов":127806,"×ŀ×Ļת×Ļ":127807,"ÙĪÙĦÙĪج":127808,"ÙĥاÙģ":127809,"ĠÑĢазлиÑĩ":127810,"иÑĤеÑĤ":127811,"нолог":127812,"ลà¸ĩà¸Ĺุà¸Ļ":127813,"ĠyaklaÅŁ":127814,"ãĥ¬ãĤ¤":127815,"ê²łëĭ¤":127816,"æ±ĤãĤģ":127817,"رÙĪÙģ":127818,"ĠíĬ":127819,"ĠíĬ¹":127820,"ãģ£ãģıãĤĬ":127821,"à¸Ħวามà¸Ħิà¸Ķ":127822,"×Ķ×Ļס×ĺ":127823,"Ø¥ÙĤ":127824,"ãģ¦ãģĦ":127825,"à¹Ĥà¸Ĭ":127826,"ĠBüyük":127827,"ĠФедеÑĢ":127828,"ÑĨин":127829,"ÑĢова":127830,"ĠاÙĦاÙĤتصاد":127831,"Ġchá":127832,"à¸ĺาà¸Ļ":127833,"ë¥ł":127834,"à¹Ħà¸ķ":127835,"ÃŃpio":127836,"Ùĭا":127837,"ĠобÑıз":127838,"Ùĩج":127839,"Ġì¤ijìļĶ":127840,"ãģ®ãģ§ãģ¯ãģªãģĦ":127841,"باراة":127842,"ãĤ¤ãĥ«":127843,"ĠноÑĢм":127844,"á»īnh":127845,"mö":127846,"möglich":127847,"ÑĨип":127848,"ãĤ¢ãĤ¯":127849,"×Ķ×Ļ":127850,"ÑĨиалÑĮно":127851,"ĠÅĽwi":127852,"تÙĤ":127853,"ĠÑģÑĤоим":127854,"بÙĬعÙĬ":127855,"Ġ׾ש×ŀ":127856,"глÑı":127857,"глÑıд":127858,"ãģ¦ãģıãĤĮ":127859,"ÄĻdzi":127860,"à¸Ĥั":127861,"à¸Ĥัà¹īà¸Ļ":127862,"Ø·ÙĤ":127863,"ĠìĹŃ":127864,"ãģ£ãģ¦ãģĹãģ¾ãģĨ":127865,"ĠdeÄŁerl":127866,"ĠdeÄŁerlendir":127867,"Ġülk":127868,"Ġмног":127869,"à¹ĭ":127870,"ë¿IJ":127871,"ĠУкÑĢа":127872,"ÄŁini":127873,"Ġбезоп":127874,"ĠбезопаÑģ":127875,"à¸Ńà¸Ńà¸ģà¹ģà¸ļà¸ļ":127876,"اظ":127877,"ØŃداث":127878,"леÑĢ":127879,"×Ļ×¥":127880,"×Ļ׳×ĺר׳×ĺ":127881,"larınız":127882,"ØŃÙĬØŃ":127883,"żeli":127884,"à¸Ńัà¸ĩ":127885,"à¸Ńัà¸ĩà¸ģ":127886,"à¸Ńัà¸ĩà¸ģฤษ":127887,"ĠоÑĤлиÑĩ":127888,"ัส":127889,"ëŀį":127890,"ожно":127891,"ãĤ¹ãĥĿ":127892,"ĠÑħоÑĩ":127893,"Ġкап":127894,"еÑĩен":127895,"ØŃÙĦØ©":127896,"ÙĬاÙĩ":127897,"нал":127898,"×ķצר×Ļ×Ŀ":127899,"Ġkald":127900,"åĥį":127901,"ĠاÙĦشخص":127902,"Ġзна":127903,"Ġwzgl":127904,"życz":127905,"ê°Ŀ":127906,"à¸ŀลัà¸ĩ":127907,"íģ¼":127908,"Ġöl":127909,"Ġbụ":127910,"Ø´Ùĩر":127911,"Ġзам":127912,"Ġдев":127913,"×Ļ×ĺת":127914,"تعÙĦÙĤ":127915,"ÙĪÙħØ©":127916,"ãĤĴä½ľ":127917,"ãģįãģ¦":127918,"íĥĿ":127919,"rasında":127920,"ãĤĴæİ¢":127921,"ĠÙħباشر":127922,"راجع":127923,"Ġвозд":127924,"ÙħØŃا":127925,"×ķשר":127926,"ĠиÑģÑĤоÑĢ":127927,"มัà¸ģ":127928,"tıģ":127929,"ثار":127930,"ترÙĨت":127931,"à¹ģà¸Ĥà¹ĩ":127932,"à¹ģà¸Ĥà¹ĩà¸ĩ":127933,"поÑĩ":127934,"Ġ×ij×IJ×ķת":127935,"ë¯Ģ":127936,"ëĿ¼ëıĦ":127937,"à¸Ĭัà¸Ķ":127938,"สà¸ķà¹Į":127939,"ãĥĭãĥĥãĤ¯":127940,"иденÑĤ":127941,"ĠгÑĢÑĥпп":127942,"تخ":127943,"áºł":127944,"ยืà¸Ļ":127945,"ยัà¸Ļ":127946,"óry":127947,"TÃľ":127948,"ãģĹãĤĥ":127949,"ĠпÑĢовед":127950,"лÑıеÑĤ":127951,"ÙħØ®":127952,"ยà¸Ńม":127953,"×Ľ×ł×¡×ª":127954,"ĠاÙĦÙħÙĨت":127955,"Ġolmad":127956,"ר׼×ĸ×Ļ":127957,"ĠвÑģÑĤÑĢ":127958,"ĠиÑģÑģлед":127959,"ÑĤвеÑĢж":127960,"بدÙĪ":127961,"еÑĢÑĤ":127962,"ï»·":127963,"±ħ":127964,"สัมà¸ŀัà¸Ļà¸ĺà¹Į":127965,"ิà¹Īà¸Ļ":127966,"צ×Ļ×ij":127967,"wiÄĻt":127968,"Ġì°¸":127969,"ĠzwiÄħz":127970,"سبÙĪع":127971,"ãĥĥãĤ°":127972,"à¸Ľà¸¥à¸Ńà¸Ķ":127973,"à¸Ľà¸¥à¸Ńà¸Ķà¸łà¸±à¸¢":127974,"ãĤĤãĤĬ":127975,"ÙĤدس":127976,"Ġsprz":127977,"Ġsprzeda":127978,"Ġistedi":127979,"Ġkhu":127980,"Ġден":127981,"ĠkoÅĦ":127982,"Ġ×ij×Ĺ×Ļ":127983,"à¹Ģà¸Ĺà¹īา":127984,"×ķס×Ļ×£":127985,"ãĥĭãĥ¥ãĥ¼":127986,"ĠпÑĢедоÑģÑĤ":127987,"ĠпÑĢедоÑģÑĤав":127988,"à¹Ĥà¸Ł":127989,"év":127990,"ĠاÙĦصØŃ":127991,"صØŃاب":127992,"à¹Ģà¸Īà¹ĩà¸ļ":127993,"влек":127994,"วัà¸ķ":127995,"à¸ĸุ":127996,"ãģĵãģ¨ãģĮãģ§ãģįãģ¾ãģĻ":127997,"ÙĤÙĬÙĤÙĬ":127998,"×ķ×Ĺר":127999,"ÑĭÑĪ":128000,"ĠоÑĤно":128001,"ĠоÑĤноÑĪ":128002,"обилÑĮ":128003,"ÙģØŃ":128004,"ınt":128005,"ıntı":128006,"Ġ׾×ij×ĵ":128007,"íİĺìĿ´ì§Ģ":128008,"ãĥĬãĥ«":128009,"ĠÙħساء":128010,"×Ļ×ĺ×ij":128011,"ÑĮеÑĢ":128012,"ëĦ·":128013,"ÑĭÑĤа":128014,"ĠоÑĩеÑĢ":128015,"à¸Ķืà¹Ī":128016,"à¸Ķืà¹Īม":128017,"ĠNgh":128018,"تعب":128019,"ÙĦاÙĤات":128020,"×ķ׾×ķ×Ĵ×Ļ×Ķ":128021,"ĠìĿ´ê²ĥ":128022,"Ġ×Ķ×ijר":128023,"ìľµ":128024,"à¹Ģà¸Ħลืà¹Īà¸Ńà¸Ļ":128025,"ÙĩØ©":128026,"à¸Īำà¹Ģà¸Ľà¹ĩà¸Ļ":128027,"å¤īãģĪ":128028,"wiÅĽcie":128029,"chod":128030,"chodzÄħ":128031,"вÑĢо":128032,"×ŀ×Ĺ×Ļר":128033,"Ġyı":128034,"Ġyıll":128035,"ì¡Į":128036,"à¹Ħหว":128037,"ãģªãģıãģª":128038,"ĠзавиÑģ":128039,"ĠìĺĪìĪĺ":128040,"ÙģØ°":128041,"ủng":128042,"à¸ŀุà¸Ĺà¸ĺ":128043,"зн":128044,"layan":128045,"ãĤ¡":128046,"à¸ģà¹ĩà¸ķาม":128047,"ĠsaÄŁlam":128048,"รà¸ĵ":128049,"ĠÑģиÑĤ":128050,"ĠÑģиÑĤÑĥ":128051,"ĠاÙĦتÙĨ":128052,"×Ķ×ĸ":128053,"ĠØ·ÙĪÙĬÙĦ":128054,"taÅĤ":128055,"Ġgörd":128056,"å¤īãĤı":128057,"ëĥ¥":128058,"à¸Ħà¹Īà¸Ńย":128059,"×IJ×ķ×ĺ":128060,"ëħIJ":128061,"ãĥ©ãĥ³ãĤ¹":128062,"วัà¸Ĵ":128063,"วัà¸Ĵà¸Ļ":128064,"ĠoluÅŁ":128065,"פע×ķ׾":128066,"ĠszczegóÅĤ":128067,"à¸Ħาสิ":128068,"à¸Ħาสิà¹Ĥà¸Ļ":128069,"powied":128070,"ĠÑĤеб":128071,"หà¸Ļà¹Īวย":128072,"Ġмил":128073,"ØŃÙĥ":128074,"à¸Ĺà¸Ķ":128075,"ĠмаÑĤеÑĢиал":128076,"ÅĤow":128077,"à¹Ģà¸ģีย":128078,"ĠÑģовеÑĢ":128079,"ãĤ©":128080,"à¸Ľà¸£à¸´":128081,"ĠиÑİ":128082,"наÑĩен":128083,"ÑĢенд":128084,"muÅŁtur":128085,"ĠпÑĢодÑĥк":128086,"зд":128087,"ÑıÑĤи":128088,"ÑıÑĤиÑı":128089,"à¹Ģมีย":128090,"راتÙĬج":128091,"Ġamacı":128092,"ש×ķ׾":128093,"ש×ķ׾×Ĺ":128094,"สะà¸Ńา":128095,"สะà¸Ńาà¸Ķ":128096,"פ×Ĵ×¢":128097,"عبة":128098,"dın":128099,"íħĶ":128100,"Ġ×ŀש×Ĺק":128101,"Ġfiyat":128102,"ĠзаÑı":128103,"ĠзаÑıв":128104,"à¹Ĥหล":128105,"à¹Ĥหลà¸Ķ":128106,"à¸ģรุà¸ĩà¹Ģà¸Ĺà¸ŀ":128107,"צ×Ļ×Ļף":128108,"ìļ±":128109,"Ùħب":128110,"Ùħباد":128111,"landır":128112,"ĠвеÑģÑĮ":128113,"Ġhük":128114,"ĠÐĴоз":128115,"ÑĩиÑĤÑĭва":128116,"วล":128117,"×ķצע":128118,"à¸Ĥà¸ĵะà¸Ĺีà¹Ī":128119,"ĠaÅŁaģı":128120,"׾×IJ×ķ×ŀ×Ļ":128121,"trzym":128122,"Ã¤ÃŁig":128123,"owoÅĽci":128124,"ãģĿãĤĤ":128125,"ĠrozwiÄħz":128126,"ĠgÅĤówn":128127,"монÑĤ":128128,"×ŀ×ķ×ŀ":128129,"ĠÑģÑĤан":128130,"ÙĦاÙĤØ©":128131,"prowad":128132,"prowadzi":128133,"ĠÑģоÑģÑĤоÑı":128134,"×Ļ×IJ×ķת":128135,"rı":128136,"gı":128137,"ãĥijãĥij":128138,"ĠналиÑĩ":128139,"×Ķצע":128140,"Ġ׳×Ķ":128141,"à¸Ħัà¸ļ":128142,"عراض":128143,"иж":128144,"ÙĩائÙĬ":128145,"ãĤīãģı":128146,"ожеÑĤ":128147,"ĠобоÑĢ":128148,"ĠобоÑĢÑĥд":128149,"أسÙĦ":128150,"à¹ĩà¸Ķ":128151,"ÑĢÑĥÑĤ":128152,"دÙĬÙħÙĤ":128153,"دÙĬÙħÙĤرا":128154,"Ġjeste":128155,"×ķ×ķ×Ļר":128156,"×ij×ĵ×Ļק":128157,"деÑĢжива":128158,"ãģĬãģı":128159,"ewnÄĻtr":128160,"ewnÄĻtrzn":128161,"à¸ŀฤ":128162,"Ġ×IJ×ķ×Ķ":128163,"ת×Ĺ×ķש":128164,"Ġzob":128165,"дÑĥм":128166,"ĠÑģÑĭ":128167,"ÙĬرا":128168,"ĠwiÄĻks":128169,"à¹ģà¸ķà¸ģà¸ķà¹Īาà¸ĩ":128170,"lararas":128171,"lararası":128172,"íĺĢ":128173,"ëī´":128174,"×ķ×Ĵ׾":128175,"ĠоÑĤмеÑĤ":128176,"ĠÑĢан":128177,"تÙĥÙĦ":128178,"иÑĤелÑĮн":128179,"à¸Ľà¸£à¸°à¸§à¸±":128180,"à¸Ľà¸£à¸°à¸§à¸±à¸ķิ":128181,"ìŀĸ":128182,"можно":128183,"pieczeÅĦ":128184,"pieczeÅĦst":128185,"못":128186,"ìĬ¨":128187,"×ŀס×ŀ":128188,"Ủ":128189,"ศิ":128190,"ศิล":128191,"à¸¨à¸´à¸¥à¸Ľ":128192,"ĠÅļw":128193,"ãĥĥãĤ·ãĥ§ãĥ³":128194,"unitÃł":128195,"Ġmieszka":128196,"ĠmieszkaÅĦ":128197,"przed":128198,"przedsi":128199,"przedsiÄĻb":128200,"przedsiÄĻbior":128201,"à¸Ľà¸£à¸°à¸ªà¸´à¸Ĺà¸ĺิ":128202,"à¸Ľà¸£à¸°à¸ªà¸´à¸Ĺà¸ĺà¸´à¸łà¸²à¸ŀ":128203,"ยà¹Ī":128204,"ìķĻ":128205,"รวà¸Ķ":128206,"รวà¸Ķà¹Ģรà¹ĩว":128207,"å½ĵãģŁãĤĬ":128208,"älle":128209,"ÑĥеÑĤÑģÑı":128210,"ãn":128211,"ëłµ":128212,"thè":128213,"ãĤĴåĪ©çĶ¨":128214,"ìµľ":128215,"íĵ¨":128216,"à¸Ĺัà¸ļ":128217,"าà¸Ħม":128218,"ãģĩ":128219,"ëĤĮ":128220,"à¹Ģà¸Ľà¸¥à¹Īา":128221,"â¦":128222,"ë¾":128223,"êĢ":128224,"êĩ":128225,"â¡":128226,"ðŁŁ":128227,"ãIJ":128228,"âº":128229,"áŃ":128230,"áĻ":128231,"áĵ":128232,"á²":128233,"ðĵı":128234,"á¬":128235,"â¯":128236,"ä¨":128237,"êĿ":128238,"ê«":128239,"ðij":128240,"ðĵĥ":128241,"ðĿħ":128242,"":128244,"":128245,"":128247,"ĠعÙĦÙī":128248,"Ġmá»Ļt":128249,"ĠvỼi":128250,"ĠngÆ°á»Ŀi":128251,"ĠØ¥ÙĦÙī":128252,"Ġnhững":128253,"Ġthá»ĥ":128254,"Ġ×IJ×ķ":128255,"Ġ×¢×Ŀ":128256,"اÙĭ":128257,"Ġà¹ģละ":128258,"ĠÙĦا":128259,"ĠnhÆ°":128260,"ĠاÙĦتÙĬ":128261,"Ġ×Ķ×ķ×IJ":128262,"ĠÄijến":128263,"ĠØ£ÙĪ":128264,"Ġvá»ģ":128265,"ĠlÃłm":128266,"Ġsẽ":128267,"ĠcÅ©ng":128268,"Ġợ":128269,"ĠÄijó":128270,"Ġnhiá»ģu":128271,"Ġtại":128272,"Ġtrên":128273,"Ġ×Ĵ×Ŀ":128274,"ĠnhÃł":128275,"Ġ׼×Ļ":128276,"Ġsá»±":128277,"ĠÄijầu":128278,"Ġbá»ĭ":128279,"ĠÙĩذا":128280,"Ġnhất":128281,"Ġphải":128282,"Ġhiá»ĩn":128283,"Ġdụng":128284,"ĠÄijá»Ļng":128285,"ĠاÙĦÙĦÙĩ":128286,"ĠØĮ":128287,"ĠÙĥÙĦ":128288,"Ġviá»ĩc":128289,"ĠnÄĥm":128290,"Ġthì":128291,"Ġhá»įc":128292,"ĠÙĪت":128293,"té":128294,"ĠاÙĨ":128295,"Ġtôi":128296,"Ġ×IJ׳×Ļ":128297,"Ġ׾×Ļ":128298,"Ġ×ŀ×ķ":128299,"ĠngÃły":128300,"ĠnÆ°á»Ľc":128301,"Ġ×Ķ×Ļ×IJ":128302,"Ġ×IJ×Ļ":128303,"ĠhÆ¡n":128304,"ĠÙĩØ°Ùĩ":128305,"ĠÙĪÙĬ":128306,"ĠاÙĦØ°ÙĬ":128307,"Ġ×ķ×ŀ":128308,"Ġgiá":128309,"Ġnhân":128310,"ĠchÃŃnh":128311,"Ġmình":128312,"ĠÐĿа":128313,"Ġthế":128314,"Ġ×Ļ×ķתר":128315,"Ġ×IJ×Ŀ":128316,"Ġnên":128317,"Ġhợ":128318,"Ġhợp":128319,"Ġcòn":128320,"ĠÙĩÙĪ":128321,"ĠcÆ¡":128322,"Ġrất":128323,"ĠViá»ĩt":128324,"Ġبعد":128325,"Ġש×Ļ":128326,"Ġthá»Ŀi":128327,"Ġcách":128328,"ĠÄijá»ĵng":128329,"Ġно":128330,"ĠtrÆ°á»Ŀng":128331,"ØŁ":128332,"ĠÄijá»ĭnh":128333,"ĠÄijiá»ģu":128334,"×Ļ×Ļ×Ŀ":128335,"Ġthá»±c":128336,"nın":128337,"Ġhình":128338,"Ġnói":128339,"Ġcùng":128340,"Ġ×Ķ×Ķ":128341,"ĠØ¥ÙĨ":128342,"Ġ×IJ×ij׾":128343,"ĠnhÆ°ng":128344,"Ġbiết":128345,"Ġже":128346,"Ġchúng":128347,"ĠÄijang":128348,"ĠØ°ÙĦÙĥ":128349,"Ġlên":128350,"Ġkhách":128351,"ĠnÃło":128352,"Ġsá»Ń":128353,"Ġkhác":128354,"Ġë°ı":128355,"Ġlý":128356,"×Ļ×Ļ":128357,"ĠÄijây":128358,"Ġ׾×ŀ":128359,"Ġcần":128360,"Ġtrình":128361,"Ġphát":128362,"ãģ«ãĤĤ":128363,"по":128364,"ĠnÄĥng":128365,"Ġbá»Ļ":128366,"Ġvụ":128367,"ĠÄijá»Ļ":128368,"Ñĩе":128369,"ĠnháºŃn":128370,"ĠtrÆ°á»Ľc":128371,"Ġ×¢×ĵ":128372,"ĠhÃłnh":128373,"ĠØ®ÙĦاÙĦ":128374,"Ġlượng":128375,"Ġcấp":128376,"Ġtá»±":128377,"Ġvì":128378,"ĠtÆ°":128379,"Ġchất":128380,"Ġ׼×ŀ×ķ":128381,"Ġgì":128382,"Ġש׳":128383,"Ġtế":128384,"ת×ķ":128385,"Ġnghiá»ĩp":128386,"Ġmặt":128387,"ĠÙĥÙħا":128388,"Ġ×ij×Ļף":128389,"Ġרק":128390,"Ġthấy":128391,"Ġmáy":128392,"ĠÙģÙī":128393,"Ġdân":128394,"Ġ×IJ×Ĺ×ĵ":128395,"Ġtâm":128396,"Ġ׼×ļ":128397,"Ġ׾×ķ":128398,"во":128399,"Ġtác":128400,"ĠtoÃłn":128401,"ĠÙĪÙħ":128402,"Ġkết":128403,"Ġหรืà¸Ń":128404,"ĠÙĪاÙĦÙħ":128405,"ĠÄijiá»ĥm":128406,"Ġ×ĸ×ķ":128407,"Ġ×ij×ķ":128408,"׼×ķת":128409,"Ġhá»Ļi":128410,"Ġbằng":128411,"تÙĩا":128412,"Ġ׼×ĵ×Ļ":128413,"Ġ×Ķ×Ŀ":128414,"Ġxuất":128415,"ĠÙĤد":128416,"Ġbảo":128417,"Ġtá»ijt":128418,"Ġtình":128419,"ĠÙĩÙĬ":128420,"ĠÄijá»iji":128421,"Ġthiết":128422,"Ġhiá»ĩu":128423,"Ġtiếp":128424,"Ġtạo":128425,"ת×Ķ":128426,"Ġchủ":128427,"oÅĽÄĩ":128428,"Ġgiú":128429,"Ġgiúp":128430,"Ġý":128431,"Ġquả":128432,"Ġloại":128433,"Ġcô":128434,"Ġô":128435,"Ġông":128436,"Ġ×Ķ×ķ":128437,"ĠاÙĦÙĬÙĪÙħ":128438,"ĠtÃŃnh":128439,"га":128440,"Ġphòng":128441,"ĠÄĥn":128442,"ĠعاÙħ":128443,"Ġvá»ĭ":128444,"larını":128445,"rÃŃa":128446,"ĠtỼi":128447,"ĠÄijÆ°á»Ŀng":128448,"ĠgiỼi":128449,"Ġbản":128450,"Ġcầu":128451,"Ġnhiên":128452,"Ġbá»ĩnh":128453,"ĠthÆ°á»Ŀng":128454,"Ġ×IJ×Ļף":128455,"ĠÄijá»ģ":128456,"Ġhá»ĩ":128457,"Ġ×Ļשר×IJ׾":128458,"Ġquá":128459,"ĠÐĹа":128460,"ãģ®ãģ§ãģĻãģĮ":128461,"ĠÐŁÑĢи":128462,"Ġphần":128463,"ĠÙĪÙĦا":128464,"ĠlỼn":128465,"Ġtrá»ĭ":128466,"Ġcảm":128467,"Ġмо":128468,"Ġdùng":128469,"ĠاÙĦÙī":128470,"ĠعÙĦÙĬÙĩ":128471,"ĠìŀĪìĬµëĭĪëĭ¤":128472,"ÙĬÙĤ":128473,"ĠÙĤبÙĦ":128474,"Ġhoặc":128475,"ĠØŃÙĬØ«":128476,"Ġà¸Ĺีà¹Ī":128477,"ĠغÙĬر":128478,"ĠÄijại":128479,"Ġsá»ijng":128480,"нÑĭми":128481,"Ġthức":128482,"Ġפ×Ļ":128483,"ĠÄijiá»ĩn":128484,"ãģªãģĭãģ£ãģŁ":128485,"Ġgiải":128486,"Ġvẫn":128487,"ĠиÑħ":128488,"Ġönce":128489,"ĠváºŃy":128490,"Ġmuá»ijn":128491,"Ġảnh":128492,"à¹ĥà¸Ļà¸ģาร":128493,"ĠQuá»ijc":128494,"Ġkế":128495,"׳×IJ":128496,"Ġס×Ļ":128497,"Ġyêu":128498,"ãģ®ãģĭ":128499,"ĠÄijẹ":128500,"ĠÄijẹp":128501,"Ġchức":128502,"Ġyıl":128503,"ĠTürkiye":128504,"dé":128505,"ĠÙĤاÙĦ":128506,"Ġdá»ĭch":128507,"ĠolduÄŁu":128508,"Ġchá»įn":128509,"ĠتÙħ":128510,"หà¸Ļึà¹Īà¸ĩ":128511,"ãģķãĤĮãģŁ":128512,"Ġpháp":128513,"ìĽĶ":128514,"Ġtiá»ģn":128515,"ãģĹãģ¾ãģĹãģŁ":128516,"Ġש׾×IJ":128517,"ÙĦØ©":128518,"Ġ׾פ׳×Ļ":128519,"Ġ×ij×Ļת":128520,"ĠHÃł":128521,"ĠØŃت":128522,"ĠØŃتÙī":128523,"Ġ×¢×ķ×ĵ":128524,"Ġnó":128525,"Ġtháng":128526,"à¹Ģลืà¸Ńà¸ģ":128527,"ר×Ķ":128528,"ĠtÄĥng":128529,"Ġcái":128530,"Ġtriá»ĥn":128531,"Ġ×IJ×ķת×ķ":128532,"ìłģìĿ¸":128533,"ĠCông":128534,"Ġ׾×Ķ×Ļ×ķת":128535,"Ġгода":128536,"иÑİ":128537,"Ġبعض":128538,"Ġà¸ģาร":128539,"èī¯ãģĦ":128540,"ÙĪت":128541,"Ġliên":128542,"ĠÐĿо":128543,"ĠÐĿе":128544,"çļĦãģª":128545,"ĠÙħت":128546,"ĠÑĤакже":128547,"ĠкоÑĤоÑĢÑĭе":128548,"Ġ×Ļ×ĵ×Ļ":128549,"Ġtrá»įng":128550,"ãĤµãĤ¤ãĥĪ":128551,"ìłģìľ¼ë¡ľ":128552,"ĠtáºŃp":128553,"Ġש׾×Ļ":128554,"íķĺê²Į":128555,"ĠtÃłi":128556,"ĠЯ":128557,"Ġrá»ĵi":128558,"اÙĥ":128559,"ĠthÆ°Æ¡ng":128560,"Ġ×Ķ×ĸ×Ķ":128561,"ĠÙĪÙħÙĨ":128562,"à¸Ĺีà¹Īมี":128563,"Ġcuá»Ļc":128564,"Ġbüyük":128565,"ãģ¨ãģĭ":128566,"Ġ×ij×Ļ×ķתר":128567,"Ġlần":128568,"Ġgöre":128569,"Ġtrợ":128570,"Ġ×ĺ×ķ×ij":128571,"ÑĤÑĮÑģÑı":128572,"Ġthá»ijng":128573,"Ġ׼ש":128574,"Ġtiêu":128575,"Ġ×ŀ×IJ×ķ×ĵ":128576,"ØĽ":128577,"kÄħ":128578,"Ġà¹ĥà¸Ļ":128579,"Ġvấn":128580,"Ġש׾×ķ":128581,"ĠÄijá»ģu":128582,"Ùģت":128583,"Ġê²ĥìĿ´":128584,"Ġhóa":128585,"ĠاÙĦعاÙħ":128586,"ĠÙĬÙĪÙħ":128587,"кой":128588,"Ġbiá»ĩt":128589,"ÑģÑĤо":128590,"Ġ×Ķ×Ļ×ķ":128591,"à¸Ĺีà¹Īà¸Īะ":128592,"Ġ×ĵ×Ļ":128593,"Ġ×IJ×ļ":128594,"Ġán":128595,"صÙĪر":128596,"ĠtrÃŃ":128597,"ĠÐŁÑĢо":128598,"Ġlá»±c":128599,"ãģĹãģ¦ãģĦãģ¾ãģĻ":128600,"ĠbÃłi":128601,"Ġ×ĸ×IJת":128602,"Ġbáo":128603,"à¸ļà¸Ļ":128604,"ĠëĮĢíķľ":128605,"Ġtiế":128606,"Ġtiếng":128607,"Ġbên":128608,"ãģķãĤĮãĤĭ":128609,"sión":128610,"Ġtìm":128611,"×¢×ķ":128612,"mé":128613,"ниÑı":128614,"ãģ»ãģ©":128615,"Ġà¹Ģà¸ŀราะ":128616,"بة":128617,"Ġë¶Ħ":128618,"Ġ×IJ×ĸ":128619,"à¸Ĺà¹Īาà¸Ļ":128620,"ת×Ŀ":128621,"Ġthêm":128622,"Ġhoạt":128623,"yı":128624,"×ĸ×ķ":128625,"Ġgiá»Ŀ":128626,"Ġbán":128627,"à¸Ĥาย":128628,"Ñĩа":128629,"Ġà¹Ĩ":128630,"ĠاÙĦÙħت":128631,"ĠоÑĩенÑĮ":128632,"Ġbất":128633,"Ġtrẻ":128634,"ÑĤÑĢ":128635,"ĠØ£ÙĨÙĩ":128636,"ĠØ«Ùħ":128637,"Ġ׼×ŀ×Ķ":128638,"Ġkhó":128639,"Ġrằng":128640,"ĠÙĪÙģÙĬ":128641,"ний":128642,"ĠhoÃłn":128643,"tó":128644,"Ġ×IJשר":128645,"ĠìĥĿê°ģ":128646,"Ñģа":128647,"Ġ׼×ijר":128648,"ĠÑįÑĤом":128649,"larının":128650,"ĠchÆ°a":128651,"зи":128652,"Ġdẫn":128653,"ĠÐļак":128654,"جÙĪ":128655,"ĠбÑĭло":128656,"ĠÙĬت":128657,"nı":128658,"ÅĤam":128659,"ĠÙĪÙĩÙĪ":128660,"×ij×ķ":128661,"пи":128662,"רת":128663,"Ġquá»ijc":128664,"жд":128665,"ĠÄijÆ¡n":128666,"Ùĥتب":128667,"Ġmắt":128668,"ระà¸ļ":128669,"ระà¸ļà¸ļ":128670,"ĠÙĥاÙĨت":128671,"Ġthân":128672,"สิà¸Ļà¸Ħà¹īา":128673,"×Ĵ×Ļ":128674,"ĠphÆ°Æ¡ng":128675,"à¹Ħมà¹Īà¹Ħà¸Ķà¹ī":128676,"ĠìĦ±":128677,"ĠCác":128678,"Ġ×Ķ×ŀ×ķ":128679,"ĠÑĤем":128680,"Ġ×ĵ×ķ":128681,"à¸Ńะà¹Ħร":128682,"ĠvÄĥn":128683,"ãģªãģ®ãģ§":128684,"ĠNá»Ļi":128685,"Ġ×¢×ķ":128686,"ãĤīãĤĮãĤĭ":128687,"Ġsáng":128688,"Ġgöster":128689,"ãģĵãģ¨ãĤĴ":128690,"Ġtarafından":128691,"Ġма":128692,"ĠпоÑģле":128693,"Ġ׳×Ļת":128694,"Ġ׳×Ļ×ª×Ł":128695,"ĠлеÑĤ":128696,"Ġ׾׳×ķ":128697,"ÑģÑģ":128698,"Ġ×Ļ×ķ":128699,"пе":128700,"ĠÙĪÙĦÙĥ":128701,"ĠÙĪÙĦÙĥÙĨ":128702,"ĠngoÃłi":128703,"ĠÄijá»ĭa":128704,"rzÄħd":128705,"dziaÅĤ":128706,"ĠÙħر":128707,"иÑĤÑĮÑģÑı":128708,"Ġ×IJ×Ĺר×Ļ":128709,"Ġ׾׼׾":128710,"à¸Ĥà¹īà¸Ńม":128711,"à¸Ĥà¹īà¸Ńมูล":128712,"Ġбол":128713,"Ġболее":128714,"جÙħع":128715,"леÑĤ":128716,"Ġlá»ĭch":128717,"ĠÙħØ«ÙĦ":128718,"Ġê·¸ë¦¬ê³ł":128719,"Ġthứ":128720,"ĠdeÄŁil":128721,"ÙĪØŃ":128722,"Ġש׾×ļ":128723,"ĠÙħØŃÙħد":128724,"Ġnếu":128725,"ĠÄijá»ķi":128726,"Ġvừa":128727,"Ġmá»įi":128728,"Ġони":128729,"Ġlúc":128730,"ĠÙĬÙĥÙĪÙĨ":128731,"ì§Ī":128732,"Ġש׾׳×ķ":128733,"ĠÐĶо":128734,"Ġש׳×Ļ":128735,"ลิ":128736,"×IJפשר":128737,"Ġsức":128738,"ê¶Į":128739,"Ġứng":128740,"à¹Ħมà¹Īมี":128741,"Ø·ÙĦب":128742,"ĠÑĩем":128743,"Ġchuyên":128744,"ĠthÃŃch":128745,"Ġ×ķ×Ļ":128746,"íķ©":128747,"ĠÙħصر":128748,"до":128749,"ĠÄijất":128750,"Ġchế":128751,"à¸Ĭืà¹Īà¸Ń":128752,"Ġìĭł":128753,"Ġإذا":128754,"ĠرئÙĬس":128755,"Ġש×Ļש":128756,"Ġgiảm":128757,"Ñģка":128758,"larında":128759,"Ġsợ":128760,"ĠtÃŃch":128761,"ĠÙĦÙĥÙĨ":128762,"ĠبÙħ":128763,"×¢×ķ×ij":128764,"×¢×ķ×ij×ĵ":128765,"ÅĤÄħcz":128766,"larına":128767,"Ġש×Ŀ":128768,"ĠÙĦت":128769,"Ġש×Ķ×ķ×IJ":128770,"tów":128771,"Ġëĭ¤ë¥¸":128772,"ĠØ£Ùĥثر":128773,"ãģ®ãģ§ãģĻ":128774,"׼×Ļ×Ŀ":128775,"ĠolduÄŁunu":128776,"ãģĭãģª":128777,"ãĤĤãģĨ":128778,"ÙĬØŃ":128779,"Ġnhìn":128780,"Ġnghá»ĩ":128781,"ãģ«ãģªãģ£ãģ¦":128782,"па":128783,"Ġquyết":128784,"ÙĦÙĤ":128785,"tá":128786,"Ġluôn":128787,"ĠÄijặc":128788,"Ġ×IJר":128789,"Ġtuá»ķi":128790,"são":128791,"ìĻ¸":128792,"رد":128793,"ĠبÙĩا":128794,"Ġ×Ķ×Ļ×ķ×Ŀ":128795,"×ķ×ķ×Ļ":128796,"ãģ§ãģĻãģŃ":128797,"ĠÑĤого":128798,"Ġthủ":128799,"ãģĹãģŁãģĦ":128800,"رÙĤ":128801,"Ġbắt":128802,"гÑĥ":128803,"Ġtá»Ń":128804,"ÑĪа":128805,"Ġà¸Ľà¸µ":128806,"Ġ×Ķ×IJ×Ŀ":128807,"íı¬":128808,"ża":128809,"Ġ×IJת×Ķ":128810,"Ġná»Ļi":128811,"ĠphÃŃ":128812,"ĠÅŁekilde":128813,"Ġlá»Ŀi":128814,"dıģı":128815,"Ġ׼×IJף":128816,"Ġtüm":128817,"Ġmạnh":128818,"ĠMỹ":128819,"ãģĿãĤĵãģª":128820,"Ġnhá»ı":128821,"ãģªãģĮãĤī":128822,"Ġbình":128823,"ıp":128824,"à¸ŀา":128825,"ĠÄijánh":128826,"ĠÙĪÙĦ":128827,"ר×ķת":128828,"Ġ×IJ×Ļ×ļ":128829,"Ġchuyá»ĥn":128830,"Ùĥا":128831,"ãĤĮãĤĭ":128832,"à¹ģมà¹Ī":128833,"ãĤĪãģı":128834,"ĠÙĪÙĤد":128835,"íĸĪëĭ¤":128836,"ĠnÆ¡i":128837,"ãģ«ãĤĪãģ£ãģ¦":128838,"Ġviết":128839,"Ġà¹Ģà¸ŀืà¹Īà¸Ń":128840,"ëIJĺëĬĶ":128841,"ادÙĬ":128842,"ĠÙģØ¥ÙĨ":128843,"ì¦Ŀ":128844,"ĠÄijặt":128845,"ĠhÆ°á»Ľng":128846,"Ġxã":128847,"Ġönemli":128848,"ãģłãģ¨":128849,"Ġmẹ":128850,"Ġ×ij×Ļ":128851,"Ġ×ĵ×ijר":128852,"ĠváºŃt":128853,"ĠÄijạo":128854,"Ġdá»±ng":128855,"ĠÑĤом":128856,"ĠÙģÙĬÙĩا":128857,"ĠجÙħÙĬع":128858,"ĠthuáºŃt":128859,"stÄĻp":128860,"Ġtiết":128861,"Ø´ÙĬ":128862,"ĠеÑīе":128863,"ãģĻãĤĭãģ¨":128864,"ĠmÃłu":128865,"ĠÑįÑĤого":128866,"Ġvô":128867,"ĠÐŃÑĤо":128868,"ĠtháºŃt":128869,"Ġnữa":128870,"Ġbiến":128871,"Ġnữ":128872,"Ġ׾׼×Ŀ":128873,"×Ļ×Ļף":128874,"Ġست":128875,"ĠÐŀÑĤ":128876,"Ġphụ":128877,"ê¹Įì§Ģ":128878,"Ġ׾×ļ":128879,"Ġkỳ":128880,"à¹ĥà¸Ħร":128881,"Ġgây":128882,"ĠÙĦÙĦÙħ":128883,"Ġtục":128884,"تÙĬÙĨ":128885,"Ġtrợ":128886,"Ġ׾פ×Ļ":128887,"Ġbá»ij":128888,"ĠÐļа":128889,"ĠÄijình":128890,"owÄħ":128891,"sında":128892,"Ġkhiến":128893,"sız":128894,"Ġкогда":128895,"×¡×ľ":128896,"ĠбÑĭл":128897,"à¸Ļà¹īà¸Ńย":128898,"обÑĢаз":128899,"Ġê²ĥìĿ´ëĭ¤":128900,"ëĵ¤ìĿĢ":128901,"ãģ¸ãģ®":128902,"Ġà¹Ģมืà¹Īà¸Ń":128903,"Ġphục":128904,"Ġ×Ĺ׾ק":128905,"Ġhết":128906,"ĠÄija":128907,"à¹Ģà¸Ķà¹ĩà¸ģ":128908,"íĺķ":128909,"lÃŃ":128910,"ê¸ī":128911,"Ġعدد":128912,"ĠÄijá»ĵ":128913,"Ġgần":128914,"Ġ×Ļ×ķ×Ŀ":128915,"ĠsÄ©":128916,"ÑĢÑıд":128917,"Ġquyá»ģn":128918,"Ġ×IJ׾×IJ":128919,"ÙĩÙħا":128920,"׳×Ļ×Ķ":128921,"׾×ķת":128922,"Ġ×Ķר×ij×Ķ":128923,"Ġtiên":128924,"Ġalın":128925,"Ġdá»ħ":128926,"人ãģĮ":128927,"ноÑģ":128928,"лÑģÑı":128929,"ĠÄijÆ°a":128930,"สาว":128931,"иÑĢован":128932,"Ġ×ŀספר":128933,"×Ĵף":128934,"Ġkiến":128935,"ĠШ":128936,"pé":128937,"бÑĥ":128938,"овой":128939,"ба":128940,"ĠØ¥ÙĦا":128941,"×IJ׾×Ļ":128942,"Ġxây":128943,"Ġbợi":128944,"Ġש×ķ":128945,"人ãģ®":128946,"ק×Ļ×Ŀ":128947,"à¹Ģà¸Ķืà¸Ńà¸Ļ":128948,"Ġkhá":128949,"Ġ×ķ׾×Ķ":128950,"×ĵ×ķת":128951,"Ġ×¢×ij×ķר":128952,"ĠبشÙĥÙĦ":128953,"ĠÙĩÙĨاÙĥ":128954,"ÑĤÑĢа":128955,"ĠíķĺëĬĶ":128956,"รà¸Ńà¸ļ":128957,"owaÅĤ":128958,"hé":128959,"Ġdiá»ħn":128960,"Ġ×Ķ׼׾":128961,"Ġأس":128962,"Ġchuyá»ĩn":128963,"ระà¸Ķัà¸ļ":128964,"ĠNhững":128965,"Ġ×IJ×Ĺת":128966,"ĠØŃÙĪÙĦ":128967,"лов":128968,"׳ר":128969,"Ġ×ķ׳":128970,"ĠchÆ¡i":128971,"Ġiçinde":128972,"ÑģÑĤвÑĥ":128973,"Ġphá»ij":128974,"ĠÑģÑĥ":128975,"ç§ģãģ¯":128976,"Ġchứng":128977,"Ġvá»±c":128978,"à¹ģà¸Ń":128979,"ĠláºŃp":128980,"Ġtừng":128981,"å°ijãģĹ":128982,"ĠNguy":128983,"ĠNguyá»ħn":128984,"ĠÙģÙĬÙĩ":128985,"Ġба":128986,"×Ļ×Ļת":128987,"Ġ×ľ×¢×©×ķת":128988,"Ġ×ŀ׼":128989,"Ġnghiá»ĩm":128990,"Ġмного":128991,"Ġее":128992,"ëIJĺìĸ´":128993,"Ġlợi":128994,"Ġ׾׾×IJ":128995,"Ġ׼ף":128996,"ĠchÃŃ":128997,"ãģ§ãģ®":128998,"×Ĺ×ķ":128999,"ש×ķ×Ŀ":129000,"Ġ×ŀר":129001,"ĠÐĶлÑı":129002,"Åģ":129003,"Ġ׼×IJשר":129004,"ĠMá»Ļt":129005,"ĠÙĪاÙĦت":129006,"ĠìĿ´ëŁ°":129007,"ÅŁa":129008,"Ġchiến":129009,"Ġarasında":129010,"Ġ×ij×IJתר":129011,"ãģķãĤĮãģ¦ãģĦãĤĭ":129012,"Ø´ÙĥÙĦ":129013,"Ġtượng":129014,"Ġتت":129015,"ĠCó":129016,"Ġbá»ı":129017,"Ġtá»īnh":129018,"ĠkhÃŃ":129019,"ĠпÑĢоÑģÑĤ":129020,"ĠпÑĢоÑģÑĤо":129021,"ĠÙĪÙĤاÙĦ":129022,"Ġgiáo":129023,"ĠNếu":129024,"×IJ×ŀר":129025,"×¢×ł×Ļ×Ļף":129026,"íݸ":129027,"ÙĩدÙģ":129028,"ĠBá»Ļ":129029,"ĠbÃłn":129030,"Ġnguyên":129031,"Ġgüzel":129032,"สาย":129033,"ì²ľ":129034,"×ŀ×ķר":129035,"Ġphân":129036,"ספק":129037,"ק×ij׾":129038,"ĠاÙĦÙħتØŃ":129039,"ĠاÙĦÙħتØŃدة":129040,"ائد":129041,"Ġ×IJ×ŀר":129042,"ĠkiÅŁi":129043,"ì¤Ģ":129044,"Ġtruyá»ģn":129045,"ĠÙĦÙĩا":129046,"ĠÐľÐ°":129047,"à¸ļริษ":129048,"à¸ļริษั":129049,"à¸ļริษัà¸Ĺ":129050,"Ġש׳×Ļ×Ŀ":129051,"ĠменÑı":129052,"ÅŁe":129053,"Ġdiá»ĩn":129054,"Ġ×IJ׳×Ĺ׳×ķ":129055,"kü":129056,"Ġcá»ķ":129057,"Ġmá»Ĺi":129058,"wä":129059,"ÙħÙĬ":129060,"Ġhiá»ĥu":129061,"ëĭ¬":129062,"Ġ×Ķ×Ĺ׾":129063,"Ġtên":129064,"Ġkiá»ĩn":129065,"ÙĨÙĤÙĦ":129066,"Ġvá»ĩ":129067,"×ĵת":129068,"ĠÐłÐ¾ÑģÑģии":129069,"лÑĥ":129070,"ĠاÙĦعربÙĬØ©":129071,"ĠطرÙĬÙĤ":129072,"Ġ×Ķ×ij×Ļת":129073,"ÑģеÑĢ":129074,"Ġмне":129075,"äu":129076,"Ġtriá»ĩu":129077,"ĠÄijủ":129078,"Ġר×ij":129079,"تÙĩÙħ":129080,"à¸ĭี":129081,"Ġì§Ģê¸Ī":129082,"liÅĽmy":129083,"دعÙħ":129084,"ãģłãĤįãģĨ":129085,"Ñģкие":129086,"Ġhá»ıi":129087,"Ġק×ķ":129088,"ÑĢÑĥÑģ":129089,"ÙĨظر":129090,"ãģ®ãĤĤ":129091,"Ġ×Ķ׼×Ļ":129092,"ĠìĽIJ":129093,"ÙĪÙĩ":129094,"ĠÙĪÙİ":129095,"ĠBạn":129096,"плаÑĤ":129097,"Ġ×ŀ×ŀש":129098,"лÑİб":129099,"ĠнÑĥжно":129100,"ĠthÆ°":129101,"ãģµ":129102,"ãģıãĤīãģĦ":129103,"رش":129104,"ר×ķ×Ĺ":129105,"ĠÙĬتÙħ":129106,"Ġצר×Ļ×ļ":129107,"Ġphá":129108,"มà¸Ńà¸ĩ":129109,"Ġ×ij×IJ×ķפף":129110,"Ġcảnh":129111,"Ġíķľëĭ¤":129112,"Ġ×Ķ×ŀת":129113,"à¸ķà¹Īาà¸ĩà¹Ĩ":129114,"มีà¸ģาร":129115,"ÑģкиÑħ":129116,"ĠÐĴÑģе":129117,"ĠاÙĪ":129118,"جÙĬ":129119,"ãģĵãģ¨ãģ¯":129120,"ĠdÃłi":129121,"Ġhá»ĵ":129122,"èĩªåĪĨãģ®":129123,"à¹Ħหà¸Ļ":129124,"ëĵ¤ìĿĦ":129125,"ĠVÄĥn":129126,"Ġдаж":129127,"Ġдаже":129128,"Ñĭми":129129,"лаÑģÑĮ":129130,"ÙĬÙĪÙĨ":129131,"ÙĨÙĪ":129132,"có":129133,"ãģĹãģ¦ãģĦãģŁ":129134,"ãģłãģĭãĤī":129135,"طاÙĦب":129136,"Ġcá»Ńa":129137,"пÑĢоÑģ":129138,"ãģªãģ©ãģ®":129139,"รุà¹Īà¸Ļ":129140,"Ġchiếc":129141,"лÑĭ":129142,"ĠÑıвлÑıеÑĤÑģÑı":129143,"Ġná»ķi":129144,"ãģ®ãģĬ":129145,"Ġ×IJת×Ŀ":129146,"ĠëķĮ문ìĹIJ":129147,"à¸ģลาà¸ĩ":129148,"ĠbaÅŁka":129149,"ìĦĿ":129150,"ĠÑĨел":129151,"ÙģÙĤ":129152,"ãģ«ãĤĪãĤĭ":129153,"ÙĤا":129154,"Ġçıkar":129155,"Ġcứu":129156,"طا":129157,"Ġשת":129158,"à¹Ĥà¸Ħ":129159,"Ġ×ŀ׾":129160,"Ġ×Ķפר":129161,"Ġгде":129162,"Ġخط":129163,"åīįãģ«":129164,"cjÄĻ":129165,"Ġ×Ĺש×ķ×ij":129166,"ר×Ĵ×¢":129167,"Ġkhoảng":129168,"ĠÄijá»Ŀi":129169,"ĠÐłÐµ":129170,"Ġона":129171,"Ġ×IJ׳×ķ":129172,"ãģ®ãģ«":129173,"ĠاÙĦØ°ÙĬÙĨ":129174,"кÑĥп":129175,"ãĤµãĥ¼ãĥ":129176,"ãĤµãĥ¼ãĥĵ":129177,"ãĤµãĥ¼ãĥĵãĤ¹":129178,"вал":129179,"ге":129180,"Ġgiữa":129181,"ĠKhông":129182,"ĠâĹĭ":129183,"à¸ģลุà¹Īม":129184,"ĠÙħÙĨØ°":129185,"à¸Ńà¹Īาà¸Ļ":129186,"ĠÑģпоÑģоб":129187,"ĠÄijá»Ļi":129188,"ĠdiÄŁer":129189,"Ġà¸ĸà¹īา":129190,"ÙħØ«ÙĦ":129191,"Ġ×Ķ×IJ×Ļ":129192,"ĠدÙĪÙĨ":129193,"ÙĬراÙĨ":129194,"Ñīи":129195,"بÙĨاء":129196,"Ġآخر":129197,"ظÙĩر":129198,"Ġ×ij׼":129199,"ĠاÙĦÙħع":129200,"ãĥĴ":129201,"Ġtất":129202,"Ġmục":129203,"ĠdoÄŁru":129204,"ãģŁãĤī":129205,"Ġס×ķ":129206,"Ġxác":129207,"รà¸Ń":129208,"ĠcÄĥn":129209,"Ġонл":129210,"Ġонлайн":129211,"Ġký":129212,"Ġchân":129213,"Ġà¹Ħมà¹Ī":129214,"اØŃØ©":129215,"rán":129216,"׳×Ļ×Ļ×Ŀ":129217,"Ġ×ijף":129218,"ĠÐĸ":129219,"à¸ķรà¸ĩ":129220,"дÑĭ":129221,"Ġsắc":129222,"ÙĦت":129223,"ãĥŃãĥ¼":129224,"ĠÙĦÙĨ":129225,"Ġר×ķ":129226,"ĠdÆ°á»Ľi":129227,"à¹Ģà¸ĺ":129228,"à¹Ģà¸ĺà¸Ń":129229,"eÄŁi":129230,"Ġ×ķש":129231,"ĠÙĦØ£":129232,"Ġgặp":129233,"Ġcá»ij":129234,"ãģ¨ãģ¦ãĤĤ":129235,"رÙĪس":129236,"Ġ׾×Ķ×Ļ":129237,"Ġ본":129238,"ä¸ĬãģĴ":129239,"Ġmức":129240,"Ñħа":129241,"Ġìŀ¬":129242,"à¸īัà¸Ļ":129243,"ÑĢÑĥж":129244,"Ġaçık":129245,"ÙĪاÙĦ":129246,"Ġ×ĸ×ŀף":129247,"人ãģ¯":129248,"عÙĬÙĨ":129249,"ÑıÑħ":129250,"Ġ×Ĵ×ĵ×ķ׾":129251,"ר×ķ×ij":129252,"gó":129253,"ëĿ¼ê³ł":129254,"ĠarkadaÅŁ":129255,"ÙĨشر":129256,"ĠгодÑĥ":129257,"ĠболÑĮÑĪе":129258,"ãģ¡ãĤĩãģ£ãģ¨":129259,"Ġcâu":129260,"Ġsát":129261,"íĶ¼":129262,"Ġtiến":129263,"íķ´ìķ¼":129264,"ĠÙĪØ£ÙĨ":129265,"à¸Ļาà¸Ļ":129266,"Ġ×ij×IJ×ŀצע":129267,"Ġ×ij×IJ×ŀצע×ķת":129268,"Ġ׾ר":129269,"Ġquản":129270,"ĠÙĪاÙĦØ£":129271,"Ġ×IJ×ķת×Ķ":129272,"Ġìĸ´ëĸ¤":129273,"Ġê²ĥìĿĢ":129274,"ØŃسÙĨ":129275,"Ġmất":129276,"à¸Ħูà¹Ī":129277,"ãĥ¬ãĥ¼":129278,"ĠÐĶа":129279,"Ġolması":129280,"Ġthuá»Ļc":129281,"׳×Ĺ":129282,"íĨł":129283,"Ġsöyle":129284,"ãģĿãģĨãģ§ãģĻ":129285,"ĠتÙĥÙĪÙĨ":129286,"лÑĥÑĩ":129287,"׾×Ļ×ļ":129288,"ĠØ£ØŃد":129289,"лиÑģÑĮ":129290,"ĠвÑģего":129291,"Ġ×Ķר×ij":129292,"Ġ못":129293,"oÄŁ":129294,"oÄŁlu":129295,"ĠìĦł":129296,"ĠкаÑĢ":129297,"à¸łà¸²à¸Ħ":129298,"eÅĦ":129299,"Ġà¸ģà¹ĩ":129300,"Ġaynı":129301,"ĠbÃł":129302,"ãģªãĤĵãģ¦":129303,"Ġ모ëĵł":129304,"ÙĤرار":129305,"ãģĹãģªãģĦ":129306,"ĠÐĴо":129307,"ĠÙĪÙĩÙĬ":129308,"ники":129309,"ãĤĮãģŁ":129310,"Ġchuẩn":129311,"רע":129312,"ÙģرÙĬÙĤ":129313,"ãĤĴåıĹãģij":129314,"ĠÄijúng":129315,"бе":129316,"׼×ķ×Ĺ":129317,"пÑĥ":129318,"Ġ×ķ×Ĵ×Ŀ":129319,"×ŀ׳×Ļ":129320,"íĸ¥":129321,"צ×Ļ×Ŀ":129322,"à¸ĭิ":129323,"ÙĩÙĨ":129324,"нем":129325,"Ġ×ij×ij×Ļת":129326,"رع":129327,"Ġส":129328,"ĠÄIJÃł":129329,"íķĺëĭ¤":129330,"Ġấy":129331,"×Ĺ×ķ×ĵ":129332,"×Ĺ×ķ×ĵש":129333,"ĠÑĩеÑĢез":129334,"Ñĥл":129335,"ĠBình":129336,"Ġê²ĥìĿĦ":129337,"Ġ×Ĵר":129338,"ä»ĺãģij":129339,"×Ĺ׾ק":129340,"ĠتÙĦÙĥ":129341,"à¹ĥสà¹Ī":129342,"szÄħ":129343,"ÙĤاÙħ":129344,"دÙĪر":129345,"ĠÙģÙĤØ·":129346,"Ġhữu":129347,"ĠмогÑĥÑĤ":129348,"Ġgá»įi":129349,"Ġקר":129350,"à¸Īะมี":129351,"تÙĤدÙħ":129352,"Ġعبر":129353,"Ġ׾×Ķ×Ŀ":129354,"ĠÑģамо":129355,"ס×ĵר":129356,"ĠcÃłng":129357,"rÃŃ":129358,"Ġìŀ¥":129359,"ëĵ¤ìĿĺ":129360,"ĠÙĦÙĥ":129361,"поÑĢÑĤ":129362,"Ġkhả":129363,"ĠÑģебÑı":129364,"׳ף":129365,"ĠدÙĪر":129366,"Ġmợ":129367,"Ġcây":129368,"Ġfark":129369,"Ġfarklı":129370,"аÑİÑĤ":129371,"Ġtrá»±c":129372,"wiÄĻksz":129373,"Ġthuá»ijc":129374,"ĠتØŃت":129375,"تÙĦ":129376,"овÑĭе":129377,"ëĤł":129378,"Ġвам":129379,"بÙĦغ":129380,"Ġê°ĻìĿĢ":129381,"íĮIJ":129382,"ÙĦب":129383,"Ġnasıl":129384,"Ġодин":129385,"ман":129386,"ĠعÙĦÙĬÙĩا":129387,"би":129388,"Ġפש×ķ×ĺ":129389,"×ijר×Ļ":129390,"Ġש׳×Ķ":129391,"ĠëıĦ":129392,"ĠÄIJại":129393,"Ġ×IJ×ķת×Ŀ":129394,"ĠاÙĦØŃر":129395,"Ġбо":129396,"à¸Īุà¸Ķ":129397,"Ġrõ":129398,"ĠdeÄŁiÅŁ":129399,"Ġëĭ¨":129400,"ĠÑģлÑĥÑĩа":129401,"ĠÑģлÑĥÑĩае":129402,"Ġ×IJ׳ש×Ļ×Ŀ":129403,"×ĵ×£":129404,"ש×ijת":129405,"Ġש׾׼×Ŀ":129406,"Ġchú":129407,"ników":129408,"Ġtanı":129409,"Ġcáo":129410,"ĠÄijá":129411,"Ġ×IJ×ĵ×Ŀ":129412,"Ġê°ķ":129413,"Ġnhiá»ĩm":129414,"Ġ×ľ×¡":129415,"Ġ×Ľ×ª×ij":129416,"Ġ×Ķספר":129417,"ĠÄijÄĥng":129418,"ĠëijIJ":129419,"à¸ľà¸´":129420,"à¸ľà¸´à¸§":129421,"جا":129422,"Ġê°IJ":129423,"رأ":129424,"ستخدÙħ":129425,"ãģ«ãģªãĤĬãģ¾ãģĻ":129426,"Ġtá»·":129427,"×ĺ×ķר":129428,"говоÑĢ":129429,"ĠвоÑģ":129430,"ĠÙħÙĨÙĩا":129431,"иÑĢоваÑĤÑĮ":129432,"ĠÄijầy":129433,"׳×Ĵ":129434,"ĠÙħÙĪ":129435,"ĠÙħÙĪÙĤع":129436,"ר׼×Ļ":129437,"تÙı":129438,"모":129439,"Ġת×ķ":129440,"ÙĬاÙĭ":129441,"à¹ĥà¸Ķ":129442,"ãĤĬãģ¾ãģĻ":129443,"à¸Ńยูà¹Īà¹ĥà¸Ļ":129444,"ĠØ£ÙĪÙĦ":129445,"ĠأخرÙī":129446,"ĠcÆ°":129447,"صار":129448,"×ŀ×Ĺש×ij":129449,"бÑĢа":129450,"ÅĦski":129451,"бÑĢ":129452,"ĠÙĬÙı":129453,"à¸ģิà¸Ļ":129454,"Ġchá»ijng":129455,"ÙħÙı":129456,"Ġà¸Ħืà¸Ń":129457,"ĠتÙĨ":129458,"tÃŃ":129459,"yÄĩ":129460,"Ġmạng":129461,"ÙģÙĪ":129462,"Ġdünya":129463,"קר×IJ":129464,"Ġק׾":129465,"ĠØŃاÙĦ":129466,"cÃŃa":129467,"Ġà¹Ģรา":129468,"Ġר×ķצ×Ķ":129469,"Ġáp":129470,"ë°ķ":129471,"اÙĤØ©":129472,"ниÑİ":129473,"Ġ×IJ׾×ķ":129474,"Ġ×ŀס×ķ":129475,"ãģ§ãģ¯ãģªãģı":129476,"Ġtrả":129477,"Ġקשר":129478,"miÅŁtir":129479,"ĠlÆ°u":129480,"Ġhá»Ĺ":129481,"ĠбÑĭли":129482,"Ġlấy":129483,"عÙĦÙħ":129484,"Ġözel":129485,"æ°ĹãģĮ":129486,"Ġ×ĵר×ļ":129487,"Ùħد":129488,"sını":129489,"׳×ķש×IJ":129490,"rów":129491,"ÑĩеÑĢ":129492,"êµIJìľ¡":129493,"ĠÐľÐ¾":129494,"лег":129495,"ĠVỼi":129496,"วัà¸Ļà¸Ļีà¹ī":129497,"ÑİÑīие":129498,"ãģĬãģĻ":129499,"ãģĬãģĻãģĻ":129500,"ãģĬãģĻãģĻãĤģ":129501,"ëıħ":129502,"Ġ×Ļ×Ķ×Ļ×Ķ":129503,"×ŀ×ĺר":129504,"Ñıми":129505,"Ġlá»±a":129506,"ĠÄijấu":129507,"à¹Ģสียà¸ĩ":129508,"ĠtÆ°Æ¡ng":129509,"ëĵ±":129510,"ĠÑģÑĤаÑĢ":129511,"à¹ĥà¸ļ":129512,"วัà¸Ķ":129513,"ĠÄ°stanbul":129514,"Ġà¸Īะ":129515,"à¸ķลาà¸Ķ":129516,"ĠبÙĬ":129517,"à¹ģà¸Ļะ":129518,"à¹ģà¸Ļะà¸Ļำ":129519,"ساعد":129520,"Ġبأ":129521,"Ġkiá»ĥm":129522,"ØŃسب":129523,"à¸Ĭัà¹īà¸Ļ":129524,"Ġ×ķ×¢×ķ×ĵ":129525,"овÑĭÑħ":129526,"оÑģнов":129527,"ĠtrÆ°á»Łng":129528,"צ×ij×¢":129529,"ĠÃŃt":129530,"Ġkỹ":129531,"cré":129532,"Ñıм":129533,"êµ°":129534,"ãģĮãģªãģĦ":129535,"ÙĬÙĦØ©":129536,"ãĥķãĤ£":129537,"رÙī":129538,"ĠÙĬجب":129539,"Ġ×IJ×£":129540,"Ġcá»±c":129541,"ãĤīãĤĮãģŁ":129542,"Ġà¸ľà¸¹à¹ī":129543,"Ġà¸Ń":129544,"larımız":129545,"Ġkadın":129546,"Ġê·¸ëŀĺ":129547,"Ġê·¸ëŀĺìĦľ":129548,"ĠëĺIJëĬĶ":129549,"ĠÄijả":129550,"ĠÄijảm":129551,"Ġ×IJ×ķ×ŀר":129552,"Ġyếu":129553,"ciÄħ":129554,"ciÄħg":129555,"Ġtá»ij":129556,"Ġש×IJ׳×Ļ":129557,"ĠdziaÅĤa":129558,"Ñīа":129559,"ĠÄijÃłn":129560,"sına":129561,"ãģĵãĤĮãģ¯":129562,"Ġ×ij׾×Ļ":129563,"Ġ×ij×Ļשר×IJ׾":129564,"лоÑģÑĮ":129565,"Ġgiữ":129566,"ê°IJ":129567,"ÑĢон":129568,"تجار":129569,"глав":129570,"вин":129571,"Ġhạn":129572,"Ġyapılan":129573,"بس":129574,"Ġà¸ŀรà¹īà¸Ńม":129575,"ê´Ģ리":129576,"mÄ±ÅŁtır":129577,"bü":129578,"rück":129579,"ĠBaÅŁkanı":129580,"ĠÙĦÙĬس":129581,"ĠsÆ¡":129582,"à¸Īัà¸ĩหว":129583,"à¸Īัà¸ĩหวัà¸Ķ":129584,"داء":129585,"Ġ×Ķ׼":129586,"vÃŃ":129587,"ש×IJר":129588,"ĠhÆ°á»Łng":129589,"Ġbóng":129590,"ĠChÃŃnh":129591,"Äħc":129592,"à¹Ģà¸ģีà¹Īยวà¸ģัà¸ļ":129593,"Ġtứ":129594,"Ġtức":129595,"ĠÑĨвеÑĤ":129596,"Ġtá»iji":129597,"ĠnghÄ©a":129598,"ÙĦاعب":129599,"دÙĦ":129600,"Ġפע×Ŀ":129601,"hör":129602,"à¸Ĭุà¸Ķ":129603,"à¸ŀู":129604,"à¸ŀูà¸Ķ":129605,"паÑģ":129606,"ĠÅŁu":129607,"ĠtÆ°á»Łng":129608,"خارج":129609,"Ġâm":129610,"ĠинÑĤеÑĢеÑģ":129611,"еннÑĭÑħ":129612,"×IJ׳×Ļ":129613,"بدأ":129614,"ëĿ¼ëĬĶ":129615,"ì¹´":129616,"æĸ¹ãģĮ":129617,"лив":129618,"Ġà¸Ħà¸Ļ":129619,"ער×ļ":129620,"à¸Ĥà¸Ńà¸ĩà¸Ħุà¸ĵ":129621,"пад":129622,"Ġcạnh":129623,"ĠëĤ¨":129624,"ĠÄijâu":129625,"Ġbiá»ĥu":129626,"ãĤĤãģĤãĤĭ":129627,"׾×Ĵ":129628,"Ġสำหรัà¸ļ":129629,"Ġxuá»ijng":129630,"ס×ķ":129631,"Ġذات":129632,"ĠÐľÐµ":129633,"عاÙĦÙħ":129634,"×IJס":129635,"بÙĬØ©":129636,"شا":129637,"ием":129638,"ĠNgÆ°á»Ŀi":129639,"íĺij":129640,"Ñģлов":129641,"Ġпа":129642,"Ġmẫu":129643,"ĠпÑĢоÑĨеÑģÑģ":129644,"ĠNhÃł":129645,"пÑĢоиз":129646,"пÑĢоизвод":129647,"à¸łà¸²à¸¢à¹ĥà¸Ļ":129648,"Ġà¸ļาà¸Ĺ":129649,"×ŀ׳×ķ":129650,"ĠоÑĢган":129651,"רצ×ķ":129652,"×ķ×ŀ×Ļ×Ŀ":129653,"Ġyazı":129654,"Ġdù":129655,"ãĥ¬ãĥ³":129656,"ÙĪÙĦÙĬ":129657,"ยู":129658,"Ġtrò":129659,"à¹Ģà¸ŀลà¸ĩ":129660,"Ġ×ŀ׾×IJ":129661,"à¸ķล":129662,"à¸ķลà¸Ńà¸Ķ":129663,"ĠÄijạt":129664,"Ġ×Ĺ×ĵש":129665,"póÅĤ":129666,"Ġ×ŀ×ĵ×Ļ":129667,"ujÄħc":129668,"×ŀ׳×Ķ׾":129669,"Ġש×ij×ķ":129670,"Ġ×Ķ×ŀשפ×ĺ":129671,"Ġ×IJ׾×Ķ":129672,"ĠÙĪØ°ÙĦÙĥ":129673,"à¹Ģà¸ŀราะ":129674,"ĠÄijoÃłn":129675,"Ġíķ¨ê»ĺ":129676,"Ġdục":129677,"شت":129678,"Ġula":129679,"ĠulaÅŁ":129680,"Ġquý":129681,"Ġ×Ķ×Ĵ×ĵ×ķ׾":129682,"à¸ķัà¹īà¸ĩà¹ģà¸ķà¹Ī":129683,"Ġשר":129684,"Ø´Ùĩد":129685,"׳ש×Ļ×Ŀ":129686,"à¸ŀล":129687,"رÙĪا":129688,"ãĤĮãģ¦":129689,"ĠниÑħ":129690,"Ġдела":129691,"ãģ§ãģįãģªãģĦ":129692,"ÅĤoż":129693,"×IJ×Ĺר":129694,"ì½Ķ":129695,"ãĤ¢ãĥĥãĥĹ":129696,"دÙģع":129697,"Ġtiá»ĩn":129698,"Ġkhá»ı":129699,"Ġkhá»ıe":129700,"ĠاÙĦعاÙħØ©":129701,"ãģ«ãģĤãĤĭ":129702,"ĠÄijá»Ļc":129703,"족":129704,"Ġcụ":129705,"йÑĤе":129706,"Ġзакон":129707,"ĠпÑĢоекÑĤ":129708,"ìĸ¸":129709,"ÙĦØŃ":129710,"ĠçalÄ±ÅŁma":129711,"ãĤĴãģĻãĤĭ":129712,"Ñħи":129713,"عاد":129714,"Ġ׳×ŀצ×IJ":129715,"Ġר×Ļ":129716,"à¸Ńà¸Ńà¸ģมา":129717,"ĠTôi":129718,"Ġthần":129719,"ĠÙĬا":129720,"ลาย":129721,"ĠавÑĤо":129722,"Ġsıra":129723,"ĠÙĥØ«ÙĬر":129724,"ÙħÙĬز":129725,"ĠاÙĦعÙĦÙħ":129726,"æĸ¹ãģ¯":129727,"×ķ×¢×ĵ":129728,"ĠоблаÑģÑĤи":129729,"×Ļ׾×Ļ×Ŀ":129730,"ãģĮåĩº":129731,"à¸ĺุ":129732,"à¸ĺุร":129733,"à¸ĺุรà¸ģิà¸Ī":129734,"ÙĤتÙĦ":129735,"ר×IJ×ķ":129736,"Ġngu":129737,"Ġnguá»ĵn":129738,"Ġมา":129739,"Ġплан":129740,"tório":129741,"Ġcuá»iji":129742,"Ñģком":129743,"ĠاÙĦÙħاض":129744,"ĠاÙĦÙħاضÙĬ":129745,"Ġ×ij×¢×ľ":129746,"Ġר×ij×Ļ×Ŀ":129747,"ĠluáºŃn":129748,"ÙĥÙĪ":129749,"à¸Ĺัà¹īà¸ĩหมà¸Ķ":129750,"ван":129751,"Ġthoại":129752,"à¹Ħà¸Ń":129753,"биÑĢ":129754,"ĠاÙĦض":129755,"تا":129756,"ĠÑĢод":129757,"ĠVÃł":129758,"×ŀ×Ļף":129759,"ĠбÑĭла":129760,"ками":129761,"ĠÐĶе":129762,"tık":129763,"קר×Ļ":129764,"ĠeÄŁitim":129765,"ĠÙĥبÙĬر":129766,"بÙĥ":129767,"ĠÙĦÙĪ":129768,"вой":129769,"Ġãģĵãģ®":129770,"ĠÑĤÑĢÑĥд":129771,"myÅĽl":129772,"ĠsÆ°":129773,"à¸ŀีà¹Ī":129774,"Ġà¹ģลà¹īว":129775,"עק":129776,"Ġ×Ĺ×ijרת":129777,"ระหว":129778,"ระหวà¹Īาà¸ĩ":129779,"×Ļ×Ļ×Ķ":129780,"ĠاÙĦÙĨاس":129781,"ünü":129782,"Ġ׾×ŀ×Ķ":129783,"ĠchÆ°Æ¡ng":129784,"ĠHá»ĵ":129785,"ارت":129786,"ãĤĪãģĨãģ§ãģĻ":129787,"lá":129788,"ק×Ļ×Ļ×Ŀ":129789,"æľ¬å½ĵ":129790,"æľ¬å½ĵãģ«":129791,"ãģĵãĤĵãģª":129792,"Ñģов":129793,"Ġ×ķ×Ĺ":129794,"à¹Ģà¸ģà¹ĩà¸ļ":129795,"ĠкÑĤо":129796,"à¹Ĥรà¸Ħ":129797,"ĠشرÙĥØ©":129798,"عزÙĬ":129799,"عزÙĬز":129800,"Ø·ÙĦÙĤ":129801,"пÑĥÑģÑĤ":129802,"ÙģتØŃ":129803,"ëŀĢ":129804,"Ġhãy":129805,"ضÙħ":129806,"린":129807,"åł´åIJĪãģ¯":129808,"ãĤªãĥ¼":129809,"Ġhắn":129810,"Ġ×IJ×ij×Ļ×ij":129811,"Ġש׾×Ķ×Ŀ":129812,"Ġ×Ķ×Ļ×Ļת×Ķ":129813,"ĠاÙĦدÙĪÙĦØ©":129814,"ĠاÙĦÙĪÙĤ":129815,"ĠاÙĦÙĪÙĤت":129816,"ãģĤãģ¾ãĤĬ":129817,"ĠtaÅŁÄ±":129818,"Ä°N":129819,"עסק":129820,"ãģ¦ãģĦãģŁ":129821,"Ġtá»ķng":129822,"ĠاÙĦØ¥ÙĨس":129823,"ĠاÙĦØ¥ÙĨساÙĨ":129824,"ÑĢеÑĪ":129825,"Ġgái":129826,"ĠÑĨен":129827,"ĠÙģÙĤد":129828,"Ùħات":129829,"ãģķãĤĵãģ®":129830,"Ġphù":129831,"×ĺ×Ķ":129832,"ĠÙĪاÙĦتÙĬ":129833,"ĠبÙĥ":129834,"ìĿ´ëĤĺ":129835,"кÑģ":129836,"ÙħÙĬر":129837,"Ġvùng":129838,"ĠاÙĦشعب":129839,"ĠNhÆ°ng":129840,"ãĥĢãĥ¼":129841,"Ġ×Ĺ×Ļ×Ļ×Ŀ":129842,"Ġشخص":129843,"ק×ķ×ĵ":129844,"ê²Ģ":129845,"עש":129846,"×¢×ķ׾×Ŀ":129847,"צ×ķר":129848,"عÙĤد":129849,"ĠiÅŁlem":129850,"Ġ×Ķ×ij×IJ":129851,"Ġdưỡng":129852,"à¸Łà¸£à¸µ":129853,"ĠphÃŃa":129854,"ãģ®ä¸Ńãģ§":129855,"Ġпи":129856,"ĠngÃłnh":129857,"нима":129858,"ĠÙĩÙĦ":129859,"Ġ×ķ×IJת":129860,"ĠÄijáng":129861,"équipe":129862,"ĠÑįÑĤоÑĤ":129863,"Ġgörev":129864,"매":129865,"Ġquân":129866,"å¼ķãģį":129867,"æĻĤãģ«":129868,"ĠبÙħا":129869,"×ŀ×Ļת":129870,"Ġülke":129871,"Ġ×ŀק×ķ×Ŀ":129872,"×ijף":129873,"æ°ĹæĮģãģ¡":129874,"Ġë§İìĿĢ":129875,"Ġyüksek":129876,"ÑĨенÑĤÑĢ":129877,"ĠÙħجÙĦس":129878,"ç§ģãģ®":129879,"ÙĤدر":129880,"Ġë¶Ģë¶Ħ":129881,"Ġì°¨":129882,"خرج":129883,"ãģĭãģªãĤĬ":129884,"ë³´ëĭ¤":129885,"Ġ×ŀ×Ļ×ĵ×¢":129886,"peÅĤni":129887,"Ġxá»Ń":129888,"ìĹIJìĦľëĬĶ":129889,"ĠباÙĦÙħ":129890,"ĠÙĪÙħا":129891,"ĠÑįÑĤой":129892,"بÙĬÙĨ":129893,"nü":129894,"ØŃز":129895,"ØŃزب":129896,"ĠÑĢабоÑĤа":129897,"ĠNháºŃt":129898,"ÙĦاء":129899,"Ġëĵ¤":129900,"Ġëĵ¤ìĸ´":129901,"ãĤĦãģĻãģĦ":129902,"×Ĺ×ĸק":129903,"Ġ×Ķ×Ĺ×ijר×Ķ":129904,"пиÑĤ":129905,"ãģĭãĤīãģ®":129906,"Ġë§IJìĶĢ":129907,"Ġפ×ķ":129908,"ÙĦÙİ":129909,"à¹Ģà¸ķà¹ĩม":129910,"ĠÐļо":129911,"Ġmówi":129912,"ĠtÃŃn":129913,"ר×Ĵש":129914,"פרק":129915,"Ġtrạng":129916,"ĠÐŀн":129917,"×Ĺ×ķ×¥":129918,"ĠعÙĨدÙħا":129919,"Ġبر":129920,"使ãģĦ":129921,"Ġrá»Ļng":129922,"ëĮĢë¡ľ":129923,"íĪ¬":129924,"Ġktórych":129925,"вид":129926,"ลูà¸ģà¸Ħà¹īา":129927,"ĠmogÄħ":129928,"Ġש×Ĺ":129929,"×ij×Ĺר":129930,"ãĥĸãĥŃãĤ°":129931,"ĠThÃłnh":129932,"Ġ×Ķר×Ļ":129933,"ĠÑģÑĤаÑĤÑĮ":129934,"ĠHá»Ļi":129935,"à¸ļà¹īาà¸ĩ":129936,"çī¹ãģ«":129937,"ĠÄIJức":129938,"èĢħãģ®":129939,"×¢×ŀ×ķ×ĵ":129940,"×ĺר×Ķ":129941,"Ð¥":129942,"ĠÙħÙħا":129943,"ĠeÅŁ":129944,"ĠнеобÑħодимо":129945,"ников":129946,"Ġüzerinde":129947,"aÅĤa":129948,"Ġchá»ĭu":129949,"ĠاÙĦدÙĬÙĨ":129950,"أخبار":129951,"ĠÄijau":129952,"ãģĮå¤ļãģĦ":129953,"jÄħcych":129954,"دخÙĦ":129955,"larınd":129956,"larından":129957,"Ġsẻ":129958,"à¸ŀิà¹Ģศ":129959,"à¸ŀิà¹Ģศษ":129960,"×ª×Ł":129961,"tıģı":129962,"ĠluáºŃt":129963,"ĠÅŀe":129964,"ãĤ«ãĥ¼":129965,"ãģ®ãģĤãĤĭ":129966,"Ġ×Ķ×IJתר":129967,"ĠاÙĦØ¢ÙĨ":129968,"ıldı":129969,"Ġáo":129970,"ĠнаÑĩал":129971,"Ġviá»ĩn":129972,"Ġ×ij×¢×ķ׾×Ŀ":129973,"знаÑĩ":129974,"×Ļ×ĺ×Ķ":129975,"кам":129976,"ĠÐĺз":129977,"à¹Ģà¸Ĥียà¸Ļ":129978,"à¸Ļà¹īà¸Ńà¸ĩ":129979,"ÑĤÑĢо":129980,"à¹Ģà¸Ł":129981,"Ġжизни":129982,"Ġสà¹Īวà¸Ļ":129983,"ĠváºŃn":129984,"Ġê´Ģ볨":129985,"Ġlâu":129986,"ס×ĺר":129987,"קש":129988,"سÙĬر":129989,"Ġ×IJ×ķת×Ļ":129990,"Ġmôi":129991,"ائب":129992,"ĠоÑģÑĤа":129993,"Ġmón":129994,"Ġ×ij×ŀק×ķ×Ŀ":129995,"ĠداخÙĦ":129996,"Ġ×IJ×ķר":129997,"ĠваÑģ":129998,"ÙĥØ´Ùģ":129999,"ìĺ¨":130000,"à¸ĸà¹Īาย":130001,"Ġkullanıl":130002,"Ġtô":130003,"ãģ«ãĤĪãĤĬ":130004,"ĠëĺIJíķľ":130005,"Ġ×¢×ij×ķ×ĵ×Ķ":130006,"Ġriê":130007,"Ġriêng":130008,"Ġyakın":130009,"زا":130010,"Å»":130011,"×IJ×ķ׼׾":130012,"شارÙĥ":130013,"ĠбеÑģ":130014,"×´":130015,"ĠابÙĨ":130016,"ĠTá»ķng":130017,"ÙĨظ":130018,"ÅĽwiad":130019,"ãĤµãĥ¼":130020,"หาย":130021,"ĠGün":130022,"Ġhakkında":130023,"à¹Ģà¸Ĥà¹īามา":130024,"زÙĨ":130025,"ĠÐłÐ¾":130026,"Ġbiá»ĥn":130027,"ãģ©ãģĵ":130028,"ÙģعÙĦ":130029,"زع":130030,"פר×ĺ":130031,"Ġ×Ķף":130032,"Ø£ÙĩÙĦ":130033,"Ġthất":130034,"ØŃÙħÙĦ":130035,"ÑĩÑĥ":130036,"ĠìĤ¬ìĭ¤":130037,"ì°¸":130038,"ĠìľĦíķ´":130039,"ÙĪظ":130040,"ĠÐŁÐ¾Ð´":130041,"Ġkhoản":130042,"ÑĤен":130043,"ĠÙģاÙĦ":130044,"Ñģад":130045,"à¸Ļà¸Ńà¸Ļ":130046,"ĠاÙĦسعÙĪدÙĬØ©":130047,"\"ØĮ":130048,"ĠاÙĦÙĴ":130049,"ãĤīãģļ":130050,"Ġtoán":130051,"Ġchắc":130052,"׼×Ļר":130053,"méd":130054,"média":130055,"زÙĪ":130056,"Ġyanı":130057,"פ׳×Ļ×Ŀ":130058,"ØŃظ":130059,"ĠбеÑģп":130060,"ĠбеÑģплаÑĤ":130061,"ĠбеÑģплаÑĤно":130062,"ĠØ£ÙħاÙħ":130063,"à¸Ńาย":130064,"à¸Ńายุ":130065,"רשת":130066,"Ġgá»ĵ":130067,"Ġgá»ĵm":130068,"Ġuá»ijng":130069,"صب":130070,"kır":130071,"ãĥijãĥ¼":130072,"Ġ׾×ĵעת":130073,"ĠкÑĥпиÑĤÑĮ":130074,"׾×ķ×Ĺ":130075,"ÙĪضع":130076,"ÙĤÙĬÙħ":130077,"à¸Ľà¸²":130078,"жив":130079,"à¸Ķิà¸Ļ":130080,"×IJ×ķפ":130081,"à¹Ģลà¹ĩà¸ģ":130082,"ãĥĥãĥī":130083,"иÑĩеÑģкиÑħ":130084,"ĠChủ":130085,"кÑĢаÑģ":130086,"ÙĪصÙĦ":130087,"pÅĤat":130088,"моÑĢ":130089,"Ġ×Ķ×IJ×ķ":130090,"à¸Ńิà¸Ļ":130091,"ĠíķľêµŃ":130092,"гÑĢе":130093,"Ġìłľê³µ":130094,"ì°½":130095,"Ġê°ľìĿ¸ìłķë³´":130096,"Ġnghá»ĭ":130097,"à¸ĭา":130098,"ØŃساب":130099,"ĠbyÅĤa":130100,"ÙħÙĦÙĥ":130101,"иÑĩеÑģкие":130102,"Ġbác":130103,"ضØŃ":130104,"길":130105,"ש×ŀ×¢":130106,"Ġìĸ´ëĸ»":130107,"Ġìĸ´ëĸ»ê²Į":130108,"ìĽĮ":130109,"اتÙĩ":130110,"à¹Ĥรà¸ĩà¹ģ":130111,"à¹Ĥรà¸ĩà¹ģรม":130112,"خدÙħØ©":130113,"ĠÐłÐ°":130114,"׼×ķ׾×Ŀ":130115,"×ŀש×Ĺק":130116,"ĠÙĪÙĥاÙĨ":130117,"ס×ķ×£":130118,"ĠاÙĦØŃÙĥÙĪÙħØ©":130119,"Ġ×ij×ĺ":130120,"ĠtráºŃn":130121,"Ġ×Ķ×¢×ķ׾×Ŀ":130122,"ĠÃŃch":130123,"tÄħ":130124,"ש×ŀ×ķ":130125,"Ġ×Ķר×IJש×ķף":130126,"Ġíķĺê³ł":130127,"ãģķãĤī":130128,"ãģķãĤīãģ«":130129,"ãģ«ãģĹãģ¦":130130,"Ġà¸ľà¸¡":130131,"ãģ®ãĤĪãģĨãģª":130132,"ĠÙĪÙĤت":130133,"ãĥįãĥĥãĥĪ":130134,"ÙĦعب":130135,"ÙĪØ´":130136,"ìĺ¬":130137,"Ġหาà¸ģ":130138,"ĠmiaÅĤ":130139,"à¸Ĺà¸Ńà¸ĩ":130140,"иÑĤа":130141,"اصر":130142,"илÑģÑı":130143,"зе":130144,"à¸Ľà¸£à¸°à¸¡à¸²à¸ĵ":130145,"ãģĿãĤĮãģ¯":130146,"Ġbır":130147,"Ġbırak":130148,"صÙĨاع":130149,"Ю":130150,"شعر":130151,"Ġ׳×Ĵ×ĵ":130152,"Ġبسبب":130153,"ãĥĿãĤ¤":130154,"ãĥĿãĤ¤ãĥ³ãĥĪ":130155,"ĠاÙĦجÙĪ":130156,"ĠнеÑģколÑĮко":130157,"Ġkiếm":130158,"ÙģÙİ":130159,"Ġضد":130160,"×ij×Ļ×ĺ×ķ×Ĺ":130161,"تابع":130162,"ÙĨز":130163,"ĠBản":130164,"Ġaçıkl":130165,"Ġaçıklama":130166,"Ġà¸Ħุà¸ĵ":130167,"à¸Ĺา":130168,"ÅĤów":130169,"طب":130170,"ÙĨØŃÙĨ":130171,"Ġ×ŀק×ķר":130172,"ĠÄ°s":130173,"Ġдома":130174,"Ġวัà¸Ļ":130175,"ĠdÃłnh":130176,"Ñıн":130177,"миÑĢ":130178,"Ġmô":130179,"ĠvÃłng":130180,"صاب":130181,"sının":130182,"à¸Ħืà¸Ļ":130183,"خبر":130184,"×ĸ׼×ķ":130185,"Ġ×ŀש×Ķ×ķ":130186,"mü":130187,"Ġкомпании":130188,"Ġ×Ķ×¢×Ļר":130189,"ĠÙĥÙĪ":130190,"ÙĤÙĦب":130191,"ĠlỼp":130192,"ики":130193,"׳×ij":130194,"à¹Ĥà¸Ħร":130195,"à¹Ĥà¸Ħรà¸ĩ":130196,"à¹Ĥà¸Ħรà¸ĩà¸ģาร":130197,"×ŀ×ķ×¢×ĵ":130198,"ÑıÑĤÑģÑı":130199,"หลัà¸ĩà¸Īาà¸ģ":130200,"ениÑİ":130201,"Ġשע":130202,"ĠbÆ°á»Ľc":130203,"ãĥ¡ãĥ¼ãĥ«":130204,"ãĤĦãĤĬ":130205,"Ġ×Ļ×ķ×ĵ×¢":130206,"Ġê´Ģíķľ":130207,"ĠاÙĦØ£Ùħر":130208,"Ġbölge":130209,"ĠÑģвой":130210,"ÙĦس":130211,"Ġ×ŀ×Ļ×ķ×Ĺ×ĵ":130212,"ĠëĤ´ìļ©":130213,"ĠأجÙĦ":130214,"ĠÄIJông":130215,"Ġ×ŀ×ł×ª":130216,"Ġìĭľê°Ħ":130217,"ÙĥÙİ":130218,"ãģ¨ãģĦãģĨãģ®ãģ¯":130219,"Ġnależy":130220,"تÙĨظÙĬÙħ":130221,"ĠÑģозда":130222,"Ġphé":130223,"Ġphép":130224,"ãģ§ãģįãģ¾ãģĻ":130225,"ĠعÙĦÙħ":130226,"大ãģįãģª":130227,"ãĤ²ãĥ¼ãĥł":130228,"íħĮ":130229,"Ġ׼×ķ׾׾":130230,"ĠинÑĤеÑĢнеÑĤ":130231,"ĠTừ":130232,"ãģ¨ãģªãĤĭ":130233,"زاÙĦ":130234,"Ġktórym":130235,"Ġnhé":130236,"ìĪľ":130237,"нев":130238,"деÑĢ":130239,"ãĤ¢ãĥĹãĥª":130240,"iá»ĩu":130241,"×ij×Ļ׾":130242,"Ġتس":130243,"ĠÄIJây":130244,"ĠاÙĦخاصة":130245,"Ġà¹Ģà¸Ĭ":130246,"Ġà¹Ģà¸Ĭà¹Īà¸Ļ":130247,"صاد":130248,"Ġdạng":130249,"سعر":130250,"Ġש×Ļ×ŀ×ķש":130251,"×Ĵ×Ļ×Ŀ":130252,"ãģĮãģĤãģ£ãģŁ":130253,"пÑĢов":130254,"пÑĢовод":130255,"Ġ×IJ×Ļ׳×ķ":130256,"Ġ׾ר×IJ":130257,"Ġ׾ר×IJ×ķת":130258,"ĠØ£ÙģضÙĦ":130259,"ĠØŃÙĦ":130260,"ĠأبÙĪ":130261,"ê°ķ":130262,"Ġì§ij":130263,"ãģ®ãĤĪãģĨãģ«":130264,"Ġפ׳×Ļ":130265,"ס×Ļ×Ŀ":130266,"ĠÙĪÙĩذا":130267,"Ġkaç":130268,"Ġéén":130269,"Ġê±´":130270,"ë°Ķ":130271,"Ñĥз":130272,"à¸Ĥà¸Ńà¸ĩà¹Ģรา":130273,"iÅĤ":130274,"ĠÐľÑĭ":130275,"Ġchết":130276,"ĠاÙĦثاÙĨÙĬ":130277,"×IJק":130278,"Ġ×ķ×¢×ľ":130279,"ĠاÙĦطب":130280,"×ij×ĺ×Ĺ":130281,"ĠجدÙĬدة":130282,"ĠعدÙħ":130283,"عز":130284,"สิà¹Īà¸ĩà¸Ĺีà¹Ī":130285,"ãģĻãĤĮãģ°":130286,"ĠÄijô":130287,"ì£ł":130288,"دÙĤ":130289,"номÑĥ":130290,"Ġká»ĥ":130291,"ãĤ¢ãĥ³":130292,"å¤ļãģıãģ®":130293,"à¸Ľà¸£à¸°à¸ģ":130294,"à¸Ľà¸£à¸°à¸ģà¸Ńà¸ļ":130295,"פע×Ļ׾×ķת":130296,"ĠÑģÑĤол":130297,"mayı":130298,"ãģ¤ãģĦ":130299,"Ġyılında":130300,"Ġà¸Īึà¸ĩ":130301,"koÅĦcz":130302,"ĠThông":130303,"ĠакÑĤив":130304,"нÑģÑĤ":130305,"нÑģÑĤÑĢÑĥ":130306,"ĠÃĸz":130307,"Ġת×ŀ×Ļ×ĵ":130308,"ĠÙĥÙĨت":130309,"ÑģиÑģÑĤем":130310,"prés":130311,"présent":130312,"Ġnâ":130313,"Ġnâng":130314,"gÅĤos":130315,"ĠÙĪزÙĬر":130316,"ØŃصÙĦ":130317,"ĠимееÑĤ":130318,"ØŃرÙĥØ©":130319,"à¸ŀà¹Īà¸Ń":130320,"ãĤĴãģĬ":130321,"ĠاستخداÙħ":130322,"×IJ×Ļר×ķ×¢":130323,"ä»ĸãģ®":130324,"Ġש×Ķ×Ŀ":130325,"ãģĹãģŁãĤī":130326,"ש×ŀ×Ļ":130327,"Ñģла":130328,"mı":130329,"Ġbazı":130330,"Ġíķĺì§Ģë§Į":130331,"×ĵ׾":130332,"Ġyaptıģı":130333,"ãĥĬãĥ¼":130334,"׾×Ļ׾×Ķ":130335,"ãģ¨ãģĦãģ£ãģŁ":130336,"ändig":130337,"ĠÅŁa":130338,"ĠÙģÙĬÙħا":130339,"иÑĤелÑı":130340,"×ŀ×ķש":130341,"à¸Ĥà¸Ńà¸ļ":130342,"lük":130343,"Ġhá»ĵi":130344,"Ġëªħ":130345,"ĠاÙĦÙĥØ«ÙĬر":130346,"צ×IJ":130347,"Ġhazır":130348,"طرÙģ":130349,"اÙĬا":130350,"ĠÄijôi":130351,"енд":130352,"ÙĦغ":130353,"×Ĺ×ĸ×ķר":130354,"ĠвÑģег":130355,"ĠвÑģегда":130356,"ëIJĺê³ł":130357,"×ĵ×ķ×ĵ":130358,"ана":130359,"دÙĪÙĦØ©":130360,"Ġhoạch":130361,"عÙĦا":130362,"عÙĦاج":130363,"Ġ×ķ×¢×ĵ":130364,"×Ķ×Ŀ":130365,"кий":130366,"ÙĦÙIJ":130367,"Ġ×¢×ľ×Ļ×ķ":130368,"ÑİÑīий":130369,"Ġngủ":130370,"صÙĨع":130371,"ĠاÙĦعراÙĤ":130372,"à¸ķà¹Īà¸Ńà¹Ħà¸Ľ":130373,"ãģŁãģıãģķãĤĵ":130374,"Ġphạm":130375,"ÙĦاÙĨ":130376,"اتÙĩا":130377,"Ġböyle":130378,"تÙĨÙģÙĬ":130379,"تÙĨÙģÙĬØ°":130380,"Ġש×Ķ×Ļ×IJ":130381,"ÑģÑĥ":130382,"ยาว":130383,"Ġש×ķ׳×Ļ×Ŀ":130384,"Ġ×ŀ×ķ׾":130385,"ĠÑģил":130386,"Ġ×IJ×Ĺר×Ļ×Ŀ":130387,"Ġphủ":130388,"ÙĤطع":130389,"ĠThủ":130390,"à¸Ľà¸£à¸°à¹Ģà¸Ĺศà¹Ħà¸Ĺย":130391,"ÙĨÙĤ":130392,"ĠÄijoạn":130393,"Ġبإ":130394,"пÑĢедел":130395,"×ķת×ķ":130396,"Ġyarı":130397,"пÑĢе":130398,"ĠczÄĻÅĽci":130399,"ØŃÙĥÙħ":130400,"×ķ׳×Ļת":130401,"×¤×¢×ľ":130402,"ãĤĴãģĹãģ¦":130403,"Ġktórzy":130404,"׾×Ŀ":130405,"ĠÄIJiá»ģu":130406,"ĠкоÑĤоÑĢаÑı":130407,"ĠìĿ´ìĥģ":130408,"ãģĤãģ£ãģŁ":130409,"Ġ×ŀ×ĵ×ķ×ijר":130410,"פ×ķ×¢×ľ":130411,"dım":130412,"éĢļãĤĬ":130413,"ĠбÑĥдÑĥÑĤ":130414,"à¹Ģวà¹ĩà¸ļà¹Ħà¸ĭ":130415,"à¹Ģวà¹ĩà¸ļà¹Ħà¸ĭà¸ķà¹Į":130416,"اخر":130417,"×Ĺ×Ļ׾":130418,"Ġ×Ļ׾":130419,"Ġ×Ļ׾×ĵ×Ļ×Ŀ":130420,"×Ĺ×Ļפ":130421,"×Ĺ×Ļפ×ķש":130422,"Ġdòng":130423,"Ġש×ĸ×Ķ":130424,"ÑĮе":130425,"ãģĤãģ¨":130426,"ìŀIJê°Ģ":130427,"×IJ×ĵ":130428,"Ġüz":130429,"Ġüzere":130430,"ظÙĦ":130431,"Ġ×IJ×ķ׾×Ļ":130432,"Ġ×ij×Ļ×ķ×Ŀ":130433,"ÙĦات":130434,"Ġmê":130435,"침":130436,"تØŃد":130437,"تØŃدث":130438,"Ġخاصة":130439,"ĠبرÙĨ":130440,"ĠبرÙĨاÙħج":130441,"ĠHÃłn":130442,"×Ĺס":130443,"ĠÙĪÙĦÙħ":130444,"×¢×Ŀ":130445,"Ġmı":130446,"à¸Łà¸±à¸ĩ":130447,"שע×Ķ":130448,"ÙĪÙģÙĤ":130449,"ס×ij×Ļר":130450,"алÑĮнÑĭй":130451,"×Ĺש×ķ×ij":130452,"ĠnÃłng":130453,"ë³¼":130454,"ĠкоÑĤоÑĢÑĭÑħ":130455,"Ġ×Ĺ×ķק":130456,"tör":130457,"ĠлÑĥÑĩÑĪе":130458,"ãĥijãĥ³":130459,"ลà¹Īาสุà¸Ķ":130460,"ĠجدÙĬد":130461,"ÙĬدة":130462,"à¸Ĺรà¸ĩ":130463,"ãĤĪãĤĬãĤĤ":130464,"ÙĦÙĦ":130465,"ãĤĤãģ£ãģ¨":130466,"ש×ĺ×Ĺ":130467,"Ġ×ķ×IJ×Ļ":130468,"Ġgiá»ijng":130469,"إضاÙģ":130470,"קת":130471,"ë§Ŀ":130472,"ĠzostaÅĤ":130473,"ÑĢоз":130474,"×Ļפ×Ļ×Ŀ":130475,"Ġ׼׾׾":130476,"ת×ķ׼ף":130477,"dıģını":130478,"ÙĤسÙħ":130479,"ĠÑģÑĩиÑĤ":130480,"ĠÑģÑĩиÑĤа":130481,"×ĺ×ķת":130482,"ĠÆ°u":130483,"ĠØ¢ÙĦ":130484,"Ġмом":130485,"ĠмоменÑĤ":130486,"ĠاÙĦتعÙĦÙĬÙħ":130487,"×¢×ľ×ķת":130488,"Ġchữa":130489,"Ġyön":130490,"ĠtrÃł":130491,"ĠØŃÙĬÙĨ":130492,"à¸ĭั":130493,"ĠCá":130494,"×¢×ĸ":130495,"ĠاÙĦØ£ÙħÙĨ":130496,"cÃŃ":130497,"Ġvá»ijn":130498,"Ġà¸Ļาย":130499,"обÑĢа":130500,"ק×IJ":130501,"Ġthiếu":130502,"ãĥŀãĥ¼":130503,"สวà¸Ļ":130504,"Ġgá»Ń":130505,"Ġgá»Ńi":130506,"Ġê¹":130507,"Ġê¹Ģ":130508,"Ġthiá»ĩn":130509,"ÙĤع":130510,"wÄĻ":130511,"Ġнам":130512,"ÑĤол":130513,"Ġsân":130514,"ס×ķ×Ĵ":130515,"Ġgeçir":130516,"ÑĤон":130517,"ева":130518,"ĠÙĪضع":130519,"Ġعشر":130520,"Ñģло":130521,"à¸Īัà¸ļ":130522,"ãĤ·ãĥ¼":130523,"ãĤĤãģĤãĤĬãģ¾ãģĻ":130524,"Ġvẻ":130525,"ĠÄIJá»ĥ":130526,"رÙģع":130527,"ĠاÙĦØ£ÙĪÙĦÙī":130528,"ÑĤаÑĢ":130529,"ãģªãģıãģ¦":130530,"ÙħÙİ":130531,"quÃŃ":130532,"×¢×ł×Ļ×Ļ׳":130533,"ген":130534,"Ġhôm":130535,"à¸Īา":130536,"ĠnhỼ":130537,"ĠاÙĦعربÙĬ":130538,"×IJף":130539,"Ġlá»Ļ":130540,"ĠjeÅĽli":130541,"à¹Ģà¸Ĺà¹Īาà¸Ļัà¹īà¸Ļ":130542,"ĠØ£ÙĨÙĩا":130543,"Ġtuy":130544,"Ġtuyá»ĩt":130545,"Ġتص":130546,"ĠتصÙĨÙĬ":130547,"ĠتصÙĨÙĬÙģ":130548,"Ġê·¸ëŁ¬ëĤĺ":130549,"оÑĨен":130550,"à¸ģิà¸Īà¸ģรรม":130551,"ãĤĦãģ£ãģ¦":130552,"Ġkhá»ıi":130553,"Ġlá»ĩ":130554,"ĠاÙĦÙħجتÙħع":130555,"à¸Ńาà¸Īà¸Īะ":130556,"à¸Īะà¹Ģà¸Ľà¹ĩà¸Ļ":130557,"овÑĭй":130558,"ר×Ŀ":130559,"รà¹īà¸Ńà¸Ļ":130560,"ש×ŀש":130561,"人ãģ«":130562,"Ġüzerine":130563,"פר×Ļ":130564,"duÄŁu":130565,"Ñĩик":130566,"Ġmùa":130567,"Ġ×ŀת×ķ×ļ":130568,"ĠcáºŃp":130569,"ĠتارÙĬØ®":130570,"×ij×ľ×ª×Ļ":130571,"Ġì¢Ģ":130572,"ÙĦع":130573,"باÙĨ":130574,"Ġchút":130575,"Ġ×Ķ×ĸ×ŀף":130576,"née":130577,"ĠLiên":130578,"ĠÙĦÙĦØ£":130579,"ØŃدÙĪد":130580,"Ġ×¢×Ľ×©×Ļ×ķ":130581,"воз":130582,"Ġyaptı":130583,"Ġобо":130584,"à¹ĥหà¹īà¸ģัà¸ļ":130585,"Ġ×ij×Ķ×Ŀ":130586,"ãģıãģ¦":130587,"رأس":130588,"ĠÑģÑĢедÑģÑĤв":130589,"ĠBÃłi":130590,"ãģĵãģ¨ãģ«":130591,"ĠìĤ¬íļĮ":130592,"Ġ모ëijIJ":130593,"×ij×IJ":130594,"Ġtrắng":130595,"ĠاÙĦبÙĦد":130596,"ĠHoÃłng":130597,"либо":130598,"ĠдÑĢÑĥгиÑħ":130599,"Ä°R":130600,"Ñĥма":130601,"ĠJeÅĽli":130602,"ãĤĤãģĹ":130603,"Ġvòng":130604,"Ġ×IJתר×Ļ×Ŀ":130605,"ĠÄijá»įc":130606,"ĠвоÑĤ":130607,"ãģłãģĮ":130608,"ë°°":130609,"à¸Ķูà¹ģล":130610,"Ġ×ŀ׼׾":130611,"ìĹIJëıĦ":130612,"газ":130613,"Ġ׳×ķספ×Ļ×Ŀ":130614,"ãģĵãģ¨ãģ§":130615,"ĠتÙĪ":130616,"ãģ§ãģĤãĤĬ":130617,"à¸Ļัà¹Īà¸ĩ":130618,"ĠможеÑĤе":130619,"szÄĻ":130620,"ãģ®ãģł":130621,"ĠÙħÙĨÙĩ":130622,"Ġbá»ķ":130623,"Ġbüt":130624,"Ġbütün":130625,"ë³´ê³ł":130626,"Ġchá»ĵng":130627,"à¹ģà¸Īà¹īà¸ĩ":130628,"ĠVì":130629,"ĠØŃر":130630,"Ġgiản":130631,"ĠÙħدÙĬÙĨØ©":130632,"تطبÙĬÙĤ":130633,"à¸Īิ":130634,"æĹ¥ãģ®":130635,"бил":130636,"à¸ģà¸Ńà¸ĩ":130637,"ê³³":130638,"ĠØ£Ùħا":130639,"ìĨIJ":130640,"Ġtrái":130641,"ĠвÑģем":130642,"ĠسÙĨØ©":130643,"ĠÑģайÑĤ":130644,"ĠгоÑĤов":130645,"пÑĭ":130646,"ĠëIJł":130647,"ĠاÙĦخط":130648,"ĠاÙĦرئÙĬسÙĬØ©":130649,"Ġíķ©ëĭĪëĭ¤":130650,"ĠìķĦëĭĪëĿ¼":130651,"ĠìĿ´ëłĩ":130652,"ĠìĿ´ëłĩê²Į":130653,")ØĮ":130654,"hält":130655,"ĠØ£Ùħر":130656,"ĠعÙħر":130657,"à¸ģà¹ĩà¸Īะ":130658,"Ġà¸Ĺำà¹ĥหà¹ī":130659,"Ġcân":130660,"Ġ×ij׾":130661,"Ġ×ij׾×ij×ĵ":130662,"פסק":130663,"ĠÙĬÙĤÙĪÙĦ":130664,"нÑĥÑĤÑĮ":130665,"à¹ģà¸Ħ":130666,"Ġקצת":130667,"Ġnằm":130668,"Ġhòa":130669,"bilitÃł":130670,"ĠìĹĨëĭ¤":130671,"Ġ׼פ×Ļ":130672,"ÑĢож":130673,"лага":130674,"Ġ×Ķש×Ļ":130675,"ĠNgoÃłi":130676,"ĠÙĪج":130677,"ĠÙĪجÙĪد":130678,"ĠìľĦíķľ":130679,"ĠusÅĤug":130680,"Ġtuần":130681,"dź":130682,"×ŀ×ķף":130683,"ĠاÙĦعدÙĬد":130684,"Ġchẳng":130685,"สุà¸Ĥà¸łà¸²à¸ŀ":130686,"Ġ×ij×ĵר×ļ":130687,"ĠÑģебе":130688,"ĠìŀĪìĿĦ":130689,"ĠاÙĦØŃاÙĦ":130690,"Ġdá":130691,"ĠcÆ°á»Ŀi":130692,"Ġnghiên":130693,"ieÅĦ":130694,"ĠDÆ°Æ¡ng":130695,"ï¼ħ":130696,"شد":130697,"ãģĦãģ¤ãĤĤ":130698,"ĠвÑĭбоÑĢ":130699,"Ġcá»Ļng":130700,"ש×Ļ׳×ķ×Ļ":130701,"Ġchạy":130702,"Ġ×ij×¢×ľ×Ļ":130703,"اخبار":130704,"íķĺë©°":130705,"żÄħ":130706,"جاز":130707,"Ġ׳ר×IJ×Ķ":130708,"ศู":130709,"ศูà¸Ļ":130710,"ศูà¸Ļยà¹Į":130711,"×Ĵ×¢":130712,"Ġ×¢×ĵ×Ļ":130713,"Ġ×¢×ĵ×Ļ×Ļף":130714,"برا":130715,"ÑĨий":130716,"ĠÄIJá»ĵng":130717,"ÙĤاÙĨÙĪÙĨ":130718,"ĠÄijứng":130719,"ãģĹãģŁãĤĬ":130720,"Ġ×Ĺ×Ļ×Ļ":130721,"ĠëIJľ":130722,"ĠëIJľëĭ¤":130723,"ĠмеждÑĥ":130724,"à¸ŀวà¸ģà¹Ģà¸Ĥา":130725,"ĠBắc":130726,"ลำ":130727,"ë°±":130728,"ĠíĻķ":130729,"มาà¸ģม":130730,"มาà¸ģมาย":130731,"банк":130732,"à¸Ńาà¸ģาร":130733,"ĠhÃł":130734,"Ġ׾׳":130735,"à¸Ńà¸Ń":130736,"Ġë°Ķë¡ľ":130737,"лом":130738,"mática":130739,"ĠØŃد":130740,"ابت":130741,"à¸Ĺีà¹Īà¸Ļีà¹Ī":130742,"ĠcoÅĽ":130743,"ÙģÙĬدÙĬ":130744,"ÙģÙĬدÙĬÙĪ":130745,"ĠмеÑģÑĤо":130746,"Ġphút":130747,"มาà¸ģà¸ģวà¹Īา":130748,"×IJפ":130749,"بÙIJ":130750,"ĠPhú":130751,"ì±Ħ":130752,"ĠÙĪسÙĦÙħ":130753,"à¸Īีà¸Ļ":130754,"поÑĤÑĢеб":130755,"Ġ×Ĺ×ĵש×ķת":130756,"Ø´ÙĪ":130757,"Ġעצ×ŀ×ķ":130758,"ĠعÙħÙĦÙĬØ©":130759,"à¸Ħุà¸ĵà¸łà¸²à¸ŀ":130760,"ãģ¾ãģĻãģĮ":130761,"دعÙĪ":130762,"طرÙĤ":130763,"à¹Ħมà¹Īà¸ķà¹īà¸Ńà¸ĩ":130764,"ë²Ķ":130765,"ìĬ¹":130766,"ĠkÃŃch":130767,"ĠìĹĨëĬĶ":130768,"ĠÑĤам":130769,"ĠÙĨØŃÙĪ":130770,"ĠاÙĦÙĤاÙĨÙĪÙĨ":130771,"×Ĺ×ķ×Ŀ":130772,"Ġkız":130773,"Ġ×ĵ×Ļף":130774,"ĠвÑĢемени":130775,"ãģ£ãģŁãĤĬ":130776,"ĠØ´Ùĩر":130777,"ĠìĦľë¹ĦìĬ¤":130778,"עש×Ķ":130779,"Ġgiác":130780,"ĠاÙĦسÙĦاÙħ":130781,"Ġ×IJש":130782,"ĠполÑĥÑĩа":130783,"à¸Īัà¸Ķà¸ģาร":130784,"коÑĢ":130785,"Ġ×Ķ×ĺ×ķ×ij":130786,"รายà¸ģาร":130787,"주ìĿĺ":130788,"à¹ģà¸ķà¹Īละ":130789,"Ġê·¸ëŁ°ëį°":130790,"à¸Ĺีà¹Īà¹Ģà¸Ľà¹ĩà¸Ļ":130791,"Ġת×ķ×ļ":130792,"بÙĬاÙĨ":130793,"ÐĻ":130794,"oÅĽciÄħ":130795,"ÑĤок":130796,"ĠÃĶ":130797,"ĠÃĶng":130798,"à¹Ħมà¹Īà¹ĥà¸Ĭà¹Ī":130799,"ãģ¿ãģ¦":130800,"ÐŁÐ¾":130801,"ĠЧÑĤо":130802,"íĻ©":130803,"×ĺ×ij×¢":130804,"меÑĤÑĢ":130805,"Ġ×ij×ŀ×Ķ":130806,"Ġ×ij×ŀ×Ķ׾":130807,"Ġ×ij×ŀ×Ķ׾×ļ":130808,"ÑĩÑĮ":130809,"קש×Ķ":130810,"знак":130811,"знаком":130812,"ujÄĻ":130813,"×Ļצר":130814,"ĠاÙĦÙħÙĦÙĥ":130815,"ıyla":130816,"×IJ×ŀת":130817,"à¸Ľà¸´à¸Ķ":130818,"×IJ×Ĺ×ĵ":130819,"راد":130820,"ĠmáºŃt":130821,"ëĭ¤ëĬĶ":130822,"Ġlạnh":130823,"ש׾×ķש":130824,"ØŃدÙĬØ«":130825,"تز":130826,"å¹´ãģ®":130827,"ĠкваÑĢ":130828,"ĠкваÑĢÑĤиÑĢ":130829,"ä½ľãĤĬ":130830,"رÙĪب":130831,"ован":130832,"ĠТе":130833,"à¸Īำà¸ģ":130834,"à¸Īำà¸ģัà¸Ķ":130835,"باط":130836,"×Ĵת":130837,"ĠмаÑĪ":130838,"ĠмаÑĪин":130839,"×Ļצ×Ķ":130840,"ãģ»ãģ¨":130841,"ãģ»ãģ¨ãĤĵãģ©":130842,"ÃŃdo":130843,"ĠÑıзÑĭк":130844,"à¸ļิà¸Ļ":130845,"สà¸ĸาà¸Ļà¸Ĺีà¹Ī":130846,"ĠìĹ´":130847,"ãĤ¦ãĤ§":130848,"ĠcÃł":130849,"пан":130850,"åı£ãĤ³ãĥŁ":130851,"Ġرد":130852,"اÙĤت":130853,"ĠÙĥب":130854,"ĠÙĥبÙĬرة":130855,"ÑģÑĤал":130856,"ש×ŀ×Ĺ":130857,"posición":130858,"ĠÙħÙĦÙĬÙĪÙĨ":130859,"ĠìĿ´ìķ¼":130860,"ĠìĿ´ìķ¼ê¸°":130861,"Ġhút":130862,"ĠÅĽwiat":130863,"Ġë°©ë²ķ":130864,"ĠÑģвеÑĤ":130865,"Ġвидео":130866,"ĠاÙĦÙĨظاÙħ":130867,"Ġtrá»Ŀi":130868,"ĠëĮĢíķ´ìĦľ":130869,"ר×ŀת":130870,"تداÙĪÙĦ":130871,"×ķר×ĵ":130872,"ת×ŀ":130873,"ת×ŀ×ķ׳×ķת":130874,"Ġ×ŀף":130875,"Ġдва":130876,"Ġ×Ķק×ķ":130877,"æĹ¥ãģ«":130878,"Ġ×Ķ×Ĵ×Ļ×¢":130879,"à¹Ģà¸ŀิà¹Īมà¹Ģà¸ķิม":130880,"Ùħارس":130881,"Ġê²ĥìŀħëĭĪëĭ¤":130882,"ãģªãģĦãģ¨":130883,"Ġnhiá»ĩt":130884,"ëIJ©ëĭĪëĭ¤":130885,"Ġ×ij׳×ķש×IJ":130886,"Ġê°Ģìŀ¥":130887,"Ġvợ":130888,"ĠÄijóng":130889,"צ×Ļ׾×ķ×Ŀ":130890,"ê´Ģê³Ħ":130891,"ваÑı":130892,"×IJ×Ļ×ĸ":130893,"×IJ×Ļ×ĸ×Ķ":130894,"ĠÙĨظاÙħ":130895,"ÙħØŃاÙģظ":130896,"Ġtải":130897,"기ëıĦ":130898,"à¸Ľà¸±à¸Īà¸Īุ":130899,"à¸Ľà¸±à¸Īà¸Īุà¸ļัà¸Ļ":130900,"׼×ĵ×ķר":130901,"ĠìķĦìĿ´":130902,"׼׳×Ļס":130903,"à¹Ģà¸ķร":130904,"à¹Ģà¸ķรียม":130905,"Ġngoại":130906,"ĠدÙĪÙĦار":130907,"Ġrẻ":130908,"ĠkhÄĥn":130909,"عدد":130910,"شعب":130911,"czyÄĩ":130912,"ĠاÙĦÙĥر":130913,"ĠÑĩеловека":130914,"ĠÙĪØ¥ÙĨ":130915,"×IJ×ĺ":130916,"ĠthÆ¡":130917,"ĠاÙĦرÙĬاض":130918,"опÑĢедел":130919,"опÑĢеделен":130920,"×Ķ×ŀש×ļ":130921,"ĠÐĿово":130922,"зÑĭва":130923,"ĠاÙĦدÙĪÙĦÙĬ":130924,"ĠÄijáp":130925,"ĠкÑĢед":130926,"ĠкÑĢедиÑĤ":130927,"ового":130928,"Ġmôn":130929,"à¸Ľà¸£à¸°à¹Ĥย":130930,"à¸Ľà¸£à¸°à¹Ĥยà¸Ĭà¸Ļ":130931,"à¸Ľà¸£à¸°à¹Ĥยà¸Ĭà¸Ļà¹Į":130932,"ÑģÑĤе":130933,"ĠThá»ĭ":130934,"دÙĬØ©":130935,"×ŀצ×ķ":130936,"Ùģات":130937,"ק×ĵ×Ŀ":130938,"ìĿ´ëĿ¼ê³ł":130939,"ÙĪØ®":130940,"Ġ×Ĺ×ĸ":130941,"ĠÑĦоÑĤо":130942,"׾×Ļת":130943,"تÙİ":130944,"ÙĪبر":130945,"йÑĤи":130946,"ĠÃ¶ÄŁren":130947,"Ġ×Ķ×ĸ×ķ":130948,"Ġvá»įng":130949,"ÙĤÙĪØ©":130950,"ĠTây":130951,"ĠÐĿи":130952,"Ġש×ķ×ij":130953,"ãģ¨è¨ĢãĤıãĤĮ":130954,"ãģ©ãĤĵãģª":130955,"×Ĺצ×Ļ":130956,"ï½ľ":130957,"Ġ×ķ×Ķ×ķ×IJ":130958,"ä¸Ģãģ¤":130959,"ĠÑģÑĤоиÑĤ":130960,"niÄħ":130961,"×ĺר×Ļ":130962,"ĠдеÑĤей":130963,"нÑıÑĤÑĮ":130964,"ĠÑģделаÑĤÑĮ":130965,"Ġë§İìĿ´":130966,"ä½ķãģĭ":130967,"ãģĽãĤĭ":130968,"à¹Ħหม":130969,"à¸ķิà¸Ķà¸ķà¹Īà¸Ń":130970,"Ġ×ijת×Ĺ":130971,"Ġ×ijת×Ĺ×ķ×Ŀ":130972,"ìĻĦ":130973,"ì§ĢëĬĶ":130974,"ÑģÑĤаÑĤ":130975,"ÑıÑģн":130976,"üb":130977,"Ġthả":130978,"Ġ×ij×IJ×ŀת":130979,"Ġtuyến":130980,"×ĵ×Ļר×Ķ":130981,"Ġ×IJ×Ļש×Ļ":130982,"×ĸ׼ר":130983,"ãģ°ãģĭãĤĬ":130984,"Ġxét":130985,"׼×Ļ×ķ":130986,"׼×Ļ×ķ×ķף":130987,"diÄŁini":130988,"ĠاÙĦÙħÙĪضÙĪع":130989,"ĠháºŃu":130990,"à¸Īาà¸ģà¸ģาร":130991,"×ijס×Ļס":130992,"Ġ×ŀ×Ĵ×Ļ×¢":130993,"×ij×Ļ×¢":130994,"ĠÙĪجÙĩ":130995,"à¹ģà¸Ķà¸ĩ":130996,"à¸Ļาà¸ĩ":130997,"ĠÅŀa":130998,"ì¡´":130999,"ë¡Ģ":131000,"à¸ķะ":131001,"Ġ×Ķ×Ĺ×Ļ×Ļ×Ŀ":131002,"ÙģÙĬد":131003,"ãģ§ãģĻãģĭãĤī":131004,"ê·ľ":131005,"źni":131006,"ĠлÑİдей":131007,"Ġyüzde":131008,"ıyorum":131009,"ĠاÙĦبØŃر":131010,"eño":131011,"паÑĢ":131012,"ÙĬÙĤØ©":131013,"обÑĢ":131014,"ר×ķ×ļ":131015,"تÙĪÙĤع":131016,"ĠاÙĦØ´ÙĬØ®":131017,"åĪĿãĤģãģ¦":131018,"ĠÑĤелеÑĦ":131019,"ĠÑĤелеÑĦон":131020,"Ġthôi":131021,"Ġ×Ļ׼×ķ׾×Ļ×Ŀ":131022,"ĠÅŁirk":131023,"ĠÅŁirket":131024,"Ġìļ°ë¦¬ê°Ģ":131025,"ĠÄijông":131026,"Ġת×ķ×ĵ×Ķ":131027,"ÑģмоÑĤÑĢеÑĤÑĮ":131028,"ĠÙĦÙĩÙħ":131029,"Ġ׾׼":131030,"ĠNó":131031,"ĠØŃاÙĦØ©":131032,"ãģĦãģij":131033,"קר×ķ":131034,"azı":131035,"ãĤ³ãĥ¼":131036,"ĠÙĦÙĦت":131037,"sınız":131038,"ĠHải":131039,"기ìĪł":131040,"ยัà¸ĩà¹Ħมà¹Ī":131041,"ëĭ¤ê³ł":131042,"פ×Ĺ":131043,"Ġ׾×Ĵ×ij×Ļ":131044,"ĠعÙĨÙĩ":131045,"Ġказ":131046,"Ġказино":131047,"بÙĪر":131048,"ÑĦеÑĢ":131049,"Ġê°ĻìĿ´":131050,"تسجÙĬÙĦ":131051,"ĠاÙĦÙħرÙĥز":131052,"ĠThái":131053,"даÑĤÑĮ":131054,"×ŀ×Ļ×Ļ׾":131055,"ĠpaylaÅŁ":131056,"ãģ¤ãģ®":131057,"à¹Ģรืà¸Ń":131058,"nça":131059,"׳×ķ×Ĺ":131060,"Ġ×IJפ×Ļ׾×ķ":131061,"ãģ¨èĢĥãģĪ":131062,"ãģ¨ãģĹãģ¦ãģ¯":131063,"à¹Ģà¸Īà¸Ń":131064,"×ŀפ":131065,"ĠgiriÅŁ":131066,"лиÑĤ":131067,"ÑĤелÑı":131068,"Ñijн":131069,"æ°Ĺãģ«":131070,"Ġgó":131071,"Ġgóp":131072,"åĪĩãĤĬ":131073,"Ġ×Ķ×Ĺ×ĵש":131074,"жал":131075,"Ġ×ĵעת":131076,"éģķãģĨ":131077,"à¹Ģà¸Ĥà¹īาà¹Ħà¸Ľ":131078,"Ġסר×ĺ":131079,"eña":131080,"æĸ°ãģĹãģĦ":131081,"رÙİ":131082,"ĠÐIJÑĢ":131083,"Ġphản":131084,"à¸Īะà¹Ħà¸Ķà¹ī":131085,"Ġ×ijצ×ķר×Ķ":131086,"شاÙĩ":131087,"شاÙĩد":131088,"ÙĪرد":131089,"à¹Ģà¸Ļืà¹Īà¸Ńà¸ĩà¸Īาà¸ģ":131090,"илиÑģÑĮ":131091,"à¹ģละà¸ģาร":131092,"Ġ×Ķ×ĸ׼":131093,"Ġ×Ķ×ĸ׼×ķ×Ļ×ķת":131094,"eiÃŁ":131095,"ãĥ¨":131096,"ìĥĪ":131097,"ĠÃĩa":131098,"Ư":131099,"ש×Ĵ":131100,"ÙĬÙĨØ©":131101,"รà¹īà¸Ńà¸ĩ":131102,"ãĤµãĥ³":131103,"ÑĢоÑģÑģий":131104,"ÑĢоÑģÑģийÑģк":131105,"aÄŁa":131106,"ĠнаÑĩина":131107,"ĠصÙĦÙī":131108,"à¸Ĺุà¸ģà¸Ħà¸Ļ":131109,"íļĮìĤ¬":131110,"ĠлиÑĨ":131111,"Ø´ÙĬر":131112,"ĠØ´ÙĬØ¡":131113,"ÙĬÙĨا":131114,"Ġפ×Ĺ×ķת":131115,"Ġiçeris":131116,"Ġiçerisinde":131117,"ĠØ£ØŃÙħد":131118,"Ġżeby":131119,"ì´Ŀ":131120,"Ġпоказ":131121,"Ġименно":131122,"หà¸Ļัà¸ĩส":131123,"หà¸Ļัà¸ĩสืà¸Ń":131124,"ĠÑĤÑĢе":131125,"สัà¸ĩà¸Ħม":131126,"Ø¥ÙIJ":131127,"ãģĮå¿ħè¦ģ":131128,"ÙĬÙijØ©":131129,"פצ":131130,"íĭ°":131131,"ĠÙħجاÙĦ":131132,"׳פש":131133,"кан":131134,"×Ĺ×ķפ":131135,"×Ĺ×ķפש":131136,"ì²ĺëŁ¼":131137,"оваÑı":131138,"зов":131139,"Ġhạ":131140,"ĠdziÄĻki":131141,"×Ļר×ķ":131142,"Ġ׾×ŀצ":131143,"Ġ׾×ŀצ×ķ×IJ":131144,"×Ļ×ĵ×ķ":131145,"Ġsợ":131146,"Ġ׾×Ķ×Ĵ×Ļ×¢":131147,"ק×ij×¢":131148,"Ġchiá»ģu":131149,"ãĥŀãĤ¤":131150,"ĠdÃłng":131151,"à¹ģà¸Łà¸Ļ":131152,"Ġüye":131153,"×Ļ׳×Ĵ":131154,"à¹Ģรียà¸ģ":131155,"ç§ģãģĮ":131156,"thé":131157,"ĠÑĦилÑĮ":131158,"ĠÑĦилÑĮм":131159,"ĠNgÃły":131160,"Ġжен":131161,"ĠженÑīин":131162,"جÙĬد":131163,"nç":131164,"à¸Ľà¸£à¸²":131165,"×Ļ×ŀ×ķ":131166,"Ġná»ģn":131167,"×IJ×ķ׾×Ŀ":131168,"ĠвозможноÑģÑĤÑĮ":131169,"Ġëĭ¤ìĭľ":131170,"è¦ĭãģŁ":131171,"à¸ĸà¸Ļ":131172,"à¸ĸà¸Ļà¸Ļ":131173,"mızı":131174,"ĠÙħجÙħÙĪعة":131175,"cjÄħ":131176,"ĠÐłÐ¤":131177,"à¸ģำหà¸Ļ":131178,"à¸ģำหà¸Ļà¸Ķ":131179,"ĠìĹ¬ê¸°":131180,"landı":131181,"ниÑĨ":131182,"ÑģÑĤве":131183,"Ġ×ĵ×ijר×Ļ×Ŀ":131184,"ĠskÅĤad":131185,"ãĤĬãģ¾ãģĹãģŁ":131186,"ĠоÑĤкÑĢÑĭÑĤ":131187,"нÑıÑĤ":131188,"ĠÑģвоей":131189,"à¸Īิà¸ķ":131190,"ĠкаÑĩеÑģÑĤве":131191,"ĠettiÄŁi":131192,"ìĤ¬íķŃ":131193,"ĠاÙĦÙĬÙħÙĨ":131194,"иÑĩеÑģкий":131195,"ë¸Į":131196,"Ġ×ij×IJרץ":131197,"ĠاسÙħ":131198,"ĠизвеÑģÑĤ":131199,"rão":131200,"ĠattivitÃł":131201,"à¹Ģà¸Ľà¹ĩà¸Ļà¸ģาร":131202,"ĠاÙĦدÙĥت":131203,"ĠاÙĦدÙĥتÙĪر":131204,"ĠÙĪاØŃدة":131205,"ĠÑģÑĩеÑĤ":131206,"ĠпÑĢиÑĩ":131207,"ĠпÑĢиÑĩин":131208,"ĠÙĪزارة":131209,"Ġhuyá»ĩn":131210,"ĠÙĥتاب":131211,"à¹ģà¸Ļà¹Īà¸Ļ":131212,"à¹ģà¸Ļà¹Īà¸Ļà¸Ńà¸Ļ":131213,"Ġgünü":131214,"гÑĢÑĥз":131215,"ĠاÙĦخاص":131216,"Ġgörül":131217,"׾×ŀ×ĵ":131218,"ĠìłķëıĦ":131219,"×ķ×ij×Ļ׾":131220,"Ġ×ŀקצ×ķ×¢×Ļ":131221,"ĠоÑģобенно":131222,"à¸Ľà¸£à¸°à¸ģา":131223,"à¸Ľà¸£à¸°à¸ģาศ":131224,"acaģını":131225,"ë¶ģ":131226,"à¸łà¸¹à¸¡à¸´":131227,"ĠÑįлекÑĤ":131228,"ĠÑįлекÑĤÑĢо":131229,"Ġקש×Ķ":131230,"سÙĦØ·":131231,"à¸Ĭà¸Ļะ":131232,"×¢×Ļ׾":131233,"ĠЧе":131234,"à¹ģà¸Ļà¹Ī":131235,"lıģ":131236,"lıģın":131237,"Ġ×ŀ×¢×¨×Ľ×ª":131238,"好ãģįãģª":131239,"มาà¸ģà¸Ĥึà¹īà¸Ļ":131240,"×ŀ×¢×ijר":131241,"ĠاÙĦÙħغرب":131242,"ĠпеÑĢи":131243,"ĠпеÑĢиод":131244,"Ġnhạc":131245,"اÙĪÙĬ":131246,"ĠÙĪعÙĦÙī":131247,"أخذ":131248,"ĠCô":131249,"תר×ij×ķת":131250,"×Ĵ×Ķ":131251,"Ġktórej":131252,"×IJ×Ļת":131253,"×ij×ķ×IJ":131254,"делÑĮ":131255,"รีวิ":131256,"รีวิว":131257,"жÑĥ":131258,"Ġ×ij×Ĺ×ķ":131259,"еÑĪÑĮ":131260,"ĠØ£ÙĦÙģ":131261,"ĠاÙĦÙĪØ·ÙĨÙĬ":131262,"ĠاÙĦÙħÙĨØ·ÙĤØ©":131263,"nÄħÄĩ":131264,"Ġthiên":131265,"иÑĩеÑģкой":131266,"ĠاÙĦÙħÙĦ":131267,"ĠعÙħ":131268,"ספר":131269,"Ġnhóm":131270,"ÙĪصÙģ":131271,"ĠChúng":131272,"ĠرÙĤÙħ":131273,"ãģ¾ãģĹãģŁãģĮ":131274,"alité":131275,"ลม":131276,"ĠëĤ´ê°Ģ":131277,"׾ק×ķ×Ĺ":131278,"ĠSÆ¡n":131279,"posição":131280,"miÄĻ":131281,"Ġtránh":131282,"ĠÄIJá»Ļ":131283,"׼×Ĺ":131284,"ãģĤãģ£ãģ¦":131285,"à¸Ńยà¹Īา":131286,"Ġ×ŀ×Ĺ×Ļר":131287,"Ġ×Ķ×Ļת×Ķ":131288,"à¸Ľà¹Īา":131289,"à¸Ńืà¹Īà¸Ļà¹Ĩ":131290,"Ø´ÙĤ":131291,"×ł×¡×Ļ":131292,"림":131293,"ãģ¦ãģĹãģ¾ãģĨ":131294,"Ġ×ŀצ×ij":131295,"ãģ«åĩº":131296,"ÙħÙĪاطÙĨ":131297,"ยัà¸ĩมี":131298,"алÑĮнÑĭе":131299,"sanız":131300,"إسرائÙĬÙĦ":131301,"ĠvÃłi":131302,"ì¤Ħ":131303,"ãģ¨æĢĿãģ£ãģ¦":131304,"×Ļ×ķ׳×Ļ":131305,"çĶŁãģį":131306,"Ġsâu":131307,"ÑĩиÑģÑĤ":131308,"Ġlá»ħ":131309,"ĠGiá":131310,"à¸Ńà¸¸à¸Ľ":131311,"à¸Ńà¸¸à¸Ľà¸ģร":131312,"à¸Ńà¸¸à¸Ľà¸ģรà¸ĵà¹Į":131313,"Ġnhẹ":131314,"rö":131315,"ס×ĺ×Ļ":131316,"ãģķãĤĵãģĮ":131317,"Ġdầu":131318,"عÙİ":131319,"ترا":131320,"×Ĵ×ĵ׾":131321,"Ġtécnica":131322,"׼׳×Ļ×Ŀ":131323,"תקש":131324,"תקש×ķרת":131325,"Ġнего":131326,"était":131327,"Ġmá»ģm":131328,"ÑģеÑĤ":131329,"ĠnháºŃt":131330,"Ġ×ŀ×¢×ľ":131331,"Ġ×Ķ×¢×ij×ķ×ĵ":131332,"Ġ×Ķ×¢×ij×ķ×ĵ×Ķ":131333,"Ġ×Ĵ×Ļ׾":131334,"ãģ¯ãģªãģĦ":131335,"ائØŃ":131336,"ĠздеÑģÑĮ":131337,"×IJ×Ļ׳×ĺר":131338,"ÙħÙIJ":131339,"Ġ×Ļ×Ĺ×ĵ":131340,"راÙģ":131341,"ì²ĺ리":131342,"×ĵ×¢×ķת":131343,"ì¹ľ":131344,"ĠТо":131345,"ĠThế":131346,"충":131347,"Ġ׳׼×ķף":131348,"عÙĬØ´":131349,"низ":131350,"ĠجاÙĨب":131351,"×ŀקצ×ķ×¢":131352,"à¹Ĥà¸ĭ":131353,"ÑģÑĥÑĤ":131354,"ìĸ´ìļĶ":131355,"ãĤĴè¦ĭãģ¦":131356,"ارد":131357,"Ġaçıl":131358,"ĠاÙĦØŃÙĬاة":131359,"à¸ģà¹ĩà¹Ħà¸Ķà¹ī":131360,"ãģĿãĤĮãĤĴ":131361,"عضÙĪ":131362,"ĠгÑĢаж":131363,"ĠгÑĢаждан":131364,"à¸Īะà¸ķà¹īà¸Ńà¸ĩ":131365,"ĠìĿ´ëŁ¬":131366,"ĠìĿ´ëŁ¬íķľ":131367,"Ġtrách":131368,"ÙĨÙİ":131369,"Ġkısa":131370,"ÃĶ":131371,"ÑĪка":131372,"ãģ®äºº":131373,"ĠÐŁÐ¾Ñģ":131374,"ĠÐŁÐ¾Ñģле":131375,"ÑĥлÑĮ":131376,"ÙĪاجÙĩ":131377,"ÙĤرب":131378,"à¸Ľà¸ıิà¸ļัà¸ķิ":131379,"ê°Ļ":131380,"Ġ×ŀ׳":131381,"ĠÑģвои":131382,"براÙħج":131383,"ĠرÙĪ":131384,"пÑĢод":131385,"пÑĢодаж":131386,"ĠbyÅĤy":131387,"วัย":131388,"Ġgörün":131389,"ĠÃĪ":131390,"ÑİÑīим":131391,"ĠÑĤакой":131392,"ÙģÙĪر":131393,"ĠÙģعÙĦ":131394,"Ġбел":131395,"ëIJł":131396,"erÃŃa":131397,"ĠÑģвоÑİ":131398,"Ġlã":131399,"Ġlãnh":131400,"à¹Ģà¸ŀืà¹Īà¸Ńà¹ĥหà¹ī":131401,"ÙĤÙĨ":131402,"تطÙĪÙĬر":131403,"Ġsayı":131404,"ĠÑģейÑĩаÑģ":131405,"Ġ×IJ×Ĺרת":131406,"ק×ķפ×Ķ":131407,"ק×ķרס":131408,"ĠسÙħ":131409,"Ġ×ĺ×Ļפ×ķ׾":131410,"ìĿ´ëĿ¼ëĬĶ":131411,"دراسة":131412,"èµ·ãģĵ":131413,"×Ĺ×Ļ׳":131414,"×Ĺ×Ļ׳×ķ×ļ":131415,"×ĵק":131416,"Ġë§ŀ":131417,"Ġкоманд":131418,"ĠÐijо":131419,"ĠигÑĢÑĭ":131420,"à¸ļี":131421,"ĠØ£Ùİ":131422,"вен":131423,"ĠاÙĦجدÙĬد":131424,"ĠÙĦØ¥":131425,"Ġ×ķ×IJ׳×Ļ":131426,"Ġ×Ķס×Ļ":131427,"иÑĩеÑģкого":131428,"رÙĪØŃ":131429,"à¸ģารศึà¸ģษา":131430,"ĠTrÆ°á»Ŀng":131431,"игÑĢа":131432,"ılması":131433,"ĠмаÑģÑģ":131434,"ãģ¨ãģįãģ«":131435,"à¸Ĺีà¹Īà¸ľà¹Īาà¸Ļ":131436,"à¸Ĺีà¹Īà¸ľà¹Īาà¸Ļมา":131437,"ĠاÙĦسابÙĤ":131438,"Ġ×ŀ×¢×ĺ":131439,"ваÑĤÑĮ":131440,"mÃ¼ÅŁ":131441,"Ġ׾׼×ļ":131442,"Ġtá»ĭch":131443,"ÙģÙĩÙħ":131444,"تدرÙĬب":131445,"Ø´Ùĥ":131446,"Ġ×ij×ŀ×Ļ":131447,"Ġ×ij×ŀ×Ļ×ķ×Ĺ×ĵ":131448,"ÙĤطاع":131449,"ãģªãģĹ":131450,"×ķצ×Ļ×IJ":131451,"ĠÙĪسÙĬ":131452,"зÑĥ":131453,"Ġyat":131454,"Ġyatırım":131455,"ë§İ":131456,"Ġthắng":131457,"ãģĬ客":131458,"ãģĬ客æ§ĺ":131459,"ĠThiên":131460,"ãģ«å¯¾ãģĹãģ¦":131461,"ÑĢиÑģ":131462,"ÙĨتائ":131463,"ÙĨتائج":131464,"Ġ×ŀשר":131465,"Ġ×ŀשר×ĵ":131466,"ĠتعاÙĦ":131467,"ĠتعاÙĦÙī":131468,"ש׳×Ļ":131469,"ÙĩاÙħ":131470,"×IJ׳ש×Ļ×Ŀ":131471,"Ġżycia":131472,"ĠÑĢÑĥблей":131473,"ÙĬض":131474,"Ġkatıl":131475,"ĠÙħÙĪضÙĪع":131476,"Ġvardır":131477,"ĠÙħÙĨØ·ÙĤØ©":131478,"ĠTrần":131479,"ĠвеÑģ":131480,"üp":131481,"ÙħÙĪÙĨ":131482,"ÑĪли":131483,"Ġnóng":131484,"Ø®ÙĦÙģ":131485,"ĠСÑĤа":131486,"ĠдоÑĢ":131487,"ĠдоÑĢог":131488,"ĠwÅĤaÅĽnie":131489,"eÄŁin":131490,"Ġhiá»ĥm":131491,"ĠСам":131492,"ê»ĺìĦľ":131493,"ĠÑĦа":131494,"ãģ»ãģĨ":131495,"ãģ»ãģĨãģĮ":131496,"×ķפ×Ļ×¢":131497,"ê°Ī":131498,"دÙĪÙĦ":131499,"Ġthuê":131500,"Ġchá»Ĺ":131501,"Ġëĭ¹ìĭł":131502,"ãģijãĤĮ":131503,"ãģijãĤĮãģ©":131504,"ë³´íĺ¸":131505,"ãģķãĤĮãģ¦ãģĦãģ¾ãģĻ":131506,"Ġнадо":131507,"ĠìĤ¬ëŀĮëĵ¤":131508,"à¹Ģà¸Ĥà¸ķ":131509,"สมัย":131510,"zÅĤ":131511,"تÙĪر":131512,"Ġשת×Ļ":131513,"vê":131514,"Ġ×ijת×ķ×ļ":131515,"à¸Ĭัย":131516,"ãģĦãģ£ãģŁ":131517,"ìĿij":131518,"Ġtầ":131519,"Ġtầng":131520,"ש׼ר":131521,"Ġê¸Ģ":131522,"Ġ×Ķש׳×Ķ":131523,"ĠاÙĨÙĩ":131524,"ç«ĭãģ¡":131525,"rés":131526,"führen":131527,"رØŃÙħ":131528,"ê·¹":131529,"ĠâĢ«":131530,"Ġsuất":131531,"à¸Łà¸´":131532,"ÙĬÙĩا":131533,"ĠاÙĦاتØŃاد":131534,"Ġtuyá»ĥn":131535,"ãģ¾ãĤĭ":131536,"Ġmại":131537,"Ġngân":131538,"ãĤ°ãĥ©":131539,"欲ãģĹãģĦ":131540,"سار":131541,"ãĤĤãģ®ãģ§ãģĻ":131542,"кие":131543,"Ġseçim":131544,"åħ¥ãĤĬ":131545,"ãģªãģ©ãĤĴ":131546,"ÑĤÑĢи":131547,"ĠÑģпеÑĨ":131548,"Ġأد":131549,"Ġодно":131550,"ÑĪел":131551,"ãĥĩãĥ¼ãĤ¿":131552,"ãĤ·ãĤ¹ãĥĨ":131553,"ãĤ·ãĤ¹ãĥĨãĥł":131554,"è¡Įãģį":131555,"ãģ¨æĢĿãģ£ãģŁ":131556,"à¹Ģà¸ģิà¸Ķà¸Ĥึà¹īà¸Ļ":131557,"ĠÑĤож":131558,"ĠÑĤоже":131559,"Ġsạch":131560,"ĠÑģÑĢок":131561,"ĠклиенÑĤ":131562,"ĠÙħشرÙĪع":131563,"Ġaltında":131564,"Ġì·¨":131565,"ä¸Ńãģ®":131566,"ãģķãģĽãĤĭ":131567,"ãģĻãģ¹":131568,"ãģĻãģ¹ãģ¦":131569,"ê°ľë°ľ":131570,"ĠÄijêm":131571,"ãģªãģĦãģ®ãģ§":131572,"ì²ł":131573,"×¢×ij×ĵ":131574,"Ġdấu":131575,"à¸Ħà¸Ļà¸Ĺีà¹Ī":131576,"ĠCách":131577,"تعÙĦÙĬÙħ":131578,"Ġhại":131579,"ãĤ»ãĥķãĥ¬":131580,"ĠÙĨÙģسÙĩ":131581,"ĠíĨµíķ´":131582,"ÑĪло":131583,"ĠнапÑĢав":131584,"ĠнапÑĢавлен":131585,"ÑĢÑĥÑĩ":131586,"íĶĮ":131587,"Ġ×ijר×Ļ×IJ":131588,"ãģ®ãģ¿":131589,"ãģ«ãģĬãģĦãģ¦":131590,"×ij׳ק":131591,"ãĤ¨ãĥ³":131592,"Ø«ÙĦاث":131593,"Ġmỹ":131594,"ĠÑģайÑĤе":131595,"ĠемÑĥ":131596,"تغÙĬ":131597,"تغÙĬÙĬر":131598,"خصÙĪص":131599,"ÑĤели":131600,"Ġ×ķ׾׼ף":131601,"פע×Ŀ":131602,"ĠпоÑįÑĤомÑĥ":131603,"راÙĨ":131604,"иÑĤелей":131605,"пиÑģан":131606,"×¢×¥":131607,"ĠìĤ¬ìĹħ":131608,"Ùħز":131609,"جÙħÙĬع":131610,"ë©´ìĦľ":131611,"à¸ľà¸¥à¸´à¸ķà¸łà¸±":131612,"à¸ľà¸¥à¸´à¸ķà¸łà¸±à¸ĵ":131613,"à¸ľà¸¥à¸´à¸ķà¸łà¸±à¸ĵà¸ij":131614,"à¸ľà¸¥à¸´à¸ķà¸łà¸±à¸ĵà¸ijà¹Į":131615,"ĠпÑĢимеÑĢ":131616,"ãĤŃãĥ¼":131617,"lâ":131618,"ĠchÄĥm":131619,"缮ãģ®":131620,"ãģĦãģĭ":131621,"ãģ¨è¨ĢãģĨ":131622,"×ĸ×ķ×Ĵ":131623,"Ġ×ij×ĵ×Ļ":131624,"Ġ×ij×ĵ×Ļ×ķק":131625,"ãģĬåºĹ":131626,"à¸ķà¸Ńà¸Ļà¸Ļีà¹ī":131627,"Ġphá»iji":131628,"пÑĤ":131629,"สà¸Ļาม":131630,"Ø·ÙĪ":131631,"صاØŃ":131632,"صاØŃب":131633,"ĠDü":131634,"ĠDünya":131635,"Ġпока":131636,"пал":131637,"ĠÄijảo":131638,"ĠاÙĦÙģÙĪر":131639,"ĠاÙĦÙģÙĪرÙĥس":131640,"Ġmáu":131641,"кÑĢеп":131642,"ĠاÙĦساعة":131643,"ĠгоÑĢода":131644,"ÙģصÙĦ":131645,"айÑĤе":131646,"Ġдог":131647,"ĠдоговоÑĢ":131648,"Ġإذ":131649,"Ġ×ij׼׾׾":131650,"ÙĬتÙĩ":131651,"×Ĵ×ijר":131652,"Ġbirç":131653,"Ġbirçok":131654,"문íĻĶ":131655,"ãģĿãģĨãģª":131656,"راØŃ":131657,"ĠÙħرة":131658,"ĠденÑĮги":131659,"fä":131660,"à¸Ĥà¹īาว":131661,"ĠÑģовÑĢем":131662,"ĠÑģовÑĢеменн":131663,"׾×Ĺ×¥":131664,"èī¯ãģı":131665,"ĠÙģØ£":131666,"Ġ×ķ×ĸ×Ķ":131667,"Ġзани":131668,"Ġзанима":131669,"Ġê°Ģì§Ģê³ł":131670,"ĠhÆ¡i":131671,"ãģªãģ®ãģĭ":131672,"ãĥĨãĥ¬ãĥĵ":131673,"Ġר×ij×ķת":131674,"à¸ķี":131675,"Ġ×ij×©×ł×ª":131676,"ĠTại":131677,"ĠthuáºŃn":131678,"Ñģел":131679,"Ñijм":131680,"dziÄĩ":131681,"ĠÑģка":131682,"ĠÑģкаÑĩ":131683,"ĠÑģкаÑĩаÑĤÑĮ":131684,"×ķ×ŀ×ķ":131685,"гла":131686,"ĠминÑĥÑĤ":131687,"åĩºãģĻ":131688,"Ġ×Ĺ×Ļ×Ļ×ij":131689,"Ġת×Ĵ×ķ×ij×Ķ":131690,"à¸£à¸¹à¸Ľà¹ģà¸ļà¸ļ":131691,"ниÑĨа":131692,"ĠÄ°n":131693,"Ġأع":131694,"ĠضÙħÙĨ":131695,"ÙħثاÙĦ":131696,"ĠyaÅŁan":131697,"ĠìĹ°êµ¬":131698,"ĠLê":131699,"ש׾×Ĺ":131700,"ãģıãģªãĤĭ":131701,"ìĹĨìĿ´":131702,"ĠÑĤÑĢи":131703,"ĠÑĩаÑģÑĤо":131704,"ĠобÑĢаÑĤ":131705,"пло":131706,"دخ":131707,"دخÙĪÙĦ":131708,"سÙĩ":131709,"à¸Ńาà¸ģ":131710,"à¸Ńาà¸ģาศ":131711,"Ġ׼×ĸ×Ķ":131712,"Ġ×Ķעסק":131713,"ĠاÙĦØ£ÙĨ":131714,"å¹´ãģ«":131715,"עש×ķ":131716,"Ġשע×ķת":131717,"ĠmÃłn":131718,"×IJר×Ļ":131719,"sıyla":131720,"ÙģرÙĤ":131721,"ниÑħ":131722,"Ġتست":131723,"è¦ĭãģ¦":131724,"ØŃاÙĪÙĦ":131725,"×IJ×Ļ׼×ķת":131726,"ĠbaÅŁladı":131727,"stÄħ":131728,"stÄħpi":131729,"à¸Ĺีà¹Īà¹Ģรา":131730,"ÙĤرر":131731,"جاب":131732,"Ġ×ijר×ķר":131733,"à¹Ģà¸Ĥà¹īาà¹ĥà¸Ī":131734,"×ŀ×Ĺקר":131735,"alım":131736,"Ġס×Ļפ×ķר":131737,"ãģ§ãģĤãĤĮãģ°":131738,"Ġש×ŀ×ķר×ķת":131739,"Ġ×ķ×ŀ×Ķ":131740,"ãģĵãģĿ":131741,"idée":131742,"ä¸ĭãģķãģĦ":131743,"تÙĨاÙĪÙĦ":131744,"Ġลà¹īาà¸Ļ":131745,"Ġìļ°ë¦¬ëĬĶ":131746,"اÙĨا":131747,"ÑģÑĤой":131748,"боÑĤ":131749,"ĠyaÅŁam":131750,"köy":131751,"Ø¥ÙĦ":131752,"ÑĢÑĭв":131753,"기ìĹħ":131754,"Ġ×Ķ×ŀ×ĵ":131755,"Ġ×Ķ×ŀ×ĵ×Ļ׳×Ķ":131756,"دب":131757,"×¢×Ļ׳×Ļ":131758,"×ŀת×Ĺ":131759,"Ġפר×Ļ":131760,"ãĥĭãĥ¼":131761,"اÙħÙĬ":131762,"Ġnhằm":131763,"ãĤĮãģªãģĦ":131764,"تعرÙģ":131765,"Ġë§ĪìĿĮ":131766,"ìĵ°":131767,"Ġhấp":131768,"ר×Ĵ×Ļ׾":131769,"بÙİ":131770,"ĠrÄĥng":131771,"glÄħd":131772,"ĠÑģиÑģÑĤемÑĭ":131773,"Ġkhóa":131774,"ãģ§ãģĻãĤĪãģŃ":131775,"大ãģįãģı":131776,"기를":131777,"Ġkéo":131778,"ÙĪØ¡":131779,"جاÙħ":131780,"جاÙħع":131781,"Ġ×¢×Ļצ×ķ×ij":131782,"téri":131783,"Ġתש":131784,"Ġ×IJ×ij×Ļ":131785,"ĠChÆ°Æ¡ng":131786,"à¸ļริà¹Ģว":131787,"à¸ļริà¹Ģวà¸ĵ":131788,"ãģ¤ãģı":131789,"Ġ×Ĺ×ķ׾":131790,"עת×Ļ×ĵ":131791,"ש×Ļ×ŀ×Ķ":131792,"ëĤ¨":131793,"Ġש×IJ×Ļף":131794,"ĠÙĪاÙĦØ¥":131795,"ÑĦа":131796,"Ġkhám":131797,"Ġ×ĺ×ķ×ij×Ķ":131798,"ĠвÑĭÑģ":131799,"ĠвÑĭÑģоко":131800,"ĠاÙĦØŃدÙĬØ«":131801,"人ãĤĤ":131802,"dÃ¼ÄŁÃ¼":131803,"×Ļ×Ĺ×ķ×ĵ":131804,"تعÙĦÙĬ":131805,"تعÙĦÙĬÙĤ":131806,"lö":131807,"تØŃدÙĬد":131808,"него":131809,"ĠÑĥдоб":131810,"Ġ׾×ŀ×Ļ":131811,"Ġר×ķצ×Ļ×Ŀ":131812,"Ġجاء":131813,"Ġ×ij×ĸ×ŀף":131814,"à¸Ľà¸ģà¸ķิ":131815,"é«ĺãģı":131816,"à¸Ľà¸¥à¸²":131817,"Ġartık":131818,"Ġbugün":131819,"ק׳×Ļ":131820,"Ġkhoá":131821,"ĠÙħرÙĥز":131822,"ĠìŀIJ기":131823,"درجة":131824,"×ŀשר×ĵ":131825,"Ġgiấy":131826,"Ġchóng":131827,"קפ":131828,"ÙĬبة":131829,"ĠczÄĻsto":131830,"вали":131831,"Ùĥب":131832,"ìŁģ":131833,"สà¸ļาย":131834,"à¸Ľà¸£à¸°à¸Ĭาà¸Ĭà¸Ļ":131835,"×Ĵ×ķ×£":131836,"ëŁī":131837,"ãģ®ãģĵãģ¨":131838,"ลà¸Ń":131839,"Ġnghá»ī":131840,"åŃIJãģ©":131841,"åŃIJãģ©ãĤĤ":131842,"à¹Ħà¸Ķà¹īà¸Ńย":131843,"à¹Ħà¸Ķà¹īà¸Ńยà¹Īาà¸ĩ":131844,"×ĵ×¢":131845,"ĠاÙĦتÙī":131846,"ĠÑģовеÑĤ":131847,"ĠqualitÃł":131848,"åĩºãģĹ":131849,"ĠÑĢÑĥков":131850,"ĠÑĢÑĥковод":131851,"รายละà¹Ģà¸Ńียà¸Ķ":131852,"ãģªãģĭãģªãģĭ":131853,"기ê´Ģ":131854,"Ġ×Ĺ×ķש":131855,"Ġ×Ĺ×ķש×ij":131856,"лоÑĤ":131857,"à¸Ļะà¸Ħรัà¸ļ":131858,"ק×ij×ķצ×Ķ":131859,"Ġthái":131860,"Ġש×ij×Ķ":131861,"ĠÑĪкол":131862,"ĠÙĦÙĥÙĦ":131863,"à¹ĥà¸Ļà¸Ĭà¹Īวà¸ĩ":131864,"ĠÙħÙĥاÙĨ":131865,"ëķĮ":131866,"Ġcải":131867,"ĠChÃŃ":131868,"ÑĥÑĩа":131869,"ìĿµ":131870,"Ġxảy":131871,"à¸Ĭà¸Ļิà¸Ķ":131872,"ĠcáºŃu":131873,"кÑĢов":131874,"ssé":131875,"ĠÙĨÙĪع":131876,"ĠТа":131877,"Ø®Ùħس":131878,"פ×ķס×ĺ":131879,"Ġmắc":131880,"ĠÄijem":131881,"à¸ģารà¹ĥà¸Ĭà¹ī":131882,"ר×ķס":131883,"ĠÐĽÐµ":131884,"Ġthá»Ń":131885,"รà¹Īาà¸ĩà¸ģาย":131886,"üzü":131887,"æĹ¥æľ¬ãģ®":131888,"ê³¼ìłķ":131889,"ש×Ļ×IJ":131890,"ĠìŀĪê³ł":131891,"×ij×ķ׾":131892,"ìķħ":131893,"ĠÙĪاÙĦا":131894,"ĠÐĽÐ¸":131895,"ĠвÑģÑij":131896,"Ġużytkow":131897,"×Ĺ×ķ׾":131898,"رÙģض":131899,"Ġsonuç":131900,"ãģĦãģ¾ãģĽãĤĵ":131901,"ìĤ¬ìĹħ":131902,"ëĪĦ":131903,"ÑĤек":131904,"ĠudziaÅĤ":131905,"лез":131906,"Ġ×Ķ×Ļ×Ļת×Ļ":131907,"ãĤīãĤĮãģ¦":131908,"ÙħسؤÙĪÙĦ":131909,"رار":131910,"ÑĤан":131911,"ĠÄijÃło":131912,"Ġר×ķ×ij":131913,"Ġ×ijש×ij×Ļ׾":131914,"ä»ĬåĽŀãģ¯":131915,"ãĤ¸ãĥ¥":131916,"Ġ×¢×ijר":131917,"ãģĽãģ¦":131918,"полÑĮ":131919,"aklı":131920,"ĠkÃŃnh":131921,"دت":131922,"ложение":131923,"ĠاÙĦÙħص":131924,"ĠاÙĦÙħصرÙĬ":131925,"à¸Īริà¸ĩà¹Ĩ":131926,"ĠاÙĦشرÙĥØ©":131927,"ĠÄijá»ı":131928,"ãĥĽãĥĨ":131929,"ãĥĽãĥĨãĥ«":131930,"Ñįкон":131931,"Ñįконом":131932,"ĠÙĪعÙĨ":131933,"Ġ×ª×ł":131934,"Ġ×ª×ł×IJ×Ļ":131935,"ĠاÙĦدÙĪÙĦÙĬØ©":131936,"Ġì§ĢìĹŃ":131937,"ãģ§ãģĻãģĭ":131938,"ĠваÑĢи":131939,"ĠваÑĢианÑĤ":131940,"ĠاÙĦعرب":131941,"ела":131942,"ĠtÆ°á»Ľng":131943,"skÄħ":131944,"Ġmặc":131945,"สัà¸ģ":131946,"ãĥĵãĥ¼":131947,"Ġ×ij×Ĵ׾":131948,"Ġ×ij×Ĵ׾׾":131949,"ãĥķãĤ¡ãĥ³":131950,"×ij×Ļצ":131951,"×ij×Ļצ×ķ×¢":131952,"лиÑģÑĤ":131953,"à¸Łà¸¸":131954,"à¸Łà¸¸à¸ķ":131955,"à¸Łà¸¸à¸ķà¸ļà¸Ńล":131956,"à¸Ŀà¹Īาย":131957,"ìŀIJìĿĺ":131958,"ĠسÙĪÙģ":131959,"Ġש×Ķת":131960,"Ġ걸":131961,"×¢×ij×ķ×ĵ":131962,"ãģĻãĤĭãģĵãģ¨ãģĮ":131963,"ĠÑĩаÑģÑĤÑĮ":131964,"ãĤ¢ãĥ¡ãĥª":131965,"ãĤ¢ãĥ¡ãĥªãĤ«":131966,"Ġtakım":131967,"ĠsỼ":131968,"ĠsỼm":131969,"שר×Ķ":131970,"è¨ĢãģĨ":131971,"лан":131972,"커":131973,"׼׳×Ķ":131974,"ÙĪÙģÙĬ":131975,"íĹĪ":131976,"luÄŁu":131977,"ĠëĮĢíķ´":131978,"Ġ׾×ij×Ļת":131979,"Ġ×Ķר×IJש×ķ׳×Ķ":131980,"صÙħ":131981,"Ġsöyled":131982,"Ġsöyledi":131983,"à¸Ľà¸²à¸ģ":131984,"Ġardından":131985,"ãģĪãģŁ":131986,"à¸Ĺัà¹Īวà¹Ħà¸Ľ":131987,"Ġ׳×ķסף":131988,"болÑĮ":131989,"ãĤĵãģ§ãģĻãģijãģ©":131990,"ĠлиÑĪÑĮ":131991,"Ġ×ij×IJ×Ļ":131992,"ĠбÑĭÑģÑĤÑĢо":131993,"สัà¸Ļ":131994,"Ġ×ijפ׳×Ļ":131995,"леÑĩ":131996,"ĠاÙĦخبر":131997,"Ġsóc":131998,"Ġthú":131999,"ĠпÑıÑĤ":132000,"ãģĬé¡ĺ":132001,"ãģĬé¡ĺãģĦ":132002,"ÑĤин":132003,"ãģ«ãģ¤ãģĦãģ¦ãģ¯":132004,"פף":132005,"ĠдвÑĥÑħ":132006,"à¸įีà¹Ī":132007,"à¸įีà¹Īà¸Ľ":132008,"à¸įีà¹Īà¸Ľà¸¸":132009,"à¸įีà¹Īà¸Ľà¸¸à¹Īà¸Ļ":132010,"опеÑĢ":132011,"ĠاÙĦبشر":132012,"ĠاÙĦÙħاÙĦ":132013,"ıyoruz":132014,"تØŃÙħÙĬÙĦ":132015,"à¸ģะ":132016,"éĸĵãģ«":132017,"×Ĺ×ķש":132018,"ĠNguyên":132019,"ãģĦãģ¦ãģĦãĤĭ":132020,"дÑĥÑĪ":132021,"שפע":132022,"ÑĪÑĥ":132023,"å®ŁéļĽãģ«":132024,"ĠÑĢайон":132025,"ĠChá»ī":132026,"ÙĨصر":132027,"Ġìļ´":132028,"Ġìļ´ìĺģ":132029,"Ġ×Ķ×ĵ×Ļף":132030,"ØŃدد":132031,"رز":132032,"ĠاÙĦدÙħ":132033,"ĠPháp":132034,"ÑĤÑģÑı":132035,"è¦ĭãģĪ":132036,"Ġtiá»ĥu":132037,"Ġsá»Ńa":132038,"аÑİÑĤÑģÑı":132039,"ĠBá":132040,"Ġ×ķ׼׾":132041,"Ðĸ":132042,"ÑĪим":132043,"ìĿ´ëĬĶ":132044,"лев":132045,"dık":132046,"Ġprésente":132047,"Ġaraç":132048,"صدÙĤ":132049,"Ġпомог":132050,"ĠاÙĦشرÙĤ":132051,"ĠÙĪاÙĦØ°ÙĬ":132052,"رÙĬا":132053,"×ij׳×ķת":132054,"Ġngá»ĵi":132055,"ר×ķפ":132056,"ר×ķפ×IJ":132057,"Ġthấp":132058,"ãĤĦãģ¯":132059,"ãĤĦãģ¯ãĤĬ":132060,"ĠاÙĦجدÙĬدة":132061,"éĿŀ常ãģ«":132062,"ÙĬÙĦÙĬ":132063,"쪽":132064,"تعاÙħÙĦ":132065,"ãģłãģ¨æĢĿãģĦãģ¾ãģĻ":132066,"ÙħÙħ":132067,"иÑĤели":132068,"ãĤµãĤ¤ãĤº":132069,"ادات":132070,"ĠاÙĦÙħاÙĦÙĬØ©":132071,"Ùĥاتب":132072,"кли":132073,"веÑĢÑħ":132074,"ниÑĩ":132075,"Ġ×ľ×¢×ij×ķ×ĵ":132076,"׾×Ļ×Ķ":132077,"ØŃÙİ":132078,"ãĤ¤ãĥĻ":132079,"ãĤ¤ãĥĻãĥ³ãĥĪ":132080,"Ġת×Ĵ×ķ×ij×ķת":132081,"ÑĦон":132082,"ĠдÑĢÑĥгие":132083,"×IJ×ĸ×ķר":132084,"Ġperò":132085,"ìķŀ":132086,"åĢŁãĤĬ":132087,"רצ×Ļ":132088,"×IJ×ĸ":132089,"алÑĮнÑĭÑħ":132090,"Ġê²ĥìľ¼ë¡ľ":132091,"ĠпÑĢаво":132092,"ĠاÙĦأرض":132093,"à¹Ģà¸Ĺà¸Ħ":132094,"à¹Ģà¸Ĺà¸Ħà¹Ĥà¸Ļ":132095,"à¹Ģà¸Ĺà¸Ħà¹Ĥà¸Ļà¹Ĥล":132096,"à¹Ģà¸Ĺà¸Ħà¹Ĥà¸Ļà¹Ĥลย":132097,"à¹Ģà¸Ĺà¸Ħà¹Ĥà¸Ļà¹Ĥลยี":132098,"צר×Ļ":132099,"ĠÐļÑĥ":132100,"ılma":132101,"決ãĤģ":132102,"اÙĪ":132103,"Ġ×ĵק×ķת":132104,"à¸Ħรู":132105,"ĠÙħستÙĪÙī":132106,"à¸Ľà¹īà¸Ńà¸ĩ":132107,"à¸Ľà¹īà¸Ńà¸ĩà¸ģัà¸Ļ":132108,"×ĵ×ķ×ŀ×Ķ":132109,"ĠÑģегоднÑı":132110,"سÙĪÙĤ":132111,"ר×Ĺ×ķ×ij":132112,"Ġإدارة":132113,"Ñħож":132114,"éģİãģİ":132115,"à¸Ħà¸Ń":132116,"нÑĥл":132117,"×ķ׼×Ķ":132118,"ÙĪاÙģÙĤ":132119,"׼׾׾":132120,"Ġ×Ķ×ĵ×ķ":132121,"ĠlÄ©nh":132122,"Ġkhảo":132123,"×IJ×ŀצע":132124,"머":132125,"Ġ׼×Ļצ":132126,"Ġ׼×Ļצ×ĵ":132127,"ĠдолжнÑĭ":132128,"หวัà¸ĩ":132129,"ãĥĩãĤ¶":132130,"ãĥĩãĤ¶ãĤ¤ãĥ³":132131,"Ġngá»Ŀ":132132,"ä¸Ńãģ«":132133,"à¸ģลัà¸ļมา":132134,"جÙħاÙĦ":132135,"à¸Ķัà¸ĩà¸ģลà¹Īาว":132136,"سÙĥÙĨ":132137,"سÙĨ":132138,"Ġözellikle":132139,"зеÑĢ":132140,"rzÄĻ":132141,"×ŀ×ķר×Ķ":132142,"Ġlạ":132143,"×ŀ×Ļ׳×Ļ":132144,"ר×Ļת":132145,"ãģĿãĤĮãģĮ":132146,"ãģĭãĤĮ":132147,"ĠÙĬÙħÙĥÙĨÙĥ":132148,"öffentlich":132149,"ган":132150,"ĠاÙĦØŃÙĦ":132151,"ĠmiÄĻdzy":132152,"ĠÑĩаÑģÑĤи":132153,"ujÄħcy":132154,"ĠbaÄŁlı":132155,"ĠiliÅŁki":132156,"Ùģاء":132157,"ãĥªãĥ³ãĤ°":132158,"Ġhãng":132159,"ĠконÑĤÑĢ":132160,"ĠконÑĤÑĢол":132161,"коп":132162,"ש×Ļ×¢":132163,"ש×Ļ×¢×ķר":132164,"ĠÐĴаÑĪ":132165,"Ġ×Ķתק":132166,"ÙħÙĨع":132167,"ĠpolÃŃtico":132168,"Ġголов":132169,"ĠØ¥ÙĬ":132170,"Ø¥ÙĨتاج":132171,"à¸ļิ":132172,"ĠговоÑĢ":132173,"ĠговоÑĢиÑĤ":132174,"Ġphá»ķ":132175,"ĠÑģемÑĮ":132176,"ãģ¯ãģĤãĤĬãģ¾ãģĽãĤĵ":132177,"ĠÙĪاست":132178,"×ŀשפ×ĺ":132179,"зем":132180,"×ŀ×ĵ×ijר":132181,"Ġíģ°":132182,"ĠìĿ´ë²Ī":132183,"ê°ĢëĬĶ":132184,"Ġì§ĢìĽIJ":132185,"ĠcaÅĤy":132186,"ĠgeliÅŁtir":132187,"Ñģкое":132188,"posé":132189,"Ġkhô":132190,"à¸ķิà¸Ķà¸ķาม":132191,"missão":132192,"Ġ׾×ŀר":132193,"Ġ׾×ŀר×ķת":132194,"Ġbó":132195,"à¸ķรวà¸Īสà¸Ńà¸ļ":132196,"Ġnghá»ģ":132197,"Ġбиз":132198,"ĠбизнеÑģ":132199,"ÑģÑĤеÑĢ":132200,"ÙĪÙİ":132201,"楽ãģĹãģ":132202,"楽ãģĹãģ¿":132203,"ãģĵãĤĮãģĭãĤī":132204,"wiÄħzan":132205,"สà¸Ńà¸Ļ":132206,"ÙħÙĪر":132207,"׳×ĵ׾":132208,"Ġ×Ķ×IJ×ĵ×Ŀ":132209,"Ġмолод":132210,"ØŃÙħا":132211,"ØŃÙħاÙĬØ©":132212,"ÑģÑĤÑĢан":132213,"Ġbuá»ķi":132214,"ת×Ļ×Ļ×Ŀ":132215,"abileceÄŁi":132216,"LÄ°":132217,"à¹Ģยà¸Ńะ":132218,"à¸Īร":132219,"سÙĥاÙĨ":132220,"à¸Ļัà¸Ķ":132221,"Ġmấy":132222,"ĠÐijа":132223,"sÅĤaw":132224,"ĠÙģÙĦا":132225,"ĠкоÑĤоÑĢой":132226,"ĠплоÑī":132227,"ĠплоÑīад":132228,"ãĤĤãģĤãĤĬ":132229,"szczÄĻ":132230,"×Ļפ×ķ":132231,"ש×ŀת":132232,"owaÅĤa":132233,"Ġnông":132234,"צ×ij×IJ":132235,"ĠìŀĪìĹĪ":132236,"ãģ¾ãģ¨":132237,"ãģ¾ãģ¨ãĤģ":132238,"ÙĤÙĪات":132239,"ãģ¿ãĤĵãģª":132240,"Ġ׼×ŀ×¢×ĺ":132241,"Ġxúc":132242,"ï¼Ĩ":132243,"rÄĻ":132244,"rÄĻcz":132245,"×ĵ×ŀ×Ļ":132246,"ĠtáºŃn":132247,"à¸Ķวà¸ĩ":132248,"ê²½ìłľ":132249,"пÑĥÑĤ":132250,"أربع":132251,"Ġ×ŀשת×ŀש":132252,"ãĤ¿ãĤ¤ãĥĹ":132253,"Ġìłľê°Ģ":132254,"Ġ׾׼ף":132255,"ĠобÑĢазом":132256,"ÙĬÙĥا":132257,"wÅĤ":132258,"wÅĤasn":132259,"ĠاÙĦÙĪØ·ÙĨÙĬØ©":132260,"بÙĬب":132261,"×ŀ׾×Ļ":132262,"кÑĢаÑĤ":132263,"기ìĹIJ":132264,"ÙĤاد":132265,"ĠÙĦدÙī":132266,"à¸Ħวามรูà¹ī":132267,"×ŀ×ĵ×Ļ׳×Ļ×ķת":132268,"겨":132269,"ĠíĺĦìŀ¬":132270,"שת×Ļ":132271,"мол":132272,"Ġmái":132273,"à¸ŀิม":132274,"à¸ŀิมà¸ŀ":132275,"à¸ŀิมà¸ŀà¹Į":132276,"หลวà¸ĩ":132277,"Ġxuyên":132278,"×Ĺסר":132279,"رÙĪÙĨ":132280,"ãģĿãģĨãģĦãģĨ":132281,"ãģĿãĤĮãģŀ":132282,"ãģĿãĤĮãģŀãĤĮ":132283,"Ġ׼ש×Ķ":132284,"ÐŁÑĢав":132285,"×ŀ×ijצע":132286,"عرب":132287,"Ġbüyü":132288,"פ×Ļת×ķ×Ĺ":132289,"à¸Īà¸ļ":132290,"ĠØ£Ùĥبر":132291,"שרת":132292,"×ŀ׼ש×Ļר":132293,"ĠÙĪÙħع":132294,"ãģ®ãģŁãĤģãģ«":132295,"à¸Ļัà¸ļ":132296,"ì°°":132297,"ãĥªãĥķãĤ©":132298,"ãĥªãĥķãĤ©ãĥ¼ãĥł":132299,"ĠcÆ°á»Ŀng":132300,"ĠìłĢíĿ¬":132301,"ÙħÙĨظÙħØ©":132302,"Ġhiçbir":132303,"ãģ§ãģ¯ãģĤãĤĬãģ¾ãģĽãĤĵ":132304,"รà¸Ńย":132305,"ëIJľëĭ¤":132306,"ãģĻãģIJãģ«":132307,"кла":132308,"Ġürünler":132309,"Ġkiá»ĥu":132310,"ĠëĤĺëĬĶ":132311,"ÑĤки":132312,"Ñģим":132313,"Ġchá»īnh":132314,"ãĤĤãģªãģĦ":132315,"ศรี":132316,"æĽ¿ãģĪ":132317,"taÅŁ":132318,"ĠبÙĥÙĦ":132319,"Ġ×ķ×Ļש":132320,"visão":132321,"ä¼Ŀ":132322,"ä¼ĿãģĪ":132323,"ÙĦد":132324,"׾×Ļ×ŀ":132325,"׾×Ļ×ŀ×ķ×ĵ":132326,"tória":132327,"دÙij":132328,"اÙħر":132329,"Ġê·¸ëłĩê²Į":132330,"ĠmateriaÅĤ":132331,"à¸Ĺรา":132332,"à¸Ĺราà¸ļ":132333,"ãģ®æĸ¹ãģĮ":132334,"ãģ¦ãģįãģŁ":132335,"ضغ":132336,"ضغط":132337,"ĠÙĬعÙĨÙĬ":132338,"ело":132339,"×IJ×Ķ×ij×Ķ":132340,"×¢×ŀ":132341,"ÅŁÄ±k":132342,"ìŀIJëĬĶ":132343,"ãĤ¿ãĥ³":132344,"ĠbáºŃt":132345,"×ŀשפ×Ĺ×Ķ":132346,"кÑĢи":132347,"бли":132348,"สัà¸ķ":132349,"สัà¸ķวà¹Į":132350,"ĠسÙĨÙĪات":132351,"ĠPhÆ°Æ¡ng":132352,"ãģ¦ãģĹãģ¾ãģ£ãģŁ":132353,"ãģªãģľ":132354,"Ġ×ij×IJ×ķ":132355,"Ġcán":132356,"سجÙĦ":132357,"Ġlẽ":132358,"ãĤ±ãĥ¼ãĤ¹":132359,"Ġק×Ļ×ij׾":132360,"à¸ļà¸Ĺà¸Ħวาม":132361,"Ġ×ķ׼ף":132362,"ĠпÑĢедÑģÑĤавлен":132363,"Ġná»iji":132364,"Ġcomentário":132365,"ением":132366,"Ġtá»ı":132367,"lÃł":132368,"Ġש×Ķ×Ļ×Ķ":132369,"Ñģлав":132370,"ĠاÙĦÙĪÙĦا":132371,"ĠاÙĦÙĪÙĦاÙĬات":132372,"ÙĦجÙĨØ©":132373,"ק×ķר×IJ":132374,"бÑĭÑĤ":132375,"Ġì¦":132376,"Ġì¦ī":132377,"ãģ§ãģĻãģĹ":132378,"หรืà¸Ńà¹Ħมà¹Ī":132379,"заÑīиÑĤ":132380,"ÙģÙĦسطÙĬÙĨ":132381,"Ġmiá»ħn":132382,"à¹Ģยà¹ĩà¸Ļ":132383,"ĠçalÄ±ÅŁan":132384,"×Ļ×Ĵ×Ķ":132385,"ĠEÄŁ":132386,"ĠEÄŁitim":132387,"ãĥĥãĤ·ãĥ¥":132388,"ĠопÑĭ":132389,"ĠопÑĭÑĤ":132390,"رغ":132391,"رغب":132392,"ĠÑģвоиÑħ":132393,"à¸Ľà¸£à¸°à¸ķ":132394,"à¸Ľà¸£à¸°à¸ķู":132395,"Ġ×ŀ×IJ×ĵ":132396,"׼×ķ׳×Ļ×Ŀ":132397,"à¸Ļี":132398,"ĠвÑĭÑħод":132399,"ãģ®ä¸Ńãģ«":132400,"פ׾×IJ":132401,"ĠÙĪÙĦÙĬس":132402,"פ×ķרס":132403,"פ×ķרס×Ŀ":132404,"ÙħسÙĦÙħ":132405,"Ġngôi":132406,"×ĵ×ŀ×ķת":132407,"ãĤĴ使ãģ£ãģ¦":132408,"ĠпомоÑīÑĮÑİ":132409,"أسر":132410,"блок":132411,"ÙĤÙĩ":132412,"ãģĹãģ¾ãģĦ":132413,"ãģ¨ãģĹãģŁ":132414,"ĠпеÑģ":132415,"ãĥīãĥ«":132416,"×Ĺ×Ŀ":132417,"ãģĹãģªãģĮãĤī":132418,"ĠÐŁÑĢед":132419,"ãĥģãĤ§ãĥĥãĤ¯":132420,"å¼·ãģĦ":132421,"ש×Ļר×ķת":132422,"даеÑĤ":132423,"×Ļ×ij×ķ":132424,"Ġgenç":132425,"илаÑģ":132426,"илаÑģÑĮ":132427,"ĠبÙĦد":132428,"æĤª":132429,"æĤªãģĦ":132430,"Ġ×ŀשת":132431,"æ§ĺãĢħ":132432,"æ§ĺãĢħãģª":132433,"à¸ĺรรมà¸Ĭาà¸ķิ":132434,"ĠÙĥاÙħÙĦ":132435,"ĠاÙĦسÙħ":132436,"×ij×ĺ×Ļ×Ĺ":132437,"cá":132438,"gência":132439,"ãĤ¹ãĤ¿ãĥ¼":132440,"à¸Ĺำà¸ģาร":132441,"×Ļ×ľ×ª":132442,"Ġ×Ļ×ķצ×IJ":132443,"wój":132444,"à¸ļุà¸Ħ":132445,"à¸ļุà¸Ħà¸Ħล":132446,"عتÙħ":132447,"عتÙħد":132448,"ãģĿãĤĮãģ«":132449,"ĠاÙĦتارÙĬØ®":132450,"ÙĤراء":132451,"Ġyönetim":132452,"קשר":132453,"ĠÑģпоÑĢÑĤ":132454,"Ġר×IJש×ķף":132455,"Ġseñal":132456,"Ġchắn":132457,"çĦ¡ãģĦ":132458,"ĠдоÑģÑĤаÑĤ":132459,"ĠдоÑģÑĤаÑĤоÑĩно":132460,"Ġágua":132461,"à¸ģรà¸ĵ":132462,"à¸ģรà¸ĵี":132463,"Ġ×ŀש×ķ":132464,"Ġtrải":132465,"ë²Į":132466,"ujÄħcych":132467,"Ùģرد":132468,"à¹ĥà¸ģล":132469,"à¹ĥà¸ģลà¹ī":132470,"ãĤĭãģ®ãģ¯":132471,"ר×ķ×ķ×Ĺ":132472,"ÙĨÙĥ":132473,"ĠاÙĦÙĨÙĤ":132474,"ãģ®ãģ§ãģĹãĤĩãģĨ":132475,"ãģ®ãģ§ãģĹãĤĩãģĨãģĭ":132476,"ÙħعرÙģ":132477,"ÙħعرÙģØ©":132478,"ÑĥÑīе":132479,"Ġ×ij×¢×Ļקר":132480,"تصÙĦ":132481,"Ġ×Ķ×IJר":132482,"Ġ×Ķ×IJרץ":132483,"ĠÅŀi":132484,"à¸Ĥาà¸Ķ":132485,"íŀĺ":132486,"ãģªãĤĵãģ¨":132487,"ĠìĤ¬ëŀij":132488,"lÃ¼ÄŁÃ¼":132489,"باء":132490,"ĠاÙĦآخر":132491,"ĠfamÃŃlia":132492,"ĠTháng":132493,"ÑīениÑı":132494,"ãĤ¯ãĥŃ":132495,"ĠThứ":132496,"æĽ¸ãģį":132497,"енной":132498,"ìŀ¡":132499,"благ":132500,"благо":132501,"пов":132502,"à¹ģว":132503,"à¸ĩà¸Ħà¹Į":132504,"à¸Ńัà¸Ļà¸Ķัà¸ļ":132505,"ãģĤãģĴ":132506,"รà¹īาย":132507,"ünün":132508,"Ġ×Ļ׼×ķ׾×Ķ":132509,"зон":132510,"ĠÐľÐ¸":132511,"маÑĤеÑĢиал":132512,"Ġë³´ë©´":132513,"ØŃÙģظ":132514,"êÌģ":132515,"ãģ«ãģĻãĤĭ":132516,"Ġת×IJ":132517,"Ġ×Ķס×ķ":132518,"ĠÑģÑĤоÑĢ":132519,"ĠÑģÑĤоÑĢон":132520,"ãĥĪãĥĥãĥĹ":132521,"ÅĤoÅĽÄĩ":132522,"ëħ¼":132523,"ëĵĿ":132524,"ĠÙĪاÙĦع":132525,"ì¶Ķ":132526,"Ġ×Ļצ×IJ":132527,"ĠÑĢаздел":132528,"алÑĮнаÑı":132529,"×IJ׳ש×Ļ":132530,"spoÅĤ":132531,"spoÅĤec":132532,"spoÅĤeczn":132533,"إعÙĦ":132534,"إعÙĦاÙĨ":132535,"ÙĤÙĪÙī":132536,"íķĺë©´ìĦľ":132537,"تطÙĪر":132538,"Ġsiêu":132539,"Ỽt":132540,"дви":132541,"движ":132542,"Ġquần":132543,"kıl":132544,"ĠпÑĢизна":132545,"ĠHã":132546,"ĠHãy":132547,"ĠباÙĦت":132548,"manın":132549,"ãĤ«ãĥ«":132550,"Ġká»·":132551,"ק׾×Ļ":132552,"ëIJĺì§Ģ":132553,"تعÙĦÙħ":132554,"ìĭľìĦ¤":132555,"ìĭ¶":132556,"íĺ¼":132557,"ÙĥÙĬÙģ":132558,"売ãĤĬ":132559,"วิà¸Ĭา":132560,"бал":132561,"ĠØ£ØŃ":132562,"Ġдолжен":132563,"ราà¸ĩ":132564,"ราà¸ĩวั":132565,"ราà¸ĩวัล":132566,"Ùħاء":132567,"جار":132568,"Åļ":132569,"Ġ×ŀ×IJ×ĸ":132570,"ר×ŀ×Ķ":132571,"ãģĭãĤĤãģĹãĤĮãģªãģĦ":132572,"étude":132573,"czÄħc":132574,"Ġgór":132575,"×ł×¡×Ķ":132576,"ÙħÙĬد":132577,"ĠÐŁÐµÑĢе":132578,"أخر":132579,"ãģĿãģ®å¾Į":132580,"à¹Ģà¸Ķียวà¸ģัà¸Ļ":132581,"×ŀ×Ĵ×ķ":132582,"×ŀ×Ĵ×ķ×ķף":132583,"дов":132584,"masına":132585,"×¢×ł×Ķ":132586,"ãĤ±ãĥĥãĥĪ":132587,"סע":132588,"סע×Ļ×£":132589,"ĠTÆ°":132590,"Ġtóc":132591,"íĻľëıĻ":132592,"ĠÐŀд":132593,"ĠÐŀднако":132594,"Ġdolayı":132595,"ؤÙĥد":132596,"ê³Ħíļį":132597,"׾ר":132598,"веÑĩ":132599,"Ġkhợi":132600,"Ġthủy":132601,"×ĵף":132602,"รà¸ģ":132603,"à¸ļัà¸ķร":132604,"à¹Ģà¸ģà¹Īา":132605,"ĠاÙĦثاÙĦ":132606,"ĠاÙĦثاÙĦØ«":132607,"Ġpodrá":132608,"ער×Ļ":132609,"ÙĨجاØŃ":132610,"Ġkhắc":132611,"측":132612,"Ä°M":132613,"ãĤ»ãĥĥãĥĪ":132614,"żenia":132615,"Ġ׾×Ĺ×ijר":132616,"erÃł":132617,"ì´Ī":132618,"Ġküç":132619,"Ġküçük":132620,"اتÙĩÙħ":132621,"à¸ĭà¹Į":132622,"ÙħشارÙĥØ©":132623,"ĠاÙĦبط":132624,"Ġdây":132625,"еннÑĭм":132626,"à¸Ĺีà¹Īà¹Ħมà¹Ī":132627,"ÙĤÙİ":132628,"Ġvượt":132629,"Ġtrì":132630,"ĠwpÅĤyw":132631,"AÅŀ":132632,"зо":132633,"ĠاÙĦسÙĬد":132634,"à¸Ĺะà¹Ģล":132635,"ĠÑģодеÑĢжа":132636,"عطÙĬ":132637,"ĠاÙĦعÙĨ":132638,"èĢħãģĮ":132639,"à¹Ģหà¸Ļ":132640,"à¹Ģหà¸Ļืà¸Ń":132641,"ĠbÃŃ":132642,"Ġüzerinden":132643,"ĠVÅ©":132644,"Ġnuôi":132645,"ÙĨÙħ":132646,"алÑĮного":132647,"×¢×Ļף":132648,"ØŃضر":132649,"ĠоÑĤдел":132650,"ëªĩ":132651,"ìķ¡":132652,"ĠÙĦدÙĬÙĩ":132653,"ìĻľ":132654,"Ġsektör":132655,"Ġвозможно":132656,"ĠÐĶж":132657,"Ġhô":132658,"äºĭãģĮ":132659,"иÑĢование":132660,"алÑĮной":132661,"Ġ미êµŃ":132662,"رØŃÙĦ":132663,"ĠÑįкÑģ":132664,"пÑĢавлÑı":132665,"Ġnhá»Ŀ":132666,"ĠÄijẩ":132667,"ĠÄijẩy":132668,"ÙģÙĥر":132669,"ĠÙĪأضاÙģ":132670,"ãĥIJãĤ¹":132671,"ת×ķ׼׳×Ļת":132672,"ÑĤелей":132673,"ĠØ¥ÙĦÙĬÙĩ":132674,"ãģ¨è¨Ģãģ£ãģ¦":132675,"Ġдве":132676,"Ġchấp":132677,"ĠLö":132678,"à¸Ħลิ":132679,"à¸Ħà¸¥à¸´à¸Ľ":132680,"ĠسÙĪر":132681,"ĠسÙĪرÙĬا":132682,"×ŀ×Ĺ×ķ":132683,"stä":132684,"доб":132685,"Ġniá»ĩm":132686,"ãģ®å¤§":132687,"פר×ķ×Ļק":132688,"פר×ķ×Ļק×ĺ":132689,"ĠChâu":132690,"Ġ×ŀ×Ķ×Ŀ":132691,"Ñģким":132692,"ĠполÑĥÑĩиÑĤÑĮ":132693,"ÙĬÙĪÙħ":132694,"Ø«ÙĪر":132695,"פ×ķ׾×Ļ×ĺ":132696,"פ×ķ׾×Ļ×ĺ×Ļ":132697,"ĠмеÑģÑıÑĨ":132698,"åħ¨ãģ¦":132699,"ĠاÙĦÙħجÙĦس":132700,"ĠاÙĦتاÙĦÙĬ":132701,"Ġ×Ĺר":132702,"åIJijãģij":132703,"׼×ŀ×Ķ":132704,"бед":132705,"أعض":132706,"أعضاء":132707,"ÙĪÙĦد":132708,"วà¹Īาà¸Īะ":132709,"Ġbánh":132710,"à¸Ļิย":132711,"à¸Ļิยม":132712,"à¸Ľà¸£à¸°à¸ģัà¸Ļ":132713,"ÑģÑĤавиÑĤÑĮ":132714,"à¸ŀà¸Ļัà¸Ļ":132715,"ĠÑįÑĦÑĦ":132716,"ĠÑįÑĦÑĦекÑĤив":132717,"ĠавÑĤоÑĢ":132718,"ĠÄIJÄĥng":132719,"ĠthÆ°á»Łng":132720,"ãĤĴæĦŁãģĺ":132721,"à¸ģัà¸ļà¸ģาร":132722,"å¾Įãģ«":132723,"ĠyaÄŁ":132724,"ستاÙĨ":132725,"Ġliá»ģn":132726,"ãģĦãģ¾":132727,"iêu":132728,"à¹Ĥà¸Ķà¸Ļ":132729,"ĠÙĦØ°ÙĦÙĥ":132730,"à¹Ĥรà¸ĩà¹Ģรียà¸Ļ":132731,"צ×Ļ×Ĵ":132732,"ĠاÙĦÙħعÙĦÙĪÙħات":132733,"ç§ģãģŁãģ¡":132734,"à¸Ĺีà¹Īà¸Ħุà¸ĵ":132735,"ãģ«ãģªãģ£ãģ¦ãģĦãĤĭ":132736,"×ŀ×ĵ×Ļ׳×Ķ":132737,"×¡×Ľ×Ŀ":132738,"Ġвне":132739,"à¸ŀà¸Ļัà¸ģà¸ĩาà¸Ļ":132740,"ÑĢей":132741,"à¹Ģà¸Īà¹īาหà¸Ļà¹īาà¸Ĺีà¹Ī":132742,"ĠHiá»ĩn":132743,"Ġmédico":132744,"ĠتØŃÙĤÙĬÙĤ":132745,"ÑĮÑĤе":132746,"miÅŁti":132747,"ÙĤÙĬادة":132748,"ãĤıãģĭãĤĬ":132749,"มาà¸Īาà¸ģ":132750,"ëħĢ":132751,"ãģ«éĸ¢ãģĻãĤĭ":132752,"×IJר×Ĵ×ķף":132753,"mètre":132754,"Ġעצ×ŀ×Ļ":132755,"ĠChúa":132756,"รูà¹īà¸Ī":132757,"รูà¹īà¸Īัà¸ģ":132758,"ì£Ħ":132759,"ëĭµ":132760,"à¹ģà¸Ĺà¹ī":132761,"Ġgeçen":132762,"Ġlança":132763,"ĠاÙĦبØŃØ«":132764,"×ĵ×ŀ×ķ":132765,"ãģ¯ãģĺ":132766,"ãģ¯ãģĺãĤģ":132767,"ĠdönÃ¼ÅŁ":132768,"è¿ijãģı":132769,"à¹Ģสม":132770,"à¹Ģสมà¸Ń":132771,"ëĿ½":132772,"Ġüç":132773,"á»ŀ":132774,"ÑĪаÑı":132775,"à¸Ĺร":132776,"ØŃÙĤÙĬÙĤØ©":132777,"à¸Ĥà¸Ńà¸ĩà¸ģาร":132778,"Ġ무ìĹĩ":132779,"Ġ×Ķ׼ר":132780,"ĠاÙĦصÙĬÙĨ":132781,"ĠлÑİди":132782,"à¸ķาย":132783,"بÙĪÙĦ":132784,"Ġviêm":132785,"Ġthiá»ĩu":132786,"à¸ģà¸Ķ":132787,"Ġ׾×ĵ×ijר":132788,"פ׳×Ķ":132789,"×IJר×ij×¢":132790,"سÙī":132791,"ĠاÙĦسÙĬاس":132792,"ĠاÙĦسÙĬاسÙĬØ©":132793,"ydı":132794,"ÙĪØŃدة":132795,"ĠдеÑıÑĤелÑĮноÑģÑĤи":132796,"Ġ×ķ×Ķ×ŀ":132797,"пеÑĩ":132798,"пеÑĩаÑĤ":132799,"иÑĢованиÑı":132800,"ĠÑģог":132801,"ĠÑģоглаÑģ":132802,"Ġ׼×ĵ":132803,"Ġ׼×ĵ×IJ×Ļ":132804,"ĠиÑģполÑĮзоваÑĤÑĮ":132805,"ספ×ķר×ĺ":132806,"Ġilçe":132807,"expérience":132808,"ĠThá»Ŀi":132809,"Ä°K":132810,"à¹Ħà¸Łà¸Łà¹īา":132811,"ëĵ¤ìĹIJê²Į":132812,"à¸Ľà¸£à¸°à¹Ģà¸ł":132813,"à¸Ľà¸£à¸°à¹Ģà¸łà¸Ĺ":132814,"Ġmümk":132815,"Ġmümkün":132816,"Ġ×IJ×ķ×ª×ł×ķ":132817,"ìĦ±ìĿĦ":132818,"ĠìĿ´ìľł":132819,"زÙĬارة":132820,"Ġoldukça":132821,"rób":132822,"ĠØ£ÙĨا":132823,"Ġ×Ķ×ij×Ļ":132824,"Ñģен":132825,"×¢×Ļקר":132826,"×Ļ×ĵ×ķ×¢":132827,"dzÄħ":132828,"ÙħعÙĦÙĪÙħات":132829,"شاب":132830,"Ġparça":132831,"à¸Ļะà¸Ħะ":132832,"باس":132833,"ĠÑĤоÑĢг":132834,"ĠÑĤоÑĢгов":132835,"Ġ×Ĺ×ĵר":132836,"׼ר×ĺ":132837,"׼ר×ĺ×Ļס":132838,"ĠAyrıca":132839,"ệ":132840,"ìľ¨":132841,"ĠÑĤакие":132842,"Ġ×ŀצ×ķ×Ļ":132843,"ãĥ©ãĥ³ãĤŃãĥ³ãĤ°":132844,"ש×Ļ×ķ×ķק":132845,"åīįãģ®":132846,"ĠBảo":132847,"ÑīÑĥ":132848,"æĹ©ãģı":132849,"ĠPhòng":132850,"à¸ŀระราà¸Ĭ":132851,"פ×Ĺ×ķת":132852,"Ġгл":132853,"Ġглаз":132854,"à¸Ĺà¹Īา":132855,"Ġdạy":132856,"ÑĢоÑģÑĤ":132857,"à¹Ĥà¸Ķยà¹Ģà¸īà¸ŀาะ":132858,"ĠquáºŃn":132859,"Ġ×Ĺ×ijר×ķת":132860,"même":132861,"mÄ±ÅŁtı":132862,"ĠاÙĦتداÙĪÙĦ":132863,"Ġnạn":132864,"Ġ×Ķ×ĵ×Ļ":132865,"ĠاÙĦطرÙĬÙĤ":132866,"×Ĵ×ķת":132867,"Ġ×Ķ×ĵר×ļ":132868,"ujÄħce":132869,"Ġchữ":132870,"ãĤĤãģ®ãģ®":132871,"ë°Ľ":132872,"ãģķãĤĵãģ¯":132873,"Ġyardım":132874,"ĠاÙĦعÙħ":132875,"Ġì§Ħíĸī":132876,"Ġ×Ļ×Ĺ":132877,"Ġ×Ļ×Ĺס×Ļ":132878,"ĠاÙĦÙħدÙĬÙĨØ©":132879,"Ġcú":132880,"à¸ģีฬ":132881,"à¸ģีฬา":132882,"Ġniên":132883,"misión":132884,"׳×Ļס×Ļ":132885,"׳×Ļס×Ļ×ķף":132886,"ĠвозÑĢаÑģÑĤ":132887,"Ġ×¢×ķש×Ķ":132888,"ĠÙħدÙĬر":132889,"ÑıÑģÑĮ":132890,"ØŃجÙħ":132891,"íĻĺê²½":132892,"ĠاÙĦأخرÙī":132893,"uÃŁer":132894,"ĠاÙĦعاÙĦÙħÙĬØ©":132895,"ĠNgá»įc":132896,"êµIJíļĮ":132897,"ä¸Ĭãģ§":132898,"×Ļ×Ķ×ķ×ĵ":132899,"×Ļ×Ķ×ķ×ĵ×Ļ×Ŀ":132900,"Ùħساعدة":132901,"ĠжизнÑĮ":132902,"ĠпоÑĤомÑĥ":132903,"ĠاÙĦÙħÙħÙĦ":132904,"ĠاÙĦÙħÙħÙĦÙĥØ©":132905,"ĠGör":132906,"رÙIJ":132907,"×ŀק×ķ×ŀ×ķת":132908,"åĩºæĿ¥ãĤĭ":132909,"ÑĦÑĤ":132910,"ĠìĿ´ìłľ":132911,"ĠÑĢем":132912,"ĠÑĢемонÑĤ":132913,"ת×ķ×ļ":132914,"æĻĤãģ¯":132915,"ãĤīãĤĮãģªãģĦ":132916,"altı":132917,"家ãģ®":132918,"ĠاÙĦإعÙĦاÙħ":132919,"리ëĬĶ":132920,"ãģĭãĤīãģ¯":132921,"ĠHạ":132922,"ãģĤãģ®":132923,"×ĵ×Ļ×ķף":132924,"رÙĬس":132925,"ĠsocietÃł":132926,"ĠاÙĦÙĥبÙĬر":132927,"Ġ×ij×ŀס":132928,"Ġ×ij×ŀס×Ĵר":132929,"Ġ×ij×ŀס×Ĵרת":132930,"ĠìŀĪìľ¼ë©°":132931,"Ġnặng":132932,"ÙĩÙī":132933,"ĠBÃł":132934,"×ŀר×ķ":132935,"ĠjÄĻ":132936,"ĠjÄĻzy":132937,"ĠjÄĻzyk":132938,"Ġ׼×ŀ×ķ×ijף":132939,"×¢×ľ×Ķ":132940,"à¸Ĺีà¹Īà¹Ħà¸Ķà¹ī":132941,"ãģ¾ãģĹãĤĩãģĨ":132942,"×ŀספר":132943,"ТÐŀ":132944,"سÙĬاسة":132945,"ĠкаждÑĭй":132946,"ë²ł":132947,"tım":132948,"yá»ĩn":132949,"รีà¹Ī":132950,"ĠдеÑĤÑģк":132951,"วิà¸ĺีà¸ģาร":132952,"mówi":132953,"×ĺ×¢×Ŀ":132954,"×Ķצ׾×Ĺ×Ķ":132955,"ضÙĬÙģ":132956,"ĠÑħоÑĤÑı":132957,"ãĤĵãģ§ãģĦãĤĭ":132958,"à¸Ħาà¸Ķ":132959,"à¸Ħรà¸ļ":132960,"ĠкÑĥÑĢÑģ":132961,"ĠbaÅŁarı":132962,"×ijר×ķ":132963,"ÙĬعة":132964,"ĠÐĿÑĥ":132965,"à¸Ħวามà¹Ģà¸Ľà¹ĩà¸Ļ":132966,"Ġ׾×ŀש׾":132967,"Ġì¢ĭìĿĢ":132968,"Ùħؤسس":132969,"Ùħؤسسات":132970,"Ġprécis":132971,"Ġthảo":132972,"à¸ģà¹ĩà¸Ħืà¸Ń":132973,"Ġש׼׾":132974,"führung":132975,"ãģĦãģ§":132976,"à¹ģละมี":132977,"à¸ģà¹ĩมี":132978,"Ġשש":132979,"мел":132980,"Ġкниг":132981,"ĠباÙĦÙĨ":132982,"ĠباÙĦÙĨسبة":132983,"Ġaldı":132984,"ÑĤай":132985,"Ġ×Ĺ×ĵש×Ļ×Ŀ":132986,"å®Łãģ¯":132987,"عÙĪا":132988,"ĠìĿĺ미":132989,"изм":132990,"ÑĢабоÑĤаÑĤÑĮ":132991,"Ùģص":132992,"Ġ×ij׳×ķסף":132993,"ãģ¨ãģĹãģ¦ãĤĤ":132994,"à¹Ģà¸Ľà¹ĩà¸Ļà¸Ĺีà¹Ī":132995,"ĠÑģледÑĥеÑĤ":132996,"èĢĥãģĪãģ¦":132997,"Ġ׼×Ļ×ķ×Ŀ":132998,"ÑģÑĤÑĭ":132999,"׼׾׼׾×Ļ":133000,"æµģãĤĮ":133001,"ãĤĴãģ¤ãģij":133002,"ÑĩаÑĤ":133003,"×Ļ׼×ķף":133004,"×Ļר×Ļ":133005,"larıyla":133006,"ãĤ¤ãĥ¡":133007,"ãĤ¤ãĥ¡ãĥ¼ãĤ¸":133008,"׳×ĸק":133009,"Ġciò":133010,"Ġsın":133011,"Ġsınır":133012,"à¸Ļà¸Ħร":133013,"каÑĤ":133014,"Ġlá»Ĺi":133015,"ëŀĮ":133016,"تÙģاص":133017,"تÙģاصÙĬÙĦ":133018,"ëĨĵ":133019,"ĠÙħض":133020,"ilmiÅŁ":133021,"بارÙĥ":133022,"ÐĿÐĺ":133023,"Ġthẩm":133024,"Ġ×IJ×ķת×ļ":133025,"ĠпÑĢиним":133026,"ĠпÑĢинима":133027,"Ġyönt":133028,"Ġyöntem":133029,"Ġ×ŀק×ij׾":133030,"Ġktórego":133031,"ê·Ģ":133032,"شرÙģ":133033,"داÙħ":133034,"ãģĦãĤįãģĦãĤį":133035,"ĠAlém":133036,"Ġgörü":133037,"Ġgörünt":133038,"Ġgörüntü":133039,"دس":133040,"ÑĪки":133041,"гÑĢад":133042,"Ġlạc":133043,"Ġsữa":133044,"ãĤīãĤĮãģ¾ãģĻ":133045,"oÃłi":133046,"Ñīен":133047,"ãģĭãģªãģĦ":133048,"Ġпоп":133049,"ĠпопÑĥ":133050,"ĠпопÑĥлÑıÑĢ":133051,"ĠاÙĦÙħÙĪÙĤع":133052,"räg":133053,"Ａ":133054,"íķĦ":133055,"ãĤĴè¦ĭãĤĭ":133056,"اÙħا":133057,"ĠاÙĦØŃرب":133058,"ĠÐŁÐ°":133059,"Ġ׾×IJתר":133060,"Ġtá»ijc":133061,"×ij׾×Ķ":133062,"رئÙĬس":133063,"вÑĥ":133064,"ÙĬدÙĬ":133065,"казан":133066,"Ġ×Ĺש×ij×ķף":133067,"hôtel":133068,"×¢×ķ׳×Ķ":133069,"بÙĨÙĬ":133070,"×ŀ×ķ׾":133071,"ĠднÑı":133072,"éĽ£ãģĹãģĦ":133073,"ведениÑı":133074,"Ġ×ķ×ŀת":133075,"напÑĢимеÑĢ":133076,"ÙĤابÙĦ":133077,"Ġrésultat":133078,"ĠÑĢазвиÑĤиÑı":133079,"رÙij":133080,"ìłĦ문":133081,"ĠاÙĦÙħزÙĬد":133082,"ĠìľĦíķ´ìĦľ":133083,"ëĨį":133084,"íĻķ":133085,"ĠThiết":133086,"íĮ¨":133087,"malıdır":133088,"ĠczÅĤ":133089,"ĠczÅĤowie":133090,"ĠczÅĤowiek":133091,"ĠÙĦبÙĨ":133092,"ĠÙĦبÙĨاÙĨ":133093,"üsü":133094,"ãģªãĤĵãģł":133095,"Ġżycie":133096,"ĠÑħоÑĢоÑĪо":133097,"æĸ¹ãģ«":133098,"ëĭ¤ë©´":133099,"иÑĩеÑģкаÑı":133100,"ער×Ļ׼":133101,"ער×Ļ×Ľ×ª":133102,"ãģ¾ãģĽãĤĵãģ§ãģĹãģŁ":133103,"ĠÑģобой":133104,"Ġgá»Ĺ":133105,"ĠделаÑĤÑĮ":133106,"daÄĩ":133107,"аÑĢа":133108,"różni":133109,"à¹Ģลีà¹ī":133110,"à¹Ģลีà¹īย":133111,"à¹Ģลีà¹īยà¸ĩ":133112,"à¸Ŀาà¸ģ":133113,"ĠتÙĤ":133114,"ĠتÙĤدÙĬ":133115,"ĠتÙĤدÙĬÙħ":133116,"หà¸Ļุà¹Īม":133117,"Ġmücade":133118,"Ġmücadele":133119,"ì§Ģ를":133120,"ãĤ¤ãĤ¹":133121,"Ġأساس":133122,"jÄħcego":133123,"ĠÅŁeh":133124,"нÑĤеÑĢ":133125,"ÑĨиÑİ":133126,"ï»»":133127,"ÑİÑīего":133128,"à¹Ĥà¸Ľà¸£à¹ģ":133129,"à¹Ĥà¸Ľà¸£à¹ģà¸ģรม":133130,"ĠmieÄĩ":133131,"ØŃÙĥÙĪÙħØ©":133132,"ãģ§ãģĹãģŁãģĮ":133133,"×Ļס×Ķ":133134,"ãĤĤãģ®ãĤĴ":133135,"Ġ×ŀ×IJת":133136,"สุà¸Ķà¸Ĺà¹īาย":133137,"ĠcÅ©":133138,"ÙĨسب":133139,"ĠпÑĢоÑĩ":133140,"Ġдней":133141,"ĠÑįÑĤиÑħ":133142,"׾×ŀת":133143,"нÑıÑı":133144,"Ñįк":133145,"Ġì§ĢëĤľ":133146,"มหาวิà¸Ĺยา":133147,"มหาวิà¸Ĺยาล":133148,"มหาวิà¸Ĺยาลัย":133149,"dão":133150,"ĠMáy":133151,"ĠêµŃê°Ģ":133152,"à¸ļุรี":133153,"×Ĵ×Ļ׾":133154,"ĠÑĤÑĭÑģÑı":133155,"ĠÑĤÑĭÑģÑıÑĩ":133156,"ÙģÙĥ":133157,"ĠÐĺÑģ":133158,"è¡ĮãĤıãĤĮ":133159,"פר×ĵ":133160,"ãģ¤ãģį":133161,"à¸Ħรà¸Ńà¸ļ":133162,"à¸Ħรà¸Ńà¸ļà¸Ħรัว":133163,"à¸Ĥึà¹īà¸Ļมา":133164,"ä»ĬæĹ¥ãģ¯":133165,"ĠìĤ¬ëŀĮìĿ´":133166,"עצ×ŀ×Ķ":133167,"поÑĢ":133168,"ĠKỳ":133169,"ĠÆ¡n":133170,"ĠthÄĥm":133171,"ÙģاÙĤ":133172,"ãģļãģ«":133173,"Ġ׾קר":133174,"Ġ׾קר×ķ×IJ":133175,"اÙģÙĬØ©":133176,"ÙħÙİا":133177,"гаÑĢ":133178,"صÙĦا":133179,"صÙĦاة":133180,"Ġ×ŀ×ĸ×Ķ":133181,"lıģını":133182,"Ġ×IJ×Ļ׳×Ķ":133183,"кÑĢо":133184,"ĠngÆ°Æ¡i":133185,"Ġвним":133186,"Ġвнимание":133187,"jÄħcy":133188,"ÙĢÙĢÙĢÙĢÙĢ":133189,"ÑģÑħод":133190,"ãģªãĤĵãģĭ":133191,"×ŀ×Ļ׾":133192,"Ġ×Ķ×IJ×Ĺ":133193,"ãĤıãģªãģĦ":133194,"عسÙĥر":133195,"ĠìĦ¸ê³Ħ":133196,"ĠÑĩего":133197,"ĠÑģÑĢедÑģÑĤва":133198,"ĠÐłÐ°Ñģ":133199,"ãģªãģģ":133200,"ÙĨÙģس":133201,"ר×Ļ×ķף":133202,"ÑģÑĥд":133203,"ĠìĿ¸ê°Ħ":133204,"ĠاÙĦÙħÙĤبÙĦ":133205,"ÙĨعÙħ":133206,"تÙĪÙģر":133207,"ש×ij×¢":133208,"ılm":133209,"ılmÄ±ÅŁ":133210,"Ġ×ľ×ª×ª":133211,"تصÙģ":133212,"×Ķפ×ķ×ļ":133213,"à¹ĥà¸Ļà¸Ľà¸µ":133214,"ìĿ´ê³ł":133215,"ÙģÙĪز":133216,"à¸ľà¸¥à¸ĩาà¸Ļ":133217,"ĠGiáo":133218,"à¸ļà¸Ńà¸ģวà¹Īา":133219,"ĠdÄ±ÅŁ":133220,"ĠdÄ±ÅŁÄ±nda":133221,"죽":133222,"ĠdzieÅĦ":133223,"кÑĨии":133224,"иÑĨе":133225,"ãģ®ä¸Ģ":133226,"عش":133227,"пÑĢеÑģÑģ":133228,"หà¸Ļà¹Īà¸Ńย":133229,"ลัà¸ģษà¸ĵะ":133230,"ĠpossibilitÃł":133231,"à¹Ħà¸Ķà¹īรัà¸ļà¸ģาร":133232,"หยุà¸Ķ":133233,"Ġphiên":133234,"çĶŁãģ¾ãĤĮ":133235,"Ø·ÙĪÙĦ":133236,"ÑĦин":133237,"für":133238,"ØŃÙĬاة":133239,"íĸĪìĬµëĭĪëĭ¤":133240,"׼׳×ķת":133241,"à¸Ľà¸£à¸°à¸ª":133242,"à¸Ľà¸£à¸°à¸ªà¸ļ":133243,"à¸Ľà¸£à¸°à¸ªà¸ļà¸ģารà¸ĵà¹Į":133244,"ëIJĺìĹĪ":133245,"Ġkażdy":133246,"Ġluyá»ĩn":133247,"ĠоÑĢганизаÑĨии":133248,"å°ijãģªãģı":133249,"ÑģÑĤÑĢоен":133250,"Ġtécnico":133251,"ק×Ķ׾":133252,"Ġ×ķ×IJ×Ĺ":133253,"ĠعÙĦÙĬÙĥ":133254,"Ñīение":133255,"Ġ×Ķ×Ļ׾×ĵ×Ļ×Ŀ":133256,"ÙĪسائÙĦ":133257,"Ġ×ķ×Ķת":133258,"تÙħÙĬز":133259,"ĠÑģказал":133260,"Ġполи":133261,"Ġ×Ķ×ŀס":133262,"ÙĦÙijÙİ":133263,"Ùħؤسسة":133264,"Ġ×ŀ×Ļ×ĵ":133265,"ãģ£ãģ¡":133266,"ĠëĦĪ무":133267,"à¸ŀี":133268,"Ġtặng":133269,"Ġtấn":133270,"רש×Ŀ":133271,"Ġmédica":133272,"Ġ×¢×ķ×ŀ":133273,"Ġ×¢×ķ×ŀ×ĵ":133274,"ÑĦоÑĢ":133275,"Ùħرة":133276,"Ġvatanda":133277,"ĠvatandaÅŁ":133278,"Ġдело":133279,"à¸Ļม":133280,"ãģ¨åIJĮãģĺ":133281,"ÙģÙī":133282,"ÑģоÑĢ":133283,"Ġ×Ķסר×ĺ":133284,"Ġépoca":133285,"ìłķì±ħ":133286,"ĠÑģвÑıзан":133287,"ضرب":133288,"ĠÙĦÙĨا":133289,"Ġużywa":133290,"ĠاÙĦجÙĬØ´":133291,"ÑİÑĢ":133292,"×ijס×ķ×£":133293,"ĠмÑĥ":133294,"ĠмÑĥзÑĭк":133295,"bilité":133296,"Ġmaç":133297,"سÙİ":133298,"تÙĦÙĥ":133299,"ãģ¬":133300,"ÙĬÙĦا":133301,"ÑĪла":133302,"ÙĢÙĢÙĢ":133303,"Ġодной":133304,"зван":133305,"ĠÑģÑĢаз":133306,"ĠÑģÑĢазÑĥ":133307,"ÙĨظÙħ":133308,"راÙĩ":133309,"ĠÙĦÙĩذا":133310,"׼×ķר":133311,"Ġ×Ķש×ij×ķ×¢":133312,"Ġ×Ķשת":133313,"ĠQuảng":133314,"ãĥ«ãĥ¼":133315,"ãģĪãģªãģĦ":133316,"×ĺ×IJ":133317,"Ġmiá»ģn":133318,"ĠPháºŃt":133319,"ĠاÙĦسÙĪÙĤ":133320,"ÄĤ":133321,"ĠاÙĦجÙħع":133322,"ĠاÙĦجÙħعة":133323,"ÑİÑīей":133324,"aÅĤem":133325,"عتÙĤد":133326,"Ø£ÙĦÙħ":133327,"Ñģке":133328,"ĠìĿ´íķ´":133329,"ÙĨسخ":133330,"è¨ĢãģĦ":133331,"добав":133332,"سبÙĤ":133333,"×¢×ķרר":133334,"ÑĤип":133335,"ãģĿãģĵãģ§":133336,"visión":133337,"عÙĪدة":133338,"먹":133339,"×ŀ×ĸר×Ĺ":133340,"ĠØ¥ØŃ":133341,"Ġ׾×ij×Ļף":133342,"Ġ׾צ×IJת":133343,"Ġyardı":133344,"Ġyardımc":133345,"Ġyardımcı":133346,"Ä°Z":133347,"קפ×Ķ":133348,"tré":133349,"liÄŁini":133350,"клÑİÑĩа":133351,"Ġüretim":133352,"Ġayrı":133353,"ĠkiÅŁiler":133354,"à¸Ħà¹īà¸Ļ":133355,"à¸Ħà¹īà¸Ļหา":133356,"ĠSá»±":133357,"Ġ×Ľ×¡":133358,"Ġ×Ľ×¡×£":133359,"ĠÑĤакиÑħ":133360,"ĠXuân":133361,"Ġлег":133362,"Ġлегко":133363,"Ø«ÙĤاÙģØ©":133364,"ÐĿÐŀ":133365,"ãĤ¹ãĤ¿ãĥĥ":133366,"ãĤ¹ãĤ¿ãĥĥãĥķ":133367,"åIJĪãģĦ":133368,"Ġ×Ķש×Ļ×ŀ×ķש":133369,"manız":133370,"ĠÐĴаÑģ":133371,"gün":133372,"ìľĦìĽIJíļĮ":133373,"Ġwspóln":133374,"ĠÑģвое":133375,"íĥģ":133376,"à¹Ģà¸Ļีย":133377,"ÙĪبة":133378,"вÑıз":133379,"ıdır":133380,"ëIJĺìĹĪëĭ¤":133381,"ĠdeÄŁiÅŁtir":133382,"ãĤĭãģĵãģ¨ãģĮ":133383,"Ġ×Ĺ×ĵש×Ķ":133384,"ãĤīãĤĮãģ¦ãģĦãĤĭ":133385,"×Ĺ×Ļ×Ļ×ij":133386,"ĠÐļаÑĢ":133387,"׳×Ļת×ķ×Ĺ":133388,"Ġק×ĺף":133389,"ר×ĸ":133390,"ÙĪغ":133391,"èªŃãģ¿":133392,"ĠتÙĤÙĪÙħ":133393,"ĠÙĥاÙĦ":133394,"à¸Ŀึà¸ģ":133395,"Ġë°ľìĥĿ":133396,"ológico":133397,"راع":133398,"à¹ģà¸ģà¹īà¹Ħà¸Ĥ":133399,"ĠÑĢабоÑĤÑĥ":133400,"ÙĨÙijÙİ":133401,"à¸Ńยูà¹Īà¸Ĺีà¹Ī":133402,"ĠاÙĦثاÙĨÙĬØ©":133403,"ĠNhân":133404,"ÑħваÑĤ":133405,"öne":133406,"Ġعدة":133407,"à¹ģสà¸ĩ":133408,"ÑĤоп":133409,"пÑĥÑģка":133410,"شراء":133411,"ĠÐļом":133412,"Ġפע×ķ׾×Ķ":133413,"ìĤ¬ìĿ´":133414,"ìĤ¬ìĿ´íĬ¸":133415,"è¡Įãģ£ãģ¦":133416,"Ġ×Ķ×Ķת":133417,"ĠÑģÑĤоÑĢо":133418,"ĠÑģÑĤоÑĢонÑĭ":133419,"درس":133420,"à¸ĭู":133421,"à¸ķà¹Īำ":133422,"ĠأبÙĬ":133423,"подоб":133424,"ãģ«ãģ¦":133425,"ارتÙģاع":133426,"ĠÙħؤ":133427,"иков":133428,"geführt":133429,"มืà¸Ńà¸ĸืà¸Ń":133430,"ĠÙĦÙĤد":133431,"ĠØ£ÙĨÙij":133432,"سÙĬطر":133433,"ãģ¾ãģļãģ¯":133434,"ס×ĵ":133435,"ÑģколÑĮко":133436,"ãģ¿ãģŁãģĦãģª":133437,"×ĵר×Ĵ":133438,"×¢×Ļ×ĵ":133439,"à¹ĥหà¹īà¸ļริà¸ģาร":133440,"ĠÐĶи":133441,"×ij×¢×Ļ×ķת":133442,"Ġ×Ķ×Ĺ×ķ":133443,"пиÑģÑĮ":133444,"ĠاÙĦØ®ÙĦ":133445,"бав":133446,"ĠÄ°lk":133447,"ĠاÙĦØ®Ùħ":133448,"ĠاÙĦØ®ÙħÙĬس":133449,"ĠÙĬÙĤÙĪÙħ":133450,"æĻĤãģ®":133451,"ĠsÅĤow":133452,"ĠØ£ÙĩÙħ":133453,"Ø®ÙĦÙĤ":133454,"ĠأصبØŃ":133455,"Ġchứa":133456,"Ġthác":133457,"ÙģاÙĦ":133458,"Ġchá»Ŀ":133459,"ĠاÙĦخار":133460,"ĠاÙĦخارج":133461,"ĠاÙĦخارجÙĬØ©":133462,"طائر":133463,"ĠtÃł":133464,"ĠtÃłu":133465,"à¸ģลà¹īà¸Ńà¸ĩ":133466,"ĠاÙĦÙħرأ":133467,"ĠاÙĦÙħرأة":133468,"åħ¨ãģı":133469,"ĠÃĸn":133470,"çļĦãģ«ãģ¯":133471,"Ġpièce":133472,"×Ĵ×Ļ×ij":133473,"ĠاÙĦÙĪاÙĤع":133474,"ä»Ĭãģ®":133475,"ĠاÙĦÙħÙĤ":133476,"cznÄħ":133477,"ÙģعاÙĦ":133478,"енного":133479,"ĠÑĦакÑĤ":133480,"ìĭłì²Ń":133481,"ĠÐŀни":133482,"ĠاÙĦبÙĦاد":133483,"овиÑĩ":133484,"ëıĮ":133485,"ÑĦÑĥнкÑĨи":133486,"Ġìĸ´ëĬIJ":133487,"ãĥķãĤ©ãĥ¼":133488,"dÃŃ":133489,"илоÑģÑĮ":133490,"ÙħÙī":133491,"ĠاÙĦØ£ÙħرÙĬÙĥ":133492,"ĠاÙĦØ£ÙħرÙĬÙĥÙĬØ©":133493,"×ĺ×Ļפ×ķ׾":133494,"íĶĦë¡ľê·¸":133495,"íĶĦë¡ľê·¸ëŀ¨":133496,"Ġש×ķ׳×ķת":133497,"Ø´ÙħÙĦ":133498,"ĠпаÑĢа":133499,"Ġ×Ķ×Ĺ×ķק":133500,"ÙĪزارة":133501,"ãģ¨ãģĻãĤĭ":133502,"Ġquảng":133503,"Ġaģır":133504,"ĠاÙĦÙĦج":133505,"ĠاÙĦÙĦجÙĨØ©":133506,"긴":133507,"ĠTân":133508,"جÙħÙĦ":133509,"дол":133510,"à¹ģà¸ŀà¸Ĺย":133511,"à¹ģà¸ŀà¸Ĺยà¹Į":133512,"Ġר×IJש×Ļ":133513,"Ñīей":133514,"Ġçevre":133515,"ĠкомплекÑģ":133516,"Ġ×ij×ŀש×ļ":133517,"Ġaltın":133518,"ĠأعÙħاÙĦ":133519,"ĠÑģвоего":133520,"ãĤĪãģĦ":133521,"×Ĺ׾×Ļ×ĺ":133522,"×ŀ×ł×¢":133523,"Ġר×ij×Ķ":133524,"ĠØ£ÙĬضاÙĭ":133525,"×ĸ׾":133526,"ĠاÙĦسÙĬاسÙĬ":133527,"æĢĿãģĨ":133528,"קרק":133529,"קרקע":133530,"ĠاÙĦÙģرÙĬÙĤ":133531,"биÑĤ":133532,"ק׳×Ķ":133533,"ĠØ¥ÙĨÙĩ":133534,"ĠÐĴам":133535,"ÐłÐŀ":133536,"ãĥĪãĥª":133537,"å¿ħè¦ģãģª":133538,"Ġchâu":133539,"ç¶ļãģij":133540,"Ġçözüm":133541,"gÅĤow":133542,"عÙĤÙĦ":133543,"売ãĤĭ":133544,"iết":133545,"à¸Ĭิà¹īà¸Ļ":133546,"ĠØŃÙĤÙĪÙĤ":133547,"Ø·ÙĦع":133548,"ĠÄijen":133549,"ĠÙĥاÙģØ©":133550,"ãģ®ãģĶ":133551,"Ġë¬":133552,"Ġ물":133553,"Ġë¬¼ë¡ł":133554,"ĠرسÙĪÙĦ":133555,"зам":133556,"замен":133557,"Ġkullanıcı":133558,"×¢×ķ׾":133559,"èī²ãĢħ":133560,"ÑĪиÑĢ":133561,"Ġ×Ĺש":133562,"Ġwygl":133563,"ĠwyglÄħda":133564,"ש×Ļ×ŀ×ķש":133565,"å¿ĺãĤĮ":133566,"×¢×Ļצ×ķ×ij":133567,"ĠاÙĦسÙĪرÙĬ":133568,"å°ijãģªãģĦ":133569,"ĠпоиÑģк":133570,"สำà¸Ļัà¸ģà¸ĩาà¸Ļ":133571,"Ġ×ŀצ×ĵ":133572,"ĠmÃ¼ÅŁ":133573,"ĠmÃ¼ÅŁter":133574,"ĠmÃ¼ÅŁteri":133575,"ĠÙħÙĨÙĩÙħ":133576,"à¸ķำà¹ģ":133577,"à¸ķำà¹ģหà¸Ļ":133578,"à¸ķำà¹ģหà¸Ļà¹Īà¸ĩ":133579,"ÅĽmie":133580,"Ġ×©×ł×ª":133581,"Ġ×Ķפ×Ļ":133582,"פרש":133583,"×¢×ijר×Ļת":133584,"สà¸Ļัà¸ļ":133585,"สà¸Ļัà¸ļสà¸Ļุ":133586,"สà¸Ļัà¸ļสà¸Ļุà¸Ļ":133587,"è¨Ģãģ£ãģ¦":133588,"à¸ģารà¸Īัà¸Ķ":133589,"ĠMoże":133590,"изаÑĨии":133591,"ứt":133592,"ĠÙĪبعد":133593,"ĠdeÄŁild":133594,"ĠdeÄŁildir":133595,"Ġת×ŀ":133596,"Ġ×ŀ×ŀ׳×ķ":133597,"話ãĤĴ":133598,"ĠÑĨена":133599,"Ġthúc":133600,"×Ļ×ŀ×ķף":133601,"ĠBáo":133602,"ãĤĴåıĸãĤĬ":133603,"å®īãģĦ":133604,"Ġ×¢×ķש×Ļ×Ŀ":133605,"èĩªåĪĨãģĮ":133606,"lée":133607,"ãĤĭãģ®ãģ§":133608,"иÑĢÑĥеÑĤ":133609,"ãģ¦ãĤĭ":133610,"ستر":133611,"ĠاÙĦØŃÙĬ":133612,"×Ļ׾×ķת":133613,"Ġ×Ĺ×ij":133614,"ÙĤرأ":133615,"تÙħÙĥÙĨ":133616,"سائÙĦ":133617,"prüf":133618,"ãģĭãģijãģ¦":133619,"ĠÑģобÑģÑĤвенно":133620,"ĠìľĦíķĺìŬ":133621,"׾×Ļ×ĺ":133622,"ãģĮå¤ļãģı":133623,"ÙĬتÙĩا":133624,"ç«ĭãģ¦":133625,"มà¸Ńà¸ļ":133626,"ìĭľìŀ¥":133627,"оÑĢа":133628,"ĠsavaÅŁ":133629,"×ĺ×Ļ×ij×Ļ":133630,"×ij׳×ķ":133631,"Ùħاذا":133632,"기ê°Ħ":133633,"ãģªãģ©ãģ§":133634,"Ġ×ŀת×Ĺ×Ļ׾":133635,"Ġnhiá»ħ":133636,"Ġnhiá»ħm":133637,"каÑĢ":133638,"каÑĢÑĤ":133639,"Ġ׾×Ķשת×ŀש":133640,"׳×Ļ×Ĺ":133641,"ادÙĬØ©":133642,"รายà¸ĩาà¸Ļ":133643,"ĠprzykÅĤad":133644,"Ñīий":133645,"ØŃضÙĪر":133646,"Ġhôn":133647,"ÃĿ":133648,"ת×ķצ×IJ×ķת":133649,"رابط":133650,"Ġbếp":133651,"ĠполÑĥÑĩи":133652,"åĩºä¼ļãģĦç³»":133653,"à¸Ľà¸¥à¹Īà¸Ńย":133654,"ĠاÙĦشباب":133655,"اÙĩÙĦ":133656,"ä»Ĭãģ¾ãģ§":133657,"رجع":133658,"ãĤ¶ãĥ¼":133659,"ÙĤÙģ":133660,"ĠGroÃŁ":133661,"ĠíļĮìĽIJ":133662,"اجر":133663,"Ġ×ij×ŀקר×Ķ":133664,"Ġsegurança":133665,"fühl":133666,"ãģ¦ãģĦãģı":133667,"หมà¸Ń":133668,"ĠкоÑĤоÑĢом":133669,"ĠNÄĥm":133670,"ĠdÅĤugo":133671,"ÙħÙĨØŃ":133672,"ש×ķ×ķ×Ļ":133673,"ĠØ£ÙĬاÙħ":133674,"à¸ªà¸łà¸²à¸ŀ":133675,"rzÄħ":133676,"شرÙĥات":133677,"ãĤĴèĢĥãģĪ":133678,"даÑĢ":133679,"à¸Ľà¸£à¸°à¸Ĭุม":133680,"Ġ×ķ×IJ×ĸ":133681,"iá»ĩn":133682,"ĠtÆ°Æ¡i":133683,"ש×Ļ×Ĺ":133684,"à¸Ńà¹Īà¸Ńà¸Ļ":133685,"æĽ¸ãģĦãģ¦":133686,"Ġngữ":133687,"×ij×Ļ×ĺ×Ĺ":133688,"×ij×Ļ×ĺ×Ĺ×ķף":133689,"Ġsẵ":133690,"Ġsẵn":133691,"ì§ĢëıĦ":133692,"ĠпÑĢеп":133693,"ĠпÑĢепаÑĢаÑĤ":133694,"ĠнаÑĥÑĩ":133695,"ĠÃľnivers":133696,"ĠÃľniversites":133697,"ĠÃľniversitesi":133698,"Ġ×Ĵ×ĵ×ķ׾×Ķ":133699,"Ġ×Ķ×ł×ª":133700,"Ġ×Ķ×ł×ª×ij×¢":133701,"ãģ§ãģĤãģ£ãģŁ":133702,"ĠmiesiÄħ":133703,"ĠmiesiÄħc":133704,"гÑĢам":133705,"гÑĢамм":133706,"ĠبشأÙĨ":133707,"ĠÑħÑĢ":133708,"ק×Ļ×ĵ":133709,"ק×Ļ×ĵ×ķ×Ŀ":133710,"Ø´Ùĥر":133711,"Ġá»ķ":133712,"Ġá»ķn":133713,"ãģĮãģĤãģ£ãģ¦":133714,"ãģķãĤĮãģ¾ãģĻ":133715,"Ġ×Ĺ×ķ×ĵ":133716,"Ġ×Ĺ×ķ×ĵש×Ļ×Ŀ":133717,"ÙħÙĪاجÙĩ":133718,"ÙħÙĪاجÙĩØ©":133719,"أشخاص":133720,"بغ":133721,"à¹Ģรียà¸Ļรูà¹ī":133722,"ãģĹãģ¦ãģĦãģı":133723,"Ġsạn":133724,"å¿ħãģļ":133725,"׳×Ļ×Ĵ":133726,"׳×Ļ×Ĵ×ķ×ĵ":133727,"باÙĦغ":133728,"×Ĺש×ŀ":133729,"×Ĺש×ŀ׾":133730,"Ġnapraw":133731,"ĠnaprawdÄĻ":133732,"Ø´Ùĩاد":133733,"×IJ×ķ×Ķ":133734,"×IJ×ķ×Ķ×ij":133735,"иÑĨÑĭ":133736,"Ġ×Ķר׼×ij":133737,"ëŀij":133738,"Ġתע":133739,"Ġ×Ķ×Ļש":133740,"Ġ×Ķ×Ļשר×IJ":133741,"Ġ×Ķ×Ļשר×IJ׾×Ļ":133742,"Ø£ÙħÙĨ":133743,"ÑİÑīаÑı":133744,"skór":133745,"LERÄ°":133746,"Ġ×Ķ×IJ×Ĺר×ķף":133747,"×¢×ł×§":133748,"ĠÙĪÙĥÙĦ":133749,"ãģĵãģĵãģ§":133750,"Ġquán":133751,"liÄŁin":133752,"à¸ģà¸İหมาย":133753,"Ø·Ùħ":133754,"أجÙĩ":133755,"أجÙĩزة":133756,"ĠErdoÄŁan":133757,"ãģ§ãģĬ":133758,"ĠвÑĢа":133759,"ĠвÑĢаÑĩ":133760,"ĠPhó":133761,"à¸Ĭัà¹Īว":133762,"à¸Ĭัà¹Īวà¹Ĥม":133763,"à¸Ĭัà¹Īวà¹Ĥมà¸ĩ":133764,"Ġphúc":133765,"×Ļפ×ķת":133766,"×¢×Ļ×ķף":133767,"Ġdużo":133768,"ãĥģãĥ¼ãĥł":133769,"ĠÙĬÙİ":133770,"ĠзадаÑĩ":133771,"Ġ×Ĵ×ij×ķ×Ķ×Ķ":133772,"Ġ׼׼׾":133773,"ложен":133774,"état":133775,"ĠngÄĥn":133776,"èµ·ãģį":133777,"ĠTiến":133778,"صعب":133779,"Ġexperiência":133780,"Ø®Ùħ":133781,"à¸ģารà¸Ĺำà¸ĩาà¸Ļ":133782,"سÙĬد":133783,"ĠDá»±":133784,"ĠкоÑĤоÑĢого":133785,"ladıģı":133786,"Ġkhá»ķ":133787,"Ġê³ĦìĨį":133788,"Ñīик":133789,"สà¹Īวà¸Ļà¸ķัว":133790,"зоÑĢ":133791,"ÙĨÙı":133792,"Ġà¸Ķัà¸ĩ":133793,"Ġà¸Ķัà¸ĩà¸Ļัà¹īà¸Ļ":133794,"Ġcấu":133795,"ĠÄijá»ijc":133796,"оÑĦ":133797,"ĠاÙĦأعÙħاÙĦ":133798,"ãģªãģıãģ¦ãĤĤ":133799,"×ķ׼×Ļ×Ŀ":133800,"à¹ģà¸Ľ":133801,"ĠBên":133802,"ãĥ¯ãĥ³":133803,"Ġgiám":133804,"ĠÅŀu":133805,"Ġdáng":133806,"عÙĦÙĬ":133807,"à¹Ģà¸ģษ":133808,"à¹Ģà¸ģษà¸ķร":133809,"ÙĪجب":133810,"ннÑĭе":133811,"ÙĤضاء":133812,"à¸Ħวà¸ļ":133813,"à¸Ħวà¸ļà¸Ħุ":133814,"à¸Ħวà¸ļà¸Ħุม":133815,"ãģ¤ãģ¤":133816,"ĠViá»ĩc":133817,"×ŀ×ij×ĺ":133818,"ש×Ļת×ķ×£":133819,"ĠведÑĮ":133820,"kaza":133821,"kazaÅĤ":133822,"à¸ķำรวà¸Ī":133823,"ãĤ¿ãĥ«":133824,"ĠповÑĭ":133825,"ĠповÑĭÑĪен":133826,"ĠSợ":133827,"ĠìĦ¤ëªħ":133828,"ĠÃĩünkü":133829,"ìĥĿíĻľ":133830,"Ö¾":133831,"ãĤĮãģ¦ãģĦãĤĭ":133832,"Ġ×ijר×IJש":133833,"ר×ķ×Ĵ":133834,"ĠоÑĦи":133835,"ĠоÑĦиÑĨиалÑĮн":133836,"ĠÑĥÑģÑĤанов":133837,"ĠÑĥÑģÑĤановлен":133838,"ĠاÙĦÙħصر":133839,"ĠاÙĦÙħصرÙĬØ©":133840,"ĠÐŁÐ¾ÑįÑĤомÑĥ":133841,"ÙĨصÙģ":133842,"ĠÙĪاÙĦÙĨ":133843,"ĠhÃłi":133844,"à¸Ħิ":133845,"ĠAprès":133846,"ì³IJ":133847,"à¹Ģà¸ĭีย":133848,"×ĵ×ŀ×Ķ":133849,"activité":133850,"à¸Ħิà¸Ķวà¹Īา":133851,"ÑĤÑĢен":133852,"à¹Ģฮ":133853,"ãĥıãĤ¤":133854,"ãģĮå¢ĹãģĪ":133855,"еннаÑı":133856,"Ġìĺ¤ëĬĺ":133857,"ãĥ¢ãĥ³":133858,"ĠконеÑĩно":133859,"ĠÙħÙĤابÙĦ":133860,"clé":133861,"Ġhü":133862,"Ġthẳng":133863,"ìłģìĿ´":133864,"ĠÐIJлекÑģ":133865,"ĠÐIJлекÑģан":133866,"ĠÐIJлекÑģандÑĢ":133867,"ãĥŀãĥ³ãĤ·ãĥ§ãĥ³":133868,"ãģ²ãģ¨ãģ¤":133869,"ãģªãģĬ":133870,"à¹Ģà¸Īà¹īาà¸Ĥà¸Ńà¸ĩ":133871,"ëĵľë¦¬":133872,"شاء":133873,"ĠsaÄŁlık":133874,"ĠÅŁimdi":133875,"×Ļ×IJ׾":133876,"تأثÙĬر":133877,"أسب":133878,"أسباب":133879,"ĠвÑĭполнен":133880,"лок":133881,"ש×Ļ×ij×Ķ":133882,"Ġlắm":133883,"ĠTrÆ°á»Ľc":133884,"Ġ×Ķ×¢×ľ":133885,"리를":133886,"ĠÑĢеж":133887,"ĠÑĢежим":133888,"inté":133889,"intégr":133890,"×Ĵ׳×Ļ":133891,"ĠاÙĦشعر":133892,"Ġmilhões":133893,"Ġpequeño":133894,"ãĤ³ãĥ¼ãĤ¹":133895,"×ķ׼×Ĺ":133896,"à¹Ģà¸Ĭà¹īา":133897,"شرÙĤ":133898,"ĠhÆ°Æ¡ng":133899,"รัà¸IJà¸ļาล":133900,"à¸ģลาย":133901,"à¸ģลายà¹Ģà¸Ľà¹ĩà¸Ļ":133902,"ĠподÑħод":133903,"תש×ķ×ij×Ķ":133904,"ãģıãģªãģ£ãģ¦":133905,"ĠاÙĦØ£ÙħÙħ":133906,"ĠHá»įc":133907,"ĠwspóÅĤpr":133908,"ĠwspóÅĤprac":133909,"ÑĩÑĥв":133910,"ÑĩÑĥвÑģÑĤв":133911,"ÃŃstico":133912,"à¹Ģà¸ģาะ":133913,"ìĽĢ":133914,"Ġназад":133915,"ãĤĭãĤĪãģĨãģ«":133916,"ĠСШ":133917,"ĠСШÐIJ":133918,"мон":133919,"ĠAsÃŃ":133920,"×ķר×Ĵ":133921,"полнен":133922,"×ŀ×¡×ľ":133923,"×ŀ×¡×ľ×ķ׾":133924,"à¹Ģลืà¸Ńà¸Ķ":133925,"à¹Ģริà¹Īมà¸ķà¹īà¸Ļ":133926,"ĠاÙĦØ¥Ùħ":133927,"ĠاÙĦØ¥Ùħارات":133928,"צ×Ķר":133929,"ãĥ¡ãĥªãĥĥãĥĪ":133930,"ĠпоÑĤом":133931,"виз":133932,"ĠÙģترة":133933,"å¾Įãģ®":133934,"ÐĿÐIJ":133935,"×ŀסר":133936,"ÙĬرÙĬ":133937,"pré":133938,"ĠteÅŁek":133939,"ĠteÅŁekkür":133940,"Ġödeme":133941,"داÙĨ":133942,"ãģ¾ãģĹãģ¦":133943,"缮ãģ«":133944,"ĠÑĤеÑĩение":133945,"lard":133946,"lardır":133947,"à¹Ģราà¸Īะ":133948,"ספ×Ļ":133949,"ĠÙĪÙĥØ°ÙĦÙĥ":133950,"Ġhát":133951,"Ġtá»Ļc":133952,"à¸Ħุย":133953,"Ġbức":133954,"ØŃÙĬÙĨ":133955,"èģŀãģĦãģ¦":133956,"Ùħؤشر":133957,"ĠNhÆ°":133958,"Ġменее":133959,"ละà¸Ħร":133960,"Ñģин":133961,"ĠÑĢек":133962,"ĠÑĢекл":133963,"ĠÑĢеклам":133964,"ĠÙģÙĩÙĪ":133965,"Ġ׾×ĸ":133966,"×Ļ׳×ķת":133967,"ĠÅŁart":133968,"ÑģÑĤавка":133969,"Ġíı¬íķ¨":133970,"ãģ«è¡Įãģı":133971,"ï¼Ŀ":133972,"ĠпозволÑıеÑĤ":133973,"Ġת×ķ׼׾×ķ":133974,"овал":133975,"صÙĦØ©":133976,"Ġ׾ש׳×ķת":133977,"ĠÐĺгÑĢ":133978,"ÙħÙĨتجات":133979,"ĠsatÄ±ÅŁ":133980,"Ñģко":133981,"ĠاÙĦØ«ÙĦاثاء":133982,"Ġ×Ķ×ĵ×ijר×Ļ×Ŀ":133983,"ãģĹãģ¾ãģĹãĤĩãģĨ":133984,"بÙĤÙī":133985,"åĬĽãĤĴ":133986,"ĠÃĩok":133987,"ãĥģãĥ¥":133988,"à¹Ģà¸Ĭืà¹īà¸Ń":133989,"ยุà¸Ħ":133990,"ศาล":133991,"Ġק×ķ×ĵ×Ŀ":133992,"×ĸר×Ļ×Ŀ":133993,"ãģ®åł´åIJĪ":133994,"ĠìķĬìķĺ":133995,"ãģĤãĤĬãģ¾ãģĻãģĮ":133996,"×IJשר":133997,"è¡Įãģı":133998,"ãģ»ãģĭ":133999,"æ°Ĺãģ«ãģªãĤĭ":134000,"йдеÑĤ":134001,"íķĺìĺĢëĭ¤":134002,"ستÙħرار":134003,"ĠÐŁÑĢе":134004,"ĠÑģбоÑĢ":134005,"ĠìķĦ무":134006,"ç§ģãĤĤ":134007,"عص":134008,"ĠниÑĩ":134009,"ĠниÑĩего":134010,"ĠпÑĢием":134011,"ק×ķ×ŀ":134012,"ĠìĪĺëıĦ":134013,"Ġì¡´":134014,"Ġì¡´ìŀ¬":134015,"ĠأثÙĨ":134016,"ĠأثÙĨاء":134017,"ĠÙĪاÙĦØŃ":134018,"ãģĮãģ§ãģįãĤĭ":134019,"Ġת×Ķ":134020,"Ġת×Ķ×Ļ×Ķ":134021,"רף":134022,"ĠÑģвÑıзи":134023,"×Ĵשת":134024,"ÑģпекÑĤ":134025,"ס×ij×Ļ×ij":134026,"ס×ij×Ļ×ij×Ķ":134027,"ĠíķĦìļĶíķľ":134028,"تخصص":134029,"Ġжив":134030,"ĠживоÑĤ":134031,"ĠMayıs":134032,"تعا":134033,"تعاÙĪÙĨ":134034,"ĠعÙĨÙĩا":134035,"ówki":134036,"ĠاÙĦÙģÙĦسطÙĬÙĨÙĬ":134037,"ãģłãģijãģ§ãģªãģı":134038,"ìĿ¸ì§Ģ":134039,"ĠاÙĦسÙĪد":134040,"ĠاÙĦسÙĪداÙĨ":134041,"إجراءات":134042,"Ġkötü":134043,"Ġ×Ļתר":134044,"×Ĵ×Ļש×Ķ":134045,"Ġצ×ķר×ļ":134046,"รà¸ĸย":134047,"รà¸ĸยà¸Ļà¸ķà¹Į":134048,"ÑħоÑĤ":134049,"ÐłÐIJ":134050,"ÙĪØ·ÙĨ":134051,"Ġsayısı":134052,"ס×Ĺר":134053,"ÙħÙĪÙĦ":134054,"ãĤĴæĮģãģ£ãģ¦":134055,"عاÙĨ":134056,"Ġtá»Ļi":134057,"ĠвÑĭÑĪе":134058,"Ġtầm":134059,"ãĥĪãĥ¬":134060,"×Ļצ×ķ":134061,"มุม":134062,"سÙĪد":134063,"ìłĦìŀIJ":134064,"ãĤµãĥŃãĥ³":134065,"ìĤ°ìĹħ":134066,"ĠоÑģнован":134067,"Ø®Ùģض":134068,"רצ×Ķ":134069,"بÙĬض":134070,"×ķÖ¹":134071,"ס×Ļ×Ļ×¢":134072,"Ġש×IJ×Ļ":134073,"ĠاÙĦÙĤرآÙĨ":134074,"ĠТакже":134075,"×ŀש×ŀ×¢×ķת":134076,"سÙĩÙĦ":134077,"Ġ×Ķ׳×Ķ":134078,"ãĤĴãģĹãģ¦ãģĦãĤĭ":134079,"×Ļ×Ļס":134080,"×Ķ×ķ×IJ":134081,"ĠBÃŃ":134082,"Ġмало":134083,"ĠëĶ°ëĿ¼ìĦľ":134084,"Ġר×Ĺ×ij":134085,"ãģĮé«ĺãģĦ":134086,"ÙĪاس":134087,"ìĤ¼":134088,"×ł×¢":134089,"ãģ£ãģ¡ãĤĥ":134090,"ĠTüm":134091,"à¸Ńีà¸ģà¸Ķà¹īวย":134092,"ãģĹãģ¦ãģıãģłãģķãģĦ":134093,"ÙĨشاط":134094,"ãĥĹãĥ©ãĥ³":134095,"алиÑģÑĮ":134096,"×ĵ×ľ×ª":134097,"ĠwczeÅĽ":134098,"ĠwczeÅĽniej":134099,"ĠÑįÑĤим":134100,"Ġthá»ĭt":134101,"à¸ļัà¸į":134102,"à¸ļัà¸įà¸Ĭี":134103,"ãģļãģ£ãģ¨":134104,"ÑĢин":134105,"ĠswojÄħ":134106,"íķĺëĬĶëį°":134107,"Ġë§Įëĵ¤ìĸ´":134108,"تشÙĥ":134109,"تشÙĥÙĬÙĦ":134110,"ائÙĩ":134111,"Ġ׾פ×Ĺ×ķת":134112,"ãĥĭãĥ¥":134113,"ãĥĭãĥ¥ãĥ¼ãĤ¹":134114,"׼×IJף":134115,"ãģ§ãģįãģŁ":134116,"звон":134117,"ĠstaÅĤ":134118,"×Ĺ×ijרת×Ļ":134119,"ĠأعÙĦÙĨ":134120,"à¹ģà¸ļà¸ļà¸Ļีà¹ī":134121,"بدء":134122,"ãĤģãģŁ":134123,"Ġ×ŀש×ŀ×¢×ķת":134124,"Ġ×ŀש×ŀ×¢×ķת×Ļ":134125,"örü":134126,"Ġhạnh":134127,"zähl":134128,"ĠLý":134129,"Ġ×ij×Ķת":134130,"Ġ×ij×Ķת×IJ×Ŀ":134131,"баÑĢ":134132,"ì¦Ī":134133,"ä»ĬåĽŀãģ®":134134,"Ġyü":134135,"Ġyüks":134136,"Ġyüksel":134137,"ãĤ½ãĥ¼":134138,"ãģĤãĤĮ":134139,"×ª×ľ×ŀ×Ļ×ĵ":134140,"ãģ¤ãģª":134141,"×ij׳×Ļ×Ŀ":134142,"Ġxếp":134143,"ĠмÑĥжÑĩин":134144,"ĠاÙĦÙĥتاب":134145,"׼×ŀ×ķת":134146,"Ġçe":134147,"ĠçeÅŁ":134148,"ĠçeÅŁit":134149,"ĠçeÅŁitli":134150,"×ĵ×Ļר×ķת":134151,"à¸ļุà¸į":134152,"ĠاÙĦØ¥ÙĦÙĥ":134153,"ĠاÙĦØ¥ÙĦÙĥترÙĪ":134154,"ĠاÙĦØ¥ÙĦÙĥترÙĪÙĨÙĬ":134155,"ĠباÙĦإض":134156,"ĠباÙĦإضاÙģØ©":134157,"Ġyönel":134158,"Ġyönelik":134159,"mysÅĤ":134160,"à¸Ķà¹īวยà¸ģาร":134161,"à¸ģารà¸Ĺำ":134162,"овÑĭм":134163,"أزÙħØ©":134164,"æİ¢ãģĹ":134165,"íļ¨":134166,"Ġ×ķ×IJ×Ŀ":134167,"Ġnghiêm":134168,"ÑĪин":134169,"кал":134170,"Ġcrianças":134171,"èĩªåĪĨãģ§":134172,"Ġнай":134173,"ĠнайÑĤи":134174,"ĠSá»ij":134175,"ĠÃ¶ÄŁrenciler":134176,"ãĥ¶æľĪ":134177,"Ñģан":134178,"ĠJá":134179,"ĠkonuÅŁma":134180,"شرط":134181,"ëĪĪ":134182,"arrière":134183,"ضرÙĪرة":134184,"ãĥĶãĥ³":134185,"עשר":134186,"аÑĢÑĮ":134187,"جÙħاع":134188,"Ġdéco":134189,"Ġ×Ļ×Ķ×ķ×ĵ×Ļ":134190,"à¸ŀลาà¸Ķ":134191,"ĠÙĬÙĥÙĨ":134192,"ĠجاÙħعة":134193,"طبÙĤ":134194,"ĠboÅŁ":134195,"×ķ×ķ×IJ":134196,"×ŀ×ĵ×¢":134197,"ק×ij×ķצת":134198,"פ×Ļר":134199,"jÄħcym":134200,"Ùħشا":134201,"ÙħشاÙĥÙĦ":134202,"צפ×ķף":134203,"إست":134204,"×ŀ׼ר":134205,"سÙħع":134206,"Ġкакой":134207,"ÑĤвоÑĢ":134208,"ØŃج":134209,"Ùģرض":134210,"пÑĢавлен":134211,"Ġникак":134212,"Ġmiá»ĩ":134213,"Ġmiá»ĩng":134214,"Ã¼ÃŁ":134215,"иÑĢовал":134216,"׾×ŀ×ķת":134217,"次ãģ®":134218,"ÙĦØ·":134219,"à¸ķัà¸Ļ":134220,"×Ķת×Ĺ×Ļ׾":134221,"ĠfotoÄŁ":134222,"ĠfotoÄŁraf":134223,"طرØŃ":134224,"à¸Ńà¸Ńà¸ģà¹Ħà¸Ľ":134225,"Ġyên":134226,"Ġпок":134227,"ĠпокÑĥп":134228,"ĠпокÑĥпа":134229,"ÑĨÑĥ":134230,"ĠкомпÑĮÑİ":134231,"ĠкомпÑĮÑİÑĤеÑĢ":134232,"ĠاÙĦÙĥرÙĬÙħ":134233,"تصÙħ":134234,"تصÙħÙĬÙħ":134235,"Ġоказа":134236,"Ġzarówn":134237,"Ġzarówno":134238,"ëĮĢì¶ľ":134239,"ãĤ»ãĥ³ãĤ¿ãĥ¼":134240,"ĠjakoÅĽci":134241,"æĤ©":134242,"æĤ©ãģ¿":134243,"Ø£ÙĨÙĪ":134244,"Ø£ÙĨÙĪاع":134245,"ë¹ł":134246,"Ġìłķë§IJ":134247,"Ġkẻ":134248,"ĠÑģайÑĤа":134249,"Ġ×Ķער×ij":134250,"Ùĩز":134251,"presión":134252,"ĠÑģÑĤен":134253,"ãģ£ãģ¦ãĤĭ":134254,"Ġhızlı":134255,"ÐļÐIJ":134256,"×ŀשפ×Ĺת":134257,"ĠÙĨÙĩا":134258,"ĠÙĨÙĩاÙĬØ©":134259,"ãģ¾ãģĦ":134260,"оÑħÑĢан":134261,"รà¹īà¸Ńย":134262,"ลึà¸ģ":134263,"ĠÙĪباÙĦ":134264,"ãĤĤãģ®ãģĮ":134265,"ר׼×Ļ×ij":134266,"ãĤ¤ãĥ¤":134267,"سؤ":134268,"سؤاÙĦ":134269,"ĠÙĦØ£ÙĨÙĩ":134270,"ĠkonuÅŁtu":134271,"ÐļÑĥпиÑĤÑĮ":134272,"Ġש×IJת×Ķ":134273,"ĠÙĪاÙĦس":134274,"ĠmożliwoÅĽci":134275,"Ġprób":134276,"ëĶ°":134277,"ãģ©ãĤĮ":134278,"ĠÐľÐ¸Ð½":134279,"ĠоÑĢганизм":134280,"ãģ«å¯¾ãģĻãĤĭ":134281,"ĠPré":134282,"Ġprivé":134283,"chè":134284,"ãģĦãģŁãģłãģį":134285,"สà¸Ļุà¸ģ":134286,"ajÄħce":134287,"ĠDzi":134288,"ĠDziÄĻki":134289,"ÅĤatw":134290,"rän":134291,"ränk":134292,"æĿ¥ãģŁ":134293,"Ġ×Ķ×Ļ×Ķ×ķ×ĵ×Ļ":134294,"ãĤ¬ãĥ¼":134295,"ĠÑĢад":134296,"ĠÑĢади":134297,"кÑĤив":134298,"Ø£Ùĩد":134299,"Ø£ÙĩداÙģ":134300,"ש×IJ×Ļר":134301,"ãģ¦ãģĦãģªãģĦ":134302,"Ġfrüh":134303,"Ġокол":134304,"Ġоколо":134305,"Ġregião":134306,"ĠÑĩиÑģле":134307,"Ġponiew":134308,"Ġponieważ":134309,"ìĦ¼íĦ°":134310,"Ġbầu":134311,"Ġê·":134312,"Ġê·ľ":134313,"Ġê·ľìłķ":134314,"ĠHòa":134315,"ĠÑĤоÑĤ":134316,"ãĤĤå¤ļãģĦ":134317,"ĠاÙĦإسÙĦاÙħÙĬØ©":134318,"ãģĭãģĦ":134319,"Ñįн":134320,"ĠÑĥказан":134321,"ĠÑĤакое":134322,"ï¼³":134323,"ëĮĢíķĻ":134324,"ĠgeniÅŁ":134325,"ĠاÙĦØ®ÙĬ":134326,"ĠاÙĦØ®ÙĬارات":134327,"ãĤĴè¡ĮãģĨ":134328,"ש×ŀ×Ķ":134329,"ĠLÃłm":134330,"ÙĪÙĨÙĬ":134331,"Ġ×IJ׾×Ļ×ķ":134332,"Äĺ":134333,"à¹Ħมà¹Īสามารà¸ĸ":134334,"人ãģ¨":134335,"برز":134336,"×Ļס×ķ×ĵ":134337,"×Ĵ׾×Ļ":134338,"ĠÙĬÙĨا":134339,"ĠÙĬÙĨاÙĬر":134340,"ĠкаÑĢÑĤин":134341,"Ġtôn":134342,"à¹Ģà¸ģร":134343,"à¸Ħà¸Ķี":134344,"Ġ׾×IJ×ķר×ļ":134345,"ãĤĤãĤīãģĨ":134346,"ãģĭãģĭãĤĭ":134347,"ании":134348,"ĠaraÅŁtırma":134349,"ÙĦاØŃظ":134350,"ãģĦãĤĦ":134351,"ĠTÃłi":134352,"Ġà¸Ļà¸Ńà¸ģà¸Īาà¸ģ":134353,"Ġà¸Ļà¸Ńà¸ģà¸Īาà¸ģà¸Ļีà¹ī":134354,"ĠÄIJảng":134355,"ãģ£ãģ¦ãģįãģŁ":134356,"Ġà¸ĭึà¹Īà¸ĩà¹Ģà¸Ľà¹ĩà¸Ļ":134357,"Ġtả":134358,"ĠmożliwoÅĽÄĩ":134359,"ĠSản":134360,"ĠÄ°ki":134361,"Ġcắt":134362,"سأÙĦ":134363,"Ġbakım":134364,"شب":134365,"à¸ķีà¹ī":134366,"à¸ŀยาย":134367,"à¸ŀยายาม":134368,"à¸ªà¸±à¸Ľ":134369,"à¸ªà¸±à¸Ľà¸Ķา":134370,"à¸ªà¸±à¸Ľà¸Ķาหà¹Į":134371,"ë°Ģ":134372,"еÑĢÑĭ":134373,"Ġcánh":134374,"Ġthuế":134375,"تبع":134376,"ãģ«åħ¥ãĤĮ":134377,"ÑİÑģÑĮ":134378,"íļĮìĿĺ":134379,"ç°¡åį":134380,"ç°¡åįĺ":134381,"ç°¡åįĺãģ«":134382,"Ġtrúc":134383,"ĠاÙĦÙĥÙĪÙĬ":134384,"ĠاÙĦÙĥÙĪÙĬت":134385,"ãĤıãģijãģ§ãģĻ":134386,"ĠÑģвоб":134387,"ĠÑģвобод":134388,"ĠÑĥÑĩаÑģÑĤник":134389,"สิà¹īà¸Ļ":134390,"ĠпÑĢоÑĦеÑģÑģиона":134391,"ĠпÑĢоÑĦеÑģÑģионалÑĮн":134392,"ÑģпоÑĢ":134393,"×Ĺ×ķ×ij×Ķ":134394,"ÙħعÙĨÙī":134395,"ĠاÙĦÙģترة":134396,"สูà¸ĩสุà¸Ķ":134397,"ãĤıãģļ":134398,"ĠÄijè":134399,"ĠÄijèn":134400,"æ¯Ķãģ¹":134401,"าà¸ĺิ":134402,"Ġmożemy":134403,"à¹ģà¸ĭ":134404,"à¸Īะà¹Ħมà¹Ī":134405,"Ġsắp":134406,"ÐļÐŀ":134407,"Ġpráctica":134408,"ÙĪÙĥاÙĦØ©":134409,"è¾¼ãĤĵãģ§":134410,"ológica":134411,"ĠеÑī":134412,"ĠеÑīÑij":134413,"تعدÙĬÙĦ":134414,"ĠØ£Ùĥد":134415,"Ġצר×Ļ׼":134416,"Ġצר×Ļ׼×Ļ×Ŀ":134417,"Ø«Ùħ":134418,"ĠкÑĢÑĥ":134419,"ĠкÑĢÑĥп":134420,"×ij×Ļק×ķרת":134421,"Ġì¡°ê¸Ī":134422,"ãģ¨ãģįãģ¯":134423,"Ġbạc":134424,"ĠÑĢаÑģпол":134425,"ĠÑĢаÑģполож":134426,"ĠÑĢаÑģположен":134427,"زÙĬÙĨ":134428,"ĠÐļÑĢоме":134429,"ĠاÙĦÙĨظر":134430,"×Ķ×ķ×ĵ":134431,"ĠاÙĦسبت":134432,"ãģ¨æĢĿãģĦ":134433,"ĠpaÅĦst":134434,"ĠpaÅĦstw":134435,"ĠÙĦÙĬست":134436,"ĠбÑĥдÑĥ":134437,"à¸Ĺัà¸Ļà¸Ĺี":134438,"ราม":134439,"ØŃصÙĪÙĦ":134440,"ãģĹãģ¦ãģıãĤĮãĤĭ":134441,"ĠاÙĦإسرائÙĬÙĦ":134442,"ĠاÙĦإسرائÙĬÙĦÙĬ":134443,"ãģĵãĤĮãģ¾ãģ§":134444,"ìĤ¬ë¥¼":134445,"Ġsürü":134446,"à¹Ģวà¸Ńรà¹Į":134447,"à¹Ģà¸ĭà¸Ńรà¹Į":134448,"Ġutilisé":134449,"ĠÑģиÑģÑĤема":134450,"Ġdwó":134451,"Ġdwóch":134452,"Ġpróprio":134453,"Ġëĵ±ìĿĦ":134454,"arrêt":134455,"ĠЧа":134456,"×IJ×ŀ׳×ķת":134457,"عارض":134458,"à¹Ģà¸ģมสà¹Į":134459,"Ġ׾×Ķ×ij×Ļף":134460,"Ġ׾×ij×Ĺ":134461,"Ġ׾×ij×Ĺ×ķר":134462,"สาà¸Ĥา":134463,"ĠÐľÐ¾Ñģкве":134464,"بعد":134465,"ĠاÙĦÙĤرار":134466,"ĠÄIJá»ĭa":134467,"Ġ×Ĺ×Ĵ":134468,"Ùģتر":134469,"ÙĪÙĨØ©":134470,"Ġ×Ķ×ĸ×IJת":134471,"å¸Ĥãģ®":134472,"ãģ»ãģĹãģĦ":134473,"Ġ×ij×¢×Ļר":134474,"ĠÑĤепеÑĢÑĮ":134475,"ìĬµëĭĪê¹Į":134476,"à¹Ħมà¹Īว":134477,"à¹Ħมà¹Īวà¹Īา":134478,"à¹Ħมà¹Īวà¹Īาà¸Īะ":134479,"×ŀ×IJ×Ķ":134480,"æĥħåł±":134481,"æĥħåł±ãĤĴ":134482,"غÙĨ":134483,"ĠпоÑı":134484,"ĠпоÑıви":134485,"éģİãģĶ":134486,"تشغ":134487,"تشغÙĬÙĦ":134488,"вел":134489,"Ġ×Ĺ×ŀ":134490,"ãģ¨ãģªãĤĬãģ¾ãģĻ":134491,"ĠraÄŁ":134492,"ĠraÄŁmen":134493,"ãģĭãģ©ãģĨ":134494,"ãģĭãģ©ãģĨãģĭ":134495,"енко":134496,"ì§Ģê³ł":134497,"Ġ×IJ׾×Ļ×Ķ":134498,"ĠØ£ÙĦ":134499,"à¸Īำหà¸Ļ":134500,"à¸Īำหà¸Ļà¹Īาย":134501,"nızı":134502,"Ġ׾ק×Ĺת":134503,"Ø£ÙĩÙħ":134504,"Ø£ÙĩÙħÙĬØ©":134505,"تغÙĬر":134506,"ש×Ĺר":134507,"ס×ķפר":134508,"×ĵ×Ļר":134509,"èī¯ãģĭãģ£ãģŁ":134510,"×ŀ׾×Ĺ×ŀ×Ķ":134511,"ÑģÑĤвие":134512,"ÑĤÑĢаÑĤ":134513,"ĠاÙĦأخ":134514,"ĠاÙĦأخÙĬرة":134515,"ĠاÙĦØŃصÙĪÙĦ":134516,"Ġcrédito":134517,"צ×Ļ×¢":134518,"ãĥ¬ãĥĻãĥ«":134519,"برÙĬ":134520,"ëIJIJ":134521,"ãģłãģ£ãģ¦":134522,"ĠrealtÃł":134523,"سÙģر":134524,"×ķ׳×ķ":134525,"×Ĵ×ķ×ĵ":134526,"×Ĵ×ķ×ĵ׾":134527,"ฮา":134528,"ãģĹãģ¦ãģĬãĤĬãģ¾ãģĻ":134529,"ĠgÃł":134530,"Ġ׾×ijצע":134531,"å¼ķè¶ĬãģĹ":134532,"Ġ×ŀ×Ļ׾×Ļ":134533,"Ġ×ŀ×Ļ׾×Ļ×ķף":134534,"Ùħدر":134535,"Ùħدرسة":134536,"פ×ķ×ĺ":134537,"à¸Ļà¹īำมัà¸Ļ":134538,"ëģĿ":134539,"عÙĥس":134540,"ĠÙĤض":134541,"ĠÑĢÑĭб":134542,"خطط":134543,"×ŀ×ķס×ĵ":134544,"Ġ׼׾׾×Ļ":134545,"ĠкоÑĤоÑĢое":134546,"צ×Ļ×ķף":134547,"ĠмеÑģÑĤа":134548,"ãģĭãģ¤":134549,"гÑĢÑĥпп":134550,"׾×Ļ׾":134551,"ת×ķ×IJר":134552,"ë³µì§Ģ":134553,"à¹ģà¸ľà¹Īà¸Ļ":134554,"Ġ×ijעת":134555,"æĻĤéĸĵãĤĴ":134556,"ï¼£":134557,"ãģ¨ãģĦãģĨãģĵãģ¨ãģ§":134558,"Ġ׾×Ķק":134559,"Ġ׾×ĸ×Ķ":134560,"ĠìłĢëĬĶ":134561,"ĠاÙĦإرÙĩاب":134562,"ĠìŀĪëĬĶëį°":134563,"ĠÑĤогда":134564,"Ġ×Ķצ×Ļ":134565,"×ķ׾×ĺ":134566,"Ġרפ×ķ×IJ×Ļ":134567,"ãģĵãģ¨ãģ§ãģĻ":134568,"ĠÄijÃŃch":134569,"ØŃÙĬا":134570,"Ġ×Ķ×ŀש×Ĺק":134571,"ãģľãģ²":134572,"Ġ×ŀ×IJפשר":134573,"ãģ¿ãģ¾ãģĹãģŁ":134574,"ĠاÙĦØ£ÙħÙĬرÙĥÙĬ":134575,"ÙħجتÙħع":134576,"Ġساب":134577,"ĠسابÙĤ":134578,"׼×Ļ׾":134579,"Ế":134580,"ãĥªãĤ¹ãĥĪ":134581,"Ġìĥ":134582,"ĠìĥĪ":134583,"ĠìĥĪë¡ľ":134584,"ĠìĥĪë¡ľìļ´":134585,"ĠDá»ĭch":134586,"à¹Ģหมาะสม":134587,"ĠاÙĦÙĨبÙĬ":134588,"׾׾":134589,"ÙĨع":134590,"Ðĵлав":134591,"ÐĵлавнаÑı":134592,"Ùħرض":134593,"Ġ×ķ×ĵ":134594,"تÙĤÙĬ":134595,"تÙĤÙĬÙĬÙħ":134596,"Ġbảng":134597,"ĠÙģÙĤاÙĦ":134598,"×¢×ŀ×Ļ":134599,"дÑĢа":134600,"Ġsuá»ijt":134601,"سرعة":134602,"Ġcá»Ń":134603,"Ġ×Ķ×Ļ×Ĺ×Ļ×ĵ":134604,"سعÙĬد":134605,"à¸Ńาà¸Ĭีà¸ŀ":134606,"ĠسÙĪاء":134607,"ãĤ½ãĥķãĥĪ":134608,"ĠлиÑĩно":134609,"ĠÐļоÑĢ":134610,"اÙĩتÙħ":134611,"اÙĩتÙħاÙħ":134612,"à¸Ńà¸Ķี":134613,"à¸Ńà¸Ķีà¸ķ":134614,"ãģIJãĤīãģĦ":134615,"Ġihtiya":134616,"Ġihtiyaç":134617,"ãģ¾ãģ§ãģ®":134618,"ìĭľìĬ¤":134619,"ìĭľìĬ¤íħľ":134620,"ÑĢÑĥÑĪ":134621,"ãĤĦãģ£ãģ±":134622,"ãĤĦãģ£ãģ±ãĤĬ":134623,"кеÑĢ":134624,"Ġży":134625,"Ġżyw":134626,"клон":134627,"Ġlượt":134628,"þ":134629,"даÑĩи":134630,"türk":134631,"غÙĪ":134632,"ĠигÑĢок":134633,"Ġphê":134634,"Ġ×©×¢×ľ":134635,"ĠاÙĦÙħدÙĨÙĬ":134636,"ĠìŬ룬ë¶Ħ":134637,"ער×Ļ×Ŀ":134638,"ÑħодÑıÑĤ":134639,"Ġxứ":134640,"ÐĹа":134641,"ĠÙģرص":134642,"à¸Īะà¸Ĺำà¹ĥหà¹ī":134643,"íģ´":134644,"×¢×ij×ķר":134645,"à¹Ģหลà¹Īาà¸Ļีà¹ī":134646,"èĢĥãģĪãĤĭ":134647,"ÑĢеÑģÑĤ":134648,"ннÑĭй":134649,"Ġcầm":134650,"داخÙĦ":134651,"ĠÙħÙĦÙĬار":134652,"ĠÐIJл":134653,"ĠвÑĢемен":134654,"à¸Ĭà¹Īวยà¹ĥหà¹ī":134655,"ר×Ļ×ķת":134656,"ëĵ¯":134657,"飲ãģ¿":134658,"׳׾":134659,"שתף":134660,"ĠاÙĦسعÙĪدÙĬ":134661,"uÃŁ":134662,"ìĿ¸ëį°":134663,"ĠìĿ¼ë°ĺ":134664,"ÅĤÄĻ":134665,"Ġmá»iji":134666,"×ŀ×Ļ׳":134667,"ĠاÙĦأطÙģاÙĦ":134668,"Ġçıkan":134669,"école":134670,"ק×Ļש":134671,"ק×Ļש×ķר":134672,"ĠоÑģÑĥÑīеÑģÑĤв":134673,"ĠоÑģÑĥÑīеÑģÑĤвлÑı":134674,"×ij×IJר":134675,"à¹Ħà¸Ľà¸Ķà¹īวย":134676,"Ġ×¢×ķ׾×Ķ":134677,"à¸ģà¹ĩà¹Ħมà¹Ī":134678,"ãĥ¢ãĥĩ":134679,"ãĥ¢ãĥĩãĥ«":134680,"تØŃÙĪÙĦ":134681,"Ġодного":134682,"ת×Ĺ×Ļ×ľ×ª":134683,"Ġتخ":134684,"Ġchcia":134685,"ĠchciaÅĤ":134686,"ãĥIJãĥ³":134687,"èĢħãģ¯":134688,"ĠÙħØŃÙĦ":134689,"Ñģлож":134690,"Ñģложн":134691,"ĠtÄĻ":134692,"Ġçıkt":134693,"Ġçıktı":134694,"ĠCÆ¡":134695,"à¹Ħà¸Ķà¹īà¹Ģลย":134696,"ırken":134697,"à¹Ģà¸Ĥà¹īาสูà¹Ī":134698,"ÙħØŃÙĥ":134699,"ÙħØŃÙĥÙħØ©":134700,"à¸Ħุà¹īม":134701,"à¸Ļà¹Īาà¸Īะ":134702,"лÑİд":134703,"деÑģÑı":134704,"деÑģÑıÑĤ":134705,"ĠлÑİбой":134706,"تØŃرÙĬر":134707,"צע×ĵ":134708,"ĠеÑij":134709,"ĠاÙĦØŃÙĥÙħ":134710,"ĠصباØŃ":134711,"à¹Ģà¸ļà¸Ńรà¹Į":134712,"Ġróżnych":134713,"гиб":134714,"ĠÑģоÑĤ":134715,"ĠÑģоÑĤÑĢÑĥд":134716,"ĠÑģоÑĤÑĢÑĥдник":134717,"ĠобÑĬем":134718,"פ×ĺר":134719,"ãģĻãģĶãģı":134720,"ãģ«éĸ¢ãģĹãģ¦":134721,"вол":134722,"Ø«ÙħاÙĨ":134723,"Ġdần":134724,"æĬľ":134725,"æĬľãģij":134726,"Ġעש":134727,"Ġעש×ķ×Ļ":134728,"ס×ķף":134729,"ãģªãģ®ãģ§ãģĻ":134730,"ãģ¯ãģ©ãģĨ":134731,"×ŀער×ij":134732,"ï¼°":134733,"Ùħصر":134734,"ÙħÙĨاسب":134735,"ÙħÙĨاسبة":134736,"ä¸Ĭãģ®":134737,"×IJ×Ļש×ķר":134738,"ĠìĦ¤ì¹ĺ":134739,"×ŀ×ĵ×Ļ׳×ķת":134740,"×ŀרת":134741,"ãĤĭãģ®ãģĮ":134742,"دÙİ":134743,"ĠاÙĦشرÙĥات":134744,"ìĭľê°Ħ":134745,"ĠÑĢеÑĪение":134746,"ãģĻãĤĭãģ®ãģ¯":134747,"ĠìŀIJìĭłìĿĺ":134748,"׾×ŀ×ķ":134749,"ãģ¨ãģĵãĤįãģ§":134750,"Ġקצר":134751,"Ġmãi":134752,"Ġkültür":134753,"ãĥ©ãĤ¤ãĥĸ":134754,"à¸ľà¸¹à¹īหà¸įิà¸ĩ":134755,"æĻĤéĸĵãģĮ":134756,"клÑİÑĩи":134757,"diÄŁiniz":134758,"มาà¸ģà¹Ĩ":134759,"تØŃÙħÙĦ":134760,"Ġhạt":134761,"ãĤ¦ãĤ£":134762,"пле":134763,"×ŀ׾×IJ":134764,"ÅĤó":134765,"Ġgá»ijc":134766,"Ġ×IJ×ķ×ĵ×ķת":134767,"หวาà¸Ļ":134768,"ĠاÙĦÙĪز":134769,"ĠاÙĦÙĪزراء":134770,"ëĵ¤ê³¼":134771,"ĠصØŃ":134772,"ĠصØŃÙĬÙģØ©":134773,"Ġмм":134774,"تدخÙĦ":134775,"Ġpersönlich":134776,"ĠزÙĬ":134777,"ĠزÙĬادة":134778,"ãĤ·ãĤ¢":134779,"Ġngắn":134780,"à¸Ħลิà¸ģ":134781,"Ġsông":134782,"Ġtüket":134783,"ÑįÑĦÑĦ":134784,"ÑįÑĦÑĦекÑĤ":134785,"ש×Ļ×ij":134786,"Ġاعت":134787,"تض":134788,"تضÙħÙĨ":134789,"ĠاÙĦÙħشرÙĪع":134790,"Ġprodução":134791,"ĠпÑĢименÑı":134792,"ниÑĨÑĭ":134793,"주ëĬĶ":134794,"رÙı":134795,"ĠmÆ¡":134796,"Ġhayatı":134797,"ëŁ½":134798,"Ġücret":134799,"Ġyanında":134800,"Ġprática":134801,"×ij×Ļק×ķר":134802,"ÃľN":134803,"ÑģоÑĤ":134804,"ãĤıãģijãģ§":134805,"Ġдолго":134806,"×ª×Ľ×ķ":134807,"ĠìķĦëĭĮ":134808,"ëį°ìĿ´":134809,"Ġçiz":134810,"ĠchoÄĩ":134811,"Ġ×Ķ×Ļת":134812,"Ġ×Ķ×Ļתר":134813,"Ġsoát":134814,"׼×ij×ĵ":134815,"à¹Ģลà¹Īา":134816,"ĠдеÑĢ":134817,"ĠдеÑĢев":134818,"ãĤĴåħ¥ãĤĮ":134819,"×Ĺ×ķס":134820,"×Ĺ×ķסר":134821,"جÙĬÙĨ":134822,"tón":134823,"onné":134824,"ĠполноÑģÑĤÑĮÑİ":134825,"人ãģŁãģ¡":134826,"Ġprêt":134827,"본":134828,"Ġdécembre":134829,"cılar":134830,"Ġתת":134831,"Ġê²½ìļ°ìĹIJëĬĶ":134832,"ÙĪعد":134833,"è¦ĭãĤĭ":134834,"วิà¸Īัย":134835,"ë¶Ī":134836,"زÙĪا":134837,"زÙĪاج":134838,"dì":134839,"ãģ§ãģĻãĤĪ":134840,"Ġводо":134841,"ĠÙĬÙĪجد":134842,"ÑģоÑģÑĤоÑı":134843,"ÐŀС":134844,"ĠÄIJó":134845,"×Ĺפש":134846,"Ġצ×Ļ×ij×ķר":134847,"ĠاÙĦÙĤØ·":134848,"ĠاÙĦÙĤطاع":134849,"ĠимеÑİÑĤ":134850,"ĠpháºŃn":134851,"×Ľ×¡×¤×Ļ":134852,"полниÑĤелÑĮ":134853,"éĻIJãĤĬ":134854,"ĠÑģÑĢав":134855,"ĠÑģÑĢавн":134856,"ÙħاÙĦÙĥ":134857,"×ĵר×ķ×Ŀ":134858,"çļĨãģķãĤĵ":134859,"ØŃÙĤÙĤ":134860,"à¹ģหลà¹Īà¸ĩ":134861,"ĠاÙĦرسÙħÙĬ":134862,"оÑĩки":134863,"×ĺ×ij×Ĺ":134864,"Ġcanlı":134865,"Ġ׾׾":134866,"Ġ׾׾×ŀ×ķ×ĵ":134867,"×ŀ×ij×ķ":134868,"×ª×Ľ":134869,"×ª×Ľ×ł×Ļת":134870,"ĠاÙĦÙħشار":134871,"ĠاÙĦÙħشارÙĥØ©":134872,"Ä°Åŀ":134873,"ĠسÙĬاسÙĬ":134874,"волÑĮ":134875,"ĠÑģпÑĢав":134876,"æĿ¥ãģ¦":134877,"פ×ķר×ķ×Ŀ":134878,"สำà¹Ģรà¹ĩ":134879,"สำà¹Ģรà¹ĩà¸Ī":134880,"ĠÅŁÃ¶yle":134881,"ĠzostaÅĤa":134882,"ĠHü":134883,"ר×ķש":134884,"دÙĦÙĬÙĦ":134885,"ÑĢид":134886,"שף":134887,"×ŀק×ķר":134888,"ĠÑĥÑĩ":134889,"ĠÑĥÑĩеб":134890,"ĠÑįÑĤа":134891,"кова":134892,"à¸ķà¸Ļà¹Ģà¸Ńà¸ĩ":134893,"ÙĨÙIJ":134894,"à¸Ńีà¸ģà¸Ħรัà¹īà¸ĩ":134895,"ระà¸ļุ":134896,"Ġdữ":134897,"ĠاÙĦØŃاÙĦÙĬ":134898,"׼×ķ׼":134899,"׼×ķ׼×ij":134900,"Ġ×ŀ×IJשר":134901,"Ġtrụ":134902,"ÑĤелем":134903,"Ġвли":134904,"ĠвлиÑı":134905,"Ġש×IJת×Ŀ":134906,"Ġuwag":134907,"ĠuwagÄĻ":134908,"×ĺ×Ļת":134909,"×IJ×ĵ×Ŀ":134910,"à¸Ķุ":134911,"Ġ×Ķ×IJ׾×Ķ":134912,"ĠkarÄ±ÅŁ":134913,"ĠÄIJá»iji":134914,"даÑİÑĤ":134915,"ãģªãģ®ãģ«":134916,"Äħcych":134917,"à¹Ģà¸Ļà¹īà¸Ļ":134918,"ãģĹãģ¦ãģĹãģ¾ãģĨ":134919,"intérieur":134920,"ĠfÃŃsica":134921,"ĠÐŁÐ¾Ð»":134922,"ãģĹãģķ":134923,"à¸Ĺำà¹Ħม":134924,"ĠLâm":134925,"ĠاÙĦÙħسÙĦÙħ":134926,"ĠاÙĦÙħسÙĦÙħÙĬÙĨ":134927,"صØŃØ©":134928,"ìĹĦ":134929,"à¹Ģà¸Ķà¹ĩà¸Ķ":134930,"ĠÑĥÑĩеÑĤ":134931,"âÌģ":134932,"ĠبÙĦا":134933,"ĠاÙĦاجتÙħاعÙĬ":134934,"פרס×Ŀ":134935,"ãĥķãĥ©":134936,"ĠÐļогда":134937,"mieÅĽci":134938,"ĠبÙĬÙĨÙħا":134939,"Ġ×ŀ×IJ×ŀר×Ļ×Ŀ":134940,"Ġ×ij×IJ×ĸ×ķר":134941,"×ķש×Ļ×Ŀ":134942,"ĠÑģдела":134943,"entrée":134944,"à¹Ģà¸Ħà¹īา":134945,"Ñĥгл":134946,"ĠاÙĦÙģÙĨÙĬ":134947,"ĠÐĴоÑĤ":134948,"à¸Ĺีà¹Īมา":134949,"×ķצ×Ĵ":134950,"ÙĤدرة":134951,"Ġ목":134952,"Ġ목ìłģ":134953,"íıīê°Ģ":134954,"ĠاÙĦأربع":134955,"ĠاÙĦأربعاء":134956,"פס×Ļק":134957,"ĠÑıвлÑıÑİÑĤÑģÑı":134958,"بÙĪÙĨ":134959,"ì°¾":134960,"×ŀ×¢×¨×Ľ":134961,"×ŀ×¢×¨×Ľ×ķת":134962,"ãĤ·ãĤ§":134963,"ĠباÙĦØ£":134964,"íĸĪëįĺ":134965,"ĠاÙĦبرÙĨاÙħج":134966,"ĠاÙĦØ£ØŃد":134967,"ĠmÅ©":134968,"ĠmÅ©i":134969,"паÑĤ":134970,"بث":134971,"ĠÑĨенÑĭ":134972,"Ġ×ij×ª×ľ":134973,"è¨ĢãĤıãĤĮ":134974,"ĠاÙĦÙħجاÙĦ":134975,"ĠìĦ¸ìĥģ":134976,"Ġ×Ĵ×ķפ":134977,"ĠнаÑĪей":134978,"ĠкомпаниÑı":134979,"бин":134980,"ölü":134981,"×Ļ×Ļ×ĺ":134982,"Ġ×ŀספ×Ļק":134983,"ยัà¸ĩà¸Ħà¸ĩ":134984,"ĠЧи":134985,"ĠанÑĤи":134986,"ĠÑģÑĢеди":134987,"สà¹Īวà¸Ļà¹ĥหà¸įà¹Ī":134988,"оÑĩка":134989,"íĬ¹ë³Ħ":134990,"วà¹Īาà¸ĩ":134991,"гоÑĢод":134992,"باÙĥ":134993,"à¹Ģสีà¹Īย":134994,"à¹Ģสีà¹Īยà¸ĩ":134995,"ãĤĤãĤīãģĦ":134996,"ק×ķ×Ŀ":134997,"ãģĽãģļ":134998,"ĠاÙĦÙĤاÙĩرة":134999,"Ġ×ij׼×ļ":135000,"ÙħشارÙĬع":135001,"باØŃØ«":135002,"ĠпоÑĩ":135003,"ĠпоÑĩÑĤи":135004,"ĠÑĦоÑĢма":135005,"SÄ°":135006,"Ġ×ŀצ×Ļ×¢":135007,"ลื":135008,"ลืม":135009,"ĠÑĤеÑĢ":135010,"ĠÑĤеÑĢÑĢиÑĤоÑĢ":135011,"ĠÑĤеÑĢÑĢиÑĤоÑĢии":135012,"ĠвмеÑģÑĤ":135013,"ĠвмеÑģÑĤе":135014,"dıkları":135015,"opération":135016,"à¹Ĥห":135017,"صدÙĬ":135018,"صدÙĬÙĤ":135019,"íĸīìłķ":135020,"تجا":135021,"تجاÙĪز":135022,"Ġsuç":135023,"Ġarty":135024,"Ġartyku":135025,"ĠartykuÅĤ":135026,"ãĤ·ãĥ§ãĥĥãĥĹ":135027,"שפ":135028,"שפ×Ļ×¢":135029,"Ġ×Ķש×Ļר×ķת":135030,"à¹ģà¸ĸม":135031,"ë¸Ķ":135032,"ĠukÅĤad":135033,"Ġ×ķ׼×Ļ":135034,"หลาà¸ģ":135035,"หลาà¸ģหลาย":135036,"æĸ¹ãĤĤ":135037,"Ġpodróż":135038,"ĠEÄŁer":135039,"ĠкомнаÑĤ":135040,"ĠÑģамÑĭÑħ":135041,"ĠвкÑĥÑģ":135042,"беж":135043,"Ġ×ijק×ķ":135044,"æİĽãģij":135045,"ãģ¿ãĤĭãģ¨":135046,"ĠiliÅŁkin":135047,"ĠÙĬعÙħÙĦ":135048,"ĠподаÑĢ":135049,"Ġyazılı":135050,"ãĤĴå¾Ĺ":135051,"ĠwystÄĻp":135052,"à¸Ĺีà¹Īà¹ĥà¸Ĭà¹ī":135053,"ØŃادث":135054,"ÙĪÙĬد":135055,"кÑĥлÑĮÑĤ":135056,"кÑĥлÑĮÑĤÑĥÑĢ":135057,"à¸ģารà¹ģà¸Ĥà¹Īà¸ĩ":135058,"à¸ģารà¹ģà¸Ĥà¹Īà¸ĩà¸Ĥ":135059,"à¸ģารà¹ģà¸Ĥà¹Īà¸ĩà¸Ĥัà¸Ļ":135060,"ÙħÙĪظ":135061,"ÙħÙĪظÙģ":135062,"ÙĬÙħÙĬ":135063,"ãĤĵãģ§ãģĻãģĮ":135064,"diÄŁim":135065,"diÄŁimiz":135066,"ĠÐŁÐµÑĢ":135067,"ĠÐŁÐµÑĢв":135068,"Ġmão":135069,"ĠÑģез":135070,"ĠÑģезон":135071,"Ġ×Ķ×ŀ×¢":135072,"ÙħجÙħÙĪعة":135073,"ĠинÑĦоÑĢмаÑĨии":135074,"iếc":135075,"ãng":135076,"ĠÄijấy":135077,"ãģĶç´":135078,"ãģĶç´¹":135079,"ãģĶç´¹ä»ĭ":135080,"Ġadım":135081,"à¹Ħหล":135082,"ĠпÑĢакÑĤи":135083,"ĠпÑĢакÑĤиÑĩ":135084,"ĠпÑĢакÑĤиÑĩеÑģ":135085,"ĠпÑĢакÑĤиÑĩеÑģки":135086,"ĠاÙĦÙĨÙģس":135087,"ĠÑĢабоÑĤе":135088,"ÙĦÙĬÙģ":135089,"ĠاÙĦجÙĨÙĪب":135090,"ĠводÑĭ":135091,"ì¹Ļ":135092,"ĠмиÑĢа":135093,"ĠÄijừng":135094,"ĠпÑĢоÑĤиво":135095,"ĠÑģÑĤÑĢанÑĭ":135096,"ลู":135097,"ìĤ¶":135098,"kreÅĽl":135099,"Ġbulund":135100,"ĠbulunduÄŁu":135101,"à¹ģสà¸Ļ":135102,"ãĤ±ãĤ¢":135103,"ת×Ĺ×ķ×ŀ×Ļ":135104,"ר׼×Ķ":135105,"Ġ׾ק×ķ×Ĺ":135106,"Ġ׾ק×ķ×Ĺ×ķת":135107,"Ġ×Ľ×ª×ķ×ijת":135108,"ĠÙĦÙĥÙħ":135109,"بشر":135110,"ĠrÃłng":135111,"Ġ×ŀ×Ķ×ŀ":135112,"Ġ×IJ×Ĺר×ķת":135113,"Ġбон":135114,"ĠбонÑĥÑģ":135115,"ï½Ĺ":135116,"à¹ģยà¸ģ":135117,"ãģĤãģªãģŁãģ®":135118,"ĠÑĥÑĩаÑģÑĤие":135119,"ĠEyl":135120,"ĠEylül":135121,"ĠçalÄ±ÅŁmaları":135122,"خطر":135123,"ìĿ½":135124,"à¸ģารà¹ĥà¸Ĭà¹īà¸ĩาà¸Ļ":135125,"Ġанализ":135126,"תק×ij׾":135127,"нием":135128,"ĠÄ°ns":135129,"ĠÄ°nsan":135130,"ĠبÙĪاس":135131,"ĠبÙĪاسطة":135132,"Ġ×ł×Ľ×ł×¡":135133,"Ġ×Ķ×ŀ×Ļ×ĵ×¢":135134,"Ġço":135135,"ĠçoÄŁu":135136,"á»ĺ":135137,"ĠêµŃ민":135138,"ãĤĤãģĦãģĦ":135139,"Ġ׼׾×Ļ":135140,"ĠÑģÑĢедне":135141,"gÅĤo":135142,"gÅĤoÅĽ":135143,"Ġnegó":135144,"Ġnegócio":135145,"ĠÑĢегиÑģÑĤ":135146,"ĠÑĢегиÑģÑĤÑĢа":135147,"ĠÑĢегиÑģÑĤÑĢаÑĨии":135148,"Ġtrá»ĵng":135149,"ĠпÑĢÑı":135150,"ĠпÑĢÑıмо":135151,"ëłĪìĿ´":135152,"Ġkém":135153,"кле":135154,"à¸Ļำมา":135155,"ĠÑĦин":135156,"ĠÑĦинанÑģ":135157,"ĠÑĦинанÑģов":135158,"Ġkiá»ĩm":135159,"ยัà¸ĩà¹Ħ":135160,"ยัà¸ĩà¹Ħà¸ĩ":135161,"ยิà¸ĩ":135162,"à¹Ĥà¸Ľ":135163,"ĠполÑĥÑĩил":135164,"×Ļ×ĸ×Ŀ":135165,"à¹ģละà¸Ħวาม":135166,"ĠвообÑīе":135167,"صÙĬر":135168,"ãĥıãĥ³":135169,"ĠاÙĦÙĤاد":135170,"ĠاÙĦÙĤادÙħ":135171,"ĠبدÙĪÙĨ":135172,"عظÙħ":135173,"×ª×ł×ķ×¢":135174,"×ª×ł×ķ×¢×Ķ":135175,"Ø£ÙħÙĦ":135176,"ãģķãģĪ":135177,"ÑĤем":135178,"ÑĤемпеÑĢ":135179,"ÑĤемпеÑĢаÑĤÑĥÑĢ":135180,"Ġ׾×Ļצ×ķר":135181,"ĠrÄĻk":135182,"رسÙĦ":135183,"ìŀIJ를":135184,"Ġ×Ļצ×Ļרת":135185,"ÙĨبÙĬ":135186,"ÑĩнаÑı":135187,"تØŃÙĦÙĬÙĦ":135188,"Ġмик":135189,"ĠмикÑĢо":135190,"ĠSöz":135191,"Ġforça":135192,"Ñģон":135193,"ĠاÙĦعرا":135194,"ĠاÙĦعراÙĤÙĬ":135195,"ĠHá»ĵng":135196,"ãģĻãĤĭãģŁãĤģãģ«":135197,"à¸Ĺีà¹Īà¸Ńยูà¹Ī":135198,"Ġ×ķ×IJ×£":135199,"صÙĬد":135200,"ĠìķĬê³ł":135201,"รัà¸ĩ":135202,"ĠاÙĦتÙĪاصÙĦ":135203,"à¹Ģมà¸ķร":135204,"ÑĥÑģÑĤÑĢой":135205,"ÑĥÑģÑĤÑĢойÑģÑĤв":135206,"mıyor":135207,"ĠباسÙħ":135208,"Ġ×ķ׼×ķ":135209,"ĠGül":135210,"á»IJ":135211,"Ãītat":135212,"غاÙĦ":135213,"Ø¥ÙĨØ´":135214,"Ø¥ÙĨشاء":135215,"TÄ°":135216,"à¸Ĥà¹īาม":135217,"Ġtroch":135218,"ĠtrochÄĻ":135219,"إص":135220,"إصابة":135221,"ĠثاÙĨÙĬ":135222,"ĠاÙĦصØŃØ©":135223,"Ġ×ĸ×Ķ×ķ":135224,"jÄħcej":135225,"ãĥĢãĥ³":135226,"ìĿ¸ìĿ´":135227,"ĠволоÑģ":135228,"ëIJĺë©´":135229,"ĠzakÅĤad":135230,"ãģĻãģĵãģ¨":135231,"以ä¸Ĭãģ®":135232,"Ġ×Ķ×ŀק×ķ×Ŀ":135233,"ÙħشاÙĩ":135234,"ÙħشاÙĩدة":135235,"Ñĩив":135236,"بش":135237,"ยà¹īาย":135238,"Ġsürdür":135239,"ĠNẵ":135240,"ĠNẵng":135241,"ĠигÑĢаÑĤÑĮ":135242,"Ġê·¸ëŁ¬ë©´":135243,"ãĥķãĥ«":135244,"ลà¹Īะ":135245,"Ġtendrá":135246,"ĠbÃły":135247,"à¹Ģà¸Ľà¹ĩà¸Ļà¸ľà¸¹à¹ī":135248,"Ġoko":135249,"ĠokoÅĤo":135250,"wÅĤa":135251,"wÅĤaÅĽci":135252,"wÅĤaÅĽciw":135253,"æĢĿãĤı":135254,"ĠYaÅŁ":135255,"ĠBá»ĩnh":135256,"íıŃ":135257,"بÙĬد":135258,"קרף":135259,"à¹Ģศร":135260,"à¹Ģศรษ":135261,"à¹Ģศรษà¸IJ":135262,"à¹Ģศรษà¸IJà¸ģิà¸Ī":135263,"ĠاÙĦØ£ÙĪرÙĪ":135264,"ĠاÙĦØ£ÙĪرÙĪبÙĬ":135265,"fläche":135266,"ä¹ĹãĤĬ":135267,"Ġbá»ģn":135268,"Ùĩب":135269,"æľĢãĤĤ":135270,"Ġsaç":135271,"à¸Ńำà¹Ģà¸ł":135272,"à¸Ńำà¹Ģà¸łà¸Ń":135273,"Ġأج":135274,"ĠاÙĦداخÙĦ":135275,"ĠاÙĦداخÙĦÙĬØ©":135276,"×ĺ×ķ×ij":135277,"ãĤĤãģªãģı":135278,"ĠлиÑĨа":135279,"à¹ģลà¹īวà¸ģà¹ĩ":135280,"×ĸ׼×Ļר":135281,"ĠquÃł":135282,"ĠÙĥØ°ÙĦÙĥ":135283,"صØŃÙģ":135284,"ĠÃĤu":135285,"ÙĪبا":135286,"à¹Ģà¸Ľà¸¥à¸µà¹Īยà¸Ļà¹ģà¸Ľà¸¥":135287,"à¹Ģà¸Ľà¸¥à¸µà¹Īยà¸Ļà¹ģà¸Ľà¸¥à¸ĩ":135288,"à¸ķัวà¸Ńยà¹Īาà¸ĩ":135289,"Ġrápida":135290,"Ġtasar":135291,"Ġtasarım":135292,"ĠعÙĦÙĬÙĩÙħ":135293,"ס×ķ׾":135294,"cılı":135295,"cılık":135296,"ĠرغÙħ":135297,"ìĭľíĤ¤":135298,"Ġ×IJ׾ק":135299,"Ġ×IJ׾ק×ĺר":135300,"Ġ×IJ׾ק×ĺר×ķ׳×Ļ":135301,"à¹ģà¸ļà¹Īà¸ĩ":135302,"Ġhạng":135303,"ãģ£ãģ¦ãģıãĤĮ":135304,"ĠÙĨتÙĬ":135305,"ĠÙĨتÙĬجة":135306,"ıklı":135307,"غاÙĨ":135308,"à¸Ĥà¹īà¸Ńà¸Ħวาม":135309,"à¸Ľà¸¥à¸²à¸¢":135310,"ĠØ£Ùħس":135311,"à¸Ĺีà¹Īà¹Ģà¸ģีà¹Īยว":135312,"à¸Ĺีà¹Īà¹Ģà¸ģีà¹Īยวà¸Ĥ":135313,"à¸Ĺีà¹Īà¹Ģà¸ģีà¹Īยวà¸Ĥà¹īà¸Ńà¸ĩ":135314,"Ġdéfin":135315,"Ġdéfini":135316,"ÙģÙĨاد":135317,"ÙģÙĨادÙĤ":135318,"à¹Ħà¸Ķà¹īวà¹Īา":135319,"ãģªãģĦãĤĪãģĨãģ«":135320,"Ġprópria":135321,"ĠPhát":135322,"ãĤĦãģĻãģı":135323,"สวยà¸ĩาม":135324,"ê³łìļĶ":135325,"ÑıеÑĤ":135326,"ãģĭãĤĤãģĹãĤĮãģ¾ãģĽãĤĵãģĮ":135327,"ترجÙħ":135328,"ĠкÑĢаÑģив":135329,"Ġ×ŀר×IJש":135330,"деж":135331,"ĠÙĬÙĪÙĨ":135332,"ĠÙĬÙĪÙĨÙĬÙĪ":135333,"ÑģкоÑĢ":135334,"ĠKasım":135335,"ê³Ħìķ½":135336,"коÑģ":135337,"ĠнаÑĢÑĥ":135338,"ĠнаÑĢÑĥÑĪен":135339,"Ġduże":135340,"accès":135341,"Ġhá»ĵng":135342,"ĠvÅ©":135343,"ãģĦãģŁãģĹãģ¾ãģĻ":135344,"Ġ×ĺ×Ļ":135345,"Ġ×ĺ×Ļ×ķ׾":135346,"lıkları":135347,"Ġquê":135348,"ëħ¸ëıĻ":135349,"ìķĶ":135350,"CIÃĵN":135351,"Ġtắc":135352,"pressão":135353,"ĠìŀĪìľ¼":135354,"สิà¸Ĺà¸ĺิà¹Į":135355,"íĥĦ":135356,"Ġ×Ķ×ŀ×ŀש׾×Ķ":135357,"å¬īãģĹãģĦ":135358,"ĠÄIJặc":135359,"ÙĨزÙĦ":135360,"ĠдÑĢÑĥгой":135361,"дÑĥÑĤ":135362,"ìĪĻ":135363,"Ġthụ":135364,"à¹Ģสร":135365,"à¹Ģสรà¹ĩ":135366,"à¹Ģสรà¹ĩà¸Ī":135367,"Ġtoplant":135368,"Ġtoplantı":135369,"×IJ×ŀף":135370,"×ķ×ľ×ª":135371,"помн":135372,"ĠyoÄŁun":135373,"ÅĦskiego":135374,"ì°©":135375,"ĠØ«ÙĦاث":135376,"ĠØ«ÙĦاثة":135377,"Ġlắng":135378,"릴":135379,"ราà¸Ĭà¸ģาร":135380,"ĠÑģлова":135381,"á»Ĩ":135382,"à¸Ķีà¸ģวà¹Īา":135383,"ãģĶãģĸãģĦãģ¾ãģĻ":135384,"Ġдиз":135385,"Ġдизайн":135386,"férence":135387,"lıklar":135388,"ãģªãĤĵãģ§ãģĻ":135389,"ajÄħcy":135390,"Ġëĭ¤ìĸij":135391,"Ġëĭ¤ìĸijíķľ":135392,"ק×Ļר":135393,"ØŃار":135394,"สูà¹ī":135395,"Ġzro":135396,"Ġzrobi":135397,"ĠzrobiÄĩ":135398,"×ŀ×Ļ׼×Ķ":135399,"à¸Ĭà¹Īวยà¹Ģหลืà¸Ń":135400,"ĠÑįÑĤÑĥ":135401,"ë´ī":135402,"楽ãģĹãģĦ":135403,"سÙĪر":135404,"íķĺê±°ëĤĺ":135405,"ÙħؤتÙħر":135406,"ĠpoczÄħ":135407,"ĠpoczÄħtk":135408,"ĠpoczÄħtku":135409,"ĠعربÙĬ":135410,"اÙĦأر":135411,"اÙĦأردÙĨ":135412,"à¸Ķร":135413,"Åĵuvre":135414,"ĠÙĪÙĥاÙĨت":135415,"ĠÅĽredni":135416,"خضر":135417,"Ġchuyến":135418,"нÑĤ":135419,"ĠìķĮê³ł":135420,"Ġvá»Ŀi":135421,"Ġ×ij×Ļ×ĵ×Ļ":135422,"×ŀ×ĵ×ķ×ijר":135423,"ÙĪÙģر":135424,"ÙĬØ¡":135425,"×ł×Ľ×¡":135426,"ĠÐĽÐ°":135427,"лон":135428,"Ġxấu":135429,"ÙģÙĬÙĨ":135430,"Ġfévrier":135431,"ĠÐŀна":135432,"ĠVá»ģ":135433,"ĠÅŁeyler":135434,"ĠполÑĥÑĩен":135435,"зад":135436,"Ġnét":135437,"à¹Ħà¸Ľà¸¢à¸±à¸ĩ":135438,"×Ĺש×ij×ķ":135439,"à¸ļัà¸Ļà¸Ĺ":135440,"à¸ļัà¸Ļà¸Ĺึà¸ģ":135441,"ĠgerçekleÅŁ":135442,"иÑĩеÑģкое":135443,"ìĪĺê°Ģ":135444,"ثبت":135445,"ãģ¤ãģ¾ãĤĬ":135446,"ĠÑĥÑģловиÑıÑħ":135447,"ëĭ¤ê°Ģ":135448,"รายà¹Ħà¸Ķà¹ī":135449,"׼×IJ×ij":135450,"à¹Ĥà¸Ľà¸£à¹Ĥม":135451,"à¹Ĥà¸Ľà¸£à¹Ĥมà¸Ĭัà¹Īà¸Ļ":135452,"jähr":135453,"jährige":135454,"ק׳×Ļ×Ŀ":135455,"×ŀ×ķק":135456,"×ŀ×ķק×ĵ":135457,"ãģ«è¡Įãģ£ãģ¦":135458,"Ø¢ÙĦ":135459,"ведение":135460,"Ġ×ľ×Ľ×ª×ķ×ij":135461,"جÙħÙĩ":135462,"جÙħÙĩÙĪرÙĬØ©":135463,"à¸īà¸ļ":135464,"à¸īà¸ļัà¸ļ":135465,"ĠCòn":135466,"à¸ľà¸ªà¸¡":135467,"ãģªãģ©ãģĮ":135468,"×IJ×Ķ×ij":135469,"ĠдейÑģÑĤвиÑı":135470,"yız":135471,"à¹Ħมà¹Īà¹Ģà¸Ħย":135472,"جÙĪز":135473,"×Ķ×Ĺ׾×ĺ×Ķ":135474,"fällt":135475,"ãĥĵãĤ¸":135476,"ãĥĵãĤ¸ãĥį":135477,"ãĥĵãĤ¸ãĥįãĤ¹":135478,"Ġ×IJ×Ļ׳×Ŀ":135479,"ĠнаÑħодиÑĤÑģÑı":135480,"ĠdziÅĽ":135481,"ستطÙĬع":135482,"׾×Ļף":135483,"Ø®ÙĦاÙģ":135484,"ÙĩÙIJ":135485,"Ġatrás":135486,"íĺģ":135487,"ãĤĴãģĶ":135488,"Ġ×Ķ×ŀ×ķצר":135489,"ĠBakanlıģı":135490,"ÑİÑīее":135491,"ÙħÙĨاط":135492,"ÙħÙĨاطÙĤ":135493,"Ùģد":135494,"à¸Ļำà¹Ħà¸Ľ":135495,"Ġваж":135496,"Ġважно":135497,"Ġmạch":135498,"׼׳×ķ":135499,"بعث":135500,"lanması":135501,"Ġayr":135502,"Ġayrıl":135503,"ìĤ¬íļĮ":135504,"dÃŃa":135505,"pÅĤyw":135506,"اÙħÙĬØ©":135507,"íĺľ":135508,"×IJ׳×Ĵ׾":135509,"×IJ׳×Ĵ׾×Ļת":135510,"ĠìŀĪëĭ¤ëĬĶ":135511,"Ġساعة":135512,"ĠëĤĺíĥĢ":135513,"bö":135514,"à¸Ħัà¸Ļ":135515,"ĠdziaÅĤania":135516,"Ø©Ùĭ":135517,"ĠngÅ©":135518,"׳צ×Ĺ":135519,"ãģ¯ãģĤãĤĭ":135520,"ĠyaÅŁÄ±nda":135521,"stück":135522,"caracter":135523,"caracterÃŃsticas":135524,"Ġrá»Ńa":135525,"ĠÙħختÙĦÙģØ©":135526,"ãģ«ãģĬãģijãĤĭ":135527,"à¹ģà¸ŀà¸ĩ":135528,"วิà¹Īà¸ĩ":135529,"תפ×ķ":135530,"ساÙĩÙħ":135531,"使ãģĨ":135532,"ÙĥرÙĬ":135533,"×IJפ×Ļ":135534,"...............":135535,"ĠÑĤаким":135536,"×Ļ׼×ķ×Ļ":135537,"شبÙĩ":135538,"جÙĬر":135539,"ãģĿãģ®ãģ¾ãģ¾":135540,"acjÄĻ":135541,"ĠاÙĦترÙĥ":135542,"ĠاÙĦترÙĥÙĬ":135543,"ĠпÑĢавилÑĮно":135544,"ĠتعÙħÙĦ":135545,"à¸ģลà¹īา":135546,"Ġbiên":135547,"Ġ×ij׳×Ļ×Ļת":135548,"ĠклÑĥб":135549,"Ġ×ŀש×Ķ":135550,"вÑĪий":135551,"ãģĵãģ¨ãģĮãģ§ãģįãĤĭ":135552,"à¸ŀัà¸Ļà¸ĺุ":135553,"à¸ŀัà¸Ļà¸ĺุà¹Į":135554,"ר×ķ×Ŀ":135555,"ĠاÙĦÙģرÙĨ":135556,"ĠاÙĦÙģرÙĨسÙĬ":135557,"à¹Ģà¸Ľà¹ĩà¸Ļà¸Ħà¸Ļ":135558,"ãģĹãģ¦ãģĬãĤĬ":135559,"Ġthầy":135560,"ãĤĵãģłãģijãģ©":135561,"ìĶ¨":135562,"ÙħدÙĨ":135563,"تÙĪÙĨ":135564,"ĠмеÑĤал":135565,"ĠмеÑĤалл":135566,"ĠinÃŃcio":135567,"à¸Ńà¸Ńà¸ģà¸Īาà¸ģ":135568,"ëĴ¤":135569,"Ġcuá»ijn":135570,"Ġbuá»Ļc":135571,"ÙĨسÙĬ":135572,"ächt":135573,"×ŀ×Ļ׳×Ļ×Ŀ":135574,"ãģķãģ¦":135575,"ãģĮãģ§ãģį":135576,"ÑĬем":135577,"Ġtái":135578,"ĠЧÑĤ":135579,"ĠЧÑĤобÑĭ":135580,"à¸Ľà¸¥à¸¹à¸ģ":135581,"à¸Ĭุมà¸Ĭà¸Ļ":135582,"нÑģкий":135583,"Ġvững":135584,"Ġ×Ķ׾×ij":135585,"ële":135586,"Ġשע×ijר":135587,"ваÑĤÑĮÑģÑı":135588,"бой":135589,"عÙĪÙĨ":135590,"à¹ģà¸Ķà¸Ļ":135591,"Ġספר×Ļ×Ŀ":135592,"Ġtuyên":135593,"Ġnhiêu":135594,"ĠQuý":135595,"Ġhuyết":135596,"ãĤıãģĭãĤīãģªãģĦ":135597,"Ġ×ŀ׼ף":135598,"Ġ×Ķק׾":135599,"Ġ׾×IJ×ķר":135600,"ĠÄIJiá»ĩn":135601,"شؤ":135602,"شؤÙĪÙĨ":135603,"Ġ×ŀ×Ĺפש":135604,"ĠпоÑģÑĤоÑıнно":135605,"×ŀ×Ļר":135606,"ìħĶ":135607,"ÐŀÑģ":135608,"ÐŀÑģнов":135609,"×ĸ×Ļת":135610,"ĠHá":135611,"ĠÑĩаÑģов":135612,"×IJ×ķ׾×Ļ":135613,"Ġmát":135614,"خرÙĪ":135615,"خرÙĪج":135616,"ÙĤضا":135617,"ÙĤضاÙĬا":135618,"à¹Ģà¸Ľà¸Ńรà¹Į":135619,"ĠÙĬÙĪÙĦ":135620,"ĠÙĬÙĪÙĦÙĬÙĪ":135621,"à¹Ĥà¸Ĺษ":135622,"׳פ׾":135623,"ת×ķש":135624,"ת×ķש×ij×Ļ":135625,"Ġvários":135626,"×ŀר×IJ×Ķ":135627,"ëĿ¼ìĿ´":135628,"ÙĨغ":135629,"×ijצע":135630,"гон":135631,"ĠÄIJược":135632,"عÙı":135633,"пÑĥÑģк":135634,"ĠÙĪاÙĦÙģ":135635,"ücü":135636,"×Ļק×Ļ×Ŀ":135637,"ĠسبÙĬÙĦ":135638,"׾×ijף":135639,"ĠاÙĦÙĤرÙĨ":135640,"ס×ķת":135641,"ĠQuáºŃn":135642,"ãģĵãĤĮãģĮ":135643,"ãĥĸãĥ©ãĥ³ãĥī":135644,"×Ĵ×ŀר":135645,"ĠwartoÅĽci":135646,"ĠÙĪبÙĬÙĨ":135647,"Ġdạ":135648,"ÐIJв":135649,"ÐIJвÑĤо":135650,"Ġolacaktır":135651,"à¸Ļà¸Ĺà¹Į":135652,"Ùħطار":135653,"Ġעק×ij":135654,"Ġתפ":135655,"ãģĹãģ¦ãģĦãģ¦":135656,"צ×ŀ×Ĺ":135657,"à¸Īà¸Ńà¸ĩ":135658,"Ġöde":135659,"ìį¨":135660,"ÙĨاس":135661,"調ãģ¹":135662,"ĠогÑĢомн":135663,"ë³´íĹĺ":135664,"×ĺק":135665,"×ĺקס×ĺ":135666,"ĠbaÅŁv":135667,"ĠbaÅŁvuru":135668,"Ġpomys":135669,"ĠpomysÅĤ":135670,"ãģ«ä¹Ĺ":135671,"Ġש׼ף":135672,"ĠاÙĦÙħسؤÙĪÙĦ":135673,"Ġзан":135674,"ĠзанÑıÑĤ":135675,"ĠdÆ°Æ¡ng":135676,"ãĥĹãĥ¬ãĤ¤":135677,"ลà¸ļ":135678,"ÑĤика":135679,"ĠAralık":135680,"Ġнедо":135681,"Ġmá»Ļ":135682,"Ġoran":135683,"Ġoranı":135684,"Ġktór":135685,"ĠktórÄħ":135686,"Ġ×Ķ×IJ×Ĺר×ķ׳×ķת":135687,"ائÙĨ":135688,"ÅĦs":135689,"ÅĦska":135690,"åĽ½ãģ®":135691,"×ŀ×ĺ×Ļ":135692,"ĠвопÑĢоÑģÑĭ":135693,"à¸Ńà¸ĩà¸Ħà¹Įà¸ģร":135694,"×ŀ×ķצ×IJ":135695,"Ġpóź":135696,"Ġpóźniej":135697,"ש×ŀ×IJ׾":135698,"Ġkaps":135699,"Ġkapsam":135700,"Ġkapsamında":135701,"Ġmáquina":135702,"ĠÅĽwiecie":135703,"ĠhoÃłng":135704,"Ġözgü":135705,"×Ĵ×ķר×Ŀ":135706,"ãģĤãģŁãĤĬ":135707,"à¸ķัà¸Ķสิà¸Ļ":135708,"à¸ķัà¸Ķสิà¸Ļà¹ĥà¸Ī":135709,"бÑĢи":135710,"ãģ«ãģªãĤĭãģ¨":135711,"تÙĥÙĪÙĨ":135712,"Ġ×ķ×Ķ×Ļ×IJ":135713,"Ġchiếu":135714,"ÑģÑĤанав":135715,"ÑģÑĤанавли":135716,"ÑģÑĤанавлива":135717,"×ŀ×ķ×Ĵ":135718,"cité":135719,"ĠKörper":135720,"Ġש×Ĵ×Ŀ":135721,"عظ":135722,"عظÙĬÙħ":135723,"Ġ×Ķ×IJ×Ļש×Ļ":135724,"Ġmatière":135725,"ĠÙģÙĪÙĤ":135726,"Ġkto":135727,"ĠktoÅĽ":135728,"à¸Ļà¹Ĥย":135729,"à¸Ļà¹Ĥยà¸ļาย":135730,"å¾ħãģ¡":135731,"à¹Ģมà¸Ļ":135732,"à¹Ģมà¸Ļู":135733,"AÃĩÃĥO":135734,"Ġtù":135735,"Ġtùy":135736,"ãĥĪãĥ³":135737,"ĠоÑĤказ":135738,"Ġ×ŀ×ķצר":135739,"ülü":135740,"ãģķãĤĵãģ«":135741,"Ġ×Ĺ×ķ×ij":135742,"קר×Ļ×IJ×Ķ":135743,"ĠاÙĦخدÙħات":135744,"ĠÙĦÙħدة":135745,"رؤ":135746,"رؤÙĬØ©":135747,"ãĤĴè¦ĭãģ¤ãģij":135748,"à¸Łà¸²":135749,"Ġréussi":135750,"à¸Ļัà¸ģà¹Ģรียà¸Ļ":135751,"ĠÑĩиÑģл":135752,"à¸ģารà¹Ģลà¹Īà¸Ļ":135753,"Ġhazırl":135754,"Ġhazırlan":135755,"ĠпеÑĢвÑĭй":135756,"лим":135757,"ĠоÑĤзÑĭвÑĭ":135758,"ĠwyjÄħ":135759,"ĠwyjÄħtk":135760,"ĠØ£ÙĤÙĦ":135761,"ס×ļ":135762,"Ġê²°ìłķ":135763,"Ġ׾×ŀעש×Ķ":135764,"Ġlắp":135765,"à¹ģà¸ļร":135766,"à¹ģà¸ļรà¸Ļà¸Ķà¹Į":135767,"วà¹Īาà¹Ģà¸Ľà¹ĩà¸Ļ":135768,"Ġبدا":135769,"ĠبداÙĬØ©":135770,"ãģ¨ãģĦãģĨãģ®ãģĮ":135771,"иÑĩеÑģким":135772,"à¸ģารà¸ŀัà¸Ĵà¸Ļา":135773,"ĠbÃło":135774,"ĠmiaÅĤa":135775,"ywaÄĩ":135776,"ĠMärz":135777,"ĠÙĨسبة":135778,"Ġéconomique":135779,"×ĸ×ŀ":135780,"×ĸ×ŀ׳×Ļ×Ŀ":135781,"æŃ¢ãĤģ":135782,"Ġtủ":135783,"íķĺìĭł":135784,"Ġkażdego":135785,"straÃŁe":135786,"à¸Ĭีà¹ī":135787,"à¹Ģà¸ļา":135788,"ÑĢеÑģÑĥÑĢÑģ":135789,"евой":135790,"شباب":135791,"à¸ķà¹Īาà¸ĩà¸Ľà¸£à¸°à¹Ģà¸Ĺศ":135792,"Ġ×IJ×Ļש":135793,"Ġ×IJ×Ļש×Ļת":135794,"×Ļ×ķפ":135795,"×Ļ×ķפ×Ļ":135796,"ĠìļĶ구":135797,"ì¡°ìĤ¬":135798,"ãģ£ãģŁãĤī":135799,"׾×Ļק":135800,"миниÑģÑĤÑĢ":135801,"ãĤĤãģ®ãģ¯":135802,"ĠlÆ°Æ¡ng":135803,"Ġнаи":135804,"Ġнаибол":135805,"Ġнаиболее":135806,"íİĺ":135807,"à¹ģà¸ŀà¹ī":135808,"ãĤŃãĥ¥":135809,"ĠкоÑĤоÑĢÑĭм":135810,"à¹ģà¸Ĺà¸ĩ":135811,"à¹ģà¸Ĺà¸ĩà¸ļà¸Ńล":135812,"Ġ׳×Ļ×Ķ":135813,"Ġ׳×Ļ×Ķ×ķ׾":135814,"âĤª":135815,"ĠGiải":135816,"ĠиÑģполÑĮзова":135817,"ëł¥ìĿĦ":135818,"ãģĹãģĭãĤĤ":135819,"à¸ģà¹ĩà¸ķà¹īà¸Ńà¸ĩ":135820,"ĠÑĢеб":135821,"ĠÑĢебен":135822,"ĠÑĢебенка":135823,"تÙĪاصÙĦ":135824,"ãĤ°ãĥ«ãĥ¼ãĥĹ":135825,"ãĤĦãĤī":135826,"à¹Ģà¸Ľà¸´à¸Ķà¸ķัว":135827,"бÑĢо":135828,"ë°ĸìĹIJ":135829,"ÙĨÙİا":135830,"×Ķ×Ĵ":135831,"×Ķ×Ĵ׳×Ķ":135832,"à¸Ĺรั":135833,"à¸Ĺรัà¸ŀ":135834,"à¸Ĺรัà¸ŀยà¹Į":135835,"Ġkhá»iji":135836,"עצ×ŀ×ķ":135837,"болезн":135838,"Ġë°ĽìķĦ":135839,"มà¸Ļ":135840,"มà¸Ļุ":135841,"มà¸Ļุษ":135842,"มà¸Ļุษยà¹Į":135843,"âĹĨ":135844,"×ŀצ׾×Ļ×Ĺ":135845,"Ñıвление":135846,"ÙħØ·ÙĦ":135847,"ÙħØ·ÙĦÙĪب":135848,"خاÙĦÙģ":135849,"تÙĪÙĤÙģ":135850,"ãģ§ãģįãģ¾ãģĽãĤĵ":135851,"оÑģÑĤей":135852,"меÑĩа":135853,"기ëĬĶ":135854,"תשע":135855,"صÙĬب":135856,"Ġ×ij×¢×ķ×ĵ":135857,"à¸Ĥà¸Ńà¸ĩà¹Ģà¸Ĥา":135858,"ÑĤÑıж":135859,"ĠÑĥпÑĢав":135860,"ĠÑĥпÑĢавлениÑı":135861,"Ġgénér":135862,"ĠthÃŃ":135863,"פ×ļ":135864,"ĠرÙħض":135865,"ĠرÙħضاÙĨ":135866,"Ġtruyá»ĩn":135867,"إعداد":135868,"ãĤµãĥĿãĥ¼ãĥĪ":135869,"Ġполно":135870,"خاÙħ":135871,"ÐŁÐµÑĤ":135872,"ÐŁÐµÑĤеÑĢ":135873,"ÐŁÐµÑĤеÑĢбÑĥÑĢ":135874,"ÐŁÐµÑĤеÑĢбÑĥÑĢг":135875,"ÙħÙĨتدÙī":135876,"ãģķãĤĮãģ¾ãģĹãģŁ":135877,"ĠëĮĢíķĺìŬ":135878,"à¸ľà¸¹à¹īà¸Ĺีà¹Ī":135879,"Ġ×ŀ×IJ×ķ":135880,"׾׳×ĵ":135881,"оÑĩнÑĭе":135882,"ĠнаÑĩала":135883,"Ġ׾×Ļ׾×ĵ×Ļ×Ŀ":135884,"овое":135885,"ãģĻãĤĭãģĵãģ¨ãģ§":135886,"ĠاÙĦÙĨÙģ":135887,"ĠاÙĦÙĨÙģØ·":135888,"ìŀĪëĬĶ":135889,"غÙĨÙĬ":135890,"פ×ĵ":135891,"ãĤ¾":135892,"ĠCré":135893,"ãģ©ãģ¡ãĤī":135894,"ثاÙĨ":135895,"ÑĢабаÑĤ":135896,"ÑĢабаÑĤÑĭва":135897,"Ġê°Ļëĭ¤":135898,"à¸Īั":135899,"à¸Īัà¸ģร":135900,"Ġchụ":135901,"Ġchụp":135902,"ĠмаÑģÑĤ":135903,"ĠмаÑģÑĤеÑĢ":135904,"Ġnắm":135905,"ĠÑģÑĤали":135906,"Ġ×Ķ×IJ×Ļר×ķ×¢":135907,"ãĤ½ãĥ³":135908,"åĪĨãģĭãĤĬ":135909,"طبع":135910,"بدا":135911,"gráfico":135912,"геÑĢ":135913,"à¸Ķำà¹Ģà¸Ļิà¸Ļà¸ģาร":135914,"Ġsaldır":135915,"Ġsaldırı":135916,"вÑĪиÑħ":135917,"ãģĭãģ£ãģŁãģ§ãģĻ":135918,"Ġyapıyor":135919,"ĠاÙĦÙģت":135920,"צרפת":135921,"здоÑĢов":135922,"×ij×¢×ľ":135923,"Ġ×IJ×ŀ×Ļת×Ļ":135924,"ĠобÑĭ":135925,"ĠобÑĭÑĩ":135926,"ĠобÑĭÑĩно":135927,"Ġ׾×ķ×ŀר":135928,"تÙĥÙĨ":135929,"تÙĥÙĨÙĪÙĦÙĪج":135930,"تÙĥÙĨÙĪÙĦÙĪجÙĬا":135931,"Ġhakkı":135932,"ĠÑĢав":135933,"ĠÑĢавно":135934,"رÙĬÙĥ":135935,"Ġ×ij×ŀ×Ļ×ĵ":135936,"Ġ×ij×ŀ×Ļ×ĵ×Ķ":135937,"à¹ģà¸ģà¹īว":135938,"Ġìĸĺ":135939,"Ġìĸĺ기":135940,"ãģĹãģ¦ãģĦãģ¾ãģĹãģŁ":135941,"Ġkısm":135942,"Ġkısmı":135943,"걸":135944,"åĨħãģ®":135945,"ì§ķ":135946,"à¹Ģหมืà¸Ńà¸Ļà¸ģัà¸Ļ":135947,"ĠÙģÙIJ":135948,"ĠÙģÙIJÙĬ":135949,"ÙĤاعدة":135950,"Ġmożesz":135951,"ÙħصاÙĦ":135952,"ÙħصاÙĦØŃ":135953,"ãģ¾ãģŁãģ¯":135954,"бег":135955,"Ġsıc":135956,"Ġsıcak":135957,"ÑĩиÑģ":135958,"ÑĩиÑģлен":135959,"Ġног":135960,"ãĥģãĥ£ãĥ³":135961,"ãĥ«ãĥī":135962,"Ġgió":135963,"Ġsını":135964,"Ġsınıf":135965,"иваÑĤÑĮ":135966,"Ġquên":135967,"Ġìłģ":135968,"Ġìłģìļ©":135969,"ĠJoão":135970,"Ùģاد":135971,"ĠGlück":135972,"à¸Ĺà¸Ńà¸Ķ":135973,"Ġgói":135974,"ï¼Ĭ":135975,"Ġdétail":135976,"ĠدÙĬسÙħ":135977,"ĠدÙĬسÙħبر":135978,"ë¡ľìĦľ":135979,"×ŀ×ķ×Ĺ":135980,"à¹Ħฮ":135981,"ĠоÑĤд":135982,"ĠоÑĤдÑĭÑħ":135983,"Ġkhuyến":135984,"à¸Ħà¸Ńย":135985,"ĠجÙĨÙĬ":135986,"ĠجÙĨÙĬÙĩ":135987,"ĠاÙĦدÙģاع":135988,"à¸Ļà¹īำหà¸Ļัà¸ģ":135989,"ĠìĤ¬ëŀĮëĵ¤ìĿ´":135990,"Ġthừa":135991,"ĠÃ¶ÄŁrenci":135992,"ĠпомоÑīи":135993,"ĠczÄĻÅĽÄĩ":135994,"ש×ĺר":135995,"ĠNhi":135996,"ĠNhiá»ģu":135997,"׳צ×Ļ":135998,"ĠнаÑĪем":135999,"ĠkarÅŁÄ±laÅŁ":136000,"Ġ×Ķש׳×Ļ×Ŀ":136001,"ĠÄIJÆ°á»Ŀng":136002,"Ġtrú":136003,"ĠÑĢазлиÑĩнÑĭÑħ":136004,"ĠاÙĦØ´Ùĩر":136005,"Ġ×ľ×¢×ķ׾×Ŀ":136006,"ØŃجر":136007,"ĠÄijá»ķ":136008,"ĠìĿĺíķ´":136009,"à¸ļà¹Īà¸Ńย":136010,"Ġ×Ķ×Ļ׾×ĵ":136011,"ãģ¨ãģªãģ£ãģŁ":136012,"Ġ×Ĺ×ķ×ķת":136013,"Ġש×Ļר×ķת×Ļ":136014,"Äħcy":136015,"سرÙĬ":136016,"KÄ°":136017,"פ׳×ķ":136018,"ÑģÑĤÑĢÑĥкÑĤÑĥÑĢ":136019,"ÑĤÑĢÑĥд":136020,"Ġ×Ķקר":136021,"Ġ×Ķקר×ķ×ij":136022,"ĠtháºŃm":136023,"èģŀãģį":136024,"ÙĤÙĪÙĬ":136025,"клÑİÑĩен":136026,"ÑĤеÑħ":136027,"ÑĤеÑħнолог":136028,"è¡Įãģ£ãģŁ":136029,"Ġ×ķ×IJ×Ļף":136030,"ĠÅŁeklin":136031,"ĠÅŁeklinde":136032,"rô":136033,"ÑĢог":136034,"ĠновÑĭе":136035,"Ġס×ij×Ļ×ij":136036,"ĠtecnologÃŃa":136037,"×¡×Ľ":136038,"×¡×Ľ×ķ×Ŀ":136039,"ĠÅŀub":136040,"ĠÅŀubat":136041,"Ġ×Ķ×ŀ׾×IJ":136042,"Ġwypos":136043,"Ġwyposaż":136044,"ãģ¯ä½ķ":136045,"ãĤ¬ãĥ³":136046,"ê°ĸ":136047,"Ġкакие":136048,"Ġçocuklar":136049,"Ġ׾צ×ĵ":136050,"Ġkayıt":136051,"ĠмеÑģÑĤе":136052,"ÙħدÙĬÙĨØ©":136053,"Ġ׼×Ĵ":136054,"Ġ׼×Ĵ×ķף":136055,"ãģĹãģ¦ãĤĭ":136056,"ĠÙħاÙĬÙĪ":136057,"ãģ£ãģ¦ãģĹãģ¾ãģ£ãģŁ":136058,"ĠпÑĢогÑĢаммÑĭ":136059,"à¹ģลà¸Ļà¸Ķà¹Į":136060,"ãĥ¯ãĤ¤":136061,"ער×ķ×¥":136062,"Ñģид":136063,"ĠBöyle":136064,"Ġì²ĺìĿĮ":136065,"Ġתפק×Ļ×ĵ":136066,"ĠTrên":136067,"íĥĪ":136068,"ĠÐłÐ¾ÑģÑģий":136069,"ĠÐłÐ¾ÑģÑģийÑģкой":136070,"ĠsÃłn":136071,"Ġrègle":136072,"ĠyaklaÅŁÄ±k":136073,"à¹Ģลิà¸ģ":136074,"ĠدائÙħ":136075,"Ġ×ķ×Ĵ":136076,"ابر":136077,"Ġbè":136078,"ĠاÙĦÙĤدÙħ":136079,"ĠÑĢеÑĪениÑı":136080,"hiên":136081,"ÑĤик":136082,"ÄĦ":136083,"à¸ļรรยาà¸ģ":136084,"à¸ļรรยาà¸ģาศ":136085,"רצ×ķף":136086,"åĭķãģį":136087,"ĠGäste":136088,"Ġ기본":136089,"ĠÙĬعرÙģ":136090,"ĠSá»Ń":136091,"gÅĤÄĻb":136092,"à¹Ģà¸Ńส":136093,"×IJ×ŀ×Ļף":136094,"ĠпÑĥнк":136095,"ĠпÑĥнкÑĤ":136096,"Ġ×Ļ×ķ×ĵ×¢×Ļ×Ŀ":136097,"ãĤ«ãĥ©ãĥ¼":136098,"Ġ×ijס×ĵר":136099,"Ġbuá»ĵn":136100,"йÑĤ":136101,"йÑĤеÑģÑĮ":136102,"ãĤĴæ±ĤãĤģ":136103,"Ġ×IJ×ª×Ľ×Ŀ":136104,"Ġ모르":136105,"ظرÙĪÙģ":136106,"ÑĩеÑģÑĤво":136107,"ìĸ´ìĦľ":136108,"Ġодна":136109,"Ġkapı":136110,"Ġëħ¸ëł¥":136111,"ĠKüche":136112,"ĠاÙĦتش":136113,"Ø·ÙĬب":136114,"ĠíĬ¹íŀĪ":136115,"ĠвÑĭпÑĥÑģ":136116,"ĠвÑĭпÑĥÑģк":136117,"×ĵת×Ļ":136118,"ĠuÄŁ":136119,"ĠuÄŁra":136120,"ائÙĩا":136121,"Ġthoát":136122,"ãģªãĤĤãģ®":136123,"ÑijÑĢ":136124,"기ê°Ģ":136125,"ĠgeliÅŁme":136126,"تØŃÙĤ":136127,"تØŃÙĤÙĤ":136128,"ĠопаÑģ":136129,"бÑĢоÑģ":136130,"หุ":136131,"หุà¹īà¸Ļ":136132,"ì¼Ģ":136133,"ãĤ¹ãĥŀ":136134,"ãĤ¹ãĥŀãĥĽ":136135,"Ø£Ùģر":136136,"Ø£Ùģراد":136137,"ĠThá»±c":136138,"Ġthắ":136139,"ãĥªãĥ³ãĤ¯":136140,"Ġniá»ģm":136141,"ĠHöhe":136142,"عÙħار":136143,"ÙĥÙĪرÙĪÙĨ":136144,"ÙĥÙĪرÙĪÙĨا":136145,"ĠÄIJến":136146,"ĠÑģамом":136147,"ĠÑĤеле":136148,"ĠÄijoán":136149,"à¸Ħวามà¸Ħิà¸Ķà¹Ģหà¹ĩà¸Ļ":136150,"ĠдиÑģк":136151,"أطÙģاÙĦ":136152,"มารà¹Į":136153,"à¸Ĺหาร":136154,"à¸Ĺà¸Ļ":136155,"ĠبعÙĬد":136156,"ĠاÙĦÙĩÙĨد":136157,"åĩºãģĹãģ¦":136158,"Ġkarde":136159,"ĠkardeÅŁ":136160,"×Ķ×Ļס×ĺ×ķר":136161,"×Ķ×Ļס×ĺ×ķר×Ļ×Ķ":136162,"éģ¸ãģ³":136163,"عاÙħÙĦ":136164,"à¸Ĥยาย":136165,"Ġtürl":136166,"Ġtürlü":136167,"ĠìĿ¼ìĿ´":136168,"Ġmatéria":136169,"Ġ׼׾×ķ×ŀר":136170,"ãĥģãĥ£ãĥ¼":136171,"جÙħاعة":136172,"ĠÑģвоим":136173,"Ø¥ÙĤاÙħØ©":136174,"ä¾ĭãģĪãģ°":136175,"ساب":136176,"آخر":136177,"ÙĤدÙĬر":136178,"×IJ×ŀ×Ļ":136179,"ìĸ»":136180,"Ġ׳×ķספת":136181,"ĠÐĴлад":136182,"ĠÐĴладим":136183,"ĠÐĴладимиÑĢ":136184,"Ġestará":136185,"ãģĵãģĨãģĦãģĨ":136186,"ãĤĴ使çĶ¨":136187,"มาà¸ķร":136188,"มาà¸ķรà¸IJาà¸Ļ":136189,"ãģ£ãģ½":136190,"Ġnú":136191,"Ġnúi":136192,"ยาà¸ĩ":136193,"ĠاÙĦجÙĨس":136194,"Ġüstün":136195,"ëľ»":136196,"ãĤ»ãĥ«":136197,"ãģ¦ãģĦãģįãģ¾ãģĻ":136198,"Ġ×Ĺ×ķ×ĸ":136199,"Ġ×Ĺ×ķ×ĸר":136200,"ĠÐĵлав":136201,"à¹Ĥà¸Ĭà¸Ħ":136202,"íıIJ":136203,"ÙĨتظر":136204,"Ġ×Ĵ×ij×Ļ":136205,"عÙĤب":136206,"intér":136207,"intérêt":136208,"×ŀפ×Ĵ":136209,"×ŀפ×Ĵש":136210,"Ġthù":136211,"اÙģت":136212,"Ġ×ŀשפ":136213,"Ġ×ŀשפ×ĺ×Ļ":136214,"ĠÙħÙĪاÙĤع":136215,"è¦ļ":136216,"è¦ļãģĪ":136217,"×ĵ×Ļף":136218,"à¹Ģรืà¹Īà¸Ńà¸ĩราว":136219,"ãģ¾ãģĤ":136220,"Ġghế":136221,"иÑĢÑĥÑİÑĤ":136222,"à¸ģว":136223,"à¸ģวà¹īาà¸ĩ":136224,"ĠповеÑĢ":136225,"ĠповеÑĢÑħ":136226,"ĠповеÑĢÑħноÑģÑĤ":136227,"׳×ĵר":136228,"ĠконÑĨе":136229,"Ġдолжна":136230,"Ġ×Ļש×Ļר":136231,"acaģız":136232,"ìĹĶ":136233,"ĠnÃŃvel":136234,"Ġör":136235,"Ġörnek":136236,"ÙĥÙģ":136237,"ĠФедеÑĢаÑĨии":136238,"Ġ구ìĦ±":136239,"หัวà¹ĥà¸Ī":136240,"ĠVáºŃy":136241,"мед":136242,"меди":136243,"медиÑĨин":136244,"медиÑĨинÑģк":136245,"ازÙĬ":136246,"×Ĵ×ij×ķ׾":136247,"ÑĦÑĢ":136248,"Ġzusätzlich":136249,"à¸ģà¸ģ":136250,"ĠاÙĦاÙĤتصادÙĬØ©":136251,"Ġhè":136252,"luÄŁun":136253,"جÙİ":136254,"à¹Ħà¸Łà¸¥à¹Į":136255,"ÄIJT":136256,"ãģĿãģ®ä»ĸ":136257,"à¸Ĺิà¹īà¸ĩ":136258,"ĠاÙĦØ£ÙĪ":136259,"رسÙħ":136260,"æ°Ĺãģ¥":136261,"ìĿ´ë©°":136262,"ÑĮев":136263,"صط":136264,"ĠاÙĦاستث":136265,"ĠاÙĦاستثÙħار":136266,"à¸Ńาà¸Ħาร":136267,"ĠÑĤоÑĩно":136268,"ĠVân":136269,"à¸Ńร":136270,"à¸Ńรà¹Īà¸Ńย":136271,"ĠاÙĦسÙĨØ©":136272,"ĠcÆ°á»Ľi":136273,"×Ļ×Ķף":136274,"íį¼":136275,"話ãģĹ":136276,"âĹĭ":136277,"ĠìķĬìĿĢ":136278,"ãĥ¡ãĥ¼ãĤ":136279,"ãĥ¡ãĥ¼ãĤ«":136280,"ãĥ¡ãĥ¼ãĤ«ãĥ¼":136281,"ĠÑĤепло":136282,"å½¼ãĤī":136283,"ĠÄ°z":136284,"ĠÄ°zmir":136285,"íĻį":136286,"Ġrượ":136287,"Ġrượu":136288,"æĢĿãģĦåĩº":136289,"ĠPhạm":136290,"Ġcháu":136291,"צ×Ļ×ķת":136292,"ĠìĿ¼ë³¸":136293,"ìĤ¬ëĬĶ":136294,"ĠÑģоздан":136295,"Ġaracı":136296,"Ġער":136297,"Ġער×Ļ׼×Ķ":136298,"ĠíķĺëĤĺëĭĺìĿĺ":136299,"dziÅĤ":136300,"à¸Ľà¸£à¸°à¸ĺาà¸Ļ":136301,"ĠserÃŃa":136302,"ĠìŀĪëıĦë¡Ŀ":136303,"درج":136304,"íķľëĭ¤ëĬĶ":136305,"à¸Ńาà¸Ĺ":136306,"à¸Ńาà¸Ĺิà¸ķ":136307,"à¸Ńาà¸Ĺิà¸ķยà¹Į":136308,"ÑĤелÑĮнÑĭй":136309,"ĠخدÙħات":136310,"×ŀ׳×ĺ":136311,"Ġlược":136312,"ĠSÃłi":136313,"ĠÙĪاض":136314,"ĠÙĪاضØŃ":136315,"غاز":136316,"ĠdoÄŁal":136317,"Ġ×ijש×Ŀ":136318,"Ġдлин":136319,"Ġإطار":136320,"Ġ×ijספר":136321,"ãĤĴä¸İ":136322,"ãĤĴä¸İãģĪ":136323,"Ġë²ķë¥ł":136324,"ĠÑĥвели":136325,"ĠÑĥвелиÑĩи":136326,"สà¹Ħà¸ķ":136327,"สà¹Ħà¸ķลà¹Į":136328,"à¹Ħà¸ģล":136329,"×ij×Ĺף":136330,"ĠìĿ´íĽĦ":136331,"Ġmunic":136332,"ĠmunicÃŃpio":136333,"تÙħØ«ÙĦ":136334,"ĠÄijáo":136335,"Hôtel":136336,"Ġlá»Ńa":136337,"ĠÄijẳng":136338,"Ñĩки":136339,"شرÙĪ":136340,"شرÙĪØ·":136341,"ĠìĿ´ë¥¼":136342,"ÙĬÙĭا":136343,"×ŀ׾×ļ":136344,"×ŀ×Ķ×Ļר×ķת":136345,"ĠобÑıзаÑĤелÑĮ":136346,"ĠобÑıзаÑĤелÑĮно":136347,"énergie":136348,"Ġmudança":136349,"Ġmụ":136350,"Ġmụn":136351,"Ġnº":136352,"ĠاÙĦتعا":136353,"ĠاÙĦتعاÙĪÙĨ":136354,"ĠاÙĦاجتÙħاعÙĬØ©":136355,"ĠплаÑģÑĤ":136356,"Ġëĵ±ìĿĺ":136357,"ãĥIJãĤ¤ãĤ¯":136358,"ÙĩجÙĪÙħ":136359,"ĠSaúde":136360,"Ġì¤ijìļĶíķľ":136361,"Ġ×Ķצ×Ļ×ij×ķר":136362,"×ª×§×Ł":136363,"ĠاÙĦعاÙĦÙħÙĬ":136364,"ĠболÑĮÑĪой":136365,"ĠÙĥÙĦÙħ":136366,"ĠÙĥÙĦÙħØ©":136367,"ãģ®ãģ§ãģ¯ãģªãģĦãģ§ãģĹãĤĩãģĨãģĭ":136368,"ĠÙħباراة":136369,"Ġש×IJ׳":136370,"Ġש×IJ׳×Ĺ׳×ķ":136371,"ãĤ¹ãĤ¿ãĤ¤ãĥ«":136372,"ĠSaÄŁ":136373,"ĠSaÄŁlık":136374,"ĠhÆ°":136375,"׳×Ĺ×Ķ":136376,"Ġ×ijקר×ij":136377,"طعÙħ":136378,"หิà¸Ļ":136379,"à¸Ĺุà¸ģวัà¸Ļ":136380,"à¸Ħรัà¹īà¸ĩà¸Ĺีà¹Ī":136381,"ĠlÃłnh":136382,"Ġdonné":136383,"ãģĽãģĦ":136384,"جزÙĬرة":136385,"доÑĢож":136386,"ì¼ľ":136387,"تÙĨظÙĬÙģ":136388,"ãĥģãĥ§":136389,"Ġaldıģı":136390,"جاج":136391,"ĠÑĤомÑĥ":136392,"à¸Ľà¸´":136393,"Ġ×ijרשת":136394,"ãģıãģªãĤĬãģ¾ãģĻ":136395,"ĠпÑĢинÑĨип":136396,"Ġ×Ĺ׾×ķ":136397,"ëı¼":136398,"×ķ×Ĵש":136399,"سس":136400,"à¸Ľà¸¹":136401,"Ġhầu":136402,"æĦŁãģĺãĤĭ":136403,"ï¼´":136404,"دÙĪا":136405,"ĠÑģмог":136406,"scrição":136407,"ĠtháºŃn":136408,"Ġר×ķ×IJ×Ķ":136409,"обÑĢажен":136410,"ĠاÙĦتجارÙĬØ©":136411,"طبÙĬع":136412,"jÄħcÄħ":136413,"íĸīìľĦ":136414,"ĠновÑĭй":136415,"Ġ×ŀ×Ĺ×ĵש":136416,"æĮ¯ãĤĬ":136417,"gué":136418,"Ġ×IJ×Ļר×ķ×¢":136419,"Ġ×IJ×Ļר×ķ×¢×Ļ×Ŀ":136420,"ĠاÙĦØ°Ùĩب":136421,"×ĵ×IJ":136422,"تاÙĨ":136423,"ãģłãģĹ":136424,"à¸Ńัà¸ķรา":136425,"à¹Ĥà¸Ī":136426,"بÙĦاد":136427,"×Ķ×Ļ×Ļ׳×ķ":136428,"ĠÑģпе":136429,"ĠÑģпеÑĨиалÑĮно":136430,"ĠÅĽwiata":136431,"ãĤĵãģ§ãģĻãĤĪ":136432,"شرÙĥØ©":136433,"ĠpÅĤyt":136434,"Ġsitué":136435,"Ġ׼×IJ׾×Ķ":136436,"ס×ijר":136437,"Ġkażd":136438,"Ġkażdym":136439,"ãĤĴæĮģãģ¤":136440,"׾×Ķ׾":136441,"׾×Ķ׾ף":136442,"ĠwÅĤas":136443,"ĠwÅĤasne":136444,"ĠsaÄŁlan":136445,"×ŀ×¢×ľ×Ķ":136446,"ĠاÙĦاÙĪÙĦ":136447,"ìĹIJìĦľëıĦ":136448,"×IJ×Ļר×ķפ×Ķ":136449,"تÙĤÙĨÙĬØ©":136450,"Ùħائ":136451,"Ùħائة":136452,"ĠcompañÃŃa":136453,"Ġsürek":136454,"Ġsürekli":136455,"ĠиÑģкÑĥÑģ":136456,"ĠиÑģкÑĥÑģÑģÑĤв":136457,"ĠBürger":136458,"ת×Ĺר":136459,"ת×Ĺר×ķת":136460,"à¸ŀรà¹īà¸Ńมà¸ģัà¸ļ":136461,"Ø´Ùħ":136462,"à¸ĸืà¸Ńวà¹Īา":136463,"è¾¼ãĤĢ":136464,"ä¼ijãģ¿":136465,"ĠاÙĦأب":136466,"ĠÑģÑĤоимоÑģÑĤÑĮ":136467,"ĠпÑĢава":136468,"mayın":136469,"หวย":136470,"ĠاÙĦطبÙĬعÙĬ":136471,"à¸Ĺีà¹Īà¸ŀัà¸ģ":136472,"ĠEstá":136473,"ÑĭваÑİÑĤ":136474,"بسÙĬ":136475,"بسÙĬØ·":136476,"Ġ×ij×¢×ijר":136477,"åı¯èĥ½ãģ§ãģĻ":136478,"Ġ×ĵ×ķ׾":136479,"Ġ×ĵ×ķ׾ר":136480,"ÙĩÙİا":136481,"воÑĢоÑĤ":136482,"ãģ¦ãģĦãģ¾ãģĹãģŁ":136483,"à¹Ĥà¸Ĺรศ":136484,"à¹Ĥà¸Ĺรศั":136485,"à¹Ĥà¸Ĺรศัà¸ŀ":136486,"à¹Ĥà¸Ĺรศัà¸ŀà¸Ĺà¹Į":136487,"Ġק׳":136488,"ĠاÙĦØ«ÙĨ":136489,"ĠاÙĦØ«ÙĨائÙĬØ©":136490,"Ġcoût":136491,"à¸ķิà¸Ķà¸ķัà¹īà¸ĩ":136492,"Ġörg":136493,"Ġörgüt":136494,"ĠاÙĦØ®ÙĦÙĬ":136495,"ĠاÙĦØ®ÙĦÙĬج":136496,"Ġbá»įn":136497,"×ķ׾×ķ×Ĵ×Ļ":136498,"ëŀľ":136499,"ĠÐijолÑĮ":136500,"ĠÐijолÑĮÑĪ":136501,"×Ĵ×ijר×Ļ×Ŀ":136502,"ÙĤÙĬد":136503,"×ij×Ļ×ĺ×ķ×Ļ":136504,"æīĵãģ¡":136505,"ĠolmuÅŁ":136506,"fäh":136507,"fähig":136508,"ลาà¸Ļ":136509,"ĠÙĤطر":136510,"שפ×Ķ":136511,"èªŃãĤĵãģ§":136512,"à¸Ĥวา":136513,"Ġchiếm":136514,"ãĤ¤ãĥ³ãĤ¿":136515,"ãĤ¤ãĥ³ãĤ¿ãĥ¼ãĥ":136516,"ãĤ¤ãĥ³ãĤ¿ãĥ¼ãĥį":136517,"ãĤ¤ãĥ³ãĤ¿ãĥ¼ãĥįãĥĥãĥĪ":136518,"Ġ׾ש×ŀ×ķר":136519,"ĠترÙĥ":136520,"ĠترÙĥÙĬا":136521,"ר×ķ×ĺ":136522,"ãģ¨æĢĿãģĦãģ¾ãģĹãģŁ":136523,"ĠاÙĦتÙĤ":136524,"ĠdÆ°":136525,"ãģ¦ãģıãĤĮãĤĭ":136526,"ãģĹãģŁãģĵãģ¨":136527,"Ġróżne":136528,"ĠاÙĦØ·ÙģÙĦ":136529,"ĠPosté":136530,"Ġ×ŀש×ķ×Ŀ":136531,"ÑįÑĢ":136532,"ĠÑĢабоÑĤаеÑĤ":136533,"ãĤ·ãĥª":136534,"ãĤ·ãĥªãĥ¼ãĤº":136535,"Ġ×ij×Ķ×Ĺ׾×ĺ":136536,"ק×Ķ×Ļ׾×Ķ":136537,"ãĤ«ãĥ¡":136538,"ãĤ«ãĥ¡ãĥ©":136539,"Ｏ":136540,"ĠìĤ¬ìĿ´":136541,"Ġkì":136542,"ĠthÆ°á»Ľc":136543,"ضبط":136544,"ÙĤبÙĪÙĦ":136545,"åĪ¥ãģ®":136546,"Ġparticulière":136547,"ĠÑģвоем":136548,"Ġעסק":136549,"Ġעסק×Ļ×Ŀ":136550,"×ij×Ĺ×Ļר×ķת":136551,"×ij×Ļ׳×ķ":136552,"à¸ĭà¸Ń":136553,"Ġ×¢×ķ×ijר":136554,"ãģłãģ£ãģŁãģ®ãģ§":136555,"ıldıģı":136556,"Ùħدار":136557,"Ùħدارس":136558,"주ìĭľ":136559,"à¸Ńาศ":136560,"à¸Ńาศัย":136561,"Ġtấm":136562,"à¸ŀิà¸Ī":136563,"à¸ŀิà¸Īาร":136564,"à¸ŀิà¸Īารà¸ĵา":136565,"ÑĤелÑĮнÑĭе":136566,"ÑģкÑĥÑİ":136567,"ÐľÐĺ":136568,"à¹Ģà¸ģา":136569,"à¹Ģà¸ģาหล":136570,"à¹Ģà¸ģาหลี":136571,"×ĵ×Ĺ":136572,"à¹Ģà¸Ĭิà¸ĩ":136573,"ĠدÙĤÙĬÙĤØ©":136574,"íķĻìĥĿ":136575,"Ġש×IJ׾×Ķ":136576,"Ġcontrôle":136577,"Ġsituação":136578,"à¸Ĥà¸Ńà¸ĩà¸ľà¸¹à¹ī":136579,"ÙĨØ·ÙĤ":136580,"ê³¼íķĻ":136581,"หลายà¸Ħà¸Ļ":136582,"Ġnắng":136583,"ÙĤÙı":136584,"ì¡°ê±´":136585,"Ñķ":136586,"ãĥĥãģ¨":136587,"×ŀ×Ļ׾×Ķ":136588,"Grün":136589,"×Ļ×Ļ×¢":136590,"×Ļ×Ļ×¢×ķ×¥":136591,"×ŀ׳׼":136592,"ëŃIJ":136593,"×ŀ×¢×ŀ×ĵ":136594,"สำà¸Ļัà¸ģ":136595,"جدد":136596,"à¸Ħัà¸Ķ":136597,"Ġ×Ķ×ŀשפ":136598,"Ġ×Ķ×ŀשפ×Ĺ×Ķ":136599,"×ŀשק׾":136600,"ÙĦÙı":136601,"Ġtytu":136602,"ĠtytuÅĤ":136603,"ÑĪей":136604,"ĠìĿ¼ë¶Ģ":136605,"ÑĪение":136606,"Ġphóng":136607,"ĠìĹŃìĤ¬":136608,"ãĤ«ãĥ³":136609,"Ġtúi":136610,"ĠÙĨÙĪÙģ":136611,"ĠÙĨÙĪÙģÙħبر":136612,"grün":136613,"ĠاÙĦØ´ÙħاÙĦ":136614,"ÅĽwiadc":136615,"ÅĽwiadczenie":136616,"ער×Ķ":136617,"Ġ×¢×ķ×ij":136618,"Ġ×¢×ķ×ij×ĵ×Ļ×Ŀ":136619,"×ĵ×ķ×Ĵ×ŀ×IJ":136620,"ä»Ĭãģ¯":136621,"Ġvão":136622,"ĠТем":136623,"ÑģилÑĮ":136624,"Ġchợ":136625,"Ùħرا":136626,"ÙħراÙĤب":136627,"à¹Ħมà¹Īรูà¹ī":136628,"Ġرائع":136629,"×IJ׳×Ĺ׳×ķ":136630,"สà¹Īà¸ĩà¹Ģสริม":136631,"צ×Ĺ":136632,"ĠìŀĪìĸ´ìĦľ":136633,"Ġkurulu":136634,"ĠkuruluÅŁ":136635,"ĠÃĸzellik":136636,"ĠÃĸzellikle":136637,"Ġת×Ļק":136638,"Ġghé":136639,"ĠsprzÄĻ":136640,"ĠsprzÄĻt":136641,"ער×ķת":136642,"راØŃØ©":136643,"ãģ£ãģį":136644,"ãģ£ãģįãĤĬ":136645,"ĠìķĦëŀĺ":136646,"stituição":136647,"Ġдолжно":136648,"×Ķרש":136649,"×Ķרש×ŀ×Ķ":136650,"×Ķ׾×ļ":136651,"ãģ¡ãģª":136652,"ãģ¡ãģªãģ¿":136653,"ãģ¡ãģªãģ¿ãģ«":136654,"פ×Ĺ×ĵ":136655,"ĠاÙĦجÙħÙĬع":136656,"×ij×¢×ľ×Ļ":136657,"Ġtrùng":136658,"Ġפת×Ĺ":136659,"×ŀ׾×Ĺ×ŀת":136660,"ãĥĨãĥ¼ãĥ":136661,"ãĥĨãĥ¼ãĥŀ":136662,"Ùħتاب":136663,"Ùħتابعة":136664,"Ġ모ìĬµ":136665,"ÙĬص":136666,"åIJĪãģĨ":136667,"ĠYap":136668,"ĠYapı":136669,"ĠÑģказаÑĤÑĮ":136670,"몰":136671,"à¸Ĺีà¹Īสำà¸Ħัà¸į":136672,"ĠìĹĨìĬµëĭĪëĭ¤":136673,"Ġnhắc":136674,"Ġülkeler":136675,"Ġмногие":136676,"íķĺìħ¨":136677,"มาà¸ģà¸Ĺีà¹Īสุà¸Ķ":136678,"à¸ģà¹īา":136679,"à¸ģà¹īาว":136680,"ĠÄ°yi":136681,"леж":136682,"лежа":136683,"ãĤ¸ãĥ§":136684,"à¸Ĺัà¸ŀ":136685,"اÙĪر":136686,"Ġ×Ĺ×ijר×Ļ":136687,"Ġ׾ש×Ŀ":136688,"첫":136689,"ĠTá»Ń":136690,"×ŀ×ķ׳×Ļ":136691,"ÙĤÙĪد":136692,"à¸ģระà¹Ģà¸Ľ":136693,"à¸ģระà¹Ģà¸Ľà¹ĭ":136694,"à¸ģระà¹Ģà¸Ľà¹ĭา":136695,"ĠпÑĢоблемÑĭ":136696,"Ġaçıs":136697,"Ġaçısından":136698,"Ġ×Ķ×ŀ׼":136699,"ĠÙħعظÙħ":136700,"ÙĤÙĬاس":136701,"ĠпÑĢодолж":136702,"ĠпÑĢодолжа":136703,"ĠverdiÄŁi":136704,"ĠпÑĢедмеÑĤ":136705,"ãģĦãģ¾ãģĻãģĮ":136706,"ĠëĶ°ë¥¸":136707,"ĠاÙĦÙĤÙĬاÙħ":136708,"ĠØ¥ÙĦÙĬÙĩا":136709,"ТÐIJ":136710,"поз":136711,"ãĤ·ãĥ¥":136712,"ä¸ĬãģĮãĤĬ":136713,"à¹Ģà¸Ķิมà¸ŀัà¸Ļ":136714,"à¸ģุล":136715,"ØŃرÙĬØ©":136716,"ק×ij×ķצ×ķת":136717,"믿":136718,"ĠاÙĦÙħÙĨا":136719,"ĠاÙĦÙħÙĨاطÙĤ":136720,"ĠвÑĭпол":136721,"ĠвÑĭполнÑı":136722,"ãĥĭãĤ¢":136723,"Ġê²°êµŃ":136724,"×Ĺ×ķ×ŀ":136725,"×Ĺ×ķ×ŀר×Ļ×Ŀ":136726,"ĠУкÑĢаинÑĭ":136727,"หà¸Ńม":136728,"ר×Ļס":136729,"ĠÑħоÑĤел":136730,"ĠобÑĢазованиÑı":136731,"Ġkhẳng":136732,"ĠmÆ°a":136733,"Ġgörme":136734,"Ġgüçlü":136735,"سعÙī":136736,"มัà¹Īà¸Ļà¹ĥà¸Ī":136737,"íķĺê²łìĬµëĭĪëĭ¤":136738,"ĠполÑĥ":136739,"Ġfünf":136740,"ãģ¨æĢĿãģ£ãģ¦ãģĦãģ¾ãģĻ":136741,"Ġê·¸ê²ĥìĿĢ":136742,"ĠdÃ¼ÅŁÃ¼nce":136743,"ìŀł":136744,"ĠHÆ°á»Ľng":136745,"ĠTiá»ĥu":136746,"Ġçift":136747,"ãģijãģ°":136748,"à¸Īà¸Ļà¸ĸึà¸ĩ":136749,"à¸Ĺำà¹Ħà¸Ķà¹ī":136750,"ĠìŀIJì²´":136751,"Ġdõ":136752,"Ġdõi":136753,"à¸Īัà¸Ļ":136754,"à¸Īัà¸Ļà¸Ĺ":136755,"à¸Īัà¸Ļà¸Ĺรà¹Į":136756,"eceÄŁini":136757,"׳×ķער":136758,"غار":136759,"ĠاÙĦØ£ÙħرÙĬÙĥÙĬ":136760,"داعش":136761,"ĠбезопаÑģноÑģÑĤи":136762,"ĠбÑİ":136763,"ĠбÑİдж":136764,"ĠбÑİджеÑĤ":136765,"ãĥĬãĤ¤":136766,"à¸ŀà¸ļวà¹Īา":136767,"daÄŁ":136768,"×IJ×ķפף":136769,"íĹĮ":136770,"ãĥĢãĤ¤ãĤ¨":136771,"ãĥĢãĤ¤ãĤ¨ãĥĥãĥĪ":136772,"ĠëĮĢíĨµ":136773,"ĠëĮĢíĨµëł¹":136774,"DÄ°":136775,"Ø£ØŃداث":136776,"ĠAÄŁ":136777,"ĠAÄŁust":136778,"ĠAÄŁustos":136779,"ØŃÙĦÙĪÙĦ":136780,"ĠwÅĽ":136781,"ĠwÅĽród":136782,"ĠÑģооÑĤвеÑĤ":136783,"ĠÑģооÑĤвеÑĤÑģÑĤв":136784,"ĠÑģооÑĤвеÑĤÑģÑĤвии":136785,"ĠLuáºŃt":136786,"Ġ׼׾פ×Ļ":136787,"ĠвеÑī":136788,"ĠвеÑīеÑģÑĤв":136789,"ק×Ļ×¥":136790,"ĠبÙĩذا":136791,"عاش":136792,"à¹Ģà¸Ľà¹ĩà¸Ļà¹Ģรืà¹Īà¸Ńà¸ĩ":136793,"ТÐķ":136794,"Ġ×ij×IJ×Ļ׳×ĺר׳×ĺ":136795,"سعد":136796,"Ġ×Ķ×ĺ×Ļפ×ķ׾":136797,"פ×Ļס":136798,"à¸ĩà¹Īายà¹Ĩ":136799,"ĠGerät":136800,"׾×Ļ×ĵ×Ķ":136801,"ĠÑĢиÑģк":136802,"׾ק×Ĺ":136803,"ннаÑı":136804,"ר×Ļ×ĵ":136805,"пÑĢакÑĤи":136806,"пÑĢакÑĤик":136807,"à¸Ĥัà¹īà¸Ļà¸ķà¸Ńà¸Ļ":136808,"à¸Ļà¹Īารัà¸ģ":136809,"larınızı":136810,"à¸Ńà¸Ļุà¸įา":136811,"à¸Ńà¸Ļุà¸įาà¸ķ":136812,"ĠzdjÄĻcia":136813,"Ġbây":136814,"ÑģÑĢ":136815,"ÑģÑĢоÑĩ":136816,"ãĥĭãĥ³ãĤ°":136817,"Ġöner":136818,"Ġöneri":136819,"ĠновÑĭÑħ":136820,"دعÙĪØ©":136821,"Ġgắn":136822,"ĠاÙĦÙĦبÙĨ":136823,"ĠاÙĦÙĦبÙĨاÙĨÙĬ":136824,"ãĥĨãĤ£ãĥ¼":136825,"ĠصØŃÙĬØŃ":136826,"емÑĭÑħ":136827,"çĸ²ãĤĮ":136828,"ĠпÑĢоиÑģ":136829,"ĠпÑĢоиÑģÑħодиÑĤ":136830,"สà¸ķิ":136831,"ĠTết":136832,"Ġ×Ķ׾׾×ķ":136833,"à¹Ģรืà¹Īà¸Ńà¸ĩà¸Ļีà¹ī":136834,"×ŀ×ij׳×Ķ":136835,"Ġconteúdo":136836,"Ġاخت":136837,"ĠاختÙĬار":136838,"ÙħسÙĦ":136839,"ÙħسÙĦسÙĦ":136840,"ëıĪ":136841,"Ġ׾×Ļ×ĵ":136842,"à¸ŀิà¸ĺี":136843,"ĠÑģовÑģ":136844,"ĠÑģовÑģем":136845,"ãģĮãģĤãĤĬãģ¾ãģĹãģŁ":136846,"Ġsóng":136847,"إصÙĦاØŃ":136848,"ë§ģ":136849,"ÙģÙĬر":136850,"ĠJeżeli":136851,"ìłľëıĦ":136852,"dÅĤug":136853,"ìĥģìĿĦ":136854,"ĠcáºŃn":136855,"Ġhá»įp":136856,"أست":136857,"أستاذ":136858,"Ġ×ŀ×Ļש×Ķ":136859,"Ġ×ŀ×Ļש×Ķ×ķ":136860,"ĠdÃły":136861,"ĠchÃłng":136862,"ãģ¡ãĤĥãĤĵãģ¨":136863,"ĠÄijám":136864,"Ġswój":136865,"Ġpoderá":136866,"ĠоÑĤлиÑĩа":136867,"Ġpériode":136868,"ündig":136869,"×ĺ×¢×Ł":136870,"ÑģÑĤÑĢоиÑĤелÑĮ":136871,"רת×Ļ":136872,"Ġ×Ļ×Ķ×Ļ×ķ":136873,"×ľ×¡":136874,"ĠاÙĦÙħÙĨزÙĦ":136875,"à¸Ļิà¹īว":136876,"иÑĦика":136877,"иÑĦикаÑĨи":136878,"ðŁĺī":136879,"Ġadına":136880,"ãĢĤãĢĤãĢĤ":136881,"×IJ×Ļף":136882,"ס×Ļר":136883,"ĠÙĬعد":136884,"çŃĶãģĪ":136885,"اÙĦجز":136886,"اÙĦجزائر":136887,"енÑĮк":136888,"รห":136889,"รหัส":136890,"ĠTürkçe":136891,"꾸":136892,"Ġ×Ļ×ķ׼׾":136893,"Ġש×ķ׳×Ķ":136894,"Ġ×ij×ŀצ×ij":136895,"ĠдейÑģÑĤвиÑĤелÑĮно":136896,"ĠبأÙĨÙĩ":136897,"×ŀק×ĵ":136898,"Ġ×Ķשק":136899,"Ø®ÙĬارات":136900,"Ġfı":136901,"Ġfırs":136902,"Ġfırsat":136903,"ëijĺ":136904,"ĠìĦľìļ¸":136905,"Ġ×Ķ×Ĵ×ķ×£":136906,"رعا":136907,"رعاÙĬØ©":136908,"ĠKết":136909,"кÑģи":136910,"ĠÑĥÑģлÑĥги":136911,"ноÑģÑĤей":136912,"ìļ´ëıĻ":136913,"ĠобÑĬÑı":136914,"ĠобÑĬÑıвл":136915,"неж":136916,"×Ķפ×ļ":136917,"Ġ×ij×¢×Ļ׳×Ļ":136918,"ëĨĴ":136919,"ĠпÑĢоÑĨед":136920,"ĠпÑĢоÑĨедÑĥÑĢ":136921,"Ġihtiy":136922,"Ġihtiyacı":136923,"Ġë°Ķëŀį":136924,"Ġë°ĶëŀįëĭĪëĭ¤":136925,"à¸ģลัว":136926,"ĠÑģложно":136927,"ק×Ļ×Ļ×ŀת":136928,"ĠÄIJình":136929,"ĠÙħÙĦÙģ":136930,"Ġà¹Ĥà¸Ķยมี":136931,"Ġkatkı":136932,"تØŃÙĪÙĬÙĦ":136933,"à¹Ħà¸ŀ":136934,"ĠHá»į":136935,"ñe":136936,"ĠдоÑħод":136937,"Ġthoải":136938,"íķĺìŬìķ¼":136939,"ãĤ¹ãĥĿãĥ¼ãĥ":136940,"ãĤ¹ãĥĿãĥ¼ãĥĦ":136941,"ĠGòn":136942,"Ġkè":136943,"Ġkèm":136944,"éĢ²ãĤģ":136945,"ãĤ¹ãĥ¼ãĥ":136946,"ãĤ¹ãĥ¼ãĥij":136947,"ãĤ¹ãĥ¼ãĥijãĥ¼":136948,"ĠgiÃłu":136949,"Ġإعادة":136950,"Ġ׾×ķק":136951,"Ġ׾×ķק×Ĺ":136952,"ĠÑħоÑĩеÑĤ":136953,"×ĺ׾×ķ×ķ":136954,"×ĺ׾×ķ×ķ×Ļ×ĸ":136955,"×ĺ׾×ķ×ķ×Ļ×ĸ×Ļ×Ķ":136956,"Ġthuyết":136957,"ãģĿãĤĮãģ§":136958,"Ġvardı":136959,"à¹Ħรà¹ī":136960,"عبد":136961,"ĠRepública":136962,"ãĥ¼ãĤ¿ãĥ¼":136963,"Ġ×ŀ×IJ×ķת":136964,"à¹Ħà¸Ľà¹ģลà¹īว":136965,"Ġyapılacak":136966,"ãĤ¹ãĤ¿ãĥ¼ãĥĪ":136967,"ãģ»ãģ¼":136968,"ĠkoÅŁ":136969,"ĠмаÑĤеÑĢи":136970,"Ġsiècle":136971,"ĠاÙĦÙħختÙĦÙģ":136972,"ĠاÙĦÙħختÙĦÙģØ©":136973,"Ġ׾קר×IJ":136974,"Ġ׾קר×IJת":136975,"Ġ×Ķפ×ķ×¢×ľ":136976,"Ġtòa":136977,"ĠrÆ¡i":136978,"åij¨ãĤĬ":136979,"à¸Ŀà¸Ļ":136980,"jÅĽÄĩ":136981,"ĠìķĬìĿĦ":136982,"اÙĨتÙĤاÙĦ":136983,"ëĸł":136984,"иваеÑĤ":136985,"ãĥĪãĥ«":136986,"ĠاÙĦÙģÙĦسطÙĬÙĨÙĬØ©":136987,"à¸ģลà¹Īาววà¹Īา":136988,"اÙĥت":136989,"ĠÃĸl":136990,"ĠÑĢеÑĪи":136991,"ĠÑĢеÑĪил":136992,"Ġ׳×ķספ×ķת":136993,"Ġìłķì¹ĺ":136994,"влеÑĩен":136995,"ÙħرØŃÙĦØ©":136996,"Ġcomeça":136997,"Ġyık":136998,"ìĤ´":136999,"à¸ĺà¸Ļา":137000,"à¸ĺà¸Ļาà¸Ħาร":137001,"à¸Ńà¸Ļา":137002,"à¸Ńà¸Ļาà¸Ħ":137003,"à¸Ńà¸Ļาà¸Ħà¸ķ":137004,"Ġpequeña":137005,"ä»ķäºĭãĤĴ":137006,"ĠبذÙĦÙĥ":137007,"Ġнового":137008,"ãģĹãģ¦ãģĦãģªãģĦ":137009,"ĠاÙĦÙħÙĬاÙĩ":137010,"à¸ģà¹ĩà¹Ģà¸Ľà¹ĩà¸Ļ":137011,"ĠжÑĥÑĢ":137012,"ĠжÑĥÑĢнал":137013,"веÑģ":137014,"ختار":137015,"Ġ매ìļ°":137016,"ĠMã":137017,"ĠавÑĤомаÑĤÑĭ":137018,"ضعÙģ":137019,"ĠاÙĦÙģÙĥر":137020,"ãģ§ãģĻãģ®ãģ§":137021,"ãĥ¡ãĥ³ãĥIJãĥ¼":137022,"ĠкÑĢÑĥг":137023,"ĠاÙĦسÙĦطة":137024,"à¸Ħรัà¹īà¸ĩà¹ģรà¸ģ":137025,"à¸ģระà¸Ĺรว":137026,"à¸ģระà¸Ĺรวà¸ĩ":137027,"ÑĨов":137028,"éķ·ãģĦ":137029,"大ãģįãģĦ":137030,"ĠgeçmiÅŁ":137031,"ìĦ±ìĿ´":137032,"Ġצר×Ļ׼×Ķ":137033,"ĠмоÑī":137034,"ĠмоÑīн":137035,"Ġק×Ļש":137036,"Ġק×Ļש×ķר×Ļ×Ŀ":137037,"ĠNasıl":137038,"гÑĢан":137039,"Ġ×ŀ×ķצר×Ļ×Ŀ":137040,"Ġ×ŀס×ķ×Ĵ":137041,"Ġyür":137042,"Ġyürüt":137043,"Ġ׾×Ĺצ×ķ":137044,"×ķÖ¼":137045,"ĠìŀĪìĹĪëĭ¤":137046,"Ġterör":137047,"ĠThÆ°Æ¡ng":137048,"ĠÙĪÙĬÙħ":137049,"ĠÙĪÙĬÙħÙĥÙĨ":137050,"جÙĪÙĨ":137051,"ĠÙĪغÙĬرÙĩا":137052,"×ŀפ×ķ":137053,"×Ĵ×ķר×ŀ×Ļ×Ŀ":137054,"׼×ij×Ļש":137055,"ĠاÙĦÙĦغ":137056,"ĠاÙĦÙĦغة":137057,"شرÙĥ":137058,"ĠاÙĦراب":137059,"ĠاÙĦرابع":137060,"ĠпÑĢек":137061,"ĠпÑĢекÑĢаÑģ":137062,"ĠпÑĢекÑĢаÑģн":137063,"ĠenergÃŃa":137064,"ק×ĵ×ŀ×Ļ":137065,"ãģıãģªãģ£ãģŁ":137066,"ĠÄijứ":137067,"ĠÄijứa":137068,"Servi":137069,"Serviço":137070,"Ġkaldır":137071,"åĥįãģį":137072,"Ġодеж":137073,"Ġодежд":137074,"물ìĿĦ":137075,"ãģĿãģĨãģ§":137076,"ãģĮãģĤãĤĮãģ°":137077,"ìĻķ":137078,"צ×ĵק":137079,"Ġartır":137080,"Ġileti":137081,"ĠiletiÅŁim":137082,"ãĤĪãģĨãģ§":137083,"ãĥĪãĥ¼":137084,"ãĤ¢ãĥĭ":137085,"ãĤ¢ãĥĭãĥ¡":137086,"×ĺ×Ļ×Ļ׾":137087,"ãĥķãĥªãĥ¼":137088,"ãĥĿãĥ³":137089,"ÐŁÑĢо":137090,"ĠعاÙĦÙĬØ©":137091,"ĠÃ¶ÄŁret":137092,"ĠÃ¶ÄŁretmen":137093,"ĠкаÑĩеÑģÑĤва":137094,"Ġ×Ķ×ĺ×ij×¢":137095,"ĠзнаÑİ":137096,"ãģ¦ãģıãĤĭ":137097,"Ġmừng":137098,"ÙħÙĪت":137099,"ש×ķ×ŀר":137100,"×Ĺ׾×ij":137101,"ĠwzglÄĻ":137102,"ĠwzglÄĻdu":137103,"ë²Ī째":137104,"Ġtá»ĵ":137105,"Ġtá»ĵn":137106,"ãĥ¯ãĥ¼ãĤ¯":137107,"Ġpożycz":137108,"Ġpożyczk":137109,"×Ļ×ķצר×Ļ×Ŀ":137110,"ÙĥرÙħ":137111,"ĠгаÑĢ":137112,"ĠгаÑĢан":137113,"ĠгаÑĢанÑĤи":137114,"ลà¹īาà¸ĩ":137115,"ĠìĺģíĻĶ":137116,"×ĺ×Ļס":137117,"Ġthẻ":137118,"ĠìŀĪëĭ¤ê³ł":137119,"اÙĦتز":137120,"اÙĦتزاÙħ":137121,"ĠнаÑĪи":137122,"isée":137123,"ãģĵãĤĮãĤĴ":137124,"Ġmẽ":137125,"ضÙĦ":137126,"بÙĪت":137127,"Ġ׼׼×Ķ":137128,"hợ":137129,"ĠاÙĦسÙĪرÙĬØ©":137130,"Ġ×ľ×¢×ķ×ŀ":137131,"Ġ×ľ×¢×ķ×ŀת":137132,"ĠbaÅŁar":137133,"ĠbaÅŁarılı":137134,"еÑģÑĤÑĮ":137135,"à¸Ħรี":137136,"à¸Ħรีม":137137,"ĠìłĦì²´":137138,"ĠسÙĬÙĥÙĪÙĨ":137139,"Ġ×ŀ×ĵ×ķ×¢":137140,"ĠëķĮ문ìĿ´ëĭ¤":137141,"Ġcứng":137142,"gerät":137143,"ĠмиÑĢ":137144,"ĠмиÑĢе":137145,"ĠÙĥÙĬÙģÙĬØ©":137146,"Ġפר×ĺ×Ļ×Ŀ":137147,"ĠgoÅĽci":137148,"иÑĤеÑģÑĮ":137149,"ÑĥÑĪки":137150,"ؤÙħÙĨ":137151,"Ġ×IJ׼ף":137152,"ĠاÙĦرجÙĦ":137153,"Ġlá»įc":137154,"à¹Ģรียà¸ģวà¹Īา":137155,"ãģĵãģ®ãĤĪãģĨãģª":137156,"ë§Įíģ¼":137157,"ĠпеÑĩ":137158,"ÙĪÙĦات":137159,"ĠÃľye":137160,"liÄŁinde":137161,"à¸Ħะà¹ģà¸Ļ":137162,"à¸Ħะà¹ģà¸Ļà¸Ļ":137163,"ãĤĭãģĵãģ¨ãģ¯":137164,"วิà¹Ģà¸Ħร":137165,"วิà¹Ģà¸Ħราะ":137166,"วิà¹Ģà¸Ħราะหà¹Į":137167,"ĠвозможноÑģÑĤи":137168,"ĠاÙĦÙĨساء":137169,"ãĥīãĥ©ãĥŀ":137170,"Ġgüc":137171,"Ġgücü":137172,"ĠtÆ°á»Ŀng":137173,"Ġacompaña":137174,"ãĤ¤ãĥ©":137175,"קצ×ij":137176,"ĠYö":137177,"ĠYönet":137178,"ĠYönetim":137179,"à¸ªà¸±à¸¡à¸ľ":137180,"à¸ªà¸±à¸¡à¸ľà¸±à¸ª":137181,"à¸Ļาม":137182,"ĠÄijợi":137183,"à¹ģหà¹Īà¸ĩà¸Ĭาà¸ķิ":137184,"ãģĿãĤĮãģ§ãĤĤ":137185,"ätig":137186,"ת×ķ×Ŀ":137187,"ĠbaÅŁlat":137188,"ĠвÑģей":137189,"ת×Ļק":137190,"ת×Ļק×ķף":137191,"ĠNgô":137192,"ĠGeschä":137193,"ĠGeschäfts":137194,"Ø£Ùħ":137195,"Ø£Ùħراض":137196,"à¹Ģà¸Ĺà¸Ħà¸Ļ":137197,"à¹Ģà¸Ĺà¸Ħà¸Ļิ":137198,"à¹Ģà¸Ĺà¸Ħà¸Ļิà¸Ħ":137199,"ĠменÑĮ":137200,"ĠменÑĮÑĪе":137201,"Ġölç":137202,"Ġölçü":137203,"ĠÙĬجعÙĦ":137204,"ĠÄijỡ":137205,"ש×Ļ׾":137206,"ש×Ļ׾×ķ×ij":137207,"ĠGrÃ¶ÃŁe":137208,"ĠÙĩاتÙģ":137209,"รà¹īาà¸Ļà¸Ńาหาร":137210,"×Ķ׾×Ļ׼":137211,"×Ķ׾×Ļ׼×Ļ":137212,"иÑĢÑĥÑİÑī":137213,"èĭ¥ãģĦ":137214,"ĠÃĸzel":137215,"ãģĦãģŁãĤī":137216,"à¸Ħำà¸ĸาม":137217,"ĠzostaÅĤy":137218,"Ġ×Ķס×Ļפ×ķר":137219,"×Ķ×ķ׾":137220,"×Ķ×ķ׾×ļ":137221,"à¹Ģà¸Ĭà¹Īà¸Ļà¸ģัà¸Ļ":137222,"à¹Ĥà¸Ĩ":137223,"à¹Ĥà¸Ĩษ":137224,"à¹Ĥà¸Ĩษà¸ĵา":137225,"×IJרצ×ķת":137226,"×Ĵרפ×Ļ":137227,"Ġaoût":137228,"ĠÙĬرÙĬد":137229,"تÙĪج":137230,"تÙĪجÙĬÙĩ":137231,"ĠÑįÑĤап":137232,"ãĤ¹ãĤ¿ãĥ³":137233,"Ġkró":137234,"Ġkrótk":137235,"ãĤĴ使ãģĨ":137236,"ì·¨":137237,"éĸ¢ãĤı":137238,"à¸Ķà¹īวยà¸Ħวาม":137239,"à¸Ļำà¹Ģสà¸Ļà¸Ń":137240,"Ġayrıca":137241,"à¸Īà¹īาà¸ĩ":137242,"ĠÑĦоÑĤогÑĢаÑĦ":137243,"ĠвеÑĩ":137244,"ĠвеÑĩеÑĢ":137245,"åĩºãģĹãģŁ":137246,"ĠХо":137247,"Ġ×ŀר×Ĵ×Ļש":137248,"à¹ĥหà¹īà¹Ģà¸Ľà¹ĩà¸Ļ":137249,"ãĤĴ缮":137250,"ãĤĴ缮æĮĩ":137251,"׾×ŀ×Ļ×Ŀ":137252,"nÄħÅĤ":137253,"ĠÑģÑĤанд":137254,"ĠÑģÑĤандаÑĢÑĤ":137255,"ĠSüd":137256,"ĠTâm":137257,"اختبار":137258,"à¹Ģà¸ģà¸Ńรà¹Į":137259,"ÙħسرØŃ":137260,"Ġbiá»ĩn":137261,"بÙı":137262,"ĠصاÙĦ":137263,"ĠصاÙĦØŃ":137264,"ĠPhụ":137265,"íľ´":137266,"ãĥ¬ãĥĵãĥ¥ãĥ¼":137267,"Ġbụng":137268,"Ġrégime":137269,"ĠأشÙĩر":137270,"ĠÑĢабоÑĤник":137271,"à¸Ŀัà¸Ļ":137272,"اعتÙħ":137273,"اعتÙħاد":137274,"ĠзамеÑĤ":137275,"ãģ¾ãģ£ãģ¦":137276,"Ġchặt":137277,"æĿ¥ãĤĭ":137278,"ĠاÙĦÙĤÙĪات":137279,"ãģ«åħ¥ãģ£ãģ¦":137280,"تØŃاÙĦÙģ":137281,"ÙħزÙĬد":137282,"ĠÙĬصÙĦ":137283,"ìĹ¼":137284,"à¹Ģà¸Ĭà¹ĩ":137285,"à¹Ģà¸Ĭà¹ĩà¸Ħ":137286,"Ġká»ĭ":137287,"Ġká»ĭp":137288,"ĠìķĦì§ģ":137289,"×IJ׳×Ĵ":137290,"ĠоблаÑģÑĤÑĮ":137291,"ĠpomocÄħ":137292,"Ġ×ķש׾":137293,"ëĵłì§Ģ":137294,"ĠGiám":137295,"ĠStück":137296,"Ġcháy":137297,"ĠëĤĺìĺ¤":137298,"ש×Ļ×ĺת":137299,"×ŀ×ĵר":137300,"×ŀ×ĵר×Ļ×ļ":137301,"Ġsüreç":137302,"ква":137303,"×ij׾×Ļ×Ŀ":137304,"×Ķת×Ļ":137305,"×Ķת×Ļ×Ļ×Ĺס":137306,"ÙĤباÙĦ":137307,"Ġס×ķ×Ĵ":137308,"Ġס×ķ×Ĵ×Ļ":137309,"ÑģÑĤолÑĮ":137310,"ä½ķãĤĤ":137311,"×ĸ׼×ķר":137312,"è²·ãģĨ":137313,"å®īãģı":137314,"à¸Ħรัà¹īà¸ĩà¸Ļีà¹ī":137315,"köp":137316,"ĠÑģеÑĢвиÑģ":137317,"оÑĩнÑĭÑħ":137318,"ê±°ëŀĺ":137319,"تأÙĥ":137320,"تأÙĥÙĬد":137321,"×ĵ׾ק":137322,"ĠпоÑĩем":137323,"ĠпоÑĩемÑĥ":137324,"пиÑģаÑĤÑĮ":137325,"×ijשר":137326,"ĠHÃłng":137327,"ĠTìm":137328,"Ġtrừ":137329,"ãĤ»ãĥĥãĤ¯ãĤ¹":137330,"×ķ׳×Ĵ":137331,"mızda":137332,"пÑģи":137333,"ĠìŀĪ기":137334,"Ġrút":137335,"زاÙĨ":137336,"تÙĨÙĪع":137337,"ÙħÙĤا":137338,"ÙħÙĤاÙĪÙħØ©":137339,"Ġ׾צ×ķר×ļ":137340,"Ġ×ij×Ļר×ķש׾×Ļ×Ŀ":137341,"ãĥ´ãĤ£":137342,"ebile":137343,"ebileceÄŁi":137344,"ãĥ¦ãĥ¼ãĤ":137345,"ãĥ¦ãĥ¼ãĤ¶":137346,"ãĥ¦ãĥ¼ãĤ¶ãĥ¼":137347,"ãĤĴä½ľãĤĭ":137348,"ÑģмеÑĢ":137349,"ÑģмеÑĢÑĤ":137350,"Ġì§ģ":137351,"Ġì§ģìłij":137352,"ĠÐŁÐ°ÑĢ":137353,"ØŃاض":137354,"ØŃاضر":137355,"ÙħÙĥاÙģ":137356,"ÙħÙĥاÙģØŃØ©":137357,"ลิà¸Ļ":137358,"ãģ¦ãģįãģ¦":137359,"ÑĢоÑģл":137360,"ĠÄ°ÅŁte":137361,"ÙĤصÙĬر":137362,"Ġ×ij×Ĵ×Ļ׾":137363,"Ġ×ŀת×IJ×Ļ×Ŀ":137364,"Ġ×Ķ×Ĺ×ĵ":137365,"Ġ×Ķ×Ĺ×ĵש×Ķ":137366,"ר×ķ×¢":137367,"Ġproduktów":137368,"ĠÙħصدر":137369,"неÑĨ":137370,"ĠاÙĦعÙħÙĦات":137371,"Ġçıkma":137372,"ĠدبÙĬ":137373,"ק×Ļף":137374,"ת×IJר":137375,"ת×IJר×Ļ×ļ":137376,"׳×Ļ×Ļ×ĵ":137377,"صراع":137378,"lève":137379,"צ×Ļר":137380,"à¸Ķัà¸Ļ":137381,"à¹ĥหà¹īà¹Ħà¸Ķà¹ī":137382,"ãĤ¿ãĤ¤ãĥł":137383,"Ġgiảng":137384,"Ð¡ÐŁ":137385,"ĠاÙĦÙħØŃÙĦ":137386,"ĠاÙĦÙħØŃÙĦÙĬØ©":137387,"ĠTất":137388,"׾×ķ×ĺ":137389,"há»ķ":137390,"Ġaméric":137391,"Ġaméricain":137392,"Ġ×ijש׾×ij":137393,"Ġ׾×IJ×ķ×ŀ×Ļ":137394,"Ġpeça":137395,"ĠÑĢазнÑĭÑħ":137396,"ãģĦãĤĭãģ¨":137397,"ãĥĩãĥ³":137398,"סקר":137399,"Ġ×Ķ×ŀ×Ĺ×Ļר":137400,"ãģ¨ãģĦãģĨãĤĤãģ®":137401,"رتبط":137402,"ĠиÑģÑĤоÑĩ":137403,"ĠиÑģÑĤоÑĩник":137404,"สมัà¸Ħรสมาà¸Ĭิà¸ģ":137405,"Ġà¸Ĺัà¹īà¸ĩ":137406,"Ġà¸Ĺัà¹īà¸ĩà¸Ļีà¹ī":137407,"ĠTáºŃp":137408,"ãģ£ãģ¦ãģĦãģĨ":137409,"ĠاÙĦÙĪصÙĪÙĦ":137410,"Ġdécada":137411,"ĠоÑĦоÑĢм":137412,"ĠоÑĦоÑĢмлен":137413,"สำหรัà¸ļà¸ģาร":137414,"Ġogóln":137415,"ãģĨãģ¡ãģ«":137416,"Ġvárias":137417,"ãģĻãģİãĤĭ":137418,"ÙĪÙĩا":137419,"à¹Ĥà¸Ľà¸£à¸Ķ":137420,"ĠÐłÐ¾ÑģÑģиÑı":137421,"人ãĢħ":137422,"ãģĹãģ¦ãģįãģŁ":137423,"Ġsırasında":137424,"Ġngôn":137425,"سÙĨØ©":137426,"تÙħتع":137427,"×ŀ׼×ij×Ļ":137428,"Ġnhấn":137429,"×¢×ŀ×Ļ×ĵ":137430,"Ứ":137431,"жиÑĤÑĮ":137432,"ãĤīãģĽ":137433,"gráf":137434,"gráfica":137435,"ĠÙĤÙĪÙĦ":137436,"ĠÙĤÙĪÙĦÙĩ":137437,"ëĭ¨ì²´":137438,"หà¹īา":137439,"หà¹īาม":137440,"使ãģ£ãģ¦":137441,"ת×Ļ×ij":137442,"ת×Ļ×ijת":137443,"iá»ĥu":137444,"à¹ģà¸Ĭม":137445,"à¹ģà¸Ĭà¸¡à¸Ľ":137446,"à¹ģà¸Ĭà¸¡à¸Ľà¹Į":137447,"Ậ":137448,"ĠëĤĺëĿ¼":137449,"ĠÙħباشرة":137450,"ĠtrÄĥm":137451,"سÙĥÙĪ":137452,"ĠاÙĦØ°Ùī":137453,"Ġbiç":137454,"Ġbiçim":137455,"تراجع":137456,"ĠобеÑģп":137457,"ĠобеÑģпеÑĩ":137458,"ĠобеÑģпеÑĩива":137459,"ĠвоздÑĥÑħ":137460,"ÑĭваÑĤÑĮ":137461,"ÙĦØŃÙĤ":137462,"ĠMüdü":137463,"ĠMüdürl":137464,"ĠMüdürlÃ¼ÄŁÃ¼":137465,"Ġyaptır":137466,"Ġפרס":137467,"Ġפרס×ķ×Ŀ":137468,"Ø·ÙĪر":137469,"ÑģÑĤвоваÑĤÑĮ":137470,"ìŀ¥ìĿĦ":137471,"à¸Ĺีà¹Īà¸Ķีà¸Ĺีà¹Īสุà¸Ķ":137472,"à¸Ńัล":137473,"ÑĢÑİ":137474,"ÙħستÙĤبÙĦ":137475,"ÑģлÑĥÑĪ":137476,"ÑģлÑĥÑĪа":137477,"èªįãĤģ":137478,"Ġ׾×Ļ×ŀ":137479,"Ġ׾×Ļ×ŀ×ķ×ĵ×Ļ":137480,"תש×ķ×ij":137481,"תש×ķ×ij×ķת":137482,"ĠgerçekleÅŁtiril":137483,"ĠاÙĦاتÙģاÙĤ":137484,"ĠÑĥÑĢовне":137485,"ĠÑĤÑĢав":137486,"Ġ×Ķ×ŀ×ķף":137487,"ØŃÙģاظ":137488,"ĠÙħÙIJ":137489,"ĠÙħÙIJÙĨ":137490,"ĠÙħÙIJÙĨÙĴ":137491,"Ġdemás":137492,"×ŀ×ķ×ĸ×Ļק×Ķ":137493,"ש×Ļ×Ĺ×Ķ":137494,"Ġbú":137495,"алÑĮнÑĭм":137496,"ãĤıãģŁ":137497,"ãĤıãģŁãģĹ":137498,"ĠاÙĦÙħÙĪاد":137499,"×ª×Ľ×ł":137500,"×ª×Ľ×ł×ķף":137501,"ãĥŃãĥĥãĤ¯":137502,"hiếu":137503,"ĠÑĥме":137504,"ÙħØŃاÙĪÙĦØ©":137505,"×IJ×ķשר":137506,"ĠконкÑĥÑĢ":137507,"ĠконкÑĥÑĢÑģ":137508,"Ġ×ŀ×ij×Ĺ":137509,"Ġ×ŀ×ij×Ĺ×Ļ×ł×ª":137510,"Ġanlam":137511,"Ġanlamı":137512,"Ġliá»ĩt":137513,"ĠвÑħод":137514,"ĠHình":137515,"ĠÙĨÙĬ":137516,"ĠÙĨÙĬÙĪز":137517,"ãĤ¸ãĥ£ãĥ¼":137518,"×ij×Ļ×¥":137519,"ÑĤелÑĮнÑĭÑħ":137520,"à¸Ĺุà¸ģà¸Ńยà¹Īาà¸ĩ":137521,"ĠkiÅŁinin":137522,"Ø£Ùĥثر":137523,"ĠиÑģÑĤоÑĢии":137524,"Ġë³ĢíĻĶ":137525,"×¤×ľ×¡×ĺ":137526,"×¤×ľ×¡×ĺ×Ļ׳×Ļ":137527,"ĠÑģеÑĤ":137528,"ĠÑģеÑĤи":137529,"dıģımız":137530,"íķĺëıĦë¡Ŀ":137531,"×Ķר":137532,"×Ķר×ij×Ķ":137533,"ãģĻãĤĭãģĵãģ¨ãģ¯":137534,"Ġphiếu":137535,"تØŃسÙĬÙĨ":137536,"ĠÅĽrod":137537,"ĠÅĽrodow":137538,"ĠÅĽrodowisk":137539,"ĠÑĢаÑģÑħод":137540,"برÙĬد":137541,"ĠرÙĬ":137542,"ĠرÙĬاÙĦ":137543,"Ġ×ķ׼×ļ":137544,"ì§ĢìļĶ":137545,"׼×ŀ×ķ":137546,"Ġ×¢×ľ×Ļ×Ķ×Ŀ":137547,"fÃŃcio":137548,"Ġkararı":137549,"tıģını":137550,"ĠСов":137551,"ĠСовеÑĤ":137552,"ãģĬéĩijãĤĴ":137553,"междÑĥ":137554,"междÑĥна":137555,"междÑĥнаÑĢод":137556,"междÑĥнаÑĢодн":137557,"Ġmá»Ŀi":137558,"ĠاÙĦØ¥ÙĬر":137559,"ĠاÙĦØ¥ÙĬراÙĨÙĬ":137560,"ĠاÙĦرÙĪسÙĬ":137561,"صÙĨد":137562,"صÙĨدÙĪÙĤ":137563,"ĠاÙĦØ¥ÙĨترÙĨت":137564,"Ġtắm":137565,"ĠÑĤакого":137566,"Ġ×ij׾×ķ×Ĵ":137567,"Ġücrets":137568,"Ġücretsiz":137569,"×Ĺ×ĸ×Ļר":137570,"ìĸ´ìķ¼":137571,"ĠPhần":137572,"ï¼ľ":137573,"Ġ×ĺ×ij×¢":137574,"Ġ×ĺ×ij×¢×Ļ":137575,"×IJ×ŀ×IJ":137576,"اÙĤÙĦ":137577,"Ġcondições":137578,"ÙĤاتÙĦ":137579,"ĠÑĢезÑĥлÑĮÑĤаÑĤе":137580,"ĠÑģвоими":137581,"צ×ij×Ļ×¢":137582,"géni":137583,"Ġzes":137584,"Ġzespo":137585,"ĠzespoÅĤ":137586,"ÑĪив":137587,"Ġפר×ĺ×Ļ×ķת":137588,"ÙħستشÙģ":137589,"ÙħستشÙģÙī":137590,"شرع":137591,"ĠkoÅĽci":137592,"Ġ×Ķ×IJ×Ļ׳×ĺר׳×ĺ":137593,"ĠЧеÑĢ":137594,"поÑĩÑĤ":137595,"Ġactivités":137596,"çŁ¥ãģ£ãģ¦":137597,"Ġ×ij×ĸ×Ķ":137598,"Ġyüzden":137599,"ãģªãĤĬãģ¾ãģĽãĤĵ":137600,"Ġíĺ¹":137601,"Ġíĺ¹ìĿĢ":137602,"Ġ×ŀש׳×Ķ":137603,"ĠÐĴеÑĢ":137604,"Ġ×ij×IJ×ķת×ķ":137605,"éĿ¢çĻ½":137606,"éĿ¢çĻ½ãģĦ":137607,"شرØŃ":137608,"gründe":137609,"ÙģØ´":137610,"ÙģØ´ÙĦ":137611,"Ġséjour":137612,"ë´IJ":137613,"Ġrôle":137614,"شعار":137615,"емÑĭе":137616,"ĠاÙĦجسÙħ":137617,"алÑĮное":137618,"Ġìĥģíĥľ":137619,"Ｄ":137620,"ë¯Ģë¡ľ":137621,"ĠÙĨÙĤØ·":137622,"ĠÙĨÙĤطة":137623,"ãģĿãģĨãģł":137624,"ãģĻãĤĭãģ®ãģĮ":137625,"หู":137626,"Ġnhá»ĭ":137627,"Ġeconómica":137628,"ס×ĺ×ķ×ĵ":137629,"ס×ĺ×ķ×ĵ׳×ĺ":137630,"มีà¹Ĥà¸Ńà¸ģาส":137631,"Ġgestão":137632,"รูà¹īวà¹Īา":137633,"Ġloạt":137634,"ĠاÙĦÙħÙı":137635,"ĠاÙĦØŃÙħÙĦ":137636,"ĠاÙĦعÙħÙĦÙĬØ©":137637,"Ġê²ĥëıĦ":137638,"ĠÐľÐ¾Ñģква":137639,"ק×ĺ×ķר":137640,"ĠподÑĢоб":137641,"ĠподÑĢобн":137642,"ĠlÆ°ng":137643,"تÙģس":137644,"تÙģسÙĬر":137645,"ĠاÙĦبع":137646,"ĠاÙĦبعض":137647,"ئت":137648,"ÐķÐĿ":137649,"ìĹ°êµ¬":137650,"à¹ĥหà¹īà¸Ħุà¸ĵ":137651,"ãģĤãĤĬãģ¾ãģĹãģŁ":137652,"Ġbirka":137653,"Ġbirkaç":137654,"ĠÄ°sl":137655,"ĠÄ°slam":137656,"çĹĽãģ¿":137657,"Ġhảo":137658,"ĠмаÑı":137659,"ĠiÅŁÃ§i":137660,"ש×":137661,"ש×ģ":137662,"à¸ģารà¹Ģมืà¸Ńà¸ĩ":137663,"×ķ×Ķר":137664,"Ġchó":137665,"ëĨĢ":137666,"Ġyanlı":137667,"ĠyanlÄ±ÅŁ":137668,"幸ãģĽ":137669,"×IJר×Ĵ×ķ׳×Ļ":137670,"à¸Ńาà¸Īาร":137671,"à¸Ńาà¸Īารยà¹Į":137672,"ĠинÑĦоÑĢмаÑĨиÑİ":137673,"ÐĵÐŀ":137674,"׳×Ĺש":137675,"ĠìķĮìķĦ":137676,"ĠÑħаÑĢакÑĤеÑĢиÑģÑĤ":137677,"ĠÑħаÑĢакÑĤеÑĢиÑģÑĤик":137678,"à¸Ħุà¸ĵสามารà¸ĸ":137679,"è¦ĭãģĪãĤĭ":137680,"à¸Ĭัà¸Ķà¹Ģà¸Ī":137681,"à¸Ĭัà¸Ķà¹Ģà¸Īà¸Ļ":137682,"ĠdziaÅĤal":137683,"ĠdziaÅĤalnoÅĽci":137684,"à¹Ĥà¸ŀสà¸ķà¹Į":137685,"ĠÐļол":137686,"ĠÙģÙĩÙĬ":137687,"Ġ×ŀפ׳×Ļ":137688,"Ġ×Ķקשר":137689,"ÙħرÙĥ":137690,"ÙħرÙĥز":137691,"Ġhoá":137692,"Ġапп":137693,"ĠаппаÑĢаÑĤ":137694,"Ġpami":137695,"ĠpamiÄĻ":137696,"ĠpamiÄĻta":137697,"Ġçünkü":137698,"×ĵ×ķף":137699,"ãģ¯ãģĵãģ¡ãĤī":137700,"ĠMÃł":137701,"ĠÙĬÙĤدÙħ":137702,"ĠпÑĢез":137703,"ĠпÑĢезиденÑĤ":137704,"à¸Ńุà¸ķ":137705,"à¸Ńุà¸ķสา":137706,"à¸Ńุà¸ķสาห":137707,"à¸Ńุà¸ķสาหà¸ģรรม":137708,"ì§ĢìĽIJ":137709,"Ġ×IJפשר×ķת":137710,"schüt":137711,"schütz":137712,"ĠTiên":137713,"Ġsayılı":137714,"ĠгÑĢÑĥппÑĭ":137715,"оÑĩнÑĭй":137716,"Ġ×ľ×¢×ŀ×ķ×ĵ":137717,"ĠwrzeÅĽ":137718,"ĠwrzeÅĽnia":137719,"ĠÄIJầu":137720,"à¹Ģà¸Ĥà¹īารà¹Īวม":137721,"nızda":137722,"Ø®ÙĬص":137723,"Ġgünc":137724,"Ġgüncel":137725,"ĠÙĦÙĩØ°Ùĩ":137726,"ĠÙĬعتبر":137727,"légi":137728,"ãĤıãģĭãĤĭ":137729,"Ġrừng":137730,"ظÙĩ":137731,"ظÙĩÙĪر":137732,"Ġ×ŀ×ij×Ļף":137733,"Ġ기íĥĢ":137734,"åĪĩãĤĮ":137735,"lanmÄ±ÅŁ":137736,"à¸Ĺีà¹Īมีà¸Ħวาม":137737,"Ġhá»ģ":137738,"تÙĪجÙĩ":137739,"ĠاÙĦإدارة":137740,"Ġútil":137741,"ספ×ķ":137742,"à¸Ħวามรัà¸ģ":137743,"à¹Ĥฮ":137744,"ĠполиÑĤ":137745,"ĠполиÑĤик":137746,"Ġsatın":137747,"ĠÅŀimdi":137748,"×ŀ×ķר×Ļ×Ŀ":137749,"ìķĺëĭ¤":137750,"×Ĺ×ķ×ķ":137751,"×Ĺ×ķ×ķ×Ļ×Ķ":137752,"à¸Ħà¸Ńมà¸ŀิ":137753,"à¸Ħà¸Ńมà¸ŀิว":137754,"à¸Ħà¸Ńมà¸ŀิวà¹Ģà¸ķà¸Ńรà¹Į":137755,"Ġاذا":137756,"تخاذ":137757,"ãĤ¨ãĥ«":137758,"Ġpossibilité":137759,"ยืà¸Ļยัà¸Ļ":137760,"Ġünivers":137761,"Ġüniversite":137762,"ĠاÙĦدÙĪرÙĬ":137763,"ĠìķĬëĬĶëĭ¤":137764,"ĠìĦľë¡ľ":137765,"ØŃاÙĦ":137766,"Ġë¨":137767,"Ġ먼":137768,"Ġ먼ìłĢ":137769,"à¸Ĺีà¹Īà¸ĸูà¸ģ":137770,"ì§ľ":137771,"Ġskóry":137772,"лÑĮÑĨ":137773,"à¹ĥà¸Ĭà¹īà¹Ģวลา":137774,"×ijקשת":137775,"ĠØ°ÙĪ":137776,"æĹ¥ãĢħ":137777,"ĠкоÑĤоÑĢÑĥÑİ":137778,"ĠÑĥÑĢовенÑĮ":137779,"깨":137780,"à¹Ħà¸Ĺ":137781,"ãĤµãĥĹãĥª":137782,"ãĤ¸ãĥ§ãĥ³":137783,"ãģĻãģ¹ãģį":137784,"ĠGór":137785,"ãĥĪãĤ¤":137786,"ãĥĪãĤ¤ãĥ¬":137787,"ĠyaÅŁama":137788,"Ġdá»ĭp":137789,"Ġbữa":137790,"à¸ĭุ":137791,"Ġölüm":137792,"ãģ£ãģ¦ãģıãĤĭ":137793,"à¸ģารà¸Ħà¹īา":137794,"שער":137795,"ĠÑĤипа":137796,"ĠгеÑĢ":137797,"ĠгеÑĢо":137798,"רקע":137799,"Ġuważ":137800,"Ġuważa":137801,"ש×ŀף":137802,"Ġhastalık":137803,"ãĤıãĤĮãĤĭ":137804,"baÅŁÄ±":137805,"ÑĩÑĤо":137806,"Ġ×ij×ŀר׼×ĸ":137807,"Ġìļ°ë¦¬ìĿĺ":137808,"ĠÙĥاÙĨÙĪا":137809,"Ġأبر":137810,"ĠأبرÙĬÙĦ":137811,"층":137812,"à¹Ħà¸Ĥà¹Ī":137813,"ĠÙĪÙĦÙĪ":137814,"à¸Ĺัว":137815,"à¸Ĺัวรà¹Į":137816,"ĠÙĪØ£Ùĥد":137817,"à¸Ĭวà¸Ļ":137818,"׾×ķק":137819,"æį¨":137820,"æį¨ãģ¦":137821,"Ġİçin":137822,"péri":137823,"Ġyal":137824,"Ġyalnız":137825,"ÑĮÑıн":137826,"Ġgắng":137827,"à¸ģà¹ĩยัà¸ĩ":137828,"ĠУкÑĢаин":137829,"ĠÑģами":137830,"ĠпÑĢоведен":137831,"à¸ķà¸ģà¹ģà¸ķà¹Īà¸ĩ":137832,"ĠQuân":137833,"éparation":137834,"ĠbaÅŁÄ±nda":137835,"Ġznale":137836,"Ġznaleź":137837,"ĠznaleźÄĩ":137838,"ãĤ±ãĥ¼":137839,"ãĥİãĥ¼":137840,"à¸ĸูà¸ģà¸ķà¹īà¸Ńà¸ĩ":137841,"몸":137842,"ĠëıĮ":137843,"ĠëıĮìķĦ":137844,"ĠSchüler":137845,"ĠподгоÑĤов":137846,"ĠподгоÑĤовк":137847,"عرÙĪ":137848,"عرÙĪض":137849,"laÅŁtır":137850,"ĠÑģоÑģÑĤавлÑıеÑĤ":137851,"ĠпÑĢоизвод":137852,"ĠпÑĢоизводÑģÑĤва":137853,"ĠоÑģнове":137854,"ĠØ´ÙħاÙĦ":137855,"à¸ģรี":137856,"ĠgörÃ¼ÅŁme":137857,"оÑĩек":137858,"Ġ×Ĺ×ijר×Ļ×Ŀ":137859,"Ùħخاط":137860,"Ùħخاطر":137861,"ï¼Ń":137862,"רפ×IJ":137863,"ĠMẹ":137864,"ยà¸Ńมรัà¸ļ":137865,"Ġvết":137866,"خذ":137867,"ĠاÙĦتط":137868,"ĠاÙĦتطبÙĬÙĤ":137869,"à¸Ļึà¸ģ":137870,"Ġ×Ķ×Ľ×ł×¡×ª":137871,"ĠогÑĢани":137872,"ĠогÑĢаниÑĩен":137873,"ĠÃĩalÄ±ÅŁ":137874,"ĠاÙĦÙħÙĨتدÙī":137875,"à¸Īำà¸Ļวà¸Ļมาà¸ģ":137876,"ĠÑĤоÑĢÑĢ":137877,"ĠÑĤоÑĢÑĢенÑĤ":137878,"ĠìĤ´ìķĦ":137879,"à¸ŀลัà¸ĩà¸ĩาà¸Ļ":137880,"à¸Ĭัà¸Ļ":137881,"ĠÐIJндÑĢ":137882,"Ġréalisé":137883,"×ŀש×IJ":137884,"à¹ģà¸Ĭ":137885,"à¹ģà¸Ĭรà¹Į":137886,"Ġбог":137887,"มาà¹ģลà¹īว":137888,"ĠاÙĦÙĨار":137889,"Ġolmadıģı":137890,"×ĵ×¢×Ķ":137891,"ĠÑĥвеÑĢ":137892,"ĠÑĥвеÑĢен":137893,"ãĤĭãĤĤãģ®":137894,"أد":137895,"أدÙĪات":137896,"Ġ×Ķ×ĸ×ķ×Ĵ":137897,"إعÙĦاÙħ":137898,"há»ı":137899,"ĠNähe":137900,"ĠÑĤеÑģÑĤ":137901,"Ġ×ŀ×ķ׼ר":137902,"Ġë¬¸ìłľê°Ģ":137903,"ת×ķצ×IJ×Ķ":137904,"mó":137905,"móvel":137906,"ĠاÙĦتجارة":137907,"ĠмногиÑħ":137908,"обÑīа":137909,"Ġעסק×Ļ":137910,"ĠEducação":137911,"קש×Ļ×Ŀ":137912,"établ":137913,"établissement":137914,"Ġделе":137915,"иÑĢÑĥеÑĤÑģÑı":137916,"آثار":137917,"Ġ×Ķ×ŀר׼×ĸ×Ļ":137918,"ãĥIJãĥ«":137919,"ĠвÑģÑĤÑĢеÑĩ":137920,"ãģĴãĤĭ":137921,"ĠciÄħ":137922,"ĠciÄħgu":137923,"ÙĬست":137924,"à¸łà¸²à¸§":137925,"à¸łà¸²à¸§à¸°":137926,"Ø£Ùħر":137927,"Ġожи":137928,"Ġожида":137929,"Ġủy":137930,"ãĥŀãĥ«":137931,"راس":137932,"оÑĩной":137933,"ת×Ĵ×ķ×ij×ķת":137934,"تعرÙĬÙģ":137935,"ĠÑģоÑĨиалÑĮно":137936,"ãĤĴéĸĭ":137937,"ĠиÑģÑģледова":137938,"Ġdú":137939,"Ġdúvida":137940,"ĠskÅĤ":137941,"ĠskÅĤada":137942,"Ġhäufig":137943,"ĠвÑĭбÑĢ":137944,"ĠвÑĭбÑĢаÑĤÑĮ":137945,"ãģ®ãģ§ãģ¯ãģªãģĦãģĭ":137946,"ĠÑģилÑĮно":137947,"ÑĤвеÑĢжден":137948,"רפ":137949,"רפ×ķ×IJ×Ķ":137950,"æĢĿãģĦãģ¾ãģĻ":137951,"ØŃرص":137952,"ש×ķתף":137953,"Ùħسجد":137954,"à¹Ĥà¸Ĭวà¹Į":137955,"емÑģÑı":137956,"вÑĪие":137957,"Ġмл":137958,"Ġмлн":137959,"Ġ׾×Ķ×ij×Ļ×IJ":137960,"ĠÙĬتعÙĦÙĤ":137961,"à¸ķูà¹ī":137962,"ĠпÑĢаз":137963,"ĠпÑĢазд":137964,"ĠпÑĢаздник":137965,"Ġнем":137966,"Ġнемного":137967,"ĠsÃłng":137968,"تÙĨسÙĬ":137969,"تÙĨسÙĬÙĤ":137970,"Ġtá»Ŀ":137971,"Ġмеди":137972,"ãģ«æĪ":137973,"ãģ«æĪ»":137974,"à¸Ħวà¹īา":137975,"ãģĭãģijãĤĭ":137976,"×ij׾×ķת":137977,"ĠÑįкÑģп":137978,"ĠÑįкÑģпеÑĢÑĤ":137979,"ĠдевÑĥÑĪ":137980,"ĠдевÑĥÑĪк":137981,"ĠØŃص":137982,"ÙĨشأ":137983,"ãģĮãģĤãĤĭãģ®ãģ§":137984,"ĠتراÙħ":137985,"ĠتراÙħب":137986,"أسÙĪاÙĤ":137987,"Ġ׾פ׳×ķת":137988,"Ġاﻷ":137989,"ãģ«ãģı":137990,"ãģ«ãģıãģĦ":137991,"ĠأعÙĦÙī":137992,"Ġ׾×Ķ×ŀש×Ļ×ļ":137993,"räu":137994,"ש×ŀ×Ļ×Ŀ":137995,"åĪĨãģij":137996,"ãģĻãģ§":137997,"ãģĻãģ§ãģ«":137998,"×Ķ׾׼×Ķ":137999,"×Ĺ׾×Ļ×£":138000,"Ġì±ħ":138001,"Ġì±ħìŀĦ":138002,"à¹Ģà¸Īริ":138003,"à¹Ģà¸Īริà¸į":138004,"éģĬãģ³":138005,"جسد":138006,"สาà¸ĺ":138007,"สาà¸ĺาร":138008,"สาà¸ĺารà¸ĵ":138009,"Ġbasın":138010,"ÑĢаг":138011,"гад":138012,"ĠhoÅŁ":138013,"íķµ":138014,"×ij×Ĺ×Ļר×Ķ":138015,"×ŀס×ļ":138016,"ĠìłľíĴĪ":138017,"تÙħÙĪÙĬÙĦ":138018,"ĠLÆ°u":138019,"ë¡ľë¶ĢíĦ°":138020,"Ġпоб":138021,"Ġпобед":138022,"ÙħÙĨØ°":138023,"常ãģ«":138024,"ÙĤس":138025,"ĠاÙĦÙħصدر":138026,"ĠÙĪاÙĦاست":138027,"Ġkhắp":138028,"ĠاÙĦجاÙĨب":138029,"Ġnguyá»ĩn":138030,"éĸĵéģķãģĦ":138031,"ĠÑģÑĤÑĢа":138032,"ĠÑģÑĤÑĢаÑħ":138033,"ĠÑģÑĤÑĢаÑħов":138034,"รีà¸ļ":138035,"ĠxÆ°Æ¡ng":138036,"Ġì°¾":138037,"Ġì°¾ìķĦ":138038,"Ġngại":138039,"гал":138040,"à¸ĭีà¹Ī":138041,"Ġ×ijפ×Ļ×Ļס×ij×ķק":138042,"ЦенÑĤÑĢ":138043,"Ġavaliação":138044,"Ġeconómico":138045,"×ĸף":138046,"ĠÐľÐ°Ðº":138047,"Ġinterés":138048,"à¸ģลิà¹Īà¸Ļ":138049,"ÑģÑĤÑĮÑİ":138050,"ĠÄijÆ°Æ¡ng":138051,"å¼·ãģı":138052,"ĠKhách":138053,"à¹Ģà¸Ļืà¹īà¸Ńหา":138054,"ĠYazı":138055,"è²·ãģ£ãģ¦":138056,"ÐłÐķ":138057,"à¹Ģà¸ŀิà¹Īมà¸Ĥึà¹īà¸Ļ":138058,"สมà¸ļู":138059,"สมà¸ļูรà¸ĵà¹Į":138060,"ĠмиÑĢов":138061,"×Ĵ׳×Ļ×Ŀ":138062,"ĠÄijức":138063,"à¸Ńารà¹Į":138064,"صاص":138065,"ãģĬãĤĪ":138066,"ãģĬãĤĪãģ³":138067,"êÌī":138068,"ĠاÙĦÙħؤتÙħر":138069,"ĠاÙĦÙħرØŃÙĦØ©":138070,"สà¸Ńà¸ļà¸ĸาม":138071,"Ġà¸Īาà¸ģà¸Ļัà¹īà¸Ļ":138072,"Ġتعد":138073,"ãģĿãģ®ãģŁãĤģ":138074,"Ġkháng":138075,"à¸Ļิà¸Ķ":138076,"ãĥĬãĥ³":138077,"ëĦ¤ìļĶ":138078,"ĠاÙĦاØŃت":138079,"ĠاÙĦاØŃتÙĦاÙĦ":138080,"ìļķ":138081,"Ġмодели":138082,"ĠпÑĢоÑĨенÑĤ":138083,"à¸ŀวà¸ģà¹Ģรา":138084,"Ġ×Ķצ×ĵ":138085,"Ġ×Ķצ×ĵ×ĵ×Ļ×Ŀ":138086,"stände":138087,"׳×Ĵר":138088,"Ġdotyc":138089,"ĠdotyczÄħ":138090,"ĠdotyczÄħce":138091,"ĠÅĽwiÄĻt":138092,"×ŀר×Ķ":138093,"ãģĻãģĶãģĦ":138094,"ãĥĩãĤ£ãĥ³ãĤ°":138095,"à¸ģารสรà¹īาà¸ĩ":138096,"ëĤ¬":138097,"Ġì°¸ìŬ":138098,"ÑģÑħ":138099,"ÑģÑħем":138100,"ÙħÙĪس":138101,"Ġnấu":138102,"Ġ׾×ŀ×¢×ľ×Ķ":138103,"à¹Ģà¸Ľà¹īา":138104,"à¹Ģà¸Ľà¹īาหมาย":138105,"Ġmùi":138106,"ائز":138107,"íĽĪ":138108,"×Ĺ×ij×ķר×Ķ":138109,"à¸ľà¸¹à¹īà¹ĥà¸Ĭà¹ī":138110,"Ġpaź":138111,"Ġpaździ":138112,"Ġpaździern":138113,"Ġpaździernika":138114,"ลà¸ĩà¹Ħà¸Ľ":138115,"ÙĤاع":138116,"ĠcháºŃm":138117,"Ġözellikleri":138118,"ĠÄIJo":138119,"ĠÄIJoÃłn":138120,"жение":138121,"Ġhẳ":138122,"Ġhẳn":138123,"ĠaÅŁk":138124,"ï½į":138125,"ãĥijãĤ¹":138126,"×Ķ×ķר×IJ×ķת":138127,"ĠÅ»":138128,"ĠÅ»y":138129,"×ŀ×ĸ׾":138130,"ĠÑĥкÑĢа":138131,"ĠÑĥкÑĢаин":138132,"à¹Ģà¸Ĭิ":138133,"à¹Ģà¸Ĭิà¸į":138134,"ÐłÐĺ":138135,"ĠzwiÄħzku":138136,"×Ķ×Ĺ׾×ĺת":138137,"ãĤĵãģ§ãģĻãĤĪãģŃ":138138,"ãģ¦ãģĬãĤĬ":138139,"ложиÑĤÑĮ":138140,"×ŀ×ķ׳×Ļ×Ŀ":138141,"ฮิ":138142,"ì°¬":138143,"ĠاÙĦÙħشترÙĥ":138144,"ĠdÃ¼ÅŁÃ¼k":138145,"агенÑĤ":138146,"ĠاÙĦأسبÙĪع":138147,"ĠÙĤرÙĬب":138148,"инд":138149,"индив":138150,"индивид":138151,"индивидÑĥ":138152,"индивидÑĥалÑĮн":138153,"förder":138154,"Ġseçen":138155,"Ġseçenek":138156,"Ġétant":138157,"ĠлÑİбим":138158,"казÑĭваеÑĤ":138159,"วิà¸Ļ":138160,"Ġ×Ķ×ij×IJ×Ļ×Ŀ":138161,"Ġдов":138162,"ĠдоволÑĮ":138163,"ĠдоволÑĮно":138164,"×¢×ĵ×Ļ×£":138165,"Ġokre":138166,"ĠokreÅĽ":138167,"ĠokreÅĽlon":138168,"ĠترÙĬد":138169,"à¹Ģมืà¹Īà¸Ńวัà¸Ļà¸Ĺีà¹Ī":138170,"ãĤĪãģĭãģ£ãģŁ":138171,"Cumh":138172,"Cumhur":138173,"Cumhurba":138174,"CumhurbaÅŁ":138175,"CumhurbaÅŁkan":138176,"CumhurbaÅŁkanı":138177,"Ġnợ":138178,"à¸ľà¸¹à¹īà¹Ģลà¹Īà¸Ļ":138179,"Ġcomplète":138180,"à¹Ģà¸ŀศ":138181,"دÙIJ":138182,"Ġdüz":138183,"Ġdüzey":138184,"ãģ§ãģĤãĤĭãģĵãģ¨":138185,"extérieur":138186,"׳":138187,"Ġinformação":138188,"ãĤ¯ãĥªãĥĭãĥĥãĤ¯":138189,"ĠPubli":138190,"ĠPublié":138191,"ר×ķ×ĵ":138192,"à¸Ħà¸§à¸²à¸¡à¸Ľà¸¥à¸Ńà¸Ķà¸łà¸±à¸¢":138193,"ĠØ£ÙĬض":138194,"ĠØ£ÙĬضÙĭا":138195,"تسبب":138196,"ãģ¤ãĤĤãĤĬ":138197,"изма":138198,"à¸Ĥึà¹īà¸Ļà¹Ħà¸Ľ":138199,"ÙĥÙIJ":138200,"ÙĦÙĪÙħ":138201,"Ġשצר":138202,"Ġשצר×Ļ×ļ":138203,"ãģ¯ãĤĤãģ¡ãĤįãĤĵ":138204,"Ġкан":138205,"Ġканал":138206,"ãģ«ãģªãģ£ãģ¦ãģĦãģ¾ãģĻ":138207,"ĠاÙĦØ£Ùĥثر":138208,"تاØŃ":138209,"ÙĨتÙĩ":138210,"ÙĨتÙĩاء":138211,"اÙĪÙĬØ©":138212,"ĠBugün":138213,"нÑģкого":138214,"à¸Ķà¹Īวà¸Ļ":138215,"évolution":138216,"ãģ£ãģ¦ãģĦãģ¾ãģĹãģŁ":138217,"ãĤħ":138218,"ĠVÆ°Æ¡ng":138219,"à¸łà¸²à¸ŀย":138220,"à¸łà¸²à¸ŀยà¸Ļ":138221,"à¸łà¸²à¸ŀยà¸Ļà¸ķรà¹Į":138222,"Ġ×Ķצ׾×Ļ×Ĺ":138223,"ĠاÙĦإسÙĦاÙħÙĬ":138224,"ÙĦÙĬب":138225,"Ġedição":138226,"ÑģÑĤÑĢел":138227,"Ġkhúc":138228,"ÙĨÙħÙĪØ°":138229,"ÙĨÙħÙĪذج":138230,"׾צ×Ķ":138231,"ÑģÑĤавил":138232,"à¸ĸา":138233,"สรà¹īาà¸ĩà¸Ħวาม":138234,"ãģĦãģ£ãģ±":138235,"ãģĦãģ£ãģ±ãģĦ":138236,"ÑģÑĤавлен":138237,"ĠاÙĦÙĤدس":138238,"Ġngược":138239,"بخ":138240,"สหร":138241,"สหรั":138242,"สหรัà¸IJ":138243,"Ġأغ":138244,"Ġأغسط":138245,"Ġأغسطس":138246,"ãģĨãģ¾":138247,"ãģĨãģ¾ãģı":138248,"ĠêµŃìłľ":138249,"ØŃضار":138250,"Ġdừng":138251,"æĬ¼ãģĹ":138252,"تÙĪا":138253,"تÙĪاجد":138254,"ש×ŀ×Ĺ×Ķ":138255,"ãģıãĤĵ":138256,"Ġ×ijעצ":138257,"Ġ×ijעצ×Ŀ":138258,"×ŀ׳×Ļ×ķת":138259,"×ķ×Ļ×ĵ":138260,"×ķ×Ļ×ĵ×IJ×ķ":138261,"à¸Ĭิà¸ĩ":138262,"ĠpracÄĻ":138263,"ĠзаÑĤ":138264,"ĠзаÑĤем":138265,"ĠìŀIJìľł":138266,"Ġì¤Ģ":138267,"Ġì¤Ģë¹Ħ":138268,"ĠbáºŃ":138269,"ĠbáºŃc":138270,"Ġ×Ķ×ŀצ×ij":138271,"ĠÙĤÙĬÙħØ©":138272,"à¹Ģà¸Ńà¹Ģà¸Ĭ":138273,"à¹Ģà¸Ńà¹Ģà¸Ĭีย":138274,"Ġperchè":138275,"ĠاÙĦعسÙĥر":138276,"ĠاÙĦعسÙĥرÙĬØ©":138277,"جÙĬب":138278,"ëŀµ":138279,"ÙħÙĩر":138280,"ÙħÙĩرجاÙĨ":138281,"ÙħراÙĥ":138282,"ÙħراÙĥز":138283,"Ġоднако":138284,"à¸Ķีà¹Ĩ":138285,"Ġצפ×ķ":138286,"Ġkullanılan":138287,"Ġкино":138288,"ãĥĨãĤ£ãĥ³ãĤ°":138289,"ĠGiỼi":138290,"تÙĪز":138291,"تÙĪزÙĬع":138292,"ยิà¸Ļ":138293,"ยิà¸Ļà¸Ķี":138294,"ĠcÅĵur":138295,"ĠiÅŁaret":138296,"Ġ×ij×¢×ĸר":138297,"Ġ×ij×¢×ĸרת":138298,"ĠпаÑĨи":138299,"ĠпаÑĨиенÑĤ":138300,"ãģ¿ãģŁãģĦãģ§ãģĻ":138301,"вез":138302,"лина":138303,"оде":138304,"Ġ×IJ×ķ×ª×Ł":138305,"dıģınız":138306,"ĠÐIJв":138307,"ĠÐIJвÑĤоÑĢ":138308,"ï¼®":138309,"ĠCần":138310,"ĠاÙĦاخ":138311,"ĠاÙĦاخبار":138312,"Ġê±°ìĿĺ":138313,"Ġatenção":138314,"ĠgeldiÄŁi":138315,"ãĤªãĤ¹":138316,"ãĤªãĤ¹ãĤ¹":138317,"ãĤªãĤ¹ãĤ¹ãĥ¡":138318,"евÑĭе":138319,"кÑĢÑĭл":138320,"à¹Ģà¸Ĭียà¸ĩ":138321,"à¹Ģà¸Ĭียà¸ĩà¹ĥหมà¹Ī":138322,"Ġmarço":138323,"ĠاÙĦÙħادة":138324,"Ġгол":138325,"Ġsprzedaży":138326,"Ġíķ´ê²°":138327,"ĠÐķго":138328,"ê¹Ģ":138329,"Ġ׾ק×ij×ľ×ª":138330,"ĠاÙĦÙģÙĨاÙĨ":138331,"Ġcomunicación":138332,"à¹Ģสà¹īà¸Ļà¸Ĺาà¸ĩ":138333,"íĺ¹":138334,"à¸Ĭำ":138335,"à¸Ĭำระ":138336,"Ġ׼×IJ×ŀ":138337,"Ġ׼×IJ×ŀ×ķר":138338,"à¸Ĭà¹Īาà¸ĩ":138339,"زÙĩر":138340,"Ġklientów":138341,"иваÑİÑĤ":138342,"анг":138343,"׳×ļ":138344,"Ġgá»įn":138345,"ÃľR":138346,"ìĺģìĥģ":138347,"Ġغزة":138348,"ìĿĮìĿĦ":138349,"Ġbezpo":138350,"ĠbezpoÅĽ":138351,"ĠbezpoÅĽredni":138352,"ĠاÙĦÙħÙĪا":138353,"ĠاÙĦÙħÙĪاطÙĨ":138354,"ĠاÙĦÙħÙĪاطÙĨÙĬÙĨ":138355,"ãĤĮãģ¾ãģĻ":138356,"ĠмаÑĤÑĩ":138357,"×IJ×ķף":138358,"ĠرسÙħÙĬ":138359,"ĠÑįкон":138360,"ĠÑįконом":138361,"ĠÑįкономиÑĩеÑģк":138362,"ãĥľãĥ¼":138363,"ĠдиÑĢ":138364,"ĠдиÑĢекÑĤоÑĢ":138365,"ĠÑģкоÑĢо":138366,"à¸ļำ":138367,"à¸ļำร":138368,"à¸ļำรุà¸ĩ":138369,"ĠÑĦÑĥÑĤ":138370,"ĠÑĦÑĥÑĤбол":138371,"Ġ×IJ×Ļ׾":138372,"Ġì¤ijêµŃ":138373,"ìľ¤":138374,"eÄŁe":138375,"à¹Ħà¸ģà¹Ī":138376,"traî":138377,"traîn":138378,"ĠÑĤÑĢÑĥб":138379,"à¹Ģà¸ļื":138380,"à¹Ģà¸ļืà¹īà¸Ńà¸ĩ":138381,"à¹ģมà¸Ļ":138382,"ĠتØŃدÙĬØ«":138383,"Ġ×Ľ×¢×ª":138384,"ØŃاسب":138385,"lıģa":138386,"ק×Ļ×Ļ×ŀ×Ļ×Ŀ":138387,"оÑģÑĤÑĮÑİ":138388,"à¸Ŀั":138389,"à¸Ŀัà¹Īà¸ĩ":138390,"شغÙĦ":138391,"ìĽ¹":138392,"Ġкаждого":138393,"Ġbölümü":138394,"หà¸Ļี":138395,"ĠistediÄŁi":138396,"ĠtrÆ°ng":138397,"ãĥĮ":138398,"ฮà¸Ń":138399,"Ø£ÙĨØ´":138400,"Ø£ÙĨشطة":138401,"ĠاÙĦÙħسÙĬ":138402,"ĠاÙĦÙħسÙĬØŃ":138403,"ลัà¸ģษà¸ĵà¹Į":138404,"Ġná»Ńa":138405,"à¸Ĺีà¹Īà¸ķà¹īà¸Ńà¸ĩà¸ģาร":138406,"ÑĪек":138407,"лÑij":138408,"Ġש×Ļ×Ķ":138409,"Ġש×Ļ×Ķ×Ļ×Ķ":138410,"Ġkhuôn":138411,"ĠÑĤÑĢебованиÑı":138412,"Ġ×ľ×¢×ĸ×ķר":138413,"ĠاÙĦعÙħر":138414,"ราà¸Ħาà¸ĸูà¸ģ":138415,"ÙĩÙıÙħÙĴ":138416,"üst":138417,"üstü":138418,"Ġденег":138419,"Ġnạ":138420,"à¸Ĥà¸Ļม":138421,"Ġблаг":138422,"Ġблагод":138423,"ĠблагодаÑĢ":138424,"ĠблагодаÑĢÑı":138425,"إسÙĦاÙħ":138426,"à¸Ļิว":138427,"çŁ¥ãĤīãģªãģĦ":138428,"Ø«ÙĤØ©":138429,"ĠголоÑģ":138430,"×IJ×ķר×Ĺ":138431,"Ġtrứng":138432,"Ġодном":138433,"ĠkoÅĦcu":138434,"Ġ×ķרק":138435,"WiÄĻ":138436,"WiÄĻcej":138437,"Ġ×IJ×Ļ׼×ķת":138438,"Ġ×IJ×Ļ׼×ķת×Ļ":138439,"ÑģоÑģ":138440,"Ġjeżeli":138441,"以ä¸ĭãģ®":138442,"å°ıãģķ":138443,"å°ıãģķãģª":138444,"ологии":138445,"ĠобÑģлÑĥж":138446,"ĠобÑģлÑĥжива":138447,"Ùĥتابة":138448,"Ġê´Ģìĭ¬":138449,"עש×Ļר":138450,"Ġarasındaki":138451,"ĠÑĢайона":138452,"ÙĪاجب":138453,"Ġ×ij×Ĺ×Ļ×Ļ":138454,"íķ´ì£¼":138455,"Ġgóc":138456,"айл":138457,"ĠTình":138458,"æļ®ãĤī":138459,"æļ®ãĤīãģĹ":138460,"æĻĤãģ«ãģ¯":138461,"ĠгоÑĢоде":138462,"Ġ׼×IJ×Ļ׾":138463,"Ġ׼×IJ×Ļ׾×ķ":138464,"ĠCá»Ļng":138465,"ãģ©ãģĨãģĹãģ¦ãĤĤ":138466,"×Ĺ×ķ×£":138467,"تØŃرÙĥ":138468,"ĠÑģловам":138469,"à¸Īะà¸Ĭà¹Īวย":138470,"ĠاÙĦÙħستÙĤبÙĦ":138471,"ÙĤض":138472,"ÙĤضÙĬ":138473,"×ijס×ķפ":138474,"×ijס×ķפ×ķ":138475,"iÄĻÄĩ":138476,"ĠYıl":138477,"Ø´ÙĬØ®":138478,"à¸Ħุà¸ĵà¸Īะ":138479,"ש×ŀ×ķת":138480,"Ġتعرض":138481,"Ġanálise":138482,"ĠÑģобиÑĢа":138483,"à¹Ģà¸ŀà¸Ĭ":138484,"à¹Ģà¸ŀà¸Ĭร":138485,"Ġвели":138486,"Ġвелик":138487,"สัà¹īà¸Ļ":138488,"Ġpopulação":138489,"รà¹Īวมà¸ģัà¸Ļ":138490,"×Ĺ×ŀ":138491,"×Ĺ×ŀ×Ļש×Ļ":138492,"ס×Ļס":138493,"åĨħãģ§":138494,"ĠsobÄħ":138495,"ĠYay":138496,"ĠYayın":138497,"ãĥ¡ãĥĭãĥ¥ãĥ¼":138498,"ĠпÑĢедоÑģÑĤавлÑı":138499,"ãģłãģ¨æĢĿãģĨ":138500,"Ġê³łê°Ŀ":138501,"Ġодним":138502,"à¹ĥà¸Ļà¹Ģรืà¹Īà¸Ńà¸ĩ":138503,"Ġsá»ķ":138504,"ĠÐĹдеÑģÑĮ":138505,"ĠизменениÑı":138506,"ĠìĿ¼ìĿĦ":138507,"ãģªãģ®ãģł":138508,"кладÑĭва":138509,"ÑĢма":138510,"Ġ×ķ×ij׼׾":138511,"تأÙħÙĬÙĨ":138512,"ĠпÑĢиÑıÑĤ":138513,"ĠпÑĢиÑıÑĤн":138514,"ÙħÙħار":138515,"ÙħÙħارسة":138516,"ãģ¨ãģªãģ£ãģ¦":138517,"ĠجÙħÙĬÙĦ":138518,"Ġì§Ī":138519,"Ġì§Ī문":138520,"Ġquestão":138521,"ié":138522,"iéndo":138523,"หà¹īà¸Ńà¸ĩà¸ŀัà¸ģ":138524,"ãĥijãĥ¼ãĥĪ":138525,"ÑĤвеÑĢжда":138526,"нÑģкой":138527,"зал":138528,"มุà¹Īà¸ĩ":138529,"á»Ĭ":138530,"Ġ×Ķ×IJ×Ĺר×ķ׳×Ķ":138531,"ĠThÆ°":138532,"주민":138533,"ĠاÙĦعب":138534,"évén":138535,"événement":138536,"ÙĤÙĪاعد":138537,"دÙı":138538,"ĠìķĬìĬµëĭĪëĭ¤":138539,"Ġ보기":138540,"Ġyapılması":138541,"à¹Ģราà¸ģ":138542,"à¹Ģราà¸ģà¹ĩ":138543,"ØŃذر":138544,"ÙĤصر":138545,"ãģ¦ãģĹãģ¾ãģĦãģ¾ãģĹãģŁ":138546,"Ġà¹Ģà¸Ľà¹ĩà¸Ļà¸ķà¹īà¸Ļ":138547,"ãģ¨ãģ«":138548,"ãģ¨ãģ«ãģĭ":138549,"ãģ¨ãģ«ãģĭãģı":138550,"нÑĨе":138551,"звÑĥк":138552,"ãģĹãĤĪãģĨãģ¨":138553,"ĠاÙĦصØŃÙĬØ©":138554,"Ġש×Ķ×Ļ×ķ":138555,"ĠDiÄŁer":138556,"ÙĤÙĦÙĤ":138557,"ãĤ¸ãĥ£ãĥ³":138558,"Ġrá»Ŀi":138559,"ĠлеÑĩ":138560,"ĠлеÑĩениÑı":138561,"تباد":138562,"تبادÙĦ":138563,"צפ×Ķ":138564,"à¸Ħวามà¹Ģหà¹ĩà¸Ļ":138565,"Ġشب":138566,"ĠشبÙĥØ©":138567,"ר×Ļק":138568,"Ùħعد":138569,"Ùħعدات":138570,"dıģında":138571,"Ġ×ijש׳×Ļ×Ŀ":138572,"Ġ×Ķ×Ļשר×IJ׾":138573,"Ġ×Ķ×Ļשר×IJ׾×Ļת":138574,"Ġsınav":138575,"׳צ×Ļ×Ĵ":138576,"วัà¸ķà¸ĸุ":138577,"ĠاÙĦبرÙĦÙħ":138578,"ĠاÙĦبرÙĦÙħاÙĨ":138579,"tivitÃł":138580,"ãĤĵãģłãĤįãģĨ":138581,"ק×Ļ×Ļ×ŀ":138582,"ÙĦÙĬÙĥ":138583,"ĠÄijò":138584,"ĠÄijòi":138585,"ĠÐĺнÑĤеÑĢ":138586,"ĠÐĺнÑĤеÑĢнеÑĤ":138587,"ãģ«ãģ¨ãģ£ãģ¦ãģ¯":138588,"ãģ£ãģĵ":138589,"ק×ķס":138590,"ستØŃÙĤ":138591,"æķĻãģĪãģ¦":138592,"ãĥĢãĥ¡":138593,"ĠÙħÙĨزÙĦ":138594,"à¹Ģà¸ĭà¹ĩà¸Ļ":138595,"使ãģĪãĤĭ":138596,"è¦ĭç©į":138597,"è¦ĭç©įãĤĤãĤĬ":138598,"Ø£Ùģ":138599,"Ø£ÙģÙĥار":138600,"ĠигÑĢов":138601,"ĠигÑĢовÑĭе":138602,"ĠmÄĻż":138603,"ĠmÄĻżczy":138604,"ĠmÄĻżczyzn":138605,"ĠاÙĦØŃÙĤÙĬÙĤÙĬ":138606,"عبر":138607,"׼×ķ׾׳×ķ":138608,"íĿ¥":138609,"×ŀ×IJ×ķ×Ĺר":138610,"ختص":138611,"ãĥŀãĥŀ":138612,"Ġ×IJ×Ĺ×ķ×ĸ":138613,"íĮĢ":138614,"Ġrá»iji":138615,"ĠвÑĤоÑĢ":138616,"ĠвÑĤоÑĢой":138617,"Ġlẫn":138618,"пÑĢом":138619,"пÑĢомÑĭÑĪ":138620,"пÑĢомÑĭÑĪлен":138621,"пÑĢомÑĭÑĪленн":138622,"ĠоÑĤноÑĪениÑı":138623,"Ġsứ":138624,"ĠмобилÑĮ":138625,"ĠмобилÑĮн":138626,"ĠÑįÑĤомÑĥ":138627,"Ġtạp":138628,"ĠìĤ¬ê±´":138629,"ĠìķĮ볤":138630,"ÙĥÙı":138631,"ÙĥÙıÙħÙĴ":138632,"Ġק×ķר×Ķ":138633,"ĠÑĦиÑĢ":138634,"ĠÑĦиÑĢм":138635,"Ġsıkıntı":138636,"׳׼":138637,"׳׼×ķף":138638,"ÙĪÙĦÙĪجÙĬ":138639,"ØŃاÙĨ":138640,"Ġloạn":138641,"Ġ×IJ×ľ×£":138642,"Ġmắn":138643,"abhäng":138644,"abhängig":138645,"ĠÑĥÑĢовнÑı":138646,"Ġ׾×ij×ĵ×ķק":138647,"ÙĬÙħÙĨ":138648,"layın":138649,"Ġhải":138650,"Ġзавод":138651,"ĠìķĦ주":138652,"สà¸ĸา":138653,"สà¸ĸาà¸ļัà¸Ļ":138654,"Ġgüvenlik":138655,"à¹Ģà¸Ķà¹Īà¸Ļ":138656,"×ij×ĵק":138657,"ĠëĪ":138658,"ĠëĪĦ":138659,"ĠëĪĦ구":138660,"éĩįè¦ģãģª":138661,"รà¸Ńà¸ĩรัà¸ļ":138662,"schlie":138663,"schlieÃŁen":138664,"Ġìĸ¼":138665,"Ġìĸ¼ë§Ī":138666,"Ġìĸ¼ë§ĪëĤĺ":138667,"ÑĤики":138668,"íķľëĭ¤ê³ł":138669,"ãģłãģ£ãģŁãĤī":138670,"Ġ×Ķ×Ļ×ĺ×ij":138671,"ãģªãģijãĤĮãģ°ãģªãĤīãģªãģĦ":138672,"âÌ":138673,"ậ":138674,"Ġphạt":138675,"akÄ±ÅŁ":138676,"ãģ¦ãģĹãģ¾ãģĦãģ¾ãģĻ":138677,"à¹Ģà¸ĭà¹ĩ":138678,"ĠСегоднÑı":138679,"Ġinsanların":138680,"Ġdéveloppe":138681,"תפר":138682,"תפר×Ļ×ĺ":138683,"اÙĨتشار":138684,"ê°ij":138685,"François":138686,"Ø£ÙĦع":138687,"Ø£ÙĦعاب":138688,"ãĤĴè¶ħ":138689,"ãĤĴè¶ħãģĪ":138690,"Ġê°ĻìĬµëĭĪëĭ¤":138691,"ãĤ³ãĥ¬":138692,"ĠмеÑģÑıÑĨев":138693,"íĮħ":138694,"ĠاÙĦجاÙħعة":138695,"ìĿ¸íĦ°":138696,"ìĿ¸íĦ°ëĦ·":138697,"×ĵר×ķש":138698,"ĠÙĪأشار":138699,"ĠпÑĢавила":138700,"ãģĿãģĵãģ«":138701,"×Ĺ×ŀ×ĵ":138702,"à¹Ģหà¸ķุà¸ģารà¸ĵà¹Į":138703,"Ġê²½íĹĺ":138704,"ãģ¶ãĤĬ":138705,"׾ש":138706,"׾ש×ķף":138707,"à¹Ģà¸ĸ":138708,"ĠDoÄŁu":138709,"ĠиÑģполÑĮзование":138710,"ĠçocuÄŁu":138711,"магазине":138712,"ĠÄijiá»ĥn":138713,"Ġaslı":138714,"Ġaslında":138715,"Ġdoença":138716,"Ġساع":138717,"Ġساعات":138718,"ĠиÑģполÑĮзованиÑı":138719,"ר×ķצ×Ļ×Ŀ":138720,"ĠзнаÑĩиÑĤ":138721,"ĠÑĢам":138722,"ĠÑĢамкаÑħ":138723,"거리":138724,"ĠпÑĭÑĤа":138725,"ãĥģãĥ³":138726,"ĠпоÑģк":138727,"ĠпоÑģколÑĮ":138728,"ĠпоÑģколÑĮкÑĥ":138729,"إبر":138730,"إبراÙĩ":138731,"إبراÙĩÙĬÙħ":138732,"ĠÑĤÑĢеÑħ":138733,"ĠGenç":138734,"سÙĪÙģ":138735,"ĠveÃŃculo":138736,"ĠNgân":138737,"ĠоÑĩеÑĢедÑĮ":138738,"à¸Ħรึà¹Īà¸ĩ":138739,"×IJ×ij×Ļ":138740,"à¸ķà¹īม":138741,"ãĤĴè¡ĮãģĦ":138742,"ĠاÙĦسابÙĤØ©":138743,"наÑĨи":138744,"наÑĨиона":138745,"наÑĨионалÑĮн":138746,"Ġgestión":138747,"تÙĤد":138748,"ĠاÙĦبÙĬاÙĨ":138749,"ĠاÙĦبÙĬاÙĨات":138750,"ĠاÙĦاÙĨتخاب":138751,"ĠاÙĦاÙĨتخابات":138752,"à¹Ģà¸Ĭà¹Īา":138753,"×ĵ×IJ×Ĵ":138754,"Ġ׾×Ĵ×ŀר×Ļ":138755,"ĠتØŃتاج":138756,"Ġthôn":138757,"à¸ķà¹īà¸Ńà¸Ļ":138758,"à¸ķà¹īà¸Ńà¸Ļรัà¸ļ":138759,"女ãģ®":138760,"女ãģ®åŃIJ":138761,"Ġthợ":138762,"Ø·ØŃÙĨ":138763,"ารà¹Įà¸Ķ":138764,"ת×ŀ×Ļ×ĵ":138765,"ĠÑģамÑĭм":138766,"Ġìĭľíĸī":138767,"إصد":138768,"إصدار":138769,"ĠNghá»ĩ":138770,"ìķķ":138771,"سئ":138772,"سئÙĦ":138773,"à¸Ńาร":138774,"à¸Ńารม":138775,"à¸Ńารมà¸ĵà¹Į":138776,"à¹ģฮ":138777,"׳×ĺ׾":138778,"Ġì¢ĭìķĦ":138779,"×ķ׾׾":138780,"Ġ×ij×Ľ×ª×ij":138781,"ãĤ«ãĥ©":138782,"צע×Ļר×Ļ×Ŀ":138783,"تعبÙĬر":138784,"Ġ×ŀקר×Ķ":138785,"ĠÑĦакÑĤоÑĢ":138786,"ĠتÙħاÙħ":138787,"ĠتÙħاÙħا":138788,"ëįķ":138789,"ĠvÆ°á»Ŀ":138790,"ĠvÆ°á»Ŀn":138791,"ĠdÄ±ÅŁÄ±":138792,"ãģĦãģ¡":138793,"Ġ׾ק׳×ķת":138794,"ĠاÙĦعÙĦاÙĤات":138795,"пÑĥб":138796,"пÑĥбли":138797,"Ø¥ÙĬÙħ":138798,"Ø¥ÙĬÙħاÙĨ":138799,"à¸Ńำà¸Ļา":138800,"à¸Ńำà¸Ļาà¸Ī":138801,"åIJ«ãģ¾ãĤĮ":138802,"ãĤĭãģŁãĤģãģ«":138803,"ס×Ĵ":138804,"ס×Ĵ׳×ķף":138805,"تØŃدÙĬ":138806,"Ġauprès":138807,"ĠاÙĦجÙĩا":138808,"ĠاÙĦجÙĩاز":138809,"Ġ×ŀת×Ĺת":138810,"еннÑĥÑİ":138811,"Ġзим":138812,"à¸ģาà¹ģà¸Ł":138813,"Ġ×ijת×ķר":138814,"Ġnghè":138815,"Ġnghèo":138816,"ĠÐĽÑİ":138817,"ĠÐĽÑİб":138818,"תקצ×Ļ×ij":138819,"×ŀעש×Ķ":138820,"ĠاÙĦبÙĬت":138821,"צ×Ļפ":138822,"ĠобÑıзан":138823,"ĠMá»Ĺi":138824,"ĠТÑĥÑĢ":138825,"ĠÙĪباÙĦت":138826,"ĠÙĪباÙĦتاÙĦÙĬ":138827,"Ġdécision":138828,"Ġبد":138829,"Ġبدأت":138830,"Ġcục":138831,"Ġbask":138832,"Ġbaskı":138833,"Ġhatırl":138834,"Ġhatırla":138835,"å°ıãģķãģĦ":138836,"Ġgerçekten":138837,"à¸ľà¸±à¸ģ":138838,"åı¯èĥ½ãģª":138839,"×ŀ×IJס":138840,"ĠcrÃŃtica":138841,"ĠìĿĺìĽIJ":138842,"عÙĤÙĪد":138843,"×ĺ׼׳":138844,"×ĺ׼׳×ķ׾×ķ×Ĵ×Ļ×Ķ":138845,"è¨ĢãģĪãģ°":138846,"ĠÙĤÙĨا":138847,"ĠÙĤÙĨاة":138848,"ĠìĿ´ê²ĥìĿĢ":138849,"تصر":138850,"à¸Łà¸±à¸Ļ":138851,"ĠÑĢеÑĨеп":138852,"ĠÑĢеÑĨепÑĤ":138853,"ĠبÙĨÙģس":138854,"ÑĢоÑĪ":138855,"ĠмаÑĢÑĤа":138856,"Ġsonras":138857,"Ġsonrası":138858,"×ķ×ijש":138859,"ãĥªãĤ¹ãĤ¯":138860,"ĠFrançais":138861,"á»ļ":138862,"ê°Ķ":138863,"Ġ×Ķ×ijר×Ļת":138864,"פ×Ļצ":138865,"פ×Ļצ×ķ×Ļ":138866,"ĠÙĦÙħاذا":138867,"ĠÐļиев":138868,"ĠÑģмÑĭÑģл":138869,"ê¸Īìľµ":138870,"ãĤ·ãĥ£ãĥ«":138871,"ãĥ©ãĤ¤ãĥĪ":138872,"ìĽĥ":138873,"×ŀ×Ĺר":138874,"ãĨį":138875,"Ġkullanım":138876,"Ġ×IJצ׾׳×ķ":138877,"ĠtÃłn":138878,"ãĥıãĥ¼":138879,"ãģ¨ãģ¨ãĤĤ":138880,"ãģ¨ãģ¨ãĤĤãģ«":138881,"ÑĢег":138882,"ÑĢеги":138883,"ÑĢегион":138884,"ãģªãģıãģªãĤĭ":138885,"Ġchảy":138886,"ĠجÙĩØ©":138887,"ÅĦskiej":138888,"à¸Ńีà¹Ģม":138889,"à¸Ńีà¹Ģมล":138890,"ãģįãģ£ãģ¨":138891,"ĠìĺĪìĤ°":138892,"Ġkitabı":138893,"Ġeducação":138894,"ĠbuluÅŁ":138895,"ологиÑı":138896,"ĠконкÑĢ":138897,"ĠконкÑĢеÑĤ":138898,"×Ĵ×Ļר":138899,"ĠпÑĢедлаг":138900,"ĠпÑĢедлагаеÑĤ":138901,"ĠYên":138902,"Ġíķľë²Ī":138903,"Ġ×ŀר׼×ĸ×Ļ":138904,"à¹Ģà¸Ľà¸´à¸Ķà¹Ģà¸ľà¸¢":138905,"ÑĤвеÑĢд":138906,"ĠHá»ĩ":138907,"ĠÐĵÑĢ":138908,"à¸Ŀà¹īา":138909,"×Ķשק":138910,"×Ķשקע×Ķ":138911,"ĠнаÑĥк":138912,"ìłIJìĿĦ":138913,"ĠнелÑĮ":138914,"ĠнелÑĮз":138915,"ĠнелÑĮзÑı":138916,"гин":138917,"ĠBöl":138918,"ĠBölge":138919,"Ġвла":138920,"ĠвлаÑģÑĤи":138921,"à¹Ģà¸Ļà¹ĩ":138922,"à¹Ģà¸Ļà¹ĩà¸ķ":138923,"골":138924,"Ġöld":138925,"Ġöldür":138926,"×Ľ×ł×¢":138927,"ĠاÙĦÙĩÙĬئة":138928,"تارÙĬØ®":138929,"ĠÐijÑĢ":138930,"ĠÑģмож":138931,"ĠÑģможеÑĤе":138932,"ĠLúc":138933,"à¹Ħà¸Ľà¸ĸึà¸ĩ":138934,"ĠBakanı":138935,"Ġerklärt":138936,"ĠÐIJна":138937,"Ġscène":138938,"åķıãģĦ":138939,"åķıãģĦåIJĪãĤıãģĽ":138940,"ÙħÙĩÙĨد":138941,"ÙħÙĩÙĨدس":138942,"Ġназвание":138943,"иваниÑı":138944,"ãĤĴå¤īãģĪ":138945,"ä»ĺãģįåIJĪ":138946,"ãĥijãĤ½":138947,"ãĥijãĤ½ãĤ³ãĥ³":138948,"æĺİãĤī":138949,"æĺİãĤīãģĭ":138950,"à¹Ģà¸Ńà¸ģสาร":138951,"à¹Ģà¸ģิà¸Ļà¹Ħà¸Ľ":138952,"леп":138953,"ãģĹãģŁãĤĤãģ®":138954,"ĠCâm":138955,"ĠCâmara":138956,"ק×ķ׾׳×ķ×¢":138957,"Ġ×ij×Ĵ×Ļף":138958,"Ġoczy":138959,"ĠoczywiÅĽcie":138960,"attivitÃł":138961,"ãĥĵãĥ¥ãĥ¼":138962,"Ġeducación":138963,"Ä°YE":138964,"ê¹ĮìļĶ":138965,"ãĤ¨ãĥªãĤ¢":138966,"неÑģÑĤи":138967,"Ġmóg":138968,"ĠmógÅĤ":138969,"Ġק×ĺ׳×Ļ×Ŀ":138970,"ĠPrä":138971,"Ġ×ľ×¢×ij×ķר":138972,"بÙĨÙī":138973,"зол":138974,"золоÑĤ":138975,"ĠwnÄĻtr":138976,"ĠwnÄĻtrz":138977,"Ġconstrução":138978,"รัà¸ļรà¸Ńà¸ĩ":138979,"سجÙĨ":138980,"Ġק×ķ׳":138981,"ס×Ļפ×ķר":138982,"ĠÙħدÙī":138983,"رضÙī":138984,"плав":138985,"ï¼¥":138986,"Ġila":138987,"Ġilaç":138988,"ãĤĭãģ¹ãģį":138989,"ĠÙħÙĪÙĤÙģ":138990,"à¸ģรุ":138991,"à¸ģรุà¸ĵา":138992,"chodzÄħc":138993,"ĠÑĤÑĭÑģ":138994,"ÐķвÑĢо":138995,"ĠÙĬØŃدث":138996,"ãĥ¡ãĤ¤ãĥ³":138997,"ĠاÙĦصØŃÙĬ":138998,"ĠÐĶан":138999,"دعاء":139000,"ãĤ´ãĥ¼ãĥ«":139001,"×©×ł×ª×Ļ":139002,"×©×ł×ª×Ļ×Ļ×Ŀ":139003,"à¸Ķà¹īวยà¸ģัà¸Ļ":139004,"Ġolacaģı":139005,"Ġ×ij×ŀ×Ĺ×Ļר":139006,"×Ķק":139007,"×Ķק×ŀת":139008,"ãĥ¢ãĥİ":139009,"ĠçalÄ±ÅŁtı":139010,"Ġjóvenes":139011,"ãģĦãģıãĤī":139012,"ĠÙħعدÙĦ":139013,"ĠCÅ©ng":139014,"ĠSegún":139015,"Ġdönemde":139016,"Ġ׾×Ļ×ĵ×Ļ":139017,"ãģįãģ¡":139018,"ãģįãģ¡ãĤĵ":139019,"ãģįãģ¡ãĤĵãģ¨":139020,"ÙģرÙĨس":139021,"ÙģرÙĨسا":139022,"åIJijãģį":139023,"Ġcampaña":139024,"ĠÑģамоÑģÑĤоÑı":139025,"ĠÑģамоÑģÑĤоÑıÑĤелÑĮно":139026,"á»Ģ":139027,"ÙĤÙĪا":139028,"سÙĦاØŃ":139029,"à¸ģระà¹ģ":139030,"à¸ģระà¹ģส":139031,"ĠполÑĮзÑĥ":139032,"nqu":139033,"nquête":139034,"รà¹Īวมà¸ģัà¸ļ":139035,"ëĬIJëĥIJ":139036,"à¸Ĺีมà¸Ĭาà¸ķิ":139037,"Ġyıllık":139038,"ìĬ¬":139039,"ĠأصØŃاب":139040,"illé":139041,"Ġdóla":139042,"Ġdólares":139043,"Ġкож":139044,"Ġкожи":139045,"ลà¹īà¸Ń":139046,"à¹Ģรียà¸ļร":139047,"à¹Ģรียà¸ļรà¹īà¸Ńย":139048,"à¹Ģà¸ŀิ":139049,"à¹Ģà¸ŀิà¹Īà¸ĩ":139050,"ÑĢиÑĤоÑĢи":139051,"Ġíijľ":139052,"ĠíijľíĺĦ":139053,"ĠпеÑĢев":139054,"ĠпеÑĢевод":139055,"פ×Ĵ×Ļ×¢×Ķ":139056,"ĠdeÄŁerlendirme":139057,"Ùģائ":139058,"ĠвÑĭгод":139059,"ınızı":139060,"×ķ׼×Ļ×Ĺ":139061,"ĠдоÑģÑĤиг":139062,"ĠngÃłn":139063,"æĢĿãģ£ãģŁ":139064,"ĠÐķÑģÑĤÑĮ":139065,"ĠاÙĦرغÙħ":139066,"ĠzwiÄħzane":139067,"ربط":139068,"à¸Ļึà¸ĩ":139069,"Ġ׾×Ĺ×ķק":139070,"Ġszczególn":139071,"Ġszczególnie":139072,"ĠباستخداÙħ":139073,"ĠfÃŃsico":139074,"עס":139075,"עס×ķק":139076,"سÙĦÙĪÙĥ":139077,"ĠاØŃد":139078,"ÑĩÑijÑĤ":139079,"×ĸ׼×Ķ":139080,"Ġlá»ĩnh":139081,"ĠÙĪØŃت":139082,"ĠÙĪØŃتÙī":139083,"à¸Ħวามสามารà¸ĸ":139084,"à¸Ńยูà¹Īà¹ģลà¹īว":139085,"à¸ģารà¹Ģà¸Ķิà¸Ļà¸Ĺาà¸ĩ":139086,"تخذ":139087,"צ×Ļ×ķ×ĵ":139088,"ĠاÙĦأس":139089,"ĠاÙĦأسÙĩÙħ":139090,"Ġtá»ĩ":139091,"ãģ£ãģ¦ãģĦãģ¦":139092,"สรุ":139093,"à¸ªà¸£à¸¸à¸Ľ":139094,"ĠкомÑĦ":139095,"ĠкомÑĦоÑĢÑĤ":139096,"ìĺ¤ëĬĶ":139097,"ĠÑĢазв":139098,"ĠÑĢазвива":139099,"ланд":139100,"hänge":139101,"ĠبÙĨسبة":139102,"à¹Ģà¸Ĥียว":139103,"עצ×Ŀ":139104,"Ġ×ľ×ľ×Ľ×ª":139105,"ÑģоÑĨиалÑĮн":139106,"Ġëĭ¤ìĿĮê³¼":139107,"Ġרש×ķ×ŀ":139108,"×ŀר×Ĺ×ij":139109,"سÙĤØ·":139110,"Ġalanı":139111,"ĠÄijá»ĩ":139112,"é£Łãģ¹ãĤĭ":139113,"à¸Ķึà¸ĩ":139114,"Ġgegenüber":139115,"ĠبÙĩØ°Ùĩ":139116,"à¸ĸืà¸Ńà¹Ģà¸Ľà¹ĩà¸Ļ":139117,"ëķħ":139118,"à¸Ħà¸Ļà¹Ħà¸Ĺย":139119,"ãĤ¢ãĤ¦":139120,"ãĤ¢ãĤ¦ãĥĪ":139121,"ศัà¸ģ":139122,"ศัà¸ģà¸Ķิ":139123,"ศัà¸ģà¸Ķิà¹Į":139124,"ÙĤÙĪاÙĨ":139125,"ÙĤÙĪاÙĨÙĬÙĨ":139126,"Ġhá»Ļp":139127,"ãģªãģıãģªãģ£ãģ¦":139128,"Ġ×IJ×ŀ׳":139129,"Ġ×IJ×ŀ׳×Ŀ":139130,"à¹Ģà¸ķืà¸Ńà¸Ļ":139131,"ĠзавиÑģим":139132,"ĠзавиÑģимоÑģÑĤи":139133,"ת×Ļ×IJ":139134,"ת×Ļ×IJ×ķר":139135,"å§ĭãĤģãģŁ":139136,"Ġngá»į":139137,"Ġngá»įt":139138,"íĴį":139139,"ê³¼ìŀ¥":139140,"Ġbại":139141,"ãģ§ãģįãģ¦":139142,"Ġcomeçar":139143,"à¸Ľà¸£à¸²à¸ģ":139144,"à¸Ľà¸£à¸²à¸ģà¸ı":139145,"ĠгодÑĭ":139146,"меÑģ":139147,"ĠاÙĦÙħستÙĪÙī":139148,"ĠÑģамÑĭе":139149,"ллеÑĢ":139150,"ãģ£ãģ¦ãģĹãģ¾ãģĦãģ¾ãģĻ":139151,"ãģ¨ãģ®ãģĵãģ¨":139152,"bió":139153,"à¸ģลà¹Īà¸Ńà¸ĩ":139154,"ĠاÙĦزÙĪج":139155,"ãģ«è¡Įãģ£ãģŁ":139156,"à¸Ħà¹Īà¸Ńà¸Ļ":139157,"à¸Ħà¹Īà¸Ńà¸Ļà¸Ĥà¹īาà¸ĩ":139158,"ĠbaÄŁl":139159,"ĠbaÄŁlant":139160,"ĠbaÄŁlantı":139161,"確ãģĭ":139162,"確ãģĭãģ«":139163,"ãĥľãĥ¼ãĥ«":139164,"çµĤãĤıãĤĬ":139165,"ש×ŀר":139166,"à¸Ĺีà¹Īสามารà¸ĸ":139167,"ÙĦزÙħ":139168,"даеÑĤÑģÑı":139169,"รัà¸ļà¸Ľà¸£à¸°":139170,"รัà¸ļà¸Ľà¸£à¸°à¸Ĺาà¸Ļ":139171,"å¤īãĤıãĤĬ":139172,"ï¼¢":139173,"ĠìĺĪìĪĺëĭĺ":139174,"ãĤĪãģĨãģ¨":139175,"มัà¸ģà¸Īะ":139176,"ĠHÆ°Æ¡ng":139177,"ÙĨÙģØ°":139178,"×ŀ×ĵ×ĵ":139179,"ĠìĿ¸ìłķ":139180,"ÑħодиÑĤÑĮ":139181,"ĠзавиÑģиÑĤ":139182,"×ķ×ĵ×Ļ×¢":139183,"ãģĵãģ¨ãģĮãģĤãĤĬãģ¾ãģĻ":139184,"عراÙĤ":139185,"سطØŃ":139186,"à¸ģำà¹Ħร":139187,"ëĵ¤ëıĦ":139188,"×Ļצ×Ļר×Ķ":139189,"ãģĨãģĵãģ¨":139190,"ÙĦاØŃÙĤ":139191,"ãģĦãĤĮãģ°":139192,"ĠиÑģполÑĮзÑĥÑİÑĤ":139193,"ĠBợi":139194,"Ġשק׾×Ļ×Ŀ":139195,"ÑĨикл":139196,"ÐIJÐŀ":139197,"Ġ×ijש׳×Ķ":139198,"ÙĨشط":139199,"Ġש×Ļ׳×ķ×Ļ":139200,"Ġש×Ļ׳×ķ×Ļ×Ļ×Ŀ":139201,"Ġpoblación":139202,"ĠHÆ°ng":139203,"ระว":139204,"ระวัà¸ĩ":139205,"رÙĬاضة":139206,"رصد":139207,"تÙĤÙĦÙĬ":139208,"تÙĤÙĦÙĬد":139209,"Ġülkem":139210,"Ġülkemiz":139211,"à¸Ĭะ":139212,"ãĤ¯ãĥªãĥ¼ãĥł":139213,"èģŀãģĦãģŁ":139214,"Ġważ":139215,"Ġważne":139216,"ê±°ëĵł":139217,"ê±°ëĵłìļĶ":139218,"×ŀ×IJ×ijק":139219,"×Ĺ×ĵש×ķת":139220,"ĠWroc":139221,"ĠWrocÅĤaw":139222,"ĠKültür":139223,"sist":139224,"sistência":139225,"×¢×ĸר×Ķ":139226,"ĠgÆ°Æ¡ng":139227,"รà¹īาà¸Ļà¸Ħà¹īา":139228,"ĠÙĪØ£ÙĪضØŃ":139229,"ándose":139230,"ãĤ·ãĥ¼ãĥ³":139231,"×IJ׳ר×Ĵ":139232,"×IJ׳ר×Ĵ×Ļ×Ķ":139233,"ãģªãģĦãģ§ãģĻ":139234,"Ġkhủng":139235,"Ġ문ìĦľ":139236,"Ġ×ij×ĵ×ijר":139237,"×ĵ×Ļ×ķ":139238,"×ĵ×Ļ×ķ×ķ×Ĺ":139239,"Ġrégl":139240,"ÙħÙĪاد":139241,"обоÑĢ":139242,"обоÑĢоÑĤ":139243,"Ġ×Ķ×ij׾":139244,"Ġ×Ķ×ij׾×ķ×Ĵ":139245,"ØŃاÙħ":139246,"ĠاÙĦعاص":139247,"ĠاÙĦعاصÙħØ©":139248,"пеÑĢаÑĤоÑĢ":139249,"تخÙĦ":139250,"تخÙĦص":139251,"ãģŁãģłãģĹ":139252,"تسÙħ":139253,"à¹Ĥรà¸ĩà¸ŀ":139254,"à¹Ĥรà¸ĩà¸ŀยา":139255,"à¹Ĥรà¸ĩà¸ŀยาà¸ļาล":139256,"ĠYük":139257,"ĠYüksek":139258,"Ġש׳×Ļת":139259,"Ġש׳×Ļ×ª×Ł":139260,"liÄŁe":139261,"Ġפת":139262,"Ġפת×ķ×Ĺ":139263,"ĠbeÄŁ":139264,"ĠbeÄŁen":139265,"Ġ×ŀ×ķר":139266,"Ġ×ŀ×ķר׼×ij":139267,"ĠرساÙĦØ©":139268,"íĨµìĭł":139269,"Ġavalia":139270,"Ġavaliações":139271,"Ġmanh":139272,"Ġmanhã":139273,"Ġìķŀ":139274,"Ġìķŀìľ¼ë¡ľ":139275,"ÙĤتر":139276,"ÙĤترØŃ":139277,"à¹Ģà¸ģืà¸Ń":139278,"à¹Ģà¸ģืà¸Ńà¸ļ":139279,"Ġproposé":139280,"Ø£Ùħا":139281,"Ø£ÙħاÙĥÙĨ":139282,"ĠÐŀÐŀ":139283,"ĠÐŀÐŀÐŀ":139284,"ÙħÙĤار":139285,"ÙħÙĤارÙĨØ©":139286,"ëĦIJ":139287,"ãģĦãģŁãģłãģı":139288,"ÙĤÙĬÙĦ":139289,"ĠнаÑĪиÑħ":139290,"ãĤ«ãĥĥãĥĹ":139291,"×Ĺ×ľ×ª":139292,"Ġëĭ¤ë§Į":139293,"à¸Ĺัà¹Īวà¹Ĥลà¸ģ":139294,"ãĥįãĤ¿":139295,"ØŃساس":139296,"ãģ«ãģªãĤĮ":139297,"جائ":139298,"جائزة":139299,"échange":139300,"économ":139301,"économie":139302,"ТÐĺ":139303,"×¡×ª×Ľ×ľ":139304,"à¸Ĺัà¹īà¸ĩสà¸Ńà¸ĩ":139305,"ĠاÙĦخاÙħ":139306,"ĠاÙĦخاÙħس":139307,"ק×ĺ×¢":139308,"auważ":139309,"à¸ľà¸¹à¹īà¸Ĭาย":139310,"à¹ģà¸Ľà¸¥à¸ģ":139311,"åIJĮæĻĤãģ«":139312,"знаниÑı":139313,"ãģĦãģŁãģłãģįãģ¾ãģĹãģŁ":139314,"Ġ×ŀ×ij׾×Ļ":139315,"à¸Ĥà¸Ńà¹ĥหà¹ī":139316,"ĠاÙĦتربÙĬØ©":139317,"Ġdécouvert":139318,"Ġżyciu":139319,"après":139320,"Ġyab":139321,"Ġyabanc":139322,"Ġyabancı":139323,"ĠbaÅŁlayan":139324,"ìĹĪëįĺ":139325,"Ġhesabı":139326,"Ġë§Įìķ½":139327,"ë§Īëĭ¤":139328,"ĠThánh":139329,"ãĥ´ãĤ¡":139330,"à¸Ľà¸£à¸±à¸ļà¸Ľà¸£":139331,"à¸Ľà¸£à¸±à¸ļà¸Ľà¸£à¸¸à¸ĩ":139332,"ĠMặc":139333,"à¹Ģหà¸ķà¸¸à¸ľà¸¥":139334,"ĠÐijез":139335,"ĠcapacitÃł":139336,"ÅĤeÅĽ":139337,"ĠпÑĢеим":139338,"ĠпÑĢеимÑĥÑīеÑģÑĤв":139339,"ĠÅļwiÄĻt":139340,"Ġpublié":139341,"×ŀעצ×ij":139342,"ÙħشارÙĥات":139343,"à¸łà¸²à¸©":139344,"à¸łà¸²à¸©à¸µ":139345,"Ġdeuxième":139346,"ĠÙħØŃاÙģظ":139347,"ĠÙħØŃاÙģظة":139348,"ĠSchön":139349,"､":139350,"Ġ×Ķ×ij×¢":139351,"Ġ×Ķ×ij×¢×Ļ×Ķ":139352,"ĠÙĪاÙĦÙĦÙĩ":139353,"è¨Ģãģ£ãģŁ":139354,"à¸ķà¹īาà¸Ļ":139355,"วรรà¸ĵ":139356,"à¸Ĺิศ":139357,"ĠbaÅŁÄ±na":139358,"ĠmogÄĻ":139359,"ש×Ļפ×ķר":139360,"ĠÙĪعد":139361,"ĠÙĪعدÙħ":139362,"Ġhistórico":139363,"Ġkısı":139364,"ĠìĿ´ê²Į":139365,"ĠPolÃŃtica":139366,"ĠÑģиÑĤÑĥаÑĨии":139367,"ĠkoÅĦca":139368,"×ij×ĵ×Ļק×Ķ":139369,"ĠاÙĦسÙĬارات":139370,"ãģªãĤīãģ°":139371,"ãĤµãĥ©":139372,"ãĤĭãģĵãģ¨ãģĮãģ§ãģįãĤĭ":139373,"Ġdecisão":139374,"×ķ×ķ×ĵ":139375,"läss":139376,"lässig":139377,"Ġ׾×Ļשר×IJ׾":139378,"ĠÙĬأتÙĬ":139379,"ר×ķ×ĸ":139380,"Ã¶ÄŁ":139381,"Ã¶ÄŁret":139382,"Ã¶ÄŁretim":139383,"Ġдек":139384,"Ġдекаб":139385,"ĠдекабÑĢÑı":139386,"Ġש×Ĺ×ķר":139387,"ãģ¦ãģıãĤĮãģŁ":139388,"عبارة":139389,"Ġélectrique":139390,"ĠاÙĦتÙĨÙħÙĬØ©":139391,"جرÙī":139392,"ĠìĪĺíĸī":139393,"à¸Ĺู":139394,"ĠÑĢеалÑĮно":139395,"ÑģпоÑģоб":139396,"à¸Ħลà¹īาย":139397,"ĠسعÙĪد":139398,"önü":139399,"ĠÙģÙħÙĨ":139400,"تÙĥÙĪ":139401,"تÙĥÙĪÙĬÙĨ":139402,"ĠкаÑĩеÑģÑĤво":139403,"ĠконÑĤак":139404,"ĠконÑĤакÑĤ":139405,"ĠsözleÅŁme":139406,"à¸Ńà¹īาà¸ĩ":139407,"ĠتÙĪÙģ":139408,"ĠتÙĪÙģÙĬر":139409,"×Ķ×ĸ×ĵ":139410,"×Ķ×ĸ×ĵ×ŀ׳×ķת":139411,"ĠØ·ÙĪÙĬÙĦØ©":139412,"Ġtérmino":139413,"Ġ×IJ×Ļפ×Ķ":139414,"ãĥĵãĥ«":139415,"สà¹Ĥม":139416,"สà¹Ĥมสร":139417,"ĠاÙĦاث":139418,"ĠاÙĦاثÙĨÙĬÙĨ":139419,"евиÑĩ":139420,"Ġopinión":139421,"à¸Ľà¸§à¸Ķ":139422,"åı¤ãģĦ":139423,"รà¹Īา":139424,"ĠBiaÅĤ":139425,"ĠÑģÑĤал":139426,"ĠÑģÑĤало":139427,"ólogo":139428,"ĠìķĦëĭĪëĭ¤":139429,"Ġ×IJ×Ļת":139430,"Ġ×IJ×Ļת×ķ":139431,"à¹Ģหà¹ĩà¸Ļวà¹Īา":139432,"à¸ļารà¹Į":139433,"çĦ¼":139434,"çĦ¼ãģį":139435,"ĠìĿ´ìļ©ìŀIJ":139436,"ĠнекоÑĤоÑĢÑĭе":139437,"ksz":139438,"ksztaÅĤ":139439,"ksztaÅĤc":139440,"ãĤŃãĥ£ãĥĥãĤ·":139441,"ãĤŃãĥ£ãĥĥãĤ·ãĥ³ãĤ°":139442,"ĠroÅĽ":139443,"ĠroÅĽlin":139444,"ÑĢажа":139445,"×ij׳×Ļ×Ļ×Ķ":139446,"à¸Ľà¸£à¸ªà¸´":139447,"à¸Ľà¸£à¸ªà¸´à¸ķ":139448,"Ġgördü":139449,"×ŀ׳×Ķ×Ļ×Ĵ":139450,"å¤īãĤıãģ£ãģ¦":139451,"Ġ×IJ×Ķ":139452,"Ġ×IJ×Ķ×ijת×Ļ":139453,"à¹Ģรà¹Īà¸ĩ":139454,"Ġönünde":139455,"Ġê·¸ëĥ¥":139456,"полиÑĤ":139457,"полиÑĤиÑĩеÑģк":139458,"ãĥ¡ãĥĩãĤ£":139459,"ãĥ¡ãĥĩãĤ£ãĤ¢":139460,"ĠDetay":139461,"ĠDetaylı":139462,"ĠاÙĦصÙģØŃØ©":139463,"à¸ģารà¹Ģà¸ĩิà¸Ļ":139464,"Ġìµľê·¼":139465,"׼ש׾":139466,"Ｉ":139467,"вÑĪего":139468,"íķĺìĭ¤":139469,"ĠÐŃÑĤ":139470,"ĠÐŃÑĤоÑĤ":139471,"สื":139472,"สืà¸ļ":139473,"Ġngừng":139474,"ĠдокÑĥменÑĤов":139475,"даваÑĤÑĮ":139476,"ĠاÙĦشخصÙĬØ©":139477,"Ġצע×Ļר":139478,"درÙĥ":139479,"سØŃب":139480,"à¹Ħมà¹Īà¸Ħà¹Īà¸Ńย":139481,"Ġ×Ķ×ŀק×ķ×ŀ×Ļ":139482,"สัà¹Īà¸ĩà¸ĭืà¹īà¸Ń":139483,"Ġê·¸ê²ĥìĿĦ":139484,"ãģĤãĤĭãģĦ":139485,"ãģĤãĤĭãģĦãģ¯":139486,"×IJ×ķ×ĺ×ķ×ij":139487,"×IJ×ķ×ĺ×ķ×ij×ķס":139488,"кÑĨион":139489,"ĠÐľÐ¾Ð¶Ð½Ð¾":139490,"ãģıãģł":139491,"ãģıãģłãģķ":139492,"ĠинÑĦоÑĢмаÑĨиÑı":139493,"ï»Ł":139494,"ĠìŀijìĹħ":139495,"Ġ×Ļ×ķסף":139496,"إدارة":139497,"ĠاÙĦØŃاج":139498,"×ł×¡×Ļ×¢×Ķ":139499,"изаÑĨиÑı":139500,"×IJ׾×ij":139501,"×IJ׾×ij×ķ×Ŀ":139502,"пед":139503,"Ġק×ĺ׳×Ķ":139504,"ĠÙĨÙģسÙĩا":139505,"ĠMinistério":139506,"Ġпен":139507,"ĠпенÑģи":139508,"ãĥIJãĥ©ãĥ³ãĤ¹":139509,"Ġ×Ķת×ķר×Ķ":139510,"Ġtạm":139511,"ĠìĹŃìĭľ":139512,"｡":139513,"Ġthá»±":139514,"Ġısı":139515,"컨":139516,"ãģĹãģ£ãģĭãĤĬãģ¨":139517,"ĠxÆ°a":139518,"Ġcặp":139519,"×Ĺ×Ļ×ij×ķר":139520,"วัà¸Ĵà¸Ļà¸ĺรรม":139521,"stär":139522,"stärke":139523,"ĠÑģамÑĭй":139524,"pisa":139525,"pisaÄĩ":139526,"ĠoluÅŁan":139527,"ĠاÙĦØ¥ÙħاÙħ":139528,"ĠcÄĥng":139529,"Ġgünl":139530,"Ġgünlük":139531,"Ġ׳ש×IJר":139532,"Ġkhiá»ĥn":139533,"ç¶ļãģijãĤĭ":139534,"stitución":139535,"Ġcapacité":139536,"Ġjaki":139537,"ĠjakiÅĽ":139538,"вÑĪиÑģ":139539,"вÑĪиÑģÑĮ":139540,"פע×ķ׾×ķת":139541,"ĠØŃÙĬات":139542,"ĠØŃÙĬاتÙĩ":139543,"Ġникогда":139544,"ÐĽÐ¬":139545,"Ġ×Ķ×¢×ķ×ij":139546,"Ġ×Ķ×¢×ķ×ij×ĵ×Ķ":139547,"ĠchÃło":139548,"หลายà¹Ĩ":139549,"ĠÑıн":139550,"ĠÑıнваÑĢ":139551,"ĠÑıнваÑĢÑı":139552,"à¸Īำà¹Ģà¸Ľà¹ĩà¸Ļà¸ķà¹īà¸Ńà¸ĩ":139553,"Ġhöher":139554,"ãģķãĤĮãģ¦ãģĦãģŁ":139555,"สà¸ĩสั":139556,"สà¸ĩสัย":139557,"ĠاÙĦاس":139558,"ĠاÙĦاسÙĦاÙħ":139559,"ĠاÙĦØ´Ùħس":139560,"สà¸ĸาà¸Ļี":139561,"ãĤ¯ãĥ©ãĤ¹":139562,"à¸ŀรร":139563,"à¸ŀรรà¸Ħ":139564,"põ":139565,"põe":139566,"Ġporém":139567,"à¸Ľà¸£à¸°à¸ªà¸ĩ":139568,"à¸Ľà¸£à¸°à¸ªà¸ĩà¸Ħà¹Į":139569,"powiedzie":139570,"powiedzieÄĩ":139571,"ĠмогÑĥ":139572,"Ġжел":139573,"Ġжелез":139574,"ĠاÙĦØ«ÙĤ":139575,"ĠاÙĦØ«ÙĤاÙģÙĬ":139576,"ĠпÑĢавило":139577,"Ġgdyż":139578,"פש×ķ×ĺ":139579,"ÑĢабоÑĤка":139580,"ĠÙĥرة":139581,"شدد":139582,"ÙħارÙĥ":139583,"ÙħÙĥØ©":139584,"ĠподпиÑģ":139585,"×ĺ×ķ×ķ×Ĺ":139586,"ĠÅĽc":139587,"ĠÅĽcian":139588,"ĠرجاÙĦ":139589,"Ġ×ª×ľ×ķ×Ļ":139590,"иÑĪ":139591,"иÑĪÑĮ":139592,"Ġmédec":139593,"Ġmédecin":139594,"ëįĶëĿ¼ëıĦ":139595,"ĠÑĤебÑı":139596,"Ġ׾×Ķ×ķס×Ļ×£":139597,"ãģĬ話":139598,"Ġà¹ģà¸ķà¹Īà¸ģà¹ĩ":139599,"داÙģ":139600,"داÙģع":139601,"ĠCùng":139602,"ãĥ»ãĥ»ãĥ»ãĥ»":139603,"ê¶ģ":139604,"ĠdeberÃŃa":139605,"หà¸Ļà¹Īวยà¸ĩาà¸Ļ":139606,"ĠvaÌĢ":139607,"Ġעצ×ŀ":139608,"Ġעצ×ŀ×Ŀ":139609,"à¹Ģà¸Ĭืà¹Īà¸Ńวà¹Īา":139610,"שקע":139611,"Ġ×Ķ׼×ķ׾":139612,"Ġ×Ķ׼×ķ׾׾":139613,"нибÑĥд":139614,"нибÑĥдÑĮ":139615,"ĠëĦĪíĿ¬":139616,"ĠобÑĢаÑī":139617,"ĠобÑĢаÑīа":139618,"Ġ×¢×ij×ķ×ĵת":139619,"ĠاÙĦÙħÙĨتخب":139620,"ıyord":139621,"ıyordu":139622,"ÙĪØ°":139623,"×Ĺש×Ļ×ij×ķת":139624,"Ġ×Ķ×¢×Ļק":139625,"Ġ×Ķ×¢×Ļקר×Ļ":139626,"ì¢Į":139627,"ยุà¹Ĥร":139628,"ยุà¹Ĥà¸£à¸Ľ":139629,"ĠапÑĢ":139630,"ĠапÑĢелÑı":139631,"szed":139632,"szedÅĤ":139633,"дон":139634,"à¹Ģà¸ķิà¸ļ":139635,"à¹Ģà¸ķิà¸ļà¹Ĥà¸ķ":139636,"коло":139637,"Ġkażdej":139638,"帰":139639,"帰ãĤĬ":139640,"Ġмилли":139641,"Ġмиллион":139642,"ç¾İåij³ãģĹãģĦ":139643,"تÙĤار":139644,"تÙĤارÙĬر":139645,"ĠìĿ´ë£¨":139646,"ĠìĿ´ë£¨ìĸ´":139647,"Ġsprzedaż":139648,"×Ķ×ķצ×IJ×ķת":139649,"ãĤ¢ãĤ¯ãĤ»":139650,"ãĤ¢ãĤ¯ãĤ»ãĤ¹":139651,"ר×ķ×¥":139652,"ĠгоÑģÑĥдаÑĢÑģÑĤвенн":139653,"Ø£ØŃÙĥ":139654,"Ø£ØŃÙĥاÙħ":139655,"ĠoluÅŁu":139656,"ĠAç":139657,"ĠAçık":139658,"ãĤ¸ãĥ¼":139659,"ç´łæĻ´":139660,"ç´łæĻ´ãĤīãģĹãģĦ":139661,"Ġ×ijש×ij×ķ×¢":139662,"بذ":139663,"بذÙĦ":139664,"สาà¹Ģหà¸ķุ":139665,"Ġpozosta":139666,"ĠpozostaÅĤ":139667,"ØŃرÙħ":139668,"Ġimportância":139669,"leÅŁtirme":139670,"ĠдÑĢев":139671,"Ġmóvil":139672,"ĠAynı":139673,"Ġналог":139674,"Ġналогов":139675,"Ġ×Ĺ×Ļפ×Ķ":139676,"ĠÑĦоÑĢмÑĥ":139677,"à¸Ĺà¸Ķสà¸Ńà¸ļ":139678,"ĠksiÄħżki":139679,"ĠmaÅĤe":139680,"ÙħسأÙĦ":139681,"ÙħسأÙĦØ©":139682,"＾＾":139683,"çãeste":139684,"éviter":139685,"ĠконÑģÑĤÑĢÑĥк":139686,"ĠконÑģÑĤÑĢÑĥкÑĨи":139687,"ï¾ŀ":139688,"Ġת×ķ׼׳":139689,"ãĤ¹ãĥĪãĥ¬ãĤ¹":139690,"ĠاÙĦاÙĤتصادÙĬ":139691,"×ŀ×ĵ×Ļ":139692,"ĠwÅĤad":139693,"ĠwÅĤadz":139694,"Ø®ÙĪÙģ":139695,"ĠмаÑĤеÑĢиалов":139696,"ãģ¨ãģ£ãģ¦ãĤĤ":139697,"Ġznajdu":139698,"ĠznajdujÄħ":139699,"Ùģئة":139700,"ãģ©ãģ®ãĤĪãģĨãģª":139701,"æĬijãģĪ":139702,"׳×Ĺ׾":139703,"Ġdüny":139704,"Ġdünyan":139705,"Ġdünyanın":139706,"гÑĢани":139707,"гÑĢаниÑĩ":139708,"Ġ×Ķש׾×Ļש×Ļ":139709,"Ġ×Ķ×IJש":139710,"åıĬãģ³":139711,"ìĭŃìĭľ":139712,"ìĭŃìĭľìĺ¤":139713,"Ġдолл":139714,"ĠдоллаÑĢ":139715,"ĠповÑĤоÑĢ":139716,"Ġ×Ĺ×Ļ׳×Ŀ":139717,"תפת×Ĺ":139718,"Ñĥвели":139719,"ÑĥвелиÑĩен":139720,"ãĤ«ãĥª":139721,"rawid":139722,"rawidÅĤow":139723,"×ķ×ķ׾":139724,"ãĥŁãĥ¥":139725,"ì½ĺ":139726,"ĠByÅĤ":139727,"ÐľÐIJ":139728,"عÙIJ":139729,"ĠÑģовеÑĢÑĪ":139730,"ĠÑģовеÑĢÑĪенно":139731,"Ġмой":139732,"Ġ×ķ׾×IJ×Ĺר":139733,"æħ£":139734,"æħ£ãĤĮ":139735,"ØŃاÙģظ":139736,"Ġ무ë£Į":139737,"à¸Ħà¸ĵะà¸ģรรม":139738,"à¸Ħà¸ĵะà¸ģรรมà¸ģาร":139739,"Ġìĸ´ëĶĶ":139740,"Ġdiferen":139741,"Ġdiferença":139742,"ĠاÙĦأساس":139743,"ĠاÙĦأساسÙĬØ©":139744,"Ġ׾×IJ×Ĺר×ķ׳×Ķ":139745,"ê·ł":139746,"Ġ×Ķש׳×Ļ×Ļ×Ķ":139747,"ìľĦìĽIJìŀ¥":139748,"ลุà¸ģ":139749,"çiler":139750,"Ġ×Ķ×IJ׾×ķ":139751,"èģŀãģı":139752,"Ġ×ķ×IJפ×Ļ׾×ķ":139753,"ĠÑĢеализ":139754,"ĠÑĢеализаÑĨи":139755,"ระยะà¹Ģวลา":139756,"ĠجداÙĭ":139757,"تباع":139758,"ĠvehÃŃculo":139759,"Ġдолг":139760,"à¸Ľà¸£à¸´à¸¡à¸²à¸ĵ":139761,"ì¦IJ":139762,"Ġ׾×ŀק×ķ×Ŀ":139763,"ĠìĤ¬ì§Ħ":139764,"à¸Ĭà¹īา":139765,"Ġ×ŀ×¢×ķ׾×Ķ":139766,"Ġgörm":139767,"Ġgörmek":139768,"ĠÙĪÙĩØ°Ùĩ":139769,"пеÑĢв":139770,"пеÑĢвÑĭÑħ":139771,"ê·¸ëŀĺ":139772,"ĠاÙĦبرÙĬØ·":139773,"ĠاÙĦبرÙĬطاÙĨÙĬ":139774,"ĠиÑİнÑı":139775,"ĠÐĵоÑĢ":139776,"Ġ׾ש׾×Ŀ":139777,"ÐIJÐĿ":139778,"ĠназнаÑĩен":139779,"ооÑĢ":139780,"ооÑĢÑĥж":139781,"Ġözelli":139782,"ĠözelliÄŁi":139783,"Ġниже":139784,"ç¶ļãģijãģ¦":139785,"ĠаÑĢенд":139786,"Ġkatılı":139787,"Ġkatılım":139788,"ĠإطÙĦاÙĤ":139789,"ĠÙĪإذا":139790,"ĠокÑĤÑı":139791,"ĠокÑĤÑıбÑĢÑı":139792,"à¹Ĥà¸ķà¹":139793,"à¹Ĥà¸ķà¹Ĭ":139794,"à¹Ĥà¸ķà¹Ĭะ":139795,"Ġoldukları":139796,"ÙħÙĪÙĤع":139797,"ëĤ©":139798,"ãģ¨æĢĿãģ£ãģ¦ãģĦãĤĭ":139799,"Ġש×Ļ׼×ķ׾":139800,"วาà¸Ķ":139801,"سÙĬÙĦ":139802,"à¸Ĥวั":139803,"à¸Ĥวัà¸į":139804,"تØŃÙĥÙħ":139805,"ìĤŃ":139806,"Ġconnaît":139807,"×ł×¤×ª×Ĺ":139808,"Ġchặ":139809,"Ġchặn":139810,"ĠÙħØŃÙħ":139811,"ĠÙħØŃÙħÙĪد":139812,"ãģ´":139813,"ĠпÑĢодÑĥкÑĨии":139814,"здÑĢав":139815,"ãģĶè¦":139816,"ãģĶ覧":139817,"×IJ×ij×IJ":139818,"Ġvéritable":139819,"ĠØ·ÙģÙĦ":139820,"ãĥĪãĥ©ãĥĸãĥ«":139821,"곡":139822,"Ġת×ŀ×ķ׳×Ķ":139823,"Ġkiên":139824,"ĠÙĤادر":139825,"Ø¥ÙĤÙĦÙĬÙħ":139826,"ĠпÑĢедпÑĢи":139827,"ĠпÑĢедпÑĢиÑıÑĤиÑı":139828,"ĠbÄĥng":139829,"Ġayında":139830,"Ġgấp":139831,"еÑħал":139832,"ĠgiÃłnh":139833,"Ġдав":139834,"Ġдавно":139835,"ìĺĢëĭ¤":139836,"à¸Ļัà¸ģà¹Ģà¸ķ":139837,"à¸Ļัà¸ģà¹Ģà¸ķะ":139838,"Ùħستشار":139839,"ستراتÙĬج":139840,"ستراتÙĬجÙĬ":139841,"رÙħز":139842,"ĠtÄ©nh":139843,"ë¡Ń":139844,"ĠÑĩеÑĤ":139845,"ĠÑĩеÑĤÑĭ":139846,"ĠÑĩеÑĤÑĭÑĢе":139847,"ĠEntão":139848,"Ġصغ":139849,"ĠصغÙĬرة":139850,"×ij×Ļ×ĺ×ķ׾":139851,"خطÙĪØ·":139852,"ĠÑĢазвиÑĤие":139853,"Ġamacıyla":139854,"à¸Ĺีวี":139855,"ĠоÑģÑĤ":139856,"ĠоÑģÑĤалÑĮн":139857,"ש×ķ׾×Ĺף":139858,"Ġ׼׳×Ļס":139859,"Ġ׼׳×Ļס×Ķ":139860,"ĠdáºŃy":139861,"ĠyaÅŁayan":139862,"Ġ×ŀ×Ķ×ķ×ķ×Ķ":139863,"ĠÑĥÑģи":139864,"ĠÑĥÑģили":139865,"×ŀפ×Ļ":139866,"ĠпÑĢоведениÑı":139867,"Ġرب":139868,"ĠربÙħا":139869,"ĠاÙĦØ£ÙĪسط":139870,"Ġìľłì§Ģ":139871,"Ġpracownik":139872,"Ġpracowników":139873,"×ŀס×ķרת":139874,"ÙĤارب":139875,"à¸Ħวามรูà¹īสึà¸ģ":139876,"à¹ģหละ":139877,"ĠاÙĦÙĨÙĤد":139878,"Ġ×IJ׾פ×Ļ":139879,"Ùħسئ":139880,"ÙħسئÙĪÙĦ":139881,"евÑĭÑħ":139882,"клÑİÑĩениÑı":139883,"×ij×Ļ׳":139884,"×ij×Ļ׳×Ļ×Ķ×Ŀ":139885,"ש×ķ×IJ×Ķ":139886,"ĠÅŁark":139887,"ĠÅŁarkı":139888,"Ġsürec":139889,"Ġsürecin":139890,"à¹Ģà¸Ħรà¸Ķ":139891,"à¹Ģà¸Ħรà¸Ķิà¸ķ":139892,"ãĥIJãĥ¬":139893,"ĠشأÙĨ":139894,"à¹Ģà¸Ńาà¹Ħวà¹ī":139895,"niÄĻcie":139896,"רצ×Ĺ":139897,"ĠaÅŁama":139898,"׳פ×Ĵ×¢":139899,"Ġthá»Ŀ":139900,"Ġkhuẩn":139901,"diÄŁinde":139902,"ÑıÑīиÑħ":139903,"ãĥĺãĥ«":139904,"Ġüberh":139905,"Ġüberhaupt":139906,"ĠÑĤÑĢебова":139907,"ĠdÅĤugi":139908,"×ĺ×Ļף":139909,"à¸Ĥà¸Ļาà¸Ķà¹ĥหà¸įà¹Ī":139910,"ĠاÙĦØ£Ùĩ":139911,"ĠاÙĦØ£ÙĩÙĦÙĬ":139912,"ĠMüd":139913,"ĠMüdürü":139914,"Ġ×Ļ×Ķ×ķ×ĵ×Ķ":139915,"ÑĭваеÑĤÑģÑı":139916,"ساط":139917,"×Ķ×ª×ł×Ķ×Ĵ":139918,"×Ķ×ª×ł×Ķ×Ĵ×ķת":139919,"à¸ģà¸²à¸£à¸ľà¸¥à¸´à¸ķ":139920,"íĴĢ":139921,"สà¸ĸาà¸Ļà¸ģารà¸ĵà¹Į":139922,"ĠоÑĦ":139923,"ĠоÑĦиÑģ":139924,"ĠÙĦعبة":139925,"ĠstronÄĻ":139926,"Ġר×IJ×ķ×Ļ":139927,"×Ĺ×ij׾":139928,"ĠÑĢÑĭн":139929,"ĠÑĢÑĭнке":139930,"Ġ׾×ŀ×¢×Ł":139931,"اسÙĦ":139932,"หัà¸Ļ":139933,"Ġ×IJ×Ĺ×Ļ":139934,"ĠпÑĢодол":139935,"ê°Ģìŀħ":139936,"Ġ×ijר×Ĺ":139937,"Ġ×ijר×Ĺ×ij×Ļ":139938,"джеÑĢ":139939,"Ġ׾×Ĺ׾":139940,"Ġ׾×Ĺ׾×ķ×ĺ":139941,"Ġ׾×Ĺ׾×ķ×ĺ×Ļף":139942,"ศาสà¸Ļา":139943,"ãĤ¢ãĤ¤ãĥĨ":139944,"ãĤ¢ãĤ¤ãĥĨãĥł":139945,"Ġפר×ķפ":139946,"جزاء":139947,"ลà¸Ńย":139948,"ĠciaÅĤa":139949,"Ġgiết":139950,"ĠзнаÑĩиÑĤелÑĮно":139951,"Ġolmadıģ":139952,"Ġolmadıģını":139953,"нд":139954,"ндекÑģ":139955,"تأÙĥد":139956,"Ġìĸ¸":139957,"Ġìĸ¸ìłľ":139958,"aydın":139959,"ãĥīãĥ¬ãĤ¹":139960,"Ġsắt":139961,"Ġíĺ¸íħĶ":139962,"Ġë¶ģ":139963,"Ġë¶ģíķľ":139964,"ãĥijãĤ¤":139965,"Ġ×ŀש×Ĺק×Ļ":139966,"à¸Ħà¸Ļà¸Ńืà¹Īà¸Ļ":139967,"ĠизгоÑĤов":139968,"ĠизгоÑĤовлен":139969,"à¹Ģà¸ģียร":139970,"à¹Ģà¸ģียรà¸ķิ":139971,"תקשר":139972,"ĠÑĢаÑģÑĩеÑĤ":139973,"สà¹Ģà¸ķ":139974,"Ġlänger":139975,"ĠiÅŁlet":139976,"ĠiÅŁletme":139977,"ĠعÙĦÙĬÙĨ":139978,"ĠعÙĦÙĬÙĨا":139979,"élection":139980,"ĠاÙĦغربÙĬØ©":139981,"íĭĢ":139982,"ãĤĤãĤīãģĪ":139983,"Ġкниги":139984,"أسÙħ":139985,"أسÙħاء":139986,"Ġthá»ı":139987,"Ġthá»ıa":139988,"หà¸Ļู":139989,"Ġ×ł×¢×©×Ķ":139990,"à¸łà¸²à¸¢à¹ĥà¸ķà¹ī":139991,"à¸ŀืà¸Ĭ":139992,"رÙĬØ·":139993,"ÙģÙĪض":139994,"ãģĤãĤĬãģĮãģ¨ãģĨãģĶãģĸãģĦãģ¾ãģĹãģŁ":139995,"ש×ĵ×Ķ":139996,"Ġngá»±c":139997,"ĠÑģеÑĢÑĮ":139998,"ĠÑģеÑĢÑĮезн":139999,"Tôi":140000,"Ġfiyatları":140001,"ĠвÑģÑİ":140002,"ĠCódigo":140003,"Ġ×Ķש×IJ":140004,"Ġ×Ķש×IJ׾×Ķ":140005,"ĠPública":140006,"إخ":140007,"إخÙĪاÙĨ":140008,"ĠзаÑıвил":140009,"ãĥ¦ãĥ¼":140010,"ר×IJ×Ļת":140011,"volución":140012,"Ġszko":140013,"ĠszkoÅĤy":140014,"جرÙĬدة":140015,"Ġpensé":140016,"ìī¬":140017,"ĠBüyükÅŁehir":140018,"ĠØ£ÙħرÙĬ":140019,"ĠØ£ÙħرÙĬÙĥÙĬ":140020,"à¸Ļัà¸ģศึà¸ģษา":140021,"Ġtodav":140022,"ĠtodavÃŃa":140023,"ĠСан":140024,"ĠСанкÑĤ":140025,"íķĺìŀIJ":140026,"ØŃÙĪاÙĦ":140027,"׼×ķשר":140028,"à¹Ģลยà¸Ħรัà¸ļ":140029,"Ġalgu":140030,"Ġalguém":140031,"Ùģز":140032,"Ġçekil":140033,"Ġ×ĵר׼×Ļ×Ŀ":140034,"ãĥIJãĥ©":140035,"à¸ģà¹ĩสามารà¸ĸ":140036,"สà¹Īวà¸Ļลà¸Ķ":140037,"íı°":140038,"ĠPúb":140039,"ĠPúblico":140040,"à¹ģà¸Ļวà¸Ĺาà¸ĩ":140041,"×IJת×Ĵר":140042,"شاش":140043,"شاشة":140044,"ciÅĽni":140045,"ĠÃľrün":140046,"ÙĦÙĪØŃ":140047,"ĠاÙĦبÙĨ":140048,"ĠاÙĦبÙĨÙĥ":140049,"ì¡°ì¹ĺ":140050,"Ġorganización":140051,"ãģĤãĤĬãģĮãģ¨ãģĨãģĶãģĸãģĦãģ¾ãģĻ":140052,"sätze":140053,"ĠÑģемей":140054,"ÙĤصد":140055,"ÑģÑĤвеннÑĭе":140056,"Ġprécéd":140057,"Ġprécédent":140058,"à¸ģรุà¸ĩà¹Ģà¸Ĺà¸ŀฯ":140059,"ãģ¨è¨ĢãģĦ":140060,"×ij׳×Ļ×Ļף":140061,"ĠØŃÙĪ":140062,"ĠØŃÙĪاÙĦÙĬ":140063,"סקס":140064,"ĠsaÄŁlamak":140065,"Ġ׾צ×Ļ×Ļף":140066,"ק×ĵש":140067,"Ġ×Ķ×ŀ×¢×¨×Ľ×ª":140068,"Ġ׾×Ķ×¢×ij×Ļר":140069,"Ġgünd":140070,"Ġgündem":140071,"ĠнаÑĪего":140072,"à¹ĥà¸Ļà¸ŀืà¹īà¸Ļà¸Ĺีà¹Ī":140073,"à¹Ģà¸Ħรืà¸Ń":140074,"à¹Ģà¸Ħรืà¸Ńà¸Ĥ":140075,"à¹Ģà¸Ħรืà¸Ńà¸Ĥà¹Īาย":140076,"ظاÙĩرة":140077,"ÙħÙĨظÙħ":140078,"ÙħÙĨظÙħات":140079,"Ùħتاز":140080,"追ãģĦ":140081,"dıkt":140082,"dıktan":140083,"ĠëįĶìļ±":140084,"ĠÐĿапÑĢимеÑĢ":140085,"twór":140086,"×ŀ×ķעצ×Ķ":140087,"ÙĥÙĪÙĥ":140088,"Щ":140089,"×ŀ×ĺפ׾":140090,"ólica":140091,"訪ãĤĮ":140092,"ĠëĮĢë¶Ģ":140093,"ĠëĮĢë¶Ģë¶Ħ":140094,"ãĤ¯ãĥªãĥĥãĤ¯":140095,"ãĤĴéģ¸":140096,"ãĤĴéģ¸ãģ¶":140097,"Ġpowsta":140098,"ĠpowstaÅĤ":140099,"Ġrazón":140100,"×ij×ķ×Ĺר":140101,"ĠÑģообÑīил":140102,"Ġק×ij×ķ×¢":140103,"rêt":140104,"à¸Ķีà¸Ĥึà¹īà¸Ļ":140105,"×ŀסע×ĵ":140106,"×ŀסע×ĵ×ķת":140107,"ĠÃĸsterreich":140108,"Ġ׳×Ĺש×ij":140109,"Ùħبادرة":140110,"ì´ī":140111,"×Ĵ׳×ĺ×Ļ":140112,"ä¿¡ãģĺ":140113,"duÄŁ":140114,"duÄŁunu":140115,"Ġphú":140116,"ĠاÙĦأخÙĬر":140117,"Ġتعتبر":140118,"landırıl":140119,"ãģ¨ãģ¯ãģĦ":140120,"ãģ¨ãģ¯ãģĦãģĪ":140121,"ĠاÙĦØ·ÙĦ":140122,"ĠاÙĦØ·ÙĦاب":140123,"ĠNº":140124,"éģ¿ãģij":140125,"اÙĦÙħع":140126,"اÙĦÙħعرÙĪÙģ":140127,"à¸ªà¸łà¸²":140128,"éĽ¢ãĤĮ":140129,"ĠпомоÑīÑĮ":140130,"ĠзнаеÑĤ":140131,"ãĥĹãĥ¬ãĤ¼":140132,"ãĥĹãĥ¬ãĤ¼ãĥ³ãĥĪ":140133,"Ġsupérieur":140134,"Ġש׾×Ļש×Ļ":140135,"ĠاÙĦÙĨÙĪع":140136,"ãĤĵãģ§ãģĻãģŃ":140137,"à¸Ńà¸ļรม":140138,"Ġgiá»įng":140139,"ĠwzglÄĻd":140140,"ĠاÙĦÙģÙĤر":140141,"èrent":140142,"Ġ×ŀ×IJ×Ĺ":140143,"Ġ×ŀ×IJ×Ĺ×ķר×Ļ":140144,"×Ĵ×Ĵ":140145,"×Ļ×Ļ×ij":140146,"ÙħÙĦاب":140147,"ÙħÙĦابس":140148,"Ġhükü":140149,"Ġhükümet":140150,"Ġ×ŀ×Ĵ×Ļ×ij":140151,"ĠÐŀÑĩ":140152,"ĠÐŀÑĩенÑĮ":140153,"æĹ©ãģĦ":140154,"Ġconstrucción":140155,"Ġthượng":140156,"ï¼ĭ":140157,"Ġcoração":140158,"à¹Ģหลà¹ĩà¸ģ":140159,"ĠBaÅŁb":140160,"ĠBaÅŁbakan":140161,"éĢ£ãĤĮ":140162,"ãģĻãĤĭãģĵãģ¨ãģĮãģ§ãģįãģ¾ãģĻ":140163,"ĠÙĤاÙħت":140164,"ĠاÙĥثر":140165,"ÙģاعÙĦ":140166,"ĠÑĦоÑĢ":140167,"ĠÑĦоÑĢÑĥм":140168,"غذÙĬ":140169,"ĠiÅŁle":140170,"ĠiÅŁleml":140171,"ĠiÅŁlemleri":140172,"ĠìĤ¬ëŀĮìĿĢ":140173,"ĠìŀijìĦ±":140174,"Ġë§Ī볨":140175,"ÙħجÙĦس":140176,"หมู":140177,"дв":140178,"двиг":140179,"двига":140180,"à¹Ģสียà¸Ĭีวิà¸ķ":140181,"×Ķתפת×Ĺ":140182,"×Ķתפת×Ĺ×ķת":140183,"ĠмеÑĤÑĢо":140184,"ĠÑģенÑĤ":140185,"ĠÑģенÑĤÑı":140186,"ĠÑģенÑĤÑıбÑĢÑı":140187,"곧":140188,"Ġ×ľ×¤×¢":140189,"Ġ×ľ×¤×¢×ŀ×Ļ×Ŀ":140190,"à¹Ģà¸ļีย":140191,"詳ãģĹãģı":140192,"çķ°ãģªãĤĭ":140193,"ĠÄ°lçe":140194,"ĠAtat":140195,"ĠAtatür":140196,"ĠAtatürk":140197,"รุà¹Īà¸ĩ":140198,"Ġkaldı":140199,"Ġ주ìŀ¥":140200,"Ġprésence":140201,"Ġнаб":140202,"ĠнаблÑİ":140203,"ĠнаблÑİда":140204,"ĠÑģамого":140205,"×Ĵ×ķש":140206,"×ŀ×ĺ×ķפ":140207,"×ŀ×ĺ×ķפ׾":140208,"ĠвÑĭбиÑĢа":140209,"ĠìŀIJ리":140210,"åĪĨãģĭãĤīãģªãģĦ":140211,"ĠзÑĥб":140212,"Ġש׼×ijר":140213,"Ġدائ":140214,"ĠدائÙħا":140215,"ĠпаÑĢÑĤи":140216,"ï¼²":140217,"ĠاÙĬضا":140218,"ĠÑħоз":140219,"ĠÑħозÑı":140220,"ĠÑħозÑıй":140221,"ĠÑħозÑıйÑģÑĤв":140222,"ĠاÙĦأج":140223,"ĠاÙĦأجÙĨب":140224,"ĠاÙĦأجÙĨبÙĬØ©":140225,"ĠÐĹна":140226,"ĠApós":140227,"ĠÑįнеÑĢ":140228,"ĠÑįнеÑĢги":140229,"Ġyans":140230,"Ġyansı":140231,"ĠJusti":140232,"ĠJustiça":140233,"Ġprévu":140234,"มวล":140235,"ìŀ¥ëĭĺ":140236,"à¸ģระà¸ļ":140237,"à¸ģระà¸ļวà¸Ļ":140238,"à¸ģระà¸ļวà¸Ļà¸ģาร":140239,"×ŀ×ŀ":140240,"×ŀ×ŀ×ķצע":140241,"Ġhẹ":140242,"Ġhẹn":140243,"здание":140244,"ĠakÅŁ":140245,"ĠakÅŁam":140246,"×ĺ×ķפ":140247,"Ġgerekt":140248,"Ġgerekti":140249,"ĠgerektiÄŁini":140250,"Ġnarz":140251,"ĠnarzÄĻdzi":140252,"épo":140253,"époque":140254,"ĠThần":140255,"Ġwysoko":140256,"ĠwysokoÅĽci":140257,"à¸ľà¸¹à¹īà¸Ľ":140258,"à¸ľà¸¹à¹īà¸Ľà¹Īวย":140259,"ĠÙĬبدÙĪ":140260,"ÑĤелÑĮного":140261,"ĠвзглÑıд":140262,"ĠjednÄħ":140263,"ĠìĿĺ견":140264,"Ġà¸Ĥà¸ĵะà¸Ĺีà¹Ī":140265,"פ×Ļ×ĵ":140266,"ìĥģëĭ´":140267,"Ġmỡ":140268,"×Ķ×ŀ׾":140269,"×Ķ×ŀ׾צ×ķת":140270,"ĠÑģоÑģÑĤо":140271,"ĠÑģоÑģÑĤоиÑĤ":140272,"Ġави":140273,"Ġавиа":140274,"ĠLänder":140275,"تصÙĪÙĬر":140276,"×ŀ×ĵ×Ļ×Ķ":140277,"ìłĪì°¨":140278,"ãģ¨ãĤĬ":140279,"ãģ¨ãĤĬãģĤ":140280,"ãģ¨ãĤĬãģĤãģĪ":140281,"ãģ¨ãĤĬãģĤãģĪãģļ":140282,"ĠÑĢÑıд":140283,"ĠÑĢÑıдом":140284,"ĠNhất":140285,"ĠاÙĦÙĥاÙħÙĦ":140286,"×Ĺ׾׾":140287,"ĠGiấy":140288,"צ×ĺר":140289,"צ×ĺרף":140290,"Ġ׾×ij×ĺ׾":140291,"ĠимеÑĤÑĮ":140292,"ס×ŀ×ķ×ļ":140293,"Ġparticipação":140294,"íķľëĭ¤ë©´":140295,"ÙħÙĨتدÙĬ":140296,"ÙħÙĨتدÙĬات":140297,"ĠeÄŁlen":140298,"gänge":140299,"ربØŃ":140300,"ãĤ®ãĥ£":140301,"ĠاÙĦرÙĤÙħ":140302,"à¸ĭà¹īำ":140303,"ĠHóa":140304,"×ŀר×Ĺק":140305,"ØŃÙħاÙħ":140306,"بÙĪÙĥ":140307,"ĠArtÃŃculo":140308,"ãĥĦãĤ¢ãĥ¼":140309,"×Ķפ׼×Ķ":140310,"×Ĺ׾×ķף":140311,"ĠпеÑĢеÑħод":140312,"lenmiÅŁ":140313,"زراعة":140314,"Ġseñor":140315,"ãģ£ãģ¦ãģįãģ¦":140316,"إش":140317,"إشارة":140318,"ĠpodÃŃa":140319,"ĠÃľlke":140320,"нÑģкаÑı":140321,"Ġadapté":140322,"Ġdüzenlen":140323,"Ġdüzenlenen":140324,"ĠÑģÑĤала":140325,"ĠÙĬØŃتاج":140326,"Ġnier":140327,"Ġnieruch":140328,"Ġnieruchomo":140329,"ĠnieruchomoÅĽci":140330,"ãģĵãģ¨ãģĮãģĤãĤĭ":140331,"ยà¸Ńà¸Ķà¹Ģยีà¹Īยม":140332,"ĠÙħج":140333,"ĠÙħجاÙĨÙĬ":140334,"Ġзаб":140335,"Ġзабол":140336,"Ġзаболев":140337,"ĠзаболеваниÑı":140338,"ĠÅĽro":140339,"ĠÅĽrodk":140340,"ĠÅĽrodków":140341,"Ġ×Ķ׾×IJ×ķ×ŀ×Ļ":140342,"ĠdokÅĤad":140343,"ĠdokÅĤadnie":140344,"ãģŁãģıãģªãģĦ":140345,"ãģ¯ãģļãģ§ãģĻ":140346,"ãģ¨æĢĿãģ£ãģ¦ãģĦãģŁ":140347,"écran":140348,"ìĹħì²´":140349,"trzymaÅĤ":140350,"ÑģÑĤвеннÑĭй":140351,"ĠNotÃŃc":140352,"ĠNotÃŃcias":140353,"ÙħرÙĬ":140354,"ÙħرÙĬض":140355,"æ°Ĺè»":140356,"æ°Ĺ軽":140357,"æ°Ĺ軽ãģ«":140358,"ëĵ£":140359,"Ġ×ĵ×ķ×IJר":140360,"Ġ׾×ŀ׳":140361,"Ġ׾×ŀ׳×ķ×¢":140362,"ĠçalÄ±ÅŁÄ±yor":140363,"ĠÅŁidd":140364,"ĠÅŁiddet":140365,"ĠMặt":140366,"ĠateÅŁ":140367,"ĠполÑĥÑĩениÑı":140368,"à¹Ģà¸Ħรืà¹Īà¸Ńà¸ĩมืà¸Ń":140369,"ĠgrÃ¶ÃŁer":140370,"دائ":140371,"دائرة":140372,"Ġbulun":140373,"Ġbulunmaktadır":140374,"à¹Ģหร":140375,"à¹Ģหรีย":140376,"à¹Ģหรียà¸į":140377,"à¸Ļัà¸ģà¸Ĺà¹Īà¸Ńà¸ĩà¹Ģà¸Ĺีà¹Īยว":140378,"Ġalanında":140379,"ĠÑĥзна":140380,"ĠлеÑĩение":140381,"売ãĤĮ":140382,"Ġçevir":140383,"ĠdesteÄŁi":140384,"ĠheiÃŁt":140385,"âĸ²":140386,"ØŃØ·":140387,"à¸Ħำà¸ķà¸Ńà¸ļ":140388,"ãĤªãĥ³ãĥ©ãĤ¤ãĥ³":140389,"Ġ×ij×Ĺ×Ļ×Ļ×Ŀ":140390,"ãĥ¦ãĥĭ":140391,"Ġdüzenleme":140392,"ĠmodalitÃł":140393,"سرط":140394,"سرطاÙĨ":140395,"×ŀ׼×ķף":140396,"ĠданнÑĭй":140397,"ترت":140398,"ترتÙĬب":140399,"à¸ļาà¸ĩà¸Ħà¸Ļ":140400,"ĠÄIJá»ĭnh":140401,"มูล":140402,"มูลà¸Ħà¹Īา":140403,"ÙĨÙĤص":140404,"à¸ģารรัà¸ģษา":140405,"ĠÑĦон":140406,"ĠÑĦонд":140407,"ãĤĪãģĨãģ«ãģªãģ£ãģŁ":140408,"ÙħعاÙĦ":140409,"ÙħعاÙĦجة":140410,"ĠOsman":140411,"ĠOsmanlı":140412,"иÑĩеÑģком":140413,"à¸Ńยาà¸ģà¸Īะ":140414,"ãģķãģ¾ãģĸ":140415,"ãģķãģ¾ãģĸãģ¾":140416,"ãģķãģ¾ãģĸãģ¾ãģª":140417,"Ġת×ķ׼׾":140418,"עצ×ij":140419,"ĠاÙĦعسÙĥ":140420,"ĠاÙĦعسÙĥرÙĬ":140421,"Ġvéhic":140422,"Ġvéhicule":140423,"Ġ×Ļצ×Ĺק":140424,"ĠاÙĦÙĪØŃ":140425,"ĠاÙĦÙĪØŃÙĬد":140426,"ĠاÙĦعدÙĪ":140427,"ĠQuản":140428,"Ġê³µëıĻ":140429,"بدÙĦ":140430,"ĠÄijảng":140431,"Ġmá»ĩnh":140432,"Ġniezb":140433,"ĠniezbÄĻ":140434,"ĠniezbÄĻdn":140435,"Ġyayınlan":140436,"обÑīи":140437,"Ġgötür":140438,"צפ":140439,"צפ×ķ×Ļ":140440,"ĠÙĦÙĬبÙĬ":140441,"ĠÙĦÙĬبÙĬا":140442,"ØŃÙĪا":140443,"Ġдоб":140444,"ĠдобÑĢо":140445,"иÑĢÑĥем":140446,"ĠاÙĦØŃÙĥÙĪÙħÙĬØ©":140447,"mÃ¤ÃŁig":140448,"Ġedición":140449,"влекаÑĤелÑĮ":140450,"влекаÑĤелÑĮн":140451,"Ġ×ª×©×ľ×ķ×Ŀ":140452,"Ġ×Ķש×ķ׳×Ļ×Ŀ":140453,"มิà¸ĸุ":140454,"มิà¸ĸุà¸Ļ":140455,"มิà¸ĸุà¸Ļายà¸Ļ":140456,"é£Łãģ¹ãģ¦":140457,"ĠìĪĺì§ij":140458,"ס×ij×Ļ":140459,"ĠиÑİлÑı":140460,"Ġà¹Ħà¸Ķà¹īà¹ģà¸ģà¹Ī":140461,"׾×Ĺ×Ŀ":140462,"trä":140463,"trägt":140464,"ãģĿãĤĤãģĿãĤĤ":140465,"ÐĿÐķ":140466,"ĠвнÑĥÑĤ":140467,"ĠвнÑĥÑĤÑĢи":140468,"ãģ¨ä¸Ģç·Ĵãģ«":140469,"ãĤ«ãĥķãĤ§":140470,"Ġ×ij×Ĺ×ĵר":140471,"×Ĺ×ŀש":140472,"ãĤ¨ãĥį":140473,"ãĤ¨ãĥįãĥ«":140474,"ãĤ¨ãĥįãĥ«ãĤ®":140475,"ãĤ¨ãĥįãĥ«ãĤ®ãĥ¼":140476,"à¸Ĥà¸Ńà¸ĩà¸ķัวà¹Ģà¸Ńà¸ĩ":140477,"بÙĤاء":140478,"פס×Ļ׼":140479,"פס×Ļ׼×ķ׾×ķ×Ĵ":140480,"ãĥ¡ãĥĥ":140481,"ãĥ¡ãĥĥãĤ»":140482,"ãĥ¡ãĥĥãĤ»ãĥ¼ãĤ¸":140483,"ÙĦÙĤب":140484,"AÄŀ":140485,"שק×Ļ×¢":140486,"ÙĤساÙħ":140487,"×ĵ×ķ×Ĵ×ŀ×Ķ":140488,"æ·±ãģĦ":140489,"íĸĪëĬĶëį°":140490,"ĠrozwiÄħzanie":140491,"à¸Ļัà¹Īà¸Ļà¹Ģà¸Ńà¸ĩ":140492,"×Ļצ×ij":140493,"Ġtrông":140494,"à¹ĥà¸Ĭà¹īà¸ļริà¸ģาร":140495,"ĠاÙĦÙħÙĪسÙħ":140496,"ĠдеÑĤи":140497,"ãģĹãģĭãģªãģĦ":140498,"ס×Ļף":140499,"Ġréférence":140500,"à¹ģหà¹īà¸ĩ":140501,"ãĤĤãĤīãģ£ãģŁ":140502,"Ġ׾ר׼":140503,"Ġ׾ר׼×ķש":140504,"شعÙĪر":140505,"ĠÐijог":140506,"Ġlazım":140507,"Ġ×Ļש׳×Ŀ":140508,"ĠпаÑĢÑĤ":140509,"ĠпаÑĢÑĤнеÑĢ":140510,"ĠÑĥника":140511,"ĠÑĥникалÑĮн":140512,"Ġmatériel":140513,"×ŀרק":140514,"ĠphÆ°á»Ŀng":140515,"Ġзай":140516,"Ġзайм":140517,"ÙģÙĤد":140518,"UniversitÃł":140519,"×¢×¨×Ľ×Ļ×Ŀ":140520,"Ġbaño":140521,"ĠноÑı":140522,"ĠноÑıбÑĢÑı":140523,"à¸Ľà¹īาย":140524,"Ġtats":140525,"Ġtatsäch":140526,"Ġtatsächlich":140527,"ĠÑĤÑĢеÑĤÑĮ":140528,"Ñįм":140529,"ãĥĻãĥ¼ãĤ¹":140530,"Ġnhá»±a":140531,"ìĬ¤íģ¬":140532,"ĠعبداÙĦÙĦÙĩ":140533,"Ġת×ķר×Ķ":140534,"أشÙĬ":140535,"أشÙĬاء":140536,"ĠÙĦÙĦغا":140537,"ĠÙĦÙĦغاÙĬØ©":140538,"ÙħÙĪاÙĤ":140539,"ÙħÙĪاÙĤÙģ":140540,"ĠgÅĤówna":140541,"ĠartÄ±ÅŁ":140542,"Ġ×ŀק×ķ×ŀ×Ļ":140543,"ãĤ¯ãĥ©ãĥĸ":140544,"ĠسÙĪÙī":140545,"ĠìŬìĦ±":140546,"اسر":140547,"اسرائÙĬÙĦ":140548,"Ġ×ł×Ľ×ª×ij":140549,"ยà¹īà¸Ńà¸Ļ":140550,"Ġdeberá":140551,"Ġphẫu":140552,"ÑİÑīем":140553,"ĠÙĦدÙĬÙĨا":140554,"×ŀ×ĺ×Ķ":140555,"Ġ׳×ķ׾×ĵ":140556,"ĠвÑģÑĤÑĢеÑĩа":140557,"ãĤīãĤĮãģ¦ãģĦãģ¾ãģĻ":140558,"ĠcaÅĤej":140559,"ยึ":140560,"ยึà¸Ķ":140561,"поÑĤен":140562,"поÑĤенÑĨи":140563,"ĠлиÑĤ":140564,"ĠлиÑĤеÑĢ":140565,"ĠлиÑĤеÑĢаÑĤÑĥÑĢ":140566,"Ġкаждом":140567,"ĠíĮIJ":140568,"ĠíĮIJëĭ¨":140569,"à¸Īู":140570,"Ġpresença":140571,"ãģªãĤĵãģ§":140572,"ÙħÙĬاÙĩ":140573,"инÑĦоÑĢм":140574,"инÑĦоÑĢмаÑĨион":140575,"инÑĦоÑĢмаÑĨионн":140576,"ĠìŀIJìĹ°":140577,"ר׼ש":140578,"Ġödül":140579,"ç¶ļãģı":140580,"ĠпÑģ":140581,"ĠпÑģиÑħ":140582,"ĠпÑģиÑħолог":140583,"تذÙĥر":140584,"Ġìŀħìŀ¥":140585,"ลà¸Ķà¹Į":140586,"ìĦłê±°":140587,"ãģ£ãģ¦ãģĬãĤĬãģ¾ãģĻ":140588,"Ġ×Ļ×¢":140589,"Ġ×Ļעק×ij":140590,"ĠاÙĦطعاÙħ":140591,"ãĥĨãĤ¹ãĥĪ":140592,"ĠTuấn":140593,"Ġparticipación":140594,"×ŀ×ķ×ŀ×Ĺ×Ķ":140595,"×Ĵרס×Ķ":140596,"ĠاÙĦتÙĨÙģÙĬ":140597,"ĠاÙĦتÙĨÙģÙĬØ°ÙĬ":140598,"ĠбезопаÑģн":140599,"gef":140600,"gefähr":140601,"Ø´ÙĪر":140602,"ĠmyÅĽli":140603,"ÙĪاشÙĨ":140604,"ÙĪاشÙĨØ·ÙĨ":140605,"׳×ķסע":140606,"ÙĥÙĩ":140607,"ÙĥÙĩرب":140608,"ÙĥÙĩرباء":140609,"ĠmusiaÅĤ":140610,"ìĭ¸":140611,"ãĥĸãĥ©ãĥĥãĤ¯":140612,"Ġcréé":140613,"ÙĨÙĩار":140614,"owoÅĽÄĩ":140615,"ÙħØŃاÙĥÙħ":140616,"ĠwÅĤaÅĽ":140617,"ĠwÅĤaÅĽc":140618,"ĠwÅĤaÅĽciciel":140619,"ĠÙĬؤ":140620,"ĠÙĬؤدÙĬ":140621,"×ŀ×¢×ķ׳":140622,"×IJ×ij׾":140623,"خطأ":140624,"ĠÑħолод":140625,"×ĸ×ķ׾":140626,"ãģĵãĤĮãĤī":140627,"ãģĵãĤĮãĤīãģ®":140628,"Ġbásica":140629,"ฤà¸Ķ":140630,"ฤà¸Ķูà¸ģ":140631,"ฤà¸Ķูà¸ģา":140632,"ฤà¸Ķูà¸ģาล":140633,"èIJ½ãģ¡çĿĢ":140634,"ãģªãģĦãģĵãģ¨":140635,"صÙĪÙħ":140636,"ÙĨجØŃ":140637,"׳ק×ķ×ĵ":140638,"׳ק×ķ×ĵת":140639,"клаÑģÑģ":140640,"íķĺìĭľëĬĶ":140641,"ëĦĺ":140642,"Ġש×IJ×Ļ׳×ķ":140643,"ĠСейÑĩаÑģ":140644,"mayacaģı":140645,"Ġyapılır":140646,"ĠcategorÃŃa":140647,"عباد":140648,"ĠТеп":140649,"ĠТепеÑĢÑĮ":140650,"×Ķ×Ļס×ĺ×ķר×Ļ":140651,"hế":140652,"ãĤ³ãĥ¼ãĥī":140653,"Ġcabeça":140654,"جÙħا":140655,"جÙħاÙĩ":140656,"جÙħاÙĩÙĬر":140657,"ä½İãģĦ":140658,"ĠÑĤоваÑĢов":140659,"à¸Ĭาวà¸ļà¹īาà¸Ļ":140660,"ĠÑģÑĤанов":140661,"ĠÑģÑĤановиÑĤÑģÑı":140662,"ĠавÑĤомобилÑĮ":140663,"ĠÑģлÑĥÑĩай":140664,"à¸Ńัà¸ŀ":140665,"ĠGiriÅŁ":140666,"ĠìĿ¼ëĭ¨":140667,"ĠпÑĢоÑģ":140668,"ĠпÑĢоÑģмоÑĤÑĢ":140669,"ãģªãģıãģªãģ£ãģŁ":140670,"à¸¡à¸µà¸Ľà¸±à¸įหา":140671,"ïºİ":140672,"écoute":140673,"ĠÙħÙĪجÙĪد":140674,"ĠسرÙĬع":140675,"ĠÙĪÙĩÙĨا":140676,"ĠÙĪÙĩÙĨاÙĥ":140677,"à¸Ħุà¸ĵสม":140678,"à¸Ħุà¸ĵสมà¸ļัà¸ķิ":140679,"Ġìļ°ìĦł":140680,"à¸ŀระà¸ŀุà¸Ĺà¸ĺ":140681,"好ãģ¿":140682,"ظÙĦÙħ":140683,"ĠмакÑģ":140684,"ĠмакÑģималÑĮ":140685,"ĠмакÑģималÑĮно":140686,"ãĥªãĤ¢ãĥ«":140687,"à¹ģมà¹īวà¹Īา":140688,"ĠاÙĦØŃÙĪار":140689,"ãĥĹãĥ©ãĤ¹":140690,"ĠعÙĦاÙĤØ©":140691,"ĠíĸīëıĻ":140692,"Ġgönderil":140693,"Ġlãi":140694,"ĠsaÄŁlıkl":140695,"ĠsaÄŁlıklı":140696,"ĠÑĪаг":140697,"Ġ×ij×IJר×Ķ":140698,"prowadziÄĩ":140699,"ãģĦãģıãģ¤ãģĭ":140700,"ĠبتارÙĬØ®":140701,"Ġ×ij×IJ×ķת×Ķ":140702,"Ġmóc":140703,"ĠÐľÐ½Ðµ":140704,"ãĥĹãĥ¬ãĥ¼":140705,"×IJ×ĸר×Ĺ":140706,"åł´åIJĪãģ«ãģ¯":140707,"使ãģĪ":140708,"à¹Ģรืà¸Ńà¸Ļ":140709,"ĠÐŁÐµÑĤ":140710,"ĠÐŁÐµÑĤÑĢ":140711,"ãģ«åħ¥ãĤĭ":140712,"Ùħادة":140713,"à¹Ģà¸ĩืà¹Īà¸Ńà¸Ļ":140714,"à¹Ģà¸ĩืà¹Īà¸Ńà¸Ļà¹Ħà¸Ĥ":140715,"ĠÑģоÑģÑĤоÑıние":140716,"ônica":140717,"ĠÑĦев":140718,"ĠÑĦевÑĢа":140719,"ĠÑĦевÑĢалÑı":140720,"Ġ×ķ×ĸ":140721,"Ġ×ķ×ĸ×IJת":140722,"à¸Ħริ":140723,"à¸Ħริส":140724,"ĠÐķÑīе":140725,"ãģ£ãģ¦ãģĹãģ¾ãģĦãģ¾ãģĹãģŁ":140726,"ĠпÑĢавиÑĤелÑĮ":140727,"ĠпÑĢавиÑĤелÑĮÑģÑĤв":140728,"Ġtäglich":140729,"Ġëĭ¹ìĭľ":140730,"×ŀ×ķ×¢×ŀ×ĵ":140731,"ĠдвоÑĢ":140732,"æīķ":140733,"æīķãģĦ":140734,"ĠÑģÑĤанеÑĤ":140735,"ĠвоздейÑģÑĤв":140736,"ĠвоздейÑģÑĤви":140737,"Ġfête":140738,"à¹Ģสา":140739,"תק×ķ×ķ×Ķ":140740,"Ġuyar":140741,"Ġuyarı":140742,"à¸ģลัà¸ļà¹Ħà¸Ľ":140743,"ĠgiÆ°á»Ŀng":140744,"Ġва":140745,"ĠваÑĪи":140746,"ĠÄijáºŃu":140747,"ĠSpaÃŁ":140748,"ĠìķĦë§Ī":140749,"à¹Ħà¸Ķà¹īà¸ĩà¹Īาย":140750,"Ġ×Ķ×ŀ×ijקש":140751,"æĸ°ãģŁ":140752,"æĸ°ãģŁãģª":140753,"ılıyor":140754,"план":140755,"Ġ×Ķ×ijר×Ļ×IJ×ķת":140756,"ĠaÄŁrı":140757,"Ġsaygı":140758,"建ãģ¦":140759,"Ġnajwyż":140760,"Ġnajwyższ":140761,"سÙĬاسات":140762,"ãģĬå¾Ĺ":140763,"ĠاÙĦعÙĦÙĬ":140764,"ĠاÙĦعÙĦÙĬا":140765,"Ġcorazón":140766,"ì¹ĺë£Į":140767,"หัวà¸Ĥà¹īà¸Ń":140768,"ĠبØŃÙĬ":140769,"ĠبØŃÙĬØ«":140770,"звезд":140771,"بÙĪابة":140772,"ÐĽÐĺ":140773,"ÙĦازÙħ":140774,"Ġrozp":140775,"Ġrozpoc":140776,"ĠrozpoczÄĻ":140777,"触ãĤĮ":140778,"ĠاÙĦجÙħÙĩ":140779,"ĠاÙĦجÙħÙĩÙĪر":140780,"ĠspÄĻd":140781,"ĠspÄĻdz":140782,"วิà¸Ĺยาศาสà¸ķรà¹Į":140783,"иваеÑĤÑģÑı":140784,"Ġданной":140785,"Ġreprésente":140786,"ĠÄijá»ĭch":140787,"Ġ×¢×ŀ×ķק":140788,"à¸Ńัà¸Ļà¸ķร":140789,"à¸Ńัà¸Ļà¸ķราย":140790,"Ġestratég":140791,"Ġestratégia":140792,"padÅĤ":140793,"Ġвполн":140794,"Ġвполне":140795,"ĠпÑĢедоÑģÑĤавлен":140796,"×Ĺ׾×ķק":140797,"×Ĺ׾×ķקת":140798,"ãĤ¢ãĥĬ":140799,"ĠاÙĦغذ":140800,"ĠاÙĦغذائÙĬ":140801,"ĠÑĥзн":140802,"ĠÑĥзнаÑĤÑĮ":140803,"à¸ĭà¹īาย":140804,"å½ĵãģ¦":140805,"ØŃÙĬاء":140806,"Ġbásico":140807,"ק×ķ×ij×¢":140808,"ĠاÙĦÙħباراة":140809,"ĠاÙĦÙĩاتÙģ":140810,"Ġ׼׳×Ĵ×ĵ":140811,"à¸Ľà¸£à¸°à¸«à¸¢":140812,"à¸Ľà¸£à¸°à¸«à¸¢à¸±à¸Ķ":140813,"Ðļак":140814,"à¸Ĺีà¹Īà¸Ļà¹Īา":140815,"à¸Ĺีà¹Īà¸Ļà¹Īาสà¸Ļà¹ĥà¸Ī":140816,"ãģ¾ãģģ":140817,"ï½¢":140818,"Ñģкоп":140819,"Ġsonrasında":140820,"ĠurzÄħd":140821,"ĠurzÄħdzenia":140822,"׼×ķ×ķ׳":140823,"׼×ķ×ķ×ł×ª":140824,"Ġ׾×Ķת×ŀ×ķ×ĵ":140825,"Ġ׾×Ķת×ŀ×ķ×ĵ×ĵ":140826,"ĠÑģли":140827,"ĠÑģлиÑĪ":140828,"ĠÑģлиÑĪком":140829,"ĠÑģÑĤÑĥд":140830,"ĠÑģÑĤÑĥденÑĤ":140831,"Ġ×Ķ×ķ×ĵ":140832,"Ġ×Ķ×ķ×ĵ×¢×Ķ":140833,"ë¹Ħìļ©":140834,"à¸Ńยาà¸ģà¹ĥหà¹ī":140835,"Ġbá»ģ":140836,"ยุà¸Ĺà¸ĺ":140837,"ÐĺÐĿ":140838,"سائر":140839,"أصÙĪÙĦ":140840,"ĠاÙĦغرÙģ":140841,"ãģĵãģ¨ãĤĤãģĤãĤĬãģ¾ãģĻ":140842,"è¾¼ãģ¾ãĤĮ":140843,"ĠاÙĦسابع":140844,"Ġcủ":140845,"ãģĦãģŁãģłãģĦãģŁ":140846,"ì§ĵ":140847,"ìĤ¬ë¬´":140848,"powiedź":140849,"تÙģÙĥ":140850,"تÙģÙĥÙĬر":140851,"иÑĢовки":140852,"ĠíĨµíķ´ìĦľ":140853,"ãĤ¨ãĤ¹ãĥĨ":140854,"ĠдеÑıÑĤелÑĮноÑģÑĤÑĮ":140855,"ĠданнÑĭм":140856,"Ġ×¢×ķר":140857,"Ġ×¢×ķר׼×Ļ":140858,"×ķ×ĵעת":140859,"Ġhayatını":140860,"ĠbÄħd":140861,"ĠbÄħdź":140862,"obsÅĤug":140863,"à¹Ģà¸ŀียà¸ĩà¹ģà¸Ħà¹Ī":140864,"à¸ĭà¹Īา":140865,"è²łãģij":140866,"ĠÑģÑĤÑĢем":140867,"ĠÄijá»īnh":140868,"ĠÐłÑĥÑģ":140869,"ĠNữ":140870,"Ġ׾×Ķש×Ļ×Ĵ":140871,"Ġjednoc":140872,"Ġjednocze":140873,"ĠjednoczeÅĽnie":140874,"Ġ×Ķ×Ĵ×ij×ķ×Ķ":140875,"أخÙĦاÙĤ":140876,"ĠнаÑģел":140877,"ĠнаÑģелениÑı":140878,"ĠÙĬÙĨب":140879,"ĠÙĬÙĨبغÙĬ":140880,"ãģĮãģĭ":140881,"ãģĮãģĭãģĭ":140882,"×Ĵעת":140883,"ÐŀÐł":140884,"ĠналиÑĩии":140885,"Ġë§Īì§Ģ":140886,"Ġë§Īì§Ģë§ī":140887,"ĠíĸīìĤ¬":140888,"ĠtreÅĽci":140889,"Ġê°Ģì¹ĺ":140890,"ì¦ĺ":140891,"Ġаналог":140892,"×Ķצעת":140893,"влад":140894,"владе":140895,"ĠÑģделал":140896,"Ġ׳×Ĵ×Ļש":140897,"Ġ׳×Ĵ×Ļש×ķת":140898,"полнение":140899,"à¸Ĩà¹Īา":140900,"ĠDön":140901,"׼׾׼׾×Ķ":140902,"×ŀ×ĸ×Ĵ":140903,"ÙħÙģ":140904,"ÙħÙģÙĩ":140905,"ÙħÙģÙĩÙĪÙħ":140906,"×Ķ×ĵ":140907,"×Ķ×ĵפס":140908,"×Ķ×ĵפס×Ķ":140909,"ãģĻãģİãģ¦":140910,"ĠгÑĢ":140911,"ĠгÑĢн":140912,"×ŀ×ĺ×ķס":140913,"Ġ기ìĸµ":140914,"ï¾Ł":140915,"ĠpÅĤyn":140916,"ĠGründe":140917,"ĠBücher":140918,"ĠwedÅĤug":140919,"ãģ¾ãģłãģ¾ãģł":140920,"Ġ׳×Ķ×ĵר":140921,"ĠÙĬستطÙĬع":140922,"ĠHiá»ĩp":140923,"ãĤŃãĥ£ãĥ³ãĥļ":140924,"ãĤŃãĥ£ãĥ³ãĥļãĥ¼ãĥ³":140925,"Ġthá»ķ":140926,"Ġeuropéenne":140927,"à¸ļัà¸ĩ":140928,"à¸ļัà¸ĩà¸Ħัà¸ļ":140929,"ĠszczegóÅĤowo":140930,"׳שק":140931,"ãĥķãĥ©ãĥ³ãĤ¹":140932,"×ŀ×ķ×ŀ×Ĺ×Ļ":140933,"Ġcomún":140934,"Ġçarp":140935,"ØŃتÙĬا":140936,"ØŃتÙĬاج":140937,"ØŃتÙĬاجات":140938,"ëĭ´ëĭ¹":140939,"ä½ķ度":140940,"ä½ķ度ãĤĤ":140941,"×ĵ×ijק":140942,"ãģįãĤĮ":140943,"ãģįãĤĮãģĦ":140944,"Ġкам":140945,"ĠкамеÑĢ":140946,"ĠespecÃŃfico":140947,"Ġteléfono":140948,"à¸ķัà¹īà¸ĩà¸Ńยูà¹Ī":140949,"IÅŀ":140950,"ãģ©ãĤĵãģ©":140951,"ãģ©ãĤĵãģ©ãĤĵ":140952,"עצ×ŀ×IJ×Ļ":140953,"à¸Ķัà¸ĩà¸Ļีà¹ī":140954,"ĠÑĦоÑĢмиÑĢов":140955,"ĠÑĦоÑĢмиÑĢова":140956,"×ķ×ŀ×ij":140957,"Ġkullanımı":140958,"ÐľÐŀ":140959,"עש×Ļ":140960,"עש×Ļ×Ļ×Ķ":140961,"Ġönlem":140962,"à¹Ģà¸Ńà¹ĩ":140963,"à¹Ģà¸Ńà¹ĩม":140964,"×ŀשק×Ļ×¢":140965,"ר×Ļ×Ĺ":140966,"à¸Ĥัà¸Ķ":140967,"ĠíĻľ":140968,"ĠíĻľìļ©":140969,"à¸ĭะ":140970,"ãĤĪãģĨãģ«ãģªãĤĬãģ¾ãģĹãģŁ":140971,"ĠÑĢаÑģпÑĢ":140972,"ĠÑĢаÑģпÑĢоÑģÑĤ":140973,"ĠÑĢаÑģпÑĢоÑģÑĤÑĢан":140974,"ĠÑĢаÑģпÑĢоÑģÑĤÑĢанен":140975,"׼×Ļ×ķף":140976,"ÙĤبض":140977,"تصرÙĬØŃ":140978,"تصرÙĬØŃات":140979,"ĠоÑĢи":140980,"ĠоÑĢиг":140981,"ĠоÑĢигина":140982,"ĠоÑĢигинал":140983,"ĠاÙĦعاÙĦÙĬ":140984,"à¹ģหà¹Īà¸ĩà¸Ļีà¹ī":140985,"ãĥķãĤ¡ãĥ¼":140986,"ãģ¦ãģĦãģį":140987,"ãģ¦ãģĦãģįãģŁãģĦ":140988,"פתר":140989,"פתר×ķ׳×ķת":140990,"Ġ×ij×Ļ×Ĺ":140991,"Ġ×ij×Ļ×Ĺ×ĵ":140992,"Ġodby":140993,"ĠodbyÅĤ":140994,"ĠоÑĩеÑĢед":140995,"ĠtrÆ°Æ¡ng":140996,"ãĤŃãĥ³":140997,"×ŀ×ķפ":140998,"×ŀ×ķפע":140999,"ëĵľë¦½":141000,"ëĵľë¦½ëĭĪëĭ¤":141001,"à¸ŀืà¹īà¸Ļà¸IJาà¸Ļ":141002,"ìŀIJ격":141003,"ĠViá»ĩn":141004,"ĠDespués":141005,"Ġ×IJ׾×Ļ׳×ķ":141006,"Ġdurée":141007,"íĩ´":141008,"Ġmüzik":141009,"iếu":141010,"ĠÑĢазмеÑīен":141011,"ĠкÑĥд":141012,"ĠкÑĥда":141013,"غض":141014,"غضب":141015,"ĠTambém":141016,"à¸Īัà¸Ķสà¹Īà¸ĩ":141017,"à¸ģารà¹ģสà¸Ķà¸ĩ":141018,"onomÃŃa":141019,"Ġанг":141020,"Ġангли":141021,"Ġанглий":141022,"ĠанглийÑģк":141023,"Ġznal":141024,"Ġznalaz":141025,"ĠznalazÅĤ":141026,"תר×Ĵ":141027,"תר×Ĵ×ķ×Ŀ":141028,"ĠÑģнов":141029,"ĠÑģнова":141030,"ĠÑĩаÑģа":141031,"Ġcommunauté":141032,"ĠespecÃŃfica":141033,"ĠLá»ĭch":141034,"Ġlié":141035,"Ùģجر":141036,"à¹Ģà¸ģà¹Īà¸ĩ":141037,"عاÙĦ":141038,"عاÙĦج":141039,"Ø£ÙĨظ":141040,"Ø£ÙĨظÙħØ©":141041,"ESÄ°":141042,"ĠاÙĦØŃدÙĬد":141043,"à¸ŀระà¸Ńà¸ĩà¸Ħà¹Į":141044,"Ġפרשת":141045,"Ġдвиж":141046,"ĠдвижениÑı":141047,"ĠاÙĦجارÙĬ":141048,"à¸ĺาà¸Ļี":141049,"неÑģен":141050,"ĠاÙĦÙĨÙĩائÙĬ":141051,"ĠбеÑĢ":141052,"ĠбеÑĢем":141053,"ĠбеÑĢеменн":141054,"Ġdépartement":141055,"à¹Ģà¸Ĺีย":141056,"à¹Ģà¸Ĺียà¸ļ":141057,"ĠÐľÐ°ÑĢи":141058,"ĠнекоÑĤоÑĢÑĭÑħ":141059,"обеÑģп":141060,"обеÑģпеÑĩен":141061,"×Ĺ×ķ×ĸ":141062,"×Ĺ×ķ×ĸ×Ķ":141063,"ÙĨتج":141064,"à¸Īะà¹Ħà¸Ķà¹īรัà¸ļ":141065,"á»°":141066,"Ġéléments":141067,"عط":141068,"عطاء":141069,"Ġtắt":141070,"iá»ĩm":141071,"ÑİÑīиÑħÑģÑı":141072,"ãģĹãģ°":141073,"ãģĹãģ°ãĤīãģı":141074,"ĠпоможеÑĤ":141075,"à¸Ĥà¸ĵะà¸Ļีà¹ī":141076,"Ġעשר×ķת":141077,"éģķãģ£ãģ¦":141078,"ĠпÑĢог":141079,"ĠпÑĢогн":141080,"ĠпÑĢогноз":141081,"ĠtÅĤ":141082,"ĠtÅĤum":141083,"ĠtÅĤumacz":141084,"Tür":141085,"Türkiye":141086,"ãģįãģ£":141087,"ãģįãģ£ãģĭãģij":141088,"Ġ×Ķ׳×ķ׼":141089,"Ġ×Ķ׳×ķ׼×Ĺ×Ļ":141090,"ĠìĥĿìĤ°":141091,"ĠÑĦоÑĢмÑĭ":141092,"ç¾İãģĹãģĦ":141093,"à¸Ľà¸£à¸¶à¸ģ":141094,"à¸Ľà¸£à¸¶à¸ģษา":141095,"Ġlumière":141096,"ãĤªãĥ¼ãĥĹ":141097,"ãĤªãĥ¼ãĥĹãĥ³":141098,"à¸Ľà¸·à¸Ļ":141099,"วัสà¸Ķ":141100,"วัสà¸Ķุ":141101,"еÑĢÑĤв":141102,"ÙĥÙĦÙģ":141103,"ï½£":141104,"à¸ĺรรมà¸Ķา":141105,"׳×ĺר":141106,"ĠпÑĢедÑģÑĤавлÑıеÑĤ":141107,"Ġanálisis":141108,"Ġbãi":141109,"باÙĤÙĬ":141110,"à¸Ľà¸£à¸°à¹Ģà¸Ķ":141111,"à¸Ľà¸£à¸°à¹Ģà¸Ķà¹ĩà¸Ļ":141112,"ĠÑģлÑĥÑĩаÑı":141113,"ĠÑģлÑĥÑĩаÑıÑħ":141114,"ÐĽÐIJ":141115,"สัà¸ĩà¹Ģà¸ģ":141116,"สัà¸ĩà¹Ģà¸ģà¸ķ":141117,"Ġprzec":141118,"Ġprzecież":141119,"ÙħصÙĦ":141120,"ÙħصÙĦØŃØ©":141121,"ש×ķק×ķ׾×ĵ":141122,"ĠобоÑĢÑĥдованиÑı":141123,"ĠtrwaÅĤ":141124,"رÙĪÙħ":141125,"ìķĪëĤ´":141126,"ĠNghá»ĭ":141127,"خش":141128,"à¸ļาà¸Ħาร":141129,"à¸ļาà¸Ħารà¹Īา":141130,"ĠопÑĨион":141131,"ĠÑģозданиÑı":141132,"ãĤ³ãĤ¹ãĥĪ":141133,"Ġ×Ķ×¢×ľ×Ļ":141134,"Ġ×Ķ×¢×ľ×Ļ×ķף":141135,"läuft":141136,"ãĥĻãĤ¹ãĥĪ":141137,"Ġrê":141138,"Ġrêve":141139,"×IJ×ij×Ļ×ij":141140,"×Ļ×Ļ×ļ":141141,"ë¶Ļ":141142,"ãĤ¤ãĥ³ãĥī":141143,"ÅĤoży":141144,"ÅĤożyÄĩ":141145,"عائÙĦ":141146,"عائÙĦØ©":141147,"Ø£ÙĪر":141148,"Ø£ÙĪراÙĤ":141149,"à¸Ĺà¹īà¸Ńà¸ĩà¸ĸ":141150,"à¸Ĺà¹īà¸Ńà¸ĩà¸ĸิà¹Īà¸Ļ":141151,"Ġähn":141152,"Ġähnlich":141153,"ãĥŁãĥĭ":141154,"à¸ľà¸¹":141155,"à¸ľà¸¹à¹īà¸Ļ":141156,"à¸ľà¸¹à¹īà¸Ļำ":141157,"ĠмаÑĤеÑĢиалÑĭ":141158,"ĠкапиÑĤ":141159,"ĠкапиÑĤал":141160,"Ｆ":141161,"Ġseçil":141162,"Ġhứng":141163,"Ġintéressant":141164,"ãģ£ãģ¦ãģĦãģı":141165,"ĠeÄŁer":141166,"ëIJĺìĹĪìĬµëĭĪëĭ¤":141167,"ĠanlaÅŁma":141168,"ãģĶåĪ©çĶ¨":141169,"Ġ×ij×ĸ׼":141170,"Ġ×ij×ĸ׼×ķת":141171,"ëĿ¼ë©´":141172,"ĠÙĬÙĪس":141173,"ĠÙĬÙĪسÙģ":141174,"أسÙĦØŃØ©":141175,"ĠGefühl":141176,"ĠноÑĢмалÑĮн":141177,"ãĥĻãĥ³":141178,"ãģķãĤĮãĤĭãģĵãģ¨":141179,"ĠÐijеÑģ":141180,"ãģ¨ãģĦãģĪãģ°":141181,"ĠÙħÙĩÙħ":141182,"ĠÙħÙĩÙħØ©":141183,"ãģ§ãģĹãĤĩãģĨãģŃ":141184,"ĠêµŃëĤ´":141185,"à¹Ģมà¹ĩà¸Ķ":141186,"×ŀ×ijקר":141187,"ĠاÙĦدÙĨÙĬ":141188,"ĠاÙĦدÙĨÙĬا":141189,"à¸Ĭู":141190,"кÑĢÑĥÑĤ":141191,"Ġthoáng":141192,"Ġ׳×ĵר":141193,"Ġ׳×ĵרש":141194,"ĠÑĢаÑģÑģказал":141195,"ĠAuÃŁerdem":141196,"פ×IJר":141197,"פ×IJרק":141198,"Ġ×ŀש×Ĺק×Ļ×Ŀ":141199,"צר׼×Ļ×Ŀ":141200,"×ŀ×ĵ×ķ":141201,"×ŀ×ĵ×ķ×Ļק":141202,"èĭ¦ãģĹ":141203,"ĠÑģиг":141204,"ĠÑģигнал":141205,"ĠMá»įi":141206,"Ġtrữ":141207,"ĠnastÄĻp":141208,"ĠnastÄĻpnie":141209,"Ġì¶Ķì§Ħ":141210,"ĠاÙĦÙģÙĨد":141211,"ĠاÙĦÙģÙĨدÙĤ":141212,"koÅĦczyÅĤ":141213,"สีà¹Ī":141214,"ק×Ļ×ij":141215,"ק×Ļ×ij×ķ×¥":141216,"ĠнÑĥжнÑĭ":141217,"大åĪĩ":141218,"大åĪĩãģª":141219,"æıĽãģĪ":141220,"ת×ķס":141221,"ת×ķספת":141222,"ãģ£ãģ¦ãģĦãģªãģĦ":141223,"ĠмÑı":141224,"ĠмÑıг":141225,"ĠмÑıгк":141226,"Ġjakie":141227,"ĠjakieÅĽ":141228,"à¸ķำà¸ļ":141229,"à¸ķำà¸ļล":141230,"ĠìŀĪì§Ģ":141231,"×ij×ĺ×IJ":141232,"ĠоÑĤлиÑĩно":141233,"ÙĤÙIJ":141234,"ĠавÑĤомоб":141235,"ĠавÑĤомоби":141236,"ĠавÑĤомобилÑı":141237,"دÙĬÙħÙĤراطÙĬ":141238,"ĠاÙĦÙĪا":141239,"ĠاÙĦÙĪاØŃد":141240,"ĠسÙĪرÙĬØ©":141241,"أغÙĦ":141242,"أغÙĦب":141243,"ĠÑįкÑĢан":141244,"ãĥĹãĥ©ãĤ¤":141245,"ĠjesteÅĽ":141246,"ãĥIJãĥª":141247,"Ġ×Ķ×IJ×ķ×ķ×Ļר":141248,"ائÙĥ":141249,"à¸Ńยà¹Īาà¸ĩยิà¹Īà¸ĩ":141250,"ÑĢекÑĤ":141251,"Ġumo":141252,"Ġumoż":141253,"Ġumożli":141254,"Ġumożliw":141255,"Ġumożliwia":141256,"Ġnächste":141257,"ĠìŀĪì§Ģë§Į":141258,"ĠпÑĢедн":141259,"ĠпÑĢедназ":141260,"ĠпÑĢедназнаÑĩен":141261,"Ġmaçı":141262,"Ġpomi":141263,"ĠpomiÄĻd":141264,"ĠpomiÄĻdzy":141265,"ĠاÙĦÙĦÙĤاء":141266,"à¹Ģà¸Ķà¸Ńะ":141267,"ĠновоÑģÑĤи":141268,"×ŀ×Ĺ׾×Ķ":141269,"رÙĬاضÙĬ":141270,"à¸Ķà¸Ļ":141271,"à¸Ķà¸Ļà¸ķรี":141272,"بصر":141273,"ìĬ¤íĥĢ":141274,"scripción":141275,"Ġnapisa":141276,"ĠnapisaÅĤ":141277,"Ġ׳ש×ŀ×¢":141278,"ĠاÙĦÙħØŃÙĦÙĬ":141279,"Ġhiá»ĥn":141280,"×IJ×Ĺ":141281,"×IJ×Ĺר×IJ×Ļ":141282,"ĠгÑĢаниÑĨ":141283,"æīĭç¶ļãģį":141284,"Ùĥسب":141285,"Ġà¹ģà¸ķà¹Īà¸ĸà¹īา":141286,"à¸Ķาวà¸Ļà¹Į":141287,"à¸Ķาวà¸Ļà¹Įà¹Ĥหลà¸Ķ":141288,"ãĤĭãģĵãģ¨ãģĮãģ§ãģįãģ¾ãģĻ":141289,"åŁºæľ¬çļĦãģ«":141290,"ÙĪÙĦاد":141291,"räume":141292,"دÙģاع":141293,"×Ļצע":141294,"ĠOczy":141295,"ĠOczywiÅĽcie":141296,"ĠÅģ":141297,"ĠÅģa":141298,"اÙĦÙĬاب":141299,"اÙĦÙĬاباÙĨ":141300,"áºłI":141301,"ĠBirliÄŁi":141302,"×Ķ×ķצ":141303,"×Ķ×ķצ×IJת":141304,"ĠÄijua":141305,"Ġê·¸ëŁ¬ëĭĪê¹Į":141306,"Ġréalité":141307,"عÙĦاÙĤات":141308,"Jeste":141309,"JesteÅĽ":141310,"Ġмнож":141311,"ĠмножеÑģÑĤво":141312,"Ｋ":141313,"ãĥĹãĥŃãĤ¸ãĤ§":141314,"ãĥĹãĥŃãĤ¸ãĤ§ãĤ¯ãĥĪ":141315,"ĠÑĦл":141316,"ظÙĨ":141317,"×Ĵ׾×Ĵ׾":141318,"ĠmÅĤodzie":141319,"ĠmÅĤodzież":141320,"à¸Ļà¹īำà¸ķา":141321,"à¸Ļà¹īำà¸ķาล":141322,"ÐĽÐķ":141323,"×ij×ķ×ĺ":141324,"Ġ׾×Ķ×Ĵ×Ļ×ĵ":141325,"ãģĵãģ¨ãĤĤãģĤãĤĭ":141326,"زاد":141327,"×ŀ×Ļ×ĵ×¢":141328,"ĠgÅĤównie":141329,"ãĥıãĤ¦":141330,"ãĥıãĤ¦ãĤ¹":141331,"бел":141332,"Ġétape":141333,"ðŁĺĢ":141334,"ĠмоделÑĮ":141335,"aģını":141336,"ש×Ĺק":141337,"ש×Ĺקף":141338,"Ġniño":141339,"à¸Ĭà¹īาà¸ĩ":141340,"à¹Ģลีย":141341,"ĠÑĦоÑĢме":141342,"ĠاÙĦشرÙĬÙģ":141343,"ĠÑĥдаÑĢ":141344,"arriv":141345,"arrivée":141346,"ĠmiesiÄĻ":141347,"ĠmiesiÄĻcy":141348,"ØŃرÙĥ":141349,"ØŃرÙĥات":141350,"ĠDiá»ħn":141351,"ÐĿЫ":141352,"ãģ¾ãģ£ãģŁãģı":141353,"Ġ×Ļר×ķק":141354,"еÑģÑĤеÑģÑĤв":141355,"еÑģÑĤеÑģÑĤвенн":141356,"Ġê·¸ëŁ¼":141357,"ĠاÙĦÙħتÙĪ":141358,"ĠاÙĦÙħتÙĪسط":141359,"Ġbénéfic":141360,"Ġbénéficie":141361,"Ġwybra":141362,"ĠwybraÄĩ":141363,"ĠاÙĦزÙħÙĨ":141364,"ĠпÑĢинÑı":141365,"ĠпÑĢинÑıл":141366,"ÙģرØŃ":141367,"Ġksz":141368,"ĠksztaÅĤ":141369,"ĠksztaÅĤt":141370,"ק׾×ĺ":141371,"×ij×ĵ×Ļקת":141372,"Ġgiấ":141373,"Ġgiấc":141374,"ĠproprietÃł":141375,"деÑĢжан":141376,"ĠKöln":141377,"ĠGüzel":141378,"×Ļפ×ķ×Ļ":141379,"ĠCuá»Ļc":141380,"ÑįÑĤаж":141381,"ترÙĥÙĬ":141382,"ترÙĥÙĬز":141383,"ложений":141384,"ĠпÑĥ":141385,"ĠпÑĥÑĤи":141386,"اختÙĦاÙģ":141387,"åĩºãģ¦ãģıãĤĭ":141388,"à¸ļุà¸ģ":141389,"âĿ¤":141390,"ÑĦан":141391,"פש×ĺ":141392,"à¸ļัà¸Ļà¹Ģà¸Ĺ":141393,"à¸ļัà¸Ļà¹Ģà¸Ĺิà¸ĩ":141394,"ĠاÙĦساد":141395,"ĠاÙĦسادس":141396,"ĠاÙĦÙĤÙĪÙħ":141397,"ĠاÙĦÙĤÙĪÙħÙĬ":141398,"Ġyönetici":141399,"ÙĩÙĪات":141400,"ÙĩÙĪاتÙģ":141401,"Ġresponsável":141402,"ĠподдеÑĢжива":141403,"ĠاÙĦسÙĦØ·":141404,"ĠاÙĦسÙĦطات":141405,"ãģĹãģ¦ãģĬãģı":141406,"ãĥļãĥĥãĥĪ":141407,"à¸Ľà¸¸à¹Īม":141408,"ĠoglÄħda":141409,"ÙĨاÙĤ":141410,"ÙĨاÙĤØ´":141411,"à¸Ħà¸Ńà¸Ļà¹Ĥà¸Ķ":141412,"ĠMüsl":141413,"ĠMüslü":141414,"ĠMüslüman":141415,"ĠMoż":141416,"ĠMożna":141417,"Ġnumérique":141418,"Ġvá»ı":141419,"ĠسÙĬتÙħ":141420,"ĠyerleÅŁ":141421,"монÑĤаж":141422,"Ġgoût":141423,"ãģ¦ãģĬãĤĬãģ¾ãģĻ":141424,"ĠKhánh":141425,"Ġедин":141426,"ĠединÑģÑĤв":141427,"اÙĨØ®Ùģ":141428,"اÙĨØ®Ùģاض":141429,"ìĭľíĹĺ":141430,"Ġlặng":141431,"ĠÑĢолÑĮ":141432,"à¸ķัวà¹ģà¸Ĺà¸Ļ":141433,"à¸Ħà¹Īาà¹ĥà¸Ĭà¹ī":141434,"à¸Ħà¹Īาà¹ĥà¸Ĭà¹īà¸Īà¹Īาย":141435,"Ġverfüg":141436,"Ġverfügbar":141437,"ìĻĶëĭ¤":141438,"ãģĦãģļ":141439,"ãģĦãģļãĤĮ":141440,"ĠиÑģÑģледованиÑı":141441,"меÑīа":141442,"×Ķ×Ĺ":141443,"×Ķ×Ĺ×ĸר":141444,"à¹ģà¸Łà¸Ĭัà¹Īà¸Ļ":141445,"تصرÙģ":141446,"إرÙĩاب":141447,"ĠexercÃŃcio":141448,"Ġélev":141449,"Ġélevé":141450,"สัà¸įà¸įาà¸ĵ":141451,"ÃĸZ":141452,"ãĥĹãĥŃãĤ°":141453,"ãĥĹãĥŃãĤ°ãĥ©":141454,"ãĥĹãĥŃãĤ°ãĥ©ãĥł":141455,"ĠwewnÄĻtrzn":141456,"Ġhenüz":141457,"é£Ľãģ³":141458,"à¹Ģà¸Ķà¸Ńรà¹Į":141459,"ÑģÑĥж":141460,"ÑģÑĥжден":141461,"شعÙĪب":141462,"ãģ²ãģ¨ãĤĬ":141463,"ĠwyÅĤÄħ":141464,"ĠwyÅĤÄħcznie":141465,"ĠплоÑħо":141466,"ÐĶÐķ":141467,"Ầ":141468,"ÙģعاÙĦÙĬ":141469,"ÙģعاÙĦÙĬات":141470,"ĠاÙĦعشر":141471,"ÑģÑĤÑĥпил":141472,"Ġyarg":141473,"Ġyargı":141474,"нÑİÑİ":141475,"×ķ×IJ×ij":141476,"Ġuç":141477,"Ġuçak":141478,"ë²½":141479,"تÙĪÙĤÙĬ":141480,"تÙĪÙĤÙĬع":141481,"Ġì¤ijìĭ¬":141482,"׳×Ļ×ķ×ķ×ĺ":141483,"Ø£ÙĥÙĦ":141484,"ç½®ãģĦãģ¦":141485,"éłĤãģį":141486,"Ġ×Ķת×ij":141487,"Ġ×Ķת×ij×Ļ×¢×Ķ":141488,"Ġdürfen":141489,"ÙħÙĤاÙĦ":141490,"ÙħÙĤاÙĦات":141491,"ĠزÙħÙĨ":141492,"à¸ŀฤศ":141493,"à¸ŀฤศà¸Ī":141494,"à¸ŀฤศà¸Īิà¸ģ":141495,"à¸ŀฤศà¸Īิà¸ģายà¸Ļ":141496,"ĠнеÑģколÑĮ":141497,"ĠнеÑģколÑĮки":141498,"ĠнеÑģколÑĮкиÑħ":141499,"Ġcriança":141500,"มิà¸ķร":141501,"×ŀ׼×Ļר×ķת":141502,"à¸ģารà¸ļริหาร":141503,"Ġtélécharg":141504,"Ġ×IJ×ķ×Ķ×ijת":141505,"ĠBüro":141506,"ä½ľãģ£ãģŁ":141507,"ĠKiÅŁi":141508,"ç¾İåij³ãģĹ":141509,"à¹Ģลยà¸Ħà¹Īะ":141510,"à¸ŀà¸ļà¸ģัà¸ļ":141511,"à¸Īà¹īา":141512,"Ġçer":141513,"Ġçerç":141514,"Ġçerçeve":141515,"ãĤĴä½ľãģ£ãģ¦":141516,"ĠпеÑĢвÑĥÑİ":141517,"×ŀצר×Ļ×Ŀ":141518,"×IJ׾×ķ×Ķ":141519,"×IJ׾×ķ×Ķ×Ļ×Ŀ":141520,"Ġagré":141521,"Ġagréable":141522,"Ġayır":141523,"Ä°LÄ°":141524,"ãĤ¥":141525,"ĠíĺĦ":141526,"ĠíĺĦìĭ¤":141527,"ثاÙĦØ«":141528,"ת×ĸ":141529,"ת×ĸ×ķ׳×Ķ":141530,"ãģ¨ãģĦãģ£ãģ¦":141531,"ãģ¨ãģĦãģ£ãģ¦ãĤĤ":141532,"ĠابÙĪ":141533,"ĠÑģобак":141534,"é£Łãģ¹ãģŁ":141535,"Ġданном":141536,"à¹Ģลิ":141537,"à¹Ģลิศ":141538,"Ġíļ":141539,"Ġíļ¨":141540,"Ġíļ¨ê³¼":141541,"ãĤĤãĤīãģĪãĤĭ":141542,"׳צ׾":141543,"ÑĦик":141544,"ÑĦикÑģ":141545,"ĠjesteÅĽmy":141546,"ת×Ĺ×ķש×Ķ":141547,"à¹Ħมà¹Īà¸Ħวร":141548,"ĠØŃسÙĬÙĨ":141549,"à¸ģารลà¸ĩà¸Ĺุà¸Ļ":141550,"ë´¤":141551,"ĠÐĺменно":141552,"à¸ļà¸Ńรà¹Į":141553,"à¸ļà¸Ńรà¹Įà¸Ķ":141554,"ĠCảnh":141555,"ìĦľë¹ĦìĬ¤":141556,"Ġполов":141557,"Ġполовин":141558,"ĠзамеÑĩа":141559,"ãģĦãĤįãĤĵãģª":141560,"Ġ×ij×Ļק":141561,"Ġ×ij×Ļקש":141562,"лÑĥÑĪ":141563,"ãĤĴè¿İ":141564,"ãĤĴè¿İãģĪ":141565,"جرÙĬÙħØ©":141566,"Ġtây":141567,"ĠاÙĦÙĨÙĪ":141568,"ĠاÙĦÙĨÙĪÙĪÙĬ":141569,"ÃĤN":141570,"ì¿ł":141571,"หà¸Ļาว":141572,"Ġ×ij×Ĺש×ij×ķף":141573,"زار":141574,"à¸Ķาร":141575,"à¸Ķารา":141576,"ĠÅĽl":141577,"ĠÅĽlub":141578,"มีà¸Ħวามสุà¸Ĥ":141579,"Ġnhu":141580,"ĠnhuáºŃn":141581,"ÙħØŃطة":141582,"à¹Ģสืà¹īà¸Ńà¸ľà¹īา":141583,"ĠТолÑĮко":141584,"ĠÙĥس":141585,"ĠÙĥسارة":141586,"ÙħشرÙĪع":141587,"niÄĻcia":141588,"×¢×Ľ×©×Ļ×ķ":141589,"تÙĦÙģ":141590,"تÙĦÙģزÙĬ":141591,"تÙĦÙģزÙĬÙĪÙĨ":141592,"ĠlÆ°á»Ľi":141593,"ĠÐľÐ¾ÑģквÑĭ":141594,"Ġréserve":141595,"ĠanlaÅŁ":141596,"ĠanlaÅŁÄ±l":141597,"ĠedeceÄŁi":141598,"รà¸Ńà¸ĩà¹Ģà¸Ĺà¹īา":141599,"Ġبط":141600,"ĠبطرÙĬ":141601,"ĠبطرÙĬÙĤØ©":141602,"ãģ¦ãģĹãģ¾ãģ£ãģ¦":141603,"ãĤĤãĤīãģ£ãģ¦":141604,"برج":141605,"æ±ļ":141606,"æ±ļãĤĮ":141607,"Ġchoc":141608,"Ġchocia":141609,"Ġchociaż":141610,"Ġzobac":141611,"ĠzobaczyÄĩ":141612,"пÑĢÑı":141613,"пÑĢÑıжен":141614,"ĠÑĨиÑĦ":141615,"ĠÑĨиÑĦÑĢ":141616,"Ġмам":141617,"ĠвзÑıÑĤÑĮ":141618,"Ġchạm":141619,"جسÙħ":141620,"ØŃÙħاس":141621,"à¹Ģลà¹Īม":141622,"à¸ŀิษ":141623,"×Ķפ׼×ķ":141624,"à¸Ĭà¹Īà¸Ńà¸ĩà¸Ĺาà¸ĩ":141625,"Ġвек":141626,"Ġвека":141627,"Æ¡Ìģ":141628,"Æ¡Ìģi":141629,"ĠTiá»ģn":141630,"Ġtrầm":141631,"мÑĭÑĪ":141632,"мÑĭÑĪл":141633,"ĠÑĤÑĥ":141634,"ĠÑĤÑĥÑĢиÑģÑĤ":141635,"Ġchc":141636,"ĠchcÄħ":141637,"Ġавг":141638,"ĠавгÑĥÑģÑĤ":141639,"ĠавгÑĥÑģÑĤа":141640,"ס×IJ×ķת":141641,"Ġר×Ĵ׾":141642,"à¸ľà¸¥à¸ģระà¸Ĺ":141643,"à¸ľà¸¥à¸ģระà¸Ĺà¸ļ":141644,"å¤īãĤıãĤĭ":141645,"Ġ×Ķ×IJ×Ĺר×ķ׳×Ļ×Ŀ":141646,"سÙģÙĬر":141647,"ĠÑĩаÑīе":141648,"ãģĦãĤī":141649,"ãģĦãĤīãģ£":141650,"ãģĦãĤīãģ£ãģĹãĤĥ":141651,"×ķ×ŀ׳×Ļ×Ŀ":141652,"Ġarttır":141653,"ĠChá»ĭ":141654,"Ġì¡°ì§ģ":141655,"ĠÑĥÑģпеÑħ":141656,"Ġ×¢×ķס":141657,"Ġ×¢×ķסק":141658,"ĠìĥĿëªħ":141659,"ÑĨиÑĤ":141660,"Ġregión":141661,"ÐŀÐĿ":141662,"ĠdoÄŁum":141663,"ĠyaÅŁad":141664,"ĠyaÅŁadıģı":141665,"à¸Ĺà¸Ķลà¸Ńà¸ĩ":141666,"Ġgözü":141667,"ש×Ļר×Ķ":141668,"дÑĥмал":141669,"Ġdaģı":141670,"Ġdaģıt":141671,"à¸Ĺีมà¸ĩาà¸Ļ":141672,"Ġtiá»ģm":141673,"ĠاÙĦÙĥبر":141674,"ĠاÙĦÙĥبرÙī":141675,"ì¹Ń":141676,"ĠGünc":141677,"ĠGüncelle":141678,"ĠGüncelleme":141679,"ê¹Ĭ":141680,"ĠобоÑĢÑĥдование":141681,"ĠÑĢеÑĪа":141682,"Ụ":141683,"ĠпиÑĤ":141684,"ĠпиÑĤаниÑı":141685,"à¹Ģรียà¸ļ":141686,"×Ľ×ª×Ļ×ij×Ķ":141687,"Ġпон":141688,"ĠпонÑĢав":141689,"ĠпонÑĢави":141690,"Ġ×Ķ×ķ׾×ĵ":141691,"Ġ×Ķ×ķ׾×ĵת":141692,"Ġê²ģ":141693,"Ġê²ģëĭĪëĭ¤":141694,"ĠпеÑĢвой":141695,"ãĥ©ãĤ¤ãĥķ":141696,"ĠÅŁiir":141697,"krÄĻ":141698,"krÄĻc":141699,"Ġthiá»ĥu":141700,"à¹Ģลยà¸Ĺี":141701,"à¹Ģลยà¸Ĺีà¹Ģà¸Ķียว":141702,"×ĺ×¢×ł×ķת":141703,"ائÙĩÙħ":141704,"Ġ×IJס×ķר":141705,"ĠплаÑĤеж":141706,"تردد":141707,"Ġmożliwe":141708,"ĠkhỼ":141709,"ĠkhỼp":141710,"تÙģاعÙĦ":141711,"ĠÑĪколÑĮ":141712,"ĠÑĪколÑĮн":141713,"ĠÙĤصة":141714,"Ġmétier":141715,"nÄĻÅĤa":141716,"หลà¹Īà¸Ń":141717,"Ġủng":141718,"Ġprzegl":141719,"ĠprzeglÄħd":141720,"ĠاÙĦÙħتعÙĦ":141721,"ĠاÙĦÙħتعÙĦÙĤØ©":141722,"ĠÑģÑĭн":141723,"Ġволн":141724,"ãĥĩãĥ¼ãĥĪ":141725,"ĠÐŃÑĤи":141726,"ĠкÑĢоме":141727,"à¸Ħารà¹Į":141728,"׳ק×ķ×ĵ×Ķ":141729,"Ġ׾ש×ŀ×ķ×¢":141730,"Ġ×ĸ×ķ׼ר":141731,"Ｇ":141732,"ÙĬÙİا":141733,"Ġgiá»ıi":141734,"åĥįãģı":141735,"ĠÑģни":141736,"ĠÑģнижен":141737,"à¹ģà¸Ķà¸Ķ":141738,"รุà¸Ļ":141739,"รุà¸Ļà¹ģรà¸ĩ":141740,"Ġhiá»ĩp":141741,"ografÃŃa":141742,"à¹Ģà¸Īà¸Ńรà¹Į":141743,"Ġдвиг":141744,"ĠдвигаÑĤ":141745,"ĠдвигаÑĤел":141746,"Ġüy":141747,"Ġüyeler":141748,"Ġüyeleri":141749,"ĠбÑĥк":141750,"ĠбÑĥкв":141751,"ãĤĤå¤ļãģı":141752,"Ġthiá»ĩt":141753,"ĠPaÃŃs":141754,"ĠطبÙĬعÙĬ":141755,"à¹ģà¸Īà¸ģ":141756,"ĠاÙĦصØŃÙĬØŃ":141757,"Ġappré":141758,"Ġappréci":141759,"Ġdecisión":141760,"Ġë°ĺëĵľ":141761,"Ġë°ĺëĵľìĭľ":141762,"ĠÑĤебе":141763,"ãĤ·ãĥ¼ãĤº":141764,"ãĤ·ãĥ¼ãĤºãĥ³":141765,"ĠдалÑĮн":141766,"ĠìĬ¤":141767,"ĠìĬ¤ìĬ¤":141768,"ĠìĬ¤ìĬ¤ë¡ľ":141769,"ĠThá»ĥ":141770,"ĠkarÅŁ":141771,"ĠkarÅŁÄ±s":141772,"ĠkarÅŁÄ±sında":141773,"ĠKön":141774,"ĠKönig":141775,"ивание":141776,"×ij×ķצע":141777,"глаÑģ":141778,"Ġtwó":141779,"Ġtwórc":141780,"à¸Ľà¸ģà¸Ħร":141781,"à¸Ľà¸ģà¸Ħรà¸Ńà¸ĩ":141782,"ĠGÅĤ":141783,"ĠGÅĤówn":141784,"ĠUnterstüt":141785,"ĠUnterstützung":141786,"ĠдÑĥÑħ":141787,"ĠдÑĥÑħов":141788,"Ø£ÙħاÙĨ":141789,"×Ĺשש":141790,"تظ":141791,"تظاÙĩر":141792,"ĠлÑİбом":141793,"à¸ķาร":141794,"à¸ķาราà¸ĩ":141795,"Ġkról":141796,"Ø£ØŃدث":141797,"ì¡Įëĭ¤":141798,"ÐļÑĥÑĢÑģ":141799,"ãĥĥãĥĦ":141800,"×ŀק×ķ×ij׾":141801,"ĠÑģимвол":141802,"Ġdésorm":141803,"Ġdésormais":141804,"wüns":141805,"wünsche":141806,"Ñĥни":141807,"ÑĥниÑĨип":141808,"ÑĥниÑĨипалÑĮн":141809,"หลัà¸ģสูà¸ķร":141810,"ÙĨتشر":141811,"Ġал":141812,"Ġалк":141813,"Ġалког":141814,"Ġалкогол":141815,"ĠÑĥÑĩиÑĤÑĭва":141816,"à¸ģำà¸ģัà¸ļ":141817,"Ġ×ľ×¤×¢×ķ׾":141818,"ĠìĹ°ê²°":141819,"sÄħd":141820,"ĠاÙĦØ£ÙĬ":141821,"ĠاÙĦØ£ÙĬاÙħ":141822,"غÙĬاب":141823,"ĠнаÑĢ":141824,"ĠнаÑĢко":141825,"×ŀ×ķ×ĵ×¢":141826,"ĠÑģеÑĢии":141827,"пиÑģÑĭва":141828,"สิว":141829,"ç¶ļãģĦãģ¦":141830,"çĶ³ãģĹè¾¼ãģ¿":141831,"Ġ׾×Ĵר":141832,"Ġ׾×Ĵר×ķ×Ŀ":141833,"Ġдем":141834,"Ġдемо":141835,"Ġë³´ëĤ´":141836,"تÙĩدÙĬد":141837,"ĠÙħØ´ÙĬرا":141838,"Ġduy":141839,"Ġduyá»ĩt":141840,"ĠwiÄĻksze":141841,"ÙħعاÙĬ":141842,"ÙħعاÙĬÙĬر":141843,"ĠGda":141844,"ĠGdaÅĦsk":141845,"Ġrah":141846,"Ġrahats":141847,"Ġrahatsız":141848,"ר×ķצ×Ķ":141849,"lös":141850,"lösung":141851,"ĠТаким":141852,"ÑĪед":141853,"ÑĪедÑĪ":141854,"عزÙĦ":141855,"Ġרש×Ļ×ŀת":141856,"Ġ׾×Ķ×Ļ׼":141857,"Ġ׾×Ķ×Ļ×Ľ×ł×¡":141858,"ĠпÑĥÑĤ":141859,"ĠпÑĥÑĤеÑĪ":141860,"ĠпÑĥÑĤеÑĪеÑģÑĤв":141861,"ĠnotÃŃcia":141862,"ĠalÄ±ÅŁ":141863,"ĠalÄ±ÅŁver":141864,"ĠalÄ±ÅŁveriÅŁ":141865,"ĠwÅĤos":141866,"ĠwÅĤosów":141867,"Ġبغ":141868,"Ġبغداد":141869,"Ġveröffent":141870,"Ġveröffentlicht":141871,"ĠKhá":141872,"Ġtán":141873,"ëIJĺ기":141874,"Ġ방문":141875,"ÙģÙĬÙĦ":141876,"à¹Ģà¸ģิà¸Ķà¸Īาà¸ģ":141877,"åı¯æĦĽ":141878,"åı¯æĦĽãģĦ":141879,"à¸ĸุà¸ĩ":141880,"ĠzewnÄĻtrzn":141881,"à¸łà¸²à¸©à¸²à¸Ńัà¸ĩà¸ģฤษ":141882,"Ġmáxima":141883,"Ġulus":141884,"Ġuluslararası":141885,"Ġ׳×Ķ׳":141886,"à¸Ĥà¹Īาวสาร":141887,"ĠìĿĺìĤ¬":141888,"à¹Ģหลืà¸Ńà¸ĩ":141889,"ĠدÙĤ":141890,"ĠدÙĤائÙĤ":141891,"สืà¹Īà¸Ńสาร":141892,"먼":141893,"ĠÑģоÑģÑĤоÑıнии":141894,"สมาà¸Ħม":141895,"á»Ĥ":141896,"ĠÐľÐ¾Ñģков":141897,"ĠÐľÐ¾ÑģковÑģк":141898,"×ŀס×ķ×Ĵ׾":141899,"ãģĭãģĭãĤĬ":141900,"ĠTruyá»ģn":141901,"à¹ģà¸Ĥà¹ĩà¸ĩà¹ģรà¸ĩ":141902,"×ŀ×Ĺ×ĸ×Ļק":141903,"à¹Ĥà¸ģà¹ī":141904,"ÙĬسر":141905,"ìĶ©":141906,"×IJ×ķק":141907,"×IJ×ķק×ĺ":141908,"×IJ×ķק×ĺ×ķ×ijר":141909,"Ġproximité":141910,"ÙħÙĨÙĩج":141911,"ĠاÙĦجز":141912,"ĠاÙĦجزائ":141913,"ĠاÙĦجزائرÙĬ":141914,"ĠÄIJiá»ĥm":141915,"Ġденеж":141916,"Ġденежн":141917,"ÙģØŃص":141918,"Ùģئ":141919,"ĠÐijÑĥд":141920,"×Ĵ×Ļ×ĵ×ķ׾":141921,"ĠÐĴедÑĮ":141922,"عÙĦاÙħØ©":141923,"Ġ×IJ×Ĺר×ķ׳×ķת":141924,"ãģĦãģŁãģłãģĦãģ¦":141925,"سÙĦØŃ":141926,"ØŃÙĦÙħ":141927,"زÙĪار":141928,"Ùĥسر":141929,"×ĺקס":141930,"Ġбан":141931,"Ġбанков":141932,"ĠпÑĢож":141933,"ĠпÑĢожива":141934,"liwo":141935,"liwoÅĽci":141936,"ĠTiếp":141937,"ĠاÙĦÙħÙĨاسب":141938,"ĠاÙĦØ®ÙĬار":141939,"ãģĬãģĭ":141940,"ãģĬãģĭãģĴ":141941,"à¸Ķà¸Ńà¸ģà¹Ħมà¹ī":141942,"ämp":141943,"ämpfe":141944,"à¸ķัà¹īà¸ĩà¹ĥà¸Ī":141945,"ĠзаÑīиÑĤ":141946,"ĠзаÑīиÑĤÑĭ":141947,"ĠThÆ°á»Ŀng":141948,"ĠصÙģ":141949,"ĠصÙģØŃØ©":141950,"×Ĺ×ķרף":141951,"ãĥIJãĥĥãĤ°":141952,"Ġ×ĵ×Ļ×Ĵ":141953,"Ġ×ĵ×Ļ×Ĵ×Ļ×ĺ":141954,"Ġ×ĵ×Ļ×Ĵ×Ļ×ĺ׾×Ļ":141955,"Ġ×Ķ×Ĺ×ķ׾×Ļ×Ŀ":141956,"веÑī":141957,"веÑīа":141958,"ĠкÑĥлÑĮÑĤ":141959,"ĠкÑĥлÑĮÑĤÑĥ":141960,"ĠкÑĥлÑĮÑĤÑĥÑĢÑĭ":141961,"ĠاÙĦاÙĨترÙĨت":141962,"Ġhöch":141963,"Ġhöchst":141964,"Ġíĺķ":141965,"Ġíĺķíĥľ":141966,"Ġвой":141967,"ĠвойнÑĭ":141968,"ÐĽÐŀ":141969,"ìĭłìļ©":141970,"Ġ×ŀ×ij×ķס":141971,"Ġ×ŀ×ij×ķסס":141972,"×ŀ׳×Ļ×¢":141973,"Ġfiyatı":141974,"ĠÑģлÑĥж":141975,"ĠÑģлÑĥжбÑĭ":141976,"à¸Ĺัศ":141977,"à¸Ĺัศà¸Ļ":141978,"ãģĵãģ¨ãģĮå¤ļãģĦ":141979,"Ġ×Ķ×ŀשת":141980,"Ġ×Ķ×ŀשת×ŀש":141981,"å¯ĦãģĽ":141982,"×ŀש׾×ķ×Ĺ":141983,"æĻĤçĤ¹":141984,"æĻĤçĤ¹ãģ§":141985,"à¸ŀรี":141986,"à¸ŀรีà¹Ģมีย":141987,"à¸ŀรีà¹Ģมียรà¹Į":141988,"à¸ŀรีà¹Ģมียรà¹Įลีà¸ģ":141989,"Ġdifficolt":141990,"ĠdifficoltÃł":141991,"ãĥ¬ãĤ¹ãĥĪ":141992,"ãĥ¬ãĤ¹ãĥĪãĥ©ãĥ³":141993,"สมà¹Ģà¸Ķà¹ĩ":141994,"สมà¹Ģà¸Ķà¹ĩà¸Ī":141995,"Ġжид":141996,"Ġжидк":141997,"ĠzupeÅĤ":141998,"ĠzupeÅĤnie":141999,"ĠÙħجر":142000,"ĠÙħجرد":142001,"ãģĮå§ĭ":142002,"ãģĮå§ĭãģ¾":142003,"ãĤŃãĥ£ãĥ©":142004,"Ġ×IJ×ķ×ķ×Ļר":142005,"ãģĬäºĴ":142006,"ãģĬäºĴãģĦ":142007,"ĠpotrÃł":142008,"ĠPaÅĦst":142009,"ĠPaÅĦstwo":142010,"ĠبÙĬاÙĨ":142011,"ĠبÙĬاÙĨات":142012,"Ġиногда":142013,"ĠÑĢа":142014,"ĠÑĢаÑģÑĤв":142015,"ĠÑĢаÑģÑĤвоÑĢ":142016,"Ġ×ĸ×ŀ׳":142017,"ยิà¹īม":142018,"ÄĨ":142019,"ãģ¾ãģķ":142020,"ãģ¾ãģķãģ«":142021,"ãĥķãĤ¡ãĤ¤ãĥ«":142022,"ĠgördÃ¼ÄŁÃ¼":142023,"สà¸ĩà¸Ħร":142024,"สà¸ĩà¸Ħราม":142025,"ĠArkadaÅŁ":142026,"ĠrozwiÄħzania":142027,"×ŀ×ķ×ĺ":142028,"piÄĻ":142029,"piÄĻt":142030,"صغر":142031,"สย":142032,"สยาม":142033,"ãĤĨãģ£ãģıãĤĬ":142034,"Ġtrần":142035,"ĠeconomÃŃa":142036,"Ġgehören":142037,"ãĤ·ãĥ§ãĥ¼":142038,"ĠsÅĤucha":142039,"à¸ŀà¸Ńà¹ĥà¸Ī":142040,"ĠоÑĤмеÑĤил":142041,"ÙĨتÙĤÙĦ":142042,"Ġpropósito":142043,"ĠваÑĪего":142044,"Ġnhắn":142045,"à¹ģà¸ĸว":142046,"ĠкомиÑģ":142047,"ĠкомиÑģÑģи":142048,"ważnie":142049,"ĠyavaÅŁ":142050,"×ŀ×Ļק":142051,"×ŀ×Ļק×ķ×Ŀ":142052,"ש×IJ×ľ×ª":142053,"Ġyıllarda":142054,"ĠЮ":142055,"ĠЮÑĢ":142056,"×ł×¡×Ļ×ij×ķת":142057,"תצ":142058,"תצ×ķ×Ĵ":142059,"ĠоднÑĥ":142060,"Ġà¸Ńยà¹Īาà¸ĩà¹Ħร":142061,"Ġà¸Ńยà¹Īาà¸ĩà¹Ħรà¸ģà¹ĩà¸ķาม":142062,"ëģ¼":142063,"à¹Ħลà¹Ī":142064,"تسÙĦÙĬÙħ":142065,"بÙĦاغ":142066,"Ġìī":142067,"Ġìī½":142068,"Ġìī½ê²Į":142069,"ãĥļãĥ³":142070,"звÑĥÑĩ":142071,"ĠWäh":142072,"ĠWährend":142073,"Ġ×Ļ×Ļת":142074,"Ġ×Ļ×Ļ×ª×Ľ×Ł":142075,"Ġkhuyên":142076,"Ġvẽ":142077,"ĠамеÑĢ":142078,"ĠамеÑĢик":142079,"ĠамеÑĢикан":142080,"ĠамеÑĢиканÑģк":142081,"عجب":142082,"ãĥĽãĥ¼ãĥłãĥļãĥ¼ãĤ¸":142083,"ĠникÑĤо":142084,"ĠÙĤÙİ":142085,"ĠÙĤÙİاÙĦ":142086,"ĠÙĤÙİاÙĦÙİ":142087,"ÐIJÐĹ":142088,"ÙħجÙħÙĪع":142089,"ÙħجÙħÙĪعات":142090,"ĠnecessitÃł":142091,"Ġpobli":142092,"Ġpobliżu":142093,"Ġphấn":142094,"ĠСообÑī":142095,"ÙħÙĤاط":142096,"ÙħÙĤاطع":142097,"Ġ×Ķצ×ķר×ļ":142098,"laÅŁtırma":142099,"วิà¸Ķ":142100,"วิà¸Ķี":142101,"วิà¸Ķีà¹Ĥà¸Ń":142102,"Ġ그리ìĬ¤":142103,"Ġ그리ìĬ¤ëıĦ":142104,"ãĤ¿ãĤ¤ãĥŁ":142105,"ãĤ¿ãĤ¤ãĥŁãĥ³ãĤ°":142106,"ק×ĺ×Ĵ×ķר":142107,"ק×ĺ×Ĵ×ķר×Ļ×Ķ":142108,"Ġ×Ĺ×ķפ":142109,"Ġ×Ĺ×ķפש×Ļ":142110,"أجر":142111,"Ġимени":142112,"ĠÑĢанее":142113,"à¹Ģà¸ŀืà¹Īà¸Ńà¸Ļà¹Ĩ":142114,"ĠJesús":142115,"Ñģоедин":142116,"Ñģоединен":142117,"Ġר×Ĺ×ķק":142118,"à¹Ĥà¸ļรา":142119,"à¹Ĥà¸ļราà¸ĵ":142120,"ĠHÆ¡n":142121,"ĠtháºŃp":142122,"تعÙĬÙĬÙĨ":142123,"ĠtartÄ±ÅŁ":142124,"ĠtartÄ±ÅŁma":142125,"ĠGespr":142126,"ĠGespräch":142127,"תר×ķפ":142128,"תר×ķפ×ķת":142129,"Ġcatégorie":142130,"ĠоказÑĭва":142131,"ĠналиÑĩие":142132,"Ġprésenté":142133,"Ġkull":142134,"Ġkulland":142135,"Ġkullandı":142136,"Ġünl":142137,"Ġünlü":142138,"ĠÙģÙĥرة":142139,"изаÑĤоÑĢ":142140,"×IJ×ķ׳":142141,"×IJ×ķ׳×Ļ×ij":142142,"×IJ×ķ׳×Ļ×ijרס":142143,"×IJ×ķ׳×Ļ×ijרס×Ļ×ĺת":142144,"ĠÑĢаÑģÑģмаÑĤ":142145,"ĠÑĢаÑģÑģмаÑĤÑĢ":142146,"ĠÑĢаÑģÑģмаÑĤÑĢива":142147,"تÙĥÙĦÙħ":142148,"ÙĥترÙĪ":142149,"ÙĥترÙĪÙĨÙĬ":142150,"ĠÑģоÑĩеÑĤ":142151,"ĠÑģоÑĩеÑĤа":142152,"ãĤĴè¦ĭãģĽ":142153,"Ġngừa":142154,"ĠÐłÐµÑģп":142155,"ĠÐłÐµÑģпÑĥб":142156,"ĠÐłÐµÑģпÑĥблик":142157,"ãĤ¦ãĤ©":142158,"ãĤ¦ãĤ©ãĥ¼":142159,"ĠÐľÐµÐ¶Ð´Ñĥ":142160,"ĠìŀĪê²Į":142161,"Ġmâ":142162,"ĠìļĶì²Ń":142163,"ضار":142164,"ลุà¹īà¸Ļ":142165,"ëĮĢíķĻêµIJ":142166,"×ĸ×Ļ׼":142167,"×ĸ×Ļ׼ר×ķף":142168,"ãĤ¹ãĥļ":142169,"ãĤ¹ãĥļãĥ¼ãĤ¹":142170,"ĠкÑĢаÑģоÑĤ":142171,"Ｈ":142172,"ê¼Ń":142173,"ãĤĴéĽĨ":142174,"ãĤĴéĽĨãĤģ":142175,"ë°Ŀ":142176,"Ġ×Ķ׳×IJ":142177,"Ġ×Ķ׳×IJש×Ŀ":142178,"Ġê°Ģìļ´":142179,"Ġê°Ģìļ´ëį°":142180,"تÙĥÙĦÙģØ©":142181,"ĠØŃÙĤÙĬÙĤÙĬ":142182,"Ġhalk":142183,"Ġhalkın":142184,"ÑİÑīÑĥÑİ":142185,"ĠÑģпин":142186,"סר×ĺף":142187,"ĠпеÑĢвого":142188,"Ġполож":142189,"ĠположиÑĤелÑĮн":142190,"Ġдл":142191,"ĠдлиÑĤелÑĮн":142192,"ĠVÄ©nh":142193,"ê´´":142194,"ĠÑģÑĭÑĢ":142195,"ĠíĨµíķĺìŬ":142196,"ë³ijìĽIJ":142197,"à¹Ĥรà¸ĩà¸ĩาà¸Ļ":142198,"รัà¸ļà¸ľà¸´à¸Ķ":142199,"รัà¸ļà¸ľà¸´à¸Ķà¸Ĭà¸Ńà¸ļ":142200,"تجÙĨب":142201,"sÅĤ":142202,"sÅĤuch":142203,"ãĤ¢ãĥ«ãĥIJ":142204,"ãĤ¢ãĥ«ãĥIJãĥł":142205,"ëī´ìĬ¤":142206,"Ġpatië":142207,"Ġpatiënt":142208,"Ġìĺ¤í":142209,"Ġìĺ¤íŀ":142210,"Ġìĺ¤íŀĪ":142211,"Ġìĺ¤íŀĪ볤":142212,"ĠDerne":142213,"ĠDerneÄŁi":142214,"wróci":142215,"wróciÄĩ":142216,"ĠобÑī":142217,"ĠобÑīеÑģÑĤв":142218,"ĠобÑīеÑģÑĤвенно":142219,"ĠêµIJìĪĺ":142220,"tıģımız":142221,"Ġ×Ķ×ŀש×Ļ×ij":142222,"körper":142223,"Ġпозвол":142224,"ĠпозволиÑĤ":142225,"ĠChiến":142226,"أخÙĪ":142227,"ĠAydın":142228,"à¸Ķà¹īาà¸Ļล":142229,"à¸Ķà¹īาà¸Ļลà¹Īาà¸ĩ":142230,"Ġdru":142231,"Ġdruż":142232,"Ġdrużyn":142233,"Ġë°ľíijľ":142234,"ĠThảo":142235,"جÙĩاد":142236,"à¸ģระà¸Ĺูà¹ī":142237,"ĠкÑĢов":142238,"ĠкÑĢови":142239,"Ġiçerik":142240,"Ġnadzie":142241,"ĠnadziejÄĻ":142242,"ĠСмоÑĤÑĢ":142243,"Ġphức":142244,"جتÙħاع":142245,"جتÙħاعÙĬØ©":142246,"компон":142247,"компоненÑĤ":142248,"Ġбил":142249,"ĠбилеÑĤ":142250,"ãĥIJãĥ³ãĥī":142251,"ĠPolÃŃcia":142252,"اÙĦتÙĩ":142253,"اÙĦتÙĩاب":142254,"ØŃرÙģ":142255,"تخط":142256,"تخطÙĬØ·":142257,"ãĤ³ãĥ¼ãĥ":142258,"ãĤ³ãĥ¼ãĥĴ":142259,"ãĤ³ãĥ¼ãĥĴãĥ¼":142260,"･･･":142261,"à¸ĭà¸Ńย":142262,"Ġcrédit":142263,"è²·ãģ£ãģŁ":142264,"ĠпоÑĢÑıд":142265,"ĠпоÑĢÑıдке":142266,"Ġphó":142267,"Ġwida":142268,"ĠwidaÄĩ":142269,"جرائÙħ":142270,"à¸ľà¸µ":142271,"ĠbÄĻdÄĻ":142272,"Ġ×ŀפת×Ĺ":142273,"ãĥijãĥ¼ãĥ":142274,"ãĥijãĥ¼ãĥĨ":142275,"ãĥijãĥ¼ãĥĨãĤ£":142276,"ãĥijãĥ¼ãĥĨãĤ£ãĥ¼":142277,"ĠKaż":142278,"ĠKażdy":142279,"ĠнеобÑħодимоÑģÑĤи":142280,"à¸Łà¸Ńรà¹Į":142281,"à¸Łà¸Ńรà¹Įม":142282,"ĠмалÑĭÑĪ":142283,"ĠплоÑĤ":142284,"ĠÑĥÑģÑĤÑĢой":142285,"ĠÑĥÑģÑĤÑĢойÑģÑĤва":142286,"à¸ĸà¸Ńà¸Ļ":142287,"ĠoluÅŁturul":142288,"ĠÅĽwiad":142289,"ĠÅĽwiadom":142290,"ÙħعÙĩد":142291,"ĠпÑĢоизведен":142292,"Æł":142293,"ר×Ļש":142294,"Ùħستث":142295,"ÙħستثÙħر":142296,"׳×Ļ×Ļר":142297,"pañ":142298,"Ġ;-)":142299,"Ġë°ľê²¬":142300,"Ġgörüyor":142301,"ÙħؤÙĦÙģ":142302,"ĠÄIJá»ģ":142303,"ĠاÙĦÙĨÙĪاب":142304,"×Ĺק×Ļר×Ķ":142305,"Ġmá»ıi":142306,"è¿°ãģ¹":142307,"ÐĿик":142308,"ìŀĸìķĦ":142309,"ìŀĸìķĦìļĶ":142310,"prowadziÅĤ":142311,"lóg":142312,"lógica":142313,"פס×ĺ":142314,"פס×ĺ×Ļ×ij׾":142315,"Ġ×ŀ×ĵ×Ķ":142316,"Ġ×ŀ×ĵ×Ķ×Ļ×Ŀ":142317,"ãģĵãģĵãģ¾ãģ§":142318,"×Ķת×Ĺ":142319,"×Ķת×Ĺ׾×Ķ":142320,"Ġפ×ķס":142321,"Ġפ×ķס×ĺ×Ļ×Ŀ":142322,"Ġнев":142323,"Ġневоз":142324,"Ġневозможно":142325,"ĠdostÄĻpny":142326,"ĠغاÙĦ":142327,"ĠغاÙĦب":142328,"ĠbezpieczeÅĦst":142329,"ĠbezpieczeÅĦstwa":142330,"åĪĨãģĭãĤĭ":142331,"ĠFührung":142332,"à¸ģีà¹ī":142333,"gemÃ¤ÃŁ":142334,"à¸Ĭà¹Īวà¸ĩà¹Ģวลา":142335,"Ġìļ°ë¦¬ëĤĺ":142336,"Ġìļ°ë¦¬ëĤĺëĿ¼":142337,"ãģ¥ãģıãĤĬ":142338,"ĠاÙĦÙħسÙĦ":142339,"ĠاÙĦÙħسÙĦØŃØ©":142340,"Ġliberté":142341,"клÑİÑĩение":142342,"Ġzamów":142343,"Ġzamówienia":142344,"รà¸ĸà¹Ħà¸Ł":142345,"Ø£ÙģÙĦ":142346,"Ø£ÙģÙĦاÙħ":142347,"Ùħراج":142348,"Ùħراجعة":142349,"Ġë¹ĦêµIJ":142350,"ĠاÙĦتاب":142351,"ĠاÙĦتابعة":142352,"Ġë§ĮëĤĺ":142353,"ĠбÑĥм":142354,"ĠбÑĥмаг":142355,"Ġgénero":142356,"Ġìŀĺ못":142357,"×ŀפ×ķר×ĺ":142358,"è²·ãģĦçī©":142359,"ĠÙĦدÙĬÙĥ":142360,"Ġ×ľ×¢×Ļת":142361,"Ġ×ľ×¢×Ļת×Ļ×Ŀ":142362,"ĠsÅĤab":142363,"ĠпÑĢедÑģÑĤавлÑı":142364,"ãĤ¿ãĤ¤ãĥĪ":142365,"ãĤ¿ãĤ¤ãĥĪãĥ«":142366,"Ùħص":142367,"ÙħصطÙģ":142368,"ÙħصطÙģÙī":142369,"Ġdifficulté":142370,"ãĥĨãĤ£ãĥĸ":142371,"ĠpewnoÅĽci":142372,"ĠpewnoÅĽciÄħ":142373,"Ġ무ìĬ¨":142374,"إرس":142375,"إرساÙĦ":142376,"ĠдалÑĮ":142377,"ĠдалÑĮÑĪе":142378,"Ġ×ľ×ł×¡":142379,"Ġ×ľ×ł×¡×ķת":142380,"หมูà¹Īà¸ļà¹īาà¸Ļ":142381,"×ŀס×ŀ׼×Ļ":142382,"أسÙĦÙĪب":142383,"ĠzwÅĤ":142384,"ĠzwÅĤas":142385,"ĠzwÅĤaszc":142386,"ĠzwÅĤaszcza":142387,"ĠпÑĢеж":142388,"ĠпÑĢежде":142389,"ĠоÑĢганизаÑĨиÑı":142390,"Ġdönemin":142391,"Ġdöneminde":142392,"ĠỦ":142393,"ĠỦy":142394,"ä¸ĭãģĴ":142395,"ĠпоÑģледние":142396,"Ġgüne":142397,"ĠgüneÅŁ":142398,"Ġ×IJ×ĸר":142399,"Ġ×IJ×ĸר×Ĺ×Ļ":142400,"ãģ§ãģĤãĤįãģĨ":142401,"ĠÙĨÙĤ":142402,"ĠÙĨÙĤاط":142403,"æŃ£ãģĹãģĦ":142404,"ĠÑĢег":142405,"ĠÑĢегиона":142406,"ĠFörder":142407,"ê²½ìĺģ":142408,"dıklar":142409,"dıklarını":142410,"trzymaÄĩ":142411,"أشÙĥ":142412,"أشÙĥاÙĦ":142413,"×Ķת×IJ":142414,"×Ķת×IJ×ŀ×Ķ":142415,"à¸Ĺำà¹ĥหà¹īà¹Ģà¸ģิà¸Ķ":142416,"ĠGebä":142417,"ĠGebäude":142418,"ĠСеÑĢг":142419,"ĠСеÑĢгей":142420,"ĠздоÑĢов":142421,"ĠздоÑĢовÑĮÑı":142422,"Ġrãi":142423,"ĠпÑĢедÑĥÑģ":142424,"ĠпÑĢедÑĥÑģмоÑĤÑĢ":142425,"ĠпÑĢедÑĥÑģмоÑĤÑĢен":142426,"Ġ×Ķצ×Ļ×ij":142427,"Ġ×Ķצ×Ļ×ij×ķר×Ļ":142428,"Ġdésir":142429,"ĠноÑĩ":142430,"ĠноÑĩÑĮ":142431,"möglichkeiten":142432,"Ġ×IJ×Ĺר×ķ׳×Ļ×Ŀ":142433,"Ġsoirée":142434,"ĠNháºŃn":142435,"Ùª":142436,"à¸Ľà¸£à¸°à¸§à¸±à¸ķิศาสà¸ķรà¹Į":142437,"êµIJíĨµ":142438,"ĠأخÙĬ":142439,"Ġdécid":142440,"Ġdécidé":142441,"Ġwyja":142442,"ĠwyjaÅĽni":142443,"Ġสิ":142444,"Ġสิà¸ĩ":142445,"Ġสิà¸ĩหา":142446,"Ġสิà¸ĩหาà¸Ħม":142447,"à¹ģà¸Ńรà¹Į":142448,"หà¸Ļà¹īาà¸Īà¸Ń":142449,"סתר":142450,"Ġê¶":142451,"Ġê¶Į":142452,"Ġê¶Į리":142453,"plätze":142454,"بطÙĦ":142455,"ê±´ìĦ¤":142456,"Ġ×IJ×Ļ×ŀ×Ļ":142457,"Ġ×IJ×Ļ×ŀ×Ļ×Ļ׾":142458,"ãģ½":142459,"تراث":142460,"×IJ׾×Ļ×ŀ×ķת":142461,"ĠdisponÃŃveis":142462,"Ġzale":142463,"Ġzależy":142464,"à¸Ľà¸£à¸°à¸Ĭาสัมà¸ŀัà¸Ļà¸ĺà¹Į":142465,"ĠÅļwiat":142466,"Ġporówn":142467,"Ġporówna":142468,"Ġ׾×ĺ×ķ×ijת":142469,"×Ķ×ĸ×ŀ׳×Ķ":142470,"Ġ×Ľ×ª×ķצ×IJ×Ķ":142471,"Ġ×ijק׾":142472,"Ġ×ijק׾×ķת":142473,"ĠоÑĤкÑĢ":142474,"ĠоÑĤкÑĢÑĭва":142475,"ãĥijãĥ¯ãĥ¼":142476,"ë¿IJë§Į":142477,"ĠвÑģÑı":142478,"ĠвÑģÑıк":142479,"ãģ¨ãģªãģ£ãģ¦ãģĦãĤĭ":142480,"ĠgiáºŃn":142481,"ĠокÑĢÑĥ":142482,"ĠокÑĢÑĥжа":142483,"ĠокÑĢÑĥжаÑİÑī":142484,"ĠUniversität":142485,"ĠÑĢож":142486,"ĠÑĢожд":142487,"ĠÑĢождениÑı":142488,"Ø®ÙĬÙĦ":142489,"Ġкомпаний":142490,"ĠÑĢазлиÑĩнÑĭе":142491,"ĠЦена":142492,"׳×Ļ×ķ×ĸ":142493,"׳×Ļ×ķ×ĸ׾":142494,"׳×Ļ×ķ×ĸ׾×ĺר":142495,"Ġê³µê°Ħ":142496,"Ġê°ľëħIJ":142497,"landırma":142498,"ĠÑĥдален":142499,"à¸ŀัà¸ģà¸ľ":142500,"à¸ŀัà¸ģà¸ľà¹Īà¸Ńà¸Ļ":142501,"Ġprotección":142502,"ĠbÅĤ":142503,"ĠbÅĤÄĻd":142504,"ÃĪ":142505,"Ġíĸīë³µ":142506,"ĠÅŁÃ¼":142507,"ĠÅŁÃ¼phe":142508,"ĠíĶ":142509,"ĠíĶ¼":142510,"ĠíĶ¼íķ´":142511,"Ġëĭ¤ë¥´":142512,"à¹Ħมà¹Īà¹Ģà¸ģิà¸Ļ":142513,"ãģ¿ãģª":142514,"ãģ¿ãģªãģķãĤĵ":142515,"ĠпоÑĤÑĢеб":142516,"ĠпоÑĤÑĢебиÑĤел":142517,"ĠاÙĦÙĥÙĦاÙħ":142518,"ìķĦë²Ħ":142519,"ìķĦë²Ħì§Ģ":142520,"ãĤĴ使ãģ£ãģŁ":142521,"Ġbụi":142522,"ĠпоÑĤеÑĢ":142523,"ĠпоÑĤеÑĢÑı":142524,"ĠØ¢ÙĦاÙģ":142525,"ĠнаÑģÑĤоÑıÑīее":142526,"ãģıãģªãĤĬãģ¾ãģĹãģŁ":142527,"clusão":142528,"ãĤ³ãĥĶãĥ¼":142529,"צפ×Ļ":142530,"צפ×Ļ×Ļ×Ķ":142531,"Ø®ÙĦا":142532,"Ø®ÙĦاص":142533,"ลà¹īำ":142534,"ãĥ¯ãĤ¤ãĥ³":142535,"Ġมีà¸Ļา":142536,"Ġมีà¸Ļาà¸Ħม":142537,"شخص":142538,"شخصÙĬات":142539,"Ġ×ĸק":142540,"Ġ×ĸק×ķק":142541,"×Ļ×Ļצ":142542,"×Ļ×Ļצ×Ĵ":142543,"èĢĥãģĪæĸ¹":142544,"Ġürünü":142545,"ĠиÑģпол":142546,"ĠиÑģполни":142547,"Ġcompañero":142548,"קצ×Ķ":142549,"×ŀ×¢×ł×Ļק":142550,"ÙħØŃÙħد":142551,"Ġcámara":142552,"Ġпед":142553,"Ġпедаг":142554,"Ġпедагог":142555,"маÑĢ":142556,"маÑĢк":142557,"×Ķ×ª×ł×Ĵ×ĵ":142558,"ĠìĨĮê°ľ":142559,"ĠcomunitÃł":142560,"곤":142561,"ĠNgÃłi":142562,"สà¸ĩà¸ļ":142563,"ĠmieszkaÅĦców":142564,"ĠÙĨÙĩائÙĬ":142565,"ivité":142566,"Ġиде":142567,"ĠидеалÑĮн":142568,"ĠأسبÙĪع":142569,"Ġ×Ļ×¢×ľ":142570,"Ġ׾ר×IJש":142571,"Ġ׾ר×IJש×ķ׳×Ķ":142572,"ĠзапиÑģи":142573,"ĠкоÑĢпÑĥÑģ":142574,"วà¸ĩศ":142575,"วà¸ĩศà¹Į":142576,"ĠÐĶм":142577,"ĠÐĶмиÑĤ":142578,"ĠÐĶмиÑĤÑĢ":142579,"Ġkönnt":142580,"Ġbölges":142581,"Ġbölgesinde":142582,"׼×Ļ׼":142583,"׼×Ļ׼ר":142584,"ĠاÙĦإثÙĨ":142585,"ĠاÙĦإثÙĨÙĬÙĨ":142586,"Ġngá»Ļ":142587,"ì¹ł":142588,"دراج":142589,"Ġuda":142590,"ĠudaÅĤo":142591,"ìºIJ":142592,"برÙĨاÙħج":142593,"ĠÑģÑĥдеб":142594,"ĠÑģÑĥдебн":142595,"Ġzunächst":142596,"ĠEducación":142597,"ãģ¨ãģªãģ£ãģ¦ãģĦãģ¾ãģĻ":142598,"Ġ×Ķ×IJ×ŀ×Ļת×Ļ":142599,"ĠÄ°nt":142600,"ĠÄ°nternet":142601,"ĠcaÅĤego":142602,"ãĥĹãĥªãĥ³":142603,"إبد":142604,"إبداع":142605,"ĠпоÑĢÑĤал":142606,"à¹Ĥà¸ķà¹ī":142607,"Ġ×Ķקש×ķר":142608,"плод":142609,"ĠÙħد":142610,"ĠÙħدرÙĬد":142611,"×ŀסע×ĵ×Ķ":142612,"ĠØ´ÙĬئ":142613,"ĠØ´ÙĬئا":142614,"à¸ģà¹Īà¸Ńสรà¹īาà¸ĩ":142615,"Ġì°¸ê³ł":142616,"à¹Ģà¸Ĺร":142617,"à¹Ģà¸Ĺรà¸Ķ":142618,"Ġ×ij×ŀקר×Ļ×Ŀ":142619,"Ġbât":142620,"Ġbâtiment":142621,"åij¼ãģ³":142622,"ç´łæķµ":142623,"ç´łæķµãģª":142624,"przedsiÄĻbiorst":142625,"przedsiÄĻbiorstw":142626,"Ġ×ł×ª×ķ׳×Ļ×Ŀ":142627,"×Ĺ׾×ķ×Ŀ":142628,"รวย":142629,"ÙħÙĪضÙĪع":142630,"ĠÑģобÑĢан":142631,"ведÑĥÑī":142632,"ĠÑĤеаÑĤ":142633,"ĠÑĤеаÑĤÑĢ":142634,"meye":142635,"meyeceÄŁi":142636,"ĠpieniÄħ":142637,"ĠpieniÄħd":142638,"ĠpieniÄħdze":142639,"ÑĢезиденÑĤ":142640,"ØŃصر":142641,"ìĺ¥":142642,"à¹Ģยืà¸Ńà¸Ļ":142643,"ĠÑĥни":142644,"ĠÑĥнивеÑĢ":142645,"ĠÑĥнивеÑĢÑģ":142646,"ĠÑĥнивеÑĢÑģиÑĤеÑĤ":142647,"ĠاÙĦرØŃ":142648,"ĠاÙĦرØŃÙħÙĨ":142649,"ĠÑĤеÑħнолог":142650,"ĠÑĤеÑħнологии":142651,"ìĹIJëĦĪ":142652,"ìĹIJëĦĪì§Ģ":142653,"ĠíķŃ":142654,"ĠíķŃìĥģ":142655,"à¸ĺา":142656,"à¸ĺาà¸ķุ":142657,"ĠEspañol":142658,"×ĵ×Ĵש":142659,"Ġêµī":142660,"Ġêµīìŀ¥":142661,"Ġêµīìŀ¥íŀĪ":142662,"ĠÅĤat":142663,"ĠÅĤatwo":142664,"Ġká»ĭch":142665,"إز":142666,"إزاÙĦØ©":142667,"ĠдейÑģÑĤвие":142668,"ĠsaÄŁlayan":142669,"สุà¸Ķยà¸Ńà¸Ķ":142670,"ĠzostaÄĩ":142671,"ĠdisponÃŃvel":142672,"ïºį":142673,"verständ":142674,"verständlich":142675,"twor":142676,"tworzyÄĩ":142677,"عجز":142678,"à¹Ģà¸Ĥà¹īม":142679,"ยà¹Īà¸Ńม":142680,"Ġstratég":142681,"Ġstratégie":142682,"à¸ľà¸¥à¹Ħมà¹ī":142683,"Ġê°ģì¢ħ":142684,"ĠÙħÙĪا":142685,"ĠÙħÙĪاض":142686,"ĠÙħÙĪاضÙĬع":142687,"اØŃتج":142688,"اØŃتجاج":142689,"ĠẤ":142690,"ĠẤn":142691,"×ŀ×ŀש׾×Ķ":142692,"ĠÅŁekil":142693,"×ŀ×Ĺ׾":142694,"×ŀ×Ĺ׾×ķת":142695,"Ġà¸ĺ":142696,"Ġà¸ĺัà¸Ļ":142697,"Ġà¸ĺัà¸Ļวา":142698,"Ġà¸ĺัà¸Ļวาà¸Ħม":142699,"Ġìĭ¤ìłľ":142700,"Ġìĭ¤ìłľë¡ľ":142701,"ì¤ijìķĻ":142702,"ëįĶëĿ¼":142703,"ĠÑĪиÑĢ":142704,"ĠÑĪиÑĢоко":142705,"Ġsolución":142706,"วาà¸ĩà¹ģà¸ľà¸Ļ":142707,"×IJ×ķ×ĺ×ķ×ŀ":142708,"×IJ×ķ×ĺ×ķ×ŀ×ĺ×Ļ":142709,"ĠÑĢеÑģÑĤ":142710,"ĠÑĢеÑģÑĤоÑĢ":142711,"ĠÑĢеÑģÑĤоÑĢан":142712,"ëį¸":142713,"ÑĤÑĢад":142714,"ÑĤÑĢади":142715,"ÑĤÑĢадиÑĨион":142716,"ÑĤÑĢадиÑĨионн":142717,"มะà¹Ģรà¹ĩ":142718,"มะà¹Ģรà¹ĩà¸ĩ":142719,"à¹Ĥส":142720,"Ġolmasını":142721,"×ŀ×ķסר":142722,"ĠоÑĤноÑĪении":142723,"Ġê°ĢëĬ¥ìĦ±":142724,"Ġyuk":142725,"Ġyukarı":142726,"ìĨĶ":142727,"ĠÑģÑĦ":142728,"ĠÑģÑĦеÑĢе":142729,"Ġק×ķפ":142730,"ãĤ±ãĥ¼ãĤ":142731,"ãĤ±ãĥ¼ãĤŃ":142732,"âĢķâĢķ":142733,"ĠاÙĦØ£ÙĦÙħ":142734,"ĠاÙĦØ£ÙĦÙħاÙĨÙĬ":142735,"ẢN":142736,"ת×ķ׼׳×Ļ×ķת":142737,"ĠÑģÑĥÑīеÑģÑĤвÑĥеÑĤ":142738,"æĪijãĢħ":142739,"ĠاÙĦصادر":142740,"ĠTrá»įng":142741,"Ġад":142742,"ĠадминиÑģÑĤ":142743,"ĠадминиÑģÑĤÑĢа":142744,"ĠадминиÑģÑĤÑĢаÑĨи":142745,"ĠдÑĢÑĥгими":142746,"ÑģпеÑĪ":142747,"عÙĦاÙħات":142748,"Ġаб":142749,"ĠабÑģол":142750,"ĠабÑģолÑİÑĤ":142751,"ĠабÑģолÑİÑĤно":142752,"ฤà¸Ķู":142753,"étr":142754,"étranger":142755,"нÑıÑĤи":142756,"нÑıÑĤие":142757,"×¢×ķ׳":142758,"×¢×ķ׳ש":142759,"ĠÙĤائ":142760,"ĠÙĤائÙĦا":142761,"ĠмаÑģ":142762,"ĠмаÑģло":142763,"ãĥīãĤ¤":142764,"ãĥīãĤ¤ãĥĦ":142765,"å¿ħè¦ģãģĮãģĤãĤĬãģ¾ãģĻ":142766,"×ŀ×ķ×ĸ×Ļ×IJ":142767,"×ŀ×ķ×ĸ×Ļ×IJ×ķף":142768,"ĠNgoại":142769,"Ġkênh":142770,"à¸ģารà¸Ńà¸Ńà¸ģà¹ģà¸ļà¸ļ":142771,"×ŀפק":142772,"×ŀפק×ĵ":142773,"ÙħÙĨاز":142774,"ÙħÙĨازÙĦ":142775,"ë·°":142776,"íŤ":142777,"ÙħÙĩارات":142778,"Ġpropriété":142779,"פ×Ĵ×Ļש×Ķ":142780,"ÑĩÑĢ":142781,"ÑĩÑĢеж":142782,"ÑĩÑĢежден":142783,"×Ķ×ķצ×IJ×Ķ":142784,"ØŃÙĥÙĬÙħ":142785,"ĠíĻĪ":142786,"ĠíĻĪíİĺìĿ´ì§Ģ":142787,"åݳ":142788,"åݳãģĹãģĦ":142789,"×¢×ŀ×ĵ×Ķ":142790,"ĠAuÃŁen":142791,"سÙĪØ¡":142792,"ë¹Ī":142793,"ĠÙĪØ®":142794,"ĠÙĪخاصة":142795,"инÑĤеÑĢ":142796,"инÑĤеÑĢеÑģ":142797,"èĩ´ãģĹãģ¾ãģĻ":142798,"Ġhüküm":142799,"à¹Ħà¸Ĥมัà¸Ļ":142800,"Ġdavran":142801,"ĠdavranÄ±ÅŁ":142802,"à¹Ģà¸ķียà¸ĩ":142803,"вÑĢем":142804,"вÑĢеменно":142805,"à¹Ģà¸Ĺศà¸ģา":142806,"à¹Ģà¸Ĺศà¸ģาล":142807,"å¼ķãģ£":142808,"å¼ķãģ£è¶ĬãģĹ":142809,"×IJר×ķ×Ĺ":142810,"×IJר×ķ×Ĺת":142811,"à¹Ģวิ":142812,"à¹Ģวิรà¹Į":142813,"à¸Ńยà¹Īาà¸ĩรวà¸Ķà¹Ģรà¹ĩว":142814,"ĠìŬíĸī":142815,"ĠÑĢанÑĮ":142816,"ĠÑĢанÑĮÑĪе":142817,"Ġzobow":142818,"ĠzobowiÄħ":142819,"ĠzobowiÄħz":142820,"Ġ×ķ׼×ŀ×ķ×ijף":142821,"ĠاÙĦÙħÙĩ":142822,"ĠاÙĦÙħÙĩÙĨÙĬ":142823,"ãĤ¢ãĤ¸":142824,"ãĤ¢ãĤ¸ãĤ¢":142825,"ë°©ìĨ¡":142826,"à¸Ńà¸Ńà¸ģà¸ģำลัà¸ĩ":142827,"à¸Ńà¸Ńà¸ģà¸ģำลัà¸ĩà¸ģาย":142828,"améli":142829,"améliorer":142830,"å½ĵãģŁãĤĬåīį":142831,"Ġregelm":142832,"ĠregelmÃ¤ÃŁig":142833,"ãģĬåĭ":142834,"ãģĬåĭ§":142835,"ãģĬåĭ§ãĤģ":142836,"ĠmÆ°á»Ŀi":142837,"برÙħج":142838,"ĠNatürlich":142839,"ĠDÅ©ng":142840,"ĠاÙĦرجاÙĦ":142841,"Ġthép":142842,"ĠolmuÅŁtur":142843,"×ŀ×ķס×Ļק×Ķ":142844,"fälle":142845,"주íĥĿ":142846,"ĠاÙĦÙģرص":142847,"ĠnajwiÄĻks":142848,"ĠnajwiÄĻkszy":142849,"ĠçaÄŁ":142850,"ĠçaÄŁrı":142851,"ì¸ł":142852,"ĠvÃŃct":142853,"ĠvÃŃctima":142854,"ĠÑģовеÑĢÑĪен":142855,"×Ķ×Ļ×Ļת×Ļ":142856,"à¹Ģà¸Ķี":142857,"à¹Ģà¸Ķีà¹ĭ":142858,"à¹Ģà¸Ķีà¹ĭยว":142859,"üyü":142860,"Ġдоп":142861,"Ġдополн":142862,"ĠдополниÑĤелÑĮно":142863,"à¹ģà¸ķà¸ģà¸ķà¹Īาà¸ĩà¸ģัà¸Ļ":142864,"Ġál":142865,"Ġálbum":142866,"à¸Ľà¸£à¸°à¸Īà¸³à¸Ľà¸µ":142867,"ĠÑĦедеÑĢ":142868,"ĠÑĦедеÑĢалÑĮн":142869,"ĠobsÅĤ":142870,"ĠobsÅĤugi":142871,"à¹Ģรืà¹Ī":142872,"à¹Ģรืà¹Īà¸Ńย":142873,"à¹Ģรืà¹Īà¸Ńยà¹Ĩ":142874,"ëģĮ":142875,"Ġnghìn":142876,"ĠBaÅŁkanlıģı":142877,"تأسÙĬ":142878,"تأسÙĬس":142879,"Ġ×ij×ij×ķקר":142880,"Ġ×¢×ij×ķ×ĵ×ķת":142881,"ĠبصÙĪرة":142882,"ãĤıãģijãģ§ãģ¯ãģªãģĦ":142883,"führer":142884,"ãĤ¹ãĤŃ":142885,"ãĤ¹ãĤŃãĥ«":142886,"ĠاÙĦÙĤض":142887,"ĠاÙĦÙĤضÙĬØ©":142888,"ĠдолжноÑģÑĤ":142889,"ÙģارÙĤ":142890,"Ġcomeçou":142891,"Ġorganisé":142892,"Ġxuân":142893,"ĠÑģообÑīаеÑĤ":142894,"ĠпÑĢид":142895,"ĠпÑĢидеÑĤÑģÑı":142896,"TÃľRK":142897,"ãĥ¬ãĥ¼ãĤ·ãĥ§ãĥ³":142898,"Không":142899,"استÙģ":142900,"استÙģادة":142901,"ä¸ĬãģĮãģ£ãģ¦":142902,"Ġumie":142903,"ĠumiejÄĻ":142904,"ĠumiejÄĻtn":142905,"ĠumiejÄĻtnoÅĽci":142906,"ëĤ¸":142907,"à¹Ģà¸Ļà¸Ńรà¹Į":142908,"×ĵ×ķ×ķ×Ĺ":142909,"ÃŃsimo":142910,"IÃĬ":142911,"IÃĬN":142912,"Ġalcanç":142913,"Ġà¸ķุ":142914,"Ġà¸ķุลา":142915,"Ġà¸ķุลาà¸Ħม":142916,"ש׾×ĺ×ķף":142917,"Ġélè":142918,"Ġélèves":142919,"ĠÄiju":142920,"ĠÄijuá»ķi":142921,"ĠØ£Ùģ":142922,"ĠØ£ÙģرÙĬ":142923,"ĠØ£ÙģرÙĬÙĤÙĬ":142924,"ĠØ£ÙģرÙĬÙĤÙĬا":142925,"ãĤĴæİ¢ãģĻ":142926,"ĠпÑĢедложениÑı":142927,"جاد":142928,"ĠÑħоÑĤÑĮ":142929,"Ñģал":142930,"Ñģалон":142931,"à¸Ľà¸£à¸°à¹Ģม":142932,"à¸Ľà¸£à¸°à¹Ģมิà¸Ļ":142933,"ãĤŃãĥĥãĥģ":142934,"ãĤŃãĥĥãĥģãĥ³":142935,"×ij×ĵ×Ļק×ķת":142936,"Ġchù":142937,"Ġchùa":142938,"ÐĴиде":142939,"ÐĴидео":142940,"иÑĢовка":142941,"ĠÑħоÑĤиÑĤе":142942,"Ġspécifique":142943,"รสà¸Ĭาà¸ķิ":142944,"è¾¼ãĤĵãģł":142945,"伸ãģ³":142946,"×Ķצ׾×Ĺת":142947,"ãģ©ãģ®ãĤĪãģĨãģ«":142948,"سعادة":142949,"Ġлид":142950,"ĠлидеÑĢ":142951,"มà¸ĩ":142952,"มà¸ĩà¸Ħล":142953,"ØŃاÙħÙĦ":142954,"หลุà¸Ķ":142955,"à¸Ńยà¹Īาà¸ĩà¸ķà¹Īà¸Ń":142956,"à¸Ńยà¹Īาà¸ĩà¸ķà¹Īà¸Ńà¹Ģà¸Ļืà¹Īà¸Ńà¸ĩ":142957,"ãģķãģĽãģ¦éłĤ":142958,"تسÙĪÙĬ":142959,"تسÙĪÙĬÙĤ":142960,"ĠaÅŁaģıd":142961,"ĠaÅŁaģıdaki":142962,"ĠÑĨелÑĮ":142963,"ĠÑĨелÑĮÑİ":142964,"ĠAraÅŁtırma":142965,"à¸Ĥัà¸ļรà¸ĸ":142966,"ÙĩØ°Ùĩ":142967,"ลà¸ĩà¸Ĺะ":142968,"ลà¸ĩà¸Ĺะà¹Ģà¸ļ":142969,"ลà¸ĩà¸Ĺะà¹Ģà¸ļียà¸Ļ":142970,"تÙĥاÙħÙĦ":142971,"Ġcio":142972,"Ġcioè":142973,"ãģ¦ãģĬãģı":142974,"ĠاÙĦصØŃÙģÙĬ":142975,"ĠíĬ¹ìłķ":142976,"полниÑĤÑĮ":142977,"ãĤĵãģĺãĤĥãģªãģĦ":142978,"ãĤĵãģĺãĤĥãģªãģĦãģĭ":142979,"ĠاÙĦجÙĩ":142980,"ĠاÙĦجÙĩات":142981,"ĠÑĥÑģпеÑĪно":142982,"Ġвок":142983,"ĠвокÑĢÑĥг":142984,"ĠÑģиÑĤÑĥаÑĨиÑı":142985,"Ġ×Ķ×IJ×ŀר":142986,"Ġ×Ķ×IJ×ŀר×Ļק":142987,"Ġ×Ķ×IJ×ŀר×Ļק×IJ×Ļ":142988,"×ŀ×Ĵ×ĸ":142989,"×ŀ×Ĵ×ĸ×Ļף":142990,"ĠакÑĤÑĥ":142991,"ĠакÑĤÑĥалÑĮн":142992,"éta":142993,"étais":142994,"ĠmogÅĤa":142995,"ĠÑĤоÑĩки":142996,"Ġ×ŀ×Ķ×ŀ×¢":142997,"Ġ×ŀ×Ķ×ŀ×¢×¨×Ľ×ª":142998,"à¸¡à¸µà¸Ľà¸£à¸°à¸ªà¸´à¸Ĺà¸ĺà¸´à¸łà¸²à¸ŀ":142999,"×Ļר×Ļ×ĵ×Ķ":143000,"×Ĵר×ŀ׳":143001,"×Ĵר×ŀ׳×Ļ×Ķ":143002,"Ġглав":143003,"Ġглавное":143004,"Ġ미ëŀĺ":143005,"Ġ׳׼×ķ׳×Ķ":143006,"ĠÙĪØ·ÙĨÙĬ":143007,"opport":143008,"opportunitÃł":143009,"Ġhủy":143010,"ĠÙĦتØŃ":143011,"ĠÙĦتØŃÙĤÙĬÙĤ":143012,"Ġórg":143013,"Ġórgão":143014,"ãĤ¹ãĥĶ":143015,"ãĤ¹ãĥĶãĥ¼ãĥī":143016,"Ġönü":143017,"Ġönüne":143018,"ÙħعاÙħÙĦ":143019,"ש×ŀ×Ļר×Ķ":143020,"ĠвеÑģÑĮма":143021,"ĠwiÄĻkszo":143022,"ĠwiÄĻkszoÅĽÄĩ":143023,"ĠاستراتÙĬج":143024,"ĠاستراتÙĬجÙĬØ©":143025,"ĠÙģØ¥":143026,"ĠÙģإذا":143027,"à¹Ģà¸Ĭืà¹Īà¸Ńม":143028,"à¹Ģà¸Ĭืà¹Īà¸Ńมà¸ķà¹Īà¸Ń":143029,"Ġ׾פר":143030,"Ġ׾פר×ĺ×Ļ×Ŀ":143031,"ÙħضÙĬ":143032,"ĠGerçek":143033,"Ġçocukların":143034,"ÙĪثائÙĤ":143035,"ĠÙħساءÙĭ":143036,"Ġunterstützt":143037,"Ġprést":143038,"Ġpréstamo":143039,"ĠÐłÐ°Ð·Ð¼ÐµÑĢ":143040,"ĠÅŁeker":143041,"Ġséculo":143042,"×ij×Ķ×Ļר":143043,"Ø´ÙĩÙĪر":143044,"Ġà¸Ńีà¸ģ":143045,"Ġà¸Ńีà¸ģà¸Ĺัà¹īà¸ĩ":143046,"Ġllegó":143047,"à¸¨à¸´à¸¥à¸Ľà¸°":143048,"æĪijãģĮ":143049,"æĪijãģĮ家":143050,"عÙĤÙĪ":143051,"عÙĤÙĪبات":143052,"ĠFälle":143053,"ĠsÅĤuż":143054,"ĠsÅĤużb":143055,"ĠاÙĦØŃÙĤÙĪÙĤ":143056,"ĠплиÑĤ":143057,"ĠиноÑģÑĤ":143058,"ĠиноÑģÑĤÑĢан":143059,"ĠиноÑģÑĤÑĢанн":143060,"à¹ĥà¸Ļà¸Ĥà¸ĵะà¸Ĺีà¹Ī":143061,"ãĤ«ãĥĨ":143062,"ãĤ«ãĥĨãĤ´":143063,"ãĤ«ãĥĨãĤ´ãĥª":143064,"à¸Ńิส":143065,"à¸Ńิสระ":143066,"à¹Ģà¸ľà¸¢à¹ģ":143067,"à¹Ģà¸ľà¸¢à¹ģà¸ŀร":143068,"à¹Ģà¸ľà¸¢à¹ģà¸ŀรà¹Ī":143069,"ãģĬãģĦ":143070,"ãģĬãģĦãģĹãģĦ":143071,"استÙĤÙĦ":143072,"استÙĤÙĦاÙĦ":143073,"تØŃض":143074,"تØŃضÙĬر":143075,"åĬ©ãģij":143076,"ÙħراÙģÙĤ":143077,"Ġ×ĵ×ķר":143078,"Ġ×ĵ×ķרש":143079,"×ŀת×Ļ×Ļ×Ĺס":143080,"ס×Ļ׼":143081,"ס×Ļ׼×ķ×Ŀ":143082,"íĮĮíĬ¸":143083,"ĠwyÅĽ":143084,"ĠwyÅĽw":143085,"ĠwyÅĽwiet":143086,"ĠwyÅĽwietl":143087,"ĠاÙĦاÙĨساÙĨ":143088,"ĠStraÃŁen":143089,"Ｌ":143090,"ãģ«åŁº":143091,"ãģ«åŁºãģ¥":143092,"ĠcapÃŃtulo":143093,"ลุย":143094,"Ġ×Ķ×ŀקצ×ķ×¢×Ļ":143095,"ãģĤãĤĭç¨ĭ度":143096,"Ợ":143097,"ĠاÙĦÙĦا":143098,"ĠاÙĦÙĦازÙħØ©":143099,"æķĻãģĪ":143100,"Ġרש×IJ×Ļ":143101,"зав":143102,"завиÑģ":143103,"завиÑģим":143104,"à¸Ľà¸±à¸Īà¸Īัย":143105,"à¹Ģà¸ĭล":143106,"à¹Ģà¸ĭลลà¹Į":143107,"Ġdifférence":143108,"ĠAltın":143109,"ĠкÑĢай":143110,"ĠкÑĢайне":143111,"Ġзло":143112,"Ġgünümüz":143113,"ĠнаÑĤÑĥÑĢ":143114,"ĠнаÑĤÑĥÑĢалÑĮн":143115,"×Ĵ×ķ׾ש×Ļ×Ŀ":143116,"ĠкаÑĤегоÑĢ":143117,"ĠкаÑĤегоÑĢии":143118,"Ġзнак":143119,"à¸ģà¹Īà¸Ńà¸Ļหà¸Ļà¹īา":143120,"à¸ģà¹Īà¸Ńà¸Ļหà¸Ļà¹īาà¸Ļีà¹ī":143121,"ĠÙħÙĨت":143122,"ĠÙħÙĨتخب":143123,"ãĥĽãĥ¼ãĥ«":143124,"ĠевÑĢо":143125,"สว":143126,"สวม":143127,"ĠìľĦìĽIJ":143128,"ĠìľĦìĽIJëĭĺ":143129,"ĠاÙĦØŃÙĪØ«":143130,"ĠاÙĦØŃÙĪØ«ÙĬ":143131,"ĠÑģодеÑĢжиÑĤ":143132,"ãĥķãĤ¡ãĥĥãĤ·ãĥ§ãĥ³":143133,"Ġà¸ģัà¸Ļ":143134,"Ġà¸ģัà¸Ļย":143135,"Ġà¸ģัà¸Ļยายà¸Ļ":143136,"ãĤªãĥª":143137,"ãĤªãĥªãĤ¸":143138,"ãĤªãĥªãĤ¸ãĥĬãĥ«":143139,"ĠбÑĢенд":143140,"ãĤĴæĮģãģ£ãģ¦ãģĦãĤĭ":143141,"Ġinversión":143142,"Ġê°ĸ":143143,"Ġê°ĸê³ł":143144,"ĠnovitÃł":143145,"ê´Ģê´ij":143146,"Ġà¸ŀฤษ":143147,"Ġà¸ŀà¸¤à¸©à¸łà¸²":143148,"Ġà¸ŀà¸¤à¸©à¸łà¸²à¸Ħม":143149,"×ķר×Ĺ×Ļ×Ŀ":143150,"׼׾×ķ׾":143151,"Ġngạc":143152,"×Ļ×Ļש":143153,"×Ļ×Ļש×ķ×ij":143154,"fäll":143155,"fällig":143156,"ĠÑĤÑĢебÑĥеÑĤÑģÑı":143157,"Ġcará":143158,"Ġcarácter":143159,"ĠprincÃŃpio":143160,"ĠÅĤaz":143161,"ĠÅĤazien":143162,"ĠÅĤazienk":143163,"Ġgiãn":143164,"ÑģÑĤÑĢаива":143165,"Ùħساب":143166,"ÙħسابÙĤØ©":143167,"à¹Ģà¸Ħรืà¹Īà¸Ńà¸ĩà¸Ķืà¹Īม":143168,"ترÙĥÙĬب":143169,"volução":143170,"ĠÐŁÐ¾Ñĩ":143171,"ĠÐŁÐ¾Ñĩем":143172,"ĠÐŁÐ¾ÑĩемÑĥ":143173,"казалоÑģÑĮ":143174,"ĠпÑĢименениÑı":143175,"à¹Ģà¸Ĺียม":143176,"íĮĶ":143177,"à¸Ĥà¹īà¸Ńà¹Ģสà¸Ļà¸Ń":143178,"à¸Ľà¸±à¸įà¸įา":143179,"ĠобÑĥÑĩ":143180,"ĠобÑĥÑĩениÑı":143181,"ĠÑģеÑĢи":143182,"ĠÑģеÑĢиал":143183,"Ġinglés":143184,"ĠÙĦÙĥرة":143185,"Ġ×ĺ׾":143186,"Ġ×ĺ׾פ×ķף":143187,"Ġìłij":143188,"Ġìłijê·¼":143189,"×IJ×ķ×Ĵ":143190,"×IJ×ķ×Ĵ×ķס":143191,"×IJ×ķ×Ĵ×ķס×ĺ":143192,"ĠболÑĮÑĪое":143193,"ĠÐļонеÑĩно":143194,"×¢×Ļת×ķ׳":143195,"×¢×Ļת×ķ׳×IJ×Ļ":143196,"Ġкнопк":143197,"Ġзн":143198,"ĠзнаÑĤÑĮ":143199,"ĠÄijá»±":143200,"ĠÄijá»±ng":143201,"влаж":143202,"влажн":143203,"×ŀ×Ļ×ĺ×ij":143204,"ãĤ¬ãĤ¤":143205,"ãĤ¬ãĤ¤ãĥī":143206,"..........":143207,"Ġà¸ģุม":143208,"Ġà¸ģà¸¸à¸¡à¸łà¸²à¸ŀ":143209,"Ġà¸ģà¸¸à¸¡à¸łà¸²à¸ŀัà¸Ļ":143210,"Ġà¸ģà¸¸à¸¡à¸łà¸²à¸ŀัà¸Ļà¸ĺ":143211,"Ġà¸ģà¸¸à¸¡à¸łà¸²à¸ŀัà¸Ļà¸ĺà¹Į":143212,"bez":143213,"bezpieczeÅĦst":143214,"bezpieczeÅĦstw":143215,"ãĥijãĥijæ´»":143216,"عاط":143217,"عاطÙģ":143218,"ĠÄijáºŃm":143219,"ĠзÑĢ":143220,"ĠзÑĢениÑı":143221,"Ġborç":143222,"Ġнедел":143223,"ĠнеделÑİ":143224,"Ġhá»ı":143225,"Ġhá»ıng":143226,"ìŀ¥ìķł":143227,"ìŀ¥ìķłìĿ¸":143228,"ĠاÙĦعÙĦاÙĤØ©":143229,"Ġíģ¬":143230,"Ġíģ¬ê²Į":143231,"à¹Ħรà¹Ī":143232,"à¸ļาà¸Ķ":143233,"à¸ļาà¸Ķà¹Ģà¸Īà¹ĩà¸ļ":143234,"à¸Ŀรั":143235,"à¸Ŀรัà¹Īà¸ĩ":143236,"à¸Ŀรัà¹Īà¸ĩà¹Ģศ":143237,"à¸Ŀรัà¹Īà¸ĩà¹Ģศส":143238,"רע×Ļ":143239,"רע×Ļ×ķ׳×ķת":143240,"ĠëĮ":143241,"ĠëĮĵ":143242,"ĠëĮĵê¸Ģ":143243,"Ġnajb":143244,"Ġnajbli":143245,"Ġnajbliż":143246,"Ġnajbliższ":143247,"ĠиÑģполÑĮзÑĥеÑĤÑģÑı":143248,"ĠcientÃŃf":143249,"ĠcientÃŃfico":143250,"×¢×ŀק":143251,"Ġgợi":143252,"Ø´ØŃÙĨ":143253,"ĠÅĽm":143254,"ĠÅĽmier":143255,"ĠÅĽmierci":143256,"à¸Ħาสิà¹Ĥà¸Ļà¸Ńà¸Ńà¸Ļà¹Ħลà¸Ļà¹Į":143257,"×Ĺש×ijת×Ļ":143258,"Ġningu":143259,"Ġninguém":143260,"è¾¼ãĤģ":143261,"ãģ·":143262,"ĠÑĥг":143263,"ĠÑĥгол":143264,"ï½°":143265,"פת×Ļ×Ĺ":143266,"פת×Ļ×Ĺת":143267,"Ġ×Ķר×IJש×ķ׳×Ļ×Ŀ":143268,"pósito":143269,"ãĤŃãĥ¬ãĤ¤":143270,"ãģ©ãģĵãĤį":143271,"à¹Ģà¸Ĺà¹Īาà¹Ħ":143272,"à¹Ģà¸Ĺà¹Īาà¹Ħหร":143273,"à¹Ģà¸Ĺà¹Īาà¹Ħหรà¹Ī":143274,"ĠинÑĤеÑĢÑĮеÑĢ":143275,"ĠØŃاج":143276,"ĠØŃاجة":143277,"สีà¸Ĥาว":143278,"ìĸ¼":143279,"Ġná»Ļ":143280,"Ġná»Ļp":143281,"ĠÃŃnd":143282,"ĠÃŃndice":143283,"สำรวà¸Ī":143284,"Ġкаждой":143285,"Ġhotéis":143286,"ĠnastÄĻ":143287,"ĠnastÄĻpn":143288,"Ġ×Ķק×ķ×ĵ":143289,"Ġ×Ķק×ķ×ĵ×Ŀ":143290,"פ×ķפ":143291,"פ×ķפ×ķ׾":143292,"פ×ķפ×ķ׾ר×Ļ":143293,"вÑĪей":143294,"ãĤ·ãĥ³ãĥĹ":143295,"ãĤ·ãĥ³ãĥĹãĥ«":143296,"ĠzdjÄĻÄĩ":143297,"ĠгÑĢÑĥппа":143298,"ĠпомеÑī":143299,"ĠпомеÑīениÑı":143300,"ãģ©ãģĨãģĦãģĨ":143301,"ĠиÑģпÑĭÑĤа":143302,"ĠogÅĤ":143303,"ĠogÅĤos":143304,"ĠogÅĤoszen":143305,"ĠogÅĤoszeni":143306,"สรà¹īาà¸ĩสรร":143307,"สรà¹īาà¸ĩสรรà¸Ħà¹Į":143308,"à¸ŀรรà¸ĵ":143309,"ĠçıkÄ±ÅŁ":143310,"ĠÑĩаÑģÑĤноÑģÑĤи":143311,"Ġ×ķ×Ļ×ķתר":143312,"ç¶ļãģįãĤĴ":143313,"ç¶ļãģįãĤĴèªŃ":143314,"ç¶ļãģįãĤĴèªŃãĤĢ":143315,"à¸ģรั":143316,"à¸ģรัม":143317,"гÑĢаÑĦ":143318,"Ġвлад":143319,"ĠвладелÑĮ":143320,"ĠвладелÑĮÑĨ":143321,"ĠistediÄŁ":143322,"ĠistediÄŁiniz":143323,"×ij×ľ×¢":143324,"×ij×ľ×¢×ĵ×Ļ":143325,"ÙħÙĪاÙģ":143326,"ÙħÙĪاÙģÙĤØ©":143327,"Ġ×Ļ×ķר":143328,"Ġ×Ļ×ķרק":143329,"ãĤ«ãĥ¼ãĥīãĥŃãĥ¼ãĥ³":143330,"ĠاÙĦÙħØ´ÙĥÙĦ":143331,"ĠاÙĦÙħØ´ÙĥÙĦØ©":143332,"ĠêµŃíļĮ":143333,"ספ×ĺ":143334,"ספ×ĺ×ŀ":143335,"ספ×ĺ×ŀ×ijר":143336,"Ġìĸ´ëłµ":143337,"ÙĥاÙħ":143338,"ÙĥاÙħÙĬرا":143339,"schlü":143340,"schlüsse":143341,"ĠØ«ÙĨ":143342,"ĠØ«ÙĨائÙĬ":143343,"ìī½":143344,"ĠÐŀÑģоб":143345,"ĠÐŀÑģобенно":143346,"ĠинвеÑģÑĤи":143347,"ĠинвеÑģÑĤиÑĨи":143348,"اØŃتÙħ":143349,"اØŃتÙħاÙĦ":143350,"EÄŀ":143351,"EÄŀÄ°":143352,"íķĺê²łëĭ¤":143353,"Ġ×IJ×ijר×Ķ":143354,"Ġ×IJ×ijר×Ķ×Ŀ":143355,"Ġ×ij×Ĺ×Ļ׳×Ŀ":143356,"Ø£ÙĪض":143357,"Ø£ÙĪضاع":143358,"Ġdél":143359,"Ġdélai":143360,"Ġ×IJ×ķ×Ķ×ij×Ļ×Ŀ":143361,"ĠÑģоÑħ":143362,"ĠÑģоÑħÑĢ":143363,"ĠÑģоÑħÑĢани":143364,"ĠдоÑģÑĤиж":143365,"ĠдоÑģÑĤижени":143366,"สิà¹Īà¸ĩà¹ģ":143367,"สิà¹Īà¸ĩà¹ģวà¸Ķ":143368,"สิà¹Īà¸ĩà¹ģวà¸Ķล":143369,"สิà¹Īà¸ĩà¹ģวà¸Ķลà¹īà¸Ńม":143370,"ĠاÙĦÙħباشر":143371,"ĠÑĦиг":143372,"ĠÑĦигÑĥÑĢ":143373,"можем":143374,"׾×ŀ×Ļ×ĵ×Ķ":143375,"Ġciné":143376,"Ġcinéma":143377,"Ġbada":143378,"ĠbadaÅĦ":143379,"جبÙĩØ©":143380,"Ġдеп":143381,"ĠдепÑĥÑĤ":143382,"ĠдепÑĥÑĤаÑĤ":143383,"Ġdistância":143384,"ĠاÙĦÙħعار":143385,"ĠاÙĦÙħعارضة":143386,"thèse":143387,"ünc":143388,"üncü":143389,"Ġданного":143390,"ĠBelgi":143391,"ĠBelgië":143392,"Ġ×ij×ijק":143393,"Ġ×ij×ijקש×Ķ":143394,"ยà¹Īาà¸Ļ":143395,"Ġsolução":143396,"Ġ×Ķצ×ĺר":143397,"Ġ×Ķצ×ĺרפ×ķ":143398,"ĠØ£ÙĨØŃ":143399,"ĠØ£ÙĨØŃاء":143400,"ĠدÙħØ´":143401,"ĠدÙħØ´ÙĤ":143402,"มัà¹ī":143403,"มัà¹īย":143404,"Ùħغرب":143405,"استعÙħاÙĦ":143406,"ĠSÅĤow":143407,"ĠëıĻìĭľ":143408,"ĠëıĻìĭľìĹIJ":143409,"ĠÑģоÑģ":143410,"ĠÑģоÑģед":143411,"ì²ŃìĨĮ":143412,"ì²ŃìĨĮëħĦ":143413,"ĠгÑĢаÑĦ":143414,"ĠгÑĢаÑĦик":143415,"ĠìŀijìĿĢ":143416,"Ġyeti":143417,"ĠyetiÅŁtir":143418,"ĠìĿ´ê²ĥìĿ´":143419,"หà¹Īาà¸ĩ":143420,"Ø¥ÙħÙĥاÙĨ":143421,"Ø¥ÙħÙĥاÙĨÙĬØ©":143422,"استعراض":143423,"Ùħخدر":143424,"ĠÑĩÑĥÑĤÑĮ":143425,"ÙħدÙĬر":143426,"ÙħدÙĬرÙĬØ©":143427,"Ġà¹Ģมษ":143428,"Ġà¹Ģมษายà¸Ļ":143429,"ĠмеÑħ":143430,"ĠмеÑħаниз":143431,"ĠмеÑħанизм":143432,"ĠÑģÑĥм":143433,"ĠÑģÑĥммÑĥ":143434,"Ġvö":143435,"Ġvöll":143436,"Ġvöllig":143437,"ĠдÑĢÑĥз":143438,"ĠдÑĢÑĥзÑĮÑı":143439,"ãĤĴåĪ©çĶ¨ãģĹãģ¦":143440,"à¸ļรรà¸Īุ":143441,"pożycz":143442,"×ŀש׼":143443,"×ŀ×©×Ľ×ł×ª":143444,"×ŀ×©×Ľ×ł×ª×IJ":143445,"Ġeuropéen":143446,"Ġproprié":143447,"Ġpropriétaire":143448,"Ġkhấu":143449,"ãģĦãģŁãģłãģijãĤĭ":143450,"Ġtecrü":143451,"Ġtecrübe":143452,"×Ķ×ij":143453,"×Ķ×ij׳×Ķ":143454,"ĠcuÌ":143455,"ĠcuÌī":143456,"ĠcuÌīa":143457,"×IJ×ķ×ķ":143458,"×IJ×ķ×ķ×Ļר×Ķ":143459,"Ġ׼×ķ׾×ķ":143460,"Ulus":143461,"Uluslararası":143462,"Ġ׳×ķת":143463,"Ġ׳×ķ×ª×Ł":143464,"ãģ«åIJij":143465,"ãģ«åIJijãģijãģ¦":143466,"ë¹Ľ":143467,"à¸Ĺัà¸ģษ":143468,"à¸Ĺัà¸ģษะ":143469,"سÙĤÙĪ":143470,"سÙĤÙĪØ·":143471,"Ġвн":143472,"ĠвнеÑĪ":143473,"ĠвнеÑĪне":143474,"Ġurz":143475,"ĠurzÄĻd":143476,"Ġámb":143477,"Ġámbito":143478,"à¸Ńà¸ĺิ":143479,"à¸Ńà¸ĺิà¸ļาย":143480,"ĠÅĤad":143481,"ĠÅĤadn":143482,"ê±´ì¶ķ":143483,"wództ":143484,"wództw":143485,"Ġquestões":143486,"Ġשק":143487,"Ġשק×Ļ×ij׾":143488,"ĠmiejscowoÅĽci":143489,"Ġвал":143490,"ĠвалÑİÑĤ":143491,"häuser":143492,"หà¸Ļà¸Ńà¸ĩ":143493,"ãģ¨åħ±":143494,"ãģ¨åħ±ãģ«":143495,"ãĥıãĥ¼ãĥī":143496,"Ġê°ľìµľ":143497,"ĠоÑģновном":143498,"ĠмÑıÑģ":143499,"اعت":143500,"اعتÙĤاÙĦ":143501,"สà¸ĸิ":143502,"สà¸ĸิà¸ķิ":143503,"Ngu":143504,"Nguá»ĵn":143505,"ĠÙħجÙĦ":143506,"ĠÙħجÙĦØ©":143507,"à¹ģà¸Ĥà¸Ļ":143508,"ĠاÙĦÙĦÙĬبÙĬ":143509,"פע×Ļ׾×ķ×Ļ×ķת":143510,"Ġ×Ķרפ×ķ×IJ×Ļ":143511,"פר×ķפ":143512,"פר×ķפ×Ļ׾":143513,"ק׾×IJ":143514,"ק׾×IJס×Ļ":143515,"ÙĥتشÙģ":143516,"ãģ«ãģªãģ£ãģ¦ãģĹãģ¾ãģĨ":143517,"à¹Ģà¸Ħลà¹ĩà¸Ķ":143518,"à¹Ģà¸Ħลà¹ĩà¸Ķลัà¸ļ":143519,"Ġì»´":143520,"Ġì»´íĵ¨":143521,"Ġì»´íĵ¨íĦ°":143522,"Ġ×Ĺ×Ļ×ķ×ij×Ļ":143523,"Ġnäm":143524,"Ġnämlich":143525,"åij¼ãģ°":143526,"åij¼ãģ°ãĤĮ":143527,"ĠÑĢол":143528,"ĠÑĢоли":143529,"Ġspécialisé":143530,"à¸Ļวัà¸ķ":143531,"à¸Ļวัà¸ķà¸ģรรม":143532,"ÙĨصÙĪص":143533,"пеÑĢед":143534,"пеÑĢедаÑĩ":143535,"thèque":143536,"Ġר×IJ×Ļת×Ļ":143537,"ãĥĢãĤ¦ãĥ³":143538,"ãĤıãģĭ":143539,"ãĤıãģĭãģ£ãģ¦":143540,"беÑĢеж":143541,"ĠÑģек":143542,"ĠÑģекÑĢ":143543,"ĠÑģекÑĢеÑĤ":143544,"ĠпоÑģÑĤоÑıнн":143545,"à¸Ĥà¸Ļสà¹Īà¸ĩ":143546,"Ġmük":143547,"Ġmükem":143548,"Ġmükemmel":143549,"еÑĤеÑģÑĮ":143550,"ĠاÙĦسÙĨÙĪات":143551,"ĠìłĦíĺĢ":143552,"Ġ×Ķ×ŀק×ķר×Ļ":143553,"Ġmüd":143554,"Ġmüdah":143555,"Ġmüdahale":143556,"Ġwyb":143557,"Ġwybór":143558,"Ġtendência":143559,"إدار":143560,"إدارÙĬØ©":143561,"Ġunterstützen":143562,"ת×ijר":143563,"ת×ijרר":143564,"Ġdiá":143565,"Ġdiálogo":143566,"ĠÃĸnce":143567,"ĠÃĸnceki":143568,"ãĤ¹ãĥĿãĥĥãĥĪ":143569,"ëĦ£":143570,"ĠGeli":143571,"ĠGeliÅŁ":143572,"ãĤĴéĢļ":143573,"ãĤĴéĢļãģĹãģ¦":143574,"ĠFuÃŁball":143575,"Ġsalari":143576,"Ġsalarié":143577,"ĠпÑĢодÑĥкÑĤов":143578,"صÙģÙĤØ©":143579,"รวà¸ļ":143580,"รวà¸ļรวม":143581,"à¹ĥà¸Ļà¸IJาà¸Ļ":143582,"à¹ĥà¸Ļà¸IJาà¸Ļะ":143583,"Ġkayna":143584,"Ġkaynaģı":143585,"ĠìŀijíĴĪ":143586,"ĠвÑĭÑĢаж":143587,"ĠвÑĭÑĢажен":143588,"ĠÑģÑĤеп":143589,"ĠÑģÑĤепени":143590,"ĠاÙĦÙħÙĪجÙĪد":143591,"ĠاÙĦÙħÙĪجÙĪدة":143592,"ลà¹īม":143593,"ĠnajczÄĻ":143594,"ĠnajczÄĻÅĽcie":143595,"ĠnajczÄĻÅĽciej":143596,"Ġzwy":143597,"Ġzwyk":143598,"ĠzwykÅĤ":143599,"Ġê·¸ëłĩì§Ģ":143600,"à¸ģระà¸Ī":143601,"à¸ģระà¸Īาย":143602,"Ġëĭµ":143603,"Ġëĭµë³Ģ":143604,"ĠÑĢеак":143605,"ĠÑĢеакÑĨи":143606,"ĠÅĽwież":143607,"ĠÑģÑĤоимоÑģÑĤи":143608,"ÙħÙĨاÙĤ":143609,"ÙħÙĨاÙĤØ´":143610,"ÙħÙĨاÙĤشة":143611,"ĠÑħоÑĩÑĥ":143612,"ãĥľãĥ¼ãĥī":143613,"Ġróżnic":143614,"ĠкÑĢÑĭ":143615,"ĠкÑĢÑĭÑĪ":143616,"âľĵ":143617,"ãĤ³ãĥ³ãĥĨãĥ³":143618,"ãĤ³ãĥ³ãĥĨãĥ³ãĥĦ":143619,"ĠпÑĢедпоÑĩ":143620,"×ŀר×ij×Ļת":143621,"ĠØ´Ùĥ":143622,"ĠØ´Ùĥرا":143623,"Ġдал":143624,"Ġдалек":143625,"Ġдалеко":143626,"برÙĬØ·":143627,"برÙĬطاÙĨÙĬا":143628,"عÙĨا":143629,"عÙĨاÙĬØ©":143630,"ĠÑĢаÑģÑģказ":143631,"ĠÑĢаÑģÑģказÑĭва":143632,"Ø£ÙĦÙĪ":143633,"Ø£ÙĦÙĪاÙĨ":143634,"æĮģãģ£ãģ¦":143635,"æĮģãģ£ãģ¦ãģĦ":143636,"Ùħبادئ":143637,"×Ķ×¢×ijר":143638,"×Ķ×¢×ijרת":143639,"Ġyayı":143640,"Ġyayıml":143641,"Ġyayımla":143642,"mát":143643,"máticos":143644,"à¸ģัà¸ĩ":143645,"à¸ģัà¸ĩวล":143646,"Ġ×ľ×¤×ª":143647,"Ġ×ľ×¤×ª×ķ×Ĺ":143648,"à¸ŀฤà¸ķิ":143649,"à¸ŀฤà¸ķิà¸ģรรม":143650,"íĤ¬":143651,"ĠокÑĢÑĥг":143652,"Ġ×ŀצ×ķ×ķ×Ķ":143653,"ÐĽÐµÐ½Ð¸":143654,"ÐĽÐµÐ½Ð¸Ð½":143655,"ĠTriá»ģu":143656,"ãĤ³ãĥŁãĥ¥":143657,"ãĤ³ãĥŁãĥ¥ãĥĭ":143658,"ãĤ³ãĥŁãĥ¥ãĥĭãĤ±":143659,"ãĤ³ãĥŁãĥ¥ãĥĭãĤ±ãĥ¼ãĤ·ãĥ§ãĥ³":143660,"ÙĥÙĨÙĬ":143661,"ÙĥÙĨÙĬسة":143662,"ãĤĴä¸Ńå¿ĥ":143663,"ãĤĴä¸Ńå¿ĥãģ«":143664,"ĠmiÄĻdz":143665,"ĠmiÄĻdzyn":143666,"ĠmiÄĻdzynar":143667,"ĠmiÄĻdzynarod":143668,"ĠmiÄĻdzynarodow":143669,"ÙĦÙĨ":143670,"ÙĦÙĨدا":143671,"برش":143672,"برشÙĦÙĪÙĨ":143673,"برشÙĦÙĪÙĨØ©":143674,"à¸ģระà¸ķุ":143675,"à¸ģระà¸ķุà¹īà¸Ļ":143676,"Ġgı":143677,"Ġgıda":143678,"à¸Ľà¸£à¸°à¸Ĺัà¸ļ":143679,"à¸Ľà¸£à¸°à¸Ĺัà¸ļà¹ĥà¸Ī":143680,"Ġë¶Ī구":143681,"Ġë¶Ī구íķĺê³ł":143682,"ĠÙĨØ·":143683,"ĠÙĨطاÙĤ":143684,"ĠÐľÐ¾Ð¶ÐµÑĤ":143685,"Präs":143686,"Präsident":143687,"ĠÑģкоÑĢ":143688,"ĠÑģкоÑĢоÑģÑĤÑĮ":143689,"Ġ×Ķ×ij×ķקר":143690,"еÑħаÑĤÑĮ":143691,"Ġgạo":143692,"Ġש×IJ×Ļ׳×Ŀ":143693,"Ġ×ij׳×ķ×Ĵ":143694,"Ġ×ij׳×ķ×Ĵ×¢":143695,"ĠопиÑģание":143696,"Ġuczni":143697,"Ġuczniów":143698,"à¹Ģà¸Ńà¹ĩà¸Ļ":143699,"Ġتش":143700,"ĠتشرÙĬÙĨ":143701,"Ġnhãn":143702,"빨":143703,"Ġcaractère":143704,"×¢×ľ×Ļ":143705,"×¢×ľ×Ļ×Ļ×Ķ":143706,"楽ãģĹãĤģãĤĭ":143707,"ĠÑģаÑħ":143708,"ĠÑģаÑħаÑĢ":143709,"дÑĥмаÑĤÑĮ":143710,"ĠÐĴозможно":143711,"صÙĬاÙĨ":143712,"صÙĬاÙĨØ©":143713,"ömür":143714,"สล":143715,"สลà¹ĩ":143716,"สลà¹ĩà¸Ń":143717,"สลà¹ĩà¸Ńà¸ķ":143718,"롯":143719,"Ġthói":143720,"grÃ¶ÃŁe":143721,"ĠksiÄĻ":143722,"ĠksiÄĻg":143723,"ĠÑĢом":143724,"ĠÑĢоман":143725,"ÙĤاسÙħ":143726,"×ŀ×ij×ķ×Ĵ":143727,"×ŀ×ij×ķ×Ĵר×Ļ×Ŀ":143728,"besch":143729,"beschäft":143730,"beschäftig":143731,"×Ķצע×Ķ":143732,"ĠÃģrea":143733,"ĠзаÑıвк":143734,"Ĺ":143735,"ĠлÑİбого":143736,"Ġม":143737,"Ġมà¸ģร":143738,"Ġมà¸ģราà¸Ħม":143739,"ÑĦиз":143740,"ÑĦизиÑĩеÑģк":143741,"инÑĦ":143742,"инÑĦек":143743,"инÑĦекÑĨи":143744,"اÙĦØ·":143745,"اÙĦطائÙģ":143746,"Ġколл":143747,"ĠколлекÑĤив":143748,"езжа":143749,"ĠسبØŃ":143750,"ĠسبØŃاÙĨ":143751,"ĠسبØŃاÙĨÙĩ":143752,"schlä":143753,"schläge":143754,"Ġди":143755,"Ġдиаг":143756,"ĠдиагноÑģÑĤ":143757,"ĠоÑĤмеÑĤиÑĤÑĮ":143758,"ТЬ":143759,"ĠاÙĦدر":143760,"ĠاÙĦدراسÙĬ":143761,"עצ×ŀ":143762,"עצ×ŀ×IJ×ķת":143763,"Ġdémarch":143764,"Ġdémarche":143765,"Ġ×ĺ×ķ×¢":143766,"Ġ×ĺ×ķ×¢×Ł":143767,"Ġfuncionários":143768,"ỵ":143769,"׾׼×IJ":143770,"׾׼×IJ×ķר×Ķ":143771,"à¸ĭà¹Ī":143772,"à¸ĭà¹Īà¸Ńม":143773,"ĠÑĩÑĥв":143774,"ĠÑĩÑĥвÑģÑĤво":143775,"âĸ¼":143776,"пÑĥÑī":143777,"пÑĥÑīен":143778,"ĠмеÑĢ":143779,"ĠмеÑĢоп":143780,"ĠмеÑĢопÑĢи":143781,"ĠмеÑĢопÑĢиÑıÑĤиÑı":143782,"Ġuçu":143783,"ĠuçuÅŁ":143784,"ãĤĴåĪ©çĶ¨ãģĻãĤĭ":143785,"aÄŁ":143786,"aÄŁlı":143787,"ìĺĪìĪł":143788,"à¹ģยà¹Ī":143789,"ĠاÙĦÙĥÙħ":143790,"ĠاÙĦÙĥÙħبÙĬ":143791,"ĠاÙĦÙĥÙħبÙĬÙĪتر":143792,"تÙĪÙĬ":143793,"تÙĪÙĬتر":143794,"à¹Ģà¸Ĭีà¹Īยว":143795,"à¹Ģà¸Ĭีà¹Īยวà¸Ĭา":143796,"à¹Ģà¸Ĭีà¹Īยวà¸Ĭาà¸į":143797,"á»Ķ":143798,"Ġhiếm":143799,"ذاÙĥرة":143800,"Ġ×Ķ×ŀ×Ļ×ķ×Ĺ×ĵ":143801,"ĠìĪľ":143802,"ĠìĪľê°Ħ":143803,"ĠKı":143804,"ĠKısa":143805,"ĠgeleceÄŁi":143806,"пÑĢоÑĦеÑģÑģиона":143807,"пÑĢоÑĦеÑģÑģионал":143808,"Ġogó":143809,"Ġogóle":143810,"ĠgÅĤów":143811,"ĠgÅĤówne":143812,"ĠÑģÑĤилÑĮ":143813,"×IJפ׾":143814,"×IJפ׾×Ļק":143815,"×IJפ׾×Ļקצ×Ļ×Ķ":143816,"สมารà¹Į":143817,"สมารà¹Įà¸Ĺ":143818,"สมารà¹Įà¸Ĺà¹Ĥà¸Ł":143819,"สมารà¹Įà¸Ĺà¹Ĥà¸Łà¸Ļ":143820,"Ġthánh":143821,"ÐŁÐ¾Ð´":143822,"ÐŁÐ¾Ð´ÑĢоб":143823,"ÐŁÐ¾Ð´ÑĢобнее":143824,"ĠاÙĦتÙĪÙĨ":143825,"ĠاÙĦتÙĪÙĨسÙĬ":143826,"Ġbahçe":143827,"à¹ģà¸ģà¹īà¸Ľà¸±à¸įหา":143828,"éducation":143829,"europ":143830,"europä":143831,"europäische":143832,"ĠKsi":143833,"ĠKsiÄĻ":143834,"ĠëĦĺ":143835,"ĠëĦĺìĸ´":143836,"Ġvüc":143837,"Ġvücud":143838,"Ġyayg":143839,"Ġyaygın":143840,"Ġniekt":143841,"Ġniektóry":143842,"Ġniektórych":143843,"ãģŃãģĩ":143844,"Ġкаж":143845,"ĠкажеÑĤÑģÑı":143846,"каж":143847,"кажеÑĤ":143848,"ĠاÙĦدÙĬÙħÙĤرا":143849,"ĠاÙĦدÙĬÙħÙĤراط":143850,"ĠاÙĦدÙĬÙħÙĤراطÙĬØ©":143851,"æŃ©":143852,"æŃ©ãģĦãģ¦":143853,"Ġvaz":143854,"Ġvazge":143855,"Ġvazgeç":143856,"ĠминималÑĮ":143857,"ĠминималÑĮн":143858,"ãĥijãĤ¿":143859,"ãĥijãĤ¿ãĥ¼ãĥ³":143860,"ĠëĬ":143861,"ĠëĬIJ":143862,"ĠëĬIJëĤĮ":143863,"ãģ¡ãĤĩãģĨ":143864,"ãģ¡ãĤĩãģĨãģ©":143865,"Ġà¸ģร":143866,"Ġà¸ģรà¸ģà¸İ":143867,"Ġà¸ģรà¸ģà¸İาà¸Ħม":143868,"تجدÙĬد":143869,"ĠشاÙħÙĦ":143870,"หลัà¸ģà¸IJาà¸Ļ":143871,"ĠмаÑĢÑĪ":143872,"ĠмаÑĢÑĪÑĢÑĥÑĤ":143873,"ĠvÃŃt":143874,"ĠvÃŃtima":143875,"Ġquizá":143876,"aygı":143877,"×ĵ×ijר×Ļ×ķ":143878,"Ġизд":143879,"Ġиздели":143880,"ĠизделиÑı":143881,"пла":143882,"плаÑĩ":143883,"плаÑĩива":143884,"ä»»ãģĽ":143885,"Ġéquipé":143886,"ä¹ħãģĹãģ":143887,"ä¹ħãģĹãģ¶":143888,"ä¹ħãģĹãģ¶ãĤĬ":143889,"ĠкаÑĤ":143890,"ĠкаÑĤал":143891,"ĠкаÑĤалог":143892,"สà¹īม":143893,"ĠÑĢей":143894,"ĠÑĢейÑĤ":143895,"ĠÑĢейÑĤинг":143896,"Ġthuyá»ģn":143897,"ĠاÙĦÙħÙĤدس":143898,"espère":143899,"ãģ«åħ¥ãģ£ãģŁ":143900,"หมายà¹Ģลà¸Ĥ":143901,"ת×Ĺ×ķשת":143902,"à¸Ļà¹Īะ":143903,"ĠpeÅĤ":143904,"ĠpeÅĤne":143905,"Ġpérd":143906,"Ġpérdida":143907,"หมวà¸Ķ":143908,"หมวà¸Ķหมูà¹Ī":143909,"иÑĩеÑģкÑĥÑİ":143910,"çµĤãĤı":143911,"çµĤãĤıãģ£ãģŁ":143912,"Ġ×Ĵ×ķ×Ĵ׾":143913,"à¸Ĺำà¸Ħวาม":143914,"à¸Ĺำà¸Ħวามสะà¸Ńาà¸Ķ":143915,"Hotéis":143916,"ĠзаÑĢ":143917,"ĠзаÑĢегиÑģÑĤ":143918,"ĠзаÑĢегиÑģÑĤÑĢи":143919,"ĠзаÑĢегиÑģÑĤÑĢиÑĢова":143920,"ĠÑģобÑĭÑĤи":143921,"ĠÑģобÑĭÑĤиÑı":143922,"Ġ×ĸ׼×IJ":143923,"ÙħÙĨظÙĪÙħØ©":143924,"Ġ×Ķ×ŀצ":143925,"Ġ×Ķ×ŀצ×Ļ×IJ×ķת":143926,"ÙħÙĥÙĪÙĨ":143927,"ÙħÙĥÙĪÙĨات":143928,"ä¸ĬãģĮãĤĭ":143929,"ĠmÄĻ":143930,"ĠmÄĻsk":143931,"หรืà¸Ńà¹Ģà¸Ľà¸¥à¹Īา":143932,"ëĤ®":143933,"Ġnoktas":143934,"Ġnoktası":143935,"ĠболÑĮÑĪим":143936,"ĠлÑĥÑĩÑĪиÑħ":143937,"Ø´ÙĩÙĬد":143938,"à¸Ńำà¸Ļ":143939,"à¸Ńำà¸Ļวย":143940,"à¸Ńำà¸Ļวยà¸Ħวาม":143941,"à¸Ńำà¸Ļวยà¸Ħวามสะà¸Ķวà¸ģ":143942,"Ġев":143943,"ĠевÑĢ":143944,"ĠевÑĢоп":143945,"ĠевÑĢопей":143946,"à¸īาย":143947,"ìĦŃ":143948,"ÙħÙģا":143949,"ÙħÙģاÙĪض":143950,"ÙħÙģاÙĪضات":143951,"ë¹Į":143952,"赤ãģ¡ãĤĥãĤĵ":143953,"ĠÑĥдалоÑģÑĮ":143954,"ĠХоÑĤ":143955,"ĠХоÑĤÑı":143956,"przedsiÄĻbiorc":143957,"ĠHôm":143958,"íķĺìĺĢìĬµëĭĪëĭ¤":143959,"Ġнаг":143960,"ĠнагÑĢÑĥз":143961,"ĠнагÑĢÑĥзк":143962,"Ġ×ij×Ļ׳׾×IJ×ķ×ŀ×Ļ":143963,"Ġê°ĢëĬ¥íķľ":143964,"ĠHữu":143965,"à¸Ńุà¸Ķ":143966,"à¸Ńุà¸Ķม":143967,"ת×ķפ":143968,"ת×ķפע×Ķ":143969,"ĠmiÅĤo":143970,"ĠmiÅĤoÅĽci":143971,"ksiÄħż":143972,"ksiÄħżka":143973,"ĠاÙĦÙĦعبة":143974,"à¸īาà¸ģ":143975,"สะสม":143976,"×ŀתר":143977,"×ŀתר×Ĺש":143978,"Ġlégère":143979,"Ġ׾צפ":143980,"Ġ׾צפ×Ļ×Ķ":143981,"ĠиÑģÑĤоÑĢиÑı":143982,"ĠãĥĪãĥ©":143983,"ĠãĥĪãĥ©ãĥĥãĤ¯":143984,"ĠãĥĪãĥ©ãĥĥãĤ¯ãĥIJãĥĥãĤ¯":143985,"Ġка":143986,"ĠкаÑĦе":143987,"×ŀס×ŀ×ļ":143988,"Ġcüm":143989,"Ġcümle":143990,"à¹Ģà¸Ħลืà¹Īà¸Ńà¸Ļà¹Ħหว":143991,"ãģĬãģĿ":143992,"ãģĬãģĿãĤīãģı":143993,"ìŀIJëıĻ":143994,"ìŀIJëıĻì°¨":143995,"à¸Ńัà¸ķ":143996,"à¸Ńัà¸ķà¹Ĥà¸Ļ":143997,"à¸Ńัà¸ķà¹Ĥà¸Ļมั":143998,"à¸Ńัà¸ķà¹Ĥà¸Ļมัà¸ķิ":143999,"ĠÅŁik":144000,"ĠÅŁikay":144001,"ĠÅŁikayet":144002,"extrême":144003,"krä":144004,"kräfte":144005,"ëĤĻ":144006,"íķij":144007,"ì²Ļ":144008,"íĺĪ":144009,"ì°į":144010,"âĻ¡":144011,"ìŀĶ":144012,"뢰":144013,"íĿĶ":144014,"íĿIJ":144015,"âĩĴ":144016,"맼":144017,"ìĬĪ":144018,"á»Ĵ":144019,"ìĺµ":144020,"âĹİ":144021,"íĤ¨":144022,"ê¿Ī":144023,"ìĪ¨":144024,"ìĽ¨":144025,"맥":144026,"ï½Ģ":144027,"Ｊ":144028,"Ẩ":144029,"ãħİ":144030,"ÑĹ":144031,"ìĦ¬":144032,"ì¹¼":144033,"Ｖ":144034,"ìĽł":144035,"룴":144036,"Åĥ":144037,"ëĤ¼":144038,"ëĭIJ":144039,"âĢ¹":144040,"ë¦Ń":144041,"ì§IJ":144042,"âĢ¤":144043,"Ãħ":144044,"뾨":144045,"íĦ¸":144046,"íľĺ":144047,"ê²ģ":144048,"ë´ħ":144049,"Ãĺ":144050,"ëŃĶ":144051,"ëĺij":144052,"âĹĩ":144053,"ìĹĺ":144054,"ï»´":144055,"맹":144056,"ï¾Ŀ":144057,"ìĬ·":144058,"íĥķ":144059,"ï¼ł":144060,"ì»´":144061,"ëłĮ":144062,"ì½ľ":144063,"ﻹ":144064,"ãħł":144065,"졸":144066,"ëħ¹":144067,"âĤº":144068,"âĸ¶":144069,"íĥIJ":144070,"êµ´":144071,"íij¸":144072,"ÑĶ":144073,"íĶ½":144074,"Ðħ":144075,"ë°¤":144076,"Ôģ":144077,"첨":144078,"ì¶ĺ":144079,"ë²Ĺ":144080,"멸":144081,"ï¼»":144082,"ï¼½":144083,"ï¼·":144084,"ì°Į":144085,"ÃĴ":144086,"íı´":144087,"ìĵ¸":144088,"ì´Į":144089,"ëģĶ":144090,"ëĶ©":144091,"ëĩĮ":144092,"ë©Ģ":144093,"벨":144094,"ï¼µ":144095,"맡":144096,"ëĭ«":144097,"฿":144098,"ãģ±":144099,"ìĩ¼":144100,"ìºł":144101,"뮤":144102,"ê±±":144103,"컬":144104,"âĦĥ":144105,"ëĶ±":144106,"ëĥĪ":144107,"ìĭ±":144108,"íĻĪ":144109,"ëŀIJ":144110,"ìħĢ":144111,"ìłł":144112,"ÐĨ":144113,"ëłī":144114,"ï½ħ":144115,"ï½ı":144116,"íĻĢ":144117,"뼰":144118,"á»®":144119,"íĤ¹":144120,"ê½ĥ":144121,"ﻤ":144122,"ïºĶ":144123,"꺼":144124,"ìķī":144125,"âĻ¦":144126,"ï½ģ":144127,"ìĵ´":144128,"ãĢī":144129,"ì°®":144130,"ì¤ĺ":144131,"Ừ":144132,"ëģĦ":144133,"ëIJ¨":144134,"ìķĮ":144135,"íĿĺ":144136,"íħIJ":144137,"ãĢĪ":144138,"겪":144139,"ëĭ¥":144140,"ê²¼":144141,"á»Į":144142,"맨":144143,"ëģĬ":144144,"벤":144145,"ëijĶ":144146,"íĿ¡":144147,"Ử":144148,"ë¬ĺ":144149,"ãģī":144150,"ëŀ«":144151,"íĶĪ":144152,"íħį":144153,"ìŀĥ":144154,"ï½ī":144155,"ìģľ":144156,"âĸ½":144157,"묻":144158,"âĸ³":144159,"Ｘ":144160,"ìģĺ":144161,"춰":144162,"ìĬ´":144163,"ìķ±":144164,"ìĩĦ":144165,"Ắ":144166,"ï´¿":144167,"ï´¾":144168,"âĤ½":144169,"ëĦĵ":144170,"룩":144171,"쳤":144172,"ê´ľ":144173,"ÃĻ":144174,"Ỿ":144175,"ï¿£":144176,"ëĵŃ":144177,"ë©ĺ":144178,"ê»´":144179,"ëł´":144180,"Ðĥ":144181,"묵":144182,"ì§Ŀ":144183,"ãģº":144184,"ðŁĺĤ":144185,"ëŀ¬":144186,"ìłĬ":144187,"ê´Ħ":144188,"ìŀĬ":144189,"íŀĮ":144190,"ìĦ¯":144191,"âĪĢ":144192,"âĸ¡":144193,"ëĢĮ":144194,"ëŀĻ":144195,"ï½ĥ":144196,"Ặ":144197,"ï¾Ħ":144198,"ïºĺ":144199,"ë¹¼":144200,"ÃĮ":144201,"âĸ·":144202,"ê¸į":144203,"ë©ĭ":144204,"ãģĥ":144205,"ìĺĨ":144206,"ìĺ®":144207,"몬":144208,"롤":144209,"볬":144210,"ëĬ¦":144211,"âĸª":144212,"ì¼ĵ":144213,"ìľĪ":144214,"짧":144215,"ï½½":144216,"ëĥī":144217,"ï¾Į":144218,"ëĺIJ":144219,"ï¼ĥ":144220,"á»Ħ":144221,"ì´¬":144222,"춤":144223,"ï¼¹":144224,"ï»Ń":144225,"âĤ«":144226,"ï½ĩ":144227,"ìĺ·":144228,"ëĸ¨":144229,"âī«":144230,"릿":144231,"⾨":144232,"Ù±":144233,"쯤":144234,"ê¹Ķ":144235,"ðŁĺĬ":144236,"ìĪ«":144237,"ê³±":144238,"êµ³":144239,"ï½ĭ":144240,"à¸Į":144241,"Äł":144242,"ëĶ¸":144243,"ë°ij":144244,"ìħĭ":144245,"íİ´":144246,"âľħ":144247,"íĥij":144248,"ëĪĩ":144249,"íı¼":144250,"ðŁĺį":144251,"ìĺĽ":144252,"ﻣ":144253,"Ñĺ":144254,"ì©Į":144255,"ë¦ħ":144256,"ìĿį":144257,"ｸ":144258,"ëįľ":144259,"ãģħ":144260,"íݼ":144261,"ëĭĿ":144262,"ë¿Į":144263,"ì¼°":144264,"ìĭ«":144265,"ë°¥":144266,"íĽĮ":144267,"ì¨Į":144268,"ë¹Ļ":144269,"ï½İ":144270,"ë´Ħ":144271,"ìĦ¹":144272,"ï½²":144273,"ìĮĵ":144274,"Òij":144275,"ë°į":144276,"ëłĢ":144277,"íĨ¤":144278,"ｯ":144279,"ë¤Ħ":144280,"꽤":144281,"ï½Ĵ":144282,"ìķ¨":144283,"ï½¼":144284,"ê¹IJ":144285,"íģIJ":144286,"âĦĸ":144287,"맺":144288,"ﺮ":144289,"ëħģ":144290,"겸":144291,"ï»ł":144292,"íĬľ":144293,"Ź":144294,"ë¥Ń":144295,"ëĪī":144296,"ï½Ķ":144297,"íĮ¬":144298,"ìŀĩ":144299,"ï¬ģ":144300,"ﻨ":144301,"ëij¥":144302,"ëŀĦ":144303,"Ù¬":144304,"íĭ´":144305,"ìŀī":144306,"Ú¾":144307,"ìĽħ":144308,"ï»®":144309,"ëĭī":144310,"âīª":144311,"âĹĦ":144312,"ëĪĮ":144313,"íĽ¼":144314,"ì¤į":144315,"Ÿ":144316,"줬":144317,"ì¾Į":144318,"ï½ĵ":144319,"ï¾Ĭ":144320,"ðŁı»":144321,"ï¾ī":144322,"Ðģ":144323,"íĺIJ":144324,"ï¾Ļ":144325,"꼬":144326,"íŀIJ":144327,"âĢ¥":144328,"ëŁŃ":144329,"ë§ŀ":144330,"ìĥ¤":144331,"ïºĴ":144332,"íĭ±":144333,"ë½ij":144334,"Ãķ":144335,"âĪļ":144336,"ëĤĦ":144337,"ê¹Ŀ":144338,"ëĨĪ":144339,"Ẻ":144340,"ìħĪ":144341,"ìĮį":144342,"âĢ¡":144343,"ï¼±":144344,"ìģ¨":144345,"âĺº":144346,"ëĴ·":144347,"ìĺ³":144348,"ðŁijį":144349,"몽":144350,"ëĤŃ":144351,"ïºŃ":144352,"ë©Ī":144353,"á»Ī":144354,"íķĢ":144355,"ëĭĻ":144356,"ë¦ĩ":144357,"ìķ¤":144358,"ìį¼":144359,"ãĥµ":144360,"Ñ£":144361,"ìľĹ":144362,"âŃIJ":144363,"ï¾ĺ":144364,"íŬ":144365,"ê¾¼":144366,"ìķĹ":144367,"ï»Į":144368,"ê±·":144369,"ëħķ":144370,"롱":144371,"ìķĬ":144372,"ï¾Ģ":144373,"ìĩł":144374,"íĮ©":144375,"ﺪ":144376,"ë§Ļ":144377,"＿":144378,"ê¿Ķ":144379,"íİľ":144380,"룸":144381,"íĶĶ":144382,"ﻳ":144383,"ëıķ":144384,"ìĭ¼":144385,"á»İ":144386,"ë§ĺ":144387,"ì¢ĭ":144388,"íĨ¡":144389,"ï½±":144390,"íĿij":144391,"Ỹ":144392,"ì¦Į":144393,"칸":144394,"ëŃĺ":144395,"ï¾Ĺ":144396,"ï»ĭ":144397,"íĬĢ":144398,"ë¥Ļ":144399,"콩":144400,"ëģĹ":144401,"ëį´":144402,"ìħľ":144403,"¸":144404,"ë»IJ":144405,"ìĥµ":144406,"ê²IJ":144407,"ëĵ¬":144408,"룰":144409,"ãħĭ":144410,"ìĹī":144411,"á»ĸ":144412,"ëĦĮ":144413,"ｶ":144414,"ë´ĩ":144415,"ëĤ³":144416,"ãĤľ":144417,"ëĸ»":144418,"íİĢ":144419,"ëį©":144420,"íķ¸":144421,"÷":144422,"ê¼¼":144423,"ëĶľ":144424,"ë°´":144425,"ë©į":144426,"âĹ¯":144427,"ìĹij":144428,"ìĻ¼":144429,"ïºij":144430,"ë¶ķ":144431,"롬":144432,"ï½Į":144433,"íĨ¨":144434,"ﺴ":144435,"ëłĺ":144436,"ê°¤":144437,"ìĪ²":144438,"Ñĵ":144439,"ìħī":144440,"ï»ĵ":144441,"ëĪĶ":144442,"ëį§":144443,"âĢ¼":144444,"ﻲ":144445,"ê°±":144446,"ê¿Ģ":144447,"ëĭ·":144448,"Ẹ":144449,"Ẫ":144450,"ÆĴ":144451,"ëį¤":144452,"ìĪŃ":144453,"ï½Ĥ":144454,"ï½Ī":144455,"Åł":144456,"룬":144457,"ѵ":144458,"ëĸ¡":144459,"ëĥĦ":144460,"ìĦ°":144461,"ëĵĪ":144462,"ï¾ĥ":144463,"ëĩ¨":144464,"ï½IJ":144465,"êµ½":144466,"ìĹ½":144467,"ëĤĢ":144468,"묶":144469,"ï½·":144470,"ìıŁ":144471,"íĺĶ":144472,"ê¼Ī":144473,"ëģĪ":144474,"ì¥IJ":144475,"ïºĹ":144476,"ÄĮ":144477,"ëĪł":144478,"ëĸ¼":144479,"íĢ´":144480,"âī¥":144481,"ëĭŃ":144482,"ì±Ļ":144483,"ê»ı":144484,"멤":144485,"ìĥĺ":144486,"ëį®":144487,"룡":144488,"ìĤ½":144489,"ãĪľ":144490,"Ĩ":144491,"âĢ§":144492,"ｺ":144493,"Ä£":144494,"ì¦ī":144495,"ï¼¼":144496,"Û©":144497,"âĪĻ":144498,"ë°ı":144499,"ë¹ħ":144500,"ðŁĺĽ":144501,"íĪ´":144502,"ðŁĴķ":144503,"ãĢĴ":144504,"ìŀĺ":144505,"ﺤ":144506,"ï½ĸ":144507,"ë©ľ":144508,"ë²¼":144509,"ëĿĦ":144510,"ëļľ":144511,"ï»ĺ":144512,"ìĥĮ":144513,"ï½Ħ":144514,"ì©Ķ":144515,"ï½Ļ":144516,"ﺩ":144517,"Ûŀ":144518,"âĺİ":144519,"ìł¤":144520,"ëIJ©":144521,"ÅĿ":144522,"âŀ¡":144523,"ﻧ":144524,"Ðı":144525,"ì«ĵ":144526,"ê³½":144527,"Éij":144528,"ãĥ²":144529,"ëĤ«":144530,"ë¦ī":144531,"ì¢ģ":144532,"ë°Ń":144533,"ðŁĺģ":144534,"ë¹µ":144535,"첩":144536,"컵":144537,"ðŁĺĺ":144538,"ë±ħ":144539,"âīĪ":144540,"ë¹ļ":144541,"ï»ľ":144542,"ðŁĻı":144543,"íģ°":144544,"ìĦŀ":144545,"ï¾ļ":144546,"ìĺ¹":144547,"ë¼Ī":144548,"ëĤ¯":144549,"ëŀ©":144550,"íļ¡":144551,"ï½ķ":144552,"íĥĵ":144553,"ëĿł":144554,"ê³ģ":144555,"ëĵĢ":144556,"ìĹł":144557,"Ｚ":144558,"ë§ij":144559,"ëĭ¿":144560,"쿨":144561,"ãİ¡":144562,"ÐĬ":144563,"íĦ±":144564,"Ũ":144565,"ﺳ":144566,"ï¾ı":144567,"âĭħ":144568,"ê¼´":144569,"âī¤":144570,"íĮģ":144571,"Ω":144572,"궤":144573,"ìĪį":144574,"âľ¿":144575,"콤":144576,"ëĪħ":144577,"íĨ±":144578,"ãħľ":144579,"áIJħ":144580,"ÅĴ":144581,"ðŁijī":144582,"ﻦ":144583,"Ъ":144584,"ë¥ľ":144585,"íķ«":144586,"ï¾ĭ":144587,"âĻ«":144588,"ê¹ľ":144589,"ë°¸":144590,"ëĶĺ":144591,"íĿī":144592,"ï¾ģ":144593,"ï¾Ľ":144594,"볼":144595,"ê²¹":144596,"쿼":144597,"ﻬ":144598,"âŀ¤":144599,"ðŁĻģ":144600,"ïºł":144601,"ëĨ¨":144602,"믹":144603,"ê¸ĭ":144604,"ë»Ķ":144605,"ê¹ĥ":144606,"ëijij":144607,"íĭ¸":144608,"íİĻ":144609,"âŀĸ":144610,"ãĥ½":144611,"ì§ļ":144612,"ｬ":144613,"ﻥ":144614,"íĮ½":144615,"âĢĴ":144616,"ìĮĢ":144617,"ìŃī":144618,"ëļ±":144619,"ãĤŀ":144620,"íĭĪ":144621,"ãĤIJ":144622,"ëīĺ":144623,"Σ":144624,"ê³°":144625,"ë¹Ĺ":144626,"ï¾İ":144627,"ðŁĺŃ":144628,"íĿł":144629,"ìĹ¿":144630,"ê°ļ":144631,"ì¤Į":144632,"맵":144633,"ï½³":144634,"ãģ¢":144635,"ï»Ĺ":144636,"âī¦":144637,"Ú¤":144638,"ëłģ":144639,"ê¼½":144640,"ﻫ":144641,"âī§":144642,"ì´Ľ":144643,"ìłĿ":144644,"Ằ":144645,"âĻ£":144646,"ìºĺ":144647,"âĪĩ":144648,"ê²ī":144649,"ë°Ł":144650,"ï»Ķ":144651,"íĸĩ":144652,"âĸĴ":144653,"ðŁijı":144654,"Ãŀ":144655,"ðŁĺĨ":144656,"ﺼ":144657,"âĿĹ":144658,"ìºĶ":144659,"칩":144660,"ëĸ¤":144661,"ëĥħ":144662,"âĶľ":144663,"ï½»":144664,"ÎĶ":144665,"áĥ¦":144666,"ìŀİ":144667,"âĺĢ":144668,"âĪ¼":144669,"ðŁĶ¥":144670,"ë°Į":144671,"ìłĸ":144672,"íĹĽ":144673,"Îķ":144674,"ïºĥ":144675,"ë¶ī":144676,"âĪŀ":144677,"íĥŃ":144678,"Ãĭ":144679,"âģĦ":144680,"ãħĩ":144681,"ëĦ¥":144682,"ëĭ®":144683,"ëł·":144684,"íĮĿ":144685,"캡":144686,"ë·Ķ":144687,"ì©į":144688,"íĤ´":144689,"ëļ«":144690,"âĵĴ":144691,"íķį":144692,"âĻĤ":144693,"ï¾Ĩ":144694,"âĨ©":144695,"ìį©":144696,"ïºķ":144697,"íĿĻ":144698,"Ñľ":144699,"íĤ·":144700,"íĿ°":144701,"íĥ±":144702,"ëķIJ":144703,"ï¾Ĵ":144704,"×ĥ":144705,"ëĮĦ":144706,"ìĺ´":144707,"ìķµ":144708,"ê¹¥":144709,"ëŀŃ":144710,"쪼":144711,"ãİĿ":144712,"ðŁĺħ":144713,"ëıĭ":144714,"몫":144715,"ﺸ":144716,"뮬":144717,"ë²ħ":144718,"ëijł":144719,"ìħ°":144720,"ì»·":144721,"ëĶª":144722,"ëħĶ":144723,"ãħ¡":144724,"ìĶ»":144725,"íķı":144726,"ëį±":144727,"ﺨ":144728,"ï¾į":144729,"ï½µ":144730,"ì¢Ģ":144731,"íİĮ":144732,"ï»°":144733,"ﺣ":144734,"Æ£":144735,"ðŁ¤£":144736,"ï·º":144737,"ëĤļ":144738,"âĭĨ":144739,"ë³į":144740,"ðŁĺĦ":144741,"ìĸĢ":144742,"ìĻł":144743,"ëĨĶ":144744,"íŨ":144745,"ï»Ľ":144746,"ï»Ŀ":144747,"Ỷ":144748,"ìĸĺ":144749,"ìİĦ":144750,"ÚĨ":144751,"ï»ŀ":144752,"ëĢIJ":144753,"ê²Ķ":144754,"ﻵ":144755,"âŦ":144756,"íļŁ":144757,"ê¹ģ":144758,"ê°ĵ":144759,"ëĶ´":144760,"ìıĺ":144761,"ëļĿ":144762,"ỳ":144763,"ëŀ´":144764,"ëĦī":144765,"âĺŀ":144766,"ï½ĺ":144767,"Ž":144768,"ë¦İ":144769,"âĸ¬":144770,"ëŃī":144771,"âĩĽ":144772,"ìį¬":144773,"ïºŁ":144774,"Ëľ":144775,"ë¶ĵ":144776,"ìĽ°":144777,"Åľ":144778,"ëŃĩ":144779,"Ỳ":144780,"Ëļ":144781,"ëķĢ":144782,"âĺij":144783,"ðŁı¼":144784,"ìĸ½":144785,"âĮĴ":144786,"Ðİ":144787,"ɾ":144788,"íĮ¡":144789,"ï¾ħ":144790,"ìŀŃ":144791,"ｨ":144792,"칫":144793,"ìľĮ":144794,"ÒĽ":144795,"굿":144796,"ëĭ¦":144797,"âĶĶ":144798,"ï¾ij":144799,"ì§ĸ":144800,"ìºĦ":144801,"ãĢĥ":144802,"ʼ":144803,"ê²Ł":144804,"ｧ":144805,"Ä¢":144806,"íİł":144807,"맷":144808,"ê°ĩ":144809,"ìĭ¹":144810,"ðŁĴ¦":144811,"ï¾ľ":144812,"ëĬĻ":144813,"벡":144814,"Å¿":144815,"ðŁĺĭ":144816,"ðŁĴª":144817,"ì¿Ħ":144818,"ë©ķ":144819,"ìѤ":144820,"ëĬĦ":144821,"ðŁĮ¸":144822,"ãĤĿ":144823,"Çİ":144824,"ï½ļ":144825,"ÄĹ":144826,"ëģĵ":144827,"ê¶IJ":144828,"áµī":144829,"ãĥĤ":144830,"ê»į":144831,"ðŁĺ¦":144832,"ãĢĿ":144833,"ðŁ¤Ĺ":144834,"ÑŁ":144835,"ìĹİ":144836,"âľĮ":144837,"ìīIJ":144838,"ÃĨ":144839,"íĹIJ":144840,"ðŁİī":144841,"Îij":144842,"ï½Ń":144843,"ðŁĴĻ":144844,"ìĽ¬":144845,"íĢĺ":144846,"ﻢ":144847,"ðŁĺİ":144848,"íij¼":144849,"íĿ©":144850,"ï»Ħ":144851,"íħĢ":144852,"ëłIJ":144853,"쥬":144854,"Ðĭ":144855,"ìĥ·":144856,"뾬":144857,"ðŁĺĥ":144858,"ëĦ¬":144859,"륨":144860,"ìĽį":144861,"ï½Ĩ":144862,"ï½´":144863,"ãĥħ":144864,"Ãı":144865,"ﻪ":144866,"âĻł":144867,"ëĬ¬":144868,"ë±Ģ":144869,"ë°ĭ":144870,"ìĥĢ":144871,"ï½¾":144872,"ëĤ±":144873,"컸":144874,"ðŁĴĸ":144875,"ðŁijĮ":144876,"Ñŀ":144877,"짱":144878,"ËĨ":144879,"ðŁĵļ":144880,"âŃķ":144881,"ï¬Ĥ":144882,"ﻡ":144883,"ëij¬":144884,"íĪ¼":144885,"âĸ¸":144886,"ê°¯":144887,"ê¹ħ":144888,"ï½®":144889,"ëĺ¥":144890,"Ä¡":144891,"íĮŁ":144892,"ÐĮ":144893,"ìĨŁ":144894,"ïºĵ":144895,"ﻼ":144896,"ÃĽ":144897,"ãĥ¾":144898,"ëĮĵ":144899,"íĴĭ":144900,"ìķĵ":144901,"ï½¹":144902,"ëĤ¡":144903,"ðŁijĩ":144904,"Ẽ":144905,"ãĢŁ":144906,"ðŁĮŁ":144907,"íĥł":144908,"ãĢĨ":144909,"âĢŁ":144910,"ë¸IJ":144911,"ðŁĮ¹":144912,"ìł¼":144913,"ðŁĵĮ":144914,"ìĶ¬":144915,"âĹĢ":144916,"ðŁĴĵ":144917,"ê¹İ":144918,"ìĤIJ":144919,"ìĶĮ":144920,"ÑĽ":144921,"âĶĪ":144922,"ë²³":144923,"ãİŀ":144924,"Õ¡":144925,"íĤµ":144926,"ðŁ¤Ķ":144927,"ëĢĶ":144928,"ìĬIJ":144929,"íĻī":144930,"⾦":144931,"ëľ¯":144932,"ìł¯":144933,"ëĶ§":144934,"Φ":144935,"ËĪ":144936,"ìī¼":144937,"âĹĬ":144938,"ëľ©":144939,"ëľ°":144940,"ï¾IJ":144941,"ë¿Ķ":144942,"ìĹ®":144943,"ì·Į":144944,"ﺧ":144945,"ÎĴ":144946,"ëµĻ":144947,"ï»Ĭ":144948,"ì°Ķ":144949,"íİĦ":144950,"ðŁĴĹ":144951,"Ẵ":144952,"ì°¢":144953,"íľ¼":144954,"ê½Ĥ":144955,"ì±Ķ":144956,"ìī´":144957,"âĸ¾":144958,"íĪ°":144959,"ëĭĽ":144960,"âĿ£":144961,"ｪ":144962,"ðŁĴľ":144963,"Ëĺ":144964,"ãħ¤":144965,"âĨĹ":144966,"íĸĦ":144967,"âĻ¬":144968,"ìķ°":144969,"ïºľ":144970,"âī¡":144971,"ãĢĵ":144972,"ìij¥":144973,"íĮį":144974,"íīģ":144975,"ë»Ĺ":144976,"íľł":144977,"íľ©":144978,"âľĪ":144979,"íĢĦ":144980,"ìĸĩ":144981,"ì¢ĩ":144982,"íŀĻ":144983,"몹":144984,"ãĤĽ":144985,"ðŁĺ±":144986,"ëįŁ":144987,"à¹ħ":144988,"굶":144989,"Ù«":144990,"ìĶģ":144991,"âľª":144992,"ï¾Ī":144993,"ðŁĻĮ":144994,"âļ¡":144995,"Îļ":144996,"ì¼Ī":144997,"ï¾Ķ":144998,"ï¾Ĥ":144999,"êµī":145000,"ﺻ":145001,"ðŁĴĭ":145002,"á¹£":145003,"ÓĻ":145004,"ìĨľ":145005,"ìĹ£":145006,"âľ©":145007,"ìľĻ":145008,"ﺰ":145009,"Ẳ":145010,"ìŀ£":145011,"âĿĮ":145012,"âĺģ":145013,"ìķİ":145014,"Ľ":145015,"Ûģ":145016,"ãĦ±":145017,"ëŁ¿":145018,"íĮ¸":145019,"ê½ī":145020,"ìıł":145021,"ðŁįĢ":145022,"âĨĶ":145023,"ëŃ¡":145024,"ï»ģ":145025,"ï¼Ħ":145026,"ðŁĴ¥":145027,"âĺĽ":145028,"íĹ·":145029,"ëij¡":145030,"Îł":145031,"Τ":145032,"âĦĵ":145033,"ﺷ":145034,"ÎĻ":145035,"ëıĶ":145036,"짤":145037,"âĶĥ":145038,"ãĦ·":145039,"ÇĴ":145040,"ðŁ¥°":145041,"ëĶķ":145042,"ìļ¥":145043,"ì¸Ħ":145044,"íĽĶ":145045,"ïºĩ":145046,"ﺬ":145047,"ðŁĺ¢":145048,"빡":145049,"ìĶ¹":145050,"ų":145051,"ËĿ":145052,"íİij":145053,"ï¾ĵ":145054,"ðŁĴļ":145055,"ëĬij":145056,"꺾":145057,"íĨ°":145058,"ÿ":145059,"ÐĦ":145060,"ëĮIJ":145061,"ë½Ģ":145062,"ì·Ħ":145063,"ðŁĵį":145064,"ðŁĻĪ":145065,"âĹĪ":145066,"ê¿ĩ":145067,"ì¼Ħ":145068,"íİ«":145069,"ðŁĩ·":145070,"âĶĭ":145071,"âļł":145072,"ë±ī":145073,"ìį°":145074,"ìĻĪ":145075,"ɪ":145076,"ïºĭ":145077,"ðŁĺľ":145078,"ÎŁ":145079,"ðŁĻĤ":145080,"âļ½":145081,"ÅĪ":145082,"ë¹Ķ":145083,"íĮľ":145084,"à¹ı":145085,"ìĸ¹":145086,"íĪŃ":145087,"ðŁ¥ĩ":145088,"ãĦ´":145089,"ëĶ¥":145090,"ìŃĪ":145091,"âĪĨ":145092,"ëĸ³":145093,"ë±ĥ":145094,"ìŀ¦":145095,"ï»IJ":145096,"Îľ":145097,"⾧":145098,"Ïį":145099,"ìłĵ":145100,"âĹķ":145101,"ëĴĢ":145102,"ï»Ģ":145103,"ðŁĶ´":145104,"ê½ģ":145105,"ëĮĪ":145106,"ëİĮ":145107,"ãĤİ":145108,"â¦ģ":145109,"콧":145110,"ﯾ":145111,"âĿ¯":145112,"à¸ħ":145113,"ðŁĻĦ":145114,"âĿĢ":145115,"ðŁĶ¹":145116,"âĩIJ":145117,"êµµ":145118,"âĩĶ":145119,"ë¶IJ":145120,"ðŁĴĽ":145121,"ξ":145122,"íĥ¬":145123,"âĿĦ":145124,"Ò£":145125,"ãĢ°":145126,"âĪij":145127,"âĺ¼":145128,"âīł":145129,"Ò¯":145130,"ﺯ":145131,"꿨":145132,"âľĸ":145133,"Êĸ":145134,"íĢĢ":145135,"ê¾Ģ":145136,"íĹĿ":145137,"âĶ£":145138,"ãİľ":145139,"ëĶĽ":145140,"뾸":145141,"ﺫ":145142,"ê¿°":145143,"ðŁĩ¹":145144,"ÇIJ":145145,"ÛĴ":145146,"룻":145147,"ïºĸ":145148,"Ñļ":145149,"ëĬł":145150,"Ûķ":145151,"깡":145152,"ë¿ľ":145153,"ì²¼":145154,"ï¨ij":145155,"륵":145156,"ìį¸":145157,"íħħ":145158,"íij¹":145159,"ÖĢ":145160,"ï³Į":145161,"ãħ£":145162,"ìij¤":145163,"ì½ķ":145164,"ëķł":145165,"ðŁĮ¿":145166,"íĥĶ":145167,"ìĽģ":145168,"ζ":145169,"âŀľ":145170,"ìĬĺ":145171,"íĽĹ":145172,"멧":145173,"ìīĺ":145174,"Õ¶":145175,"á¹ĩ":145176,"ðŁİģ":145177,"ｿ":145178,"ï¼Ĥ":145179,"á¼IJ":145180,"âľķ":145181,"âŀ¢":145182,"ëĦ¨":145183,"컫":145184,"ì¯Ķ":145185,"ì°ľ":145186,"ðŁĴ°":145187,"íħĿ":145188,"ãİı":145189,"볶":145190,"Òĵ":145191,"âĨ³":145192,"ìĥ´":145193,"íģĺ":145194,"âĸĢ":145195,"ë²Ļ":145196,"à¸ĥ":145197,"ὶ":145198,"Äķ":145199,"â¬ĩ":145200,"ë¤ĺ":145201,"ðŁİµ":145202,"âľļ":145203,"ïºı":145204,"Ρ":145205,"âĹī":145206,"ðŁĴ«":145207,"ÐĪ":145208,"ìĸĦ":145209,"ì§Ļ":145210,"ï»ĥ":145211,"ðĿijĴ":145212,"ëŃĦ":145213,"âĿ¥":145214,"âĿĸ":145215,"âĺĿ":145216,"ʹ":145217,"ḥ":145218,"âĢ¿":145219,"ãħħ":145220,"ê¸ģ":145221,"ëķ¡":145222,"ëį¥":145223,"âĪ©":145224,"ê»Ħ":145225,"ë®Į":145226,"Ò±":145227,"âĪĹ":145228,"ëłĻ":145229,"ïºĮ":145230,"ËIJ":145231,"ðŁĺ³":145232,"ðŁij©":145233,"ðŁİ¶":145234,"쿵":145235,"ðŁ¤©":145236,"ê·¤":145237,"ëĮĶ":145238,"ïºIJ":145239,"Ïİ":145240,"춥":145241,"ï½Ĭ":145242,"á¹Ń":145243,"뤼":145244,"âĸ«":145245,"ì§ł":145246,"á¼Ģ":145247,"ê»ij":145248,"ëĮģ":145249,"íĢ¸":145250,"âĻĽ":145251,"ðŁĴŀ":145252,"âĸ°":145253,"ðĿijĸ":145254,"ëĿ¤":145255,"द":145256,"ì´ĺ":145257,"ðŁĺĩ":145258,"ëĶ¤":145259,"ÎĹ":145260,"ðŁĻĩ":145261,"ËĽ":145262,"ì©¡":145263,"âĪ§":145264,"Õ¥":145265,"ÑĻ":145266,"ëIJ¬":145267,"ëĸĦ":145268,"ðŁĮ·":145269,"ìĹĮ":145270,"ðŁĺ¥":145271,"ëĪ´":145272,"ï»ļ":145273,"ÉĽ":145274,"ïºĦ":145275,"ï»ı":145276,"ÅĮ":145277,"ë²ļ":145278,"ìĭ£":145279,"ïºĢ":145280,"Îĵ":145281,"ðŁĺĮ":145282,"ËĻ":145283,"ëŀı":145284,"ðŁĶ¸":145285,"ðŁĵ·":145286,"ëģ½":145287,"íģ½":145288,"ðŁĴ¡":145289,"ðŁĮ±":145290,"ëºı":145291,"ìģł":145292,"ìĥIJ":145293,"ëıĹ":145294,"츰":145295,"ëĪķ":145296,"ÎĿ":145297,"âģī":145298,"ðŁĮ¼":145299,"íĮł":145300,"âĭ¯":145301,"áĥĺ":145302,"⾤":145303,"ê±Ķ":145304,"íĮİ":145305,"ðŁĴ¯":145306,"ìıĻ":145307,"íĹī":145308,"ÙŃ":145309,"ì½°":145310,"ﺿ":145311,"ï»±":145312,"ì±Į":145313,"âĺķ":145314,"ðŁİĢ":145315,"ÄĿ":145316,"ë°§":145317,"ìĤ¿":145318,"áijķ":145319,"ðŁįĥ":145320,"âĩ¨":145321,"ÎĽ":145322,"맴":145323,"ë³ķ":145324,"áijIJ":145325,"âĸĵ":145326,"ðĿijľ":145327,"âĻ»":145328,"íĤ¥":145329,"Õ¸":145330,"ãĪ±":145331,"ëºĢ":145332,"첸":145333,"ïºĽ":145334,"ðŁıĨ":145335,"ðŁĩª":145336,"âĿĵ":145337,"ÄĢ":145338,"ì½¥":145339,"ðŁĩ§":145340,"á½·":145341,"âľĤ":145342,"ìŀ¼":145343,"李":145344,"ðŁĵ¸":145345,"âĻ¯":145346,"ÉĶ":145347,"ὸ":145348,"âĮª":145349,"ï»ĸ":145350,"不":145351,"âļ«":145352,"âĶĹ":145353,"ðŁĮĪ":145354,"ﻩ":145355,"ðŁĵ²":145356,"ÏĪ":145357,"ðŁĺ¡":145358,"ðĿijİ":145359,"ìľ½":145360,"짬":145361,"ì§Ĭ":145362,"á½³":145363,"ìĮ¤":145364,"ëĤį":145365,"âīĴ":145366,"ðŁij¨":145367,"âĺĺ":145368,"Ó©":145369,"âĤĵ":145370,"âĪĤ":145371,"ï¹ģ":145372,"ðŁĴIJ":145373,"íħĥ":145374,"ðŁı½":145375,"ê·Ħ":145376,"ðŁĺı":145377,"ðŁĮº":145378,"ðŁĺĶ":145379,"ｫ":145380,"âľİ":145381,"ëµĪ":145382,"ðŁĩ¸":145383,"âĢ£":145384,"âŀĶ":145385,"ëĺĺ":145386,"ìĥ¬":145387,"Êĥ":145388,"â¬ħ":145389,"ì©IJ":145390,"ðŁĻĨ":145391,"ðŁİĦ":145392,"ľ":145393,"⣶":145394,"áĥIJ":145395,"âĺ»":145396,"ì±ķ":145397,"ìģ©":145398,"ë½ķ":145399,"캣":145400,"ðŁijĪ":145401,"ðŁĻĭ":145402,"ï¾ĸ":145403,"Òļ":145404,"Õ«":145405,"ìĮĪ":145406,"벧":145407,"ðŁĩ®":145408,"ï½Ŀ":145409,"ðŁįģ":145410,"ìĹ¥":145411,"ij":145412,"ë½IJ":145413,"íį½":145414,"íĽij":145415,"âĤ¹":145416,"ãħģ":145417,"ìĶ½":145418,"ðŁĶģ":145419,"य":145420,"ê¾¹":145421,"ëīľ":145422,"âĹ¡":145423,"íķĮ":145424,"Îĺ":145425,"룹":145426,"ìĻĵ":145427,"ðŁĩ¦":145428,"ðŁijĢ":145429,"âĶĮ":145430,"ῦ":145431,"ëĦĽ":145432,"ìĦ£":145433,"ìŃĻ":145434,"ï±ł":145435,"Îŀ":145436,"Ê»":145437,"ῶ":145438,"âĿĿ":145439,"ê±Ģ":145440,"ëĸ´":145441,"ãĦ¹":145442,"ðŁĴİ":145443,"Ϲ":145444,"âĽħ":145445,"ï»ķ":145446,"ãĥ±":145447,"ï½Ľ":145448,"ëĮķ":145449,"ë¹½":145450,"ì¥Ķ":145451,"쿤":145452,"ðŁĸ¤":145453,"ÑĴ":145454,"ê¹į":145455,"ëİĢ":145456,"ìĭ¯":145457,"뻤":145458,"ðŁĵŀ":145459,"ðŁĵ£":145460,"ðŁĺĿ":145461,"ìį¹":145462,"ìĹ¡":145463,"ì°IJ":145464,"á½IJ":145465,"ï»Ī":145466,"âľį":145467,"Äı":145468,"ðŁĮŀ":145469,"âĦ¦":145470,"ê½Ŀ":145471,"ë»ĺ":145472,"ìĪ±":145473,"âĶĺ":145474,"ðŁĮ»":145475,"âĤ´":145476,"âŀ¨":145477,"íIJģ":145478,"ê¶Ī":145479,"âĺ¢":145480,"ðŁĺĪ":145481,"ｩ":145482,"âĦĹ":145483,"ê°Ń":145484,"ê°¸":145485,"ë»ij":145486,"쥴":145487,"컥":145488,"ï¤Ĭ":145489,"ï»Ĵ":145490,"ðŁĺķ":145491,"âĺĶ":145492,"ìĺIJ":145493,"ðŁļĹ":145494,"ëĹĦ":145495,"ë§ı":145496,"Õ½":145497,"âĸ»":145498,"⣵":145499,"ìī°":145500,"ï»ij":145501,"âĻ©":145502,"Î¥":145503,"ðŁĺ£":145504,"âĬĤ":145505,"ãħĤ":145506,"ìħ¸":145507,"íıĦ":145508,"âľ½":145509,"ì¦Ļ":145510,"âĸ£":145511,"ê±į":145512,"ê¿ĭ":145513,"ì«Ħ":145514,"ìºĩ":145515,"ðŁĩµ":145516,"ðŁijij":145517,"âľĺ":145518,"ðĿijĽ":145519,"ìį½":145520,"ìºī":145521,"וּ":145522,"ðŁĶº":145523,"âĦ®":145524,"íĥ¤":145525,"ðŁĩº":145526,"ðŁĴµ":145527,"íħ¨":145528,"ï½ij":145529,"Ψ":145530,"ìĥ¹":145531,"ìĸķ":145532,"ì¹µ":145533,"ðŁĵ±":145534,"व":145535,"ðŁijĬ":145536,"ðŁĴĦ":145537,"ðŁĴĿ":145538,"ãĮĶ":145539,"ìĻģ":145540,"Ðĩ":145541,"à®IJ":145542,"âĸ¹":145543,"á´Ľ":145544,"âĹĺ":145545,"뺨":145546,"íĥī":145547,"ìĸĮ":145548,"ðŁIJ¶":145549,"ãĤij":145550,"Ëĩ":145551,"Åı":145552,"á½¹":145553,"ìħ§":145554,"ï¹°":145555,"ðĿij¡":145556,"ðŁĶĿ":145557,"ðŁĺ»":145558,"ðŁĴĥ":145559,"ðŁ¤¦":145560,"ðŁįĴ":145561,"íĢµ":145562,"âľĨ":145563,"ë¹´":145564,"理":145565,"ï»Ļ":145566,"á´Ĺ":145567,"ðŁĮ´":145568,";":145569,"ëĮij":145570,"ì¨ĭ":145571,"쵸":145572,"ðŁİĪ":145573,"ðŁıł":145574,"á½±":145575,"ÛĨ":145576,"á¿ĸ":145577,"âĢĽ":145578,"ì°¼":145579,"íķ¥":145580,"íĹ´":145581,"ðŁĩ¬":145582,"ì°Ŀ":145583,"âĪł":145584,"ï¼ĩ":145585,"âĬĻ":145586,"âĿij":145587,"ëĦĭ":145588,"ëŀĹ":145589,"ë°ī":145590,"ìĹĬ":145591,"ì¢Ĩ":145592,"íĮ¥":145593,"ï°²":145594,"ðŁĵĸ":145595,"ðŁĺ®":145596,"âļª":145597,"ðŁĺļ":145598,"âĿŀ":145599,"ðĿijŁ":145600,"ðŁİĤ":145601,"Åķ":145602,"áIJĪ":145603,"꺽":145604,"ì±ł":145605,"ïºĿ":145606,"ê¿ī":145607,"áĥł":145608,"ðŁıĥ":145609,"ðŁĴ¸":145610,"âĿģ":145611,"âĹ¾":145612,"Úª":145613,"á¹ĥ":145614,"íĬ¬":145615,"ðŁĩ±":145616,"íİŃ":145617,"ðŁĺŀ":145618,"ë¾°":145619,"á¹Ľ":145620,"뼸":145621,"âĿĤ":145622,"êĴ³":145623,"âĶIJ":145624,"íĵ°":145625,"âŀł":145626,"ê´ĺ":145627,"ëħĺ":145628,"뻥":145629,"ì¾ħ":145630,"ðŁĺIJ":145631,"âĪª":145632,"ðŁijģ":145633,"âĪ´":145634,"âĹģ":145635,"ëºIJ":145636,"ìŀ¤":145637,"ì±Ĺ":145638,"ðŁı¾":145639,"Χ":145640,"á½»":145641,"âŀ¥":145642,"ìŁĪ":145643,"ï»ī":145644,"âĸĮ":145645,"ãĥ®":145646,"ðŁ¤¤":145647,"âĩĵ":145648,"ì¼ł":145649,"á´ı":145650,"맬":145651,"뻣":145652,"ðŁĴ¬":145653,"ðŁįĵ":145654,"ĸ":145655,"Ù¹":145656,"Ê¿":145657,"á½°":145658,"ëķľ":145659,"ì°¡":145660,"ì°»":145661,"íİį":145662,"ðŁİ¯":145663,"ðŁįĤ":145664,"ðŁij§":145665,"âĻ¢":145666,"áĨŀ":145667,"âĻ§":145668,"âļľ":145669,"âľī":145670,"ëĵ¦":145671,"ëŃ£":145672,"ìĪı":145673,"ìĵ±":145674,"ÅŃ":145675,"ÊĬ":145676,"âĴ¸":145677,"âĩ©":145678,"ðŁĴĶ":145679,"Õµ":145680,"Ðī":145681,"Ò»":145682,"맣":145683,"ìĽľ":145684,"ì¿¡":145685,"íĽħ":145686,"íĽ¤":145687,"ﺢ":145688,"âľĭ":145689,"âĪĪ":145690,"ðŁĮį":145691,"Êľ":145692,"ëĬª":145693,"ëĴ¹":145694,"ﺲ":145695,"âĸĦ":145696,"ãħĪ":145697,"ëļ¤":145698,"íİ©":145699,"âĪ¨":145700,"ðŁ¤ª":145701,"áĥļ":145702,"곶":145703,"íĬķ":145704,"ðŁĺ¬":145705,"âĪ«":145706,"ðŁijĭ":145707,"ÒIJ":145708,"íĬ¿":145709,"ðŁĶµ":145710,"ðŁĴ¨":145711,"ðŁĮĻ":145712,"ëĩ©":145713,"âľ³":145714,"ë¨ģ":145715,"ëºĦ":145716,"ìĻij":145717,"ìºħ":145718,"íıĪ":145719,"ðĿijĻ":145720,"ðŁĴĺ":145721,"ãİ¥":145722,"âĿı":145723,"âľ°":145724,"ﯿ":145725,"ëµIJ":145726,"ì¼IJ":145727,"ﺱ":145728,"Õ´":145729,"ï¬Ģ":145730,"âľ´":145731,"ðŁ¤Ń":145732,"ðŁijĨ":145733,"âĽĶ":145734,"ê·ĵ":145735,"ìĮĮ":145736,"ðŁ¤·":145737,"ÛĶ":145738,"ðŁ§¡":145739,"ðŁĺĵ":145740,"Îĸ":145741,"âı°":145742,"ê²ľ":145743,"ëĭ³":145744,"ëİħ":145745,"ë°Ī":145746,"ï®IJ":145747,"ðŁı¡":145748,"âĨª":145749,"âĵĶ":145750,"âľĬ":145751,"ϲ":145752,"ÜIJ":145753,"ðŁĩ³":145754,"ÖĤ":145755,"âľı":145756,"ìĸĹ":145757,"ì«Ļ":145758,"ðŁĺ²":145759,"ÄŃ":145760,"âĻŃ":145761,"âĶı":145762,"âĹĮ":145763,"ðŁĺ¯":145764,"áµĴ":145765,"íĬł":145766,"Ä·":145767,"Êģ":145768,"à¤Ł":145769,"á¹ģ":145770,"á¼°":145771,"á¿Ĩ":145772,"â«":145773,"⫸":145774,"ëį«":145775,"ì³ĩ":145776,"켤":145777,"íĽ¨":145778,"ðŁĴŁ":145779,"ÊĢ":145780,"ʳ":145781,"ëĵIJ":145782,"âķ°":145783,"âĿĩ":145784,"ÇĢ":145785,"ÇĶ":145786,"É´":145787,"âĺļ":145788,"âĺľ":145789,"ê¶Ĥ":145790,"ì«Ĵ":145791,"ì±Ī":145792,"ðŁĩ¨":145793,"ðŁİ¥":145794,"ðŁĵĿ":145795,"ħ":145796,"ðĿijIJ":145797,"ÛĪ":145798,"ब":145799,"ì¬IJ":145800,"íĹ¥":145801,"âĻ¨":145802,"ðŁį´":145803,"ï¹ı":145804,"Ëĭ":145805,"ðŁ¥º":145806,"âĸ¨":145807,"íĻĭ":145808,"âĪħ":145809,"ëģĻ":145810,"ëŀł":145811,"ìĨ¥":145812,"âĢĸ":145813,"ðŁ¤ĺ":145814,"ðŁIJ»":145815,"áµķ":145816,"ÇĿ":145817,"âĺı":145818,"ïºļ":145819,"ï»Ĥ":145820,"ðŁļ©":145821,"ìĪŁ":145822,"ËĬ":145823,"⤵":145824,"ðŁĴ§":145825,"ãħį":145826,"ë©©":145827,"Ƭ":145828,"Îĩ":145829,"âĩ§":145830,"âĵļ":145831,"ìĤ¯":145832,"ìĪ¯":145833,"ëĨĭ":145834,"âľ¯":145835,"ðŁļĢ":145836,"Úĺ":145837,"Ú¨":145838,"âľŃ":145839,"ê²ħ":145840,"íĮ°":145841,"íľĻ":145842,"ðŁĮĬ":145843,"ðŁİĵ":145844,"ðŁĺĻ":145845,"Ëĥ":145846,"ðŁĴģ":145847,"ðŁijİ":145848,"âĺ¹":145849,"ðŁĺ«":145850,"ðŁĴ»":145851,"ëĤµ":145852,"ìĿĬ":145853,"íĮ»":145854,"Ò³":145855,"á½²":145856,"âŀŀ":145857,"ëĤij":145858,"ëĿĪ":145859,"죤":145860,"ﻯ":145861,"ðŁĩ©":145862,"ðŁ¥³":145863,"âĴ¼":145864,"ðŁ¦ĭ":145865,"âĺĤ":145866,"ðŁĺ°":145867,"ðŁĻĥ":145868,"ðŁĺĴ":145869,"Ûİ":145870,"Ïķ":145871,"Ḥ":145872,"룽":145873,"ìĬ¥":145874,"ðĿijī":145875,"ÉIJ":145876,"ðŁįİ":145877,"âķ¯":145878,"âķ¹":145879,"າ":145880,"ï¾ł":145881,"ë¹ķ":145882,"ïºĨ":145883,"ʺ":145884,"Ó§":145885,"âĨł":145886,"ëĥĩ":145887,"ìİĪ":145888,"ìŁ¤":145889,"ï±¢":145890,"âķ¬":145891,"âĺł":145892,"ðŁİĬ":145893,"ãįį":145894,"ãİİ":145895,"âĺ°":145896,"âľĥ":145897,"ãħī":145898,"ë¯Ī":145899,"빤":145900,"ìıŃ":145901,"ðĿij¢":145902,"ðŁIJ¾":145903,"Åĭ":145904,"ðŁij¶":145905,"âĶĽ":145906,"ï¿¢":145907,"áĥ¡":145908,"ļ":145909,"ÅĨ":145910,"ÑIJ":145911,"ìĥĽ":145912,"ìĺĮ":145913,"챤":145914,"íħģ":145915,"íļĥ":145916,"ï³Ĭ":145917,"ðĿijĶ":145918,"ðŁĩ«":145919,"âĭ°":145920,"ðŁĺ¨":145921,"âĤ©":145922,"Õ¬":145923,"á¸į":145924,"á»´":145925,"âĨĺ":145926,"âĺ¯":145927,"ãħı":145928,"ìł¬":145929,"âĻĶ":145930,"ðŁĶĶ":145931,"ðŁĺł":145932,"ðŁĻĬ":145933,"à®ľ":145934,"á¹ħ":145935,"âĹIJ":145936,"âĿĪ":145937,"âŀ½":145938,"ìĥħ":145939,"ðĿijł":145940,"Æ¢":145941,"âĭĻ":145942,"ê°Ľ":145943,"ëĿµ":145944,"ë£Ł":145945,"ìıľ":145946,"ïºģ":145947,"ðŁĴŃ":145948,"âĬĥ":145949,"ðŁIJ°":145950,"ãħĮ":145951,"Üĵ":145952,"âŀķ":145953,"á½ģ":145954,"ìķ³":145955,"ðĿijĿ":145956,"ðŁİ¬":145957,"É¡":145958,"à¤Ĺ":145959,"áIJī":145960,"ì©ľ":145961,"춧":145962,"ï³ī":145963,"ï»ħ":145964,"ðĿIJŀ":145965,"श":145966,"ðŁĵ¢":145967,"ðŁįĭ":145968,"ðŁĴħ":145969,"ï¾ķ":145970,"â¬Ĩ":145971,"âĪµ":145972,"ðŁ¤ij":145973,"áĥ£":145974,"ÆĦ":145975,"ѹ":145976,"á¼Ķ":145977,"ê°ł":145978,"ê´Į":145979,"ê·IJ":145980,"뼴":145981,"ì±ĺ":145982,"ï®Ń":145983,"ﺹ":145984,"ﺾ":145985,"âľĹ":145986,"âĿ¦":145987,"ðŁij¦":145988,"áĥĹ":145989,"Ù²":145990,"á½´":145991,"âĪı":145992,"âľ®":145993,"ê¹°":145994,"ë²µ":145995,"ìĦĢ":145996,"ì©Ŀ":145997,"ïºŀ":145998,"ﺽ":145999,"ðŁĩŃ":146000,"ËĤ":146001,"ðŁįij":146002,"ðŁįĮ":146003,"ðŁĶ»":146004,"깬":146005,"ìĬŃ":146006,"ìľ·":146007,"ðŁĽij":146008,"ǧ":146009,"ë¼Ľ":146010,"ﺡ":146011,"ﺺ":146012,"ðĿijļ":146013,"ðŁĵ¦":146014,"ðŁĶİ":146015,"ðŁĹĵ":146016,"áĥĶ":146017,"âľĴ":146018,"âľ¡":146019,"ðŁĮµ":146020,"âĶķ":146021,"ëĢĿ":146022,"ðŁįĬ":146023,"âĺĥ":146024,"ìĺħ":146025,"ব":146026,"ðŁ¦ģ":146027,"âݯ":146028,"ðŁIJķ":146029,"Ñ¿":146030,"।":146031,"à¼ĭ":146032,"ê·Ī":146033,"ì«Į":146034,"ðŁĩ°":146035,"âĿī":146036,"ì«Ģ":146037,"íĿĦ":146038,"ðĿIJ¢":146039,"ðŁļ¨":146040,"âĻ¤":146041,"ðŁĺ©":146042,"ðŁįį":146043,"ðŁĺij":146044,"ðŁļļ":146045,"ÖĦ":146046,"ë«":146047,"뫼":146048,"à¤ı":146049,"á¿·":146050,"âĮ©":146051,"âĺIJ":146052,"âŀ£":146053,"긱":146054,"꼿":146055,"ëĦĿ":146056,"ìı´":146057,"ìļ¤":146058,"쿱":146059,"íİIJ":146060,"ðŁĴ¢":146061,"ì´IJ":146062,"âĩij":146063,"âĶĵ":146064,"âģ¾":146065,"ÜĿ":146066,"ðŁį°":146067,"â´°":146068,"Æı":146069,"ÏŁ":146070,"Úº":146071,"Ûĥ":146072,"áĦĴ":146073,"âĪŁ":146074,"âĿį":146075,"ãĦ²":146076,"ìľħ":146077,"ì¤ı":146078,"ðŁĩ²":146079,"êºĦ":146080,"ðŁİ¤":146081,"âľ£":146082,"â¸Ŀ":146083,"︵":146084,"ວ":146085,"áĢĻ":146086,"âķł":146087,"Õ¯":146088,"âı©":146089,"ðĿij£":146090,"ðŁĴ£":146091,"Åĺ":146092,"à¥IJ":146093,"âģĥ":146094,"âĮĺ":146095,"ê»Į":146096,"ìĮĶ":146097,"ðĿijĺ":146098,"ðŁ¤ĵ":146099,"Õ¿":146100,"à¤Ń":146101,"âĮļ":146102,"âľĿ":146103,"ðŁIJ¼":146104,"ËĮ":146105,"âķļ":146106,"ï¦Ĺ":146107,"âĿķ":146108,"âķ£":146109,"ðŁIJ±":146110,"த":146111,"Ѿ":146112,"à¤ļ":146113,"à¤ľ":146114,"ìĪĦ":146115,"ìļľ":146116,"ðŁİ®":146117,"ÉĴ":146118,"Ú·":146119,"àºį":146120,"âĨµ":146121,"âĪĺ":146122,"âĿĬ":146123,"ë¿į":146124,"ìIJĪ":146125,"ìļĺ":146126,"쯧":146127,"íĥ¯":146128,"ìĸı":146129,"︰":146130,"ðŁĩ¯":146131,"ðŁ§ļ":146132,"ðŁĺµ":146133,"ðŁĺ·":146134,"ðŁĮ³":146135,"ລ":146136,"Äī":146137,"Ä¥":146138,"⾶":146139,"῾":146140,"âĬ±":146141,"âĺ¾":146142,"ê°ī":146143,"ê¼°":146144,"ëºij":146145,"ðŁĶĬ":146146,"ðŁĸIJ":146147,"Ť":146148,"Ò«":146149,"à®®":146150,"âĮĪ":146151,"âĹĹ":146152,"ëĦµ":146153,"ëħľ":146154,"ëľ¹":146155,"ðĿij¥":146156,"ðŁĴ¿":146157,"ðŁĽĴ":146158,"ÊĴ":146159,"áŀĵ":146160,"ðŁIJĿ":146161,"ðŁ¦Ħ":146162,"ðŁį·":146163,"âĺŁ":146164,"︶":146165,"ðŁ¤Ł":146166,"Ô±":146167,"âĨ²":146168,"âĪİ":146169,"âľ«":146170,"ëĩ½":146171,"ëıIJ":146172,"ëķĦ":146173,"靈":146174,"ï§Ŀ":146175,"ïºĻ":146176,"ðŁij»":146177,"ðŁĵº":146178,"êµ¼":146179,"ìĮ©":146180,"ðŁĮ²":146181,"ȱ":146182,"íĶķ":146183,"ðŁĺ¤":146184,"ãĮ¢":146185,"ÊĶ":146186,"ड":146187,"á¼Ī":146188,"ëİĥ":146189,"멱":146190,"ë®Ī":146191,"ðĿIJ«":146192,"âĬķ":146193,"ëĥł":146194,"뻬":146195,"íĭĶ":146196,"Õ¤":146197,"á¼±":146198,"âľ¥":146199,"âĺĦ":146200,"âĪ¥":146201,"âļķ":146202,"ðŁijĦ":146203,"ðŁİħ":146204,"àºĻ":146205,"âĶ¬":146206,"á½µ":146207,"Õ¾":146208,"Öģ":146209,"âĹĶ":146210,"ê¿į":146211,"ëĸµ":146212,"ë©İ":146213,"ë®´":146214,"ìķ´":146215,"áĥľ":146216,"ἡ":146217,"âĶĬ":146218,"âķ®":146219,"âĹ¼":146220,"ðŁį¾":146221,"ðŁĽį":146222,"ðŁijĹ":146223,"ðŁ¤ŀ":146224,"âľĦ":146225,"ÕĢ":146226,"ল":146227,"Ëī":146228,"⣨":146229,"į":146230,"ÏĬ":146231,"á´ľ":146232,"ë¹³":146233,"ï³ĭ":146234,"ï¿ł":146235,"Ī":146236,"âĤ¸":146237,"âľ±":146238,"ê»IJ":146239,"ëĭ»":146240,"맸":146241,"ìŀ¿":146242,"쩨":146243,"ìŃIJ":146244,"ì°¿":146245,"íħŁ":146246,"ðĿIJ§":146247,"ðĿijij":146248,"ðŁĮİ":146249,"ðŁĵ®":146250,"ðŁķĶ":146251,"âĹĻ":146252,"âĹ»":146253,"âŀ§":146254,"ìŁĿ":146255,"⾬":146256,"ãĥ°":146257,"âģĪ":146258,"âĵĺ":146259,"ðŁĴĮ":146260,"ï¬ĥ":146261,"àºĶ":146262,"ìĶ°":146263,"ðŁĺª":146264,"×Ģ":146265,"ìĥ¨":146266,"ïŃĭ":146267,"ðŁįķ":146268,"ðŁĺ´":146269,"ϳ":146270,"á¼Ħ":146271,"á½ħ":146272,"âĩ¢":146273,"âķŃ":146274,"ìĺ»":146275,"íĬ¤":146276,"Üĺ":146277,"⤴":146278,"âĹį":146279,"áŀŁ":146280,"ðŁįº":146281,"áŀļ":146282,"ðŁıĬ":146283,"ðŁIJ·":146284,"ÊĮ":146285,"ὺ":146286,"âģ»":146287,"ê½Į":146288,"ëĪĹ":146289,"ëĹı":146290,"ì¿°":146291,"íĢ¼":146292,"íįħ":146293,"ï·²":146294,"ðŁĮı":146295,"ðŁį«":146296,"ðŁį³":146297,"ðŁİ°":146298,"ðŁij°":146299,"ðŁĴ²":146300,"á¥Ļ":146301,"ðŁIJŁ":146302,"ï¿¡":146303,"ðŁĹ£":146304,"ðŁįľ":146305,"âľ²":146306,"ãİ¢":146307,"ðŁĶ°":146308,"Ἰ":146309,"á½ij":146310,"Äİ":146311,"áĦĢ":146312,"âĻķ":146313,"ëłĿ":146314,"ìĪ´":146315,"ïŃŃ":146316,"Óľ":146317,"ÔĢ":146318,"ëĢľ":146319,"ëĥĶ":146320,"ìĬĽ":146321,"ì«ij":146322,"캥":146323,"캬":146324,"ðĿij¦":146325,"ðŁĶ¶":146326,"쾨":146327,"ðĿIJļ":146328,"ðŁį»":146329,"ðŁĴį":146330,"ðŁ¤¡":146331,"ðŁķĬ":146332,"â½ĩ":146333,"âĵIJ":146334,"ðŁįŃ":146335,"ðŁįª":146336,"ðŁĶĨ":146337,"Ò¡":146338,"á´ĩ":146339,"ÉĹ":146340,"ÜĶ":146341,"âĦİ":146342,"âĿĥ":146343,"ëĹĢ":146344,"ï²Ķ":146345,"ïºĪ":146346,"ðĿIJ»":146347,"ðŁĴĬ":146348,"ðŁļ«":146349,"Ñ°":146350,"ѳ":146351,"ष":146352,"âĹł":146353,"ðŁij¤":146354,"ï¾ĩ":146355,"âĺĵ":146356,"ðŁįµ":146357,"ðŁ¤¨":146358,"âĸŃ":146359,"à®´":146360,"Ü¢":146361,"ܬ":146362,"à´®":146363,"ðŁķº":146364,"Ô¹":146365,"Õ£":146366,"à´¯":146367,"á´Ģ":146368,"âĮī":146369,"âľIJ":146370,"âŀ¦":146371,"ê¹½":146372,"ëĮľ":146373,"ðŁı¥":146374,"ðŁĵ©":146375,"Ò¹":146376,"Óĺ":146377,"à¤ħ":146378,"âĿ§":146379,"ÆĹ":146380,"âĹ½":146381,"ðŁij«":146382,"ðŁİ§":146383,"ðŁij£":146384,"âľ»":146385,"ðŁĻħ":146386,"ðŁĺĸ":146387,"ðŁĴ®":146388,"ະ":146389,"ðŁĶľ":146390,"ðŁįĦ":146391,"ðŁ¤Ŀ":146392,"áĥĿ":146393,"áŀĢ":146394,"âĩ¦":146395,"ʾ":146396,"Ò®":146397,"Õ¼":146398,"à¤Ĩ":146399,"âĹħ":146400,"âļĵ":146401,"âļĸ":146402,"ê¿©":146403,"ë¯Ħ":146404,"ìIJIJ":146405,"ìŀ°":146406,"ì§Ń":146407,"íĭĭ":146408,"íݨ":146409,"íĻ§":146410,"ï²ij":146411,"ðŁİĹ":146412,"Ù³":146413,"ðŁij¸":146414,"ম":146415,"ðŁijķ":146416,"Úµ":146417,"âĢ¾":146418,"âŀ°":146419,"ðŁij¯":146420,"ðŁİ¼":146421,"ðŁıģ":146422,"ĺ":146423,"Êı":146424,"Ú³":146425,"âı±":146426,"ê½Ī":146427,"ëĿĮ":146428,"ìĮī":146429,"ìĹ·":146430,"ìŀ´":146431,"íĹ¹":146432,"íľ¨":146433,"ðĿĹ²":146434,"ðŁĮIJ":146435,"ðŁİĻ":146436,"ðŁıµ":146437,"íĽĻ":146438,"ðĿijħ":146439,"ðŁĺ¶":146440,"âĵħ":146441,"âķ¥":146442,"ðŁįı":146443,"ï¦İ":146444,"Õ©":146445,"ðĿIJĦ":146446,"Ó£":146447,"Ú¿":146448,"âĻļ":146449,"ðŁĶĹ":146450,"ḫ":146451,"âĭ®":146452,"âĸ¦":146453,"âĽ½":146454,"âľµ":146455,"ãħĨ":146456,"ãħĬ":146457,"ëĦĻ":146458,"ëĿ¨":146459,"ë¥Ħ":146460,"ìĦ¦":146461,"짰":146462,"짹":146463,"íīĪ":146464,"ï§ij":146465,"ï»ĩ":146466,"ðŁĮ¾":146467,"ðŁıĸ":146468,"ðŁIJij":146469,"ðŁĴ³":146470,"ðŁĵĨ":146471,"Ûĩ":146472,"Üķ":146473,"á½½":146474,"ëĦľ":146475,"à´²":146476,"à´³":146477,"àºŃ":146478,"áĥĽ":146479,"âĿĶ":146480,"âijħ":146481,"áĥ¥":146482,"ðŁĵħ":146483,"âŀ³":146484,"á´µ":146485,"﹡":146486,"ﹶ":146487,"ÎĨ":146488,"थ":146489,"áīµ":146490,"âĿĻ":146491,"âĿ±":146492,"ëīł":146493,"ëİł":146494,"ëıĽ":146495,"ë¿ħ":146496,"ìĶ¸":146497,"íij¯":146498,"íŀī":146499,"íŀĽ":146500,"ï§Ħ":146501,"ïŃĺ":146502,"ﺦ":146503,"ﻸ":146504,"ðĿijĤ":146505,"ðĿijı":146506,"Ïij":146507,"Úł":146508,"áĢĶ":146509,"áŀĶ":146510,"á¹¢":146511,"ëĦ¸":146512,"ðĿIJ¨":146513,"ðŁĩ´":146514,"Õ°":146515,"ðŁijł":146516,"ðŁįĨ":146517,"ðŁıĢ":146518,"ðŁijIJ":146519,"ðŁįĩ":146520,"ðŁIJ£":146521,"áĪŃ":146522,"ܪ":146523,"ðŁĮĢ":146524,"áŀĺ":146525,"âĩĦ":146526,"ðĿIJĢ":146527,"ÊĻ":146528,"âĶ¼":146529,"ðŁı¿":146530,"Æ·":146531,"Èł":146532,"ѽ":146533,"âĤ¨":146534,"ê´Ń":146535,"ê¹»":146536,"ëĶ¨":146537,"ìĪĢ":146538,"ì¾°":146539,"íĨĪ":146540,"ﮧ":146541,"ﯽ":146542,"ðŁĶħ":146543,"ðŁĶ®":146544,"Å¢":146545,"Ê°":146546,"Ѹ":146547,"ण":146548,"âĬĹ":146549,"ëªĦ":146550,"ï¹·":146551,"ïºħ":146552,"ðĿIJµ":146553,"ðŁĮ¶":146554,"ðŁĵ°":146555,"ðŁĶ·":146556,"ðŁĸĴ":146557,"ðŁ¤²":146558,"ëī©":146559,"ðŁİĨ":146560,"ðŁ§IJ":146561,"ðŁį®":146562,"âĨº":146563,"âĿ¢":146564,"ðŁijª":146565,"ðŁij±":146566,"âĨ¡":146567,"áŀı":146568,"Úķ":146569,"ðŁį¹":146570,"ðŁĴĢ":146571,"Ë®":146572,"Ó¨":146573,"Öħ":146574,"à¤ĩ":146575,"âĤ¡":146576,"âĪķ":146577,"âĺī":146578,"ê¹¼":146579,"ê¼IJ":146580,"콸":146581,"ðĿIJ¬":146582,"ðŁıħ":146583,"ðŁijĻ":146584,"ðŁĴī":146585,"ðŁ¤Ļ":146586,"Èĺ":146587,"ɳ":146588,"ɹ":146589,"Ùº":146590,"áĢĦ":146591,"ῳ":146592,"âļĺ":146593,"âĿĨ":146594,"ëĨī":146595,"ìĸį":146596,"ìĺĩ":146597,"ì¥ĺ":146598,"íĸħ":146599,"íĻij":146600,"ï®Ĭ":146601,"ï¿Ń":146602,"ðĿĴIJ":146603,"ðĿĹ¢":146604,"ðŁĶĸ":146605,"ðŁĶ¨":146606,"ðŁļij":146607,"ðŁļ²":146608,"Ƹ":146609,"âĹ¥":146610,"ðĿIJŃ":146611,"ðŁį½":146612,"âĹij":146613,"âĵĩ":146614,"ðŁĶ±":146615,"âľ¼":146616,"ï¹ĥ":146617,"âķ±":146618,"ãĢĹ":146619,"ðŁıĭ":146620,"ðŁļ´":146621,"ðĿIJ®":146622,"Äļ":146623,"Õı":146624,"Ķ":146625,"áĥij":146626,"Ṭ":146627,"ÄĪ":146628,"ÄĴ":146629,"Ò°":146630,"Óķ":146631,"âIJ":146632,"âIJ£":146633,"âĹ¢":146634,"âļĻ":146635,"ãħĹ":146636,"ê°¬":146637,"곪":146638,"ê»Ģ":146639,"ëĦ´":146640,"ëİģ":146641,"ëĿĶ":146642,"묽":146643,"ëŃį":146644,"ìĩ³":146645,"ì°¹":146646,"íĮ¹":146647,"íŀĿ":146648,"ï®ĭ":146649,"ï¶Ī":146650,"ðĿĴĤ":146651,"ðŁ¥Ģ":146652,"ðŁ¦ħ":146653,"Êĺ":146654,"á¼ij":146655,"âģİ":146656,"ðŁįŀ":146657,"âĨĸ":146658,"âĨĻ":146659,"ðŁİĥ":146660,"âĦ¡":146661,"âĭ±":146662,"ðŁĶį":146663,"ನ":146664,"áµĥ":146665,"âĶ«":146666,"⦿":146667,"ðŁĩ»":146668,"Ƥ":146669,"Òı":146670,"Ò·":146671,"Ûī":146672,"à®ķ":146673,"ḳ":146674,"בּ":146675,"ðŁĨĶ":146676,"ÚŃ":146677,"Û¦":146678,"áħ¡":146679,"âĦ¹":146680,"ê¿İ":146681,"ëķĶ":146682,"ë¼ī":146683,"ìļ§":146684,"ì²µ":146685,"ì´¨":146686,"íĬĪ":146687,"íĸIJ":146688,"ðĿĹĺ":146689,"ðŁĩ¿":146690,"ðŁİĸ":146691,"ðŁijħ":146692,"ðŁĵĺ":146693,"ðŁļĻ":146694,"ðŁĽµ":146695,"ල":146696,"⼵":146697,"ðĿIJ³":146698,"ðĿIJ¸":146699,"âļĶ":146700,"ðŁijŃ":146701,"Óij":146702,"âĶ¯":146703,"ðŁħ¿":146704,"ðŁĺ¹":146705,"ï¿«":146706,"⼤":146707,"ðŁĴĩ":146708,"ðŁĵİ":146709,"ðŁĸĭ":146710,"স":146711,"ðĿIJį":146712,"IJ":146713,"Ïĭ":146714,"Ѭ":146715,"Ú¬":146716,"ÜĴ":146717,"á´¬":146718,"ï¨Ħ":146719,"É£":146720,"Ëij":146721,"ϵ":146722,"ÒĿ":146723,"Û¥":146724,"Üł":146725,"à¹Ľ":146726,"áĥķ":146727,"áĬķ":146728,"ᾶ":146729,"âĤ·":146730,"âĩ¾":146731,"âķ©":146732,"âĸIJ":146733,"âĺª":146734,"âĺ®":146735,"âĿļ":146736,"âĿŃ":146737,"âŀ±":146738,"âµİ":146739,"ãıĬ":146740,"ë©ĵ":146741,"ìĹ¾":146742,"ìªĦ":146743,"íĵĮ":146744,"íķ¼":146745,"ïѬ":146746,"ðĿijĨ":146747,"ðĿijŀ":146748,"ðĿĸĬ":146749,"ðŁİ¸":146750,"ðŁıĦ":146751,"ðŁijµ":146752,"ðŁĴł":146753,"ðŁĶĺ":146754,"ðŁ¥Ĥ":146755,"Ū":146756,"à·ĥ":146757,"á´¼":146758,"âĬ°":146759,"ë³ı":146760,"ë´£":146761,"ï¥ľ":146762,"ðŁĵĪ":146763,"ðŁķ¯":146764,"ðŁ§Ģ":146765,"âĻIJ":146766,"ðŁĨĹ":146767,"ðŁĵķ":146768,"ðŁ§ģ":146769,"Ü«":146770,"âĿIJ":146771,"Õķ":146772,"à½ķ":146773,"âŀĿ":146774,"à¦ķ":146775,"ðĿIJ¶":146776,"É¢":146777,"ÎĦ":146778,"áĨ¢":146779,"âĤ±":146780,"Õį":146781,"à¡ķ":146782,"á´°":146783,"ḩ":146784,"⼷":146785,"âĿ®":146786,"ê¡ĵ":146787,"ëı¤":146788,"ëĹIJ":146789,"ëµĮ":146790,"ìijĪ":146791,"íı¿":146792,"íŵ":146793,"ðĿIJİ":146794,"ðŁĨĺ":146795,"ðŁıŁ":146796,"É¥":146797,"Õ»":146798,"à¡Ķ":146799,"à¤ĸ":146800,"á´¸":146801,"âİĻ":146802,"âİ¥":146803,"âı³":146804,"ëģķ":146805,"ëĬī":146806,"ì¡į":146807,"칡":146808,"禮":146809,"ï¬Ł":146810,"ﮫ":146811,"ﮯ":146812,"ï±ĥ":146813,"ï·»":146814,"ﺵ":146815,"ðĿĹĶ":146816,"ðĿĹ¡":146817,"ðŁİ¨":146818,"ðŁĶĴ":146819,"ÚĽ":146820,"ध":146821,"âŀ¹":146822,"áĢĢ":146823,"ðŁįħ":146824,"âŤ":146825,"à¤ł":146826,"ðŁIJ¥":146827,"áĥĴ":146828,"ðŁıĿ":146829,"ðŁį¼":146830,"ãĮ§":146831,"âĿĽ":146832,"ðŁIJĪ":146833,"য":146834,"áĢŀ":146835,"ãĢĸ":146836,"áŀĻ":146837,"প":146838,"ÕĨ":146839,"âĬĨ":146840,"âľ¾":146841,"ðŁIJĹ":146842,"ﹿ":146843,"Ħ":146844,"ÜŁ":146845,"à²ł":146846,"ಥ":146847,"áŀī":146848,"á´¥":146849,"á´©":146850,"á½Ģ":146851,"ὡ":146852,"âĨķ":146853,"âŀ¯":146854,"ê¡ij":146855,"ëij£":146856,"ë±Į":146857,"ìĪij":146858,"ìľĶ":146859,"ìŀ½":146860,"ì¨į":146861,"ðĿijĢ":146862,"ðŁĮĮ":146863,"ðŁį¦":146864,"ðŁį©":146865,"ðŁIJļ":146866,"ðŁĵĴ":146867,"ðŁĵ¹":146868,"ðŁ¥ij":146869,"Äĭ":146870,"ËĹ":146871,"Ñ«":146872,"Õ¢":146873,"Ú°":146874,"âĮĢ":146875,"âĹĤ":146876,"âĹ£":146877,"⾼":146878,"âĿĴ":146879,"âĿĺ":146880,"âŀĻ":146881,"âŀ²":146882,"ãİį":146883,"ê¡IJ":146884,"ëŀĸ":146885,"ìĬĿ":146886,"ìĽ¤":146887,"ì¡ĭ":146888,"쨰":146889,"íĹĻ":146890,"兩":146891,"ï³į":146892,"ï»İ":146893,"ðĿijĵ":146894,"ðŁĵĬ":146895,"ðŁļ¼":146896,"ï¦ģ":146897,"ðĿķĴ":146898,"ðŁijľ":146899,"ðŁij¿":146900,"ðŁĩ½":146901,"à·Ħ":146902,"âĸ´":146903,"ãįī":146904,"âĬĩ":146905,"ðŁ§¸":146906,"Ú¡":146907,"â¾ĥ":146908,"ðŁĹ»":146909,"âĵij":146910,"ðŁ¤¸":146911,"ðŁ¤¯":146912,"êĴ°":146913,"ðĿIJĵ":146914,"âĶ´":146915,"êĴ±":146916,"áĢĺ":146917,"âĽĦ":146918,"ï¹¹":146919,"ÓĶ":146920,"áĥ±":146921,"Ü¡":146922,"ßŀ":146923,"âĻı":146924,"⾸":146925,"ìij¨":146926,"ðĿIJĿ":146927,"ðĿIJ¥":146928,"ðŁįī":146929,"ðŁij¼":146930,"ðŁ¥Ŀ":146931,"ÆĶ":146932,"ݬ":146933,"फ":146934,"àºļ":146935,"á´´":146936,"á½ĸ":146937,"âĤ¶":146938,"âİ¢":146939,"âĿħ":146940,"⣫":146941,"ãİĽ":146942,"뮨":146943,"ëºĮ":146944,"ë¼ĺ":146945,"ìĨĿ":146946,"ìľ³":146947,"ìŀĮ":146948,"ì£Ĺ":146949,"ìªĺ":146950,"컹":146951,"ï·¼":146952,"ïºĤ":146953,"ðĿIJ´":146954,"ðĿIJ¼":146955,"ðŁĮļ":146956,"ðŁı«":146957,"ðŁĴ¤":146958,"ðŁĴ¶":146959,"ðŁĴ¼":146960,"Êķ":146961,"ʽ":146962,"â²Ł":146963,"ãīł":146964,"ê¡Ĵ":146965,"ëľĢ":146966,"ìĥ¾":146967,"츤":146968,"ï¥ģ":146969,"ðĿļĬ":146970,"ðŁļĥ":146971,"âŀĽ":146972,"ìħ´":146973,"áĦĭ":146974,"âĩĹ":146975,"立":146976,"âĺĸ":146977,"ðŁIJ¦":146978,"⸾":146979,"ðŁĴ´":146980,"ðŁ¤ļ":146981,"ãĬĹ":146982,"âĮĽ":146983,"áĪĽ":146984,"༺":146985,"â½ī":146986,"ðŁı¢":146987,"âĵŀ":146988,"âĺ½":146989,"ãĢĻ":146990,"ðŁ¤®":146991,"ÅIJ":146992,"áĥ¬":146993,"ðĿĹ»":146994,"ðŁįĸ":146995,"ÆĬ":146996,"ÊŁ":146997,"ßĭ":146998,"à¤ĭ":146999,"áµĶ":147000,"á¿ĥ":147001,"âĦī":147002,"âĮĭ":147003,"âı²":147004,"âĵĪ":147005,"âĵ¢":147006,"âķĶ":147007,"âļij":147008,"âĿĭ":147009,"âĿİ":147010,"⵾":147011,"âµ£":147012,"ëĴĪ":147013,"ëľģ":147014,"ë¶ĩ":147015,"ìį»":147016,"ìĺŃ":147017,"짢":147018,"íĹĢ":147019,"ï§Ĭ":147020,"טּ":147021,"ﱡ":147022,"ðĿIJº":147023,"ðĿij§":147024,"ðĿĺ¦":147025,"ðŁĵ¥":147026,"ðŁĺŁ":147027,"ðŁ¥IJ":147028,"Äĸ":147029,"ɨ":147030,"áĢIJ":147031,"áĥĵ":147032,"áºĵ":147033,"ἶ":147034,"á½Ħ":147035,"âĤ¤":147036,"âĮľ":147037,"âĮŁ":147038,"âİł":147039,"⼸":147040,"âµį":147041,"âµı":147042,"âµĵ":147043,"ãĢĺ":147044,"ë·¸":147045,"íħ¼":147046,"ï¦Į":147047,"ïŃĦ":147048,"ïŃİ":147049,"ðĿĻļ":147050,"ðĿļĺ":147051,"à¼ĵ":147052,"ëŃħ":147053,"áIJĽ":147054,"ãݾ":147055,"ï¨Ģ":147056,"ðŁĹ½":147057,"âĻŀ":147058,"Ëĸ":147059,"âĹŀ":147060,"ðŁ¤«":147061,"ðŁĺĹ":147062,"ｦ":147063,"ðŁ¤¢":147064,"âģĩ":147065,"ãĢµ":147066,"ðŁįĶ":147067,"áĬł":147068,"ðŁĺ¼":147069,"ðĿĹ®":147070,"ðŁIJ³":147071,"ðĿIJĭ":147072,"ðŁĨļ":147073,"ðŁĶĽ":147074,"Ñ»":147075,"ܨ":147076,"ல":147077,"âľŀ":147078,"âµĻ":147079,"êµ£":147080,"츨":147081,"ðĿIJľ":147082,"ðĿĺ°":147083,"ðŁĶ½":147084,"Ç»":147085,"Ç¿":147086,"Êĩ":147087,"ÎIJ":147088,"ÐĢ":147089,"Ñ¡":147090,"Ѳ":147091,"ÒĴ":147092,"Ù¶":147093,"ßķ":147094,"න":147095,"áIJģ":147096,"âģŀ":147097,"âĸ§":147098,"âĽĪ":147099,"âľľ":147100,"âľ¹":147101,"âŁ¹":147102,"â¤ĩ":147103,"ê²Ĭ":147104,"ê¾ľ":147105,"ë¯IJ":147106,"ë³IJ":147107,"ìħ©":147108,"ìIJ¬":147109,"ìij¹":147110,"ï¤Ķ":147111,"ï¦ļ":147112,"ï¬ł":147113,"ïŃĶ":147114,"ﺶ":147115,"ðĿĴı":147116,"ðĿĸĨ":147117,"ðĿŶ":147118,"ðŁıĤ":147119,"ðŁIJ½":147120,"ðŁĴ©":147121,"ðŁĵ½":147122,"ðŁĹ¨":147123,"ðŁĹº":147124,"ðŁĺ¸":147125,"ðŁ¥§":147126,"ÅĹ":147127,"Êİ":147128,"ÒĻ":147129,"ײ":147130,"à¤Ī":147131,"á¼´":147132,"á¿ij":147133,"âµī":147134,"ãħĵ":147135,"ì½´":147136,"ðĿĸĵ":147137,"ðŁĵĹ":147138,"ðŁĶª":147139,"ðŁĸį":147140,"ÏĴ":147141,"ðŁij¬":147142,"áĥĻ":147143,"âĨ¬":147144,"âĶ¤":147145,"âĽ¹":147146,"âĻŁ":147147,"ðŁļ¶":147148,"ðŁij¾":147149,"âĪĭ":147150,"ðŁIJ¯":147151,"à¼İ":147152,"âľ·":147153,"ï¨Ļ":147154,"âĶ»":147155,"ðŁij¹":147156,"áĦī":147157,"ສ":147158,"â¾ı":147159,"â½ħ":147160,"ãİĸ":147161,"Ñ´":147162,"Õ®":147163,"Ú¼":147164,"áĢķ":147165,"áĨ¼":147166,"ëŃı":147167,"ðŁIJ¸":147168,"ðŁļ£":147169,"ÆĿ":147170,"Ô»":147171,"áĥ¢":147172,"ðŁį¯":147173,"ɦ":147174,"Õ¦":147175,"âĻĭ":147176,"שׂ":147177,"ðĿŦ":147178,"Çļ":147179,"ɱ":147180,"à¤ī":147181,"á´Ħ":147182,"âĻĵ":147183,"⼰":147184,"âŁª":147185,"ëĥĺ":147186,"뢸":147187,"ìĤij":147188,"ï®Ķ":147189,"ðĿķĸ":147190,"ðĿŧ":147191,"ðŁĩ¼":147192,"ðŁĵĭ":147193,"ðŁļľ":147194,"ðŁ¥¤":147195,"Ä®":147196,"Å·":147197,"ßĬ":147198,"॥":147199,"ப":147200,"áŀĦ":147201,"áµĢ":147202,"á¸ħ":147203,"á¼¢":147204,"âĪĿ":147205,"âĬ¹":147206,"âĴ¶":147207,"âķ´":147208,"⼱":147209,"âĽ³":147210,"âĽº":147211,"âŀŁ":147212,"ãıĦ":147213,"ê¸Ķ":147214,"ê¹Ł":147215,"ëĩ°":147216,"ë¹»":147217,"ìĤ¥":147218,"ìĽ»":147219,"ì°Ł":147220,"íĥ°":147221,"íĨº":147222,"íļ½":147223,"老":147224,"量":147225,"ï³Ŀ":147226,"ðĿIJ¦":147227,"ðĿĴľ":147228,"ðĿĴŁ":147229,"ðĿļĹ":147230,"ðŁİŃ":147231,"ðŁıĵ":147232,"ðŁı³":147233,"ðŁıº":147234,"ðŁIJį":147235,"ðŁijĥ":147236,"ðŁĴı":147237,"ðŁ¤ĸ":147238,"ðŁ¤µ":147239,"Õ²":147240,"âµĶ":147241,"ëĺ¬":147242,"念":147243,"ÊĤ":147244,"áĨ«":147245,"áŀij":147246,"ðĿĸİ":147247,"ðĿĹĸ":147248,"áĦĥ":147249,"âĩł":147250,"áĢ¡":147251,"à½Ħ":147252,"âŀ¸":147253,"ï¦Ļ":147254,"âĩļ":147255,"ðŁIJ¬":147256,"ðŁIJ¢":147257,"â¾Ĵ":147258,"ðŁIJ¤":147259,"ðŁĶ«":147260,"ãĢŀ":147261,"︺":147262,"ðŁĺº":147263,"â½´":147264,"ðŁĨķ":147265,"âģ¿":147266,"ðŁį¨":147267,"à²ķ":147268,"ðŁļĺ":147269,"áŀħ":147270,"à¦ħ":147271,"áŀ¢":147272,"à¨ľ":147273,"âļĮ":147274,"ãĢ½":147275,"à·´":147276,"âĵĽ":147277,"áĢľ":147278,"ìĨ¨":147279,"Ë©":147280,"ÜĹ":147281,"âĭ¼":147282,"ðŁĻī":147283,"ÅĬ":147284,"Éĵ":147285,"ʲ":147286,"ΰ":147287,"Ѽ":147288,"Ô¿":147289,"à¡IJ":147290,"à¼ľ":147291,"ས":147292,"ᶾ":147293,"âĤ²":147294,"âĨ¨":147295,"âĬ¥":147296,"âķ§":147297,"âĻľ":147298,"ãĭ¡":147299,"ë´¬":147300,"ë¶ij":147301,"ìī¿":147302,"ìİħ":147303,"ìł±":147304,"ì°§":147305,"ﲡ":147306,"ðĿĴĽ":147307,"ðĿķ£":147308,"ðĿĹľ":147309,"ðŁį²":147310,"ðŁİ©":147311,"ðŁIJIJ":147312,"ðŁIJł":147313,"ðŁij½":147314,"ðŁĴij":147315,"ðŁĵľ":147316,"ðŁķµ":147317,"ðŁļĮ":147318,"ðŁĽ£":147319,"Êĭ":147320,"Ó¯":147321,"Ù¸":147322,"ßĶ":147323,"ßĻ":147324,"à¡ĵ":147325,"á´į":147326,"ḿ":147327,"âıº":147328,"âĸ¥":147329,"뤽":147330,"íľij":147331,"ðĿIJ¹":147332,"ðĿĸĶ":147333,"ðĿļİ":147334,"ðŁĵĦ":147335,"ðŁ¦·":147336,"Æĥ":147337,"à¦Ł":147338,"âĮĤ":147339,"âĺŃ":147340,"â²ļ":147341,"ëĿķ":147342,"ðŁİ£":147343,"à®ĩ":147344,"à½Ĩ":147345,"áħµ":147346,"áĹľ":147347,"âĢ½":147348,"âĮ£":147349,"âģ½":147350,"ðŁĵ¬":147351,"ðŁ¤§":147352,"âĩª":147353,"â½£":147354,"âĹŁ":147355,"ï¨Ĺ":147356,"êĴª":147357,"ðŁĽĢ":147358,"ÇĤ":147359,"ðŁ¥¶":147360,"ðŁİį":147361,"ï¿©":147362,"ðŁijĴ":147363,"áµĪ":147364,"︿":147365,"áħ©":147366,"⾦":147367,"à°¤":147368,"á´ĸ":147369,"ਬ":147370,"àºĹ":147371,"༻":147372,"Ѻ":147373,"ਪ":147374,"á´³":147375,"ðĿIJĪ":147376,"à»Ģ":147377,"á´¿":147378,"âĤį":147379,"âĩ¡":147380,"âĽª":147381,"ðĿIJĤ":147382,"ðĿĴķ":147383,"ðŁIJľ":147384,"Êį":147385,"ѱ":147386,"à½ĥ":147387,"ë®IJ":147388,"ìĽ¡":147389,"ìľģ":147390,"ðĿIJ¿":147391,"ðĿķł":147392,"ðŁijĽ":147393,"ƪ":147394,"Ϻ":147395,"Ó¬":147396,"Ù¿":147397,"Ý£":147398,"àªī":147399,"ஹ":147400,"à½ij":147401,"áĨ¯":147402,"áµĩ":147403,"âĩ¥":147404,"âıª":147405,"âĻ°":147406,"âļŃ":147407,"âļ¾":147408,"ãħĦ":147409,"êĢ°":147410,"ê°Ĺ":147411,"ê²ĭ":147412,"ê²»":147413,"ê¶ľ":147414,"ê¼ĩ":147415,"ê½¹":147416,"ëĤŁ":147417,"ëħĪ":147418,"ëĭ¢":147419,"맣":147420,"ëªĨ":147421,"ëµĢ":147422,"ì½±":147423,"íĩĺ":147424,"íľľ":147425,"茶":147426,"ï±µ":147427,"ï²¢":147428,"ﲤ":147429,"ðĿĴĬ":147430,"ðĿĺ¯":147431,"ðŁįĹ":147432,"ðŁıį":147433,"ðŁIJĺ":147434,"ðŁĵ¡":147435,"ðŁĶŀ":147436,"ðŁ¤³":147437,"ðŁ¥ģ":147438,"ðŁ¥Ĺ":147439,"ðŁ¦Ĭ":147440,"ĵ":147441,"Ʀ":147442,"ǵ":147443,"ɯ":147444,"Îı":147445,"ÕĦ":147446,"Ü¥":147447,"à½ģ":147448,"ᨳ":147449,"âķ«":147450,"ãİī":147451,"ë·´":147452,"ìĨİ":147453,"ìİĮ":147454,"죵":147455,"íĽł":147456,"離":147457,"ï³ı":147458,"ﻺ":147459,"ðĿijģ":147460,"ðĿijĩ":147461,"ðĿĴĨ":147462,"ðŁİł":147463,"ðŁIJĶ":147464,"ðŁijŁ":147465,"Åĸ":147466,"à¤Į":147467,"á¾½":147468,"ê¦Ĵ":147469,"à®Ł":147470,"á´±":147471,"ðŁı°":147472,"ðŁIJŀ":147473,"à½Ģ":147474,"áĢħ":147475,"âĬ¿":147476,"ðŁIJ§":147477,"áĽģ":147478,"â¼Ī":147479,"âĶ¿":147480,"ðŁ¥´":147481,"⼿":147482,"ðŁ§ľ":147483,"ãħ¿":147484,"âĦ«":147485,"ãĢ³":147486,"ãĬĻ":147487,"â¼Ģ":147488,"怜":147489,"ðŁı¬":147490,"ðŁĵ»":147491,"áĬĽ":147492,"áĦħ":147493,"àºĬ":147494,"àºĽ":147495,"áħ³":147496,"ðŁij®":147497,"à®±":147498,"âĺĩ":147499,"ðĿIJı":147500,"à´µ":147501,"à»ģ":147502,"à½ı":147503,"ར":147504,"ᥱ":147505,"âĤ£":147506,"復":147507,"ïŃĻ":147508,"ï´©":147509,"ï¹Ĥ":147510,"ðŁį£":147511,"ðŁķ¹":147512,"Ïĸ":147513,"ම":147514,"ຢ":147515,"áĭŃ":147516,"âİĿ":147517,"âĹĿ":147518,"âĻĪ":147519,"âĻİ":147520,"ê½¥":147521,"ì³Ķ":147522,"ì¼ij":147523,"ï±°":147524,"ðĿijĥ":147525,"ðŁĮª":147526,"ðŁį¡":147527,"Åİ":147528,"ʦ":147529,"ѧ":147530,"Óİ":147531,"Ô´":147532,"ÚĪ":147533,"ßĵ":147534,"ߧ":147535,"à¤Ķ":147536,"áĪ«":147537,"áĪµ":147538,"áĹ©":147539,"á´ł":147540,"á¼ł":147541,"âĢĹ":147542,"âģij":147543,"âĦı":147544,"âĸĩ":147545,"â²£":147546,"ãĦ³":147547,"ãī®":147548,"ê³Ĺ":147549,"ëĦĴ":147550,"ëĸ«":147551,"ë¡Ħ":147552,"ë¹°":147553,"ë½ģ":147554,"ìĦģ":147555,"ìĮĺ":147556,"ìŁĮ":147557,"ì³ī":147558,"ì¼ķ":147559,"כּ":147560,"ï³İ":147561,"ﹸ":147562,"ï¹¾":147563,"ðĿIJĨ":147564,"ðĿij·":147565,"ðĿĽ¼":147566,"ðŁİı":147567,"ðŁİŀ":147568,"ðŁIJĻ":147569,"ðŁijĤ":147570,"ðŁĵģ":147571,"ðŁĸ±":147572,"ðŁļį":147573,"ðŁļ§":147574,"ðŁĽ¡":147575,"ðŁ¤Ĵ":147576,"ðŁ¥ŀ":147577,"ðŁ¥©":147578,"ðŁ¦Ģ":147579,"ðŁ¦ĸ":147580,"Ë¢":147581,"Üļ":147582,"வ":147583,"áĢģ":147584,"áī°":147585,"âıŃ":147586,"âĻ¿":147587,"ê³ĺ":147588,"ëıĿ":147589,"ëķĥ":147590,"ìħĮ":147591,"ìĴ¸":147592,"ìĽŁ":147593,"íħĦ":147594,"íľ«":147595,"ï§ĺ":147596,"￬":147597,"ðŁı·":147598,"ðŁĶ§":147599,"ðŁ¥Ī":147600,"Æĸ":147601,"áŀĩ":147602,"áŀĸ":147603,"âģº":147604,"âĹľ":147605,"âŀ©":147606,"ê¦Ń":147607,"ëĻ¤":147608,"ïŃ¼":147609,"ðĿĻĸ":147610,"ðĿĻ£":147611,"ðĿĻ¤":147612,"ðŁĮĿ":147613,"ðŁĶij":147614,"ðŁĽł":147615,"àºĩ":147616,"âĺ£":147617,"ãĦ¨":147618,"ðĿĸĹ":147619,"Óĵ":147620,"âĨ£":147621,"ðŁ¥ī":147622,"ðŁĮł":147623,"ðŁĺ½":147624,"ãİł":147625,"ŧ":147626,"ðŁIJĴ":147627,"ï§IJ":147628,"ðŁĺ¿":147629,"âĪ¬":147630,"ðŁIJ®":147631,"⣱":147632,"ಡ":147633,"â¾¼":147634,"à°²":147635,"˶":147636,"âĸ¿":147637,"ÕĪ":147638,"áŀİ":147639,"áħ¥":147640,"áŀĹ":147641,"Õ§":147642,"ðŁ¤IJ":147643,"ðŁįł":147644,"ত":147645,"ය":147646,"âĻį":147647,"ìĺĻ":147648,"íĺĵ":147649,"ﹺ":147650,"ðŁĽ³":147651,"Åī":147652,"á´İ":147653,"âıľ":147654,"âĶ³":147655,"긷":147656,"ì¡Ķ":147657,"ðĿĴĪ":147658,"ðĿĴį":147659,"ðĿĴ¹":147660,"ðĿĵĩ":147661,"ðĿķŁ":147662,"ðĿĹ¹":147663,"ðŁĮħ":147664,"ðŁı´":147665,"ÄĶ":147666,"Ĥ":147667,"ŵ":147668,"Ǿ":147669,"Ïŀ":147670,"϶":147671,"Ô³":147672,"ÜĨ":147673,"ß©":147674,"à¡Ĵ":147675,"à¤ĺ":147676,"à¶ļ":147677,"à½ĸ":147678,"áģĬ":147679,"áĥŀ":147680,"áĦĤ":147681,"áĭ«":147682,"á´º":147683,"ḣ":147684,"Ḫ":147685,"á¹Ĥ":147686,"á¼·":147687,"á¿ĩ":147688,"âĩĮ":147689,"âı¬":147690,"âĻĮ":147691,"⮣":147692,"â´»":147693,"ⵣ":147694,"ê¦ķ":147695,"ꦪ":147696,"ꦮ":147697,"ê²Ħ":147698,"ê¾IJ":147699,"ëĥij":147700,"ëķĭ":147701,"롸":147702,"ë¬Ģ":147703,"ìĩ¤":147704,"ìĪ©":147705,"ìľķ":147706,"ìŃĺ":147707,"ì·°":147708,"ì·¸":147709,"íľĢ":147710,"藍":147711,"ï§į":147712,"ï±Ħ":147713,"ï³ij":147714,"ðĿIJ¤":147715,"ðĿĴĵ":147716,"ðĿĴ¶":147717,"ðĿĹ¼":147718,"ðĿĻĬ":147719,"ðŁĩ¾":147720,"ðŁĮĽ":147721,"ðŁĮ®":147722,"ðŁİĩ":147723,"ðŁİ²":147724,"ðŁıĽ":147725,"ðŁij¥":147726,"ðŁij´":147727,"ðŁĴĨ":147728,"ðŁĵĤ":147729,"ðŁĵ§":147730,"ðŁķIJ":147731,"ðŁĸķ":147732,"ðŁĺ§":147733,"ðŁĻĢ":147734,"ðŁļĴ":147735,"ðŁĽ«":147736,"ðŁ¤ł":147737,"ðŁ¥ļ":147738,"ðŁ¥Ľ":147739,"ðŁ¥£":147740,"ǯ":147741,"ȧ":147742,"ÎĬ":147743,"Ò²":147744,"×°":147745,"Ûij":147746,"áĥ©":147747,"áĦĮ":147748,"áĪį":147749,"áī¥":147750,"áıĤ":147751,"âģ±":147752,"âĬ¢":147753,"âĹĵ":147754,"âĿ°":147755,"ë¿¡":147756,"ìĽ©":147757,"íģŃ":147758,"íĨ³":147759,"íĬĦ":147760,"íĵ¸":147761,"北":147762,"若":147763,"ï±IJ":147764,"ﱯ":147765,"ï³ļ":147766,"ðĿĸĺ":147767,"ðĿĺĢ":147768,"ðŁIJĬ":147769,"ðŁIJĮ":147770,"ðŁijļ":147771,"ðŁĵĥ":147772,"ðŁļĽ":147773,"ðŁļª":147774,"ðŁ¤°":147775,"Ä´":147776,"áĥ®":147777,"áŨ":147778,"âĻ®":147779,"â²ŀ":147780,"ãĪĶ":147781,"ìħį":147782,"ãħĥ":147783,"率":147784,"ມ":147785,"Õİ":147786,"Õº":147787,"⬼":147788,"⽤":147789,"ðĿIJ²":147790,"âŀµ":147791,"áĢĽ":147792,"âĶħ":147793,"âĨŁ":147794,"â¼Ĭ":147795,"ðŁĮ½":147796,"ðŁļ¿":147797,"ï¦Ĭ":147798,"ãĦ£":147799,"⼩":147800,"ï©Ľ":147801,"ðŁį±":147802,"⾨":147803,"à´¤":147804,"áŀģ":147805,"àºŀ":147806,"Êļ":147807,"ðĿIJĴ":147808,"à´±":147809,"áŀľ":147810,"ன":147811,"à°Ĺ":147812,"à´ļ":147813,"âĩ£":147814,"ï¦ķ":147815,"Õħ":147816,"Æĺ":147817,"âĤ¦":147818,"âĶĦ":147819,"ï¦Ł":147820,"嶺":147821,"ðĿIJģ":147822,"ðĿIJĥ":147823,"ðŁį¸":147824,"ðŁIJ²":147825,"Ŷ":147826,"Éĸ":147827,"ßĺ":147828,"ฦ":147829,"à½Ķ":147830,"áĨ·":147831,"âģķ":147832,"âĵĤ":147833,"âĿľ":147834,"便":147835,"אַ":147836,"ðĿĹĿ":147837,"ðĿĹ¿":147838,"ðŁİ¾":147839,"ðŁĹĿ":147840,"ðŁ¦Į":147841,"Æħ":147842,"Ǫ":147843,"ÒĹ":147844,"ÜĽ":147845,"ßł":147846,"à¡ij":147847,"áī£":147848,"áĬŃ":147849,"ṡ":147850,"âŀ¼":147851,"âŀ¾":147852,"â´±":147853,"ãī¡":147854,"곯":147855,"ë½Ī":147856,"ìĤĺ":147857,"ìīij":147858,"ì«ĺ":147859,"íĮĥ":147860,"íĻ°":147861,"ï¤Ĺ":147862,"ðŁĮ¬":147863,"ðŁĮ°":147864,"ðŁį¤":147865,"Ä»":147866,"Åĩ":147867,"ƨ":147868,"Éķ":147869,"Ò¢":147870,"Òº":147871,"Öį":147872,"×±":147873,"Ú±":147874,"Ú½":147875,"ÛIJ":147876,"à¤Ľ":147877,"à·Ģ":147878,"à¹ļ":147879,"ຫ":147880,"á´¹":147881,"á½Ķ":147882,"á¾³":147883,"âĤĴ":147884,"âĨ´":147885,"âĩĿ":147886,"âīħ":147887,"âĮ¨":147888,"âĵĵ":147889,"âĸ¢":147890,"âļ¬":147891,"âŀŃ":147892,"â²Ĵ":147893,"ãİ¿":147894,"ê¿´":147895,"ëĪ±":147896,"ëį¬":147897,"ëİIJ":147898,"ëIJ«":147899,"ëĶ«":147900,"ë±ģ":147901,"ìĥ¥":147902,"íĮ¼":147903,"ïŃĵ":147904,"ﮥ":147905,"ï²°":147906,"ðĿIJĩ":147907,"ðĿIJij":147908,"ðĿijĮ":147909,"ðĿĵª":147910,"ðĿķļ":147911,"ðĿĺª":147912,"ðĿĺ¼":147913,"ðĿļĽ":147914,"ðŁĩ¶":147915,"ðŁĮĦ":147916,"ðŁĮķ":147917,"ðŁĮ¤":147918,"ðŁĮ§":147919,"ðŁį¬":147920,"ðŁİĭ":147921,"ðŁİ»":147922,"ðŁı¨":147923,"ðŁIJĩ":147924,"ðŁijĵ":147925,"ðŁĵIJ":147926,"ðŁĵĻ":147927,"ðŁĶ¼":147928,"ðŁķĴ":147929,"ðŁĸı":147930,"ðŁĸ¥":147931,"ðŁ¤¬":147932,"ðŁ¥Ĭ":147933,"ðŁ¥Ĵ":147934,"ßĮ":147935,"àºĦ":147936,"á¼µ":147937,"âķ¡":147938,"Ⲥ":147939,"â´¼":147940,"âµ¢":147941,"ãĪ¯":147942,"ëĵ¸":147943,"ëŁĩ":147944,"ëºį":147945,"ðĿĻ§":147946,"ðŁįĪ":147947,"ðŁĶ¬":147948,"ðŁĸĬ":147949,"ðŁ¤¾":147950,"Ë¡":147951,"Ü©":147952,"âĮ¡":147953,"âŃij":147954,"Ⲧ":147955,"ë©ī":147956,"ì¼Ń":147957,"￤":147958,"ðĿĴİ":147959,"ðĿĹ¥":147960,"ðŁIJµ":147961,"ðŁķ¶":147962,"ðŁķ¸":147963,"ðŁ¤ľ":147964,"Õª":147965,"áĪĭ":147966,"ðŁ¥µ":147967,"ï°ģ":147968,"áµIJ":147969,"âķĵ":147970,"áĢĸ":147971,"âĭĪ":147972,"Éŀ":147973,"âŀ®":147974,"॰":147975,"ãĨģ":147976,"ðŁĴ±":147977,"ðŁıŃ":147978,"áĨ¨":147979,"ðŁįļ":147980,"ðŁ¦IJ":147981,"á´»":147982,"âĺĮ":147983,"à´ķ":147984,"Õ±":147985,"áħ®":147986,"ðĿIJĮ":147987,"Ŧ":147988,"àºķ":147989,"âľĻ":147990,"˳":147991,"Ôµ":147992,"âķĴ":147993,"ðĿĹĹ":147994,"ðĿĹł":147995,"Úļ":147996,"ধ":147997,"âĨĿ":147998,"âĻī":147999,"ãĮ»":148000,"ì¹Ĭ":148001,"ðĿĹº":148002,"ðŁ§ĺ":148003,"ì³£":148004,"ï¬Ŀ":148005,"ðŁijº":148006,"ÇŁ":148007,"ÎĪ":148008,"Ϋ":148009,"Ñ¥":148010,"Ô²":148011,"Õ¨":148012,"ܦ":148013,"à¦Ĩ":148014,"থ":148015,"áIJ¢":148016,"á¼ģ":148017,"á¼ĺ":148018,"ἦ":148019,"âĵĿ":148020,"ãĪ°":148021,"ãİĹ":148022,"겡":148023,"ë¨Ģ":148024,"ì£Ķ":148025,"ì´¤":148026,"ìµĿ":148027,"林":148028,"ïŃĬ":148029,"ï²Ł":148030,"ðĿIJ·":148031,"ðĿijĭ":148032,"ðĿĵī":148033,"ðĿĺµ":148034,"ðŁĴ·":148035,"ðŁĽ©":148036,"ðŁ§¹":148037,"ÅĶ":148038,"Êŀ":148039,"Ë¥":148040,"ÎĮ":148041,"Ñ©":148042,"ÓIJ":148043,"Ół":148044,"Úij":148045,"ÚĴ":148046,"ߨ":148047,"àªĪ":148048,"áIJĥ":148049,"ṯ":148050,"âĤĭ":148051,"âĤµ":148052,"âĦħ":148053,"âĦł":148054,"âĪ£":148055,"âīº":148056,"âī»":148057,"âĬĽ":148058,"âĮIJ":148059,"âİĵ":148060,"âĺ¸":148061,"âĻĴ":148062,"âļĴ":148063,"âľĩ":148064,"âľł":148065,"â´·":148066,"âµĸ":148067,"ãĦ¸":148068,"ãī¢":148069,"ãī°":148070,"êĩ´":148071,"ê´¸":148072,"êºł":148073,"ëĤı":148074,"ëĤ¢":148075,"ëIJĢ":148076,"뺴":148077,"ìĥľ":148078,"ìįħ":148079,"줫":148080,"챦":148081,"ìºij":148082,"ì¼ģ":148083,"쿳":148084,"íĤģ":148085,"íħ¡":148086,"íĴĤ":148087,"íĴī":148088,"íľĦ":148089,"ïŃª":148090,"ﮬ":148091,"ﯦ":148092,"ﱪ":148093,"ï²ı":148094,"ï´Ģ":148095,"ï»Ĩ":148096,"￦":148097,"ðĿijĹ":148098,"ðĿĸĻ":148099,"ðŁĮ¡":148100,"ðŁįĿ":148101,"ðŁį§":148102,"ðŁİ«":148103,"ðŁıĺ":148104,"ðŁıª":148105,"ðŁIJĭ":148106,"ðŁIJĽ":148107,"ðŁIJº":148108,"ðŁijĸ":148109,"ðŁijŀ":148110,"ðŁij·":148111,"ðŁĵĢ":148112,"ðŁĶĦ":148113,"ðŁĶĮ":148114,"ðŁķĻ":148115,"ðŁĻį":148116,"ðŁĻİ":148117,"ðŁ¦į":148118,"Ç°":148119,"ÉŁ":148120,"ÊĨ":148121,"Ô¼":148122,"Úľ":148123,"ড":148124,"শ":148125,"áĴĥ":148126,"Ἡ":148127,"âĵķ":148128,"â²Ī":148129,"ê°°":148130,"ê¹ł":148131,"êºħ":148132,"ëĦ¹":148133,"ë¯ĵ":148134,"íIJĪ":148135,"臨":148136,"ï®ij":148137,"ﲨ":148138,"ðĿĴī":148139,"ðĿĴĶ":148140,"ðĿŨ":148141,"ðĿĻŀ":148142,"ðĿļĴ":148143,"ðĿļķ":148144,"ðŁIJİ":148145,"ðŁ¤ķ":148146,"ðŁ§Ķ":148147,"Ï°":148148,"ÔĿ":148149,"âĮĬ":148150,"âĴ¾":148151,"ãī£":148152,"ïŃ©":148153,"ðĿļŀ":148154,"Êij":148155,"দ":148156,"áĦĩ":148157,"âīĥ":148158,"â²Ģ":148159,"ìŁİ":148160,"ðĿij¶":148161,"ðĿĵ²":148162,"ðŁİ·":148163,"ðŁļ¹":148164,"àºģ":148165,"áłł":148166,"ãĦļ":148167,"ðŁIJ¿":148168,"áĽļ":148169,"âķ³":148170,"ðŁIJŃ":148171,"âĴ¹":148172,"ðĿĸļ":148173,"âĻĸ":148174,"ãĪ²":148175,"âĨ¾":148176,"áĦĨ":148177,"âķĽ":148178,"ðŁ¤į":148179,"â½¥":148180,"ðŁĮ¨":148181,"âĪ®":148182,"ãĮĺ":148183,"ãįij":148184,"ï¹Ģ":148185,"âĵĹ":148186,"âĬĦ":148187,"ðŁı¹":148188,"ËĴ":148189,"ðŁ¤±":148190,"ãıľ":148191,"ðŁİĮ":148192,"ï¥Ń":148193,"ণ":148194,"ðŁİ¹":148195,"ãĬŁ":148196,"à´°":148197,"ðĿIJĶ":148198,"à´¨":148199,"à½ļ":148200,"âľº":148201,"Õ·":148202,"ðŁij³":148203,"à¦ľ":148204,"âĺĭ":148205,"âĻĬ":148206,"ãĢĽ":148207,"Èĭ":148208,"à®°":148209,"áĥ¨":148210,"âĦķ":148211,"íijĢ":148212,"ðĿĵĥ":148213,"ðŁ¦Ķ":148214,"Ä¿":148215,"ÅĢ":148216,"Ƴ":148217,"Éļ":148218,"Öĥ":148219,"Ü£":148220,"ߣ":148221,"à¦Ń":148222,"ৡ":148223,"ර":148224,"ຣ":148225,"à½ĩ":148226,"Ḩ":148227,"á½Ī":148228,"⽬":148229,"ê¡Ķ":148230,"ì³Ħ":148231,"ï¨ī":148232,"ðĿIJ¡":148233,"ðĿĺ¢":148234,"ðŁį¿":148235,"ðŁİŁ":148236,"ðŁıī":148237,"ðŁĶIJ":148238,"ðŁļħ":148239,"ðŁ¤½":148240,"Æį":148241,"Ç«":148242,"ǽ":148243,"Èļ":148244,"Îī":148245,"Ó¤":148246,"Óª":148247,"ÕĬ":148248,"Ù¼":148249,"Ú´":148250,"ßĿ":148251,"à¶ľ":148252,"á¼ķ":148253,"á¿¥":148254,"âİŀ":148255,"ãĢļ":148256,"ãī¤":148257,"곸":148258,"ê·ģ":148259,"ëĵĦ":148260,"ëĵķ":148261,"ì¨Ķ":148262,"챨":148263,"ðĿIJ¾":148264,"ðĿij»":148265,"ðĿĶ¼":148266,"ðĿķĿ":148267,"ðĿĺŃ":148268,"ðŁĨĻ":148269,"ðŁĵ¤":148270,"ðŁĶŁ":148271,"ðŁĹ¼":148272,"Äľ":148273,"Æģ":148274,"Æ¿":148275,"dz":148276,"Ç·":148277,"Éĥ":148278,"Éł":148279,"Êī":148280,"ʧ":148281,"˲":148282,"Ï´":148283,"Õģ":148284,"Õŀ":148285,"Öĩ":148286,"ÛĤ":148287,"Ûĵ":148288,"ßĹ":148289,"ߦ":148290,"হ":148291,"ள":148292,"à´¸":148293,"à»Ĥ":148294,"áĪĿ":148295,"áĪª":148296,"áĭµ":148297,"áIJĬ":148298,"áĴª":148299,"áļĸ":148300,"áŀĽ":148301,"á´¢":148302,"áµı":148303,"áµŃ":148304,"ᶫ":148305,"á¸ı":148306,"áºĴ":148307,"á¼¥":148308,"á½ķ":148309,"á½¼":148310,"âĤĬ":148311,"âĦĤ":148312,"âĦ©":148313,"âĩī":148314,"âī£":148315,"âĮł":148316,"âİŁ":148317,"âı®":148318,"âķĺ":148319,"âĹĸ":148320,"âĺ©":148321,"âĻij":148322,"âĻ²":148323,"âļĽ":148324,"ãĦŁ":148325,"ãī±":148326,"ãİļ":148327,"ê¡ķ":148328,"êªĸ":148329,"ê°¹":148330,"ê²Ĩ":148331,"êµĦ":148332,"ëĩ¬":148333,"ëĭ¯":148334,"ëıł":148335,"ëĴ¬":148336,"ëĸĪ":148337,"ëĸ½":148338,"ëĺĶ":148339,"ëŀ¸":148340,"ë¸ħ":148341,"뻳":148342,"ë¿Ł":148343,"ìĤµ":148344,"ìĬī":148345,"ìľ°":148346,"ìłĭ":148347,"ìłĶ":148348,"쥡":148349,"ìŃĿ":148350,"켬":148351,"íĪĩ":148352,"íīľ":148353,"íįĦ":148354,"íĽ¾":148355,"íĿ£":148356,"朗":148357,"勞":148358,"ï¦ľ":148359,"獵":148360,"ï§ľ":148361,"ï¨Ī":148362,"שׁ":148363,"הּ":148364,"ïŃ½":148365,"ï®ī":148366,"ï¯ŀ":148367,"ï°Ĵ":148368,"ï±ĩ":148369,"ï¿Ħ":148370,"ðĿIJħ":148371,"ðĿijĦ":148372,"ðĿijº":148373,"ðĿĴĹ":148374,"ðĿĵ®":148375,"ðĿķĽ":148376,"ðĿķŀ":148377,"ðĿĸij":148378,"ðĿĺģ":148379,"ðĿĺĨ":148380,"ðĿĺ¶":148381,"ðĿĻ¢":148382,"ðĿļľ":148383,"ðŁĮĥ":148384,"ðŁĮ¦":148385,"ðŁįŁ":148386,"ðŁİİ":148387,"ðŁıĻ":148388,"ðŁIJ©":148389,"ðŁIJ«":148390,"ðŁIJ´":148391,"ðŁijĶ":148392,"ðŁĵī":148393,"ðŁĵĽ":148394,"ðŁĶī":148395,"ðŁĸ¼":148396,"ðŁĹĥ":148397,"ðŁĹ¯":148398,"ðŁļĩ":148399,"ðŁļIJ":148400,"ðŁļµ":148401,"ðŁ¤¶":148402,"ðŁ¥ĭ":148403,"ðŁ¥ĵ":148404,"ðŁ¥®":148405,"ðŁ¦İ":148406,"ðŁ¦ł":148407,"ðŁ§Ĵ":148408,"ðŁ§¨":148409,"ÆIJ":148410,"Çį":148411,"ÓĢ":148412,"ÔĽ":148413,"ರ":148414,"à´Ļ":148415,"áĢĴ":148416,"ê²Ŀ":148417,"ê¹¹":148418,"ë©¥":148419,"ìĸĶ":148420,"ï¤ģ":148421,"ï¤ı":148422,"ï¦ī":148423,"ï¦ĵ":148424,"ï§ī":148425,"ï²Ŀ":148426,"ðĿĹŀ":148427,"ðĿű":148428,"ðŁĮĭ":148429,"ðŁį¶":148430,"à¦ļ":148431,"ìķľ":148432,"ðĿIJ¯":148433,"ðĿļĿ":148434,"à°¨":148435,"à½ĺ":148436,"à½ł":148437,"á¡¥":148438,"á¾°":148439,"âģį":148440,"âĶ°":148441,"⬾":148442,"ðĿIJł":148443,"ðĿij¯":148444,"ðĿĹĽ":148445,"ðĿĵ»":148446,"ðĿĸĪ":148447,"âŀ»":148448,"áŀł":148449,"⡱":148450,"â»ij":148451,"ðŁ§µ":148452,"廉":148453,"ðŁijĺ":148454,"ãĤĶ":148455,"â¼Ł":148456,"ãĬ¤":148457,"ï¦Ŀ":148458,"ãĮ¦":148459,"âĢ¸":148460,"ðŁĶĻ":148461,"ã¹":148462,"㹦":148463,"ï¹ħ":148464,"ï©Į":148465,"ãī¨":148466,"︽":148467,"âį¥":148468,"ðŁļī":148469,"ðŁ¥ľ":148470,"âĵľ":148471,"â»Ŀ":148472,"ï¨ľ":148473,"ðŁĴĴ":148474,"áĦij":148475,"â¾ŀ":148476,"ï¨ģ":148477,"à´ª":148478,"áĦİ":148479,"âŀ´":148480,"ষ":148481,"áħ¬":148482,"áŀ§":148483,"âĨ¢":148484,"âķ¦":148485,"âľij":148486,"ˬ":148487,"ÕIJ":148488,"à¼Ķ":148489,"ʤ":148490,"˨":148491,"à¤ŀ":148492,"à»ĥ":148493,"à¼ļ":148494,"âĵ¥":148495,"âķľ":148496,"ðŁIJĸ":148497,"á¼Ļ":148498,"ἤ":148499,"ìĨ°":148500,"ÈĤ":148501,"ʱ":148502,"à®ļ":148503,"áĥ§":148504,"á´ĭ":148505,"á´®":148506,"âĿ¡":148507,"âŀ·":148508,"ëĿ¡":148509,"梨":148510,"ﯡ":148511,"ðĿķķ":148512,"ðŁħ°":148513,"ðŁ¦¸":148514,"Ǹ":148515,"Óŀ":148516,"Ô¶":148517,"ÖĨ":148518,"Úģ":148519,"Ûĭ":148520,"áİ¥":148521,"᾿":148522,"âĶŃ":148523,"âĶ®":148524,"êĢĢ":148525,"ê±ĺ":148526,"ëIJŃ":148527,"ë½Ħ":148528,"ìĶIJ":148529,"ì¸Į":148530,"íģł":148531,"íĻ±":148532,"ï¥ī":148533,"ï¨ĸ":148534,"ðĿij´":148535,"ðĿĸĴ":148536,"ðĿĺ¨":148537,"ðĿļĮ":148538,"ðŁIJ¡":148539,"ðŁij¢":148540,"ðŁĵĶ":148541,"Åħ":148542,"Æİ":148543,"È©":148544,"Òª":148545,"Ôĥ":148546,"áĥ«":148547,"á¸ĩ":148548,"⼣":148549,"ê»Ń":148550,"ë¨Ħ":148551,"ìŁĢ":148552,"줴":148553,"íļIJ":148554,"盧":148555,"ðŁŁ¢":148556,"Ƨ":148557,"ȼ":148558,"ÊĿ":148559,"ËĦ":148560,"Ëħ":148561,"Ëį":148562,"˧":148563,"Ò¥":148564,"ÕĶ":148565,"Øı":148566,"ؼ":148567,"ßIJ":148568,"ßľ":148569,"à¤ĵ":148570,"à¦Ļ":148571,"à®ĵ":148572,"ප":148573,"à¼į":148574,"à¼Ĵ":148575,"ལ":148576,"áĢĤ":148577,"áĢĬ":148578,"áĦĦ":148579,"áĪĺ":148580,"áĭĬ":148581,"áĮį":148582,"áijĭ":148583,"áŀĤ":148584,"áł¢":148585,"á¡Ŀ":148586,"á´¦":148587,"áµį":148588,"ᵨ":148589,"ḡ":148590,"ḯ":148591,"á¼£":148592,"âģĤ":148593,"âĦĺ":148594,"âĦľ":148595,"âĦ³":148596,"âĦµ":148597,"âĨ¦":148598,"âĩĨ":148599,"âĪ·":148600,"âĬļ":148601,"âĮ«":148602,"âĮ¯":148603,"âİĽ":148604,"âİľ":148605,"âݤ":148606,"âݦ":148607,"âİ®":148608,"âijī":148609,"âĶī":148610,"âķĻ":148611,"âĸĤ":148612,"âĹŃ":148613,"âĺĬ":148614,"âĺį":148615,"âĺĴ":148616,"âļĨ":148617,"⼧":148618,"âĽ²":148619,"âŀĺ":148620,"â¥Ħ":148621,"â´³":148622,"â´½":148623,"âµĪ":148624,"ãī¯":148625,"ãİij":148626,"㧬":148627,"êĻ¬":148628,"ê§ģ":148629,"곬":148630,"ê´ŀ":148631,"ê»ľ":148632,"ëħĵ":148633,"ëĭ¼":148634,"ëįĸ":148635,"ëĸ±":148636,"ëĿ°":148637,"롹":148638,"뢴":148639,"ë£Ģ":148640,"뤳":148641,"ë¨ķ":148642,"ëŃ¥":148643,"ìĦ¶":148644,"ìħ¤":148645,"ìĮķ":148646,"ìįª":148647,"ìı©":148648,"ìĴĢ":148649,"ìĶ¯":148650,"ìĿĶ":148651,"ìĿľ":148652,"ìłŃ":148653,"짦":148654,"쨩":148655,"첬":148656,"ì³¥":148657,"켯":148658,"íĢ«":148659,"íĢŃ":148660,"íĥ¸":148661,"íĵģ":148662,"íķ¬":148663,"íŸ":148664,"íĽķ":148665,"íľŃ":148666,"íĿĹ":148667,"ï¤Į":148668,"浪":148669,"刺":148670,"ï¬Ħ":148671,"ï¬ħ":148672,"ïŃij":148673,"ïŃ«":148674,"ïŃº":148675,"ï®Ĥ":148676,"ﮢ":148677,"ﮨ":148678,"ï°İ":148679,"ï°ł":148680,"ï²£":148681,"ï³IJ":148682,"ï³Ĵ":148683,"ï³ĺ":148684,"ï³ľ":148685,"ï¹¼":148686,"￨":148687,"ðĿIJ©":148688,"ðĿĴļ":148689,"ðĿķĶ":148690,"ðĿķ¤":148691,"ðĿĸĮ":148692,"ðĿĹ£":148693,"ðĿĹ°":148694,"ðĿĹ´":148695,"ðĿĺĤ":148696,"ðĿĺ¥":148697,"ðĿĺ®":148698,"ðĿĺ¸":148699,"ðĿĻĢ":148700,"ðĿĽ¾":148701,"ðĿľı":148702,"ðŁĮģ":148703,"ðŁĮľ":148704,"ðŁĮ¥":148705,"ðŁĮ¯":148706,"ðŁįIJ":148707,"ðŁİĴ":148708,"ðŁıĶ":148709,"ðŁıķ":148710,"ðŁı®":148711,"ðŁIJĤ":148712,"ðŁIJī":148713,"ðŁIJ¹":148714,"ðŁĶķ":148715,"ðŁĶļ":148716,"ðŁķij":148717,"ðŁķ£":148718,"ðŁĹŀ":148719,"ðŁĹ¡":148720,"ðŁĹ¿":148721,"ðŁļĨ":148722,"ðŁļĬ":148723,"ðŁļĵ":148724,"ðŁļķ":148725,"ðŁļ¾":148726,"ðŁĽģ":148727,"ðŁĽİ":148728,"ðŁĽı":148729,"ðŁ¤´":148730,"ðŁ¥ķ":148731,"ðŁ¥ĸ":148732,"ðŁ¥ł":148733,"ðŁ¥¥":148734,"ðŁ¦Ĩ":148735,"ðŁ¦ī":148736,"ðŁ¦ļ":148737,"ðŁ§ij":148738,"ðŁ§¥":148739,"ðŁ§¿":148740,"Å°":148741,"ƺ":148742,"ɧ":148743,"àªĩ":148744,"ண":148745,"áĪĪ":148746,"áĬ¤":148747,"áĭ®":148748,"áĮĪ":148749,"áĮµ":148750,"ᥲ":148751,"âĵŁ":148752,"êĻ³":148753,"ê°Ĭ":148754,"ëķģ":148755,"ëķ¨":148756,"ìĬģ":148757,"例":148758,"גּ":148759,"ðĿĸį":148760,"ðĿĺĮ":148761,"ðĿĺ³":148762,"ðĿĻ©":148763,"ðŁįĻ":148764,"ðŁĸĸ":148765,"áī³":148766,"áĭ¨":148767,"áĸĩ":148768,"áŀĮ":148769,"ṧ":148770,"âķª":148771,"âŀļ":148772,"â²ĺ":148773,"êķ":148774,"êķ¥":148775,"路":148776,"ﮣ":148777,"ï¯ł":148778,"ðĿĴĸ":148779,"ðĿķĺ":148780,"ðĿĸĩ":148781,"ðĿĹŁ":148782,"ðĿĹª":148783,"ðĿĹ¯":148784,"ðĿĻł":148785,"ðŁĵı":148786,"à¦Ĺ":148787,"âĴ»":148788,"â²ł":148789,"ðĿĵµ":148790,"Ê£":148791,"à°ľ":148792,"áĬ¢":148793,"áŀIJ":148794,"ḷ":148795,"âĦĽ":148796,"âĩĢ":148797,"âĩĬ":148798,"êĴ¦":148799,"ê¦ł":148800,"ﮤ":148801,"ðŁįĽ":148802,"ðŁ¤Ľ":148803,"ᨾ":148804,"âŀº":148805,"áķ¯":148806,"áĽı":148807,"âĩĤ":148808,"âĶ¹":148809,"âĻĹ":148810,"ðŁĸ¨":148811,"ê¦ı":148812,"ર":148813,"áļ¨":148814,"ðŁ¤¥":148815,"ðŁ§¢":148816,"ãIJĤ":148817,"ãĦ¥":148818,"ðŁĸĮ":148819,"â¼Ĵ":148820,"ãĬ§":148821,"âį©":148822,"ðŁ¦ij":148823,"âĶ·":148824,"ï©IJ":148825,"ï©¡":148826,"ðĵĪ":148827,"ðĵĪĴ":148828,"â»Ħ":148829,"ï¨Ĵ":148830,"âĦª":148831,"Ò§":148832,"ÚĮ":148833,"âĢ¶":148834,"âºł":148835,"â»ģ":148836,"âĨ¸":148837,"áĦIJ":148838,"ãħIJ":148839,"à»Ħ":148840,"áĹª":148841,"âĨ¼":148842,"âĩĭ":148843,"âĩĺ":148844,"âĮij":148845,"âĸ©":148846,"ðĿIJĹ":148847,"ÄĬ":148848,"à¦ī":148849,"ìīł":148850,"ɤ":148851,"ßį":148852,"ßı":148853,"áµĹ":148854,"âĤ¥":148855,"âĵī":148856,"âĶł":148857,"âĶ¨":148858,"âķĦ":148859,"ä¤":148860,"ä¤Ģ":148861,"껸":148862,"ï®ģ":148863,"ðĵĤ":148864,"ðĵĤĥ":148865,"ðŁ¦ķ":148866,"ÆĽ":148867,"à¦ĩ":148868,"ãıĺ":148869,"﮼":148870,"Úĵ":148871,"ÚĿ":148872,"à¦ĵ":148873,"ද":148874,"á´ħ":148875,"á½Ļ":148876,"âģ¼":148877,"âĸİ":148878,"⼩":148879,"äĶ":148880,"äĶĢ":148881,"뻡":148882,"ìĽ½":148883,"íģĦ":148884,"良":148885,"ï±ī":148886,"ï¹»":148887,"ðĿĸĭ":148888,"ðĿĻĪ":148889,"ðĿĻª":148890,"ðĿĻ¶":148891,"ðŁIJĦ":148892,"ðŁIJĨ":148893,"áİ¢":148894,"á¸Į":148895,"âĿ´":148896,"ðŁı¸":148897,"ÈĿ":148898,"ɸ":148899,"Îħ":148900,"Ïľ":148901,"Ó¢":148902,"Õ¹":148903,"à´ħ":148904,"àºĪ":148905,"áĭ°":148906,"áijİ":148907,"áłµ":148908,"á¡ł":148909,"á´ī":148910,"ḵ":148911,"á¿´":148912,"âĵ£":148913,"âĶ¶":148914,"⽯":148915,"ê²¥":148916,"ê¿ĺ":148917,"ëģİ":148918,"ëİĪ":148919,"ëĶ¯":148920,"ë²°":148921,"ìĺ¯":148922,"ìĽ¸":148923,"ìŀĹ":148924,"ì§ĺ":148925,"쬬":148926,"ì·¬":148927,"íģħ":148928,"íĵĶ":148929,"íĽĿ":148930,"冷":148931,"魯":148932,"沈":148933,"ï¯ĸ":148934,"ðĿĵħ":148935,"ðĿĻĦ":148936,"ðŁĵ¶":148937,"ðŁĹĴ":148938,"ðŁ¥Ķ":148939,"ðŁ¥Ń":148940,"Å®":148941,"Å´":148942,"Æī":148943,"Æ«":148944,"Çģ":148945,"Ç£":148946,"Ǻ":148947,"Ǽ":148948,"Èį":148949,"ȯ":148950,"Éľ":148951,"ʬ":148952,"Ëģ":148953,"ˤ":148954,"˵":148955,"ÏĽ":148956,"Ò¤":148957,"Ò¬":148958,"Óı":148959,"ÓĽ":148960,"Ó¡":148961,"Ó³":148962,"ÔĮ":148963,"Ô¬":148964,"Õ³":148965,"Ù»":148966,"Úī":148967,"Ú§":148968,"Üľ":148969,"ߪ":148970,"à¤Ŀ":148971,"à¦Ľ":148972,"à¨Ĩ":148973,"àªķ":148974,"ડ":148975,"à®İ":148976,"à°¬":148977,"ൻ":148978,"ർ":148979,"à¶ł":148980,"à¶Ń":148981,"බ":148982,"à·Ĩ":148983,"༽":148984,"áĢļ":148985,"áħ¢":148986,"áĨ¸":148987,"áĪĢ":148988,"áĪķ":148989,"áĪ°":148990,"áī¡":148991,"áī¤":148992,"áĬ¦":148993,"áĬ«":148994,"áĭĭ":148995,"áĭį":148996,"áݯ":148997,"áijŃ":148998,"áķĹ":148999,"᣼":149000,"á¥Ĵ":149001,"á©ī":149002,"áŃº":149003,"á´¡":149004,"áµĺ":149005,"ᵼ":149006,"ᶳ":149007,"á¸ģ":149008,"á¸ĭ":149009,"á¹Ļ":149010,"á¹Ŀ":149011,"Ṧ":149012,"áºħ":149013,"á¼Ĥ":149014,"á½ĥ":149015,"á½į":149016,"ὧ":149017,"á¾·":149018,"âĢµ":149019,"âĤİ":149020,"âĦĿ":149021,"âħĢ":149022,"âĨŀ":149023,"âĨ§":149024,"âĩħ":149025,"âĪĥ":149026,"âīı":149027,"âī½":149028,"âĬŀ":149029,"âĬ¡":149030,"âĬ§":149031,"âĬ¶":149032,"âĭĦ":149033,"âİĴ":149034,"âİ¡":149035,"âİ£":149036,"âݪ":149037,"âıİ":149038,"âĵĥ":149039,"âĵĸ":149040,"âĵ¨":149041,"âķĭ":149042,"âķĸ":149043,"âķ¢":149044,"âķ²":149045,"âĸĨ":149046,"âĸĬ":149047,"âĸį":149048,"âĸ®":149049,"âĺ¡":149050,"âĺ¦":149051,"âĺ±":149052,"âĺ¿":149053,"âĻĺ":149054,"âĻĿ":149055,"âļ°":149056,"âĽij":149057,"âŀª":149058,"â¤Ŀ":149059,"⤢":149060,"⤷":149061,"⧫":149062,"â¨Ń":149063,"⨯":149064,"â±£":149065,"â²İ":149066,"⵼":149067,"ãħĶ":149068,"ãĪı":149069,"ãī²":149070,"ãī³":149071,"ãĬij":149072,"ãĭĽ":149073,"ãİIJ":149074,"겤":149075,"ê·¿":149076,"ê¹ŀ":149077,"껨":149078,"ê¼į":149079,"꿸":149080,"ëĥ¬":149081,"ëĩIJ":149082,"ëĭł":149083,"ëį¯":149084,"ëĹĮ":149085,"ëĹij":149086,"ë¥Ģ":149087,"ëªĥ":149088,"몯":149089,"뱡":149090,"ë³ĵ":149091,"ë³½":149092,"뵾":149093,"ìĤ³":149094,"ìħ¥":149095,"ìĩ½":149096,"ìı¨":149097,"ìı¸":149098,"ìķį":149099,"ìĸĸ":149100,"ìŁ¨":149101,"ì¢ĥ":149102,"ì¢į":149103,"ì¥ij":149104,"짼":149105,"ì©ĥ":149106,"ì®ľ":149107,"쮸":149108,"ì³ij":149109,"ì´¥":149110,"ì¾ĥ":149111,"íħ¦":149112,"íĪ¿":149113,"íĵ½":149114,"íķ³":149115,"íĸı":149116,"íĹł":149117,"íĿ«":149118,"ï¤ĵ":149119,"ï¤ĺ":149120,"ï¥İ":149121,"略":149122,"ï¦ħ":149123,"尿":149124,"ï§ĩ":149125,"ï¬Ĩ":149126,"דּ":149127,"ï®ĩ":149128,"ï®Ī":149129,"ï®Ŀ":149130,"ﮩ":149131,"ï®±":149132,"ï¯ĺ":149133,"ï¯Ļ":149134,"ﯢ":149135,"ﯣ":149136,"ﯤ":149137,"ﯥ":149138,"ï±Ĥ":149139,"ï²Ĩ":149140,"ﲪ":149141,"ï´¼":149142,"ïºī":149143,"ïºĬ":149144,"ﺥ":149145,"ðĿij¨":149146,"ðĿij©":149147,"ðĿij²":149148,"ðĿĴĮ":149149,"ðĿĴª":149150,"ðĿĴ®":149151,"ðĿĵĤ":149152,"ðĿĵĪ":149153,"ðĿĵ¯":149154,"ðĿĶ¨":149155,"ðĿķĢ":149156,"ðĿķĨ":149157,"ðĿķ¦":149158,"ðĿķ§":149159,"ðĿķ«":149160,"ðĿķ·":149161,"ðĿŵ":149162,"ðĿŸ":149163,"ðĿĺĦ":149164,"ðĿĺĻ":149165,"ðĿĺł":149166,"ðĿĺ¬":149167,"ðĿĻį":149168,"ðĿĻij":149169,"ðĿĻ¡":149170,"ðĿĻ¨":149171,"ðĿĻ·":149172,"ðĿļį":149173,"ðĿĽ¿":149174,"ðŁĥ":149175,"ðŁĥı":149176,"ðŁħĺ":149177,"ðŁī":149178,"ðŁīij":149179,"ðŁİ¡":149180,"ðŁİª":149181,"ðŁİ±":149182,"ðŁİ³":149183,"ðŁİº":149184,"ðŁıİ":149185,"ðŁıĹ":149186,"ðŁıļ":149187,"ðŁıŀ":149188,"ðŁı¦":149189,"ðŁı§":149190,"ðŁIJģ":149191,"ðŁIJħ":149192,"ðŁIJĵ":149193,"ðŁĴĤ":149194,"ðŁĵij":149195,"ðŁĵĵ":149196,"ðŁĵ¨":149197,"ðŁĵ«":149198,"ðŁĶĭ":149199,"ðŁĶŃ":149200,"ðŁĶ¯":149201,"ðŁķĹ":149202,"ðŁļĤ":149203,"ðŁļ¢":149204,"ðŁļ¦":149205,"ðŁļ¬":149206,"ðŁĽĭ":149207,"ðŁĽĮ":149208,"ðŁĽ¬":149209,"ðŁĽ¶":149210,"ðŁŁ¡":149211,"ðŁ¥ĺ":149212,"ðŁ¥Ł":149213,"ðŁ¥¦":149214,"ðŁ¦ĩ":149215,"ðŁ¦Ī":149216,"ðŁ§Ĭ":149217,"ðŁ§Ĺ":149218,"ðŁ§¤":149219,"Ê·":149220,"˹":149221,"á¹ļ":149222,"á½¥":149223,"âĦŁ":149224,"겯":149225,"껫":149226,"ë°·":149227,"ìĥĨ":149228,"ìĽĿ":149229,"ì¨ī":149230,"ì«ı":149231,"ï¯ķ":149232,"ðĿľĭ":149233,"ɲ":149234,"ÒŃ":149235,"ÓĪ":149236,"à½Ľ":149237,"áĭĵ":149238,"áĻŃ":149239,"áł©":149240,"á¹®":149241,"âĦĴ":149242,"âĨ»":149243,"âµĥ":149244,"ëĢ¨":149245,"볧":149246,"ìī¥":149247,"ìĮľ":149248,"ìŶ":149249,"ì¨Ī":149250,"쪾":149251,"íı½":149252,"íļĶ":149253,"íĽµ":149254,"露":149255,"ï¦IJ":149256,"ï§Ĺ":149257,"ï§ļ":149258,"אָ":149259,"ðĿIJĬ":149260,"ðĿķĹ":149261,"ðĿĹļ":149262,"ðĿļĸ":149263,"ðŁħ´":149264,"Èĥ":149265,"ÉĿ":149266,"ϱ":149267,"ÓĹ":149268,"ढ":149269,"áħł":149270,"áī¦":149271,"áijĮ":149272,"áĴ¼":149273,"áŀ¡":149274,"᳨":149275,"áłŃ":149276,"á¨ħ":149277,"á¨Ķ":149278,"á´ĺ":149279,"ᶦ":149280,"á¸İ":149281,"á¼ħ":149282,"á¼¹":149283,"âĨ¯":149284,"âĵİ":149285,"ãıĮ":149286,"êī":149287,"êīĤ":149288,"ëĨ§":149289,"ëĿ±":149290,"좡":149291,"íĪ½":149292,"ï¤ĩ":149293,"ï¤Ľ":149294,"ðĿIJķ":149295,"ðĿĵ¸":149296,"ðĿĵ¼":149297,"ðĿĹķ":149298,"ðĿĺĪ":149299,"ðŁı£":149300,"ðŁı¤":149301,"ðŁĹĦ":149302,"Ñ·":149303,"Òł":149304,"áµĸ":149305,"Ἠ":149306,"ë¬Ħ":149307,"ï°´":149308,"âĪ½":149309,"ÕŃ":149310,"Ú¹":149311,"à¥Ł":149312,"áĢĨ":149313,"áŀĴ":149314,"ãĢ¶":149315,"ꦫ":149316,"ï¸ĵ":149317,"ðĿIJĽ":149318,"ðĿĺĹ":149319,"ðŁıľ":149320,"ì«Ń":149321,"ðŁ§ŀ":149322,"à½Ĥ":149323,"âĨ¿":149324,"âĩı":149325,"âĵģ":149326,"âĶ§":149327,"âķģ":149328,"âķ¤":149329,"ê¦Ĺ":149330,"ꦤ":149331,"ðŁıĪ":149332,"áŀķ":149333,"Ô½":149334,"àªĹ":149335,"à¬Ĩ":149336,"âķķ":149337,"ï½ł":149338,"⼦":149339,"⼯":149340,"â¾·":149341,"âĶĸ":149342,"à¬ĵ":149343,"âĺĹ":149344,"âįĭ":149345,"ï¨Ŀ":149346,"â¼¥":149347,"寧":149348,"âĦĬ":149349,"ãĢ´":149350,"âį¢":149351,"ð¡Ī":149352,"ð¡Ī½":149353,"難":149354,"ãĢ»":149355,"ãıĥ":149356,"說":149357,"ï¨ĺ":149358,"ðŁIJĥ":149359,"ðŁĨĸ":149360,"ðŁĹ¾":149361,"ãĦĩ":149362,"Þĭ":149363,"â¼¼":149364,"ï¨Ń":149365,"ÞĢ":149366,"ÞĦ":149367,"ÞĪ":149368,"ÞIJ":149369,"âĮĦ":149370,"â»ĺ":149371,"ãŁ¢":149372,"áħ§":149373,"ðIJĮ¿":149374,"Ë»":149375,"à²Ĺ":149376,"áĢĩ":149377,"áŀĬ":149378,"âķĩ":149379,"ãĩ¼":149380,"ãİ°":149381,"ÕĴ":149382,"ÜĪ":149383,"ߥ":149384,"à¿IJ":149385,"áĢŁ":149386,"âĨ¥":149387,"âķĮ":149388,"â½Ģ":149389,"â½°":149390,"â¾Ĭ":149391,"äĦ":149392,"äĦĢ":149393,"ðĵIJ":149394,"ðĵIJį":149395,"ðŁİ¦":149396,"âĤ¯":149397,"âĬĺ":149398,"âĦį":149399,"ʵ":149400,"Ѷ":149401,"Úĥ":149402,"à¦Ķ":149403,"à´¦":149404,"áݶ":149405,"áĵķ":149406,"Ṩ":149407,"âĤł":149408,"âĩ°":149409,"âĹĴ":149410,"â¿Ĭ":149411,"ê·±":149412,"ì¹ķ":149413,"íĪ©":149414,"ïŃĢ":149415,"ðĿĴ¸":149416,"ðĿĵĬ":149417,"ðĿĺ©":149418,"Ǧ":149419,"É«":149420,"áĬ¨":149421,"ȹ":149422,"ʯ":149423,"Ϊ":149424,"ÚĢ":149425,"áĮ¸":149426,"áİ»":149427,"áıķ":149428,"áı´":149429,"á²Ĥ":149430,"Ὠ":149431,"âıĿ":149432,"âĺĻ":149433,"ëĥ¨":149434,"ëĦ¼":149435,"ëĪĻ":149436,"ë£ħ":149437,"ìĶ¼":149438,"ìķĿ":149439,"ìļ¬":149440,"ìľ±":149441,"ï¥Ĥ":149442,"惡":149443,"יּ":149444,"ïŃģ":149445,"ï³Ī":149446,"ðĿĶħ":149447,"ðĿĺ¤":149448,"ðĿĻı":149449,"ðĿĻĻ":149450,"ðŁķī":149451,"ðŁ§Ļ":149452,"á¸ij":149453,"ê´¼":149454,"ëģį":149455,"ëĹ´":149456,"ëĿ³":149457,"ë°ŀ":149458,"ë°¢":149459,"ëµĺ":149460,"ìĤĶ":149461,"ìĦĦ":149462,"ì¼ļ":149463,"íĢł":149464,"íĬ±":149465,"íĮĸ":149466,"ï¤ij":149467,"領":149468,"隸":149469,"ï´į":149470,"ðĿĺ·":149471,"Ĭ":149472,"Ŭ":149473,"ÆĢ":149474,"Æĭ":149475,"Æľ":149476,"Çij":149477,"Çĺ":149478,"Çŀ":149479,"Ç¥":149480,"Ç®":149481,"É°":149482,"ɶ":149483,"É·":149484,"ɽ":149485,"ÊĪ":149486,"ÊIJ":149487,"Ëİ":149488,"ËŁ":149489,"˦":149490,"˯":149491,"ÏIJ":149492,"Ïĵ":149493,"Ï¢":149494,"Ϥ":149495,"Ϫ":149496,"ÏŃ":149497,"Ï®":149498,"Ï»":149499,"Ñł":149500,"ÑŃ":149501,"Ò¨":149502,"ÓĿ":149503,"Ô¡":149504,"Ô·":149505,"Õī":149506,"Õĵ":149507,"Õĸ":149508,"Õļ":149509,"ÕĿ":149510,"Öİ":149511,"Ø¿":149512,"Úħ":149513,"Úį":149514,"ÚĶ":149515,"ÛĬ":149516,"Û¾":149517,"ÜĻ":149518,"ÝĴ":149519,"Ýĺ":149520,"ßĴ":149521,"ßĸ":149522,"à¤Ĭ":149523,"à¤IJ":149524,"à¦ı":149525,"à¦ĸ":149526,"à§Ł":149527,"મ":149528,"હ":149529,"à®ħ":149530,"à®Ĩ":149531,"à°¡":149532,"à°°":149533,"à²ļ":149534,"ಮ":149535,"ಯ":149536,"à´Ł":149537,"à´·":149538,"ൾ":149539,"à¶ij":149540,"à¶ŀ":149541,"༼":149542,"à½ĵ":149543,"áĢĵ":149544,"áĤ¦":149545,"áĥĸ":149546,"áĥŃ":149547,"áĥ¯":149548,"áħ¨":149549,"áħª":149550,"áĨ°":149551,"áĪģ":149552,"áĪİ":149553,"áĪĵ":149554,"áĪ¥":149555,"áĪ²":149556,"áĪ´":149557,"áĪ»":149558,"áīł":149559,"áī²":149560,"áī¶":149561,"áĬ£":149562,"áĬ¥":149563,"áĬª":149564,"áĭĺ":149565,"áĭ²":149566,"áĭ¶":149567,"áĮ£":149568,"áį¡":149569,"áį£":149570,"áݬ":149571,"áݾ":149572,"áIJ¡":149573,"áķķ":149574,"áĸ±":149575,"áĹIJ":149576,"áĹŃ":149577,"áĺī":149578,"áļ±":149579,"ἣ":149580,"áŀ¥":149581,"áŁĶ":149582,"áł£":149583,"áłª":149584,"áł°":149585,"áł´":149586,"á¤ĸ":149587,"ᥣ":149588,"á®":149589,"᮳":149590,"á¯":149591,"á¯Ļ":149592,"á°":149593,"á°į":149594,"á´Ĭ":149595,"á´¾":149596,"áµģ":149597,"áµİ":149598,"áµŀ":149599,"ᵤ":149600,"á¶ħ":149601,"á¶ĺ":149602,"ᶣ":149603,"ᶢ":149604,"ᶤ":149605,"ᶱ":149606,"ᶻ":149607,"á¸ī":149608,"á¸ŀ":149609,"Ḻ":149610,"á¹ĵ":149611,"á¹Ĺ":149612,"Ṫ":149613,"áºĬ":149614,"áºı":149615,"áºĽ":149616,"á¼ĥ":149617,"á¼Į":149618,"Ἷ":149619,"á½Ĥ":149620,"á½ĵ":149621,"á½Ĺ":149622,"ὦ":149623,"á¾±":149624,"á¾´":149625,"á¿ĺ":149626,"á¿Ł":149627,"Ὸ":149628,"âģĺ":149629,"âĤij":149630,"âĤĽ":149631,"âĤ¿":149632,"âĦĩ":149633,"âĦŀ":149634,"âĦ±":149635,"âĩŁ":149636,"âĩ²":149637,"âĪ¤":149638,"âĪ¶":149639,"âīĤ":149640,"âī¾":149641,"âĬ¨":149642,"âĬ³":149643,"âĬ·":149644,"âĭĮ":149645,"âĭĺ":149646,"âĮķ":149647,"âĮ¥":149648,"âĮµ":149649,"âĮº":149650,"âį£":149651,"âį²":149652,"âįµ":149653,"âİĩ":149654,"âıĥ":149655,"âıIJ":149656,"âıł":149657,"âı¤":149658,"âı¶":149659,"âı¸":149660,"âı¹":149661,"âijĤ":149662,"âĴ·":149663,"âĴº":149664,"âĵ¡":149665,"âĵ¤":149666,"âĶ¾":149667,"âĸĺ":149668,"âĸµ":149669,"âĹª":149670,"âĹ·":149671,"âĺ¨":149672,"âĺ«":149673,"âĺ²":149674,"âĺ³":149675,"âĻĨ":149676,"âļ¤":149677,"âļ¥":149678,"âĽĵ":149679,"⼴":149680,"âĽ¾":149681,"âŀ«":149682,"âŀ¿":149683,"⣷":149684,"â¤ij":149685,"⤫":149686,"⤶":149687,"⤽":149688,"⧪":149689,"â¨Ģ":149690,"⩽":149691,"⬡":149692,"⬢":149693,"⬤":149694,"â²ĸ":149695,"Ⲫ":149696,"âµĢ":149697,"⸮":149698,"⸽":149699,"ãĢł":149700,"ãĢ·":149701,"ãĦĮ":149702,"ãĦĺ":149703,"ãħij":149704,"ãĪİ":149705,"ãĪIJ":149706,"ãĬľ":149707,"ãĮĵ":149708,"ãĮł":149709,"ãİŁ":149710,"ãݤ":149711,"ãݧ":149712,"㬮":149713,"äĪ":149714,"äĪĢ":149715,"ä°":149716,"ä°Ģ":149717,"êħ":149718,"êħī":149719,"êĩĹ":149720,"êĪ":149721,"êĪį":149722,"ê§Ĥ":149723,"ê§Ĭ":149724,"êªĢ":149725,"ê²Ī":149726,"ê²į":149727,"ê³Ģ":149728,"êµł":149729,"ê½IJ":149730,"ê¾Ī":149731,"꿱":149732,"ëĥı":149733,"ëĦij":149734,"ëħ¤":149735,"ëĩ¸":149736,"ëĪ¼":149737,"ëīħ":149738,"ëĬ£":149739,"ëĭº":149740,"ëįŀ":149741,"ëIJĮ":149742,"ëķ¸":149743,"ëĺł":149744,"ëĻĩ":149745,"ëĻĪ":149746,"ëľ½":149747,"ëŀĶ":149748,"ëłľ":149749,"ë£IJ":149750,"ë§Ģ":149751,"ë§Ĭ":149752,"ëªĢ":149753,"ë¬Ń":149754,"믾":149755,"ë³ľ":149756,"ë´Ĭ":149757,"ëµī":149758,"ë·ľ":149759,"ë¸Ģ":149760,"ë¹ĭ":149761,"ìģĦ":149762,"ìĤ£":149763,"ìĤ»":149764,"ìĦµ":149765,"ìħĴ":149766,"ìīĪ":149767,"ìīĶ":149768,"ìĬĮ":149769,"ìĬĻ":149770,"ìIJ´":149771,"ìĵº":149772,"ìķļ":149773,"ìķº":149774,"ìĸľ":149775,"ìĹª":149776,"ìĺľ":149777,"ìĻ¤":149778,"ìļĽ":149779,"ìļº":149780,"ìĿħ":149781,"ìĿı":149782,"ìĿŃ":149783,"ìĿ¶":149784,"ìłĽ":149785,"ì¡Ī":149786,"ì¢ī":149787,"ì¢Ķ":149788,"ì©ł":149789,"ìŃĮ":149790,"쯩":149791,"ì´£":149792,"ì¸ķ":149793,"ì¹Ł":149794,"쾡":149795,"ì¿Ļ":149796,"íģĩ":149797,"íģī":149798,"íĩĢ":149799,"íĪ¶":149800,"íĸij":149801,"íĸ¤":149802,"íĹħ":149803,"íľı":149804,"íĿĿ":149805,"ï¤Ĵ":149806,"ï¤ķ":149807,"郎":149808,"ï¥ħ":149809,"ï¥ĩ":149810,"ï¥ı":149811,"ï¥ļ":149812,"ï¥Ł":149813,"ï¦Ħ":149814,"ï¦Ī":149815,"令":149816,"囹":149817,"零":149818,"ï§ģ":149819,"ï§ĥ":149820,"ï§Ķ":149821,"ï§ł":149822,"泥":149823,"燐":149824,"ïŃIJ":149825,"ïŃĸ":149826,"ïѦ":149827,"ïŃ´":149828,"ïѵ":149829,"ïѶ":149830,"ïѸ":149831,"ï®Į":149832,"ï®İ":149833,"ï®ŀ":149834,"ï®Ł":149835,"ﮡ":149836,"ﮪ":149837,"ï¯Ķ":149838,"ï¯Ĺ":149839,"ï¯ļ":149840,"ï¯Ľ":149841,"ï¯Ŀ":149842,"ï¯Ł":149843,"ﯧ":149844,"ﯨ":149845,"ﯫ":149846,"ﯯ":149847,"ﯰ":149848,"ﯱ":149849,"ﯲ":149850,"ﯳ":149851,"ﯴ":149852,"ﯵ":149853,"ﯶ":149854,"ï°Ģ":149855,"ï±ħ":149856,"ï±Ķ":149857,"ï±´":149858,"ï²ģ":149859,"ï³ķ":149860,"ï·½":149861,"ï¸ķ":149862,"︱":149863,"ï¹£":149864,"ï¹½":149865,"ï»į":149866,"ï¾±":149867,"ðĿIJĻ":149868,"ðĿIJ½":149869,"ðĿij¤":149870,"ðĿij®":149871,"ðĿijµ":149872,"ðĿĴĥ":149873,"ðĿĴĦ":149874,"ðĿĵŃ":149875,"ðĿĵ·":149876,"ðĿĶĸ":149877,"ðĿĶŀ":149878,"ðĿĶ¢":149879,"ðĿĶ¦":149880,"ðĿĶ¬":149881,"ðĿķĦ":149882,"ðĿķĬ":149883,"ðĿķİ":149884,"ðĿķĻ":149885,"ðĿķľ":149886,"ðĿķŃ":149887,"ðĿķ³":149888,"ðĿķ¸":149889,"ðĿķ¾":149890,"ðĿĸī":149891,"ðĿĸı":149892,"ðĿĺĩ":149893,"ðĿĺī":149894,"ðĿĺĸ":149895,"ðĿĺĽ":149896,"ðĿĺŀ":149897,"ðĿĺ«":149898,"ðĿĺ¾":149899,"ðĿĻĩ":149900,"ðĿĻī":149901,"ðĿĻĭ":149902,"ðĿĻİ":149903,"ðĿĻĺ":149904,"ðĿĻ¥":149905,"ðĿļĥ":149906,"ðĿļIJ":149907,"ðĿļĶ":149908,"ðĿľĥ":149909,"ðŁĦ·":149910,"ðŁħĿ":149911,"ðŁħ¾":149912,"ðŁĨĤ":149913,"ðŁĨĵ":149914,"ðŁĮĤ":149915,"ðŁĮĨ":149916,"ðŁĮī":149917,"ðŁĮij":149918,"ðŁĮĺ":149919,"ðŁĮ©":149920,"ðŁĮ«":149921,"ðŁį¢":149922,"ðŁį¥":149923,"ðŁİĽ":149924,"ðŁİ¢":149925,"ðŁİ´":149926,"ðŁij¡":149927,"ðŁĴ¾":149928,"ðŁĵŃ":149929,"ðŁĶĪ":149930,"ðŁĶ¦":149931,"ðŁĶ²":149932,"ðŁĶ³":149933,"ðŁķĵ":149934,"ðŁķķ":149935,"ðŁķĺ":149936,"ðŁķŁ":149937,"ðŁķ·":149938,"ðŁĹ³":149939,"ðŁļĦ":149940,"ðŁļĶ":149941,"ðŁļĸ":149942,"ðŁĽIJ":149943,"ðŁĽ¤":149944,"ðŁĽ¸":149945,"ðŁł":149946,"ðŁł³":149947,"ðŁ¤¹":149948,"ðŁ¥ĥ":149949,"ðŁ¥¨":149950,"ðŁ¥ª":149951,"ðŁ¥¾":149952,"ðŁ¦ĥ":149953,"ðŁ¦Ĵ":149954,"ðŁ¦Ļ":149955,"ðŁ¦¶":149956,"ðŁ§ł":149957,"ðŁ§ª":149958,"ðŁ§Ń":149959,"ðŁ§²":149960,"ð£·":149961,"ð£·Ń":149962,"ð¦ĺ":149963,"ð¦ĺĴ":149964,"Æij":149965,"ÇĻ":149966,"È®":149967,"Øł":149968,"ÚĦ":149969,"ÜĢ":149970,"ߢ":149971,"áīĢ":149972,"áĬIJ":149973,"áİł":149974,"áºŀ":149975,"ëĪŀ":149976,"ëķŁ":149977,"ë£ģ":149978,"ë¤Ĺ":149979,"ìĦ¥":149980,"ìħij":149981,"ìĸIJ":149982,"ìĽĽ":149983,"ì£ķ":149984,"íİı":149985,"íĽĵ":149986,"梁":149987,"ï³Ľ":149988,"ï´«":149989,"ðĸ§":149990,"ðĸ§·":149991,"ðĿķģ":149992,"ðŁIJª":149993,"ðŁĴĪ":149994,"ðŁĵł":149995,"ðŁķĽ":149996,"ðŁķ´":149997,"ÑĿ":149998,"ÓĬ":149999,"ॲ":150000,"પ":150001,"áĥ¤":150002,"áįIJ":150003,"ᶰ":150004,"á¼Ŀ":150005,"Ὡ":150006,"âĭĭ":150007,"âĴ½":150008,"âĻ¾":150009,"â½Ķ":150010,"⾯":150011,"ãĦĴ":150012,"ãħļ":150013,"ëIJį":150014,"ë·ģ":150015,"ìĭĢ":150016,"ìļĿ":150017,"쥰":150018,"캴":150019,"íĭī":150020,"íĿ½":150021,"ï¦Ģ":150022,"樂":150023,"ï§ħ":150024,"ï§ĵ":150025,"ïŃ¯":150026,"ï®Ĩ":150027,"ðIJ¤ķ":150028,"ðĿIJŁ":150029,"ðĿĴħ":150030,"ðĿĵľ":150031,"ðĿĶ°":150032,"ðĿĶ»":150033,"ðĿĺį":150034,"ðĿĻ¯":150035,"ðŁĦ½":150036,"ðŁħĤ":150037,"ðŁħĶ":150038,"ðŁħ½":150039,"ðŁĵ´":150040,"ðŁ§ĸ":150041,"ÓĴ":150042,"Ḳ":150043,"ëī¼":150044,"Çı":150045,"Èĵ":150046,"ʸ":150047,"ÕĤ":150048,"Ûħ":150049,"ß¡":150050,"ߣ":150051,"ய":150052,"à°Ī":150053,"ಸ":150054,"ຮ":150055,"à¼ķ":150056,"áĢİ":150057,"áĨ¡":150058,"áIJĭ":150059,"áIJķ":150060,"áij¯":150061,"áŀĨ":150062,"á¨ķ":150063,"á©Ī":150064,"âģħ":150065,"âĨļ":150066,"âĶİ":150067,"âł©":150068,"â²Ĥ":150069,"â²Ķ":150070,"Ⲩ":150071,"ãĬļ":150072,"íĵ²":150073,"ðĿijĪ":150074,"ðĿij¬":150075,"ðĿij¹":150076,"ðĿĴ¾":150077,"ðĿĵ±":150078,"ðĿĵ½":150079,"ðĿķ¯":150080,"ðĿķ»":150081,"ðĿĺ½":150082,"ðĿļĨ":150083,"ðŁĦ°":150084,"ðŁIJ¨":150085,"Òķ":150086,"à²ħ":150087,"ï¨Ĩ":150088,"ðĿij°":150089,"ðŁĦ¸":150090,"Ôİ":150091,"Øį":150092,"Ùµ":150093,"ಶ":150094,"áĢĪ":150095,"áĺĹ":150096,"᳸":150097,"á¡¡":150098,"ᨲ":150099,"á©ģ":150100,"á´·":150101,"ᵧ":150102,"âķ¨":150103,"âļģ":150104,"â¾Ŀ":150105,"ãĢ¼":150106,"ãĦı":150107,"êĴ«":150108,"ꦥ":150109,"ꦩ":150110,"ꦲ":150111,"ìĺ¼":150112,"íĵIJ":150113,"ðĵĩ":150114,"ðĵĩ¼":150115,"ðĿķ¿":150116,"ðŁĽ´":150117,"먾":150118,"ವ":150119,"à´İ":150120,"à¼Ģ":150121,"âĩĸ":150122,"ãĪ«":150123,"âĵĢ":150124,"áħ´":150125,"áļ¾":150126,"áĽŀ":150127,"Ἣ":150128,"ᥴ":150129,"âĨĽ":150130,"âĨ¶":150131,"âĩ¤":150132,"âķŁ":150133,"âĺ·":150134,"âļIJ":150135,"ðŁ§´":150136,"á¹³":150137,"âĶį":150138,"âĶĴ":150139,"âĶ©":150140,"âĶ¦":150141,"â¾µ":150142,"àªľ":150143,"ત":150144,"âĩĻ":150145,"âĶ±":150146,"âķĢ":150147,"â½Ĭ":150148,"ï½Ł":150149,"ଡ":150150,"ðł®":150151,"ðł®·":150152,"âķĥ":150153,"â°Ķ":150154,"ãĬ¦":150155,"ðŁİIJ":150156,"ãĩ°":150157,"â¼Ŀ":150158,"â¾Ķ":150159,"â½Ĵ":150160,"âłĴ":150161,"都":150162,"ï©Ĵ":150163,"免":150164,"ï©ĸ":150165,"ðĵı¸":150166,"ãĮĥ":150167,"ðĸ¤":150168,"ðĸ¤IJ":150169,"ï¦Ń":150170,"âĬħ":150171,"â¾³":150172,"ä´¥":150173,"ï©ķ":150174,"ðŁĮĶ":150175,"áŀĭ":150176,"âļį":150177,"â¼ĭ":150178,"ãİĺ":150179,"ðIJĮ²":150180,"É©":150181,"áİij":150182,"âĨ®":150183,"âĩĥ":150184,"âļİ":150185,"ãĩ±":150186,"ãĭ©":150187,"ãĮ¶":150188,"êĻª":150189,"ëݬ":150190,"ï¨IJ":150191,"ï¨Ľ":150192,"ï©Ĭ":150193,"ï©į":150194,"ðĵħ":150195,"ðĵħº":150196,"Ï¡":150197,"Èij":150198,"ÉĤ":150199,"Ôĵ":150200,"ßİ":150201,"à´§":150202,"áĢī":150203,"áĢĭ":150204,"áĢij":150205,"áĢł":150206,"áļĻ":150207,"á¨Ħ":150208,"ᨩ":150209,"ᨹ":150210,"á©ĵ":150211,"ᬾ":150212,"á´Ļ":150213,"áµij":150214,"âĤŃ":150215,"âĨ°":150216,"âľģ":150217,"â½IJ":150218,"ãĭ¯":150219,"ãĮ½":150220,"íĨ¢":150221,"錄":150222,"ðŁĤ":150223,"ðŁĤ»":150224,"ÈĴ":150225,"ͺ":150226,"Ô¥":150227,"Õij":150228,"Ú¶":150229,"à§İ":150230,"ථ":150231,"àºĸ":150232,"àºľ":150233,"ຽ":150234,"áĥ»":150235,"áħ¯":150236,"áĭŀ":150237,"áĸķ":150238,"á´Ī":150239,"á¶Ĩ":150240,"Ḿ":150241,"á¹¼":150242,"Ῠ":150243,"âĦĭ":150244,"âĦŃ":150245,"âĪ±":150246,"âĮĵ":150247,"âĶĩ":150248,"âĶ¢":150249,"â±®":150250,"â²Ħ":150251,"ãĩ¾":150252,"ãĪ¬":150253,"븡":150254,"ìIJī":150255,"íĻĽ":150256,"ðĿķª":150257,"ƹ":150258,"Ͳ":150259,"Óģ":150260,"Û¼":150261,"ফ":150262,"áħŁ":150263,"áīĨ":150264,"áįĪ":150265,"áºĸ":150266,"á½ī":150267,"âĶ¸":150268,"⽩":150269,"êľ":150270,"êľ¥":150271,"êµħ":150272,"ëĤĶ":150273,"ëĦł":150274,"ëĩĹ":150275,"ëĻĿ":150276,"ìļ¯":150277,"ìļ·":150278,"ìŁĽ":150279,"ì·IJ":150280,"íŁ¬":150281,"íŁ®":150282,"íŁ°":150283,"ï¦Ĩ":150284,"鈴":150285,"ï²ŀ":150286,"ﳤ":150287,"ï³¥":150288,"ðIJĮ¸":150289,"ðĿĶı":150290,"ðĿķ®":150291,"ðĿĺ£":150292,"à¦Ī":150293,"âıı":150294,"ãĦĸ":150295,"ê²ĩ":150296,"ëĸĺ":150297,"ëľ·":150298,"ëŀĴ":150299,"ë¡ĵ":150300,"ë¢ī":150301,"ë£ĥ":150302,"ë§ĭ":150303,"ë²ĭ":150304,"ìĤ·":150305,"ìĪķ":150306,"ìĮ¨":150307,"ìĵ»":150308,"ìĸĬ":150309,"ìĻ¬":150310,"ìĿ»":150311,"ì¦ģ":150312,"쵤":150313,"ì·ĥ":150314,"íĢľ":150315,"íħī":150316,"íįł":150317,"íıħ":150318,"íij±":150319,"íķķ":150320,"íĸł":150321,"íĿķ":150322,"ÆĻ":150323,"Æļ":150324,"Æŀ":150325,"Çĥ":150326,"ÇĬ":150327,"Çľ":150328,"Ǥ":150329,"ÇŃ":150330,"ǹ":150331,"ÈĢ":150332,"Èģ":150333,"Èħ":150334,"Èī":150335,"ÈĹ":150336,"ÈŁ":150337,"Ȥ":150338,"È¥":150339,"Ȩ":150340,"ȵ":150341,"Ⱥ":150342,"È»":150343,"ÉĮ":150344,"É®":150345,"Êħ":150346,"Ê¥":150347,"ʨ":150348,"Ëĵ":150349,"ËĶ":150350,"Ëł":150351,"Ë£":150352,"˸":150353,"Í´":150354,"ÏĹ":150355,"Ïĺ":150356,"ÏĻ":150357,"Ïļ":150358,"ÏĿ":150359,"Ϩ":150360,"Ϭ":150361,"Ͼ":150362,"Ï¿":150363,"Ѫ":150364,"ÒĢ":150365,"Òľ":150366,"Ò¼":150367,"Ò½":150368,"ÓĤ":150369,"Óħ":150370,"Óĩ":150371,"Óį":150372,"Óĸ":150373,"ÓŁ":150374,"Ó«":150375,"Ó±":150376,"ÔĨ":150377,"Ôĩ":150378,"Ôº":150379,"Õĭ":150380,"Öī":150381,"ØĪ":150382,"ØĬ":150383,"ؽ":150384,"ؾ":150385,"Ù·":150386,"ÚĤ":150387,"ÚĬ":150388,"Úĸ":150389,"ÚĹ":150390,"Ú£":150391,"Ú«":150392,"Ú¸":150393,"ÛĢ":150394,"Ûį":150395,"Û½":150396,"Üī":150397,"ܤ":150398,"ݧ":150399,"Ý´":150400,"Þĥ":150401,"Þ¤":150402,"Þ¥":150403,"ßļ":150404,"߼":150405,"ߤ":150406,"àłį":150407,"àłĵ":150408,"àł³":150409,"à¡¢":150410,"à¥ł":150411,"à§ł":150412,"৺":150413,"à¨Ĭ":150414,"à¨IJ":150415,"ਮ":150416,"ਯ":150417,"ਰ":150418,"ਸ":150419,"àªĨ":150420,"ળ":150421,"વ":150422,"ઽ":150423,"à¬Į":150424,"à¬ĺ":150425,"ଽ":150426,"à®ĥ":150427,"ஸ":150428,"à°Ĩ":150429,"à°ķ":150430,"à°¦":150431,"à²Ĩ":150432,"à²Ĭ":150433,"à²Į":150434,"à²IJ":150435,"à²Ľ":150436,"ತ":150437,"ದ":150438,"ಪ":150439,"ಲ":150440,"ಹ":150441,"à´Ĩ":150442,"à´ı":150443,"à´Ĺ":150444,"à´«":150445,"à´¹":150446,"ൺ":150447,"ൽ":150448,"à¶ħ":150449,"à¶Ĭ":150450,"à¶Ķ":150451,"ට":150452,"ණ":150453,"ධ":150454,"à¼Ħ":150455,"à¼ħ":150456,"à¼Ĭ":150457,"à½Ļ":150458,"ཡ":150459,"ཧ":150460,"à¿Ģ":150461,"à¿Ļ":150462,"áĢĿ":150463,"áĢ§":150464,"áĢ©":150465,"áĢ¿":150466,"áģµ":150467,"áĤģ":150468,"áĤ½":150469,"áĥĤ":150470,"áĥª":150471,"áĦĬ":150472,"áĦ¢":150473,"áħ¦":150474,"áħŃ":150475,"áĨ®":150476,"áĨ±":150477,"áĨ»":150478,"áĩ":150479,"áĩĤ":150480,"áĪħ":150481,"áĪī":150482,"áĪĮ":150483,"áĪIJ":150484,"áĪĴ":150485,"áĪĻ":150486,"áĪļ":150487,"áĪľ":150488,"áĪŀ":150489,"áĪ©":150490,"áĪ³":150491,"áĪº":150492,"áĪ½":150493,"áīħ":150494,"áī¢":150495,"áī±":150496,"áī´":150497,"áĬĥ":150498,"áĬį":150499,"áĬĸ":150500,"áĬ®":150501,"áĬ¸":150502,"áĭĽ":150503,"áĭĿ":150504,"áĭ³":150505,"áĮģ":150506,"áĮħ":150507,"áĮ¥":150508,"áĮ¦":150509,"áĮ¨":150510,"áįĬ":150511,"áįį":150512,"áįķ":150513,"áįĸ":150514,"áį¢":150515,"áį¤":150516,"áİĴ":150517,"áݪ":150518,"áıģ":150519,"áıIJ":150520,"áıŁ":150521,"áIJĤ":150522,"áIJĸ":150523,"áIJĿ":150524,"áIJŀ":150525,"áIJŁ":150526,"áIJł":150527,"áijĸ":150528,"áĴĭ":150529,"áĴį":150530,"áĴ¡":150531,"áĵ«":150532,"áĶķ":150533,"áķĭ":150534,"áķij":150535,"áķĻ":150536,"áķļ":150537,"áķĽ":150538,"áķ¤":150539,"áķ¦":150540,"áķ®":150541,"áķ¼":150542,"áĸĵ":150543,"áĹĹ":150544,"áĹ¢":150545,"áĹ¯":150546,"áĹ·":150547,"áĺĦ":150548,"áĺij":150549,"áĽĤ":150550,"áĽĻ":150551,"áŀį":150552,"áłĨ":150553,"áł¡":150554,"᳦":150555,"áł®":150556,"áł¯":150557,"áł²":150558,"áł·":150559,"á¡į":150560,"á¡ŀ":150561,"ᡤ":150562,"á¡´":150563,"ᡵ":150564,"á¤ĵ":150565,"á¥ĸ":150566,"ᥰ":150567,"ᨦ":150568,"ᨧ":150569,"ᨨ":150570,"ᨪ":150571,"ᨬ":150572,"ᨯ":150573,"ᨳ":150574,"ᨵ":150575,"á©ĥ":150576,"á¬ķ":150577,"áŃ£":150578,"á±":150579,"á±ļ":150580,"á²ł":150581,"á´ĵ":150582,"á´¶":150583,"áµĤ":150584,"áµĮ":150585,"áµ¥":150586,"áµ´":150587,"á¶ĩ":150588,"á¸Ī":150589,"ḳ":150590,"ḧ":150591,"Ḵ":150592,"Ḿ":150593,"á¹Ģ":150594,"á¹ĸ":150595,"á¹Ł":150596,"á¹ł":150597,"ṫ":150598,"á¹±":150599,"á¹·":150600,"ṿ":150601,"áºĦ":150602,"áºį":150603,"áºij":150604,"áºĹ":150605,"á¼ī":150606,"á¼ĵ":150607,"á¼Ń":150608,"á½ĭ":150609,"á½Ĵ":150610,"á½ł":150611,"á½£":150612,"á¾Ħ":150613,"á¾ı":150614,"á¾ij":150615,"á¾Ĺ":150616,"ᾦ":150617,"ᾧ":150618,"á¾¾":150619,"á¿Ħ":150620,"á¿ĵ":150621,"á¿¡":150622,"Ῥ":150623,"âģļ":150624,"âĤĮ":150625,"âĦģ":150626,"âĦĶ":150627,"âĦ£":150628,"âĦ§":150629,"âĦ¯":150630,"âĦ°":150631,"âĦ´":150632,"âħħ":150633,"âĨľ":150634,"âĨ«":150635,"âĨŃ":150636,"âĨ±":150637,"âĨ¹":150638,"âĨ½":150639,"âĩĩ":150640,"âĩľ":150641,"âĩµ":150642,"âĪī":150643,"âĪĬ":150644,"âĪĸ":150645,"âĪľ":150646,"âĪ¾":150647,"âīĢ":150648,"âīĭ":150649,"âīĮ":150650,"âīĵ":150651,"âīľ":150652,"âī´":150653,"âī¿":150654,"âĬĬ":150655,"âĬĭ":150656,"âĬĶ":150657,"âĬĸ":150658,"âĬ£":150659,"âĬ¦":150660,"âĭİ":150661,"âĭª":150662,"âĭ²":150663,"âĮ¦":150664,"âĮ§":150665,"âįº":150666,"âİĪ":150667,"âݨ":150668,"âݬ":150669,"âݳ":150670,"âݼ":150671,"âݾ":150672,"âıĮ":150673,"âıļ":150674,"âı«":150675,"âı¯":150676,"âıµ":150677,"âĴľ":150678,"âĴĿ":150679,"âĴ«":150680,"âĵĦ":150681,"âĵĬ":150682,"âĵĻ":150683,"âĵ©":150684,"âĶij":150685,"âĶĻ":150686,"âĶļ":150687,"âĶ¥":150688,"âķħ":150689,"âķī":150690,"âķį":150691,"âķı":150692,"âķŀ":150693,"âĸļ":150694,"âĸ¯":150695,"âĹĥ":150696,"âĹļ":150697,"âŬ":150698,"âĹ´":150699,"âĺĪ":150700,"âĺ¤":150701,"âĺ¥":150702,"âĺ§":150703,"âĺ¬":150704,"âĻģ":150705,"âĻ±":150706,"âļĥ":150707,"âļĦ":150708,"âļħ":150709,"âļı":150710,"âļļ":150711,"âļŀ":150712,"âļŁ":150713,"âļ±":150714,"âļ²":150715,"âľĢ":150716,"⾣":150717,"âľ¢":150718,"âĿµ":150719,"âŁ¡":150720,"⣦":150721,"⣧":150722,"âŁ³":150723,"âŁ¾":150724,"âŁ¿":150725,"âłĩ":150726,"â¤Ħ":150727,"⤺":150728,"â¥Ĥ":150729,"⥹":150730,"â§ī":150731,"⧼":150732,"⧽":150733,"â¨į":150734,"â¬Ĭ":150735,"⬣":150736,"âŃŀ":150737,"â®ŀ":150738,"⮳":150739,"â¯Ī":150740,"â¯ij":150741,"ⱳ":150742,"â±±":150743,"â²Ń":150744,"â´¹":150745,"âµķ":150746,"⸾":150747,"⺫":150748,"â¼Ĩ":150749,"â¼ł":150750,"â½Ł":150751,"â½¼":150752,"â¾Ľ":150753,"⾧":150754,"â¿ĥ":150755,"â¿»":150756,"ãĤķ":150757,"ãĤŁ":150758,"ãĦĽ":150759,"ãĦ¡":150760,"ãĦ¶":150761,"ãĦº":150762,"ãħĴ":150763,"ãħŁ":150764,"ãĨĢ":150765,"ãĩ»":150766,"ãĪij":150767,"ãĪŃ":150768,"ãĪ®":150769,"ãĪ³":150770,"ãĪ¹":150771,"ãī¥":150772,"ãī¦":150773,"ãī¹":150774,"ãī¿":150775,"ãĬŀ":150776,"ãĬ¨":150777,"ãĭij":150778,"ãĭ¥":150779,"ãĭ´":150780,"ãĭº":150781,"ãİĦ":150782,"ãİķ":150783,"ãݯ":150784,"ãıĤ":150785,"ãıĪ":150786,"ãıĵ":150787,"ãıĸ":150788,"ãı±":150789,"ãIJ±":150790,"ãŁģ":150791,"ã¢":150792,"㢨":150793,"ã¨":150794,"㨳":150795,"㫪":150796,"ã«´":150797,"㶳":150798,"㺾":150799,"äĢ":150800,"äĢĢ":150801,"äĭ":150802,"äĭĮ":150803,"äĮĢ":150804,"äIJĢ":150805,"äłĢ":150806,"äł":150807,"äł¼":150808,"ä§":150809,"ä§ŀ":150810,"䨰":150811,"䨺":150812,"ä´Ģ":150813,"ä·":150814,"ä·ħ":150815,"ä·¸":150816,"êĤ":150817,"êĤ«":150818,"êĮ":150819,"êĮ¼":150820,"êį":150821,"êį²":150822,"êĴµ":150823,"êĵ":150824,"êĵ½":150825,"êĻŃ":150826,"êĿĽ":150827,"êĿ¥":150828,"êŀ":150829,"êŀĬ":150830,"ê¦Ĩ":150831,"ê¦ĩ":150832,"ê¦Ł":150833,"ꦨ":150834,"ê§Ī":150835,"ê©":150836,"ê©Ł":150837,"êªĭ":150838,"êªij":150839,"êªķ":150840,"êªĹ":150841,"êªľ":150842,"ꪮ":150843,"ꪱ":150844,"ꪻ":150845,"ꪼ":150846,"ê«Ģ":150847,"ê«Ŀ":150848,"ê°ĥ":150849,"ê°ĺ":150850,"ê±ľ":150851,"ê²ĵ":150852,"ê²ļ":150853,"ê³Ļ":150854,"ê³¾":150855,"ê´Ĺ":150856,"ê´Ļ":150857,"êµĽ":150858,"ê¶ĥ":150859,"ê¶ķ":150860,"궨":150861,"긩":150862,"긿":150863,"ê¹Ħ":150864,"ê¹Ĩ":150865,"ê¹ī":150866,"ê¹ĵ":150867,"ê¹¢":150868,"ê¹£":150869,"깸":150870,"꺳":150871,"ê¿ı":150872,"ê¿ķ":150873,"꿧":150874,"ëĢ©":150875,"ëģħ":150876,"ëĥµ":150877,"ëĦĸ":150878,"ëĦĹ":150879,"ëĦ¢":150880,"ëħĤ":150881,"ëĨIJ":150882,"ëĩľ":150883,"ëĪĭ":150884,"ëĪļ":150885,"ëīį":150886,"ëī¨":150887,"ëĬļ":150888,"ëĬ¡":150889,"ëĭľ":150890,"ëĭª":150891,"ëĮĺ":150892,"ëĮ¤":150893,"ëĮ¸":150894,"ëİŁ":150895,"ëı¨":150896,"ëIJĦ":150897,"ëIJı":150898,"ëIJ´":150899,"ëIJ¸":150900,"ëijģ":150901,"ëij¿":150902,"ëĴ¨":150903,"ëĵ·":150904,"ëĶ®":150905,"ëĶ²":150906,"ëķ§":150907,"ëĸĶ":150908,"ëĸª":150909,"ëĺŃ":150910,"ëļĢ":150911,"ëļł":150912,"ëĽĶ":150913,"뼩":150914,"ëľħ":150915,"ëŀķ":150916,"ëŀ°":150917,"ëŁIJ":150918,"ëł¡":150919,"ë¡ŀ":150920,"ë¡£":150921,"롵":150922,"ë£Ħ":150923,"ë£į":150924,"뤳":150925,"ë¦į":150926,"ë¦ı":150927,"릳":150928,"ë§Ħ":150929,"ë§Ĩ":150930,"ë§į":150931,"맾":150932,"맫":150933,"맻":150934,"먮":150935,"ë©Ĥ":150936,"ë©Ń":150937,"몴":150938,"묾":150939,"묳":150940,"묫":150941,"묾":150942,"ëѬ":150943,"ë®ĺ":150944,"뮹":150945,"ë¯ķ":150946,"ë¯ľ":150947,"ë°¨":150948,"ë°ª":150949,"ë±Ķ":150950,"ë²ĺ":150951,"ë²Ľ":150952,"ë²±":150953,"ë²´":150954,"ë´½":150955,"뵤":150956,"뵨":150957,"ë·Ĺ":150958,"ë·ĺ":150959,"ë¸ĵ":150960,"븾":150961,"빪":150962,"ëºĥ":150963,"ëºĺ":150964,"뺵":150965,"ë»´":150966,"ë¼IJ":150967,"ë¾Ķ":150968,"ìģŃ":150969,"ìĤł":150970,"ìĤ®":150971,"ìĥı":150972,"ìĥĻ":150973,"ìĦº":150974,"ìħ¢":150975,"ìĨĢ":150976,"ìĨħ":150977,"ìĨ¤":150978,"ìĨ¦":150979,"ìĨ¬":150980,"ìĩ±":150981,"ìĪµ":150982,"ìĭ¨":150983,"ìĭ´":150984,"ìĮ°":150985,"ìįľ":150986,"ìİĹ":150987,"ìİĺ":150988,"ìݼ":150989,"ìijī":150990,"ìijĿ":150991,"ìij»":150992,"ìĴĶ":150993,"ìĴ¯":150994,"ìĵ©":150995,"ìķIJ":150996,"ìķĸ":150997,"ìĸł":150998,"ìĸ¾":150999,"ìĹĥ":151000,"ìĹĹ":151001,"ìĹľ":151002,"ìŨ":151003,"ìĺĤ":151004,"ìĺĦ":151005,"ìĺı":151006,"ìĺ¾":151007,"ìĺ¿":151008,"ìľ§":151009,"ìĿIJ":151010,"ìĿĸ":151011,"ìĿ·":151012,"ìŀį":151013,"ìŀı":151014,"ìŀ¨":151015,"ìŀª":151016,"ìŀ³":151017,"ìł¡":151018,"ìł´":151019,"ìł¹":151020,"ì¡Ģ":151021,"졪":151022,"졵":151023,"ì¢IJ":151024,"좨":151025,"ì£Į":151026,"ì£Ļ":151027,"죳":151028,"ì¦ij":151029,"짥":151030,"짴":151031,"짾":151032,"ì¨ĵ":151033,"ì¨ķ":151034,"ì©°":151035,"ì©»":151036,"쩼":151037,"ìªĹ":151038,"ì¬Ķ":151039,"ì¬ĺ":151040,"ì®®":151041,"ì¯ķ":151042,"ì¯ĺ":151043,"ì°İ":151044,"ì°¯":151045,"ì±ĥ":151046,"ì±µ":151047,"첧":151048,"ì²®":151049,"첯":151050,"쳬":151051,"ì´ĭ":151052,"ì´¢":151053,"ìµ¥":151054,"춣":151055,"ì¸Ī":151056,"ì¸Ļ":151057,"캤":151058,"ìºŃ":151059,"컽":151060,"ì¼Ļ":151061,"콬":151062,"ì¾Ģ":151063,"ì¿ħ":151064,"쿽":151065,"íĢħ":151066,"íģ¦":151067,"íĤħ":151068,"íĥ¶":151069,"íĥ¹":151070,"íĦĶ":151071,"íħ£":151072,"íĨĦ":151073,"íĨ§":151074,"íĨ¹":151075,"íĩ¼":151076,"íī¤":151077,"íĬ½":151078,"íĭĤ":151079,"íĭij":151080,"íįĪ":151081,"íįĻ":151082,"íį¿":151083,"íݶ":151084,"íIJĿ":151085,"íĴľ":151086,"íĵĿ":151087,"íĵª":151088,"íĵ±":151089,"íĵ·":151090,"íĵ¼":151091,"íĶĻ":151092,"íĶł":151093,"íķļ":151094,"íķĽ":151095,"íķŀ":151096,"íķŁ":151097,"íķ§":151098,"íķ¶":151099,"íĸĬ":151100,"íĸĭ":151101,"íĸį":151102,"íĸĶ":151103,"íĸĺ":151104,"íĸ¡":151105,"íĸ¬":151106,"íĹ£":151107,"íĹ¿":151108,"íĺĸ":151109,"íĺŃ":151110,"íļ°":151111,"íĽį":151112,"íĽ½":151113,"íĿŁ":151114,"íĿŃ":151115,"íĿ´":151116,"íŀľ":151117,"ï¤ī":151118,"ï¤Ń":151119,"爐":151120,"蘆":151121,"祿":151122,"ï¥Ģ":151123,"ï¥ij":151124,"ï¥Ĵ":151125,"ï¥ķ":151126,"ï¥ĺ":151127,"ï¥Ļ":151128,"參":151129,"塞":151130,"殺":151131,"勵":151132,"ï¦ĭ":151133,"ï¦ı":151134,"ï¦Ķ":151135,"ï¦ĸ":151136,"ï¦ĺ":151137,"ï¦Ľ":151138,"ï¦ł":151139,"瑩":151140,"羚":151141,"了":151142,"僚":151143,"料":151144,"ï§Ĩ":151145,"ï§ĸ":151146,"ï§Ľ":151147,"ï§ŀ":151148,"ï§Ł":151149,"裏":151150,"麟":151151,"狀":151152,"什":151153,"ï¨ĥ":151154,"ï¨ļ":151155,"諸":151156,"ï©Ł":151157,"ﬤ":151158,"שּׁ":151159,"לּ":151160,"ïŃĴ":151161,"ïŃķ":151162,"ïŃĽ":151163,"ïŃĿ":151164,"ïŃŀ":151165,"ïŃŁ":151166,"ïѤ":151167,"ïѧ":151168,"ïѨ":151169,"ïŃ®":151170,"ïŃ°":151171,"ïѱ":151172,"ïŃ·":151173,"ïŃ¹":151174,"ïŃ»":151175,"ï®Ģ":151176,"ï®ĥ":151177,"ï®Ħ":151178,"ï®ħ":151179,"ï®į":151180,"ï®Ĵ":151181,"ï®ĵ":151182,"ï®ķ":151183,"ﮦ":151184,"ï®®":151185,"ï®°":151186,"ï¯ĵ":151187,"ï¯ľ":151188,"ﯩ":151189,"ﯪ":151190,"ﯬ":151191,"ï¯Ń":151192,"ﯮ":151193,"ﯷ":151194,"ﯹ":151195,"ﯻ":151196,"ﯼ":151197,"ï°ĥ":151198,"ï°Į":151199,"ï°IJ":151200,"ï°ĺ":151201,"ï°Ļ":151202,"ï°ľ":151203,"ï°ŀ":151204,"ï°¢":151205,"ï°®":151206,"ï°°":151207,"ï°¼":151208,"ï°¿":151209,"ï±Ģ":151210,"ï±ģ":151211,"ï±Ī":151212,"ï±ĭ":151213,"ï±ı":151214,"ï±Ń":151215,"ï²Ģ":151216,"ï²ĩ":151217,"ï²Ī":151218,"ï²ĭ":151219,"ï²İ":151220,"ï²Ĵ":151221,"ï²ľ":151222,"ï²ł":151223,"ﲬ":151224,"ï²»":151225,"ï³ĩ":151226,"ï³Ķ":151227,"ï³£":151228,"ﳫ":151229,"ï´ĺ":151230,"ï´°":151231,"ï´½":151232,"ï¶":151233,"ﶰ":151234,"ï¸ĸ":151235,"︴":151236,"︹":151237,"ï¹į":151238,"ï¹Ĺ":151239,"ï¹¢":151240,"﹤":151241,"﹩":151242,"ï¹±":151243,"ï¾°":151244,"ï¿Ĥ":151245,"ï¿®":151246,"ðIJĮ°":151247,"ðIJĮ¹":151248,"ðIJĮº":151249,"ðIJĮ½":151250,"ðIJįĤ":151251,"ðIJįĥ":151252,"ðIJįĦ":151253,"ðIJİ":151254,"ðIJݹ":151255,"ðIJ¤Ĥ":151256,"ðIJ¤į":151257,"ðIJ¤ı":151258,"ðIJ¤ĵ":151259,"ðIJŃī":151260,"ðIJŃį":151261,"ðIJ°ĩ":151262,"ðIJ°°":151263,"ðijĤ":151264,"ðijĤĦ":151265,"ðijĺ":151266,"ðijĺģ":151267,"ðĴĢ":151268,"ðĴĢ¸":151269,"ðĴģ":151270,"ðĴģº":151271,"ðĴĦ":151272,"ðĴĦ·":151273,"ðĴĬ":151274,"ðĴĬij":151275,"ðĴĭ":151276,"ðĴĭĹ":151277,"ðĴĮ":151278,"ðĴĮ¨":151279,"ðĵĥ¢":151280,"ðĵĥ°":151281,"ðĸł":151282,"ðĸłļ":151283,"ðĿĦĥ":151284,"ðĿĦħ":151285,"ðĿĦķ":151286,"ðĿĦĻ":151287,"ðĿĦ±":151288,"ðĿĦ´":151289,"ðĿĦ¹":151290,"ðĿħİ":151291,"ðĿħª":151292,"ðĿĨ£":151293,"ðĿĨ³":151294,"ðĿĨ¹":151295,"ðĿĩĬ":151296,"ðĿĩĹ":151297,"ðĿĩļ":151298,"ðĿĩľ":151299,"ðĿĩł":151300,"ðĿIJī":151301,"ðĿIJĸ":151302,"ðĿIJĺ":151303,"ðĿIJ£":151304,"ðĿIJ±":151305,"ðĿijĬ":151306,"ðĿijŃ":151307,"ðĿij¼":151308,"ðĿij½":151309,"ðĿĴ°":151310,"ðĿĴ·":151311,"ðĿĴ¿":151312,"ðĿĵģ":151313,"ðĿĵĭ":151314,"ðĿĵİ":151315,"ðĿĵĴ":151316,"ðĿĵĺ":151317,"ðĿĵ¢":151318,"ðĿĵ¦":151319,"ðĿĵ«":151320,"ðĿĵ¿":151321,"ðĿĶİ":151322,"ðĿĶ±":151323,"ðĿĶ´":151324,"ðĿĶ·":151325,"ðĿĶ¸":151326,"ðĿĶ½":151327,"ðĿķĤ":151328,"ðĿķĥ":151329,"ðĿķĭ":151330,"ðĿķı":151331,"ðĿķIJ":151332,"ðĿķ¥":151333,"ðĿķ´":151334,"ðĿķº":151335,"ðĿĸIJ":151336,"ðĿĸĽ":151337,"ðĿĸĿ":151338,"ðĿĸŀ":151339,"ðĿĹ©":151340,"ðĿĹ³":151341,"ðĿĹ½":151342,"ðĿĺĬ":151343,"ðĿĺĭ":151344,"ðĿĺĶ":151345,"ðĿĺ±":151346,"ðĿĺ´":151347,"ðĿĺ¿":151348,"ðĿĻĴ":151349,"ðĿĻĿ":151350,"ðĿĻŁ":151351,"ðĿĻ¬":151352,"ðĿĻŃ":151353,"ðĿĻ»":151354,"ðĿĻ¾":151355,"ðĿļĪ":151356,"ðĿļĭ":151357,"ðĿļij":151358,"ðĿļŁ":151359,"ðĿļł":151360,"ðĿļ£":151361,"ðĿĽ½":151362,"ðĿľĤ":151363,"ðĿľĶ":151364,"ðĿľĻ":151365,"ðŁĢ":151366,"ðŁĢĦ":151367,"ðŁĦ²":151368,"ðŁĦ¶":151369,"ðŁħIJ":151370,"ðŁħĸ":151371,"ðŁħļ":151372,"ðŁħĽ":151373,"ðŁħ¦":151374,"ðŁħ¶":151375,"ðŁħ»":151376,"ðŁħ¼":151377,"ðŁĨĥ":151378,"ðŁĨĨ":151379,"ðŁĨİ":151380,"ðŁĪ¯":151381,"ðŁĪ²":151382,"ðŁĪ¹":151383,"ðŁĮĩ":151384,"ðŁĮĵ":151385,"ðŁįĺ":151386,"ðŁİij":151387,"ðŁİ¿":151388,"ðŁıı":151389,"ðŁıĴ":151390,"ðŁı©":151391,"ðŁı¯":151392,"ðŁIJĢ":151393,"ðŁijĿ":151394,"ðŁĴ¹":151395,"ðŁĴº":151396,"ðŁĵŁ":151397,"ðŁĵª":151398,"ðŁĵ¼":151399,"ðŁĶĢ":151400,"ðŁĶĤ":151401,"ðŁĶĥ":151402,"ðŁĶĩ":151403,"ðŁĶĵ":151404,"ðŁĶ¢":151405,"ðŁĶ¤":151406,"ðŁĶ©":151407,"ðŁķĸ":151408,"ðŁķļ":151409,"ðŁķľ":151410,"ðŁķĿ":151411,"ðŁķŀ":151412,"ðŁķł":151413,"ðŁķ¢":151414,"ðŁķ³":151415,"ðŁĸĩ":151416,"ðŁĸij":151417,"ðŁĸ¶":151418,"ðŁĹģ":151419,"Ѩ":151420,"Úİ":151421,"á¡Į":151422,"Ḱ":151423,"áºĢ":151424,"á¼®":151425,"á½Ŀ":151426,"âĦ¬":151427,"âļ§":151428,"⼤":151429,"㳬":151430,"êĻĭ":151431,"ê¸ij":151432,"ëĶī":151433,"ëĹį":151434,"ë¡ij":151435,"ë¯ij":151436,"ë»ħ":151437,"ë¼Ŀ":151438,"ìĦIJ":151439,"ìī¡":151440,"ìĭ²":151441,"ìı±":151442,"ìŤ":151443,"ìĿ©":151444,"ìĿ¿":151445,"ìŁĻ":151446,"ìł°":151447,"ì¥ī":151448,"íĬŃ":151449,"íķ®":151450,"ï®ı":151451,"ðŁħ±":151452,"ðŁĨĴ":151453,"ðŁķĭ":151454,"Éĺ":151455,"Êĵ":151456,"Õĥ":151457,"à´´":151458,"à½ħ":151459,"áĨº":151460,"áĪĬ":151461,"áĪ¨":151462,"áĪ¾":151463,"áīIJ":151464,"áĮĥ":151465,"áĮ½":151466,"áĶŃ":151467,"áłĤ":151468,"ᳬ":151469,"ᨸ":151470,"á©ĭ":151471,"á¶ı":151472,"á¾Ķ":151473,"á¿IJ":151474,"á¿ļ":151475,"âĻĻ":151476,"âļĤ":151477,"âļĹ":151478,"â¡¢":151479,"⤦":151480,"ëĸ°":151481,"ë¤Ĥ":151482,"맳":151483,"ë±ĭ":151484,"ë±IJ":151485,"ìĽ¢":151486,"ìľ¾":151487,"ì³ħ":151488,"ì»ģ":151489,"íģ»":151490,"íĥĻ":151491,"íĵĸ":151492,"íĵŃ":151493,"íķ±":151494,"íĽľ":151495,"ï¤ħ":151496,"ï¤Ĩ":151497,"ï¦ĥ":151498,"里":151499,"ï¨Ĥ":151500,"ðIJ¤Ķ":151501,"ðIJŃĵ":151502,"ðIJ°¼":151503,"ðĿĵŀ":151504,"ðĿĵ°":151505,"ðĿĻľ":151506,"ðĿļģ":151507,"ðŁħ¢":151508,"ðŁıĩ":151509,"Ȳ":151510,"ʶ":151511,"ÔĪ":151512,"Ôij":151513,"Ýĵ":151514,"Ý¥":151515,"à¤ij":151516,"ॱ":151517,"à¬ī":151518,"à°³":151519,"à°µ":151520,"à²Ł":151521,"áĢı":151522,"áģ¼":151523,"áī¨":151524,"áĬĴ":151525,"áĭ©":151526,"áĮĦ":151527,"áĮĶ":151528,"áIJ§":151529,"áĴĮ":151530,"áĶħ":151531,"áĶĬ":151532,"áłĦ":151533,"á¨ģ":151534,"á¸ĥ":151535,"ḻ":151536,"âĶŀ":151537,"âĺµ":151538,"âļ£":151539,"â²¢":151540,"ãĪª":151541,"䶵":151542,"ê²Ļ":151543,"ê²´":151544,"ê³Ĥ":151545,"롼":151546,"ìĨĬ":151547,"ì¼ĩ":151548,"íĭį":151549,"íĵ¬":151550,"íĵ®":151551,"íĵ¶":151552,"íĵ»":151553,"臘":151554,"ï¥ł":151555,"辰":151556,"ïŃ²":151557,"ðIJŃĬ":151558,"ðIJ±ħ":151559,"ðĸ¥":151560,"ðĸ¥¨":151561,"ðĿij³":151562,"ðĿĵķ":151563,"ðĿĵ¬":151564,"ðĿĵ¹":151565,"ðĿĵ¾":151566,"ðĿĶĵ":151567,"ðĿķį":151568,"ðĿķ¡":151569,"ðĿķ±":151570,"ðĿĸĸ":151571,"ðĿĺı":151572,"ðĿĺIJ":151573,"ðĿĺļ":151574,"ðĿĻ®":151575,"ðĿĻ°":151576,"ðĿĻ¸":151577,"ðĿĻº":151578,"ðĿĻ¼":151579,"ðĿĻ½":151580,"ðĿĻ¿":151581,"ðĿļĦ":151582,"ðĿļı":151583,"ðŁħħ":151584,"ðŁħĵ":151585,"ÆĪ":151586,"àłĮ":151587,"áĻ³":151588,"áļĮ":151589,"áĽħ":151590,"áĽIJ":151591,"á¤Ĭ":151592,"á¸Ĭ":151593,"âĶ½":151594,"âķĬ":151595,"âĽĩ":151596,"âĽı":151597,"âĿª":151598,"âĿ«":151599,"⣰":151600,"ãĦį":151601,"ãĦĵ":151602,"ãĦ§":151603,"ãħĸ":151604,"ãī«":151605,"ê¦Ķ":151606,"ï±Ĭ":151607,"àºĤ":151608,"áħ£":151609,"á¥Ķ":151610,"ᥤ":151611,"âĨ¤":151612,"âĨ·":151613,"âĩŀ":151614,"âĸ¤":151615,"âŀ¶":151616,"ãĪ¼":151617,"嘆":151618,"ðĵı§":151619,"âĶ²":151620,"âĢ´":151621,"âĴŁ":151622,"âĴ¡":151623,"â°Ĥ":151624,"â°į":151625,"â°İ":151626,"â°IJ":151627,"â°ij":151628,"â°Ł":151629,"â°ł":151630,"â°¡":151631,"â¼Ń":151632,"ãĬ¥":151633,"âĴł":151634,"⽺":151635,"ãĩº":151636,"ãĩ½":151637,"ï¨Ĭ":151638,"áķ·":151639,"âį¨":151640,"âºŁ":151641,"â½Ĺ":151642} ================================================ FILE: configs/t5_old/config.json ================================================ { "architectures": [ "T5WithLMHeadModel" ], "d_ff": 65536, "d_kv": 128, "d_model": 1024, "decoder_start_token_id": 0, "dropout_rate": 0.1, "eos_token_id": 1, "initializer_factor": 1.0, "is_encoder_decoder": true, "layer_norm_epsilon": 1e-06, "model_type": "t5", "n_positions": 512, "num_heads": 128, "num_layers": 24, "output_past": true, "pad_token_id": 0, "relative_attention_num_buckets": 32, "task_specific_params": { "summarization": { "early_stopping": true, "length_penalty": 2.0, "max_length": 200, "min_length": 30, "no_repeat_ngram_size": 3, "num_beams": 4, "prefix": "summarize: " }, "translation_en_to_de": { "early_stopping": true, "max_length": 300, "num_beams": 4, "prefix": "translate English to German: " }, "translation_en_to_fr": { "early_stopping": true, "max_length": 300, "num_beams": 4, "prefix": "translate English to French: " }, "translation_en_to_ro": { "early_stopping": true, "max_length": 300, "num_beams": 4, "prefix": "translate English to Romanian: " } }, "vocab_size": 32128 } ================================================ FILE: configs/t5_old/tokenizer.json ================================================ {"version":"1.0","truncation":null,"padding":null,"added_tokens":[{"id":0,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":1,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":2,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32000,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32001,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32002,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32003,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32004,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32005,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32006,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32007,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32008,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32009,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32010,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32011,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32012,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32013,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32014,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32015,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32016,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32017,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32018,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32019,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32020,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32021,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32022,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32023,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32024,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32025,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32026,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32027,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32028,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32029,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32030,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32031,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32032,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32033,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32034,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32035,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32036,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32037,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32038,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32039,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32040,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32041,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32042,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32043,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32044,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32045,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32046,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32047,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32048,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32049,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32050,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32051,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32052,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32053,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32054,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32055,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32056,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32057,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32058,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32059,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32060,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32061,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32062,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32063,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32064,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32065,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32066,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32067,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32068,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32069,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32070,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32071,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32072,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32073,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32074,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32075,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32076,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32077,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32078,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32079,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32080,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32081,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32082,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32083,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32084,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32085,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32086,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32087,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32088,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32089,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32090,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32091,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32092,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32093,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32094,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32095,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32096,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32097,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32098,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false},{"id":32099,"special":true,"content":"","single_word":false,"lstrip":false,"rstrip":false,"normalized":false}],"normalizer":{"type":"Precompiled","precompiled_charsmap":"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"},"pre_tokenizer":{"type":"Sequence","pretokenizers":[{"type":"WhitespaceSplit"},{"type":"Metaspace","replacement":"▁","str_rep":"▁","add_prefix_space":true}]},"post_processor":{"type":"TemplateProcessing","single":[{"Sequence":{"id":"A","type_id":0}},{"SpecialToken":{"id":"","type_id":0}}],"pair":[{"Sequence":{"id":"A","type_id":0}},{"SpecialToken":{"id":"","type_id":0}},{"Sequence":{"id":"B","type_id":0}},{"SpecialToken":{"id":"","type_id":0}}],"special_tokens":{"":{"id":"","ids":[1],"tokens":[""]}}},"decoder":{"type":"Metaspace","replacement":"▁","str_rep":"▁","add_prefix_space":true},"model":{"unk_id":2,"vocab":[["",0.0],["",0.0],["",0.0],["▁",-2.0122928619384766],["X",-2.486478805541992],[".",-3.5449328422546387],[",",-3.649247407913208],["s",-3.9033992290496826],["▁the",-3.9598512649536133],["a",-4.097104549407959],[":",-4.414328098297119],["▁and",-4.420670986175537],["▁to",-4.4523234367370605],["▁of",-4.572070121765137],["▁fill",-4.575019836425781],["e",-4.674920082092285],["▁in",-4.812063694000244],["t",-5.063905715942383],["-",-5.129043102264404],["▁is",-5.283425331115723],["▁de",-5.344141960144043],["▁for",-5.3930158615112305],["’",-5.4228339195251465],["i",-5.469857692718506],["▁that",-5.576240539550781],["▁you",-5.596375465393066],["d",-5.6047282218933105],["▁I",-5.6640448570251465],["▁with",-5.703730583190918],["n",-5.737886905670166],["▁on",-5.784142971038818],["'",-5.828996181488037],["o",-5.925558090209961],["▁are",-5.931313991546631],["▁it",-5.939518928527832],["en",-5.9465556144714355],["▁be",-5.9556708335876465],["▁The",-5.990020751953125],["▁as",-6.057407379150391],["▁your",-6.132311820983887],["l",-6.139498710632324],["▁(",-6.184796333312988],["▁or",-6.241950035095215],["▁have",-6.27459192276001],["▁at",-6.327472686767578],["▁from",-6.349645137786865],["▁an",-6.350090980529785],["▁was",-6.350385665893555],["▁this",-6.352563381195068],["er",-6.3604278564453125],["▁la",-6.3624043464660645],["m",-6.375206470489502],["r",-6.376530170440674],["ing",-6.3778581619262695],["▁can",-6.387146472930908],["!",-6.421379566192627],["▁will",-6.423982620239258],["▁by",-6.44155216217041],["?",-6.585887432098389],["▁not",-6.5959086418151855],["re",-6.620072364807129],[")",-6.63656759262085],["▁we",-6.643022060394287],["y",-6.654535293579102],["▁und",-6.741473197937012],["▁has",-6.7602033615112305],["▁all",-6.768176555633545],["▁die",-6.8641204833984375],["▁but",-6.906830310821533],["▁our",-6.909878730773926],["▁their",-6.91325044631958],["▁A",-6.915814399719238],["▁more",-6.918668746948242],["▁un",-6.924930572509766],["▁der",-6.925402641296387],["c",-6.925714015960693],["u",-6.932939052581787],["in",-6.934063911437988],["▁so",-6.947050094604492],["▁they",-6.989297866821289],["▁one",-7.012735843658447],["▁about",-7.071486473083496],["▁my",-7.072140693664551],["ul",-7.076492786407471],["▁which",-7.097039222717285],["à",-7.099997520446777],["▁In",-7.100254535675049],["/",-7.100865840911865],["he",-7.104752540588379],["f",-7.110044002532959],["▁le",-7.112937927246094],["▁out",-7.128556728363037],["▁also",-7.133583068847656],["▁des",-7.156766414642334],["▁It",-7.162121295928955],["▁up",-7.1723432540893555],["▁\"",-7.172809600830078],["▁time",-7.178046703338623],["ă",-7.183253765106201],["if",-7.185171127319336],["▁This",-7.191652297973633],["▁We",-7.223267078399658],["p",-7.224130153656006],["▁do",-7.228212356567383],["–",-7.235409736633301],["▁“",-7.238142013549805],["on",-7.240827560424805],["h",-7.2543206214904785],["▁si",-7.276725769042969],["le",-7.2994256019592285],["▁les",-7.312957286834717],["▁în",-7.314571857452393],["▁his",-7.324767112731934],["▁who",-7.35105562210083],["▁like",-7.371364116668701],["b",-7.375369071960449],["▁when",-7.380199432373047],[";",-7.380846977233887],["▁been",-7.38668966293335],["▁other",-7.388518333435059],["ly",-7.394660949707031],["\"",-7.407205104827881],["g",-7.407997131347656],["▁cu",-7.415276527404785],["▁care",-7.432408332824707],["▁what",-7.433043003082275],["▁new",-7.4370903968811035],["or",-7.445409774780273],["▁some",-7.461953639984131],["▁get",-7.479001998901367],["▁were",-7.491549491882324],["▁just",-7.492495536804199],["▁there",-7.493194103240967],["▁would",-7.494382381439209],["S",-7.4974141120910645],["▁them",-7.513596057891846],["▁any",-7.520544052124023],[").",-7.521052360534668],["al",-7.523056983947754],["▁into",-7.527902603149414],["▁me",-7.528337001800537],["▁had",-7.532425403594971],["▁se",-7.5451483726501465],["▁make",-7.5827131271362305],["at",-7.589433670043945],["▁than",-7.592360019683838],["▁du",-7.595852375030518],["▁over",-7.6078782081604],["▁You",-7.626111030578613],["▁how",-7.635554313659668],["▁no",-7.63729190826416],["▁people",-7.639947414398193],["an",-7.64084005355835],["”",-7.644528865814209],["é",-7.646921157836914],["it",-7.648641109466553],["▁If",-7.648687839508057],["k",-7.6605634689331055],["▁pe",-7.662139415740967],["is",-7.66726016998291],["▁her",-7.6733808517456055],["▁work",-7.680386543273926],["ve",-7.687412738800049],["▁only",-7.69785737991333],["▁may",-7.702393531799316],["▁its",-7.702449798583984],["▁first",-7.704373836517334],["▁most",-7.708309173583984],["▁well",-7.708758354187012],["▁use",-7.715085983276367],["▁zu",-7.718777656555176],["▁pour",-7.736708164215088],["z",-7.745654106140137],["il",-7.745913982391357],["▁need",-7.74778938293457],["▁these",-7.763317584991455],["▁din",-7.769891262054443],["▁den",-7.775663375854492],["▁us",-7.778133869171143],["able",-7.779712200164795],["▁S",-7.781893730163574],["▁mit",-7.792516231536865],["▁very",-7.79970645904541],["▁am",-7.814100742340088],["&",-7.829529285430908],["▁au",-7.83012056350708],["▁many",-7.83834171295166],["▁mai",-7.84363317489624],["A",-7.849830150604248],["th",-7.855541229248047],["▁through",-7.859585285186768],["▁pentru",-7.86391544342041],["▁two",-7.873607158660889],["▁von",-7.874959945678711],["▁way",-7.887117385864258],["ll",-7.887749195098877],["I",-7.891303539276123],["▁ce",-7.9015631675720215],["▁și",-7.904444694519043],["▁help",-7.907405853271484],["▁best",-7.907911777496338],["),",-7.908212184906006],["un",-7.925017833709717],["▁years",-7.925964832305908],["▁2",-7.9282684326171875],["▁C",-7.936962604522705],["▁nu",-7.939520835876465],["▁good",-7.943995952606201],["v",-7.94746732711792],["▁1",-7.94765567779541],["w",-7.947978496551514],["▁das",-7.960538864135742],["▁ca",-7.962430477142334],["▁where",-7.964908123016357],["▁know",-7.96622896194458],["▁year",-7.971063613891602],["▁He",-7.974609375],["▁see",-7.980011463165283],["▁für",-7.984004497528076],["▁auf",-7.984249114990234],["▁3",-7.984433650970459],["de",-7.985401153564453],["est",-8.002091407775879],["▁back",-8.007022857666016],["▁such",-8.008523941040039],["▁should",-8.011754989624023],["x",-8.015050888061523],["▁after",-8.01761245727539],["▁could",-8.019674301147461],["▁ist",-8.020784378051758],["▁now",-8.022845268249512],["▁much",-8.023111343383789],["and",-8.02390193939209],["...",-8.030110359191895],["▁home",-8.036273956298828],["to",-8.03821086883545],["▁ein",-8.04833984375],["▁even",-8.048656463623047],["▁que",-8.049829483032227],["▁day",-8.051553726196289],["▁take",-8.054189682006836],["▁want",-8.054435729980469],["▁For",-8.06217098236084],["▁said",-8.063249588012695],["▁sur",-8.073471069335938],["▁une",-8.077030181884766],["▁să",-8.082921028137207],["▁dans",-8.084549903869629],["▁great",-8.088057518005371],["▁este",-8.08947467803955],["▁because",-8.094311714172363],["▁information",-8.104085922241211],["ului",-8.105451583862305],["▁find",-8.112174987792969],["C",-8.119946479797363],["▁she",-8.125317573547363],["▁im",-8.126056671142578],["ation",-8.130115509033203],["▁then",-8.13021469116211],["▁est",-8.13099479675293],["▁par",-8.138585090637207],["▁used",-8.141871452331543],["▁E",-8.146790504455566],["▁made",-8.149978637695312],["▁So",-8.15785026550293],["am",-8.16288948059082],["▁eine",-8.165464401245117],["▁şi",-8.168368339538574],["▁business",-8.17335033416748],["▁right",-8.173593521118164],["▁here",-8.176125526428223],["▁being",-8.184967041015625],["▁B",-8.185355186462402],["▁those",-8.185736656188965],["▁before",-8.194721221923828],["▁And",-8.199501037597656],["▁P",-8.200712203979492],["ers",-8.200922012329102],["▁don",-8.204029083251953],["B",-8.20487117767334],["▁life",-8.206265449523926],["▁go",-8.209736824035645],["▁As",-8.210551261901855],["▁M",-8.221170425415039],["▁each",-8.22955322265625],["▁qui",-8.23323917388916],["▁place",-8.236248970031738],["com",-8.237479209899902],["ant",-8.252915382385254],["▁sich",-8.255932807922363],["▁There",-8.261948585510254],["ar",-8.264991760253906],["▁Sie",-8.273868560791016],["▁own",-8.277531623840332],["▁part",-8.279440879821777],["ent",-8.281047821044922],["▁world",-8.28173542022705],["ment",-8.282004356384277],["▁while",-8.294474601745605],["▁But",-8.295366287231445],["▁around",-8.300799369812012],["▁L",-8.301082611083984],["us",-8.304039001464844],["▁plus",-8.313054084777832],["▁To",-8.313691139221191],["▁5",-8.31412410736084],["▁high",-8.31862735748291],["▁long",-8.319378852844238],["D",-8.320075035095215],["▁D",-8.320279121398926],["▁really",-8.322924613952637],["▁nicht",-8.332040786743164],["▁Le",-8.335328102111816],["▁service",-8.3412504196167],["▁4",-8.342093467712402],["▁different",-8.342538833618164],["▁Die",-8.348092079162598],["▁think",-8.353771209716797],["—",-8.355998039245605],["▁auch",-8.357160568237305],["▁look",-8.362202644348145],["▁both",-8.366817474365234],["lor",-8.36687183380127],["▁down",-8.367999076843262],["ten",-8.368885040283203],["▁La",-8.378066062927246],["▁off",-8.380044937133789],["▁vous",-8.380541801452637],["▁They",-8.381462097167969],["M",-8.383248329162598],["▁pas",-8.384513854980469],["▁data",-8.385709762573242],["▁T",-8.386754989624023],["▁love",-8.388101577758789],["▁every",-8.390009880065918],["▁10",-8.391179084777832],["▁last",-8.392083168029785],["▁same",-8.393481254577637],["▁using",-8.395487785339355],["▁free",-8.408831596374512],["▁dem",-8.40894889831543],["▁still",-8.409984588623047],["ate",-8.410931587219238],["ist",-8.415611267089844],["▁between",-8.420283317565918],["P",-8.420982360839844],["be",-8.428167343139648],["▁available",-8.429443359375],["man",-8.432978630065918],["▁company",-8.439678192138672],["▁G",-8.441640853881836],["▁experience",-8.444950103759766],["▁going",-8.449073791503906],["▁site",-8.453832626342773],["j",-8.455142974853516],["are",-8.456900596618652],["▁set",-8.470661163330078],["2",-8.473684310913086],["▁system",-8.474678039550781],["▁important",-8.476791381835938],["▁few",-8.482437133789062],["▁fi",-8.482551574707031],["ich",-8.483301162719727],["▁What",-8.488649368286133],["▁services",-8.502433776855469],["▁under",-8.502569198608398],["▁When",-8.50308895111084],["▁online",-8.50699520111084],["▁New",-8.51494312286377],["▁come",-8.524871826171875],["▁provide",-8.525650024414062],["F",-8.526449203491211],["▁team",-8.52782154083252],["▁always",-8.529409408569336],["▁De",-8.530412673950195],["▁că",-8.532517433166504],["▁him",-8.53586196899414],["▁F",-8.538305282592773],["▁things",-8.550079345703125],["▁including",-8.550943374633789],["▁support",-8.552608489990234],["▁number",-8.554113388061523],["T",-8.557183265686035],["▁during",-8.55886459350586],["▁family",-8.560463905334473],["▁little",-8.561317443847656],["▁three",-8.567726135253906],["▁water",-8.56810188293457],["▁man",-8.569759368896484],["▁An",-8.57192611694336],["based",-8.572155952453613],["▁R",-8.57442855834961],["▁sau",-8.574433326721191],["▁avec",-8.576035499572754],["▁better",-8.576830863952637],["▁„",-8.582253456115723],["▁too",-8.58635425567627],["ge",-8.586719512939453],["▁must",-8.589736938476562],["▁per",-8.589916229248047],["ele",-8.590399742126465],["▁oder",-8.59264850616455],["au",-8.59555435180664],["▁aus",-8.595727920532227],["▁werden",-8.598653793334961],["▁does",-8.599140167236328],["▁without",-8.599270820617676],["▁ou",-8.599929809570312],["▁design",-8.60101318359375],["▁va",-8.605440139770508],["▁did",-8.615679740905762],["▁O",-8.619062423706055],["▁U",-8.623565673828125],["up",-8.62901496887207],["▁end",-8.63367748260498],["▁local",-8.636231422424316],["▁next",-8.638967514038086],["▁sure",-8.64098072052002],["▁lot",-8.64644718170166],["▁Re",-8.647016525268555],["▁top",-8.647642135620117],["▁Our",-8.656886100769043],["▁small",-8.656978607177734],["▁full",-8.659418106079102],["▁something",-8.662886619567871],["ung",-8.666722297668457],["▁vor",-8.673250198364258],["E",-8.673337936401367],["▁give",-8.67603588104248],["▁might",-8.67660903930664],["▁another",-8.679330825805664],["▁6",-8.680779457092285],["▁All",-8.681318283081055],["▁process",-8.681672096252441],["L",-8.682575225830078],["▁found",-8.68941593170166],["▁sind",-8.690044403076172],["▁since",-8.69528865814209],["▁With",-8.695560455322266],["K",-8.696988105773926],["um",-8.701016426086426],["▁within",-8.701669692993164],["▁post",-8.706608772277832],["▁car",-8.709365844726562],["une",-8.714099884033203],["▁N",-8.715041160583496],["▁J",-8.715597152709961],["ic",-8.71823787689209],["R",-8.722309112548828],["ter",-8.727437019348145],["ur",-8.728265762329102],["▁She",-8.73131275177002],["▁public",-8.732009887695312],["▁keep",-8.735784530639648],["▁H",-8.736178398132324],["▁order",-8.740762710571289],["▁start",-8.742195129394531],["ez",-8.74746322631836],["▁‘",-8.749832153320312],["uri",-8.751104354858398],["▁20",-8.752482414245605],["▁On",-8.753515243530273],["▁offer",-8.763005256652832],["▁quality",-8.764988899230957],["▁working",-8.769987106323242],["▁No",-8.770307540893555],["▁That",-8.775156021118164],["▁game",-8.7863187789917],["▁bei",-8.786642074584961],["▁today",-8.788661003112793],["▁never",-8.794586181640625],["▁week",-8.79587173461914],["▁St",-8.797786712646484],["▁feel",-8.799317359924316],["▁put",-8.801899909973145],["▁website",-8.80322265625],["Y",-8.804483413696289],["▁days",-8.804709434509277],["▁program",-8.805448532104492],["▁looking",-8.810463905334473],["▁K",-8.810808181762695],["▁students",-8.811436653137207],["▁create",-8.811800956726074],["▁change",-8.812616348266602],["▁book",-8.812932014465332],["ity",-8.813761711120605],["▁At",-8.815207481384277],["▁possible",-8.815670013427734],["▁sunt",-8.81651496887207],["▁7",-8.818120002746582],["▁real",-8.823369026184082],["▁al",-8.824172019958496],["▁making",-8.825371742248535],["▁Be",-8.825761795043945],["▁products",-8.82592487335205],["▁case",-8.82653522491455],["▁school",-8.8272066116333],["▁say",-8.830352783203125],["area",-8.832084655761719],["▁My",-8.833836555480957],["▁point",-8.834731101989746],["▁als",-8.83560848236084],["▁children",-8.836194038391113],["▁course",-8.844061851501465],["▁show",-8.847993850708008],["▁8",-8.849273681640625],["▁These",-8.849345207214355],["▁18",-8.851140975952148],["▁large",-8.851323127746582],["co",-8.854362487792969],["▁über",-8.854788780212402],["▁second",-8.856559753417969],["▁market",-8.859807014465332],["▁fost",-8.86048698425293],["▁easy",-8.863983154296875],["▁plan",-8.864302635192871],["▁project",-8.864927291870117],["G",-8.865178108215332],["W",-8.869574546813965],["3",-8.871939659118652],["▁son",-8.873332023620605],["la",-8.879053115844727],["▁face",-8.88137435913086],["▁needs",-8.88148021697998],["ch",-8.883138656616211],["▁personal",-8.88343620300293],["me",-8.886031150817871],["▁sont",-8.887377738952637],["▁je",-8.894930839538574],["▁non",-8.895471572875977],["▁got",-8.896591186523438],["▁Do",-8.897382736206055],["the",-8.89765453338623],["▁health",-8.89908504486084],["▁special",-8.90555477142334],[".\"",-8.907710075378418],["1",-8.907852172851562],["den",-8.908616065979004],["▁state",-8.909355163574219],["▁open",-8.91019058227539],["▁money",-8.91053581237793],["▁again",-8.913084983825684],["▁food",-8.913167953491211],["▁page",-8.914595603942871],["▁together",-8.91628360748291],["age",-8.919108390808105],["▁qu",-8.921928405761719],["hat",-8.922386169433594],["▁ver",-8.926993370056152],["▁W",-8.927785873413086],["▁away",-8.928759574890137],["▁wird",-8.931641578674316],["▁until",-8.934249877929688],["V",-8.934935569763184],["▁pre",-8.935851097106934],["▁One",-8.936429977416992],["▁product",-8.936561584472656],["▁often",-8.939326286315918],["▁wir",-8.944111824035645],["▁nach",-8.945127487182617],["▁include",-8.946555137634277],["▁um",-8.948204040527344],["▁room",-8.953709602355957],["▁group",-8.953767776489258],["▁name",-8.954949378967285],["ce",-8.955448150634766],["H",-8.956180572509766],["N",-8.958139419555664],["▁person",-8.958183288574219],["▁social",-8.958606719970703],["▁list",-8.963666915893555],["▁How",-8.964127540588379],["▁why",-8.96571159362793],["▁community",-8.965995788574219],["▁contact",-8.973031044006348],["­",-8.9755859375],["▁co",-8.979683876037598],["▁play",-8.983960151672363],["▁having",-8.984169960021973],["▁power",-8.986917495727539],["▁call",-8.991690635681152],["▁against",-8.991816520690918],["▁become",-8.997780799865723],["▁cost",-9.003793716430664],["▁V",-9.004593849182129],["▁research",-9.006913185119629],["▁12",-9.007307052612305],["▁wie",-9.008277893066406],["der",-9.008386611938477],["▁thing",-9.014028549194336],["▁along",-9.017301559448242],["4",-9.017330169677734],["▁access",-9.020391464233398],["▁level",-9.020505905151367],["▁price",-9.022817611694336],["▁einen",-9.023714065551758],["▁side",-9.026359558105469],["▁Un",-9.026851654052734],["▁means",-9.030416488647461],["(",-9.032341957092285],["▁big",-9.034374237060547],["▁God",-9.036499977111816],["▁dass",-9.037314414978027],["im",-9.037374496459961],["▁30",-9.037432670593262],["▁event",-9.041665077209473],["▁development",-9.042060852050781],["▁form",-9.04226303100586],["▁read",-9.042579650878906],["▁hand",-9.043194770812988],["▁control",-9.04446792602539],["▁However",-9.046320915222168],["▁done",-9.048060417175293],["▁job",-9.051692008972168],["▁hard",-9.056619644165039],["▁war",-9.057538032531738],["▁area",-9.0584135055542],["▁add",-9.0586576461792],["▁votre",-9.0593900680542],["▁live",-9.059494018554688],["▁range",-9.060099601745605],["▁After",-9.060164451599121],["▁Les",-9.060513496398926],["▁far",-9.064413070678711],["ver",-9.064727783203125],["▁old",-9.069576263427734],["▁perfect",-9.06976318359375],["▁15",-9.070429801940918],["▁space",-9.073654174804688],["▁house",-9.074068069458008],["ine",-9.07408618927002],["▁enough",-9.074334144592285],["0",-9.075824737548828],["▁several",-9.077119827270508],["The",-9.081155776977539],["mm",-9.085619926452637],["▁University",-9.08637523651123],["▁diese",-9.087566375732422],["▁Co",-9.088335990905762],["▁comes",-9.088497161865234],["▁across",-9.088857650756836],["▁already",-9.090097427368164],[",”",-9.090341567993164],["▁body",-9.09276294708252],["▁Das",-9.094594955444336],["▁einer",-9.095956802368164],["▁left",-9.09921646118164],["▁future",-9.105711936950684],["▁times",-9.106670379638672],["▁dar",-9.109651565551758],["▁simple",-9.110408782958984],["ry",-9.112407684326172],["▁getting",-9.113155364990234],["▁try",-9.115362167358398],["ți",-9.116897583007812],["ness",-9.120043754577637],["▁makes",-9.120377540588379],["▁past",-9.120619773864746],["ca",-9.12130069732666],["▁light",-9.122207641601562],["▁Der",-9.122997283935547],["▁run",-9.125843048095703],["▁four",-9.126943588256836],["ance",-9.130500793457031],["▁ever",-9.131503105163574],["▁einem",-9.131816864013672],["▁below",-9.133723258972168],["O",-9.134073257446289],["▁9",-9.137282371520996],["▁learn",-9.14004135131836],["out",-9.140358924865723],["▁video",-9.143178939819336],["▁etc",-9.146929740905762],["▁«",-9.148795127868652],["▁zum",-9.149712562561035],["▁kann",-9.1504487991333],["▁minutes",-9.151180267333984],["▁example",-9.154194831848145],["▁nous",-9.154619216918945],["▁Se",-9.157441139221191],["▁sie",-9.159955024719238],["▁industry",-9.161614418029785],["▁problem",-9.162016868591309],["J",-9.162480354309082],["▁country",-9.163366317749023],["▁fact",-9.164189338684082],["▁type",-9.164190292358398],["ner",-9.164238929748535],["▁companies",-9.165864944458008],["▁line",-9.169849395751953],["▁city",-9.172713279724121],["▁check",-9.173710823059082],["▁doing",-9.174406051635742],["elle",-9.175037384033203],["▁fun",-9.176549911499023],["▁En",-9.177546501159668],["▁Your",-9.178601264953613],["ling",-9.181450843811035],["▁share",-9.18185806274414],["ile",-9.182005882263184],["▁actually",-9.187544822692871],["▁value",-9.187751770019531],["zi",-9.188661575317383],["▁ab",-9.1898832321167],["▁offers",-9.1905517578125],["▁less",-9.190573692321777],["▁night",-9.193560600280762],["▁Dr",-9.19518756866455],["▁started",-9.195454597473145],["▁least",-9.198020935058594],["▁short",-9.198562622070312],["▁main",-9.201143264770508],["▁single",-9.202939987182617],["▁though",-9.203780174255371],["▁prin",-9.203930854797363],["time",-9.20531177520752],["▁hours",-9.206608772277832],["▁others",-9.206849098205566],["▁called",-9.20730209350586],["▁visit",-9.208869934082031],["▁bit",-9.209009170532227],["ée",-9.210821151733398],["▁customers",-9.211383819580078],["▁music",-9.212000846862793],["▁members",-9.217191696166992],["ies",-9.21743392944336],["▁pay",-9.219176292419434],["nd",-9.219744682312012],["▁once",-9.221125602722168],["gen",-9.2217378616333],["▁können",-9.222976684570312],["▁low",-9.223771095275879],["▁durch",-9.227394104003906],["▁story",-9.228075981140137],["▁understand",-9.22953987121582],["“",-9.229856491088867],["▁Am",-9.231831550598145],["▁didn",-9.234603881835938],["▁content",-9.237217903137207],["son",-9.24180793762207],["▁building",-9.242242813110352],["▁result",-9.242605209350586],["▁aux",-9.243107795715332],["▁complete",-9.244999885559082],["▁doesn",-9.24510669708252],["▁haben",-9.246070861816406],["▁questions",-9.24661636352539],["line",-9.247077941894531],["▁technology",-9.247429847717285],["▁Pro",-9.247976303100586],["▁current",-9.248504638671875],["▁won",-9.248883247375488],["▁let",-9.250710487365723],["▁features",-9.251978874206543],["▁please",-9.258262634277344],["5",-9.258519172668457],["▁above",-9.259394645690918],["ive",-9.262128829956055],["▁management",-9.262394905090332],["▁lui",-9.262539863586426],["her",-9.263057708740234],["▁training",-9.265711784362793],["▁everything",-9.2665433883667],["▁noch",-9.266846656799316],["▁came",-9.267708778381348],["▁web",-9.272823333740234],["▁ensure",-9.272987365722656],["▁months",-9.273130416870117],["▁art",-9.27313232421875],["▁sub",-9.274359703063965],["▁million",-9.274559020996094],["▁professional",-9.275035858154297],["▁results",-9.278368949890137],["▁kind",-9.278395652770996],["▁season",-9.279285430908203],["▁unique",-9.281067848205566],["ze",-9.284360885620117],["▁enjoy",-9.28487777709961],["▁early",-9.287765502929688],["▁major",-9.288202285766602],["▁yet",-9.29152774810791],["▁Ver",-9.293331146240234],["one",-9.296777725219727],["▁media",-9.29719352722168],["▁[",-9.30095100402832],["▁property",-9.302969932556152],["▁beautiful",-9.304466247558594],["▁given",-9.305286407470703],["▁due",-9.306716918945312],["▁government",-9.307181358337402],["▁nur",-9.30881404876709],["▁email",-9.309103012084961],["▁total",-9.311080932617188],["▁natural",-9.311264038085938],["▁test",-9.311450004577637],["▁provides",-9.311640739440918],["▁various",-9.312631607055664],["▁American",-9.315605163574219],["▁moment",-9.318109512329102],["▁air",-9.318952560424805],["▁idea",-9.319236755371094],["▁known",-9.319981575012207],["▁Il",-9.320504188537598],["▁friends",-9.320576667785645],["▁final",-9.320919036865234],["▁buy",-9.32139778137207],["▁specific",-9.322234153747559],["▁issues",-9.32454776763916],["▁took",-9.325233459472656],["▁mind",-9.326258659362793],["▁study",-9.32675838470459],["▁addition",-9.328418731689453],["▁size",-9.332446098327637],["▁pro",-9.334047317504883],["▁film",-9.33545970916748],["▁pot",-9.335636138916016],["▁thought",-9.338120460510254],["▁tell",-9.33890438079834],["▁While",-9.339675903320312],["▁head",-9.339983940124512],["▁clients",-9.340429306030273],["▁performance",-9.346199989318848],["▁question",-9.346835136413574],["▁whether",-9.347925186157227],["▁certain",-9.34826946258545],["▁model",-9.348764419555664],["▁following",-9.350926399230957],["▁energy",-9.354207992553711],["▁office",-9.354207992553711],["▁whole",-9.356687545776367],["▁bring",-9.356956481933594],["▁required",-9.35726261138916],["ţi",-9.358223915100098],["▁date",-9.358695030212402],["_",-9.358983039855957],["que",-9.359789848327637],["▁da",-9.360264778137207],["▁US",-9.36120319366455],["▁taking",-9.36143684387207],["go",-9.362788200378418],["▁living",-9.36341667175293],["▁someone",-9.363489151000977],["▁heart",-9.365120887756348],["▁key",-9.365775108337402],["▁areas",-9.366238594055176],["▁says",-9.367013931274414],["▁2018",-9.369132041931152],["▁month",-9.37012767791748],["▁Er",-9.371354103088379],["ste",-9.375077247619629],["▁11",-9.375179290771484],["▁front",-9.37528133392334],["▁Now",-9.37669563293457],["▁class",-9.376946449279785],["▁choose",-9.377082824707031],["pe",-9.37808609008789],["▁further",-9.379021644592285],["▁believe",-9.37936019897461],["of",-9.379590034484863],["▁among",-9.380990982055664],["sch",-9.381686210632324],["▁child",-9.382609367370605],["▁aber",-9.38376235961914],["▁Please",-9.386269569396973],["rea",-9.387248992919922],["▁later",-9.387272834777832],["▁amount",-9.388760566711426],["ice",-9.390128135681152],["▁National",-9.390177726745605],["▁style",-9.390748977661133],["▁tout",-9.391490936279297],["▁staff",-9.392939567565918],["▁white",-9.397933959960938],["▁ge",-9.399179458618164],["▁five",-9.400984764099121],["▁blog",-9.40109920501709],["▁designed",-9.40125846862793],["▁went",-9.402216911315918],["▁Da",-9.40268611907959],["▁general",-9.403801918029785],["▁rest",-9.403874397277832],["▁zur",-9.40579891204834],["▁quite",-9.405948638916016],["per",-9.40687084197998],["▁customer",-9.408379554748535],["▁close",-9.408747673034668],["▁Some",-9.41054630279541],["▁women",-9.41075611114502],["▁move",-9.410761833190918],["▁software",-9.411357879638672],["▁Ein",-9.413651466369629],["▁Ab",-9.413823127746582],["▁history",-9.413864135742188],["▁either",-9.41564655303955],["▁seen",-9.417396545410156],["▁card",-9.419726371765137],["▁City",-9.421541213989258],["▁hope",-9.421769142150879],["▁16",-9.422072410583496],["és",-9.422825813293457],["va",-9.423294067382812],["▁Al",-9.423827171325684],["▁especially",-9.424827575683594],["▁view",-9.426136016845703],["men",-9.427363395690918],["▁account",-9.427489280700684],["▁needed",-9.429777145385742],["▁United",-9.429789543151855],["]",-9.432387351989746],["▁yourself",-9.432788848876953],["▁100",-9.433059692382812],["▁receive",-9.433417320251465],["▁ideas",-9.43369197845459],["▁writing",-9.434585571289062],["▁simply",-9.434741973876953],["▁present",-9.435087203979492],["▁continue",-9.436107635498047],["▁application",-9.44115161895752],["▁build",-9.44187068939209],["▁turn",-9.44249439239502],["ated",-9.442923545837402],["▁everyone",-9.443060874938965],["cette",-9.443114280700684],["▁bien",-9.444964408874512],["less",-9.445222854614258],["▁Si",-9.445359230041504],["▁original",-9.446867942810059],["8",-9.44794750213623],["▁individual",-9.448895454406738],["tre",-9.449433326721191],["▁works",-9.45171070098877],["▁options",-9.451821327209473],["▁May",-9.454456329345703],["▁Not",-9.454940795898438],["▁report",-9.455467224121094],["mer",-9.457239151000977],["▁human",-9.459118843078613],["▁provided",-9.459603309631348],["▁By",-9.460925102233887],["▁series",-9.462006568908691],["7",-9.46226692199707],["▁modern",-9.463875770568848],["▁meet",-9.463921546936035],["▁50",-9.464119911193848],["▁25",-9.46969985961914],["▁color",-9.470091819763184],["▁download",-9.470109939575195],["▁Here",-9.471144676208496],["6",-9.471323013305664],["▁poate",-9.471449851989746],["▁În",-9.472321510314941],["▁phone",-9.473695755004883],["▁likely",-9.474374771118164],["▁table",-9.476469993591309],["▁ma",-9.476551055908203],["▁Or",-9.479181289672852],["Z",-9.48026180267334],["▁19",-9.482215881347656],["▁insurance",-9.482544898986816],["▁anything",-9.483808517456055],["▁search",-9.485033988952637],["▁Ge",-9.48520565032959],["▁issue",-9.485564231872559],["▁includes",-9.485688209533691],["▁clear",-9.487342834472656],["les",-9.488021850585938],["▁almost",-9.488259315490723],["ilor",-9.48935317993164],["▁14",-9.490717887878418],["by",-9.494056701660156],["▁Du",-9.49624252319336],["▁mais",-9.497303009033203],["ier",-9.499163627624512],["▁law",-9.49924087524414],["▁added",-9.500134468078613],["▁con",-9.500962257385254],[",\"",-9.501530647277832],["▁ago",-9.502127647399902],["▁His",-9.504697799682617],["▁points",-9.504981994628906],["▁mult",-9.505581855773926],["▁financial",-9.506216049194336],["▁problems",-9.506428718566895],["▁however",-9.50648307800293],["▁events",-9.50675106048584],["▁half",-9.507889747619629],["ard",-9.511183738708496],["▁ask",-9.51156997680664],["▁version",-9.511631965637207],["end",-9.512478828430176],["▁created",-9.512639999389648],["▁lead",-9.512917518615723],["▁focus",-9.513853073120117],["▁increase",-9.515096664428711],["ex",-9.515118598937988],["▁allow",-9.515798568725586],["▁extra",-9.516464233398438],["▁24",-9.516692161560059],["▁credit",-9.516772270202637],["▁production",-9.516801834106445],["zu",-9.517256736755371],["▁black",-9.51754093170166],["▁systems",-9.518040657043457],["▁17",-9.518178939819336],["▁opportunity",-9.518531799316406],["▁bis",-9.519219398498535],["▁fast",-9.519807815551758],["ring",-9.521166801452637],["▁Don",-9.522114753723145],["▁via",-9.52242660522461],["fer",-9.5225248336792],["▁comme",-9.522799491882324],["▁popular",-9.523722648620605],["▁South",-9.524491310119629],["ating",-9.525003433227539],["▁State",-9.525198936462402],["ator",-9.525679588317871],["▁common",-9.525968551635742],["con",-9.526727676391602],["▁throughout",-9.527557373046875],["▁risk",-9.52774715423584],["▁young",-9.528532028198242],["▁Je",-9.528688430786133],["▁image",-9.52928352355957],["ha",-9.529376983642578],["▁third",-9.529587745666504],["▁taken",-9.530049324035645],["▁Z",-9.5314302444458],["▁dis",-9.5316162109375],["▁From",-9.533575057983398],["▁details",-9.534862518310547],["▁games",-9.53516674041748],["▁practice",-9.536040306091309],["che",-9.536151885986328],["▁security",-9.537364959716797],["▁medical",-9.537653923034668],["▁learning",-9.537806510925293],["▁material",-9.538509368896484],["▁international",-9.540703773498535],["▁forward",-9.541245460510254],["▁paper",-9.541247367858887],["▁action",-9.541348457336426],["▁file",-9.542378425598145],["▁oil",-9.543096542358398],["▁self",-9.54377555847168],["▁private",-9.545247077941895],["▁interest",-9.545559883117676],["bar",-9.546065330505371],["▁sale",-9.547115325927734],["▁stay",-9.547348976135254],["ke",-9.548089981079102],["▁San",-9.549053192138672],["▁matter",-9.549870491027832],["▁reason",-9.550254821777344],["ted",-9.55147647857666],["▁potential",-9.551742553710938],["▁brand",-9.552441596984863],["▁field",-9.55315113067627],["▁treatment",-9.553420066833496],["▁period",-9.553516387939453],["▁York",-9.553890228271484],["▁Park",-9.554738998413086],["▁acest",-9.556009292602539],["ou",-9.556926727294922],["▁Ce",-9.557014465332031],["▁ready",-9.558111190795898],["▁rather",-9.55860424041748],["▁outside",-9.560086250305176],["▁standard",-9.560121536254883],["▁located",-9.560770034790039],["▁marketing",-9.562313079833984],["cu",-9.564041137695312],["▁Can",-9.564562797546387],["▁education",-9.566105842590332],["use",-9.566640853881836],["▁role",-9.566828727722168],["▁men",-9.571505546569824],["▁probably",-9.571550369262695],["▁store",-9.57221508026123],["▁John",-9.572355270385742],["▁rate",-9.573956489562988],["▁code",-9.573994636535645],["▁kids",-9.574408531188965],["▁currently",-9.57552719116211],["▁near",-9.576475143432617],["▁sales",-9.576716423034668],["▁usually",-9.577012062072754],["▁activities",-9.577242851257324],["▁party",-9.577371597290039],["▁leur",-9.577434539794922],["▁particular",-9.577627182006836],["▁mehr",-9.577707290649414],["ill",-9.578757286071777],["▁percent",-9.579113006591797],["▁fait",-9.579537391662598],["▁happy",-9.579904556274414],["▁inside",-9.58005428314209],["▁save",-9.580510139465332],["▁skills",-9.580765724182129],["▁consider",-9.581025123596191],["▁recent",-9.58161735534668],["▁strong",-9.581781387329102],["▁position",-9.582076072692871],["▁knowledge",-9.582303047180176],["▁tax",-9.583868980407715],["▁users",-9.584261894226074],["und",-9.585564613342285],["▁coming",-9.585904121398926],["▁article",-9.585923194885254],["min",-9.586345672607422],["▁sein",-9.586555480957031],["▁travel",-9.586871147155762],["▁changes",-9.58765983581543],["▁impact",-9.588181495666504],["▁wanted",-9.588460922241211],["▁address",-9.5885591506958],["▁soon",-9.58873462677002],["▁North",-9.588915824890137],["ată",-9.589237213134766],["▁trying",-9.58985424041748],["▁app",-9.590612411499023],["▁School",-9.592510223388672],["▁Es",-9.592548370361328],["we",-9.59261703491211],["▁conditions",-9.59292984008789],["▁digital",-9.593293190002441],["▁similar",-9.594805717468262],["▁solution",-9.59514331817627],["▁location",-9.595183372497559],["▁Of",-9.595418930053711],["▁follow",-9.595842361450195],["▁red",-9.597526550292969],["▁review",-9.599202156066895],["▁skin",-9.599575996398926],["▁pretty",-9.600369453430176],["day",-9.600558280944824],["▁dé",-9.602072715759277],["▁cause",-9.602169036865234],["▁Sa",-9.602463722229004],["▁user",-9.602520942687988],["▁Man",-9.603377342224121],["”.",-9.604146003723145],["▁Just",-9.604366302490234],["▁faire",-9.604475021362305],["▁member",-9.605619430541992],["▁iar",-9.606892585754395],["▁higher",-9.607715606689453],["▁step",-9.607887268066406],["▁wide",-9.608185768127441],["▁uns",-9.608920097351074],["▁World",-9.609135627746582],["▁additional",-9.61176586151123],["ber",-9.613197326660156],["▁easily",-9.613990783691406],["▁deal",-9.615070343017578],["▁ways",-9.615514755249023],["▁mobile",-9.616837501525879],["▁national",-9.616913795471191],["▁couple",-9.617389678955078],["▁ihre",-9.61939811706543],["▁choice",-9.619612693786621],["for",-9.619686126708984],["ous",-9.62070083618164],["▁Google",-9.620855331420898],["▁environment",-9.622426986694336],["urile",-9.623322486877441],["▁Center",-9.626680374145508],["mp",-9.628592491149902],["▁»",-9.629727363586426],["qui",-9.630680084228516],["▁growth",-9.631048202514648],["ler",-9.633174896240234],["▁improve",-9.63360595703125],["▁items",-9.6336669921875],["▁Nu",-9.63393783569336],["▁leave",-9.634074211120605],["▁true",-9.634805679321289],["▁wurde",-9.63487434387207],["▁cannot",-9.635004043579102],["▁13",-9.635096549987793],["▁running",-9.636015892028809],["▁anti",-9.636177062988281],["▁option",-9.636306762695312],["▁reading",-9.63657283782959],["▁Car",-9.636698722839355],["▁Wir",-9.638110160827637],["▁April",-9.63975715637207],["▁behind",-9.640642166137695],["▁client",-9.640750885009766],["▁cover",-9.641012191772461],["▁stop",-9.641090393066406],["ja",-9.641277313232422],["▁built",-9.641307830810547],["▁Con",-9.641313552856445],["ement",-9.641366004943848],["▁projects",-9.641828536987305],["▁variety",-9.641840934753418],["▁Ihre",-9.642666816711426],["ș",-9.64302921295166],["▁unter",-9.64385986328125],["▁longer",-9.646577835083008],["year",-9.647161483764648],["▁photo",-9.648370742797852],["▁Also",-9.64933967590332],["▁received",-9.651098251342773],["▁return",-9.652676582336426],["00",-9.653081893920898],["▁bar",-9.653343200683594],["ary",-9.654427528381348],["elor",-9.655137062072754],["▁Home",-9.656189918518066],["our",-9.656298637390137],["▁Me",-9.65771198272705],["▁held",-9.659111022949219],["▁click",-9.66014289855957],["▁ex",-9.660178184509277],["▁cum",-9.661561965942383],["▁takes",-9.66395378112793],["▁computer",-9.665796279907227],["▁told",-9.668192863464355],["+",-9.670648574829102],["▁patients",-9.670809745788574],["ting",-9.672165870666504],["▁direct",-9.672248840332031],["▁quickly",-9.672410011291504],["tic",-9.672877311706543],["▁vom",-9.673723220825195],["▁di",-9.67381477355957],["▁kitchen",-9.674022674560547],["▁network",-9.675640106201172],["▁2015",-9.676688194274902],["▁effective",-9.677227020263672],["▁collection",-9.677703857421875],["▁2017",-9.677751541137695],["▁words",-9.678145408630371],["▁cele",-9.678857803344727],["▁student",-9.678862571716309],["▁amazing",-9.678932189941406],["eur",-9.680419921875],[".”",-9.68227481842041],["▁ale",-9.682716369628906],["”,",-9.68414306640625],["▁purchase",-9.684350967407227],["▁mean",-9.68477725982666],["▁West",-9.686846733093262],["▁nice",-9.6889066696167],["▁age",-9.689131736755371],["▁base",-9.68923568725586],["▁summer",-9.68928337097168],["▁multi",-9.689496994018555],["▁allows",-9.689573287963867],["▁latest",-9.689604759216309],["▁global",-9.68992805480957],["▁chance",-9.690792083740234],["▁sense",-9.690872192382812],["ieren",-9.692789077758789],["▁difficult",-9.693133354187012],["ité",-9.694750785827637],["ka",-9.694792747497559],["du",-9.69483757019043],["▁providing",-9.695744514465332],["▁Art",-9.696940422058105],["▁drive",-9.698554992675781],["▁Go",-9.698877334594727],["▁très",-9.699414253234863],["U",-9.699579238891602],["▁Pre",-9.699846267700195],["▁shows",-9.700040817260742],["▁hair",-9.701324462890625],["▁success",-9.701513290405273],["▁UK",-9.703169822692871],["red",-9.703241348266602],["ü",-9.703370094299316],["ish",-9.703631401062012],["▁weeks",-9.704839706420898],["▁solutions",-9.7055025100708],["▁Pe",-9.7057523727417],["▁equipment",-9.706141471862793],["și",-9.706482887268066],["▁worked",-9.707073211669922],["\".",-9.708627700805664],["▁legal",-9.708720207214355],["▁bad",-9.70892333984375],["▁40",-9.709561347961426],["▁Internet",-9.709798812866211],["▁included",-9.709976196289062],["▁upon",-9.710977554321289],["▁excellent",-9.71106243133545],["▁goal",-9.71130084991455],["▁El",-9.711408615112305],["▁Mo",-9.711703300476074],["▁policy",-9.71319580078125],["▁aussi",-9.713537216186523],["▁weight",-9.713687896728516],["ici",-9.715133666992188],["▁approach",-9.715584754943848],["▁six",-9.71579647064209],["▁entire",-9.715911865234375],["9",-9.71633529663086],["▁send",-9.716832160949707],["▁1.",-9.718971252441406],["▁wenn",-9.719056129455566],["▁photos",-9.71993637084961],["://",-9.721014022827148],["ger",-9.72281551361084],["▁favorite",-9.723104476928711],["ley",-9.723477363586426],["▁else",-9.72463321685791],["▁types",-9.72468376159668],["▁link",-9.725333213806152],["▁recently",-9.72584056854248],["▁Mit",-9.72631549835205],["▁hot",-9.726548194885254],["tra",-9.726597785949707],["ş",-9.727307319641113],["▁according",-9.728511810302734],["▁necessary",-9.728511810302734],["▁multiple",-9.729269027709961],["▁Im",-9.729510307312012],["▁sehr",-9.729660034179688],["▁sign",-9.732263565063477],["▁anyone",-9.73283576965332],["▁land",-9.733613014221191],["▁States",-9.734037399291992],["▁unsere",-9.734119415283203],["ées",-9.734639167785645],["We",-9.735671043395996],["▁nothing",-9.735845565795898],["▁commercial",-9.736858367919922],["ful",-9.737265586853027],["▁seems",-9.739325523376465],["▁International",-9.740097045898438],["▁March",-9.74163818359375],["▁Thanks",-9.743307113647461],["▁County",-9.74365234375],["▁books",-9.744638442993164],["▁Ca",-9.7451753616333],["▁mi",-9.746304512023926],["▁meeting",-9.746662139892578],["▁tools",-9.747593879699707],["▁cut",-9.747650146484375],["▁related",-9.74765682220459],["▁lives",-9.748003005981445],["way",-9.748501777648926],["▁develop",-9.748651504516602],["▁sound",-9.748723983764648],["▁safe",-9.748950958251953],["▁Her",-9.74937629699707],["▁average",-9.751277923583984],["▁clean",-9.75174331665039],["▁talk",-9.752362251281738],["▁peut",-9.75241756439209],["▁dann",-9.752546310424805],["▁terms",-9.753265380859375],["▁foarte",-9.753512382507324],["▁super",-9.754284858703613],["▁programs",-9.754853248596191],["▁decision",-9.75540828704834],["▁costs",-9.756058692932129],["▁être",-9.756291389465332],["▁2019",-9.757674217224121],["led",-9.759482383728027],["▁parents",-9.759617805480957],["▁Mr",-9.761702537536621],["▁lower",-9.762362480163574],["▁door",-9.762978553771973],["▁été",-9.763933181762695],["▁box",-9.764954566955566],["▁record",-9.765517234802246],["▁win",-9.765650749206543],["ster",-9.766402244567871],["▁America",-9.766748428344727],["▁immer",-9.768763542175293],["▁road",-9.76996898651123],["▁leading",-9.772759437561035],["▁section",-9.772838592529297],["▁Facebook",-9.772990226745605],["▁Most",-9.7738676071167],["iert",-9.77435302734375],["▁morning",-9.774497032165527],["▁asked",-9.775190353393555],["▁involved",-9.77551555633545],["▁hier",-9.777607917785645],["▁images",-9.77821159362793],["▁House",-9.778263092041016],["▁highly",-9.780763626098633],["▁Bar",-9.781620979309082],["▁Service",-9.782510757446289],["▁attention",-9.784318923950195],["▁normal",-9.784571647644043],["▁plans",-9.785883903503418],["▁source",-9.785930633544922],["▁Aus",-9.788092613220215],["▁benefits",-9.788655281066895],["▁ses",-9.789348602294922],["des",-9.789867401123047],["▁internet",-9.789949417114258],["▁materials",-9.790080070495605],["▁même",-9.791318893432617],["▁fine",-9.791522026062012],["▁fit",-9.792226791381836],["▁21",-9.792612075805664],["▁itself",-9.793739318847656],["▁wieder",-9.793972969055176],["▁Many",-9.795313835144043],["▁nature",-9.795402526855469],["▁pain",-9.795467376708984],["▁device",-9.796183586120605],["art",-9.796989440917969],["pro",-9.7971830368042],["▁France",-9.797271728515625],["lich",-9.797314643859863],["▁2014",-9.799542427062988],["▁inter",-9.799964904785156],["▁Li",-9.800453186035156],["▁career",-9.801136016845703],["▁looks",-9.80145263671875],["▁ré",-9.802245140075684],["▁ability",-9.802556991577148],["▁situation",-9.803154945373535],["ville",-9.803157806396484],["▁2016",-9.80319595336914],["tes",-9.803462982177734],["▁remember",-9.803879737854004],["▁TV",-9.803998947143555],["▁levels",-9.805853843688965],["▁subject",-9.807723999023438],["ally",-9.80844497680664],["▁reduce",-9.810232162475586],["▁*",-9.8108491897583],["▁Day",-9.810867309570312],["▁write",-9.812152862548828],["▁pick",-9.814252853393555],["ence",-9.815399169921875],["▁fresh",-9.816520690917969],["▁traditional",-9.816662788391113],["chi",-9.817692756652832],["▁machine",-9.818047523498535],["▁resources",-9.819125175476074],["â",-9.819502830505371],["▁countries",-9.820009231567383],["▁Even",-9.820342063903809],["▁green",-9.821283340454102],["▁Free",-9.821910858154297],["▁daily",-9.822112083435059],["▁respect",-9.823013305664062],["▁instead",-9.823714256286621],["▁Once",-9.82418155670166],["▁word",-9.824407577514648],["▁construction",-9.82489013671875],["▁huge",-9.825064659118652],["▁feature",-9.825220108032227],["▁themselves",-9.826369285583496],["▁loss",-9.82919692993164],["%",-9.830063819885254],["▁safety",-9.830256462097168],["▁economic",-9.831406593322754],["▁require",-9.831945419311523],["30",-9.83255386352539],["▁planning",-9.833393096923828],["▁mal",-9.834482192993164],["▁directly",-9.835214614868164],["ure",-9.835719108581543],["▁track",-9.835734367370605],["▁tool",-9.836135864257812],["▁positive",-9.836392402648926],["▁piece",-9.837076187133789],["▁parts",-9.837140083312988],["ang",-9.83740520477295],["▁trip",-9.837453842163086],["▁organization",-9.837935447692871],["▁sites",-9.838274002075195],["▁fire",-9.83831787109375],["▁China",-9.838876724243164],["▁Pour",-9.839289665222168],["▁plant",-9.84011459350586],["▁board",-9.840341567993164],["▁interesting",-9.841227531433105],["gar",-9.841713905334473],["▁fie",-9.841752052307129],["▁late",-9.842166900634766],["▁wall",-9.842294692993164],["▁walk",-9.842741966247559],["ham",-9.843868255615234],["▁Ne",-9.845427513122559],["▁First",-9.845462799072266],["▁double",-9.845701217651367],["▁budget",-9.847657203674316],["▁cases",-9.847670555114746],["cal",-9.849738121032715],["old",-9.849796295166016],["▁Bo",-9.849822998046875],["▁spend",-9.850439071655273],["port",-9.850828170776367],["▁worth",-9.850934028625488],["ique",-9.851308822631836],["nes",-9.85190486907959],["cul",-9.852272033691406],["era",-9.85296630859375],["▁text",-9.853032112121582],["▁decided",-9.854948997497559],["▁floor",-9.855036735534668],["▁requirements",-9.85529899597168],["▁cel",-9.855361938476562],["▁effect",-9.855412483215332],["▁gibt",-9.856159210205078],["▁news",-9.859238624572754],["▁vos",-9.859931945800781],["▁players",-9.86057186126709],["▁saw",-9.862728118896484],["▁auto",-9.863056182861328],["▁town",-9.863207817077637],["▁myself",-9.864106178283691],["▁lost",-9.864988327026367],["▁$",-9.865124702453613],["▁June",-9.86609172821045],["▁significant",-9.866196632385254],["▁giving",-9.866230010986328],["▁stand",-9.866744041442871],["▁stock",-9.867657661437988],["▁hold",-9.867766380310059],["▁Are",-9.869078636169434],["▁shall",-9.86923599243164],["▁ideal",-9.869279861450195],["▁London",-9.87080192565918],["▁answer",-9.870853424072266],["▁Vor",-9.87157917022705],["▁gives",-9.873115539550781],["ative",-9.87316608428955],["▁timp",-9.873167991638184],["▁center",-9.87362289428711],["▁Group",-9.874580383300781],["▁sans",-9.875143051147461],["▁Ar",-9.875466346740723],["▁Ma",-9.875568389892578],["▁reach",-9.876279830932617],["ren",-9.876652717590332],["▁More",-9.877446174621582],["mit",-9.878068923950195],["▁guide",-9.87833309173584],["▁fully",-9.878828048706055],["▁Since",-9.878952980041504],["▁Inc",-9.87923812866211],["▁culture",-9.879780769348145],["eat",-9.880531311035156],["▁written",-9.880722999572754],["▁Ho",-9.881338119506836],["▁India",-9.881625175476074],["▁Well",-9.881708145141602],["back",-9.881752967834473],["▁goes",-9.882170677185059],["▁completely",-9.88217544555664],["▁tour",-9.883081436157227],["▁began",-9.883196830749512],["▁picture",-9.883255958557129],["▁mare",-9.88353157043457],["▁playing",-9.884223937988281],["▁trebuie",-9.884926795959473],["ils",-9.884940147399902],["chen",-9.885220527648926],["▁hit",-9.885416984558105],["▁complex",-9.88591480255127],["▁Thank",-9.886140823364258],["▁Let",-9.886350631713867],["▁applications",-9.887116432189941],["▁friend",-9.888312339782715],["▁English",-9.889549255371094],["▁charge",-9.890040397644043],["▁recommend",-9.893453598022461],["▁message",-9.893672943115234],["In",-9.893722534179688],["▁Mar",-9.894762992858887],["pp",-9.895845413208008],["▁method",-9.89692497253418],["▁successful",-9.897004127502441],["tion",-9.898880958557129],["▁release",-9.899920463562012],["▁creating",-9.900403022766113],["▁despre",-9.90141773223877],["esc",-9.902434349060059],["▁eye",-9.902752876281738],["▁apply",-9.905945777893066],["net",-9.906000137329102],["side",-9.906539916992188],["▁ar",-9.906949996948242],["▁platform",-9.90713882446289],["▁touch",-9.907329559326172],["▁towards",-9.90785026550293],["▁match",-9.908224105834961],["▁Black",-9.909344673156738],["▁fall",-9.90961742401123],["▁ground",-9.910234451293945],["▁High",-9.910740852355957],["▁Q",-9.911155700683594],["▁schon",-9.911709785461426],["▁hotel",-9.911751747131348],["▁prices",-9.912031173706055],["▁developed",-9.913411140441895],["uk",-9.913476943969727],["ide",-9.91367244720459],["▁September",-9.91370964050293],["ized",-9.914202690124512],["▁War",-9.914704322814941],["!!",-9.916285514831543],["▁grow",-9.916997909545898],["▁watch",-9.917067527770996],["▁storage",-9.917412757873535],["eau",-9.917513847351074],["can",-9.918373107910156],["▁Get",-9.919524192810059],["▁See",-9.91953182220459],["▁European",-9.919703483581543],["▁language",-9.91982650756836],["ează",-9.920175552368164],["▁court",-9.920334815979004],["▁Why",-9.921106338500977],["▁hear",-9.921342849731445],["▁doar",-9.921804428100586],["lan",-9.92330265045166],["▁Christmas",-9.923810958862305],["▁Web",-9.923871994018555],["vo",-9.92405891418457],["▁sent",-9.924983024597168],["▁businesses",-9.925868034362793],["▁Red",-9.926278114318848],["tel",-9.926375389099121],["▁Ha",-9.926508903503418],["▁wonderful",-9.926653861999512],["ations",-9.926738739013672],["za",-9.92748737335205],["▁22",-9.928659439086914],["▁thinking",-9.92941665649414],["▁became",-9.929733276367188],["▁cool",-9.929835319519043],["▁speed",-9.930370330810547],["mar",-9.930426597595215],["▁--",-9.931743621826172],["▁groups",-9.931920051574707],["▁interested",-9.93198299407959],["ak",-9.93218994140625],["▁60",-9.932672500610352],["▁screen",-9.93370246887207],["▁Design",-9.933789253234863],["▁limited",-9.935648918151855],["▁expected",-9.935959815979004],["▁opportunities",-9.936376571655273],["▁regular",-9.936870574951172],["off",-9.93702220916748],["▁Best",-9.937298774719238],["Re",-9.938436508178711],["▁ihr",-9.938719749450684],["▁Great",-9.938907623291016],["▁employees",-9.93924617767334],["▁custom",-9.939679145812988],["▁multe",-9.940123558044434],["let",-9.940876007080078],["▁benefit",-9.942487716674805],["▁term",-9.942623138427734],["▁bine",-9.942869186401367],["▁deep",-9.944526672363281],["▁August",-9.94526481628418],["▁President",-9.945381164550781],["▁Auf",-9.945854187011719],["▁wish",-9.946924209594727],["▁sometimes",-9.947274208068848],["ari",-9.947793960571289],["▁pressure",-9.948184967041016],["▁ani",-9.94859504699707],["▁trade",-9.949930191040039],["▁firm",-9.950027465820312],["▁comment",-9.95003604888916],["▁November",-9.950242042541504],["▁expect",-9.951102256774902],["▁2012",-9.952491760253906],["▁Ich",-9.95328140258789],["▁relationship",-9.95363998413086],["▁active",-9.954682350158691],["org",-9.954710960388184],["▁heat",-9.956732749938965],["▁wood",-9.95678997039795],["▁notre",-9.957921028137207],["▁function",-9.958330154418945],["▁2.",-9.95909309387207],["▁wedding",-9.960049629211426],["▁starting",-9.961235046386719],["▁Health",-9.961249351501465],["\",",-9.961713790893555],["▁death",-9.962173461914062],["▁pages",-9.962764739990234],["▁vehicle",-9.96293830871582],["▁request",-9.963874816894531],["▁helps",-9.963916778564453],["▁blue",-9.964017868041992],["▁analysis",-9.964414596557617],["▁posted",-9.964544296264648],["▁healthy",-9.964814186096191],["▁contract",-9.964988708496094],["▁•",-9.965263366699219],["▁Each",-9.965293884277344],["▁Fa",-9.966179847717285],["▁dintre",-9.966221809387207],["▁Friday",-9.967202186584473],["▁considered",-9.967992782592773],["cher",-9.96826457977295],["▁quick",-9.968731880187988],["▁understanding",-9.96916389465332],["▁condition",-9.969378471374512],["ization",-9.971049308776855],["▁document",-9.971664428710938],["▁prevent",-9.971890449523926],["▁growing",-9.9725341796875],["▁protection",-9.972620964050293],["▁cat",-9.974002838134766],["▁#",-9.975058555603027],["10",-9.975275039672852],["▁join",-9.9759521484375],["▁serve",-9.976580619812012],["▁blood",-9.977095603942871],["▁July",-9.977341651916504],["▁region",-9.977787971496582],["car",-9.97933578491211],["▁entre",-9.979788780212402],["▁physical",-9.981287002563477],["▁cash",-9.9813232421875],["aux",-9.981823921203613],["ng",-9.982654571533203],["▁stage",-9.98281478881836],["▁seem",-9.983034133911133],["▁definitely",-9.983795166015625],["▁investment",-9.983827590942383],["▁purpose",-9.985441207885742],["▁begin",-9.985486030578613],["®",-9.985495567321777],["▁break",-9.985701560974121],["itate",-9.987293243408203],["▁moving",-9.989288330078125],["▁met",-9.990678787231445],["ize",-9.990833282470703],["▁select",-9.991165161132812],["▁tous",-9.991310119628906],["▁Europe",-9.991639137268066],["@",-9.992724418640137],["▁individuals",-9.993392944335938],["▁Zeit",-9.993524551391602],["gu",-9.995670318603516],["▁unit",-9.995753288269043],["▁noi",-9.996089935302734],["▁places",-9.996171951293945],["all",-9.99632453918457],["▁wait",-9.996755599975586],["▁difference",-9.997234344482422],["▁round",-9.998015403747559],["50",-9.99953842163086],["rie",-9.999545097351074],["▁Et",-9.999933242797852],["20",-10.000725746154785],["▁activity",-10.000792503356934],["е",-10.000866889953613],["▁Windows",-10.001087188720703],["▁produce",-10.001385688781738],["▁keine",-10.00212574005127],["▁Air",-10.002567291259766],["▁January",-10.004890441894531],["▁deux",-10.005081176757812],["▁entry",-10.005208015441895],["king",-10.006500244140625],["▁goals",-10.006736755371094],["▁previous",-10.0077543258667],["▁+",-10.008035659790039],["▁Business",-10.008259773254395],["ont",-10.008552551269531],["▁Sunday",-10.008694648742676],["▁offering",-10.010359764099121],["▁response",-10.011018753051758],["▁surface",-10.011393547058105],["▁Department",-10.01212215423584],["▁exactly",-10.012190818786621],["▁Online",-10.012577056884766],["dem",-10.013803482055664],["ischen",-10.014006614685059],["▁hands",-10.015100479125977],["▁hour",-10.016197204589844],["▁dog",-10.016946792602539],["▁damage",-10.017006874084473],["▁capital",-10.018792152404785],["▁toate",-10.020488739013672],["▁wrong",-10.020674705505371],["unui",-10.022201538085938],["tri",-10.023979187011719],["▁sell",-10.023999214172363],["▁published",-10.024175643920898],["▁families",-10.024675369262695],["▁avoid",-10.025490760803223],["▁Ko",-10.025506019592285],["▁mod",-10.026697158813477],["rat",-10.027653694152832],["▁Make",-10.0299654006958],["▁October",-10.030153274536133],["▁former",-10.031285285949707],["▁Services",-10.03281021118164],["▁felt",-10.033045768737793],["▁selection",-10.033309936523438],["eaza",-10.034177780151367],["gel",-10.034422874450684],["▁Good",-10.035792350769043],["▁actual",-10.0364351272583],["▁gut",-10.036853790283203],["▁gas",-10.03708553314209],["15",-10.038182258605957],["▁structure",-10.038285255432129],["▁act",-10.0386381149292],["▁Zu",-10.038654327392578],["▁creative",-10.039134979248047],["▁Vi",-10.039159774780273],["▁shop",-10.04066276550293],["▁Lo",-10.040735244750977],["şi",-10.042192459106445],["▁mis",-10.042224884033203],["ungen",-10.042301177978516],["▁fan",-10.04240608215332],["▁|",-10.043391227722168],["▁Bei",-10.044037818908691],["▁protect",-10.04454517364502],["▁Na",-10.0447998046875],["q",-10.045693397521973],["ok",-10.04710578918457],["▁California",-10.047263145446777],["▁political",-10.047301292419434],["25",-10.047530174255371],["▁feeling",-10.047913551330566],["▁ces",-10.048321723937988],["▁display",-10.048857688903809],["▁essential",-10.04964542388916],["ând",-10.049971580505371],["▁seine",-10.050551414489746],["▁soft",-10.050915718078613],["ach",-10.05102252960205],["▁happen",-10.051118850708008],["▁Paul",-10.053346633911133],["▁Cu",-10.054024696350098],["house",-10.055376052856445],["ante",-10.05582046508789],["▁easier",-10.056551933288574],["▁sort",-10.0567045211792],["▁Post",-10.057138442993164],["▁accept",-10.05730152130127],["field",-10.057648658752441],["zen",-10.057741165161133],["▁character",-10.057848930358887],["▁beginning",-10.058433532714844],["▁Jesus",-10.058760643005371],["▁weekend",-10.059663772583008],["▁certainly",-10.06114387512207],["▁THE",-10.061254501342773],["▁alle",-10.06189250946045],["▁transport",-10.062220573425293],["▁Saturday",-10.063043594360352],["▁basic",-10.064136505126953],["▁loved",-10.06431770324707],["ros",-10.065333366394043],["▁offered",-10.065996170043945],["▁camera",-10.067024230957031],["▁Green",-10.06789779663086],["ology",-10.069480895996094],["ä",-10.069646835327148],["▁manage",-10.070416450500488],["▁paid",-10.070881843566895],["▁advice",-10.071617126464844],["▁patient",-10.072234153747559],["▁spent",-10.072272300720215],["▁mir",-10.072366714477539],["▁baby",-10.072400093078613],["ö",-10.073193550109863],["▁basis",-10.073338508605957],["▁cancer",-10.073765754699707],["▁Although",-10.07400894165039],["▁gift",-10.074336051940918],["▁3.",-10.074871063232422],["dieser",-10.075157165527344],["▁overall",-10.07520580291748],["▁Sch",-10.075265884399414],["▁Ex",-10.076258659362793],["▁December",-10.07689094543457],["▁released",-10.078214645385742],["▁prior",-10.07900333404541],["▁sowie",-10.081072807312012],["▁club",-10.081326484680176],["▁Street",-10.081535339355469],["▁College",-10.08254623413086],["▁î",-10.083059310913086],["over",-10.083159446716309],["▁gave",-10.08454704284668],["▁truly",-10.084784507751465],["par",-10.084806442260742],["▁Canada",-10.084888458251953],["▁existing",-10.085420608520508],["lie",-10.086335182189941],["▁ganz",-10.086658477783203],["▁setting",-10.087109565734863],["▁supply",-10.08739185333252],["▁college",-10.087540626525879],["▁communication",-10.088407516479492],["▁23",-10.088834762573242],["▁pass",-10.091546058654785],["▁devices",-10.091872215270996],["▁glass",-10.092083930969238],["▁experienced",-10.092395782470703],["▁grand",-10.093363761901855],["▁Po",-10.093396186828613],["▁beyond",-10.094029426574707],["▁format",-10.094165802001953],["▁mon",-10.09461498260498],["▁perform",-10.094635009765625],["sten",-10.095130920410156],["▁1,",-10.096270561218262],["▁Per",-10.096640586853027],["▁sold",-10.097247123718262],["▁rates",-10.0972900390625],["▁regarding",-10.097782135009766],["▁Paris",-10.098291397094727],["▁Dar",-10.099579811096191],["▁challenge",-10.099649429321289],["▁feet",-10.100564002990723],["▁Su",-10.102017402648926],["je",-10.102593421936035],["▁Bank",-10.102627754211426],["ven",-10.103126525878906],["jo",-10.103290557861328],["▁band",-10.10348892211914],["▁delivery",-10.104915618896484],["Vous",-10.104924201965332],["tele",-10.10495376586914],["▁East",-10.105379104614258],["▁pictures",-10.106067657470703],["▁useful",-10.106481552124023],["*",-10.107648849487305],["▁increased",-10.107746124267578],["▁stories",-10.108119010925293],["sion",-10.108280181884766],["bra",-10.108345985412598],["▁brought",-10.108466148376465],["▁effort",-10.109898567199707],["▁payment",-10.11058235168457],["▁heard",-10.110925674438477],["▁played",-10.111245155334473],["▁White",-10.111417770385742],["▁metal",-10.111721992492676],["tal",-10.111754417419434],["▁engine",-10.112006187438965],["▁Club",-10.11218547821045],["ical",-10.114581108093262],["▁effects",-10.115421295166016],["▁degree",-10.115763664245605],["▁bed",-10.1159086227417],["ette",-10.115991592407227],["▁David",-10.116386413574219],["°",-10.117666244506836],["▁Au",-10.117938041687012],["▁Company",-10.11845874786377],["▁player",-10.11938190460205],["▁Today",-10.120569229125977],["▁maintain",-10.12093448638916],["▁minute",-10.121193885803223],["mail",-10.122172355651855],["▁race",-10.122366905212402],["▁comfortable",-10.123887062072754],["▁responsible",-10.124085426330566],["vor",-10.124622344970703],["▁associated",-10.124695777893066],["▁weather",-10.124701499938965],["▁$1",-10.125639915466309],["▁tried",-10.126176834106445],["▁Check",-10.127649307250977],["▁solid",-10.127864837646484],["▁movie",-10.128364562988281],["▁coffee",-10.12874698638916],["board",-10.129073143005371],["▁po",-10.12946605682373],["▁warm",-10.129583358764648],["▁connect",-10.131733894348145],["▁Ad",-10.133807182312012],["work",-10.133859634399414],["mal",-10.13397216796875],["▁Act",-10.134634971618652],["▁achieve",-10.134769439697266],["▁Nach",-10.136604309082031],["www",-10.136669158935547],["term",-10.13672161102295],["▁claim",-10.137251853942871],["▁particularly",-10.138245582580566],["▁cas",-10.138396263122559],["▁furniture",-10.138461112976074],["▁finish",-10.13896369934082],["▁temps",-10.139026641845703],["▁disease",-10.139115333557129],["▁lots",-10.139196395874023],["▁ball",-10.139307975769043],["▁sun",-10.14010238647461],["▁strategy",-10.140498161315918],["bre",-10.140518188476562],["▁mine",-10.141541481018066],["▁Click",-10.141743659973145],["ran",-10.141983032226562],["▁Will",-10.142234802246094],["▁garden",-10.142974853515625],["▁stuff",-10.14359188079834],["▁limit",-10.144641876220703],["▁bottom",-10.14494800567627],["▁shown",-10.144962310791016],["ship",-10.145271301269531],["▁habe",-10.145858764648438],["▁Super",-10.146219253540039],["▁completed",-10.146971702575684],["▁wine",-10.146979331970215],["ische",-10.147262573242188],["▁largest",-10.147466659545898],["▁appropriate",-10.148261070251465],["▁immediately",-10.150248527526855],["▁Hi",-10.152358055114746],["▁trust",-10.152767181396484],["ability",-10.154254913330078],["▁powerful",-10.155101776123047],["▁helping",-10.155620574951172],["▁schedule",-10.155688285827637],["▁correct",-10.155707359313965],["▁transfer",-10.156496047973633],["pre",-10.15665340423584],["▁journey",-10.15688419342041],["pm",-10.157002449035645],["don",-10.158435821533203],["▁highest",-10.159249305725098],["▁finally",-10.15999698638916],["form",-10.160258293151855],["▁extremely",-10.160404205322266],["▁window",-10.160501480102539],["▁Over",-10.162222862243652],["▁remove",-10.162469863891602],["wood",-10.162479400634766],["▁2013",-10.163631439208984],["▁mother",-10.164072036743164],["▁Auto",-10.16436767578125],["▁annual",-10.164615631103516],["▁Star",-10.164834976196289],["▁Di",-10.166138648986816],["о",-10.16711139678955],["▁gold",-10.167129516601562],["tar",-10.167352676391602],["ju",-10.167750358581543],["▁Use",-10.169474601745605],["▁thanks",-10.16960334777832],["▁centre",-10.170127868652344],["▁Australia",-10.170358657836914],["▁estate",-10.170504570007324],["▁eyes",-10.1714448928833],["▁force",-10.171592712402344],["▁income",-10.17395305633545],["▁science",-10.174036026000977],["ori",-10.174230575561523],["▁enter",-10.174851417541504],["▁28",-10.175408363342285],["ire",-10.17568302154541],["▁schools",-10.175797462463379],["▁restaurant",-10.176088333129883],["▁Council",-10.177032470703125],["aus",-10.177885055541992],["▁agree",-10.17905330657959],["▁campaign",-10.179192543029785],["▁Ta",-10.179428100585938],["▁letter",-10.179814338684082],["▁central",-10.179931640625],["▁Because",-10.180054664611816],["▁path",-10.180349349975586],["▁loc",-10.180882453918457],["▁files",-10.182587623596191],["▁population",-10.182705879211426],["▁explore",-10.182723999023438],["▁mid",-10.182734489440918],["▁concept",-10.182748794555664],["▁church",-10.183015823364258],["80",-10.183026313781738],["▁einfach",-10.185834884643555],["▁reasons",-10.186690330505371],["▁determine",-10.186755180358887],["▁February",-10.187095642089844],["▁evidence",-10.18797779083252],["▁sleep",-10.188036918640137],["▁Board",-10.188652992248535],["▁maybe",-10.189635276794434],["▁wasn",-10.189701080322266],["▁Monday",-10.190101623535156],["▁director",-10.190481185913086],["well",-10.190974235534668],["During",-10.191001892089844],["▁sweet",-10.191061973571777],["▁assist",-10.19124984741211],["▁police",-10.191511154174805],["▁repair",-10.191729545593262],["▁techniques",-10.191733360290527],["▁served",-10.191808700561523],["vi",-10.192037582397461],["▁sports",-10.192331314086914],["▁opening",-10.192401885986328],["▁ones",-10.192731857299805],["▁notice",-10.193460464477539],["▁PC",-10.193547248840332],["▁alte",-10.194242477416992],["▁Bi",-10.194340705871582],["▁cold",-10.195606231689453],["▁billion",-10.195794105529785],["▁balance",-10.196361541748047],["cer",-10.196417808532715],["▁nearly",-10.196725845336914],["▁wear",-10.197259902954102],["free",-10.19760799407959],["▁Have",-10.197748184204102],["▁comfort",-10.199211120605469],["▁studies",-10.199225425720215],["▁traffic",-10.199540138244629],["▁item",-10.200214385986328],["▁teaching",-10.200467109680176],["▁turned",-10.201326370239258],["isation",-10.201354026794434],["12",-10.202038764953613],["▁greater",-10.202167510986328],["▁knew",-10.20233154296875],["▁Association",-10.203333854675293],["▁Office",-10.203802108764648],["▁established",-10.204085350036621],["45",-10.204170227050781],["▁Love",-10.204318046569824],["▁changed",-10.204882621765137],["▁pan",-10.205184936523438],["van",-10.20565414428711],["▁Mi",-10.205663681030273],["▁tend",-10.20637321472168],["▁connection",-10.206522941589355],["▁lack",-10.206954002380371],["▁bank",-10.208464622497559],["cat",-10.208720207214355],["▁helped",-10.209071159362793],["▁spot",-10.209417343139648],["▁spring",-10.20974063873291],["▁Wi",-10.210912704467773],["▁Mac",-10.211682319641113],["▁Christ",-10.212015151977539],["▁saying",-10.212835311889648],["▁General",-10.213062286376953],["▁port",-10.213099479675293],["▁Mal",-10.213156700134277],["▁System",-10.213486671447754],["▁According",-10.2152738571167],["▁chiar",-10.21568489074707],["log",-10.21576976776123],["▁mix",-10.215974807739258],["▁Lake",-10.216042518615723],["▁intr",-10.216590881347656],["▁deliver",-10.216793060302734],["mon",-10.216931343078613],["▁Ro",-10.217060089111328],["▁Management",-10.217504501342773],["bri",-10.218718528747559],["▁pieces",-10.218774795532227],["▁announced",-10.218926429748535],["▁Yes",-10.219268798828125],["▁dark",-10.220884323120117],["val",-10.221765518188477],["▁rights",-10.22309684753418],["▁Diese",-10.223100662231445],["ki",-10.223350524902344],["vent",-10.22375774383545],["▁born",-10.22380542755127],["▁muss",-10.224031448364258],["compared",-10.224660873413086],["▁demand",-10.224669456481934],["▁handle",-10.225493431091309],["▁mode",-10.226058006286621],["lic",-10.226137161254883],["▁ahead",-10.226436614990234],["▁sharing",-10.227599143981934],["▁micro",-10.227779388427734],["▁Par",-10.228626251220703],["▁Every",-10.22950553894043],["▁bag",-10.229736328125],["▁daca",-10.22974967956543],["▁Apple",-10.23022174835205],["▁Mark",-10.230239868164062],["▁larger",-10.231284141540527],["eze",-10.231978416442871],["▁progress",-10.232234001159668],["▁stress",-10.232929229736328],["▁cards",-10.233663558959961],["▁driving",-10.233738899230957],["▁dry",-10.233970642089844],["▁relevant",-10.234556198120117],["▁Jo",-10.234825134277344],["▁tree",-10.235036849975586],["▁reported",-10.235770225524902],["ities",-10.23577880859375],["▁tea",-10.235806465148926],["▁although",-10.236145973205566],["▁Research",-10.236261367797852],["▁pool",-10.23691463470459],["▁fin",-10.237163543701172],["▁Und",-10.238130569458008],["▁decide",-10.239217758178711],["▁expert",-10.239344596862793],["rate",-10.239428520202637],["zeit",-10.239971160888672],["▁26",-10.24040412902832],["▁Ka",-10.24056339263916],["▁fix",-10.240666389465332],["igen",-10.240713119506836],["▁direction",-10.241188049316406],["▁star",-10.241661071777344],["▁middle",-10.241889953613281],["▁Ja",-10.241962432861328],["▁Land",-10.24207878112793],["ken",-10.242605209350586],["▁button",-10.242630004882812],["▁rules",-10.242656707763672],["▁également",-10.242706298828125],["▁viel",-10.243158340454102],["▁welcome",-10.243682861328125],["că",-10.243932723999023],["▁Top",-10.245308876037598],["▁allowed",-10.245487213134766],["▁tip",-10.245584487915039],["▁cei",-10.245768547058105],["▁Nous",-10.246004104614258],["té",-10.246850967407227],["▁unei",-10.246903419494629],["▁efforts",-10.247260093688965],["▁note",-10.247719764709473],["▁title",-10.247977256774902],["ric",-10.248047828674316],["berg",-10.248252868652344],["▁ainsi",-10.248576164245605],["▁led",-10.248713493347168],["▁alone",-10.248786926269531],["ward",-10.249215126037598],["▁vie",-10.249323844909668],["▁brain",-10.249427795410156],["light",-10.250100135803223],["▁Court",-10.250598907470703],["set",-10.250869750976562],["▁steps",-10.251251220703125],["pri",-10.251391410827637],["Q",-10.251654624938965],["sti",-10.251938819885254],["▁voice",-10.252121925354004],["▁models",-10.252705574035645],["▁parties",-10.25442886352539],["▁radio",-10.255270957946777],["▁mission",-10.25545883178711],["▁methods",-10.255658149719238],["▁Te",-10.256019592285156],["air",-10.256489753723145],["▁essay",-10.256719589233398],["my",-10.256826400756836],["▁competition",-10.257049560546875],["ses",-10.257447242736816],["▁serious",-10.258724212646484],["▁Ti",-10.258733749389648],["▁Hand",-10.259561538696289],["not",-10.25958251953125],["▁winter",-10.261277198791504],["24",-10.261724472045898],["▁vision",-10.26174545288086],["▁technical",-10.262110710144043],["▁cross",-10.262799263000488],["▁update",-10.262947082519531],["▁Team",-10.263564109802246],["▁evening",-10.264286041259766],["▁experts",-10.26435661315918],["part",-10.264640808105469],["▁wo",-10.265190124511719],["▁App",-10.265729904174805],["▁peu",-10.266267776489258],["▁mich",-10.26630687713623],["▁reports",-10.267001152038574],["▁km",-10.267594337463379],["▁print",-10.2678804397583],["▁Hotel",-10.268101692199707],["▁earlier",-10.268235206604004],["▁uses",-10.26826286315918],["▁menu",-10.268416404724121],["▁miles",-10.26845645904541],["▁classes",-10.268463134765625],["▁mo",-10.268525123596191],["▁loan",-10.2691011428833],["▁host",-10.269192695617676],["▁author",-10.269274711608887],["-1",-10.269434928894043],["▁bun",-10.269940376281738],["19",-10.270011901855469],["uch",-10.270670890808105],["ble",-10.270813941955566],["▁holiday",-10.270859718322754],["los",-10.271894454956055],["▁looked",-10.272663116455078],["▁Test",-10.272759437561035],["▁moved",-10.273000717163086],["▁numbers",-10.273306846618652],["▁covered",-10.273405075073242],["ker",-10.273696899414062],["TM",-10.273768424987793],["▁album",-10.274727821350098],["▁27",-10.27476692199707],["▁când",-10.27523422241211],["▁shopping",-10.275248527526855],["▁Ihr",-10.27531623840332],["▁requires",-10.275786399841309],["▁USA",-10.275909423828125],["000",-10.275951385498047],["▁official",-10.276010513305664],["▁states",-10.276346206665039],["▁tips",-10.276570320129395],["ible",-10.277321815490723],["▁Lu",-10.27756404876709],["ces",-10.278343200683594],["▁figure",-10.27839469909668],["▁Take",-10.278576850891113],["▁după",-10.278687477111816],["▁teams",-10.278980255126953],["▁song",-10.279138565063477],["▁master",-10.279386520385742],["ED",-10.279841423034668],["▁cleaning",-10.280523300170898],["▁drop",-10.280651092529297],["▁primary",-10.2808837890625],["▁Life",-10.28108024597168],["▁carry",-10.281129837036133],["▁initial",-10.281270980834961],["▁encore",-10.281617164611816],["▁Add",-10.281670570373535],["▁woman",-10.282076835632324],["▁Water",-10.282219886779785],["▁advantage",-10.28277587890625],["see",-10.283234596252441],["ré",-10.283341407775879],["▁motor",-10.283479690551758],["mel",-10.2838716506958],["▁finding",-10.284419059753418],["▁plastic",-10.286365509033203],["▁IT",-10.286602973937988],["▁Church",-10.286916732788086],["▁shape",-10.287345886230469],["▁gets",-10.287763595581055],["▁followed",-10.288186073303223],["▁100%",-10.288315773010254],["▁Program",-10.28912353515625],["▁Another",-10.28934383392334],["▁zwei",-10.289522171020508],["▁father",-10.289839744567871],["▁rich",-10.290282249450684],["où",-10.290810585021973],["▁lines",-10.290934562683105],["▁distance",-10.291757583618164],["▁cell",-10.291876792907715],["▁parte",-10.292072296142578],["bit",-10.292445182800293],["▁perhaps",-10.292749404907227],["rii",-10.293590545654297],["▁session",-10.294137954711914],["▁Pentru",-10.294528007507324],["ING",-10.295049667358398],["ants",-10.295478820800781],["▁remain",-10.295543670654297],["13",-10.295588493347168],["▁finished",-10.295763969421387],["bel",-10.298725128173828],["▁organizations",-10.299455642700195],["▁Any",-10.299896240234375],["▁taste",-10.300277709960938],["Whether",-10.300600051879883],["ram",-10.300874710083008],["like",-10.301307678222656],["▁artist",-10.301319122314453],["aire",-10.303369522094727],["▁French",-10.303386688232422],["▁donc",-10.303634643554688],["ow",-10.30386734008789],["▁200",-10.303993225097656],["▁paint",-10.304465293884277],["▁Open",-10.304535865783691],["▁appear",-10.304722785949707],["▁Washington",-10.304765701293945],["▁target",-10.30491828918457],["pir",-10.305578231811523],["▁generally",-10.305987358093262],["▁British",-10.306790351867676],["▁seven",-10.306937217712402],["▁bio",-10.307162284851074],["▁sector",-10.307358741760254],["90",-10.30777359008789],["▁fapt",-10.307881355285645],["▁prefer",-10.308316230773926],["▁partner",-10.308427810668945],["ăm",-10.308547973632812],["▁diverse",-10.308610916137695],["▁onto",-10.309283256530762],["▁refer",-10.309828758239746],["▁Law",-10.310302734375],["▁Ri",-10.310596466064453],["▁critical",-10.310735702514648],["▁copy",-10.310897827148438],["ck",-10.311517715454102],["ix",-10.311732292175293],["tag",-10.311793327331543],["▁Road",-10.311936378479004],["▁concern",-10.312053680419922],["▁maximum",-10.312095642089844],["▁train",-10.312148094177246],["▁într",-10.312189102172852],["ura",-10.313023567199707],["▁Qu",-10.313481330871582],["▁links",-10.313538551330566],["▁audience",-10.313969612121582],["▁foot",-10.314554214477539],["▁Blue",-10.314605712890625],["ification",-10.315386772155762],["▁developing",-10.315847396850586],["▁interior",-10.315876007080078],["=",-10.316556930541992],["▁aceasta",-10.31698989868164],["▁dedicated",-10.317373275756836],["▁movement",-10.317383766174316],["sta",-10.318868637084961],["▁challenges",-10.319018363952637],["inte",-10.319074630737305],["▁Euro",-10.319075584411621],["▁classic",-10.320341110229492],["▁Um",-10.320767402648926],["▁alternative",-10.321407318115234],["mann",-10.321614265441895],["▁Une",-10.322278022766113],["qu",-10.322415351867676],["▁heavy",-10.322434425354004],["▁install",-10.322484970092773],["▁fiind",-10.322504043579102],["▁leaders",-10.323003768920898],["▁views",-10.323019981384277],["▁www",-10.323084831237793],["▁standards",-10.323270797729492],["ong",-10.323580741882324],["40",-10.323833465576172],["▁cm",-10.323848724365234],["▁park",-10.324324607849121],["▁himself",-10.324419021606445],["▁People",-10.324649810791016],["▁separate",-10.324843406677246],["▁secure",-10.325018882751465],["sie",-10.325084686279297],["▁maintenance",-10.325199127197266],["▁encourage",-10.32766056060791],["ein",-10.328139305114746],["▁reviews",-10.328202247619629],["▁Michael",-10.328210830688477],["▁background",-10.328283309936523],["▁therefore",-10.328433990478516],["▁server",-10.328487396240234],["▁dream",-10.328742027282715],["ping",-10.329025268554688],["▁block",-10.329855918884277],["▁2009",-10.330734252929688],["▁facilities",-10.330931663513184],["▁II",-10.331367492675781],["▁attend",-10.33156967163086],["▁cap",-10.33224105834961],["35",-10.332416534423828],["▁steel",-10.332796096801758],["▁shared",-10.333391189575195],["▁doctor",-10.333939552307129],["▁River",-10.33411693572998],["▁Bay",-10.334456443786621],["▁length",-10.335005760192871],["▁jobs",-10.335466384887695],["▁Plus",-10.335992813110352],["▁station",-10.336140632629395],["▁elements",-10.336268424987793],["▁rock",-10.336668014526367],["▁professionals",-10.336670875549316],["cle",-10.336777687072754],["▁dont",-10.336873054504395],["urilor",-10.337142944335938],["▁gain",-10.337271690368652],["▁programme",-10.337540626525879],["▁Cor",-10.338377952575684],["▁leader",-10.338542938232422],["ării",-10.33876895904541],["▁>",-10.339137077331543],["▁task",-10.339471817016602],["▁seeing",-10.339943885803223],["▁statement",-10.34045696258545],["vin",-10.341094017028809],["▁fish",-10.341700553894043],["▁advanced",-10.342403411865234],["▁discuss",-10.342494010925293],["die",-10.342904090881348],["isch",-10.342944145202637],["▁plenty",-10.342947959899902],["▁Hall",-10.343120574951172],["▁Other",-10.343339920043945],["▁homes",-10.344944953918457],["▁Ni",-10.345016479492188],["▁testing",-10.345102310180664],["▁Last",-10.345392227172852],["▁Note",-10.345595359802246],["▁talking",-10.345934867858887],["▁exchange",-10.347042083740234],["▁exercise",-10.347189903259277],["▁cea",-10.347546577453613],["▁wife",-10.34820556640625],["▁Für",-10.348480224609375],["▁Texas",-10.34981918334961],["▁fr",-10.35065746307373],["▁speak",-10.350894927978516],["17",-10.351007461547852],["70",-10.351462364196777],["▁promote",-10.351851463317871],["tul",-10.351990699768066],["apos",-10.35208511352539],["▁Jahr",-10.35214900970459],["▁Trump",-10.352204322814941],["▁ohne",-10.352357864379883],["▁learned",-10.353700637817383],["▁Sp",-10.353803634643555],["▁owner",-10.354275703430176],["mor",-10.354422569274902],["▁fois",-10.354452133178711],["▁meaning",-10.35518741607666],["▁dacă",-10.355249404907227],["nic",-10.355484008789062],["а",-10.355525970458984],["14",-10.355767250061035],["▁driver",-10.356258392333984],["▁Amazon",-10.3567533493042],["▁flow",-10.358469009399414],["▁shot",-10.358726501464844],["▁sous",-10.35914421081543],["▁Gold",-10.359339714050293],["▁straight",-10.359562873840332],["▁conference",-10.359610557556152],["▁peste",-10.359662055969238],["whose",-10.36030101776123],["▁installation",-10.36050796508789],["▁produced",-10.360607147216797],["▁independent",-10.36192512512207],["▁Institute",-10.362021446228027],["▁James",-10.362373352050781],["▁mental",-10.362601280212402],["ara",-10.362798690795898],["ium",-10.363021850585938],["▁husband",-10.36306095123291],["▁guests",-10.363907814025879],["27",-10.364319801330566],["▁Che",-10.364651679992676],["▁Indian",-10.364694595336914],["zer",-10.36478042602539],["▁minimum",-10.364962577819824],["500",-10.365096092224121],["▁sit",-10.36561393737793],["put",-10.36656379699707],["▁avea",-10.36665153503418],["▁ride",-10.367088317871094],["gan",-10.367152214050293],["▁Ke",-10.36747932434082],["book",-10.367515563964844],["ages",-10.368019104003906],["▁presented",-10.368157386779785],["▁Com",-10.368927955627441],["▁Call",-10.369053840637207],["▁fee",-10.369847297668457],["ări",-10.369905471801758],["▁putea",-10.37072467803955],["▁Public",-10.371030807495117],["▁pa",-10.371152877807617],["28",-10.371233940124512],["▁Director",-10.37126350402832],["▁contains",-10.3717622756958],["▁factors",-10.372554779052734],["▁famous",-10.372614860534668],["▁bathroom",-10.373040199279785],["▁core",-10.37353229522705],["▁viele",-10.373610496520996],["▁acum",-10.374361991882324],["▁animal",-10.374407768249512],["▁Ihnen",-10.374425888061523],["▁Find",-10.374545097351074],["▁Fall",-10.374861717224121],["ford",-10.376051902770996],["▁coverage",-10.3765287399292],["▁smart",-10.376830101013184],["ries",-10.376893997192383],["▁memory",-10.3772554397583],["▁dance",-10.377443313598633],["11",-10.37746810913086],["▁communities",-10.377655982971191],["eurs",-10.378050804138184],["▁Florida",-10.378463745117188],["▁sport",-10.379366874694824],["▁bus",-10.37992000579834],["▁colors",-10.379969596862793],["▁affect",-10.380044937133789],["▁score",-10.380183219909668],["▁properties",-10.38050365447998],["18",-10.380593299865723],["▁astfel",-10.381312370300293],["▁beach",-10.382407188415527],["▁friendly",-10.382795333862305],["izing",-10.38288688659668],["▁buying",-10.383146286010742],["▁forget",-10.383195877075195],["este",-10.383198738098145],["▁capacity",-10.38360595703125],["▁lose",-10.383692741394043],["▁listed",-10.38407039642334],["ica",-10.384084701538086],["han",-10.384085655212402],["▁selbst",-10.384390830993652],["▁values",-10.384391784667969],["▁Power",-10.384559631347656],["▁comments",-10.384831428527832],["eux",-10.385346412658691],["ați",-10.385419845581055],["▁context",-10.385710716247559],["liche",-10.385944366455078],["▁keeping",-10.38620662689209],["▁2008",-10.38647174835205],["▁su",-10.386670112609863],["▁biggest",-10.386838912963867],["▁fiecare",-10.387356758117676],["ight",-10.38845157623291],["▁toute",-10.389808654785156],["▁dinner",-10.389827728271484],["bau",-10.390706062316895],["▁Mai",-10.390762329101562],["▁status",-10.390776634216309],["rez",-10.391340255737305],["▁selected",-10.391549110412598],["▁cells",-10.392601013183594],["▁eight",-10.393319129943848],["▁package",-10.393320083618164],["▁scale",-10.39333724975586],["din",-10.39336109161377],["▁Who",-10.393381118774414],["▁century",-10.393399238586426],["▁bi",-10.393516540527344],["▁Africa",-10.39384937286377],["▁http",-10.394133567810059],["▁named",-10.394230842590332],["▁adding",-10.394901275634766],["▁mention",-10.395039558410645],["▁casino",-10.395421981811523],["▁couldn",-10.395624160766602],["▁outdoor",-10.395912170410156],["▁sugar",-10.3960542678833],["▁prepared",-10.396124839782715],["21",-10.396528244018555],["▁Ba",-10.396632194519043],["vers",-10.396697998046875],["ration",-10.396773338317871],["▁ja",-10.397035598754883],["▁aspect",-10.397224426269531],["▁31",-10.397462844848633],["▁treat",-10.397475242614746],["tru",-10.397841453552246],["▁flat",-10.397890090942383],["32",-10.397989273071289],["▁reality",-10.398238182067871],["▁waste",-10.39876937866211],["▁King",-10.399649620056152],["▁drug",-10.399870872497559],["▁operations",-10.400120735168457],["▁aim",-10.40042495727539],["▁fans",-10.400444984436035],["▁vers",-10.400891304016113],["▁plants",-10.400971412658691],["▁Dis",-10.401477813720703],["▁Daten",-10.401510238647461],["être",-10.40267276763916],["▁placed",-10.40326976776123],["▁bon",-10.403977394104004],["beim",-10.4041109085083],["▁slow",-10.40501880645752],["cri",-10.405512809753418],["▁Care",-10.405691146850586],["mes",-10.406211853027344],["26",-10.406257629394531],["box",-10.406330108642578],["▁helpful",-10.406362533569336],["▁documents",-10.406543731689453],["▁visitors",-10.406773567199707],["ture",-10.406862258911133],["▁Menschen",-10.406891822814941],["▁Chi",-10.406975746154785],["▁recipe",-10.40764045715332],["▁kept",-10.407693862915039],["▁Grand",-10.407915115356445],["▁operating",-10.408178329467773],["point",-10.408329010009766],["▁bin",-10.40837287902832],["▁Tri",-10.40845775604248],["Be",-10.408512115478516],["▁experiences",-10.40856647491455],["▁academic",-10.408608436584473],["▁finden",-10.40870475769043],["▁sera",-10.409092903137207],["act",-10.410541534423828],["▁Pa",-10.410907745361328],["▁society",-10.411056518554688],["▁combination",-10.411237716674805],["5%",-10.41182804107666],["▁owners",-10.41188907623291],["▁poor",-10.412039756774902],["▁Robert",-10.412378311157227],["▁military",-10.412964820861816],["▁economy",-10.413033485412598],["▁aware",-10.413055419921875],["rot",-10.413443565368652],["mie",-10.413544654846191],["▁Thursday",-10.414399147033691],["▁2011",-10.41490650177002],["▁fantastic",-10.41554069519043],["▁numerous",-10.415921211242676],["▁fair",-10.4165620803833],["med",-10.416753768920898],["▁welche",-10.416893005371094],["▁fruit",-10.41712760925293],["ku",-10.417325019836426],["▁Social",-10.417583465576172],["▁funds",-10.418157577514648],["▁atunci",-10.418214797973633],["▁Part",-10.418238639831543],["▁Big",-10.418301582336426],["▁2010",-10.419414520263672],["▁detail",-10.419889450073242],["▁Peter",-10.419942855834961],["ani",-10.420196533203125],["▁Wie",-10.420795440673828],["▁Tu",-10.421649932861328],["ear",-10.421706199645996],["▁Wenn",-10.421941757202148],["▁manager",-10.42199993133545],["▁Dan",-10.422409057617188],["▁Pi",-10.42257308959961],["▁wants",-10.422652244567871],["▁Data",-10.42322826385498],["pos",-10.42387580871582],["▁older",-10.423946380615234],["▁Download",-10.424071311950684],["▁Was",-10.424107551574707],["▁corner",-10.424195289611816],["▁president",-10.424199104309082],["mas",-10.424248695373535],["▁smaller",-10.424361228942871],["▁bright",-10.424459457397461],["▁proper",-10.424582481384277],["▁Kinder",-10.424637794494629],["▁Two",-10.424668312072754],["▁award",-10.42471694946289],["▁premier",-10.425211906433105],["▁seek",-10.425646781921387],["▁thank",-10.425662994384766],["▁proud",-10.426509857177734],["▁workers",-10.426774024963379],["▁2000",-10.426970481872559],["▁gone",-10.427482604980469],["▁medium",-10.427693367004395],["▁grade",-10.42777156829834],["▁Ru",-10.427800178527832],["cro",-10.427851676940918],["▁interview",-10.428311347961426],["23",-10.428787231445312],["▁mari",-10.429442405700684],["▁80",-10.429756164550781],["▁Ga",-10.430047035217285],["▁90",-10.431839942932129],["▁anderen",-10.432605743408203],["▁cultural",-10.433018684387207],["but",-10.433144569396973],["rum",-10.433300018310547],["get",-10.43338680267334],["▁pop",-10.433582305908203],["▁Information",-10.433594703674316],["▁press",-10.434972763061523],["▁Project",-10.435359001159668],["▁excited",-10.435755729675293],["▁Saint",-10.436088562011719],["▁England",-10.436192512512207],["▁beauty",-10.43643856048584],["▁agreement",-10.436464309692383],["▁Like",-10.437565803527832],["▁strength",-10.437664985656738],["▁waiting",-10.438165664672852],["и",-10.438270568847656],["Le",-10.438329696655273],["▁residents",-10.43835735321045],["▁Ben",-10.438603401184082],["▁mentioned",-10.439260482788086],["▁etwas",-10.43930721282959],["▁rooms",-10.439347267150879],["▁neue",-10.439501762390137],["▁Microsoft",-10.439726829528809],["▁passed",-10.440205574035645],["▁sea",-10.440893173217773],["▁electric",-10.441244125366211],["▁forms",-10.441384315490723],["▁Central",-10.441597938537598],["▁Lord",-10.442625999450684],["ute",-10.442763328552246],["▁pré",-10.442790031433105],["▁square",-10.44308090209961],["itatea",-10.443451881408691],["▁debt",-10.443757057189941],["▁street",-10.443975448608398],["▁pi",-10.444917678833008],["▁happened",-10.445326805114746],["▁Tuesday",-10.445592880249023],["recht",-10.446094512939453],["▁Eine",-10.44627857208252],["▁Set",-10.446768760681152],["▁federal",-10.4468412399292],["CC",-10.446905136108398],["....",-10.446938514709473],["lig",-10.447463035583496],["▁Christian",-10.44870662689209],["▁truth",-10.449213981628418],["▁map",-10.449728012084961],["▁secret",-10.449979782104492],["▁Chinese",-10.450844764709473],["hol",-10.450895309448242],["▁wrote",-10.451505661010742],["▁hospital",-10.451783180236816],["▁Island",-10.451870918273926],["▁frame",-10.451946258544922],["▁sources",-10.452117919921875],["pan",-10.453242301940918],["▁29",-10.453530311584473],["▁changing",-10.454547882080078],["▁Where",-10.454627990722656],["▁negative",-10.45471477508545],["▁processes",-10.45491886138916],["▁leadership",-10.455029487609863],["▁nos",-10.455195426940918],["▁info",-10.455780029296875],["▁Gu",-10.45595645904541],["▁CO",-10.45605182647705],["▁reference",-10.456884384155273],["▁corporate",-10.457097053527832],["▁characters",-10.457563400268555],["▁dining",-10.4577054977417],["▁becoming",-10.459708213806152],["▁4.",-10.460311889648438],["▁Science",-10.460626602172852],["▁Education",-10.461943626403809],["▁camp",-10.46207046508789],["fall",-10.462146759033203],["▁Auch",-10.462471961975098],["▁topic",-10.462519645690918],["▁influence",-10.463460922241211],["▁70",-10.463892936706543],["▁identify",-10.464459419250488],["▁(19",-10.464646339416504],["care",-10.465216636657715],["ions",-10.466215133666992],["ray",-10.4663724899292],["▁Both",-10.466577529907227],["▁collect",-10.466997146606445],["▁practices",-10.467667579650879],["▁fight",-10.468058586120605],["▁injury",-10.46873664855957],["▁nici",-10.46905517578125],["▁depuis",-10.469563484191895],["▁actions",-10.469609260559082],["▁Wednesday",-10.47089958190918],["▁bill",-10.471086502075195],["▁cheap",-10.471318244934082],["lui",-10.471719741821289],["▁awesome",-10.471731185913086],["tig",-10.472554206848145],["▁expensive",-10.472636222839355],["ceea",-10.472834587097168],["▁exact",-10.472907066345215],["22",-10.473462104797363],["▁avant",-10.47352123260498],["▁fat",-10.47353744506836],["▁spending",-10.474353790283203],["▁designs",-10.47608470916748],["▁damit",-10.4761323928833],["▁comp",-10.47619342803955],["▁whatever",-10.476434707641602],["▁Light",-10.476442337036133],["▁quarter",-10.47680377960205],["hand",-10.477301597595215],["▁connected",-10.477584838867188],["▁technologies",-10.47772216796875],["ges",-10.477808952331543],["▁shower",-10.478998184204102],["▁500",-10.47923469543457],["▁Time",-10.479436874389648],["▁zone",-10.480525970458984],["▁vote",-10.480624198913574],["▁andere",-10.480871200561523],["▁otherwise",-10.480988502502441],["tur",-10.481294631958008],["▁happens",-10.481504440307617],["hin",-10.481597900390625],["▁volume",-10.482161521911621],["▁thousands",-10.482391357421875],["war",-10.482551574707031],["▁Play",-10.482900619506836],["▁temperature",-10.48371410369873],["▁industrial",-10.483830451965332],["▁fuel",-10.483915328979492],["100",-10.48409366607666],["top",-10.484210014343262],["kin",-10.484312057495117],["▁efficient",-10.484414100646973],["teil",-10.484525680541992],["alt",-10.484578132629395],["▁monde",-10.48483657836914],["▁Ra",-10.484899520874023],["▁bedroom",-10.485103607177734],["▁showing",-10.485316276550293],["▁continued",-10.485490798950195],["▁Plan",-10.48552131652832],["▁assistance",-10.486014366149902],["▁discover",-10.48622989654541],["▁Year",-10.486238479614258],["▁applied",-10.486433029174805],["▁audio",-10.48755931854248],["▁thus",-10.487645149230957],["▁permet",-10.48806095123291],["▁fashion",-10.488532066345215],["cra",-10.488645553588867],["ious",-10.488700866699219],["▁focused",-10.489258766174316],["16",-10.48930549621582],["▁arm",-10.489364624023438],["▁Their",-10.489789962768555],["▁Foundation",-10.49022388458252],["▁majority",-10.49022388458252],["▁wind",-10.490785598754883],["▁bought",-10.491056442260742],["▁factor",-10.491918563842773],["▁opened",-10.49213695526123],["tern",-10.492374420166016],["▁cars",-10.492597579956055],["▁exciting",-10.492691040039062],["▁affordable",-10.493510246276855],["ches",-10.493563652038574],["▁panel",-10.493720054626465],["▁caused",-10.493793487548828],["▁travail",-10.493998527526855],["▁roof",-10.494073867797852],["▁enable",-10.494202613830566],["▁toward",-10.494491577148438],["▁Development",-10.494688987731934],["▁foreign",-10.495308876037598],["avi",-10.495320320129395],["long",-10.495328903198242],["De",-10.49578857421875],["▁Mon",-10.49588394165039],["▁Va",-10.495942115783691],["AP",-10.496097564697266],["▁asta",-10.49720573425293],["▁prepare",-10.497220993041992],["▁German",-10.497261047363281],["▁Centre",-10.497325897216797],["ère",-10.497367858886719],["▁fear",-10.497537612915039],["▁Este",-10.497878074645996],["▁Des",-10.49793529510498],["▁Kon",-10.499308586120605],["á",-10.499866485595703],["stand",-10.500805854797363],["▁Real",-10.500842094421387],["lichen",-10.50098705291748],["▁Beach",-10.501455307006836],["▁expertise",-10.50185775756836],["▁route",-10.502445220947266],["▁nation",-10.502551078796387],["▁snow",-10.503022193908691],["▁articles",-10.503127098083496],["▁Wood",-10.504426956176758],["▁operation",-10.50494384765625],["▁passion",-10.505215644836426],["▁cand",-10.505690574645996],["haus",-10.505701065063477],["OR",-10.505711555480957],["▁senior",-10.506511688232422],["▁becomes",-10.506546020507812],["▁sounds",-10.506878852844238],["▁enjoyed",-10.50704574584961],["▁gegen",-10.507533073425293],["▁courses",-10.507919311523438],["▁absolutely",-10.508257865905762],["tim",-10.508264541625977],["uff",-10.508516311645508],["▁moins",-10.50860595703125],["▁TO",-10.509060859680176],["▁fabric",-10.509267807006836],["poli",-10.509326934814453],["▁Bre",-10.509761810302734],["▁bo",-10.509916305541992],["▁Elle",-10.510469436645508],["bu",-10.512336730957031],["▁participants",-10.512401580810547],["stone",-10.512794494628906],["ties",-10.51366138458252],["▁listen",-10.513700485229492],["▁Spiel",-10.513752937316895],["pot",-10.513872146606445],["▁selling",-10.514358520507812],["▁geht",-10.514680862426758],["▁mini",-10.515146255493164],["▁trans",-10.515408515930176],["▁ingredients",-10.515642166137695],["auf",-10.515671730041504],["▁orice",-10.51595401763916],["▁Next",-10.516300201416016],["▁cream",-10.516756057739258],["▁edge",-10.516973495483398],["▁recommended",-10.517022132873535],["▁Form",-10.517277717590332],["▁processing",-10.51746940612793],["vert",-10.517709732055664],["▁described",-10.518362998962402],["▁installed",-10.51884937286377],["▁managed",-10.518952369689941],["▁electronic",-10.518966674804688],["▁performed",-10.519064903259277],["▁raise",-10.519098281860352],["▁imagine",-10.519281387329102],["down",-10.51952838897705],["▁fond",-10.519978523254395],["▁Inter",-10.520434379577637],["▁Mc",-10.520550727844238],["▁Dans",-10.520679473876953],["istic",-10.520966529846191],["▁miss",-10.521052360534668],["sur",-10.521062850952148],["▁Col",-10.521879196166992],["cut",-10.522021293640137],["▁dupa",-10.522160530090332],["▁Twitter",-10.522604942321777],["▁bowl",-10.523721694946289],["▁remains",-10.5237455368042],["▁Jan",-10.524046897888184],["▁smooth",-10.524162292480469],["▁fees",-10.524415969848633],["▁aid",-10.524494171142578],["▁presence",-10.524827003479004],["▁Android",-10.52499771118164],["▁decisions",-10.52539348602295],["▁names",-10.5254487991333],["▁Music",-10.525546073913574],["▁innovative",-10.525578498840332],["▁Tom",-10.525997161865234],["▁spread",-10.526165962219238],["▁lovely",-10.526222229003906],["▁daughter",-10.526397705078125],["US",-10.527050971984863],["▁facility",-10.52710247039795],["▁peace",-10.527105331420898],["▁department",-10.527277946472168],["▁weiter",-10.527591705322266],["▁Sun",-10.527756690979004],["▁fund",-10.527772903442383],["▁2018.",-10.52792739868164],["▁discussion",-10.528186798095703],["75",-10.528799057006836],["EC",-10.529126167297363],["▁lunch",-10.529144287109375],["▁videos",-10.52927017211914],["05",-10.531253814697266],["ige",-10.531266212463379],["▁parking",-10.531564712524414],["▁relationships",-10.531732559204102],["▁George",-10.532986640930176],["▁teachers",-10.53299617767334],["room",-10.533458709716797],["▁Tra",-10.533605575561523],["▁Sam",-10.533651351928711],["▁properly",-10.535590171813965],["▁Book",-10.535629272460938],["▁CA",-10.536957740783691],["▁calls",-10.53756046295166],["▁stat",-10.538175582885742],["ux",-10.538220405578613],["▁soit",-10.538439750671387],["▁Community",-10.538684844970703],["▁Jahren",-10.538714408874512],["▁increasing",-10.539575576782227],["▁civil",-10.540184020996094],["app",-10.540573120117188],["▁35",-10.540589332580566],["▁rise",-10.540600776672363],["▁dabei",-10.540989875793457],["▁studio",-10.541803359985352],["▁policies",-10.542054176330566],["▁agent",-10.542055130004883],["▁Before",-10.542601585388184],["▁Cal",-10.543017387390137],["▁2005",-10.543404579162598],["▁sample",-10.543777465820312],["▁manner",-10.545186996459961],["wing",-10.54521369934082],["stra",-10.545552253723145],["▁fel",-10.545793533325195],["▁Show",-10.545952796936035],["▁scene",-10.54656982421875],["mic",-10.546764373779297],["nom",-10.546995162963867],["▁typically",-10.547088623046875],["▁pair",-10.547104835510254],["▁detailed",-10.547394752502441],["▁Work",-10.547422409057617],["▁cities",-10.547451972961426],["▁Rock",-10.54749584197998],["▁Gar",-10.547906875610352],["▁serving",-10.548352241516113],["▁machen",-10.548521995544434],["▁trees",-10.54888916015625],["▁accident",-10.549199104309082],["▁cloud",-10.54920482635498],["▁animals",-10.549297332763672],["▁Den",-10.549897193908691],["▁Wa",-10.54990291595459],["▁suggest",-10.550220489501953],["putting",-10.550407409667969],["▁suite",-10.550434112548828],["▁clearly",-10.550849914550781],["▁net",-10.551287651062012],["▁funding",-10.551506996154785],["▁salt",-10.551935195922852],["▁Men",-10.552119255065918],["ped",-10.552419662475586],["▁Food",-10.553142547607422],["▁leaving",-10.553544998168945],["▁Government",-10.554243087768555],["ick",-10.554381370544434],["▁seat",-10.555121421813965],["▁Los",-10.555183410644531],["▁teacher",-10.555587768554688],["▁iPhone",-10.555693626403809],["▁300",-10.556120872497559],["▁commitment",-10.556180000305176],["▁aspects",-10.556498527526855],["▁previously",-10.55711555480957],["▁cent",-10.5572509765625],["▁Vo",-10.557341575622559],["▁artists",-10.557963371276855],["▁runs",-10.558130264282227],[">",-10.558155059814453],["▁Gi",-10.558273315429688],["▁mar",-10.5585355758667],["!!!",-10.558544158935547],["▁Media",-10.558943748474121],["▁feedback",-10.559109687805176],["▁resolution",-10.559117317199707],["IN",-10.55915641784668],["▁wurden",-10.55952262878418],["▁busy",-10.559832572937012],["▁adult",-10.5600004196167],["29",-10.560487747192383],["elles",-10.561375617980957],["▁closed",-10.561762809753418],["▁trouble",-10.561767578125],["▁rent",-10.561984062194824],["lot",-10.56224536895752],["▁importance",-10.562314987182617],["▁units",-10.56257438659668],["Pro",-10.562713623046875],["▁provider",-10.563005447387695],["▁visual",-10.563288688659668],["IT",-10.563385009765625],["▁diet",-10.563733100891113],["▁appearance",-10.563932418823242],["pin",-10.564576148986816],["▁Din",-10.564760208129883],["▁eating",-10.565516471862793],["Fi",-10.565762519836426],["ball",-10.565765380859375],["är",-10.565861701965332],["ney",-10.565878868103027],["▁records",-10.566070556640625],["▁Fi",-10.566180229187012],["▁faut",-10.566329002380371],["▁CD",-10.566803932189941],["ign",-10.566930770874023],["▁vă",-10.566996574401855],["▁agency",-10.567153930664062],["ierung",-10.567323684692383],["▁Back",-10.567361831665039],["▁windows",-10.567545890808105],["▁pull",-10.567888259887695],["ash",-10.567959785461426],["▁profit",-10.568593978881836],["▁brings",-10.568605422973633],["▁Committee",-10.569122314453125],["▁girl",-10.569174766540527],["▁vehicles",-10.569372177124023],["▁Hier",-10.569567680358887],["ES",-10.569639205932617],["până",-10.569880485534668],["▁Kunden",-10.570380210876465],["pen",-10.570462226867676],["▁explain",-10.570505142211914],["▁cadru",-10.570760726928711],["▁attack",-10.571100234985352],["▁markets",-10.571115493774414],["▁claims",-10.571340560913086],["▁walking",-10.571385383605957],["▁pouv",-10.571528434753418],["low",-10.571642875671387],["▁showed",-10.572114944458008],["▁principal",-10.57211971282959],["▁lucru",-10.572144508361816],["▁precum",-10.572712898254395],["TA",-10.573094367980957],["▁partners",-10.573104858398438],["▁exist",-10.573136329650879],["▁internal",-10.57334041595459],["hen",-10.573945045471191],["▁Master",-10.573966979980469],["unless",-10.574013710021973],["▁doubt",-10.574721336364746],["$",-10.574785232543945],["▁Long",-10.574888229370117],["▁leaves",-10.574907302856445],["allowing",-10.575063705444336],["pol",-10.575272560119629],["▁Up",-10.575491905212402],["▁Contact",-10.576093673706055],["▁practical",-10.57708740234375],["▁suit",-10.57758903503418],["▁Site",-10.577656745910645],["▁formation",-10.57768726348877],["▁signal",-10.578215599060059],["▁approximately",-10.578414916992188],["▁ourselves",-10.578497886657715],["▁colour",-10.578519821166992],["▁species",-10.578530311584473],["▁advance",-10.578753471374512],["▁PM",-10.57891845703125],["ans",-10.579121589660645],["▁locations",-10.579397201538086],["vous",-10.579601287841797],["▁updated",-10.579636573791504],["▁faith",-10.579673767089844],["mus",-10.579740524291992],["▁stores",-10.579863548278809],["heim",-10.580127716064453],["▁suitable",-10.580558776855469],["▁continues",-10.580703735351562],["▁fac",-10.581133842468262],["ever",-10.581156730651855],["▁Bill",-10.581195831298828],["▁chose",-10.58121109008789],["▁inform",-10.581228256225586],["▁environmental",-10.581427574157715],["▁responsibility",-10.58188533782959],["99",-10.582542419433594],["▁competitive",-10.583723068237305],["▁strategies",-10.583903312683105],["▁toujours",-10.584270477294922],["tive",-10.58430290222168],["▁automatically",-10.585600852966309],["▁dress",-10.585609436035156],["▁Minister",-10.585624694824219],["har",-10.586076736450195],["▁Start",-10.586249351501465],["▁=",-10.586563110351562],["▁pattern",-10.58659553527832],["tier",-10.58676528930664],["▁pays",-10.587034225463867],["▁profile",-10.58725357055664],["▁raised",-10.587263107299805],["ange",-10.587288856506348],["▁drink",-10.587762832641602],["▁element",-10.588042259216309],["▁landscape",-10.58875560760498],["▁Tag",-10.589073181152344],["▁cheese",-10.589590072631836],["ific",-10.590009689331055],["▁Stadt",-10.590181350708008],["39",-10.591398239135742],["▁launch",-10.592113494873047],["▁wouldn",-10.592150688171387],["AS",-10.592202186584473],["▁push",-10.593059539794922],["▁mill",-10.593452453613281],["▁mass",-10.593647003173828],["▁category",-10.593790054321289],["sondern",-10.594050407409668],["col",-10.594111442565918],["▁climate",-10.594313621520996],["lier",-10.594437599182129],["▁slightly",-10.595514297485352],["95",-10.596519470214844],["ace",-10.596612930297852],["▁domain",-10.597633361816406],["kan",-10.598306655883789],["▁feed",-10.598485946655273],["▁Live",-10.598837852478027],["▁Mais",-10.599113464355469],["▁après",-10.599365234375],["▁village",-10.59941577911377],["▁hatte",-10.59968090057373],["▁joined",-10.599881172180176],["▁Museum",-10.600311279296875],["head",-10.600855827331543],["▁draw",-10.6009521484375],["▁concerns",-10.600966453552246],["ER",-10.601505279541016],["▁technique",-10.601648330688477],["▁Bio",-10.601861000061035],["▁Sea",-10.601881980895996],["▁@",-10.601927757263184],["wer",-10.6021146774292],["▁battery",-10.602462768554688],["▁mostly",-10.60267448425293],["▁familiar",-10.602680206298828],["▁Sub",-10.602689743041992],["▁delicious",-10.603222846984863],["doch",-10.60326099395752],["60",-10.603395462036133],["▁carte",-10.603611946105957],["▁avut",-10.604146957397461],["▁premium",-10.60460376739502],["▁attempt",-10.604704856872559],["▁Über",-10.60473346710205],["▁combined",-10.604935646057129],["lement",-10.604947090148926],["▁voi",-10.605031967163086],["▁wonder",-10.605376243591309],["▁failure",-10.606106758117676],["which",-10.606147766113281],["esti",-10.606316566467285],["31",-10.606547355651855],["▁sta",-10.606734275817871],["▁transform",-10.60673999786377],["▁license",-10.606743812561035],["▁depending",-10.606758117675781],["▁specifically",-10.606782913208008],["▁OF",-10.60693645477295],["band",-10.606959342956543],["▁Sport",-10.60731315612793],["list",-10.607434272766113],["▁Tour",-10.60753059387207],["▁Israel",-10.607564926147461],["▁filled",-10.607722282409668],["▁manual",-10.60776138305664],["▁watching",-10.608621597290039],["▁rule",-10.608877182006836],["mat",-10.60901927947998],["▁notes",-10.609585762023926],["▁Oh",-10.60960578918457],["▁bereits",-10.609634399414062],["▁foundation",-10.609916687011719],["▁vital",-10.610146522521973],["▁lassen",-10.610747337341309],["▁cât",-10.611162185668945],["▁shipping",-10.611433029174805],["▁registered",-10.611513137817383],["▁jour",-10.612669944763184],["▁island",-10.61276626586914],["▁sets",-10.613068580627441],["▁football",-10.613683700561523],["▁EU",-10.613860130310059],["▁stone",-10.614019393920898],["▁Press",-10.614699363708496],["▁adapt",-10.615066528320312],["ised",-10.615425109863281],["▁thoughts",-10.615434646606445],["▁doors",-10.615851402282715],["€",-10.615954399108887],["▁components",-10.616040229797363],["rig",-10.616332054138184],["▁generation",-10.616585731506348],["▁guess",-10.616700172424316],["cker",-10.61694049835205],["▁realize",-10.617207527160645],["▁Roman",-10.617310523986816],["▁contre",-10.617693901062012],["▁Out",-10.617938995361328],["▁IN",-10.619051933288574],["cip",-10.619085311889648],["59",-10.619330406188965],["▁enhance",-10.619768142700195],["▁battle",-10.61982250213623],["▁monitor",-10.619863510131836],["▁Martin",-10.62045955657959],["▁websites",-10.620461463928223],["▁DE",-10.620599746704102],["▁Festival",-10.620951652526855],["ân",-10.62131118774414],["▁Place",-10.621419906616211],["▁rare",-10.621554374694824],["această",-10.621726989746094],["▁sollte",-10.621731758117676],["▁Read",-10.621816635131836],["ware",-10.622169494628906],["Those",-10.622671127319336],["ende",-10.623543739318848],["▁prix",-10.623835563659668],["▁roman",-10.624101638793945],["▁creation",-10.624224662780762],["▁confidence",-10.624552726745605],["▁Japan",-10.624638557434082],["▁rain",-10.624942779541016],["▁guys",-10.62518310546875],["▁south",-10.625236511230469],["▁trading",-10.625646591186523],["▁€",-10.626100540161133],["▁Film",-10.626341819763184],["▁pana",-10.627065658569336],["▁asemenea",-10.627066612243652],["36",-10.627190589904785],["▁instance",-10.627884864807129],["cou",-10.629385948181152],["▁nun",-10.630074501037598],["▁Pass",-10.630390167236328],["Cette",-10.630579948425293],["▁Network",-10.630876541137695],["▁prime",-10.631010055541992],["▁spiritual",-10.632098197937012],["▁tough",-10.633030891418457],["▁AND",-10.633086204528809],["▁Cat",-10.633601188659668],["▁boat",-10.633611679077148],["▁leads",-10.634864807128906],["▁Germany",-10.63509750366211],["▁valuable",-10.635635375976562],["57",-10.635892868041992],["lect",-10.636148452758789],["▁distribution",-10.636445045471191],["dar",-10.636518478393555],["▁Manager",-10.637701988220215],["cha",-10.637725830078125],["▁obtain",-10.637741088867188],["GB",-10.637908935546875],["▁unor",-10.638079643249512],["schaft",-10.638603210449219],["▁zwischen",-10.638723373413086],["▁winning",-10.639172554016113],["▁suis",-10.639811515808105],["58",-10.640130996704102],["▁Party",-10.640372276306152],["▁ceva",-10.640416145324707],["▁comprehensive",-10.640684127807617],["▁aceste",-10.640726089477539],["▁committed",-10.640726089477539],["▁Hu",-10.641382217407227],["ţ",-10.64149284362793],["▁north",-10.642021179199219],["werk",-10.642542839050293],["▁interface",-10.642794609069824],["▁Valley",-10.64281177520752],["▁anywhere",-10.64281177520752],["▁Only",-10.642851829528809],["TE",-10.643295288085938],["hui",-10.6436767578125],["bus",-10.643951416015625],["vis",-10.6439790725708],["▁Society",-10.645116806030273],["▁reliable",-10.64556884765625],["▁quelques",-10.64563274383545],["tech",-10.646187782287598],["ual",-10.646377563476562],["▁educational",-10.646418571472168],["serv",-10.646490097045898],["▁opinion",-10.646628379821777],["▁appears",-10.646702766418457],["▁count",-10.646795272827148],["irea",-10.646981239318848],["ban",-10.647504806518555],["▁45",-10.647530555725098],["▁contain",-10.647661209106445],["ost",-10.647663116455078],["▁anul",-10.647706031799316],["rien",-10.648159980773926],["gra",-10.648360252380371],["▁counter",-10.648946762084961],["-3",-10.650411605834961],["▁resource",-10.650463104248047],["▁Wo",-10.6505126953125],["▁posts",-10.650618553161621],["▁employee",-10.651320457458496],["rol",-10.651863098144531],["▁ended",-10.651969909667969],["met",-10.653080940246582],["▁meine",-10.653165817260742],["▁reached",-10.653368949890137],["gri",-10.653716087341309],["▁Bra",-10.65374755859375],["▁conduct",-10.654294967651367],["▁housing",-10.654422760009766],["▁tickets",-10.654792785644531],["▁database",-10.655674934387207],["IL",-10.656150817871094],["▁perspective",-10.656359672546387],["▁Har",-10.656404495239258],["▁error",-10.656549453735352],["▁meal",-10.656569480895996],["▁hearing",-10.657238006591797],["▁transition",-10.657302856445312],["▁browser",-10.657609939575195],["▁supported",-10.657609939575195],["▁starts",-10.658814430236816],["țe",-10.658902168273926],["▁adults",-10.658905029296875],["▁România",-10.65917682647705],["dra",-10.659884452819824],["▁worry",-10.660222053527832],["▁avoir",-10.660497665405273],["▁regional",-10.660507202148438],["▁min",-10.660722732543945],["▁Does",-10.660806655883789],["▁Keep",-10.661200523376465],["rom",-10.661237716674805],["sco",-10.661320686340332],["tem",-10.661898612976074],["▁Old",-10.661954879760742],["▁Under",-10.662552833557129],["▁Commission",-10.662557601928711],["▁Bau",-10.6632661819458],["▁News",-10.663358688354492],["▁mois",-10.663444519042969],["▁respond",-10.66356372833252],["▁alles",-10.663878440856934],["▁chair",-10.664475440979004],["▁ho",-10.664854049682617],["right",-10.664908409118652],["▁totally",-10.665532112121582],["gle",-10.665534973144531],["▁32",-10.665604591369629],["66",-10.665664672851562],["town",-10.665902137756348],["Ch",-10.666261672973633],["▁gr",-10.66629695892334],["▁garage",-10.666328430175781],["ții",-10.666495323181152],["▁Union",-10.667136192321777],["ică",-10.667343139648438],["▁2,",-10.668437004089355],["▁reflect",-10.669163703918457],["▁retail",-10.669388771057129],["▁unde",-10.669605255126953],["▁accessible",-10.670262336730957],["water",-10.67059326171875],["▁regard",-10.670710563659668],["▁logo",-10.671489715576172],["▁inspired",-10.671518325805664],["▁Wall",-10.671859741210938],["▁Ste",-10.672093391418457],["▁asking",-10.672179222106934],["▁Journal",-10.673028945922852],["▁Teil",-10.674042701721191],["▁collaboration",-10.674185752868652],["▁acid",-10.674266815185547],["▁Fund",-10.674382209777832],["▁spirit",-10.6744384765625],["despite",-10.674457550048828],["▁delivered",-10.674821853637695],["▁girls",-10.675374984741211],["▁Look",-10.675896644592285],["rant",-10.675949096679688],["▁District",-10.676460266113281],["▁rental",-10.676709175109863],["▁spune",-10.676733016967773],["els",-10.677544593811035],["▁permanent",-10.677659034729004],["▁iron",-10.677709579467773],["▁Thomas",-10.677745819091797],["EL",-10.678071022033691],["▁except",-10.678074836730957],["▁catch",-10.678366661071777],["▁providers",-10.678375244140625],["▁2006",-10.678435325622559],["▁chat",-10.679931640625],["▁emergency",-10.680281639099121],["gre",-10.68030834197998],["site",-10.680888175964355],["▁missing",-10.68089485168457],["abil",-10.680914878845215],["▁Hill",-10.68099594116211],["urs",-10.681312561035156],["▁plusieurs",-10.681716918945312],["▁birthday",-10.681726455688477],["DS",-10.682019233703613],["ersten",-10.682381629943848],["▁5.",-10.68252944946289],["▁library",-10.68333911895752],["▁earth",-10.683515548706055],["CI",-10.683645248413086],["▁lighting",-10.684442520141602],["▁fixed",-10.684879302978516],["tori",-10.684891700744629],["▁replace",-10.684995651245117],["▁administration",-10.685074806213379],["leurs",-10.685229301452637],["▁meat",-10.686142921447754],["▁songs",-10.686662673950195],["▁confirm",-10.686866760253906],["▁rapid",-10.68698787689209],["▁Special",-10.686995506286621],["▁holding",-10.687115669250488],["▁honor",-10.687271118164062],["▁Market",-10.687409400939941],["La",-10.687535285949707],["▁measure",-10.687760353088379],["▁guarantee",-10.68785572052002],["▁switch",-10.68813419342041],["▁extensive",-10.688294410705566],["▁Neu",-10.688674926757812],["avez",-10.688901901245117],["▁protein",-10.688984870910645],["▁infrastructure",-10.689454078674316],["▁functions",-10.689494132995605],["▁cont",-10.689496040344238],["row",-10.689760208129883],["star",-10.689773559570312],["▁Port",-10.690192222595215],["Using",-10.690336227416992],["▁faster",-10.690557479858398],["44",-10.691168785095215],["▁measures",-10.691615104675293],["▁celor",-10.69186019897461],["▁exam",-10.69189739227295],["200",-10.69202995300293],["î",-10.692545890808105],["▁conversation",-10.692832946777344],["▁brands",-10.692959785461426],["▁Code",-10.69359016418457],["▁Website",-10.693748474121094],["OS",-10.693782806396484],["▁alors",-10.693822860717773],["▁organ",-10.694032669067383],["▁removed",-10.694823265075684],["▁Head",-10.694905281066895],["▁Cha",-10.694908142089844],["▁visiting",-10.694928169250488],["▁wild",-10.694928169250488],["▁seit",-10.694962501525879],["49",-10.695109367370605],["▁organic",-10.69539737701416],["aţi",-10.695775032043457],["▁kit",-10.695947647094727],["68",-10.695959091186523],["▁flowers",-10.696124076843262],["▁appreciate",-10.697006225585938],["▁dead",-10.697439193725586],["▁Fire",-10.697539329528809],["▁cela",-10.697591781616211],["▁Ph",-10.697633743286133],["▁arrive",-10.697921752929688],["▁purposes",-10.698213577270508],["▁qualité",-10.698226928710938],["▁restaurants",-10.698478698730469],["▁advertising",-10.698541641235352],["cur",-10.69855785369873],["▁ça",-10.698973655700684],["▁introduced",-10.699088096618652],["▁returned",-10.699111938476562],["▁desire",-10.699511528015137],["▁soul",-10.699983596801758],["▁Technology",-10.699994087219238],[");",-10.700163841247559],["▁Royal",-10.700282096862793],["tant",-10.70068645477295],["▁possibly",-10.700702667236328],["▁consumers",-10.700812339782715],["▁doua",-10.70097541809082],["ified",-10.70097827911377],["▁Award",-10.70114803314209],["toutes",-10.70130443572998],["▁meant",-10.701325416564941],["ezi",-10.701616287231445],["▁plu",-10.701766014099121],["ţii",-10.7021484375],["▁talent",-10.702789306640625],["▁Security",-10.703309059143066],["arii",-10.703352928161621],["▁zi",-10.703455924987793],["▁Shop",-10.703667640686035],["▁breakfast",-10.704107284545898],["▁trial",-10.704485893249512],["ami",-10.704936981201172],["▁register",-10.705301284790039],["unserer",-10.705646514892578],["▁solar",-10.705697059631348],["▁deals",-10.70591926574707],["▁Ku",-10.7059326171875],["To",-10.706186294555664],["bat",-10.70680046081543],["MC",-10.707010269165039],["▁Global",-10.707018852233887],["у",-10.707405090332031],["▁nor",-10.707818984985352],["▁milk",-10.707868576049805],["▁choices",-10.708206176757812],["»",-10.7086763381958],["▁Sur",-10.708695411682129],["more",-10.708739280700684],["48",-10.709024429321289],["67",-10.709375381469727],["▁replacement",-10.709942817687988],["34",-10.710440635681152],["▁chocolate",-10.710485458374023],["▁Family",-10.71059513092041],["This",-10.71122932434082],["▁novel",-10.711435317993164],["▁Chicago",-10.711563110351562],["▁participate",-10.71166706085205],["▁trei",-10.712727546691895],["▁monthly",-10.713729858398438],["▁survey",-10.713977813720703],["▁End",-10.714285850524902],["▁Medical",-10.71442699432373],["autres",-10.714678764343262],["rich",-10.714698791503906],["▁bike",-10.714703559875488],["▁eventually",-10.714717864990234],["▁HD",-10.714722633361816],["bil",-10.714744567871094],["cent",-10.714902877807617],["▁afin",-10.715676307678223],["▁surgery",-10.716160774230957],["▁sin",-10.716455459594727],["▁manufacturing",-10.716955184936523],["▁consumer",-10.717245101928711],["system",-10.717306137084961],["▁object",-10.717400550842285],["▁Ju",-10.717422485351562],["ered",-10.7178373336792],["rac",-10.718070030212402],["▁clinical",-10.718664169311523],["▁dollars",-10.719761848449707],["▁chain",-10.71994686126709],["▁afternoon",-10.720196723937988],["▁ligne",-10.720422744750977],["▁accounts",-10.721806526184082],["ving",-10.722037315368652],["▁Australian",-10.72240924835205],["38",-10.722542762756348],["▁persoane",-10.72258472442627],["▁grande",-10.722668647766113],["▁Report",-10.723472595214844],["▁revenue",-10.723649024963379],["▁spre",-10.723760604858398],["▁cutting",-10.7239990234375],["▁approved",-10.724133491516113],["▁glad",-10.724188804626465],["chaque",-10.724395751953125],["win",-10.724435806274414],["▁waren",-10.724733352661133],["▁launched",-10.725071907043457],["▁layer",-10.725645065307617],["▁airport",-10.725716590881348],["▁effectively",-10.72572135925293],["▁coach",-10.725946426391602],["dé",-10.726130485534668],["LE",-10.72627067565918],["▁müssen",-10.726386070251465],["plan",-10.726641654968262],["dan",-10.726705551147461],["55",-10.726786613464355],["bringing",-10.726895332336426],["▁$2",-10.726995468139648],["nce",-10.727181434631348],["▁inspiration",-10.728177070617676],["You",-10.728657722473145],["▁soll",-10.729095458984375],["▁seemed",-10.729595184326172],["▁flight",-10.729687690734863],["▁prima",-10.729883193969727],["▁Welt",-10.730123519897461],["▁jetzt",-10.730315208435059],["ky",-10.730428695678711],["▁Western",-10.73054027557373],["▁label",-10.730600357055664],["▁möglich",-10.73081111907959],["▁input",-10.730862617492676],["▁laws",-10.730995178222656],["▁personnes",-10.731708526611328],["▁paying",-10.731731414794922],["▁Uhr",-10.73173713684082],["▁Mary",-10.731745719909668],["pur",-10.73190689086914],["▁covers",-10.732133865356445],["▁throw",-10.732522964477539],["▁Tor",-10.733281135559082],["▁bat",-10.73355484008789],["▁Gr",-10.73373031616211],["▁farm",-10.73376178741455],["▁improved",-10.733843803405762],["▁fără",-10.734286308288574],["▁theme",-10.73437213897705],["pens",-10.734865188598633],["▁Cup",-10.734975814819336],["▁settings",-10.735114097595215],["▁hire",-10.735234260559082],["▁massive",-10.735248565673828],["▁generate",-10.735405921936035],["▁earn",-10.735837936401367],["▁tab",-10.736431121826172],["For",-10.736616134643555],["gang",-10.736891746520996],["▁hin",-10.73709487915039],["▁roll",-10.737113952636719],["▁engagement",-10.737157821655273],["▁signed",-10.737177848815918],["▁League",-10.737323760986328],["▁registration",-10.737931251525879],["▁première",-10.738763809204102],["isse",-10.73896598815918],["▁university",-10.739027976989746],["ell",-10.739157676696777],["▁nou",-10.739169120788574],["rog",-10.739191055297852],["▁sitting",-10.739206314086914],["▁cazul",-10.739571571350098],["▁surrounding",-10.73983383178711],["▁Asia",-10.740357398986816],["▁bath",-10.740825653076172],["hal",-10.740923881530762],["▁plate",-10.741026878356934],["▁tests",-10.741151809692383],["▁presentation",-10.741156578063965],["▁chicken",-10.741501808166504],["▁Val",-10.741586685180664],["ably",-10.74166488647461],["▁magazine",-10.741697311401367],["▁Maybe",-10.74187183380127],["▁sauce",-10.742673873901367],["TC",-10.742887496948242],["▁exclusive",-10.74296760559082],["86",-10.74306869506836],["▁teeth",-10.743474960327148],["▁regularly",-10.743524551391602],["sed",-10.743824005126953],["gro",-10.744174003601074],["He",-10.744211196899414],["▁2017.",-10.744302749633789],["▁template",-10.74489688873291],["▁gleich",-10.744938850402832],["bal",-10.745061874389648],["▁African",-10.74511432647705],["în",-10.745231628417969],["▁rep",-10.74543571472168],["▁beat",-10.74588394165039],["▁deck",-10.746064186096191],["▁intended",-10.746221542358398],["▁para",-10.746513366699219],["▁IP",-10.746712684631348],["▁bra",-10.746881484985352],["▁forces",-10.746966361999512],["▁routine",-10.747184753417969],["▁Jahre",-10.747758865356445],["▁Bad",-10.74797534942627],["▁drivers",-10.748074531555176],["▁updates",-10.748095512390137],["▁elegant",-10.748279571533203],["▁external",-10.748444557189941],["▁engineering",-10.748819351196289],["ender",-10.749544143676758],["table",-10.749755859375],["inter",-10.749878883361816],["▁Romania",-10.749948501586914],["▁zile",-10.750468254089355],["▁luxury",-10.750570297241211],["▁calling",-10.750750541687012],["▁cooking",-10.75101375579834],["▁component",-10.75114631652832],["wan",-10.75121021270752],["schen",-10.751212120056152],["▁birth",-10.751242637634277],["asupra",-10.751349449157715],["Co",-10.751471519470215],["▁opt",-10.75153923034668],["▁discovered",-10.751860618591309],["▁teach",-10.752084732055664],["▁Son",-10.75234317779541],["▁guest",-10.752384185791016],["▁dogs",-10.752695083618164],["▁2003",-10.752745628356934],["▁behavior",-10.752750396728516],["pé",-10.7529935836792],["63",-10.75316333770752],["▁Human",-10.753702163696289],["▁expression",-10.754800796508789],["▁nevoie",-10.754936218261719],["▁recherche",-10.75528621673584],["ging",-10.755767822265625],["related",-10.755948066711426],["▁discount",-10.756040573120117],["▁Brown",-10.756054878234863],["▁Such",-10.756107330322266],["▁Ve",-10.757149696350098],["▁height",-10.757265090942383],["clo",-10.757414817810059],["▁incredible",-10.757912635803223],["▁bas",-10.757916450500488],["▁mă",-10.75798225402832],["▁purchased",-10.758240699768066],["▁compte",-10.75831127166748],["▁instructions",-10.758537292480469],["▁Instead",-10.75866985321045],["▁output",-10.758706092834473],["▁mom",-10.758886337280273],["DR",-10.759828567504883],["89",-10.760168075561523],["▁reduced",-10.760621070861816],["98",-10.7606840133667],["▁constant",-10.760879516601562],["▁therapy",-10.762417793273926],["▁capable",-10.762757301330566],["mark",-10.763265609741211],["▁Sometimes",-10.76332950592041],["▁joy",-10.763419151306152],["▁perfectly",-10.763589859008789],["▁painting",-10.763704299926758],["avait",-10.763765335083008],["▁Sha",-10.764384269714355],["▁dat",-10.764463424682617],["▁produits",-10.764479637145996],["tric",-10.76456356048584],["ierte",-10.765153884887695],["▁Smith",-10.765836715698242],["▁trebui",-10.766264915466309],["▁beaucoup",-10.766630172729492],["▁chosen",-10.767189025878906],["▁cre",-10.76732063293457],["▁complet",-10.767341613769531],["▁Ltd",-10.767599105834961],["▁recovery",-10.76781940460205],["▁district",-10.768423080444336],["78",-10.768640518188477],["▁Unter",-10.76872730255127],["▁schnell",-10.768729209899902],["▁apart",-10.768943786621094],["▁phase",-10.76894760131836],["▁seeking",-10.769091606140137],["▁mark",-10.769148826599121],["▁pet",-10.769233703613281],["▁PDF",-10.769296646118164],["▁efficiency",-10.769577980041504],["▁buildings",-10.769611358642578],["69",-10.769723892211914],["▁sens",-10.769858360290527],["▁Video",-10.770115852355957],["▁destination",-10.770181655883789],["▁female",-10.770319938659668],["▁supporting",-10.770674705505371],["▁signs",-10.77077865600586],["▁appeal",-10.770784378051758],["76",-10.77110481262207],["▁favourite",-10.771612167358398],["ock",-10.771702766418457],["▁readers",-10.771757125854492],["▁Did",-10.771868705749512],["rou",-10.772045135498047],["PA",-10.77222728729248],["▁Jean",-10.772480964660645],["▁Em",-10.772586822509766],["pass",-10.77280330657959],["▁Zi",-10.773090362548828],["▁între",-10.773261070251465],["▁fly",-10.773427963256836],["mos",-10.773666381835938],["▁emotional",-10.773860931396484],["asse",-10.774768829345703],["▁sessions",-10.775086402893066],["▁symptoms",-10.77564811706543],["▁died",-10.776217460632324],["▁seconds",-10.776628494262695],["▁procedure",-10.777206420898438],["▁express",-10.777420997619629],["▁două",-10.777885437011719],["▁valid",-10.778393745422363],["▁euro",-10.7788667678833],["▁interests",-10.779032707214355],["Having",-10.779237747192383],["▁hundreds",-10.779669761657715],["grad",-10.780023574829102],["▁neuen",-10.780084609985352],["▁cook",-10.780552864074707],["▁pur",-10.780834197998047],["▁charges",-10.781024932861328],["sche",-10.78118896484375],["▁smile",-10.781468391418457],["▁festival",-10.781611442565918],["cho",-10.781672477722168],["▁£",-10.781937599182129],["cht",-10.78201675415039],["▁macht",-10.782021522521973],["▁Wasser",-10.782028198242188],["▁Cap",-10.78226375579834],["▁Learn",-10.78274154663086],["▁load",-10.783162117004395],["▁aici",-10.783225059509277],["▁Ch",-10.784143447875977],["▁cycle",-10.784223556518555],["▁carried",-10.784337997436523],["▁jusqu",-10.784517288208008],["stein",-10.78505802154541],["ski",-10.78513240814209],["cap",-10.78579330444336],["▁Bal",-10.785852432250977],["▁minor",-10.786053657531738],["77",-10.786175727844238],["▁considering",-10.78632640838623],["innen",-10.78644847869873],["▁greatest",-10.787055015563965],["▁Training",-10.787137031555176],["08",-10.787307739257812],["▁significantly",-10.787607192993164],["gé",-10.787728309631348],["▁dumpster",-10.788351058959961],["▁allem",-10.788930892944336],["▁bonus",-10.7889404296875],["▁guy",-10.789036750793457],["fel",-10.78904914855957],["▁lifestyle",-10.789241790771484],["▁Bro",-10.78961181640625],["▁implement",-10.789687156677246],["lock",-10.790046691894531],["▁Earth",-10.790142059326172],["kar",-10.790733337402344],["▁invest",-10.790833473205566],["▁river",-10.790933609008789],["▁accurate",-10.791494369506836],["▁mu",-10.791579246520996],["▁celebrate",-10.792119979858398],["▁ran",-10.79256820678711],["▁bigger",-10.792988777160645],["▁Mer",-10.793476104736328],["▁millions",-10.793486595153809],["▁partie",-10.793563842773438],["▁dazu",-10.793951988220215],["▁Full",-10.794130325317383],["gie",-10.794207572937012],["bot",-10.794373512268066],["roll",-10.79472827911377],["▁Women",-10.795303344726562],["▁compare",-10.796135902404785],["▁van",-10.796503067016602],["▁apps",-10.796521186828613],["PC",-10.797050476074219],["▁drei",-10.79736042022705],["▁maison",-10.797588348388672],["▁knows",-10.797712326049805],["rid",-10.797972679138184],["62",-10.798396110534668],["class",-10.798508644104004],["▁chez",-10.798669815063477],["char",-10.798828125],["88",-10.798989295959473],["▁cast",-10.79948902130127],["▁examples",-10.79973030090332],["▁Therefore",-10.799823760986328],["▁topics",-10.799941062927246],["with",-10.80013656616211],["▁Anti",-10.800555229187012],["how",-10.800620079040527],["▁whom",-10.80094051361084],["▁Deutschland",-10.801124572753906],["tine",-10.80113697052002],["▁CEO",-10.801224708557129],["▁truck",-10.801350593566895],["▁Which",-10.8015718460083],["erie",-10.802017211914062],["fect",-10.802069664001465],["bou",-10.8026762008667],["▁(1",-10.802818298339844],["sum",-10.802980422973633],["▁bonne",-10.803068161010742],["▁remaining",-10.80321216583252],["▁equal",-10.803543090820312],["▁engage",-10.803561210632324],["▁RE",-10.803849220275879],["style",-10.804182052612305],["▁urma",-10.804337501525879],["▁Grund",-10.80496883392334],["ür",-10.8051176071167],["▁font",-10.805353164672852],["▁assets",-10.805916786193848],["AL",-10.806102752685547],["▁rear",-10.80635929107666],["▁contemporary",-10.80646800994873],["▁occur",-10.8067045211792],["rated",-10.806941986083984],["▁tight",-10.807088851928711],["▁machines",-10.807921409606934],["▁0.",-10.808456420898438],["▁Aber",-10.808470726013184],["sol",-10.808517456054688],["rü",-10.80858039855957],["▁2007",-10.809479713439941],["gg",-10.809488296508789],["▁unul",-10.809691429138184],["▁était",-10.809908866882324],["▁capture",-10.809980392456055],["▁command",-10.810037612915039],["▁wire",-10.810425758361816],["▁shift",-10.810762405395508],["▁bread",-10.81084156036377],["▁causes",-10.810937881469727],["PI",-10.810938835144043],["SC",-10.811086654663086],["▁lights",-10.811190605163574],["▁lived",-10.811293601989746],["mul",-10.811446189880371],["▁Cur",-10.811917304992676],["▁Richard",-10.811973571777344],["37",-10.812638282775879],["▁cup",-10.812737464904785],["▁fields",-10.812983512878418],["▁crusher",-10.813389778137207],["65",-10.813774108886719],["avons",-10.813822746276855],["▁gear",-10.813835144042969],["▁standing",-10.813844680786133],["▁thick",-10.81445026397705],["aff",-10.815132141113281],["ments",-10.815434455871582],["▁conflict",-10.815728187561035],["ität",-10.815825462341309],["▁worse",-10.816295623779297],["SE",-10.816332817077637],["imi",-10.816459655761719],["▁dating",-10.817033767700195],["Do",-10.817073822021484],["▁flexible",-10.817093849182129],["ologie",-10.817131996154785],["SU",-10.817200660705566],["▁contribute",-10.817306518554688],["▁denn",-10.817428588867188],["▁appointment",-10.81746768951416],["▁ticket",-10.817523002624512],["bed",-10.817892074584961],["▁2019.",-10.817936897277832],["▁tasks",-10.81871223449707],["▁carbon",-10.818734169006348],["▁situations",-10.819400787353516],["MA",-10.819402694702148],["▁portion",-10.819498062133789],["▁urban",-10.819585800170898],["▁Canadian",-10.819805145263672],["▁Bur",-10.819937705993652],["▁pack",-10.81995964050293],["▁effet",-10.819992065429688],["▁Ball",-10.82008171081543],["▁timpul",-10.82014274597168],["▁owned",-10.820211410522461],["▁surprise",-10.820413589477539],["▁Mu",-10.820582389831543],["▁decades",-10.821001052856445],["▁affected",-10.821728706359863],["▁proven",-10.821732521057129],["▁Fe",-10.821990966796875],["zy",-10.822042465209961],["42",-10.822175979614258],["▁trend",-10.8223876953125],["▁autres",-10.82262897491455],["No",-10.823028564453125],["▁nine",-10.823565483093262],["ON",-10.82376480102539],["NE",-10.823953628540039],["oli",-10.824359893798828],["▁Daniel",-10.824434280395508],["▁spa",-10.824939727783203],["▁messages",-10.825084686279297],["PS",-10.825183868408203],["47",-10.825703620910645],["▁doch",-10.826032638549805],["▁improvement",-10.826187133789062],["▁mountain",-10.826350212097168],["▁Room",-10.826451301574707],["▁edition",-10.826546669006348],["▁musical",-10.826712608337402],["CP",-10.827024459838867],["▁Mill",-10.827027320861816],["▁steht",-10.827740669250488],["▁determined",-10.828083038330078],["you",-10.828392028808594],["weg",-10.828554153442383],["▁Digital",-10.828624725341797],["▁filter",-10.828903198242188],["▁youth",-10.829047203063965],["▁assessment",-10.829301834106445],["▁butter",-10.829370498657227],["▁Watch",-10.829427719116211],["▁zusammen",-10.829471588134766],["▁View",-10.829606056213379],["09",-10.829649925231934],["▁sole",-10.829816818237305],[".00",-10.830018997192383],["33",-10.83015251159668],["▁export",-10.830229759216309],["ery",-10.830373764038086],["▁zurück",-10.830426216125488],["▁walls",-10.83048152923584],["▁recognize",-10.8306884765625],["law",-10.830801963806152],["▁parent",-10.830863952636719],["ST",-10.831357955932617],["▁description",-10.831669807434082],["MS",-10.831887245178223],["SM",-10.83189582824707],["▁Finally",-10.831940650939941],["▁hardware",-10.831965446472168],["ident",-10.832464218139648],["▁brown",-10.832566261291504],["▁kinds",-10.832950592041016],["▁Arts",-10.83297061920166],["▁concert",-10.83341121673584],["▁sec",-10.83342456817627],["▁represent",-10.833512306213379],["▁institutions",-10.833597183227539],["▁fur",-10.833998680114746],["▁Support",-10.83403205871582],["87",-10.834076881408691],["▁ease",-10.834178924560547],["▁feels",-10.834218978881836],["▁sheet",-10.834342002868652],["▁Though",-10.83437442779541],["▁propose",-10.834381103515625],["▁personnel",-10.834409713745117],["bie",-10.834794044494629],["▁contest",-10.834836959838867],["▁successfully",-10.835152626037598],["▁direkt",-10.835397720336914],["bietet",-10.835597038269043],["▁submit",-10.835888862609863],["▁sicher",-10.835919380187988],["▁Personal",-10.83607006072998],["94",-10.836341857910156],["61",-10.836400985717773],["▁Very",-10.836540222167969],["bol",-10.836603164672852],["▁ha",-10.837089538574219],["▁channel",-10.8372220993042],["mut",-10.837289810180664],["▁mouth",-10.837342262268066],["▁vast",-10.837395668029785],["▁Ob",-10.837569236755371],["lit",-10.83763313293457],["▁poly",-10.837878227233887],["▁trained",-10.838102340698242],["▁specialist",-10.838122367858887],["UL",-10.83822250366211],["▁seiner",-10.838336944580078],["SS",-10.838627815246582],["▁vacation",-10.838672637939453],["▁resume",-10.839157104492188],["▁constantly",-10.839717864990234],["▁treated",-10.83986759185791],["▁150",-10.840936660766602],["▁native",-10.841246604919434],["▁Russian",-10.841329574584961],["▁patterns",-10.841371536254883],["▁knowing",-10.841670989990234],["▁Pan",-10.841682434082031],["peri",-10.841848373413086],["aci",-10.841864585876465],["▁answers",-10.842114448547363],["▁heute",-10.842985153198242],["93",-10.843056678771973],["▁Winter",-10.844083786010742],["▁yes",-10.844173431396484],["SP",-10.844185829162598],["].",-10.844388008117676],["▁kein",-10.844862937927246],["▁introduce",-10.8450927734375],["-4",-10.84555435180664],["▁shoot",-10.845762252807617],["AR",-10.84576416015625],["▁receiving",-10.845864295959473],["▁intre",-10.84702205657959],["▁appeared",-10.84708023071289],["▁brother",-10.847321510314941],["▁extend",-10.847765922546387],["▁fara",-10.848737716674805],["▁kommt",-10.848876953125],["ali",-10.848913192749023],["▁numai",-10.849047660827637],["▁scientific",-10.84913158416748],["▁virtual",-10.849145889282227],["▁Ac",-10.849513053894043],["▁procedures",-10.849631309509277],["▁silver",-10.849821090698242],["▁leather",-10.849979400634766],["DA",-10.85014820098877],["▁executive",-10.850263595581055],["▁officials",-10.850496292114258],["▁agencies",-10.850503921508789],["▁Software",-10.850540161132812],["▁cor",-10.850690841674805],["Con",-10.850741386413574],["▁log",-10.851066589355469],["ț",-10.851147651672363],["02",-10.851195335388184],["▁7.",-10.85245132446289],["▁accepted",-10.852483749389648],["▁Berlin",-10.852538108825684],["ID",-10.852582931518555],["cot",-10.852788925170898],["▁employment",-10.852799415588379],["run",-10.853020668029785],["▁identified",-10.853178977966309],["96",-10.853887557983398],["▁déjà",-10.853944778442383],["▁cuisine",-10.853952407836914],["turi",-10.854070663452148],["▁Japanese",-10.854316711425781],["▁golf",-10.854514122009277],["▁Ki",-10.854787826538086],["▁carefully",-10.854863166809082],["▁remote",-10.854973793029785],["▁2018,",-10.855148315429688],["▁sus",-10.855154991149902],["tique",-10.855293273925781],["▁residential",-10.855695724487305],["97",-10.855809211730957],["▁Spring",-10.855908393859863],["▁Marketing",-10.856186866760254],["▁Control",-10.85630989074707],["var",-10.856344223022461],["▁historical",-10.8563814163208],["▁freedom",-10.856423377990723],["sure",-10.856426239013672],["▁broken",-10.856796264648438],["▁criminal",-10.856949806213379],["▁innovation",-10.857075691223145],["▁Italian",-10.857192039489746],["sper",-10.857282638549805],["▁cake",-10.857653617858887],["▁candidates",-10.857894897460938],["▁sizes",-10.858267784118652],["pel",-10.858366966247559],["▁frequently",-10.85889720916748],["▁planet",-10.859138488769531],["▁writer",-10.859519958496094],["1,",-10.859569549560547],["uvent",-10.85959529876709],["▁awareness",-10.859807968139648],["name",-10.859954833984375],["▁Children",-10.859980583190918],["▁relatively",-10.860311508178711],["▁pu",-10.860321998596191],["▁quiet",-10.86038875579834],["▁planned",-10.860716819763184],["▁election",-10.861419677734375],["▁6.",-10.861761093139648],["▁broad",-10.861772537231445],["▁skill",-10.861835479736328],["▁reasonable",-10.862037658691406],["▁Fort",-10.862283706665039],["▁aceea",-10.862407684326172],["▁arrived",-10.86263370513916],["▁payments",-10.862680435180664],["ack",-10.862700462341309],["▁Ort",-10.863354682922363],["▁investors",-10.863364219665527],["▁operate",-10.86351203918457],["ME",-10.863556861877441],["dic",-10.863683700561523],["▁foods",-10.863731384277344],["▁stick",-10.863831520080566],["▁agents",-10.86412525177002],["▁crowd",-10.864175796508789],["▁Students",-10.864480972290039],["▁concerned",-10.864609718322754],["test",-10.864740371704102],["▁designer",-10.865334510803223],["▁Conference",-10.865593910217285],["▁saving",-10.866105079650879],["▁recorded",-10.866422653198242],["▁proposed",-10.866564750671387],["▁ship",-10.86657428741455],["▁cred",-10.867274284362793],["▁Ci",-10.867440223693848],["RE",-10.867619514465332],["▁tradition",-10.867753982543945],["▁worldwide",-10.867779731750488],["64",-10.867944717407227],["▁television",-10.867989540100098],["▁projet",-10.868102073669434],["ency",-10.868487358093262],["▁struggle",-10.868514060974121],["▁twice",-10.868955612182617],["▁Off",-10.869234085083008],["▁begins",-10.869577407836914],["key",-10.869794845581055],["▁Table",-10.869963645935059],["▁demande",-10.870177268981934],["▁liquid",-10.870441436767578],["meter",-10.870684623718262],["▁2001",-10.871190071105957],["▁willing",-10.871660232543945],["▁medicine",-10.871707916259766],["▁expand",-10.871747970581055],["▁2004",-10.871804237365723],["▁2002",-10.872016906738281],["▁accord",-10.872292518615723],["▁Chris",-10.872446060180664],["▁prove",-10.872543334960938],["ston",-10.872740745544434],["mettre",-10.872800827026367],["▁moments",-10.873537063598633],["tik",-10.87368392944336],["such",-10.874055862426758],["2.",-10.874431610107422],["▁UN",-10.874561309814453],["▁jump",-10.874737739562988],["▁dish",-10.87539291381836],["▁Key",-10.875663757324219],["▁challenging",-10.875975608825684],["▁domestic",-10.876410484313965],["▁impressive",-10.876752853393555],["iger",-10.877022743225098],["▁Ram",-10.877157211303711],["▁doit",-10.877263069152832],["▁concrete",-10.87734317779541],["▁Unternehmen",-10.877397537231445],["▁LED",-10.877429008483887],["▁trouver",-10.877533912658691],["▁fundamental",-10.877875328063965],["▁implementation",-10.878121376037598],["85",-10.878247261047363],["▁hosting",-10.87856388092041],["▁Game",-10.878691673278809],["▁taught",-10.878981590270996],["tung",-10.879016876220703],["ront",-10.87940502166748],["▁shoes",-10.879639625549316],["79",-10.8797607421875],["▁stunning",-10.879778861999512],["▁Congress",-10.880142211914062],["▁Ent",-10.880278587341309],["▁Wer",-10.880607604980469],["▁alt",-10.880608558654785],["ör",-10.880699157714844],["▁calm",-10.8808012008667],["46",-10.881132125854492],["▁Daca",-10.881404876708984],["71",-10.881938934326172],["▁Dec",-10.882392883300781],["▁Fo",-10.882437705993652],["▁defense",-10.88313102722168],["▁expectations",-10.883166313171387],["▁Alle",-10.88318920135498],["▁brief",-10.883691787719727],["▁Hospital",-10.883975982666016],["▁sides",-10.884121894836426],["▁yellow",-10.884140014648438],["lei",-10.88451862335205],["▁speaking",-10.884589195251465],["▁crucial",-10.885198593139648],["▁Town",-10.8854341506958],["▁married",-10.885574340820312],["▁acesta",-10.885583877563477],["▁noted",-10.885611534118652],["▁Word",-10.885659217834473],["▁conducted",-10.885963439941406],["▁decor",-10.886249542236328],["kon",-10.886565208435059],["▁supplies",-10.8866605758667],["▁adventure",-10.886691093444824],["▁exhibition",-10.887163162231445],["heit",-10.887300491333008],["▁36",-10.88744831085205],["eria",-10.887505531311035],["ines",-10.887551307678223],["ological",-10.887582778930664],["quel",-10.88806438446045],["▁Van",-10.88825511932373],["-19",-10.88853645324707],["2,",-10.888566970825195],["▁Band",-10.888989448547363],["▁soil",-10.889184951782227],["▁Tim",-10.889599800109863],["▁NOT",-10.88968563079834],["▁pilot",-10.889753341674805],["▁Sh",-10.889774322509766],["Ho",-10.890361785888672],["CA",-10.890509605407715],["▁Eu",-10.890745162963867],["▁committee",-10.890829086303711],["▁Store",-10.891075134277344],["▁joint",-10.89111614227295],["▁Op",-10.891315460205078],["▁Jack",-10.891985893249512],["quality",-10.89216423034668],["▁Has",-10.892489433288574],["▁wenig",-10.892507553100586],["hood",-10.892545700073242],["▁Class",-10.892582893371582],["rus",-10.892773628234863],["▁grown",-10.89294719696045],["▁About",-10.893518447875977],["▁sum",-10.893942832946777],["▁Fair",-10.893946647644043],["SA",-10.894149780273438],["92",-10.894185066223145],["▁fourth",-10.894354820251465],["▁featured",-10.894384384155273],["▁Pen",-10.89444637298584],["▁natürlich",-10.894885063171387],["ched",-10.894901275634766],["▁ban",-10.895112991333008],["anne",-10.89522647857666],["▁theory",-10.895413398742676],["bin",-10.895438194274902],["iers",-10.895819664001465],["▁strategic",-10.895903587341309],["▁jours",-10.895956039428711],["▁communicate",-10.896124839782715],["▁pin",-10.896320343017578],["▁Bon",-10.89721393585205],["kom",-10.897290229797363],["-5",-10.898177146911621],["▁degrees",-10.898643493652344],["▁entertainment",-10.899014472961426],["ară",-10.899248123168945],["ales",-10.899425506591797],["▁pendant",-10.89954662322998],["▁Series",-10.899575233459473],["▁holds",-10.899592399597168],["▁Mini",-10.899828910827637],["▁Obama",-10.899898529052734],["▁conform",-10.900163650512695],["-10",-10.900216102600098],["▁preparation",-10.9009370803833],["▁autre",-10.90105152130127],["▁mortgage",-10.901155471801758],["▁Kan",-10.901508331298828],["▁typical",-10.901538848876953],["01",-10.901711463928223],["▁Review",-10.901862144470215],["▁laptop",-10.902127265930176],["CR",-10.902610778808594],["▁thread",-10.90265941619873],["BS",-10.902661323547363],["▁upper",-10.902700424194336],["▁searching",-10.902932167053223],["▁pen",-10.903214454650879],["▁Middle",-10.90333080291748],["73",-10.903359413146973],["▁leg",-10.903650283813477],["onic",-10.904272079467773],["IS",-10.904356956481934],["▁Kar",-10.904623985290527],["anz",-10.9046630859375],["▁circuit",-10.904901504516602],["▁Casino",-10.905384063720703],["07",-10.90584659576416],["▁petit",-10.905906677246094],["TV",-10.905978202819824],["level",-10.906311988830566],["▁Point",-10.906312942504883],["rau",-10.906474113464355],["▁cabinet",-10.906991958618164],["▁failed",-10.907042503356934],["▁stated",-10.907126426696777],["LA",-10.907461166381836],["▁privacy",-10.907596588134766],["vol",-10.907901763916016],["ativ",-10.908151626586914],["▁matters",-10.908210754394531],["▁Mor",-10.908555030822754],["▁Ur",-10.90860652923584],["view",-10.908968925476074],["▁consultation",-10.90921688079834],["TS",-10.909296989440918],["▁apartment",-10.909412384033203],["▁integrated",-10.909425735473633],["74",-10.909669876098633],["▁Through",-10.909710884094238],["▁kick",-10.909798622131348],["▁perioada",-10.90993881225586],["▁entirely",-10.909953117370605],["▁impossible",-10.91015911102295],["▁consideration",-10.910268783569336],["▁Alt",-10.91054916381836],["▁Come",-10.911089897155762],["▁outstanding",-10.911276817321777],["83",-10.911727905273438],["▁prezent",-10.911859512329102],["▁Local",-10.911993980407715],["▁Camp",-10.912056922912598],["▁bear",-10.912067413330078],["enden",-10.912262916564941],["life",-10.91236686706543],["▁Haus",-10.912516593933105],["▁William",-10.912644386291504],["“,",-10.912665367126465],["▁Instagram",-10.91285514831543],["▁solve",-10.913195610046387],["▁Ze",-10.913431167602539],["▁everyday",-10.91357135772705],["bla",-10.913615226745605],["eng",-10.913662910461426],["ough",-10.914246559143066],["84",-10.914483070373535],["?\"",-10.914599418640137],["rely",-10.91476821899414],["TH",-10.914841651916504],["lang",-10.91511058807373],["82",-10.915817260742188],["▁removal",-10.91589641571045],["ală",-10.915956497192383],["▁circumstances",-10.916097640991211],["ente",-10.91622257232666],["▁lieu",-10.91645336151123],["▁2016.",-10.91710376739502],["▁ales",-10.917342185974121],["▁pure",-10.917482376098633],["▁choosing",-10.917590141296387],["▁Russia",-10.917698860168457],["amp",-10.917703628540039],["▁Santa",-10.91788387298584],["▁happening",-10.918203353881836],["▁crew",-10.91822338104248],["▁lei",-10.91855239868164],["IP",-10.91858196258545],["RO",-10.919425964355469],["▁resort",-10.919514656066895],["ened",-10.919689178466797],["MB",-10.920031547546387],["▁styles",-10.920052528381348],["▁dernier",-10.920533180236816],["uck",-10.920699119567871],["▁Guide",-10.920710563659668],["fic",-10.92096996307373],["▁fitness",-10.921977996826172],["▁healthcare",-10.92223072052002],["mol",-10.92237663269043],["▁vis",-10.922721862792969],["▁atmosphere",-10.922972679138184],["▁motion",-10.922989845275879],["▁closer",-10.923114776611328],["▁SA",-10.92335319519043],["▁default",-10.923371315002441],["▁architecture",-10.923471450805664],["iile",-10.923528671264648],["zel",-10.923675537109375],["cla",-10.92387866973877],["OP",-10.924382209777832],["▁west",-10.924965858459473],["▁Energy",-10.925613403320312],["▁positions",-10.925777435302734],["▁contrast",-10.925885200500488],["▁serves",-10.92605972290039],["cup",-10.926340103149414],["▁rose",-10.926485061645508],["pers",-10.92664623260498],["▁noise",-10.926846504211426],["mont",-10.92690658569336],["#",-10.927061080932617],["lies",-10.927326202392578],["pat",-10.927718162536621],["IC",-10.927956581115723],["arc",-10.927989959716797],["▁winner",-10.928524017333984],["tent",-10.928732872009277],["▁Preis",-10.929106712341309],["▁vin",-10.929254531860352],["blo",-10.92929458618164],["ție",-10.929520606994629],["▁OR",-10.930315017700195],["▁Buch",-10.930798530578613],["▁nearby",-10.931190490722656],["▁meetings",-10.931290626525879],["▁48",-10.931465148925781],["▁quand",-10.93152904510498],["▁usual",-10.931936264038086],["▁weitere",-10.932539939880371],["▁caught",-10.932571411132812],["▁issued",-10.932626724243164],["ști",-10.932896614074707],["upcoming",-10.933232307434082],["▁agreed",-10.933233261108398],["place",-10.933353424072266],["▁Brand",-10.93344497680664],["▁relation",-10.933969497680664],["▁atât",-10.934090614318848],["▁Tre",-10.934176445007324],["▁lors",-10.934438705444336],["▁adopt",-10.934452056884766],["▁celui",-10.93458366394043],["cken",-10.93505859375],["▁partnership",-10.935284614562988],["?”",-10.935376167297363],["▁ba",-10.935746192932129],["▁ID",-10.935832023620605],["▁consistent",-10.935835838317871],["▁Ya",-10.935941696166992],["▁Academy",-10.936182022094727],["cial",-10.936230659484863],["1%",-10.936366081237793],["▁mise",-10.936684608459473],["▁gute",-10.936728477478027],["gli",-10.936939239501953],["▁Bu",-10.937679290771484],["▁reduction",-10.937917709350586],["acy",-10.938126564025879],["aga",-10.938161849975586],["▁Sc",-10.938273429870605],["▁Informationen",-10.938308715820312],["▁kommen",-10.938352584838867],["press",-10.93837833404541],["▁bridge",-10.938379287719727],["▁qualified",-10.938671112060547],["position",-10.938821792602539],["▁combat",-10.938933372497559],["!\"",-10.938993453979492],["eva",-10.939217567443848],["oase",-10.939380645751953],["▁inner",-10.939410209655762],["▁loans",-10.939720153808594],["made",-10.939786911010742],["▁Mexico",-10.93993091583252],["▁formal",-10.940092086791992],["▁fell",-10.94021987915039],["91",-10.940524101257324],["▁campus",-10.9407320022583],["ienne",-10.940869331359863],["▁framework",-10.94105339050293],["ncing",-10.941157341003418],["▁Para",-10.941222190856934],["▁password",-10.941298484802246],["▁sei",-10.941422462463379],["▁Cross",-10.941532135009766],["▁Ten",-10.941873550415039],["bank",-10.941887855529785],["▁gun",-10.942000389099121],["ient",-10.942021369934082],["▁usage",-10.942176818847656],["▁(2",-10.942278861999512],["Gra",-10.942320823669434],["▁prea",-10.94253158569336],["▁Als",-10.942619323730469],["▁finance",-10.942638397216797],["tate",-10.942665100097656],["ition",-10.942703247070312],["▁regulations",-10.942741394042969],["▁Professional",-10.943001747131348],["▁pl",-10.94336986541748],["▁SEO",-10.943472862243652],["▁trecut",-10.943487167358398],["▁aller",-10.943509101867676],["▁violence",-10.943986892700195],["▁membership",-10.944117546081543],["▁picked",-10.944162368774414],["▁collected",-10.9443359375],["▁extended",-10.944449424743652],["▁religious",-10.944661140441895],["▁salle",-10.944767951965332],["RA",-10.944781303405762],["▁blend",-10.945232391357422],["▁Min",-10.94532299041748],["kal",-10.945887565612793],["▁featuring",-10.945902824401855],["▁researchers",-10.946263313293457],["▁Search",-10.946558952331543],["CE",-10.946675300598145],["▁recognized",-10.94682502746582],["▁semi",-10.94692611694336],["▁exposure",-10.94718074798584],["grew",-10.947466850280762],["▁candidate",-10.948250770568848],["▁shares",-10.948908805847168],["▁edit",-10.949745178222656],["CS",-10.949905395507812],["▁Cl",-10.950240135192871],["▁Enjoy",-10.951438903808594],["▁hurt",-10.951482772827148],["▁bottle",-10.951593399047852],["▁Buy",-10.95159912109375],["▁superior",-10.952286720275879],["▁missed",-10.952424049377441],["▁workshop",-10.952433586120605],["action",-10.952437400817871],["ple",-10.952699661254883],["▁Schul",-10.952814102172852],["▁houses",-10.953080177307129],["▁2017,",-10.953569412231445],["▁killed",-10.953750610351562],["▁calendar",-10.954306602478027],["▁Mike",-10.954597473144531],["FA",-10.954627990722656],["nut",-10.95487117767334],["▁establish",-10.955140113830566],["▁alcohol",-10.95514965057373],["▁closely",-10.955170631408691],["▁MA",-10.955381393432617],["pul",-10.955389022827148],["▁defined",-10.955666542053223],["aires",-10.955692291259766],["▁Shi",-10.955703735351562],["▁plays",-10.956303596496582],["▁sister",-10.95690631866455],["▁cable",-10.957179069519043],["▁desk",-10.957215309143066],["▁apoi",-10.957738876342773],["▁identity",-10.95785140991211],["▁stars",-10.957931518554688],["▁fata",-10.958008766174316],["▁obvious",-10.958330154418945],["▁dental",-10.95843505859375],["AM",-10.958802223205566],["▁sharp",-10.95881175994873],["duc",-10.959053993225098],["▁manufacturer",-10.95914077758789],["!)",-10.959270477294922],["▁objects",-10.959720611572266],["▁Ag",-10.959989547729492],["referred",-10.960195541381836],["▁Ak",-10.960308074951172],["burg",-10.960360527038574],["▁nouveau",-10.960854530334473],["▁Pal",-10.960994720458984],["▁Arbeits",-10.961280822753906],["▁personally",-10.961288452148438],["▁Dé",-10.961292266845703],["▁import",-10.961688041687012],["▁justice",-10.961913108825684],["▁photography",-10.962705612182617],["▁portfolio",-10.962841987609863],["56",-10.96314525604248],["▁nouvelle",-10.963293075561523],["▁oven",-10.964197158813477],["▁400",-10.964272499084473],["▁mixed",-10.964395523071289],["▁relax",-10.964427947998047],["▁imp",-10.964703559875488],["▁».",-10.964734077453613],["▁mail",-10.964777946472168],["rage",-10.964861869812012],["nos",-10.964974403381348],["▁drugs",-10.965195655822754],["▁jede",-10.965211868286133],["▁einige",-10.965232849121094],["▁8.",-10.965325355529785],["ters",-10.965412139892578],["▁electrical",-10.965432167053223],["▁puis",-10.965836524963379],["▁films",-10.965903282165527],["41",-10.966036796569824],["▁moral",-10.966398239135742],["lage",-10.966402053833008],["▁spaces",-10.966415405273438],["▁Ed",-10.966462135314941],["▁classroom",-10.966588020324707],["▁große",-10.966588973999023],["▁baza",-10.966887474060059],["face",-10.967308044433594],["▁informed",-10.967333793640137],["▁improving",-10.967477798461914],["▁guidance",-10.967880249023438],["▁gallery",-10.96800708770752],["cular",-10.968046188354492],["53",-10.968094825744629],["Despite",-10.968238830566406],["▁forme",-10.968304634094238],["▁système",-10.968415260314941],["▁Win",-10.968494415283203],["▁Small",-10.968537330627441],["▁Mobile",-10.968564987182617],["▁tape",-10.968606948852539],["▁erhalten",-10.968914985656738],["▁movies",-10.968928337097168],["▁Unfortunately",-10.968963623046875],["▁Looking",-10.96945858001709],["▁guard",-10.969584465026855],["▁pr",-10.969820976257324],["▁confident",-10.96988582611084],["BA",-10.970229148864746],["bas",-10.970272064208984],["hum",-10.97050666809082],["ular",-10.9705171585083],["▁Still",-10.970593452453613],["▁flavor",-10.970656394958496],["▁boost",-10.970773696899414],["▁division",-10.970842361450195],["ising",-10.971006393432617],["▁monitoring",-10.971044540405273],["▁Sen",-10.97105884552002],["▁https",-10.971527099609375],["mainly",-10.971735000610352],["play",-10.972251892089844],["▁dynamic",-10.972357749938965],["▁coup",-10.972370147705078],["▁carpet",-10.972561836242676],["iner",-10.972846984863281],["ral",-10.97325611114502],["iser",-10.973320007324219],["RC",-10.9739990234375],["▁definition",-10.97475814819336],["▁Za",-10.974767684936523],["friendly",-10.974883079528809],["43",-10.975123405456543],["link",-10.975180625915527],["▁Multi",-10.97519302368164],["▁einmal",-10.975272178649902],["▁stopped",-10.975394248962402],["vel",-10.975456237792969],["▁ongoing",-10.975565910339355],["▁ancient",-10.976259231567383],["take",-10.976301193237305],["cia",-10.976432800292969],["▁USB",-10.976545333862305],["▁attorney",-10.976866722106934],["▁slot",-10.976866722106934],["▁Line",-10.97693157196045],["rice",-10.977087020874023],["ify",-10.977520942687988],["ó",-10.978260040283203],["▁flash",-10.978483200073242],["▁extension",-10.978555679321289],["▁Ende",-10.979022979736328],["▁powder",-10.979114532470703],["ească",-10.979143142700195],["03",-10.979327201843262],["▁normally",-10.979416847229004],["▁pun",-10.980108261108398],["viewed",-10.980138778686523],["ssen",-10.980896949768066],["ache",-10.981121063232422],["ește",-10.98122787475586],["▁PA",-10.981266021728516],["FI",-10.981945991516113],["▁Frank",-10.98198127746582],["▁apa",-10.98242473602295],["▁coast",-10.982614517211914],["▁boy",-10.982665061950684],["lim",-10.982902526855469],["▁putin",-10.983194351196289],["▁script",-10.983332633972168],["▁noticed",-10.9837007522583],["▁dealing",-10.983922004699707],["▁Trans",-10.984100341796875],["▁border",-10.984447479248047],["▁reputation",-10.984657287597656],["-2",-10.984662055969238],["HS",-10.984707832336426],["▁supports",-10.984724998474121],["▁horse",-10.985146522521973],["nik",-10.98520565032959],["▁clothes",-10.985234260559082],["▁Card",-10.985612869262695],["▁relief",-10.98595905303955],["▁Visit",-10.986259460449219],["▁luni",-10.986593246459961],["81",-10.986693382263184],["qua",-10.986945152282715],["▁Comp",-10.98697280883789],["▁investigation",-10.987137794494629],["▁depth",-10.987598419189453],["▁earned",-10.987709045410156],["▁Ren",-10.988090515136719],["▁Dumnezeu",-10.988107681274414],["▁Joe",-10.988210678100586],["▁goods",-10.988288879394531],["▁Vol",-10.988686561584473],["▁certified",-10.989118576049805],["▁favor",-10.989326477050781],["▁Scott",-10.989599227905273],["▁protest",-10.989802360534668],["▁pace",-10.989803314208984],["▁Angeles",-10.990368843078613],["inch",-10.99050521850586],["▁charged",-10.99052619934082],["code",-10.990968704223633],["▁convenient",-10.99138355255127],["▁Nord",-10.991556167602539],["▁yesterday",-10.991691589355469],["Dacă",-10.99169635772705],["▁Travel",-10.991786003112793],["▁kid",-10.991941452026367],["ction",-10.991986274719238],["▁groupe",-10.992770195007324],["pu",-10.993056297302246],["bzw",-10.993196487426758],["▁mixture",-10.993513107299805],["▁Farm",-10.993715286254883],["▁acces",-10.993939399719238],["matic",-10.993950843811035],["▁comparison",-10.994006156921387],["reich",-10.994095802307129],["pet",-10.994502067565918],["▁lit",-10.994685173034668],["▁organized",-10.99476432800293],["just",-10.995564460754395],["▁fellow",-10.996004104614258],["Ver",-10.996209144592285],["▁trends",-10.99622631072998],["▁evaluation",-10.99626636505127],["feld",-10.99639892578125],["▁Pu",-10.99671459197998],["▁equipped",-10.99727725982666],["▁catre",-10.997278213500977],["eck",-10.997369766235352],["▁facing",-10.997998237609863],["▁instrument",-10.998361587524414],["▁pleased",-10.998507499694824],["▁tap",-10.998818397521973],["dom",-10.998826026916504],["▁pump",-10.999384880065918],["▁functional",-10.999429702758789],["▁authority",-10.999455451965332],["▁experiment",-10.999478340148926],["LO",-10.999529838562012],["▁scheduled",-10.999552726745605],["halt",-10.999604225158691],["▁ceiling",-10.999761581420898],["▁Step",-11.000310897827148],["▁orders",-11.00032901763916],["▁speech",-11.001046180725098],["▁stands",-11.001119613647461],["▁disc",-11.001920700073242],["▁rec",-11.001935958862305],["▁Text",-11.00243854522705],["▁banks",-11.00294017791748],["▁oameni",-11.003045082092285],["▁communications",-11.003194808959961],["trag",-11.003307342529297],["▁trail",-11.003803253173828],["AN",-11.00426197052002],["▁Federal",-11.004467964172363],["▁quote",-11.00455093383789],["▁spus",-11.004620552062988],["▁managing",-11.004990577697754],["▁booking",-11.00505256652832],["▁Blog",-11.005669593811035],["▁tank",-11.005681991577148],["pon",-11.005804061889648],["GE",-11.00582218170166],["▁fiscal",-11.005871772766113],["▁satisfaction",-11.006044387817383],["cre",-11.00614070892334],["▁protected",-11.006494522094727],["▁enfants",-11.006782531738281],["▁dort",-11.007554054260254],["▁Mel",-11.008041381835938],["▁turns",-11.00804615020752],["▁savings",-11.008106231689453],["▁voir",-11.008358001708984],["▁Boston",-11.008394241333008],["▁debate",-11.008469581604004],["▁SO",-11.008857727050781],["▁tables",-11.009193420410156],["▁honest",-11.009210586547852],["mate",-11.009283065795898],["▁chart",-11.0094633102417],["decât",-11.009682655334473],["▁Radio",-11.009685516357422],["54",-11.00986385345459],["▁vol",-11.010008811950684],["last",-11.010148048400879],["▁tall",-11.010408401489258],["▁Should",-11.010489463806152],["▁sink",-11.010525703430176],["▁Right",-11.010527610778809],["▁male",-11.010720252990723],["▁Modern",-11.010753631591797],["▁indeed",-11.010886192321777],["▁Garden",-11.011139869689941],["▁Mod",-11.011307716369629],["▁turning",-11.0115327835083],["▁inches",-11.011557579040527],["▁Police",-11.01183795928955],["▁Pay",-11.012016296386719],["UE",-11.0126371383667],["mé",-11.012652397155762],["EE",-11.013046264648438],["▁cookies",-11.013116836547852],["rip",-11.013351440429688],["▁Motor",-11.01352310180664],["▁lung",-11.01379680633545],["▁Ap",-11.013995170593262],["▁sustainable",-11.014066696166992],["▁instant",-11.014240264892578],["▁Rose",-11.014464378356934],["▁Carolina",-11.014906883239746],["▁Help",-11.014969825744629],["IE",-11.01535701751709],["▁Jersey",-11.015522956848145],["▁Spanish",-11.015586853027344],["▁wheel",-11.015660285949707],["▁fishing",-11.0158109664917],["gram",-11.015937805175781],["▁ST",-11.016227722167969],["▁Nov",-11.01632022857666],["▁reporting",-11.016362190246582],["ked",-11.016467094421387],["▁Leben",-11.016557693481445],["▁organisation",-11.016843795776367],["▁tiny",-11.017144203186035],["▁Alex",-11.017236709594727],["▁obtained",-11.017255783081055],["▁Acest",-11.017367362976074],["▁dangerous",-11.01749038696289],["utter",-11.017624855041504],["▁rev",-11.01801586151123],["Un",-11.018242835998535],["▁revealed",-11.018356323242188],["▁decade",-11.018709182739258],["▁possibility",-11.01945686340332],["service",-11.019577980041504],["è",-11.01966667175293],["▁Chief",-11.019674301147461],["▁Durch",-11.019795417785645],["▁cadre",-11.019843101501465],["▁wearing",-11.019845008850098],["sized",-11.01988410949707],["LY",-11.01989459991455],["▁unser",-11.019963264465332],["▁2016,",-11.019988059997559],["▁fail",-11.020028114318848],["iques",-11.020115852355957],["▁Angel",-11.020315170288086],["▁transportation",-11.020364761352539],["▁dates",-11.020395278930664],["▁danger",-11.020731925964355],["▁forum",-11.020828247070312],["zug",-11.020885467529297],["▁filed",-11.021199226379395],["loc",-11.021201133728027],["éri",-11.021234512329102],["tribu",-11.021393775939941],["▁entered",-11.021639823913574],["▁porte",-11.021928787231445],["▁arts",-11.021979331970215],["▁reform",-11.022001266479492],["▁Main",-11.022101402282715],["▁dir",-11.022111892700195],["▁approval",-11.022465705871582],["▁juice",-11.022750854492188],["vier",-11.022771835327148],["▁nivel",-11.02318000793457],["▁returns",-11.023423194885254],["▁formed",-11.023723602294922],["▁combine",-11.02436351776123],["▁cours",-11.024392127990723],["▁Standard",-11.024463653564453],["▁certification",-11.024677276611328],["escu",-11.024996757507324],["▁achieved",-11.025278091430664],["▁Model",-11.025280952453613],["rul",-11.025404930114746],["▁Tage",-11.025530815124512],["▁injuries",-11.02560806274414],["▁Sal",-11.025671005249023],["▁expenses",-11.025887489318848],["▁cet",-11.026009559631348],["▁taxes",-11.026028633117676],["diesen",-11.02626895904541],["▁fairly",-11.026638984680176],["▁Access",-11.026866912841797],["wind",-11.027122497558594],["IM",-11.027252197265625],["ense",-11.027548789978027],["▁hang",-11.027957916259766],["▁citizens",-11.028020858764648],["3%",-11.028101921081543],["lum",-11.028268814086914],["▁discussed",-11.028326034545898],["AC",-11.02841854095459],["‘",-11.0286865234375],["▁Sol",-11.028698921203613],["06",-11.028816223144531],["stellen",-11.029170989990234],["▁participation",-11.02917194366455],["▁Box",-11.029200553894043],["▁bieten",-11.029687881469727],["▁Louis",-11.029730796813965],["▁lessons",-11.029789924621582],["▁visible",-11.029966354370117],["▁Cam",-11.030128479003906],["▁Ban",-11.03053092956543],["▁Far",-11.03060245513916],["▁travers",-11.030759811401367],["▁telling",-11.030808448791504],["▁magic",-11.030855178833008],["▁Night",-11.031316757202148],["▁judge",-11.031400680541992],["▁Pat",-11.031482696533203],["▁Southern",-11.031901359558105],["OL",-11.031929969787598],["fully",-11.032191276550293],["▁acestea",-11.03223705291748],["▁Order",-11.032383918762207],["▁facut",-11.032523155212402],["▁Matt",-11.032600402832031],["registr",-11.03278923034668],["▁Yet",-11.032811164855957],["ß",-11.033596992492676],["▁făcut",-11.033618927001953],["▁versions",-11.033780097961426],["▁Force",-11.03396224975586],["rick",-11.034153938293457],["▁rund",-11.034563064575195],["ike",-11.034658432006836],["▁Young",-11.034675598144531],["▁ski",-11.034927368164062],["CU",-11.035385131835938],["▁Second",-11.035510063171387],["▁graduate",-11.03554916381836],["▁Bible",-11.036049842834473],["▁vary",-11.036060333251953],["▁celebration",-11.036151885986328],["▁risks",-11.036210060119629],["erii",-11.036327362060547],["rance",-11.036577224731445],["▁MP",-11.036787986755371],["▁tale",-11.036788940429688],["▁Ford",-11.037044525146484],["▁attached",-11.037278175354004],["▁Sy",-11.037312507629395],["▁Ly",-11.03765869140625],["stellung",-11.037687301635742],["▁trop",-11.0377197265625],["▁années",-11.037736892700195],["▁linked",-11.03792667388916],["pit",-11.038352012634277],["So",-11.03835391998291],["ţe",-11.038473129272461],["▁origin",-11.038509368896484],["▁boys",-11.039263725280762],["holder",-11.039352416992188],["read",-11.039461135864258],["▁relative",-11.03950023651123],["▁industries",-11.03958511352539],["making",-11.039688110351562],["▁tun",-11.039917945861816],["▁forced",-11.041061401367188],["▁Welcome",-11.041086196899414],["▁explained",-11.041138648986816],["MP",-11.041389465332031],["▁Three",-11.041613578796387],["aza",-11.041768074035645],["▁1999",-11.041924476623535],["▁erst",-11.042237281799316],["RS",-11.042623519897461],["▁attractive",-11.04279899597168],["▁visited",-11.042805671691895],["▁nom",-11.042874336242676],["▁drum",-11.042933464050293],["cast",-11.043068885803223],["ogen",-11.043105125427246],["▁tech",-11.04360294342041],["▁Comment",-11.043664932250977],["▁Little",-11.04405689239502],["▁suggested",-11.044086456298828],["▁gar",-11.044205665588379],["▁crack",-11.04458999633789],["▁shooting",-11.044676780700684],["▁Try",-11.044759750366211],["▁Remember",-11.045008659362793],["▁folks",-11.045217514038086],["▁MS",-11.045512199401855],["▁Dia",-11.04584789276123],["3)",-11.046561241149902],["arbeit",-11.04697036743164],["▁pepper",-11.047065734863281],["zz",-11.047107696533203],["▁extreme",-11.047235488891602],["▁extrem",-11.047367095947266],["▁severe",-11.047768592834473],["▁networks",-11.047882080078125],["păr",-11.047910690307617],["sent",-11.047933578491211],["▁structures",-11.048048973083496],["▁Join",-11.048078536987305],["▁privind",-11.048255920410156],["▁marriage",-11.04865837097168],["▁liegt",-11.048918724060059],["eben",-11.048995971679688],["▁produse",-11.049076080322266],["▁tested",-11.049090385437012],["▁Queen",-11.049134254455566],["▁Tax",-11.049687385559082],["rian",-11.049710273742676],["▁Problem",-11.050151824951172],["izat",-11.05023193359375],["udi",-11.050324440002441],["▁LA",-11.050718307495117],["▁afford",-11.051108360290527],["▁percentage",-11.05121898651123],["▁cute",-11.051547050476074],["▁gorgeous",-11.051891326904297],["▁indoor",-11.05190372467041],["▁configuration",-11.052103042602539],["▁immediate",-11.052303314208984],["▁exemple",-11.052450180053711],["▁Being",-11.052550315856934],["▁introduction",-11.052591323852539],["ella",-11.053206443786621],["bare",-11.053521156311035],["▁besser",-11.053539276123047],["▁Put",-11.053740501403809],["gon",-11.054248809814453],["▁Italy",-11.054259300231934],["▁Thus",-11.05435562133789],["tari",-11.054437637329102],["0.000",-11.054460525512695],["▁Price",-11.054651260375977],["▁Trust",-11.054824829101562],["▁contra",-11.054863929748535],["▁layout",-11.05504035949707],["▁Ireland",-11.055187225341797],["ctor",-11.055344581604004],["atoare",-11.055540084838867],["pra",-11.055729866027832],["rent",-11.055892944335938],["▁Seite",-11.05605411529541],["▁ori",-11.056280136108398],["spiel",-11.056541442871094],["▁Times",-11.056883811950684],["primarily",-11.056974411010742],["nov",-11.05703067779541],["▁desired",-11.057061195373535],["▁Would",-11.057072639465332],["PL",-11.057225227355957],["▁originally",-11.057367324829102],["▁Ana",-11.057463645935059],["EN",-11.05754566192627],["▁occasion",-11.05755615234375],["▁grant",-11.057572364807129],["igkeit",-11.057975769042969],["▁scheme",-11.058146476745605],["▁2015.",-11.058621406555176],["izare",-11.058778762817383],["gate",-11.058792114257812],["▁poker",-11.058899879455566],["pping",-11.058998107910156],["▁Wild",-11.059511184692383],["▁YouTube",-11.059995651245117],["▁assume",-11.060284614562988],["с",-11.060614585876465],["▁rapport",-11.060623168945312],["▁labor",-11.060996055603027],["teur",-11.061041831970215],["▁genre",-11.06116008758545],["▁plat",-11.061745643615723],["▁listening",-11.061750411987305],["sky",-11.061777114868164],["▁neighborhood",-11.061782836914062],["▁3-",-11.062150001525879],["▁Library",-11.062162399291992],["agit",-11.062249183654785],["▁platforms",-11.062849998474121],["bei",-11.062882423400879],["AB",-11.062897682189941],["▁manufacturers",-11.06295394897461],["▁printing",-11.063141822814941],["▁crisis",-11.063326835632324],["▁Smart",-11.06335163116455],["▁drawing",-11.063406944274902],["MO",-11.06348991394043],["▁durable",-11.063569068908691],["chant",-11.0636625289917],["▁chemical",-11.063764572143555],["▁savoir",-11.063776016235352],["▁Max",-11.063802719116211],["gestellt",-11.06380844116211],["▁rural",-11.063854217529297],["52",-11.064105033874512],["▁invited",-11.064169883728027],["▁fil",-11.0642728805542],["▁Rob",-11.064284324645996],["▁Bell",-11.064387321472168],["▁neck",-11.064831733703613],["pac",-11.064879417419434],["wal",-11.06491470336914],["▁là",-11.064922332763672],["▁Virginia",-11.065081596374512],["▁applicable",-11.06509017944336],["▁abuse",-11.065153121948242],["aide",-11.065321922302246],["▁increases",-11.065396308898926],["▁moi",-11.065568923950195],["▁Non",-11.065577507019043],["▁Produkt",-11.065627098083496],["FC",-11.065644264221191],["▁shops",-11.065677642822266],["▁prendre",-11.065923690795898],["atul",-11.065990447998047],["▁sal",-11.066137313842773],["▁société",-11.06627082824707],["▁Hot",-11.066329002380371],["rim",-11.066587448120117],["gue",-11.06661605834961],["▁enterprise",-11.066624641418457],["▁33",-11.067329406738281],["mittel",-11.067395210266113],["ged",-11.067439079284668],["▁formula",-11.06777286529541],["▁spin",-11.067784309387207],["als",-11.067826271057129],["2%",-11.06785774230957],["bon",-11.068192481994629],["▁Executive",-11.068323135375977],["▁wirklich",-11.068427085876465],["îl",-11.068608283996582],["1.",-11.068917274475098],["▁Arm",-11.069157600402832],["▁rid",-11.069358825683594],["aries",-11.069727897644043],["▁incident",-11.06982421875],["▁copii",-11.070008277893066],["▁Charles",-11.070141792297363],["▁meals",-11.070147514343262],["▁wireless",-11.070237159729004],["Ex",-11.070364952087402],["▁Financial",-11.070540428161621],["▁AM",-11.070615768432617],["▁fest",-11.070645332336426],["▁Ol",-11.071410179138184],["oir",-11.071447372436523],["300",-11.071893692016602],["▁punct",-11.072138786315918],["▁Mad",-11.07283878326416],["▁Ali",-11.072907447814941],["lag",-11.073214530944824],["▁ocean",-11.073314666748047],["▁mirror",-11.073326110839844],["▁Additionally",-11.073869705200195],["alia",-11.073884963989258],["▁county",-11.073899269104004],["▁hip",-11.074305534362793],["dale",-11.074395179748535],["▁Stra",-11.074429512023926],["▁drag",-11.074575424194336],["▁Sand",-11.074851036071777],["▁historic",-11.074980735778809],["ière",-11.075427055358887],["▁examine",-11.075624465942383],["soci",-11.075634002685547],["ime",-11.076088905334473],["▁Insurance",-11.07621955871582],["▁crime",-11.076736450195312],["▁pare",-11.076945304870605],["▁craft",-11.077105522155762],["▁Building",-11.077279090881348],["mission",-11.077534675598145],["▁Americans",-11.077573776245117],["▁mg",-11.077799797058105],["▁passage",-11.077938079833984],["▁deposit",-11.078346252441406],["▁widely",-11.078444480895996],["nch",-11.078453063964844],["▁Coast",-11.078756332397461],["▁recipes",-11.078784942626953],["▁Ziel",-11.07951545715332],["▁duty",-11.079646110534668],["▁gerne",-11.079704284667969],["most",-11.080034255981445],["▁argument",-11.080158233642578],["▁root",-11.08021354675293],["▁consult",-11.08024787902832],["▁muscle",-11.080255508422852],["▁spoke",-11.08038330078125],["▁Cum",-11.080950736999512],["▁orange",-11.081033706665039],["▁reader",-11.081123352050781],["schw",-11.081151008605957],["▁commission",-11.081332206726074],["histoire",-11.081811904907227],["▁represents",-11.082064628601074],["▁meilleur",-11.082343101501465],["▁10.",-11.082358360290527],["HA",-11.082427024841309],["▁Systems",-11.082573890686035],["▁blind",-11.082603454589844],["▁HP",-11.083221435546875],["▁doi",-11.083307266235352],["▁signature",-11.083404541015625],["▁invite",-11.083505630493164],["▁Samsung",-11.083802223205566],["▁liber",-11.083942413330078],["▁letters",-11.0840482711792],["▁primul",-11.084186553955078],["▁losing",-11.084328651428223],["resulting",-11.084467887878418],["▁Computer",-11.08474063873291],["▁poll",-11.0847749710083],["rile",-11.085102081298828],["TI",-11.085142135620117],["▁cur",-11.08566951751709],["▁fonction",-11.085833549499512],["gat",-11.086359977722168],["AA",-11.086480140686035],["tiv",-11.086692810058594],["▁Str",-11.087076187133789],["ești",-11.087677955627441],["▁officer",-11.0877046585083],["reducing",-11.08772087097168],["▁gifts",-11.08780288696289],["▁performing",-11.08788776397705],["▁»,",-11.088349342346191],["▁guitar",-11.08838939666748],["▁segment",-11.088580131530762],["▁Tar",-11.08861255645752],["▁ultimately",-11.088805198669434],["▁cam",-11.088960647583008],["▁Arbeit",-11.089076042175293],["▁accessories",-11.089418411254883],["bad",-11.089820861816406],["home",-11.0899019241333],["▁clip",-11.08995532989502],["range",-11.090432167053223],["CM",-11.090867042541504],["▁printed",-11.090883255004883],["▁Pet",-11.091177940368652],["▁attract",-11.091333389282227],["date",-11.091501235961914],["▁Senior",-11.091503143310547],["▁genau",-11.092177391052246],["num",-11.092435836791992],["▁attended",-11.092674255371094],["▁Turn",-11.092824935913086],["▁History",-11.092830657958984],["some",-11.092852592468262],["▁describe",-11.09308910369873],["▁Lee",-11.093143463134766],["▁Fre",-11.093314170837402],["▁league",-11.093345642089844],["new",-11.093505859375],["tors",-11.093535423278809],["▁storm",-11.094005584716797],["▁Beispiel",-11.094197273254395],["▁index",-11.094344139099121],["▁awarded",-11.094613075256348],["state",-11.094625473022461],["▁1990",-11.094874382019043],["▁ends",-11.094902992248535],["kor",-11.095070838928223],["far",-11.095418930053711],["▁Page",-11.095541000366211],["▁promotion",-11.095610618591309],["▁weekly",-11.095726013183594],["400",-11.095966339111328],["iuni",-11.096365928649902],["▁Summer",-11.096376419067383],["▁thin",-11.096627235412598],["▁dafür",-11.09669303894043],["51",-11.096769332885742],["PR",-11.096978187561035],["▁Hy",-11.097001075744629],["gas",-11.097013473510742],["▁atat",-11.097166061401367],["▁mining",-11.097347259521484],["▁principles",-11.09741497039795],["gent",-11.097545623779297],["ika",-11.097685813903809],["▁religion",-11.097787857055664],["▁ordered",-11.098284721374512],["▁developers",-11.098298072814941],["▁pleasure",-11.098456382751465],["vit",-11.098505020141602],["mers",-11.0988130569458],["▁Section",-11.098873138427734],["▁por",-11.098960876464844],["▁Name",-11.099200248718262],["▁pink",-11.099260330200195],["dig",-11.09934139251709],["▁eligible",-11.099397659301758],["▁Happy",-11.09941577911377],["▁fo",-11.099480628967285],["▁availability",-11.099541664123535],["GO",-11.099583625793457],["▁Europa",-11.099637985229492],["▁Unit",-11.099656105041504],["▁1000",-11.099837303161621],["▁Berg",-11.099846839904785],["fini",-11.099853515625],["▁$3",-11.100565910339355],["iza",-11.100749969482422],["▁promo",-11.100830078125],["▁Low",-11.101234436035156],["abord",-11.101326942443848],["äh",-11.101485252380371],["▁Professor",-11.101570129394531],["▁array",-11.101579666137695],["▁hate",-11.101594924926758],["▁recording",-11.101601600646973],["RI",-11.101649284362793],["▁proof",-11.101710319519043],["lay",-11.10185718536377],["DE",-11.102007865905762],["▁surprised",-11.102066040039062],["▁boxes",-11.102193832397461],["▁noastre",-11.102386474609375],["zie",-11.102387428283691],["▁însă",-11.10254192352295],["▁ajuta",-11.102783203125],["▁weil",-11.1028413772583],["▁whenever",-11.103026390075684],["shi",-11.103194236755371],["satz",-11.103605270385742],["▁remind",-11.10401725769043],["▁consist",-11.10412311553955],["▁motiv",-11.104240417480469],["▁PS",-11.1043062210083],["▁trois",-11.104543685913086],["pad",-11.10477352142334],["▁besten",-11.104904174804688],["▁Stone",-11.105140686035156],["itz",-11.105157852172852],["fit",-11.105164527893066],["▁Mountain",-11.105178833007812],["OC",-11.10519027709961],["▁depends",-11.105228424072266],["▁Cover",-11.105387687683105],["▁bags",-11.106058120727539],["▁Bel",-11.106199264526367],["▁Engineering",-11.106304168701172],["▁flower",-11.106647491455078],["▁gratuit",-11.106670379638672],["▁smartphone",-11.106780052185059],["stan",-11.107197761535645],["spect",-11.10726261138916],["SL",-11.107282638549805],["sho",-11.10738754272461],["▁Ser",-11.10791301727295],["▁Perhaps",-11.108247756958008],["▁codes",-11.108342170715332],["▁Wind",-11.10849666595459],["aient",-11.108757019042969],["▁Prin",-11.108802795410156],["▁(1)",-11.109090805053711],["▁figures",-11.109450340270996],["▁ausge",-11.10972785949707],["▁episode",-11.110050201416016],["▁Spa",-11.110370635986328],["▁Silver",-11.110386848449707],["▁Sky",-11.110396385192871],["▁capabilities",-11.1107177734375],["▁Uni",-11.11073112487793],["▁încă",-11.110876083374023],["TO",-11.111289978027344],["▁Hal",-11.111358642578125],["ghi",-11.111414909362793],["▁sofa",-11.111438751220703],["hard",-11.11150074005127],["▁FOR",-11.111587524414062],["▁Ber",-11.111820220947266],["▁firms",-11.11187744140625],["▁memories",-11.111883163452148],["▁lift",-11.11214542388916],["▁sending",-11.11214542388916],["▁narrow",-11.112646102905273],["▁Steve",-11.112784385681152],["▁integration",-11.112905502319336],["known",-11.113122940063477],["▁nostru",-11.113237380981445],["iţi",-11.113422393798828],["▁Georgia",-11.113759994506836],["▁slowly",-11.114026069641113],["iere",-11.114028930664062],["aka",-11.114255905151367],["PE",-11.114320755004883],["▁venue",-11.11468505859375],["jar",-11.11474609375],["buch",-11.114755630493164],["rad",-11.114858627319336],["▁resistance",-11.114899635314941],["▁stehen",-11.114914894104004],["chin",-11.11504077911377],["▁weak",-11.11535358428955],["▁DVD",-11.115598678588867],["▁bodies",-11.115856170654297],["▁split",-11.115884780883789],["What",-11.116231918334961],["setzen",-11.116467475891113],["▁loves",-11.116561889648438],["▁kleine",-11.117077827453613],["▁increasingly",-11.11746883392334],["▁alert",-11.117583274841309],["▁AC",-11.117647171020508],["▁partir",-11.117974281311035],["▁ratio",-11.11807918548584],["▁keeps",-11.118539810180664],["▁Area",-11.118544578552246],["▁données",-11.119071960449219],["▁flag",-11.119254112243652],["▁NO",-11.119277000427246],["▁hotels",-11.119336128234863],["▁debut",-11.119365692138672],["▁suffer",-11.119368553161621],["▁hidden",-11.119810104370117],["▁clothing",-11.120074272155762],["▁household",-11.120235443115234],["medi",-11.120268821716309],["▁reste",-11.120274543762207],["bro",-11.120381355285645],["▁Bus",-11.120405197143555],["▁Ken",-11.120572090148926],["IR",-11.120758056640625],["▁suffering",-11.121212005615234],["▁publication",-11.121246337890625],["▁Mat",-11.121360778808594],["▁impression",-11.121509552001953],["▁founded",-11.121562957763672],["▁stable",-11.121566772460938],["▁promise",-11.121719360351562],["▁Cloud",-11.121770858764648],["▁prison",-11.122099876403809],["cor",-11.122355461120605],["▁Sports",-11.122716903686523],["▁erste",-11.122745513916016],["shire",-11.122757911682129],["▁recommendations",-11.122916221618652],["▁permit",-11.123100280761719],["▁tomorrow",-11.123126983642578],["▁lucky",-11.123422622680664],["▁realized",-11.123449325561523],["▁famille",-11.123473167419434],["▁Zealand",-11.123542785644531],["▁wooden",-11.123601913452148],["▁east",-11.124269485473633],["▁Bereich",-11.12458324432373],["während",-11.124653816223145],["rite",-11.124836921691895],["▁fla",-11.124902725219727],["platz",-11.124991416931152],["▁zero",-11.125292778015137],["▁priority",-11.12535572052002],["▁Airport",-11.125506401062012],["▁Kauf",-11.125590324401855],["▁ultimate",-11.12601375579834],["▁chest",-11.126175880432129],["▁tone",-11.126376152038574],["▁Kal",-11.126431465148926],["▁supposed",-11.12669849395752],["▁vedere",-11.126846313476562],["▁50%",-11.126872062683105],["▁Ger",-11.127785682678223],["pack",-11.127849578857422],["▁priv",-11.128241539001465],["▁Kit",-11.128263473510742],["▁tent",-11.128457069396973],["▁guidelines",-11.128461837768555],["▁Republic",-11.128824234008789],["including",-11.129239082336426],["▁chief",-11.129615783691406],["▁Living",-11.129766464233398],["keit",-11.1298189163208],["▁convert",-11.129831314086914],["tail",-11.129928588867188],["orient",-11.129960060119629],["eigenen",-11.130245208740234],["▁soup",-11.130587577819824],["▁zona",-11.130661010742188],["▁composition",-11.130690574645996],["▁Bob",-11.130831718444824],["▁exception",-11.131170272827148],["▁cr",-11.131287574768066],["▁str",-11.131482124328613],["▁Fl",-11.13178825378418],["AT",-11.131909370422363],["kel",-11.132002830505371],["▁pricing",-11.132189750671387],["▁Mass",-11.132258415222168],["vir",-11.132333755493164],["leg",-11.132448196411133],["▁rating",-11.132455825805664],["▁Sale",-11.132628440856934],["▁somewhere",-11.132866859436035],["▁submitted",-11.133084297180176],["▁Pop",-11.133296012878418],["▁papers",-11.13330364227295],["▁authorities",-11.133326530456543],["▁Person",-11.133381843566895],["▁kill",-11.133512496948242],["▁suggestions",-11.133548736572266],["-6",-11.133644104003906],["▁dust",-11.133750915527344],["taire",-11.133805274963379],["▁recognition",-11.133870124816895],["3.",-11.134047508239746],["▁Mont",-11.134230613708496],["▁produit",-11.13430118560791],["▁transmission",-11.134340286254883],["▁Th",-11.13475513458252],["▁passing",-11.134928703308105],["▁Partner",-11.135161399841309],["▁dire",-11.135205268859863],["▁DC",-11.135432243347168],["▁sky",-11.135659217834473],["▁Kitchen",-11.135890007019043],["▁fluid",-11.135929107666016],["▁scored",-11.136005401611328],["▁chapter",-11.136100769042969],["If",-11.136231422424316],["letzten",-11.136275291442871],["▁officers",-11.13641357421875],["▁avem",-11.136631965637207],["ister",-11.136666297912598],["▁involves",-11.136688232421875],["ico",-11.136898040771484],["bur",-11.137056350708008],["▁mieux",-11.137064933776855],["▁Photo",-11.1371431350708],["▁Cro",-11.137228012084961],["▁professor",-11.137245178222656],["▁besonders",-11.137313842773438],["д",-11.137367248535156],["▁alongside",-11.137382507324219],["▁stored",-11.13770580291748],["▁activ",-11.137849807739258],["▁setup",-11.138169288635254],["▁extract",-11.138627052307129],["▁accent",-11.138633728027344],["▁replaced",-11.138638496398926],["tec",-11.138800621032715],["▁Natur",-11.138848304748535],["▁Pacific",-11.138887405395508],["▁NY",-11.139485359191895],["▁Capital",-11.139583587646484],["▁forest",-11.13969898223877],["incredibly",-11.14006233215332],["▁choix",-11.14021110534668],["▁seriously",-11.140281677246094],["▁konnte",-11.14030933380127],["▁2014.",-11.140443801879883],["ensuring",-11.140534400939941],["▁handling",-11.140661239624023],["▁9.",-11.140715599060059],["▁relations",-11.140876770019531],["▁Kom",-11.141045570373535],["▁Hol",-11.141282081604004],["▁none",-11.141515731811523],["rob",-11.141718864440918],["▁Forum",-11.141759872436523],["hour",-11.141776084899902],["ème",-11.141809463500977],["▁Space",-11.141986846923828],["▁Ham",-11.142992973327637],["rap",-11.143169403076172],["▁Michigan",-11.14317512512207],["km",-11.143202781677246],["▁utilize",-11.143548965454102],["lov",-11.143775939941406],["▁luck",-11.144388198852539],["lä",-11.144824981689453],["▁healing",-11.145010948181152],["▁neu",-11.145182609558105],["aging",-11.145251274108887],["▁compliance",-11.145583152770996],["▁vertical",-11.145675659179688],["▁FREE",-11.145729064941406],["▁differences",-11.146014213562012],["▁Server",-11.146252632141113],["▁estimated",-11.146378517150879],["schutz",-11.146692276000977],["▁notamment",-11.146736145019531],["▁120",-11.146919250488281],["72",-11.147282600402832],["▁heating",-11.147347450256348],["late",-11.14756965637207],["▁younger",-11.14783000946045],["▁Intel",-11.148171424865723],["▁salad",-11.148362159729004],["▁commonly",-11.148563385009766],["▁treatments",-11.148682594299316],["▁speaker",-11.148770332336426],["▁producing",-11.149120330810547],["▁eggs",-11.149367332458496],["▁Spirit",-11.149892807006836],["▁beide",-11.149918556213379],["▁transaction",-11.150283813476562],["▁Machine",-11.150464057922363],["▁Games",-11.150527000427246],["▁niveau",-11.150687217712402],["▁Need",-11.15082836151123],["radi",-11.150959968566895],["mir",-11.15096664428711],["causing",-11.151000022888184],["▁début",-11.151042938232422],["▁rencontre",-11.151063919067383],["▁threat",-11.151153564453125],["▁enjoying",-11.151320457458496],["Com",-11.151386260986328],["▁Johnson",-11.151555061340332],["▁tournament",-11.15156364440918],["▁Micro",-11.151582717895508],["▁Drive",-11.151667594909668],["▁Cre",-11.151866912841797],["▁Lebens",-11.151930809020996],["▁categories",-11.152358055114746],["5,000",-11.15261173248291],["▁confirmed",-11.152617454528809],["pli",-11.152763366699219],["▁Francisco",-11.153139114379883],["▁raw",-11.153157234191895],["▁managers",-11.153223991394043],["ţie",-11.153365135192871],["UR",-11.153368949890137],["▁aproape",-11.154065132141113],["via",-11.154606819152832],["▁engaged",-11.154646873474121],["▁parti",-11.154741287231445],["▁posting",-11.15517807006836],["CO",-11.155484199523926],["▁bois",-11.155815124511719],["▁inch",-11.15590763092041],["vie",-11.156068801879883],["▁aside",-11.156314849853516],["▁exceptional",-11.15658950805664],["▁vintage",-11.156668663024902],["▁Him",-11.156795501708984],["▁expansion",-11.156806945800781],["▁Weg",-11.157122611999512],["▁authors",-11.157535552978516],["▁deine",-11.15764045715332],["▁Prime",-11.158016204833984],["▁scan",-11.158055305480957],["▁reg",-11.158112525939941],["ția",-11.158141136169434],["riv",-11.158258438110352],["selon",-11.158440589904785],["▁Studio",-11.158571243286133],["▁dich",-11.158658027648926],["▁vi",-11.158745765686035],["▁sequence",-11.159016609191895],["▁Four",-11.159046173095703],["RT",-11.159050941467285],["▁ihn",-11.159072875976562],["▁employ",-11.159223556518555],["umb",-11.159659385681152],["ită",-11.159818649291992],["▁Station",-11.159950256347656],["▁upload",-11.159972190856934],["▁upgrade",-11.160445213317871],["▁exterior",-11.160528182983398],["▁writers",-11.160531997680664],["▁plot",-11.160543441772461],["▁Gen",-11.16068172454834],["TER",-11.160821914672852],["-12",-11.160930633544922],["http",-11.162168502807617],["▁smell",-11.1621732711792],["post",-11.162522315979004],["von",-11.162790298461914],["mili",-11.16280746459961],["8%",-11.162972450256348],["▁Andrew",-11.163065910339355],["▁spun",-11.16321086883545],["▁grass",-11.163444519042969],["unter",-11.163474082946777],["▁burn",-11.16356086730957],["▁Gegen",-11.163601875305176],["fest",-11.163721084594727],["▁Northern",-11.163738250732422],["▁consumption",-11.163775444030762],["▁bird",-11.164069175720215],["▁Miss",-11.164369583129883],["anti",-11.16447925567627],["▁viata",-11.164583206176758],["bereich",-11.164602279663086],["▁Change",-11.164871215820312],["▁pouvoir",-11.165255546569824],["▁demonstrate",-11.165435791015625],["▁requirement",-11.165483474731445],["BI",-11.16577434539795],["ied",-11.166099548339844],["▁spray",-11.166358947753906],["▁calitate",-11.166379928588867],["▁souvent",-11.1665620803833],["▁samples",-11.166682243347168],["▁compete",-11.166930198669434],["ank",-11.166946411132812],["année",-11.167037963867188],["wick",-11.167183876037598],["iff",-11.167254447937012],["noi",-11.167255401611328],["ography",-11.167450904846191],["▁SE",-11.167508125305176],["▁250",-11.16779899597168],["▁wealth",-11.167884826660156],["4%",-11.168235778808594],["▁swimming",-11.168269157409668],["enne",-11.168338775634766],["Qu",-11.168400764465332],["▁connections",-11.168476104736328],["onne",-11.16852855682373],["▁Way",-11.168676376342773],["voll",-11.168793678283691],["▁extent",-11.169041633605957],["▁objective",-11.169572830200195],["▁clinic",-11.169581413269043],["NA",-11.169848442077637],["▁Hope",-11.170098304748535],["▁coat",-11.170331954956055],["▁depend",-11.170393943786621],["▁tine",-11.170463562011719],["acc",-11.170486450195312],["▁editor",-11.170598983764648],["▁Jim",-11.170690536499023],["600",-11.171262741088867],["▁module",-11.171302795410156],["▁deja",-11.171821594238281],["atur",-11.171841621398926],["▁maintaining",-11.171918869018555],["▁hoch",-11.172059059143066],["▁covering",-11.17239761352539],["vielen",-11.172450065612793],["hem",-11.172531127929688],["▁illegal",-11.172656059265137],["▁certificate",-11.17329216003418],["▁collective",-11.173357963562012],["▁blow",-11.17343807220459],["▁programming",-11.17343807220459],["HE",-11.173727989196777],["▁Division",-11.173842430114746],["▁ceux",-11.174081802368164],["▁saved",-11.174202919006348],["▁worst",-11.17426586151123],["▁arms",-11.17430305480957],["▁Officer",-11.17463493347168],["▁association",-11.174838066101074],["ington",-11.1749906539917],["▁belle",-11.175024032592773],["tting",-11.17537784576416],["▁attacks",-11.175446510314941],["▁vei",-11.17546558380127],["▁gerade",-11.175470352172852],["▁strain",-11.175748825073242],["▁offices",-11.1759672164917],["EM",-11.17627239227295],["EST",-11.176509857177734],["-8",-11.176758766174316],["▁faculty",-11.176998138427734],["▁Plant",-11.177046775817871],["pla",-11.177295684814453],["card",-11.177618980407715],["▁loose",-11.177982330322266],["▁PR",-11.178044319152832],["profit",-11.178071022033691],["▁channels",-11.178119659423828],["ATE",-11.178257942199707],["atic",-11.178304672241211],["wegen",-11.178404808044434],["word",-11.178621292114258],["▁sehen",-11.178659439086914],["▁nombre",-11.178744316101074],["▁DO",-11.178763389587402],["▁hoping",-11.178949356079102],["▁wollen",-11.179091453552246],["▁decat",-11.179244995117188],["IF",-11.179386138916016],["▁permission",-11.179396629333496],["▁Williams",-11.179936408996582],["▁beer",-11.179962158203125],["▁dernière",-11.180052757263184],["▁purchasing",-11.18025016784668],["▁pride",-11.180416107177734],["solv",-11.180598258972168],["ego",-11.180691719055176],["▁Oil",-11.18079662322998],["▁dishes",-11.18102741241455],["▁Baby",-11.181109428405762],["▁Roll",-11.181137084960938],["vez",-11.18134593963623],["▁drept",-11.181367874145508],["lly",-11.18148136138916],["▁potrivit",-11.181495666503906],["person",-11.181961059570312],["▁interactive",-11.182269096374512],["▁brilliant",-11.182304382324219],["▁000",-11.182357788085938],["▁giant",-11.182657241821289],["▁plain",-11.182945251464844],["▁lock",-11.183197975158691],["▁inspection",-11.183762550354004],["▁symbol",-11.18392276763916],["▁Gal",-11.183953285217285],["▁concepts",-11.1840181350708],["▁venture",-11.18411922454834],["▁Tr",-11.184402465820312],["▁Color",-11.184469223022461],["▁behalf",-11.184635162353516],["ink",-11.184715270996094],["atii",-11.1848726272583],["wie",-11.184907913208008],["▁stream",-11.18514347076416],["▁buyers",-11.185192108154297],["legen",-11.185526847839355],["iness",-11.18578815460205],["▁absolute",-11.185945510864258],["▁council",-11.186067581176758],["▁displayed",-11.186172485351562],["▁Bun",-11.186405181884766],["▁darauf",-11.186585426330566],["▁rod",-11.186829566955566],["▁repeat",-11.186898231506348],["quelle",-11.187023162841797],["lation",-11.187433242797852],["gul",-11.18774700164795],["▁compensation",-11.188064575195312],["▁string",-11.1881685256958],["▁joining",-11.188251495361328],["▁Pra",-11.188429832458496],["hab",-11.188936233520508],["▁plane",-11.189024925231934],["▁conversion",-11.189078330993652],["▁lesson",-11.189361572265625],["bound",-11.1893949508667],["▁seats",-11.18946361541748],["voc",-11.189902305603027],["▁Disney",-11.190120697021484],["esse",-11.190277099609375],["▁awards",-11.190279006958008],["▁initiative",-11.190483093261719],["UM",-11.19050407409668],["▁intelligence",-11.190763473510742],["▁laser",-11.191128730773926],["än",-11.191228866577148],["▁generated",-11.191231727600098],["▁allen",-11.19186782836914],["▁Aug",-11.19261360168457],["lini",-11.192968368530273],["▁Update",-11.193015098571777],["▁grab",-11.193095207214355],["▁Bridge",-11.193219184875488],["rock",-11.193289756774902],["hold",-11.193461418151855],["seinen",-11.193643569946289],["▁false",-11.193758010864258],["type",-11.193792343139648],["▁outcome",-11.193906784057617],["▁crazy",-11.194161415100098],["▁Platz",-11.194281578063965],["▁believed",-11.194426536560059],["▁adjust",-11.194503784179688],["▁entrance",-11.194644927978516],["▁Colorado",-11.194751739501953],["▁concentration",-11.194865226745605],["aid",-11.194958686828613],["▁regardless",-11.195035934448242],["▁mici",-11.195063591003418],["▁potentially",-11.195109367370605],["▁Custom",-11.195867538452148],["rag",-11.196009635925293],["▁employer",-11.19604206085205],["tagged",-11.196158409118652],["▁34",-11.196271896362305],["fro",-11.196895599365234],["▁Pas",-11.197010040283203],["▁AS",-11.197013854980469],["PP",-11.197031021118164],["stru",-11.19741439819336],["grâce",-11.198037147521973],["▁anyway",-11.198240280151367],["▁streets",-11.1986083984375],["▁Region",-11.199190139770508],["▁newly",-11.199280738830566],["▁assistant",-11.199461936950684],["▁requests",-11.199618339538574],["▁Ohio",-11.199705123901367],["▁continuing",-11.200072288513184],["▁îm",-11.200136184692383],["7%",-11.20031452178955],["▁basically",-11.200325965881348],["gabe",-11.200334548950195],["▁ultra",-11.200355529785156],["pic",-11.200571060180664],["▁jeder",-11.200939178466797],["▁Cook",-11.201225280761719],["▁tie",-11.201227188110352],["▁yard",-11.20151424407959],["▁wash",-11.20152759552002],["▁3,",-11.20194149017334],["▁exista",-11.202128410339355],["▁egg",-11.202342987060547],["▁marché",-11.202616691589355],["kommen",-11.202630996704102],["▁Select",-11.202999114990234],["geben",-11.203126907348633],["▁Joseph",-11.203531265258789],["▁Ces",-11.203642845153809],["▁hundred",-11.203676223754883],["even",-11.203792572021484],["gal",-11.204232215881348],["800",-11.20443058013916],["▁Jones",-11.204599380493164],["ova",-11.204681396484375],["▁careful",-11.204727172851562],["▁alarm",-11.205070495605469],["NI",-11.205113410949707],["▁residence",-11.205327987670898],["▁wäre",-11.20590877532959],["▁Dor",-11.205986976623535],["▁amounts",-11.206369400024414],["▁mistake",-11.206687927246094],["ates",-11.206796646118164],["▁bune",-11.206951141357422],["▁vegetables",-11.207124710083008],["▁Ann",-11.207204818725586],["logical",-11.20776081085205],["stadt",-11.207806587219238],["▁chances",-11.207921981811523],["%)",-11.208030700683594],["▁minimal",-11.20810604095459],["▁naturally",-11.20817756652832],["▁Geld",-11.20822525024414],["▁Yu",-11.208361625671387],["▁wrap",-11.20840072631836],["rest",-11.208674430847168],["▁legs",-11.208758354187012],["PM",-11.208806991577148],["▁Heart",-11.208888053894043],["▁suspect",-11.209020614624023],["Go",-11.209098815917969],["▁Fil",-11.209175109863281],["▁YOU",-11.209175109863281],["▁victory",-11.209245681762695],["pun",-11.20960807800293],["▁Zo",-11.209632873535156],["CT",-11.209640502929688],["▁trim",-11.20969009399414],["▁stuck",-11.209836959838867],["ators",-11.209877014160156],["▁Ideas",-11.210016250610352],["▁voyage",-11.210166931152344],["▁Restaurant",-11.210205078125],["▁pat",-11.210234642028809],["▁bond",-11.210521697998047],["▁Del",-11.210552215576172],["▁fighting",-11.210705757141113],["▁concerning",-11.210867881774902],["▁etwa",-11.211141586303711],["▁Thema",-11.211237907409668],["▁preferred",-11.211423873901367],["▁pitch",-11.211465835571289],["▁Singapore",-11.211971282958984],["▁tub",-11.212018013000488],["FT",-11.212053298950195],["▁Product",-11.21212100982666],["▁applying",-11.212285995483398],["▁Fr",-11.212340354919434],["ţa",-11.212599754333496],["▁iPad",-11.212861061096191],["PD",-11.2129545211792],["▁comun",-11.212995529174805],["▁pie",-11.213286399841309],["rank",-11.21364688873291],["tron",-11.213677406311035],["▁pest",-11.213906288146973],["▁herself",-11.213936805725098],["▁intense",-11.213964462280273],["foot",-11.21413803100586],["▁1998",-11.2141695022583],["▁anxiety",-11.214616775512695],["▁portable",-11.214674949645996],["▁harm",-11.214735984802246],["▁admit",-11.214885711669922],["sted",-11.214900016784668],["▁regions",-11.215450286865234],["cie",-11.215556144714355],["▁robust",-11.21577262878418],["▁stem",-11.215982437133789],["▁roles",-11.216024398803711],["▁Latin",-11.216224670410156],["▁Ré",-11.216378211975098],["▁ref",-11.216381072998047],["isme",-11.216426849365234],["▁contribution",-11.216776847839355],["▁forever",-11.217447280883789],["▁frei",-11.21754264831543],["▁mont",-11.217818260192871],["that",-11.217999458312988],["▁sensitive",-11.218116760253906],["▁wider",-11.218175888061523],["AF",-11.218234062194824],["▁liability",-11.218748092651367],["ţiei",-11.219043731689453],["▁Cho",-11.219260215759277],["aria",-11.21960735321045],["rang",-11.21977710723877],["▁Account",-11.21986198425293],["▁III",-11.219941139221191],["▁tooth",-11.220222473144531],["▁factory",-11.220240592956543],["▁dropped",-11.220495223999023],["horn",-11.220780372619629],["RP",-11.221110343933105],["▁container",-11.22118091583252],["fran",-11.221474647521973],["▁lawyer",-11.221842765808105],["▁Image",-11.221907615661621],["HO",-11.22195816040039],["▁incorporate",-11.221992492675781],["▁lume",-11.22226333618164],["GA",-11.222331047058105],["itati",-11.222370147705078],["autre",-11.222665786743164],["ierten",-11.222688674926758],["[",-11.222746849060059],["▁packages",-11.222758293151855],["▁Simon",-11.22290325164795],["▁somewhat",-11.223734855651855],["mbo",-11.223737716674805],["lite",-11.223844528198242],["▁eliminate",-11.22395133972168],["▁decrease",-11.224117279052734],["▁geben",-11.224214553833008],["▁approaches",-11.224482536315918],["▁tissue",-11.224940299987793],["▁personne",-11.225192070007324],["ional",-11.225587844848633],["unable",-11.2256498336792],["▁Case",-11.225736618041992],["hill",-11.225744247436523],["och",-11.225862503051758],["▁minister",-11.225920677185059],["▁Rad",-11.226285934448242],["▁yoga",-11.226390838623047],["▁encounter",-11.22661018371582],["text",-11.22670841217041],["▁OS",-11.226719856262207],["▁opera",-11.22673225402832],["▁loving",-11.226977348327637],["▁birds",-11.227363586425781],["▁prim",-11.227389335632324],["easca",-11.227432250976562],["park",-11.227453231811523],["fü",-11.227797508239746],["▁champion",-11.227824211120605],["▁warning",-11.228245735168457],["DC",-11.228271484375],["▁yield",-11.228310585021973],["raum",-11.228334426879883],["▁Student",-11.228434562683105],["▁Rev",-11.22848892211914],["▁Fu",-11.228501319885254],["▁intra",-11.22854232788086],["▁proces",-11.228585243225098],["▁margin",-11.228621482849121],["lands",-11.228816986083984],["04",-11.228952407836914],["▁Steel",-11.229897499084473],["▁besoin",-11.230081558227539],["şti",-11.230561256408691],["▁39",-11.230635643005371],["▁outcomes",-11.230677604675293],["wert",-11.230719566345215],["3,",-11.23080062866211],["▁hole",-11.230888366699219],["▁Create",-11.23096752166748],["▁hall",-11.231266975402832],["nach",-11.231595039367676],["▁indicate",-11.232311248779297],["cum",-11.232604026794434],["▁Mann",-11.232690811157227],["▁reaction",-11.232828140258789],["▁empty",-11.23289680480957],["▁Sign",-11.232941627502441],["▁pm",-11.23300838470459],["erung",-11.23322582244873],["▁würde",-11.233592987060547],["▁declarat",-11.233602523803711],["6%",-11.23371410369873],["▁Client",-11.23377513885498],["vil",-11.234295845031738],["▁electricity",-11.234469413757324],["▁75",-11.234505653381348],["▁buna",-11.234505653381348],["eşte",-11.23473834991455],["▁prop",-11.234792709350586],["▁journal",-11.234883308410645],["▁meu",-11.23495101928711],["▁chef",-11.235034942626953],["▁Ever",-11.235102653503418],["▁feelings",-11.235466003417969],["PT",-11.23551082611084],["▁proposal",-11.235651969909668],["▁Its",-11.235709190368652],["▁2013.",-11.235795974731445],["▁Bundes",-11.23595142364502],["▁droit",-11.236333847045898],["▁10%",-11.236671447753906],["gard",-11.236772537231445],["information",-11.236814498901367],["FE",-11.237309455871582],["▁Dun",-11.237340927124023],["▁Stock",-11.237472534179688],["ație",-11.2374849319458],["▁mag",-11.237603187561035],["▁br",-11.237665176391602],["▁sight",-11.237772941589355],["phone",-11.237796783447266],["▁Cy",-11.237811088562012],["▁opposite",-11.238035202026367],["ically",-11.238235473632812],["großen",-11.238388061523438],["▁Without",-11.23845100402832],["espace",-11.238515853881836],["▁chairs",-11.238595008850098],["▁matches",-11.238685607910156],["ateur",-11.238697052001953],["▁Cost",-11.238699913024902],["▁WordPress",-11.238880157470703],["▁Opera",-11.239195823669434],["walked",-11.239234924316406],["▁transactions",-11.239521026611328],["▁nuclear",-11.239579200744629],["ways",-11.239594459533691],["▁Oct",-11.239738464355469],["▁bomb",-11.239835739135742],["▁tracking",-11.239879608154297],["▁photograph",-11.240066528320312],["bio",-11.240309715270996],["▁branch",-11.240363121032715],["▁$5",-11.240684509277344],["▁diagram",-11.240986824035645],["▁Hard",-11.241218566894531],["bach",-11.241232872009277],["▁42",-11.241249084472656],["logy",-11.241472244262695],["▁tile",-11.241593360900879],["▁API",-11.241833686828613],["seront",-11.24204158782959],["ENT",-11.242156982421875],["▁accommodation",-11.242409706115723],["▁fiber",-11.242438316345215],["▁Give",-11.242792129516602],["▁Gas",-11.242916107177734],["▁Spain",-11.243086814880371],["▁listing",-11.24312686920166],["▁blocks",-11.24349308013916],["▁constitu",-11.243762969970703],["▁convenience",-11.243797302246094],["▁prize",-11.243823051452637],["▁aircraft",-11.24404239654541],["containing",-11.244124412536621],["▁vice",-11.244247436523438],["▁organisations",-11.244304656982422],["▁complicated",-11.244588851928711],["rons",-11.244647979736328],["▁bars",-11.244670867919922],["était",-11.244705200195312],["▁checking",-11.245287895202637],["vant",-11.245542526245117],["▁couch",-11.245657920837402],["▁brush",-11.245870590209961],["▁printer",-11.245922088623047],["▁Rat",-11.246051788330078],["▁announce",-11.246057510375977],["▁salari",-11.246200561523438],["▁Sk",-11.246356964111328],["pal",-11.246383666992188],["▁yards",-11.24658203125],["▁flexibility",-11.246652603149414],["▁jamais",-11.24670696258545],["UC",-11.246740341186523],["▁4,",-11.246793746948242],["▁Made",-11.247078895568848],["▁solche",-11.247113227844238],["▁tri",-11.247237205505371],["▁outfit",-11.247243881225586],["м",-11.247267723083496],["▁encouraged",-11.247477531433105],["trac",-11.247552871704102],["▁genetic",-11.24755859375],["▁beneficial",-11.247747421264648],["mă",-11.247849464416504],["involving",-11.247879028320312],["▁knee",-11.247879028320312],["▁respective",-11.248316764831543],["▁controlled",-11.248350143432617],["▁Rück",-11.24837589263916],["LC",-11.248592376708984],["▁highlight",-11.248634338378906],["chem",-11.248797416687012],["▁Bis",-11.24956226348877],["▁graphics",-11.249592781066895],["▁posibil",-11.249672889709473],["orul",-11.249682426452637],["imagin",-11.249836921691895],["▁draft",-11.250006675720215],["shaped",-11.250219345092773],["▁suggests",-11.250221252441406],["uvre",-11.250509262084961],["page",-11.250545501708984],["▁sentiment",-11.250685691833496],["▁loop",-11.251015663146973],["▁Quality",-11.251839637756348],["▁volunteers",-11.251869201660156],["▁representation",-11.251923561096191],["▁examination",-11.252134323120117],["▁(2)",-11.252225875854492],["assi",-11.252435684204102],["▁till",-11.252486228942871],["▁Catholic",-11.252618789672852],["▁2020",-11.252726554870605],["▁random",-11.252764701843262],["tage",-11.253146171569824],["▁baking",-11.253690719604492],["▁Musik",-11.253852844238281],["▁SC",-11.253867149353027],["▁möchte",-11.254390716552734],["▁gene",-11.254411697387695],["▁kam",-11.254928588867188],["▁inspire",-11.254974365234375],["unk",-11.255097389221191],["▁Final",-11.255477905273438],["▁jeden",-11.255497932434082],["▁LLC",-11.255962371826172],["▁sistem",-11.25613784790039],["▁stages",-11.256441116333008],["▁texture",-11.256613731384277],["rib",-11.256739616394043],["lung",-11.256782531738281],["▁breath",-11.256814002990723],["▁hosted",-11.256844520568848],["▁Kingdom",-11.257079124450684],["▁politics",-11.257121086120605],["▁mood",-11.257122993469238],["cam",-11.257285118103027],["▁liked",-11.257287979125977],["▁Credit",-11.257304191589355],["tisch",-11.257527351379395],["▁everywhere",-11.257692337036133],["▁poti",-11.257915496826172],["▁fruits",-11.258264541625977],["oire",-11.258322715759277],["▁mesure",-11.258586883544922],["▁Studies",-11.258838653564453],["▁provision",-11.25888729095459],["▁Maria",-11.258927345275879],["▁necessarily",-11.259103775024414],["▁Net",-11.259212493896484],["▁scar",-11.259307861328125],["▁tracks",-11.259424209594727],["▁ads",-11.259856224060059],["termin",-11.259861946105957],["▁Yo",-11.26022720336914],["atory",-11.260252952575684],["itoare",-11.26025676727295],["▁colours",-11.260563850402832],["▁correctly",-11.260817527770996],["▁Trade",-11.26090145111084],["▁Week",-11.261052131652832],["▁Premier",-11.261499404907227],["▁designers",-11.261600494384766],["▁BE",-11.261879920959473],["▁desktop",-11.261929512023926],["▁lifetime",-11.262046813964844],["▁Kind",-11.26213264465332],["▁divers",-11.262246131896973],["rain",-11.262260437011719],["▁Von",-11.262263298034668],["▁bal",-11.262568473815918],["▁shots",-11.262624740600586],["▁accommodate",-11.262767791748047],["▁Paper",-11.263001441955566],["▁interaction",-11.263191223144531],["▁acquisition",-11.263233184814453],["▁neuro",-11.26378345489502],["▁institution",-11.26391887664795],["▁automatic",-11.26403522491455],["▁assess",-11.264177322387695],["▁manifest",-11.264199256896973],["▁audit",-11.264202117919922],["▁câte",-11.264406204223633],["▁insight",-11.264533996582031],["▁lange",-11.264781951904297],["▁retirement",-11.264795303344727],["sons",-11.264864921569824],["▁Asian",-11.26492691040039],["▁rail",-11.264978408813477],["▁Awards",-11.264982223510742],["Avec",-11.265035629272461],["SO",-11.26511287689209],["para",-11.265304565429688],["▁tant",-11.265562057495117],["▁strike",-11.265693664550781],["▁transformation",-11.265742301940918],["▁leicht",-11.26586627960205],["л",-11.265996932983398],["fat",-11.26629638671875],["▁Qui",-11.266626358032227],["▁chip",-11.26663589477539],["titude",-11.266640663146973],["▁Projekt",-11.266998291015625],["▁statt",-11.267010688781738],["▁findet",-11.267184257507324],["▁telephone",-11.267251968383789],["▁staying",-11.267267227172852],["▁Mess",-11.267353057861328],["▁patio",-11.267382621765137],["▁afla",-11.267890930175781],["▁administrative",-11.267910957336426],["▁gemeinsam",-11.268129348754883],["▁suppliers",-11.268136024475098],["ark",-11.268181800842285],["▁rice",-11.268397331237793],["▁stretch",-11.268439292907715],["▁compact",-11.268651008605957],["fire",-11.268756866455078],["в",-11.268963813781738],["vision",-11.269035339355469],["▁Mag",-11.269368171691895],["▁dreams",-11.269472122192383],["▁funny",-11.26968765258789],["▁lässt",-11.270216941833496],["cade",-11.270448684692383],["▁drama",-11.270484924316406],["▁schimb",-11.270767211914062],["PO",-11.270785331726074],["▁Sim",-11.270806312561035],["▁motivation",-11.271045684814453],["▁presents",-11.27138614654541],["▁1997",-11.271828651428223],["agi",-11.271883010864258],["▁optimal",-11.27198314666748],["▁folder",-11.271995544433594],["stro",-11.272034645080566],["▁Han",-11.272072792053223],["▁Ei",-11.27220344543457],["▁pus",-11.272356986999512],["▁Learning",-11.272531509399414],["oop",-11.272603034973145],["▁Type",-11.272658348083496],["space",-11.272665023803711],["▁define",-11.273098945617676],["▁plug",-11.273098945617676],["yard",-11.273188591003418],["▁utility",-11.273297309875488],["über",-11.273561477661133],["▁commun",-11.273627281188965],["▁directed",-11.273842811584473],["▁consent",-11.273893356323242],["▁DNA",-11.274068832397461],["▁statements",-11.274130821228027],["real",-11.274298667907715],["active",-11.274430274963379],["school",-11.274965286254883],["▁mic",-11.275360107421875],["▁acestui",-11.275467872619629],["scale",-11.27550220489502],["▁Mid",-11.275628089904785],["▁Chair",-11.275874137878418],["к",-11.275936126708984],["▁Bas",-11.27630615234375],["▁38",-11.276379585266113],["erin",-11.276461601257324],["▁Everyone",-11.27686882019043],["COM",-11.276907920837402],["▁chronic",-11.277079582214355],["▁doctors",-11.277222633361816],["▁sh",-11.277276039123535],["sport",-11.27740478515625],["▁volunteer",-11.277512550354004],["▁drinking",-11.277839660644531],["▁Mas",-11.277868270874023],["▁pursue",-11.2780122756958],["▁exposed",-11.278536796569824],["exe",-11.278660774230957],["hung",-11.278841972351074],["▁Tier",-11.278921127319336],["▁plac",-11.279121398925781],["▁proiect",-11.279136657714844],["▁literally",-11.279288291931152],["▁acolo",-11.279412269592285],["▁User",-11.279485702514648],["UT",-11.279598236083984],["▁hyper",-11.279623985290527],["▁seed",-11.279794692993164],["▁literature",-11.2802734375],["▁Holy",-11.280373573303223],["▁jeu",-11.280396461486816],["▁licensed",-11.280896186828613],["station",-11.280900955200195],["▁criteria",-11.281292915344238],["▁sufficient",-11.281292915344238],["▁gestion",-11.281512260437012],["▁pic",-11.281549453735352],["▁64",-11.28170108795166],["▁facts",-11.281905174255371],["▁Bild",-11.282098770141602],["obi",-11.28212833404541],["▁nie",-11.282362937927246],["▁Jewish",-11.282756805419922],["bor",-11.28281307220459],["▁1980",-11.28286361694336],["▁Fach",-11.282917976379395],["craft",-11.283047676086426],["▁Pakistan",-11.283408164978027],["▁Mos",-11.283621788024902],["▁toilet",-11.283844947814941],["partea",-11.28391170501709],["case",-11.284221649169922],["▁clock",-11.28430461883545],["▁parc",-11.284602165222168],["▁legislation",-11.284692764282227],["▁icon",-11.284933090209961],["etz",-11.285178184509277],["ept",-11.285270690917969],["▁Corporation",-11.28585433959961],["▁requested",-11.285983085632324],["▁column",-11.286088943481445],["rier",-11.286120414733887],["uß",-11.2861967086792],["▁wohl",-11.286418914794922],["tell",-11.286569595336914],["gno",-11.286608695983887],["▁diseases",-11.286726951599121],["Sch",-11.286762237548828],["▁colon",-11.287075996398926],["▁Based",-11.28709602355957],["▁flu",-11.28725528717041],["▁vocal",-11.287408828735352],["▁virus",-11.287693977355957],["▁traveling",-11.287750244140625],["bul",-11.287837982177734],["т",-11.28794002532959],["city",-11.287961959838867],["AU",-11.287991523742676],["wide",-11.288037300109863],["▁solo",-11.288061141967773],["▁functionality",-11.288214683532715],["▁reveal",-11.28831672668457],["sign",-11.288952827453613],["▁closing",-11.288971900939941],["▁peak",-11.289087295532227],["▁practic",-11.289398193359375],["than",-11.289473533630371],["▁driven",-11.289484977722168],["êtes",-11.289548873901367],["high",-11.290016174316406],["power",-11.290226936340332],["▁Lin",-11.29028606414795],["▁dose",-11.29034423828125],["▁pocket",-11.290650367736816],["▁Classic",-11.29067611694336],["▁packaging",-11.290792465209961],["▁distinct",-11.290800094604492],["▁côté",-11.291094779968262],["▁breast",-11.29127025604248],["▁folosit",-11.29133129119873],["▁drinks",-11.291353225708008],["▁Dog",-11.291529655456543],["ailleurs",-11.291658401489258],["▁caz",-11.291804313659668],["▁escape",-11.29188346862793],["▁warranty",-11.291902542114258],["▁pulled",-11.291996955871582],["data",-11.292088508605957],["▁facilitate",-11.292213439941406],["É",-11.292335510253906],["▁SP",-11.292403221130371],["lant",-11.292557716369629],["AD",-11.29256534576416],["▁Print",-11.292802810668945],["mond",-11.292863845825195],["▁strange",-11.292875289916992],["▁Hor",-11.293227195739746],["▁Collection",-11.293328285217285],["arm",-11.29346752166748],["cas",-11.293691635131836],["arrow",-11.29379940032959],["▁carrying",-11.293927192687988],["▁wave",-11.294661521911621],["setzt",-11.294907569885254],["▁construct",-11.29514217376709],["▁acts",-11.295269966125488],["▁Action",-11.295342445373535],["▁Kim",-11.295354843139648],["oxid",-11.295459747314453],["fish",-11.295519828796387],["▁damaged",-11.295660018920898],["▁Greek",-11.295747756958008],["▁belt",-11.295772552490234],["▁Prior",-11.295778274536133],["▁marks",-11.295936584472656],["▁lumea",-11.296183586120605],["▁twenty",-11.296196937561035],["▁locul",-11.296360969543457],["▁Army",-11.296524047851562],["apt",-11.296602249145508],["▁limits",-11.296733856201172],["▁cruise",-11.296966552734375],["▁List",-11.296998023986816],["utilisation",-11.29753589630127],["▁personality",-11.297622680664062],["▁sections",-11.297759056091309],["▁drawn",-11.29797649383545],["▁mold",-11.298277854919434],["▁Think",-11.298333168029785],["▁holidays",-11.298355102539062],["▁critic",-11.298545837402344],["grade",-11.298660278320312],["▁sick",-11.299074172973633],["▁characteristics",-11.299237251281738],["▁echipa",-11.299272537231445],["▁Fast",-11.29929256439209],["▁Br",-11.299600601196289],["▁Reise",-11.299734115600586],["teen",-11.299749374389648],["uci",-11.299949645996094],["!”",-11.300180435180664],["ppe",-11.300532341003418],["▁talked",-11.301164627075195],["▁gap",-11.301473617553711],["homme",-11.301778793334961],["▁interact",-11.301934242248535],["▁dollar",-11.302276611328125],["▁bone",-11.302309036254883],["▁Einsatz",-11.302343368530273],["▁sad",-11.302434921264648],["any",-11.302445411682129],["tation",-11.302666664123535],["▁Haupt",-11.302748680114746],["iva",-11.302781105041504],["▁Schu",-11.302916526794434],["▁evaluate",-11.3036470413208],["▁variant",-11.303807258605957],["▁IS",-11.303879737854004],["▁PRO",-11.303947448730469],["▁vine",-11.303959846496582],["rut",-11.304062843322754],["▁existence",-11.30443286895752],["-7",-11.304525375366211],["ancy",-11.304702758789062],["▁Want",-11.305023193359375],["alism",-11.305127143859863],["ranging",-11.30550765991211],["preis",-11.305551528930664],["All",-11.305620193481445],["▁reception",-11.30565071105957],["mai",-11.305730819702148],["▁lease",-11.30577278137207],["▁finest",-11.30578899383545],["▁evident",-11.305874824523926],["▁Easy",-11.306075096130371],["▁gilt",-11.306085586547852],["▁trips",-11.306344985961914],["▁skilled",-11.306368827819824],["consists",-11.306456565856934],["front",-11.306635856628418],["rati",-11.306652069091797],["▁Following",-11.30678653717041],["▁Medicine",-11.307161331176758],["▁pune",-11.30729866027832],["▁errors",-11.307354927062988],["arian",-11.307613372802734],["lib",-11.30811882019043],["SR",-11.308351516723633],["ML",-11.308568000793457],["▁Safety",-11.308823585510254],["▁clar",-11.309355735778809],["New",-11.309764862060547],["▁37",-11.309773445129395],["▁Administration",-11.309823036193848],["▁2.0",-11.310120582580566],["▁obviously",-11.310196876525879],["▁Mitarbeiter",-11.310254096984863],["▁improvements",-11.31043529510498],["▁Cut",-11.310630798339844],["▁Natural",-11.310672760009766],["▁arrival",-11.311182975769043],["▁pizza",-11.311339378356934],["eşti",-11.311570167541504],["cept",-11.311654090881348],["▁livre",-11.311686515808105],["▁nombreux",-11.312195777893066],["▁authentic",-11.312231063842773],["▁gemacht",-11.312472343444824],["▁broadcast",-11.312478065490723],["▁stronger",-11.312545776367188],["UP",-11.31257152557373],["▁centers",-11.312614440917969],["▁petite",-11.312617301940918],["▁spots",-11.312626838684082],["▁crystal",-11.312756538391113],["▁salon",-11.313044548034668],["▁gained",-11.313098907470703],["▁Mus",-11.313215255737305],["▁lens",-11.313223838806152],["▁ihm",-11.313231468200684],["minute",-11.313573837280273],["▁greatly",-11.313587188720703],["LP",-11.31361198425293],["rait",-11.314027786254883],["▁bid",-11.314154624938965],["▁cit",-11.314203262329102],["entreprise",-11.31435775756836],["▁55",-11.314533233642578],["▁respectively",-11.314536094665527],["▁lo",-11.314638137817383],["▁cons",-11.314743995666504],["▁Energie",-11.315169334411621],["▁OK",-11.31521224975586],["▁grill",-11.315338134765625],["▁heading",-11.31549072265625],["▁sollten",-11.315491676330566],["▁Fragen",-11.315528869628906],["▁Poli",-11.315556526184082],["▁studying",-11.315723419189453],["▁développement",-11.315882682800293],["▁foam",-11.316035270690918],["▁1996",-11.316511154174805],["▁disaster",-11.31662654876709],["▁cafe",-11.317262649536133],["▁moves",-11.317267417907715],["focuses",-11.317712783813477],["▁Avenue",-11.317834854125977],["▁humans",-11.31784439086914],["▁(3",-11.318021774291992],["▁région",-11.318347930908203],["▁DJ",-11.318608283996582],["shop",-11.318819046020508],["▁acting",-11.318843841552734],["▁Justice",-11.318967819213867],["▁trouve",-11.319010734558105],["▁Estate",-11.319040298461914],["▁strict",-11.319231986999512],["▁talks",-11.319283485412598],["▁mat",-11.319290161132812],["▁completion",-11.319327354431152],["delivering",-11.31943416595459],["CD",-11.31973934173584],["0%",-11.319960594177246],["▁creativity",-11.320253372192383],["BR",-11.320272445678711],["▁occurred",-11.320357322692871],["Car",-11.320590019226074],["▁rising",-11.320761680603027],["gger",-11.32086181640625],["▁Gene",-11.320901870727539],["▁workplace",-11.320914268493652],["phy",-11.321065902709961],["▁Bla",-11.32107162475586],["▁trailer",-11.32120418548584],["▁Forest",-11.321205139160156],["▁profession",-11.321246147155762],["▁Father",-11.32137680053711],["flu",-11.321487426757812],["tone",-11.321489334106445],["▁sexual",-11.321736335754395],["▁Map",-11.321805953979492],["OT",-11.3218412399292],["▁Us",-11.321878433227539],["tôt",-11.321892738342285],["▁Wert",-11.321901321411133],["preparing",-11.322121620178223],["isé",-11.322243690490723],["▁lake",-11.322461128234863],["eed",-11.32270336151123],["jun",-11.322888374328613],["▁implemented",-11.323014259338379],["vid",-11.323116302490234],["igne",-11.323201179504395],["▁follows",-11.323214530944824],["▁Eric",-11.323430061340332],["body",-11.323530197143555],["▁contained",-11.323585510253906],["▁massage",-11.323715209960938],["AV",-11.323725700378418],["▁insa",-11.323850631713867],["▁observed",-11.323892593383789],["▁marque",-11.324137687683105],["lines",-11.324451446533203],["▁Frage",-11.324482917785645],["largely",-11.324647903442383],["gegeben",-11.32473087310791],["▁colleagues",-11.324762344360352],["pha",-11.32494068145752],["▁representative",-11.325217247009277],["▁shut",-11.325650215148926],["▁secondary",-11.325779914855957],["▁exhibit",-11.325927734375],["1)",-11.325932502746582],["mid",-11.326109886169434],["▁Due",-11.326229095458984],["▁initiatives",-11.326457023620605],["▁occurs",-11.326458930969238],["lent",-11.326478958129883],["▁façon",-11.326778411865234],["▁iOS",-11.326803207397461],["▁exploring",-11.327000617980957],["▁stations",-11.327103614807129],["nton",-11.327234268188477],["▁Country",-11.32729721069336],["▁shouldn",-11.327406883239746],["▁casual",-11.327611923217773],["-18",-11.32769775390625],["▁maintained",-11.32772445678711],["▁cart",-11.327790260314941],["▁propre",-11.327836036682129],["▁asset",-11.327948570251465],["firm",-11.32803726196289],["gla",-11.328231811523438],["viv",-11.3282470703125],["▁scientists",-11.328873634338379],["▁Nor",-11.328936576843262],["ites",-11.329320907592773],["▁engaging",-11.329933166503906],["My",-11.330178260803223],["▁workshops",-11.330282211303711],["ffer",-11.3303804397583],["activité",-11.33047103881836],["▁tension",-11.330567359924316],["▁dual",-11.330668449401855],["uer",-11.33084774017334],["900",-11.330941200256348],["SF",-11.33108139038086],["▁kannst",-11.331146240234375],["▁bur",-11.33115291595459],["▁visitor",-11.331156730651855],["▁granted",-11.331178665161133],["▁union",-11.331355094909668],["▁tablet",-11.331461906433105],["▁Choose",-11.33146858215332],["ibil",-11.331551551818848],["▁settlement",-11.331830978393555],["genommen",-11.331892967224121],["▁marked",-11.332956314086914],["▁diagnostic",-11.333370208740234],["▁prayer",-11.333529472351074],["▁Toronto",-11.334035873413086],["trans",-11.334146499633789],["▁respectiv",-11.334160804748535],["▁2012.",-11.334207534790039],["icul",-11.334394454956055],["▁satisfied",-11.334527969360352],["▁Fla",-11.334596633911133],["▁estimate",-11.334638595581055],["▁Agency",-11.33466911315918],["OD",-11.334708213806152],["▁McC",-11.334746360778809],["bert",-11.334748268127441],["▁seal",-11.334771156311035],["aine",-11.334839820861816],["▁cauza",-11.334848403930664],["▁wallpaper",-11.335081100463867],["▁alb",-11.33536434173584],["▁Sound",-11.335681915283203],["worth",-11.33572769165039],["chten",-11.335858345031738],["programm",-11.335896492004395],["▁pounds",-11.336215019226074],["▁coaching",-11.336278915405273],["▁Furthermore",-11.336454391479492],["▁Korea",-11.336471557617188],["▁flour",-11.336530685424805],["▁sommes",-11.33657169342041],["▁Repair",-11.33661937713623],["”)",-11.336642265319824],["itch",-11.336675643920898],["blu",-11.336786270141602],["zar",-11.336882591247559],["▁diferite",-11.33745002746582],["▁Golf",-11.337685585021973],["arch",-11.33772087097168],["▁panels",-11.337799072265625],["jan",-11.337956428527832],["“.",-11.338240623474121],["izarea",-11.338324546813965],["▁golden",-11.33854866027832],["▁flying",-11.338550567626953],["▁museum",-11.338700294494629],["▁equivalent",-11.338759422302246],["▁Lang",-11.339032173156738],["schi",-11.339539527893066],["MI",-11.339595794677734],["▁faci",-11.339838027954102],["▁Rahmen",-11.339988708496094],["▁attending",-11.340130805969238],["′′",-11.340483665466309],["▁Tro",-11.341070175170898],["▁gaming",-11.341447830200195],["▁aujourd",-11.341479301452637],["▁Wochen",-11.341526985168457],["▁entering",-11.341535568237305],["its",-11.34155559539795],["▁Private",-11.341866493225098],["▁Ocean",-11.34188175201416],["▁01",-11.342098236083984],["▁coloring",-11.342188835144043],["ător",-11.34253215789795],["▁flooring",-11.342548370361328],["▁downtown",-11.34276294708252],["rab",-11.342998504638672],["HI",-11.343221664428711],["▁illness",-11.343234062194824],["▁whil",-11.343307495117188],["▁diamond",-11.34333324432373],["Mail",-11.343419075012207],["▁Dream",-11.34344482421875],["▁Golden",-11.344099044799805],["▁rein",-11.344220161437988],["▁hi",-11.344283103942871],["▁expressed",-11.344489097595215],["▁luat",-11.344511985778809],["▁Share",-11.34453010559082],["▁Programm",-11.344706535339355],["▁Sales",-11.344707489013672],["▁prof",-11.344890594482422],["▁MO",-11.34505844116211],["▁Short",-11.345088958740234],["▁charm",-11.345290184020996],["▁Cer",-11.345373153686523],["▁Run",-11.34553337097168],["▁tutorial",-11.345589637756348],["oul",-11.34561824798584],["▁Fest",-11.345794677734375],["▁uniform",-11.345929145812988],["aß",-11.346014976501465],["▁pipe",-11.346076965332031],["▁Square",-11.346283912658691],["▁Kosten",-11.346365928649902],["▁checked",-11.346590042114258],["▁65",-11.346626281738281],["▁Adam",-11.346686363220215],["cel",-11.346700668334961],["ello",-11.346965789794922],["▁Res",-11.347023963928223],["▁drain",-11.34708309173584],["ză",-11.347129821777344],["▁Tech",-11.34739875793457],["▁strive",-11.34749698638916],["cycl",-11.347506523132324],["▁stark",-11.347541809082031],["load",-11.34754753112793],["▁Stat",-11.347589492797852],["▁Rec",-11.347622871398926],["ians",-11.347716331481934],["▁Tin",-11.347738265991211],["▁Agreement",-11.347840309143066],["▁pret",-11.348027229309082],["-9",-11.348326683044434],["▁sentence",-11.348380088806152],["▁Direct",-11.348426818847656],["▁Rep",-11.348465919494629],["▁Prozent",-11.348799705505371],["▁invitation",-11.34882640838623],["▁refund",-11.349113464355469],["▁Kids",-11.349287986755371],["stock",-11.349383354187012],["TP",-11.349400520324707],["▁tau",-11.34941291809082],["from",-11.349421501159668],["▁Ash",-11.349451065063477],["store",-11.349535942077637],["▁Common",-11.34958553314209],["▁Qualität",-11.34968376159668],["▁strongly",-11.349727630615234],["▁importante",-11.34979248046875],["ome",-11.349912643432617],["▁surtout",-11.349946022033691],["enables",-11.35020637512207],["▁decent",-11.350221633911133],["▁neutral",-11.350237846374512],["▁produs",-11.350356101989746],["bury",-11.350451469421387],["▁Level",-11.350618362426758],["▁interes",-11.350699424743652],["mov",-11.350797653198242],["▁backup",-11.350939750671387],["même",-11.351094245910645],["doc",-11.351119041442871],["▁#1",-11.35130786895752],["▁specified",-11.351495742797852],["▁founder",-11.351655960083008],["And",-11.352090835571289],["isten",-11.352149963378906],["▁lecture",-11.352729797363281],["▁wake",-11.352895736694336],["▁vraiment",-11.352980613708496],["▁swing",-11.353188514709473],["▁addresses",-11.353275299072266],["▁Verfügung",-11.353504180908203],["▁deadline",-11.353761672973633],["н",-11.353791236877441],["▁Content",-11.353970527648926],["▁Gre",-11.354111671447754],["▁Experience",-11.354378700256348],["tura",-11.354458808898926],["▁exit",-11.354642868041992],["▁Britain",-11.354652404785156],["▁Sunt",-11.354684829711914],["▁documentation",-11.354690551757812],["▁showcase",-11.3547945022583],["▁photographs",-11.354822158813477],["qué",-11.35483169555664],["zin",-11.354909896850586],["pres",-11.354933738708496],["▁decline",-11.354955673217773],["▁Large",-11.355030059814453],["▁bills",-11.355141639709473],["▁entitled",-11.355222702026367],["▁passionate",-11.355393409729004],["▁workout",-11.355413436889648],["▁Again",-11.35560417175293],["▁Haut",-11.35582160949707],["▁guaranteed",-11.35599136352539],["▁vue",-11.35600471496582],["▁farmers",-11.356224060058594],["▁admission",-11.356500625610352],["▁manière",-11.357080459594727],["▁reverse",-11.357121467590332],["▁FL",-11.357142448425293],["▁terminal",-11.357206344604492],["GI",-11.35731029510498],["▁speakers",-11.35739803314209],["▁responses",-11.357398986816406],["▁Doch",-11.357457160949707],["▁2013,",-11.357717514038086],["▁phones",-11.357789993286133],["ential",-11.357851028442383],["▁operator",-11.357916831970215],["▁steam",-11.358036994934082],["burn",-11.358091354370117],["▁seul",-11.35815715789795],["▁unusual",-11.358322143554688],["▁educate",-11.358403205871582],["▁Que",-11.358680725097656],["▁believes",-11.359137535095215],["▁succeed",-11.359344482421875],["▁delay",-11.359533309936523],["▁deeper",-11.359633445739746],["▁reaching",-11.359890937805176],["▁objectives",-11.360086441040039],["▁temporary",-11.36028003692627],["▁artistic",-11.360421180725098],["▁sou",-11.360471725463867],["▁transparent",-11.36062240600586],["There",-11.360798835754395],["ception",-11.360836029052734],["▁excess",-11.360939979553223],["▁gathering",-11.361008644104004],["▁Save",-11.361095428466797],["ază",-11.361166000366211],["▁français",-11.361197471618652],["▁laid",-11.361210823059082],["▁modul",-11.361394882202148],["avoir",-11.361465454101562],["under",-11.362113952636719],["dding",-11.362226486206055],["▁falls",-11.362232208251953],["▁Möglichkeit",-11.362369537353516],["▁ceremony",-11.362370491027832],["rai",-11.36237621307373],["▁Bor",-11.362709045410156],["▁Below",-11.362750053405762],["4)",-11.362759590148926],["▁Field",-11.362833023071289],["wear",-11.362935066223145],["motion",-11.362948417663574],["print",-11.363311767578125],["game",-11.363360404968262],["▁Irish",-11.363458633422852],["▁Las",-11.363458633422852],["Among",-11.363570213317871],["atori",-11.363580703735352],["▁ajuns",-11.363837242126465],["▁alive",-11.363860130310059],["▁retour",-11.363900184631348],["▁smoke",-11.3640775680542],["▁math",-11.364285469055176],["▁Ye",-11.364337921142578],["▁Denn",-11.36436653137207],["▁1995",-11.364412307739258],["▁bani",-11.364644050598145],["raz",-11.364998817443848],["world",-11.365026473999023],["▁engines",-11.365140914916992],["nehmen",-11.365192413330078],["stor",-11.365328788757324],["▁interpret",-11.365403175354004],["▁Ven",-11.365489959716797],["▁cotton",-11.365622520446777],["▁represented",-11.366004943847656],["▁fabulous",-11.366166114807129],["▁gender",-11.366301536560059],["Mar",-11.366668701171875],["vic",-11.366991996765137],["▁newsletter",-11.367432594299316],["sburg",-11.367574691772461],["pond",-11.36838436126709],["▁Carl",-11.368454933166504],["▁bunch",-11.368714332580566],["▁tower",-11.368847846984863],["▁trigger",-11.368976593017578],["▁explanation",-11.369091033935547],["Man",-11.369114875793457],["iunea",-11.369168281555176],["▁announcement",-11.369492530822754],["▁seeds",-11.36952018737793],["▁shell",-11.369865417480469],["▁Working",-11.36989688873291],["viz",-11.370267868041992],["▁Simply",-11.370329856872559],["sub",-11.37037181854248],["▁Village",-11.37060832977295],["▁falling",-11.370742797851562],["▁fits",-11.37084674835205],["▁wichtig",-11.37088394165039],["▁Down",-11.37108039855957],["bble",-11.371573448181152],["▁Orange",-11.37165641784668],["promoting",-11.371932029724121],["▁rapidly",-11.37217903137207],["▁translation",-11.372330665588379],["nig",-11.3723726272583],["fusion",-11.37240982055664],["kosten",-11.372611045837402],["2)",-11.372783660888672],["▁Express",-11.372958183288574],["▁Sw",-11.373003959655762],["▁frequency",-11.373086929321289],["▁diversity",-11.373348236083984],["MT",-11.373452186584473],["▁bekannt",-11.373530387878418],["lion",-11.373871803283691],["▁cop",-11.37393856048584],["▁Customer",-11.374072074890137],["▁demands",-11.374427795410156],["▁corn",-11.374516487121582],["▁Hamburg",-11.374551773071289],["SD",-11.374628067016602],["▁Rome",-11.374677658081055],["▁Pur",-11.374750137329102],["▁stamp",-11.374885559082031],["▁grateful",-11.374967575073242],["RM",-11.37511157989502],["▁Pl",-11.37511920928955],["▁Tele",-11.375154495239258],["▁plugin",-11.375492095947266],["▁maxim",-11.375675201416016],["▁Hoch",-11.37574577331543],["igung",-11.375823020935059],["▁Entwicklung",-11.375858306884766],["▁File",-11.375931739807129],["▁Eastern",-11.376070022583008],["▁scrap",-11.376331329345703],["▁acquired",-11.376338958740234],["sau",-11.376364707946777],["▁Klein",-11.376452445983887],["▁milioane",-11.376492500305176],["▁Stand",-11.376693725585938],["▁childhood",-11.37671184539795],["▁artificial",-11.376752853393555],["▁substantial",-11.376851081848145],["druck",-11.377315521240234],["▁Kra",-11.377562522888184],["▁performances",-11.377645492553711],["▁row",-11.377824783325195],["NT",-11.377899169921875],["mod",-11.377904891967773],["remained",-11.378399848937988],["▁nimic",-11.378462791442871],["▁Limited",-11.378555297851562],["▁cookie",-11.378718376159668],["▁retain",-11.378816604614258],["▁600",-11.379144668579102],["▁eigene",-11.379158020019531],["▁tune",-11.379209518432617],["NS",-11.379256248474121],["▁dad",-11.379284858703613],["Moreover",-11.379415512084961],["ès",-11.379434585571289],["▁worship",-11.379439353942871],["▁Material",-11.3794584274292],["▁verb",-11.379528045654297],["ziehen",-11.37957763671875],["lton",-11.379645347595215],["▁boot",-11.379982948303223],["plo",-11.380118370056152],["CF",-11.380212783813477],["GM",-11.380215644836426],["▁Mix",-11.38046932220459],["▁Front",-11.380474090576172],["▁repairs",-11.380655288696289],["▁proportion",-11.381068229675293],["▁habit",-11.381132125854492],["▁hide",-11.38156509399414],["focusing",-11.381707191467285],["▁Annual",-11.381717681884766],["▁twin",-11.3817777633667],["▁acord",-11.381780624389648],["ehr",-11.381814956665039],["month",-11.382303237915039],["venir",-11.382535934448242],["Or",-11.38254165649414],["awa",-11.382600784301758],["lass",-11.382735252380371],["ffe",-11.383048057556152],["iți",-11.383074760437012],["NO",-11.3831148147583],["▁scope",-11.383295059204102],["▁lowest",-11.383527755737305],["▁afraid",-11.383572578430176],["▁subjects",-11.383578300476074],["▁templates",-11.383586883544922],["▁jos",-11.383604049682617],["DM",-11.383687973022461],["ensemble",-11.383792877197266],["▁Ski",-11.383941650390625],["DP",-11.384099960327148],["▁grip",-11.384171485900879],["2-",-11.38436222076416],["▁sécurité",-11.384743690490723],["▁mono",-11.384749412536621],["▁controls",-11.384854316711426],["SV",-11.384879112243652],["install",-11.384970664978027],["berry",-11.385042190551758],["nial",-11.385120391845703],["shed",-11.385462760925293],["▁celle",-11.385830879211426],["FR",-11.385936737060547],["äng",-11.385950088500977],["▁gaz",-11.385984420776367],["êt",-11.386184692382812],["▁viewing",-11.386412620544434],["▁asigura",-11.386524200439453],["bling",-11.3865327835083],["master",-11.386919975280762],["▁Fin",-11.387160301208496],["VC",-11.387365341186523],["▁patent",-11.387715339660645],["▁Clean",-11.38773250579834],["▁1970",-11.387789726257324],["▁Char",-11.387971878051758],["thi",-11.388010025024414],["bli",-11.388141632080078],["▁haut",-11.388307571411133],["tica",-11.38836669921875],["▁venit",-11.388578414916992],["▁compatible",-11.388678550720215],["▁hanging",-11.388690948486328],["UN",-11.388842582702637],["▁forth",-11.388911247253418],["▁painted",-11.388912200927734],["lip",-11.389031410217285],["▁deeply",-11.389089584350586],["▁participating",-11.389242172241211],["▁Iran",-11.38968276977539],["▁conventional",-11.389769554138184],["ARE",-11.38985824584961],["▁accuracy",-11.389896392822266],["▁Familie",-11.389955520629883],["▁Dir",-11.39001178741455],["▁gehen",-11.390127182006836],["▁moderne",-11.39022159576416],["▁Iraq",-11.39050579071045],["▁vente",-11.390582084655762],["▁Donald",-11.390998840332031],["▁passer",-11.391051292419434],["▁mehrere",-11.391267776489258],["▁Everything",-11.391291618347168],["▁studied",-11.391307830810547],["▁acquire",-11.391312599182129],["für",-11.391477584838867],["▁gal",-11.391502380371094],["▁headed",-11.391809463500977],["▁screening",-11.391865730285645],["▁findings",-11.392303466796875],["▁nutrition",-11.392305374145508],["▁Secretary",-11.392308235168457],["duct",-11.392431259155273],["born",-11.392436027526855],["«",-11.39261531829834],["▁statistics",-11.392616271972656],["▁Sydney",-11.392800331115723],["▁Prof",-11.392829895019531],["▁dialogue",-11.39327621459961],["▁gather",-11.393425941467285],["valu",-11.393746376037598],["▁currency",-11.394073486328125],["▁Kat",-11.394092559814453],["gotten",-11.394189834594727],["main",-11.39432144165039],["▁coin",-11.394340515136719],["▁Nick",-11.394380569458008],["vă",-11.394658088684082],["▁Victoria",-11.394832611083984],["▁conclusion",-11.3949613571167],["▁lemon",-11.394998550415039],["▁Article",-11.39516830444336],["▁necesar",-11.39516830444336],["mag",-11.395180702209473],["▁riding",-11.39537239074707],["▁Eli",-11.395599365234375],["▁cord",-11.395635604858398],["wä",-11.39572811126709],["ußerdem",-11.395737648010254],["▁Bed",-11.395759582519531],["▁layers",-11.395833015441895],["▁harder",-11.395975112915039],["▁processor",-11.396040916442871],["▁Ils",-11.39613151550293],["▁Edition",-11.39615535736084],["▁Link",-11.396393775939941],["éré",-11.396461486816406],["▁nume",-11.396576881408691],["▁Boy",-11.39659595489502],["▁equally",-11.396646499633789],["▁Regel",-11.397119522094727],["▁hopes",-11.397185325622559],["odor",-11.397311210632324],["▁initially",-11.397430419921875],["▁$4",-11.3974609375],["▁exemplu",-11.397537231445312],["▁vari",-11.397565841674805],["schl",-11.397698402404785],["▁southern",-11.39809799194336],["▁mein",-11.39818000793457],["▁1994",-11.398300170898438],["▁importantly",-11.398401260375977],["▁succes",-11.398526191711426],["▁developer",-11.398598670959473],["▁lips",-11.39889144897461],["▁attitude",-11.39900016784668],["▁Age",-11.399541854858398],["▁corps",-11.399713516235352],["▁clicking",-11.39976978302002],["▁putem",-11.399832725524902],["▁journée",-11.40003776550293],["boy",-11.4002103805542],["▁injured",-11.40028190612793],["▁watched",-11.400433540344238],["▁flights",-11.40079116821289],["turn",-11.400980949401855],["▁stainless",-11.401562690734863],["▁besondere",-11.40156364440918],["▁Tur",-11.401596069335938],["▁hiring",-11.401650428771973],["▁roads",-11.401727676391602],["ificat",-11.401785850524902],["▁Flor",-11.402045249938965],["▁puternic",-11.402215003967285],["▁unexpected",-11.40223503112793],["▁Est",-11.40238094329834],["▁adopted",-11.40253734588623],["▁Fox",-11.402647972106934],["▁contributions",-11.402870178222656],["sec",-11.402968406677246],["IO",-11.403059959411621],["▁santé",-11.403432846069336],["▁Tree",-11.403763771057129],["▁scurt",-11.40381908416748],["▁Products",-11.403848648071289],["▁forecast",-11.403998374938965],["▁actor",-11.404143333435059],["▁Gallery",-11.404149055480957],["▁continuous",-11.404163360595703],["▁Hat",-11.404291152954102],["▁slip",-11.404501914978027],["9%",-11.404960632324219],["▁depression",-11.405043601989746],["UI",-11.405229568481445],["abile",-11.405648231506348],["▁merit",-11.405671119689941],["▁Fer",-11.405805587768555],["▁robot",-11.405888557434082],["▁gel",-11.40589427947998],["▁gentle",-11.406017303466797],["▁wanting",-11.406071662902832],["▁understood",-11.406157493591309],["▁terrain",-11.406161308288574],["▁associate",-11.406176567077637],["▁discussions",-11.40632152557373],["▁Job",-11.406365394592285],["spec",-11.406440734863281],["Dabei",-11.406475067138672],["etic",-11.406517028808594],["gol",-11.40654468536377],["▁20%",-11.406584739685059],["▁grup",-11.406606674194336],["▁Doctor",-11.406813621520996],["verse",-11.407246589660645],["▁victim",-11.407258033752441],["ță",-11.407302856445312],["▁scores",-11.407544136047363],["▁Policy",-11.407634735107422],["▁Anna",-11.407736778259277],["IV",-11.407804489135742],["▁mineral",-11.408202171325684],["live",-11.40821647644043],["▁grey",-11.408368110656738],["struct",-11.40852165222168],["▁emails",-11.408738136291504],["▁anymore",-11.409114837646484],["▁productivity",-11.409387588500977],["▁Dark",-11.409463882446289],["▁neither",-11.409481048583984],["▁quotes",-11.409611701965332],["LS",-11.410368919372559],["▁Arizona",-11.41040325164795],["night",-11.410497665405273],["élé",-11.411019325256348],["▁assigned",-11.411153793334961],["▁satellite",-11.411328315734863],["▁stability",-11.411665916442871],["▁networking",-11.41172981262207],["▁Transport",-11.411847114562988],["▁persons",-11.411856651306152],["fund",-11.412043571472168],["▁pratique",-11.41213321685791],["▁inca",-11.412134170532227],["iller",-11.412349700927734],["▁packed",-11.41239070892334],["▁Vegas",-11.412484169006348],["▁offre",-11.412493705749512],["▁Bin",-11.412518501281738],["stop",-11.412609100341797],["mini",-11.412860870361328],["▁jam",-11.412877082824707],["cord",-11.41289234161377],["▁Beautiful",-11.412996292114258],["▁trash",-11.413012504577637],["▁wise",-11.413092613220215],["▁accounting",-11.413178443908691],["▁différents",-11.413182258605957],["▁stil",-11.413214683532715],["suit",-11.413951873779297],["▁vier",-11.414209365844727],["▁permis",-11.414224624633789],["flow",-11.414238929748535],["▁col",-11.414749145507812],["ected",-11.414960861206055],["▁singer",-11.414999008178711],["▁GmbH",-11.415038108825684],["tics",-11.415094375610352],["▁ser",-11.415159225463867],["On",-11.415315628051758],["▁insights",-11.415605545043945],["BB",-11.415946960449219],["▁differ",-11.415959358215332],["▁Glass",-11.416131973266602],["▁Six",-11.416482925415039],["▁subscription",-11.416584968566895],["BC",-11.416606903076172],["▁returning",-11.416664123535156],["kleinen",-11.416693687438965],["▁advantages",-11.416747093200684],["omme",-11.416852951049805],["lus",-11.417071342468262],["now",-11.417141914367676],["▁Pack",-11.417253494262695],["▁leak",-11.417333602905273],["▁muscles",-11.41748332977295],["▁davon",-11.417492866516113],["mph",-11.417858123779297],["▁temple",-11.417868614196777],["▁Après",-11.417901039123535],["▁Illinois",-11.41801643371582],["▁variable",-11.418065071105957],["▁judgment",-11.418389320373535],["gran",-11.41861629486084],["▁pose",-11.418621063232422],["das",-11.418647766113281],["ures",-11.418673515319824],["▁Championship",-11.418689727783203],["ebenfalls",-11.41872501373291],["▁hydro",-11.418753623962402],["▁angle",-11.419268608093262],["▁5-",-11.41940975189209],["▁gest",-11.419547080993652],["▁Frau",-11.420233726501465],["▁knock",-11.420275688171387],["FS",-11.420442581176758],["spi",-11.420577049255371],["▁Regional",-11.420717239379883],["lets",-11.421098709106445],["▁Date",-11.42115592956543],["▁Finance",-11.421211242675781],["▁Dann",-11.421320915222168],["Star",-11.421380043029785],["▁Creek",-11.421393394470215],["▁fu",-11.421648979187012],["wohn",-11.422141075134277],["▁anniversary",-11.422219276428223],["▁investments",-11.422292709350586],["▁universal",-11.422601699829102],["▁pit",-11.422745704650879],["ște",-11.422784805297852],["▁lab",-11.422822952270508],["dienst",-11.422884941101074],["▁pal",-11.422889709472656],["▁graphic",-11.42289924621582],["▁bearing",-11.422900199890137],["▁stylish",-11.423087120056152],["▁mé",-11.42319393157959],["▁există",-11.42326545715332],["▁découvrir",-11.423477172851562],["comp",-11.423606872558594],["ridge",-11.423667907714844],["▁heads",-11.423765182495117],["▁consequences",-11.423835754394531],["self",-11.423842430114746],["fried",-11.423870086669922],["▁inventory",-11.424199104309082],["▁strip",-11.42422866821289],["▁Civil",-11.42424488067627],["bell",-11.424307823181152],["▁neben",-11.424444198608398],["▁Perfect",-11.424470901489258],["▁Notre",-11.424478530883789],["▁fraud",-11.424630165100098],["▁employers",-11.424656867980957],["▁Jackson",-11.42470645904541],["▁probleme",-11.424915313720703],["▁richtig",-11.424957275390625],["▁Method",-11.425009727478027],["▁tired",-11.425010681152344],["dies",-11.425031661987305],["▁Number",-11.425315856933594],["rland",-11.425652503967285],["▁latter",-11.426031112670898],["rendre",-11.426064491271973],["▁cameras",-11.426095962524414],["▁euch",-11.426630020141602],["▁Description",-11.427038192749023],["Spec",-11.427061080932617],["▁mile",-11.427437782287598],["▁Challenge",-11.427474021911621],["▁Solutions",-11.427504539489746],["▁trusted",-11.427509307861328],["▁einge",-11.427515029907227],["rück",-11.427528381347656],["▁Ober",-11.427635192871094],["kes",-11.42764949798584],["▁Log",-11.427684783935547],["▁dessert",-11.427776336669922],["▁murder",-11.428033828735352],["▁1/2",-11.428311347961426],["▁Provide",-11.42872142791748],["nivelul",-11.428800582885742],["nici",-11.428818702697754],["▁observe",-11.42889404296875],["▁prescription",-11.429162979125977],["▁Sau",-11.429170608520508],["▁genuine",-11.42919635772705],["▁operated",-11.429231643676758],["▁generous",-11.429267883300781],["▁weapons",-11.429458618164062],["▁belief",-11.4295015335083],["▁consum",-11.429584503173828],["▁unknown",-11.430116653442383],["deoarece",-11.430135726928711],["Art",-11.430147171020508],["▁kurz",-11.430183410644531],["▁Gut",-11.430258750915527],["▁medication",-11.430522918701172],["▁Mau",-11.43058967590332],["▁divorce",-11.430678367614746],["▁claimed",-11.430811882019043],["halten",-11.430848121643066],["▁Cons",-11.43089485168457],["▁operational",-11.430975914001465],["▁Hong",-11.431081771850586],["VI",-11.431143760681152],["▁Blick",-11.431485176086426],["▁lamp",-11.431706428527832],["pati",-11.431853294372559],["▁4-",-11.43192195892334],["▁interven",-11.431964874267578],["ques",-11.43201732635498],["▁Talk",-11.432096481323242],["▁zeigt",-11.432318687438965],["▁targeted",-11.432390213012695],["round",-11.432640075683594],["enfant",-11.432748794555664],["▁Reg",-11.432836532592773],["▁instruments",-11.432872772216797],["▁calcul",-11.433363914489746],["▁Henry",-11.4335298538208],["▁Cla",-11.433616638183594],["▁rack",-11.433661460876465],["sehen",-11.43375301361084],["▁ending",-11.433754920959473],["▁resolve",-11.434130668640137],["▁advise",-11.434178352355957],["▁sociale",-11.434386253356934],["▁cabin",-11.434536933898926],["▁involve",-11.43480396270752],["gă",-11.434889793395996],["▁automat",-11.435132026672363],["▁consultant",-11.435258865356445],["Bu",-11.435370445251465],["▁safely",-11.435466766357422],["état",-11.435478210449219],["▁pros",-11.435657501220703],["▁lies",-11.435659408569336],["▁Brian",-11.435914993286133],["▁talented",-11.435954093933105],["pus",-11.43599796295166],["▁hub",-11.436060905456543],["▁Ji",-11.436066627502441],["▁sought",-11.436102867126465],["▁energie",-11.436210632324219],["▁möchten",-11.43634033203125],["▁11.",-11.436558723449707],["▁Kong",-11.436662673950195],["▁grave",-11.43666934967041],["▁lists",-11.436800956726074],["tati",-11.436809539794922],["verschiedenen",-11.43692398071289],["dam",-11.437061309814453],["▁charity",-11.437249183654785],["▁breaking",-11.43735122680664],["kins",-11.43747329711914],["▁könnte",-11.437517166137695],["▁appointed",-11.437532424926758],["roc",-11.4376859664917],["▁Senate",-11.437979698181152],["wit",-11.438002586364746],["▁emerging",-11.438162803649902],["▁année",-11.438288688659668],["▁Cool",-11.438365936279297],["▁sensor",-11.43842887878418],["How",-11.438488960266113],["▁Ryan",-11.438626289367676],["▁computers",-11.43871784210205],["▁fault",-11.4388427734375],["▁présent",-11.438843727111816],["ulation",-11.439149856567383],["▁stir",-11.439348220825195],["lauf",-11.439703941345215],["▁AI",-11.440389633178711],["▁Bri",-11.440438270568848],["▁bain",-11.441011428833008],["▁5,",-11.441287994384766],["schein",-11.44157886505127],["▁weiß",-11.441596031188965],["▁possibilities",-11.44235610961914],["gur",-11.442413330078125],["▁hinter",-11.442647933959961],["Innen",-11.442755699157715],["▁vorba",-11.442992210388184],["fahren",-11.443008422851562],["▁Cell",-11.443072319030762],["univers",-11.443137168884277],["▁Follow",-11.443424224853516],["▁emotions",-11.44360637664795],["▁Ministry",-11.443694114685059],["▁curriculum",-11.443694114685059],["Je",-11.443764686584473],["▁gab",-11.444080352783203],["▁sigur",-11.444270133972168],["rise",-11.444416999816895],["Pri",-11.44466495513916],["▁stabil",-11.444781303405762],["▁superb",-11.445100784301758],["▁Oak",-11.44510269165039],["▁rubber",-11.445286750793457],["▁tag",-11.445306777954102],["PG",-11.445361137390137],["▁Heat",-11.445477485656738],["▁thousand",-11.445504188537598],["▁meets",-11.445521354675293],["▁faced",-11.445578575134277],["▁reserve",-11.445640563964844],["cateva",-11.445767402648926],["▁gym",-11.445771217346191],["▁vitamin",-11.445960998535156],["▁Rest",-11.446457862854004],["▁Single",-11.446535110473633],["▁Stephen",-11.446623802185059],["▁trick",-11.446824073791504],["DU",-11.44694709777832],["▁telefon",-11.44711685180664],["▁gând",-11.447120666503906],["▁primit",-11.447345733642578],["▁Connect",-11.447351455688477],["▁führt",-11.447440147399902],["▁Info",-11.447500228881836],["▁recall",-11.447848320007324],["▁restore",-11.447885513305664],["lege",-11.44792652130127],["▁franchise",-11.448189735412598],["▁seulement",-11.44856071472168],["reci",-11.448598861694336],["▁2019,",-11.44864273071289],["▁Ring",-11.448663711547852],["▁assembly",-11.448678970336914],["intérieur",-11.448775291442871],["▁shade",-11.44887924194336],["▁meaningful",-11.448881149291992],["bag",-11.448989868164062],["ONE",-11.449249267578125],["▁globe",-11.449287414550781],["▁WA",-11.449406623840332],["▁intervention",-11.449495315551758],["öl",-11.449531555175781],["▁Marine",-11.45029067993164],["▁Angebot",-11.450512886047363],["▁align",-11.450618743896484],["▁temperatures",-11.450634956359863],["ifier",-11.45091724395752],["▁Nigeria",-11.451189041137695],["▁survive",-11.451216697692871],["ounce",-11.451275825500488],["▁placement",-11.451416969299316],["▁deci",-11.451528549194336],["▁Taylor",-11.451759338378906],["step",-11.45190715789795],["▁Geschichte",-11.452054023742676],["▁Bet",-11.452169418334961],["▁Nature",-11.45224380493164],["▁FC",-11.452256202697754],["▁ownership",-11.452286720275879],["▁behaviour",-11.452474594116211],["▁deutlich",-11.452532768249512],["▁wondering",-11.452798843383789],["▁cleaner",-11.453295707702637],["uring",-11.4534912109375],["rä",-11.453496932983398],["▁ga",-11.454296112060547],["ador",-11.454482078552246],["▁artwork",-11.454564094543457],["ologic",-11.45457649230957],["▁eigentlich",-11.454848289489746],["▁hell",-11.45522403717041],["source",-11.455251693725586],["▁gem",-11.455265045166016],["▁boss",-11.455307006835938],["▁arise",-11.455460548400879],["about",-11.455711364746094],["▁SI",-11.455951690673828],["▁ME",-11.45610237121582],["akt",-11.456191062927246],["▁Style",-11.456259727478027],["▁Körper",-11.456493377685547],["gui",-11.456799507141113],["▁navigate",-11.456819534301758],["▁Meanwhile",-11.456977844238281],["▁așa",-11.457111358642578],["▁bulk",-11.457298278808594],["▁directions",-11.457310676574707],["▁brick",-11.457747459411621],["▁Poly",-11.457752227783203],["▁politique",-11.457772254943848],["▁patch",-11.457777976989746],["ра",-11.457816123962402],["commerce",-11.457844734191895],["▁înainte",-11.457884788513184],["▁intelligent",-11.45823860168457],["▁infection",-11.458426475524902],["▁Tru",-11.458494186401367],["▁raising",-11.458504676818848],["tragen",-11.458539009094238],["▁portrait",-11.45858383178711],["▁meisten",-11.458783149719238],["▁organize",-11.45893669128418],["metric",-11.458962440490723],["▁Season",-11.459036827087402],["▁enforcement",-11.459259033203125],["origine",-11.459836959838867],["▁Ros",-11.460065841674805],["▁Mount",-11.460083961486816],["have",-11.460237503051758],["▁romantic",-11.460258483886719],["▁comic",-11.460810661315918],["▁greu",-11.461116790771484],["ET",-11.46133041381836],["▁hook",-11.461407661437988],["▁mort",-11.461411476135254],["▁indicated",-11.461583137512207],["▁7,",-11.461982727050781],["▁Neben",-11.46204662322998],["yer",-11.46214485168457],["▁momentul",-11.46214771270752],["note",-11.462313652038574],["▁baz",-11.46231460571289],["▁abroad",-11.462320327758789],["nite",-11.462464332580566],["▁bass",-11.462701797485352],["▁norm",-11.462714195251465],["▁É",-11.462788581848145],["4.",-11.462881088256836],["▁province",-11.463004112243652],["▁merge",-11.463419914245605],["arbeiten",-11.463438987731934],["-20",-11.463574409484863],["▁Nicht",-11.463674545288086],["spo",-11.463783264160156],["size",-11.463815689086914],["▁assure",-11.463849067687988],["charge",-11.463987350463867],["▁olive",-11.464017868041992],["▁Pot",-11.46408462524414],["▁Figure",-11.4642333984375],["clair",-11.464336395263672],["▁discipline",-11.464600563049316],["elli",-11.464639663696289],["▁tackle",-11.465169906616211],["▁buyer",-11.465237617492676],["▁loud",-11.465479850769043],["▁180",-11.465534210205078],["▁căt",-11.465587615966797],["▁Palm",-11.465738296508789],["away",-11.46593189239502],["▁Mother",-11.46607494354248],["onia",-11.466240882873535],["▁Protection",-11.466416358947754],["auto",-11.466547966003418],["▁Version",-11.466583251953125],["▁Nice",-11.466714859008789],["▁12.",-11.46682071685791],["▁0,",-11.466835021972656],["ATION",-11.466911315917969],["▁Produkte",-11.466955184936523],["▁tube",-11.467084884643555],["▁Houston",-11.467106819152832],["chu",-11.467500686645508],["pas",-11.467717170715332],["▁Ele",-11.467801094055176],["▁mountains",-11.467835426330566],["PH",-11.467937469482422],["▁languages",-11.468672752380371],["▁servicii",-11.468722343444824],["▁Stay",-11.468999862670898],["fil",-11.469138145446777],["▁propos",-11.469801902770996],["▁coll",-11.469825744628906],["▁mor",-11.470197677612305],["▁arrange",-11.470410346984863],["▁sorry",-11.470475196838379],["▁instruction",-11.470723152160645],["▁holes",-11.47077465057373],["letting",-11.471046447753906],["▁wa",-11.471074104309082],["▁Feb",-11.471227645874023],["omb",-11.471232414245605],["▁prise",-11.471290588378906],["VO",-11.471305847167969],["week",-11.471349716186523],["▁Event",-11.471427917480469],["▁AT",-11.471485137939453],["ket",-11.471492767333984],["haft",-11.471579551696777],["▁hits",-11.47159194946289],["foli",-11.471681594848633],["this",-11.471948623657227],["GP",-11.471970558166504],["▁Pin",-11.472332954406738],["▁Stein",-11.472503662109375],["thing",-11.472512245178223],["▁emphasis",-11.472556114196777],["▁Mur",-11.472631454467773],["▁Bag",-11.472647666931152],["cons",-11.47273063659668],["tons",-11.472835540771484],["lash",-11.472987174987793],["▁Grant",-11.473104476928711],["▁pris",-11.473175048828125],["▁bună",-11.47323989868164],["▁buc",-11.473699569702148],["▁passe",-11.473746299743652],["▁jewelry",-11.474213600158691],["iens",-11.474342346191406],["▁forma",-11.47453784942627],["▁Med",-11.474651336669922],["laufen",-11.474778175354004],["▁hunt",-11.474977493286133],["stayed",-11.475086212158203],["party",-11.475152015686035],["▁fra",-11.47529411315918],["▁scenes",-11.475305557250977],["▁absorb",-11.47535228729248],["▁abilities",-11.475377082824707],["lug",-11.475507736206055],["▁Sarah",-11.475693702697754],["mpf",-11.47570514678955],["▁fle",-11.4757080078125],["accès",-11.475872993469238],["▁solicit",-11.475926399230957],["pie",-11.476278305053711],["▁Zum",-11.476296424865723],["▁universe",-11.476390838623047],["▁exists",-11.476449012756348],["oane",-11.476597785949707],["IVE",-11.47668743133545],["▁2011.",-11.476906776428223],["▁specialists",-11.477072715759277],["▁mess",-11.477309226989746],["fach",-11.477402687072754],["▁Recht",-11.477404594421387],["▁hack",-11.47755241394043],["▁jacket",-11.477564811706543],["HC",-11.47769832611084],["▁substance",-11.477728843688965],["▁signing",-11.477775573730469],["▁allerdings",-11.478032112121582],["▁publish",-11.478139877319336],["▁Lab",-11.478157043457031],["▁agenda",-11.478249549865723],["lane",-11.478299140930176],["stream",-11.478620529174805],["schau",-11.47879409790039],["▁realizat",-11.478971481323242],["▁supplier",-11.479019165039062],["▁moderate",-11.47902774810791],["▁tours",-11.479212760925293],["▁narrative",-11.479220390319824],["ația",-11.479279518127441],["▁maps",-11.479423522949219],["treten",-11.479447364807129],["▁mars",-11.479706764221191],["▁moon",-11.479745864868164],["rose",-11.479751586914062],["▁exp",-11.479766845703125],["zahl",-11.480154037475586],["psych",-11.480195999145508],["▁gehört",-11.48024845123291],["▁bound",-11.4803466796875],["▁submission",-11.480451583862305],["▁clubs",-11.480722427368164],["Am",-11.480755805969238],["tenir",-11.480782508850098],["▁boast",-11.480851173400879],["▁boards",-11.4810791015625],["▁Geschäfts",-11.481216430664062],["zing",-11.48126220703125],["wort",-11.48137092590332],["lid",-11.481417655944824],["▁contractor",-11.481528282165527],["▁donner",-11.481672286987305],["▁coupon",-11.481974601745605],["adresse",-11.482004165649414],["colo",-11.48210334777832],["▁perception",-11.482124328613281],["NC",-11.48222541809082],["▁abge",-11.482245445251465],["▁cheaper",-11.482268333435059],["▁grace",-11.482312202453613],["▁resident",-11.482718467712402],["kla",-11.4828462600708],["▁bug",-11.4828462600708],["▁Available",-11.482893943786621],["▁BA",-11.483323097229004],["▁Met",-11.483601570129395],["▁climb",-11.48365592956543],["▁expanded",-11.484349250793457],["ying",-11.484426498413086],["▁matching",-11.484469413757324],["▁suffered",-11.484733581542969],["▁employed",-11.484755516052246],["pper",-11.484843254089355],["▁experiencing",-11.484884262084961],["ddy",-11.484953880310059],["▁philosophy",-11.484955787658691],["▁utilisé",-11.485008239746094],["▁Jane",-11.485079765319824],["LI",-11.485087394714355],["▁elected",-11.485185623168945],["▁MI",-11.485264778137207],["▁ISO",-11.485340118408203],["winning",-11.48537540435791],["▁vot",-11.485424041748047],["▁generic",-11.485519409179688],["▁Bol",-11.485650062561035],["▁copies",-11.48568058013916],["▁mechanical",-11.48568058013916],["günstig",-11.485682487487793],["roy",-11.485770225524902],["Astfel",-11.485808372497559],["media",-11.485868453979492],["▁shoulder",-11.4859037399292],["▁directory",-11.486000061035156],["▁banking",-11.486016273498535],["▁mistakes",-11.486040115356445],["▁Fran",-11.486425399780273],["▁Jon",-11.486544609069824],["▁spare",-11.486579895019531],["metri",-11.486668586730957],["▁mask",-11.486879348754883],["▁consistently",-11.48695182800293],["▁Columbia",-11.487278938293457],["roid",-11.48774242401123],["essen",-11.487935066223145],["▁(“",-11.48798656463623],["▁série",-11.488212585449219],["▁Phil",-11.488249778747559],["▁usor",-11.488249778747559],["▁stood",-11.488279342651367],["▁racing",-11.488335609436035],["▁Comme",-11.488555908203125],["▁exceed",-11.488565444946289],["на",-11.488618850708008],["▁activate",-11.48873233795166],["▁circle",-11.488836288452148],["▁bold",-11.488956451416016],["▁handy",-11.48909854888916],["merely",-11.489114761352539],["▁Edward",-11.489147186279297],["▁contracts",-11.489530563354492],["ê",-11.489595413208008],["▁campaigns",-11.489673614501953],["▁ought",-11.489733695983887],["▁nursing",-11.489781379699707],["▁Jr",-11.489917755126953],["▁rarely",-11.490032196044922],["▁Mir",-11.490050315856934],["▁diagnosis",-11.490379333496094],["▁Theatre",-11.490394592285156],["▁producer",-11.490407943725586],["Currently",-11.490492820739746],["▁fitting",-11.490580558776855],["▁ajunge",-11.490618705749512],["minte",-11.490754127502441],["▁termen",-11.490838050842285],["▁Linux",-11.491013526916504],["▁1-",-11.491068840026855],["▁hätte",-11.491202354431152],["▁Resort",-11.49129867553711],["image",-11.491527557373047],["▁Rod",-11.49189281463623],["▁Fly",-11.491924285888672],["try",-11.492317199707031],["▁expense",-11.49245834350586],["▁Interior",-11.492799758911133],["▁fence",-11.492920875549316],["▁Kontakt",-11.493063926696777],["▁ALL",-11.493142127990723],["VA",-11.493229866027832],["▁Exchange",-11.493316650390625],["ranked",-11.493558883666992],["▁Performance",-11.493621826171875],["prim",-11.493635177612305],["▁basket",-11.493694305419922],["▁Vice",-11.493703842163086],["phan",-11.4937105178833],["▁broke",-11.494003295898438],["voir",-11.49431324005127],["arg",-11.494512557983398],["ART",-11.494529724121094],["▁floors",-11.494856834411621],["pression",-11.495025634765625],["▁possession",-11.49507999420166],["▁domaine",-11.49510669708252],["▁valeur",-11.495132446289062],["▁suddenly",-11.495282173156738],["▁mild",-11.495304107666016],["▁aflat",-11.495431900024414],["▁Tea",-11.495731353759766],["tritt",-11.495767593383789],["▁Mittel",-11.495773315429688],["▁regulatory",-11.49580192565918],["▁spectacular",-11.495905876159668],["fahrt",-11.495949745178223],["GS",-11.496026039123535],["MM",-11.4961576461792],["▁environments",-11.496203422546387],["▁Raum",-11.496381759643555],["▁lay",-11.496664047241211],["▁cré",-11.496713638305664],["▁Selbst",-11.496726989746094],["▁opposition",-11.496821403503418],["two",-11.49729061126709],["▁Clark",-11.497822761535645],["▁Netz",-11.497845649719238],["bald",-11.497983932495117],["▁Innovation",-11.4982271194458],["▁overcome",-11.49825382232666],["quot",-11.499013900756836],["▁Sin",-11.499106407165527],["▁Sto",-11.499320983886719],["▁grain",-11.499560356140137],["▁collections",-11.499724388122559],["▁applies",-11.49986743927002],["mach",-11.499934196472168],["▁wheels",-11.499958992004395],["▁universities",-11.500049591064453],["▁Ray",-11.500182151794434],["lina",-11.500238418579102],["▁arrangements",-11.500393867492676],["▁western",-11.500728607177734],["rous",-11.500768661499023],["aise",-11.500784873962402],["▁highlights",-11.50112533569336],["▁intend",-11.501265525817871],["aimed",-11.501358032226562],["▁Scotland",-11.501360893249512],["▁acestei",-11.501466751098633],["graf",-11.50150203704834],["duction",-11.501517295837402],["path",-11.50156021118164],["▁evil",-11.501633644104004],["▁scris",-11.501791000366211],["▁disposition",-11.501927375793457],["▁designing",-11.5020751953125],["zwar",-11.502172470092773],["▁Retrieve",-11.50217342376709],["▁aggressive",-11.502374649047852],["▁Glen",-11.502411842346191],["▁daher",-11.502473831176758],["▁Quick",-11.502494812011719],["▁recover",-11.502632141113281],["▁prominent",-11.50288200378418],["▁visits",-11.503198623657227],["▁Mis",-11.503376960754395],["▁edited",-11.503456115722656],["▁distributed",-11.503564834594727],["▁dés",-11.503580093383789],["▁alter",-11.5035982131958],["▁cooked",-11.503697395324707],["embl",-11.503706932067871],["Univers",-11.503715515136719],["▁Minuten",-11.504156112670898],["▁compris",-11.504179954528809],["rais",-11.504182815551758],["essentially",-11.504199028015137],["▁rel",-11.504340171813965],["▁appel",-11.504570007324219],["▁trace",-11.504788398742676],["relating",-11.504830360412598],["dès",-11.504937171936035],["aste",-11.504961013793945],["▁raison",-11.504963874816895],["▁frequent",-11.505281448364258],["▁beds",-11.505316734313965],["▁Miami",-11.505511283874512],["▁vibrant",-11.50564193725586],["▁Kam",-11.505721092224121],["▁klar",-11.505861282348633],["▁Tan",-11.50598430633545],["▁vidéo",-11.506032943725586],["▁Kur",-11.506115913391113],["▁themes",-11.506134033203125],["▁struggling",-11.506440162658691],["▁Magazine",-11.506444931030273],["maker",-11.506476402282715],["veni",-11.506564140319824],["▁Groß",-11.506732940673828],["▁streaming",-11.506772994995117],["▁analyze",-11.506876945495605],["▁titles",-11.506982803344727],["pier",-11.507316589355469],["▁participant",-11.507347106933594],["aims",-11.507607460021973],["▁convention",-11.507638931274414],["▁flood",-11.507780075073242],["▁nights",-11.507842063903809],["▁titre",-11.50792407989502],["▁voul",-11.508010864257812],["weit",-11.50816822052002],["where",-11.508213996887207],["▁Seiten",-11.508286476135254],["▁relaxing",-11.508628845214844],["▁piano",-11.50883674621582],["▁Pick",-11.508842468261719],["▁Sony",-11.508955001831055],["▁enhanced",-11.509017944335938],["▁visa",-11.50915241241455],["CH",-11.50930118560791],["▁instantly",-11.50930404663086],["▁Fan",-11.509721755981445],["▁diabetes",-11.509988784790039],["▁popul",-11.50999641418457],["Ang",-11.510232925415039],["▁Ask",-11.510295867919922],["cate",-11.510650634765625],["▁simplu",-11.510666847229004],["nahme",-11.510685920715332],["▁dentist",-11.510842323303223],["ubi",-11.510920524597168],["article",-11.511030197143555],["▁graph",-11.511094093322754],["▁rival",-11.51121711730957],["jahr",-11.5113525390625],["▁bloc",-11.511370658874512],["fern",-11.511427879333496],["▁dispar",-11.511516571044922],["▁servers",-11.511582374572754],["▁patru",-11.511610984802246],["▁Within",-11.511634826660156],["▁situated",-11.511896133422852],["▁HR",-11.511981964111328],["▁leaf",-11.511981964111328],["▁curs",-11.512049674987793],["antes",-11.512325286865234],["lux",-11.512406349182129],["▁1993",-11.512463569641113],["stance",-11.512650489807129],["▁northern",-11.512683868408203],["lves",-11.512718200683594],["▁contractors",-11.512882232666016],["▁dimensions",-11.512920379638672],["▁rolling",-11.513068199157715],["▁automobile",-11.513211250305176],["▁cru",-11.51342487335205],["▁displays",-11.513570785522461],["web",-11.513812065124512],["had",-11.513850212097168],["▁Never",-11.513893127441406],["▁2-",-11.513932228088379],["vine",-11.51393985748291],["▁Wahl",-11.513975143432617],["▁Markt",-11.514166831970215],["▁Double",-11.514227867126465],["▁acknowledge",-11.514229774475098],["stal",-11.514288902282715],["▁equity",-11.514620780944824],["▁ministry",-11.514823913574219],["▁Lor",-11.514875411987305],["▁sud",-11.514968872070312],["idée",-11.515044212341309],["▁measured",-11.515448570251465],["▁editing",-11.515609741210938],["▁singur",-11.515620231628418],["▁coal",-11.515623092651367],["▁dramatic",-11.516212463378906],["AG",-11.516251564025879],["asca",-11.516280174255371],["▁crash",-11.516321182250977],["ischer",-11.516597747802734],["▁Pla",-11.516871452331543],["▁psycho",-11.517054557800293],["piece",-11.517118453979492],["▁finger",-11.517121315002441],["▁Hollywood",-11.517123222351074],["▁Cr",-11.517345428466797],["▁locally",-11.517622947692871],["▁mouse",-11.517792701721191],["▁Base",-11.517867088317871],["uite",-11.518095016479492],["▁detect",-11.518099784851074],["cea",-11.518150329589844],["▁bull",-11.518194198608398],["▁curve",-11.518208503723145],["été",-11.518218994140625],["ddle",-11.51839542388916],["▁span",-11.518523216247559],["WS",-11.518878936767578],["CL",-11.519017219543457],["▁officially",-11.519042015075684],["▁corect",-11.519168853759766],["▁Artikel",-11.5193510055542],["▁customized",-11.520099639892578],["▁intellectual",-11.52018928527832],["▁heures",-11.520334243774414],["schule",-11.520444869995117],["▁investing",-11.520585060119629],["▁parallel",-11.521227836608887],["▁loi",-11.521263122558594],["ările",-11.521566390991211],["р",-11.521679878234863],["▁bench",-11.521724700927734],["▁principle",-11.521756172180176],["▁Galaxy",-11.521829605102539],["ța",-11.522237777709961],["▁(4",-11.522418975830078],["▁bedrooms",-11.522578239440918],["née",-11.52273941040039],["▁surely",-11.52275276184082],["very",-11.522927284240723],["stelle",-11.523200988769531],["activ",-11.523216247558594],["cite",-11.523551940917969],["▁Original",-11.523553848266602],["▁palm",-11.523665428161621],["▁losses",-11.523934364318848],["▁newspaper",-11.524153709411621],["ciu",-11.52436351776123],["▁Hold",-11.524392127990723],["BO",-11.524422645568848],["▁CON",-11.524598121643066],["▁modified",-11.524624824523926],["▁stake",-11.524735450744629],["▁Ton",-11.524798393249512],["▁luna",-11.524968147277832],["▁Mind",-11.525094985961914],["lap",-11.525150299072266],["▁opinions",-11.525247573852539],["▁Jordan",-11.525351524353027],["div",-11.52537727355957],["indi",-11.525418281555176],["▁Story",-11.525476455688477],["▁affiliate",-11.52585506439209],["▁matière",-11.525918960571289],["▁fifth",-11.526399612426758],["▁sheets",-11.52645492553711],["▁puțin",-11.526909828186035],["ush",-11.526947021484375],["geführt",-11.526993751525879],["▁Falls",-11.527168273925781],["legi",-11.527295112609863],["▁auction",-11.527326583862305],["▁cooperation",-11.52735424041748],["▁Fee",-11.527474403381348],["▁Daily",-11.52774715423584],["pies",-11.527853965759277],["▁basketball",-11.527976036071777],["removing",-11.528056144714355],["Besides",-11.528294563293457],["▁Body",-11.528355598449707],["▁AD",-11.528369903564453],["RU",-11.528435707092285],["ţia",-11.52894401550293],["▁Extra",-11.528986930847168],["▁Practice",-11.52900218963623],["▁Jeff",-11.529017448425293],["▁început",-11.529253005981445],["ching",-11.529269218444824],["▁Gift",-11.529281616210938],["kk",-11.529295921325684],["\")",-11.529349327087402],["▁Austin",-11.529651641845703],["thro",-11.529766082763672],["▁camping",-11.529810905456543],["▁theatre",-11.529850959777832],["école",-11.529916763305664],["vient",-11.530159950256348],["▁faces",-11.530226707458496],["▁constructed",-11.530437469482422],["▁overnight",-11.530472755432129],["▁locale",-11.530574798583984],["▁roots",-11.530611038208008],["▁bu",-11.530662536621094],["4,",-11.530683517456055],["▁Enterprise",-11.530865669250488],["screen",-11.530935287475586],["▁Chef",-11.53096866607666],["▁Along",-11.531298637390137],["▁MD",-11.531431198120117],["▁Supreme",-11.531597137451172],["En",-11.531655311584473],["▁verwendet",-11.532015800476074],["▁processed",-11.532425880432129],["▁vendors",-11.532549858093262],["▁FA",-11.532651901245117],["▁44",-11.532716751098633],["▁beautifully",-11.532933235168457],["▁eficient",-11.533092498779297],["▁Wil",-11.533117294311523],["▁Member",-11.533121109008789],["▁damages",-11.5332670211792],["▁mutual",-11.533288955688477],["SN",-11.533506393432617],["▁Dave",-11.533665657043457],["??",-11.533998489379883],["stat",-11.534090995788574],["▁tourist",-11.534374237060547],["fie",-11.534425735473633],["şte",-11.534754753112793],["▁donne",-11.534764289855957],["▁shadow",-11.53493881225586],["▁dough",-11.534993171691895],["▁Gro",-11.535002708435059],["▁Mah",-11.535066604614258],["RF",-11.535126686096191],["▁mechanism",-11.535163879394531],["▁2011,",-11.535179138183594],["▁Alter",-11.53530502319336],["▁opposed",-11.53538990020752],["▁Fri",-11.535501480102539],["▁remarkable",-11.535572052001953],["oral",-11.535635948181152],["▁verschiedene",-11.535653114318848],["▁difficulty",-11.535691261291504],["▁Application",-11.535840034484863],["▁Hay",-11.535888671875],["▁continua",-11.535935401916504],["EP",-11.53609848022461],["▁Pr",-11.53617000579834],["▁Lady",-11.53631591796875],["▁interval",-11.536457061767578],["▁Mil",-11.536504745483398],["▁2010.",-11.537042617797852],["VE",-11.537074089050293],["integr",-11.537360191345215],["▁création",-11.537415504455566],["weed",-11.537456512451172],["EG",-11.53760051727295],["▁6,",-11.537784576416016],["▁god",-11.537866592407227],["▁accomplish",-11.537947654724121],["▁thoroughly",-11.538019180297852],["2019",-11.538228988647461],["izer",-11.538246154785156],["▁Wal",-11.538300514221191],["ifying",-11.538701057434082],["▁Wohn",-11.539227485656738],["▁Holz",-11.539474487304688],["▁Advanced",-11.539528846740723],["▁honey",-11.539626121520996],["proof",-11.539634704589844],["▁saison",-11.540029525756836],["ându",-11.540035247802734],["▁Kevin",-11.540116310119629],["▁shelter",-11.540199279785156],["▁discut",-11.540257453918457],["▁hike",-11.540257453918457],["ités",-11.540461540222168],["▁boutique",-11.540672302246094],["▁Email",-11.54067611694336],["▁cosmetic",-11.540830612182617],["dian",-11.540916442871094],["▁hohe",-11.540940284729004],["▁absence",-11.541071891784668],["axi",-11.541136741638184],["nah",-11.541178703308105],["▁Frauen",-11.541236877441406],["▁actively",-11.541278839111328],["bind",-11.541468620300293],["▁everybody",-11.541740417480469],["▁controller",-11.541802406311035],["▁1.5",-11.5418062210083],["erau",-11.541842460632324],["gehen",-11.541988372802734],["▁scenario",-11.542038917541504],["▁odd",-11.542083740234375],["▁Ultra",-11.542089462280273],["▁finishing",-11.542366981506348],["▁cuts",-11.542383193969727],["▁financing",-11.542515754699707],["▁Chance",-11.542579650878906],["surrounded",-11.542818069458008],["▁joc",-11.542903900146484],["▁shelf",-11.543004035949707],["tief",-11.54308032989502],["▁Sir",-11.543146133422852],["▁Agent",-11.543197631835938],["▁scratch",-11.543560981750488],["2,000",-11.54360294342041],["nutri",-11.54365348815918],["nier",-11.544063568115234],["▁Dur",-11.544175148010254],["▁grid",-11.544268608093262],["road",-11.544413566589355],["▁pets",-11.544429779052734],["stud",-11.54448127746582],["OM",-11.544569969177246],["Die",-11.544877052307129],["▁800",-11.54496955871582],["▁arrangement",-11.545088768005371],["▁Sri",-11.545185089111328],["▁Patrick",-11.545187950134277],["ava",-11.545212745666504],["▁pension",-11.54523754119873],["dung",-11.545353889465332],["▁Chapter",-11.545475006103516],["▁Property",-11.545475006103516],["▁structural",-11.545571327209473],["▁overview",-11.545731544494629],["2015",-11.545917510986328],["▁lawn",-11.545924186706543],["▁Vin",-11.546219825744629],["lik",-11.546402931213379],["dus",-11.546418190002441],["Several",-11.54654598236084],["▁Bou",-11.546670913696289],["▁copper",-11.546703338623047],["▁duration",-11.546867370605469],["inate",-11.546982765197754],["▁podcast",-11.547204971313477],["▁Self",-11.547208786010742],["▁Construction",-11.547491073608398],["achat",-11.54768180847168],["???",-11.547683715820312],["▁Electric",-11.547974586486816],["▁Mrs",-11.54799747467041],["▁CT",-11.548019409179688],["▁proceed",-11.548324584960938],["▁Course",-11.548333168029785],["▁Frei",-11.548699378967285],["▁heavily",-11.548868179321289],["rique",-11.548872947692871],["version",-11.549016952514648],["▁representatives",-11.549118041992188],["▁tourism",-11.549182891845703],["▁shirt",-11.5494966506958],["▁rough",-11.549507141113281],["▁weniger",-11.549735069274902],["▁keyboard",-11.550058364868164],["▁heritage",-11.550149917602539],["kat",-11.550535202026367],["assez",-11.550567626953125],["▁cabinets",-11.550591468811035],["▁Komm",-11.550762176513672],["▁impressed",-11.55078411102295],["▁Oregon",-11.550788879394531],["▁Davis",-11.55081558227539],["specialized",-11.55097770690918],["▁gross",-11.550999641418457],["Located",-11.551044464111328],["ttle",-11.551044464111328],["▁2010,",-11.551224708557129],["chan",-11.551253318786621],["mine",-11.551305770874023],["▁aduce",-11.551637649536133],["▁subsequent",-11.551729202270508],["▁demo",-11.551851272583008],["aba",-11.552209854125977],["▁shock",-11.552389144897461],["▁theater",-11.552854537963867],["▁engineers",-11.55294418334961],["▁feu",-11.553037643432617],["▁Rot",-11.553058624267578],["▁addressed",-11.553155899047852],["▁Letter",-11.553431510925293],["gré",-11.553448677062988],["▁quantity",-11.553449630737305],["▁Seit",-11.553640365600586],["▁bacteria",-11.553681373596191],["kg",-11.55408000946045],["▁conservation",-11.554191589355469],["▁entreprises",-11.55420207977295],["▁pleasant",-11.554207801818848],["armed",-11.554228782653809],["dorf",-11.554286003112793],["fact",-11.554320335388184],["▁Much",-11.554388046264648],["▁laugh",-11.55482006072998],["▁blade",-11.554835319519043],["amine",-11.554838180541992],["▁insert",-11.55493450164795],["▁toys",-11.555326461791992],["▁в",-11.555726051330566],["cell",-11.555747985839844],["▁strengthen",-11.555864334106445],["GR",-11.555882453918457],["▁autor",-11.556114196777344],["▁LI",-11.556147575378418],["▁oamenii",-11.556184768676758],["▁Modell",-11.556222915649414],["▁sophisticated",-11.556225776672363],["▁Write",-11.556283950805664],["eți",-11.556295394897461],["say",-11.556641578674316],["▁nutzen",-11.556783676147461],["▁amenities",-11.556979179382324],["chel",-11.557068824768066],["Unlike",-11.55720043182373],["▁Bilder",-11.557208061218262],["fertig",-11.55722713470459],["PER",-11.557244300842285],["▁apparently",-11.557282447814941],["▁pointed",-11.557332992553711],["lop",-11.557435989379883],["▁commande",-11.557848930358887],["▁NEW",-11.557923316955566],["▁primi",-11.55798625946045],["▁aluminum",-11.558046340942383],["ificare",-11.558063507080078],["open",-11.55815315246582],["▁establishment",-11.558305740356445],["▁blanc",-11.558349609375],["▁1960",-11.558454513549805],["▁parameters",-11.55856990814209],["schluss",-11.558685302734375],["▁jet",-11.55879020690918],["gam",-11.55902099609375],["▁oral",-11.559290885925293],["▁tons",-11.559348106384277],["▁AL",-11.55935001373291],["▁intention",-11.55947494506836],["ives",-11.55974292755127],["▁BMW",-11.559837341308594],["gun",-11.559967041015625],["leben",-11.560046195983887],["▁Fresh",-11.56010913848877],["▁tuturor",-11.560193061828613],["▁marine",-11.560208320617676],["mile",-11.560260772705078],["▁alta",-11.560271263122559],["nnen",-11.56050968170166],["▁courts",-11.560530662536621],["▁Hello",-11.560791015625],["BL",-11.560895919799805],["▁reply",-11.560962677001953],["environnement",-11.560975074768066],["American",-11.560995101928711],["▁Tell",-11.561040878295898],["▁chic",-11.56148624420166],["bir",-11.561542510986328],["▁singing",-11.561788558959961],["▁earnings",-11.561819076538086],["▁ensemble",-11.562082290649414],["▁($",-11.562169075012207],["▁Tout",-11.562192916870117],["▁Abs",-11.562264442443848],["▁describes",-11.562322616577148],["▁navigation",-11.5625],["▁destul",-11.562532424926758],["legate",-11.562586784362793],["tral",-11.562599182128906],["aţie",-11.562753677368164],["▁supplied",-11.562775611877441],["▁paar",-11.562911987304688],["ionat",-11.563241958618164],["9.",-11.563263893127441],["▁41",-11.563348770141602],["▁Track",-11.563451766967773],["▁happiness",-11.563636779785156],["▁Personen",-11.563680648803711],["▁sac",-11.56373119354248],["▁shapes",-11.563774108886719],["eld",-11.56393051147461],["bett",-11.563963890075684],["tile",-11.56400203704834],["▁divided",-11.564035415649414],["▁13.",-11.56403923034668],["market",-11.564109802246094],["crafted",-11.564115524291992],["▁periods",-11.564120292663574],["uş",-11.564568519592285],["▁trainer",-11.56460952758789],["▁Licht",-11.564871788024902],["▁advisor",-11.564948081970215],["▁Herr",-11.564980506896973],["▁Halloween",-11.565147399902344],["alter",-11.565154075622559],["▁radical",-11.565155029296875],["▁nose",-11.56527042388916],["▁Sat",-11.565323829650879],["▁Mom",-11.565372467041016],["moni",-11.565377235412598],["▁semn",-11.565397262573242],["vé",-11.565672874450684],["identifie",-11.56570053100586],["▁hatten",-11.565957069396973],["completing",-11.565959930419922],["▁gust",-11.565963745117188],["▁creat",-11.56601333618164],["ché",-11.566075325012207],["pay",-11.566216468811035],["▁Money",-11.566229820251465],["IG",-11.566243171691895],["▁Cash",-11.566327095031738],["altă",-11.566420555114746],["▁bekommen",-11.566620826721191],["▁43",-11.56662654876709],["▁supplement",-11.566637992858887],["▁Early",-11.566754341125488],["▁mattress",-11.56692123413086],["▁worn",-11.567182540893555],["rov",-11.567197799682617],["▁pray",-11.56733226776123],["▁beans",-11.567673683166504],["▁passé",-11.567782402038574],["▁facilit",-11.56782054901123],["▁meters",-11.56784439086914],["cke",-11.568163871765137],["▁Villa",-11.568199157714844],["▁Diego",-11.568217277526855],["▁chips",-11.568244934082031],["▁mes",-11.568349838256836],["▁Seattle",-11.568421363830566],["BU",-11.568621635437012],["▁nevoi",-11.568714141845703],["▁lets",-11.568737030029297],["▁hopefully",-11.56894302368164],["▁AG",-11.568954467773438],["liable",-11.568999290466309],["pound",-11.569067001342773],["près",-11.569085121154785],["arul",-11.56920337677002],["isiert",-11.569281578063965],["▁Expert",-11.569297790527344],["▁particulier",-11.569367408752441],["stoff",-11.569952964782715],["▁interpretation",-11.56999397277832],["După",-11.57007884979248],["sait",-11.57011604309082],["▁nouvelles",-11.570173263549805],["▁Ok",-11.570175170898438],["tap",-11.570301055908203],["▁targets",-11.570327758789062],["rung",-11.57052230834961],["▁stare",-11.570576667785645],["▁efficiently",-11.570908546447754],["EV",-11.571003913879395],["évit",-11.571310997009277],["▁Moldova",-11.571542739868164],["▁Face",-11.571663856506348],["▁flo",-11.57168960571289],["▁acestora",-11.5717134475708],["▁Victor",-11.57183837890625],["▁breed",-11.57198429107666],["morph",-11.572230339050293],["sley",-11.572274208068848],["mot",-11.57234001159668],["▁URL",-11.572395324707031],["ellen",-11.572502136230469],["▁resist",-11.572781562805176],["zon",-11.57282829284668],["ndel",-11.572967529296875],["will",-11.572989463806152],["▁alege",-11.573076248168945],["▁Easter",-11.573114395141602],["▁Bat",-11.573190689086914],["▁Höhe",-11.573223114013672],["▁fascinating",-11.573387145996094],["▁Know",-11.5735445022583],["illon",-11.573602676391602],["flex",-11.57363224029541],["who",-11.573701858520508],["▁Always",-11.573729515075684],["▁Bush",-11.573777198791504],["ICE",-11.574009895324707],["verein",-11.57448673248291],["▁später",-11.57448959350586],["▁cherch",-11.574575424194336],["makers",-11.574753761291504],["versus",-11.574790954589844],["▁Clear",-11.574846267700195],["▁Pennsylvania",-11.574912071228027],["Dieser",-11.575041770935059],["▁picking",-11.575072288513184],["▁restoration",-11.57513427734375],["▁interviews",-11.575201988220215],["pressed",-11.575210571289062],["nnerhalb",-11.575674057006836],["▁connecting",-11.575834274291992],["jou",-11.575943946838379],["▁react",-11.576189041137695],["▁Merci",-11.576223373413086],["▁Phone",-11.576356887817383],["▁1)",-11.57652473449707],["▁victims",-11.576618194580078],["▁Spo",-11.576685905456543],["atului",-11.576735496520996],["▁Harry",-11.576837539672852],["▁Sala",-11.576875686645508],["Pol",-11.577075958251953],["▁Clo",-11.577167510986328],["▁Erfolg",-11.577211380004883],["autour",-11.577308654785156],["▁Template",-11.577314376831055],["▁invention",-11.57754898071289],["▁schwer",-11.57761287689209],["vac",-11.577625274658203],["▁Trail",-11.577627182006836],["▁Vietnam",-11.577638626098633],["▁Size",-11.577689170837402],["▁Bern",-11.577783584594727],["▁emp",-11.577845573425293],["▁shake",-11.57787799835205],["▁Ave",-11.57794189453125],["▁productive",-11.578009605407715],["▁apple",-11.578015327453613],["▁portal",-11.578052520751953],["▁ceramic",-11.578082084655762],["▁pad",-11.578110694885254],["▁Syn",-11.578316688537598],["Ab",-11.57845401763916],["▁syn",-11.578761100769043],["find",-11.578888893127441],["▁settle",-11.578909873962402],["▁général",-11.578965187072754],["▁okay",-11.579032897949219],["▁receipt",-11.57906436920166],["orii",-11.579117774963379],["▁Mission",-11.579122543334961],["entrée",-11.579304695129395],["▁besteht",-11.579394340515137],["▁wisdom",-11.57950210571289],["▁heraus",-11.579645156860352],["▁balanced",-11.579753875732422],["▁habits",-11.579773902893066],["tang",-11.579888343811035],["ură",-11.580151557922363],["▁winners",-11.580182075500488],["ç",-11.580215454101562],["▁folosi",-11.580242156982422],["aliment",-11.5802583694458],["▁fiction",-11.580373764038086],["▁Spe",-11.580534934997559],["▁elsewhere",-11.580663681030273],["▁dependent",-11.580808639526367],["▁Anne",-11.581167221069336],["▁excellence",-11.581695556640625],["▁Feel",-11.581753730773926],["lieb",-11.581811904907227],["▁sectors",-11.581865310668945],["▁expir",-11.581886291503906],["▁surfaces",-11.58191204071045],["▁minim",-11.581937789916992],["▁tumor",-11.58204460144043],["▁paragraph",-11.582289695739746],["▁disk",-11.58232307434082],["▁tonight",-11.582379341125488],["▁precious",-11.582794189453125],["▁console",-11.58288288116455],["Th",-11.582939147949219],["neu",-11.583020210266113],["effective",-11.5839262008667],["▁Republican",-11.583944320678711],["format",-11.584297180175781],["▁preserve",-11.58436107635498],["▁wiring",-11.584599494934082],["▁exercises",-11.584757804870605],["▁pregnancy",-11.584774017333984],["tries",-11.58481502532959],["▁jeunes",-11.584883689880371],["▁publishing",-11.584932327270508],["▁nehmen",-11.584935188293457],["▁capability",-11.5849609375],["▁prompt",-11.584965705871582],["▁Further",-11.58497428894043],["▁semaine",-11.585173606872559],["abo",-11.585216522216797],["▁evolution",-11.585319519042969],["▁Sud",-11.585403442382812],["▁frais",-11.585525512695312],["LT",-11.585619926452637],["▁stack",-11.58581829071045],["▁Inside",-11.585854530334473],["▁programmes",-11.585997581481934],["▁passes",-11.586196899414062],["mü",-11.586474418640137],["▁progressive",-11.586518287658691],["▁calculator",-11.58658218383789],["▁Core",-11.586655616760254],["BT",-11.586956977844238],["core",-11.586996078491211],["▁Moon",-11.587004661560059],["▁tender",-11.587040901184082],["durch",-11.58721923828125],["▁commune",-11.587453842163086],["▁Prince",-11.587594032287598],["▁demonstrated",-11.587693214416504],["▁conversations",-11.587890625],["▁fri",-11.587984085083008],["igh",-11.587992668151855],["being",-11.588334083557129],["pause",-11.58853530883789],["▁Bear",-11.58871841430664],["ayant",-11.588875770568848],["▁Industry",-11.588967323303223],["▁sponsor",-11.589012145996094],["▁numele",-11.589098930358887],["▁VA",-11.589167594909668],["▁Sommer",-11.589366912841797],["TB",-11.589380264282227],["▁optional",-11.589505195617676],["▁Landes",-11.589812278747559],["coli",-11.589963912963867],["empt",-11.59018325805664],["▁Iron",-11.590620040893555],["▁1992",-11.59090518951416],["▁attempts",-11.59090518951416],["halb",-11.590960502624512],["▁photographer",-11.59097671508789],["▁witness",-11.59097957611084],["bru",-11.591073989868164],["▁Ras",-11.59107780456543],["▁burden",-11.591142654418945],["▁kaufen",-11.591256141662598],["▁vu",-11.591362953186035],["▁Wedding",-11.591601371765137],["▁Kla",-11.591604232788086],["occasion",-11.591915130615234],["▁keys",-11.592131614685059],["▁oferi",-11.592279434204102],["▁puzzle",-11.592302322387695],["eaux",-11.59254264831543],["▁Eco",-11.592805862426758],["▁52",-11.592817306518555],["▁Elizabeth",-11.59284496307373],["▁dispose",-11.593144416809082],["▁cluster",-11.59326171875],["iki",-11.593283653259277],["▁Guys",-11.593595504760742],["▁Economic",-11.593632698059082],["▁apar",-11.593677520751953],["▁ziua",-11.593688011169434],["▁integral",-11.593740463256836],["▁tac",-11.59376335144043],["▁restrictions",-11.593778610229492],["▁nerve",-11.593794822692871],["▁Stop",-11.59386157989502],["burger",-11.593897819519043],["explo",-11.593944549560547],["lö",-11.593958854675293],["NP",-11.594077110290527],["▁Brook",-11.59418773651123],["▁Close",-11.594278335571289],["▁representing",-11.59446907043457],["▁certaine",-11.594767570495605],["▁discovery",-11.594836235046387],["▁rece",-11.594964981079102],["FF",-11.594970703125],["▁salary",-11.595069885253906],["▁Wolf",-11.595137596130371],["▁deserve",-11.595166206359863],["ţele",-11.595417976379395],["gathered",-11.595934867858887],["▁comply",-11.59599494934082],["lagen",-11.596034049987793],["ătoare",-11.596192359924316],["▁relate",-11.596410751342773],["▁Roger",-11.59656810760498],["▁blame",-11.596575736999512],["▁Jen",-11.596914291381836],["▁army",-11.596936225891113],["▁$10",-11.597129821777344],["▁Cabinet",-11.597185134887695],["Gu",-11.597367286682129],["▁wildlife",-11.597452163696289],["▁Memorial",-11.597643852233887],["▁Holiday",-11.597742080688477],["▁curat",-11.598291397094727],["iilor",-11.598299026489258],["▁fleet",-11.598408699035645],["▁reviewed",-11.59843635559082],["cet",-11.598450660705566],["▁virtually",-11.598487854003906],["▁Crusher",-11.59852409362793],["▁slide",-11.59858226776123],["▁générale",-11.598604202270508],["▁sensation",-11.598630905151367],["▁garlic",-11.598638534545898],["5)",-11.598657608032227],["▁batteries",-11.598756790161133],["SH",-11.59876823425293],["▁seller",-11.59882926940918],["design",-11.598871231079102],["5.",-11.598944664001465],["▁Overall",-11.598969459533691],["▁investigate",-11.599058151245117],["max",-11.599064826965332],["▁attach",-11.599166870117188],["▁Future",-11.599209785461426],["OUR",-11.599284172058105],["▁LE",-11.59968090057373],["▁bite",-11.599811553955078],["tige",-11.599874496459961],["▁twist",-11.59987735748291],["hole",-11.600180625915527],["▁Tony",-11.600510597229004],["LU",-11.600598335266113],["▁Organization",-11.600617408752441],["▁invit",-11.600632667541504],["▁Ant",-11.600739479064941],["NR",-11.600788116455078],["sorgt",-11.600854873657227],["▁Lan",-11.600860595703125],["▁Manchester",-11.60091495513916],["schrift",-11.601066589355469],["▁kg",-11.601150512695312],["▁aroma",-11.60132884979248],["▁Source",-11.601388931274414],["▁permite",-11.601445198059082],["▁Consider",-11.601457595825195],["▁Artist",-11.601627349853516],["▁transmit",-11.601783752441406],["oasa",-11.601834297180176],["▁Zen",-11.60198974609375],["ANT",-11.602235794067383],["▁consulting",-11.602404594421387],["▁commence",-11.6025390625],["▁quilt",-11.60261058807373],["owned",-11.602642059326172],["▁bro",-11.602689743041992],["▁integrate",-11.602715492248535],["▁Ontario",-11.602775573730469],["TF",-11.602832794189453],["▁Study",-11.602887153625488],["▁ensuite",-11.603155136108398],["itatii",-11.603180885314941],["Mon",-11.603235244750977],["-11",-11.603299140930176],["what",-11.603384017944336],["▁Things",-11.60361385345459],["▁Eye",-11.603819847106934],["▁présente",-11.603828430175781],["tention",-11.603915214538574],["|",-11.603957176208496],["stall",-11.603963851928711],["▁beef",-11.603992462158203],["figur",-11.604005813598633],["▁cancel",-11.604146003723145],["▁domeniul",-11.604252815246582],["▁360",-11.604290008544922],["▁sleeping",-11.6045560836792],["▁traitement",-11.604580879211426],["ühl",-11.604769706726074],["▁Environmental",-11.604835510253906],["cier",-11.604894638061523],["▁NC",-11.604907035827637],["pub",-11.604925155639648],["▁addiction",-11.605071067810059],["▁nest",-11.605128288269043],["▁ON",-11.605395317077637],["▁discrimin",-11.605396270751953],["▁proved",-11.605517387390137],["▁occasions",-11.605864524841309],["OH",-11.606184959411621],["▁lawyers",-11.606203079223633],["own",-11.606290817260742],["▁Meeting",-11.606596946716309],["▁Industrial",-11.606704711914062],["owed",-11.606736183166504],["▁Cel",-11.606793403625488],["legt",-11.60706615447998],["ily",-11.607085227966309],["▁wins",-11.607155799865723],["▁strap",-11.607367515563965],["digit",-11.607441902160645],["▁hinaus",-11.607504844665527],["mple",-11.607712745666504],["▁(5",-11.607797622680664],["▁pdf",-11.607894897460938],["▁eco",-11.607915878295898],["▁junior",-11.608172416687012],["DB",-11.608556747436523],["gelegt",-11.608636856079102],["ION",-11.608678817749023],["▁competitors",-11.60880184173584],["▁Arab",-11.60898208618164],["▁Secret",-11.609148979187012],["▁Kunst",-11.609283447265625],["▁worried",-11.609297752380371],["meiner",-11.609378814697266],["▁Magic",-11.609450340270996],["▁groß",-11.609537124633789],["▁travaux",-11.609748840332031],["▁sollen",-11.609772682189941],["▁Sciences",-11.609850883483887],["▁athletes",-11.610055923461914],["▁discounts",-11.610079765319824],["kit",-11.610211372375488],["lind",-11.610305786132812],["▁enjoyable",-11.610421180725098],["ground",-11.610489845275879],["▁Tat",-11.610529899597168],["▁passengers",-11.610576629638672],["▁Dami",-11.610677719116211],["▁Major",-11.61070728302002],["watch",-11.610796928405762],["working",-11.610908508300781],["arrêt",-11.610923767089844],["▁subtle",-11.611069679260254],["▁epi",-11.611197471618652],["▁Jahres",-11.61128044128418],["▁cooling",-11.61141586303711],["▁makeup",-11.611427307128906],["jet",-11.611495018005371],["▁Given",-11.611519813537598],["plex",-11.61158275604248],["▁exploit",-11.611590385437012],["rine",-11.611604690551758],["▁delivers",-11.612122535705566],["▁summary",-11.612236022949219],["▁beaches",-11.612459182739258],["lift",-11.612550735473633],["▁Suite",-11.612554550170898],["▁Assistant",-11.612688064575195],["▁taxi",-11.61273193359375],["▁peaceful",-11.612805366516113],["▁Mode",-11.612980842590332],["▁Fun",-11.613059043884277],["▁diameter",-11.613142967224121],["▁phrase",-11.613150596618652],["ACT",-11.613265037536621],["▁différentes",-11.613322257995605],["▁14.",-11.613417625427246],["▁CE",-11.61352825164795],["▁2)",-11.613739013671875],["▁Nat",-11.613785743713379],["▁delete",-11.61388111114502],["other",-11.613930702209473],["hang",-11.613985061645508],["▁sujet",-11.614117622375488],["▁precise",-11.614212989807129],["▁Total",-11.614290237426758],["▁chambre",-11.614483833312988],["sati",-11.614666938781738],["▁Metal",-11.614995956420898],["rust",-11.615038871765137],["▁Brazil",-11.615508079528809],["▁hybrid",-11.615636825561523],["ops",-11.615691184997559],["▁electro",-11.615789413452148],["utz",-11.61608600616455],["▁quoi",-11.616246223449707],["▁adoption",-11.616331100463867],["3.5",-11.616518020629883],["50,000",-11.616599082946777],["veti",-11.616630554199219],["hir",-11.616957664489746],["▁adequate",-11.617067337036133],["ologist",-11.617109298706055],["torii",-11.617295265197754],["wasser",-11.617355346679688],["▁Authority",-11.617362976074219],["▁donation",-11.617364883422852],["700",-11.617375373840332],["▁somehow",-11.617375373840332],["▁kostenlos",-11.617425918579102],["▁generations",-11.617537498474121],["▁Turkey",-11.617711067199707],["rata",-11.617819786071777],["▁animation",-11.618206024169922],["▁CH",-11.618281364440918],["ending",-11.618317604064941],["welt",-11.618376731872559],["bac",-11.618380546569824],["MG",-11.618460655212402],["▁parks",-11.618468284606934],["▁placing",-11.618870735168457],["sort",-11.61915111541748],["▁Bitcoin",-11.619163513183594],["▁disorder",-11.619282722473145],["MAN",-11.619302749633789],["aught",-11.619412422180176],["▁guides",-11.61956787109375],["▁circul",-11.619651794433594],["▁Steven",-11.619954109191895],["rrière",-11.619976997375488],["▁Arch",-11.61999225616455],["▁plates",-11.620091438293457],["MR",-11.620118141174316],["▁cow",-11.620142936706543],["▁integrity",-11.620210647583008],["▁(18",-11.620217323303223],["▁totul",-11.62024211883545],["jack",-11.620373725891113],["▁privire",-11.620588302612305],["▁terme",-11.620752334594727],["▁execution",-11.620781898498535],["▁organism",-11.620838165283203],["▁führen",-11.620853424072266],["▁patron",-11.620940208435059],["▁appreciated",-11.62096881866455],["liant",-11.62100601196289],["▁Solar",-11.621055603027344],["▁vinyl",-11.621134757995605],["▁treasure",-11.621137619018555],["▁retro",-11.621167182922363],["▁bout",-11.621174812316895],["lab",-11.621183395385742],["▁dimension",-11.621394157409668],["called",-11.62146282196045],["▁intern",-11.621479034423828],["issement",-11.62173843383789],["▁Erst",-11.621837615966797],["▁stellen",-11.621920585632324],["▁familia",-11.622069358825684],["▁notion",-11.622176170349121],["▁Could",-11.622322082519531],["Getting",-11.622323036193848],["▁drives",-11.622397422790527],["▁Israeli",-11.622520446777344],["▁nations",-11.622546195983887],["▁duties",-11.622700691223145],["▁personalized",-11.622788429260254],["▁weren",-11.62282657623291],["▁chemicals",-11.622847557067871],["▁killing",-11.622913360595703],["▁masa",-11.622994422912598],["▁parce",-11.623026847839355],["▁lady",-11.623178482055664],["ides",-11.623221397399902],["▁execut",-11.62340259552002],["▁floral",-11.62341594696045],["▁Child",-11.623428344726562],["▁medal",-11.623503684997559],["▁casa",-11.623603820800781],["▁enabled",-11.623650550842285],["12.",-11.624239921569824],["nger",-11.624266624450684],["▁vent",-11.624297142028809],["▁urmă",-11.624727249145508],["▁Herz",-11.624835968017578],["▁Jay",-11.624916076660156],[".....",-11.624942779541016],["▁Kris",-11.62499713897705],["kenn",-11.625001907348633],["ress",-11.625027656555176],["weight",-11.62519359588623],["▁indicates",-11.625198364257812],["▁mentor",-11.625328063964844],["using",-11.625386238098145],["▁femmes",-11.625460624694824],["▁Jung",-11.625528335571289],["▁Send",-11.625574111938477],["▁seasons",-11.625906944274902],["▁aesthetic",-11.625964164733887],["▁Block",-11.626086235046387],["▁babies",-11.626150131225586],["zig",-11.626242637634277],["edge",-11.626428604125977],["▁alike",-11.626458168029785],["▁immune",-11.626609802246094],["▁magical",-11.626710891723633],["▁Snow",-11.626748085021973],["▁spacious",-11.627058982849121],["▁Melbourne",-11.62706184387207],["order",-11.627081871032715],["▁timing",-11.627176284790039],["▁inainte",-11.627220153808594],["▁width",-11.627327919006348],["bild",-11.627386093139648],["Tra",-11.627429008483887],["▁appliances",-11.627449989318848],["▁dirt",-11.627498626708984],["▁Rent",-11.627689361572266],["responsibilities",-11.627747535705566],["▁blogs",-11.62778377532959],["nächsten",-11.627799034118652],["▁argue",-11.627928733825684],["▁Resume",-11.627985954284668],["▁Michel",-11.628044128417969],["▁terrible",-11.628092765808105],["graph",-11.628151893615723],["bird",-11.628202438354492],["▁Simple",-11.628457069396973],["nning",-11.628658294677734],["▁coconut",-11.628683090209961],["▁comprise",-11.628787994384766],["heure",-11.628918647766113],["▁nichts",-11.628921508789062],["▁manufacture",-11.628966331481934],["▁Sar",-11.629011154174805],["green",-11.629014015197754],["lining",-11.62910270690918],["▁tremendous",-11.629128456115723],["▁Wine",-11.629164695739746],["gir",-11.629290580749512],["▁Nothing",-11.629562377929688],["▁Miller",-11.62957763671875],["▁Schwe",-11.629712104797363],["zone",-11.629942893981934],["▁cunoscut",-11.629964828491211],["rupt",-11.630166053771973],["kle",-11.630187034606934],["▁Bucuresti",-11.630510330200195],["▁Abend",-11.630574226379395],["▁aura",-11.630583763122559],["▁Dance",-11.63073444366455],["▁Wilson",-11.63086986541748],["icide",-11.630901336669922],["bai",-11.630910873413086],["oriented",-11.63103199005127],["▁celebrated",-11.631421089172363],["schlag",-11.631531715393066],["▁10-",-11.631600379943848],["Unsere",-11.63167667388916],["énergie",-11.632009506225586],["▁qualify",-11.63205623626709],["▁contenu",-11.632177352905273],["▁Lauf",-11.63220500946045],["▁einzelne",-11.632360458374023],["▁Youth",-11.632415771484375],["explains",-11.632601737976074],["grat",-11.632782936096191],["▁72",-11.632804870605469],["labor",-11.632885932922363],["2018",-11.632940292358398],["▁Dank",-11.633149147033691],["▁Hey",-11.633523941040039],["▁refuse",-11.633536338806152],["▁graduated",-11.633599281311035],["▁României",-11.633627891540527],["punkt",-11.633807182312012],["▁regulation",-11.633834838867188],["Bru",-11.633842468261719],["▁Side",-11.633891105651855],["▁sol",-11.633970260620117],["▁extraordinary",-11.634182929992676],["▁ging",-11.634247779846191],["▁Creative",-11.634299278259277],["▁expanding",-11.634349822998047],["▁problème",-11.63444995880127],["▁Reserve",-11.63459300994873],["auteur",-11.634642601013184],["sphere",-11.634657859802246],["season",-11.634716987609863],["frei",-11.634756088256836],["▁8,",-11.634765625],["▁filing",-11.634810447692871],["▁Complete",-11.635017395019531],["▁revolution",-11.635035514831543],["▁unele",-11.63520622253418],["/8",-11.635272979736328],["istes",-11.635310173034668],["backed",-11.635400772094727],["shirt",-11.635554313659668],["▁Details",-11.635673522949219],["rod",-11.635695457458496],["▁pod",-11.63582992553711],["▁operators",-11.635921478271484],["was",-11.635930061340332],["hou",-11.63594913482666],["▁Coach",-11.636075019836426],["irii",-11.636138916015625],["▁ordinary",-11.636186599731445],["Institut",-11.63620662689209],["▁Flash",-11.63633918762207],["0-",-11.636537551879883],["▁flavour",-11.6367769241333],["specific",-11.636906623840332],["▁landing",-11.636930465698242],["▁geo",-11.636935234069824],["▁legend",-11.636983871459961],["vari",-11.63703441619873],["rop",-11.637084007263184],["▁Excel",-11.6370849609375],["▁Flu",-11.637203216552734],["▁intent",-11.637582778930664],["▁Deep",-11.637594223022461],["▁Kor",-11.63763427734375],["▁Philadelphia",-11.637914657592773],["▁rând",-11.63800048828125],["▁USD",-11.638033866882324],["laden",-11.63803482055664],["▁Hin",-11.638047218322754],["hap",-11.638197898864746],["▁thorough",-11.638227462768555],["▁oferit",-11.63826847076416],["kind",-11.63831615447998],["▁Cancer",-11.638428688049316],["apo",-11.638596534729004],["▁valve",-11.638650894165039],["▁encouraging",-11.63884449005127],["▁sûr",-11.638904571533203],["shing",-11.638981819152832],["▁49",-11.639132499694824],["gov",-11.639142990112305],["▁Five",-11.63933277130127],["▁stroke",-11.639344215393066],["▁apă",-11.639398574829102],["▁gambling",-11.639543533325195],["▁nord",-11.63963508605957],["onal",-11.639691352844238],["▁captured",-11.63979721069336],["▁lucruri",-11.640068054199219],["serait",-11.640192985534668],["▁Members",-11.640265464782715],["ital",-11.640275955200195],["▁mounted",-11.640475273132324],["▁opens",-11.640792846679688],["▁Marie",-11.640861511230469],["Tech",-11.640902519226074],["▁wishes",-11.641016006469727],["▁regards",-11.641073226928711],["going",-11.641156196594238],["Opti",-11.641250610351562],["▁femei",-11.641331672668457],["▁Fish",-11.64142894744873],["▁mount",-11.641800880432129],["▁Hunt",-11.641887664794922],["▁probabil",-11.64205265045166],["▁assured",-11.642191886901855],["pho",-11.642230033874512],["▁manufactured",-11.642313003540039],["▁realistic",-11.642437934875488],["ații",-11.642580032348633],["▁Planning",-11.642598152160645],["▁român",-11.642645835876465],["ggy",-11.642669677734375],["▁produces",-11.642696380615234],["▁reminder",-11.64284896850586],["TION",-11.642868041992188],["▁brake",-11.642909049987793],["▁pla",-11.643172264099121],["▁Premium",-11.643270492553711],["▁carb",-11.643310546875],["▁shine",-11.643390655517578],["▁carrier",-11.643492698669434],["▁poverty",-11.64350414276123],["▁effectiveness",-11.6436128616333],["administr",-11.643655776977539],["▁Chamber",-11.643658638000488],["▁suntem",-11.64376163482666],["▁noastră",-11.643855094909668],["▁sofort",-11.643877983093262],["▁moisture",-11.644058227539062],["limb",-11.6441011428833],["entre",-11.644328117370605],["▁SD",-11.644330978393555],["▁BC",-11.644539833068848],["▁selecting",-11.6445951461792],["achieving",-11.644673347473145],["info",-11.644735336303711],["▁membres",-11.644983291625977],["▁shoe",-11.645014762878418],["▁locate",-11.645065307617188],["▁assignment",-11.645085334777832],["lern",-11.645283699035645],["▁defeat",-11.645406723022461],["▁endless",-11.645458221435547],["▁Stunden",-11.645523071289062],["то",-11.645561218261719],["▁mur",-11.645586013793945],["▁wissen",-11.645844459533691],["aime",-11.645915031433105],["1-2",-11.646056175231934],["▁femme",-11.646212577819824],["robe",-11.646468162536621],["▁embrace",-11.64647102355957],["▁baseball",-11.646614074707031],["▁hunting",-11.64663314819336],["betrieb",-11.646790504455566],["▁gardens",-11.647045135498047],["▁risc",-11.647096633911133],["▁Cri",-11.647263526916504],["best",-11.647506713867188],["▁Audio",-11.647621154785156],["▁intens",-11.647659301757812],["▁Round",-11.647744178771973],["▁fireplace",-11.6478271484375],["▁dozen",-11.647912979125977],["▁hospitals",-11.64802360534668],["▁profits",-11.648076057434082],["▁Mail",-11.64811897277832],["obtenir",-11.648191452026367],["▁Ross",-11.648241996765137],["bun",-11.648573875427246],["polar",-11.648688316345215],["▁reflection",-11.648873329162598],["▁fut",-11.648992538452148],["phon",-11.649017333984375],["deck",-11.649094581604004],["renowned",-11.649188041687012],["▁cate",-11.649308204650879],["▁decorative",-11.6494722366333],["ieri",-11.64957332611084],["▁Tap",-11.64958381652832],["▁Dallas",-11.649600982666016],["rik",-11.649665832519531],["▁pied",-11.649727821350098],["rés",-11.649821281433105],["ppy",-11.650137901306152],["▁bitte",-11.650188446044922],["▁cave",-11.650257110595703],["▁rescue",-11.650559425354004],["▁Hilfe",-11.650714874267578],["▁Jason",-11.650786399841309],["▁Nations",-11.650838851928711],["▁profil",-11.650938987731934],["▁Atlantic",-11.651105880737305],["▁rub",-11.651126861572266],["▁collaborative",-11.65113353729248],["étude",-11.651150703430176],["▁Workshop",-11.651389122009277],["nez",-11.651628494262695],["▁chacun",-11.651714324951172],["▁Too",-11.65211296081543],["App",-11.652313232421875],["▁conseil",-11.652399063110352],["▁signals",-11.652474403381348],["▁Dead",-11.652497291564941],["▁Austria",-11.652522087097168],["▁slots",-11.652579307556152],["▁Dies",-11.652623176574707],["raj",-11.652629852294922],["stick",-11.652833938598633],["▁jaw",-11.653030395507812],["▁lounge",-11.653059005737305],["curi",-11.653359413146973],["nem",-11.653456687927246],["▁Cluj",-11.653512954711914],["▁rapide",-11.653584480285645],["▁companion",-11.653716087341309],["▁WE",-11.653879165649414],["▁bord",-11.65389347076416],["ody",-11.654045104980469],["gru",-11.654057502746582],["▁46",-11.654410362243652],["kra",-11.654717445373535],["eller",-11.65477180480957],["naire",-11.65511703491211],["hose",-11.655253410339355],["▁Atlanta",-11.655254364013672],["▁violent",-11.65530776977539],["▁imagination",-11.655352592468262],["▁reward",-11.655389785766602],["▁Korean",-11.655441284179688],["▁branches",-11.655501365661621],["▁GPS",-11.655625343322754],["glo",-11.655633926391602],["▁condo",-11.655705451965332],["▁Investment",-11.655765533447266],["▁involvement",-11.655813217163086],["▁trap",-11.655829429626465],["▁schön",-11.655872344970703],["▁ofera",-11.655933380126953],["▁unterschiedlich",-11.65596866607666],["Net",-11.655987739562988],["▁predict",-11.656113624572754],["identifying",-11.656309127807617],["▁noir",-11.6566162109375],["kos",-11.656816482543945],["poz",-11.656816482543945],["▁11,",-11.65698528289795],["▁fitted",-11.657384872436523],["MU",-11.657469749450684],["TT",-11.657645225524902],["▁vrea",-11.657846450805664],["▁wound",-11.657864570617676],["lac",-11.657971382141113],["▁purchases",-11.658409118652344],["▁Cape",-11.65843677520752],["▁Foto",-11.658537864685059],["▁acres",-11.65865707397461],["▁nec",-11.658677101135254],["▁burning",-11.659050941467285],["conf",-11.659457206726074],["▁browse",-11.659486770629883],["ural",-11.659762382507324],["▁Ah",-11.659841537475586],["▁stellt",-11.65992259979248],["▁ratings",-11.660012245178223],["▁Bowl",-11.660027503967285],["▁grav",-11.660289764404297],["titi",-11.66048526763916],["▁prêt",-11.66075325012207],["▁fallen",-11.660818099975586],["▁nombreuses",-11.660940170288086],["train",-11.660953521728516],["ène",-11.661009788513184],["Aceasta",-11.661091804504395],["▁drill",-11.661421775817871],["▁Exam",-11.661477088928223],["▁Furniture",-11.661651611328125],["eanu",-11.661919593811035],["étant",-11.66230297088623],["sville",-11.662391662597656],["▁swim",-11.662796020507812],["▁routes",-11.662826538085938],["INE",-11.662860870361328],["▁Por",-11.662976264953613],["ither",-11.663168907165527],["▁optim",-11.663180351257324],["▁lua",-11.66331958770752],["▁myth",-11.663491249084473],["▁Bett",-11.6635103225708],["chim",-11.66355037689209],["▁cyber",-11.663553237915039],["▁engineer",-11.663825035095215],["▁exploration",-11.663918495178223],["arranged",-11.663973808288574],["▁aged",-11.663993835449219],["▁beau",-11.664024353027344],["OUT",-11.66402530670166],["▁Minnesota",-11.664031982421875],["tress",-11.664407730102539],["▁Commercial",-11.664509773254395],["▁inspiring",-11.66462516784668],["▁Mare",-11.664725303649902],["apa",-11.665140151977539],["▁ignore",-11.6651611328125],["▁gros",-11.665186882019043],["▁measurement",-11.66531753540039],["ager",-11.665395736694336],["intele",-11.665966987609863],["▁suspension",-11.666180610656738],["▁cultures",-11.666211128234863],["▁Wow",-11.666231155395508],["▁pushing",-11.666363716125488],["▁bands",-11.666438102722168],["nage",-11.666450500488281],["▁Math",-11.666515350341797],["comb",-11.66658878326416],["▁créer",-11.66658878326416],["▁Lewis",-11.666685104370117],["▁VI",-11.66678524017334],["emploi",-11.666791915893555],["▁elections",-11.666890144348145],["▁logic",-11.666982650756836],["▁unlike",-11.667122840881348],["▁Matthew",-11.66743278503418],["▁pă",-11.667486190795898],["oxy",-11.667620658874512],["équipe",-11.667717933654785],["▁worden",-11.668088912963867],["dev",-11.668258666992188],["▁Massachusetts",-11.668691635131836],["▁Return",-11.668695449829102],["▁Friends",-11.66891098022461],["▁movements",-11.66894245147705],["chie",-11.668964385986328],["rak",-11.669017791748047],["▁Fit",-11.66904354095459],["▁copil",-11.669113159179688],["iunii",-11.669188499450684],["▁intensive",-11.669234275817871],["▁rug",-11.669452667236328],["lichkeit",-11.669686317443848],["kov",-11.669724464416504],["▁pense",-11.66978645324707],["pop",-11.66978931427002],["▁closet",-11.669865608215332],["▁prevention",-11.669920921325684],["▁Deb",-11.670256614685059],["▁devant",-11.670430183410645],["▁construit",-11.670440673828125],["▁breaks",-11.67082405090332],["otic",-11.670886993408203],["▁dig",-11.67088794708252],["▁près",-11.670930862426758],["chte",-11.671029090881348],["▁Chat",-11.671029090881348],["wel",-11.671219825744629],["▁edges",-11.671272277832031],["▁keen",-11.671419143676758],["▁infant",-11.671716690063477],["▁Hills",-11.6719388961792],["▁grounds",-11.671969413757324],["▁hab",-11.672039031982422],["▁Mun",-11.67215347290039],["▁references",-11.672215461730957],["▁hearts",-11.672446250915527],["exprim",-11.672487258911133],["▁tratament",-11.672553062438965],["LD",-11.67258358001709],["ssel",-11.67275333404541],["cover",-11.672782897949219],["bridge",-11.672837257385254],["▁Wein",-11.672924995422363],["▁voiture",-11.673035621643066],["▁Gemeinde",-11.67313289642334],["AI",-11.673169136047363],["▁renovation",-11.673264503479004],["bid",-11.673285484313965],["▁Reading",-11.673481941223145],["▁Gor",-11.673490524291992],["fur",-11.673527717590332],["▁Yoga",-11.673544883728027],["▁exclusively",-11.673630714416504],["▁emissions",-11.67385482788086],["ète",-11.673905372619629],["▁glasses",-11.674055099487305],["▁organizat",-11.674135208129883],["▁washing",-11.67415714263916],["▁Audi",-11.674173355102539],["▁Labor",-11.674331665039062],["▁legacy",-11.674381256103516],["▁abstract",-11.674519538879395],["▁knowledgeable",-11.674601554870605],["▁Glo",-11.674795150756836],["▁pregnant",-11.67481803894043],["liter",-11.674851417541504],["▁paintings",-11.67522144317627],["▁tête",-11.675244331359863],["voy",-11.675626754760742],["▁Jacob",-11.675667762756348],["▁dressing",-11.675679206848145],["▁provisions",-11.675768852233887],["bahn",-11.675870895385742],["▁depict",-11.675875663757324],["AW",-11.676068305969238],["▁bleibt",-11.676163673400879],["AND",-11.676292419433594],["▁fünf",-11.676386833190918],["▁hosts",-11.676426887512207],["vas",-11.676708221435547],["DO",-11.67674732208252],["▁max",-11.676753997802734],["▁contributed",-11.676774978637695],["roz",-11.676796913146973],["▁deschis",-11.676800727844238],["itaire",-11.676809310913086],["tube",-11.676959991455078],["▁Beck",-11.676959991455078],["▁curious",-11.677130699157715],["▁waves",-11.677178382873535],["▁regret",-11.677248001098633],["FO",-11.677326202392578],["droit",-11.67734146118164],["rö",-11.677565574645996],["▁Panel",-11.677624702453613],["▁pile",-11.677660942077637],["▁installing",-11.677674293518066],["▁Intr",-11.677797317504883],["nung",-11.677823066711426],["▁Outdoor",-11.677855491638184],["▁generator",-11.67786693572998],["▁zahlreiche",-11.677868843078613],["▁Third",-11.67813491821289],["frac",-11.678180694580078],["ovi",-11.678236961364746],["▁Casa",-11.678374290466309],["▁stomach",-11.678393363952637],["▁Lincoln",-11.67844009399414],["▁Electronic",-11.678584098815918],["coding",-11.67895221710205],["2017",-11.67900276184082],["▁friendship",-11.679238319396973],["ried",-11.679250717163086],["но",-11.679265022277832],["▁tail",-11.679267883300781],["▁petits",-11.679308891296387],["▁réseau",-11.679696083068848],["▁churches",-11.679999351501465],["▁marketplace",-11.680062294006348],["▁Pool",-11.680318832397461],["▁popularity",-11.680455207824707],["▁sprijin",-11.680496215820312],["▁Od",-11.680527687072754],["▁Transfer",-11.680562973022461],["▁fake",-11.680791854858398],["▁9,",-11.681007385253906],["▁weit",-11.681264877319336],["▁relaxed",-11.681415557861328],["pig",-11.68161678314209],["▁Lauren",-11.68166732788086],["gesetzt",-11.681669235229492],["▁Clar",-11.681694984436035],["▁unlikely",-11.681731224060059],["color",-11.681832313537598],["▁spouse",-11.681843757629395],["▁facile",-11.681859970092773],["▁Speed",-11.681872367858887],["KE",-11.682230949401855],["▁PO",-11.68231201171875],["▁Channel",-11.682321548461914],["argent",-11.682356834411621],["▁Making",-11.682430267333984],["▁Coll",-11.682585716247559],["cci",-11.682721138000488],["corresponding",-11.68300724029541],["▁heaven",-11.683160781860352],["ţă",-11.68319320678711],["▁darüber",-11.683236122131348],["acted",-11.683420181274414],["only",-11.683460235595703],["▁slight",-11.683465003967285],["lian",-11.68348503112793],["flă",-11.683510780334473],["▁vulnerable",-11.683530807495117],["▁creator",-11.68356704711914],["▁protecting",-11.68360424041748],["writing",-11.68360710144043],["▁Ter",-11.68387222290039],["▁barb",-11.683987617492676],["▁dată",-11.683995246887207],["▁Screen",-11.684052467346191],["▁BBC",-11.684082984924316],["Col",-11.684206008911133],["fung",-11.684453964233398],["▁dreptul",-11.684494972229004],["derived",-11.684538841247559],["▁designated",-11.684553146362305],["▁interactions",-11.684617042541504],["SG",-11.684621810913086],["▁häufig",-11.684625625610352],["▁Mega",-11.684638023376465],["▁jazz",-11.684660911560059],["lbs",-11.684797286987305],["▁Manual",-11.68484115600586],["pushed",-11.685017585754395],["▁analytics",-11.685234069824219],["▁lawsuit",-11.68533706665039],["▁gray",-11.685364723205566],["shirts",-11.685401916503906],["▁hill",-11.685508728027344],["▁1991",-11.68550968170166],["▁obligations",-11.685568809509277],["▁Dubai",-11.68580436706543],["()",-11.685808181762695],["▁acceptable",-11.685810089111328],["therapist",-11.685877799987793],["inger",-11.6860990524292],["▁territory",-11.686208724975586],["▁sang",-11.6862211227417],["ät",-11.686224937438965],["▁Zukunft",-11.686238288879395],["TU",-11.68657398223877],["▁horizontal",-11.68665599822998],["▁entrepreneurs",-11.686710357666016],["▁Eltern",-11.687017440795898],["▁presentations",-11.687129974365234],["▁confirmation",-11.687173843383789],["▁technological",-11.687432289123535],["▁1989",-11.687530517578125],["EF",-11.687640190124512],["ponent",-11.687663078308105],["NET",-11.687699317932129],["750",-11.687772750854492],["▁desert",-11.687891960144043],["▁contribu",-11.687932968139648],["▁Gun",-11.687944412231445],["▁Juli",-11.688091278076172],["ERS",-11.688261985778809],["▁inceput",-11.688261985778809],["▁answered",-11.688369750976562],["▁basement",-11.688410758972168],["film",-11.688434600830078],["▁taille",-11.688593864440918],["▁survival",-11.688655853271484],["ihnen",-11.68869400024414],["▁Bird",-11.688840866088867],["speed",-11.689336776733398],["▁journalist",-11.68941879272461],["▁Indonesia",-11.689626693725586],["▁15.",-11.689973831176758],["▁19.",-11.690025329589844],["étaient",-11.690114974975586],["▁tennis",-11.69024658203125],["▁aproximativ",-11.69039249420166],["▁Hans",-11.690650939941406],["▁Remove",-11.69067096710205],["▁cats",-11.691022872924805],["▁calories",-11.691052436828613],["▁limitations",-11.69119644165039],["▁subscribe",-11.691198348999023],["▁Dem",-11.691339492797852],["lust",-11.691370010375977],["▁adresa",-11.691394805908203],["▁sais",-11.69140911102295],["...\"",-11.691473960876465],["▁Luft",-11.691485404968262],["DL",-11.691597938537598],["▁estimates",-11.691600799560547],["▁protocol",-11.691603660583496],["▁Namen",-11.691776275634766],["▁grands",-11.691901206970215],["▁voter",-11.691970825195312],["▁vacuum",-11.692075729370117],["▁versch",-11.692103385925293],["▁Democratic",-11.692107200622559],["▁Books",-11.692170143127441],["▁frames",-11.692727088928223],["▁Bee",-11.692864418029785],["▁helfen",-11.692934036254883],["▁dive",-11.692963600158691],["▁physician",-11.693037033081055],["▁powered",-11.693131446838379],["▁zones",-11.693337440490723],["▁regime",-11.69345474243164],["check",-11.693578720092773],["11.",-11.693793296813965],["▁plaisir",-11.693793296813965],["▁physically",-11.693811416625977],["▁Pul",-11.694245338439941],["▁jardin",-11.694294929504395],["▁Nur",-11.694417953491211],["WC",-11.694425582885742],["▁Lock",-11.694506645202637],["▁économique",-11.694530487060547],["user",-11.694536209106445],["▁commit",-11.694731712341309],["▁oldest",-11.694764137268066],["▁fulfill",-11.694780349731445],["▁nervous",-11.69482135772705],["▁SH",-11.695014953613281],["SK",-11.695150375366211],["▁plein",-11.695291519165039],["show",-11.695354461669922],["▁disability",-11.695356369018555],["papier",-11.69544506072998],["▁Corp",-11.695611000061035],["ători",-11.695676803588867],["nţă",-11.695813179016113],["▁overseas",-11.696009635925293],["▁struck",-11.69603157043457],["astic",-11.69607162475586],["▁advised",-11.696088790893555],["BE",-11.696161270141602],["▁UV",-11.696218490600586],["patient",-11.69626235961914],["▁texte",-11.696344375610352],["▁timely",-11.696444511413574],["used",-11.696471214294434],["▁occasionally",-11.696524620056152],["▁entries",-11.696550369262695],["underlying",-11.6967191696167],["01.",-11.696748733520508],["▁automated",-11.696791648864746],["yes",-11.696828842163086],["▁Staff",-11.697057723999023],["▁Einzel",-11.697546005249023],["quit",-11.697687149047852],["▁Cela",-11.697951316833496],["▁snap",-11.698298454284668],["▁followers",-11.698330879211426],["CN",-11.698709487915039],["▁Cooper",-11.698892593383789],["ô",-11.698921203613281],["▁memorable",-11.698965072631836],["▁jur",-11.698996543884277],["▁ajutorul",-11.69905948638916],["▁Enter",-11.6991548538208],["Often",-11.699294090270996],["▁dintr",-11.699341773986816],["-30",-11.699419975280762],["ESS",-11.699454307556152],["▁weird",-11.699462890625],["▁Animal",-11.699706077575684],["▁complement",-11.699719429016113],["▁Bot",-11.699756622314453],["▁darf",-11.699764251708984],["yed",-11.699808120727539],["▁Mul",-11.699872016906738],["lick",-11.700080871582031],["▁Cambridge",-11.700216293334961],["adore",-11.700407981872559],["▁Dutch",-11.700420379638672],["▁Castle",-11.700431823730469],["igi",-11.700563430786133],["▁enemy",-11.70071029663086],["accompanied",-11.700725555419922],["▁teren",-11.701102256774902],["▁ET",-11.701498985290527],["ffle",-11.701557159423828],["-15",-11.701651573181152],["▁Geo",-11.701680183410645],["▁attractions",-11.701730728149414],["iker",-11.70185661315918],["▁bă",-11.701990127563477],["▁heal",-11.701995849609375],["weisen",-11.702144622802734],["▁spectrum",-11.702186584472656],["meld",-11.702394485473633],["▁eveniment",-11.70247745513916],["arra",-11.702478408813477],["rete",-11.70250129699707],["▁Had",-11.70250415802002],["looking",-11.702692031860352],["isierung",-11.702805519104004],["▁moyen",-11.703129768371582],["▁gesamte",-11.703202247619629],["▁destroy",-11.703407287597656],["125",-11.703518867492676],["▁suivant",-11.703913688659668],["▁declared",-11.703925132751465],["▁Urban",-11.704131126403809],["▁16.",-11.704168319702148],["▁Beg",-11.704168319702148],["▁canal",-11.704225540161133],["▁Pres",-11.70431137084961],["▁geeignet",-11.704339981079102],["▁strat",-11.704365730285645],["UB",-11.704395294189453],["▁Alexander",-11.704424858093262],["cycle",-11.704666137695312],["▁Var",-11.704802513122559],["▁domin",-11.704805374145508],["▁lasting",-11.704939842224121],["terio",-11.705262184143066],["▁Battle",-11.705339431762695],["▁publications",-11.705647468566895],["▁implica",-11.705886840820312],["▁NA",-11.705963134765625],["▁stocks",-11.706036567687988],["Plat",-11.70611572265625],["▁excitement",-11.706149101257324],["▁Muslim",-11.706524848937988],["▁Mari",-11.706530570983887],["▁Ul",-11.706647872924805],["nächst",-11.706757545471191],["▁trait",-11.706833839416504],["▁(3)",-11.706852912902832],["▁Attorney",-11.706894874572754],["▁Malaysia",-11.70689582824707],["▁slab",-11.706960678100586],["▁dam",-11.707113265991211],["▁Bir",-11.707226753234863],["▁sing",-11.70738410949707],["▁Culture",-11.7073974609375],["UD",-11.707417488098145],["▁Mes",-11.707443237304688],["ități",-11.707615852355957],["▁possess",-11.708173751831055],["enabling",-11.70820426940918],["▁settled",-11.708335876464844],["▁sagen",-11.708492279052734],["▁erfolgt",-11.708564758300781],["dog",-11.708600997924805],["ndu",-11.708732604980469],["ității",-11.708745002746582],["▁Islam",-11.708930015563965],["▁catalog",-11.708931922912598],["▁simt",-11.709102630615234],["tische",-11.709150314331055],["▁Mach",-11.709334373474121],["▁EP",-11.709359169006348],["▁Certified",-11.709386825561523],["▁Resources",-11.70945930480957],["▁Past",-11.709607124328613],["▁Termin",-11.709755897521973],["▁lightweight",-11.709755897521973],["▁championship",-11.70994758605957],["gebiet",-11.710122108459473],["▁jurisdiction",-11.710135459899902],["▁euros",-11.710169792175293],["▁Familien",-11.710554122924805],["▁GT",-11.710677146911621],["▁dvs",-11.71081256866455],["▁nouveaux",-11.710838317871094],["▁chill",-11.710916519165039],["▁ridicat",-11.710920333862305],["his",-11.711079597473145],["▁Indi",-11.711159706115723],["▁arrested",-11.71116828918457],["ităţii",-11.711170196533203],["onul",-11.711274147033691],["appar",-11.711296081542969],["▁Bachelor",-11.711297988891602],["▁erfolgreich",-11.711426734924316],["▁versatile",-11.71163558959961],["▁nécessaire",-11.711761474609375],["▁facial",-11.712160110473633],["▁Bull",-11.712226867675781],["Comm",-11.712237358093262],["atte",-11.712307929992676],["hom",-11.7123384475708],["start",-11.712576866149902],["▁roughly",-11.712936401367188],["▁bay",-11.712984085083008],["▁american",-11.712986946105957],["▁Wisconsin",-11.713135719299316],["▁Clinton",-11.713142395019531],["appareil",-11.713153839111328],["▁liberal",-11.713455200195312],["▁dau",-11.713519096374512],["ech",-11.713521957397461],["2014",-11.713624000549316],["▁lip",-11.713645935058594],["▁maintenant",-11.713762283325195],["▁Sil",-11.713805198669434],["rben",-11.713891983032227],["▁contents",-11.713980674743652],["▁magnetic",-11.714111328125],["▁terre",-11.714151382446289],["▁Rights",-11.714475631713867],["lose",-11.714570045471191],["▁crown",-11.71468448638916],["▁oils",-11.7147216796875],["▁entertaining",-11.714841842651367],["▁Option",-11.714848518371582],["▁Previous",-11.714916229248047],["▁vrai",-11.714930534362793],["▁Auswahl",-11.715056419372559],["▁horses",-11.715106010437012],["▁Author",-11.71533489227295],["▁Writing",-11.715461730957031],["▁travelling",-11.715522766113281],["▁350",-11.715567588806152],["daten",-11.71560287475586],["zan",-11.715765953063965],["▁sweat",-11.715924263000488],["▁Junior",-11.715970993041992],["markt",-11.71609878540039],["after",-11.716105461120605],["▁admitted",-11.716262817382812],["▁1950",-11.716347694396973],["▁Sche",-11.71648120880127],["▁dorit",-11.716818809509277],["▁transferred",-11.716958045959473],["utilise",-11.717194557189941],["sitz",-11.717301368713379],["gio",-11.717320442199707],["▁bisher",-11.717473983764648],["RD",-11.717491149902344],["▁Wales",-11.717747688293457],["▁smoking",-11.717904090881348],["dire",-11.717939376831055],["▁seating",-11.717979431152344],["▁constat",-11.718056678771973],["▁Hub",-11.718324661254883],["▁sieht",-11.718345642089844],["▁prospect",-11.718378067016602],["▁RO",-11.718413352966309],["▁Wars",-11.718423843383789],["eek",-11.718496322631836],["▁Bring",-11.718646049499512],["▁bleiben",-11.718696594238281],["arri",-11.718826293945312],["inal",-11.718904495239258],["▁Maryland",-11.718932151794434],["▁Process",-11.719145774841309],["They",-11.719154357910156],["▁Oxford",-11.719176292419434],["▁neat",-11.719330787658691],["▁cinema",-11.719597816467285],["▁Ist",-11.719620704650879],["▁vegan",-11.719682693481445],["wall",-11.719708442687988],["▁motive",-11.72010612487793],["▁mature",-11.720544815063477],["▁Dragon",-11.720653533935547],["▁google",-11.720677375793457],["blick",-11.72110652923584],["▁Cod",-11.721220970153809],["▁suffi",-11.721319198608398],["▁terrorist",-11.721478462219238],["Posted",-11.721484184265137],["▁Schi",-11.72157096862793],["▁Marc",-11.721597671508789],["▁operates",-11.721661567687988],["gress",-11.721805572509766],["has",-11.721899032592773],["sole",-11.722108840942383],["▁Buck",-11.722122192382812],["impl",-11.722160339355469],["▁Ron",-11.722172737121582],["▁handled",-11.722346305847168],["▁Apr",-11.722347259521484],["▁Storage",-11.722467422485352],["▁temp",-11.722512245178223],["▁differently",-11.722614288330078],["▁wherever",-11.722670555114746],["matched",-11.722695350646973],["rios",-11.72276496887207],["▁surprising",-11.722846031188965],["teilen",-11.722867965698242],["▁difficulties",-11.72294807434082],["tab",-11.723064422607422],["▁Leader",-11.723128318786621],["implementing",-11.723372459411621],["▁workforce",-11.723384857177734],["▁bereit",-11.723503112792969],["vig",-11.72352123260498],["▁LOVE",-11.723580360412598],["▁instances",-11.723954200744629],["▁frumos",-11.723960876464844],["▁Java",-11.723974227905273],["▁arrest",-11.723977088928223],["▁apparent",-11.724152565002441],["▁hence",-11.724200248718262],["▁entwickelt",-11.72437572479248],["▁Fra",-11.724471092224121],["▁prend",-11.724486351013184],["ließ",-11.724522590637207],["▁drawer",-11.724671363830566],["ARD",-11.724926948547363],["▁caring",-11.72499942779541],["▁wollte",-11.725024223327637],["▁vielleicht",-11.72511100769043],["▁iconic",-11.725324630737305],["äch",-11.72552490234375],["abel",-11.725639343261719],["▁génér",-11.72570514678955],["ault",-11.725727081298828],["▁alternatives",-11.725909233093262],["think",-11.726025581359863],["ро",-11.726055145263672],["whereas",-11.726058006286621],["erei",-11.726366996765137],["▁Eagle",-11.726766586303711],["situé",-11.72704792022705],["▁laboratory",-11.727157592773438],["▁Nutzung",-11.727256774902344],["▁Bathroom",-11.72728157043457],["▁loaded",-11.727293968200684],["niste",-11.727408409118652],["som",-11.727429389953613],["▁aucun",-11.727666854858398],["gebracht",-11.727676391601562],["▁tomb",-11.727771759033203],["▁Ty",-11.727785110473633],["▁afaceri",-11.727971076965332],["tex",-11.72803783416748],["ality",-11.728147506713867],["▁identification",-11.728150367736816],["▁cultiv",-11.728255271911621],["Not",-11.728326797485352],["▁acestor",-11.72846508026123],["▁PhD",-11.728466033935547],["nell",-11.728470802307129],["▁dial",-11.728594779968262],["chro",-11.728673934936523],["▁specifications",-11.728682518005371],["anii",-11.72877025604248],["▁cloth",-11.728836059570312],["▁highway",-11.728914260864258],["▁Vitamin",-11.729118347167969],["▁indication",-11.729349136352539],["80%",-11.72959041595459],["▁Lion",-11.729681015014648],["▁10,",-11.729693412780762],["▁Werk",-11.72974967956543],["▁combin",-11.729803085327148],["▁releases",-11.7298583984375],["LL",-11.730006217956543],["ktor",-11.730186462402344],["ufgrund",-11.73018741607666],["calc",-11.73034381866455],["▁accomplished",-11.730606079101562],["▁los",-11.730619430541992],["▁distant",-11.730688095092773],["▁secteur",-11.73068904876709],["logue",-11.730781555175781],["▁betting",-11.730792999267578],["elf",-11.731180191040039],["puteti",-11.73123550415039],["▁Moment",-11.731236457824707],["▁scoring",-11.731548309326172],["▁freuen",-11.731572151184082],["▁fastest",-11.731873512268066],["▁directors",-11.732080459594727],["▁fame",-11.732234954833984],["▁complaint",-11.732239723205566],["▁Ep",-11.732314109802246],["▁delicate",-11.732329368591309],["annonce",-11.73240852355957],["ext",-11.732454299926758],["▁quit",-11.732473373413086],["▁Cop",-11.73253345489502],["prop",-11.732565879821777],["365",-11.732742309570312],["▁Say",-11.732879638671875],["▁internationale",-11.733064651489258],["cott",-11.733213424682617],["▁Whatever",-11.733261108398438],["▁admir",-11.733261108398438],["▁bucur",-11.733549118041992],["▁entity",-11.733779907226562],["▁dancing",-11.733837127685547],["▁printre",-11.733892440795898],["▁meditation",-11.734396934509277],["▁avis",-11.734416961669922],["▁1988",-11.73447036743164],["10.",-11.734506607055664],["▁worker",-11.734638214111328],["▁$100",-11.734784126281738],["▁contrôle",-11.7349853515625],["▁insist",-11.734997749328613],["ements",-11.73505973815918],["izate",-11.735163688659668],["▁tied",-11.735332489013672],["▁correspond",-11.735396385192871],["▁apartments",-11.735547065734863],["▁2009.",-11.735599517822266],["▁tiles",-11.735624313354492],["▁boots",-11.735639572143555],["▁laundry",-11.735673904418945],["▁Coffee",-11.735674858093262],["▁CV",-11.735727310180664],["▁composed",-11.736035346984863],["atom",-11.73622989654541],["▁shore",-11.736270904541016],["▁marijuana",-11.736312866210938],["plic",-11.73648452758789],["▁Zahl",-11.736649513244629],["depth",-11.73682689666748],["▁Egypt",-11.736854553222656],["▁NFL",-11.736906051635742],["▁12,",-11.736922264099121],["▁pollution",-11.736964225769043],["▁Vergleich",-11.73704719543457],["û",-11.737109184265137],["▁nurse",-11.737153053283691],["▁Susan",-11.737173080444336],["▁verify",-11.737393379211426],["▁kon",-11.737504959106445],["▁ulei",-11.7376127243042],["▁Sept",-11.737699508666992],["▁Location",-11.737908363342285],["▁frozen",-11.737991333007812],["good",-11.73802661895752],["▁cine",-11.738066673278809],["forming",-11.738181114196777],["▁Near",-11.738391876220703],["▁Tab",-11.738545417785645],["▁Alexandr",-11.738600730895996],["ст",-11.73863697052002],["CK",-11.738656044006348],["▁loads",-11.738948822021484],["▁disorders",-11.738957405090332],["hip",-11.739596366882324],["▁blessing",-11.73987102508545],["▁vechi",-11.73997688293457],["▁Bookmark",-11.740296363830566],["SON",-11.74036979675293],["books",-11.740428924560547],["▁tropical",-11.740438461303711],["▁Garten",-11.740447044372559],["ôt",-11.740760803222656],["tures",-11.740827560424805],["▁obligation",-11.741010665893555],["▁admin",-11.741011619567871],["▁sélection",-11.741106986999512],["disp",-11.741172790527344],["▁Anyone",-11.741225242614746],["keeper",-11.74138355255127],["▁konnten",-11.741521835327148],["▁existe",-11.741615295410156],["▁Rund",-11.741798400878906],["▁retailers",-11.74184799194336],["folg",-11.741948127746582],["▁urmare",-11.742019653320312],["▁Liebe",-11.742321014404297],["▁actors",-11.742422103881836],["▁Druck",-11.742618560791016],["lien",-11.742752075195312],["sian",-11.742847442626953],["▁partid",-11.74304485321045],["▁loin",-11.743114471435547],["AZ",-11.743119239807129],["oasă",-11.743501663208008],["▁inclusiv",-11.743656158447266],["TD",-11.743680953979492],["▁anului",-11.743766784667969],["poc",-11.743844985961914],["▁musique",-11.743972778320312],["▁Hart",-11.743997573852539],["Sh",-11.744283676147461],["html",-11.744290351867676],["▁serial",-11.744318008422852],["țele",-11.744369506835938],["inning",-11.744544982910156],["▁Bureau",-11.744555473327637],["▁rush",-11.744626998901367],["▁deosebit",-11.744637489318848],["▁Wort",-11.744648933410645],["▁Thailand",-11.744688987731934],["▁Language",-11.745193481445312],["▁Governor",-11.745213508605957],["▁Later",-11.74525260925293],["rilor",-11.745282173156738],["▁activités",-11.745372772216797],["schaffen",-11.745598793029785],["▁harvest",-11.74567985534668],["▁municipal",-11.745783805847168],["einander",-11.74600601196289],["▁fingers",-11.746383666992188],["▁sculpture",-11.74638843536377],["▁Bien",-11.746390342712402],["▁departments",-11.746562957763672],["▁période",-11.746746063232422],["▁jeune",-11.746960639953613],["▁governments",-11.74710750579834],["uter",-11.747179985046387],["Aceste",-11.747220039367676],["▁Deal",-11.747243881225586],["▁Equipment",-11.74726390838623],["nous",-11.747300148010254],["▁gate",-11.747315406799316],["▁meta",-11.747447967529297],["▁stiu",-11.747474670410156],["fold",-11.747486114501953],["▁seule",-11.747523307800293],["▁varied",-11.747541427612305],["hit",-11.747635841369629],["▁DIY",-11.74768352508545],["▁lemn",-11.747685432434082],["OB",-11.747865676879883],["▁colorful",-11.748095512390137],["▁câ",-11.74826431274414],["▁semester",-11.74830150604248],["▁dealer",-11.748575210571289],["nett",-11.748788833618164],["▁shortly",-11.748932838439941],["▁Driver",-11.748983383178711],["culture",-11.749052047729492],["▁permitted",-11.749072074890137],["▁sorts",-11.749432563781738],["▁crop",-11.74999713897705],["▁valoare",-11.75046157836914],["▁analog",-11.750576972961426],["▁excuse",-11.750588417053223],["▁modèle",-11.750657081604004],["When",-11.75068473815918],["▁march",-11.750744819641113],["haz",-11.750978469848633],["▁minimize",-11.750992774963379],["traction",-11.751028060913086],["▁caracter",-11.752382278442383],["▁modules",-11.7523832321167],["clu",-11.75244426727295],["ţional",-11.752482414245605],["▁breach",-11.752562522888184],["▁priced",-11.752614974975586],["▁attorneys",-11.752644538879395],["▁implant",-11.752645492553711],["▁ANY",-11.752655029296875],["dition",-11.752707481384277],["▁trials",-11.752838134765625],["▁Nas",-11.75293254852295],["Pre",-11.752970695495605],["lorsque",-11.752979278564453],["plin",-11.753050804138184],["Er",-11.753056526184082],["▁Dom",-11.753067970275879],["▁tire",-11.753190040588379],["sili",-11.753233909606934],["▁coins",-11.753350257873535],["▁rend",-11.753470420837402],["▁reliability",-11.753503799438477],["▁Analysis",-11.753508567810059],["▁trails",-11.753692626953125],["trägt",-11.753762245178223],["▁Kansas",-11.753908157348633],["▁responsive",-11.75390911102295],["▁disappear",-11.753988265991211],["▁stakeholders",-11.754022598266602],["▁aplica",-11.754164695739746],["▁imi",-11.754180908203125],["▁Laura",-11.754369735717773],["▁Terms",-11.75440788269043],["450",-11.754460334777832],["▁voltage",-11.754483222961426],["▁Gel",-11.754544258117676],["▁qualities",-11.754549026489258],["▁qualifi",-11.754603385925293],["▁Mé",-11.754735946655273],["bereit",-11.754829406738281],["gleich",-11.754875183105469],["▁voting",-11.754961013793945],["▁trademark",-11.755128860473633],["▁2.5",-11.75515079498291],["ND",-11.755438804626465],["▁Kelly",-11.755470275878906],["▁weiteren",-11.755559921264648],["▁filters",-11.75562572479248],["▁coût",-11.75562858581543],["jur",-11.755765914916992],["acre",-11.755804061889648],["▁retired",-11.756022453308105],["▁Engine",-11.756205558776855],["▁président",-11.756264686584473],["ajul",-11.756307601928711],["▁GA",-11.756425857543945],["rät",-11.75666332244873],["▁instructor",-11.756669998168945],["▁Allen",-11.75668716430664],["▁Delhi",-11.756771087646484],["▁cure",-11.756844520568848],["seite",-11.756898880004883],["coming",-11.756914138793945],["▁mixing",-11.756963729858398],["▁Kno",-11.757041931152344],["▁Sure",-11.757079124450684],["▁hired",-11.757102012634277],["▁participated",-11.757196426391602],["Count",-11.757320404052734],["treffen",-11.757355690002441],["▁54",-11.75735855102539],["▁rings",-11.75735855102539],["▁Thor",-11.757359504699707],["éro",-11.75744915008545],["▁buttons",-11.757488250732422],["▁47",-11.757539749145508],["▁Tel",-11.757694244384766],["▁suport",-11.757776260375977],["▁rhythm",-11.75782585144043],["▁Theater",-11.758113861083984],["▁informatii",-11.758121490478516],["hält",-11.758201599121094],["▁ouvert",-11.758238792419434],["fewer",-11.75828742980957],["▁alumni",-11.758466720581055],["▁valley",-11.758508682250977],["tial",-11.75860595703125],["***",-11.758782386779785],["kri",-11.75905704498291],["▁accidents",-11.759113311767578],["▁barrel",-11.759170532226562],["mobil",-11.759310722351074],["etti",-11.759437561035156],["▁immigration",-11.759515762329102],["▁poveste",-11.759528160095215],["hren",-11.759669303894043],["hydr",-11.759719848632812],["▁tweet",-11.759744644165039],["▁zip",-11.759872436523438],["▁Bonus",-11.760189056396484],["ordnung",-11.760287284851074],["liber",-11.76046085357666],["▁Navy",-11.760591506958008],["▁agreements",-11.760612487792969],["▁detection",-11.7607421875],["DF",-11.760762214660645],["hur",-11.760774612426758],["0.00",-11.760798454284668],["▁07",-11.760866165161133],["etta",-11.760884284973145],["▁13,",-11.760887145996094],["rolled",-11.760970115661621],["▁injection",-11.761002540588379],["mig",-11.761017799377441],["wach",-11.761107444763184],["▁choisir",-11.761515617370605],["▁professionnels",-11.76159954071045],["▁Tower",-11.76169490814209],["▁neighbor",-11.76170539855957],["deutschen",-11.76187801361084],["▁luxurious",-11.76201057434082],["▁walks",-11.762033462524414],["reti",-11.762046813964844],["▁Pad",-11.762085914611816],["wise",-11.762297630310059],["▁exhaust",-11.762307167053223],["▁demonstration",-11.762582778930664],["▁agricultural",-11.762667655944824],["Upon",-11.762885093688965],["▁Blu",-11.76292610168457],["atorul",-11.762967109680176],["amour",-11.762984275817871],["issant",-11.763004302978516],["▁delighted",-11.763031959533691],["rita",-11.763113021850586],["requiring",-11.763195037841797],["ivity",-11.763216972351074],["▁Unser",-11.763306617736816],["FP",-11.763379096984863],["fait",-11.763533592224121],["dite",-11.763562202453613],["kul",-11.763716697692871],["arth",-11.76376724243164],["▁Ker",-11.763815879821777],["torilor",-11.763816833496094],["stage",-11.763866424560547],["▁HTML",-11.76398754119873],["▁Wheel",-11.764005661010742],["▁quelque",-11.76414680480957],["▁Ou",-11.764196395874023],["▁considerable",-11.764277458190918],["▁Sco",-11.76458740234375],["▁donations",-11.76481819152832],["dessen",-11.765002250671387],["▁pourquoi",-11.765039443969727],["▁Bow",-11.765189170837402],["▁Dupa",-11.76522445678711],["ska",-11.765707015991211],["hot",-11.765732765197754],["▁drove",-11.765849113464355],["▁oppos",-11.766018867492676],["▁hiking",-11.766035079956055],["▁Boot",-11.766081809997559],["One",-11.766087532043457],["▁guvern",-11.766094207763672],["▁15,",-11.766400337219238],["scheid",-11.766437530517578],["▁Miet",-11.766458511352539],["▁Technical",-11.766767501831055],["▁Dal",-11.7669038772583],["▁Metro",-11.766966819763184],["▁Baker",-11.767215728759766],["▁trece",-11.767252922058105],["tained",-11.767302513122559],["block",-11.76738452911377],["▁wander",-11.767401695251465],["▁penalty",-11.76742172241211],["▁shipped",-11.767509460449219],["▁30%",-11.767518043518066],["group",-11.767541885375977],["▁brothers",-11.767701148986816],["▁comanda",-11.767777442932129],["▁retreat",-11.767789840698242],["▁Movie",-11.767802238464355],["PU",-11.76787281036377],["▁Jun",-11.767885208129883],["▁$6",-11.767969131469727],["▁Fal",-11.768054962158203],["▁Palestinian",-11.768075942993164],["▁soccer",-11.768217086791992],["▁Autor",-11.768254280090332],["▁chamber",-11.768266677856445],["nement",-11.768463134765625],["▁offense",-11.768610954284668],["▁gig",-11.768631935119629],["▁abandon",-11.768691062927246],["▁Kraft",-11.768783569335938],["▁Medicare",-11.768784523010254],["▁soap",-11.768835067749023],["▁Fur",-11.768990516662598],["▁conditioning",-11.769103050231934],["rained",-11.769132614135742],["▁puts",-11.769134521484375],["▁cod",-11.76930046081543],["lassen",-11.76941967010498],["FL",-11.769600868225098],["▁komplett",-11.769664764404297],["▁entscheiden",-11.769665718078613],["▁Hour",-11.769691467285156],["?!",-11.770040512084961],["Stream",-11.770145416259766],["▁Grad",-11.770209312438965],["▁gently",-11.770231246948242],["▁poetry",-11.770429611206055],["▁secured",-11.770438194274902],["oph",-11.770466804504395],["hop",-11.770561218261719],["handel",-11.770634651184082],["▁besoins",-11.770658493041992],["got",-11.770824432373047],["▁Chrome",-11.77088737487793],["ILL",-11.770930290222168],["▁Schritt",-11.771014213562012],["▁spell",-11.771063804626465],["▁grinding",-11.771334648132324],["▁ramp",-11.77144718170166],["▁mama",-11.7716064453125],["▁bottles",-11.77180290222168],["▁canvas",-11.771906852722168],["▁ecosystem",-11.77194595336914],["aţii",-11.771967887878418],["cellular",-11.772085189819336],["▁Spin",-11.772164344787598],["▁Discover",-11.772217750549316],["-17",-11.772322654724121],["▁feeding",-11.77246379852295],["▁stops",-11.7725191116333],["▁haute",-11.772552490234375],["▁Entscheidung",-11.7725830078125],["▁semble",-11.772590637207031],["▁acele",-11.772857666015625],["▁Walk",-11.773154258728027],["▁joke",-11.773180961608887],["▁Fed",-11.773294448852539],["climat",-11.773306846618652],["▁Lot",-11.773460388183594],["runner",-11.773551940917969],["▁flip",-11.773786544799805],["▁werde",-11.773818016052246],["▁Deck",-11.77417278289795],["bala",-11.774296760559082],["▁sacrifice",-11.774375915527344],["cid",-11.774388313293457],["him",-11.774569511413574],["zahlen",-11.774587631225586],["▁heater",-11.774596214294434],["formed",-11.774619102478027],["plus",-11.774711608886719],["▁util",-11.774742126464844],["rama",-11.775019645690918],["(4)",-11.7750244140625],["▁knife",-11.775111198425293],["▁traditions",-11.77520751953125],["▁dip",-11.775357246398926],["kill",-11.775405883789062],["▁Rich",-11.775418281555176],["▁DI",-11.775555610656738],["▁containers",-11.775677680969238],["▁locuri",-11.775728225708008],["▁continent",-11.775797843933105],["teilung",-11.776005744934082],["▁vreme",-11.776028633117676],["organisation",-11.776126861572266],["serie",-11.776135444641113],["▁Diamond",-11.776204109191895],["magazin",-11.77627944946289],["▁poster",-11.776455879211426],["▁passenger",-11.7765474319458],["▁soldiers",-11.776552200317383],["▁urgent",-11.776616096496582],["▁Lip",-11.77680778503418],["▁aşa",-11.776972770690918],["▁BO",-11.777024269104004],["▁somebody",-11.777076721191406],["▁silence",-11.777132034301758],["cop",-11.777359962463379],["▁Burn",-11.77749252319336],["▁stopping",-11.777544021606445],["▁essence",-11.777568817138672],["▁hitting",-11.777762413024902],["▁producers",-11.777801513671875],["▁fibre",-11.777894020080566],["▁seasonal",-11.777960777282715],["▁tara",-11.778096199035645],["▁Jose",-11.778099060058594],["▁Better",-11.77825927734375],["▁steep",-11.778295516967773],["Alors",-11.778353691101074],["▁collecting",-11.778507232666016],["vre",-11.778635025024414],["▁disabled",-11.77863883972168],["▁voters",-11.778679847717285],["consuming",-11.779092788696289],["deemed",-11.779115676879883],["éra",-11.779227256774902],["opération",-11.779273986816406],["▁roller",-11.779305458068848],["Rather",-11.779321670532227],["▁leider",-11.779370307922363],["▁IV",-11.779434204101562],["▁erreichen",-11.779473304748535],["▁charging",-11.779657363891602],["tions",-11.77973747253418],["tiques",-11.779861450195312],["▁formats",-11.779876708984375],["▁painful",-11.78000545501709],["▁eager",-11.780061721801758],["generation",-11.780137062072754],["anna",-11.780235290527344],["▁races",-11.780323028564453],["force",-11.780357360839844],["▁ferm",-11.780522346496582],["▁breathing",-11.780618667602539],["▁offen",-11.780648231506348],["▁minds",-11.780805587768555],["▁musste",-11.780832290649414],["▁Vision",-11.780888557434082],["▁Installation",-11.780988693237305],["▁hesitate",-11.781002044677734],["▁somit",-11.781023979187012],["hôtel",-11.781044006347656],["cab",-11.781235694885254],["-16",-11.781312942504883],["▁Visual",-11.781418800354004],["intérêt",-11.781524658203125],["▁apel",-11.781831741333008],["therapy",-11.782089233398438],["volt",-11.78225040435791],["▁Rou",-11.782439231872559],["▁efficace",-11.782464027404785],["▁architectural",-11.782605171203613],["▁privilege",-11.782670974731445],["▁treating",-11.782711029052734],["▁Tam",-11.782722473144531],["tsch",-11.782744407653809],["building",-11.782750129699707],["▁associations",-11.782929420471191],["▁Consumer",-11.783424377441406],["▁Lim",-11.783496856689453],["newest",-11.7835054397583],["▁față",-11.783675193786621],["▁ships",-11.783732414245605],["lev",-11.78373908996582],["raft",-11.783817291259766],["▁variations",-11.783845901489258],["▁noua",-11.78386402130127],["▁Cab",-11.784063339233398],["1.2",-11.78409481048584],["▁ocazi",-11.784347534179688],["▁recommendation",-11.784449577331543],["titled",-11.78445053100586],["▁invoice",-11.78459644317627],["▁noastra",-11.784647941589355],["kur",-11.784700393676758],["issent",-11.784758567810059],["base",-11.784778594970703],["hä",-11.7848482131958],["888",-11.784914016723633],["▁declar",-11.784941673278809],["▁Football",-11.7850341796875],["▁Indeed",-11.785293579101562],["▁weapon",-11.785333633422852],["▁destroyed",-11.785457611083984],["▁enormous",-11.785594940185547],["▁blanket",-11.7857084274292],["▁aktiv",-11.785759925842285],["raw",-11.785791397094727],["▁computing",-11.785823822021484],["6)",-11.785955429077148],["▁Dam",-11.786152839660645],["▁confort",-11.786174774169922],["▁Gla",-11.786198616027832],["hardly",-11.786242485046387],["▁annually",-11.786269187927246],["▁destinations",-11.786401748657227],["▁guilty",-11.786404609680176],["▁scholarship",-11.786439895629883],["▁harmful",-11.786453247070312],["▁2-3",-11.786616325378418],["▁Race",-11.786638259887695],["▁hypo",-11.78671646118164],["▁shorter",-11.786733627319336],["quest",-11.78675651550293],["uze",-11.786812782287598],["izi",-11.787005424499512],["OO",-11.787095069885254],["▁Schutz",-11.787097930908203],["▁Teilnehmer",-11.787185668945312],["▁profiles",-11.787199020385742],["▁sustainability",-11.78747272491455],["▁emb",-11.787489891052246],["▁Augen",-11.787516593933105],["▁outdoors",-11.787542343139648],["▁Individual",-11.787548065185547],["▁pou",-11.78757095336914],["▁Together",-11.787575721740723],["HT",-11.787674903869629],["suited",-11.787755012512207],["▁tro",-11.787782669067383],["▁Strom",-11.787805557250977],["▁achievement",-11.78799819946289],["▁Range",-11.78815746307373],["tory",-11.78817081451416],["▁distribute",-11.788250923156738],["▁letzte",-11.788276672363281],["incorporated",-11.788287162780762],["▁Kir",-11.788325309753418],["ruf",-11.78839111328125],["▁disappointed",-11.788543701171875],["▁referral",-11.788602828979492],["flam",-11.788687705993652],["▁excessive",-11.7886962890625],["▁rapidement",-11.788743019104004],["▁Rio",-11.78875732421875],["aţia",-11.788951873779297],["▁meuble",-11.78912353515625],["▁2008.",-11.789135932922363],["▁Gall",-11.78915023803711],["▁française",-11.789369583129883],["▁ladies",-11.789695739746094],["ailed",-11.789746284484863],["El",-11.789834976196289],["▁wines",-11.789868354797363],["▁beispielsweise",-11.789876937866211],["▁gamme",-11.790193557739258],["▁guided",-11.79028034210205],["▁plin",-11.790339469909668],["Î",-11.790390968322754],["▁True",-11.790498733520508],["▁Temple",-11.790507316589355],["▁Pic",-11.790520668029785],["permalink",-11.790547370910645],["▁vedea",-11.790656089782715],["▁rank",-11.790922164916992],["▁Grill",-11.791025161743164],["clin",-11.791070938110352],["▁Hab",-11.791089057922363],["▁odds",-11.791125297546387],["▁anytime",-11.791146278381348],["▁Thanksgiving",-11.791265487670898],["guard",-11.791300773620605],["▁essays",-11.791389465332031],["▁PE",-11.79139518737793],["▁Rechts",-11.791494369506836],["mals",-11.791751861572266],["achi",-11.791762351989746],["▁Anthony",-11.791765213012695],["▁réponse",-11.792036056518555],["standing",-11.79227352142334],["▁Mol",-11.792427062988281],["▁Canon",-11.792474746704102],["▁silk",-11.792515754699707],["▁pourrait",-11.79278564453125],["▁raport",-11.79280948638916],["▁Woche",-11.792889595031738],["fallen",-11.79293155670166],["sting",-11.79310131072998],["▁circulation",-11.793102264404297],["▁skirt",-11.7931547164917],["▁Title",-11.793187141418457],["▁17.",-11.79331111907959],["▁Touch",-11.793486595153809],["▁utilizat",-11.79352855682373],["▁Organisation",-11.793569564819336],["▁mereu",-11.793848991394043],["▁oxygen",-11.793953895568848],["lique",-11.793985366821289],["▁consume",-11.794100761413574],["▁Barb",-11.794102668762207],["1.1",-11.794105529785156],["▁nicely",-11.79419231414795],["▁psychological",-11.794227600097656],["▁refrigerator",-11.794478416442871],["▁fantasy",-11.79481029510498],["▁dispute",-11.79494571685791],["▁IBM",-11.794954299926758],["▁Nation",-11.794971466064453],["▁mobil",-11.795063972473145],["▁density",-11.795201301574707],["ske",-11.795230865478516],["▁intimate",-11.795313835144043],["▁tailored",-11.795319557189941],["▁outline",-11.795472145080566],["TN",-11.79554557800293],["mur",-11.795634269714355],["GC",-11.795662879943848],["they",-11.795992851257324],["pag",-11.796161651611328],["▁Kultur",-11.796246528625488],["grün",-11.796281814575195],["voted",-11.796529769897461],["▁donné",-11.796546936035156],["▁Să",-11.796629905700684],["enberg",-11.796648979187012],["▁wi",-11.79686450958252],["▁Francis",-11.797057151794434],["▁Rick",-11.797157287597656],["accord",-11.797403335571289],["▁Zusammen",-11.797415733337402],["▁nonprofit",-11.797456741333008],["▁listings",-11.797615051269531],["6,",-11.797908782958984],["▁maximize",-11.798253059387207],["bud",-11.798345565795898],["▁promotional",-11.798486709594727],["cina",-11.798646926879883],["▁potatoes",-11.79869556427002],["▁mot",-11.798871040344238],["carries",-11.799384117126465],["▁stabilit",-11.799458503723145],["▁Door",-11.799574851989746],["▁downloaded",-11.799574851989746],["▁experimental",-11.799724578857422],["HD",-11.7997407913208],["▁parfois",-11.79980182647705],["▁zeigen",-11.800092697143555],["▁proposé",-11.80030632019043],["▁Verein",-11.800636291503906],["▁amestec",-11.800676345825195],["▁entreprise",-11.800718307495117],["▁PSD",-11.800841331481934],["▁bake",-11.800897598266602],["▁Rh",-11.800904273986816],["▁Mehr",-11.800922393798828],["▁purple",-11.801074028015137],["▁recipient",-11.80109691619873],["rare",-11.801166534423828],["egi",-11.80117130279541],["ancien",-11.801176071166992],["▁risque",-11.80118465423584],["▁mystery",-11.80157470703125],["mac",-11.801697731018066],["ibility",-11.80182933807373],["▁Moore",-11.801881790161133],["▁flavors",-11.801911354064941],["▁trauma",-11.801966667175293],["▁automotive",-11.802112579345703],["▁Anyway",-11.802197456359863],["▁simulation",-11.802253723144531],["▁crafts",-11.802525520324707],["▁measurements",-11.80257511138916],["▁cour",-11.80257797241211],["▁tard",-11.802600860595703],["nnie",-11.802881240844727],["▁Production",-11.803388595581055],["▁Cleaning",-11.803567886352539],["5,",-11.803644180297852],["▁Islamic",-11.803766250610352],["▁Gate",-11.80378532409668],["bay",-11.803814888000488],["HR",-11.803990364074707],["▁Offer",-11.80399227142334],["▁acceptance",-11.804107666015625],["▁Erfahrung",-11.80412769317627],["▁environ",-11.804193496704102],["▁fancy",-11.804218292236328],["▁bullet",-11.80437183380127],["organ",-11.804466247558594],["▁Peace",-11.804520606994629],["▁detalii",-11.80461597442627],["▁promised",-11.804715156555176],["▁wellness",-11.804746627807617],["▁satisfy",-11.80481243133545],["▁grants",-11.805212020874023],["accueil",-11.80522346496582],["▁oben",-11.805412292480469],["▁prospects",-11.80543327331543],["▁Events",-11.805513381958008],["2013",-11.805569648742676],["gesehen",-11.805685997009277],["▁£1",-11.805727005004883],["▁handelt",-11.805798530578613],["▁Spieler",-11.805876731872559],["▁Virtual",-11.806145668029785],["▁bubble",-11.806239128112793],["▁Trend",-11.806254386901855],["▁sistemul",-11.806315422058105],["▁Morgan",-11.806320190429688],["▁pole",-11.806503295898438],["▁spielen",-11.806533813476562],["tür",-11.806571006774902],["SCO",-11.806572914123535],["▁informative",-11.806678771972656],["▁affirm",-11.806755065917969],["▁Aqua",-11.806818008422852],["▁AR",-11.806888580322266],["richten",-11.807071685791016],["▁rewards",-11.807122230529785],["lub",-11.807235717773438],["shot",-11.807236671447754],["LM",-11.807540893554688],["Up",-11.807586669921875],["▁absolut",-11.807737350463867],["▁Mart",-11.807806968688965],["erweise",-11.807812690734863],["BP",-11.807977676391602],["▁difficile",-11.808152198791504],["▁Document",-11.808159828186035],["▁Sweet",-11.8082914352417],["▁indicator",-11.808338165283203],["▁Boden",-11.808389663696289],["mates",-11.808477401733398],["▁supporters",-11.808504104614258],["▁begun",-11.808600425720215],["▁blogging",-11.808611869812012],["▁CL",-11.808663368225098],["gres",-11.808692932128906],["▁preferences",-11.808738708496094],["▁screw",-11.808756828308105],["▁tutor",-11.808858871459961],["▁Additional",-11.80891227722168],["▁Bitte",-11.808976173400879],["utilizing",-11.808998107910156],["▁expérience",-11.809073448181152],["▁dur",-11.809146881103516],["▁precisely",-11.809178352355957],["▁janvier",-11.809394836425781],["AGE",-11.80987548828125],["moto",-11.810007095336914],["▁counsel",-11.810195922851562],["▁110",-11.810226440429688],["nick",-11.810245513916016],["licit",-11.810540199279785],["technik",-11.810659408569336],["▁collaborate",-11.810736656188965],["▁neighbors",-11.810794830322266],["tered",-11.810922622680664],["▁excel",-11.811025619506836],["▁Route",-11.811059951782227],["steuer",-11.81109619140625],["▁pioneer",-11.811607360839844],["nuit",-11.81169319152832],["▁skip",-11.811963081359863],["▁destruction",-11.811997413635254],["▁thesis",-11.812249183654785],["▁libre",-11.812317848205566],["▁petition",-11.81234073638916],["▁steady",-11.812456130981445],["▁medications",-11.812458992004395],["▁audiences",-11.812623023986816],["▁coaches",-11.812689781188965],["aller",-11.812704086303711],["3,000",-11.812705993652344],["▁anger",-11.812785148620605],["▁striking",-11.812844276428223],["▁shades",-11.81291675567627],["▁Sitz",-11.812994956970215],["▁gluten",-11.813162803649902],["▁egal",-11.813222885131836],["ania",-11.813223838806152],["▁defend",-11.813241004943848],["gut",-11.81382942199707],["▁reserves",-11.813895225524902],["▁advocate",-11.814053535461426],["▁Cit",-11.814082145690918],["▁technicians",-11.814105033874512],["▁cater",-11.814138412475586],["leitung",-11.814190864562988],["▁towns",-11.814335823059082],["▁Costa",-11.814364433288574],["▁confront",-11.814567565917969],["mount",-11.814652442932129],["▁nationale",-11.814706802368164],["▁adverse",-11.814932823181152],["▁couleur",-11.815112113952637],["▁delight",-11.815169334411621],["▁promises",-11.815224647521973],["▁silent",-11.81550121307373],["richtet",-11.815556526184082],["▁Companies",-11.815614700317383],["▁Charlotte",-11.815620422363281],["▁labels",-11.815652847290039],["▁Süd",-11.815656661987305],["▁Honor",-11.81567096710205],["▁complaints",-11.815710067749023],["▁siècle",-11.815752029418945],["▁suits",-11.815792083740234],["▁Bath",-11.815827369689941],["mise",-11.815926551818848],["▁acela",-11.8159818649292],["▁candidat",-11.816011428833008],["Flo",-11.816207885742188],["▁conservative",-11.816215515136719],["DD",-11.816314697265625],["▁changement",-11.816414833068848],["▁login",-11.816492080688477],["▁Fashion",-11.816585540771484],["reichen",-11.816672325134277],["through",-11.816751480102539],["aki",-11.817240715026855],["gna",-11.817547798156738],["▁verse",-11.817551612854004],["▁threats",-11.817622184753418],["▁Song",-11.817770004272461],["▁funded",-11.81792163848877],["langen",-11.818023681640625],["▁distribu",-11.818195343017578],["édition",-11.818316459655762],["▁royal",-11.818562507629395],["▁bevor",-11.818829536437988],["▁02",-11.818854331970215],["straße",-11.818938255310059],["edit",-11.81904125213623],["▁energetic",-11.81922721862793],["▁Carr",-11.819757461547852],["viol",-11.819937705993652],["▁niche",-11.820054054260254],["avais",-11.820099830627441],["▁backyard",-11.82010269165039],["▁Saudi",-11.820158958435059],["▁Zwei",-11.820207595825195],["▁Legal",-11.82027530670166],["accessed",-11.820277214050293],["▁choisi",-11.820340156555176],["▁GDP",-11.820343971252441],["oferă",-11.820352554321289],["hlen",-11.820490837097168],["▁Wor",-11.820520401000977],["▁cheer",-11.820586204528809],["▁barely",-11.820625305175781],["cost",-11.820646286010742],["▁Really",-11.820661544799805],["kol",-11.820721626281738],["▁binding",-11.821045875549316],["euer",-11.821136474609375],["▁optimization",-11.821158409118652],["▁Designer",-11.8211669921875],["▁measuring",-11.82117748260498],["ncy",-11.821516036987305],["weise",-11.821520805358887],["DER",-11.821850776672363],["▁$7",-11.821949005126953],["▁Anfang",-11.821954727172852],["material",-11.821967124938965],["▁antique",-11.822281837463379],["▁Certificate",-11.822294235229492],["▁modest",-11.822370529174805],["ției",-11.822427749633789],["▁praise",-11.82245922088623],["▁Springs",-11.822660446166992],["▁organiza",-11.823041915893555],["jurul",-11.823047637939453],["▁plumbing",-11.82341194152832],["▁foster",-11.823490142822266],["▁Wy",-11.823491096496582],["▁Sab",-11.823503494262695],["▁overwhelming",-11.823677062988281],["▁matin",-11.823812484741211],["▁responded",-11.82408332824707],["▁confused",-11.824150085449219],["▁blessed",-11.824280738830566],["▁160",-11.824295997619629],["▁ingredient",-11.824360847473145],["▁confer",-11.82448673248291],["▁Gesundheit",-11.824530601501465],["▁bucket",-11.824555397033691],["kraft",-11.824565887451172],["lange",-11.824630737304688],["▁Kopf",-11.824678421020508],["▁Prize",-11.824678421020508],["▁authorized",-11.824779510498047],["▁tick",-11.824803352355957],["▁steal",-11.824910163879395],["Depending",-11.824918746948242],["Depuis",-11.824952125549316],["▁functie",-11.82499885559082],["▁developments",-11.825053215026855],["▁Christians",-11.825311660766602],["▁calculated",-11.8256254196167],["▁Leave",-11.825672149658203],["▁Jam",-11.82573413848877],["▁habitat",-11.825760841369629],["▁Sorry",-11.825801849365234],["▁oficial",-11.825944900512695],["▁allein",-11.826079368591309],["▁concentrate",-11.82608413696289],["dica",-11.826302528381348],["▁Convention",-11.826476097106934],["illes",-11.826550483703613],["▁fum",-11.82664680480957],["▁Tal",-11.826651573181152],["Europe",-11.826899528503418],["▁attachment",-11.826949119567871],["▁sensibil",-11.826995849609375],["▁clue",-11.82715892791748],["▁specialty",-11.827203750610352],["▁Cou",-11.827229499816895],["▁liste",-11.827278137207031],["▁Penn",-11.827465057373047],["TRA",-11.827559471130371],["▁Themen",-11.827561378479004],["▁motivated",-11.827906608581543],["▁camere",-11.828017234802246],["▁14,",-11.828393936157227],["▁attendance",-11.828557968139648],["atorii",-11.828581809997559],["chemistry",-11.82873821258545],["▁roofing",-11.828959465026855],["▁Links",-11.829048156738281],["▁trou",-11.829103469848633],["▁trucks",-11.829136848449707],["hilfe",-11.829557418823242],["▁(6",-11.829599380493164],["vapor",-11.82964038848877],["mad",-11.829668045043945],["▁Albert",-11.829877853393555],["▁FIG",-11.830073356628418],["▁Rand",-11.830187797546387],["▁Constitution",-11.830219268798828],["ambi",-11.830294609069824],["▁Syria",-11.830307006835938],["▁Fond",-11.830477714538574],["▁gouvernement",-11.830594062805176],["▁Active",-11.830705642700195],["▁prints",-11.830801963806152],["▁weigh",-11.8308687210083],["▁Craft",-11.831069946289062],["▁projets",-11.831247329711914],["▁paste",-11.831377029418945],["anci",-11.83139705657959],["kie",-11.831411361694336],["▁gains",-11.83165168762207],["▁Record",-11.831942558288574],["▁beliefs",-11.831954956054688],["countless",-11.831957817077637],["▁tomatoes",-11.831997871398926],["arie",-11.832082748413086],["▁140",-11.83211612701416],["▁ethical",-11.832229614257812],["objectif",-11.832279205322266],["▁acestuia",-11.832283973693848],["▁Bluetooth",-11.832398414611816],["▁agriculture",-11.832746505737305],["uré",-11.833027839660645],["▁cale",-11.833072662353516],["▁articol",-11.833073616027832],["▁gum",-11.833319664001465],["▁vendor",-11.833490371704102],["ifié",-11.833527565002441],["▁peer",-11.833662033081055],["pod",-11.834036827087402],["▁utilized",-11.834113121032715],["▁Mü",-11.834207534790039],["owohl",-11.834208488464355],["hilst",-11.834233283996582],["frame",-11.834260940551758],["▁fridge",-11.834822654724121],["▁query",-11.835108757019043],["▁Survey",-11.835227012634277],["▁Hell",-11.835247993469238],["▁notification",-11.83530044555664],["TR",-11.83538818359375],["▁ultima",-11.835505485534668],["▁radiation",-11.835631370544434],["▁musicians",-11.835821151733398],["CAN",-11.83595085144043],["▁grocery",-11.83607292175293],["▁Sicherheit",-11.83611011505127],["▁Highway",-11.836276054382324],["▁Break",-11.836285591125488],["TED",-11.836345672607422],["ön",-11.836352348327637],["▁biological",-11.836352348327637],["qual",-11.836397171020508],["250",-11.83641242980957],["▁modify",-11.836651802062988],["▁Hit",-11.836698532104492],["▁Iar",-11.836838722229004],["aged",-11.836884498596191],["...)",-11.83688735961914],["▁contrat",-11.836928367614746],["▁centres",-11.836956977844238],["griff",-11.836987495422363],["Our",-11.837233543395996],["▁determination",-11.837300300598145],["▁variables",-11.83742904663086],["▁nuts",-11.837472915649414],["échange",-11.837577819824219],["extérieur",-11.837631225585938],["▁suflet",-11.83764362335205],["▁Scha",-11.837752342224121],["stück",-11.837774276733398],["▁Tau",-11.837821960449219],["▁participa",-11.838008880615234],["▁mad",-11.838034629821777],["▁relie",-11.838051795959473],["▁Fine",-11.83808422088623],["▁grape",-11.838118553161621],["▁wage",-11.838141441345215],["▁startup",-11.838193893432617],["▁blank",-11.838194847106934],["▁physique",-11.838199615478516],["▁punch",-11.838233947753906],["▁contacts",-11.838321685791016],["▁dezvolt",-11.83835220336914],["cross",-11.838639259338379],["▁TR",-11.838652610778809],["▁gener",-11.838754653930664],["▁indem",-11.838823318481445],["▁Stan",-11.838839530944824],["▁azi",-11.838930130004883],["▁Sel",-11.838958740234375],["▁Tot",-11.83924674987793],["vra",-11.839341163635254],["▁recruit",-11.839482307434082],["▁Yeah",-11.839494705200195],["/10",-11.839507102966309],["▁nail",-11.83956241607666],["▁Ky",-11.839611053466797],["▁beloved",-11.839760780334473],["operative",-11.839823722839355],["▁Tickets",-11.83983325958252],["▁tear",-11.840229988098145],["▁amp",-11.840352058410645],["▁04",-11.840361595153809],["▁illustrate",-11.840361595153809],["▁mac",-11.840400695800781],["▁receiver",-11.840482711791992],["atrice",-11.840508460998535],["▁souhait",-11.840572357177734],["▁Gewinn",-11.840619087219238],["▁Vit",-11.840808868408203],["roch",-11.841202735900879],["▁arata",-11.841262817382812],["▁Indiana",-11.841364860534668],["child",-11.841516494750977],["▁invested",-11.84157657623291],["▁Excellent",-11.841625213623047],["gori",-11.841769218444824],["▁thermal",-11.841813087463379],["Str",-11.841973304748535],["▁liver",-11.84201717376709],["miss",-11.842035293579102],["▁utiliser",-11.842120170593262],["▁prest",-11.842445373535156],["2016",-11.842506408691406],["isée",-11.842508316040039],["▁Index",-11.842559814453125],["▁arch",-11.842639923095703],["▁Toyota",-11.842748641967773],["▁YOUR",-11.842782020568848],["▁Mexican",-11.842891693115234],["▁gegenüber",-11.842940330505371],["▁cannabis",-11.843033790588379],["bis",-11.843077659606934],["vage",-11.843083381652832],["hall",-11.843091011047363],["fax",-11.843137741088867],["▁spoken",-11.843232154846191],["▁Zimmer",-11.843544960021973],["kauf",-11.8436279296875],["▁couleurs",-11.843705177307129],["▁NJ",-11.844026565551758],["▁Heritage",-11.844318389892578],["▁Pflege",-11.844321250915527],["luc",-11.844361305236816],["▁56",-11.844489097595215],["VP",-11.844542503356934],["▁cuvinte",-11.844594955444336],["▁Alliance",-11.844614028930664],["▁coco",-11.844615936279297],["▁leverage",-11.844762802124023],["auch",-11.844844818115234],["▁Cart",-11.84506607055664],["taux",-11.84532642364502],["east",-11.84560775756836],["▁decorating",-11.84565258026123],["tip",-11.84565544128418],["▁Communications",-11.845780372619629],["ACE",-11.84580135345459],["▁Consul",-11.845993041992188],["▁Swiss",-11.846197128295898],["inci",-11.846230506896973],["▁Fact",-11.846312522888184],["▁ajung",-11.846321105957031],["▁airline",-11.846325874328613],["▁kidney",-11.846379280090332],["▁Records",-11.84642505645752],["▁Olympic",-11.846747398376465],["▁dried",-11.84719467163086],["oivent",-11.847333908081055],["▁Adobe",-11.847467422485352],["▁powers",-11.847748756408691],["lande",-11.847834587097168],["▁relieve",-11.847858428955078],["ţine",-11.847898483276367],["▁gradually",-11.847945213317871],["mud",-11.84811019897461],["▁30,",-11.848116874694824],["▁plante",-11.848133087158203],["▁Hug",-11.848225593566895],["▁Focus",-11.84853458404541],["▁distinctive",-11.848594665527344],["▁Bab",-11.848662376403809],["tata",-11.848679542541504],["▁Nun",-11.848797798156738],["▁Eve",-11.848811149597168],["▁déc",-11.848881721496582],["▁Beitrag",-11.84900951385498],["▁devenit",-11.849042892456055],["driven",-11.849250793457031],["▁offerings",-11.84933853149414],["▁exc",-11.84941577911377],["encies",-11.849576950073242],["▁Neuro",-11.849588394165039],["scher",-11.849604606628418],["map",-11.849703788757324],["pending",-11.849783897399902],["▁courage",-11.849799156188965],["axe",-11.849894523620605],["▁Gesellschaft",-11.849900245666504],["▁ears",-11.85000991821289],["▁aider",-11.850403785705566],["▁Cast",-11.85042667388916],["fast",-11.850442886352539],["▁departe",-11.850502014160156],["▁oak",-11.850507736206055],["▁batch",-11.850730895996094],["▁Corporate",-11.850762367248535],["▁Ost",-11.850895881652832],["-14",-11.850897789001465],["▁Pie",-11.85115909576416],["▁ranking",-11.851273536682129],["clusion",-11.851316452026367],["▁costume",-11.851347923278809],["▁Knight",-11.851449966430664],["▁privat",-11.851577758789062],["▁Engineer",-11.851593971252441],["▁gens",-11.8517427444458],["physics",-11.85176944732666],["generating",-11.851773262023926],["directement",-11.851786613464355],["▁confidential",-11.851810455322266],["▁poet",-11.851937294006348],["▁monster",-11.851944923400879],["▁suppose",-11.851984977722168],["său",-11.851996421813965],["▁balls",-11.852103233337402],["▁substitute",-11.852137565612793],["▁simultaneously",-11.852238655090332],["▁specify",-11.852272033691406],["wald",-11.852287292480469],["▁collapse",-11.852352142333984],["dessus",-11.852458953857422],["▁vitr",-11.852516174316406],["▁recruitment",-11.852607727050781],["denken",-11.852632522583008],["▁candy",-11.852691650390625],["▁tourists",-11.852721214294434],["dimensional",-11.852782249450684],["conce",-11.852814674377441],["wechsel",-11.852822303771973],["▁passende",-11.852971076965332],["industrie",-11.85299301147461],["agne",-11.853127479553223],["▁warehouse",-11.853233337402344],["▁Jugend",-11.853277206420898],["▁Weise",-11.853357315063477],["▁Zone",-11.853528022766113],["▁licence",-11.853550910949707],["▁broker",-11.853630065917969],["▁Rolle",-11.85365104675293],["pton",-11.853789329528809],["▁preference",-11.853846549987793],["▁homeowners",-11.853861808776855],["▁Lum",-11.85387134552002],["▁Chairman",-11.853879928588867],["▁Pages",-11.853998184204102],["▁beam",-11.854005813598633],["▁coordinate",-11.854158401489258],["▁Tool",-11.854212760925293],["▁complexity",-11.854272842407227],["▁checks",-11.854339599609375],["▁Bedroom",-11.854405403137207],["minded",-11.854538917541504],["▁copiii",-11.854694366455078],["▁celebrating",-11.85470199584961],["zimmer",-11.854759216308594],["▁Imagine",-11.854759216308594],["▁decoration",-11.854830741882324],["team",-11.855354309082031],["▁împreună",-11.855369567871094],["▁publicly",-11.855391502380371],["▁centuries",-11.855514526367188],["▁Islands",-11.855644226074219],["▁ethnic",-11.855663299560547],["still",-11.85576057434082],["stieg",-11.855823516845703],["emia",-11.855904579162598],["tags",-11.856026649475098],["▁marche",-11.856062889099121],["▁migration",-11.856096267700195],["▁banner",-11.85616683959961],["▁macro",-11.856378555297852],["▁Edit",-11.856379508972168],["tran",-11.85656452178955],["ça",-11.856597900390625],["▁recycling",-11.856670379638672],["▁1,000",-11.856673240661621],["▁Quelle",-11.856891632080078],["▁Vel",-11.85700511932373],["▁Rit",-11.857025146484375],["▁Spaß",-11.857046127319336],["▁Corn",-11.857074737548828],["tracted",-11.857177734375],["cited",-11.857185363769531],["▁tablets",-11.857202529907227],["▁Display",-11.857337951660156],["▁persoana",-11.857392311096191],["Term",-11.857410430908203],["▁Vancouver",-11.857537269592285],["▁Gäste",-11.857550621032715],["determining",-11.857608795166016],["▁populations",-11.85778522491455],["aison",-11.857873916625977],["▁surgical",-11.858072280883789],["tale",-11.858160018920898],["ivi",-11.858283042907715],["▁Zur",-11.858388900756836],["esprit",-11.858574867248535],["▁Edge",-11.858665466308594],["dach",-11.858760833740234],["phi",-11.858773231506348],["▁suc",-11.858841896057129],["▁scrie",-11.858848571777344],["▁Ausbildung",-11.858885765075684],["▁51",-11.85892391204834],["ologi",-11.858938217163086],["▁correction",-11.859049797058105],["▁Wald",-11.859078407287598],["▁additionally",-11.859131813049316],["▁proche",-11.859353065490723],["▁classical",-11.859477996826172],["▁bringen",-11.859490394592285],["▁(10",-11.859611511230469],["▁Mile",-11.859809875488281],["lace",-11.859885215759277],["▁premi",-11.85988712310791],["▁constitute",-11.860029220581055],["▁bitter",-11.860078811645508],["▁Inform",-11.860295295715332],["▁corporations",-11.860334396362305],["▁Lisa",-11.860494613647461],["▁obligat",-11.860685348510742],["Throughout",-11.860738754272461],["▁Rs",-11.860769271850586],["▁Hair",-11.860916137695312],["▁supplements",-11.86099624633789],["▁motorcycle",-11.861054420471191],["escent",-11.861132621765137],["▁investi",-11.861222267150879],["▁continuously",-11.861265182495117],["▁Essen",-11.861334800720215],["▁precision",-11.8613862991333],["▁deficit",-11.861461639404297],["▁wallet",-11.861481666564941],["▁Bürger",-11.861531257629395],["chir",-11.861574172973633],["9)",-11.86161994934082],["▁Programme",-11.861716270446777],["▁simplement",-11.86193561553955],["MD",-11.862093925476074],["▁rouge",-11.862096786499023],["usion",-11.862133979797363],["▁stove",-11.862208366394043],["▁prospective",-11.862224578857422],["▁corp",-11.86234188079834],["▁impacts",-11.862401008605957],["▁bride",-11.86266803741455],["0.0",-11.862788200378418],["hid",-11.862833976745605],["▁warrant",-11.862930297851562],["▁Ice",-11.8631010055542],["▁sensible",-11.863151550292969],["▁vreo",-11.863166809082031],["spekt",-11.863249778747559],["▁appreciation",-11.8633394241333],["▁automation",-11.863377571105957],["Luc",-11.86341381072998],["teaches",-11.863471031188965],["▁fold",-11.863506317138672],["deutsche",-11.863523483276367],["▁assisted",-11.86380386352539],["▁straightforward",-11.863932609558105],["▁mechanic",-11.864068031311035],["observ",-11.864169120788574],["▁Schau",-11.864195823669434],["▁Recently",-11.864301681518555],["kers",-11.86435604095459],["▁Soft",-11.864455223083496],["muni",-11.864537239074707],["▁lie",-11.864617347717285],["▁Fat",-11.864728927612305],["cream",-11.86476993560791],["▁snack",-11.864909172058105],["▁juin",-11.865068435668945],["▁competent",-11.865134239196777],["▁Drug",-11.865141868591309],["▁Row",-11.865302085876465],["▁needle",-11.865852355957031],["▁convey",-11.865900039672852],["▁voie",-11.86600399017334],["▁Hon",-11.866190910339355],["▁ebook",-11.866194725036621],["▁veteran",-11.866209030151367],["▁statistical",-11.866217613220215],["190",-11.866312980651855],["▁munca",-11.866402626037598],["▁venues",-11.866438865661621],["▁Viel",-11.866604804992676],["▁décor",-11.866799354553223],["▁répond",-11.8670015335083],["▁produsele",-11.86700439453125],["ruc",-11.867009162902832],["▁drops",-11.867011070251465],["▁autant",-11.867311477661133],["▁Fahrzeug",-11.867313385009766],["▁hills",-11.86735725402832],["ference",-11.867414474487305],["▁Glück",-11.86742115020752],["▁Pac",-11.867480278015137],["▁permettr",-11.867568969726562],["▁mouvement",-11.867713928222656],["établissement",-11.867859840393066],["▁Parc",-11.867874145507812],["▁solving",-11.867900848388672],["▁jail",-11.867972373962402],["▁junk",-11.867980003356934],["▁jeux",-11.868091583251953],["▁rôle",-11.868107795715332],["▁cache",-11.868124961853027],["▁Answer",-11.86832046508789],["wir",-11.868706703186035],["option",-11.868732452392578],["▁Tiger",-11.868739128112793],["▁Ble",-11.868793487548828],["Mitglied",-11.868797302246094],["▁partial",-11.868819236755371],["▁Mercedes",-11.86888313293457],["tire",-11.869001388549805],["MENT",-11.869091987609863],["▁transit",-11.869230270385742],["▁cineva",-11.869285583496094],["▁Andrea",-11.869294166564941],["▁boundaries",-11.869497299194336],["script",-11.870061874389648],["▁Medi",-11.870123863220215],["schreiben",-11.870203018188477],["▁lobby",-11.87035846710205],["▁defendant",-11.870406150817871],["▁sq",-11.870467185974121],["▁forgotten",-11.870569229125977],["stimmung",-11.870651245117188],["hus",-11.870665550231934],["RY",-11.870728492736816],["▁Anderson",-11.870748519897461],["▁Dental",-11.870828628540039],["ject",-11.87110710144043],["▁Nutzer",-11.871377944946289],["▁Portland",-11.871540069580078],["scription",-11.871636390686035],["▁angel",-11.871695518493652],["▁monument",-11.871748924255371],["▁număr",-11.871784210205078],["▁Lane",-11.871800422668457],["▁Bai",-11.871894836425781],["But",-11.871909141540527],["▁calculate",-11.872315406799316],["▁provoca",-11.87247371673584],["▁votes",-11.872493743896484],["RNA",-11.872503280639648],["though",-11.87259292602539],["spor",-11.872631072998047],["▁connaissance",-11.872695922851562],["▁Anwendung",-11.872932434082031],["▁Kate",-11.873123168945312],["lob",-11.87315845489502],["▁Conf",-11.873180389404297],["bung",-11.873212814331055],["ander",-11.873282432556152],["▁functioning",-11.873297691345215],["▁sponsored",-11.873324394226074],["rav",-11.873734474182129],["▁resistant",-11.873797416687012],["tră",-11.873916625976562],["▁costly",-11.873923301696777],["▁Mars",-11.873991012573242],["▁tir",-11.874075889587402],["▁writes",-11.874134063720703],["▁Greg",-11.874267578125],["▁Question",-11.874714851379395],["▁corporation",-11.87485408782959],["▁lire",-11.874991416931152],["locked",-11.875048637390137],["8,",-11.875092506408691],["▁sagt",-11.875301361083984],["gaining",-11.87536907196045],["▁Pierre",-11.875688552856445],["verb",-11.875725746154785],["▁Barcelona",-11.87578296661377],["werte",-11.876474380493164],["▁disponible",-11.87651538848877],["▁urge",-11.876521110534668],["▁expecting",-11.876572608947754],["▁Girl",-11.87662124633789],["▁unlimited",-11.876761436462402],["watt",-11.876788139343262],["▁Möglichkeiten",-11.876813888549805],["▁schöne",-11.876847267150879],["rium",-11.877076148986816],["That",-11.877272605895996],["▁socio",-11.877296447753906],["▁Democrats",-11.877351760864258],["guten",-11.877422332763672],["▁Lou",-11.877425193786621],["ităţi",-11.877559661865234],["▁possibilité",-11.877717018127441],["▁adjustable",-11.877938270568848],["▁Salt",-11.877967834472656],["Thr",-11.878021240234375],["▁biseric",-11.878056526184082],["ieux",-11.87808895111084],["▁procur",-11.8782377243042],["▁credits",-11.878250122070312],["▁Netflix",-11.878585815429688],["doi",-11.878605842590332],["▁Jews",-11.878663063049316],["▁Ukraine",-11.87873363494873],["▁adevărat",-11.878785133361816],["▁Apply",-11.878813743591309],["▁coupons",-11.878859519958496],["▁Detroit",-11.878881454467773],["▁rue",-11.878889083862305],["anumite",-11.878926277160645],["ished",-11.878973960876465],["▁withdrawal",-11.87915325164795],["▁replacing",-11.87917709350586],["catching",-11.879385948181152],["▁climbing",-11.879612922668457],["▁Basic",-11.879770278930664],["▁inclus",-11.879783630371094],["scope",-11.879887580871582],["▁facem",-11.879892349243164],["▁plec",-11.879904747009277],["mäßig",-11.879980087280273],["▁tasty",-11.880064010620117],["▁tunnel",-11.880074501037598],["figured",-11.88032341003418],["gged",-11.880390167236328],["▁conditii",-11.880599975585938],["▁homework",-11.880631446838379],["volle",-11.88063907623291],["▁Gott",-11.880807876586914],["▁95",-11.880969047546387],["▁elect",-11.881020545959473],["▁blast",-11.881043434143066],["▁easiest",-11.881248474121094],["USE",-11.881462097167969],["concentr",-11.881475448608398],["orial",-11.881596565246582],["▁scroll",-11.881638526916504],["stead",-11.881691932678223],["▁hormone",-11.881710052490234],["▁starter",-11.88179874420166],["▁cald",-11.881878852844238],["▁wax",-11.881895065307617],["▁ridic",-11.881900787353516],["ously",-11.881982803344727],["maschine",-11.882101058959961],["licher",-11.882399559020996],["▁16,",-11.882452964782715],["▁hassle",-11.882469177246094],["semnat",-11.882535934448242],["▁pub",-11.88260555267334],["240",-11.882800102233887],["▁kits",-11.882871627807617],["▁Generation",-11.88293743133545],["▁merchant",-11.883052825927734],["▁Erd",-11.883068084716797],["▁café",-11.883077621459961],["hoff",-11.88314151763916],["▁WITH",-11.883376121520996],["▁gesch",-11.883515357971191],["▁Editor",-11.883557319641113],["▁treats",-11.883609771728516],["▁harsh",-11.883711814880371],["rome",-11.883729934692383],["▁Foreign",-11.883928298950195],["▁denied",-11.883968353271484],["▁Valentine",-11.884014129638672],["▁healthier",-11.88408088684082],["▁readily",-11.884138107299805],["nac",-11.884190559387207],["▁intake",-11.884191513061523],["▁puncte",-11.884230613708496],["erne",-11.884431838989258],["file",-11.884668350219727],["▁continually",-11.884688377380371],["door",-11.884699821472168],["▁imediat",-11.884822845458984],["▁accused",-11.884833335876465],["chy",-11.884854316711426],["▁wrapped",-11.884861946105957],["IES",-11.884878158569336],["▁terrace",-11.884883880615234],["mouth",-11.884897232055664],["▁defensive",-11.884991645812988],["▁Luci",-11.88508129119873],["▁significance",-11.885107040405273],["▁2007,",-11.885213851928711],["▁inclusion",-11.885221481323242],["▁rotation",-11.885248184204102],["hos",-11.885283470153809],["▁crea",-11.885357856750488],["üß",-11.885903358459473],["▁Install",-11.885988235473633],["▁dump",-11.885998725891113],["▁informations",-11.886114120483398],["▁Thi",-11.886117935180664],["▁85",-11.886252403259277],["dox",-11.886283874511719],["track",-11.886436462402344],["▁couples",-11.886571884155273],["▁Assembly",-11.886594772338867],["wagen",-11.88672161102295],["▁Hil",-11.886723518371582],["ières",-11.886833190917969],["▁Gabriel",-11.886903762817383],["▁patience",-11.887053489685059],["▁colored",-11.887147903442383],["▁separately",-11.88715934753418],["▁deployment",-11.887166023254395],["scape",-11.887306213378906],["▁Acum",-11.8875150680542],["▁länger",-11.887518882751465],["▁screens",-11.887598991394043],["▁prezenta",-11.887630462646484],["▁obicei",-11.887638092041016],["▁crisp",-11.887758255004883],["▁mechanisms",-11.887771606445312],["▁thirty",-11.887786865234375],["▁individually",-11.887989044189453],["▁internationally",-11.887991905212402],["lling",-11.888050079345703],["▁bureau",-11.88843059539795],["▁erfahren",-11.88844108581543],["TY",-11.888553619384766],["PF",-11.888607025146484],["wid",-11.888752937316895],["sell",-11.888835906982422],["▁Luke",-11.888879776000977],["▁Must",-11.888916969299316],["▁identical",-11.888927459716797],["▁Netherlands",-11.888980865478516],["▁investor",-11.88905143737793],["▁squad",-11.889073371887207],["▁21,",-11.889143943786621],["iko",-11.889230728149414],["▁departure",-11.88937759399414],["ega",-11.889384269714355],["uzi",-11.889408111572266],["▁lasa",-11.889458656311035],["bian",-11.889525413513184],["▁Madrid",-11.889623641967773],["▁Iowa",-11.889806747436523],["▁Yellow",-11.890026092529297],["conom",-11.89004898071289],["▁hint",-11.890098571777344],["NOW",-11.890111923217773],["dress",-11.890204429626465],["▁Stück",-11.890267372131348],["echt",-11.890424728393555],["rial",-11.89045238494873],["▁Initiative",-11.890474319458008],["▁magnificent",-11.890474319458008],["▁pipeline",-11.890543937683105],["▁08",-11.890806198120117],["▁écrit",-11.890889167785645],["KA",-11.891085624694824],["arile",-11.891151428222656],["▁unfortunately",-11.891352653503418],["dose",-11.891355514526367],["▁counts",-11.891427993774414],["deciding",-11.891549110412598],["WA",-11.89167308807373],["▁doresc",-11.891685485839844],["NY",-11.892008781433105],["olin",-11.892112731933594],["▁Urlaub",-11.892133712768555],["▁alătur",-11.892317771911621],["▁Vic",-11.892515182495117],["▁fier",-11.89269733428955],["EU",-11.892772674560547],["▁triple",-11.892871856689453],["▁compliment",-11.89310359954834],["▁vegetable",-11.89334487915039],["member",-11.893743515014648],["atiei",-11.893793106079102],["▁toxic",-11.893835067749023],["▁converted",-11.893888473510742],["▁Pink",-11.893999099731445],["▁fragment",-11.894020080566406],["presenting",-11.894027709960938],["▁garantie",-11.894031524658203],["▁31,",-11.894052505493164],["▁puisqu",-11.894105911254883],["aching",-11.894107818603516],["▁Shan",-11.894119262695312],["▁Affairs",-11.894368171691895],["üsse",-11.894405364990234],["▁CBD",-11.894428253173828],["▁quatre",-11.894588470458984],["▁horror",-11.894651412963867],["▁culoare",-11.894661903381348],["▁welcoming",-11.894673347473145],["▁headache",-11.894808769226074],["▁septembre",-11.894820213317871],["▁Tür",-11.894862174987793],["lateral",-11.89507007598877],["▁termin",-11.895228385925293],["▁Aid",-11.895291328430176],["second",-11.895308494567871],["▁Philip",-11.895310401916504],["berries",-11.895347595214844],["▁Slot",-11.895431518554688],["ка",-11.895442962646484],["▁consecutive",-11.895590782165527],["value",-11.895705223083496],["▁islands",-11.8958101272583],["▁posibilitatea",-11.895928382873535],["0.5",-11.896341323852539],["▁Dumpster",-11.896471977233887],["▁Gran",-11.89647388458252],["▁restricted",-11.8967924118042],["▁discussing",-11.896921157836914],["cock",-11.896966934204102],["Serie",-11.896989822387695],["▁crushing",-11.896998405456543],["RB",-11.897034645080566],["▁Gy",-11.897068977355957],["normal",-11.897098541259766],["DT",-11.897180557250977],["▁concurs",-11.897181510925293],["▁Beratung",-11.897231101989746],["▁handful",-11.897235870361328],["▁loading",-11.897237777709961],["▁WI",-11.897269248962402],["▁Fitness",-11.897283554077148],["▁RAM",-11.897302627563477],["▁Twi",-11.89730453491211],["adurch",-11.897345542907715],["▁obiectiv",-11.897366523742676],["BM",-11.897635459899902],["▁amendment",-11.8976469039917],["whi",-11.897652626037598],["▁Besonder",-11.897871017456055],["ALL",-11.898003578186035],["▁earning",-11.898090362548828],["▁nutrients",-11.898580551147461],["pru",-11.898633003234863],["▁offensive",-11.898696899414062],["▁shelves",-11.898711204528809],["▁încâ",-11.898726463317871],["▁execute",-11.898923873901367],["▁cauz",-11.898966789245605],["exist",-11.899179458618164],["▁Meter",-11.899191856384277],["there",-11.899201393127441],["▁réaliser",-11.899249076843262],["blog",-11.899362564086914],["▁résultats",-11.89937973022461],["baren",-11.899391174316406],["▁lang",-11.899425506591797],["▁mere",-11.899870872497559],["▁toti",-11.900079727172852],["DN",-11.90017032623291],["Hi",-11.900310516357422],["▁merg",-11.900359153747559],["▁Camera",-11.90054988861084],["▁parfum",-11.900697708129883],["CG",-11.900701522827148],["posed",-11.900713920593262],["▁proposals",-11.900732040405273],["▁incorrect",-11.900811195373535],["▁Denver",-11.901168823242188],["▁noapte",-11.901397705078125],["▁VPN",-11.901436805725098],["▁Oklahoma",-11.90159797668457],["horizon",-11.901647567749023],["▁villa",-11.901668548583984],["duce",-11.901812553405762],["Dienst",-11.902042388916016],["▁oversee",-11.902511596679688],["astr",-11.902548789978027],["brand",-11.902713775634766],["▁Safe",-11.902746200561523],["▁competing",-11.902812004089355],["▁subiect",-11.902812004089355],["▁équipe",-11.903091430664062],["▁Dress",-11.903095245361328],["▁Juni",-11.903139114379883],["▁repeated",-11.90317153930664],["2012",-11.903226852416992],["▁départ",-11.903234481811523],["immer",-11.903335571289062],["▁mondial",-11.903374671936035],["▁datelor",-11.903703689575195],["▁surgeon",-11.903782844543457],["▁demanding",-11.903812408447266],["▁concluded",-11.903878211975098],["țiile",-11.903950691223145],["marin",-11.903999328613281],["▁estim",-11.904206275939941],["▁Loan",-11.904361724853516],["sculpt",-11.904373168945312],["▁99",-11.904391288757324],["void",-11.904400825500488],["▁Empire",-11.904499053955078],["▁Brit",-11.90450382232666],["▁véhicule",-11.904777526855469],["▁dividend",-11.905069351196289],["▁refused",-11.905077934265137],["▁speaks",-11.905156135559082],["▁Morris",-11.905282020568848],["dict",-11.905349731445312],["▁funeral",-11.905556678771973],["▁Behandlung",-11.905763626098633],["▁Revolution",-11.905905723571777],["▁Sum",-11.905935287475586],["einigen",-11.906030654907227],["RES",-11.906070709228516],["▁vite",-11.906071662902832],["▁Captain",-11.906190872192383],["▁assurance",-11.9061918258667],["uga",-11.906500816345215],["▁conserv",-11.906583786010742],["▁therapeutic",-11.906641006469727],["▁Sweden",-11.906753540039062],["▁Lead",-11.906888961791992],["ément",-11.907071113586426],["▁53",-11.90709114074707],["▁fraction",-11.9071683883667],["▁magnet",-11.907170295715332],["assurer",-11.907184600830078],["▁Steuer",-11.90733814239502],["▁flori",-11.90735149383545],["▁charming",-11.907588958740234],["▁athletic",-11.907621383666992],["▁membri",-11.907706260681152],["▁Sep",-11.907726287841797],["ogue",-11.907800674438477],["▁familie",-11.907800674438477],["▁SW",-11.90796947479248],["▁diagnosed",-11.908023834228516],["RR",-11.908143997192383],["▁Fern",-11.908233642578125],["▁rational",-11.908281326293945],["▁talents",-11.90828800201416],["ziert",-11.908317565917969],["▁chemin",-11.908459663391113],["sheet",-11.908562660217285],["▁outer",-11.908565521240234],["▁Kap",-11.908591270446777],["▁HERE",-11.908656120300293],["▁uman",-11.908824920654297],["▁accompany",-11.908880233764648],["▁varieties",-11.908881187438965],["▁sensors",-11.908957481384277],["▁25%",-11.90919017791748],["▁tray",-11.909354209899902],["▁critique",-11.909459114074707],["▁puţin",-11.909515380859375],["▁Schüler",-11.90953540802002],["▁repar",-11.909744262695312],["▁overlook",-11.909931182861328],["▁surf",-11.910048484802246],["▁tasting",-11.910118103027344],["bog",-11.91027545928955],["▁Payment",-11.910289764404297],["▁Helen",-11.91049575805664],["▁Refer",-11.910694122314453],["application",-11.910698890686035],["lection",-11.910856246948242],["▁avril",-11.911042213439941],["▁Grace",-11.911109924316406],["▁kau",-11.911274909973145],["▁libraries",-11.911319732666016],["▁closest",-11.911347389221191],["▁coating",-11.911351203918457],["▁suicide",-11.911364555358887],["▁undergraduate",-11.911449432373047],["▁stitch",-11.91149616241455],["▁reset",-11.911593437194824],["▁Greece",-11.911626815795898],["▁Fred",-11.91197681427002],["▁18.",-11.912047386169434],["▁nuit",-11.912087440490723],["▁lying",-11.912199974060059],["▁cottage",-11.91232681274414],["bone",-11.912477493286133],["▁milieu",-11.912480354309082],["management",-11.912623405456543],["▁Freund",-11.912724494934082],["▁specially",-11.912841796875],["veut",-11.912961959838867],["▁necesare",-11.912999153137207],["▁cert",-11.913081169128418],["articul",-11.913151741027832],["150",-11.913174629211426],["rounded",-11.913180351257324],["▁longue",-11.913193702697754],["▁Quel",-11.913240432739258],["Until",-11.913322448730469],["▁700",-11.913398742675781],["▁installations",-11.913423538208008],["▁boats",-11.913467407226562],["Fig",-11.913609504699707],["▁cocktail",-11.913613319396973],["▁rocks",-11.91366958618164],["meinen",-11.91374683380127],["entrepreneur",-11.913780212402344],["schwarz",-11.913924217224121],["▁diesel",-11.91392993927002],["▁villages",-11.913969039916992],["▁cups",-11.914076805114746],["▁stairs",-11.914241790771484],["▁Match",-11.914350509643555],["Taking",-11.914437294006348],["prin",-11.914469718933105],["▁penal",-11.91472053527832],["partner",-11.914867401123047],["wave",-11.91497802734375],["▁baie",-11.91515064239502],["LAN",-11.915151596069336],["fix",-11.915202140808105],["▁surveillance",-11.915295600891113],["▁Register",-11.915343284606934],["oara",-11.915536880493164],["▁Phoenix",-11.915602684020996],["aktuellen",-11.915613174438477],["▁livres",-11.915618896484375],["▁entities",-11.916102409362793],["▁Regard",-11.916112899780273],["▁Jazz",-11.91614055633545],["▁flame",-11.91616153717041],["▁independence",-11.916215896606445],["▁Adventure",-11.916341781616211],["▁assign",-11.916399955749512],["▁Adult",-11.916579246520996],["kehr",-11.916666984558105],["▁ordering",-11.916850090026855],["▁charts",-11.91687297821045],["▁Român",-11.916936874389648],["bauen",-11.916982650756836],["▁Floor",-11.917065620422363],["▁Meet",-11.917101860046387],["▁compromise",-11.917158126831055],["regarded",-11.917171478271484],["02.",-11.917215347290039],["▁granite",-11.917299270629883],["▁Judge",-11.917314529418945],["opti",-11.917373657226562],["liste",-11.917379379272461],["▁capacité",-11.917427062988281],["▁criticism",-11.917450904846191],["LES",-11.918198585510254],["▁Century",-11.918211936950684],["▁mobility",-11.918252944946289],["▁variation",-11.918622016906738],["▁Utah",-11.91867446899414],["▁seminar",-11.918678283691406],["▁experiments",-11.918803215026855],["midst",-11.918943405151367],["▁Psycho",-11.919002532958984],["▁choses",-11.919121742248535],["▁Karl",-11.919175148010254],["▁ruling",-11.919286727905273],["▁Voice",-11.919404983520508],["▁împotriv",-11.919442176818848],["▁mesaj",-11.919500350952148],["▁vrei",-11.919594764709473],["fan",-11.919601440429688],["parent",-11.919648170471191],["▁oraș",-11.919770240783691],["▁printable",-11.919777870178223],["▁diver",-11.919859886169434],["▁ochi",-11.919949531555176],["▁teenager",-11.920125961303711],["▁Death",-11.920150756835938],["▁manque",-11.920289993286133],["ască",-11.920345306396484],["▁prob",-11.9203519821167],["▁télé",-11.920354843139648],["cursul",-11.920378684997559],["pion",-11.92052173614502],["▁dedication",-11.920644760131836],["▁opr",-11.920687675476074],["führung",-11.920761108398438],["▁cognitive",-11.920827865600586],["soft",-11.920868873596191],["▁19,",-11.9209623336792],["▁24-",-11.921197891235352],["▁legitimate",-11.921220779418945],["▁comedy",-11.921277046203613],["▁violation",-11.921327590942383],["▁disposal",-11.921472549438477],["▁liegen",-11.921605110168457],["ко",-11.921878814697266],["▁martie",-11.921931266784668],["▁Vas",-11.92212200164795],["rash",-11.922134399414062],["▁hadn",-11.922174453735352],["▁connu",-11.922204971313477],["▁regelmäßig",-11.922216415405273],["▁Webseite",-11.922224998474121],["▁failing",-11.922273635864258],["explique",-11.922449111938477],["▁Player",-11.922513961791992],["vul",-11.922560691833496],["camp",-11.922992706298828],["▁erreicht",-11.922996520996094],["▁tags",-11.922998428344727],["▁headline",-11.923210144042969],["▁banc",-11.923253059387207],["▁Mayor",-11.923309326171875],["trop",-11.923395156860352],["AK",-11.9235258102417],["▁lighter",-11.923602104187012],["▁syndrome",-11.923604965209961],["▁Adrian",-11.92365550994873],["▁EUR",-11.923759460449219],["▁Missouri",-11.923916816711426],["▁Chan",-11.924108505249023],["topped",-11.924233436584473],["▁nationwide",-11.924276351928711],["▁6-",-11.924302101135254],["final",-11.924408912658691],["ttes",-11.924485206604004],["▁FO",-11.924537658691406],["▁legi",-11.924556732177734],["▁Hum",-11.924575805664062],["vita",-11.924662590026855],["▁Regen",-11.924695014953613],["▁confusion",-11.92498779296875],["▁valori",-11.925142288208008],["mill",-11.92516803741455],["did",-11.925237655639648],["pid",-11.925253868103027],["▁implications",-11.925284385681152],["▁Value",-11.92552375793457],["lângă",-11.925666809082031],["▁véritable",-11.92577075958252],["▁Stick",-11.925814628601074],["zol",-11.925835609436035],["▁ebenso",-11.925863265991211],["west",-11.925895690917969],["▁auszu",-11.92600154876709],["▁adorable",-11.926016807556152],["▁clarity",-11.92605209350586],["▁Wash",-11.926335334777832],["▁alien",-11.926423072814941],["usement",-11.926626205444336],["▁bones",-11.9266357421875],["▁Beau",-11.926726341247559],["▁Jet",-11.926727294921875],["▁visibility",-11.927034378051758],["impose",-11.927063941955566],["food",-11.927133560180664],["▁duce",-11.927361488342285],["▁Format",-11.927386283874512],["▁durability",-11.927424430847168],["▁Prim",-11.927614212036133],["▁mele",-11.927629470825195],["▁dürfen",-11.927631378173828],["▁Angebote",-11.92765998840332],["▁discharge",-11.927745819091797],["▁Justin",-11.928055763244629],["▁shame",-11.928228378295898],["▁heated",-11.928282737731934],["ères",-11.92856216430664],["human",-11.928810119628906],["4.5",-11.928831100463867],["▁lien",-11.928955078125],["▁Alan",-11.92896556854248],["▁transmis",-11.929130554199219],["▁Bul",-11.929137229919434],["plu",-11.929169654846191],["acul",-11.929337501525879],["merk",-11.929434776306152],["▁altfel",-11.929566383361816],["deli",-11.929689407348633],["▁Cru",-11.930001258850098],["▁hommes",-11.930127143859863],["aurait",-11.930137634277344],["cca",-11.930187225341797],["▁Path",-11.930208206176758],["astronom",-11.930241584777832],["▁détail",-11.930276870727539],["▁blocked",-11.930394172668457],["iding",-11.93044376373291],["schä",-11.930500030517578],["▁30-",-11.930624008178711],["diction",-11.930813789367676],["▁pulling",-11.930868148803711],["▁Sample",-11.930924415588379],["▁renewable",-11.930997848510742],["▁Pinterest",-11.93106746673584],["▁Tages",-11.93106746673584],["▁shed",-11.931171417236328],["▁hart",-11.931188583374023],["▁serie",-11.931200981140137],["▁documentary",-11.931208610534668],["gebaut",-11.931220054626465],["▁Hause",-11.931272506713867],["share",-11.931303977966309],["▁inflation",-11.93138599395752],["▁gall",-11.931504249572754],["▁adjacent",-11.931673049926758],["jer",-11.93173885345459],["▁Universal",-11.931946754455566],["▁disabilities",-11.931984901428223],["▁proposition",-11.93204116821289],["Work",-11.932293891906738],["▁closure",-11.932306289672852],["▁separated",-11.932496070861816],["▁soda",-11.932549476623535],["▁elite",-11.93263053894043],["appro",-11.93265438079834],["▁acute",-11.93266487121582],["utton",-11.932938575744629],["▁facă",-11.933053016662598],["▁collector",-11.933121681213379],["▁unlock",-11.933249473571777],["▁Alpha",-11.933267593383789],["▁Used",-11.933267593383789],["▁applicants",-11.933302879333496],["▁înseamn",-11.933387756347656],["▁inclu",-11.933414459228516],["▁disclosure",-11.933544158935547],["▁Fahr",-11.933995246887207],["AST",-11.934061050415039],["▁vivre",-11.934069633483887],["»,",-11.934167861938477],["laud",-11.93430233001709],["▁soir",-11.934365272521973],["▁barrier",-11.934405326843262],["înd",-11.934470176696777],["▁ambition",-11.93451976776123],["asta",-11.934550285339355],["occupied",-11.934747695922852],["▁Gau",-11.934774398803711],["four",-11.93481159210205],["▁nap",-11.934887886047363],["iez",-11.934922218322754],["endra",-11.935242652893066],["gaben",-11.935464859008789],["▁Carol",-11.935481071472168],["▁Switzerland",-11.935575485229492],["▁Bond",-11.935617446899414],["▁crossing",-11.935630798339844],["▁Palace",-11.9359769821167],["NG",-11.935986518859863],["▁Budget",-11.93622875213623],["▁lid",-11.936372756958008],["bab",-11.936393737792969],["▁polish",-11.936416625976562],["▁herbs",-11.93673038482666],["▁dear",-11.936747550964355],["▁devrai",-11.936846733093262],["walk",-11.936864852905273],["▁humanity",-11.936897277832031],["▁tires",-11.936978340148926],["égal",-11.936994552612305],["▁bow",-11.937032699584961],["▁debris",-11.937201499938965],["▁keywords",-11.937273025512695],["irk",-11.937345504760742],["▁suspend",-11.937360763549805],["▁pourra",-11.93738079071045],["migran",-11.937454223632812],["thereby",-11.937570571899414],["▁Harris",-11.937943458557129],["ateurs",-11.937956809997559],["▁fal",-11.938271522521973],["alleged",-11.938355445861816],["noch",-11.938494682312012],["▁observation",-11.938506126403809],["▁București",-11.93855094909668],["▁SQL",-11.938624382019043],["▁Phase",-11.938760757446289],["▁adventures",-11.93881607055664],["▁Kol",-11.938885688781738],["▁professionnel",-11.938916206359863],["crit",-11.939026832580566],["LR",-11.939313888549805],["▁preview",-11.939464569091797],["▁highlighted",-11.939942359924316],["▁Stud",-11.939949035644531],["▁labour",-11.939956665039062],["MV",-11.9399995803833],["click",-11.940049171447754],["approche",-11.94016170501709],["tian",-11.940183639526367],["cité",-11.940192222595215],["▁Rain",-11.94028377532959],["typ",-11.94032096862793],["Usually",-11.940435409545898],["▁outlet",-11.940513610839844],["logging",-11.940814018249512],["▁Temperatur",-11.940906524658203],["▁Scottish",-11.94090747833252],["iga",-11.940942764282227],["▁glory",-11.941086769104004],["▁Rom",-11.941242218017578],["zeug",-11.941337585449219],["establishing",-11.941339492797852],["▁imaging",-11.941926002502441],["▁Beauty",-11.942015647888184],["igan",-11.942042350769043],["après",-11.94224739074707],["Adresse",-11.942267417907715],["cliff",-11.942349433898926],["▁unnecessary",-11.943267822265625],["▁slim",-11.943324089050293],["dir",-11.943490982055664],["▁leisure",-11.943660736083984],["▁principale",-11.94368839263916],["▁Viele",-11.943770408630371],["▁2007.",-11.943802833557129],["Hopefully",-11.943829536437988],["cola",-11.943851470947266],["▁Planet",-11.943927764892578],["▁orientation",-11.943933486938477],["▁angry",-11.94419002532959],["MIT",-11.944234848022461],["▁Kenya",-11.944265365600586],["▁bless",-11.94435977935791],["▁Fill",-11.944524765014648],["▁compar",-11.944664001464844],["▁curtain",-11.94473934173584],["ţei",-11.944754600524902],["▁Az",-11.94482421875],["▁Rang",-11.944908142089844],["▁dominant",-11.944974899291992],["race",-11.944985389709473],["▁Target",-11.944987297058105],["▁manually",-11.944987297058105],["objet",-11.945024490356445],["thrown",-11.945131301879883],["NF",-11.945149421691895],["durant",-11.945185661315918],["rect",-11.945302963256836],["▁Größe",-11.945320129394531],["VM",-11.9453763961792],["▁aprilie",-11.945476531982422],["▁Welche",-11.945639610290527],["▁verde",-11.946157455444336],["▁Portugal",-11.946266174316406],["▁algorithm",-11.94627571105957],["ăț",-11.946328163146973],["▁Grey",-11.946371078491211],["▁cleaned",-11.94644832611084],["▁modes",-11.946463584899902],["▁relaxation",-11.946599006652832],["mbr",-11.946786880493164],["étique",-11.946821212768555],["Her",-11.946904182434082],["▁beta",-11.946952819824219],["▁nobody",-11.94699764251709],["▁aplic",-11.947060585021973],["present",-11.947080612182617],["emis",-11.947197914123535],["éléments",-11.947257995605469],["▁lately",-11.947303771972656],["fab",-11.94732666015625],["▁aluminiu",-11.947373390197754],["▁vest",-11.947524070739746],["▁statue",-11.947558403015137],["▁publice",-11.947586059570312],["▁merchandise",-11.9476900100708],["▁relat",-11.947810173034668],["git",-11.94796371459961],["▁interne",-11.948281288146973],["▁Tokyo",-11.948325157165527],["chal",-11.948348045349121],["contacted",-11.948430061340332],["▁tras",-11.948455810546875],["▁Clinic",-11.948626518249512],["▁unbe",-11.948633193969727],["▁dumneavoastra",-11.948798179626465],["float",-11.949078559875488],["isson",-11.94909381866455],["▁vessel",-11.949126243591309],["attempting",-11.949161529541016],["▁doute",-11.94918441772461],["▁Leadership",-11.949322700500488],["▁sustain",-11.94947338104248],["▁textile",-11.949666023254395],["auer",-11.949702262878418],["▁90%",-11.949899673461914],["garten",-11.949911117553711],["▁adauga",-11.949991226196289],["▁Kil",-11.950061798095703],["▁troops",-11.950420379638672],["▁pale",-11.950568199157715],["host",-11.950743675231934],["▁cry",-11.950757026672363],["▁Alb",-11.950793266296387],["▁Brad",-11.95089340209961],["▁bicycle",-11.951054573059082],["▁24/7",-11.951217651367188],["▁с",-11.951228141784668],["▁stimul",-11.951401710510254],["gler",-11.951445579528809],["▁notwendig",-11.951496124267578],["▁cousin",-11.95158863067627],["cheie",-11.951600074768066],["hay",-11.951751708984375],["▁rezolv",-11.952134132385254],["▁THIS",-11.952143669128418],["ordre",-11.952157974243164],["iști",-11.952173233032227],["▁conclude",-11.952310562133789],["▁Lage",-11.952327728271484],["▁Entertainment",-11.952454566955566],["▁valued",-11.952478408813477],["ktion",-11.95253849029541],["▁priorities",-11.95268440246582],["▁1986",-11.952770233154297],["▁fatal",-11.952934265136719],["▁accurately",-11.952988624572754],["▁1987",-11.953022956848145],["▁folk",-11.953073501586914],["7)",-11.953163146972656],["führer",-11.95360279083252],["▁knot",-11.953612327575684],["haltung",-11.953720092773438],["▁Charlie",-11.953733444213867],["âge",-11.95376205444336],["▁threshold",-11.954041481018066],["▁assault",-11.954130172729492],["▁meist",-11.954141616821289],["bine",-11.954155921936035],["surprisingly",-11.954171180725098],["▁Protect",-11.954180717468262],["▁Hack",-11.954258918762207],["▁Quant",-11.954537391662598],["▁Cet",-11.954782485961914],["▁convinced",-11.95481014251709],["▁muncă",-11.955033302307129],["dging",-11.955066680908203],["▁Millionen",-11.955129623413086],["zahlung",-11.955148696899414],["▁anticipated",-11.955192565917969],["▁brass",-11.9552001953125],["KO",-11.955244064331055],["▁culori",-11.955286979675293],["▁Aero",-11.955326080322266],["▁intermediu",-11.955373764038086],["▁Philippines",-11.955381393432617],["▁jury",-11.955387115478516],["▁Funktion",-11.95569896697998],["▁probe",-11.955704689025879],["TL",-11.955748558044434],["1.0",-11.955804824829102],["ELL",-11.95581340789795],["She",-11.956001281738281],["▁Blood",-11.956073760986328],["▁Dean",-11.956111907958984],["▁scène",-11.9561185836792],["volu",-11.95621395111084],["▁Epi",-11.95621395111084],["▁séjour",-11.95627498626709],["▁Smartphone",-11.956306457519531],["▁fired",-11.956357955932617],["beat",-11.95650577545166],["▁pockets",-11.956506729125977],["▁serviciu",-11.956624031066895],["▁affairs",-11.95678424835205],["▁Ry",-11.956842422485352],["▁Stadium",-11.956954956054688],["▁snacks",-11.957182884216309],["▁efectu",-11.957221031188965],["▁Richtung",-11.957273483276367],["▁dresses",-11.957352638244629],["▁Medien",-11.95744800567627],["writer",-11.95759105682373],["changing",-11.957655906677246],["▁supportive",-11.957849502563477],["▁beneath",-11.957873344421387],["paid",-11.958078384399414],["▁customize",-11.958155632019043],["▁Ferr",-11.958187103271484],["reaches",-11.958338737487793],["arma",-11.958401679992676],["ción",-11.958598136901855],["▁elderly",-11.959243774414062],["▁modification",-11.95934009552002],["▁perfection",-11.959381103515625],["▁Allow",-11.959492683410645],["▁belonging",-11.959542274475098],["▁compound",-11.959589004516602],["▁Results",-11.959681510925293],["▁astăzi",-11.959793090820312],["▁Liber",-11.959818840026855],["jor",-11.959850311279297],["▁Nin",-11.959980964660645],["▁lumina",-11.959992408752441],["▁130",-11.960073471069336],["▁Platform",-11.960121154785156],["▁SMS",-11.960221290588379],["▁medic",-11.96024227142334],["hör",-11.960315704345703],["▁Kas",-11.96038818359375],["▁tomato",-11.960403442382812],["▁logiciel",-11.960505485534668],["php",-11.960654258728027],["▁premises",-11.96071720123291],["▁Communication",-11.96072769165039],["▁reprezintă",-11.960762023925781],["▁Partners",-11.960866928100586],["▁RV",-11.961090087890625],["▁pants",-11.961197853088379],["▁envie",-11.961256980895996],["▁commerce",-11.961263656616211],["▁tears",-11.961298942565918],["▁cooler",-11.961494445800781],["strand",-11.961556434631348],["▁Gil",-11.961588859558105],["▁référence",-11.961641311645508],["▁electronics",-11.961681365966797],["exposition",-11.961700439453125],["▁Caribbean",-11.96171760559082],["▁compelling",-11.96171760559082],["luci",-11.961723327636719],["▁Brooklyn",-11.961892127990723],["▁Thai",-11.961950302124023],["dler",-11.96198844909668],["▁supra",-11.962016105651855],["centered",-11.962026596069336],["▁metro",-11.962081909179688],["▁03",-11.962299346923828],["▁enrich",-11.962437629699707],["▁adevarat",-11.962594985961914],["5000",-11.962961196899414],["▁bell",-11.96297550201416],["▁sine",-11.962996482849121],["▁appealing",-11.963088989257812],["clam",-11.963116645812988],["▁vorhanden",-11.963165283203125],["▁pickup",-11.963268280029297],["▁Alaska",-11.963269233703613],["▁Nacht",-11.963300704956055],["borough",-11.9633207321167],["▁Blanc",-11.96340274810791],["▁apare",-11.963616371154785],["▁Works",-11.963798522949219],["mettent",-11.963801383972168],["atter",-11.96389389038086],["terra",-11.963946342468262],["▁Bit",-11.964105606079102],["RL",-11.964131355285645],["▁Wander",-11.964262962341309],["▁Hawk",-11.964595794677734],["▁Probleme",-11.964665412902832],["regel",-11.964729309082031],["hne",-11.964739799499512],["fass",-11.96486759185791],["▁Andy",-11.965014457702637],["▁befinde",-11.965179443359375],["boo",-11.965265274047852],["▁connectivity",-11.965304374694824],["▁spielt",-11.965418815612793],["zweiten",-11.96547794342041],["ţilor",-11.965526580810547],["▁confi",-11.96561336517334],["▁schlecht",-11.965773582458496],["▁Beginn",-11.96581745147705],["▁floating",-11.965903282165527],["nimmt",-11.966071128845215],["▁arbeiten",-11.96611213684082],["pillar",-11.966131210327148],["sterreich",-11.966347694396973],["▁Schule",-11.966446876525879],["▁durée",-11.966521263122559],["▁honestly",-11.96653938293457],["▁acel",-11.9666166305542],["▁Prozess",-11.96662425994873],["Min",-11.966629028320312],["enii",-11.966632843017578],["DAY",-11.966758728027344],["▁Blo",-11.966806411743164],["▁bolt",-11.966946601867676],["sicher",-11.967070579528809],["▁17,",-11.967122077941895],["▁anchor",-11.967215538024902],["▁consistency",-11.967241287231445],["▁relatives",-11.967263221740723],["▁lac",-11.967385292053223],["105",-11.967432975769043],["▁Craig",-11.967534065246582],["▁mandate",-11.967598915100098],["▁bedeutet",-11.967674255371094],["▁Soviet",-11.967680931091309],["▁arguments",-11.967938423156738],["▁Gebäude",-11.967997550964355],["▁Parliament",-11.968005180358887],["▁Kha",-11.968087196350098],["nica",-11.968130111694336],["▁Amazing",-11.968162536621094],["gründe",-11.968179702758789],["▁Ott",-11.968269348144531],["Exp",-11.968314170837402],["▁ianuarie",-11.96848201751709],["riot",-11.968571662902832],["▁futur",-11.968626976013184],["▁Honda",-11.968647956848145],["!!!!",-11.96865177154541],["▁citit",-11.968689918518066],["▁22,",-11.968708992004395],["țional",-11.968711853027344],["▁lovers",-11.968732833862305],["▁Current",-11.968835830688477],["▁drone",-11.96927261352539],["▁promising",-11.969335556030273],["devoted",-11.969443321228027],["▁Born",-11.969520568847656],["▁viitor",-11.969589233398438],["▁ritual",-11.969614028930664],["▁Guard",-11.969681739807129],["09.",-11.969828605651855],["▁Py",-11.970260620117188],["▁finds",-11.970380783081055],["▁boli",-11.970394134521484],["▁Mitglieder",-11.970697402954102],["ogni",-11.97107982635498],["▁stones",-11.97118854522705],["rox",-11.971210479736328],["▁dock",-11.971390724182129],["▁onion",-11.97144889831543],["▁classified",-11.971538543701172],["big",-11.971833229064941],["RG",-11.971857070922852],["influenced",-11.971955299377441],["▁sudden",-11.971988677978516],["▁ample",-11.97204303741455],["án",-11.972095489501953],["▁ornament",-11.972122192382812],["datele",-11.972227096557617],["▁Dad",-11.97225284576416],["BER",-11.972278594970703],["gerecht",-11.972380638122559],["kett",-11.972536087036133],["▁Antonio",-11.972572326660156],["Nu",-11.972834587097168],["dium",-11.97284984588623],["CAD",-11.972850799560547],["▁bundle",-11.972916603088379],["▁Vari",-11.97301197052002],["▁thrive",-11.973020553588867],["▁Seminar",-11.973071098327637],["wire",-11.973084449768066],["▁contributing",-11.973114967346191],["▁Bour",-11.97320556640625],["▁dori",-11.973206520080566],["▁packing",-11.97343921661377],["▁colleges",-11.973459243774414],["▁garbage",-11.97366714477539],["▁vector",-11.973837852478027],["▁suggestion",-11.973897933959961],["borne",-11.973904609680176],["▁Listen",-11.973938941955566],["▁Prix",-11.973957061767578],["viennent",-11.974162101745605],["insbesondere",-11.97426700592041],["▁fonctionne",-11.974435806274414],["▁mainstream",-11.974485397338867],["▁merci",-11.974574089050293],["oko",-11.97460651397705],["▁Commerce",-11.97493839263916],["▁droits",-11.975115776062012],["▁muzica",-11.975141525268555],["▁profesor",-11.9751558303833],["▁epic",-11.97518253326416],["▁intuitive",-11.975186347961426],["▁aggregate",-11.975223541259766],["▁vaccine",-11.97529411315918],["▁dank",-11.975459098815918],["▁situ",-11.975578308105469],["▁Cand",-11.975593566894531],["▁Ganz",-11.97562313079834],["▁Crystal",-11.97578239440918],["▁discretion",-11.975825309753418],["mug",-11.975997924804688],["▁anzu",-11.976144790649414],["▁cement",-11.97616958618164],["▁priest",-11.97625732421875],["▁rejected",-11.976298332214355],["▁Summit",-11.976325988769531],["▁Sara",-11.976424217224121],["▁palette",-11.976527214050293],["▁continuare",-11.976569175720215],["uge",-11.976676940917969],["ryl",-11.976844787597656],["▁Solid",-11.977142333984375],["▁meilleure",-11.977177619934082],["▁Tennessee",-11.977248191833496],["rail",-11.977326393127441],["▁attributes",-11.9773530960083],["▁vessels",-11.977840423583984],["cylinder",-11.977900505065918],["▁parfait",-11.977916717529297],["abb",-11.97801399230957],["▁Julie",-11.97806167602539],["▁pièces",-11.978120803833008],["▁proiecte",-11.978142738342285],["médi",-11.978273391723633],["▁décembre",-11.9783935546875],["Per",-11.97841739654541],["1/",-11.978520393371582],["regulated",-11.978601455688477],["▁Dy",-11.978633880615234],["▁23,",-11.978694915771484],["beck",-11.978763580322266],["tură",-11.97885513305664],["▁Chiar",-11.978931427001953],["▁isolated",-11.979012489318848],["▁kennen",-11.979259490966797],["Du",-11.979260444641113],["reflected",-11.979482650756836],["▁belong",-11.979571342468262],["▁welcomed",-11.97969913482666],["▁Rate",-11.979776382446289],["prestigious",-11.979859352111816],["▁1/4",-11.979930877685547],["▁distinction",-11.979966163635254],["▁boring",-11.980001449584961],["▁booked",-11.980369567871094],["▁citizen",-11.980441093444824],["▁comprises",-11.980498313903809],["▁aufge",-11.98051929473877],["GL",-11.980566024780273],["▁nearest",-11.980616569519043],["▁printr",-11.980692863464355],["▁département",-11.981318473815918],["▁planner",-11.981510162353516],["▁Rai",-11.981817245483398],["▁Broad",-11.981934547424316],["▁pastor",-11.981947898864746],["▁reservation",-11.982243537902832],["▁decembrie",-11.982315063476562],["▁suficient",-11.982501983642578],["geld",-11.982560157775879],["training",-11.982620239257812],["deshalb",-11.982634544372559],["▁chaud",-11.982651710510254],["Cor",-11.982662200927734],["▁Grade",-11.982769966125488],["▁faţă",-11.982809066772461],["story",-11.982839584350586],["gericht",-11.98286247253418],["▁Got",-11.982954025268555],["particulièrement",-11.982976913452148],["▁bump",-11.983051300048828],["▁fatigue",-11.983160018920898],["Activ",-11.983250617980957],["▁numéro",-11.983302116394043],["▁stranger",-11.983312606811523],["▁Skin",-11.983327865600586],["add",-11.98344898223877],["Ainsi",-11.98357105255127],["▁assists",-11.983684539794922],["▁zusätzlich",-11.983943939208984],["▁vede",-11.983979225158691],["RON",-11.984108924865723],["▁seemingly",-11.984126091003418],["▁NU",-11.98417854309082],["geb",-11.984273910522461],["▁Release",-11.984353065490723],["▁throwing",-11.984427452087402],["▁Alabama",-11.984447479248047],["▁Something",-11.984590530395508],["▁Cuba",-11.98464584350586],["▁Verbindung",-11.984649658203125],["▁Cir",-11.984654426574707],["your",-11.984713554382324],["-13",-11.984748840332031],["▁Delta",-11.984801292419434],["▁Twin",-11.98504638671875],["▁governance",-11.985156059265137],["▁groom",-11.985310554504395],["▁conception",-11.98533821105957],["▁governor",-11.985383033752441],["▁Spar",-11.985416412353516],["▁coastal",-11.985652923583984],["▁Seven",-11.985856056213379],["▁inclusive",-11.986002922058105],["cili",-11.986035346984863],["▁Ridge",-11.986100196838379],["teller",-11.986224174499512],["▁Kin",-11.986247062683105],["leiter",-11.986279487609863],["stern",-11.986364364624023],["change",-11.986404418945312],["▁presidential",-11.986433982849121],["▁composer",-11.986544609069824],["Stu",-11.986560821533203],["▁Frankfurt",-11.986584663391113],["prä",-11.986639976501465],["▁Ideal",-11.986644744873047],["▁linear",-11.986857414245605],["▁bloom",-11.986879348754883],["▁grades",-11.986881256103516],["mettant",-11.98692512512207],["▁finishes",-11.986952781677246],["holz",-11.987086296081543],["▁dirty",-11.987317085266113],["▁Roh",-11.987386703491211],["▁Praxis",-11.987408638000488],["tempo",-11.987433433532715],["▁attempted",-11.987433433532715],["▁primar",-11.987434387207031],["▁pomp",-11.987528800964355],["▁tolle",-11.987614631652832],["▁adres",-11.988011360168457],["▁Between",-11.988066673278809],["▁ruin",-11.988432884216309],["▁matériel",-11.988561630249023],["MER",-11.988913536071777],["Nevertheless",-11.989055633544922],["▁corruption",-11.989119529724121],["spire",-11.989180564880371],["▁mou",-11.989208221435547],["ROM",-11.989278793334961],["▁underground",-11.98935604095459],["▁relativ",-11.989389419555664],["waited",-11.989462852478027],["▁speeds",-11.989468574523926],["▁adjusted",-11.989486694335938],["▁Flat",-11.989514350891113],["UND",-11.98965835571289],["▁individuelle",-11.989744186401367],["▁anybody",-11.98978042602539],["EO",-11.989790916442871],["->",-11.989791870117188],["▁Spend",-11.989876747131348],["aktion",-11.990011215209961],["édit",-11.99006462097168],["▁quest",-11.990078926086426],["rind",-11.990541458129883],["▁mediu",-11.99057388305664],["▁barriers",-11.99062442779541],["▁répondre",-11.990633010864258],["▁novembre",-11.990708351135254],["▁champ",-11.990736961364746],["saw",-11.990757942199707],["▁fed",-11.990804672241211],["▁favorites",-11.990939140319824],["▁shield",-11.991055488586426],["▁Wide",-11.991146087646484],["▁problema",-11.991445541381836],["▁Asta",-11.991525650024414],["▁refreshing",-11.99168872833252],["hey",-11.991692543029785],["obtaining",-11.991788864135742],["▁parler",-11.992072105407715],["▁Cele",-11.992134094238281],["frage",-11.992136001586914],["écran",-11.992324829101562],["▁cleared",-11.992448806762695],["zehn",-11.992594718933105],["parmi",-11.992647171020508],["änder",-11.992691993713379],["▁Defense",-11.992693901062012],["tatea",-11.992696762084961],["▁reasonably",-11.992939949035645],["▁Idee",-11.992985725402832],["nehm",-11.993000030517578],["technologie",-11.993020057678223],["atura",-11.993048667907715],["▁slope",-11.993332862854004],["Hence",-11.993351936340332],["▁40%",-11.993391990661621],["▁jewe",-11.993448257446289],["▁queries",-11.993470191955566],["▁$8",-11.994096755981445],["▁Parker",-11.994107246398926],["▁publique",-11.994488716125488],["quant",-11.994529724121094],["issue",-11.994690895080566],["▁Cleveland",-11.994847297668457],["4,000",-11.995071411132812],["IDE",-11.995145797729492],["▁Barbara",-11.995233535766602],["udge",-11.995477676391602],["corn",-11.99554443359375],["veți",-11.995588302612305],["▁proteins",-11.995707511901855],["▁trăi",-11.995793342590332],["▁mijloc",-11.995842933654785],["logie",-11.995884895324707],["▁Walter",-11.995884895324707],["heißt",-11.99593448638916],["search",-11.995946884155273],["▁hochwertige",-11.996010780334473],["▁încerc",-11.996014595031738],["▁administrator",-11.99608039855957],["tension",-11.996133804321289],["▁homemade",-11.996438026428223],["▁$20",-11.99651050567627],["▁leben",-11.996662139892578],["netz",-11.996665954589844],["▁intensity",-11.996882438659668],["▁clever",-11.996891975402832],["▁installer",-11.996999740600586],["▁Wand",-11.997087478637695],["meister",-11.997130393981934],["ziel",-11.99744701385498],["▁architect",-11.99748706817627],["▁crede",-11.997512817382812],["▁Sleep",-11.997675895690918],["▁demonstr",-11.997745513916016],["cake",-11.997781753540039],["▁Cheap",-11.997783660888672],["pool",-11.9979829788208],["▁gadget",-11.998004913330078],["▁Anbieter",-11.998005867004395],["▁Jonathan",-11.998170852661133],["ül",-11.998492240905762],["▁Harvard",-11.998503684997559],["▁1985",-11.998773574829102],["HP",-11.998839378356934],["▁afara",-11.99893569946289],["▁halten",-11.999008178710938],["▁Technik",-11.999042510986328],["▁dressed",-11.999149322509766],["weis",-11.999165534973145],["▁donated",-11.9993314743042],["also",-11.99938678741455],["▁EN",-11.999405860900879],["▁imprim",-11.99942398071289],["▁onions",-11.999458312988281],["Par",-11.99950122833252],["▁donate",-11.99958324432373],["▁mice",-11.999610900878906],["referring",-11.999897956848145],["▁restored",-12.00003433227539],["▁amateur",-12.0000581741333],["▁Switch",-12.000075340270996],["appel",-12.00013542175293],["▁idéal",-12.0001859664917],["▁wheat",-12.000199317932129],["▁lime",-12.000240325927734],["REA",-12.00027084350586],["riti",-12.000357627868652],["ţiile",-12.00058364868164],["▁machinery",-12.00064754486084],["UNE",-12.00089168548584],["▁Cont",-12.000971794128418],["▁attendees",-12.001014709472656],["▁aparat",-12.001080513000488],["freundlich",-12.00117301940918],["▁zilnic",-12.001175880432129],["▁spark",-12.001421928405762],["▁Gast",-12.001459121704102],["▁Issue",-12.00147533416748],["▁scam",-12.001566886901855],["▁bonds",-12.001618385314941],["owner",-12.001641273498535],["▁empfehlen",-12.001673698425293],["elia",-12.001749992370605],["cic",-12.001757621765137],["▁honored",-12.001800537109375],["▁castle",-12.001846313476562],["avand",-12.002058982849121],["rough",-12.002108573913574],["▁Address",-12.002116203308105],["angle",-12.00217342376709],["leton",-12.002259254455566],["▁locked",-12.002392768859863],["▁consolid",-12.00248908996582],["▁voucher",-12.003011703491211],["ației",-12.003201484680176],["wachsen",-12.003211975097656],["▁magazines",-12.003287315368652],["▁Schools",-12.003318786621094],["▁voices",-12.003362655639648],["▁Dry",-12.003479957580566],["▁tricks",-12.00349235534668],["schließlich",-12.003546714782715],["▁loyalty",-12.003687858581543],["risk",-12.003764152526855],["▁Vers",-12.003786087036133],["chester",-12.003802299499512],["▁decorated",-12.003830909729004],["▁copiilor",-12.003969192504883],["riz",-12.003994941711426],["03.",-12.004013061523438],["▁Hur",-12.004016876220703],["▁archive",-12.004021644592285],["▁Continue",-12.004042625427246],["▁Nähe",-12.004043579101562],["jit",-12.004090309143066],["gekommen",-12.004301071166992],["▁conjunction",-12.004349708557129],["combining",-12.004404067993164],["▁Unterstützung",-12.004517555236816],["oza",-12.004593849182129],["▁sketch",-12.004720687866211],["▁arată",-12.004731178283691],["▁Mining",-12.004765510559082],["uous",-12.004791259765625],["▁devis",-12.004834175109863],["Almost",-12.004862785339355],["Hu",-12.005037307739258],["▁Om",-12.005366325378418],["MF",-12.00544548034668],["liz",-12.005451202392578],["▁fails",-12.005456924438477],["▁comparable",-12.005459785461426],["▁vein",-12.005547523498535],["▁Vis",-12.00561809539795],["▁viagra",-12.005654335021973],["▁farming",-12.005678176879883],["▁Late",-12.005765914916992],["geschrieben",-12.006033897399902],["hrew",-12.006103515625],["▁melt",-12.006120681762695],["lager",-12.006168365478516],["halte",-12.006240844726562],["▁Hotels",-12.006266593933105],["▁facebook",-12.0064058303833],["▁défi",-12.006550788879395],["shore",-12.006802558898926],["▁membrane",-12.006866455078125],["▁sixth",-12.006903648376465],["api",-12.007003784179688],["▁Owner",-12.007222175598145],["▁(\"",-12.007234573364258],["▁$50",-12.007280349731445],["▁protective",-12.007420539855957],["/2",-12.007548332214355],["▁Girls",-12.007562637329102],["Gri",-12.00769329071045],["▁nouă",-12.007708549499512],["▁infections",-12.007813453674316],["rân",-12.007868766784668],["▁Geb",-12.0078763961792],["▁Conseil",-12.007905006408691],["▁imagini",-12.007909774780273],["▁promotions",-12.00794792175293],["▁enforce",-12.00795841217041],["▁applicant",-12.007965087890625],["▁Apart",-12.008087158203125],["▁progression",-12.008151054382324],["▁careers",-12.008511543273926],["▁litigation",-12.008533477783203],["▁Menge",-12.00866413116455],["▁Contract",-12.00871753692627],["▁Kel",-12.0087308883667],["▁réserve",-12.008769035339355],["▁Cold",-12.008870124816895],["▁larg",-12.009040832519531],["▁microwave",-12.009090423583984],["▁Whit",-12.009212493896484],["▁Technologies",-12.009381294250488],["OU",-12.00949478149414],["itudine",-12.00959587097168],["▁handles",-12.009895324707031],["▁proceedings",-12.009982109069824],["▁prizes",-12.010043144226074],["▁unterstützen",-12.010062217712402],["▁piele",-12.010090827941895],["▁profound",-12.010153770446777],["schließen",-12.0101957321167],["▁trafic",-12.01025104522705],["▁Nar",-12.010441780090332],["▁Gesamt",-12.0106201171875],["▁bugs",-12.010720252990723],["▁Amy",-12.010764122009277],["▁eastern",-12.010775566101074],["nice",-12.010784149169922],["▁Besuch",-12.010835647583008],["▁synth",-12.010892868041992],["▁clasa",-12.011194229125977],["Book",-12.01134204864502],["▁ribbon",-12.011415481567383],["▁neues",-12.011431694030762],["ZE",-12.011504173278809],["▁peers",-12.011613845825195],["leistung",-12.011730194091797],["▁internship",-12.011808395385742],["count",-12.011850357055664],["nam",-12.01193618774414],["▁12-",-12.012072563171387],["acked",-12.012146949768066],["gonna",-12.012146949768066],["▁Dinge",-12.01215648651123],["Time",-12.012299537658691],["▁twelve",-12.01242446899414],["eye",-12.012432098388672],["▁avantaj",-12.01253604888916],["▁Glas",-12.012731552124023],["aucune",-12.0127534866333],["▁boil",-12.012763977050781],["▁Gray",-12.012773513793945],["adapt",-12.01288890838623],["occ",-12.012895584106445],["▁prieten",-12.012897491455078],["▁trai",-12.01296615600586],["▁Scal",-12.013009071350098],["▁conscious",-12.013057708740234],["▁charter",-12.013093948364258],["KS",-12.013242721557617],["▁Barr",-12.013404846191406],["▁summit",-12.013411521911621],["▁inflammation",-12.013439178466797],["tungs",-12.013440132141113],["ovic",-12.013449668884277],["▁conduit",-12.013465881347656],["▁Alice",-12.013702392578125],["▁veterans",-12.013850212097168],["Während",-12.013944625854492],["▁maximal",-12.014013290405273],["▁Hawaii",-12.014037132263184],["▁Pine",-12.01432991027832],["acelasi",-12.014391899108887],["hyp",-12.014424324035645],["sensitivity",-12.01445198059082],["pour",-12.014481544494629],["ре",-12.014493942260742],["▁Kentucky",-12.015129089355469],["▁badge",-12.015276908874512],["affecting",-12.015310287475586],["▁chairman",-12.015311241149902],["▁München",-12.015467643737793],["▁Hersteller",-12.015469551086426],["▁urmat",-12.015615463256836],["tels",-12.015654563903809],["▁FM",-12.015701293945312],["▁Basis",-12.015732765197754],["▁erklärt",-12.015809059143066],["▁changer",-12.015859603881836],["tischen",-12.0159330368042],["▁brave",-12.015960693359375],["▁siguranta",-12.015986442565918],["▁partnerships",-12.015989303588867],["ților",-12.015999794006348],["▁breathe",-12.016141891479492],["rink",-12.016551971435547],["▁footage",-12.016654014587402],["▁transformed",-12.016658782958984],["▁prep",-12.016866683959961],["▁upset",-12.016901969909668],["▁Native",-12.017059326171875],["▁Prima",-12.017154693603516],["▁jersey",-12.017163276672363],["230",-12.017182350158691],["▁lucrurile",-12.017393112182617],["▁divine",-12.017502784729004],["▁Pit",-12.017593383789062],["RIS",-12.01765251159668],["▁Cultural",-12.017672538757324],["▁exotic",-12.017786979675293],["▁tastes",-12.017881393432617],["▁bargain",-12.017913818359375],["▁optimize",-12.017985343933105],["▁électrique",-12.018012046813965],["deuxième",-12.018030166625977],["▁Gary",-12.018085479736328],["▁projection",-12.018122673034668],["▁sliding",-12.018195152282715],["club",-12.018216133117676],["association",-12.01823902130127],["▁LG",-12.018259048461914],["▁capsule",-12.018291473388672],["▁politicians",-12.018397331237793],["▁thumb",-12.018423080444336],["▁globally",-12.018743515014648],["positioned",-12.018796920776367],["▁Hamilton",-12.018861770629883],["arme",-12.018881797790527],["▁efectuat",-12.018881797790527],["zip",-12.019111633300781],["▁welfare",-12.019201278686523],["Leistung",-12.019230842590332],["▁Bac",-12.019316673278809],["▁fizic",-12.019338607788086],["OK",-12.019454002380371],["▁limba",-12.019545555114746],["▁wardrobe",-12.019549369812012],["▁offline",-12.019627571105957],["▁fortune",-12.019665718078613],["▁dialog",-12.019681930541992],["▁dramatically",-12.01997184753418],["▁NYC",-12.020045280456543],["▁Rem",-12.02017593383789],["▁bronze",-12.020455360412598],["▁pulse",-12.02053451538086],["Fortunately",-12.020562171936035],["▁glue",-12.020596504211426],["▁Expo",-12.020720481872559],["▁profitable",-12.020776748657227],["▁distributor",-12.020845413208008],["abilité",-12.020869255065918],["▁lyrics",-12.020913124084473],["▁mesh",-12.02114486694336],["▁organizational",-12.021157264709473],["▁vanilla",-12.021249771118164],["▁foc",-12.021355628967285],["▁1984",-12.02147388458252],["▁créé",-12.02172565460205],["▁servi",-12.022027969360352],["▁underneath",-12.022095680236816],["▁surveys",-12.022143363952637],["▁genes",-12.022238731384277],["▁limite",-12.02224349975586],["oder",-12.022247314453125],["▁mandatory",-12.022269248962402],["▁hospitality",-12.022303581237793],["▁bikes",-12.022309303283691],["▁Quote",-12.022358894348145],["glu",-12.02241039276123],["▁activitatea",-12.022513389587402],["preventing",-12.022584915161133],["▁Kh",-12.02259635925293],["économie",-12.022616386413574],["▁visite",-12.022757530212402],["▁spectacle",-12.022778511047363],["▁tract",-12.022860527038574],["▁quant",-12.022862434387207],["▁evolu",-12.022866249084473],["▁invata",-12.023070335388184],["▁homo",-12.02311897277832],["▁Users",-12.02344799041748],["introducing",-12.023632049560547],["hibi",-12.023661613464355],["▁Instrument",-12.023805618286133],["▁ép",-12.023839950561523],["▁Raj",-12.023869514465332],["▁executives",-12.023881912231445],["atoire",-12.023885726928711],["▁erforderlich",-12.02397346496582],["male",-12.024211883544922],["umble",-12.024271011352539],["erson",-12.024277687072754],["▁Treatment",-12.024286270141602],["▁Representative",-12.024314880371094],["▁corners",-12.024409294128418],["▁Petit",-12.024599075317383],["8)",-12.02464771270752],["▁Walker",-12.024714469909668],["▁Stir",-12.02476692199707],["/19",-12.024767875671387],["▁Stelle",-12.024979591369629],["ără",-12.025009155273438],["osse",-12.025166511535645],["2000",-12.025189399719238],["▁McG",-12.025580406188965],["DV",-12.025773048400879],["▁Firm",-12.025862693786621],["▁packet",-12.025904655456543],["Toate",-12.02640438079834],["▁institutional",-12.026479721069336],["rug",-12.026663780212402],["DG",-12.026837348937988],["fine",-12.026837348937988],["bringen",-12.026856422424316],["▁Horse",-12.026921272277832],["▁premiere",-12.026937484741211],["▁Că",-12.027026176452637],["acheter",-12.02703857421875],["▁Afghanistan",-12.027053833007812],["▁Prop",-12.027085304260254],["ühr",-12.02715015411377],["▁braucht",-12.027398109436035],["▁sunny",-12.027424812316895],["▁Sach",-12.027461051940918],["▁volumes",-12.02753734588623],["tinut",-12.02759838104248],["▁Sho",-12.027722358703613],["▁winds",-12.027735710144043],["▁Mall",-12.027873992919922],["ledge",-12.027937889099121],["▁sciences",-12.027997016906738],["plication",-12.028024673461914],["VR",-12.028068542480469],["destin",-12.028234481811523],["▁früh",-12.02833366394043],["▁tongue",-12.028359413146973],["▁Jennifer",-12.028425216674805],["▁bracket",-12.028427124023438],["▁episodes",-12.02845287322998],["breite",-12.028461456298828],["▁stoc",-12.028635025024414],["ilia",-12.028728485107422],["▁Gulf",-12.02874755859375],["▁transparency",-12.028768539428711],["Industrie",-12.028853416442871],["▁viewers",-12.028916358947754],["AIN",-12.029129981994629],["▁Registration",-12.029149055480957],["/4",-12.029309272766113],["▁fera",-12.029337882995605],["▁06",-12.029351234436035],["▁einzu",-12.029391288757324],["enburg",-12.02944278717041],["▁eff",-12.029449462890625],["▁Stage",-12.029558181762695],["▁Cour",-12.029685020446777],["indu",-12.029836654663086],["▁Tools",-12.029909133911133],["IST",-12.029921531677246],["grund",-12.030105590820312],["seitig",-12.030153274536133],["pai",-12.030250549316406],["▁waist",-12.030350685119629],["▁Therapy",-12.03049373626709],["▁nomination",-12.030599594116211],["▁seama",-12.030790328979492],["▁analyse",-12.030975341796875],["▁emerge",-12.031044006347656],["▁adjustment",-12.031106948852539],["▁stroll",-12.031106948852539],["▁Beyond",-12.031174659729004],["▁legally",-12.03122615814209],["▁gauge",-12.03123664855957],["▁26,",-12.031360626220703],["Tex",-12.031390190124512],["economic",-12.031488418579102],["stoffe",-12.031532287597656],["Wir",-12.031559944152832],["ffen",-12.031601905822754],["▁acoperi",-12.031609535217285],["▁finale",-12.031792640686035],["▁theoretical",-12.031864166259766],["1.3",-12.031875610351562],["anim",-12.031888008117676],["▁separation",-12.031928062438965],["agence",-12.031937599182129],["▁réalisé",-12.032069206237793],["sprech",-12.03215503692627],["▁embedded",-12.032208442687988],["▁defence",-12.032242774963379],["éni",-12.032569885253906],["▁Norman",-12.032613754272461],["▁insgesamt",-12.032621383666992],["▁reminde",-12.032631874084473],["▁timeline",-12.032703399658203],["▁symbols",-12.032770156860352],["▁booth",-12.032783508300781],["▁Window",-12.032788276672363],["▁Titan",-12.032910346984863],["înt",-12.033021926879883],["▁langa",-12.033021926879883],["isant",-12.03303337097168],["hart",-12.033113479614258],["broader",-12.033266067504883],["▁stays",-12.033288955688477],["dur",-12.033488273620605],["▁Actually",-12.033514022827148],["works",-12.03351879119873],["▁réussi",-12.03357219696045],["▁performant",-12.033658981323242],["▁banana",-12.033788681030273],["▁baked",-12.033870697021484],["▁Parlament",-12.033931732177734],["▁Legend",-12.033967018127441],["toata",-12.034172058105469],["platte",-12.03419017791748],["▁Mou",-12.034192085266113],["HL",-12.034235000610352],["▁(8",-12.034290313720703],["▁accepting",-12.034313201904297],["▁Senator",-12.034340858459473],["▁consciousness",-12.034396171569824],["▁conducting",-12.0344820022583],["▁panic",-12.034833908081055],["▁FDA",-12.035112380981445],["▁(7",-12.035163879394531],["tool",-12.035300254821777],["▁Shipping",-12.03538703918457],["▁hop",-12.035545349121094],["▁conferences",-12.03564167022705],["▁pork",-12.035661697387695],["▁spam",-12.035730361938477],["▁interesant",-12.035815238952637],["▁Tagen",-12.03581714630127],["sig",-12.035886764526367],["étro",-12.036044120788574],["▁legendary",-12.036449432373047],["▁Alternative",-12.036643981933594],["iana",-12.036704063415527],["▁responsable",-12.036888122558594],["▁Mihai",-12.037237167358398],["▁decreased",-12.037345886230469],["▁organised",-12.037485122680664],["▁Lamp",-12.037589073181152],["litz",-12.037622451782227],["ohn",-12.037622451782227],["▁moteur",-12.0376615524292],["III",-12.03768539428711],["▁Montag",-12.037755012512207],["▁naturel",-12.037814140319824],["▁Hus",-12.037842750549316],["▁Schl",-12.037884712219238],["ains",-12.037968635559082],["▁dying",-12.0380859375],["▁HIV",-12.038115501403809],["],",-12.038164138793945],["alität",-12.03818416595459],["▁institute",-12.038249015808105],["mix",-12.038433074951172],["▁Regulation",-12.038453102111816],["▁pagina",-12.03857707977295],["▁Awesome",-12.03860092163086],["▁Official",-12.03860092163086],["▁Minute",-12.038601875305176],["▁dairy",-12.038787841796875],["▁carti",-12.038881301879883],["isk",-12.039091110229492],["▁thrilled",-12.039138793945312],["▁german",-12.039172172546387],["▁frustration",-12.039228439331055],["▁forums",-12.03927230834961],["command",-12.039361000061035],["▁router",-12.039399147033691],["▁Lösung",-12.039423942565918],["white",-12.039470672607422],["▁synthetic",-12.039487838745117],["▁retrouver",-12.039554595947266],["alle",-12.039621353149414],["daran",-12.039653778076172],["▁wahr",-12.039697647094727],["▁paths",-12.039875984191895],["▁unver",-12.039962768554688],["▁Environment",-12.0400972366333],["▁médecin",-12.040510177612305],["crypt",-12.040572166442871],["▁pursuit",-12.040595054626465],["flat",-12.040611267089844],["bron",-12.040698051452637],["▁Specialist",-12.040852546691895],["▁Vent",-12.041157722473145],["Gen",-12.04132080078125],["▁attraction",-12.04132080078125],["▁piese",-12.041372299194336],["CHE",-12.041665077209473],["fähig",-12.04172420501709],["▁28,",-12.041773796081543],["defender",-12.041810989379883],["▁stupid",-12.04181957244873],["enfin",-12.04185962677002],["▁composite",-12.04207706451416],["fragen",-12.042202949523926],["Part",-12.042232513427734],["may",-12.042238235473633],["▁Bucureşti",-12.042248725891113],["▁février",-12.042248725891113],["RED",-12.042417526245117],["▁makers",-12.042462348937988],["▁guns",-12.042594909667969],["▁pasta",-12.042706489562988],["STR",-12.04271125793457],["▁worthy",-12.042760848999023],["Poate",-12.042783737182617],["▁101",-12.04286003112793],["▁souhaitez",-12.04299545288086],["GN",-12.043449401855469],["drive",-12.043499946594238],["▁aveti",-12.043582916259766],["▁eventual",-12.043591499328613],["▁américain",-12.043642044067383],["▁Mine",-12.043678283691406],["▁sunset",-12.043729782104492],["▁Choice",-12.043844223022461],["▁offset",-12.043944358825684],["APP",-12.04410457611084],["▁suchen",-12.044130325317383],["▁aduc",-12.044228553771973],["▁Unternehmens",-12.044342041015625],["▁//",-12.044651985168457],["▁astept",-12.044678688049316],["▁Birthday",-12.045061111450195],["▁barn",-12.045083999633789],["apport",-12.045105934143066],["▁collar",-12.045212745666504],["▁gefunden",-12.045294761657715],["▁Hai",-12.045429229736328],["▁Soul",-12.045441627502441],["ismus",-12.045654296875],["letzt",-12.045754432678223],["▁maker",-12.045841217041016],["▁executed",-12.045857429504395],["▁Forschung",-12.045915603637695],["▁täglich",-12.045958518981934],["▁tailor",-12.045960426330566],["▁headquarters",-12.0460844039917],["▁physicians",-12.046112060546875],["▁Scout",-12.046126365661621],["folgen",-12.046175003051758],["▁cycling",-12.046184539794922],["mindestens",-12.04620361328125],["▁joli",-12.046216011047363],["▁classification",-12.046225547790527],["▁Führung",-12.046258926391602],["▁peau",-12.04629135131836],["INT",-12.046502113342285],["▁Garage",-12.046664237976074],["teile",-12.046714782714844],["util",-12.046716690063477],["▁petrec",-12.046751022338867],["▁Nevada",-12.046826362609863],["▁laisser",-12.04706859588623],["▁territoire",-12.047131538391113],["▁fichier",-12.047154426574707],["▁Formula",-12.047343254089355],["scopul",-12.047379493713379],["▁Tee",-12.047486305236816],["▁Monte",-12.047529220581055],["▁pumpkin",-12.04757022857666],["▁picnic",-12.047589302062988],["▁occupation",-12.047652244567871],["▁numérique",-12.047831535339355],["linie",-12.04786491394043],["▁masina",-12.048117637634277],["▁Prä",-12.048173904418945],["▁dezvoltare",-12.048177719116211],["▁vient",-12.048291206359863],["▁ranks",-12.048295021057129],["▁Bruce",-12.048420906066895],["▁seara",-12.048433303833008],["▁hungry",-12.048563003540039],["▁resolved",-12.048650741577148],["paired",-12.048735618591309],["▁Congratulations",-12.048881530761719],["▁religi",-12.048918724060059],["sätze",-12.04897689819336],["▁Eat",-12.049172401428223],["▁dense",-12.049442291259766],["▁slice",-12.049447059631348],["▁mulți",-12.049463272094727],["▁vorbe",-12.049517631530762],["▁terminate",-12.049779891967773],["worm",-12.049880981445312],["ignon",-12.0499267578125],["▁Howard",-12.049992561340332],["▁toddler",-12.050017356872559],["▁waters",-12.050033569335938],["▁graduates",-12.0501708984375],["▁fundraising",-12.050298690795898],["06.",-12.05031967163086],["▁scent",-12.050346374511719],["▁CPU",-12.050406455993652],["▁Kid",-12.05045223236084],["▁Years",-12.050460815429688],["▁Oktober",-12.05063533782959],["filled",-12.050726890563965],["▁Laser",-12.05079460144043],["▁tut",-12.051032066345215],["ively",-12.051101684570312],["▁WiFi",-12.051161766052246],["standen",-12.051176071166992],["▁publié",-12.051243782043457],["▁explaining",-12.051279067993164],["trieb",-12.051288604736328],["▁Rapid",-12.0513334274292],["▁unterstützt",-12.051352500915527],["▁Sonnen",-12.051401138305664],["▁lenses",-12.05141544342041],["▁pressing",-12.051477432250977],["▁respected",-12.051657676696777],["adapted",-12.051706314086914],["Don",-12.051726341247559],["▁mun",-12.051733016967773],["MAR",-12.05180835723877],["▁seam",-12.051852226257324],["chev",-12.052140235900879],["▁Sozial",-12.052424430847168],["▁Arabia",-12.052485466003418],["▁equation",-12.05257511138916],["▁elevi",-12.052780151367188],["▁piata",-12.052868843078613],["JA",-12.052873611450195],["▁wholesale",-12.052887916564941],["▁faithful",-12.05296516418457],["legal",-12.053092002868652],["▁Brexit",-12.053095817565918],["vention",-12.053120613098145],["▁adhere",-12.053221702575684],["▁Associate",-12.053257942199707],["▁decorations",-12.053272247314453],["▁crois",-12.053359985351562],["buck",-12.053370475769043],["▁smartphones",-12.053421020507812],["Regardless",-12.053427696228027],["center",-12.053434371948242],["eiß",-12.053481101989746],["▁emotion",-12.053584098815918],["▁Gespräch",-12.053797721862793],["▁Avi",-12.053963661193848],["▁loft",-12.054059982299805],["▁Wissen",-12.054391860961914],["▁orchestra",-12.05439567565918],["▁gehören",-12.054421424865723],["▁Reich",-12.054532051086426],["▁abandoned",-12.054548263549805],["▁Lanka",-12.054586410522461],["pala",-12.054832458496094],["▁Stell",-12.054838180541992],["logged",-12.054924964904785],["terie",-12.054935455322266],["▁educa",-12.054954528808594],["1).",-12.055097579956055],["▁disponibil",-12.055119514465332],["IND",-12.055197715759277],["▁Pont",-12.055288314819336],["▁téléphone",-12.055398941040039],["▁rope",-12.055595397949219],["ève",-12.055622100830078],["▁Trainer",-12.056062698364258],["▁présence",-12.0560941696167],["▁Oscar",-12.056121826171875],["▁VR",-12.056342124938965],["▁Besucher",-12.056357383728027],["▁disponibles",-12.056447982788086],["▁gelten",-12.056604385375977],["▁ports",-12.056645393371582],["Invest",-12.056693077087402],["ésormais",-12.056795120239258],["schauen",-12.056880950927734],["▁Command",-12.056958198547363],["▁alternate",-12.05709171295166],["citation",-12.05713939666748],["évolution",-12.05714225769043],["▁Maine",-12.057145118713379],["pflege",-12.057174682617188],["2011",-12.057343482971191],["▁Ground",-12.057364463806152],["▁ghost",-12.057418823242188],["lebt",-12.057530403137207],["▁scenarios",-12.057595252990723],["▁mall",-12.057634353637695],["▁Kings",-12.057653427124023],["▁15%",-12.057848930358887],["▁Paint",-12.057848930358887],["FD",-12.057849884033203],["ugg",-12.058011054992676],["▁Leon",-12.058023452758789],["▁grows",-12.058135032653809],["▁pharmacy",-12.058384895324707],["▁situat",-12.0584135055542],["20,000",-12.05855941772461],["▁10,000",-12.058760643005371],["▁membre",-12.058771133422852],["▁facilement",-12.058806419372559],["▁Analytics",-12.058915138244629],["▁Marvel",-12.058930397033691],["▁survived",-12.059097290039062],["▁conviction",-12.059124946594238],["▁Produktion",-12.059260368347168],["▁professionally",-12.059293746948242],["▁contributor",-12.059486389160156],["▁Kurs",-12.059503555297852],["▁humor",-12.059549331665039],["▁cinci",-12.059609413146973],["▁Different",-12.059670448303223],["▁Verarbeitung",-12.059800148010254],["▁inexpensive",-12.059800148010254],["▁sortie",-12.05980110168457],["▁thankful",-12.059951782226562],["▁vacances",-12.059978485107422],["▁vergangen",-12.059979438781738],["▁wings",-12.05998420715332],["▁nano",-12.06003475189209],["▁touches",-12.060088157653809],["▁Notice",-12.060348510742188],["▁reprezinta",-12.060466766357422],["▁rewarding",-12.060555458068848],["▁Kurz",-12.060580253601074],["▁mega",-12.060611724853516],["▁secrets",-12.060646057128906],["▁vorher",-12.060667037963867],["▁crescut",-12.06074333190918],["▁coordination",-12.060754776000977],["▁dissertation",-12.060863494873047],["▁header",-12.060873985290527],["existent",-12.061070442199707],["thal",-12.061185836791992],["▁translate",-12.061214447021484],["vertrag",-12.06124210357666],["GU",-12.06126594543457],["▁Arthur",-12.061315536499023],["wahl",-12.061534881591797],["▁octobre",-12.061573028564453],["▁bother",-12.06157398223877],["▁pencil",-12.061580657958984],["▁Dyna",-12.061604499816895],["▁complimentary",-12.061651229858398],["écoute",-12.061676979064941],["PB",-12.061722755432129],["▁independently",-12.061759948730469],["▁targeting",-12.061840057373047],["fought",-12.061944961547852],["mental",-12.062112808227539],["▁Veranstaltung",-12.062300682067871],["▁tatsächlich",-12.062314987182617],["▁Features",-12.0625],["▁1920",-12.062554359436035],["▁Domain",-12.062885284423828],["▁rally",-12.062901496887207],["▁iunie",-12.063036918640137],["▁fabrics",-12.063070297241211],["▁mint",-12.063331604003906],["▁antioxidant",-12.063347816467285],["hut",-12.063432693481445],["EPA",-12.063496589660645],["▁rigid",-12.063498497009277],["▁evit",-12.063549995422363],["▁personnage",-12.063977241516113],["▁garanti",-12.0640287399292],["▁Hä",-12.064042091369629],["▁Days",-12.064048767089844],["boarding",-12.064050674438477],["jemand",-12.064166069030762],["▁Pos",-12.064262390136719],["▁wool",-12.064288139343262],["▁boom",-12.064349174499512],["▁wichtige",-12.06447982788086],["▁emerged",-12.064517974853516],["▁smoothly",-12.064802169799805],["▁Interview",-12.064942359924316],["gemäß",-12.06505012512207],["▁suivi",-12.065064430236816],["▁missions",-12.065129280090332],["▁Kreis",-12.065328598022461],["century",-12.065348625183105],["▁tuned",-12.065370559692383],["isieren",-12.065407752990723],["▁Branch",-12.065427780151367],["▁Russell",-12.065483093261719],["▁**",-12.065519332885742],["▁Lehr",-12.065617561340332],["▁perspectives",-12.065690040588379],["▁handed",-12.06570816040039],["▁apporte",-12.065743446350098],["unta",-12.065959930419922],["▁contemplat",-12.066255569458008],["riel",-12.06633472442627],["▁freely",-12.066341400146484],["▁loyal",-12.066451072692871],["▁evolved",-12.066518783569336],["▁Cafe",-12.066548347473145],["▁assignments",-12.066598892211914],["▁Cream",-12.066718101501465],["▁Build",-12.066731452941895],["▁exams",-12.066746711730957],["▁graduation",-12.066765785217285],["▁Dining",-12.066773414611816],["inne",-12.06684398651123],["▁propriu",-12.067055702209473],["▁accordingly",-12.067241668701172],["▁seniors",-12.067484855651855],["▁sisters",-12.067505836486816],["formerly",-12.067658424377441],["▁fleur",-12.067702293395996],["▁alten",-12.067802429199219],["▁Gefühl",-12.06797981262207],["▁freeze",-12.068222045898438],["▁structured",-12.068312644958496],["▁reserved",-12.068367004394531],["stellt",-12.068638801574707],["▁foto",-12.068668365478516],["linger",-12.06871223449707],["▁profiter",-12.068737030029297],["▁trup",-12.068862915039062],["▁Hunter",-12.068974494934082],["▁widespread",-12.069050788879395],["entretien",-12.069242477416992],["▁Truck",-12.06958293914795],["Can",-12.069656372070312],["péri",-12.06976318359375],["▁>>",-12.069926261901855],["▁trains",-12.070141792297363],["▁faca",-12.070149421691895],["▁Patienten",-12.070170402526855],["▁scor",-12.070361137390137],["▁perceived",-12.070384979248047],["setzung",-12.070393562316895],["▁Robin",-12.070558547973633],["▁geboren",-12.07060718536377],["lons",-12.070687294006348],["inţa",-12.070836067199707],["glob",-12.070887565612793],["subsequently",-12.07111930847168],["▁vet",-12.071170806884766],["▁Holland",-12.071328163146973],["▁Clinical",-12.071370124816895],["▁uncertainty",-12.071381568908691],["hohen",-12.071386337280273],["uza",-12.071431159973145],["▁kleiner",-12.071518898010254],["▁substances",-12.07155704498291],["ados",-12.071627616882324],["wheel",-12.07178020477295],["▁cone",-12.071990966796875],["▁castig",-12.072218894958496],["▁Conditions",-12.072242736816406],["minus",-12.072643280029297],["▁permits",-12.07265853881836],["fond",-12.072784423828125],["▁reactions",-12.07278823852539],["▁Mario",-12.072819709777832],["▁materiale",-12.07291030883789],["AH",-12.072924613952637],["▁juillet",-12.073172569274902],["▁juridic",-12.073182106018066],["▁dropping",-12.073200225830078],["expérience",-12.073225021362305],["▁depot",-12.073345184326172],["▁plea",-12.073490142822266],["dezvoltarea",-12.073512077331543],["▁Independent",-12.07363224029541],["▁Homes",-12.073674201965332],["▁crust",-12.073808670043945],["▁pillow",-12.073899269104004],["kreis",-12.073920249938965],["▁boiler",-12.073928833007812],["latin",-12.073978424072266],["▁stet",-12.074131965637207],["GH",-12.074143409729004],["▁absent",-12.074334144592285],["▁Directors",-12.074501037597656],["zwischen",-12.07462215423584],["▁comprendre",-12.07465648651123],["▁25,",-12.074832916259766],["▁pharmaceutical",-12.075145721435547],["▁placeholder",-12.075174331665039],["KI",-12.075176239013672],["▁români",-12.07540225982666],["▁Dollar",-12.075509071350098],["▁Operations",-12.075525283813477],["▁Dublin",-12.075550079345703],["▁drawings",-12.0756196975708],["▁respir",-12.075769424438477],["▁haul",-12.0758056640625],["Obviously",-12.075864791870117],["▁Beat",-12.075864791870117],["▁jeans",-12.07590103149414],["▁Masters",-12.075927734375],["▁bits",-12.076213836669922],["poți",-12.076226234436035],["▁asigur",-12.076228141784668],["▁intampla",-12.076228141784668],["▁marc",-12.076282501220703],["......",-12.076404571533203],["▁districts",-12.076437950134277],["cru",-12.076457023620605],["nav",-12.076608657836914],["huile",-12.076644897460938],["▁limitation",-12.076647758483887],["boat",-12.076712608337402],["IRE",-12.076720237731934],["Unis",-12.07675838470459],["dated",-12.0769624710083],["▁consultants",-12.07699203491211],["▁Josh",-12.077007293701172],["tanz",-12.077184677124023],["launching",-12.0772066116333],["▁browsing",-12.077310562133789],["▁incerc",-12.077314376831055],["▁27,",-12.077375411987305],["не",-12.077398300170898],["wig",-12.077415466308594],["▁spar",-12.077458381652832],["▁token",-12.077547073364258],["▁09",-12.077548027038574],["spa",-12.07766056060791],["ometer",-12.07772159576416],["▁riders",-12.077869415283203],["▁Drop",-12.077898979187012],["RN",-12.078103065490723],["▁pairs",-12.07815933227539],["▁psychology",-12.078420639038086],["▁Douglas",-12.078437805175781],["▁verwenden",-12.078516960144043],["▁(9",-12.07857894897461],["▁Rental",-12.078728675842285],["▁délai",-12.078847885131836],["▁sooner",-12.078882217407227],["▁bankruptcy",-12.079109191894531],["04.",-12.079110145568848],["abend",-12.079194068908691],["çon",-12.079237937927246],["▁Ple",-12.079243659973145],["fug",-12.079337120056152],["▁Wohnung",-12.079410552978516],["▁Preise",-12.079424858093262],["▁Kay",-12.079427719116211],["▁notify",-12.079474449157715],["▁Brain",-12.079534530639648],["▁optical",-12.079580307006836],["▁modifications",-12.079727172851562],["▁repos",-12.07999324798584],["▁worksheet",-12.0800142288208],["continu",-12.08005428314209],["▁assumed",-12.08059024810791],["varying",-12.080626487731934],["feier",-12.080643653869629],["▁Freedom",-12.080717086791992],["▁Inhalte",-12.080740928649902],["▁observations",-12.080755233764648],["▁Gruppe",-12.080791473388672],["▁Cyber",-12.080883979797363],["hort",-12.080889701843262],["▁langue",-12.080915451049805],["führen",-12.08110523223877],["ganze",-12.081254005432129],["▁forte",-12.081327438354492],["▁Stefan",-12.081376075744629],["▁Jetzt",-12.081463813781738],["mehr",-12.081489562988281],["trip",-12.081549644470215],["▁poem",-12.081583976745605],["▁practitioners",-12.081720352172852],["▁connector",-12.08177661895752],["ECT",-12.081794738769531],["▁inseamna",-12.081820487976074],["addressing",-12.081867218017578],["▁beliebt",-12.081908226013184],["▁Mama",-12.082002639770508],["▁fade",-12.08204460144043],["messen",-12.08205509185791],["▁Visa",-12.082080841064453],["▁Meta",-12.082154273986816],["lene",-12.082188606262207],["▁remembered",-12.082334518432617],["/3",-12.082337379455566],["apte",-12.082347869873047],["▁uncomfortable",-12.082364082336426],["▁romance",-12.08253002166748],["▁réalis",-12.082601547241211],["▁Vincent",-12.082706451416016],["▁ABC",-12.08275318145752],["▁handicap",-12.082756042480469],["▁Shin",-12.082801818847656],["▁Hunde",-12.082847595214844],["▁Ach",-12.083131790161133],["▁Questions",-12.083136558532715],["▁particles",-12.083226203918457],["usch",-12.083230018615723],["▁SUV",-12.083279609680176],["▁Tous",-12.083301544189453],["▁empower",-12.08336067199707],["▁Yi",-12.083446502685547],["▁LinkedIn",-12.083453178405762],["▁Profile",-12.083507537841797],["▁surround",-12.083553314208984],["▁wh",-12.083560943603516],["▁Weiter",-12.083577156066895],["▁Weight",-12.083672523498535],["▁creatures",-12.083807945251465],["Especially",-12.08381462097168],["▁repede",-12.08383560180664],["▁albums",-12.083885192871094],["▁compatibil",-12.0839204788208],["▁Interesse",-12.083929061889648],["abili",-12.084062576293945],["▁roast",-12.084310531616211],["▁unii",-12.084310531616211],["▁Glad",-12.084421157836914],["▁enthusiasm",-12.084539413452148],["▁whisk",-12.084547996520996],["▁freezer",-12.084712982177734],["▁stolen",-12.084715843200684],["▁neighbour",-12.084883689880371],["▁sake",-12.084967613220215],["▁Effect",-12.0850191116333],["▁fighter",-12.085044860839844],["▁tranquil",-12.085084915161133],["▁organizer",-12.085199356079102],["pixel",-12.085306167602539],["▁Guest",-12.085338592529297],["▁Philipp",-12.085369110107422],["kunft",-12.085382461547852],["▁Meer",-12.085409164428711],["▁inviting",-12.085432052612305],["gänge",-12.085450172424316],["▁Position",-12.085627555847168],["giving",-12.085693359375],["▁marble",-12.085807800292969],["▁neg",-12.085813522338867],["▁Haar",-12.085914611816406],["Ein",-12.086039543151855],["▁buses",-12.086187362670898],["▁Lodge",-12.086188316345215],["soare",-12.086319923400879],["▁Barn",-12.086409568786621],["▁captain",-12.086527824401855],["▁Fix",-12.08657169342041],["ulate",-12.086629867553711],["ență",-12.086709022521973],["▁finances",-12.086770057678223],["▁VIP",-12.086800575256348],["▁Adams",-12.086801528930664],["▁spécialisé",-12.086960792541504],["▁fortunate",-12.087236404418945],["ility",-12.087345123291016],["▁democracy",-12.08749771118164],["shu",-12.087580680847168],["▁consiste",-12.087624549865723],["▁tort",-12.087692260742188],["▁branding",-12.087793350219727],["▁porch",-12.08780288696289],["UNI",-12.087867736816406],["▁placut",-12.087915420532227],["▁coupled",-12.088058471679688],["▁ministre",-12.088187217712402],["▁minerals",-12.088335037231445],["▁safer",-12.088335990905762],["▁outlets",-12.088438034057617],["▁caution",-12.08864688873291],["▁lightly",-12.0886869430542],["▁utilizator",-12.088700294494629],["▁Pala",-12.088959693908691],["▁doll",-12.088961601257324],["(1)",-12.089065551757812],["chol",-12.089120864868164],["▁Left",-12.08919620513916],["▁roulant",-12.089277267456055],["▁propune",-12.089301109313965],["▁Cred",-12.089339256286621],["▁negotiations",-12.089362144470215],["amba",-12.089393615722656],["▁grasp",-12.089420318603516],["▁Amsterdam",-12.089451789855957],["▁Zweck",-12.08945369720459],["▁conven",-12.089563369750977],["▁organizing",-12.089574813842773],["section",-12.089618682861328],["▁endeavor",-12.089634895324707],["▁basics",-12.089722633361816],["jud",-12.089874267578125],["▁yarn",-12.090049743652344],["▁shout",-12.09009075164795],["fällt",-12.090285301208496],["▁dragoste",-12.09054946899414],["▁Rein",-12.090594291687012],["Cal",-12.090688705444336],["▁deaths",-12.090729713439941],["▁24,",-12.0907564163208],["▁măr",-12.090773582458496],["server",-12.090825080871582],["▁explic",-12.09085464477539],["▁sufer",-12.090903282165527],["▁lucrări",-12.091097831726074],["▁Disease",-12.091126441955566],["▁prescribed",-12.091194152832031],["prozess",-12.091285705566406],["▁dessin",-12.091343879699707],["▁refuge",-12.091473579406738],["▁cope",-12.091631889343262],["pole",-12.09196949005127],["▁vacant",-12.091984748840332],["▁sezon",-12.092035293579102],["▁Carbon",-12.092227935791016],["▁goût",-12.092233657836914],["Ste",-12.092320442199707],["▁surroundings",-12.092754364013672],["definite",-12.09284496307373],["▁adaptation",-12.093358993530273],["cteur",-12.0933837890625],["System",-12.093442916870117],["▁Burg",-12.093550682067871],["▁retention",-12.093579292297363],["examen",-12.093618392944336],["▁adjustments",-12.093668937683105],["nies",-12.094213485717773],["▁RSS",-12.094215393066406],["▁Umwelt",-12.094259262084961],["▁strengths",-12.094326972961426],["loom",-12.094401359558105],["▁pics",-12.094404220581055],["phase",-12.09443187713623],["▁Poland",-12.094472885131836],["▁practicing",-12.094558715820312],["monetary",-12.094756126403809],["▁embodiment",-12.094756126403809],["▁jocuri",-12.094846725463867],["▁impreuna",-12.094939231872559],["▁Lyon",-12.094985961914062],["keeping",-12.095157623291016],["▁Starting",-12.095202445983887],["▁începe",-12.095357894897461],["▁clay",-12.095440864562988],["bildung",-12.095444679260254],["Technologie",-12.095513343811035],["toxic",-12.095624923706055],["▁gasit",-12.095819473266602],["rott",-12.095870018005371],["brook",-12.095935821533203],["▁wann",-12.096029281616211],["▁lined",-12.09610366821289],["▁Chelsea",-12.096223831176758],["▁Orlando",-12.096224784851074],["▁Otherwise",-12.096267700195312],["▁debit",-12.096273422241211],["▁entsprechend",-12.09648323059082],["nism",-12.09654426574707],["issen",-12.09664535522461],["▁rendez",-12.096646308898926],["▁processus",-12.096745491027832],["mbi",-12.096890449523926],["▁Graduate",-12.096960067749023],["▁cozy",-12.097119331359863],["▁Freunde",-12.097320556640625],["▁teme",-12.097389221191406],["▁bias",-12.097548484802246],["102",-12.09756851196289],["terrorism",-12.09770679473877],["threatening",-12.097756385803223],["ни",-12.097776412963867],["▁Sonntag",-12.098062515258789],["▁efect",-12.098116874694824],["▁prayers",-12.098134994506836],["▁backpack",-12.09841537475586],["?)",-12.098489761352539],["▁searches",-12.098788261413574],["ouverture",-12.09880256652832],["▁sustained",-12.098865509033203],["hawk",-12.098869323730469],["messe",-12.098958969116211],["▁prototype",-12.098989486694336],["▁stră",-12.09903335571289],["▁Neo",-12.099040985107422],["▁29,",-12.099109649658203],["izo",-12.099306106567383],["▁Anton",-12.099333763122559],["SIS",-12.099564552307129],["pendant",-12.099617958068848],["▁passive",-12.099813461303711],["▁Aaron",-12.099824905395508],["▁Karen",-12.099831581115723],["▁Bildung",-12.09994888305664],["ario",-12.099949836730957],["▁regulator",-12.100006103515625],["gruppe",-12.100032806396484],["stepped",-12.100053787231445],["▁interventions",-12.10014533996582],["▁rounds",-12.100149154663086],["▁Khan",-12.10020637512207],["▁railway",-12.10028076171875],["▁souvenir",-12.100296974182129],["▁Plans",-12.100336074829102],["aille",-12.100372314453125],["▁billing",-12.100473403930664],["▁Spiele",-12.100541114807129],["▁supermarket",-12.100556373596191],["▁flows",-12.100625991821289],["▁PayPal",-12.100641250610352],["▁tribe",-12.10067081451416],["anni",-12.100780487060547],["▁rides",-12.100934982299805],["▁Orleans",-12.101009368896484],["▁evaluated",-12.101021766662598],["founder",-12.10106372833252],["▁Feld",-12.101212501525879],["▁altele",-12.10122299194336],["▁thermo",-12.101290702819824],["ugh",-12.101330757141113],["▁adus",-12.101375579833984],["▁Taiwan",-12.101396560668945],["▁clause",-12.101409912109375],["oxi",-12.101465225219727],["alcool",-12.101495742797852],["▁Noi",-12.101531982421875],["rub",-12.101540565490723],["▁dosar",-12.101582527160645],["▁Nelson",-12.101751327514648],["fassung",-12.102316856384277],["▁Kill",-12.102489471435547],["▁Standards",-12.102490425109863],["▁upward",-12.102653503417969],["▁Coloring",-12.102664947509766],["Designed",-12.102754592895508],["▁Nou",-12.10281753540039],["▁borrow",-12.102940559387207],["▁Poll",-12.10321044921875],["▁antibiotic",-12.103277206420898],["▁fabrication",-12.103388786315918],["quo",-12.103432655334473],["▁crimes",-12.103464126586914],["▁nahe",-12.103484153747559],["▁aplicat",-12.103565216064453],["OST",-12.1035737991333],["▁Beijing",-12.103599548339844],["fight",-12.103612899780273],["▁lodge",-12.103612899780273],["dreh",-12.103922843933105],["▁harness",-12.104036331176758],["▁noiembrie",-12.104151725769043],["ounded",-12.104161262512207],["▁Imp",-12.1041841506958],["▁nächste",-12.104275703430176],["funktion",-12.104476928710938],["exploitation",-12.104569435119629],["▁Ready",-12.10457706451416],["▁Plate",-12.104598999023438],["▁octombrie",-12.104706764221191],["▁considerat",-12.104982376098633],["▁Xbox",-12.105067253112793],["mind",-12.105107307434082],["▁Lind",-12.105111122131348],["runde",-12.105352401733398],["mination",-12.105374336242676],["▁memori",-12.105377197265625],["▁cere",-12.105389595031738],["barkeit",-12.105517387390137],["▁găsi",-12.105761528015137],["2.1",-12.105863571166992],["▁Finding",-12.105891227722168],["▁static",-12.106405258178711],["court",-12.106439590454102],["▁Gem",-12.106489181518555],["▁pièce",-12.106494903564453],["▁reel",-12.10651969909668],["▁manuscript",-12.106560707092285],["▁complications",-12.106578826904297],["▁controlling",-12.106585502624512],["▁favour",-12.106738090515137],["▁advancement",-12.106739044189453],["▁Radi",-12.106870651245117],["▁faites",-12.107076644897461],["▁ordin",-12.107131958007812],["sorted",-12.107152938842773],["▁1982",-12.10715389251709],["▁brutal",-12.107154846191406],["▁Guy",-12.107226371765137],["▁accomplishment",-12.107248306274414],["▁wer",-12.107329368591309],["▁withdraw",-12.107460975646973],["abilitate",-12.1075439453125],["▁NBA",-12.107625961303711],["▁Benefit",-12.107675552368164],["▁divide",-12.107824325561523],["induced",-12.107913970947266],["▁văzut",-12.108049392700195],["▁peel",-12.10807991027832],["▁joints",-12.108160972595215],["▁enthalten",-12.108301162719727],["▁spy",-12.108397483825684],["▁occasional",-12.108437538146973],["warm",-12.108514785766602],["ême",-12.108542442321777],["▁Betriebs",-12.108551979064941],["▁Ioan",-12.1087064743042],["▁balloon",-12.108809471130371],["▁leap",-12.108869552612305],["pelled",-12.109000205993652],["▁realise",-12.109073638916016],["▁Retail",-12.109118461608887],["▁Farben",-12.109151840209961],["▁Kennedy",-12.10916519165039],["▁Firma",-12.109196662902832],["▁tineri",-12.10934066772461],["tub",-12.109354019165039],["PORT",-12.109381675720215],["▁stiff",-12.109416007995605],["▁notable",-12.109476089477539],["tler",-12.109498023986816],["▁utile",-12.10958480834961],["▁jouer",-12.109674453735352],["▁Primary",-12.109735488891602],["▁retailer",-12.109764099121094],["▁jederzeit",-12.109808921813965],["▁amend",-12.109817504882812],["▁sagte",-12.109845161437988],["atch",-12.10995864868164],["ution",-12.110008239746094],["once",-12.110018730163574],["ended",-12.1100435256958],["▁literary",-12.11013126373291],["▁wrist",-12.110281944274902],["vii",-12.11036205291748],["scriere",-12.110367774963379],["▁compassion",-12.110443115234375],["▁Milan",-12.110474586486816],["▁Dach",-12.110490798950195],["▁problèmes",-12.110630989074707],["▁Pré",-12.110687255859375],["▁Feder",-12.110759735107422],["Dr",-12.110814094543457],["Spr",-12.110908508300781],["▁né",-12.110969543457031],["François",-12.111023902893066],["▁Shu",-12.111115455627441],["▁poison",-12.111154556274414],["zier",-12.111176490783691],["▁attain",-12.11124038696289],["▁switching",-12.111310958862305],["▁vibration",-12.111348152160645],["▁Tablet",-12.11136531829834],["▁Lern",-12.11148452758789],["offrir",-12.111660957336426],["123",-12.11168098449707],["cheapest",-12.11173152923584],["▁numărul",-12.111764907836914],["break",-12.11180305480957],["cyto",-12.111836433410645],["▁Mississippi",-12.111955642700195],["▁dragon",-12.11207389831543],["fir",-12.112176895141602],["▁fête",-12.112180709838867],["▁Wait",-12.112350463867188],["buy",-12.112359046936035],["având",-12.112391471862793],["▁Scar",-12.112517356872559],["▁Hund",-12.112586975097656],["bug",-12.112807273864746],["▁classique",-12.112811088562012],["▁tenant",-12.112860679626465],["▁Walt",-12.11296272277832],["▁timber",-12.11296272277832],["inscription",-12.11300277709961],["BD",-12.113016128540039],["▁Commissioner",-12.113018989562988],["▁casinos",-12.11306095123291],["▁prochain",-12.113168716430664],["▁rustic",-12.11349868774414],["▁Kent",-12.113607406616211],["▁Deci",-12.113761901855469],["ли",-12.113855361938477],["▁crossed",-12.113861083984375],["▁delightful",-12.113869667053223],["▁metres",-12.113872528076172],["▁scandal",-12.113906860351562],["▁activitate",-12.113986015319824],["▁nimeni",-12.114009857177734],["ease",-12.11402416229248],["▁revenues",-12.1140775680542],["▁partially",-12.114187240600586],["AE",-12.114263534545898],["nique",-12.114410400390625],["▁fixtures",-12.114426612854004],["▁pupils",-12.114694595336914],["Lib",-12.11471176147461],["analyse",-12.114739418029785],["▁Oracle",-12.114767074584961],["troph",-12.114859580993652],["▁detected",-12.114879608154297],["▁servant",-12.11507797241211],["▁badly",-12.115121841430664],["comparing",-12.115150451660156],["abs",-12.115238189697266],["▁fotografi",-12.115443229675293],["▁Million",-12.115541458129883],["▁Gordon",-12.11557388305664],["▁Smok",-12.115592002868652],["▁Essay",-12.11565113067627],["eptic",-12.115665435791016],["▁Transportation",-12.115728378295898],["/2019",-12.115767478942871],["▁alignment",-12.115778923034668],["▁laut",-12.11578369140625],["stände",-12.115791320800781],["▁concerts",-12.115811347961426],["▁weekends",-12.11589241027832],["▁obstacles",-12.115941047668457],["wür",-12.115964889526367],["▁Fisher",-12.116219520568848],["▁supervisor",-12.116242408752441],["▁traders",-12.116262435913086],["▁scary",-12.116484642028809],["▁Grove",-12.116538047790527],["▁expose",-12.116583824157715],["▁enemies",-12.116630554199219],["▁Lux",-12.11667537689209],["▁Berufs",-12.11672306060791],["▁Sheet",-12.116780281066895],["▁Natürlich",-12.116819381713867],["▁examined",-12.116886138916016],["pursuing",-12.116920471191406],["▁pools",-12.116923332214355],["▁Thompson",-12.117005348205566],["▁SAP",-12.117010116577148],["claiming",-12.117053985595703],["buried",-12.117055892944336],["assurance",-12.117138862609863],["▁sandwich",-12.117195129394531],["uber",-12.117310523986816],["▁laisse",-12.117321968078613],["peak",-12.117348670959473],["spring",-12.1173677444458],["▁august",-12.117369651794434],["▁benötigt",-12.11738109588623],["▁achievements",-12.117470741271973],["coala",-12.117478370666504],["▁scr",-12.117842674255371],["gesagt",-12.118122100830078],["▁envelope",-12.118141174316406],["▁mapping",-12.118169784545898],["▁Suche",-12.118298530578613],["first",-12.118329048156738],["▁Quin",-12.118447303771973],["räu",-12.118561744689941],["▁răs",-12.118583679199219],["chemical",-12.118597984313965],["dad",-12.118927955627441],["formation",-12.118983268737793],["▁cushion",-12.119026184082031],["▁Maß",-12.119046211242676],["07.",-12.119184494018555],["▁perioadă",-12.119257926940918],["▁Wunsch",-12.11925983428955],["▁joi",-12.119423866271973],["▁$25",-12.119482040405273],["▁uploaded",-12.11952018737793],["▁hobby",-12.119633674621582],["▁septembrie",-12.119633674621582],["▁Dimension",-12.119634628295898],["▁domeniu",-12.119661331176758],["▁Tourism",-12.119747161865234],["▁fais",-12.119800567626953],["aches",-12.119919776916504],["neck",-12.119969367980957],["▁Chip",-12.119982719421387],["▁Tisch",-12.1199951171875],["▁Pai",-12.120006561279297],["▁Butter",-12.120083808898926],["▁altor",-12.120133399963379],["cultural",-12.120182991027832],["▁bases",-12.12028980255127],["▁Christopher",-12.120396614074707],["Kindle",-12.120401382446289],["▁bathrooms",-12.12049388885498],["▁civilian",-12.12052059173584],["▁Architecture",-12.12058162689209],["heiten",-12.120641708374023],["otte",-12.120763778686523],["ри",-12.120784759521484],["wash",-12.120792388916016],["▁evenimente",-12.12086296081543],["lade",-12.121132850646973],["▁ermöglicht",-12.121140480041504],["Port",-12.121149063110352],["▁Horn",-12.12119197845459],["▁Housing",-12.121232032775879],["▁Profit",-12.121304512023926],["▁stressed",-12.12136459350586],["▁70%",-12.121431350708008],["laying",-12.121458053588867],["▁specialize",-12.121490478515625],["▁Published",-12.121519088745117],["corp",-12.121554374694824],["▁revision",-12.121611595153809],["▁sail",-12.121804237365723],["courtesy",-12.121909141540527],["tax",-12.1219482421875],["▁perfekt",-12.122018814086914],["▁Risk",-12.122088432312012],["▁chaleur",-12.122129440307617],["ych",-12.122132301330566],["▁spine",-12.12218189239502],["▁holders",-12.122264862060547],["▁Speaking",-12.122271537780762],["▁Bernard",-12.122400283813477],["incarc",-12.122532844543457],["shalb",-12.122639656066895],["Potrivit",-12.12264633178711],["arising",-12.122654914855957],["▁kingdom",-12.122665405273438],["▁potato",-12.122766494750977],["▁promoted",-12.122814178466797],["▁judges",-12.1228609085083],["▁naturelle",-12.122992515563965],["▁Kindern",-12.123022079467773],["schicht",-12.123047828674316],["▁Drag",-12.123066902160645],["atta",-12.123132705688477],["soient",-12.123249053955078],["INS",-12.12336540222168],["▁legislative",-12.123642921447754],["▁teens",-12.123785018920898],["▁Fotos",-12.123842239379883],["▁illustrations",-12.12392520904541],["möglichkeiten",-12.12415599822998],["Votre",-12.124194145202637],["▁tarif",-12.124195098876953],["cli",-12.124488830566406],["▁landlord",-12.12473201751709],["cine",-12.124743461608887],["▁bot",-12.124798774719238],["enhancing",-12.12491226196289],["▁März",-12.12491226196289],["▁succès",-12.125106811523438],["▁disclose",-12.125120162963867],["▁Geräte",-12.125321388244629],["▁Magn",-12.125422477722168],["dessous",-12.12580680847168],["▁miracle",-12.125862121582031],["▁travailler",-12.125933647155762],["▁herb",-12.125945091247559],["-01",-12.126049041748047],["litre",-12.126104354858398],["▁tău",-12.126120567321777],["ACC",-12.126190185546875],["▁diminu",-12.126275062561035],["itzer",-12.126317024230957],["▁personenbezogen",-12.126395225524902],["▁Pure",-12.126436233520508],["▁influences",-12.12668228149414],["ană",-12.126765251159668],["▁proposer",-12.126856803894043],["▁longest",-12.12692642211914],["euses",-12.127080917358398],["/1",-12.127487182617188],["hafte",-12.127716064453125],["▁Dich",-12.127761840820312],["▁candle",-12.128026962280273],["ouche",-12.128191947937012],["installation",-12.128241539001465],["▁Includes",-12.128280639648438],["▁entfernt",-12.12831974029541],["traf",-12.128499031066895],["▁None",-12.128508567810059],["▁produc",-12.128510475158691],["held",-12.128519058227539],["graphic",-12.128531455993652],["▁demographic",-12.128584861755371],["ingham",-12.1287841796875],["schul",-12.128812789916992],["▁sneak",-12.128843307495117],["laub",-12.128889083862305],["▁thickness",-12.12911605834961],["▁killer",-12.129297256469727],["▁entsprechende",-12.129344940185547],["▁theft",-12.129396438598633],["▁Jerusalem",-12.129457473754883],["Adapt",-12.129495620727539],["▁updating",-12.129497528076172],["tete",-12.12954330444336],["▁warming",-12.129701614379883],["anlage",-12.129739761352539],["▁lenders",-12.129814147949219],["mobile",-12.130008697509766],["▁Package",-12.130080223083496],["▁Volume",-12.130152702331543],["---",-12.130167007446289],["▁Others",-12.130173683166504],["content",-12.130188941955566],["tement",-12.130253791809082],["bildet",-12.13027572631836],["▁washer",-12.13053035736084],["▁freelance",-12.130623817443848],["▁fein",-12.130753517150879],["▁catering",-12.130851745605469],["▁warmth",-12.130911827087402],["▁Month",-12.131103515625],["▁Federation",-12.131134033203125],["▁editorial",-12.13121223449707],["▁Shopping",-12.131241798400879],["▁efort",-12.131296157836914],["▁damp",-12.131314277648926],["▁declined",-12.131332397460938],["▁1978",-12.13135051727295],["6,000",-12.131355285644531],["location",-12.131551742553711],["▁blogger",-12.131572723388672],["▁goodness",-12.131826400756836],["▁Purchase",-12.132119178771973],["▁suspended",-12.132159233093262],["▁assessed",-12.132201194763184],["rada",-12.132286071777344],["▁Lac",-12.132291793823242],["▁angeboten",-12.13235092163086],["▁Wetter",-12.132370948791504],["ores",-12.13243579864502],["▁fourni",-12.132476806640625],["▁retire",-12.13269329071045],["▁Baptist",-12.132741928100586],["▁Saison",-12.13277530670166],["Bar",-12.132794380187988],["▁dossier",-12.132979393005371],["brow",-12.133044242858887],["▁Kaffee",-12.133071899414062],["-25",-12.133463859558105],["▁festivals",-12.133599281311035],["▁sellers",-12.133716583251953],["Ü",-12.13393783569336],["▁publisher",-12.133960723876953],["▁Designs",-12.133970260620117],["▁putut",-12.13400936126709],["▁Built",-12.134417533874512],["▁recreational",-12.134476661682129],["▁european",-12.134514808654785],["▁binary",-12.134631156921387],["▁Nieder",-12.134764671325684],["taking",-12.1348237991333],["▁Lots",-12.13494873046875],["▁recognised",-12.135031700134277],["ssant",-12.135063171386719],["ITE",-12.135271072387695],["oom",-12.135298728942871],["▁Kre",-12.135310173034668],["▁pipes",-12.135631561279297],["▁hinge",-12.135653495788574],["▁enterprises",-12.135664939880371],["▁texts",-12.13583755493164],["Organiz",-12.136080741882324],["▁suivre",-12.136124610900879],["noc",-12.136157989501953],["fair",-12.136194229125977],["▁darkness",-12.136305809020996],["▁Whi",-12.13631534576416],["natural",-12.136321067810059],["Bas",-12.136422157287598],["▁tribute",-12.136443138122559],["▁Naţional",-12.136573791503906],["hara",-12.136622428894043],["▁catégorie",-12.136697769165039],["▁Schedule",-12.136698722839355],["▁lernen",-12.13671875],["▁Plastic",-12.136725425720215],["▁giveaway",-12.13675594329834],["▁Ideen",-12.136906623840332],["▁circa",-12.13718032836914],["▁lice",-12.137242317199707],["▁Meinung",-12.137264251708984],["▁beside",-12.137566566467285],["▁vazut",-12.137673377990723],["strom",-12.137749671936035],["boro",-12.137775421142578],["▁Soon",-12.137796401977539],["dozens",-12.137896537780762],["▁Arena",-12.137943267822266],["▁viața",-12.137989044189453],["▁Impact",-12.138082504272461],["current",-12.138106346130371],["FM",-12.138117790222168],["▁coil",-12.138657569885254],["gold",-12.138679504394531],["▁spate",-12.138679504394531],["1.4",-12.13875675201416],["solution",-12.138769149780273],["▁Wayne",-12.138835906982422],["▁queen",-12.138898849487305],["illion",-12.139022827148438],["greifen",-12.139127731323242],["▁Bil",-12.139174461364746],["rote",-12.139185905456543],["END",-12.13918685913086],["äl",-12.139206886291504],["▁reçu",-12.139378547668457],["flower",-12.139495849609375],["▁draws",-12.139519691467285],["plant",-12.139605522155762],["2010",-12.139702796936035],["▁oper",-12.139762878417969],["▁conserve",-12.139777183532715],["▁sprinkle",-12.13984203338623],["mode",-12.139924049377441],["▁lifting",-12.139941215515137],["▁Institution",-12.139951705932617],["Când",-12.14001750946045],["Aus",-12.140048027038574],["▁fears",-12.140054702758789],["▁appointments",-12.140079498291016],["oarele",-12.140162467956543],["▁duck",-12.140193939208984],["▁stadium",-12.140213012695312],["▁vezi",-12.140227317810059],["▁lap",-12.140315055847168],["▁proceeds",-12.140382766723633],["geschlossen",-12.140412330627441],["▁tren",-12.140478134155273],["VS",-12.140536308288574],["▁vais",-12.140800476074219],["ținut",-12.140859603881836],["▁Concert",-12.140928268432617],["▁planting",-12.141008377075195],["▁honour",-12.141069412231445],["▁gras",-12.141071319580078],["woo",-12.141092300415039],["▁Hero",-12.141282081604004],["▁stimulate",-12.14134407043457],["▁überhaupt",-12.141426086425781],["▁bounce",-12.14148235321045],["oodle",-12.14151382446289],["▁packs",-12.141576766967773],["▁Poker",-12.14158821105957],["▁acea",-12.141684532165527],["▁parish",-12.141754150390625],["-24",-12.141766548156738],["▁iTunes",-12.141874313354492],["▁lumière",-12.141948699951172],["third",-12.142024993896484],["▁dynamics",-12.142038345336914],["Unless",-12.142162322998047],["▁immense",-12.142416000366211],["▁Sec",-12.142781257629395],["lois",-12.143009185791016],["époque",-12.14302921295166],["NB",-12.143139839172363],["written",-12.143210411071777],["▁logement",-12.143226623535156],["submitting",-12.143295288085938],["▁Quand",-12.14331340789795],["▁foi",-12.143322944641113],["▁catalogue",-12.143351554870605],["nova",-12.14343547821045],["▁prezentat",-12.143527030944824],["▁tart",-12.143877983093262],["те",-12.143912315368652],["hack",-12.143916130065918],["▁Politic",-12.144003868103027],["▁18,",-12.144048690795898],["▁ignored",-12.144145965576172],["▁spoon",-12.144245147705078],["▁Joy",-12.144280433654785],["▁reside",-12.144482612609863],[".99",-12.144488334655762],["lytic",-12.144625663757324],["▁bogat",-12.144643783569336],["▁nurses",-12.144845008850098],["▁funcţi",-12.145029067993164],["▁produselor",-12.145038604736328],["▁Associates",-12.145069122314453],["Est",-12.14511489868164],["▁peanut",-12.145187377929688],["▁résultat",-12.145257949829102],["08.",-12.145424842834473],["▁Astro",-12.145439147949219],["▁personnelle",-12.145527839660645],["320",-12.145668983459473],["▁Grab",-12.145748138427734],["éco",-12.145801544189453],["▁clasic",-12.145857810974121],["offre",-12.14588451385498],["▁idee",-12.14589786529541],["▁cheat",-12.146259307861328],["▁Flug",-12.146286964416504],["▁1500",-12.146413803100586],["▁kurze",-12.14643383026123],["With",-12.146512985229492],["▁Half",-12.146575927734375],["▁disciplines",-12.146642684936523],["sorption",-12.14669132232666],["▁greutate",-12.146927833557129],["mä",-12.146940231323242],["▁Literatur",-12.146956443786621],["3/",-12.147016525268555],["4.0",-12.147095680236816],["▁déco",-12.147119522094727],["▁Fuß",-12.147233963012695],["▁Deutsche",-12.147289276123047],["▁abundance",-12.14746379852295],["▁Luther",-12.14750862121582],["▁nutritional",-12.147562980651855],["▁Jude",-12.147687911987305],["AY",-12.14786148071289],["▁chore",-12.147916793823242],["▁Kro",-12.148006439208984],["▁alin",-12.14801025390625],["lösung",-12.148030281066895],["▁geworden",-12.148238182067871],["▁sociaux",-12.148255348205566],["▁Spark",-12.1486177444458],["▁phenomenon",-12.148624420166016],["ICA",-12.148805618286133],["▁Ran",-12.148836135864258],["▁Schwarz",-12.148959159851074],["▁1983",-12.148985862731934],["ет",-12.148990631103516],["möglich",-12.149084091186523],["vocation",-12.149087905883789],["▁Organic",-12.14926815032959],["Oh",-12.149408340454102],["▁blockchain",-12.149422645568848],["▁Bă",-12.149515151977539],["▁Bass",-12.14953899383545],["enie",-12.149687767028809],["▁rêve",-12.149807929992676],["▁Rap",-12.149986267089844],["▁democratic",-12.150044441223145],["▁Chart",-12.150167465209961],["▁Voi",-12.150189399719238],["process",-12.150263786315918],["▁preach",-12.150389671325684],["tient",-12.150456428527832],["▁Train",-12.150468826293945],["▁Reihe",-12.150472640991211],["help",-12.150514602661133],["1.6",-12.150547981262207],["▁cazuri",-12.150547981262207],["▁chap",-12.150559425354004],["aktiv",-12.150632858276367],["▁2006.",-12.15079116821289],["iene",-12.150849342346191],["▁BBQ",-12.150969505310059],["dauer",-12.151028633117676],["2).",-12.151226997375488],["▁Monat",-12.151277542114258],["Generally",-12.151285171508789],["▁bracelet",-12.151336669921875],["▁cartoon",-12.151349067687988],["▁pui",-12.151488304138184],["temp",-12.151506423950195],["▁Particip",-12.151555061340332],["▁dumneavoastră",-12.151725769042969],["▁Gin",-12.151824951171875],["iunile",-12.151829719543457],["reise",-12.151849746704102],["▁einzige",-12.15189266204834],["ANCE",-12.15192985534668],["▁humble",-12.151951789855957],["claim",-12.152093887329102],["LV",-12.152143478393555],["▁confiance",-12.152270317077637],["▁Trading",-12.152535438537598],["▁Fabric",-12.152770042419434],["▁Duke",-12.152851104736328],["spieler",-12.152937889099121],["▁reject",-12.152987480163574],["▁crise",-12.153170585632324],["▁borders",-12.153196334838867],["▁Vehicle",-12.153279304504395],["zeiten",-12.153481483459473],["enrolled",-12.153514862060547],["venue",-12.153555870056152],["▁forests",-12.153564453125],["vascular",-12.15358829498291],["▁phrases",-12.153661727905273],["▁receptor",-12.15368366241455],["schied",-12.153687477111816],["▁soirée",-12.153785705566406],["▁partener",-12.153987884521484],["▁Jobs",-12.15417194366455],["▁segments",-12.154216766357422],["▁violate",-12.154438972473145],["▁viable",-12.154500007629395],["▁encountered",-12.154533386230469],["▁travelers",-12.154552459716797],["▁împ",-12.154679298400879],["▁convince",-12.154693603515625],["▁mailing",-12.154693603515625],["▁Zahn",-12.154698371887207],["attend",-12.15477466583252],["▁eBay",-12.154836654663086],["▁Emergency",-12.154844284057617],["wirtschaft",-12.154882431030273],["▁scholars",-12.154947280883789],["▁considerably",-12.155118942260742],["▁combo",-12.1551513671875],["hiver",-12.155198097229004],["▁mysterious",-12.15522575378418],["▁Degree",-12.155234336853027],["▁fate",-12.155242919921875],["▁transplant",-12.155281066894531],["▁samedi",-12.155400276184082],["unit",-12.155519485473633],["▁moyenne",-12.155611991882324],["▁Liverpool",-12.155614852905273],["▁Champions",-12.155728340148926],["zzle",-12.155824661254883],["▁arena",-12.156228065490723],["▁Pipe",-12.15633487701416],["▁waterproof",-12.156356811523438],["▁eternal",-12.156463623046875],["Whenever",-12.156503677368164],["▁Hop",-12.156535148620605],["▁Betrieb",-12.156816482543945],["gne",-12.15692138671875],["▁spe",-12.156975746154785],["▁Corner",-12.157078742980957],["▁devenir",-12.157118797302246],["ambiance",-12.157144546508789],["▁Graham",-12.157200813293457],["▁desires",-12.157289505004883],["▁Applications",-12.157291412353516],["▁genutzt",-12.157477378845215],["tek",-12.157612800598145],["▁Career",-12.157641410827637],["▁staple",-12.157695770263672],["▁Dodge",-12.157817840576172],["▁strictly",-12.157889366149902],["▁Gruppen",-12.157952308654785],["▁Finanz",-12.157981872558594],["▁sporting",-12.15809440612793],["▁Wieder",-12.158127784729004],["anny",-12.158208847045898],["▁bucura",-12.158233642578125],["▁Pest",-12.15824031829834],["▁circles",-12.158246994018555],["▁richtige",-12.158309936523438],["▁cycles",-12.158379554748535],["static",-12.15845012664795],["lasting",-12.15847396850586],["▁calcium",-12.158549308776855],["▁digest",-12.158697128295898],["Enfin",-12.158865928649902],["▁stressful",-12.158951759338379],["▁schemes",-12.158981323242188],["▁décision",-12.158987045288086],["▁comercial",-12.15907096862793],["işti",-12.159098625183105],["▁Comic",-12.15910816192627],["▁extensions",-12.159140586853027],["▁Sieg",-12.159168243408203],["▁pine",-12.15919017791748],["ieß",-12.159272193908691],["▁Images",-12.159427642822266],["▁Mensch",-12.159668922424316],["Pap",-12.159773826599121],["▁crops",-12.15994930267334],["▁sheep",-12.159996032714844],["▁istoric",-12.160001754760742],["▁Assessment",-12.160035133361816],["▁mounting",-12.16035270690918],["wirken",-12.160469055175781],["▁augment",-12.160469055175781],["▁picioare",-12.160542488098145],["organisme",-12.160590171813965],["▁Monitor",-12.16060733795166],["▁celles",-12.160642623901367],["▁Maison",-12.160709381103516],["notified",-12.160783767700195],["▁chew",-12.160831451416016],["▁bleu",-12.16083812713623],["dow",-12.160844802856445],["▁Grav",-12.16097354888916],["▁curtains",-12.160975456237793],["▁Campus",-12.161076545715332],["▁controversial",-12.161087036132812],["▁soutien",-12.161189079284668],["▁Dell",-12.1613187789917],["▁instrumental",-12.161431312561035],["▁Nan",-12.161514282226562],["▁prom",-12.161520957946777],["▁spatial",-12.161523818969727],["Similarly",-12.161558151245117],["▁Gala",-12.161601066589355],["ultimul",-12.16162109375],["▁Vom",-12.161761283874512],["▁Foot",-12.161784172058105],["bike",-12.1618013381958],["▁acids",-12.161979675292969],["entend",-12.162002563476562],["ivă",-12.162040710449219],["▁Weitere",-12.162124633789062],["▁vitamins",-12.162131309509277],["▁enhancement",-12.16234016418457],["▁Cruise",-12.162367820739746],["assemble",-12.162385940551758],["▁spécifique",-12.162459373474121],["affaires",-12.16261100769043],["▁indispensable",-12.1626558303833],["▁logistics",-12.16283130645752],["▁manche",-12.162919044494629],["▁dealt",-12.16297435760498],["▁favorable",-12.163036346435547],["▁unwanted",-12.163047790527344],["▁handmade",-12.163065910339355],["▁Regi",-12.163102149963379],["safe",-12.163134574890137],["persoanele",-12.163202285766602],["▁destinat",-12.163252830505371],["▁Maxi",-12.163299560546875],["▁salmon",-12.163454055786133],["wag",-12.163578033447266],["210",-12.163769721984863],["▁warned",-12.163865089416504],["läuft",-12.16386604309082],["agging",-12.163931846618652],["▁responsabil",-12.16398811340332],["▁presse",-12.164271354675293],["▁amis",-12.164305686950684],["▁rolls",-12.164377212524414],["control",-12.164405822753906],["▁Manufacturer",-12.164422988891602],["hnen",-12.164449691772461],["▁buget",-12.164546012878418],["OW",-12.16467571258545],["etro",-12.164745330810547],["▁communauté",-12.164837837219238],["unci",-12.164944648742676],["▁Chine",-12.164952278137207],["combines",-12.16501235961914],["▁learners",-12.165046691894531],["STE",-12.165055274963379],["ckel",-12.16511344909668],["Service",-12.165169715881348],["▁veröffentlicht",-12.165209770202637],["besides",-12.165266036987305],["getragen",-12.165349960327148],["▁opponent",-12.165521621704102],["▁volum",-12.165533065795898],["▁confusing",-12.165802001953125],["invasive",-12.165813446044922],["▁conseils",-12.165881156921387],["▁vibe",-12.165928840637207],["View",-12.166062355041504],["oară",-12.166086196899414],["Link",-12.166261672973633],["▁holy",-12.166261672973633],["▁crema",-12.16629409790039],["▁Michelle",-12.166303634643555],["▁Wien",-12.166383743286133],["▁undertake",-12.166404724121094],["▁Photograph",-12.166421890258789],["humain",-12.16645336151123],["▁Hang",-12.166545867919922],["designed",-12.16657829284668],["▁analyses",-12.166614532470703],["▁compose",-12.166653633117676],["▁substantially",-12.166765213012695],["▁marking",-12.166772842407227],["▁campagne",-12.166826248168945],["▁$15",-12.166828155517578],["pharma",-12.166972160339355],["▁playoff",-12.1669921875],["▁momentum",-12.167091369628906],["Temp",-12.16714096069336],["▁vinegar",-12.167143821716309],["▁descriptions",-12.167581558227539],["christ",-12.167656898498535],["wore",-12.16773509979248],["ITY",-12.167768478393555],["stehen",-12.167771339416504],["▁insulation",-12.1677827835083],["grav",-12.167842864990234],["2.2",-12.167887687683105],["▁Explore",-12.168028831481934],["▁dye",-12.168127059936523],["stair",-12.168155670166016],["artisan",-12.168207168579102],["▁zoom",-12.168285369873047],["▁turkey",-12.168573379516602],["▁locksmith",-12.168577194213867],["▁sewing",-12.168610572814941],["▁modeling",-12.168627738952637],["lied",-12.16870403289795],["adel",-12.168773651123047],["▁Going",-12.168785095214844],["WH",-12.168798446655273],["▁deserves",-12.168919563293457],["▁arriving",-12.168960571289062],["OFF",-12.169039726257324],["torului",-12.169109344482422],["ucked",-12.16921615600586],["▁approached",-12.169351577758789],["▁élevé",-12.169354438781738],["▁quotidien",-12.169416427612305],["▁derzeit",-12.16942024230957],["nutzt",-12.169656753540039],["science",-12.169729232788086],["▁Emma",-12.169841766357422],["▁builds",-12.169879913330078],["▁Logo",-12.169949531555176],["▁clouds",-12.170061111450195],["inflammatory",-12.170141220092773],["țiuni",-12.170199394226074],["▁Cisco",-12.17025089263916],["▁würden",-12.170254707336426],["▁Shaw",-12.170256614685059],["▁Ell",-12.170266151428223],["avance",-12.1703519821167],["anglais",-12.170365333557129],["weil",-12.170368194580078],["▁singura",-12.170464515686035],["ACK",-12.170489311218262],["likewise",-12.170522689819336],["ographie",-12.170646667480469],["liegen",-12.17088508605957],["▁Crow",-12.170964241027832],["▁unic",-12.171187400817871],["▁Ale",-12.171241760253906],["▁păstr",-12.17125129699707],["▁informal",-12.171337127685547],["650",-12.17136287689209],["Benz",-12.171489715576172],["▁antenna",-12.171540260314941],["▁pagini",-12.171552658081055],["▁lansat",-12.171561241149902],["▁Fans",-12.171576499938965],["taine",-12.171822547912598],["JO",-12.171853065490723],["▁Tips",-12.172091484069824],["cir",-12.172130584716797],["nou",-12.172384262084961],["▁planted",-12.17241382598877],["▁steering",-12.172423362731934],["▁Waren",-12.172475814819336],["▁clearance",-12.172515869140625],["▁Moscow",-12.172516822814941],["▁Faith",-12.172534942626953],["▁Pizza",-12.172572135925293],["▁Tank",-12.17273998260498],["QUE",-12.172783851623535],["▁studii",-12.172804832458496],["éné",-12.172829627990723],["▁guerre",-12.1728515625],["▁celebr",-12.173083305358887],["▁Factory",-12.173111915588379],["▁Browse",-12.173198699951172],["▁Request",-12.17323112487793],["▁taxpayer",-12.173311233520508],["▁assert",-12.173562049865723],["unternehmen",-12.173588752746582],["▁Ergebnis",-12.173687934875488],["▁Antwort",-12.173727035522461],["▁Photography",-12.173808097839355],["▁plă",-12.173866271972656],["IME",-12.173982620239258],["▁prochaine",-12.174074172973633],["ajouter",-12.174103736877441],["▁buffet",-12.174227714538574],["▁pixels",-12.174239158630371],["▁pledge",-12.174250602722168],["▁Inhalt",-12.17435359954834],["▁chase",-12.174384117126465],["Flow",-12.174493789672852],["▁melodi",-12.174872398376465],["▁Abu",-12.174991607666016],["▁1979",-12.175042152404785],["▁Photos",-12.175042152404785],["▁qualifications",-12.175148963928223],["▁zis",-12.175213813781738],["IAL",-12.175354957580566],["▁lender",-12.175390243530273],["▁indiferent",-12.175494194030762],["▁behaviors",-12.175506591796875],["▁flowing",-12.175531387329102],["▁zweite",-12.1756010055542],["abl",-12.175765037536621],["Schw",-12.176004409790039],["opi",-12.176030158996582],["ggi",-12.176164627075195],["▁depart",-12.176314353942871],["▁garde",-12.17640209197998],["▁tuition",-12.176490783691406],["fälle",-12.17650032043457],["▁determina",-12.17652702331543],["▁spice",-12.176627159118652],["▁petites",-12.176777839660645],["kot",-12.176973342895508],["▁intersection",-12.177242279052734],["hak",-12.177248001098633],["▁autumn",-12.177284240722656],["▁verbunden",-12.177284240722656],["▁ferme",-12.177287101745605],["PN",-12.17733097076416],["▁insurer",-12.177390098571777],["arten",-12.177401542663574],["▁Turkish",-12.177715301513672],["▁shoulders",-12.177732467651367],["=>",-12.177742004394531],["▁Nike",-12.177760124206543],["uire",-12.177763938903809],["▁Chile",-12.177811622619629],["jon",-12.177842140197754],["▁fragrance",-12.177884101867676],["▁bean",-12.177908897399902],["ips",-12.178108215332031],["assuming",-12.178191184997559],["liens",-12.178215026855469],["tocmai",-12.178267478942871],["▁60%",-12.178301811218262],["ipped",-12.178384780883789],["DIS",-12.178473472595215],["▁predicted",-12.178537368774414],["▁Picture",-12.178555488586426],["Bahn",-12.178796768188477],["104",-12.178854942321777],["tended",-12.178958892822266],["▁approve",-12.179031372070312],["▁magasin",-12.17908000946045],["▁mindset",-12.179208755493164],["rase",-12.179363250732422],["grand",-12.179469108581543],["▁Principal",-12.17947769165039],["▁informații",-12.17959976196289],["▁legătur",-12.179628372192383],["▁Farb",-12.179692268371582],["▁Dieu",-12.179710388183594],["▁alliance",-12.180378913879395],["weiligen",-12.180397987365723],["▁Câ",-12.18048095703125],["▁counseling",-12.180521011352539],["▁traveled",-12.180533409118652],["▁translated",-12.180558204650879],["▁carne",-12.180679321289062],["aked",-12.180707931518555],["▁LCD",-12.180868148803711],["▁Folge",-12.180909156799316],["▁Erfahrungen",-12.18093204498291],["▁1981",-12.18106460571289],["▁răspuns",-12.181075096130371],["itori",-12.18117618560791],["▁elementary",-12.181200981140137],["▁vorbei",-12.18127727508545],["▁cargo",-12.181361198425293],["disciplinary",-12.18140983581543],["WR",-12.181492805480957],["▁counterpart",-12.18162727355957],["family",-12.181641578674316],["▁viață",-12.181644439697266],["▁Definition",-12.18167495727539],["▁Cow",-12.18171501159668],["fällig",-12.182003021240234],["▁Sicht",-12.182025909423828],["▁mum",-12.182145118713379],["▁Mediterranean",-12.182275772094727],["nev",-12.182278633117676],["bü",-12.182293891906738],["▁slave",-12.182293891906738],["schnitt",-12.18233871459961],["▁firme",-12.182430267333984],["▁spill",-12.182454109191895],["▁wages",-12.182592391967773],["▁refine",-12.182615280151367],["▁upgraded",-12.182632446289062],["▁gospel",-12.182698249816895],["▁quartier",-12.182744979858398],["▁#2",-12.182772636413574],["▁Situation",-12.18298625946045],["▁suggesting",-12.183075904846191],["▁acne",-12.183113098144531],["▁Murray",-12.183337211608887],["▁Ian",-12.183469772338867],["hören",-12.183489799499512],["bia",-12.183603286743164],["▁Bewegung",-12.183684349060059],["▁abzu",-12.18379020690918],["reveals",-12.183795928955078],["friend",-12.184025764465332],["▁Connecticut",-12.18407917022705],["▁Testament",-12.184151649475098],["▁Lit",-12.184199333190918],["▁Ship",-12.184209823608398],["▁minunat",-12.184344291687012],["▁Moving",-12.184346199035645],["▁Device",-12.184486389160156],["▁Bake",-12.18453598022461],["▁qualification",-12.184633255004883],["▁challenged",-12.184640884399414],["▁Hinweis",-12.184721946716309],["▁sechs",-12.184769630432129],["та",-12.184903144836426],["120",-12.184904098510742],["licht",-12.184940338134766],["▁supervision",-12.185022354125977],["▁milestone",-12.18503189086914],["zeig",-12.185050964355469],["▁emphasize",-12.185224533081055],["▁complain",-12.185232162475586],["sack",-12.185341835021973],["▁rebuild",-12.185445785522461],["projekt",-12.18548583984375],["▁saint",-12.185644149780273],["lette",-12.185752868652344],["rade",-12.18580150604248],["▁pacient",-12.185893058776855],["signed",-12.186169624328613],["▁mil",-12.186261177062988],["cali",-12.186266899108887],["▁brochure",-12.186487197875977],["▁Bulgaria",-12.186488151550293],["Har",-12.186623573303223],["DH",-12.186697006225586],["▁jumping",-12.186712265014648],["ären",-12.186732292175293],["▁tactics",-12.186911582946777],["▁soleil",-12.187030792236328],["lessness",-12.18705940246582],["steigen",-12.187085151672363],["▁Brief",-12.187117576599121],["▁Oz",-12.18718433380127],["credit",-12.187239646911621],["glass",-12.187241554260254],["▁Baltimore",-12.187292098999023],["varies",-12.187445640563965],["sourced",-12.187575340270996],["▁documented",-12.187604904174805],["▁devine",-12.187664985656738],["möglichst",-12.187732696533203],["▁früher",-12.187756538391113],["outefois",-12.18790054321289],["▁Engagement",-12.187934875488281],["▁anumit",-12.18806266784668],["▁1930",-12.188186645507812],["▁Aufgaben",-12.188214302062988],["▁lineup",-12.188227653503418],["▁Cad",-12.188349723815918],["améliorer",-12.188437461853027],["▁februarie",-12.188499450683594],["▁cancellation",-12.188529968261719],["▁locks",-12.188577651977539],["▁modèles",-12.188711166381836],["▁breakdown",-12.188748359680176],["Ticket",-12.188810348510742],["▁Chen",-12.188855171203613],["▁Competition",-12.188910484313965],["▁median",-12.18896770477295],["rische",-12.189159393310547],["▁multipli",-12.189269065856934],["▁Belgium",-12.189305305480957],["▁Physical",-12.189308166503906],["▁parameter",-12.189432144165039],["▁carrot",-12.189435005187988],["▁mandat",-12.189617156982422],["▁towel",-12.189697265625],["▁insured",-12.189825057983398],["PRI",-12.189868927001953],["etter",-12.189915657043457],["▁Oder",-12.190083503723145],["argued",-12.190171241760254],["FB",-12.190196990966797],["versicherung",-12.190197944641113],["abila",-12.190251350402832],["▁Coin",-12.190324783325195],["around",-12.19050121307373],["▁Lorsqu",-12.190773963928223],["valent",-12.190918922424316],["▁weltweit",-12.19092082977295],["Mod",-12.191039085388184],["▁defect",-12.191044807434082],["ibly",-12.191136360168457],["▁Juan",-12.191153526306152],["▁Jur",-12.191171646118164],["large",-12.191307067871094],["▁indicators",-12.191461563110352],["invest",-12.19168472290039],["▁rehabilitation",-12.191705703735352],["nag",-12.191823959350586],["▁Grundlage",-12.191829681396484],["▁Strategy",-12.192131042480469],["▁supérieur",-12.192173957824707],["▁orbit",-12.192281723022461],["▁Auftrag",-12.192360877990723],["▁Verb",-12.192441940307617],["ANA",-12.19256591796875],["▁trimis",-12.192611694335938],["▁Rub",-12.192704200744629],["institu",-12.192732810974121],["▁inspect",-12.1927490234375],["▁Princess",-12.192757606506348],["especially",-12.192777633666992],["▁combinations",-12.192793846130371],["▁gaze",-12.192842483520508],["elemente",-12.192970275878906],["deal",-12.192980766296387],["polis",-12.193157196044922],["shaw",-12.193168640136719],["▁Republicans",-12.193203926086426],["aded",-12.193244934082031],["▁Louisiana",-12.193364143371582],["▁Ville",-12.193368911743164],["▁afterwards",-12.193389892578125],["ONG",-12.193608283996582],["▁dryer",-12.193636894226074],["▁Manhattan",-12.19374942779541],["▁recomanda",-12.19412612915039],["▁juca",-12.194253921508789],["▁Crown",-12.194260597229004],["▁flesh",-12.194347381591797],["sichtig",-12.194358825683594],["▁rempli",-12.19437026977539],["▁deposits",-12.19438362121582],["▁Voll",-12.194599151611328],["▁analysts",-12.194672584533691],["▁Krieg",-12.19484806060791],["▁Rosa",-12.19495964050293],["▁Supply",-12.194964408874512],["GF",-12.19497013092041],["idad",-12.195098876953125],["▁flush",-12.195103645324707],["▁circular",-12.195355415344238],["▁național",-12.195379257202148],["▁lorsqu",-12.195441246032715],["▁analyst",-12.195459365844727],["▁Jahrhundert",-12.195586204528809],["▁biology",-12.195713996887207],["copy",-12.195733070373535],["▁bringt",-12.195765495300293],["▁Gospel",-12.195780754089355],["▁sorgen",-12.195842742919922],["zeichnung",-12.196181297302246],["chair",-12.196197509765625],["EB",-12.19636344909668],["▁Beth",-12.1964111328125],["115",-12.196416854858398],["▁Neue",-12.196479797363281],["▁faible",-12.196599960327148],["▁methodology",-12.196603775024414],["spiele",-12.196647644042969],["▁cherry",-12.196727752685547],["▁Mak",-12.196802139282227],["▁volet",-12.196982383728027],["funk",-12.197196006774902],["▁aktuelle",-12.197372436523438],["▁Yahoo",-12.197408676147461],["▁Zusammenarbeit",-12.197669982910156],["▁Serve",-12.197754859924316],["▁simpler",-12.197978019714355],["intégr",-12.197990417480469],["ndlich",-12.198083877563477],["▁actress",-12.198320388793945],["▁reuse",-12.198332786560059],["▁reviewing",-12.198405265808105],["statt",-12.198457717895508],["▁diving",-12.198469161987305],["▁Național",-12.198677062988281],["voi",-12.19873332977295],["Disc",-12.198812484741211],["▁Mineral",-12.19886302947998],["▁emit",-12.199007034301758],["witz",-12.199078559875488],["▁forgot",-12.19909954071045],["▁dim",-12.199115753173828],["upper",-12.19947624206543],["sichtlich",-12.19949722290039],["▁parcours",-12.199670791625977],["8:00",-12.199697494506836],["▁keyword",-12.199701309204102],["▁upgrades",-12.199763298034668],["kunden",-12.200177192687988],["▁Seg",-12.200257301330566],["▁Circle",-12.200289726257324],["▁ginger",-12.200336456298828],["mment",-12.200516700744629],["▁expenditure",-12.200655937194824],["▁parle",-12.200693130493164],["▁Counsel",-12.200722694396973],["▁Gui",-12.200722694396973],["resident",-12.20103645324707],["▁benchmark",-12.20103931427002],["▁Elektro",-12.201064109802246],["▁réalité",-12.201064109802246],["▁ridiculous",-12.201067924499512],["▁necklace",-12.20108699798584],["nian",-12.201117515563965],["▁Move",-12.20113468170166],["▁elevated",-12.201204299926758],["WE",-12.201281547546387],["▁Drum",-12.20132064819336],["▁Delivery",-12.201350212097168],["indicating",-12.201452255249023],["▁Benjamin",-12.201472282409668],["▁Samuel",-12.2014741897583],["bene",-12.201666831970215],["▁experienta",-12.201676368713379],["▁rocket",-12.201839447021484],["▁fossil",-12.201883316040039],["▁festive",-12.20193099975586],["▁conscience",-12.201964378356934],["▁bacon",-12.202136993408203],["▁aero",-12.202159881591797],["public",-12.202187538146973],["▁zic",-12.202218055725098],["ombre",-12.202356338500977],["▁Drain",-12.202550888061523],["7.5",-12.202672004699707],["▁Deutschen",-12.202703475952148],["reportedly",-12.202754974365234],["▁Français",-12.203105926513672],["▁enzyme",-12.203106880187988],["▁inquiry",-12.203117370605469],["▁presque",-12.203193664550781],["▁Airlines",-12.203228950500488],["▁Salon",-12.203237533569336],["▁Volunteer",-12.203310012817383],["▁modular",-12.203349113464355],["ón",-12.203364372253418],["NH",-12.203449249267578],["▁souhaite",-12.203516960144043],["social",-12.203659057617188],["▁Include",-12.203729629516602],["▁Decor",-12.2037992477417],["dded",-12.203965187072754],["▁Außen",-12.203969955444336],["rendu",-12.20412540435791],["▁MBA",-12.204150199890137],["▁columns",-12.204155921936035],["▁Wing",-12.204436302185059],["▁landmark",-12.204442977905273],["schritt",-12.204594612121582],["▁désir",-12.204630851745605],["(5)",-12.204680442810059],["▁réseaux",-12.204693794250488],["income",-12.204710960388184],["▁revised",-12.204819679260254],["HY",-12.204863548278809],["▁Explorer",-12.204873085021973],["▁Lam",-12.204877853393555],["▁almond",-12.204910278320312],["▁faux",-12.204910278320312],["opt",-12.204923629760742],["Out",-12.204939842224121],["▁virtue",-12.205025672912598],["▁Chocolate",-12.205151557922363],["▁spannend",-12.205305099487305],["▁spices",-12.205327033996582],["▁Climate",-12.205560684204102],["▁Residential",-12.205560684204102],["gung",-12.205700874328613],["▁filtr",-12.20606803894043],["circ",-12.206123352050781],["sisted",-12.206172943115234],["▁dedicat",-12.206243515014648],["▁foil",-12.206387519836426],["▁uita",-12.206392288208008],["▁lié",-12.206402778625488],["▁Demo",-12.206409454345703],["▁spoil",-12.2064208984375],["Cu",-12.206448554992676],["naut",-12.206525802612305],["▁configured",-12.206535339355469],["UK",-12.206543922424316],["▁disagree",-12.20656967163086],["Medic",-12.206767082214355],["cosm",-12.207074165344238],["Toute",-12.207109451293945],["▁beneficia",-12.207170486450195],["fassen",-12.207327842712402],["▁bail",-12.207337379455566],["igue",-12.207439422607422],["▁Mă",-12.20744800567627],["▁strips",-12.20748519897461],["▁Dritte",-12.207537651062012],["▁putere",-12.207597732543945],["Play",-12.20763111114502],["▁Samstag",-12.207632064819336],["▁households",-12.207791328430176],["▁persistent",-12.207914352416992],["uben",-12.207942962646484],["Web",-12.20809555053711],["▁scenery",-12.20820140838623],["▁défini",-12.208257675170898],["news",-12.208337783813477],["eira",-12.208428382873535],["▁Mumbai",-12.208438873291016],["▁Ward",-12.208558082580566],["▁ladder",-12.2086181640625],["▁plaque",-12.208623886108398],["nés",-12.208639144897461],["▁condamn",-12.20864486694336],["▁attribute",-12.208687782287598],["atti",-12.20873737335205],["▁Emily",-12.208953857421875],["▁pleine",-12.20896053314209],["▁automatisch",-12.209004402160645],["ifies",-12.209052085876465],["onna",-12.209104537963867],["▁inject",-12.209157943725586],["▁evolve",-12.209297180175781],["▁breeze",-12.209299087524414],["▁montre",-12.209415435791016],["▁memorial",-12.209425926208496],["ämlich",-12.209465026855469],["NBC",-12.209589958190918],["▁1940",-12.209836959838867],["▁trouvé",-12.209892272949219],["when",-12.209914207458496],["▁Büro",-12.209959983825684],["▁probability",-12.209978103637695],["cute",-12.21006965637207],["▁sturdy",-12.210078239440918],["AMP",-12.210165023803711],["▁Constantin",-12.210283279418945],["▁batter",-12.21037483215332],["▁bist",-12.210470199584961],["▁streams",-12.210528373718262],["rushing",-12.21057415008545],["▁shaft",-12.21065902709961],["▁proprii",-12.210722923278809],["émi",-12.21074390411377],["online",-12.210817337036133],["▁vanity",-12.210870742797852],["▁mural",-12.210878372192383],["▁distinguish",-12.210905075073242],["▁niciun",-12.211191177368164],["▁européenne",-12.211252212524414],["▁secretary",-12.211289405822754],["▁gaps",-12.211492538452148],["▁realm",-12.211499214172363],["▁elastic",-12.211504936218262],["▁Avoid",-12.211519241333008],["▁mauvais",-12.211931228637695],["▁innovations",-12.212663650512695],["▁suprem",-12.212776184082031],["▁vederea",-12.212817192077637],["wenden",-12.212892532348633],["-40",-12.213075637817383],["prenant",-12.213155746459961],["utilisateur",-12.213210105895996],["▁Oliver",-12.213228225708008],["111",-12.21326732635498],["▁manifestation",-12.213382720947266],["▁Rachel",-12.213458061218262],["agog",-12.21348762512207],["▁seamless",-12.213534355163574],["▁Employee",-12.213576316833496],["▁dimanche",-12.213582038879395],["▁banii",-12.213631629943848],["▁Ruth",-12.213781356811523],["▁Roy",-12.21385383605957],["▁homeless",-12.2139253616333],["▁Lower",-12.213932037353516],["health",-12.21393871307373],["▁atenti",-12.2140474319458],["▁touched",-12.214183807373047],["May",-12.214195251464844],["▁Buc",-12.214225769042969],["▁explored",-12.214393615722656],["▁declare",-12.214461326599121],["▁garment",-12.214469909667969],["▁buzz",-12.214483261108398],["▁rappel",-12.214662551879883],["▁uscat",-12.214903831481934],["▁Hyper",-12.214914321899414],["Etat",-12.215007781982422],["▁Titel",-12.215035438537598],["product",-12.215191841125488],["woman",-12.215280532836914],["▁Gab",-12.215450286865234],["▁advances",-12.215615272521973],["2/",-12.215753555297852],["prone",-12.215770721435547],["kö",-12.215986251831055],["▁counting",-12.21599292755127],["Sollte",-12.216043472290039],["▁Konzept",-12.216063499450684],["▁backgrounds",-12.216153144836426],["jährige",-12.216154098510742],["▁Alltag",-12.216187477111816],["▁metrics",-12.21619701385498],["▁illustrated",-12.216222763061523],["▁Charge",-12.21631908416748],["▁thoughtful",-12.216423034667969],["gesetz",-12.216527938842773],["pfen",-12.216611862182617],["▁déroul",-12.216713905334473],["▁checkout",-12.216876029968262],["quette",-12.216936111450195],["▁pierdut",-12.2170991897583],["▁Seat",-12.217140197753906],["▁linen",-12.217193603515625],["archiv",-12.217245101928711],["arna",-12.217254638671875],["importe",-12.21742057800293],["▁PHP",-12.217496871948242],["▁Parents",-12.217503547668457],["▁Birmingham",-12.217513084411621],["▁Integr",-12.217588424682617],["▁Mason",-12.217607498168945],["zieht",-12.217781066894531],["▁camps",-12.217803001403809],["OG",-12.21786117553711],["▁syrup",-12.217927932739258],["▁Cookies",-12.217928886413574],["▁Comfort",-12.217955589294434],["ută",-12.217976570129395],["abia",-12.217979431152344],["zeci",-12.218003273010254],["▁Gardens",-12.218009948730469],["▁incidents",-12.218149185180664],["▁participat",-12.218235969543457],["▁glimpse",-12.218342781066895],["5.5",-12.218437194824219],["▁dealers",-12.218469619750977],["▁Grande",-12.218565940856934],["▁raid",-12.218944549560547],["owing",-12.21903133392334],["▁contrary",-12.219109535217285],["Earlier",-12.219138145446777],["tien",-12.21916389465332],["drop",-12.219169616699219],["▁angajat",-12.219359397888184],["▁procesul",-12.219515800476074],["▁focal",-12.219564437866211],["▁impart",-12.219703674316406],["▁Abschluss",-12.219749450683594],["carui",-12.219830513000488],["insul",-12.220277786254883],["▁creamy",-12.220283508300781],["eille",-12.22032356262207],["suppl",-12.220335960388184],["▁Heaven",-12.220471382141113],["éna",-12.220667839050293],["▁swap",-12.220739364624023],["▁vreau",-12.220762252807617],["▁Bryan",-12.220809936523438],["▁Zug",-12.220815658569336],["▁glance",-12.220848083496094],["▁elimin",-12.220900535583496],["▁yeux",-12.221084594726562],["wehr",-12.221238136291504],["2.5",-12.221287727355957],["▁poses",-12.221364974975586],["▁parcel",-12.221585273742676],["▁Apartment",-12.221749305725098],["▁NASA",-12.221768379211426],["▁bénéfici",-12.22187614440918],["▁Umgebung",-12.221890449523926],["asia",-12.221946716308594],["abi",-12.221967697143555],["coup",-12.222002983093262],["synchron",-12.222017288208008],["▁Sicherheits",-12.222029685974121],["bic",-12.222076416015625],["▁distract",-12.222148895263672],["▁rentals",-12.222163200378418],["constru",-12.222290992736816],["curs",-12.222345352172852],["genannten",-12.222386360168457],["▁Shanghai",-12.222501754760742],["▁vague",-12.222504615783691],["▁Leather",-12.22250747680664],["▁Vintage",-12.222532272338867],["pointing",-12.22259521484375],["avant",-12.22268295288086],["gues",-12.222949028015137],["sweise",-12.22302532196045],["▁Greater",-12.223065376281738],["fig",-12.22310733795166],["▁Blut",-12.223217964172363],["▁Stellen",-12.22326946258545],["▁isolation",-12.22337818145752],["▁overhead",-12.22338581085205],["▁wondered",-12.223508834838867],["essai",-12.223609924316406],["aves",-12.2236328125],["▁Shore",-12.223637580871582],["▁INC",-12.223709106445312],["rufen",-12.223980903625488],["▁magnifique",-12.224069595336914],["▁intéressant",-12.224072456359863],["▁tanks",-12.224075317382812],["▁Tun",-12.224367141723633],["▁approaching",-12.224390029907227],["▁relay",-12.224479675292969],["▁Küche",-12.224529266357422],["describing",-12.224587440490723],["▁Certification",-12.224588394165039],["▁Breakfast",-12.224597930908203],["▁Frame",-12.224891662597656],["▁Stoff",-12.224909782409668],["▁victime",-12.224924087524414],["Observ",-12.224943161010742],["▁gutter",-12.224989891052246],["standard",-12.225220680236816],["▁Sci",-12.225244522094727],["▁sept",-12.225377082824707],["▁Potter",-12.225423812866211],["letter",-12.22577953338623],["▁tobacco",-12.225852012634277],["▁threatened",-12.22591781616211],["MW",-12.225936889648438],["▁Cher",-12.225944519042969],["0.1",-12.225957870483398],["mitted",-12.22596263885498],["zustellen",-12.225967407226562],["dominated",-12.226165771484375],["/16",-12.22623348236084],["POS",-12.226317405700684],["▁Zin",-12.226373672485352],["▁Okay",-12.226381301879883],["▁projected",-12.226405143737793],["▁selber",-12.226548194885254],["▁proiectului",-12.2266206741333],["▁Shell",-12.226683616638184],["▁cartridge",-12.226706504821777],["Message",-12.2267484664917],["haben",-12.226799964904785],["▁slides",-12.226829528808594],["▁gleichzeitig",-12.226886749267578],["▁Racing",-12.227051734924316],["▁20,",-12.227070808410645],["▁separat",-12.227094650268555],["▁repeatedly",-12.227110862731934],["▁casting",-12.22728157043457],["▁sacred",-12.227283477783203],["verfahren",-12.227387428283691],["▁echilibr",-12.227514266967773],["▁rebel",-12.2277250289917],["säu",-12.227794647216797],["ummy",-12.227815628051758],["▁backing",-12.227889060974121],["▁sponsors",-12.227912902832031],["▁Stress",-12.22802448272705],["▁Rules",-12.228083610534668],["▁render",-12.228241920471191],["▁funktioniert",-12.228384971618652],["▁Pearl",-12.228472709655762],["▁Scho",-12.228527069091797],["schwer",-12.228595733642578],["▁descoperit",-12.228702545166016],["holen",-12.228720664978027],["imposed",-12.228960990905762],["▁appearing",-12.228968620300293],["▁höher",-12.229082107543945],["▁Victorian",-12.229111671447754],["▁founding",-12.229155540466309],["▁Polish",-12.229239463806152],["▁anume",-12.229248046875],["Box",-12.229488372802734],["▁intrat",-12.229598999023438],["▁Inspiration",-12.229610443115234],["▁Canyon",-12.229625701904297],["▁Franklin",-12.22974681854248],["▁susceptible",-12.22982120513916],["trap",-12.229839324951172],["▁Roma",-12.23000717163086],["▁ethics",-12.230009078979492],["▁Privat",-12.230027198791504],["▁journalists",-12.230090141296387],["▁Universität",-12.230246543884277],["▁conditioner",-12.230308532714844],["folge",-12.230327606201172],["kirche",-12.230416297912598],["gehalten",-12.230530738830566],["midi",-12.230570793151855],["▁radar",-12.230619430541992],["▁Yard",-12.230775833129883],["▁professionnelle",-12.230863571166992],["▁Orchestra",-12.230870246887207],["▁immigrants",-12.230870246887207],["▁refined",-12.230929374694824],["▁Bishop",-12.231036186218262],["string",-12.231095314025879],["▁majoritatea",-12.231231689453125],["▁workflow",-12.23123836517334],["▁întreg",-12.231306076049805],["went",-12.231563568115234],["▁trat",-12.231689453125],["felul",-12.23176383972168],["▁hardwood",-12.231821060180664],["▁Task",-12.231867790222168],["branded",-12.231921195983887],["▁cinq",-12.231966018676758],["▁curb",-12.232041358947754],["▁Discount",-12.232043266296387],["▁Episode",-12.232131958007812],["▁Knowledge",-12.232144355773926],["▁tricky",-12.232173919677734],["▁characteristic",-12.232233047485352],["▁plata",-12.23226261138916],["▁Labour",-12.23232650756836],["▁Tha",-12.232372283935547],["▁Liefer",-12.232430458068848],["▁Reader",-12.232471466064453],["▁Linda",-12.232521057128906],["ittlerweile",-12.232552528381348],["defining",-12.232564926147461],["▁delayed",-12.232635498046875],["▁Bewertung",-12.232674598693848],["▁Unique",-12.232791900634766],["▁Champion",-12.232866287231445],["2008",-12.232897758483887],["▁conclu",-12.232934951782227],["▁câștig",-12.2329740524292],["▁scheduling",-12.2329740524292],["▁sailing",-12.233116149902344],["▁Storm",-12.23318862915039],["▁Stil",-12.23320198059082],["▁Album",-12.233211517333984],["▁ultime",-12.233343124389648],["url",-12.233369827270508],["▁terrific",-12.23339557647705],["▁remedy",-12.233396530151367],["▁Around",-12.233592987060547],["▁Kni",-12.233756065368652],["etty",-12.23376750946045],["Managing",-12.233809471130371],["▁Bedeutung",-12.233816146850586],["▁earthquake",-12.233817100524902],["▁Telefon",-12.233818054199219],["▁Upper",-12.233869552612305],["▁validation",-12.233892440795898],["-22",-12.233997344970703],["▁queue",-12.23401165008545],["tinde",-12.234025001525879],["built",-12.234047889709473],["▁voix",-12.234125137329102],["▁Resource",-12.234126091003418],["ţiuni",-12.234143257141113],["▁satisfying",-12.234299659729004],["▁Kohl",-12.234441757202148],["▁Materials",-12.234618186950684],["▁esp",-12.234732627868652],["enseignement",-12.234773635864258],["danach",-12.234883308410645],["peux",-12.234932899475098],["▁deployed",-12.235113143920898],["▁1976",-12.235126495361328],["ușor",-12.235334396362305],["élection",-12.235380172729492],["ettes",-12.235437393188477],["▁Madison",-12.235506057739258],["108",-12.235685348510742],["berger",-12.235696792602539],["▁pedal",-12.235702514648438],["▁quasi",-12.235820770263672],["▁lend",-12.235843658447266],["VER",-12.235940933227539],["▁chapters",-12.236002922058105],["▁idei",-12.23600959777832],["Deine",-12.236034393310547],["▁endure",-12.236092567443848],["▁Studios",-12.236259460449219],["structure",-12.236274719238281],["▁puiss",-12.236370086669922],["▁Morning",-12.236443519592285],["guide",-12.236462593078613],["▁Wave",-12.236617088317871],["▁banque",-12.236879348754883],["änd",-12.236912727355957],["oubli",-12.237070083618164],["▁mixer",-12.237125396728516],["▁remedi",-12.237210273742676],["▁scop",-12.237421989440918],["▁Rosen",-12.237561225891113],["▁spital",-12.23773193359375],["blau",-12.237811088562012],["▁financiar",-12.237865447998047],["avour",-12.237871170043945],["Def",-12.238025665283203],["▁socket",-12.238076210021973],["▁occurring",-12.238360404968262],["▁munci",-12.238368034362793],["▁realiza",-12.238426208496094],["▁beating",-12.2384614944458],["▁Phillip",-12.238490104675293],["▁courant",-12.238509178161621],["Auto",-12.238608360290527],["▁Lager",-12.238685607910156],["▁folos",-12.238696098327637],["▁moyens",-12.238770484924316],["▁Ec",-12.238780975341797],["▁Strip",-12.238788604736328],["sparen",-12.238848686218262],["▁Nintendo",-12.238886833190918],["▁Murphy",-12.238912582397461],["▁flux",-12.239034652709961],["▁mots",-12.239034652709961],["▁rechts",-12.239045143127441],["▁cardio",-12.239142417907715],["avoiding",-12.239343643188477],["érer",-12.239453315734863],["hiel",-12.239461898803711],["▁rezistent",-12.239521980285645],["close",-12.23954963684082],["hésitez",-12.239596366882324],["Hz",-12.239631652832031],["▁elaborate",-12.239689826965332],["▁permanently",-12.239709854125977],["▁Pittsburgh",-12.239734649658203],["▁counties",-12.239819526672363],["▁bookmark",-12.239919662475586],["▁Label",-12.239965438842773],["▁Freude",-12.239974021911621],["▁preferat",-12.239986419677734],["▁Mein",-12.239995002746582],["▁Crew",-12.240218162536621],["▁clips",-12.240253448486328],["8,000",-12.240263938903809],["▁recognise",-12.240311622619629],["ință",-12.240365028381348],["▁prieteni",-12.240447044372559],["Heute",-12.240522384643555],["ancienne",-12.240534782409668],["▁annoying",-12.240583419799805],["▁awful",-12.240704536437988],["▁Comments",-12.240774154663086],["▁musician",-12.240830421447754],["▁Elite",-12.241023063659668],["▁patri",-12.241024017333984],["▁Coupon",-12.241037368774414],["▁Farbe",-12.241097450256348],["▁contribui",-12.241110801696777],["hari",-12.241294860839844],["▁activitati",-12.24161148071289],["▁Traum",-12.2416410446167],["1.8",-12.24170207977295],["▁Healthcare",-12.24172306060791],["▁refresh",-12.241943359375],["▁Maha",-12.242060661315918],["▁dép",-12.242082595825195],["▁Studien",-12.242314338684082],["▁spectacol",-12.242378234863281],["impro",-12.24254035949707],["▁commentaire",-12.242544174194336],["ported",-12.242570877075195],["▁reclam",-12.242612838745117],["▁Verkauf",-12.242634773254395],["▁newspapers",-12.242661476135254],["▁iubit",-12.242838859558105],["▁Kenne",-12.242844581604004],["▁Consultant",-12.242958068847656],["▁stau",-12.242986679077148],["TON",-12.243057250976562],["▁Fehler",-12.243070602416992],["▁lettre",-12.243167877197266],["▁investigator",-12.243172645568848],["▁quantities",-12.243184089660645],["ogram",-12.243208885192871],["avaient",-12.24323844909668],["▁reducere",-12.243265151977539],["Lite",-12.243402481079102],["kurs",-12.243443489074707],["pré",-12.24383544921875],["pap",-12.243898391723633],["▁Männer",-12.243983268737793],["▁gauche",-12.244022369384766],["▁ähnlich",-12.244027137756348],["▁sunlight",-12.244063377380371],["▁rester",-12.24422550201416],["jumped",-12.244586944580078],["▁exclusiv",-12.24463176727295],["▁electoral",-12.244640350341797],["▁Portal",-12.244650840759277],["ulent",-12.244688987731934],["▁sonst",-12.24474048614502],["entraîne",-12.24483585357666],["▁repas",-12.244837760925293],["▁redus",-12.244858741760254],["aku",-12.244866371154785],["▁Graphic",-12.245251655578613],["▁geringe",-12.24539566040039],["plätze",-12.245474815368652],["Trebuie",-12.245479583740234],["▁rezultate",-12.245479583740234],["▁configure",-12.245683670043945],["▁PV",-12.245834350585938],["▁insect",-12.246109962463379],["▁Reviews",-12.246129035949707],["releasing",-12.246186256408691],["▁appliance",-12.246246337890625],["▁oferte",-12.246482849121094],["▁WILL",-12.246484756469727],["rion",-12.246499061584473],["▁Cole",-12.246582984924316],["▁1975",-12.246650695800781],["Admin",-12.24677848815918],["▁parade",-12.246800422668457],["▁mélange",-12.24692153930664],["▁shortage",-12.247007369995117],["▁Measure",-12.247400283813477],["anchmal",-12.24742603302002],["▁transfers",-12.247432708740234],["▁sistemului",-12.247573852539062],["▁deschide",-12.247819900512695],["▁Künstler",-12.247821807861328],["▁Plain",-12.247848510742188],["▁messaging",-12.247855186462402],["▁metabolism",-12.247879981994629],["fill",-12.248031616210938],["▁Bomb",-12.24814224243164],["usine",-12.248208045959473],["▁restart",-12.248233795166016],["▁Discussion",-12.248336791992188],["smith",-12.248472213745117],["▁Bh",-12.248607635498047],["▁sap",-12.248689651489258],["Moo",-12.248714447021484],["▁indirect",-12.248785972595215],["▁eingesetzt",-12.248863220214844],["▁Hip",-12.248870849609375],["▁iulie",-12.249113082885742],["▁atac",-12.249201774597168],["▁passport",-12.2492036819458],["▁Egyptian",-12.249290466308594],["▁soluți",-12.249349594116211],["▁cakes",-12.249356269836426],["▁Fellow",-12.24949836730957],["▁collision",-12.249533653259277],["▁abundant",-12.249961853027344],["▁Wonder",-12.24997329711914],["▁theories",-12.249991416931152],["landed",-12.250046730041504],["▁meantime",-12.2500638961792],["schlüsse",-12.25022029876709],["▁helicopter",-12.25039005279541],["Voici",-12.250479698181152],["▁Honey",-12.25049877166748],["▁deleted",-12.250511169433594],["▁Projekte",-12.250523567199707],["▁gasi",-12.2506742477417],["applique",-12.25068473815918],["TAL",-12.250699043273926],["notch",-12.250699996948242],["▁Response",-12.250818252563477],["▁deveni",-12.250818252563477],["▁regulate",-12.250829696655273],["▁vegetarian",-12.25083065032959],["▁Pastor",-12.250880241394043],["▁Strong",-12.250940322875977],["▁élèves",-12.251055717468262],["▁alimente",-12.25113582611084],["graphy",-12.251181602478027],["▁spirits",-12.251266479492188],["▁Cau",-12.251282691955566],["determin",-12.251304626464844],["arilor",-12.251382827758789],["▁masura",-12.251470565795898],["RAN",-12.251500129699707],["marked",-12.251564979553223],["cuba",-12.251602172851562],["omni",-12.251609802246094],["▁detox",-12.251662254333496],["▁quartz",-12.251741409301758],["▁Bug",-12.25177001953125],["▁Sugar",-12.25185775756836],["▁opponents",-12.25197982788086],["▁solved",-12.25207805633545],["semn",-12.252257347106934],["▁Prepare",-12.252558708190918],["ffel",-12.252586364746094],["▁Highlight",-12.252608299255371],["▁curent",-12.252618789672852],["▁praktisch",-12.252626419067383],["▁lending",-12.252676963806152],["▁minority",-12.252752304077148],["Free",-12.252970695495605],["business",-12.252997398376465],["▁outlook",-12.253097534179688],["▁assessments",-12.253168106079102],["▁Brother",-12.253266334533691],["▁partager",-12.25326919555664],["▁Brun",-12.25329303741455],["▁pedestrian",-12.25339412689209],["anța",-12.253413200378418],["▁recycled",-12.253457069396973],["▁quicker",-12.253626823425293],["▁lamps",-12.253683090209961],["▁nationally",-12.253813743591309],["▁Supplier",-12.253823280334473],["ograph",-12.253936767578125],["engage",-12.253981590270996],["▁Marg",-12.254131317138672],["▁aplicare",-12.254181861877441],["▁scared",-12.254194259643555],["▁accredited",-12.254255294799805],["▁outils",-12.25436019897461],["▁bâtiment",-12.254446029663086],["▁existed",-12.254586219787598],["gegangen",-12.254619598388672],["▁elevation",-12.25463581085205],["▁Tradition",-12.254670143127441],["▁Gericht",-12.254677772521973],["hub",-12.254680633544922],["strahl",-12.25473690032959],["build",-12.254796981811523],["▁Customers",-12.25487232208252],["klasse",-12.254890441894531],["▁pierre",-12.254895210266113],["(2)",-12.255006790161133],["Life",-12.255125999450684],["▁bachelor",-12.25513744354248],["▁quad",-12.255195617675781],["▁dispozitiv",-12.25523567199707],["106",-12.255266189575195],["▁suburb",-12.255495071411133],["▁1977",-12.255586624145508],["▁Alzheimer",-12.255973815917969],["▁spicy",-12.255988121032715],["▁spreading",-12.256002426147461],["nötigen",-12.256078720092773],["▁novels",-12.256104469299316],["▁responsabilité",-12.256141662597656],["▁Bud",-12.256332397460938],["▁desirable",-12.256407737731934],["TOR",-12.256444931030273],["five",-12.256547927856445],["▁Firmen",-12.256860733032227],["oeuvre",-12.257075309753418],["grass",-12.257233619689941],["▁practically",-12.257277488708496],["▁runners",-12.257281303405762],["▁mothers",-12.257341384887695],["Shop",-12.257345199584961],["▁Chicken",-12.257408142089844],["▁License",-12.257593154907227],["▁Bach",-12.25765323638916],["earliest",-12.257729530334473],["▁replica",-12.25774097442627],["▁haunt",-12.257833480834961],["▁materi",-12.257854461669922],["▁Finland",-12.257893562316895],["▁europene",-12.257919311523438],["abilă",-12.257944107055664],["cati",-12.258007049560547],["▁cholesterol",-12.258132934570312],["...).",-12.258151054382324],["cardi",-12.25838565826416],["▁(12",-12.258387565612793],["analyzed",-12.258506774902344],["▁respondents",-12.258591651916504],["▁höchste",-12.258646011352539],["▁Kern",-12.258647918701172],["▁knapp",-12.258781433105469],["▁Someone",-12.258955001831055],["▁équipé",-12.258997917175293],["credited",-12.259106636047363],["▁numar",-12.259163856506348],["▁Ace",-12.259185791015625],["zentrum",-12.2592191696167],["nehmer",-12.259270668029785],["arrivée",-12.259282112121582],["ELE",-12.259291648864746],["clean",-12.259418487548828],["Boost",-12.259538650512695],["call",-12.259575843811035],["▁Polizei",-12.259659767150879],["▁Januar",-12.259663581848145],["▁Tile",-12.259681701660156],["▁traduc",-12.259744644165039],["▁promptly",-12.259773254394531],["limit",-12.259809494018555],["▁recharge",-12.2598237991333],["▁wipe",-12.259862899780273],["▁Norway",-12.26001262664795],["▁Municipal",-12.260077476501465],["▁medieval",-12.260117530822754],["▁Treat",-12.26021671295166],["Orient",-12.260283470153809],["▁Stewart",-12.260294914245605],["▁lol",-12.26039981842041],["appartement",-12.260522842407227],["▁payer",-12.260655403137207],["▁splash",-12.260723114013672],["doubtedly",-12.260726928710938],["dry",-12.260846138000488],["▁Forex",-12.260939598083496],["▁Edinburgh",-12.260943412780762],["▁Traditional",-12.261032104492188],["▁1968",-12.261134147644043],["▁glow",-12.261248588562012],["Alternatively",-12.261265754699707],["▁partly",-12.261354446411133],["égi",-12.261401176452637],["▁Prices",-12.261640548706055],["haupt",-12.261651992797852],["▁sentences",-12.261711120605469],["ouvre",-12.261735916137695],["▁Liter",-12.261746406555176],["▁Important",-12.2620267868042],["▁Collins",-12.262077331542969],["▁reproduce",-12.262106895446777],["▁selten",-12.262124061584473],["▁Mitte",-12.262170791625977],["OA",-12.262174606323242],["▁Sister",-12.262358665466309],["▁responding",-12.262385368347168],["▁ballot",-12.262455940246582],["▁Nutrition",-12.262460708618164],["occurrence",-12.26246452331543],["Atunci",-12.262604713439941],["▁hockey",-12.262680053710938],["▁undertaking",-12.262697219848633],["▁educators",-12.262885093688965],["▁Swedish",-12.262893676757812],["▁Recovery",-12.262894630432129],["▁circum",-12.262910842895508],["▁chains",-12.263084411621094],["▁genug",-12.263113021850586],["▁Pil",-12.263227462768555],["▁farms",-12.263265609741211],["▁simplicity",-12.263336181640625],["-21",-12.263399124145508],["▁partition",-12.263493537902832],["▁Relations",-12.26360034942627],["zentrale",-12.263794898986816],["lapse",-12.263855934143066],["▁toast",-12.263862609863281],["▁citi",-12.263946533203125],["▁longtemps",-12.263984680175781],["maj",-12.264448165893555],["▁Cin",-12.264483451843262],["zeichen",-12.264504432678223],["▁Zoo",-12.264567375183105],["▁frisch",-12.264570236206055],["▁permettra",-12.264595031738281],["▁Liberty",-12.264642715454102],["▁playground",-12.264873504638672],["▁Mate",-12.265031814575195],["▁evolving",-12.265066146850586],["national",-12.265207290649414],["▁signifie",-12.265279769897461],["▁Related",-12.265292167663574],["NES",-12.265337944030762],["euil",-12.265473365783691],["▁struggles",-12.265542030334473],["▁instinct",-12.265628814697266],["arbre",-12.26608943939209],["▁commands",-12.266222953796387],["▁frumoase",-12.26637077331543],["▁watches",-12.266779899597168],["NM",-12.266804695129395],["▁influential",-12.266807556152344],["▁gewesen",-12.266901969909668],["▁Pictures",-12.267224311828613],["▁HVAC",-12.267242431640625],["▁skate",-12.26732063293457],["▁Robot",-12.267327308654785],["▁Boys",-12.267404556274414],["▁Mutter",-12.267425537109375],["▁marques",-12.267539024353027],["utiliser",-12.267793655395508],["▁amazed",-12.267799377441406],["ächtig",-12.26783275604248],["▁Success",-12.267870903015137],["gramm",-12.267956733703613],["▁1972",-12.267956733703613],["▁marina",-12.268269538879395],["▁lou",-12.268321990966797],["▁précis",-12.268380165100098],["ographic",-12.268482208251953],["people",-12.26848316192627],["fahr",-12.268547058105469],["▁Contemporary",-12.268550872802734],["▁frustrating",-12.26858139038086],["chide",-12.268704414367676],["1.5",-12.268807411193848],["▁ankle",-12.268850326538086],["▁proximity",-12.268986701965332],["▁Leute",-12.269006729125977],["UA",-12.269031524658203],["union",-12.269131660461426],["▁recovered",-12.269133567810059],["▁sword",-12.269216537475586],["▁Mut",-12.26923942565918],["▁Rin",-12.269360542297363],["▁lectures",-12.26942253112793],["▁licensing",-12.269423484802246],["MAC",-12.269498825073242],["▁commute",-12.269776344299316],["Acesta",-12.269858360290527],["▁Koch",-12.270088195800781],["▁depozit",-12.270119667053223],["▁erstmal",-12.270163536071777],["arhi",-12.270271301269531],["▁Normal",-12.270462036132812],["EZ",-12.270464897155762],["ărilor",-12.270986557006836],["▁favoris",-12.271041870117188],["▁$9",-12.271050453186035],["▁Lawrence",-12.271172523498535],["▁fixing",-12.271200180053711],["▁researching",-12.271288871765137],["▁Pant",-12.271467208862305],["▁candid",-12.271490097045898],["▁Arkansas",-12.27160930633545],["▁bitcoin",-12.271612167358398],["ва",-12.271645545959473],["▁Finger",-12.271692276000977],["▁SRL",-12.271718978881836],["Arg",-12.271797180175781],["trade",-12.271903991699219],["▁extraction",-12.271941184997559],["▁footprint",-12.2720308303833],["▁folosite",-12.272085189819336],["▁Flex",-12.272184371948242],["▁dys",-12.272294998168945],["▁Wright",-12.272343635559082],["▁multitude",-12.272378921508789],["▁Chu",-12.272494316101074],["▁Jerry",-12.27249526977539],["▁notebook",-12.272722244262695],["▁SIM",-12.272932052612305],["dietary",-12.272963523864746],["▁polished",-12.272984504699707],["▁carriers",-12.272993087768555],["▁cardiac",-12.27299976348877],["▁burned",-12.273038864135742],["▁sealed",-12.273062705993652],["▁pumps",-12.273224830627441],["▁consumed",-12.273233413696289],["▁Teaching",-12.273446083068848],["▁daughters",-12.27348518371582],["serviciile",-12.273600578308105],["▁Teams",-12.273690223693848],["▁avoided",-12.273903846740723],["▁compagnie",-12.274019241333008],["▁mașin",-12.274024963378906],["▁Sean",-12.27418041229248],["▁arunc",-12.274208068847656],["kräfte",-12.274238586425781],["vani",-12.274255752563477],["Metall",-12.27437973022461],["2009",-12.274449348449707],["moi",-12.274688720703125],["▁THAT",-12.274700164794922],["▁Ny",-12.274809837341309],["▁countertops",-12.274860382080078],["Pod",-12.274938583374023],["amente",-12.274943351745605],["▁offshore",-12.275001525878906],["luti",-12.275087356567383],["parked",-12.275160789489746],["ajout",-12.275247573852539],["Shirt",-12.275328636169434],["▁3/4",-12.275389671325684],["▁gratuite",-12.27543830871582],["mètres",-12.27557373046875],["▁Wish",-12.2755765914917],["▁holistic",-12.27558422088623],["gren",-12.275607109069824],["compiled",-12.275660514831543],["▁innocent",-12.275779724121094],["▁sorte",-12.275787353515625],["▁insulin",-12.275792121887207],["▁Academic",-12.275996208190918],["▁acrylic",-12.27600383758545],["▁hinzu",-12.27616024017334],["▁compression",-12.27619457244873],["▁viral",-12.276220321655273],["▁stereo",-12.2764892578125],["▁Concept",-12.276542663574219],["▁Margaret",-12.276659965515137],["▁consolidation",-12.276875495910645],["Figure",-12.277058601379395],["zzo",-12.277061462402344],["▁Egg",-12.277098655700684],["weiterhin",-12.277213096618652],["▁Vista",-12.277252197265625],["▁necessity",-12.277316093444824],["▁kayak",-12.277490615844727],["▁consensus",-12.277535438537598],["▁Katz",-12.277602195739746],["▁Warren",-12.277640342712402],["▁custody",-12.277755737304688],["++",-12.277759552001953],["▁paiement",-12.277782440185547],["▁foul",-12.277878761291504],["Chaque",-12.277934074401855],["▁Syrian",-12.277998924255371],["▁photographers",-12.278056144714355],["▁dismiss",-12.278270721435547],["▁Gaz",-12.278526306152344],["▁développer",-12.278529167175293],["▁Dakota",-12.27863883972168],["▁cardiovascular",-12.278642654418945],["▁tattoo",-12.278858184814453],["▁Lighting",-12.278918266296387],["▁nowhere",-12.278940200805664],["vada",-12.27895450592041],["▁Favor",-12.279084205627441],["ruled",-12.2791748046875],["▁Dating",-12.2793550491333],["gain",-12.279963493347168],["rism",-12.28016471862793],["coloured",-12.280169486999512],["▁refugees",-12.280184745788574],["▁Schm",-12.2803955078125],["▁happily",-12.280402183532715],["▁specification",-12.280607223510742],["WM",-12.280736923217773],["▁intro",-12.280823707580566],["rack",-12.28097915649414],["characterized",-12.28107738494873],["▁externe",-12.281136512756348],["▁arrives",-12.28114128112793],["WO",-12.281181335449219],["bericht",-12.281233787536621],["▁delays",-12.281242370605469],["▁Flight",-12.281256675720215],["1-3",-12.281524658203125],["▁Singh",-12.281548500061035],["▁shifting",-12.281651496887207],["▁dashboard",-12.281729698181152],["▁lieux",-12.281781196594238],["▁validate",-12.281901359558105],["▁uniquement",-12.281963348388672],["clip",-12.28199291229248],["cov",-12.282132148742676],["▁tendance",-12.282215118408203],["èle",-12.282258033752441],["▁incepe",-12.282261848449707],["▁chunk",-12.282585144042969],["▁Nr",-12.28266716003418],["▁Montana",-12.282674789428711],["▁sticks",-12.28277587890625],["▁caps",-12.28309154510498],["▁Jimmy",-12.283167839050293],["▁Levi",-12.283285140991211],["▁cables",-12.28345012664795],["▁SB",-12.283550262451172],["▁thème",-12.2836275100708],["ADA",-12.283672332763672],["▁garant",-12.283686637878418],["▁Joint",-12.283820152282715],["▁partage",-12.28398323059082],["schreib",-12.284119606018066],["ether",-12.28420352935791],["▁Klima",-12.284303665161133],["▁medicines",-12.284317016601562],["▁pH",-12.284320831298828],["Architect",-12.284378051757812],["știi",-12.284396171569824],["▁retrouve",-12.284700393676758],["▁posture",-12.284753799438477],["Feature",-12.284773826599121],["▁drying",-12.284884452819824],["trifft",-12.28488826751709],["ibi",-12.285079002380371],["▁rezerv",-12.285116195678711],["▁Vă",-12.28518009185791],["▁Speaker",-12.285282135009766],["▁illustration",-12.285319328308105],["oooo",-12.285419464111328],["▁initiated",-12.285518646240234],["PK",-12.285545349121094],["▁algorithms",-12.285630226135254],["▁zice",-12.285757064819336],["WI",-12.28581428527832],["urgence",-12.285823822021484],["▁bloggers",-12.285887718200684],["▁realitate",-12.285894393920898],["eks",-12.28598690032959],["▁cushions",-12.286149024963379],["▁Kri",-12.286224365234375],["▁réalisation",-12.286396026611328],["▁Photoshop",-12.286407470703125],["cret",-12.286462783813477],["faire",-12.286613464355469],["▁Cei",-12.286782264709473],["ICO",-12.286789894104004],["Contin",-12.28681755065918],["▁Builder",-12.286916732788086],["look",-12.28698444366455],["▁tenants",-12.287023544311523],["▁gloves",-12.287113189697266],["Day",-12.287169456481934],["firmly",-12.28725814819336],["CIA",-12.287352561950684],["▁TVA",-12.28741455078125],["▁notifications",-12.287446975708008],["▁Higher",-12.287459373474121],["▁Weihnachts",-12.287491798400879],["▁blur",-12.287755012512207],["ов",-12.288087844848633],["feder",-12.288159370422363],["▁explosion",-12.288171768188477],["▁Fenster",-12.288189888000488],["▁junge",-12.288225173950195],["▁Highland",-12.288230895996094],["▁Lü",-12.288290023803711],["▁Alba",-12.28832721710205],["▁Dort",-12.288338661193848],["▁recruiting",-12.28835391998291],["▁Multiple",-12.288549423217773],["▁animated",-12.288604736328125],["▁Virgin",-12.288637161254883],["1000",-12.288676261901855],["▁resin",-12.288700103759766],["▁matrix",-12.288826942443848],["irri",-12.289011001586914],["▁chiffre",-12.28904914855957],["▁Corps",-12.289252281188965],["▁advocacy",-12.28927230834961],["▁pozitiv",-12.289274215698242],["▁pouss",-12.289451599121094],["événement",-12.28950309753418],["▁pielii",-12.289717674255371],["onnais",-12.289750099182129],["▁Statement",-12.289754867553711],["crimin",-12.289868354797363],["hidrat",-12.289942741394043],["▁Jugendliche",-12.290057182312012],["TRI",-12.290223121643066],["erra",-12.290240287780762],["chat",-12.290321350097656],["▁traits",-12.290359497070312],["▁incentives",-12.29038143157959],["▁accelerate",-12.290568351745605],["woven",-12.290633201599121],["UST",-12.290688514709473],["▁premiers",-12.290717124938965],["▁Ferien",-12.290755271911621],["▁mariage",-12.290796279907227],["▁financially",-12.290801048278809],["gesellschaft",-12.290863037109375],["▁situaţi",-12.290865898132324],["▁quoted",-12.291373252868652],["▁periodic",-12.291421890258789],["▁chaos",-12.291543960571289],["▁remodel",-12.29159927368164],["▁Contractor",-12.291641235351562],["▁recuper",-12.291729927062988],["▁driveway",-12.291755676269531],["▁entertain",-12.291765213012695],["▁condus",-12.291769027709961],["▁chefs",-12.29184341430664],["pak",-12.291866302490234],["▁possède",-12.291948318481445],["▁outreach",-12.291984558105469],["▁navig",-12.292036056518555],["▁renewal",-12.292071342468262],["▁Rice",-12.292309761047363],["▁Czech",-12.292398452758789],["▁entstehen",-12.292445182800293],["▁droite",-12.292448997497559],["▁Investor",-12.292497634887695],["▁Soci",-12.29250431060791],["▁scalp",-12.292622566223145],["▁politiques",-12.292815208435059],["▁plaintiff",-12.292841911315918],["extending",-12.29287052154541],["▁paperwork",-12.29300594329834],["vizi",-12.293142318725586],["assisting",-12.29317569732666],["local",-12.293272972106934],["▁Wear",-12.293323516845703],["▁descend",-12.293340682983398],["▁Wikipedia",-12.293513298034668],["▁Consiliului",-12.293516159057617],["▁Nokia",-12.293540000915527],["▁facult",-12.293560028076172],["▁altogether",-12.293851852416992],["▁rankings",-12.29391860961914],["▁downloading",-12.293953895568848],["QU",-12.294007301330566],["▁Olive",-12.294041633605957],["▁backdrop",-12.294110298156738],["▁recomandat",-12.294116020202637],["▁Faculty",-12.294184684753418],["ANS",-12.294220924377441],["▁fracture",-12.294225692749023],["job",-12.29448127746582],["▁anticipate",-12.294525146484375],["▁drift",-12.294543266296387],["▁Marco",-12.294632911682129],["▁witnessed",-12.294700622558594],["▁comprend",-12.294974327087402],["▁bulb",-12.29504680633545],["▁shallow",-12.295059204101562],["stärke",-12.295063972473145],["▁Jessica",-12.295080184936523],["▁démarche",-12.29508113861084],["▁traditionally",-12.29508113861084],["Deputy",-12.295093536376953],["▁rivers",-12.295260429382324],["▁livraison",-12.29531192779541],["▁lacking",-12.295421600341797],["▁remodeling",-12.295426368713379],["▁acesteia",-12.295514106750488],["▁grosse",-12.295669555664062],["▁propus",-12.295833587646484],["lessly",-12.29587459564209],["▁Kredit",-12.295931816101074],["reputable",-12.295981407165527],["▁Sell",-12.2960205078125],["▁Crime",-12.296111106872559],["Ent",-12.296310424804688],["finity",-12.296422004699707],["▁Complex",-12.296500205993652],["easing",-12.296638488769531],["dynamic",-12.296670913696289],["▁eaten",-12.296727180480957],["gezogen",-12.296734809875488],["▁2004,",-12.296774864196777],["▁Muslims",-12.296822547912598],["▁Sprache",-12.296883583068848],["▁Truth",-12.296927452087402],["▁guarantees",-12.296928405761719],["/5",-12.29712963104248],["”).",-12.297135353088379],["▁Medium",-12.2972993850708],["▁décidé",-12.297445297241211],["▁balcony",-12.29747200012207],["leuchte",-12.297502517700195],["hik",-12.297849655151367],["▁Agriculture",-12.298221588134766],["▁securities",-12.298221588134766],["Probably",-12.298224449157715],["▁macar",-12.29824161529541],["▁Signal",-12.298399925231934],["lake",-12.298677444458008],["▁compétences",-12.298726081848145],["▁proprietary",-12.298812866210938],["allons",-12.298850059509277],["▁belongs",-12.298916816711426],["▁missile",-12.298958778381348],["țiune",-12.298999786376953],["▁Integration",-12.299116134643555],["▁testimony",-12.299120903015137],["▁wesentlich",-12.299142837524414],["▁donors",-12.299152374267578],["▁pivot",-12.299202919006348],["▁Uber",-12.299219131469727],["▁databases",-12.299281120300293],["▁studi",-12.299317359924316],["totdeauna",-12.299351692199707],["▁briefly",-12.299449920654297],["▁livr",-12.29952335357666],["▁CRM",-12.299581527709961],["gone",-12.299697875976562],["10)",-12.299761772155762],["▁zilele",-12.299920082092285],["Basically",-12.300008773803711],["▁medie",-12.300041198730469],["spotted",-12.30006217956543],["▁troubles",-12.30009937286377],["▁acknowledged",-12.300176620483398],["350",-12.300185203552246],["LB",-12.300273895263672],["Phy",-12.30038833618164],["natal",-12.300397872924805],["illé",-12.300445556640625],["bilder",-12.300625801086426],["▁apples",-12.300636291503906],["graphical",-12.300889015197754],["organiser",-12.301024436950684],["▁ochii",-12.301040649414062],["glas",-12.301178932189941],["CAP",-12.301180839538574],["▁Doors",-12.301331520080566],["▁Eis",-12.30156135559082],["tipuri",-12.301590919494629],["▁Worth",-12.301684379577637],["izează",-12.301719665527344],["nunț",-12.30180549621582],["▁Trip",-12.30186653137207],["ISS",-12.301976203918457],["efficient",-12.30201530456543],["Luckily",-12.302099227905273],["▁vase",-12.302133560180664],["▁gay",-12.302343368530273],["▁certificates",-12.302434921264648],["riad",-12.302549362182617],["stab",-12.302570343017578],["affiche",-12.302604675292969],["▁iPod",-12.302645683288574],["▁aștept",-12.302726745605469],["▁$500",-12.302751541137695],["▁Catherine",-12.302952766418457],["▁Circuit",-12.302957534790039],["▁ranch",-12.303045272827148],["▁consequence",-12.303118705749512],["listened",-12.303131103515625],["▁Options",-12.303187370300293],["feed",-12.30318832397461],["▁adviser",-12.303248405456543],["▁présenter",-12.30333423614502],["substant",-12.30337905883789],["▁Flag",-12.303604125976562],["▁Keith",-12.30366325378418],["▁inima",-12.303709983825684],["▁substrate",-12.30373764038086],["▁charger",-12.303803443908691],["▁reporter",-12.303844451904297],["ütz",-12.304068565368652],["▁unten",-12.30417537689209],["▁sympa",-12.304542541503906],["▁defeated",-12.304600715637207],["ändig",-12.304644584655762],["individu",-12.304747581481934],["▁Straßen",-12.304774284362793],["▁Nepal",-12.304791450500488],["million",-12.304803848266602],["▁Cake",-12.30499267578125],["▁investigations",-12.30526065826416],["▁inspector",-12.3054780960083],["▁Campbell",-12.305486679077148],["▁consommation",-12.305489540100098],["▁Ministerul",-12.305628776550293],["Advisory",-12.305749893188477],["▁Leistungs",-12.305939674377441],["▁Pull",-12.306157112121582],["▁lover",-12.306194305419922],["▁trunk",-12.306380271911621],["▁folosesc",-12.30639934539795],["pom",-12.306558609008789],["wunder",-12.306794166564941],["▁happier",-12.306801795959473],["▁embark",-12.30689525604248],["▁mediul",-12.3069486618042],["riff",-12.306973457336426],["▁copilul",-12.307039260864258],["ommage",-12.307126998901367],["rechnung",-12.307218551635742],["NU",-12.307220458984375],["▁fellowship",-12.307395935058594],["▁Mental",-12.307403564453125],["▁fever",-12.3074312210083],["▁silly",-12.307547569274902],["Object",-12.30756664276123],["NV",-12.307591438293457],["от",-12.30774974822998],["▁Strand",-12.307762145996094],["▁Exist",-12.30777359008789],["warum",-12.307832717895508],["CY",-12.307848930358887],["kä",-12.307856559753418],["!!!!!",-12.307869911193848],["▁moarte",-12.30793571472168],["▁waterfall",-12.308024406433105],["left",-12.30815601348877],["▁Nursing",-12.308225631713867],["▁invalid",-12.30826187133789],["struktur",-12.308385848999023],["Allerdings",-12.30838680267334],["étranger",-12.30838680267334],["▁prost",-12.308517456054688],["▁Parent",-12.308562278747559],["▁întreag",-12.308611869812012],["▁compensate",-12.308871269226074],["▁sometime",-12.308955192565918],["graduate",-12.308968544006348],["▁Carter",-12.30898380279541],["▁crap",-12.308998107910156],["▁mathematics",-12.309067726135254],["resemble",-12.309069633483887],["Dame",-12.309152603149414],["▁Swa",-12.309198379516602],["▁celebrity",-12.309239387512207],["▁verified",-12.309338569641113],["▁Behind",-12.309349060058594],["carbon",-12.309432983398438],["▁gateway",-12.309490203857422],["▁ambitious",-12.30952262878418],["▁Wellness",-12.30966567993164],["30,000",-12.30968189239502],["defined",-12.309929847717285],["specializes",-12.310121536254883],["▁Chase",-12.310199737548828],["HF",-12.310233116149902],["ABLE",-12.310348510742188],["▁Ehr",-12.310467720031738],["▁régime",-12.310480117797852],["▁awake",-12.310487747192383],["▁seafood",-12.310487747192383],["leading",-12.310554504394531],["▁Rule",-12.310602188110352],["verkehr",-12.310726165771484],["erem",-12.310737609863281],["▁1973",-12.310795783996582],["personal",-12.311171531677246],["ența",-12.311330795288086],["apprend",-12.311396598815918],["faisant",-12.311420440673828],["▁Sounds",-12.31151008605957],["▁Launch",-12.31151294708252],["half",-12.311636924743652],["▁verre",-12.311859130859375],["▁Regular",-12.31207275390625],["▁Nancy",-12.312142372131348],["quelles",-12.312161445617676],["▁erhält",-12.312169075012207],["▁socks",-12.3121919631958],["lamp",-12.312387466430664],["▁durchgeführt",-12.312472343444824],["▁advertise",-12.31260871887207],["powered",-12.312653541564941],["▁concur",-12.312699317932129],["▁ressources",-12.31293773651123],["▁allocation",-12.312986373901367],["chon",-12.313041687011719],["▁Larry",-12.313177108764648],["lässig",-12.313254356384277],["OLD",-12.313493728637695],["itty",-12.313599586486816],["▁immuno",-12.313645362854004],["▁(+",-12.313651084899902],["▁Essential",-12.313674926757812],["▁semaines",-12.313719749450684],["Ru",-12.31375503540039],["▁Gear",-12.313764572143555],["völlig",-12.313850402832031],["liga",-12.31391716003418],["▁Neg",-12.314082145690918],["▁gratitude",-12.31408977508545],["aventure",-12.314108848571777],["▁frustrated",-12.314115524291992],["▁retrait",-12.31422233581543],["▁statut",-12.314231872558594],["550",-12.31434440612793],["ла",-12.314428329467773],["risto",-12.314448356628418],["WAY",-12.314607620239258],["▁pigment",-12.314652442932129],["Selon",-12.314715385437012],["stil",-12.3148775100708],["▁Marin",-12.315055847167969],["ashi",-12.315085411071777],["▁contine",-12.31519889831543],["▁Economics",-12.315200805664062],["both",-12.3152437210083],["▁Dou",-12.31527328491211],["Fel",-12.315373420715332],["UNT",-12.315434455871582],["▁grandmother",-12.31548023223877],["▁domicile",-12.315678596496582],["▁buffer",-12.31574535369873],["▁fuse",-12.315815925598145],["▁dosage",-12.315821647644043],["▁Nici",-12.315839767456055],["▁worries",-12.315908432006836],["▁Rail",-12.3159818649292],["uneori",-12.315990447998047],["▁Sierra",-12.316030502319336],["▁porni",-12.316032409667969],["▁NOTE",-12.316056251525879],["▁tendency",-12.316065788269043],["Set",-12.316256523132324],["▁Hof",-12.31629753112793],["▁Ruhe",-12.316300392150879],["harm",-12.316360473632812],["▁Developer",-12.316367149353027],["suing",-12.316400527954102],["persönlichen",-12.31658935546875],["▁agréable",-12.316596031188965],["commissioned",-12.316696166992188],["▁1974",-12.31672191619873],["▁1969",-12.316758155822754],["▁regl",-12.316996574401855],["▁terror",-12.317042350769043],["▁température",-12.317051887512207],["▁Archiv",-12.31706714630127],["▁Military",-12.317140579223633],["▁König",-12.317290306091309],["▁forex",-12.31737232208252],["wiki",-12.31745719909668],["thetic",-12.317506790161133],["alaturi",-12.317974090576172],["▁montant",-12.3179931640625],["▁maladie",-12.318044662475586],["gust",-12.318151473999023],["▁demander",-12.318164825439453],["avocat",-12.318191528320312],["▁sci",-12.318192481994629],["▁Wireless",-12.318214416503906],["▁Dein",-12.318220138549805],["▁trio",-12.3183012008667],["▁Same",-12.318395614624023],["Datei",-12.318464279174805],["▁alerg",-12.318578720092773],["crowded",-12.318657875061035],["▁Punkt",-12.318853378295898],["▁sanctions",-12.318864822387695],["stating",-12.318922996520996],["▁discusse",-12.318949699401855],["▁Eigen",-12.319068908691406],["▁sănătate",-12.31911563873291],["▁correspondence",-12.319211959838867],["cred",-12.319331169128418],["VG",-12.319347381591797],["▁différence",-12.319347381591797],["▁Montreal",-12.319391250610352],["▁masini",-12.319398880004883],["iata",-12.319487571716309],["▁sampling",-12.319574356079102],["▁Gib",-12.319831848144531],["▁sheer",-12.319944381713867],["330",-12.319947242736816],["CHI",-12.319990158081055],["▁damn",-12.320030212402344],["▁Advisor",-12.320201873779297],["Typically",-12.320302963256836],["ssé",-12.320352554321289],["quart",-12.320361137390137],["chete",-12.320385932922363],["▁Puerto",-12.32049560546875],["2-1",-12.32050609588623],["NN",-12.320674896240234],["▁styling",-12.320707321166992],["rud",-12.320777893066406],["од",-12.320856094360352],["▁Hydro",-12.320941925048828],["▁Cable",-12.320961952209473],["video",-12.320974349975586],["▁Wirkung",-12.321194648742676],["▁noble",-12.321270942687988],["▁Sonder",-12.32129192352295],["mati",-12.321317672729492],["850",-12.321395874023438],["▁Richmond",-12.32143497467041],["▁niciodată",-12.321442604064941],["AO",-12.321527481079102],["▁altered",-12.321648597717285],["▁(15",-12.32168960571289],["▁Motiv",-12.322052001953125],["AKE",-12.322089195251465],["▁bestimmte",-12.322172164916992],["6.5",-12.322176933288574],["hectare",-12.322333335876465],["atorită",-12.322335243225098],["▁phases",-12.322447776794434],["▁Nova",-12.322566032409668],["ordinateur",-12.322579383850098],["▁corrupt",-12.322813034057617],["error",-12.322895050048828],["▁attacked",-12.323005676269531],["▁Kirche",-12.323019981384277],["heir",-12.323040962219238],["Das",-12.323254585266113],["▁anxious",-12.323258399963379],["▁Doc",-12.323386192321777],["▁Roth",-12.323415756225586],["▁Cine",-12.32388687133789],["▁auditor",-12.324418067932129],["▁beverage",-12.324586868286133],["▁précédent",-12.324637413024902],["▁deploy",-12.324837684631348],["▁accessibility",-12.324843406677246],["▁cage",-12.324885368347168],["▁Contra",-12.324934005737305],["Best",-12.324952125549316],["iji",-12.324972152709961],["▁père",-12.325060844421387],["▁scenic",-12.32511043548584],["synthesis",-12.325165748596191],["ßen",-12.32534408569336],["▁Videos",-12.325482368469238],["▁refus",-12.325484275817871],["stimmen",-12.3255615234375],["▁sleek",-12.325577735900879],["artige",-12.32563591003418],["mari",-12.32568359375],["▁excelent",-12.325740814208984],["▁negativ",-12.325806617736816],["▁blocking",-12.32590103149414],["spricht",-12.326001167297363],["▁discomfort",-12.32602310180664],["▁stratégie",-12.32602310180664],["▁Datenschutz",-12.326078414916992],["curg",-12.326128005981445],["▁lapte",-12.326432228088379],["▁acasă",-12.326491355895996],["▁ausschließlich",-12.32653522491455],["▁unbedingt",-12.326802253723145],["▁Linie",-12.32689380645752],["▁subscribers",-12.327019691467285],["109",-12.32702350616455],["▁Waste",-12.32712173461914],["▁Planung",-12.327231407165527],["▁visually",-12.32734489440918],["utilizarea",-12.327370643615723],["uba",-12.327381134033203],["▁fifteen",-12.327411651611328],["▁légère",-12.327411651611328],["ința",-12.327446937561035],["▁tolerance",-12.327460289001465],["▁piscine",-12.327536582946777],["▁nails",-12.327569007873535],["▁accus",-12.327693939208984],["▁coeur",-12.327773094177246],["freie",-12.327849388122559],["enţă",-12.32812213897705],["▁glucose",-12.328336715698242],["▁Jar",-12.32838249206543],["▁commencer",-12.328387260437012],["▁eliminating",-12.328414916992188],["▁mutation",-12.32844352722168],["▁afirma",-12.328444480895996],["▁Consulting",-12.328454971313477],["adia",-12.328543663024902],["zog",-12.328604698181152],["▁pielea",-12.328658103942871],["rton",-12.328706741333008],["exercice",-12.3287935256958],["namely",-12.328847885131836],["▁ajutor",-12.3289155960083],["▁markers",-12.328917503356934],["▁gardening",-12.328932762145996],["Karte",-12.329038619995117],["▁Pump",-12.329142570495605],["▁Dual",-12.329169273376465],["▁pratiques",-12.329349517822266],["▁behavioral",-12.329358100891113],["▁construire",-12.329511642456055],["▁Leonard",-12.329596519470215],["ediglich",-12.329630851745605],["ubbed",-12.3297758102417],["NK",-12.329792022705078],["shell",-12.329912185668945],["▁persönliche",-12.329996109008789],["ecuring",-12.329998970031738],["beaten",-12.33000373840332],["ALE",-12.330053329467773],["▁puppy",-12.33023452758789],["▁capac",-12.33027458190918],["▁seventh",-12.330394744873047],["▁nursery",-12.330400466918945],["▁Rum",-12.330419540405273],["▁exquisite",-12.330423355102539],["▁Legi",-12.330483436584473],["▁persist",-12.330497741699219],["bacterial",-12.330548286437988],["▁cereal",-12.330572128295898],["▁principe",-12.330693244934082],["chip",-12.330766677856445],["rush",-12.330832481384277],["▁funnel",-12.330904006958008],["▁calitatea",-12.331024169921875],["ibă",-12.33104419708252],["▁reign",-12.331086158752441],["▁congregation",-12.331120491027832],["▁obtine",-12.331270217895508],["▁découverte",-12.331286430358887],["▁gama",-12.331315040588379],["▁judec",-12.33132553100586],["Plan",-12.331351280212402],["▁gesture",-12.331539154052734],["öffentlichen",-12.331644058227539],["▁imported",-12.331693649291992],["▁rotate",-12.331747055053711],["blown",-12.331756591796875],["▁Protein",-12.331827163696289],["parfaitement",-12.331832885742188],["ondo",-12.331868171691895],["ologists",-12.331890106201172],["▁neighborhoods",-12.331989288330078],["▁Pope",-12.33202075958252],["▁museums",-12.332194328308105],["▁porter",-12.332330703735352],["▁kiss",-12.332335472106934],["pdf",-12.332354545593262],["sided",-12.332359313964844],["▁gern",-12.332395553588867],["bedingungen",-12.332496643066406],["▁Ride",-12.332582473754883],["Apoi",-12.332584381103516],["▁bestehen",-12.332603454589844],["5\"",-12.33285903930664],["bob",-12.332862854003906],["ficient",-12.33303165435791],["premise",-12.333086967468262],["▁Clip",-12.333112716674805],["▁concours",-12.333213806152344],["olar",-12.333281517028809],["▁Centr",-12.333356857299805],["outlined",-12.333429336547852],["▁observa",-12.333511352539062],["▁negotiate",-12.333537101745605],["▁Partnership",-12.33358383178711],["clock",-12.333662033081055],["roasted",-12.333755493164062],["Pourquoi",-12.33391284942627],["▁Marshall",-12.334005355834961],["▁Gerade",-12.334052085876465],["▁pachet",-12.334160804748535],["▁preliminary",-12.334162712097168],["▁tragic",-12.334200859069824],["author",-12.334268569946289],["▁Gov",-12.334309577941895],["▁comunic",-12.334403991699219],["▁coordinator",-12.334410667419434],["YA",-12.33445930480957],["▁Steam",-12.33476734161377],["▁Nag",-12.334796905517578],["▁Kara",-12.334851264953613],["▁Gang",-12.334858894348145],["aurez",-12.334868431091309],["▁horrible",-12.334869384765625],["▁Luxury",-12.335076332092285],["▁encouragement",-12.335169792175293],["▁conceptual",-12.335250854492188],["▁constituent",-12.335431098937988],["nvelop",-12.335494041442871],["ucc",-12.335500717163086],["▁conçu",-12.335542678833008],["pfel",-12.33559513092041],["special",-12.335700988769531],["▁Growth",-12.335834503173828],["cada",-12.335916519165039],["▁oamenilor",-12.335976600646973],["▁vendredi",-12.336021423339844],["▁coupe",-12.336055755615234],["▁Danke",-12.336134910583496],["reflects",-12.336181640625],["▁girlfriend",-12.336273193359375],["▁diffuse",-12.336325645446777],["HER",-12.336328506469727],["storing",-12.336464881896973],["ailing",-12.336591720581055],["▁Desi",-12.336601257324219],["stitution",-12.336832046508789],["▁adun",-12.336844444274902],["▁Partie",-12.336869239807129],["▁tissues",-12.336958885192871],["▁discovering",-12.337154388427734],["Jacques",-12.337178230285645],["lungs",-12.33724594116211],["▁Handy",-12.337261199951172],["centric",-12.337285995483398],["slav",-12.337442398071289],["▁sights",-12.337560653686523],["▁Category",-12.337644577026367],["▁Einrichtung",-12.337957382202148],["▁Robinson",-12.33804702758789],["▁Terra",-12.338150978088379],["▁creep",-12.338167190551758],["▁Lob",-12.338184356689453],["001",-12.33820629119873],["kop",-12.338208198547363],["Emb",-12.338292121887207],["▁forgive",-12.338391304016113],["▁icons",-12.33847427368164],["electric",-12.3385009765625],["▁faucet",-12.338516235351562],["▁invisible",-12.3386812210083],["sprach",-12.338801383972168],["▁beachten",-12.33881664276123],["rahm",-12.338833808898926],["▁Teacher",-12.338919639587402],["Fab",-12.339070320129395],["▁joue",-12.339101791381836],["▁Popular",-12.339120864868164],["▁Februar",-12.339171409606934],["sound",-12.339251518249512],["▁(0",-12.339317321777344],["▁Compare",-12.33938980102539],["▁pads",-12.339455604553223],["270",-12.339498519897461],["ousse",-12.339548110961914],["▁UAE",-12.339786529541016],["izări",-12.339787483215332],["▁bonuses",-12.33993911743164],["▁switches",-12.3400239944458],["▁Brothers",-12.340166091918945],["▁environmentally",-12.340171813964844],["vista",-12.340264320373535],["▁intentions",-12.3402738571167],["▁Terri",-12.340301513671875],["▁diabet",-12.34030532836914],["▁prese",-12.340333938598633],["▁parcurs",-12.340389251708984],["Warum",-12.340449333190918],["▁credentials",-12.340455055236816],["▁PLA",-12.34046459197998],["▁instruct",-12.340470314025879],["▁benefic",-12.340633392333984],["write",-12.340675354003906],["▁poids",-12.340773582458496],["▁Anspruch",-12.340923309326172],["▁avocado",-12.340923309326172],["▁inevitable",-12.340923309326172],["▁poorly",-12.340950965881348],["karte",-12.340994834899902],["▁Publishing",-12.340999603271484],["odată",-12.341140747070312],["▁scientifique",-12.341157913208008],["▁lăsa",-12.341262817382812],["▁secol",-12.34131908416748],["▁nevertheless",-12.341392517089844],["SAT",-12.341597557067871],["280",-12.341651916503906],["▁prevederi",-12.341670989990234],["▁chrome",-12.342002868652344],["institut",-12.342267036437988],["richtigen",-12.34228515625],["▁grief",-12.342338562011719],["▁penalties",-12.342373847961426],["▁Bayern",-12.34238052368164],["▁caramel",-12.342473983764648],["Now",-12.342495918273926],["Stiftung",-12.342576026916504],["country",-12.342737197875977],["dication",-12.34278678894043],["▁Chor",-12.342801094055176],["▁rămâne",-12.342936515808105],["▁TOP",-12.34300708770752],["▁complète",-12.34301471710205],["▁Marian",-12.34302806854248],["▁Avant",-12.343121528625488],["▁Shower",-12.343156814575195],["treu",-12.34316349029541],["▁chop",-12.34321403503418],["▁comfortably",-12.343220710754395],["▁autism",-12.34323787689209],["▁Sind",-12.34328556060791],["▁(20",-12.343340873718262],["▁Cinema",-12.343414306640625],["compania",-12.343606948852539],["▁Lex",-12.343622207641602],["▁Sofa",-12.343716621398926],["dru",-12.343753814697266],["▁verification",-12.343770027160645],["▁Immer",-12.343825340270996],["lomb",-12.343829154968262],["meric",-12.34385871887207],["▁slower",-12.34398365020752],["▁propag",-12.344090461730957],["Inter",-12.344097137451172],["selling",-12.34418773651123],["▁Bright",-12.344269752502441],["condition",-12.344280242919922],["PDF",-12.344291687011719],["oyez",-12.344391822814941],["▁Fried",-12.344420433044434],["▁Nazi",-12.34443187713623],["▁Buffalo",-12.344447135925293],["▁Sue",-12.344449043273926],["▁Rhein",-12.34468936920166],["▁Klaus",-12.344889640808105],["▁indiqu",-12.344963073730469],["echte",-12.344996452331543],["▁frecvent",-12.345165252685547],["▁conveniently",-12.345187187194824],["▁Moi",-12.345197677612305],["▁greenhouse",-12.345220565795898],["▁rédui",-12.34524154663086],["▁lengthy",-12.34542179107666],["verband",-12.345534324645996],["inţă",-12.345622062683105],["▁rigorous",-12.345625877380371],["▁Finish",-12.34580135345459],["▁FBI",-12.346052169799805],["cultura",-12.346083641052246],["▁compartment",-12.346110343933105],["▁pretend",-12.346117973327637],["▁assembled",-12.346212387084961],["▁Nie",-12.34639835357666],["fession",-12.34640884399414],["▁£2",-12.34642219543457],["algré",-12.3468017578125],["▁anterior",-12.346817970275879],["▁Wissenschaft",-12.34683609008789],["▁Harbor",-12.346923828125],["lix",-12.346985816955566],["=\"",-12.347049713134766],["▁breathtaking",-12.34705638885498],["▁Stern",-12.34708309173584],["▁Internetseite",-12.347132682800293],["▁locker",-12.347216606140137],["▁feather",-12.34726619720459],["Serv",-12.347297668457031],["▁snake",-12.347332000732422],["▁Border",-12.347396850585938],["▁undergo",-12.347518920898438],["▁petrol",-12.347558975219727],["▁dealership",-12.3475923538208],["▁commander",-12.347596168518066],["▁Monate",-12.347599983215332],["▁Guardian",-12.347665786743164],["▁Todd",-12.347774505615234],["Ann",-12.347825050354004],["ibilité",-12.347918510437012],["▁Quarter",-12.347987174987793],["▁portray",-12.348097801208496],["▁Tai",-12.34813404083252],["▁strikes",-12.348224639892578],["illage",-12.348381042480469],["▁IRS",-12.348417282104492],["▁lupta",-12.348455429077148],["▁Sper",-12.348493576049805],["PRO",-12.348530769348145],["▁Export",-12.348549842834473],["▁crypto",-12.348587989807129],["▁barbecue",-12.348692893981934],["▁portions",-12.348787307739258],["▁explicit",-12.348793983459473],["▁angenehm",-12.348834037780762],["▁marathon",-12.348946571350098],["▁apartament",-12.348982810974121],["▁Eva",-12.349079132080078],["plate",-12.349181175231934],["viel",-12.34925365447998],["FIN",-12.34926986694336],["dependent",-12.34935188293457],["▁cercet",-12.34942626953125],["▁midnight",-12.349499702453613],["copie",-12.349563598632812],["▁companii",-12.349621772766113],["▁tenu",-12.349660873413086],["1/2",-12.349662780761719],["2.4",-12.349693298339844],["abri",-12.349699974060059],["▁warn",-12.34980297088623],["▁luggage",-12.349875450134277],["numarul",-12.349968910217285],["▁contour",-12.350014686584473],["▁Ghost",-12.350016593933105],["Angaben",-12.35012435913086],["▁unemployment",-12.350296020507812],["▁rău",-12.350380897521973],["▁dispatch",-12.350445747375488],["investissement",-12.350547790527344],["▁passt",-12.35057258605957],["▁Germania",-12.350578308105469],["▁webpage",-12.350651741027832],["▁reservations",-12.350688934326172],["▁Kai",-12.350743293762207],["▁Cav",-12.350890159606934],["▁Patient",-12.351109504699707],["ер",-12.351213455200195],["▁Belle",-12.351236343383789],["▁Nashville",-12.351296424865723],["▁Talent",-12.351332664489746],["ouvrage",-12.351364135742188],["▁bekommt",-12.351365089416504],["USA",-12.351430892944336],["CES",-12.351432800292969],["▁Peru",-12.351499557495117],["▁erkennen",-12.35153579711914],["prinde",-12.351569175720215],["▁constitution",-12.351922035217285],["itatile",-12.351998329162598],["bah",-12.352147102355957],["▁avail",-12.352148056030273],["▁disponibile",-12.352149963378906],["hér",-12.352258682250977],["ол",-12.352411270141602],["▁startups",-12.352435111999512],["▁carton",-12.352485656738281],["▁Newsletter",-12.35251235961914],["éti",-12.352560997009277],["▁investigating",-12.352779388427734],["itul",-12.352925300598145],["touch",-12.352962493896484],["Sport",-12.353137016296387],["AME",-12.353203773498535],["MIN",-12.353222846984863],["metry",-12.353371620178223],["icy",-12.353492736816406],["▁Luna",-12.35351848602295],["▁asthma",-12.353614807128906],["▁conduc",-12.35365104675293],["▁Ari",-12.35369873046875],["trust",-12.353832244873047],["▁defines",-12.353894233703613],["▁Blend",-12.353927612304688],["azo",-12.353989601135254],["▁sweep",-12.354169845581055],["lope",-12.354331016540527],["ţinut",-12.35439682006836],["WD",-12.354503631591797],["▁appetite",-12.354619979858398],["▁Seed",-12.354753494262695],["Friend",-12.354854583740234],["▁repet",-12.354876518249512],["▁throat",-12.354936599731445],["philosoph",-12.355141639709473],["▁connaître",-12.355156898498535],["▁Counter",-12.355299949645996],["▁Anforderungen",-12.35533332824707],["▁Polit",-12.355363845825195],["▁Weather",-12.3554048538208],["bow",-12.355423927307129],["▁recreation",-12.355484008789062],["▁culinary",-12.355571746826172],["▁plage",-12.355609893798828],["▁Cruz",-12.355659484863281],["▁equip",-12.355668067932129],["▁Recent",-12.355697631835938],["LED",-12.355767250061035],["▁steak",-12.355772972106934],["▁belly",-12.355880737304688],["photo",-12.356130599975586],["▁lakes",-12.35623836517334],["▁intact",-12.356287956237793],["▁spiral",-12.356386184692383],["▁Billy",-12.356468200683594],["▁Understanding",-12.356534957885742],["▁Lay",-12.356558799743652],["▁roster",-12.356632232666016],["▁admire",-12.356647491455078],["▁android",-12.356732368469238],["▁technician",-12.356734275817871],["gène",-12.356818199157715],["motiv",-12.356954574584961],["▁Boat",-12.356988906860352],["▁genießen",-12.357000350952148],["▁Geschmack",-12.357001304626465],["▁heroes",-12.3570556640625],["▁1800",-12.357137680053711],["numeroase",-12.35776138305664],["▁anschließend",-12.357802391052246],["▁Spur",-12.357813835144043],["▁clarify",-12.35784912109375],["▁warmer",-12.357889175415039],["▁Ranch",-12.357955932617188],["▁simti",-12.358024597167969],["Thank",-12.35838508605957],["▁freight",-12.358434677124023],["▁administrators",-12.358453750610352],["Reg",-12.358588218688965],["Această",-12.358670234680176],["▁legume",-12.358741760253906],["▁utilizare",-12.358786582946777],["CON",-12.358904838562012],["urgi",-12.358917236328125],["▁Gesicht",-12.358920097351074],["▁counselor",-12.358954429626465],["▁mondiale",-12.359009742736816],["helm",-12.359137535095215],["▁Promo",-12.359156608581543],["▁Schweiz",-12.35917854309082],["Ich",-12.35929012298584],["▁intalni",-12.359295845031738],["▁Bloom",-12.359318733215332],["▁Score",-12.359362602233887],["▁Fruit",-12.35944652557373],["▁constraints",-12.359447479248047],["▁farmer",-12.359745979309082],["▁précise",-12.359807014465332],["evaluating",-12.359868049621582],["▁Period",-12.359891891479492],["byte",-12.359893798828125],["wah",-12.360025405883789],["Mac",-12.360123634338379],["iron",-12.360197067260742],["′",-12.360337257385254],["▁tehnic",-12.360539436340332],["▁legat",-12.36054515838623],["▁Pilot",-12.360574722290039],["▁Carpet",-12.36064624786377],["TEN",-12.360812187194824],["▁shareholders",-12.36082649230957],["vină",-12.360880851745605],["▁parole",-12.360939979553223],["ătă",-12.360984802246094],["bbing",-12.361000061035156],["▁switched",-12.361002922058105],["▁Petro",-12.361010551452637],["▁Vertrags",-12.36111831665039],["cham",-12.361178398132324],["wang",-12.361284255981445],["▁Bean",-12.36139965057373],["minister",-12.361442565917969],["▁Wu",-12.361522674560547],["▁Olympics",-12.361539840698242],["tipul",-12.361542701721191],["▁Citi",-12.36166763305664],["▁Fold",-12.361873626708984],["▁Partei",-12.361940383911133],["▁centrale",-12.361984252929688],["île",-12.362032890319824],["pflicht",-12.362175941467285],["heli",-12.362398147583008],["▁erwartet",-12.362414360046387],["▁oferta",-12.362458229064941],["▁NHS",-12.36246395111084],["annon",-12.362570762634277],["▁Rud",-12.362701416015625],["▁Stuttgart",-12.362737655639648],["▁rămas",-12.362746238708496],["▁eliminated",-12.36275577545166],["▁hiding",-12.362797737121582],["▁cadeau",-12.362832069396973],["▁mock",-12.363115310668945],["▁elder",-12.363333702087402],["▁Liz",-12.363364219665527],["aji",-12.363544464111328],["▁endlich",-12.363653182983398],["sufficient",-12.363668441772461],["▁zusätzliche",-12.363712310791016],["scient",-12.363757133483887],["▁Adjust",-12.363883972167969],["▁incentive",-12.363945007324219],["▁Papa",-12.364012718200684],["▁Pharma",-12.364041328430176],["▁conflicts",-12.364107131958008],["zählen",-12.364113807678223],["▁chien",-12.364118576049805],["KB",-12.36413288116455],["ultimi",-12.364188194274902],["▁Jul",-12.36421012878418],["▁Male",-12.36422061920166],["▁viewer",-12.36427116394043],["▁Sector",-12.364328384399414],["▁REAL",-12.364344596862793],["▁arbitr",-12.36436939239502],["resistant",-12.364399909973145],["▁Bristol",-12.364423751831055],["▁shy",-12.364540100097656],["SW",-12.364593505859375],["▁Kirk",-12.36460018157959],["centrul",-12.364653587341309],["▁Venezuela",-12.364657402038574],["▁communicating",-12.364657402038574],["▁Chemical",-12.364663124084473],["▁surprises",-12.364843368530273],["▁Jamie",-12.364933967590332],["▁Heavy",-12.364965438842773],["▁turnover",-12.36498737335205],["▁étudiants",-12.365114212036133],["welcher",-12.365124702453613],["▁preturi",-12.365200996398926],["▁Mono",-12.365283966064453],["▁paddle",-12.365309715270996],["▁accountability",-12.365364074707031],["OUS",-12.365592956542969],["▁marketers",-12.365762710571289],["fection",-12.365900993347168],["▁Outside",-12.365921020507812],["▁Jefferson",-12.366114616394043],["oaie",-12.36617660522461],["tenue",-12.366275787353516],["HU",-12.366329193115234],["Très",-12.36639404296875],["valoarea",-12.36642837524414],["103",-12.366482734680176],["▁Privacy",-12.366580963134766],["▁Leistungen",-12.366598129272461],["(3)",-12.36662483215332],["▁études",-12.366734504699707],["sko",-12.366750717163086],["drum",-12.366822242736816],["▁lamb",-12.366842269897461],["▁nicio",-12.367094993591309],["▁NATO",-12.367104530334473],["▁Freitag",-12.367178916931152],["▁precedent",-12.367178916931152],["▁partenaires",-12.367202758789062],["▁companiei",-12.367234230041504],["▁Plaza",-12.367249488830566],["▁disruption",-12.367274284362793],["▁violations",-12.367338180541992],["▁Reference",-12.367446899414062],["▁habitants",-12.36770248413086],["▁compost",-12.36776351928711],["▁citoyen",-12.367785453796387],["▁Historical",-12.367857933044434],["vollen",-12.36793327331543],["▁Eck",-12.36815357208252],["▁lumii",-12.368180274963379],["▁reusit",-12.368278503417969],["genic",-12.368307113647461],["Why",-12.368436813354492],["ASE",-12.368474006652832],["▁athlete",-12.36854076385498],["▁Spitze",-12.368559837341309],["▁schimbat",-12.368566513061523],["▁anonymous",-12.368850708007812],["jedes",-12.368856430053711],["exclu",-12.368874549865723],["factor",-12.369199752807617],["▁Dezember",-12.369231224060059],["▁scientist",-12.369373321533203],["▁likelihood",-12.36947250366211],["▁Rhode",-12.369488716125488],["▁Balance",-12.369521141052246],["istoria",-12.36959457397461],["▁Neil",-12.369780540466309],["▁bush",-12.369919776916504],["▁Ergebnisse",-12.369935989379883],["▁Sinn",-12.369956016540527],["▁spezielle",-12.370128631591797],["▁jucat",-12.37015438079834],["▁spite",-12.370179176330566],["▁Ultimate",-12.370365142822266],["▁fructe",-12.370401382446289],["▁asleep",-12.370441436767578],["▁Goal",-12.370539665222168],["▁PAR",-12.370631217956543],["▁rows",-12.370705604553223],["▁Fol",-12.3709135055542],["▁durata",-12.370945930480957],["▁traditionnel",-12.37100887298584],["▁tema",-12.37122917175293],["▁crédit",-12.371232986450195],["smallest",-12.371358871459961],["▁amino",-12.371358871459961],["▁elephant",-12.371405601501465],["▁tubes",-12.371685028076172],["▁Verwendung",-12.371719360351562],["▁Excellence",-12.371889114379883],["▁utilities",-12.371962547302246],["frau",-12.372111320495605],["▁poze",-12.3721342086792],["août",-12.372307777404785],["ango",-12.372514724731445],["give",-12.372532844543457],["▁appelé",-12.372576713562012],["▁yeast",-12.372671127319336],["▁enrollment",-12.372676849365234],["organiz",-12.3727445602417],["▁asociat",-12.372753143310547],["▁cattle",-12.372772216796875],["▁Solution",-12.372798919677734],["evoke",-12.372807502746582],["▁Hampshire",-12.372857093811035],["▁yeah",-12.372878074645996],["▁Argentina",-12.372928619384766],["▁abnormal",-12.373022079467773],["▁Heights",-12.373082160949707],["▁Mitchell",-12.373099327087402],["▁Quad",-12.373350143432617],["▁textures",-12.373382568359375],["▁coalition",-12.373384475708008],["▁dataset",-12.37338924407959],["World",-12.373438835144043],["ständ",-12.373456001281738],["▁groove",-12.373476028442383],["▁emotionally",-12.373562812805176],["▁preciz",-12.373636245727539],["kte",-12.373741149902344],["berechtigt",-12.373828887939453],["▁1971",-12.373888969421387],["grandes",-12.373907089233398],["▁Broadway",-12.37391185760498],["▁comunicat",-12.373994827270508],["nui",-12.37402629852295],["GER",-12.374079704284668],["pick",-12.374125480651855],["inscrit",-12.37414264678955],["▁Gross",-12.374258995056152],["▁McDonald",-12.374310493469238],["▁Zero",-12.374330520629883],["▁Halb",-12.374341011047363],["▁caractère",-12.374553680419922],["▁doctrine",-12.374553680419922],["▁Sinne",-12.37458610534668],["MLS",-12.374594688415527],["▁réel",-12.374759674072266],["▁Ful",-12.37476921081543],["limiting",-12.37483024597168],["▁Gan",-12.374870300292969],["▁exclude",-12.37490463256836],["imba",-12.374974250793457],["rolul",-12.374991416931152],["▁veggies",-12.375059127807617],["▁fasci",-12.375092506408691],["▁oval",-12.375173568725586],["▁contacter",-12.375221252441406],["▁linking",-12.375279426574707],["▁knit",-12.375308990478516],["▁enroll",-12.375504493713379],["▁dédié",-12.375533103942871],["▁renting",-12.375541687011719],["▁genera",-12.37567138671875],["citing",-12.375691413879395],["▁bend",-12.375700950622559],["guin",-12.375752449035645],["▁caregiver",-12.375768661499023],["▁könnt",-12.375791549682617],["▁Scripture",-12.375795364379883],["▁Mic",-12.375899314880371],["▁Denmark",-12.37590217590332],["▁qualifying",-12.375917434692383],["▁costumes",-12.375958442687988],["▁dwelling",-12.37601375579834],["▁recrut",-12.376099586486816],["▁bedding",-12.37618637084961],["gesprochen",-12.376253128051758],["▁editors",-12.376386642456055],["/12",-12.37657642364502],["▁cumparat",-12.376583099365234],["fiction",-12.376730918884277],["▁spinal",-12.376740455627441],["▁pathway",-12.376799583435059],["▁vârst",-12.37683391571045],["mba",-12.376874923706055],["▁enthusiastic",-12.37692642211914],["▁Watt",-12.37697982788086],["symptom",-12.376992225646973],["▁pup",-12.37712287902832],["▁glorious",-12.377225875854492],["▁fața",-12.377228736877441],["▁prohibited",-12.377256393432617],["vergleich",-12.377286911010742],["▁suspected",-12.377334594726562],["▁Railway",-12.377381324768066],["▁Aujourd",-12.377469062805176],["▁Patients",-12.377476692199707],["▁séance",-12.377501487731934],["▁contraire",-12.377503395080566],["▁cuvânt",-12.37771224975586],["▁trotzdem",-12.37773609161377],["émission",-12.377795219421387],["▁bore",-12.37782096862793],["▁safeguard",-12.377851486206055],["▁galleries",-12.37820053100586],["cron",-12.378268241882324],["▁Rica",-12.378335952758789],["fläche",-12.37839126586914],["▁Slow",-12.37842082977295],["▁vara",-12.378549575805664],["▁Swan",-12.378564834594727],["▁compounds",-12.378564834594727],["▁Slo",-12.378621101379395],["▁accommodations",-12.378621101379395],["▁Putin",-12.378708839416504],["▁undertaken",-12.378767967224121],["▁prépar",-12.37879467010498],["▁gandi",-12.37881088256836],["sediul",-12.378924369812012],["▁Nathan",-12.379143714904785],["▁fountain",-12.379173278808594],["▁mère",-12.379194259643555],["fatty",-12.379201889038086],["▁concentrated",-12.379241943359375],["richtung",-12.379300117492676],["▁appropriately",-12.37955379486084],["107",-12.379631996154785],["▁shark",-12.379735946655273],["▁Topic",-12.379867553710938],["▁Ausstellung",-12.379880905151367],["▁SUA",-12.380267143249512],["SER",-12.380359649658203],["▁Nicole",-12.38039779663086],["▁utilisateurs",-12.380620956420898],["▁Brazilian",-12.380753517150879],["▁continut",-12.380865097045898],["▁sanatate",-12.380881309509277],["faudra",-12.380882263183594],["nahm",-12.380938529968262],["▁Specific",-12.381153106689453],["aiba",-12.381199836730957],["cepând",-12.381296157836914],["▁Beer",-12.381366729736328],["roni",-12.381616592407227],["kay",-12.381636619567871],["▁gravity",-12.381844520568848],["▁verfügt",-12.381856918334961],["7:30",-12.381878852844238],["▁Players",-12.381945610046387],["▁Industries",-12.38198184967041],["punkte",-12.382119178771973],["▁yacht",-12.382135391235352],["-04",-12.382149696350098],["onné",-12.382192611694336],["▁Cards",-12.382221221923828],["▁fete",-12.382420539855957],["breaking",-12.38257884979248],["baum",-12.382621765136719],["nada",-12.382651329040527],["▁geplant",-12.382750511169434],["genuinely",-12.382766723632812],["talk",-12.382871627807617],["▁disadvantage",-12.382920265197754],["▁shutter",-12.383003234863281],["virus",-12.38302230834961],["▁cricket",-12.38308048248291],["▁comenzi",-12.383102416992188],["hier",-12.383170127868652],["▁aufzu",-12.383198738098145],["▁Rez",-12.38321304321289],["▁conclusions",-12.383329391479492],["▁Wang",-12.383509635925293],["Darüber",-12.383524894714355],["▁CSS",-12.383573532104492],["CW",-12.383780479431152],["▁Chr",-12.383790969848633],["▁traded",-12.383843421936035],["▁Schon",-12.384265899658203],["mped",-12.38429069519043],["▁alloy",-12.384385108947754],["AVE",-12.38451099395752],["▁imagery",-12.384542465209961],["▁resurse",-12.38479995727539],["▁Thunder",-12.384834289550781],["▁schimbare",-12.384860038757324],["▁Youtube",-12.38499927520752],["▁Monster",-12.385189056396484],["phil",-12.385234832763672],["▁bébé",-12.385284423828125],["Creating",-12.385428428649902],["ănă",-12.385466575622559],["▁Staat",-12.385504722595215],["adică",-12.385531425476074],["▁boyfriend",-12.385552406311035],["▁Winner",-12.385594367980957],["▁disputes",-12.385653495788574],["▁lush",-12.3856840133667],["▁CMS",-12.385719299316406],["▁locaux",-12.385725021362305],["▁Verfahren",-12.38576889038086],["▁Café",-12.385786056518555],["▁Vorstand",-12.385870933532715],["▁lucrat",-12.385960578918457],["▁Root",-12.38602352142334],["▁decis",-12.386059761047363],["▁Shadow",-12.386062622070312],["▁countryside",-12.386067390441895],["▁analiza",-12.386114120483398],["obos",-12.38616943359375],["opera",-12.386175155639648],["actu",-12.386207580566406],["▁Songs",-12.3864164352417],["reifen",-12.38648509979248],["▁hilft",-12.386650085449219],["region",-12.386727333068848],["▁categoria",-12.387001991271973],["capturing",-12.38701343536377],["▁1967",-12.387025833129883],["▁optimized",-12.387032508850098],["▁Dim",-12.387353897094727],["▁adapté",-12.387447357177734],["zeichnet",-12.387524604797363],["▁strada",-12.387625694274902],["fulness",-12.38774585723877],["▁technically",-12.38774585723877],["▁marker",-12.387757301330566],["▁vizita",-12.387808799743652],["▁imperative",-12.387986183166504],["▁pensé",-12.38802719116211],["▁drilling",-12.388030052185059],["ISA",-12.38818073272705],["▁Massage",-12.388201713562012],["▁Terry",-12.388238906860352],["▁pourtant",-12.38835334777832],["▁declaration",-12.388440132141113],["▁instructors",-12.388453483581543],["Eventually",-12.38847827911377],["▁banned",-12.38847827911377],["MAT",-12.388520240783691],["▁medici",-12.38856315612793],["▁Warm",-12.388615608215332],["▁trec",-12.388731002807617],["▁ecran",-12.388763427734375],["▁goat",-12.388838768005371],["▁manipulation",-12.388850212097168],["▁mayor",-12.388898849487305],["▁unterwegs",-12.388975143432617],["▁journals",-12.3890380859375],["▁hedge",-12.389239311218262],["Merc",-12.389300346374512],["▁joueurs",-12.389411926269531],["▁Religion",-12.3894624710083],["▁Mountains",-12.389477729797363],["▁renewed",-12.389497756958008],["▁Limit",-12.389543533325195],["ikea",-12.389771461486816],["▁utiliza",-12.38977336883545],["sogenannte",-12.389808654785156],["0.2",-12.389836311340332],["▁Organ",-12.38987922668457],["▁Shakespeare",-12.389952659606934],["▁Maintenance",-12.38995361328125],["▁Wärme",-12.389954566955566],["▁Northwest",-12.390060424804688],["▁numit",-12.390106201171875],["▁mica",-12.390165328979492],["turm",-12.390168190002441],["▁motivate",-12.390250205993652],["▁Staats",-12.390355110168457],["optimum",-12.390487670898438],["▁sortir",-12.390546798706055],["▁Asset",-12.390555381774902],["▁hervorragend",-12.390692710876465],["▁commentary",-12.39071273803711],["▁actuellement",-12.390732765197754],["NER",-12.390765190124512],["NL",-12.390789985656738],["ritt",-12.390803337097168],["▁Wirtschafts",-12.390813827514648],["träger",-12.390840530395508],["▁Versand",-12.390870094299316],["▁nostri",-12.390953063964844],["▁enorm",-12.391227722167969],["▁whale",-12.391260147094727],["▁Aufgabe",-12.391277313232422],["▁unfair",-12.391291618347168],["▁Cord",-12.391315460205078],["incorporating",-12.39134693145752],["luck",-12.39157772064209],["Afrique",-12.39168643951416],["▁coated",-12.391857147216797],["▁india",-12.391908645629883],["▁temporarily",-12.39193058013916],["▁ciuda",-12.392097473144531],["▁coral",-12.392184257507324],["▁wirkt",-12.392203330993652],["▁folding",-12.392309188842773],["wichtigsten",-12.392398834228516],["impacted",-12.392422676086426],["▁wählen",-12.392423629760742],["▁differentiate",-12.392492294311523],["▁froid",-12.392544746398926],["▁hug",-12.39255142211914],["▁construi",-12.39255428314209],["▁membru",-12.392603874206543],["▁masculin",-12.392667770385742],["partisan",-12.392711639404297],["▁schimba",-12.392725944519043],["▁economies",-12.392827987670898],["▁Abraham",-12.392914772033691],["wesen",-12.393013954162598],["enia",-12.393026351928711],["▁answering",-12.393080711364746],["▁activități",-12.39309024810791],["▁mémoire",-12.393160820007324],["▁versucht",-12.393305778503418],["ember",-12.39333438873291],["▁instala",-12.39334774017334],["▁eligibility",-12.393407821655273],["▁enjoyment",-12.393409729003906],["▁Arme",-12.39350414276123],["although",-12.393534660339355],["▁encompass",-12.393596649169922],["▁zufrieden",-12.393658638000488],["Script",-12.393691062927246],["KG",-12.39385986328125],["▁adhesive",-12.393902778625488],["▁Verkehrs",-12.393908500671387],["▁monitored",-12.394103050231934],["▁Conservation",-12.394148826599121],["hav",-12.394156455993652],["▁Above",-12.394174575805664],["▁Former",-12.394241333007812],["▁Certain",-12.394250869750977],["saving",-12.394311904907227],["▁Pun",-12.394390106201172],["▁awkward",-12.394397735595703],["▁Pretty",-12.394410133361816],["▁scanning",-12.394417762756348],["layer",-12.394527435302734],["motor",-12.39453125],["▁beginnt",-12.39455795288086],["▁affiliated",-12.394681930541992],["▁archives",-12.394686698913574],["▁sunshine",-12.394892692565918],["kha",-12.394988059997559],["▁investigated",-12.395149230957031],["▁fantas",-12.395277976989746],["▁united",-12.395355224609375],["allegedly",-12.395373344421387],["▁Eugen",-12.3955078125],["▁proprie",-12.395843505859375],["uca",-12.396183013916016],["DES",-12.396187782287598],["ştii",-12.396190643310547],["▁Running",-12.39620590209961],["lbstverständlich",-12.396248817443848],["index",-12.396300315856934],["▁studiu",-12.396512031555176],["URE",-12.396553039550781],["gültig",-12.396627426147461],["▁lundi",-12.396649360656738],["▁Zucker",-12.396650314331055],["▁positively",-12.396721839904785],["folgenden",-12.396758079528809],["anță",-12.396800994873047],["▁clan",-12.396866798400879],["▁literacy",-12.396879196166992],["▁ober",-12.39699935913086],["John",-12.397003173828125],["greg",-12.39700984954834],["▁titlu",-12.397049903869629],["▁ţări",-12.39707088470459],["Bra",-12.397100448608398],["▁Evans",-12.397164344787598],["modern",-12.397172927856445],["▁hauteur",-12.397353172302246],["refers",-12.397416114807129],["▁plasma",-12.397575378417969],["▁optic",-12.397595405578613],["▁shampoo",-12.397619247436523],["▁cheek",-12.397727966308594],["opted",-12.397741317749023],["▁persönlich",-12.397832870483398],["▁1945",-12.398118019104004],["ICI",-12.398193359375],["biotic",-12.398222923278809],["▁Beruf",-12.398372650146484],["▁trez",-12.398383140563965],["▁diploma",-12.398388862609863],["nahmen",-12.398421287536621],["▁curl",-12.398625373840332],["▁agricole",-12.398824691772461],["▁recomand",-12.398844718933105],["▁pediatric",-12.398862838745117],["Fiecare",-12.39887523651123],["Anlage",-12.398906707763672],["weiß",-12.398974418640137],["elecommunication",-12.39898681640625],["hog",-12.399184226989746],["▁Stamp",-12.399364471435547],["▁Tipp",-12.399369239807129],["▁kindness",-12.399415969848633],["▁Marina",-12.399577140808105],["▁Gleich",-12.39963436126709],["▁grij",-12.39970588684082],["▁desperate",-12.39974594116211],["▁recordings",-12.399842262268066],["▁neglect",-12.399861335754395],["▁inherent",-12.400035858154297],["▁Rezept",-12.400138854980469],["▁soins",-12.400164604187012],["▁brut",-12.400250434875488],["▁revolutionary",-12.400495529174805],["▁liberté",-12.400530815124512],["cours",-12.400945663452148],["▁Similar",-12.401247024536133],["▁cheveux",-12.40136432647705],["▁ieftin",-12.401599884033203],["▁promovare",-12.40160846710205],["▁grains",-12.401729583740234],["ти",-12.401749610900879],["▁fonctionnement",-12.401789665222168],["▁Coming",-12.401832580566406],["▁analytical",-12.401847839355469],["▁simplify",-12.401856422424316],["▁chambres",-12.401893615722656],["▁fifty",-12.401930809020996],["jour",-12.402070999145508],["▁(17",-12.402194023132324],["cărui",-12.402292251586914],["▁harmony",-12.402352333068848],["grin",-12.402355194091797],["▁drunk",-12.402359962463379],["260",-12.402374267578125],["3-5",-12.40243148803711],["▁articole",-12.402442932128906],["▁flooding",-12.402482986450195],["halle",-12.402580261230469],["▁defects",-12.40276050567627],["▁rifle",-12.402839660644531],["▁Boc",-12.402843475341797],["▁Athletic",-12.40284538269043],["▁acordat",-12.40292739868164],["AIR",-12.402969360351562],["▁entwickeln",-12.403104782104492],["▁Advance",-12.403188705444336],["▁Heil",-12.403216361999512],["Stainless",-12.403345108032227],["▁Psychology",-12.40337085723877],["▁omul",-12.403435707092285],["▁Arbeiten",-12.403494834899902],["▁rabbit",-12.403495788574219],["▁méta",-12.40351390838623],["ismul",-12.403534889221191],["▁Herausforderung",-12.403594970703125],["▁Euch",-12.403654098510742],["geschichte",-12.40390682220459],["▁Milk",-12.404057502746582],["▁pregăt",-12.404065132141113],["▁Standort",-12.404141426086426],["Val",-12.404180526733398],["▁Ronald",-12.404350280761719],["▁Werbe",-12.404558181762695],["▁restrict",-12.404658317565918],["▁tablespoon",-12.404844284057617],["▁Amendment",-12.404845237731934],["▁Johnny",-12.404914855957031],["▁lively",-12.404938697814941],["ORD",-12.405147552490234],["▁mulţi",-12.40523624420166],["èrent",-12.405241012573242],["Every",-12.405277252197266],["eignet",-12.405296325683594],["GD",-12.40546989440918],["▁Ghana",-12.405628204345703],["▁wealthy",-12.40576171875],["▁advocates",-12.405818939208984],["▁Campaign",-12.40584659576416],["▁posters",-12.405964851379395],["flug",-12.406011581420898],["▁métier",-12.406139373779297],["kir",-12.406148910522461],["bond",-12.406176567077637],["datorita",-12.406188011169434],["▁Hochzeit",-12.406230926513672],["▁effectué",-12.406271934509277],["▁angles",-12.40654182434082],["▁Electrical",-12.406705856323242],["▁Administrator",-12.40674114227295],["▁spur",-12.407389640808105],["▁größere",-12.407444953918457],["woke",-12.407515525817871],["▁gewinnen",-12.407689094543457],["▁ajută",-12.407712936401367],["▁ventilation",-12.407853126525879],["▁viaţa",-12.407853126525879],["▁Dinner",-12.408079147338867],["respond",-12.408095359802246],["▁OEM",-12.408120155334473],["▁affair",-12.4081392288208],["▁öffentlich",-12.408143043518066],["ENS",-12.408209800720215],["▁Cent",-12.408224105834961],["▁făc",-12.408267974853516],["▁Doppel",-12.408285140991211],["▁fericit",-12.408363342285156],["▁coordon",-12.40845775604248],["geht",-12.408547401428223],["▁perfekte",-12.408610343933105],["▁sportive",-12.408700942993164],["▁proiectul",-12.40870189666748],["▁deadly",-12.408804893493652],["Geschäft",-12.408822059631348],["▁inspirational",-12.408854484558105],["+1",-12.409013748168945],["▁pearl",-12.409022331237793],["▁scrub",-12.409036636352539],["▁scheint",-12.409079551696777],["poo",-12.409147262573242],["▁Pier",-12.409220695495605],["▁commented",-12.409285545349121],["lute",-12.409302711486816],["▁cancelled",-12.409488677978516],["Win",-12.409605979919434],["▁payroll",-12.409781455993652],["▁varsta",-12.409881591796875],["stuffed",-12.410097122192383],["▁beads",-12.410138130187988],["▁poems",-12.410356521606445],["pokesman",-12.410399436950684],["▁checklist",-12.410523414611816],["▁Mich",-12.410636901855469],["GEN",-12.410676002502441],["▁Lau",-12.410783767700195],["▁stie",-12.410965919494629],["▁Lovely",-12.4110107421875],["▁Anschluss",-12.411062240600586],["▁personaj",-12.41108226776123],["▁ausgestattet",-12.411121368408203],["▁beginners",-12.411163330078125],["▁noon",-12.411189079284668],["▁celule",-12.41128921508789],["Trans",-12.411324501037598],["boot",-12.411331176757812],["▁drumul",-12.41136646270752],["gruppen",-12.41140079498291],["étend",-12.41140365600586],["▁risques",-12.411405563354492],["acclaimed",-12.411447525024414],["▁celelalte",-12.411617279052734],["▁condiţii",-12.411620140075684],["▁skiing",-12.411685943603516],["▁optimale",-12.411689758300781],["technology",-12.411773681640625],["▁renew",-12.411784172058105],["Cloud",-12.41179084777832],["▁damaging",-12.411905288696289],["GT",-12.412219047546387],["▁Reform",-12.41230583190918],["vedem",-12.412349700927734],["▁indicat",-12.412461280822754],["▁Maker",-12.412467002868652],["▁lichid",-12.412582397460938],["3.1",-12.412614822387695],["păt",-12.412620544433594],["lumina",-12.41264820098877],["▁Situ",-12.412806510925293],["▁Archives",-12.412857055664062],["▁allergies",-12.41287899017334],["▁Cameron",-12.412883758544922],["▁Immun",-12.412899017333984],["wissenschaftlich",-12.41301441192627],["▁supplémentaire",-12.413128852844238],["▁puterea",-12.413261413574219],["Lab",-12.413331985473633],["inspired",-12.413384437561035],["▁shrink",-12.413403511047363],["▁voit",-12.413426399230957],["▁chopped",-12.413467407226562],["▁Franz",-12.413537979125977],["oku",-12.413652420043945],["▁suppress",-12.413673400878906],["▁impress",-12.413751602172852],["▁Liga",-12.413755416870117],["▁Eight",-12.41378402709961],["720",-12.413795471191406],["▁securely",-12.413870811462402],["KU",-12.413934707641602],["modell",-12.413992881774902],["Ensure",-12.414154052734375],["größte",-12.414204597473145],["▁réuni",-12.414215087890625],["▁Internal",-12.41423225402832],["▁Punkte",-12.414320945739746],["▁replicate",-12.414412498474121],["▁spreadsheet",-12.414434432983398],["▁Hindu",-12.414549827575684],["▁Cham",-12.414578437805176],["nati",-12.414670944213867],["imply",-12.414679527282715],["funded",-12.414894104003906],["▁charitable",-12.414896011352539],["▁imagined",-12.415014266967773],["hausen",-12.41517448425293],["Keeping",-12.415239334106445],["▁attitudes",-12.415287971496582],["esque",-12.415365219116211],["▁Tennis",-12.415409088134766],["Jeremy",-12.415410041809082],["▁majeur",-12.415475845336914],["▁stii",-12.4155912399292],["▁herbal",-12.415790557861328],["▁cauta",-12.41580867767334],["▁voluntary",-12.415828704833984],["wohl",-12.415877342224121],["▁ideea",-12.41588306427002],["▁WW",-12.415899276733398],["▁erneut",-12.416010856628418],["größten",-12.416094779968262],["Grâce",-12.416159629821777],["▁Köln",-12.416193008422852],["▁mobilier",-12.416199684143066],["▁fool",-12.416254043579102],["▁Calcul",-12.416295051574707],["attaque",-12.41637897491455],["▁digestive",-12.41656494140625],["performance",-12.416647911071777],["▁homeowner",-12.41675853729248],["▁hunger",-12.4169282913208],["2.3",-12.41696834564209],["▁Sort",-12.417085647583008],["▁Dennis",-12.41723918914795],["▁certificat",-12.417250633239746],["▁Canal",-12.417337417602539],["▁Yesterday",-12.417424201965332],["▁sausage",-12.417499542236328],["▁perdu",-12.417736053466797],["ösen",-12.417741775512695],["▁preserved",-12.417750358581543],["▁trendy",-12.4177885055542],["▁iubire",-12.417935371398926],["▁grandfather",-12.417961120605469],["▁shoppers",-12.41820240020752],["▁verschieden",-12.418252944946289],["▁gagner",-12.41826343536377],["▁lucra",-12.418437004089355],["metru",-12.418464660644531],["buz",-12.418469429016113],["▁flourish",-12.418484687805176],["affin",-12.418523788452148],["▁Pflanzen",-12.41858196258545],["agh",-12.418588638305664],["▁Gill",-12.418660163879395],["▁Kä",-12.418671607971191],["▁Wege",-12.41876220703125],["▁Liberal",-12.418929100036621],["▁Glasgow",-12.418944358825684],["Objekt",-12.4189453125],["▁Huawei",-12.4189453125],["appropri",-12.418986320495605],["▁genius",-12.419037818908691],["▁brokers",-12.419068336486816],["▁themed",-12.41918659210205],["▁barre",-12.419210433959961],["1.7",-12.419219017028809],["▁Electro",-12.419303894042969],["▁umbrella",-12.419333457946777],["▁advisory",-12.419417381286621],["▁comport",-12.419421195983887],["▁neuer",-12.419452667236328],["▁Wick",-12.419568061828613],["wak",-12.419618606567383],["▁Woman",-12.419695854187012],["▁lesser",-12.419843673706055],["▁replied",-12.419987678527832],["▁représente",-12.420050621032715],["▁thé",-12.420135498046875],["Deutsch",-12.420428276062012],["Cat",-12.420483589172363],["▁équipes",-12.420534133911133],["▁spider",-12.420578956604004],["▁Gaming",-12.420589447021484],["▁Liste",-12.420592308044434],["▁affection",-12.420639038085938],["lipsa",-12.420982360839844],["▁Spider",-12.420987129211426],["▁Julia",-12.421034812927246],["anlagen",-12.421159744262695],["Kon",-12.421363830566406],["nței",-12.421368598937988],["▁Verwaltung",-12.421483993530273],["▁raspuns",-12.421489715576172],["samt",-12.421491622924805],["▁creștere",-12.421512603759766],["▁decorate",-12.421701431274414],["▁Chain",-12.422021865844727],["ów",-12.422050476074219],["0-0",-12.422104835510254],["▁Cran",-12.422407150268555],["▁streak",-12.42242431640625],["ор",-12.422517776489258],["▁căuta",-12.422754287719727],["wende",-12.422801971435547],["▁haine",-12.42280387878418],["▁landscaping",-12.423009872436523],["▁historian",-12.423016548156738],["▁grandchildren",-12.423033714294434],["▁crawl",-12.423056602478027],["▁Cub",-12.423239707946777],["▁nécessaires",-12.423515319824219],["▁swift",-12.42352294921875],["▁calculation",-12.423656463623047],["▁acteurs",-12.423715591430664],["VT",-12.423752784729004],["▁Hristos",-12.423778533935547],["▁slices",-12.423850059509277],["See",-12.424203872680664],["▁Bran",-12.424233436584473],["Symbol",-12.424449920654297],["▁allowance",-12.424492835998535],["▁Effective",-12.424537658691406],["▁Wünsche",-12.424539566040039],["▁shiny",-12.424569129943848],["▁professionalism",-12.424715995788574],["/6",-12.424970626831055],["▁terrasse",-12.425087928771973],["▁researcher",-12.425156593322754],["▁fragile",-12.425203323364258],["▁greeting",-12.425274848937988],["freien",-12.4253511428833],["▁valuation",-12.425372123718262],["▁incur",-12.425386428833008],["▁Zwischen",-12.425559997558594],["▁comfy",-12.425569534301758],["▁méthode",-12.42569351196289],["▁Pirate",-12.425816535949707],["▁Moto",-12.425822257995605],["(6)",-12.425823211669922],["▁devin",-12.42582893371582],["▁civic",-12.425837516784668],["usage",-12.425889015197754],["▁istorie",-12.425945281982422],["▁piste",-12.425955772399902],["▁Rug",-12.426091194152832],["pä",-12.426129341125488],["▁matur",-12.426148414611816],["CAS",-12.426155090332031],["TIC",-12.42618465423584],["▁Reduce",-12.426234245300293],["▁commemorat",-12.426321983337402],["▁cease",-12.42653751373291],["unterschiedliche",-12.42656421661377],["▁cinnamon",-12.426581382751465],["▁Font",-12.426583290100098],["▁justify",-12.426751136779785],["deteriorat",-12.426797866821289],["▁Schön",-12.42684555053711],["plain",-12.426993370056152],["frist",-12.427002906799316],["▁helmet",-12.42712116241455],["▁statute",-12.42721939086914],["accept",-12.427236557006836],["▁1,5",-12.42724323272705],["▁recon",-12.42724323272705],["▁Möbel",-12.427348136901855],["▁idées",-12.427367210388184],["automat",-12.427552223205566],["Team",-12.42758846282959],["▁performers",-12.427688598632812],["▁microphone",-12.427722930908203],["impotriva",-12.427775382995605],["▁pillows",-12.42780876159668],["▁accountable",-12.427812576293945],["▁strings",-12.42782974243164],["hydrate",-12.427835464477539],["▁Yan",-12.427865028381348],["starea",-12.427918434143066],["▁présenté",-12.42793083190918],["▁extensively",-12.428048133850098],["äst",-12.428114891052246],["▁correlation",-12.428115844726562],["bespoke",-12.428119659423828],["▁creste",-12.428196907043457],["▁Armenia",-12.428248405456543],["nose",-12.428426742553711],["▁strengthening",-12.428604125976562],["▁Horizon",-12.428627014160156],["▁obesity",-12.428627967834473],["seasoned",-12.428686141967773],["▁screenshot",-12.428736686706543],["girl",-12.42875862121582],["▁hardest",-12.428826332092285],["▁weakness",-12.428855895996094],["effectuer",-12.429012298583984],["▁Florence",-12.429034233093262],["▁Europene",-12.429062843322754],["triggered",-12.429333686828613],["Apparently",-12.42939567565918],["▁diagnose",-12.42943286895752],["rushed",-12.429494857788086],["▁trotz",-12.429516792297363],["▁spécial",-12.429680824279785],["▁lumi",-12.429783821105957],["7:00",-12.429877281188965],["▁publicat",-12.429903984069824],["ос",-12.430086135864258],["▁hue",-12.430136680603027],["▁termination",-12.430139541625977],["▁Nam",-12.430240631103516],["Well",-12.430376052856445],["▁Extract",-12.430441856384277],["atiile",-12.43062686920166],["▁vivid",-12.43076229095459],["hrs",-12.430858612060547],["▁povesti",-12.430984497070312],["stehenden",-12.430988311767578],["▁informieren",-12.431070327758789],["employed",-12.431133270263672],["▁armor",-12.431180953979492],["▁Columbus",-12.431191444396973],["Registr",-12.431200981140137],["▁Kamera",-12.431203842163086],["▁ugly",-12.431203842163086],["outil",-12.431234359741211],["▁evenly",-12.43134593963623],["lungul",-12.431349754333496],["koch",-12.431439399719238],["▁Dig",-12.431450843811035],["purely",-12.431489944458008],["▁Surf",-12.431560516357422],["rilla",-12.431628227233887],["▁Watson",-12.43171215057373],["trug",-12.431719779968262],["figuring",-12.431784629821777],["▁competitor",-12.431807518005371],["▁humid",-12.431889533996582],["▁Lawyer",-12.43189811706543],["Added",-12.43205451965332],["▁salva",-12.432056427001953],["▁drainage",-12.4321870803833],["Featuring",-12.432220458984375],["▁Pel",-12.43234634399414],["▁acasa",-12.432611465454102],["▁expectation",-12.43265438079834],["gibt",-12.432663917541504],["▁marginal",-12.432831764221191],["ceni",-12.433028221130371],["▁européen",-12.433065414428711],["clav",-12.433090209960938],["▁Shot",-12.433167457580566],["commun",-12.43322467803955],["▁Calendar",-12.433247566223145],["▁trek",-12.433348655700684],["rechtliche",-12.433406829833984],["▁Perry",-12.43342399597168],["▁surge",-12.433484077453613],["geschäft",-12.433504104614258],["paced",-12.433793067932129],["depend",-12.433871269226074],["▁Sache",-12.433947563171387],["▁Example",-12.433998107910156],["▁lider",-12.434118270874023],["▁nochmal",-12.434240341186523],["▁Present",-12.434243202209473],["KW",-12.434335708618164],["prompted",-12.434350967407227],["logique",-12.434444427490234],["Université",-12.434466361999512],["lith",-12.434489250183105],["▁Gefahr",-12.434579849243164],["▁Acid",-12.434625625610352],["objets",-12.434791564941406],["▁societies",-12.434791564941406],["▁distraction",-12.434816360473633],["▁puissance",-12.434934616088867],["▁alleviat",-12.435026168823242],["▁Capitol",-12.435050010681152],["▁Heim",-12.435129165649414],["judicial",-12.435230255126953],["▁nowadays",-12.435309410095215],["▁Hammer",-12.435317039489746],["▁metallic",-12.435327529907227],["▁distr",-12.435388565063477],["▁dispos",-12.435397148132324],["profile",-12.435408592224121],["▁Nicolas",-12.435602188110352],["▁presa",-12.435760498046875],["augh",-12.43578052520752],["schuss",-12.435787200927734],["▁Diana",-12.436062812805176],["4-5",-12.436097145080566],["▁Chapel",-12.43612003326416],["▁zahar",-12.436150550842285],["âmb",-12.4362154006958],["▁Tarif",-12.436264991760254],["▁devastating",-12.436339378356934],["6:00",-12.4364013671875],["▁100,000",-12.43645191192627],["NIC",-12.436580657958984],["▁Lucas",-12.436612129211426],["▁bequem",-12.436662673950195],["▁Motion",-12.436698913574219],["7,000",-12.436701774597168],["▁malware",-12.436708450317383],["▁avenue",-12.436723709106445],["▁manger",-12.436747550964355],["▁Queensland",-12.436857223510742],["▁Papier",-12.436861991882324],["▁Increase",-12.436880111694336],["▁implies",-12.436954498291016],["▁äußer",-12.43697452545166],["▁Meine",-12.436980247497559],["Reuters",-12.437155723571777],["▁Belt",-12.437232971191406],["Educat",-12.437251091003418],["▁Aktion",-12.437355041503906],["schläge",-12.437372207641602],["▁înregistrat",-12.437426567077637],["▁Ortho",-12.43756103515625],["▁bulbs",-12.437761306762695],["kap",-12.437793731689453],["▁peinture",-12.437901496887207],["▁Lounge",-12.437907218933105],["▁Tampa",-12.438008308410645],["ifiziert",-12.438100814819336],["kinder",-12.438172340393066],["▁comparativ",-12.438281059265137],["häuser",-12.438323974609375],["incarn",-12.438363075256348],["▁amazon",-12.438464164733887],["▁Southeast",-12.438505172729492],["▁economical",-12.438667297363281],["▁broth",-12.438697814941406],["▁Secure",-12.438750267028809],["damals",-12.438875198364258],["▁Elementary",-12.438921928405762],["▁Wildlife",-12.438995361328125],["▁Jewel",-12.439001083374023],["▁protocols",-12.439297676086426],["▁zbor",-12.4393892288208],["▁enthusiasts",-12.439398765563965],["▁Mirror",-12.439444541931152],["▁soak",-12.439537048339844],["▁Sad",-12.439574241638184],["▁dishwasher",-12.439957618713379],["▁vollständig",-12.440186500549316],["▁Vermont",-12.440407752990723],["▁caut",-12.440449714660645],["▁fournisseur",-12.440475463867188],["▁Concrete",-12.44047737121582],["▁Instant",-12.440595626831055],["▁reveni",-12.440597534179688],["▁Surface",-12.44059944152832],["zumindest",-12.440713882446289],["▁feast",-12.440725326538086],["▁stretching",-12.440803527832031],["ERA",-12.440997123718262],["▁Scholarship",-12.441020965576172],["▁vineyard",-12.4410400390625],["▁régulièrement",-12.441083908081055],["▁patches",-12.441093444824219],["▁Gamb",-12.44113540649414],["▁Vereins",-12.441152572631836],["ège",-12.441372871398926],["▁constitutional",-12.441411018371582],["erreur",-12.441413879394531],["▁Colombia",-12.441514015197754],["UF",-12.441618919372559],["aider",-12.441665649414062],["cision",-12.44180965423584],["▁publishers",-12.441913604736328],["▁prelua",-12.441967964172363],["▁keiner",-12.441990852355957],["▁amid",-12.442020416259766],["▁quantitative",-12.442031860351562],["▁decay",-12.442058563232422],["▁distinguished",-12.4420747756958],["▁Gründe",-12.442209243774414],["▁statului",-12.442362785339355],["CAT",-12.442436218261719],["allow",-12.442481994628906],["▁mathematical",-12.442550659179688],["▁tragedy",-12.44255542755127],["▁heels",-12.442609786987305],["opia",-12.44265365600586],["▁merger",-12.4428071975708],["dispositif",-12.442813873291016],["▁pneu",-12.44283390045166],["elte",-12.443058013916016],["▁Introduction",-12.443070411682129],["▁biscuit",-12.443134307861328],["▁leftover",-12.443275451660156],["▁tester",-12.443314552307129],["▁Terre",-12.443380355834961],["▁Oui",-12.44338321685791],["▁rar",-12.443520545959473],["▁beverages",-12.443666458129883],["▁parenting",-12.443892478942871],["1-0",-12.444053649902344],["▁Barry",-12.44417667388916],["▁Lynn",-12.444209098815918],["▁Tyler",-12.444262504577637],["▁fotbal",-12.44437026977539],["dron",-12.444475173950195],["▁donor",-12.44455623626709],["▁drape",-12.444558143615723],["▁positioning",-12.444963455200195],["▁Tang",-12.445006370544434],["▁overwhelmed",-12.445161819458008],["▁perte",-12.445192337036133],["▁blender",-12.445302963256836],["TG",-12.445467948913574],["GHz",-12.445490837097168],["▁administrat",-12.445719718933105],["▁glaube",-12.445771217346191],["Char",-12.445947647094727],["impression",-12.44627571105957],["proving",-12.446297645568848],["▁Inner",-12.446434020996094],["root",-12.446501731872559],["▁Gedanken",-12.446508407592773],["▁underway",-12.446596145629883],["coat",-12.44660758972168],["▁thereof",-12.446663856506348],["rius",-12.446700096130371],["▁intermediate",-12.446751594543457],["gmail",-12.446869850158691],["114",-12.446893692016602],["▁interfere",-12.446908950805664],["▁Found",-12.446930885314941],["LF",-12.447071075439453],["▁equality",-12.447099685668945],["▁concurrent",-12.44710636138916],["akh",-12.447107315063477],["▁touching",-12.44715690612793],["▁curiosity",-12.447235107421875],["▁rendering",-12.447263717651367],["▁1964",-12.447442054748535],["sorge",-12.447468757629395],["ARC",-12.447505950927734],["▁Desktop",-12.44752311706543],["▁Tak",-12.44760799407959],["filtration",-12.447651863098145],["▁gates",-12.4478759765625],["Sehr",-12.44791316986084],["▁spatiu",-12.44798755645752],["▁Leg",-12.448103904724121],["▁aviation",-12.448277473449707],["wandel",-12.44827938079834],["▁Shar",-12.448323249816895],["▁Volks",-12.448409080505371],["maz",-12.448698997497559],["governmental",-12.44874095916748],["euros",-12.448819160461426],["avantage",-12.448823928833008],["sitzt",-12.448856353759766],["IER",-12.448920249938965],["▁Theory",-12.44894027709961],["Cependant",-12.44907283782959],["▁Teachers",-12.449080467224121],["anspruch",-12.449095726013184],["▁afecta",-12.449139595031738],["enko",-12.449193000793457],["▁breeding",-12.449198722839355],["▁Peak",-12.449457168579102],["▁găsit",-12.449516296386719],["▁măsuri",-12.4495267868042],["edia",-12.449625968933105],["biz",-12.449640274047852],["zum",-12.449776649475098],["▁schwierig",-12.449847221374512],["Sense",-12.450050354003906],["▁Jump",-12.450081825256348],["▁cocktails",-12.450108528137207],["abhängig",-12.45012378692627],["realised",-12.450140953063965],["▁programul",-12.450214385986328],["▁prévu",-12.450238227844238],["▁twitter",-12.450372695922852],["Union",-12.450400352478027],["▁Marathon",-12.45040225982666],["▁Christianity",-12.450432777404785],["▁Alberta",-12.450811386108398],["einheit",-12.45097827911377],["▁wellbeing",-12.450982093811035],["phen",-12.451166152954102],["▁Charleston",-12.451180458068848],["▁uncover",-12.451323509216309],["▁humaine",-12.451464653015137],["▁bleeding",-12.451531410217285],["▁manipul",-12.451532363891602],["▁humidity",-12.451570510864258],["▁Puis",-12.451748847961426],["▁aktuell",-12.451922416687012],["▁Nissan",-12.451943397521973],["▁Eisen",-12.45202922821045],["treiben",-12.452059745788574],["cios",-12.452073097229004],["ikh",-12.452381134033203],["acquiring",-12.452466011047363],["▁Wallpaper",-12.452488899230957],["▁rond",-12.452558517456055],["▁Doug",-12.45267391204834],["sourcing",-12.452696800231934],["▁1900",-12.452825546264648],["▁buni",-12.452913284301758],["vest",-12.452916145324707],["▁Bangladesh",-12.452990531921387],["Home",-12.453160285949707],["▁wrinkle",-12.453252792358398],["rado",-12.453290939331055],["▁Pain",-12.45334243774414],["▁herzlich",-12.453354835510254],["MRI",-12.453426361083984],["UG",-12.453631401062012],["▁Desk",-12.453679084777832],["▁remarc",-12.453718185424805],["▁sodium",-12.453857421875],["▁Jede",-12.453892707824707],["▁réelle",-12.453959465026855],["▁Polar",-12.454068183898926],["▁activists",-12.454273223876953],["lasted",-12.454300880432129],["Some",-12.45432186126709],["ISE",-12.454338073730469],["▁peine",-12.454671859741211],["▁crude",-12.454852104187012],["Maur",-12.454916954040527],["▁forcing",-12.454933166503906],["▁politici",-12.454970359802246],["▁condiții",-12.454988479614258],["▁Saving",-12.454999923706055],["▁descoperi",-12.455020904541016],["avenir",-12.455055236816406],["Akt",-12.455069541931152],["▁vocabulary",-12.45509147644043],["▁pont",-12.455168724060059],["West",-12.45518970489502],["lenk",-12.455278396606445],["▁Verbraucher",-12.455367088317871],["affects",-12.455448150634766],["▁Flower",-12.455543518066406],["▁Nebraska",-12.455617904663086],["▁assortment",-12.455618858337402],["hock",-12.455619812011719],["▁discounted",-12.455803871154785],["▁Sensor",-12.455840110778809],["Lie",-12.45588207244873],["▁Volkswagen",-12.455887794494629],["isseur",-12.455888748168945],["indice",-12.455936431884766],["▁scanner",-12.455986022949219],["fashioned",-12.456040382385254],["▁postal",-12.456141471862793],["ouvrir",-12.45615291595459],["▁seminars",-12.45622444152832],["ioase",-12.456232070922852],["▁Stanley",-12.456260681152344],["Various",-12.456335067749023],["essentiel",-12.45650577545166],["▁administered",-12.456693649291992],["▁concession",-12.456748008728027],["▁mould",-12.456789016723633],["▁strongest",-12.456826210021973],["Erlebnis",-12.456933975219727],["▁ehemalige",-12.456933975219727],["▁Tale",-12.457234382629395],["▁Buyer",-12.457353591918945],["ück",-12.457578659057617],["▁Kommentar",-12.457720756530762],["▁Schrift",-12.457756996154785],["Design",-12.457792282104492],["▁stirring",-12.457937240600586],["▁towels",-12.457987785339355],["▁$30",-12.458101272583008],["sprache",-12.458279609680176],["▁Regierung",-12.458346366882324],["▁nachhaltig",-12.458406448364258],["▁électronique",-12.458515167236328],["▁Andrei",-12.458587646484375],["because",-12.458647727966309],["informatique",-12.458650588989258],["IGHT",-12.4586820602417],["stepping",-12.4586820602417],["▁gris",-12.458748817443848],["vious",-12.458773612976074],["▁upside",-12.4591064453125],["▁Examples",-12.459108352661133],["IU",-12.459110260009766],["▁princess",-12.459111213684082],["spielen",-12.45921516418457],["legung",-12.45950984954834],["▁reflecting",-12.4597806930542],["▁Processing",-12.459939002990723],["▁jungle",-12.460033416748047],["▁insects",-12.46006965637207],["▁Sibiu",-12.460220336914062],["160",-12.460259437561035],["▁interessante",-12.460267066955566],["▁multimedia",-12.460455894470215],["essel",-12.46049690246582],["/18",-12.460647583007812],["nière",-12.460683822631836],["ministru",-12.46072006225586],["▁implants",-12.460826873779297],["▁Settings",-12.461360931396484],["▁invaluable",-12.461432456970215],["stains",-12.461448669433594],["onym",-12.461518287658691],["▁searched",-12.461570739746094],["▁disappointment",-12.461628913879395],["▁Iranian",-12.461630821228027],["▁questionnaire",-12.461630821228027],["Founder",-12.46178913116455],["▁Bericht",-12.461792945861816],["▁youngest",-12.461896896362305],["▁Automatic",-12.461956024169922],["▁plecat",-12.46203327178955],["geber",-12.462119102478027],["soweit",-12.462124824523926],["▁unfold",-12.462236404418945],["▁befinden",-12.462274551391602],["▁susţin",-12.462637901306152],["▁Mack",-12.462675094604492],["▁dificil",-12.462757110595703],["enseigne",-12.463038444519043],["▁vitamine",-12.463047981262207],["▁Memory",-12.463092803955078],["ripping",-12.463129043579102],["drin",-12.463146209716797],["3.2",-12.463278770446777],["▁verstehen",-12.463287353515625],["▁scaun",-12.46341323852539],["▁procédure",-12.46380615234375],["▁molecules",-12.463911056518555],["▁Anzahl",-12.46391487121582],["▁yogurt",-12.464071273803711],["▁Dominic",-12.464113235473633],["▁shocked",-12.464156150817871],["▁zilei",-12.464269638061523],["▁Heiz",-12.464412689208984],["▁Educational",-12.464571952819824],["BN",-12.464577674865723],["analyzing",-12.464601516723633],["hair",-12.464676856994629],["spiegel",-12.464871406555176],["▁illusion",-12.464889526367188],["BG",-12.46505355834961],["deductible",-12.46513557434082],["▁adj",-12.4651460647583],["▁accessory",-12.465166091918945],["▁Draw",-12.465167999267578],["▁airlines",-12.46518611907959],["▁satisfai",-12.46536636352539],["▁architects",-12.465447425842285],["istische",-12.465508460998535],["▁Healthy",-12.465539932250977],["großer",-12.465669631958008],["▁comunicare",-12.465764999389648],["▁Meyer",-12.46577262878418],["▁reproduction",-12.465882301330566],["▁Manufacturing",-12.465929985046387],["immobilier",-12.465930938720703],["▁Unterschied",-12.465958595275879],["▁cumpara",-12.466029167175293],["▁duplicate",-12.466094017028809],["▁(16",-12.466096878051758],["▁detector",-12.466279983520508],["▁observat",-12.466387748718262],["▁1965",-12.466682434082031],["▁Fantasy",-12.466728210449219],["▁brauchen",-12.466728210449219],["▁Participants",-12.466780662536621],["▁décide",-12.466817855834961],["▁kicke",-12.466819763183594],["▁SSL",-12.466885566711426],["360",-12.466989517211914],["Anim",-12.467019081115723],["▁cupcake",-12.467031478881836],["▁Lamb",-12.467107772827148],["▁Sä",-12.467155456542969],["ntă",-12.46738052368164],["▁Pig",-12.467421531677246],["1,000",-12.467677116394043],["nhof",-12.467782020568848],["▁discret",-12.467947959899902],["▁deloc",-12.467991828918457],["▁Bücher",-12.467999458312988],["chor",-12.468042373657227],["course",-12.468070030212402],["▁cough",-12.468076705932617],["▁erstellt",-12.468087196350098],["▁Than",-12.468097686767578],["stätte",-12.46812915802002],["▁exceptionally",-12.468162536621094],["▁semnal",-12.468186378479004],["▁Interessen",-12.468329429626465],["ле",-12.468356132507324],["xx",-12.468402862548828],["▁Veterans",-12.468422889709473],["▁Kreuz",-12.468683242797852],["▁Nachricht",-12.468701362609863],["treated",-12.468894004821777],["▁tide",-12.469230651855469],["▁nonetheless",-12.469390869140625],["▁Subject",-12.469439506530762],["▁Stau",-12.469440460205078],["▁stickers",-12.469463348388672],["Alp",-12.46950912475586],["▁flagship",-12.469541549682617],["▁trimite",-12.469619750976562],["▁polyester",-12.469664573669434],["▁locui",-12.469671249389648],["▁chili",-12.46968936920166],["▁Browser",-12.469808578491211],["sieg",-12.469809532165527],["▁Arabic",-12.469876289367676],["blich",-12.47001838684082],["▁wunderbar",-12.470090866088867],["▁furnishings",-12.470210075378418],["rtie",-12.470243453979492],["8.5",-12.470742225646973],["▁Sponsor",-12.471016883850098],["▁glitter",-12.471280097961426],["▁piaț",-12.471402168273926],["▁interviewed",-12.471519470214844],["▁Statistics",-12.471529006958008],["▁cerc",-12.47154712677002],["augmentation",-12.47155475616455],["▁Navi",-12.471558570861816],["▁Begriff",-12.47156047821045],["▁știu",-12.471596717834473],["▁unabhängig",-12.471778869628906],["▁könnten",-12.471978187561035],["▁travaille",-12.472000122070312],["▁companie",-12.472027778625488],["▁Scientific",-12.472061157226562],["▁Outlook",-12.472091674804688],["▁fairy",-12.472158432006836],["zam",-12.472282409667969],["bak",-12.472448348999023],["▁Traffic",-12.472596168518066],["gerät",-12.472671508789062],["▁freezing",-12.472701072692871],["▁broadband",-12.4727201461792],["110",-12.47279167175293],["▁revenu",-12.472887992858887],["listed",-12.472900390625],["▁Rico",-12.472941398620605],["Laure",-12.472990036010742],["ATA",-12.473112106323242],["▁participer",-12.47313117980957],["▁sponsorship",-12.473235130310059],["▁distress",-12.473286628723145],["▁Brisbane",-12.47339916229248],["schönen",-12.473437309265137],["▁fizice",-12.473465919494629],["▁Political",-12.47362232208252],["uhr",-12.473657608032227],["▁procedura",-12.473713874816895],["▁hervor",-12.473770141601562],["melted",-12.473776817321777],["▁Emp",-12.47384262084961],["▁Ernährung",-12.4739351272583],["▁Pendant",-12.473944664001465],["▁recipients",-12.474047660827637],["Claude",-12.474133491516113],["▁regimen",-12.47415828704834],["expo",-12.474346160888672],["adevăr",-12.47437858581543],["▁critically",-12.474440574645996],["▁grabbe",-12.474468231201172],["▁Kann",-12.474474906921387],["▁directeur",-12.474613189697266],["gator",-12.474908828735352],["problem",-12.474910736083984],["scribe",-12.474913597106934],["▁exig",-12.474920272827148],["Tri",-12.474969863891602],["▁aqua",-12.475631713867188],["appréci",-12.47569465637207],["▁viaţă",-12.47571849822998],["▁dominate",-12.475865364074707],["disc",-12.475889205932617],["▁conseiller",-12.47603988647461],["▁shuttle",-12.476180076599121],["▁Status",-12.47623062133789],["▁ausreichend",-12.476371765136719],["▁spät",-12.476411819458008],["▁remainder",-12.476417541503906],["wett",-12.476430892944336],["schlossen",-12.476491928100586],["PAC",-12.476505279541016],["▁suprafata",-12.476617813110352],["5.000",-12.476673126220703],["supplying",-12.47673225402832],["▁uniquely",-12.476905822753906],["▁retard",-12.476929664611816],["▁Bang",-12.477006912231445],["ieuse",-12.477087020874023],["▁Ted",-12.477248191833496],["▁ermöglichen",-12.47732925415039],["▁builders",-12.477380752563477],["▁proximité",-12.477423667907715],["▁unforgettable",-12.477423667907715],["256",-12.477446556091309],["fähigkeit",-12.477550506591797],["▁procurement",-12.477561950683594],["▁Gewicht",-12.477693557739258],["▁potentiel",-12.47778606414795],["▁topping",-12.478300094604492],["▁canada",-12.478304862976074],["▁Destin",-12.478355407714844],["▁Knowing",-12.478411674499512],["▁retained",-12.478426933288574],["▁zinc",-12.478470802307129],["▁worrying",-12.478655815124512],["faţa",-12.478676795959473],["▁initi",-12.478837966918945],["ORI",-12.4788818359375],["▁refuz",-12.478921890258789],["bruch",-12.479202270507812],["▁impun",-12.479233741760254],["▁persoană",-12.479308128356934],["EAR",-12.479347229003906],["bedarf",-12.479368209838867],["▁Gebiet",-12.47940731048584],["▁Roof",-12.479436874389648],["▁negligence",-12.47957706451416],["security",-12.479618072509766],["▁accesorii",-12.479641914367676],["▁unclear",-12.479667663574219],["▁securitate",-12.479848861694336],["▁spotlight",-12.479896545410156],["▁speziell",-12.479923248291016],["▁mentally",-12.479942321777344],["▁preservation",-12.48011589050293],["▁Promotion",-12.480156898498535],["partnered",-12.480274200439453],["▁Hinter",-12.48031997680664],["▁punishment",-12.480359077453613],["▁grease",-12.480713844299316],["▁NW",-12.480714797973633],["▁curse",-12.480897903442383],["ckle",-12.48101806640625],["▁Hire",-12.481043815612793],["▁Whole",-12.481088638305664],["▁basse",-12.481289863586426],["▁DNS",-12.481427192687988],["flamm",-12.481560707092285],["▁scoop",-12.481574058532715],["Norm",-12.481663703918457],["▁Surgery",-12.481735229492188],["▁widget",-12.481741905212402],["connected",-12.481863021850586],["autorité",-12.481961250305176],["▁utilis",-12.482096672058105],["▁formă",-12.482185363769531],["▁clearing",-12.482307434082031],["▁jumătate",-12.482815742492676],["größe",-12.482831954956055],["▁Tief",-12.482852935791016],["épi",-12.482939720153809],["zunehmen",-12.483174324035645],["▁touchdown",-12.48318099975586],["▁scholarships",-12.483236312866211],["▁dementia",-12.483319282531738],["▁Jeder",-12.48333740234375],["▁nightmare",-12.483379364013672],["▁Raw",-12.48342514038086],["absorbed",-12.483468055725098],["lohnt",-12.483484268188477],["quent",-12.483580589294434],["interest",-12.483626365661621],["OSS",-12.483649253845215],["▁Leaf",-12.483667373657227],["▁timeless",-12.48381519317627],["DY",-12.483865737915039],["▁Remote",-12.483907699584961],["chner",-12.483938217163086],["▁Pam",-12.484014511108398],["urban",-12.484060287475586],["во",-12.484146118164062],["▁Kunde",-12.484166145324707],["▁Laptop",-12.484169006347656],["finder",-12.484336853027344],["▁Pole",-12.484567642211914],["2.8",-12.484588623046875],["finished",-12.484670639038086],["▁prophet",-12.484697341918945],["mailed",-12.484758377075195],["2-0",-12.4849214553833],["▁disciples",-12.484949111938477],["▁intriguing",-12.484980583190918],["IRA",-12.485033988952637],["petit",-12.485077857971191],["▁Membership",-12.485097885131836],["▁provincial",-12.485177040100098],["▁Prüfung",-12.485292434692383],["-50",-12.485450744628906],["▁cryptocurrency",-12.485522270202637],["▁journalism",-12.485536575317383],["▁Downtown",-12.485593795776367],["inserted",-12.485655784606934],["▁Direction",-12.485718727111816],["lipid",-12.485732078552246],["▁Sebastian",-12.485793113708496],["fordert",-12.48591136932373],["Originally",-12.485989570617676],["tipp",-12.486048698425293],["verantwortlich",-12.486064910888672],["▁wheelchair",-12.486085891723633],["▁structura",-12.48609733581543],["▁Danny",-12.486138343811035],["999",-12.486284255981445],["▁Schiff",-12.486380577087402],["formally",-12.486408233642578],["focused",-12.486428260803223],["▁Vater",-12.486478805541992],["▁Dear",-12.486599922180176],["▁reinforce",-12.486794471740723],["proprietar",-12.48690414428711],["▁Kyle",-12.487004280090332],["În",-12.487015724182129],["▁servir",-12.487268447875977],["length",-12.48730754852295],["▁showroom",-12.48735237121582],["reli",-12.487473487854004],["▁Brü",-12.487529754638672],["▁Schle",-12.487634658813477],["▁profond",-12.487773895263672],["▁Superior",-12.487826347351074],["▁lifted",-12.487844467163086],["highlighting",-12.487850189208984],["▁Connection",-12.48793888092041],["▁similarly",-12.487998962402344],["▁diferit",-12.488005638122559],["▁sweater",-12.488014221191406],["État",-12.48803997039795],["rooted",-12.488069534301758],["▁sleeves",-12.488236427307129],["де",-12.488264083862305],["▁Laboratory",-12.488265991210938],["ündig",-12.488719940185547],["▁Viking",-12.488741874694824],["▁Origin",-12.48878002166748],["▁vibr",-12.488812446594238],["199",-12.488974571228027],["▁yummy",-12.489001274108887],["STAR",-12.489140510559082],["▁repro",-12.489152908325195],["▁Kirchen",-12.489229202270508],["hopper",-12.48925495147705],["zza",-12.489335060119629],["▁vitesse",-12.48934555053711],["▁minimalist",-12.489412307739258],["▁Election",-12.489420890808105],["draw",-12.489501953125],["▁candles",-12.48959732055664],["▁Mund",-12.489615440368652],["urged",-12.489901542663574],["▁cânt",-12.489917755126953],["Ultimately",-12.49002742767334],["▁Lift",-12.490124702453613],["loaded",-12.490334510803223],["demand",-12.490508079528809],["▁aleg",-12.490621566772461],["▁Discovery",-12.490755081176758],["▁Vienna",-12.490960121154785],["▁Kategorie",-12.490961074829102],["▁Cotton",-12.490962028503418],["▁$200",-12.491043090820312],["▁Drei",-12.491052627563477],["▁reicht",-12.491168975830078],["speicher",-12.491231918334961],["▁Immobilien",-12.491483688354492],["gefühl",-12.491509437561035],["make",-12.491525650024414],["pell",-12.49155044555664],["▁dull",-12.491598129272461],["▁arbeitet",-12.491681098937988],["retaining",-12.491700172424316],["losen",-12.491707801818848],["match",-12.491876602172852],["-60",-12.491880416870117],["▁ecological",-12.492000579833984],["▁vend",-12.492051124572754],["▁grammar",-12.492061614990234],["▁1:1",-12.492225646972656],["grilled",-12.492279052734375],["geordnet",-12.492321014404297],["▁Pav",-12.49236011505127],["▁Depot",-12.492368698120117],["▁Walking",-12.492372512817383],["teamed",-12.492402076721191],["▁torque",-12.492537498474121],["▁Venture",-12.492659568786621],["▁beginner",-12.49269962310791],["▁Monaten",-12.492712020874023],["▁Pune",-12.493054389953613],["connect",-12.493075370788574],["▁textbook",-12.493132591247559],["▁unprecedented",-12.49314022064209],["▁implied",-12.493168830871582],["▁cubic",-12.493668556213379],["enthält",-12.493696212768555],["▁Brenn",-12.49388313293457],["▁Expect",-12.49394416809082],["▁lever",-12.4939603805542],["veux",-12.49399185180664],["▁Claire",-12.494112968444824],["Acc",-12.49432373046875],["▁Typ",-12.494478225708008],["▁smoothie",-12.494501113891602],["▁Idaho",-12.494780540466309],["▁spati",-12.494802474975586],["▁bénéficier",-12.49488353729248],["▁Kle",-12.495161056518555],["▁serviciilor",-12.495169639587402],["▁prohibit",-12.495267868041992],["EAD",-12.495417594909668],["▁Turner",-12.495418548583984],["▁elibera",-12.49543571472168],["▁payday",-12.495464324951172],["▁prolong",-12.495466232299805],["▁sued",-12.495481491088867],["▁Devil",-12.495536804199219],["▁Skills",-12.495552062988281],["▁Marcel",-12.495553970336914],["▁silhouette",-12.495601654052734],["▁preț",-12.495742797851562],["▁Gö",-12.495747566223145],["▁Creator",-12.495774269104004],["fed",-12.4959077835083],["Cap",-12.495997428894043],["▁dedicate",-12.496042251586914],["0000",-12.496124267578125],["▁VAT",-12.496259689331055],["▁Firefox",-12.496443748474121],["▁therapies",-12.496477127075195],["▁screws",-12.496662139892578],["▁Province",-12.496697425842285],["▁problematic",-12.496871948242188],["▁Vid",-12.496915817260742],["▁Lost",-12.496950149536133],["▁elegance",-12.497520446777344],["▁Elegant",-12.497525215148926],["ignant",-12.497573852539062],["▁darin",-12.497649192810059],["▁anonym",-12.497669219970703],["▁vegeta",-12.49767780303955],["incoming",-12.497762680053711],["▁pills",-12.497846603393555],["governing",-12.497893333435059],["▁Haven",-12.497920989990234],["paper",-12.497947692871094],["räume",-12.497979164123535],["paw",-12.498099327087402],["▁spelling",-12.498283386230469],["ambele",-12.498318672180176],["▁reprezentat",-12.498371124267578],["▁mâ",-12.49853515625],["wirtschaftliche",-12.498558044433594],["▁valabil",-12.498579025268555],["▁konkret",-12.498618125915527],["▁financier",-12.498619079589844],["▁irre",-12.499135971069336],["▁Silicon",-12.499171257019043],["Viv",-12.499181747436523],["▁viruses",-12.49927043914795],["▁CNN",-12.499324798583984],["▁erleben",-12.499482154846191],["gina",-12.499492645263672],["punctul",-12.49951457977295],["▁Sfânt",-12.499753952026367],["▁Manage",-12.499811172485352],["▁payable",-12.499984741210938],["▁practitioner",-12.500143051147461],["▁conférence",-12.50026798248291],["▁drought",-12.50027084350586],["▁devote",-12.500361442565918],["wertung",-12.500420570373535],["stabil",-12.5004301071167],["▁balcon",-12.500553131103516],["▁Lebensmittel",-12.500603675842285],["COL",-12.500950813293457],["▁Domnul",-12.501093864440918],["carved",-12.501359939575195],["▁preparat",-12.5014009475708],["101",-12.501537322998047],["▁specimen",-12.501580238342285],["urgeon",-12.501596450805664],["LIC",-12.50163459777832],["Plattform",-12.501643180847168],["▁ramas",-12.501739501953125],["▁copilului",-12.501791954040527],["bacter",-12.501812934875488],["körper",-12.501940727233887],["▁Kru",-12.501981735229492],["▁Employ",-12.502055168151855],["office",-12.502080917358398],["▁simmer",-12.502120018005371],["qualität",-12.502137184143066],["▁freshly",-12.502215385437012],["▁Nine",-12.50223159790039],["▁tonnes",-12.50223445892334],["boden",-12.502236366271973],["enquête",-12.50240707397461],["▁Colour",-12.502481460571289],["▁Diagram",-12.502495765686035],["▁gewählt",-12.502516746520996],["▁viitoare",-12.502538681030273],["▁reporters",-12.502913475036621],["guer",-12.502991676330566],["▁Kombination",-12.503021240234375],["▁qualitative",-12.50302505493164],["Centrul",-12.503131866455078],["avy",-12.503170013427734],["▁Eng",-12.503175735473633],["▁sufletul",-12.50327205657959],["▁germ",-12.503412246704102],["▁prevented",-12.503448486328125],["appelle",-12.503533363342285],["gins",-12.503556251525879],["▁Skype",-12.503585815429688],["conditioned",-12.503617286682129],["▁clutch",-12.503641128540039],["environ",-12.503694534301758],["3.3",-12.503774642944336],["▁webinar",-12.503866195678711],["▁forty",-12.504104614257812],["▁Medicaid",-12.504127502441406],["▁dismissed",-12.504167556762695],["▁siblings",-12.504168510437012],["▁Jaw",-12.504196166992188],["guiding",-12.504220962524414],["cigarette",-12.504374504089355],["▁Shah",-12.504681587219238],["▁Lehrer",-12.504684448242188],["▁muscular",-12.504694938659668],["spatele",-12.504796981811523],["▁réduction",-12.504836082458496],["▁fixes",-12.504851341247559],["Span",-12.50511646270752],["▁Hudson",-12.505231857299805],["development",-12.505250930786133],["▁excluded",-12.50525951385498],["Democrat",-12.505260467529297],["▁nominal",-12.505317687988281],["purpose",-12.50540828704834],["▁bored",-12.505500793457031],["espèce",-12.50550651550293],["▁(30",-12.5055570602417],["Neither",-12.505608558654785],["hänge",-12.505610466003418],["square",-12.505728721618652],["voller",-12.505736351013184],["▁pertinent",-12.505783081054688],["▁Wool",-12.50595474243164],["settling",-12.50607681274414],["fangen",-12.506148338317871],["▁Testing",-12.506152153015137],["distin",-12.506196022033691],["▁Marken",-12.506227493286133],["▁Beta",-12.506300926208496],["▁fulfilling",-12.506339073181152],["Leider",-12.506357192993164],["black",-12.506389617919922],["occupe",-12.50658893585205],["itățile",-12.506688117980957],["Pay",-12.506887435913086],["▁bandwidth",-12.506890296936035],["▁neighbourhood",-12.506918907165527],["▁Gutschein",-12.506922721862793],["degree",-12.507055282592773],["ivité",-12.507116317749023],["4.1",-12.507169723510742],["▁tätig",-12.507170677185059],["topic",-12.507242202758789],["ätz",-12.507243156433105],["these",-12.50733470916748],["▁propriété",-12.507438659667969],["▁innings",-12.507458686828613],["▁Prevention",-12.50754165649414],["▁Saw",-12.507585525512695],["▁opener",-12.507752418518066],["entwicklung",-12.507824897766113],["▁Johann",-12.507865905761719],["▁statistic",-12.507881164550781],["oids",-12.507966995239258],["▁Delaware",-12.508000373840332],["▁Isle",-12.508001327514648],["▁accompagn",-12.508028984069824],["▁Risiko",-12.508079528808594],["▁Conform",-12.508268356323242],["zeichnen",-12.508395195007324],["▁acuz",-12.508479118347168],["▁Mort",-12.508524894714355],["Fällen",-12.50853157043457],["▁blended",-12.50871467590332],["found",-12.50872802734375],["▁gestalten",-12.50874137878418],["▁Découvrez",-12.508830070495605],["▁Wett",-12.508956909179688],["▁débat",-12.508990287780762],["▁Tire",-12.509007453918457],["benz",-12.509037017822266],["Yes",-12.509074211120605],["▁pierde",-12.509110450744629],["▁niciodata",-12.509121894836426],["▁precipit",-12.509145736694336],["▁lazy",-12.509334564208984],["▁creature",-12.509370803833008],["Wettbewerb",-12.509385108947754],["▁Explo",-12.509496688842773],["wolf",-12.509657859802246],["▁conséquence",-12.509662628173828],["▁jewellery",-12.509662628173828],["▁Extension",-12.509735107421875],["▁transmitted",-12.509872436523438],["▁darker",-12.509973526000977],["▁simbol",-12.510065078735352],["kim",-12.510069847106934],["▁proteja",-12.510098457336426],["▁Copper",-12.510189056396484],["mitglied",-12.510218620300293],["▁explosive",-12.510222434997559],["▁Nicolae",-12.510223388671875],["▁intricate",-12.510231971740723],["lati",-12.510313034057617],["Mark",-12.510334014892578],["▁Porsche",-12.510339736938477],["▁Revenue",-12.510479927062988],["4.2",-12.510613441467285],["certain",-12.510836601257324],["▁Coaching",-12.510879516601562],["▁allocated",-12.510879516601562],["▁optimiz",-12.511017799377441],["▁heel",-12.511205673217773],["▁indigenous",-12.511330604553223],["▁vineri",-12.511396408081055],["▁Inspector",-12.51145076751709],["▁colleague",-12.5115327835083],["ANG",-12.511649131774902],["éducation",-12.511887550354004],["▁Geschenk",-12.51188850402832],["channel",-12.511899948120117],["▁trapped",-12.511954307556152],["BF",-12.511974334716797],["▁firing",-12.512086868286133],["▁chlor",-12.512103080749512],["▁Carlos",-12.512115478515625],["▁proxy",-12.512128829956055],["▁pinch",-12.512167930603027],["▁Pete",-12.512201309204102],["phospho",-12.512458801269531],["▁waiver",-12.51246452331543],["▁Croatia",-12.512480735778809],["▁behave",-12.51258373260498],["▁frig",-12.512676239013672],["▁Vorteil",-12.51279067993164],["▁wichtiger",-12.512837409973145],["........",-12.512929916381836],["▁flick",-12.513007164001465],["▁Stanford",-12.51306438446045],["öse",-12.513096809387207],["▁Fernseh",-12.513099670410156],["▁vélo",-12.51322078704834],["reisen",-12.513304710388184],["residing",-12.513504981994629],["▁Taste",-12.513580322265625],["▁disappeared",-12.513630867004395],["▁Hood",-12.513776779174805],["▁fabriqu",-12.514046669006348],["▁Jake",-12.514470100402832],["Lastly",-12.51462173461914],["▁furnace",-12.514673233032227],["▁Ottawa",-12.51473331451416],["▁dictate",-12.514742851257324],["zece",-12.514817237854004],["protect",-12.514932632446289],["FU",-12.51495361328125],["Stack",-12.514954566955566],["▁teilweise",-12.515018463134766],["▁Publisher",-12.51506233215332],["▁lutte",-12.515159606933594],["202",-12.515178680419922],["psy",-12.515190124511719],["▁wünschen",-12.515238761901855],["▁pathways",-12.515356063842773],["ivitate",-12.515559196472168],["▁continuă",-12.515658378601074],["ziemlich",-12.515791893005371],["verted",-12.515812873840332],["▁sequel",-12.515839576721191],["tinct",-12.51599407196045],["vette",-12.516020774841309],["▁exceeding",-12.516032218933105],["▁Yorkshire",-12.51607608795166],["▁cleanse",-12.51613998413086],["Sadly",-12.516159057617188],["▁präsentiert",-12.516164779663086],["angled",-12.516311645507812],["tude",-12.516339302062988],["chain",-12.516371726989746],["▁Oakland",-12.51639175415039],["xia",-12.516514778137207],["▁foremost",-12.51653003692627],["▁incomplete",-12.516786575317383],["▁restriction",-12.516905784606934],["▁whatsoever",-12.516908645629883],["▁shipment",-12.517017364501953],["**",-12.517059326171875],["Aici",-12.517110824584961],["PART",-12.517247200012207],["▁grams",-12.517251014709473],["▁Folk",-12.517457008361816],["▁encryption",-12.517467498779297],["▁Alfred",-12.517748832702637],["▁Veränderung",-12.517749786376953],["▁privately",-12.517817497253418],["£",-12.517909049987793],["▁Sonne",-12.51799201965332],["kow",-12.518117904663086],["▁CBS",-12.518172264099121],["▁Feuer",-12.518198013305664],["▁crushed",-12.518230438232422],["▁cazare",-12.518270492553711],["▁beraten",-12.518401145935059],["envoi",-12.518423080444336],["▁genannt",-12.51843547821045],["▁Lok",-12.518472671508789],["nox",-12.518569946289062],["wishing",-12.518759727478027],["▁freak",-12.518759727478027],["rasi",-12.51879596710205],["▁calculations",-12.518888473510742],["▁sprechen",-12.51890754699707],["5:00",-12.519062042236328],["▁Gam",-12.519074440002441],["▁invasion",-12.519159317016602],["ZA",-12.519230842590332],["aiming",-12.519327163696289],["▁näher",-12.519404411315918],["▁Maßnahmen",-12.519433975219727],["▁măsură",-12.519490242004395],["▁Bestellung",-12.519610404968262],["▁gown",-12.519665718078613],["▁oblige",-12.519747734069824],["länder",-12.51977825164795],["posi",-12.519853591918945],["▁Earn",-12.51988410949707],["▁dubl",-12.51999282836914],["▁sticky",-12.520100593566895],["▁litter",-12.520181655883789],["▁Salz",-12.520257949829102],["▁Matter",-12.520272254943848],["▁Driving",-12.520275115966797],["▁pursu",-12.520285606384277],["ographer",-12.520390510559082],["▁touring",-12.520400047302246],["opter",-12.520444869995117],["▁fierce",-12.520475387573242],["▁Audit",-12.520480155944824],["▁imperi",-12.520755767822266],["▁positiv",-12.520780563354492],["règles",-12.520849227905273],["▁bouton",-12.520990371704102],["▁victorie",-12.520990371704102],["▁manuel",-12.521015167236328],["▁await",-12.52103042602539],["▁transformer",-12.521041870117188],["▁cupboard",-12.52108383178711],["▁Hag",-12.521117210388184],["naj",-12.521214485168457],["▁annoncé",-12.52139663696289],["▁scolaire",-12.521401405334473],["▁étape",-12.521482467651367],["▁pirate",-12.521761894226074],["▁Rated",-12.521794319152832],["LOT",-12.521846771240234],["▁natura",-12.521944046020508],["oga",-12.522336959838867],["Read",-12.522388458251953],["idio",-12.522444725036621],["▁recession",-12.522698402404785],["veţi",-12.522761344909668],["▁blossom",-12.523082733154297],["▁lunar",-12.523141860961914],["▁inhibit",-12.52316951751709],["gemein",-12.523219108581543],["▁Historic",-12.523262023925781],["▁HTTP",-12.523370742797852],["misiune",-12.5234956741333],["▁Manda",-12.523601531982422],["▁Hurricane",-12.523643493652344],["Strat",-12.523646354675293],["▁populaire",-12.523756980895996],["▁useless",-12.523762702941895],["▁Leipzig",-12.523924827575684],["▁Krankheit",-12.52392578125],["▁Bonne",-12.52397346496582],["▁tissu",-12.52399730682373],["▁Baum",-12.523998260498047],["▁BUT",-12.524152755737305],["▁Mondial",-12.52423095703125],["▁triangle",-12.524242401123047],["▁Tesla",-12.524250984191895],["▁pământ",-12.52430534362793],["▁aminte",-12.524726867675781],["▁vehicul",-12.524770736694336],["▁cerut",-12.52482795715332],["▁respiratory",-12.524836540222168],["▁rayon",-12.524993896484375],["▁gestaltet",-12.525067329406738],["310",-12.525139808654785],["pfl",-12.525239944458008],["▁shrimp",-12.525337219238281],["▁reconnu",-12.525409698486328],["ologique",-12.525476455688477],["▁unity",-12.525674819946289],["Speicher",-12.52569580078125],["▁Movement",-12.525794982910156],["ddling",-12.52581787109375],["OE",-12.525818824768066],["▁Resolution",-12.525863647460938],["esteem",-12.525898933410645],["▁Teen",-12.526288986206055],["▁believing",-12.526463508605957],["▁Tipps",-12.526481628417969],["jpg",-12.526494026184082],["▁obs",-12.526519775390625],["SHA",-12.526702880859375],["▁quietly",-12.526907920837402],["setting",-12.52712345123291],["▁elevator",-12.527185440063477],["phor",-12.527194023132324],["Just",-12.52725887298584],["▁legatura",-12.52739143371582],["elected",-12.527414321899414],["▁disclosed",-12.527419090270996],["quarter",-12.52743148803711],["zzy",-12.527461051940918],["▁gata",-12.527491569519043],["SAN",-12.527532577514648],["▁Cathedral",-12.527592658996582],["192",-12.527656555175781],["▁RBI",-12.527726173400879],["▁Seller",-12.527798652648926],["▁urine",-12.527807235717773],["▁Hardware",-12.527966499328613],["▁steadi",-12.527993202209473],["percussion",-12.528158187866211],["▁francez",-12.528172492980957],["▁rude",-12.528202056884766],["bod",-12.528223037719727],["cession",-12.528249740600586],["▁HTC",-12.528372764587402],["HB",-12.528576850891113],["▁descent",-12.528644561767578],["▁Painting",-12.528681755065918],["119",-12.528684616088867],["sagen",-12.52877426147461],["▁salvation",-12.52880573272705],["arro",-12.528814315795898],["0.3",-12.52886962890625],["▁Duck",-12.52890396118164],["Mit",-12.529052734375],["да",-12.52927017211914],["▁Diesel",-12.529322624206543],["▁Medal",-12.529413223266602],["▁interim",-12.529439926147461],["▁montagne",-12.529439926147461],["▁Pixel",-12.529631614685059],["LINE",-12.529806137084961],["▁dureri",-12.529938697814941],["▁Bengal",-12.529990196228027],["Legea",-12.530080795288086],["▁Strecke",-12.530094146728516],["▁schneller",-12.53012752532959],["▁Karten",-12.5301513671875],["cion",-12.530241966247559],["▁Coco",-12.53037166595459],["troisième",-12.53052806854248],["401",-12.530616760253906],["▁sandwiches",-12.530704498291016],["▁folosind",-12.530920028686523],["▁Folgen",-12.530953407287598],["▁triumph",-12.530991554260254],["▁Hintergrund",-12.530996322631836],["▁revelation",-12.531084060668945],["ôme",-12.531222343444824],["▁Nex",-12.531245231628418],["jährigen",-12.531295776367188],["▁militant",-12.531296730041504],["▁fabricant",-12.531671524047852],["iano",-12.531713485717773],["▁formulation",-12.53188705444336],["integrating",-12.532050132751465],["▁Items",-12.532142639160156],["▁contractual",-12.532320976257324],["AIDS",-12.532424926757812],["▁pitcher",-12.532610893249512],["▁Snap",-12.532623291015625],["▁systematic",-12.532663345336914],["▁referendum",-12.532694816589355],["gau",-12.53281021118164],["administration",-12.532917022705078],["▁speci",-12.532981872558594],["ieni",-12.532998085021973],["prox",-12.533186912536621],["▁bouquet",-12.533241271972656],["▁sinnvoll",-12.533270835876465],["▁Fleisch",-12.533309936523438],["ktuell",-12.533381462097168],["▁mushrooms",-12.533408164978027],["▁Straf",-12.533470153808594],["▁cresc",-12.533491134643555],["TEM",-12.533502578735352],["▁vindec",-12.53352165222168],["▁Drama",-12.533540725708008],["chief",-12.533550262451172],["▁müsst",-12.533614158630371],["▁Warner",-12.533662796020508],["118",-12.533761024475098],["▁saptamana",-12.533831596374512],["▁animaux",-12.53412914276123],["▁Directory",-12.534146308898926],["▁entgegen",-12.53415584564209],["▁deduction",-12.534156799316406],["▁Strategic",-12.53426456451416],["▁rats",-12.534419059753418],["▁Moses",-12.534448623657227],["eko",-12.534564971923828],["strict",-12.534590721130371],["▁Ashley",-12.534603118896484],["mik",-12.534622192382812],["▁relocate",-12.534668922424316],["▁whip",-12.534738540649414],["central",-12.534750938415527],["mack",-12.534892082214355],["stufe",-12.534961700439453],["▁Metropolitan",-12.5349702835083],["▁croissance",-12.534974098205566],["▁celebrities",-12.535021781921387],["▁Geh",-12.53507137298584],["▁verifica",-12.535196304321289],["▁satisfac",-12.535211563110352],["▁Julian",-12.535271644592285],["▁remotely",-12.535432815551758],["▁Safari",-12.535542488098145],["▁Chic",-12.53557014465332],["▁clamp",-12.535818099975586],["▁Schnee",-12.535918235778809],["grown",-12.536069869995117],["▁Character",-12.536110877990723],["▁charities",-12.536137580871582],["Thankfully",-12.536625862121582],["▁țară",-12.53681468963623],["IZ",-12.536816596984863],["Vielleicht",-12.536999702453613],["▁Pon",-12.537108421325684],["gegen",-12.53711986541748],["chez",-12.537185668945312],["Black",-12.537544250488281],["▁alimentare",-12.537555694580078],["▁verloren",-12.537562370300293],["▁predictions",-12.537657737731934],["Founded",-12.53795337677002],["▁femeie",-12.538022994995117],["wahrscheinlich",-12.538107872009277],["▁squeeze",-12.53819465637207],["▁verfügbar",-12.538259506225586],["▁hygiene",-12.538393020629883],["voire",-12.538667678833008],["▁birou",-12.538901329040527],["▁initiate",-12.538921356201172],["▁Patriot",-12.539009094238281],["▁Income",-12.539159774780273],["▁marry",-12.539310455322266],["lokal",-12.539336204528809],["logic",-12.53940486907959],["▁Abstract",-12.53966236114502],["▁grundsätzlich",-12.539822578430176],["▁tariff",-12.539886474609375],["▁definitiv",-12.539892196655273],["paz",-12.53989315032959],["Result",-12.539921760559082],["1:30",-12.54005241394043],["▁Latest",-12.540075302124023],["▁Dauer",-12.540155410766602],["Med",-12.540275573730469],["gewicht",-12.540348052978516],["▁Gaza",-12.540430068969727],["▁Newton",-12.540769577026367],["Dokument",-12.540897369384766],["formular",-12.540945053100586],["ILE",-12.540964126586914],["▁surse",-12.541040420532227],["MH",-12.54116153717041],["▁Arctic",-12.541255950927734],["▁ISBN",-12.541274070739746],["▁quarterback",-12.541315078735352],["▁absurd",-12.541555404663086],["▁Zusammenhang",-12.541561126708984],["▁Module",-12.54156494140625],["mented",-12.541667938232422],["worthy",-12.541797637939453],["▁célèbre",-12.541828155517578],["▁maritime",-12.541836738586426],["▁Reed",-12.541938781738281],["▁threaten",-12.542037010192871],["▁Satz",-12.542095184326172],["▁sticking",-12.542203903198242],["▁transcript",-12.542372703552246],["▁Morgen",-12.542425155639648],["▁Förder",-12.542435646057129],["▁Gottes",-12.542572021484375],["▁Coordinator",-12.542648315429688],["LOG",-12.54265022277832],["EAN",-12.542677879333496],["▁préparation",-12.54273509979248],["▁Brass",-12.542799949645996],["Așa",-12.542853355407715],["▁Utiliz",-12.54294490814209],["framed",-12.542973518371582],["▁asphalt",-12.543050765991211],["116",-12.543061256408691],["▁historically",-12.54310417175293],["▁doamn",-12.543176651000977],["Air",-12.543293952941895],["▁economist",-12.543838500976562],["fresh",-12.54384994506836],["engine",-12.543906211853027],["▁Rücken",-12.543919563293457],["▁worthwhile",-12.544124603271484],["▁Therapie",-12.544140815734863],["▁Joshua",-12.544151306152344],["sicherheit",-12.544175148010254],["▁scena",-12.544254302978516],["ifiant",-12.54433822631836],["/20",-12.54442024230957],["fehl",-12.544469833374023],["karten",-12.544515609741211],["501",-12.544656753540039],["▁vide",-12.544673919677734],["▁miliarde",-12.544699668884277],["▁trillion",-12.54470157623291],["oudre",-12.544761657714844],["nderung",-12.544803619384766],["▁inquiries",-12.544992446899414],["▁echipe",-12.545034408569336],["▁investiga",-12.545040130615234],["▁detailing",-12.545042991638184],["VIS",-12.545086860656738],["▁geographical",-12.545157432556152],["▁authentication",-12.54519271850586],["▁Schwa",-12.545201301574707],["▁Scri",-12.545230865478516],["▁discourage",-12.54527473449707],["Pass",-12.54529094696045],["▁scattered",-12.54529857635498],["▁langsam",-12.545300483703613],["telles",-12.545380592346191],["▁ramane",-12.5454740524292],["▁inhibitor",-12.545486450195312],["▁Habit",-12.54556941986084],["▁10:00",-12.545577049255371],["▁rezultat",-12.545595169067383],["äck",-12.545943260192871],[",000.",-12.545979499816895],["▁remedies",-12.546103477478027],["▁comportament",-12.546195983886719],["namen",-12.546229362487793],["▁#3",-12.546327590942383],["enstein",-12.546493530273438],["▁relevance",-12.546516418457031],["▁présentation",-12.54655933380127],["MHz",-12.546648979187012],["EMA",-12.546661376953125],["▁palace",-12.546709060668945],["▁vizibil",-12.546723365783691],["▁griev",-12.546820640563965],["▁severely",-12.54688549041748],["expert",-12.546942710876465],["▁ravi",-12.54696273803711],["▁feasible",-12.547002792358398],["▁Wholesale",-12.547009468078613],["▁graduat",-12.547077178955078],["Kü",-12.547094345092773],["▁quotation",-12.547157287597656],["/11",-12.54716968536377],["lutter",-12.547415733337402],["▁dice",-12.547467231750488],["modal",-12.547749519348145],["ggling",-12.547819137573242],["▁considér",-12.547986030578613],["▁Insel",-12.548097610473633],["▁Database",-12.5483980178833],["icism",-12.548508644104004],["▁quarterly",-12.54851245880127],["▁formule",-12.548558235168457],["▁renouvel",-12.54873275756836],["▁Treasure",-12.548737525939941],["▁1962",-12.548844337463379],["▁republic",-12.549111366271973],["▁États",-12.549254417419434],["▁salut",-12.549356460571289],["HK",-12.54941463470459],["▁Bali",-12.549427032470703],["▁Rechnung",-12.549447059631348],["fruit",-12.54945182800293],["lays",-12.549467086791992],["LAS",-12.54951000213623],["inclin",-12.549708366394043],["▁Cré",-12.549813270568848],["▁compt",-12.54985237121582],["țiilor",-12.550056457519531],["heft",-12.550111770629883],["▁Comisi",-12.55024242401123],["▁Nurse",-12.550516128540039],["loid",-12.550540924072266],["grove",-12.550761222839355],["▁Copy",-12.550867080688477],["▁Kampf",-12.550873756408691],["izată",-12.550945281982422],["würdig",-12.551244735717773],["-2018",-12.551305770874023],["ozo",-12.551350593566895],["▁integriert",-12.551397323608398],["▁réunion",-12.551448822021484],["▁mică",-12.551520347595215],["▁Chau",-12.551595687866211],["▁allegations",-12.551626205444336],["▁shaping",-12.551640510559082],["▁transcription",-12.551671981811523],["▁Monica",-12.551711082458496],["▁torture",-12.551795959472656],["▁cooperative",-12.551962852478027],["▁invité",-12.551987648010254],["▁bamboo",-12.552204132080078],["▁Thinking",-12.55232048034668],["▁gratis",-12.552392959594727],["117",-12.55267333984375],["renz",-12.55279541015625],["▁Fußball",-12.552823066711426],["▁Gram",-12.552873611450195],["sprung",-12.55290412902832],["▁Schluss",-12.55308723449707],["▁Diploma",-12.553345680236816],["▁apparatus",-12.553363800048828],["notably",-12.553483963012695],["▁exercit",-12.553532600402832],["ământ",-12.553536415100098],["▁masses",-12.553610801696777],["▁preuve",-12.553642272949219],["great",-12.553754806518555],["▁Drink",-12.553792953491211],["islam",-12.553828239440918],["ARM",-12.553914070129395],["indre",-12.554404258728027],["DW",-12.554410934448242],["▁Flowers",-12.554500579833984],["▁pill",-12.554574966430664],["▁objectifs",-12.554594039916992],["▁Bezug",-12.554659843444824],["▁assumptions",-12.55466365814209],["▁vesti",-12.554742813110352],["route",-12.554783821105957],["▁Bangkok",-12.554815292358398],["▁seamlessly",-12.55482006072998],["config",-12.554882049560547],["▁username",-12.554890632629395],["unsure",-12.555024147033691],["▁poser",-12.555129051208496],["▁impozit",-12.555246353149414],["▁metode",-12.555333137512207],["defending",-12.555347442626953],["▁Nic",-12.555431365966797],["▁Vertrag",-12.555508613586426],["▁plăcut",-12.55552864074707],["▁Pou",-12.555675506591797],["UCH",-12.555785179138184],["▁Fein",-12.555903434753418],["reading",-12.555994987487793],["snip",-12.55604076385498],["▁Livre",-12.556401252746582],["lander",-12.556509971618652],["▁hydraulic",-12.556559562683105],["veiled",-12.556563377380371],["intr",-12.556609153747559],["▁Domnului",-12.556641578674316],["▁$0.",-12.556713104248047],["▁kilometers",-12.556753158569336],["spann",-12.556870460510254],["▁credibility",-12.556892395019531],["▁eBook",-12.556953430175781],["VERY",-12.556994438171387],["▁Charm",-12.557122230529785],["Evangeli",-12.557193756103516],["▁anderer",-12.557193756103516],["▁Entry",-12.557195663452148],["ffy",-12.5573148727417],["▁Exc",-12.55737018585205],["▁Omega",-12.557446479797363],["▁Funktionen",-12.557455062866211],["▁Gay",-12.55752182006836],["▁acht",-12.557608604431152],["colored",-12.557615280151367],["itude",-12.557634353637695],["▁accompagné",-12.557645797729492],["▁unfortunate",-12.557981491088867],["▁DIN",-12.558091163635254],["▁installment",-12.558252334594727],["▁indépendant",-12.558307647705078],["These",-12.558364868164062],["mitten",-12.558394432067871],["thank",-12.558470726013184],["▁Trek",-12.558721542358398],["üchte",-12.55874252319336],["▁cuir",-12.55875015258789],["▁turbo",-12.558802604675293],["Table",-12.558847427368164],["▁Extrem",-12.558866500854492],["▁advertisements",-12.55915355682373],["▁chaîne",-12.559206008911133],["▁corridor",-12.559473991394043],["▁râ",-12.559651374816895],["▁Opening",-12.559718132019043],["Get",-12.559747695922852],["▁storytelling",-12.55976676940918],["▁severity",-12.559771537780762],["4\"",-12.559956550598145],["▁parasit",-12.559967994689941],["angebot",-12.56002426147461],["Data",-12.56005573272705],["listen",-12.560086250305176],["▁vârstă",-12.560094833374023],["▁swallow",-12.56025505065918],["TRE",-12.560321807861328],["▁daunting",-12.56035041809082],["▁Oli",-12.560481071472168],["▁definitive",-12.56066608428955],["▁rezerva",-12.560667037963867],["/15",-12.560807228088379],["▁Landschaft",-12.560887336730957],["▁Automotive",-12.560934066772461],["▁convers",-12.56113052368164],["▁thru",-12.561139106750488],["▁Township",-12.561140060424805],["▁tilt",-12.56119441986084],["▁Criminal",-12.561227798461914],["riez",-12.561407089233398],["▁Parking",-12.561440467834473],["▁humanitarian",-12.561518669128418],["▁Kilometer",-12.561529159545898],["controlled",-12.56189250946045],["▁Klick",-12.561910629272461],["support",-12.56199836730957],["handed",-12.562005996704102],["ämtliche",-12.562104225158691],["access",-12.562232971191406],["▁eleven",-12.562232971191406],["▁ferry",-12.56229305267334],["zieren",-12.562620162963867],["▁Gebrauch",-12.562688827514648],["▁vigoare",-12.562689781188965],["MON",-12.562756538391113],["fox",-12.562886238098145],["bestimmten",-12.562894821166992],["▁Gur",-12.563069343566895],["▁Mannschaft",-12.563146591186523],["▁patrol",-12.563173294067383],["▁casă",-12.563376426696777],["▁Stories",-12.563380241394043],["▁robotic",-12.563425064086914],["tiri",-12.563576698303223],["gewiesen",-12.5636568069458],["CV",-12.563722610473633],["▁parinti",-12.563899040222168],["▁Owen",-12.563931465148926],["▁Katie",-12.564116477966309],["▁Combine",-12.56422233581543],["enfalls",-12.56442928314209],["▁financière",-12.564447402954102],["▁parliament",-12.564549446105957],["▁Weekend",-12.564616203308105],["▁Sonic",-12.564757347106934],["▁fixture",-12.56479263305664],["majorité",-12.56497573852539],["▁gravel",-12.565028190612793],["realizate",-12.565109252929688],["examining",-12.565113067626953],["▁grim",-12.5653657913208],["▁stabili",-12.565458297729492],["▁Wochenende",-12.56551456451416],["▁Hebrew",-12.565597534179688],["▁Harrison",-12.565799713134766],["▁boundary",-12.565858840942383],["40,000",-12.565902709960938],["▁Ambassador",-12.566208839416504],["▁scoate",-12.566229820251465],["ffin",-12.56623363494873],["▁crème",-12.566269874572754],["▁obiecte",-12.566378593444824],["enţa",-12.566763877868652],["▁subsidiary",-12.566797256469727],["▁Franco",-12.56688404083252],["▁visuel",-12.567042350769043],["▁uitat",-12.56708812713623],["▁revisit",-12.567122459411621],["▁Camping",-12.567150115966797],["▁Divine",-12.567304611206055],["4-6",-12.567323684692383],["▁Brandon",-12.567378997802734],["ма",-12.567450523376465],["sofern",-12.56745433807373],["ntweder",-12.56748104095459],["▁Shoot",-12.567618370056152],["étais",-12.56771183013916],["SPEC",-12.567930221557617],["▁dreapta",-12.567973136901855],["▁repaired",-12.568055152893066],["pyr",-12.568136215209961],["▁warranties",-12.568175315856934],["▁représent",-12.568263053894043],["ADE",-12.568293571472168],["▁selective",-12.56836223602295],["▁Banking",-12.568441390991211],["▁ergonomic",-12.568562507629395],["...”",-12.568602561950684],["▁willingness",-12.56867790222168],["isser",-12.568784713745117],["▁confection",-12.568961143493652],["admi",-12.569009780883789],["▁Freizeit",-12.569023132324219],["▁illuminate",-12.569151878356934],["▁Repeat",-12.569170951843262],["▁Zeitpunkt",-12.56933879852295],["claimed",-12.569439888000488],["▁erhältlich",-12.569480895996094],["▁paysage",-12.569537162780762],["▁Atom",-12.569890022277832],["▁Graf",-12.570086479187012],["▁firmware",-12.570093154907227],["▁Swift",-12.570180892944336],["▁cercetare",-12.57018756866455],["▁internațional",-12.570330619812012],["▁zombie",-12.570330619812012],["▁Spread",-12.57050609588623],["ECO",-12.57056999206543],["▁Gestaltung",-12.570758819580078],["rast",-12.570858001708984],["▁perfume",-12.5709228515625],["▁roulette",-12.570924758911133],["▁distill",-12.57096004486084],["▁Produkten",-12.570992469787598],["225",-12.571310043334961],["facing",-12.571371078491211],["▁paradigm",-12.571514129638672],["▁Rah",-12.571532249450684],["▁Renault",-12.571846961975098],["willig",-12.571864128112793],["▁Vet",-12.571890830993652],["▁reprezenta",-12.572126388549805],["stoß",-12.572185516357422],["▁Weiß",-12.5722074508667],["▁Solo",-12.572210311889648],["▁Jin",-12.572646141052246],["▁Brussels",-12.572693824768066],["▁Tournament",-12.572693824768066],["▁proced",-12.572710037231445],["▁Rabbi",-12.572835922241211],["▁gameplay",-12.572851181030273],["▁ATM",-12.572901725769043],["▁firearm",-12.572906494140625],["revealing",-12.573003768920898],["schütz",-12.57310676574707],["▁Absolutely",-12.573288917541504],["▁interference",-12.573433876037598],["▁Employment",-12.573558807373047],["▁chord",-12.57356071472168],["▁oportun",-12.573585510253906],["▁frontier",-12.573770523071289],["▁Lunch",-12.573891639709473],["bread",-12.57397174835205],["▁rendered",-12.573976516723633],["5.1",-12.573984146118164],["▁motif",-12.574066162109375],["▁Schlag",-12.574227333068848],["113",-12.574264526367188],["▁Deux",-12.574288368225098],["▁surplus",-12.574309349060059],["ALS",-12.574417114257812],["▁abortion",-12.574472427368164],["▁airplane",-12.574475288391113],["▁migrants",-12.574501991271973],["kli",-12.574539184570312],["▁crochet",-12.57454776763916],["fahrer",-12.574671745300293],["▁reconstruction",-12.57471752166748],["▁difer",-12.574752807617188],["▁Conserv",-12.57478141784668],["▁NSW",-12.57479476928711],["▁regim",-12.574844360351562],["▁Except",-12.574904441833496],["▁trage",-12.574978828430176],["▁Consiliul",-12.575058937072754],["▁Bedarf",-12.575064659118652],["▁additive",-12.5750732421875],["know",-12.5751371383667],["▁sauna",-12.57517147064209],["▁mortality",-12.575201034545898],["kräftig",-12.575358390808105],["▁Own",-12.575445175170898],["nzo",-12.575519561767578],["▁villes",-12.575543403625488],["▁recette",-12.575749397277832],["▁attacking",-12.575799942016602],["beruf",-12.57608699798584],["▁integrat",-12.57612419128418],["realizarea",-12.576201438903809],["▁exemption",-12.57628345489502],["GW",-12.576285362243652],["▁Nano",-12.576395034790039],["SCH",-12.576440811157227],["▁honesty",-12.576457023620605],["▁Arriv",-12.576515197753906],["▁gland",-12.576542854309082],["▁proactive",-12.576746940612793],["▁agile",-12.576837539672852],["▁kernel",-12.576844215393066],["▁nurture",-12.576860427856445],["▁Patent",-12.576963424682617],["▁excursi",-12.577189445495605],["pulsion",-12.577326774597168],["stellte",-12.577351570129395],["ständige",-12.577421188354492],["▁Rebecca",-12.577436447143555],["▁Securities",-12.577436447143555],["mètre",-12.577446937561035],["LOW",-12.577469825744629],["▁consilier",-12.577537536621094],["▁Architekt",-12.577733993530273],["▁china",-12.57777214050293],["älfte",-12.577778816223145],["▁Combin",-12.577795028686523],["480",-12.577999114990234],["liv",-12.578021049499512],["▁peur",-12.578067779541016],["keep",-12.57822322845459],["▁Verhalten",-12.578324317932129],["▁peek",-12.578446388244629],["▁dient",-12.578550338745117],["▁prevazut",-12.578625679016113],["Emmanuel",-12.57862663269043],["▁incidence",-12.57862663269043],["▁Framework",-12.578715324401855],["dass",-12.578816413879395],["artiste",-12.578874588012695],["▁Accept",-12.578971862792969],["▁plunge",-12.579073905944824],["chauff",-12.579118728637695],["▁guilt",-12.579156875610352],["▁senator",-12.57945442199707],["▁disable",-12.579776763916016],["▁partout",-12.579901695251465],["JC",-12.580045700073242],["▁Highly",-12.580150604248047],["▁beneficii",-12.58021068572998],["fibro",-12.580347061157227],["interpreted",-12.580550193786621],["▁genauso",-12.58056354522705],["▁basil",-12.580601692199707],["▁Angst",-12.580697059631348],["rzte",-12.580933570861816],["Master",-12.58112907409668],["▁french",-12.581324577331543],["▁Duration",-12.581343650817871],["HM",-12.581402778625488],["▁Bert",-12.581518173217773],["▁1963",-12.581534385681152],["▁warrior",-12.581604957580566],["2007",-12.581696510314941],["▁recycle",-12.581722259521484],["▁fertiliz",-12.581808090209961],["▁hatch",-12.581809997558594],["ISH",-12.581811904907227],["luft",-12.582321166992188],["▁crying",-12.582452774047852],["▁activist",-12.5824613571167],["schränkt",-12.582500457763672],["▁diff",-12.582500457763672],["▁Demand",-12.58262825012207],["▁transported",-12.582669258117676],["▁Remodel",-12.582686424255371],["▁Etats",-12.582704544067383],["ANI",-12.582777976989746],["▁spéciale",-12.582804679870605],["▁Konzert",-12.582805633544922],["▁Bedürfnisse",-12.58281135559082],["▁overlooked",-12.582864761352539],["▁cutter",-12.582974433898926],["klär",-12.58311939239502],["▁Materialien",-12.583135604858398],["▁gewisse",-12.583388328552246],["bull",-12.583499908447266],["Good",-12.583513259887695],["Gig",-12.583616256713867],["Logic",-12.583736419677734],["▁Schlaf",-12.583970069885254],["▁Yankee",-12.583996772766113],["▁Batman",-12.584020614624023],["▁funcție",-12.584166526794434],["▁partenariat",-12.584294319152832],["▁Antrag",-12.584348678588867],["▁Pill",-12.584519386291504],["▁tram",-12.584637641906738],["▁Minor",-12.58465576171875],["pertaining",-12.584678649902344],["▁apropiere",-12.584843635559082],["▁Barack",-12.584965705871582],["schön",-12.585174560546875],["▁Sandy",-12.585182189941406],["kilometre",-12.585192680358887],["▁diy",-12.585234642028809],["▁1966",-12.585453987121582],["gelassen",-12.585485458374023],["▁Trial",-12.585592269897461],["▁Bauer",-12.585603713989258],["▁assumption",-12.585648536682129],["birth",-12.585668563842773],["rechnen",-12.585861206054688],["▁meci",-12.585867881774902],["▁gloss",-12.585906982421875],["▁sewer",-12.58593463897705],["▁Stimme",-12.585955619812012],["▁Fortune",-12.585967063903809],["▁Lösungen",-12.586007118225098],["▁impresi",-12.586074829101562],["schlaf",-12.586089134216309],["prüfung",-12.586097717285156],["▁instalat",-12.586198806762695],["▁picturesque",-12.586233139038086],["vait",-12.586240768432617],["8.1",-12.58629035949707],["▁călători",-12.586392402648926],["▁dix",-12.586400032043457],["▁furnished",-12.586411476135254],["▁dolari",-12.586445808410645],["▁regener",-12.586562156677246],["▁astazi",-12.586621284484863],["▁Sprach",-12.586750030517578],["delà",-12.586846351623535],["avec",-12.58694076538086],["▁Buddhist",-12.586990356445312],["▁alphabet",-12.586990356445312],["▁berichtet",-12.587201118469238],["ideally",-12.587209701538086],["▁annuel",-12.587421417236328],["▁laughing",-12.587532997131348],["▁Zustand",-12.587639808654785],["cini",-12.587692260742188],["solid",-12.587724685668945],["▁Broker",-12.587868690490723],["▁developmental",-12.5879545211792],["▁Summary",-12.588191032409668],["▁Trinity",-12.58819580078125],["▁sucre",-12.58821964263916],["▁sandal",-12.588231086730957],["PEN",-12.588274955749512],["gewinn",-12.588486671447754],["olé",-12.588555335998535],["matric",-12.58865737915039],["xton",-12.588695526123047],["werten",-12.588740348815918],["▁Dust",-12.588765144348145],["▁Journey",-12.588791847229004],["▁Rush",-12.588793754577637],["▁NCAA",-12.588839530944824],["▁allgemeine",-12.588926315307617],["▁Universe",-12.589007377624512],["▁connais",-12.589099884033203],["▁quantité",-12.58912467956543],["▁Kab",-12.589150428771973],["▁purse",-12.589150428771973],["Health",-12.589210510253906],["▁apărut",-12.589288711547852],["▁bypass",-12.589313507080078],["pronounced",-12.58936595916748],["▁magnitude",-12.589393615722656],["▁Walmart",-12.589394569396973],["ède",-12.589409828186035],["▁serum",-12.589590072631836],["▁baseline",-12.589765548706055],["STER",-12.589932441711426],["▁ONLY",-12.590052604675293],["▁individuell",-12.590086936950684],["▁Ghi",-12.590139389038086],["▁Ruby",-12.59020709991455],["▁Chal",-12.590241432189941],["▁Vier",-12.590261459350586],["5.0",-12.5903902053833],["▁fog",-12.590519905090332],["esel",-12.590557098388672],["▁Python",-12.590598106384277],["▁urmează",-12.590608596801758],["▁trustworthy",-12.590639114379883],["hört",-12.590729713439941],["▁tâche",-12.59078311920166],["Patri",-12.590799331665039],["▁grind",-12.590928077697754],["▁Raven",-12.590934753417969],["▁poursuiv",-12.590951919555664],["▁simpli",-12.591140747070312],["▁echo",-12.591165542602539],["▁Attention",-12.591313362121582],["Against",-12.591402053833008],["GET",-12.59148120880127],["▁turistic",-12.591535568237305],["▁tenure",-12.59158992767334],["▁alimentaire",-12.591651916503906],["Who",-12.59172248840332],["▁ändern",-12.591729164123535],["▁rebound",-12.591778755187988],["grenze",-12.591849327087402],["▁Fame",-12.592093467712402],["▁Kick",-12.592215538024902],["▁Detail",-12.59228801727295],["▁Push",-12.592308044433594],["production",-12.592430114746094],["▁Candidates",-12.59244441986084],["▁reușit",-12.592484474182129],["istischen",-12.592525482177734],["lassung",-12.592649459838867],["▁Hann",-12.592713356018066],["espère",-12.592965126037598],["▁vergessen",-12.593008041381836],["▁smiling",-12.593010902404785],["▁devotion",-12.593016624450684],["▁pastry",-12.593071937561035],["Add",-12.593390464782715],["▁authorization",-12.593494415283203],["▁Suisse",-12.593568801879883],["▁Berkeley",-12.593611717224121],["▁Guild",-12.593660354614258],["▁choir",-12.593748092651367],["learning",-12.593802452087402],["▁Tanz",-12.593894004821777],["mardi",-12.594076156616211],["▁rezultatele",-12.594191551208496],["▁earrings",-12.594218254089355],["▁turbine",-12.594223976135254],["▁jeudi",-12.594284057617188],["terapie",-12.594576835632324],["regain",-12.59461498260498],["SET",-12.594643592834473],["▁Hände",-12.594681739807129],["▁Globe",-12.594683647155762],["frag",-12.594775199890137],["▁Treasury",-12.594820976257324],["▁hazardous",-12.594820976257324],["▁Fahrt",-12.594928741455078],["▁fulfilled",-12.594966888427734],["▁manga",-12.594987869262695],["▁composé",-12.595067977905273],["▁ABS",-12.595132827758789],["▁preced",-12.595197677612305],["▁beauté",-12.595233917236328],["▁interessant",-12.59526252746582],["▁lieber",-12.595324516296387],["▁Kö",-12.595378875732422],["EMS",-12.595410346984863],["FER",-12.595413208007812],["▁eure",-12.595427513122559],["▁plumber",-12.595427513122559],["Love",-12.595463752746582],["▁Marcus",-12.595635414123535],["▁registry",-12.595637321472168],["▁uncle",-12.595696449279785],["▁neuf",-12.595728874206543],["▁Fläche",-12.59575080871582],["▁restaur",-12.595815658569336],["▁noticeable",-12.595833778381348],["▁riches",-12.595871925354004],["occupy",-12.596031188964844],["▁hurricane",-12.596031188964844],["▁gespeichert",-12.596033096313477],["▁Bordeaux",-12.596039772033691],["▁Maj",-12.59637451171875],["Applied",-12.596439361572266],["▁compter",-12.596575736999512],["impact",-12.59663200378418],["▁Improve",-12.596758842468262],["▁Calif",-12.596832275390625],["▁desfășur",-12.596939086914062],["▁packaged",-12.597001075744629],["180",-12.59703540802002],["devenu",-12.597042083740234],["▁Battery",-12.597243309020996],["▁objection",-12.597254753112793],["▁anual",-12.597305297851562],["▁Landscape",-12.59731674194336],["IQ",-12.597403526306152],["grès",-12.597586631774902],["▁witnesses",-12.597750663757324],["enţial",-12.597764015197754],["▁plateau",-12.597779273986816],["▁bilete",-12.59783935546875],["▁Bronze",-12.59786605834961],["▁Kiss",-12.597946166992188],["▁Serge",-12.598093032836914],["atomic",-12.598145484924316],["▁renovated",-12.59817886352539],["player",-12.598212242126465],["▁dirig",-12.598291397094727],["▁Îm",-12.598296165466309],["▁plimb",-12.59843635559082],["▁ambassador",-12.598455429077148],["▁apropiat",-12.598455429077148],["▁adaug",-12.598602294921875],["ogenic",-12.59872055053711],["kämpfe",-12.598779678344727],["▁Hillary",-12.598907470703125],["yak",-12.598942756652832],["General",-12.59925365447998],["▁Zugang",-12.599400520324707],["▁fertil",-12.599457740783691],["incat",-12.599536895751953],["assessing",-12.599587440490723],["▁Cincinnati",-12.59967041015625],["▁convincing",-12.599685668945312],["sadly",-12.59974479675293],["kunde",-12.599801063537598],["ambul",-12.599913597106934],["▁familii",-12.599974632263184],["juri",-12.60007095336914],["ionen",-12.600102424621582],["▁Wirtschaft",-12.600130081176758],["contract",-12.600135803222656],["punem",-12.600151062011719],["handlung",-12.600394248962402],["▁fournir",-12.600455284118652],["▁Ambi",-12.600663185119629],["▁Isaac",-12.600663185119629],["▁praying",-12.6007719039917],["▁Italien",-12.600848197937012],["233",-12.600850105285645],["spawn",-12.600913047790527],["▁legii",-12.60092544555664],["▁zuvor",-12.601018905639648],["▁comune",-12.601030349731445],["official",-12.601165771484375],["144",-12.601290702819824],["izeaza",-12.601329803466797],["▁Keller",-12.601372718811035],["ORE",-12.601378440856934],["122",-12.601485252380371],["incurred",-12.60150146484375],["CHA",-12.601579666137695],["▁Herzen",-12.601590156555176],["▁reasoning",-12.6016263961792],["affaire",-12.601849555969238],["ooth",-12.601890563964844],["155",-12.601998329162598],["▁invented",-12.602113723754883],["▁Comun",-12.602140426635742],["zähl",-12.602179527282715],["geliefert",-12.602212905883789],["explorer",-12.602213859558105],["nect",-12.602326393127441],["▁mercredi",-12.602408409118652],["▁volonté",-12.602408409118652],["easy",-12.602453231811523],["▁feat",-12.602490425109863],["rented",-12.602580070495605],["▁converter",-12.602592468261719],["Verhältnis",-12.602713584899902],["▁Iceland",-12.602792739868164],["▁pretul",-12.602933883666992],["▁Vorstellung",-12.602960586547852],["▁hydrogen",-12.603096008300781],["▁pouvai",-12.603097915649414],["▁dawn",-12.603153228759766],["▁Georg",-12.603269577026367],["▁cautious",-12.603367805480957],["▁Pattern",-12.603464126586914],["▁Ox",-12.603602409362793],["▁decizie",-12.603676795959473],["REC",-12.603889465332031],["▁Mortgage",-12.60393238067627],["attributed",-12.603973388671875],["floor",-12.603992462158203],["▁Wichtig",-12.604207992553711],["enseignant",-12.604265213012695],["▁civilization",-12.604302406311035],["▁dispozitie",-12.60450553894043],["▁geographic",-12.604543685913086],["▁Kun",-12.604607582092285],["LIN",-12.604679107666016],["▁auzit",-12.604707717895508],["except",-12.604761123657227],["▁superbe",-12.604904174804688],["▁installé",-12.605000495910645],["▁Peninsula",-12.605154037475586],["▁norme",-12.605164527893066],["elul",-12.60517406463623],["▁Experten",-12.605256080627441],["expression",-12.605295181274414],["Christ",-12.605320930480957],["▁Fuel",-12.605369567871094],["▁muffin",-12.605485916137695],["▁lecteur",-12.605521202087402],["▁gifted",-12.605589866638184],["▁Japon",-12.605602264404297],["▁SSD",-12.605644226074219],["▁Calgary",-12.605765342712402],["▁hooked",-12.605876922607422],["▁Joan",-12.605896949768066],["▁tangible",-12.606083869934082],["FW",-12.606225967407227],["olli",-12.6062593460083],["▁Platinum",-12.606376647949219],["▁miniature",-12.606392860412598],["▁lump",-12.606608390808105],["ologische",-12.60689926147461],["▁Istanbul",-12.606987953186035],["▁Compar",-12.607060432434082],["tropic",-12.607256889343262],["KING",-12.607279777526855],["Präsident",-12.607297897338867],["▁fotografii",-12.607303619384766],["hoped",-12.607451438903809],["▁pâte",-12.607601165771484],["▁mercy",-12.60760498046875],["▁quiz",-12.607619285583496],["demonstrating",-12.607678413391113],["▁douce",-12.607832908630371],["▁Vest",-12.607841491699219],["▁Harvey",-12.6082181930542],["▁breit",-12.608227729797363],["▁Bereits",-12.608291625976562],["▁breakthrough",-12.608316421508789],["▁masterpiece",-12.608320236206055],["▁Chester",-12.60838794708252],["▁indiqué",-12.608451843261719],["hook",-12.60857105255127],["statutory",-12.608596801757812],["▁Direkt",-12.608617782592773],["▁specs",-12.608708381652832],["Drive",-12.608725547790527],["▁survivors",-12.608826637268066],["▁jackpot",-12.608840942382812],["▁garder",-12.608872413635254],["▁Geburtstag",-12.60887336730957],["145",-12.608963966369629],["▁Clay",-12.609028816223145],["▁WHO",-12.60906982421875],["▁Ellen",-12.609393119812012],["▁bonheur",-12.609440803527832],["▁hazards",-12.609440803527832],["▁Kaiser",-12.609488487243652],["▁tightly",-12.609506607055664],["Universitatea",-12.609529495239258],["▁rinse",-12.609533309936523],["▁passant",-12.609640121459961],["▁sânge",-12.609832763671875],["▁peuple",-12.60983657836914],["jungen",-12.609975814819336],["▁inappropriate",-12.610054969787598],["▁mitigate",-12.610066413879395],["MID",-12.610221862792969],["▁telecom",-12.610297203063965],["▁plaj",-12.610316276550293],["▁presupune",-12.610361099243164],["acco",-12.61038875579834],["expressing",-12.610654830932617],["▁Symphony",-12.61066722869873],["temperatur",-12.610710144042969],["▁activităţi",-12.610800743103027],["▁amended",-12.610847473144531],["▁rehab",-12.610909461975098],["▁sportiv",-12.611004829406738],["hotel",-12.611031532287598],["branche",-12.61103630065918],["▁Noch",-12.611079216003418],["▁1961",-12.611238479614258],["release",-12.611359596252441],["blaze",-12.611381530761719],["Adv",-12.61139965057373],["Line",-12.611671447753906],["▁financiare",-12.61184310913086],["▁chauffage",-12.611919403076172],["мо",-12.61192512512207],["schuhe",-12.612035751342773],["blé",-12.612040519714355],["▁Echo",-12.612468719482422],["▁remarks",-12.61253547668457],["scriu",-12.612629890441895],["Vir",-12.612701416015625],["War",-12.61271858215332],["atifs",-12.613006591796875],["RING",-12.613082885742188],["▁Instruction",-12.613150596618652],["▁verlassen",-12.613155364990234],["▁ergänz",-12.613234519958496],["▁Emil",-12.613248825073242],["▁empire",-12.613263130187988],["▁Einkauf",-12.613306999206543],["utigen",-12.613329887390137],["▁audition",-12.613390922546387],["travelled",-12.61347484588623],["ло",-12.613579750061035],["▁infinite",-12.613720893859863],["▁Lieblings",-12.613749504089355],["▁vân",-12.613754272460938],["▁spinning",-12.613778114318848],["converting",-12.614031791687012],["▁uncertain",-12.61415958404541],["restul",-12.614168167114258],["▁colourful",-12.61420726776123],["▁accountant",-12.614338874816895],["bourg",-12.614532470703125],["▁structuri",-12.614538192749023],["▁Booking",-12.61465835571289],["intéresse",-12.614683151245117],["▁coordinated",-12.614753723144531],["▁precaution",-12.61497688293457],["▁Cheese",-12.615015983581543],["▁surfing",-12.615192413330078],["▁souffr",-12.61524486541748],["▁Menu",-12.615447998046875],["▁arthritis",-12.615593910217285],["▁headphones",-12.615601539611816],["▁upgrading",-12.615602493286133],["▁apparel",-12.615653038024902],["▁Haushalt",-12.61572551727295],["▁Personally",-12.615815162658691],["▁insane",-12.615950584411621],["▁fonduri",-12.616083145141602],["▁entier",-12.616239547729492],["▁Herbst",-12.616264343261719],["▁cyclist",-12.616331100463867],["▁filmmaker",-12.616741180419922],["▁Portuguese",-12.616829872131348],["▁nominee",-12.616851806640625],["▁Yang",-12.616857528686523],["▁slate",-12.616943359375],["▁entièrement",-12.616974830627441],["▁Umgang",-12.617049217224121],["shifted",-12.617135047912598],["▁défaut",-12.617138862609863],["heiz",-12.617246627807617],["▁Seal",-12.617379188537598],["▁servicing",-12.617451667785645],["marketing",-12.617562294006348],["▁demandé",-12.617755889892578],["TING",-12.617841720581055],["▁modifier",-12.617907524108887],["lysis",-12.617966651916504],["▁suplimentare",-12.618117332458496],["OTHER",-12.618359565734863],["Graph",-12.618379592895508],["▁coincide",-12.618448257446289],["governed",-12.618598937988281],["▁locking",-12.618638038635254],["▁Properties",-12.618685722351074],["▁Panama",-12.61876392364502],["▁Coupe",-12.618846893310547],["songwriter",-12.618978500366211],["exhibited",-12.618988990783691],["▁semnificativ",-12.618995666503906],["▁purchaser",-12.619004249572754],["▁puff",-12.619097709655762],["Back",-12.619105339050293],["fragt",-12.61919116973877],["▁deputy",-12.619362831115723],["▁revien",-12.619556427001953],["▁Christine",-12.619558334350586],["▁Cities",-12.619573593139648],["▁Charakter",-12.61961555480957],["atteindre",-12.619625091552734],["▁fou",-12.619635581970215],["▁obligatoire",-12.619643211364746],["INA",-12.619791030883789],["etc",-12.6198148727417],["▁newborn",-12.620091438293457],["▁explicitly",-12.620116233825684],["simplest",-12.620203018188477],["▁plateforme",-12.62023639678955],["ordinate",-12.620291709899902],["displaying",-12.620346069335938],["▁messy",-12.620464324951172],["gespielt",-12.620466232299805],["▁electron",-12.62061882019043],["▁Dreh",-12.620796203613281],["▁ambient",-12.620976448059082],["340",-12.620979309082031],["▁directive",-12.62109375],["▁Vall",-12.621152877807617],["ookie",-12.621206283569336],["▁wasted",-12.621304512023926],["CIS",-12.621367454528809],["lude",-12.621378898620605],["rach",-12.621472358703613],["▁gasest",-12.62150764465332],["▁miros",-12.62150764465332],["transforming",-12.621536254882812],["▁Milwaukee",-12.621787071228027],["▁uncommon",-12.621789932250977],["▁tableau",-12.621841430664062],["geräte",-12.621952056884766],["ophil",-12.622139930725098],["▁Jeep",-12.62220287322998],["▁wreck",-12.622422218322754],["LAND",-12.622434616088867],["attach",-12.622566223144531],["▁Panther",-12.622634887695312],["9:30",-12.622777938842773],["▁induce",-12.622974395751953],["▁privest",-12.623006820678711],["Ident",-12.623047828674316],["▁illnesses",-12.623076438903809],["▁inhabitants",-12.623138427734375],["▁fehlen",-12.623357772827148],["obtenu",-12.623391151428223],["▁gegründet",-12.623655319213867],["ARA",-12.623711585998535],["3-2",-12.623835563659668],["▁milliards",-12.623968124389648],["▁Bü",-12.624001502990723],["▁angegeben",-12.624102592468262],["TUR",-12.624143600463867],["▁arab",-12.624166488647461],["▁Scientist",-12.624275207519531],["▁minut",-12.624394416809082],["▁beast",-12.624481201171875],["▁accidentally",-12.624573707580566],["WN",-12.624579429626465],["▁Ralph",-12.624588966369629],["hängt",-12.62462329864502],["▁Erik",-12.624639511108398],["▁différent",-12.624711990356445],["▁conformitate",-12.624842643737793],["thriving",-12.624900817871094],["▁Piece",-12.625123023986816],["plasm",-12.625152587890625],["▁erwarten",-12.62520980834961],["owski",-12.62523365020752],["prayed",-12.625293731689453],["three",-12.625542640686035],["▁soundtrack",-12.625651359558105],["guru",-12.625709533691406],["▁cracked",-12.625710487365723],["▁adh",-12.625823020935059],["▁maître",-12.625834465026855],["▁Oberfläche",-12.62585735321045],["▁crab",-12.625886917114258],["▁Foster",-12.625944137573242],["▁gemütlich",-12.626145362854004],["SIC",-12.626226425170898],["ième",-12.626298904418945],["▁Few",-12.626330375671387],["gérer",-12.626360893249512],["2006",-12.626456260681152],["cool",-12.626498222351074],["▁dispune",-12.626523971557617],["recevoir",-12.626577377319336],["▁Bak",-12.626585960388184],["▁steer",-12.62659740447998],["ICS",-12.626733779907227],["▁Brett",-12.626733779907227],["▁downside",-12.626751899719238],["▁residency",-12.62678050994873],["important",-12.626991271972656],["ubb",-12.627073287963867],["mony",-12.627259254455566],["▁leasing",-12.627341270446777],["▁Gir",-12.62735366821289],["▁Biology",-12.627364158630371],["▁Colin",-12.627463340759277],["▁complicat",-12.627775192260742],["▁regroup",-12.627899169921875],["SPA",-12.627950668334961],["▁Veranstaltungen",-12.627986907958984],["convicted",-12.628019332885742],["▁Wonderful",-12.628636360168457],["züge",-12.628799438476562],["yton",-12.628813743591309],["EMENT",-12.628887176513672],["▁bent",-12.62893009185791],["heben",-12.629231452941895],["▁Sustainable",-12.62926959991455],["▁Newcastle",-12.629276275634766],["mother",-12.629507064819336],["▁eighth",-12.629572868347168],["▁atmosfer",-12.629582405090332],["expériment",-12.629584312438965],["▁Interest",-12.629608154296875],["▁successes",-12.62964153289795],["▁preschool",-12.629802703857422],["▁Funeral",-12.629900932312012],["blast",-12.630083084106445],["▁dimensiuni",-12.630125999450684],["▁Dow",-12.630167007446289],["▁pulp",-12.63022518157959],["▁Heather",-12.630356788635254],["▁erstellen",-12.63044261932373],["locating",-12.630470275878906],["direct",-12.630475997924805],["▁tractor",-12.630494117736816],["growing",-12.630576133728027],["▁inventor",-12.630587577819824],["ASA",-12.63060188293457],["insta",-12.630732536315918],["yana",-12.63082504272461],["▁squash",-12.630839347839355],["▁Basketball",-12.630853652954102],["AMA",-12.631041526794434],["insel",-12.631093978881836],["▁Fisch",-12.631138801574707],["▁metaphor",-12.631221771240234],["TES",-12.631304740905762],["▁conduce",-12.631308555603027],["stehende",-12.631370544433594],["▁FAQ",-12.631475448608398],["▁bezeichnet",-12.631658554077148],["wendung",-12.631706237792969],["▁Commonwealth",-12.631776809692383],["▁bait",-12.631793975830078],["▁Umsetzung",-12.631834030151367],["▁Equi",-12.632063865661621],["▁validity",-12.632109642028809],["Off",-12.63222599029541],["▁produsul",-12.632314682006836],["▁sensory",-12.632363319396973],["▁Imperial",-12.632501602172852],["▁Dick",-12.632542610168457],["kampf",-12.632596969604492],["▁Arzt",-12.63267993927002],["▁Reason",-12.63267993927002],["ITS",-12.63270092010498],["URL",-12.632720947265625],["demonstrates",-12.632725715637207],["▁dépend",-12.632753372192383],["NAS",-12.632970809936523],["▁funcți",-12.633031845092773],["▁vulnerability",-12.633085250854492],["2.7",-12.633143424987793],["layered",-12.633152961730957],["escence",-12.633206367492676],["▁République",-12.633346557617188],["▁Lust",-12.633377075195312],["▁sute",-12.633381843566895],["▁autonomous",-12.633661270141602],["Biserica",-12.633662223815918],["▁Chuck",-12.633749961853027],["▁protéger",-12.6339750289917],["rrell",-12.634061813354492],["▁Schaden",-12.634062767028809],["prennent",-12.634100914001465],["maß",-12.6343412399292],["OV",-12.634453773498535],["▁Wake",-12.63450813293457],["produire",-12.634635925292969],["▁Elder",-12.634749412536621],["Max",-12.634839057922363],["▁Chemistry",-12.634918212890625],["▁gourmet",-12.634918212890625],["erri",-12.634967803955078],["ени",-12.635085105895996],["▁Gru",-12.635147094726562],["▁vorbit",-12.635408401489258],["▁precede",-12.635455131530762],["▁randomly",-12.635489463806152],["▁efecte",-12.63563060760498],["▁calatori",-12.635668754577637],["▁Poor",-12.635765075683594],["List",-12.635781288146973],["▁regula",-12.635964393615723],["▁organisé",-12.636028289794922],["Div",-12.636076927185059],["▁volunteering",-12.636423110961914],["▁horr",-12.636449813842773],["9.99",-12.636487007141113],["▁UPS",-12.636513710021973],["▁englez",-12.63652229309082],["▁Eden",-12.636523246765137],["GG",-12.63659954071045],["▁typing",-12.63664722442627],["Likewise",-12.636700630187988],["▁stabilize",-12.636737823486328],["physio",-12.636747360229492],["ми",-12.636785507202148],["▁protagonist",-12.636808395385742],["▁velvet",-12.636812210083008],["schrank",-12.636861801147461],["▁Allah",-12.63693618774414],["▁forefront",-12.636968612670898],["▁salaries",-12.637001037597656],["▁prediction",-12.637041091918945],["▁Advent",-12.637182235717773],["politik",-12.637280464172363],["▁Heimat",-12.637350082397461],["ducted",-12.637380599975586],["ASH",-12.637386322021484],["▁Mold",-12.637773513793945],["▁publi",-12.63784122467041],["▁Vil",-12.637892723083496],["▁stu",-12.637925148010254],["INTE",-12.638032913208008],["▁fave",-12.638151168823242],["▁grounded",-12.638175010681152],["▁Anything",-12.638184547424316],["vik",-12.638481140136719],["Bank",-12.63853645324707],["deserved",-12.638550758361816],["machen",-12.63874626159668],["▁rugged",-12.638751029968262],["▁Nest",-12.638901710510254],["▁profund",-12.639043807983398],["▁quantum",-12.639067649841309],["▁funcționa",-12.639118194580078],["klu",-12.639158248901367],["▁consulter",-12.63917350769043],["MED",-12.639286994934082],["▁câştig",-12.639334678649902],["▁săptămâni",-12.639334678649902],["questioned",-12.639517784118652],["▁Trop",-12.639530181884766],["▁convo",-12.639533042907715],["▁sparkling",-12.639533996582031],["▁specialise",-12.639566421508789],["▁pancake",-12.639726638793945],["habitude",-12.639727592468262],["phal",-12.640009880065918],["▁Roche",-12.640158653259277],["▁personalities",-12.640250205993652],["▁Venice",-12.640308380126953],["▁comerciale",-12.640379905700684],["▁wounded",-12.64075756072998],["▁oraş",-12.640864372253418],["▁Pepper",-12.641044616699219],["▁Tourist",-12.641094207763672],["▁Mull",-12.64116382598877],["▁dignity",-12.641234397888184],["▁Fixed",-12.641291618347168],["çant",-12.64130687713623],["▁spectator",-12.641402244567871],["▁somn",-12.641685485839844],["▁ständig",-12.641820907592773],["▁resilience",-12.641866683959961],["▁Malta",-12.642251014709473],["▁problemele",-12.642253875732422],["▁Martha",-12.642254829406738],["▁extern",-12.642267227172852],["embre",-12.642379760742188],["▁médical",-12.642526626586914],["fordern",-12.64256477355957],["nji",-12.642592430114746],["▁aboard",-12.642740249633789],["▁sidewalk",-12.642759323120117],["WIN",-12.642775535583496],["▁Bobby",-12.642842292785645],["▁umfangreiche",-12.642876625061035],["leid",-12.64292049407959],["▁compens",-12.642967224121094],["▁juge",-12.64299488067627],["gerufen",-12.64311408996582],["▁médicament",-12.643135070800781],["▁1918",-12.643155097961426],["▁blanche",-12.643163681030273],["▁pleasing",-12.643220901489258],["▁propria",-12.643471717834473],["ergebnisse",-12.643503189086914],["▁retrouv",-12.643571853637695],["urteil",-12.643592834472656],["▁Draft",-12.64361572265625],["▁concluzi",-12.643671035766602],["centralized",-12.643789291381836],["▁Hannah",-12.64382266998291],["grija",-12.64392375946045],["▁Exercise",-12.643972396850586],["RAL",-12.644001960754395],["creme",-12.64408016204834],["High",-12.644126892089844],["clude",-12.644131660461426],["Considering",-12.644208908081055],["▁Guarantee",-12.644404411315918],["▁cuptor",-12.644436836242676],["ivität",-12.64468002319336],["▁Southwest",-12.644882202148438],["▁vivant",-12.644890785217285],["Your",-12.64498519897461],["▁Stunde",-12.645003318786621],["▁Ethernet",-12.645040512084961],["angebote",-12.645078659057617],["▁Sage",-12.645271301269531],["▁Boeing",-12.645295143127441],["▁$300",-12.645381927490234],["2-4",-12.64546012878418],["▁nécessit",-12.645516395568848],["▁ferment",-12.645599365234375],["▁Anmeldung",-12.64567756652832],["▁exhausted",-12.645758628845215],["▁Schloss",-12.645772933959961],["▁Replacement",-12.645859718322754],["▁Aussi",-12.645933151245117],["jection",-12.646127700805664],["978",-12.64615535736084],["▁siège",-12.646258354187012],["crest",-12.646310806274414],["▁jumatate",-12.646312713623047],["effizient",-12.646317481994629],["▁colaborare",-12.6464262008667],["HQ",-12.646615028381348],["130",-12.646695137023926],["culaire",-12.646907806396484],["▁Jamaica",-12.646952629089355],["▁cardboard",-12.64731216430664],["▁technische",-12.64731502532959],["▁cereri",-12.647507667541504],["▁contradict",-12.647570610046387],["▁irrigation",-12.647586822509766],["Nume",-12.64765739440918],["▁Bier",-12.647714614868164],["▁livrare",-12.647903442382812],["▁reservoir",-12.647906303405762],["vâr",-12.648130416870117],["▁galben",-12.648213386535645],["▁Geneva",-12.648303985595703],["▁lightning",-12.648418426513672],["wished",-12.64842414855957],["▁Blind",-12.648481369018555],["Interested",-12.648499488830566],["▁Primări",-12.648627281188965],["anthropo",-12.648954391479492],["▁Transaction",-12.648961067199707],["▁marcat",-12.648971557617188],["▁gelegen",-12.649077415466309],["▁contemporain",-12.649182319641113],["▁politică",-12.649182319641113],["▁1948",-12.64928150177002],["▁Mik",-12.649287223815918],["▁preţ",-12.649310111999512],["moor",-12.649312973022461],["ANN",-12.649432182312012],["▁constructive",-12.649454116821289],["konzept",-12.649502754211426],["▁entendu",-12.649511337280273],["▁Genesis",-12.649541854858398],["arzt",-12.649581909179688],["▁Allgemein",-12.64970874786377],["▁Derby",-12.649725914001465],["Class",-12.649762153625488],["▁$12",-12.649770736694336],["▁Tube",-12.6498441696167],["▁Contribu",-12.649847030639648],["▁HAVE",-12.649860382080078],["▁oxide",-12.64986515045166],["▁producator",-12.649941444396973],["▁Bench",-12.650132179260254],["▁comprehend",-12.650139808654785],["▁Damen",-12.650494575500488],["▁Garant",-12.65056037902832],["▁disappointing",-12.650614738464355],["▁réalisée",-12.650693893432617],["▁comportement",-12.65072250366211],["▁clash",-12.650753021240234],["▁curry",-12.65076732635498],["▁Lebanon",-12.65078067779541],["▁Romaniei",-12.650784492492676],["▁reprise",-12.650840759277344],["▁perceive",-12.65095329284668],["▁weaknesses",-12.65101146697998],["▁aminti",-12.651057243347168],["▁Concern",-12.651103973388672],["shadow",-12.651310920715332],["▁basin",-12.651311874389648],["moral",-12.652063369750977],["▁Hughes",-12.652101516723633],["Psych",-12.652266502380371],["▁Lieferung",-12.65227222442627],["▁serrurier",-12.652379035949707],["ussi",-12.652386665344238],["▁timpului",-12.6524658203125],["üm",-12.652629852294922],["▁Vladimir",-12.652701377868652],["▁Jag",-12.65279483795166],["▁verific",-12.652849197387695],["▁Pru",-12.652894020080566],["▁Laut",-12.653285026550293],["ITA",-12.653287887573242],["usually",-12.653294563293457],["▁carrière",-12.65341854095459],["▁extracted",-12.653663635253906],["kultur",-12.653679847717285],["öpfe",-12.653932571411133],["▁rejection",-12.654016494750977],["▁Hydr",-12.654062271118164],["▁informaţii",-12.654098510742188],["▁tolerate",-12.654122352600098],["▁cinéma",-12.654302597045898],["traumatic",-12.654305458068848],["produkt",-12.654450416564941],["▁Contest",-12.654560089111328],["lotte",-12.654570579528809],["▁Pension",-12.65461254119873],["▁Advertising",-12.654623985290527],["▁payout",-12.654772758483887],["▁Amanda",-12.65481185913086],["Elect",-12.65485668182373],["▁interiorul",-12.654996871948242],["stay",-12.655348777770996],["▁feminine",-12.655352592468262],["▁întâmplă",-12.655437469482422],["▁insult",-12.65562915802002],["▁chocolat",-12.65567398071289],["▁noroc",-12.655750274658203],["▁centr",-12.655781745910645],["▁Bühne",-12.655858039855957],["mighty",-12.6558837890625],["▁Buddha",-12.655908584594727],["▁parental",-12.655997276306152],["storm",-12.656451225280762],["recurring",-12.6565523147583],["▁luxe",-12.656588554382324],["niște",-12.656728744506836],["cuit",-12.656839370727539],["▁ausgewählt",-12.656880378723145],["▁dumb",-12.657047271728516],["IPS",-12.657127380371094],["▁Thir",-12.65717887878418],["Definitely",-12.657195091247559],["▁hilarious",-12.657195091247559],["▁rainbow",-12.657231330871582],["▁Bravo",-12.657251358032227],["▁entstanden",-12.657259941101074],["itorul",-12.657269477844238],["▁prosperity",-12.657299041748047],["▁Bord",-12.657336235046387],["▁familiei",-12.657363891601562],["▁scade",-12.657425880432129],["wöhn",-12.657426834106445],["▁ingrediente",-12.65743637084961],["RAD",-12.657441139221191],["▁tăi",-12.657472610473633],["bours",-12.65747356414795],["ATI",-12.657540321350098],["▁Blake",-12.65761661529541],["▁Implement",-12.657712936401367],["▁Beziehung",-12.657838821411133],["finanz",-12.657953262329102],["intestin",-12.658513069152832],["ließen",-12.658535957336426],["▁récent",-12.658594131469727],["▁laminate",-12.658692359924316],["▁Hör",-12.65876579284668],["▁personnalisé",-12.658804893493652],["edel",-12.65890121459961],["▁advertisement",-12.658902168273926],["▁pinterest",-12.658921241760254],["185",-12.659058570861816],["identité",-12.65938949584961],["▁Brick",-12.659408569335938],["Glu",-12.65941047668457],["▁attendant",-12.659571647644043],["▁Flip",-12.659614562988281],["attracting",-12.659662246704102],["functional",-12.659703254699707],["conceived",-12.659772872924805],["▁summarize",-12.659773826599121],["adjusting",-12.659809112548828],["CAL",-12.660041809082031],["▁Operating",-12.660076141357422],["zzi",-12.66008472442627],["▁Rover",-12.6603364944458],["▁versuchen",-12.6603364944458],["▁articulate",-12.660600662231445],["▁privé",-12.660614013671875],["▁consequent",-12.660663604736328],["EAT",-12.660690307617188],["▁Marsh",-12.660696983337402],["▁teenage",-12.660717964172363],["▁Renaissance",-12.660740852355957],["▁furnizor",-12.660883903503418],["▁Desert",-12.660894393920898],["unicipiului",-12.66104793548584],["▁ulterior",-12.661065101623535],["▁Ebene",-12.661280632019043],["▁monkey",-12.661351203918457],["▁enclosed",-12.661389350891113],["▁profitability",-12.66139030456543],["▁Evolution",-12.661628723144531],["▁adica",-12.661670684814453],["▁Structure",-12.661709785461426],["▁primer",-12.661761283874512],["▁asigură",-12.662001609802246],["▁Manuel",-12.662220001220703],["polita",-12.662267684936523],["▁Portable",-12.662286758422852],["fecți",-12.662413597106934],["▁obscure",-12.662424087524414],["▁Atlas",-12.662436485290527],["fährt",-12.662679672241211],["▁clinician",-12.662837982177734],["fuhr",-12.66310977935791],["▁matériaux",-12.663113594055176],["écrire",-12.663142204284668],["▁suspicious",-12.6632080078125],["pore",-12.663263320922852],["▁outdated",-12.663304328918457],["▁Mädchen",-12.663328170776367],["rcis",-12.663420677185059],["nicht",-12.663463592529297],["holding",-12.663561820983887],["▁heavier",-12.66366195678711],["ezimal",-12.663960456848145],["▁silicone",-12.66397476196289],["punerea",-12.664108276367188],["▁begeistert",-12.664237976074219],["2004",-12.664283752441406],["▁predecessor",-12.664299011230469],["▁overlap",-12.664369583129883],["▁digging",-12.664376258850098],["▁Upgrade",-12.664407730102539],["▁interesat",-12.664543151855469],["▁spinach",-12.66456127166748],["▁politice",-12.664626121520996],["activity",-12.664831161499023],["▁Rating",-12.66484546661377],["▁serrure",-12.664846420288086],["▁tânăr",-12.664959907531738],["▁WHAT",-12.664970397949219],["▁railroad",-12.664989471435547],["▁avid",-12.665081024169922],["▁Sophie",-12.665084838867188],["preferably",-12.665173530578613],["▁Fourth",-12.665431022644043],["kommenden",-12.665452003479004],["QUI",-12.665478706359863],["lohn",-12.665505409240723],["▁promis",-12.665611267089844],["▁shrub",-12.665621757507324],["nummer",-12.66579818725586],["▁dinosaur",-12.665922164916992],["▁Lucky",-12.665937423706055],["relates",-12.666038513183594],["▁FROM",-12.666049003601074],["▁racism",-12.66610336303711],["physical",-12.66611385345459],["alcoholic",-12.666119575500488],["▁reef",-12.666126251220703],["▁centru",-12.66618824005127],["université",-12.66622257232666],["▁visage",-12.666232109069824],["ităţile",-12.666253089904785],["▁Gent",-12.666345596313477],["zugeben",-12.66643238067627],["▁paradise",-12.66646957397461],["fuel",-12.666505813598633],["ografie",-12.666568756103516],["▁TIP",-12.666730880737305],["schreibung",-12.66683292388916],["▁bark",-12.666840553283691],["accéder",-12.666895866394043],["▁contamination",-12.666937828063965],["▁swelling",-12.666950225830078],["▁optimistic",-12.666974067687988],["▁differential",-12.667015075683594],["▁Arad",-12.667030334472656],["toxins",-12.667075157165527],["▁übernehmen",-12.667091369628906],["▁anime",-12.667143821716309],["actuel",-12.667462348937988],["▁bientôt",-12.667525291442871],["▁Patio",-12.66761302947998],["▁baisse",-12.667630195617676],["▁sprint",-12.66773796081543],["▁bilden",-12.66811466217041],["VAL",-12.668132781982422],["▁réflexion",-12.668220520019531],["hopping",-12.668242454528809],["genesis",-12.66834545135498],["achtet",-12.668435096740723],["▁chinois",-12.668525695800781],["▁dezvoltat",-12.668795585632324],["arguably",-12.66884708404541],["▁Protocol",-12.66884708404541],["▁Sterling",-12.668862342834473],["▁Cave",-12.668975830078125],["▁Condo",-12.66921615600586],["▁erhöht",-12.669235229492188],["typische",-12.669416427612305],["merged",-12.669439315795898],["▁accumulation",-12.669560432434082],["sicherlich",-12.669569969177246],["kW",-12.669620513916016],["▁schriftlich",-12.669757843017578],["▁Vorteile",-12.669918060302734],["▁Northeast",-12.669922828674316],["frunt",-12.669941902160645],["istik",-12.670003890991211],["erster",-12.670035362243652],["▁Assistance",-12.670150756835938],["▁Fantastic",-12.670150756835938],["▁bărbat",-12.670150756835938],["▁Grinding",-12.670151710510254],["▁diffusion",-12.670161247253418],["▁vreun",-12.670331954956055],["▁Butler",-12.670342445373535],["▁Cherry",-12.670352935791016],["▁visualization",-12.670540809631348],["Paket",-12.670572280883789],["blin",-12.670619010925293],["▁cadou",-12.670705795288086],["▁Celtic",-12.670754432678223],["alegerea",-12.670894622802734],["▁Dorf",-12.671035766601562],["▁Noir",-12.671185493469238],["payment",-12.67126750946045],["▁Caroline",-12.671334266662598],["▁Berry",-12.671359062194824],["▁professeur",-12.67147445678711],["▁gratuitement",-12.671503067016602],["Suntem",-12.671523094177246],["IAN",-12.671738624572754],["▁fingerprint",-12.671780586242676],["▁controversy",-12.671781539916992],["▁fled",-12.671875],["▁Pokémon",-12.67210865020752],["excluding",-12.67211627960205],["▁friction",-12.672161102294922],["therapie",-12.67225456237793],["/7",-12.672398567199707],["▁designation",-12.672442436218262],["▁Belgia",-12.672704696655273],["▁cursuri",-12.672836303710938],["model",-12.672840118408203],["super",-12.672987937927246],["▁réduit",-12.673028945922852],["▁implicit",-12.673177719116211],["athlon",-12.673227310180664],["anniversaire",-12.673416137695312],["▁teaspoon",-12.673416137695312],["▁corrosion",-12.673418998718262],["▁überzeugt",-12.673418998718262],["▁flawless",-12.673421859741211],["▁vegetation",-12.673477172851562],["▁iarna",-12.673507690429688],["▁psychologist",-12.673591613769531],["hora",-12.673625946044922],["gab",-12.67387580871582],["▁soothing",-12.674084663391113],["▁stew",-12.674141883850098],["▁wager",-12.674172401428223],["▁tinere",-12.674322128295898],["▁baut",-12.674323081970215],["ecunoscut",-12.674352645874023],["gearbeitet",-12.674422264099121],["▁functi",-12.674480438232422],["▁dürfte",-12.674724578857422],["▁média",-12.674724578857422],["▁campanie",-12.67475700378418],["▁Distribu",-12.674817085266113],["▁mentoring",-12.674959182739258],["▁criz",-12.675020217895508],["findest",-12.675056457519531],["▁Vasile",-12.675058364868164],["▁compassionate",-12.675115585327148],["▁Tudor",-12.675140380859375],["▁flare",-12.675260543823242],["intreaga",-12.675283432006836],["gaz",-12.6753511428833],["▁porcelain",-12.675379753112793],["▁expedition",-12.675520896911621],["▁Azure",-12.67553997039795],["räumen",-12.675549507141113],["eiro",-12.675567626953125],["variante",-12.675804138183594],["▁Lucy",-12.675825119018555],["ôle",-12.675909996032715],["▁revenir",-12.67602252960205],["▁stained",-12.676040649414062],["▁falsch",-12.676166534423828],["▁incorpor",-12.676166534423828],["merkt",-12.676187515258789],["▁achten",-12.6762056350708],["▁hello",-12.676290512084961],["selben",-12.676422119140625],["ifty",-12.676525115966797],["▁Feier",-12.67653751373291],["1.000",-12.676557540893555],["▁Patch",-12.676583290100098],["peptid",-12.676846504211426],["▁recovering",-12.676898956298828],["Symptom",-12.677020072937012],["▁Auckland",-12.677020072937012],["▁retrieve",-12.677328109741211],["▁800-",-12.67733097076416],["schlagen",-12.677473068237305],["▁lourd",-12.677562713623047],["▁Purple",-12.67760181427002],["▁mittels",-12.677776336669922],["▁Düsseldorf",-12.67800521850586],["▁getaway",-12.67803955078125],["▁Cedar",-12.678061485290527],["▁Function",-12.678241729736328],["▁bizarre",-12.67833423614502],["4.3",-12.67849063873291],["▁fundraiser",-12.67866325378418],["geared",-12.678780555725098],["▁privée",-12.678781509399414],["▁Bonjour",-12.67894458770752],["Gar",-12.67895793914795],["▁Lloyd",-12.678991317749023],["▁Reinigung",-12.6790132522583],["▁Geno",-12.679155349731445],["▁Teilnahme",-12.67919635772705],["pian",-12.679362297058105],["sammelt",-12.679368019104004],["Pad",-12.679755210876465],["▁Troy",-12.67976188659668],["HG",-12.679943084716797],["▁klein",-12.679962158203125],["▁lettuce",-12.679978370666504],["▁patrimoine",-12.679978370666504],["▁cooker",-12.680055618286133],["▁accesibil",-12.680137634277344],["▁Spray",-12.680201530456543],["▁negotiation",-12.68047046661377],["▁jewel",-12.680480003356934],["▁dynamique",-12.68063735961914],["▁plastique",-12.68067741394043],["▁Limo",-12.680682182312012],["▁Funk",-12.68069076538086],["▁omului",-12.680702209472656],["title",-12.680768013000488],["curved",-12.68082046508789],["▁Lemon",-12.680851936340332],["förder",-12.680891990661621],["▁bewusst",-12.681112289428711],["inevitably",-12.681296348571777],["▁derivative",-12.681297302246094],["2:30",-12.681300163269043],["komfort",-12.681305885314941],["original",-12.681480407714844],["sanct",-12.681540489196777],["▁matte",-12.6815767288208],["empêche",-12.681628227233887],["▁jucător",-12.681634902954102],["▁attentive",-12.681640625],["▁recunoscut",-12.681674003601074],["▁Brush",-12.68167495727539],["▁consommateur",-12.68183422088623],["érence",-12.682063102722168],["typical",-12.682084083557129],["strategie",-12.682205200195312],["Effekt",-12.682290077209473],["▁Alcohol",-12.682292938232422],["oji",-12.682333946228027],["▁ruler",-12.682357788085938],["▁Norwegian",-12.682615280151367],["▁PlayStation",-12.682615280151367],["▁Hook",-12.682747840881348],["▁viewpoint",-12.682759284973145],["THER",-12.682841300964355],["420",-12.682888984680176],["Consequently",-12.68294620513916],["▁entschieden",-12.68294620513916],["▁Trag",-12.68295669555664],["▁Dawn",-12.683003425598145],["▁fuss",-12.68301773071289],["*****",-12.683040618896484],["▁Bullet",-12.683140754699707],["CAM",-12.683155059814453],["▁wonderfully",-12.683201789855957],["▁parlamentar",-12.683263778686523],["▁geometric",-12.683307647705078],["talement",-12.683321952819824],["/2018",-12.683577537536621],["▁oversight",-12.684036254882812],["kindly",-12.684080123901367],["therm",-12.684305191040039],["▁treaba",-12.6846342086792],["▁Trim",-12.68471908569336],["▁intelege",-12.684842109680176],["cino",-12.685032844543457],["▁straw",-12.68508529663086],["Tru",-12.685251235961914],["▁Television",-12.68530559539795],["Trader",-12.68538761138916],["▁Passion",-12.685394287109375],["rescu",-12.685622215270996],["Nicol",-12.685635566711426],["luj",-12.685805320739746],["▁mijloace",-12.685921669006348],["▁Removal",-12.685922622680664],["▁1944",-12.686034202575684],["▁shortcut",-12.686159133911133],["▁Fett",-12.686258316040039],["largement",-12.686371803283691],["▁altern",-12.686446189880371],["▁cleansing",-12.686562538146973],["▁Qatar",-12.686692237854004],["▁Ceci",-12.686826705932617],["▁weave",-12.686848640441895],["schmerz",-12.686878204345703],["▁dots",-12.686888694763184],["Télécharger",-12.68691635131836],["▁Conduct",-12.686944007873535],["bekannten",-12.687325477600098],["▁lungime",-12.687344551086426],["▁Ferrari",-12.687390327453613],["▁totusi",-12.687605857849121],["▁Anniversary",-12.687911033630371],["▁wilderness",-12.687911987304688],["▁Christoph",-12.687939643859863],["▁Nikon",-12.688112258911133],["▁Digi",-12.68818473815918],["▁Blumen",-12.688190460205078],["▁altul",-12.688249588012695],["▁Parish",-12.688321113586426],["czy",-12.688393592834473],["▁temper",-12.688401222229004],["▁Powder",-12.688576698303223],["▁Arnold",-12.688577651977539],["capacitatea",-12.688687324523926],["nderungen",-12.688787460327148],["▁utilization",-12.688859939575195],["99%",-12.688942909240723],["▁Fear",-12.689099311828613],["JE",-12.689165115356445],["▁Simpson",-12.689239501953125],["▁Podcast",-12.68924617767334],["▁Cardinal",-12.689290046691895],["▁Distribution",-12.689315795898438],["▁Drawing",-12.689373970031738],["▁tint",-12.689412117004395],["▁hran",-12.68945598602295],["▁Slide",-12.68960189819336],["▁Vertrauen",-12.689654350280762],["cloth",-12.68971061706543],["▁redirect",-12.689728736877441],["126",-12.689842224121094],["▁constituie",-12.68985652923584],["Mai",-12.690070152282715],["▁idol",-12.690088272094727],["▁tehnice",-12.690163612365723],["dip",-12.690393447875977],["▁soldier",-12.690400123596191],["▁Ordin",-12.690409660339355],["wobe",-12.69050407409668],["▁Brent",-12.69058895111084],["▁Sudan",-12.690597534179688],["6000",-12.690619468688965],["turism",-12.690689086914062],["▁Rocky",-12.690744400024414],["naming",-12.69092082977295],["▁entrepreneurial",-12.690925598144531],["hearted",-12.690962791442871],["ayne",-12.69097900390625],["▁hover",-12.691081047058105],["▁skull",-12.691279411315918],["▁tribal",-12.691407203674316],["▁crafting",-12.691543579101562],["bewertungen",-12.691569328308105],["▁decizii",-12.691625595092773],["obwohl",-12.691655158996582],["▁compromised",-12.691875457763672],["▁quelqu",-12.69195556640625],["▁Hilton",-12.692075729370117],["▁maturity",-12.692095756530762],["gelesen",-12.692100524902344],["▁harbor",-12.69210433959961],["▁maple",-12.692326545715332],["▁développ",-12.6924409866333],["▁Nobody",-12.692517280578613],["équipement",-12.69255542755127],["121",-12.69274616241455],["140",-12.692827224731445],["▁artistes",-12.692914962768555],["▁depune",-12.692941665649414],["▁erase",-12.693129539489746],["▁erzählt",-12.693197250366211],["▁Hyundai",-12.69323444366455],["▁impairment",-12.69323444366455],["▁conving",-12.693279266357422],["chasing",-12.693426132202148],["▁Claus",-12.693438529968262],["▁adaptée",-12.693687438964844],["▁Raz",-12.693740844726562],["rugs",-12.693796157836914],["▁urme",-12.69387435913086],["Nonetheless",-12.693902015686035],["▁Cemetery",-12.693902969360352],["umps",-12.693906784057617],["ACA",-12.694003105163574],["▁perioade",-12.694235801696777],["▁slogan",-12.694263458251953],["▁downward",-12.694441795349121],["eidig",-12.694446563720703],["RAC",-12.69444751739502],["▁inaugur",-12.694496154785156],["се",-12.694588661193848],["▁înțeleg",-12.694608688354492],["▁hopeful",-12.694635391235352],["▁customization",-12.6946439743042],["▁prisoners",-12.694708824157715],["▁Rau",-12.695270538330078],["▁Pitt",-12.695389747619629],["ături",-12.695542335510254],["▁metabolic",-12.695842742919922],["▁Zach",-12.695868492126465],["▁umfassende",-12.695914268493652],["▁révél",-12.695950508117676],["131",-12.696052551269531],["ismului",-12.696062088012695],["▁Sac",-12.696076393127441],["efficacité",-12.69624137878418],["cruci",-12.69625473022461],["bisschen",-12.69632339477539],["▁Oster",-12.696324348449707],["lowered",-12.6964693069458],["▁Ausland",-12.69674015045166],["▁Pub",-12.696794509887695],["▁Marseille",-12.696925163269043],["▁Charter",-12.696959495544434],["howcasing",-12.697010040283203],["risti",-12.6971435546875],["▁thermostat",-12.697151184082031],["▁Clin",-12.697233200073242],["▁entsteht",-12.697246551513672],["Choosing",-12.697248458862305],["▁Schmerz",-12.697284698486328],["▁Till",-12.697307586669922],["▁Polo",-12.697399139404297],["▁proceduri",-12.697402000427246],["▁Believe",-12.697444915771484],["▁playful",-12.697514533996582],["▁verändert",-12.697588920593262],["▁pairing",-12.697654724121094],["MAG",-12.69784927368164],["leiste",-12.69788932800293],["▁testimonial",-12.697916030883789],["▁Economy",-12.697916984558105],["▁Wechsel",-12.697918891906738],["wirkung",-12.69801139831543],["▁exceeded",-12.698030471801758],["South",-12.698067665100098],["create",-12.698221206665039],["▁davantage",-12.698270797729492],["Log",-12.69831657409668],["▁irregular",-12.698587417602539],["VB",-12.698691368103027],["▁Rö",-12.698741912841797],["▁intreb",-12.698881149291992],["▁penser",-12.698920249938965],["▁déclaré",-12.698923110961914],["▁Tommy",-12.699026107788086],["2,500",-12.699163436889648],["▁Uganda",-12.699260711669922],["contacting",-12.699445724487305],["▁apreciat",-12.699485778808594],["▁beginnen",-12.6995210647583],["▁Gain",-12.699580192565918],["Office",-12.69969654083252],["ermittlung",-12.699710845947266],["▁Admission",-12.699727058410645],["▁Earl",-12.6997652053833],["▁Aviation",-12.699833869934082],["▁apologize",-12.699929237365723],["▁enclosure",-12.699929237365723],["▁Lack",-12.69998836517334],["wife",-12.699995994567871],["▁rotating",-12.700016975402832],["▁hergestellt",-12.700020790100098],["▁repository",-12.70002269744873],["TK",-12.700149536132812],["▁lectur",-12.700190544128418],["▁reflex",-12.700286865234375],["▁Harmon",-12.700401306152344],["▁vrem",-12.700479507446289],["▁Strange",-12.70055103302002],["▁champagne",-12.700615882873535],["▁oscil",-12.700647354125977],["sensitive",-12.700677871704102],["▁Sheriff",-12.700841903686523],["PRES",-12.700956344604492],["▁vow",-12.70123291015625],["▁dioxide",-12.701276779174805],["ен",-12.701374053955078],["▁corpului",-12.701376914978027],["▁prevăzut",-12.70160961151123],["India",-12.701827049255371],["hausse",-12.70189094543457],["▁clienți",-12.701957702636719],["▁entour",-12.70202350616455],["▁Sharp",-12.70209789276123],["▁teatru",-12.702285766601562],["▁Grow",-12.702327728271484],["▁caravan",-12.70234203338623],["▁sieben",-12.702420234680176],["▁cunosc",-12.702502250671387],["Bereichen",-12.702527046203613],["▁Benutzer",-12.702619552612305],["▁Ethiopia",-12.702619552612305],["▁Physics",-12.702619552612305],["preserving",-12.70263385772705],["ал",-12.702712059020996],["▁aerial",-12.70272159576416],["▁nouvel",-12.702741622924805],["▁stamped",-12.702954292297363],["▁inaugural",-12.702970504760742],["▁medicinal",-12.702999114990234],["Quite",-12.703028678894043],["accumulated",-12.703165054321289],["register",-12.703271865844727],["▁Falcon",-12.70327377319336],["▁boiling",-12.703301429748535],["▁advertised",-12.703339576721191],["collect",-12.703362464904785],["albeit",-12.703418731689453],["▁Organis",-12.703473091125488],["luate",-12.703536033630371],["▁préféré",-12.70369815826416],["▁frumoasa",-12.703968048095703],["▁truc",-12.704092979431152],["▁Fä",-12.704154968261719],["▁dome",-12.704180717468262],["Mobile",-12.704191207885742],["▁redeem",-12.704198837280273],["IONS",-12.70422077178955],["▁țări",-12.704235076904297],["▁singular",-12.704385757446289],["▁livestock",-12.704425811767578],["▁démont",-12.704427719116211],["clés",-12.704527854919434],["music",-12.704561233520508],["▁explicat",-12.704602241516113],["▁Fellowship",-12.704703330993652],["▁electrode",-12.704760551452637],["129",-12.704977035522461],["▁Rescue",-12.704983711242676],["▁Rocket",-12.705159187316895],["OSE",-12.705301284790039],["▁Sacramento",-12.705317497253418],["▁Haiti",-12.705357551574707],["▁Erwachsene",-12.705390930175781],["▁Terminal",-12.70541000366211],["URI",-12.705453872680664],["▁Rural",-12.70549201965332],["▁achizitiona",-12.70552921295166],["▁identifiable",-12.705655097961426],["▁gekauft",-12.705659866333008],["▁improper",-12.705673217773438],["lashes",-12.705751419067383],["vorbim",-12.705751419067383],["▁hinder",-12.705862045288086],["▁Grenz",-12.705878257751465],["Nav",-12.705955505371094],["alimentation",-12.705972671508789],["▁Cottage",-12.7059965133667],["▁nötig",-12.706197738647461],["▁cuprinde",-12.70622444152832],["session",-12.706256866455078],["▁Separat",-12.70634651184082],["▁besuchen",-12.706672668457031],["▁noodles",-12.706684112548828],["▁ballet",-12.706696510314941],["WG",-12.706731796264648],["▁Duty",-12.706871032714844],["▁porc",-12.706944465637207],["▁booster",-12.70698356628418],["galerie",-12.707056045532227],["▁Lance",-12.707119941711426],["▁déplac",-12.707178115844727],["▁rugby",-12.707240104675293],["▁upholstery",-12.707345962524414],["▁bustl",-12.70736312866211],["▁Dealer",-12.70740032196045],["▁genome",-12.707414627075195],["▁citizenship",-12.707466125488281],["rora",-12.707515716552734],["ARK",-12.707776069641113],["▁Semi",-12.707820892333984],["▁Improvement",-12.707892417907715],["▁negru",-12.708142280578613],["▁Bruxelles",-12.70836067199707],["flüge",-12.70837688446045],["▁Technique",-12.708392143249512],["▁Obst",-12.708413124084473],["2020",-12.708560943603516],["▁gek",-12.708593368530273],["▁drepturi",-12.708600997924805],["▁Logan",-12.708605766296387],["gelöst",-12.70863151550293],["▁grandparents",-12.708702087402344],["phin",-12.708950996398926],["▁dwell",-12.709037780761719],["▁Nobel",-12.709151268005371],["dial",-12.70927906036377],["▁spontan",-12.709344863891602],["advancing",-12.70937728881836],["starring",-12.70947551727295],["▁astea",-12.709498405456543],["igueur",-12.709638595581055],["▁Ancient",-12.709700584411621],["filter",-12.70971965789795],["Doar",-12.709758758544922],["▁Workers",-12.709759712219238],["Certainly",-12.709906578063965],["▁commencé",-12.709914207458496],["▁zipper",-12.710001945495605],["▁Selection",-12.710070610046387],["▁succ",-12.710280418395996],["headed",-12.710345268249512],["RIA",-12.710350036621094],["▁papa",-12.710366249084473],["▁profesionale",-12.710394859313965],["▁Zeichen",-12.710402488708496],["▁artisans",-12.710489273071289],["▁Geist",-12.710585594177246],["practic",-12.710741996765137],["▁ministrul",-12.71076488494873],["viens",-12.710912704467773],["prezintă",-12.710919380187988],["Integrated",-12.710981369018555],["▁rooftop",-12.710989952087402],["▁successor",-12.710991859436035],["OTO",-12.711012840270996],["liés",-12.711027145385742],["▁Diver",-12.71121597290039],["Specifically",-12.711297988891602],["▁calibr",-12.711301803588867],["KK",-12.711341857910156],["▁défense",-12.711414337158203],["▁english",-12.711414337158203],["verbrauch",-12.711418151855469],["▁attire",-12.711433410644531],["▁Recipe",-12.711441040039062],["équilibre",-12.711457252502441],["accumul",-12.71157169342041],["▁financement",-12.71169662475586],["rij",-12.711962699890137],["▁prince",-12.711999893188477],["▁préparer",-12.7120361328125],["surviving",-12.71211051940918],["operation",-12.712233543395996],["▁judet",-12.71242904663086],["▁Verantwortung",-12.712433815002441],["▁Vinyl",-12.712536811828613],["DEN",-12.712584495544434],["▁Tail",-12.712589263916016],["yearly",-12.712590217590332],["▁comisi",-12.712613105773926],["lava",-12.71261978149414],["▁succession",-12.71264934539795],["▁Whisk",-12.713030815124512],["▁precizat",-12.713096618652344],["▁unmittelbar",-12.713117599487305],["ICH",-12.713139533996582],["▁atteint",-12.713199615478516],["▁hometown",-12.713268280029297],["▁Zip",-12.71328353881836],["▁Weekly",-12.71336841583252],["▁crashes",-12.713401794433594],["▁Turbo",-12.713421821594238],["▁susține",-12.713468551635742],["▁Venus",-12.713587760925293],["▁finalement",-12.713595390319824],["rewarded",-12.713693618774414],["▁principau",-12.713899612426758],["▁régional",-12.713979721069336],["▁1958",-12.714178085327148],["▁Musical",-12.714189529418945],["▁stylist",-12.714251518249512],["cetate",-12.714282035827637],["gorge",-12.71433162689209],["▁espresso",-12.714493751525879],["überall",-12.714576721191406],["▁NHL",-12.714593887329102],["▁Dock",-12.71472454071045],["▁mosquito",-12.71481704711914],["▁forthcoming",-12.714852333068848],["▁Visitors",-12.714881896972656],["kro",-12.714882850646973],["_______",-12.715048789978027],["▁STEM",-12.715105056762695],["9.5",-12.715141296386719],["accompagne",-12.715177536010742],["▁Trick",-12.715202331542969],["▁endorsement",-12.715400695800781],["▁amplifier",-12.715498924255371],["▁malicious",-12.715499877929688],["▁roam",-12.71552848815918],["▁kennt",-12.715635299682617],["Connor",-12.715690612792969],["▁dysfunction",-12.715828895568848],["▁zuverlässig",-12.715840339660645],["▁corpul",-12.71595573425293],["▁boule",-12.715967178344727],["otti",-12.715991973876953],["440",-12.716050148010254],["▁mimic",-12.716056823730469],["farben",-12.716129302978516],["▁Wagner",-12.716214179992676],["Kom",-12.7162504196167],["▁miteinander",-12.716269493103027],["▁String",-12.716296195983887],["▁Ellis",-12.716313362121582],["▁Perth",-12.716337203979492],["▁temperatura",-12.716381072998047],["umbling",-12.716397285461426],["▁Medizin",-12.716554641723633],["▁KY",-12.71660327911377],["apei",-12.716642379760742],["counter",-12.716647148132324],["strich",-12.71665096282959],["▁Între",-12.716652870178223],["▁Cliff",-12.716785430908203],["▁foreclosure",-12.716864585876465],["................",-12.716878890991211],["Clearly",-12.717028617858887],["AJ",-12.717057228088379],["ndro",-12.717180252075195],["▁Arsenal",-12.717206001281738],["▁Recherche",-12.717216491699219],["Guests",-12.717225074768066],["▁besucht",-12.717242240905762],["wissen",-12.717266082763672],["fekt",-12.717414855957031],["hottest",-12.717414855957031],["▁Tomorrow",-12.717547416687012],["▁Signature",-12.717557907104492],["127",-12.717583656311035],["▁competence",-12.71766471862793],["Einige",-12.717686653137207],["patented",-12.71782112121582],["▁Exhibition",-12.717889785766602],["▁verbessern",-12.717889785766602],["▁Garcia",-12.718043327331543],["▁inquire",-12.718278884887695],["coping",-12.718353271484375],["▁linguri",-12.71842098236084],["▁trivia",-12.718433380126953],["▁începutul",-12.718489646911621],["▁parteneriat",-12.7186279296875],["tagen",-12.718636512756348],["▁engagé",-12.718916893005371],["▁chalk",-12.718944549560547],["▁fashionable",-12.719416618347168],["0.8",-12.719635009765625],["▁sticker",-12.719751358032227],["▁desperately",-12.719765663146973],["höhe",-12.719903945922852],["▁fericire",-12.71994400024414],["évaluation",-12.719948768615723],["▁Divide",-12.719959259033203],["▁indulge",-12.719979286193848],["fett",-12.720014572143555],["▁communal",-12.72017765045166],["▁mindful",-12.720187187194824],["dauert",-12.720192909240723],["▁veille",-12.720263481140137],["▁vér",-12.720330238342285],["▁Baseball",-12.720373153686523],["▁succeeded",-12.720418930053711],["▁Terrasse",-12.720420837402344],["irgend",-12.720500946044922],["▁Munich",-12.720556259155273],["weisung",-12.72067642211914],["metre",-12.720916748046875],["▁Raymond",-12.721015930175781],["▁chute",-12.72102165222168],["▁Accounting",-12.721075057983398],["▁pantry",-12.721122741699219],["▁underwater",-12.721181869506836],["ARI",-12.721222877502441],["lowed",-12.721245765686035],["numbered",-12.721430778503418],["REN",-12.72148609161377],["▁industriel",-12.721489906311035],["wäh",-12.721531867980957],["kenntnis",-12.721631050109863],["▁govern",-12.721635818481445],["strained",-12.721661567687988],["▁rythme",-12.721689224243164],["ин",-12.72169303894043],["▁burner",-12.721723556518555],["▁zählt",-12.721790313720703],["▁verte",-12.721883773803711],["▁Catalog",-12.721896171569824],["▁Bruno",-12.721988677978516],["0.7",-12.721997261047363],["▁litig",-12.72207260131836],["▁greet",-12.722129821777344],["▁stool",-12.722393035888672],["gression",-12.722457885742188],["▁Klassen",-12.722491264343262],["▁neon",-12.722661018371582],["▁Tall",-12.722734451293945],["▁satin",-12.722895622253418],["▁Bend",-12.722915649414062],["▁soluţi",-12.723077774047852],["▁styl",-12.723196983337402],["▁Siri",-12.723358154296875],["▁Sanders",-12.723464012145996],["▁spike",-12.723499298095703],["pinion",-12.723854064941406],["▁purta",-12.724122047424316],["CARE",-12.724224090576172],["▁creştere",-12.724311828613281],["▁fry",-12.724374771118164],["▁Schweizer",-12.724400520324707],["durchschnittlich",-12.724411010742188],["celaşi",-12.724446296691895],["▁deceased",-12.724474906921387],["▁Nerv",-12.724668502807617],["2-2",-12.7247314453125],["▁Stahl",-12.724753379821777],["▁workload",-12.724834442138672],["erhielt",-12.724984169006348],["▁hypothesis",-12.725103378295898],["bib",-12.725110054016113],["▁ţară",-12.725116729736328],["vaut",-12.725122451782227],["prehensi",-12.725184440612793],["▁Offering",-12.725188255310059],["▁dislike",-12.725252151489258],["▁firewall",-12.725252151489258],["mania",-12.725255966186523],["195",-12.725278854370117],["▁Champ",-12.725324630737305],["▁philosophical",-12.725343704223633],["länge",-12.72553539276123],["advisable",-12.725785255432129],["negotiating",-12.725785255432129],["Providing",-12.725791931152344],["▁1959",-12.725801467895508],["▁spyware",-12.725831031799316],["sharing",-12.725837707519531],["▁prévoi",-12.725905418395996],["▁jaune",-12.7260103225708],["schoss",-12.726028442382812],["▁obține",-12.726129531860352],["▁attraktiv",-12.726489067077637],["gemeinschaft",-12.7265043258667],["BV",-12.726505279541016],["Top",-12.726617813110352],["▁Sharon",-12.726625442504883],["bok",-12.726675033569336],["▁résist",-12.726811408996582],["Napoca",-12.726822853088379],["▁Uncategorized",-12.726898193359375],["▁trustee",-12.726936340332031],["▁remise",-12.727025985717773],["▁aştept",-12.727165222167969],["▁allergic",-12.727206230163574],["èvre",-12.727211952209473],["LAR",-12.72734546661377],["1.9",-12.727497100830078],["▁outbreak",-12.727520942687988],["▁trocken",-12.727568626403809],["▁laughter",-12.727724075317383],["▁Attend",-12.727785110473633],["jung",-12.727822303771973],["racking",-12.727934837341309],["ORS",-12.728178024291992],["▁rasp",-12.728527069091797],["VF",-12.728551864624023],["▁Tamil",-12.72860050201416],["124",-12.728602409362793],["▁Fiber",-12.728714942932129],["▁launches",-12.728755950927734],["Post",-12.728777885437012],["▁bucks",-12.729072570800781],["▁Nicholas",-12.72923755645752],["▁cărți",-12.729255676269531],["emper",-12.729681968688965],["Point",-12.729689598083496],["fraction",-12.729753494262695],["▁BIG",-12.729804992675781],["▁lancer",-12.729829788208008],["EVER",-12.72997760772705],["trend",-12.73000431060791],["▁remerci",-12.730076789855957],["▁prevalent",-12.730168342590332],["370",-12.730290412902832],["▁bestellen",-12.730327606201172],["Buying",-12.730341911315918],["▁Aufbau",-12.730416297912598],["▁opini",-12.730416297912598],["▁regiune",-12.730663299560547],["▁martial",-12.73069953918457],["LK",-12.730754852294922],["▁Feuerwehr",-12.730974197387695],["screened",-12.73099422454834],["Blue",-12.73120403289795],["▁analize",-12.731237411499023],["▁lure",-12.731247901916504],["▁internally",-12.731283187866211],["father",-12.731322288513184],["▁diplomatic",-12.731343269348145],["▁Activity",-12.731464385986328],["▁cliqu",-12.73156452178955],["▁adequately",-12.731809616088867],["▁Elena",-12.73183822631836],["▁Citizens",-12.732102394104004],["▁Länge",-12.732295989990234],["▁respectful",-12.732300758361816],["▁zuständig",-12.73248291015625],["▁réception",-12.732584953308105],["▁headset",-12.732686996459961],["▁awhile",-12.732705116271973],["▁speculation",-12.732707977294922],["▁WhatsApp",-12.732714653015137],["▁tulbur",-12.732731819152832],["▁voluntar",-12.732758522033691],["▁Studium",-12.73277473449707],["▁protector",-12.732833862304688],["▁Wrap",-12.732840538024902],["staat",-12.732951164245605],["▁judgement",-12.733396530151367],["unauthorized",-12.733397483825684],["Rank",-12.733487129211426],["pră",-12.733503341674805],["▁Paw",-12.733627319335938],["▁relev",-12.733664512634277],["▁arbor",-12.733830451965332],["stretches",-12.733885765075684],["nook",-12.733906745910645],["▁Tunis",-12.733907699584961],["▁shocking",-12.734036445617676],["▁oppress",-12.73414421081543],["10.1",-12.7341890335083],["▁ERP",-12.734310150146484],["wolle",-12.7343168258667],["▁Catch",-12.734352111816406],["Plus",-12.734368324279785],["Market",-12.734445571899414],["scribed",-12.734536170959473],["▁décoration",-12.734594345092773],["▁chanson",-12.734607696533203],["▁Midwest",-12.734763145446777],["▁Spencer",-12.734795570373535],["▁societate",-12.734807968139648],["curated",-12.735087394714355],["▁canopy",-12.735135078430176],["ат",-12.735142707824707],["Sig",-12.73514461517334],["▁witch",-12.735153198242188],["envoyer",-12.735175132751465],["▁$1,000",-12.735230445861816],["▁peripheral",-12.735482215881348],["nnouncing",-12.735509872436523],["perfect",-12.73559284210205],["▁warten",-12.735748291015625],["ELI",-12.735822677612305],["▁recap",-12.735912322998047],["dün",-12.735978126525879],["▁Spre",-12.736029624938965],["2005",-12.736153602600098],["▁réparation",-12.73617935180664],["▁extraordinar",-12.736196517944336],["existence",-12.736337661743164],["oanele",-12.736467361450195],["▁reprezentant",-12.736474990844727],["▁attacker",-12.736490249633789],["▁Berliner",-12.73657512664795],["experience",-12.736649513244629],["▁Monde",-12.736800193786621],["intervention",-12.736956596374512],["▁Einstellung",-12.736977577209473],["▁Valentin",-12.737011909484863],["▁zonă",-12.737200736999512],["occupant",-12.737223625183105],["▁mobilis",-12.737260818481445],["metall",-12.737261772155762],["evangeli",-12.73729133605957],["Adding",-12.737326622009277],["▁Roland",-12.73735237121582],["ENCE",-12.737462043762207],["▁Insul",-12.737478256225586],["tellement",-12.737497329711914],["▁Blogger",-12.737499237060547],["▁prote",-12.737504005432129],["▁Minimum",-12.737574577331543],["▁termic",-12.737624168395996],["▁Sachen",-12.737859725952148],["▁Maschinen",-12.737863540649414],["▁Dragnea",-12.737926483154297],["▁overtime",-12.737967491149902],["calorie",-12.737968444824219],["▁jene",-12.73814868927002],["▁Satan",-12.738153457641602],["▁currencies",-12.73827075958252],["▁echipamente",-12.738329887390137],["▁forgiveness",-12.73843765258789],["▁Pause",-12.738479614257812],["▁Witt",-12.738529205322266],["STOR",-12.738632202148438],["▁actuelle",-12.738703727722168],["▁Ard",-12.738853454589844],["▁Constitu",-12.738880157470703],["ghan",-12.7388916015625],["Make",-12.738906860351562],["▁garne",-12.738947868347168],["▁Hitler",-12.738956451416016],["▁rubbish",-12.738973617553711],["6.0",-12.739025115966797],["▁Giving",-12.739177703857422],["▁persever",-12.73937702178955],["wirk",-12.7394380569458],["liegenden",-12.739455223083496],["▁morceau",-12.73946762084961],["atty",-12.73961067199707],["▁Quebec",-12.739669799804688],["harmonie",-12.739705085754395],["Nummer",-12.739721298217773],["▁splendid",-12.739747047424316],["▁halfway",-12.739808082580566],["▁periodically",-12.740071296691895],["▁Ländern",-12.740077018737793],["▁AAA",-12.740083694458008],["▁Frost",-12.740198135375977],["▁heroin",-12.740289688110352],["▁bucurie",-12.7403564453125],["▁Pradesh",-12.74036693572998],["zusetzen",-12.740405082702637],["raising",-12.740425109863281],["▁furniz",-12.740567207336426],["▁convi",-12.740575790405273],["pictured",-12.740911483764648],["▁inadequate",-12.741065979003906],["▁aprobat",-12.741069793701172],["▁exercising",-12.741083145141602],["▁faisai",-12.741138458251953],["▁prosecution",-12.741231918334961],["380",-12.741402626037598],["▁Potential",-12.74145793914795],["▁Magi",-12.741523742675781],["From",-12.741752624511719],["batterie",-12.74181079864502],["▁poisson",-12.74185562133789],["▁Probe",-12.741950988769531],["▁pastel",-12.741998672485352],["▁tracked",-12.742410659790039],["▁advertisers",-12.74251937866211],["adevar",-12.742537498474121],["ит",-12.742776870727539],["▁Herren",-12.742815971374512],["EAM",-12.742820739746094],["▁scooter",-12.742822647094727],["requesting",-12.742841720581055],["dynamis",-12.742949485778809],["▁dahin",-12.742961883544922],["▁tweak",-12.743061065673828],["▁hail",-12.743101119995117],["▁întotdeauna",-12.743160247802734],["▁Publikum",-12.743167877197266],["▁panoramic",-12.743167877197266],["▁PRE",-12.74331283569336],["▁thrill",-12.743361473083496],["Open",-12.743366241455078],["▁Layer",-12.74345588684082],["▁Bosch",-12.743459701538086],["hull",-12.743511199951172],["▁născut",-12.743518829345703],["tausch",-12.743559837341309],["▁autoturism",-12.743577003479004],["▁crank",-12.743701934814453],["CLE",-12.743735313415527],["▁Frederick",-12.74386978149414],["mog",-12.743887901306152],["behalten",-12.74396800994873],["▁aunt",-12.744050979614258],["▁Triple",-12.744141578674316],["▁Ark",-12.744242668151855],["AUD",-12.744440078735352],["▁Candy",-12.744505882263184],["tama",-12.744515419006348],["▁Evaluation",-12.744571685791016],["▁Memphis",-12.744571685791016],["▁stellar",-12.74457836151123],["▁fabricat",-12.744632720947266],["▁terminat",-12.744868278503418],["▁domnul",-12.744913101196289],["▁keynote",-12.744925498962402],["▁dentistry",-12.744951248168945],["rift",-12.745052337646484],["▁bilan",-12.745119094848633],["2.6",-12.745125770568848],["undergoing",-12.745210647583008],["▁pseudo",-12.745274543762207],["▁maşin",-12.745280265808105],["▁munte",-12.74555492401123],["▁VW",-12.745932579040527],["▁Rab",-12.74593448638916],["▁sustine",-12.745972633361816],["▁Bedingungen",-12.745977401733398],["▁învăţ",-12.745980262756348],["▁pyramid",-12.745983123779297],["HEN",-12.746020317077637],["▁citrus",-12.746058464050293],["Code",-12.746064186096191],["▁Beginning",-12.746164321899414],["▁discourse",-12.746249198913574],["▁miercuri",-12.746329307556152],["▁producător",-12.74637508392334],["▁analys",-12.746397972106934],["▁Evan",-12.7467041015625],["138",-12.746987342834473],["▁târziu",-12.74703311920166],["▁relocation",-12.747052192687988],["decizia",-12.74708080291748],["tollen",-12.74714183807373],["TRO",-12.747180938720703],["▁runway",-12.74719524383545],["illet",-12.747270584106445],["▁serveur",-12.747387886047363],["bezogen",-12.747427940368652],["▁believers",-12.747668266296387],["determined",-12.747711181640625],["▁reinforced",-12.74791431427002],["▁wedge",-12.748006820678711],["methyl",-12.74807357788086],["MES",-12.748188018798828],["vpn",-12.748374938964844],["▁consta",-12.74837875366211],["▁vizitat",-12.748420715332031],["modul",-12.748455047607422],["▁routing",-12.748528480529785],["tempted",-12.748540878295898],["URS",-12.748785018920898],["apprentissage",-12.748795509338379],["▁Hungary",-12.748796463012695],["Previously",-12.74880313873291],["▁translator",-12.748804092407227],["▁resonate",-12.748830795288086],["201",-12.748851776123047],["3-0",-12.749029159545898],["▁reunion",-12.749090194702148],["▁palate",-12.749096870422363],["0.4",-12.749171257019043],["reheat",-12.74924373626709],["Roo",-12.749261856079102],["200,000",-12.74940013885498],["Bro",-12.749431610107422],["▁estimation",-12.749468803405762],["schneiden",-12.749499320983887],["▁Inspired",-12.749506950378418],["▁lottery",-12.749539375305176],["▁Friedrich",-12.749887466430664],["FIT",-12.749913215637207],["0.6",-12.7499418258667],["▁dagegen",-12.74997615814209],["▁Reb",-12.750115394592285],["▁Eigenschaften",-12.75020694732666],["▁molding",-12.750361442565918],["▁Harper",-12.750548362731934],["verwaltung",-12.75055980682373],["▁Schlüssel",-12.75055980682373],["▁desfasura",-12.75055980682373],["▁rencontrer",-12.75055980682373],["▁negoci",-12.750581741333008],["▁Leading",-12.750615119934082],["▁necesita",-12.750652313232422],["▁biking",-12.750683784484863],["▁jointly",-12.75069808959961],["▁crush",-12.750702857971191],["Vol",-12.750768661499023],["▁ebay",-12.750836372375488],["▁Shri",-12.750991821289062],["▁AMD",-12.751029968261719],["FG",-12.751032829284668],["Argentin",-12.75120735168457],["▁incercat",-12.751431465148926],["▁tidy",-12.751628875732422],["▁provoqu",-12.751635551452637],["▁Written",-12.751649856567383],["▁Kooperation",-12.751666069030762],["▁scripture",-12.751952171325684],["▁Pflicht",-12.751974105834961],["ficial",-12.752013206481934],["vremea",-12.752013206481934],["▁Growing",-12.752115249633789],["▁redesign",-12.752119064331055],["▁obstacle",-12.752214431762695],["▁rugam",-12.752235412597656],["▁SPD",-12.752243995666504],["165",-12.752270698547363],["fiz",-12.752284049987793],["▁startet",-12.752326011657715],["▁Principle",-12.752327919006348],["▁abdominal",-12.752327919006348],["▁podium",-12.752528190612793],["duty",-12.752616882324219],["bonne",-12.752679824829102],["▁Serbia",-12.752687454223633],["▁brunch",-12.752839088439941],["▁Personne",-12.752975463867188],["▁Idea",-12.753034591674805],["forementioned",-12.753036499023438],["▁chassis",-12.753037452697754],["gebühr",-12.753050804138184],["ucun",-12.753061294555664],["▁Maz",-12.7531156539917],["1-4",-12.75318431854248],["kleid",-12.753273963928223],["▁Volvo",-12.753337860107422],["brechen",-12.753378868103027],["▁homepage",-12.753472328186035],["fuz",-12.753509521484375],["▁abgeschlossen",-12.753595352172852],["▁gelungen",-12.753658294677734],["▁booklet",-12.753711700439453],["▁Ukrainian",-12.753745079040527],["▁Melissa",-12.753746032714844],["CENT",-12.75379467010498],["▁intégré",-12.753806114196777],["weighing",-12.753827095031738],["▁crumbl",-12.753894805908203],["▁bunk",-12.754167556762695],["krieg",-12.754207611083984],["▁freshman",-12.754307746887207],["alaya",-12.754339218139648],["Avem",-12.754353523254395],["▁Kne",-12.754423141479492],["▁upstairs",-12.75448226928711],["AIL",-12.754508972167969],["țul",-12.75478744506836],["▁Lecture",-12.754817962646484],["▁entdecken",-12.754843711853027],["▁GMT",-12.754912376403809],["▁Leitung",-12.754937171936035],["▁inclined",-12.755170822143555],["▁skillet",-12.75555419921875],["FN",-12.755742073059082],["▁Perform",-12.755821228027344],["shift",-12.75583267211914],["recognizing",-12.755873680114746],["▁concise",-12.755873680114746],["▁obsessed",-12.755873680114746],["▁removable",-12.755873680114746],["▁Relax",-12.755888938903809],["delegates",-12.75605583190918],["▁expedi",-12.756074905395508],["▁Schä",-12.756138801574707],["iete",-12.756211280822754],["▁reciproc",-12.756229400634766],["▁neutr",-12.75625228881836],["lactic",-12.756314277648926],["▁Nah",-12.756328582763672],["scene",-12.7565279006958],["▁Helm",-12.756563186645508],["▁Bewerbung",-12.756671905517578],["▁Cassi",-12.75667953491211],["▁Gelegenheit",-12.756939888000488],["▁reflective",-12.757140159606934],["▁încredere",-12.757149696350098],["▁cigarettes",-12.75717544555664],["▁Zusätzlich",-12.757295608520508],["▁intercept",-12.75731372833252],["▁Finn",-12.757468223571777],["▁ignor",-12.757661819458008],["gian",-12.75766372680664],["BRA",-12.757740020751953],["leader",-12.757957458496094],["nius",-12.757981300354004],["▁skies",-12.757987022399902],["▁nunta",-12.758023262023926],["▁grec",-12.758041381835938],["arranging",-12.75816822052002],["wartet",-12.758231163024902],["▁kostet",-12.758377075195312],["▁Entre",-12.758541107177734],["Mag",-12.758575439453125],["▁radiator",-12.758598327636719],["übrigens",-12.758689880371094],["Internet",-12.758706092834473],["▁connexion",-12.758718490600586],["▁prolonged",-12.758854866027832],["▁capabil",-12.75914192199707],["▁feeder",-12.759217262268066],["Initially",-12.759223937988281],["Green",-12.75926685333252],["▁passiert",-12.759272575378418],["▁courtyard",-12.759299278259277],["▁judeţ",-12.759320259094238],["▁Coalition",-12.759431838989258],["▁atmospheric",-12.759431838989258],["▁velocity",-12.759431838989258],["▁Frühstück",-12.759432792663574],["vacancies",-12.759438514709473],["unified",-12.759538650512695],["▁Ahmed",-12.759538650512695],["poured",-12.759550094604492],["▁Mikro",-12.75959587097168],["▁Klar",-12.759661674499512],["kommt",-12.759681701660156],["seated",-12.759744644165039],["musik",-12.75976848602295],["▁stimulation",-12.759841918945312],["▁solicitat",-12.759880065917969],["▁politically",-12.760165214538574],["restoring",-12.760322570800781],["▁Rag",-12.760435104370117],["▁officielle",-12.760468482971191],["▁Annie",-12.760479927062988],["▁tourne",-12.760634422302246],["▁Joel",-12.760642051696777],["blieben",-12.760666847229004],["▁repayment",-12.760736465454102],["▁Strategi",-12.760781288146973],["▁prietenii",-12.760804176330566],["▁Montgomery",-12.760858535766602],["▁résidence",-12.760858535766602],["▁sunglasses",-12.760858535766602],["▁1956",-12.760882377624512],["MEN",-12.76093578338623],["pouvant",-12.760997772216797],["375",-12.761061668395996],["directed",-12.761173248291016],["▁grinder",-12.76120662689209],["rträge",-12.761279106140137],["▁nickel",-12.761299133300781],["▁Maintain",-12.761313438415527],["▁Holmes",-12.761392593383789],["▁obtinut",-12.76157283782959],["▁walnut",-12.761585235595703],["▁consultancy",-12.761640548706055],["cooled",-12.761651039123535],["▁Brig",-12.761711120605469],["▁Produc",-12.761873245239258],["street",-12.76187515258789],["▁Einfach",-12.761897087097168],["North",-12.762149810791016],["▁PET",-12.76220989227295],["▁Président",-12.762288093566895],["▁produsului",-12.762457847595215],["literatur",-12.762483596801758],["133",-12.762561798095703],["▁recours",-12.762591361999512],["▁verpflichtet",-12.76264476776123],["▁Wur",-12.762733459472656],["▁psiholog",-12.762796401977539],["Veg",-12.762871742248535],["▁hype",-12.762930870056152],["augmenter",-12.762974739074707],["▁Welsh",-12.763012886047363],["mounted",-12.763158798217773],["▁Wann",-12.763425827026367],["▁gezeigt",-12.763620376586914],["▁memo",-12.763631820678711],["veterinary",-12.763717651367188],["▁Olympia",-12.763717651367188],["▁handsome",-12.763871192932129],["yama",-12.763911247253418],["studio",-12.763912200927734],["sozial",-12.764020919799805],["▁reap",-12.764104843139648],["▁didactic",-12.764111518859863],["▁Cookie",-12.764126777648926],["▁cooper",-12.764230728149414],["▁discern",-12.76441478729248],["▁Ubuntu",-12.764433860778809],["domain",-12.76443862915039],["▁plasa",-12.764460563659668],["hong",-12.764585494995117],["▁Freiheit",-12.764662742614746],["▁Gateway",-12.764678001403809],["▁poke",-12.764796257019043],["▁niedrig",-12.76484203338623],["▁corrected",-12.764899253845215],["▁predator",-12.76490306854248],["QA",-12.76507568359375],["Physio",-12.765101432800293],["MAS",-12.765108108520508],["▁sanctuary",-12.765151023864746],["▁aferent",-12.76523494720459],["▁perdre",-12.765268325805664],["▁recherch",-12.765397071838379],["ready",-12.76559829711914],["without",-12.76560115814209],["▁locuitori",-12.765628814697266],["▁Memo",-12.765636444091797],["▁Laden",-12.765646934509277],["danken",-12.76577377319336],["▁CNC",-12.765861511230469],["▁jealous",-12.765881538391113],["▁Background",-12.765951156616211],["▁Marx",-12.765999794006348],["▁Heli",-12.766039848327637],["▁osteo",-12.766057968139648],["▁rassembl",-12.766162872314453],["▁altceva",-12.766226768493652],["▁beschäftigt",-12.766226768493652],["▁accru",-12.766266822814941],["üft",-12.766273498535156],["▁sprout",-12.766288757324219],["endorf",-12.76647663116455],["▁specialitate",-12.766483306884766],["éanmoins",-12.766586303710938],["▁poign",-12.766663551330566],["▁mânca",-12.766668319702148],["▁stretched",-12.766752243041992],["fensiv",-12.76677131652832],["▁Auction",-12.76683235168457],["hints",-12.766944885253906],["▁typo",-12.766983032226562],["▁Rare",-12.767003059387207],["▁interruption",-12.767043113708496],["▁Mean",-12.76709270477295],["privileged",-12.767108917236328],["▁purtat",-12.767129898071289],["studie",-12.767229080200195],["offres",-12.767248153686523],["▁flap",-12.76729679107666],["▁rhetoric",-12.767304420471191],["▁snapshot",-12.767325401306152],["▁Conservative",-12.767367362976074],["▁taie",-12.767416954040527],["Game",-12.767499923706055],["▁naissance",-12.767663955688477],["Prof",-12.767704963684082],["qualified",-12.767745971679688],["▁suppression",-12.767749786376953],["▁răspunde",-12.767765045166016],["▁1/3",-12.767803192138672],["▁lieben",-12.767858505249023],["ù",-12.767898559570312],["america",-12.767955780029297],["▁Mum",-12.768182754516602],["▁Researchers",-12.76827335357666],["quip",-12.768308639526367],["▁fenomen",-12.768383026123047],["stools",-12.768387794494629],["▁commodity",-12.768742561340332],["▁rejuvenat",-12.768745422363281],["▁ausgezeichnet",-12.76876449584961],["▁păcate",-12.768784523010254],["3.6",-12.76882553100586],["zwei",-12.768904685974121],["accounted",-12.768982887268066],["▁Cycle",-12.76900863647461],["politischen",-12.769031524658203],["Normally",-12.76904010772705],["▁transcend",-12.769158363342285],["▁Classes",-12.769268989562988],["▁vene",-12.769363403320312],["protein",-12.76942253112793],["formulaire",-12.76944351196289],["▁endurance",-12.769463539123535],["▁Census",-12.769464492797852],["▁census",-12.7694673538208],["▁conțin",-12.76952838897705],["▁multinational",-12.769563674926758],["▁consomm",-12.769572257995605],["▁Porter",-12.769762992858887],["▁marvel",-12.769777297973633],["▁probable",-12.769824028015137],["dependable",-12.770044326782227],["▁crore",-12.77015495300293],["▁6:30",-12.770224571228027],["▁Bradley",-12.77032470703125],["molecule",-12.770400047302246],["inclusiv",-12.770516395568848],["▁privilégi",-12.770543098449707],["▁cerere",-12.770611763000488],["ouille",-12.770696640014648],["▁âgé",-12.770787239074707],["▁ghid",-12.770801544189453],["▁Controller",-12.77082347869873],["▁incredere",-12.770988464355469],["▁hostel",-12.771015167236328],["wissenschaft",-12.771121978759766],["▁cooperate",-12.771183967590332],["ки",-12.771202087402344],["▁Küchen",-12.771384239196777],["▁BIO",-12.771406173706055],["▁deliveries",-12.771458625793457],["▁urmări",-12.771553993225098],["▁überzeugen",-12.771631240844727],["Roofing",-12.771703720092773],["▁Adel",-12.771737098693848],["▁navy",-12.77181339263916],["▁cider",-12.772101402282715],["▁dulce",-12.772109985351562],["▁inspirat",-12.772163391113281],["allez",-12.772164344787598],["HH",-12.77221965789795],["▁Danish",-12.7722749710083],["CDC",-12.7722806930542],["▁Milch",-12.772303581237793],["▁Hockey",-12.772346496582031],["▁Smooth",-12.772347450256348],["▁FIFA",-12.772361755371094],["▁Devon",-12.772364616394043],["chung",-12.772379875183105],["▁villain",-12.772420883178711],["▁musée",-12.772441864013672],["tiennent",-12.772557258605957],["chou",-12.772732734680176],["kopf",-12.772809982299805],["printed",-12.77281379699707],["▁Depression",-12.773076057434082],["▁opioid",-12.773082733154297],["nomie",-12.773098945617676],["▁footwear",-12.773211479187012],["▁Cause",-12.773260116577148],["SEL",-12.773515701293945],["▁Roller",-12.773523330688477],["▁einzigartige",-12.773589134216309],["desea",-12.773597717285156],["▁nasty",-12.773792266845703],["formulated",-12.773877143859863],["breaker",-12.773958206176758],["▁goodies",-12.773961067199707],["▁sandy",-12.774189949035645],["method",-12.77425479888916],["▁Maple",-12.774308204650879],["gefragt",-12.774435997009277],["▁decreasing",-12.774515151977539],["ceşti",-12.774555206298828],["▁DUI",-12.774563789367676],["▁pierdere",-12.774574279785156],["▁brushes",-12.77466869354248],["▁Fully",-12.774712562561035],["filtered",-12.774789810180664],["ruins",-12.774988174438477],["Save",-12.775114059448242],["sweeping",-12.7752046585083],["PCR",-12.775334358215332],["▁folded",-12.775337219238281],["▁urca",-12.775444030761719],["▁clic",-12.775484085083008],["▁spécialiste",-12.775614738464355],["▁durfte",-12.775686264038086],["tuși",-12.775871276855469],["▁diligent",-12.77596378326416],["▁verdict",-12.775972366333008],["▁chaise",-12.776039123535156],["▁cleanup",-12.776068687438965],["▁Guitar",-12.776076316833496],["▁Dip",-12.776142120361328],["vru",-12.776260375976562],["▁cogn",-12.776373863220215],["something",-12.776529312133789],["hidr",-12.776535034179688],["ENG",-12.776607513427734],["Paul",-12.776679039001465],["▁reboot",-12.776687622070312],["savvy",-12.776688575744629],["▁Macron",-12.776710510253906],["▁Kino",-12.77682876586914],["232",-12.776832580566406],["▁gravit",-12.776861190795898],["ANC",-12.776883125305176],["▁petrecut",-12.776944160461426],["▁signage",-12.776959419250488],["odia",-12.776987075805664],["▁GRA",-12.77712631225586],["▁alegeril",-12.777129173278809],["leger",-12.77717399597168],["▁medicamente",-12.777174949645996],["pentru",-12.777249336242676],["▁collectif",-12.777251243591309],["▁Sohn",-12.777298927307129],["205",-12.777313232421875],["▁Reach",-12.77733039855957],["RAM",-12.777400970458984],["3.4",-12.777405738830566],["▁bleach",-12.777409553527832],["▁diligence",-12.777414321899414],["▁MORE",-12.777440071105957],["▁Critical",-12.777471542358398],["▁singură",-12.77767276763916],["▁adversar",-12.777791023254395],["▁Buzz",-12.7778902053833],["▁demeure",-12.778063774108887],["▁nephew",-12.778141021728516],["▁Boom",-12.77817440032959],["▁shining",-12.77819538116455],["▁sponge",-12.778206825256348],["liest",-12.77841854095459],["rseits",-12.778690338134766],["▁capita",-12.778823852539062],["esthesia",-12.778867721557617],["500,000",-12.77895736694336],["▁Pressure",-12.77898120880127],["ifikation",-12.779021263122559],["▁acceleration",-12.779181480407715],["▁Pfarr",-12.779282569885254],["▁imobil",-12.779304504394531],["▁pericol",-12.779326438903809],["▁flock",-12.779454231262207],["▁Scholar",-12.77962875366211],["▁Fusion",-12.779630661010742],["▁revolve",-12.779637336730957],["Plugin",-12.779664993286133],["▁Ruf",-12.779691696166992],["▁tehnici",-12.780024528503418],["voice",-12.78005313873291],["▁anomal",-12.780203819274902],["▁gefallen",-12.780252456665039],["▁Wyoming",-12.780322074890137],["▁9:00",-12.780354499816895],["packed",-12.780461311340332],["▁Zimbabwe",-12.780686378479004],["▁glücklich",-12.780766487121582],["ethanol",-12.78077220916748],["▁effektiv",-12.780936241149902],["▁saptamani",-12.781049728393555],["▁umfasst",-12.781052589416504],["▁Werbung",-12.781103134155273],["▁undermine",-12.781164169311523],["▁Lego",-12.781322479248047],["▁Rac",-12.781323432922363],["educating",-12.781441688537598],["leiten",-12.781451225280762],["derma",-12.781518936157227],["hängen",-12.781597137451172],["Lumin",-12.781846046447754],["▁PNL",-12.781913757324219],["▁volcano",-12.782064437866211],["▁Anfrage",-12.782066345214844],["▁resp",-12.782124519348145],["leigh",-12.78217601776123],["▁addict",-12.782176971435547],["WORK",-12.782312393188477],["▁FY",-12.782322883605957],["▁maneuver",-12.782513618469238],["flächen",-12.782525062561035],["zweck",-12.782527923583984],["tolerant",-12.782609939575195],["Davidson",-12.78272533416748],["▁meteor",-12.782849311828613],["▁Stephanie",-12.78291130065918],["▁plafon",-12.783126831054688],["technischen",-12.78316879272461],["unused",-12.783193588256836],["▁voulai",-12.783228874206543],["▁fehlt",-12.783447265625],["möglichen",-12.783955574035645],["▁Twenty",-12.783968925476074],["composing",-12.783979415893555],["▁rebate",-12.78400707244873],["Italie",-12.784036636352539],["▁goodbye",-12.784058570861816],["wild",-12.784061431884766],["▁lancé",-12.784077644348145],["▁wunderschöne",-12.784083366394043],["▁Frontier",-12.784139633178711],["▁murit",-12.784313201904297],["▁scump",-12.78464412689209],["OVER",-12.784682273864746],["▁meme",-12.784709930419922],["Super",-12.784733772277832],["▁Crack",-12.784849166870117],["rennen",-12.784907341003418],["▁interessiert",-12.784941673278809],["▁relaţi",-12.784942626953125],["▁factories",-12.784975051879883],["▁[...]",-12.785066604614258],["▁vizite",-12.785075187683105],["▁erfolgen",-12.785199165344238],["▁Hosting",-12.785244941711426],["▁localitate",-12.78528118133545],["▁chasse",-12.785415649414062],["▁Meadow",-12.785465240478516],["▁expansive",-12.785513877868652],["hov",-12.785874366760254],["Phil",-12.785978317260742],["illian",-12.786107063293457],["▁manipulate",-12.786107063293457],["informationen",-12.786130905151367],["▁profesionist",-12.786162376403809],["risen",-12.786252975463867],["frem",-12.786300659179688],["Act",-12.78640079498291],["supervised",-12.786491394042969],["▁capul",-12.786506652832031],["▁Craiova",-12.786528587341309],["▁victoire",-12.786528587341309],["▁guitarist",-12.786680221557617],["▁identific",-12.786684036254883],["democrat",-12.786864280700684],["Authentic",-12.786894798278809],["▁Autumn",-12.786894798278809],["▁bodi",-12.787014961242676],["April",-12.787044525146484],["▁Burger",-12.787049293518066],["▁BEST",-12.787490844726562],["▁torrent",-12.78749942779541],["UV",-12.787567138671875],["▁renal",-12.787676811218262],["founded",-12.787693977355957],["203",-12.787956237792969],["▁Flooring",-12.78799057006836],["▁kilogram",-12.787994384765625],["▁garantiert",-12.788139343261719],["▁fulfil",-12.788204193115234],["303",-12.788330078125],["▁schafft",-12.788363456726074],["▁butterfly",-12.788365364074707],["▁Stuart",-12.788382530212402],["▁Versuch",-12.788392066955566],["▁liking",-12.788412094116211],["▁chercher",-12.788508415222168],["▁wrapping",-12.788527488708496],["schrieb",-12.788652420043945],["▁abuz",-12.788718223571777],["▁maîtrise",-12.788772583007812],["EQ",-12.788887977600098],["▁Erinnerung",-12.789095878601074],["▁bridal",-12.78909969329834],["Rock",-12.789118766784668],["▁copied",-12.789193153381348],["Met",-12.789206504821777],["▁incep",-12.789233207702637],["▁sinus",-12.789336204528809],["▁Felix",-12.789831161499023],["▁Deluxe",-12.789837837219238],["▁GPU",-12.789848327636719],["Sie",-12.790164947509766],["lowering",-12.790262222290039],["▁Trotz",-12.790282249450684],["333",-12.790417671203613],["withstand",-12.79055118560791],["▁Aufenthalt",-12.790566444396973],["▁unhealthy",-12.790567398071289],["▁urbain",-12.790573120117188],["▁LOL",-12.790702819824219],["▁Ballet",-12.79074478149414],["▁Decoration",-12.79083251953125],["weist",-12.790839195251465],["▁Residence",-12.790932655334473],["▁Leeds",-12.791055679321289],["▁Genau",-12.791084289550781],["Imagin",-12.791136741638184],["▁suspicion",-12.791300773620605],["▁pêche",-12.791301727294922],["▁Soccer",-12.791306495666504],["▁protectie",-12.791553497314453],["ATS",-12.791796684265137],["stocked",-12.791838645935059],["▁gymnas",-12.79184627532959],["ASP",-12.792027473449707],["▁Independence",-12.792037010192871],["▁Wizard",-12.792037963867188],["▁nitrogen",-12.79204273223877],["amerikanische",-12.7920503616333],["▁Indianapolis",-12.79205322265625],["catches",-12.792131423950195],["stria",-12.792275428771973],["schätze",-12.79235553741455],["▁Räume",-12.792387962341309],["▁Interesting",-12.792403221130371],["bürger",-12.79240608215332],["sweet",-12.792410850524902],["Identify",-12.792632102966309],["EEN",-12.792651176452637],["▁£3",-12.792654991149902],["interacting",-12.7926664352417],["NYSE",-12.792762756347656],["▁Dynamics",-12.79277515411377],["▁modificări",-12.792777061462402],["▁Kumar",-12.792936325073242],["chette",-12.79313850402832],["▁presiune",-12.79316234588623],["arni",-12.793164253234863],["▁vielfältig",-12.793221473693848],["KC",-12.793259620666504],["▁Cuisine",-12.793513298034668],["▁australia",-12.793885231018066],["▁încet",-12.794026374816895],["▁caracteristic",-12.794257164001465],["▁cookbook",-12.794501304626465],["▁douleur",-12.79453182220459],["AVI",-12.794593811035156],["artikel",-12.794740676879883],["feta",-12.79493522644043],["▁fréquent",-12.794987678527832],["▁Prophet",-12.795051574707031],["▁dépense",-12.795202255249023],["▁Smile",-12.795235633850098],["▁lawmakers",-12.79525375366211],["▁Kollegen",-12.795391082763672],["▁Pir",-12.79555606842041],["serez",-12.79561710357666],["▁consumator",-12.795656204223633],["▁playlist",-12.795730590820312],["▁envisage",-12.795733451843262],["swept",-12.795780181884766],["▁Grim",-12.795825004577637],["▁widow",-12.795836448669434],["authorised",-12.795886039733887],["▁(...)",-12.796035766601562],["▁photographic",-12.796060562133789],["▁libertate",-12.796173095703125],["▁principalement",-12.796201705932617],["umming",-12.796260833740234],["▁Montréal",-12.796465873718262],["▁compilation",-12.796468734741211],["▁erlaubt",-12.79647159576416],["▁biblical",-12.796518325805664],["volume",-12.796561241149902],["5-7",-12.796809196472168],["▁Versch",-12.79689884185791],["▁Shark",-12.796957015991211],["ologne",-12.796969413757324],["4.4",-12.797086715698242],["decken",-12.797112464904785],["▁frequencies",-12.797205924987793],["▁inferior",-12.79720687866211],["visible",-12.797321319580078],["▁educator",-12.797394752502441],["▁soziale",-12.797420501708984],["▁billet",-12.797523498535156],["folosirea",-12.797574996948242],["▁aufgenommen",-12.797590255737305],["▁Thread",-12.797649383544922],["registering",-12.797694206237793],["▁Loop",-12.797747611999512],["innovation",-12.79783821105957],["▁elimination",-12.797857284545898],["136",-12.797883987426758],["▁fluctu",-12.797892570495605],["▁Mercury",-12.79794692993164],["▁bouche",-12.797955513000488],["▁hurdle",-12.7979736328125],["▁Bennett",-12.798040390014648],["STI",-12.79818344116211],["▁théâtre",-12.798316955566406],["▁confortable",-12.798359870910645],["▁Automobil",-12.79838752746582],["▁Donna",-12.798399925231934],["▁foyer",-12.79841136932373],["▁hollow",-12.798465728759766],["▁règlement",-12.79861068725586],["effi",-12.798616409301758],["▁sediment",-12.79869270324707],["▁Mä",-12.798774719238281],["▁faint",-12.798833847045898],["feti",-12.79890251159668],["▁Concord",-12.798959732055664],["▁Ladies",-12.798990249633789],["▁pregatit",-12.799052238464355],["▁Ensemble",-12.79905891418457],["▁Ingredient",-12.79905891418457],["▁Respond",-12.79914379119873],["▁impaired",-12.799356460571289],["▁Feedback",-12.799430847167969],["▁ultrasound",-12.799461364746094],["▁Guvernului",-12.799617767333984],["▁Unterricht",-12.799654006958008],["▁prosecut",-12.799662590026855],["spend",-12.799732208251953],["▁capitol",-12.799800872802734],["USD",-12.799822807312012],["observing",-12.799947738647461],["▁effortlessly",-12.800045013427734],["▁Setting",-12.80010986328125],["▁spontaneous",-12.80020809173584],["▁LEGO",-12.800238609313965],["initiative",-12.800299644470215],["▁Sak",-12.800299644470215],["Interestingly",-12.800326347351074],["▁Yale",-12.800352096557617],["▁größer",-12.80038070678711],["RIC",-12.800406455993652],["▁distracted",-12.800436973571777],["drafted",-12.800484657287598],["▁Brenda",-12.800522804260254],["monopol",-12.800551414489746],["städt",-12.800580024719238],["▁altar",-12.80058765411377],["▁Hannover",-12.800596237182617],["▁Spiritual",-12.800702095031738],["▁thriller",-12.800747871398926],["▁Schneider",-12.800760269165039],["▁accumulate",-12.800817489624023],["▁mediului",-12.800822257995605],["▁Mathematics",-12.800914764404297],["▁paradox",-12.800986289978027],["▁Sham",-12.801230430603027],["▁SITE",-12.801375389099121],["▁echipei",-12.801508903503418],["▁staircase",-12.801660537719727],["▁întrebări",-12.801705360412598],["Commerce",-12.802020072937012],["▁selfie",-12.802353858947754],["▁Pocket",-12.802404403686523],["▁niemand",-12.80263614654541],["Tool",-12.802678108215332],["igma",-12.802695274353027],["utilisant",-12.802915573120117],["▁negatively",-12.80295181274414],["Secondly",-12.802955627441406],["▁ROI",-12.8030366897583],["Arch",-12.803121566772461],["▁continuity",-12.80318546295166],["▁Prayer",-12.803235054016113],["inverse",-12.803241729736328],["▁Himmel",-12.803336143493652],["prinz",-12.803478240966797],["wichtigen",-12.803496360778809],["étage",-12.803522109985352],["summe",-12.8036527633667],["▁Zeitung",-12.80366039276123],["▁realization",-12.803897857666016],["▁influent",-12.804291725158691],["▁Valid",-12.804357528686523],["▁publicity",-12.804439544677734],["▁vertreten",-12.804447174072266],["▁Shoes",-12.804609298706055],["▁Diabetes",-12.80463695526123],["▁anticipation",-12.804670333862305],["▁Blank",-12.8047456741333],["asked",-12.804899215698242],["Power",-12.804938316345215],["arrelage",-12.805140495300293],["▁appraisal",-12.80538272857666],["▁harassment",-12.805542945861816],["Anzeige",-12.805682182312012],["liners",-12.80584716796875],["Firstly",-12.805851936340332],["transferring",-12.805951118469238],["▁Diane",-12.806012153625488],["▁1/2\"",-12.80606746673584],["▁adrenal",-12.806131362915039],["▁Prague",-12.806208610534668],["insertion",-12.80635929107666],["▁Fahrer",-12.806465148925781],["▁divin",-12.806585311889648],["▁douche",-12.80673885345459],["▁meticulous",-12.806879043579102],["▁IEEE",-12.806981086730957],["▁Rabatt",-12.807259559631348],["Runner",-12.807342529296875],["▁Leder",-12.807429313659668],["project",-12.80745792388916],["▁Split",-12.807562828063965],["Gold",-12.807600021362305],["5.00",-12.807629585266113],["iola",-12.807655334472656],["standardized",-12.807890892028809],["ordination",-12.807984352111816],["▁Egal",-12.808158874511719],["▁ruhig",-12.808241844177246],["▁judiciar",-12.80837345123291],["▁Nowadays",-12.808374404907227],["▁whistle",-12.808374404907227],["▁superhero",-12.808379173278809],["▁PowerPoint",-12.808408737182617],["flop",-12.808420181274414],["olph",-12.808460235595703],["▁pallet",-12.808916091918945],["posons",-12.809005737304688],["▁Listing",-12.809032440185547],["Tag",-12.809075355529785],["introductory",-12.809122085571289],["▁Profil",-12.809123992919922],["symmetric",-12.809126853942871],["▁aisle",-12.809138298034668],["▁ajouté",-12.809147834777832],["opathy",-12.809149742126465],["prezentate",-12.809155464172363],["▁hurry",-12.809165000915527],["Auth",-12.809310913085938],["▁Homepage",-12.809435844421387],["ashes",-12.809489250183105],["▁inklusive",-12.809496879577637],["populated",-12.809502601623535],["▁nein",-12.809554100036621],["▁syndicat",-12.809690475463867],["▁développé",-12.809842109680176],["▁Domestic",-12.809877395629883],["essay",-12.809967994689941],["Atelier",-12.809980392456055],["▁proceeding",-12.810006141662598],["▁SAS",-12.810038566589355],["task",-12.810063362121582],["▁blackjack",-12.810114860534668],["Key",-12.810186386108398],["thérapie",-12.810247421264648],["▁Cohen",-12.810397148132324],["Direct",-12.810510635375977],["▁Estimat",-12.810517311096191],["élève",-12.810616493225098],["cind",-12.810640335083008],["▁prezenț",-12.810701370239258],["▁notorious",-12.810725212097168],["climbed",-12.810816764831543],["▁flexibil",-12.810830116271973],["▁entlang",-12.810855865478516],["longed",-12.81103515625],["▁elbow",-12.811078071594238],["BH",-12.811296463012695],["▁Radu",-12.811376571655273],["▁lonely",-12.811378479003906],["ALA",-12.811405181884766],["Variante",-12.811639785766602],["▁Influen",-12.81169319152832],["▁Budapest",-12.811747550964355],["▁Gemüse",-12.811747550964355],["▁continental",-12.811750411987305],["ippo",-12.811771392822266],["▁Affordable",-12.81212329864502],["▁niece",-12.812187194824219],["oscopic",-12.812190055847168],["▁Grid",-12.81222152709961],["sliced",-12.812270164489746],["▁voici",-12.812294006347656],["aveam",-12.812471389770508],["▁Lars",-12.812612533569336],["APA",-12.812657356262207],["▁particulière",-12.812858581542969],["sorb",-12.8128662109375],["▁1955",-12.812887191772461],["▁solutii",-12.812942504882812],["loch",-12.812960624694824],["▁summon",-12.813212394714355],["wurf",-12.813271522521973],["▁protecți",-12.813288688659668],["2001",-12.813499450683594],["▁sophomore",-12.813627243041992],["▁Schwerpunkt",-12.813628196716309],["▁diplomat",-12.813687324523926],["▁artistique",-12.813726425170898],["▁accueille",-12.813739776611328],["Disp",-12.813746452331543],["inherited",-12.813764572143555],["▁COMP",-12.813889503479004],["▁envoyé",-12.814046859741211],["▁tuning",-12.814056396484375],["▁entspricht",-12.814062118530273],["▁exerc",-12.81406307220459],["▁accessoires",-12.8140869140625],["▁Automat",-12.814348220825195],["importance",-12.814408302307129],["▁travellers",-12.814432144165039],["seiten",-12.814474105834961],["▁slider",-12.814481735229492],["effect",-12.814591407775879],["▁siding",-12.814669609069824],["▁Crit",-12.814780235290527],["▁sportif",-12.814827919006348],["▁Accessories",-12.81513500213623],["▁Anteil",-12.815184593200684],["▁limbi",-12.81519603729248],["▁vendre",-12.815269470214844],["borg",-12.815435409545898],["▁Deposit",-12.815508842468262],["▁Hö",-12.815717697143555],["employé",-12.8157320022583],["▁Bangalore",-12.815887451171875],["▁itinerary",-12.815888404846191],["▁Deliver",-12.816008567810059],["dik",-12.816024780273438],["▁advent",-12.816100120544434],["▁Turk",-12.81614875793457],["▁Nico",-12.816154479980469],["organizarea",-12.816161155700684],["▁remport",-12.816166877746582],["▁tribunal",-12.816266059875488],["▁Rusia",-12.8162841796875],["glazed",-12.816339492797852],["▁destiné",-12.816502571105957],["304",-12.816533088684082],["album",-12.816650390625],["▁junction",-12.81665325164795],["▁Fleet",-12.816664695739746],["venant",-12.81667423248291],["▁buddy",-12.816694259643555],["▁neglected",-12.816694259643555],["▁Mask",-12.816783905029297],["▁testament",-12.816844940185547],["▁Basil",-12.81690788269043],["masă",-12.816922187805176],["▁racist",-12.81692886352539],["640",-12.816990852355957],["▁Standing",-12.817028045654297],["▁MUST",-12.817266464233398],["situation",-12.817327499389648],["▁informiert",-12.817337036132812],["ABA",-12.817353248596191],["▁Timothy",-12.817397117614746],["▁generosity",-12.817397117614746],["▁erscheint",-12.817402839660645],["▁verarbeitet",-12.81740665435791],["▁burial",-12.817444801330566],["▁limestone",-12.817458152770996],["▁1953",-12.817480087280273],["▁Lucr",-12.817506790161133],["small",-12.817633628845215],["aveau",-12.81763744354248],["versiune",-12.81773567199707],["▁inkl",-12.81775951385498],["▁Minneapolis",-12.81777572631836],["Spiel",-12.81781005859375],["▁encode",-12.817895889282227],["▁beforehand",-12.818021774291992],["▁Vital",-12.818086624145508],["▁socialist",-12.818228721618652],["inho",-12.81824779510498],["▁chapel",-12.81825065612793],["▁Monitoring",-12.81838607788086],["▁quotidienne",-12.818404197692871],["cloud",-12.818506240844727],["▁desfăşur",-12.818531036376953],["▁1952",-12.818638801574707],["▁Rü",-12.818690299987793],["▁Sigma",-12.818804740905762],["134",-12.818835258483887],["Sullivan",-12.818909645080566],["▁Bevölkerung",-12.818909645080566],["▁sufficiently",-12.818953514099121],["Check",-12.818992614746094],["rnie",-12.8190336227417],["contamin",-12.819132804870605],["▁gewonnen",-12.81928825378418],["▁bugetul",-12.819376945495605],["▁mustard",-12.819414138793945],["132",-12.819478988647461],["0.9",-12.819535255432129],["▁tratat",-12.81957721710205],["▁dilemma",-12.819666862487793],["▁versatility",-12.819666862487793],["▁clutter",-12.819670677185059],["▁Musk",-12.81973934173584],["▁Beide",-12.819750785827637],["hurst",-12.819758415222168],["atsu",-12.819767951965332],["absence",-12.819784164428711],["rebounds",-12.819881439208984],["6.1",-12.820029258728027],["Dia",-12.820046424865723],["▁siguranță",-12.820060729980469],["▁Blade",-12.820072174072266],["▁disrupt",-12.820074081420898],["▁visiteurs",-12.820169448852539],["tested",-12.820282936096191],["▁Lup",-12.820353507995605],["▁Rouge",-12.820371627807617],["▁asbestos",-12.82042407989502],["▁moisturize",-12.820427894592285],["▁acknowledg",-12.82045841217041],["▁procent",-12.820467948913574],["▁swear",-12.82050895690918],["▁911",-12.820647239685059],["präsent",-12.820724487304688],["▁cohort",-12.82072639465332],["▁intimid",-12.820830345153809],["JS",-12.820849418640137],["îm",-12.82096004486084],["▁Kunststoff",-12.820963859558105],["rison",-12.820972442626953],["▁praf",-12.82097339630127],["▁convient",-12.821019172668457],["▁partenaire",-12.821088790893555],["▁Verantwortlich",-12.821182250976562],["▁semiconductor",-12.821182250976562],["▁kürz",-12.821187019348145],["▁Bottom",-12.821187973022461],["▁tratamentul",-12.82127571105957],["Source",-12.821331024169922],["authored",-12.82172679901123],["robo",-12.821867942810059],["▁turf",-12.82194709777832],["▁liebe",-12.821971893310547],["▁Fotografi",-12.821995735168457],["Big",-12.822064399719238],["▁fireworks",-12.822081565856934],["▁presă",-12.822135925292969],["▁conceal",-12.822269439697266],["▁originated",-12.82227897644043],["▁biciclet",-12.822319984436035],["acești",-12.822577476501465],["▁mortar",-12.822585105895996],["▁Wunder",-12.822626113891602],["ionist",-12.822696685791016],["KM",-12.822871208190918],["▁Marion",-12.822918891906738],["produkte",-12.822933197021484],["▁Sprint",-12.822999000549316],["▁Nachde",-12.8230619430542],["▁verfüge",-12.823100090026855],["Marea",-12.823177337646484],["▁compressor",-12.823253631591797],["Arm",-12.823290824890137],["Auf",-12.823311805725098],["▁Polyester",-12.823461532592773],["▁Sheffield",-12.823461532592773],["illiard",-12.823494911193848],["▁misleading",-12.82353401184082],["multi",-12.823749542236328],["ripped",-12.82381820678711],["▁Cosmetic",-12.82383918762207],["▁Regal",-12.823890686035156],["▁authenticity",-12.82414436340332],["▁customizable",-12.824219703674316],["▁bathtub",-12.824275016784668],["▁Average",-12.824292182922363],["▁Muster",-12.824522018432617],["290",-12.824529647827148],["▁Ersatz",-12.824570655822754],["▁Might",-12.824588775634766],["published",-12.82461929321289],["▁Interpret",-12.824640274047852],["▁încep",-12.82480239868164],["▁proto",-12.824851036071777],["▁disque",-12.824889183044434],["▁Palestine",-12.824980735778809],["Over",-12.824981689453125],["▁verbessert",-12.824983596801758],["▁liefern",-12.825017929077148],["▁Handlung",-12.825095176696777],["▁Handels",-12.825150489807129],["▁eater",-12.825201988220215],["▁$40",-12.825251579284668],["illard",-12.825334548950195],["▁apariti",-12.825413703918457],["▁gag",-12.825422286987305],["▁chimic",-12.825541496276855],["▁Guru",-12.825594902038574],["▁Toilet",-12.82571792602539],["▁Tochter",-12.825748443603516],["▁Aurora",-12.82579231262207],["contro",-12.825922966003418],["▁GOP",-12.825995445251465],["Provence",-12.826130867004395],["▁Frieden",-12.82614803314209],["ăci",-12.826216697692871],["portée",-12.826268196105957],["▁upright",-12.826300621032715],["▁Physician",-12.82650375366211],["▁juridique",-12.82650375366211],["▁territorial",-12.82650375366211],["▁kindergarten",-12.826505661010742],["aéroport",-12.826510429382324],["▁whisper",-12.826513290405273],["▁capacities",-12.826562881469727],["dichte",-12.826641082763672],["▁Grenzen",-12.826822280883789],["▁Riv",-12.82710075378418],["épreuve",-12.827266693115234],["▁Scheme",-12.827290534973145],["mesures",-12.827330589294434],["▁Einfluss",-12.827333450317383],["appui",-12.827713966369629],["▁apuc",-12.827827453613281],["▁radiat",-12.82794189453125],["▁allergy",-12.828035354614258],["▁spear",-12.828038215637207],["▁Luxembourg",-12.828086853027344],["▁Registered",-12.828115463256836],["▁Shape",-12.828198432922363],["genie",-12.828328132629395],["nsonsten",-12.828385353088379],["▁Symposium",-12.828412055969238],["forderung",-12.828474998474121],["▁personalizat",-12.82866096496582],["▁ştiu",-12.82875919342041],["blatt",-12.828804016113281],["▁geometry",-12.828807830810547],["▁8:30",-12.828831672668457],["▁Fahrrad",-12.828861236572266],["After",-12.828927040100098],["▁ventilat",-12.829072952270508],["▁nylon",-12.829190254211426],["▁verkauft",-12.829304695129395],["öß",-12.829345703125],["▁Kath",-12.829523086547852],["▁Nuclear",-12.829558372497559],["▁Verizon",-12.829560279846191],["▁spokesperson",-12.829560279846191],["▁vietii",-12.829560279846191],["▁prescri",-12.829629898071289],["ру",-12.829666137695312],["6.2",-12.829801559448242],["▁spațiu",-12.830018997192383],["▁solvent",-12.83006763458252],[",000,000",-12.830142974853516],["reuen",-12.830185890197754],["plast",-12.830245018005371],["▁Activities",-12.830334663391113],["▁domni",-12.83056926727295],["▁trophy",-12.830572128295898],["▁saddle",-12.830657958984375],["▁renovat",-12.830708503723145],["▁bumper",-12.830717086791992],["▁penny",-12.830741882324219],["omato",-12.830743789672852],["AQ",-12.83083438873291],["kunst",-12.830843925476074],["hydrat",-12.830860137939453],["minder",-12.830931663513184],["trecerea",-12.830949783325195],["brush",-12.831185340881348],["TEC",-12.83121395111084],["Please",-12.831253051757812],["hydrated",-12.831483840942383],["ICAL",-12.831636428833008],["trauen",-12.831639289855957],["9,000",-12.83175277709961],["▁2030",-12.831830024719238],["▁Chennai",-12.831854820251465],["▁empirical",-12.831854820251465],["▁Subscribe",-12.83206844329834],["▁vorgestellt",-12.832120895385742],["▁Springfield",-12.832159996032715],["▁continuu",-12.832311630249023],["208",-12.832351684570312],["▁Bearing",-12.83240795135498],["2003",-12.832572937011719],["cheta",-12.832608222961426],["▁empathy",-12.832623481750488],["▁Alert",-12.832817077636719],["▁recreate",-12.832879066467285],["PJ",-12.833159446716309],["Name",-12.83323860168457],["▁Mouse",-12.833405494689941],["▁disturbing",-12.833443641662598],["▁leichter",-12.83344841003418],["▁cruel",-12.833507537841797],["▁detective",-12.833531379699707],["▁reimbursement",-12.833626747131348],["▁Gemeinschaft",-12.833772659301758],["▁adolescents",-12.833772659301758],["▁Reality",-12.833954811096191],["▁Stockholm",-12.83415699005127],["▁Gründen",-12.834304809570312],["▁Reflect",-12.83432388305664],["▁Palmer",-12.834336280822754],["▁treac",-12.8343505859375],["▁tentative",-12.834497451782227],["▁surrender",-12.834677696228027],["▁broadly",-12.834734916687012],["▁județ",-12.834814071655273],["▁Thu",-12.834845542907715],["wärts",-12.834961891174316],["▁crește",-12.835074424743652],["▁déplacement",-12.835208892822266],["blanc",-12.835268020629883],["▁£5",-12.835308074951172],["▁confidentiality",-12.835320472717285],["veraging",-12.835444450378418],["unité",-12.835609436035156],["clar",-12.83564567565918],["rigg",-12.835693359375],["honneur",-12.835694313049316],["▁adventurous",-12.835694313049316],["▁Nutzen",-12.835758209228516],["▁Kabel",-12.835800170898438],["empowering",-12.836040496826172],["verhalten",-12.836042404174805],["▁prevail",-12.8361234664917],["mashed",-12.836138725280762],["▁1947",-12.83616828918457],["function",-12.836292266845703],["niveaux",-12.83633041381836],["▁territories",-12.836463928222656],["▁Permanent",-12.836465835571289],["▁christmas",-12.836471557617188],["arguing",-12.836490631103516],["zukünftig",-12.836654663085938],["▁Eindruck",-12.836817741394043],["personalised",-12.836854934692383],["▁vecin",-12.837211608886719],["▁Affiliate",-12.837234497070312],["▁Silk",-12.837249755859375],["▁Tub",-12.837440490722656],["▁remont",-12.837493896484375],["▁sauber",-12.837530136108398],["gehörig",-12.837562561035156],["Maritime",-12.83771800994873],["▁Bö",-12.837973594665527],["▁1957",-12.83800220489502],["▁unparalleled",-12.838005065917969],["▁fulfillment",-12.838042259216309],["▁collage",-12.838179588317871],["fenders",-12.838248252868652],["▁neige",-12.838275909423828],["▁gamers",-12.838325500488281],["tefan",-12.838339805603027],["▁wifi",-12.838349342346191],["▁leisten",-12.83835506439209],["▁Verbesserung",-12.838390350341797],["▁composant",-12.838400840759277],["▁LORD",-12.8384370803833],["arrive",-12.838472366333008],["▁conquer",-12.838562965393066],["▁lentil",-12.838767051696777],["▁Sprech",-12.838995933532715],["▁substitution",-12.839015007019043],[".05.",-12.839020729064941],["FORM",-12.839144706726074],["cădere",-12.839154243469238],["▁canyon",-12.839430809020996],["▁capacitate",-12.839442253112793],["▁menace",-12.839461326599121],["▁Antique",-12.839519500732422],["▁dizaine",-12.839550971984863],["▁Saturn",-12.839578628540039],["▁gastro",-12.83962631225586],["▁Vand",-12.839641571044922],["▁africa",-12.839682579040527],["▁hackers",-12.839702606201172],["▁Bailey",-12.839736938476562],["ouette",-12.839822769165039],["hoch",-12.839885711669922],["étudiant",-12.839973449707031],["▁1600",-12.840004920959473],["utiliz",-12.840167999267578],["reinigung",-12.840263366699219],["▁mileage",-12.84029483795166],["▁consacré",-12.840309143066406],["▁Norfolk",-12.840327262878418],["stacked",-12.840659141540527],["anbieter",-12.840731620788574],["▁gewünschte",-12.84073543548584],["▁silicon",-12.840761184692383],["Ensuite",-12.840794563293457],["▁vendu",-12.840850830078125],["▁viteza",-12.840851783752441],["▁evaluare",-12.840913772583008],["▁contient",-12.841036796569824],["▁Viagra",-12.841100692749023],["▁circumstance",-12.841283798217773],["walker",-12.841383934020996],["▁Aluminium",-12.84148120880127],["ço",-12.841556549072266],["▁Kli",-12.841643333435059],["▁deliberately",-12.841649055480957],["▁gamble",-12.841893196105957],["▁nourri",-12.841903686523438],["▁sealing",-12.84194278717041],["▁Atmosphäre",-12.842255592346191],["▁erschien",-12.842260360717773],["▁brightness",-12.842340469360352],["autonomie",-12.84251594543457],["▁propel",-12.842525482177734],["▁Infrastructure",-12.842642784118652],["▁război",-12.842642784118652],["▁jelly",-12.842684745788574],["scalable",-12.84280776977539],["regal",-12.84296703338623],["▁sarcini",-12.843031883239746],["▁Dienstag",-12.84304428100586],["▁Receive",-12.8430814743042],["▁mango",-12.843356132507324],["▁compétition",-12.84341812133789],["▁Monument",-12.843428611755371],["▁mast",-12.844159126281738],["▁instructed",-12.84425163269043],["▁aventur",-12.844277381896973],["139",-12.844298362731934],["▁Parmi",-12.84435749053955],["confined",-12.844416618347168],["acious",-12.844441413879395],["▁simptome",-12.844581604003906],["▁Fischer",-12.844897270202637],["störung",-12.844985008239746],["▁bilateral",-12.84504508972168],["preşedintele",-12.845274925231934],["accueillir",-12.845357894897461],["▁Schmidt",-12.845359802246094],["litis",-12.845373153686523],["WL",-12.8454008102417],["▁Rise",-12.845436096191406],["▁streamline",-12.845556259155273],["sozialen",-12.845585823059082],["▁Emirates",-12.845746040344238],["▁encrypted",-12.845746040344238],["▁unfamiliar",-12.845746040344238],["established",-12.84577751159668],["▁Tätigkeit",-12.845818519592285],["▁unaware",-12.845913887023926],["2:00",-12.8460054397583],["macher",-12.846013069152832],["NSA",-12.8461275100708],["▁rutier",-12.846177101135254],["▁Trent",-12.846212387084961],["▁sickness",-12.846277236938477],["▁advert",-12.846417427062988],["▁Kranken",-12.846426963806152],["▁Sandra",-12.846443176269531],["▁Recreation",-12.846449851989746],["▁Evidence",-12.846524238586426],["▁Immigration",-12.846524238586426],["▁carriage",-12.846524238586426],["▁justified",-12.84655475616455],["▁veche",-12.846579551696777],["PGA",-12.846604347229004],["▁Carmen",-12.846735000610352],["▁Faites",-12.846750259399414],["▁erfüllt",-12.84691333770752],["▁voilà",-12.846931457519531],["▁împlin",-12.846959114074707],["deposited",-12.84721565246582],["▁decisiv",-12.847241401672363],["CSA",-12.847249031066895],["pathy",-12.84726619720459],["▁erweitert",-12.847302436828613],["▁liquor",-12.847302436828613],["▁resilient",-12.847302436828613],["▁walmart",-12.847302436828613],["▁fencing",-12.847308158874512],["▁dépasse",-12.84731388092041],["KT",-12.847354888916016],["▁fries",-12.847368240356445],["vadă",-12.847421646118164],["▁Spania",-12.847478866577148],["▁complètement",-12.847725868225098],["▁lucrari",-12.84777545928955],["▁Lieb",-12.847908973693848],["leistungen",-12.847943305969238],["198",-12.847979545593262],["▁Schnell",-12.847997665405273],["▁radius",-12.84814453125],["▁beneficiaries",-12.848151206970215],["▁northwest",-12.848174095153809],["▁#4",-12.848223686218262],["▁embryo",-12.848492622375488],["▁ditch",-12.848791122436523],["▁Seriously",-12.848859786987305],["oppel",-12.848941802978516],["▁stalk",-12.849053382873535],["écriture",-12.849066734313965],["512",-12.84912109375],["wiesen",-12.849271774291992],["▁Consum",-12.849321365356445],["▁lună",-12.849405288696289],["▁lantern",-12.849441528320312],["▁italian",-12.849629402160645],["▁achiziți",-12.849639892578125],["▁catalyst",-12.849639892578125],["▁Arbeitgeber",-12.849662780761719],["▁researched",-12.8496675491333],["▁drastically",-12.849679946899414],["versammlung",-12.849735260009766],["410",-12.849800109863281],["▁impus",-12.850153923034668],["▁interchange",-12.850173950195312],["▁pharmacie",-12.850215911865234],["Live",-12.850354194641113],["dents",-12.850384712219238],["▁charcoal",-12.850419998168945],["▁odihn",-12.850420951843262],["▁pistol",-12.850444793701172],["▁complaining",-12.850576400756836],["manager",-12.850578308105469],["themed",-12.850578308105469],["▁Chang",-12.850650787353516],["▁rookie",-12.85070514678955],["Great",-12.850706100463867],["▁smoker",-12.850733757019043],["▁Container",-12.850812911987305],["▁bancaire",-12.850852966308594],["▁Actual",-12.850966453552246],["füllen",-12.850982666015625],["forum",-12.850985527038574],["bleib",-12.851073265075684],["▁combi",-12.851079940795898],["smoked",-12.851137161254883],["difficultés",-12.851161003112793],["▁tactical",-12.851240158081055],["▁sichtbar",-12.851483345031738],["▁dreptate",-12.851598739624023],["ERT",-12.85168743133545],["▁Pond",-12.85177993774414],["▁Holly",-12.851844787597656],["erfolg",-12.8518705368042],["▁Nordic",-12.851896286010742],["évènement",-12.851983070373535],["embracing",-12.851984024047852],["▁Maximum",-12.851984024047852],["▁défend",-12.85205078125],["▁fruct",-12.852056503295898],["▁Conditioning",-12.852099418640137],["LG",-12.852127075195312],["exigence",-12.852166175842285],["amide",-12.852187156677246],["▁darunter",-12.852208137512207],["▁EVERY",-12.852420806884766],["▁comparat",-12.85244083404541],["boosting",-12.852452278137207],["▁Hawaiian",-12.852553367614746],["▁Geburt",-12.852752685546875],["deci",-12.852782249450684],["▁Apollo",-12.852803230285645],["▁schützen",-12.852821350097656],["tragere",-12.852893829345703],["Online",-12.852904319763184],["▁neural",-12.852913856506348],["▁lucrez",-12.853188514709473],["▁phenomenal",-12.853253364562988],["▁Height",-12.853368759155273],["coordinating",-12.853548049926758],["geschnitten",-12.853631019592285],["auront",-12.853641510009766],["▁administer",-12.853644371032715],["▁contend",-12.853707313537598],["▁crispy",-12.853784561157227],["chuck",-12.854011535644531],["▁Condition",-12.8540678024292],["gestaltung",-12.854324340820312],["▁Blvd",-12.854331970214844],["▁subjective",-12.854470252990723],["▁événements",-12.854708671569824],["▁Jenny",-12.855131149291992],["▁cumpăra",-12.85519027709961],["constructing",-12.855262756347656],["▁instructional",-12.85539436340332],["▁sterling",-12.855446815490723],["scrise",-12.855470657348633],["▁Boulevard",-12.855551719665527],["pipe",-12.855620384216309],["▁Pride",-12.855748176574707],["▁Kau",-12.855751991271973],["▁overhaul",-12.855924606323242],["▁Recruitment",-12.855925559997559],["▁thrilling",-12.856218338012695],["living",-12.856302261352539],["▁rămân",-12.85645866394043],["▁MOD",-12.85661792755127],["▁Newport",-12.856675148010254],["▁infectious",-12.856688499450684],["6-3",-12.856860160827637],["▁Apache",-12.856976509094238],["▁dependence",-12.85698413848877],["nutzung",-12.857199668884277],["praised",-12.857211112976074],["▁craving",-12.857346534729004],["▁cramp",-12.857397079467773],["▁mancare",-12.857455253601074],["▁entdeckt",-12.857474327087402],["▁Pioneer",-12.857484817504883],["▁Adelaide",-12.857490539550781],["2.0",-12.857503890991211],["168",-12.857526779174805],["▁Decorating",-12.857611656188965],["▁unpleasant",-12.857854843139648],["▁déclaration",-12.857865333557129],["▁Grafik",-12.857908248901367],["5-2",-12.857937812805176],["căci",-12.857940673828125],["▁invade",-12.858171463012695],["▁internaţional",-12.858259201049805],["▁fraudulent",-12.858281135559082],["▁crestere",-12.858441352844238],["ografic",-12.858729362487793],["plină",-12.859140396118164],["sunteti",-12.859150886535645],["/04",-12.859176635742188],["▁admis",-12.85935115814209],["▁mediation",-12.859403610229492],["ICC",-12.859424591064453],["roș",-12.859660148620605],["▁Aroma",-12.8596773147583],["1:00",-12.859792709350586],["gasesc",-12.859822273254395],["▁Defence",-12.859850883483887],["▁dictionary",-12.859856605529785],["▁Batterie",-12.859865188598633],["▁gesunde",-12.85997486114502],["146",-12.860099792480469],["▁mortal",-12.860129356384277],["▁Flughafen",-12.860230445861816],["hhh",-12.860284805297852],["▁novice",-12.860342025756836],["▁Develop",-12.86043930053711],["▁accidental",-12.860516548156738],["Muzeul",-12.86054515838623],["▁Jupiter",-12.86062240600586],["supposedly",-12.860662460327148],["energy",-12.860758781433105],["▁montrer",-12.860764503479004],["recalled",-12.860795021057129],["Press",-12.860801696777344],["▁postcard",-12.86080265045166],["target",-12.86081600189209],["▁vêtements",-12.860881805419922],["▁particle",-12.860888481140137],["professional",-12.8608980178833],["▁1949",-12.860917091369629],["yah",-12.860980033874512],["▁Spiegel",-12.861017227172852],["▁Jeffrey",-12.861023902893066],["fahrzeug",-12.861027717590332],["▁Plug",-12.861051559448242],["▁violin",-12.861150741577148],["▁condemn",-12.861381530761719],["▁conducere",-12.861398696899414],["▁Chevrolet",-12.861412048339844],["▁conceput",-12.861461639404297],["▁Merri",-12.861493110656738],["judging",-12.861559867858887],["embraced",-12.86168098449707],["▁Compact",-12.861715316772461],["▁château",-12.861807823181152],["etch",-12.861945152282715],["bedroom",-12.861995697021484],["People",-12.862038612365723],["25,000",-12.86209774017334],["ocyte",-12.862146377563477],["▁Lenovo",-12.862205505371094],["▁Hampton",-12.862241744995117],["5.2",-12.862244606018066],["▁progres",-12.862266540527344],["hoc",-12.862288475036621],["▁complementary",-12.86241340637207],["turned",-12.862485885620117],["mangel",-12.862508773803711],["▁Drew",-12.862592697143555],["épisode",-12.86259651184082],["▁Versorgung",-12.86259651184082],["▁ausdrücklich",-12.86259651184082],["ciune",-12.862788200378418],["▁sfârșit",-12.862990379333496],["Agricultural",-12.862991333007812],["▁caffeine",-12.862991333007812],["▁emergencies",-12.862991333007812],["▁unhappy",-12.862991333007812],["(7)",-12.863043785095215],["▁inlocui",-12.863059043884277],["▁Rochester",-12.863153457641602],["183",-12.863155364990234],["niz",-12.863285064697266],["tasche",-12.863462448120117],["▁Salle",-12.86347484588623],["cît",-12.863478660583496],["▁Singer",-12.863489151000977],["▁economically",-12.863506317138672],["▁ieși",-12.863525390625],["▁façade",-12.86378288269043],["Ohne",-12.863801956176758],["▁edible",-12.863842964172363],["Rob",-12.863851547241211],["▁(2014)",-12.863859176635742],["▁Zar",-12.863919258117676],["▁obey",-12.863995552062988],["Pack",-12.864087104797363],["▁Omni",-12.864198684692383],["▁Gilbert",-12.864212036132812],["▁Vlad",-12.86429500579834],["▁pauvre",-12.864333152770996],["▁secular",-12.864383697509766],["Center",-12.864415168762207],["▁Prospect",-12.864457130432129],["▁Noah",-12.86450481414795],["▁Interactive",-12.86471176147461],["▁centaine",-12.86485767364502],["▁cerebral",-12.864971160888672],["▁Novel",-12.865013122558594],["▁Käufer",-12.865039825439453],["werfen",-12.865056991577148],["▁reluctant",-12.865143775939941],["ес",-12.86520004272461],["Look",-12.86521053314209],["Erkrankung",-12.86536693572998],["▁cucumber",-12.86536693572998],["/2017",-12.865399360656738],["▁flank",-12.865405082702637],["opportunité",-12.865667343139648],["zugleich",-12.865766525268555],["RAT",-12.865840911865234],["▁avantages",-12.865880012512207],["▁außer",-12.866008758544922],["GV",-12.866090774536133],["▁Continental",-12.866159439086914],["▁affiliation",-12.866159439086914],["▁ursprünglich",-12.86618423461914],["▁hardship",-12.866349220275879],["âme",-12.86647891998291],["▁hallway",-12.866576194763184],["▁afară",-12.866578102111816],["western",-12.866714477539062],["▁Jacket",-12.866802215576172],["▁culturelle",-12.866876602172852],["▁glaci",-12.866995811462402],["metoda",-12.867036819458008],["▁clerk",-12.867045402526855],["▁ordinance",-12.867185592651367],["▁Initial",-12.867197036743164],["waking",-12.86722469329834],["▁Secondary",-12.867366790771484],["▁Solomon",-12.867411613464355],["glomer",-12.867488861083984],["SYS",-12.867530822753906],["▁Florin",-12.867596626281738],["ffentlich",-12.867670059204102],["▁Printer",-12.867674827575684],["▁dimineata",-12.86774730682373],["▁stripes",-12.867748260498047],["plugged",-12.86776065826416],["öhl",-12.867836952209473],["infused",-12.867875099182129],["▁Rubber",-12.867895126342773],["paved",-12.867898941040039],["▁Devi",-12.867995262145996],["▁subway",-12.8681640625],["▁gases",-12.868306159973145],["▁reguli",-12.868371963500977],["▁Rebel",-12.868413925170898],["▁destructive",-12.868546485900879],["▁oferind",-12.868664741516113],["9001",-12.868876457214355],["CRA",-12.868912696838379],["why",-12.868932723999023],["sensul",-12.869036674499512],["guter",-12.869277000427246],["Empfehlung",-12.869338035583496],["▁convertible",-12.86953353881836],["▁predominantly",-12.869637489318848],["▁Mentor",-12.869649887084961],["Practic",-12.869720458984375],["▁echipă",-12.869754791259766],["onsite",-12.869853019714355],["▁zunehmend",-12.86994743347168],["▁Harbour",-12.870016098022461],["▁pineapple",-12.870133399963379],["▁gasoline",-12.870139122009277],["▁Jaguar",-12.870158195495605],["kno",-12.870259284973145],["▁heap",-12.870448112487793],["▁fictional",-12.870481491088867],["fiinta",-12.870753288269043],["▁Amber",-12.87081241607666],["▁Exclusive",-12.870929718017578],["▁Pharmaceutical",-12.870929718017578],["▁unterscheide",-12.871044158935547],["▁1942",-12.871116638183594],["▁Ceiling",-12.87115478515625],["developed",-12.871228218078613],["▁consacr",-12.87132453918457],["▁Membr",-12.871411323547363],["erton",-12.871447563171387],["habitation",-12.871685981750488],["▁longevity",-12.871726989746094],["▁Starbucks",-12.871728897094727],["▁poat",-12.871771812438965],["▁commissioner",-12.871794700622559],["pedia",-12.871938705444336],["popped",-12.872468948364258],["versorgung",-12.872525215148926],["▁Aktivitäten",-12.872525215148926],["▁Betreuung",-12.872525215148926],["▁afacere",-12.872968673706055],["▁Mechanical",-12.873323440551758],["▁Leiter",-12.873346328735352],["▁scaling",-12.873427391052246],["▁Slim",-12.87350082397461],["▁temperaturi",-12.873516082763672],["ACH",-12.873558044433594],["▁jährlich",-12.873682022094727],["▁photographie",-12.873722076416016],["▁préalable",-12.873725891113281],["▁părinți",-12.87372875213623],["▁Farmers",-12.873873710632324],["▁Printable",-12.873905181884766],["Früh",-12.873908996582031],["approved",-12.87398624420166],["otro",-12.874094009399414],["▁veneer",-12.874099731445312],["▁Warriors",-12.874122619628906],["▁Approach",-12.874149322509766],["Share",-12.874238967895508],["▁buds",-12.874252319335938],["▁Într",-12.874330520629883],["glichen",-12.87452507019043],["▁anbieten",-12.87452507019043],["MET",-12.874539375305176],["amélioration",-12.87468147277832],["ländische",-12.87468433380127],["nsgesamt",-12.874764442443848],["einiger",-12.874822616577148],["▁Förderung",-12.874876022338867],["destroying",-12.874910354614258],["▁accreditation",-12.874922752380371],["reminiscent",-12.875094413757324],["▁retriev",-12.87528133392334],["▁Flü",-12.875306129455566],["▁Monsieur",-12.875322341918945],["German",-12.87536334991455],["Orice",-12.875443458557129],["künftig",-12.875523567199707],["▁vorbi",-12.875639915466309],["▁intentionally",-12.875733375549316],["▁îngrij",-12.875743865966797],["▁laughed",-12.875850677490234],["▁Fiction",-12.875913619995117],["▁inteligent",-12.875914573669434],["▁Translation",-12.875953674316406],["greete",-12.875983238220215],["▁énergétique",-12.876123428344727],["uncovered",-12.876248359680176],["▁évidemment",-12.876523971557617],["▁Vietnamese",-12.876535415649414],["▁Libya",-12.876675605773926],["▁Trailer",-12.876734733581543],["▁Wohl",-12.876871109008789],["▁Congo",-12.87698745727539],["▁freut",-12.877002716064453],["zauber",-12.877090454101562],["▁Pân",-12.877142906188965],["▁mentine",-12.877333641052246],["▁welding",-12.877335548400879],["▁Mircea",-12.8773775100708],["▁optimism",-12.877455711364746],["VEL",-12.877504348754883],["oilea",-12.877540588378906],["▁thereafter",-12.877612113952637],["▁André",-12.877710342407227],["forschung",-12.877799987792969],["running",-12.878022193908691],["▁hostile",-12.878059387207031],["Homme",-12.87811279296875],["▁Satellite",-12.878129005432129],["▁collagen",-12.87841796875],["▁concedi",-12.878518104553223],["▁produziert",-12.87852954864502],["▁virgin",-12.878540992736816],["frant",-12.87857723236084],["▁teammates",-12.878744125366211],["▁faceti",-12.878802299499512],["▁Restoration",-12.87893295288086],["▁detached",-12.878935813903809],["▁Instructor",-12.878950119018555],["montag",-12.879227638244629],["▁borrowing",-12.879375457763672],["▁Retro",-12.879446983337402],["▁behandelt",-12.879536628723145],["▁Aussage",-12.879715919494629],["▁snorkel",-12.879734992980957],["▁Proceedings",-12.879754066467285],["▁Judy",-12.879776000976562],["▁Wendy",-12.879783630371094],["artă",-12.879920959472656],["▁Vergangenheit",-12.88013744354248],["▁Gegner",-12.880139350891113],["▁ulcer",-12.880166053771973],["wirksam",-12.880553245544434],["▁închis",-12.880560874938965],["▁emission",-12.88068962097168],["ulescu",-12.880754470825195],["▁bancar",-12.880819320678711],["compromising",-12.880924224853516],["▁Priest",-12.881156921386719],["▁Progress",-12.881318092346191],["▁punish",-12.88144588470459],["▁Afin",-12.881450653076172],["▁Bog",-12.881514549255371],["lunii",-12.881525039672852],["▁ressembl",-12.881570816040039],["▁Creation",-12.881644248962402],["effet",-12.881668090820312],["Versicherung",-12.881671905517578],["médias",-12.881672859191895],["▁Kritik",-12.881793975830078],["idia",-12.881896018981934],["▁Wasch",-12.881929397583008],["UAL",-12.882059097290039],["Approximately",-12.882149696350098],["izari",-12.882152557373047],["▁Dortmund",-12.882152557373047],["▁contul",-12.882343292236328],["▁Airways",-12.882408142089844],["sicherung",-12.882535934448242],["échelle",-12.882560729980469],["ADD",-12.882582664489746],["DIA",-12.88259506225586],["kabel",-12.882621765136719],["Media",-12.88268756866455],["ampli",-12.882894515991211],["▁quarry",-12.88295841217041],["▁acoper",-12.883072853088379],["halter",-12.883326530456543],["▁solicitor",-12.883684158325195],["phosphat",-12.883763313293457],["▁drown",-12.883773803710938],["congratulat",-12.884047508239746],["▁uneven",-12.884087562561035],["▁rupe",-12.884154319763184],["▁heureux",-12.88417911529541],["caractéristiques",-12.884221076965332],["60,000",-12.884283065795898],["ambigu",-12.884340286254883],["224",-12.884417533874512],["dov",-12.88454532623291],["▁Naturally",-12.884629249572754],["▁Ernst",-12.884634017944336],["Camp",-12.884757995605469],["▁Worldwide",-12.884909629821777],["▁antrenament",-12.885042190551758],["▁jocul",-12.88521671295166],["▁broccoli",-12.88537883758545],["▁fascinated",-12.88537883758545],["▁Abbey",-12.885387420654297],["▁aquarium",-12.885390281677246],["HAN",-12.885458946228027],["chaffung",-12.885480880737305],["137",-12.885503768920898],["rumors",-12.885515213012695],["reliance",-12.885557174682617],["▁vaccination",-12.8856782913208],["responsabilitate",-12.885777473449707],["▁legislati",-12.885782241821289],["ATT",-12.885826110839844],["206",-12.885896682739258],["▁miere",-12.885967254638672],["▁rezultatul",-12.885988235473633],["părea",-12.88599681854248],["zuführen",-12.886159896850586],["▁Kompetenz",-12.886187553405762],["▁nickname",-12.886195182800293],["pilot",-12.88620376586914],["▁ninth",-12.886252403259277],["▁Tyr",-12.886446952819824],["▁misuse",-12.886469841003418],["▁SUP",-12.886514663696289],["▁Attack",-12.88667106628418],["Smart",-12.88669490814209],["▁Philosoph",-12.886930465698242],["▁Alege",-12.886931419372559],["▁femeile",-12.886967658996582],["▁Heating",-12.88698673248291],["▁Cricket",-12.886999130249023],["▁scholar",-12.887049674987793],["Model",-12.887073516845703],["▁stimulating",-12.887182235717773],["▁industrielle",-12.887189865112305],["▁phenomena",-12.887303352355957],["▁Nahrung",-12.887414932250977],["▁Conditioner",-12.887433052062988],["führ",-12.887489318847656],["▁révolution",-12.88757610321045],["plastic",-12.887595176696777],["▁approximate",-12.887596130371094],["▁dienen",-12.887624740600586],["▁obsession",-12.887807846069336],["▁rectangular",-12.887807846069336],["Allemagne",-12.887808799743652],["▁Tanzania",-12.887824058532715],["border",-12.887884140014648],["▁crashed",-12.887958526611328],["visor",-12.887974739074707],["▁autorizat",-12.888072967529297],["▁Champagne",-12.888222694396973],["längst",-12.888238906860352],["▁realities",-12.888314247131348],["▁Keyword",-12.88831615447998],["▁GUI",-12.888495445251465],["▁simplified",-12.88865852355957],["▁Rack",-12.888681411743164],["▁Zahlen",-12.888693809509277],["growth",-12.888897895812988],["▁rehearsal",-12.888991355895996],["▁Epic",-12.888999938964844],["▁réussite",-12.889195442199707],["▁politician",-12.889263153076172],["▁emoți",-12.889378547668457],["▁delegation",-12.889449119567871],["▁со",-12.889464378356934],["oversized",-12.889477729797363],["▁Motto",-12.889481544494629],["1860",-12.889788627624512],["▁defective",-12.889803886413574],["brewing",-12.889852523803711],["linguistic",-12.890243530273438],["▁Hopkins",-12.890265464782715],["▁(2012)",-12.89030933380127],["crease",-12.890436172485352],["▁Versicherungs",-12.89052677154541],["▁Noble",-12.890752792358398],["▁Bekannt",-12.890896797180176],["▁vorstellen",-12.89095401763916],["▁suburban",-12.890970230102539],["DAC",-12.890995025634766],["▁scatter",-12.89103889465332],["▁Artificial",-12.8910551071167],["▁reactor",-12.891073226928711],["▁modelling",-12.89108943939209],["▁Holder",-12.891148567199707],["athon",-12.891149520874023],["147",-12.891190528869629],["▁stagn",-12.891257286071777],["ARY",-12.891261100769043],["Space",-12.89126968383789],["▁Gibson",-12.891718864440918],["▁Investigator",-12.89173698425293],["▁1914",-12.891818046569824],["▁Muhammad",-12.891868591308594],["▁shove",-12.892073631286621],["▁erklären",-12.892276763916016],["▁abdomen",-12.892277717590332],["▁Mazda",-12.892349243164062],["▁hemo",-12.892364501953125],["National",-12.892455101013184],["starken",-12.89267635345459],["▁Cyprus",-12.892683982849121],["▁tread",-12.892721176147461],["▁sweetness",-12.892725944519043],["stunden",-12.892790794372559],["▁couverture",-12.893059730529785],["▁Successful",-12.893060684204102],["▁oublier",-12.893171310424805],["▁esential",-12.893203735351562],["estival",-12.89321231842041],["gnac",-12.893280029296875],["▁Basement",-12.893457412719727],["presumably",-12.893497467041016],["▁mourn",-12.893561363220215],["armée",-12.893677711486816],["148",-12.893845558166504],["▁residue",-12.894006729125977],["▁metalic",-12.89404296875],["▁Zell",-12.89425277709961],["Build",-12.894280433654785],["▁prevalence",-12.894312858581543],["▁wrestling",-12.894312858581543],["▁ascuns",-12.894325256347656],["Sacred",-12.894340515136719],["Tec",-12.89438533782959],["▁Kindergarten",-12.894389152526855],["bindung",-12.894464492797852],["▁ritm",-12.894545555114746],["▁triste",-12.894651412963867],["▁introdus",-12.894758224487305],["/2016",-12.894824028015137],["▁română",-12.894899368286133],["▁bibli",-12.89490032196045],["▁cigar",-12.894913673400879],["Rie",-12.894990921020508],["▁intentional",-12.894999504089355],["▁cuprins",-12.895098686218262],["remarkably",-12.895129203796387],["▁printemps",-12.895133972167969],["▁declining",-12.895171165466309],["Magazin",-12.89552116394043],["▁săptămână",-12.895537376403809],["▁vérifier",-12.895549774169922],["▁Speise",-12.895584106445312],["▁reteta",-12.8956298828125],["heed",-12.895772933959961],["▁Compliance",-12.895946502685547],["▁embroidery",-12.895946502685547],["cried",-12.896025657653809],["▁(„",-12.896282196044922],["▁heck",-12.89629077911377],["▁sadness",-12.896501541137695],["▁impulse",-12.896585464477539],["ATH",-12.896740913391113],["▁lavender",-12.896773338317871],["uiesc",-12.896790504455566],["▁Disorder",-12.896876335144043],["stroke",-12.896991729736328],["▁piaţ",-12.8970365524292],["ournée",-12.897049903869629],["▁Barnes",-12.8971586227417],["▁scăzut",-12.897172927856445],["▁équipements",-12.89725112915039],["OND",-12.897375106811523],["▁Compet",-12.897424697875977],["▁Bestell",-12.89748477935791],["▁immédiatement",-12.897587776184082],["aparut",-12.89759635925293],["▁rainfall",-12.897882461547852],["oreille",-12.89797306060791],["▁ministère",-12.898014068603516],["iris",-12.898140907287598],["dyna",-12.898279190063477],["drücken",-12.898343086242676],["▁détect",-12.89834976196289],["▁fonctionnalité",-12.89840030670166],["▁imbalance",-12.89840030670166],["▁unpredictable",-12.89840030670166],["▁literar",-12.89846134185791],["▁Windsor",-12.898472785949707],["▁Unlimited",-12.898481369018555],["colour",-12.898674964904785],["▁Portfolio",-12.898810386657715],["149",-12.898883819580078],["volution",-12.898890495300293],["▁folgende",-12.899078369140625],["▁arbitration",-12.899105072021484],["kicking",-12.89913558959961],["zügig",-12.89923095703125],["▁1941",-12.899311065673828],["▁Drake",-12.89955997467041],["▁ausführlich",-12.899630546569824],["▁chaussure",-12.899630546569824],["▁intestinal",-12.89976692199707],["▁pilgrim",-12.900040626525879],["▁Bark",-12.900142669677734],["between",-12.900157928466797],["disposed",-12.900175094604492],["▁Dylan",-12.900218963623047],["ств",-12.900253295898438],["NOR",-12.900287628173828],["traces",-12.90038776397705],["▁moindre",-12.900500297546387],["▁$10,000",-12.900552749633789],["212",-12.900599479675293],["wusste",-12.900659561157227],["▁predictable",-12.900671005249023],["poţi",-12.900679588317871],["▁Celsius",-12.900860786437988],["gebunden",-12.90086841583252],["▁Legacy",-12.900891304016113],["movers",-12.90090274810791],["▁concret",-12.90098762512207],["▁simpla",-12.901050567626953],["rechnet",-12.901103973388672],["▁certainty",-12.901144981384277],["entrepreneurship",-12.901153564453125],["kohl",-12.901289939880371],["▁curte",-12.901311874389648],["▁Forbes",-12.901411056518555],["▁Zusatz",-12.901535987854004],["blending",-12.90163803100586],["▁variat",-12.901642799377441],["▁galaxy",-12.90168285369873],["▁safari",-12.90168571472168],["▁municipalities",-12.9017972946167],["▁Drept",-12.90180778503418],["aufnahme",-12.902128219604492],["▁endorse",-12.902223587036133],["einrichtung",-12.902244567871094],["Sync",-12.902270317077637],["abide",-12.902323722839355],["brushed",-12.902350425720215],["▁actiune",-12.902410507202148],["quaint",-12.902498245239258],["▁volatility",-12.902504920959473],["▁repetitive",-12.902505874633789],["▁découvr",-12.902560234069824],["Totodat",-12.902585983276367],["▁românesc",-12.902682304382324],["▁tempting",-12.902772903442383],["thesis",-12.902947425842285],["secure",-12.903013229370117],["delt",-12.903019905090332],["▁şef",-12.903167724609375],["▁epidemic",-12.903326988220215],["▁Appliance",-12.903327941894531],["cearcă",-12.903331756591797],["▁lodging",-12.903361320495605],["▁photographed",-12.903507232666016],["geschlagen",-12.903794288635254],["▁Methodist",-12.90380859375],["▁Transit",-12.90389347076416],["▁Länder",-12.903934478759766],["villa",-12.903986930847168],["▁toilette",-12.904031753540039],["anno",-12.904074668884277],["▁Aufnahme",-12.904091835021973],["▁Coral",-12.904099464416504],["pourraient",-12.904129981994629],["▁digestion",-12.904245376586914],["▁Vacation",-12.904274940490723],["▁Rugby",-12.904275894165039],["MIC",-12.904311180114746],["▁choc",-12.904417991638184],["2002",-12.904492378234863],["gestion",-12.904674530029297],["▁Zoom",-12.904745101928711],["essor",-12.904763221740723],["weighed",-12.904793739318848],["▁dispus",-12.904987335205078],["▁redemption",-12.90502643585205],["▁plaster",-12.905071258544922],["▁Quilt",-12.90507698059082],["▁teritoriul",-12.905088424682617],["ndern",-12.905097961425781],["▁expired",-12.905105590820312],["▁Tribunal",-12.905122756958008],["occupation",-12.9052152633667],["▁woodland",-12.905248641967773],["vieux",-12.905254364013672],["▁Midland",-12.905465126037598],["gât",-12.90571117401123],["électricité",-12.905800819396973],["▁vanzare",-12.905811309814453],["biologi",-12.905961036682129],["▁vive",-12.906060218811035],["▁Alarm",-12.906097412109375],["▁experiență",-12.9061279296875],["▁Loch",-12.906133651733398],["▁Pedro",-12.906194686889648],["▁detergent",-12.906217575073242],["language",-12.906554222106934],["▁sedan",-12.906655311584473],["▁Brady",-12.906736373901367],["▁compus",-12.906976699829102],["▁landfill",-12.906982421875],["giu",-12.907039642333984],["beziehung",-12.9070405960083],["▁picior",-12.907184600830078],["ALI",-12.907235145568848],["▁Commander",-12.907256126403809],["EPS",-12.907303810119629],["▁Textil",-12.907320022583008],["▁industria",-12.907339096069336],["lox",-12.907365798950195],["▁eclectic",-12.907453536987305],["▁gracious",-12.907477378845215],["Uniunea",-12.907525062561035],["bps",-12.90754222869873],["▁entertained",-12.907634735107422],["depinde",-12.907767295837402],["▁daylight",-12.907893180847168],["▁résistance",-12.907995223999023],["ARN",-12.908194541931152],["▁unavailable",-12.908201217651367],["Curtea",-12.908390045166016],["▁pores",-12.908502578735352],["▁Tonight",-12.908649444580078],["▁datori",-12.90869426727295],["▁gezielt",-12.908703804016113],["▁rupture",-12.90875244140625],["▁disput",-12.908848762512207],["▁sonstige",-12.908895492553711],["▁Ordnung",-12.90910816192627],["▁beschrieben",-12.909114837646484],["▁Rainbow",-12.90911865234375],["▁Werkzeug",-12.909136772155762],["GIN",-12.909354209899902],["facilitating",-12.909490585327148],["hunt",-12.90955638885498],["▁Serving",-12.909673690795898],["Writ",-12.909692764282227],["requisite",-12.909798622131348],["▁Kerry",-12.90989875793457],["▁riesig",-12.909957885742188],["▁Healing",-12.91030502319336],["▁1954",-12.910365104675293],["▁mousse",-12.910428047180176],["▁Positive",-12.910764694213867],["embodie",-12.910772323608398],["▁penetrate",-12.910774230957031],["endorsed",-12.910882949829102],["▁situatia",-12.910927772521973],["▁Unity",-12.911083221435547],["142",-12.911102294921875],["▁farmhouse",-12.911138534545898],["▁Handbook",-12.911368370056152],["▁symbolic",-12.911378860473633],["pristine",-12.911439895629883],["moitié",-12.911595344543457],["▁Sessions",-12.912017822265625],["technisch",-12.912116050720215],["▁lesquel",-12.912148475646973],["▁electronically",-12.912208557128906],["▁modificat",-12.912240982055664],["▁adjoin",-12.912242889404297],["actualité",-12.912256240844727],["vati",-12.91229248046875],["VENT",-12.912299156188965],["▁salsa",-12.912333488464355],["acupunctur",-12.912424087524414],["▁Opportunity",-12.912424087524414],["▁Inspection",-12.912425994873047],["▁vereinbart",-12.912425994873047],["▁Residents",-12.912426948547363],["▁perennial",-12.91242790222168],["CHAN",-12.912555694580078],["Search",-12.912572860717773],["UTE",-12.912696838378906],["▁Lens",-12.912703514099121],["▁Banner",-12.91281509399414],["aménagement",-12.912839889526367],["▁Decision",-12.91286849975586],["▁ferr",-12.912869453430176],["▁Transformation",-12.912878036499023],["▁Stamm",-12.912955284118652],["▁Galerie",-12.913003921508789],["onny",-12.913126945495605],["▁caption",-12.913195610046387],["▁viitorul",-12.91323471069336],["▁professionelle",-12.913281440734863],["drepturile",-12.913294792175293],["ylon",-12.913345336914062],["Société",-12.913387298583984],["AIS",-12.913456916809082],["March",-12.91350269317627],["▁Rav",-12.91357707977295],["▁1946",-12.913691520690918],["accompagnement",-12.913713455200195],["Liviu",-12.913716316223145],["▁Appeal",-12.913826942443848],["▁sentir",-12.913952827453613],["▁Indigenous",-12.914087295532227],["▁wizard",-12.914087295532227],["▁collateral",-12.914127349853516],["▁Proof",-12.914324760437012],["▁prze",-12.914398193359375],["▁obținut",-12.91450309753418],["COP",-12.914629936218262],["▁obiect",-12.914681434631348],["▁isolate",-12.914685249328613],["▁nieder",-12.914793014526367],["TECH",-12.914953231811523],["▁Sharing",-12.914998054504395],["Ideally",-12.915008544921875],["▁naked",-12.915059089660645],["horaire",-12.915130615234375],["▁prelucrare",-12.915180206298828],["▁forcément",-12.915349006652832],["▁ESPN",-12.915403366088867],["▁southwest",-12.9154634475708],["▁Timber",-12.915682792663574],["kleidung",-12.915748596191406],["MJ",-12.915854454040527],["Ped",-12.915889739990234],["▁lymph",-12.916181564331055],["wärme",-12.916399002075195],["▁Olivia",-12.916610717773438],["Ziua",-12.916705131530762],["reihe",-12.916747093200684],["▁selfish",-12.916752815246582],["▁geography",-12.916814804077148],["▁etaj",-12.916924476623535],["▁acquis",-12.91698932647705],["▁rejoin",-12.91701602935791],["7.1",-12.917097091674805],["▁paix",-12.91713809967041],["tirer",-12.917284965515137],["▁clase",-12.91745662689209],["▁blink",-12.917572021484375],["▁Interface",-12.917611122131348],["nado",-12.917655944824219],["RIT",-12.91777515411377],["ESC",-12.918120384216309],["▁carving",-12.918190002441406],["▁articolul",-12.918194770812988],["▁wreath",-12.918258666992188],["▁propaganda",-12.918266296386719],["▁Pair",-12.918267250061035],["▁pamant",-12.91831111907959],["▁venituri",-12.918357849121094],["rtz",-12.91835880279541],["uddle",-12.918529510498047],["uille",-12.918543815612793],["▁embed",-12.918654441833496],["0.05",-12.918655395507812],["▁Brighton",-12.918718338012695],["estens",-12.918742179870605],["▁occupational",-12.918862342834473],["ем",-12.918890953063965],["wünsche",-12.919081687927246],["▁Poetry",-12.91909408569336],["▁visualize",-12.919109344482422],["Across",-12.919121742248535],["▁essentielle",-12.919123649597168],["beratung",-12.919143676757812],["▁Guidelines",-12.91919231414795],["▁Fehl",-12.919198036193848],["▁liberty",-12.91921329498291],["▁Investigation",-12.91922378540039],["▁sunrise",-12.919266700744629],["▁12:00",-12.919541358947754],["venind",-12.919583320617676],["▁lotion",-12.919655799865723],["conscious",-12.91968822479248],["logists",-12.91973876953125],["▁judecător",-12.919893264770508],["▁Ecuador",-12.919928550720215],["▁ambulance",-12.91994857788086],["▁Already",-12.920026779174805],["▁eröffnet",-12.920090675354004],["▁naval",-12.92010498046875],["▁imposibil",-12.92011547088623],["▁Merry",-12.92011833190918],["▁Duncan",-12.920272827148438],["▁léger",-12.9203519821167],["▁delta",-12.920391082763672],["▁Machinery",-12.920578002929688],["▁craftsmanship",-12.920766830444336],["▁angezeigt",-12.9207763671875],["▁formidable",-12.9207763671875],["▁Startup",-12.920878410339355],["venus",-12.920969009399414],["▁tannin",-12.921019554138184],["collaborating",-12.921128273010254],["▁abrupt",-12.921152114868164],["emergence",-12.921171188354492],["Dienstleistungen",-12.921197891235352],["▁liefert",-12.921217918395996],["engagement",-12.921222686767578],["▁maximise",-12.921304702758789],["modeled",-12.9214448928833],["▁crane",-12.92148208618164],["▁effortless",-12.921540260314941],["▁Buffet",-12.92160701751709],["8000",-12.921648979187012],["▁Überblick",-12.921687126159668],["micro",-12.921981811523438],["▁vergleichen",-12.92204475402832],["143",-12.922080993652344],["5.6",-12.922094345092773],["▁odata",-12.922131538391113],["▁interviu",-12.922162055969238],["▁poliţi",-12.922375679016113],["plated",-12.922383308410645],["Roman",-12.922406196594238],["▁satisfactory",-12.922453880310059],["▁unanimous",-12.922459602355957],["▁întâln",-12.922464370727539],["nonsense",-12.922558784484863],["▁HOW",-12.922616004943848],["prezinta",-12.922639846801758],["▁măsura",-12.9226655960083],["▁Fuji",-12.92275619506836],["▁Meaning",-12.92278003692627],["aspiring",-12.922850608825684],["▁Suceava",-12.922863006591797],["arba",-12.922983169555664],["pressive",-12.922988891601562],["▁creek",-12.92301082611084],["trakt",-12.923023223876953],["▁fluffy",-12.923303604125977],["▁bateau",-12.923371315002441],["ме",-12.923545837402344],["UNG",-12.923609733581543],["motifs",-12.923907279968262],["Type",-12.923958778381348],["perçu",-12.924132347106934],["singurul",-12.924139022827148],["▁(2011)",-12.92418384552002],["▁hemp",-12.924263954162598],["betroffenen",-12.92431640625],["▁sermon",-12.924369812011719],["AID",-12.924545288085938],["3.7",-12.924627304077148],["▁heiß",-12.92463207244873],["▁bolnav",-12.924982070922852],["First",-12.924995422363281],["▁interrupt",-12.925040245056152],["phag",-12.925106048583984],["235",-12.925201416015625],["▁discoveries",-12.925262451171875],["▁Wellington",-12.925263404846191],["▁wechseln",-12.925298690795898],["▁strategically",-12.925379753112793],["▁iphone",-12.925440788269043],["geteilt",-12.925646781921387],["generative",-12.925748825073242],["▁Monroe",-12.925806045532227],["▁Execut",-12.925863265991211],["▁knitting",-12.925931930541992],["▁Couple",-12.925939559936523],["▁Shade",-12.926020622253418],["▁Taj",-12.926060676574707],["950",-12.926077842712402],["boiled",-12.92609977722168],["▁mixes",-12.926130294799805],["betroffene",-12.926156044006348],["▁continuation",-12.926169395446777],["▁begleitet",-12.926226615905762],["▁numerical",-12.926281929016113],["▁(2013)",-12.92630386352539],["▁nourish",-12.926399230957031],["oricar",-12.926485061645508],["focus",-12.926486015319824],["▁Crazy",-12.926651000976562],["▁ascend",-12.926671028137207],["▁vinde",-12.926855087280273],["roar",-12.926874160766602],["Vac",-12.926929473876953],["▁Zuschauer",-12.927068710327148],["izeze",-12.927179336547852],["▁Mindest",-12.92721939086914],["lingual",-12.927229881286621],["▁violet",-12.927264213562012],["▁Opfer",-12.927299499511719],["ARS",-12.927431106567383],["4.7",-12.92744255065918],["millennial",-12.927492141723633],["▁striv",-12.927639961242676],["▁bishop",-12.927680015563965],["▁Durham",-12.927708625793457],["opathic",-12.927817344665527],["Where",-12.927999496459961],["▁Rider",-12.928030014038086],["▁Reid",-12.928030967712402],["stumbled",-12.928156852722168],["deep",-12.92827320098877],["▁11:00",-12.928340911865234],["▁Essex",-12.928380966186523],["▁Analyst",-12.928397178649902],["feel",-12.928546905517578],["▁rave",-12.928601264953613],["▁Eddie",-12.928631782531738],["▁communiqué",-12.928756713867188],["[/",-12.928791046142578],["▁Tho",-12.929011344909668],["ffentlichkeit",-12.929019927978516],["instrument",-12.929126739501953],["▁metropolitan",-12.929179191589355],["▁experienţ",-12.929181098937988],["East",-12.929198265075684],["Compared",-12.929434776306152],["worn",-12.929484367370605],["berufliche",-12.92966365814209],["▁Umstände",-12.929710388183594],["individuellen",-12.929901123046875],["siehe",-12.929912567138672],["▁sfarsit",-12.929969787597656],["▁Strength",-12.929999351501465],["▁prejudice",-12.930024147033691],["▁shutdown",-12.930159568786621],["chatting",-12.93022346496582],["▁Gerne",-12.930227279663086],["▁Yum",-12.930305480957031],["▁coastline",-12.930387496948242],["▁headboard",-12.930623054504395],["▁politische",-12.930768966674805],["Sub",-12.930838584899902],["▁Henderson",-12.930870056152344],["▁astonishing",-12.930870056152344],["▁Dresden",-12.930871963500977],["▁strawberry",-12.93088436126709],["prenez",-12.930889129638672],["▁Monaco",-12.930912971496582],["▁empowered",-12.930953025817871],["fäl",-12.93109130859375],["▁creier",-12.931120872497559],["▁Equ",-12.931300163269043],["▁Selling",-12.931379318237305],["▁$35",-12.931483268737793],["konto",-12.931503295898438],["▁Procedure",-12.931715965270996],["▁reduziert",-12.931715965270996],["▁royalty",-12.931740760803223],["wyn",-12.931756019592285],["▁Unfall",-12.932141304016113],["NAT",-12.932161331176758],["▁grafic",-12.93251895904541],["▁Collective",-12.932563781738281],["▁Computing",-12.932564735412598],["▁Established",-12.932594299316406],["▁zest",-12.932598114013672],["venez",-12.932611465454102],["follow",-12.9326171875],["▁Motivation",-12.932640075683594],["▁dictator",-12.932755470275879],["whichever",-12.93281078338623],["▁întâmpl",-12.93293285369873],["Flüchtling",-12.932987213134766],["EMI",-12.933015823364258],["404",-12.933019638061523],["ICK",-12.93302059173584],["emplacement",-12.933191299438477],["complete",-12.933349609375],["advising",-12.933412551879883],["▁Administrative",-12.933481216430664],["▁deviation",-12.933496475219727],["▁experienț",-12.933500289916992],["lethor",-12.933996200561523],["▁compress",-12.934081077575684],["rival",-12.934173583984375],["reprendre",-12.934186935424805],["ugi",-12.934266090393066],["▁Invitation",-12.934267044067383],["▁retina",-12.934332847595215],["▁farther",-12.934335708618164],["▁fenêtre",-12.934799194335938],["6-7",-12.934815406799316],["zhou",-12.934834480285645],["▁Piano",-12.934840202331543],["▁Congrats",-12.935114860534668],["▁Configur",-12.935131072998047],["▁superficial",-12.935179710388184],["▁melting",-12.935315132141113],["▁raspunde",-12.935626983642578],["▁drip",-12.93564224243164],["östlich",-12.9358491897583],["189",-12.935925483703613],["▁Ludwig",-12.935959815979004],["▁keto",-12.935985565185547],["▁Bogdan",-12.936013221740723],["▁contracted",-12.936029434204102],["▁revive",-12.936100006103516],["▁cristal",-12.936232566833496],["▁mailbox",-12.936257362365723],["președintele",-12.936559677124023],["▁seekers",-12.936627388000488],["func",-12.936904907226562],["▁Markus",-12.93691349029541],["Unter",-12.936923027038574],["▁übertragen",-12.937003135681152],["▁adaptive",-12.937024116516113],["caster",-12.937051773071289],["▁geek",-12.937164306640625],["▁réservation",-12.937236785888672],["▁irritation",-12.937240600585938],["▁HDMI",-12.937346458435059],["Seeing",-12.937485694885254],["▁genul",-12.937569618225098],["▁catastrophe",-12.937662124633789],["▁Tweet",-12.937665939331055],["TZ",-12.937729835510254],["▁credible",-12.937946319580078],["▁cobor",-12.938064575195312],["▁realizeaz",-12.938159942626953],["journal",-12.938274383544922],["▁shaking",-12.938532829284668],["3-6",-12.938572883605957],["▁beneficiaz",-12.938605308532715],["▁Frankreich",-12.938633918762207],["committing",-12.9386568069458],["AMS",-12.938835144042969],["▁Feli",-12.939007759094238],["▁Producer",-12.939023971557617],["▁übrig",-12.93940544128418],["gemeinde",-12.939593315124512],["should",-12.939799308776855],["▁neurons",-12.939799308776855],["▁Agenda",-12.939833641052246],["▁hashtag",-12.939896583557129],["▁confortabil",-12.939897537231445],["520",-12.940008163452148],["bonded",-12.940033912658691],["▁următoare",-12.940191268920898],["▁volatile",-12.940223693847656],["infamous",-12.940225601196289],["seară",-12.940229415893555],["▁Sorge",-12.940346717834473],["▁Beiträge",-12.940420150756836],["▁îndeplin",-12.940449714660645],["gespräch",-12.940649032592773],["▁joueur",-12.940701484680176],["▁outsourcing",-12.940701484680176],["▁Guvernul",-12.940814018249512],["6-2",-12.940818786621094],["▁prioritize",-12.941068649291992],["▁duminică",-12.941076278686523],["▁resignation",-12.941076278686523],["▁Converter",-12.941079139709473],["hereby",-12.941155433654785],["▁stresses",-12.941299438476562],["▁brun",-12.941415786743164],["▁elev",-12.941423416137695],["▁Skip",-12.941479682922363],["540",-12.941499710083008],["TURE",-12.941603660583496],["▁Lynch",-12.941635131835938],["▁preveni",-12.941643714904785],["compatible",-12.941692352294922],["surveyed",-12.941702842712402],["▁Ausnahme",-12.941713333129883],["▁medicul",-12.941812515258789],["▁subtil",-12.941865921020508],["▁Quali",-12.941890716552734],["▁techno",-12.941900253295898],["presently",-12.94193172454834],["▁Müller",-12.941934585571289],["DIRECT",-12.941937446594238],["schuld",-12.941944122314453],["▁Bloomberg",-12.941994667053223],["feuer",-12.942181587219238],["▁Pharmacy",-12.942270278930664],["▁Schnitt",-12.942301750183105],["186",-12.942333221435547],["peaks",-12.942355155944824],["▁Gemeinsam",-12.94235897064209],["▁récemment",-12.94235897064209],["▁Pascal",-12.942490577697754],["filmed",-12.942523956298828],["RCA",-12.942548751831055],["▁virtuelle",-12.942622184753418],["▁dotat",-12.942630767822266],["logisch",-12.942717552185059],["▁Luck",-12.943005561828613],["cosy",-12.943132400512695],["▁Awareness",-12.943216323852539],["▁gesetzlich",-12.943263053894043],["padded",-12.943306922912598],["▁Lotus",-12.943395614624023],["urging",-12.9434175491333],["▁mushroom",-12.943426132202148],["▁adultes",-12.943527221679688],["▁Coca",-12.943571090698242],["▁recev",-12.943586349487305],["▁mantra",-12.943610191345215],["▁practise",-12.943644523620605],["▁acceler",-12.943663597106934],["bolster",-12.943756103515625],["▁compressed",-12.943818092346191],["TIN",-12.943899154663086],["▁aromatic",-12.944236755371094],["geleitet",-12.944408416748047],["▁fibr",-12.944443702697754],["exécut",-12.94444751739502],["▁unconscious",-12.94456958770752],["HAR",-12.944607734680176],["▁Gregory",-12.944661140441895],["▁Manila",-12.944738388061523],["ozitate",-12.944756507873535],["exemplary",-12.944803237915039],["éventuel",-12.944906234741211],["▁Craciun",-12.944930076599121],["▁tehnologii",-12.944931030273438],["▁Despre",-12.945138931274414],["▁1917",-12.945141792297363],["▁upfront",-12.945146560668945],["▁Iulia",-12.945280075073242],["▁erwähnt",-12.945359230041504],["▁magnesium",-12.945359230041504],["▁descriptive",-12.94536304473877],["▁consumul",-12.945364952087402],["▁10-15",-12.945423126220703],["▁erfüllen",-12.945611953735352],["gig",-12.945657730102539],["430",-12.945765495300293],["▁Migration",-12.945789337158203],["bră",-12.94579029083252],["▁réforme",-12.945863723754883],["▁york",-12.94610595703125],["dritten",-12.946109771728516],["cumva",-12.946182250976562],["▁Alumni",-12.946218490600586],["▁Ceramic",-12.946222305297852],["▁rappelle",-12.946236610412598],["▁pianist",-12.946248054504395],["twisted",-12.946306228637695],["earned",-12.946432113647461],["▁Hose",-12.946514129638672],["156",-12.946610450744629],["▁Salmon",-12.946687698364258],["Level",-12.946913719177246],["▁swirl",-12.947052001953125],["erfahrung",-12.947061538696289],["▁liabilities",-12.947078704833984],["praxis",-12.9470853805542],["IPO",-12.947089195251465],["▁screaming",-12.947092056274414],["emphasized",-12.947200775146484],["DEA",-12.947260856628418],["▁dermatolog",-12.947351455688477],["▁pacate",-12.947498321533203],["▁ansamblu",-12.947507858276367],["▁beteiligt",-12.947509765625],["▁Needles",-12.947574615478516],["▁organisiert",-12.947607040405273],["Pacific",-12.947639465332031],["actual",-12.947823524475098],["prindere",-12.94801139831543],["▁Indoor",-12.948348045349121],["▁Gewalt",-12.948431015014648],["▁rezid",-12.948507308959961],["censor",-12.948522567749023],["▁unlawful",-12.94882869720459],["▁Explain",-12.948873519897461],["▁Flame",-12.948897361755371],["▁brachte",-12.948941230773926],["▁Mustang",-12.94899845123291],["ectomy",-12.949044227600098],["▁deliberate",-12.949064254760742],["▁sparkle",-12.949225425720215],["▁inchis",-12.94926929473877],["▁Cristian",-12.949289321899414],["▁facture",-12.949291229248047],["▁Grundstück",-12.949292182922363],["außerhalb",-12.949300765991211],["coast",-12.949321746826172],["anilor",-12.949396133422852],["255",-12.94952392578125],["nterdisciplinary",-12.949576377868652],["▁Isabel",-12.949655532836914],["▁Städte",-12.949701309204102],["▁cicl",-12.949837684631348],["▁Zeug",-12.949905395507812],["▁Muskel",-12.949951171875],["▁indirectly",-12.950051307678223],["▁Vorbereitung",-12.950093269348145],["MMA",-12.95012378692627],["▁pudding",-12.950197219848633],["rax",-12.950389862060547],["▁Stimmung",-12.95052433013916],["▁hierarchy",-12.95052433013916],["partie",-12.950597763061523],["▁elevate",-12.950685501098633],["▁Persian",-12.950690269470215],["forensic",-12.95077896118164],["Become",-12.950854301452637],["leicht",-12.9508695602417],["▁staging",-12.950942039489746],["▁fühlt",-12.950965881347656],["fenster",-12.950979232788086],["▁unbelievable",-12.951089859008789],["„",-12.951260566711426],["▁Guatemala",-12.951387405395508],["LET",-12.95141315460205],["▁buff",-12.951454162597656],["▁Primul",-12.951626777648926],["▁mainland",-12.951702117919922],["campus",-12.951923370361328],["▁gefällt",-12.952075958251953],["BAN",-12.952153205871582],["finish",-12.952229499816895],["accustomed",-12.952251434326172],["▁Businesses",-12.95234203338623],["▁întreb",-12.95239543914795],["▁recomandă",-12.952425956726074],["▁pellet",-12.952474594116211],["▁GST",-12.952507972717285],["SEA",-12.952601432800293],["▁categorie",-12.952631950378418],["▁convainc",-12.95268440246582],["▁considéré",-12.952739715576172],["rois",-12.952853202819824],["▁thrust",-12.952898979187012],["ijk",-12.953001022338867],["gefüllt",-12.953118324279785],["▁situatii",-12.953327178955078],["▁Jacksonville",-12.95337200164795],["▁bakery",-12.953473091125488],["▁Accident",-12.953554153442383],["▁urmeaza",-12.953572273254395],["▁crib",-12.953593254089355],["getroffen",-12.953707695007324],["Based",-12.953877449035645],["Including",-12.95398235321045],["▁Morocco",-12.95398235321045],["▁casserole",-12.95398235321045],["▁enquiry",-12.953983306884766],["▁pahar",-12.954017639160156],["▁Unternehmer",-12.954025268554688],["électro",-12.954068183898926],["Marie",-12.95413589477539],["▁Sno",-12.954153060913086],["▁prostate",-12.954168319702148],["▁Wallace",-12.95426082611084],["empre",-12.954402923583984],["▁Multumesc",-12.954415321350098],["White",-12.954675674438477],["brief",-12.954751014709473],["▁kitten",-12.954751014709473],["füh",-12.954780578613281],["▁mankind",-12.954821586608887],["ENE",-12.95483112335205],["▁Ethics",-12.954848289489746],["▁Realty",-12.954946517944336],["▁Emerg",-12.954988479614258],["7-8",-12.955055236816406],["museum",-12.955096244812012],["BRE",-12.95518970489502],["▁kilometri",-12.955282211303711],["oyaume",-12.955286026000977],["▁Cambodia",-12.955288887023926],["▁bruit",-12.955304145812988],["▁sépar",-12.955334663391113],["mastered",-12.9554443359375],["shake",-12.955608367919922],["▁liaison",-12.955718994140625],["▁Boulder",-12.955719947814941],["▁tortilla",-12.955720901489258],["▁Fokus",-12.955731391906738],["▁Blair",-12.95573902130127],["▁disturbance",-12.955775260925293],["geladen",-12.955843925476074],["▁sunscreen",-12.955886840820312],["▁reuș",-12.955896377563477],["▁Braun",-12.956155776977539],["▁existente",-12.956157684326172],["stift",-12.956242561340332],["▁preot",-12.956387519836426],["▁doved",-12.956445693969727],["sexual",-12.956488609313965],["meanwhile",-12.956583976745605],["▁legislature",-12.956583976745605],["▁vermeiden",-12.956583976745605],["▁inequality",-12.95687484741211],["▁turc",-12.956881523132324],["ви",-12.95698070526123],["▁Kontrolle",-12.95702075958252],["▁Ursache",-12.95704174041748],["▁confess",-12.95704174041748],["▁poetic",-12.957109451293945],["attention",-12.957236289978027],["textured",-12.957386016845703],["GES",-12.957586288452148],["6-4",-12.957637786865234],["Ray",-12.957696914672852],["chromat",-12.957745552062988],["▁insightful",-12.957775115966797],["▁Navigation",-12.957887649536133],["▁destiny",-12.957887649536133],["▁ergeben",-12.957892417907715],["▁versteh",-12.958090782165527],["301",-12.958209037780762],["▁Exterior",-12.958321571350098],["église",-12.958322525024414],["▁Failure",-12.958322525024414],["▁Patricia",-12.958324432373047],["▁geschützt",-12.958328247070312],["intrarea",-12.95833969116211],["▁Forward",-12.958368301391602],["▁Portrait",-12.95844841003418],["▁enregistré",-12.958480834960938],["▁wagon",-12.958620071411133],["stealing",-12.958879470825195],["▁Numero",-12.958880424499512],["▁tradui",-12.958986282348633],["▁klassische",-12.959033966064453],["▁profitieren",-12.959043502807617],["▁laboratories",-12.95919132232666],["▁reconnaissance",-12.95919132232666],["ку",-12.959314346313477],["▁Petersburg",-12.959359169006348],["▁fertility",-12.959421157836914],["▁Understand",-12.959516525268555],["dehors",-12.959746360778809],["▁Knox",-12.959762573242188],["software",-12.959797859191895],["▁Celebration",-12.959823608398438],["4.6",-12.959897994995117],["quino",-12.959930419921875],["▁endeavour",-12.960073471069336],["▁temptation",-12.960136413574219],["▁Registry",-12.96035385131836],["IMP",-12.960502624511719],["bedingt",-12.960625648498535],["▁$60",-12.960846900939941],["▁Kriterien",-12.96093463897705],["▁strawberries",-12.960943222045898],["▁conspiracy",-12.96094799041748],["▁pouch",-12.960976600646973],["▁Alexandria",-12.961017608642578],["▁Mick",-12.961102485656738],["extra",-12.961114883422852],["▁Operator",-12.961151123046875],["enduring",-12.96132755279541],["▁smash",-12.961359024047852],["Euro",-12.961360931396484],["▁Nouvelle",-12.961370468139648],["▁Raspberry",-12.961370468139648],["▁präsentieren",-12.961380004882812],["▁electrician",-12.961404800415039],["▁cheerful",-12.961472511291504],["▁chargé",-12.961508750915527],["▁Diskussion",-12.961511611938477],["▁surpass",-12.961604118347168],["▁Acces",-12.961701393127441],["tausend",-12.961771011352539],["▁vigorous",-12.961808204650879],["▁tava",-12.961810111999512],["CHO",-12.96193790435791],["▁1951",-12.961941719055176],["▁Umsatz",-12.962019920349121],["▁slavery",-12.962055206298828],["travel",-12.962294578552246],["▁correspondent",-12.962297439575195],["▁$150",-12.962307929992676],["▁stärker",-12.962594985961914],["Alb",-12.96264362335205],["▁Lopez",-12.962682723999023],["▁longueur",-12.962767601013184],["▁successive",-12.962772369384766],["▁(2015)",-12.96278190612793],["teig",-12.962790489196777],["custom",-12.962944984436035],["TIM",-12.963099479675293],["▁Escape",-12.963174819946289],["▁Sekunden",-12.963349342346191],["tiré",-12.963444709777832],["▁chantier",-12.963489532470703],["▁saturated",-12.963555335998535],["▁confrontation",-12.963804244995117],["▁biography",-12.963805198669434],["zuerst",-12.9639892578125],["▁rencontré",-12.963991165161133],["▁harmless",-12.96412181854248],["Branche",-12.964139938354492],["▁QR",-12.964380264282227],["▁Ereignis",-12.964430809020996],["▁verkaufen",-12.96444320678711],["0:00",-12.96451187133789],["Association",-12.96469783782959],["▁Santiago",-12.964865684509277],["Control",-12.964993476867676],["▁Angriff",-12.9650297164917],["lase",-12.96505069732666],["▁sfaturi",-12.965224266052246],["▁Comprehensive",-12.965304374694824],["▁Shepherd",-12.965304374694824],["▁exponential",-12.965304374694824],["▁penetration",-12.965304374694824],["▁comble",-12.965394973754883],["ionar",-12.965557098388672],["slept",-12.965563774108887],["▁Spice",-12.965633392333984],["mAh",-12.965688705444336],["▁Vertreter",-12.965747833251953],["fehler",-12.965752601623535],["▁Scroll",-12.96599292755127],["▁WARRANT",-12.966179847717285],["▁minimise",-12.966326713562012],["▁Dept",-12.966474533081055],["▁urinar",-12.96661376953125],["établir",-12.966619491577148],["verhältnis",-12.966713905334473],["▁glowing",-12.966979026794434],["kulturelle",-12.966984748840332],["▁Pediatric",-12.967057228088379],["▁inconvenience",-12.967057228088379],["Antoine",-12.967121124267578],["▁Heck",-12.967164993286133],["▁couches",-12.967265129089355],["▁1938",-12.967331886291504],["maybe",-12.967333793640137],["ETA",-12.9673433303833],["▁solaire",-12.96748161315918],["▁Zürich",-12.967495918273926],["computer",-12.967545509338379],["milk",-12.96756362915039],["он",-12.967585563659668],["modalitate",-12.967608451843262],["spanning",-12.967655181884766],["▁Crypto",-12.96774959564209],["▁Spotify",-12.967935562133789],["mycin",-12.967944145202637],["▁similarities",-12.96811294555664],["▁eclipse",-12.968377113342285],["Map",-12.968610763549805],["double",-12.96861743927002],["corporate",-12.968734741210938],["▁Hindi",-12.968853950500488],["battling",-12.968866348266602],["▁habituel",-12.969098091125488],["▁Transition",-12.969196319580078],["▁luptă",-12.96920394897461],["▁trainee",-12.969219207763672],["LIS",-12.96922492980957],["▁Vatican",-12.969254493713379],["Archived",-12.9692964553833],["Connect",-12.969305038452148],["▁prealabil",-12.969307899475098],["▁Chambre",-12.969327926635742],["stuhl",-12.969440460205078],["▁arrivé",-12.969557762145996],["▁Urteil",-12.969575881958008],["▁scrutiny",-12.969818115234375],["▁memoir",-12.969854354858398],["▁innovant",-12.9699068069458],["▁sublime",-12.969943046569824],["children",-12.970004081726074],["▁Handwerk",-12.970056533813477],["▁campuses",-12.970268249511719],["▁durabil",-12.970502853393555],["▁immersive",-12.970632553100586],["▁Magnet",-12.970732688903809],["läufe",-12.970808029174805],["▁Techno",-12.970837593078613],["MAP",-12.9710693359375],["7.2",-12.971145629882812],["▁Schwimm",-12.971181869506836],["BOOK",-12.971186637878418],["188",-12.971441268920898],["▁Supervisor",-12.971498489379883],["prévue",-12.971691131591797],["needed",-12.971813201904297],["▁creditors",-12.971822738647461],["▁brin",-12.971837043762207],["▁Neck",-12.971900939941406],["▁Salut",-12.971988677978516],["▁despair",-12.972105979919434],["▁Sauce",-12.972261428833008],["▁Westminster",-12.972335815429688],["▁langfristig",-12.972335815429688],["▁northeast",-12.972365379333496],["▁încercat",-12.972399711608887],["▁nausea",-12.972408294677734],["▁Paypal",-12.972440719604492],["▁Arrow",-12.972469329833984],["▁Travis",-12.972633361816406],["(2009)",-12.972713470458984],["▁Rising",-12.972719192504883],["termes",-12.973097801208496],["Australie",-12.973154067993164],["▁scarf",-12.973187446594238],["klassischen",-12.97337818145752],["▁boug",-12.973466873168945],["DOT",-12.97360610961914],["▁Trink",-12.97361946105957],["▁bestätigt",-12.97365951538086],["▁officiel",-12.97370433807373],["Produkt",-12.973873138427734],["DNA",-12.974140167236328],["▁*******",-12.97426700592041],["GAR",-12.974271774291992],["therapeut",-12.974377632141113],["187",-12.974420547485352],["▁Louisville",-12.974493026733398],["▁geöffnet",-12.97462272644043],["Watch",-12.974640846252441],["85%",-12.974678993225098],["▁Candida",-12.974698066711426],["▁Kathy",-12.974703788757324],["▁Animation",-12.974711418151855],["planung",-12.974715232849121],["woche",-12.974730491638184],["Video",-12.974966049194336],["▁Automation",-12.97507095336914],["▁foliage",-12.97507381439209],["▁evenimentului",-12.975175857543945],["SEN",-12.975362777709961],["▁Dialog",-12.975372314453125],["▁ZIP",-12.975372314453125],["▁vieții",-12.97537612915039],["▁passionné",-12.975425720214844],["▁WOW",-12.97544002532959],["ectiv",-12.975464820861816],["▁vorbesc",-12.975482940673828],["▁computational",-12.975533485412598],["▁idiot",-12.97557258605957],["▁stigma",-12.97567081451416],["▁multumesc",-12.975870132446289],["▁sărbători",-12.975870132446289],["▁Advantage",-12.975906372070312],["▁alegeri",-12.976024627685547],["▁philosopher",-12.976031303405762],["RIE",-12.976117134094238],["refundable",-12.976221084594727],["▁Sofia",-12.97623348236084],["▁încheiat",-12.976313591003418],["meilleures",-12.976473808288574],["critical",-12.976744651794434],["▁cavity",-12.976766586303711],["▁ressort",-12.976792335510254],["strong",-12.976798057556152],["▁Backup",-12.976948738098145],["▁Zeitraum",-12.977023124694824],["▁Szene",-12.977027893066406],["▁Candle",-12.977173805236816],["▁ciocolat",-12.977198600769043],["etched",-12.977227210998535],["ан",-12.977302551269531],["▁Anchor",-12.977365493774414],["equate",-12.977470397949219],["▁bulg",-12.977476119995117],["▁motorist",-12.977524757385254],["träglich",-12.977736473083496],["please",-12.977936744689941],["different",-12.978011131286621],["▁Accel",-12.97813606262207],["Proiectul",-12.97829818725586],["▁cabbage",-12.97852897644043],["▁télécharger",-12.97852897644043],["▁Presentation",-12.97856330871582],["▁Struktur",-12.978621482849121],["bücher",-12.978650093078613],["▁flatter",-12.978672981262207],["emprunt",-12.979074478149414],["▁oriental",-12.979111671447754],["▁Turnier",-12.979166984558105],["brücke",-12.97917366027832],["▁légumes",-12.979416847229004],["gerechnet",-12.979595184326172],["flooded",-12.979621887207031],["LER",-12.979679107666016],["üben",-12.97973918914795],["internaute",-12.979888916015625],["▁Austausch",-12.979935646057129],["gefordert",-12.980034828186035],["▁adoptat",-12.980277061462402],["▁erinnern",-12.980305671691895],["▁dolphin",-12.980307579040527],["▁Parkinson",-12.980308532714844],["büro",-12.980310440063477],["▁Crest",-12.980368614196777],["▁Ikea",-12.980437278747559],["▁ecologic",-12.980470657348633],["mplă",-12.98065185546875],["▁șef",-12.980655670166016],["coop",-12.980868339538574],["▁Carson",-12.980900764465332],["▁uşor",-12.981054306030273],["▁exert",-12.981070518493652],["▁countertop",-12.981114387512207],["ntended",-12.981136322021484],["▁Civic",-12.981313705444336],["▁attentes",-12.98133373260498],["gesetzlichen",-12.981356620788574],["frischen",-12.981475830078125],["▁Bottle",-12.981636047363281],["▁cautare",-12.982080459594727],["▁waterfront",-12.982226371765137],["▁centerpiece",-12.982312202453613],["▁Castel",-12.982441902160645],["510",-12.98270034790039],["capped",-12.982709884643555],["▁mattresses",-12.982850074768066],["▁readiness",-12.982865333557129],["diag",-12.982970237731934],["▁geändert",-12.982980728149414],["▁complained",-12.983051300048828],["▁diary",-12.983073234558105],["▁ceremonies",-12.983144760131836],["▁următor",-12.983181953430176],["▁Engel",-12.983270645141602],["▁disconnect",-12.9832763671875],["▁Silvi",-12.983282089233398],["▁eingerichtet",-12.9834566116333],["medizin",-12.983512878417969],["▁majestic",-12.983869552612305],["▁Random",-12.983943939208984],["▁Equity",-12.984046936035156],["▁Echipa",-12.984111785888672],["са",-12.984163284301758],["316",-12.984179496765137],["▁Formation",-12.984183311462402],["inland",-12.98421859741211],["appuy",-12.984301567077637],["TAN",-12.984481811523438],["slipped",-12.984918594360352],["Certains",-12.985247611999512],["▁Silber",-12.98525333404541],["▁reçoi",-12.985257148742676],["▁Monthly",-12.985323905944824],["calculating",-12.985494613647461],["▁scratches",-12.98554515838623],["▁concurrence",-12.985654830932617],["▁Stärke",-12.985662460327148],["▁intermediar",-12.985751152038574],["▁erlebt",-12.98579216003418],["gesellschaftlich",-12.986037254333496],["▁Volk",-12.986041069030762],["▁Ansprüche",-12.986101150512695],["▁cumulative",-12.986103057861328],["▁Randy",-12.986183166503906],["▁instituții",-12.98622989654541],["together",-12.986489295959473],["▁Sap",-12.986539840698242],["▁modificari",-12.986551284790039],["▁erosion",-12.986572265625],["▁wicked",-12.986577033996582],["soaked",-12.986613273620605],["▁cellar",-12.9866361618042],["ignoring",-12.986726760864258],["▁scarce",-12.986815452575684],["ueuse",-12.98697280883789],["▁bibliothèque",-12.986995697021484],["critères",-12.987017631530762],["▁overlay",-12.987166404724121],["IPA",-12.98737907409668],["director",-12.987393379211426],["▁Krishna",-12.987444877624512],["▁methodologies",-12.987451553344727],["iocese",-12.987513542175293],["▁saucepan",-12.987713813781738],["184",-12.987948417663574],["275",-12.987981796264648],["▁précieu",-12.988165855407715],["▁academy",-12.9883394241333],["460",-12.988438606262207],["ERN",-12.988679885864258],["▁emoti",-12.988725662231445],["▁télévision",-12.988823890686035],["EDIT",-12.988901138305664],["▁Valeri",-12.989045143127441],["▁Charity",-12.98911190032959],["Voilà",-12.989297866821289],["▁lipsit",-12.989356994628906],["▁unleash",-12.989373207092285],["▁suferit",-12.989506721496582],["▁Lifestyle",-12.98953914642334],["▁Edel",-12.989603996276855],["▁Derek",-12.989643096923828],["▁Manga",-12.989801406860352],["▁increment",-12.989990234375],["▁plötzlich",-12.990133285522461],["▁5:30",-12.990208625793457],["▁Republicii",-12.990246772766113],["▁capitalism",-12.990293502807617],["ROW",-12.990510940551758],["▁Paar",-12.990523338317871],["allée",-12.99057674407959],["▁motto",-12.990610122680664],["Schäden",-12.990630149841309],["▁£10",-12.99063491821289],["RIP",-12.990728378295898],["courir",-12.990761756896973],["rocky",-12.990944862365723],["▁Sunshine",-12.991031646728516],["▁chimney",-12.991044998168945],["▁préfér",-12.991153717041016],["▁relaxare",-12.991189956665039],["▁colabora",-12.99134349822998],["liefer",-12.99142837524414],["▁ordentlich",-12.991486549377441],["▁dauerhaft",-12.991535186767578],["kammer",-12.991572380065918],["▁Basket",-12.991579055786133],["Site",-12.991657257080078],["▁Regina",-12.991716384887695],["▁simulate",-12.991868019104004],["▁wrestle",-12.991939544677734],["wertig",-12.991986274719238],["▁Christie",-12.992018699645996],["download",-12.992033004760742],["▁torch",-12.992213249206543],["riya",-12.992216110229492],["▁Grie",-12.992247581481934],["bitten",-12.992356300354004],["▁spezialisiert",-12.99238109588623],["▁Parade",-12.992408752441406],["▁migraine",-12.992830276489258],["▁Armstrong",-12.992846488952637],["▁cutie",-12.9928560256958],["▁bullying",-12.992889404296875],["▁Estonia",-12.99293041229248],["▁harvested",-12.992948532104492],["▁Hunger",-12.992971420288086],["▁frapp",-12.992999076843262],["REM",-12.993117332458496],["sensor",-12.993189811706543],["▁GREAT",-12.993293762207031],["▁thyroid",-12.993302345275879],["▁mărturi",-12.993335723876953],["ocupă",-12.993809700012207],["▁Wealth",-12.993812561035156],["▁convins",-12.993841171264648],["141",-12.993876457214355],["▁vingt",-12.993901252746582],["▁revel",-12.994054794311523],["▁Adri",-12.994083404541016],["▁remix",-12.994207382202148],["▁fermentation",-12.99425220489502],["▁achiziti",-12.994352340698242],["dream",-12.994426727294922],["▁contemporan",-12.994632720947266],["▁youngsters",-12.994685173034668],["▁Hartford",-12.994745254516602],["▁Wagen",-12.994988441467285],["▁Celebr",-12.995214462280273],["leveraging",-12.99527645111084],["▁Iasi",-12.99549674987793],["tackling",-12.9955415725708],["▁intrinsic",-12.995553970336914],["▁Macedon",-12.995603561401367],["NIA",-12.995784759521484],["▁bliss",-12.995905876159668],["▁gradual",-12.995908737182617],["▁inregistrat",-12.995981216430664],["▁volleyball",-12.995986938476562],["▁offiziell",-12.996054649353027],["▁carré",-12.99611759185791],["Mostly",-12.996174812316895],["▁Harley",-12.996193885803223],["▁locati",-12.996216773986816],["▁Klo",-12.996223449707031],["▁Equal",-12.996238708496094],["▁citat",-12.996369361877441],["▁argint",-12.996478080749512],["prüft",-12.996528625488281],["▁Fence",-12.996600151062012],["positive",-12.996988296508789],["▁Kaz",-12.997245788574219],["▁distortion",-12.997342109680176],["▁sâmbătă",-12.997342109680176],["▁frontière",-12.997346878051758],["▁revanch",-12.997394561767578],["▁Held",-12.997465133666992],["▁Hobb",-12.99776554107666],["▁reuşit",-12.997796058654785],["deem",-12.997880935668945],["▁dorint",-12.997902870178223],["▁Anlagen",-12.997908592224121],["▁cheval",-12.997973442077637],["630",-12.99806022644043],["▁implementare",-12.99808406829834],["▁curator",-12.99821662902832],["▁legislator",-12.998247146606445],["▁potassium",-12.998247146606445],["▁veterinarian",-12.998247146606445],["▁domenii",-12.998273849487305],["▁revue",-12.998310089111328],["Vielen",-12.998333930969238],["africain",-12.998570442199707],["before",-12.998680114746094],["▁Bestandteil",-12.998702049255371],["▁(2010)",-12.998767852783203],["▁Arlington",-12.999153137207031],["▁Gründung",-12.999153137207031],["▁Sprinkle",-12.999153137207031],["▁Princeton",-12.999186515808105],["chirurg",-12.999228477478027],["▁laissé",-12.999357223510742],["whoever",-12.999384880065918],["▁pasture",-12.999431610107422],["ajute",-12.999436378479004],["▁joyful",-12.999494552612305],["etapa",-12.999905586242676],["ESP",-13.000017166137695],["▁Iohannis",-13.000059127807617],["▁10:30",-13.000127792358398],["▁Kingston",-13.000140190124512],["▁contender",-13.000164031982422],["▁Damage",-13.000177383422852],["▁schreibt",-13.000482559204102],["sstisch",-13.000631332397461],["Associated",-13.00072956085205],["▁disposable",-13.000782012939453],["veranstaltung",-13.00096607208252],["▁puppet",-13.00100040435791],["pong",-13.001093864440918],["▁Chronicle",-13.001176834106445],["222",-13.001286506652832],["intuit",-13.001396179199219],["inscrire",-13.001429557800293],["▁speeches",-13.001431465148926],["▁Eingang",-13.001775741577148],["▁Adidas",-13.001875877380371],["▁cemetery",-13.001877784729004],["▁juicy",-13.001885414123535],["▁wertvolle",-13.0018892288208],["▁militari",-13.001917839050293],["China",-13.00196361541748],["ecția",-13.002041816711426],["luster",-13.002063751220703],["auftrag",-13.00234317779541],["▁Marius",-13.002523422241211],["▁crossover",-13.002555847167969],["▁enthusiast",-13.002555847167969],["▁cantitate",-13.002630233764648],["▁animat",-13.002634048461914],["Park",-13.002793312072754],["▁unchanged",-13.00279426574707],["russia",-13.00281810760498],["instant",-13.002833366394043],["ţiunea",-13.002835273742676],["▁franchi",-13.002920150756836],["▁mobiliz",-13.002963066101074],["athlet",-13.003013610839844],["▁Cardio",-13.0031099319458],["▁supus",-13.003119468688965],["▁Griff",-13.003137588500977],["flakes",-13.003217697143555],["soluble",-13.003250122070312],["Known",-13.003693580627441],["leaking",-13.003741264343262],["▁Holocaust",-13.004148483276367],["gift",-13.004197120666504],["▁tradiţi",-13.004359245300293],["▁southeast",-13.004498481750488],["▁correspondant",-13.00460147857666],["Isaiah",-13.004603385925293],["▁diagonal",-13.004606246948242],["▁Probabil",-13.004680633544922],["▁dégust",-13.004791259765625],["▁Naval",-13.004802703857422],["▁cultivation",-13.004839897155762],["▁Vertrieb",-13.004849433898926],["▁pony",-13.004854202270508],["▁Throw",-13.0050048828125],["little",-13.005010604858398],["▁remarque",-13.005074501037598],["▁parcare",-13.005085945129395],["3.8",-13.00518798828125],["▁renunt",-13.005330085754395],["▁Rewards",-13.005487442016602],["▁Thur",-13.005496978759766],["▁underestimate",-13.005515098571777],["▁frankly",-13.005516052246094],["Bretagne",-13.005517959594727],["axial",-13.005537986755371],["▁identities",-13.0055570602417],["▁Harvest",-13.00561237335205],["▁skippe",-13.00561237335205],["▁Boutique",-13.005670547485352],["▁intuition",-13.005746841430664],["▁Rotary",-13.00581169128418],["▁SERVICE",-13.005875587463379],["▁refill",-13.005915641784668],["▁arcade",-13.006060600280762],["▁komme",-13.006386756896973],["▁irrelevant",-13.006427764892578],["▁Sortiment",-13.006429672241211],["▁scriitor",-13.006488800048828],["▁clicked",-13.006516456604004],["▁ciel",-13.006610870361328],["▁Caesar",-13.00680160522461],["hound",-13.006803512573242],["whipped",-13.006843566894531],["licate",-13.006867408752441],["▁formatting",-13.006986618041992],["▁mosaic",-13.007028579711914],["(2017)",-13.007122039794922],["777",-13.007257461547852],["▁Messenger",-13.007342338562012],["dulci",-13.007369041442871],["▁(2016)",-13.007420539855957],["▁popcorn",-13.007425308227539],["▁Presidential",-13.007497787475586],["▁brokerage",-13.007564544677734],["dachte",-13.00762939453125],["verkauf",-13.00768756866455],["▁pomme",-13.007721900939941],["▁fret",-13.007822036743164],["▁revere",-13.007894515991211],["▁Canvas",-13.008092880249023],["▁Nottingham",-13.008255004882812],["▁Refuge",-13.008257865905762],["▁injustice",-13.008259773254395],["▁External",-13.008264541625977],["dincolo",-13.008304595947266],["directing",-13.008511543273926],["▁Toulouse",-13.008710861206055],["▁cheltuieli",-13.008746147155762],["▁distrus",-13.008816719055176],["impôt",-13.008912086486816],["landschaft",-13.008964538574219],["passion",-13.00897216796875],["▁Hobby",-13.009099006652832],["significant",-13.009115219116211],["▁Guinea",-13.009209632873535],["pecializing",-13.009237289428711],["pozitie",-13.009245872497559],["bourne",-13.009295463562012],["▁mâini",-13.00933837890625],["▁CFR",-13.009395599365234],["▁Konflikt",-13.009626388549805],["▁Vodafone",-13.009626388549805],["OUG",-13.009681701660156],["▁Übersicht",-13.009735107421875],["negotiated",-13.009903907775879],["▁gliss",-13.010042190551758],["▁Kapital",-13.010111808776855],["QC",-13.0101318359375],["▁gentleman",-13.01024341583252],["Inde",-13.010514259338379],["▁immensely",-13.010639190673828],["Business",-13.010702133178711],["▁04/2",-13.010882377624512],["societatea",-13.010973930358887],["fluoxetine",-13.011000633239746],["▁Wachstum",-13.011000633239746],["▁récit",-13.011011123657227],["▁Preisvergleich",-13.011034965515137],["▁Mohammed",-13.011460304260254],["gefangen",-13.011462211608887],["▁calibration",-13.011608123779297],["bekam",-13.011728286743164],["▁FUN",-13.011758804321289],["wasting",-13.011839866638184],["▁prosper",-13.011862754821777],["▁Afghan",-13.011919021606445],["▁Heroes",-13.011921882629395],["▁VMware",-13.011927604675293],["exception",-13.011969566345215],["▁înlocui",-13.01244831085205],["Neu",-13.01246452331543],["initiation",-13.01250171661377],["▁Peel",-13.01281452178955],["▁cunoaste",-13.012836456298828],["▁menschliche",-13.012849807739258],["▁poarta",-13.012852668762207],["▁congestion",-13.012930870056152],["▁îmbunătăț",-13.013103485107422],["EUR",-13.013171195983887],["▁sushi",-13.01326847076416],["Jährige",-13.01329517364502],["espoir",-13.013423919677734],["inspected",-13.013444900512695],["▁etape",-13.013677597045898],["▁pharmacist",-13.013754844665527],["flect",-13.013840675354004],["Changing",-13.013932228088379],["▁radiant",-13.014046669006348],["Daddy",-13.014275550842285],["▁categorii",-13.014360427856445],["quête",-13.014628410339355],["▁skincare",-13.014657020568848],["hébergement",-13.014674186706543],["840",-13.01477336883545],["awaiting",-13.014822006225586],["▁murdered",-13.014841079711914],["▁proficient",-13.014863967895508],["▁chauffe",-13.014899253845215],["▁contur",-13.014937400817871],["▁rejoindre",-13.015145301818848],["▁foloseste",-13.01521110534668],["▁Grup",-13.01535701751709],["152",-13.01541519165039],["▁workspace",-13.015438079833984],["▁primitive",-13.015546798706055],["▁Ginger",-13.015557289123535],["▁chemotherapy",-13.015595436096191],["▁platinum",-13.015596389770508],["▁sarcina",-13.01559829711914],["▁revival",-13.015820503234863],["▁Meditation",-13.016111373901367],["▁Vogel",-13.0161714553833],["IMA",-13.016359329223633],["▁handset",-13.016486167907715],["▁Nachmittag",-13.01651668548584],["▁déchets",-13.016517639160156],["▁Cornwall",-13.0165433883667],["▁Curry",-13.016605377197266],["▁cuplu",-13.016607284545898],["▁Birth",-13.016822814941406],["forward",-13.016936302185059],["Dezvoltare",-13.016977310180664],["▁irgendwie",-13.016980171203613],["▁erzielt",-13.016993522644043],["LOS",-13.01700496673584],["▁overload",-13.01708984375],["▁repay",-13.01713752746582],["urlaub",-13.017155647277832],["7.0",-13.01716423034668],["▁Wheat",-13.01748275756836],["▁degrab",-13.017488479614258],["▁Brock",-13.017491340637207],["▁inhabit",-13.0176362991333],["▁Speech",-13.017834663391113],["directional",-13.017862319946289],["▁Mandel",-13.017909049987793],["▁erscheinen",-13.01791763305664],["consciously",-13.018059730529785],["▁sunet",-13.0182523727417],["▁stole",-13.018259048461914],["▁Utilis",-13.018349647521973],["▁obstruction",-13.01852798461914],["▁mindfulness",-13.0186767578125],["partnering",-13.01868724822998],["CSI",-13.018819808959961],["204",-13.01905632019043],["▁squirrel",-13.019286155700684],["▁Rwanda",-13.01975154876709],["▁hunters",-13.019850730895996],["▁revitaliz",-13.02022647857666],["▁avansat",-13.020232200622559],["▁Yamaha",-13.020294189453125],["foto",-13.020435333251953],["▁Vegan",-13.020469665527344],["▁pitched",-13.02053165435791],["▁Vortrag",-13.020540237426758],["traditional",-13.020809173583984],["offrent",-13.021024703979492],["▁Expression",-13.021315574645996],["▁apprécié",-13.021354675292969],["▁Christina",-13.021408081054688],["eilig",-13.021464347839355],["▁verhindern",-13.021599769592285],["culturii",-13.021607398986816],["Aşa",-13.021703720092773],["▁enamel",-13.021756172180176],["▁fördern",-13.021771430969238],["▁acheté",-13.021798133850098],["▁eventuell",-13.021842956542969],["▁Sino",-13.021873474121094],["▁totodat",-13.022008895874023],["accelerated",-13.022202491760254],["▁strengthened",-13.02245044708252],["corro",-13.022482872009277],["4,5",-13.02253246307373],["▁Beverly",-13.022533416748047],["ulevard",-13.022615432739258],["▁hamper",-13.022644996643066],["▁Tempe",-13.02268123626709],["▁Yacht",-13.022799491882324],["▁LGBT",-13.022871017456055],["▁fingertips",-13.022991180419922],["▁Auftraggeber",-13.02299976348877],["▁harbour",-13.0230131149292],["blew",-13.0230712890625],["▁ideology",-13.023115158081055],["▁covenant",-13.023170471191406],["▁faction",-13.023419380187988],["▁animé",-13.023481369018555],["energie",-13.023515701293945],["iterführende",-13.02369499206543],["▁MAI",-13.023784637451172],["▁pluie",-13.023905754089355],["▁cathedral",-13.023919105529785],["▁chiropractic",-13.023919105529785],["monies",-13.023968696594238],["▁contraction",-13.024054527282715],["pvc",-13.024202346801758],["staff",-13.024209022521973],["BIT",-13.024216651916504],["EET",-13.024514198303223],["▁sanction",-13.024575233459473],["▁Reiki",-13.024709701538086],["Trying",-13.024772644042969],["▁endangered",-13.024847984313965],["▁Emperor",-13.024849891662598],["▁empfi",-13.024909973144531],["animation",-13.024998664855957],["207",-13.025029182434082],["separating",-13.02512264251709],["▁lucrative",-13.025148391723633],["▁ortho",-13.02524185180664],["variété",-13.025266647338867],["hésit",-13.025287628173828],["nuances",-13.025289535522461],["▁$250",-13.025394439697266],["▁drumuri",-13.025435447692871],["▁unsafe",-13.025446891784668],["▁1943",-13.025477409362793],["▁automatique",-13.025524139404297],["billed",-13.025585174560547],["▁rectangle",-13.02578067779541],["▁Spannung",-13.025781631469727],["▁dévoil",-13.025790214538574],["▁perimeter",-13.02580738067627],["▁imaginative",-13.02581787109375],["actifs",-13.025851249694824],["neuve",-13.0259428024292],["leagă",-13.026269912719727],["gehende",-13.026700973510742],["▁Gorgeous",-13.026708602905273],["▁impeccable",-13.026708602905273],["▁Curtain",-13.026718139648438],["▁presume",-13.026731491088867],["surpassed",-13.02687931060791],["schiff",-13.026927947998047],["Allied",-13.02699089050293],["fanden",-13.027080535888672],["▁célébr",-13.027174949645996],["▁phénomène",-13.027174949645996],["▁Powell",-13.027413368225098],["jean",-13.027631759643555],["▁peculiar",-13.027640342712402],["▁Antarctic",-13.027641296386719],["▁gradient",-13.027663230895996],["▁brainstorm",-13.027704238891602],["échapp",-13.027726173400879],["Bot",-13.027738571166992],["cita",-13.027743339538574],["▁lumber",-13.027752876281738],["weichen",-13.027852058410645],["▁Halte",-13.028024673461914],["▁noștri",-13.028107643127441],["construction",-13.028165817260742],["DOC",-13.028236389160156],["▁aluat",-13.028319358825684],["streamlined",-13.028462409973145],["Bio",-13.028494834899902],["▁nutritious",-13.028573036193848],["▁délicat",-13.0286283493042],["▁sticla",-13.028656959533691],["OVE",-13.028721809387207],["▁panneau",-13.028793334960938],["▁hetero",-13.028801918029785],["▁annul",-13.028839111328125],["IDA",-13.028935432434082],["▁pitches",-13.028960227966309],["▁Edmonton",-13.029040336608887],["mediated",-13.029136657714844],["AFP",-13.029139518737793],["▁Tibetan",-13.029228210449219],["intégration",-13.02934455871582],["▁Rox",-13.0294771194458],["energia",-13.02950668334961],["▁reconnaît",-13.029509544372559],["▁ține",-13.029525756835938],["▁ignition",-13.029534339904785],["Foarte",-13.029541015625],["▁HOME",-13.029545783996582],["▁MLB",-13.029545783996582],["▁Wähle",-13.029590606689453],["▁Merkel",-13.029658317565918],["poarte",-13.029664993286133],["ALT",-13.02979850769043],["jenigen",-13.029985427856445],["▁conflit",-13.029987335205078],["▁buckle",-13.029996871948242],["▁cacao",-13.030035018920898],["▁représentation",-13.030076026916504],["incepand",-13.030267715454102],["▁Carroll",-13.030306816101074],["▁clientilor",-13.030370712280273],["▁immunity",-13.030441284179688],["oût",-13.03044319152832],["▁Witch",-13.030488014221191],["▁Wolfgang",-13.030532836914062],["▁prudent",-13.030701637268066],["fotograf",-13.03084945678711],["paar",-13.030871391296387],["ergeti",-13.030927658081055],["▁empowerment",-13.031112670898438],["▁Admir",-13.03122329711914],["▁complémentaire",-13.031340599060059],["▁angepasst",-13.031376838684082],["▁flirt",-13.031376838684082],["▁elektronische",-13.031388282775879],["▁stereotype",-13.03140640258789],["SIL",-13.031465530395508],["▁Realtor",-13.031471252441406],["Edit",-13.031774520874023],["requête",-13.03181266784668],["▁Herstellung",-13.031815528869629],["▁cyst",-13.031947135925293],["syndic",-13.031994819641113],["leni",-13.032007217407227],["▁fringe",-13.032020568847656],["▁Jardin",-13.032032012939453],["▁Vezi",-13.032052993774414],["▁Ausstattung",-13.032312393188477],["▁glide",-13.032590866088867],["▁Andere",-13.032758712768555],["▁Haftung",-13.032781600952148],["maßnahmen",-13.032788276672363],["▁recommandé",-13.032790184020996],["▁nave",-13.032793998718262],["viziune",-13.033051490783691],["▁stimulus",-13.033098220825195],["faulty",-13.0331449508667],["▁vicinity",-13.033249855041504],["▁turnaround",-13.033445358276367],["stammt",-13.033846855163574],["▁problemlos",-13.033856391906738],["▁Establish",-13.03415298461914],["▁Silva",-13.034172058105469],["▁muzică",-13.034187316894531],["▁theatrical",-13.03421401977539],["▁braid",-13.034242630004883],["▁blieb",-13.034276962280273],["158",-13.034296989440918],["▁ignorance",-13.034330368041992],["onset",-13.034416198730469],["zeitlich",-13.034523963928223],["▁Sink",-13.034523963928223],["▁caractéris",-13.034594535827637],["▁kreative",-13.03465747833252],["behörde",-13.034677505493164],["repairing",-13.034680366516113],["▁tumble",-13.034757614135742],["zione",-13.034871101379395],["▁Evil",-13.03494644165039],["▁popping",-13.034952163696289],["▁mutant",-13.035025596618652],["emme",-13.035030364990234],["▁Pleasant",-13.035125732421875],["▁appetizer",-13.035125732421875],["▁PLEASE",-13.035126686096191],["▁physiological",-13.035128593444824],["▁Facility",-13.035131454467773],["▁quirky",-13.035131454467773],["▁colectiv",-13.035154342651367],["151",-13.035181999206543],["August",-13.03531551361084],["▁Jewelry",-13.035327911376953],["▁ziar",-13.035481452941895],["▁puissant",-13.035489082336426],["▁Argument",-13.035595893859863],["▁Betracht",-13.035621643066406],["▁TRANS",-13.035636901855469],["Exception",-13.036011695861816],["nosti",-13.036083221435547],["▁Geographic",-13.036155700683594],["amazingly",-13.036173820495605],["▁météo",-13.036181449890137],["streit",-13.036314010620117],["▁idle",-13.036439895629883],["179",-13.036441802978516],["▁Bremen",-13.036534309387207],["▁Kläger",-13.03653621673584],["▁Grammy",-13.036598205566406],["▁Philosophy",-13.036613464355469],["▁utilizeaz",-13.036779403686523],["Accord",-13.036897659301758],["▁USDA",-13.036986351013184],["Continuing",-13.037010192871094],["geschenk",-13.037178039550781],["kredit",-13.037248611450195],["Laugh",-13.037297248840332],["oaring",-13.037406921386719],["▁Richter",-13.037460327148438],["▁Figur",-13.037938117980957],["▁inconsistent",-13.037947654724121],["cresterea",-13.038069725036621],["▁regeneration",-13.038130760192871],["speaking",-13.03818416595459],["▁nasal",-13.03824234008789],["▁partagé",-13.038259506225586],["▁Warranty",-13.038419723510742],["▁Mueller",-13.038501739501953],["formează",-13.038734436035156],["hundert",-13.038745880126953],["gemeldet",-13.038893699645996],["▁excursions",-13.038912773132324],["▁linii",-13.039066314697266],["gefährlich",-13.039067268371582],["▁schema",-13.03907299041748],["nişte",-13.039131164550781],["▁roadway",-13.039132118225098],["▁regression",-13.039135932922363],["▁mână",-13.039366722106934],["5.3",-13.039373397827148],["▁Spät",-13.039734840393066],["▁stubborn",-13.039833068847656],["efectele",-13.040030479431152],["▁atenţi",-13.040136337280273],["▁dovedit",-13.04018497467041],["▁Agile",-13.040190696716309],["denying",-13.04023265838623],["fluss",-13.040620803833008],["▁Calvin",-13.04066276550293],["Sculpt",-13.04083251953125],["égalité",-13.040884971618652],["ticket",-13.040977478027344],["marketed",-13.041044235229492],["holic",-13.041173934936523],["▁eCommerce",-13.041346549987793],["▁Slip",-13.041369438171387],["▁degradation",-13.041736602783203],["écart",-13.041742324829102],["AGR",-13.041807174682617],["▁burglar",-13.041837692260742],["▁conjug",-13.041903495788574],["LLP",-13.04194164276123],["couvrir",-13.041997909545898],["▁Hearing",-13.042001724243164],["▁canton",-13.042006492614746],["▁sixteen",-13.042068481445312],["▁Verlust",-13.042097091674805],["allied",-13.042268753051758],["Performing",-13.042393684387207],["▁évoqu",-13.042519569396973],["▁bookstore",-13.042574882507324],["▁intrebari",-13.042627334594727],["▁Hyderabad",-13.042668342590332],["▁repertoire",-13.042668342590332],["▁cablu",-13.042678833007812],["▁Costume",-13.04269790649414],["▁Shannon",-13.042713165283203],["▁glossy",-13.042800903320312],["▁cible",-13.042876243591309],["Saint",-13.042984008789062],["▁Ultima",-13.043042182922363],["▁teint",-13.0432767868042],["▁envision",-13.043477058410645],["▁thinner",-13.043478965759277],["ис",-13.043609619140625],["▁bladder",-13.043615341186523],["▁Prairie",-13.043618202209473],["▁puppies",-13.043633460998535],["▁overweight",-13.043729782104492],["destined",-13.043925285339355],["▁addictive",-13.043935775756836],["▁posé",-13.043993949890137],["▁mecanism",-13.044112205505371],["▁chorus",-13.044466972351074],["weder",-13.044528007507324],["▁begrüß",-13.044562339782715],["▁unsuccessful",-13.044562339782715],["executing",-13.044564247131348],["▁metadata",-13.044611930847168],["traiter",-13.044620513916016],["▁borrowed",-13.044649124145508],["▁aeroport",-13.044679641723633],["▁Bibli",-13.044761657714844],["▁youthful",-13.044902801513672],["▁Herbert",-13.044913291931152],["client",-13.04500961303711],["merci",-13.04520034790039],["▁Beast",-13.045210838317871],["▁Entrepreneur",-13.045230865478516],["▁Gelände",-13.045256614685059],["▁Packers",-13.045268058776855],["formarea",-13.045469284057617],["▁Kündigung",-13.045511245727539],["▁verdient",-13.045515060424805],["▁solutie",-13.045530319213867],["figuration",-13.045611381530762],["voluntarily",-13.045622825622559],["Gregor",-13.045742988586426],["▁Uncle",-13.04589557647705],["tarifs",-13.045907020568848],["▁écologique",-13.045987129211426],["▁Investition",-13.045991897583008],["exemplar",-13.046127319335938],["▁prevede",-13.046144485473633],["▁waive",-13.046147346496582],["▁Legion",-13.046156883239746],["similar",-13.046247482299805],["▁shareholder",-13.04626750946045],["▁oyster",-13.046476364135742],["▁Lightning",-13.046530723571777],["experimenting",-13.04662799835205],["▁replies",-13.04663372039795],["80,000",-13.046757698059082],["▁adept",-13.04692554473877],["▁Crăciun",-13.046935081481934],["▁sanatos",-13.046935081481934],["305",-13.04699993133545],["specialised",-13.047069549560547],["▁drummer",-13.047189712524414],["Applicants",-13.04741096496582],["objekt",-13.04741096496582],["▁Fifth",-13.047446250915527],["rgic",-13.047567367553711],["theater",-13.047635078430176],["▁terminé",-13.047852516174316],["▁Englisch",-13.047894477844238],["▁Oradea",-13.047898292541504],["possesses",-13.0479097366333],["illiers",-13.047986030578613],["▁refurbish",-13.048110961914062],["graphie",-13.04814338684082],["▁Booth",-13.048174858093262],["▁Ausdruck",-13.048192977905273],["▁Marriage",-13.048361778259277],["▁knives",-13.048362731933594],["▁Relief",-13.048368453979492],["▁Clerk",-13.048392295837402],["wait",-13.048501014709473],["▁probablement",-13.048698425292969],["▁suplimentar",-13.048701286315918],["dollar",-13.048797607421875],["English",-13.04898452758789],["866",-13.049300193786621],["▁Savannah",-13.049314498901367],["▁aftermath",-13.049318313598633],["phé",-13.04932689666748],["▁Plum",-13.049417495727539],["264",-13.049566268920898],["2.000",-13.049582481384277],["niei",-13.049603462219238],["ATP",-13.049803733825684],["mila",-13.04985523223877],["▁glut",-13.049887657165527],["gotta",-13.049891471862793],["schütt",-13.049893379211426],["klick",-13.049996376037598],["whether",-13.050090789794922],["▁Wade",-13.050163269042969],["▁Riley",-13.050280570983887],["Chancellor",-13.050288200378418],["▁nebun",-13.050300598144531],["▁aufgebaut",-13.050374984741211],["steigt",-13.050423622131348],["▁entirety",-13.050494194030762],["▁telefoane",-13.05074691772461],["▁Roulette",-13.050763130187988],["1700",-13.050787925720215],["▁lycée",-13.050856590270996],["rotary",-13.051128387451172],["benefited",-13.051170349121094],["▁Bisericii",-13.051220893859863],["▁Rehabilitation",-13.051220893859863],["▁lithium",-13.051228523254395],["imposing",-13.051279067993164],["176",-13.051329612731934],["▁thunder",-13.051527976989746],["ăsesc",-13.052000045776367],["▁Einblick",-13.052010536193848],["oiled",-13.052151679992676],["SSA",-13.052181243896484],["apparition",-13.05224609375],["▁Impress",-13.052273750305176],["▁Aboriginal",-13.052297592163086],["loos",-13.052383422851562],["▁Bread",-13.052440643310547],["177",-13.052619934082031],["VERS",-13.052638053894043],["▁Respect",-13.05271053314209],["▁Practical",-13.053047180175781],["drafting",-13.05306339263916],["си",-13.053099632263184],["▁faza",-13.053109169006348],["▁sovereign",-13.053123474121094],["▁Untersuchung",-13.05314826965332],["▁Niveau",-13.053154945373535],["transport",-13.053182601928711],["▁downstream",-13.053293228149414],["▁Milton",-13.053383827209473],["▁knob",-13.053390502929688],["employeur",-13.053499221801758],["▁furnish",-13.053544044494629],["weather",-13.053564071655273],["LAB",-13.053646087646484],["166",-13.053853988647461],["▁salaire",-13.053937911987305],["▁Carnival",-13.054088592529297],["4-0",-13.054168701171875],["▁Angle",-13.054291725158691],["▁José",-13.054399490356445],["architecture",-13.054475784301758],["▁Sunset",-13.054574966430664],["▁Absolut",-13.054694175720215],["▁herrlich",-13.05470085144043],["12%",-13.054703712463379],["▁Indo",-13.054823875427246],["▁Komfort",-13.055049896240234],["▁acțiuni",-13.05505084991455],["energize",-13.055085182189941],["▁Warning",-13.055171966552734],["▁Sunny",-13.055216789245605],["▁razor",-13.055489540100098],["▁psychic",-13.055490493774414],["▁convivial",-13.055525779724121],["Voraussetzungen",-13.05555534362793],["IMO",-13.055622100830078],["opérateur",-13.055743217468262],["▁langjährige",-13.05575942993164],["▁Spanie",-13.055901527404785],["pulmonary",-13.056004524230957],["▁Bingo",-13.056050300598145],["▁confession",-13.056096076965332],["▁Petru",-13.056100845336914],["▁prerequisite",-13.056164741516113],["▁dodge",-13.056352615356445],["▁McN",-13.056436538696289],["▁originate",-13.056577682495117],["▁nettoy",-13.056612014770508],["▁$14",-13.056645393371582],["▁Bride",-13.05669116973877],["▁noisy",-13.05673885345459],["▁Worcester",-13.056963920593262],["▁Surrey",-13.056982040405273],["harmonis",-13.057110786437988],["▁représentant",-13.057304382324219],["organisée",-13.057475090026855],["truction",-13.057513236999512],["injected",-13.057597160339355],["▁Suzuki",-13.057924270629883],["▁japonais",-13.057924270629883],["▁turquoise",-13.057924270629883],["▁Peut",-13.058004379272461],["▁Sequ",-13.058028221130371],["slated",-13.058037757873535],["▁Alma",-13.058215141296387],["▁gebraucht",-13.05827522277832],["gängig",-13.058281898498535],["▁commis",-13.058377265930176],["ACS",-13.05856990814209],["pressure",-13.058664321899414],["cured",-13.05874252319336],["▁Jackie",-13.058757781982422],["▁Kashmir",-13.05888557434082],["▁recruited",-13.059000968933105],["▁vécu",-13.059011459350586],["▁opus",-13.059052467346191],["kWh",-13.05927562713623],["▁tapping",-13.059292793273926],["▁tehnologie",-13.05931282043457],["▁Gentle",-13.059365272521973],["▁bombard",-13.059372901916504],["▁caméra",-13.059427261352539],["züglich",-13.059431076049805],["▁bingo",-13.059453010559082],["private",-13.059496879577637],["▁mediator",-13.059642791748047],["▁carbohydrates",-13.059847831726074],["▁workmanship",-13.059849739074707],["▁Combat",-13.059853553771973],["▁Mickey",-13.059901237487793],["▁distressed",-13.059908866882324],["lucrează",-13.059924125671387],["treatment",-13.06007194519043],["▁Einwohner",-13.060330390930176],["▁glaze",-13.060386657714844],["scholarly",-13.06043529510498],["ROC",-13.060750007629395],["▁Darwin",-13.060774803161621],["drückt",-13.060775756835938],["▁treadmill",-13.060819625854492],["ntz",-13.060830116271973],["620",-13.061087608337402],["surface",-13.061148643493652],["▁vieţii",-13.0612211227417],["990",-13.061296463012695],["▁doigt",-13.061341285705566],["▁explor",-13.061450004577637],["▁asistent",-13.061670303344727],["coloriage",-13.061734199523926],["▁Martinez",-13.061758041381836],["▁antibodies",-13.061775207519531],["Schülerinnen",-13.061779975891113],["Honestly",-13.06178092956543],["grabbing",-13.061871528625488],["▁Cardiff",-13.061897277832031],["▁Trophy",-13.062084197998047],["▁pupil",-13.062117576599121],["▁invoke",-13.062161445617676],["bezüglich",-13.062193870544434],["Anschließend",-13.062275886535645],["perks",-13.062360763549805],["530",-13.062373161315918],["▁emblem",-13.062431335449219],["770",-13.062543869018555],["clairement",-13.062590599060059],["▁sublinia",-13.062597274780273],["▁1910",-13.062719345092773],["▁Embassy",-13.062740325927734],["▁Valencia",-13.062740325927734],["▁catastrophic",-13.062740325927734],["▁simulator",-13.06274700164795],["Pierre",-13.062766075134277],["▁doorstep",-13.062806129455566],["▁rallie",-13.062881469726562],["▁șans",-13.062891960144043],["▁crosses",-13.06300163269043],["▁zodi",-13.06312084197998],["Next",-13.06314754486084],["▁rebuilt",-13.063152313232422],["▁panorama",-13.063222885131836],["196",-13.06324291229248],["▁erinnert",-13.06370735168457],["lism",-13.06371784210205],["opened",-13.06383228302002],["▁breakout",-13.064126014709473],["▁mosque",-13.064153671264648],["boc",-13.064507484436035],["▁grout",-13.064568519592285],["▁Gather",-13.064582824707031],["▁vampire",-13.06467342376709],["▁tandem",-13.064684867858887],["▁pastra",-13.064702033996582],["▁lösen",-13.064794540405273],["▁discontinu",-13.064826965332031],["fuses",-13.064885139465332],["▁identitate",-13.064947128295898],["BAC",-13.064964294433594],["▁$100,000",-13.065122604370117],["Finder",-13.06515121459961],["▁Leicester",-13.065157890319824],["▁1933",-13.065159797668457],["informatiile",-13.065234184265137],["lädt",-13.065309524536133],["iggle",-13.065399169921875],["▁Discuss",-13.065462112426758],["distributing",-13.065470695495605],["▁disappoint",-13.065475463867188],["ecţia",-13.065611839294434],["▁condiment",-13.065640449523926],["▁Marriott",-13.065642356872559],["▁entspannt",-13.065644264221191],["arbitrary",-13.06564998626709],["rühren",-13.06574821472168],["Intensiv",-13.065771102905273],["eliminare",-13.065895080566406],["muster",-13.06594467163086],["▁komplexe",-13.066130638122559],["▁(2008)",-13.066184997558594],["absolument",-13.066349029541016],["aloo",-13.066420555114746],["cererea",-13.06655216217041],["▁imobiliar",-13.066696166992188],["▁paramount",-13.066705703735352],["▁Vince",-13.066723823547363],["pov",-13.067076683044434],["▁conveyor",-13.067549705505371],["▁Natalie",-13.067583084106445],["▁Comedy",-13.067623138427734],["Developing",-13.0678129196167],["disputed",-13.067878723144531],["164",-13.067911148071289],["▁Communist",-13.067949295043945],["▁Bahnhof",-13.06806468963623],["dokument",-13.068145751953125],["▁Somali",-13.06828498840332],["▁Strasbourg",-13.068503379821777],["▁Technician",-13.068550109863281],["▁subsidies",-13.068633079528809],["judeţul",-13.068723678588867],["▁bible",-13.068769454956055],["gefahren",-13.068855285644531],["▁literal",-13.068882942199707],["▁diminish",-13.068940162658691],["Sfântul",-13.0689697265625],["▁doreșt",-13.068978309631348],["▁Xiaomi",-13.069036483764648],["▁planète",-13.069130897521973],["▁LTD",-13.069175720214844],["▁Zugriff",-13.069196701049805],["beginn",-13.06921672821045],["▁Einführung",-13.069294929504395],["▁coronar",-13.069393157958984],["lomi",-13.0693941116333],["▁Accueil",-13.0695219039917],["scanned",-13.069528579711914],["▁Banque",-13.06952953338623],["▁réaction",-13.069531440734863],["▁Hoffman",-13.069546699523926],["▁merveille",-13.069637298583984],["navigating",-13.069719314575195],["schalten",-13.06984806060791],["▁ieşi",-13.070136070251465],["1-6",-13.070175170898438],["▁frustr",-13.070670127868652],["▁réfléchi",-13.0709810256958],["▁difuz",-13.071100234985352],["▁freue",-13.07121753692627],["besuch",-13.071349143981934],["153",-13.071386337280273],["▁butterflies",-13.071467399597168],["▁terrifying",-13.071467399597168],["▁încuraj",-13.071468353271484],["▁Château",-13.071470260620117],["▁contingent",-13.071474075317383],["▁abusive",-13.0714750289917],["▁SharePoint",-13.07148551940918],["▁skating",-13.071573257446289],["▁militaire",-13.07166576385498],["▁Vig",-13.071690559387207],["omics",-13.071840286254883],["▁Blockchain",-13.07197093963623],["▁principii",-13.071975708007812],["▁permitting",-13.071979522705078],["optimisation",-13.072270393371582],["▁maintien",-13.072328567504883],["▁Aluminum",-13.072442054748535],["▁Plymouth",-13.072443008422852],["▁Weiterbildung",-13.072457313537598],["▁Finanzierung",-13.072505950927734],["▁Kerala",-13.072514533996582],["insulated",-13.072668075561523],["▁loaf",-13.072802543640137],["▁Sammlung",-13.072929382324219],["▁îndepărt",-13.072930335998535],["▁Gewerbe",-13.072942733764648],["udel",-13.072988510131836],["▁coursework",-13.073104858398438],["▁Darstellung",-13.073246002197266],["▁indeplin",-13.073433876037598],["▁Gandhi",-13.073434829711914],["tossed",-13.07361888885498],["ewed",-13.073844909667969],["▁classement",-13.073884963989258],["▁Protestant",-13.073905944824219],["▁frumoasă",-13.073905944824219],["▁pantalon",-13.073906898498535],["▁rivet",-13.073966979980469],["▁Echt",-13.0741605758667],["erviciului",-13.07421588897705],["fabricated",-13.074322700500488],["Compania",-13.074372291564941],["▁juvenile",-13.074394226074219],["▁souligne",-13.07444953918457],["▁chrono",-13.07447338104248],["▁VII",-13.074594497680664],["▁Kirch",-13.074714660644531],["catcher",-13.075014114379883],["salv",-13.075263023376465],["▁Enforcement",-13.075370788574219],["▁Penguin",-13.075410842895508],["kowski",-13.075465202331543],["▁2:1",-13.075470924377441],["gesundheit",-13.075475692749023],["▁unveil",-13.075519561767578],["bending",-13.075531959533691],["▁conecta",-13.075579643249512],["▁faim",-13.075885772705078],["▁MacBook",-13.075969696044922],["versuch",-13.07600212097168],["▁regiuni",-13.076029777526855],["▁Willow",-13.076184272766113],["▁finanziell",-13.076303482055664],["▁nurturing",-13.076354026794434],["impuls",-13.076370239257812],["▁funktionieren",-13.076371192932129],["▁rezult",-13.076554298400879],["▁spui",-13.076593399047852],["▁walkway",-13.076653480529785],["▁Rauch",-13.076708793640137],["169",-13.076793670654297],["610",-13.076863288879395],["▁scazut",-13.0773286819458],["▁Garrett",-13.077329635620117],["▁necesită",-13.077352523803711],["Articolul",-13.077364921569824],["numită",-13.077371597290039],["Coastal",-13.077383041381836],["▁canned",-13.077421188354492],["▁Friendly",-13.077499389648438],["dissolved",-13.0775728225708],["seid",-13.077674865722656],["▁feminin",-13.077685356140137],["▁fetch",-13.077710151672363],["▁Accent",-13.077767372131348],["phrase",-13.077771186828613],["effekt",-13.077775955200195],["▁Progressive",-13.077777862548828],["▁canadien",-13.077820777893066],["iety",-13.077839851379395],["eignen",-13.077984809875488],["paraître",-13.07812213897705],["▁asylum",-13.07833194732666],["▁Albany",-13.078362464904785],["▁remis",-13.078386306762695],["▁Joyce",-13.078664779663086],["schätzt",-13.078784942626953],["▁begleiten",-13.078801155090332],["▁Siemens",-13.079007148742676],["▁schlimm",-13.079061508178711],["▁Libra",-13.079254150390625],["▁Composite",-13.079290390014648],["▁écr",-13.079315185546875],["disciplina",-13.079379081726074],["▁premature",-13.079630851745605],["▁scopuri",-13.079681396484375],["ffnung",-13.079715728759766],["7000",-13.079726219177246],["▁conséquent",-13.079780578613281],["▁côte",-13.079787254333496],["celul",-13.079872131347656],["▁fourteen",-13.079940795898438],["▁Riverside",-13.080077171325684],["gemacht",-13.08013916015625],["▁volcanic",-13.080272674560547],["▁Salesforce",-13.080315589904785],["▁Granite",-13.080317497253418],["▁Zentral",-13.080329895019531],["▁Female",-13.080341339111328],["▁culmin",-13.08047103881836],["▁urmatoare",-13.080547332763672],["toxicity",-13.080560684204102],["▁mâna",-13.080678939819336],["▁Umfang",-13.080764770507812],["▁Encore",-13.08077621459961],["▁Edgar",-13.080831527709961],["▁négoci",-13.080852508544922],["njeux",-13.080873489379883],["▁variance",-13.080917358398438],["▁Functional",-13.080973625183105],["172",-13.081046104431152],["▁dissolve",-13.0811185836792],["förderung",-13.081188201904297],["▁Brilliant",-13.081254959106445],["▁comprehension",-13.081254959106445],["▁soybean",-13.081254959106445],["▁standalone",-13.081255912780762],["▁Communi",-13.081303596496582],["▁ajut",-13.081313133239746],["▁lavish",-13.081338882446289],["Ouest",-13.081384658813477],["▁Maggie",-13.081385612487793],["▁evolutionary",-13.081550598144531],["bowel",-13.081575393676758],["▁glyco",-13.081626892089844],["▁Happi",-13.081706047058105],["organising",-13.081710815429688],["▁übernimm",-13.081727027893066],["▁snowboard",-13.081793785095215],["▁prévention",-13.081830024719238],["▁Celebrate",-13.082160949707031],["▁pottery",-13.082254409790039],["▁Outstanding",-13.082328796386719],["▁toamna",-13.082331657409668],["▁graceful",-13.082548141479492],["197",-13.082559585571289],["strecke",-13.082598686218262],["▁medizinische",-13.082733154296875],["216",-13.082839965820312],["▁prune",-13.082868576049805],["Pourtant",-13.083000183105469],["▁Difference",-13.083224296569824],["▁factura",-13.083830833435059],["Mass",-13.084161758422852],["▁Enhanc",-13.084190368652344],["upholstered",-13.084209442138672],["▁übernommen",-13.084209442138672],["▁mitigation",-13.084210395812988],["▁Hidden",-13.084219932556152],["▁Häuser",-13.084234237670898],["▁Pavel",-13.084403991699219],["▁congress",-13.084512710571289],["▁antibody",-13.084598541259766],["▁stitches",-13.084811210632324],["▁colonies",-13.084820747375488],["Into",-13.084900856018066],["▁démo",-13.084924697875977],["▁MVP",-13.085041046142578],["▁replay",-13.085062026977539],["▁usoara",-13.08522891998291],["▁Breast",-13.085278511047363],["ooney",-13.085336685180664],["▁außen",-13.085663795471191],["▁Motorola",-13.085695266723633],["▁spalat",-13.08578109741211],["euillez",-13.086088180541992],["▁jeunesse",-13.086170196533203],["▁pastoral",-13.086174011230469],["▁Sussex",-13.086185455322266],["▁stencil",-13.08619213104248],["▁organismului",-13.086504936218262],["seized",-13.086649894714355],["▁întrebare",-13.086865425109863],["cliquez",-13.086874961853027],["5.7",-13.086984634399414],["▁Yama",-13.087080955505371],["painted",-13.08708667755127],["▁Swimming",-13.087176322937012],["Rhythm",-13.087202072143555],["▁sorrow",-13.087210655212402],["▁Movers",-13.08731460571289],["renforcer",-13.08735466003418],["▁Wach",-13.087381362915039],["0,00",-13.087390899658203],["▁glove",-13.08753490447998],["▁stâng",-13.087669372558594],["rgendwann",-13.087687492370605],["▁Philippine",-13.08769416809082],["▁anunțat",-13.087716102600098],["▁Coleman",-13.087723731994629],["affir",-13.087918281555176],["uleiul",-13.08808422088623],["▁Coconut",-13.088197708129883],["▁Supplement",-13.088210105895996],["haudiere",-13.088293075561523],["▁kettle",-13.088313102722168],["▁3,5",-13.088370323181152],["refurbished",-13.088425636291504],["esthétique",-13.088665962219238],["performing",-13.088667869567871],["▁Engag",-13.088762283325195],["Group",-13.088801383972168],["▁viande",-13.088887214660645],["▁oricum",-13.088888168334961],["Spitalul",-13.089093208312988],["▁cesse",-13.089110374450684],["▁contradiction",-13.089130401611328],["▁Chrysler",-13.089154243469238],["▁poultry",-13.089154243469238],["▁thirteen",-13.089154243469238],["▁sightseeing",-13.089155197143555],["▁Miguel",-13.089158058166504],["▁terminology",-13.089334487915039],["▁Genetic",-13.089553833007812],["commercial",-13.08963394165039],["gehoben",-13.08965015411377],["RIGHT",-13.08995532989502],["▁proprietate",-13.089990615844727],["▁Cannes",-13.090012550354004],["▁klicken",-13.090023040771484],["▁Belgique",-13.0901460647583],["tapped",-13.09034538269043],["kinetic",-13.090569496154785],["▁feuilles",-13.090673446655273],["whitening",-13.090760231018066],["Any",-13.090946197509766],["Manager",-13.091099739074707],["▁constatat",-13.091106414794922],["▁Myanmar",-13.091140747070312],["▁Examination",-13.091142654418945],["▁règle",-13.091208457946777],["▁umgesetzt",-13.09128475189209],["211",-13.091336250305176],["▁Herald",-13.091449737548828],["Alex",-13.091680526733398],["▁drauf",-13.091707229614258],["logger",-13.091714859008789],["▁pictur",-13.09186840057373],["▁Divi",-13.09196949005127],["▁furnizat",-13.092089653015137],["▁verzichten",-13.092132568359375],["▁Sergi",-13.092199325561523],["contaminated",-13.09223747253418],["▁Buddy",-13.092243194580078],["▁chilled",-13.092268943786621],["▁vorlieg",-13.092317581176758],["▁Claudia",-13.092632293701172],["▁miserable",-13.092653274536133],["▁sketches",-13.092683792114258],["schicken",-13.092814445495605],["since",-13.0928373336792],["2.9",-13.092840194702148],["▁sitzen",-13.092928886413574],["ceapa",-13.093396186828613],["respectarea",-13.093438148498535],["▁handheld",-13.093448638916016],["popular",-13.093527793884277],["calming",-13.093603134155273],["Govern",-13.093632698059082],["▁omega",-13.093645095825195],["▁Planner",-13.093791007995605],["enriched",-13.093850135803223],["154",-13.093976974487305],["▁autorisé",-13.093989372253418],["▁cadouri",-13.09407901763916],["▁vulnerabilities",-13.094143867492676],["▁Arbeitnehmer",-13.094158172607422],["éditeur",-13.094234466552734],["▁Anleitung",-13.094317436218262],["rubbing",-13.094343185424805],["▁autovehicul",-13.094621658325195],["▁öffnen",-13.094621658325195],["▁Napoleon",-13.094622611999512],["▁cliché",-13.094637870788574],["▁Schaf",-13.09469985961914],["regulating",-13.094894409179688],["▁Kühl",-13.09490966796875],["▁blush",-13.094913482666016],["▁discard",-13.094992637634277],["▁confine",-13.095027923583984],["▁Rodriguez",-13.09511947631836],["▁ADHD",-13.095165252685547],["▁Madame",-13.09516716003418],["▁résolution",-13.095319747924805],["▁flair",-13.095369338989258],["▁claw",-13.095422744750977],["▁1929",-13.095643043518066],["ETH",-13.095672607421875],["nähe",-13.095804214477539],["▁soothe",-13.0958251953125],["4.9",-13.095833778381348],["montée",-13.095925331115723],["confirming",-13.095989227294922],["continent",-13.09613037109375],["reiz",-13.09643840789795],["john",-13.096577644348145],["IONAL",-13.096588134765625],["▁exported",-13.0966215133667],["▁Prison",-13.096651077270508],["possessed",-13.096952438354492],["▁placebo",-13.096991539001465],["▁biodiversity",-13.097116470336914],["▁combustion",-13.097116470336914],["▁Plumbing",-13.09711742401123],["ixie",-13.097124099731445],["▁repetition",-13.09715461730957],["▁soumis",-13.097372055053711],["▁reduc",-13.097671508789062],["▁constrain",-13.097759246826172],["Anti",-13.097760200500488],["consolidated",-13.097817420959473],["214",-13.098095893859863],["▁breaches",-13.098108291625977],["infringement",-13.098115921020508],["▁drizzle",-13.098115921020508],["▁erhöhen",-13.098116874694824],["▁Somerset",-13.098118782043457],["▁blonde",-13.098132133483887],["▁Funny",-13.09813404083252],["tuşi",-13.098149299621582],["▁reinvent",-13.098162651062012],["▁sérieux",-13.098247528076172],["▁croire",-13.098308563232422],["general",-13.098315238952637],["▁Distance",-13.098319053649902],["▁VoIP",-13.098348617553711],["▁adăugat",-13.098406791687012],["matik",-13.098546028137207],["▁avatar",-13.098647117614746],["▁superstar",-13.098804473876953],["8.0",-13.098814010620117],["lusieurs",-13.098982810974121],["▁Judeţean",-13.099117279052734],["offenen",-13.099128723144531],["RAF",-13.099133491516113],["▁restroom",-13.099207878112793],["enfance",-13.099348068237305],["▁garnish",-13.099499702453613],["▁vermittelt",-13.099631309509277],["Histoire",-13.099634170532227],["cyan",-13.100628852844238],["Talk",-13.100666046142578],["▁Varianten",-13.10069465637207],["▁Lille",-13.10085678100586],["▁offenbar",-13.10098934173584],["▁rénovation",-13.10112190246582],["▁comentarii",-13.101249694824219],["▁Bedford",-13.10130500793457],["▁cercetări",-13.101325988769531],["▁précision",-13.101337432861328],["MRC",-13.101358413696289],["alterations",-13.101476669311523],["▁discours",-13.101531028747559],["äger",-13.101577758789062],["▁antreprenor",-13.101622581481934],["▁Oriental",-13.101849555969238],["conducerea",-13.101868629455566],["CBC",-13.101932525634766],["▁mince",-13.101985931396484],["▁presidency",-13.10212516784668],["▁lipstick",-13.102167129516602],["▁SERVICES",-13.102237701416016],["productive",-13.10237979888916],["Assad",-13.102400779724121],["▁efectiv",-13.102540969848633],["▁gestern",-13.102596282958984],["▁RGB",-13.102606773376465],["▁Transilvania",-13.102627754211426],["▁Raleigh",-13.102670669555664],["DOM",-13.102702140808105],["▁iesit",-13.102806091308594],["▁anuntat",-13.102810859680176],["▁automatiquement",-13.102901458740234],["▁proliferation",-13.103130340576172],["▁Maroc",-13.103156089782715],["▁prezenţ",-13.10323429107666],["▁Filipino",-13.103296279907227],["▁Traian",-13.103351593017578],["▁swimmer",-13.10356616973877],["▁Slovenia",-13.103632926940918],["phobia",-13.103724479675293],["curricular",-13.103734016418457],["jurnal",-13.103825569152832],["▁vorne",-13.103870391845703],["▁asuma",-13.103875160217285],["defended",-13.104104995727539],["▁imminent",-13.104140281677246],["favored",-13.10417366027832],["▁innovator",-13.104179382324219],["▁Salzburg",-13.104289054870605],["5.4",-13.104452133178711],["Safe",-13.104597091674805],["▁inteleg",-13.104744911193848],["▁charisma",-13.104781150817871],["nature",-13.104784965515137],["4.8",-13.104942321777344],["argues",-13.105104446411133],["▁dimensiune",-13.105142593383789],["▁subdivision",-13.105142593383789],["▁embarrassing",-13.105144500732422],["▁confuse",-13.105207443237305],["DIC",-13.105460166931152],["rubrique",-13.10549545288086],["dépendance",-13.105598449707031],["INCLUD",-13.10565185546875],["▁Griffin",-13.10574722290039],["157",-13.105751037597656],["▁revamp",-13.105839729309082],["▁umgehen",-13.10595989227295],["▁mențin",-13.106231689453125],["▁1937",-13.106695175170898],["eklagte",-13.106766700744629],["▁clientèle",-13.106801986694336],["▁campsite",-13.10708999633789],["▁florist",-13.107144355773926],["▁Ferguson",-13.107159614562988],["▁demolition",-13.107160568237305],["▁McCain",-13.107254981994629],["▁reckon",-13.10733413696289],["striped",-13.107414245605469],["▁sonore",-13.107481002807617],["migrated",-13.107548713684082],["▁fluorescent",-13.107664108276367],["▁Colegi",-13.107762336730957],["ianu",-13.107860565185547],["cruising",-13.107882499694824],["LINK",-13.107965469360352],["▁Cutting",-13.108001708984375],["ABILITY",-13.108168601989746],["▁Categories",-13.108168601989746],["▁erhoben",-13.108168601989746],["▁Cocktail",-13.108169555664062],["▁Generator",-13.108177185058594],["▁gesucht",-13.108186721801758],["▁telescope",-13.10818862915039],["KET",-13.108192443847656],["▁hilfreich",-13.108192443847656],["▁beneficiary",-13.108585357666016],["▁Winston",-13.108636856079102],["Auswirkungen",-13.108675956726074],["portrayed",-13.108705520629883],["▁Aspekte",-13.108743667602539],["ffected",-13.108901023864746],["eutic",-13.108905792236328],["International",-13.109021186828613],["attente",-13.109078407287598],["mentioning",-13.109119415283203],["launch",-13.109129905700684],["▁EURO",-13.109152793884277],["▁Fraser",-13.109344482421875],["▁Johannes",-13.109408378601074],["▁felicit",-13.109477043151855],["▁plâng",-13.109522819519043],["izant",-13.10971736907959],["▁reţe",-13.109846115112305],["Mech",-13.109954833984375],["▁algebra",-13.110193252563477],["▁surgeries",-13.110257148742676],["▁semifinal",-13.110262870788574],["▁intimidating",-13.110288619995117],["▁exkl",-13.110604286193848],["asigurarea",-13.110918998718262],["Tek",-13.111136436462402],["▁Einladung",-13.111205101013184],["▁similaire",-13.111205101013184],["▁bebelus",-13.111221313476562],["▁déclin",-13.111400604248047],["▁Console",-13.111495018005371],["RET",-13.111573219299316],["appli",-13.111586570739746],["45%",-13.111663818359375],["Evenimentul",-13.111811637878418],["sincerely",-13.111812591552734],["sammlung",-13.112098693847656],["Amérique",-13.112220764160156],["▁1919",-13.112326622009277],["regulation",-13.112367630004883],["gebäude",-13.112726211547852],["▁Perspektive",-13.112726211547852],["Espagne",-13.112744331359863],["▁Underground",-13.11283016204834],["secret",-13.112833976745605],["▁Aussicht",-13.112874031066895],["Photo",-13.112977027893066],["▁Brust",-13.113144874572754],["▁Sustainability",-13.11323356628418],["▁clădiri",-13.11323356628418],["▁librarian",-13.11323356628418],["▁HBO",-13.113235473632812],["▁Parallel",-13.113240242004395],["▁shimmer",-13.113283157348633],["▁schlicht",-13.113292694091797],["▁anticipat",-13.113311767578125],["▁foolish",-13.11335563659668],["▁Ability",-13.11347484588623],["▁ceremoni",-13.11358642578125],["▁Ablauf",-13.11359977722168],["icrobial",-13.113606452941895],["▁actiuni",-13.11362361907959],["▁Wilhelm",-13.113761901855469],["▁nennen",-13.113775253295898],["▁botez",-13.113832473754883],["Alpes",-13.113912582397461],["▁libér",-13.11392593383789],["▁sneakers",-13.114052772521973],["geschafft",-13.114252090454102],["▁downstairs",-13.114261627197266],["▁wrench",-13.114294052124023],["▁erheblich",-13.11442756652832],["▁alimentar",-13.114710807800293],["▁suger",-13.11474323272705],["analysis",-13.114883422851562],["öhn",-13.114891052246094],["▁Nantes",-13.114895820617676],["▁Arbor",-13.114899635314941],["ooze",-13.115150451660156],["▁facade",-13.115229606628418],["▁MySQL",-13.115266799926758],["▁Salvador",-13.115266799926758],["▁Schlafzimmer",-13.115279197692871],["▁autentic",-13.115320205688477],["▁prezint",-13.115348815917969],["▁campground",-13.115397453308105],["Query",-13.11540412902832],["bekannt",-13.115598678588867],["arcinia",-13.115632057189941],["▁stunt",-13.115825653076172],["▁informare",-13.115830421447754],["▁interzis",-13.11584186553955],["▁Burke",-13.115995407104492],["certified",-13.11601734161377],["▁clove",-13.11605167388916],["java",-13.116271018981934],["▁Vielfalt",-13.116284370422363],["gebung",-13.116329193115234],["▁9/11",-13.116497993469238],["▁disruptive",-13.11650562286377],["visual",-13.116693496704102],["▁anunţat",-13.11679458618164],["▁Plätze",-13.116799354553223],["▁reduceri",-13.116920471191406],["autorisation",-13.116950035095215],["▁ligament",-13.11705207824707],["▁învăța",-13.117081642150879],["läufig",-13.117303848266602],["▁Copenhagen",-13.117303848266602],["▁commodities",-13.117303848266602],["▁eindeutig",-13.117313385009766],["▁catheter",-13.117321014404297],["erklärung",-13.117720603942871],["▁intelectual",-13.117814064025879],["▁municipality",-13.117891311645508],["▁1936",-13.11798095703125],["rruption",-13.118217468261719],["▁Lafayette",-13.118324279785156],["▁berühmte",-13.118324279785156],["▁idylli",-13.118325233459473],["▁caldura",-13.118447303771973],["▁tablette",-13.118535995483398],["▁liquidity",-13.118728637695312],["NGOs",-13.118885040283203],["▁supliment",-13.11889934539795],["contact",-13.119075775146484],["lustig",-13.119219779968262],["▁watercolor",-13.119319915771484],["▁Tiffany",-13.119344711303711],["▁Glauben",-13.119365692138672],["Immobilie",-13.119406700134277],["▁stripped",-13.119549751281738],["▁Beatles",-13.119601249694824],["ани",-13.119770050048828],["▁lifespan",-13.119986534118652],["▁profondeur",-13.120251655578613],["▁durere",-13.120329856872559],["▁Lithuania",-13.120367050170898],["▁resurrection",-13.120367050170898],["▁suitcase",-13.120535850524902],["▁Plumber",-13.120545387268066],["criticized",-13.120595932006836],["feared",-13.120756149291992],["▁Aunt",-13.120929718017578],["otwithstanding",-13.121068000793457],["verständlich",-13.12115478515625],["fiber",-13.121248245239258],["headquartered",-13.121390342712402],["▁Perspective",-13.121391296386719],["▁semantic",-13.121413230895996],["VIEW",-13.121431350708008],["▁Ersatzteile",-13.121567726135254],["▁disgust",-13.121685981750488],["rrington",-13.121834754943848],["ässe",-13.121922492980957],["▁anerkannt",-13.121956825256348],["meaning",-13.12203598022461],["178",-13.122039794921875],["▁grupuri",-13.1221284866333],["ciones",-13.122267723083496],["▁Mobility",-13.122414588928223],["▁unstable",-13.122422218322754],["▁FULL",-13.122456550598145],["austausch",-13.122491836547852],["▁culminat",-13.122549057006836],["▁Roast",-13.122742652893066],["existant",-13.122940063476562],["167",-13.123008728027344],["tinerii",-13.123040199279785],["September",-13.123115539550781],["▁haircut",-13.123274803161621],["▁Tutorial",-13.123440742492676],["▁enquiries",-13.123440742492676],["▁livelihood",-13.123440742492676],["▁proficiency",-13.123440742492676],["▁pavement",-13.123443603515625],["▁Reservation",-13.123445510864258],["aimerai",-13.123491287231445],["▁laboratoire",-13.123492240905762],["leihen",-13.123501777648926],["ministerium",-13.123518943786621],["▁Concentr",-13.12366008758545],["▁swipe",-13.12368106842041],["extrêmement",-13.123687744140625],["cultivated",-13.123708724975586],["▁Converse",-13.123845100402832],["▁paycheck",-13.123863220214844],["olltest",-13.123995780944824],["▁Bauch",-13.124022483825684],["▁autobuz",-13.124067306518555],["attack",-13.124094009399414],["While",-13.124311447143555],["Retrouvez",-13.124320983886719],["▁Dolphin",-13.124466896057129],["▁Shelby",-13.124480247497559],["▁Diagnostic",-13.124486923217773],["▁reconcil",-13.124558448791504],["▁Iaşi",-13.124733924865723],["▁iubesc",-13.124979972839355],["▁Bestseller",-13.124985694885254],["▁antrenor",-13.125035285949707],["▁Imaging",-13.125089645385742],["▁priorité",-13.125295639038086],["▁brewery",-13.125494003295898],["▁residual",-13.125494003295898],["▁intermittent",-13.125494956970215],["Kollekt",-13.125585556030273],["▁Walsh",-13.12558650970459],["▁marvelous",-13.125653266906738],["canceled",-13.125686645507812],["174",-13.125761985778809],["normes",-13.125837326049805],["▁Tempo",-13.125996589660645],["▁Târgu",-13.126008987426758],["877",-13.126165390014648],["5-8",-13.126190185546875],["960",-13.126486778259277],["▁Scandinavia",-13.1265230178833],["▁prolific",-13.126526832580566],["lasi",-13.126916885375977],["glück",-13.127097129821777],["▁immersion",-13.127204895019531],["RSA",-13.127323150634766],["▁Polk",-13.127340316772461],["▁transmitter",-13.12747859954834],["▁Kleidung",-13.12755298614502],["▁Cosmo",-13.127676963806152],["▁1935",-13.127788543701172],["höhere",-13.127906799316406],["▁Tatsache",-13.128074645996094],["▁Outlet",-13.1282377243042],["▁canalisation",-13.12824821472168],["Mbps",-13.128433227539062],["▁skeptical",-13.128582954406738],["mplification",-13.128617286682129],["▁Advice",-13.128618240356445],["▁détaillé",-13.128676414489746],["660",-13.128701210021973],["▁eyebrow",-13.128722190856934],["▁HIGH",-13.128898620605469],["hnlich",-13.129073143005371],["▁depăș",-13.12910270690918],["▁procurori",-13.129140853881836],["▁refrain",-13.129212379455566],["▁geschaffen",-13.12952995300293],["justement",-13.129663467407227],["exposing",-13.129700660705566],["243",-13.1298828125],["sectorul",-13.130104064941406],["▁courrier",-13.130180358886719],["▁carcas",-13.130199432373047],["sitter",-13.13022518157959],["▁Schreiben",-13.130335807800293],["▁malfunction",-13.130358695983887],["poartă",-13.130522727966309],["raisons",-13.130565643310547],["▁HOT",-13.130650520324707],["▁refreshed",-13.130730628967285],["mânt",-13.130744934082031],["▁coefficient",-13.13097858428955],["▁instituţii",-13.131194114685059],["▁sanguin",-13.131202697753906],["▁ceci",-13.131213188171387],["▁garçon",-13.131232261657715],["deluxe",-13.131237030029297],["▁rectif",-13.131311416625977],["920",-13.131364822387695],["Exista",-13.131428718566895],["▁magnif",-13.131568908691406],["efficiencies",-13.131681442260742],["▁Mitsubishi",-13.131681442260742],["▁consortium",-13.131681442260742],["▁baggage",-13.131683349609375],["▁guild",-13.131736755371094],["▁sixty",-13.13193130493164],["▁Retreat",-13.13245677947998],["batting",-13.132473945617676],["470",-13.132708549499512],["▁Britanie",-13.132718086242676],["displaced",-13.132734298706055],["▁spați",-13.132794380187988],["▁exceptionnelle",-13.13281536102295],["▁authorize",-13.132906913757324],["▁prescribe",-13.133187294006348],["▁dépannage",-13.133234024047852],["▁sexuelle",-13.133234024047852],["valid",-13.133275032043457],["▁hymn",-13.133752822875977],["▁histories",-13.133757591247559],["▁oriunde",-13.133764266967773],["Pop",-13.133785247802734],["▁dispoziţi",-13.133800506591797],["ADI",-13.133819580078125],["Google",-13.133830070495605],["▁Autism",-13.133918762207031],["▁aggr",-13.134354591369629],["bleed",-13.134618759155273],["▁displacement",-13.13478946685791],["▁hobbies",-13.13478946685791],["▁anatomy",-13.134799003601074],["▁Klinik",-13.134821891784668],["▁CCTV",-13.1348237991333],["readable",-13.134886741638184],["ulph",-13.134982109069824],["metabol",-13.135035514831543],["▁rugăm",-13.135037422180176],["▁Scotia",-13.135087013244629],["▁Einheit",-13.135211944580078],["▁troupe",-13.13581371307373],["▁Practitioner",-13.135828018188477],["▁oarec",-13.135909080505371],["Appel",-13.135998725891113],["situația",-13.136096000671387],["▁Yemen",-13.136353492736816],["piping",-13.136515617370605],["blood",-13.136772155761719],["engraved",-13.136866569519043],["▁Cristina",-13.136866569519043],["▁inaccurate",-13.136866569519043],["savory",-13.136878967285156],["atism",-13.136919021606445],["▁dependency",-13.137007713317871],["▁assertion",-13.137015342712402],["▁intersect",-13.137201309204102],["DATA",-13.137224197387695],["▁britanic",-13.1373872756958],["▁sanitaire",-13.137393951416016],["▁PLUS",-13.137436866760254],["▁platter",-13.137730598449707],["▁reconsider",-13.137802124023438],["▁Swim",-13.13786792755127],["▁Scene",-13.137896537780762],["▁Reynolds",-13.137907028198242],["▁gesund",-13.137922286987305],["international",-13.137959480285645],["government",-13.13804817199707],["▁gemstone",-13.138052940368652],["▁reproductive",-13.1381196975708],["▁expressive",-13.13820743560791],["▁tranche",-13.13842487335205],["▁Niagara",-13.138427734375],["▁Studierende",-13.138434410095215],["▁crave",-13.138607025146484],["pathetic",-13.138739585876465],["▁1916",-13.138858795166016],["▁Thousand",-13.138873100280762],["uffed",-13.138893127441406],["▁Lancaster",-13.138960838317871],["▁revenge",-13.138972282409668],["▁melody",-13.1389741897583],["Suitable",-13.138991355895996],["▁beacon",-13.139082908630371],["▁MAY",-13.139205932617188],["livré",-13.139216423034668],["Virus",-13.139391899108887],["▁collaborator",-13.139413833618164],["produktion",-13.139480590820312],["▁iluminat",-13.139593124389648],["facets",-13.13975715637207],["▁expus",-13.139784812927246],["▁baptism",-13.13999080657959],["▁urgency",-13.140016555786133],["artery",-13.14030647277832],["▁eingeladen",-13.14043140411377],["▁entfernen",-13.14051342010498],["soaking",-13.140555381774902],["▁irré",-13.140557289123535],["▁purity",-13.140700340270996],["▁adăug",-13.140731811523438],["historischen",-13.140777587890625],["crezi",-13.140793800354004],["▁tarziu",-13.141035079956055],["▁Mozart",-13.141040802001953],["▁trimming",-13.141056060791016],["▁violat",-13.141056060791016],["▁Vermögen",-13.14108943939209],["▁Theorie",-13.141114234924316],["scheibe",-13.14114761352539],["Partidul",-13.141324996948242],["▁childcare",-13.14133071899414],["ajele",-13.141345977783203],["▁Punjab",-13.141390800476074],["6.3",-13.14156436920166],["▁recount",-13.141571044921875],["▁repel",-13.141799926757812],["vantage",-13.1419095993042],["6.4",-13.141953468322754],["▁comedian",-13.142087936401367],["▁snappe",-13.142256736755371],["PLE",-13.142271041870117],["▁rapper",-13.142439842224121],["▁Belfast",-13.142657279968262],["▁predictive",-13.14271068572998],["dépôt",-13.1427583694458],["flavored",-13.142769813537598],["chließlich",-13.14293098449707],["▁stump",-13.142955780029297],["▁lakh",-13.142963409423828],["3:30",-13.143021583557129],["▁cetățeni",-13.1431245803833],["▁Milliarden",-13.143125534057617],["Assurance",-13.143128395080566],["▁Marketplace",-13.143329620361328],["equipped",-13.143423080444336],["▁russe",-13.143462181091309],["Exactly",-13.143651008605957],["▁Venez",-13.144125938415527],["▁Pavilion",-13.144171714782715],["▁incontournable",-13.144171714782715],["▁slaughter",-13.14417839050293],["asteptam",-13.144190788269043],["▁Fighter",-13.144196510314941],["▁Landkreis",-13.144278526306152],["▁lumini",-13.144312858581543],["▁connaît",-13.144615173339844],["▁Breite",-13.144674301147461],["▁Disability",-13.144774436950684],["▁Alfa",-13.144786834716797],["▁poise",-13.144895553588867],["▁Alpen",-13.144898414611816],["betont",-13.145031929016113],["159",-13.145161628723145],["▁geprägt",-13.145219802856445],["▁intrigued",-13.145219802856445],["▁sympathy",-13.145220756530762],["societal",-13.145225524902344],["▁sédui",-13.145243644714355],["▁differentiation",-13.145384788513184],["▁aprobare",-13.145744323730469],["schirm",-13.14585018157959],["sagt",-13.145956039428711],["7.3",-13.146101951599121],["Bib",-13.146263122558594],["europäischen",-13.146268844604492],["▁Innovative",-13.146268844604492],["▁autonome",-13.146330833435059],["▁Objective",-13.146400451660156],["▁refusal",-13.146551132202148],["▁exposé",-13.146719932556152],["▁cetăţeni",-13.146793365478516],["▁stimmt",-13.146798133850098],["acordul",-13.147162437438965],["▁hormonal",-13.147254943847656],["intermédiaire",-13.147319793701172],["▁doubl",-13.147374153137207],["▁flute",-13.147509574890137],["▁Balkon",-13.147523880004883],["▁Florian",-13.147607803344727],["737",-13.147614479064941],["▁dritte",-13.147639274597168],["spitze",-13.147685050964355],["donnent",-13.14778995513916],["▁Zuhause",-13.147850036621094],["▁VIII",-13.147852897644043],["familien",-13.148151397705078],["▁sécurisé",-13.148313522338867],["▁glamour",-13.148370742797852],["▁societati",-13.148370742797852],["typique",-13.1483793258667],["▁addicted",-13.148421287536621],["▁Providence",-13.148500442504883],["▁Extended",-13.148506164550781],["▁Barbie",-13.148513793945312],["zustand",-13.148516654968262],["▁Sauna",-13.148638725280762],["▁propane",-13.148663520812988],["europa",-13.148894309997559],["glued",-13.148940086364746],["▁Mystery",-13.148941993713379],["▁travaillé",-13.149106979370117],["riol",-13.149251937866211],["fleisch",-13.149288177490234],["▁Eintritt",-13.149327278137207],["▁Syndrome",-13.149422645568848],["▁petroleum",-13.149426460266113],["▁genial",-13.149433135986328],["sponsored",-13.149436950683594],["▁Cindy",-13.149436950683594],["▁courier",-13.149600982666016],["▁Scrap",-13.149640083312988],["▁conţin",-13.149724006652832],["(2007)",-13.149764060974121],["▁gewährleisten",-13.149949073791504],["▁proprietor",-13.15011215209961],["▁cheque",-13.15046215057373],["maternity",-13.150477409362793],["▁Gustav",-13.15048599243164],["▁arterial",-13.150497436523438],["▁whiskey",-13.150510787963867],["▁concealed",-13.150525093078613],["thèque",-13.150553703308105],["felony",-13.150579452514648],["▁tweeted",-13.150613784790039],["OTA",-13.150619506835938],["nsel",-13.150664329528809],["▁coarse",-13.150664329528809],["▁identificat",-13.150707244873047],["▁variability",-13.150716781616211],["civ",-13.150843620300293],["▁drastic",-13.150956153869629],["▁hatred",-13.151090621948242],["▁Bürgermeister",-13.151237487792969],["▁utilizatorilor",-13.15124225616455],["OULD",-13.15137004852295],["rmaßen",-13.151383399963379],["▁windshield",-13.151530265808105],["▁Particular",-13.151531219482422],["▁Tunnel",-13.151638984680176],["▁litri",-13.15164852142334],["extrême",-13.15180492401123],["▁Schalt",-13.151944160461426],["paket",-13.152159690856934],["berlin",-13.152169227600098],["▁slujb",-13.152193069458008],["facilitated",-13.152206420898438],["Congressional",-13.152510643005371],["▁honeymoon",-13.152585983276367],["▁Provision",-13.152697563171387],["▁Outfit",-13.152779579162598],["udder",-13.152814865112305],["▁chandelier",-13.153002738952637],["donating",-13.153132438659668],["historic",-13.15333080291748],["organized",-13.153508186340332],["(8)",-13.15356731414795],["▁touristique",-13.153610229492188],["▁Roosevelt",-13.153643608093262],["▁Verständnis",-13.153643608093262],["▁prilej",-13.153655052185059],["Vanity",-13.153806686401367],["chilly",-13.153964042663574],["loyer",-13.154031753540039],["▁Zhang",-13.154053688049316],["▁Nouveau",-13.154193878173828],["Soft",-13.154326438903809],["▁motherboard",-13.15441608428955],["▁Erklärung",-13.154701232910156],["▁Tasmania",-13.154702186584473],["▁verändern",-13.154703140258789],["▁seldom",-13.154711723327637],["▁Karriere",-13.154714584350586],["▁Mixed",-13.154902458190918],["umfang",-13.154970169067383],["▁Strategies",-13.155035972595215],["CHAR",-13.155051231384277],["olitary",-13.155075073242188],["▁Persoan",-13.1550874710083],["bewegung",-13.155242919921875],["▁Ernest",-13.155367851257324],["withdrawn",-13.155855178833008],["▁stationary",-13.155881881713867],["▁bland",-13.155939102172852],["▁Replace",-13.156059265136719],["▁Londres",-13.156290054321289],["▁plural",-13.156290054321289],["▁concentrat",-13.156515121459961],["Maschine",-13.156675338745117],["▁Advocate",-13.156820297241211],["▁vermitteln",-13.156824111938477],["▁dispenser",-13.156827926635742],["▁tedious",-13.15695858001709],["▁Straight",-13.15705394744873],["▁Corona",-13.157061576843262],["▁monumental",-13.157073020935059],["▁migrate",-13.15720272064209],["▁verlieren",-13.157366752624512],["▁Lub",-13.157482147216797],["▁reinforcement",-13.157827377319336],["▁cherish",-13.157843589782715],["Veterinary",-13.157881736755371],["geschwindigkeit",-13.157881736755371],["▁féminin",-13.157881736755371],["▁Facilities",-13.157964706420898],["▁urmari",-13.158050537109375],["▁Vertical",-13.158098220825195],["echoe",-13.158188819885254],["toured",-13.158548355102539],["Served",-13.158772468566895],["más",-13.158853530883789],["license",-13.158893585205078],["misunderstanding",-13.158944129943848],["▁glamorous",-13.158944129943848],["BJP",-13.158973693847656],["▁découvert",-13.159173965454102],["schönsten",-13.159517288208008],["▁(2018)",-13.159577369689941],["▁orasului",-13.159581184387207],["328",-13.159674644470215],["thighs",-13.159801483154297],["éclairage",-13.160008430480957],["Oamenii",-13.160009384155273],["▁Transmission",-13.16014575958252],["▁transpir",-13.16015911102295],["▁președinte",-13.160321235656738],["finalists",-13.160327911376953],["genügend",-13.160524368286133],["▁Aufmerksamkeit",-13.160539627075195],["▁unglaublich",-13.160539627075195],["▁descarc",-13.160604476928711],["▁Couch",-13.160683631896973],["eaucoup",-13.160788536071777],["▁adidas",-13.161075592041016],["▁1-800-",-13.161077499389648],["▁Communities",-13.161102294921875],["▁Einkommen",-13.161102294921875],["▁Reagan",-13.16114330291748],["▁Stoke",-13.161260604858398],["▁Snapchat",-13.161269187927246],["éclat",-13.161272048950195],["▁auseinander",-13.161367416381836],["▁richesse",-13.16137409210205],["▁toggle",-13.161396026611328],["▁Zutaten",-13.161606788635254],["▁député",-13.16161060333252],["▁battlefield",-13.161611557006836],["▁spirituel",-13.161611557006836],["▁Shuttle",-13.161632537841797],["▁Aktien",-13.161665916442871],["hormon",-13.161819458007812],["connection",-13.16187858581543],["▁vizitatori",-13.16191577911377],["érité",-13.161971092224121],["truck",-13.1619873046875],["▁yourselves",-13.162139892578125],["▁Logistics",-13.162140846252441],["coveted",-13.16215705871582],["▁şedinţ",-13.162671089172363],["▁messenger",-13.162703514099121],["▁țar",-13.162918090820312],["▁Grau",-13.163025856018066],["chirurgie",-13.163138389587402],["▁Ressourcen",-13.16320514678955],["▁Jésus",-13.163207054138184],["▁acțiune",-13.163208961486816],["▁Bundesliga",-13.163249015808105],["Lizenz",-13.163379669189453],["ELLE",-13.163908958435059],["vraie",-13.1639986038208],["ruined",-13.164018630981445],["▁Marble",-13.164109230041504],["▁Zambia",-13.164308547973633],["▁Finnish",-13.164366722106934],["▁trackback",-13.164488792419434],["héros",-13.16451644897461],["▁réclam",-13.164534568786621],["locurile",-13.164706230163574],["tägliche",-13.164753913879395],["IFF",-13.164824485778809],["▁contextual",-13.164938926696777],["▁Elvis",-13.165084838867188],["▁Batch",-13.165183067321777],["▁appris",-13.16519546508789],["intensive",-13.165404319763184],["▁întâmplat",-13.16565990447998],["▁prelucr",-13.16576099395752],["flore",-13.165873527526855],["▁Alkohol",-13.165877342224121],["Konzern",-13.165895462036133],["Delete",-13.166082382202148],["öck",-13.16612720489502],["▁clientii",-13.16614818572998],["▁innovate",-13.166224479675293],["▁ASAP",-13.166345596313477],["crumbs",-13.166425704956055],["reusable",-13.166489601135254],["▁Beaver",-13.166507720947266],["▁rosii",-13.166643142700195],["Arr",-13.166704177856445],["▁Zubehör",-13.166948318481445],["▁stolz",-13.166952133178711],["▁$75",-13.16695499420166],["▁Frühling",-13.166967391967773],["▁disagreement",-13.166988372802734],["▁formulate",-13.167381286621094],["braking",-13.167522430419922],["▁submarine",-13.167535781860352],["▁identificare",-13.167652130126953],["lansarea",-13.167659759521484],["covered",-13.167753219604492],["benso",-13.167859077453613],["▁situatie",-13.167989730834961],["hilf",-13.1681547164917],["▁Southampton",-13.168557167053223],["▁intéressé",-13.168557167053223],["▁congressional",-13.168572425842285],["65%",-13.168595314025879],["▁Allison",-13.168627738952637],["Mainland",-13.168726921081543],["▁touchscreen",-13.16882038116455],["leitet",-13.168922424316406],["mnului",-13.16958999633789],["▁engagiert",-13.169631004333496],["joacă",-13.16964340209961],["▁$5,000",-13.169652938842773],["upscale",-13.1697359085083],["▁vérité",-13.16983413696289],["flüssig",-13.170167922973633],["Richtlinie",-13.170169830322266],["▁positif",-13.170169830322266],["▁diferenta",-13.170175552368164],["▁întâi",-13.170707702636719],["ethylene",-13.170791625976562],["kreuz",-13.170913696289062],["Surely",-13.170990943908691],["puneti",-13.171002388000488],["europe",-13.171142578125],["▁comunist",-13.171271324157715],["unterricht",-13.171302795410156],["▁Füll",-13.171304702758789],["▁Aberdeen",-13.171792030334473],["▁DSLR",-13.171792030334473],["▁functioneaza",-13.171799659729004],["▁benches",-13.171807289123535],["▁Alpine",-13.171866416931152],["phthal",-13.172003746032715],["▁counselling",-13.17219066619873],["▁erzielen",-13.172323226928711],["▁părinţi",-13.172329902648926],["▁besitzen",-13.17236614227295],["heavenly",-13.172389030456543],["▁masque",-13.17281723022461],["▁Legislature",-13.172859191894531],["▁Recycling",-13.172861099243164],["▁Derma",-13.172883987426758],["reunite",-13.172926902770996],["recettes",-13.17310619354248],["converge",-13.173262596130371],["▁compoziti",-13.17327880859375],["▁Nürnberg",-13.173398971557617],["760",-13.173545837402344],["▁entière",-13.173674583435059],["▁parchment",-13.173944473266602],["▁Aufwand",-13.173945426940918],["▁antivirus",-13.174087524414062],["▁remettr",-13.17409610748291],["▁NEVER",-13.174243927001953],["▁restrictive",-13.174266815185547],["▁beurre",-13.174283027648926],["▁frigider",-13.174478530883789],["acquisition",-13.174642562866211],["▁Correct",-13.174866676330566],["▁immortal",-13.175017356872559],["▁occupancy",-13.175017356872559],["▁Tucson",-13.175019264221191],["▁Dhabi",-13.175025939941406],["obligation",-13.175033569335938],["▁warfare",-13.175037384033203],["▁syntax",-13.175045013427734],["APS",-13.175106048583984],["мен",-13.175209999084473],["▁diferenț",-13.175251960754395],["wordpress",-13.17549991607666],["▁Wohnzimmer",-13.175593376159668],["oppo",-13.175736427307129],["▁miscare",-13.175762176513672],["companiilor",-13.17581558227539],["▁bezahlt",-13.17584228515625],["Sterne",-13.175864219665527],["inability",-13.175898551940918],["▁Hoffnung",-13.176156044006348],["▁românească",-13.176176071166992],["document",-13.176177024841309],["borrowers",-13.17625904083252],["▁rasa",-13.176301956176758],["▁bénéfice",-13.176445960998535],["▁Panda",-13.17645263671875],["▁cărţi",-13.176730155944824],["▁Vorgehen",-13.17690658569336],["▁afecteaz",-13.176956176757812],["▁diagnos",-13.177050590515137],["▁Dentistry",-13.177180290222168],["▁staggering",-13.177180290222168],["präsident",-13.177181243896484],["▁vocational",-13.177239418029785],["Combined",-13.177287101745605],["stère",-13.177306175231934],["▁frunze",-13.177478790283203],["OLI",-13.177525520324707],["▁răc",-13.177752494812012],["▁changé",-13.177754402160645],["▁reprezentanți",-13.177757263183594],["▁ausgeschlossen",-13.177777290344238],["Windows",-13.177891731262207],["sometimes",-13.177898406982422],["▁dargestellt",-13.178120613098145],["provoking",-13.178263664245605],["terribly",-13.178264617919922],["▁speculate",-13.178274154663086],["▁complément",-13.178305625915527],["▁(2006)",-13.178306579589844],["zulegen",-13.178668022155762],["▁définitive",-13.178876876831055],["considerare",-13.17911148071289],["▁Subaru",-13.179354667663574],["WAN",-13.179390907287598],["guessed",-13.179417610168457],["spannung",-13.179479598999023],["▁supernatural",-13.179515838623047],["▁Interstate",-13.17957878112793],["▁redundant",-13.179891586303711],["▁HUG",-13.179893493652344],["▁restauration",-13.180006980895996],["repute",-13.180011749267578],["coagul",-13.180028915405273],["tehnologia",-13.18043327331543],["warded",-13.180444717407227],["▁lobster",-13.180469512939453],["▁Hafen",-13.180542945861816],["▁Guess",-13.18056583404541],["seraient",-13.181038856506348],["▁trench",-13.181156158447266],["▁piept",-13.181283950805664],["categorized",-13.181396484375],["softer",-13.1815185546875],["▁feasibility",-13.181519508361816],["▁restructuring",-13.181519508361816],["▁GOOD",-13.181537628173828],["▁inspiré",-13.181610107421875],["▁spéci",-13.18163013458252],["▁Mattress",-13.181686401367188],["▁biologique",-13.181702613830566],["▁Crema",-13.182043075561523],["▁korrekt",-13.182063102722168],["▁imperfect",-13.182205200195312],["▁advantageous",-13.182329177856445],["9.00",-13.182390213012695],["PAL",-13.182557106018066],["▁Illustration",-13.182607650756836],["▁Katherine",-13.182607650756836],["▁cervical",-13.182607650756836],["▁hectic",-13.182611465454102],["▁Belastung",-13.182615280151367],["▁Laguna",-13.182628631591797],["▁Burton",-13.182761192321777],["nettoyage",-13.182875633239746],["Toward",-13.183072090148926],["continuare",-13.183072090148926],["▁acumulat",-13.183106422424316],["▁déposé",-13.183216094970703],["▁prestige",-13.183269500732422],["▁LNG",-13.183525085449219],["▁Dacia",-13.183662414550781],["▁concede",-13.183691024780273],["▁reconciliation",-13.183822631835938],["Sistemul",-13.183877944946289],["Speed",-13.183937072753906],["▁Implant",-13.183977127075195],["▁möchtest",-13.184020042419434],["▁Norton",-13.184064865112305],["▁cosmic",-13.184181213378906],["enregistrement",-13.184247016906738],["țării",-13.18433952331543],["Veröffentlichung",-13.184786796569824],["erlebnis",-13.184786796569824],["▁Carpenter",-13.184786796569824],["▁INFORMATION",-13.184786796569824],["invites",-13.18481731414795],["▁gewan",-13.1849365234375],["▁réservé",-13.184986114501953],["▁aquatic",-13.184988021850586],["▁Seoul",-13.18507194519043],["▁älter",-13.185185432434082],["▁classmates",-13.185223579406738],["gelangen",-13.185253143310547],["▁Camill",-13.185285568237305],["simo",-13.185291290283203],["▁dormitor",-13.185333251953125],["wahren",-13.185354232788086],["▁incremental",-13.185357093811035],["▁caci",-13.185494422912598],["mittlere",-13.185752868652344],["▁condominium",-13.185877799987793],["▁rainforest",-13.185877799987793],["▁championnat",-13.185891151428223],["▁interrupted",-13.185921669006348],["▁tactile",-13.185930252075195],["▁unconditional",-13.185945510864258],["▁reactive",-13.186041831970215],["▁Stretch",-13.1861572265625],["▁serene",-13.18624210357666],["570",-13.186318397521973],["igte",-13.186376571655273],["Louis",-13.186410903930664],["▁Mittelpunkt",-13.186493873596191],["EEP",-13.18651294708252],["▁vault",-13.186552047729492],["absolu",-13.186893463134766],["▁solidarity",-13.186971664428711],["CLICK",-13.18708324432373],["▁hustle",-13.187090873718262],["▁microscope",-13.187105178833008],["▁Recommended",-13.187111854553223],["âche",-13.18716812133789],["▁flashlight",-13.187286376953125],["modificarea",-13.18754768371582],["izaţi",-13.18773078918457],["planned",-13.187899589538574],["Download",-13.187906265258789],["▁gourmand",-13.188064575195312],["▁subsidiaries",-13.188064575195312],["orthodox",-13.188135147094727],["▁Auburn",-13.188323020935059],["▁exprimat",-13.188336372375488],["procédé",-13.18861198425293],["▁ressenti",-13.188648223876953],["▁stint",-13.188678741455078],["Essentially",-13.189072608947754],["▁Savior",-13.189164161682129],["▁Flood",-13.189168930053711],["▁neurological",-13.189249038696289],["▁strig",-13.189340591430664],["scended",-13.189421653747559],["▁Shiva",-13.189483642578125],["▁Sketch",-13.189544677734375],["▁monarch",-13.18956184387207],["▁Preview",-13.189632415771484],["▁bewegt",-13.189811706542969],["mapped",-13.189818382263184],["énorme",-13.189962387084961],["▁définition",-13.189963340759277],["▁nécessité",-13.189984321594238],["▁antren",-13.190027236938477],["▁Infant",-13.190072059631348],["▁incumbent",-13.190255165100098],["▁pavilion",-13.190255165100098],["▁Taliban",-13.19025707244873],["Easily",-13.19025993347168],["▁verteilt",-13.19030475616455],["▁Biblical",-13.190320014953613],["Christian",-13.190333366394043],["județul",-13.190436363220215],["Learning",-13.19046688079834],["▁Expand",-13.19054126739502],["▁Attach",-13.19056224822998],["consideră",-13.190573692321777],["einsatz",-13.190574645996094],["Numai",-13.190585136413574],["▁Eintrag",-13.190597534179688],["▁üblich",-13.190607070922852],["▁cumpără",-13.19062614440918],["escaped",-13.190693855285645],["▁Ortodox",-13.190804481506348],["▁obţinut",-13.190805435180664],["ecluded",-13.191036224365234],["▁brownie",-13.191089630126953],["▁regulament",-13.191253662109375],["▁Chaos",-13.191302299499512],["▁masiv",-13.19132137298584],["▁Gerald",-13.191376686096191],["▁Sigur",-13.191380500793457],["▁wavelength",-13.191380500793457],["▁retiring",-13.191396713256836],["▁exactement",-13.191819190979004],["ntino",-13.191823959350586],["▁Krebs",-13.19194221496582],["▁monatlich",-13.191956520080566],["▁aranj",-13.192011833190918],["▁priveşt",-13.192099571228027],["▁mecanic",-13.192109107971191],["money",-13.192233085632324],["parliamentary",-13.1922607421875],["▁probation",-13.192427635192871],["embroidered",-13.192451477050781],["▁amenajat",-13.192451477050781],["▁remnant",-13.192451477050781],["▁senzati",-13.192472457885742],["▁Declaration",-13.192483901977539],["farbe",-13.192506790161133],["▁skinny",-13.19260311126709],["Energi",-13.192648887634277],["verhältnisse",-13.19288158416748],["Recruit",-13.192972183227539],["frying",-13.193161010742188],["925",-13.193294525146484],["nstruire",-13.193302154541016],["toasted",-13.193424224853516],["▁nicotine",-13.193551063537598],["recessed",-13.193570137023926],["▁dialect",-13.193572044372559],["▁confisc",-13.193575859069824],["▁bubbl",-13.193643569946289],["▁Precision",-13.193682670593262],["▁sollicit",-13.193842887878418],["▁Moral",-13.193977355957031],["▁renseignements",-13.194112777709961],["UMP",-13.194116592407227],["ijn",-13.194183349609375],["▁fermeture",-13.194320678710938],["▁blueprint",-13.19462776184082],["▁groceries",-13.194652557373047],["möbel",-13.194655418395996],["▁Plenty",-13.194657325744629],["▁forfeit",-13.194719314575195],["méthodes",-13.194915771484375],["paving",-13.19493293762207],["outheastern",-13.194979667663574],["▁Overview",-13.19503116607666],["▁observers",-13.195171356201172],["▁Timișoara",-13.19520378112793],["noticing",-13.195332527160645],["▁Owl",-13.195381164550781],["▁1925",-13.195517539978027],["▁prüfen",-13.195755004882812],["▁Bewohner",-13.195756912231445],["▁Latvia",-13.195770263671875],["▁Tuscan",-13.19577407836914],["▁apprenticeship",-13.195789337158203],["▁courteous",-13.1958646774292],["adult",-13.196023941040039],["Licensed",-13.196029663085938],["abused",-13.196762084960938],["confidence",-13.19678020477295],["▁revolt",-13.196782112121582],["conference",-13.196861267089844],["genoss",-13.196914672851562],["▁răni",-13.196944236755371],["▁Intervention",-13.196949005126953],["▁primesc",-13.196969985961914],["trays",-13.197041511535645],["nozzle",-13.197216033935547],["▁splitting",-13.197443962097168],["▁könne",-13.197507858276367],["▁peisaj",-13.197943687438965],["▁academia",-13.197962760925293],["▁chakra",-13.197979927062988],["▁Abdul",-13.1981201171875],["▁Beschreibung",-13.198225021362305],["Regeln",-13.19831371307373],["eezy",-13.198314666748047],["▁problématique",-13.198515892028809],["▁Ausführung",-13.198524475097656],["▁reconnect",-13.19868278503418],["▁telefonic",-13.198966026306152],["▁Ethereum",-13.199069023132324],["▁Winnipeg",-13.199069023132324],["▁misconception",-13.199069023132324],["▁Verpackung",-13.199070930480957],["▁erzeugt",-13.199097633361816],["▁Identity",-13.199104309082031],["▁dunkle",-13.199109077453613],["sustaining",-13.19916820526123],["▁pereche",-13.199178695678711],["▁neîn",-13.199239730834961],["directorul",-13.199291229248047],["▁élabor",-13.199584007263184],["▁Hollow",-13.19960880279541],["▁getestet",-13.199751853942871],["▁Promote",-13.199797630310059],["agriculture",-13.199920654296875],["▁deosebir",-13.199934005737305],["▁neam",-13.199999809265137],["aufbau",-13.200042724609375],["▁susținut",-13.200079917907715],["fueled",-13.200119018554688],["▁impresionant",-13.200177192687988],["innate",-13.20026969909668],["grenzt",-13.200340270996094],["rescued",-13.200514793395996],["bestand",-13.200559616088867],["▁adjunct",-13.200729370117188],["▁Mischung",-13.200754165649414],["▁Lease",-13.201258659362793],["espagnol",-13.201284408569336],["▁Kickstarter",-13.201284408569336],["▁buzunar",-13.201284408569336],["▁buddies",-13.20129108428955],["käufe",-13.201485633850098],["cevoir",-13.201582908630371],["▁creşte",-13.201675415039062],["▁Cluster",-13.201825141906738],["▁obișnui",-13.201838493347168],["▁cassette",-13.201889038085938],["▁optisch",-13.201947212219238],["manned",-13.20200252532959],["schneid",-13.202362060546875],["Württemberg",-13.202393531799316],["shredded",-13.202393531799316],["▁botanical",-13.20239543914795],["characterization",-13.202445983886719],["▁Durchführung",-13.202452659606934],["▁tireless",-13.20250129699707],["lässlich",-13.20254135131836],["▁Merchant",-13.202570915222168],["joutez",-13.20259952545166],["▁amélior",-13.202676773071289],["fixed",-13.202741622924805],["kho",-13.202760696411133],["▁televizor",-13.202948570251465],["▁Davies",-13.202964782714844],["enceinte",-13.203118324279785],["▁Panorama",-13.20350456237793],["▁maternal",-13.203507423400879],["diversified",-13.203513145446777],["▁Jü",-13.203570365905762],["▁naz",-13.203730583190918],["▁plonge",-13.2039213180542],["geschickt",-13.203944206237793],["MIS",-13.204215049743652],["ragged",-13.204553604125977],["▁diarrhea",-13.20461654663086],["▁tsunami",-13.20461654663086],["▁Nikola",-13.204625129699707],["▁festivities",-13.20464038848877],["potting",-13.20479965209961],["▁telefonisch",-13.204874038696289],["TAR",-13.204971313476562],["▁schimbări",-13.205023765563965],["▁occidental",-13.205172538757324],["schloss",-13.205179214477539],["Print",-13.205284118652344],["▁autoritățil",-13.205361366271973],["idos",-13.20556640625],["mediocr",-13.20559310913086],["▁Decla",-13.205686569213867],["▁Elliott",-13.205729484558105],["▁pinpoint",-13.205734252929688],["▁disciple",-13.20579719543457],["▁Cairo",-13.2058744430542],["▁15-20",-13.2059326171875],["▁limbaj",-13.20611572265625],["▁retenu",-13.206154823303223],["▁Blüte",-13.20628833770752],["▁MINI",-13.206467628479004],["▁lumină",-13.206567764282227],["▁flawed",-13.206846237182617],["▁Belarus",-13.207067489624023],["Totul",-13.207207679748535],["hôte",-13.207273483276367],["▁verbringen",-13.207315444946289],["▁simultaneous",-13.207344055175781],["▁competiți",-13.207402229309082],["▁lancement",-13.207413673400879],["▁proprietati",-13.207432746887207],["▁angajator",-13.207465171813965],["▁ignorant",-13.207674026489258],["▁indicative",-13.207700729370117],["▁Bearbeitung",-13.207961082458496],["▁Ungaria",-13.207961082458496],["▁Sfint",-13.208015441894531],["▁Trojan",-13.20804214477539],["▁1911",-13.208100318908691],["▁reliabl",-13.2081937789917],["6-0",-13.20827865600586],["obst",-13.208523750305176],["▁relève",-13.208579063415527],["▁standpoint",-13.208874702453613],["ridden",-13.208918571472168],["▁Pdf",-13.209005355834961],["tatewide",-13.209051132202148],["Water",-13.209062576293945],["▁Pricing",-13.209089279174805],["▁protecţi",-13.209168434143066],["November",-13.209615707397461],["▁televiziune",-13.20964241027832],["Sodium",-13.209881782531738],["douceur",-13.209942817687988],["▁Flasche",-13.210183143615723],["3.9",-13.210193634033203],["▁electromagnetic",-13.210195541381836],["▁mitochondria",-13.210195541381836],["Suddenly",-13.210199356079102],["▁Drupal",-13.210201263427734],["▁supraveghere",-13.210211753845215],["▁cornea",-13.210288047790527],["räumt",-13.210309982299805],["▁healed",-13.210410118103027],["Roc",-13.210649490356445],["▁temporar",-13.210707664489746],["▁amaze",-13.210770606994629],["▁confrunta",-13.210833549499512],["Afterward",-13.210836410522461],["▁festgelegt",-13.21084213256836],["▁Kuchen",-13.210844993591309],["▁perpetual",-13.210858345031738],["systematically",-13.211000442504883],["▁coloan",-13.211006164550781],["▁extensi",-13.211058616638184],["▁Județean",-13.211315155029297],["▁amelior",-13.211315155029297],["▁illustrator",-13.211315155029297],["▁titanium",-13.211344718933105],["SMEs",-13.211384773254395],["taxable",-13.211578369140625],["▁Borough",-13.211607933044434],["verlust",-13.211772918701172],["ductive",-13.21233081817627],["▁Küste",-13.212335586547852],["▁végétal",-13.212410926818848],["▁breastfeeding",-13.212435722351074],["▁captivating",-13.212435722351074],["▁Chevy",-13.212443351745605],["▁aerospace",-13.212469100952148],["pozitia",-13.213095664978027],["Tutor",-13.213199615478516],["▁spum",-13.213312149047852],["curând",-13.213419914245605],["iscus",-13.213458061218262],["October",-13.213495254516602],["▁Reparatur",-13.213557243347168],["▁Servicii",-13.213574409484863],["▁Gonz",-13.21357536315918],["▁cybersecurity",-13.21357536315918],["▁UCLA",-13.213678359985352],["rissa",-13.213835716247559],["▁Kemp",-13.213850021362305],["▁piston",-13.214046478271484],["▁révèle",-13.214118957519531],["▁posséd",-13.21412181854248],["▁versehen",-13.214129447937012],["▁scrutin",-13.214226722717285],["donnant",-13.21436882019043],["▁Geschwindigkeit",-13.214680671691895],["▁Panasonic",-13.214680671691895],["audio",-13.214700698852539],["▁Packaging",-13.214771270751953],["phra",-13.2147798538208],["▁Letzte",-13.214954376220703],["insicht",-13.215141296386719],["▁sammeln",-13.215243339538574],["▁extins",-13.215259552001953],["▁collège",-13.215266227722168],["ancies",-13.215343475341797],["▁întâlnit",-13.215350151062012],["▁Servi",-13.215392112731934],["stattet",-13.215493202209473],["▁abstraction",-13.215566635131836],["▁candidature",-13.215592384338379],["ONU",-13.215676307678223],["▁raffle",-13.215826988220215],["▁Soldier",-13.215834617614746],["▁stipulate",-13.215883255004883],["▁vizual",-13.215950012207031],["lucht",-13.216007232666016],["▁circus",-13.216068267822266],["▁decree",-13.216259002685547],["immeuble",-13.216367721557617],["Store",-13.216426849365234],["randul",-13.216622352600098],["▁narration",-13.216933250427246],["implication",-13.216958045959473],["▁discontinued",-13.216971397399902],["▁Pilates",-13.216989517211914],["▁biais",-13.21701431274414],["panel",-13.217325210571289],["▁mower",-13.217458724975586],["▁Castro",-13.21753978729248],["pregătire",-13.217641830444336],["▁denomination",-13.218062400817871],["▁throttle",-13.21806526184082],["▁finition",-13.218086242675781],["▁clarification",-13.218286514282227],["laut",-13.218366622924805],["▁wastewater",-13.2184419631958],["▁Sanchez",-13.218770980834961],["▁Umfeld",-13.2189359664917],["▁consili",-13.218997955322266],["extrait",-13.219013214111328],["ionism",-13.2190523147583],["▁Cannabis",-13.219186782836914],["▁misconduct",-13.219186782836914],["▁shepherd",-13.219186782836914],["▁feminist",-13.21919059753418],["▁criterii",-13.219212532043457],["America",-13.219219207763672],["▁Telephone",-13.219270706176758],["▁Fritz",-13.219438552856445],["▁cheltui",-13.219794273376465],["▁Übung",-13.219857215881348],["făcută",-13.22006893157959],["▁străzi",-13.220170021057129],["influencing",-13.220315933227539],["▁Democracy",-13.220321655273438],["atorium",-13.220376014709473],["▁Stufe",-13.220465660095215],["▁Cornell",-13.220660209655762],["zugehen",-13.22074031829834],["▁coton",-13.220804214477539],["▁beinhaltet",-13.220881462097168],["▁kritisch",-13.220884323120117],["▁Kalender",-13.22105884552002],["▁Teig",-13.221253395080566],["cooked",-13.221264839172363],["▁diversité",-13.221390724182129],["recognizable",-13.221446990966797],["▁Dictionary",-13.221446990966797],["attribution",-13.22145938873291],["▁Teresa",-13.221471786499023],["▁Ahmad",-13.221487998962402],["HAM",-13.221627235412598],["▁floss",-13.221668243408203],["génie",-13.2218599319458],["▁Espa",-13.221989631652832],["hersteller",-13.221993446350098],["Musée",-13.222001075744629],["▁Crawford",-13.222579002380371],["▁Phantom",-13.222579002380371],["▁Jenkins",-13.222640037536621],["genauer",-13.222774505615234],["▁acţiuni",-13.222885131835938],["▁meciuri",-13.22322940826416],["▁verstärkt",-13.22326374053955],["▁troop",-13.22341251373291],["räder",-13.223483085632324],["Putting",-13.223536491394043],["NASDAQ",-13.223712921142578],["▁Buddhism",-13.223712921142578],["▁Religious",-13.223712921142578],["▁accommodating",-13.223712921142578],["▁lendemain",-13.223712921142578],["▁plywood",-13.223714828491211],["▁inflatable",-13.223724365234375],["▁sèche",-13.223731994628906],["▁fragil",-13.223845481872559],["▁Filip",-13.224115371704102],["▁Terrace",-13.224274635314941],["Biblio",-13.22432804107666],["resides",-13.22448444366455],["▁varf",-13.22451114654541],["Bildern",-13.224528312683105],["loß",-13.224685668945312],["555",-13.224702835083008],["▁astounding",-13.224847793579102],["▁brillant",-13.224857330322266],["▁Railroad",-13.224871635437012],["minimizing",-13.224907875061035],["▁Benedict",-13.225019454956055],["▁$400",-13.225068092346191],["▁schematic",-13.225217819213867],["Canada",-13.225371360778809],["▁psihic",-13.225415229797363],["▁avertiz",-13.225497245788574],["▁Breed",-13.225550651550293],["▁gradina",-13.225606918334961],["▁Liege",-13.225822448730469],["▁Retirement",-13.225983619689941],["▁pergola",-13.226005554199219],["▁Kuwait",-13.2260103225708],["▁logistic",-13.22629451751709],["▁captive",-13.22651481628418],["prepared",-13.226568222045898],["▁prononc",-13.226568222045898],["Celui",-13.226676940917969],["deutschland",-13.227120399475098],["▁devreme",-13.227124214172363],["▁părți",-13.227270126342773],["▁1934",-13.227517127990723],["▁ersetzt",-13.227560997009277],["▁frightening",-13.227689743041992],["▁fiecărui",-13.227819442749023],["correct",-13.22799015045166],["6.6",-13.228057861328125],["▁Manitoba",-13.228259086608887],["Chartered",-13.228416442871094],["▁părăs",-13.228543281555176],["Powered",-13.228697776794434],["impede",-13.22876262664795],["agonist",-13.22878646850586],["▁stratégique",-13.228829383850098],["▁vigilant",-13.228830337524414],["faceted",-13.228930473327637],["available",-13.229308128356934],["▁Promise",-13.229388236999512],["▁humorous",-13.229446411132812],["treibt",-13.229449272155762],["▁Patrol",-13.229514122009277],["huh",-13.229523658752441],["ztlich",-13.229804039001465],["▁rejet",-13.2299165725708],["odeur",-13.229935646057129],["usziehbar",-13.22996997833252],["▁gespannt",-13.229972839355469],["church",-13.230018615722656],["▁Popescu",-13.230109214782715],["▁einmalig",-13.230518341064453],["diluted",-13.230551719665527],["lighted",-13.231070518493652],["▁stattfinden",-13.23111343383789],["▁Reaktion",-13.231183052062988],["▁délivr",-13.23134994506836],["▁Helfer",-13.231407165527344],["Fiind",-13.23142147064209],["rmând",-13.231507301330566],["▁Beweis",-13.231671333312988],["▁Violet",-13.231733322143555],["kamera",-13.231764793395996],["▁Romney",-13.231779098510742],["▁Bradford",-13.231800079345703],["stellbar",-13.231852531433105],["▁roadmap",-13.231921195983887],["▁subconscious",-13.23204231262207],["contrasting",-13.232138633728027],["mécanisme",-13.232254981994629],["kämpft",-13.232255935668945],["▁Preston",-13.232719421386719],["▁Anliegen",-13.232802391052246],["▁necessities",-13.232827186584473],["▁detrimental",-13.232828140258789],["▁sprawl",-13.232830047607422],["▁Erfüllung",-13.23287582397461],["▁massacre",-13.2329683303833],["▁pietre",-13.232987403869629],["▁situații",-13.233027458190918],["vêtement",-13.233080863952637],["Listed",-13.233144760131836],["▁extravagant",-13.233399391174316],["▁axle",-13.233525276184082],["OTT",-13.233663558959961],["wildly",-13.233744621276855],["70,000",-13.233797073364258],["▁chauffeur",-13.23384952545166],["▁Brasov",-13.233972549438477],["▁Fähigkeiten",-13.233972549438477],["▁staatlich",-13.234025001525879],["outlines",-13.234034538269043],["▁aufmerksam",-13.234545707702637],["▁Relation",-13.234749794006348],["▁Stephan",-13.234947204589844],["yland",-13.23494815826416],["proclaimed",-13.235086441040039],["Wallet",-13.235100746154785],["verarbeitung",-13.235118865966797],["▁überraschen",-13.235118865966797],["▁Injury",-13.235125541687012],["▁horsepower",-13.235237121582031],["▁Tropical",-13.23523998260498],["▁wives",-13.235459327697754],["adherence",-13.235677719116211],["schätzung",-13.235692977905273],["▁coherent",-13.235708236694336],["parlament",-13.23574161529541],["▁stup",-13.235852241516113],["▁resonance",-13.23626708984375],["▁inheritance",-13.236355781555176],["commenced",-13.23645305633545],["▁supervise",-13.236475944519043],["▁facilitator",-13.236488342285156],["fares",-13.236678123474121],["▁Tibet",-13.23672866821289],["communication",-13.236787796020508],["yog",-13.236806869506836],["▁WLAN",-13.236842155456543],["▁Chili",-13.23685073852539],["▁Harold",-13.2369966506958],["▁Guerre",-13.237005233764648],["▁Femme",-13.237146377563477],["▁Lisbon",-13.237231254577637],["▁mulțumi",-13.237415313720703],["▁vorbereitet",-13.237415313720703],["▁aperture",-13.237422943115234],["▁Universities",-13.237442016601562],["▁reckless",-13.237471580505371],["▁Botschaft",-13.237533569335938],["▁Squad",-13.238022804260254],["▁buoy",-13.238061904907227],["participarea",-13.238236427307129],["stiinta",-13.238389015197754],["▁repeal",-13.238415718078613],["drilled",-13.238489151000977],["▁Conversation",-13.238567352294922],["▁subsid",-13.238615036010742],["anstalt",-13.238741874694824],["faktor",-13.23874282836914],["▁swamp",-13.238790512084961],["pflichtig",-13.238921165466309],["▁camion",-13.238970756530762],["▁gouvern",-13.239032745361328],["▁archaeological",-13.239141464233398],["▁glitch",-13.239198684692383],["average",-13.239294052124023],["▁coffre",-13.239481925964355],["▁Insert",-13.239513397216797],["▁colonne",-13.2395601272583],["▁Assess",-13.23962116241455],["▁batches",-13.239716529846191],["▁ammunition",-13.239717483520508],["▁scissors",-13.239717483520508],["▁Locksmith",-13.239740371704102],["▁Bollywood",-13.239991188049316],["expédi",-13.240288734436035],["▁descendants",-13.24039363861084],["▁unwilling",-13.240506172180176],["▁Noise",-13.240649223327637],["▁Directive",-13.240660667419434],["ATOR",-13.240765571594238],["▁Rajasthan",-13.240870475769043],["▁chaotic",-13.240888595581055],["▁NEED",-13.24093246459961],["▁părere",-13.24095344543457],["▁begonnen",-13.241448402404785],["▁Reef",-13.241504669189453],["▁vorgesehen",-13.24161434173584],["▁allocate",-13.241826057434082],["▁exceptionnel",-13.241936683654785],["▁gefertigt",-13.24203872680664],["fading",-13.242072105407715],["▁interpersonal",-13.242178916931152],["▁occupie",-13.242204666137695],["▁Teatr",-13.242579460144043],["▁kilomètres",-13.242603302001953],["▁verbinden",-13.242608070373535],["▁Frucht",-13.242643356323242],["augmented",-13.242720603942871],["▁twentieth",-13.243181228637695],["▁aggression",-13.243183135986328],["▁Miracle",-13.243184089660645],["▁peninsula",-13.243184089660645],["▁Fernando",-13.243185043334961],["▁autorităţil",-13.243203163146973],["▁Iisus",-13.243217468261719],["▁puck",-13.243423461914062],["titel",-13.243454933166504],["▁remake",-13.243562698364258],["freiheit",-13.243563652038574],["▁Belize",-13.243590354919434],["▁secundar",-13.243779182434082],["▁perpetrat",-13.243786811828613],["jedenfalls",-13.243797302246094],["linked",-13.243820190429688],["▁dégag",-13.243918418884277],["LAY",-13.243926048278809],["behandlung",-13.244172096252441],["▁1928",-13.244193077087402],["▁Nickel",-13.244205474853516],["rophy",-13.244256973266602],["▁autonomy",-13.244338989257812],["▁Treffen",-13.244402885437012],["▁groundbreaking",-13.24445915222168],["politisch",-13.244484901428223],["▁Vector",-13.244553565979004],["oricine",-13.244684219360352],["utilisées",-13.244684219360352],["plete",-13.244771003723145],["droht",-13.244918823242188],["▁alternativ",-13.245104789733887],["▁Bernie",-13.245213508605957],["▁embellish",-13.245260238647461],["▁Curriculum",-13.24549674987793],["herrscht",-13.245525360107422],["escalier",-13.246126174926758],["hian",-13.246333122253418],["ertaining",-13.246387481689453],["hitter",-13.246430397033691],["▁kompetente",-13.24665641784668],["▁trekking",-13.246760368347168],["EACH",-13.246841430664062],["▁Bedien",-13.2470703125],["starred",-13.247169494628906],["▁săptămâna",-13.247236251831055],["▁Gratuit",-13.247239112854004],["▁Jahrzehnte",-13.247241020202637],["ingénieur",-13.24731731414795],["▁Huang",-13.24736213684082],["Music",-13.247401237487793],["misiei",-13.247544288635254],["▁masuri",-13.247733116149902],["▁Achievement",-13.247817039489746],["▁Dorothy",-13.247817039489746],["blätter",-13.247817993164062],["éloign",-13.247817993164062],["▁Anglia",-13.247990608215332],["brach",-13.248013496398926],["▁Optimization",-13.248085021972656],["6.7",-13.248170852661133],["winkel",-13.248210906982422],["contenan",-13.248347282409668],["Astăzi",-13.248398780822754],["wiped",-13.248441696166992],["granting",-13.248665809631348],["▁plăti",-13.248859405517578],["▁Compensation",-13.248979568481445],["▁Verkäufer",-13.248979568481445],["▁angajați",-13.248980522155762],["▁diminished",-13.24902057647705],["employment",-13.249250411987305],["yahoo",-13.249435424804688],["▁détrui",-13.249698638916016],["▁suffisant",-13.24982738494873],["▁Moldovei",-13.250144004821777],["▁Pokemon",-13.250144004821777],["▁Malcolm",-13.250144958496094],["▁mysteries",-13.250147819519043],["▁Diversity",-13.250149726867676],["▁clinique",-13.250327110290527],["landais",-13.250344276428223],["▁campanii",-13.250399589538574],["▁témoignage",-13.250439643859863],["▁paralel",-13.250467300415039],["▁travailleurs",-13.250576972961426],["▁salvage",-13.250580787658691],["▁crayon",-13.250732421875],["immédiat",-13.25085163116455],["hopped",-13.250958442687988],["▁senzor",-13.25102710723877],["▁imbunatati",-13.251073837280273],["▁capitalize",-13.2511568069458],["▁Elephant",-13.25130844116211],["▁insomnia",-13.25131607055664],["▁Ansicht",-13.251325607299805],["▁lupte",-13.251556396484375],["▁genomic",-13.251557350158691],["▁Grape",-13.251769065856934],["MONT",-13.25197982788086],["métiers",-13.252004623413086],["▁Pierce",-13.252123832702637],["consulted",-13.252388954162598],["▁Responsible",-13.252474784851074],["symmetry",-13.252476692199707],["▁sulfur",-13.252487182617188],["▁înapoi",-13.252510070800781],["▁Junction",-13.252549171447754],["▁trilogy",-13.252622604370117],["▁unkompliziert",-13.253059387207031],["▁zugänglich",-13.253059387207031],["▁préfèr",-13.253153800964355],["oarelor",-13.253361701965332],["langage",-13.253460884094238],["admired",-13.253589630126953],["platform",-13.253595352172852],["▁pluralit",-13.253616333007812],["▁betrachtet",-13.253643035888672],["▁reproduc",-13.253790855407715],["exemple",-13.25385570526123],["▁conspir",-13.254347801208496],["▁pelvi",-13.25437068939209],["leased",-13.254551887512207],["▁souffle",-13.254570960998535],["▁approprié",-13.254705429077148],["absorbing",-13.254817962646484],["dividing",-13.254855155944824],["herently",-13.255147933959961],["▁blister",-13.255179405212402],["löst",-13.255182266235352],["Apotheke",-13.255398750305176],["▁Asociaţi",-13.255424499511719],["education",-13.255904197692871],["▁retract",-13.255982398986816],["▁appraise",-13.255990982055664],["▁Debbie",-13.256075859069824],["▁arhitect",-13.256193161010742],["▁Mohamed",-13.256568908691406],["▁îndrept",-13.256568908691406],["▁exhaustive",-13.256753921508789],["▁Notebook",-13.257004737854004],["crashing",-13.257068634033203],["▁Betreiber",-13.257155418395996],["▁présidentielle",-13.257159233093262],["▁Träger",-13.257172584533691],["▁noteworthy",-13.257259368896484],["▁séparé",-13.257729530334473],["▁doppelt",-13.257795333862305],["tină",-13.258066177368164],["Quelques",-13.258085250854492],["culoarea",-13.258100509643555],["▁ethic",-13.258166313171387],["▁cohesive",-13.258329391479492],["▁congratulations",-13.258334159851074],["▁sovereignty",-13.25833797454834],["▁Aplica",-13.258413314819336],["▁Covenant",-13.25851058959961],["▁multicultural",-13.258591651916504],["assemblée",-13.258955001831055],["▁petals",-13.258974075317383],["erode",-13.259026527404785],["▁porumb",-13.259035110473633],["▁Barrier",-13.259050369262695],["▁WWE",-13.259085655212402],["Etwa",-13.259175300598145],["▁recunosc",-13.259271621704102],["▁turtle",-13.259415626525879],["▁vârf",-13.259444236755371],["▁Ranking",-13.259448051452637],["▁sympathetic",-13.259514808654785],["exploded",-13.2595796585083],["▁influenț",-13.259591102600098],["▁Fireplace",-13.25972843170166],["▁Nachwuchs",-13.260090827941895],["▁empfohlen",-13.260090827941895],["Voir",-13.260661125183105],["▁Vimeo",-13.26069164276123],["▁weaving",-13.260967254638672],["beneficiar",-13.261198043823242],["▁balade",-13.261216163635254],["▁Mercy",-13.261566162109375],["3.000",-13.26181697845459],["Immediately",-13.261857032775879],["▁frosting",-13.261868476867676],["▁Fiscal",-13.261882781982422],["downloadable",-13.26188850402832],["▁Hwy",-13.261902809143066],["évoluer",-13.261951446533203],["▁vieille",-13.2620210647583],["heißen",-13.262436866760254],["▁étrangère",-13.262446403503418],["▁incapable",-13.262490272521973],["volunteered",-13.262520790100098],["fortunately",-13.262564659118652],["company",-13.262738227844238],["denkt",-13.2627592086792],["▁citesc",-13.262818336486816],["▁intrebare",-13.262896537780762],["pleasantly",-13.262990951538086],["▁Minecraft",-13.263079643249512],["▁Schmuck",-13.26308536529541],["▁maghiar",-13.263099670410156],["conductive",-13.263339042663574],["décrit",-13.263534545898438],["provide",-13.26353931427002],["▁depăş",-13.263628959655762],["ituated",-13.263657569885254],["▁trumpet",-13.264216423034668],["▁nastere",-13.2642240524292],["▁Région",-13.264245986938477],["Occupational",-13.264411926269531],["▁Grecia",-13.264415740966797],["▁Conclusion",-13.26449203491211],["▁collaborateurs",-13.264927864074707],["▁Alibaba",-13.265398025512695],["▁amplasat",-13.265398979187012],["▁Plastik",-13.265992164611816],["▁stash",-13.266023635864258],["▁Bonnie",-13.266045570373535],["▁ehrlich",-13.266156196594238],["▁contention",-13.266193389892578],["▁Oslo",-13.266263008117676],["englische",-13.266319274902344],["measurable",-13.266439437866211],["loppy",-13.266470909118652],["▁Refrigerat",-13.266579627990723],["▁remboursement",-13.266580581665039],["▁societăţi",-13.266580581665039],["translates",-13.266607284545898],["ichtigkeit",-13.266685485839844],["agentur",-13.266741752624512],["▁compute",-13.266800880432129],["berater",-13.266921043395996],["▁Georgetown",-13.266945838928223],["wolves",-13.266951560974121],["ceased",-13.266959190368652],["▁Binary",-13.267030715942383],["▁kontrolliert",-13.267172813415527],["informer",-13.267416000366211],["lehrer",-13.267578125],["lieferung",-13.267709732055664],["▁definit",-13.267742156982422],["chèque",-13.267765045166016],["▁clergy",-13.267765045166016],["▁ministries",-13.267767906188965],["▁plague",-13.267779350280762],["▁Jedi",-13.267805099487305],["▁Blackjack",-13.268025398254395],["▁subsection",-13.26807689666748],["▁Sachsen",-13.268121719360352],["valorile",-13.268146514892578],["molded",-13.26816463470459],["▁betroffen",-13.268183708190918],["▁adecvat",-13.268229484558105],["▁collègue",-13.26835823059082],["▁chinez",-13.268392562866211],["emelle",-13.268695831298828],["▁körperliche",-13.268902778625488],["▁titan",-13.26891040802002],["▁sophistication",-13.268951416015625],["▁provoke",-13.268957138061523],["▁pensii",-13.269042015075684],["▁Tucker",-13.269377708435059],["▁motoare",-13.26943302154541],["supported",-13.269536972045898],["▁Sicil",-13.269697189331055],["▁Ausgangs",-13.26987361907959],["▁verletzt",-13.269908905029297],["Ligue",-13.269996643066406],["▁organizatori",-13.270026206970215],["▁apprentice",-13.270099639892578],["▁Potato",-13.270183563232422],["▁Duft",-13.27039623260498],["▁medicament",-13.270566940307617],["Hôtel",-13.270740509033203],["▁Triangle",-13.270842552185059],["buted",-13.271100044250488],["▁Bentley",-13.271336555480957],["următoarele",-13.271389961242676],["animate",-13.271404266357422],["megapixel",-13.271404266357422],["einfachen",-13.271514892578125],["▁performanț",-13.271544456481934],["lurry",-13.27184009552002],["suffisamment",-13.27192211151123],["▁Weihnachten",-13.27192211151123],["▁Detective",-13.27194595336914],["▁lovit",-13.272049903869629],["▁blouse",-13.27213191986084],["▁hartie",-13.272163391113281],["vro",-13.27225112915039],["▁disastrous",-13.272517204284668],["vermutlich",-13.2725191116333],["▁Stafford",-13.272527694702148],["ehlt",-13.272628784179688],["▁vielseitig",-13.272643089294434],["Manifest",-13.273274421691895],["homage",-13.27354907989502],["menée",-13.273566246032715],["▁erläuter",-13.27370834350586],["▁volontaire",-13.273709297180176],["wrought",-13.27371597290039],["▁Naples",-13.273719787597656],["recommending",-13.273759841918945],["▁thermique",-13.273774147033691],["▁subtitle",-13.273787498474121],["▁Slam",-13.273809432983398],["▁necesitate",-13.273809432983398],["trimmed",-13.274099349975586],["urmatoarele",-13.274178504943848],["▁Sorin",-13.274245262145996],["▁compromis",-13.274300575256348],["overcoming",-13.274477005004883],["▁Samantha",-13.274901390075684],["dazzling",-13.27490234375],["▁Pearson",-13.274903297424316],["▁glazing",-13.274911880493164],["Revelation",-13.274921417236328],["destinée",-13.275156021118164],["öffnet",-13.27515983581543],["CERT",-13.275327682495117],["▁Sneak",-13.275503158569336],["proiectele",-13.275605201721191],["▁longitudinal",-13.27609634399414],["▁cocaine",-13.276098251342773],["▁universitar",-13.276108741760254],["▁refreshments",-13.276166915893555],["▁instanţ",-13.276243209838867],["▁kostenfrei",-13.276397705078125],["▁comédie",-13.276451110839844],["▁Locat",-13.276725769042969],["▁Albania",-13.276732444763184],["▁mécanique",-13.276776313781738],["messung",-13.27683162689209],["issus",-13.277260780334473],["pinned",-13.277328491210938],["▁sanft",-13.277335166931152],["▁geprüft",-13.277435302734375],["▁procè",-13.277442932128906],["▁Üb",-13.277765274047852],["5-0",-13.277802467346191],["▁Catering",-13.277957916259766],["▁prosperous",-13.27801513671875],["▁replication",-13.278098106384277],["▁obese",-13.278441429138184],["clerosis",-13.278489112854004],["▁Carnegie",-13.278489112854004],["▁Incredible",-13.278489112854004],["▁Teppich",-13.278489112854004],["▁crunchy",-13.278489112854004],["▁vomiting",-13.278529167175293],["▁sourire",-13.278619766235352],["publish",-13.278948783874512],["▁exterioar",-13.279094696044922],["▁forehead",-13.279107093811035],["▁climatique",-13.279313087463379],["▁conservator",-13.279458999633789],["▁Russland",-13.279687881469727],["▁kombiniert",-13.279687881469727],["▁Thrones",-13.279688835144043],["▁Griffith",-13.27968978881836],["▁fragrant",-13.279695510864258],["▁RSVP",-13.279698371887207],["klima",-13.279751777648926],["▁situație",-13.279808044433594],["deschiderea",-13.280009269714355],["▁moale",-13.280033111572266],["▁Trevor",-13.280112266540527],["ménager",-13.28011417388916],["deploying",-13.280428886413574],["▁Loft",-13.280500411987305],["▁Willkommen",-13.28059196472168],["▁Bezirks",-13.280887603759766],["▁Himself",-13.280975341796875],["▁quarant",-13.28101634979248],["▁1901",-13.281079292297363],["▁tripod",-13.28136920928955],["▁récolt",-13.281553268432617],["natură",-13.281631469726562],["School",-13.281649589538574],["contested",-13.281773567199707],["bwohl",-13.281784057617188],["Darren",-13.281830787658691],["medicine",-13.281903266906738],["▁Impuls",-13.282041549682617],["prevailing",-13.282057762145996],["▁orthodontic",-13.282089233398438],["▁sequential",-13.282089233398438],["▁Kolkata",-13.28209114074707],["▁séch",-13.282100677490234],["▁diaper",-13.28212833404541],["▁simplifie",-13.282144546508789],["▁reflux",-13.282163619995117],["▁Hypo",-13.282242774963379],["imprimer",-13.282251358032227],["▁Folosi",-13.282401084899902],["Info",-13.282570838928223],["▁Investiga",-13.282801628112793],["stabilirea",-13.282845497131348],["élis",-13.283149719238281],["ccessed",-13.28320026397705],["▁recyclable",-13.283293724060059],["▁forbidden",-13.283295631408691],["▁Colonel",-13.283297538757324],["▁nisip",-13.28330135345459],["▁Fundamental",-13.283303260803223],["▁nouveauté",-13.283308029174805],["khi",-13.283357620239258],["▁ecology",-13.28339672088623],["▁filament",-13.283540725708008],["▁relentless",-13.283559799194336],["▁Behavior",-13.283669471740723],["titulaire",-13.283900260925293],["▁administrativ",-13.28404426574707],["▁Vorlage",-13.284209251403809],["zeigte",-13.28427791595459],["▁Bäume",-13.284497261047363],["▁Kartoffel",-13.284497261047363],["▁Possible",-13.284500122070312],["▁perturb",-13.28466510772705],["▁Grigor",-13.284717559814453],["▁streng",-13.284759521484375],["▁vânzare",-13.285101890563965],["concentrating",-13.285698890686035],["▁rechtzeitig",-13.2857027053833],["▁eternity",-13.28570556640625],["▁Puzzle",-13.28575611114502],["▁malade",-13.285775184631348],["▁Metallic",-13.285776138305664],["▁Unterhaltung",-13.285783767700195],["▁4:00",-13.285820960998535],["▁magique",-13.285908699035645],["▁cellphone",-13.285975456237793],["▁inhibition",-13.286023139953613],["▁remplacement",-13.286025047302246],["▁WWII",-13.286089897155762],["Eff",-13.286258697509766],["kontakt",-13.286832809448242],["Update",-13.286869049072266],["▁Emerald",-13.286910057067871],["▁hammock",-13.286910057067871],["POWER",-13.286917686462402],["automne",-13.286917686462402],["▁(2004)",-13.286961555480957],["▁participanți",-13.287012100219727],["1998)",-13.287014961242676],["▁deletion",-13.287186622619629],["▁Proiect",-13.287226676940918],["IDENT",-13.287504196166992],["▁precis",-13.287623405456543],["▁limp",-13.287676811218262],["▁Pompe",-13.287686347961426],["▁ménage",-13.28780746459961],["▁Wahrheit",-13.288119316101074],["▁Intelligent",-13.28812026977539],["▁instability",-13.2881441116333],["insurance",-13.288346290588379],["▁Nursery",-13.288352966308594],["▁synonym",-13.288427352905273],["▁ignite",-13.28848934173584],["▁Vernon",-13.28849983215332],["purchase",-13.288524627685547],["▁disponibilité",-13.288662910461426],["▁producţi",-13.28909969329834],["▁Pentagon",-13.289329528808594],["▁illumination",-13.289329528808594],["▁obsolete",-13.289329528808594],["▁unacceptable",-13.28933048248291],["Gleichzeitig",-13.289938926696777],["rutsch",-13.290071487426758],["viziuni",-13.290409088134766],["▁Nicaragua",-13.29054069519043],["▁hesitation",-13.290541648864746],["▁nascut",-13.290545463562012],["▁Warehouse",-13.29055404663086],["geboten",-13.290558815002441],["▁Lagos",-13.290844917297363],["produced",-13.290874481201172],["cativa",-13.291309356689453],["▁Tracy",-13.291326522827148],["Projekt",-13.291468620300293],["▁malaria",-13.291692733764648],["▁Baldwin",-13.291755676269531],["Take",-13.291791915893555],["▁fluctuations",-13.291844367980957],["▁titular",-13.29194450378418],["bmw",-13.291976928710938],["▁brevet",-13.29202651977539],["étapes",-13.292173385620117],["wikipedia",-13.292373657226562],["▁corporal",-13.292424201965332],["▁Schönheit",-13.2926664352417],["utilizatorii",-13.292695999145508],["INFO",-13.292807579040527],["▁formularul",-13.292900085449219],["femi",-13.292959213256836],["Konferenz",-13.29296875],["▁carnival",-13.29296875],["▁Kräuter",-13.292969703674316],["▁gelernt",-13.292981147766113],["▁Sherman",-13.293017387390137],["▁persistence",-13.293289184570312],["▁Behörden",-13.293577194213867],["▁Frühjahr",-13.293578147888184],["▁Guvern",-13.293649673461914],["interpreting",-13.293878555297852],["▁nommé",-13.294021606445312],["consult",-13.294035911560059],["▁obligaţi",-13.294184684753418],["▁Newspaper",-13.2942476272583],["(2005)",-13.294515609741211],["pumped",-13.294614791870117],["▁autoritati",-13.294634819030762],["▁aplicatii",-13.294644355773926],["▁verhindert",-13.294794082641602],["▁évident",-13.294794082641602],["▁getrennt",-13.294795036315918],["▁Encourage",-13.295403480529785],["▁lurk",-13.295432090759277],["▁condemned",-13.295455932617188],["▁4:30",-13.295502662658691],["labelled",-13.29576587677002],["ordinea",-13.295899391174316],["▁pantofi",-13.296012878417969],["Default",-13.296042442321777],["▁beruh",-13.296120643615723],["/01/",-13.296268463134766],["league",-13.296503067016602],["▁couvert",-13.296524047851562],["▁competencies",-13.296622276306152],["▁mozzarella",-13.296622276306152],["jihad",-13.29662799835205],["▁gossip",-13.29662799835205],["▁Omaha",-13.296628952026367],["▁coincidence",-13.296669960021973],["▁Pinot",-13.296710968017578],["dotted",-13.296789169311523],["schilder",-13.297197341918945],["▁Munte",-13.297224998474121],["▁Vermieter",-13.297232627868652],["▁britannique",-13.297232627868652],["▁comentariu",-13.297235488891602],["abonnement",-13.29725456237793],["▁inventive",-13.29727840423584],["complie",-13.297279357910156],["composée",-13.29734992980957],["▁glatt",-13.297684669494629],["adorned",-13.297842979431152],["▁Opportunities",-13.297842979431152],["▁equilibrium",-13.297842979431152],["▁persuasive",-13.297842979431152],["▁achiziţi",-13.297843933105469],["▁déterminer",-13.297843933105469],["▁fleece",-13.297857284545898],["▁ivory",-13.29786205291748],["▁Genuss",-13.297900199890137],["Thousands",-13.297930717468262],["▁izolat",-13.297965049743652],["▁symbolize",-13.298033714294434],["gâteau",-13.298051834106445],["▁relații",-13.298062324523926],["▁Classroom",-13.298144340515137],["settlers",-13.298155784606934],["▁vremuri",-13.298195838928223],["▁Serial",-13.29838752746582],["▁boite",-13.298399925231934],["équivalent",-13.298453330993652],["▁benutzen",-13.298454284667969],["▁Recomand",-13.298462867736816],["▁Sinai",-13.298968315124512],["▁Advertise",-13.29906940460205],["▁Thermal",-13.299206733703613],["fiance",-13.299471855163574],["▁universitaire",-13.299683570861816],["▁rivière",-13.299793243408203],["▁reimburse",-13.299907684326172],["ţara",-13.299932479858398],["tician",-13.30002498626709],["intelligence",-13.300041198730469],["▁abgestimmt",-13.300288200378418],["▁compliqué",-13.300288200378418],["▁succulent",-13.300297737121582],["opéra",-13.300395011901855],["7-9",-13.300456047058105],["▁pierderi",-13.300654411315918],["extinction",-13.30090045928955],["▁Zweifel",-13.30103874206543],["ATCH",-13.30112361907959],["10,000",-13.301222801208496],["▁uninterrupted",-13.301513671875],["▁Eigentum",-13.301517486572266],["▁Utility",-13.301517486572266],["ско",-13.301529884338379],["▁tornado",-13.301544189453125],["▁Güte",-13.301727294921875],["▁pertain",-13.301923751831055],["painters",-13.301993370056152],["Help",-13.3021240234375],["▁străinătate",-13.30212688446045],["▁stammen",-13.302170753479004],["opposition",-13.302229881286621],["▁rhino",-13.302233695983887],["intervenir",-13.302427291870117],["▁hyperlink",-13.302441596984863],["höchst",-13.302518844604492],["roach",-13.302627563476562],["wSt",-13.302687644958496],["▁monastery",-13.302740097045898],["▁algae",-13.302754402160645],["▁shaving",-13.302757263183594],["présentent",-13.302804946899414],["Africa",-13.302860260009766],["eigener",-13.303047180175781],["▁glace",-13.303153991699219],["▁discurs",-13.303179740905762],["▁autograph",-13.303204536437988],["▁Conflict",-13.303359031677246],["▁școli",-13.303411483764648],["▁excerpt",-13.303617477416992],["correlated",-13.303628921508789],["empel",-13.303841590881348],["cryptocurrencies",-13.30396842956543],["▁symposium",-13.30396842956543],["▁gewohnt",-13.303994178771973],["PTSD",-13.304070472717285],["▁harmonic",-13.304166793823242],["discarded",-13.304282188415527],["▁Flint",-13.304359436035156],["Russia",-13.304422378540039],["▁ședinț",-13.304583549499512],["▁accusations",-13.304727554321289],["▁încălc",-13.304827690124512],["sendung",-13.305152893066406],["▁Chiropractic",-13.305197715759277],["▁excepți",-13.305201530456543],["▁proclaim",-13.305201530456543],["▁Flexible",-13.305295944213867],["▁Hüt",-13.30538272857666],["▁Baltic",-13.30539608001709],["▁inaltime",-13.30553913116455],["▁montré",-13.305868148803711],["exécution",-13.305898666381836],["partei",-13.305961608886719],["▁specifie",-13.306072235107422],["▁Jackpot",-13.306105613708496],["▁stumble",-13.306134223937988],["▁individuel",-13.306161880493164],["▁Veteran",-13.306217193603516],["▁Supplies",-13.306428909301758],["▁excavation",-13.306428909301758],["▁Libraries",-13.306469917297363],["▁prénom",-13.306476593017578],["WOOD",-13.30650806427002],["meciul",-13.306917190551758],["Chef",-13.306938171386719],["▁SUPER",-13.306940078735352],["Appeals",-13.30696964263916],["terapia",-13.307113647460938],["▁relatii",-13.30713939666748],["modifying",-13.30748462677002],["▁Regulament",-13.307662010192871],["▁bănci",-13.307662963867188],["▁agility",-13.307666778564453],["▁Magnetic",-13.307674407958984],["▁piatra",-13.30767822265625],["▁Governance",-13.307680130004883],["▁clown",-13.30772876739502],["▁Choir",-13.308337211608887],["aujourd",-13.308548927307129],["▁vendeur",-13.308732032775879],["ndererseits",-13.308859825134277],["▁Bahrain",-13.3088960647583],["▁Timisoara",-13.3088960647583],["▁exklusive",-13.3088960647583],["▁Population",-13.309001922607422],["▁nepo",-13.309073448181152],["▁relish",-13.309085845947266],["▁Pumpkin",-13.309571266174316],["▁détente",-13.309784889221191],["▁episcop",-13.309860229492188],["patterned",-13.309929847717285],["▁THANK",-13.310132026672363],["▁Widerspruch",-13.310132026672363],["▁Crisis",-13.310189247131348],["▁goose",-13.310226440429688],["▁couture",-13.310307502746582],["▁hinweg",-13.310446739196777],["supplemental",-13.310486793518066],["shingles",-13.31060791015625],["investir",-13.310635566711426],["▁steriliz",-13.310759544372559],["tractors",-13.310761451721191],["cellules",-13.31078815460205],["▁Gloria",-13.310888290405273],["▁teilnehmen",-13.311092376708984],["companiile",-13.311248779296875],["surfacing",-13.311279296875],["▁nostalgic",-13.311368942260742],["▁Badezimmer",-13.311369895935059],["▁conjoint",-13.311370849609375],["vacancy",-13.31145191192627],["▁homeland",-13.311582565307617],["▁Abschnitt",-13.311625480651855],["Cartea",-13.311653137207031],["SIA",-13.311782836914062],["▁explode",-13.311786651611328],["fostering",-13.311959266662598],["▁ceilalti",-13.31198787689209],["▁gentil",-13.31214714050293],["oplasty",-13.31218433380127],["bodied",-13.312424659729004],["▁1906",-13.312499046325684],["▁BlackBerry",-13.312607765197754],["▁Presbyterian",-13.312607765197754],["▁berücksichtigt",-13.312607765197754],["▁compartiment",-13.312607765197754],["▁compulsory",-13.312607765197754],["Millennial",-13.312609672546387],["▁sanitar",-13.312638282775879],["▁stink",-13.312975883483887],["lius",-13.313047409057617],["thankfully",-13.313136100769043],["modalité",-13.313173294067383],["▁cunoaște",-13.313226699829102],["Infrastruktur",-13.313227653503418],["▁studenți",-13.313253402709961],["Bref",-13.313270568847656],["London",-13.31360149383545],["▁Arduino",-13.313847541809082],["▁cilantro",-13.313847541809082],["▁Rafael",-13.313848495483398],["▁untersucht",-13.313861846923828],["▁martyr",-13.31389331817627],["▁Mormon",-13.313984870910645],["▁wicket",-13.313996315002441],["cherished",-13.314335823059082],["liquid",-13.314417839050293],["▁dorinț",-13.314571380615234],["lehnt",-13.314717292785645],["meisterschaft",-13.31493091583252],["fondateur",-13.314971923828125],["câble",-13.315078735351562],["▁erreichbar",-13.315091133117676],["▁footsteps",-13.315094947814941],["▁Kloster",-13.31519889831543],["▁multiplayer",-13.315218925476074],["▁substitu",-13.315276145935059],["▁Frisch",-13.315526962280273],["▁arsenal",-13.315712928771973],["explication",-13.315866470336914],["▁conexiun",-13.315986633300781],["muddy",-13.316045761108398],["▁Reifen",-13.316120147705078],["auraient",-13.316132545471191],["▁biologic",-13.316136360168457],["▁acquainted",-13.316332817077637],["▁shelving",-13.316341400146484],["Stunning",-13.316373825073242],["▁Clothing",-13.316394805908203],["▁kidding",-13.316431999206543],["excellent",-13.316452026367188],["▁susțin",-13.316487312316895],["bătut",-13.316502571105957],["elusive",-13.3165283203125],["werbung",-13.316743850708008],["slipping",-13.316813468933105],["▁configura",-13.316926956176758],["▁proaspat",-13.31695556640625],["▁apporté",-13.317120552062988],["▁démarr",-13.317328453063965],["Spezialist",-13.317578315734863],["▁obligați",-13.317578315734863],["▁societăți",-13.317578315734863],["▁malpractice",-13.31757926940918],["Hundreds",-13.317609786987305],["▁3:1",-13.318138122558594],["▁computation",-13.31817626953125],["▁Heilig",-13.318528175354004],["▁Helsinki",-13.318824768066406],["▁firefighters",-13.318824768066406],["▁obedience",-13.318824768066406],["▁evacuate",-13.318825721740723],["▁Floyd",-13.318840026855469],["▁Disneyland",-13.318859100341797],["Cathy",-13.319069862365723],["▁Broken",-13.319278717041016],["cript",-13.319952011108398],["▁Gewähr",-13.320073127746582],["▁embarrassed",-13.320073127746582],["▁Leicht",-13.32007884979248],["▁témoign",-13.320379257202148],["▁viteze",-13.3206148147583],["▁hallmark",-13.320731163024902],["uploads",-13.32082462310791],["▁Submission",-13.320929527282715],["▁croissant",-13.321049690246582],["awning",-13.32105827331543],["detecting",-13.321198463439941],["▁Bahamas",-13.321322441101074],["▁Kathleen",-13.321325302124023],["▁latch",-13.321377754211426],["▁pronounce",-13.321380615234375],["▁choke",-13.321428298950195],["▁$50,000",-13.3215970993042],["▁historische",-13.321642875671387],["jugé",-13.321829795837402],["▁MasterCard",-13.321949005126953],["▁Horror",-13.321955680847168],["spoiled",-13.321958541870117],["▁apariți",-13.32202434539795],["geschaltet",-13.3225736618042],["▁Londra",-13.322578430175781],["viction",-13.322580337524414],["▁Disaster",-13.322593688964844],["▁desigur",-13.322601318359375],["▁substanț",-13.322601318359375],["▁compiler",-13.322613716125488],["▁vanzari",-13.32262897491455],["▁Simulation",-13.322669982910156],["Occasionally",-13.322842597961426],["Seite",-13.322884559631348],["Linked",-13.322938919067383],["Roll",-13.323015213012695],["▁trajet",-13.323244094848633],["Molecular",-13.323834419250488],["▁pragmatic",-13.323843002319336],["judecată",-13.323915481567383],["ров",-13.32400894165039],["serrurerie",-13.324024200439453],["▁reconstruct",-13.324129104614258],["▁heureuse",-13.324179649353027],["▁knight",-13.32422924041748],["knowingly",-13.324431419372559],["▁perspectiva",-13.324453353881836],["ordinary",-13.324604034423828],["▁chaudière",-13.324721336364746],["Neill",-13.324727058410645],["cellulose",-13.325080871582031],["▁Delicious",-13.325080871582031],["▁incearca",-13.325080871582031],["▁retrospective",-13.325080871582031],["▁mundane",-13.325081825256348],["▁definiert",-13.32508659362793],["▁cockpit",-13.325088500976562],["Aktionen",-13.325363159179688],["▁distanț",-13.325654029846191],["▁diplôme",-13.325708389282227],["prepaid",-13.325737953186035],["▁Tabellen",-13.325758934020996],["▁economie",-13.325770378112793],["December",-13.325826644897461],["Punkten",-13.32613754272461],["▁Punch",-13.32614517211914],["Martin",-13.326154708862305],["▁Espresso",-13.326314926147461],["▁ubiquitous",-13.326335906982422],["▁Mongolia",-13.326337814331055],["▁collabor",-13.326635360717773],["▁Vordergrund",-13.32696533203125],["cameră",-13.327091217041016],["represented",-13.327268600463867],["▁AUTO",-13.327446937561035],["▁Ofert",-13.327542304992676],["neig",-13.327593803405762],["▁Hazard",-13.327595710754395],["▁Constanta",-13.327596664428711],["▁tumour",-13.32759952545166],["▁Neighborhood",-13.327603340148926],["▁detaliat",-13.327619552612305],["▁extraordinaire",-13.327665328979492],["▁Therapeutic",-13.327686309814453],["predicting",-13.327693939208984],["▁institutii",-13.32776165008545],["ifizierung",-13.327797889709473],["wählt",-13.328207015991211],["▁remarquable",-13.32822322845459],["Invent",-13.328512191772461],["▁foloseșt",-13.328514099121094],["öfte",-13.328703880310059],["▁discreet",-13.328853607177734],["▁Flickr",-13.32885456085205],["▁trésor",-13.328856468200684],["▁steroids",-13.328872680664062],["▁personnalité",-13.328953742980957],["▁Krankenhaus",-13.32901668548584],["▁affordability",-13.329218864440918],["deuten",-13.329398155212402],["Detailed",-13.329412460327148],["Walk",-13.329444885253906],["▁parallèle",-13.329483032226562],["thèse",-13.329649925231934],["▁gefördert",-13.330117225646973],["Greeting",-13.33014965057373],["gelistet",-13.330172538757324],["▁chlorine",-13.330392837524414],["behält",-13.33039665222168],["emption",-13.330435752868652],["▁mobilité",-13.330601692199707],["▁randonnée",-13.330668449401855],["habitant",-13.330718040466309],["zilla",-13.331082344055176],["▁Lili",-13.331160545349121],["▁répét",-13.331341743469238],["trucât",-13.331376075744629],["▁Hospice",-13.331376075744629],["▁grassroots",-13.331377029418945],["▁affiché",-13.331393241882324],["pears",-13.331470489501953],["▁linistit",-13.331497192382812],["▁Patron",-13.331552505493164],["▁Stalin",-13.331626892089844],["▁închiri",-13.331751823425293],["▁Apostol",-13.332018852233887],["▁poudre",-13.332246780395508],["▁piscin",-13.332419395446777],["merlin",-13.33259391784668],["limited",-13.33260726928711],["▁métallique",-13.332639694213867],["gazebo",-13.33267879486084],["weilige",-13.332718849182129],["prosecutors",-13.33278751373291],["Expert",-13.33314323425293],["Assemblée",-13.333271980285645],["▁fauna",-13.333285331726074],["▁Turtle",-13.333353996276855],["▁Consortium",-13.333905220031738],["▁assemblies",-13.333905220031738],["▁trajectory",-13.333905220031738],["▁Vineyard",-13.333906173706055],["▁Mehrwert",-13.334037780761719],["▁sunflower",-13.334043502807617],["develop",-13.334060668945312],["▁heroic",-13.334100723266602],["▁riscuri",-13.334151268005371],["oeuf",-13.334300994873047],["influence",-13.334452629089355],["▁Voraussetzung",-13.334500312805176],["utoritatea",-13.334518432617188],["Produsul",-13.334654808044434],["▁gewährleistet",-13.335171699523926],["▁brûl",-13.335175514221191],["▁Column",-13.335184097290039],["▁trousers",-13.335209846496582],["▁posterior",-13.33521556854248],["glyph",-13.335251808166504],["▁Happen",-13.335280418395996],["▁créateur",-13.335667610168457],["▁apostle",-13.335898399353027],["▁padding",-13.335907936096191],["▁Digitalisierung",-13.335908889770508],["▁Laurie",-13.335915565490723],["▁Erwerb",-13.336065292358398],["▁bătrân",-13.336440086364746],["▁harmonious",-13.336441040039062],["▁ailments",-13.336456298828125],["▁Venue",-13.33650016784668],["▁Motorcycle",-13.336523056030273],["▁cortex",-13.336551666259766],["▁Sunrise",-13.336636543273926],["Software",-13.336775779724121],["▁advocat",-13.336934089660645],["essentiellement",-13.337422370910645],["•",-13.337494850158691],["părut",-13.337522506713867],["▁Suffolk",-13.337711334228516],["▁righteousness",-13.337711334228516],["▁Shirley",-13.337712287902832],["▁Famous",-13.337749481201172],["▁emulate",-13.337788581848145],["vermögen",-13.33788776397705],["generated",-13.337963104248047],["Ecole",-13.337977409362793],["▁managerial",-13.338086128234863],["believe",-13.338091850280762],["▁récupére",-13.338348388671875],["▁recens",-13.338531494140625],["▁Barrett",-13.338778495788574],["▁courageous",-13.338814735412598],["9.95",-13.338961601257324],["▁Odyssey",-13.338982582092285],["▁Violence",-13.338982582092285],["▁concasseur",-13.338982582092285],["▁evacuation",-13.338982582092285],["▁kontinuierlich",-13.338982582092285],["▁epidemi",-13.3389892578125],["▁disconnected",-13.339197158813477],["frucht",-13.339339256286621],["Trustees",-13.339348793029785],["▁Massiv",-13.339459419250488],["gebucht",-13.339473724365234],["stütze",-13.339526176452637],["▁febr",-13.339741706848145],["honoured",-13.339743614196777],["▁digitiz",-13.340079307556152],["Image",-13.34021282196045],["▁Brunswick",-13.34025764465332],["▁Therapist",-13.34026050567627],["accessoire",-13.340264320373535],["▁croqu",-13.340291023254395],["Pflanz",-13.34052848815918],["dragging",-13.340536117553711],["▁Facilit",-13.340750694274902],["soucis",-13.340765953063965],["Asadar",-13.34081745147705],["▁Thames",-13.341021537780762],["▁cariera",-13.341116905212402],["▁mercury",-13.341530799865723],["▁Blessed",-13.341533660888672],["▁Whitney",-13.341630935668945],["▁géant",-13.341926574707031],["▁coordonnée",-13.342217445373535],["oidal",-13.342623710632324],["Wohnungen",-13.342696189880371],["▁Spectrum",-13.34280776977539],["▁Avengers",-13.342808723449707],["▁Gloucester",-13.342808723449707],["▁nützlich",-13.342811584472656],["▁toothbrush",-13.342830657958984],["▁Vanessa",-13.342843055725098],["Saxon",-13.342947959899902],["▁comunități",-13.343165397644043],["reprezentanţi",-13.343175888061523],["▁întâlnire",-13.343225479125977],["delve",-13.343234062194824],["▁technologique",-13.343452453613281],["Describe",-13.343466758728027],["▁constient",-13.343501091003418],["gestalt",-13.343600273132324],["▁Tribune",-13.344090461730957],["▁fiberglass",-13.34412956237793],["verbindung",-13.344210624694824],["sacrificing",-13.344351768493652],["▁Pablo",-13.344470024108887],["▁adanc",-13.34525203704834],["omia",-13.345309257507324],["hâte",-13.345317840576172],["▁Sanctuary",-13.345366477966309],["▁accolade",-13.345368385314941],["▁Wurzel",-13.345398902893066],["▁spacing",-13.345433235168457],["▁bedeutend",-13.345481872558594],["▁biased",-13.345499992370605],["randomized",-13.345747947692871],["▁agenți",-13.345856666564941],["▁excepţi",-13.346012115478516],["▁fișier",-13.346028327941895],["▁fisier",-13.34664535522461],["irrespective",-13.346648216247559],["▁Gardner",-13.34665584564209],["▁aprecia",-13.346884727478027],["▁Klu",-13.347082138061523],["▁apropie",-13.347535133361816],["▁echival",-13.347784042358398],["tauchen",-13.347862243652344],["▁hauptsächlich",-13.347930908203125],["▁pollutants",-13.347930908203125],["▁mammals",-13.347931861877441],["▁Landwirtschaft",-13.347936630249023],["▁stăpân",-13.34793758392334],["▁Prüf",-13.347990989685059],["▁Motorsport",-13.34807300567627],["Leaving",-13.348352432250977],["schädigung",-13.348573684692383],["▁calendrier",-13.348573684692383],["plikation",-13.348655700683594],["▁DOE",-13.348655700683594],["ред",-13.348966598510742],["Jahr",-13.34913444519043],["▁entitlement",-13.34921646118164],["schuldig",-13.349217414855957],["▁Münster",-13.349218368530273],["pository",-13.349451065063477],["▁numero",-13.350220680236816],["▁entsprechen",-13.350383758544922],["▁astronaut",-13.350502967834473],["▁hexagon",-13.350502967834473],["▁DAMAGE",-13.350503921508789],["▁Quartz",-13.350504875183105],["▁rédaction",-13.350504875183105],["▁replenish",-13.350508689880371],["▁amoureux",-13.350523948669434],["▁opțiun",-13.350616455078125],["Custom",-13.350622177124023],["▁Telekom",-13.350639343261719],["▁RFID",-13.351163864135742],["▁Scorpio",-13.351264953613281],["▁thirst",-13.35152816772461],["▁Kosovo",-13.351791381835938],["▁precursor",-13.351794242858887],["▁sarbatori",-13.351810455322266],["▁Daisy",-13.351828575134277],["▁Dropbox",-13.351898193359375],["Smith",-13.351949691772461],["contabil",-13.352191925048828],["▁monnaie",-13.352437973022461],["capsul",-13.352577209472656],["treff",-13.352760314941406],["beauftragte",-13.352761268615723],["industrial",-13.353006362915039],["responsables",-13.353010177612305],["▁FIRST",-13.353080749511719],["▁crezut",-13.35308837890625],["▁reseller",-13.353107452392578],["▁direcți",-13.353154182434082],["mouvoir",-13.353294372558594],["▁Invite",-13.353431701660156],["▁constructii",-13.353440284729004],["▁oublié",-13.353577613830566],["găseșt",-13.353687286376953],["▁végét",-13.353755950927734],["idine",-13.35385799407959],["▁Ajout",-13.353951454162598],["▁Shelf",-13.354195594787598],["HALL",-13.35422420501709],["▁nostalgia",-13.35437297821045],["▁ottoman",-13.35437297821045],["▁ambalaj",-13.354398727416992],["municipiul",-13.354405403137207],["NOVA",-13.354500770568848],["▁disregard",-13.354997634887695],["▁bijuterii",-13.355018615722656],["▁sorgfältig",-13.355018615722656],["vraient",-13.355307579040527],["▁backsplash",-13.355669975280762],["▁nuisance",-13.355679512023926],["▁Territory",-13.35568618774414],["▁surprins",-13.355693817138672],["enchanting",-13.35571002960205],["trospecti",-13.355847358703613],["▁dvd",-13.356199264526367],["Totally",-13.356329917907715],["▁Edelstahl",-13.35696029663086],["▁sequencing",-13.356961250305176],["▁Circus",-13.35696792602539],["▁ashamed",-13.35696792602539],["▁horrific",-13.357028007507324],["▁taiat",-13.357033729553223],["▁Angehörige",-13.357125282287598],["Michel",-13.357256889343262],["▁communion",-13.357298851013184],["▁psiho",-13.357378959655762],["losigkeit",-13.357405662536621],["dipping",-13.357512474060059],["▁profesională",-13.357608795166016],["Indiferent",-13.357609748840332],["▁crestin",-13.357723236083984],["wholesome",-13.357796669006348],["▁Welfare",-13.358257293701172],["▁plentiful",-13.358257293701172],["▁Triumph",-13.358258247375488],["▁fascination",-13.358260154724121],["▁vicious",-13.358291625976562],["▁Höchst",-13.358294486999512],["▁Dunkel",-13.358386039733887],["▁harass",-13.358406066894531],["ambogia",-13.358475685119629],["▁synonymous",-13.358598709106445],["bottom",-13.35879898071289],["▁bénévole",-13.358906745910645],["▁suprafaț",-13.358906745910645],["▁umplut",-13.358997344970703],["▁Teddy",-13.359162330627441],["breathable",-13.359292984008789],["▁Toshiba",-13.3595552444458],["▁seismic",-13.359569549560547],["▁dringend",-13.359583854675293],["▁cultură",-13.359585762023926],["▁Waffen",-13.359665870666504],["▁Bubble",-13.359702110290527],["▁Brigade",-13.359759330749512],["▁Blatt",-13.36012077331543],["▁scénario",-13.36020565032959],["allah",-13.360396385192871],["▁superintendent",-13.360855102539062],["pflanzen",-13.360856056213379],["▁kurzfristig",-13.360856056213379],["▁raspberry",-13.360876083374023],["▁Evident",-13.360904693603516],["▁inutile",-13.361076354980469],["prouvé",-13.361104011535645],["▁obtien",-13.36141300201416],["▁Matthias",-13.361506462097168],["▁déclench",-13.361506462097168],["Situationen",-13.361529350280762],["▁Disclaimer",-13.362156867980957],["▁loneliness",-13.362156867980957],["▁Gothic",-13.362164497375488],["▁humility",-13.362165451049805],["▁machiaj",-13.362175941467285],["▁Sophia",-13.362178802490234],["▁Forecast",-13.362265586853027],["IBLE",-13.362456321716309],["ivism",-13.362480163574219],["israel",-13.36278247833252],["▁kümmern",-13.362809181213379],["▁verbreitet",-13.362825393676758],["▁capacitor",-13.362832069396973],["deprived",-13.3634614944458],["unbiased",-13.3634614944458],["▁Dominique",-13.3634614944458],["▁Bamboo",-13.363462448120117],["▁Heinrich",-13.363465309143066],["individualized",-13.363550186157227],["▁ansprechen",-13.363776206970215],["ordinaire",-13.363801002502441],["▁Ucraina",-13.364112854003906],["▁militare",-13.364115715026855],["massif",-13.364352226257324],["▁emisiuni",-13.364501953125],["maladies",-13.364622116088867],["▁pneumonia",-13.364765167236328],["▁graffiti",-13.364767074584961],["▁Determine",-13.3648099899292],["▁Northwestern",-13.364893913269043],["▁grasimi",-13.364897727966309],["▁lebendig",-13.364920616149902],["▁cifre",-13.364946365356445],["▁accelerator",-13.36533260345459],["▁nib",-13.365374565124512],["▁Jocuri",-13.365400314331055],["▁außergewöhnlich",-13.365402221679688],["▁orchid",-13.36542797088623],["zugreifen",-13.365530967712402],["utilisent",-13.365662574768066],["▁nineteenth",-13.366071701049805],["improvisation",-13.366072654724121],["▁Disclosure",-13.366072654724121],["▁Überraschung",-13.366072654724121],["▁Casual",-13.366093635559082],["▁Witness",-13.366093635559082],["teacher",-13.366125106811523],["Printed",-13.366129875183105],["▁prețuri",-13.366189956665039],["rues",-13.366216659545898],["▁cerinte",-13.366338729858398],["rouvent",-13.36662483215332],["assembling",-13.36673355102539],["▁atenție",-13.366769790649414],["▁amintiri",-13.366782188415527],["▁sustinut",-13.366805076599121],["Digital",-13.367257118225098],["▁Deborah",-13.36738109588623],["gesichts",-13.367382049560547],["▁temperament",-13.367440223693848],["▁competency",-13.367447853088379],["▁dwarf",-13.367515563964844],["▁dureaz",-13.367539405822754],["habilit",-13.367764472961426],["leaned",-13.3679838180542],["▁illicit",-13.368348121643066],["Availability",-13.368691444396973],["▁Brașov",-13.368691444396973],["▁Pyramid",-13.368691444396973],["▁achievable",-13.368691444396973],["▁judiciaire",-13.368691444396973],["Übrigen",-13.368693351745605],["▁activism",-13.368795394897461],["▁boycott",-13.368839263916016],["Desigur",-13.368927001953125],["klingt",-13.369264602661133],["▁Leidenschaft",-13.369346618652344],["▁Richtig",-13.369701385498047],["▁Airbnb",-13.370002746582031],["▁învățământ",-13.370002746582031],["Kampagne",-13.370004653930664],["▁thumbnail",-13.370014190673828],["Bestimmungen",-13.370016098022461],["▁vollkommen",-13.37001895904541],["▁biomass",-13.370027542114258],["▁escalate",-13.370030403137207],["wächst",-13.370085716247559],["▁scăpa",-13.370098114013672],["▁résult",-13.37014389038086],["▁shrine",-13.370217323303223],["maximizing",-13.370370864868164],["avoue",-13.370492935180664],["dirigeants",-13.370665550231934],["▁cerveau",-13.370672225952148],["▁proast",-13.370955467224121],["▁contaminants",-13.371325492858887],["effectue",-13.37151050567627],["ediție",-13.371539115905762],["monetiz",-13.371772766113281],["▁deplasare",-13.371976852416992],["▁Sfant",-13.37209415435791],["ROOM",-13.372113227844238],["bushes",-13.372151374816895],["mairie",-13.37251091003418],["obligate",-13.372528076171875],["▁tug",-13.372573852539062],["▁Collector",-13.372632026672363],["▁annoyed",-13.372633934020996],["▁aerobic",-13.372654914855957],["▁integer",-13.372830390930176],["▁Upload",-13.373249053955078],["▁impartial",-13.37346076965332],["▁discuţi",-13.373623847961426],["gastrointestinal",-13.37394905090332],["▁chiropractor",-13.37394905090332],["▁treptat",-13.373950004577637],["▁fishermen",-13.37395191192627],["levitra",-13.3739595413208],["Gruppe",-13.373964309692383],["▁Apostle",-13.373970985412598],["▁conseillé",-13.374068260192871],["Isra",-13.37421703338623],["▁Persönlichkeit",-13.374431610107422],["▁cantitati",-13.374459266662598],["▁incredibil",-13.374614715576172],["▁Berater",-13.374800682067871],["▁propuneri",-13.374835014343262],["MEDIA",-13.375236511230469],["▁opaque",-13.37526798248291],["▁Nielsen",-13.375269889831543],["▁cartofi",-13.375277519226074],["▁Whale",-13.37533950805664],["erzeugen",-13.375890731811523],["▁knack",-13.375931739807129],["Kandidat",-13.375936508178711],["▁tradițional",-13.375937461853027],["zählige",-13.375983238220215],["▁Petroleum",-13.376588821411133],["▁deficiencies",-13.376588821411133],["▁persecution",-13.376588821411133],["▁zgomot",-13.376588821411133],["▁reiterate",-13.376592636108398],["▁Slice",-13.376670837402344],["▁envy",-13.376704216003418],["▁stomac",-13.376851081848145],["Donnell",-13.376914978027344],["▁primordial",-13.377249717712402],["reclining",-13.377274513244629],["PASS",-13.377861976623535],["▁Resistance",-13.377910614013672],["▁Widerruf",-13.377911567687988],["▁vodka",-13.377911567687988],["▁yolk",-13.377912521362305],["ollywood",-13.377915382385254],["▁truffle",-13.377933502197266],["▁Sänger",-13.377955436706543],["▁Kenntnis",-13.377968788146973],["▁Kiel",-13.37803840637207],["▁Mutual",-13.378044128417969],["▁saliva",-13.37816047668457],["▁renforce",-13.378411293029785],["▁mulch",-13.378680229187012],["▁reviste",-13.378875732421875],["lucrarea",-13.378978729248047],["▁multiply",-13.379130363464355],["▁marshmallow",-13.379234313964844],["▁Durchschnitt",-13.379288673400879],["▁Authorities",-13.379426002502441],["▁greed",-13.379521369934082],["Visiting",-13.379638671875],["Carlton",-13.379727363586426],["▁splend",-13.37975025177002],["▁Erkenntnisse",-13.379898071289062],["▁Russie",-13.379916191101074],["Agence",-13.38007926940918],["schickt",-13.380288124084473],["##",-13.3804931640625],["▁Erweiterung",-13.380560874938965],["▁Franchise",-13.380560874938965],["Dedicated",-13.380563735961914],["▁Wisdom",-13.380569458007812],["▁gagnant",-13.380592346191406],["planetary",-13.380598068237305],["▁affinity",-13.380619049072266],["▁préférence",-13.380739212036133],["▁intellect",-13.380810737609863],["▁Translat",-13.380830764770508],["▁Sultan",-13.38089370727539],["▁birouri",-13.38101577758789],["▁Academie",-13.381224632263184],["▁consequential",-13.38138484954834],["▁festgestellt",-13.381402015686035],["▁Chanel",-13.381444931030273],["▁soutenu",-13.381875038146973],["▁Montessori",-13.381888389587402],["▁equitable",-13.381892204284668],["▁théorie",-13.381893157958984],["▁primavara",-13.3818941116333],["▁Daughter",-13.38189697265625],["▁Dixon",-13.381898880004883],["▁unravel",-13.38190746307373],["Olimp",-13.381915092468262],["▁disturbed",-13.381916999816895],["▁novelty",-13.382004737854004],["synchronous",-13.382113456726074],["relevant",-13.382166862487793],["bourgeois",-13.38251781463623],["▁Parfum",-13.38255500793457],["▁Polonia",-13.382563591003418],["▁monoton",-13.382781028747559],["tratare",-13.38302230834961],["dumping",-13.38318157196045],["▁Bibliothek",-13.383217811584473],["▁Saskatchewan",-13.383217811584473],["▁experiential",-13.383217811584473],["▁verursacht",-13.383217811584473],["intègre",-13.383218765258789],["▁Intermediate",-13.383275032043457],["Israel",-13.383476257324219],["lucreaza",-13.383495330810547],["▁quantify",-13.383862495422363],["▁zahăr",-13.383882522583008],["▁încadr",-13.383902549743652],["Personalized",-13.383946418762207],["▁Chronic",-13.384309768676758],["hôpital",-13.384549140930176],["▁diskutiert",-13.384549140930176],["electrique",-13.3848876953125],["ethos",-13.384978294372559],["Nase",-13.385059356689453],["atmosphère",-13.385214805603027],["▁ungefähr",-13.385215759277344],["évaluer",-13.385251998901367],["▁scuz",-13.385321617126465],["haltige",-13.38533878326416],["January",-13.38557243347168],["▁Sharma",-13.385603904724121],["▁seizures",-13.385881423950195],["▁zucchini",-13.385881423950195],["▁Stadi",-13.385885238647461],["▁eccentric",-13.385885238647461],["▁offensichtlich",-13.385909080505371],["▁Irvine",-13.385920524597168],["cuprinse",-13.38601303100586],["▁Arbitr",-13.386157035827637],["Buenos",-13.386183738708496],["▁Shelter",-13.386210441589355],["CEPT",-13.386454582214355],["ouvri",-13.386455535888672],["acryl",-13.386539459228516],["▁Gourmet",-13.38654899597168],["scented",-13.386595726013184],["doubling",-13.38659954071045],["▁rafina",-13.386608123779297],["▁Vereinbarung",-13.38721752166748],["▁Dashboard",-13.387218475341797],["▁Sandwich",-13.387218475341797],["▁Riviera",-13.387226104736328],["échec",-13.387237548828125],["Giro",-13.387253761291504],["▁oasis",-13.38725757598877],["▁apology",-13.3872709274292],["▁YEAR",-13.387272834777832],["▁realtor",-13.387504577636719],["acheteur",-13.38754653930664],["▁larva",-13.387613296508789],["▁invitați",-13.388097763061523],["exhibiting",-13.38830852508545],["modernen",-13.388331413269043],["▁Collaboration",-13.38855266571045],["▁dezvălui",-13.38855266571045],["▁kiosk",-13.38855266571045],["▁Bermuda",-13.388553619384766],["Copiii",-13.388564109802246],["▁goddess",-13.388581275939941],["uplifting",-13.388609886169434],["▁simultan",-13.388808250427246],["▁episod",-13.388884544372559],["▁Braşov",-13.38922119140625],["cunoscută",-13.389634132385254],["▁Cherokee",-13.389890670776367],["▁Kazakhstan",-13.389890670776367],["▁Lauderdale",-13.389890670776367],["▁închisoare",-13.389898300170898],["▁Christchurch",-13.389934539794922],["▁influenţ",-13.389982223510742],["▁Meghan",-13.390019416809082],["▁Dienstleistung",-13.390557289123535],["▁cladiri",-13.390564918518066],["▁evrei",-13.391148567199707],["▁oatmeal",-13.391230583190918],["▁chronique",-13.3912353515625],["▁associée",-13.391264915466309],["▁Goose",-13.391283988952637],["gänz",-13.391855239868164],["▁Blätter",-13.391901969909668],["▁jurnalist",-13.392212867736816],["cedat",-13.392263412475586],["nommée",-13.392315864562988],["écrivain",-13.392572402954102],["▁epoxy",-13.392577171325684],["▁verlangt",-13.392590522766113],["Störung",-13.392708778381348],["▁Doyle",-13.392729759216309],["▁Philharmoni",-13.392844200134277],["▁déclare",-13.393044471740723],["effort",-13.393045425415039],["ström",-13.393118858337402],["▁cunoaşte",-13.393244743347168],["▁gigantic",-13.3932466506958],["któ",-13.393378257751465],["▁ilustr",-13.393529891967773],["▁frec",-13.39371109008789],["▁Syracuse",-13.393916130065918],["▁Einwilligung",-13.393917083740234],["▁miraculous",-13.393917083740234],["▁ökologisch",-13.393917083740234],["▁Simmons",-13.393922805786133],["▁albastru",-13.393926620483398],["besser",-13.393962860107422],["▁interioare",-13.394006729125977],["▁Trocken",-13.394068717956543],["niveau",-13.39406967163086],["▁Torah",-13.394122123718262],["▁beobachten",-13.3945894241333],["▁behandeln",-13.394637107849121],["staffed",-13.394742965698242],["hütte",-13.394824028015137],["Central",-13.394939422607422],["▁Freiburg",-13.395198822021484],["▁Netanyahu",-13.395261764526367],["▁Lexington",-13.395302772521973],["▁insotit",-13.395492553710938],["▁depasi",-13.39560604095459],["sewage",-13.395853996276855],["erkrankung",-13.395951271057129],["▁părţi",-13.396234512329102],["▁Nixon",-13.39661693572998],["Byron",-13.396905899047852],["▁varietat",-13.39724063873291],["▁Bildschirm",-13.397299766540527],["▁accompli",-13.397424697875977],["affirmed",-13.397525787353516],["▁phyto",-13.397533416748047],["sectiune",-13.397592544555664],["abteilung",-13.397932052612305],["▁voastre",-13.397957801818848],["GitHub",-13.397958755493164],["▁Jorge",-13.39796257019043],["ACTION",-13.397972106933594],["voastra",-13.397984504699707],["▁Peanut",-13.397987365722656],["▁bilingual",-13.398011207580566],["▁nourriture",-13.39803695678711],["▁Asphalt",-13.398640632629395],["emballage",-13.399310111999512],["▁sanitation",-13.399310111999512],["▁Dessert",-13.399313926696777],["intitulé",-13.399322509765625],["▁acţiune",-13.399374008178711],["▁Übersetzung",-13.399402618408203],["destinate",-13.39941692352295],["▁Goddess",-13.399504661560059],["poziție",-13.399576187133789],["denumirea",-13.400002479553223],["cantitatea",-13.40002727508545],["▁Stereo",-13.400223731994629],["object",-13.400373458862305],["▁décè",-13.40058708190918],["▁Handeln",-13.400665283203125],["▁ambience",-13.400697708129883],["▁Lindsay",-13.4006986618042],["▁tensiune",-13.400781631469727],["▁thrift",-13.400788307189941],["▁Optimiz",-13.400843620300293],["▁beantworten",-13.401338577270508],["▁magistrat",-13.401342391967773],["évidence",-13.402016639709473],["▁Eclipse",-13.402016639709473],["▁Ribbon",-13.402016639709473],["▁condensation",-13.402016639709473],["▁innocence",-13.402018547058105],["▁mascara",-13.402023315429688],["▁seventeen",-13.402290344238281],["▁compétent",-13.402694702148438],["bewertet",-13.402717590332031],["▁Muzic",-13.40285587310791],["complexities",-13.402928352355957],["ddington",-13.403324127197266],["Entwickler",-13.403372764587402],["masonry",-13.4033784866333],["Führer",-13.403386116027832],["▁awakening",-13.403388977050781],["▁lovitur",-13.403806686401367],["gebrochen",-13.404068946838379],["indexed",-13.404478073120117],["campania",-13.404515266418457],["▁Fountain",-13.404730796813965],["▁Joomla",-13.404730796813965],["▁Superintendent",-13.404730796813965],["▁Dahl",-13.404742240905762],["▁Benefici",-13.404863357543945],["optimiser",-13.404919624328613],["bursting",-13.405380249023438],["diplom",-13.405427932739258],["microsoft",-13.405621528625488],["▁correlate",-13.405776977539062],["▁arhitectura",-13.405848503112793],["▁lunette",-13.40611743927002],["Statistical",-13.406147003173828],["▁iarnă",-13.406201362609863],["▁importanț",-13.406932830810547],["sistence",-13.407366752624512],["associated",-13.407402992248535],["Occident",-13.407452583312988],["▁Heidelberg",-13.407452583312988],["▁acquaintance",-13.407452583312988],["Introducing",-13.407453536987305],["▁ripple",-13.407480239868164],["▁Childhood",-13.407563209533691],["drywall",-13.407577514648438],["Vreau",-13.40771770477295],["▁compétence",-13.407967567443848],["▁asteapta",-13.408135414123535],["▁duhovnic",-13.408135414123535],["▁învăţământ",-13.408141136169434],["encompassing",-13.40829849243164],["1997)",-13.408370018005371],["▁atractiv",-13.408515930175781],["Majoritatea",-13.408775329589844],["▁bungalow",-13.40881633758545],["▁Introduce",-13.408817291259766],["▁culprit",-13.408817291259766],["▁malheureusement",-13.408817291259766],["▁voudrai",-13.408817291259766],["Europäische",-13.408825874328613],["wunsch",-13.408880233764648],["▁înțeles",-13.408892631530762],["▁infestation",-13.40889835357666],["Bringing",-13.409186363220215],["▁Mehrheit",-13.409229278564453],["ски",-13.409456253051758],["▁procéder",-13.409499168395996],["grupului",-13.409504890441895],["▁dispoziti",-13.40964412689209],["▁snug",-13.409950256347656],["▁Afrika",-13.41018295288086],["▁Madagascar",-13.41018295288086],["Părinte",-13.410195350646973],["▁Clayton",-13.410223960876465],["▁antagonist",-13.410239219665527],["termeni",-13.410250663757324],["▁Literary",-13.410391807556152],["▁Babylon",-13.410452842712402],["▁überprüfen",-13.410865783691406],["▁duminica",-13.410879135131836],["farbig",-13.410970687866211],["nennt",-13.411064147949219],["annual",-13.411487579345703],["▁Qualcomm",-13.41154956817627],["▁Slovakia",-13.41154956817627],["▁plictis",-13.411552429199219],["▁prairie",-13.411554336547852],["▁Schatten",-13.411622047424316],["▁compléter",-13.41223430633545],["inauguration",-13.412376403808594],["▁apărare",-13.412407875061035],["▁întăr",-13.412412643432617],["▁pronunciation",-13.412919044494629],["▁bewährt",-13.412919998168945],["▁Viertel",-13.413084983825684],["▁Heidi",-13.413252830505371],["▁Gummi",-13.413507461547852],["▁veggie",-13.413552284240723],["▁monsieur",-13.413604736328125],["éveil",-13.413630485534668],["shipments",-13.413928985595703],["▁Medikamente",-13.414290428161621],["▁Johannesburg",-13.414314270019531],["▁ermittelt",-13.414321899414062],["▁bataille",-13.414440155029297],["extrem",-13.414609909057617],["▁1:2",-13.414671897888184],["Array",-13.414725303649902],["▁portail",-13.414857864379883],["▁găzdui",-13.414977073669434],["▁Calcium",-13.41497802734375],["▁Correction",-13.415104866027832],["bureaux",-13.41528034210205],["bestselling",-13.415338516235352],["Übungen",-13.415420532226562],["paramètres",-13.415633201599121],["▁Provincial",-13.415663719177246],["▁outrageous",-13.415680885314941],["▁Giveaway",-13.415775299072266],["▁LGBTQ",-13.41589641571045],["geklärt",-13.416854858398438],["▁Karlsruhe",-13.417038917541504],["▁esențial",-13.417038917541504],["avancée",-13.41703987121582],["hesitant",-13.417040824890137],["enlarged",-13.417069435119629],["▁inherit",-13.417121887207031],["Food",-13.4171724319458],["bucuria",-13.417181015014648],["▁BTW",-13.417400360107422],["associe",-13.417579650878906],["▁Möchte",-13.417742729187012],["demokrat",-13.417789459228516],["Turcia",-13.417964935302734],["forged",-13.418370246887207],["▁Zhao",-13.418442726135254],["▁cherries",-13.418556213378906],["▁evangelical",-13.418631553649902],["▁jüng",-13.418792724609375],["spans",-13.41880989074707],["▁străluc",-13.41888427734375],["▁geschie",-13.41893196105957],["▁Tattoo",-13.419112205505371],["sanitary",-13.419114112854004],["▁biopsy",-13.419353485107422],["▁imprumut",-13.419795036315918],["▁unreasonable",-13.419795036315918],["Funktion",-13.419800758361816],["▁prohibition",-13.419904708862305],["▁Prezent",-13.419939041137695],["boosted",-13.419967651367188],["▁chalet",-13.420382499694824],["▁tanar",-13.420450210571289],["Faktoren",-13.420489311218262],["▁Mozilla",-13.420550346374512],["▁Lambert",-13.420760154724121],["▁Cruci",-13.420927047729492],["▁Flugzeug",-13.421198844909668],["reassure",-13.421205520629883],["envisioned",-13.421542167663574],["Traditionally",-13.421773910522461],["▁parametri",-13.42185115814209],["▁unicorn",-13.421891212463379],["▁adéquat",-13.421894073486328],["▁Colonial",-13.421915054321289],["▁Kwa",-13.422097206115723],["▁SERV",-13.422333717346191],["tourism",-13.422627449035645],["▁Kiev",-13.422974586486816],["heightened",-13.42309284210205],["circulating",-13.423099517822266],["▁Kreditkarte",-13.42310619354248],["gedruckt",-13.423110008239746],["▁Depend",-13.423120498657227],["Style",-13.423196792602539],["▁Rettungs",-13.42325496673584],["wrongful",-13.423418998718262],["▁devour",-13.423453330993652],["▁manevr",-13.423582077026367],["carora",-13.423628807067871],["erfolgreichen",-13.423723220825195],["überwiegend",-13.423942565917969],["▁Sauvignon",-13.423942565917969],["händler",-13.423944473266602],["▁annotation",-13.424009323120117],["▁expans",-13.424020767211914],["▁recital",-13.424080848693848],["inhabited",-13.424367904663086],["OnePlus",-13.424549102783203],["Gästen",-13.424588203430176],["beliebig",-13.424613952636719],["▁Anonymous",-13.424635887145996],["▁Ansprechpartner",-13.424635887145996],["▁tamb",-13.42464542388916],["estimating",-13.424670219421387],["frequent",-13.424769401550293],["▁disciplin",-13.425241470336914],["▁plombier",-13.425329208374023],["▁teoretic",-13.42533016204834],["greift",-13.425339698791504],["▁Einschränkung",-13.42537784576416],["obscur",-13.426115989685059],["architecte",-13.426233291625977],["▁détour",-13.42647647857666],["▁spaghetti",-13.426717758178711],["croft",-13.42693042755127],["▁Grammar",-13.426953315734863],["▁investitii",-13.427062034606934],["▁glorif",-13.427067756652832],["architekt",-13.427412033081055],["Oricum",-13.427451133728027],["▁bruise",-13.427692413330078],["▁McCarthy",-13.428107261657715],["▁Uruguay",-13.428107261657715],["Produsele",-13.428109169006348],["▁Comparison",-13.42811107635498],["▁fondamental",-13.42811107635498],["▁stradă",-13.428115844726562],["▁Countries",-13.428131103515625],["▁guéri",-13.42825698852539],["▁bâti",-13.428339004516602],["▁blunt",-13.428515434265137],["▁Sistem",-13.428645133972168],["▁Betroffenen",-13.428803443908691],["efectuare",-13.428823471069336],["▁scharf",-13.428899765014648],["naps",-13.429057121276855],["▁plaid",-13.429163932800293],["▁investiții",-13.429367065429688],["evenimentele",-13.42948055267334],["▁Phuket",-13.429499626159668],["▁testosterone",-13.429499626159668],["▁scaffold",-13.429500579833984],["▁rasch",-13.430022239685059],["▁adânc",-13.430076599121094],["atteinte",-13.430228233337402],["▁educație",-13.430320739746094],["▁leopard",-13.430893898010254],["▁superioare",-13.430893898010254],["▁téléchargement",-13.430893898010254],["▁Weapon",-13.431103706359863],["favourable",-13.431336402893066],["nourishing",-13.43143367767334],["▁verfolgt",-13.43160629272461],["▁tablou",-13.431633949279785],["Algérie",-13.431657791137695],["Islam",-13.431700706481934],["faser",-13.431825637817383],["rhythm",-13.432214736938477],["▁Anthropolog",-13.432291030883789],["▁clôtur",-13.432291030883789],["spüren",-13.432291984558105],["▁Architectural",-13.432294845581055],["▁imaginary",-13.432368278503418],["cône",-13.432456016540527],["▁snuggl",-13.432744026184082],["disadvantaged",-13.432745933532715],["radically",-13.4329195022583],["Première",-13.433011054992676],["▁combinaison",-13.433027267456055],["▁Algeria",-13.43303108215332],["▁Wände",-13.43317985534668],["aesthetically",-13.43336009979248],["▁McKe",-13.433368682861328],["interroge",-13.433473587036133],["exclusive",-13.433475494384766],["▁Thomson",-13.433688163757324],["▁Gujarat",-13.43368911743164],["irgendwo",-13.433690071105957],["Severin",-13.433767318725586],["▁imitation",-13.433926582336426],["constructed",-13.434194564819336],["▁Montpellier",-13.434388160705566],["cedent",-13.434539794921875],["accelerating",-13.434563636779785],["dommages",-13.4346284866333],["lideri",-13.434730529785156],["▁Millennium",-13.435089111328125],["▁imprisonment",-13.435089111328125],["machining",-13.435111999511719],["▁anxiet",-13.43521499633789],["Contains",-13.435298919677734],["pleade",-13.435563087463379],["DOWN",-13.43564510345459],["geschehen",-13.435797691345215],["restaurant",-13.435811996459961],["Totusi",-13.435839653015137],["amintesc",-13.436158180236816],["▁Crisp",-13.436233520507812],["aduse",-13.436278343200684],["▁imposé",-13.436351776123047],["Jubiläum",-13.436490058898926],["▁Plaintiff",-13.436491012573242],["▁authoritative",-13.436491966247559],["▁rendition",-13.436633110046387],["Royce",-13.436707496643066],["1996)",-13.436724662780762],["Asociația",-13.437192916870117],["▁Gluten",-13.437264442443848],["feature",-13.43741226196289],["Behavioral",-13.437454223632812],["tearing",-13.437763214111328],["▁Entfernung",-13.437894821166992],["▁Responsibility",-13.437894821166992],["▁negligent",-13.437894821166992],["▁syllabus",-13.437894821166992],["▁Cycling",-13.437895774841309],["generell",-13.438114166259766],["customised",-13.438392639160156],["Management",-13.43850326538086],["▁timid",-13.438518524169922],["Tagged",-13.438730239868164],["▁susţinut",-13.438809394836426],["anchored",-13.43892765045166],["alternating",-13.439055442810059],["▁obligatoriu",-13.439300537109375],["▁reinstate",-13.439456939697266],["Können",-13.43946361541748],["▁Paol",-13.439596176147461],["öhr",-13.439603805541992],["▁Asociati",-13.439876556396484],["▁commenc",-13.440285682678223],["reinigt",-13.440293312072754],["commended",-13.440350532531738],["▁Proceed",-13.440675735473633],["beutel",-13.440702438354492],["▁Experimental",-13.44070816040039],["▁constellation",-13.44070816040039],["▁gepflegt",-13.44070816040039],["▁Ergänzung",-13.440709114074707],["Judith",-13.440713882446289],["▁Quartet",-13.440720558166504],["complemented",-13.440742492675781],["ausbildung",-13.440750122070312],["▁uncertainties",-13.44077205657959],["▁humiliat",-13.440914154052734],["luta",-13.441121101379395],["▁complexion",-13.441482543945312],["Serviciul",-13.441612243652344],["▁Toast",-13.441722869873047],["ummies",-13.442425727844238],["▁irit",-13.442463874816895],["producing",-13.442585945129395],["amenajare",-13.442825317382812],["▁béton",-13.442828178405762],["▁serpent",-13.442851066589355],["▁vizită",-13.442996978759766],["▁Beamte",-13.443017959594727],["▁Füße",-13.443166732788086],["▁Norwich",-13.443531036376953],["▁acronym",-13.443531036376953],["▁eradicate",-13.443531036376953],["▁solidarité",-13.44353199005127],["▁eggplant",-13.443582534790039],["▁sailors",-13.443619728088379],["waschen",-13.444538116455078],["Editura",-13.444757461547852],["▁erwerben",-13.444944381713867],["▁unconventional",-13.444944381713867],["▁boulder",-13.444948196411133],["Diplom",-13.445013046264648],["influx",-13.446162223815918],["▁Twelve",-13.446361541748047],["▁Sexual",-13.44636344909668],["numite",-13.446369171142578],["▁kontaktieren",-13.446370124816895],["▁strâns",-13.44637680053711],["▁précisément",-13.446382522583008],["empfindlich",-13.446405410766602],["▁divulg",-13.446490287780762],["▁delicat",-13.446539878845215],["compete",-13.446542739868164],["▁implique",-13.446616172790527],["implantation",-13.44672966003418],["frères",-13.447328567504883],["shedding",-13.44758415222168],["découvrez",-13.447657585144043],["rith",-13.447735786437988],["▁réglementation",-13.447778701782227],["▁transistor",-13.447785377502441],["inflated",-13.447792053222656],["▁Bluff",-13.447887420654297],["▁Aquarium",-13.448526382446289],["▁mananc",-13.448638916015625],["▁disinfect",-13.448700904846191],["tuft",-13.448740005493164],["Public",-13.449081420898438],["conceivabl",-13.449197769165039],["▁Cadillac",-13.449197769165039],["Assassin",-13.449199676513672],["issuance",-13.449252128601074],["▁Achtung",-13.449287414550781],["▁grundlegend",-13.449909210205078],["▁Băsescu",-13.449910163879395],["schaden",-13.45014476776123],["coached",-13.450409889221191],["▁betreffend",-13.45046329498291],["ergebnis",-13.450541496276855],["▁Lieutenant",-13.4506196975708],["WORLD",-13.450620651245117],["▁Moroccan",-13.450620651245117],["▁Butterfly",-13.450621604919434],["would",-13.450737953186035],["▁Metropol",-13.451025009155273],["lexic",-13.451192855834961],["comunitatea",-13.45124340057373],["vapeur",-13.451456069946289],["4.000",-13.451559066772461],["Pentru",-13.451581954956055],["üblichen",-13.451613426208496],["▁Général",-13.451770782470703],["▁Versailles",-13.452046394348145],["▁engraving",-13.452046394348145],["▁pédagogique",-13.452192306518555],["▁Policies",-13.452759742736816],["descending",-13.453235626220703],["stärkt",-13.453349113464355],["▁démocratie",-13.453470230102539],["▁granddaughter",-13.453470230102539],["▁buffalo",-13.453474998474121],["Datorita",-13.45347785949707],["hydroxy",-13.453537940979004],["▁ganduri",-13.453566551208496],["▁hijack",-13.453624725341797],["zahn",-13.453699111938477],["poziția",-13.45406436920166],["▁Zähne",-13.454184532165527],["▁grossesse",-13.454296112060547],["embassy",-13.4548978805542],["▁cérémonie",-13.4548978805542],["Rhône",-13.454898834228516],["▁Cabernet",-13.454898834228516],["▁Namibia",-13.454902648925781],["▁pedestal",-13.454902648925781],["▁Fighting",-13.45490550994873],["▁Threat",-13.454962730407715],["▁ideological",-13.455047607421875],["▁restitu",-13.455183029174805],["gelangt",-13.455510139465332],["Mitgliedern",-13.455537796020508],["acquérir",-13.455613136291504],["▁inferioar",-13.45561695098877],["Thierry",-13.455619812011719],["▁Entspannung",-13.455638885498047],["frequency",-13.45566177368164],["▁Fluid",-13.455686569213867],["▁betreut",-13.455901145935059],["Biological",-13.455965995788574],["▁Constanţa",-13.456328392028809],["▁beschäftigen",-13.456328392028809],["▁undesirable",-13.456328392028809],["▁protégé",-13.456365585327148],["▁nautical",-13.456474304199219],["▁sniff",-13.456507682800293],["Decizi",-13.456510543823242],["▁căldur",-13.45706558227539],["▁ideologi",-13.457335472106934],["Fraktion",-13.457545280456543],["collegiate",-13.45776081085205],["▁sănătos",-13.45776081085205],["▁Observatory",-13.45776653289795],["▁saturation",-13.457769393920898],["organizate",-13.457771301269531],["mergem",-13.458321571350098],["Publish",-13.458451271057129],["▁rattle",-13.458460807800293],["▁întâlniri",-13.458663940429688],["emporte",-13.458741188049316],["▁înscris",-13.459046363830566],["▁Patterson",-13.459195137023926],["▁ehrenamtlich",-13.459195137023926],["linux",-13.459213256835938],["conduire",-13.45921802520752],["▁absolven",-13.459223747253418],["▁einzigartig",-13.459598541259766],["▁_____",-13.459803581237793],["▁Beschäftigung",-13.459912300109863],["▁erfasst",-13.459927558898926],["▁Datum",-13.459992408752441],["raportul",-13.460284233093262],["ennemi",-13.460460662841797],["default",-13.460643768310547],["icillin",-13.46066951751709],["▁diamant",-13.460671424865723],["amerika",-13.460684776306152],["▁pescuit",-13.46070384979248],["▁grappl",-13.460797309875488],["▁Homeland",-13.46082592010498],["▁tromb",-13.46112060546875],["▁reduzieren",-13.461349487304688],["▁Statut",-13.461593627929688],["booming",-13.461670875549316],["fenced",-13.461723327636719],["measure",-13.461888313293457],["témoin",-13.462069511413574],["▁Inventory",-13.462069511413574],["▁circonstance",-13.462069511413574],["▁téléphonique",-13.462069511413574],["▁împiedic",-13.46207046508789],["▁Settlement",-13.462072372436523],["kannte",-13.462076187133789],["▁substantive",-13.462385177612305],["miterea",-13.462642669677734],["▁noştri",-13.462790489196777],["▁plăcere",-13.462791442871094],["▁eticheta",-13.462823867797852],["quickest",-13.462993621826172],["▁pasageri",-13.463089942932129],["▁Publi",-13.463495254516602],["▁Suzanne",-13.463509559631348],["▁bucătări",-13.463509559631348],["Regulatory",-13.463510513305664],["▁Mandarin",-13.463647842407227],["surgical",-13.463947296142578],["▁Smash",-13.463950157165527],["▁mândr",-13.46403694152832],["▁Unterkunft",-13.464315414428711],["moos",-13.464374542236328],["Camere",-13.464510917663574],["/03/",-13.464651107788086],["▁ethno",-13.464677810668945],["▁Eröffnung",-13.46495246887207],["▁Snyder",-13.46495246887207],["▁Wilmington",-13.46495246887207],["▁Canberra",-13.464953422546387],["▁Tahoe",-13.464953422546387],["▁slippery",-13.464953422546387],["▁Snake",-13.464957237243652],["▁turmeric",-13.464963912963867],["▁Cartoon",-13.46499252319336],["▁scrisoare",-13.46500015258789],["▁reprend",-13.465425491333008],["▁Konkurrenz",-13.46567440032959],["▁raisins",-13.465693473815918],["▁Werkstatt",-13.465713500976562],["▁agresiv",-13.465795516967773],["hugs",-13.46615219116211],["cazurile",-13.46618938446045],["spirited",-13.466232299804688],["▁britisch",-13.466307640075684],["spritz",-13.466367721557617],["auxiliary",-13.46639633178711],["interprétation",-13.46639633178711],["▁verbindet",-13.46639633178711],["▁fuzzy",-13.466429710388184],["▁turmoil",-13.466432571411133],["▁redefine",-13.466819763183594],["▁Kiwi",-13.466890335083008],["oiseaux",-13.46712875366211],["▁pamper",-13.467146873474121],["▁desfaso",-13.46719741821289],["▁pragu",-13.467576026916504],["prevenirea",-13.467730522155762],["▁convergence",-13.467846870422363],["tufted",-13.467878341674805],["brewed",-13.467981338500977],["villagers",-13.468003273010254],["▁Irving",-13.468170166015625],["nigsten",-13.468660354614258],["▁embod",-13.468742370605469],["Alicia",-13.468938827514648],["probably",-13.469009399414062],["divider",-13.46904468536377],["Attempt",-13.469223022460938],["▁Cognitive",-13.469292640686035],["▁Recognition",-13.469292640686035],["▁concierge",-13.469292640686035],["▁Semester",-13.4692964553833],["Economie",-13.469417572021484],["sortiment",-13.469460487365723],["shortest",-13.46961498260498],["üchtig",-13.469650268554688],["▁conveyanc",-13.469978332519531],["▁Ferdinand",-13.470017433166504],["▁permanence",-13.470019340515137],["▁incadr",-13.470145225524902],["▁estrogen",-13.470290184020996],["February",-13.470661163330078],["gedeckt",-13.470704078674316],["▁reagieren",-13.470743179321289],["▁meditate",-13.470980644226074],["simulated",-13.471010208129883],["▁supprimer",-13.471468925476074],["▁bumbac",-13.47146987915039],["▁vânzări",-13.471477508544922],["▁Kapitel",-13.471478462219238],["▁Weltkrieg",-13.471513748168945],["déposer",-13.471674919128418],["Asus",-13.4718017578125],["▁Communicat",-13.471851348876953],["Finished",-13.47188949584961],["▁Telegraph",-13.472054481506348],["▁Competitive",-13.472196578979492],["▁collectivités",-13.472197532653809],["▁protège",-13.472199440002441],["▁scallop",-13.472219467163086],["Happy",-13.472335815429688],["tehnică",-13.472352981567383],["▁Gestalt",-13.47270393371582],["▁benign",-13.47295093536377],["kraut",-13.473149299621582],["louer",-13.473221778869629],["▁Printr",-13.47326946258545],["mputation",-13.473346710205078],["▁dicke",-13.473429679870605],["▁Halifax",-13.473650932312012],["▁bounty",-13.473650932312012],["▁cauliflower",-13.473650932312012],["▁Survival",-13.473654747009277],["▁Chandler",-13.473684310913086],["▁bemüh",-13.473760604858398],["phro",-13.473855972290039],["Friday",-13.474018096923828],["particularly",-13.474032402038574],["arteries",-13.474197387695312],["Lösung",-13.474771499633789],["▁causal",-13.474817276000977],["▁recueilli",-13.475075721740723],["Stylish",-13.47510814666748],["schränke",-13.47510814666748],["▁francophone",-13.47510814666748],["▁limousine",-13.47510814666748],["▁statistiques",-13.47510814666748],["▁Kleider",-13.475111961364746],["▁dunkel",-13.475127220153809],["tätigkeit",-13.475190162658691],["▁punished",-13.475257873535156],["▁implică",-13.475539207458496],["▁inițial",-13.475568771362305],["▁Eminescu",-13.475837707519531],["▁expliqué",-13.475837707519531],["▁Eduard",-13.475839614868164],["▁psychologique",-13.475870132446289],["▁protejeaz",-13.476580619812012],["spül",-13.476709365844727],["▁Virtu",-13.477021217346191],["▁régulière",-13.477044105529785],["▁Outreach",-13.477130889892578],["▁Apprentice",-13.47729778289795],["▁compréhension",-13.47729778289795],["▁zwölf",-13.47729778289795],["Surgical",-13.477315902709961],["latéral",-13.477417945861816],["▁Ceremony",-13.47803020477295],["▁Shampoo",-13.47803783416748],["Global",-13.478239059448242],["▁paradis",-13.478302955627441],["Developed",-13.478493690490723],["▁figurine",-13.478549003601074],["sujets",-13.478574752807617],["▁Naomi",-13.478772163391113],["financed",-13.478838920593262],["forestry",-13.478896141052246],["▁Anregung",-13.479494094848633],["▁spectateur",-13.479804039001465],["▁exercitii",-13.479815483093262],["▁russisch",-13.479888916015625],["gefunden",-13.479988098144531],["schleunig",-13.480225563049316],["▁géographique",-13.480225563049316],["▁Delphi",-13.480317115783691],["Freddie",-13.4806489944458],["▁muzici",-13.480958938598633],["▁Edmund",-13.48095989227295],["finanzielle",-13.481032371520996],["(2003)",-13.481319427490234],["accentuate",-13.481437683105469],["overlapping",-13.48151969909668],["▁Pluto",-13.481595993041992],["românii",-13.481683731079102],["▁Timişoara",-13.48169231414795],["▁poivr",-13.481754302978516],["▁repris",-13.481852531433105],["▁Geschlecht",-13.482426643371582],["▁thieves",-13.482426643371582],["▁Transformer",-13.482431411743164],["▁shortcomings",-13.482438087463379],["▁aptitude",-13.48244571685791],["pitfalls",-13.482468605041504],["▁manicure",-13.482577323913574],["mystical",-13.482723236083984],["▁abolish",-13.482833862304688],["▁Zielgruppe",-13.482873916625977],["▁naţionale",-13.483160972595215],["▁trandafir",-13.483160972595215],["▁matematic",-13.483193397521973],["▁Hirsch",-13.483257293701172],["Fahr",-13.483458518981934],["connaissent",-13.483476638793945],["browned",-13.483846664428711],["▁bearbeitet",-13.483881950378418],["▁usturoi",-13.483896255493164],["▁Surprise",-13.48389720916748],["▁Tehran",-13.483899116516113],["▁BLACK",-13.483901023864746],["▁abonament",-13.483904838562012],["▁mêl",-13.483972549438477],["Angebot",-13.484091758728027],["ajungi",-13.48410415649414],["▁Woodland",-13.48420524597168],["▁gradini",-13.484305381774902],["▁Marilyn",-13.48464584350586],["kilometer",-13.484880447387695],["tempered",-13.485230445861816],["▁intimacy",-13.485371589660645],["▁thunderstorm",-13.485373497009277],["▁Uttar",-13.485413551330566],["▁varnish",-13.485535621643066],["opathie",-13.485982894897461],["▁școlar",-13.48611068725586],["▁raisonnable",-13.486114501953125],["proactively",-13.486490249633789],["▁gib",-13.486536979675293],["▁hospice",-13.48684310913086],["▁constă",-13.486896514892578],["▁Crescent",-13.48690128326416],["▁ambasad",-13.486933708190918],["hotărâre",-13.486969947814941],["▁fraîche",-13.48709774017334],["▁bundesweit",-13.487581253051758],["nsbesondere",-13.487812042236328],["▁intoarce",-13.487863540649414],["▁Schokolade",-13.488319396972656],["▁adjective",-13.488319396972656],["▁incalzire",-13.488319396972656],["▁Qualification",-13.488320350646973],["▁Bolivia",-13.488324165344238],["▁cruelty",-13.488334655761719],["pläne",-13.48834228515625],["▁solitude",-13.488354682922363],["▁Bosnia",-13.488568305969238],["rohr",-13.488643646240234],["▁regrette",-13.48877239227295],["zusammengestellt",-13.48924732208252],["▁Kardashian",-13.489798545837402],["▁Picasso",-13.489798545837402],["▁unverbindlich",-13.489798545837402],["▁Headquarters",-13.489799499511719],["métrage",-13.4898099899292],["▁Magento",-13.489816665649414],["▁exhibitors",-13.489898681640625],["utty",-13.490381240844727],["▁Fünf",-13.490538597106934],["▁Peugeot",-13.490538597106934],["▁verdienen",-13.490538597106934],["▁absolviert",-13.49053955078125],["schutzerklärung",-13.490679740905762],["sistemele",-13.49089241027832],["▁concrète",-13.491279602050781],["▁rhyme",-13.491279602050781],["▁Continuous",-13.49128246307373],["versprechen",-13.491312026977539],["▁Melanie",-13.49202823638916],["▁clienţi",-13.492046356201172],["luckily",-13.492205619812012],["▁counterfeit",-13.492762565612793],["▁locomotive",-13.492889404296875],["▁reacți",-13.492908477783203],["ampered",-13.493005752563477],["atenția",-13.493011474609375],["Suppose",-13.493062973022461],["hinweis",-13.493464469909668],["verletzung",-13.493504524230957],["▁mănânc",-13.493504524230957],["▁provoac",-13.493507385253906],["▁regizor",-13.493511199951172],["kundig",-13.49352741241455],["embarqu",-13.493584632873535],["Radio",-13.493690490722656],["Ministrul",-13.493896484375],["weakened",-13.494214057922363],["▁translucent",-13.494247436523438],["George",-13.494380950927734],["▁bacterii",-13.494402885437012],["intervalul",-13.494803428649902],["▁vizualiz",-13.494832038879395],["▁Feuchtigkeit",-13.494991302490234],["▁choisissez",-13.494991302490234],["▁plausible",-13.494991302490234],["▁perpetu",-13.495122909545898],["▁bucati",-13.495194435119629],["▁Giovanni",-13.495735168457031],["▁bluetooth",-13.495736122131348],["▁translating",-13.49573802947998],["▁Kyoto",-13.495739936828613],["▁homosexual",-13.495745658874512],["treabă",-13.495820045471191],["ntrepid",-13.495983123779297],["▁fachlich",-13.496664047241211],["Vaccin",-13.496774673461914],["▁Treib",-13.497248649597168],["varsity",-13.497272491455078],["▁Tavern",-13.497278213500977],["▁ensue",-13.497330665588379],["flexibel",-13.497971534729004],["retrieved",-13.498102188110352],["traditionellen",-13.498230934143066],["▁circulati",-13.498546600341797],["▁Diagnose",-13.498717308044434],["▁Strawberry",-13.498717308044434],["Societatea",-13.49871826171875],["expertise",-13.498849868774414],["▁naturii",-13.499464988708496],["▁4:1",-13.499515533447266],["Frequently",-13.500210762023926],["disproportionate",-13.500210762023926],["▁LIMITED",-13.500210762023926],["▁ancestral",-13.500227928161621],["▁Logistik",-13.500237464904785],["▁recolt",-13.50042724609375],["▁liebevoll",-13.500436782836914],["importing",-13.500452041625977],["aparatul",-13.500458717346191],["poziţia",-13.500564575195312],["facerilor",-13.500658988952637],["Submitted",-13.50086784362793],["ografia",-13.501221656799316],["onformément",-13.50168228149414],["▁dissemination",-13.501708030700684],["afli",-13.501834869384766],["luminous",-13.502154350280762],["▁draußen",-13.502456665039062],["▁Zauber",-13.502535820007324],["▁Ibrahim",-13.503207206726074],["▁eruption",-13.503216743469238],["écrite",-13.50357723236084],["avril",-13.503898620605469],["Increasing",-13.504171371459961],["hingeg",-13.504411697387695],["fidelity",-13.504707336425781],["étonnant",-13.504707336425781],["▁créativité",-13.504707336425781],["▁Required",-13.504708290100098],["▁Edison",-13.504719734191895],["▁Stuhl",-13.504719734191895],["outhwestern",-13.506060600280762],["▁Beschwerden",-13.506210327148438],["▁angajaţi",-13.506210327148438],["▁Currency",-13.506211280822754],["▁reagiert",-13.506214141845703],["Science",-13.506229400634766],["hospital",-13.506253242492676],["professionellen",-13.50649356842041],["▁Trouve",-13.506768226623535],["▁utopi",-13.50683307647705],["gypte",-13.506928443908691],["▁Konsequenz",-13.506962776184082],["▁pacienți",-13.506962776184082],["▁orizont",-13.506988525390625],["Corey",-13.506999015808105],["▁quartet",-13.507009506225586],["▁Sherlock",-13.50710678100586],["▁gagné",-13.507237434387207],["▁Jusqu",-13.50732707977295],["▁Clickfunnel",-13.507465362548828],["Survivor",-13.507716178894043],["▁Beethoven",-13.507716178894043],["▁Exemplar",-13.507716178894043],["▁Gonzalez",-13.507716178894043],["▁Illustrator",-13.507716178894043],["▁Verpflichtung",-13.507718086242676],["Possibly",-13.507719993591309],["Maintenant",-13.507721900939941],["▁incendiu",-13.507721900939941],["▁poêl",-13.507747650146484],["▁aşez",-13.507757186889648],["phenol",-13.508248329162598],["▁magician",-13.508421897888184],["éventuellement",-13.508512496948242],["▁amortiz",-13.508736610412598],["bouchage",-13.50873851776123],["▁Accommodation",-13.509223937988281],["▁Significant",-13.509223937988281],["▁rejoice",-13.509223937988281],["▁Lorraine",-13.509224891662598],["▁Necklace",-13.509234428405762],["▁hamburger",-13.509273529052734],["Enhanced",-13.5095796585083],["▁Audrey",-13.509978294372559],["▁considère",-13.509986877441406],["hafen",-13.51050853729248],["acordare",-13.510509490966797],["▁ediți",-13.51075553894043],["▁militia",-13.510767936706543],["captivate",-13.510771751403809],["▁rebellion",-13.510777473449707],["▁veranstalte",-13.510844230651855],["▁matelas",-13.510859489440918],["originating",-13.510873794555664],["Typical",-13.51092529296875],["▁législat",-13.511360168457031],["▁Kräfte",-13.511488914489746],["▁Eigentümer",-13.511489868164062],["▁gonfl",-13.511608123779297],["dispoziție",-13.512028694152832],["▁Fabulous",-13.512246131896973],["▁Guillaume",-13.512246131896973],["▁Genuine",-13.512247085571289],["selbe",-13.512449264526367],["(2002)",-13.512616157531738],["Einen",-13.512908935546875],["▁Snapdragon",-13.513002395629883],["▁plagiarism",-13.513002395629883],["▁Rendez",-13.513019561767578],["▁înregistrare",-13.513033866882324],["probiert",-13.513081550598145],["gestiegen",-13.513153076171875],["Teatrul",-13.513370513916016],["trove",-13.513469696044922],["ntsprechend",-13.513566017150879],["Städten",-13.513691902160645],["unforeseen",-13.513760566711426],["▁Meridian",-13.513761520385742],["▁Ministries",-13.513763427734375],["plaît",-13.513769149780273],["▁Telefonnummer",-13.513772010803223],["welded",-13.513788223266602],["pondere",-13.513976097106934],["▁funcţiona",-13.514012336730957],["▁politicieni",-13.514187812805176],["fleck",-13.514240264892578],["▁Nitro",-13.514264106750488],["wettbewerb",-13.514518737792969],["▁ingrijire",-13.514518737792969],["▁Gehirn",-13.514521598815918],["sigură",-13.514904022216797],["400,000",-13.515237808227539],["▁cataract",-13.515277862548828],["outskirt",-13.515280723571777],["▁Identification",-13.515287399291992],["▁imperfections",-13.515317916870117],["▁Dokumentation",-13.515474319458008],["Engine",-13.515851974487305],["extindere",-13.516046524047852],["bijoux",-13.516797065734863],["▁dărui",-13.516802787780762],["▁Moderator",-13.516913414001465],["biblio",-13.517024040222168],["енн",-13.517024040222168],["▁Relevan",-13.51728630065918],["ansprüche",-13.517557144165039],["épaisseur",-13.517580032348633],["▁emoţi",-13.517677307128906],["exacerbate",-13.518318176269531],["▁Wimbledon",-13.518318176269531],["▁Pandora",-13.518319129943848],["perhaps",-13.518725395202637],["certify",-13.518762588500977],["Strukturen",-13.5189208984375],["▁Kreativität",-13.519079208374023],["schlägt",-13.51908016204834],["▁certifié",-13.51911735534668],["/09/",-13.519211769104004],["▁suprafaţ",-13.519493103027344],["verständnis",-13.519841194152832],["presedintele",-13.519842147827148],["▁orthopedic",-13.519842147827148],["▁superioara",-13.519843101501465],["älteste",-13.519903182983398],["▁conducător",-13.520153999328613],["supplementary",-13.520243644714355],["wetlands",-13.520438194274902],["▁suprafete",-13.520605087280273],["▁aparțin",-13.520951271057129],["analiză",-13.521014213562012],["Uneori",-13.52115535736084],["Toujours",-13.521368026733398],["▁Nairobi",-13.521368026733398],["▁asparagus",-13.521368026733398],["▁crowdfunding",-13.521368026733398],["gutachten",-13.521369934082031],["smelling",-13.521659851074219],["▁elektrisch",-13.521718978881836],["begging",-13.522055625915527],["▁Renewable",-13.522896766662598],["▁Trouble",-13.522896766662598],["▁devastated",-13.522896766662598],["▁remplacé",-13.522896766662598],["▁schmeckt",-13.522896766662598],["▁exerciți",-13.523005485534668],["▁vermute",-13.523650169372559],["▁Constanța",-13.523661613464355],["expunere",-13.523693084716797],["▁Fitzgerald",-13.52442741394043],["▁Mechanism",-13.524429321289062],["▁underscore",-13.524484634399414],["poziţie",-13.524901390075684],["stöbern",-13.525193214416504],["▁littérature",-13.525193214416504],["▁împrumut",-13.525193214416504],["Vision",-13.525771141052246],["▁overwhelm",-13.525773048400879],["▁erweitern",-13.525959968566895],["skeletal",-13.525960922241211],["▁terrified",-13.525960922241211],["aggravate",-13.525962829589844],["▁Malawi",-13.525969505310059],["▁neuroscience",-13.526009559631348],["trecută",-13.526097297668457],["▁maestr",-13.52634334564209],["нов",-13.526555061340332],["▁Cobb",-13.52667236328125],["▁Schwangerschaft",-13.526727676391602],["▁internationaux",-13.526727676391602],["▁entspannen",-13.526729583740234],["▁Früchte",-13.52676773071289],["mâine",-13.526805877685547],["stützt",-13.526938438415527],["flipped",-13.527076721191406],["Palatul",-13.527252197265625],["▁Gérard",-13.527496337890625],["▁Kensington",-13.527498245239258],["chargée",-13.52807331085205],["iolo",-13.528203964233398],["▁excesiv",-13.52904987335205],["▁Gymnas",-13.52962875366211],["▁optimise",-13.529678344726562],["possibilités",-13.529717445373535],["▁periculoas",-13.529810905456543],["mechanical",-13.529839515686035],["▁confruntă",-13.529868125915527],["quatrième",-13.530573844909668],["▁Preservation",-13.530573844909668],["▁Juventus",-13.530574798583984],["vorsitzende",-13.5305757522583],["électora",-13.530586242675781],["▁fascinant",-13.53061580657959],["▁lagoon",-13.530671119689941],["referencing",-13.53079605102539],["appointed",-13.530988693237305],["Audible",-13.531112670898438],["sighted",-13.531612396240234],["▁gewünscht",-13.532061576843262],["▁Expedition",-13.532115936279297],["▁genunchi",-13.532115936279297],["▁PROVIDE",-13.53211784362793],["▁rosemary",-13.532118797302246],["▁cleanliness",-13.532130241394043],["commanded",-13.53223991394043],["ältere",-13.532530784606934],["ност",-13.532547950744629],["kühlen",-13.532917976379395],["mettez",-13.533548355102539],["connaitre",-13.533661842346191],["Qaeda",-13.533662796020508],["▁traumhaft",-13.53366470336914],["kommst",-13.533666610717773],["▁Abbott",-13.533669471740723],["▁Fool",-13.533686637878418],["▁médaill",-13.533687591552734],["▁genotyp",-13.533693313598633],["▁Fälle",-13.53375244140625],["▁actuator",-13.533843994140625],["CLASS",-13.534042358398438],["progressively",-13.534421920776367],["negative",-13.53469467163086],["bundled",-13.535009384155273],["▁dezbatere",-13.535208702087402],["kamagra",-13.535237312316895],["gardinen",-13.535250663757324],["unsecured",-13.535271644592285],["Assisted",-13.535298347473145],["Gymnasium",-13.535386085510254],["▁brusc",-13.535591125488281],["prinzip",-13.535655975341797],["Torrent",-13.535964965820312],["Presented",-13.535967826843262],["▁impressionnant",-13.53628921508789],["charakter",-13.536758422851562],["▁Acoustic",-13.536762237548828],["▁appartient",-13.536763191223145],["gesteuert",-13.536879539489746],["▁condiți",-13.537089347839355],["authentic",-13.537313461303711],["▁Erholung",-13.537534713745117],["▁Veranstalter",-13.537534713745117],["▁Filial",-13.537665367126465],["ruhigen",-13.537714958190918],["symptôme",-13.538311004638672],["▁Efficiency",-13.538311004638672],["▁stunned",-13.538311004638672],["▁sympathique",-13.538311004638672],["Uploaded",-13.538352966308594],["▁geistig",-13.538453102111816],["Pläne",-13.538509368896484],["▁Apartament",-13.53855037689209],["▁ușoar",-13.539119720458984],["▁locuinț",-13.539122581481934],["épouse",-13.539166450500488],["îngrijire",-13.539215087890625],["Obtain",-13.539261817932129],["Detect",-13.539590835571289],["▁Dumitru",-13.539865493774414],["▁refrigeration",-13.539865493774414],["ärztliche",-13.539881706237793],["efficiency",-13.540032386779785],["▁snail",-13.540328979492188],["gelände",-13.540419578552246],["expected",-13.540620803833008],["kompetenz",-13.540643692016602],["▁sfânt",-13.540643692016602],["océan",-13.540685653686523],["▁Plasma",-13.540717124938965],["▁vulgar",-13.54075813293457],["▁slump",-13.541083335876465],["autoimmune",-13.541422843933105],["▁Cynthia",-13.541422843933105],["▁dimineaţ",-13.541422843933105],["▁whimsical",-13.541422843933105],["▁evaporate",-13.541488647460938],["▁calorii",-13.54186725616455],["portion",-13.54187297821045],["crowned",-13.5419282913208],["▁întâmpin",-13.54220199584961],["▁Centenar",-13.542620658874512],["▁Genehmigung",-13.54298210144043],["▁Wahrscheinlich",-13.54298210144043],["▁accompaniment",-13.54298210144043],["▁Negoti",-13.542984962463379],["▁Vanilla",-13.543000221252441],["▁Receiv",-13.543014526367188],["▁bestseller",-13.543052673339844],["tendons",-13.543069839477539],["Reilly",-13.543192863464355],["▁refroidi",-13.543731689453125],["▁überrascht",-13.543763160705566],["Gitarre",-13.543828964233398],["wände",-13.544173240661621],["veniturile",-13.544321060180664],["▁portofoliu",-13.54454517364502],["▁temporaire",-13.54454517364502],["▁Dawson",-13.544546127319336],["foreseeable",-13.544547080993652],["▁Gastgeber",-13.545344352722168],["Access",-13.545432090759277],["▁Defender",-13.545537948608398],["▁Quarry",-13.546109199523926],["▁trolley",-13.546110153198242],["▁carburant",-13.546111106872559],["▁titluri",-13.54631233215332],["comparatively",-13.546327590942383],["nachfolgend",-13.54659652709961],["anfang",-13.546740531921387],["▁faszinieren",-13.546891212463379],["trăiesc",-13.547082901000977],["▁Travail",-13.547159194946289],["Contact",-13.547235488891602],["fashion",-13.547245025634766],["▁épais",-13.547585487365723],["plattform",-13.547676086425781],["ventricular",-13.547677040100098],["▁Portsmouth",-13.547677993774414],["▁împărat",-13.54767894744873],["▁vândut",-13.547698020935059],["▁evidenț",-13.547708511352539],["Purchasing",-13.547877311706543],["discerning",-13.54804801940918],["odonti",-13.548080444335938],["distilled",-13.548316955566406],["saveur",-13.548447608947754],["▁récompense",-13.54845905303955],["confortul",-13.548552513122559],["arbeitete",-13.548787117004395],["partenerii",-13.549064636230469],["mirrored",-13.54908561706543],["Dienstleister",-13.549243927001953],["▁Jakarta",-13.549243927001953],["▁WEBSITE",-13.549243927001953],["▁Acquisition",-13.549262046813965],["▁Miranda",-13.549287796020508],["Syndic",-13.549356460571289],["▁stadiu",-13.549450874328613],["▁Parchet",-13.549498558044434],["Générale",-13.54954719543457],["▁jpl",-13.549579620361328],["attainable",-13.549949645996094],["École",-13.550041198730469],["Sphere",-13.550538063049316],["obtainable",-13.550592422485352],["▁Sapphire",-13.55081558227539],["▁aérienne",-13.55081558227539],["▁bărbați",-13.55081558227539],["▁irritating",-13.55081558227539],["▁ultraviolet",-13.550816535949707],["untouched",-13.550817489624023],["▁Ramsey",-13.550819396972656],["titres",-13.551087379455566],["▁Coordinat",-13.551218032836914],["believable",-13.551358222961426],["▁Grundsätzlich",-13.551602363586426],["▁konsequent",-13.551602363586426],["▁Cerceta",-13.551909446716309],["dirigé",-13.552116394042969],["▁disturb",-13.552151679992676],["conciliation",-13.552210807800293],["▁gelöscht",-13.552390098571777],["▁sauvegarde",-13.552391052246094],["▁cavities",-13.552393913269043],["stunde",-13.55241584777832],["▁foloseasc",-13.552430152893066],["▁simpati",-13.552873611450195],["Chacun",-13.553032875061035],["adversaire",-13.553178787231445],["Eigentlich",-13.55319881439209],["defense",-13.553593635559082],["consider",-13.553672790527344],["▁Trinidad",-13.553966522216797],["▁strategist",-13.553966522216797],["distorted",-13.553967475891113],["▁hypothetical",-13.553967475891113],["▁ramburs",-13.55396842956543],["▁Mallorca",-13.553970336914062],["▁Domino",-13.554018020629883],["arrondissement",-13.554756164550781],["konferenz",-13.554756164550781],["▁Beleuchtung",-13.554756164550781],["aggregat",-13.55484676361084],["subsidize",-13.554896354675293],["shri",-13.555503845214844],["Kaufentscheidung",-13.555545806884766],["▁Hernandez",-13.555545806884766],["▁Upholster",-13.555546760559082],["atlantic",-13.555614471435547],["▁locuinte",-13.555652618408203],["integrates",-13.55583381652832],["ewusst",-13.555878639221191],["▁Avocado",-13.556337356567383],["Decorative",-13.557014465332031],["▁Corinthians",-13.557127952575684],["▁clădire",-13.557127952575684],["▁plomberie",-13.557127952575684],["vases",-13.557143211364746],["▁crippl",-13.557247161865234],["cluttered",-13.557487487792969],["departed",-13.557807922363281],["▁entscheidet",-13.5579195022583],["Certaine",-13.558243751525879],["honda",-13.558294296264648],["triggering",-13.558527946472168],["▁Erdogan",-13.558712005615234],["▁Widerstand",-13.558712005615234],["▁Bhutan",-13.558713912963867],["▁ascunde",-13.558736801147461],["▁shading",-13.558748245239258],["behavioural",-13.559172630310059],["▁transfér",-13.55960750579834],["versichert",-13.559623718261719],["▁vinovat",-13.559646606445312],["▁airfare",-13.560142517089844],["▁simplistic",-13.56030559539795],["▁Asigura",-13.560320854187012],["Chauffe",-13.560480117797852],["scrisă",-13.560585975646973],["trouvez",-13.560702323913574],["greasy",-13.560709953308105],["bottled",-13.560809135437012],["grouped",-13.560934066772461],["▁beeinflussen",-13.561092376708984],["▁chronological",-13.561114311218262],["(2000)",-13.56127643585205],["sheltered",-13.561298370361328],["Historically",-13.561931610107422],["piled",-13.562012672424316],["publicate",-13.562378883361816],["▁étudié",-13.56268310546875],["▁vertraut",-13.562688827514648],["▁Anpassung",-13.562697410583496],["cifra",-13.562705993652344],["▁recueil",-13.562762260437012],["enforceable",-13.563183784484863],["Distinguished",-13.56347942352295],["Empfänger",-13.56347942352295],["▁Acrylic",-13.56347942352295],["▁Encyclopedia",-13.56347942352295],["▁proaspete",-13.56347942352295],["▁unrealistic",-13.56347942352295],["▁Assignment",-13.563481330871582],["▁incubator",-13.563491821289062],["▁unilateral",-13.563501358032227],["elasticity",-13.564398765563965],["amintim",-13.564475059509277],["fournit",-13.564553260803223],["semblent",-13.564763069152832],["▁$69.",-13.56496524810791],["▁prominence",-13.56507396697998],["Übertragung",-13.565075874328613],["▁2014-11-",-13.565075874328613],["▁Giurgiu",-13.565104484558105],["étendue",-13.565123558044434],["ceputul",-13.565187454223633],["Schwierigkeiten",-13.565872192382812],["▁subtract",-13.565881729125977],["▁gesichert",-13.56589126586914],["▁uimit",-13.565925598144531],["▁mensuel",-13.565967559814453],["Vorgaben",-13.566215515136719],["▁legitimacy",-13.566670417785645],["▁Kendall",-13.566673278808594],["▁détach",-13.566790580749512],["▁kennenlernen",-13.567469596862793],["▁gewöhnlich",-13.56747055053711],["Octav",-13.567917823791504],["responsive",-13.568169593811035],["▁Mängel",-13.568269729614258],["▁mișcare",-13.568269729614258],["▁ludique",-13.568270683288574],["▁Exeter",-13.568324089050293],["▁respins",-13.569114685058594],["oraşului",-13.569173812866211],["▁sfârşit",-13.56949520111084],["BUSINESS",-13.56987190246582],["illustrating",-13.56987190246582],["▁Tottenham",-13.56987190246582],["▁pruning",-13.569886207580566],["▁Înainte",-13.569904327392578],["▁interesel",-13.570096969604492],["discovered",-13.57031536102295],["(0)",-13.570572853088379],["▁Bewerber",-13.570673942565918],["▁DESIGN",-13.570673942565918],["▁Orientierung",-13.570686340332031],["library",-13.571041107177734],["cheltuielile",-13.571419715881348],["▁Canterbury",-13.571475982666016],["▁intellectuelle",-13.571477890014648],["▁amalgam",-13.571497917175293],["▁Toledo",-13.57150650024414],["gezahlt",-13.571531295776367],["Veronica",-13.571659088134766],["deleting",-13.571946144104004],["▁Merlin",-13.572442054748535],["▁opérationnel",-13.572554588317871],["schmutz",-13.572568893432617],["hyroid",-13.57279109954834],["▁Compatible",-13.57308292388916],["▁Leopard",-13.57308292388916],["▁cylindrical",-13.57308292388916],["▁terrestrial",-13.57308292388916],["conferencing",-13.573088645935059],["▁Variety",-13.573097229003906],["▁Screw",-13.573164939880371],["character",-13.573637962341309],["shortened",-13.573643684387207],["▁întrerup",-13.573736190795898],["freude",-13.573884010314941],["▁dezbateri",-13.573887825012207],["viteză",-13.574563026428223],["formațiile",-13.574600219726562],["▁responsibly",-13.574692726135254],["Dimensiuni",-13.574695587158203],["Arrangement",-13.57469654083252],["▁Leisure",-13.574712753295898],["escaping",-13.5750732421875],["flexion",-13.575104713439941],["▁religieuse",-13.575308799743652],["crystalline",-13.575457572937012],["▁clasp",-13.575520515441895],["festigt",-13.57554817199707],["▁trouvai",-13.57596206665039],["cutaneous",-13.576305389404297],["▁carcinoma",-13.576305389404297],["▁juxtapos",-13.576305389404297],["assemblage",-13.576306343078613],["▁Messiah",-13.576306343078613],["▁Sleeve",-13.576306343078613],["▁șofer",-13.576386451721191],["/05/",-13.57666301727295],["▁expoziți",-13.576703071594238],["▁pătrun",-13.577343940734863],["▁Lydia",-13.57739543914795],["▁grădini",-13.577919006347656],["▁toothpaste",-13.577919960021973],["ordained",-13.577921867370605],["▁Renovation",-13.577922821044922],["voicing",-13.578327178955078],["président",-13.578595161437988],["▁gestartet",-13.578728675842285],["Multi",-13.579121589660645],["itinéraire",-13.579537391662598],["▁influenza",-13.579537391662598],["▁psychiatrist",-13.579537391662598],["▁schizophrenia",-13.579537391662598],["▁Magnolia",-13.57953929901123],["▁Scottsdale",-13.579541206359863],["▁interessieren",-13.579548835754395],["▁asfalt",-13.579643249511719],["▁Journalism",-13.57977294921875],["Multe",-13.580089569091797],["Westfalen",-13.580347061157227],["▁Vorschriften",-13.580348014831543],["Angleterre",-13.58034896850586],["sustainable",-13.580354690551758],["▁Retour",-13.580589294433594],["▁pâr",-13.5809965133667],["steigert",-13.581120491027832],["▁AMAZING",-13.581157684326172],["▁turbulent",-13.581157684326172],["costing",-13.58155345916748],["▁Carolyn",-13.581634521484375],["utti",-13.581802368164062],["dürftig",-13.581968307495117],["Keep",-13.582038879394531],["▁Théâtre",-13.582780838012695],["▁combustibil",-13.582780838012695],["▁halloween",-13.582780838012695],["▁emulator",-13.582785606384277],["▁povești",-13.582785606384277],["broyeur",-13.582810401916504],["▁émerg",-13.582927703857422],["overwhelmingly",-13.583025932312012],["regulă",-13.583124160766602],["goutte",-13.583125114440918],["▁Fertigung",-13.583593368530273],["constituted",-13.584304809570312],["▁QuickBooks",-13.584406852722168],["▁genealogy",-13.584407806396484],["▁laundering",-13.584432601928711],["▁échéan",-13.584491729736328],["Account",-13.584601402282715],["oyons",-13.584792137145996],["nitro",-13.584905624389648],["▁corespund",-13.585219383239746],["▁suggér",-13.58527660369873],["manipulated",-13.585348129272461],["deseori",-13.585817337036133],["permeabil",-13.585912704467773],["Australia",-13.58594799041748],["▁Erasmus",-13.586034774780273],["▁disrespect",-13.586034774780273],["▁trimestre",-13.586038589477539],["▁emanat",-13.586103439331055],["Schraub",-13.58624267578125],["distinctly",-13.586319923400879],["Germain",-13.586637496948242],["▁pedepse",-13.5868501663208],["réglage",-13.5868558883667],["făcute",-13.587308883666992],["▁garanteaz",-13.587434768676758],["▁unterlieg",-13.587701797485352],["▁cheddar",-13.587712287902832],["▁refugi",-13.587756156921387],["▁inférieur",-13.587836265563965],["dimension",-13.588440895080566],["▁erkennt",-13.588570594787598],["amitié",-13.588632583618164],["▁predominant",-13.588680267333984],["nourishe",-13.588800430297852],["exerce",-13.588907241821289],["▁disguise",-13.589225769042969],["▁traditi",-13.589289665222168],["▁Intellectual",-13.5892972946167],["▁imunitar",-13.589299201965332],["▁Cushion",-13.589300155639648],["▁erwachsene",-13.589517593383789],["▁Internațional",-13.590115547180176],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0],["",0.0]]}} ================================================ FILE: docs/anima_train_network.md ================================================ # LoRA Training Guide for Anima using `anima_train_network.py` / `anima_train_network.py` を用いたAnima モデルのLoRA学習ガイド This document explains how to train LoRA (Low-Rank Adaptation) models for Anima using `anima_train_network.py` in the `sd-scripts` repository.
日本語 このドキュメントでは、`sd-scripts`リポジトリに含まれる`anima_train_network.py`を使用して、Anima モデルに対するLoRA (Low-Rank Adaptation) モデルを学習する基本的な手順について解説します。
## 1. Introduction / はじめに `anima_train_network.py` trains additional networks such as LoRA for Anima models. Anima adopts a DiT (Diffusion Transformer) architecture based on the MiniTrainDIT design with Rectified Flow training. It uses a Qwen3-0.6B text encoder, an LLM Adapter (6-layer transformer bridge from Qwen3 to T5-compatible space), and a Qwen-Image VAE (16-channel, 8x spatial downscale). Qwen-Image VAE and Qwen-Image VAE have same architecture, but [official Anima weight is named for Qwen-Image VAE](https://huggingface.co/circlestone-labs/Anima/tree/main/split_files/vae). This guide assumes you already understand the basics of LoRA training. For common usage and options, see the [train_network.py guide](train_network.md). Some parameters are similar to those in [`sd3_train_network.py`](sd3_train_network.md) and [`flux_train_network.py`](flux_train_network.md). **Prerequisites:** * The `sd-scripts` repository has been cloned and the Python environment is ready. * A training dataset has been prepared. See the [Dataset Configuration Guide](./config_README-en.md). * Anima model files for training are available.
日本語 `anima_train_network.py`は、Anima モデルに対してLoRAなどの追加ネットワークを学習させるためのスクリプトです。AnimaはMiniTrainDIT設計に基づくDiT (Diffusion Transformer) アーキテクチャを採用しており、Rectified Flow学習を使用します。テキストエンコーダーとしてQwen3-0.6B、LLM Adapter (Qwen3からT5互換空間への6層Transformerブリッジ)、およびQwen-Image VAE (16チャンネル、8倍空間ダウンスケール) を使用します。 Qwen-Image VAEとQwen-Image VAEは同じアーキテクチャですが、[Anima公式の重みはQwen-Image VAE用](https://huggingface.co/circlestone-labs/Anima/tree/main/split_files/vae)のようです。 このガイドは、基本的なLoRA学習の手順を理解しているユーザーを対象としています。基本的な使い方や共通のオプションについては、[`train_network.py`のガイド](train_network.md)を参照してください。また一部のパラメータは [`sd3_train_network.py`](sd3_train_network.md) や [`flux_train_network.py`](flux_train_network.md) と同様のものがあるため、そちらも参考にしてください。 **前提条件:** * `sd-scripts`リポジトリのクローンとPython環境のセットアップが完了していること。 * 学習用データセットの準備が完了していること。（データセットの準備については[データセット設定ガイド](./config_README-en.md)を参照してください） * 学習対象のAnimaモデルファイルが準備できていること。
## 2. Differences from `train_network.py` / `train_network.py` との違い `anima_train_network.py` is based on `train_network.py` but modified for Anima. Main differences are: * **Target models:** Anima DiT models. * **Model structure:** Uses a MiniTrainDIT (Transformer based) instead of U-Net. Employs a single text encoder (Qwen3-0.6B), an LLM Adapter that bridges Qwen3 embeddings to T5-compatible cross-attention space, and a Qwen-Image VAE (16-channel latent space with 8x spatial downscale). * **Arguments:** Uses the common `--pretrained_model_name_or_path` for the DiT model path, `--qwen3` for the Qwen3 text encoder, and `--vae` for the Qwen-Image VAE. The LLM adapter and T5 tokenizer can be specified separately with `--llm_adapter_path` and `--t5_tokenizer_path`. * **Incompatible arguments:** Stable Diffusion v1/v2 options such as `--v2`, `--v_parameterization` and `--clip_skip` are not used. `--fp8_base` is not supported. * **Timestep sampling:** Uses the same `--timestep_sampling` options as FLUX training (`sigma`, `uniform`, `sigmoid`, `shift`, `flux_shift`). * **LoRA:** Uses regex-based module selection and per-module rank/learning rate control (`network_reg_dims`, `network_reg_lrs`) instead of per-component arguments. Module exclusion/inclusion is controlled by `exclude_patterns` and `include_patterns`.
日本語 `anima_train_network.py`は`train_network.py`をベースに、Anima モデルに対応するための変更が加えられています。主な違いは以下の通りです。 * **対象モデル:** Anima DiTモデルを対象とします。 * **モデル構造:** U-Netの代わりにMiniTrainDIT (Transformerベース) を使用します。テキストエンコーダーとしてQwen3-0.6B、Qwen3埋め込みをT5互換のクロスアテンション空間に変換するLLM Adapter、およびQwen-Image VAE (16チャンネル潜在空間、8倍空間ダウンスケール) を使用します。 * **引数:** DiTモデルのパスには共通引数`--pretrained_model_name_or_path`を、Qwen3テキストエンコーダーには`--qwen3`を、Qwen-Image VAEには`--vae`を使用します。LLM AdapterとT5トークナイザーはそれぞれ`--llm_adapter_path`、`--t5_tokenizer_path`で個別に指定できます。 * **一部引数の非互換性:** Stable Diffusion v1/v2向けの引数（例: `--v2`, `--v_parameterization`, `--clip_skip`）は使用されません。`--fp8_base`はサポートされていません。 * **タイムステップサンプリング:** FLUX学習と同じ`--timestep_sampling`オプション（`sigma`、`uniform`、`sigmoid`、`shift`、`flux_shift`）を使用します。 * **LoRA:** コンポーネント別の引数の代わりに、正規表現ベースのモジュール選択とモジュール単位のランク/学習率制御（`network_reg_dims`、`network_reg_lrs`）を使用します。モジュールの除外/包含は`exclude_patterns`と`include_patterns`で制御します。
## 3. Preparation / 準備 The following files are required before starting training: 1. **Training script:** `anima_train_network.py` 2. **Anima DiT model file:** `.safetensors` file for the base DiT model. 3. **Qwen3-0.6B text encoder:** Either a HuggingFace model directory, or a single `.safetensors` file (uses the bundled config files in `configs/qwen3_06b/`). 4. **Qwen-Image VAE model file:** `.safetensors` or `.pth` file for the VAE. 5. **LLM Adapter model file (optional):** `.safetensors` file. If not provided separately, the adapter is loaded from the DiT file if the key `llm_adapter.out_proj.weight` exists. 6. **T5 Tokenizer (optional):** If not specified, uses the bundled tokenizer at `configs/t5_old/`. 7. **Dataset definition file (.toml):** Dataset settings in TOML format. (See the [Dataset Configuration Guide](./config_README-en.md).) In this document we use `my_anima_dataset_config.toml` as an example. Model files can be obtained from the [Anima HuggingFace repository](https://huggingface.co/circlestone-labs/Anima). **Notes:** * The T5 tokenizer only needs the tokenizer files (not the T5 model weights). It uses the vocabulary from `google/t5-v1_1-xxl`.
日本語 学習を開始する前に、以下のファイルが必要です。 1. **学習スクリプト:** `anima_train_network.py` 2. **Anima DiTモデルファイル:** ベースとなるDiTモデルの`.safetensors`ファイル。 3. **Qwen3-0.6Bテキストエンコーダー:** HuggingFaceモデルディレクトリまたは単体の`.safetensors`ファイル（バンドル版の`configs/qwen3_06b/`の設定ファイルが使用されます）。 4. **Qwen-Image VAEモデルファイル:** VAEの`.safetensors`または`.pth`ファイル。 5. **LLM Adapterモデルファイル（オプション）:** `.safetensors`ファイル。個別に指定しない場合、DiTファイル内に`llm_adapter.out_proj.weight`キーが存在すればそこから読み込まれます。 6. **T5トークナイザー（オプション）:** 指定しない場合、`configs/t5_old/`のバンドル版トークナイザーを使用します。 7. **データセット定義ファイル (.toml):** 学習データセットの設定を記述したTOML形式のファイル。（詳細は[データセット設定ガイド](./config_README-en.md)を参照してください）。例として`my_anima_dataset_config.toml`を使用します。 モデルファイルは[HuggingFaceのAnimaリポジトリ](https://huggingface.co/circlestone-labs/Anima)から入手できます。 **注意:** * T5トークナイザーを別途指定する場合、トークナイザーファイルのみ必要です（T5モデルの重みは不要）。`google/t5-v1_1-xxl`の語彙を使用します。
## 4. Running the Training / 学習の実行 Execute `anima_train_network.py` from the terminal to start training. The overall command-line format is the same as `train_network.py`, but Anima specific options must be supplied. Example command: ```bash accelerate launch --num_cpu_threads_per_process 1 anima_train_network.py \ --pretrained_model_name_or_path="" \ --qwen3="" \ --vae="" \ --dataset_config="my_anima_dataset_config.toml" \ --output_dir="" \ --output_name="my_anima_lora" \ --save_model_as=safetensors \ --network_module=networks.lora_anima \ --network_dim=8 \ --learning_rate=1e-4 \ --optimizer_type="AdamW8bit" \ --lr_scheduler="constant" \ --timestep_sampling="sigmoid" \ --discrete_flow_shift=1.0 \ --max_train_epochs=10 \ --save_every_n_epochs=1 \ --mixed_precision="bf16" \ --gradient_checkpointing \ --cache_latents \ --cache_text_encoder_outputs \ --vae_chunk_size=64 \ --vae_disable_cache ``` *(Write the command on one line or use `\` or `^` for line breaks.)* The learning rate of `1e-4` is just an example. Adjust it according to your dataset and objectives. This value is for `alpha=1.0` (default). If increasing `--network_alpha`, consider lowering the learning rate. If loss becomes NaN, ensure you are using PyTorch version 2.5 or higher. **Note:** `--vae_chunk_size` and `--vae_disable_cache` are custom options in this repository to reduce memory usage of the Qwen-Image VAE.
日本語 学習は、ターミナルから`anima_train_network.py`を実行することで開始します。基本的なコマンドラインの構造は`train_network.py`と同様ですが、Anima特有の引数を指定する必要があります。 コマンドラインの例は英語のドキュメントを参照してください。 ※実際には1行で書くか、適切な改行文字（`\` または `^`）を使用してください。 学習率1e-4はあくまで一例です。データセットや目的に応じて適切に調整してください。またこの値はalpha=1.0（デフォルト）での値です。`--network_alpha`を増やす場合は学習率を下げることを検討してください。 lossがNaNになる場合は、PyTorchのバージョンが2.5以上であることを確認してください。 注意: `--vae_chunk_size`および`--vae_disable_cache`は当リポジトリ独自のオプションで、Qwen-Image VAEのメモリ使用量を削減するために使用します。
### 4.1. Explanation of Key Options / 主要なコマンドライン引数の解説 Besides the arguments explained in the [train_network.py guide](train_network.md), specify the following Anima specific options. For shared options (`--output_dir`, `--output_name`, `--network_module`, etc.), see that guide. #### Model Options [Required] / モデル関連 [必須] * `--pretrained_model_name_or_path=""` **[Required]** - Path to the Anima DiT model `.safetensors` file. The model config (channels, blocks, heads) is auto-detected from the state dict. ComfyUI format with `net.` prefix is supported. * `--qwen3=""` **[Required]** - Path to the Qwen3-0.6B text encoder. Can be a HuggingFace model directory or a single `.safetensors` file. The text encoder is always frozen during training. * `--vae=""` **[Required]** - Path to the Qwen-Image VAE model `.safetensors` or `.pth` file. Fixed config: `dim=96, z_dim=16`. #### Model Options [Optional] / モデル関連 [オプション] * `--llm_adapter_path=""` *[Optional]* - Path to a separate LLM adapter weights file. If omitted, the adapter is loaded from the DiT file when the key `llm_adapter.out_proj.weight` exists. * `--t5_tokenizer_path=""` *[Optional]* - Path to the T5 tokenizer directory. If omitted, uses the bundled config at `configs/t5_old/`. #### Anima Training Parameters / Anima 学習パラメータ * `--timestep_sampling=` - Timestep sampling method. Choose from `sigma`, `uniform`, `sigmoid` (default), `shift`, `flux_shift`. Same options as FLUX training. See the [flux_train_network.py guide](flux_train_network.md) for details on each method. * `--discrete_flow_shift=` - Shift for the timestep distribution in Rectified Flow training. Default `1.0`. This value is used when `--timestep_sampling` is set to **`shift`**. The shift formula is `t_shifted = (t * shift) / (1 + (shift - 1) * t)`. * `--sigmoid_scale=` - Scale factor when `--timestep_sampling` is set to `sigmoid`, `shift`, or `flux_shift`. Default `1.0`. * `--qwen3_max_token_length=` - Maximum token length for the Qwen3 tokenizer. Default `512`. * `--t5_max_token_length=` - Maximum token length for the T5 tokenizer. Default `512`. * `--attn_mode=` - Attention implementation to use. Choose from `torch` (default), `xformers`, `flash`, `sageattn`. `xformers` requires `--split_attn`. `sageattn` does not support training (inference only). This option overrides `--xformers`. * `--split_attn` - Split attention computation to reduce memory usage. Required when using `--attn_mode xformers`. #### Component-wise Learning Rates / コンポーネント別学習率 These options set separate learning rates for each component of the Anima model. They are primarily used for full fine-tuning. Set to `0` to freeze a component: * `--self_attn_lr=` - Learning rate for self-attention layers. Default: same as `--learning_rate`. * `--cross_attn_lr=` - Learning rate for cross-attention layers. Default: same as `--learning_rate`. * `--mlp_lr=` - Learning rate for MLP layers. Default: same as `--learning_rate`. * `--mod_lr=` - Learning rate for AdaLN modulation layers. Default: same as `--learning_rate`. Note: modulation layers are not included in LoRA by default. * `--llm_adapter_lr=` - Learning rate for LLM adapter layers. Default: same as `--learning_rate`. For LoRA training, use `network_reg_lrs` in `--network_args` instead. See [Section 5.2](#52-regex-based-rank-and-learning-rate-control--正規表現によるランク学習率の制御). #### Memory and Speed / メモリ・速度関連 * `--blocks_to_swap=` - Number of Transformer blocks to swap between CPU and GPU. More blocks reduce VRAM but slow training. Maximum values depend on model size: - 28-block model: max **26** (Anima-Preview) - 36-block model: max **34** - 20-block model: max **18** - Cannot be used with `--cpu_offload_checkpointing` or `--unsloth_offload_checkpointing`. * `--unsloth_offload_checkpointing` - Offload activations to CPU RAM using async non-blocking transfers (faster than `--cpu_offload_checkpointing`). Cannot be combined with `--cpu_offload_checkpointing` or `--blocks_to_swap`. * `--cache_text_encoder_outputs` - Cache Qwen3 text encoder outputs to reduce VRAM usage. Recommended when not training text encoder LoRA. * `--cache_text_encoder_outputs_to_disk` - Cache text encoder outputs to disk. Auto-enables `--cache_text_encoder_outputs`. * `--cache_latents`, `--cache_latents_to_disk` - Cache Qwen-Image VAE latent outputs. * `--vae_chunk_size=` - Chunk size for Qwen-Image VAE processing. Reduces VRAM usage at the cost of speed. Default is no chunking. * `--vae_disable_cache` - Disable internal caching in Qwen-Image VAE to reduce VRAM usage. #### Incompatible or Unsupported Options / 非互換・非サポートの引数 * `--v2`, `--v_parameterization`, `--clip_skip` - Options for Stable Diffusion v1/v2 that are not used for Anima training. * `--fp8_base` - Not supported for Anima. If specified, it will be disabled with a warning.
日本語 [`train_network.py`のガイド](train_network.md)で説明されている引数に加え、以下のAnima特有の引数を指定します。共通の引数については、上記ガイドを参照してください。 #### モデル関連 [必須] * `--pretrained_model_name_or_path=""` **[必須]** - Anima DiTモデルの`.safetensors`ファイルのパスを指定します。モデルの設定はstate dictから自動検出されます。`net.`プレフィックス付きのComfyUIフォーマットもサポートしています。 * `--qwen3=""` **[必須]** - Qwen3-0.6Bテキストエンコーダーのパスを指定します。HuggingFaceモデルディレクトリまたは単体の`.safetensors`ファイルが使用できます。 * `--vae=""` **[必須]** - Qwen-Image VAEモデルのパスを指定します。 #### モデル関連 [オプション] * `--llm_adapter_path=""` *[オプション]* - 個別のLLM Adapterの重みファイルのパス。 * `--t5_tokenizer_path=""` *[オプション]* - T5トークナイザーディレクトリのパス。 #### Anima 学習パラメータ * `--timestep_sampling` - タイムステップのサンプリング方法。`sigma`、`uniform`、`sigmoid`（デフォルト）、`shift`、`flux_shift`から選択。FLUX学習と同じオプションです。各方法の詳細は[flux_train_network.pyのガイド](flux_train_network.md)を参照してください。 * `--discrete_flow_shift` - Rectified Flow学習のタイムステップ分布シフト。デフォルト`1.0`。`--timestep_sampling`が`shift`の場合に使用されます。 * `--sigmoid_scale` - `sigmoid`、`shift`、`flux_shift`タイムステップサンプリングのスケール係数。デフォルト`1.0`。 * `--qwen3_max_token_length` - Qwen3トークナイザーの最大トークン長。デフォルト`512`。 * `--t5_max_token_length` - T5トークナイザーの最大トークン長。デフォルト`512`。 * `--attn_mode` - 使用するAttentionの実装。`torch`（デフォルト）、`xformers`、`flash`、`sageattn`から選択。`xformers`は`--split_attn`の指定が必要です。`sageattn`はトレーニングをサポートしていません（推論のみ）。 * `--split_attn` - メモリ使用量を減らすためにattention時にバッチを分割します。`--attn_mode xformers`使用時に必要です。 #### コンポーネント別学習率 これらのオプションは、Animaモデルの各コンポーネントに個別の学習率を設定します。主にフルファインチューニング用です。`0`に設定するとそのコンポーネントをフリーズします： * `--self_attn_lr` - Self-attention層の学習率。 * `--cross_attn_lr` - Cross-attention層の学習率。 * `--mlp_lr` - MLP層の学習率。 * `--mod_lr` - AdaLNモジュレーション層の学習率。モジュレーション層はデフォルトではLoRAに含まれません。 * `--llm_adapter_lr` - LLM Adapter層の学習率。 LoRA学習の場合は、`--network_args`の`network_reg_lrs`を使用してください。[セクション5.2](#52-regex-based-rank-and-learning-rate-control--正規表現によるランク学習率の制御)を参照。 #### メモリ・速度関連 * `--blocks_to_swap` - TransformerブロックをCPUとGPUでスワップしてVRAMを節約。`--cpu_offload_checkpointing`および`--unsloth_offload_checkpointing`とは併用できません。 * `--unsloth_offload_checkpointing` - 非同期転送でアクティベーションをCPU RAMにオフロード。`--cpu_offload_checkpointing`および`--blocks_to_swap`とは併用できません。 * `--cache_text_encoder_outputs` - Qwen3の出力をキャッシュしてメモリ使用量を削減。 * `--cache_latents`, `--cache_latents_to_disk` - Qwen-Image VAEの出力をキャッシュ。 * `--vae_chunk_size` - Qwen-Image VAEのチャンク処理サイズ。メモリ使用量を削減しますが速度が低下します。デフォルトはチャンク処理なし。 * `--vae_disable_cache` - Qwen-Image VAEの内部キャッシュを無効化してメモリ使用量を削減します。 #### 非互換・非サポートの引数 * `--v2`, `--v_parameterization`, `--clip_skip` - Stable Diffusion v1/v2向けの引数。Animaの学習では使用されません。 * `--fp8_base` - Animaではサポートされていません。指定した場合、警告とともに無効化されます。
### 4.2. Starting Training / 学習の開始 After setting the required arguments, run the command to begin training. The overall flow and how to check logs are the same as in the [train_network.py guide](train_network.md#32-starting-the-training--学習の開始).
日本語 必要な引数を設定したら、コマンドを実行して学習を開始します。全体の流れやログの確認方法は、[train_network.pyのガイド](train_network.md#32-starting-the-training--学習の開始)と同様です。
## 5. LoRA Target Modules / LoRAの学習対象モジュール When training LoRA with `anima_train_network.py`, the following modules are targeted by default: * **DiT Blocks (`Block`)**: Self-attention (`self_attn`), cross-attention (`cross_attn`), and MLP (`mlp`) layers within each transformer block. Modulation (`adaln_modulation`), norm, embedder, and final layers are excluded by default. * **Embedding layers (`PatchEmbed`, `TimestepEmbedding`) and Final layer (`FinalLayer`)**: Excluded by default but can be included using `include_patterns`. * **LLM Adapter Blocks (`LLMAdapterTransformerBlock`)**: Only when `--network_args "train_llm_adapter=True"` is specified. * **Text Encoder (Qwen3)**: Only when `--network_train_unet_only` is NOT specified and `--cache_text_encoder_outputs` is NOT used. The LoRA network module is `networks.lora_anima`. ### 5.1. Module Selection with Patterns / パターンによるモジュール選択 By default, the following modules are excluded from LoRA via the built-in exclude pattern: ``` .*(_modulation|_norm|_embedder|final_layer).* ``` You can customize which modules are included or excluded using regex patterns in `--network_args`: * `exclude_patterns` - Exclude modules matching these patterns (in addition to the default exclusion). * `include_patterns` - Force-include modules matching these patterns, overriding exclusion. Patterns are matched against the full module name using `re.fullmatch()`. Example to include the final layer: ``` --network_args "include_patterns=['.*final_layer.*']" ``` Example to additionally exclude MLP layers: ``` --network_args "exclude_patterns=['.*mlp.*']" ``` ### 5.2. Regex-based Rank and Learning Rate Control / 正規表現によるランク・学習率の制御 You can specify different ranks (network_dim) and learning rates for modules matching specific regex patterns: * `network_reg_dims`: Specify ranks for modules matching a regular expression. The format is a comma-separated string of `pattern=rank`. * Example: `--network_args "network_reg_dims=.*self_attn.*=8,.*cross_attn.*=4,.*mlp.*=8"` * This sets the rank to 8 for self-attention modules, 4 for cross-attention modules, and 8 for MLP modules. * `network_reg_lrs`: Specify learning rates for modules matching a regular expression. The format is a comma-separated string of `pattern=lr`. * Example: `--network_args "network_reg_lrs=.*self_attn.*=1e-4,.*cross_attn.*=5e-5"` * This sets the learning rate to `1e-4` for self-attention modules and `5e-5` for cross-attention modules. **Notes:** * Settings via `network_reg_dims` and `network_reg_lrs` take precedence over the global `--network_dim` and `--learning_rate` settings. * Patterns are matched using `re.fullmatch()` against the module's original name (e.g., `blocks.0.self_attn.q_proj`). ### 5.3. LLM Adapter LoRA / LLM Adapter LoRA To apply LoRA to the LLM Adapter blocks: ``` --network_args "train_llm_adapter=True" ``` In preliminary tests, lowering the learning rate for the LLM Adapter seems to improve stability. Adjust it using something like: `"network_reg_lrs=.*llm_adapter.*=5e-5"`. ### 5.4. Other Network Args / その他のネットワーク引数 * `--network_args "verbose=True"` - Print all LoRA module names and their dimensions. * `--network_args "rank_dropout=0.1"` - Rank dropout rate. * `--network_args "module_dropout=0.1"` - Module dropout rate. * `--network_args "loraplus_lr_ratio=2.0"` - LoRA+ learning rate ratio. * `--network_args "loraplus_unet_lr_ratio=2.0"` - LoRA+ learning rate ratio for DiT only. * `--network_args "loraplus_text_encoder_lr_ratio=2.0"` - LoRA+ learning rate ratio for text encoder only.
日本語 `anima_train_network.py`でLoRAを学習させる場合、デフォルトでは以下のモジュールが対象となります。 * **DiTブロック (`Block`)**: 各Transformerブロック内のSelf-attention（`self_attn`）、Cross-attention（`cross_attn`）、MLP（`mlp`）層。モジュレーション（`adaln_modulation`）、norm、embedder、final layerはデフォルトで除外されます。 * **埋め込み層 (`PatchEmbed`, `TimestepEmbedding`) と最終層 (`FinalLayer`)**: デフォルトで除外されますが、`include_patterns`で含めることができます。 * **LLM Adapterブロック (`LLMAdapterTransformerBlock`)**: `--network_args "train_llm_adapter=True"`を指定した場合のみ。 * **テキストエンコーダー (Qwen3)**: `--network_train_unet_only`を指定せず、かつ`--cache_text_encoder_outputs`を使用しない場合のみ。 ### 5.1. パターンによるモジュール選択 デフォルトでは以下のモジュールが組み込みの除外パターンによりLoRAから除外されます： ``` .*(_modulation|_norm|_embedder|final_layer).* ``` `--network_args`で正規表現パターンを使用して、含めるモジュールと除外するモジュールをカスタマイズできます： * `exclude_patterns` - これらのパターンにマッチするモジュールを除外（デフォルトの除外に追加）。 * `include_patterns` - これらのパターンにマッチするモジュールを強制的に含める（除外を上書き）。 パターンは`re.fullmatch()`を使用して完全なモジュール名に対してマッチングされます。 ### 5.2. 正規表現によるランク・学習率の制御 正規表現にマッチするモジュールに対して、異なるランクや学習率を指定できます： * `network_reg_dims`: 正規表現にマッチするモジュールに対してランクを指定します。`pattern=rank`形式の文字列をカンマで区切って指定します。 * 例: `--network_args "network_reg_dims=.*self_attn.*=8,.*cross_attn.*=4,.*mlp.*=8"` * `network_reg_lrs`: 正規表現にマッチするモジュールに対して学習率を指定します。`pattern=lr`形式の文字列をカンマで区切って指定します。 * 例: `--network_args "network_reg_lrs=.*self_attn.*=1e-4,.*cross_attn.*=5e-5"` **注意点:** * `network_reg_dims`および`network_reg_lrs`での設定は、全体設定である`--network_dim`や`--learning_rate`よりも優先されます。 * パターンはモジュールのオリジナル名（例: `blocks.0.self_attn.q_proj`）に対して`re.fullmatch()`でマッチングされます。 ### 5.3. LLM Adapter LoRA LLM AdapterブロックにLoRAを適用するには：`--network_args "train_llm_adapter=True"` 簡易な検証ではLLM Adapterの学習率はある程度下げた方が安定するようです。`"network_reg_lrs=.*llm_adapter.*=5e-5"`などで調整してください。 ### 5.4. その他のネットワーク引数 * `verbose=True` - 全LoRAモジュール名とdimを表示 * `rank_dropout` - ランクドロップアウト率 * `module_dropout` - モジュールドロップアウト率 * `loraplus_lr_ratio` - LoRA+学習率比率 * `loraplus_unet_lr_ratio` - DiT専用のLoRA+学習率比率 * `loraplus_text_encoder_lr_ratio` - テキストエンコーダー専用のLoRA+学習率比率
## 6. Using the Trained Model / 学習済みモデルの利用 When training finishes, a LoRA model file (e.g. `my_anima_lora.safetensors`) is saved in the directory specified by `output_dir`. Use this file with inference environments that support Anima, such as ComfyUI with appropriate nodes.
日本語 学習が完了すると、指定した`output_dir`にLoRAモデルファイル（例: `my_anima_lora.safetensors`）が保存されます。このファイルは、Anima モデルに対応した推論環境（例: ComfyUI + 適切なノード）で使用できます。
## 7. Advanced Settings / 高度な設定 ### 7.1. VRAM Usage Optimization / VRAM使用量の最適化 Anima models can be large, so GPUs with limited VRAM may require optimization: #### Key VRAM Reduction Options - **`--blocks_to_swap `**: Swaps blocks between CPU and GPU to reduce VRAM usage. Higher numbers save more VRAM but reduce training speed. See model-specific max values in section 4.1. - **`--unsloth_offload_checkpointing`**: Offloads gradient checkpoints to CPU using async non-blocking transfers. Faster than `--cpu_offload_checkpointing`. Cannot be combined with `--blocks_to_swap`. - **`--gradient_checkpointing`**: Standard gradient checkpointing to reduce VRAM at the cost of compute. - **`--cache_text_encoder_outputs`**: Caches Qwen3 outputs so the text encoder can be freed from VRAM during training. - **`--cache_latents`**: Caches Qwen-Image VAE outputs so the VAE can be freed from VRAM during training. - **Using Adafactor optimizer**: Can reduce VRAM usage: ``` --optimizer_type adafactor --optimizer_args "relative_step=False" "scale_parameter=False" "warmup_init=False" --lr_scheduler constant_with_warmup --max_grad_norm 0.0 ```
日本語 Animaモデルは大きい場合があるため、VRAMが限られたGPUでは最適化が必要です。 主要なVRAM削減オプション： - `--blocks_to_swap`: CPUとGPU間でブロックをスワップ - `--unsloth_offload_checkpointing`: 非同期転送でアクティベーションをCPUにオフロード - `--gradient_checkpointing`: 標準的な勾配チェックポイント - `--cache_text_encoder_outputs`: Qwen3の出力をキャッシュ - `--cache_latents`: Qwen-Image VAEの出力をキャッシュ - Adafactorオプティマイザの使用
### 7.2. Training Settings / 学習設定 #### Timestep Sampling The `--timestep_sampling` option specifies how timesteps are sampled. The available methods are the same as FLUX training: - `sigma`: Sigma-based sampling like SD3. - `uniform`: Uniform random sampling from [0, 1]. - `sigmoid` (default): Sample from Normal(0,1), multiply by `sigmoid_scale`, apply sigmoid. Good general-purpose option. - `shift`: Like `sigmoid`, but applies the discrete flow shift formula: `t_shifted = (t * shift) / (1 + (shift - 1) * t)`. - `flux_shift`: Resolution-dependent shift used in FLUX training. See the [flux_train_network.py guide](flux_train_network.md) for detailed descriptions. #### Discrete Flow Shift The `--discrete_flow_shift` option (default `1.0`) only applies when `--timestep_sampling` is set to `shift`. The formula is: ``` t_shifted = (t * shift) / (1 + (shift - 1) * t) ``` #### Loss Weighting The `--weighting_scheme` option specifies loss weighting by timestep: - `uniform` (default): Equal weight for all timesteps. - `sigma_sqrt`: Weight by `sigma^(-2)`. - `cosmap`: Weight by `2 / (pi * (1 - 2*sigma + 2*sigma^2))`. - `none`: Same as uniform. - `logit_normal`, `mode`: Additional schemes from SD3 training. See the [`sd3_train_network.md` guide](sd3_train_network.md) for details. #### Caption Dropout Caption dropout uses the `caption_dropout_rate` setting from the dataset configuration (per-subset in TOML). When using `--cache_text_encoder_outputs`, the dropout rate is stored with each cached entry and applied during training, so caption dropout is compatible with text encoder output caching. **If you change the `caption_dropout_rate` setting, you must delete and regenerate the cache.** Note: Currently, only Anima supports combining `caption_dropout_rate` with text encoder output caching.
日本語 #### タイムステップサンプリング `--timestep_sampling`でタイムステップのサンプリング方法を指定します。FLUX学習と同じ方法が利用できます： - `sigma`: SD3と同様のシグマベースサンプリング。 - `uniform`: [0, 1]の一様分布からサンプリング。 - `sigmoid`（デフォルト）: 正規分布からサンプリングし、sigmoidを適用。汎用的なオプション。 - `shift`: `sigmoid`と同様だが、離散フローシフトの式を適用。 - `flux_shift`: FLUX学習で使用される解像度依存のシフト。 詳細は[flux_train_network.pyのガイド](flux_train_network.md)を参照してください。 #### 離散フローシフト `--discrete_flow_shift`（デフォルト`1.0`）は`--timestep_sampling`が`shift`の場合のみ適用されます。 #### 損失の重み付け `--weighting_scheme`でタイムステップごとの損失の重み付けを指定します。 #### キャプションドロップアウト キャプションドロップアウトにはデータセット設定（TOMLでのサブセット単位）の`caption_dropout_rate`を使用します。`--cache_text_encoder_outputs`使用時は、ドロップアウト率が各キャッシュエントリとともに保存され、学習中に適用されるため、テキストエンコーダー出力キャッシュと同時に使用できます。 **`caption_dropout_rate`の設定を変えた場合、キャッシュを削除し、再生成する必要があります。** ※`caption_dropout_rate`をテキストエンコーダー出力キャッシュと組み合わせられるのは、今のところAnimaのみです。
### 7.3. Text Encoder LoRA Support / Text Encoder LoRAのサポート Anima LoRA training supports training Qwen3 text encoder LoRA: - To train only DiT: specify `--network_train_unet_only` - To train DiT and Qwen3: omit `--network_train_unet_only` and do NOT use `--cache_text_encoder_outputs` You can specify a separate learning rate for Qwen3 with `--text_encoder_lr`. If not specified, the default `--learning_rate` is used. Note: When `--cache_text_encoder_outputs` is used, text encoder outputs are pre-computed and the text encoder is removed from GPU, so text encoder LoRA cannot be trained.
日本語 Anima LoRA学習では、Qwen3テキストエンコーダーのLoRAもトレーニングできます。 - DiTのみ学習: `--network_train_unet_only`を指定 - DiTとQwen3を学習: `--network_train_unet_only`を省略し、`--cache_text_encoder_outputs`を使用しない Qwen3に個別の学習率を指定するには`--text_encoder_lr`を使用します。未指定の場合は`--learning_rate`が使われます。 注意: `--cache_text_encoder_outputs`を使用する場合、テキストエンコーダーの出力が事前に計算されGPUから解放されるため、テキストエンコーダーLoRAは学習できません。
## 8. Other Training Options / その他の学習オプション - **`--loss_type`**: Loss function for training. Default `l2`. - `l1`: L1 loss. - `l2`: L2 loss (mean squared error). - `huber`: Huber loss. - `smooth_l1`: Smooth L1 loss. - **`--huber_schedule`**, **`--huber_c`**, **`--huber_scale`**: Parameters for Huber loss when `--loss_type` is `huber` or `smooth_l1`. - **`--ip_noise_gamma`**, **`--ip_noise_gamma_random_strength`**: Input Perturbation noise gamma values. - **`--fused_backward_pass`**: Fuses the backward pass and optimizer step to reduce VRAM usage. Only works with Adafactor. For details, see the [`sdxl_train_network.py` guide](sdxl_train_network.md). - **`--weighting_scheme`**, **`--logit_mean`**, **`--logit_std`**, **`--mode_scale`**: Timestep loss weighting options. For details, refer to the [`sd3_train_network.md` guide](sd3_train_network.md).
日本語 - **`--loss_type`**: 学習に用いる損失関数。デフォルト`l2`。`l1`, `l2`, `huber`, `smooth_l1`から選択。 - **`--huber_schedule`**, **`--huber_c`**, **`--huber_scale`**: Huber損失のパラメータ。 - **`--ip_noise_gamma`**: Input Perturbationノイズガンマ値。 - **`--fused_backward_pass`**: バックワードパスとオプティマイザステップの融合。 - **`--weighting_scheme`** 等: タイムステップ損失の重み付け。詳細は[`sd3_train_network.md`](sd3_train_network.md)を参照。
## 9. Related Tools / 関連ツール ### `networks/anima_convert_lora_to_comfy.py` A script to convert LoRA models to ComfyUI-compatible format. ComfyUI does not directly support sd-scripts format Qwen3 LoRA, so conversion is necessary (conversion may not be needed for DiT-only LoRA). You can convert from the sd-scripts format to ComfyUI format with: ```bash python networks/convert_anima_lora_to_comfy.py path/to/source.safetensors path/to/destination.safetensors ``` Using the `--reverse` option allows conversion in the opposite direction (ComfyUI format to sd-scripts format). However, reverse conversion is only possible for LoRAs converted by this script. LoRAs created with other training tools cannot be converted.
日本語 **`networks/convert_anima_lora_to_comfy.py`** LoRAモデルをComfyUI互換形式に変換するスクリプト。ComfyUIがsd-scripts形式のQwen3 LoRAを直接サポートしていないため、変換が必要です（DiTのみのLoRAの場合は変換不要のようです）。sd-scripts形式からComfyUI形式への変換は以下のコマンドで行います： ```bash python networks/convert_anima_lora_to_comfy.py path/to/source.safetensors path/to/destination.safetensors ``` `--reverse`オプションを付けると、逆変換（ComfyUI形式からsd-scripts形式）も可能です。ただし、逆変換ができるのはこのスクリプトで変換したLoRAに限ります。他の学習ツールで作成したLoRAは変換できません。
## 10. Others / その他 ### Metadata Saved in LoRA Models The following metadata is saved in the LoRA model file: * `ss_weighting_scheme` * `ss_logit_mean` * `ss_logit_std` * `ss_mode_scale` * `ss_timestep_sampling` * `ss_sigmoid_scale` * `ss_discrete_flow_shift`
日本語 `anima_train_network.py`には、サンプル画像の生成 (`--sample_prompts`など) や詳細なオプティマイザ設定など、`train_network.py`と共通の機能も多く存在します。これらについては、[`train_network.py`のガイド](train_network.md#5-other-features--その他の機能)やスクリプトのヘルプ (`python anima_train_network.py --help`) を参照してください。 ### LoRAモデルに保存されるメタデータ 以下のメタデータがLoRAモデルファイルに保存されます： * `ss_weighting_scheme` * `ss_logit_mean` * `ss_logit_std` * `ss_mode_scale` * `ss_timestep_sampling` * `ss_sigmoid_scale` * `ss_discrete_flow_shift`
================================================ FILE: docs/config_README-en.md ================================================ First version: A.I Translation by Model: NousResearch/Nous-Hermes-2-Mixtral-8x7B-DPO, editing by Darkstorm2150 Document is updated and maintained manually. # Config Readme This README is about the configuration files that can be passed with the `--dataset_config` option. ## Overview By passing a configuration file, users can make detailed settings. * Multiple datasets can be configured * For example, by setting `resolution` for each dataset, they can be mixed and trained. * In training methods that support both the DreamBooth approach and the fine-tuning approach, datasets of the DreamBooth method and the fine-tuning method can be mixed. * Settings can be changed for each subset * A subset is a partition of the dataset by image directory or metadata. Several subsets make up a dataset. * Options such as `keep_tokens` and `flip_aug` can be set for each subset. On the other hand, options such as `resolution` and `batch_size` can be set for each dataset, and their values are common among subsets belonging to the same dataset. More details will be provided later. The configuration file format can be JSON or TOML. Considering the ease of writing, it is recommended to use [TOML](https://toml.io/ja/v1.0.0-rc.2). The following explanation assumes the use of TOML. Here is an example of a configuration file written in TOML. ```toml [general] shuffle_caption = true caption_extension = '.txt' keep_tokens = 1 # This is a DreamBooth-style dataset [[datasets]] resolution = 512 batch_size = 4 keep_tokens = 2 [[datasets.subsets]] image_dir = 'C:\hoge' class_tokens = 'hoge girl' # This subset uses keep_tokens = 2 (the value of the parent datasets) [[datasets.subsets]] image_dir = 'C:\fuga' class_tokens = 'fuga boy' keep_tokens = 3 [[datasets.subsets]] is_reg = true image_dir = 'C:\reg' class_tokens = 'human' keep_tokens = 1 # This is a fine-tuning dataset [[datasets]] resolution = [768, 768] batch_size = 2 [[datasets.subsets]] image_dir = 'C:\piyo' metadata_file = 'C:\piyo\piyo_md.json' # This subset uses keep_tokens = 1 (the value of [general]) ``` In this example, three directories are trained as a DreamBooth-style dataset at 512x512 (batch size 4), and one directory is trained as a fine-tuning dataset at 768x768 (batch size 2). ## Settings for datasets and subsets Settings for datasets and subsets are divided into several registration locations. * `[general]` * This is where options that apply to all datasets or all subsets are specified. * If there are options with the same name in the dataset-specific or subset-specific settings, the dataset-specific or subset-specific settings take precedence. * `[[datasets]]` * `datasets` is where settings for datasets are registered. This is where options that apply individually to each dataset are specified. * If there are subset-specific settings, the subset-specific settings take precedence. * `[[datasets.subsets]]` * `datasets.subsets` is where settings for subsets are registered. This is where options that apply individually to each subset are specified. Here is an image showing the correspondence between image directories and registration locations in the previous example. ``` C:\ ├─ hoge -> [[datasets.subsets]] No.1 ┐ ┐ ├─ fuga -> [[datasets.subsets]] No.2 |-> [[datasets]] No.1 |-> [general] ├─ reg -> [[datasets.subsets]] No.3 ┘ | └─ piyo -> [[datasets.subsets]] No.4 --> [[datasets]] No.2 ┘ ``` The image directory corresponds to each `[[datasets.subsets]]`. Then, multiple `[[datasets.subsets]]` are combined to form one `[[datasets]]`. All `[[datasets]]` and `[[datasets.subsets]]` belong to `[general]`. The available options for each registration location may differ, but if the same option is specified, the value in the lower registration location will take precedence. You can check how the `keep_tokens` option is handled in the previous example for better understanding. Additionally, the available options may vary depending on the method that the learning approach supports. * Options specific to the DreamBooth method * Options specific to the fine-tuning method * Options available when using the caption dropout technique When using both the DreamBooth method and the fine-tuning method, they can be used together with a learning approach that supports both. When using them together, a point to note is that the method is determined based on the dataset, so it is not possible to mix DreamBooth method subsets and fine-tuning method subsets within the same dataset. In other words, if you want to use both methods together, you need to set up subsets of different methods belonging to different datasets. In terms of program behavior, if the `metadata_file` option exists, it is determined to be a subset of fine-tuning. Therefore, for subsets belonging to the same dataset, as long as they are either "all have the `metadata_file` option" or "all have no `metadata_file` option," there is no problem. Below, the available options will be explained. For options with the same name as the command-line argument, the explanation will be omitted in principle. Please refer to other READMEs. ### Common options for all learning methods These are options that can be specified regardless of the learning method. #### Data set specific options These are options related to the configuration of the data set. They cannot be described in `datasets.subsets`. | Option Name | Example Setting | `[general]` | `[[datasets]]` | | ---- | ---- | ---- | ---- | | `batch_size` | `1` | o | o | | `bucket_no_upscale` | `true` | o | o | | `bucket_reso_steps` | `64` | o | o | | `enable_bucket` | `true` | o | o | | `max_bucket_reso` | `1024` | o | o | | `min_bucket_reso` | `128` | o | o | | `resolution` | `256`, `[512, 512]` | o | o | * `batch_size` * This corresponds to the command-line argument `--train_batch_size`. * `max_bucket_reso`, `min_bucket_reso` * Specify the maximum and minimum resolutions of the bucket. It must be divisible by `bucket_reso_steps`. These settings are fixed per dataset. That means that subsets belonging to the same dataset will share these settings. For example, if you want to prepare datasets with different resolutions, you can define them as separate datasets as shown in the example above, and set different resolutions for each. #### Options for Subsets These options are related to subset configuration. | Option Name | Example | `[general]` | `[[datasets]]` | `[[dataset.subsets]]` | | ---- | ---- | ---- | ---- | ---- | | `color_aug` | `false` | o | o | o | | `face_crop_aug_range` | `[1.0, 3.0]` | o | o | o | | `flip_aug` | `true` | o | o | o | | `keep_tokens` | `2` | o | o | o | | `num_repeats` | `10` | o | o | o | | `random_crop` | `false` | o | o | o | | `shuffle_caption` | `true` | o | o | o | | `caption_prefix` | `"masterpiece, best quality, "` | o | o | o | | `caption_suffix` | `", from side"` | o | o | o | | `caption_separator` | (not specified) | o | o | o | | `keep_tokens_separator` | `“|||”` | o | o | o | | `secondary_separator` | `“;;;”` | o | o | o | | `enable_wildcard` | `true` | o | o | o | | `resize_interpolation` | (not specified) | o | o | o | * `num_repeats` * Specifies the number of repeats for images in a subset. This is equivalent to `--dataset_repeats` in fine-tuning but can be specified for any training method. * `caption_prefix`, `caption_suffix` * Specifies the prefix and suffix strings to be appended to the captions. Shuffling is performed with these strings included. Be cautious when using `keep_tokens`. * `caption_separator` * Specifies the string to separate the tags. The default is `,`. This option is usually not necessary to set. * `keep_tokens_separator` * Specifies the string to separate the parts to be fixed in the caption. For example, if you specify `aaa, bbb ||| ccc, ddd, eee, fff ||| ggg, hhh`, the parts `aaa, bbb` and `ggg, hhh` will remain, and the rest will be shuffled and dropped. The comma in between is not necessary. As a result, the prompt will be `aaa, bbb, eee, ccc, fff, ggg, hhh` or `aaa, bbb, fff, ccc, eee, ggg, hhh`, etc. * `secondary_separator` * Specifies an additional separator. The part separated by this separator is treated as one tag and is shuffled and dropped. It is then replaced by `caption_separator`. For example, if you specify `aaa;;;bbb;;;ccc`, it will be replaced by `aaa,bbb,ccc` or dropped together. * `enable_wildcard` * Enables wildcard notation. This will be explained later. * `resize_interpolation` * Specifies the interpolation method used when resizing images. Normally, there is no need to specify this. The following options can be specified: `lanczos`, `nearest`, `bilinear`, `linear`, `bicubic`, `cubic`, `area`, `box`. By default (when not specified), `area` is used for downscaling, and `lanczos` is used for upscaling. If this option is specified, the same interpolation method will be used for both upscaling and downscaling. When `lanczos` or `box` is specified, PIL is used; for other options, OpenCV is used. ### DreamBooth-specific options DreamBooth-specific options only exist as subsets-specific options. #### Subset-specific options Options related to the configuration of DreamBooth subsets. | Option Name | Example Setting | `[general]` | `[[datasets]]` | `[[dataset.subsets]]` | | ---- | ---- | ---- | ---- | ---- | | `image_dir` | `'C:\hoge'` | - | - | o (required) | | `caption_extension` | `".txt"` | o | o | o | | `class_tokens` | `"sks girl"` | - | - | o | | `cache_info` | `false` | o | o | o | | `is_reg` | `false` | - | - | o | Firstly, note that for `image_dir`, the path to the image files must be specified as being directly in the directory. Unlike the previous DreamBooth method, where images had to be placed in subdirectories, this is not compatible with that specification. Also, even if you name the folder something like "5_cat", the number of repeats of the image and the class name will not be reflected. If you want to set these individually, you will need to explicitly specify them using `num_repeats` and `class_tokens`. * `image_dir` * Specifies the path to the image directory. This is a required option. * Images must be placed directly under the directory. * `class_tokens` * Sets the class tokens. * Only used during training when a corresponding caption file does not exist. The determination of whether or not to use it is made on a per-image basis. If `class_tokens` is not specified and a caption file is not found, an error will occur. * `cache_info` * Specifies whether to cache the image size and caption. If not specified, it is set to `false`. The cache is saved in `metadata_cache.json` in `image_dir`. * Caching speeds up the loading of the dataset after the first time. It is effective when dealing with thousands of images or more. * `is_reg` * Specifies whether the subset images are for normalization. If not specified, it is set to `false`, meaning that the images are not for normalization. ### Fine-tuning method specific options The options for the fine-tuning method only exist for subset-specific options. #### Subset-specific options These options are related to the configuration of the fine-tuning method's subsets. | Option name | Example setting | `[general]` | `[[datasets]]` | `[[dataset.subsets]]` | | ---- | ---- | ---- | ---- | ---- | | `image_dir` | `'C:\hoge'` | - | - | o | | `metadata_file` | `'C:\piyo\piyo_md.json'` | - | - | o (required) | * `image_dir` * Specify the path to the image directory. Unlike the DreamBooth method, specifying it is not mandatory, but it is recommended to do so. * The case where it is not necessary to specify is when the `--full_path` is added to the command line when generating the metadata file. * The images must be placed directly under the directory. * `metadata_file` * Specify the path to the metadata file used for the subset. This is a required option. * It is equivalent to the command-line argument `--in_json`. * Due to the specification that a metadata file must be specified for each subset, it is recommended to avoid creating a metadata file with images from different directories as a single metadata file. It is strongly recommended to prepare a separate metadata file for each image directory and register them as separate subsets. ### Options available when caption dropout method can be used The options available when the caption dropout method can be used exist only for subsets. Regardless of whether it's the DreamBooth method or fine-tuning method, if it supports caption dropout, it can be specified. #### Subset-specific options Options related to the setting of subsets that caption dropout can be used for. | Option Name | `[general]` | `[[datasets]]` | `[[dataset.subsets]]` | | ---- | ---- | ---- | ---- | | `caption_dropout_every_n_epochs` | o | o | o | | `caption_dropout_rate` | o | o | o | | `caption_tag_dropout_rate` | o | o | o | ## Behavior when there are duplicate subsets In the case of the DreamBooth dataset, if there are multiple `image_dir` directories with the same content, they are considered to be duplicate subsets. For the fine-tuning dataset, if there are multiple `metadata_file` files with the same content, they are considered to be duplicate subsets. If duplicate subsets exist in the dataset, subsequent subsets will be ignored. However, if they belong to different datasets, they are not considered duplicates. For example, if you have subsets with the same `image_dir` in different datasets, they will not be considered duplicates. This is useful when you want to train with the same image but with different resolutions. ```toml # If data sets exist separately, they are not considered duplicates and are both used for training. [[datasets]] resolution = 512 [[datasets.subsets]] image_dir = 'C:\hoge' [[datasets]] resolution = 768 [[datasets.subsets]] image_dir = 'C:\hoge' ``` ## Command Line Argument and Configuration File There are options in the configuration file that have overlapping roles with command line argument options. The following command line argument options are ignored if a configuration file is passed: * `--train_data_dir` * `--reg_data_dir` * `--in_json` For the command line options listed below, if an option is specified in both the command line arguments and the configuration file, the value from the configuration file will be given priority. Unless otherwise noted, the option names are the same. | Command Line Argument Option | Corresponding Configuration File Option | | ------------------------------- | --------------------------------------- | | `--bucket_no_upscale` | | | `--bucket_reso_steps` | | | `--caption_dropout_every_n_epochs` | | | `--caption_dropout_rate` | | | `--caption_extension` | | | `--caption_tag_dropout_rate` | | | `--color_aug` | | | `--dataset_repeats` | `num_repeats` | | `--enable_bucket` | | | `--face_crop_aug_range` | | | `--flip_aug` | | | `--keep_tokens` | | | `--min_bucket_reso` | | | `--random_crop` | | | `--resolution` | | | `--shuffle_caption` | | | `--train_batch_size` | `batch_size` | ## Error Guide Currently, we are using an external library to check if the configuration file is written correctly, but the development has not been completed, and there is a problem that the error message is not clear. In the future, we plan to improve this problem. As a temporary measure, we will list common errors and their solutions. If you encounter an error even though it should be correct or if the error content is not understandable, please contact us as it may be a bug. * `voluptuous.error.MultipleInvalid: required key not provided @ ...`: This error occurs when a required option is not provided. It is highly likely that you forgot to specify the option or misspelled the option name. * The error location is indicated by `...` in the error message. For example, if you encounter an error like `voluptuous.error.MultipleInvalid: required key not provided @ data['datasets'][0]['subsets'][0]['image_dir']`, it means that the `image_dir` option does not exist in the 0th `subsets` of the 0th `datasets` setting. * `voluptuous.error.MultipleInvalid: expected int for dictionary value @ ...`: This error occurs when the specified value format is incorrect. It is highly likely that the value format is incorrect. The `int` part changes depending on the target option. The example configurations in this README may be helpful. * `voluptuous.error.MultipleInvalid: extra keys not allowed @ ...`: This error occurs when there is an option name that is not supported. It is highly likely that you misspelled the option name or mistakenly included it. ## Miscellaneous ### Multi-line captions By setting `enable_wildcard = true`, multiple-line captions are also enabled. If the caption file consists of multiple lines, one line is randomly selected as the caption. ```txt 1girl, hatsune miku, vocaloid, upper body, looking at viewer, microphone, stage a girl with a microphone standing on a stage detailed digital art of a girl with a microphone on a stage ``` It can be combined with wildcard notation. In metadata files, you can also specify multiple-line captions. In the `.json` metadata file, use `\n` to represent a line break. If the caption file consists of multiple lines, `merge_captions_to_metadata.py` will create a metadata file in this format. The tags in the metadata (`tags`) are added to each line of the caption. ```json { "/path/to/image.png": { "caption": "a cartoon of a frog with the word frog on it\ntest multiline caption1\ntest multiline caption2", "tags": "open mouth, simple background, standing, no humans, animal, black background, frog, animal costume, animal focus" }, ... } ``` In this case, the actual caption will be `a cartoon of a frog with the word frog on it, open mouth, simple background ...`, `test multiline caption1, open mouth, simple background ...`, `test multiline caption2, open mouth, simple background ...`, etc. ### Example of configuration file : `secondary_separator`, wildcard notation, `keep_tokens_separator`, etc. ```toml [general] flip_aug = true color_aug = false resolution = [1024, 1024] [[datasets]] batch_size = 6 enable_bucket = true bucket_no_upscale = true caption_extension = ".txt" keep_tokens_separator= "|||" shuffle_caption = true caption_tag_dropout_rate = 0.1 secondary_separator = ";;;" # subset 側に書くこともできます / can be written in the subset side enable_wildcard = true # 同上 / same as above [[datasets.subsets]] image_dir = "/path/to/image_dir" num_repeats = 1 # ||| の前後はカンマは不要です（自動的に追加されます） / No comma is required before and after ||| (it is added automatically) caption_prefix = "1girl, hatsune miku, vocaloid |||" # ||| の後はシャッフル、drop されず残ります / After |||, it is not shuffled or dropped and remains # 単純に文字列として連結されるので、カンマなどは自分で入れる必要があります / It is simply concatenated as a string, so you need to put commas yourself caption_suffix = ", anime screencap ||| masterpiece, rating: general" ``` ### Example of caption, secondary_separator notation: `secondary_separator = ";;;"` ```txt 1girl, hatsune miku, vocaloid, upper body, looking at viewer, sky;;;cloud;;;day, outdoors ``` The part `sky;;;cloud;;;day` is replaced with `sky,cloud,day` without shuffling or dropping. When shuffling and dropping are enabled, it is processed as a whole (as one tag). For example, it becomes `vocaloid, 1girl, upper body, sky,cloud,day, outdoors, hatsune miku` (shuffled) or `vocaloid, 1girl, outdoors, looking at viewer, upper body, hatsune miku` (dropped). ### Example of caption, enable_wildcard notation: `enable_wildcard = true` ```txt 1girl, hatsune miku, vocaloid, upper body, looking at viewer, {simple|white} background ``` `simple` or `white` is randomly selected, and it becomes `simple background` or `white background`. ```txt 1girl, hatsune miku, vocaloid, {{retro style}} ``` If you want to include `{` or `}` in the tag string, double them like `{{` or `}}` (in this example, the actual caption used for training is `{retro style}`). ### Example of caption, `keep_tokens_separator` notation: `keep_tokens_separator = "|||"` ```txt 1girl, hatsune miku, vocaloid ||| stage, microphone, white shirt, smile ||| best quality, rating: general ``` It becomes `1girl, hatsune miku, vocaloid, microphone, stage, white shirt, best quality, rating: general` or `1girl, hatsune miku, vocaloid, white shirt, smile, stage, microphone, best quality, rating: general` etc. ================================================ FILE: docs/config_README-ja.md ================================================ `--dataset_config` で渡すことができる設定ファイルに関する説明です。 ## 概要 設定ファイルを渡すことにより、ユーザが細かい設定を行えるようにします。 * 複数のデータセットが設定可能になります * 例えば `resolution` をデータセットごとに設定して、それらを混合して学習できます。 * DreamBooth の手法と fine tuning の手法の両方に対応している学習方法では、DreamBooth 方式と fine tuning 方式のデータセットを混合することが可能です。 * サブセットごとに設定を変更することが可能になります * データセットを画像ディレクトリ別またはメタデータ別に分割したものがサブセットです。いくつかのサブセットが集まってデータセットを構成します。 * `keep_tokens` や `flip_aug` 等のオプションはサブセットごとに設定可能です。一方、`resolution` や `batch_size` といったオプションはデータセットごとに設定可能で、同じデータセットに属するサブセットでは値が共通になります。詳しくは後述します。 設定ファイルの形式は JSON か TOML を利用できます。記述のしやすさを考えると [TOML](https://toml.io/ja/v1.0.0-rc.2) を利用するのがオススメです。以下、TOML の利用を前提に説明します。 TOML で記述した設定ファイルの例です。 ```toml [general] shuffle_caption = true caption_extension = '.txt' keep_tokens = 1 # これは DreamBooth 方式のデータセット [[datasets]] resolution = 512 batch_size = 4 keep_tokens = 2 [[datasets.subsets]] image_dir = 'C:\hoge' class_tokens = 'hoge girl' # このサブセットは keep_tokens = 2 （所属する datasets の値が使われる） [[datasets.subsets]] image_dir = 'C:\fuga' class_tokens = 'fuga boy' keep_tokens = 3 [[datasets.subsets]] is_reg = true image_dir = 'C:\reg' class_tokens = 'human' keep_tokens = 1 # これは fine tuning 方式のデータセット [[datasets]] resolution = [768, 768] batch_size = 2 [[datasets.subsets]] image_dir = 'C:\piyo' metadata_file = 'C:\piyo\piyo_md.json' # このサブセットは keep_tokens = 1 （general の値が使われる） ``` この例では、3 つのディレクトリを DreamBooth 方式のデータセットとして 512x512 (batch size 4) で学習させ、1 つのディレクトリを fine tuning 方式のデータセットとして 768x768 (batch size 2) で学習させることになります。 ## データセット・サブセットに関する設定 データセット・サブセットに関する設定は、登録可能な箇所がいくつかに分かれています。 * `[general]` * 全データセットまたは全サブセットに適用されるオプションを指定する箇所です。 * データセットごとの設定及びサブセットごとの設定に同名のオプションが存在していた場合には、データセット・サブセットごとの設定が優先されます。 * `[[datasets]]` * `datasets` はデータセットに関する設定の登録箇所になります。各データセットに個別に適用されるオプションを指定する箇所です。 * サブセットごとの設定が存在していた場合には、サブセットごとの設定が優先されます。 * `[[datasets.subsets]]` * `datasets.subsets` はサブセットに関する設定の登録箇所になります。各サブセットに個別に適用されるオプションを指定する箇所です。 先程の例における、画像ディレクトリと登録箇所の対応に関するイメージ図です。 ``` C:\ ├─ hoge -> [[datasets.subsets]] No.1 ┐ ┐ ├─ fuga -> [[datasets.subsets]] No.2 |-> [[datasets]] No.1 |-> [general] ├─ reg -> [[datasets.subsets]] No.3 ┘ | └─ piyo -> [[datasets.subsets]] No.4 --> [[datasets]] No.2 ┘ ``` 画像ディレクトリがそれぞれ1つの `[[datasets.subsets]]` に対応しています。そして `[[datasets.subsets]]` が1つ以上組み合わさって1つの `[[datasets]]` を構成します。`[general]` には全ての `[[datasets]]`, `[[datasets.subsets]]` が属します。 登録箇所ごとに指定可能なオプションは異なりますが、同名のオプションが指定された場合は下位の登録箇所にある値が優先されます。先程の例の `keep_tokens` オプションの扱われ方を確認してもらうと理解しやすいかと思います。 加えて、学習方法が対応している手法によっても指定可能なオプションが変化します。 * DreamBooth 方式専用のオプション * fine tuning 方式専用のオプション * caption dropout の手法が使える場合のオプション DreamBooth の手法と fine tuning の手法の両方とも利用可能な学習方法では、両者を併用することができます。 併用する際の注意点として、DreamBooth 方式なのか fine tuning 方式なのかはデータセット単位で判別を行っているため、同じデータセット中に DreamBooth 方式のサブセットと fine tuning 方式のサブセットを混在させることはできません。 つまり、これらを併用したい場合には異なる方式のサブセットが異なるデータセットに所属するように設定する必要があります。 プログラムの挙動としては、後述する `metadata_file` オプションが存在していたら fine tuning 方式のサブセットだと判断します。 そのため、同一のデータセットに所属するサブセットについて言うと、「全てが `metadata_file` オプションを持つ」か「全てが `metadata_file` オプションを持たない」かのどちらかになっていれば問題ありません。 以下、利用可能なオプションを説明します。コマンドライン引数と名称が同一のオプションについては、基本的に説明を割愛します。他の README を参照してください。 ### 全学習方法で共通のオプション 学習方法によらずに指定可能なオプションです。 #### データセット向けオプション データセットの設定に関わるオプションです。`datasets.subsets` には記述できません。 | オプション名 | 設定例 | `[general]` | `[[datasets]]` | | ---- | ---- | ---- | ---- | | `batch_size` | `1` | o | o | | `bucket_no_upscale` | `true` | o | o | | `bucket_reso_steps` | `64` | o | o | | `enable_bucket` | `true` | o | o | | `max_bucket_reso` | `1024` | o | o | | `min_bucket_reso` | `128` | o | o | | `resolution` | `256`, `[512, 512]` | o | o | * `batch_size` * コマンドライン引数の `--train_batch_size` と同等です。 * `max_bucket_reso`, `min_bucket_reso` * bucketの最大、最小解像度を指定します。`bucket_reso_steps` で割り切れる必要があります。 これらの設定はデータセットごとに固定です。 つまり、データセットに所属するサブセットはこれらの設定を共有することになります。 例えば解像度が異なるデータセットを用意したい場合は、上に挙げた例のように別々のデータセットとして定義すれば別々の解像度を設定可能です。 #### サブセット向けオプション サブセットの設定に関わるオプションです。 | オプション名 | 設定例 | `[general]` | `[[datasets]]` | `[[dataset.subsets]]` | | ---- | ---- | ---- | ---- | ---- | | `color_aug` | `false` | o | o | o | | `face_crop_aug_range` | `[1.0, 3.0]` | o | o | o | | `flip_aug` | `true` | o | o | o | | `keep_tokens` | `2` | o | o | o | | `num_repeats` | `10` | o | o | o | | `random_crop` | `false` | o | o | o | | `shuffle_caption` | `true` | o | o | o | | `caption_prefix` | `“masterpiece, best quality, ”` | o | o | o | | `caption_suffix` | `“, from side”` | o | o | o | | `caption_separator` | （通常は設定しません） | o | o | o | | `keep_tokens_separator` | `“|||”` | o | o | o | | `secondary_separator` | `“;;;”` | o | o | o | | `enable_wildcard` | `true` | o | o | o | | `resize_interpolation` |（通常は設定しません） | o | o | o | * `num_repeats` * サブセットの画像の繰り返し回数を指定します。fine tuning における `--dataset_repeats` に相当しますが、`num_repeats` はどの学習方法でも指定可能です。 * `caption_prefix`, `caption_suffix` * キャプションの前、後に付与する文字列を指定します。シャッフルはこれらの文字列を含めた状態で行われます。`keep_tokens` を指定する場合には注意してください。 * `caption_separator` * タグを区切る文字列を指定します。デフォルトは `,` です。このオプションは通常は設定する必要はありません。 * `keep_tokens_separator` * キャプションで固定したい部分を区切る文字列を指定します。たとえば `aaa, bbb ||| ccc, ddd, eee, fff ||| ggg, hhh` のように指定すると、`aaa, bbb` と `ggg, hhh` の部分はシャッフル、drop されず残ります。間のカンマは不要です。結果としてプロンプトは `aaa, bbb, eee, ccc, fff, ggg, hhh` や `aaa, bbb, fff, ccc, eee, ggg, hhh` などになります。 * `secondary_separator` * 追加の区切り文字を指定します。この区切り文字で区切られた部分は一つのタグとして扱われ、シャッフル、drop されます。その後、`caption_separator` に置き換えられます。たとえば `aaa;;;bbb;;;ccc` のように指定すると、`aaa,bbb,ccc` に置き換えられるか、まとめて drop されます。 * `enable_wildcard` * ワイルドカード記法および複数行キャプションを有効にします。ワイルドカード記法、複数行キャプションについては後述します。 * `resize_interpolation` * 画像のリサイズ時に使用する補間方法を指定します。通常は指定しなくて構いません。`lanczos`, `nearest`, `bilinear`, `linear`, `bicubic`, `cubic`, `area`, `box` が指定可能です。デフォルト（未指定時）は、縮小時は `area`、拡大時は `lanczos` になります。このオプションを指定すると、拡大時・縮小時とも同じ補間方法が使用されます。`lanczos`、`box`を指定するとPILが、それ以外を指定するとOpenCVが使用されます。 ### DreamBooth 方式専用のオプション DreamBooth 方式のオプションは、サブセット向けオプションのみ存在します。 #### サブセット向けオプション DreamBooth 方式のサブセットの設定に関わるオプションです。 | オプション名 | 設定例 | `[general]` | `[[datasets]]` | `[[dataset.subsets]]` | | ---- | ---- | ---- | ---- | ---- | | `image_dir` | `‘C:\hoge’` | - | - | o（必須） | | `caption_extension` | `".txt"` | o | o | o | | `class_tokens` | `“sks girl”` | - | - | o | | `cache_info` | `false` | o | o | o | | `is_reg` | `false` | - | - | o | まず注意点として、 `image_dir` には画像ファイルが直下に置かれているパスを指定する必要があります。従来の DreamBooth の手法ではサブディレクトリに画像を置く必要がありましたが、そちらとは仕様に互換性がありません。また、`5_cat` のようなフォルダ名にしても、画像の繰り返し回数とクラス名は反映されません。これらを個別に設定したい場合、`num_repeats` と `class_tokens` で明示的に指定する必要があることに注意してください。 * `image_dir` * 画像ディレクトリのパスを指定します。指定必須オプションです。 * 画像はディレクトリ直下に置かれている必要があります。 * `class_tokens` * クラストークンを設定します。 * 画像に対応する caption ファイルが存在しない場合にのみ学習時に利用されます。利用するかどうかの判定は画像ごとに行います。`class_tokens` を指定しなかった場合に caption ファイルも見つからなかった場合にはエラーになります。 * `cache_info` * 画像サイズ、キャプションをキャッシュするかどうかを指定します。指定しなかった場合は `false` になります。キャッシュは `image_dir` に `metadata_cache.json` というファイル名で保存されます。 * キャッシュを行うと、二回目以降のデータセット読み込みが高速化されます。数千枚以上の画像を扱う場合には有効です。 * `is_reg` * サブセットの画像が正規化用かどうかを指定します。指定しなかった場合は `false` として、つまり正規化画像ではないとして扱います。 ### fine tuning 方式専用のオプション fine tuning 方式のオプションは、サブセット向けオプションのみ存在します。 #### サブセット向けオプション fine tuning 方式のサブセットの設定に関わるオプションです。 | オプション名 | 設定例 | `[general]` | `[[datasets]]` | `[[dataset.subsets]]` | | ---- | ---- | ---- | ---- | ---- | | `image_dir` | `‘C:\hoge’` | - | - | o | | `metadata_file` | `'C:\piyo\piyo_md.json'` | - | - | o（必須） | * `image_dir` * 画像ディレクトリのパスを指定します。DreamBooth の手法の方とは異なり指定は必須ではありませんが、設定することを推奨します。 * 指定する必要がない状況としては、メタデータファイルの生成時に `--full_path` を付与して実行していた場合です。 * 画像はディレクトリ直下に置かれている必要があります。 * `metadata_file` * サブセットで利用されるメタデータファイルのパスを指定します。指定必須オプションです。 * コマンドライン引数の `--in_json` と同等です。 * サブセットごとにメタデータファイルを指定する必要がある仕様上、ディレクトリを跨いだメタデータを1つのメタデータファイルとして作成することは避けた方が良いでしょう。画像ディレクトリごとにメタデータファイルを用意し、それらを別々のサブセットとして登録することを強く推奨します。 ### caption dropout の手法が使える場合に指定可能なオプション caption dropout の手法が使える場合のオプションは、サブセット向けオプションのみ存在します。 DreamBooth 方式か fine tuning 方式かに関わらず、caption dropout に対応している学習方法であれば指定可能です。 #### サブセット向けオプション caption dropout が使えるサブセットの設定に関わるオプションです。 | オプション名 | `[general]` | `[[datasets]]` | `[[dataset.subsets]]` | | ---- | ---- | ---- | ---- | | `caption_dropout_every_n_epochs` | o | o | o | | `caption_dropout_rate` | o | o | o | | `caption_tag_dropout_rate` | o | o | o | ## 重複したサブセットが存在する時の挙動 DreamBooth 方式のデータセットの場合、その中にある `image_dir` が同一のサブセットは重複していると見なされます。 fine tuning 方式のデータセットの場合は、その中にある `metadata_file` が同一のサブセットは重複していると見なされます。 データセット中に重複したサブセットが存在する場合、2個目以降は無視されます。 一方、異なるデータセットに所属している場合は、重複しているとは見なされません。 例えば、以下のように同一の `image_dir` を持つサブセットを別々のデータセットに入れた場合には、重複していないと見なします。 これは、同じ画像でも異なる解像度で学習したい場合に役立ちます。 ```toml # 別々のデータセットに存在している場合は重複とは見なされず、両方とも学習に使われる [[datasets]] resolution = 512 [[datasets.subsets]] image_dir = 'C:\hoge' [[datasets]] resolution = 768 [[datasets.subsets]] image_dir = 'C:\hoge' ``` ## コマンドライン引数との併用 設定ファイルのオプションの中には、コマンドライン引数のオプションと役割が重複しているものがあります。 以下に挙げるコマンドライン引数のオプションは、設定ファイルを渡した場合には無視されます。 * `--train_data_dir` * `--reg_data_dir` * `--in_json` 以下に挙げるコマンドライン引数のオプションは、コマンドライン引数と設定ファイルで同時に指定された場合、コマンドライン引数の値よりも設定ファイルの値が優先されます。特に断りがなければ同名のオプションとなります。 | コマンドライン引数のオプション | 優先される設定ファイルのオプション | | ---------------------------------- | ---------------------------------- | | `--bucket_no_upscale` | | | `--bucket_reso_steps` | | | `--caption_dropout_every_n_epochs` | | | `--caption_dropout_rate` | | | `--caption_extension` | | | `--caption_tag_dropout_rate` | | | `--color_aug` | | | `--dataset_repeats` | `num_repeats` | | `--enable_bucket` | | | `--face_crop_aug_range` | | | `--flip_aug` | | | `--keep_tokens` | | | `--min_bucket_reso` | | | `--random_crop` | | | `--resolution` | | | `--shuffle_caption` | | | `--train_batch_size` | `batch_size` | ## エラーの手引き 現在、外部ライブラリを利用して設定ファイルの記述が正しいかどうかをチェックしているのですが、整備が行き届いておらずエラーメッセージがわかりづらいという問題があります。 将来的にはこの問題の改善に取り組む予定です。 次善策として、頻出のエラーとその対処法について載せておきます。 正しいはずなのにエラーが出る場合、エラー内容がどうしても分からない場合は、バグかもしれないのでご連絡ください。 * `voluptuous.error.MultipleInvalid: required key not provided @ ...`: 指定必須のオプションが指定されていないというエラーです。指定を忘れているか、オプション名を間違って記述している可能性が高いです。 * `...` の箇所にはエラーが発生した場所が載っています。例えば `voluptuous.error.MultipleInvalid: required key not provided @ data['datasets'][0]['subsets'][0]['image_dir']` のようなエラーが出たら、0 番目の `datasets` 中の 0 番目の `subsets` の設定に `image_dir` が存在しないということになります。 * `voluptuous.error.MultipleInvalid: expected int for dictionary value @ ...`: 指定する値の形式が不正というエラーです。値の形式が間違っている可能性が高いです。`int` の部分は対象となるオプションによって変わります。この README に載っているオプションの「設定例」が役立つかもしれません。 * `voluptuous.error.MultipleInvalid: extra keys not allowed @ ...`: 対応していないオプション名が存在している場合に発生するエラーです。オプション名を間違って記述しているか、誤って紛れ込んでいる可能性が高いです。 ## その他 ### 複数行キャプション `enable_wildcard = true` を設定することで、複数行キャプションも同時に有効になります。キャプションファイルが複数の行からなる場合、ランダムに一つの行が選ばれてキャプションとして利用されます。 ```txt 1girl, hatsune miku, vocaloid, upper body, looking at viewer, microphone, stage a girl with a microphone standing on a stage detailed digital art of a girl with a microphone on a stage ``` ワイルドカード記法と組み合わせることも可能です。 メタデータファイルでも同様に複数行キャプションを指定することができます。メタデータの .json 内には、`\n` を使って改行を表現してください。キャプションファイルが複数行からなる場合、`merge_captions_to_metadata.py` を使うと、この形式でメタデータファイルが作成されます。 メタデータのタグ (`tags`) は、キャプションの各行に追加されます。 ```json { "/path/to/image.png": { "caption": "a cartoon of a frog with the word frog on it\ntest multiline caption1\ntest multiline caption2", "tags": "open mouth, simple background, standing, no humans, animal, black background, frog, animal costume, animal focus" }, ... } ``` この場合、実際のキャプションは `a cartoon of a frog with the word frog on it, open mouth, simple background ...` または `test multiline caption1, open mouth, simple background ...`、 `test multiline caption2, open mouth, simple background ...` 等になります。 ### 設定ファイルの記述例：追加の区切り文字、ワイルドカード記法、`keep_tokens_separator` 等 ```toml [general] flip_aug = true color_aug = false resolution = [1024, 1024] [[datasets]] batch_size = 6 enable_bucket = true bucket_no_upscale = true caption_extension = ".txt" keep_tokens_separator= "|||" shuffle_caption = true caption_tag_dropout_rate = 0.1 secondary_separator = ";;;" # subset 側に書くこともできます / can be written in the subset side enable_wildcard = true # 同上 / same as above [[datasets.subsets]] image_dir = "/path/to/image_dir" num_repeats = 1 # ||| の前後はカンマは不要です（自動的に追加されます） / No comma is required before and after ||| (it is added automatically) caption_prefix = "1girl, hatsune miku, vocaloid |||" # ||| の後はシャッフル、drop されず残ります / After |||, it is not shuffled or dropped and remains # 単純に文字列として連結されるので、カンマなどは自分で入れる必要があります / It is simply concatenated as a string, so you need to put commas yourself caption_suffix = ", anime screencap ||| masterpiece, rating: general" ``` ### キャプション記述例、secondary_separator 記法：`secondary_separator = ";;;"` の場合 ```txt 1girl, hatsune miku, vocaloid, upper body, looking at viewer, sky;;;cloud;;;day, outdoors ``` `sky;;;cloud;;;day` の部分はシャッフル、drop されず `sky,cloud,day` に置換されます。シャッフル、drop が有効な場合、まとめて（一つのタグとして）処理されます。つまり `vocaloid, 1girl, upper body, sky,cloud,day, outdoors, hatsune miku` （シャッフル）や `vocaloid, 1girl, outdoors, looking at viewer, upper body, hatsune miku` （drop されたケース）などになります。 ### キャプション記述例、ワイルドカード記法： `enable_wildcard = true` の場合 ```txt 1girl, hatsune miku, vocaloid, upper body, looking at viewer, {simple|white} background ``` ランダムに `simple` または `white` が選ばれ、`simple background` または `white background` になります。 ```txt 1girl, hatsune miku, vocaloid, {{retro style}} ``` タグ文字列に `{` や `}` そのものを含めたい場合は `{{` や `}}` のように二つ重ねてください（この例では実際に学習に用いられるキャプションは `{retro style}` になります）。 ### キャプション記述例、`keep_tokens_separator` 記法： `keep_tokens_separator = "|||"` の場合 ```txt 1girl, hatsune miku, vocaloid ||| stage, microphone, white shirt, smile ||| best quality, rating: general ``` `1girl, hatsune miku, vocaloid, microphone, stage, white shirt, best quality, rating: general` や `1girl, hatsune miku, vocaloid, white shirt, smile, stage, microphone, best quality, rating: general` などになります。 ================================================ FILE: docs/fine_tune.md ================================================ # Fine-tuning Guide This document explains how to perform fine-tuning on various model architectures using the `*_train.py` scripts.
日本語 # Fine-tuning ガイド このドキュメントでは、`*_train.py` スクリプトを用いた、各種モデルアーキテクチャのFine-tuningの方法について解説します。
### Difference between Fine-tuning and LoRA tuning This repository supports two methods for additional model training: **Fine-tuning** and **LoRA (Low-Rank Adaptation)**. Each method has distinct features and advantages. **Fine-tuning** is a method that retrains all (or most) of the weights of a pre-trained model. - **Pros**: It can improve the overall expressive power of the model and is suitable for learning styles or concepts that differ significantly from the original model. - **Cons**: - It requires a large amount of VRAM and computational cost. - The saved file size is large (same as the original model). - It is prone to "overfitting," where the model loses the diversity of the original model if over-trained. - **Corresponding scripts**: Scripts named `*_train.py`, such as `sdxl_train.py`, `sd3_train.py`, `flux_train.py`, and `lumina_train.py`. **LoRA tuning** is a method that freezes the model's weights and only trains a small additional network called an "adapter." - **Pros**: - It allows for fast training with low VRAM and computational cost. - It is considered resistant to overfitting because it trains fewer weights. - The saved file (LoRA network) is very small, ranging from tens to hundreds of MB, making it easy to manage. - Multiple LoRAs can be used in combination. - **Cons**: Since it does not train the entire model, it may not achieve changes as significant as fine-tuning. - **Corresponding scripts**: Scripts named `*_train_network.py`, such as `sdxl_train_network.py`, `sd3_train_network.py`, and `flux_train_network.py`. | Feature | Fine-tuning | LoRA tuning | |:---|:---|:---| | **Training Target** | All model weights | Additional network (adapter) only | | **VRAM/Compute Cost**| High | Low | | **Training Time** | Long | Short | | **File Size** | Large (several GB) | Small (few MB to hundreds of MB) | | **Overfitting Risk** | High | Low | | **Suitable Use Case** | Major style changes, concept learning | Adding specific characters or styles | Generally, it is recommended to start with **LoRA tuning** if you want to add a specific character or style. **Fine-tuning** is a valid option for more fundamental style changes or aiming for a high-quality model.
日本語 ### Fine-tuningとLoRA学習の違い このリポジトリでは、モデルの追加学習手法として**Fine-tuning**と**LoRA (Low-Rank Adaptation)**学習の2種類をサポートしています。それぞれの手法には異なる特徴と利点があります。 **Fine-tuning**は、事前学習済みモデルの重み全体（または大部分）を再学習する手法です。 - **利点**: モデル全体の表現力を向上させることができ、元のモデルから大きく変化した画風やコンセプトの学習に適しています。 - **欠点**: - 学習には多くのVRAMと計算コストが必要です。 - 保存されるファイルサイズが大きくなります（元のモデルと同じサイズ）。 - 学習させすぎると、元のモデルが持っていた多様性が失われる「過学習（overfitting）」に陥りやすい傾向があります。 - **対応スクリプト**: `sdxl_train.py`, `sd3_train.py`, `flux_train.py`, `lumina_train.py` など、`*_train.py` という命名規則のスクリプトが対応します。 **LoRA学習**は、モデルの重みは凍結（固定）したまま、「アダプター」と呼ばれる小さな追加ネットワークのみを学習する手法です。 - **利点**: - 少ないVRAMと計算コストで高速に学習できます。 - 学習する重みが少ないため、過学習に強いとされています。 - 保存されるファイル（LoRAネットワーク）は数十〜数百MBと非常に小さく、管理が容易です。 - 複数のLoRAを組み合わせて使用することも可能です。 - **欠点**: モデル全体を学習するわけではないため、Fine-tuningほどの大きな変化は期待できない場合があります。 - **対応スクリプト**: `sdxl_train_network.py`, `sd3_train_network.py`, `flux_train_network.py` など、`*_train_network.py` という命名規則のスクリプトが対応します。 | 特徴 | Fine-tuning | LoRA学習 | |:---|:---|:---| | **学習対象** | モデルの全重み | 追加ネットワーク（アダプター）のみ | | **VRAM/計算コスト**| 大 | 小 | | **学習時間** | 長 | 短 | | **ファイルサイズ** | 大（数GB） | 小（数MB〜数百MB） | | **過学習リスク** | 高 | 低 | | **適した用途** | 大規模な画風変更、コンセプト学習 | 特定のキャラ、画風の追加学習 | 一般的に、特定のキャラクターや画風を追加したい場合は**LoRA学習**から試すことが推奨されます。より根本的な画風の変更や、高品質なモデルを目指す場合は**Fine-tuning**が有効な選択肢となります。
--- ### Fine-tuning for each architecture Fine-tuning updates the entire weights of the model, so it has different options and considerations than LoRA tuning. This section describes the fine-tuning scripts for major architectures. The basic command structure is common to all architectures. ```bash accelerate launch --mixed_precision bf16 {script_name}.py \ --pretrained_model_name_or_path \ --dataset_config \ --output_dir \ --output_name \ --save_model_as safetensors \ --max_train_steps 10000 \ --learning_rate 1e-5 \ --optimizer_type AdamW8bit ```
日本語 ### 各アーキテクチャのFine-tuning Fine-tuningはモデルの重み全体を更新するため、LoRA学習とは異なるオプションや考慮事項があります。ここでは主要なアーキテクチャごとのFine-tuningスクリプトについて説明します。 基本的なコマンドの構造は、どのアーキテクチャでも共通です。 ```bash accelerate launch --mixed_precision bf16 {script_name}.py \ --pretrained_model_name_or_path \ --dataset_config \ --output_dir \ --output_name \ --save_model_as safetensors \ --max_train_steps 10000 \ --learning_rate 1e-5 \ --optimizer_type AdamW8bit ```
#### SDXL (`sdxl_train.py`) Performs fine-tuning for SDXL models. It is possible to train both the U-Net and the Text Encoders. **Key Options:** - `--train_text_encoder`: Includes the weights of the Text Encoders (CLIP ViT-L and OpenCLIP ViT-bigG) in the training. Effective for significant style changes or strongly learning specific concepts. - `--learning_rate_te1`, `--learning_rate_te2`: Set individual learning rates for each Text Encoder. - `--block_lr`: Divides the U-Net into 23 blocks and sets a different learning rate for each block. This allows for advanced adjustments, such as strengthening or weakening the learning of specific layers. (Not available in LoRA tuning). **Command Example:** ```bash accelerate launch --mixed_precision bf16 sdxl_train.py \ --pretrained_model_name_or_path "sd_xl_base_1.0.safetensors" \ --dataset_config "dataset_config.toml" \ --output_dir "output" \ --output_name "sdxl_finetuned" \ --train_text_encoder \ --learning_rate 1e-5 \ --learning_rate_te1 5e-6 \ --learning_rate_te2 2e-6 ```
日本語 #### SDXL (`sdxl_train.py`) SDXLモデルのFine-tuningを行います。U-NetとText Encoderの両方を学習させることが可能です。 **主要なオプション:** - `--train_text_encoder`: Text Encoder（CLIP ViT-LとOpenCLIP ViT-bigG）の重みを学習対象に含めます。画風を大きく変えたい場合や、特定の概念を強く学習させたい場合に有効です。 - `--learning_rate_te1`, `--learning_rate_te2`: それぞれのText Encoderに個別の学習率を設定します。 - `--block_lr`: U-Netを23個のブロックに分割し、ブロックごとに異なる学習率を設定できます。特定の層の学習を強めたり弱めたりする高度な調整が可能です。（LoRA学習では利用できません） **コマンド例:** ```bash accelerate launch --mixed_precision bf16 sdxl_train.py \ --pretrained_model_name_or_path "sd_xl_base_1.0.safetensors" \ --dataset_config "dataset_config.toml" \ --output_dir "output" \ --output_name "sdxl_finetuned" \ --train_text_encoder \ --learning_rate 1e-5 \ --learning_rate_te1 5e-6 \ --learning_rate_te2 2e-6 ```
#### SD3 (`sd3_train.py`) Performs fine-tuning for Stable Diffusion 3 Medium models. SD3 consists of three Text Encoders (CLIP-L, CLIP-G, T5-XXL) and a MMDiT (equivalent to U-Net), which can be targeted for training. **Key Options:** - `--train_text_encoder`: Enables training for CLIP-L and CLIP-G. - `--train_t5xxl`: Enables training for T5-XXL. T5-XXL is a very large model and requires a lot of VRAM for training. - `--blocks_to_swap`: A memory optimization feature to reduce VRAM usage. It swaps some blocks of the MMDiT to CPU memory during training. Useful for using larger batch sizes in low VRAM environments. (Also available in LoRA tuning). - `--num_last_block_to_freeze`: Freezes the weights of the last N blocks of the MMDiT, excluding them from training. Useful for maintaining model stability while focusing on learning in the lower layers. **Command Example:** ```bash accelerate launch --mixed_precision bf16 sd3_train.py \ --pretrained_model_name_or_path "sd3_medium.safetensors" \ --dataset_config "dataset_config.toml" \ --output_dir "output" \ --output_name "sd3_finetuned" \ --train_text_encoder \ --learning_rate 4e-6 \ --blocks_to_swap 10 ```
日本語 #### SD3 (`sd3_train.py`) Stable Diffusion 3 MediumモデルのFine-tuningを行います。SD3は3つのText Encoder（CLIP-L, CLIP-G, T5-XXL）とMMDiT（U-Netに相当）で構成されており、これらを学習対象にできます。 **主要なオプション:** - `--train_text_encoder`: CLIP-LとCLIP-Gの学習を有効にします。 - `--train_t5xxl`: T5-XXLの学習を有効にします。T5-XXLは非常に大きなモデルのため、学習には多くのVRAMが必要です。 - `--blocks_to_swap`: VRAM使用量を削減するためのメモリ最適化機能です。MMDiTの一部のブロックを学習中にCPUメモリに退避（スワップ）させます。VRAMが少ない環境で大きなバッチサイズを使いたい場合に有効です。（LoRA学習でも利用可能） - `--num_last_block_to_freeze`: MMDiTの最後のNブロックの重みを凍結し、学習対象から除外します。モデルの安定性を保ちつつ、下位層を中心に学習させたい場合に有効です。 **コマンド例:** ```bash accelerate launch --mixed_precision bf16 sd3_train.py \ --pretrained_model_name_or_path "sd3_medium.safetensors" \ --dataset_config "dataset_config.toml" \ --output_dir "output" \ --output_name "sd3_finetuned" \ --train_text_encoder \ --learning_rate 4e-6 \ --blocks_to_swap 10 ```
#### FLUX.1 (`flux_train.py`) Performs fine-tuning for FLUX.1 models. FLUX.1 is internally composed of two Transformer blocks (Double Blocks, Single Blocks). **Key Options:** - `--blocks_to_swap`: Similar to SD3, this feature swaps Transformer blocks to the CPU for memory optimization. - `--blockwise_fused_optimizers`: An experimental feature that aims to streamline training by applying individual optimizers to each block. **Command Example:** ```bash accelerate launch --mixed_precision bf16 flux_train.py \ --pretrained_model_name_or_path "FLUX.1-dev.safetensors" \ --dataset_config "dataset_config.toml" \ --output_dir "output" \ --output_name "flux1_finetuned" \ --learning_rate 1e-5 \ --blocks_to_swap 18 ```
日本語 #### FLUX.1 (`flux_train.py`) FLUX.1モデルのFine-tuningを行います。FLUX.1は内部的に2つのTransformerブロック（Double Blocks, Single Blocks）で構成されています。 **主要なオプション:** - `--blocks_to_swap`: SD3と同様に、メモリ最適化のためにTransformerブロックをCPUにスワップする機能です。 - `--blockwise_fused_optimizers`: 実験的な機能で、各ブロックに個別のオプティマイザを適用し、学習を効率化することを目指します。 **コマンド例:** ```bash accelerate launch --mixed_precision bf16 flux_train.py \ --pretrained_model_name_or_path "FLUX.1-dev.safetensors" \ --dataset_config "dataset_config.toml" \ --output_dir "output" \ --output_name "flux1_finetuned" \ --learning_rate 1e-5 \ --blocks_to_swap 18 ```
#### Lumina (`lumina_train.py`) Performs fine-tuning for Lumina-Next DiT models. **Key Options:** - `--use_flash_attn`: Enables Flash Attention to speed up computation. - `lumina_train.py` is relatively new, and many of its options are shared with other scripts. Training can be performed following the basic command pattern. **Command Example:** ```bash accelerate launch --mixed_precision bf16 lumina_train.py \ --pretrained_model_name_or_path "Lumina-Next-DiT-B.safetensors" \ --dataset_config "dataset_config.toml" \ --output_dir "output" \ --output_name "lumina_finetuned" \ --learning_rate 1e-5 ```
日本語 #### Lumina (`lumina_train.py`) Lumina-Next DiTモデルのFine-tuningを行います。 **主要なオプション:** - `--use_flash_attn`: Flash Attentionを有効にし、計算を高速化します。 - `lumina_train.py`は比較的新しく、オプションは他のスクリプトと共通化されている部分が多いです。基本的なコマンドパターンに従って学習を行えます。 **コマンド例:** ```bash accelerate launch --mixed_precision bf16 lumina_train.py \ --pretrained_model_name_or_path "Lumina-Next-DiT-B.safetensors" \ --dataset_config "dataset_config.toml" \ --output_dir "output" \ --output_name "lumina_finetuned" \ --learning_rate 1e-5 ```
--- ### Differences between Fine-tuning and LoRA tuning per architecture | Architecture | Key Features/Options Specific to Fine-tuning | Main Differences from LoRA tuning | |:---|:---|:---| | **SDXL** | `--block_lr` | Only fine-tuning allows for granular control over the learning rate for each U-Net block. | | **SD3** | `--train_text_encoder`, `--train_t5xxl`, `--num_last_block_to_freeze` | Only fine-tuning can train the entire Text Encoders. LoRA only trains the adapter parts. | | **FLUX.1** | `--blockwise_fused_optimizers` | Since fine-tuning updates the entire model's weights, more experimental optimizer options are available. | | **Lumina** | (Few specific options) | Basic training options are common, but fine-tuning differs in that it updates the entire model's foundation. |
日本語 ### アーキテクチャごとのFine-tuningとLoRA学習の違い | アーキテクチャ | Fine-tuning特有の主要機能・オプション | LoRA学習との主な違い | |:---|:---|:---| | **SDXL** | `--block_lr` | U-Netのブロックごとに学習率を細かく制御できるのはFine-tuningのみです。 | | **SD3** | `--train_text_encoder`, `--train_t5xxl`, `--num_last_block_to_freeze` | Text Encoder全体を学習対象にできるのはFine-tuningです。LoRAではアダプター部分のみ学習します。 | | **FLUX.1** | `--blockwise_fused_optimizers` | Fine-tuningではモデル全体の重みを更新するため、より実験的なオプティマイザの選択肢が用意されています。 | | **Lumina** | （特有のオプションは少ない） | 基本的な学習オプションは共通ですが、Fine-tuningはモデルの基盤全体を更新する点で異なります。 |
================================================ FILE: docs/fine_tune_README_ja.md ================================================ NovelAIの提案した学習手法、自動キャプションニング、タグ付け、Windows＋VRAM 12GB（SD v1.xの場合）環境等に対応したfine tuningです。ここでfine tuningとは、モデルを画像とキャプションで学習することを指します（LoRAやTextual Inversion、Hypernetworksは含みません） [学習についての共通ドキュメント](./train_README-ja.md) もあわせてご覧ください。 # 概要 Diffusersを用いてStable DiffusionのU-Netのfine tuningを行います。NovelAIの記事にある以下の改善に対応しています（Aspect Ratio BucketingについてはNovelAIのコードを参考にしましたが、最終的なコードはすべてオリジナルです）。 * CLIP（Text Encoder）の最後の層ではなく最後から二番目の層の出力を用いる。 * 正方形以外の解像度での学習（Aspect Ratio Bucketing） 。 * トークン長を75から225に拡張する。 * BLIPによるキャプショニング（キャプションの自動作成）、DeepDanbooruまたはWD14Taggerによる自動タグ付けを行う。 * Hypernetworkの学習にも対応する。 * Stable Diffusion v2.0（baseおよび768/v）に対応。 * VAEの出力をあらかじめ取得しディスクに保存しておくことで、学習の省メモリ化、高速化を図る。 デフォルトではText Encoderの学習は行いません。モデル全体のfine tuningではU-Netだけを学習するのが一般的なようです（NovelAIもそのようです）。オプション指定でText Encoderも学習対象とできます。 # 追加機能について ## CLIPの出力の変更 プロンプトを画像に反映するため、テキストの特徴量への変換を行うのがCLIP（Text Encoder）です。Stable DiffusionではCLIPの最後の層の出力を用いていますが、それを最後から二番目の層の出力を用いるよう変更できます。NovelAIによると、これによりより正確にプロンプトが反映されるようになるとのことです。 元のまま、最後の層の出力を用いることも可能です。 ※Stable Diffusion 2.0では最後から二番目の層をデフォルトで使います。clip_skipオプションを指定しないでください。 ## 正方形以外の解像度での学習 Stable Diffusionは512\*512で学習されていますが、それに加えて256\*1024や384\*640といった解像度でも学習します。これによりトリミングされる部分が減り、より正しくプロンプトと画像の関係が学習されることが期待されます。 学習解像度はパラメータとして与えられた解像度の面積（＝メモリ使用量）を超えない範囲で、64ピクセル単位で縦横に調整、作成されます。 機械学習では入力サイズをすべて統一するのが一般的ですが、特に制約があるわけではなく、実際は同一のバッチ内で統一されていれば大丈夫です。NovelAIの言うbucketingは、あらかじめ教師データを、アスペクト比に応じた学習解像度ごとに分類しておくことを指しているようです。そしてバッチを各bucket内の画像で作成することで、バッチの画像サイズを統一します。 ## トークン長の75から225への拡張 Stable Diffusionでは最大75トークン（開始・終了を含むと77トークン）ですが、それを225トークンまで拡張します。 ただしCLIPが受け付ける最大長は75トークンですので、225トークンの場合、単純に三分割してCLIPを呼び出してから結果を連結しています。 ※これが望ましい実装なのかどうかはいまひとつわかりません。とりあえず動いてはいるようです。特に2.0では何も参考になる実装がないので独自に実装してあります。 ※Automatic1111氏のWeb UIではカンマを意識して分割、といったこともしているようですが、私の場合はそこまでしておらず単純な分割です。 # 学習の手順 あらかじめこのリポジトリのREADMEを参照し、環境整備を行ってください。 ## データの準備 [学習データの準備について](./train_README-ja.md) を参照してください。fine tuningではメタデータを用いるfine tuning方式のみ対応しています。 ## 学習の実行 たとえば以下のように実行します。以下は省メモリ化のための設定です。それぞれの行を必要に応じて書き換えてください。 ``` accelerate launch --num_cpu_threads_per_process 1 fine_tune.py --pretrained_model_name_or_path=<.ckptまたは.safetensordまたはDiffusers版モデルのディレクトリ> --output_dir=<学習したモデルの出力先フォルダ> --output_name=<学習したモデル出力時のファイル名> --dataset_config=<データ準備で作成した.tomlファイル> --save_model_as=safetensors --learning_rate=5e-6 --max_train_steps=10000 --use_8bit_adam --xformers --gradient_checkpointing --mixed_precision=fp16 ``` `num_cpu_threads_per_process` には通常は1を指定するとよいようです。 `pretrained_model_name_or_path` に追加学習を行う元となるモデルを指定します。Stable Diffusionのcheckpointファイル（.ckptまたは.safetensors）、Diffusersのローカルディスクにあるモデルディレクトリ、DiffusersのモデルID（"stabilityai/stable-diffusion-2"など）が指定できます。 `output_dir` に学習後のモデルを保存するフォルダを指定します。`output_name` にモデルのファイル名を拡張子を除いて指定します。`save_model_as` でsafetensors形式での保存を指定しています。 `dataset_config` に `.toml` ファイルを指定します。ファイル内でのバッチサイズ指定は、当初はメモリ消費を抑えるために `1` としてください。 学習させるステップ数 `max_train_steps` を10000とします。学習率 `learning_rate` はここでは5e-6を指定しています。 省メモリ化のため `mixed_precision="fp16"` を指定します（RTX30 シリーズ以降では `bf16` も指定できます。環境整備時にaccelerateに行った設定と合わせてください）。また `gradient_checkpointing` を指定します。 オプティマイザ（モデルを学習データにあうように最適化＝学習させるクラス）にメモリ消費の少ない 8bit AdamW を使うため、 `optimizer_type="AdamW8bit"` を指定します。 `xformers` オプションを指定し、xformersのCrossAttentionを用います。xformersをインストールしていない場合やエラーとなる場合（環境にもよりますが `mixed_precision="no"` の場合など）、代わりに `mem_eff_attn` オプションを指定すると省メモリ版CrossAttentionを使用します（速度は遅くなります）。 ある程度メモリがある場合は、`.toml` ファイルを編集してバッチサイズをたとえば `4` くらいに増やしてください（高速化と精度向上の可能性があります）。 ### よく使われるオプションについて 以下の場合にはオプションに関するドキュメントを参照してください。 - Stable Diffusion 2.xまたはそこからの派生モデルを学習する - clip skipを2以上を前提としたモデルを学習する - 75トークンを超えたキャプションで学習する ### バッチサイズについて モデル全体を学習するためLoRA等の学習に比べるとメモリ消費量は多くなります（DreamBoothと同じ）。 ### 学習率について 1e-6から5e-6程度が一般的なようです。他のfine tuningの例なども参照してみてください。 ### 以前の形式のデータセット指定をした場合のコマンドライン 解像度やバッチサイズをオプションで指定します。コマンドラインの例は以下の通りです。 ``` accelerate launch --num_cpu_threads_per_process 1 fine_tune.py --pretrained_model_name_or_path=model.ckpt --in_json meta_lat.json --train_data_dir=train_data --output_dir=fine_tuned --shuffle_caption --train_batch_size=1 --learning_rate=5e-6 --max_train_steps=10000 --use_8bit_adam --xformers --gradient_checkpointing --mixed_precision=bf16 --save_every_n_epochs=4 ``` # fine tuning特有のその他の主なオプション すべてのオプションについては別文書を参照してください。 ## `train_text_encoder` Text Encoderも学習対象とします。メモリ使用量が若干増加します。 通常のfine tuningではText Encoderは学習対象としませんが（恐らくText Encoderの出力に従うようにU-Netを学習するため）、学習データ数が少ない場合には、DreamBoothのようにText Encoder側に学習させるのも有効的なようです。 ## `diffusers_xformers` スクリプト独自のxformers置換機能ではなくDiffusersのxformers機能を利用します。Hypernetworkの学習はできなくなります。 ================================================ FILE: docs/flux_train_network.md ================================================ Status: reviewed # LoRA Training Guide for FLUX.1 using `flux_train_network.py` / `flux_train_network.py` を用いたFLUX.1モデルのLoRA学習ガイド This document explains how to train LoRA models for the FLUX.1 model using `flux_train_network.py` included in the `sd-scripts` repository.
日本語 このドキュメントでは、`sd-scripts`リポジトリに含まれる`flux_train_network.py`を使用して、FLUX.1モデルに対するLoRA (Low-Rank Adaptation) モデルを学習する基本的な手順について解説します。
## 1. Introduction / はじめに `flux_train_network.py` trains additional networks such as LoRA on the FLUX.1 model, which uses a transformer-based architecture different from Stable Diffusion. Two text encoders, CLIP-L and T5-XXL, and a dedicated AutoEncoder are used. This guide assumes you know the basics of LoRA training. For common options see [train_network.py](train_network.md) and [sdxl_train_network.py](sdxl_train_network.md). **Prerequisites:** * The repository is cloned and the Python environment is ready. * A training dataset is prepared. See the dataset configuration guide.
日本語 `flux_train_network.py`は、FLUX.1モデルに対してLoRAなどの追加ネットワークを学習させるためのスクリプトです。FLUX.1はStable Diffusionとは異なるアーキテクチャを持つ画像生成モデルであり、このスクリプトを使用することで、特定のキャラクターや画風を再現するLoRAモデルを作成できます。 このガイドは、基本的なLoRA学習の手順を理解しているユーザーを対象としています。基本的な使い方や共通のオプションについては、[`train_network.py`のガイド](train_network.md)を参照してください。また一部のパラメータは [`sdxl_train_network.py`](sdxl_train_network.md) と同様のものがあるため、そちらも参考にしてください。 **前提条件:** * `sd-scripts`リポジトリのクローンとPython環境のセットアップが完了していること。 * 学習用データセットの準備が完了していること。（データセットの準備については[データセット設定ガイド](link/to/dataset/config/doc)を参照してください）
## 2. Differences from `train_network.py` / `train_network.py` との違い `flux_train_network.py` is based on `train_network.py` but adapted for FLUX.1. Main differences include: * **Target model:** FLUX.1 model (dev or schnell version). * **Model structure:** Unlike Stable Diffusion, FLUX.1 uses a Transformer-based architecture with two text encoders (CLIP-L and T5-XXL) and a dedicated AutoEncoder (AE) instead of VAE. * **Required arguments:** Additional arguments for FLUX.1 model, CLIP-L, T5-XXL, and AE model files. * **Incompatible options:** Some Stable Diffusion-specific arguments (e.g., `--v2`, `--clip_skip`, `--max_token_length`) are not used in FLUX.1 training. * **FLUX.1-specific arguments:** Additional arguments for FLUX.1-specific training parameters like timestep sampling and guidance scale.
日本語 `flux_train_network.py`は`train_network.py`をベースに、FLUX.1モデルに対応するための変更が加えられています。主な違いは以下の通りです。 * **対象モデル:** FLUX.1モデル（dev版またはschnell版）を対象とします。 * **モデル構造:** Stable Diffusionとは異なり、FLUX.1はTransformerベースのアーキテクチャを持ちます。Text EncoderとしてCLIP-LとT5-XXLの二つを使用し、VAEの代わりに専用のAutoEncoder (AE) を使用します。 * **必須の引数:** FLUX.1モデル、CLIP-L、T5-XXL、AEの各モデルファイルを指定する引数が追加されています。 * **一部引数の非互換性:** Stable Diffusion向けの引数の一部（例: `--v2`, `--clip_skip`, `--max_token_length`）はFLUX.1の学習では使用されません。 * **FLUX.1特有の引数:** タイムステップのサンプリング方法やガイダンススケールなど、FLUX.1特有の学習パラメータを指定する引数が追加されています。
## 3. Preparation / 準備 Before starting training you need: 1. **Training script:** `flux_train_network.py` 2. **FLUX.1 model file:** Base FLUX.1 model `.safetensors` file (e.g., `flux1-dev.safetensors`). 3. **Text Encoder model files:** - CLIP-L model `.safetensors` file (e.g., `clip_l.safetensors`) - T5-XXL model `.safetensors` file (e.g., `t5xxl.safetensors`) 4. **AutoEncoder model file:** FLUX.1-compatible AE model `.safetensors` file (e.g., `ae.safetensors`). 5. **Dataset definition file (.toml):** TOML format file describing training dataset configuration (e.g., `my_flux_dataset_config.toml`). ### Downloading Required Models To train FLUX.1 models, you need to download the following model files: - **DiT, AE**: Download from the [black-forest-labs/FLUX.1 dev](https://huggingface.co/black-forest-labs/FLUX.1-dev) repository. Use `flux1-dev.safetensors` and `ae.safetensors`. The weights in the subfolder are in Diffusers format and cannot be used. - **Text Encoder 1 (T5-XXL), Text Encoder 2 (CLIP-L)**: Download from the [ComfyUI FLUX Text Encoders](https://huggingface.co/comfyanonymous/flux_text_encoders) repository. Please use `t5xxl_fp16.safetensors` for T5-XXL. Thanks to ComfyUI for providing these models. To train Chroma models, you need to download the Chroma model file from the following repository: - **Chroma Base**: Download from the [lodestones/Chroma1-Base](https://huggingface.co/lodestones/Chroma1-Base) repository. Use `Chroma.safetensors`. We have tested Chroma training with the weights from the [lodestones/Chroma](https://huggingface.co/lodestones/Chroma) repository. AE and T5-XXL models are same as FLUX.1, so you can use the same files. CLIP-L model is not used for Chroma training, so you can omit the `--clip_l` argument.
日本語 学習を開始する前に、以下のファイルが必要です。 1. **学習スクリプト:** `flux_train_network.py` 2. **FLUX.1モデルファイル:** 学習のベースとなるFLUX.1モデルの`.safetensors`ファイル（例: `flux1-dev.safetensors`）。 3. **Text Encoderモデルファイル:** - CLIP-Lモデルの`.safetensors`ファイル。例として`clip_l.safetensors`を使用します。 - T5-XXLモデルの`.safetensors`ファイル。例として`t5xxl.safetensors`を使用します。 4. **AutoEncoderモデルファイル:** FLUX.1に対応するAEモデルの`.safetensors`ファイル。例として`ae.safetensors`を使用します。 5. **データセット定義ファイル (.toml):** 学習データセットの設定を記述したTOML形式のファイル。（詳細は[データセット設定ガイド](link/to/dataset/config/doc)を参照してください）。例として`my_flux_dataset_config.toml`を使用します。 **必要なモデルのダウンロード** FLUX.1モデルを学習するためには、以下のモデルファイルをダウンロードする必要があります。 - **DiT, AE**: [black-forest-labs/FLUX.1 dev](https://huggingface.co/black-forest-labs/FLUX.1-dev) リポジトリからダウンロードします。`flux1-dev.safetensors`と`ae.safetensors`を使用してください。サブフォルダ内の重みはDiffusers形式であり、使用できません。 - **Text Encoder 1 (T5-XXL), Text Encoder 2 (CLIP-L)**: [ComfyUI FLUX Text Encoders](https://huggingface.co/comfyanonymous/flux_text_encoders) リポジトリからダウンロードします。T5-XXLには`t5xxl_fp16.safetensors`を使用してください。これらのモデルを提供いただいたComfyUIに感謝します。 Chromaモデルを学習する場合は、以下のリポジトリからChromaモデルファイルをダウンロードする必要があります。 - **Chroma Base**: [lodestones/Chroma1-Base](https://huggingface.co/lodestones/Chroma1-Base) リポジトリからダウンロードします。`Chroma.safetensors`を使用してください。 Chromaの学習のテストは [lodestones/Chroma](https://huggingface.co/lodestones/Chroma) リポジトリの重みを使用して行いました。 AEとT5-XXLモデルはFLUX.1と同じものを使用できるため、同じファイルを使用します。CLIP-LモデルはChroma学習では使用されないため、`--clip_l`引数は省略できます。
## 4. Running the Training / 学習の実行 Run `flux_train_network.py` from the terminal with FLUX.1 specific arguments. Here's a basic command example: ```bash accelerate launch --num_cpu_threads_per_process 1 flux_train_network.py \ --pretrained_model_name_or_path="" \ --clip_l="" \ --t5xxl="" \ --ae="" \ --dataset_config="my_flux_dataset_config.toml" \ --output_dir="" \ --output_name="my_flux_lora" \ --save_model_as=safetensors \ --network_module=networks.lora_flux \ --network_dim=16 \ --network_alpha=1 \ --learning_rate=1e-4 \ --optimizer_type="AdamW8bit" \ --lr_scheduler="constant" \ --sdpa \ --max_train_epochs=10 \ --save_every_n_epochs=1 \ --mixed_precision="fp16" \ --gradient_checkpointing \ --guidance_scale=1.0 \ --timestep_sampling="flux_shift" \ --model_prediction_type="raw" \ --blocks_to_swap=18 \ --cache_text_encoder_outputs \ --cache_latents ``` ### Training Chroma Models If you want to train a Chroma model, specify `--model_type=chroma`. Chroma does not use CLIP-L, so the `--clip_l` argument is not needed. T5XXL and AE are same as FLUX.1. The command would look like this: ```bash accelerate launch --num_cpu_threads_per_process 1 flux_train_network.py \ --pretrained_model_name_or_path="" \ --model_type=chroma \ --t5xxl="" \ --ae="" \ --dataset_config="my_flux_dataset_config.toml" \ --output_dir="" \ --output_name="my_chroma_lora" \ --guidance_scale=0.0 \ --timestep_sampling="sigmoid" \ --apply_t5_attn_mask \ ... ``` Note that for Chroma models, `--guidance_scale=0.0` is required to disable guidance scale, and `--apply_t5_attn_mask` is needed to apply attention masks for T5XXL Text Encoder. The sample image generation during training requires specifying a negative prompt. Also, set `--g 0` to disable embedded guidance scale and `--l 4.0` to set the CFG scale. For example: ``` Japanese shrine in the summer forest. --n low quality, ugly, unfinished, out of focus, deformed, disfigure, blurry, smudged, restricted palette, flat colors --w 512 --h 512 --d 1 --l 4.0 --g 0.0 --s 20 ```
日本語 学習は、ターミナルから`flux_train_network.py`を実行することで開始します。基本的なコマンドラインの構造は`train_network.py`と同様ですが、FLUX.1特有の引数を指定する必要があります。 コマンドラインの例は英語のドキュメントを参照してください。 #### Chromaモデルの学習 Chromaモデルを学習したい場合は、`--model_type=chroma`を指定します。ChromaはCLIP-Lを使用しないため、`--clip_l`引数は不要です。T5XXLとAEはFLUX.1と同様です。 コマンドラインの例は英語のドキュメントを参照してください。 学習中のサンプル画像生成には、ネガティブプロンプトを指定してください。また `--g 0` を指定して埋め込みガイダンススケールを無効化し、`--l 4.0` を指定してCFGスケールを設定します。
### 4.1. Explanation of Key Options / 主要なコマンドライン引数の解説 The script adds FLUX.1 specific arguments. For common arguments (like `--output_dir`, `--output_name`, `--network_module`, etc.), see the [`train_network.py` guide](train_network.md). #### Model-related [Required] * `--pretrained_model_name_or_path=""` **[Required]** - Specifies the path to the base FLUX.1 or Chroma model `.safetensors` file. Diffusers format directories are not currently supported. * `--model_type=` - Specifies the type of base model for training. Choose from `flux` or `chroma`. Default is `flux`. * `--clip_l=""` **[Required when flux is selected]** - Specifies the path to the CLIP-L Text Encoder model `.safetensors` file. Not needed when `--model_type=chroma`. * `--t5xxl=""` **[Required]** - Specifies the path to the T5-XXL Text Encoder model `.safetensors` file. * `--ae=""` **[Required]** - Specifies the path to the FLUX.1-compatible AutoEncoder model `.safetensors` file. #### FLUX.1 Training Parameters * `--guidance_scale=` - FLUX.1 dev version is distilled with specific guidance scale values, but for training, specify `1.0` to disable guidance scale. Default is `3.5`, so be sure to specify this. Usually ignored for schnell version. - Chroma requires `--guidance_scale=0.0` to disable guidance scale. * `--timestep_sampling=` - Specifies the sampling method for timesteps (noise levels) during training. Choose from `sigma`, `uniform`, `sigmoid`, `shift`, `flux_shift`. Default is `sigma`. Recommended is `flux_shift`. For Chroma models, `sigmoid` is recommended. * `--sigmoid_scale=` - Scale factor when `timestep_sampling` is set to `sigmoid`, `shift`, or `flux_shift`. Default and recommended value is `1.0`. * `--model_prediction_type=` - Specifies what the model predicts. Choose from `raw` (use prediction as-is), `additive` (add to noise input), `sigma_scaled` (apply sigma scaling). Default is `sigma_scaled`. Recommended is `raw`. * `--discrete_flow_shift=` - Specifies the shift value for the scheduler used in Flow Matching. Default is `3.0`. This value is ignored when `timestep_sampling` is set to other than `shift`. #### Memory/Speed Related * `--fp8_base` - Enables training in FP8 format for FLUX.1, CLIP-L, and T5-XXL. This can significantly reduce VRAM usage, but the training results may vary. * `--blocks_to_swap=` **[Experimental Feature]** - Setting to reduce VRAM usage by swapping parts of the model (Transformer blocks) between CPU and GPU. Specify the number of blocks to swap as an integer (e.g., `18`). Larger values reduce VRAM usage but decrease training speed. Adjust according to your GPU's VRAM capacity. Can be used with `gradient_checkpointing`. - Cannot be used with `--cpu_offload_checkpointing`. * `--cache_text_encoder_outputs` - Caches the outputs of CLIP-L and T5-XXL. This reduces memory usage. * `--cache_latents`, `--cache_latents_to_disk` - Caches the outputs of AE. Similar functionality to [sdxl_train_network.py](sdxl_train_network.md). #### Incompatible/Deprecated Arguments * `--v2`, `--v_parameterization`, `--clip_skip`: These are Stable Diffusion-specific arguments and are not used in FLUX.1 training. * `--max_token_length`: This is an argument for Stable Diffusion v1/v2. For FLUX.1, use `--t5xxl_max_token_length`. * `--split_mode`: Deprecated argument. Use `--blocks_to_swap` instead.
日本語 [`train_network.py`のガイド](train_network.md)で説明されている引数に加え、以下のFLUX.1特有の引数を指定します。共通の引数（`--output_dir`, `--output_name`, `--network_module`, `--network_dim`, `--network_alpha`, `--learning_rate`など）については、上記ガイドを参照してください。 コマンドラインの例と詳細な引数の説明は英語のドキュメントを参照してください。
### 4.2. Starting Training / 学習の開始 Training begins once you run the command with the required options. Log checking is the same as in [`train_network.py`](train_network.md#32-starting-the-training--学習の開始).
日本語 必要な引数を設定し、コマンドを実行すると学習が開始されます。基本的な流れやログの確認方法は[`train_network.py`のガイド](train_network.md#32-starting-the-training--学習の開始)と同様です。
## 5. Using the Trained Model / 学習済みモデルの利用 After training, a LoRA model file is saved in `output_dir` and can be used in inference environments supporting FLUX.1 (e.g. ComfyUI + Flux nodes).
日本語 学習が完了すると、指定した`output_dir`にLoRAモデルファイル（例: `my_flux_lora.safetensors`）が保存されます。このファイルは、FLUX.1モデルに対応した推論環境（例: ComfyUI + ComfyUI-FluxNodes）で使用できます。
## 6. Advanced Settings / 高度な設定 ### 6.1. VRAM Usage Optimization / VRAM使用量の最適化 FLUX.1 is a relatively large model, so GPUs without sufficient VRAM require optimization. Here are settings to reduce VRAM usage (with `--fp8_base`): #### Recommended Settings by GPU Memory | GPU Memory | Recommended Settings | |------------|---------------------| | 24GB VRAM | Basic settings work fine (batch size 2) | | 16GB VRAM | Set batch size to 1 and use `--blocks_to_swap` | | 12GB VRAM | Use `--blocks_to_swap 16` and 8bit AdamW | | 10GB VRAM | Use `--blocks_to_swap 22`, recommend fp8 format for T5XXL | | 8GB VRAM | Use `--blocks_to_swap 28`, recommend fp8 format for T5XXL | #### Key VRAM Reduction Options - **`--fp8_base`**: Enables training in FP8 format. - **`--blocks_to_swap `**: Swaps blocks between CPU and GPU to reduce VRAM usage. Higher numbers save more VRAM but reduce training speed. FLUX.1 supports up to 35 blocks for swapping. - **`--cpu_offload_checkpointing`**: Offloads gradient checkpoints to CPU. Can reduce VRAM usage by up to 1GB but decreases training speed by about 15%. Cannot be used with `--blocks_to_swap`. Chroma models do not support this option. - **Using Adafactor optimizer**: Can reduce VRAM usage more than 8bit AdamW: ``` --optimizer_type adafactor --optimizer_args "relative_step=False" "scale_parameter=False" "warmup_init=False" --lr_scheduler constant_with_warmup --max_grad_norm 0.0 ``` - **Using T5XXL fp8 format**: For GPUs with less than 10GB VRAM, using fp8 format T5XXL checkpoints is recommended. Download `t5xxl_fp8_e4m3fn.safetensors` from [comfyanonymous/flux_text_encoders](https://huggingface.co/comfyanonymous/flux_text_encoders) (use without `scaled`). - **FP8/FP16 Mixed Training [Experimental]**: Specify `--fp8_base_unet` to train the FLUX.1 model in FP8 format while training Text Encoders (CLIP-L/T5XXL) in BF16/FP16 format. This can further reduce VRAM usage.
日本語 FLUX.1モデルは比較的大きなモデルであるため、十分なVRAMを持たないGPUでは工夫が必要です。VRAM使用量を削減するための設定の詳細は英語のドキュメントを参照してください。 主要なVRAM削減オプション： - `--fp8_base`: FP8形式での学習を有効化 - `--blocks_to_swap`: CPUとGPU間でブロックをスワップ - `--cpu_offload_checkpointing`: 勾配チェックポイントをCPUにオフロード - Adafactorオプティマイザの使用 - T5XXLのfp8形式の使用 - FP8/FP16混合学習（実験的機能）
### 6.2. Important FLUX.1 LoRA Training Settings / FLUX.1 LoRA学習の重要な設定 FLUX.1 training has many unknowns, and several settings can be specified with arguments: #### Timestep Sampling Methods The `--timestep_sampling` option specifies how timesteps (0-1) are sampled: - `sigma`: Sigma-based like SD3 - `uniform`: Uniform random - `sigmoid`: Sigmoid of normal distribution random (similar to x-flux, AI-toolkit) - `shift`: Sigmoid value of normal distribution random with shift. The `--discrete_flow_shift` setting is used to shift the sigmoid value. - `flux_shift`: Shift sigmoid value of normal distribution random according to resolution (similar to FLUX.1 dev inference). `--discrete_flow_shift` only applies when `--timestep_sampling` is set to `shift`. #### Model Prediction Processing The `--model_prediction_type` option specifies how to interpret and process model predictions: - `raw`: Use as-is (similar to x-flux) **[Recommended]** - `additive`: Add to noise input - `sigma_scaled`: Apply sigma scaling (similar to SD3) #### Recommended Settings Based on experiments, the following settings work well: ``` --timestep_sampling shift --discrete_flow_shift 3.1582 --model_prediction_type raw --guidance_scale 1.0 ``` For Chroma models, the following settings are recommended: ``` --timestep_sampling sigmoid --model_prediction_type raw --guidance_scale 0.0 ``` **About Guidance Scale**: FLUX.1 dev version is distilled with specific guidance scale values, but for training, specify `--guidance_scale 1.0` to disable guidance scale. Chroma requires `--guidance_scale 0.0` to disable guidance scale because it is not distilled.
日本語 FLUX.1の学習には多くの未知の点があり、いくつかの設定は引数で指定できます。詳細な説明とコマンドラインの例は英語のドキュメントを参照してください。 主要な設定オプション： - タイムステップのサンプリング方法（`--timestep_sampling`） - モデル予測の処理方法（`--model_prediction_type`） - 推奨設定の組み合わせ
### 6.3. Layer-specific Rank Configuration / 各層に対するランク指定 You can specify different ranks (network_dim) for each layer of FLUX.1. This allows you to emphasize or disable LoRA effects for specific layers. Specify the following network_args to set ranks for each layer. Setting 0 disables LoRA for that layer: | network_args | Target Layer | |--------------|--------------| | img_attn_dim | DoubleStreamBlock img_attn | | txt_attn_dim | DoubleStreamBlock txt_attn | | img_mlp_dim | DoubleStreamBlock img_mlp | | txt_mlp_dim | DoubleStreamBlock txt_mlp | | img_mod_dim | DoubleStreamBlock img_mod | | txt_mod_dim | DoubleStreamBlock txt_mod | | single_dim | SingleStreamBlock linear1 and linear2 | | single_mod_dim | SingleStreamBlock modulation | Example usage: ``` --network_args "img_attn_dim=4" "img_mlp_dim=8" "txt_attn_dim=2" "txt_mlp_dim=2" "img_mod_dim=2" "txt_mod_dim=2" "single_dim=4" "single_mod_dim=2" ``` To apply LoRA to FLUX conditioning layers, specify `in_dims` in network_args as a comma-separated list of 5 numbers: ``` --network_args "in_dims=[4,2,2,2,4]" ``` Each number corresponds to `img_in`, `time_in`, `vector_in`, `guidance_in`, `txt_in`. The example above applies LoRA to all conditioning layers with ranks of 4 for `img_in` and `txt_in`, and ranks of 2 for others.
日本語 FLUX.1の各層に対して異なるランク（network_dim）を指定できます。これにより、特定の層に対してLoRAの効果を強調したり、無効化したりできます。 詳細な設定方法とコマンドラインの例は英語のドキュメントを参照してください。
### 6.4. Block Selection for Training / 学習するブロックの指定 You can specify which blocks to train using `train_double_block_indices` and `train_single_block_indices` in network_args. Indices are 0-based. Default is to train all blocks if omitted. Specify indices as integer lists like `0,1,5,8` or integer ranges like `0,1,4-5,7`: - Double blocks: 19 blocks, valid range 0-18 - Single blocks: 38 blocks, valid range 0-37 - Specify `all` to train all blocks - Specify `none` to skip training blocks Example usage: ``` --network_args "train_double_block_indices=0,1,8-12,18" "train_single_block_indices=3,10,20-25,37" ``` Or: ``` --network_args "train_double_block_indices=none" "train_single_block_indices=10-15" ```
日本語 FLUX.1 LoRA学習では、network_argsの`train_double_block_indices`と`train_single_block_indices`を指定することで、学習するブロックを指定できます。 詳細な設定方法とコマンドラインの例は英語のドキュメントを参照してください。
### 6.5. Regular Expression-based Rank/LR Configuration / 正規表現によるランク・学習率の指定 You can specify ranks (dims) and learning rates for LoRA modules using regular expressions. This allows for more flexible and fine-grained control than specifying by layer. These settings are specified via the `network_args` argument. * `network_reg_dims`: Specify ranks for modules matching a regular expression. The format is a comma-separated string of `pattern=rank`. * Example: `--network_args "network_reg_dims=single.*_modulation.*=4,img_attn=8"` * This sets the rank to 4 for modules whose names contain `single` and contain `_modulation`, and to 8 for modules containing `img_attn`. * `network_reg_lrs`: Specify learning rates for modules matching a regular expression. The format is a comma-separated string of `pattern=lr`. * Example: `--network_args "network_reg_lrs=single_blocks_(\d|10)_=1e-3,double_blocks=2e-3"` * This sets the learning rate to `1e-3` for modules whose names contain `single_blocks` followed by a digit (`0` to `9`) or `10`, and to `2e-3` for modules whose names contain `double_blocks`. **Notes:** * Settings via `network_reg_dims` and `network_reg_lrs` take precedence over the global `--network_dim` and `--learning_rate` settings. * If a module name matches multiple patterns, the setting from the last matching pattern in the string will be applied. * These settings are applied after the block-specific training settings (`train_double_block_indices`, `train_single_block_indices`).
日本語 正規表現を用いて、LoRAのモジュールごとにランク（dim）や学習率を指定することができます。これにより、層ごとの指定よりも柔軟できめ細やかな制御が可能になります。 これらの設定は `network_args` 引数で指定します。 * `network_reg_dims`: 正規表現にマッチするモジュールに対してランクを指定します。`pattern=rank` という形式の文字列をカンマで区切って指定します。 * 例: `--network_args "network_reg_dims=single.*_modulation.*=4,img_attn=8"` * この例では、名前に `single` で始まり `_modulation` を含むモジュールのランクを4に、`img_attn` を含むモジュールのランクを8に設定します。 * `network_reg_lrs`: 正規表現にマッチするモジュールに対して学習率を指定します。`pattern=lr` という形式の文字列をカンマで区切って指定します。 * 例: `--network_args "network_reg_lrs=single_blocks_(\d|10)_=1e-3,double_blocks=2e-3"` * この例では、名前が `single_blocks` で始まり、後に数字（`0`から`9`）または`10`が続くモジュールの学習率を `1e-3` に、`double_blocks` を含むモジュールの学習率を `2e-3` に設定します。 **注意点:** * `network_reg_dims` および `network_reg_lrs` での設定は、全体設定である `--network_dim` や `--learning_rate` よりも優先されます。 * あるモジュール名が複数のパターンにマッチした場合、文字列の中で後方にあるパターンの設定が適用されます。 * これらの設定は、ブロック指定（`train_double_block_indices`, `train_single_block_indices`）が適用された後に行われます。
### 6.6. Text Encoder LoRA Support / Text Encoder LoRAのサポート FLUX.1 LoRA training supports training CLIP-L and T5XXL LoRA: - To train only FLUX.1: specify `--network_train_unet_only` - To train FLUX.1 and CLIP-L: omit `--network_train_unet_only` - To train FLUX.1, CLIP-L, and T5XXL: omit `--network_train_unet_only` and add `--network_args "train_t5xxl=True"` You can specify individual learning rates for CLIP-L and T5XXL with `--text_encoder_lr`. For example, `--text_encoder_lr 1e-4 1e-5` sets the first value for CLIP-L and the second for T5XXL. Specifying one value uses the same learning rate for both. If `--text_encoder_lr` is not specified, the default `--learning_rate` is used for both.
日本語 FLUX.1 LoRA学習は、CLIP-LとT5XXL LoRAのトレーニングもサポートしています。 詳細な設定方法とコマンドラインの例は英語のドキュメントを参照してください。
### 6.7. Multi-Resolution Training / マルチ解像度トレーニング You can define multiple resolutions in the dataset configuration file, with different batch sizes for each resolution. Configuration file example: ```toml [general] # Common settings flip_aug = true color_aug = false keep_tokens_separator= "|||" shuffle_caption = false caption_tag_dropout_rate = 0 caption_extension = ".txt" [[datasets]] # First resolution settings batch_size = 2 enable_bucket = true resolution = [1024, 1024] [[datasets.subsets]] image_dir = "path/to/image/directory" num_repeats = 1 [[datasets]] # Second resolution settings batch_size = 3 enable_bucket = true resolution = [768, 768] [[datasets.subsets]] image_dir = "path/to/image/directory" num_repeats = 1 ```
日本語 データセット設定ファイルで複数の解像度を定義できます。各解像度に対して異なるバッチサイズを指定することができます。 設定ファイルの例は英語のドキュメントを参照してください。
### 6.8. Validation / 検証 You can calculate validation loss during training using a validation dataset to evaluate model generalization performance. To set up validation, add a `validation_split` and optionally `validation_seed` to your dataset configuration TOML file. ```toml validation_seed = 42 # [Optional] Validation seed, otherwise uses training seed for validation split . enable_bucket = true resolution = [1024, 1024] [[datasets]] [[datasets.subsets]] # This directory will use 100% of the images for training image_dir = "path/to/image/directory" [[datasets]] validation_split = 0.1 # Split between 0.0 and 1.0 where 1.0 will use the full subset as a validation dataset [[datasets.subsets]] # This directory will split 10% to validation and 90% to training image_dir = "path/to/image/second-directory" [[datasets]] validation_split = 1.0 # Will use this full subset as a validation subset. [[datasets.subsets]] # This directory will use the 100% to validation and 0% to training image_dir = "path/to/image/full_validation" ``` **Notes:** * Validation loss calculation uses fixed timestep sampling and random seeds to reduce loss variation due to randomness for more stable evaluation. * Currently, validation loss is not supported when using Schedule-Free optimizers (`AdamWScheduleFree`, `RAdamScheduleFree`, `ProdigyScheduleFree`).
日本語 学習中に検証データセットを使用して損失 (Validation Loss) を計算し、モデルの汎化性能を評価できます。 詳細な設定方法とコマンドラインの例は英語のドキュメントを参照してください。
## 7. Additional Options / 追加オプション ### 7.1. Other FLUX.1-specific Options / その他のFLUX.1特有のオプション - **T5 Attention Mask Application**: Specify `--apply_t5_attn_mask` to apply attention masks during T5XXL Text Encoder training and inference. Not recommended due to limited inference environment support. **For Chroma models, this option is required.** - **IP Noise Gamma**: Use `--ip_noise_gamma` and `--ip_noise_gamma_random_strength` to adjust Input Perturbation noise gamma values during training. See Stable Diffusion 3 training options for details. - **LoRA-GGPO Support**: Use LoRA-GGPO (Gradient Group Proportion Optimizer) to stabilize LoRA training: ```bash --network_args "ggpo_sigma=0.03" "ggpo_beta=0.01" ``` - **Q/K/V Projection Layer Splitting [Experimental]**: Specify `--network_args "split_qkv=True"` to individually split and apply LoRA to Q/K/V (and SingleStreamBlock Text) projection layers within Attention layers.
日本語 その他のFLUX.1特有のオプション： - T5 Attention Maskの適用（Chromaモデルでは必須） - IPノイズガンマ - LoRA-GGPOサポート - Q/K/V射影層の分割（実験的機能） 詳細な設定方法とコマンドラインの例は英語のドキュメントを参照してください。
### 7.2. Dataset-related Additional Options / データセット関連の追加オプション #### Interpolation Method for Resizing You can specify the interpolation method when resizing dataset images to training resolution. Specify `interpolation_type` in the `[[datasets]]` or `[general]` section of the dataset configuration TOML file. Available values: `bicubic` (default), `bilinear`, `lanczos`, `nearest`, `area` ```toml [[datasets]] resolution = [1024, 1024] enable_bucket = true interpolation_type = "lanczos" # Example: Use Lanczos interpolation # ... ```
日本語 データセットの画像を学習解像度にリサイズする際の補間方法を指定できます。 設定方法とオプションの詳細は英語のドキュメントを参照してください。
### 7.3. Other Training Options / その他の学習オプション - **`--controlnet_model_name_or_path`**: Specifies the path to a ControlNet model compatible with FLUX.1. This allows for training a LoRA that works in conjunction with ControlNet. This is an advanced feature and requires a compatible ControlNet model. - **`--loss_type`**: Specifies the loss function for training. The default is `l2`. - `l1`: L1 loss. - `l2`: L2 loss (mean squared error). - `huber`: Huber loss. - `smooth_l1`: Smooth L1 loss. - **`--huber_schedule`**, **`--huber_c`**, **`--huber_scale`**: These are parameters for Huber loss. They are used when `--loss_type` is set to `huber` or `smooth_l1`. - **`--t5xxl_max_token_length`**: Specifies the maximum token length for the T5-XXL text encoder. For details, refer to the [`sd3_train_network.md` guide](sd3_train_network.md). - **`--weighting_scheme`**, **`--logit_mean`**, **`--logit_std`**, **`--mode_scale`**: These options allow you to adjust the loss weighting for each timestep. For details, refer to the [`sd3_train_network.md` guide](sd3_train_network.md). - **`--fused_backward_pass`**: Fuses the backward pass and optimizer step to reduce VRAM usage. For details, refer to the [`sdxl_train_network.md` guide](sdxl_train_network.md).
日本語 - **`--controlnet_model_name_or_path`**: FLUX.1互換のControlNetモデルへのパスを指定します。これにより、ControlNetと連携して動作するLoRAを学習できます。これは高度な機能であり、互換性のあるControlNetモデルが必要です。 - **`--loss_type`**: 学習に用いる損失関数を指定します。デフォルトは `l2` です。 - `l1`: L1損失。 - `l2`: L2損失（平均二乗誤差）。 - `huber`: Huber損失。 - `smooth_l1`: Smooth L1損失。 - **`--huber_schedule`**, **`--huber_c`**, **`--huber_scale`**: これらはHuber損失のパラメータです。`--loss_type` が `huber` または `smooth_l1` の場合に使用されます。 - **`--t5xxl_max_token_length`**: T5-XXLテキストエンコーダの最大トークン長を指定します。詳細は [`sd3_train_network.md` ガイド](sd3_train_network.md) を参照してください。 - **`--weighting_scheme`**, **`--logit_mean`**, **`--logit_std`**, **`--mode_scale`**: これらのオプションは、各タイムステップの損失の重み付けを調整するために使用されます。詳細は [`sd3_train_network.md` ガイド](sd3_train_network.md) を参照してください。 - **`--fused_backward_pass`**: バックワードパスとオプティマイザステップを融合してVRAM使用量を削減します。詳細は [`sdxl_train_network.md` ガイド](sdxl_train_network.md) を参照してください。
## 8. Related Tools / 関連ツール Several related scripts are provided for models trained with `flux_train_network.py` and to assist with the training process: * **`networks/flux_extract_lora.py`**: Extracts LoRA models from the difference between trained and base models. * **`convert_flux_lora.py`**: Converts trained LoRA models to other formats like Diffusers (AI-Toolkit) format. When trained with Q/K/V split option, converting with this script can reduce model size. * **`networks/flux_merge_lora.py`**: Merges trained LoRA models into FLUX.1 base models. * **`flux_minimal_inference.py`**: Simple inference script for generating images with trained LoRA models. You can specify `flux` or `chroma` with the `--model_type` argument.
日本語 `flux_train_network.py` で学習したモデルや、学習プロセスに役立つ関連スクリプトが提供されています： * **`networks/flux_extract_lora.py`**: 学習済みモデルとベースモデルの差分から LoRA モデルを抽出。 * **`convert_flux_lora.py`**: 学習した LoRA モデルを Diffusers (AI-Toolkit) 形式など他の形式に変換。 * **`networks/flux_merge_lora.py`**: 学習した LoRA モデルを FLUX.1 ベースモデルにマージ。 * **`flux_minimal_inference.py`**: 学習した LoRA モデルを適用して画像を生成するシンプルな推論スクリプト。 `--model_type` 引数で `flux` または `chroma` を指定できます。
## 9. Others / その他 `flux_train_network.py` includes many features common with `train_network.py`, such as sample image generation (`--sample_prompts`, etc.) and detailed optimizer settings. For these features, refer to the [`train_network.py` guide](train_network.md#5-other-features--その他の機能) or the script help (`python flux_train_network.py --help`).
日本語 `flux_train_network.py`には、サンプル画像の生成 (`--sample_prompts`など) や詳細なオプティマイザ設定など、`train_network.py`と共通の機能も多く存在します。これらについては、[`train_network.py`のガイド](train_network.md#5-other-features--その他の機能)やスクリプトのヘルプ (`python flux_train_network.py --help`) を参照してください。
================================================ FILE: docs/gen_img_README-ja.md ================================================ SD 1.x、2.x、およびSDXLのモデル、当リポジトリで学習したLoRA、ControlNet、ControlNet-LLLiteなどに対応した、独自の推論（画像生成）スクリプトです。コマンドラインから用います。 # 概要 * 独自の推論（画像生成）スクリプト。 * SD 1.x、2.x (base/v-parameterization)、およびSDXLモデルに対応。 * txt2img、img2img、inpaintingに対応。 * 対話モード、およびファイルからのプロンプト読み込み、連続生成に対応。 * プロンプト1行あたりの生成枚数を指定可能。 * 全体の繰り返し回数を指定可能。 * `fp16`だけでなく`bf16`にも対応。 * xformers、SDPA（Scaled Dot-Product Attention）に対応。 * プロンプトの225トークンへの拡張。ネガティブプロンプト、重みづけに対応。 * Diffusersの各種samplerに対応。 * Text Encoderのclip skip（最後からn番目の層の出力を用いる）に対応。 * VAEの別途読み込み、VAEのバッチ処理やスライスによる省メモリ化に対応。 * Highres. fix（独自実装およびGradual Latent）、upscale対応。 * LoRA、DyLoRA対応。適用率指定、複数LoRA同時利用、重みのマージに対応。 * Attention Couple、Regional LoRAに対応。 * ControlNet (v1.0/v1.1)、ControlNet-LLLiteに対応。 * 途中でモデルを切り替えることはできませんが、バッチファイルを組むことで対応できます。 # 基本的な使い方 ## 対話モードでの画像生成 以下のように入力してください。 ```batchfile python gen_img.py --ckpt <モデル名> --outdir <画像出力先> --xformers --fp16 --interactive ``` `--ckpt`オプションにモデル（Stable Diffusionのcheckpointファイル、またはDiffusersのモデルフォルダ）、`--outdir`オプションに画像の出力先フォルダを指定します。 `--xformers`オプションでxformersの使用を指定します。`--fp16`オプションでfp16（半精度）での推論を行います。RTX 30系以降のGPUでは `--bf16`オプションでbf16（bfloat16）での推論を行うこともできます。 `--interactive`オプションで対話モードを指定しています。 Stable Diffusion 2.0（またはそこからの追加学習モデル）を使う場合は`--v2`オプションを追加してください。v-parameterizationを使うモデル（`768-v-ema.ckpt`およびそこからの追加学習モデル）を使う場合はさらに`--v_parameterization`を追加してください。 SDXLモデルを使う場合は`--sdxl`オプションを追加してください。 `--v2`や`--sdxl`の指定有無が間違っているとモデル読み込み時にエラーになります。`--v_parameterization`の指定有無が間違っていると茶色い画像が表示されます。 `Type prompt:`と表示されたらプロンプトを入力してください。 ![image](https://user-images.githubusercontent.com/52813779/235343115-f3b8ac82-456d-4aab-9724-0cc73c4534aa.png) ※画像が表示されずエラーになる場合、headless（画面表示機能なし）のOpenCVがインストールされているかもしれません。`pip install opencv-python`として通常のOpenCVを入れてください。または`--no_preview`オプションで画像表示を止めてください。 画像ウィンドウを選択してから何らかのキーを押すとウィンドウが閉じ、次のプロンプトが入力できます。プロンプトでCtrl+Z、エンターの順に打鍵するとスクリプトを閉じます。 ## 単一のプロンプトで画像を一括生成 以下のように入力します（実際には1行で入力します）。 ```batchfile python gen_img.py --ckpt <モデル名> --outdir <画像出力先> --xformers --fp16 --images_per_prompt <生成枚数> --prompt "<プロンプト>" ``` `--images_per_prompt`オプションで、プロンプト1件当たりの生成枚数を指定します。`--prompt`オプションでプロンプトを指定します。スペースを含む場合はダブルクォーテーションで囲んでください。 `--batch_size`オプションでバッチサイズを指定できます（後述）。 ## ファイルからプロンプトを読み込み一括生成 以下のように入力します。 ```batchfile python gen_img.py --ckpt <モデル名> --outdir <画像出力先> --xformers --fp16 --from_file <プロンプトファイル名> ``` `--from_file`オプションで、プロンプトが記述されたファイルを指定します。1行1プロンプトで記述してください。`--images_per_prompt`オプションを指定して1行あたり生成枚数を指定できます。 ## ネガティブプロンプト、重みづけの使用 プロンプトオプション（プロンプト内で`--x`のように指定、後述）で`--n`を書くと、以降がネガティブプロンプトとなります。 またAUTOMATIC1111氏のWeb UIと同様の `()` や` []` 、`(xxx:1.3)` などによる重みづけが可能です（実装はDiffusersの[Long Prompt Weighting Stable Diffusion](https://github.com/huggingface/diffusers/blob/main/examples/community/README.md#long-prompt-weighting-stable-diffusion)からコピーしたものです）。 コマンドラインからのプロンプト指定、ファイルからのプロンプト読み込みでも同様に指定できます。 ![image](https://user-images.githubusercontent.com/52813779/235343128-e79cd768-ec59-46f5-8395-fce9bdc46208.png) # 主なオプション コマンドラインから指定してください。 ## モデルの指定 - `--ckpt <モデル名>`：モデル名を指定します。`--ckpt`オプションは必須です。Stable Diffusionのcheckpointファイル、またはDiffusersのモデルフォルダ、Hugging FaceのモデルIDを指定できます。 - `--v1`：Stable Diffusion 1.x系のモデルを使う場合に指定します。これがデフォルトの動作です。 - `--v2`：Stable Diffusion 2.x系のモデルを使う場合に指定します。1.x系の場合には指定不要です。 - `--sdxl`：Stable Diffusion XLモデルを使う場合に指定します。 - `--v_parameterization`：v-parameterizationを使うモデルを使う場合に指定します（`768-v-ema.ckpt`およびそこからの追加学習モデル、Waifu Diffusion v1.5など）。 `--v2`や`--sdxl`の指定有無が間違っているとモデル読み込み時にエラーになります。`--v_parameterization`の指定有無が間違っていると茶色い画像が表示されます。 - `--zero_terminal_snr`：noise schedulerのbetasを修正して、zero terminal SNRを強制します。 - `--pyramid_noise_prob`：ピラミッドノイズを適用する確率を指定します。 - `--pyramid_noise_discount_range`：ピラミッドノイズの割引率の範囲を指定します。 - `--noise_offset_prob`：ノイズオフセットを適用する確率を指定します。 - `--noise_offset_range`：ノイズオフセットの範囲を指定します。 - `--vae`：使用する VAE を指定します。未指定時はモデル内の VAE を使用します。 - `--tokenizer_cache_dir`：トークナイザーのキャッシュディレクトリを指定します（オフライン利用のため）。 ## 画像生成と出力 - `--interactive`：インタラクティブモードで動作します。プロンプトを入力すると画像が生成されます。 - `--prompt <プロンプト>`：プロンプトを指定します。スペースを含む場合はダブルクォーテーションで囲んでください。 - `--from_file <プロンプトファイル名>`：プロンプトが記述されたファイルを指定します。1行1プロンプトで記述してください。なお画像サイズやguidance scaleはプロンプトオプション（後述）で指定できます。 - `--from_module <モジュールファイル>`：Pythonモジュールからプロンプトを読み込みます。モジュールは`get_prompter(args, pipe, networks)`関数を実装している必要があります。 - `--prompter_module_args`：prompterモジュールに渡す追加の引数を指定します。 - `--W <画像幅>`：画像の幅を指定します。デフォルトは`512`です。 - `--H <画像高さ>`：画像の高さを指定します。デフォルトは`512`です。 - `--steps <ステップ数>`：サンプリングステップ数を指定します。デフォルトは`50`です。 - `--scale <ガイダンススケール>`：unconditionalガイダンススケールを指定します。デフォルトは`7.5`です。 - `--sampler <サンプラー名>`：サンプラーを指定します。デフォルトは`ddim`です。 `ddim`, `pndm`, `lms`, `euler`, `euler_a`, `heun`, `dpm_2`, `dpm_2_a`, `dpmsolver`, `dpmsolver++`, `dpmsingle`, `k_lms`, `k_euler`, `k_euler_a`, `k_dpm_2`, `k_dpm_2_a` が指定可能です。 - `--outdir <画像出力先フォルダ>`：画像の出力先を指定します。 - `--images_per_prompt <生成枚数>`：プロンプト1件当たりの生成枚数を指定します。デフォルトは`1`です。 - `--clip_skip <スキップ数>`：CLIPの後ろから何番目の層を使うかを指定します。デフォルトはSD1/2の場合1、SDXLの場合2です。 - `--max_embeddings_multiples <倍数>`：CLIPの入出力長をデフォルト（75）の何倍にするかを指定します。未指定時は75のままです。たとえば3を指定すると入出力長が225になります。 - `--negative_scale` : uncoditioningのguidance scaleを個別に指定します。[gcem156氏のこちらの記事](https://note.com/gcem156/n/ne9a53e4a6f43)を参考に実装したものです。 - `--emb_normalize_mode`：embedding正規化モードを指定します。"original"（デフォルト）、"abs"、"none"から選択できます。プロンプトの重みの正規化方法に影響します。 - `--force_scheduler_zero_steps_offset`：スケジューラのステップオフセットを、スケジューラ設定の `steps_offset` の値に関わらず強制的にゼロにします。 ## SDXL固有のオプション SDXL モデル（`--sdxl`フラグ付き）を使用する場合、追加のコンディショニングオプションが利用できます： - `--original_height`：SDXL コンディショニング用の元の高さを指定します。これはモデルの対象解像度の理解に影響します。 - `--original_width`：SDXL コンディショニング用の元の幅を指定します。これはモデルの対象解像度の理解に影響します。 - `--original_height_negative`：SDXL ネガティブコンディショニング用の元の高さを指定します。 - `--original_width_negative`：SDXL ネガティブコンディショニング用の元の幅を指定します。 - `--crop_top`：SDXL コンディショニング用のクロップ上オフセットを指定します。 - `--crop_left`：SDXL コンディショニング用のクロップ左オフセットを指定します。 ## メモリ使用量や生成速度の調整 - `--batch_size <バッチサイズ>`：バッチサイズを指定します。デフォルトは`1`です。バッチサイズが大きいとメモリを多く消費しますが、生成速度が速くなります。 - `--vae_batch_size `：VAEのバッチサイズを指定します。デフォルトはバッチサイズと同じです。1未満の値を指定すると、バッチサイズに対する比率として扱われます。 VAEのほうがメモリを多く消費するため、デノイジング後（stepが100%になった後）でメモリ不足になる場合があります。このような場合にはVAEのバッチサイズを小さくしてください。 - `--vae_slices <スライス数>`：VAE処理時に画像をスライスに分割してVRAM使用量を削減します。None（デフォルト）で分割なし。16や32のような値が推奨されます。有効にすると処理が遅くなりますが、VRAM使用量が少なくなります。 - `--no_half_vae`：VAE処理でfp16/bf16精度の使用を防ぎます。代わりにfp32を使用します。VAE関連の問題やアーティファクトが発生した場合に使用してください。 - `--xformers`：xformersを使う場合に指定します。 - `--sdpa`：最適化のためにPyTorch 2のscaled dot-product attentionを使用します。 - `--diffusers_xformers`：Diffusers経由でxformersを使用します（注：Hypernetworksと互換性がありません）。 - `--fp16`：fp16（半精度）での推論を行います。`fp16`と`bf16`をどちらも指定しない場合はfp32（単精度）での推論を行います。 - `--bf16`：bf16（bfloat16）での推論を行います。RTX 30系以降のGPUでのみ指定可能です。`--bf16`オプションはRTX 30系以外のGPUではエラーになります。SDXLでは`fp16`よりも`bf16`のほうが推論結果がNaNになる（真っ黒の画像になる）可能性が低いようです。 ## 追加ネットワーク（LoRA等）の使用 - `--network_module`：使用する追加ネットワークを指定します。LoRAの場合は`--network_module networks.lora`と指定します。複数のLoRAを使用する場合は`--network_module networks.lora networks.lora networks.lora`のように指定します。 - `--network_weights`：使用する追加ネットワークの重みファイルを指定します。`--network_weights model.safetensors`のように指定します。複数のLoRAを使用する場合は`--network_weights model1.safetensors model2.safetensors model3.safetensors`のように指定します。引数の数は`--network_module`で指定した数と同じにしてください。 - `--network_mul`：使用する追加ネットワークの重みを何倍にするかを指定します。デフォルトは`1`です。`--network_mul 0.8`のように指定します。複数のLoRAを使用する場合は`--network_mul 0.4 0.5 0.7`のように指定します。引数の数は`--network_module`で指定した数と同じにしてください。 - `--network_merge`：使用する追加ネットワークの重みを`--network_mul`に指定した重みであらかじめマージします。`--network_pre_calc` と同時に使用できません。プロンプトオプションの`--am`、およびRegional LoRAは使用できなくなりますが、LoRA未使用時と同じ程度まで生成が高速化されます。 - `--network_pre_calc`：使用する追加ネットワークの重みを生成ごとにあらかじめ計算します。プロンプトオプションの`--am`が使用できます。LoRA未使用時と同じ程度まで生成は高速化されますが、生成前に重みを計算する時間が必要で、またメモリ使用量も若干増加します。Regional LoRA使用時は無効になります 。 - `--network_regional_mask_max_color_codes`：リージョナルマスクに使用する色コードの最大数を指定します。指定されていない場合、マスクはチャンネルごとに適用されます。Regional LoRAと組み合わせて、マスク内の色で定義できるリージョン数を制御するために使用されます。 - `--network_args`：key=value形式でネットワークモジュールに渡す追加引数を指定します。例: `--network_args "alpha=1.0,dropout=0.1"`。 - `--network_merge_n_models`：ネットワークマージを使用する場合、マージするモデル数を指定します（全ての読み込み済みネットワークをマージする代わりに）。 # 主なオプションの指定例 次は同一プロンプトで64枚をバッチサイズ4で一括生成する例です。 ```batchfile python gen_img.py --ckpt model.ckpt --outdir outputs --xformers --fp16 --W 512 --H 704 --scale 12.5 --sampler k_euler_a --steps 32 --batch_size 4 --images_per_prompt 64 --prompt "beautiful flowers --n monochrome" ``` 次はファイルに書かれたプロンプトを、それぞれ10枚ずつ、バッチサイズ4で一括生成する例です。 ```batchfile python gen_img.py --ckpt model.ckpt --outdir outputs --xformers --fp16 --W 512 --H 704 --scale 12.5 --sampler k_euler_a --steps 32 --batch_size 4 --images_per_prompt 10 --from_file prompts.txt ``` Textual Inversion（後述）およびLoRAの使用例です。 ```batchfile python gen_img.py --ckpt model.safetensors --scale 8 --steps 48 --outdir txt2img --xformers --W 512 --H 768 --fp16 --sampler k_euler_a --textual_inversion_embeddings goodembed.safetensors negprompt.pt --network_module networks.lora networks.lora --network_weights model1.safetensors model2.safetensors --network_mul 0.4 0.8 --clip_skip 2 --max_embeddings_multiples 1 --batch_size 8 --images_per_prompt 1 --interactive ``` # プロンプトオプション プロンプト内で、`--n`のように「ハイフンふたつ+アルファベットn文字」でプロンプトから各種オプションの指定が可能です。対話モード、コマンドライン、ファイル、いずれからプロンプトを指定する場合でも有効です。 プロンプトのオプション指定`--n`の前後にはスペースを入れてください。 - `--n`：ネガティブプロンプトを指定します。 - `--w`：画像幅を指定します。コマンドラインからの指定を上書きします。 - `--h`：画像高さを指定します。コマンドラインからの指定を上書きします。 - `--s`：ステップ数を指定します。コマンドラインからの指定を上書きします。 - `--d`：この画像の乱数seedを指定します。`--images_per_prompt`を指定している場合は「--d 1,2,3,4」のようにカンマ区切りで複数指定してください。 ※様々な理由により、Web UIとは同じ乱数seedでも生成される画像が異なる場合があります。 - `--l`：guidance scaleを指定します。コマンドラインからの指定を上書きします。 - `--t`：img2img（後述）のstrengthを指定します。コマンドラインからの指定を上書きします。 - `--nl`：ネガティブプロンプトのguidance scaleを指定します（後述）。コマンドラインからの指定を上書きします。 - `--am`：追加ネットワークの重みを指定します。コマンドラインからの指定を上書きします。複数の追加ネットワークを使用する場合は`--am 0.8,0.5,0.3`のように __カンマ区切りで__ 指定します。 - `--ow`：SDXLのoriginal_widthを指定します。 - `--oh`：SDXLのoriginal_heightを指定します。 - `--nw`：SDXLのoriginal_width_negativeを指定します。 - `--nh`：SDXLのoriginal_height_negativeを指定します。 - `--ct`：SDXLのcrop_topを指定します。 - `--cl`：SDXLのcrop_leftを指定します。 - `--c`：CLIPプロンプトを指定します。 - `--f`：生成ファイル名を指定します。 ※これらのオプションを指定すると、バッチサイズよりも小さいサイズでバッチが実行される場合があります（これらの値が異なると一括生成できないため）。（あまり気にしなくて大丈夫ですが、ファイルからプロンプトを読み込み生成する場合は、これらの値が同一のプロンプトを並べておくと効率が良くなります。） 例： ``` (masterpiece, best quality), 1girl, in shirt and plated skirt, standing at street under cherry blossoms, upper body, [from below], kind smile, looking at another, [goodembed] --n realistic, real life, (negprompt), (lowres:1.1), (worst quality:1.2), (low quality:1.1), bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, normal quality, jpeg artifacts, signature, watermark, username, blurry --w 960 --h 640 --s 28 --d 1 ``` ![image](https://user-images.githubusercontent.com/52813779/235343446-25654172-fff4-4aaf-977a-20d262b51676.png) # プロンプトのワイルドカード (Dynamic Prompts) Dynamic Prompts (Wildcard) 記法に対応しています。Web UIの拡張機能等と完全に同じではありませんが、以下の機能が利用可能です。 - `{A|B|C}` : A, B, C の中からランダムに1つを選択します。 - `{e$$A|B|C}` : A, B, C のすべてを順に利用します（全列挙）。プロンプト内に複数の `{e$$...}` がある場合、すべての組み合わせが生成されます。 - 例：`{e$$red|blue} flower, {e$$1girl|2girls}` → `red flower, 1girl`, `red flower, 2girls`, `blue flower, 1girl`, `blue flower, 2girls` の4枚が生成されます。 - `{n$$A|B|C}` : A, B, C の中から n 個をランダムに選択して結合します。 - 例：`{2$$A|B|C}` → `A, B` や `B, C` など。 - `{n-m$$A|B|C}` : A, B, C の中から n 個から m 個をランダムに選択して結合します。 - `{$$sep$$A|B|C}` : 選択された項目を sep で結合します（デフォルトは `, `）。 - 例：`{2$$ and $$A|B|C}` → `A and B` など。 これらは組み合わせて利用可能です。 # img2img ## オプション - `--image_path`：img2imgに利用する画像を指定します。`--image_path template.png`のように指定します。フォルダを指定すると、そのフォルダの画像を順次利用します。 - `--strength`：img2imgのstrengthを指定します。`--strength 0.8`のように指定します。デフォルトは`0.8`です。 - `--sequential_file_name`：ファイル名を連番にするかどうかを指定します。指定すると生成されるファイル名が`im_000001.png`からの連番になります。 - `--use_original_file_name`：指定すると生成ファイル名がオリジナルのファイル名の前に追加されます（img2imgモード用）。 - `--clip_vision_strength`：指定した強度でimg2img用のCLIP Vision Conditioningを有効にします。CLIP Visionモデルを使用して入力画像からのコンディショニングを強化します。 ## コマンドラインからの実行例 ```batchfile python gen_img.py --ckpt trinart_characters_it4_v1_vae_merged.ckpt --outdir outputs --xformers --fp16 --scale 12.5 --sampler k_euler --steps 32 --image_path template.png --strength 0.8 --prompt "1girl, cowboy shot, brown hair, pony tail, brown eyes, sailor school uniform, outdoors --n lowres, bad anatomy, bad hands, error, missing fingers, cropped, worst quality, low quality, normal quality, jpeg artifacts, (blurry), hair ornament, glasses" --batch_size 8 --images_per_prompt 32 ``` `--image_path`オプションにフォルダを指定すると、そのフォルダの画像を順次読み込みます。生成される枚数は画像枚数ではなく、プロンプト数になりますので、`--images_per_promptPPオプションを指定してimg2imgする画像の枚数とプロンプト数を合わせてください。 ファイルはファイル名でソートして読み込みます。なおソート順は文字列順となりますので（`1.jpg→2.jpg→10.jpg`ではなく`1.jpg→10.jpg→2.jpg`の順）、頭を0埋めするなどしてご対応ください（`01.jpg→02.jpg→10.jpg`）。 ## img2imgを利用したupscale img2img時にコマンドラインオプションの`--W`と`--H`で生成画像サイズを指定すると、元画像をそのサイズにリサイズしてからimg2imgを行います。 またimg2imgの元画像がこのスクリプトで生成した画像の場合、プロンプトを省略すると、元画像のメタデータからプロンプトを取得しそのまま用います。これによりHighres. fixの2nd stageの動作だけを行うことができます。 ## img2img時のinpainting 画像およびマスク画像を指定してinpaintingできます（inpaintingモデルには対応しておらず、単にマスク領域を対象にimg2imgするだけです）。 オプションは以下の通りです。 - `--mask_image`：マスク画像を指定します。`--img_path`と同様にフォルダを指定すると、そのフォルダの画像を順次利用します。 マスク画像はグレースケール画像で、白の部分がinpaintingされます。境界をグラデーションしておくとなんとなく滑らかになりますのでお勧めです。 ![image](https://user-images.githubusercontent.com/52813779/235343795-9eaa6d98-02ff-4f32-b089-80d1fc482453.png) # その他の機能 ## Textual Inversion `--textual_inversion_embeddings`オプションで使用するembeddingsを指定します（複数指定可）。拡張子を除いたファイル名をプロンプト内で使用することで、そのembeddingsを利用します（Web UIと同様の使用法です）。ネガティブプロンプト内でも使用できます。 モデルとして、当リポジトリで学習したTextual Inversionモデル、およびWeb UIで学習したTextual Inversionモデル（画像埋め込みは非対応）を利用できます ## Highres. fix AUTOMATIC1111氏のWeb UIにある機能の類似機能です（独自実装のためもしかしたらいろいろ異なるかもしれません）。最初に小さめの画像を生成し、その画像を元にimg2imgすることで、画像全体の破綻を防ぎつつ大きな解像度の画像を生成します。 2nd stageのstep数は`--steps` と`--strength`オプションの値から計算されます（`steps*strength`）。 img2imgと併用できません。 以下のオプションがあります。 - `--highres_fix_scale`：Highres. fixを有効にして、1st stageで生成する画像のサイズを、倍率で指定します。最終出力が1024x1024で、最初に512x512の画像を生成する場合は`--highres_fix_scale 0.5`のように指定します。Web UI出の指定の逆数になっていますのでご注意ください。 - `--highres_fix_steps`：1st stageの画像のステップ数を指定します。デフォルトは`28`です。 - `--highres_fix_strength`：1st stageのimg2img時のstrengthを指定します。省略時は`--strength`と同じ値になります。 - `--highres_fix_save_1st`：1st stageの画像を保存するかどうかを指定します。 - `--highres_fix_latents_upscaling`：指定すると2nd stageの画像生成時に1st stageの画像をlatentベースでupscalingします（bilinearのみ対応）。未指定時は画像をLANCZOS4でupscalingします。 - `--highres_fix_upscaler`：2nd stageに任意のupscalerを利用します。現在は`--highres_fix_upscaler tools.latent_upscaler` のみ対応しています。 - `--highres_fix_upscaler_args`：`--highres_fix_upscaler`で指定したupscalerに渡す引数を指定します。 `tools.latent_upscaler`の場合は、`--highres_fix_upscaler_args "weights=D:\Work\SD\Models\others\etc\upscaler-v1-e100-220.safetensors"`のように重みファイルを指定します。 - `--highres_fix_disable_control_net`：Highres fixの2nd stageでControlNetを無効にします。デフォルトでは、ControlNetは両ステージで使用されます。 コマンドラインの例です。 ```batchfile python gen_img.py --ckpt trinart_characters_it4_v1_vae_merged.ckpt --n_iter 1 --scale 7.5 --W 1024 --H 1024 --batch_size 1 --outdir ../txt2img --steps 48 --sampler ddim --fp16 --xformers --images_per_prompt 1 --interactive --highres_fix_scale 0.5 --highres_fix_steps 28 --strength 0.5 ``` ## Deep Shrink Deep Shrinkは、異なるタイムステップで異なる深度のUNetを使用して生成プロセスを最適化する技術です。生成品質と効率を向上させることができます。 以下のオプションがあります： - `--ds_depth_1`：第1フェーズでこの深度のDeep Shrinkを有効にします。有効な値は0から8です。 - `--ds_timesteps_1`：このタイムステップまでDeep Shrink深度1を適用します。デフォルトは650です。 - `--ds_depth_2`：Deep Shrinkの第2フェーズの深度を指定します。 - `--ds_timesteps_2`：このタイムステップまでDeep Shrink深度2を適用します。デフォルトは650です。 - `--ds_ratio`：Deep Shrinkでのダウンサンプリングの比率を指定します。デフォルトは0.5です。 これらのパラメータはプロンプトオプションでも指定できます： - `--dsd1`：プロンプトからDeep Shrink深度1を指定します。 - `--dst1`：プロンプトからDeep Shrinkタイムステップ1を指定します。 - `--dsd2`：プロンプトからDeep Shrink深度2を指定します。 - `--dst2`：プロンプトからDeep Shrinkタイムステップ2を指定します。 - `--dsr`：プロンプトからDeep Shrink比率を指定します。 ## ControlNet 現在はControlNet 1.0のみ動作確認しています。プリプロセスはCannyのみサポートしています。 以下のオプションがあります。 - `--control_net_models`：ControlNetのモデルファイルを指定します。 複数指定すると、それらをstepごとに切り替えて利用します（Web UIのControlNet拡張の実装と異なります）。diffと通常の両方をサポートします。 - `--guide_image_path`：ControlNetに使うヒント画像を指定します。`--img_path`と同様にフォルダを指定すると、そのフォルダの画像を順次利用します。Canny以外のモデルの場合には、あらかじめプリプロセスを行っておいてください。 - `--control_net_preps`：ControlNetのプリプロセスを指定します。`--control_net_models`と同様に複数指定可能です。現在はcannyのみ対応しています。対象モデルでプリプロセスを使用しない場合は `none` を指定します。 cannyの場合 `--control_net_preps canny_63_191`のように、閾値1と2を'_'で区切って指定できます。 - `--control_net_multipliers`：ControlNetの適用時の重みを指定します（`1.0`で通常、`0.5`なら半分の影響力で適用）。`--control_net_models`と同様に複数指定可能です。 - `--control_net_ratios`：ControlNetを適用するstepの範囲を指定します。`0.5`の場合は、step数の半分までControlNetを適用します。`--control_net_models`と同様に複数指定可能です。 コマンドラインの例です。 ```batchfile python gen_img.py --ckpt model_ckpt --scale 8 --steps 48 --outdir txt2img --xformers --W 512 --H 768 --bf16 --sampler k_euler_a --control_net_models diff_control_sd15_canny.safetensors --control_net_multipliers 1.0 --guide_image_path guide.png --control_net_ratios 1.0 --interactive ``` ## ControlNet-LLLite ControlNet-LLLiteは、類似の誘導目的に使用できるControlNetの軽量な代替手段です。 以下のオプションがあります： - `--control_net_lllite_models`：ControlNet-LLLiteモデルファイルを指定します。 - `--control_net_multipliers`：ControlNet-LLLiteの倍率を指定します（重みに類似）。 - `--control_net_ratios`：ControlNet-LLLiteを適用するステップの比率を指定します。 注意：ControlNetとControlNet-LLLiteは同時に使用できません。 ## Attention Couple + Reginal LoRA プロンプトをいくつかの部分に分割し、それぞれのプロンプトを画像内のどの領域に適用するかを指定できる機能です。個別のオプションはありませんが、`mask_path`とプロンプトで指定します。 まず、プロンプトで` AND `を利用して、複数部分を定義します。最初の3つに対して領域指定ができ、以降の部分は画像全体へ適用されます。ネガティブプロンプトは画像全体に適用されます。 以下ではANDで3つの部分を定義しています。 ``` shs 2girls, looking at viewer, smile AND bsb 2girls, looking back AND 2girls --n bad quality, worst quality ``` 次にマスク画像を用意します。マスク画像はカラーの画像で、RGBの各チャネルがプロンプトのANDで区切られた部分に対応します。またあるチャネルの値がすべて0の場合、画像全体に適用されます。 上記の例では、Rチャネルが`shs 2girls, looking at viewer, smile`、Gチャネルが`bsb 2girls, looking back`に、Bチャネルが`2girls`に対応します。次のようなマスク画像を使用すると、Bチャネルに指定がありませんので、`2girls`は画像全体に適用されます。 ![image](https://user-images.githubusercontent.com/52813779/235343061-b4dc9392-3dae-4831-8347-1e9ae5054251.png) マスク画像は`--mask_path`で指定します。現在は1枚のみ対応しています。指定した画像サイズに自動的にリサイズされ適用されます。 ControlNetと組み合わせることも可能です（細かい位置指定にはControlNetとの組み合わせを推奨します）。 LoRAを指定すると、`--network_weights`で指定した複数のLoRAがそれぞれANDの各部分に対応します。現在の制約として、LoRAの数はANDの部分の数と同じである必要があります。 # その他のオプション - `--no_preview` : 対話モードでプレビュー画像を表示しません。OpenCVがインストールされていない場合や、出力されたファイルを直接確認する場合に指定してください。 - `--n_iter` : 生成を繰り返す回数を指定します。デフォルトは1です。プロンプトをファイルから読み込むとき、複数回の生成を行いたい場合に指定します。 - `--tokenizer_cache_dir` : トークナイザーのキャッシュディレクトリを指定します。（作業中） - `--seed` : 乱数seedを指定します。1枚生成時はその画像のseed、複数枚生成時は各画像のseedを生成するための乱数のseedになります（`--from_file`で複数画像生成するとき、`--seed`オプションを指定すると複数回実行したときに各画像が同じseedになります）。 - `--iter_same_seed` : プロンプトに乱数seedの指定がないとき、`--n_iter`の繰り返し内ではすべて同じseedを使います。`--from_file`で指定した複数のプロンプト間でseedを統一して比較するときに使います。 - `--diffusers_xformers` : Diffuserのxformersを使用します。 - `--opt_channels_last` : 推論時にテンソルのチャンネルを最後に配置します。場合によっては高速化されることがあります。 - `--shuffle_prompts`：繰り返し時にプロンプトの順序をシャッフルします。`--from_file`で複数のプロンプトを使用する場合に便利です。 - `--network_show_meta`：追加ネットワークのメタデータを表示します。 --- # Gradual Latent について latentのサイズを徐々に大きくしていくHires fixです。 - `--gradual_latent_timesteps` : latentのサイズを大きくし始めるタイムステップを指定します。デフォルトは None で、Gradual Latentを使用しません。750 くらいから始めてみてください。 - `--gradual_latent_ratio` : latentの初期サイズを指定します。デフォルトは 0.5 で、デフォルトの latent サイズの半分のサイズから始めます。 - `--gradual_latent_ratio_step`: latentのサイズを大きくする割合を指定します。デフォルトは 0.125 で、latentのサイズを 0.625, 0.75, 0.875, 1.0 と徐々に大きくします。 - `--gradual_latent_ratio_every_n_steps`: latentのサイズを大きくする間隔を指定します。デフォルトは 3 で、3ステップごとに latent のサイズを大きくします。 - `--gradual_latent_s_noise`：Gradual LatentのS_noiseパラメータを指定します。デフォルトは1.0です。 - `--gradual_latent_unsharp_params`：Gradual Latentのアンシャープマスクパラメータをksize,sigma,strength,target-x形式で指定します（target-x: 1=True, 0=False）。推奨値：`3,0.5,0.5,1`または`3,1.0,1.0,0`。 それぞれのオプションは、プロンプトオプション、`--glt`、`--glr`、`--gls`、`--gle` でも指定できます。 サンプラーに手を加えているため、__サンプラーに `euler_a` を指定してください。__ 他のサンプラーでは動作しません。 SD 1.5 のほうが効果があります。SDXL ではかなり微妙です。 ================================================ FILE: docs/gen_img_README.md ================================================ This is an inference (image generation) script that supports SD 1.x and 2.x models, LoRA trained with this repository, ControlNet (only v1.0 has been confirmed to work), etc. It is used from the command line. # Overview * Inference (image generation) script. * Supports SD 1.x, 2.x (base/v-parameterization), and SDXL models. * Supports txt2img, img2img, and inpainting. * Supports interactive mode, prompt reading from files, and continuous generation. * The number of images generated per prompt line can be specified. * The total number of repetitions can be specified. * Supports not only `fp16` but also `bf16`. * Supports xformers and SDPA (Scaled Dot-Product Attention). * Extension of prompts to 225 tokens. Supports negative prompts and weighting. * Supports various samplers from Diffusers. * Supports clip skip (uses the output of the nth layer from the end) of Text Encoder. * Separate loading of VAE, supports VAE batch processing and slicing for memory saving. * Highres. fix (original implementation and Gradual Latent), upscale support. * LoRA, DyLoRA support. Supports application rate specification, simultaneous use of multiple LoRAs, and weight merging. * Supports Attention Couple, Regional LoRA. * Supports ControlNet (v1.0/v1.1), ControlNet-LLLite. * It is not possible to switch models midway, but it can be handled by creating a batch file. # Basic Usage ## Image Generation in Interactive Mode Enter as follows: ```batchfile python gen_img.py --ckpt --outdir --xformers --fp16 --interactive ``` Specify the model (Stable Diffusion checkpoint file or Diffusers model folder) in the `--ckpt` option and the image output destination folder in the `--outdir` option. Specify the use of xformers with the `--xformers` option (remove it if you do not use xformers). The `--fp16` option performs inference in fp16 (single precision). For RTX 30 series GPUs, you can also perform inference in bf16 (bfloat16) with the `--bf16` option. The `--interactive` option specifies interactive mode. If you are using Stable Diffusion 2.0 (or a model with additional training from it), add the `--v2` option. If you are using a model that uses v-parameterization (`768-v-ema.ckpt` and models with additional training from it), add `--v_parameterization` as well. If the `--v2` specification is incorrect, an error will occur when loading the model. If the `--v_parameterization` specification is incorrect, a brown image will be displayed. When `Type prompt:` is displayed, enter the prompt. ![image](https://user-images.githubusercontent.com/52813779/235343115-f3b8ac82-456d-4aab-9724-0cc73c4534aa.png) *If the image is not displayed and an error occurs, headless (no screen display function) OpenCV may be installed. Install normal OpenCV with `pip install opencv-python`. Alternatively, stop image display with the `--no_preview` option. Select the image window and press any key to close the window and enter the next prompt. Press Ctrl+Z and then Enter in the prompt to close the script. ## Batch Generation of Images with a Single Prompt Enter as follows (actually entered on one line): ```batchfile python gen_img.py --ckpt --outdir \ --xformers --fp16 --images_per_prompt --prompt "" ``` Specify the number of images to generate per prompt with the `--images_per_prompt` option. Specify the prompt with the `--prompt` option. If it contains spaces, enclose it in double quotes. You can specify the batch size with the `--batch_size` option (described later). ## Batch Generation by Reading Prompts from a File Enter as follows: ```batchfile python gen_img.py --ckpt --outdir \ --xformers --fp16 --from_file ``` Specify the file containing the prompts with the `--from_file` option. Write one prompt per line. You can specify the number of images to generate per line with the `--images_per_prompt` option. ## Using Negative Prompts and Weighting If you write `--n` in the prompt options (specified like `--x` in the prompt, described later), the following will be a negative prompt. Also, weighting with `()` and `[]`, `(xxx:1.3)`, etc., similar to AUTOMATIC1111's Web UI, is possible (the implementation is copied from Diffusers' [Long Prompt Weighting Stable Diffusion](https://github.com/huggingface/diffusers/blob/main/examples/community/README.md#long-prompt-weighting-stable-diffusion)). It can be specified similarly for prompt specification from the command line and prompt reading from files. ![image](https://user-images.githubusercontent.com/52813779/235343128-e79cd768-ec59-46f5-8395-fce9bdc46208.png) # Main Options Specify from the command line. ## Model Specification - `--ckpt `: Specifies the model name. The `--ckpt` option is mandatory. You can specify a Stable Diffusion checkpoint file, a Diffusers model folder, or a Hugging Face model ID. - `--v1`: Specify when using Stable Diffusion 1.x series models. This is the default behavior. - `--v2`: Specify when using Stable Diffusion 2.x series models. Not required for 1.x series. - `--sdxl`: Specify when using Stable Diffusion XL models. - `--v_parameterization`: Specify when using models that use v-parameterization (`768-v-ema.ckpt` and models with additional training from it, Waifu Diffusion v1.5, etc.). If the `--v2` or `--sdxl` specification is incorrect, an error will occur when loading the model. If the `--v_parameterization` specification is incorrect, a brown image will be displayed. - `--zero_terminal_snr`: Modifies the noise scheduler betas to enforce zero terminal SNR. - `--pyramid_noise_prob`: Specifies the probability of applying pyramid noise. - `--pyramid_noise_discount_range`: Specifies the discount range for pyramid noise. - `--noise_offset_prob`: Specifies the probability of applying noise offset. - `--noise_offset_range`: Specifies the range of noise offset. - `--vae`: Specifies the VAE to use. If not specified, the VAE in the model will be used. - `--tokenizer_cache_dir`: Specifies the cache directory for the tokenizer (for offline usage). ## Image Generation and Output - `--interactive`: Operates in interactive mode. Images are generated when prompts are entered. - `--prompt `: Specifies the prompt. If it contains spaces, enclose it in double quotes. - `--from_file `: Specifies the file containing the prompts. Write one prompt per line. Image size and guidance scale can be specified with prompt options (described later). - `--from_module `: Loads prompts from a Python module. The module should implement a `get_prompter(args, pipe, networks)` function. - `--prompter_module_args`: Specifies additional arguments to pass to the prompter module. - `--W `: Specifies the width of the image. The default is `512`. - `--H `: Specifies the height of the image. The default is `512`. - `--steps `: Specifies the number of sampling steps. The default is `50`. - `--scale `: Specifies the unconditional guidance scale. The default is `7.5`. - `--sampler `: Specifies the sampler. The default is `ddim`. `ddim`, `pndm`, `lms`, `euler`, `euler_a`, `heun`, `dpm_2`, `dpm_2_a`, `dpmsolver`, `dpmsolver++`, `dpmsingle`, `k_lms`, `k_euler`, `k_euler_a`, `k_dpm_2`, `k_dpm_2_a` can be specified. - `--outdir `: Specifies the output destination for images. - `--images_per_prompt `: Specifies the number of images to generate per prompt. The default is `1`. - `--clip_skip `: Specifies which layer from the end of CLIP to use. Default is 1 for SD1/2, 2 for SDXL. - `--max_embeddings_multiples `: Specifies how many times the CLIP input/output length should be multiplied by the default (75). If not specified, it remains 75. For example, specifying 3 makes the input/output length 225. - `--negative_scale`: Specifies the guidance scale for unconditioning individually. Implemented with reference to [this article by gcem156](https://note.com/gcem156/n/ne9a53e4a6f43). - `--emb_normalize_mode`: Specifies the embedding normalization mode. Options are "original" (default), "abs", and "none". This affects how prompt weights are normalized. - `--force_scheduler_zero_steps_offset`: Forces the scheduler step offset to zero regardless of the `steps_offset` value in the scheduler configuration. ## SDXL-Specific Options When using SDXL models (with `--sdxl` flag), additional conditioning options are available: - `--original_height`: Specifies the original height for SDXL conditioning. This affects the model's understanding of the target resolution. - `--original_width`: Specifies the original width for SDXL conditioning. This affects the model's understanding of the target resolution. - `--original_height_negative`: Specifies the original height for SDXL negative conditioning. - `--original_width_negative`: Specifies the original width for SDXL negative conditioning. - `--crop_top`: Specifies the crop top offset for SDXL conditioning. - `--crop_left`: Specifies the crop left offset for SDXL conditioning. ## Adjusting Memory Usage and Generation Speed - `--batch_size `: Specifies the batch size. The default is `1`. A larger batch size consumes more memory but speeds up generation. - `--vae_batch_size `: Specifies the VAE batch size. The default is the same as the batch size. Since VAE consumes more memory, memory shortages may occur after denoising (after the step reaches 100%). In such cases, reduce the VAE batch size. - `--vae_slices `: Splits the image into slices for VAE processing to reduce VRAM usage. None (default) for no splitting. Values like 16 or 32 are recommended. Enabling this is slower but uses less VRAM. - `--no_half_vae`: Prevents using fp16/bf16 precision for VAE processing. Uses fp32 instead. Use this if you encounter VAE-related issues or artifacts. - `--xformers`: Specify when using xformers. - `--sdpa`: Use scaled dot-product attention in PyTorch 2 for optimization. - `--diffusers_xformers`: Use xformers via Diffusers (note: incompatible with Hypernetworks). - `--fp16`: Performs inference in fp16 (single precision). If neither `fp16` nor `bf16` is specified, inference is performed in fp32 (single precision). - `--bf16`: Performs inference in bf16 (bfloat16). Can only be specified for RTX 30 series GPUs. The `--bf16` option will cause an error on GPUs other than the RTX 30 series. It seems that `bf16` is less likely to result in NaN (black image) inference results than `fp16`. ## Using Additional Networks (LoRA, etc.) - `--network_module`: Specifies the additional network to use. For LoRA, specify `--network_module networks.lora`. To use multiple LoRAs, specify like `--network_module networks.lora networks.lora networks.lora`. - `--network_weights`: Specifies the weight file of the additional network to use. Specify like `--network_weights model.safetensors`. To use multiple LoRAs, specify like `--network_weights model1.safetensors model2.safetensors model3.safetensors`. The number of arguments should be the same as the number specified in `--network_module`. - `--network_mul`: Specifies how many times to multiply the weight of the additional network to use. The default is `1`. Specify like `--network_mul 0.8`. To use multiple LoRAs, specify like `--network_mul 0.4 0.5 0.7`. The number of arguments should be the same as the number specified in `--network_module`. - `--network_merge`: Merges the weights of the additional networks to be used in advance with the weights specified in `--network_mul`. Cannot be used simultaneously with `--network_pre_calc`. The prompt option `--am` and Regional LoRA can no longer be used, but generation will be accelerated to the same extent as when LoRA is not used. - `--network_pre_calc`: Calculates the weights of the additional network to be used in advance for each generation. The prompt option `--am` can be used. Generation is accelerated to the same extent as when LoRA is not used, but time is required to calculate the weights before generation, and memory usage also increases slightly. It is disabled when Regional LoRA is used. - `--network_regional_mask_max_color_codes`: Specifies the maximum number of color codes to use for regional masks. If not specified, masks are applied by channel. Used with Regional LoRA to control the number of regions that can be defined by colors in the mask. - `--network_args`: Specifies additional arguments to pass to the network module in key=value format. For example: `--network_args "alpha=1.0,dropout=0.1"`. - `--network_merge_n_models`: When using network merging, specifies the number of models to merge (instead of merging all loaded networks). # Examples of Main Option Specifications The following is an example of batch generating 64 images with the same prompt and a batch size of 4. ```batchfile python gen_img.py --ckpt model.ckpt --outdir outputs \ --xformers --fp16 --W 512 --H 704 --scale 12.5 --sampler k_euler_a \ --steps 32 --batch_size 4 --images_per_prompt 64 \ --prompt "beautiful flowers --n monochrome" ``` The following is an example of batch generating 10 images each for prompts written in a file, with a batch size of 4. ```batchfile python gen_img.py --ckpt model.ckpt --outdir outputs \ --xformers --fp16 --W 512 --H 704 --scale 12.5 --sampler k_euler_a \ --steps 32 --batch_size 4 --images_per_prompt 10 \ --from_file prompts.txt ``` Example of using Textual Inversion (described later) and LoRA. ```batchfile python gen_img.py --ckpt model.safetensors \ --scale 8 --steps 48 --outdir txt2img --xformers \ --W 512 --H 768 --fp16 --sampler k_euler_a \ --textual_inversion_embeddings goodembed.safetensors negprompt.pt \ --network_module networks.lora networks.lora \ --network_weights model1.safetensors model2.safetensors \ --network_mul 0.4 0.8 \ --clip_skip 2 --max_embeddings_multiples 1 \ --batch_size 8 --images_per_prompt 1 --interactive ``` # Prompt Options In the prompt, you can specify various options from the prompt with "two hyphens + n alphabetic characters" like `--n`. It is valid whether specifying the prompt from interactive mode, command line, or file. Please put spaces before and after the prompt option specification `--n`. - `--n`: Specifies a negative prompt. - `--w`: Specifies the image width. Overrides the command line specification. - `--h`: Specifies the image height. Overrides the command line specification. - `--s`: Specifies the number of steps. Overrides the command line specification. - `--d`: Specifies the random seed for this image. If `--images_per_prompt` is specified, specify multiple seeds separated by commas, like "--d 1,2,3,4". *For various reasons, the generated image may differ from the Web UI even with the same random seed. - `--l`: Specifies the guidance scale. Overrides the command line specification. - `--t`: Specifies the strength of img2img (described later). Overrides the command line specification. - `--nl`: Specifies the guidance scale for negative prompts (described later). Overrides the command line specification. - `--am`: Specifies the weight of the additional network. Overrides the command line specification. If using multiple additional networks, specify them separated by __commas__, like `--am 0.8,0.5,0.3`. - `--ow`: Specifies original_width for SDXL. - `--oh`: Specifies original_height for SDXL. - `--nw`: Specifies original_width_negative for SDXL. - `--nh`: Specifies original_height_negative for SDXL. - `--ct`: Specifies crop_top for SDXL. - `--cl`: Specifies crop_left for SDXL. - `--c`: Specifies the CLIP prompt. - `--f`: Specifies the generated file name. - `--glt`: Specifies the timestep to start increasing the size of the latent for Gradual Latent. Overrides the command line specification. - `--glr`: Specifies the initial size of the latent for Gradual Latent as a ratio. Overrides the command line specification. - `--gls`: Specifies the ratio to increase the size of the latent for Gradual Latent. Overrides the command line specification. - `--gle`: Specifies the interval to increase the size of the latent for Gradual Latent. Overrides the command line specification. *Specifying these options may cause the batch to be executed with a size smaller than the batch size (because they cannot be generated collectively if these values are different). (You don't have to worry too much, but when reading prompts from a file and generating, arranging prompts with the same values for these options will improve efficiency.) Example: ``` (masterpiece, best quality), 1girl, in shirt and plated skirt, standing at street under cherry blossoms, upper body, [from below], kind smile, looking at another, [goodembed] --n realistic, real life, (negprompt), (lowres:1.1), (worst quality:1.2), (low quality:1.1), bad anatomy, bad hands, text, error, missing fingers, extra digit, fewer digits, cropped, normal quality, jpeg artifacts, signature, watermark, username, blurry --w 960 --h 640 --s 28 --d 1 ``` ![image](https://user-images.githubusercontent.com/52813779/235343446-25654172-fff4-4aaf-977a-20d262b51676.png) # Wildcards in Prompts (Dynamic Prompts) Dynamic Prompts (Wildcard) notation is supported. While not exactly the same as the Web UI extension, the following features are available. - `{A|B|C}` : Randomly selects one from A, B, or C. - `{e$$A|B|C}` : Uses all of A, B, and C in order (enumeration). If there are multiple `{e$$...}` in the prompt, all combinations will be generated. - Example: `{e$$red|blue} flower, {e$$1girl|2girls}` -> Generates 4 images: `red flower, 1girl`, `red flower, 2girls`, `blue flower, 1girl`, `blue flower, 2girls`. - `{n$$A|B|C}` : Randomly selects n items from A, B, C and combines them. - Example: `{2$$A|B|C}` -> `A, B` or `B, C`, etc. - `{n-m$$A|B|C}` : Randomly selects between n and m items from A, B, C and combines them. - `{$$sep$$A|B|C}` : Combines selected items with `sep` (default is `, `). - Example: `{2$$ and $$A|B|C}` -> `A and B`, etc. These can be used in combination. # img2img ## Options - `--image_path`: Specifies the image to use for img2img. Specify like `--image_path template.png`. If a folder is specified, images in that folder will be used sequentially. - `--strength`: Specifies the strength of img2img. Specify like `--strength 0.8`. The default is `0.8`. - `--sequential_file_name`: Specifies whether to make file names sequential. If specified, the generated file names will be sequential starting from `im_000001.png`. - `--use_original_file_name`: If specified, the generated file name will be prepended with the original file name (for img2img mode). - `--clip_vision_strength`: Enables CLIP Vision Conditioning for img2img with the specified strength. Uses the CLIP Vision model to enhance conditioning from the input image. ## Command Line Execution Example ```batchfile python gen_img.py --ckpt trinart_characters_it4_v1_vae_merged.ckpt \ --outdir outputs --xformers --fp16 --scale 12.5 --sampler k_euler --steps 32 \ --image_path template.png --strength 0.8 \ --prompt "1girl, cowboy shot, brown hair, pony tail, brown eyes, \ sailor school uniform, outdoors \ --n lowres, bad anatomy, bad hands, error, missing fingers, cropped, \ worst quality, low quality, normal quality, jpeg artifacts, (blurry), \ hair ornament, glasses" \ --batch_size 8 --images_per_prompt 32 ``` If a folder is specified in the `--image_path` option, images in that folder will be read sequentially. The number of images generated will be the number of prompts, not the number of images, so please match the number of images to img2img and the number of prompts by specifying the `--images_per_prompt` option. Files are read sorted by file name. Note that the sort order is string order (not `1.jpg -> 2.jpg -> 10.jpg` but `1.jpg -> 10.jpg -> 2.jpg`), so please pad the beginning with zeros (e.g., `01.jpg -> 02.jpg -> 10.jpg`). ## Upscale using img2img If you specify the generated image size with the `--W` and `--H` command line options during img2img, the original image will be resized to that size before img2img. Also, if the original image for img2img was generated by this script, omitting the prompt will retrieve the prompt from the original image's metadata and use it as is. This allows you to perform only the 2nd stage operation of Highres. fix. ## Inpainting during img2img You can specify an image and a mask image for inpainting (inpainting models are not supported, it simply performs img2img on the mask area). The options are as follows: - `--mask_image`: Specifies the mask image. Similar to `--img_path`, if a folder is specified, images in that folder will be used sequentially. The mask image is a grayscale image, and the white parts will be inpainted. It is recommended to gradient the boundaries to make it somewhat smooth. ![image](https://user-images.githubusercontent.com/52813779/235343795-9eaa6d98-02ff-4f32-b089-80d1fc482453.png) # Other Features ## Textual Inversion Specify the embeddings to use with the `--textual_inversion_embeddings` option (multiple specifications possible). By using the file name without the extension in the prompt, that embedding will be used (same usage as Web UI). It can also be used in negative prompts. As models, you can use Textual Inversion models trained with this repository and Textual Inversion models trained with Web UI (image embedding is not supported). ## Highres. fix This is a similar feature to the one in AUTOMATIC1111's Web UI (it may differ in various ways as it is an original implementation). It first generates a smaller image and then uses that image as a base for img2img to generate a large resolution image while preventing the entire image from collapsing. The number of steps for the 2nd stage is calculated from the values of the `--steps` and `--strength` options (`steps*strength`). Cannot be used with img2img. The following options are available: - `--highres_fix_scale`: Enables Highres. fix and specifies the size of the image generated in the 1st stage as a magnification. If the final output is 1024x1024 and you want to generate a 512x512 image first, specify like `--highres_fix_scale 0.5`. Please note that this is the reciprocal of the specification in Web UI. - `--highres_fix_steps`: Specifies the number of steps for the 1st stage image. The default is `28`. - `--highres_fix_save_1st`: Specifies whether to save the 1st stage image. - `--highres_fix_latents_upscaling`: If specified, the 1st stage image will be upscaled on a latent basis during 2nd stage image generation (only bilinear is supported). If not specified, the image will be upscaled with LANCZOS4. - `--highres_fix_upscaler`: Uses an arbitrary upscaler for the 2nd stage. Currently, only `--highres_fix_upscaler tools.latent_upscaler` is supported. - `--highres_fix_upscaler_args`: Specifies the arguments to pass to the upscaler specified with `--highres_fix_upscaler`. For `tools.latent_upscaler`, specify the weight file like `--highres_fix_upscaler_args "weights=D:\\Work\\SD\\Models\\others\\etc\\upscaler-v1-e100-220.safetensors"`. - `--highres_fix_disable_control_net`: Disables ControlNet for the 2nd stage of Highres fix. By default, ControlNet is used in both stages. Command line example: ```batchfile python gen_img.py --ckpt trinart_characters_it4_v1_vae_merged.ckpt\ --n_iter 1 --scale 7.5 --W 1024 --H 1024 --batch_size 1 --outdir ../txt2img \ --steps 48 --sampler ddim --fp16 \ --xformers \ --images_per_prompt 1 --interactive \ --highres_fix_scale 0.5 --highres_fix_steps 28 --strength 0.5 ``` ## Deep Shrink Deep Shrink is a technique that optimizes the generation process by using different depths of the UNet at different timesteps. It can improve generation quality and efficiency. The following options are available: - `--ds_depth_1`: Enables Deep Shrink with this depth for the first phase. Valid values are 0 to 8. - `--ds_timesteps_1`: Applies Deep Shrink depth 1 until this timestep. Default is 650. - `--ds_depth_2`: Specifies the depth for the second phase of Deep Shrink. - `--ds_timesteps_2`: Applies Deep Shrink depth 2 until this timestep. Default is 650. - `--ds_ratio`: Specifies the ratio for downsampling in Deep Shrink. Default is 0.5. These parameters can also be specified through prompt options: - `--dsd1`: Specifies Deep Shrink depth 1 from the prompt. - `--dst1`: Specifies Deep Shrink timestep 1 from the prompt. - `--dsd2`: Specifies Deep Shrink depth 2 from the prompt. - `--dst2`: Specifies Deep Shrink timestep 2 from the prompt. - `--dsr`: Specifies Deep Shrink ratio from the prompt. *Additional prompt options for Gradual Latent (requires `euler_a` sampler):* - `--glt`: Specifies the timestep to start increasing the size of the latent for Gradual Latent. Overrides the command line specification. - `--glr`: Specifies the initial size of the latent for Gradual Latent as a ratio. Overrides the command line specification. - `--gls`: Specifies the ratio to increase the size of the latent for Gradual Latent. Overrides the command line specification. - `--gle`: Specifies the interval to increase the size of the latent for Gradual Latent. Overrides the command line specification. ## ControlNet Currently, only ControlNet 1.0 has been confirmed to work. Only Canny is supported for preprocessing. The following options are available: - `--control_net_models`: Specifies the ControlNet model file. If multiple are specified, they will be switched and used for each step (differs from the implementation of the ControlNet extension in Web UI). Supports both diff and normal. - `--guide_image_path`: Specifies the hint image to use for ControlNet. Similar to `--img_path`, if a folder is specified, images in that folder will be used sequentially. For models other than Canny, please perform preprocessing beforehand. - `--control_net_preps`: Specifies the preprocessing for ControlNet. Multiple specifications are possible, similar to `--control_net_models`. Currently, only canny is supported. If preprocessing is not used for the target model, specify `none`. For canny, you can specify thresholds 1 and 2 separated by `_`, like `--control_net_preps canny_63_191`. - `--control_net_weights`: Specifies the weight when applying ControlNet (`1.0` for normal, `0.5` for half influence). Multiple specifications are possible, similar to `--control_net_models`. - `--control_net_ratios`: Specifies the range of steps to apply ControlNet. If `0.5`, ControlNet is applied up to half the number of steps. Multiple specifications are possible, similar to `--control_net_models`. Command line example: ```batchfile python gen_img.py --ckpt model_ckpt --scale 8 --steps 48 --outdir txt2img --xformers \ --W 512 --H 768 --bf16 --sampler k_euler_a \ --control_net_models diff_control_sd15_canny.safetensors --control_net_weights 1.0 \ --guide_image_path guide.png --control_net_ratios 1.0 --interactive ``` ## ControlNet-LLLite ControlNet-LLLite is a lightweight alternative to ControlNet that can be used for similar guidance purposes. The following options are available: - `--control_net_lllite_models`: Specifies the ControlNet-LLLite model files. - `--control_net_multipliers`: Specifies the multiplier for ControlNet-LLLite (similar to weights). - `--control_net_ratios`: Specifies the ratio of steps to apply ControlNet-LLLite. Note that ControlNet and ControlNet-LLLite cannot be used at the same time. ## Attention Couple + Regional LoRA This is a feature that allows you to divide the prompt into several parts and specify which region in the image each prompt should be applied to. There are no individual options, but it is specified with `mask_path` and the prompt. First, define multiple parts using ` AND ` in the prompt. Region specification can be done for the first three parts, and subsequent parts are applied to the entire image. Negative prompts are applied to the entire image. In the following, three parts are defined with AND. ``` shs 2girls, looking at viewer, smile AND bsb 2girls, looking back AND 2girls --n bad quality, worst quality ``` Next, prepare a mask image. The mask image is a color image, and each RGB channel corresponds to the part separated by AND in the prompt. Also, if the value of a certain channel is all 0, it is applied to the entire image. In the example above, the R channel corresponds to `shs 2girls, looking at viewer, smile`, the G channel to `bsb 2girls, looking back`, and the B channel to `2girls`. If you use a mask image like the following, since there is no specification for the B channel, `2girls` will be applied to the entire image. ![image](https://user-images.githubusercontent.com/52813779/235343061-b4dc9392-3dae-4831-8347-1e9ae5054251.png) The mask image is specified with `--mask_path`. Currently, only one image is supported. It is automatically resized and applied to the specified image size. It can also be combined with ControlNet (combination with ControlNet is recommended for detailed position specification). If LoRA is specified, multiple LoRAs specified with `--network_weights` will correspond to each part of AND. As a current constraint, the number of LoRAs must be the same as the number of AND parts. # Other Options - `--no_preview`: Does not display preview images in interactive mode. Specify this if OpenCV is not installed or if you want to check the output files directly. - `--n_iter`: Specifies the number of times to repeat generation. The default is 1. Specify this when you want to perform generation multiple times when reading prompts from a file. - `--tokenizer_cache_dir`: Specifies the cache directory for the tokenizer. (Work in progress) - `--seed`: Specifies the random seed. When generating one image, it is the seed for that image. When generating multiple images, it is the seed for the random numbers used to generate the seeds for each image (when generating multiple images with `--from_file`, specifying the `--seed` option will make each image have the same seed when executed multiple times). - `--iter_same_seed`: When there is no random seed specification in the prompt, the same seed is used for all repetitions of `--n_iter`. Used to unify and compare seeds between multiple prompts specified with `--from_file`. - `--shuffle_prompts`: Shuffles the order of prompts in iteration. Useful when using `--from_file` with multiple prompts. - `--diffusers_xformers`: Uses Diffuser's xformers. - `--opt_channels_last`: Arranges tensor channels last during inference. May speed up in some cases. - `--network_show_meta`: Displays the metadata of the additional network. --- # About Gradual Latent Gradual Latent is a Hires fix that gradually increases the size of the latent. `gen_img.py`, `sdxl_gen_img.py`, and `gen_img.py` have the following options. - `--gradual_latent_timesteps`: Specifies the timestep to start increasing the size of the latent. The default is None, which means Gradual Latent is not used. Please try around 750 at first. - `--gradual_latent_ratio`: Specifies the initial size of the latent. The default is 0.5, which means it starts with half the default latent size. - `--gradual_latent_ratio_step`: Specifies the ratio to increase the size of the latent. The default is 0.125, which means the latent size is gradually increased to 0.625, 0.75, 0.875, 1.0. - `--gradual_latent_ratio_every_n_steps`: Specifies the interval to increase the size of the latent. The default is 3, which means the latent size is increased every 3 steps. - `--gradual_latent_s_noise`: Specifies the s_noise parameter for Gradual Latent. Default is 1.0. - `--gradual_latent_unsharp_params`: Specifies unsharp mask parameters for Gradual Latent in the format: ksize,sigma,strength,target-x (target-x: 1=True, 0=False). Recommended values: `3,0.5,0.5,1` or `3,1.0,1.0,0`. Each option can also be specified with prompt options, `--glt`, `--glr`, `--gls`, `--gle`. __Please specify `euler_a` for the sampler.__ Because the source code of the sampler is modified. It will not work with other samplers. It is more effective with SD 1.5. It is quite subtle with SDXL. ================================================ FILE: docs/hunyuan_image_train_network.md ================================================ Status: reviewed # LoRA Training Guide for HunyuanImage-2.1 using `hunyuan_image_train_network.py` / `hunyuan_image_train_network.py` を用いたHunyuanImage-2.1モデルのLoRA学習ガイド This document explains how to train LoRA models for the HunyuanImage-2.1 model using `hunyuan_image_train_network.py` included in the `sd-scripts` repository.
日本語 このドキュメントでは、`sd-scripts`リポジトリに含まれる`hunyuan_image_train_network.py`を使用して、HunyuanImage-2.1モデルに対するLoRA (Low-Rank Adaptation) モデルを学習する基本的な手順について解説します。
## 1. Introduction / はじめに `hunyuan_image_train_network.py` trains additional networks such as LoRA on the HunyuanImage-2.1 model, which uses a transformer-based architecture (DiT) different from Stable Diffusion. Two text encoders, Qwen2.5-VL and byT5, and a dedicated VAE are used. This guide assumes you know the basics of LoRA training. For common options see [train_network.py](train_network.md) and [sdxl_train_network.py](sdxl_train_network.md). **Prerequisites:** * The repository is cloned and the Python environment is ready. * A training dataset is prepared. See the dataset configuration guide.
日本語 `hunyuan_image_train_network.py`はHunyuanImage-2.1モデルに対してLoRAなどの追加ネットワークを学習させるためのスクリプトです。HunyuanImage-2.1はStable Diffusionとは異なるDiT (Diffusion Transformer) アーキテクチャを持つ画像生成モデルであり、このスクリプトを使用することで、特定のキャラクターや画風を再現するLoRAモデルを作成できます。 このガイドは、基本的なLoRA学習の手順を理解しているユーザーを対象としています。基本的な使い方や共通のオプションについては、[`train_network.py`のガイド](train_network.md)を参照してください。また一部のパラメータは [`sdxl_train_network.py`](sdxl_train_network.md) や [`flux_train_network.py`](flux_train_network.md) と同様のものがあるため、そちらも参考にしてください。 **前提条件:** * `sd-scripts`リポジトリのクローンとPython環境のセットアップが完了していること。 * 学習用データセットの準備が完了していること。（データセットの準備については[データセット設定ガイド](config_README-ja.md)を参照してください）
## 2. Differences from `train_network.py` / `train_network.py` との違い `hunyuan_image_train_network.py` is based on `train_network.py` but adapted for HunyuanImage-2.1. Main differences include: * **Target model:** HunyuanImage-2.1 model. * **Model structure:** HunyuanImage-2.1 uses a Transformer-based architecture (DiT). It uses two text encoders (Qwen2.5-VL and byT5) and a dedicated VAE. * **Required arguments:** Additional arguments for the DiT model, Qwen2.5-VL, byT5, and VAE model files. * **Incompatible options:** Some Stable Diffusion-specific arguments (e.g., `--v2`, `--clip_skip`, `--max_token_length`) are not used. * **HunyuanImage-2.1-specific arguments:** Additional arguments for specific training parameters like flow matching.
日本語 `hunyuan_image_train_network.py`は`train_network.py`をベースに、HunyuanImage-2.1モデルに対応するための変更が加えられています。主な違いは以下の通りです。 * **対象モデル:** HunyuanImage-2.1モデルを対象とします。 * **モデル構造:** HunyuanImage-2.1はDiTベースのアーキテクチャを持ちます。Text EncoderとしてQwen2.5-VLとbyT5の二つを使用し、専用のVAEを使用します。 * **必須の引数:** DiTモデル、Qwen2.5-VL、byT5、VAEの各モデルファイルを指定する引数が追加されています。 * **一部引数の非互換性:** Stable Diffusion向けの引数の一部（例: `--v2`, `--clip_skip`, `--max_token_length`）は使用されません。 * **HunyuanImage-2.1特有の引数:** Flow Matchingなど、特有の学習パラメータを指定する引数が追加されています。
## 3. Preparation / 準備 Before starting training you need: 1. **Training script:** `hunyuan_image_train_network.py` 2. **HunyuanImage-2.1 DiT model file:** Base DiT model `.safetensors` file. 3. **Text Encoder model files:** - Qwen2.5-VL model file (`--text_encoder`). - byT5 model file (`--byt5`). 4. **VAE model file:** HunyuanImage-2.1-compatible VAE model `.safetensors` file (`--vae`). 5. **Dataset definition file (.toml):** TOML format file describing training dataset configuration. ### Downloading Required Models To train HunyuanImage-2.1 models, you need to download the following model files: - **DiT Model**: Download from the [Tencent HunyuanImage-2.1](https://huggingface.co/tencent/HunyuanImage-2.1/) repository. Use `dit/hunyuanimage2.1.safetensors`. - **Text Encoders and VAE**: Download from the [Comfy-Org/HunyuanImage_2.1_ComfyUI](https://huggingface.co/Comfy-Org/HunyuanImage_2.1_ComfyUI) repository: - Qwen2.5-VL: `split_files/text_encoders/qwen_2.5_vl_7b.safetensors` - byT5: `split_files/text_encoders/byt5_small_glyphxl_fp16.safetensors` - VAE: `split_files/vae/hunyuan_image_2.1_vae_fp16.safetensors`
日本語 学習を開始する前に、以下のファイルが必要です。 1. **学習スクリプト:** `hunyuan_image_train_network.py` 2. **HunyuanImage-2.1 DiTモデルファイル:** 学習のベースとなるDiTモデルの`.safetensors`ファイル。 3. **Text Encoderモデルファイル:** - Qwen2.5-VLモデルファイル (`--text_encoder`)。 - byT5モデルファイル (`--byt5`)。 4. **VAEモデルファイル:** HunyuanImage-2.1に対応するVAEモデルの`.safetensors`ファイル (`--vae`)。 5. **データセット定義ファイル (.toml):** 学習データセットの設定を記述したTOML形式のファイル。（詳細は[データセット設定ガイド](config_README-ja.md)を参照してください）。 **必要なモデルのダウンロード** HunyuanImage-2.1モデルを学習するためには、以下のモデルファイルをダウンロードする必要があります： - **DiTモデル**: [Tencent HunyuanImage-2.1](https://huggingface.co/tencent/HunyuanImage-2.1/) リポジトリから `dit/hunyuanimage2.1.safetensors` をダウンロードします。 - **Text EncoderとVAE**: [Comfy-Org/HunyuanImage_2.1_ComfyUI](https://huggingface.co/Comfy-Org/HunyuanImage_2.1_ComfyUI) リポジトリから以下をダウンロードします： - Qwen2.5-VL: `split_files/text_encoders/qwen_2.5_vl_7b.safetensors` - byT5: `split_files/text_encoders/byt5_small_glyphxl_fp16.safetensors` - VAE: `split_files/vae/hunyuan_image_2.1_vae_fp16.safetensors`
## 4. Running the Training / 学習の実行 Run `hunyuan_image_train_network.py` from the terminal with HunyuanImage-2.1 specific arguments. Here's a basic command example: ```bash accelerate launch --num_cpu_threads_per_process 1 hunyuan_image_train_network.py \ --pretrained_model_name_or_path="" \ --text_encoder="" \ --byt5="" \ --vae="" \ --dataset_config="my_hunyuan_dataset_config.toml" \ --output_dir="" \ --output_name="my_hunyuan_lora" \ --save_model_as=safetensors \ --network_module=networks.lora_hunyuan_image \ --network_dim=16 \ --network_alpha=1 \ --network_train_unet_only \ --learning_rate=1e-4 \ --optimizer_type="AdamW8bit" \ --lr_scheduler="constant" \ --attn_mode="torch" \ --split_attn \ --max_train_epochs=10 \ --save_every_n_epochs=1 \ --mixed_precision="bf16" \ --gradient_checkpointing \ --model_prediction_type="raw" \ --discrete_flow_shift=5.0 \ --blocks_to_swap=18 \ --cache_text_encoder_outputs \ --cache_latents ``` **HunyuanImage-2.1 training does not support LoRA modules for Text Encoders, so `--network_train_unet_only` is required.**
日本語 学習は、ターミナルから`hunyuan_image_train_network.py`を実行することで開始します。基本的なコマンドラインの構造は`train_network.py`と同様ですが、HunyuanImage-2.1特有の引数を指定する必要があります。 コマンドラインの例は英語のドキュメントを参照してください。
### 4.1. Explanation of Key Options / 主要なコマンドライン引数の解説 The script adds HunyuanImage-2.1 specific arguments. For common arguments (like `--output_dir`, `--output_name`, `--network_module`, etc.), see the [`train_network.py` guide](train_network.md). #### Model-related [Required] * `--pretrained_model_name_or_path=""` **[Required]** - Specifies the path to the base DiT model `.safetensors` file. * `--text_encoder=""` **[Required]** - Specifies the path to the Qwen2.5-VL Text Encoder model file. Should be `bfloat16`. * `--byt5=""` **[Required]** - Specifies the path to the byT5 Text Encoder model file. Should be `float16`. * `--vae=""` **[Required]** - Specifies the path to the HunyuanImage-2.1-compatible VAE model `.safetensors` file. #### HunyuanImage-2.1 Training Parameters * `--network_train_unet_only` **[Required]** - Specifies that only the DiT model will be trained. LoRA modules for Text Encoders are not supported. * `--discrete_flow_shift=` - Specifies the shift value for the scheduler used in Flow Matching. Default is `5.0`. * `--model_prediction_type=` - Specifies what the model predicts. Choose from `raw`, `additive`, `sigma_scaled`. Default and recommended is `raw`. * `--timestep_sampling=` - Specifies the sampling method for timesteps (noise levels) during training. Choose from `sigma`, `uniform`, `sigmoid`, `shift`, `flux_shift`. Default is `sigma`. * `--sigmoid_scale=` - Scale factor when `timestep_sampling` is set to `sigmoid`, `shift`, or `flux_shift`. Default is `1.0`. #### Memory/Speed Related * `--attn_mode=` - Specifies the attention implementation to use. Options are `torch`, `xformers`, `flash`, `sageattn`. Default is `torch` (use scaled dot product attention). Each library must be installed separately other than `torch`. If using `xformers`, also specify `--split_attn` if the batch size is more than 1. * `--split_attn` - Splits the batch during attention computation to process one item at a time, reducing VRAM usage by avoiding attention mask computation. Can improve speed when using `torch`. Required when using `xformers` with batch size greater than 1. * `--fp8_scaled` - Enables training the DiT model in scaled FP8 format. This can significantly reduce VRAM usage (can run with as little as 8GB VRAM when combined with `--blocks_to_swap`), but the training results may vary. This is a newer alternative to the unsupported `--fp8_base` option. See [Musubi Tuner's documentation](https://github.com/kohya-ss/musubi-tuner/blob/main/docs/advanced_config.md#fp8-weight-optimization-for-models--%E3%83%A2%E3%83%87%E3%83%AB%E3%81%AE%E9%87%8D%E3%81%BF%E3%81%AEfp8%E3%81%B8%E3%81%AE%E6%9C%80%E9%81%A9%E5%8C%96) for details. * `--fp8_vl` - Use FP8 for the VLM (Qwen2.5-VL) text encoder. * `--text_encoder_cpu` - Runs the text encoders on CPU to reduce VRAM usage. This is useful when VRAM is insufficient (less than 12GB). Encoding one text may take a few minutes (depending on CPU). It is highly recommended to use this option with `--cache_text_encoder_outputs_to_disk` to avoid repeated encoding every time training starts. **In addition, increasing `--num_cpu_threads_per_process` in the `accelerate launch` command, like `--num_cpu_threads_per_process=8` or `16`, can speed up encoding in some environments.** * `--blocks_to_swap=` **[Experimental Feature]** - Setting to reduce VRAM usage by swapping parts of the model (Transformer blocks) between CPU and GPU. Specify the number of blocks to swap as an integer (e.g., `18`). Larger values reduce VRAM usage but decrease training speed. Adjust according to your GPU's VRAM capacity. Can be used with `gradient_checkpointing`. * `--cache_text_encoder_outputs` - Caches the outputs of Qwen2.5-VL and byT5. This reduces memory usage. * `--cache_latents`, `--cache_latents_to_disk` - Caches the outputs of VAE. Similar functionality to [sdxl_train_network.py](sdxl_train_network.md). * `--vae_chunk_size=` - Enables chunked processing in the VAE to reduce VRAM usage during encoding and decoding. Specify the chunk size as an integer (e.g., `16`). Larger values use more VRAM but are faster. Default is `None` (no chunking). This option is useful when VRAM is limited (e.g., 8GB or 12GB).
日本語 [`train_network.py`のガイド](train_network.md)で説明されている引数に加え、以下のHunyuanImage-2.1特有の引数を指定します。共通の引数（`--output_dir`, `--output_name`, `--network_module`, `--network_dim`, `--network_alpha`, `--learning_rate`など）については、上記ガイドを参照してください。 コマンドラインの例と詳細な引数の説明は英語のドキュメントを参照してください。
## 5. Using the Trained Model / 学習済みモデルの利用 After training, a LoRA model file is saved in `output_dir` and can be used in inference environments supporting HunyuanImage-2.1.
日本語 学習が完了すると、指定した`output_dir`にLoRAモデルファイル（例: `my_hunyuan_lora.safetensors`）が保存されます。このファイルは、HunyuanImage-2.1モデルに対応した推論環境で使用できます。
## 6. Advanced Settings / 高度な設定 ### 6.1. VRAM Usage Optimization / VRAM使用量の最適化 HunyuanImage-2.1 is a large model, so GPUs without sufficient VRAM require optimization. #### Recommended Settings by GPU Memory Based on testing with the pull request, here are recommended VRAM optimization settings: | GPU Memory | Recommended Settings | |------------|---------------------| | 40GB+ VRAM | Standard settings (no special optimization needed) | | 24GB VRAM | `--fp8_scaled --blocks_to_swap 9` | | 12GB VRAM | `--fp8_scaled --blocks_to_swap 32` | | 8GB VRAM | `--fp8_scaled --blocks_to_swap 37` | #### Key VRAM Reduction Options - **`--fp8_scaled`**: Enables training the DiT in scaled FP8 format. This is the recommended FP8 option for HunyuanImage-2.1, replacing the unsupported `--fp8_base` option. Essential for <40GB VRAM environments. - **`--fp8_vl`**: Use FP8 for the VLM (Qwen2.5-VL) text encoder. - **`--blocks_to_swap `**: Swaps blocks between CPU and GPU to reduce VRAM usage. Higher numbers save more VRAM but reduce training speed. Up to 37 blocks can be swapped for HunyuanImage-2.1. - **`--cpu_offload_checkpointing`**: Offloads gradient checkpoints to CPU. Can reduce VRAM usage but decreases training speed. Cannot be used with `--blocks_to_swap`. - **Using Adafactor optimizer**: Can reduce VRAM usage more than 8bit AdamW: ``` --optimizer_type adafactor --optimizer_args "relative_step=False" "scale_parameter=False" "warmup_init=False" --lr_scheduler constant_with_warmup --max_grad_norm 0.0 ```
日本語 HunyuanImage-2.1は大きなモデルであるため、十分なVRAMを持たないGPUでは工夫が必要です。 #### GPU別推奨設定 Pull Requestのテスト結果に基づく推奨VRAM最適化設定： | GPU Memory | 推奨設定 | |------------|---------| | 40GB+ VRAM | 標準設定（特別な最適化不要） | | 24GB VRAM | `--fp8_scaled --blocks_to_swap 9` | | 12GB VRAM | `--fp8_scaled --blocks_to_swap 32` | | 8GB VRAM | `--fp8_scaled --blocks_to_swap 37` | 主要なVRAM削減オプション： - `--fp8_scaled`: DiTをスケールされたFP8形式で学習（推奨されるFP8オプション、40GB VRAM未満の環境では必須） - `--fp8_vl`: VLMテキストエンコーダにFP8を使用 - `--blocks_to_swap`: CPUとGPU間でブロックをスワップ（最大37ブロック） - `--cpu_offload_checkpointing`: 勾配チェックポイントをCPUにオフロード - Adafactorオプティマイザの使用
### 6.2. Important HunyuanImage-2.1 LoRA Training Settings / HunyuanImage-2.1 LoRA学習の重要な設定 HunyuanImage-2.1 training has several settings that can be specified with arguments: #### Timestep Sampling Methods The `--timestep_sampling` option specifies how timesteps (0-1) are sampled: - `sigma`: Sigma-based like SD3 (Default) - `uniform`: Uniform random - `sigmoid`: Sigmoid of normal distribution random - `shift`: Sigmoid value of normal distribution random with shift. - `flux_shift`: Shift sigmoid value of normal distribution random according to resolution. #### Model Prediction Processing The `--model_prediction_type` option specifies how to interpret and process model predictions: - `raw`: Use as-is **[Recommended, Default]** - `additive`: Add to noise input - `sigma_scaled`: Apply sigma scaling #### Recommended Settings Based on experiments, the default settings work well: ``` --model_prediction_type raw --discrete_flow_shift 5.0 ```
日本語 HunyuanImage-2.1の学習には、引数で指定できるいくつかの設定があります。詳細な説明とコマンドラインの例は英語のドキュメントを参照してください。 主要な設定オプション： - タイムステップのサンプリング方法（`--timestep_sampling`） - モデル予測の処理方法（`--model_prediction_type`） - 推奨設定の組み合わせ
### 6.3. Regular Expression-based Rank/LR Configuration / 正規表現によるランク・学習率の指定 You can specify ranks (dims) and learning rates for LoRA modules using regular expressions. This allows for more flexible and fine-grained control. These settings are specified via the `network_args` argument. * `network_reg_dims`: Specify ranks for modules matching a regular expression. The format is a comma-separated string of `pattern=rank`. * Example: `--network_args "network_reg_dims=attn.*.q_proj=4,attn.*.k_proj=4"` * `network_reg_lrs`: Specify learning rates for modules matching a regular expression. The format is a comma-separated string of `pattern=lr`. * Example: `--network_args "network_reg_lrs=down_blocks.1=1e-4,up_blocks.2=2e-4"` **Notes:** * To find the correct module names for the patterns, you may need to inspect the model structure. * Settings via `network_reg_dims` and `network_reg_lrs` take precedence over the global `--network_dim` and `--learning_rate` settings. * If a module name matches multiple patterns, the setting from the last matching pattern in the string will be applied.
日本語 正規表現を用いて、LoRAのモジュールごとにランク（dim）や学習率を指定することができます。これにより、柔軟できめ細やかな制御が可能になります。 これらの設定は `network_args` 引数で指定します。 * `network_reg_dims`: 正規表現にマッチするモジュールに対してランクを指定します。 * `network_reg_lrs`: 正規表現にマッチするモジュールに対して学習率を指定します。 **注意点:** * パターンのための正確なモジュール名を見つけるには、モデルの構造を調べる必要があるかもしれません。 * `network_reg_dims` および `network_reg_lrs` での設定は、全体設定である `--network_dim` や `--learning_rate` よりも優先されます。 * あるモジュール名が複数のパターンにマッチした場合、文字列の中で後方にあるパターンの設定が適用されます。
### 6.4. Multi-Resolution Training / マルチ解像度トレーニング You can define multiple resolutions in the dataset configuration file, with different batch sizes for each resolution. **Note:** This feature is available, but it is **not recommended** as the HunyuanImage-2.1 base model was not trained with multi-resolution capabilities. Using it may lead to unexpected results. Configuration file example: ```toml [general] shuffle_caption = true caption_extension = ".txt" [[datasets]] batch_size = 2 enable_bucket = true resolution = [1024, 1024] [[datasets.subsets]] image_dir = "path/to/image/directory" num_repeats = 1 [[datasets]] batch_size = 1 enable_bucket = true resolution = [1280, 768] [[datasets.subsets]] image_dir = "path/to/another/directory" num_repeats = 1 ```
日本語 データセット設定ファイルで複数の解像度を定義できます。各解像度に対して異なるバッチサイズを指定することができます。 **注意:** この機能は利用可能ですが、HunyuanImage-2.1のベースモデルはマルチ解像度で学習されていないため、**非推奨**です。使用すると予期しない結果になる可能性があります。 設定ファイルの例は英語のドキュメントを参照してください。
### 6.5. Validation / 検証 You can calculate validation loss during training using a validation dataset to evaluate model generalization performance. This feature works the same as in other training scripts. For details, please refer to the [Validation Guide](validation.md).
日本語 学習中に検証データセットを使用して損失 (Validation Loss) を計算し、モデルの汎化性能を評価できます。この機能は他の学習スクリプトと同様に動作します。詳細は[検証ガイド](validation.md)を参照してください。
## 7. Other Training Options / その他の学習オプション - **`--ip_noise_gamma`**: Use `--ip_noise_gamma` and `--ip_noise_gamma_random_strength` to adjust Input Perturbation noise gamma values during training. See Stable Diffusion 3 training options for details. - **`--loss_type`**: Specifies the loss function for training. The default is `l2`. - `l1`: L1 loss. - `l2`: L2 loss (mean squared error). - `huber`: Huber loss. - `smooth_l1`: Smooth L1 loss. - **`--huber_schedule`**, **`--huber_c`**, **`--huber_scale`**: These are parameters for Huber loss. They are used when `--loss_type` is `huber` or `smooth_l1`. - **`--weighting_scheme`**, **`--logit_mean`**, **`--logit_std`**, **`--mode_scale`**: These options allow you to adjust the loss weighting for each timestep. For details, refer to the [`sd3_train_network.md` guide](sd3_train_network.md). - **`--fused_backward_pass`**: Fuses the backward pass and optimizer step to reduce VRAM usage.
日本語 - **`--ip_noise_gamma`**: Input Perturbationノイズのガンマ値を調整します。 - **`--loss_type`**: 学習に用いる損失関数を指定します。 - **`--huber_schedule`**, **`--huber_c`**, **`--huber_scale`**: Huber損失のパラメータです。 - **`--weighting_scheme`**, **`--logit_mean`**, **`--logit_std`**, **`--mode_scale`**: 各タイムステップの損失の重み付けを調整します。 - **`--fused_backward_pass`**: バックワードパスとオプティマイザステップを融合してVRAM使用量を削減します。
## 8. Using the Inference Script / 推論スクリプトの使用法 The `hunyuan_image_minimal_inference.py` script allows you to generate images using trained LoRA models. Here's a basic usage example: ```bash python hunyuan_image_minimal_inference.py \ --dit "" \ --text_encoder "" \ --byt5 "" \ --vae "" \ --lora_weight "" \ --lora_multiplier 1.0 \ --attn_mode "torch" \ --prompt "A cute cartoon penguin in a snowy landscape" \ --image_size 2048 2048 \ --infer_steps 50 \ --guidance_scale 3.5 \ --flow_shift 5.0 \ --seed 542017 \ --save_path "output_image.png" ``` **Key Options:** - `--fp8_scaled`: Use scaled FP8 format for reduced VRAM usage during inference - `--blocks_to_swap`: Swap blocks to CPU to reduce VRAM usage - `--image_size`: Resolution in **height width** (inference is most stable at 2560x1536, 2304x1792, 2048x2048, 1792x2304, 1536x2560 according to the official repo) - `--guidance_scale`: CFG scale (default: 3.5) - `--flow_shift`: Flow matching shift parameter (default: 5.0) - `--text_encoder_cpu`: Run the text encoders on CPU to reduce VRAM usage - `--vae_chunk_size`: Chunk size for VAE decoding to reduce memory usage (default: None, no chunking). 16 is recommended if enabled. - `--apg_start_step_general` and `--apg_start_step_ocr`: Start steps for APG (Adaptive Projected Guidance) if using APG during inference. `5` and `38` are the official recommended values for 50 steps. If this value exceeds `--infer_steps`, APG will not be applied. - `--guidance_rescale`: Rescales the guidance for steps before APG starts. Default is `0.0` (no rescaling). If you use this option, a value around `0.5` might be good starting point. - `--guidance_rescale_apg`: Rescales the guidance for APG. Default is `0.0` (no rescaling). This option doesn't seem to have a large effect, but if you use it, a value around `0.5` might be a good starting point. `--split_attn` is not supported (since inference is done one at a time). `--fp8_vl` is not supported, please use CPU for the text encoder if VRAM is insufficient.
日本語 `hunyuan_image_minimal_inference.py`スクリプトを使用して、学習したLoRAモデルで画像を生成できます。基本的な使用例は英語のドキュメントを参照してください。 **主要なオプション:** - `--fp8_scaled`: VRAM使用量削減のためのスケールFP8形式 - `--blocks_to_swap`: VRAM使用量削減のためのブロックスワップ - `--image_size`: 解像度（2048x2048で最も安定） - `--guidance_scale`: CFGスケール（推奨: 3.5） - `--flow_shift`: Flow Matchingシフトパラメータ（デフォルト: 5.0） - `--text_encoder_cpu`: テキストエンコーダをCPUで実行してVRAM使用量削減 - `--vae_chunk_size`: VAEデコーディングのチャンクサイズ（デフォルト: None、チャンク処理なし）。有効にする場合は16を推奨。 - `--apg_start_step_general` と `--apg_start_step_ocr`: 推論中にAPGを使用する場合の開始ステップ。50ステップの場合、公式推奨値はそれぞれ5と38です。この値が`--infer_steps`を超えると、APGは適用されません。 - `--guidance_rescale`: APG開始前のステップに対するガイダンスのリスケーリング。デフォルトは0.0（リスケーリングなし）。使用する場合、0.5程度から始めて調整してください。 - `--guidance_rescale_apg`: APGに対するガイダンスのリスケーリング。デフォルトは0.0（リスケーリングなし）。このオプションは大きな効果はないようですが、使用する場合は0.5程度から始めて調整してください。 `--split_attn`はサポートされていません（1件ずつ推論するため）。`--fp8_vl`もサポートされていません。VRAMが不足する場合はテキストエンコーダをCPUで実行してください。
## 9. Related Tools / 関連ツール ### `networks/convert_hunyuan_image_lora_to_comfy.py` A script to convert LoRA models to ComfyUI-compatible format. The formats differ slightly, so conversion is necessary. You can convert from the sd-scripts format to ComfyUI format with: ```bash python networks/convert_hunyuan_image_lora_to_comfy.py path/to/source.safetensors path/to/destination.safetensors ``` Using the `--reverse` option allows conversion in the opposite direction (ComfyUI format to sd-scripts format). However, reverse conversion is only possible for LoRAs converted by this script. LoRAs created with other training tools cannot be converted.
日本語 **`networks/convert_hunyuan_image_lora_to_comfy.py`** LoRAモデルをComfyUI互換形式に変換するスクリプト。わずかに形式が異なるため、変換が必要です。以下の指定で、sd-scriptsの形式からComfyUI形式に変換できます。 ```bash python networks/convert_hunyuan_image_lora_to_comfy.py path/to/source.safetensors path/to/destination.safetensors ``` `--reverse`オプションを付けると、逆変換（ComfyUI形式からsd-scripts形式）も可能です。ただし、逆変換ができるのはこのスクリプトで変換したLoRAに限ります。他の学習ツールで作成したLoRAは変換できません。
## 10. Others / その他 `hunyuan_image_train_network.py` includes many features common with `train_network.py`, such as sample image generation (`--sample_prompts`, etc.) and detailed optimizer settings. For these features, refer to the [`train_network.py` guide](train_network.md#5-other-features--その他の機能) or the script help (`python hunyuan_image_train_network.py --help`).
日本語 `hunyuan_image_train_network.py`には、サンプル画像の生成 (`--sample_prompts`など) や詳細なオプティマイザ設定など、`train_network.py`と共通の機能も多く存在します。これらについては、[`train_network.py`のガイド](train_network.md#5-other-features--その他の機能)やスクリプトのヘルプ (`python hunyuan_image_train_network.py --help`) を参照してください。
================================================ FILE: docs/lumina_train_network.md ================================================ # LoRA Training Guide for Lumina Image 2.0 using `lumina_train_network.py` / `lumina_train_network.py` を用いたLumina Image 2.0モデルのLoRA学習ガイド This document explains how to train LoRA (Low-Rank Adaptation) models for Lumina Image 2.0 using `lumina_train_network.py` in the `sd-scripts` repository. ## 1. Introduction / はじめに `lumina_train_network.py` trains additional networks such as LoRA for Lumina Image 2.0 models. Lumina Image 2.0 adopts a Next-DiT (Next-generation Diffusion Transformer) architecture, which differs from previous Stable Diffusion models. It uses a single text encoder (Gemma2) and a dedicated AutoEncoder (AE). This guide assumes you already understand the basics of LoRA training. For common usage and options, see [the train_network.py guide](./train_network.md). Some parameters are similar to those in [`sd3_train_network.py`](sd3_train_network.md) and [`flux_train_network.py`](flux_train_network.md). **Prerequisites:** * The `sd-scripts` repository has been cloned and the Python environment is ready. * A training dataset has been prepared. See the [Dataset Configuration Guide](./config_README-en.md). * Lumina Image 2.0 model files for training are available.
日本語 `lumina_train_network.py`は、Lumina Image 2.0モデルに対してLoRAなどの追加ネットワークを学習させるためのスクリプトです。Lumina Image 2.0は、Next-DiT (Next-generation Diffusion Transformer) と呼ばれる新しいアーキテクチャを採用しており、従来のStable Diffusionモデルとは構造が異なります。テキストエンコーダーとしてGemma2を単体で使用し、専用のAutoEncoder (AE) を使用します。 このガイドは、基本的なLoRA学習の手順を理解しているユーザーを対象としています。基本的な使い方や共通のオプションについては、`train_network.py`のガイド（作成中）を参照してください。また一部のパラメータは [`sd3_train_network.py`](sd3_train_network.md) や [`flux_train_network.py`](flux_train_network.md) と同様のものがあるため、そちらも参考にしてください。 **前提条件:** * `sd-scripts`リポジトリのクローンとPython環境のセットアップが完了していること。 * 学習用データセットの準備が完了していること。（データセットの準備については[データセット設定ガイド](./config_README-en.md)を参照してください） * 学習対象のLumina Image 2.0モデルファイルが準備できていること。
## 2. Differences from `train_network.py` / `train_network.py` との違い `lumina_train_network.py` is based on `train_network.py` but modified for Lumina Image 2.0. Main differences are: * **Target models:** Lumina Image 2.0 models. * **Model structure:** Uses Next-DiT (Transformer based) instead of U-Net and employs a single text encoder (Gemma2). The AutoEncoder (AE) is not compatible with SDXL/SD3/FLUX. * **Arguments:** Options exist to specify the Lumina Image 2.0 model, Gemma2 text encoder and AE. With a single `.safetensors` file, these components are typically provided separately. * **Incompatible arguments:** Stable Diffusion v1/v2 options such as `--v2`, `--v_parameterization` and `--clip_skip` are not used. * **Lumina specific options:** Additional parameters for timestep sampling, model prediction type, discrete flow shift, and system prompt.
日本語 `lumina_train_network.py`は`train_network.py`をベースに、Lumina Image 2.0モデルに対応するための変更が加えられています。主な違いは以下の通りです。 * **対象モデル:** Lumina Image 2.0モデルを対象とします。 * **モデル構造:** U-Netの代わりにNext-DiT (Transformerベース) を使用します。Text EncoderとしてGemma2を単体で使用し、専用のAutoEncoder (AE) を使用します。 * **引数:** Lumina Image 2.0モデル、Gemma2 Text Encoder、AEを指定する引数があります。通常、これらのコンポーネントは個別に提供されます。 * **一部引数の非互換性:** Stable Diffusion v1/v2向けの引数（例: `--v2`, `--v_parameterization`, `--clip_skip`）はLumina Image 2.0の学習では使用されません。 * **Lumina特有の引数:** タイムステップのサンプリング、モデル予測タイプ、離散フローシフト、システムプロンプトに関する引数が追加されています。
## 3. Preparation / 準備 The following files are required before starting training: 1. **Training script:** `lumina_train_network.py` 2. **Lumina Image 2.0 model file:** `.safetensors` file for the base model. 3. **Gemma2 text encoder file:** `.safetensors` file for the text encoder. 4. **AutoEncoder (AE) file:** `.safetensors` file for the AE. 5. **Dataset definition file (.toml):** Dataset settings in TOML format. (See the [Dataset Configuration Guide](./config_README-en.md). In this document we use `my_lumina_dataset_config.toml` as an example. **Model Files:** * Lumina Image 2.0: `lumina-image-2.safetensors` ([full precision link](https://huggingface.co/rockerBOO/lumina-image-2/blob/main/lumina-image-2.safetensors)) or `lumina_2_model_bf16.safetensors` ([bf16 link](https://huggingface.co/Comfy-Org/Lumina_Image_2.0_Repackaged/blob/main/split_files/diffusion_models/lumina_2_model_bf16.safetensors)) * Gemma2 2B (fp16): `gemma-2-2b.safetensors` ([link](https://huggingface.co/Comfy-Org/Lumina_Image_2.0_Repackaged/blob/main/split_files/text_encoders/gemma_2_2b_fp16.safetensors)) * AutoEncoder: `ae.safetensors` ([link](https://huggingface.co/Comfy-Org/Lumina_Image_2.0_Repackaged/blob/main/split_files/vae/ae.safetensors)) (same as FLUX)
日本語 学習を開始する前に、以下のファイルが必要です。 1. **学習スクリプト:** `lumina_train_network.py` 2. **Lumina Image 2.0モデルファイル:** 学習のベースとなるLumina Image 2.0モデルの`.safetensors`ファイル。 3. **Gemma2テキストエンコーダーファイル:** Gemma2テキストエンコーダーの`.safetensors`ファイル。 4. **AutoEncoder (AE) ファイル:** AEの`.safetensors`ファイル。 5. **データセット定義ファイル (.toml):** 学習データセットの設定を記述したTOML形式のファイル。（詳細は[データセット設定ガイド](./config_README-en.md)を参照してください）。 * 例として`my_lumina_dataset_config.toml`を使用します。 **モデルファイル** は英語ドキュメントの通りです。
## 4. Running the Training / 学習の実行 Execute `lumina_train_network.py` from the terminal to start training. The overall command-line format is the same as `train_network.py`, but Lumina Image 2.0 specific options must be supplied. Example command: ```bash accelerate launch --num_cpu_threads_per_process 1 lumina_train_network.py \ --pretrained_model_name_or_path="lumina-image-2.safetensors" \ --gemma2="gemma-2-2b.safetensors" \ --ae="ae.safetensors" \ --dataset_config="my_lumina_dataset_config.toml" \ --output_dir="./output" \ --output_name="my_lumina_lora" \ --save_model_as=safetensors \ --network_module=networks.lora_lumina \ --network_dim=8 \ --network_alpha=8 \ --learning_rate=1e-4 \ --optimizer_type="AdamW" \ --lr_scheduler="constant" \ --timestep_sampling="nextdit_shift" \ --discrete_flow_shift=6.0 \ --model_prediction_type="raw" \ --system_prompt="You are an assistant designed to generate high-quality images based on user prompts." \ --max_train_epochs=10 \ --save_every_n_epochs=1 \ --mixed_precision="bf16" \ --gradient_checkpointing \ --cache_latents \ --cache_text_encoder_outputs ``` *(Write the command on one line or use `\` or `^` for line breaks.)*
日本語 学習は、ターミナルから`lumina_train_network.py`を実行することで開始します。基本的なコマンドラインの構造は`train_network.py`と同様ですが、Lumina Image 2.0特有の引数を指定する必要があります。 以下に、基本的なコマンドライン実行例を示します。 ```bash accelerate launch --num_cpu_threads_per_process 1 lumina_train_network.py \ --pretrained_model_name_or_path="lumina-image-2.safetensors" \ --gemma2="gemma-2-2b.safetensors" \ --ae="ae.safetensors" \ --dataset_config="my_lumina_dataset_config.toml" \ --output_dir="./output" \ --output_name="my_lumina_lora" \ --save_model_as=safetensors \ --network_module=networks.lora_lumina \ --network_dim=8 \ --network_alpha=8 \ --learning_rate=1e-4 \ --optimizer_type="AdamW" \ --lr_scheduler="constant" \ --timestep_sampling="nextdit_shift" \ --discrete_flow_shift=6.0 \ --model_prediction_type="raw" \ --system_prompt="You are an assistant designed to generate high-quality images based on user prompts." \ --max_train_epochs=10 \ --save_every_n_epochs=1 \ --mixed_precision="bf16" \ --gradient_checkpointing \ --cache_latents \ --cache_text_encoder_outputs ``` ※実際には1行で書くか、適切な改行文字（`\` または `^`）を使用してください。
### 4.1. Explanation of Key Options / 主要なコマンドライン引数の解説 Besides the arguments explained in the [train_network.py guide](train_network.md), specify the following Lumina Image 2.0 options. For shared options (`--output_dir`, `--output_name`, etc.), see that guide. #### Model Options / モデル関連 * `--pretrained_model_name_or_path=""` **required** – Path to the Lumina Image 2.0 model. * `--gemma2=""` **required** – Path to the Gemma2 text encoder `.safetensors` file. * `--ae=""` **required** – Path to the AutoEncoder `.safetensors` file. #### Lumina Image 2.0 Training Parameters / Lumina Image 2.0 学習パラメータ * `--gemma2_max_token_length=` – Max token length for Gemma2. Default is 256. * `--timestep_sampling=` – Timestep sampling method. Options: `sigma`, `uniform`, `sigmoid`, `shift`, `nextdit_shift`. Default `shift`. **Recommended: `nextdit_shift`** * `--discrete_flow_shift=` – Discrete flow shift for the Euler Discrete Scheduler. Default `6.0`. * `--model_prediction_type=` – Model prediction processing method. Options: `raw`, `additive`, `sigma_scaled`. Default `raw`. **Recommended: `raw`** * `--system_prompt=` – System prompt to prepend to all prompts. Recommended: `"You are an assistant designed to generate high-quality images based on user prompts."` or `"You are an assistant designed to generate high-quality images with the highest degree of image-text alignment based on textual prompts."` * `--use_flash_attn` – Use Flash Attention. Requires `pip install flash-attn` (may not be supported in all environments). If installed correctly, it speeds up training. * `--use_sage_attn` – Use Sage Attention for the model. * `--sample_batch_size=` – Batch size to use for sampling, defaults to `--training_batch_size` value. Sample batches are bucketed by width, height, guidance scale, and seed. * `--sigmoid_scale=` – Scale factor for sigmoid timestep sampling. Default `1.0`. #### Memory and Speed / メモリ・速度関連 * `--blocks_to_swap=` **[experimental]** – Swap a number of Transformer blocks between CPU and GPU. More blocks reduce VRAM but slow training. Cannot be used with `--cpu_offload_checkpointing`. * `--cache_text_encoder_outputs` – Cache Gemma2 outputs to reduce memory usage. * `--cache_latents`, `--cache_latents_to_disk` – Cache AE outputs. * `--fp8_base` – Use FP8 precision for the base model. #### Network Arguments / ネットワーク引数 For Lumina Image 2.0, you can specify different dimensions for various components: * `--network_args` can include: * `"attn_dim=4"` – Attention dimension * `"mlp_dim=4"` – MLP dimension * `"mod_dim=4"` – Modulation dimension * `"refiner_dim=4"` – Refiner blocks dimension * `"embedder_dims=[4,4,4]"` – Embedder dimensions for x, t, and caption embedders #### Incompatible or Deprecated Options / 非互換・非推奨の引数 * `--v2`, `--v_parameterization`, `--clip_skip` – Options for Stable Diffusion v1/v2 that are not used for Lumina Image 2.0.
日本語 [`train_network.py`のガイド](train_network.md)で説明されている引数に加え、以下のLumina Image 2.0特有の引数を指定します。共通の引数については、上記ガイドを参照してください。 #### モデル関連 * `--pretrained_model_name_or_path=""` **[必須]** * 学習のベースとなるLumina Image 2.0モデルの`.safetensors`ファイルのパスを指定します。 * `--gemma2=""` **[必須]** * Gemma2テキストエンコーダーの`.safetensors`ファイルのパスを指定します。 * `--ae=""` **[必須]** * AutoEncoderの`.safetensors`ファイルのパスを指定します。 #### Lumina Image 2.0 学習パラメータ * `--gemma2_max_token_length=` – Gemma2で使用するトークンの最大長を指定します。デフォルトは256です。 * `--timestep_sampling=` – タイムステップのサンプリング方法を指定します。`sigma`, `uniform`, `sigmoid`, `shift`, `nextdit_shift`から選択します。デフォルトは`shift`です。**推奨: `nextdit_shift`** * `--discrete_flow_shift=` – Euler Discrete Schedulerの離散フローシフトを指定します。デフォルトは`6.0`です。 * `--model_prediction_type=` – モデル予測の処理方法を指定します。`raw`, `additive`, `sigma_scaled`から選択します。デフォルトは`raw`です。**推奨: `raw`** * `--system_prompt=` – 全てのプロンプトに前置するシステムプロンプトを指定します。推奨: `"You are an assistant designed to generate high-quality images based on user prompts."` または `"You are an assistant designed to generate high-quality images with the highest degree of image-text alignment based on textual prompts."` * `--use_flash_attn` – Flash Attentionを使用します。`pip install flash-attn`でインストールが必要です（環境によってはサポートされていません）。正しくインストールされている場合は、指定すると学習が高速化されます。 * `--use_sage_attn` – Sage Attentionを使用します。 * `--sample_batch_size=` – サンプリングに使用するバッチサイズ。デフォルトは `--training_batch_size` の値です。サンプルバッチは、幅、高さ、ガイダンススケール、シードによってバケット化されます。 * `--sigmoid_scale=` – sigmoidタイムステップサンプリングのスケール係数を指定します。デフォルトは`1.0`です。 #### メモリ・速度関連 * `--blocks_to_swap=` **[実験的機能]** – TransformerブロックをCPUとGPUでスワップしてVRAMを節約します。`--cpu_offload_checkpointing`とは併用できません。 * `--cache_text_encoder_outputs` – Gemma2の出力をキャッシュしてメモリ使用量を削減します。 * `--cache_latents`, `--cache_latents_to_disk` – AEの出力をキャッシュします。 * `--fp8_base` – ベースモデルにFP8精度を使用します。 #### ネットワーク引数 Lumina Image 2.0では、各コンポーネントに対して異なる次元を指定できます： * `--network_args` には以下を含めることができます： * `"attn_dim=4"` – アテンション次元 * `"mlp_dim=4"` – MLP次元 * `"mod_dim=4"` – モジュレーション次元 * `"refiner_dim=4"` – リファイナーブロック次元 * `"embedder_dims=[4,4,4]"` – x、t、キャプションエンベッダーのエンベッダー次元 #### 非互換・非推奨の引数 * `--v2`, `--v_parameterization`, `--clip_skip` – Stable Diffusion v1/v2向けの引数のため、Lumina Image 2.0学習では使用されません。
### 4.2. Starting Training / 学習の開始 After setting the required arguments, run the command to begin training. The overall flow and how to check logs are the same as in the [train_network.py guide](train_network.md#32-starting-the-training--学習の開始). ## 5. Using the Trained Model / 学習済みモデルの利用 When training finishes, a LoRA model file (e.g. `my_lumina_lora.safetensors`) is saved in the directory specified by `output_dir`. Use this file with inference environments that support Lumina Image 2.0, such as ComfyUI with appropriate nodes. ### Inference with scripts in this repository / このリポジトリのスクリプトを使用した推論 The inference script is also available. The script is `lumina_minimal_inference.py`. See `--help` for options. ``` python lumina_minimal_inference.py --pretrained_model_name_or_path path/to/lumina.safetensors --gemma2_path path/to/gemma.safetensors" --ae_path path/to/flux_ae.safetensors --output_dir path/to/output_dir --offload --seed 1234 --prompt "Positive prompt" --system_prompt "You are an assistant designed to generate high-quality images based on user prompts." --negative_prompt "negative prompt" ``` `--add_system_prompt_to_negative_prompt` option can be used to add the system prompt to the negative prompt. `--lora_weights` option can be used to specify the LoRA weights file, and optional multiplier (like `path;1.0`). ## 6. Others / その他 `lumina_train_network.py` shares many features with `train_network.py`, such as sample image generation (`--sample_prompts`, etc.) and detailed optimizer settings. For these, see the [train_network.py guide](train_network.md#5-other-features--その他の機能) or run `python lumina_train_network.py --help`. ### 6.1. Recommended Settings / 推奨設定 Based on the contributor's recommendations, here are the suggested settings for optimal training: **Key Parameters:** * `--timestep_sampling="nextdit_shift"` * `--discrete_flow_shift=6.0` * `--model_prediction_type="raw"` * `--mixed_precision="bf16"` **System Prompts:** * General purpose: `"You are an assistant designed to generate high-quality images based on user prompts."` * High image-text alignment: `"You are an assistant designed to generate high-quality images with the highest degree of image-text alignment based on textual prompts."` **Sample Prompts:** Sample prompts can include CFG truncate (`--ctr`) and Renorm CFG (`-rcfg`) parameters: * `--ctr 0.25 --rcfg 1.0` (default values)
日本語 必要な引数を設定し、コマンドを実行すると学習が開始されます。基本的な流れやログの確認方法は[`train_network.py`のガイド](train_network.md#32-starting-the-training--学習の開始)と同様です。 学習が完了すると、指定した`output_dir`にLoRAモデルファイル（例: `my_lumina_lora.safetensors`）が保存されます。このファイルは、Lumina Image 2.0モデルに対応した推論環境（例: ComfyUI + 適切なノード）で使用できます。 当リポジトリ内の推論スクリプトを用いて推論することも可能です。スクリプトは`lumina_minimal_inference.py`です。オプションは`--help`で確認できます。記述例は英語版のドキュメントをご確認ください。 `lumina_train_network.py`には、サンプル画像の生成 (`--sample_prompts`など) や詳細なオプティマイザ設定など、`train_network.py`と共通の機能も多く存在します。これらについては、[`train_network.py`のガイド](train_network.md#5-other-features--その他の機能)やスクリプトのヘルプ (`python lumina_train_network.py --help`) を参照してください。 ### 6.1. 推奨設定 コントリビューターの推奨に基づく、最適な学習のための推奨設定： **主要パラメータ:** * `--timestep_sampling="nextdit_shift"` * `--discrete_flow_shift=6.0` * `--model_prediction_type="raw"` * `--mixed_precision="bf16"` **システムプロンプト:** * 汎用目的: `"You are an assistant designed to generate high-quality images based on user prompts."` * 高い画像-テキスト整合性: `"You are an assistant designed to generate high-quality images with the highest degree of image-text alignment based on textual prompts."` **サンプルプロンプト:** サンプルプロンプトには CFG truncate (`--ctr`) と Renorm CFG (`--rcfg`) パラメータを含めることができます： * `--ctr 0.25 --rcfg 1.0` (デフォルト値)
================================================ FILE: docs/masked_loss_README-ja.md ================================================ ## マスクロスについて マスクロスは、入力画像のマスクで指定された部分だけ損失計算することで、画像の一部分だけを学習することができる機能です。 たとえばキャラクタを学習したい場合、キャラクタ部分だけをマスクして学習することで、背景を無視して学習することができます。 マスクロスのマスクには、二種類の指定方法があります。 - マスク画像を用いる方法 - 透明度（アルファチャネル）を使用する方法 なお、サンプルは [ずんずんPJイラスト/3Dデータ](https://zunko.jp/con_illust.html) の「AI画像モデル用学習データ」を使用しています。 ### マスク画像を用いる方法 学習画像それぞれに対応するマスク画像を用意する方法です。学習画像と同じファイル名のマスク画像を用意し、それを学習画像と別のディレクトリに保存します。 - 学習画像 ![image](https://github.com/kohya-ss/sd-scripts/assets/52813779/607c5116-5f62-47de-8b66-9c4a597f0441) - マスク画像 ![image](https://github.com/kohya-ss/sd-scripts/assets/52813779/53e9b0f8-a4bf-49ed-882d-4026f84e8450) ```.toml [[datasets.subsets]] image_dir = "/path/to/a_zundamon" caption_extension = ".txt" conditioning_data_dir = "/path/to/a_zundamon_mask" num_repeats = 8 ``` マスク画像は、学習画像と同じサイズで、学習する部分を白、無視する部分を黒で描画します。グレースケールにも対応しています（127 ならロス重みが 0.5 になります）。なお、正確にはマスク画像の R チャネルが用いられます。 DreamBooth 方式の dataset で、`conditioning_data_dir` で指定したディレクトリにマスク画像を保存してください。ControlNet のデータセットと同じですので、詳細は [ControlNet-LLLite](train_lllite_README-ja.md#データセットの準備) を参照してください。 ### 透明度（アルファチャネル）を使用する方法 学習画像の透明度（アルファチャネル）がマスクとして使用されます。透明度が 0 の部分は無視され、255 の部分は学習されます。半透明の場合は、その透明度に応じてロス重みが変化します（127 ならおおむね 0.5）。 ![image](https://github.com/kohya-ss/sd-scripts/assets/52813779/0baa129b-446a-4aac-b98c-7208efb0e75e) ※それぞれの画像は透過PNG 学習時のスクリプトのオプションに `--alpha_mask` を指定するか、dataset の設定ファイルの subset で、`alpha_mask` を指定してください。たとえば、以下のようになります。 ```toml [[datasets.subsets]] image_dir = "/path/to/image/dir" caption_extension = ".txt" num_repeats = 8 alpha_mask = true ``` ## 学習時の注意事項 - 現時点では DreamBooth 方式の dataset のみ対応しています。 - マスクは latents のサイズ、つまり 1/8 に縮小されてから適用されます。そのため、細かい部分（たとえばアホ毛やイヤリングなど）はうまく学習できない可能性があります。マスクをわずかに拡張するなどの工夫が必要かもしれません。 - マスクロスを用いる場合、学習対象外の部分をキャプションに含める必要はないかもしれません。（要検証） - `alpha_mask` の場合、マスクの有無を切り替えると latents キャッシュが自動的に再生成されます。 ================================================ FILE: docs/masked_loss_README.md ================================================ ## Masked Loss Masked loss is a feature that allows you to train only part of an image by calculating the loss only for the part specified by the mask of the input image. For example, if you want to train a character, you can train only the character part by masking it, ignoring the background. There are two ways to specify the mask for masked loss. - Using a mask image - Using transparency (alpha channel) of the image The sample uses the "AI image model training data" from [ZunZunPJ Illustration/3D Data](https://zunko.jp/con_illust.html). ### Using a mask image This is a method of preparing a mask image corresponding to each training image. Prepare a mask image with the same file name as the training image and save it in a different directory from the training image. - Training image ![image](https://github.com/kohya-ss/sd-scripts/assets/52813779/607c5116-5f62-47de-8b66-9c4a597f0441) - Mask image ![image](https://github.com/kohya-ss/sd-scripts/assets/52813779/53e9b0f8-a4bf-49ed-882d-4026f84e8450) ```.toml [[datasets.subsets]] image_dir = "/path/to/a_zundamon" caption_extension = ".txt" conditioning_data_dir = "/path/to/a_zundamon_mask" num_repeats = 8 ``` The mask image is the same size as the training image, with the part to be trained drawn in white and the part to be ignored in black. It also supports grayscale (127 gives a loss weight of 0.5). The R channel of the mask image is used currently. Use the dataset in the DreamBooth method, and save the mask image in the directory specified by `conditioning_data_dir`. It is the same as the ControlNet dataset, so please refer to [ControlNet-LLLite](train_lllite_README.md#Preparing-the-dataset) for details. ### Using transparency (alpha channel) of the image The transparency (alpha channel) of the training image is used as a mask. The part with transparency 0 is ignored, the part with transparency 255 is trained. For semi-transparent parts, the loss weight changes according to the transparency (127 gives a weight of about 0.5). ![image](https://github.com/kohya-ss/sd-scripts/assets/52813779/0baa129b-446a-4aac-b98c-7208efb0e75e) ※Each image is a transparent PNG Specify `--alpha_mask` in the training script options or specify `alpha_mask` in the subset of the dataset configuration file. For example, it will look like this. ```toml [[datasets.subsets]] image_dir = "/path/to/image/dir" caption_extension = ".txt" num_repeats = 8 alpha_mask = true ``` ## Notes on training - At the moment, only the dataset in the DreamBooth method is supported. - The mask is applied after the size is reduced to 1/8, which is the size of the latents. Therefore, fine details (such as ahoge or earrings) may not be learned well. Some dilations of the mask may be necessary. - If using masked loss, it may not be necessary to include parts that are not to be trained in the caption. (To be verified) - In the case of `alpha_mask`, the latents cache is automatically regenerated when the enable/disable state of the mask is switched. ================================================ FILE: docs/sd3_train_network.md ================================================ # LoRA Training Guide for Stable Diffusion 3/3.5 using `sd3_train_network.py` / `sd3_train_network.py` を用いたStable Diffusion 3/3.5モデルのLoRA学習ガイド This document explains how to train LoRA (Low-Rank Adaptation) models for Stable Diffusion 3 (SD3) and Stable Diffusion 3.5 (SD3.5) using `sd3_train_network.py` in the `sd-scripts` repository. ## 1. Introduction / はじめに `sd3_train_network.py` trains additional networks such as LoRA for SD3/3.5 models. SD3 adopts a new architecture called MMDiT (Multi-Modal Diffusion Transformer), so its structure differs from previous Stable Diffusion models. With this script you can create LoRA models specialized for SD3/3.5. This guide assumes you already understand the basics of LoRA training. For common usage and options, see the [train_network.py guide](train_network.md). Some parameters are the same as those in [`sdxl_train_network.py`](sdxl_train_network.md). **Prerequisites:** * The `sd-scripts` repository has been cloned and the Python environment is ready. * A training dataset has been prepared. See the [Dataset Configuration Guide](link/to/dataset/config/doc). * SD3/3.5 model files for training are available.
日本語 `sd3_train_network.py`は、Stable Diffusion 3/3.5モデルに対してLoRAなどの追加ネットワークを学習させるためのスクリプトです。SD3は、MMDiT (Multi-Modal Diffusion Transformer) と呼ばれる新しいアーキテクチャを採用しており、従来のStable Diffusionモデルとは構造が異なります。このスクリプトを使用することで、SD3/3.5モデルに特化したLoRAモデルを作成できます。 このガイドは、基本的なLoRA学習の手順を理解しているユーザーを対象としています。基本的な使い方や共通のオプションについては、[`train_network.py`のガイド](train_network.md)を参照してください。また一部のパラメータは [`sdxl_train_network.py`](sdxl_train_network.md) と同様のものがあるため、そちらも参考にしてください。 **前提条件:** * `sd-scripts`リポジトリのクローンとPython環境のセットアップが完了していること。 * 学習用データセットの準備が完了していること。（データセットの準備については[データセット設定ガイド](link/to/dataset/config/doc)を参照してください） * 学習対象のSD3/3.5モデルファイルが準備できていること。
## 2. Differences from `train_network.py` / `train_network.py` との違い `sd3_train_network.py` is based on `train_network.py` but modified for SD3/3.5. Main differences are: * **Target models:** Stable Diffusion 3 and 3.5 Medium/Large. * **Model structure:** Uses MMDiT (Transformer based) instead of U-Net and employs three text encoders: CLIP-L, CLIP-G and T5-XXL. The VAE is not compatible with SDXL. * **Arguments:** Options exist to specify the SD3/3.5 model, text encoders and VAE. With a single `.safetensors` file, these paths are detected automatically, so separate paths are optional. * **Incompatible arguments:** Stable Diffusion v1/v2 options such as `--v2`, `--v_parameterization` and `--clip_skip` are not used. * **SD3 specific options:** Additional parameters for attention masks, dropout rates, positional embedding adjustments (for SD3.5), timestep sampling and loss weighting.
日本語 `sd3_train_network.py`は`train_network.py`をベースに、SD3/3.5モデルに対応するための変更が加えられています。主な違いは以下の通りです。 * **対象モデル:** Stable Diffusion 3, 3.5 Medium / Large モデルを対象とします。 * **モデル構造:** U-Netの代わりにMMDiT (Transformerベース) を使用します。Text EncoderとしてCLIP-L, CLIP-G, T5-XXLの三つを使用します。VAEはSDXLと互換性がありません。 * **引数:** SD3/3.5モデル、Text Encoder群、VAEを指定する引数があります。ただし、単一ファイルの`.safetensors`形式であれば、内部で自動的に分離されるため、個別のパス指定は必須ではありません。 * **一部引数の非互換性:** Stable Diffusion v1/v2向けの引数（例: `--v2`, `--v_parameterization`, `--clip_skip`）はSD3/3.5の学習では使用されません。 * **SD3特有の引数:** Text Encoderのアテンションマスクやドロップアウト率、Positional Embeddingの調整（SD3.5向け）、タイムステップのサンプリングや損失の重み付けに関する引数が追加されています。
## 3. Preparation / 準備 The following files are required before starting training: 1. **Training script:** `sd3_train_network.py` 2. **SD3/3.5 model file:** `.safetensors` file for the base model and paths to each text encoder. Single-file format can also be used. 3. **Dataset definition file (.toml):** Dataset settings in TOML format. (See the [Dataset Configuration Guide](link/to/dataset/config/doc).) In this document we use `my_sd3_dataset_config.toml` as an example.
日本語 学習を開始する前に、以下のファイルが必要です。 1. **学習スクリプト:** `sd3_train_network.py` 2. **SD3/3.5モデルファイル:** 学習のベースとなるSD3/3.5モデルの`.safetensors`ファイル。またText Encoderをそれぞれ対応する引数でパスを指定します。 * 単一ファイル形式も使用可能です。 3. **データセット定義ファイル (.toml):** 学習データセットの設定を記述したTOML形式のファイル。（詳細は[データセット設定ガイド](link/to/dataset/config/doc)を参照してください）。 * 例として`my_sd3_dataset_config.toml`を使用します。
## 4. Running the Training / 学習の実行 Execute `sd3_train_network.py` from the terminal to start training. The overall command-line format is the same as `train_network.py`, but SD3/3.5 specific options must be supplied. Example command: ```bash accelerate launch --num_cpu_threads_per_process 1 sd3_train_network.py \ --pretrained_model_name_or_path="" \ --clip_l="" \ --clip_g="" \ --t5xxl="" \ --dataset_config="my_sd3_dataset_config.toml" \ --output_dir="" \ --output_name="my_sd3_lora" \ --save_model_as=safetensors \ --network_module=networks.lora \ --network_dim=16 \ --network_alpha=1 \ --learning_rate=1e-4 \ --optimizer_type="AdamW8bit" \ --lr_scheduler="constant" \ --sdpa \ --max_train_epochs=10 \ --save_every_n_epochs=1 \ --mixed_precision="fp16" \ --gradient_checkpointing \ --weighting_scheme="uniform" \ --blocks_to_swap=32 ``` *(Write the command on one line or use `\` or `^` for line breaks.)*
日本語 学習は、ターミナルから`sd3_train_network.py`を実行することで開始します。基本的なコマンドラインの構造は`train_network.py`と同様ですが、SD3/3.5特有の引数を指定する必要があります。 以下に、基本的なコマンドライン実行例を示します。 ```bash accelerate launch --num_cpu_threads_per_process 1 sd3_train_network.py --pretrained_model_name_or_path="" --clip_l="" --clip_g="" --t5xxl="" --dataset_config="my_sd3_dataset_config.toml" --output_dir="" --output_name="my_sd3_lora" --save_model_as=safetensors --network_module=networks.lora --network_dim=16 --network_alpha=1 --learning_rate=1e-4 --optimizer_type="AdamW8bit" --lr_scheduler="constant" --sdpa --max_train_epochs=10 --save_every_n_epochs=1 --mixed_precision="fp16" --gradient_checkpointing --weighting_scheme="uniform" --blocks_to_swap=32 ``` ※実際には1行で書くか、適切な改行文字（`\` または `^`）を使用してください。
### 4.1. Explanation of Key Options / 主要なコマンドライン引数の解説 Besides the arguments explained in the [train_network.py guide](train_network.md), specify the following SD3/3.5 options. For shared options (`--output_dir`, `--output_name`, etc.), see that guide. #### Model Options / モデル関連 * `--pretrained_model_name_or_path=""` **required** – Path to the SD3/3.5 model. * `--clip_l`, `--clip_g`, `--t5xxl`, `--vae` – Skip these if the base model is a single file; otherwise specify each `.safetensors` path. `--vae` is usually unnecessary unless you use a different VAE. #### SD3/3.5 Training Parameters / SD3/3.5 学習パラメータ * `--t5xxl_max_token_length=` – Max token length for T5-XXL. Default `256`. * `--apply_lg_attn_mask` – Apply an attention mask to CLIP-L/CLIP-G outputs. * `--apply_t5_attn_mask` – Apply an attention mask to T5-XXL outputs. * `--clip_l_dropout_rate`, `--clip_g_dropout_rate`, `--t5_dropout_rate` – Dropout rates for the text encoders. Default `0.0`. * `--pos_emb_random_crop_rate=` **[SD3.5]** – Probability of randomly cropping the positional embedding. * `--enable_scaled_pos_embed` **[SD3.5][experimental]** – Scale positional embeddings when training with multiple resolutions. * `--training_shift=` – Shift applied to the timestep distribution. Default `1.0`. * `--weighting_scheme=` – Weighting method for loss by timestep. Default `uniform`. * `--logit_mean=` – Mean value for `logit_normal` weighting scheme. Default `0.0`. * `--logit_std=` – Standard deviation for `logit_normal` weighting scheme. Default `1.0`. * `--mode_scale=` – Scale factor for `mode` weighting scheme. Default `1.29`. #### Memory and Speed / メモリ・速度関連 * `--blocks_to_swap=` **[experimental]** – Swap a number of Transformer blocks between CPU and GPU. More blocks reduce VRAM but slow training. Cannot be used with `--cpu_offload_checkpointing`. * `--cache_text_encoder_outputs` – Caches the outputs of the text encoders to reduce VRAM usage and speed up training. This is particularly effective for SD3, which uses three text encoders. Recommended when not training the text encoder LoRA. For more details, see the [`sdxl_train_network.py` guide](sdxl_train_network.md). * `--cache_text_encoder_outputs_to_disk` – Caches the text encoder outputs to disk when the above option is enabled. * `--t5xxl_device=` **[not supported yet]** – Specifies the device for T5-XXL model. If not specified, uses accelerator's device. * `--t5xxl_dtype=` **[not supported yet]** – Specifies the dtype for T5-XXL model. If not specified, uses default dtype from mixed precision. * `--save_clip` **[not supported yet]** – Saves CLIP models to checkpoint (unified checkpoint format not yet supported). * `--save_t5xxl` **[not supported yet]** – Saves T5-XXL model to checkpoint (unified checkpoint format not yet supported). #### Incompatible or Deprecated Options / 非互換・非推奨の引数 * `--v2`, `--v_parameterization`, `--clip_skip` – Options for Stable Diffusion v1/v2 that are not used for SD3/3.5.
日本語 [`train_network.py`のガイド](train_network.md)で説明されている引数に加え、以下のSD3/3.5特有の引数を指定します。共通の引数については、上記ガイドを参照してください。 #### モデル関連 * `--pretrained_model_name_or_path=""` **[必須]** * 学習のベースとなるSD3/3.5モデルの`.safetensors`ファイルのパスを指定します。 * `--clip_l`, `--clip_g`, `--t5xxl`, `--vae`: * ベースモデルが単一ファイル形式の場合、これらの指定は不要です（自動的にモデル内部から読み込まれます）。 * Text Encoderが別ファイルとして提供されている場合は、それぞれの`.safetensors`ファイルのパスを指定します。`--vae` はベースモデルに含まれているため、通常は指定する必要はありません（明示的に異なるVAEを使用する場合のみ指定）。 #### SD3/3.5 学習パラメータ * `--t5xxl_max_token_length=` – T5-XXLで使用するトークンの最大長を指定します。デフォルトは`256`です。 * `--apply_lg_attn_mask` – CLIP-L/CLIP-Gの出力にパディング用のマスクを適用します。 * `--apply_t5_attn_mask` – T5-XXLの出力にパディング用のマスクを適用します。 * `--clip_l_dropout_rate`, `--clip_g_dropout_rate`, `--t5_dropout_rate` – 各Text Encoderのドロップアウト率を指定します。デフォルトは`0.0`です。 * `--pos_emb_random_crop_rate=` **[SD3.5向け]** – Positional Embeddingにランダムクロップを適用する確率を指定します。 * `--enable_scaled_pos_embed` **[SD3.5向け][実験的機能]** – マルチ解像度学習時に解像度に応じてPositional Embeddingをスケーリングします。 * `--training_shift=` – タイムステップ分布を調整するためのシフト値です。デフォルトは`1.0`です。 * `--weighting_scheme=` – タイムステップに応じた損失の重み付け方法を指定します。デフォルトは`uniform`です。 * `--logit_mean=` – `logit_normal`重み付けスキームの平均値です。デフォルトは`0.0`です。 * `--logit_std=` – `logit_normal`重み付けスキームの標準偏差です。デフォルトは`1.0`です。 * `--mode_scale=` – `mode`重み付けスキームのスケール係数です。デフォルトは`1.29`です。 #### メモリ・速度関連 * `--blocks_to_swap=` **[実験的機能]** – TransformerブロックをCPUとGPUでスワップしてVRAMを節約します。`--cpu_offload_checkpointing`とは併用できません。 * `--cache_text_encoder_outputs` – Text Encoderの出力をキャッシュし、VRAM使用量削減と学習高速化を図ります。SD3は3つのText Encoderを持つため特に効果的です。Text EncoderのLoRAを学習しない場合に推奨されます。詳細は[`sdxl_train_network.py`のガイド](sdxl_train_network.md)を参照してください。 * `--cache_text_encoder_outputs_to_disk` – 上記オプションと併用し、Text Encoderの出力をディスクにキャッシュします。 * `--t5xxl_device=` **[未サポート]** – T5-XXLモデルのデバイスを指定します。指定しない場合はacceleratorのデバイスを使用します。 * `--t5xxl_dtype=` **[未サポート]** – T5-XXLモデルのdtypeを指定します。指定しない場合はデフォルトのdtype（mixed precisionから）を使用します。 * `--save_clip` **[未サポート]** – CLIPモデルをチェックポイントに保存します（統合チェックポイント形式は未サポート）。 * `--save_t5xxl` **[未サポート]** – T5-XXLモデルをチェックポイントに保存します（統合チェックポイント形式は未サポート）。 #### 非互換・非推奨の引数 * `--v2`, `--v_parameterization`, `--clip_skip` – Stable Diffusion v1/v2向けの引数のため、SD3/3.5学習では使用されません。
### 4.2. Starting Training / 学習の開始 After setting the required arguments, run the command to begin training. The overall flow and how to check logs are the same as in the [train_network.py guide](train_network.md#32-starting-the-training--学習の開始).
日本語 必要な引数を設定したら、コマンドを実行して学習を開始します。全体の流れやログの確認方法は、[train_network.pyのガイド](train_network.md#32-starting-the-training--学習の開始)と同様です。
## 5. LoRA Target Modules / LoRAの学習対象モジュール When training LoRA with `sd3_train_network.py`, the following modules are targeted by default: * **MMDiT (replaces U-Net)**: * `qkv` (Query, Key, Value) matrices and `proj_out` (output projection) in the attention blocks. * **final_layer**: * The output layer at the end of MMDiT. By using `--network_args`, you can apply more detailed controls, such as setting different ranks (dimensions) for each module. ### Specify rank for each layer in SD3 LoRA / 各層のランクを指定する You can specify the rank for each layer in SD3 by specifying the following network_args. If you specify `0`, LoRA will not be applied to that layer. When network_args is not specified, the default value (`network_dim`) is applied, same as before. |network_args|target layer| |---|---| |context_attn_dim|attn in context_block| |context_mlp_dim|mlp in context_block| |context_mod_dim|adaLN_modulation in context_block| |x_attn_dim|attn in x_block| |x_mlp_dim|mlp in x_block| |x_mod_dim|adaLN_modulation in x_block| `"verbose=True"` is also available for debugging. It shows the rank of each layer. example: ``` --network_args "context_attn_dim=2" "context_mlp_dim=3" "context_mod_dim=4" "x_attn_dim=5" "x_mlp_dim=6" "x_mod_dim=7" "verbose=True" ``` You can apply LoRA to the conditioning layers of SD3 by specifying `emb_dims` in network_args. When specifying, be sure to specify 6 numbers in `[]` as a comma-separated list. example: ``` --network_args "emb_dims=[2,3,4,5,6,7]" ``` Each number corresponds to `context_embedder`, `t_embedder`, `x_embedder`, `y_embedder`, `final_layer_adaLN_modulation`, `final_layer_linear`. The above example applies LoRA to all conditioning layers, with rank 2 for `context_embedder`, 3 for `t_embedder`, 4 for `context_embedder`, 5 for `y_embedder`, 6 for `final_layer_adaLN_modulation`, and 7 for `final_layer_linear`. If you specify `0`, LoRA will not be applied to that layer. For example, `[4,0,0,4,0,0]` applies LoRA only to `context_embedder` and `y_embedder`. ### Specify blocks to train in SD3 LoRA training You can specify the blocks to train in SD3 LoRA training by specifying `train_block_indices` in network_args. The indices are 0-based. The default (when omitted) is to train all blocks. The indices are specified as a list of integers or a range of integers, like `0,1,5,8` or `0,1,4-5,7`. The number of blocks depends on the model. The valid range is 0-(the number of blocks - 1). `all` is also available to train all blocks, `none` is also available to train no blocks. example: ``` --network_args "train_block_indices=1,2,6-8" ```
日本語 `sd3_train_network.py`でLoRAを学習させる場合、デフォルトでは以下のモジュールが対象となります。 * **MMDiT (U-Netの代替)**: * Attentionブロック内の`qkv`（Query, Key, Value）行列と、`proj_out`（出力Projection）。 * **final_layer**: * MMDiTの最後にある出力層。 `--network_args` を使用することで、モジュールごとに異なるランク（次元数）を設定するなど、より詳細な制御が可能です。 ### SD3 LoRAで各層のランクを指定する 各層のランクを指定するには、`--network_args`オプションを使用します。`0`を指定すると、その層にはLoRAが適用されません。 network_argsが指定されない場合、デフォルト値（`network_dim`）が適用されます。 |network_args|target layer| |---|---| |context_attn_dim|attn in context_block| |context_mlp_dim|mlp in context_block| |context_mod_dim|adaLN_modulation in context_block| |x_attn_dim|attn in x_block| |x_mlp_dim|mlp in x_block| |x_mod_dim|adaLN_modulation in x_block| `"verbose=True"`を指定すると、各層のランクが表示されます。 例： ```bash --network_args "context_attn_dim=2" "context_mlp_dim=3" "context_mod_dim=4" "x_attn_dim=5" "x_mlp_dim=6" "x_mod_dim=7" "verbose=True" ``` また、`emb_dims`を指定することで、SD3の条件付け層にLoRAを適用することもできます。指定する際は、必ず`[]`内にカンマ区切りで6つの数字を指定してください。 ```bash --network_args "emb_dims=[2,3,4,5,6,7]" ``` 各数字は、`context_embedder`、`t_embedder`、`x_embedder`、`y_embedder`、`final_layer_adaLN_modulation`、`final_layer_linear`に対応しています。上記の例では、すべての条件付け層にLoRAを適用し、`context_embedder`に2、`t_embedder`に3、`x_embedder`に4、`y_embedder`に5、`final_layer_adaLN_modulation`に6、`final_layer_linear`に7のランクを設定しています。 `0`を指定すると、その層にはLoRAが適用されません。例えば、`[4,0,0,4,0,0]`と指定すると、`context_embedder`と`y_embedder`のみにLoRAが適用されます。
## 6. Using the Trained Model / 学習済みモデルの利用 When training finishes, a LoRA model file (e.g. `my_sd3_lora.safetensors`) is saved in the directory specified by `output_dir`. Use this file with inference environments that support SD3/3.5, such as ComfyUI.
日本語 学習が完了すると、指定した`output_dir`にLoRAモデルファイル（例: `my_sd3_lora.safetensors`）が保存されます。このファイルは、SD3/3.5モデルに対応した推論環境（例: ComfyUIなど）で使用できます。
## 7. Others / その他 `sd3_train_network.py` shares many features with `train_network.py`, such as sample image generation (`--sample_prompts`, etc.) and detailed optimizer settings. For these, see the [train_network.py guide](train_network.md#5-other-features--その他の機能) or run `python sd3_train_network.py --help`.
日本語 `sd3_train_network.py`には、サンプル画像の生成 (`--sample_prompts`など) や詳細なオプティマイザ設定など、`train_network.py`と共通の機能も多く存在します。これらについては、[`train_network.py`のガイド](train_network.md#5-other-features--その他の機能)やスクリプトのヘルプ (`python sd3_train_network.py --help`) を参照してください。
================================================ FILE: docs/sdxl_train_network.md ================================================ # How to Use the SDXL LoRA Training Script `sdxl_train_network.py` / SDXL LoRA学習スクリプト `sdxl_train_network.py` の使い方 This document explains the basic procedure for training a LoRA (Low-Rank Adaptation) model for SDXL (Stable Diffusion XL) using `sdxl_train_network.py` included in the `sd-scripts` repository.
日本語 このドキュメントでは、`sd-scripts` リポジトリに含まれる `sdxl_train_network.py` を使用して、SDXL (Stable Diffusion XL) モデルに対する LoRA (Low-Rank Adaptation) モデルを学習する基本的な手順について解説します。
## 1. Introduction / はじめに `sdxl_train_network.py` is a script for training additional networks such as LoRA for SDXL models. The basic usage is common with `train_network.py` (see [How to Use the LoRA Training Script `train_network.py`](train_network.md)), but SDXL model-specific settings are required. This guide focuses on SDXL LoRA training, explaining the main differences from `train_network.py` and SDXL-specific configuration items. **Prerequisites:** * You have cloned the `sd-scripts` repository and set up the Python environment. * Your training dataset is ready. (Please refer to the [Dataset Preparation Guide](link/to/dataset/doc) for dataset preparation) * You have read [How to Use the LoRA Training Script `train_network.py`](train_network.md).
日本語 `sdxl_train_network.py` は、SDXL モデルに対して LoRA などの追加ネットワークを学習させるためのスクリプトです。基本的な使い方は `train_network.py` ([LoRA学習スクリプト `train_network.py` の使い方](train_network.md) 参照) と共通ですが、SDXL モデル特有の設定が必要となります。 このガイドでは、SDXL LoRA 学習に焦点を当て、`train_network.py` との主な違いや SDXL 特有の設定項目を中心に説明します。 **前提条件:** * `sd-scripts` リポジトリのクローンと Python 環境のセットアップが完了していること。 * 学習用データセットの準備が完了していること。（データセットの準備については[データセット準備ガイド](link/to/dataset/doc)を参照してください） * [LoRA学習スクリプト `train_network.py` の使い方](train_network.md) を一読していること。
## 2. Preparation / 準備 Before starting training, you need the following files: 1. **Training Script:** `sdxl_train_network.py` 2. **Dataset Definition File (.toml):** A TOML format file describing the training dataset configuration. ### About the Dataset Definition File The basic format of the dataset definition file (`.toml`) is the same as for `train_network.py`. Please refer to the [Dataset Configuration Guide](link/to/dataset/config/doc) and [How to Use the LoRA Training Script `train_network.py`](train_network.md#about-the-dataset-definition-file). For SDXL, it is common to use high-resolution datasets and the aspect ratio bucketing feature (`enable_bucket = true`). In this example, we'll use a file named `my_sdxl_dataset_config.toml`.
日本語 学習を開始する前に、以下のファイルが必要です。 1. **学習スクリプト:** `sdxl_train_network.py` 2. **データセット定義ファイル (.toml):** 学習データセットの設定を記述した TOML 形式のファイル。 ### データセット定義ファイルについて データセット定義ファイル (`.toml`) の基本的な書き方は `train_network.py` と共通です。[データセット設定ガイド](link/to/dataset/config/doc) および [LoRA学習スクリプト `train_network.py` の使い方](train_network.md#データセット定義ファイルについて) を参照してください。 SDXL では、高解像度のデータセットや、アスペクト比バケツ機能 (`enable_bucket = true`) の利用が一般的です。 ここでは、例として `my_sdxl_dataset_config.toml` という名前のファイルを使用することにします。
## 3. Running the Training / 学習の実行 Training starts by running `sdxl_train_network.py` from the terminal. Here's a basic command line execution example for SDXL LoRA training: ```bash accelerate launch --num_cpu_threads_per_process 1 sdxl_train_network.py --pretrained_model_name_or_path="" --dataset_config="my_sdxl_dataset_config.toml" --output_dir="" --output_name="my_sdxl_lora" --save_model_as=safetensors --network_module=networks.lora --network_dim=32 --network_alpha=16 --learning_rate=1e-4 --unet_lr=1e-4 --text_encoder_lr1=1e-5 --text_encoder_lr2=1e-5 --optimizer_type="AdamW8bit" --lr_scheduler="constant" --max_train_epochs=10 --save_every_n_epochs=1 --mixed_precision="bf16" --gradient_checkpointing --cache_text_encoder_outputs --cache_latents ``` Comparing with the execution example of `train_network.py`, the following points are different: * The script to execute is `sdxl_train_network.py`. * You specify an SDXL base model for `--pretrained_model_name_or_path`. * `--text_encoder_lr` is split into `--text_encoder_lr1` and `--text_encoder_lr2` (since SDXL has two Text Encoders). * `--mixed_precision` is recommended to be `bf16` or `fp16`. * `--cache_text_encoder_outputs` and `--cache_latents` are recommended to reduce VRAM usage. Next, we'll explain the main command line arguments that differ from `train_network.py`. For common arguments, please refer to [How to Use the LoRA Training Script `train_network.py`](train_network.md#31-main-command-line-arguments).
日本語 学習は、ターミナルから `sdxl_train_network.py` を実行することで開始します。 以下に、SDXL LoRA 学習における基本的なコマンドライン実行例を示します。 ```bash accelerate launch --num_cpu_threads_per_process 1 sdxl_train_network.py --pretrained_model_name_or_path="" --dataset_config="my_sdxl_dataset_config.toml" --output_dir="<学習結果の出力先ディレクトリ>" --output_name="my_sdxl_lora" --save_model_as=safetensors --network_module=networks.lora --network_dim=32 --network_alpha=16 --learning_rate=1e-4 --unet_lr=1e-4 --text_encoder_lr1=1e-5 --text_encoder_lr2=1e-5 --optimizer_type="AdamW8bit" --lr_scheduler="constant" --max_train_epochs=10 --save_every_n_epochs=1 --mixed_precision="bf16" --gradient_checkpointing --cache_text_encoder_outputs --cache_latents ``` `train_network.py` の実行例と比較すると、以下の点が異なります。 * 実行するスクリプトが `sdxl_train_network.py` になります。 * `--pretrained_model_name_or_path` には SDXL のベースモデルを指定します。 * `--text_encoder_lr` が `--text_encoder_lr1` と `--text_encoder_lr2` に分かれています（SDXL は2つの Text Encoder を持つため）。 * `--mixed_precision` は `bf16` または `fp16` が推奨されます。 * `--cache_text_encoder_outputs` や `--cache_latents` は VRAM 使用量を削減するために推奨されます。 次に、`train_network.py` との差分となる主要なコマンドライン引数について解説します。共通の引数については、[LoRA学習スクリプト `train_network.py` の使い方](train_network.md#31-主要なコマンドライン引数) を参照してください。
### 3.1. Main Command Line Arguments (Differences) / 主要なコマンドライン引数（差分） #### Model Related / モデル関連 * `--pretrained_model_name_or_path=""` **[Required]** * Specifies the **SDXL model** to be used as the base for training. You can specify a Hugging Face Hub model ID (e.g., `"stabilityai/stable-diffusion-xl-base-1.0"`), a local Diffusers format model directory, or a path to a `.safetensors` file. * `--v2`, `--v_parameterization` * These arguments are for SD1.x/2.x. When using `sdxl_train_network.py`, since an SDXL model is assumed, these **typically do not need to be specified**. #### Dataset Related / データセット関連 * `--dataset_config=""` * This is common with `train_network.py`. * For SDXL, it is common to use high-resolution data and the bucketing feature (specify `enable_bucket = true` in the `.toml` file). #### Output & Save Related / 出力・保存関連 * These are common with `train_network.py`. #### LoRA Parameters / LoRA パラメータ * These are common with `train_network.py`. #### Training Parameters / 学習パラメータ * `--learning_rate=1e-4` * Overall learning rate. This becomes the default value if `unet_lr`, `text_encoder_lr1`, and `text_encoder_lr2` are not specified. * `--unet_lr=1e-4` * Learning rate for LoRA modules in the U-Net part. If not specified, the value of `--learning_rate` is used. * `--text_encoder_lr1=1e-5` * Learning rate for LoRA modules in **Text Encoder 1 (OpenCLIP ViT-G/14)**. If not specified, the value of `--learning_rate` is used. A smaller value than U-Net is recommended. * `--text_encoder_lr2=1e-5` * Learning rate for LoRA modules in **Text Encoder 2 (CLIP ViT-L/14)**. If not specified, the value of `--learning_rate` is used. A smaller value than U-Net is recommended. * `--optimizer_type="AdamW8bit"` * Common with `train_network.py`. * `--lr_scheduler="constant"` * Common with `train_network.py`. * `--lr_warmup_steps` * Common with `train_network.py`. * `--max_train_steps`, `--max_train_epochs` * Common with `train_network.py`. * `--mixed_precision="bf16"` * Mixed precision training setting. For SDXL, `bf16` or `fp16` is recommended. Choose the one supported by your GPU. This reduces VRAM usage and improves training speed. * `--gradient_accumulation_steps=1` * Common with `train_network.py`. * `--gradient_checkpointing` * Common with `train_network.py`. Recommended to enable for SDXL due to its high memory consumption. * `--cache_latents` * Caches VAE outputs in memory (or on disk when `--cache_latents_to_disk` is specified). By skipping VAE computation, this reduces VRAM usage and speeds up training. Image augmentations (`--color_aug`, `--flip_aug`, `--random_crop`, etc.) are disabled. This option is recommended for SDXL training. * `--cache_latents_to_disk` * Used with `--cache_latents`, caches to disk. When loading the dataset for the first time, VAE outputs are cached to disk. This is recommended when you have a large number of training images, as it allows you to skip VAE computation on subsequent training runs. * `--cache_text_encoder_outputs` * Caches Text Encoder outputs in memory (or on disk when `--cache_text_encoder_outputs_to_disk` is specified). By skipping Text Encoder computation, this reduces VRAM usage and speeds up training. Caption augmentations (`--shuffle_caption`, `--caption_dropout_rate`, etc.) are disabled. * **Note:** When using this option, LoRA modules for Text Encoder cannot be trained (`--network_train_unet_only` must be specified). * `--cache_text_encoder_outputs_to_disk` * Used with `--cache_text_encoder_outputs`, caches to disk. * `--no_half_vae` * Runs VAE in `float32` even when using mixed precision (`fp16`/`bf16`). Since SDXL's VAE can be unstable in `float16`, enable this when using `fp16`. * `--clip_skip` * Not normally used for SDXL. No need to specify. * `--fused_backward_pass` * Fuses gradient computation and optimizer steps to reduce VRAM usage. Available for SDXL. (Currently only supports the `Adafactor` optimizer) #### Others / その他 * `--seed`, `--logging_dir`, `--log_prefix`, etc. are common with `train_network.py`.
日本語 #### モデル関連 * `--pretrained_model_name_or_path="<モデルのパス>"` **[必須]** * 学習のベースとなる **SDXL モデル**を指定します。Hugging Face Hub のモデル ID (例: `"stabilityai/stable-diffusion-xl-base-1.0"`) や、ローカルの Diffusers 形式モデルのディレクトリ、`.safetensors` ファイルのパスを指定できます。 * `--v2`, `--v_parameterization` * これらの引数は SD1.x/2.x 用です。`sdxl_train_network.py` を使用する場合、SDXL モデルであることが前提となるため、通常は**指定する必要はありません**。 #### データセット関連 * `--dataset_config="<設定ファイルのパス>"` * `train_network.py` と共通です。 * SDXL では高解像度データやバケツ機能 (`.toml` で `enable_bucket = true` を指定) の利用が一般的です。 #### 出力・保存関連 * `train_network.py` と共通です。 #### LoRA パラメータ * `train_network.py` と共通です。 #### 学習パラメータ * `--learning_rate=1e-4` * 全体の学習率。`unet_lr`, `text_encoder_lr1`, `text_encoder_lr2` が指定されない場合のデフォルト値となります。 * `--unet_lr=1e-4` * U-Net 部分の LoRA モジュールに対する学習率。指定しない場合は `--learning_rate` の値が使用されます。 * `--text_encoder_lr1=1e-5` * **Text Encoder 1 (OpenCLIP ViT-G/14) の LoRA モジュール**に対する学習率。指定しない場合は `--learning_rate` の値が使用されます。U-Net より小さめの値が推奨されます。 * `--text_encoder_lr2=1e-5` * **Text Encoder 2 (CLIP ViT-L/14) の LoRA モジュール**に対する学習率。指定しない場合は `--learning_rate` の値が使用されます。U-Net より小さめの値が推奨されます。 * `--optimizer_type="AdamW8bit"` * `train_network.py` と共通です。 * `--lr_scheduler="constant"` * `train_network.py` と共通です。 * `--lr_warmup_steps` * `train_network.py` と共通です。 * `--max_train_steps`, `--max_train_epochs` * `train_network.py` と共通です。 * `--mixed_precision="bf16"` * 混合精度学習の設定。SDXL では `bf16` または `fp16` の使用が推奨されます。GPU が対応している方を選択してください。VRAM 使用量を削減し、学習速度を向上させます。 * `--gradient_accumulation_steps=1` * `train_network.py` と共通です。 * `--gradient_checkpointing` * `train_network.py` と共通です。SDXL はメモリ消費が大きいため、有効にすることが推奨されます。 * `--cache_latents` * VAE の出力をメモリ（または `--cache_latents_to_disk` 指定時はディスク）にキャッシュします。VAE の計算を省略できるため、VRAM 使用量を削減し、学習を高速化できます。画像に対する Augmentation (`--color_aug`, `--flip_aug`, `--random_crop` 等) が無効になります。SDXL 学習では推奨されるオプションです。 * `--cache_latents_to_disk` * `--cache_latents` と併用し、キャッシュ先をディスクにします。データセットを最初に読み込む際に、VAE の出力をディスクにキャッシュします。二回目以降の学習で VAE の計算を省略できるため、学習データの枚数が多い場合に推奨されます。 * `--cache_text_encoder_outputs` * Text Encoder の出力をメモリ（または `--cache_text_encoder_outputs_to_disk` 指定時はディスク）にキャッシュします。Text Encoder の計算を省略できるため、VRAM 使用量を削減し、学習を高速化できます。キャプションに対する Augmentation (`--shuffle_caption`, `--caption_dropout_rate` 等) が無効になります。 * **注意:** このオプションを使用する場合、Text Encoder の LoRA モジュールは学習できません (`--network_train_unet_only` の指定が必須です)。 * `--cache_text_encoder_outputs_to_disk` * `--cache_text_encoder_outputs` と併用し、キャッシュ先をディスクにします。 * `--no_half_vae` * 混合精度 (`fp16`/`bf16`) 使用時でも VAE を `float32` で動作させます。SDXL の VAE は `float16` で不安定になることがあるため、`fp16` 指定時には有効にしてください。 * `--clip_skip` * SDXL では通常使用しません。指定は不要です。 * `--fused_backward_pass` * 勾配計算とオプティマイザのステップを融合し、VRAM使用量を削減します。SDXLで利用可能です。（現在 `Adafactor` オプティマイザのみ対応） #### その他 * `--seed`, `--logging_dir`, `--log_prefix` などは `train_network.py` と共通です。
### 3.2. Starting the Training / 学習の開始 After setting the necessary arguments, execute the command to start training. The training progress will be displayed on the console. The basic flow is the same as with `train_network.py`.
日本語 必要な引数を設定し、コマンドを実行すると学習が開始されます。学習の進行状況はコンソールに出力されます。基本的な流れは `train_network.py` と同じです。
## 4. Using the Trained Model / 学習済みモデルの利用 When training is complete, a LoRA model file (`.safetensors`, etc.) with the name specified by `output_name` will be saved in the directory specified by `output_dir`. This file can be used with GUI tools that support SDXL, such as AUTOMATIC1111/stable-diffusion-webui and ComfyUI.
日本語 学習が完了すると、`output_dir` で指定したディレクトリに、`output_name` で指定した名前の LoRA モデルファイル (`.safetensors` など) が保存されます。 このファイルは、AUTOMATIC1111/stable-diffusion-webui 、ComfyUI などの SDXL に対応した GUI ツールで利用できます。
## 5. Supplement: Main Differences from `train_network.py` / 補足: `train_network.py` との主な違い * **Target Model:** `sdxl_train_network.py` is exclusively for SDXL models. * **Text Encoder:** Since SDXL has two Text Encoders, there are differences in learning rate specifications (`--text_encoder_lr1`, `--text_encoder_lr2`), etc. * **Caching Features:** `--cache_text_encoder_outputs` is particularly effective for SDXL and is recommended. * **Recommended Settings:** Due to high VRAM usage, mixed precision (`bf16` or `fp16`), `gradient_checkpointing`, and caching features (`--cache_latents`, `--cache_text_encoder_outputs`) are recommended. When using `fp16`, it is recommended to run the VAE in `float32` with `--no_half_vae`. For other detailed options, please refer to the script's help (`python sdxl_train_network.py --help`) and other documents in the repository.
日本語 * **対象モデル:** `sdxl_train_network.py` は SDXL モデル専用です。 * **Text Encoder:** SDXL は 2 つの Text Encoder を持つため、学習率の指定 (`--text_encoder_lr1`, `--text_encoder_lr2`) などが異なります。 * **キャッシュ機能:** `--cache_text_encoder_outputs` は SDXL で特に効果が高く、推奨されます。 * **推奨設定:** VRAM 使用量が大きいため、`bf16` または `fp16` の混合精度、`gradient_checkpointing`、キャッシュ機能 (`--cache_latents`, `--cache_text_encoder_outputs`) の利用が推奨されます。`fp16` 指定時は、VAE は `--no_half_vae` で `float32` 動作を推奨します。 その他の詳細なオプションについては、スクリプトのヘルプ (`python sdxl_train_network.py --help`) やリポジトリ内の他のドキュメントを参照してください。
================================================ FILE: docs/train_README-ja.md ================================================ __ドキュメント更新中のため記述に誤りがあるかもしれません。__ # 学習について、共通編 当リポジトリではモデルのfine tuning、DreamBooth、およびLoRAとTextual Inversion（[XTI:P+](https://github.com/kohya-ss/sd-scripts/pull/327)を含む）の学習をサポートします。この文書ではそれらに共通する、学習データの準備方法やオプション等について説明します。 # 概要 あらかじめこのリポジトリのREADMEを参照し、環境整備を行ってください。 以下について説明します。 1. 学習データの準備について（設定ファイルを用いる新形式） 1. 学習で使われる用語のごく簡単な解説 1. 以前の指定形式（設定ファイルを用いずコマンドラインから指定） 1. 学習途中のサンプル画像生成 1. 各スクリプトで共通の、よく使われるオプション 1. fine tuning 方式のメタデータ準備：キャプションニングなど 1.だけ実行すればとりあえず学習は可能です（学習については各スクリプトのドキュメントを参照）。2.以降は必要に応じて参照してください。 # 学習データの準備について 任意のフォルダ（複数でも可）に学習データの画像ファイルを用意しておきます。`.png`, `.jpg`, `.jpeg`, `.webp`, `.bmp` をサポートします。リサイズなどの前処理は基本的に必要ありません。 ただし学習解像度（後述）よりも極端に小さい画像は使わないか、あらかじめ超解像AIなどで拡大しておくことをお勧めします。また極端に大きな画像（3000x3000ピクセル程度？）よりも大きな画像はエラーになる場合があるようですので事前に縮小してください。 学習時には、モデルに学ばせる画像データを整理し、スクリプトに対して指定する必要があります。学習データの数、学習対象、キャプション（画像の説明）が用意できるか否かなどにより、いくつかの方法で学習データを指定できます。以下の方式があります（それぞれの名前は一般的なものではなく、当リポジトリ独自の定義です）。正則化画像については後述します。 1. DreamBooth、class+identifier方式（正則化画像使用可） 特定の単語 (identifier) に学習対象を紐づけるように学習します。キャプションを用意する必要はありません。たとえば特定のキャラを学ばせる場合に使うとキャプションを用意する必要がない分、手軽ですが、髪型や服装、背景など学習データの全要素が identifier に紐づけられて学習されるため、生成時のプロンプトで服が変えられない、といった事態も起こりえます。 1. DreamBooth、キャプション方式（正則化画像使用可） 画像ごとにキャプションが記録されたテキストファイルを用意して学習します。たとえば特定のキャラを学ばせると、画像の詳細をキャプションに記述することで（白い服を着たキャラA、赤い服を着たキャラA、など）キャラとそれ以外の要素が分離され、より厳密にモデルがキャラだけを学ぶことが期待できます。 1. fine tuning方式（正則化画像使用不可） あらかじめキャプションをメタデータファイルにまとめます。タグとキャプションを分けて管理したり、学習を高速化するためlatentsを事前キャッシュしたりなどの機能をサポートします（いずれも別文書で説明しています）。（fine tuning方式という名前ですが fine tuning 以外でも使えます。） 学習したいものと使用できる指定方法の組み合わせは以下の通りです。 | 学習対象または方法 | スクリプト | DB / class+identifier | DB / キャプション | fine tuning | | ----- | ----- | ----- | ----- | ----- | | モデルをfine tuning | `fine_tune.py`| x | x | o | | モデルをDreamBooth | `train_db.py`| o | o | x | | LoRA | `train_network.py`| o | o | o | | Textual Invesion | `train_textual_inversion.py`| o | o | o | ## どれを選ぶか LoRA、Textual Inversionについては、手軽にキャプションファイルを用意せずに学習したい場合はDreamBooth class+identifier、用意できるならDreamBooth キャプション方式がよいでしょう。学習データの枚数が多く、かつ正則化画像を使用しない場合はfine tuning方式も検討してください。 DreamBoothについても同様ですが、fine tuning方式は使えません。fine tuningの場合はfine tuning方式のみです。 # 各方式の指定方法について ここではそれぞれの指定方法で典型的なパターンについてだけ説明します。より詳細な指定方法については [データセット設定](./config_README-ja.md) をご覧ください。 # DreamBooth、class+identifier方式（正則化画像使用可） この方式では、各画像は `class identifier` というキャプションで学習されたのと同じことになります（`shs dog` など）。 ## step 1. identifierとclassを決める 学ばせたい対象を結びつける単語identifierと、対象の属するclassを決めます。 （instanceなどいろいろな呼び方がありますが、とりあえず元の論文に合わせます。） 以下ごく簡単に説明します（詳しくは調べてください）。 classは学習対象の一般的な種別です。たとえば特定の犬種を学ばせる場合には、classはdogになります。アニメキャラならモデルによりboyやgirl、1boyや1girlになるでしょう。 identifierは学習対象を識別して学習するためのものです。任意の単語で構いませんが、元論文によると「tokinizerで1トークンになる3文字以下でレアな単語」が良いとのことです。 identifierとclassを使い、たとえば「shs dog」などでモデルを学習することで、学習させたい対象をclassから識別して学習できます。 画像生成時には「shs dog」とすれば学ばせた犬種の画像が生成されます。 （identifierとして私が最近使っているものを参考までに挙げると、``shs sts scs cpc coc cic msm usu ici lvl cic dii muk ori hru rik koo yos wny`` などです。本当は Danbooru Tag に含まれないやつがより望ましいです。） ## step 2. 正則化画像を使うか否かを決め、使う場合には正則化画像を生成する 正則化画像とは、前述のclass全体が、学習対象に引っ張られることを防ぐための画像です（language drift）。正則化画像を使わないと、たとえば `shs 1girl` で特定のキャラクタを学ばせると、単なる `1girl` というプロンプトで生成してもそのキャラに似てきます。これは `1girl` が学習時のキャプションに含まれているためです。 学習対象の画像と正則化画像を同時に学ばせることで、class は class のままで留まり、identifier をプロンプトにつけた時だけ学習対象が生成されるようになります。 LoRAやDreamBoothで特定のキャラだけ出てくればよい場合は、正則化画像を用いなくても良いといえます。 Textual Inversionでは用いなくてよいでしょう（学ばせる token string がキャプションに含まれない場合はなにも学習されないため）。 正則化画像としては、学習対象のモデルで、class 名だけで生成した画像を用いるのが一般的です（たとえば `1girl`）。ただし生成画像の品質が悪い場合には、プロンプトを工夫したり、ネットから別途ダウンロードした画像を用いることもできます。 （正則化画像も学習されるため、その品質はモデルに影響します。） 一般的には数百枚程度、用意するのが望ましいようです（枚数が少ないと class 画像が一般化されずそれらの特徴を学んでしまいます）。 生成画像を使う場合、通常、生成画像のサイズは学習解像度（より正確にはbucketの解像度、後述）にあわせてください。 ## step 2. 設定ファイルの記述 テキストファイルを作成し、拡張子を `.toml` にします。たとえば以下のように記述します。 （`#` で始まっている部分はコメントですので、このままコピペしてそのままでもよいですし、削除しても問題ありません。） ```toml [general] enable_bucket = true # Aspect Ratio Bucketingを使うか否か [[datasets]] resolution = 512 # 学習解像度 batch_size = 4 # バッチサイズ [[datasets.subsets]] image_dir = 'C:\hoge' # 学習用画像を入れたフォルダを指定 class_tokens = 'hoge girl' # identifier class を指定 num_repeats = 10 # 学習用画像の繰り返し回数 # 以下は正則化画像を用いる場合のみ記述する。用いない場合は削除する [[datasets.subsets]] is_reg = true image_dir = 'C:\reg' # 正則化画像を入れたフォルダを指定 class_tokens = 'girl' # class を指定 num_repeats = 1 # 正則化画像の繰り返し回数、基本的には1でよい ``` 基本的には以下の場所のみ書き換えれば学習できます。 1. 学習解像度 数値1つを指定すると正方形（`512`なら512x512）、鍵カッコカンマ区切りで2つ指定すると横×縦（`[512,768]`なら512x768）になります。SD1.x系ではもともとの学習解像度は512です。`[512,768]` 等の大きめの解像度を指定すると縦長、横長画像生成時の破綻を小さくできるかもしれません。SD2.x 768系では `768` です。 1. バッチサイズ 同時に何件のデータを学習するかを指定します。GPUのVRAMサイズ、学習解像度によって変わってきます。詳しくは後述します。またfine tuning/DreamBooth/LoRA等でも変わってきますので各スクリプトの説明もご覧ください。 1. フォルダ指定 学習用画像、正則化画像（使用する場合のみ）のフォルダを指定します。画像データが含まれているフォルダそのものを指定します。 1. identifier と class の指定 前述のサンプルの通りです。 1. 繰り返し回数 後述します。 ### 繰り返し回数について 繰り返し回数は、正則化画像の枚数と学習用画像の枚数を調整するために用いられます。正則化画像の枚数は学習用画像よりも多いため、学習用画像を繰り返して枚数を合わせ、1対1の比率で学習できるようにします。 繰り返し回数は「 __学習用画像の繰り返し回数×学習用画像の枚数≧正則化画像の繰り返し回数×正則化画像の枚数__ 」となるように指定してください。 （1 epoch（データが一周すると1 epoch）のデータ数が「学習用画像の繰り返し回数×学習用画像の枚数」となります。正則化画像の枚数がそれより多いと、余った部分の正則化画像は使用されません。） ## step 3. 学習 それぞれのドキュメントを参考に学習を行ってください。 # DreamBooth、キャプション方式（正則化画像使用可） この方式では各画像はキャプションで学習されます。 ## step 1. キャプションファイルを準備する 学習用画像のフォルダに、画像と同じファイル名で、拡張子 `.caption`（設定で変えられます）のファイルを置いてください。それぞれのファイルは1行のみとしてください。エンコーディングは `UTF-8` です。 ## step 2. 正則化画像を使うか否かを決め、使う場合には正則化画像を生成する class+identifier形式と同様です。なお正則化画像にもキャプションを付けることができますが、通常は不要でしょう。 ## step 2. 設定ファイルの記述 テキストファイルを作成し、拡張子を `.toml` にします。たとえば以下のように記述します。 ```toml [general] enable_bucket = true # Aspect Ratio Bucketingを使うか否か [[datasets]] resolution = 512 # 学習解像度 batch_size = 4 # バッチサイズ [[datasets.subsets]] image_dir = 'C:\hoge' # 学習用画像を入れたフォルダを指定 caption_extension = '.caption' # キャプションファイルの拡張子　.txt を使う場合には書き換える num_repeats = 10 # 学習用画像の繰り返し回数 # 以下は正則化画像を用いる場合のみ記述する。用いない場合は削除する [[datasets.subsets]] is_reg = true image_dir = 'C:\reg' # 正則化画像を入れたフォルダを指定 class_tokens = 'girl' # class を指定 num_repeats = 1 # 正則化画像の繰り返し回数、基本的には1でよい ``` 基本的には以下を場所のみ書き換えれば学習できます。特に記述がない部分は class+identifier 方式と同じです。 1. 学習解像度 1. バッチサイズ 1. フォルダ指定 1. キャプションファイルの拡張子 任意の拡張子を指定できます。 1. 繰り返し回数 ## step 3. 学習 それぞれのドキュメントを参考に学習を行ってください。 # fine tuning 方式 ## step 1. メタデータを準備する キャプションやタグをまとめた管理用ファイルをメタデータと呼びます。json形式で拡張子は `.json` です。作成方法は長くなりますのでこの文書の末尾に書きました。 ## step 2. 設定ファイルの記述 テキストファイルを作成し、拡張子を `.toml` にします。たとえば以下のように記述します。 ```toml [general] shuffle_caption = true keep_tokens = 1 [[datasets]] resolution = 512 # 学習解像度 batch_size = 4 # バッチサイズ [[datasets.subsets]] image_dir = 'C:\piyo' # 学習用画像を入れたフォルダを指定 metadata_file = 'C:\piyo\piyo_md.json' # メタデータファイル名 ``` 基本的には以下を場所のみ書き換えれば学習できます。特に記述がない部分は DreamBooth, class+identifier 方式と同じです。 1. 学習解像度 1. バッチサイズ 1. フォルダ指定 1. メタデータファイル名 後述の方法で作成したメタデータファイルを指定します。 ## step 3. 学習 それぞれのドキュメントを参考に学習を行ってください。 # 学習で使われる用語のごく簡単な解説 細かいことは省略していますし私も完全には理解していないため、詳しくは各自お調べください。 ## fine tuning（ファインチューニング） モデルを学習して微調整することを指します。使われ方によって意味が異なってきますが、狭義のfine tuningはStable Diffusionの場合、モデルを画像とキャプションで学習することです。DreamBoothは狭義のfine tuningのひとつの特殊なやり方と言えます。広義のfine tuningは、LoRAやTextual Inversion、Hypernetworksなどを含み、モデルを学習することすべてを含みます。 ## ステップ ざっくりいうと学習データで1回計算すると1ステップです。「学習データのキャプションを今のモデルに流してみて、出てくる画像を学習データの画像と比較し、学習データに近づくようにモデルをわずかに変更する」のが1ステップです。 ## バッチサイズ バッチサイズは1ステップで何件のデータをまとめて計算するかを指定する値です。まとめて計算するため速度は相対的に向上します。また一般的には精度も高くなるといわれています。 `バッチサイズ×ステップ数` が学習に使われるデータの件数になります。そのため、バッチサイズを増やした分だけステップ数を減らすとよいでしょう。 （ただし、たとえば「バッチサイズ1で1600ステップ」と「バッチサイズ4で400ステップ」は同じ結果にはなりません。同じ学習率の場合、一般的には後者のほうが学習不足になります。学習率を多少大きくするか（たとえば `2e-6` など）、ステップ数をたとえば500ステップにするなどして工夫してください。） バッチサイズを大きくするとその分だけGPUメモリを消費します。メモリが足りなくなるとエラーになりますし、エラーにならないギリギリでは学習速度が低下します。タスクマネージャーや `nvidia-smi` コマンドで使用メモリ量を確認しながら調整するとよいでしょう。 なお、バッチは「一塊のデータ」位の意味です。 ## 学習率 ざっくりいうと1ステップごとにどのくらい変化させるかを表します。大きな値を指定するとそれだけ速く学習が進みますが、変化しすぎてモデルが壊れたり、最適な状態にまで至れない場合があります。小さい値を指定すると学習速度は遅くなり、また最適な状態にやはり至れない場合があります。 fine tuning、DreamBoooth、LoRAそれぞれで大きく異なり、また学習データや学習させたいモデル、バッチサイズやステップ数によっても変わってきます。一般的な値から初めて学習状態を見ながら増減してください。 デフォルトでは学習全体を通して学習率は固定です。スケジューラの指定で学習率をどう変化させるか決められますので、それらによっても結果は変わってきます。 ## エポック（epoch） 学習データが一通り学習されると（データが一周すると）1 epochです。繰り返し回数を指定した場合は、その繰り返し後のデータが一周すると1 epochです。 1 epochのステップ数は、基本的には `データ件数÷バッチサイズ` ですが、Aspect Ratio Bucketing を使うと微妙に増えます（異なるbucketのデータは同じバッチにできないため、ステップ数が増えます）。 ## Aspect Ratio Bucketing Stable Diffusion のv1は512\*512で学習されていますが、それに加えて256\*1024や384\*640といった解像度でも学習します。これによりトリミングされる部分が減り、より正しくキャプションと画像の関係が学習されることが期待されます。 また任意の解像度で学習するため、事前に画像データの縦横比を統一しておく必要がなくなります。 設定で有効、無効が切り替えられますが、ここまでの設定ファイルの記述例では有効になっています（`true` が設定されています）。 学習解像度はパラメータとして与えられた解像度の面積（＝メモリ使用量）を超えない範囲で、64ピクセル単位（デフォルト、変更可）で縦横に調整、作成されます。 機械学習では入力サイズをすべて統一するのが一般的ですが、特に制約があるわけではなく、実際は同一のバッチ内で統一されていれば大丈夫です。NovelAIの言うbucketingは、あらかじめ教師データを、アスペクト比に応じた学習解像度ごとに分類しておくことを指しているようです。そしてバッチを各bucket内の画像で作成することで、バッチの画像サイズを統一します。 # 以前の指定形式（設定ファイルを用いずコマンドラインから指定） `.toml` ファイルを指定せずコマンドラインオプションで指定する方法です。DreamBooth class+identifier方式、DreamBooth キャプション方式、fine tuning方式があります。 ## DreamBooth、class+identifier方式 フォルダ名で繰り返し回数を指定します。また `train_data_dir` オプションと `reg_data_dir` オプションを用います。 ### step 1. 学習用画像の準備 学習用画像を格納するフォルダを作成します。 __さらにその中に__ 、以下の名前でディレクトリを作成します。 ``` <繰り返し回数>_ ``` 間の``_``を忘れないでください。 たとえば「sls frog」というプロンプトで、データを20回繰り返す場合、「20_sls frog」となります。以下のようになります。 ![image](https://user-images.githubusercontent.com/52813779/210770636-1c851377-5936-4c15-90b7-8ac8ad6c2074.png) ### 複数class、複数対象（identifier）の学習 方法は単純で、学習用画像のフォルダ内に ``繰り返し回数_ `` のフォルダを複数、正則化画像フォルダにも同様に ``繰り返し回数_`` のフォルダを複数、用意してください。 たとえば「sls frog」と「cpc rabbit」を同時に学習する場合、以下のようになります。 ![image](https://user-images.githubusercontent.com/52813779/210777933-a22229db-b219-4cd8-83ca-e87320fc4192.png) classがひとつで対象が複数の場合、正則化画像フォルダはひとつで構いません。たとえば1girlにキャラAとキャラBがいる場合は次のようにします。 - train_girls - 10_sls 1girl - 10_cpc 1girl - reg_girls - 1_1girl ### step 2. 正則化画像の準備 正則化画像を使う場合の手順です。 正則化画像を格納するフォルダを作成します。 __さらにその中に__ ``<繰り返し回数>_`` という名前でディレクトリを作成します。 たとえば「frog」というプロンプトで、データを繰り返さない（1回だけ）場合、以下のようになります。 ![image](https://user-images.githubusercontent.com/52813779/210770897-329758e5-3675-49f1-b345-c135f1725832.png) ### step 3. 学習の実行 各学習スクリプトを実行します。 `--train_data_dir` オプションで前述の学習用データのフォルダを（__画像を含むフォルダではなく、その親フォルダ__）、`--reg_data_dir` オプションで正則化画像のフォルダ（__画像を含むフォルダではなく、その親フォルダ__）を指定してください。 ## DreamBooth、キャプション方式 学習用画像、正則化画像のフォルダに、画像と同じファイル名で、拡張子.caption（オプションで変えられます）のファイルを置くと、そのファイルからキャプションを読み込みプロンプトとして学習します。 ※それらの画像の学習に、フォルダ名（identifier class）は使用されなくなります。 キャプションファイルの拡張子はデフォルトで.captionです。学習スクリプトの `--caption_extension` オプションで変更できます。`--shuffle_caption` オプションで学習時のキャプションについて、カンマ区切りの各部分をシャッフルしながら学習します。 ## fine tuning 方式 メタデータを作るところまでは設定ファイルを使う場合と同様です。`in_json` オプションでメタデータファイルを指定します。 # 学習途中でのサンプル出力 学習中のモデルで試しに画像生成することで学習の進み方を確認できます。学習スクリプトに以下のオプションを指定します。 - `--sample_every_n_steps` / `--sample_every_n_epochs` サンプル出力するステップ数またはエポック数を指定します。この数ごとにサンプル出力します。両方指定するとエポック数が優先されます。 - `--sample_at_first` 学習開始前にサンプル出力します。学習前との比較ができます。 - `--sample_prompts` サンプル出力用プロンプトのファイルを指定します。 - `--sample_sampler` サンプル出力に使うサンプラーを指定します。 `'ddim', 'pndm', 'heun', 'dpmsolver', 'dpmsolver++', 'dpmsingle', 'k_lms', 'k_euler', 'k_euler_a', 'k_dpm_2', 'k_dpm_2_a'`が選べます。 サンプル出力を行うにはあらかじめプロンプトを記述したテキストファイルを用意しておく必要があります。1行につき1プロンプトで記述します。 たとえば以下のようになります。 ```txt # prompt 1 masterpiece, best quality, 1girl, in white shirts, upper body, looking at viewer, simple background --n low quality, worst quality, bad anatomy,bad composition, poor, low effort --w 768 --h 768 --d 1 --l 7.5 --s 28 # prompt 2 masterpiece, best quality, 1boy, in business suit, standing at street, looking back --n low quality, worst quality, bad anatomy,bad composition, poor, low effort --w 576 --h 832 --d 2 --l 5.5 --s 40 ``` 先頭が `#` の行はコメントになります。`--n` のように 「`--` + 英小文字」で生成画像へのオプションを指定できます。以下が使えます。 - `--n` 次のオプションまでをネガティブプロンプトとします。 - `--w` 生成画像の横幅を指定します。 - `--h` 生成画像の高さを指定します。 - `--d` 生成画像のseedを指定します。 - `--l` 生成画像のCFG scaleを指定します。 - `--s` 生成時のステップ数を指定します。 # 各スクリプトで共通の、よく使われるオプション スクリプトの更新後、ドキュメントの更新が追い付いていない場合があります。その場合は `--help` オプションで使用できるオプションを確認してください。 ## 学習に使うモデル指定 - `--v2` / `--v_parameterization` 学習対象モデルとしてHugging Faceのstable-diffusion-2-base、またはそこからのfine tuningモデルを使う場合（推論時に `v2-inference.yaml` を使うように指示されているモデルの場合）は `--v2` オプションを、stable-diffusion-2や768-v-ema.ckpt、およびそれらのfine tuningモデルを使う場合（推論時に `v2-inference-v.yaml` を使うモデルの場合）は `--v2` と `--v_parameterization` の両方のオプションを指定してください。 Stable Diffusion 2.0では大きく以下の点が変わっています。 1. 使用するTokenizer 2. 使用するText Encoderおよび使用する出力層（2.0は最後から二番目の層を使う） 3. Text Encoderの出力次元数（768->1024） 4. U-Netの構造（CrossAttentionのhead数など） 5. v-parameterization（サンプリング方法が変更されているらしい） このうちbaseでは1～4が、baseのつかない方（768-v）では1～5が採用されています。1～4を有効にするのがv2オプション、5を有効にするのがv_parameterizationオプションです。 - `--pretrained_model_name_or_path` 追加学習を行う元となるモデルを指定します。Stable Diffusionのcheckpointファイル（.ckptまたは.safetensors）、Diffusersのローカルディスクにあるモデルディレクトリ、DiffusersのモデルID（"stabilityai/stable-diffusion-2"など）が指定できます。 ## 学習に関する設定 - `--output_dir` 学習後のモデルを保存するフォルダを指定します。 - `--output_name` モデルのファイル名を拡張子を除いて指定します。 - `--dataset_config` データセットの設定を記述した `.toml` ファイルを指定します。 - `--max_train_steps` / `--max_train_epochs` 学習するステップ数やエポック数を指定します。両方指定するとエポック数のほうが優先されます。 - `--mixed_precision` 省メモリ化のため mixed precision （混合精度）で学習します。`--mixed_precision="fp16"` のように指定します。mixed precision なし（デフォルト）と比べて精度が低くなる可能性がありますが、学習に必要なGPUメモリ量が大きく減ります。 （RTX30 シリーズ以降では `bf16` も指定できます。環境整備時にaccelerateに行った設定と合わせてください）。 - `--gradient_checkpointing` 学習時の重みの計算をまとめて行うのではなく少しずつ行うことで、学習に必要なGPUメモリ量を減らします。オンオフは精度には影響しませんが、オンにするとバッチサイズを大きくできるため、そちらでの影響はあります。 また一般的にはオンにすると速度は低下しますが、バッチサイズを大きくできるので、トータルでの学習時間はむしろ速くなるかもしれません。 - `--xformers` / `--mem_eff_attn` xformersオプションを指定するとxformersのCrossAttentionを用います。xformersをインストールしていない場合やエラーとなる場合（環境にもよりますが `mixed_precision="no"` の場合など）、代わりに `mem_eff_attn` オプションを指定すると省メモリ版CrossAttentionを使用します（xformersよりも速度は遅くなります）。 - `--clip_skip` `2` を指定すると、Text Encoder (CLIP) の後ろから二番目の層の出力を用います。1またはオプション省略時は最後の層を用います。 ※SD2.0はデフォルトで後ろから二番目の層を使うため、SD2.0の学習では指定しないでください。 学習対象のモデルがもともと二番目の層を使うように学習されている場合は、2を指定するとよいでしょう。 そうではなく最後の層を使用していた場合はモデル全体がそれを前提に学習されています。そのため改めて二番目の層を使用して学習すると、望ましい学習結果を得るにはある程度の枚数の教師データ、長めの学習が必要になるかもしれません。 - `--max_token_length` デフォルトは75です。`150` または `225` を指定することでトークン長を拡張して学習できます。長いキャプションで学習する場合に指定してください。 ただし学習時のトークン拡張の仕様は Automatic1111 氏のWeb UIとは微妙に異なるため（分割の仕様など）、必要なければ75で学習することをお勧めします。 clip_skipと同様に、モデルの学習状態と異なる長さで学習するには、ある程度の教師データ枚数、長めの学習時間が必要になると思われます。 - `--weighted_captions` 指定するとAutomatic1111氏のWeb UIと同様の重み付きキャプションが有効になります。「Textual Inversion と XTI」以外の学習に使用できます。キャプションだけでなく DreamBooth 手法の token string でも有効です。 重みづけキャプションの記法はWeb UIとほぼ同じで、(abc)や[abc]、(abc:1.23)などが使用できます。入れ子も可能です。括弧内にカンマを含めるとプロンプトのshuffle/dropoutで括弧の対応付けがおかしくなるため、括弧内にはカンマを含めないでください。 - `--persistent_data_loader_workers` Windows環境で指定するとエポック間の待ち時間が大幅に短縮されます。 - `--max_data_loader_n_workers` データ読み込みのプロセス数を指定します。プロセス数が多いとデータ読み込みが速くなりGPUを効率的に利用できますが、メインメモリを消費します。デフォルトは「`8` または `CPU同時実行スレッド数-1` の小さいほう」なので、メインメモリに余裕がない場合や、GPU使用率が90%程度以上なら、それらの数値を見ながら `2` または `1` 程度まで下げてください。 - `--logging_dir` / `--log_prefix` 学習ログの保存に関するオプションです。logging_dirオプションにログ保存先フォルダを指定してください。TensorBoard形式のログが保存されます。 たとえば--logging_dir=logsと指定すると、作業フォルダにlogsフォルダが作成され、その中の日時フォルダにログが保存されます。 また--log_prefixオプションを指定すると、日時の前に指定した文字列が追加されます。「--logging_dir=logs --log_prefix=db_style1_」などとして識別用にお使いください。 TensorBoardでログを確認するには、別のコマンドプロンプトを開き、作業フォルダで以下のように入力します。 ``` tensorboard --logdir=logs ``` （tensorboardは環境整備時にあわせてインストールされると思いますが、もし入っていないなら `pip install tensorboard` で入れてください。） その後ブラウザを開き、http://localhost:6006/ へアクセスすると表示されます。 - `--log_with` / `--log_tracker_name` 学習ログの保存に関するオプションです。`tensorboard` だけでなく `wandb`への保存が可能です。詳細は [PR#428](https://github.com/kohya-ss/sd-scripts/pull/428)をご覧ください。 - `--noise_offset` こちらの記事の実装になります: https://www.crosslabs.org//blog/diffusion-with-offset-noise 全体的に暗い、明るい画像の生成結果が良くなる可能性があるようです。LoRA学習でも有効なようです。`0.1` 程度の値を指定するとよいようです。 - `--adaptive_noise_scale` （実験的オプション） Noise offsetの値を、latentsの各チャネルの平均値の絶対値に応じて自動調整するオプションです。`--noise_offset` と同時に指定することで有効になります。Noise offsetの値は `noise_offset + abs(mean(latents, dim=(2,3))) * adaptive_noise_scale` で計算されます。latentは正規分布に近いためnoise_offsetの1/10～同程度の値を指定するとよいかもしれません。 負の値も指定でき、その場合はnoise offsetは0以上にclipされます。 - `--multires_noise_iterations` / `--multires_noise_discount` Multi resolution noise (pyramid noise)の設定です。詳細は [PR#471](https://github.com/kohya-ss/sd-scripts/pull/471) およびこちらのページ [Multi-Resolution Noise for Diffusion Model Training](https://wandb.ai/johnowhitaker/multires_noise/reports/Multi-Resolution-Noise-for-Diffusion-Model-Training--VmlldzozNjYyOTU2) を参照してください。 `--multires_noise_iterations` に数値を指定すると有効になります。6~10程度の値が良いようです。`--multires_noise_discount` に0.1~0.3 程度の値（LoRA学習等比較的データセットが小さい場合のPR作者の推奨）、ないしは0.8程度の値（元記事の推奨）を指定してください（デフォルトは 0.3）。 - `--debug_dataset` このオプションを付けることで学習を行う前に事前にどのような画像データ、キャプションで学習されるかを確認できます。Escキーを押すと終了してコマンドラインに戻ります。`S`キーで次のステップ（バッチ）、`E`キーで次のエポックに進みます。 ※Linux環境（Colabを含む）では画像は表示されません。 - `--vae` vaeオプションにStable Diffusionのcheckpoint、VAEのcheckpointファイル、DiffusesのモデルまたはVAE（ともにローカルまたはHugging FaceのモデルIDが指定できます）のいずれかを指定すると、そのVAEを使って学習します（latentsのキャッシュ時または学習中のlatents取得時）。 DreamBoothおよびfine tuningでは、保存されるモデルはこのVAEを組み込んだものになります。 - `--cache_latents` / `--cache_latents_to_disk` 使用VRAMを減らすためVAEの出力をメインメモリにキャッシュします。`flip_aug` 以外のaugmentationは使えなくなります。また全体の学習速度が若干速くなります。 cache_latents_to_diskを指定するとキャッシュをディスクに保存します。スクリプトを終了し、再度起動した場合もキャッシュが有効になります。 - `--min_snr_gamma` Min-SNR Weighting strategyを指定します。詳細は[こちら](https://github.com/kohya-ss/sd-scripts/pull/308)を参照してください。論文では`5`が推奨されています。 ## モデルの保存に関する設定 - `--save_precision` 保存時のデータ精度を指定します。save_precisionオプションにfloat、fp16、bf16のいずれかを指定すると、その形式でモデルを保存します（DreamBooth、fine tuningでDiffusers形式でモデルを保存する場合は無効です）。モデルのサイズを削減したい場合などにお使いください。 - `--save_every_n_epochs` / `--save_state` / `--resume` save_every_n_epochsオプションに数値を指定すると、そのエポックごとに学習途中のモデルを保存します。 save_stateオプションを同時に指定すると、optimizer等の状態も含めた学習状態を合わせて保存します（保存したモデルからも学習再開できますが、それに比べると精度の向上、学習時間の短縮が期待できます）。保存先はフォルダになります。 学習状態は保存先フォルダに `-??????-state`（??????はエポック数）という名前のフォルダで出力されます。長時間にわたる学習時にご利用ください。 保存された学習状態から学習を再開するにはresumeオプションを使います。学習状態のフォルダ（`output_dir` ではなくその中のstateのフォルダ）を指定してください。 なおAcceleratorの仕様により、エポック数、global stepは保存されておらず、resumeしたときにも1からになりますがご容赦ください。 - `--save_every_n_steps` save_every_n_stepsオプションに数値を指定すると、そのステップごとに学習途中のモデルを保存します。save_every_n_epochsと同時に指定できます。 - `--save_model_as` （DreamBooth, fine tuning のみ） モデルの保存形式を`ckpt, safetensors, diffusers, diffusers_safetensors` から選べます。 `--save_model_as=safetensors` のように指定します。Stable Diffusion形式（ckptまたはsafetensors）を読み込み、Diffusers形式で保存する場合、不足する情報はHugging Faceからv1.5またはv2.1の情報を落としてきて補完します。 - `--huggingface_repo_id` 等 huggingface_repo_idが指定されているとモデル保存時に同時にHuggingFaceにアップロードします。アクセストークンの取り扱いに注意してください（HuggingFaceのドキュメントを参照してください）。 他の引数をたとえば以下のように指定してください。 - `--huggingface_repo_id "your-hf-name/your-model" --huggingface_path_in_repo "path" --huggingface_repo_type model --huggingface_repo_visibility private --huggingface_token hf_YourAccessTokenHere` huggingface_repo_visibilityに`public`を指定するとリポジトリが公開されます。省略時または`private`（などpublic以外）を指定すると非公開になります。 `--save_state`オプション指定時に`--save_state_to_huggingface`を指定するとstateもアップロードします。 `--resume`オプション指定時に`--resume_from_huggingface`を指定するとHuggingFaceからstateをダウンロードして再開します。その時の --resumeオプションは `--resume {repo_id}/{path_in_repo}:{revision}:{repo_type}`になります。 例: `--resume_from_huggingface --resume your-hf-name/your-model/path/test-000002-state:main:model` `--async_upload`オプションを指定するとアップロードを非同期で行います。 ## オプティマイザ関係 - `--optimizer_type` --オプティマイザの種類を指定します。以下が指定できます。 - AdamW : [torch.optim.AdamW](https://pytorch.org/docs/stable/generated/torch.optim.AdamW.html) - 過去のバージョンのオプション未指定時と同じ - AdamW8bit : 引数は同上 - PagedAdamW8bit : 引数は同上 - 過去のバージョンの--use_8bit_adam指定時と同じ - Lion : https://github.com/lucidrains/lion-pytorch - 過去のバージョンの--use_lion_optimizer指定時と同じ - Lion8bit : 引数は同上 - PagedLion8bit : 引数は同上 - SGDNesterov : [torch.optim.SGD](https://pytorch.org/docs/stable/generated/torch.optim.SGD.html), nesterov=True - SGDNesterov8bit : 引数は同上 - DAdaptation(DAdaptAdamPreprint) : https://github.com/facebookresearch/dadaptation - DAdaptAdam : 引数は同上 - DAdaptAdaGrad : 引数は同上 - DAdaptAdan : 引数は同上 - DAdaptAdanIP : 引数は同上 - DAdaptLion : 引数は同上 - DAdaptSGD : 引数は同上 - Prodigy : https://github.com/konstmish/prodigy - AdaFactor : [Transformers AdaFactor](https://huggingface.co/docs/transformers/main_classes/optimizer_schedules) - 任意のオプティマイザ - `--learning_rate` 学習率を指定します。適切な学習率は学習スクリプトにより異なりますので、それぞれの説明を参照してください。 - `--lr_scheduler` / `--lr_warmup_steps` / `--lr_scheduler_num_cycles` / `--lr_scheduler_power` 学習率のスケジューラ関連の指定です。 lr_schedulerオプションで学習率のスケジューラをlinear, cosine, cosine_with_restarts, polynomial, constant, constant_with_warmup, 任意のスケジューラから選べます。デフォルトはconstantです。 lr_warmup_stepsでスケジューラのウォームアップ（だんだん学習率を変えていく）ステップ数を指定できます。 lr_scheduler_num_cycles は cosine with restartsスケジューラでのリスタート回数、lr_scheduler_power は polynomialスケジューラでのpolynomial power です。 詳細については各自お調べください。 任意のスケジューラを使う場合、任意のオプティマイザと同様に、`--lr_scheduler_args`でオプション引数を指定してください。 ### オプティマイザの指定について オプティマイザのオプション引数は--optimizer_argsオプションで指定してください。key=valueの形式で、複数の値が指定できます。また、valueはカンマ区切りで複数の値が指定できます。たとえばAdamWオプティマイザに引数を指定する場合は、``--optimizer_args weight_decay=0.01 betas=.9,.999``のようになります。 オプション引数を指定する場合は、それぞれのオプティマイザの仕様をご確認ください。 一部のオプティマイザでは必須の引数があり、省略すると自動的に追加されます（SGDNesterovのmomentumなど）。コンソールの出力を確認してください。 D-Adaptationオプティマイザは学習率を自動調整します。学習率のオプションに指定した値は学習率そのものではなくD-Adaptationが決定した学習率の適用率になりますので、通常は1.0を指定してください。Text EncoderにU-Netの半分の学習率を指定したい場合は、``--text_encoder_lr=0.5 --unet_lr=1.0``と指定します。 AdaFactorオプティマイザはrelative_step=Trueを指定すると学習率を自動調整できます（省略時はデフォルトで追加されます）。自動調整する場合は学習率のスケジューラにはadafactor_schedulerが強制的に使用されます。またscale_parameterとwarmup_initを指定するとよいようです。 自動調整する場合のオプション指定はたとえば ``--optimizer_args "relative_step=True" "scale_parameter=True" "warmup_init=True"`` のようになります。 学習率を自動調整しない場合はオプション引数 ``relative_step=False`` を追加してください。その場合、学習率のスケジューラにはconstant_with_warmupが、また勾配のclip normをしないことが推奨されているようです。そのため引数は ``--optimizer_type=adafactor --optimizer_args "relative_step=False" --lr_scheduler="constant_with_warmup" --max_grad_norm=0.0`` のようになります。 ### 任意のオプティマイザを使う ``torch.optim`` のオプティマイザを使う場合にはクラス名のみを（``--optimizer_type=RMSprop``など）、他のモジュールのオプティマイザを使う時は「モジュール名.クラス名」を指定してください（``--optimizer_type=bitsandbytes.optim.lamb.LAMB``など）。 （内部でimportlibしているだけで動作は未確認です。必要ならパッケージをインストールしてください。） # メタデータファイルの作成 ## 教師データの用意 前述のように学習させたい画像データを用意し、任意のフォルダに入れてください。 たとえば以下のように画像を格納します。 ![教師データフォルダのスクショ](https://user-images.githubusercontent.com/52813779/208907739-8e89d5fa-6ca8-4b60-8927-f484d2a9ae04.png) ## 自動キャプショニング キャプションを使わずタグだけで学習する場合はスキップしてください。 また手動でキャプションを用意する場合、キャプションは教師データ画像と同じディレクトリに、同じファイル名、拡張子.caption等で用意してください。各ファイルは1行のみのテキストファイルとします。 ### BLIPによるキャプショニング 最新版ではBLIPのダウンロード、重みのダウンロード、仮想環境の追加は不要になりました。そのままで動作します。 finetuneフォルダ内のmake_captions.pyを実行します。 ``` python finetune\make_captions.py --batch_size <バッチサイズ> <教師データフォルダ> ``` バッチサイズ8、教師データを親フォルダのtrain_dataに置いた場合、以下のようになります。 ``` python finetune\make_captions.py --batch_size 8 ..\train_data ``` キャプションファイルが教師データ画像と同じディレクトリに、同じファイル名、拡張子.captionで作成されます。 batch_sizeはGPUのVRAM容量に応じて増減してください。大きいほうが速くなります（VRAM 12GBでももう少し増やせると思います）。 max_lengthオプションでキャプションの最大長を指定できます。デフォルトは75です。モデルをトークン長225で学習する場合には長くしても良いかもしれません。 caption_extensionオプションでキャプションの拡張子を変更できます。デフォルトは.captionです（.txtにすると後述のDeepDanbooruと競合します）。 複数の教師データフォルダがある場合には、それぞれのフォルダに対して実行してください。 なお、推論にランダム性があるため、実行するたびに結果が変わります。固定する場合には--seedオプションで `--seed 42` のように乱数seedを指定してください。 その他のオプションは `--help` でヘルプをご参照ください（パラメータの意味についてはドキュメントがまとまっていないようで、ソースを見るしかないようです）。 デフォルトでは拡張子.captionでキャプションファイルが生成されます。 ![captionが生成されたフォルダ](https://user-images.githubusercontent.com/52813779/208908845-48a9d36c-f6ee-4dae-af71-9ab462d1459e.png) たとえば以下のようなキャプションが付きます。 ![キャプションと画像](https://user-images.githubusercontent.com/52813779/208908947-af936957-5d73-4339-b6c8-945a52857373.png) ## DeepDanbooruによるタグ付け danbooruタグのタグ付け自体を行わない場合は「キャプションとタグ情報の前処理」に進んでください。 タグ付けはDeepDanbooruまたはWD14Taggerで行います。WD14Taggerのほうが精度が良いようです。WD14Taggerでタグ付けする場合は、次の章へ進んでください。 ### 環境整備 DeepDanbooru https://github.com/KichangKim/DeepDanbooru を作業フォルダにcloneしてくるか、zipをダウンロードして展開します。私はzipで展開しました。 またDeepDanbooruのReleasesのページ https://github.com/KichangKim/DeepDanbooru/releases の「DeepDanbooru Pretrained Model v3-20211112-sgd-e28」のAssetsから、deepdanbooru-v3-20211112-sgd-e28.zipをダウンロードしてきてDeepDanbooruのフォルダに展開します。 以下からダウンロードします。Assetsをクリックして開き、そこからダウンロードします。 ![DeepDanbooruダウンロードページ](https://user-images.githubusercontent.com/52813779/208909417-10e597df-7085-41ee-bd06-3e856a1339df.png) 以下のようなこういうディレクトリ構造にしてください ![DeepDanbooruのディレクトリ構造](https://user-images.githubusercontent.com/52813779/208909486-38935d8b-8dc6-43f1-84d3-fef99bc471aa.png) Diffusersの環境に必要なライブラリをインストールします。DeepDanbooruのフォルダに移動してインストールします（実質的にはtensorflow-ioが追加されるだけだと思います）。 ``` pip install -r requirements.txt ``` 続いてDeepDanbooru自体をインストールします。 ``` pip install . ``` 以上でタグ付けの環境整備は完了です。 ### タグ付けの実施 DeepDanbooruのフォルダに移動し、deepdanbooruを実行してタグ付けを行います。 ``` deepdanbooru evaluate <教師データフォルダ> --project-path deepdanbooru-v3-20211112-sgd-e28 --allow-folder --save-txt ``` 教師データを親フォルダのtrain_dataに置いた場合、以下のようになります。 ``` deepdanbooru evaluate ../train_data --project-path deepdanbooru-v3-20211112-sgd-e28 --allow-folder --save-txt ``` タグファイルが教師データ画像と同じディレクトリに、同じファイル名、拡張子.txtで作成されます。1件ずつ処理されるためわりと遅いです。 複数の教師データフォルダがある場合には、それぞれのフォルダに対して実行してください。 以下のように生成されます。 ![DeepDanbooruの生成ファイル](https://user-images.githubusercontent.com/52813779/208909855-d21b9c98-f2d3-4283-8238-5b0e5aad6691.png) こんな感じにタグが付きます（すごい情報量……）。 ![DeepDanbooruタグと画像](https://user-images.githubusercontent.com/52813779/208909908-a7920174-266e-48d5-aaef-940aba709519.png) ## WD14Taggerによるタグ付け DeepDanbooruの代わりにWD14Taggerを用いる手順です。 Automatic1111氏のWebUIで使用しているtaggerを利用します。こちらのgithubページ（https://github.com/toriato/stable-diffusion-webui-wd14-tagger#mrsmilingwolfs-model-aka-waifu-diffusion-14-tagger ）の情報を参考にさせていただきました。 最初の環境整備で必要なモジュールはインストール済みです。また重みはHugging Faceから自動的にダウンロードしてきます。 ### タグ付けの実施 スクリプトを実行してタグ付けを行います。 ``` python tag_images_by_wd14_tagger.py --batch_size <バッチサイズ> <教師データフォルダ> ``` 教師データを親フォルダのtrain_dataに置いた場合、以下のようになります。 ``` python tag_images_by_wd14_tagger.py --batch_size 4 ..\train_data ``` 初回起動時にはモデルファイルがwd14_tagger_modelフォルダに自動的にダウンロードされます（フォルダはオプションで変えられます）。以下のようになります。 ![ダウンロードされたファイル](https://user-images.githubusercontent.com/52813779/208910447-f7eb0582-90d6-49d3-a666-2b508c7d1842.png) タグファイルが教師データ画像と同じディレクトリに、同じファイル名、拡張子.txtで作成されます。 ![生成されたタグファイル](https://user-images.githubusercontent.com/52813779/208910534-ea514373-1185-4b7d-9ae3-61eb50bc294e.png) ![タグと画像](https://user-images.githubusercontent.com/52813779/208910599-29070c15-7639-474f-b3e4-06bd5a3df29e.png) threshオプションで、判定されたタグのconfidence（確信度）がいくつ以上でタグをつけるかが指定できます。デフォルトはWD14Taggerのサンプルと同じ0.35です。値を下げるとより多くのタグが付与されますが、精度は下がります。 batch_sizeはGPUのVRAM容量に応じて増減してください。大きいほうが速くなります（VRAM 12GBでももう少し増やせると思います）。caption_extensionオプションでタグファイルの拡張子を変更できます。デフォルトは.txtです。 model_dirオプションでモデルの保存先フォルダを指定できます。 またforce_downloadオプションを指定すると保存先フォルダがあってもモデルを再ダウンロードします。 複数の教師データフォルダがある場合には、それぞれのフォルダに対して実行してください。 ## キャプションとタグ情報の前処理 スクリプトから処理しやすいようにキャプションとタグをメタデータとしてひとつのファイルにまとめます。 ### キャプションの前処理 キャプションをメタデータに入れるには、作業フォルダ内で以下を実行してください（キャプションを学習に使わない場合は実行不要です）（実際は1行で記述します、以下同様）。`--full_path` オプションを指定してメタデータに画像ファイルの場所をフルパスで格納します。このオプションを省略すると相対パスで記録されますが、フォルダ指定が `.toml` ファイル内で別途必要になります。 ``` python merge_captions_to_metadata.py --full_path <教師データフォルダ> 　 --in_json <読み込むメタデータファイル名> <メタデータファイル名> ``` メタデータファイル名は任意の名前です。 教師データがtrain_data、読み込むメタデータファイルなし、メタデータファイルがmeta_cap.jsonの場合、以下のようになります。 ``` python merge_captions_to_metadata.py --full_path train_data meta_cap.json ``` caption_extensionオプションでキャプションの拡張子を指定できます。 複数の教師データフォルダがある場合には、full_path引数を指定しつつ、それぞれのフォルダに対して実行してください。 ``` python merge_captions_to_metadata.py --full_path train_data1 meta_cap1.json python merge_captions_to_metadata.py --full_path --in_json meta_cap1.json train_data2 meta_cap2.json ``` in_jsonを省略すると書き込み先メタデータファイルがあるとそこから読み込み、そこに上書きします。 __※in_jsonオプションと書き込み先を都度書き換えて、別のメタデータファイルへ書き出すようにすると安全です。__ ### タグの前処理 同様にタグもメタデータにまとめます（タグを学習に使わない場合は実行不要です）。 ``` python merge_dd_tags_to_metadata.py --full_path <教師データフォルダ> --in_json <読み込むメタデータファイル名> <書き込むメタデータファイル名> ``` 先と同じディレクトリ構成で、meta_cap.jsonを読み、meta_cap_dd.jsonに書きだす場合、以下となります。 ``` python merge_dd_tags_to_metadata.py --full_path train_data --in_json meta_cap.json meta_cap_dd.json ``` 複数の教師データフォルダがある場合には、full_path引数を指定しつつ、それぞれのフォルダに対して実行してください。 ``` python merge_dd_tags_to_metadata.py --full_path --in_json meta_cap2.json train_data1 meta_cap_dd1.json python merge_dd_tags_to_metadata.py --full_path --in_json meta_cap_dd1.json train_data2 meta_cap_dd2.json ``` in_jsonを省略すると書き込み先メタデータファイルがあるとそこから読み込み、そこに上書きします。 __※in_jsonオプションと書き込み先を都度書き換えて、別のメタデータファイルへ書き出すようにすると安全です。__ ### キャプションとタグのクリーニング ここまででメタデータファイルにキャプションとDeepDanbooruのタグがまとめられています。ただ自動キャプショニングにしたキャプションは表記ゆれなどがあり微妙（※）ですし、タグにはアンダースコアが含まれていたりratingが付いていたりしますので（DeepDanbooruの場合）、エディタの置換機能などを用いてキャプションとタグのクリーニングをしたほうがいいでしょう。 ※たとえばアニメ絵の少女を学習する場合、キャプションにはgirl/girls/woman/womenなどのばらつきがあります。また「anime girl」なども単に「girl」としたほうが適切かもしれません。 クリーニング用のスクリプトが用意してありますので、スクリプトの内容を状況に応じて編集してお使いください。 （教師データフォルダの指定は不要になりました。メタデータ内の全データをクリーニングします。） ``` python clean_captions_and_tags.py <読み込むメタデータファイル名> <書き込むメタデータファイル名> ``` --in_jsonは付きませんのでご注意ください。たとえば次のようになります。 ``` python clean_captions_and_tags.py meta_cap_dd.json meta_clean.json ``` 以上でキャプションとタグの前処理は完了です。 ## latentsの事前取得 ※ このステップは必須ではありません。省略しても学習時にlatentsを取得しながら学習できます。 また学習時に `random_crop` や `color_aug` などを行う場合にはlatentsの事前取得はできません（画像を毎回変えながら学習するため）。事前取得をしない場合、ここまでのメタデータで学習できます。 あらかじめ画像の潜在表現を取得しディスクに保存しておきます。それにより、学習を高速に進めることができます。あわせてbucketing（教師データをアスペクト比に応じて分類する）を行います。 作業フォルダで以下のように入力してください。 ``` python prepare_buckets_latents.py --full_path <教師データフォルダ> <読み込むメタデータファイル名> <書き込むメタデータファイル名> --batch_size <バッチサイズ> --max_resolution <解像度 幅,高さ> --mixed_precision <精度> ``` モデルがmodel.ckpt、バッチサイズ4、学習解像度は512\*512、精度no（float32）で、meta_clean.jsonからメタデータを読み込み、meta_lat.jsonに書き込む場合、以下のようになります。 ``` python prepare_buckets_latents.py --full_path train_data meta_clean.json meta_lat.json model.ckpt --batch_size 4 --max_resolution 512,512 --mixed_precision no ``` 教師データフォルダにnumpyのnpz形式でlatentsが保存されます。 解像度の最小サイズを--min_bucket_resoオプションで、最大サイズを--max_bucket_resoで指定できます。デフォルトはそれぞれ256、1024です。たとえば最小サイズに384を指定すると、256\*1024や320\*768などの解像度は使わなくなります。 解像度を768\*768のように大きくした場合、最大サイズに1280などを指定すると良いでしょう。 --flip_augオプションを指定すると左右反転のaugmentation（データ拡張）を行います。疑似的にデータ量を二倍に増やすことができますが、データが左右対称でない場合に指定すると（例えばキャラクタの外見、髪型など）学習がうまく行かなくなります。 （反転した画像についてもlatentsを取得し、\*\_flip.npzファイルを保存する単純な実装です。fline_tune.pyには特にオプション指定は必要ありません。\_flip付きのファイルがある場合、flip付き・なしのファイルを、ランダムに読み込みます。） バッチサイズはVRAM 12GBでももう少し増やせるかもしれません。 解像度は64で割り切れる数字で、"幅,高さ"で指定します。解像度はfine tuning時のメモリサイズに直結します。VRAM 12GBでは512,512が限界と思われます（※）。16GBなら512,704や512,768まで上げられるかもしれません。なお256,256等にしてもVRAM 8GBでは厳しいようです（パラメータやoptimizerなどは解像度に関係せず一定のメモリが必要なため）。 ※batch size 1の学習で12GB VRAM、640,640で動いたとの報告もありました。 以下のようにbucketingの結果が表示されます。 ![bucketingの結果](https://user-images.githubusercontent.com/52813779/208911419-71c00fbb-2ce6-49d5-89b5-b78d7715e441.png) 複数の教師データフォルダがある場合には、full_path引数を指定しつつ、それぞれのフォルダに対して実行してください。 ``` python prepare_buckets_latents.py --full_path train_data1 meta_clean.json meta_lat1.json model.ckpt --batch_size 4 --max_resolution 512,512 --mixed_precision no python prepare_buckets_latents.py --full_path train_data2 meta_lat1.json meta_lat2.json model.ckpt --batch_size 4 --max_resolution 512,512 --mixed_precision no ``` 読み込み元と書き込み先を同じにすることも可能ですが別々の方が安全です。 __※引数を都度書き換えて、別のメタデータファイルに書き込むと安全です。__ ================================================ FILE: docs/train_README-zh.md ================================================ __由于文档正在更新中，描述可能有错误。__ # 关于训练，通用描述 本库支持模型微调(fine tuning)、DreamBooth、训练LoRA和文本反转(Textual Inversion)（包括[XTI:P+](https://github.com/kohya-ss/sd-scripts/pull/327) ） 本文档将说明它们通用的训练数据准备方法和选项等。 # 概要 请提前参考本仓库的README，准备好环境。 以下本节说明。 1. 准备训练数据（使用设置文件的新格式） 1. 训练中使用的术语的简要解释 1. 先前的指定格式（不使用设置文件，而是从命令行指定） 1. 生成训练过程中的示例图像 1. 各脚本中常用的共同选项 1. 准备 fine tuning 方法的元数据：如说明文字(打标签)等 1. 如果只执行一次，训练就可以进行（相关内容，请参阅各个脚本的文档）。如果需要，以后可以随时参考。 # 关于准备训练数据 在任意文件夹（也可以是多个文件夹）中准备好训练数据的图像文件。支持 `.png`, `.jpg`, `.jpeg`, `.webp`, `.bmp` 格式的文件。通常不需要进行任何预处理，如调整大小等。 但是请勿使用极小的图像，若其尺寸比训练分辨率（稍后将提到）还小，建议事先使用超分辨率AI等进行放大。另外，请注意不要使用过大的图像（约为3000 x 3000像素以上），因为这可能会导致错误，建议事先缩小。 在训练时，需要整理要用于训练模型的图像数据，并将其指定给脚本。根据训练数据的数量、训练目标和说明（图像描述）是否可用等因素，可以使用几种方法指定训练数据。以下是其中的一些方法（每个名称都不是通用的，而是该存储库自定义的定义）。有关正则化图像的信息将在稍后提供。 1. DreamBooth、class + identifier方式（可使用正则化图像） 将训练目标与特定单词（identifier）相关联进行训练。无需准备说明。例如，当要学习特定角色时，由于无需准备说明，因此比较方便，但由于训练数据的所有元素都与identifier相关联，例如发型、服装、背景等，因此在生成时可能会出现无法更换服装的情况。 2. DreamBooth、说明方式（可使用正则化图像） 事先给每个图片写说明（caption），存放到文本文件中，然后进行训练。例如，通过将图像详细信息（如穿着白色衣服的角色A、穿着红色衣服的角色A等）记录在caption中，可以将角色和其他元素分离，并期望模型更准确地学习角色。 3. 微调方式（不可使用正则化图像） 先将说明收集到元数据文件中。支持分离标签和说明以及预先缓存latents等功能，以加速训练（这些将在另一篇文档中介绍）。（虽然名为fine tuning方式，但不仅限于fine tuning。） 训练对象和你可以使用的规范方法的组合如下。 | 训练对象或方法 | 脚本 | DB/class+identifier | DB/caption | fine tuning | |----------------| ----- | ----- | ----- | ----- | | fine tuning微调模型 | `fine_tune.py`| x | x | o | | DreamBooth训练模型 | `train_db.py`| o | o | x | | LoRA | `train_network.py`| o | o | o | | Textual Invesion | `train_textual_inversion.py`| o | o | o | ## 选择哪一个 如果您想要训练LoRA、Textual Inversion而不需要准备说明（caption）文件，则建议使用DreamBooth class+identifier。如果您能够准备caption文件，则DreamBooth Captions方法更好。如果您有大量的训练数据并且不使用正则化图像，则请考虑使用fine-tuning方法。 对于DreamBooth也是一样的，但不能使用fine-tuning方法。若要进行微调，只能使用fine-tuning方式。 # 每种方法的指定方式 在这里，我们只介绍每种指定方法的典型模式。有关更详细的指定方法，请参见[数据集设置](./config_README-ja.md)。 # DreamBooth，class+identifier方法（可使用正则化图像） 在该方法中，每个图像将被视为使用与 `class identifier` 相同的标题进行训练（例如 `shs dog`）。 这样一来，每张图片都相当于使用标题“分类标识”（例如“shs dog”）进行训练。 ## step 1.确定identifier和class 要将训练的目标与identifier和属于该目标的class相关联。 （虽然有很多称呼，但暂时按照原始论文的说法。） 以下是简要说明（请查阅详细信息）。 class是训练目标的一般类别。例如，如果要学习特定品种的狗，则class将是“dog”。对于动漫角色，根据模型不同，可能是“boy”或“girl”，也可能是“1boy”或“1girl”。 identifier是用于识别训练目标并进行学习的单词。可以使用任何单词，但是根据原始论文，“Tokenizer生成的3个或更少字符的罕见单词”是最好的选择。 使用identifier和class，例如，“shs dog”可以将模型训练为从class中识别并学习所需的目标。 在图像生成时，使用“shs dog”将生成所学习狗种的图像。 （作为identifier，我最近使用的一些参考是“shs sts scs cpc coc cic msm usu ici lvl cic dii muk ori hru rik koo yos wny”等。最好是不包含在Danbooru标签中的单词。） ## step 2. 决定是否使用正则化图像，并在使用时生成正则化图像 正则化图像是为防止前面提到的语言漂移，即整个类别被拉扯成为训练目标而生成的图像。如果不使用正则化图像，例如在 `shs 1girl` 中学习特定角色时，即使在简单的 `1girl` 提示下生成，也会越来越像该角色。这是因为 `1girl` 在训练时的标题中包含了该角色的信息。 通过同时学习目标图像和正则化图像，类别仍然保持不变，仅在将标识符附加到提示中时才生成目标图像。 如果您只想在LoRA或DreamBooth中使用特定的角色，则可以不使用正则化图像。 在Textual Inversion中也不需要使用（如果要学习的token string不包含在标题中，则不会学习任何内容）。 一般情况下，使用在训练目标模型时只使用类别名称生成的图像作为正则化图像是常见的做法（例如 `1girl`）。但是，如果生成的图像质量不佳，可以尝试修改提示或使用从网络上另外下载的图像。 （由于正则化图像也被训练，因此其质量会影响模型。） 通常，准备数百张图像是理想的（图像数量太少会导致类别图像无法被归纳，特征也不会被学习）。 如果要使用生成的图像，生成图像的大小通常应与训练分辨率（更准确地说，是bucket的分辨率，见下文）相匹配。 ## step 2. 设置文件的描述 创建一个文本文件，并将其扩展名更改为`.toml`。例如，您可以按以下方式进行描述： （以`＃`开头的部分是注释，因此您可以直接复制粘贴，或者将其删除。） ```toml [general] enable_bucket = true # 是否使用Aspect Ratio Bucketing [[datasets]] resolution = 512 # 训练分辨率 batch_size = 4 # 批次大小 [[datasets.subsets]] image_dir = 'C:\hoge' # 指定包含训练图像的文件夹 class_tokens = 'hoge girl' # 指定标识符类 num_repeats = 10 # 训练图像的重复次数 # 以下仅在使用正则化图像时进行描述。不使用则删除 [[datasets.subsets]] is_reg = true image_dir = 'C:\reg' # 指定包含正则化图像的文件夹 class_tokens = 'girl' # 指定class num_repeats = 1 # 正则化图像的重复次数，基本上1就可以了 ``` 基本上只需更改以下几个地方即可进行训练。 1. 训练分辨率 指定一个数字表示正方形（如果是 `512`，则为 512x512），如果使用方括号和逗号分隔的两个数字，则表示横向×纵向（如果是`[512,768]`，则为 512x768）。在SD1.x系列中，原始训练分辨率为512。指定较大的分辨率，如 `[512,768]` 可能会减少纵向和横向图像生成时的错误。在SD2.x 768系列中，分辨率为 `768`。 1. 批次大小 指定同时训练多少个数据。这取决于GPU的VRAM大小和训练分辨率。详细信息将在后面说明。此外，fine tuning/DreamBooth/LoRA等也会影响批次大小，请查看各个脚本的说明。 1. 文件夹指定 指定用于学习的图像和正则化图像（仅在使用时）的文件夹。指定包含图像数据的文件夹。 1. identifier 和 class 的指定 如前所述，与示例相同。 1. 重复次数 将在后面说明。 ### 关于重复次数 重复次数用于调整正则化图像和训练用图像的数量。由于正则化图像的数量多于训练用图像，因此需要重复使用训练用图像来达到一对一的比例，从而实现训练。 请将重复次数指定为“ __训练用图像的重复次数×训练用图像的数量≥正则化图像的重复次数×正则化图像的数量__ ”。 （1个epoch（指训练数据过完一遍）的数据量为“训练用图像的重复次数×训练用图像的数量”。如果正则化图像的数量多于这个值，则剩余的正则化图像将不会被使用。） ## 步骤 3. 训练 详情请参考相关文档进行训练。 # DreamBooth，文本说明（caption）方式（可使用正则化图像） 在此方式中，每个图像都将通过caption进行训练。 ## 步骤 1. 准备文本说明文件 请将与图像具有相同文件名且扩展名为 `.caption`（可以在设置中更改）的文件放置在用于训练图像的文件夹中。每个文件应该只有一行。编码为 `UTF-8`。 ## 步骤 2. 决定是否使用正则化图像，并在使用时生成正则化图像 与class+identifier格式相同。可以在规范化图像上附加caption，但通常不需要。 ## 步骤 2. 编写设置文件 创建一个文本文件并将扩展名更改为 `.toml`。例如，您可以按以下方式进行描述： ```toml [general] enable_bucket = true # 是否使用Aspect Ratio Bucketing [[datasets]] resolution = 512 # 训练分辨率 batch_size = 4 # 批次大小 [[datasets.subsets]] image_dir = 'C:\hoge' # 指定包含训练图像的文件夹 caption_extension = '.caption' # 若使用txt文件,更改此项 num_repeats = 10 # 训练图像的重复次数 # 以下仅在使用正则化图像时进行描述。不使用则删除 [[datasets.subsets]] is_reg = true image_dir = 'C:\reg' # 指定包含正则化图像的文件夹 class_tokens = 'girl' # 指定class num_repeats = 1 # 正则化图像的重复次数，基本上1就可以了 ``` 基本上只需更改以下几个地方来训练。除非另有说明，否则与class+identifier方法相同。 1. 训练分辨率 2. 批次大小 3. 文件夹指定 4. caption文件的扩展名 可以指定任意的扩展名。 5. 重复次数 ## 步骤 3. 训练 详情请参考相关文档进行训练。 # 微调方法(fine tuning) ## 步骤 1. 准备元数据 将caption和标签整合到管理文件中称为元数据。它的扩展名为 `.json`，格式为json。由于创建方法较长，因此在本文档的末尾进行描述。 ## 步骤 2. 编写设置文件 创建一个文本文件，将扩展名设置为 `.toml`。例如，可以按以下方式编写： ```toml [general] shuffle_caption = true keep_tokens = 1 [[datasets]] resolution = 512 # 图像分辨率 batch_size = 4 # 批次大小 [[datasets.subsets]] image_dir = 'C:\piyo' # 指定包含训练图像的文件夹 metadata_file = 'C:\piyo\piyo_md.json' # 元数据文件名 ``` 基本上只需更改以下几个地方来训练。除非另有说明，否则与DreamBooth, class+identifier方法相同。 1. 训练分辨率 2. 批次大小 3. 指定文件夹 4. 元数据文件名 指定使用后面所述方法创建的元数据文件。 ## 第三步：训练 详情请参考相关文档进行训练。 # 训练中使用的术语简单解释 由于省略了细节并且我自己也没有完全理解，因此请自行查阅详细信息。 ## 微调（fine tuning） 指训练模型并微调其性能。具体含义因用法而异，但在 Stable Diffusion 中，狭义的微调是指使用图像和caption进行训练模型。DreamBooth 可视为狭义微调的一种特殊方法。广义的微调包括 LoRA、Textual Inversion、Hypernetworks 等，包括训练模型的所有内容。 ## 步骤（step） 粗略地说，每次在训练数据上进行一次计算即为一步。具体来说，“将训练数据的caption传递给当前模型，将生成的图像与训练数据的图像进行比较，稍微更改模型，以使其更接近训练数据”即为一步。 ## 批次大小（batch size） 批次大小指定每个步骤要计算多少数据。批次计算可以提高速度。一般来说，批次大小越大，精度也越高。 “批次大小×步数”是用于训练的数据数量。因此，建议减少步数以增加批次大小。 （但是，例如，“批次大小为 1，步数为 1600”和“批次大小为 4，步数为 400”将不会产生相同的结果。如果使用相同的学习速率，通常后者会导致模型欠拟合。请尝试增加学习率（例如 `2e-6`），将步数设置为 500 等。） 批次大小越大，GPU 内存消耗就越大。如果内存不足，将导致错误，或者在边缘时将导致训练速度降低。建议在任务管理器或 `nvidia-smi` 命令中检查使用的内存量进行调整。 注意，一个批次是指“一个数据单位”。 ## 学习率 学习率指的是每个步骤中改变的程度。如果指定一个大的值，学习速度就会加快，但是可能会出现变化太大导致模型崩溃或无法达到最佳状态的情况。如果指定一个小的值，学习速度会变慢，同时可能无法达到最佳状态。 在fine tuning、DreamBooth、LoRA等过程中，学习率会有很大的差异，并且也会受到训练数据、所需训练的模型、批次大小和步骤数等因素的影响。建议从通常值开始，观察训练状态并逐渐调整。 默认情况下，整个训练过程中学习率是固定的。但是可以通过调度程序指定学习率如何变化，因此结果也会有所不同。 ## Epoch Epoch指的是训练数据被完整训练一遍（即数据已经迭代一轮）。如果指定了重复次数，则在重复后的数据迭代一轮后，为1个epoch。 1个epoch的步骤数通常为“数据量÷批次大小”，但如果使用Aspect Ratio Bucketing，则略微增加（由于不同bucket的数据不能在同一个批次中，因此步骤数会增加）。 ## 长宽比分桶（Aspect Ratio Bucketing） Stable Diffusion 的 v1 是以 512\*512 的分辨率进行训练的，但同时也可以在其他分辨率下进行训练，例如 256\*1024 和 384\*640。这样可以减少裁剪的部分，希望更准确地学习图像和标题之间的关系。 此外，由于可以在任意分辨率下进行训练，因此不再需要事先统一图像数据的长宽比。 此值可以被设定，其在此之前的配置文件示例中已被启用（设置为 `true`）。 只要不超过作为参数给出的分辨率区域（= 内存使用量），就可以按 64 像素的增量（默认值，可更改）在垂直和水平方向上调整和创建训练分辨率。 在机器学习中，通常需要将所有输入大小统一，但实际上只要在同一批次中统一即可。 NovelAI 所说的分桶(bucketing) 指的是，预先将训练数据按照长宽比分类到每个学习分辨率下，并通过使用每个 bucket 内的图像创建批次来统一批次图像大小。 # 以前的指定格式（不使用 .toml 文件，而是使用命令行选项指定） 这是一种通过命令行选项而不是指定 .toml 文件的方法。有 DreamBooth 类+标识符方法、DreamBooth caption方法、微调方法三种方式。 ## DreamBooth、类+标识符方式 指定文件夹名称以指定迭代次数。还要使用 `train_data_dir` 和 `reg_data_dir` 选项。 ### 第1步。准备用于训练的图像 创建一个用于存储训练图像的文件夹。__此外__，按以下名称创建目录。 ``` <迭代次数>_<标识符> <类别> ``` 不要忘记下划线``_``。 例如，如果在名为“sls frog”的提示下重复数据 20 次，则为“20_sls frog”。如下所示： ![image](https://user-images.githubusercontent.com/52813779/210770636-1c851377-5936-4c15-90b7-8ac8ad6c2074.png) ### 多个类别、多个标识符的训练 该方法很简单，在用于训练的图像文件夹中，需要准备多个文件夹，每个文件夹都是以“重复次数_<标识符> <类别>”命名的，同样，在正则化图像文件夹中，也需要准备多个文件夹，每个文件夹都是以“重复次数_<类别>”命名的。 例如，如果要同时训练“sls青蛙”和“cpc兔子”，则应按以下方式准备文件夹。 ![image](https://user-images.githubusercontent.com/52813779/210777933-a22229db-b219-4cd8-83ca-e87320fc4192.png) 如果一个类别包含多个对象，可以只使用一个正则化图像文件夹。例如，如果在1girl类别中有角色A和角色B，则可以按照以下方式处理： - train_girls - 10_sls 1girl - 10_cpc 1girl - reg_girls - 1_1girl ### step 2. 准备正规化图像 这是使用正则化图像时的过程。 创建一个文件夹来存储正则化的图像。 __此外，__ 创建一个名为``_`` 的目录。 例如，使用提示“frog”并且不重复数据（仅一次）： ![image](https://user-images.githubusercontent.com/52813779/210770897-329758e5-3675-49f1-b345-c135f1725832.png) 步骤3. 执行训练 执行每个训练脚本。使用 `--train_data_dir` 选项指定包含训练数据文件夹的父文件夹（不是包含图像的文件夹），使用 `--reg_data_dir` 选项指定包含正则化图像的父文件夹（不是包含图像的文件夹）。 ## DreamBooth，带文本说明（caption）的方式 在包含训练图像和正则化图像的文件夹中，将与图像具有相同文件名的文件.caption（可以使用选项进行更改）放置在该文件夹中，然后从该文件中加载caption所作为提示进行训练。 ※文件夹名称（标识符类）不再用于这些图像的训练。 默认的caption文件扩展名为.caption。可以使用训练脚本的 `--caption_extension` 选项进行更改。 使用 `--shuffle_caption` 选项，同时对每个逗号分隔的部分进行训练时会对训练时的caption进行混洗。 ## 微调方式 创建元数据的方式与使用配置文件相同。 使用 `in_json` 选项指定元数据文件。 # 训练过程中的样本输出 通过在训练中使用模型生成图像，可以检查训练进度。将以下选项指定为训练脚本。 - `--sample_every_n_steps` / `--sample_every_n_epochs` 指定要采样的步数或epoch数。为这些数字中的每一个输出样本。如果两者都指定，则 epoch 数优先。 - `--sample_prompts` 指定示例输出的提示文件。 - `--sample_sampler` 指定用于采样输出的采样器。 `'ddim', 'pndm', 'heun', 'dpmsolver', 'dpmsolver++', 'dpmsingle', 'k_lms', 'k_euler', 'k_euler_a', 'k_dpm_2', 'k_dpm_2_a'`が選べます。 要输出样本，您需要提前准备一个包含提示的文本文件。每行输入一个提示。 ```txt # prompt 1 masterpiece, best quality, 1girl, in white shirts, upper body, looking at viewer, simple background --n low quality, worst quality, bad anatomy,bad composition, poor, low effort --w 768 --h 768 --d 1 --l 7.5 --s 28 # prompt 2 masterpiece, best quality, 1boy, in business suit, standing at street, looking back --n low quality, worst quality, bad anatomy,bad composition, poor, low effort --w 576 --h 832 --d 2 --l 5.5 --s 40 ``` 以“#”开头的行是注释。您可以使用“`--` + 小写字母”为生成的图像指定选项，例如 `--n`。您可以使用： - `--n` 否定提示到下一个选项。 - `--w` 指定生成图像的宽度。 - `--h` 指定生成图像的高度。 - `--d` 指定生成图像的种子。 - `--l` 指定生成图像的 CFG 比例。 - `--s` 指定生成过程中的步骤数。 # 每个脚本通用的常用选项 文档更新可能跟不上脚本更新。在这种情况下，请使用 `--help` 选项检查可用选项。 ## 学习模型规范 - `--v2` / `--v_parameterization` 如果使用 Hugging Face 的 stable-diffusion-2-base 或来自它的微调模型作为学习目标模型（对于在推理时指示使用 `v2-inference.yaml` 的模型），`- 当使用-v2` 选项与 stable-diffusion-2、768-v-ema.ckpt 及其微调模型（对于在推理过程中使用 `v2-inference-v.yaml` 的模型），`- 指定两个 -v2`和 `--v_parameterization` 选项。 以下几点在 Stable Diffusion 2.0 中发生了显着变化。 1. 使用分词器 2. 使用哪个Text Encoder，使用哪个输出层（2.0使用倒数第二层） 3. Text Encoder的输出维度(768->1024) 4. U-Net的结构（CrossAttention的头数等） 5. v-parameterization（采样方式好像变了） 其中base使用1-4，非base使用1-5（768-v）。使用 1-4 进行 v2 选择，使用 5 进行 v_parameterization 选择。 - `--pretrained_model_name_or_path` 指定要从中执行额外训练的模型。您可以指定Stable Diffusion检查点文件（.ckpt 或 .safetensors）、diffusers本地磁盘上的模型目录或diffusers模型 ID（例如“stabilityai/stable-diffusion-2”）。 ## 训练设置 - `--output_dir` 指定训练后保存模型的文件夹。 - `--output_name` 指定不带扩展名的模型文件名。 - `--dataset_config` 指定描述数据集配置的 .toml 文件。 - `--max_train_steps` / `--max_train_epochs` 指定要训练的步数或epoch数。如果两者都指定，则 epoch 数优先。 - - `--mixed_precision` 训练混合精度以节省内存。指定像`--mixed_precision = "fp16"`。与无混合精度（默认）相比，精度可能较低，但训练所需的 GPU 内存明显较少。 （在RTX30系列以后也可以指定`bf16`，请配合您在搭建环境时做的加速设置）。 - `--gradient_checkpointing` 通过逐步计算权重而不是在训练期间一次计算所有权重来减少训练所需的 GPU 内存量。关闭它不会影响准确性，但打开它允许更大的批次大小，所以那里有影响。 另外，打开它通常会减慢速度，但可以增加批次大小，因此总的训练时间实际上可能会更快。 - `--xformers` / `--mem_eff_attn` 当指定 xformers 选项时，使用 xformers 的 CrossAttention。如果未安装 xformers 或发生错误（取决于环境，例如 `mixed_precision="no"`），请指定 `mem_eff_attn` 选项而不是使用 CrossAttention 的内存节省版本（xformers 比 慢）。 - `--save_precision` 指定保存时的数据精度。为 save_precision 选项指定 float、fp16 或 bf16 将以该格式保存模型（在 DreamBooth 中保存 Diffusers 格式时无效，微调）。当您想缩小模型的尺寸时请使用它。 - `--save_every_n_epochs` / `--save_state` / `--resume` 为 save_every_n_epochs 选项指定一个数字可以在每个时期的训练期间保存模型。 如果同时指定save_state选项，训练状态包括优化器的状态等都会一起保存。。保存目的地将是一个文件夹。 训练状态输出到目标文件夹中名为“-??????-state”（??????是epoch数）的文件夹中。长时间训练时请使用。 使用 resume 选项从保存的训练状态恢复训练。指定训练状态文件夹（其中的状态文件夹，而不是 `output_dir`）。 请注意，由于 Accelerator 规范，epoch 数和全局步数不会保存，即使恢复时它们也从 1 开始。 - `--save_model_as` （DreamBooth, fine tuning 仅有的） 您可以从 `ckpt, safetensors, diffusers, diffusers_safetensors` 中选择模型保存格式。 - `--save_model_as=safetensors` 指定喜欢当读取Stable Diffusion格式（ckpt 或safetensors）并以diffusers格式保存时，缺少的信息通过从 Hugging Face 中删除 v1.5 或 v2.1 信息来补充。 - `--clip_skip` `2` 如果指定，则使用文本编码器 (CLIP) 的倒数第二层的输出。如果省略 1 或选项，则使用最后一层。 *SD2.0默认使用倒数第二层，训练SD2.0时请不要指定。 如果被训练的模型最初被训练为使用第二层，则 2 是一个很好的值。 如果您使用的是最后一层，那么整个模型都会根据该假设进行训练。因此，如果再次使用第二层进行训练，可能需要一定数量的teacher数据和更长时间的训练才能得到想要的训练结果。 - `--max_token_length` 默认值为 75。您可以通过指定“150”或“225”来扩展令牌长度来训练。使用长字幕训练时指定。 但由于训练时token展开的规范与Automatic1111的web UI（除法等规范）略有不同，如非必要建议用75训练。 与clip_skip一样，训练与模型训练状态不同的长度可能需要一定量的teacher数据和更长的学习时间。 - `--persistent_data_loader_workers` 在 Windows 环境中指定它可以显着减少时期之间的延迟。 - `--max_data_loader_n_workers` 指定数据加载的进程数。大量的进程会更快地加载数据并更有效地使用 GPU，但会消耗更多的主内存。默认是"`8`或者`CPU并发执行线程数 - 1`，取小者"，所以如果主存没有空间或者GPU使用率大概在90%以上，就看那些数字和 `2` 或将其降低到大约 `1`。 - `--logging_dir` / `--log_prefix` 保存训练日志的选项。在 logging_dir 选项中指定日志保存目标文件夹。以 TensorBoard 格式保存日志。 例如，如果您指定 --logging_dir=logs，将在您的工作文件夹中创建一个日志文件夹，并将日志保存在日期/时间文件夹中。 此外，如果您指定 --log_prefix 选项，则指定的字符串将添加到日期和时间之前。使用“--logging_dir=logs --log_prefix=db_style1_”进行识别。 要检查 TensorBoard 中的日志，请打开另一个命令提示符并在您的工作文件夹中键入： ``` tensorboard --logdir=logs ``` 我觉得tensorboard会在环境搭建的时候安装，如果没有安装，请用`pip install tensorboard`安装。） 然后打开浏览器到http://localhost:6006/就可以看到了。 - `--noise_offset` 本文的实现：https://www.crosslabs.org//blog/diffusion-with-offset-noise 看起来它可能会为整体更暗和更亮的图像产生更好的结果。它似乎对 LoRA 训练也有效。指定一个大约 0.1 的值似乎很好。 - `--debug_dataset` 通过添加此选项，您可以在训练之前检查将训练什么样的图像数据和标题。按 Esc 退出并返回命令行。按 `S` 进入下一步（批次），按 `E` 进入下一个epoch。 *图片在 Linux 环境（包括 Colab）下不显示。 - `--vae` 如果您在 vae 选项中指定Stable Diffusion检查点、VAE 检查点文件、扩散模型或 VAE（两者都可以指定本地或拥抱面模型 ID），则该 VAE 用于训练（缓存时的潜伏）或在训练过程中获得潜伏）。 对于 DreamBooth 和微调，保存的模型将包含此 VAE - `--cache_latents` 在主内存中缓存 VAE 输出以减少 VRAM 使用。除 flip_aug 之外的任何增强都将不可用。此外，整体训练速度略快。 - `--min_snr_gamma` 指定最小 SNR 加权策略。细节是[这里](https://github.com/kohya-ss/sd-scripts/pull/308)请参阅。论文中推荐`5`。 ## 优化器相关 - `--optimizer_type` -- 指定优化器类型。您可以指定 - AdamW : [torch.optim.AdamW](https://pytorch.org/docs/stable/generated/torch.optim.AdamW.html) - 与过去版本中未指定选项时相同 - AdamW8bit : 参数同上 - PagedAdamW8bit : 参数同上 - 与过去版本中指定的 --use_8bit_adam 相同 - Lion : https://github.com/lucidrains/lion-pytorch - Lion8bit : 参数同上 - PagedLion8bit : 参数同上 - 与过去版本中指定的 --use_lion_optimizer 相同 - SGDNesterov : [torch.optim.SGD](https://pytorch.org/docs/stable/generated/torch.optim.SGD.html), nesterov=True - SGDNesterov8bit : 参数同上 - DAdaptation(DAdaptAdamPreprint) : https://github.com/facebookresearch/dadaptation - DAdaptAdam : 参数同上 - DAdaptAdaGrad : 参数同上 - DAdaptAdan : 参数同上 - DAdaptAdanIP : 参数同上 - DAdaptLion : 参数同上 - DAdaptSGD : 参数同上 - Prodigy : https://github.com/konstmish/prodigy - AdaFactor : [Transformers AdaFactor](https://huggingface.co/docs/transformers/main_classes/optimizer_schedules) - 任何优化器 - `--learning_rate` 指定学习率。合适的学习率取决于训练脚本，所以请参考每个解释。 - `--lr_scheduler` / `--lr_warmup_steps` / `--lr_scheduler_num_cycles` / `--lr_scheduler_power` 学习率的调度程序相关规范。 使用 lr_scheduler 选项，您可以从线性、余弦、cosine_with_restarts、多项式、常数、constant_with_warmup 或任何调度程序中选择学习率调度程序。默认值是常量。 使用 lr_warmup_steps，您可以指定预热调度程序的步数（逐渐改变学习率）。 lr_scheduler_num_cycles 是 cosine with restarts 调度器中的重启次数，lr_scheduler_power 是多项式调度器中的多项式幂。 有关详细信息，请自行研究。 要使用任何调度程序，请像使用任何优化器一样使用“--lr_scheduler_args”指定可选参数。 ### 关于指定优化器 使用 --optimizer_args 选项指定优化器选项参数。可以以key=value的格式指定多个值。此外，您可以指定多个值，以逗号分隔。例如，要指定 AdamW 优化器的参数，``--optimizer_args weight_decay=0.01 betas=.9,.999``。 指定可选参数时，请检查每个优化器的规格。 一些优化器有一个必需的参数，如果省略它会自动添加（例如 SGDNesterov 的动量）。检查控制台输出。 D-Adaptation 优化器自动调整学习率。学习率选项指定的值不是学习率本身，而是D-Adaptation决定的学习率的应用率，所以通常指定1.0。如果您希望 Text Encoder 的学习率是 U-Net 的一半，请指定 ``--text_encoder_lr=0.5 --unet_lr=1.0``。 如果指定 relative_step=True，AdaFactor 优化器可以自动调整学习率（如果省略，将默认添加）。自动调整时，学习率调度器被迫使用 adafactor_scheduler。此外，指定 scale_parameter 和 warmup_init 似乎也不错。 自动调整的选项类似于``--optimizer_args "relative_step=True" "scale_parameter=True" "warmup_init=True"``。 如果您不想自动调整学习率，请添加可选参数 ``relative_step=False``。在那种情况下，似乎建议将 constant_with_warmup 用于学习率调度程序，而不要为梯度剪裁范数。所以参数就像``--optimizer_type=adafactor --optimizer_args "relative_step=False" --lr_scheduler="constant_with_warmup" --max_grad_norm=0.0``。 ### 使用任何优化器 使用 ``torch.optim`` 优化器时，仅指定类名（例如 ``--optimizer_type=RMSprop``），使用其他模块的优化器时，指定“模块名.类名”。（例如``--optimizer_type=bitsandbytes.optim.lamb.LAMB``）。 （内部仅通过 importlib 未确认操作。如果需要，请安装包。） # 创建元数据文件 ## 准备训练数据 如上所述准备好你要训练的图像数据，放在任意文件夹中。 例如，存储这样的图像： ![教师数据文件夹的屏幕截图](https://user-images.githubusercontent.com/52813779/208907739-8e89d5fa-6ca8-4b60-8927-f484d2a9ae04.png) ## 自动captioning 如果您只想训练没有标题的标签，请跳过。 另外，手动准备caption时，请准备在与教师数据图像相同的目录下，文件名相同，扩展名.caption等。每个文件应该是只有一行的文本文件。 ### 使用 BLIP 添加caption 最新版本不再需要 BLIP 下载、权重下载和额外的虚拟环境。按原样工作。 运行 finetune 文件夹中的 make_captions.py。 ``` python finetune\make_captions.py --batch_size <バッチサイズ> <教師データフォルダ> ``` 如果batch size为8，训练数据放在父文件夹train_data中，则会如下所示 ``` python finetune\make_captions.py --batch_size 8 ..\train_data ``` caption文件创建在与教师数据图像相同的目录中，具有相同的文件名和扩展名.caption。 根据 GPU 的 VRAM 容量增加或减少 batch_size。越大越快（我认为 12GB 的 VRAM 可以多一点）。 您可以使用 max_length 选项指定caption的最大长度。默认值为 75。如果使用 225 的令牌长度训练模型，它可能会更长。 您可以使用 caption_extension 选项更改caption扩展名。默认为 .caption（.txt 与稍后描述的 DeepDanbooru 冲突）。 如果有多个教师数据文件夹，则对每个文件夹执行。 请注意，推理是随机的，因此每次运行时结果都会发生变化。如果要修复它，请使用 --seed 选项指定一个随机数种子，例如 `--seed 42`。 其他的选项，请参考help with `--help`（好像没有文档说明参数的含义，得看源码）。 默认情况下，会生成扩展名为 .caption 的caption文件。 ![caption生成的文件夹](https://user-images.githubusercontent.com/52813779/208908845-48a9d36c-f6ee-4dae-af71-9ab462d1459e.png) 例如，标题如下： ![caption和图像](https://user-images.githubusercontent.com/52813779/208908947-af936957-5d73-4339-b6c8-945a52857373.png) ## 由 DeepDanbooru 标记 如果不想给danbooru标签本身打标签，请继续“标题和标签信息的预处理”。 标记是使用 DeepDanbooru 或 WD14Tagger 完成的。 WD14Tagger 似乎更准确。如果您想使用 WD14Tagger 进行标记，请跳至下一章。 ### 环境布置 将 DeepDanbooru https://github.com/KichangKim/DeepDanbooru 克隆到您的工作文件夹中，或下载并展开 zip。我解压缩了它。 另外，从 DeepDanbooru 发布页面 https://github.com/KichangKim/DeepDanbooru/releases 上的“DeepDanbooru 预训练模型 v3-20211112-sgd-e28”的资产下载 deepdanbooru-v3-20211112-sgd-e28.zip 并解压到 DeepDanbooru 文件夹。 从下面下载。单击以打开资产并从那里下载。 ![DeepDanbooru下载页面](https://user-images.githubusercontent.com/52813779/208909417-10e597df-7085-41ee-bd06-3e856a1339df.png) 做一个这样的目录结构 ![DeepDanbooru的目录结构](https://user-images.githubusercontent.com/52813779/208909486-38935d8b-8dc6-43f1-84d3-fef99bc471aa.png) 为diffusers环境安装必要的库。进入 DeepDanbooru 文件夹并安装它（我认为它实际上只是添加了 tensorflow-io）。 ``` pip install -r requirements.txt ``` 接下来，安装 DeepDanbooru 本身。 ``` pip install . ``` 这样就完成了标注环境的准备工作。 ### 实施标记 转到 DeepDanbooru 的文件夹并运行 deepdanbooru 进行标记。 ``` deepdanbooru evaluate <教师资料夹> --project-path deepdanbooru-v3-20211112-sgd-e28 --allow-folder --save-txt ``` 如果将训练数据放在父文件夹train_data中，则如下所示。 ``` deepdanbooru evaluate ../train_data --project-path deepdanbooru-v3-20211112-sgd-e28 --allow-folder --save-txt ``` 在与教师数据图像相同的目录中创建具有相同文件名和扩展名.txt 的标记文件。它很慢，因为它是一个接一个地处理的。 如果有多个教师数据文件夹，则对每个文件夹执行。 它生成如下。 ![DeepDanbooru生成的文件](https://user-images.githubusercontent.com/52813779/208909855-d21b9c98-f2d3-4283-8238-5b0e5aad6691.png) 它会被这样标记（信息量很大...）。 ![DeepDanbooru标签和图片](https://user-images.githubusercontent.com/52813779/208909908-a7920174-266e-48d5-aaef-940aba709519.png) ## WD14Tagger标记为 此过程使用 WD14Tagger 而不是 DeepDanbooru。 使用 Mr. Automatic1111 的 WebUI 中使用的标记器。我参考了这个 github 页面上的信息 (https://github.com/toriato/stable-diffusion-webui-wd14-tagger#mrsmilingwolfs-model-aka-waifu-diffusion-14-tagger)。 初始环境维护所需的模块已经安装。权重自动从 Hugging Face 下载。 ### 实施标记 运行脚本以进行标记。 ``` python tag_images_by_wd14_tagger.py --batch_size <バッチサイズ> <教師データフォルダ> ``` 如果将训练数据放在父文件夹train_data中，则如下所示 ``` python tag_images_by_wd14_tagger.py --batch_size 4 ..\train_data ``` 模型文件将在首次启动时自动下载到 wd14_tagger_model 文件夹（文件夹可以在选项中更改）。它将如下所示。 ![下载文件](https://user-images.githubusercontent.com/52813779/208910447-f7eb0582-90d6-49d3-a666-2b508c7d1842.png) 在与教师数据图像相同的目录中创建具有相同文件名和扩展名.txt 的标记文件。 ![生成的标签文件](https://user-images.githubusercontent.com/52813779/208910534-ea514373-1185-4b7d-9ae3-61eb50bc294e.png) ![标签和图片](https://user-images.githubusercontent.com/52813779/208910599-29070c15-7639-474f-b3e4-06bd5a3df29e.png) 使用 thresh 选项，您可以指定确定的标签的置信度数以附加标签。默认值为 0.35，与 WD14Tagger 示例相同。较低的值给出更多的标签，但准确性较低。 根据 GPU 的 VRAM 容量增加或减少 batch_size。越大越快（我认为 12GB 的 VRAM 可以多一点）。您可以使用 caption_extension 选项更改标记文件扩展名。默认为 .txt。 您可以使用 model_dir 选项指定保存模型的文件夹。 此外，如果指定 force_download 选项，即使有保存目标文件夹，也会重新下载模型。 如果有多个教师数据文件夹，则对每个文件夹执行。 ## 预处理caption和标签信息 将caption和标签作为元数据合并到一个文件中，以便从脚本中轻松处理。 ### caption预处理 要将caption放入元数据，请在您的工作文件夹中运行以下命令（如果您不使用caption进行训练，则不需要运行它）（它实际上是一行，依此类推）。指定 `--full_path` 选项以将图像文件的完整路径存储在元数据中。如果省略此选项，则会记录相对路径，但 .toml 文件中需要单独的文件夹规范。 ``` python merge_captions_to_metadata.py --full_path <教师资料夹> 　 --in_json <要读取的元数据文件名> <元数据文件名> ``` 元数据文件名是任意名称。 如果训练数据为train_data，没有读取元数据文件，元数据文件为meta_cap.json，则会如下。 ``` python merge_captions_to_metadata.py --full_path train_data meta_cap.json ``` 您可以使用 caption_extension 选项指定标题扩展。 如果有多个教师数据文件夹，请指定 full_path 参数并为每个文件夹执行。 ``` python merge_captions_to_metadata.py --full_path train_data1 meta_cap1.json python merge_captions_to_metadata.py --full_path --in_json meta_cap1.json train_data2 meta_cap2.json ``` 如果省略in_json，如果有写入目标元数据文件，将从那里读取并覆盖。 __* 每次重写 in_json 选项和写入目标并写入单独的元数据文件是安全的。 __ ### 标签预处理 同样，标签也收集在元数据中（如果标签不用于训练，则无需这样做）。 ``` python merge_dd_tags_to_metadata.py --full_path <教师资料夹> --in_json <要读取的元数据文件名> <要写入的元数据文件名> ``` 同样的目录结构，读取meta_cap.json和写入meta_cap_dd.json时，会是这样的。 ``` python merge_dd_tags_to_metadata.py --full_path train_data --in_json meta_cap.json meta_cap_dd.json ``` 如果有多个教师数据文件夹，请指定 full_path 参数并为每个文件夹执行。 ``` python merge_dd_tags_to_metadata.py --full_path --in_json meta_cap2.json train_data1 meta_cap_dd1.json python merge_dd_tags_to_metadata.py --full_path --in_json meta_cap_dd1.json train_data2 meta_cap_dd2.json ``` 如果省略in_json，如果有写入目标元数据文件，将从那里读取并覆盖。 __※ 通过每次重写 in_json 选项和写入目标，写入单独的元数据文件是安全的。 __ ### 标题和标签清理 到目前为止，标题和DeepDanbooru标签已经被整理到元数据文件中。然而，自动标题生成的标题存在表达差异等微妙问题（※），而标签中可能包含下划线和评级（DeepDanbooru的情况下）。因此，最好使用编辑器的替换功能清理标题和标签。 ※例如，如果要学习动漫中的女孩，标题可能会包含girl/girls/woman/women等不同的表达方式。另外，将"anime girl"简单地替换为"girl"可能更合适。 我们提供了用于清理的脚本，请根据情况编辑脚本并使用它。 （不需要指定教师数据文件夹。将清理元数据中的所有数据。） ``` python clean_captions_and_tags.py <要读取的元数据文件名> <要写入的元数据文件名> ``` --in_json 请注意，不包括在内。例如： ``` python clean_captions_and_tags.py meta_cap_dd.json meta_clean.json ``` 标题和标签的预处理现已完成。 ## 预先获取 latents ※ 这一步骤并非必须。即使省略此步骤，也可以在训练过程中获取 latents。但是，如果在训练时执行 `random_crop` 或 `color_aug` 等操作，则无法预先获取 latents（因为每次图像都会改变）。如果不进行预先获取，则可以使用到目前为止的元数据进行训练。 提前获取图像的潜在表达并保存到磁盘上。这样可以加速训练过程。同时进行 bucketing（根据宽高比对训练数据进行分类）。 请在工作文件夹中输入以下内容。 ``` python prepare_buckets_latents.py --full_path <教师资料夹> <要读取的元数据文件名> <要写入的元数据文件名> <要微调的模型名称或检查点> --batch_size <批次大小> --max_resolution <分辨率宽、高> --mixed_precision <准确性> ``` 如果要从meta_clean.json中读取元数据，并将其写入meta_lat.json，使用模型model.ckpt，批处理大小为4，训练分辨率为512*512，精度为no（float32），则应如下所示。 ``` python prepare_buckets_latents.py --full_path train_data meta_clean.json meta_lat.json model.ckpt --batch_size 4 --max_resolution 512,512 --mixed_precision no ``` 教师数据文件夹中，latents以numpy的npz格式保存。 您可以使用--min_bucket_reso选项指定最小分辨率大小，--max_bucket_reso指定最大大小。默认值分别为256和1024。例如，如果指定最小大小为384，则将不再使用分辨率为256 * 1024或320 * 768等。如果将分辨率增加到768 * 768等较大的值，则最好将最大大小指定为1280等。 如果指定--flip_aug选项，则进行左右翻转的数据增强。虽然这可以使数据量伪造一倍，但如果数据不是左右对称的（例如角色外观、发型等），则可能会导致训练不成功。 对于翻转的图像，也会获取latents，并保存名为\ *_flip.npz的文件，这是一个简单的实现。在fline_tune.py中不需要特定的选项。如果有带有\_flip的文件，则会随机加载带有和不带有flip的文件。 即使VRAM为12GB，批次大小也可以稍微增加。分辨率以“宽度，高度”的形式指定，必须是64的倍数。分辨率直接影响fine tuning时的内存大小。在12GB VRAM中，512,512似乎是极限（*）。如果有16GB，则可以将其提高到512,704或512,768。即使分辨率为256,256等，VRAM 8GB也很难承受（因为参数、优化器等与分辨率无关，需要一定的内存）。 *有报道称，在batch size为1的训练中，使用12GB VRAM和640,640的分辨率。 以下是bucketing结果的显示方式。 ![bucketing的結果](https://user-images.githubusercontent.com/52813779/208911419-71c00fbb-2ce6-49d5-89b5-b78d7715e441.png) 如果有多个教师数据文件夹，请指定 full_path 参数并为每个文件夹执行 ``` python prepare_buckets_latents.py --full_path train_data1 meta_clean.json meta_lat1.json model.ckpt --batch_size 4 --max_resolution 512,512 --mixed_precision no python prepare_buckets_latents.py --full_path train_data2 meta_lat1.json meta_lat2.json model.ckpt --batch_size 4 --max_resolution 512,512 --mixed_precision no ``` 可以将读取源和写入目标设为相同，但分开设定更为安全。 __※建议每次更改参数并将其写入另一个元数据文件，以确保安全性。__ ================================================ FILE: docs/train_SDXL-en.md ================================================ ## SDXL training The documentation will be moved to the training documentation in the future. The following is a brief explanation of the training scripts for SDXL. ### Training scripts for SDXL - `sdxl_train.py` is a script for SDXL fine-tuning. The usage is almost the same as `fine_tune.py`, but it also supports DreamBooth dataset. - `--full_bf16` option is added. Thanks to KohakuBlueleaf! - This option enables the full bfloat16 training (includes gradients). This option is useful to reduce the GPU memory usage. - The full bfloat16 training might be unstable. Please use it at your own risk. - The different learning rates for each U-Net block are now supported in sdxl_train.py. Specify with `--block_lr` option. Specify 23 values separated by commas like `--block_lr 1e-3,1e-3 ... 1e-3`. - 23 values correspond to `0: time/label embed, 1-9: input blocks 0-8, 10-12: mid blocks 0-2, 13-21: output blocks 0-8, 22: out`. - `prepare_buckets_latents.py` now supports SDXL fine-tuning. - `sdxl_train_network.py` is a script for LoRA training for SDXL. The usage is almost the same as `train_network.py`. - Both scripts has following additional options: - `--cache_text_encoder_outputs` and `--cache_text_encoder_outputs_to_disk`: Cache the outputs of the text encoders. This option is useful to reduce the GPU memory usage. This option cannot be used with options for shuffling or dropping the captions. - `--no_half_vae`: Disable the half-precision (mixed-precision) VAE. VAE for SDXL seems to produce NaNs in some cases. This option is useful to avoid the NaNs. - `--weighted_captions` option is not supported yet for both scripts. - `sdxl_train_textual_inversion.py` is a script for Textual Inversion training for SDXL. The usage is almost the same as `train_textual_inversion.py`. - `--cache_text_encoder_outputs` is not supported. - There are two options for captions: 1. Training with captions. All captions must include the token string. The token string is replaced with multiple tokens. 2. Use `--use_object_template` or `--use_style_template` option. The captions are generated from the template. The existing captions are ignored. - See below for the format of the embeddings. - `--min_timestep` and `--max_timestep` options are added to each training script. These options can be used to train U-Net with different timesteps. The default values are 0 and 1000. ### Utility scripts for SDXL - `tools/cache_latents.py` is added. This script can be used to cache the latents to disk in advance. - The options are almost the same as `sdxl_train.py'. See the help message for the usage. - Please launch the script as follows: `accelerate launch --num_cpu_threads_per_process 1 tools/cache_latents.py ...` - This script should work with multi-GPU, but it is not tested in my environment. - `tools/cache_text_encoder_outputs.py` is added. This script can be used to cache the text encoder outputs to disk in advance. - The options are almost the same as `cache_latents.py` and `sdxl_train.py`. See the help message for the usage. - `sdxl_gen_img.py` is added. This script can be used to generate images with SDXL, including LoRA, Textual Inversion and ControlNet-LLLite. See the help message for the usage. ### Tips for SDXL training - The default resolution of SDXL is 1024x1024. - The fine-tuning can be done with 24GB GPU memory with the batch size of 1. For 24GB GPU, the following options are recommended __for the fine-tuning with 24GB GPU memory__: - Train U-Net only. - Use gradient checkpointing. - Use `--cache_text_encoder_outputs` option and caching latents. - Use Adafactor optimizer. RMSprop 8bit or Adagrad 8bit may work. AdamW 8bit doesn't seem to work. - The LoRA training can be done with 8GB GPU memory (10GB recommended). For reducing the GPU memory usage, the following options are recommended: - Train U-Net only. - Use gradient checkpointing. - Use `--cache_text_encoder_outputs` option and caching latents. - Use one of 8bit optimizers or Adafactor optimizer. - Use lower dim (4 to 8 for 8GB GPU). - `--network_train_unet_only` option is highly recommended for SDXL LoRA. Because SDXL has two text encoders, the result of the training will be unexpected. - PyTorch 2 seems to use slightly less GPU memory than PyTorch 1. - `--bucket_reso_steps` can be set to 32 instead of the default value 64. Smaller values than 32 will not work for SDXL training. Example of the optimizer settings for Adafactor with the fixed learning rate: ```toml optimizer_type = "adafactor" optimizer_args = [ "scale_parameter=False", "relative_step=False", "warmup_init=False" ] lr_scheduler = "constant_with_warmup" lr_warmup_steps = 100 learning_rate = 4e-7 # SDXL original learning rate ``` ### Format of Textual Inversion embeddings for SDXL ```python from safetensors.torch import save_file state_dict = {"clip_g": embs_for_text_encoder_1280, "clip_l": embs_for_text_encoder_768} save_file(state_dict, file) ``` ### ControlNet-LLLite ControlNet-LLLite, a novel method for ControlNet with SDXL, is added. See [documentation](./docs/train_lllite_README.md) for details. ================================================ FILE: docs/train_db_README-ja.md ================================================ DreamBoothのガイドです。 [学習についての共通ドキュメント](./train_README-ja.md) もあわせてご覧ください。 # 概要 DreamBoothとは、画像生成モデルに特定の主題を追加学習し、それを特定の識別子で生成する技術です。[論文はこちら](https://arxiv.org/abs/2208.12242)。 具体的には、Stable Diffusionのモデルにキャラや画風などを学ばせ、それを `shs` のような特定の単語で呼び出せる（生成画像に出現させる）ことができます。 スクリプトは[DiffusersのDreamBooth](https://github.com/huggingface/diffusers/tree/main/examples/dreambooth)を元にしていますが、以下のような機能追加を行っています（いくつかの機能は元のスクリプト側もその後対応しています）。 スクリプトの主な機能は以下の通りです。 - 8bit Adam optimizerおよびlatentのキャッシュによる省メモリ化（[Shivam Shrirao氏版](https://github.com/ShivamShrirao/diffusers/tree/main/examples/dreambooth)と同様）。 - xformersによる省メモリ化。 - 512x512だけではなく任意サイズでの学習。 - augmentationによる品質の向上。 - DreamBoothだけではなくText Encoder+U-Netのfine tuningに対応。 - Stable Diffusion形式でのモデルの読み書き。 - Aspect Ratio Bucketing。 - Stable Diffusion v2.0対応。 # 学習の手順 あらかじめこのリポジトリのREADMEを参照し、環境整備を行ってください。 ## データの準備 [学習データの準備について](./train_README-ja.md) を参照してください。 ## 学習の実行 スクリプトを実行します。最大限、メモリを節約したコマンドは以下のようになります（実際には1行で入力します）。それぞれの行を必要に応じて書き換えてください。12GB程度のVRAMで動作するようです。 ``` accelerate launch --num_cpu_threads_per_process 1 train_db.py --pretrained_model_name_or_path=<.ckptまたは.safetensordまたはDiffusers版モデルのディレクトリ> --dataset_config=<データ準備で作成した.tomlファイル> --output_dir=<学習したモデルの出力先フォルダ> --output_name=<学習したモデル出力時のファイル名> --save_model_as=safetensors --prior_loss_weight=1.0 --max_train_steps=1600 --learning_rate=1e-6 --optimizer_type="AdamW8bit" --xformers --mixed_precision="fp16" --cache_latents --gradient_checkpointing ``` `num_cpu_threads_per_process` には通常は1を指定するとよいようです。 `pretrained_model_name_or_path` に追加学習を行う元となるモデルを指定します。Stable Diffusionのcheckpointファイル（.ckptまたは.safetensors）、Diffusersのローカルディスクにあるモデルディレクトリ、DiffusersのモデルID（"stabilityai/stable-diffusion-2"など）が指定できます。 `output_dir` に学習後のモデルを保存するフォルダを指定します。`output_name` にモデルのファイル名を拡張子を除いて指定します。`save_model_as` でsafetensors形式での保存を指定しています。 `dataset_config` に `.toml` ファイルを指定します。ファイル内でのバッチサイズ指定は、当初はメモリ消費を抑えるために `1` としてください。 `prior_loss_weight` は正則化画像のlossの重みです。通常は1.0を指定します。 学習させるステップ数 `max_train_steps` を1600とします。学習率 `learning_rate` はここでは1e-6を指定しています。 省メモリ化のため `mixed_precision="fp16"` を指定します（RTX30 シリーズ以降では `bf16` も指定できます。環境整備時にaccelerateに行った設定と合わせてください）。また `gradient_checkpointing` を指定します。 オプティマイザ（モデルを学習データにあうように最適化＝学習させるクラス）にメモリ消費の少ない 8bit AdamW を使うため、 `optimizer_type="AdamW8bit"` を指定します。 `xformers` オプションを指定し、xformersのCrossAttentionを用います。xformersをインストールしていない場合やエラーとなる場合（環境にもよりますが `mixed_precision="no"` の場合など）、代わりに `mem_eff_attn` オプションを指定すると省メモリ版CrossAttentionを使用します（速度は遅くなります）。 省メモリ化のため `cache_latents` オプションを指定してVAEの出力をキャッシュします。 ある程度メモリがある場合は、`.toml` ファイルを編集してバッチサイズをたとえば `4` くらいに増やしてください（高速化と精度向上の可能性があります）。また `cache_latents` を外すことで augmentation が可能になります。 ### よく使われるオプションについて 以下の場合には [学習の共通ドキュメント](./train_README-ja.md) の「よく使われるオプション」を参照してください。 - Stable Diffusion 2.xまたはそこからの派生モデルを学習する - clip skipを2以上を前提としたモデルを学習する - 75トークンを超えたキャプションで学習する ### DreamBoothでのステップ数について 当スクリプトでは省メモリ化のため、ステップ当たりの学習回数が元のスクリプトの半分になっています（対象の画像と正則化画像を同一のバッチではなく別のバッチに分割して学習するため）。 元のDiffusers版やXavierXiao氏のStable Diffusion版とほぼ同じ学習を行うには、ステップ数を倍にしてください。 （学習画像と正則化画像をまとめてから shuffle するため厳密にはデータの順番が変わってしまいますが、学習には大きな影響はないと思います。） ### DreamBoothでのバッチサイズについて モデル全体を学習するためLoRA等の学習に比べるとメモリ消費量は多くなります（fine tuningと同じ）。 ### 学習率について Diffusers版では5e-6ですがStable Diffusion版は1e-6ですので、上のサンプルでは1e-6を指定しています。 ### 以前の形式のデータセット指定をした場合のコマンドライン 解像度やバッチサイズをオプションで指定します。コマンドラインの例は以下の通りです。 ``` accelerate launch --num_cpu_threads_per_process 1 train_db.py --pretrained_model_name_or_path=<.ckptまたは.safetensordまたはDiffusers版モデルのディレクトリ> --train_data_dir=<学習用データのディレクトリ> --reg_data_dir=<正則化画像のディレクトリ> --output_dir=<学習したモデルの出力先ディレクトリ> --output_name=<学習したモデル出力時のファイル名> --prior_loss_weight=1.0 --resolution=512 --train_batch_size=1 --learning_rate=1e-6 --max_train_steps=1600 --use_8bit_adam --xformers --mixed_precision="bf16" --cache_latents --gradient_checkpointing ``` ## 学習したモデルで画像生成する 学習が終わると指定したフォルダに指定した名前でsafetensorsファイルが出力されます。 v1.4/1.5およびその他の派生モデルの場合、このモデルでAutomatic1111氏のWebUIなどで推論できます。models\Stable-diffusionフォルダに置いてください。 v2.xモデルでWebUIで画像生成する場合、モデルの仕様が記述された.yamlファイルが別途必要になります。v2.x baseの場合はv2-inference.yamlを、768/vの場合はv2-inference-v.yamlを、同じフォルダに置き、拡張子の前の部分をモデルと同じ名前にしてください。 ![image](https://user-images.githubusercontent.com/52813779/210776915-061d79c3-6582-42c2-8884-8b91d2f07313.png) 各yamlファイルは[Stability AIのSD2.0のリポジトリ](https://github.com/Stability-AI/stablediffusion/tree/main/configs/stable-diffusion)にあります。 # DreamBooth特有のその他の主なオプション すべてのオプションについては別文書を参照してください。 ## Text Encoderの学習を途中から行わない --stop_text_encoder_training stop_text_encoder_trainingオプションに数値を指定すると、そのステップ数以降はText Encoderの学習を行わずU-Netだけ学習します。場合によっては精度の向上が期待できるかもしれません。 （恐らくText Encoderだけ先に過学習することがあり、それを防げるのではないかと推測していますが、詳細な影響は不明です。） ## Tokenizerのパディングをしない --no_token_padding no_token_paddingオプションを指定するとTokenizerの出力をpaddingしません（Diffusers版の旧DreamBoothと同じ動きになります）。 ================================================ FILE: docs/train_db_README-zh.md ================================================ 这是DreamBooth的指南。 请同时查看[关于学习的通用文档](./train_README-zh.md)。 # 概要 DreamBooth是一种将特定主题添加到图像生成模型中进行学习，并使用特定识别子生成它的技术。论文链接。 具体来说，它可以将角色和绘画风格等添加到Stable Diffusion模型中进行学习，并使用特定的单词（例如`shs`）来调用（呈现在生成的图像中）。 脚本基于Diffusers的DreamBooth，但添加了以下功能（一些功能已在原始脚本中得到支持）。 脚本的主要功能如下： - 使用8位Adam优化器和潜在变量的缓存来节省内存（与Shivam Shrirao版相似）。 - 使用xformers来节省内存。 - 不仅支持512x512，还支持任意尺寸的训练。 - 通过数据增强来提高质量。 - 支持DreamBooth和Text Encoder + U-Net的微调。 - 支持以Stable Diffusion格式读写模型。 - 支持Aspect Ratio Bucketing。 - 支持Stable Diffusion v2.0。 # 训练步骤 请先参阅此存储库的README以进行环境设置。 ## 准备数据 请参阅[有关准备训练数据的说明](./train_README-zh.md)。 ## 运行训练 运行脚本。以下是最大程度地节省内存的命令（实际上，这将在一行中输入）。请根据需要修改每行。它似乎需要约12GB的VRAM才能运行。 ``` accelerate launch --num_cpu_threads_per_process 1 train_db.py --pretrained_model_name_or_path=<.ckpt或.safetensord或Diffusers版模型的目录> --dataset_config=<数据准备时创建的.toml文件> --output_dir=<训练模型的输出目录> --output_name=<训练模型输出时的文件名> --save_model_as=safetensors --prior_loss_weight=1.0 --max_train_steps=1600 --learning_rate=1e-6 --optimizer_type="AdamW8bit" --xformers --mixed_precision="fp16" --cache_latents --gradient_checkpointing ``` `num_cpu_threads_per_process` 通常应该设置为1。 `pretrained_model_name_or_path` 指定要进行追加训练的基础模型。可以指定 Stable Diffusion 的 checkpoint 文件（.ckpt 或 .safetensors）、Diffusers 的本地模型目录或模型 ID（如 "stabilityai/stable-diffusion-2"）。 `output_dir` 指定保存训练后模型的文件夹。在 `output_name` 中指定模型文件名，不包括扩展名。使用 `save_model_as` 指定以 safetensors 格式保存。 在 `dataset_config` 中指定 `.toml` 文件。初始批处理大小应为 `1`，以减少内存消耗。 `prior_loss_weight` 是正则化图像损失的权重。通常设为1.0。 将要训练的步数 `max_train_steps` 设置为1600。在这里，学习率 `learning_rate` 被设置为1e-6。 为了节省内存，设置 `mixed_precision="fp16"`（在 RTX30 系列及更高版本中也可以设置为 `bf16`）。同时指定 `gradient_checkpointing`。 为了使用内存消耗较少的 8bit AdamW 优化器（将模型优化为适合于训练数据的状态），指定 `optimizer_type="AdamW8bit"`。 指定 `xformers` 选项，并使用 xformers 的 CrossAttention。如果未安装 xformers 或出现错误（具体情况取决于环境，例如使用 `mixed_precision="no"`），则可以指定 `mem_eff_attn` 选项以使用省内存版的 CrossAttention（速度会变慢）。 为了节省内存，指定 `cache_latents` 选项以缓存 VAE 的输出。 如果有足够的内存，请编辑 `.toml` 文件将批处理大小增加到大约 `4`（可能会提高速度和精度）。此外，取消 `cache_latents` 选项可以进行数据增强。 ### 常用选项 对于以下情况，请参阅“常用选项”部分。 - 学习 Stable Diffusion 2.x 或其衍生模型。 - 学习基于 clip skip 大于等于2的模型。 - 学习超过75个令牌的标题。 ### 关于DreamBooth中的步数 为了实现省内存化，该脚本中每个步骤的学习次数减半（因为学习和正则化的图像在训练时被分为不同的批次）。 要进行与原始Diffusers版或XavierXiao的Stable Diffusion版几乎相同的学习，请将步骤数加倍。 （虽然在将学习图像和正则化图像整合后再打乱顺序，但我认为对学习没有太大影响。） 关于DreamBooth的批量大小 与像LoRA这样的学习相比，为了训练整个模型，内存消耗量会更大（与微调相同）。 关于学习率 在Diffusers版中，学习率为5e-6，而在Stable Diffusion版中为1e-6，因此在上面的示例中指定了1e-6。 当使用旧格式的数据集指定命令行时 使用选项指定分辨率和批量大小。命令行示例如下。 ``` accelerate launch --num_cpu_threads_per_process 1 train_db.py --pretrained_model_name_or_path=<.ckpt或.safetensord或Diffusers版模型的目录> --train_data_dir=<训练数据的目录> --reg_data_dir=<正则化图像的目录> --output_dir=<训练后模型的输出目录> --output_name=<训练后模型输出文件的名称> --prior_loss_weight=1.0 --resolution=512 --train_batch_size=1 --learning_rate=1e-6 --max_train_steps=1600 --use_8bit_adam --xformers --mixed_precision="bf16" --cache_latents --gradient_checkpointing ``` ## 使用训练好的模型生成图像 训练完成后，将在指定的文件夹中以指定的名称输出safetensors文件。 对于v1.4/1.5和其他派生模型，可以在此模型中使用Automatic1111先生的WebUI进行推断。请将其放置在models\Stable-diffusion文件夹中。 对于使用v2.x模型在WebUI中生成图像的情况，需要单独的.yaml文件来描述模型的规格。对于v2.x base，需要v2-inference.yaml，对于768/v，则需要v2-inference-v.yaml。请将它们放置在相同的文件夹中，并将文件扩展名之前的部分命名为与模型相同的名称。 ![image](https://user-images.githubusercontent.com/52813779/210776915-061d79c3-6582-42c2-8884-8b91d2f07313.png) 每个yaml文件都在[Stability AI的SD2.0存储库](https://github.com/Stability-AI/stablediffusion/tree/main/configs/stable-diffusion)……之中。 # DreamBooth的其他主要选项 有关所有选项的详细信息，请参阅另一份文档。 ## 不在中途开始对文本编码器进行训练 --stop_text_encoder_training 如果在stop_text_encoder_training选项中指定一个数字，则在该步骤之后，将不再对文本编码器进行训练，只会对U-Net进行训练。在某些情况下，可能会期望提高精度。 （我们推测可能会有时候仅仅文本编码器会过度学习，而这样做可以避免这种情况，但详细影响尚不清楚。） ## 不进行分词器的填充 --no_token_padding 如果指定no_token_padding选项，则不会对分词器的输出进行填充（与Diffusers版本的旧DreamBooth相同）。 ================================================ FILE: docs/train_lllite_README-ja.md ================================================ # ControlNet-LLLite について __きわめて実験的な実装のため、将来的に大きく変更される可能性があります。__ ## 概要 ControlNet-LLLite は、[ControlNet](https://github.com/lllyasviel/ControlNet) の軽量版です。LoRA Like Lite という意味で、LoRAからインスピレーションを得た構造を持つ、軽量なControlNetです。現在はSDXLにのみ対応しています。 ## サンプルの重みファイルと推論 こちらにあります: https://huggingface.co/kohya-ss/controlnet-lllite ComfyUIのカスタムノードを用意しています。: https://github.com/kohya-ss/ControlNet-LLLite-ComfyUI 生成サンプルはこのページの末尾にあります。 ## モデル構造 ひとつのLLLiteモジュールは、制御用画像（以下conditioning image）を潜在空間に写像するconditioning image embeddingと、LoRAにちょっと似た構造を持つ小型のネットワークからなります。LLLiteモジュールを、LoRAと同様にU-NetのLinearやConvに追加します。詳しくはソースコードを参照してください。 推論環境の制限で、現在はCrossAttentionのみ（attn1のq/k/v、attn2のq）に追加されます。 ## モデルの学習 ### データセットの準備 DreamBooth 方式の dataset で、`conditioning_data_dir` で指定したディレクトリにconditioning imageを格納してください。 （finetuning 方式の dataset はサポートしていません。） conditioning imageは学習用画像と同じbasenameを持つ必要があります。また、conditioning imageは学習用画像と同じサイズに自動的にリサイズされます。conditioning imageにはキャプションファイルは不要です。 たとえば、キャプションにフォルダ名ではなくキャプションファイルを用いる場合の設定ファイルは以下のようになります。 ```toml [[datasets.subsets]] image_dir = "path/to/image/dir" caption_extension = ".txt" conditioning_data_dir = "path/to/conditioning/image/dir" ``` 現時点の制約として、random_cropは使用できません。 学習データとしては、元のモデルで生成した画像を学習用画像として、そこから加工した画像をconditioning imageとした、合成によるデータセットを用いるのがもっとも簡単です（データセットの品質的には問題があるかもしれません）。具体的なデータセットの合成方法については後述します。 なお、元モデルと異なる画風の画像を学習用画像とすると、制御に加えて、その画風についても学ぶ必要が生じます。ControlNet-LLLiteは容量が少ないため、画風学習には不向きです。このような場合には、後述の次元数を多めにしてください。 ### 学習 スクリプトで生成する場合は、`sdxl_train_control_net_lllite.py` を実行してください。`--cond_emb_dim` でconditioning image embeddingの次元数を指定できます。`--network_dim` でLoRA的モジュールのrankを指定できます。その他のオプションは`sdxl_train_network.py`に準じますが、`--network_module`の指定は不要です。 学習時にはメモリを大量に使用しますので、キャッシュやgradient checkpointingなどの省メモリ化のオプションを有効にしてください。また`--full_bf16` オプションで、BFloat16を使用するのも有効です（RTX 30シリーズ以降のGPUが必要です）。24GB VRAMで動作確認しています。 conditioning image embeddingの次元数は、サンプルのCannyでは32を指定しています。LoRA的モジュールのrankは同じく64です。対象とするconditioning imageの特徴に合わせて調整してください。 （サンプルのCannyは恐らくかなり難しいと思われます。depthなどでは半分程度にしてもいいかもしれません。） 以下は .toml の設定例です。 ```toml pretrained_model_name_or_path = "/path/to/model_trained_on.safetensors" max_train_epochs = 12 max_data_loader_n_workers = 4 persistent_data_loader_workers = true seed = 42 gradient_checkpointing = true mixed_precision = "bf16" save_precision = "bf16" full_bf16 = true optimizer_type = "adamw8bit" learning_rate = 2e-4 xformers = true output_dir = "/path/to/output/dir" output_name = "output_name" save_every_n_epochs = 1 save_model_as = "safetensors" vae_batch_size = 4 cache_latents = true cache_latents_to_disk = true cache_text_encoder_outputs = true cache_text_encoder_outputs_to_disk = true network_dim = 64 cond_emb_dim = 32 dataset_config = "/path/to/dataset.toml" ``` ### 推論 スクリプトで生成する場合は、`sdxl_gen_img.py` を実行してください。`--control_net_lllite_models` でLLLiteのモデルファイルを指定できます。次元数はモデルファイルから自動取得します。 `--guide_image_path`で推論に用いるconditioning imageを指定してください。なおpreprocessは行われないため、たとえばCannyならCanny処理を行った画像を指定してください（背景黒に白線）。`--control_net_preps`, `--control_net_weights`, `--control_net_ratios` には未対応です。 ## データセットの合成方法 ### 学習用画像の生成 学習のベースとなるモデルで画像生成を行います。Web UIやComfyUIなどで生成してください。画像サイズはモデルのデフォルトサイズで良いと思われます（1024x1024など）。bucketingを用いることもできます。その場合は適宜適切な解像度で生成してください。 生成時のキャプション等は、ControlNet-LLLiteの利用時に生成したい画像にあわせるのが良いと思われます。 生成した画像を任意のディレクトリに保存してください。このディレクトリをデータセットの設定ファイルで指定します。 当リポジトリ内の `sdxl_gen_img.py` でも生成できます。例えば以下のように実行します。 ```dos python sdxl_gen_img.py --ckpt path/to/model.safetensors --n_iter 1 --scale 10 --steps 36 --outdir path/to/output/dir --xformers --W 1024 --H 1024 --original_width 2048 --original_height 2048 --bf16 --sampler ddim --batch_size 4 --vae_batch_size 2 --images_per_prompt 512 --max_embeddings_multiples 1 --prompt "{portrait|digital art|anime screen cap|detailed illustration} of 1girl, {standing|sitting|walking|running|dancing} on {classroom|street|town|beach|indoors|outdoors}, {looking at viewer|looking away|looking at another}, {in|wearing} {shirt and skirt|school uniform|casual wear} { |, dynamic pose}, (solo), teen age, {0-1$$smile,|blush,|kind smile,|expression less,|happy,|sadness,} {0-1$$upper body,|full body,|cowboy shot,|face focus,} trending on pixiv, {0-2$$depth of fields,|8k wallpaper,|highly detailed,|pov,} {0-1$$summer, |winter, |spring, |autumn, } beautiful face { |, from below|, from above|, from side|, from behind|, from back} --n nsfw, bad face, lowres, low quality, worst quality, low effort, watermark, signature, ugly, poorly drawn" ``` VRAM 24GBの設定です。VRAMサイズにより`--batch_size` `--vae_batch_size`を調整してください。 `--prompt`でワイルドカードを利用してランダムに生成しています。適宜調整してください。 ### 画像の加工 外部のプログラムを用いて、生成した画像を加工します。加工した画像を任意のディレクトリに保存してください。これらがconditioning imageになります。 加工にはたとえばCannyなら以下のようなスクリプトが使えます。 ```python import glob import os import random import cv2 import numpy as np IMAGES_DIR = "path/to/generated/images" CANNY_DIR = "path/to/canny/images" os.makedirs(CANNY_DIR, exist_ok=True) img_files = glob.glob(IMAGES_DIR + "/*.png") for img_file in img_files: can_file = CANNY_DIR + "/" + os.path.basename(img_file) if os.path.exists(can_file): print("Skip: " + img_file) continue print(img_file) img = cv2.imread(img_file) # random threshold # while True: # threshold1 = random.randint(0, 127) # threshold2 = random.randint(128, 255) # if threshold2 - threshold1 > 80: # break # fixed threshold threshold1 = 100 threshold2 = 200 img = cv2.Canny(img, threshold1, threshold2) cv2.imwrite(can_file, img) ``` ### キャプションファイルの作成 学習用画像のbasenameと同じ名前で、それぞれの画像に対応したキャプションファイルを作成してください。生成時のプロンプトをそのまま利用すれば良いと思われます。 `sdxl_gen_img.py` で生成した場合は、画像内のメタデータに生成時のプロンプトが記録されていますので、以下のようなスクリプトで学習用画像と同じディレクトリにキャプションファイルを作成できます（拡張子 `.txt`）。 ```python import glob import os from PIL import Image IMAGES_DIR = "path/to/generated/images" img_files = glob.glob(IMAGES_DIR + "/*.png") for img_file in img_files: cap_file = img_file.replace(".png", ".txt") if os.path.exists(cap_file): print(f"Skip: {img_file}") continue print(img_file) img = Image.open(img_file) prompt = img.text["prompt"] if "prompt" in img.text else "" if prompt == "": print(f"Prompt not found in {img_file}") with open(cap_file, "w") as f: f.write(prompt + "\n") ``` ### データセットの設定ファイルの作成 コマンドラインオプションからの指定も可能ですが、`.toml`ファイルを作成する場合は `conditioning_data_dir` に加工した画像を保存したディレクトリを指定します。 以下は設定ファイルの例です。 ```toml [general] flip_aug = false color_aug = false resolution = [1024,1024] [[datasets]] batch_size = 8 enable_bucket = false [[datasets.subsets]] image_dir = "path/to/generated/image/dir" caption_extension = ".txt" conditioning_data_dir = "path/to/canny/image/dir" ``` ## 謝辞 ControlNetの作者である lllyasviel 氏、実装上のアドバイスとトラブル解決へのご尽力をいただいた furusu 氏、ControlNetデータセットを実装していただいた ddPn08 氏に感謝いたします。 ## サンプル Canny ![kohya_ss_girl_standing_at_classroom_smiling_to_the_viewer_class_78976b3e-0d4d-4ea0-b8e3-053ae493abbc](https://github.com/kohya-ss/sd-scripts/assets/52813779/37e9a736-649b-4c0f-ab26-880a1bf319b5) ![im_20230820104253_000_1](https://github.com/kohya-ss/sd-scripts/assets/52813779/c8896900-ab86-4120-932f-6e2ae17b77c0) ![im_20230820104302_000_1](https://github.com/kohya-ss/sd-scripts/assets/52813779/b12457a0-ee3c-450e-ba9a-b712d0fe86bb) ![im_20230820104310_000_1](https://github.com/kohya-ss/sd-scripts/assets/52813779/8845b8d9-804a-44ac-9618-113a28eac8a1) ================================================ FILE: docs/train_lllite_README.md ================================================ # About ControlNet-LLLite __This is an extremely experimental implementation and may change significantly in the future.__ 日本語版は[こちら](./train_lllite_README-ja.md) ## Overview ControlNet-LLLite is a lightweight version of [ControlNet](https://github.com/lllyasviel/ControlNet). It is a "LoRA Like Lite" that is inspired by LoRA and has a lightweight structure. Currently, only SDXL is supported. ## Sample weight file and inference Sample weight file is available here: https://huggingface.co/kohya-ss/controlnet-lllite A custom node for ComfyUI is available: https://github.com/kohya-ss/ControlNet-LLLite-ComfyUI Sample images are at the end of this page. ## Model structure A single LLLite module consists of a conditioning image embedding that maps a conditioning image to a latent space and a small network with a structure similar to LoRA. The LLLite module is added to U-Net's Linear and Conv in the same way as LoRA. Please refer to the source code for details. Due to the limitations of the inference environment, only CrossAttention (attn1 q/k/v, attn2 q) is currently added. ## Model training ### Preparing the dataset In addition to the normal DreamBooth method dataset, please store the conditioning image in the directory specified by `conditioning_data_dir`. The conditioning image must have the same basename as the training image. The conditioning image will be automatically resized to the same size as the training image. The conditioning image does not require a caption file. (We do not support the finetuning method dataset.) ```toml [[datasets.subsets]] image_dir = "path/to/image/dir" caption_extension = ".txt" conditioning_data_dir = "path/to/conditioning/image/dir" ``` At the moment, random_crop cannot be used. For training data, it is easiest to use a synthetic dataset with the original model-generated images as training images and processed images as conditioning images (the quality of the dataset may be problematic). See below for specific methods of synthesizing datasets. Note that if you use an image with a different art style than the original model as a training image, the model will have to learn not only the control but also the art style. ControlNet-LLLite has a small capacity, so it is not suitable for learning art styles. In such cases, increase the number of dimensions as described below. ### Training Run `sdxl_train_control_net_lllite.py`. You can specify the dimension of the conditioning image embedding with `--cond_emb_dim`. You can specify the rank of the LoRA-like module with `--network_dim`. Other options are the same as `sdxl_train_network.py`, but `--network_module` is not required. Since a large amount of memory is used during training, please enable memory-saving options such as cache and gradient checkpointing. It is also effective to use BFloat16 with the `--full_bf16` option (requires RTX 30 series or later GPU). It has been confirmed to work with 24GB VRAM. For the sample Canny, the dimension of the conditioning image embedding is 32. The rank of the LoRA-like module is also 64. Adjust according to the features of the conditioning image you are targeting. (The sample Canny is probably quite difficult. It may be better to reduce it to about half for depth, etc.) The following is an example of a .toml configuration. ```toml pretrained_model_name_or_path = "/path/to/model_trained_on.safetensors" max_train_epochs = 12 max_data_loader_n_workers = 4 persistent_data_loader_workers = true seed = 42 gradient_checkpointing = true mixed_precision = "bf16" save_precision = "bf16" full_bf16 = true optimizer_type = "adamw8bit" learning_rate = 2e-4 xformers = true output_dir = "/path/to/output/dir" output_name = "output_name" save_every_n_epochs = 1 save_model_as = "safetensors" vae_batch_size = 4 cache_latents = true cache_latents_to_disk = true cache_text_encoder_outputs = true cache_text_encoder_outputs_to_disk = true network_dim = 64 cond_emb_dim = 32 dataset_config = "/path/to/dataset.toml" ``` ### Inference If you want to generate images with a script, run `sdxl_gen_img.py`. You can specify the LLLite model file with `--control_net_lllite_models`. The dimension is automatically obtained from the model file. Specify the conditioning image to be used for inference with `--guide_image_path`. Since preprocess is not performed, if it is Canny, specify an image processed with Canny (white line on black background). `--control_net_preps`, `--control_net_weights`, and `--control_net_ratios` are not supported. ## How to synthesize a dataset ### Generating training images Generate images with the base model for training. Please generate them with Web UI or ComfyUI etc. The image size should be the default size of the model (1024x1024, etc.). You can also use bucketing. In that case, please generate it at an arbitrary resolution. The captions and other settings when generating the images should be the same as when generating the images with the trained ControlNet-LLLite model. Save the generated images in an arbitrary directory. Specify this directory in the dataset configuration file. You can also generate them with `sdxl_gen_img.py` in this repository. For example, run as follows: ```dos python sdxl_gen_img.py --ckpt path/to/model.safetensors --n_iter 1 --scale 10 --steps 36 --outdir path/to/output/dir --xformers --W 1024 --H 1024 --original_width 2048 --original_height 2048 --bf16 --sampler ddim --batch_size 4 --vae_batch_size 2 --images_per_prompt 512 --max_embeddings_multiples 1 --prompt "{portrait|digital art|anime screen cap|detailed illustration} of 1girl, {standing|sitting|walking|running|dancing} on {classroom|street|town|beach|indoors|outdoors}, {looking at viewer|looking away|looking at another}, {in|wearing} {shirt and skirt|school uniform|casual wear} { |, dynamic pose}, (solo), teen age, {0-1$$smile,|blush,|kind smile,|expression less,|happy,|sadness,} {0-1$$upper body,|full body,|cowboy shot,|face focus,} trending on pixiv, {0-2$$depth of fields,|8k wallpaper,|highly detailed,|pov,} {0-1$$summer, |winter, |spring, |autumn, } beautiful face { |, from below|, from above|, from side|, from behind|, from back} --n nsfw, bad face, lowres, low quality, worst quality, low effort, watermark, signature, ugly, poorly drawn" ``` This is a setting for VRAM 24GB. Adjust `--batch_size` and `--vae_batch_size` according to the VRAM size. The images are generated randomly using wildcards in `--prompt`. Adjust as necessary. ### Processing images Use an external program to process the generated images. Save the processed images in an arbitrary directory. These will be the conditioning images. For example, you can use the following script to process the images with Canny. ```python import glob import os import random import cv2 import numpy as np IMAGES_DIR = "path/to/generated/images" CANNY_DIR = "path/to/canny/images" os.makedirs(CANNY_DIR, exist_ok=True) img_files = glob.glob(IMAGES_DIR + "/*.png") for img_file in img_files: can_file = CANNY_DIR + "/" + os.path.basename(img_file) if os.path.exists(can_file): print("Skip: " + img_file) continue print(img_file) img = cv2.imread(img_file) # random threshold # while True: # threshold1 = random.randint(0, 127) # threshold2 = random.randint(128, 255) # if threshold2 - threshold1 > 80: # break # fixed threshold threshold1 = 100 threshold2 = 200 img = cv2.Canny(img, threshold1, threshold2) cv2.imwrite(can_file, img) ``` ### Creating caption files Create a caption file for each image with the same basename as the training image. It is fine to use the same caption as the one used when generating the image. If you generated the images with `sdxl_gen_img.py`, you can use the following script to create the caption files (`*.txt`) from the metadata in the generated images. ```python import glob import os from PIL import Image IMAGES_DIR = "path/to/generated/images" img_files = glob.glob(IMAGES_DIR + "/*.png") for img_file in img_files: cap_file = img_file.replace(".png", ".txt") if os.path.exists(cap_file): print(f"Skip: {img_file}") continue print(img_file) img = Image.open(img_file) prompt = img.text["prompt"] if "prompt" in img.text else "" if prompt == "": print(f"Prompt not found in {img_file}") with open(cap_file, "w") as f: f.write(prompt + "\n") ``` ### Creating a dataset configuration file You can use the command line argument `--conditioning_data_dir` of `sdxl_train_control_net_lllite.py` to specify the conditioning image directory. However, if you want to use a `.toml` file, specify the conditioning image directory in `conditioning_data_dir`. ```toml [general] flip_aug = false color_aug = false resolution = [1024,1024] [[datasets]] batch_size = 8 enable_bucket = false [[datasets.subsets]] image_dir = "path/to/generated/image/dir" caption_extension = ".txt" conditioning_data_dir = "path/to/canny/image/dir" ``` ## Credit I would like to thank lllyasviel, the author of ControlNet, furusu, who provided me with advice on implementation and helped me solve problems, and ddPn08, who implemented the ControlNet dataset. ## Sample Canny ![kohya_ss_girl_standing_at_classroom_smiling_to_the_viewer_class_78976b3e-0d4d-4ea0-b8e3-053ae493abbc](https://github.com/kohya-ss/sd-scripts/assets/52813779/37e9a736-649b-4c0f-ab26-880a1bf319b5) ![im_20230820104253_000_1](https://github.com/kohya-ss/sd-scripts/assets/52813779/c8896900-ab86-4120-932f-6e2ae17b77c0) ![im_20230820104302_000_1](https://github.com/kohya-ss/sd-scripts/assets/52813779/b12457a0-ee3c-450e-ba9a-b712d0fe86bb) ![im_20230820104310_000_1](https://github.com/kohya-ss/sd-scripts/assets/52813779/8845b8d9-804a-44ac-9618-113a28eac8a1) ================================================ FILE: docs/train_network.md ================================================ # How to use the LoRA training script `train_network.py` / LoRA学習スクリプト `train_network.py` の使い方 This document explains the basic procedures for training LoRA (Low-Rank Adaptation) models using `train_network.py` included in the `sd-scripts` repository.
日本語 このドキュメントでは、`sd-scripts` リポジトリに含まれる `train_network.py` を使用して LoRA (Low-Rank Adaptation) モデルを学習する基本的な手順について解説します。
## 1. Introduction / はじめに `train_network.py` is a script for training additional networks such as LoRA on Stable Diffusion models (v1.x, v2.x). It allows for additional training on the original model with a low computational cost, enabling the creation of models that reproduce specific characters or art styles. This guide focuses on LoRA training and explains the basic configuration items. **Prerequisites:** * The `sd-scripts` repository has been cloned and the Python environment has been set up. * The training dataset has been prepared. (For dataset preparation, please refer to [this guide](link/to/dataset/doc))
日本語 `train_network.py` は、Stable Diffusion モデル（v1.x, v2.x）に対して、LoRA などの追加ネットワークを学習させるためのスクリプトです。少ない計算コストで元のモデルに追加学習を行い、特定のキャラクターや画風を再現するモデルを作成できます。 このガイドでは、LoRA 学習に焦点を当て、基本的な設定項目を中心に説明します。 **前提条件:** * `sd-scripts` リポジトリのクローンと Python 環境のセットアップが完了していること。 * 学習用データセットの準備が完了していること。（データセットの準備については[こちら](link/to/dataset/doc)を参照してください）
## 2. Preparation / 準備 Before starting training, you will need the following files: 1. **Training script:** `train_network.py` 2. **Dataset definition file (.toml):** A file in TOML format that describes the configuration of the training dataset. ### About the Dataset Definition File / データセット定義ファイルについて The dataset definition file (`.toml`) contains detailed settings such as the directory of images to use, repetition count, caption settings, resolution buckets (optional), etc. For more details on how to write the dataset definition file, please refer to the [Dataset Configuration Guide](./config_README-en.md). In this guide, we will use a file named `my_dataset_config.toml` as an example.
日本語 学習を開始する前に、以下のファイルが必要です。 1. **学習スクリプト:** `train_network.py` 2. **データセット定義ファイル (.toml):** 学習データセットの設定を記述した TOML 形式のファイル。 **データセット定義ファイルについて** データセット定義ファイル (`.toml`) には、使用する画像のディレクトリ、繰り返し回数、キャプションの設定、Aspect Ratio Bucketing（任意）などの詳細な設定を記述します。 データセット定義ファイルの詳しい書き方については、[データセット設定ガイド](./config_README-ja.md)を参照してください。 ここでは、例として `my_dataset_config.toml` という名前のファイルを使用することにします。
## 3. Running the Training / 学習の実行 Training is started by executing `train_network.py` from the terminal. When executing, various training settings are specified as command-line arguments. Below is a basic command-line execution example: ```bash accelerate launch --num_cpu_threads_per_process 1 train_network.py --pretrained_model_name_or_path="" --dataset_config="my_dataset_config.toml" --output_dir="" --output_name="my_lora" --save_model_as=safetensors --network_module=networks.lora --network_dim=16 --network_alpha=1 --learning_rate=1e-4 --optimizer_type="AdamW8bit" --lr_scheduler="constant" --sdpa --max_train_epochs=10 --save_every_n_epochs=1 --mixed_precision="fp16" --gradient_checkpointing ``` In reality, you need to write this in a single line, but it's shown with line breaks for readability (on Linux or Mac, you can add `\` at the end of each line to break lines). For Windows, either write it in a single line without breaks or add `^` at the end of each line. Next, we'll explain the main command-line arguments.
日本語 学習は、ターミナルから `train_network.py` を実行することで開始します。実行時には、学習に関する様々な設定をコマンドライン引数として指定します。 以下に、基本的なコマンドライン実行例を示します。 実際には1行で書く必要がありますが、見やすさのために改行しています（Linux や Mac では `\` を行末に追加することで改行できます）。Windows の場合は、改行せずに1行で書くか、`^` を行末に追加してください。 次に、主要なコマンドライン引数について解説します。
### 3.1. Main Command-Line Arguments / 主要なコマンドライン引数 #### Model Related / モデル関連 * `--pretrained_model_name_or_path=""` **[Required]** * Specifies the Stable Diffusion model to be used as the base for training. You can specify the path to a local `.ckpt` or `.safetensors` file, or a directory containing a Diffusers format model. You can also specify a Hugging Face Hub model ID (e.g., `"stabilityai/stable-diffusion-2-1-base"`). * `--v2` * Specify this when the base model is Stable Diffusion v2.x. * `--v_parameterization` * Specify this when training with a v-prediction model (such as v2.x 768px models). #### Dataset Related / データセット関連 * `--dataset_config=""` * Specifies the path to a `.toml` file describing the dataset configuration. (For details on dataset configuration, see [here](link/to/dataset/config/doc)) * It's also possible to specify dataset settings from the command line, but using a `.toml` file is recommended as it becomes lengthy. #### Output and Save Related / 出力・保存関連 * `--output_dir=""` **[Required]** * Specifies the directory where trained LoRA models, sample images, logs, etc. will be output. * `--output_name=""` **[Required]** * Specifies the filename of the trained LoRA model (excluding the extension). * `--save_model_as="safetensors"` * Specifies the format for saving the model. You can choose from `safetensors` (recommended), `ckpt`, or `pt`. The default is `safetensors`. * `--save_every_n_epochs=1` * Saves the model every specified number of epochs. If not specified, only the final model will be saved. * `--save_every_n_steps=1000` * Saves the model every specified number of steps. If both epoch and step saving are specified, both will be saved. #### LoRA Parameters / LoRA パラメータ * `--network_module=networks.lora` **[Required]** * Specifies the type of network to train. For LoRA, specify `networks.lora`. * `--network_dim=16` **[Required]** * Specifies the rank (dimension) of LoRA. Higher values increase expressiveness but also increase file size and computational cost. Values between 4 and 128 are commonly used. There is no default (module dependent). * `--network_alpha=1` * Specifies the alpha value for LoRA. This parameter is related to learning rate scaling. It is generally recommended to set it to about half the value of `network_dim`, but it can also be the same value as `network_dim`. The default is 1. Setting it to the same value as `network_dim` will result in behavior similar to older versions. * `--network_args` * Used to specify additional parameters specific to the LoRA module. For example, to use Conv2d (3x3) LoRA (LoRA-C3Lier), specify the following in `--network_args`. Use `conv_dim` to specify the rank for Conv2d (3x3) and `conv_alpha` for alpha. ``` --network_args "conv_dim=4" "conv_alpha=1" ``` If alpha is omitted as shown below, it defaults to 1. ``` --network_args "conv_dim=4" ``` #### Training Parameters / 学習パラメータ * `--learning_rate=1e-4` * Specifies the learning rate. For LoRA training (when alpha value is 1), relatively higher values (e.g., from `1e-4` to `1e-3`) are often used. * `--unet_lr=1e-4` * Used to specify a separate learning rate for the LoRA modules in the U-Net part. If not specified, the value of `--learning_rate` is used. * `--text_encoder_lr=1e-5` * Used to specify a separate learning rate for the LoRA modules in the Text Encoder part. If not specified, the value of `--learning_rate` is used. A smaller value than that for U-Net is recommended. * `--optimizer_type="AdamW8bit"` * Specifies the optimizer to use for training. Options include `AdamW8bit` (requires `bitsandbytes`), `AdamW`, `Lion` (requires `lion-pytorch`), `DAdaptation` (requires `dadaptation`), and `Adafactor`. `AdamW8bit` is memory-efficient and widely used. * `--lr_scheduler="constant"` * Specifies the learning rate scheduler. This is the method for changing the learning rate as training progresses. Options include `constant` (no change), `cosine` (cosine curve), `linear` (linear decay), `constant_with_warmup` (constant with warmup), and `cosine_with_restarts`. `constant`, `cosine`, and `constant_with_warmup` are commonly used. * `--lr_warmup_steps=500` * Specifies the number of warmup steps for the learning rate scheduler. This is the period during which the learning rate gradually increases at the start of training. Valid when the `lr_scheduler` supports warmup. * `--max_train_steps=10000` * Specifies the total number of training steps. If `max_train_epochs` is specified, that takes precedence. * `--max_train_epochs=12` * Specifies the number of training epochs. If this is specified, `max_train_steps` is ignored. * `--sdpa` * Uses Scaled Dot-Product Attention. This can reduce memory usage and improve training speed for LoRA training. * `--mixed_precision="fp16"` * Specifies the mixed precision training setting. Options are `no` (disabled), `fp16` (half precision), and `bf16` (bfloat16). If your GPU supports it, specifying `fp16` or `bf16` can improve training speed and reduce memory usage. * `--gradient_accumulation_steps=1` * Specifies the number of steps to accumulate gradients. This effectively increases the batch size to `train_batch_size * gradient_accumulation_steps`. Set a larger value if GPU memory is insufficient. Usually `1` is fine. #### Others / その他 * `--seed=42` * Specifies the random seed. Set this if you want to ensure reproducibility of the training. * `--logging_dir=""` * Specifies the directory to output logs for TensorBoard, etc. If not specified, logs will not be output. * `--log_prefix=""` * Specifies the prefix for the subdirectory name created within `logging_dir`. * `--gradient_checkpointing` * Enables Gradient Checkpointing. This can significantly reduce memory usage but slightly decreases training speed. Useful when memory is limited. * `--clip_skip=1` * Specifies how many layers to skip from the last layer of the Text Encoder. Specifying `2` will use the output from the second-to-last layer. `None` or `1` means no skip (uses the last layer). Check the recommended value for the model you are training.
日本語 #### モデル関連 * `--pretrained_model_name_or_path="<モデルのパス>"` **[必須]** * 学習のベースとなる Stable Diffusion モデルを指定します。ローカルの `.ckpt` または `.safetensors` ファイルのパス、あるいは Diffusers 形式モデルのディレクトリを指定できます。Hugging Face Hub のモデル ID (例: `"stabilityai/stable-diffusion-2-1-base"`) も指定可能です。 * `--v2` * ベースモデルが Stable Diffusion v2.x の場合に指定します。 * `--v_parameterization` * v-prediction モデル（v2.x の 768px モデルなど）で学習する場合に指定します。 #### データセット関連 * `--dataset_config="<設定ファイルのパス>"` * データセット設定を記述した `.toml` ファイルのパスを指定します。（データセット設定の詳細は[こちら](link/to/dataset/config/doc)） * コマンドラインからデータセット設定を指定することも可能ですが、長くなるため `.toml` ファイルを使用することを推奨します。 #### 出力・保存関連 * `--output_dir="<出力先ディレクトリ>"` **[必須]** * 学習済み LoRA モデルやサンプル画像、ログなどが出力されるディレクトリを指定します。 * `--output_name="<出力ファイル名>"` **[必須]** * 学習済み LoRA モデルのファイル名（拡張子を除く）を指定します。 * `--save_model_as="safetensors"` * モデルの保存形式を指定します。`safetensors` (推奨), `ckpt`, `pt` から選択できます。デフォルトは `safetensors` です。 * `--save_every_n_epochs=1` * 指定したエポックごとにモデルを保存します。省略するとエポックごとの保存は行われません（最終モデルのみ保存）。 * `--save_every_n_steps=1000` * 指定したステップごとにモデルを保存します。エポック指定 (`save_every_n_epochs`) と同時に指定された場合、両方とも保存されます。 #### LoRA パラメータ * `--network_module=networks.lora` **[必須]** * 学習するネットワークの種別を指定します。LoRA の場合は `networks.lora` を指定します。 * `--network_dim=16` **[必須]** * LoRA のランク (rank / 次元数) を指定します。値が大きいほど表現力は増しますが、ファイルサイズと計算コストが増加します。一般的には 4〜128 程度の値が使われます。デフォルトは指定されていません（モジュール依存）。 * `--network_alpha=1` * LoRA のアルファ値 (alpha) を指定します。学習率のスケーリングに関係するパラメータで、一般的には `network_dim` の半分程度の値を指定することが推奨されますが、`network_dim` と同じ値を指定する場合もあります。デフォルトは 1 です。`network_dim` と同じ値に設定すると、旧バージョンと同様の挙動になります。 * `--network_args` * LoRA モジュールに特有の追加パラメータを指定するために使用します。例えば、Conv2d (3x3) の LoRA (LoRA-C3Lier) を使用する場合は`--network_args` に以下のように指定してください。`conv_dim` で Conv2d (3x3) の rank を、`conv_alpha` で alpha を指定します。 ``` --network_args "conv_dim=4" "conv_alpha=1" ``` 以下のように alpha を省略した時は1になります。 ``` --network_args "conv_dim=4" ``` #### 学習パラメータ * `--learning_rate=1e-4` * 学習率を指定します。LoRA 学習では（アルファ値が1の場合）比較的高めの値（例: `1e-4`から`1e-3`）が使われることが多いです。 * `--unet_lr=1e-4` * U-Net 部分の LoRA モジュールに対する学習率を個別に指定する場合に使用します。指定しない場合は `--learning_rate` の値が使用されます。 * `--text_encoder_lr=1e-5` * Text Encoder 部分の LoRA モジュールに対する学習率を個別に指定する場合に使用します。指定しない場合は `--learning_rate` の値が使用されます。U-Net よりも小さめの値が推奨されます。 * `--optimizer_type="AdamW8bit"` * 学習に使用するオプティマイザを指定します。`AdamW8bit` (要 `bitsandbytes`), `AdamW`, `Lion` (要 `lion-pytorch`), `DAdaptation` (要 `dadaptation`), `Adafactor` などが選択可能です。`AdamW8bit` はメモリ効率が良く、広く使われています。 * `--lr_scheduler="constant"` * 学習率スケジューラを指定します。学習の進行に合わせて学習率を変化させる方法です。`constant` (変化なし), `cosine` (コサインカーブ), `linear` (線形減衰), `constant_with_warmup` (ウォームアップ付き定数), `cosine_with_restarts` などが選択可能です。`constant`や`cosine` 、 `constant_with_warmup` がよく使われます。 * `--lr_warmup_steps=500` * 学習率スケジューラのウォームアップステップ数を指定します。学習開始時に学習率を徐々に上げていく期間です。`lr_scheduler` がウォームアップをサポートする場合に有効です。 * `--max_train_steps=10000` * 学習の総ステップ数を指定します。`max_train_epochs` が指定されている場合はそちらが優先されます。 * `--max_train_epochs=12` * 学習のエポック数を指定します。これを指定すると `max_train_steps` は無視されます。 * `--sdpa` * Scaled Dot-Product Attention を使用します。LoRA の学習において、メモリ使用量を削減し、学習速度を向上させることができます。 * `--mixed_precision="fp16"` * 混合精度学習の設定を指定します。`no` (無効), `fp16` (半精度), `bf16` (bfloat16) から選択できます。GPU が対応している場合は `fp16` または `bf16` を指定することで、学習速度の向上とメモリ使用量の削減が期待できます。 * `--gradient_accumulation_steps=1` * 勾配を累積するステップ数を指定します。実質的なバッチサイズを `train_batch_size * gradient_accumulation_steps` に増やす効果があります。GPU メモリが足りない場合に大きな値を設定します。通常は `1` で問題ありません。 #### その他 * `--seed=42` * 乱数シードを指定します。学習の再現性を確保したい場合に設定します。 * `--logging_dir="<ログディレクトリ>"` * TensorBoard などのログを出力するディレクトリを指定します。指定しない場合、ログは出力されません。 * `--log_prefix="<プレフィックス>"` * `logging_dir` 内に作成されるサブディレクトリ名の接頭辞を指定します。 * `--gradient_checkpointing` * Gradient Checkpointing を有効にします。メモリ使用量を大幅に削減できますが、学習速度は若干低下します。メモリが厳しい場合に有効です。 * `--clip_skip=1` * Text Encoder の最後の層から数えて何層スキップするかを指定します。`2` を指定すると最後から 2 層目の出力を使用します。`None` または `1` はスキップなし（最後の層を使用）を意味します。学習対象のモデルの推奨する値を確認してください。
### 3.2. Starting the Training / 学習の開始 After setting the necessary arguments and executing the command, training will begin. The progress of the training will be output to the console. If `logging_dir` is specified, you can visually check the training status (loss, learning rate, etc.) with TensorBoard. ```bash tensorboard --logdir ```
日本語 必要な引数を設定し、コマンドを実行すると学習が開始されます。学習の進行状況はコンソールに出力されます。`logging_dir` を指定した場合は、TensorBoard などで学習状況（損失や学習率など）を視覚的に確認できます。
## 4. Using the Trained Model / 学習済みモデルの利用 Once training is complete, a LoRA model file (`.safetensors` or `.ckpt`) with the name specified by `output_name` will be saved in the directory specified by `output_dir`. This file can be used with GUI tools such as AUTOMATIC1111/stable-diffusion-webui, ComfyUI, etc.
日本語 学習が完了すると、`output_dir` で指定したディレクトリに、`output_name` で指定した名前の LoRA モデルファイル (`.safetensors` または `.ckpt`) が保存されます。 このファイルは、AUTOMATIC1111/stable-diffusion-webui 、ComfyUI などの GUI ツールで利用できます。
## 5. Other Features / その他の機能 `train_network.py` has many other options not introduced here. * Sample image generation (`--sample_prompts`, `--sample_every_n_steps`, etc.) * More detailed optimizer settings (`--optimizer_args`, etc.) * Caption preprocessing (`--shuffle_caption`, `--keep_tokens`, etc.) * Additional network settings (`--network_args`, etc.) For these features, please refer to the script's help (`python train_network.py --help`) or other documents in the repository.
日本語 `train_network.py` には、ここで紹介した以外にも多くのオプションがあります。 * サンプル画像の生成 (`--sample_prompts`, `--sample_every_n_steps` など) * より詳細なオプティマイザ設定 (`--optimizer_args` など) * キャプションの前処理 (`--shuffle_caption`, `--keep_tokens` など) * ネットワークの追加設定 (`--network_args` など) これらの機能については、スクリプトのヘルプ (`python train_network.py --help`) やリポジトリ内の他のドキュメントを参照してください。
## 6. Additional Information / 追加情報 ### Naming of LoRA The LoRA supported by `train_network.py` has been named to avoid confusion. The documentation has been updated. The following are the names of LoRA types in this repository. 1. __LoRA-LierLa__ : (LoRA for __Li__ n __e__ a __r__ __La__ yers) LoRA for Linear layers and Conv2d layers with 1x1 kernel 2. __LoRA-C3Lier__ : (LoRA for __C__ olutional layers with __3__ x3 Kernel and __Li__ n __e__ a __r__ layers) In addition to 1., LoRA for Conv2d layers with 3x3 kernel LoRA-LierLa is the default LoRA type for `train_network.py` (without `conv_dim` network arg).
日本語 `train_network.py` がサポートするLoRAについて、混乱を避けるため名前を付けました。ドキュメントは更新済みです。以下は当リポジトリ内の独自の名称です。 1. __LoRA-LierLa__ : (LoRA for __Li__ n __e__ a __r__ __La__ yers、リエラと読みます) Linear 層およびカーネルサイズ 1x1 の Conv2d 層に適用されるLoRA 2. __LoRA-C3Lier__ : (LoRA for __C__ olutional layers with __3__ x3 Kernel and __Li__ n __e__ a __r__ layers、セリアと読みます) 1.に加え、カーネルサイズ 3x3 の Conv2d 層に適用されるLoRA デフォルトではLoRA-LierLaが使われます。LoRA-C3Lierを使う場合は `--network_args` に `conv_dim` を指定してください。
================================================ FILE: docs/train_network_README-ja.md ================================================ # LoRAの学習について [LoRA: Low-Rank Adaptation of Large Language Models](https://arxiv.org/abs/2106.09685)（arxiv）、[LoRA](https://github.com/microsoft/LoRA)（github）をStable Diffusionに適用したものです。 [cloneofsimo氏のリポジトリ](https://github.com/cloneofsimo/lora)を大いに参考にさせていただきました。ありがとうございます。 通常のLoRAは Linear およぴカーネルサイズ 1x1 の Conv2d にのみ適用されますが、カーネルサイズ 3x3 のConv2dに適用を拡大することもできます。 Conv2d 3x3への拡大は [cloneofsimo氏](https://github.com/cloneofsimo/lora) が最初にリリースし、KohakuBlueleaf氏が [LoCon](https://github.com/KohakuBlueleaf/LoCon) でその有効性を明らかにしたものです。KohakuBlueleaf氏に深く感謝します。 8GB VRAMでもぎりぎり動作するようです。 [学習についての共通ドキュメント](./train_README-ja.md) もあわせてご覧ください。 # 学習できるLoRAの種類 以下の二種類をサポートします。以下は当リポジトリ内の独自の名称です。 1. __LoRA-LierLa__ : (LoRA for __Li__ n __e__ a __r__ __La__ yers、リエラと読みます) Linear およびカーネルサイズ 1x1 の Conv2d に適用されるLoRA 2. __LoRA-C3Lier__ : (LoRA for __C__ olutional layers with __3__ x3 Kernel and __Li__ n __e__ a __r__ layers、セリアと読みます) 1.に加え、カーネルサイズ 3x3 の Conv2d に適用されるLoRA LoRA-LierLaに比べ、LoRA-C3Liarは適用される層が増える分、高い精度が期待できるかもしれません。 また学習時は __DyLoRA__ を使用することもできます（後述します）。 ## 学習したモデルに関する注意 LoRA-LierLa は、AUTOMATIC1111氏のWeb UIのLoRA機能で使用することができます。 LoRA-C3Liarを使いWeb UIで生成するには、こちらの[WebUI用extension](https://github.com/kohya-ss/sd-webui-additional-networks)を使ってください。 いずれも学習したLoRAのモデルを、Stable Diffusionのモデルにこのリポジトリ内のスクリプトであらかじめマージすることもできます。 cloneofsimo氏のリポジトリ、およびd8ahazard氏の[Dreambooth Extension for Stable-Diffusion-WebUI](https://github.com/d8ahazard/sd_dreambooth_extension)とは、現時点では互換性がありません。いくつかの機能拡張を行っているためです（後述）。 # 学習の手順 あらかじめこのリポジトリのREADMEを参照し、環境整備を行ってください。 ## データの準備 [学習データの準備について](./train_README-ja.md) を参照してください。 ## 学習の実行 `train_network.py`を用います。 `train_network.py`では `--network_module` オプションに、学習対象のモジュール名を指定します。LoRAに対応するのは`network.lora`となりますので、それを指定してください。 なお学習率は通常のDreamBoothやfine tuningよりも高めの、`1e-4`～`1e-3`程度を指定するとよいようです。 以下はコマンドラインの例です。 ``` accelerate launch --num_cpu_threads_per_process 1 train_network.py --pretrained_model_name_or_path=<.ckptまたは.safetensordまたはDiffusers版モデルのディレクトリ> --dataset_config=<データ準備で作成した.tomlファイル> --output_dir=<学習したモデルの出力先フォルダ> --output_name=<学習したモデル出力時のファイル名> --save_model_as=safetensors --prior_loss_weight=1.0 --max_train_steps=400 --learning_rate=1e-4 --optimizer_type="AdamW8bit" --xformers --mixed_precision="fp16" --cache_latents --gradient_checkpointing --save_every_n_epochs=1 --network_module=networks.lora ``` このコマンドラインでは LoRA-LierLa が学習されます。 `--output_dir` オプションで指定したフォルダに、LoRAのモデルが保存されます。他のオプション、オプティマイザ等については [学習の共通ドキュメント](./train_README-ja.md) の「よく使われるオプション」も参照してください。 その他、以下のオプションが指定できます。 * `--network_dim` * LoRAのRANKを指定します（``--networkdim=4``など）。省略時は4になります。数が多いほど表現力は増しますが、学習に必要なメモリ、時間は増えます。また闇雲に増やしても良くないようです。 * `--network_alpha` * アンダーフローを防ぎ安定して学習するための ``alpha`` 値を指定します。デフォルトは1です。``network_dim``と同じ値を指定すると以前のバージョンと同じ動作になります。 * `--persistent_data_loader_workers` * Windows環境で指定するとエポック間の待ち時間が大幅に短縮されます。 * `--max_data_loader_n_workers` * データ読み込みのプロセス数を指定します。プロセス数が多いとデータ読み込みが速くなりGPUを効率的に利用できますが、メインメモリを消費します。デフォルトは「`8` または `CPU同時実行スレッド数-1` の小さいほう」なので、メインメモリに余裕がない場合や、GPU使用率が90%程度以上なら、それらの数値を見ながら `2` または `1` 程度まで下げてください。 * `--network_weights` * 学習前に学習済みのLoRAの重みを読み込み、そこから追加で学習します。 * `--network_train_unet_only` * U-Netに関連するLoRAモジュールのみ有効とします。fine tuning的な学習で指定するとよいかもしれません。 * `--network_train_text_encoder_only` * Text Encoderに関連するLoRAモジュールのみ有効とします。Textual Inversion的な効果が期待できるかもしれません。 * `--unet_lr` * U-Netに関連するLoRAモジュールに、通常の学習率（--learning_rateオプションで指定）とは異なる学習率を使う時に指定します。 * `--text_encoder_lr` * Text Encoderに関連するLoRAモジュールに、通常の学習率（--learning_rateオプションで指定）とは異なる学習率を使う時に指定します。Text Encoderのほうを若干低めの学習率（5e-5など）にしたほうが良い、という話もあるようです。 * `--network_args` * 複数の引数を指定できます。後述します。 * `--alpha_mask` * 画像のアルファ値をマスクとして使用します。透過画像を学習する際に使用します。[PR #1223](https://github.com/kohya-ss/sd-scripts/pull/1223) `--network_train_unet_only` と `--network_train_text_encoder_only` の両方とも未指定時（デフォルト）はText EncoderとU-Netの両方のLoRAモジュールを有効にします。 # その他の学習方法 ## LoRA-C3Lier を学習する `--network_args` に以下のように指定してください。`conv_dim` で Conv2d (3x3) の rank を、`conv_alpha` で alpha を指定してください。 ``` --network_args "conv_dim=4" "conv_alpha=1" ``` 以下のように alpha 省略時は1になります。 ``` --network_args "conv_dim=4" ``` ## DyLoRA DyLoRAはこちらの論文で提案されたものです。[DyLoRA: Parameter Efficient Tuning of Pre-trained Models using Dynamic Search-Free Low-Rank Adaptation](https://arxiv.org/abs/2210.07558)　公式実装は[こちら](https://github.com/huawei-noah/KD-NLP/tree/main/DyLoRA)です。 論文によると、LoRAのrankは必ずしも高いほうが良いわけではなく、対象のモデル、データセット、タスクなどにより適切なrankを探す必要があるようです。DyLoRAを使うと、指定したdim(rank)以下のさまざまなrankで同時にLoRAを学習します。これにより最適なrankをそれぞれ学習して探す手間を省くことができます。 当リポジトリの実装は公式実装をベースに独自の拡張を加えています（そのため不具合などあるかもしれません）。 ### 当リポジトリのDyLoRAの特徴 学習後のDyLoRAのモデルファイルはLoRAと互換性があります。また、モデルファイルから指定したdim(rank)以下の複数のdimのLoRAを抽出できます。 DyLoRA-LierLa、DyLoRA-C3Lierのどちらも学習できます。 ### DyLoRAで学習する `--network_module=networks.dylora` のように、DyLoRAに対応する`network.dylora`を指定してください。 また `--network_args` に、たとえば`--network_args "unit=4"`のように`unit`を指定します。`unit`はrankを分割する単位です。たとえば`--network_dim=16 --network_args "unit=4"` のように指定します。`unit`は`network_dim`を割り切れる値（`network_dim`は`unit`の倍数）としてください。 `unit`を指定しない場合は、`unit=1`として扱われます。 記述例は以下です。 ``` --network_module=networks.dylora --network_dim=16 --network_args "unit=4" --network_module=networks.dylora --network_dim=32 --network_alpha=16 --network_args "unit=4" ``` DyLoRA-C3Lierの場合は、`--network_args` に`"conv_dim=4"`のように`conv_dim`を指定します。通常のLoRAと異なり、`conv_dim`は`network_dim`と同じ値である必要があります。記述例は以下です。 ``` --network_module=networks.dylora --network_dim=16 --network_args "conv_dim=16" "unit=4" --network_module=networks.dylora --network_dim=32 --network_alpha=16 --network_args "conv_dim=32" "conv_alpha=16" "unit=8" ``` たとえばdim=16、unit=4（後述）で学習すると、4、8、12、16の4つのrankのLoRAを学習、抽出できます。抽出した各モデルで画像を生成し、比較することで、最適なrankのLoRAを選択できます。 その他のオプションは通常のLoRAと同じです。 ※ `unit`は当リポジトリの独自拡張で、DyLoRAでは同dim(rank)の通常LoRAに比べると学習時間が長くなることが予想されるため、分割単位を大きくしたものです。 ### DyLoRAのモデルからLoRAモデルを抽出する `networks`フォルダ内の `extract_lora_from_dylora.py`を使用します。指定した`unit`単位で、DyLoRAのモデルからLoRAのモデルを抽出します。 コマンドラインはたとえば以下のようになります。 ```powershell python networks\extract_lora_from_dylora.py --model "foldername/dylora-model.safetensors" --save_to "foldername/dylora-model-split.safetensors" --unit 4 ``` `--model` にはDyLoRAのモデルファイルを指定します。`--save_to` には抽出したモデルを保存するファイル名を指定します（rankの数値がファイル名に付加されます）。`--unit` にはDyLoRAの学習時の`unit`を指定します。 ## 階層別学習率 詳細は[PR #355](https://github.com/kohya-ss/sd-scripts/pull/355) をご覧ください。 フルモデルの25個のブロックの重みを指定できます。最初のブロックに該当するLoRAは存在しませんが、階層別LoRA適用等との互換性のために25個としています。またconv2d3x3に拡張しない場合も一部のブロックにはLoRAが存在しませんが、記述を統一するため常に25個の値を指定してください。 SDXL では down/up 9 個、middle 3 個の値を指定してください。 `--network_args` で以下の引数を指定してください。 - `down_lr_weight` : U-Netのdown blocksの学習率の重みを指定します。以下が指定可能です。 - ブロックごとの重み : `"down_lr_weight=0,0,0,0,0,0,1,1,1,1,1,1"` のように12個（SDXL では 9 個）の数値を指定します。 - プリセットからの指定 : `"down_lr_weight=sine"` のように指定します（サインカーブで重みを指定します）。sine, cosine, linear, reverse_linear, zeros が指定可能です。また `"down_lr_weight=cosine+.25"` のように `+数値` を追加すると、指定した数値を加算します（0.25~1.25になります）。 - `mid_lr_weight` : U-Netのmid blockの学習率の重みを指定します。`"down_lr_weight=0.5"` のように数値を一つだけ指定します（SDXL の場合は 3 個）。 - `up_lr_weight` : U-Netのup blocksの学習率の重みを指定します。down_lr_weightと同様です。 - 指定を省略した部分は1.0として扱われます。また重みを0にするとそのブロックのLoRAモジュールは作成されません。 - `block_lr_zero_threshold` : 重みがこの値以下の場合、LoRAモジュールを作成しません。デフォルトは0です。 ### 階層別学習率コマンドライン指定例: ```powershell --network_args "down_lr_weight=0.5,0.5,0.5,0.5,1.0,1.0,1.0,1.0,1.5,1.5,1.5,1.5" "mid_lr_weight=2.0" "up_lr_weight=1.5,1.5,1.5,1.5,1.0,1.0,1.0,1.0,0.5,0.5,0.5,0.5" --network_args "block_lr_zero_threshold=0.1" "down_lr_weight=sine+.5" "mid_lr_weight=1.5" "up_lr_weight=cosine+.5" ``` ### 階層別学習率tomlファイル指定例: ```toml network_args = [ "down_lr_weight=0.5,0.5,0.5,0.5,1.0,1.0,1.0,1.0,1.5,1.5,1.5,1.5", "mid_lr_weight=2.0", "up_lr_weight=1.5,1.5,1.5,1.5,1.0,1.0,1.0,1.0,0.5,0.5,0.5,0.5",] network_args = [ "block_lr_zero_threshold=0.1", "down_lr_weight=sine+.5", "mid_lr_weight=1.5", "up_lr_weight=cosine+.5", ] ``` ## 階層別dim (rank) フルモデルの25個のブロックのdim (rank)を指定できます。階層別学習率と同様に一部のブロックにはLoRAが存在しない場合がありますが、常に25個の値を指定してください。 SDXL では 23 個の値を指定してください。一部のブロックにはLoRA が存在しませんが、`sdxl_train.py` の[階層別学習率](./train_SDXL-en.md) との互換性のためです。 対応は、`0: time/label embed, 1-9: input blocks 0-8, 10-12: mid blocks 0-2, 13-21: output blocks 0-8, 22: out` です。 `--network_args` で以下の引数を指定してください。 - `block_dims` : 各ブロックのdim (rank)を指定します。`"block_dims=2,2,2,2,4,4,4,4,6,6,6,6,8,6,6,6,6,4,4,4,4,2,2,2,2"` のように25個の数値を指定します。 - `block_alphas` : 各ブロックのalphaを指定します。block_dimsと同様に25個の数値を指定します。省略時はnetwork_alphaの値が使用されます。 - `conv_block_dims` : LoRAをConv2d 3x3に拡張し、各ブロックのdim (rank)を指定します。 - `conv_block_alphas` : LoRAをConv2d 3x3に拡張したときの各ブロックのalphaを指定します。省略時はconv_alphaの値が使用されます。 ### 階層別dim (rank)コマンドライン指定例: ```powershell --network_args "block_dims=2,4,4,4,8,8,8,8,12,12,12,12,16,12,12,12,12,8,8,8,8,4,4,4,2" --network_args "block_dims=2,4,4,4,8,8,8,8,12,12,12,12,16,12,12,12,12,8,8,8,8,4,4,4,2" "conv_block_dims=2,2,2,2,4,4,4,4,6,6,6,6,8,6,6,6,6,4,4,4,4,2,2,2,2" --network_args "block_dims=2,4,4,4,8,8,8,8,12,12,12,12,16,12,12,12,12,8,8,8,8,4,4,4,2" "block_alphas=2,2,2,2,4,4,4,4,6,6,6,6,8,6,6,6,6,4,4,4,4,2,2,2,2" ``` ### 階層別dim (rank)tomlファイル指定例: ```toml network_args = [ "block_dims=2,4,4,4,8,8,8,8,12,12,12,12,16,12,12,12,12,8,8,8,8,4,4,4,2",] network_args = [ "block_dims=2,4,4,4,8,8,8,8,12,12,12,12,16,12,12,12,12,8,8,8,8,4,4,4,2", "block_alphas=2,2,2,2,4,4,4,4,6,6,6,6,8,6,6,6,6,4,4,4,4,2,2,2,2",] ``` # その他のスクリプト マージ等LoRAに関連するスクリプト群です。 ## マージスクリプトについて merge_lora.pyでStable DiffusionのモデルにLoRAの学習結果をマージしたり、複数のLoRAモデルをマージしたりできます。 SDXL向けにはsdxl_merge_lora.pyを用意しています。オプション等は同一ですので、以下のmerge_lora.pyを読み替えてください。 ### Stable DiffusionのモデルにLoRAのモデルをマージする マージ後のモデルは通常のStable Diffusionのckptと同様に扱えます。たとえば以下のようなコマンドラインになります。 ``` python networks\merge_lora.py --sd_model ..\model\model.ckpt --save_to ..\lora_train1\model-char1-merged.safetensors --models ..\lora_train1\last.safetensors --ratios 0.8 ``` Stable Diffusion v2.xのモデルで学習し、それにマージする場合は、--v2オプションを指定してください。 --sd_modelオプションにマージの元となるStable Diffusionのモデルファイルを指定します（.ckptまたは.safetensorsのみ対応で、Diffusersは今のところ対応していません）。 --save_toオプションにマージ後のモデルの保存先を指定します（.ckptまたは.safetensors、拡張子で自動判定）。 --modelsに学習したLoRAのモデルファイルを指定します。複数指定も可能で、その時は順にマージします。 --ratiosにそれぞれのモデルの適用率（どのくらい重みを元モデルに反映するか）を0~1.0の数値で指定します。例えば過学習に近いような場合は、適用率を下げるとマシになるかもしれません。モデルの数と同じだけ指定してください。 複数指定時は以下のようになります。 ``` python networks\merge_lora.py --sd_model ..\model\model.ckpt --save_to ..\lora_train1\model-char1-merged.safetensors --models ..\lora_train1\last.safetensors ..\lora_train2\last.safetensors --ratios 0.8 0.5 ``` ### 複数のLoRAのモデルをマージする --concatオプションを指定すると、複数のLoRAを単純に結合して新しいLoRAモデルを作成できます。ファイルサイズ（およびdim/rank）は指定したLoRAの合計サイズになります（マージ時にdim (rank)を変更する場合は `svd_merge_lora.py` を使用してください）。 たとえば以下のようなコマンドラインになります。 ``` python networks\merge_lora.py --save_precision bf16 --save_to ..\lora_train1\model-char1-style1-merged.safetensors --models ..\lora_train1\last.safetensors ..\lora_train2\last.safetensors --ratios 1.0 -1.0 --concat --shuffle ``` --concatオプションを指定します。 また--shuffleオプションを追加し、重みをシャッフルします。シャッフルしないとマージ後のLoRAから元のLoRAを取り出せるため、コピー機学習などの場合には学習元データが明らかになります。ご注意ください。 --save_toオプションにマージ後のLoRAモデルの保存先を指定します（.ckptまたは.safetensors、拡張子で自動判定）。 --modelsに学習したLoRAのモデルファイルを指定します。三つ以上も指定可能です。 --ratiosにそれぞれのモデルの比率（どのくらい重みを元モデルに反映するか）を0~1.0の数値で指定します。二つのモデルを一対一でマージする場合は、「0.5 0.5」になります。「1.0 1.0」では合計の重みが大きくなりすぎて、恐らく結果はあまり望ましくないものになると思われます。 v1で学習したLoRAとv2で学習したLoRA、rank（次元数）の異なるLoRAはマージできません。U-NetだけのLoRAとU-Net+Text EncoderのLoRAはマージできるはずですが、結果は未知数です。 ### その他のオプション * precision * マージ計算時の精度をfloat、fp16、bf16から指定できます。省略時は精度を確保するためfloatになります。メモリ使用量を減らしたい場合はfp16/bf16を指定してください。 * save_precision * モデル保存時の精度をfloat、fp16、bf16から指定できます。省略時はprecisionと同じ精度になります。 他にもいくつかのオプションがありますので、--helpで確認してください。 ## 複数のrankが異なるLoRAのモデルをマージする 複数のLoRAをひとつのLoRAで近似します（完全な再現はできません）。`svd_merge_lora.py`を用います。たとえば以下のようなコマンドラインになります。 ``` python networks\svd_merge_lora.py --save_to ..\lora_train1\model-char1-style1-merged.safetensors --models ..\lora_train1\last.safetensors ..\lora_train2\last.safetensors --ratios 0.6 0.4 --new_rank 32 --device cuda ``` `merge_lora.py` と主なオプションは同一です。以下のオプションが追加されています。 - `--new_rank` - 作成するLoRAのrankを指定します。 - `--new_conv_rank` - 作成する Conv2d 3x3 LoRA の rank を指定します。省略時は `new_rank` と同じになります。 - `--device` - `--device cuda`としてcudaを指定すると計算をGPU上で行います。処理が速くなります。 ## 当リポジトリ内の画像生成スクリプトで生成する gen_img_diffusers.pyに、--network_module、--network_weightsの各オプションを追加してください。意味は学習時と同様です。 --network_mulオプションで0~1.0の数値を指定すると、LoRAの適用率を変えられます。 ## Diffusersのpipelineで生成する 以下の例を参考にしてください。必要なファイルはnetworks/lora.pyのみです。Diffusersのバージョンは0.10.2以外では動作しない可能性があります。 ```python import torch from diffusers import StableDiffusionPipeline from networks.lora import LoRAModule, create_network_from_weights from safetensors.torch import load_file # if the ckpt is CompVis based, convert it to Diffusers beforehand with tools/convert_diffusers20_original_sd.py. See --help for more details. model_id_or_dir = r"model_id_on_hugging_face_or_dir" device = "cuda" # create pipe print(f"creating pipe from {model_id_or_dir}...") pipe = StableDiffusionPipeline.from_pretrained(model_id_or_dir, revision="fp16", torch_dtype=torch.float16) pipe = pipe.to(device) vae = pipe.vae text_encoder = pipe.text_encoder unet = pipe.unet # load lora networks print(f"loading lora networks...") lora_path1 = r"lora1.safetensors" sd = load_file(lora_path1) # If the file is .ckpt, use torch.load instead. network1, sd = create_network_from_weights(0.5, None, vae, text_encoder,unet, sd) network1.apply_to(text_encoder, unet) network1.load_state_dict(sd) network1.to(device, dtype=torch.float16) # # You can merge weights instead of apply_to+load_state_dict. network.set_multiplier does not work # network.merge_to(text_encoder, unet, sd) lora_path2 = r"lora2.safetensors" sd = load_file(lora_path2) network2, sd = create_network_from_weights(0.7, None, vae, text_encoder,unet, sd) network2.apply_to(text_encoder, unet) network2.load_state_dict(sd) network2.to(device, dtype=torch.float16) lora_path3 = r"lora3.safetensors" sd = load_file(lora_path3) network3, sd = create_network_from_weights(0.5, None, vae, text_encoder,unet, sd) network3.apply_to(text_encoder, unet) network3.load_state_dict(sd) network3.to(device, dtype=torch.float16) # prompts prompt = "masterpiece, best quality, 1girl, in white shirt, looking at viewer" negative_prompt = "bad quality, worst quality, bad anatomy, bad hands" # exec pipe print("generating image...") with torch.autocast("cuda"): image = pipe(prompt, guidance_scale=7.5, negative_prompt=negative_prompt).images[0] # if not merged, you can use set_multiplier # network1.set_multiplier(0.8) # and generate image again... # save image image.save(r"by_diffusers..png") ``` ## 二つのモデルの差分からLoRAモデルを作成する [こちらのディスカッション](https://github.com/cloneofsimo/lora/discussions/56)を参考に実装したものです。数式はそのまま使わせていただきました（よく理解していませんが近似には特異値分解を用いるようです）。 二つのモデル（たとえばfine tuningの元モデルとfine tuning後のモデル）の差分を、LoRAで近似します。 ### スクリプトの実行方法 以下のように指定してください。 ``` python networks\extract_lora_from_models.py --model_org base-model.ckpt --model_tuned fine-tuned-model.ckpt --save_to lora-weights.safetensors --dim 4 ``` --model_orgオプションに元のStable Diffusionモデルを指定します。作成したLoRAモデルを適用する場合は、このモデルを指定して適用することになります。.ckptまたは.safetensorsが指定できます。 --model_tunedオプションに差分を抽出する対象のStable Diffusionモデルを指定します。たとえばfine tuningやDreamBooth後のモデルを指定します。.ckptまたは.safetensorsが指定できます。 --save_toにLoRAモデルの保存先を指定します。--dimにLoRAの次元数を指定します。 生成されたLoRAモデルは、学習したLoRAモデルと同様に使用できます。 Text Encoderが二つのモデルで同じ場合にはLoRAはU-NetのみのLoRAとなります。 ### その他のオプション - `--v2` - v2.xのStable Diffusionモデルを使う場合に指定してください。 - `--device` - ``--device cuda``としてcudaを指定すると計算をGPU上で行います。処理が速くなります（CPUでもそこまで遅くないため、せいぜい倍～数倍程度のようです）。 - `--save_precision` - LoRAの保存形式を"float", "fp16", "bf16"から指定します。省略時はfloatになります。 - `--conv_dim` - 指定するとLoRAの適用範囲を Conv2d 3x3 へ拡大します。Conv2d 3x3 の rank を指定します。 ## 画像リサイズスクリプト （のちほどドキュメントを整理しますがとりあえずここに説明を書いておきます。） Aspect Ratio Bucketingの機能拡張で、小さな画像については拡大しないでそのまま教師データとすることが可能になりました。元の教師画像を縮小した画像を、教師データに加えると精度が向上したという報告とともに前処理用のスクリプトをいただきましたので整備して追加しました。bmaltais氏に感謝します。 ### スクリプトの実行方法 以下のように指定してください。元の画像そのまま、およびリサイズ後の画像が変換先フォルダに保存されます。リサイズ後の画像には、ファイル名に ``+512x512`` のようにリサイズ先の解像度が付け加えられます（画像サイズとは異なります）。リサイズ先の解像度より小さい画像は拡大されることはありません。 ``` python tools\resize_images_to_resolution.py --max_resolution 512x512,384x384,256x256 --save_as_png --copy_associated_files 元画像フォルダ 変換先フォルダ ``` 元画像フォルダ内の画像ファイルが、指定した解像度（複数指定可）と同じ面積になるようにリサイズされ、変換先フォルダに保存されます。画像以外のファイルはそのままコピーされます。 ``--max_resolution`` オプションにリサイズ先のサイズを例のように指定してください。面積がそのサイズになるようにリサイズします。複数指定すると、それぞれの解像度でリサイズされます。``512x512,384x384,256x256``なら、変換先フォルダの画像は、元サイズとリサイズ後サイズ×3の計4枚になります。 ``--save_as_png`` オプションを指定するとpng形式で保存します。省略するとjpeg形式（quality=100）で保存されます。 ``--copy_associated_files`` オプションを指定すると、拡張子を除き画像と同じファイル名（たとえばキャプションなど）のファイルが、リサイズ後の画像のファイル名と同じ名前でコピーされます。 ### その他のオプション - divisible_by - リサイズ後の画像のサイズ（縦、横のそれぞれ）がこの値で割り切れるように、画像中心を切り出します。 - interpolation - 縮小時の補完方法を指定します。``area, cubic, lanczos4``から選択可能で、デフォルトは``area``です。 # 追加情報 ## cloneofsimo氏のリポジトリとの違い 2022/12/25時点では、当リポジトリはLoRAの適用個所をText EncoderのMLP、U-NetのFFN、Transformerのin/out projectionに拡大し、表現力が増しています。ただその代わりメモリ使用量は増え、8GBぎりぎりになりました。 またモジュール入れ替え機構は全く異なります。 ## 将来拡張について LoRAだけでなく他の拡張にも対応可能ですので、それらも追加予定です。 ================================================ FILE: docs/train_network_README-zh.md ================================================ # 关于LoRA的学习。 [LoRA: Low-Rank Adaptation of Large Language Models](https://arxiv.org/abs/2106.09685)（arxiv）、[LoRA](https://github.com/microsoft/LoRA)（github）这是应用于Stable Diffusion“稳定扩散”的内容。 [cloneofsimo先生的代码仓库](https://github.com/cloneofsimo/lora) 我们非常感謝您提供的参考。非常感謝。 通常情況下，LoRA只适用于Linear和Kernel大小为1x1的Conv2d，但也可以將其擴展到Kernel大小为3x3的Conv2d。 Conv2d 3x3的扩展最初是由 [cloneofsimo先生的代码仓库](https://github.com/cloneofsimo/lora) 而KohakuBlueleaf先生在[LoCon](https://github.com/KohakuBlueleaf/LoCon)中揭示了其有效性。我们深深地感谢KohakuBlueleaf先生。 看起来即使在8GB VRAM上也可以勉强运行。 请同时查看关于[学习的通用文档](./train_README-zh.md)。 # 可学习的LoRA 类型 支持以下两种类型。以下是本仓库中自定义的名称。 1. __LoRA-LierLa__：(用于 __Li__ n __e__ a __r__ __La__ yers 的 LoRA，读作 "Liela") 适用于 Linear 和卷积层 Conv2d 的 1x1 Kernel 的 LoRA 2. __LoRA-C3Lier__：(用于具有 3x3 Kernel 的卷积层和 __Li__ n __e__ a __r__ 层的 LoRA，读作 "Seria") 除了第一种类型外，还适用于 3x3 Kernel 的 Conv2d 的 LoRA 与 LoRA-LierLa 相比，LoRA-C3Lier 可能会获得更高的准确性，因为它适用于更多的层。 在训练时，也可以使用 __DyLoRA__（将在后面介绍）。 ## 请注意与所学模型相关的事项。 LoRA-LierLa可以用于AUTOMATIC1111先生的Web UI LoRA功能。 要使用LoRA-C3Liar并在Web UI中生成，请使用此处的[WebUI用extension](https://github.com/kohya-ss/sd-webui-additional-networks)。 在此存储库的脚本中，您还可以预先将经过训练的LoRA模型合并到Stable Diffusion模型中。 请注意，与cloneofsimo先生的存储库以及d8ahazard先生的[Stable-Diffusion-WebUI的Dreambooth扩展](https://github.com/d8ahazard/sd_dreambooth_extension)不兼容，因为它们进行了一些功能扩展（如下文所述）。 # 学习步骤 请先参考此存储库的README文件并进行环境设置。 ## 准备数据 请参考 [关于准备学习数据](./train_README-zh.md)。 ## 网络训练 使用`train_network.py`。 在`train_network.py`中，使用`--network_module`选项指定要训练的模块名称。对于LoRA模块，它应该是`network.lora`，请指定它。 请注意，学习率应该比通常的DreamBooth或fine tuning要高，建议指定为`1e-4`至`1e-3`左右。 以下是命令行示例。 ``` accelerate launch --num_cpu_threads_per_process 1 train_network.py --pretrained_model_name_or_path=<.ckpt或.safetensord或Diffusers版模型目录> --dataset_config=<数据集配置的.toml文件> --output_dir=<训练过程中的模型输出文件夹> --output_name=<训练模型输出时的文件名> --save_model_as=safetensors --prior_loss_weight=1.0 --max_train_steps=400 --learning_rate=1e-4 --optimizer_type="AdamW8bit" --xformers --mixed_precision="fp16" --cache_latents --gradient_checkpointing --save_every_n_epochs=1 --network_module=networks.lora ``` 在这个命令行中，LoRA-LierLa将会被训练。 LoRA的模型将会被保存在通过`--output_dir`选项指定的文件夹中。关于其他选项和优化器等，请参阅[学习的通用文档](./train_README-zh.md)中的“常用选项”。 此外，还可以指定以下选项： * `--network_dim` * 指定LoRA的RANK（例如：`--network_dim=4`）。默认值为4。数值越大表示表现力越强，但需要更多的内存和时间来训练。而且不要盲目增加此数值。 * `--network_alpha` * 指定用于防止下溢并稳定训练的alpha值。默认值为1。如果与`network_dim`指定相同的值，则将获得与以前版本相同的行为。 * `--persistent_data_loader_workers` * 在Windows环境中指定可大幅缩短epoch之间的等待时间。 * `--max_data_loader_n_workers` * 指定数据读取进程的数量。进程数越多，数据读取速度越快，可以更有效地利用GPU，但会占用主存。默认值为“`8`或`CPU同步执行线程数-1`的最小值”，因此如果主存不足或GPU使用率超过90％，则应将这些数字降低到约`2`或`1`。 * `--network_weights` * 在训练之前读取预训练的LoRA权重，并在此基础上进行进一步的训练。 * `--network_train_unet_only` * 仅启用与U-Net相关的LoRA模块。在类似fine tuning的学习中指定此选项可能会很有用。 * `--network_train_text_encoder_only` * 仅启用与Text Encoder相关的LoRA模块。可能会期望Textual Inversion效果。 * `--unet_lr` * 当在U-Net相关的LoRA模块中使用与常规学习率（由`--learning_rate`选项指定）不同的学习率时，应指定此选项。 * `--text_encoder_lr` * 当在Text Encoder相关的LoRA模块中使用与常规学习率（由`--learning_rate`选项指定）不同的学习率时，应指定此选项。可能最好将Text Encoder的学习率稍微降低（例如5e-5）。 * `--network_args` * 可以指定多个参数。将在下面详细说明。 * `--alpha_mask` * 使用图像的 Alpha 值作为遮罩。这在学习透明图像时使用。[PR #1223](https://github.com/kohya-ss/sd-scripts/pull/1223) 当未指定`--network_train_unet_only`和`--network_train_text_encoder_only`时（默认情况），将启用Text Encoder和U-Net的两个LoRA模块。 # 其他的学习方法 ## 学习 LoRA-C3Lier 请使用以下方式 ``` --network_args "conv_dim=4" ``` DyLoRA是在这篇论文中提出的[DyLoRA: Parameter Efficient Tuning of Pre-trained Models using Dynamic Search-Free Low-Rank Adaptation](​https://arxiv.org/abs/2210.07558)， [其官方实现可在这里找到](​https://github.com/huawei-noah/KD-NLP/tree/main/DyLoRA)。 根据论文，LoRA的rank并不是越高越好，而是需要根据模型、数据集、任务等因素来寻找合适的rank。使用DyLoRA，可以同时在指定的维度(rank)下学习多种rank的LoRA，从而省去了寻找最佳rank的麻烦。 本存储库的实现基于官方实现进行了自定义扩展（因此可能存在缺陷）。 ### 本存储库DyLoRA的特点 DyLoRA训练后的模型文件与LoRA兼容。此外，可以从模型文件中提取多个低于指定维度(rank)的LoRA。 DyLoRA-LierLa和DyLoRA-C3Lier均可训练。 ### 使用DyLoRA进行训练 请指定与DyLoRA相对应的`network.dylora`，例如 `--network_module=networks.dylora`。 此外，通过 `--network_args` 指定例如`--network_args "unit=4"`的参数。`unit`是划分rank的单位。例如，可以指定为`--network_dim=16 --network_args "unit=4"`。请将`unit`视为可以被`network_dim`整除的值（`network_dim`是`unit`的倍数）。 如果未指定`unit`，则默认为`unit=1`。 以下是示例说明。 ``` --network_module=networks.dylora --network_dim=16 --network_args "unit=4" --network_module=networks.dylora --network_dim=32 --network_alpha=16 --network_args "unit=4" ``` 对于DyLoRA-C3Lier，需要在 `--network_args` 中指定 `conv_dim`，例如 `conv_dim=4`。与普通的LoRA不同，`conv_dim`必须与`network_dim`具有相同的值。以下是一个示例描述： ``` --network_module=networks.dylora --network_dim=16 --network_args "conv_dim=16" "unit=4" --network_module=networks.dylora --network_dim=32 --network_alpha=16 --network_args "conv_dim=32" "conv_alpha=16" "unit=8" ``` 例如，当使用dim=16、unit=4（如下所述）进行学习时，可以学习和提取4个rank的LoRA，即4、8、12和16。通过在每个提取的模型中生成图像并进行比较，可以选择最佳rank的LoRA。 其他选项与普通的LoRA相同。 *`unit`是本存储库的独有扩展，在DyLoRA中，由于预计相比同维度（rank）的普通LoRA，学习时间更长，因此将分割单位增加。 ### 从DyLoRA模型中提取LoRA模型 请使用`networks`文件夹中的`extract_lora_from_dylora.py`。指定`unit`单位后，从DyLoRA模型中提取LoRA模型。 例如，命令行如下： ```powershell python networks\extract_lora_from_dylora.py --model "foldername/dylora-model.safetensors" --save_to "foldername/dylora-model-split.safetensors" --unit 4 ``` `--model` 参数用于指定DyLoRA模型文件。`--save_to` 参数用于指定要保存提取的模型的文件名（rank值将附加到文件名中）。`--unit` 参数用于指定DyLoRA训练时的`unit`。 ## 分层学习率 请参阅PR＃355了解详细信息。 您可以指定完整模型的25个块的权重。虽然第一个块没有对应的LoRA，但为了与分层LoRA应用等的兼容性，将其设为25个。此外，如果不扩展到conv2d3x3，则某些块中可能不存在LoRA，但为了统一描述，请始终指定25个值。 请在 `--network_args` 中指定以下参数。 - `down_lr_weight`：指定U-Net down blocks的学习率权重。可以指定以下内容： - 每个块的权重：指定12个数字，例如`"down_lr_weight=0,0,0,0,0,0,1,1,1,1,1,1"` - 从预设中指定：例如`"down_lr_weight=sine"`（使用正弦曲线指定权重）。可以指定sine、cosine、linear、reverse_linear、zeros。另外，添加 `+数字` 时，可以将指定的数字加上（变为0.25〜1.25）。 - `mid_lr_weight`：指定U-Net mid block的学习率权重。只需指定一个数字，例如 `"mid_lr_weight=0.5"`。 - `up_lr_weight`：指定U-Net up blocks的学习率权重。与down_lr_weight相同。 - 省略指定的部分将被视为1.0。另外，如果将权重设为0，则不会创建该块的LoRA模块。 - `block_lr_zero_threshold`：如果权重小于此值，则不会创建LoRA模块。默认值为0。 ### 分层学习率命令行指定示例： ```powershell --network_args "down_lr_weight=0.5,0.5,0.5,0.5,1.0,1.0,1.0,1.0,1.5,1.5,1.5,1.5" "mid_lr_weight=2.0" "up_lr_weight=1.5,1.5,1.5,1.5,1.0,1.0,1.0,1.0,0.5,0.5,0.5,0.5" --network_args "block_lr_zero_threshold=0.1" "down_lr_weight=sine+.5" "mid_lr_weight=1.5" "up_lr_weight=cosine+.5" ``` ### Hierarchical Learning Rate指定的toml文件示例： ```toml network_args = [ "down_lr_weight=0.5,0.5,0.5,0.5,1.0,1.0,1.0,1.0,1.5,1.5,1.5,1.5", "mid_lr_weight=2.0", "up_lr_weight=1.5,1.5,1.5,1.5,1.0,1.0,1.0,1.0,0.5,0.5,0.5,0.5",] network_args = [ "block_lr_zero_threshold=0.1", "down_lr_weight=sine+.5", "mid_lr_weight=1.5", "up_lr_weight=cosine+.5", ] ``` ## 层次结构维度（rank） 您可以指定完整模型的25个块的维度（rank）。与分层学习率一样，某些块可能不存在LoRA，但请始终指定25个值。 请在 `--network_args` 中指定以下参数： - `block_dims`：指定每个块的维度（rank）。指定25个数字，例如 `"block_dims=2,2,2,2,4,4,4,4,6,6,6,6,8,6,6,6,6,4,4,4,4,2,2,2,2"`。 - `block_alphas`：指定每个块的alpha。与block_dims一样，指定25个数字。如果省略，将使用network_alpha的值。 - `conv_block_dims`：将LoRA扩展到Conv2d 3x3，并指定每个块的维度（rank）。 - `conv_block_alphas`：在将LoRA扩展到Conv2d 3x3时指定每个块的alpha。如果省略，将使用conv_alpha的值。 ### 层次结构维度（rank）命令行指定示例： ```powershell --network_args "block_dims=2,4,4,4,8,8,8,8,12,12,12,12,16,12,12,12,12,8,8,8,8,4,4,4,2" --network_args "block_dims=2,4,4,4,8,8,8,8,12,12,12,12,16,12,12,12,12,8,8,8,8,4,4,4,2" "conv_block_dims=2,2,2,2,4,4,4,4,6,6,6,6,8,6,6,6,6,4,4,4,4,2,2,2,2" --network_args "block_dims=2,4,4,4,8,8,8,8,12,12,12,12,16,12,12,12,12,8,8,8,8,4,4,4,2" "block_alphas=2,2,2,2,4,4,4,4,6,6,6,6,8,6,6,6,6,4,4,4,4,2,2,2,2" ``` ### 层级别dim(rank) toml文件指定示例： ```toml network_args = [ "block_dims=2,4,4,4,8,8,8,8,12,12,12,12,16,12,12,12,12,8,8,8,8,4,4,4,2",] network_args = [ "block_dims=2,4,4,4,8,8,8,8,12,12,12,12,16,12,12,12,12,8,8,8,8,4,4,4,2", "block_alphas=2,2,2,2,4,4,4,4,6,6,6,6,8,6,6,6,6,4,4,4,4,2,2,2,2",] ``` # Other scripts 这些是与LoRA相关的脚本，如合并脚本等。 关于合并脚本 您可以使用merge_lora.py脚本将LoRA的训练结果合并到稳定扩散模型中，也可以将多个LoRA模型合并。 合并到稳定扩散模型中的LoRA模型 合并后的模型可以像常规的稳定扩散ckpt一样使用。例如，以下是一个命令行示例： ``` python networks\merge_lora.py --sd_model ..\model\model.ckpt --save_to ..\lora_train1\model-char1-merged.safetensors --models ..\lora_train1\last.safetensors --ratios 0.8 ``` 请使用 Stable Diffusion v2.x 模型进行训练并进行合并时，需要指定--v2选项。 使用--sd_model选项指定要合并的 Stable Diffusion 模型文件（仅支持 .ckpt 或 .safetensors 格式，目前不支持 Diffusers）。 使用--save_to选项指定合并后模型的保存路径（根据扩展名自动判断为 .ckpt 或 .safetensors）。 使用--models选项指定已训练的 LoRA 模型文件，也可以指定多个，然后按顺序进行合并。 使用--ratios选项以0~1.0的数字指定每个模型的应用率（将多大比例的权重反映到原始模型中）。例如，在接近过度拟合的情况下，降低应用率可能会使结果更好。请指定与模型数量相同的比率。 当指定多个模型时，格式如下： ``` python networks\merge_lora.py --sd_model ..\model\model.ckpt --save_to ..\lora_train1\model-char1-merged.safetensors --models ..\lora_train1\last.safetensors ..\lora_train2\last.safetensors --ratios 0.8 0.5 ``` ### 将多个LoRA模型合并 将多个LoRA模型逐个应用于SD模型与将多个LoRA模型合并后再应用于SD模型之间，由于计算顺序的不同，会得到微妙不同的结果。 例如，下面是一个命令行示例： ``` python networks\merge_lora.py --save_to ..\lora_train1\model-char1-style1-merged.safetensors --models ..\lora_train1\last.safetensors ..\lora_train2\last.safetensors --ratios 0.6 0.4 ``` --sd_model选项不需要指定。 通过--save_to选项指定合并后的LoRA模型的保存位置（.ckpt或.safetensors，根据扩展名自动识别）。 通过--models选项指定学习的LoRA模型文件。可以指定三个或更多。 通过--ratios选项以0~1.0的数字指定每个模型的比率（反映多少权重来自原始模型）。如果将两个模型一对一合并，则比率将是“0.5 0.5”。如果比率为“1.0 1.0”，则总重量将过大，可能会产生不理想的结果。 在v1和v2中学习的LoRA，以及rank（维数）或“alpha”不同的LoRA不能合并。仅包含U-Net的LoRA和包含U-Net+文本编码器的LoRA可以合并，但结果未知。 ### 其他选项 * 精度 * 可以从float、fp16或bf16中选择合并计算时的精度。默认为float以保证精度。如果想减少内存使用量，请指定fp16/bf16。 * save_precision * 可以从float、fp16或bf16中选择在保存模型时的精度。默认与精度相同。 ## 合并多个维度不同的LoRA模型 将多个LoRA近似为一个LoRA（无法完全复制）。使用'svd_merge_lora.py'。例如，以下是命令行的示例。 ``` python networks\svd_merge_lora.py --save_to ..\lora_train1\model-char1-style1-merged.safetensors --models ..\lora_train1\last.safetensors ..\lora_train2\last.safetensors --ratios 0.6 0.4 --new_rank 32 --device cuda ``` `merge_lora.py`和主要选项相同。以下选项已添加： - `--new_rank` - 指定要创建的LoRA rank。 - `--new_conv_rank` - 指定要创建的Conv2d 3x3 LoRA的rank。如果省略，则与`new_rank`相同。 - `--device` - 如果指定为`--device cuda`，则在GPU上执行计算。处理速度将更快。 ## 在此存储库中生成图像的脚本中 请在`gen_img_diffusers.py`中添加`--network_module`和`--network_weights`选项。其含义与训练时相同。 通过`--network_mul`选项，可以指定0~1.0的数字来改变LoRA的应用率。 ## 请参考以下示例，在Diffusers的pipeline中生成。 所需文件仅为networks/lora.py。请注意，该示例只能在Diffusers版本0.10.2中正常运行。 ```python import torch from diffusers import StableDiffusionPipeline from networks.lora import LoRAModule, create_network_from_weights from safetensors.torch import load_file # if the ckpt is CompVis based, convert it to Diffusers beforehand with tools/convert_diffusers20_original_sd.py. See --help for more details. model_id_or_dir = r"model_id_on_hugging_face_or_dir" device = "cuda" # create pipe print(f"creating pipe from {model_id_or_dir}...") pipe = StableDiffusionPipeline.from_pretrained(model_id_or_dir, revision="fp16", torch_dtype=torch.float16) pipe = pipe.to(device) vae = pipe.vae text_encoder = pipe.text_encoder unet = pipe.unet # load lora networks print(f"loading lora networks...") lora_path1 = r"lora1.safetensors" sd = load_file(lora_path1) # If the file is .ckpt, use torch.load instead. network1, sd = create_network_from_weights(0.5, None, vae, text_encoder,unet, sd) network1.apply_to(text_encoder, unet) network1.load_state_dict(sd) network1.to(device, dtype=torch.float16) # # You can merge weights instead of apply_to+load_state_dict. network.set_multiplier does not work # network.merge_to(text_encoder, unet, sd) lora_path2 = r"lora2.safetensors" sd = load_file(lora_path2) network2, sd = create_network_from_weights(0.7, None, vae, text_encoder,unet, sd) network2.apply_to(text_encoder, unet) network2.load_state_dict(sd) network2.to(device, dtype=torch.float16) lora_path3 = r"lora3.safetensors" sd = load_file(lora_path3) network3, sd = create_network_from_weights(0.5, None, vae, text_encoder,unet, sd) network3.apply_to(text_encoder, unet) network3.load_state_dict(sd) network3.to(device, dtype=torch.float16) # prompts prompt = "masterpiece, best quality, 1girl, in white shirt, looking at viewer" negative_prompt = "bad quality, worst quality, bad anatomy, bad hands" # exec pipe print("generating image...") with torch.autocast("cuda"): image = pipe(prompt, guidance_scale=7.5, negative_prompt=negative_prompt).images[0] # if not merged, you can use set_multiplier # network1.set_multiplier(0.8) # and generate image again... # save image image.save(r"by_diffusers..png") ``` ## 从两个模型的差异中创建LoRA模型。 [参考讨论链接](https://github.com/cloneofsimo/lora/discussions/56)這是參考實現的結果。數學公式沒有改變（我並不完全理解，但似乎使用奇異值分解進行了近似）。 将两个模型（例如微调原始模型和微调后的模型）的差异近似为LoRA。 ### 脚本执行方法 请按以下方式指定。 ``` python networks\extract_lora_from_models.py --model_org base-model.ckpt --model_tuned fine-tuned-model.ckpt --save_to lora-weights.safetensors --dim 4 ``` --model_org 选项指定原始的Stable Diffusion模型。如果要应用创建的LoRA模型，则需要指定该模型并将其应用。可以指定.ckpt或.safetensors文件。 --model_tuned 选项指定要提取差分的目标Stable Diffusion模型。例如，可以指定经过Fine Tuning或DreamBooth后的模型。可以指定.ckpt或.safetensors文件。 --save_to 指定LoRA模型的保存路径。--dim指定LoRA的维数。 生成的LoRA模型可以像已训练的LoRA模型一样使用。 当两个模型的文本编码器相同时，LoRA将成为仅包含U-Net的LoRA。 ### 其他选项 - `--v2` - 如果使用v2.x的稳定扩散模型，请指定此选项。 - `--device` - 指定为 ``--device cuda`` 可在GPU上执行计算。这会使处理速度更快（即使在CPU上也不会太慢，大约快几倍）。 - `--save_precision` - 指定LoRA的保存格式为“float”、“fp16”、“bf16”。如果省略，将使用float。 - `--conv_dim` - 指定后，将扩展LoRA的应用范围到Conv2d 3x3。指定Conv2d 3x3的rank。 - ## 图像大小调整脚本 （稍后将整理文件，但现在先在这里写下说明。） 在 Aspect Ratio Bucketing 的功能扩展中，现在可以将小图像直接用作教师数据，而无需进行放大。我收到了一个用于前处理的脚本，其中包括将原始教师图像缩小的图像添加到教师数据中可以提高准确性的报告。我整理了这个脚本并加入了感谢 bmaltais 先生。 ### 执行脚本的方法如下。 原始图像以及调整大小后的图像将保存到转换目标文件夹中。调整大小后的图像将在文件名中添加“+512x512”之类的调整后的分辨率（与图像大小不同）。小于调整大小后分辨率的图像将不会被放大。 ``` python tools\resize_images_to_resolution.py --max_resolution 512x512,384x384,256x256 --save_as_png --copy_associated_files 源图像文件夹目标文件夹 ``` 在元画像文件夹中的图像文件将被调整大小以达到指定的分辨率（可以指定多个），并保存到目标文件夹中。除图像外的文件将被保留为原样。 请使用“--max_resolution”选项指定调整大小后的大小，使其达到指定的面积大小。如果指定多个，则会在每个分辨率上进行调整大小。例如，“512x512，384x384，256x256”将使目标文件夹中的图像变为原始大小和调整大小后的大小×3共计4张图像。 如果使用“--save_as_png”选项，则会以PNG格式保存。如果省略，则默认以JPEG格式（quality=100）保存。 如果使用“--copy_associated_files”选项，则会将与图像相同的文件名（例如标题等）的文件复制到调整大小后的图像文件的文件名相同的位置，但不包括扩展名。 ### 其他选项 - divisible_by - 将图像中心裁剪到能够被该值整除的大小（分别是垂直和水平的大小），以便调整大小后的图像大小可以被该值整除。 - interpolation - 指定缩小时的插值方法。可从``area、cubic、lanczos4``中选择，默认为``area``。 # 追加信息 ## 与cloneofsimo的代码库的区别 截至2022年12月25日，本代码库将LoRA应用扩展到了Text Encoder的MLP、U-Net的FFN以及Transformer的输入/输出投影中，从而增强了表现力。但是，内存使用量增加了，接近了8GB的限制。 此外，模块交换机制也完全不同。 ## 关于未来的扩展 除了LoRA之外，我们还计划添加其他扩展，以支持更多的功能。 ================================================ FILE: docs/train_network_advanced.md ================================================ # Advanced Settings: Detailed Guide for SDXL LoRA Training Script `sdxl_train_network.py` / 高度な設定: SDXL LoRA学習スクリプト `sdxl_train_network.py` 詳細ガイド This document describes the advanced options available when training LoRA models for SDXL (Stable Diffusion XL) with `sdxl_train_network.py` in the `sd-scripts` repository. For the basics, please read [How to Use the LoRA Training Script `train_network.py`](train_network.md) and [How to Use the SDXL LoRA Training Script `sdxl_train_network.py`](sdxl_train_network.md). This guide targets experienced users who want to fine tune settings in detail. **Prerequisites:** * You have cloned the `sd-scripts` repository and prepared a Python environment. * A training dataset and its `.toml` configuration are ready (see the dataset configuration guide). * You are familiar with running basic LoRA training commands. ## 1. Command Line Options / コマンドライン引数 詳細解説 `sdxl_train_network.py` inherits the functionality of `train_network.py` and adds SDXL-specific features. Major options are grouped and explained below. For common arguments, see the other guides mentioned above. ### 1.1. Model Loading * `--pretrained_model_name_or_path=\"\"` **[Required]**: specify the base SDXL model. Supports a Hugging Face model ID, a local Diffusers directory or a `.safetensors` file. * `--vae=\"\"`: optionally use a different VAE. Specify when using a VAE other than the one included in the SDXL model. Can specify `.ckpt` or `.safetensors` files. * `--no_half_vae`: keep the VAE in float32 even with fp16/bf16 training. The VAE for SDXL can become unstable with `float16`, so it is recommended to enable this when `fp16` is specified. Usually unnecessary for `bf16`. * `--fp8_base` / `--fp8_base_unet`: **Experimental**: load the base model (U-Net, Text Encoder) or just the U-Net in FP8 to reduce VRAM (requires PyTorch 2.1+). For details, refer to the relevant section in TODO add document later (this is an SD3 explanation but also applies to SDXL). ### 1.2. Dataset Settings * `--dataset_config=\"\"`: specify a `.toml` dataset config. High resolution data and aspect ratio buckets (specify `enable_bucket = true` in `.toml`) are common for SDXL. The resolution steps for aspect ratio buckets (`bucket_reso_steps`) must be multiples of 32 for SDXL. For details on writing `.toml` files, refer to the [Dataset Configuration Guide](link/to/dataset/config/doc). ### 1.3. Output and Saving Options match `train_network.py`: * `--output_dir`, `--output_name` (both required) * `--save_model_as` (recommended `safetensors`), `ckpt`, `pt`, `diffusers`, `diffusers_safetensors` * `--save_precision=\"fp16\"`, `\"bf16\"`, `\"float\"`: Specifies the precision for saving the model. If not specified, the model is saved with the training precision (`fp16`, `bf16`, etc.). * `--save_every_n_epochs=N`, `--save_every_n_steps=N`: Saves the model every N epochs/steps. * `--save_last_n_epochs=M`, `--save_last_n_steps=M`: When saving at every epoch/step, only the latest M files are kept, and older ones are deleted. * `--save_state`, `--save_state_on_train_end`: Saves the training state (`state`), including Optimizer status, etc., when saving the model or at the end of training. Required for resuming training with the `--resume` option. * `--save_last_n_epochs_state=M`, `--save_last_n_steps_state=M`: Limits the number of saved `state` files to M. Overrides the `--save_last_n_epochs/steps` specification. * `--no_metadata`: Does not save metadata to the output model. * `--save_state_to_huggingface` and related options (e.g., `--huggingface_repo_id`): Options related to uploading models and states to Hugging Face Hub. See TODO add document for details. ### 1.4. Network Parameters (LoRA) * `--network_module=networks.lora` **[Required]** * `--network_dim=N` **[Required]**: Specifies the rank (dimensionality) of LoRA. For SDXL, values like 32 or 64 are often tried, but adjustment is necessary depending on the dataset and purpose. * `--network_alpha=M`: LoRA alpha value. Generally around half of `network_dim` or the same value as `network_dim`. Default is 1. * `--network_dropout=P`: Dropout rate (0.0-1.0) within LoRA modules. Can be effective in suppressing overfitting. Default is None (no dropout). * `--network_args ...`: Allows advanced settings by specifying additional arguments to the network module in `key=value` format. For LoRA, the following advanced settings are available: * **Block-wise dimensions/alphas:** * Allows specifying different `dim` and `alpha` for each block of the U-Net. This enables adjustments to strengthen or weaken the influence of specific layers. * `block_dims`: Comma-separated dims for Linear and Conv2d 1x1 layers in U-Net (23 values for SDXL). * `block_alphas`: Comma-separated alpha values corresponding to the above. * `conv_block_dims`: Comma-separated dims for Conv2d 3x3 layers in U-Net. * `conv_block_alphas`: Comma-separated alpha values corresponding to the above. * Blocks not specified will use values from `--network_dim`/`--network_alpha` or `--conv_dim`/`--conv_alpha` (if they exist). * For details, refer to [Block-wise learning rate for LoRA](train_network.md#lora-の階層別学習率) (in train_network.md, applicable to SDXL) and the implementation ([lora.py](lora.py)). * **LoRA+:** * `loraplus_lr_ratio=R`: Sets the learning rate of LoRA's upward weights (UP) to R times the learning rate of downward weights (DOWN). Expected to improve learning speed. Paper recommends 16. * `loraplus_unet_lr_ratio=RU`: Specifies the LoRA+ learning rate ratio for the U-Net part individually. * `loraplus_text_encoder_lr_ratio=RT`: Specifies the LoRA+ learning rate ratio for the Text Encoder part individually (multiplied by the learning rates specified with `--text_encoder_lr1`, `--text_encoder_lr2`). * For details, refer to [README](../README.md#jan-17-2025--2025-01-17-version-090) and the implementation ([lora.py](lora.py)). * `--network_train_unet_only`: Trains only the LoRA modules of the U-Net. Specify this if not training Text Encoders. Required when using `--cache_text_encoder_outputs`. * `--network_train_text_encoder_only`: Trains only the LoRA modules of the Text Encoders. Specify this if not training the U-Net. * `--network_weights=\"\"`: Starts training by loading pre-trained LoRA weights. Used for fine-tuning or resuming training. The difference from `--resume` is that this option only loads LoRA module weights, while `--resume` also restores Optimizer state, step count, etc. * `--dim_from_weights`: Automatically reads the LoRA dimension (`dim`) from the weight file specified by `--network_weights`. Specification of `--network_dim` becomes unnecessary. ### 1.5. Training Parameters * `--learning_rate=LR`: Sets the overall learning rate. This becomes the default value for each module (`unet_lr`, `text_encoder_lr1`, `text_encoder_lr2`). Values like `1e-3` or `1e-4` are often tried. * `--unet_lr=LR_U`: Learning rate for the LoRA module of the U-Net part. * `--text_encoder_lr1=LR_TE1`: Learning rate for the LoRA module of Text Encoder 1 (OpenCLIP ViT-G/14). Usually, a smaller value than U-Net (e.g., `1e-5`, `2e-5`) is recommended. * `--text_encoder_lr2=LR_TE2`: Learning rate for the LoRA module of Text Encoder 2 (CLIP ViT-L/14). Usually, a smaller value than U-Net (e.g., `1e-5`, `2e-5`) is recommended. * `--optimizer_type=\"...\"`: Specifies the optimizer to use. Options include `AdamW8bit` (memory-efficient, common), `Adafactor` (even more memory-efficient, proven in SDXL full model training), `Lion`, `DAdaptation`, `Prodigy`, etc. Each optimizer may require additional arguments (see `--optimizer_args`). `AdamW8bit` or `PagedAdamW8bit` (requires `bitsandbytes`) are common. `Adafactor` is memory-efficient but slightly complex to configure (relative step (`relative_step=True`) recommended, `adafactor` learning rate scheduler recommended). `DAdaptation`, `Prodigy` have automatic learning rate adjustment but cannot be used with LoRA+. Specify a learning rate around `1.0`. For details, see the `get_optimizer` function in [train_util.py](train_util.py). * `--optimizer_args ...`: Specifies additional arguments to the optimizer in `key=value` format (e.g., `\"weight_decay=0.01\"` `\"betas=0.9,0.999\"`). * `--lr_scheduler=\"...\"`: Specifies the learning rate scheduler. Options include `constant` (no change), `cosine` (cosine curve), `linear` (linear decay), `constant_with_warmup` (constant with warmup), `cosine_with_restarts`, etc. `constant`, `cosine`, and `constant_with_warmup` are commonly used. Some schedulers require additional arguments (see `--lr_scheduler_args`). If using optimizers with auto LR adjustment like `DAdaptation` or `Prodigy`, a scheduler is not needed (`constant` should be specified). * `--lr_warmup_steps=N`: Number of warmup steps for the learning rate scheduler. The learning rate gradually increases during this period at the start of training. If N < 1, it's interpreted as a fraction of total steps. * `--lr_scheduler_num_cycles=N` / `--lr_scheduler_power=P`: Parameters for specific schedulers (`cosine_with_restarts`, `polynomial`). * `--max_train_steps=N` / `--max_train_epochs=N`: Specifies the total number of training steps or epochs. Epoch specification takes precedence. * `--mixed_precision=\"bf16\"` / `\"fp16\"` / `\"no\"`: Mixed precision training settings. For SDXL, using `bf16` (if GPU supports it) or `fp16` is strongly recommended. Reduces VRAM usage and improves training speed. * `--full_fp16` / `--full_bf16`: Performs gradient calculations entirely in half-precision/bf16. Can further reduce VRAM usage but may affect training stability. Use if VRAM is critically low. * `--gradient_accumulation_steps=N`: Accumulates gradients for N steps before updating the optimizer. Effectively increases the batch size to `train_batch_size * N`, achieving the effect of a larger batch size with less VRAM. Default is 1. * `--max_grad_norm=N`: Gradient clipping threshold. Clips gradients if their norm exceeds N. Default is 1.0. `0` disables it. * `--gradient_checkpointing`: Significantly reduces memory usage but slightly decreases training speed. Recommended for SDXL due to high memory consumption. * `--fused_backward_pass`: **Experimental**: Fuses gradient calculation and optimizer steps to reduce VRAM usage. Available for SDXL. Currently only supports `Adafactor` optimizer. Cannot be used with Gradient Accumulation. * `--resume=\"\"`: Resumes training from a saved state (saved with `--save_state`). Restores optimizer state, step count, etc. ### 1.6. Caching Caching is effective for SDXL due to its high computational cost. * `--cache_latents`: Caches VAE outputs (latents) in memory. Skips VAE computation, reducing VRAM usage and speeding up training. **Note:** Image augmentations (`color_aug`, `flip_aug`, `random_crop`, etc.) will be disabled. * `--cache_latents_to_disk`: Used with `--cache_latents` to cache to disk. Particularly effective for large datasets or multiple training runs. Caches are generated on disk during the first run and loaded from there on subsequent runs. * `--cache_text_encoder_outputs`: Caches Text Encoder outputs in memory. Skips Text Encoder computation, reducing VRAM usage and speeding up training. **Note:** Caption augmentations (`shuffle_caption`, `caption_dropout_rate`, etc.) will be disabled. **Also, when using this option, Text Encoder LoRA modules cannot be trained (requires `--network_train_unet_only`).** * `--cache_text_encoder_outputs_to_disk`: Used with `--cache_text_encoder_outputs` to cache to disk. * `--skip_cache_check`: Skips validation of cache file contents. File existence is checked, and if not found, caches are generated. Usually not needed unless intentionally re-caching for debugging, etc. ### 1.7. Sample Image Generation Basic options are common with `train_network.py`. * `--sample_every_n_steps=N` / `--sample_every_n_epochs=N`: Generates sample images every N steps/epochs. * `--sample_at_first`: Generates sample images before training starts. * `--sample_prompts=\"\"`: Specifies a file (`.txt`, `.toml`, `.json`) containing prompts for sample image generation. * `--sample_sampler=\"...\"`: Specifies the sampler (scheduler) for sample image generation. `euler_a`, `dpm++_2m_karras`, etc., are common. See `--help` for choices. #### Format of Prompt File A prompt file can contain multiple prompts with options, for example: ``` # prompt 1 masterpiece, best quality, (1girl), in white shirts, upper body, looking at viewer, simple background --n low quality, worst quality, bad anatomy,bad composition, poor, low effort --w 768 --h 768 --d 1 --l 7.5 --s 28 # prompt 2 masterpiece, best quality, 1boy, in business suit, standing at street, looking back --n (low quality, worst quality), bad anatomy,bad composition, poor, low effort --w 576 --h 832 --d 2 --l 5.5 --s 40 ``` Lines beginning with `#` are comments. You can specify options for the generated image with options like `--n` after the prompt. The following can be used. * `--n` Negative prompt up to the next option. Ignored when CFG scale is `1.0`. * `--w` Specifies the width of the generated image. * `--h` Specifies the height of the generated image. * `--d` Specifies the seed of the generated image. * `--l` Specifies the CFG scale of the generated image. For FLUX.1 models, the default is `1.0`, which means no CFG. For Chroma models, set to around `4.0` to enable CFG. * `--g` Specifies the embedded guidance scale for the models with embedded guidance (FLUX.1), the default is `3.5`. Set to `0.0` for Chroma models. * `--s` Specifies the number of steps in the generation. The prompt weighting such as `( )` and `[ ]` are working for SD/SDXL models, not working for other models like FLUX.1. ### 1.8. Logging & Tracking * `--logging_dir=\"\"`: Specifies the directory for TensorBoard and other logs. If not specified, logs are not output. * `--log_with=\"tensorboard\"` / `\"wandb\"` / `\"all\"`: Specifies the logging tool to use. If using `wandb`, `pip install wandb` is required. * `--log_prefix=\"\"`: Specifies the prefix for subdirectory names created within `logging_dir`. * `--wandb_api_key=\"\"` / `--wandb_run_name=\"\"`: Options for Weights & Biases (wandb). * `--log_tracker_name` / `--log_tracker_config`: Advanced tracker configuration options. Usually not needed. * `--log_config`: Logs the training configuration used (excluding some sensitive information) at the start of training. Helps ensure reproducibility. ### 1.9. Regularization and Advanced Techniques * `--noise_offset=N`: Enables noise offset and specifies its value. Expected to improve bias in image brightness and contrast. Recommended to enable as SDXL base models are trained with this (e.g., 0.0357). Original technical explanation [here](https://www.crosslabs.org/blog/diffusion-with-offset-noise). * `--noise_offset_random_strength`: Randomly varies noise offset strength between 0 and the specified value. * `--adaptive_noise_scale=N`: Adjusts noise offset based on the mean absolute value of latents. Used with `--noise_offset`. * `--multires_noise_iterations=N` / `--multires_noise_discount=D`: Enables multi-resolution noise. Adding noise of different frequency components is expected to improve detail reproduction. Specify iteration count N (around 6-10) and discount rate D (around 0.3). Technical explanation [here](https://wandb.ai/johnowhitaker/multires_noise/reports/Multi-Resolution-Noise-for-Diffusion-Model-Training--VmlldzozNjYyOTU2). * `--ip_noise_gamma=G` / `--ip_noise_gamma_random_strength`: Enables Input Perturbation Noise. Adds small noise to input (latents) for regularization. Specify Gamma value (around 0.1). Strength can be randomized with `random_strength`. * `--min_snr_gamma=N`: Applies Min-SNR Weighting Strategy. Adjusts loss weights for timesteps with high noise in early training to stabilize learning. `N=5` etc. are used. * `--scale_v_pred_loss_like_noise_pred`: In v-prediction models, scales v-prediction loss similarly to noise prediction loss. **Not typically used for SDXL** as it's not a v-prediction model. * `--v_pred_like_loss=N`: Adds v-prediction-like loss to noise prediction models. `N` specifies its weight. **Not typically used for SDXL**. * `--debiased_estimation_loss`: Calculates loss using Debiased Estimation. Similar purpose to Min-SNR but a different approach. * `--loss_type=\"l1\"` / `\"l2\"` / `\"huber\"` / `\"smooth_l1\"`: Specifies the loss function. Default is `l2` (MSE). `huber` and `smooth_l1` are robust to outliers. * `--huber_schedule=\"constant\"` / `\"exponential\"` / `\"snr\"`: Scheduling method when using `huber` or `smooth_l1` loss. `snr` is recommended. * `--huber_c=C` / `--huber_scale=S`: Parameters for `huber` or `smooth_l1` loss. * `--masked_loss`: Limits loss calculation area based on a mask image. Requires specifying mask images (black and white) in `conditioning_data_dir` in dataset settings. See [About Masked Loss](masked_loss_README.md) for details. ### 1.10. Distributed Training and Other Training Related Options * `--seed=N`: Specifies the random seed. Set this to ensure training reproducibility. * `--max_token_length=N` (`75`, `150`, `225`): Maximum token length processed by Text Encoders. For SDXL, typically `75` (default), `150`, or `225`. Longer lengths can handle more complex prompts but increase VRAM usage. * `--clip_skip=N`: Uses the output from N layers skipped from the final layer of Text Encoders. **Not typically used for SDXL**. * `--lowram` / `--highvram`: Options for memory usage optimization. `--lowram` is for environments like Colab where RAM < VRAM, `--highvram` is for environments with ample VRAM. * `--persistent_data_loader_workers` / `--max_data_loader_n_workers=N`: Settings for DataLoader worker processes. Affects wait time between epochs and memory usage. * `--config_file=""` / `--output_config`: Options to use/output a `.toml` file instead of command line arguments. * **Accelerate/DeepSpeed related:** (`--ddp_timeout`, `--ddp_gradient_as_bucket_view`, `--ddp_static_graph`): Detailed settings for distributed training. Accelerate settings (`accelerate config`) are usually sufficient. DeepSpeed requires separate configuration. * `--initial_epoch=` – Sets the initial epoch number. `1` means first epoch (same as not specifying). Note: `initial_epoch`/`initial_step` doesn't affect the lr scheduler, which means lr scheduler will start from 0 without `--resume`. * `--initial_step=` – Sets the initial step number including all epochs. `0` means first step (same as not specifying). Overwrites `initial_epoch`. * `--skip_until_initial_step` – Skips training until `initial_step` is reached. ### 1.11. Console and Logging / コンソールとログ * `--console_log_level`: Sets the logging level for the console output. Choose from `DEBUG`, `INFO`, `WARNING`, `ERROR`, `CRITICAL`. * `--console_log_file`: Redirects console logs to a specified file. * `--console_log_simple`: Enables a simpler log format. ### 1.12. Hugging Face Hub Integration / Hugging Face Hub 連携 * `--huggingface_repo_id`: The repository name on Hugging Face Hub to upload the model to (e.g., `your-username/your-model`). * `--huggingface_repo_type`: The type of repository on Hugging Face Hub. Usually `model`. * `--huggingface_path_in_repo`: The path within the repository to upload files to. * `--huggingface_token`: Your Hugging Face Hub authentication token. * `--huggingface_repo_visibility`: Sets the visibility of the repository (`public` or `private`). * `--resume_from_huggingface`: Resumes training from a state saved on Hugging Face Hub. * `--async_upload`: Enables asynchronous uploading of models to the Hub, preventing it from blocking the training process. * `--save_n_epoch_ratio`: Saves the model at a certain ratio of total epochs. For example, `5` will save at least 5 checkpoints throughout the training. ### 1.13. Advanced Attention Settings / 高度なAttention設定 * `--mem_eff_attn`: Use memory-efficient attention mechanism. This is an older implementation and `sdpa` or `xformers` are generally recommended. * `--xformers`: Use xformers library for memory-efficient attention. Requires `pip install xformers`. ### 1.14. Advanced LR Scheduler Settings / 高度な学習率スケジューラ設定 * `--lr_scheduler_type`: Specifies a custom scheduler module. * `--lr_scheduler_args`: Provides additional arguments to the custom scheduler (e.g., `"T_max=100"`). * `--lr_decay_steps`: Sets the number of steps for the learning rate to decay. * `--lr_scheduler_timescale`: The timescale for the inverse square root scheduler. * `--lr_scheduler_min_lr_ratio`: Sets the minimum learning rate as a ratio of the initial learning rate for certain schedulers. ### 1.15. Differential Learning with LoRA / LoRAの差分学習 This technique involves merging a pre-trained LoRA into the base model before starting a new training session. This is useful for fine-tuning an existing LoRA or for learning the 'difference' from it. * `--base_weights`: Path to one or more LoRA weight files to be merged into the base model before training begins. * `--base_weights_multiplier`: A multiplier for the weights of the LoRA specified by `--base_weights`. You can specify multiple values if you provide multiple weights. ### 1.16. Other Miscellaneous Options / その他のオプション * `--tokenizer_cache_dir`: Specifies a directory to cache the tokenizer, which is useful for offline training. * `--scale_weight_norms`: Scales the weight norms of the LoRA modules. This can help prevent overfitting by controlling the magnitude of the weights. A value of `1.0` is a good starting point. * `--disable_mmap_load_safetensors`: Disables memory-mapped loading for `.safetensors` files. This can speed up model loading in some environments like WSL. ## 2. Other Tips / その他のTips * **VRAM Usage:** SDXL LoRA training requires a lot of VRAM. Even with 24GB VRAM, you might run out of memory depending on settings. Reduce VRAM usage with these settings: * `--mixed_precision=\"bf16\"` or `\"fp16\"` (essential) * `--gradient_checkpointing` (strongly recommended) * `--cache_latents` / `--cache_text_encoder_outputs` (highly effective, with limitations) * `--optimizer_type=\"AdamW8bit\"` or `\"Adafactor\"` * Increase `--gradient_accumulation_steps` (reduce batch size) * `--full_fp16` / `--full_bf16` (be mindful of stability) * `--fp8_base` / `--fp8_base_unet` (experimental) * `--fused_backward_pass` (Adafactor only, experimental) * **Learning Rate:** Appropriate learning rates for SDXL LoRA depend on the dataset and `network_dim`/`alpha`. Starting around `1e-4` ~ `4e-5` (U-Net), `1e-5` ~ `2e-5` (Text Encoders) is common. * **Training Time:** Training takes time due to high-resolution data and the size of the SDXL model. Using caching features and appropriate hardware is important. * **Troubleshooting:** * **NaN Loss:** Learning rate might be too high, mixed precision settings incorrect (e.g., `--no_half_vae` not specified with `fp16`), or dataset issues. * **Out of Memory (OOM):** Try the VRAM reduction measures listed above. * **Training not progressing:** Learning rate might be too low, optimizer/scheduler settings incorrect, or dataset issues. ## 3. Conclusion / おわりに `sdxl_train_network.py` offers many options to customize SDXL LoRA training. Refer to `--help`, other documents and the source code for further details.
日本語 # 高度な設定: SDXL LoRA学習スクリプト `sdxl_train_network.py` 詳細ガイド このドキュメントでは、`sd-scripts` リポジトリに含まれる `sdxl_train_network.py` を使用した、SDXL (Stable Diffusion XL) モデルに対する LoRA (Low-Rank Adaptation) モデル学習の高度な設定オプションについて解説します。 基本的な使い方については、以下のドキュメントを参照してください。 * [LoRA学習スクリプト `train_network.py` の使い方](train_network.md) * [SDXL LoRA学習スクリプト `sdxl_train_network.py` の使い方](sdxl_train_network.md) このガイドは、基本的なLoRA学習の経験があり、より詳細な設定や高度な機能を試したい熟練した利用者を対象としています。 **前提条件:** * `sd-scripts` リポジトリのクローンと Python 環境のセットアップが完了していること。 * 学習用データセットの準備と設定（`.toml`ファイル）が完了していること。（[データセット設定ガイド](link/to/dataset/config/doc)参照） * 基本的なLoRA学習のコマンドライン実行経験があること。 ## 1. コマンドライン引数 詳細解説 `sdxl_train_network.py` は `train_network.py` の機能を継承しつつ、SDXL特有の機能を追加しています。ここでは、SDXL LoRA学習に関連する主要なコマンドライン引数について、機能別に分類して詳細に解説します。 基本的な引数については、[LoRA学習スクリプト `train_network.py` の使い方](train_network.md#31-主要なコマンドライン引数) および [SDXL LoRA学習スクリプト `sdxl_train_network.py` の使い方](sdxl_train_network.md#31-主要なコマンドライン引数（差分）) を参照してください。 ### 1.1. モデル読み込み関連 * `--pretrained_model_name_or_path="<モデルパス>"` **[必須]** * 学習のベースとなる **SDXLモデル** を指定します。Hugging Face HubのモデルID、ローカルのDiffusers形式モデルディレクトリ、または`.safetensors`ファイルを指定できます。 * 詳細は[基本ガイド](sdxl_train_network.md#モデル関連)を参照してください。 * `--vae=""` * オプションで、学習に使用するVAEを指定します。SDXLモデルに含まれるVAE以外を使用する場合に指定します。`.ckpt`または`.safetensors`ファイルを指定できます。 * `--no_half_vae` * 混合精度(`fp16`/`bf16`)使用時でもVAEを`float32`で動作させます。SDXLのVAEは`float16`で不安定になることがあるため、`fp16`指定時には有効にすることが推奨されます。`bf16`では通常不要です。 * `--fp8_base` / `--fp8_base_unet` * **実験的機能:** ベースモデル（U-Net, Text Encoder）またはU-NetのみをFP8で読み込み、VRAM使用量を削減します。PyTorch 2.1以上が必要です。詳細は TODO 後でドキュメントを追加 の関連セクションを参照してください (SD3の説明ですがSDXLにも適用されます)。 ### 1.2. データセット設定関連 * `--dataset_config="<設定ファイルのパス>"` * データセットの設定を記述した`.toml`ファイルを指定します。SDXLでは高解像度データとバケツ機能（`.toml` で `enable_bucket = true` を指定）の利用が一般的です。 * `.toml`ファイルの書き方の詳細は[データセット設定ガイド](link/to/dataset/config/doc)を参照してください。 * アスペクト比バケツの解像度ステップ(`bucket_reso_steps`)は、SDXLでは32の倍数とする必要があります。 ### 1.3. 出力・保存関連 基本的なオプションは `train_network.py` と共通です。 * `--output_dir="<出力先ディレクトリ>"` **[必須]** * `--output_name="<出力ファイル名>"` **[必須]** * `--save_model_as="safetensors"` (推奨), `ckpt`, `pt`, `diffusers`, `diffusers_safetensors` * `--save_precision="fp16"`, `"bf16"`, `"float"` * モデルの保存精度を指定します。未指定時は学習時の精度(`fp16`, `bf16`等)で保存されます。 * `--save_every_n_epochs=N` / `--save_every_n_steps=N` * Nエポック/ステップごとにモデルを保存します。 * `--save_last_n_epochs=M` / `--save_last_n_steps=M` * エポック/ステップごとに保存する際、最新のM個のみを保持し、古いものは削除します。 * `--save_state` / `--save_state_on_train_end` * モデル保存時/学習終了時に、Optimizerの状態などを含む学習状態(`state`)を保存します。`--resume`オプションでの学習再開に必要です。 * `--save_last_n_epochs_state=M` / `--save_last_n_steps_state=M` * `state`の保存数をM個に制限します。`--save_last_n_epochs/steps`の指定を上書きします。 * `--no_metadata` * 出力モデルにメタデータを保存しません。 * `--save_state_to_huggingface` / `--huggingface_repo_id` など * Hugging Face Hubへのモデルやstateのアップロード関連オプション。詳細は TODO ドキュメントを追加 を参照してください。 ### 1.4. ネットワークパラメータ (LoRA) 基本的なオプションは `train_network.py` と共通です。 * `--network_module=networks.lora` **[必須]** * `--network_dim=N` **[必須]** * LoRAのランク (次元数) を指定します。SDXLでは32や64などが試されることが多いですが、データセットや目的に応じて調整が必要です。 * `--network_alpha=M` * LoRAのアルファ値。`network_dim`の半分程度、または`network_dim`と同じ値などが一般的です。デフォルトは1。 * `--network_dropout=P` * LoRAモジュール内のドロップアウト率 (0.0~1.0)。過学習抑制の効果が期待できます。デフォルトはNone (ドロップアウトなし)。 * `--network_args ...` * ネットワークモジュールへの追加引数を `key=value` 形式で指定します。LoRAでは以下の高度な設定が可能です。 * **階層別 (Block-wise) 次元数/アルファ:** * U-Netの各ブロックごとに異なる`dim`と`alpha`を指定できます。これにより、特定の層の影響を強めたり弱めたりする調整が可能です。 * `block_dims`: U-NetのLinear層およびConv2d 1x1層に対するブロックごとのdimをカンマ区切りで指定します (SDXLでは23個の数値)。 * `block_alphas`: 上記に対応するalpha値をカンマ区切りで指定します。 * `conv_block_dims`: U-NetのConv2d 3x3層に対するブロックごとのdimをカンマ区切りで指定します。 * `conv_block_alphas`: 上記に対応するalpha値をカンマ区切りで指定します。 * 指定しないブロックは `--network_dim`/`--network_alpha` または `--conv_dim`/`--conv_alpha` (存在する場合) の値が使用されます。 * 詳細は[LoRA の階層別学習率](train_network.md#lora-の階層別学習率) (train\_network.md内、SDXLでも同様に適用可能) や実装 ([lora.py](lora.py)) を参照してください。 * **LoRA+:** * `loraplus_lr_ratio=R`: LoRAの上向き重み(UP)の学習率を、下向き重み(DOWN)の学習率のR倍にします。学習速度の向上が期待できます。論文推奨は16。 * `loraplus_unet_lr_ratio=RU`: U-Net部分のLoRA+学習率比を個別に指定します。 * `loraplus_text_encoder_lr_ratio=RT`: Text Encoder部分のLoRA+学習率比を個別に指定します。(`--text_encoder_lr1`, `--text_encoder_lr2`で指定した学習率に乗算されます) * 詳細は[README](../README.md#jan-17-2025--2025-01-17-version-090)や実装 ([lora.py](lora.py)) を参照してください。 * `--network_train_unet_only` * U-NetのLoRAモジュールのみを学習します。Text Encoderの学習を行わない場合に指定します。`--cache_text_encoder_outputs` を使用する場合は必須です。 * `--network_train_text_encoder_only` * Text EncoderのLoRAモジュールのみを学習します。U-Netの学習を行わない場合に指定します。 * `--network_weights="<重みファイル>"` * 学習済みのLoRA重みを読み込んで学習を開始します。ファインチューニングや学習再開に使用します。`--resume` との違いは、このオプションはLoRAモジュールの重みのみを読み込み、`--resume` はOptimizerの状態や学習ステップ数なども復元します。 * `--dim_from_weights` * `--network_weights` で指定した重みファイルからLoRAの次元数 (`dim`) を自動的に読み込みます。`--network_dim` の指定は不要になります。 ### 1.5. 学習パラメータ * `--learning_rate=LR` * 全体の学習率。各モジュール(`unet_lr`, `text_encoder_lr1`, `text_encoder_lr2`)のデフォルト値となります。`1e-3` や `1e-4` などが試されることが多いです。 * `--unet_lr=LR_U` * U-Net部分のLoRAモジュールの学習率。 * `--text_encoder_lr1=LR_TE1` * Text Encoder 1 (OpenCLIP ViT-G/14) のLoRAモジュールの学習率。通常、U-Netより小さい値 (例: `1e-5`, `2e-5`) が推奨されます。 * `--text_encoder_lr2=LR_TE2` * Text Encoder 2 (CLIP ViT-L/14) のLoRAモジュールの学習率。通常、U-Netより小さい値 (例: `1e-5`, `2e-5`) が推奨されます。 * `--optimizer_type="..."` * 使用するOptimizerを指定します。`AdamW8bit` (省メモリ、一般的), `Adafactor` (さらに省メモリ、SDXLフルモデル学習で実績あり), `Lion`, `DAdaptation`, `Prodigy`などが選択可能です。各Optimizerには追加の引数が必要な場合があります (`--optimizer_args`参照)。 * `AdamW8bit` や `PagedAdamW8bit` (要 `bitsandbytes`) が一般的です。 * `Adafactor` はメモリ効率が良いですが、設定がやや複雑です (相対ステップ(`relative_step=True`)推奨、学習率スケジューラは`adafactor`推奨)。 * `DAdaptation`, `Prodigy` は学習率の自動調整機能がありますが、LoRA+との併用はできません。学習率は`1.0`程度を指定します。 * 詳細は[train\_util.py](train_util.py)の`get_optimizer`関数を参照してください。 * `--optimizer_args ...` * Optimizerへの追加引数を `key=value` 形式で指定します (例: `"weight_decay=0.01"` `"betas=0.9,0.999"`). * `--lr_scheduler="..."` * 学習率スケジューラを指定します。`constant` (変化なし), `cosine` (コサインカーブ), `linear` (線形減衰), `constant_with_warmup` (ウォームアップ付き定数), `cosine_with_restarts` など。`constant` や `cosine` 、 `constant_with_warmup` がよく使われます。 * スケジューラによっては追加の引数が必要です (`--lr_scheduler_args`参照)。 * `DAdaptation` や `Prodigy` などの自己学習率調整機能付きOptimizerを使用する場合、スケジューラは不要です (`constant` を指定)。 * `--lr_warmup_steps=N` * 学習率スケジューラのウォームアップステップ数。学習開始時に学習率を徐々に上げていく期間です。N < 1 の場合は全ステップ数に対する割合と解釈されます。 * `--lr_scheduler_num_cycles=N` / `--lr_scheduler_power=P` * 特定のスケジューラ (`cosine_with_restarts`, `polynomial`) のためのパラメータ。 * `--max_train_steps=N` / `--max_train_epochs=N` * 学習の総ステップ数またはエポック数を指定します。エポック指定が優先されます。 * `--mixed_precision="bf16"` / `"fp16"` / `"no"` * 混合精度学習の設定。SDXLでは `bf16` (対応GPUの場合) または `fp16` の使用が強く推奨されます。VRAM使用量を削減し、学習速度を向上させます。 * `--full_fp16` / `--full_bf16` * 勾配計算も含めて完全に半精度/bf16で行います。VRAM使用量をさらに削減できますが、学習の安定性に影響する可能性があります。VRAMがどうしても足りない場合に使用します。 * `--gradient_accumulation_steps=N` * 勾配をNステップ分蓄積してからOptimizerを更新します。実質的なバッチサイズを `train_batch_size * N` に増やし、少ないVRAMで大きなバッチサイズ相当の効果を得られます。デフォルトは1。 * `--max_grad_norm=N` * 勾配クリッピングの閾値。勾配のノルムがNを超える場合にクリッピングします。デフォルトは1.0。`0`で無効。 * `--gradient_checkpointing` * メモリ使用量を大幅に削減しますが、学習速度は若干低下します。SDXLではメモリ消費が大きいため、有効にすることが推奨されます。 * `--fused_backward_pass` * **実験的機能:** 勾配計算とOptimizerのステップを融合し、VRAM使用量を削減します。SDXLで利用可能です。現在 `Adafactor` Optimizerのみ対応。Gradient Accumulationとは併用できません。 * `--resume=""` * `--save_state`で保存された学習状態から学習を再開します。Optimizerの状態や学習ステップ数などが復元されます。 ### 1.6. キャッシュ機能関連 SDXLは計算コストが高いため、キャッシュ機能が効果的です。 * `--cache_latents` * VAEの出力(Latent)をメモリにキャッシュします。VAEの計算を省略でき、VRAM使用量を削減し、学習を高速化します。**注意:** 画像に対するAugmentation (`color_aug`, `flip_aug`, `random_crop` 等) は無効になります。 * `--cache_latents_to_disk` * `--cache_latents` と併用し、キャッシュ先をディスクにします。大量のデータセットや複数回の学習で特に有効です。初回実行時にディスクにキャッシュが生成され、2回目以降はそれを読み込みます。 * `--cache_text_encoder_outputs` * Text Encoderの出力をメモリにキャッシュします。Text Encoderの計算を省略でき、VRAM使用量を削減し、学習を高速化します。**注意:** キャプションに対するAugmentation (`shuffle_caption`, `caption_dropout_rate` 等) は無効になります。**また、このオプションを使用する場合、Text EncoderのLoRAモジュールは学習できません (`--network_train_unet_only` の指定が必須です)。** * `--cache_text_encoder_outputs_to_disk` * `--cache_text_encoder_outputs` と併用し、キャッシュ先をディスクにします。 * `--skip_cache_check` * キャッシュファイルの内容の検証をスキップします。ファイルの存在確認は行われ、存在しない場合はキャッシュが生成されます。デバッグ等で意図的に再キャッシュしたい場合を除き、通常は指定不要です。 ### 1.7. サンプル画像生成関連 基本的なオプションは `train_network.py` と共通です。 * `--sample_every_n_steps=N` / `--sample_every_n_epochs=N` * Nステップ/エポックごとにサンプル画像を生成します。 * `--sample_at_first` * 学習開始前にサンプル画像を生成します。 * `--sample_prompts="<プロンプトファイル>"` * サンプル画像生成に使用するプロンプトを記述したファイル (`.txt`, `.toml`, `.json`) を指定します。 * `--sample_sampler="..."` * サンプル画像生成時のサンプラー（スケジューラ）を指定します。`euler_a`, `dpm++_2m_karras` などが一般的です。選択肢は `--help` を参照してください。 #### プロンプトファイルの書式 プロンプトファイルは複数のプロンプトとオプションを含めることができます。例えば： ``` # prompt 1 masterpiece, best quality, (1girl), in white shirts, upper body, looking at viewer, simple background --n low quality, worst quality, bad anatomy,bad composition, poor, low effort --w 768 --h 768 --d 1 --l 7.5 --s 28 # prompt 2 masterpiece, best quality, 1boy, in business suit, standing at street, looking back --n (low quality, worst quality), bad anatomy,bad composition, poor, low effort --w 576 --h 832 --d 2 --l 5.5 --s 40 ``` `#`で始まる行はコメントです。生成画像のオプションはプロンプトの後に `--n` のように指定できます。以下のオプションが使用可能です。 * `--n` 次のオプションまでがネガティブプロンプトです。CFGスケールが `1.0` の場合は無視されます。 * `--w` 生成画像の幅を指定します。 * `--h` 生成画像の高さを指定します。 * `--d` 生成画像のシード値を指定します。 * `--l` 生成画像のCFGスケールを指定します。FLUX.1モデルでは、デフォルトは `1.0` でCFGなしを意味します。Chromaモデルでは、CFGを有効にするために `4.0` 程度に設定してください。 * `--g` 埋め込みガイダンス付きモデル（FLUX.1）の埋め込みガイダンススケールを指定、デフォルトは `3.5`。Chromaモデルでは `0.0` に設定してください。 * `--s` 生成時のステップ数を指定します。 プロンプトの重み付け `( )` や `[ ]` はSD/SDXLモデルで動作し、FLUX.1など他のモデルでは動作しません。 ### 1.8. Logging & Tracking 関連 * `--logging_dir="<ログディレクトリ>"` * TensorBoardなどのログを出力するディレクトリを指定します。指定しない場合、ログは出力されません。 * `--log_with="tensorboard"` / `"wandb"` / `"all"` * 使用するログツールを指定します。`wandb`を使用する場合、`pip install wandb`が必要です。 * `--log_prefix="<プレフィックス>"` * `logging_dir` 内に作成されるサブディレクトリ名の接頭辞を指定します。 * `--wandb_api_key=""` / `--wandb_run_name="<実行名>"` * Weights & Biases (wandb) 使用時のオプション。 * `--log_tracker_name` / `--log_tracker_config` * 高度なトラッカー設定用オプション。通常は指定不要。 * `--log_config` * 学習開始時に、使用された学習設定（一部の機密情報を除く）をログに出力します。再現性の確保に役立ちます。 ### 1.9. 正則化・高度な学習テクニック関連 * `--noise_offset=N` * ノイズオフセットを有効にし、その値を指定します。画像の明るさやコントラストの偏りを改善する効果が期待できます。SDXLのベースモデルはこの値で学習されているため、有効にすることが推奨されます (例: 0.0357)。元々の技術解説は[こちら](https://www.crosslabs.org/blog/diffusion-with-offset-noise)。 * `--noise_offset_random_strength` * ノイズオフセットの強度を0から指定値の間でランダムに変動させます。 * `--adaptive_noise_scale=N` * Latentの平均絶対値に応じてノイズオフセットを調整します。`--noise_offset`と併用します。 * `--multires_noise_iterations=N` / `--multires_noise_discount=D` * 複数解像度ノイズを有効にします。異なる周波数成分のノイズを加えることで、ディテールの再現性を向上させる効果が期待できます。イテレーション回数N (6-10程度) と割引率D (0.3程度) を指定します。技術解説は[こちら](https://wandb.ai/johnowhitaker/multires_noise/reports/Multi-Resolution-Noise-for-Diffusion-Model-Training--VmlldzozNjYyOTU2)。 * `--ip_noise_gamma=G` / `--ip_noise_gamma_random_strength` * Input Perturbation Noiseを有効にします。入力(Latent)に微小なノイズを加えて正則化を行います。Gamma値 (0.1程度) を指定します。`random_strength`で強度をランダム化できます。 * `--min_snr_gamma=N` * Min-SNR Weighting Strategy を適用します。学習初期のノイズが大きいタイムステップでのLossの重みを調整し、学習を安定させます。`N=5` などが使用されます。 * `--scale_v_pred_loss_like_noise_pred` * v-predictionモデルにおいて、vの予測ロスをノイズ予測ロスと同様のスケールに調整します。SDXLはv-predictionではないため、**通常は使用しません**。 * `--v_pred_like_loss=N` * ノイズ予測モデルにv予測ライクなロスを追加します。`N`でその重みを指定します。SDXLでは**通常は使用しません**。 * `--debiased_estimation_loss` * Debiased EstimationによるLoss計算を行います。Min-SNRと類似の目的を持ちますが、異なるアプローチです。 * `--loss_type="l1"` / `"l2"` / `"huber"` / `"smooth_l1"` * 損失関数を指定します。デフォルトは`l2` (MSE)。`huber`や`smooth_l1`は外れ値に頑健な損失関数です。 * `--huber_schedule="constant"` / `"exponential"` / `"snr"` * `huber`または`smooth_l1`損失使用時のスケジューリング方法。`snr`が推奨されています。 * `--huber_c=C` / `--huber_scale=S` * `huber`または`smooth_l1`損失のパラメータ。 * `--masked_loss` * マスク画像に基づいてLoss計算領域を限定します。データセット設定で`conditioning_data_dir`にマスク画像（白黒）を指定する必要があります。詳細は[マスクロスについて](masked_loss_README.md)を参照してください。 ### 1.10. 分散学習、その他学習関連 * `--seed=N` * 乱数シードを指定します。学習の再現性を確保したい場合に設定します。 * `--max_token_length=N` (`75`, `150`, `225`) * Text Encoderが処理するトークンの最大長。SDXLでは通常`75` (デフォルト) または `150`, `225`。長くするとより複雑なプロンプトを扱えますが、VRAM使用量が増加します。 * `--clip_skip=N` * Text Encoderの最終層からN層スキップした層の出力を使用します。SDXLでは**通常使用しません**。 * `--lowram` / `--highvram` * メモリ使用量の最適化に関するオプション。`--lowram`はColabなどRAM < VRAM環境向け、`--highvram`はVRAM潤沢な環境向け。 * `--persistent_data_loader_workers` / `--max_data_loader_n_workers=N` * DataLoaderのワーカプロセスに関する設定。エポック間の待ち時間やメモリ使用量に影響します。 * `--config_file="<設定ファイル>"` / `--output_config` * コマンドライン引数の代わりに`.toml`ファイルを使用/出力するオプション。 * **Accelerate/DeepSpeed関連:** (`--ddp_timeout`, `--ddp_gradient_as_bucket_view`, `--ddp_static_graph`) * 分散学習時の詳細設定。通常はAccelerateの設定 (`accelerate config`) で十分です。DeepSpeedを使用する場合は、別途設定が必要です。 * `--initial_epoch=` – 開始エポック番号を設定します。`1`で最初のエポック（未指定時と同じ）。注意：`initial_epoch`/`initial_step`はlr schedulerに影響しないため、`--resume`しない場合はlr schedulerは0から始まります。 * `--initial_step=` – 全エポックを含む開始ステップ番号を設定します。`0`で最初のステップ（未指定時と同じ）。`initial_epoch`を上書きします。 * `--skip_until_initial_step` – `initial_step`に到達するまで学習をスキップします。 ### 1.11. コンソールとログ * `--console_log_level`: コンソール出力のログレベルを設定します。`DEBUG`, `INFO`, `WARNING`, `ERROR`, `CRITICAL`から選択します。 * `--console_log_file`: コンソールのログを指定されたファイルに出力します。 * `--console_log_simple`: よりシンプルなログフォーマットを有効にします。 ### 1.12. Hugging Face Hub 連携 * `--huggingface_repo_id`: モデルをアップロードするHugging Face Hubのリポジトリ名 (例: `your-username/your-model`)。 * `--huggingface_repo_type`: Hugging Face Hubのリポジトリの種類。通常は`model`です。 * `--huggingface_path_in_repo`: リポジトリ内でファイルをアップロードするパス。 * `--huggingface_token`: Hugging Face Hubの認証トークン。 * `--huggingface_repo_visibility`: リポジトリの公開設定 (`public`または`private`)。 * `--resume_from_huggingface`: Hugging Face Hubに保存された状態から学習を再開します。 * `--async_upload`: Hubへのモデルの非同期アップロードを有効にし、学習プロセスをブロックしないようにします。 * `--save_n_epoch_ratio`: 総エポック数に対する特定の比率でモデルを保存します。例えば`5`を指定すると、学習全体で少なくとも5つのチェックポイントが保存されます。 ### 1.13. 高度なAttention設定 * `--mem_eff_attn`: メモリ効率の良いAttentionメカニズムを使用します。これは古い実装であり、一般的には`sdpa`や`xformers`の使用が推奨されます。 * `--xformers`: メモリ効率の良いAttentionのためにxformersライブラリを使用します。`pip install xformers`が必要です。 ### 1.14. 高度な学習率スケジューラ設定 * `--lr_scheduler_type`: カスタムスケジューラモジュールを指定します。 * `--lr_scheduler_args`: カスタムスケジューラに追加の引数を渡します (例: `"T_max=100"`)。 * `--lr_decay_steps`: 学習率が減衰するステップ数を設定します。 * `--lr_scheduler_timescale`: 逆平方根スケジューラのタイムスケール。 * `--lr_scheduler_min_lr_ratio`: 特定のスケジューラについて、初期学習率に対する最小学習率の比率を設定します。 ### 1.15. LoRAの差分学習 既存の学習済みLoRAをベースモデルにマージしてから、新たな学習を開始する手法です。既存LoRAのファインチューニングや、差分を学習させたい場合に有効です。 * `--base_weights`: 学習開始前にベースモデルにマージするLoRAの重みファイルを1つ以上指定します。 * `--base_weights_multiplier`: `--base_weights`で指定したLoRAの重みの倍率。複数指定も可能です。 ### 1.16. その他のオプション * `--tokenizer_cache_dir`: オフラインでの学習に便利なように、tokenizerをキャッシュするディレクトリを指定します。 * `--scale_weight_norms`: LoRAモジュールの重みのノルムをスケーリングします。重みの大きさを制御することで過学習を防ぐ助けになります。`1.0`が良い出発点です。 * `--disable_mmap_load_safetensors`: `.safetensors`ファイルのメモリマップドローディングを無効にします。WSLなどの一部環境でモデルの読み込みを高速化できます。 ## 2. その他のTips * **VRAM使用量:** SDXL LoRA学習は多くのVRAMを必要とします。24GB VRAMでも設定によってはメモリ不足になることがあります。以下の設定でVRAM使用量を削減できます。 * `--mixed_precision="bf16"` または `"fp16"` (必須級) * `--gradient_checkpointing` (強く推奨) * `--cache_latents` / `--cache_text_encoder_outputs` (効果大、制約あり) * `--optimizer_type="AdamW8bit"` または `"Adafactor"` * `--gradient_accumulation_steps` の値を増やす (バッチサイズを小さくする) * `--full_fp16` / `--full_bf16` (安定性に注意) * `--fp8_base` / `--fp8_base_unet` (実験的) * `--fused_backward_pass` (Adafactor限定、実験的) * **学習率:** SDXL LoRAの適切な学習率はデータセットや`network_dim`/`alpha`に依存します。`1e-4` ~ `4e-5` (U-Net), `1e-5` ~ `2e-5` (Text Encoders) あたりから試すのが一般的です。 * **学習時間:** 高解像度データとSDXLモデルのサイズのため、学習には時間がかかります。キャッシュ機能や適切なハードウェアの利用が重要です。 * **トラブルシューティング:** * **NaN Loss:** 学習率が高すぎる、混合精度の設定が不適切 (`fp16`時の`--no_half_vae`未指定など)、データセットの問題などが考えられます。 * **VRAM不足 (OOM):** 上記のVRAM削減策を試してください。 * **学習が進まない:** 学習率が低すぎる、Optimizer/Schedulerの設定が不適切、データセットの問題などが考えられます。 ## 3. おわりに `sdxl_train_network.py` は非常に多くのオプションを提供しており、SDXL LoRA学習の様々な側面をカスタマイズできます。このドキュメントが、より高度な設定やチューニングを行う際の助けとなれば幸いです。 不明な点や詳細については、各スクリプトの `--help` オプションや、リポジトリ内の他のドキュメント、実装コード自体を参照してください。
================================================ FILE: docs/train_textual_inversion.md ================================================ # How to use Textual Inversion training scripts / Textual Inversion学習スクリプトの使い方 This document explains how to train Textual Inversion embeddings using the `train_textual_inversion.py` and `sdxl_train_textual_inversion.py` scripts included in the `sd-scripts` repository.
日本語 このドキュメントでは、`sd-scripts` リポジトリに含まれる `train_textual_inversion.py` および `sdxl_train_textual_inversion.py` を使用してTextual Inversionの埋め込みを学習する方法について解説します。
## 1. Introduction / はじめに [Textual Inversion](https://textual-inversion.github.io/) is a technique that teaches Stable Diffusion new concepts by learning new token embeddings. Instead of fine-tuning the entire model, it only optimizes the text encoder's token embeddings, making it a lightweight approach to teaching the model specific characters, objects, or artistic styles. **Available Scripts:** - `train_textual_inversion.py`: For Stable Diffusion v1.x and v2.x models - `sdxl_train_textual_inversion.py`: For Stable Diffusion XL models **Prerequisites:** * The `sd-scripts` repository has been cloned and the Python environment has been set up. * The training dataset has been prepared. For dataset preparation, please refer to the [Dataset Configuration Guide](config_README-en.md).
日本語 [Textual Inversion](https://textual-inversion.github.io/) は、新しいトークンの埋め込みを学習することで、Stable Diffusionに新しい概念を教える技術です。モデル全体をファインチューニングする代わりに、テキストエンコーダのトークン埋め込みのみを最適化するため、特定のキャラクター、オブジェクト、芸術的スタイルをモデルに教えるための軽量なアプローチです。 **利用可能なスクリプト:** - `train_textual_inversion.py`: Stable Diffusion v1.xおよびv2.xモデル用 - `sdxl_train_textual_inversion.py`: Stable Diffusion XLモデル用 **前提条件:** * `sd-scripts` リポジトリのクローンとPython環境のセットアップが完了していること。 * 学習用データセットの準備が完了していること。データセットの準備については[データセット設定ガイド](config_README-en.md)を参照してください。
## 2. Basic Usage / 基本的な使用方法 ### 2.1. For Stable Diffusion v1.x/v2.x Models / Stable Diffusion v1.x/v2.xモデル用 ```bash accelerate launch --num_cpu_threads_per_process 1 train_textual_inversion.py \ --pretrained_model_name_or_path="path/to/model.safetensors" \ --dataset_config="dataset_config.toml" \ --output_dir="output" \ --output_name="my_textual_inversion" \ --save_model_as="safetensors" \ --token_string="mychar" \ --init_word="girl" \ --num_vectors_per_token=4 \ --max_train_steps=1600 \ --learning_rate=1e-6 \ --optimizer_type="AdamW8bit" \ --mixed_precision="fp16" \ --cache_latents \ --sdpa ``` ### 2.2. For SDXL Models / SDXLモデル用 ```bash accelerate launch --num_cpu_threads_per_process 1 sdxl_train_textual_inversion.py \ --pretrained_model_name_or_path="path/to/sdxl_model.safetensors" \ --dataset_config="dataset_config.toml" \ --output_dir="output" \ --output_name="my_sdxl_textual_inversion" \ --save_model_as="safetensors" \ --token_string="mychar" \ --init_word="girl" \ --num_vectors_per_token=4 \ --max_train_steps=1600 \ --learning_rate=1e-6 \ --optimizer_type="AdamW8bit" \ --mixed_precision="fp16" \ --cache_latents \ --sdpa ```
日本語 上記のコマンドは実際には1行で書く必要がありますが、見やすさのために改行しています（LinuxやMacでは行末に `\` を追加することで改行できます）。Windowsの場合は、改行せずに1行で書くか、`^` を行末に追加してください。
## 3. Key Command-Line Arguments / 主要なコマンドライン引数 ### 3.1. Textual Inversion Specific Arguments / Textual Inversion固有の引数 #### Core Parameters / コアパラメータ * `--token_string="mychar"` **[Required]** * Specifies the token string used in training. This must not exist in the tokenizer's vocabulary. In your training prompts, include this token string (e.g., if token_string is "mychar", use prompts like "mychar 1girl"). * 学習時に使用されるトークン文字列を指定します。tokenizerの語彙に存在しない文字である必要があります。学習時のプロンプトには、このトークン文字列を含める必要があります（例：token_stringが"mychar"なら、"mychar 1girl"のようなプロンプトを使用）。 * `--init_word="girl"` * Specifies the word to use for initializing the embedding vector. Choose a word that is conceptually close to what you want to teach. Must be a single token. * 埋め込みベクトルの初期化に使用する単語を指定します。教えたい概念に近い単語を選ぶとよいでしょう。単一のトークンである必要があります。 * `--num_vectors_per_token=4` * Specifies how many embedding vectors to use for this token. More vectors provide greater expressiveness but consume more tokens from the 77-token limit. * このトークンに使用する埋め込みベクトルの数を指定します。多いほど表現力が増しますが、77トークン制限からより多くのトークンを消費します。 * `--weights="path/to/existing_embedding.safetensors"` * Loads pre-trained embeddings to continue training from. Optional parameter for transfer learning. * 既存の埋め込みを読み込んで、そこから追加で学習します。転移学習のオプションパラメータです。 #### Template Options / テンプレートオプション * `--use_object_template` * Ignores captions and uses predefined object templates (e.g., "a photo of a {}"). Same as the original implementation. * キャプションを無視して、事前定義された物体用テンプレート（例："a photo of a {}"）を使用します。公式実装と同じです。 * `--use_style_template` * Ignores captions and uses predefined style templates (e.g., "a painting in the style of {}"). Same as the original implementation. * キャプションを無視して、事前定義されたスタイル用テンプレート（例："a painting in the style of {}"）を使用します。公式実装と同じです。 ### 3.2. Model and Dataset Arguments / モデル・データセット引数 For common model and dataset arguments, please refer to [LoRA Training Guide](train_network.md#31-main-command-line-arguments--主要なコマンドライン引数). The following arguments work the same way: * `--pretrained_model_name_or_path` * `--dataset_config` * `--v2`, `--v_parameterization` * `--resolution` * `--cache_latents`, `--vae_batch_size` * `--enable_bucket`, `--min_bucket_reso`, `--max_bucket_reso`
日本語 一般的なモデル・データセット引数については、[LoRA学習ガイド](train_network.md#31-main-command-line-arguments--主要なコマンドライン引数)を参照してください。以下の引数は同様に動作します： * `--pretrained_model_name_or_path` * `--dataset_config` * `--v2`, `--v_parameterization` * `--resolution` * `--cache_latents`, `--vae_batch_size` * `--enable_bucket`, `--min_bucket_reso`, `--max_bucket_reso`
### 3.3. Training Parameters / 学習パラメータ For training parameters, please refer to [LoRA Training Guide](train_network.md#31-main-command-line-arguments--主要なコマンドライン引数). Textual Inversion typically uses these settings: * `--learning_rate=1e-6`: Lower learning rates are often used compared to LoRA training * `--max_train_steps=1600`: Fewer steps are usually sufficient * `--optimizer_type="AdamW8bit"`: Memory-efficient optimizer * `--mixed_precision="fp16"`: Reduces memory usage **Note:** Textual Inversion has lower memory requirements compared to full model fine-tuning, so you can often use larger batch sizes.
日本語 学習パラメータについては、[LoRA学習ガイド](train_network.md#31-main-command-line-arguments--主要なコマンドライン引数)を参照してください。Textual Inversionでは通常以下の設定を使用します： * `--learning_rate=1e-6`: LoRA学習と比べて低い学習率がよく使用されます * `--max_train_steps=1600`: より少ないステップで十分な場合が多いです * `--optimizer_type="AdamW8bit"`: メモリ効率的なオプティマイザ * `--mixed_precision="fp16"`: メモリ使用量を削減 **注意:** Textual Inversionはモデル全体のファインチューニングと比べてメモリ要件が低いため、多くの場合、より大きなバッチサイズを使用できます。
## 4. Dataset Preparation / データセット準備 ### 4.1. Dataset Configuration / データセット設定 Create a TOML configuration file as described in the [Dataset Configuration Guide](config_README-en.md). Here's an example for Textual Inversion: ```toml [general] shuffle_caption = false caption_extension = ".txt" keep_tokens = 1 [[datasets]] resolution = 512 # 1024 for SDXL batch_size = 4 # Can use larger values than LoRA training enable_bucket = true [[datasets.subsets]] image_dir = "path/to/images" caption_extension = ".txt" num_repeats = 10 ``` ### 4.2. Caption Guidelines / キャプションガイドライン **Important:** Your captions must include the token string you specified. For example: * If `--token_string="mychar"`, captions should be like: "mychar, 1girl, blonde hair, blue eyes" * The token string can appear anywhere in the caption, but including it is essential You can verify that your token string is being recognized by using `--debug_dataset`, which will show token IDs. Look for tokens with IDs ≥ 49408 (these are the new custom tokens).
日本語 **重要:** キャプションには指定したトークン文字列を含める必要があります。例： * `--token_string="mychar"` の場合、キャプションは "mychar, 1girl, blonde hair, blue eyes" のようにします * トークン文字列はキャプション内のどこに配置しても構いませんが、含めることが必須です `--debug_dataset` を使用してトークン文字列が認識されているかを確認できます。これによりトークンIDが表示されます。ID ≥ 49408 のトークン（これらは新しいカスタムトークン）を探してください。
## 5. Advanced Configuration / 高度な設定 ### 5.1. Multiple Token Vectors / 複数トークンベクトル When using `--num_vectors_per_token` > 1, the system creates additional token variations: - `--token_string="mychar"` with `--num_vectors_per_token=4` creates: "mychar", "mychar1", "mychar2", "mychar3" For generation, you can use either the base token or all tokens together. ### 5.2. Memory Optimization / メモリ最適化 * Use `--cache_latents` to cache VAE outputs and reduce VRAM usage * Use `--gradient_checkpointing` for additional memory savings * For SDXL, use `--cache_text_encoder_outputs` to cache text encoder outputs * Consider using `--mixed_precision="bf16"` on newer GPUs (RTX 30 series and later) ### 5.3. Training Tips / 学習のコツ * **Learning Rate:** Start with 1e-6 and adjust based on results. Lower rates often work better than LoRA training. * **Steps:** 1000-2000 steps are usually sufficient, but this varies by dataset size and complexity. * **Batch Size:** Textual Inversion can handle larger batch sizes than full fine-tuning due to lower memory requirements. * **Templates:** Use `--use_object_template` for characters/objects, `--use_style_template` for artistic styles.
日本語 * **学習率:** 1e-6から始めて、結果に基づいて調整してください。LoRA学習よりも低い率がよく機能します。 * **ステップ数:** 通常1000-2000ステップで十分ですが、データセットのサイズと複雑さによって異なります。 * **バッチサイズ:** メモリ要件が低いため、Textual Inversionは完全なファインチューニングよりも大きなバッチサイズを処理できます。 * **テンプレート:** キャラクター/オブジェクトには `--use_object_template`、芸術的スタイルには `--use_style_template` を使用してください。
## 6. Usage After Training / 学習後の使用方法 The trained Textual Inversion embeddings can be used in: * **Automatic1111 WebUI:** Place the `.safetensors` file in the `embeddings` folder * **ComfyUI:** Use the embedding file with appropriate nodes * **Other Diffusers-based applications:** Load using the embedding path In your prompts, simply use the token string you trained (e.g., "mychar") and the model will use the learned embedding.
日本語 学習したTextual Inversionの埋め込みは以下で使用できます： * **Automatic1111 WebUI:** `.safetensors` ファイルを `embeddings` フォルダに配置 * **ComfyUI:** 適切なノードで埋め込みファイルを使用 * **その他のDiffusersベースアプリケーション:** 埋め込みパスを使用して読み込み プロンプトでは、学習したトークン文字列（例："mychar"）を単純に使用するだけで、モデルが学習した埋め込みを使用します。
## 7. Troubleshooting / トラブルシューティング ### Common Issues / よくある問題 1. **Token string already exists in tokenizer** * Use a unique string that doesn't exist in the model's vocabulary * Try adding numbers or special characters (e.g., "mychar123") 2. **No improvement after training** * Ensure your captions include the token string * Try adjusting the learning rate (lower values like 5e-7) * Increase the number of training steps * Use `--cache_latents`
日本語 1. **トークン文字列がtokenizerに既に存在する** * モデルの語彙に存在しない固有の文字列を使用してください * 数字や特殊文字を追加してみてください（例："mychar123"） 2. **学習後に改善が見られない** * キャプションにトークン文字列が含まれていることを確認してください * 学習率を調整してみてください（5e-7のような低い値） * 学習ステップ数を増やしてください 3. **メモリ不足エラー** * データセット設定でバッチサイズを減らしてください * `--gradient_checkpointing` を使用してください * `--cache_latents` を使用してください
For additional training options and advanced configurations, please refer to the [LoRA Training Guide](train_network.md) as many parameters are shared between training methods. ================================================ FILE: docs/train_ti_README-ja.md ================================================ [Textual Inversion](https://textual-inversion.github.io/) の学習についての説明です。 [学習についての共通ドキュメント](./train_README-ja.md) もあわせてご覧ください。 実装に当たっては https://github.com/huggingface/diffusers/tree/main/examples/textual_inversion を大いに参考にしました。 学習したモデルはWeb UIでもそのまま使えます。 # 学習の手順 あらかじめこのリポジトリのREADMEを参照し、環境整備を行ってください。 ## データの準備 [学習データの準備について](./train_README-ja.md) を参照してください。 ## 学習の実行 ``train_textual_inversion.py`` を用います。以下はコマンドラインの例です（DreamBooth手法）。 ``` accelerate launch --num_cpu_threads_per_process 1 train_textual_inversion.py --dataset_config=<データ準備で作成した.tomlファイル> --output_dir=<学習したモデルの出力先フォルダ> --output_name=<学習したモデル出力時のファイル名> --save_model_as=safetensors --prior_loss_weight=1.0 --max_train_steps=1600 --learning_rate=1e-6 --optimizer_type="AdamW8bit" --xformers --mixed_precision="fp16" --cache_latents --gradient_checkpointing --token_string=mychar4 --init_word=cute --num_vectors_per_token=4 ``` ``--token_string`` に学習時のトークン文字列を指定します。__学習時のプロンプトは、この文字列を含むようにしてください（token_stringがmychar4なら、``mychar4 1girl`` など）__。プロンプトのこの文字列の部分が、Textual Inversionの新しいtokenに置換されて学習されます。DreamBooth, class+identifier形式のデータセットとして、`token_string` をトークン文字列にするのが最も簡単で確実です。 プロンプトにトークン文字列が含まれているかどうかは、``--debug_dataset`` で置換後のtoken idが表示されますので、以下のように ``49408`` 以降のtokenが存在するかどうかで確認できます。 ``` input ids: tensor([[49406, 49408, 49409, 49410, 49411, 49412, 49413, 49414, 49415, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407, 49407]]) ``` tokenizerがすでに持っている単語（一般的な単語）は使用できません。 ``--init_word`` にembeddingsを初期化するときのコピー元トークンの文字列を指定します。学ばせたい概念が近いものを選ぶとよいようです。二つ以上のトークンになる文字列は指定できません。 ``--num_vectors_per_token`` にいくつのトークンをこの学習で使うかを指定します。多いほうが表現力が増しますが、その分多くのトークンを消費します。たとえばnum_vectors_per_token=8の場合、指定したトークン文字列は（一般的なプロンプトの77トークン制限のうち）8トークンを消費します。 以上がTextual Inversionのための主なオプションです。以降は他の学習スクリプトと同様です。 `num_cpu_threads_per_process` には通常は1を指定するとよいようです。 `pretrained_model_name_or_path` に追加学習を行う元となるモデルを指定します。Stable Diffusionのcheckpointファイル（.ckptまたは.safetensors）、Diffusersのローカルディスクにあるモデルディレクトリ、DiffusersのモデルID（"stabilityai/stable-diffusion-2"など）が指定できます。 `output_dir` に学習後のモデルを保存するフォルダを指定します。`output_name` にモデルのファイル名を拡張子を除いて指定します。`save_model_as` でsafetensors形式での保存を指定しています。 `dataset_config` に `.toml` ファイルを指定します。ファイル内でのバッチサイズ指定は、当初はメモリ消費を抑えるために `1` としてください。 学習させるステップ数 `max_train_steps` を10000とします。学習率 `learning_rate` はここでは5e-6を指定しています。 省メモリ化のため `mixed_precision="fp16"` を指定します（RTX30 シリーズ以降では `bf16` も指定できます。環境整備時にaccelerateに行った設定と合わせてください）。また `gradient_checkpointing` を指定します。 オプティマイザ（モデルを学習データにあうように最適化＝学習させるクラス）にメモリ消費の少ない 8bit AdamW を使うため、 `optimizer_type="AdamW8bit"` を指定します。 `xformers` オプションを指定し、xformersのCrossAttentionを用います。xformersをインストールしていない場合やエラーとなる場合（環境にもよりますが `mixed_precision="no"` の場合など）、代わりに `mem_eff_attn` オプションを指定すると省メモリ版CrossAttentionを使用します（速度は遅くなります）。 ある程度メモリがある場合は、`.toml` ファイルを編集してバッチサイズをたとえば `8` くらいに増やしてください（高速化と精度向上の可能性があります）。 ### よく使われるオプションについて 以下の場合にはオプションに関するドキュメントを参照してください。 - Stable Diffusion 2.xまたはそこからの派生モデルを学習する - clip skipを2以上を前提としたモデルを学習する - 75トークンを超えたキャプションで学習する ### Textual Inversionでのバッチサイズについて モデル全体を学習するDreamBoothやfine tuningに比べてメモリ使用量が少ないため、バッチサイズは大きめにできます。 # Textual Inversionのその他の主なオプション すべてのオプションについては別文書を参照してください。 * `--weights` * 学習前に学習済みのembeddingsを読み込み、そこから追加で学習します。 * `--use_object_template` * キャプションではなく既定の物体用テンプレート文字列（``a photo of a {}``など）で学習します。公式実装と同じになります。キャプションは無視されます。 * `--use_style_template` * キャプションではなく既定のスタイル用テンプレート文字列で学習します（``a painting in the style of {}``など）。公式実装と同じになります。キャプションは無視されます。 ## 当リポジトリ内の画像生成スクリプトで生成する gen_img_diffusers.pyに、``--textual_inversion_embeddings`` オプションで学習したembeddingsファイルを指定してください（複数可）。プロンプトでembeddingsファイルのファイル名（拡張子を除く）を使うと、そのembeddingsが適用されます。 ================================================ FILE: docs/validation.md ================================================ # Validation Loss Validation loss is a crucial metric for monitoring the training process of a model. It helps you assess how well your model is generalizing to data it hasn't seen during training, which is essential for preventing overfitting. By periodically evaluating the model on a separate validation dataset, you can gain insights into its performance and make more informed decisions about when to stop training or adjust hyperparameters. This feature provides a stable and reliable validation loss metric by ensuring the validation process is deterministic.
日本語 Validation loss（検証損失）は、モデルの学習過程を監視するための重要な指標です。モデルが学習中に見ていないデータに対してどの程度汎化できているかを評価するのに役立ち、過学習を防ぐために不可欠です。個別の検証データセットで定期的にモデルを評価することで、そのパフォーマンスに関する洞察を得て、学習をいつ停止するか、またはハイパーパラメータを調整するかについて、より多くの情報に基づいた決定を下すことができます。 この機能は、検証プロセスが決定論的であることを保証することにより、安定して信頼性の高い検証損失指標を提供します。
## How It Works When validation is enabled, a portion of your dataset is set aside specifically for this purpose. The script then runs a validation step at regular intervals, calculating the loss on this validation data. To ensure that the validation loss is a reliable indicator of model performance, the process is deterministic. This means that for every validation run, the same random seed is used for noise generation and timestep selection. This consistency ensures that any fluctuations in the validation loss are due to changes in the model's weights, not random variations in the validation process itself. The average loss across all validation steps is then logged, providing a single, clear metric to track. For more technical details, please refer to the original pull request: [PR #1903](https://github.com/kohya-ss/sd-scripts/pull/1903).
日本語 検証が有効になると、データセットの一部がこの目的のために特別に確保されます。スクリプトは定期的な間隔で検証ステップを実行し、この検証データに対する損失を計算します。 検証損失がモデルのパフォーマンスの信頼できる指標であることを保証するために、プロセスは決定論的です。つまり、すべての検証実行で、ノイズ生成とタイムステップ選択に同じランダムシードが使用されます。この一貫性により、検証損失の変動が、検証プロセス自体のランダムな変動ではなく、モデルの重みの変化によるものであることが保証されます。 すべての検証ステップにわたる平均損失がログに記録され、追跡するための単一の明確な指標が提供されます。 より技術的な詳細については、元のプルリクエストを参照してください: [PR #1903](https://github.com/kohya-ss/sd-scripts/pull/1903).
## How to Use ### Enabling Validation There are two primary ways to enable validation: 1. **Using a Dataset Config File (Recommended)**: You can specify a validation set directly within your dataset `.toml` file. This method offers the most control, allowing you to designate entire directories as validation sets or split a percentage of a specific subset for validation. To use a whole directory for validation, add a subset and set `validation_split = 1.0`. **Example: Separate Validation Set** ```toml [[datasets]] # ... training subset ... [[datasets.subsets]] image_dir = "path/to/train_images" # ... other settings ... # Validation subset [[datasets.subsets]] image_dir = "path/to/validation_images" validation_split = 1.0 # Use this entire subset for validation ``` To use a fraction of a subset for validation, set `validation_split` to a value between 0.0 and 1.0. **Example: Splitting a Subset** ```toml [[datasets]] # ... dataset settings ... [[datasets.subsets]] image_dir = "path/to/images" validation_split = 0.1 # Use 10% of this subset for validation ``` 2. **Using a Command-Line Argument**: For a simpler setup, you can use the `--validation_split` argument. This will take a random percentage of your *entire* training dataset for validation. This method is ignored if `validation_split` is defined in your dataset config file. **Example Command:** ```bash accelerate launch train_network.py ... --validation_split 0.1 ``` This command will use 10% of the total training data for validation.
日本語 ### 検証を有効にする 検証を有効にする主な方法は2つあります。 1. **データセット設定ファイルを使用する（推奨）**: データセットの`.toml`ファイル内で直接検証セットを指定できます。この方法は最も制御性が高く、ディレクトリ全体を検証セットとして指定したり、特定のサブセットのパーセンテージを検証用に分割したりすることができます。 ディレクトリ全体を検証に使用するには、サブセットを追加して`validation_split = 1.0`と設定します。 **例：個別の検証セット** ```toml [[datasets]] # ... training subset ... [[datasets.subsets]] image_dir = "path/to/train_images" # ... other settings ... # Validation subset [[datasets.subsets]] image_dir = "path/to/validation_images" validation_split = 1.0 # このサブセット全体を検証に使用します ``` サブセットの一部を検証に使用するには、`validation_split`を0.0から1.0の間の値に設定します。 **例：サブセットの分割** ```toml [[datasets]] # ... dataset settings ... [[datasets.subsets]] image_dir = "path/to/images" validation_split = 0.1 # このサブセットの10%を検証に使用します ``` 2. **コマンドライン引数を使用する**: より簡単な設定のために、`--validation_split`引数を使用できます。これにより、*全*学習データセットのランダムなパーセンテージが検証に使用されます。この方法は、データセット設定ファイルで`validation_split`が定義されている場合は無視されます。 **コマンド例:** ```bash accelerate launch train_network.py ... --validation_split 0.1 ``` このコマンドは、全学習データの10%を検証に使用します。
### Configuration Options | Argument | TOML Option | Description | | --------------------------- | ------------------- | -------------------------------------------------------------------------------------------------------------------------------------- | | `--validation_split` | `validation_split` | The fraction of the dataset to use for validation. The command-line argument applies globally, while the TOML option applies per-subset. The TOML setting takes precedence. | | `--validate_every_n_steps` | | Run validation every N steps. | | `--validate_every_n_epochs` | | Run validation every N epochs. If not specified, validation runs once per epoch by default. | | `--max_validation_steps` | | The maximum number of batches to use for a single validation run. If not set, the entire validation dataset is used. | | `--validation_seed` | `validation_seed` | A specific seed for the validation dataloader shuffling. If not set in the TOML file, the main training `--seed` is used. |
日本語 ### 設定オプション | 引数 | TOMLオプション | 説明 | | --------------------------- | ------------------- | -------------------------------------------------------------------------------------------------------------------------------------- | | `--validation_split` | `validation_split` | 検証に使用するデータセットの割合。コマンドライン引数は全体に適用され、TOMLオプションはサブセットごとに適用されます。TOML設定が優先されます。 | | `--validate_every_n_steps` | | Nステップごとに検証を実行します。 | | `--validate_every_n_epochs` | | Nエポックごとに検証を実行します。指定しない場合、デフォルトでエポックごとに1回検証が実行されます。 | | `--max_validation_steps` | | 1回の検証実行に使用するバッチの最大数。設定しない場合、検証データセット全体が使用されます。 | | `--validation_seed` | `validation_seed` | 検証データローダーのシャッフル用の特定のシード。TOMLファイルで設定されていない場合、メインの学習`--seed`が使用されます。 |
### Viewing the Results The validation loss is logged to your tracking tool of choice (TensorBoard or Weights & Biases). Look for the metric `loss/validation` to monitor the performance.
日本語 ### 結果の表示 検証損失は、選択した追跡ツール（TensorBoardまたはWeights & Biases）に記録されます。パフォーマンスを監視するには、`loss/validation`という指標を探してください。
### Practical Example Here is a complete example of how to run a LoRA training with validation enabled: **1. Prepare your `dataset_config.toml`:** ```toml [general] shuffle_caption = true keep_tokens = 1 [[datasets]] resolution = "1024,1024" batch_size = 2 [[datasets.subsets]] image_dir = 'path/to/your_images' caption_extension = '.txt' num_repeats = 10 [[datasets.subsets]] image_dir = 'path/to/your_validation_images' caption_extension = '.txt' validation_split = 1.0 # Use this entire subset for validation ``` **2. Run the training command:** ```bash accelerate launch sdxl_train_network.py \ --pretrained_model_name_or_path="sd_xl_base_1.0.safetensors" \ --dataset_config="dataset_config.toml" \ --output_dir="output" \ --output_name="my_lora" \ --network_module=networks.lora \ --network_dim=32 \ --network_alpha=16 \ --save_every_n_epochs=1 \ --learning_rate=1e-4 \ --optimizer_type="AdamW8bit" \ --mixed_precision="bf16" \ --logging_dir=logs ``` The validation loss will be calculated once per epoch and saved to the `logs` directory, which you can view with TensorBoard.
日本語 ### 実践的な例 検証を有効にしてLoRAの学習を実行する完全な例を次に示します。 **1. `dataset_config.toml`を準備します:** ```toml [general] shuffle_caption = true keep_tokens = 1 [[datasets]] resolution = "1024,1024" batch_size = 2 [[datasets.subsets]] image_dir = 'path/to/your_images' caption_extension = '.txt' num_repeats = 10 [[datasets.subsets]] image_dir = 'path/to/your_validation_images' caption_extension = '.txt' validation_split = 1.0 # このサブセット全体を検証に使用します ``` **2. 学習コマンドを実行します:** ```bash accelerate launch sdxl_train_network.py \ --pretrained_model_name_or_path="sd_xl_base_1.0.safetensors" \ --dataset_config="dataset_config.toml" \ --output_dir="output" \ --output_name="my_lora" \ --network_module=networks.lora \ --network_dim=32 \ --network_alpha=16 \ --save_every_n_epochs=1 \ --learning_rate=1e-4 \ --optimizer_type="AdamW8bit" \ --mixed_precision="bf16" \ --logging_dir=logs ``` 検証損失はエポックごとに1回計算され、`logs`ディレクトリに保存されます。これはTensorBoardで表示できます。
================================================ FILE: docs/wd14_tagger_README-en.md ================================================ # Image Tagging using WD14Tagger This document is based on the information from this github page (https://github.com/toriato/stable-diffusion-webui-wd14-tagger#mrsmilingwolfs-model-aka-waifu-diffusion-14-tagger). Using onnx for inference is recommended. Please install onnx with the following command: ```powershell pip install onnx onnxruntime-gpu ``` See [the official documentation](https://onnxruntime.ai/docs/install/#python-installs) for more details. The model weights will be automatically downloaded from Hugging Face. # Usage Run the script to perform tagging. ```powershell python finetune/tag_images_by_wd14_tagger.py --onnx --repo_id --batch_size ``` For example, if using the repository `SmilingWolf/wd-swinv2-tagger-v3` with a batch size of 4, and the training data is located in the parent folder `train_data`, it would be: ```powershell python tag_images_by_wd14_tagger.py --onnx --repo_id SmilingWolf/wd-swinv2-tagger-v3 --batch_size 4 ..\train_data ``` On the first run, the model files will be automatically downloaded to the `wd14_tagger_model` folder (the folder can be changed with an option). Tag files will be created in the same directory as the training data images, with the same filename and a `.txt` extension. ![Generated tag files](https://user-images.githubusercontent.com/52813779/208910534-ea514373-1185-4b7d-9ae3-61eb50bc294e.png) ![Tags and image](https://user-images.githubusercontent.com/52813779/208910599-29070c15-7639-474f-b3e4-06bd5a3df29e.png) ## Example To output in the Animagine XL 3.1 format, it would be as follows (enter on a single line in practice): ``` python tag_images_by_wd14_tagger.py --onnx --repo_id SmilingWolf/wd-swinv2-tagger-v3 --batch_size 4 --remove_underscore --undesired_tags "PUT,YOUR,UNDESIRED,TAGS" --recursive --use_rating_tags_as_last_tag --character_tags_first --character_tag_expand --always_first_tags "1girl,1boy" ..\train_data ``` ## Available Repository IDs [SmilingWolf's V2 and V3 models](https://huggingface.co/SmilingWolf) are available for use. Specify them in the format like `SmilingWolf/wd-vit-tagger-v3`. The default when omitted is `SmilingWolf/wd-v1-4-convnext-tagger-v2`. # Options All options can be checked with `python tag_images_by_wd14_tagger.py --help`. ## General Options - `--onnx`: Use ONNX for inference. If not specified, TensorFlow will be used. If using TensorFlow, please install TensorFlow separately. - `--batch_size`: Number of images to process at once. Default is 1. Adjust according to VRAM capacity. - `--caption_extension`: File extension for caption files. Default is `.txt`. - `--max_data_loader_n_workers`: Maximum number of workers for DataLoader. Specifying a value of 1 or more will use DataLoader to speed up image loading. If unspecified, DataLoader will not be used. - `--thresh`: Confidence threshold for outputting tags. Default is 0.35. Lowering the value will assign more tags but accuracy will decrease. - `--general_threshold`: Confidence threshold for general tags. If omitted, same as `--thresh`. - `--character_threshold`: Confidence threshold for character tags. If omitted, same as `--thresh`. - `--recursive`: If specified, subfolders within the specified folder will also be processed recursively. - `--append_tags`: Append tags to existing tag files. - `--frequency_tags`: Output tag frequencies. - `--debug`: Debug mode. Outputs debug information if specified. ## Model Download - `--model_dir`: Folder to save model files. Default is `wd14_tagger_model`. - `--force_download`: Re-download model files if specified. ## Tag Editing - `--remove_underscore`: Remove underscores from output tags. - `--undesired_tags`: Specify tags not to output. Multiple tags can be specified, separated by commas. For example, `black eyes,black hair`. - `--use_rating_tags`: Output rating tags at the beginning of the tags. - `--use_rating_tags_as_last_tag`: Add rating tags at the end of the tags. - `--character_tags_first`: Output character tags first. - `--character_tag_expand`: Expand character tag series names. For example, split the tag `chara_name_(series)` into `chara_name, series`. - `--always_first_tags`: Specify tags to always output first when a certain tag appears in an image. Multiple tags can be specified, separated by commas. For example, `1girl,1boy`. - `--caption_separator`: Separate tags with this string in the output file. Default is `, `. - `--tag_replacement`: Perform tag replacement. Specify in the format `tag1,tag2;tag3,tag4`. If using `,` and `;`, escape them with `\`. \ For example, specify `aira tsubase,aira tsubase (uniform)` (when you want to train a specific costume), `aira tsubase,aira tsubase\, heir of shadows` (when the series name is not included in the tag). When using `tag_replacement`, it is applied after `character_tag_expand`. When specifying `remove_underscore`, specify `undesired_tags`, `always_first_tags`, and `tag_replacement` without including underscores. When specifying `caption_separator`, separate `undesired_tags` and `always_first_tags` with `caption_separator`. Always separate `tag_replacement` with `,`. ================================================ FILE: docs/wd14_tagger_README-ja.md ================================================ # WD14Taggerによるタグ付け こちらのgithubページ（https://github.com/toriato/stable-diffusion-webui-wd14-tagger#mrsmilingwolfs-model-aka-waifu-diffusion-14-tagger ）の情報を参考にさせていただきました。 onnx を用いた推論を推奨します。以下のコマンドで onnx をインストールしてください。 ```powershell pip install onnx onnxruntime-gpu ``` 詳細は[公式ドキュメント](https://onnxruntime.ai/docs/install/#python-installs)をご覧ください。 モデルの重みはHugging Faceから自動的にダウンロードしてきます。 # 使い方 スクリプトを実行してタグ付けを行います。 ``` python fintune/tag_images_by_wd14_tagger.py --onnx --repo_id <モデルのrepo id> --batch_size <バッチサイズ> <教師データフォルダ> ``` レポジトリに `SmilingWolf/wd-swinv2-tagger-v3` を使用し、バッチサイズを4にして、教師データを親フォルダの `train_data`に置いた場合、以下のようになります。 ``` python tag_images_by_wd14_tagger.py --onnx --repo_id SmilingWolf/wd-swinv2-tagger-v3 --batch_size 4 ..\train_data ``` 初回起動時にはモデルファイルが `wd14_tagger_model` フォルダに自動的にダウンロードされます（フォルダはオプションで変えられます）。 タグファイルが教師データ画像と同じディレクトリに、同じファイル名、拡張子.txtで作成されます。 ![生成されたタグファイル](https://user-images.githubusercontent.com/52813779/208910534-ea514373-1185-4b7d-9ae3-61eb50bc294e.png) ![タグと画像](https://user-images.githubusercontent.com/52813779/208910599-29070c15-7639-474f-b3e4-06bd5a3df29e.png) ## 記述例 Animagine XL 3.1 方式で出力する場合、以下のようになります（実際には 1 行で入力してください）。 ``` python tag_images_by_wd14_tagger.py --onnx --repo_id SmilingWolf/wd-swinv2-tagger-v3 --batch_size 4 --remove_underscore --undesired_tags "PUT,YOUR,UNDESIRED,TAGS" --recursive --use_rating_tags_as_last_tag --character_tags_first --character_tag_expand --always_first_tags "1girl,1boy" ..\train_data ``` ## 使用可能なリポジトリID [SmilingWolf 氏の V2、V3 のモデル](https://huggingface.co/SmilingWolf)が使用可能です。`SmilingWolf/wd-vit-tagger-v3` のように指定してください。省略時のデフォルトは `SmilingWolf/wd-v1-4-convnext-tagger-v2` です。 # オプション 全てオプションは `python tag_images_by_wd14_tagger.py --help` で確認できます。 ## 一般オプション - `--onnx` : ONNX を使用して推論します。指定しない場合は TensorFlow を使用します。TensorFlow 使用時は別途 TensorFlow をインストールしてください。 - `--batch_size` : 一度に処理する画像の数。デフォルトは1です。VRAMの容量に応じて増減してください。 - `--caption_extension` : キャプションファイルの拡張子。デフォルトは `.txt` です。 - `--max_data_loader_n_workers` : DataLoader の最大ワーカー数です。このオプションに 1 以上の数値を指定すると、DataLoader を用いて画像読み込みを高速化します。未指定時は DataLoader を用いません。 - `--thresh` : 出力するタグの信頼度の閾値。デフォルトは0.35です。値を下げるとより多くのタグが付与されますが、精度は下がります。 - `--general_threshold` : 一般タグの信頼度の閾値。省略時は `--thresh` と同じです。 - `--character_threshold` : キャラクタータグの信頼度の閾値。省略時は `--thresh` と同じです。 - `--recursive` : 指定すると、指定したフォルダ内のサブフォルダも再帰的に処理します。 - `--append_tags` : 既存のタグファイルにタグを追加します。 - `--frequency_tags` : タグの頻度を出力します。 - `--debug` : デバッグモード。指定するとデバッグ情報を出力します。 ## モデルのダウンロード - `--model_dir` : モデルファイルの保存先フォルダ。デフォルトは `wd14_tagger_model` です。 - `--force_download` : 指定するとモデルファイルを再ダウンロードします。 ## タグ編集関連 - `--remove_underscore` : 出力するタグからアンダースコアを削除します。 - `--undesired_tags` : 出力しないタグを指定します。カンマ区切りで複数指定できます。たとえば `black eyes,black hair` のように指定します。 - `--use_rating_tags` : タグの最初にレーティングタグを出力します。 - `--use_rating_tags_as_last_tag` : タグの最後にレーティングタグを追加します。 - `--character_tags_first` : キャラクタータグを最初に出力します。 - `--character_tag_expand` : キャラクタータグのシリーズ名を展開します。たとえば `chara_name_(series)` のタグを `chara_name, series` に分割します。 - `--always_first_tags` : あるタグが画像に出力されたとき、そのタグを最初に出力するタグを指定します。カンマ区切りで複数指定できます。たとえば `1girl,1boy` のように指定します。 - `--caption_separator` : 出力するファイルでタグをこの文字列で区切ります。デフォルトは `, ` です。 - `--tag_replacement` : タグの置換を行います。`tag1,tag2;tag3,tag4` のように指定します。`,` および `;` を使う場合は `\` でエスケープしてください。\ たとえば `aira tsubase,aira tsubase (uniform)` （特定の衣装を学習させたいとき）、`aira tsubase,aira tsubase\, heir of shadows` （シリーズ名がタグに含まれないとき）のように指定します。 `tag_replacement` は `character_tag_expand` の後に適用されます。 `remove_underscore` 指定時は、`undesired_tags`、`always_first_tags`、`tag_replacement` はアンダースコアを含めずに指定してください。 `caption_separator` 指定時は、`undesired_tags`、`always_first_tags` は `caption_separator` で区切ってください。`tag_replacement` は必ず `,` で区切ってください。 ================================================ FILE: fine_tune.py ================================================ # training with captions # XXX dropped option: hypernetwork training import argparse import math import os from multiprocessing import Value import toml from tqdm import tqdm import torch from library import deepspeed_utils, strategy_base from library.device_utils import init_ipex, clean_memory_on_device init_ipex() from accelerate.utils import set_seed from diffusers import DDPMScheduler from library.utils import setup_logging, add_logging_arguments setup_logging() import logging logger = logging.getLogger(__name__) import library.train_util as train_util import library.config_util as config_util import library.sai_model_spec as sai_model_spec from library.config_util import ( ConfigSanitizer, BlueprintGenerator, ) import library.custom_train_functions as custom_train_functions from library.custom_train_functions import ( apply_snr_weight, get_weighted_text_embeddings, prepare_scheduler_for_custom_training, scale_v_prediction_loss_like_noise_prediction, apply_debiased_estimation, ) import library.strategy_sd as strategy_sd def train(args): train_util.verify_training_args(args) train_util.prepare_dataset_args(args, True) deepspeed_utils.prepare_deepspeed_args(args) setup_logging(args, reset=True) cache_latents = args.cache_latents if args.seed is not None: set_seed(args.seed) # 乱数系列を初期化する tokenize_strategy = strategy_sd.SdTokenizeStrategy(args.v2, args.max_token_length, args.tokenizer_cache_dir) strategy_base.TokenizeStrategy.set_strategy(tokenize_strategy) # prepare caching strategy: this must be set before preparing dataset. because dataset may use this strategy for initialization. if cache_latents: latents_caching_strategy = strategy_sd.SdSdxlLatentsCachingStrategy( False, args.cache_latents_to_disk, args.vae_batch_size, args.skip_cache_check ) strategy_base.LatentsCachingStrategy.set_strategy(latents_caching_strategy) # データセットを準備する if args.dataset_class is None: blueprint_generator = BlueprintGenerator(ConfigSanitizer(False, True, False, True)) if args.dataset_config is not None: logger.info(f"Load dataset config from {args.dataset_config}") user_config = config_util.load_user_config(args.dataset_config) ignored = ["train_data_dir", "in_json"] if any(getattr(args, attr) is not None for attr in ignored): logger.warning( "ignore following options because config file is found: {0} / 設定ファイルが利用されるため以下のオプションは無視されます: {0}".format( ", ".join(ignored) ) ) else: user_config = { "datasets": [ { "subsets": [ { "image_dir": args.train_data_dir, "metadata_file": args.in_json, } ] } ] } blueprint = blueprint_generator.generate(user_config, args) train_dataset_group, val_dataset_group = config_util.generate_dataset_group_by_blueprint(blueprint.dataset_group) else: train_dataset_group = train_util.load_arbitrary_dataset(args) val_dataset_group = None current_epoch = Value("i", 0) current_step = Value("i", 0) ds_for_collator = train_dataset_group if args.max_data_loader_n_workers == 0 else None collator = train_util.collator_class(current_epoch, current_step, ds_for_collator) train_dataset_group.verify_bucket_reso_steps(64) if args.debug_dataset: train_util.debug_dataset(train_dataset_group) return if len(train_dataset_group) == 0: logger.error( "No data found. Please verify the metadata file and train_data_dir option. / 画像がありません。メタデータおよびtrain_data_dirオプションを確認してください。" ) return if cache_latents: assert ( train_dataset_group.is_latent_cacheable() ), "when caching latents, either color_aug or random_crop cannot be used / latentをキャッシュするときはcolor_augとrandom_cropは使えません" # acceleratorを準備する logger.info("prepare accelerator") accelerator = train_util.prepare_accelerator(args) # mixed precisionに対応した型を用意しておき適宜castする weight_dtype, save_dtype = train_util.prepare_dtype(args) vae_dtype = torch.float32 if args.no_half_vae else weight_dtype # モデルを読み込む text_encoder, vae, unet, load_stable_diffusion_format = train_util.load_target_model(args, weight_dtype, accelerator) # verify load/save model formats if load_stable_diffusion_format: src_stable_diffusion_ckpt = args.pretrained_model_name_or_path src_diffusers_model_path = None else: src_stable_diffusion_ckpt = None src_diffusers_model_path = args.pretrained_model_name_or_path if args.save_model_as is None: save_stable_diffusion_format = load_stable_diffusion_format use_safetensors = args.use_safetensors else: save_stable_diffusion_format = args.save_model_as.lower() == "ckpt" or args.save_model_as.lower() == "safetensors" use_safetensors = args.use_safetensors or ("safetensors" in args.save_model_as.lower()) # Diffusers版のxformers使用フラグを設定する関数 def set_diffusers_xformers_flag(model, valid): # model.set_use_memory_efficient_attention_xformers(valid) # 次のリリースでなくなりそう # pipeが自動で再帰的にset_use_memory_efficient_attention_xformersを探すんだって(;´Д｀) # U-Netだけ使う時にはどうすればいいのか……仕方ないからコピって使うか # 0.10.2でなんか巻き戻って個別に指定するようになった(;^ω^) # Recursively walk through all the children. # Any children which exposes the set_use_memory_efficient_attention_xformers method # gets the message def fn_recursive_set_mem_eff(module: torch.nn.Module): if hasattr(module, "set_use_memory_efficient_attention_xformers"): module.set_use_memory_efficient_attention_xformers(valid) for child in module.children(): fn_recursive_set_mem_eff(child) fn_recursive_set_mem_eff(model) # モデルに xformers とか memory efficient attention を組み込む if args.diffusers_xformers: accelerator.print("Use xformers by Diffusers") set_diffusers_xformers_flag(unet, True) else: # Windows版のxformersはfloatで学習できないのでxformersを使わない設定も可能にしておく必要がある accelerator.print("Disable Diffusers' xformers") set_diffusers_xformers_flag(unet, False) train_util.replace_unet_modules(unet, args.mem_eff_attn, args.xformers, args.sdpa) # 学習を準備する if cache_latents: vae.to(accelerator.device, dtype=vae_dtype) vae.requires_grad_(False) vae.eval() train_dataset_group.new_cache_latents(vae, accelerator) vae.to("cpu") clean_memory_on_device(accelerator.device) accelerator.wait_for_everyone() # 学習を準備する：モデルを適切な状態にする training_models = [] if args.gradient_checkpointing: unet.enable_gradient_checkpointing() training_models.append(unet) if args.train_text_encoder: accelerator.print("enable text encoder training") if args.gradient_checkpointing: text_encoder.gradient_checkpointing_enable() training_models.append(text_encoder) else: text_encoder.to(accelerator.device, dtype=weight_dtype) text_encoder.requires_grad_(False) # text encoderは学習しない if args.gradient_checkpointing: text_encoder.gradient_checkpointing_enable() text_encoder.train() # required for gradient_checkpointing else: text_encoder.eval() text_encoding_strategy = strategy_sd.SdTextEncodingStrategy(args.clip_skip) strategy_base.TextEncodingStrategy.set_strategy(text_encoding_strategy) if not cache_latents: vae.requires_grad_(False) vae.eval() vae.to(accelerator.device, dtype=vae_dtype) for m in training_models: m.requires_grad_(True) trainable_params = [] if args.learning_rate_te is None or not args.train_text_encoder: for m in training_models: trainable_params.extend(m.parameters()) else: trainable_params = [ {"params": list(unet.parameters()), "lr": args.learning_rate}, {"params": list(text_encoder.parameters()), "lr": args.learning_rate_te}, ] # 学習に必要なクラスを準備する accelerator.print("prepare optimizer, data loader etc.") _, _, optimizer = train_util.get_optimizer(args, trainable_params=trainable_params) # prepare dataloader # strategies are set here because they cannot be referenced in another process. Copy them with the dataset # some strategies can be None train_dataset_group.set_current_strategies() # DataLoaderのプロセス数：0 は persistent_workers が使えないので注意 n_workers = min(args.max_data_loader_n_workers, os.cpu_count()) # cpu_count or max_data_loader_n_workers train_dataloader = torch.utils.data.DataLoader( train_dataset_group, batch_size=1, shuffle=True, collate_fn=collator, num_workers=n_workers, persistent_workers=args.persistent_data_loader_workers, ) # 学習ステップ数を計算する if args.max_train_epochs is not None: args.max_train_steps = args.max_train_epochs * math.ceil( len(train_dataloader) / accelerator.num_processes / args.gradient_accumulation_steps ) accelerator.print( f"override steps. steps for {args.max_train_epochs} epochs is / 指定エポックまでのステップ数: {args.max_train_steps}" ) # データセット側にも学習ステップを送信 train_dataset_group.set_max_train_steps(args.max_train_steps) # lr schedulerを用意する lr_scheduler = train_util.get_scheduler_fix(args, optimizer, accelerator.num_processes) # 実験的機能：勾配も含めたfp16学習を行う　モデル全体をfp16にする if args.full_fp16: assert ( args.mixed_precision == "fp16" ), "full_fp16 requires mixed precision='fp16' / full_fp16を使う場合はmixed_precision='fp16'を指定してください。" accelerator.print("enable full fp16 training.") unet.to(weight_dtype) text_encoder.to(weight_dtype) if args.deepspeed: if args.train_text_encoder: ds_model = deepspeed_utils.prepare_deepspeed_model(args, unet=unet, text_encoder=text_encoder) else: ds_model = deepspeed_utils.prepare_deepspeed_model(args, unet=unet) ds_model, optimizer, train_dataloader, lr_scheduler = accelerator.prepare( ds_model, optimizer, train_dataloader, lr_scheduler ) training_models = [ds_model] else: # acceleratorがなんかよろしくやってくれるらしい if args.train_text_encoder: unet, text_encoder, optimizer, train_dataloader, lr_scheduler = accelerator.prepare( unet, text_encoder, optimizer, train_dataloader, lr_scheduler ) else: unet, optimizer, train_dataloader, lr_scheduler = accelerator.prepare(unet, optimizer, train_dataloader, lr_scheduler) # 実験的機能：勾配も含めたfp16学習を行う　PyTorchにパッチを当ててfp16でのgrad scaleを有効にする if args.full_fp16: train_util.patch_accelerator_for_fp16_training(accelerator) # resumeする train_util.resume_from_local_or_hf_if_specified(accelerator, args) # epoch数を計算する num_update_steps_per_epoch = math.ceil(len(train_dataloader) / args.gradient_accumulation_steps) num_train_epochs = math.ceil(args.max_train_steps / num_update_steps_per_epoch) if (args.save_n_epoch_ratio is not None) and (args.save_n_epoch_ratio > 0): args.save_every_n_epochs = math.floor(num_train_epochs / args.save_n_epoch_ratio) or 1 # 学習する total_batch_size = args.train_batch_size * accelerator.num_processes * args.gradient_accumulation_steps accelerator.print("running training / 学習開始") accelerator.print(f" num examples / サンプル数: {train_dataset_group.num_train_images}") accelerator.print(f" num batches per epoch / 1epochのバッチ数: {len(train_dataloader)}") accelerator.print(f" num epochs / epoch数: {num_train_epochs}") accelerator.print(f" batch size per device / バッチサイズ: {args.train_batch_size}") accelerator.print( f" total train batch size (with parallel & distributed & accumulation) / 総バッチサイズ（並列学習、勾配合計含む）: {total_batch_size}" ) accelerator.print(f" gradient accumulation steps / 勾配を合計するステップ数 = {args.gradient_accumulation_steps}") accelerator.print(f" total optimization steps / 学習ステップ数: {args.max_train_steps}") progress_bar = tqdm(range(args.max_train_steps), smoothing=0, disable=not accelerator.is_local_main_process, desc="steps") global_step = 0 noise_scheduler = DDPMScheduler( beta_start=0.00085, beta_end=0.012, beta_schedule="scaled_linear", num_train_timesteps=1000, clip_sample=False ) prepare_scheduler_for_custom_training(noise_scheduler, accelerator.device) if args.zero_terminal_snr: custom_train_functions.fix_noise_scheduler_betas_for_zero_terminal_snr(noise_scheduler) if accelerator.is_main_process: init_kwargs = {} if args.wandb_run_name: init_kwargs["wandb"] = {"name": args.wandb_run_name} if args.log_tracker_config is not None: init_kwargs = toml.load(args.log_tracker_config) accelerator.init_trackers( "finetuning" if args.log_tracker_name is None else args.log_tracker_name, config=train_util.get_sanitized_config_or_none(args), init_kwargs=init_kwargs, ) # For --sample_at_first train_util.sample_images( accelerator, args, 0, global_step, accelerator.device, vae, tokenize_strategy.tokenizer, text_encoder, unet ) if len(accelerator.trackers) > 0: # log empty object to commit the sample images to wandb accelerator.log({}, step=0) loss_recorder = train_util.LossRecorder() for epoch in range(num_train_epochs): accelerator.print(f"\nepoch {epoch+1}/{num_train_epochs}") current_epoch.value = epoch + 1 for m in training_models: m.train() for step, batch in enumerate(train_dataloader): current_step.value = global_step with accelerator.accumulate(*training_models): with torch.no_grad(): if "latents" in batch and batch["latents"] is not None: latents = batch["latents"].to(accelerator.device).to(dtype=weight_dtype) else: # latentに変換 latents = vae.encode(batch["images"].to(dtype=vae_dtype)).latent_dist.sample().to(weight_dtype) latents = latents * 0.18215 b_size = latents.shape[0] with torch.set_grad_enabled(args.train_text_encoder): # Get the text embedding for conditioning if args.weighted_captions: input_ids_list, weights_list = tokenize_strategy.tokenize_with_weights(batch["captions"]) encoder_hidden_states = text_encoding_strategy.encode_tokens_with_weights( tokenize_strategy, [text_encoder], input_ids_list, weights_list )[0] else: input_ids = batch["input_ids_list"][0].to(accelerator.device) encoder_hidden_states = text_encoding_strategy.encode_tokens( tokenize_strategy, [text_encoder], [input_ids] )[0] if args.full_fp16: encoder_hidden_states = encoder_hidden_states.to(weight_dtype) # Sample noise, sample a random timestep for each image, and add noise to the latents, # with noise offset and/or multires noise if specified noise, noisy_latents, timesteps = train_util.get_noise_noisy_latents_and_timesteps(args, noise_scheduler, latents) # Predict the noise residual with accelerator.autocast(): noise_pred = unet(noisy_latents, timesteps, encoder_hidden_states).sample if args.v_parameterization: # v-parameterization training target = noise_scheduler.get_velocity(latents, noise, timesteps) else: target = noise huber_c = train_util.get_huber_threshold_if_needed(args, timesteps, noise_scheduler) if args.min_snr_gamma or args.scale_v_pred_loss_like_noise_pred or args.debiased_estimation_loss: # do not mean over batch dimension for snr weight or scale v-pred loss loss = train_util.conditional_loss(noise_pred.float(), target.float(), args.loss_type, "none", huber_c) loss = loss.mean([1, 2, 3]) if args.min_snr_gamma: loss = apply_snr_weight(loss, timesteps, noise_scheduler, args.min_snr_gamma, args.v_parameterization) if args.scale_v_pred_loss_like_noise_pred: loss = scale_v_prediction_loss_like_noise_prediction(loss, timesteps, noise_scheduler) if args.debiased_estimation_loss: loss = apply_debiased_estimation(loss, timesteps, noise_scheduler, args.v_parameterization) loss = loss.mean() # mean over batch dimension else: loss = train_util.conditional_loss(noise_pred.float(), target.float(), args.loss_type, "mean", huber_c) accelerator.backward(loss) if accelerator.sync_gradients and args.max_grad_norm != 0.0: params_to_clip = [] for m in training_models: params_to_clip.extend(m.parameters()) accelerator.clip_grad_norm_(params_to_clip, args.max_grad_norm) optimizer.step() lr_scheduler.step() optimizer.zero_grad(set_to_none=True) # Checks if the accelerator has performed an optimization step behind the scenes if accelerator.sync_gradients: progress_bar.update(1) global_step += 1 train_util.sample_images( accelerator, args, None, global_step, accelerator.device, vae, tokenize_strategy.tokenizer, text_encoder, unet ) # 指定ステップごとにモデルを保存 if args.save_every_n_steps is not None and global_step % args.save_every_n_steps == 0: accelerator.wait_for_everyone() if accelerator.is_main_process: src_path = src_stable_diffusion_ckpt if save_stable_diffusion_format else src_diffusers_model_path train_util.save_sd_model_on_epoch_end_or_stepwise( args, False, accelerator, src_path, save_stable_diffusion_format, use_safetensors, save_dtype, epoch, num_train_epochs, global_step, accelerator.unwrap_model(text_encoder), accelerator.unwrap_model(unet), vae, ) current_loss = loss.detach().item() # 平均なのでbatch sizeは関係ないはず if len(accelerator.trackers) > 0: logs = {"loss": current_loss} train_util.append_lr_to_logs(logs, lr_scheduler, args.optimizer_type, including_unet=True) accelerator.log(logs, step=global_step) loss_recorder.add(epoch=epoch, step=step, loss=current_loss) avr_loss: float = loss_recorder.moving_average logs = {"avr_loss": avr_loss} # , "lr": lr_scheduler.get_last_lr()[0]} progress_bar.set_postfix(**logs) if global_step >= args.max_train_steps: break if len(accelerator.trackers) > 0: logs = {"loss/epoch": loss_recorder.moving_average} accelerator.log(logs, step=epoch + 1) accelerator.wait_for_everyone() if args.save_every_n_epochs is not None: if accelerator.is_main_process: src_path = src_stable_diffusion_ckpt if save_stable_diffusion_format else src_diffusers_model_path train_util.save_sd_model_on_epoch_end_or_stepwise( args, True, accelerator, src_path, save_stable_diffusion_format, use_safetensors, save_dtype, epoch, num_train_epochs, global_step, accelerator.unwrap_model(text_encoder), accelerator.unwrap_model(unet), vae, ) train_util.sample_images( accelerator, args, epoch + 1, global_step, accelerator.device, vae, tokenize_strategy.tokenizer, text_encoder, unet ) is_main_process = accelerator.is_main_process if is_main_process: unet = accelerator.unwrap_model(unet) text_encoder = accelerator.unwrap_model(text_encoder) accelerator.end_training() if is_main_process and (args.save_state or args.save_state_on_train_end): train_util.save_state_on_train_end(args, accelerator) del accelerator # この後メモリを使うのでこれは消す if is_main_process: src_path = src_stable_diffusion_ckpt if save_stable_diffusion_format else src_diffusers_model_path train_util.save_sd_model_on_train_end( args, src_path, save_stable_diffusion_format, use_safetensors, save_dtype, epoch, global_step, text_encoder, unet, vae ) logger.info("model saved.") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) train_util.add_sd_models_arguments(parser) sai_model_spec.add_model_spec_arguments(parser) train_util.add_dataset_arguments(parser, False, True, True) train_util.add_training_arguments(parser, False) deepspeed_utils.add_deepspeed_arguments(parser) train_util.add_sd_saving_arguments(parser) train_util.add_optimizer_arguments(parser) config_util.add_config_arguments(parser) custom_train_functions.add_custom_train_arguments(parser) parser.add_argument( "--diffusers_xformers", action="store_true", help="use xformers by diffusers / Diffusersでxformersを使用する" ) parser.add_argument("--train_text_encoder", action="store_true", help="train text encoder / text encoderも学習する") parser.add_argument( "--learning_rate_te", type=float, default=None, help="learning rate for text encoder, default is same as unet / Text Encoderの学習率、デフォルトはunetと同じ", ) parser.add_argument( "--no_half_vae", action="store_true", help="do not use fp16/bf16 VAE in mixed precision (use float VAE) / mixed precisionでも fp16/bf16 VAEを使わずfloat VAEを使う", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) train(args) ================================================ FILE: finetune/blip/blip.py ================================================ ''' * Copyright (c) 2022, salesforce.com, inc. * All rights reserved. * SPDX-License-Identifier: BSD-3-Clause * For full license text, see LICENSE.txt file in the repo root or https://opensource.org/licenses/BSD-3-Clause * By Junnan Li ''' import warnings warnings.filterwarnings("ignore") # from models.vit import VisionTransformer, interpolate_pos_embed # from models.med import BertConfig, BertModel, BertLMHeadModel from blip.vit import VisionTransformer, interpolate_pos_embed from blip.med import BertConfig, BertModel, BertLMHeadModel from transformers import BertTokenizer import torch from torch import nn import torch.nn.functional as F import os from urllib.parse import urlparse from timm.models.hub import download_cached_file from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) class BLIP_Base(nn.Module): def __init__(self, med_config = 'configs/med_config.json', image_size = 224, vit = 'base', vit_grad_ckpt = False, vit_ckpt_layer = 0, ): """ Args: med_config (str): path for the mixture of encoder-decoder model's configuration file image_size (int): input image size vit (str): model size of vision transformer """ super().__init__() self.visual_encoder, vision_width = create_vit(vit,image_size, vit_grad_ckpt, vit_ckpt_layer) self.tokenizer = init_tokenizer() med_config = BertConfig.from_json_file(med_config) med_config.encoder_width = vision_width self.text_encoder = BertModel(config=med_config, add_pooling_layer=False) def forward(self, image, caption, mode): assert mode in ['image', 'text', 'multimodal'], "mode parameter must be image, text, or multimodal" text = self.tokenizer(caption, return_tensors="pt").to(image.device) if mode=='image': # return image features image_embeds = self.visual_encoder(image) return image_embeds elif mode=='text': # return text features text_output = self.text_encoder(text.input_ids, attention_mask = text.attention_mask, return_dict = True, mode = 'text') return text_output.last_hidden_state elif mode=='multimodal': # return multimodel features image_embeds = self.visual_encoder(image) image_atts = torch.ones(image_embeds.size()[:-1],dtype=torch.long).to(image.device) text.input_ids[:,0] = self.tokenizer.enc_token_id output = self.text_encoder(text.input_ids, attention_mask = text.attention_mask, encoder_hidden_states = image_embeds, encoder_attention_mask = image_atts, return_dict = True, ) return output.last_hidden_state class BLIP_Decoder(nn.Module): def __init__(self, med_config = 'configs/med_config.json', image_size = 384, vit = 'base', vit_grad_ckpt = False, vit_ckpt_layer = 0, prompt = 'a picture of ', ): """ Args: med_config (str): path for the mixture of encoder-decoder model's configuration file image_size (int): input image size vit (str): model size of vision transformer """ super().__init__() self.visual_encoder, vision_width = create_vit(vit,image_size, vit_grad_ckpt, vit_ckpt_layer) self.tokenizer = init_tokenizer() med_config = BertConfig.from_json_file(med_config) med_config.encoder_width = vision_width self.text_decoder = BertLMHeadModel(config=med_config) self.prompt = prompt self.prompt_length = len(self.tokenizer(self.prompt).input_ids)-1 def forward(self, image, caption): image_embeds = self.visual_encoder(image) image_atts = torch.ones(image_embeds.size()[:-1],dtype=torch.long).to(image.device) text = self.tokenizer(caption, padding='longest', truncation=True, max_length=40, return_tensors="pt").to(image.device) text.input_ids[:,0] = self.tokenizer.bos_token_id decoder_targets = text.input_ids.masked_fill(text.input_ids == self.tokenizer.pad_token_id, -100) decoder_targets[:,:self.prompt_length] = -100 decoder_output = self.text_decoder(text.input_ids, attention_mask = text.attention_mask, encoder_hidden_states = image_embeds, encoder_attention_mask = image_atts, labels = decoder_targets, return_dict = True, ) loss_lm = decoder_output.loss return loss_lm def generate(self, image, sample=False, num_beams=3, max_length=30, min_length=10, top_p=0.9, repetition_penalty=1.0): image_embeds = self.visual_encoder(image) # recent version of transformers seems to do repeat_interleave automatically # if not sample: # image_embeds = image_embeds.repeat_interleave(num_beams,dim=0) image_atts = torch.ones(image_embeds.size()[:-1],dtype=torch.long).to(image.device) model_kwargs = {"encoder_hidden_states": image_embeds, "encoder_attention_mask":image_atts} prompt = [self.prompt] * image.size(0) input_ids = self.tokenizer(prompt, return_tensors="pt").input_ids.to(image.device) input_ids[:,0] = self.tokenizer.bos_token_id input_ids = input_ids[:, :-1] if sample: #nucleus sampling outputs = self.text_decoder.generate(input_ids=input_ids, max_length=max_length, min_length=min_length, do_sample=True, top_p=top_p, num_return_sequences=1, eos_token_id=self.tokenizer.sep_token_id, pad_token_id=self.tokenizer.pad_token_id, repetition_penalty=1.1, **model_kwargs) else: #beam search outputs = self.text_decoder.generate(input_ids=input_ids, max_length=max_length, min_length=min_length, num_beams=num_beams, eos_token_id=self.tokenizer.sep_token_id, pad_token_id=self.tokenizer.pad_token_id, repetition_penalty=repetition_penalty, **model_kwargs) captions = [] for output in outputs: caption = self.tokenizer.decode(output, skip_special_tokens=True) captions.append(caption[len(self.prompt):]) return captions def blip_decoder(pretrained='',**kwargs): model = BLIP_Decoder(**kwargs) if pretrained: model,msg = load_checkpoint(model,pretrained) assert(len(msg.missing_keys)==0) return model def blip_feature_extractor(pretrained='',**kwargs): model = BLIP_Base(**kwargs) if pretrained: model,msg = load_checkpoint(model,pretrained) assert(len(msg.missing_keys)==0) return model def init_tokenizer(): tokenizer = BertTokenizer.from_pretrained('bert-base-uncased') tokenizer.add_special_tokens({'bos_token':'[DEC]'}) tokenizer.add_special_tokens({'additional_special_tokens':['[ENC]']}) tokenizer.enc_token_id = tokenizer.additional_special_tokens_ids[0] return tokenizer def create_vit(vit, image_size, use_grad_checkpointing=False, ckpt_layer=0, drop_path_rate=0): assert vit in ['base', 'large'], "vit parameter must be base or large" if vit=='base': vision_width = 768 visual_encoder = VisionTransformer(img_size=image_size, patch_size=16, embed_dim=vision_width, depth=12, num_heads=12, use_grad_checkpointing=use_grad_checkpointing, ckpt_layer=ckpt_layer, drop_path_rate=0 or drop_path_rate ) elif vit=='large': vision_width = 1024 visual_encoder = VisionTransformer(img_size=image_size, patch_size=16, embed_dim=vision_width, depth=24, num_heads=16, use_grad_checkpointing=use_grad_checkpointing, ckpt_layer=ckpt_layer, drop_path_rate=0.1 or drop_path_rate ) return visual_encoder, vision_width def is_url(url_or_filename): parsed = urlparse(url_or_filename) return parsed.scheme in ("http", "https") def load_checkpoint(model,url_or_filename): if is_url(url_or_filename): cached_file = download_cached_file(url_or_filename, check_hash=False, progress=True) checkpoint = torch.load(cached_file, map_location='cpu') elif os.path.isfile(url_or_filename): checkpoint = torch.load(url_or_filename, map_location='cpu') else: raise RuntimeError('checkpoint url or path is invalid') state_dict = checkpoint['model'] state_dict['visual_encoder.pos_embed'] = interpolate_pos_embed(state_dict['visual_encoder.pos_embed'],model.visual_encoder) if 'visual_encoder_m.pos_embed' in model.state_dict().keys(): state_dict['visual_encoder_m.pos_embed'] = interpolate_pos_embed(state_dict['visual_encoder_m.pos_embed'], model.visual_encoder_m) for key in model.state_dict().keys(): if key in state_dict.keys(): if state_dict[key].shape!=model.state_dict()[key].shape: del state_dict[key] msg = model.load_state_dict(state_dict,strict=False) logger.info('load checkpoint from %s'%url_or_filename) return model,msg ================================================ FILE: finetune/blip/med.py ================================================ ''' * Copyright (c) 2022, salesforce.com, inc. * All rights reserved. * SPDX-License-Identifier: BSD-3-Clause * For full license text, see LICENSE.txt file in the repo root or https://opensource.org/licenses/BSD-3-Clause * By Junnan Li * Based on huggingface code base * https://github.com/huggingface/transformers/blob/v4.15.0/src/transformers/models/bert ''' import math import os import warnings from dataclasses import dataclass from typing import Optional, Tuple import torch from torch import Tensor, device, dtype, nn import torch.utils.checkpoint from torch import nn from torch.nn import CrossEntropyLoss import torch.nn.functional as F from transformers.activations import ACT2FN from transformers.file_utils import ( ModelOutput, ) from transformers.modeling_outputs import ( BaseModelOutputWithPastAndCrossAttentions, BaseModelOutputWithPoolingAndCrossAttentions, CausalLMOutputWithCrossAttentions, MaskedLMOutput, MultipleChoiceModelOutput, NextSentencePredictorOutput, QuestionAnsweringModelOutput, SequenceClassifierOutput, TokenClassifierOutput, ) from transformers.modeling_utils import ( PreTrainedModel, apply_chunking_to_forward, find_pruneable_heads_and_indices, prune_linear_layer, ) from transformers.utils import logging from transformers.models.bert.configuration_bert import BertConfig logger = logging.get_logger(__name__) class BertEmbeddings(nn.Module): """Construct the embeddings from word and position embeddings.""" def __init__(self, config): super().__init__() self.word_embeddings = nn.Embedding(config.vocab_size, config.hidden_size, padding_idx=config.pad_token_id) self.position_embeddings = nn.Embedding(config.max_position_embeddings, config.hidden_size) # self.LayerNorm is not snake-cased to stick with TensorFlow model variable name and be able to load # any TensorFlow checkpoint file self.LayerNorm = nn.LayerNorm(config.hidden_size, eps=config.layer_norm_eps) self.dropout = nn.Dropout(config.hidden_dropout_prob) # position_ids (1, len position emb) is contiguous in memory and exported when serialized self.register_buffer("position_ids", torch.arange(config.max_position_embeddings).expand((1, -1))) self.position_embedding_type = getattr(config, "position_embedding_type", "absolute") self.config = config def forward( self, input_ids=None, position_ids=None, inputs_embeds=None, past_key_values_length=0 ): if input_ids is not None: input_shape = input_ids.size() else: input_shape = inputs_embeds.size()[:-1] seq_length = input_shape[1] if position_ids is None: position_ids = self.position_ids[:, past_key_values_length : seq_length + past_key_values_length] if inputs_embeds is None: inputs_embeds = self.word_embeddings(input_ids) embeddings = inputs_embeds if self.position_embedding_type == "absolute": position_embeddings = self.position_embeddings(position_ids) embeddings += position_embeddings embeddings = self.LayerNorm(embeddings) embeddings = self.dropout(embeddings) return embeddings class BertSelfAttention(nn.Module): def __init__(self, config, is_cross_attention): super().__init__() self.config = config if config.hidden_size % config.num_attention_heads != 0 and not hasattr(config, "embedding_size"): raise ValueError( "The hidden size (%d) is not a multiple of the number of attention " "heads (%d)" % (config.hidden_size, config.num_attention_heads) ) self.num_attention_heads = config.num_attention_heads self.attention_head_size = int(config.hidden_size / config.num_attention_heads) self.all_head_size = self.num_attention_heads * self.attention_head_size self.query = nn.Linear(config.hidden_size, self.all_head_size) if is_cross_attention: self.key = nn.Linear(config.encoder_width, self.all_head_size) self.value = nn.Linear(config.encoder_width, self.all_head_size) else: self.key = nn.Linear(config.hidden_size, self.all_head_size) self.value = nn.Linear(config.hidden_size, self.all_head_size) self.dropout = nn.Dropout(config.attention_probs_dropout_prob) self.position_embedding_type = getattr(config, "position_embedding_type", "absolute") if self.position_embedding_type == "relative_key" or self.position_embedding_type == "relative_key_query": self.max_position_embeddings = config.max_position_embeddings self.distance_embedding = nn.Embedding(2 * config.max_position_embeddings - 1, self.attention_head_size) self.save_attention = False def save_attn_gradients(self, attn_gradients): self.attn_gradients = attn_gradients def get_attn_gradients(self): return self.attn_gradients def save_attention_map(self, attention_map): self.attention_map = attention_map def get_attention_map(self): return self.attention_map def transpose_for_scores(self, x): new_x_shape = x.size()[:-1] + (self.num_attention_heads, self.attention_head_size) x = x.view(*new_x_shape) return x.permute(0, 2, 1, 3) def forward( self, hidden_states, attention_mask=None, head_mask=None, encoder_hidden_states=None, encoder_attention_mask=None, past_key_value=None, output_attentions=False, ): mixed_query_layer = self.query(hidden_states) # If this is instantiated as a cross-attention module, the keys # and values come from an encoder; the attention mask needs to be # such that the encoder's padding tokens are not attended to. is_cross_attention = encoder_hidden_states is not None if is_cross_attention: key_layer = self.transpose_for_scores(self.key(encoder_hidden_states)) value_layer = self.transpose_for_scores(self.value(encoder_hidden_states)) attention_mask = encoder_attention_mask elif past_key_value is not None: key_layer = self.transpose_for_scores(self.key(hidden_states)) value_layer = self.transpose_for_scores(self.value(hidden_states)) key_layer = torch.cat([past_key_value[0], key_layer], dim=2) value_layer = torch.cat([past_key_value[1], value_layer], dim=2) else: key_layer = self.transpose_for_scores(self.key(hidden_states)) value_layer = self.transpose_for_scores(self.value(hidden_states)) query_layer = self.transpose_for_scores(mixed_query_layer) past_key_value = (key_layer, value_layer) # Take the dot product between "query" and "key" to get the raw attention scores. attention_scores = torch.matmul(query_layer, key_layer.transpose(-1, -2)) if self.position_embedding_type == "relative_key" or self.position_embedding_type == "relative_key_query": seq_length = hidden_states.size()[1] position_ids_l = torch.arange(seq_length, dtype=torch.long, device=hidden_states.device).view(-1, 1) position_ids_r = torch.arange(seq_length, dtype=torch.long, device=hidden_states.device).view(1, -1) distance = position_ids_l - position_ids_r positional_embedding = self.distance_embedding(distance + self.max_position_embeddings - 1) positional_embedding = positional_embedding.to(dtype=query_layer.dtype) # fp16 compatibility if self.position_embedding_type == "relative_key": relative_position_scores = torch.einsum("bhld,lrd->bhlr", query_layer, positional_embedding) attention_scores = attention_scores + relative_position_scores elif self.position_embedding_type == "relative_key_query": relative_position_scores_query = torch.einsum("bhld,lrd->bhlr", query_layer, positional_embedding) relative_position_scores_key = torch.einsum("bhrd,lrd->bhlr", key_layer, positional_embedding) attention_scores = attention_scores + relative_position_scores_query + relative_position_scores_key attention_scores = attention_scores / math.sqrt(self.attention_head_size) if attention_mask is not None: # Apply the attention mask is (precomputed for all layers in BertModel forward() function) attention_scores = attention_scores + attention_mask # Normalize the attention scores to probabilities. attention_probs = nn.Softmax(dim=-1)(attention_scores) if is_cross_attention and self.save_attention: self.save_attention_map(attention_probs) attention_probs.register_hook(self.save_attn_gradients) # This is actually dropping out entire tokens to attend to, which might # seem a bit unusual, but is taken from the original Transformer paper. attention_probs_dropped = self.dropout(attention_probs) # Mask heads if we want to if head_mask is not None: attention_probs_dropped = attention_probs_dropped * head_mask context_layer = torch.matmul(attention_probs_dropped, value_layer) context_layer = context_layer.permute(0, 2, 1, 3).contiguous() new_context_layer_shape = context_layer.size()[:-2] + (self.all_head_size,) context_layer = context_layer.view(*new_context_layer_shape) outputs = (context_layer, attention_probs) if output_attentions else (context_layer,) outputs = outputs + (past_key_value,) return outputs class BertSelfOutput(nn.Module): def __init__(self, config): super().__init__() self.dense = nn.Linear(config.hidden_size, config.hidden_size) self.LayerNorm = nn.LayerNorm(config.hidden_size, eps=config.layer_norm_eps) self.dropout = nn.Dropout(config.hidden_dropout_prob) def forward(self, hidden_states, input_tensor): hidden_states = self.dense(hidden_states) hidden_states = self.dropout(hidden_states) hidden_states = self.LayerNorm(hidden_states + input_tensor) return hidden_states class BertAttention(nn.Module): def __init__(self, config, is_cross_attention=False): super().__init__() self.self = BertSelfAttention(config, is_cross_attention) self.output = BertSelfOutput(config) self.pruned_heads = set() def prune_heads(self, heads): if len(heads) == 0: return heads, index = find_pruneable_heads_and_indices( heads, self.self.num_attention_heads, self.self.attention_head_size, self.pruned_heads ) # Prune linear layers self.self.query = prune_linear_layer(self.self.query, index) self.self.key = prune_linear_layer(self.self.key, index) self.self.value = prune_linear_layer(self.self.value, index) self.output.dense = prune_linear_layer(self.output.dense, index, dim=1) # Update hyper params and store pruned heads self.self.num_attention_heads = self.self.num_attention_heads - len(heads) self.self.all_head_size = self.self.attention_head_size * self.self.num_attention_heads self.pruned_heads = self.pruned_heads.union(heads) def forward( self, hidden_states, attention_mask=None, head_mask=None, encoder_hidden_states=None, encoder_attention_mask=None, past_key_value=None, output_attentions=False, ): self_outputs = self.self( hidden_states, attention_mask, head_mask, encoder_hidden_states, encoder_attention_mask, past_key_value, output_attentions, ) attention_output = self.output(self_outputs[0], hidden_states) outputs = (attention_output,) + self_outputs[1:] # add attentions if we output them return outputs class BertIntermediate(nn.Module): def __init__(self, config): super().__init__() self.dense = nn.Linear(config.hidden_size, config.intermediate_size) if isinstance(config.hidden_act, str): self.intermediate_act_fn = ACT2FN[config.hidden_act] else: self.intermediate_act_fn = config.hidden_act def forward(self, hidden_states): hidden_states = self.dense(hidden_states) hidden_states = self.intermediate_act_fn(hidden_states) return hidden_states class BertOutput(nn.Module): def __init__(self, config): super().__init__() self.dense = nn.Linear(config.intermediate_size, config.hidden_size) self.LayerNorm = nn.LayerNorm(config.hidden_size, eps=config.layer_norm_eps) self.dropout = nn.Dropout(config.hidden_dropout_prob) def forward(self, hidden_states, input_tensor): hidden_states = self.dense(hidden_states) hidden_states = self.dropout(hidden_states) hidden_states = self.LayerNorm(hidden_states + input_tensor) return hidden_states class BertLayer(nn.Module): def __init__(self, config, layer_num): super().__init__() self.config = config self.chunk_size_feed_forward = config.chunk_size_feed_forward self.seq_len_dim = 1 self.attention = BertAttention(config) self.layer_num = layer_num if self.config.add_cross_attention: self.crossattention = BertAttention(config, is_cross_attention=self.config.add_cross_attention) self.intermediate = BertIntermediate(config) self.output = BertOutput(config) def forward( self, hidden_states, attention_mask=None, head_mask=None, encoder_hidden_states=None, encoder_attention_mask=None, past_key_value=None, output_attentions=False, mode=None, ): # decoder uni-directional self-attention cached key/values tuple is at positions 1,2 self_attn_past_key_value = past_key_value[:2] if past_key_value is not None else None self_attention_outputs = self.attention( hidden_states, attention_mask, head_mask, output_attentions=output_attentions, past_key_value=self_attn_past_key_value, ) attention_output = self_attention_outputs[0] outputs = self_attention_outputs[1:-1] present_key_value = self_attention_outputs[-1] if mode=='multimodal': assert encoder_hidden_states is not None, "encoder_hidden_states must be given for cross-attention layers" cross_attention_outputs = self.crossattention( attention_output, attention_mask, head_mask, encoder_hidden_states, encoder_attention_mask, output_attentions=output_attentions, ) attention_output = cross_attention_outputs[0] outputs = outputs + cross_attention_outputs[1:-1] # add cross attentions if we output attention weights layer_output = apply_chunking_to_forward( self.feed_forward_chunk, self.chunk_size_feed_forward, self.seq_len_dim, attention_output ) outputs = (layer_output,) + outputs outputs = outputs + (present_key_value,) return outputs def feed_forward_chunk(self, attention_output): intermediate_output = self.intermediate(attention_output) layer_output = self.output(intermediate_output, attention_output) return layer_output class BertEncoder(nn.Module): def __init__(self, config): super().__init__() self.config = config self.layer = nn.ModuleList([BertLayer(config,i) for i in range(config.num_hidden_layers)]) self.gradient_checkpointing = False def forward( self, hidden_states, attention_mask=None, head_mask=None, encoder_hidden_states=None, encoder_attention_mask=None, past_key_values=None, use_cache=None, output_attentions=False, output_hidden_states=False, return_dict=True, mode='multimodal', ): all_hidden_states = () if output_hidden_states else None all_self_attentions = () if output_attentions else None all_cross_attentions = () if output_attentions and self.config.add_cross_attention else None next_decoder_cache = () if use_cache else None for i in range(self.config.num_hidden_layers): layer_module = self.layer[i] if output_hidden_states: all_hidden_states = all_hidden_states + (hidden_states,) layer_head_mask = head_mask[i] if head_mask is not None else None past_key_value = past_key_values[i] if past_key_values is not None else None if self.gradient_checkpointing and self.training: if use_cache: logger.warn( "`use_cache=True` is incompatible with gradient checkpointing. Setting `use_cache=False`..." ) use_cache = False def create_custom_forward(module): def custom_forward(*inputs): return module(*inputs, past_key_value, output_attentions) return custom_forward layer_outputs = torch.utils.checkpoint.checkpoint( create_custom_forward(layer_module), hidden_states, attention_mask, layer_head_mask, encoder_hidden_states, encoder_attention_mask, mode=mode, ) else: layer_outputs = layer_module( hidden_states, attention_mask, layer_head_mask, encoder_hidden_states, encoder_attention_mask, past_key_value, output_attentions, mode=mode, ) hidden_states = layer_outputs[0] if use_cache: next_decoder_cache += (layer_outputs[-1],) if output_attentions: all_self_attentions = all_self_attentions + (layer_outputs[1],) if output_hidden_states: all_hidden_states = all_hidden_states + (hidden_states,) if not return_dict: return tuple( v for v in [ hidden_states, next_decoder_cache, all_hidden_states, all_self_attentions, all_cross_attentions, ] if v is not None ) return BaseModelOutputWithPastAndCrossAttentions( last_hidden_state=hidden_states, past_key_values=next_decoder_cache, hidden_states=all_hidden_states, attentions=all_self_attentions, cross_attentions=all_cross_attentions, ) class BertPooler(nn.Module): def __init__(self, config): super().__init__() self.dense = nn.Linear(config.hidden_size, config.hidden_size) self.activation = nn.Tanh() def forward(self, hidden_states): # We "pool" the model by simply taking the hidden state corresponding # to the first token. first_token_tensor = hidden_states[:, 0] pooled_output = self.dense(first_token_tensor) pooled_output = self.activation(pooled_output) return pooled_output class BertPredictionHeadTransform(nn.Module): def __init__(self, config): super().__init__() self.dense = nn.Linear(config.hidden_size, config.hidden_size) if isinstance(config.hidden_act, str): self.transform_act_fn = ACT2FN[config.hidden_act] else: self.transform_act_fn = config.hidden_act self.LayerNorm = nn.LayerNorm(config.hidden_size, eps=config.layer_norm_eps) def forward(self, hidden_states): hidden_states = self.dense(hidden_states) hidden_states = self.transform_act_fn(hidden_states) hidden_states = self.LayerNorm(hidden_states) return hidden_states class BertLMPredictionHead(nn.Module): def __init__(self, config): super().__init__() self.transform = BertPredictionHeadTransform(config) # The output weights are the same as the input embeddings, but there is # an output-only bias for each token. self.decoder = nn.Linear(config.hidden_size, config.vocab_size, bias=False) self.bias = nn.Parameter(torch.zeros(config.vocab_size)) # Need a link between the two variables so that the bias is correctly resized with `resize_token_embeddings` self.decoder.bias = self.bias def forward(self, hidden_states): hidden_states = self.transform(hidden_states) hidden_states = self.decoder(hidden_states) return hidden_states class BertOnlyMLMHead(nn.Module): def __init__(self, config): super().__init__() self.predictions = BertLMPredictionHead(config) def forward(self, sequence_output): prediction_scores = self.predictions(sequence_output) return prediction_scores class BertPreTrainedModel(PreTrainedModel): """ An abstract class to handle weights initialization and a simple interface for downloading and loading pretrained models. """ config_class = BertConfig base_model_prefix = "bert" _keys_to_ignore_on_load_missing = [r"position_ids"] def _init_weights(self, module): """ Initialize the weights """ if isinstance(module, (nn.Linear, nn.Embedding)): # Slightly different from the TF version which uses truncated_normal for initialization # cf https://github.com/pytorch/pytorch/pull/5617 module.weight.data.normal_(mean=0.0, std=self.config.initializer_range) elif isinstance(module, nn.LayerNorm): module.bias.data.zero_() module.weight.data.fill_(1.0) if isinstance(module, nn.Linear) and module.bias is not None: module.bias.data.zero_() class BertModel(BertPreTrainedModel): """ The model can behave as an encoder (with only self-attention) as well as a decoder, in which case a layer of cross-attention is added between the self-attention layers, following the architecture described in `Attention is all you need `__ by Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser and Illia Polosukhin. argument and :obj:`add_cross_attention` set to :obj:`True`; an :obj:`encoder_hidden_states` is then expected as an input to the forward pass. """ def __init__(self, config, add_pooling_layer=True): super().__init__(config) self.config = config self.embeddings = BertEmbeddings(config) self.encoder = BertEncoder(config) self.pooler = BertPooler(config) if add_pooling_layer else None self.init_weights() def get_input_embeddings(self): return self.embeddings.word_embeddings def set_input_embeddings(self, value): self.embeddings.word_embeddings = value def _prune_heads(self, heads_to_prune): """ Prunes heads of the model. heads_to_prune: dict of {layer_num: list of heads to prune in this layer} See base class PreTrainedModel """ for layer, heads in heads_to_prune.items(): self.encoder.layer[layer].attention.prune_heads(heads) def get_extended_attention_mask(self, attention_mask: Tensor, input_shape: Tuple[int], device: device, is_decoder: bool) -> Tensor: """ Makes broadcastable attention and causal masks so that future and masked tokens are ignored. Arguments: attention_mask (:obj:`torch.Tensor`): Mask with ones indicating tokens to attend to, zeros for tokens to ignore. input_shape (:obj:`Tuple[int]`): The shape of the input to the model. device: (:obj:`torch.device`): The device of the input to the model. Returns: :obj:`torch.Tensor` The extended attention mask, with a the same dtype as :obj:`attention_mask.dtype`. """ # We can provide a self-attention mask of dimensions [batch_size, from_seq_length, to_seq_length] # ourselves in which case we just need to make it broadcastable to all heads. if attention_mask.dim() == 3: extended_attention_mask = attention_mask[:, None, :, :] elif attention_mask.dim() == 2: # Provided a padding mask of dimensions [batch_size, seq_length] # - if the model is a decoder, apply a causal mask in addition to the padding mask # - if the model is an encoder, make the mask broadcastable to [batch_size, num_heads, seq_length, seq_length] if is_decoder: batch_size, seq_length = input_shape seq_ids = torch.arange(seq_length, device=device) causal_mask = seq_ids[None, None, :].repeat(batch_size, seq_length, 1) <= seq_ids[None, :, None] # in case past_key_values are used we need to add a prefix ones mask to the causal mask # causal and attention masks must have same type with pytorch version < 1.3 causal_mask = causal_mask.to(attention_mask.dtype) if causal_mask.shape[1] < attention_mask.shape[1]: prefix_seq_len = attention_mask.shape[1] - causal_mask.shape[1] causal_mask = torch.cat( [ torch.ones((batch_size, seq_length, prefix_seq_len), device=device, dtype=causal_mask.dtype), causal_mask, ], axis=-1, ) extended_attention_mask = causal_mask[:, None, :, :] * attention_mask[:, None, None, :] else: extended_attention_mask = attention_mask[:, None, None, :] else: raise ValueError( "Wrong shape for input_ids (shape {}) or attention_mask (shape {})".format( input_shape, attention_mask.shape ) ) # Since attention_mask is 1.0 for positions we want to attend and 0.0 for # masked positions, this operation will create a tensor which is 0.0 for # positions we want to attend and -10000.0 for masked positions. # Since we are adding it to the raw scores before the softmax, this is # effectively the same as removing these entirely. extended_attention_mask = extended_attention_mask.to(dtype=self.dtype) # fp16 compatibility extended_attention_mask = (1.0 - extended_attention_mask) * -10000.0 return extended_attention_mask def forward( self, input_ids=None, attention_mask=None, position_ids=None, head_mask=None, inputs_embeds=None, encoder_embeds=None, encoder_hidden_states=None, encoder_attention_mask=None, past_key_values=None, use_cache=None, output_attentions=None, output_hidden_states=None, return_dict=None, is_decoder=False, mode='multimodal', ): r""" encoder_hidden_states (:obj:`torch.FloatTensor` of shape :obj:`(batch_size, sequence_length, hidden_size)`, `optional`): Sequence of hidden-states at the output of the last layer of the encoder. Used in the cross-attention if the model is configured as a decoder. encoder_attention_mask (:obj:`torch.FloatTensor` of shape :obj:`(batch_size, sequence_length)`, `optional`): Mask to avoid performing attention on the padding token indices of the encoder input. This mask is used in the cross-attention if the model is configured as a decoder. Mask values selected in ``[0, 1]``: - 1 for tokens that are **not masked**, - 0 for tokens that are **masked**. past_key_values (:obj:`tuple(tuple(torch.FloatTensor))` of length :obj:`config.n_layers` with each tuple having 4 tensors of shape :obj:`(batch_size, num_heads, sequence_length - 1, embed_size_per_head)`): Contains precomputed key and value hidden states of the attention blocks. Can be used to speed up decoding. If :obj:`past_key_values` are used, the user can optionally input only the last :obj:`decoder_input_ids` (those that don't have their past key value states given to this model) of shape :obj:`(batch_size, 1)` instead of all :obj:`decoder_input_ids` of shape :obj:`(batch_size, sequence_length)`. use_cache (:obj:`bool`, `optional`): If set to :obj:`True`, :obj:`past_key_values` key value states are returned and can be used to speed up decoding (see :obj:`past_key_values`). """ output_attentions = output_attentions if output_attentions is not None else self.config.output_attentions output_hidden_states = ( output_hidden_states if output_hidden_states is not None else self.config.output_hidden_states ) return_dict = return_dict if return_dict is not None else self.config.use_return_dict if is_decoder: use_cache = use_cache if use_cache is not None else self.config.use_cache else: use_cache = False if input_ids is not None and inputs_embeds is not None: raise ValueError("You cannot specify both input_ids and inputs_embeds at the same time") elif input_ids is not None: input_shape = input_ids.size() batch_size, seq_length = input_shape device = input_ids.device elif inputs_embeds is not None: input_shape = inputs_embeds.size()[:-1] batch_size, seq_length = input_shape device = inputs_embeds.device elif encoder_embeds is not None: input_shape = encoder_embeds.size()[:-1] batch_size, seq_length = input_shape device = encoder_embeds.device else: raise ValueError("You have to specify either input_ids or inputs_embeds or encoder_embeds") # past_key_values_length past_key_values_length = past_key_values[0][0].shape[2] if past_key_values is not None else 0 if attention_mask is None: attention_mask = torch.ones(((batch_size, seq_length + past_key_values_length)), device=device) # We can provide a self-attention mask of dimensions [batch_size, from_seq_length, to_seq_length] # ourselves in which case we just need to make it broadcastable to all heads. extended_attention_mask: torch.Tensor = self.get_extended_attention_mask(attention_mask, input_shape, device, is_decoder) # If a 2D or 3D attention mask is provided for the cross-attention # we need to make broadcastable to [batch_size, num_heads, seq_length, seq_length] if encoder_hidden_states is not None: if type(encoder_hidden_states) == list: encoder_batch_size, encoder_sequence_length, _ = encoder_hidden_states[0].size() else: encoder_batch_size, encoder_sequence_length, _ = encoder_hidden_states.size() encoder_hidden_shape = (encoder_batch_size, encoder_sequence_length) if type(encoder_attention_mask) == list: encoder_extended_attention_mask = [self.invert_attention_mask(mask) for mask in encoder_attention_mask] elif encoder_attention_mask is None: encoder_attention_mask = torch.ones(encoder_hidden_shape, device=device) encoder_extended_attention_mask = self.invert_attention_mask(encoder_attention_mask) else: encoder_extended_attention_mask = self.invert_attention_mask(encoder_attention_mask) else: encoder_extended_attention_mask = None # Prepare head mask if needed # 1.0 in head_mask indicate we keep the head # attention_probs has shape bsz x n_heads x N x N # input head_mask has shape [num_heads] or [num_hidden_layers x num_heads] # and head_mask is converted to shape [num_hidden_layers x batch x num_heads x seq_length x seq_length] head_mask = self.get_head_mask(head_mask, self.config.num_hidden_layers) if encoder_embeds is None: embedding_output = self.embeddings( input_ids=input_ids, position_ids=position_ids, inputs_embeds=inputs_embeds, past_key_values_length=past_key_values_length, ) else: embedding_output = encoder_embeds encoder_outputs = self.encoder( embedding_output, attention_mask=extended_attention_mask, head_mask=head_mask, encoder_hidden_states=encoder_hidden_states, encoder_attention_mask=encoder_extended_attention_mask, past_key_values=past_key_values, use_cache=use_cache, output_attentions=output_attentions, output_hidden_states=output_hidden_states, return_dict=return_dict, mode=mode, ) sequence_output = encoder_outputs[0] pooled_output = self.pooler(sequence_output) if self.pooler is not None else None if not return_dict: return (sequence_output, pooled_output) + encoder_outputs[1:] return BaseModelOutputWithPoolingAndCrossAttentions( last_hidden_state=sequence_output, pooler_output=pooled_output, past_key_values=encoder_outputs.past_key_values, hidden_states=encoder_outputs.hidden_states, attentions=encoder_outputs.attentions, cross_attentions=encoder_outputs.cross_attentions, ) class BertLMHeadModel(BertPreTrainedModel): _keys_to_ignore_on_load_unexpected = [r"pooler"] _keys_to_ignore_on_load_missing = [r"position_ids", r"predictions.decoder.bias"] def __init__(self, config): super().__init__(config) self.bert = BertModel(config, add_pooling_layer=False) self.cls = BertOnlyMLMHead(config) self.init_weights() def get_output_embeddings(self): return self.cls.predictions.decoder def set_output_embeddings(self, new_embeddings): self.cls.predictions.decoder = new_embeddings def forward( self, input_ids=None, attention_mask=None, position_ids=None, head_mask=None, inputs_embeds=None, encoder_hidden_states=None, encoder_attention_mask=None, labels=None, past_key_values=None, use_cache=None, output_attentions=None, output_hidden_states=None, return_dict=None, return_logits=False, is_decoder=True, reduction='mean', mode='multimodal', ): r""" encoder_hidden_states (:obj:`torch.FloatTensor` of shape :obj:`(batch_size, sequence_length, hidden_size)`, `optional`): Sequence of hidden-states at the output of the last layer of the encoder. Used in the cross-attention if the model is configured as a decoder. encoder_attention_mask (:obj:`torch.FloatTensor` of shape :obj:`(batch_size, sequence_length)`, `optional`): Mask to avoid performing attention on the padding token indices of the encoder input. This mask is used in the cross-attention if the model is configured as a decoder. Mask values selected in ``[0, 1]``: - 1 for tokens that are **not masked**, - 0 for tokens that are **masked**. labels (:obj:`torch.LongTensor` of shape :obj:`(batch_size, sequence_length)`, `optional`): Labels for computing the left-to-right language modeling loss (next word prediction). Indices should be in ``[-100, 0, ..., config.vocab_size]`` (see ``input_ids`` docstring) Tokens with indices set to ``-100`` are ignored (masked), the loss is only computed for the tokens with labels n ``[0, ..., config.vocab_size]`` past_key_values (:obj:`tuple(tuple(torch.FloatTensor))` of length :obj:`config.n_layers` with each tuple having 4 tensors of shape :obj:`(batch_size, num_heads, sequence_length - 1, embed_size_per_head)`): Contains precomputed key and value hidden states of the attention blocks. Can be used to speed up decoding. If :obj:`past_key_values` are used, the user can optionally input only the last :obj:`decoder_input_ids` (those that don't have their past key value states given to this model) of shape :obj:`(batch_size, 1)` instead of all :obj:`decoder_input_ids` of shape :obj:`(batch_size, sequence_length)`. use_cache (:obj:`bool`, `optional`): If set to :obj:`True`, :obj:`past_key_values` key value states are returned and can be used to speed up decoding (see :obj:`past_key_values`). Returns: Example:: >>> from transformers import BertTokenizer, BertLMHeadModel, BertConfig >>> import torch >>> tokenizer = BertTokenizer.from_pretrained('bert-base-cased') >>> config = BertConfig.from_pretrained("bert-base-cased") >>> model = BertLMHeadModel.from_pretrained('bert-base-cased', config=config) >>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt") >>> outputs = model(**inputs) >>> prediction_logits = outputs.logits """ return_dict = return_dict if return_dict is not None else self.config.use_return_dict if labels is not None: use_cache = False outputs = self.bert( input_ids, attention_mask=attention_mask, position_ids=position_ids, head_mask=head_mask, inputs_embeds=inputs_embeds, encoder_hidden_states=encoder_hidden_states, encoder_attention_mask=encoder_attention_mask, past_key_values=past_key_values, use_cache=use_cache, output_attentions=output_attentions, output_hidden_states=output_hidden_states, return_dict=return_dict, is_decoder=is_decoder, mode=mode, ) sequence_output = outputs[0] prediction_scores = self.cls(sequence_output) if return_logits: return prediction_scores[:, :-1, :].contiguous() lm_loss = None if labels is not None: # we are doing next-token prediction; shift prediction scores and input ids by one shifted_prediction_scores = prediction_scores[:, :-1, :].contiguous() labels = labels[:, 1:].contiguous() loss_fct = CrossEntropyLoss(reduction=reduction, label_smoothing=0.1) lm_loss = loss_fct(shifted_prediction_scores.view(-1, self.config.vocab_size), labels.view(-1)) if reduction=='none': lm_loss = lm_loss.view(prediction_scores.size(0),-1).sum(1) if not return_dict: output = (prediction_scores,) + outputs[2:] return ((lm_loss,) + output) if lm_loss is not None else output return CausalLMOutputWithCrossAttentions( loss=lm_loss, logits=prediction_scores, past_key_values=outputs.past_key_values, hidden_states=outputs.hidden_states, attentions=outputs.attentions, cross_attentions=outputs.cross_attentions, ) def prepare_inputs_for_generation(self, input_ids, past=None, attention_mask=None, **model_kwargs): input_shape = input_ids.shape # if model is used as a decoder in encoder-decoder model, the decoder attention mask is created on the fly if attention_mask is None: attention_mask = input_ids.new_ones(input_shape) # cut decoder_input_ids if past is used if past is not None: input_ids = input_ids[:, -1:] return { "input_ids": input_ids, "attention_mask": attention_mask, "past_key_values": past, "encoder_hidden_states": model_kwargs.get("encoder_hidden_states", None), "encoder_attention_mask": model_kwargs.get("encoder_attention_mask", None), "is_decoder": True, } def _reorder_cache(self, past, beam_idx): reordered_past = () for layer_past in past: reordered_past += (tuple(past_state.index_select(0, beam_idx) for past_state in layer_past),) return reordered_past ================================================ FILE: finetune/blip/med_config.json ================================================ { "architectures": [ "BertModel" ], "attention_probs_dropout_prob": 0.1, "hidden_act": "gelu", "hidden_dropout_prob": 0.1, "hidden_size": 768, "initializer_range": 0.02, "intermediate_size": 3072, "layer_norm_eps": 1e-12, "max_position_embeddings": 512, "model_type": "bert", "num_attention_heads": 12, "num_hidden_layers": 12, "pad_token_id": 0, "type_vocab_size": 2, "vocab_size": 30524, "encoder_width": 768, "add_cross_attention": true } ================================================ FILE: finetune/blip/vit.py ================================================ ''' * Copyright (c) 2022, salesforce.com, inc. * All rights reserved. * SPDX-License-Identifier: BSD-3-Clause * For full license text, see LICENSE.txt file in the repo root or https://opensource.org/licenses/BSD-3-Clause * By Junnan Li * Based on timm code base * https://github.com/rwightman/pytorch-image-models/tree/master/timm ''' import torch import torch.nn as nn import torch.nn.functional as F from functools import partial from timm.models.vision_transformer import _cfg, PatchEmbed from timm.models.registry import register_model from timm.models.layers import trunc_normal_, DropPath from timm.models.helpers import named_apply, adapt_input_conv from fairscale.nn.checkpoint.checkpoint_activations import checkpoint_wrapper class Mlp(nn.Module): """ MLP as used in Vision Transformer, MLP-Mixer and related networks """ def __init__(self, in_features, hidden_features=None, out_features=None, act_layer=nn.GELU, drop=0.): super().__init__() out_features = out_features or in_features hidden_features = hidden_features or in_features self.fc1 = nn.Linear(in_features, hidden_features) self.act = act_layer() self.fc2 = nn.Linear(hidden_features, out_features) self.drop = nn.Dropout(drop) def forward(self, x): x = self.fc1(x) x = self.act(x) x = self.drop(x) x = self.fc2(x) x = self.drop(x) return x class Attention(nn.Module): def __init__(self, dim, num_heads=8, qkv_bias=False, qk_scale=None, attn_drop=0., proj_drop=0.): super().__init__() self.num_heads = num_heads head_dim = dim // num_heads # NOTE scale factor was wrong in my original version, can set manually to be compat with prev weights self.scale = qk_scale or head_dim ** -0.5 self.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias) self.attn_drop = nn.Dropout(attn_drop) self.proj = nn.Linear(dim, dim) self.proj_drop = nn.Dropout(proj_drop) self.attn_gradients = None self.attention_map = None def save_attn_gradients(self, attn_gradients): self.attn_gradients = attn_gradients def get_attn_gradients(self): return self.attn_gradients def save_attention_map(self, attention_map): self.attention_map = attention_map def get_attention_map(self): return self.attention_map def forward(self, x, register_hook=False): B, N, C = x.shape qkv = self.qkv(x).reshape(B, N, 3, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4) q, k, v = qkv[0], qkv[1], qkv[2] # make torchscript happy (cannot use tensor as tuple) attn = (q @ k.transpose(-2, -1)) * self.scale attn = attn.softmax(dim=-1) attn = self.attn_drop(attn) if register_hook: self.save_attention_map(attn) attn.register_hook(self.save_attn_gradients) x = (attn @ v).transpose(1, 2).reshape(B, N, C) x = self.proj(x) x = self.proj_drop(x) return x class Block(nn.Module): def __init__(self, dim, num_heads, mlp_ratio=4., qkv_bias=False, qk_scale=None, drop=0., attn_drop=0., drop_path=0., act_layer=nn.GELU, norm_layer=nn.LayerNorm, use_grad_checkpointing=False): super().__init__() self.norm1 = norm_layer(dim) self.attn = Attention( dim, num_heads=num_heads, qkv_bias=qkv_bias, qk_scale=qk_scale, attn_drop=attn_drop, proj_drop=drop) # NOTE: drop path for stochastic depth, we shall see if this is better than dropout here self.drop_path = DropPath(drop_path) if drop_path > 0. else nn.Identity() self.norm2 = norm_layer(dim) mlp_hidden_dim = int(dim * mlp_ratio) self.mlp = Mlp(in_features=dim, hidden_features=mlp_hidden_dim, act_layer=act_layer, drop=drop) if use_grad_checkpointing: self.attn = checkpoint_wrapper(self.attn) self.mlp = checkpoint_wrapper(self.mlp) def forward(self, x, register_hook=False): x = x + self.drop_path(self.attn(self.norm1(x), register_hook=register_hook)) x = x + self.drop_path(self.mlp(self.norm2(x))) return x class VisionTransformer(nn.Module): """ Vision Transformer A PyTorch impl of : `An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale` - https://arxiv.org/abs/2010.11929 """ def __init__(self, img_size=224, patch_size=16, in_chans=3, num_classes=1000, embed_dim=768, depth=12, num_heads=12, mlp_ratio=4., qkv_bias=True, qk_scale=None, representation_size=None, drop_rate=0., attn_drop_rate=0., drop_path_rate=0., norm_layer=None, use_grad_checkpointing=False, ckpt_layer=0): """ Args: img_size (int, tuple): input image size patch_size (int, tuple): patch size in_chans (int): number of input channels num_classes (int): number of classes for classification head embed_dim (int): embedding dimension depth (int): depth of transformer num_heads (int): number of attention heads mlp_ratio (int): ratio of mlp hidden dim to embedding dim qkv_bias (bool): enable bias for qkv if True qk_scale (float): override default qk scale of head_dim ** -0.5 if set representation_size (Optional[int]): enable and set representation layer (pre-logits) to this value if set drop_rate (float): dropout rate attn_drop_rate (float): attention dropout rate drop_path_rate (float): stochastic depth rate norm_layer: (nn.Module): normalization layer """ super().__init__() self.num_features = self.embed_dim = embed_dim # num_features for consistency with other models norm_layer = norm_layer or partial(nn.LayerNorm, eps=1e-6) self.patch_embed = PatchEmbed( img_size=img_size, patch_size=patch_size, in_chans=in_chans, embed_dim=embed_dim) num_patches = self.patch_embed.num_patches self.cls_token = nn.Parameter(torch.zeros(1, 1, embed_dim)) self.pos_embed = nn.Parameter(torch.zeros(1, num_patches + 1, embed_dim)) self.pos_drop = nn.Dropout(p=drop_rate) dpr = [x.item() for x in torch.linspace(0, drop_path_rate, depth)] # stochastic depth decay rule self.blocks = nn.ModuleList([ Block( dim=embed_dim, num_heads=num_heads, mlp_ratio=mlp_ratio, qkv_bias=qkv_bias, qk_scale=qk_scale, drop=drop_rate, attn_drop=attn_drop_rate, drop_path=dpr[i], norm_layer=norm_layer, use_grad_checkpointing=(use_grad_checkpointing and i>=depth-ckpt_layer) ) for i in range(depth)]) self.norm = norm_layer(embed_dim) trunc_normal_(self.pos_embed, std=.02) trunc_normal_(self.cls_token, std=.02) self.apply(self._init_weights) def _init_weights(self, m): if isinstance(m, nn.Linear): trunc_normal_(m.weight, std=.02) if isinstance(m, nn.Linear) and m.bias is not None: nn.init.constant_(m.bias, 0) elif isinstance(m, nn.LayerNorm): nn.init.constant_(m.bias, 0) nn.init.constant_(m.weight, 1.0) @torch.jit.ignore def no_weight_decay(self): return {'pos_embed', 'cls_token'} def forward(self, x, register_blk=-1): B = x.shape[0] x = self.patch_embed(x) cls_tokens = self.cls_token.expand(B, -1, -1) # stole cls_tokens impl from Phil Wang, thanks x = torch.cat((cls_tokens, x), dim=1) x = x + self.pos_embed[:,:x.size(1),:] x = self.pos_drop(x) for i,blk in enumerate(self.blocks): x = blk(x, register_blk==i) x = self.norm(x) return x @torch.jit.ignore() def load_pretrained(self, checkpoint_path, prefix=''): _load_weights(self, checkpoint_path, prefix) @torch.no_grad() def _load_weights(model: VisionTransformer, checkpoint_path: str, prefix: str = ''): """ Load weights from .npz checkpoints for official Google Brain Flax implementation """ import numpy as np def _n2p(w, t=True): if w.ndim == 4 and w.shape[0] == w.shape[1] == w.shape[2] == 1: w = w.flatten() if t: if w.ndim == 4: w = w.transpose([3, 2, 0, 1]) elif w.ndim == 3: w = w.transpose([2, 0, 1]) elif w.ndim == 2: w = w.transpose([1, 0]) return torch.from_numpy(w) w = np.load(checkpoint_path) if not prefix and 'opt/target/embedding/kernel' in w: prefix = 'opt/target/' if hasattr(model.patch_embed, 'backbone'): # hybrid backbone = model.patch_embed.backbone stem_only = not hasattr(backbone, 'stem') stem = backbone if stem_only else backbone.stem stem.conv.weight.copy_(adapt_input_conv(stem.conv.weight.shape[1], _n2p(w[f'{prefix}conv_root/kernel']))) stem.norm.weight.copy_(_n2p(w[f'{prefix}gn_root/scale'])) stem.norm.bias.copy_(_n2p(w[f'{prefix}gn_root/bias'])) if not stem_only: for i, stage in enumerate(backbone.stages): for j, block in enumerate(stage.blocks): bp = f'{prefix}block{i + 1}/unit{j + 1}/' for r in range(3): getattr(block, f'conv{r + 1}').weight.copy_(_n2p(w[f'{bp}conv{r + 1}/kernel'])) getattr(block, f'norm{r + 1}').weight.copy_(_n2p(w[f'{bp}gn{r + 1}/scale'])) getattr(block, f'norm{r + 1}').bias.copy_(_n2p(w[f'{bp}gn{r + 1}/bias'])) if block.downsample is not None: block.downsample.conv.weight.copy_(_n2p(w[f'{bp}conv_proj/kernel'])) block.downsample.norm.weight.copy_(_n2p(w[f'{bp}gn_proj/scale'])) block.downsample.norm.bias.copy_(_n2p(w[f'{bp}gn_proj/bias'])) embed_conv_w = _n2p(w[f'{prefix}embedding/kernel']) else: embed_conv_w = adapt_input_conv( model.patch_embed.proj.weight.shape[1], _n2p(w[f'{prefix}embedding/kernel'])) model.patch_embed.proj.weight.copy_(embed_conv_w) model.patch_embed.proj.bias.copy_(_n2p(w[f'{prefix}embedding/bias'])) model.cls_token.copy_(_n2p(w[f'{prefix}cls'], t=False)) pos_embed_w = _n2p(w[f'{prefix}Transformer/posembed_input/pos_embedding'], t=False) if pos_embed_w.shape != model.pos_embed.shape: pos_embed_w = resize_pos_embed( # resize pos embedding when different size from pretrained weights pos_embed_w, model.pos_embed, getattr(model, 'num_tokens', 1), model.patch_embed.grid_size) model.pos_embed.copy_(pos_embed_w) model.norm.weight.copy_(_n2p(w[f'{prefix}Transformer/encoder_norm/scale'])) model.norm.bias.copy_(_n2p(w[f'{prefix}Transformer/encoder_norm/bias'])) # if isinstance(model.head, nn.Linear) and model.head.bias.shape[0] == w[f'{prefix}head/bias'].shape[-1]: # model.head.weight.copy_(_n2p(w[f'{prefix}head/kernel'])) # model.head.bias.copy_(_n2p(w[f'{prefix}head/bias'])) # if isinstance(getattr(model.pre_logits, 'fc', None), nn.Linear) and f'{prefix}pre_logits/bias' in w: # model.pre_logits.fc.weight.copy_(_n2p(w[f'{prefix}pre_logits/kernel'])) # model.pre_logits.fc.bias.copy_(_n2p(w[f'{prefix}pre_logits/bias'])) for i, block in enumerate(model.blocks.children()): block_prefix = f'{prefix}Transformer/encoderblock_{i}/' mha_prefix = block_prefix + 'MultiHeadDotProductAttention_1/' block.norm1.weight.copy_(_n2p(w[f'{block_prefix}LayerNorm_0/scale'])) block.norm1.bias.copy_(_n2p(w[f'{block_prefix}LayerNorm_0/bias'])) block.attn.qkv.weight.copy_(torch.cat([ _n2p(w[f'{mha_prefix}{n}/kernel'], t=False).flatten(1).T for n in ('query', 'key', 'value')])) block.attn.qkv.bias.copy_(torch.cat([ _n2p(w[f'{mha_prefix}{n}/bias'], t=False).reshape(-1) for n in ('query', 'key', 'value')])) block.attn.proj.weight.copy_(_n2p(w[f'{mha_prefix}out/kernel']).flatten(1)) block.attn.proj.bias.copy_(_n2p(w[f'{mha_prefix}out/bias'])) for r in range(2): getattr(block.mlp, f'fc{r + 1}').weight.copy_(_n2p(w[f'{block_prefix}MlpBlock_3/Dense_{r}/kernel'])) getattr(block.mlp, f'fc{r + 1}').bias.copy_(_n2p(w[f'{block_prefix}MlpBlock_3/Dense_{r}/bias'])) block.norm2.weight.copy_(_n2p(w[f'{block_prefix}LayerNorm_2/scale'])) block.norm2.bias.copy_(_n2p(w[f'{block_prefix}LayerNorm_2/bias'])) def interpolate_pos_embed(pos_embed_checkpoint, visual_encoder): # interpolate position embedding embedding_size = pos_embed_checkpoint.shape[-1] num_patches = visual_encoder.patch_embed.num_patches num_extra_tokens = visual_encoder.pos_embed.shape[-2] - num_patches # height (== width) for the checkpoint position embedding orig_size = int((pos_embed_checkpoint.shape[-2] - num_extra_tokens) ** 0.5) # height (== width) for the new position embedding new_size = int(num_patches ** 0.5) if orig_size!=new_size: # class_token and dist_token are kept unchanged extra_tokens = pos_embed_checkpoint[:, :num_extra_tokens] # only the position tokens are interpolated pos_tokens = pos_embed_checkpoint[:, num_extra_tokens:] pos_tokens = pos_tokens.reshape(-1, orig_size, orig_size, embedding_size).permute(0, 3, 1, 2) pos_tokens = torch.nn.functional.interpolate( pos_tokens, size=(new_size, new_size), mode='bicubic', align_corners=False) pos_tokens = pos_tokens.permute(0, 2, 3, 1).flatten(1, 2) new_pos_embed = torch.cat((extra_tokens, pos_tokens), dim=1) print('reshape position embedding from %d to %d'%(orig_size ** 2,new_size ** 2)) return new_pos_embed else: return pos_embed_checkpoint ================================================ FILE: finetune/clean_captions_and_tags.py ================================================ # このスクリプトのライセンスは、Apache License 2.0とします # (c) 2022 Kohya S. @kohya_ss import argparse import glob import os import json import re from tqdm import tqdm from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) PATTERN_HAIR_LENGTH = re.compile(r', (long|short|medium) hair, ') PATTERN_HAIR_CUT = re.compile(r', (bob|hime) cut, ') PATTERN_HAIR = re.compile(r', ([\w\-]+) hair, ') PATTERN_WORD = re.compile(r', ([\w\-]+|hair ornament), ') # 複数人がいるとき、複数の髪色や目の色が定義されていれば削除する PATTERNS_REMOVE_IN_MULTI = [ PATTERN_HAIR_LENGTH, PATTERN_HAIR_CUT, re.compile(r', [\w\-]+ eyes, '), re.compile(r', ([\w\-]+ sleeves|sleeveless), '), # 複数の髪型定義がある場合は削除する re.compile( r', (ponytail|braid|ahoge|twintails|[\w\-]+ bun|single hair bun|single side bun|two side up|two tails|[\w\-]+ braid|sidelocks), '), ] def clean_tags(image_key, tags): # replace '_' to ' ' tags = tags.replace('^_^', '^@@@^') tags = tags.replace('_', ' ') tags = tags.replace('^@@@^', '^_^') # remove rating: deepdanbooruのみ tokens = tags.split(", rating") if len(tokens) == 1: # WD14 taggerのときはこちらになるのでメッセージは出さない # logger.info("no rating:") # logger.info(f"{image_key} {tags}") pass else: if len(tokens) > 2: logger.info("multiple ratings:") logger.info(f"{image_key} {tags}") tags = tokens[0] tags = ", " + tags.replace(", ", ", , ") + ", " # カンマ付きで検索をするための身も蓋もない対策 # 複数の人物がいる場合は髪色等のタグを削除する if 'girls' in tags or 'boys' in tags: for pat in PATTERNS_REMOVE_IN_MULTI: found = pat.findall(tags) if len(found) > 1: # 二つ以上、タグがある tags = pat.sub("", tags) # 髪の特殊対応 srch_hair_len = PATTERN_HAIR_LENGTH.search(tags) # 髪の長さタグは例外なので避けておく（全員が同じ髪の長さの場合） if srch_hair_len: org = srch_hair_len.group() tags = PATTERN_HAIR_LENGTH.sub(", @@@, ", tags) found = PATTERN_HAIR.findall(tags) if len(found) > 1: tags = PATTERN_HAIR.sub("", tags) if srch_hair_len: tags = tags.replace(", @@@, ", org) # 戻す # white shirtとshirtみたいな重複タグの削除 found = PATTERN_WORD.findall(tags) for word in found: if re.search(f", ((\w+) )+{word}, ", tags): tags = tags.replace(f", {word}, ", "") tags = tags.replace(", , ", ", ") assert tags.startswith(", ") and tags.endswith(", ") tags = tags[2:-2] return tags # 上から順に検索、置換される # ('置換元文字列', '置換後文字列') CAPTION_REPLACEMENTS = [ ('anime anime', 'anime'), ('young ', ''), ('anime girl', 'girl'), ('cartoon female', 'girl'), ('cartoon lady', 'girl'), ('cartoon character', 'girl'), # a or ~s ('cartoon woman', 'girl'), ('cartoon women', 'girls'), ('cartoon girl', 'girl'), ('anime female', 'girl'), ('anime lady', 'girl'), ('anime character', 'girl'), # a or ~s ('anime woman', 'girl'), ('anime women', 'girls'), ('lady', 'girl'), ('female', 'girl'), ('woman', 'girl'), ('women', 'girls'), ('people', 'girls'), ('person', 'girl'), ('a cartoon figure', 'a figure'), ('a cartoon image', 'an image'), ('a cartoon picture', 'a picture'), ('an anime cartoon image', 'an image'), ('a cartoon anime drawing', 'a drawing'), ('a cartoon drawing', 'a drawing'), ('girl girl', 'girl'), ] def clean_caption(caption): for rf, rt in CAPTION_REPLACEMENTS: replaced = True while replaced: bef = caption caption = caption.replace(rf, rt) replaced = bef != caption return caption def main(args): if os.path.exists(args.in_json): logger.info(f"loading existing metadata: {args.in_json}") with open(args.in_json, "rt", encoding='utf-8') as f: metadata = json.load(f) else: logger.error("no metadata / メタデータファイルがありません") return logger.info("cleaning captions and tags.") image_keys = list(metadata.keys()) for image_key in tqdm(image_keys): tags = metadata[image_key].get('tags') if tags is None: logger.error(f"image does not have tags / メタデータにタグがありません: {image_key}") else: org = tags tags = clean_tags(image_key, tags) metadata[image_key]['tags'] = tags if args.debug and org != tags: logger.info("FROM: " + org) logger.info("TO: " + tags) caption = metadata[image_key].get('caption') if caption is None: logger.error(f"image does not have caption / メタデータにキャプションがありません: {image_key}") else: org = caption caption = clean_caption(caption) metadata[image_key]['caption'] = caption if args.debug and org != caption: logger.info("FROM: " + org) logger.info("TO: " + caption) # metadataを書き出して終わり logger.info(f"writing metadata: {args.out_json}") with open(args.out_json, "wt", encoding='utf-8') as f: json.dump(metadata, f, indent=2) logger.info("done!") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() # parser.add_argument("train_data_dir", type=str, help="directory for train images / 学習画像データのディレクトリ") parser.add_argument("in_json", type=str, help="metadata file to input / 読み込むメタデータファイル") parser.add_argument("out_json", type=str, help="metadata file to output / メタデータファイル書き出し先") parser.add_argument("--debug", action="store_true", help="debug mode") return parser if __name__ == '__main__': parser = setup_parser() args, unknown = parser.parse_known_args() if len(unknown) == 1: logger.warning("WARNING: train_data_dir argument is removed. This script will not work with three arguments in future. Please specify two arguments: in_json and out_json.") logger.warning("All captions and tags in the metadata are processed.") logger.warning("警告: train_data_dir引数は不要になりました。将来的には三つの引数を指定すると動かなくなる予定です。読み込み元のメタデータと書き出し先の二つの引数だけ指定してください。") logger.warning("メタデータ内のすべてのキャプションとタグが処理されます。") args.in_json = args.out_json args.out_json = unknown[0] elif len(unknown) > 0: raise ValueError(f"error: unrecognized arguments: {unknown}") main(args) ================================================ FILE: finetune/hypernetwork_nai.py ================================================ # NAI compatible import torch class HypernetworkModule(torch.nn.Module): def __init__(self, dim, multiplier=1.0): super().__init__() linear1 = torch.nn.Linear(dim, dim * 2) linear2 = torch.nn.Linear(dim * 2, dim) linear1.weight.data.normal_(mean=0.0, std=0.01) linear1.bias.data.zero_() linear2.weight.data.normal_(mean=0.0, std=0.01) linear2.bias.data.zero_() linears = [linear1, linear2] self.linear = torch.nn.Sequential(*linears) self.multiplier = multiplier def forward(self, x): return x + self.linear(x) * self.multiplier class Hypernetwork(torch.nn.Module): enable_sizes = [320, 640, 768, 1280] # return self.modules[Hypernetwork.enable_sizes.index(size)] def __init__(self, multiplier=1.0) -> None: super().__init__() self.modules = [] for size in Hypernetwork.enable_sizes: self.modules.append((HypernetworkModule(size, multiplier), HypernetworkModule(size, multiplier))) self.register_module(f"{size}_0", self.modules[-1][0]) self.register_module(f"{size}_1", self.modules[-1][1]) def apply_to_stable_diffusion(self, text_encoder, vae, unet): blocks = unet.input_blocks + [unet.middle_block] + unet.output_blocks for block in blocks: for subblk in block: if 'SpatialTransformer' in str(type(subblk)): for tf_block in subblk.transformer_blocks: for attn in [tf_block.attn1, tf_block.attn2]: size = attn.context_dim if size in Hypernetwork.enable_sizes: attn.hypernetwork = self else: attn.hypernetwork = None def apply_to_diffusers(self, text_encoder, vae, unet): blocks = unet.down_blocks + [unet.mid_block] + unet.up_blocks for block in blocks: if hasattr(block, 'attentions'): for subblk in block.attentions: if 'SpatialTransformer' in str(type(subblk)) or 'Transformer2DModel' in str(type(subblk)): # 0.6.0 and 0.7~ for tf_block in subblk.transformer_blocks: for attn in [tf_block.attn1, tf_block.attn2]: size = attn.to_k.in_features if size in Hypernetwork.enable_sizes: attn.hypernetwork = self else: attn.hypernetwork = None return True # TODO error checking def forward(self, x, context): size = context.shape[-1] assert size in Hypernetwork.enable_sizes module = self.modules[Hypernetwork.enable_sizes.index(size)] return module[0].forward(context), module[1].forward(context) def load_from_state_dict(self, state_dict): # old ver to new ver changes = { 'linear1.bias': 'linear.0.bias', 'linear1.weight': 'linear.0.weight', 'linear2.bias': 'linear.1.bias', 'linear2.weight': 'linear.1.weight', } for key_from, key_to in changes.items(): if key_from in state_dict: state_dict[key_to] = state_dict[key_from] del state_dict[key_from] for size, sd in state_dict.items(): if type(size) == int: self.modules[Hypernetwork.enable_sizes.index(size)][0].load_state_dict(sd[0], strict=True) self.modules[Hypernetwork.enable_sizes.index(size)][1].load_state_dict(sd[1], strict=True) return True def get_state_dict(self): state_dict = {} for i, size in enumerate(Hypernetwork.enable_sizes): sd0 = self.modules[i][0].state_dict() sd1 = self.modules[i][1].state_dict() state_dict[size] = [sd0, sd1] return state_dict ================================================ FILE: finetune/make_captions.py ================================================ import argparse import glob import os import json import random import sys from pathlib import Path from PIL import Image from tqdm import tqdm import numpy as np import torch from library.device_utils import init_ipex, get_preferred_device init_ipex() from torchvision import transforms from torchvision.transforms.functional import InterpolationMode sys.path.append(os.path.dirname(__file__)) from blip.blip import blip_decoder, is_url import library.train_util as train_util from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) DEVICE = get_preferred_device() IMAGE_SIZE = 384 # 正方形でいいのか？　という気がするがソースがそうなので IMAGE_TRANSFORM = transforms.Compose( [ transforms.Resize((IMAGE_SIZE, IMAGE_SIZE), interpolation=InterpolationMode.BICUBIC), transforms.ToTensor(), transforms.Normalize((0.48145466, 0.4578275, 0.40821073), (0.26862954, 0.26130258, 0.27577711)), ] ) # 共通化したいが微妙に処理が異なる…… class ImageLoadingTransformDataset(torch.utils.data.Dataset): def __init__(self, image_paths): self.images = image_paths def __len__(self): return len(self.images) def __getitem__(self, idx): img_path = self.images[idx] try: image = Image.open(img_path).convert("RGB") # convert to tensor temporarily so dataloader will accept it tensor = IMAGE_TRANSFORM(image) except Exception as e: logger.error(f"Could not load image path / 画像を読み込めません: {img_path}, error: {e}") return None return (tensor, img_path) def collate_fn_remove_corrupted(batch): """Collate function that allows to remove corrupted examples in the dataloader. It expects that the dataloader returns 'None' when that occurs. The 'None's in the batch are removed. """ # Filter out all the Nones (corrupted examples) batch = list(filter(lambda x: x is not None, batch)) return batch def main(args): # fix the seed for reproducibility seed = args.seed # + utils.get_rank() torch.manual_seed(seed) np.random.seed(seed) random.seed(seed) if not os.path.exists("blip"): args.train_data_dir = os.path.abspath(args.train_data_dir) # convert to absolute path cwd = os.getcwd() logger.info(f"Current Working Directory is: {cwd}") os.chdir("finetune") if not is_url(args.caption_weights) and not os.path.isfile(args.caption_weights): args.caption_weights = os.path.join("..", args.caption_weights) logger.info(f"load images from {args.train_data_dir}") train_data_dir_path = Path(args.train_data_dir) image_paths = train_util.glob_images_pathlib(train_data_dir_path, args.recursive) logger.info(f"found {len(image_paths)} images.") logger.info(f"loading BLIP caption: {args.caption_weights}") model = blip_decoder(pretrained=args.caption_weights, image_size=IMAGE_SIZE, vit="large", med_config="./blip/med_config.json") model.eval() model = model.to(DEVICE) logger.info("BLIP loaded") # captioningする def run_batch(path_imgs): imgs = torch.stack([im for _, im in path_imgs]).to(DEVICE) with torch.no_grad(): if args.beam_search: captions = model.generate( imgs, sample=False, num_beams=args.num_beams, max_length=args.max_length, min_length=args.min_length ) else: captions = model.generate( imgs, sample=True, top_p=args.top_p, max_length=args.max_length, min_length=args.min_length ) for (image_path, _), caption in zip(path_imgs, captions): with open(os.path.splitext(image_path)[0] + args.caption_extension, "wt", encoding="utf-8") as f: f.write(caption + "\n") if args.debug: logger.info(f'{image_path} {caption}') # 読み込みの高速化のためにDataLoaderを使うオプション if args.max_data_loader_n_workers is not None: dataset = ImageLoadingTransformDataset(image_paths) data = torch.utils.data.DataLoader( dataset, batch_size=args.batch_size, shuffle=False, num_workers=args.max_data_loader_n_workers, collate_fn=collate_fn_remove_corrupted, drop_last=False, ) else: data = [[(None, ip)] for ip in image_paths] b_imgs = [] for data_entry in tqdm(data, smoothing=0.0): for data in data_entry: if data is None: continue img_tensor, image_path = data if img_tensor is None: try: raw_image = Image.open(image_path) if raw_image.mode != "RGB": raw_image = raw_image.convert("RGB") img_tensor = IMAGE_TRANSFORM(raw_image) except Exception as e: logger.error(f"Could not load image path / 画像を読み込めません: {image_path}, error: {e}") continue b_imgs.append((image_path, img_tensor)) if len(b_imgs) >= args.batch_size: run_batch(b_imgs) b_imgs.clear() if len(b_imgs) > 0: run_batch(b_imgs) logger.info("done!") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument("train_data_dir", type=str, help="directory for train images / 学習画像データのディレクトリ") parser.add_argument( "--caption_weights", type=str, default="https://storage.googleapis.com/sfr-vision-language-research/BLIP/models/model_large_caption.pth", help="BLIP caption weights (model_large_caption.pth) / BLIP captionの重みファイル(model_large_caption.pth)", ) parser.add_argument( "--caption_extention", type=str, default=None, help="extension of caption file (for backward compatibility) / 出力されるキャプションファイルの拡張子（スペルミスしていたのを残してあります）", ) parser.add_argument("--caption_extension", type=str, default=".caption", help="extension of caption file / 出力されるキャプションファイルの拡張子") parser.add_argument( "--beam_search", action="store_true", help="use beam search (default Nucleus sampling) / beam searchを使う（このオプション未指定時はNucleus sampling）", ) parser.add_argument("--batch_size", type=int, default=1, help="batch size in inference / 推論時のバッチサイズ") parser.add_argument( "--max_data_loader_n_workers", type=int, default=None, help="enable image reading by DataLoader with this number of workers (faster) / DataLoaderによる画像読み込みを有効にしてこのワーカー数を適用する（読み込みを高速化）", ) parser.add_argument("--num_beams", type=int, default=1, help="num of beams in beam search /beam search時のビーム数（多いと精度が上がるが時間がかかる）") parser.add_argument("--top_p", type=float, default=0.9, help="top_p in Nucleus sampling / Nucleus sampling時のtop_p") parser.add_argument("--max_length", type=int, default=75, help="max length of caption / captionの最大長") parser.add_argument("--min_length", type=int, default=5, help="min length of caption / captionの最小長") parser.add_argument("--seed", default=42, type=int, help="seed for reproducibility / 再現性を確保するための乱数seed") parser.add_argument("--debug", action="store_true", help="debug mode") parser.add_argument("--recursive", action="store_true", help="search for images in subfolders recursively / サブフォルダを再帰的に検索する") return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() # スペルミスしていたオプションを復元する if args.caption_extention is not None: args.caption_extension = args.caption_extention main(args) ================================================ FILE: finetune/make_captions_by_git.py ================================================ import argparse import os import re from pathlib import Path from PIL import Image from tqdm import tqdm import torch from library.device_utils import init_ipex, get_preferred_device init_ipex() from transformers import AutoProcessor, AutoModelForCausalLM from transformers.generation.utils import GenerationMixin import library.train_util as train_util from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu") PATTERN_REPLACE = [ re.compile(r'(has|with|and) the (words?|letters?|name) (" ?[^"]*"|\w+)( ?(is )?(on|in) (the |her |their |him )?\w+)?'), re.compile(r'(with a sign )?that says ?(" ?[^"]*"|\w+)( ?on it)?'), re.compile(r"(with a sign )?that says ?(' ?(i'm)?[^']*'|\w+)( ?on it)?"), re.compile(r"with the number \d+ on (it|\w+ \w+)"), re.compile(r'with the words "'), re.compile(r"word \w+ on it"), re.compile(r"that says the word \w+ on it"), re.compile("that says'the word \"( on it)?"), ] # 誤検知しまくりの with the word xxxx を消す def remove_words(captions, debug): removed_caps = [] for caption in captions: cap = caption for pat in PATTERN_REPLACE: cap = pat.sub("", cap) if debug and cap != caption: logger.info(caption) logger.info(cap) removed_caps.append(cap) return removed_caps def collate_fn_remove_corrupted(batch): """Collate function that allows to remove corrupted examples in the dataloader. It expects that the dataloader returns 'None' when that occurs. The 'None's in the batch are removed. """ # Filter out all the Nones (corrupted examples) batch = list(filter(lambda x: x is not None, batch)) return batch def main(args): r""" transformers 4.30.2で、バッチサイズ>1でも動くようになったので、以下コメントアウト # GITにバッチサイズが1より大きくても動くようにパッチを当てる: transformers 4.26.0用 org_prepare_input_ids_for_generation = GenerationMixin._prepare_input_ids_for_generation curr_batch_size = [args.batch_size] # ループの最後で件数がbatch_size未満になるので入れ替えられるように # input_idsがバッチサイズと同じ件数である必要がある：バッチサイズはこの関数から参照できないので外から渡す # ここより上で置き換えようとするとすごく大変 def _prepare_input_ids_for_generation_patch(self, bos_token_id, encoder_outputs): input_ids = org_prepare_input_ids_for_generation(self, bos_token_id, encoder_outputs) if input_ids.size()[0] != curr_batch_size[0]: input_ids = input_ids.repeat(curr_batch_size[0], 1) return input_ids GenerationMixin._prepare_input_ids_for_generation = _prepare_input_ids_for_generation_patch """ logger.info(f"load images from {args.train_data_dir}") train_data_dir_path = Path(args.train_data_dir) image_paths = train_util.glob_images_pathlib(train_data_dir_path, args.recursive) logger.info(f"found {len(image_paths)} images.") # できればcacheに依存せず明示的にダウンロードしたい logger.info(f"loading GIT: {args.model_id}") git_processor = AutoProcessor.from_pretrained(args.model_id) git_model = AutoModelForCausalLM.from_pretrained(args.model_id).to(DEVICE) logger.info("GIT loaded") # captioningする def run_batch(path_imgs): imgs = [im for _, im in path_imgs] # curr_batch_size[0] = len(path_imgs) inputs = git_processor(images=imgs, return_tensors="pt").to(DEVICE) # 画像はpil形式 generated_ids = git_model.generate(pixel_values=inputs.pixel_values, max_length=args.max_length) captions = git_processor.batch_decode(generated_ids, skip_special_tokens=True) if args.remove_words: captions = remove_words(captions, args.debug) for (image_path, _), caption in zip(path_imgs, captions): with open(os.path.splitext(image_path)[0] + args.caption_extension, "wt", encoding="utf-8") as f: f.write(caption + "\n") if args.debug: logger.info(f"{image_path} {caption}") # 読み込みの高速化のためにDataLoaderを使うオプション if args.max_data_loader_n_workers is not None: dataset = train_util.ImageLoadingDataset(image_paths) data = torch.utils.data.DataLoader( dataset, batch_size=args.batch_size, shuffle=False, num_workers=args.max_data_loader_n_workers, collate_fn=collate_fn_remove_corrupted, drop_last=False, ) else: data = [[(None, ip)] for ip in image_paths] b_imgs = [] for data_entry in tqdm(data, smoothing=0.0): for data in data_entry: if data is None: continue image, image_path = data if image is None: try: image = Image.open(image_path) if image.mode != "RGB": image = image.convert("RGB") except Exception as e: logger.error(f"Could not load image path / 画像を読み込めません: {image_path}, error: {e}") continue b_imgs.append((image_path, image)) if len(b_imgs) >= args.batch_size: run_batch(b_imgs) b_imgs.clear() if len(b_imgs) > 0: run_batch(b_imgs) logger.info("done!") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument("train_data_dir", type=str, help="directory for train images / 学習画像データのディレクトリ") parser.add_argument("--caption_extension", type=str, default=".caption", help="extension of caption file / 出力されるキャプションファイルの拡張子") parser.add_argument( "--model_id", type=str, default="microsoft/git-large-textcaps", help="model id for GIT in Hugging Face / 使用するGITのHugging FaceのモデルID", ) parser.add_argument("--batch_size", type=int, default=1, help="batch size in inference / 推論時のバッチサイズ") parser.add_argument( "--max_data_loader_n_workers", type=int, default=None, help="enable image reading by DataLoader with this number of workers (faster) / DataLoaderによる画像読み込みを有効にしてこのワーカー数を適用する（読み込みを高速化）", ) parser.add_argument("--max_length", type=int, default=50, help="max length of caption / captionの最大長") parser.add_argument( "--remove_words", action="store_true", help="remove like `with the words xxx` from caption / `with the words xxx`のような部分をキャプションから削除する", ) parser.add_argument("--debug", action="store_true", help="debug mode") parser.add_argument("--recursive", action="store_true", help="search for images in subfolders recursively / サブフォルダを再帰的に検索する") return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() main(args) ================================================ FILE: finetune/merge_captions_to_metadata.py ================================================ import argparse import json from pathlib import Path from typing import List from tqdm import tqdm import library.train_util as train_util import os from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) def main(args): assert not args.recursive or ( args.recursive and args.full_path ), "recursive requires full_path / recursiveはfull_pathと同時に指定してください" train_data_dir_path = Path(args.train_data_dir) image_paths: List[Path] = train_util.glob_images_pathlib(train_data_dir_path, args.recursive) logger.info(f"found {len(image_paths)} images.") if args.in_json is None and Path(args.out_json).is_file(): args.in_json = args.out_json if args.in_json is not None: logger.info(f"loading existing metadata: {args.in_json}") metadata = json.loads(Path(args.in_json).read_text(encoding="utf-8")) logger.warning("captions for existing images will be overwritten / 既存の画像のキャプションは上書きされます") else: logger.info("new metadata will be created / 新しいメタデータファイルが作成されます") metadata = {} logger.info("merge caption texts to metadata json.") for image_path in tqdm(image_paths): caption_path = image_path.with_suffix(args.caption_extension) caption = caption_path.read_text(encoding="utf-8").strip() if not os.path.exists(caption_path): caption_path = os.path.join(image_path, args.caption_extension) image_key = str(image_path) if args.full_path else image_path.stem if image_key not in metadata: metadata[image_key] = {} metadata[image_key]["caption"] = caption if args.debug: logger.info(f"{image_key} {caption}") # metadataを書き出して終わり logger.info(f"writing metadata: {args.out_json}") Path(args.out_json).write_text(json.dumps(metadata, indent=2), encoding="utf-8") logger.info("done!") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument("train_data_dir", type=str, help="directory for train images / 学習画像データのディレクトリ") parser.add_argument("out_json", type=str, help="metadata file to output / メタデータファイル書き出し先") parser.add_argument( "--in_json", type=str, help="metadata file to input (if omitted and out_json exists, existing out_json is read) / 読み込むメタデータファイル（省略時、out_jsonが存在すればそれを読み込む）", ) parser.add_argument( "--caption_extention", type=str, default=None, help="extension of caption file (for backward compatibility) / 読み込むキャプションファイルの拡張子（スペルミスしていたのを残してあります）", ) parser.add_argument( "--caption_extension", type=str, default=".caption", help="extension of caption file / 読み込むキャプションファイルの拡張子" ) parser.add_argument( "--full_path", action="store_true", help="use full path as image-key in metadata (supports multiple directories) / メタデータで画像キーをフルパスにする（複数の学習画像ディレクトリに対応）", ) parser.add_argument( "--recursive", action="store_true", help="recursively look for training tags in all child folders of train_data_dir / train_data_dirのすべての子フォルダにある学習タグを再帰的に探す", ) parser.add_argument("--debug", action="store_true", help="debug mode") return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() # スペルミスしていたオプションを復元する if args.caption_extention is not None: args.caption_extension = args.caption_extention main(args) ================================================ FILE: finetune/merge_dd_tags_to_metadata.py ================================================ import argparse import json from pathlib import Path from typing import List from tqdm import tqdm import library.train_util as train_util import os from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) def main(args): assert not args.recursive or ( args.recursive and args.full_path ), "recursive requires full_path / recursiveはfull_pathと同時に指定してください" train_data_dir_path = Path(args.train_data_dir) image_paths: List[Path] = train_util.glob_images_pathlib(train_data_dir_path, args.recursive) logger.info(f"found {len(image_paths)} images.") if args.in_json is None and Path(args.out_json).is_file(): args.in_json = args.out_json if args.in_json is not None: logger.info(f"loading existing metadata: {args.in_json}") metadata = json.loads(Path(args.in_json).read_text(encoding="utf-8")) logger.warning("tags data for existing images will be overwritten / 既存の画像のタグは上書きされます") else: logger.info("new metadata will be created / 新しいメタデータファイルが作成されます") metadata = {} logger.info("merge tags to metadata json.") for image_path in tqdm(image_paths): tags_path = image_path.with_suffix(args.caption_extension) tags = tags_path.read_text(encoding="utf-8").strip() if not os.path.exists(tags_path): tags_path = os.path.join(image_path, args.caption_extension) image_key = str(image_path) if args.full_path else image_path.stem if image_key not in metadata: metadata[image_key] = {} metadata[image_key]["tags"] = tags if args.debug: logger.info(f"{image_key} {tags}") # metadataを書き出して終わり logger.info(f"writing metadata: {args.out_json}") Path(args.out_json).write_text(json.dumps(metadata, indent=2), encoding="utf-8") logger.info("done!") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument("train_data_dir", type=str, help="directory for train images / 学習画像データのディレクトリ") parser.add_argument("out_json", type=str, help="metadata file to output / メタデータファイル書き出し先") parser.add_argument( "--in_json", type=str, help="metadata file to input (if omitted and out_json exists, existing out_json is read) / 読み込むメタデータファイル（省略時、out_jsonが存在すればそれを読み込む）", ) parser.add_argument( "--full_path", action="store_true", help="use full path as image-key in metadata (supports multiple directories) / メタデータで画像キーをフルパスにする（複数の学習画像ディレクトリに対応）", ) parser.add_argument( "--recursive", action="store_true", help="recursively look for training tags in all child folders of train_data_dir / train_data_dirのすべての子フォルダにある学習タグを再帰的に探す", ) parser.add_argument( "--caption_extension", type=str, default=".txt", help="extension of caption (tag) file / 読み込むキャプション（タグ）ファイルの拡張子", ) parser.add_argument("--debug", action="store_true", help="debug mode, print tags") return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() main(args) ================================================ FILE: finetune/prepare_buckets_latents.py ================================================ import argparse import os import json from pathlib import Path from typing import List from tqdm import tqdm import numpy as np from PIL import Image import cv2 import torch from library.device_utils import init_ipex, get_preferred_device init_ipex() from torchvision import transforms import library.model_util as model_util import library.train_util as train_util from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) DEVICE = get_preferred_device() IMAGE_TRANSFORMS = transforms.Compose( [ transforms.ToTensor(), transforms.Normalize([0.5], [0.5]), ] ) def collate_fn_remove_corrupted(batch): """Collate function that allows to remove corrupted examples in the dataloader. It expects that the dataloader returns 'None' when that occurs. The 'None's in the batch are removed. """ # Filter out all the Nones (corrupted examples) batch = list(filter(lambda x: x is not None, batch)) return batch def get_npz_filename(data_dir, image_key, is_full_path, recursive): if is_full_path: base_name = os.path.splitext(os.path.basename(image_key))[0] relative_path = os.path.relpath(os.path.dirname(image_key), data_dir) else: base_name = image_key relative_path = "" if recursive and relative_path: return os.path.join(data_dir, relative_path, base_name) + ".npz" else: return os.path.join(data_dir, base_name) + ".npz" def main(args): # assert args.bucket_reso_steps % 8 == 0, f"bucket_reso_steps must be divisible by 8 / bucket_reso_stepは8で割り切れる必要があります" if args.bucket_reso_steps % 8 > 0: logger.warning(f"resolution of buckets in training time is a multiple of 8 / 学習時の各bucketの解像度は8単位になります") if args.bucket_reso_steps % 32 > 0: logger.warning( f"WARNING: bucket_reso_steps is not divisible by 32. It is not working with SDXL / bucket_reso_stepsが32で割り切れません。SDXLでは動作しません" ) train_data_dir_path = Path(args.train_data_dir) image_paths: List[str] = [str(p) for p in train_util.glob_images_pathlib(train_data_dir_path, args.recursive)] logger.info(f"found {len(image_paths)} images.") if os.path.exists(args.in_json): logger.info(f"loading existing metadata: {args.in_json}") with open(args.in_json, "rt", encoding="utf-8") as f: metadata = json.load(f) else: logger.error(f"no metadata / メタデータファイルがありません: {args.in_json}") return weight_dtype = torch.float32 if args.mixed_precision == "fp16": weight_dtype = torch.float16 elif args.mixed_precision == "bf16": weight_dtype = torch.bfloat16 vae = model_util.load_vae(args.model_name_or_path, weight_dtype) vae.eval() vae.to(DEVICE, dtype=weight_dtype) # bucketのサイズを計算する max_reso = tuple([int(t) for t in args.max_resolution.split(",")]) assert ( len(max_reso) == 2 ), f"illegal resolution (not 'width,height') / 画像サイズに誤りがあります。'幅,高さ'で指定してください: {args.max_resolution}" bucket_manager = train_util.BucketManager( args.bucket_no_upscale, max_reso, args.min_bucket_reso, args.max_bucket_reso, args.bucket_reso_steps ) if not args.bucket_no_upscale: bucket_manager.make_buckets() else: logger.warning( "min_bucket_reso and max_bucket_reso are ignored if bucket_no_upscale is set, because bucket reso is defined by image size automatically / bucket_no_upscaleが指定された場合は、bucketの解像度は画像サイズから自動計算されるため、min_bucket_resoとmax_bucket_resoは無視されます" ) # 画像をひとつずつ適切なbucketに割り当てながらlatentを計算する img_ar_errors = [] def process_batch(is_last): for bucket in bucket_manager.buckets: if (is_last and len(bucket) > 0) or len(bucket) >= args.batch_size: train_util.cache_batch_latents(vae, True, bucket, args.flip_aug, args.alpha_mask, False) bucket.clear() # 読み込みの高速化のためにDataLoaderを使うオプション if args.max_data_loader_n_workers is not None: dataset = train_util.ImageLoadingDataset(image_paths) data = torch.utils.data.DataLoader( dataset, batch_size=1, shuffle=False, num_workers=args.max_data_loader_n_workers, collate_fn=collate_fn_remove_corrupted, drop_last=False, ) else: data = [[(None, ip)] for ip in image_paths] bucket_counts = {} for data_entry in tqdm(data, smoothing=0.0): if data_entry[0] is None: continue img_tensor, image_path = data_entry[0] if img_tensor is not None: image = transforms.functional.to_pil_image(img_tensor) else: try: image = Image.open(image_path) if image.mode != "RGB": image = image.convert("RGB") except Exception as e: logger.error(f"Could not load image path / 画像を読み込めません: {image_path}, error: {e}") continue image_key = image_path if args.full_path else os.path.splitext(os.path.basename(image_path))[0] if image_key not in metadata: metadata[image_key] = {} # 本当はこのあとの部分もDataSetに持っていけば高速化できるがいろいろ大変 reso, resized_size, ar_error = bucket_manager.select_bucket(image.width, image.height) img_ar_errors.append(abs(ar_error)) bucket_counts[reso] = bucket_counts.get(reso, 0) + 1 # メタデータに記録する解像度はlatent単位とするので、8単位で切り捨て metadata[image_key]["train_resolution"] = (reso[0] - reso[0] % 8, reso[1] - reso[1] % 8) if not args.bucket_no_upscale: # upscaleを行わないときには、resize後のサイズは、bucketのサイズと、縦横どちらかが同じであることを確認する assert ( resized_size[0] == reso[0] or resized_size[1] == reso[1] ), f"internal error, resized size not match: {reso}, {resized_size}, {image.width}, {image.height}" assert ( resized_size[0] >= reso[0] and resized_size[1] >= reso[1] ), f"internal error, resized size too small: {reso}, {resized_size}, {image.width}, {image.height}" assert ( resized_size[0] >= reso[0] and resized_size[1] >= reso[1] ), f"internal error resized size is small: {resized_size}, {reso}" # 既に存在するファイルがあればshape等を確認して同じならskipする npz_file_name = get_npz_filename(args.train_data_dir, image_key, args.full_path, args.recursive) if args.skip_existing: if train_util.is_disk_cached_latents_is_expected(reso, npz_file_name, args.flip_aug): continue # バッチへ追加 image_info = train_util.ImageInfo(image_key, 1, "", False, image_path) image_info.latents_npz = npz_file_name image_info.bucket_reso = reso image_info.resized_size = resized_size image_info.image = image bucket_manager.add_image(reso, image_info) # バッチを推論するか判定して推論する process_batch(False) # 残りを処理する process_batch(True) bucket_manager.sort() for i, reso in enumerate(bucket_manager.resos): count = bucket_counts.get(reso, 0) if count > 0: logger.info(f"bucket {i} {reso}: {count}") img_ar_errors = np.array(img_ar_errors) logger.info(f"mean ar error: {np.mean(img_ar_errors)}") # metadataを書き出して終わり logger.info(f"writing metadata: {args.out_json}") with open(args.out_json, "wt", encoding="utf-8") as f: json.dump(metadata, f, indent=2) logger.info("done!") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument("train_data_dir", type=str, help="directory for train images / 学習画像データのディレクトリ") parser.add_argument("in_json", type=str, help="metadata file to input / 読み込むメタデータファイル") parser.add_argument("out_json", type=str, help="metadata file to output / メタデータファイル書き出し先") parser.add_argument("model_name_or_path", type=str, help="model name or path to encode latents / latentを取得するためのモデル") parser.add_argument( "--v2", action="store_true", help="not used (for backward compatibility) / 使用されません（互換性のため残してあります）" ) parser.add_argument("--batch_size", type=int, default=1, help="batch size in inference / 推論時のバッチサイズ") parser.add_argument( "--max_data_loader_n_workers", type=int, default=None, help="enable image reading by DataLoader with this number of workers (faster) / DataLoaderによる画像読み込みを有効にしてこのワーカー数を適用する（読み込みを高速化）", ) parser.add_argument( "--max_resolution", type=str, default="512,512", help="max resolution in fine tuning (width,height) / fine tuning時の最大画像サイズ 「幅,高さ」（使用メモリ量に関係します）", ) parser.add_argument("--min_bucket_reso", type=int, default=256, help="minimum resolution for buckets / bucketの最小解像度") parser.add_argument("--max_bucket_reso", type=int, default=1024, help="maximum resolution for buckets / bucketの最大解像度") parser.add_argument( "--bucket_reso_steps", type=int, default=64, help="steps of resolution for buckets, divisible by 8 is recommended / bucketの解像度の単位、8で割り切れる値を推奨します", ) parser.add_argument( "--bucket_no_upscale", action="store_true", help="make bucket for each image without upscaling / 画像を拡大せずbucketを作成します", ) parser.add_argument( "--mixed_precision", type=str, default="no", choices=["no", "fp16", "bf16"], help="use mixed precision / 混合精度を使う場合、その精度", ) parser.add_argument( "--full_path", action="store_true", help="use full path as image-key in metadata (supports multiple directories) / メタデータで画像キーをフルパスにする（複数の学習画像ディレクトリに対応）", ) parser.add_argument( "--flip_aug", action="store_true", help="flip augmentation, save latents for flipped images / 左右反転した画像もlatentを取得、保存する", ) parser.add_argument( "--alpha_mask", type=str, default="", help="save alpha mask for images for loss calculation / 損失計算用に画像のアルファマスクを保存する", ) parser.add_argument( "--skip_existing", action="store_true", help="skip images if npz already exists (both normal and flipped exists if flip_aug is enabled) / npzが既に存在する画像をスキップする（flip_aug有効時は通常、反転の両方が存在する画像をスキップ）", ) parser.add_argument( "--recursive", action="store_true", help="recursively look for training tags in all child folders of train_data_dir / train_data_dirのすべての子フォルダにある学習タグを再帰的に探す", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() main(args) ================================================ FILE: finetune/tag_images_by_wd14_tagger.py ================================================ import argparse import csv import json import math import os from pathlib import Path from typing import Optional import numpy as np import torch from huggingface_hub import hf_hub_download from PIL import Image from tqdm import tqdm import library.train_util as train_util from library.utils import setup_logging, resize_image setup_logging() import logging logger = logging.getLogger(__name__) # from wd14 tagger IMAGE_SIZE = 448 # wd-v1-4-swinv2-tagger-v2 / wd-v1-4-vit-tagger / wd-v1-4-vit-tagger-v2/ wd-v1-4-convnext-tagger / wd-v1-4-convnext-tagger-v2 DEFAULT_WD14_TAGGER_REPO = "SmilingWolf/wd-v1-4-convnext-tagger-v2" FILES = ["keras_metadata.pb", "saved_model.pb", "selected_tags.csv"] FILES_ONNX = ["model.onnx"] SUB_DIR = "variables" SUB_DIR_FILES = ["variables.data-00000-of-00001", "variables.index"] CSV_FILE = FILES[-1] TAG_JSON_FILE = "tag_mapping.json" def preprocess_image(image: Image.Image) -> np.ndarray: # If image has transparency, convert to RGBA. If not, convert to RGB if image.mode in ("RGBA", "LA") or "transparency" in image.info: image = image.convert("RGBA") elif image.mode != "RGB": image = image.convert("RGB") # If image is RGBA, combine with white background if image.mode == "RGBA": background = Image.new("RGB", image.size, (255, 255, 255)) background.paste(image, mask=image.split()[3]) # Use alpha channel as mask image = background image = np.array(image) image = image[:, :, ::-1] # RGB->BGR # pad to square size = max(image.shape[0:2]) pad_x = size - image.shape[1] pad_y = size - image.shape[0] pad_l = pad_x // 2 pad_t = pad_y // 2 image = np.pad(image, ((pad_t, pad_y - pad_t), (pad_l, pad_x - pad_l), (0, 0)), mode="constant", constant_values=255) image = resize_image(image, image.shape[0], image.shape[1], IMAGE_SIZE, IMAGE_SIZE) image = image.astype(np.float32) return image class ImageLoadingPrepDataset(torch.utils.data.Dataset): def __init__(self, image_paths: list[str], batch_size: int): self.image_paths = image_paths self.batch_size = batch_size def __len__(self): return math.ceil(len(self.image_paths) / self.batch_size) def __getitem__(self, batch_index: int) -> tuple[str, np.ndarray, tuple[int, int]]: image_index_start = batch_index * self.batch_size image_index_end = min((batch_index + 1) * self.batch_size, len(self.image_paths)) batch_image_paths = [] images = [] image_sizes = [] for idx in range(image_index_start, image_index_end): img_path = str(self.image_paths[idx]) try: image = Image.open(img_path) image_size = image.size image = preprocess_image(image) batch_image_paths.append(img_path) images.append(image) image_sizes.append(image_size) except Exception as e: logger.error(f"Could not load image path / 画像を読み込めません: {img_path}, error: {e}") images = np.stack(images) if len(images) > 0 else np.zeros((0, IMAGE_SIZE, IMAGE_SIZE, 3)) return batch_image_paths, images, image_sizes def collate_fn_no_op(batch): """Collate function that does nothing and returns the batch as is.""" return batch def main(args): # model location is model_dir + repo_id # given repo_id may be "namespace/repo_name" or "namespace/repo_name/subdir" # so we split it to "namespace/reponame" and "subdir" tokens = args.repo_id.split("/") if len(tokens) > 2: repo_id = "/".join(tokens[:2]) subdir = "/".join(tokens[2:]) model_location = os.path.join(args.model_dir, repo_id.replace("/", "_"), subdir) onnx_model_name = "model_optimized.onnx" default_format = False else: repo_id = args.repo_id subdir = None model_location = os.path.join(args.model_dir, repo_id.replace("/", "_")) onnx_model_name = "model.onnx" default_format = True # https://github.com/toriato/stable-diffusion-webui-wd14-tagger/issues/22 if not os.path.exists(model_location) or args.force_download: os.makedirs(args.model_dir, exist_ok=True) logger.info(f"downloading wd14 tagger model from hf_hub. id: {args.repo_id}") if subdir is None: # SmilingWolf structure files = FILES if args.onnx: files = ["selected_tags.csv"] files += FILES_ONNX else: for file in SUB_DIR_FILES: hf_hub_download( repo_id=args.repo_id, filename=file, subfolder=SUB_DIR, local_dir=os.path.join(model_location, SUB_DIR), force_download=True, ) for file in files: hf_hub_download( repo_id=args.repo_id, filename=file, local_dir=model_location, force_download=True, ) else: # another structure files = [onnx_model_name, "tag_mapping.json"] for file in files: hf_hub_download( repo_id=repo_id, filename=file, subfolder=subdir, local_dir=os.path.join(args.model_dir, repo_id.replace("/", "_")), # because subdir is specified force_download=True, ) else: logger.info("using existing wd14 tagger model") # モデルを読み込む if args.onnx: import onnx import onnxruntime as ort onnx_path = os.path.join(model_location, onnx_model_name) logger.info("Running wd14 tagger with onnx") logger.info(f"loading onnx model: {onnx_path}") if not os.path.exists(onnx_path): raise Exception( f"onnx model not found: {onnx_path}, please redownload the model with --force_download" + " / onnxモデルが見つかりませんでした。--force_downloadで再ダウンロードしてください" ) model = onnx.load(onnx_path) input_name = model.graph.input[0].name try: batch_size = model.graph.input[0].type.tensor_type.shape.dim[0].dim_value except Exception: batch_size = model.graph.input[0].type.tensor_type.shape.dim[0].dim_param if args.batch_size != batch_size and not isinstance(batch_size, str) and batch_size > 0: # some rebatch model may use 'N' as dynamic axes logger.warning( f"Batch size {args.batch_size} doesn't match onnx model batch size {batch_size}, use model batch size {batch_size}" ) args.batch_size = batch_size del model if "OpenVINOExecutionProvider" in ort.get_available_providers(): # requires provider options for gpu support # fp16 causes nonsense outputs ort_sess = ort.InferenceSession( onnx_path, providers=(["OpenVINOExecutionProvider"]), provider_options=[{"device_type": "GPU", "precision": "FP32"}], ) else: providers = ( ["CUDAExecutionProvider"] if "CUDAExecutionProvider" in ort.get_available_providers() else ( ["ROCMExecutionProvider"] if "ROCMExecutionProvider" in ort.get_available_providers() else ["CPUExecutionProvider"] ) ) logger.info(f"Using onnxruntime providers: {providers}") ort_sess = ort.InferenceSession(onnx_path, providers=providers) else: from tensorflow.keras.models import load_model model = load_model(f"{model_location}") # We read the CSV file manually to avoid adding dependencies. # label_names = pd.read_csv("2022_0000_0899_6549/selected_tags.csv") def expand_character_tags(char_tags): for i, tag in enumerate(char_tags): if tag.endswith(")"): # chara_name_(series) -> chara_name, series # chara_name_(costume)_(series) -> chara_name_(costume), series tags = tag.split("(") character_tag = "(".join(tags[:-1]) if character_tag.endswith("_"): character_tag = character_tag[:-1] series_tag = tags[-1].replace(")", "") char_tags[i] = character_tag + args.caption_separator + series_tag def remove_underscore(tags): return [tag.replace("_", " ") if len(tag) > 3 else tag for tag in tags] def process_tag_replacement(tags: list[str], tag_replacements_arg: str) -> list[str]: # escape , and ; in tag_replacement: wd14 tag names may contain , and ;, # so user must be specified them like `aa\,bb,AA\,BB;cc\;dd,CC\;DD` which means # `aa,bb` is replaced with `AA,BB` and `cc;dd` is replaced with `CC;DD` escaped_tag_replacements = tag_replacements_arg.replace("\\,", "@@@@").replace("\\;", "####") tag_replacements = escaped_tag_replacements.split(";") for tag_replacements_arg in tag_replacements: tags = tag_replacements_arg.split(",") # source, target assert ( len(tags) == 2 ), f"tag replacement must be in the format of `source,target` / タグの置換は `置換元,置換先` の形式で指定してください: {args.tag_replacement}" source, target = [tag.replace("@@@@", ",").replace("####", ";") for tag in tags] logger.info(f"replacing tag: {source} -> {target}") if source in tags: tags[tags.index(source)] = target return tags if default_format: with open(os.path.join(model_location, CSV_FILE), "r", encoding="utf-8") as f: reader = csv.reader(f) line = [row for row in reader] header = line[0] # tag_id,name,category,count rows = line[1:] assert header[0] == "tag_id" and header[1] == "name" and header[2] == "category", f"unexpected csv format: {header}" rating_tags = [row[1] for row in rows[0:] if row[2] == "9"] general_tags = [row[1] for row in rows[0:] if row[2] == "0"] character_tags = [row[1] for row in rows[0:] if row[2] == "4"] if args.character_tag_expand: expand_character_tags(character_tags) if args.remove_underscore: rating_tags = remove_underscore(rating_tags) character_tags = remove_underscore(character_tags) general_tags = remove_underscore(general_tags) if args.tag_replacement is not None: process_tag_replacement(rating_tags, args.tag_replacement) process_tag_replacement(general_tags, args.tag_replacement) process_tag_replacement(character_tags, args.tag_replacement) else: with open(os.path.join(model_location, TAG_JSON_FILE), "r", encoding="utf-8") as f: tag_mapping = json.load(f) rating_tags = [] general_tags = [] character_tags = [] tag_id_to_tag_mapping = {} tag_id_to_category_mapping = {} for tag_id, tag_info in tag_mapping.items(): tag = tag_info["tag"] category = tag_info["category"] assert category in [ "Rating", "General", "Character", "Copyright", "Meta", "Model", "Quality", "Artist", ], f"unexpected category: {category}" if args.remove_underscore: tag = remove_underscore([tag])[0] if args.tag_replacement is not None: tag = process_tag_replacement([tag], args.tag_replacement)[0] if category == "Character" and args.character_tag_expand: tag_list = [tag] expand_character_tags(tag_list) tag = tag_list[0] tag_id_to_tag_mapping[int(tag_id)] = tag tag_id_to_category_mapping[int(tag_id)] = category # 画像を読み込む train_data_dir_path = Path(args.train_data_dir) image_paths = train_util.glob_images_pathlib(train_data_dir_path, args.recursive) logger.info(f"found {len(image_paths)} images.") image_paths = [str(ip) for ip in image_paths] tag_freq = {} caption_separator = args.caption_separator stripped_caption_separator = caption_separator.strip() undesired_tags = args.undesired_tags.split(stripped_caption_separator) undesired_tags = set([tag.strip() for tag in undesired_tags if tag.strip() != ""]) always_first_tags = None if args.always_first_tags is not None: always_first_tags = [tag for tag in args.always_first_tags.split(stripped_caption_separator) if tag.strip() != ""] def run_batch(path_imgs: tuple[list[str], np.ndarray, list[tuple[int, int]]]) -> Optional[dict[str, dict]]: nonlocal args, default_format, model, ort_sess, input_name, tag_freq imgs = path_imgs[1] result = {} if args.onnx: # if len(imgs) < args.batch_size: # imgs = np.concatenate([imgs, np.zeros((args.batch_size - len(imgs), IMAGE_SIZE, IMAGE_SIZE, 3))], axis=0) if not default_format: imgs = imgs.transpose(0, 3, 1, 2) # to NCHW imgs = imgs / 127.5 - 1.0 probs = ort_sess.run(None, {input_name: imgs})[0] # onnx output numpy probs = probs[: len(imgs)] # remove padding else: probs = model(imgs, training=False) probs = probs.numpy() for image_path, image_size, prob in zip(path_imgs[0], path_imgs[2], probs): combined_tags = [] rating_tag_text = "" character_tag_text = "" general_tag_text = "" other_tag_text = "" if default_format: # 最初の4つ以降はタグなのでconfidenceがthreshold以上のものを追加する # First 4 labels are ratings, the rest are tags: pick any where prediction confidence >= threshold for i, p in enumerate(prob[4:]): if i < len(general_tags) and p >= args.general_threshold: tag_name = general_tags[i] if tag_name not in undesired_tags: tag_freq[tag_name] = tag_freq.get(tag_name, 0) + 1 general_tag_text += caption_separator + tag_name combined_tags.append(tag_name) elif i >= len(general_tags) and p >= args.character_threshold: tag_name = character_tags[i - len(general_tags)] if tag_name not in undesired_tags: tag_freq[tag_name] = tag_freq.get(tag_name, 0) + 1 character_tag_text += caption_separator + tag_name if args.character_tags_first: # insert to the beginning combined_tags.insert(0, tag_name) else: combined_tags.append(tag_name) # 最初の4つはratingなのでargmaxで選ぶ # First 4 labels are actually ratings: pick one with argmax if args.use_rating_tags or args.use_rating_tags_as_last_tag: ratings_probs = prob[:4] rating_index = ratings_probs.argmax() found_rating = rating_tags[rating_index] if found_rating not in undesired_tags: tag_freq[found_rating] = tag_freq.get(found_rating, 0) + 1 rating_tag_text = found_rating if args.use_rating_tags: combined_tags.insert(0, found_rating) # insert to the beginning else: combined_tags.append(found_rating) else: # apply sigmoid to probabilities prob = 1 / (1 + np.exp(-prob)) rating_max_prob = -1 rating_tag = None quality_max_prob = -1 quality_tag = None img_character_tags = [] min_thres = min( args.thresh, args.general_threshold, args.character_threshold, args.copyright_threshold, args.meta_threshold, args.model_threshold, args.artist_threshold, ) prob_indices = np.where(prob >= min_thres)[0] # for i, p in enumerate(prob): for i in prob_indices: if i not in tag_id_to_tag_mapping: continue p = prob[i] tag_name = tag_id_to_tag_mapping[i] category = tag_id_to_category_mapping[i] if tag_name in undesired_tags: continue if category == "Rating": if p > rating_max_prob: rating_max_prob = p rating_tag = tag_name rating_tag_text = tag_name continue elif category == "Quality": if p > quality_max_prob: quality_max_prob = p quality_tag = tag_name if args.use_quality_tags or args.use_quality_tags_as_last_tag: other_tag_text += caption_separator + tag_name continue if category == "General" and p >= args.general_threshold: tag_freq[tag_name] = tag_freq.get(tag_name, 0) + 1 general_tag_text += caption_separator + tag_name combined_tags.append((tag_name, p)) elif category == "Character" and p >= args.character_threshold: tag_freq[tag_name] = tag_freq.get(tag_name, 0) + 1 character_tag_text += caption_separator + tag_name if args.character_tags_first: # we separate character tags img_character_tags.append((tag_name, p)) else: combined_tags.append((tag_name, p)) elif ( (category == "Copyright" and p >= args.copyright_threshold) or (category == "Meta" and p >= args.meta_threshold) or (category == "Model" and p >= args.model_threshold) or (category == "Artist" and p >= args.artist_threshold) ): tag_freq[tag_name] = tag_freq.get(tag_name, 0) + 1 other_tag_text += f"{caption_separator}{tag_name} ({category})" combined_tags.append((tag_name, p)) # sort by probability combined_tags.sort(key=lambda x: x[1], reverse=True) if img_character_tags: img_character_tags.sort(key=lambda x: x[1], reverse=True) combined_tags = img_character_tags + combined_tags combined_tags = [t[0] for t in combined_tags] # remove probability if quality_tag is not None: if args.use_quality_tags_as_last_tag: combined_tags.append(quality_tag) elif args.use_quality_tags: combined_tags.insert(0, quality_tag) if rating_tag is not None: if args.use_rating_tags_as_last_tag: combined_tags.append(rating_tag) elif args.use_rating_tags: combined_tags.insert(0, rating_tag) # 一番最初に置くタグを指定する # Always put some tags at the beginning if always_first_tags is not None: for tag in always_first_tags: if tag in combined_tags: combined_tags.remove(tag) combined_tags.insert(0, tag) # 先頭のカンマを取る if len(general_tag_text) > 0: general_tag_text = general_tag_text[len(caption_separator) :] if len(character_tag_text) > 0: character_tag_text = character_tag_text[len(caption_separator) :] if len(other_tag_text) > 0: other_tag_text = other_tag_text[len(caption_separator) :] caption_file = os.path.splitext(image_path)[0] + args.caption_extension tag_text = caption_separator.join(combined_tags) if args.append_tags: # Check if file exists if os.path.exists(caption_file): with open(caption_file, "rt", encoding="utf-8") as f: # Read file and remove new lines existing_content = f.read().strip("\n") # Remove newlines # Split the content into tags and store them in a list existing_tags = [tag.strip() for tag in existing_content.split(stripped_caption_separator) if tag.strip()] # Check and remove repeating tags in tag_text new_tags = [tag for tag in combined_tags if tag not in existing_tags] # Create new tag_text tag_text = caption_separator.join(existing_tags + new_tags) if not args.output_path: with open(caption_file, "wt", encoding="utf-8") as f: f.write(tag_text + "\n") else: entry = {"tags": tag_text, "image_size": list(image_size)} result[image_path] = entry if args.debug: logger.info("") logger.info(f"{image_path}:") logger.info(f"\tRating tags: {rating_tag_text}") logger.info(f"\tCharacter tags: {character_tag_text}") logger.info(f"\tGeneral tags: {general_tag_text}") if other_tag_text: logger.info(f"\tOther tags: {other_tag_text}") return result # 読み込みの高速化のためにDataLoaderを使うオプション if args.max_data_loader_n_workers is not None: dataset = ImageLoadingPrepDataset(image_paths, args.batch_size) data = torch.utils.data.DataLoader( dataset, batch_size=1, shuffle=False, num_workers=args.max_data_loader_n_workers, collate_fn=collate_fn_no_op, drop_last=False, ) else: # data = [[(ip, None, None)] for ip in image_paths] data = [[]] for ip in image_paths: if len(data[-1]) >= args.batch_size: data.append([]) data[-1].append((ip, None, None)) results = {} for data_entry in tqdm(data, smoothing=0.0): if data_entry is None or len(data_entry) == 0: continue if data_entry[0][1] is None: # No preloaded image, need to load images = [] image_sizes = [] for image_path, _, _ in data_entry: image = Image.open(image_path) image_size = image.size image = preprocess_image(image) images.append(image) image_sizes.append(image_size) b_imgs = ([ip for ip, _, _ in data_entry], np.stack(images), image_sizes) else: b_imgs = data_entry[0] r = run_batch(b_imgs) if args.output_path and r is not None: results.update(r) if args.output_path: if args.output_path.endswith(".jsonl"): # optional JSONL metadata with open(args.output_path, "wt", encoding="utf-8") as f: for image_path, entry in results.items(): f.write( json.dumps({"image_path": image_path, "caption": entry["tags"], "image_size": entry["image_size"]}) + "\n" ) else: # standard JSON metadata with open(args.output_path, "wt", encoding="utf-8") as f: json.dump(results, f, ensure_ascii=False, indent=4) logger.info(f"captions saved to {args.output_path}") if args.frequency_tags: sorted_tags = sorted(tag_freq.items(), key=lambda x: x[1], reverse=True) print("Tag frequencies:") for tag, freq in sorted_tags: print(f"{tag}: {freq}") logger.info("done!") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument("train_data_dir", type=str, help="directory for train images / 学習画像データのディレクトリ") parser.add_argument( "--repo_id", type=str, default=DEFAULT_WD14_TAGGER_REPO, help="repo id for wd14 tagger on Hugging Face / Hugging Faceのwd14 taggerのリポジトリID", ) parser.add_argument( "--model_dir", type=str, default="wd14_tagger_model", help="directory to store wd14 tagger model / wd14 taggerのモデルを格納するディレクトリ", ) parser.add_argument( "--force_download", action="store_true", help="force downloading wd14 tagger models / wd14 taggerのモデルを再ダウンロードします", ) parser.add_argument("--batch_size", type=int, default=1, help="batch size in inference / 推論時のバッチサイズ") parser.add_argument( "--max_data_loader_n_workers", type=int, default=None, help="enable image reading by DataLoader with this number of workers (faster) / DataLoaderによる画像読み込みを有効にしてこのワーカー数を適用する（読み込みを高速化）", ) parser.add_argument( "--output_path", type=str, default=None, help="path for output captions (json format). if this is set, captions will be saved to this file / 出力キャプションのパス（json形式）。このオプションが設定されている場合、キャプションはこのファイルに保存されます", ) parser.add_argument( "--caption_extention", type=str, default=None, help="extension of caption file (for backward compatibility) / 出力されるキャプションファイルの拡張子（スペルミスしていたのを残してあります）", ) parser.add_argument( "--caption_extension", type=str, default=".txt", help="extension of caption file / 出力されるキャプションファイルの拡張子" ) parser.add_argument( "--thresh", type=float, default=0.35, help="threshold of confidence to add a tag / タグを追加するか判定する閾値" ) parser.add_argument( "--general_threshold", type=float, default=None, help="threshold of confidence to add a tag for general category, same as --thresh if omitted / generalカテゴリのタグを追加するための確信度の閾値、省略時は --thresh と同じ", ) parser.add_argument( "--character_threshold", type=float, default=None, help="threshold of confidence to add a tag for character category, same as --thres if omitted. set above 1 to disable character tags" " / characterカテゴリのタグを追加するための確信度の閾値、省略時は --thresh と同じ。1以上にするとcharacterタグを無効化できる", ) parser.add_argument( "--meta_threshold", type=float, default=None, help="threshold of confidence to add a tag for meta category, same as --thresh if omitted. set above 1 to disable meta tags" " / metaカテゴリのタグを追加するための確信度の閾値、省略時は --thresh と同じ。1以上にするとmetaタグを無効化できる", ) parser.add_argument( "--model_threshold", type=float, default=None, help="threshold of confidence to add a tag for model category, same as --thresh if omitted. set above 1 to disable model tags" " / modelカテゴリのタグを追加するための確信度の閾値、省略時は --thresh と同じ。1以上にするとmodelタグを無効化できる", ) parser.add_argument( "--copyright_threshold", type=float, default=None, help="threshold of confidence to add a tag for copyright category, same as --thresh if omitted. set above 1 to disable copyright tags" " / copyrightカテゴリのタグを追加するための確信度の閾値、省略時は --thresh と同じ。1以上にするとcopyrightタグを無効化できる", ) parser.add_argument( "--artist_threshold", type=float, default=None, help="threshold of confidence to add a tag for artist category, same as --thresh if omitted. set above 1 to disable artist tags" " / artistカテゴリのタグを追加するための確信度の閾値、省略時は --thresh と同じ。1以上にするとartistタグを無効化できる", ) parser.add_argument( "--recursive", action="store_true", help="search for images in subfolders recursively / サブフォルダを再帰的に検索する" ) parser.add_argument( "--remove_underscore", action="store_true", help="replace underscores with spaces in the output tags / 出力されるタグのアンダースコアをスペースに置き換える", ) parser.add_argument("--debug", action="store_true", help="debug mode") parser.add_argument( "--undesired_tags", type=str, default="", help="comma-separated list of undesired tags to remove from the output / 出力から除外したいタグのカンマ区切りのリスト", ) parser.add_argument( "--frequency_tags", action="store_true", help="Show frequency of tags for images / タグの出現頻度を表示する" ) parser.add_argument("--onnx", action="store_true", help="use onnx model for inference / onnxモデルを推論に使用する") parser.add_argument( "--append_tags", action="store_true", help="Append captions instead of overwriting / 上書きではなくキャプションを追記する" ) parser.add_argument( "--use_rating_tags", action="store_true", help="Adds rating tags as the first tag / レーティングタグを最初のタグとして追加する", ) parser.add_argument( "--use_rating_tags_as_last_tag", action="store_true", help="Adds rating tags as the last tag / レーティングタグを最後のタグとして追加する", ) parser.add_argument( "--use_quality_tags", action="store_true", help="Adds quality tags as the first tag / クオリティタグを最初のタグとして追加する", ) parser.add_argument( "--use_quality_tags_as_last_tag", action="store_true", help="Adds quality tags as the last tag / クオリティタグを最後のタグとして追加する", ) parser.add_argument( "--character_tags_first", action="store_true", help="Always inserts character tags before the general tags / characterタグを常にgeneralタグの前に出力する", ) parser.add_argument( "--always_first_tags", type=str, default=None, help="comma-separated list of tags to always put at the beginning, e.g. `1girl,1boy`" + " / 必ず先頭に置くタグのカンマ区切りリスト、例 : `1girl,1boy`", ) parser.add_argument( "--caption_separator", type=str, default=", ", help="Separator for captions, include space if needed / キャプションの区切り文字、必要ならスペースを含めてください", ) parser.add_argument( "--tag_replacement", type=str, default=None, help="tag replacement in the format of `source1,target1;source2,target2; ...`. Escape `,` and `;` with `\`. e.g. `tag1,tag2;tag3,tag4`" + " / タグの置換を `置換元1,置換先1;置換元2,置換先2; ...`で指定する。`\` で `,` と `;` をエスケープできる。例: `tag1,tag2;tag3,tag4`", ) parser.add_argument( "--character_tag_expand", action="store_true", help="expand tag tail parenthesis to another tag for character tags. `chara_name_(series)` becomes `chara_name, series`" + " / キャラクタタグの末尾の括弧を別のタグに展開する。`chara_name_(series)` は `chara_name, series` になる", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() # スペルミスしていたオプションを復元する if args.caption_extention is not None: args.caption_extension = args.caption_extention if args.general_threshold is None: args.general_threshold = args.thresh if args.character_threshold is None: args.character_threshold = args.thresh if args.meta_threshold is None: args.meta_threshold = args.thresh if args.model_threshold is None: args.model_threshold = args.thresh if args.copyright_threshold is None: args.copyright_threshold = args.thresh if args.artist_threshold is None: args.artist_threshold = args.thresh main(args) ================================================ FILE: flux_minimal_inference.py ================================================ # Minimum Inference Code for FLUX import argparse import datetime import math import os import random from typing import Callable, List, Optional import einops import numpy as np import torch from tqdm import tqdm from PIL import Image import accelerate from transformers import CLIPTextModel from safetensors.torch import load_file from library import device_utils from library.device_utils import init_ipex, get_preferred_device from networks import oft_flux init_ipex() from library.utils import setup_logging, str_to_dtype setup_logging() import logging logger = logging.getLogger(__name__) import networks.lora_flux as lora_flux from library import flux_models, flux_utils, sd3_utils, strategy_flux def time_shift(mu: float, sigma: float, t: torch.Tensor): return math.exp(mu) / (math.exp(mu) + (1 / t - 1) ** sigma) def get_lin_function(x1: float = 256, y1: float = 0.5, x2: float = 4096, y2: float = 1.15) -> Callable[[float], float]: m = (y2 - y1) / (x2 - x1) b = y1 - m * x1 return lambda x: m * x + b def get_schedule( num_steps: int, image_seq_len: int, base_shift: float = 0.5, max_shift: float = 1.15, shift: bool = True, ) -> list[float]: # extra step for zero timesteps = torch.linspace(1, 0, num_steps + 1) # shifting the schedule to favor high timesteps for higher signal images if shift: # eastimate mu based on linear estimation between two points mu = get_lin_function(y1=base_shift, y2=max_shift)(image_seq_len) timesteps = time_shift(mu, 1.0, timesteps) return timesteps.tolist() def denoise( model: flux_models.Flux, img: torch.Tensor, img_ids: torch.Tensor, txt: torch.Tensor, txt_ids: torch.Tensor, vec: torch.Tensor, timesteps: list[float], guidance: float = 4.0, t5_attn_mask: Optional[torch.Tensor] = None, neg_txt: Optional[torch.Tensor] = None, neg_vec: Optional[torch.Tensor] = None, neg_t5_attn_mask: Optional[torch.Tensor] = None, cfg_scale: Optional[float] = None, ): # prepare classifier free guidance logger.info(f"guidance: {guidance}, cfg_scale: {cfg_scale}") do_cfg = neg_txt is not None and (cfg_scale is not None and cfg_scale != 1.0) # this is ignored for schnell guidance_vec = torch.full((img.shape[0] * (2 if do_cfg else 1),), guidance, device=img.device, dtype=img.dtype) if do_cfg: print("Using classifier free guidance") b_img_ids = torch.cat([img_ids, img_ids], dim=0) b_txt_ids = torch.cat([txt_ids, txt_ids], dim=0) b_txt = torch.cat([neg_txt, txt], dim=0) b_vec = torch.cat([neg_vec, vec], dim=0) if neg_vec is not None else None if t5_attn_mask is not None and neg_t5_attn_mask is not None: b_t5_attn_mask = torch.cat([neg_t5_attn_mask, t5_attn_mask], dim=0) else: b_t5_attn_mask = None else: b_img_ids = img_ids b_txt_ids = txt_ids b_txt = txt b_vec = vec b_t5_attn_mask = t5_attn_mask for t_curr, t_prev in zip(tqdm(timesteps[:-1]), timesteps[1:]): t_vec = torch.full((b_img_ids.shape[0],), t_curr, dtype=img.dtype, device=img.device) # classifier free guidance if do_cfg: b_img = torch.cat([img, img], dim=0) else: b_img = img y_input = b_vec mod_vectors = model.get_mod_vectors(timesteps=t_vec, guidance=guidance_vec, batch_size=b_img.shape[0]) pred = model( img=b_img, img_ids=b_img_ids, txt=b_txt, txt_ids=b_txt_ids, y=y_input, timesteps=t_vec, guidance=guidance_vec, txt_attention_mask=b_t5_attn_mask, mod_vectors=mod_vectors, ) # classifier free guidance if do_cfg: pred_uncond, pred = torch.chunk(pred, 2, dim=0) pred = pred_uncond + cfg_scale * (pred - pred_uncond) img = img + (t_prev - t_curr) * pred return img def do_sample( accelerator: Optional[accelerate.Accelerator], model: flux_models.Flux, img: torch.Tensor, img_ids: torch.Tensor, l_pooled: Optional[torch.Tensor], t5_out: torch.Tensor, txt_ids: torch.Tensor, num_steps: int, guidance: float, t5_attn_mask: Optional[torch.Tensor], is_schnell: bool, device: torch.device, flux_dtype: torch.dtype, neg_l_pooled: Optional[torch.Tensor] = None, neg_t5_out: Optional[torch.Tensor] = None, neg_t5_attn_mask: Optional[torch.Tensor] = None, cfg_scale: Optional[float] = None, ): logger.info(f"num_steps: {num_steps}") timesteps = get_schedule(num_steps, img.shape[1], shift=not is_schnell) # denoise initial noise if accelerator: with accelerator.autocast(), torch.no_grad(): x = denoise( model, img, img_ids, t5_out, txt_ids, l_pooled, timesteps, guidance, t5_attn_mask, neg_t5_out, neg_l_pooled, neg_t5_attn_mask, cfg_scale, ) else: with torch.autocast(device_type=device.type, dtype=flux_dtype), torch.no_grad(): x = denoise( model, img, img_ids, t5_out, txt_ids, l_pooled, timesteps, guidance, t5_attn_mask, neg_t5_out, neg_l_pooled, neg_t5_attn_mask, cfg_scale, ) return x def generate_image( model, clip_l: Optional[CLIPTextModel], t5xxl, ae, prompt: str, seed: Optional[int], image_width: int, image_height: int, steps: Optional[int], guidance: float, negative_prompt: Optional[str], cfg_scale: float, ): seed = seed if seed is not None else random.randint(0, 2**32 - 1) logger.info(f"Seed: {seed}") # make first noise with packed shape # original: b,16,2*h//16,2*w//16, packed: b,h//16*w//16,16*2*2 packed_latent_height, packed_latent_width = math.ceil(image_height / 16), math.ceil(image_width / 16) noise_dtype = torch.float32 if is_fp8(dtype) else dtype noise = torch.randn( 1, packed_latent_height * packed_latent_width, 16 * 2 * 2, device=device, dtype=noise_dtype, generator=torch.Generator(device=device).manual_seed(seed), ) # prepare img and img ids # this is needed only for img2img # img = rearrange(img, "b c (h ph) (w pw) -> b (h w) (c ph pw)", ph=2, pw=2) # if img.shape[0] == 1 and bs > 1: # img = repeat(img, "1 ... -> bs ...", bs=bs) # txt2img only needs img_ids img_ids = flux_utils.prepare_img_ids(1, packed_latent_height, packed_latent_width) # prepare fp8 models if clip_l is not None and is_fp8(clip_l_dtype) and (not hasattr(clip_l, "fp8_prepared") or not clip_l.fp8_prepared): logger.info(f"prepare CLIP-L for fp8: set to {clip_l_dtype}, set embeddings to {torch.bfloat16}") clip_l.to(clip_l_dtype) # fp8 clip_l.text_model.embeddings.to(dtype=torch.bfloat16) clip_l.fp8_prepared = True if is_fp8(t5xxl_dtype) and (not hasattr(t5xxl, "fp8_prepared") or not t5xxl.fp8_prepared): logger.info(f"prepare T5xxl for fp8: set to {t5xxl_dtype}") def prepare_fp8(text_encoder, target_dtype): def forward_hook(module): def forward(hidden_states): hidden_gelu = module.act(module.wi_0(hidden_states)) hidden_linear = module.wi_1(hidden_states) hidden_states = hidden_gelu * hidden_linear hidden_states = module.dropout(hidden_states) hidden_states = module.wo(hidden_states) return hidden_states return forward for module in text_encoder.modules(): if module.__class__.__name__ in ["T5LayerNorm", "Embedding"]: # print("set", module.__class__.__name__, "to", target_dtype) module.to(target_dtype) if module.__class__.__name__ in ["T5DenseGatedActDense"]: # print("set", module.__class__.__name__, "hooks") module.forward = forward_hook(module) t5xxl.to(t5xxl_dtype) prepare_fp8(t5xxl.encoder, torch.bfloat16) t5xxl.fp8_prepared = True # prepare embeddings logger.info("Encoding prompts...") if clip_l is not None: clip_l = clip_l.to(device) t5xxl = t5xxl.to(device) def encode(prpt: str): tokens_and_masks = tokenize_strategy.tokenize(prpt) with torch.no_grad(): if clip_l is not None: if is_fp8(clip_l_dtype): with accelerator.autocast(): l_pooled, _, _, _ = encoding_strategy.encode_tokens(tokenize_strategy, [clip_l, None], tokens_and_masks) else: with torch.autocast(device_type=device.type, dtype=clip_l_dtype): l_pooled, _, _, _ = encoding_strategy.encode_tokens(tokenize_strategy, [clip_l, None], tokens_and_masks) else: l_pooled = None if is_fp8(t5xxl_dtype): with accelerator.autocast(): _, t5_out, txt_ids, t5_attn_mask = encoding_strategy.encode_tokens( tokenize_strategy, [clip_l, t5xxl], tokens_and_masks, args.apply_t5_attn_mask ) else: with torch.autocast(device_type=device.type, dtype=t5xxl_dtype): _, t5_out, txt_ids, t5_attn_mask = encoding_strategy.encode_tokens( tokenize_strategy, [clip_l, t5xxl], tokens_and_masks, args.apply_t5_attn_mask ) return l_pooled, t5_out, txt_ids, t5_attn_mask l_pooled, t5_out, txt_ids, t5_attn_mask = encode(prompt) if negative_prompt: neg_l_pooled, neg_t5_out, _, neg_t5_attn_mask = encode(negative_prompt) else: neg_l_pooled, neg_t5_out, neg_t5_attn_mask = None, None, None # NaN check if l_pooled is not None and torch.isnan(l_pooled).any(): raise ValueError("NaN in l_pooled") if torch.isnan(t5_out).any(): raise ValueError("NaN in t5_out") if args.offload: if clip_l is not None: clip_l = clip_l.cpu() t5xxl = t5xxl.cpu() # del clip_l, t5xxl device_utils.clean_memory() # generate image logger.info("Generating image...") model = model.to(device) if steps is None: steps = 4 if is_schnell else 50 img_ids = img_ids.to(device) t5_attn_mask = t5_attn_mask.to(device) if args.apply_t5_attn_mask else None neg_t5_attn_mask = neg_t5_attn_mask.to(device) if neg_t5_attn_mask is not None and args.apply_t5_attn_mask else None x = do_sample( accelerator, model, noise, img_ids, l_pooled, t5_out, txt_ids, steps, guidance, t5_attn_mask, is_schnell, device, flux_dtype, neg_l_pooled, neg_t5_out, neg_t5_attn_mask, cfg_scale, ) if args.offload: model = model.cpu() # del model device_utils.clean_memory() # unpack x = x.float() x = einops.rearrange(x, "b (h w) (c ph pw) -> b c (h ph) (w pw)", h=packed_latent_height, w=packed_latent_width, ph=2, pw=2) # decode logger.info("Decoding image...") ae = ae.to(device) with torch.no_grad(): if is_fp8(ae_dtype): with accelerator.autocast(): x = ae.decode(x) else: with torch.autocast(device_type=device.type, dtype=ae_dtype): x = ae.decode(x) if args.offload: ae = ae.cpu() x = x.clamp(-1, 1) x = x.permute(0, 2, 3, 1) img = Image.fromarray((127.5 * (x + 1.0)).float().cpu().numpy().astype(np.uint8)[0]) # save image output_dir = args.output_dir os.makedirs(output_dir, exist_ok=True) output_path = os.path.join(output_dir, f"{datetime.datetime.now().strftime('%Y%m%d_%H%M%S')}.png") img.save(output_path) logger.info(f"Saved image to {output_path}") if __name__ == "__main__": target_height = 768 # 1024 target_width = 1360 # 1024 # steps = 50 # 28 # 50 # guidance_scale = 5 # seed = 1 # None # 1 device = get_preferred_device() parser = argparse.ArgumentParser() parser.add_argument("--ckpt_path", type=str, required=True) parser.add_argument("--model_type", type=str, choices=["flux", "chroma"], default="flux", help="Model type to use") parser.add_argument("--clip_l", type=str, required=False) parser.add_argument("--t5xxl", type=str, required=False) parser.add_argument("--ae", type=str, required=False) parser.add_argument("--apply_t5_attn_mask", action="store_true") parser.add_argument("--prompt", type=str, default="A photo of a cat") parser.add_argument("--output_dir", type=str, default=".") parser.add_argument("--dtype", type=str, default="bfloat16", help="base dtype") parser.add_argument("--clip_l_dtype", type=str, default=None, help="dtype for clip_l") parser.add_argument("--ae_dtype", type=str, default=None, help="dtype for ae") parser.add_argument("--t5xxl_dtype", type=str, default=None, help="dtype for t5xxl") parser.add_argument("--flux_dtype", type=str, default=None, help="dtype for flux") parser.add_argument("--seed", type=int, default=None) parser.add_argument("--steps", type=int, default=None, help="Number of steps. Default is 4 for schnell, 50 for dev") parser.add_argument("--guidance", type=float, default=3.5) parser.add_argument("--negative_prompt", type=str, default=None) parser.add_argument("--cfg_scale", type=float, default=1.0) parser.add_argument("--offload", action="store_true", help="Offload to CPU") parser.add_argument( "--lora_weights", type=str, nargs="*", default=[], help="LoRA weights, only supports networks.lora_flux and lora_oft, each argument is a `path;multiplier` (semi-colon separated)", ) parser.add_argument("--merge_lora_weights", action="store_true", help="Merge LoRA weights to model") parser.add_argument("--width", type=int, default=target_width) parser.add_argument("--height", type=int, default=target_height) parser.add_argument("--interactive", action="store_true") args = parser.parse_args() seed = args.seed steps = args.steps guidance_scale = args.guidance def is_fp8(dt): return dt in [torch.float8_e4m3fn, torch.float8_e4m3fnuz, torch.float8_e5m2, torch.float8_e5m2fnuz] dtype = str_to_dtype(args.dtype) clip_l_dtype = str_to_dtype(args.clip_l_dtype, dtype) t5xxl_dtype = str_to_dtype(args.t5xxl_dtype, dtype) ae_dtype = str_to_dtype(args.ae_dtype, dtype) flux_dtype = str_to_dtype(args.flux_dtype, dtype) logger.info(f"Dtypes for clip_l, t5xxl, ae, flux: {clip_l_dtype}, {t5xxl_dtype}, {ae_dtype}, {flux_dtype}") loading_device = "cpu" if args.offload else device use_fp8 = [is_fp8(d) for d in [dtype, clip_l_dtype, t5xxl_dtype, ae_dtype, flux_dtype]] if any(use_fp8): accelerator = accelerate.Accelerator(mixed_precision="bf16") else: accelerator = None # load clip_l (skip for chroma model) if args.model_type == "flux": logger.info(f"Loading clip_l from {args.clip_l}...") clip_l = flux_utils.load_clip_l(args.clip_l, clip_l_dtype, loading_device, disable_mmap=True) clip_l.eval() else: clip_l = None logger.info(f"Loading t5xxl from {args.t5xxl}...") t5xxl = flux_utils.load_t5xxl(args.t5xxl, t5xxl_dtype, loading_device, disable_mmap=True) t5xxl.eval() # if is_fp8(clip_l_dtype): # clip_l = accelerator.prepare(clip_l) # if is_fp8(t5xxl_dtype): # t5xxl = accelerator.prepare(t5xxl) # DiT is_schnell, model = flux_utils.load_flow_model( args.ckpt_path, None, loading_device, disable_mmap=True, model_type=args.model_type ) model.eval() logger.info(f"Casting model to {flux_dtype}") model.to(flux_dtype) # make sure model is dtype # if is_fp8(flux_dtype): # model = accelerator.prepare(model) # if args.offload: # model = model.to("cpu") t5xxl_max_length = 256 if is_schnell else 512 tokenize_strategy = strategy_flux.FluxTokenizeStrategy(t5xxl_max_length) encoding_strategy = strategy_flux.FluxTextEncodingStrategy() # AE ae = flux_utils.load_ae(args.ae, ae_dtype, loading_device) ae.eval() # if is_fp8(ae_dtype): # ae = accelerator.prepare(ae) # LoRA lora_models: List[lora_flux.LoRANetwork] = [] for weights_file in args.lora_weights: if ";" in weights_file: weights_file, multiplier = weights_file.split(";") multiplier = float(multiplier) else: multiplier = 1.0 weights_sd = load_file(weights_file) is_lora = is_oft = False for key in weights_sd.keys(): if key.startswith("lora"): is_lora = True if key.startswith("oft"): is_oft = True if is_lora or is_oft: break module = lora_flux if is_lora else oft_flux lora_model, _ = module.create_network_from_weights(multiplier, None, ae, [clip_l, t5xxl], model, weights_sd, True) if args.merge_lora_weights: lora_model.merge_to([clip_l, t5xxl], model, weights_sd) else: lora_model.apply_to([clip_l, t5xxl], model) info = lora_model.load_state_dict(weights_sd, strict=True) logger.info(f"Loaded LoRA weights from {weights_file}: {info}") lora_model.eval() lora_model.to(device) lora_models.append(lora_model) if not args.interactive: generate_image( model, clip_l, t5xxl, ae, args.prompt, args.seed, args.width, args.height, args.steps, args.guidance, args.negative_prompt, args.cfg_scale, ) else: # loop for interactive width = target_width height = target_height steps = None guidance = args.guidance cfg_scale = args.cfg_scale while True: print( "Enter prompt (empty to exit). Options: --w --h --s --d --g --m " " --n , `-` for empty negative prompt --c " ) prompt = input() if prompt == "": break # parse options options = prompt.split("--") prompt = options[0].strip() seed = None negative_prompt = None for opt in options[1:]: try: opt = opt.strip() if opt.startswith("w"): width = int(opt[1:].strip()) elif opt.startswith("h"): height = int(opt[1:].strip()) elif opt.startswith("s"): steps = int(opt[1:].strip()) elif opt.startswith("d"): seed = int(opt[1:].strip()) elif opt.startswith("g"): guidance = float(opt[1:].strip()) elif opt.startswith("m"): mutipliers = opt[1:].strip().split(",") if len(mutipliers) != len(lora_models): logger.error(f"Invalid number of multipliers, expected {len(lora_models)}") continue for i, lora_model in enumerate(lora_models): lora_model.set_multiplier(float(mutipliers[i])) elif opt.startswith("n"): negative_prompt = opt[1:].strip() if negative_prompt == "-": negative_prompt = "" elif opt.startswith("c"): cfg_scale = float(opt[1:].strip()) except ValueError as e: logger.error(f"Invalid option: {opt}, {e}") generate_image(model, clip_l, t5xxl, ae, prompt, seed, width, height, steps, guidance, negative_prompt, cfg_scale) logger.info("Done!") ================================================ FILE: flux_train.py ================================================ # training with captions # Swap blocks between CPU and GPU: # This implementation is inspired by and based on the work of 2kpr. # Many thanks to 2kpr for the original concept and implementation of memory-efficient offloading. # The original idea has been adapted and extended to fit the current project's needs. # Key features: # - CPU offloading during forward and backward passes # - Use of fused optimizer and grad_hook for efficient gradient processing # - Per-block fused optimizer instances import argparse from concurrent.futures import ThreadPoolExecutor import copy import math import os from multiprocessing import Value import time from typing import List, Optional, Tuple, Union import toml from tqdm import tqdm import torch import torch.nn as nn from library import utils from library.device_utils import init_ipex, clean_memory_on_device init_ipex() from accelerate.utils import set_seed from library import deepspeed_utils, flux_train_utils, flux_utils, strategy_base, strategy_flux, sai_model_spec from library.sd3_train_utils import FlowMatchEulerDiscreteScheduler import library.train_util as train_util from library.utils import setup_logging, add_logging_arguments setup_logging() import logging logger = logging.getLogger(__name__) import library.config_util as config_util # import library.sdxl_train_util as sdxl_train_util from library.config_util import ( ConfigSanitizer, BlueprintGenerator, ) from library.custom_train_functions import apply_masked_loss, add_custom_train_arguments def train(args): train_util.verify_training_args(args) train_util.prepare_dataset_args(args, True) # sdxl_train_util.verify_sdxl_training_args(args) deepspeed_utils.prepare_deepspeed_args(args) setup_logging(args, reset=True) # temporary: backward compatibility for deprecated options. remove in the future if not args.skip_cache_check: args.skip_cache_check = args.skip_latents_validity_check # assert ( # not args.weighted_captions # ), "weighted_captions is not supported currently / weighted_captionsは現在サポートされていません" if args.cache_text_encoder_outputs_to_disk and not args.cache_text_encoder_outputs: logger.warning( "cache_text_encoder_outputs_to_disk is enabled, so cache_text_encoder_outputs is also enabled / cache_text_encoder_outputs_to_diskが有効になっているため、cache_text_encoder_outputsも有効になります" ) args.cache_text_encoder_outputs = True if args.cpu_offload_checkpointing and not args.gradient_checkpointing: logger.warning( "cpu_offload_checkpointing is enabled, so gradient_checkpointing is also enabled / cpu_offload_checkpointingが有効になっているため、gradient_checkpointingも有効になります" ) args.gradient_checkpointing = True assert ( args.blocks_to_swap is None or args.blocks_to_swap == 0 ) or not args.cpu_offload_checkpointing, ( "blocks_to_swap is not supported with cpu_offload_checkpointing / blocks_to_swapはcpu_offload_checkpointingと併用できません" ) cache_latents = args.cache_latents use_dreambooth_method = args.in_json is None if args.seed is not None: set_seed(args.seed) # 乱数系列を初期化する # prepare caching strategy: this must be set before preparing dataset. because dataset may use this strategy for initialization. if args.cache_latents: latents_caching_strategy = strategy_flux.FluxLatentsCachingStrategy( args.cache_latents_to_disk, args.vae_batch_size, args.skip_cache_check ) strategy_base.LatentsCachingStrategy.set_strategy(latents_caching_strategy) # データセットを準備する if args.dataset_class is None: blueprint_generator = BlueprintGenerator(ConfigSanitizer(True, True, args.masked_loss, True)) if args.dataset_config is not None: logger.info(f"Load dataset config from {args.dataset_config}") user_config = config_util.load_user_config(args.dataset_config) ignored = ["train_data_dir", "in_json"] if any(getattr(args, attr) is not None for attr in ignored): logger.warning( "ignore following options because config file is found: {0} / 設定ファイルが利用されるため以下のオプションは無視されます: {0}".format( ", ".join(ignored) ) ) else: if use_dreambooth_method: logger.info("Using DreamBooth method.") user_config = { "datasets": [ { "subsets": config_util.generate_dreambooth_subsets_config_by_subdirs( args.train_data_dir, args.reg_data_dir ) } ] } else: logger.info("Training with captions.") user_config = { "datasets": [ { "subsets": [ { "image_dir": args.train_data_dir, "metadata_file": args.in_json, } ] } ] } blueprint = blueprint_generator.generate(user_config, args) train_dataset_group, val_dataset_group = config_util.generate_dataset_group_by_blueprint(blueprint.dataset_group) else: train_dataset_group = train_util.load_arbitrary_dataset(args) val_dataset_group = None current_epoch = Value("i", 0) current_step = Value("i", 0) ds_for_collator = train_dataset_group if args.max_data_loader_n_workers == 0 else None collator = train_util.collator_class(current_epoch, current_step, ds_for_collator) train_dataset_group.verify_bucket_reso_steps(16) # TODO これでいいか確認 _, is_schnell, _, _ = flux_utils.analyze_checkpoint_state(args.pretrained_model_name_or_path) if args.debug_dataset: if args.cache_text_encoder_outputs: strategy_base.TextEncoderOutputsCachingStrategy.set_strategy( strategy_flux.FluxTextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, args.text_encoder_batch_size, args.skip_cache_check, False ) ) t5xxl_max_token_length = ( args.t5xxl_max_token_length if args.t5xxl_max_token_length is not None else (256 if is_schnell else 512) ) strategy_base.TokenizeStrategy.set_strategy(strategy_flux.FluxTokenizeStrategy(t5xxl_max_token_length)) train_dataset_group.set_current_strategies() train_util.debug_dataset(train_dataset_group, True) return if len(train_dataset_group) == 0: logger.error( "No data found. Please verify the metadata file and train_data_dir option. / 画像がありません。メタデータおよびtrain_data_dirオプションを確認してください。" ) return if cache_latents: assert ( train_dataset_group.is_latent_cacheable() ), "when caching latents, either color_aug or random_crop cannot be used / latentをキャッシュするときはcolor_augとrandom_cropは使えません" if args.cache_text_encoder_outputs: assert ( train_dataset_group.is_text_encoder_output_cacheable() ), "when caching text encoder output, either caption_dropout_rate, shuffle_caption, token_warmup_step or caption_tag_dropout_rate cannot be used / text encoderの出力をキャッシュするときはcaption_dropout_rate, shuffle_caption, token_warmup_step, caption_tag_dropout_rateは使えません" # acceleratorを準備する logger.info("prepare accelerator") accelerator = train_util.prepare_accelerator(args) # mixed precisionに対応した型を用意しておき適宜castする weight_dtype, save_dtype = train_util.prepare_dtype(args) # モデルを読み込む # load VAE for caching latents ae = None if cache_latents: ae = flux_utils.load_ae(args.ae, weight_dtype, "cpu", args.disable_mmap_load_safetensors) ae.to(accelerator.device, dtype=weight_dtype) ae.requires_grad_(False) ae.eval() train_dataset_group.new_cache_latents(ae, accelerator) ae.to("cpu") # if no sampling, vae can be deleted clean_memory_on_device(accelerator.device) accelerator.wait_for_everyone() # prepare tokenize strategy if args.t5xxl_max_token_length is None: if is_schnell: t5xxl_max_token_length = 256 else: t5xxl_max_token_length = 512 else: t5xxl_max_token_length = args.t5xxl_max_token_length flux_tokenize_strategy = strategy_flux.FluxTokenizeStrategy(t5xxl_max_token_length) strategy_base.TokenizeStrategy.set_strategy(flux_tokenize_strategy) # load clip_l, t5xxl for caching text encoder outputs clip_l = flux_utils.load_clip_l(args.clip_l, weight_dtype, "cpu", args.disable_mmap_load_safetensors) t5xxl = flux_utils.load_t5xxl(args.t5xxl, weight_dtype, "cpu", args.disable_mmap_load_safetensors) clip_l.eval() t5xxl.eval() clip_l.requires_grad_(False) t5xxl.requires_grad_(False) text_encoding_strategy = strategy_flux.FluxTextEncodingStrategy(args.apply_t5_attn_mask) strategy_base.TextEncodingStrategy.set_strategy(text_encoding_strategy) # cache text encoder outputs sample_prompts_te_outputs = None if args.cache_text_encoder_outputs: # Text Encodes are eval and no grad here clip_l.to(accelerator.device) t5xxl.to(accelerator.device) text_encoder_caching_strategy = strategy_flux.FluxTextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, args.text_encoder_batch_size, False, False, args.apply_t5_attn_mask ) strategy_base.TextEncoderOutputsCachingStrategy.set_strategy(text_encoder_caching_strategy) with accelerator.autocast(): train_dataset_group.new_cache_text_encoder_outputs([clip_l, t5xxl], accelerator) # cache sample prompt's embeddings to free text encoder's memory if args.sample_prompts is not None: logger.info(f"cache Text Encoder outputs for sample prompt: {args.sample_prompts}") text_encoding_strategy: strategy_flux.FluxTextEncodingStrategy = strategy_base.TextEncodingStrategy.get_strategy() prompts = train_util.load_prompts(args.sample_prompts) sample_prompts_te_outputs = {} # key: prompt, value: text encoder outputs with accelerator.autocast(), torch.no_grad(): for prompt_dict in prompts: for p in [prompt_dict.get("prompt", ""), prompt_dict.get("negative_prompt", "")]: if p not in sample_prompts_te_outputs: logger.info(f"cache Text Encoder outputs for prompt: {p}") tokens_and_masks = flux_tokenize_strategy.tokenize(p) sample_prompts_te_outputs[p] = text_encoding_strategy.encode_tokens( flux_tokenize_strategy, [clip_l, t5xxl], tokens_and_masks, args.apply_t5_attn_mask ) accelerator.wait_for_everyone() # now we can delete Text Encoders to free memory clip_l = None t5xxl = None clean_memory_on_device(accelerator.device) # load FLUX _, flux = flux_utils.load_flow_model( args.pretrained_model_name_or_path, weight_dtype, "cpu", args.disable_mmap_load_safetensors, model_type="flux" ) if args.gradient_checkpointing: flux.enable_gradient_checkpointing(cpu_offload=args.cpu_offload_checkpointing) flux.requires_grad_(True) # block swap # backward compatibility if args.blocks_to_swap is None: blocks_to_swap = args.double_blocks_to_swap or 0 if args.single_blocks_to_swap is not None: blocks_to_swap += args.single_blocks_to_swap // 2 if blocks_to_swap > 0: logger.warning( "double_blocks_to_swap and single_blocks_to_swap are deprecated. Use blocks_to_swap instead." " / double_blocks_to_swapとsingle_blocks_to_swapは非推奨です。blocks_to_swapを使ってください。" ) logger.info( f"double_blocks_to_swap={args.double_blocks_to_swap} and single_blocks_to_swap={args.single_blocks_to_swap} are converted to blocks_to_swap={blocks_to_swap}." ) args.blocks_to_swap = blocks_to_swap del blocks_to_swap is_swapping_blocks = args.blocks_to_swap is not None and args.blocks_to_swap > 0 if is_swapping_blocks: # Swap blocks between CPU and GPU to reduce memory usage, in forward and backward passes. # This idea is based on 2kpr's great work. Thank you! logger.info(f"enable block swap: blocks_to_swap={args.blocks_to_swap}") flux.enable_block_swap(args.blocks_to_swap, accelerator.device) if not cache_latents: # load VAE here if not cached ae = flux_utils.load_ae(args.ae, weight_dtype, "cpu") ae.requires_grad_(False) ae.eval() ae.to(accelerator.device, dtype=weight_dtype) training_models = [] params_to_optimize = [] training_models.append(flux) name_and_params = list(flux.named_parameters()) # single param group for now params_to_optimize.append({"params": [p for _, p in name_and_params], "lr": args.learning_rate}) param_names = [[n for n, _ in name_and_params]] # calculate number of trainable parameters n_params = 0 for group in params_to_optimize: for p in group["params"]: n_params += p.numel() accelerator.print(f"number of trainable parameters: {n_params}") # 学習に必要なクラスを準備する accelerator.print("prepare optimizer, data loader etc.") if args.blockwise_fused_optimizers: # fused backward pass: https://pytorch.org/tutorials/intermediate/optimizer_step_in_backward_tutorial.html # Instead of creating an optimizer for all parameters as in the tutorial, we create an optimizer for each block of parameters. # This balances memory usage and management complexity. # split params into groups. currently different learning rates are not supported grouped_params = [] param_group = {} for group in params_to_optimize: named_parameters = list(flux.named_parameters()) assert len(named_parameters) == len(group["params"]), "number of parameters does not match" for p, np in zip(group["params"], named_parameters): # determine target layer and block index for each parameter block_type = "other" # double, single or other if np[0].startswith("double_blocks"): block_index = int(np[0].split(".")[1]) block_type = "double" elif np[0].startswith("single_blocks"): block_index = int(np[0].split(".")[1]) block_type = "single" else: block_index = -1 param_group_key = (block_type, block_index) if param_group_key not in param_group: param_group[param_group_key] = [] param_group[param_group_key].append(p) block_types_and_indices = [] for param_group_key, param_group in param_group.items(): block_types_and_indices.append(param_group_key) grouped_params.append({"params": param_group, "lr": args.learning_rate}) num_params = 0 for p in param_group: num_params += p.numel() accelerator.print(f"block {param_group_key}: {num_params} parameters") # prepare optimizers for each group optimizers = [] for group in grouped_params: _, _, optimizer = train_util.get_optimizer(args, trainable_params=[group]) optimizers.append(optimizer) optimizer = optimizers[0] # avoid error in the following code logger.info(f"using {len(optimizers)} optimizers for blockwise fused optimizers") if train_util.is_schedulefree_optimizer(optimizers[0], args): raise ValueError("Schedule-free optimizer is not supported with blockwise fused optimizers") optimizer_train_fn = lambda: None # dummy function optimizer_eval_fn = lambda: None # dummy function else: _, _, optimizer = train_util.get_optimizer(args, trainable_params=params_to_optimize) optimizer_train_fn, optimizer_eval_fn = train_util.get_optimizer_train_eval_fn(optimizer, args) # prepare dataloader # strategies are set here because they cannot be referenced in another process. Copy them with the dataset # some strategies can be None train_dataset_group.set_current_strategies() # DataLoaderのプロセス数：0 は persistent_workers が使えないので注意 n_workers = min(args.max_data_loader_n_workers, os.cpu_count()) # cpu_count or max_data_loader_n_workers train_dataloader = torch.utils.data.DataLoader( train_dataset_group, batch_size=1, shuffle=True, collate_fn=collator, num_workers=n_workers, persistent_workers=args.persistent_data_loader_workers, ) # 学習ステップ数を計算する if args.max_train_epochs is not None: args.max_train_steps = args.max_train_epochs * math.ceil( len(train_dataloader) / accelerator.num_processes / args.gradient_accumulation_steps ) accelerator.print( f"override steps. steps for {args.max_train_epochs} epochs is / 指定エポックまでのステップ数: {args.max_train_steps}" ) # データセット側にも学習ステップを送信 train_dataset_group.set_max_train_steps(args.max_train_steps) # lr schedulerを用意する if args.blockwise_fused_optimizers: # prepare lr schedulers for each optimizer lr_schedulers = [train_util.get_scheduler_fix(args, optimizer, accelerator.num_processes) for optimizer in optimizers] lr_scheduler = lr_schedulers[0] # avoid error in the following code else: lr_scheduler = train_util.get_scheduler_fix(args, optimizer, accelerator.num_processes) # 実験的機能：勾配も含めたfp16/bf16学習を行う　モデル全体をfp16/bf16にする if args.full_fp16: assert ( args.mixed_precision == "fp16" ), "full_fp16 requires mixed precision='fp16' / full_fp16を使う場合はmixed_precision='fp16'を指定してください。" accelerator.print("enable full fp16 training.") flux.to(weight_dtype) if clip_l is not None: clip_l.to(weight_dtype) t5xxl.to(weight_dtype) # TODO check works with fp16 or not elif args.full_bf16: assert ( args.mixed_precision == "bf16" ), "full_bf16 requires mixed precision='bf16' / full_bf16を使う場合はmixed_precision='bf16'を指定してください。" accelerator.print("enable full bf16 training.") flux.to(weight_dtype) if clip_l is not None: clip_l.to(weight_dtype) t5xxl.to(weight_dtype) # if we don't cache text encoder outputs, move them to device if not args.cache_text_encoder_outputs: clip_l.to(accelerator.device) t5xxl.to(accelerator.device) clean_memory_on_device(accelerator.device) if args.deepspeed: ds_model = deepspeed_utils.prepare_deepspeed_model(args, mmdit=flux) # most of ZeRO stage uses optimizer partitioning, so we have to prepare optimizer and ds_model at the same time. # pull/1139#issuecomment-1986790007 ds_model, optimizer, train_dataloader, lr_scheduler = accelerator.prepare( ds_model, optimizer, train_dataloader, lr_scheduler ) training_models = [ds_model] else: # accelerator does some magic # if we doesn't swap blocks, we can move the model to device flux = accelerator.prepare(flux, device_placement=[not is_swapping_blocks]) if is_swapping_blocks: accelerator.unwrap_model(flux).move_to_device_except_swap_blocks(accelerator.device) # reduce peak memory usage optimizer, train_dataloader, lr_scheduler = accelerator.prepare(optimizer, train_dataloader, lr_scheduler) # 実験的機能：勾配も含めたfp16学習を行う　PyTorchにパッチを当ててfp16でのgrad scaleを有効にする if args.full_fp16: # During deepseed training, accelerate not handles fp16/bf16|mixed precision directly via scaler. Let deepspeed engine do. # -> But we think it's ok to patch accelerator even if deepspeed is enabled. train_util.patch_accelerator_for_fp16_training(accelerator) # resumeする train_util.resume_from_local_or_hf_if_specified(accelerator, args) if args.fused_backward_pass: # use fused optimizer for backward pass: other optimizers will be supported in the future import library.adafactor_fused library.adafactor_fused.patch_adafactor_fused(optimizer) for param_group, param_name_group in zip(optimizer.param_groups, param_names): for parameter, param_name in zip(param_group["params"], param_name_group): if parameter.requires_grad: def create_grad_hook(p_name, p_group): def grad_hook(tensor: torch.Tensor): if accelerator.sync_gradients and args.max_grad_norm != 0.0: accelerator.clip_grad_norm_(tensor, args.max_grad_norm) optimizer.step_param(tensor, p_group) tensor.grad = None return grad_hook parameter.register_post_accumulate_grad_hook(create_grad_hook(param_name, param_group)) elif args.blockwise_fused_optimizers: # prepare for additional optimizers and lr schedulers for i in range(1, len(optimizers)): optimizers[i] = accelerator.prepare(optimizers[i]) lr_schedulers[i] = accelerator.prepare(lr_schedulers[i]) # counters are used to determine when to step the optimizer global optimizer_hooked_count global num_parameters_per_group global parameter_optimizer_map optimizer_hooked_count = {} num_parameters_per_group = [0] * len(optimizers) parameter_optimizer_map = {} for opt_idx, optimizer in enumerate(optimizers): for param_group in optimizer.param_groups: for parameter in param_group["params"]: if parameter.requires_grad: def grad_hook(parameter: torch.Tensor): if accelerator.sync_gradients and args.max_grad_norm != 0.0: accelerator.clip_grad_norm_(parameter, args.max_grad_norm) i = parameter_optimizer_map[parameter] optimizer_hooked_count[i] += 1 if optimizer_hooked_count[i] == num_parameters_per_group[i]: optimizers[i].step() optimizers[i].zero_grad(set_to_none=True) parameter.register_post_accumulate_grad_hook(grad_hook) parameter_optimizer_map[parameter] = opt_idx num_parameters_per_group[opt_idx] += 1 # epoch数を計算する num_update_steps_per_epoch = math.ceil(len(train_dataloader) / args.gradient_accumulation_steps) num_train_epochs = math.ceil(args.max_train_steps / num_update_steps_per_epoch) if (args.save_n_epoch_ratio is not None) and (args.save_n_epoch_ratio > 0): args.save_every_n_epochs = math.floor(num_train_epochs / args.save_n_epoch_ratio) or 1 # 学習する # total_batch_size = args.train_batch_size * accelerator.num_processes * args.gradient_accumulation_steps accelerator.print("running training / 学習開始") accelerator.print(f" num examples / サンプル数: {train_dataset_group.num_train_images}") accelerator.print(f" num batches per epoch / 1epochのバッチ数: {len(train_dataloader)}") accelerator.print(f" num epochs / epoch数: {num_train_epochs}") accelerator.print( f" batch size per device / バッチサイズ: {', '.join([str(d.batch_size) for d in train_dataset_group.datasets])}" ) # accelerator.print( # f" total train batch size (with parallel & distributed & accumulation) / 総バッチサイズ（並列学習、勾配合計含む）: {total_batch_size}" # ) accelerator.print(f" gradient accumulation steps / 勾配を合計するステップ数 = {args.gradient_accumulation_steps}") accelerator.print(f" total optimization steps / 学習ステップ数: {args.max_train_steps}") progress_bar = tqdm(range(args.max_train_steps), smoothing=0, disable=not accelerator.is_local_main_process, desc="steps") global_step = 0 noise_scheduler = FlowMatchEulerDiscreteScheduler(num_train_timesteps=1000, shift=args.discrete_flow_shift) noise_scheduler_copy = copy.deepcopy(noise_scheduler) if accelerator.is_main_process: init_kwargs = {} if args.wandb_run_name: init_kwargs["wandb"] = {"name": args.wandb_run_name} if args.log_tracker_config is not None: init_kwargs = toml.load(args.log_tracker_config) accelerator.init_trackers( "finetuning" if args.log_tracker_name is None else args.log_tracker_name, config=train_util.get_sanitized_config_or_none(args), init_kwargs=init_kwargs, ) if is_swapping_blocks: accelerator.unwrap_model(flux).prepare_block_swap_before_forward() # For --sample_at_first optimizer_eval_fn() flux_train_utils.sample_images(accelerator, args, 0, global_step, flux, ae, [clip_l, t5xxl], sample_prompts_te_outputs) optimizer_train_fn() if len(accelerator.trackers) > 0: # log empty object to commit the sample images to wandb accelerator.log({}, step=0) loss_recorder = train_util.LossRecorder() epoch = 0 # avoid error when max_train_steps is 0 for epoch in range(num_train_epochs): accelerator.print(f"\nepoch {epoch+1}/{num_train_epochs}") current_epoch.value = epoch + 1 for m in training_models: m.train() for step, batch in enumerate(train_dataloader): current_step.value = global_step if args.blockwise_fused_optimizers: optimizer_hooked_count = {i: 0 for i in range(len(optimizers))} # reset counter for each step with accelerator.accumulate(*training_models): if "latents" in batch and batch["latents"] is not None: latents = batch["latents"].to(accelerator.device, dtype=weight_dtype) else: with torch.no_grad(): # encode images to latents. images are [-1, 1] latents = ae.encode(batch["images"].to(ae.dtype)).to(accelerator.device, dtype=weight_dtype) # NaNが含まれていれば警告を表示し0に置き換える if torch.any(torch.isnan(latents)): accelerator.print("NaN found in latents, replacing with zeros") latents = torch.nan_to_num(latents, 0, out=latents) text_encoder_outputs_list = batch.get("text_encoder_outputs_list", None) if text_encoder_outputs_list is not None: text_encoder_conds = text_encoder_outputs_list else: # not cached or training, so get from text encoders tokens_and_masks = batch["input_ids_list"] with torch.no_grad(): input_ids = [ids.to(accelerator.device) for ids in batch["input_ids_list"]] text_encoder_conds = text_encoding_strategy.encode_tokens( flux_tokenize_strategy, [clip_l, t5xxl], input_ids, args.apply_t5_attn_mask ) if args.full_fp16: text_encoder_conds = [c.to(weight_dtype) for c in text_encoder_conds] # TODO support some features for noise implemented in get_noise_noisy_latents_and_timesteps # Sample noise that we'll add to the latents noise = torch.randn_like(latents) bsz = latents.shape[0] # get noisy model input and timesteps noisy_model_input, timesteps, sigmas = flux_train_utils.get_noisy_model_input_and_timesteps( args, noise_scheduler_copy, latents, noise, accelerator.device, weight_dtype ) # pack latents and get img_ids packed_noisy_model_input = flux_utils.pack_latents(noisy_model_input) # b, c, h*2, w*2 -> b, h*w, c*4 packed_latent_height, packed_latent_width = noisy_model_input.shape[2] // 2, noisy_model_input.shape[3] // 2 img_ids = flux_utils.prepare_img_ids(bsz, packed_latent_height, packed_latent_width).to(device=accelerator.device) # get guidance: ensure args.guidance_scale is float guidance_vec = torch.full((bsz,), float(args.guidance_scale), device=accelerator.device) # call model l_pooled, t5_out, txt_ids, t5_attn_mask = text_encoder_conds if not args.apply_t5_attn_mask: t5_attn_mask = None with accelerator.autocast(): # YiYi notes: divide it by 1000 for now because we scale it by 1000 in the transformer model (we should not keep it but I want to keep the inputs same for the model for testing) model_pred = flux( img=packed_noisy_model_input, img_ids=img_ids, txt=t5_out, txt_ids=txt_ids, y=l_pooled, timesteps=timesteps / 1000, guidance=guidance_vec, txt_attention_mask=t5_attn_mask, ) # unpack latents model_pred = flux_utils.unpack_latents(model_pred, packed_latent_height, packed_latent_width) # apply model prediction type model_pred, weighting = flux_train_utils.apply_model_prediction_type(args, model_pred, noisy_model_input, sigmas) # flow matching loss: this is different from SD3 target = noise - latents # calculate loss huber_c = train_util.get_huber_threshold_if_needed(args, timesteps, noise_scheduler) loss = train_util.conditional_loss(model_pred.float(), target.float(), args.loss_type, "none", huber_c) if weighting is not None: loss = loss * weighting if args.masked_loss or ("alpha_masks" in batch and batch["alpha_masks"] is not None): loss = apply_masked_loss(loss, batch) loss = loss.mean([1, 2, 3]) loss_weights = batch["loss_weights"] # 各sampleごとのweight loss = loss * loss_weights loss = loss.mean() # backward accelerator.backward(loss) if not (args.fused_backward_pass or args.blockwise_fused_optimizers): if accelerator.sync_gradients and args.max_grad_norm != 0.0: params_to_clip = [] for m in training_models: params_to_clip.extend(m.parameters()) accelerator.clip_grad_norm_(params_to_clip, args.max_grad_norm) optimizer.step() lr_scheduler.step() optimizer.zero_grad(set_to_none=True) else: # optimizer.step() and optimizer.zero_grad() are called in the optimizer hook lr_scheduler.step() if args.blockwise_fused_optimizers: for i in range(1, len(optimizers)): lr_schedulers[i].step() # Checks if the accelerator has performed an optimization step behind the scenes if accelerator.sync_gradients: progress_bar.update(1) global_step += 1 optimizer_eval_fn() flux_train_utils.sample_images( accelerator, args, None, global_step, flux, ae, [clip_l, t5xxl], sample_prompts_te_outputs ) # 指定ステップごとにモデルを保存 if args.save_every_n_steps is not None and global_step % args.save_every_n_steps == 0: accelerator.wait_for_everyone() if accelerator.is_main_process: flux_train_utils.save_flux_model_on_epoch_end_or_stepwise( args, False, accelerator, save_dtype, epoch, num_train_epochs, global_step, accelerator.unwrap_model(flux), ) optimizer_train_fn() current_loss = loss.detach().item() # 平均なのでbatch sizeは関係ないはず if len(accelerator.trackers) > 0: logs = {"loss": current_loss} train_util.append_lr_to_logs(logs, lr_scheduler, args.optimizer_type, including_unet=True) accelerator.log(logs, step=global_step) loss_recorder.add(epoch=epoch, step=step, loss=current_loss) avr_loss: float = loss_recorder.moving_average logs = {"avr_loss": avr_loss} # , "lr": lr_scheduler.get_last_lr()[0]} progress_bar.set_postfix(**logs) if global_step >= args.max_train_steps: break if len(accelerator.trackers) > 0: logs = {"loss/epoch": loss_recorder.moving_average} accelerator.log(logs, step=epoch + 1) accelerator.wait_for_everyone() optimizer_eval_fn() if args.save_every_n_epochs is not None: if accelerator.is_main_process: flux_train_utils.save_flux_model_on_epoch_end_or_stepwise( args, True, accelerator, save_dtype, epoch, num_train_epochs, global_step, accelerator.unwrap_model(flux), ) flux_train_utils.sample_images( accelerator, args, epoch + 1, global_step, flux, ae, [clip_l, t5xxl], sample_prompts_te_outputs ) optimizer_train_fn() is_main_process = accelerator.is_main_process # if is_main_process: flux = accelerator.unwrap_model(flux) accelerator.end_training() optimizer_eval_fn() if args.save_state or args.save_state_on_train_end: train_util.save_state_on_train_end(args, accelerator) del accelerator # この後メモリを使うのでこれは消す if is_main_process: flux_train_utils.save_flux_model_on_train_end(args, save_dtype, epoch, global_step, flux) logger.info("model saved.") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) train_util.add_sd_models_arguments(parser) # TODO split this sai_model_spec.add_model_spec_arguments(parser) train_util.add_dataset_arguments(parser, True, True, True) train_util.add_training_arguments(parser, False) train_util.add_masked_loss_arguments(parser) deepspeed_utils.add_deepspeed_arguments(parser) train_util.add_sd_saving_arguments(parser) train_util.add_optimizer_arguments(parser) config_util.add_config_arguments(parser) add_custom_train_arguments(parser) # TODO remove this from here train_util.add_dit_training_arguments(parser) flux_train_utils.add_flux_train_arguments(parser) parser.add_argument( "--mem_eff_save", action="store_true", help="[EXPERIMENTAL] use memory efficient custom model saving method / メモリ効率の良い独自のモデル保存方法を使う", ) parser.add_argument( "--fused_optimizer_groups", type=int, default=None, help="**this option is not working** will be removed in the future / このオプションは動作しません。将来削除されます", ) parser.add_argument( "--blockwise_fused_optimizers", action="store_true", help="enable blockwise optimizers for fused backward pass and optimizer step / fused backward passとoptimizer step のためブロック単位のoptimizerを有効にする", ) parser.add_argument( "--skip_latents_validity_check", action="store_true", help="[Deprecated] use 'skip_cache_check' instead / 代わりに 'skip_cache_check' を使用してください", ) parser.add_argument( "--double_blocks_to_swap", type=int, default=None, help="[Deprecated] use 'blocks_to_swap' instead / 代わりに 'blocks_to_swap' を使用してください", ) parser.add_argument( "--single_blocks_to_swap", type=int, default=None, help="[Deprecated] use 'blocks_to_swap' instead / 代わりに 'blocks_to_swap' を使用してください", ) parser.add_argument( "--cpu_offload_checkpointing", action="store_true", help="[EXPERIMENTAL] enable offloading of tensors to CPU during checkpointing / チェックポイント時にテンソルをCPUにオフロードする", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) train(args) ================================================ FILE: flux_train_control_net.py ================================================ # training with captions # Swap blocks between CPU and GPU: # This implementation is inspired by and based on the work of 2kpr. # Many thanks to 2kpr for the original concept and implementation of memory-efficient offloading. # The original idea has been adapted and extended to fit the current project's needs. # Key features: # - CPU offloading during forward and backward passes # - Use of fused optimizer and grad_hook for efficient gradient processing # - Per-block fused optimizer instances import argparse import copy import math import os import time from concurrent.futures import ThreadPoolExecutor from multiprocessing import Value from typing import List, Optional, Tuple, Union import toml import torch import torch.nn as nn from tqdm import tqdm from library import utils from library.device_utils import clean_memory_on_device, init_ipex init_ipex() from accelerate.utils import set_seed import library.train_util as train_util import library.sai_model_spec as sai_model_spec from library import ( deepspeed_utils, flux_train_utils, flux_utils, strategy_base, strategy_flux, ) from library.sd3_train_utils import FlowMatchEulerDiscreteScheduler from library.utils import add_logging_arguments, setup_logging setup_logging() import logging logger = logging.getLogger(__name__) import library.config_util as config_util # import library.sdxl_train_util as sdxl_train_util from library.config_util import ( BlueprintGenerator, ConfigSanitizer, ) from library.custom_train_functions import add_custom_train_arguments, apply_masked_loss def train(args): train_util.verify_training_args(args) train_util.prepare_dataset_args(args, True) # sdxl_train_util.verify_sdxl_training_args(args) deepspeed_utils.prepare_deepspeed_args(args) setup_logging(args, reset=True) # temporary: backward compatibility for deprecated options. remove in the future if not args.skip_cache_check: args.skip_cache_check = args.skip_latents_validity_check if args.model_type != "flux": raise ValueError( f"FLUX.1 ControlNet training requires model_type='flux'. / FLUX.1 ControlNetの学習にはmodel_type='flux'を指定してください。" ) # assert ( # not args.weighted_captions # ), "weighted_captions is not supported currently / weighted_captionsは現在サポートされていません" if args.cache_text_encoder_outputs_to_disk and not args.cache_text_encoder_outputs: logger.warning( "cache_text_encoder_outputs_to_disk is enabled, so cache_text_encoder_outputs is also enabled / cache_text_encoder_outputs_to_diskが有効になっているため、cache_text_encoder_outputsも有効になります" ) args.cache_text_encoder_outputs = True if args.cpu_offload_checkpointing and not args.gradient_checkpointing: logger.warning( "cpu_offload_checkpointing is enabled, so gradient_checkpointing is also enabled / cpu_offload_checkpointingが有効になっているため、gradient_checkpointingも有効になります" ) args.gradient_checkpointing = True assert ( args.blocks_to_swap is None or args.blocks_to_swap == 0 ) or not args.cpu_offload_checkpointing, ( "blocks_to_swap is not supported with cpu_offload_checkpointing / blocks_to_swapはcpu_offload_checkpointingと併用できません" ) cache_latents = args.cache_latents if args.seed is not None: set_seed(args.seed) # 乱数系列を初期化する # prepare caching strategy: this must be set before preparing dataset. because dataset may use this strategy for initialization. if args.cache_latents: latents_caching_strategy = strategy_flux.FluxLatentsCachingStrategy( args.cache_latents_to_disk, args.vae_batch_size, args.skip_cache_check ) strategy_base.LatentsCachingStrategy.set_strategy(latents_caching_strategy) # データセットを準備する if args.dataset_class is None: blueprint_generator = BlueprintGenerator(ConfigSanitizer(False, False, True, True)) if args.dataset_config is not None: logger.info(f"Load dataset config from {args.dataset_config}") user_config = config_util.load_user_config(args.dataset_config) ignored = ["train_data_dir", "conditioning_data_dir"] if any(getattr(args, attr) is not None for attr in ignored): logger.warning( "ignore following options because config file is found: {0} / 設定ファイルが利用されるため以下のオプションは無視されます: {0}".format( ", ".join(ignored) ) ) else: user_config = { "datasets": [ { "subsets": config_util.generate_controlnet_subsets_config_by_subdirs( args.train_data_dir, args.conditioning_data_dir, args.caption_extension ) } ] } blueprint = blueprint_generator.generate(user_config, args) train_dataset_group, val_dataset_group = config_util.generate_dataset_group_by_blueprint(blueprint.dataset_group) else: train_dataset_group = train_util.load_arbitrary_dataset(args) val_dataset_group = None current_epoch = Value("i", 0) current_step = Value("i", 0) ds_for_collator = train_dataset_group if args.max_data_loader_n_workers == 0 else None collator = train_util.collator_class(current_epoch, current_step, ds_for_collator) train_dataset_group.verify_bucket_reso_steps(16) # TODO これでいいか確認 _, is_schnell, _, _ = flux_utils.analyze_checkpoint_state(args.pretrained_model_name_or_path) if args.debug_dataset: if args.cache_text_encoder_outputs: strategy_base.TextEncoderOutputsCachingStrategy.set_strategy( strategy_flux.FluxTextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, args.text_encoder_batch_size, args.skip_cache_check, False ) ) t5xxl_max_token_length = ( args.t5xxl_max_token_length if args.t5xxl_max_token_length is not None else (256 if is_schnell else 512) ) strategy_base.TokenizeStrategy.set_strategy(strategy_flux.FluxTokenizeStrategy(t5xxl_max_token_length)) train_dataset_group.set_current_strategies() train_util.debug_dataset(train_dataset_group, True) return if len(train_dataset_group) == 0: logger.error( "No data found. Please verify the metadata file and train_data_dir option. / 画像がありません。メタデータおよびtrain_data_dirオプションを確認してください。" ) return if cache_latents: assert ( train_dataset_group.is_latent_cacheable() ), "when caching latents, either color_aug or random_crop cannot be used / latentをキャッシュするときはcolor_augとrandom_cropは使えません" if args.cache_text_encoder_outputs: assert ( train_dataset_group.is_text_encoder_output_cacheable() ), "when caching text encoder output, either caption_dropout_rate, shuffle_caption, token_warmup_step or caption_tag_dropout_rate cannot be used / text encoderの出力をキャッシュするときはcaption_dropout_rate, shuffle_caption, token_warmup_step, caption_tag_dropout_rateは使えません" # acceleratorを準備する logger.info("prepare accelerator") accelerator = train_util.prepare_accelerator(args) # mixed precisionに対応した型を用意しておき適宜castする weight_dtype, save_dtype = train_util.prepare_dtype(args) # モデルを読み込む # load VAE for caching latents ae = None if cache_latents: ae = flux_utils.load_ae(args.ae, weight_dtype, "cpu", args.disable_mmap_load_safetensors) ae.to(accelerator.device, dtype=weight_dtype) ae.requires_grad_(False) ae.eval() train_dataset_group.new_cache_latents(ae, accelerator) ae.to("cpu") # if no sampling, vae can be deleted clean_memory_on_device(accelerator.device) accelerator.wait_for_everyone() # prepare tokenize strategy if args.t5xxl_max_token_length is None: if is_schnell: t5xxl_max_token_length = 256 else: t5xxl_max_token_length = 512 else: t5xxl_max_token_length = args.t5xxl_max_token_length flux_tokenize_strategy = strategy_flux.FluxTokenizeStrategy(t5xxl_max_token_length) strategy_base.TokenizeStrategy.set_strategy(flux_tokenize_strategy) # load clip_l, t5xxl for caching text encoder outputs clip_l = flux_utils.load_clip_l(args.clip_l, weight_dtype, "cpu", args.disable_mmap_load_safetensors) t5xxl = flux_utils.load_t5xxl(args.t5xxl, weight_dtype, "cpu", args.disable_mmap_load_safetensors) clip_l.eval() t5xxl.eval() clip_l.requires_grad_(False) t5xxl.requires_grad_(False) text_encoding_strategy = strategy_flux.FluxTextEncodingStrategy(args.apply_t5_attn_mask) strategy_base.TextEncodingStrategy.set_strategy(text_encoding_strategy) # cache text encoder outputs sample_prompts_te_outputs = None if args.cache_text_encoder_outputs: # Text Encodes are eval and no grad here clip_l.to(accelerator.device) t5xxl.to(accelerator.device) text_encoder_caching_strategy = strategy_flux.FluxTextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, args.text_encoder_batch_size, False, False, args.apply_t5_attn_mask ) strategy_base.TextEncoderOutputsCachingStrategy.set_strategy(text_encoder_caching_strategy) with accelerator.autocast(): train_dataset_group.new_cache_text_encoder_outputs([clip_l, t5xxl], accelerator) # cache sample prompt's embeddings to free text encoder's memory if args.sample_prompts is not None: logger.info(f"cache Text Encoder outputs for sample prompt: {args.sample_prompts}") text_encoding_strategy: strategy_flux.FluxTextEncodingStrategy = strategy_base.TextEncodingStrategy.get_strategy() prompts = train_util.load_prompts(args.sample_prompts) sample_prompts_te_outputs = {} # key: prompt, value: text encoder outputs with accelerator.autocast(), torch.no_grad(): for prompt_dict in prompts: for p in [prompt_dict.get("prompt", ""), prompt_dict.get("negative_prompt", "")]: if p not in sample_prompts_te_outputs: logger.info(f"cache Text Encoder outputs for prompt: {p}") tokens_and_masks = flux_tokenize_strategy.tokenize(p) sample_prompts_te_outputs[p] = text_encoding_strategy.encode_tokens( flux_tokenize_strategy, [clip_l, t5xxl], tokens_and_masks, args.apply_t5_attn_mask ) accelerator.wait_for_everyone() # now we can delete Text Encoders to free memory clip_l = None t5xxl = None clean_memory_on_device(accelerator.device) # load FLUX is_schnell, flux = flux_utils.load_flow_model( args.pretrained_model_name_or_path, weight_dtype, "cpu", args.disable_mmap_load_safetensors, model_type="flux" ) flux.requires_grad_(False) # load controlnet controlnet_dtype = torch.float32 if args.deepspeed else weight_dtype controlnet = flux_utils.load_controlnet( args.controlnet_model_name_or_path, is_schnell, controlnet_dtype, accelerator.device, args.disable_mmap_load_safetensors ) controlnet.train() if args.gradient_checkpointing: if not args.deepspeed: flux.enable_gradient_checkpointing(cpu_offload=args.cpu_offload_checkpointing) controlnet.enable_gradient_checkpointing(cpu_offload=args.cpu_offload_checkpointing) # block swap # backward compatibility if args.blocks_to_swap is None: blocks_to_swap = args.double_blocks_to_swap or 0 if args.single_blocks_to_swap is not None: blocks_to_swap += args.single_blocks_to_swap // 2 if blocks_to_swap > 0: logger.warning( "double_blocks_to_swap and single_blocks_to_swap are deprecated. Use blocks_to_swap instead." " / double_blocks_to_swapとsingle_blocks_to_swapは非推奨です。blocks_to_swapを使ってください。" ) logger.info( f"double_blocks_to_swap={args.double_blocks_to_swap} and single_blocks_to_swap={args.single_blocks_to_swap} are converted to blocks_to_swap={blocks_to_swap}." ) args.blocks_to_swap = blocks_to_swap del blocks_to_swap is_swapping_blocks = args.blocks_to_swap is not None and args.blocks_to_swap > 0 if is_swapping_blocks: # Swap blocks between CPU and GPU to reduce memory usage, in forward and backward passes. # This idea is based on 2kpr's great work. Thank you! logger.info(f"enable block swap: blocks_to_swap={args.blocks_to_swap}") flux.enable_block_swap(args.blocks_to_swap, accelerator.device) flux.move_to_device_except_swap_blocks(accelerator.device) # reduce peak memory usage # ControlNet only has two blocks, so we can keep it on GPU # controlnet.enable_block_swap(args.blocks_to_swap, accelerator.device) else: flux.to(accelerator.device) if not cache_latents: # load VAE here if not cached ae = flux_utils.load_ae(args.ae, weight_dtype, "cpu") ae.requires_grad_(False) ae.eval() ae.to(accelerator.device, dtype=weight_dtype) training_models = [] params_to_optimize = [] training_models.append(controlnet) name_and_params = list(controlnet.named_parameters()) # single param group for now params_to_optimize.append({"params": [p for _, p in name_and_params], "lr": args.learning_rate}) param_names = [[n for n, _ in name_and_params]] # calculate number of trainable parameters n_params = 0 for group in params_to_optimize: for p in group["params"]: n_params += p.numel() accelerator.print(f"number of trainable parameters: {n_params}") # 学習に必要なクラスを準備する accelerator.print("prepare optimizer, data loader etc.") if args.blockwise_fused_optimizers: # fused backward pass: https://pytorch.org/tutorials/intermediate/optimizer_step_in_backward_tutorial.html # Instead of creating an optimizer for all parameters as in the tutorial, we create an optimizer for each block of parameters. # This balances memory usage and management complexity. # split params into groups. currently different learning rates are not supported grouped_params = [] param_group = {} for group in params_to_optimize: named_parameters = list(controlnet.named_parameters()) assert len(named_parameters) == len(group["params"]), "number of parameters does not match" for p, np in zip(group["params"], named_parameters): # determine target layer and block index for each parameter block_type = "other" # double, single or other if np[0].startswith("double_blocks"): block_index = int(np[0].split(".")[1]) block_type = "double" elif np[0].startswith("single_blocks"): block_index = int(np[0].split(".")[1]) block_type = "single" else: block_index = -1 param_group_key = (block_type, block_index) if param_group_key not in param_group: param_group[param_group_key] = [] param_group[param_group_key].append(p) block_types_and_indices = [] for param_group_key, param_group in param_group.items(): block_types_and_indices.append(param_group_key) grouped_params.append({"params": param_group, "lr": args.learning_rate}) num_params = 0 for p in param_group: num_params += p.numel() accelerator.print(f"block {param_group_key}: {num_params} parameters") # prepare optimizers for each group optimizers = [] for group in grouped_params: _, _, optimizer = train_util.get_optimizer(args, trainable_params=[group]) optimizers.append(optimizer) optimizer = optimizers[0] # avoid error in the following code logger.info(f"using {len(optimizers)} optimizers for blockwise fused optimizers") if train_util.is_schedulefree_optimizer(optimizers[0], args): raise ValueError("Schedule-free optimizer is not supported with blockwise fused optimizers") optimizer_train_fn = lambda: None # dummy function optimizer_eval_fn = lambda: None # dummy function else: _, _, optimizer = train_util.get_optimizer(args, trainable_params=params_to_optimize) optimizer_train_fn, optimizer_eval_fn = train_util.get_optimizer_train_eval_fn(optimizer, args) # prepare dataloader # strategies are set here because they cannot be referenced in another process. Copy them with the dataset # some strategies can be None train_dataset_group.set_current_strategies() # DataLoaderのプロセス数：0 は persistent_workers が使えないので注意 n_workers = min(args.max_data_loader_n_workers, os.cpu_count()) # cpu_count or max_data_loader_n_workers train_dataloader = torch.utils.data.DataLoader( train_dataset_group, batch_size=1, shuffle=True, collate_fn=collator, num_workers=n_workers, persistent_workers=args.persistent_data_loader_workers, ) # 学習ステップ数を計算する if args.max_train_epochs is not None: args.max_train_steps = args.max_train_epochs * math.ceil( len(train_dataloader) / accelerator.num_processes / args.gradient_accumulation_steps ) accelerator.print( f"override steps. steps for {args.max_train_epochs} epochs is / 指定エポックまでのステップ数: {args.max_train_steps}" ) # データセット側にも学習ステップを送信 train_dataset_group.set_max_train_steps(args.max_train_steps) # lr schedulerを用意する if args.blockwise_fused_optimizers: # prepare lr schedulers for each optimizer lr_schedulers = [train_util.get_scheduler_fix(args, optimizer, accelerator.num_processes) for optimizer in optimizers] lr_scheduler = lr_schedulers[0] # avoid error in the following code else: lr_scheduler = train_util.get_scheduler_fix(args, optimizer, accelerator.num_processes) # 実験的機能：勾配も含めたfp16/bf16学習を行う　モデル全体をfp16/bf16にする if args.full_fp16: assert ( args.mixed_precision == "fp16" ), "full_fp16 requires mixed precision='fp16' / full_fp16を使う場合はmixed_precision='fp16'を指定してください。" accelerator.print("enable full fp16 training.") flux.to(weight_dtype) controlnet.to(weight_dtype) if clip_l is not None: clip_l.to(weight_dtype) t5xxl.to(weight_dtype) # TODO check works with fp16 or not elif args.full_bf16: assert ( args.mixed_precision == "bf16" ), "full_bf16 requires mixed precision='bf16' / full_bf16を使う場合はmixed_precision='bf16'を指定してください。" accelerator.print("enable full bf16 training.") flux.to(weight_dtype) controlnet.to(weight_dtype) if clip_l is not None: clip_l.to(weight_dtype) t5xxl.to(weight_dtype) # if we don't cache text encoder outputs, move them to device if not args.cache_text_encoder_outputs: clip_l.to(accelerator.device) t5xxl.to(accelerator.device) clean_memory_on_device(accelerator.device) if args.deepspeed: ds_model = deepspeed_utils.prepare_deepspeed_model(args, mmdit=controlnet) # most of ZeRO stage uses optimizer partitioning, so we have to prepare optimizer and ds_model at the same time. # pull/1139#issuecomment-1986790007 ds_model, optimizer, train_dataloader, lr_scheduler = accelerator.prepare( ds_model, optimizer, train_dataloader, lr_scheduler ) training_models = [ds_model] else: # accelerator does some magic # if we doesn't swap blocks, we can move the model to device controlnet = accelerator.prepare(controlnet) # , device_placement=[not is_swapping_blocks]) optimizer, train_dataloader, lr_scheduler = accelerator.prepare(optimizer, train_dataloader, lr_scheduler) # 実験的機能：勾配も含めたfp16学習を行う　PyTorchにパッチを当ててfp16でのgrad scaleを有効にする if args.full_fp16: # During deepseed training, accelerate not handles fp16/bf16|mixed precision directly via scaler. Let deepspeed engine do. # -> But we think it's ok to patch accelerator even if deepspeed is enabled. train_util.patch_accelerator_for_fp16_training(accelerator) # resumeする train_util.resume_from_local_or_hf_if_specified(accelerator, args) if args.fused_backward_pass: # use fused optimizer for backward pass: other optimizers will be supported in the future import library.adafactor_fused library.adafactor_fused.patch_adafactor_fused(optimizer) for param_group, param_name_group in zip(optimizer.param_groups, param_names): for parameter, param_name in zip(param_group["params"], param_name_group): if parameter.requires_grad: def create_grad_hook(p_name, p_group): def grad_hook(tensor: torch.Tensor): if accelerator.sync_gradients and args.max_grad_norm != 0.0: accelerator.clip_grad_norm_(tensor, args.max_grad_norm) optimizer.step_param(tensor, p_group) tensor.grad = None return grad_hook parameter.register_post_accumulate_grad_hook(create_grad_hook(param_name, param_group)) elif args.blockwise_fused_optimizers: # prepare for additional optimizers and lr schedulers for i in range(1, len(optimizers)): optimizers[i] = accelerator.prepare(optimizers[i]) lr_schedulers[i] = accelerator.prepare(lr_schedulers[i]) # counters are used to determine when to step the optimizer global optimizer_hooked_count global num_parameters_per_group global parameter_optimizer_map optimizer_hooked_count = {} num_parameters_per_group = [0] * len(optimizers) parameter_optimizer_map = {} for opt_idx, optimizer in enumerate(optimizers): for param_group in optimizer.param_groups: for parameter in param_group["params"]: if parameter.requires_grad: def grad_hook(parameter: torch.Tensor): if accelerator.sync_gradients and args.max_grad_norm != 0.0: accelerator.clip_grad_norm_(parameter, args.max_grad_norm) i = parameter_optimizer_map[parameter] optimizer_hooked_count[i] += 1 if optimizer_hooked_count[i] == num_parameters_per_group[i]: optimizers[i].step() optimizers[i].zero_grad(set_to_none=True) parameter.register_post_accumulate_grad_hook(grad_hook) parameter_optimizer_map[parameter] = opt_idx num_parameters_per_group[opt_idx] += 1 # epoch数を計算する num_update_steps_per_epoch = math.ceil(len(train_dataloader) / args.gradient_accumulation_steps) num_train_epochs = math.ceil(args.max_train_steps / num_update_steps_per_epoch) if (args.save_n_epoch_ratio is not None) and (args.save_n_epoch_ratio > 0): args.save_every_n_epochs = math.floor(num_train_epochs / args.save_n_epoch_ratio) or 1 # 学習する # total_batch_size = args.train_batch_size * accelerator.num_processes * args.gradient_accumulation_steps accelerator.print("running training / 学習開始") accelerator.print(f" num examples / サンプル数: {train_dataset_group.num_train_images}") accelerator.print(f" num batches per epoch / 1epochのバッチ数: {len(train_dataloader)}") accelerator.print(f" num epochs / epoch数: {num_train_epochs}") accelerator.print( f" batch size per device / バッチサイズ: {', '.join([str(d.batch_size) for d in train_dataset_group.datasets])}" ) # accelerator.print( # f" total train batch size (with parallel & distributed & accumulation) / 総バッチサイズ（並列学習、勾配合計含む）: {total_batch_size}" # ) accelerator.print(f" gradient accumulation steps / 勾配を合計するステップ数 = {args.gradient_accumulation_steps}") accelerator.print(f" total optimization steps / 学習ステップ数: {args.max_train_steps}") progress_bar = tqdm(range(args.max_train_steps), smoothing=0, disable=not accelerator.is_local_main_process, desc="steps") global_step = 0 noise_scheduler = FlowMatchEulerDiscreteScheduler(num_train_timesteps=1000, shift=args.discrete_flow_shift) noise_scheduler_copy = copy.deepcopy(noise_scheduler) if accelerator.is_main_process: init_kwargs = {} if args.wandb_run_name: init_kwargs["wandb"] = {"name": args.wandb_run_name} if args.log_tracker_config is not None: init_kwargs = toml.load(args.log_tracker_config) accelerator.init_trackers( "finetuning" if args.log_tracker_name is None else args.log_tracker_name, config=train_util.get_sanitized_config_or_none(args), init_kwargs=init_kwargs, ) if is_swapping_blocks: flux.prepare_block_swap_before_forward() # For --sample_at_first optimizer_eval_fn() flux_train_utils.sample_images( accelerator, args, 0, global_step, flux, ae, [clip_l, t5xxl], sample_prompts_te_outputs, controlnet=controlnet ) optimizer_train_fn() if len(accelerator.trackers) > 0: # log empty object to commit the sample images to wandb accelerator.log({}, step=0) loss_recorder = train_util.LossRecorder() epoch = 0 # avoid error when max_train_steps is 0 for epoch in range(num_train_epochs): accelerator.print(f"\nepoch {epoch+1}/{num_train_epochs}") current_epoch.value = epoch + 1 for m in training_models: m.train() for step, batch in enumerate(train_dataloader): current_step.value = global_step if args.blockwise_fused_optimizers: optimizer_hooked_count = {i: 0 for i in range(len(optimizers))} # reset counter for each step with accelerator.accumulate(*training_models): if "latents" in batch and batch["latents"] is not None: latents = batch["latents"].to(accelerator.device, dtype=weight_dtype) else: with torch.no_grad(): # encode images to latents. images are [-1, 1] latents = ae.encode(batch["images"].to(ae.dtype)).to(accelerator.device, dtype=weight_dtype) # NaNが含まれていれば警告を表示し0に置き換える if torch.any(torch.isnan(latents)): accelerator.print("NaN found in latents, replacing with zeros") latents = torch.nan_to_num(latents, 0, out=latents) text_encoder_outputs_list = batch.get("text_encoder_outputs_list", None) if text_encoder_outputs_list is not None: text_encoder_conds = text_encoder_outputs_list else: # not cached or training, so get from text encoders tokens_and_masks = batch["input_ids_list"] with torch.no_grad(): input_ids = [ids.to(accelerator.device) for ids in batch["input_ids_list"]] text_encoder_conds = text_encoding_strategy.encode_tokens( flux_tokenize_strategy, [clip_l, t5xxl], input_ids, args.apply_t5_attn_mask ) text_encoder_conds = [c.to(weight_dtype) for c in text_encoder_conds] # TODO support some features for noise implemented in get_noise_noisy_latents_and_timesteps # Sample noise that we'll add to the latents noise = torch.randn_like(latents) bsz = latents.shape[0] # get noisy model input and timesteps noisy_model_input, timesteps, sigmas = flux_train_utils.get_noisy_model_input_and_timesteps( args, noise_scheduler_copy, latents, noise, accelerator.device, weight_dtype ) # pack latents and get img_ids packed_noisy_model_input = flux_utils.pack_latents(noisy_model_input) # b, c, h*2, w*2 -> b, h*w, c*4 packed_latent_height, packed_latent_width = noisy_model_input.shape[2] // 2, noisy_model_input.shape[3] // 2 img_ids = ( flux_utils.prepare_img_ids(bsz, packed_latent_height, packed_latent_width) .to(device=accelerator.device) .to(weight_dtype) ) # get guidance: ensure args.guidance_scale is float guidance_vec = torch.full((bsz,), float(args.guidance_scale), device=accelerator.device, dtype=weight_dtype) # call model l_pooled, t5_out, txt_ids, t5_attn_mask = text_encoder_conds if not args.apply_t5_attn_mask: t5_attn_mask = None with accelerator.autocast(): block_samples, block_single_samples = controlnet( img=packed_noisy_model_input, img_ids=img_ids, controlnet_cond=batch["conditioning_images"].to(accelerator.device).to(weight_dtype), txt=t5_out, txt_ids=txt_ids, y=l_pooled, timesteps=timesteps / 1000, guidance=guidance_vec, txt_attention_mask=t5_attn_mask, ) # YiYi notes: divide it by 1000 for now because we scale it by 1000 in the transformer model (we should not keep it but I want to keep the inputs same for the model for testing) model_pred = flux( img=packed_noisy_model_input, img_ids=img_ids, txt=t5_out, txt_ids=txt_ids, y=l_pooled, block_controlnet_hidden_states=block_samples, block_controlnet_single_hidden_states=block_single_samples, timesteps=timesteps / 1000, guidance=guidance_vec, txt_attention_mask=t5_attn_mask, ) # unpack latents model_pred = flux_utils.unpack_latents(model_pred, packed_latent_height, packed_latent_width) # apply model prediction type model_pred, weighting = flux_train_utils.apply_model_prediction_type(args, model_pred, noisy_model_input, sigmas) # flow matching loss: this is different from SD3 target = noise - latents # calculate loss loss = train_util.conditional_loss( model_pred.float(), target.float(), reduction="none", loss_type=args.loss_type, huber_c=None ) if weighting is not None: loss = loss * weighting if args.masked_loss or ("alpha_masks" in batch and batch["alpha_masks"] is not None): loss = apply_masked_loss(loss, batch) loss = loss.mean([1, 2, 3]) loss_weights = batch["loss_weights"] # 各sampleごとのweight loss = loss * loss_weights loss = loss.mean() # backward accelerator.backward(loss) if not (args.fused_backward_pass or args.blockwise_fused_optimizers): if accelerator.sync_gradients and args.max_grad_norm != 0.0: params_to_clip = [] for m in training_models: params_to_clip.extend(m.parameters()) accelerator.clip_grad_norm_(params_to_clip, args.max_grad_norm) optimizer.step() lr_scheduler.step() optimizer.zero_grad(set_to_none=True) else: # optimizer.step() and optimizer.zero_grad() are called in the optimizer hook lr_scheduler.step() if args.blockwise_fused_optimizers: for i in range(1, len(optimizers)): lr_schedulers[i].step() # Checks if the accelerator has performed an optimization step behind the scenes if accelerator.sync_gradients: progress_bar.update(1) global_step += 1 optimizer_eval_fn() flux_train_utils.sample_images( accelerator, args, None, global_step, flux, ae, [clip_l, t5xxl], sample_prompts_te_outputs, controlnet=controlnet, ) # 指定ステップごとにモデルを保存 if args.save_every_n_steps is not None and global_step % args.save_every_n_steps == 0: accelerator.wait_for_everyone() if accelerator.is_main_process: flux_train_utils.save_flux_model_on_epoch_end_or_stepwise( args, False, accelerator, save_dtype, epoch, num_train_epochs, global_step, accelerator.unwrap_model(controlnet), ) optimizer_train_fn() current_loss = loss.detach().item() # 平均なのでbatch sizeは関係ないはず if len(accelerator.trackers) > 0: logs = {"loss": current_loss} train_util.append_lr_to_logs(logs, lr_scheduler, args.optimizer_type, including_unet=True) accelerator.log(logs, step=global_step) loss_recorder.add(epoch=epoch, step=step, loss=current_loss) avr_loss: float = loss_recorder.moving_average logs = {"avr_loss": avr_loss} # , "lr": lr_scheduler.get_last_lr()[0]} progress_bar.set_postfix(**logs) if global_step >= args.max_train_steps: break if len(accelerator.trackers) > 0: logs = {"loss/epoch": loss_recorder.moving_average} accelerator.log(logs, step=epoch + 1) accelerator.wait_for_everyone() optimizer_eval_fn() if args.save_every_n_epochs is not None: if accelerator.is_main_process: flux_train_utils.save_flux_model_on_epoch_end_or_stepwise( args, True, accelerator, save_dtype, epoch, num_train_epochs, global_step, accelerator.unwrap_model(controlnet), ) flux_train_utils.sample_images( accelerator, args, epoch + 1, global_step, flux, ae, [clip_l, t5xxl], sample_prompts_te_outputs, controlnet=controlnet ) optimizer_train_fn() is_main_process = accelerator.is_main_process # if is_main_process: controlnet = accelerator.unwrap_model(controlnet) accelerator.end_training() optimizer_eval_fn() if args.save_state or args.save_state_on_train_end: train_util.save_state_on_train_end(args, accelerator) del accelerator # この後メモリを使うのでこれは消す if is_main_process: flux_train_utils.save_flux_model_on_train_end(args, save_dtype, epoch, global_step, controlnet) logger.info("model saved.") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) train_util.add_sd_models_arguments(parser) # TODO split this sai_model_spec.add_model_spec_arguments(parser) train_util.add_dataset_arguments(parser, False, True, True) train_util.add_training_arguments(parser, False) train_util.add_masked_loss_arguments(parser) deepspeed_utils.add_deepspeed_arguments(parser) train_util.add_sd_saving_arguments(parser) train_util.add_optimizer_arguments(parser) config_util.add_config_arguments(parser) add_custom_train_arguments(parser) # TODO remove this from here train_util.add_dit_training_arguments(parser) flux_train_utils.add_flux_train_arguments(parser) parser.add_argument( "--mem_eff_save", action="store_true", help="[EXPERIMENTAL] use memory efficient custom model saving method / メモリ効率の良い独自のモデル保存方法を使う", ) parser.add_argument( "--fused_optimizer_groups", type=int, default=None, help="**this option is not working** will be removed in the future / このオプションは動作しません。将来削除されます", ) parser.add_argument( "--blockwise_fused_optimizers", action="store_true", help="enable blockwise optimizers for fused backward pass and optimizer step / fused backward passとoptimizer step のためブロック単位のoptimizerを有効にする", ) parser.add_argument( "--skip_latents_validity_check", action="store_true", help="[Deprecated] use 'skip_cache_check' instead / 代わりに 'skip_cache_check' を使用してください", ) parser.add_argument( "--double_blocks_to_swap", type=int, default=None, help="[Deprecated] use 'blocks_to_swap' instead / 代わりに 'blocks_to_swap' を使用してください", ) parser.add_argument( "--single_blocks_to_swap", type=int, default=None, help="[Deprecated] use 'blocks_to_swap' instead / 代わりに 'blocks_to_swap' を使用してください", ) parser.add_argument( "--cpu_offload_checkpointing", action="store_true", help="[EXPERIMENTAL] enable offloading of tensors to CPU during checkpointing / チェックポイント時にテンソルをCPUにオフロードする", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) train(args) ================================================ FILE: flux_train_network.py ================================================ import argparse import copy import math import random from typing import Any, Optional, Union import torch from accelerate import Accelerator from library.device_utils import clean_memory_on_device, init_ipex init_ipex() import train_network from library import ( flux_models, flux_train_utils, flux_utils, sd3_train_utils, strategy_base, strategy_flux, train_util, ) from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) class FluxNetworkTrainer(train_network.NetworkTrainer): def __init__(self): super().__init__() self.sample_prompts_te_outputs = None self.is_schnell: Optional[bool] = None self.is_swapping_blocks: bool = False self.model_type: Optional[str] = None def assert_extra_args( self, args, train_dataset_group: Union[train_util.DatasetGroup, train_util.MinimalDataset], val_dataset_group: Optional[train_util.DatasetGroup], ): super().assert_extra_args(args, train_dataset_group, val_dataset_group) # sdxl_train_util.verify_sdxl_training_args(args) self.model_type = args.model_type # "flux" or "chroma" if self.model_type != "chroma": self.use_clip_l = True else: self.use_clip_l = False # Chroma does not use CLIP-L assert args.apply_t5_attn_mask, "apply_t5_attn_mask must be True for Chroma / Chromaではapply_t5_attn_maskを指定する必要があります" if args.fp8_base_unet: args.fp8_base = True # if fp8_base_unet is enabled, fp8_base is also enabled for FLUX.1 if args.cache_text_encoder_outputs_to_disk and not args.cache_text_encoder_outputs: logger.warning( "cache_text_encoder_outputs_to_disk is enabled, so cache_text_encoder_outputs is also enabled / cache_text_encoder_outputs_to_diskが有効になっているため、cache_text_encoder_outputsも有効になります" ) args.cache_text_encoder_outputs = True if args.cache_text_encoder_outputs: assert ( train_dataset_group.is_text_encoder_output_cacheable() ), "when caching Text Encoder output, either caption_dropout_rate, shuffle_caption, token_warmup_step or caption_tag_dropout_rate cannot be used / Text Encoderの出力をキャッシュするときはcaption_dropout_rate, shuffle_caption, token_warmup_step, caption_tag_dropout_rateは使えません" # prepare CLIP-L/T5XXL training flags self.train_clip_l = not args.network_train_unet_only and self.use_clip_l self.train_t5xxl = False # default is False even if args.network_train_unet_only is False if args.max_token_length is not None: logger.warning("max_token_length is not used in Flux training / max_token_lengthはFluxのトレーニングでは使用されません") assert ( args.blocks_to_swap is None or args.blocks_to_swap == 0 ) or not args.cpu_offload_checkpointing, "blocks_to_swap is not supported with cpu_offload_checkpointing / blocks_to_swapはcpu_offload_checkpointingと併用できません" # deprecated split_mode option if args.split_mode: if args.blocks_to_swap is not None: logger.warning( "split_mode is deprecated. Because `--blocks_to_swap` is set, `--split_mode` is ignored." " / split_modeは非推奨です。`--blocks_to_swap`が設定されているため、`--split_mode`は無視されます。" ) else: logger.warning( "split_mode is deprecated. Please use `--blocks_to_swap` instead. `--blocks_to_swap 18` is automatically set." " / split_modeは非推奨です。代わりに`--blocks_to_swap`を使用してください。`--blocks_to_swap 18`が自動的に設定されました。" ) args.blocks_to_swap = 18 # 18 is safe for most cases train_dataset_group.verify_bucket_reso_steps(32) # TODO check this if val_dataset_group is not None: val_dataset_group.verify_bucket_reso_steps(32) # TODO check this def load_target_model(self, args, weight_dtype, accelerator): # currently offload to cpu for some models # if the file is fp8 and we are using fp8_base, we can load it as is (fp8) loading_dtype = None if args.fp8_base else weight_dtype # if we load to cpu, flux.to(fp8) takes a long time, so we should load to gpu in future _, model = flux_utils.load_flow_model( args.pretrained_model_name_or_path, loading_dtype, "cpu", disable_mmap=args.disable_mmap_load_safetensors, model_type=self.model_type, ) if args.fp8_base: # check dtype of model if model.dtype == torch.float8_e4m3fnuz or model.dtype == torch.float8_e5m2 or model.dtype == torch.float8_e5m2fnuz: raise ValueError(f"Unsupported fp8 model dtype: {model.dtype}") elif model.dtype == torch.float8_e4m3fn: logger.info("Loaded fp8 FLUX model") else: logger.info( "Cast FLUX model to fp8. This may take a while. You can reduce the time by using fp8 checkpoint." " / FLUXモデルをfp8に変換しています。これには時間がかかる場合があります。fp8チェックポイントを使用することで時間を短縮できます。" ) model.to(torch.float8_e4m3fn) # if args.split_mode: # model = self.prepare_split_model(model, weight_dtype, accelerator) self.is_swapping_blocks = args.blocks_to_swap is not None and args.blocks_to_swap > 0 if self.is_swapping_blocks: # Swap blocks between CPU and GPU to reduce memory usage, in forward and backward passes. logger.info(f"enable block swap: blocks_to_swap={args.blocks_to_swap}") model.enable_block_swap(args.blocks_to_swap, accelerator.device) if self.use_clip_l: clip_l = flux_utils.load_clip_l(args.clip_l, weight_dtype, "cpu", disable_mmap=args.disable_mmap_load_safetensors) else: clip_l = flux_utils.dummy_clip_l() # dummy CLIP-L for Chroma, which does not use CLIP-L clip_l.eval() # if the file is fp8 and we are using fp8_base (not unet), we can load it as is (fp8) if args.fp8_base and not args.fp8_base_unet: loading_dtype = None # as is else: loading_dtype = weight_dtype # loading t5xxl to cpu takes a long time, so we should load to gpu in future t5xxl = flux_utils.load_t5xxl(args.t5xxl, loading_dtype, "cpu", disable_mmap=args.disable_mmap_load_safetensors) t5xxl.eval() if args.fp8_base and not args.fp8_base_unet: # check dtype of model if t5xxl.dtype == torch.float8_e4m3fnuz or t5xxl.dtype == torch.float8_e5m2 or t5xxl.dtype == torch.float8_e5m2fnuz: raise ValueError(f"Unsupported fp8 model dtype: {t5xxl.dtype}") elif t5xxl.dtype == torch.float8_e4m3fn: logger.info("Loaded fp8 T5XXL model") ae = flux_utils.load_ae(args.ae, weight_dtype, "cpu", disable_mmap=args.disable_mmap_load_safetensors) model_version = flux_utils.MODEL_VERSION_FLUX_V1 if self.model_type != "chroma" else flux_utils.MODEL_VERSION_CHROMA return model_version, [clip_l, t5xxl], ae, model def get_tokenize_strategy(self, args): # This method is called before `assert_extra_args`, so we cannot use `self.is_schnell` here. # Instead, we analyze the checkpoint state to determine if it is schnell. if args.model_type != "chroma": _, is_schnell, _, _ = flux_utils.analyze_checkpoint_state(args.pretrained_model_name_or_path) else: is_schnell = False self.is_schnell = is_schnell if args.t5xxl_max_token_length is None: if self.is_schnell: t5xxl_max_token_length = 256 else: t5xxl_max_token_length = 512 else: t5xxl_max_token_length = args.t5xxl_max_token_length logger.info(f"t5xxl_max_token_length: {t5xxl_max_token_length}") return strategy_flux.FluxTokenizeStrategy(t5xxl_max_token_length, args.tokenizer_cache_dir) def get_tokenizers(self, tokenize_strategy: strategy_flux.FluxTokenizeStrategy): return [tokenize_strategy.clip_l, tokenize_strategy.t5xxl] def get_latents_caching_strategy(self, args): latents_caching_strategy = strategy_flux.FluxLatentsCachingStrategy(args.cache_latents_to_disk, args.vae_batch_size, False) return latents_caching_strategy def get_text_encoding_strategy(self, args): return strategy_flux.FluxTextEncodingStrategy(apply_t5_attn_mask=args.apply_t5_attn_mask) def post_process_network(self, args, accelerator, network, text_encoders, unet): # check t5xxl is trained or not self.train_t5xxl = network.train_t5xxl if self.train_t5xxl and args.cache_text_encoder_outputs: raise ValueError( "T5XXL is trained, so cache_text_encoder_outputs cannot be used / T5XXL学習時はcache_text_encoder_outputsは使用できません" ) def get_models_for_text_encoding(self, args, accelerator, text_encoders): if args.cache_text_encoder_outputs: if self.train_clip_l and not self.train_t5xxl: return text_encoders[0:1] # only CLIP-L is needed for encoding because T5XXL is cached else: return None # no text encoders are needed for encoding because both are cached else: return text_encoders # both CLIP-L and T5XXL are needed for encoding def get_text_encoders_train_flags(self, args, text_encoders): return [self.train_clip_l, self.train_t5xxl] def get_text_encoder_outputs_caching_strategy(self, args): if args.cache_text_encoder_outputs: # if the text encoders is trained, we need tokenization, so is_partial is True return strategy_flux.FluxTextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, args.text_encoder_batch_size, args.skip_cache_check, is_partial=self.train_clip_l or self.train_t5xxl, apply_t5_attn_mask=args.apply_t5_attn_mask, ) else: return None def cache_text_encoder_outputs_if_needed( self, args, accelerator: Accelerator, unet, vae, text_encoders, dataset: train_util.DatasetGroup, weight_dtype ): if args.cache_text_encoder_outputs: if not args.lowram: # メモリ消費を減らす logger.info("move vae and unet to cpu to save memory") org_vae_device = vae.device org_unet_device = unet.device vae.to("cpu") unet.to("cpu") clean_memory_on_device(accelerator.device) # When TE is not be trained, it will not be prepared so we need to use explicit autocast logger.info("move text encoders to gpu") text_encoders[0].to(accelerator.device, dtype=weight_dtype) # always not fp8 text_encoders[1].to(accelerator.device) if text_encoders[1].dtype == torch.float8_e4m3fn: # if we load fp8 weights, the model is already fp8, so we use it as is self.prepare_text_encoder_fp8(1, text_encoders[1], text_encoders[1].dtype, weight_dtype) else: # otherwise, we need to convert it to target dtype text_encoders[1].to(weight_dtype) with accelerator.autocast(): dataset.new_cache_text_encoder_outputs(text_encoders, accelerator) # cache sample prompts if args.sample_prompts is not None: logger.info(f"cache Text Encoder outputs for sample prompt: {args.sample_prompts}") tokenize_strategy: strategy_flux.FluxTokenizeStrategy = strategy_base.TokenizeStrategy.get_strategy() text_encoding_strategy: strategy_flux.FluxTextEncodingStrategy = strategy_base.TextEncodingStrategy.get_strategy() prompts = train_util.load_prompts(args.sample_prompts) sample_prompts_te_outputs = {} # key: prompt, value: text encoder outputs with accelerator.autocast(), torch.no_grad(): for prompt_dict in prompts: for p in [prompt_dict.get("prompt", ""), prompt_dict.get("negative_prompt", "")]: if p not in sample_prompts_te_outputs: logger.info(f"cache Text Encoder outputs for prompt: {p}") tokens_and_masks = tokenize_strategy.tokenize(p) sample_prompts_te_outputs[p] = text_encoding_strategy.encode_tokens( tokenize_strategy, text_encoders, tokens_and_masks, args.apply_t5_attn_mask ) self.sample_prompts_te_outputs = sample_prompts_te_outputs accelerator.wait_for_everyone() # move back to cpu if not self.is_train_text_encoder(args): logger.info("move CLIP-L back to cpu") text_encoders[0].to("cpu") logger.info("move t5XXL back to cpu") text_encoders[1].to("cpu") clean_memory_on_device(accelerator.device) if not args.lowram: logger.info("move vae and unet back to original device") vae.to(org_vae_device) unet.to(org_unet_device) else: # Text Encoderから毎回出力を取得するので、GPUに乗せておく text_encoders[0].to(accelerator.device, dtype=weight_dtype) text_encoders[1].to(accelerator.device) def sample_images(self, accelerator, args, epoch, global_step, device, ae, tokenizer, text_encoder, flux): text_encoders = text_encoder # for compatibility text_encoders = self.get_models_for_text_encoding(args, accelerator, text_encoders) flux_train_utils.sample_images( accelerator, args, epoch, global_step, flux, ae, text_encoders, self.sample_prompts_te_outputs ) def get_noise_scheduler(self, args: argparse.Namespace, device: torch.device) -> Any: noise_scheduler = sd3_train_utils.FlowMatchEulerDiscreteScheduler(num_train_timesteps=1000, shift=args.discrete_flow_shift) self.noise_scheduler_copy = copy.deepcopy(noise_scheduler) return noise_scheduler def encode_images_to_latents(self, args, vae, images): return vae.encode(images) def shift_scale_latents(self, args, latents): return latents def get_noise_pred_and_target( self, args, accelerator, noise_scheduler, latents, batch, text_encoder_conds, unet: flux_models.Flux, network, weight_dtype, train_unet, is_train=True, ): # Sample noise that we'll add to the latents noise = torch.randn_like(latents) bsz = latents.shape[0] # get noisy model input and timesteps noisy_model_input, timesteps, sigmas = flux_train_utils.get_noisy_model_input_and_timesteps( args, noise_scheduler, latents, noise, accelerator.device, weight_dtype ) # pack latents and get img_ids packed_noisy_model_input = flux_utils.pack_latents(noisy_model_input) # b, c, h*2, w*2 -> b, h*w, c*4 packed_latent_height, packed_latent_width = noisy_model_input.shape[2] // 2, noisy_model_input.shape[3] // 2 img_ids = flux_utils.prepare_img_ids(bsz, packed_latent_height, packed_latent_width).to(device=accelerator.device) # get guidance # ensure guidance_scale in args is float guidance_vec = torch.full((bsz,), float(args.guidance_scale), device=accelerator.device) # get modulation vectors for Chroma with accelerator.autocast(), torch.no_grad(): mod_vectors = unet.get_mod_vectors(timesteps=timesteps / 1000, guidance=guidance_vec, batch_size=bsz) if args.gradient_checkpointing: noisy_model_input.requires_grad_(True) for t in text_encoder_conds: if t is not None and t.dtype.is_floating_point: t.requires_grad_(True) img_ids.requires_grad_(True) guidance_vec.requires_grad_(True) if mod_vectors is not None: mod_vectors.requires_grad_(True) # Predict the noise residual l_pooled, t5_out, txt_ids, t5_attn_mask = text_encoder_conds if not args.apply_t5_attn_mask: t5_attn_mask = None def call_dit(img, img_ids, t5_out, txt_ids, l_pooled, timesteps, guidance_vec, t5_attn_mask, mod_vectors): # grad is enabled even if unet is not in train mode, because Text Encoder is in train mode with torch.set_grad_enabled(is_train), accelerator.autocast(): # YiYi notes: divide it by 1000 for now because we scale it by 1000 in the transformer model (we should not keep it but I want to keep the inputs same for the model for testing) model_pred = unet( img=img, img_ids=img_ids, txt=t5_out, txt_ids=txt_ids, y=l_pooled, timesteps=timesteps / 1000, guidance=guidance_vec, txt_attention_mask=t5_attn_mask, mod_vectors=mod_vectors, ) return model_pred model_pred = call_dit( img=packed_noisy_model_input, img_ids=img_ids, t5_out=t5_out, txt_ids=txt_ids, l_pooled=l_pooled, timesteps=timesteps, guidance_vec=guidance_vec, t5_attn_mask=t5_attn_mask, mod_vectors=mod_vectors, ) # unpack latents model_pred = flux_utils.unpack_latents(model_pred, packed_latent_height, packed_latent_width) # apply model prediction type model_pred, weighting = flux_train_utils.apply_model_prediction_type(args, model_pred, noisy_model_input, sigmas) # flow matching loss: this is different from SD3 target = noise - latents # differential output preservation if "custom_attributes" in batch: diff_output_pr_indices = [] for i, custom_attributes in enumerate(batch["custom_attributes"]): if "diff_output_preservation" in custom_attributes and custom_attributes["diff_output_preservation"]: diff_output_pr_indices.append(i) if len(diff_output_pr_indices) > 0: network.set_multiplier(0.0) unet.prepare_block_swap_before_forward() with torch.no_grad(): model_pred_prior = call_dit( img=packed_noisy_model_input[diff_output_pr_indices], img_ids=img_ids[diff_output_pr_indices], t5_out=t5_out[diff_output_pr_indices], txt_ids=txt_ids[diff_output_pr_indices], l_pooled=l_pooled[diff_output_pr_indices], timesteps=timesteps[diff_output_pr_indices], guidance_vec=guidance_vec[diff_output_pr_indices] if guidance_vec is not None else None, t5_attn_mask=t5_attn_mask[diff_output_pr_indices] if t5_attn_mask is not None else None, mod_vectors=mod_vectors[diff_output_pr_indices] if mod_vectors is not None else None, ) network.set_multiplier(1.0) # may be overwritten by "network_multipliers" in the next step model_pred_prior = flux_utils.unpack_latents(model_pred_prior, packed_latent_height, packed_latent_width) model_pred_prior, _ = flux_train_utils.apply_model_prediction_type( args, model_pred_prior, noisy_model_input[diff_output_pr_indices], sigmas[diff_output_pr_indices] if sigmas is not None else None, ) target[diff_output_pr_indices] = model_pred_prior.to(target.dtype) return model_pred, target, timesteps, weighting def post_process_loss(self, loss, args, timesteps, noise_scheduler): return loss def get_sai_model_spec(self, args): if self.model_type != "chroma": model_description = "schnell" if self.is_schnell else "dev" else: model_description = "chroma" return train_util.get_sai_model_spec(None, args, False, True, False, flux=model_description) def update_metadata(self, metadata, args): metadata["ss_model_type"] = args.model_type metadata["ss_apply_t5_attn_mask"] = args.apply_t5_attn_mask metadata["ss_weighting_scheme"] = args.weighting_scheme metadata["ss_logit_mean"] = args.logit_mean metadata["ss_logit_std"] = args.logit_std metadata["ss_mode_scale"] = args.mode_scale metadata["ss_guidance_scale"] = args.guidance_scale metadata["ss_timestep_sampling"] = args.timestep_sampling metadata["ss_sigmoid_scale"] = args.sigmoid_scale metadata["ss_model_prediction_type"] = args.model_prediction_type metadata["ss_discrete_flow_shift"] = args.discrete_flow_shift def is_text_encoder_not_needed_for_training(self, args): return args.cache_text_encoder_outputs and not self.is_train_text_encoder(args) def prepare_text_encoder_grad_ckpt_workaround(self, index, text_encoder): if index == 0: # CLIP-L return super().prepare_text_encoder_grad_ckpt_workaround(index, text_encoder) else: # T5XXL text_encoder.encoder.embed_tokens.requires_grad_(True) def prepare_text_encoder_fp8(self, index, text_encoder, te_weight_dtype, weight_dtype): if index == 0: # CLIP-L logger.info(f"prepare CLIP-L for fp8: set to {te_weight_dtype}, set embeddings to {weight_dtype}") text_encoder.to(te_weight_dtype) # fp8 text_encoder.text_model.embeddings.to(dtype=weight_dtype) else: # T5XXL def prepare_fp8(text_encoder, target_dtype): def forward_hook(module): def forward(hidden_states): hidden_gelu = module.act(module.wi_0(hidden_states)) hidden_linear = module.wi_1(hidden_states) hidden_states = hidden_gelu * hidden_linear hidden_states = module.dropout(hidden_states) hidden_states = module.wo(hidden_states) return hidden_states return forward for module in text_encoder.modules(): if module.__class__.__name__ in ["T5LayerNorm", "Embedding"]: # print("set", module.__class__.__name__, "to", target_dtype) module.to(target_dtype) if module.__class__.__name__ in ["T5DenseGatedActDense"]: # print("set", module.__class__.__name__, "hooks") module.forward = forward_hook(module) if flux_utils.get_t5xxl_actual_dtype(text_encoder) == torch.float8_e4m3fn and text_encoder.dtype == weight_dtype: logger.info(f"T5XXL already prepared for fp8") else: logger.info(f"prepare T5XXL for fp8: set to {te_weight_dtype}, set embeddings to {weight_dtype}, add hooks") text_encoder.to(te_weight_dtype) # fp8 prepare_fp8(text_encoder, weight_dtype) def on_validation_step_end(self, args, accelerator, network, text_encoders, unet, batch, weight_dtype): if self.is_swapping_blocks: # prepare for next forward: because backward pass is not called, we need to prepare it here accelerator.unwrap_model(unet).prepare_block_swap_before_forward() def prepare_unet_with_accelerator( self, args: argparse.Namespace, accelerator: Accelerator, unet: torch.nn.Module ) -> torch.nn.Module: if not self.is_swapping_blocks: return super().prepare_unet_with_accelerator(args, accelerator, unet) # if we doesn't swap blocks, we can move the model to device flux: flux_models.Flux = unet flux = accelerator.prepare(flux, device_placement=[not self.is_swapping_blocks]) accelerator.unwrap_model(flux).move_to_device_except_swap_blocks(accelerator.device) # reduce peak memory usage accelerator.unwrap_model(flux).prepare_block_swap_before_forward() return flux def setup_parser() -> argparse.ArgumentParser: parser = train_network.setup_parser() train_util.add_dit_training_arguments(parser) flux_train_utils.add_flux_train_arguments(parser) parser.add_argument( "--split_mode", action="store_true", # help="[EXPERIMENTAL] use split mode for Flux model, network arg `train_blocks=single` is required" # + "/[実験的] Fluxモデルの分割モードを使用する。ネットワーク引数`train_blocks=single`が必要", help="[Deprecated] This option is deprecated. Please use `--blocks_to_swap` instead." " / このオプションは非推奨です。代わりに`--blocks_to_swap`を使用してください。", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) trainer = FluxNetworkTrainer() trainer.train(args) ================================================ FILE: gen_img.py ================================================ import itertools import json from types import SimpleNamespace from typing import Any, List, NamedTuple, Optional, Tuple, Union, Callable import glob import importlib import importlib.util import sys import inspect import time import zipfile from diffusers.utils import deprecate from diffusers.configuration_utils import FrozenDict import argparse import math import os import random import re import diffusers import numpy as np import torch from library.device_utils import init_ipex from library.strategy_sd import SdTokenizeStrategy init_ipex() import torchvision from diffusers import ( AutoencoderKL, DDPMScheduler, EulerAncestralDiscreteScheduler, DPMSolverMultistepScheduler, DPMSolverSinglestepScheduler, LMSDiscreteScheduler, PNDMScheduler, DDIMScheduler, EulerDiscreteScheduler, HeunDiscreteScheduler, KDPM2DiscreteScheduler, KDPM2AncestralDiscreteScheduler, # UNet2DConditionModel, StableDiffusionPipeline, ) from einops import rearrange from tqdm import tqdm from transformers import CLIPTextModel, CLIPTokenizer, CLIPVisionModelWithProjection, CLIPImageProcessor from accelerate import init_empty_weights import PIL from PIL import Image from PIL.PngImagePlugin import PngInfo import library.model_util as model_util import library.train_util as train_util import library.sdxl_model_util as sdxl_model_util import library.sdxl_train_util as sdxl_train_util from networks.lora import LoRANetwork import tools.original_control_net as original_control_net from tools.original_control_net import ControlNetInfo from library.original_unet import UNet2DConditionModel, InferUNet2DConditionModel from library.sdxl_original_unet import InferSdxlUNet2DConditionModel from library.sdxl_original_control_net import SdxlControlNet from library.original_unet import FlashAttentionFunction from library.custom_train_functions import pyramid_noise_like from networks.control_net_lllite import ControlNetLLLite from library.utils import GradualLatent, EulerAncestralDiscreteSchedulerGL from library.utils import setup_logging, add_logging_arguments setup_logging() import logging logger = logging.getLogger(__name__) # scheduler: SCHEDULER_LINEAR_START = 0.00085 SCHEDULER_LINEAR_END = 0.0120 SCHEDULER_TIMESTEPS = 1000 SCHEDLER_SCHEDULE = "scaled_linear" # その他の設定 LATENT_CHANNELS = 4 DOWNSAMPLING_FACTOR = 8 CLIP_VISION_MODEL = "laion/CLIP-ViT-bigG-14-laion2B-39B-b160k" # region モジュール入れ替え部 """ 高速化のためのモジュール入れ替え """ # def replace_unet_modules(unet: diffusers.models.unets.unet_2d_condition.UNet2DConditionModel, mem_eff_attn, xformers, sdpa): def replace_unet_modules(unet, mem_eff_attn, xformers, sdpa): if mem_eff_attn: logger.info("Enable memory efficient attention for U-Net") # これはDiffusersのU-Netではなく自前のU-Netなので置き換えなくても良い unet.set_use_memory_efficient_attention(False, True) elif xformers: logger.info("Enable xformers for U-Net") try: import xformers.ops except ImportError: raise ImportError("No xformers / xformersがインストールされていないようです") unet.set_use_memory_efficient_attention(True, False) elif sdpa: logger.info("Enable SDPA for U-Net") unet.set_use_memory_efficient_attention(False, False) unet.set_use_sdpa(True) # TODO common train_util.py def replace_vae_modules(vae: diffusers.models.AutoencoderKL, mem_eff_attn, xformers, sdpa): if mem_eff_attn: replace_vae_attn_to_memory_efficient() elif xformers: # replace_vae_attn_to_xformers() # 解像度によってxformersがエラーを出す？ vae.set_use_memory_efficient_attention_xformers(True) # とりあえずこっちを使う elif sdpa: replace_vae_attn_to_sdpa() def replace_vae_attn_to_memory_efficient(): logger.info("VAE Attention.forward has been replaced to FlashAttention (not xformers)") flash_func = FlashAttentionFunction def forward_flash_attn(self, hidden_states, **kwargs): q_bucket_size = 512 k_bucket_size = 1024 residual = hidden_states batch, channel, height, width = hidden_states.shape # norm hidden_states = self.group_norm(hidden_states) hidden_states = hidden_states.view(batch, channel, height * width).transpose(1, 2) # proj to q, k, v query_proj = self.to_q(hidden_states) key_proj = self.to_k(hidden_states) value_proj = self.to_v(hidden_states) query_proj, key_proj, value_proj = map( lambda t: rearrange(t, "b n (h d) -> b h n d", h=self.heads), (query_proj, key_proj, value_proj) ) out = flash_func.apply(query_proj, key_proj, value_proj, None, False, q_bucket_size, k_bucket_size) out = rearrange(out, "b h n d -> b n (h d)") # compute next hidden_states # linear proj hidden_states = self.to_out[0](hidden_states) # dropout hidden_states = self.to_out[1](hidden_states) hidden_states = hidden_states.transpose(-1, -2).reshape(batch, channel, height, width) # res connect and rescale hidden_states = (hidden_states + residual) / self.rescale_output_factor return hidden_states def forward_flash_attn_0_14(self, hidden_states, **kwargs): if not hasattr(self, "to_q"): self.to_q = self.query self.to_k = self.key self.to_v = self.value self.to_out = [self.proj_attn, torch.nn.Identity()] self.heads = self.num_heads return forward_flash_attn(self, hidden_states, **kwargs) if diffusers.__version__ < "0.15.0": diffusers.models.attention.AttentionBlock.forward = forward_flash_attn_0_14 else: diffusers.models.attention_processor.Attention.forward = forward_flash_attn def replace_vae_attn_to_xformers(): logger.info("VAE: Attention.forward has been replaced to xformers") import xformers.ops def forward_xformers(self, hidden_states, **kwargs): residual = hidden_states batch, channel, height, width = hidden_states.shape # norm hidden_states = self.group_norm(hidden_states) hidden_states = hidden_states.view(batch, channel, height * width).transpose(1, 2) # proj to q, k, v query_proj = self.to_q(hidden_states) key_proj = self.to_k(hidden_states) value_proj = self.to_v(hidden_states) query_proj, key_proj, value_proj = map( lambda t: rearrange(t, "b n (h d) -> b h n d", h=self.heads), (query_proj, key_proj, value_proj) ) query_proj = query_proj.contiguous() key_proj = key_proj.contiguous() value_proj = value_proj.contiguous() out = xformers.ops.memory_efficient_attention(query_proj, key_proj, value_proj, attn_bias=None) out = rearrange(out, "b h n d -> b n (h d)") # compute next hidden_states # linear proj hidden_states = self.to_out[0](hidden_states) # dropout hidden_states = self.to_out[1](hidden_states) hidden_states = hidden_states.transpose(-1, -2).reshape(batch, channel, height, width) # res connect and rescale hidden_states = (hidden_states + residual) / self.rescale_output_factor return hidden_states def forward_xformers_0_14(self, hidden_states, **kwargs): if not hasattr(self, "to_q"): self.to_q = self.query self.to_k = self.key self.to_v = self.value self.to_out = [self.proj_attn, torch.nn.Identity()] self.heads = self.num_heads return forward_xformers(self, hidden_states, **kwargs) if diffusers.__version__ < "0.15.0": diffusers.models.attention.AttentionBlock.forward = forward_xformers_0_14 else: diffusers.models.attention_processor.Attention.forward = forward_xformers def replace_vae_attn_to_sdpa(): logger.info("VAE: Attention.forward has been replaced to sdpa") def forward_sdpa(self, hidden_states, **kwargs): residual = hidden_states batch, channel, height, width = hidden_states.shape # norm hidden_states = self.group_norm(hidden_states) hidden_states = hidden_states.view(batch, channel, height * width).transpose(1, 2) # proj to q, k, v query_proj = self.to_q(hidden_states) key_proj = self.to_k(hidden_states) value_proj = self.to_v(hidden_states) query_proj, key_proj, value_proj = map( lambda t: rearrange(t, "b n (h d) -> b n h d", h=self.heads), (query_proj, key_proj, value_proj) ) out = torch.nn.functional.scaled_dot_product_attention( query_proj, key_proj, value_proj, attn_mask=None, dropout_p=0.0, is_causal=False ) out = rearrange(out, "b n h d -> b n (h d)") # compute next hidden_states # linear proj hidden_states = self.to_out[0](hidden_states) # dropout hidden_states = self.to_out[1](hidden_states) hidden_states = hidden_states.transpose(-1, -2).reshape(batch, channel, height, width) # res connect and rescale hidden_states = (hidden_states + residual) / self.rescale_output_factor return hidden_states def forward_sdpa_0_14(self, hidden_states, **kwargs): if not hasattr(self, "to_q"): self.to_q = self.query self.to_k = self.key self.to_v = self.value self.to_out = [self.proj_attn, torch.nn.Identity()] self.heads = self.num_heads return forward_sdpa(self, hidden_states, **kwargs) if diffusers.__version__ < "0.15.0": diffusers.models.attention.AttentionBlock.forward = forward_sdpa_0_14 else: diffusers.models.attention_processor.Attention.forward = forward_sdpa # endregion # region 画像生成の本体：lpw_stable_diffusion.py （ASL）からコピーして修正 # https://github.com/huggingface/diffusers/blob/main/examples/community/lpw_stable_diffusion.py # Pipelineだけ独立して使えないのと機能追加するのとでコピーして修正 class PipelineLike: def __init__( self, is_sdxl, device, vae: AutoencoderKL, text_encoders: List[CLIPTextModel], tokenizers: List[CLIPTokenizer], unet: InferSdxlUNet2DConditionModel, scheduler: Union[DDIMScheduler, PNDMScheduler, LMSDiscreteScheduler], clip_skip: int, ): super().__init__() self.is_sdxl = is_sdxl self.device = device self.clip_skip = clip_skip if hasattr(scheduler.config, "steps_offset") and scheduler.config.steps_offset != 1: deprecation_message = ( f"The configuration file of this scheduler: {scheduler} is outdated. `steps_offset`" f" should be set to 1 instead of {scheduler.config.steps_offset}. Please make sure " "to update the config accordingly as leaving `steps_offset` might led to incorrect results" " in future versions. If you have downloaded this checkpoint from the Hugging Face Hub," " it would be very nice if you could open a Pull request for the `scheduler/scheduler_config.json`" " file" ) deprecate("steps_offset!=1", "1.0.0", deprecation_message, standard_warn=False) new_config = dict(scheduler.config) new_config["steps_offset"] = 1 scheduler._internal_dict = FrozenDict(new_config) if hasattr(scheduler.config, "clip_sample") and scheduler.config.clip_sample is True: deprecation_message = ( f"The configuration file of this scheduler: {scheduler} has not set the configuration `clip_sample`." " `clip_sample` should be set to False in the configuration file. Please make sure to update the" " config accordingly as not setting `clip_sample` in the config might lead to incorrect results in" " future versions. If you have downloaded this checkpoint from the Hugging Face Hub, it would be very" " nice if you could open a Pull request for the `scheduler/scheduler_config.json` file" ) deprecate("clip_sample not set", "1.0.0", deprecation_message, standard_warn=False) new_config = dict(scheduler.config) new_config["clip_sample"] = False scheduler._internal_dict = FrozenDict(new_config) self.vae = vae self.text_encoders = text_encoders self.tokenizers = tokenizers self.unet: Union[InferUNet2DConditionModel, InferSdxlUNet2DConditionModel] = unet self.scheduler = scheduler self.safety_checker = None self.clip_vision_model: CLIPVisionModelWithProjection = None self.clip_vision_processor: CLIPImageProcessor = None self.clip_vision_strength = 0.0 # Textual Inversion self.token_replacements_list = [] for _ in range(len(self.text_encoders)): self.token_replacements_list.append({}) # ControlNet self.control_nets: List[Union[ControlNetInfo, Tuple[SdxlControlNet, float]]] = [] self.control_net_lllites: List[Tuple[ControlNetLLLite, float]] = [] self.control_net_enabled = True # control_netsが空ならTrueでもFalseでもControlNetは動作しない self.gradual_latent: GradualLatent = None # Textual Inversion def add_token_replacement(self, text_encoder_index, target_token_id, rep_token_ids): self.token_replacements_list[text_encoder_index][target_token_id] = rep_token_ids def set_enable_control_net(self, en: bool): self.control_net_enabled = en def get_token_replacer(self, tokenizer): tokenizer_index = self.tokenizers.index(tokenizer) token_replacements = self.token_replacements_list[tokenizer_index] def replace_tokens(tokens): # print("replace_tokens", tokens, "=>", token_replacements) if isinstance(tokens, torch.Tensor): tokens = tokens.tolist() new_tokens = [] for token in tokens: if token in token_replacements: replacement = token_replacements[token] new_tokens.extend(replacement) else: new_tokens.append(token) return new_tokens return replace_tokens def set_control_nets(self, ctrl_nets): self.control_nets = ctrl_nets def set_control_net_lllites(self, ctrl_net_lllites): self.control_net_lllites = ctrl_net_lllites def set_gradual_latent(self, gradual_latent): if gradual_latent is None: logger.info("gradual_latent is disabled") self.gradual_latent = None else: logger.info(f"gradual_latent is enabled: {gradual_latent}") self.gradual_latent = gradual_latent # (ds_ratio, start_timesteps, every_n_steps, ratio_step) @torch.no_grad() def __call__( self, prompt: Union[str, List[str]], negative_prompt: Optional[Union[str, List[str]]] = None, init_image: Union[torch.FloatTensor, PIL.Image.Image, List[PIL.Image.Image]] = None, mask_image: Union[torch.FloatTensor, PIL.Image.Image, List[PIL.Image.Image]] = None, height: int = 1024, width: int = 1024, original_height: int = None, original_width: int = None, original_height_negative: int = None, original_width_negative: int = None, crop_top: int = 0, crop_left: int = 0, num_inference_steps: int = 50, guidance_scale: float = 7.5, negative_scale: float = None, strength: float = 0.8, # num_images_per_prompt: Optional[int] = 1, eta: float = 0.0, generator: Optional[torch.Generator] = None, latents: Optional[torch.FloatTensor] = None, max_embeddings_multiples: Optional[int] = 3, output_type: Optional[str] = "pil", vae_batch_size: float = None, return_latents: bool = False, # return_dict: bool = True, callback: Optional[Callable[[int, int, torch.FloatTensor], None]] = None, is_cancelled_callback: Optional[Callable[[], bool]] = None, callback_steps: Optional[int] = 1, img2img_noise=None, clip_guide_images=None, emb_normalize_mode: str = "original", force_scheduler_zero_steps_offset: bool = False, **kwargs, ): # TODO support secondary prompt num_images_per_prompt = 1 # fixed because already prompt is repeated if isinstance(prompt, str): batch_size = 1 prompt = [prompt] elif isinstance(prompt, list): batch_size = len(prompt) else: raise ValueError(f"`prompt` has to be of type `str` or `list` but is {type(prompt)}") regional_network = " AND " in prompt[0] vae_batch_size = ( batch_size if vae_batch_size is None else (int(vae_batch_size) if vae_batch_size >= 1 else max(1, int(batch_size * vae_batch_size))) ) if strength < 0 or strength > 1: raise ValueError(f"The value of strength should in [0.0, 1.0] but is {strength}") if height % 8 != 0 or width % 8 != 0: raise ValueError(f"`height` and `width` have to be divisible by 8 but are {height} and {width}.") if (callback_steps is None) or ( callback_steps is not None and (not isinstance(callback_steps, int) or callback_steps <= 0) ): raise ValueError( f"`callback_steps` has to be a positive integer but is {callback_steps} of type" f" {type(callback_steps)}." ) # get prompt text embeddings # here `guidance_scale` is defined analog to the guidance weight `w` of equation (2) # of the Imagen paper: https://arxiv.org/pdf/2205.11487.pdf . `guidance_scale = 1` # corresponds to doing no classifier free guidance. do_classifier_free_guidance = guidance_scale > 1.0 if not do_classifier_free_guidance and negative_scale is not None: logger.warning(f"negative_scale is ignored if guidance scalle <= 1.0") negative_scale = None # get unconditional embeddings for classifier free guidance if negative_prompt is None: negative_prompt = [""] * batch_size elif isinstance(negative_prompt, str): negative_prompt = [negative_prompt] * batch_size if batch_size != len(negative_prompt): raise ValueError( f"`negative_prompt`: {negative_prompt} has batch size {len(negative_prompt)}, but `prompt`:" f" {prompt} has batch size {batch_size}. Please make sure that passed `negative_prompt` matches" " the batch size of `prompt`." ) tes_text_embs = [] tes_uncond_embs = [] tes_real_uncond_embs = [] for tokenizer, text_encoder in zip(self.tokenizers, self.text_encoders): token_replacer = self.get_token_replacer(tokenizer) # use last text_pool, because it is from text encoder 2 text_embeddings, text_pool, uncond_embeddings, uncond_pool, _ = get_weighted_text_embeddings( self.is_sdxl, tokenizer, text_encoder, prompt=prompt, uncond_prompt=negative_prompt if do_classifier_free_guidance else None, max_embeddings_multiples=max_embeddings_multiples, clip_skip=self.clip_skip, token_replacer=token_replacer, device=self.device, emb_normalize_mode=emb_normalize_mode, **kwargs, ) tes_text_embs.append(text_embeddings) tes_uncond_embs.append(uncond_embeddings) if negative_scale is not None: _, real_uncond_embeddings, _ = get_weighted_text_embeddings( self.is_sdxl, token_replacer, prompt=prompt, # こちらのトークン長に合わせてuncondを作るので75トークン超で必須 uncond_prompt=[""] * batch_size, max_embeddings_multiples=max_embeddings_multiples, clip_skip=self.clip_skip, token_replacer=token_replacer, device=self.device, emb_normalize_mode=emb_normalize_mode, **kwargs, ) tes_real_uncond_embs.append(real_uncond_embeddings) # concat text encoder outputs text_embeddings = tes_text_embs[0] uncond_embeddings = tes_uncond_embs[0] for i in range(1, len(tes_text_embs)): text_embeddings = torch.cat([text_embeddings, tes_text_embs[i]], dim=2) # n,77,2048 if do_classifier_free_guidance: uncond_embeddings = torch.cat([uncond_embeddings, tes_uncond_embs[i]], dim=2) # n,77,2048 if do_classifier_free_guidance: if negative_scale is None: text_embeddings = torch.cat([uncond_embeddings, text_embeddings]) else: text_embeddings = torch.cat([uncond_embeddings, text_embeddings, real_uncond_embeddings]) if self.control_net_lllites or (self.control_nets and self.is_sdxl): # ControlNetのhintにguide imageを流用する。ControlNetの場合はControlNet側で行う if isinstance(clip_guide_images, PIL.Image.Image): clip_guide_images = [clip_guide_images] if isinstance(clip_guide_images[0], PIL.Image.Image): clip_guide_images = [preprocess_image(im) for im in clip_guide_images] clip_guide_images = torch.cat(clip_guide_images) if isinstance(clip_guide_images, list): clip_guide_images = torch.stack(clip_guide_images) clip_guide_images = clip_guide_images.to(self.device, dtype=text_embeddings.dtype) # create size embs if original_height is None: original_height = height if original_width is None: original_width = width if original_height_negative is None: original_height_negative = original_height if original_width_negative is None: original_width_negative = original_width if crop_top is None: crop_top = 0 if crop_left is None: crop_left = 0 if self.is_sdxl: emb1 = sdxl_train_util.get_timestep_embedding(torch.FloatTensor([original_height, original_width]).unsqueeze(0), 256) uc_emb1 = sdxl_train_util.get_timestep_embedding( torch.FloatTensor([original_height_negative, original_width_negative]).unsqueeze(0), 256 ) emb2 = sdxl_train_util.get_timestep_embedding(torch.FloatTensor([crop_top, crop_left]).unsqueeze(0), 256) emb3 = sdxl_train_util.get_timestep_embedding(torch.FloatTensor([height, width]).unsqueeze(0), 256) c_vector = torch.cat([emb1, emb2, emb3], dim=1).to(self.device, dtype=text_embeddings.dtype).repeat(batch_size, 1) uc_vector = torch.cat([uc_emb1, emb2, emb3], dim=1).to(self.device, dtype=text_embeddings.dtype).repeat(batch_size, 1) if regional_network: # use last pool for conditioning num_sub_prompts = len(text_pool) // batch_size text_pool = text_pool[num_sub_prompts - 1 :: num_sub_prompts] # last subprompt if init_image is not None and self.clip_vision_model is not None: logger.info(f"encode by clip_vision_model and apply clip_vision_strength={self.clip_vision_strength}") vision_input = self.clip_vision_processor(init_image, return_tensors="pt", device=self.device) pixel_values = vision_input["pixel_values"].to(self.device, dtype=text_embeddings.dtype) clip_vision_embeddings = self.clip_vision_model( pixel_values=pixel_values, output_hidden_states=True, return_dict=True ) clip_vision_embeddings = clip_vision_embeddings.image_embeds if len(clip_vision_embeddings) == 1 and batch_size > 1: clip_vision_embeddings = clip_vision_embeddings.repeat((batch_size, 1)) clip_vision_embeddings = clip_vision_embeddings * self.clip_vision_strength assert clip_vision_embeddings.shape == text_pool.shape, f"{clip_vision_embeddings.shape} != {text_pool.shape}" text_pool = clip_vision_embeddings # replace: same as ComfyUI (?) c_vector = torch.cat([text_pool, c_vector], dim=1) if do_classifier_free_guidance: uc_vector = torch.cat([uncond_pool, uc_vector], dim=1) vector_embeddings = torch.cat([uc_vector, c_vector]) else: vector_embeddings = c_vector # set timesteps self.scheduler.set_timesteps(num_inference_steps, self.device) latents_dtype = text_embeddings.dtype init_latents_orig = None mask = None if init_image is None: # get the initial random noise unless the user supplied it # Unlike in other pipelines, latents need to be generated in the target device # for 1-to-1 results reproducibility with the CompVis implementation. # However this currently doesn't work in `mps`. latents_shape = ( batch_size * num_images_per_prompt, self.unet.in_channels, height // 8, width // 8, ) if latents is None: if self.device.type == "mps": # randn does not exist on mps latents = torch.randn( latents_shape, generator=generator, device="cpu", dtype=latents_dtype, ).to(self.device) else: latents = torch.randn( latents_shape, generator=generator, device=self.device, dtype=latents_dtype, ) else: if latents.shape != latents_shape: raise ValueError(f"Unexpected latents shape, got {latents.shape}, expected {latents_shape}") latents = latents.to(self.device) timesteps = self.scheduler.timesteps.to(self.device) # scale the initial noise by the standard deviation required by the scheduler latents = latents * self.scheduler.init_noise_sigma else: # image to tensor if isinstance(init_image, PIL.Image.Image): init_image = [init_image] if isinstance(init_image[0], PIL.Image.Image): init_image = [preprocess_image(im) for im in init_image] init_image = torch.cat(init_image) if isinstance(init_image, list): init_image = torch.stack(init_image) # mask image to tensor if mask_image is not None: if isinstance(mask_image, PIL.Image.Image): mask_image = [mask_image] if isinstance(mask_image[0], PIL.Image.Image): mask_image = torch.cat([preprocess_mask(im) for im in mask_image]) # H*W, 0 for repaint # encode the init image into latents and scale the latents init_image = init_image.to(device=self.device, dtype=latents_dtype) if init_image.size()[-2:] == (height // 8, width // 8): init_latents = init_image else: if vae_batch_size >= batch_size: init_latent_dist = self.vae.encode(init_image.to(self.vae.dtype)).latent_dist init_latents = init_latent_dist.sample(generator=generator) else: if torch.cuda.is_available(): torch.cuda.empty_cache() init_latents = [] for i in tqdm(range(0, min(batch_size, len(init_image)), vae_batch_size)): init_latent_dist = self.vae.encode( (init_image[i : i + vae_batch_size] if vae_batch_size > 1 else init_image[i].unsqueeze(0)).to( self.vae.dtype ) ).latent_dist init_latents.append(init_latent_dist.sample(generator=generator)) init_latents = torch.cat(init_latents) init_latents = (sdxl_model_util.VAE_SCALE_FACTOR if self.is_sdxl else 0.18215) * init_latents if len(init_latents) == 1: init_latents = init_latents.repeat((batch_size, 1, 1, 1)) init_latents_orig = init_latents # preprocess mask if mask_image is not None: mask = mask_image.to(device=self.device, dtype=latents_dtype) if len(mask) == 1: mask = mask.repeat((batch_size, 1, 1, 1)) # check sizes if not mask.shape == init_latents.shape: raise ValueError("The mask and init_image should be the same size!") # get the original timestep using init_timestep if force_scheduler_zero_steps_offset: offset = 0 else: offset = self.scheduler.config.get("steps_offset", 0) init_timestep = int(num_inference_steps * strength) + offset init_timestep = min(init_timestep, num_inference_steps) timesteps = self.scheduler.timesteps[-init_timestep] timesteps = torch.tensor([timesteps] * batch_size * num_images_per_prompt, device=self.device) # add noise to latents using the timesteps latents = self.scheduler.add_noise(init_latents, img2img_noise, timesteps) t_start = max(num_inference_steps - init_timestep + offset, 0) timesteps = self.scheduler.timesteps[t_start:].to(self.device) # prepare extra kwargs for the scheduler step, since not all schedulers have the same signature # eta (η) is only used with the DDIMScheduler, it will be ignored for other schedulers. # eta corresponds to η in DDIM paper: https://arxiv.org/abs/2010.02502 # and should be between [0, 1] accepts_eta = "eta" in set(inspect.signature(self.scheduler.step).parameters.keys()) extra_step_kwargs = {} if accepts_eta: extra_step_kwargs["eta"] = eta num_latent_input = (3 if negative_scale is not None else 2) if do_classifier_free_guidance else 1 if self.control_nets: if not self.is_sdxl: guided_hints = original_control_net.get_guided_hints( self.control_nets, num_latent_input, batch_size, clip_guide_images ) else: clip_guide_images = clip_guide_images * 0.5 + 0.5 # [-1, 1] => [0, 1] each_control_net_enabled = [self.control_net_enabled] * len(self.control_nets) if self.control_net_lllites: # guided_hints = original_control_net.get_guided_hints(self.control_nets, num_latent_input, batch_size, clip_guide_images) if self.control_net_enabled: for control_net, _ in self.control_net_lllites: with torch.no_grad(): control_net.set_cond_image(clip_guide_images) else: for control_net, _ in self.control_net_lllites: control_net.set_cond_image(None) each_control_net_enabled = [self.control_net_enabled] * len(self.control_net_lllites) enable_gradual_latent = False if self.gradual_latent: if not hasattr(self.scheduler, "set_gradual_latent_params"): logger.warning("gradual_latent is not supported for this scheduler. Ignoring.") logger.warning(f"{self.scheduler.__class__.__name__}") else: enable_gradual_latent = True step_elapsed = 1000 current_ratio = self.gradual_latent.ratio # first, we downscale the latents to the specified ratio / 最初に指定された比率にlatentsをダウンスケールする height, width = latents.shape[-2:] org_dtype = latents.dtype if org_dtype == torch.bfloat16: latents = latents.float() latents = torch.nn.functional.interpolate( latents, scale_factor=current_ratio, mode="bicubic", align_corners=False ).to(org_dtype) # apply unsharp mask / アンシャープマスクを適用する if self.gradual_latent.gaussian_blur_ksize: latents = self.gradual_latent.apply_unshark_mask(latents) for i, t in enumerate(tqdm(timesteps)): resized_size = None if enable_gradual_latent: # gradually upscale the latents / latentsを徐々にアップスケールする if ( t < self.gradual_latent.start_timesteps and current_ratio < 1.0 and step_elapsed >= self.gradual_latent.every_n_steps ): current_ratio = min(current_ratio + self.gradual_latent.ratio_step, 1.0) # make divisible by 8 because size of latents must be divisible at bottom of UNet h = int(height * current_ratio) // 8 * 8 w = int(width * current_ratio) // 8 * 8 resized_size = (h, w) self.scheduler.set_gradual_latent_params(resized_size, self.gradual_latent) step_elapsed = 0 else: self.scheduler.set_gradual_latent_params(None, None) step_elapsed += 1 # expand the latents if we are doing classifier free guidance latent_model_input = latents.repeat((num_latent_input, 1, 1, 1)) latent_model_input = self.scheduler.scale_model_input(latent_model_input, t) # disable ControlNet-LLLite or SDXL ControlNet if ratio is set. ControlNet is disabled in ControlNetInfo if self.control_net_lllites: for j, ((control_net, ratio), enabled) in enumerate(zip(self.control_net_lllites, each_control_net_enabled)): if not enabled or ratio >= 1.0: continue if ratio < i / len(timesteps): logger.info(f"ControlNetLLLite {j} is disabled (ratio={ratio} at {i} / {len(timesteps)})") control_net.set_cond_image(None) each_control_net_enabled[j] = False if self.control_nets and self.is_sdxl: for j, ((control_net, ratio), enabled) in enumerate(zip(self.control_nets, each_control_net_enabled)): if not enabled or ratio >= 1.0: continue if ratio < i / len(timesteps): logger.info(f"ControlNet {j} is disabled (ratio={ratio} at {i} / {len(timesteps)})") each_control_net_enabled[j] = False # predict the noise residual if self.control_nets and self.control_net_enabled and not self.is_sdxl: if regional_network: num_sub_and_neg_prompts = len(text_embeddings) // batch_size text_emb_last = text_embeddings[num_sub_and_neg_prompts - 2 :: num_sub_and_neg_prompts] # last subprompt else: text_emb_last = text_embeddings noise_pred = original_control_net.call_unet_and_control_net( i, num_latent_input, self.unet, self.control_nets, guided_hints, i / len(timesteps), latent_model_input, t, text_embeddings, text_emb_last, ).sample elif self.control_nets: input_resi_add_list = [] mid_add_list = [] for (control_net, _), enbld in zip(self.control_nets, each_control_net_enabled): if not enbld: continue input_resi_add, mid_add = control_net( latent_model_input, t, text_embeddings, vector_embeddings, clip_guide_images ) input_resi_add_list.append(input_resi_add) mid_add_list.append(mid_add) if len(input_resi_add_list) == 0: noise_pred = self.unet(latent_model_input, t, text_embeddings, vector_embeddings) else: if len(input_resi_add_list) > 1: # get mean of input_resi_add_list and mid_add_list input_resi_add_mean = [] for i in range(len(input_resi_add_list[0])): input_resi_add_mean.append( torch.mean(torch.stack([input_resi_add_list[j][i] for j in range(len(input_resi_add_list))], dim=0)) ) input_resi_add = input_resi_add_mean mid_add = torch.mean(torch.stack(mid_add_list), dim=0) noise_pred = self.unet(latent_model_input, t, text_embeddings, vector_embeddings, input_resi_add, mid_add) elif self.is_sdxl: noise_pred = self.unet(latent_model_input, t, text_embeddings, vector_embeddings) else: noise_pred = self.unet(latent_model_input, t, encoder_hidden_states=text_embeddings).sample # perform guidance if do_classifier_free_guidance: if negative_scale is None: noise_pred_uncond, noise_pred_text = noise_pred.chunk(num_latent_input) # uncond by negative prompt noise_pred = noise_pred_uncond + guidance_scale * (noise_pred_text - noise_pred_uncond) else: noise_pred_negative, noise_pred_text, noise_pred_uncond = noise_pred.chunk( num_latent_input ) # uncond is real uncond noise_pred = ( noise_pred_uncond + guidance_scale * (noise_pred_text - noise_pred_uncond) - negative_scale * (noise_pred_negative - noise_pred_uncond) ) # compute the previous noisy sample x_t -> x_t-1 latents = self.scheduler.step(noise_pred, t, latents, **extra_step_kwargs).prev_sample if mask is not None: # masking init_latents_proper = self.scheduler.add_noise(init_latents_orig, img2img_noise, torch.tensor([t])) latents = (init_latents_proper * mask) + (latents * (1 - mask)) # call the callback, if provided if i % callback_steps == 0: if callback is not None: callback(i, t, latents) if is_cancelled_callback is not None and is_cancelled_callback(): return None if return_latents: return latents latents = 1 / (sdxl_model_util.VAE_SCALE_FACTOR if self.is_sdxl else 0.18215) * latents if vae_batch_size >= batch_size: image = self.vae.decode(latents.to(self.vae.dtype)).sample else: if torch.cuda.is_available(): torch.cuda.empty_cache() images = [] for i in tqdm(range(0, batch_size, vae_batch_size)): images.append( self.vae.decode( (latents[i : i + vae_batch_size] if vae_batch_size > 1 else latents[i].unsqueeze(0)).to(self.vae.dtype) ).sample ) image = torch.cat(images) image = (image / 2 + 0.5).clamp(0, 1) # we always cast to float32 as this does not cause significant overhead and is compatible with bfloa16 image = image.cpu().permute(0, 2, 3, 1).float().numpy() if torch.cuda.is_available(): torch.cuda.empty_cache() if output_type == "pil": # image = self.numpy_to_pil(image) image = (image * 255).round().astype("uint8") image = [Image.fromarray(im) for im in image] return image # return StableDiffusionPipelineOutput(images=image, nsfw_content_detected=has_nsfw_concept) re_attention = re.compile( r""" \\\(| \\\)| \\\[| \\]| \\\\| \\| \(| \[| :([+-]?[.\d]+)\)| \)| ]| [^\\()\[\]:]+| : """, re.X, ) def parse_prompt_attention(text): """ Parses a string with attention tokens and returns a list of pairs: text and its associated weight. Accepted tokens are: (abc) - increases attention to abc by a multiplier of 1.1 (abc:3.12) - increases attention to abc by a multiplier of 3.12 [abc] - decreases attention to abc by a multiplier of 1.1 \( - literal character '(' \[ - literal character '[' \) - literal character ')' \] - literal character ']' \\ - literal character '\' anything else - just text >>> parse_prompt_attention('normal text') [['normal text', 1.0]] >>> parse_prompt_attention('an (important) word') [['an ', 1.0], ['important', 1.1], [' word', 1.0]] >>> parse_prompt_attention('(unbalanced') [['unbalanced', 1.1]] >>> parse_prompt_attention('\(literal\]') [['(literal]', 1.0]] >>> parse_prompt_attention('(unnecessary)(parens)') [['unnecessaryparens', 1.1]] >>> parse_prompt_attention('a (((house:1.3)) [on] a (hill:0.5), sun, (((sky))).') [['a ', 1.0], ['house', 1.5730000000000004], [' ', 1.1], ['on', 1.0], [' a ', 1.1], ['hill', 0.55], [', sun, ', 1.1], ['sky', 1.4641000000000006], ['.', 1.1]] """ res = [] round_brackets = [] square_brackets = [] round_bracket_multiplier = 1.1 square_bracket_multiplier = 1 / 1.1 def multiply_range(start_position, multiplier): for p in range(start_position, len(res)): res[p][1] *= multiplier # keep break as separate token text = text.replace("BREAK", "\\BREAK\\") for m in re_attention.finditer(text): text = m.group(0) weight = m.group(1) if text.startswith("\\"): res.append([text[1:], 1.0]) elif text == "(": round_brackets.append(len(res)) elif text == "[": square_brackets.append(len(res)) elif weight is not None and len(round_brackets) > 0: multiply_range(round_brackets.pop(), float(weight)) elif text == ")" and len(round_brackets) > 0: multiply_range(round_brackets.pop(), round_bracket_multiplier) elif text == "]" and len(square_brackets) > 0: multiply_range(square_brackets.pop(), square_bracket_multiplier) else: res.append([text, 1.0]) for pos in round_brackets: multiply_range(pos, round_bracket_multiplier) for pos in square_brackets: multiply_range(pos, square_bracket_multiplier) if len(res) == 0: res = [["", 1.0]] # merge runs of identical weights i = 0 while i + 1 < len(res): if res[i][1] == res[i + 1][1] and res[i][0].strip() != "BREAK" and res[i + 1][0].strip() != "BREAK": res[i][0] += res[i + 1][0] res.pop(i + 1) else: i += 1 return res def get_prompts_with_weights(tokenizer: CLIPTokenizer, token_replacer, prompt: List[str], max_length: int): r""" Tokenize a list of prompts and return its tokens with weights of each token. No padding, starting or ending token is included. """ tokens = [] weights = [] truncated = False for text in prompt: texts_and_weights = parse_prompt_attention(text) text_token = [] text_weight = [] for word, weight in texts_and_weights: if word.strip() == "BREAK": # pad until next multiple of tokenizer's max token length pad_len = tokenizer.model_max_length - (len(text_token) % tokenizer.model_max_length) logger.info(f"BREAK pad_len: {pad_len}") for i in range(pad_len): # v2のときEOSをつけるべきかどうかわからないぜ # if i == 0: # text_token.append(tokenizer.eos_token_id) # else: text_token.append(tokenizer.pad_token_id) text_weight.append(1.0) continue # tokenize and discard the starting and the ending token token = tokenizer(word).input_ids[1:-1] token = token_replacer(token) # for Textual Inversion text_token += token # copy the weight by length of token text_weight += [weight] * len(token) # stop if the text is too long (longer than truncation limit) if len(text_token) > max_length: truncated = True break # truncate if len(text_token) > max_length: truncated = True text_token = text_token[:max_length] text_weight = text_weight[:max_length] tokens.append(text_token) weights.append(text_weight) if truncated: logger.warning("warning: Prompt was truncated. Try to shorten the prompt or increase max_embeddings_multiples") return tokens, weights def pad_tokens_and_weights(tokens, weights, max_length, bos, eos, pad, no_boseos_middle=True, chunk_length=77): r""" Pad the tokens (with starting and ending tokens) and weights (with 1.0) to max_length. """ max_embeddings_multiples = (max_length - 2) // (chunk_length - 2) weights_length = max_length if no_boseos_middle else max_embeddings_multiples * chunk_length for i in range(len(tokens)): tokens[i] = [bos] + tokens[i] + [eos] + [pad] * (max_length - 2 - len(tokens[i])) if no_boseos_middle: weights[i] = [1.0] + weights[i] + [1.0] * (max_length - 1 - len(weights[i])) else: w = [] if len(weights[i]) == 0: w = [1.0] * weights_length else: for j in range(max_embeddings_multiples): w.append(1.0) # weight for starting token in this chunk w += weights[i][j * (chunk_length - 2) : min(len(weights[i]), (j + 1) * (chunk_length - 2))] w.append(1.0) # weight for ending token in this chunk w += [1.0] * (weights_length - len(w)) weights[i] = w[:] return tokens, weights def get_unweighted_text_embeddings( is_sdxl: bool, text_encoder: CLIPTextModel, text_input: torch.Tensor, chunk_length: int, clip_skip: int, eos: int, pad: int, no_boseos_middle: Optional[bool] = True, ): """ When the length of tokens is a multiple of the capacity of the text encoder, it should be split into chunks and sent to the text encoder individually. """ max_embeddings_multiples = (text_input.shape[1] - 2) // (chunk_length - 2) if max_embeddings_multiples > 1: text_embeddings = [] pool = None for i in range(max_embeddings_multiples): # extract the i-th chunk text_input_chunk = text_input[:, i * (chunk_length - 2) : (i + 1) * (chunk_length - 2) + 2].clone() # cover the head and the tail by the starting and the ending tokens text_input_chunk[:, 0] = text_input[0, 0] if pad == eos: # v1 text_input_chunk[:, -1] = text_input[0, -1] else: # v2 for j in range(len(text_input_chunk)): if text_input_chunk[j, -1] != eos and text_input_chunk[j, -1] != pad: # 最後に普通の文字がある text_input_chunk[j, -1] = eos if text_input_chunk[j, 1] == pad: # BOSだけであとはPAD text_input_chunk[j, 1] = eos # in sdxl, value of clip_skip is same for Text Encoder 1 and 2 enc_out = text_encoder(text_input_chunk, output_hidden_states=True, return_dict=True) text_embedding = enc_out["hidden_states"][-clip_skip] if not is_sdxl: # SD 1.5 requires final_layer_norm text_embedding = text_encoder.text_model.final_layer_norm(text_embedding) if pool is None: pool = enc_out.get("text_embeds", None) # use 1st chunk, if provided if pool is not None: pool = train_util.pool_workaround(text_encoder, enc_out["last_hidden_state"], text_input_chunk, eos) if no_boseos_middle: if i == 0: # discard the ending token text_embedding = text_embedding[:, :-1] elif i == max_embeddings_multiples - 1: # discard the starting token text_embedding = text_embedding[:, 1:] else: # discard both starting and ending tokens text_embedding = text_embedding[:, 1:-1] text_embeddings.append(text_embedding) text_embeddings = torch.concat(text_embeddings, axis=1) else: enc_out = text_encoder(text_input, output_hidden_states=True, return_dict=True) text_embeddings = enc_out["hidden_states"][-clip_skip] if not is_sdxl: # SD 1.5 requires final_layer_norm text_embeddings = text_encoder.text_model.final_layer_norm(text_embeddings) pool = enc_out.get("text_embeds", None) # text encoder 1 doesn't return this if pool is not None: pool = train_util.pool_workaround(text_encoder, enc_out["last_hidden_state"], text_input, eos) return text_embeddings, pool def get_weighted_text_embeddings( is_sdxl: bool, tokenizer: CLIPTokenizer, text_encoder: CLIPTextModel, prompt: Union[str, List[str]], uncond_prompt: Optional[Union[str, List[str]]] = None, max_embeddings_multiples: Optional[int] = 1, no_boseos_middle: Optional[bool] = False, skip_parsing: Optional[bool] = False, skip_weighting: Optional[bool] = False, clip_skip: int = 1, token_replacer=None, device=None, emb_normalize_mode: Optional[str] = "original", # "original", "abs", "none" **kwargs, ): max_length = (tokenizer.model_max_length - 2) * max_embeddings_multiples + 2 if isinstance(prompt, str): prompt = [prompt] # split the prompts with "AND". each prompt must have the same number of splits new_prompts = [] for p in prompt: new_prompts.extend(p.split(" AND ")) prompt = new_prompts if not skip_parsing: prompt_tokens, prompt_weights = get_prompts_with_weights(tokenizer, token_replacer, prompt, max_length - 2) if uncond_prompt is not None: if isinstance(uncond_prompt, str): uncond_prompt = [uncond_prompt] uncond_tokens, uncond_weights = get_prompts_with_weights(tokenizer, token_replacer, uncond_prompt, max_length - 2) else: prompt_tokens = [token[1:-1] for token in tokenizer(prompt, max_length=max_length, truncation=True).input_ids] prompt_weights = [[1.0] * len(token) for token in prompt_tokens] if uncond_prompt is not None: if isinstance(uncond_prompt, str): uncond_prompt = [uncond_prompt] uncond_tokens = [token[1:-1] for token in tokenizer(uncond_prompt, max_length=max_length, truncation=True).input_ids] uncond_weights = [[1.0] * len(token) for token in uncond_tokens] # round up the longest length of tokens to a multiple of (model_max_length - 2) max_length = max([len(token) for token in prompt_tokens]) if uncond_prompt is not None: max_length = max(max_length, max([len(token) for token in uncond_tokens])) max_embeddings_multiples = min( max_embeddings_multiples, (max_length - 1) // (tokenizer.model_max_length - 2) + 1, ) max_embeddings_multiples = max(1, max_embeddings_multiples) max_length = (tokenizer.model_max_length - 2) * max_embeddings_multiples + 2 # pad the length of tokens and weights bos = tokenizer.bos_token_id eos = tokenizer.eos_token_id pad = tokenizer.pad_token_id prompt_tokens, prompt_weights = pad_tokens_and_weights( prompt_tokens, prompt_weights, max_length, bos, eos, pad, no_boseos_middle=no_boseos_middle, chunk_length=tokenizer.model_max_length, ) prompt_tokens = torch.tensor(prompt_tokens, dtype=torch.long, device=device) if uncond_prompt is not None: uncond_tokens, uncond_weights = pad_tokens_and_weights( uncond_tokens, uncond_weights, max_length, bos, eos, pad, no_boseos_middle=no_boseos_middle, chunk_length=tokenizer.model_max_length, ) uncond_tokens = torch.tensor(uncond_tokens, dtype=torch.long, device=device) # get the embeddings text_embeddings, text_pool = get_unweighted_text_embeddings( is_sdxl, text_encoder, prompt_tokens, tokenizer.model_max_length, clip_skip, eos, pad, no_boseos_middle=no_boseos_middle, ) prompt_weights = torch.tensor(prompt_weights, dtype=text_embeddings.dtype, device=device) if uncond_prompt is not None: uncond_embeddings, uncond_pool = get_unweighted_text_embeddings( is_sdxl, text_encoder, uncond_tokens, tokenizer.model_max_length, clip_skip, eos, pad, no_boseos_middle=no_boseos_middle, ) uncond_weights = torch.tensor(uncond_weights, dtype=uncond_embeddings.dtype, device=device) # assign weights to the prompts and normalize in the sense of mean # TODO: should we normalize by chunk or in a whole (current implementation)? # →全体でいいんじゃないかな if (not skip_parsing) and (not skip_weighting): if emb_normalize_mode == "abs": previous_mean = text_embeddings.float().abs().mean(axis=[-2, -1]).to(text_embeddings.dtype) text_embeddings *= prompt_weights.unsqueeze(-1) current_mean = text_embeddings.float().abs().mean(axis=[-2, -1]).to(text_embeddings.dtype) text_embeddings *= (previous_mean / current_mean).unsqueeze(-1).unsqueeze(-1) if uncond_prompt is not None: previous_mean = uncond_embeddings.float().abs().mean(axis=[-2, -1]).to(uncond_embeddings.dtype) uncond_embeddings *= uncond_weights.unsqueeze(-1) current_mean = uncond_embeddings.float().abs().mean(axis=[-2, -1]).to(uncond_embeddings.dtype) uncond_embeddings *= (previous_mean / current_mean).unsqueeze(-1).unsqueeze(-1) elif emb_normalize_mode == "none": text_embeddings *= prompt_weights.unsqueeze(-1) if uncond_prompt is not None: uncond_embeddings *= uncond_weights.unsqueeze(-1) else: # "original" previous_mean = text_embeddings.float().mean(axis=[-2, -1]).to(text_embeddings.dtype) text_embeddings *= prompt_weights.unsqueeze(-1) current_mean = text_embeddings.float().mean(axis=[-2, -1]).to(text_embeddings.dtype) text_embeddings *= (previous_mean / current_mean).unsqueeze(-1).unsqueeze(-1) if uncond_prompt is not None: previous_mean = uncond_embeddings.float().mean(axis=[-2, -1]).to(uncond_embeddings.dtype) uncond_embeddings *= uncond_weights.unsqueeze(-1) current_mean = uncond_embeddings.float().mean(axis=[-2, -1]).to(uncond_embeddings.dtype) uncond_embeddings *= (previous_mean / current_mean).unsqueeze(-1).unsqueeze(-1) if uncond_prompt is not None: return text_embeddings, text_pool, uncond_embeddings, uncond_pool, prompt_tokens return text_embeddings, text_pool, None, None, prompt_tokens def preprocess_image(image): w, h = image.size w, h = map(lambda x: x - x % 32, (w, h)) # resize to integer multiple of 32 image = image.resize((w, h), resample=PIL.Image.LANCZOS) image = np.array(image).astype(np.float32) / 255.0 image = image[None].transpose(0, 3, 1, 2) image = torch.from_numpy(image) return 2.0 * image - 1.0 def preprocess_mask(mask): mask = mask.convert("L") w, h = mask.size w, h = map(lambda x: x - x % 32, (w, h)) # resize to integer multiple of 32 mask = mask.resize((w // 8, h // 8), resample=PIL.Image.BILINEAR) # LANCZOS) mask = np.array(mask).astype(np.float32) / 255.0 mask = np.tile(mask, (4, 1, 1)) mask = mask[None].transpose(0, 1, 2, 3) # what does this step do? mask = 1 - mask # repaint white, keep black mask = torch.from_numpy(mask) return mask # regular expression for dynamic prompt: # starts and ends with "{" and "}" # contains at least one variant divided by "|" # optional framgments divided by "$$" at start # if the first fragment is "E" or "e", enumerate all variants # if the second fragment is a number or two numbers, repeat the variants in the range # if the third fragment is a string, use it as a separator RE_DYNAMIC_PROMPT = re.compile(r"\{((e|E)\$\$)?(([\d\-]+)\$\$)?(([^\|\}]+?)\$\$)?(.+?((\|).+?)*?)\}") def handle_dynamic_prompt_variants(prompt, repeat_count, seed_random, seeds=None): founds = list(RE_DYNAMIC_PROMPT.finditer(prompt)) if not founds: return [prompt], seeds # Prepare seeds list if seeds is None: seeds = [] while len(seeds) < repeat_count: seeds.append(seed_random.randint(0, 2**32 - 1)) # Escape braces prompt = prompt.replace(r"\{", "｛").replace(r"\}", "｝") # Process nested dynamic prompts recursively prompts = [prompt] * repeat_count has_dynamic = True while has_dynamic: has_dynamic = False new_prompts = [] for i, prompt in enumerate(prompts): seed = seeds[i] if i < len(seeds) else seeds[0] # if enumerating, use the first seed # find innermost dynamic prompts # find outer dynamic prompt and temporarily replace them with placeholders deepest_nest_level = 0 nest_level = 0 for c in prompt: if c == "{": nest_level += 1 deepest_nest_level = max(deepest_nest_level, nest_level) elif c == "}": nest_level -= 1 if deepest_nest_level == 0: new_prompts.append(prompt) continue # no more dynamic prompts # find positions of innermost dynamic prompts positions = [] nest_level = 0 start_pos = -1 for i, c in enumerate(prompt): if c == "{": nest_level += 1 if nest_level == deepest_nest_level: start_pos = i elif c == "}": if nest_level == deepest_nest_level: end_pos = i + 1 positions.append((start_pos, end_pos)) nest_level -= 1 # extract innermost dynamic prompts innermost_founds = [] for start, end in positions: segment = prompt[start:end] m = RE_DYNAMIC_PROMPT.match(segment) if m: innermost_founds.append((m, start, end)) if not innermost_founds: new_prompts.append(prompt) continue has_dynamic = True # make each replacement for each variant enumerating = False replacers = [] for found, start, end in innermost_founds: # if "e$$" is found, enumerate all variants found_enumerating = found.group(2) is not None enumerating = enumerating or found_enumerating separator = ", " if found.group(6) is None else found.group(6) variants = found.group(7).split("|") # parse count range count_range = found.group(4) if count_range is None: count_range = [1, 1] else: count_range = count_range.split("-") if len(count_range) == 1: count_range = [int(count_range[0]), int(count_range[0])] elif len(count_range) == 2: count_range = [int(count_range[0]), int(count_range[1])] else: logger.warning(f"invalid count range: {count_range}") count_range = [1, 1] if count_range[0] > count_range[1]: count_range = [count_range[1], count_range[0]] if count_range[0] < 0: count_range[0] = 0 if count_range[1] > len(variants): count_range[1] = len(variants) if found_enumerating: # make function to enumerate all combinations def make_replacer_enum(vari, cr, sep): def replacer(rnd=random): values = [] for count in range(cr[0], cr[1] + 1): for comb in itertools.combinations(vari, count): values.append(sep.join(comb)) return values return replacer replacers.append(make_replacer_enum(variants, count_range, separator)) else: # make function to choose random combinations def make_replacer_single(vari, cr, sep): def replacer(rnd=random): count = rnd.randint(cr[0], cr[1]) comb = rnd.sample(vari, count) return [sep.join(comb)] return replacer replacers.append(make_replacer_single(variants, count_range, separator)) # make each prompt rnd = random.Random(seed) if not enumerating: # if not enumerating, repeat the prompt, replace each variant randomly # reverse the lists to replace from end to start, keep positions correct innermost_founds.reverse() replacers.reverse() current = prompt for (found, start, end), replacer in zip(innermost_founds, replacers): current = current[:start] + replacer(rnd)[0] + current[end:] new_prompts.append(current) else: # if enumerating, iterate all combinations for previous prompts, all seeds are same processing_prompts = [prompt] for found, replacer in zip(founds, replacers): if found.group(2) is not None: # make all combinations for existing prompts repleced_prompts = [] for current in processing_prompts: replacements = replacer(rnd) for replacement in replacements: repleced_prompts.append( current.replace(found.group(0), replacement, 1) ) # This does not work if found is duplicated processing_prompts = repleced_prompts for found, replacer in zip(founds, replacers): # make random selection for existing prompts if found.group(2) is None: for i in range(len(processing_prompts)): processing_prompts[i] = processing_prompts[i].replace(found.group(0), replacer(rnd)[0], 1) new_prompts.extend(processing_prompts) prompts = new_prompts # Restore escaped braces for i in range(len(prompts)): prompts[i] = prompts[i].replace("｛", "{").replace("｝", "}") if enumerating: # adjust seeds list new_seeds = [] for _ in range(len(prompts)): new_seeds.append(seeds[0]) # use the first seed for all seeds = new_seeds return prompts, seeds # endregion # def load_clip_l14_336(dtype): # print(f"loading CLIP: {CLIP_ID_L14_336}") # text_encoder = CLIPTextModel.from_pretrained(CLIP_ID_L14_336, torch_dtype=dtype) # return text_encoder class BatchDataBase(NamedTuple): # バッチ分割が必要ないデータ step: int prompt: str negative_prompt: str seed: int init_image: Any mask_image: Any clip_prompt: str guide_image: Any raw_prompt: str file_name: Optional[str] class BatchDataExt(NamedTuple): # バッチ分割が必要なデータ width: int height: int original_width: int original_height: int original_width_negative: int original_height_negative: int crop_left: int crop_top: int steps: int scale: float negative_scale: float strength: float network_muls: Tuple[float] num_sub_prompts: int class BatchData(NamedTuple): return_latents: bool base: BatchDataBase ext: BatchDataExt class ListPrompter: def __init__(self, prompts: List[str]): self.prompts = prompts self.index = 0 def shuffle(self): random.shuffle(self.prompts) def __len__(self): return len(self.prompts) def __call__(self, *args, **kwargs): if self.index >= len(self.prompts): self.index = 0 # reset return None prompt = self.prompts[self.index] self.index += 1 return prompt def main(args): if args.fp16: dtype = torch.float16 elif args.bf16: dtype = torch.bfloat16 else: dtype = torch.float32 highres_fix = args.highres_fix_scale is not None # assert not highres_fix or args.image_path is None, f"highres_fix doesn't work with img2img / highres_fixはimg2imgと同時に使えません" if args.v2 and args.clip_skip is not None: logger.warning("v2 with clip_skip will be unexpected / v2でclip_skipを使用することは想定されていません") # モデルを読み込む if not os.path.exists(args.ckpt): # ファイルがないならパターンで探し、一つだけ該当すればそれを使う files = glob.glob(args.ckpt) if len(files) == 1: args.ckpt = files[0] name_or_path = os.readlink(args.ckpt) if os.path.islink(args.ckpt) else args.ckpt use_stable_diffusion_format = os.path.isfile(name_or_path) # determine SD or Diffusers # SDXLかどうかを判定する is_sdxl = args.sdxl if not is_sdxl and not args.v1 and not args.v2: # どれも指定されていない場合は自動で判定する if use_stable_diffusion_format: # if file size > 5.5GB, sdxl is_sdxl = os.path.getsize(name_or_path) > 5.5 * 1024**3 else: # if `text_encoder_2` subdirectory exists, sdxl is_sdxl = os.path.isdir(os.path.join(name_or_path, "text_encoder_2")) logger.info(f"SDXL: {is_sdxl}") if is_sdxl: if args.clip_skip is None: args.clip_skip = 2 (_, text_encoder1, text_encoder2, vae, unet, _, _) = sdxl_train_util._load_target_model( args.ckpt, args.vae, sdxl_model_util.MODEL_VERSION_SDXL_BASE_V1_0, dtype ) unet: InferSdxlUNet2DConditionModel = InferSdxlUNet2DConditionModel(unet) text_encoders = [text_encoder1, text_encoder2] else: if args.clip_skip is None: args.clip_skip = 2 if args.v2 else 1 if use_stable_diffusion_format: logger.info("load StableDiffusion checkpoint") text_encoder, vae, unet = model_util.load_models_from_stable_diffusion_checkpoint(args.v2, args.ckpt) else: logger.info("load Diffusers pretrained models") loading_pipe = StableDiffusionPipeline.from_pretrained(args.ckpt, safety_checker=None, torch_dtype=dtype) text_encoder = loading_pipe.text_encoder vae = loading_pipe.vae unet = loading_pipe.unet tokenizer = loading_pipe.tokenizer del loading_pipe # Diffusers U-Net to original U-Net original_unet = UNet2DConditionModel( unet.config.sample_size, unet.config.attention_head_dim, unet.config.cross_attention_dim, unet.config.use_linear_projection, unet.config.upcast_attention, ) original_unet.load_state_dict(unet.state_dict()) unet = original_unet unet: InferUNet2DConditionModel = InferUNet2DConditionModel(unet) text_encoders = [text_encoder] # VAEを読み込む if args.vae is not None: vae = model_util.load_vae(args.vae, dtype) logger.info("additional VAE loaded") # xformers、Hypernetwork対応 if not args.diffusers_xformers: mem_eff = not (args.xformers or args.sdpa) replace_unet_modules(unet, mem_eff, args.xformers, args.sdpa) replace_vae_modules(vae, mem_eff, args.xformers, args.sdpa) # tokenizerを読み込む logger.info("loading tokenizer") if is_sdxl: tokenizer1, tokenizer2 = sdxl_train_util.load_tokenizers(args) tokenizers = [tokenizer1, tokenizer2] else: if use_stable_diffusion_format: tokenize_strategy = SdTokenizeStrategy(args.v2, max_length=None, tokenizer_cache_dir=args.tokenizer_cache_dir) tokenizer = tokenize_strategy.tokenizer tokenizers = [tokenizer] # schedulerを用意する sched_init_args = {} has_steps_offset = True has_clip_sample = True scheduler_num_noises_per_step = 1 if args.sampler == "ddim": scheduler_cls = DDIMScheduler scheduler_module = diffusers.schedulers.scheduling_ddim elif args.sampler == "ddpm": # ddpmはおかしくなるのでoptionから外してある scheduler_cls = DDPMScheduler scheduler_module = diffusers.schedulers.scheduling_ddpm elif args.sampler == "pndm": scheduler_cls = PNDMScheduler scheduler_module = diffusers.schedulers.scheduling_pndm has_clip_sample = False elif args.sampler == "lms" or args.sampler == "k_lms": scheduler_cls = LMSDiscreteScheduler scheduler_module = diffusers.schedulers.scheduling_lms_discrete has_clip_sample = False elif args.sampler == "euler" or args.sampler == "k_euler": scheduler_cls = EulerDiscreteScheduler scheduler_module = diffusers.schedulers.scheduling_euler_discrete has_clip_sample = False elif args.sampler == "euler_a" or args.sampler == "k_euler_a": scheduler_cls = EulerAncestralDiscreteSchedulerGL scheduler_module = diffusers.schedulers.scheduling_euler_ancestral_discrete has_clip_sample = False elif args.sampler == "dpmsolver" or args.sampler == "dpmsolver++": scheduler_cls = DPMSolverMultistepScheduler sched_init_args["algorithm_type"] = args.sampler scheduler_module = diffusers.schedulers.scheduling_dpmsolver_multistep has_clip_sample = False elif args.sampler == "dpmsingle": scheduler_cls = DPMSolverSinglestepScheduler scheduler_module = diffusers.schedulers.scheduling_dpmsolver_singlestep has_clip_sample = False has_steps_offset = False elif args.sampler == "heun": scheduler_cls = HeunDiscreteScheduler scheduler_module = diffusers.schedulers.scheduling_heun_discrete has_clip_sample = False elif args.sampler == "dpm_2" or args.sampler == "k_dpm_2": scheduler_cls = KDPM2DiscreteScheduler scheduler_module = diffusers.schedulers.scheduling_k_dpm_2_discrete has_clip_sample = False elif args.sampler == "dpm_2_a" or args.sampler == "k_dpm_2_a": scheduler_cls = KDPM2AncestralDiscreteScheduler scheduler_module = diffusers.schedulers.scheduling_k_dpm_2_ancestral_discrete scheduler_num_noises_per_step = 2 has_clip_sample = False if args.v_parameterization: sched_init_args["prediction_type"] = "v_prediction" # 警告を出さないようにする if has_steps_offset: sched_init_args["steps_offset"] = 1 if has_clip_sample: sched_init_args["clip_sample"] = False # samplerの乱数をあらかじめ指定するための処理 # replace randn class NoiseManager: def __init__(self): self.sampler_noises = None self.sampler_noise_index = 0 def reset_sampler_noises(self, noises): self.sampler_noise_index = 0 self.sampler_noises = noises def randn(self, shape, device=None, dtype=None, layout=None, generator=None): # print("replacing", shape, len(self.sampler_noises), self.sampler_noise_index) if self.sampler_noises is not None and self.sampler_noise_index < len(self.sampler_noises): noise = self.sampler_noises[self.sampler_noise_index] if shape != noise.shape: noise = None else: noise = None if noise == None: logger.warning(f"unexpected noise request: {self.sampler_noise_index}, {shape}") noise = torch.randn(shape, dtype=dtype, device=device, generator=generator) self.sampler_noise_index += 1 return noise class TorchRandReplacer: def __init__(self, noise_manager): self.noise_manager = noise_manager def __getattr__(self, item): if item == "randn": return self.noise_manager.randn if hasattr(torch, item): return getattr(torch, item) raise AttributeError("'{}' object has no attribute '{}'".format(type(self).__name__, item)) noise_manager = NoiseManager() if scheduler_module is not None: scheduler_module.torch = TorchRandReplacer(noise_manager) if args.zero_terminal_snr: sched_init_args["rescale_betas_zero_snr"] = True scheduler = scheduler_cls( num_train_timesteps=SCHEDULER_TIMESTEPS, beta_start=SCHEDULER_LINEAR_START, beta_end=SCHEDULER_LINEAR_END, beta_schedule=SCHEDLER_SCHEDULE, **sched_init_args, ) # if args.zero_terminal_snr: # custom_train_functions.fix_noise_scheduler_betas_for_zero_terminal_snr(scheduler) # ↓以下は結局PipeでFalseに設定されるので意味がなかった # # clip_sample=Trueにする # if hasattr(scheduler.config, "clip_sample") and scheduler.config.clip_sample is False: # print("set clip_sample to True") # scheduler.config.clip_sample = True # deviceを決定する device = torch.device("cuda" if torch.cuda.is_available() else "cpu") # "mps"を考量してない # custom pipelineをコピったやつを生成する if args.vae_slices: from library.slicing_vae import SlicingAutoencoderKL sli_vae = SlicingAutoencoderKL( act_fn="silu", block_out_channels=(128, 256, 512, 512), down_block_types=["DownEncoderBlock2D", "DownEncoderBlock2D", "DownEncoderBlock2D", "DownEncoderBlock2D"], in_channels=3, latent_channels=4, layers_per_block=2, norm_num_groups=32, out_channels=3, sample_size=512, up_block_types=["UpDecoderBlock2D", "UpDecoderBlock2D", "UpDecoderBlock2D", "UpDecoderBlock2D"], num_slices=args.vae_slices, ) sli_vae.load_state_dict(vae.state_dict()) # vaeのパラメータをコピーする vae = sli_vae del sli_vae vae_dtype = dtype if args.no_half_vae: logger.info("set vae_dtype to float32") vae_dtype = torch.float32 vae.to(vae_dtype).to(device) vae.eval() for text_encoder in text_encoders: text_encoder.to(dtype).to(device) text_encoder.eval() unet.to(dtype).to(device) unet.eval() # networkを組み込む if args.network_module: networks = [] network_default_muls = [] network_pre_calc = args.network_pre_calc # merge関連の引数を統合する if args.network_merge: network_merge = len(args.network_module) # all networks are merged elif args.network_merge_n_models: network_merge = args.network_merge_n_models else: network_merge = 0 logger.info(f"network_merge: {network_merge}") for i, network_module in enumerate(args.network_module): logger.info("import network module: {network_module}") imported_module = importlib.import_module(network_module) network_mul = 1.0 if args.network_mul is None or len(args.network_mul) <= i else args.network_mul[i] net_kwargs = {} if args.network_args and i < len(args.network_args): network_args = args.network_args[i] # TODO escape special chars network_args = network_args.split(";") for net_arg in network_args: key, value = net_arg.split("=") net_kwargs[key] = value if args.network_weights is None or len(args.network_weights) <= i: raise ValueError("No weight. Weight is required.") network_weight = args.network_weights[i] logger.info(f"load network weights from: {network_weight}") if model_util.is_safetensors(network_weight) and args.network_show_meta: from safetensors.torch import safe_open with safe_open(network_weight, framework="pt") as f: metadata = f.metadata() if metadata is not None: logger.info(f"metadata for: {network_weight}: {metadata}") network, weights_sd = imported_module.create_network_from_weights( network_mul, network_weight, vae, text_encoders, unet, for_inference=True, **net_kwargs ) if network is None: return mergeable = network.is_mergeable() if network_merge and not mergeable: logger.warning("network is not mergiable. ignore merge option.") if not mergeable or i >= network_merge: # not merging network.apply_to(text_encoders, unet) info = network.load_state_dict(weights_sd, False) # network.load_weightsを使うようにするとよい logger.info(f"weights are loaded: {info}") if args.opt_channels_last: network.to(memory_format=torch.channels_last) network.to(dtype).to(device) if network_pre_calc: logger.info("backup original weights") network.backup_weights() networks.append(network) network_default_muls.append(network_mul) else: network.merge_to(text_encoders, unet, weights_sd, dtype, device) else: networks = [] # upscalerの指定があれば取得する upscaler = None if args.highres_fix_upscaler: logger.info("import upscaler module: {args.highres_fix_upscaler}") imported_module = importlib.import_module(args.highres_fix_upscaler) us_kwargs = {} if args.highres_fix_upscaler_args: for net_arg in args.highres_fix_upscaler_args.split(";"): key, value = net_arg.split("=") us_kwargs[key] = value logger.info("create upscaler") upscaler = imported_module.create_upscaler(**us_kwargs) upscaler.to(dtype).to(device) # ControlNetの処理 control_nets: List[Union[ControlNetInfo, Tuple[SdxlControlNet, float]]] = [] if args.control_net_models: if not is_sdxl: for i, model in enumerate(args.control_net_models): prep_type = None if not args.control_net_preps or len(args.control_net_preps) <= i else args.control_net_preps[i] weight = 1.0 if not args.control_net_multipliers or len(args.control_net_multipliers) <= i else args.control_net_multipliers[i] ratio = 1.0 if not args.control_net_ratios or len(args.control_net_ratios) <= i else args.control_net_ratios[i] ctrl_unet, ctrl_net = original_control_net.load_control_net(args.v2, unet, model) prep = original_control_net.load_preprocess(prep_type) control_nets.append(ControlNetInfo(ctrl_unet, ctrl_net, prep, weight, ratio)) else: for i, model_file in enumerate(args.control_net_models): multiplier = ( 1.0 if not args.control_net_multipliers or len(args.control_net_multipliers) <= i else args.control_net_multipliers[i] ) ratio = 1.0 if not args.control_net_ratios or len(args.control_net_ratios) <= i else args.control_net_ratios[i] logger.info(f"loading SDXL ControlNet: {model_file}") from safetensors.torch import load_file state_dict = load_file(model_file) logger.info(f"Initializing SDXL ControlNet with multiplier: {multiplier}") with init_empty_weights(): control_net = SdxlControlNet(multiplier=multiplier) control_net.load_state_dict(state_dict) control_net.to(dtype).to(device) control_nets.append((control_net, ratio)) control_net_lllites: List[Tuple[ControlNetLLLite, float]] = [] if args.control_net_lllite_models: for i, model_file in enumerate(args.control_net_lllite_models): logger.info(f"loading ControlNet-LLLite: {model_file}") from safetensors.torch import load_file state_dict = load_file(model_file) mlp_dim = None cond_emb_dim = None for key, value in state_dict.items(): if mlp_dim is None and "down.0.weight" in key: mlp_dim = value.shape[0] elif cond_emb_dim is None and "conditioning1.0" in key: cond_emb_dim = value.shape[0] * 2 if mlp_dim is not None and cond_emb_dim is not None: break assert mlp_dim is not None and cond_emb_dim is not None, f"invalid control net: {model_file}" multiplier = ( 1.0 if not args.control_net_multipliers or len(args.control_net_multipliers) <= i else args.control_net_multipliers[i] ) ratio = 1.0 if not args.control_net_ratios or len(args.control_net_ratios) <= i else args.control_net_ratios[i] control_net_lllite = ControlNetLLLite(unet, cond_emb_dim, mlp_dim, multiplier=multiplier) control_net_lllite.apply_to() control_net_lllite.load_state_dict(state_dict) control_net_lllite.to(dtype).to(device) control_net_lllite.set_batch_cond_only(False, False) control_net_lllites.append((control_net_lllite, ratio)) assert ( len(control_nets) == 0 or len(control_net_lllites) == 0 ), "ControlNet and ControlNet-LLLite cannot be used at the same time" if args.opt_channels_last: logger.info(f"set optimizing: channels last") for text_encoder in text_encoders: text_encoder.to(memory_format=torch.channels_last) vae.to(memory_format=torch.channels_last) unet.to(memory_format=torch.channels_last) if networks: for network in networks: network.to(memory_format=torch.channels_last) for cn in control_nets: cn.to(memory_format=torch.channels_last) for cn in control_net_lllites: cn.to(memory_format=torch.channels_last) pipe = PipelineLike( is_sdxl, device, vae, text_encoders, tokenizers, unet, scheduler, args.clip_skip, ) pipe.set_control_nets(control_nets) pipe.set_control_net_lllites(control_net_lllites) logger.info("pipeline is ready.") if args.diffusers_xformers: pipe.enable_xformers_memory_efficient_attention() # Deep Shrink if args.ds_depth_1 is not None: unet.set_deep_shrink(args.ds_depth_1, args.ds_timesteps_1, args.ds_depth_2, args.ds_timesteps_2, args.ds_ratio) # Gradual Latent if args.gradual_latent_timesteps is not None: if args.gradual_latent_unsharp_params: us_params = args.gradual_latent_unsharp_params.split(",") us_ksize, us_sigma, us_strength = [float(v) for v in us_params[:3]] us_target_x = True if len(us_params) <= 3 else bool(int(us_params[3])) us_ksize = int(us_ksize) else: us_ksize, us_sigma, us_strength, us_target_x = None, None, None, None gradual_latent = GradualLatent( args.gradual_latent_ratio, args.gradual_latent_timesteps, args.gradual_latent_every_n_steps, args.gradual_latent_ratio_step, args.gradual_latent_s_noise, us_ksize, us_sigma, us_strength, us_target_x, ) pipe.set_gradual_latent(gradual_latent) # Textual Inversionを処理する if args.textual_inversion_embeddings: token_ids_embeds1 = [] token_ids_embeds2 = [] for embeds_file in args.textual_inversion_embeddings: if model_util.is_safetensors(embeds_file): from safetensors.torch import load_file data = load_file(embeds_file) else: data = torch.load(embeds_file, map_location="cpu") if "string_to_param" in data: data = data["string_to_param"] if is_sdxl: embeds1 = data["clip_l"] # text encoder 1 embeds2 = data["clip_g"] # text encoder 2 else: embeds1 = next(iter(data.values())) embeds2 = None num_vectors_per_token = embeds1.size()[0] token_string = os.path.splitext(os.path.basename(embeds_file))[0] token_strings = [token_string] + [f"{token_string}{i+1}" for i in range(num_vectors_per_token - 1)] # add new word to tokenizer, count is num_vectors_per_token num_added_tokens1 = tokenizers[0].add_tokens(token_strings) num_added_tokens2 = tokenizers[1].add_tokens(token_strings) if is_sdxl else 0 assert num_added_tokens1 == num_vectors_per_token and ( num_added_tokens2 == 0 or num_added_tokens2 == num_vectors_per_token ), ( f"tokenizer has same word to token string (filename): {embeds_file}" + f" / 指定した名前（ファイル名）のトークンが既に存在します: {embeds_file}" ) token_ids1 = tokenizers[0].convert_tokens_to_ids(token_strings) token_ids2 = tokenizers[1].convert_tokens_to_ids(token_strings) if is_sdxl else None logger.info(f"Textual Inversion embeddings `{token_string}` loaded. Tokens are added: {token_ids1} and {token_ids2}") assert ( min(token_ids1) == token_ids1[0] and token_ids1[-1] == token_ids1[0] + len(token_ids1) - 1 ), f"token ids1 is not ordered" assert not is_sdxl or ( min(token_ids2) == token_ids2[0] and token_ids2[-1] == token_ids2[0] + len(token_ids2) - 1 ), f"token ids2 is not ordered" assert len(tokenizers[0]) - 1 == token_ids1[-1], f"token ids 1 is not end of tokenize: {len(tokenizers[0])}" assert ( not is_sdxl or len(tokenizers[1]) - 1 == token_ids2[-1] ), f"token ids 2 is not end of tokenize: {len(tokenizers[1])}" if num_vectors_per_token > 1: pipe.add_token_replacement(0, token_ids1[0], token_ids1) # hoge -> hoge, hogea, hogeb, ... if is_sdxl: pipe.add_token_replacement(1, token_ids2[0], token_ids2) token_ids_embeds1.append((token_ids1, embeds1)) if is_sdxl: token_ids_embeds2.append((token_ids2, embeds2)) text_encoders[0].resize_token_embeddings(len(tokenizers[0])) token_embeds1 = text_encoders[0].get_input_embeddings().weight.data for token_ids, embeds in token_ids_embeds1: for token_id, embed in zip(token_ids, embeds): token_embeds1[token_id] = embed if is_sdxl: text_encoders[1].resize_token_embeddings(len(tokenizers[1])) token_embeds2 = text_encoders[1].get_input_embeddings().weight.data for token_ids, embeds in token_ids_embeds2: for token_id, embed in zip(token_ids, embeds): token_embeds2[token_id] = embed # promptを取得する prompt_list = None if args.from_file is not None: logger.info(f"reading prompts from {args.from_file}") with open(args.from_file, "r", encoding="utf-8") as f: prompt_list = f.read().splitlines() prompt_list = [d for d in prompt_list if len(d.strip()) > 0 and d[0] != "#"] prompter = ListPrompter(prompt_list) elif args.from_module is not None: def load_module_from_path(module_name, file_path): spec = importlib.util.spec_from_file_location(module_name, file_path) if spec is None: raise ImportError(f"Module '{module_name}' cannot be loaded from '{file_path}'") module = importlib.util.module_from_spec(spec) sys.modules[module_name] = module spec.loader.exec_module(module) return module logger.info(f"reading prompts from module: {args.from_module}") prompt_module = load_module_from_path("prompt_module", args.from_module) prompter = prompt_module.get_prompter(args, pipe, networks) elif args.prompt is not None: prompter = ListPrompter([args.prompt]) else: prompter = None # interactive mode if args.interactive: args.n_iter = 1 # img2imgの前処理、画像の読み込みなど def load_images(path): if os.path.isfile(path): paths = [path] else: paths = ( glob.glob(os.path.join(path, "*.png")) + glob.glob(os.path.join(path, "*.jpg")) + glob.glob(os.path.join(path, "*.jpeg")) + glob.glob(os.path.join(path, "*.webp")) ) paths.sort() images = [] for p in paths: image = Image.open(p) if image.mode != "RGB": logger.info(f"convert image to RGB from {image.mode}: {p}") image = image.convert("RGB") images.append(image) return images def resize_images(imgs, size): resized = [] for img in imgs: r_img = img.resize(size, Image.Resampling.LANCZOS) if hasattr(img, "filename"): # filename属性がない場合があるらしい r_img.filename = img.filename resized.append(r_img) return resized if args.image_path is not None: logger.info(f"load image for img2img: {args.image_path}") init_images = load_images(args.image_path) assert len(init_images) > 0, f"No image / 画像がありません: {args.image_path}" logger.info(f"loaded {len(init_images)} images for img2img") # CLIP Vision if args.clip_vision_strength is not None: logger.info(f"load CLIP Vision model: {CLIP_VISION_MODEL}") vision_model = CLIPVisionModelWithProjection.from_pretrained(CLIP_VISION_MODEL, projection_dim=1280) vision_model.to(device, dtype) processor = CLIPImageProcessor.from_pretrained(CLIP_VISION_MODEL) pipe.clip_vision_model = vision_model pipe.clip_vision_processor = processor pipe.clip_vision_strength = args.clip_vision_strength logger.info(f"CLIP Vision model loaded.") else: init_images = None if args.mask_path is not None: logger.info(f"load mask for inpainting: {args.mask_path}") mask_images = load_images(args.mask_path) assert len(mask_images) > 0, f"No mask image / マスク画像がありません: {args.image_path}" logger.info(f"loaded {len(mask_images)} mask images for inpainting") else: mask_images = None # promptがないとき、画像のPngInfoから取得する if init_images is not None and prompter is None and not args.interactive: logger.info("get prompts from images' metadata") prompt_list = [] for img in init_images: if "prompt" in img.text: prompt = img.text["prompt"] if "negative-prompt" in img.text: prompt += " --n " + img.text["negative-prompt"] prompt_list.append(prompt) prompter = ListPrompter(prompt_list) # プロンプトと画像を一致させるため指定回数だけ繰り返す（画像を増幅する） l = [] for im in init_images: l.extend([im] * args.images_per_prompt) init_images = l if mask_images is not None: l = [] for im in mask_images: l.extend([im] * args.images_per_prompt) mask_images = l # 画像サイズにオプション指定があるときはリサイズする if args.W is not None and args.H is not None: # highres fix を考慮に入れる w, h = args.W, args.H if highres_fix: w = int(w * args.highres_fix_scale + 0.5) h = int(h * args.highres_fix_scale + 0.5) if init_images is not None: logger.info(f"resize img2img source images to {w}*{h}") init_images = resize_images(init_images, (w, h)) if mask_images is not None: logger.info(f"resize img2img mask images to {w}*{h}") mask_images = resize_images(mask_images, (w, h)) regional_network = False if networks and mask_images: # mask を領域情報として流用する、現在は一回のコマンド呼び出しで1枚だけ対応 regional_network = True logger.info("use mask as region") size = None for i, network in enumerate(networks): if (i < 3 and args.network_regional_mask_max_color_codes is None) or i < args.network_regional_mask_max_color_codes: np_mask = np.array(mask_images[0]) if args.network_regional_mask_max_color_codes: # カラーコードでマスクを指定する ch0 = (i + 1) & 1 ch1 = ((i + 1) >> 1) & 1 ch2 = ((i + 1) >> 2) & 1 np_mask = np.all(np_mask == np.array([ch0, ch1, ch2]) * 255, axis=2) np_mask = np_mask.astype(np.uint8) * 255 else: np_mask = np_mask[:, :, i] size = np_mask.shape else: np_mask = np.full(size, 255, dtype=np.uint8) mask = torch.from_numpy(np_mask.astype(np.float32) / 255.0) network.set_region(i, i == len(networks) - 1, mask) mask_images = None prev_image = None # for VGG16 guided if args.guide_image_path is not None: logger.info(f"load image for ControlNet guidance: {args.guide_image_path}") guide_images = [] for p in args.guide_image_path: guide_images.extend(load_images(p)) logger.info(f"loaded {len(guide_images)} guide images for guidance") if len(guide_images) == 0: logger.warning( f"No guide image, use previous generated image. / ガイド画像がありません。直前に生成した画像を使います: {args.image_path}" ) guide_images = None else: guide_images = None # 新しい乱数生成器を作成する if args.seed is not None: if prompt_list and len(prompt_list) == 1 and args.images_per_prompt == 1: # 引数のseedをそのまま使う def fixed_seed(*args, **kwargs): return args.seed seed_random = SimpleNamespace(randint=fixed_seed) else: seed_random = random.Random(args.seed) else: seed_random = random.Random() # デフォルト画像サイズを設定する：img2imgではこれらの値は無視される（またはW*Hにリサイズ済み） if args.W is None: args.W = 1024 if is_sdxl else 512 if args.H is None: args.H = 1024 if is_sdxl else 512 # 画像生成のループ os.makedirs(args.outdir, exist_ok=True) max_embeddings_multiples = 1 if args.max_embeddings_multiples is None else args.max_embeddings_multiples for gen_iter in range(args.n_iter): logger.info(f"iteration {gen_iter+1}/{args.n_iter}") if args.iter_same_seed: iter_seed = seed_random.randint(0, 2**32 - 1) else: iter_seed = None # shuffle prompt list if args.shuffle_prompts: prompter.shuffle() # バッチ処理の関数 def process_batch(batch: List[BatchData], highres_fix, highres_1st=False): batch_size = len(batch) # highres_fixの処理 if highres_fix and not highres_1st: # 1st stageのバッチを作成して呼び出す：サイズを小さくして呼び出す is_1st_latent = upscaler.support_latents() if upscaler else args.highres_fix_latents_upscaling logger.info("process 1st stage") batch_1st = [] for _, base, ext in batch: def scale_and_round(x): if x is None: return None return int(x * args.highres_fix_scale + 0.5) width_1st = scale_and_round(ext.width) height_1st = scale_and_round(ext.height) width_1st = width_1st - width_1st % 32 height_1st = height_1st - height_1st % 32 original_width_1st = scale_and_round(ext.original_width) original_height_1st = scale_and_round(ext.original_height) original_width_negative_1st = scale_and_round(ext.original_width_negative) original_height_negative_1st = scale_and_round(ext.original_height_negative) crop_left_1st = scale_and_round(ext.crop_left) crop_top_1st = scale_and_round(ext.crop_top) strength_1st = ext.strength if args.highres_fix_strength is None else args.highres_fix_strength ext_1st = BatchDataExt( width_1st, height_1st, original_width_1st, original_height_1st, original_width_negative_1st, original_height_negative_1st, crop_left_1st, crop_top_1st, args.highres_fix_steps, ext.scale, ext.negative_scale, strength_1st, ext.network_muls, ext.num_sub_prompts, ) batch_1st.append(BatchData(is_1st_latent, base, ext_1st)) pipe.set_enable_control_net(True) # 1st stageではControlNetを有効にする images_1st = process_batch(batch_1st, True, True) # 2nd stageのバッチを作成して以下処理する logger.info("process 2nd stage") width_2nd, height_2nd = batch[0].ext.width, batch[0].ext.height if upscaler: # upscalerを使って画像を拡大する lowreso_imgs = None if is_1st_latent else images_1st lowreso_latents = None if not is_1st_latent else images_1st # 戻り値はPIL.Image.Imageかtorch.Tensorのlatents batch_size = len(images_1st) vae_batch_size = ( batch_size if args.vae_batch_size is None else (max(1, int(batch_size * args.vae_batch_size)) if args.vae_batch_size < 1 else args.vae_batch_size) ) vae_batch_size = int(vae_batch_size) images_1st = upscaler.upscale( vae, lowreso_imgs, lowreso_latents, dtype, width_2nd, height_2nd, batch_size, vae_batch_size ) elif args.highres_fix_latents_upscaling: # latentを拡大する org_dtype = images_1st.dtype if images_1st.dtype == torch.bfloat16: images_1st = images_1st.to(torch.float) # interpolateがbf16をサポートしていない images_1st = torch.nn.functional.interpolate( images_1st, (batch[0].ext.height // 8, batch[0].ext.width // 8), mode="bicubic", ) # , antialias=True) images_1st = images_1st.to(org_dtype) else: # 画像をLANCZOSで拡大する images_1st = [image.resize((width_2nd, height_2nd), resample=PIL.Image.LANCZOS) for image in images_1st] batch_2nd = [] for i, (bd, image) in enumerate(zip(batch, images_1st)): bd_2nd = BatchData(False, BatchDataBase(*bd.base[0:3], bd.base.seed + 1, image, None, *bd.base[6:]), bd.ext) batch_2nd.append(bd_2nd) batch = batch_2nd if args.highres_fix_disable_control_net: pipe.set_enable_control_net(False) # オプション指定時、2nd stageではControlNetを無効にする # このバッチの情報を取り出す ( return_latents, (step_first, _, _, _, init_image, mask_image, _, guide_image, _, _), ( width, height, original_width, original_height, original_width_negative, original_height_negative, crop_left, crop_top, steps, scale, negative_scale, strength, network_muls, num_sub_prompts, ), ) = batch[0] noise_shape = (LATENT_CHANNELS, height // DOWNSAMPLING_FACTOR, width // DOWNSAMPLING_FACTOR) prompts = [] negative_prompts = [] raw_prompts = [] filenames = [] start_code = torch.zeros((batch_size, *noise_shape), device=device, dtype=dtype) noises = [ torch.zeros((batch_size, *noise_shape), device=device, dtype=dtype) for _ in range(steps * scheduler_num_noises_per_step) ] seeds = [] clip_prompts = [] if init_image is not None: # img2img? i2i_noises = torch.zeros((batch_size, *noise_shape), device=device, dtype=dtype) init_images = [] if mask_image is not None: mask_images = [] else: mask_images = None else: i2i_noises = None init_images = None mask_images = None if guide_image is not None: # CLIP image guided? guide_images = [] else: guide_images = None # バッチ内の位置に関わらず同じ乱数を使うためにここで乱数を生成しておく。あわせてimage/maskがbatch内で同一かチェックする all_images_are_same = True all_masks_are_same = True all_guide_images_are_same = True for i, ( _, (_, prompt, negative_prompt, seed, init_image, mask_image, clip_prompt, guide_image, raw_prompt, filename), _, ) in enumerate(batch): prompts.append(prompt) negative_prompts.append(negative_prompt) seeds.append(seed) clip_prompts.append(clip_prompt) raw_prompts.append(raw_prompt) filenames.append(filename) if init_image is not None: init_images.append(init_image) if i > 0 and all_images_are_same: all_images_are_same = init_images[-2] is init_image if mask_image is not None: mask_images.append(mask_image) if i > 0 and all_masks_are_same: all_masks_are_same = mask_images[-2] is mask_image if guide_image is not None: if type(guide_image) is list: guide_images.extend(guide_image) all_guide_images_are_same = False else: guide_images.append(guide_image) if i > 0 and all_guide_images_are_same: all_guide_images_are_same = guide_images[-2] is guide_image # make start code torch.manual_seed(seed) start_code[i] = torch.randn(noise_shape, device=device, dtype=dtype) # pyramid noise if args.pyramid_noise_prob is not None and random.random() < args.pyramid_noise_prob: min_discount, max_discount = args.pyramid_noise_discount_range discount = torch.rand(1, device=device, dtype=dtype) * (max_discount - min_discount) + min_discount logger.info(f"apply pyramid noise to start code: {start_code[i].shape}, discount: {discount.item()}") start_code[i] = pyramid_noise_like(start_code[i].unsqueeze(0), device=device, discount=discount).squeeze(0) # noise offset if args.noise_offset_prob is not None and random.random() < args.noise_offset_prob: min_offset, max_offset = args.noise_offset_range noise_offset = torch.randn(1, device=device, dtype=dtype) * (max_offset - min_offset) + min_offset logger.info(f"apply noise offset to start code: {start_code[i].shape}, offset: {noise_offset.item()}") start_code[i] += noise_offset # make each noises for j in range(steps * scheduler_num_noises_per_step): noises[j][i] = torch.randn(noise_shape, device=device, dtype=dtype) if i2i_noises is not None: # img2img noise i2i_noises[i] = torch.randn(noise_shape, device=device, dtype=dtype) noise_manager.reset_sampler_noises(noises) # すべての画像が同じなら1枚だけpipeに渡すことでpipe側で処理を高速化する if init_images is not None and all_images_are_same: init_images = init_images[0] if mask_images is not None and all_masks_are_same: mask_images = mask_images[0] if guide_images is not None and all_guide_images_are_same: guide_images = guide_images[0] # ControlNet使用時はguide imageをリサイズする if control_nets or control_net_lllites: # TODO resampleのメソッド guide_images = guide_images if type(guide_images) == list else [guide_images] guide_images = [i.resize((width, height), resample=PIL.Image.LANCZOS) for i in guide_images] if len(guide_images) == 1: guide_images = guide_images[0] # generate if networks: # 追加ネットワークの処理 shared = {} for n, m in zip(networks, network_muls if network_muls else network_default_muls): n.set_multiplier(m) if regional_network: # TODO バッチから ds_ratio を取り出すべき n.set_current_generation(batch_size, num_sub_prompts, width, height, shared, unet.ds_ratio) if not regional_network and network_pre_calc: for n in networks: n.restore_weights() for n in networks: n.pre_calculation() logger.info("pre-calculation... done") images = pipe( prompts, negative_prompts, init_images, mask_images, height, width, original_height, original_width, original_height_negative, original_width_negative, crop_top, crop_left, steps, scale, negative_scale, strength, latents=start_code, output_type="pil", max_embeddings_multiples=max_embeddings_multiples, img2img_noise=i2i_noises, vae_batch_size=args.vae_batch_size, return_latents=return_latents, clip_prompts=clip_prompts, clip_guide_images=guide_images, emb_normalize_mode=args.emb_normalize_mode, force_scheduler_zero_steps_offset=args.force_scheduler_zero_steps_offset, ) if highres_1st and not args.highres_fix_save_1st: # return images or latents return images # save image highres_prefix = ("0" if highres_1st else "1") if highres_fix else "" ts_str = time.strftime("%Y%m%d%H%M%S", time.localtime()) for i, (image, prompt, negative_prompts, seed, clip_prompt, raw_prompt, filename) in enumerate( zip(images, prompts, negative_prompts, seeds, clip_prompts, raw_prompts, filenames) ): if highres_fix: seed -= 1 # record original seed metadata = PngInfo() metadata.add_text("prompt", prompt) metadata.add_text("seed", str(seed)) metadata.add_text("sampler", args.sampler) metadata.add_text("steps", str(steps)) metadata.add_text("scale", str(scale)) if negative_prompt is not None: metadata.add_text("negative-prompt", negative_prompt) if negative_scale is not None: metadata.add_text("negative-scale", str(negative_scale)) if clip_prompt is not None: metadata.add_text("clip-prompt", clip_prompt) if raw_prompt is not None: metadata.add_text("raw-prompt", raw_prompt) if is_sdxl: metadata.add_text("original-height", str(original_height)) metadata.add_text("original-width", str(original_width)) metadata.add_text("original-height-negative", str(original_height_negative)) metadata.add_text("original-width-negative", str(original_width_negative)) metadata.add_text("crop-top", str(crop_top)) metadata.add_text("crop-left", str(crop_left)) if filename is not None: fln = filename else: if args.use_original_file_name and init_images is not None: if type(init_images) is list: fln = os.path.splitext(os.path.basename(init_images[i % len(init_images)].filename))[0] + ".png" else: fln = os.path.splitext(os.path.basename(init_images.filename))[0] + ".png" elif args.sequential_file_name: fln = f"im_{highres_prefix}{step_first + i + 1:06d}.png" else: fln = f"im_{ts_str}_{highres_prefix}{i:03d}_{seed}.png" if fln.endswith(".webp"): image.save(os.path.join(args.outdir, fln), pnginfo=metadata, quality=100) # lossy else: image.save(os.path.join(args.outdir, fln), pnginfo=metadata) if not args.no_preview and not highres_1st and args.interactive: try: import cv2 for prompt, image in zip(prompts, images): cv2.imshow(prompt[:128], np.array(image)[:, :, ::-1]) # プロンプトが長いと死ぬ cv2.waitKey() cv2.destroyAllWindows() except ImportError: logger.warning( "opencv-python is not installed, cannot preview / opencv-pythonがインストールされていないためプレビューできません" ) return images # 画像生成のプロンプトが一周するまでのループ prompt_index = 0 global_step = 0 batch_data = [] while True: if args.interactive: # interactive valid = False while not valid: logger.info("\nType prompt:") try: raw_prompt = input() except EOFError: break valid = len(raw_prompt.strip().split(" --")[0].strip()) > 0 if not valid: # EOF, end app break else: raw_prompt = prompter(args, pipe, seed_random, iter_seed, prompt_index, global_step) if raw_prompt is None: break # sd-dynamic-prompts like variants: # count is 1 (not dynamic) or images_per_prompt (no enumeration) or arbitrary (enumeration) seeds = None m = re.search(r" --d ([\d+,]+)", raw_prompt, re.IGNORECASE) if m: seeds = [int(d) for d in m[0][5:].split(",")] logger.info(f"seeds: {seeds}") raw_prompt = raw_prompt[: m.start()] + raw_prompt[m.end() :] raw_prompts, prompt_seeds = handle_dynamic_prompt_variants(raw_prompt, args.images_per_prompt, seed_random, seeds) if prompt_seeds is not None: seeds = prompt_seeds # repeat prompt for pi in range(args.images_per_prompt if len(raw_prompts) == 1 else len(raw_prompts)): raw_prompt = raw_prompts[pi] if len(raw_prompts) > 1 else raw_prompts[0] filename = None if pi == 0 or len(raw_prompts) > 1: # parse prompt: if prompt is not changed, skip parsing width = args.W height = args.H original_width = args.original_width original_height = args.original_height original_width_negative = args.original_width_negative original_height_negative = args.original_height_negative crop_top = args.crop_top crop_left = args.crop_left scale = args.scale negative_scale = args.negative_scale steps = args.steps # seed = None # seeds = None strength = 0.8 if args.strength is None else args.strength negative_prompt = "" clip_prompt = None network_muls = None # Deep Shrink ds_depth_1 = None # means no override ds_timesteps_1 = args.ds_timesteps_1 ds_depth_2 = args.ds_depth_2 ds_timesteps_2 = args.ds_timesteps_2 ds_ratio = args.ds_ratio # Gradual Latent gl_timesteps = None # means no override gl_ratio = args.gradual_latent_ratio gl_every_n_steps = args.gradual_latent_every_n_steps gl_ratio_step = args.gradual_latent_ratio_step gl_s_noise = args.gradual_latent_s_noise gl_unsharp_params = args.gradual_latent_unsharp_params prompt_args = raw_prompt.strip().split(" --") prompt = prompt_args[0] length = len(prompter) if hasattr(prompter, "__len__") else 0 logger.info(f"prompt {prompt_index+1}/{length}: {prompt}") for parg in prompt_args[1:]: try: m = re.match(r"w (\d+)", parg, re.IGNORECASE) if m: width = int(m.group(1)) logger.info(f"width: {width}") continue m = re.match(r"h (\d+)", parg, re.IGNORECASE) if m: height = int(m.group(1)) logger.info(f"height: {height}") continue m = re.match(r"ow (\d+)", parg, re.IGNORECASE) if m: original_width = int(m.group(1)) logger.info(f"original width: {original_width}") continue m = re.match(r"oh (\d+)", parg, re.IGNORECASE) if m: original_height = int(m.group(1)) logger.info(f"original height: {original_height}") continue m = re.match(r"nw (\d+)", parg, re.IGNORECASE) if m: original_width_negative = int(m.group(1)) logger.info(f"original width negative: {original_width_negative}") continue m = re.match(r"nh (\d+)", parg, re.IGNORECASE) if m: original_height_negative = int(m.group(1)) logger.info(f"original height negative: {original_height_negative}") continue m = re.match(r"ct (\d+)", parg, re.IGNORECASE) if m: crop_top = int(m.group(1)) logger.info(f"crop top: {crop_top}") continue m = re.match(r"cl (\d+)", parg, re.IGNORECASE) if m: crop_left = int(m.group(1)) logger.info(f"crop left: {crop_left}") continue m = re.match(r"s (\d+)", parg, re.IGNORECASE) if m: # steps steps = max(1, min(1000, int(m.group(1)))) logger.info(f"steps: {steps}") continue # m = re.match(r"d ([\d,]+)", parg, re.IGNORECASE) # if m: # seed # seeds = [int(d) for d in m.group(1).split(",")] # logger.info(f"seeds: {seeds}") # continue m = re.match(r"l ([\d\.]+)", parg, re.IGNORECASE) if m: # scale scale = float(m.group(1)) logger.info(f"scale: {scale}") continue m = re.match(r"nl ([\d\.]+|none|None)", parg, re.IGNORECASE) if m: # negative scale if m.group(1).lower() == "none": negative_scale = None else: negative_scale = float(m.group(1)) logger.info(f"negative scale: {negative_scale}") continue m = re.match(r"t ([\d\.]+)", parg, re.IGNORECASE) if m: # strength strength = float(m.group(1)) logger.info(f"strength: {strength}") continue m = re.match(r"n (.+)", parg, re.IGNORECASE) if m: # negative prompt negative_prompt = m.group(1) logger.info(f"negative prompt: {negative_prompt}") continue m = re.match(r"c (.+)", parg, re.IGNORECASE) if m: # clip prompt clip_prompt = m.group(1) logger.info(f"clip prompt: {clip_prompt}") continue m = re.match(r"am ([\d\.\-,]+)", parg, re.IGNORECASE) if m: # network multiplies network_muls = [float(v) for v in m.group(1).split(",")] while len(network_muls) < len(networks): network_muls.append(network_muls[-1]) logger.info(f"network mul: {network_muls}") continue # Deep Shrink m = re.match(r"dsd1 ([\d\.]+)", parg, re.IGNORECASE) if m: # deep shrink depth 1 ds_depth_1 = int(m.group(1)) logger.info(f"deep shrink depth 1: {ds_depth_1}") continue m = re.match(r"dst1 ([\d\.]+)", parg, re.IGNORECASE) if m: # deep shrink timesteps 1 ds_timesteps_1 = int(m.group(1)) ds_depth_1 = ds_depth_1 if ds_depth_1 is not None else -1 # -1 means override logger.info(f"deep shrink timesteps 1: {ds_timesteps_1}") continue m = re.match(r"dsd2 ([\d\.]+)", parg, re.IGNORECASE) if m: # deep shrink depth 2 ds_depth_2 = int(m.group(1)) ds_depth_1 = ds_depth_1 if ds_depth_1 is not None else -1 # -1 means override logger.info(f"deep shrink depth 2: {ds_depth_2}") continue m = re.match(r"dst2 ([\d\.]+)", parg, re.IGNORECASE) if m: # deep shrink timesteps 2 ds_timesteps_2 = int(m.group(1)) ds_depth_1 = ds_depth_1 if ds_depth_1 is not None else -1 # -1 means override logger.info(f"deep shrink timesteps 2: {ds_timesteps_2}") continue m = re.match(r"dsr ([\d\.]+)", parg, re.IGNORECASE) if m: # deep shrink ratio ds_ratio = float(m.group(1)) ds_depth_1 = ds_depth_1 if ds_depth_1 is not None else -1 # -1 means override logger.info(f"deep shrink ratio: {ds_ratio}") continue # Gradual Latent m = re.match(r"glt ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent timesteps gl_timesteps = int(m.group(1)) logger.info(f"gradual latent timesteps: {gl_timesteps}") continue m = re.match(r"glr ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent ratio gl_ratio = float(m.group(1)) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent ratio: {ds_ratio}") continue m = re.match(r"gle ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent every n steps gl_every_n_steps = int(m.group(1)) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent every n steps: {gl_every_n_steps}") continue m = re.match(r"gls ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent ratio step gl_ratio_step = float(m.group(1)) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent ratio step: {gl_ratio_step}") continue m = re.match(r"glsn ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent s noise gl_s_noise = float(m.group(1)) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent s noise: {gl_s_noise}") continue m = re.match(r"glus ([\d\.\-,]+)", parg, re.IGNORECASE) if m: # gradual latent unsharp params gl_unsharp_params = m.group(1) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent unsharp params: {gl_unsharp_params}") continue m = re.match(r"f (.+)", parg, re.IGNORECASE) if m: # filename filename = m.group(1) logger.info(f"filename: {filename}") continue except ValueError as ex: logger.error(f"Exception in parsing / 解析エラー: {parg}") logger.error(f"{ex}") # override Deep Shrink if ds_depth_1 is not None: if ds_depth_1 < 0: ds_depth_1 = args.ds_depth_1 or 3 unet.set_deep_shrink(ds_depth_1, ds_timesteps_1, ds_depth_2, ds_timesteps_2, ds_ratio) # override Gradual Latent if gl_timesteps is not None: if gl_timesteps < 0: gl_timesteps = args.gradual_latent_timesteps or 650 if gl_unsharp_params is not None: unsharp_params = gl_unsharp_params.split(",") us_ksize, us_sigma, us_strength = [float(v) for v in unsharp_params[:3]] us_target_x = True if len(unsharp_params) < 4 else bool(int(unsharp_params[3])) us_ksize = int(us_ksize) else: us_ksize, us_sigma, us_strength, us_target_x = None, None, None, None gradual_latent = GradualLatent( gl_ratio, gl_timesteps, gl_every_n_steps, gl_ratio_step, gl_s_noise, us_ksize, us_sigma, us_strength, us_target_x, ) pipe.set_gradual_latent(gradual_latent) # prepare seed if seeds is not None: # given in prompt # num_images_per_promptが多い場合は足りなくなるので、足りない分は前のを使う if len(seeds) > 0: seed = seeds.pop(0) else: if args.iter_same_seed: seed = iter_seed else: seed = None # 前のを消す if seed is None: seed = seed_random.randint(0, 2**32 - 1) if args.interactive: logger.info(f"seed: {seed}") # prepare init image, guide image and mask init_image = mask_image = guide_image = None # 同一イメージを使うとき、本当はlatentに変換しておくと無駄がないが面倒なのでとりあえず毎回処理する if init_images is not None: init_image = init_images[global_step % len(init_images)] # img2imgの場合は、基本的に元画像のサイズで生成する。highres fixの場合はargs.W, args.Hとscaleに従いリサイズ済みなので無視する # 32単位に丸めたやつにresizeされるので踏襲する if not highres_fix: width, height = init_image.size width = width - width % 32 height = height - height % 32 if width != init_image.size[0] or height != init_image.size[1]: logger.warning( f"img2img image size is not divisible by 32 so aspect ratio is changed / img2imgの画像サイズが32で割り切れないためリサイズされます。画像が歪みます" ) if mask_images is not None: mask_image = mask_images[global_step % len(mask_images)] if guide_images is not None: if control_nets or control_net_lllites: # 複数件の場合あり c = max(len(control_nets), len(control_net_lllites)) p = global_step % (len(guide_images) // c) guide_image = guide_images[p * c : p * c + c] else: guide_image = guide_images[global_step % len(guide_images)] if regional_network: num_sub_prompts = len(prompt.split(" AND ")) assert ( len(networks) <= num_sub_prompts ), "Number of networks must be less than or equal to number of sub prompts." else: num_sub_prompts = None b1 = BatchData( False, BatchDataBase( global_step, prompt, negative_prompt, seed, init_image, mask_image, clip_prompt, guide_image, raw_prompt, filename, ), BatchDataExt( width, height, original_width, original_height, original_width_negative, original_height_negative, crop_left, crop_top, steps, scale, negative_scale, strength, tuple(network_muls) if network_muls else None, num_sub_prompts, ), ) if len(batch_data) > 0 and batch_data[-1].ext != b1.ext: # バッチ分割必要？ process_batch(batch_data, highres_fix) batch_data.clear() batch_data.append(b1) if len(batch_data) == args.batch_size: prev_image = process_batch(batch_data, highres_fix)[0] batch_data.clear() global_step += 1 prompt_index += 1 if len(batch_data) > 0: process_batch(batch_data, highres_fix) batch_data.clear() logger.info("done!") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) parser.add_argument( "--sdxl", action="store_true", help="load Stable Diffusion XL model / Stable Diffusion XLのモデルを読み込む" ) parser.add_argument( "--v1", action="store_true", help="load Stable Diffusion v1.x model / Stable Diffusion 1.xのモデルを読み込む" ) parser.add_argument( "--v2", action="store_true", help="load Stable Diffusion v2.0 model / Stable Diffusion 2.0のモデルを読み込む" ) parser.add_argument( "--v_parameterization", action="store_true", help="enable v-parameterization training / v-parameterization学習を有効にする" ) parser.add_argument( "--zero_terminal_snr", action="store_true", help="fix noise scheduler betas to enforce zero terminal SNR / noise schedulerのbetasを修正して、zero terminal SNRを強制する", ) parser.add_argument( "--pyramid_noise_prob", type=float, default=None, help="probability for pyramid noise / ピラミッドノイズの確率" ) parser.add_argument( "--pyramid_noise_discount_range", type=float, nargs=2, default=None, help="discount range for pyramid noise / ピラミッドノイズの割引範囲", ) parser.add_argument( "--noise_offset_prob", type=float, default=None, help="probability for noise offset / ノイズオフセットの確率" ) parser.add_argument( "--noise_offset_range", type=float, nargs=2, default=None, help="range for noise offset / ノイズオフセットの範囲" ) parser.add_argument("--prompt", type=str, default=None, help="prompt / プロンプト") parser.add_argument( "--from_file", type=str, default=None, help="if specified, load prompts from this file / 指定時はプロンプトをファイルから読み込む", ) parser.add_argument( "--from_module", type=str, default=None, help="if specified, load prompts from this module / 指定時はプロンプトをモジュールから読み込む", ) parser.add_argument( "--prompter_module_args", type=str, default=None, help="args for prompter module / prompterモジュールの引数" ) parser.add_argument( "--interactive", action="store_true", help="interactive mode (generates one image) / 対話モード（生成される画像は1枚になります）", ) parser.add_argument( "--no_preview", action="store_true", help="do not show generated image in interactive mode / 対話モードで画像を表示しない" ) parser.add_argument( "--image_path", type=str, default=None, help="image to inpaint or to generate from / img2imgまたはinpaintを行う元画像" ) parser.add_argument("--mask_path", type=str, default=None, help="mask in inpainting / inpaint時のマスク") parser.add_argument("--strength", type=float, default=None, help="img2img strength / img2img時のstrength") parser.add_argument("--images_per_prompt", type=int, default=1, help="number of images per prompt / プロンプトあたりの出力枚数") parser.add_argument("--outdir", type=str, default="outputs", help="dir to write results to / 生成画像の出力先") parser.add_argument( "--sequential_file_name", action="store_true", help="sequential output file name / 生成画像のファイル名を連番にする" ) parser.add_argument( "--use_original_file_name", action="store_true", help="prepend original file name in img2img / img2imgで元画像のファイル名を生成画像のファイル名の先頭に付ける", ) # parser.add_argument("--ddim_eta", type=float, default=0.0, help="ddim eta (eta=0.0 corresponds to deterministic sampling", ) parser.add_argument("--n_iter", type=int, default=1, help="sample this often / 繰り返し回数") parser.add_argument("--H", type=int, default=None, help="image height, in pixel space / 生成画像高さ") parser.add_argument("--W", type=int, default=None, help="image width, in pixel space / 生成画像幅") parser.add_argument( "--original_height", type=int, default=None, help="original height for SDXL conditioning / SDXLの条件付けに用いるoriginal heightの値", ) parser.add_argument( "--original_width", type=int, default=None, help="original width for SDXL conditioning / SDXLの条件付けに用いるoriginal widthの値", ) parser.add_argument( "--original_height_negative", type=int, default=None, help="original height for SDXL unconditioning / SDXLのネガティブ条件付けに用いるoriginal heightの値", ) parser.add_argument( "--original_width_negative", type=int, default=None, help="original width for SDXL unconditioning / SDXLのネガティブ条件付けに用いるoriginal widthの値", ) parser.add_argument( "--crop_top", type=int, default=None, help="crop top for SDXL conditioning / SDXLの条件付けに用いるcrop topの値" ) parser.add_argument( "--crop_left", type=int, default=None, help="crop left for SDXL conditioning / SDXLの条件付けに用いるcrop leftの値" ) parser.add_argument("--batch_size", type=int, default=1, help="batch size / バッチサイズ") parser.add_argument( "--vae_batch_size", type=float, default=None, help="batch size for VAE, < 1.0 for ratio / VAE処理時のバッチサイズ、1未満の値の場合は通常バッチサイズの比率", ) parser.add_argument( "--vae_slices", type=int, default=None, help="number of slices to split image into for VAE to reduce VRAM usage, None for no splitting (default), slower if specified. 16 or 32 recommended / VAE処理時にVRAM使用量削減のため画像を分割するスライス数、Noneの場合は分割しない（デフォルト）、指定すると遅くなる。16か32程度を推奨", ) parser.add_argument( "--no_half_vae", action="store_true", help="do not use fp16/bf16 precision for VAE / VAE処理時にfp16/bf16を使わない" ) parser.add_argument("--steps", type=int, default=50, help="number of ddim sampling steps / サンプリングステップ数") parser.add_argument( "--sampler", type=str, default="ddim", choices=[ "ddim", "pndm", "lms", "euler", "euler_a", "heun", "dpm_2", "dpm_2_a", "dpmsolver", "dpmsolver++", "dpmsingle", "k_lms", "k_euler", "k_euler_a", "k_dpm_2", "k_dpm_2_a", ], help=f"sampler (scheduler) type / サンプラー（スケジューラ）の種類", ) parser.add_argument( "--scale", type=float, default=7.5, help="unconditional guidance scale: eps = eps(x, empty) + scale * (eps(x, cond) - eps(x, empty)) / guidance scale", ) parser.add_argument( "--ckpt", type=str, default=None, help="path to checkpoint of model / モデルのcheckpointファイルまたはディレクトリ" ) parser.add_argument( "--vae", type=str, default=None, help="path to checkpoint of vae to replace / VAEを入れ替える場合、VAEのcheckpointファイルまたはディレクトリ", ) parser.add_argument( "--tokenizer_cache_dir", type=str, default=None, help="directory for caching Tokenizer (for offline training) / Tokenizerをキャッシュするディレクトリ（ネット接続なしでの学習のため）", ) # parser.add_argument("--replace_clip_l14_336", action='store_true', # help="Replace CLIP (Text Encoder) to l/14@336 / CLIP(Text Encoder)をl/14@336に入れ替える") parser.add_argument( "--seed", type=int, default=None, help="seed, or seed of seeds in multiple generation / 1枚生成時のseed、または複数枚生成時の乱数seedを決めるためのseed", ) parser.add_argument( "--iter_same_seed", action="store_true", help="use same seed for all prompts in iteration if no seed specified / 乱数seedの指定がないとき繰り返し内はすべて同じseedを使う（プロンプト間の差異の比較用）", ) parser.add_argument( "--shuffle_prompts", action="store_true", help="shuffle prompts in iteration / 繰り返し内のプロンプトをシャッフルする", ) parser.add_argument("--fp16", action="store_true", help="use fp16 / fp16を指定し省メモリ化する") parser.add_argument("--bf16", action="store_true", help="use bfloat16 / bfloat16を指定し省メモリ化する") parser.add_argument("--xformers", action="store_true", help="use xformers / xformersを使用し高速化する") parser.add_argument("--sdpa", action="store_true", help="use sdpa in PyTorch 2 / sdpa") parser.add_argument( "--diffusers_xformers", action="store_true", help="use xformers by diffusers (Hypernetworks doesn't work) / Diffusersでxformersを使用する（Hypernetwork利用不可）", ) parser.add_argument( "--opt_channels_last", action="store_true", help="set channels last option to model / モデルにchannels lastを指定し最適化する", ) parser.add_argument( "--network_module", type=str, default=None, nargs="*", help="additional network module to use / 追加ネットワークを使う時そのモジュール名", ) parser.add_argument( "--network_weights", type=str, default=None, nargs="*", help="additional network weights to load / 追加ネットワークの重み" ) parser.add_argument( "--network_mul", type=float, default=None, nargs="*", help="additional network multiplier / 追加ネットワークの効果の倍率" ) parser.add_argument( "--network_args", type=str, default=None, nargs="*", help="additional arguments for network (key=value) / ネットワークへの追加の引数", ) parser.add_argument( "--network_show_meta", action="store_true", help="show metadata of network model / ネットワークモデルのメタデータを表示する" ) parser.add_argument( "--network_merge_n_models", type=int, default=None, help="merge this number of networks / この数だけネットワークをマージする", ) parser.add_argument( "--network_merge", action="store_true", help="merge network weights to original model / ネットワークの重みをマージする" ) parser.add_argument( "--network_pre_calc", action="store_true", help="pre-calculate network for generation / ネットワークのあらかじめ計算して生成する", ) parser.add_argument( "--network_regional_mask_max_color_codes", type=int, default=None, help="max color codes for regional mask (default is None, mask by channel) / regional maskの最大色数（デフォルトはNoneでチャンネルごとのマスク）", ) parser.add_argument( "--textual_inversion_embeddings", type=str, default=None, nargs="*", help="Embeddings files of Textual Inversion / Textual Inversionのembeddings", ) parser.add_argument( "--clip_skip", type=int, default=None, help="layer number from bottom to use in CLIP, default is 1 for SD1/2, 2 for SDXL " + "/ CLIPの後ろからn層目の出力を使う（デフォルトはSD1/2の場合1、SDXLの場合2）", ) parser.add_argument( "--max_embeddings_multiples", type=int, default=None, help="max embedding multiples, max token length is 75 * multiples / トークン長をデフォルトの何倍とするか 75*この値 がトークン長となる", ) parser.add_argument( "--emb_normalize_mode", type=str, default="original", choices=["original", "none", "abs"], help="embedding normalization mode / embeddingの正規化モード", ) parser.add_argument( "--force_scheduler_zero_steps_offset", action="store_true", help="force scheduler steps offset to zero" + " / スケジューラのステップオフセットをスケジューラ設定の `steps_offset` の値に関わらず強制的にゼロにする", ) parser.add_argument( "--guide_image_path", type=str, default=None, nargs="*", help="image to ControlNet / ControlNetでガイドに使う画像" ) parser.add_argument( "--highres_fix_scale", type=float, default=None, help="enable highres fix, reso scale for 1st stage / highres fixを有効にして最初の解像度をこのscaleにする", ) parser.add_argument( "--highres_fix_steps", type=int, default=28, help="1st stage steps for highres fix / highres fixの最初のステージのステップ数", ) parser.add_argument( "--highres_fix_strength", type=float, default=None, help="1st stage img2img strength for highres fix / highres fixの最初のステージのimg2img時のstrength、省略時はstrengthと同じ", ) parser.add_argument( "--highres_fix_save_1st", action="store_true", help="save 1st stage images for highres fix / highres fixの最初のステージの画像を保存する", ) parser.add_argument( "--highres_fix_latents_upscaling", action="store_true", help="use latents upscaling for highres fix / highres fixでlatentで拡大する", ) parser.add_argument( "--highres_fix_upscaler", type=str, default=None, help="upscaler module for highres fix / highres fixで使うupscalerのモジュール名", ) parser.add_argument( "--highres_fix_upscaler_args", type=str, default=None, help="additional arguments for upscaler (key=value) / upscalerへの追加の引数", ) parser.add_argument( "--highres_fix_disable_control_net", action="store_true", help="disable ControlNet for highres fix / highres fixでControlNetを使わない", ) parser.add_argument( "--negative_scale", type=float, default=None, help="set another guidance scale for negative prompt / ネガティブプロンプトのscaleを指定する", ) parser.add_argument( "--control_net_lllite_models", type=str, default=None, nargs="*", help="ControlNet models to use / 使用するControlNetのモデル名", ) parser.add_argument( "--control_net_models", type=str, default=None, nargs="*", help="ControlNet models to use / 使用するControlNetのモデル名" ) parser.add_argument( "--control_net_preps", type=str, default=None, nargs="*", help="ControlNet preprocess to use / 使用するControlNetのプリプロセス名", ) parser.add_argument( "--control_net_multipliers", type=float, default=None, nargs="*", help="ControlNet multiplier / ControlNetの適用率" ) parser.add_argument( "--control_net_ratios", type=float, default=None, nargs="*", help="ControlNet guidance ratio for steps / ControlNetでガイドするステップ比率", ) parser.add_argument( "--clip_vision_strength", type=float, default=None, help="enable CLIP Vision Conditioning for img2img with this strength / img2imgでCLIP Vision Conditioningを有効にしてこのstrengthで処理する", ) # Deep Shrink parser.add_argument( "--ds_depth_1", type=int, default=None, help="Enable Deep Shrink with this depth 1, valid values are 0 to 8 / Deep Shrinkをこのdepthで有効にする", ) parser.add_argument( "--ds_timesteps_1", type=int, default=650, help="Apply Deep Shrink depth 1 until this timesteps / Deep Shrink depth 1を適用するtimesteps", ) parser.add_argument("--ds_depth_2", type=int, default=None, help="Deep Shrink depth 2 / Deep Shrinkのdepth 2") parser.add_argument( "--ds_timesteps_2", type=int, default=650, help="Apply Deep Shrink depth 2 until this timesteps / Deep Shrink depth 2を適用するtimesteps", ) parser.add_argument( "--ds_ratio", type=float, default=0.5, help="Deep Shrink ratio for downsampling / Deep Shrinkのdownsampling比率" ) # gradual latent parser.add_argument( "--gradual_latent_timesteps", type=int, default=None, help="enable Gradual Latent hires fix and apply upscaling from this timesteps / Gradual Latent hires fixをこのtimestepsで有効にし、このtimestepsからアップスケーリングを適用する", ) parser.add_argument( "--gradual_latent_ratio", type=float, default=0.5, help=" this size ratio, 0.5 means 1/2 / Gradual Latent hires fixをこのサイズ比率で有効にする、0.5は1/2を意味する", ) parser.add_argument( "--gradual_latent_ratio_step", type=float, default=0.125, help="step to increase ratio for Gradual Latent / Gradual Latentのratioをどのくらいずつ上げるか", ) parser.add_argument( "--gradual_latent_every_n_steps", type=int, default=3, help="steps to increase size of latents every this steps for Gradual Latent / Gradual Latentでlatentsのサイズをこのステップごとに上げる", ) parser.add_argument( "--gradual_latent_s_noise", type=float, default=1.0, help="s_noise for Gradual Latent / Gradual Latentのs_noise", ) parser.add_argument( "--gradual_latent_unsharp_params", type=str, default=None, help="unsharp mask parameters for Gradual Latent: ksize, sigma, strength, target-x (1 means True). `3,0.5,0.5,1` or `3,1.0,1.0,0` is recommended /" + " Gradual Latentのunsharp maskのパラメータ: ksize, sigma, strength, target-x. `3,0.5,0.5,1` または `3,1.0,1.0,0` が推奨", ) # # parser.add_argument( # "--control_net_image_path", type=str, default=None, nargs="*", help="image for ControlNet guidance / ControlNetでガイドに使う画像" # ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() main(args) ================================================ FILE: gen_img_diffusers.py ================================================ """ VGG( (features): Sequential( (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (1): ReLU(inplace=True) (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (3): ReLU(inplace=True) (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (6): ReLU(inplace=True) (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (8): ReLU(inplace=True) (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (11): ReLU(inplace=True) (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (13): ReLU(inplace=True) (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (15): ReLU(inplace=True) (16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (18): ReLU(inplace=True) (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (20): ReLU(inplace=True) (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (22): ReLU(inplace=True) (23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (25): ReLU(inplace=True) (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (27): ReLU(inplace=True) (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (29): ReLU(inplace=True) (30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) ) (avgpool): AdaptiveAvgPool2d(output_size=(7, 7)) (classifier): Sequential( (0): Linear(in_features=25088, out_features=4096, bias=True) (1): ReLU(inplace=True) (2): Dropout(p=0.5, inplace=False) (3): Linear(in_features=4096, out_features=4096, bias=True) (4): ReLU(inplace=True) (5): Dropout(p=0.5, inplace=False) (6): Linear(in_features=4096, out_features=1000, bias=True) ) ) """ import itertools import json from typing import Any, List, NamedTuple, Optional, Tuple, Union, Callable import glob import importlib import inspect import time import zipfile from diffusers.utils import deprecate from diffusers.configuration_utils import FrozenDict import argparse import math import os import random import re import diffusers import numpy as np import torch from library.device_utils import init_ipex, clean_memory, get_preferred_device init_ipex() import torchvision from diffusers import ( AutoencoderKL, DDPMScheduler, EulerAncestralDiscreteScheduler, DPMSolverMultistepScheduler, DPMSolverSinglestepScheduler, LMSDiscreteScheduler, PNDMScheduler, DDIMScheduler, EulerDiscreteScheduler, HeunDiscreteScheduler, KDPM2DiscreteScheduler, KDPM2AncestralDiscreteScheduler, # UNet2DConditionModel, StableDiffusionPipeline, ) from einops import rearrange from tqdm import tqdm from torchvision import transforms from transformers import CLIPTextModel, CLIPTokenizer, CLIPModel, CLIPTextConfig import PIL from PIL import Image from PIL.PngImagePlugin import PngInfo import library.model_util as model_util import library.train_util as train_util from networks.lora import LoRANetwork import tools.original_control_net as original_control_net from tools.original_control_net import ControlNetInfo from library.original_unet import UNet2DConditionModel, InferUNet2DConditionModel from library.original_unet import FlashAttentionFunction from library.utils import GradualLatent, EulerAncestralDiscreteSchedulerGL from XTI_hijack import unet_forward_XTI, downblock_forward_XTI, upblock_forward_XTI from library.utils import setup_logging, add_logging_arguments setup_logging() import logging logger = logging.getLogger(__name__) # scheduler: SCHEDULER_LINEAR_START = 0.00085 SCHEDULER_LINEAR_END = 0.0120 SCHEDULER_TIMESTEPS = 1000 SCHEDLER_SCHEDULE = "scaled_linear" # その他の設定 LATENT_CHANNELS = 4 DOWNSAMPLING_FACTOR = 8 # CLIP_ID_L14_336 = "openai/clip-vit-large-patch14-336" # CLIP guided SD関連 CLIP_MODEL_PATH = "laion/CLIP-ViT-B-32-laion2B-s34B-b79K" FEATURE_EXTRACTOR_SIZE = (224, 224) FEATURE_EXTRACTOR_IMAGE_MEAN = [0.48145466, 0.4578275, 0.40821073] FEATURE_EXTRACTOR_IMAGE_STD = [0.26862954, 0.26130258, 0.27577711] VGG16_IMAGE_MEAN = [0.485, 0.456, 0.406] VGG16_IMAGE_STD = [0.229, 0.224, 0.225] VGG16_INPUT_RESIZE_DIV = 4 # CLIP特徴量の取得時にcutoutを使うか：使う場合にはソースを書き換えてください NUM_CUTOUTS = 4 USE_CUTOUTS = False # region モジュール入れ替え部 """ 高速化のためのモジュール入れ替え """ def replace_unet_modules(unet: diffusers.models.unet_2d_condition.UNet2DConditionModel, mem_eff_attn, xformers, sdpa): if mem_eff_attn: logger.info("Enable memory efficient attention for U-Net") # これはDiffusersのU-Netではなく自前のU-Netなので置き換えなくても良い unet.set_use_memory_efficient_attention(False, True) elif xformers: logger.info("Enable xformers for U-Net") try: import xformers.ops except ImportError: raise ImportError("No xformers / xformersがインストールされていないようです") unet.set_use_memory_efficient_attention(True, False) elif sdpa: logger.info("Enable SDPA for U-Net") unet.set_use_memory_efficient_attention(False, False) unet.set_use_sdpa(True) # TODO common train_util.py def replace_vae_modules(vae: diffusers.models.AutoencoderKL, mem_eff_attn, xformers, sdpa): if mem_eff_attn: replace_vae_attn_to_memory_efficient() elif xformers: replace_vae_attn_to_xformers() elif sdpa: replace_vae_attn_to_sdpa() def replace_vae_attn_to_memory_efficient(): logger.info("VAE Attention.forward has been replaced to FlashAttention (not xformers)") flash_func = FlashAttentionFunction def forward_flash_attn(self, hidden_states, **kwargs): q_bucket_size = 512 k_bucket_size = 1024 residual = hidden_states batch, channel, height, width = hidden_states.shape # norm hidden_states = self.group_norm(hidden_states) hidden_states = hidden_states.view(batch, channel, height * width).transpose(1, 2) # proj to q, k, v query_proj = self.to_q(hidden_states) key_proj = self.to_k(hidden_states) value_proj = self.to_v(hidden_states) query_proj, key_proj, value_proj = map( lambda t: rearrange(t, "b n (h d) -> b h n d", h=self.heads), (query_proj, key_proj, value_proj) ) out = flash_func.apply(query_proj, key_proj, value_proj, None, False, q_bucket_size, k_bucket_size) out = rearrange(out, "b h n d -> b n (h d)") # compute next hidden_states # linear proj hidden_states = self.to_out[0](hidden_states) # dropout hidden_states = self.to_out[1](hidden_states) hidden_states = hidden_states.transpose(-1, -2).reshape(batch, channel, height, width) # res connect and rescale hidden_states = (hidden_states + residual) / self.rescale_output_factor return hidden_states def forward_flash_attn_0_14(self, hidden_states, **kwargs): if not hasattr(self, "to_q"): self.to_q = self.query self.to_k = self.key self.to_v = self.value self.to_out = [self.proj_attn, torch.nn.Identity()] self.heads = self.num_heads return forward_flash_attn(self, hidden_states, **kwargs) if diffusers.__version__ < "0.15.0": diffusers.models.attention.AttentionBlock.forward = forward_flash_attn_0_14 else: diffusers.models.attention_processor.Attention.forward = forward_flash_attn def replace_vae_attn_to_xformers(): logger.info("VAE: Attention.forward has been replaced to xformers") import xformers.ops def forward_xformers(self, hidden_states, **kwargs): residual = hidden_states batch, channel, height, width = hidden_states.shape # norm hidden_states = self.group_norm(hidden_states) hidden_states = hidden_states.view(batch, channel, height * width).transpose(1, 2) # proj to q, k, v query_proj = self.to_q(hidden_states) key_proj = self.to_k(hidden_states) value_proj = self.to_v(hidden_states) query_proj, key_proj, value_proj = map( lambda t: rearrange(t, "b n (h d) -> b h n d", h=self.heads), (query_proj, key_proj, value_proj) ) query_proj = query_proj.contiguous() key_proj = key_proj.contiguous() value_proj = value_proj.contiguous() out = xformers.ops.memory_efficient_attention(query_proj, key_proj, value_proj, attn_bias=None) out = rearrange(out, "b h n d -> b n (h d)") # compute next hidden_states # linear proj hidden_states = self.to_out[0](hidden_states) # dropout hidden_states = self.to_out[1](hidden_states) hidden_states = hidden_states.transpose(-1, -2).reshape(batch, channel, height, width) # res connect and rescale hidden_states = (hidden_states + residual) / self.rescale_output_factor return hidden_states def forward_xformers_0_14(self, hidden_states, **kwargs): if not hasattr(self, "to_q"): self.to_q = self.query self.to_k = self.key self.to_v = self.value self.to_out = [self.proj_attn, torch.nn.Identity()] self.heads = self.num_heads return forward_xformers(self, hidden_states, **kwargs) if diffusers.__version__ < "0.15.0": diffusers.models.attention.AttentionBlock.forward = forward_xformers_0_14 else: diffusers.models.attention_processor.Attention.forward = forward_xformers def replace_vae_attn_to_sdpa(): logger.info("VAE: Attention.forward has been replaced to sdpa") def forward_sdpa(self, hidden_states, **kwargs): residual = hidden_states batch, channel, height, width = hidden_states.shape # norm hidden_states = self.group_norm(hidden_states) hidden_states = hidden_states.view(batch, channel, height * width).transpose(1, 2) # proj to q, k, v query_proj = self.to_q(hidden_states) key_proj = self.to_k(hidden_states) value_proj = self.to_v(hidden_states) query_proj, key_proj, value_proj = map( lambda t: rearrange(t, "b n (h d) -> b n h d", h=self.heads), (query_proj, key_proj, value_proj) ) out = torch.nn.functional.scaled_dot_product_attention( query_proj, key_proj, value_proj, attn_mask=None, dropout_p=0.0, is_causal=False ) out = rearrange(out, "b n h d -> b n (h d)") # compute next hidden_states # linear proj hidden_states = self.to_out[0](hidden_states) # dropout hidden_states = self.to_out[1](hidden_states) hidden_states = hidden_states.transpose(-1, -2).reshape(batch, channel, height, width) # res connect and rescale hidden_states = (hidden_states + residual) / self.rescale_output_factor return hidden_states def forward_sdpa_0_14(self, hidden_states, **kwargs): if not hasattr(self, "to_q"): self.to_q = self.query self.to_k = self.key self.to_v = self.value self.to_out = [self.proj_attn, torch.nn.Identity()] self.heads = self.num_heads return forward_sdpa(self, hidden_states, **kwargs) if diffusers.__version__ < "0.15.0": diffusers.models.attention.AttentionBlock.forward = forward_sdpa_0_14 else: diffusers.models.attention_processor.Attention.forward = forward_sdpa # endregion # region 画像生成の本体：lpw_stable_diffusion.py （ASL）からコピーして修正 # https://github.com/huggingface/diffusers/blob/main/examples/community/lpw_stable_diffusion.py # Pipelineだけ独立して使えないのと機能追加するのとでコピーして修正 class PipelineLike: r""" Pipeline for text-to-image generation using Stable Diffusion without tokens length limit, and support parsing weighting in prompt. This model inherits from [`DiffusionPipeline`]. Check the superclass documentation for the generic methods the library implements for all the pipelines (such as downloading or saving, running on a particular device, etc.) Args: vae ([`AutoencoderKL`]): Variational Auto-Encoder (VAE) Model to encode and decode images to and from latent representations. text_encoder ([`CLIPTextModel`]): Frozen text-encoder. Stable Diffusion uses the text portion of [CLIP](https://huggingface.co/docs/transformers/model_doc/clip#transformers.CLIPTextModel), specifically the [clip-vit-large-patch14](https://huggingface.co/openai/clip-vit-large-patch14) variant. tokenizer (`CLIPTokenizer`): Tokenizer of class [CLIPTokenizer](https://huggingface.co/docs/transformers/v4.21.0/en/model_doc/clip#transformers.CLIPTokenizer). unet ([`UNet2DConditionModel`]): Conditional U-Net architecture to denoise the encoded image latents. scheduler ([`SchedulerMixin`]): A scheduler to be used in combination with `unet` to denoise the encoded image latents. Can be one of [`DDIMScheduler`], [`LMSDiscreteScheduler`], or [`PNDMScheduler`]. safety_checker ([`StableDiffusionSafetyChecker`]): Classification module that estimates whether generated images could be considered offensive or harmful. Please, refer to the [model card](https://huggingface.co/CompVis/stable-diffusion-v1-4) for details. feature_extractor ([`CLIPFeatureExtractor`]): Model that extracts features from generated images to be used as inputs for the `safety_checker`. """ def __init__( self, device, vae: AutoencoderKL, text_encoder: CLIPTextModel, tokenizer: CLIPTokenizer, unet: InferUNet2DConditionModel, scheduler: Union[DDIMScheduler, PNDMScheduler, LMSDiscreteScheduler], clip_skip: int, clip_model: CLIPModel, clip_guidance_scale: float, clip_image_guidance_scale: float, vgg16_model: torchvision.models.VGG, vgg16_guidance_scale: float, vgg16_layer_no: int, # safety_checker: StableDiffusionSafetyChecker, # feature_extractor: CLIPFeatureExtractor, ): super().__init__() self.device = device self.clip_skip = clip_skip if hasattr(scheduler.config, "steps_offset") and scheduler.config.steps_offset != 1: deprecation_message = ( f"The configuration file of this scheduler: {scheduler} is outdated. `steps_offset`" f" should be set to 1 instead of {scheduler.config.steps_offset}. Please make sure " "to update the config accordingly as leaving `steps_offset` might led to incorrect results" " in future versions. If you have downloaded this checkpoint from the Hugging Face Hub," " it would be very nice if you could open a Pull request for the `scheduler/scheduler_config.json`" " file" ) deprecate("steps_offset!=1", "1.0.0", deprecation_message, standard_warn=False) new_config = dict(scheduler.config) new_config["steps_offset"] = 1 scheduler._internal_dict = FrozenDict(new_config) if hasattr(scheduler.config, "clip_sample") and scheduler.config.clip_sample is True: deprecation_message = ( f"The configuration file of this scheduler: {scheduler} has not set the configuration `clip_sample`." " `clip_sample` should be set to False in the configuration file. Please make sure to update the" " config accordingly as not setting `clip_sample` in the config might lead to incorrect results in" " future versions. If you have downloaded this checkpoint from the Hugging Face Hub, it would be very" " nice if you could open a Pull request for the `scheduler/scheduler_config.json` file" ) deprecate("clip_sample not set", "1.0.0", deprecation_message, standard_warn=False) new_config = dict(scheduler.config) new_config["clip_sample"] = False scheduler._internal_dict = FrozenDict(new_config) self.vae = vae self.text_encoder = text_encoder self.tokenizer = tokenizer self.unet = unet self.scheduler = scheduler self.safety_checker = None # Textual Inversion self.token_replacements = {} # XTI self.token_replacements_XTI = {} # CLIP guidance self.clip_guidance_scale = clip_guidance_scale self.clip_image_guidance_scale = clip_image_guidance_scale self.clip_model = clip_model self.normalize = transforms.Normalize(mean=FEATURE_EXTRACTOR_IMAGE_MEAN, std=FEATURE_EXTRACTOR_IMAGE_STD) self.make_cutouts = MakeCutouts(FEATURE_EXTRACTOR_SIZE) # VGG16 guidance self.vgg16_guidance_scale = vgg16_guidance_scale if self.vgg16_guidance_scale > 0.0: return_layers = {f"{vgg16_layer_no}": "feat"} self.vgg16_feat_model = torchvision.models._utils.IntermediateLayerGetter( vgg16_model.features, return_layers=return_layers ) self.vgg16_normalize = transforms.Normalize(mean=VGG16_IMAGE_MEAN, std=VGG16_IMAGE_STD) # ControlNet self.control_nets: List[ControlNetInfo] = [] self.control_net_enabled = True # control_netsが空ならTrueでもFalseでもControlNetは動作しない self.gradual_latent: GradualLatent = None # Textual Inversion def add_token_replacement(self, target_token_id, rep_token_ids): self.token_replacements[target_token_id] = rep_token_ids def set_enable_control_net(self, en: bool): self.control_net_enabled = en def replace_token(self, tokens, layer=None): new_tokens = [] for token in tokens: if token in self.token_replacements: replacer_ = self.token_replacements[token] if layer: replacer = [] for r in replacer_: if r in self.token_replacements_XTI: replacer.append(self.token_replacements_XTI[r][layer]) else: replacer = replacer_ new_tokens.extend(replacer) else: new_tokens.append(token) return new_tokens def add_token_replacement_XTI(self, target_token_id, rep_token_ids): self.token_replacements_XTI[target_token_id] = rep_token_ids def set_control_nets(self, ctrl_nets): self.control_nets = ctrl_nets def set_gradual_latent(self, gradual_latent): if gradual_latent is None: logger.info("gradual_latent is disabled") self.gradual_latent = None else: logger.info(f"gradual_latent is enabled: {gradual_latent}") self.gradual_latent = gradual_latent # (ds_ratio, start_timesteps, every_n_steps, ratio_step) # region xformersとか使う部分：独自に書き換えるので関係なし def enable_xformers_memory_efficient_attention(self): r""" Enable memory efficient attention as implemented in xformers. When this option is enabled, you should observe lower GPU memory usage and a potential speed up at inference time. Speed up at training time is not guaranteed. Warning: When Memory Efficient Attention and Sliced attention are both enabled, the Memory Efficient Attention is used. """ self.unet.set_use_memory_efficient_attention_xformers(True) def disable_xformers_memory_efficient_attention(self): r""" Disable memory efficient attention as implemented in xformers. """ self.unet.set_use_memory_efficient_attention_xformers(False) def enable_attention_slicing(self, slice_size: Optional[Union[str, int]] = "auto"): r""" Enable sliced attention computation. When this option is enabled, the attention module will split the input tensor in slices, to compute attention in several steps. This is useful to save some memory in exchange for a small speed decrease. Args: slice_size (`str` or `int`, *optional*, defaults to `"auto"`): When `"auto"`, halves the input to the attention heads, so attention will be computed in two steps. If a number is provided, uses as many slices as `attention_head_dim // slice_size`. In this case, `attention_head_dim` must be a multiple of `slice_size`. """ if slice_size == "auto": # half the attention head size is usually a good trade-off between # speed and memory slice_size = self.unet.config.attention_head_dim // 2 self.unet.set_attention_slice(slice_size) def disable_attention_slicing(self): r""" Disable sliced attention computation. If `enable_attention_slicing` was previously invoked, this method will go back to computing attention in one step. """ # set slice_size = `None` to disable `attention slicing` self.enable_attention_slicing(None) def enable_sequential_cpu_offload(self): r""" Offloads all models to CPU using accelerate, significantly reducing memory usage. When called, unet, text_encoder, vae and safety checker have their state dicts saved to CPU and then are moved to a `torch.device('meta') and loaded to GPU only when their specific submodule has its `forward` method called. """ # accelerateが必要になるのでとりあえず省略 raise NotImplementedError("cpu_offload is omitted.") # if is_accelerate_available(): # from accelerate import cpu_offload # else: # raise ImportError("Please install accelerate via `pip install accelerate`") # device = self.device # for cpu_offloaded_model in [self.unet, self.text_encoder, self.vae, self.safety_checker]: # if cpu_offloaded_model is not None: # cpu_offload(cpu_offloaded_model, device) # endregion @torch.no_grad() def __call__( self, prompt: Union[str, List[str]], negative_prompt: Optional[Union[str, List[str]]] = None, init_image: Union[torch.FloatTensor, PIL.Image.Image, List[PIL.Image.Image]] = None, mask_image: Union[torch.FloatTensor, PIL.Image.Image, List[PIL.Image.Image]] = None, height: int = 512, width: int = 512, num_inference_steps: int = 50, guidance_scale: float = 7.5, negative_scale: float = None, strength: float = 0.8, # num_images_per_prompt: Optional[int] = 1, eta: float = 0.0, generator: Optional[torch.Generator] = None, latents: Optional[torch.FloatTensor] = None, max_embeddings_multiples: Optional[int] = 3, output_type: Optional[str] = "pil", vae_batch_size: float = None, return_latents: bool = False, # return_dict: bool = True, callback: Optional[Callable[[int, int, torch.FloatTensor], None]] = None, is_cancelled_callback: Optional[Callable[[], bool]] = None, callback_steps: Optional[int] = 1, img2img_noise=None, clip_prompts=None, clip_guide_images=None, networks: Optional[List[LoRANetwork]] = None, **kwargs, ): r""" Function invoked when calling the pipeline for generation. Args: prompt (`str` or `List[str]`): The prompt or prompts to guide the image generation. negative_prompt (`str` or `List[str]`, *optional*): The prompt or prompts not to guide the image generation. Ignored when not using guidance (i.e., ignored if `guidance_scale` is less than `1`). init_image (`torch.FloatTensor` or `PIL.Image.Image`): `Image`, or tensor representing an image batch, that will be used as the starting point for the process. mask_image (`torch.FloatTensor` or `PIL.Image.Image`): `Image`, or tensor representing an image batch, to mask `init_image`. White pixels in the mask will be replaced by noise and therefore repainted, while black pixels will be preserved. If `mask_image` is a PIL image, it will be converted to a single channel (luminance) before use. If it's a tensor, it should contain one color channel (L) instead of 3, so the expected shape would be `(B, H, W, 1)`. height (`int`, *optional*, defaults to 512): The height in pixels of the generated image. width (`int`, *optional*, defaults to 512): The width in pixels of the generated image. num_inference_steps (`int`, *optional*, defaults to 50): The number of denoising steps. More denoising steps usually lead to a higher quality image at the expense of slower inference. guidance_scale (`float`, *optional*, defaults to 7.5): Guidance scale as defined in [Classifier-Free Diffusion Guidance](https://arxiv.org/abs/2207.12598). `guidance_scale` is defined as `w` of equation 2. of [Imagen Paper](https://arxiv.org/pdf/2205.11487.pdf). Guidance scale is enabled by setting `guidance_scale > 1`. Higher guidance scale encourages to generate images that are closely linked to the text `prompt`, usually at the expense of lower image quality. strength (`float`, *optional*, defaults to 0.8): Conceptually, indicates how much to transform the reference `init_image`. Must be between 0 and 1. `init_image` will be used as a starting point, adding more noise to it the larger the `strength`. The number of denoising steps depends on the amount of noise initially added. When `strength` is 1, added noise will be maximum and the denoising process will run for the full number of iterations specified in `num_inference_steps`. A value of 1, therefore, essentially ignores `init_image`. num_images_per_prompt (`int`, *optional*, defaults to 1): The number of images to generate per prompt. eta (`float`, *optional*, defaults to 0.0): Corresponds to parameter eta (η) in the DDIM paper: https://arxiv.org/abs/2010.02502. Only applies to [`schedulers.DDIMScheduler`], will be ignored for others. generator (`torch.Generator`, *optional*): A [torch generator](https://pytorch.org/docs/stable/generated/torch.Generator.html) to make generation deterministic. latents (`torch.FloatTensor`, *optional*): Pre-generated noisy latents, sampled from a Gaussian distribution, to be used as inputs for image generation. Can be used to tweak the same generation with different prompts. If not provided, a latents tensor will ge generated by sampling using the supplied random `generator`. max_embeddings_multiples (`int`, *optional*, defaults to `3`): The max multiple length of prompt embeddings compared to the max output length of text encoder. output_type (`str`, *optional*, defaults to `"pil"`): The output format of the generate image. Choose between [PIL](https://pillow.readthedocs.io/en/stable/): `PIL.Image.Image` or `np.array`. return_dict (`bool`, *optional*, defaults to `True`): Whether or not to return a [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] instead of a plain tuple. callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. The function will be called with the following arguments: `callback(step: int, timestep: int, latents: torch.FloatTensor)`. is_cancelled_callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. If the function returns `True`, the inference will be cancelled. callback_steps (`int`, *optional*, defaults to 1): The frequency at which the `callback` function will be called. If not specified, the callback will be called at every step. Returns: `None` if cancelled by `is_cancelled_callback`, [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] or `tuple`: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] if `return_dict` is True, otherwise a `tuple. When returning a tuple, the first element is a list with the generated images, and the second element is a list of `bool`s denoting whether the corresponding generated image likely represents "not-safe-for-work" (nsfw) content, according to the `safety_checker`. """ num_images_per_prompt = 1 # fixed if isinstance(prompt, str): batch_size = 1 prompt = [prompt] elif isinstance(prompt, list): batch_size = len(prompt) else: raise ValueError(f"`prompt` has to be of type `str` or `list` but is {type(prompt)}") reginonal_network = " AND " in prompt[0] vae_batch_size = ( batch_size if vae_batch_size is None else (int(vae_batch_size) if vae_batch_size >= 1 else max(1, int(batch_size * vae_batch_size))) ) if strength < 0 or strength > 1: raise ValueError(f"The value of strength should in [0.0, 1.0] but is {strength}") if height % 8 != 0 or width % 8 != 0: raise ValueError(f"`height` and `width` have to be divisible by 8 but are {height} and {width}.") if (callback_steps is None) or ( callback_steps is not None and (not isinstance(callback_steps, int) or callback_steps <= 0) ): raise ValueError( f"`callback_steps` has to be a positive integer but is {callback_steps} of type" f" {type(callback_steps)}." ) # get prompt text embeddings # here `guidance_scale` is defined analog to the guidance weight `w` of equation (2) # of the Imagen paper: https://arxiv.org/pdf/2205.11487.pdf . `guidance_scale = 1` # corresponds to doing no classifier free guidance. do_classifier_free_guidance = guidance_scale > 1.0 if not do_classifier_free_guidance and negative_scale is not None: logger.warning(f"negative_scale is ignored if guidance scalle <= 1.0") negative_scale = None # get unconditional embeddings for classifier free guidance if negative_prompt is None: negative_prompt = [""] * batch_size elif isinstance(negative_prompt, str): negative_prompt = [negative_prompt] * batch_size if batch_size != len(negative_prompt): raise ValueError( f"`negative_prompt`: {negative_prompt} has batch size {len(negative_prompt)}, but `prompt`:" f" {prompt} has batch size {batch_size}. Please make sure that passed `negative_prompt` matches" " the batch size of `prompt`." ) if not self.token_replacements_XTI: text_embeddings, uncond_embeddings, prompt_tokens = get_weighted_text_embeddings( pipe=self, prompt=prompt, uncond_prompt=negative_prompt if do_classifier_free_guidance else None, max_embeddings_multiples=max_embeddings_multiples, clip_skip=self.clip_skip, **kwargs, ) if negative_scale is not None: _, real_uncond_embeddings, _ = get_weighted_text_embeddings( pipe=self, prompt=prompt, # こちらのトークン長に合わせてuncondを作るので75トークン超で必須 uncond_prompt=[""] * batch_size, max_embeddings_multiples=max_embeddings_multiples, clip_skip=self.clip_skip, **kwargs, ) if self.token_replacements_XTI: text_embeddings_concat = [] for layer in [ "IN01", "IN02", "IN04", "IN05", "IN07", "IN08", "MID", "OUT03", "OUT04", "OUT05", "OUT06", "OUT07", "OUT08", "OUT09", "OUT10", "OUT11", ]: text_embeddings, uncond_embeddings, prompt_tokens = get_weighted_text_embeddings( pipe=self, prompt=prompt, uncond_prompt=negative_prompt if do_classifier_free_guidance else None, max_embeddings_multiples=max_embeddings_multiples, clip_skip=self.clip_skip, layer=layer, **kwargs, ) if do_classifier_free_guidance: if negative_scale is None: text_embeddings_concat.append(torch.cat([uncond_embeddings, text_embeddings])) else: text_embeddings_concat.append(torch.cat([uncond_embeddings, text_embeddings, real_uncond_embeddings])) text_embeddings = torch.stack(text_embeddings_concat) else: if do_classifier_free_guidance: if negative_scale is None: text_embeddings = torch.cat([uncond_embeddings, text_embeddings]) else: text_embeddings = torch.cat([uncond_embeddings, text_embeddings, real_uncond_embeddings]) # CLIP guidanceで使用するembeddingsを取得する if self.clip_guidance_scale > 0: clip_text_input = prompt_tokens if clip_text_input.shape[1] > self.tokenizer.model_max_length: # TODO 75文字を超えたら警告を出す？ logger.info(f"trim text input {clip_text_input.shape}") clip_text_input = torch.cat( [clip_text_input[:, : self.tokenizer.model_max_length - 1], clip_text_input[:, -1].unsqueeze(1)], dim=1 ) logger.info(f"trimmed {clip_text_input.shape}") for i, clip_prompt in enumerate(clip_prompts): if clip_prompt is not None: # clip_promptがあれば上書きする clip_text_input[i] = self.tokenizer( clip_prompt, padding="max_length", max_length=self.tokenizer.model_max_length, truncation=True, return_tensors="pt", ).input_ids.to(self.device) text_embeddings_clip = self.clip_model.get_text_features(clip_text_input) text_embeddings_clip = text_embeddings_clip / text_embeddings_clip.norm(p=2, dim=-1, keepdim=True) # prompt複数件でもOK if ( self.clip_image_guidance_scale > 0 or self.vgg16_guidance_scale > 0 and clip_guide_images is not None or self.control_nets ): if isinstance(clip_guide_images, PIL.Image.Image): clip_guide_images = [clip_guide_images] if self.clip_image_guidance_scale > 0: clip_guide_images = [preprocess_guide_image(im) for im in clip_guide_images] clip_guide_images = torch.cat(clip_guide_images, dim=0) clip_guide_images = self.normalize(clip_guide_images).to(self.device).to(text_embeddings.dtype) image_embeddings_clip = self.clip_model.get_image_features(clip_guide_images) image_embeddings_clip = image_embeddings_clip / image_embeddings_clip.norm(p=2, dim=-1, keepdim=True) if len(image_embeddings_clip) == 1: image_embeddings_clip = image_embeddings_clip.repeat((batch_size, 1, 1, 1)) elif self.vgg16_guidance_scale > 0: size = (width // VGG16_INPUT_RESIZE_DIV, height // VGG16_INPUT_RESIZE_DIV) # とりあえず1/4に（小さいか?） clip_guide_images = [preprocess_vgg16_guide_image(im, size) for im in clip_guide_images] clip_guide_images = torch.cat(clip_guide_images, dim=0) clip_guide_images = self.vgg16_normalize(clip_guide_images).to(self.device).to(text_embeddings.dtype) image_embeddings_vgg16 = self.vgg16_feat_model(clip_guide_images)["feat"] if len(image_embeddings_vgg16) == 1: image_embeddings_vgg16 = image_embeddings_vgg16.repeat((batch_size, 1, 1, 1)) else: # ControlNetのhintにguide imageを流用する # 前処理はControlNet側で行う pass # set timesteps self.scheduler.set_timesteps(num_inference_steps, self.device) latents_dtype = text_embeddings.dtype init_latents_orig = None mask = None if init_image is None: # get the initial random noise unless the user supplied it # Unlike in other pipelines, latents need to be generated in the target device # for 1-to-1 results reproducibility with the CompVis implementation. # However this currently doesn't work in `mps`. latents_shape = ( batch_size * num_images_per_prompt, self.unet.in_channels, height // 8, width // 8, ) if latents is None: if self.device.type == "mps": # randn does not exist on mps latents = torch.randn( latents_shape, generator=generator, device="cpu", dtype=latents_dtype, ).to(self.device) else: latents = torch.randn( latents_shape, generator=generator, device=self.device, dtype=latents_dtype, ) else: if latents.shape != latents_shape: raise ValueError(f"Unexpected latents shape, got {latents.shape}, expected {latents_shape}") latents = latents.to(self.device) timesteps = self.scheduler.timesteps.to(self.device) # scale the initial noise by the standard deviation required by the scheduler latents = latents * self.scheduler.init_noise_sigma else: # image to tensor if isinstance(init_image, PIL.Image.Image): init_image = [init_image] if isinstance(init_image[0], PIL.Image.Image): init_image = [preprocess_image(im) for im in init_image] init_image = torch.cat(init_image) if isinstance(init_image, list): init_image = torch.stack(init_image) # mask image to tensor if mask_image is not None: if isinstance(mask_image, PIL.Image.Image): mask_image = [mask_image] if isinstance(mask_image[0], PIL.Image.Image): mask_image = torch.cat([preprocess_mask(im) for im in mask_image]) # H*W, 0 for repaint # encode the init image into latents and scale the latents init_image = init_image.to(device=self.device, dtype=latents_dtype) if init_image.size()[-2:] == (height // 8, width // 8): init_latents = init_image else: if vae_batch_size >= batch_size: init_latent_dist = self.vae.encode(init_image).latent_dist init_latents = init_latent_dist.sample(generator=generator) else: clean_memory() init_latents = [] for i in tqdm(range(0, min(batch_size, len(init_image)), vae_batch_size)): init_latent_dist = self.vae.encode( init_image[i : i + vae_batch_size] if vae_batch_size > 1 else init_image[i].unsqueeze(0) ).latent_dist init_latents.append(init_latent_dist.sample(generator=generator)) init_latents = torch.cat(init_latents) init_latents = 0.18215 * init_latents if len(init_latents) == 1: init_latents = init_latents.repeat((batch_size, 1, 1, 1)) init_latents_orig = init_latents # preprocess mask if mask_image is not None: mask = mask_image.to(device=self.device, dtype=latents_dtype) if len(mask) == 1: mask = mask.repeat((batch_size, 1, 1, 1)) # check sizes if not mask.shape == init_latents.shape: raise ValueError("The mask and init_image should be the same size!") # get the original timestep using init_timestep offset = self.scheduler.config.get("steps_offset", 0) init_timestep = int(num_inference_steps * strength) + offset init_timestep = min(init_timestep, num_inference_steps) timesteps = self.scheduler.timesteps[-init_timestep] timesteps = torch.tensor([timesteps] * batch_size * num_images_per_prompt, device=self.device) # add noise to latents using the timesteps latents = self.scheduler.add_noise(init_latents, img2img_noise, timesteps) t_start = max(num_inference_steps - init_timestep + offset, 0) timesteps = self.scheduler.timesteps[t_start:].to(self.device) # prepare extra kwargs for the scheduler step, since not all schedulers have the same signature # eta (η) is only used with the DDIMScheduler, it will be ignored for other schedulers. # eta corresponds to η in DDIM paper: https://arxiv.org/abs/2010.02502 # and should be between [0, 1] accepts_eta = "eta" in set(inspect.signature(self.scheduler.step).parameters.keys()) extra_step_kwargs = {} if accepts_eta: extra_step_kwargs["eta"] = eta num_latent_input = (3 if negative_scale is not None else 2) if do_classifier_free_guidance else 1 if self.control_nets: guided_hints = original_control_net.get_guided_hints(self.control_nets, num_latent_input, batch_size, clip_guide_images) if reginonal_network: num_sub_and_neg_prompts = len(text_embeddings) // batch_size # last subprompt and negative prompt text_emb_last = [] for j in range(batch_size): text_emb_last.append(text_embeddings[(j + 1) * num_sub_and_neg_prompts - 2]) text_emb_last.append(text_embeddings[(j + 1) * num_sub_and_neg_prompts - 1]) text_emb_last = torch.stack(text_emb_last) else: text_emb_last = text_embeddings enable_gradual_latent = False if self.gradual_latent: if not hasattr(self.scheduler, "set_gradual_latent_params"): logger.info("gradual_latent is not supported for this scheduler. Ignoring.") logger.info(f'{self.scheduler.__class__.__name__}') else: enable_gradual_latent = True step_elapsed = 1000 current_ratio = self.gradual_latent.ratio # first, we downscale the latents to the specified ratio / 最初に指定された比率にlatentsをダウンスケールする height, width = latents.shape[-2:] org_dtype = latents.dtype if org_dtype == torch.bfloat16: latents = latents.float() latents = torch.nn.functional.interpolate( latents, scale_factor=current_ratio, mode="bicubic", align_corners=False ).to(org_dtype) # apply unsharp mask / アンシャープマスクを適用する if self.gradual_latent.gaussian_blur_ksize: latents = self.gradual_latent.apply_unshark_mask(latents) for i, t in enumerate(tqdm(timesteps)): resized_size = None if enable_gradual_latent: # gradually upscale the latents / latentsを徐々にアップスケールする if ( t < self.gradual_latent.start_timesteps and current_ratio < 1.0 and step_elapsed >= self.gradual_latent.every_n_steps ): current_ratio = min(current_ratio + self.gradual_latent.ratio_step, 1.0) # make divisible by 8 because size of latents must be divisible at bottom of UNet h = int(height * current_ratio) // 8 * 8 w = int(width * current_ratio) // 8 * 8 resized_size = (h, w) self.scheduler.set_gradual_latent_params(resized_size, self.gradual_latent) step_elapsed = 0 else: self.scheduler.set_gradual_latent_params(None, None) step_elapsed += 1 # expand the latents if we are doing classifier free guidance latent_model_input = latents.repeat((num_latent_input, 1, 1, 1)) latent_model_input = self.scheduler.scale_model_input(latent_model_input, t) # predict the noise residual if self.control_nets and self.control_net_enabled: noise_pred = original_control_net.call_unet_and_control_net( i, num_latent_input, self.unet, self.control_nets, guided_hints, i / len(timesteps), latent_model_input, t, text_embeddings, text_emb_last, ).sample else: noise_pred = self.unet(latent_model_input, t, encoder_hidden_states=text_embeddings).sample # perform guidance if do_classifier_free_guidance: if negative_scale is None: noise_pred_uncond, noise_pred_text = noise_pred.chunk(num_latent_input) # uncond by negative prompt noise_pred = noise_pred_uncond + guidance_scale * (noise_pred_text - noise_pred_uncond) else: noise_pred_negative, noise_pred_text, noise_pred_uncond = noise_pred.chunk( num_latent_input ) # uncond is real uncond noise_pred = ( noise_pred_uncond + guidance_scale * (noise_pred_text - noise_pred_uncond) - negative_scale * (noise_pred_negative - noise_pred_uncond) ) # perform clip guidance if self.clip_guidance_scale > 0 or self.clip_image_guidance_scale > 0 or self.vgg16_guidance_scale > 0: text_embeddings_for_guidance = ( text_embeddings.chunk(num_latent_input)[1] if do_classifier_free_guidance else text_embeddings ) if self.clip_guidance_scale > 0: noise_pred, latents = self.cond_fn( latents, t, i, text_embeddings_for_guidance, noise_pred, text_embeddings_clip, self.clip_guidance_scale, NUM_CUTOUTS, USE_CUTOUTS, ) if self.clip_image_guidance_scale > 0 and clip_guide_images is not None: noise_pred, latents = self.cond_fn( latents, t, i, text_embeddings_for_guidance, noise_pred, image_embeddings_clip, self.clip_image_guidance_scale, NUM_CUTOUTS, USE_CUTOUTS, ) if self.vgg16_guidance_scale > 0 and clip_guide_images is not None: noise_pred, latents = self.cond_fn_vgg16( latents, t, i, text_embeddings_for_guidance, noise_pred, image_embeddings_vgg16, self.vgg16_guidance_scale ) # compute the previous noisy sample x_t -> x_t-1 latents = self.scheduler.step(noise_pred, t, latents, **extra_step_kwargs).prev_sample if mask is not None: # masking init_latents_proper = self.scheduler.add_noise(init_latents_orig, img2img_noise, torch.tensor([t])) latents = (init_latents_proper * mask) + (latents * (1 - mask)) # call the callback, if provided if i % callback_steps == 0: if callback is not None: callback(i, t, latents) if is_cancelled_callback is not None and is_cancelled_callback(): return None if return_latents: return (latents, False) latents = 1 / 0.18215 * latents if vae_batch_size >= batch_size: image = self.vae.decode(latents).sample else: clean_memory() images = [] for i in tqdm(range(0, batch_size, vae_batch_size)): images.append( self.vae.decode(latents[i : i + vae_batch_size] if vae_batch_size > 1 else latents[i].unsqueeze(0)).sample ) image = torch.cat(images) image = (image / 2 + 0.5).clamp(0, 1) # we always cast to float32 as this does not cause significant overhead and is compatible with bfloa16 image = image.cpu().permute(0, 2, 3, 1).float().numpy() if self.safety_checker is not None: safety_checker_input = self.feature_extractor(self.numpy_to_pil(image), return_tensors="pt").to(self.device) image, has_nsfw_concept = self.safety_checker( images=image, clip_input=safety_checker_input.pixel_values.to(text_embeddings.dtype), ) else: has_nsfw_concept = None if output_type == "pil": # image = self.numpy_to_pil(image) image = (image * 255).round().astype("uint8") image = [Image.fromarray(im) for im in image] # if not return_dict: return (image, has_nsfw_concept) # return StableDiffusionPipelineOutput(images=image, nsfw_content_detected=has_nsfw_concept) def text2img( self, prompt: Union[str, List[str]], negative_prompt: Optional[Union[str, List[str]]] = None, height: int = 512, width: int = 512, num_inference_steps: int = 50, guidance_scale: float = 7.5, num_images_per_prompt: Optional[int] = 1, eta: float = 0.0, generator: Optional[torch.Generator] = None, latents: Optional[torch.FloatTensor] = None, max_embeddings_multiples: Optional[int] = 3, output_type: Optional[str] = "pil", return_dict: bool = True, callback: Optional[Callable[[int, int, torch.FloatTensor], None]] = None, callback_steps: Optional[int] = 1, **kwargs, ): r""" Function for text-to-image generation. Args: prompt (`str` or `List[str]`): The prompt or prompts to guide the image generation. negative_prompt (`str` or `List[str]`, *optional*): The prompt or prompts not to guide the image generation. Ignored when not using guidance (i.e., ignored if `guidance_scale` is less than `1`). height (`int`, *optional*, defaults to 512): The height in pixels of the generated image. width (`int`, *optional*, defaults to 512): The width in pixels of the generated image. num_inference_steps (`int`, *optional*, defaults to 50): The number of denoising steps. More denoising steps usually lead to a higher quality image at the expense of slower inference. guidance_scale (`float`, *optional*, defaults to 7.5): Guidance scale as defined in [Classifier-Free Diffusion Guidance](https://arxiv.org/abs/2207.12598). `guidance_scale` is defined as `w` of equation 2. of [Imagen Paper](https://arxiv.org/pdf/2205.11487.pdf). Guidance scale is enabled by setting `guidance_scale > 1`. Higher guidance scale encourages to generate images that are closely linked to the text `prompt`, usually at the expense of lower image quality. num_images_per_prompt (`int`, *optional*, defaults to 1): The number of images to generate per prompt. eta (`float`, *optional*, defaults to 0.0): Corresponds to parameter eta (η) in the DDIM paper: https://arxiv.org/abs/2010.02502. Only applies to [`schedulers.DDIMScheduler`], will be ignored for others. generator (`torch.Generator`, *optional*): A [torch generator](https://pytorch.org/docs/stable/generated/torch.Generator.html) to make generation deterministic. latents (`torch.FloatTensor`, *optional*): Pre-generated noisy latents, sampled from a Gaussian distribution, to be used as inputs for image generation. Can be used to tweak the same generation with different prompts. If not provided, a latents tensor will ge generated by sampling using the supplied random `generator`. max_embeddings_multiples (`int`, *optional*, defaults to `3`): The max multiple length of prompt embeddings compared to the max output length of text encoder. output_type (`str`, *optional*, defaults to `"pil"`): The output format of the generate image. Choose between [PIL](https://pillow.readthedocs.io/en/stable/): `PIL.Image.Image` or `np.array`. return_dict (`bool`, *optional*, defaults to `True`): Whether or not to return a [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] instead of a plain tuple. callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. The function will be called with the following arguments: `callback(step: int, timestep: int, latents: torch.FloatTensor)`. callback_steps (`int`, *optional*, defaults to 1): The frequency at which the `callback` function will be called. If not specified, the callback will be called at every step. Returns: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] or `tuple`: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] if `return_dict` is True, otherwise a `tuple. When returning a tuple, the first element is a list with the generated images, and the second element is a list of `bool`s denoting whether the corresponding generated image likely represents "not-safe-for-work" (nsfw) content, according to the `safety_checker`. """ return self.__call__( prompt=prompt, negative_prompt=negative_prompt, height=height, width=width, num_inference_steps=num_inference_steps, guidance_scale=guidance_scale, num_images_per_prompt=num_images_per_prompt, eta=eta, generator=generator, latents=latents, max_embeddings_multiples=max_embeddings_multiples, output_type=output_type, return_dict=return_dict, callback=callback, callback_steps=callback_steps, **kwargs, ) def img2img( self, init_image: Union[torch.FloatTensor, PIL.Image.Image], prompt: Union[str, List[str]], negative_prompt: Optional[Union[str, List[str]]] = None, strength: float = 0.8, num_inference_steps: Optional[int] = 50, guidance_scale: Optional[float] = 7.5, num_images_per_prompt: Optional[int] = 1, eta: Optional[float] = 0.0, generator: Optional[torch.Generator] = None, max_embeddings_multiples: Optional[int] = 3, output_type: Optional[str] = "pil", return_dict: bool = True, callback: Optional[Callable[[int, int, torch.FloatTensor], None]] = None, callback_steps: Optional[int] = 1, **kwargs, ): r""" Function for image-to-image generation. Args: init_image (`torch.FloatTensor` or `PIL.Image.Image`): `Image`, or tensor representing an image batch, that will be used as the starting point for the process. prompt (`str` or `List[str]`): The prompt or prompts to guide the image generation. negative_prompt (`str` or `List[str]`, *optional*): The prompt or prompts not to guide the image generation. Ignored when not using guidance (i.e., ignored if `guidance_scale` is less than `1`). strength (`float`, *optional*, defaults to 0.8): Conceptually, indicates how much to transform the reference `init_image`. Must be between 0 and 1. `init_image` will be used as a starting point, adding more noise to it the larger the `strength`. The number of denoising steps depends on the amount of noise initially added. When `strength` is 1, added noise will be maximum and the denoising process will run for the full number of iterations specified in `num_inference_steps`. A value of 1, therefore, essentially ignores `init_image`. num_inference_steps (`int`, *optional*, defaults to 50): The number of denoising steps. More denoising steps usually lead to a higher quality image at the expense of slower inference. This parameter will be modulated by `strength`. guidance_scale (`float`, *optional*, defaults to 7.5): Guidance scale as defined in [Classifier-Free Diffusion Guidance](https://arxiv.org/abs/2207.12598). `guidance_scale` is defined as `w` of equation 2. of [Imagen Paper](https://arxiv.org/pdf/2205.11487.pdf). Guidance scale is enabled by setting `guidance_scale > 1`. Higher guidance scale encourages to generate images that are closely linked to the text `prompt`, usually at the expense of lower image quality. num_images_per_prompt (`int`, *optional*, defaults to 1): The number of images to generate per prompt. eta (`float`, *optional*, defaults to 0.0): Corresponds to parameter eta (η) in the DDIM paper: https://arxiv.org/abs/2010.02502. Only applies to [`schedulers.DDIMScheduler`], will be ignored for others. generator (`torch.Generator`, *optional*): A [torch generator](https://pytorch.org/docs/stable/generated/torch.Generator.html) to make generation deterministic. max_embeddings_multiples (`int`, *optional*, defaults to `3`): The max multiple length of prompt embeddings compared to the max output length of text encoder. output_type (`str`, *optional*, defaults to `"pil"`): The output format of the generate image. Choose between [PIL](https://pillow.readthedocs.io/en/stable/): `PIL.Image.Image` or `np.array`. return_dict (`bool`, *optional*, defaults to `True`): Whether or not to return a [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] instead of a plain tuple. callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. The function will be called with the following arguments: `callback(step: int, timestep: int, latents: torch.FloatTensor)`. callback_steps (`int`, *optional*, defaults to 1): The frequency at which the `callback` function will be called. If not specified, the callback will be called at every step. Returns: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] or `tuple`: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] if `return_dict` is True, otherwise a `tuple. When returning a tuple, the first element is a list with the generated images, and the second element is a list of `bool`s denoting whether the corresponding generated image likely represents "not-safe-for-work" (nsfw) content, according to the `safety_checker`. """ return self.__call__( prompt=prompt, negative_prompt=negative_prompt, init_image=init_image, num_inference_steps=num_inference_steps, guidance_scale=guidance_scale, strength=strength, num_images_per_prompt=num_images_per_prompt, eta=eta, generator=generator, max_embeddings_multiples=max_embeddings_multiples, output_type=output_type, return_dict=return_dict, callback=callback, callback_steps=callback_steps, **kwargs, ) def inpaint( self, init_image: Union[torch.FloatTensor, PIL.Image.Image], mask_image: Union[torch.FloatTensor, PIL.Image.Image], prompt: Union[str, List[str]], negative_prompt: Optional[Union[str, List[str]]] = None, strength: float = 0.8, num_inference_steps: Optional[int] = 50, guidance_scale: Optional[float] = 7.5, num_images_per_prompt: Optional[int] = 1, eta: Optional[float] = 0.0, generator: Optional[torch.Generator] = None, max_embeddings_multiples: Optional[int] = 3, output_type: Optional[str] = "pil", return_dict: bool = True, callback: Optional[Callable[[int, int, torch.FloatTensor], None]] = None, callback_steps: Optional[int] = 1, **kwargs, ): r""" Function for inpaint. Args: init_image (`torch.FloatTensor` or `PIL.Image.Image`): `Image`, or tensor representing an image batch, that will be used as the starting point for the process. This is the image whose masked region will be inpainted. mask_image (`torch.FloatTensor` or `PIL.Image.Image`): `Image`, or tensor representing an image batch, to mask `init_image`. White pixels in the mask will be replaced by noise and therefore repainted, while black pixels will be preserved. If `mask_image` is a PIL image, it will be converted to a single channel (luminance) before use. If it's a tensor, it should contain one color channel (L) instead of 3, so the expected shape would be `(B, H, W, 1)`. prompt (`str` or `List[str]`): The prompt or prompts to guide the image generation. negative_prompt (`str` or `List[str]`, *optional*): The prompt or prompts not to guide the image generation. Ignored when not using guidance (i.e., ignored if `guidance_scale` is less than `1`). strength (`float`, *optional*, defaults to 0.8): Conceptually, indicates how much to inpaint the masked area. Must be between 0 and 1. When `strength` is 1, the denoising process will be run on the masked area for the full number of iterations specified in `num_inference_steps`. `init_image` will be used as a reference for the masked area, adding more noise to that region the larger the `strength`. If `strength` is 0, no inpainting will occur. num_inference_steps (`int`, *optional*, defaults to 50): The reference number of denoising steps. More denoising steps usually lead to a higher quality image at the expense of slower inference. This parameter will be modulated by `strength`, as explained above. guidance_scale (`float`, *optional*, defaults to 7.5): Guidance scale as defined in [Classifier-Free Diffusion Guidance](https://arxiv.org/abs/2207.12598). `guidance_scale` is defined as `w` of equation 2. of [Imagen Paper](https://arxiv.org/pdf/2205.11487.pdf). Guidance scale is enabled by setting `guidance_scale > 1`. Higher guidance scale encourages to generate images that are closely linked to the text `prompt`, usually at the expense of lower image quality. num_images_per_prompt (`int`, *optional*, defaults to 1): The number of images to generate per prompt. eta (`float`, *optional*, defaults to 0.0): Corresponds to parameter eta (η) in the DDIM paper: https://arxiv.org/abs/2010.02502. Only applies to [`schedulers.DDIMScheduler`], will be ignored for others. generator (`torch.Generator`, *optional*): A [torch generator](https://pytorch.org/docs/stable/generated/torch.Generator.html) to make generation deterministic. max_embeddings_multiples (`int`, *optional*, defaults to `3`): The max multiple length of prompt embeddings compared to the max output length of text encoder. output_type (`str`, *optional*, defaults to `"pil"`): The output format of the generate image. Choose between [PIL](https://pillow.readthedocs.io/en/stable/): `PIL.Image.Image` or `np.array`. return_dict (`bool`, *optional*, defaults to `True`): Whether or not to return a [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] instead of a plain tuple. callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. The function will be called with the following arguments: `callback(step: int, timestep: int, latents: torch.FloatTensor)`. callback_steps (`int`, *optional*, defaults to 1): The frequency at which the `callback` function will be called. If not specified, the callback will be called at every step. Returns: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] or `tuple`: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] if `return_dict` is True, otherwise a `tuple. When returning a tuple, the first element is a list with the generated images, and the second element is a list of `bool`s denoting whether the corresponding generated image likely represents "not-safe-for-work" (nsfw) content, according to the `safety_checker`. """ return self.__call__( prompt=prompt, negative_prompt=negative_prompt, init_image=init_image, mask_image=mask_image, num_inference_steps=num_inference_steps, guidance_scale=guidance_scale, strength=strength, num_images_per_prompt=num_images_per_prompt, eta=eta, generator=generator, max_embeddings_multiples=max_embeddings_multiples, output_type=output_type, return_dict=return_dict, callback=callback, callback_steps=callback_steps, **kwargs, ) # CLIP guidance StableDiffusion # copy from https://github.com/huggingface/diffusers/blob/main/examples/community/clip_guided_stable_diffusion.py # バッチを分解して1件ずつ処理する def cond_fn( self, latents, timestep, index, text_embeddings, noise_pred_original, guide_embeddings_clip, clip_guidance_scale, num_cutouts, use_cutouts=True, ): if len(latents) == 1: return self.cond_fn1( latents, timestep, index, text_embeddings, noise_pred_original, guide_embeddings_clip, clip_guidance_scale, num_cutouts, use_cutouts, ) noise_pred = [] cond_latents = [] for i in range(len(latents)): lat1 = latents[i].unsqueeze(0) tem1 = text_embeddings[i].unsqueeze(0) npo1 = noise_pred_original[i].unsqueeze(0) gem1 = guide_embeddings_clip[i].unsqueeze(0) npr1, cla1 = self.cond_fn1(lat1, timestep, index, tem1, npo1, gem1, clip_guidance_scale, num_cutouts, use_cutouts) noise_pred.append(npr1) cond_latents.append(cla1) noise_pred = torch.cat(noise_pred) cond_latents = torch.cat(cond_latents) return noise_pred, cond_latents @torch.enable_grad() def cond_fn1( self, latents, timestep, index, text_embeddings, noise_pred_original, guide_embeddings_clip, clip_guidance_scale, num_cutouts, use_cutouts=True, ): latents = latents.detach().requires_grad_() if isinstance(self.scheduler, LMSDiscreteScheduler): sigma = self.scheduler.sigmas[index] # the model input needs to be scaled to match the continuous ODE formulation in K-LMS latent_model_input = latents / ((sigma**2 + 1) ** 0.5) else: latent_model_input = latents # predict the noise residual noise_pred = self.unet(latent_model_input, timestep, encoder_hidden_states=text_embeddings).sample if isinstance(self.scheduler, (PNDMScheduler, DDIMScheduler)): alpha_prod_t = self.scheduler.alphas_cumprod[timestep] beta_prod_t = 1 - alpha_prod_t # compute predicted original sample from predicted noise also called # "predicted x_0" of formula (12) from https://arxiv.org/pdf/2010.02502.pdf pred_original_sample = (latents - beta_prod_t ** (0.5) * noise_pred) / alpha_prod_t ** (0.5) fac = torch.sqrt(beta_prod_t) sample = pred_original_sample * (fac) + latents * (1 - fac) elif isinstance(self.scheduler, LMSDiscreteScheduler): sigma = self.scheduler.sigmas[index] sample = latents - sigma * noise_pred else: raise ValueError(f"scheduler type {type(self.scheduler)} not supported") sample = 1 / 0.18215 * sample image = self.vae.decode(sample).sample image = (image / 2 + 0.5).clamp(0, 1) if use_cutouts: image = self.make_cutouts(image, num_cutouts) else: image = transforms.Resize(FEATURE_EXTRACTOR_SIZE)(image) image = self.normalize(image).to(latents.dtype) image_embeddings_clip = self.clip_model.get_image_features(image) image_embeddings_clip = image_embeddings_clip / image_embeddings_clip.norm(p=2, dim=-1, keepdim=True) if use_cutouts: dists = spherical_dist_loss(image_embeddings_clip, guide_embeddings_clip) dists = dists.view([num_cutouts, sample.shape[0], -1]) loss = dists.sum(2).mean(0).sum() * clip_guidance_scale else: # バッチサイズが複数だと正しく動くかわからない loss = spherical_dist_loss(image_embeddings_clip, guide_embeddings_clip).mean() * clip_guidance_scale grads = -torch.autograd.grad(loss, latents)[0] if isinstance(self.scheduler, LMSDiscreteScheduler): latents = latents.detach() + grads * (sigma**2) noise_pred = noise_pred_original else: noise_pred = noise_pred_original - torch.sqrt(beta_prod_t) * grads return noise_pred, latents # バッチを分解して一件ずつ処理する def cond_fn_vgg16(self, latents, timestep, index, text_embeddings, noise_pred_original, guide_embeddings, guidance_scale): if len(latents) == 1: return self.cond_fn_vgg16_b1( latents, timestep, index, text_embeddings, noise_pred_original, guide_embeddings, guidance_scale ) noise_pred = [] cond_latents = [] for i in range(len(latents)): lat1 = latents[i].unsqueeze(0) tem1 = text_embeddings[i].unsqueeze(0) npo1 = noise_pred_original[i].unsqueeze(0) gem1 = guide_embeddings[i].unsqueeze(0) npr1, cla1 = self.cond_fn_vgg16_b1(lat1, timestep, index, tem1, npo1, gem1, guidance_scale) noise_pred.append(npr1) cond_latents.append(cla1) noise_pred = torch.cat(noise_pred) cond_latents = torch.cat(cond_latents) return noise_pred, cond_latents # 1件だけ処理する @torch.enable_grad() def cond_fn_vgg16_b1(self, latents, timestep, index, text_embeddings, noise_pred_original, guide_embeddings, guidance_scale): latents = latents.detach().requires_grad_() if isinstance(self.scheduler, LMSDiscreteScheduler): sigma = self.scheduler.sigmas[index] # the model input needs to be scaled to match the continuous ODE formulation in K-LMS latent_model_input = latents / ((sigma**2 + 1) ** 0.5) else: latent_model_input = latents # predict the noise residual noise_pred = self.unet(latent_model_input, timestep, encoder_hidden_states=text_embeddings).sample if isinstance(self.scheduler, (PNDMScheduler, DDIMScheduler)): alpha_prod_t = self.scheduler.alphas_cumprod[timestep] beta_prod_t = 1 - alpha_prod_t # compute predicted original sample from predicted noise also called # "predicted x_0" of formula (12) from https://arxiv.org/pdf/2010.02502.pdf pred_original_sample = (latents - beta_prod_t ** (0.5) * noise_pred) / alpha_prod_t ** (0.5) fac = torch.sqrt(beta_prod_t) sample = pred_original_sample * (fac) + latents * (1 - fac) elif isinstance(self.scheduler, LMSDiscreteScheduler): sigma = self.scheduler.sigmas[index] sample = latents - sigma * noise_pred else: raise ValueError(f"scheduler type {type(self.scheduler)} not supported") sample = 1 / 0.18215 * sample image = self.vae.decode(sample).sample image = (image / 2 + 0.5).clamp(0, 1) image = transforms.Resize((image.shape[-2] // VGG16_INPUT_RESIZE_DIV, image.shape[-1] // VGG16_INPUT_RESIZE_DIV))(image) image = self.vgg16_normalize(image).to(latents.dtype) image_embeddings = self.vgg16_feat_model(image)["feat"] # バッチサイズが複数だと正しく動くかわからない loss = ( (image_embeddings - guide_embeddings) ** 2 ).mean() * guidance_scale # MSE style transferでコンテンツの損失はMSEなので grads = -torch.autograd.grad(loss, latents)[0] if isinstance(self.scheduler, LMSDiscreteScheduler): latents = latents.detach() + grads * (sigma**2) noise_pred = noise_pred_original else: noise_pred = noise_pred_original - torch.sqrt(beta_prod_t) * grads return noise_pred, latents class MakeCutouts(torch.nn.Module): def __init__(self, cut_size, cut_power=1.0): super().__init__() self.cut_size = cut_size self.cut_power = cut_power def forward(self, pixel_values, num_cutouts): sideY, sideX = pixel_values.shape[2:4] max_size = min(sideX, sideY) min_size = min(sideX, sideY, self.cut_size) cutouts = [] for _ in range(num_cutouts): size = int(torch.rand([]) ** self.cut_power * (max_size - min_size) + min_size) offsetx = torch.randint(0, sideX - size + 1, ()) offsety = torch.randint(0, sideY - size + 1, ()) cutout = pixel_values[:, :, offsety : offsety + size, offsetx : offsetx + size] cutouts.append(torch.nn.functional.adaptive_avg_pool2d(cutout, self.cut_size)) return torch.cat(cutouts) def spherical_dist_loss(x, y): x = torch.nn.functional.normalize(x, dim=-1) y = torch.nn.functional.normalize(y, dim=-1) return (x - y).norm(dim=-1).div(2).arcsin().pow(2).mul(2) re_attention = re.compile( r""" \\\(| \\\)| \\\[| \\]| \\\\| \\| \(| \[| :([+-]?[.\d]+)\)| \)| ]| [^\\()\[\]:]+| : """, re.X, ) def parse_prompt_attention(text): """ Parses a string with attention tokens and returns a list of pairs: text and its associated weight. Accepted tokens are: (abc) - increases attention to abc by a multiplier of 1.1 (abc:3.12) - increases attention to abc by a multiplier of 3.12 [abc] - decreases attention to abc by a multiplier of 1.1 \( - literal character '(' \[ - literal character '[' \) - literal character ')' \] - literal character ']' \\ - literal character '\' anything else - just text >>> parse_prompt_attention('normal text') [['normal text', 1.0]] >>> parse_prompt_attention('an (important) word') [['an ', 1.0], ['important', 1.1], [' word', 1.0]] >>> parse_prompt_attention('(unbalanced') [['unbalanced', 1.1]] >>> parse_prompt_attention('\(literal\]') [['(literal]', 1.0]] >>> parse_prompt_attention('(unnecessary)(parens)') [['unnecessaryparens', 1.1]] >>> parse_prompt_attention('a (((house:1.3)) [on] a (hill:0.5), sun, (((sky))).') [['a ', 1.0], ['house', 1.5730000000000004], [' ', 1.1], ['on', 1.0], [' a ', 1.1], ['hill', 0.55], [', sun, ', 1.1], ['sky', 1.4641000000000006], ['.', 1.1]] """ res = [] round_brackets = [] square_brackets = [] round_bracket_multiplier = 1.1 square_bracket_multiplier = 1 / 1.1 def multiply_range(start_position, multiplier): for p in range(start_position, len(res)): res[p][1] *= multiplier # keep break as separate token text = text.replace("BREAK", "\\BREAK\\") for m in re_attention.finditer(text): text = m.group(0) weight = m.group(1) if text.startswith("\\"): res.append([text[1:], 1.0]) elif text == "(": round_brackets.append(len(res)) elif text == "[": square_brackets.append(len(res)) elif weight is not None and len(round_brackets) > 0: multiply_range(round_brackets.pop(), float(weight)) elif text == ")" and len(round_brackets) > 0: multiply_range(round_brackets.pop(), round_bracket_multiplier) elif text == "]" and len(square_brackets) > 0: multiply_range(square_brackets.pop(), square_bracket_multiplier) else: res.append([text, 1.0]) for pos in round_brackets: multiply_range(pos, round_bracket_multiplier) for pos in square_brackets: multiply_range(pos, square_bracket_multiplier) if len(res) == 0: res = [["", 1.0]] # merge runs of identical weights i = 0 while i + 1 < len(res): if res[i][1] == res[i + 1][1] and res[i][0].strip() != "BREAK" and res[i + 1][0].strip() != "BREAK": res[i][0] += res[i + 1][0] res.pop(i + 1) else: i += 1 return res def get_prompts_with_weights(pipe: PipelineLike, prompt: List[str], max_length: int, layer=None): r""" Tokenize a list of prompts and return its tokens with weights of each token. No padding, starting or ending token is included. """ tokens = [] weights = [] truncated = False for text in prompt: texts_and_weights = parse_prompt_attention(text) text_token = [] text_weight = [] for word, weight in texts_and_weights: if word.strip() == "BREAK": # pad until next multiple of tokenizer's max token length pad_len = pipe.tokenizer.model_max_length - (len(text_token) % pipe.tokenizer.model_max_length) logger.info(f"BREAK pad_len: {pad_len}") for i in range(pad_len): # v2のときEOSをつけるべきかどうかわからないぜ # if i == 0: # text_token.append(pipe.tokenizer.eos_token_id) # else: text_token.append(pipe.tokenizer.pad_token_id) text_weight.append(1.0) continue # tokenize and discard the starting and the ending token token = pipe.tokenizer(word).input_ids[1:-1] token = pipe.replace_token(token, layer=layer) text_token += token # copy the weight by length of token text_weight += [weight] * len(token) # stop if the text is too long (longer than truncation limit) if len(text_token) > max_length: truncated = True break # truncate if len(text_token) > max_length: truncated = True text_token = text_token[:max_length] text_weight = text_weight[:max_length] tokens.append(text_token) weights.append(text_weight) if truncated: logger.warning("Prompt was truncated. Try to shorten the prompt or increase max_embeddings_multiples") return tokens, weights def pad_tokens_and_weights(tokens, weights, max_length, bos, eos, pad, no_boseos_middle=True, chunk_length=77): r""" Pad the tokens (with starting and ending tokens) and weights (with 1.0) to max_length. """ max_embeddings_multiples = (max_length - 2) // (chunk_length - 2) weights_length = max_length if no_boseos_middle else max_embeddings_multiples * chunk_length for i in range(len(tokens)): tokens[i] = [bos] + tokens[i] + [eos] + [pad] * (max_length - 2 - len(tokens[i])) if no_boseos_middle: weights[i] = [1.0] + weights[i] + [1.0] * (max_length - 1 - len(weights[i])) else: w = [] if len(weights[i]) == 0: w = [1.0] * weights_length else: for j in range(max_embeddings_multiples): w.append(1.0) # weight for starting token in this chunk w += weights[i][j * (chunk_length - 2) : min(len(weights[i]), (j + 1) * (chunk_length - 2))] w.append(1.0) # weight for ending token in this chunk w += [1.0] * (weights_length - len(w)) weights[i] = w[:] return tokens, weights def get_unweighted_text_embeddings( pipe: PipelineLike, text_input: torch.Tensor, chunk_length: int, clip_skip: int, eos: int, pad: int, no_boseos_middle: Optional[bool] = True, ): """ When the length of tokens is a multiple of the capacity of the text encoder, it should be split into chunks and sent to the text encoder individually. """ max_embeddings_multiples = (text_input.shape[1] - 2) // (chunk_length - 2) if max_embeddings_multiples > 1: text_embeddings = [] for i in range(max_embeddings_multiples): # extract the i-th chunk text_input_chunk = text_input[:, i * (chunk_length - 2) : (i + 1) * (chunk_length - 2) + 2].clone() # cover the head and the tail by the starting and the ending tokens text_input_chunk[:, 0] = text_input[0, 0] if pad == eos: # v1 text_input_chunk[:, -1] = text_input[0, -1] else: # v2 for j in range(len(text_input_chunk)): if text_input_chunk[j, -1] != eos and text_input_chunk[j, -1] != pad: # 最後に普通の文字がある text_input_chunk[j, -1] = eos if text_input_chunk[j, 1] == pad: # BOSだけであとはPAD text_input_chunk[j, 1] = eos if clip_skip is None or clip_skip == 1: text_embedding = pipe.text_encoder(text_input_chunk)[0] else: enc_out = pipe.text_encoder(text_input_chunk, output_hidden_states=True, return_dict=True) text_embedding = enc_out["hidden_states"][-clip_skip] text_embedding = pipe.text_encoder.text_model.final_layer_norm(text_embedding) if no_boseos_middle: if i == 0: # discard the ending token text_embedding = text_embedding[:, :-1] elif i == max_embeddings_multiples - 1: # discard the starting token text_embedding = text_embedding[:, 1:] else: # discard both starting and ending tokens text_embedding = text_embedding[:, 1:-1] text_embeddings.append(text_embedding) text_embeddings = torch.concat(text_embeddings, axis=1) else: if clip_skip is None or clip_skip == 1: text_embeddings = pipe.text_encoder(text_input)[0] else: enc_out = pipe.text_encoder(text_input, output_hidden_states=True, return_dict=True) text_embeddings = enc_out["hidden_states"][-clip_skip] text_embeddings = pipe.text_encoder.text_model.final_layer_norm(text_embeddings) return text_embeddings def get_weighted_text_embeddings( pipe: PipelineLike, prompt: Union[str, List[str]], uncond_prompt: Optional[Union[str, List[str]]] = None, max_embeddings_multiples: Optional[int] = 1, no_boseos_middle: Optional[bool] = False, skip_parsing: Optional[bool] = False, skip_weighting: Optional[bool] = False, clip_skip=None, layer=None, **kwargs, ): r""" Prompts can be assigned with local weights using brackets. For example, prompt 'A (very beautiful) masterpiece' highlights the words 'very beautiful', and the embedding tokens corresponding to the words get multiplied by a constant, 1.1. Also, to regularize of the embedding, the weighted embedding would be scaled to preserve the original mean. Args: pipe (`DiffusionPipeline`): Pipe to provide access to the tokenizer and the text encoder. prompt (`str` or `List[str]`): The prompt or prompts to guide the image generation. uncond_prompt (`str` or `List[str]`): The unconditional prompt or prompts for guide the image generation. If unconditional prompt is provided, the embeddings of prompt and uncond_prompt are concatenated. max_embeddings_multiples (`int`, *optional*, defaults to `1`): The max multiple length of prompt embeddings compared to the max output length of text encoder. no_boseos_middle (`bool`, *optional*, defaults to `False`): If the length of text token is multiples of the capacity of text encoder, whether reserve the starting and ending token in each of the chunk in the middle. skip_parsing (`bool`, *optional*, defaults to `False`): Skip the parsing of brackets. skip_weighting (`bool`, *optional*, defaults to `False`): Skip the weighting. When the parsing is skipped, it is forced True. """ max_length = (pipe.tokenizer.model_max_length - 2) * max_embeddings_multiples + 2 if isinstance(prompt, str): prompt = [prompt] # split the prompts with "AND". each prompt must have the same number of splits new_prompts = [] for p in prompt: new_prompts.extend(p.split(" AND ")) prompt = new_prompts if not skip_parsing: prompt_tokens, prompt_weights = get_prompts_with_weights(pipe, prompt, max_length - 2, layer=layer) if uncond_prompt is not None: if isinstance(uncond_prompt, str): uncond_prompt = [uncond_prompt] uncond_tokens, uncond_weights = get_prompts_with_weights(pipe, uncond_prompt, max_length - 2, layer=layer) else: prompt_tokens = [token[1:-1] for token in pipe.tokenizer(prompt, max_length=max_length, truncation=True).input_ids] prompt_weights = [[1.0] * len(token) for token in prompt_tokens] if uncond_prompt is not None: if isinstance(uncond_prompt, str): uncond_prompt = [uncond_prompt] uncond_tokens = [ token[1:-1] for token in pipe.tokenizer(uncond_prompt, max_length=max_length, truncation=True).input_ids ] uncond_weights = [[1.0] * len(token) for token in uncond_tokens] # round up the longest length of tokens to a multiple of (model_max_length - 2) max_length = max([len(token) for token in prompt_tokens]) if uncond_prompt is not None: max_length = max(max_length, max([len(token) for token in uncond_tokens])) max_embeddings_multiples = min( max_embeddings_multiples, (max_length - 1) // (pipe.tokenizer.model_max_length - 2) + 1, ) max_embeddings_multiples = max(1, max_embeddings_multiples) max_length = (pipe.tokenizer.model_max_length - 2) * max_embeddings_multiples + 2 # pad the length of tokens and weights bos = pipe.tokenizer.bos_token_id eos = pipe.tokenizer.eos_token_id pad = pipe.tokenizer.pad_token_id prompt_tokens, prompt_weights = pad_tokens_and_weights( prompt_tokens, prompt_weights, max_length, bos, eos, pad, no_boseos_middle=no_boseos_middle, chunk_length=pipe.tokenizer.model_max_length, ) prompt_tokens = torch.tensor(prompt_tokens, dtype=torch.long, device=pipe.device) if uncond_prompt is not None: uncond_tokens, uncond_weights = pad_tokens_and_weights( uncond_tokens, uncond_weights, max_length, bos, eos, pad, no_boseos_middle=no_boseos_middle, chunk_length=pipe.tokenizer.model_max_length, ) uncond_tokens = torch.tensor(uncond_tokens, dtype=torch.long, device=pipe.device) # get the embeddings text_embeddings = get_unweighted_text_embeddings( pipe, prompt_tokens, pipe.tokenizer.model_max_length, clip_skip, eos, pad, no_boseos_middle=no_boseos_middle, ) prompt_weights = torch.tensor(prompt_weights, dtype=text_embeddings.dtype, device=pipe.device) if uncond_prompt is not None: uncond_embeddings = get_unweighted_text_embeddings( pipe, uncond_tokens, pipe.tokenizer.model_max_length, clip_skip, eos, pad, no_boseos_middle=no_boseos_middle, ) uncond_weights = torch.tensor(uncond_weights, dtype=uncond_embeddings.dtype, device=pipe.device) # assign weights to the prompts and normalize in the sense of mean # TODO: should we normalize by chunk or in a whole (current implementation)? # →全体でいいんじゃないかな if (not skip_parsing) and (not skip_weighting): previous_mean = text_embeddings.float().mean(axis=[-2, -1]).to(text_embeddings.dtype) text_embeddings *= prompt_weights.unsqueeze(-1) current_mean = text_embeddings.float().mean(axis=[-2, -1]).to(text_embeddings.dtype) text_embeddings *= (previous_mean / current_mean).unsqueeze(-1).unsqueeze(-1) if uncond_prompt is not None: previous_mean = uncond_embeddings.float().mean(axis=[-2, -1]).to(uncond_embeddings.dtype) uncond_embeddings *= uncond_weights.unsqueeze(-1) current_mean = uncond_embeddings.float().mean(axis=[-2, -1]).to(uncond_embeddings.dtype) uncond_embeddings *= (previous_mean / current_mean).unsqueeze(-1).unsqueeze(-1) if uncond_prompt is not None: return text_embeddings, uncond_embeddings, prompt_tokens return text_embeddings, None, prompt_tokens def preprocess_guide_image(image): image = image.resize(FEATURE_EXTRACTOR_SIZE, resample=Image.NEAREST) # cond_fnと合わせる image = np.array(image).astype(np.float32) / 255.0 image = image[None].transpose(0, 3, 1, 2) # nchw image = torch.from_numpy(image) return image # 0 to 1 # VGG16の入力は任意サイズでよいので入力画像を適宜リサイズする def preprocess_vgg16_guide_image(image, size): image = image.resize(size, resample=Image.NEAREST) # cond_fnと合わせる image = np.array(image).astype(np.float32) / 255.0 image = image[None].transpose(0, 3, 1, 2) # nchw image = torch.from_numpy(image) return image # 0 to 1 def preprocess_image(image): w, h = image.size w, h = map(lambda x: x - x % 32, (w, h)) # resize to integer multiple of 32 image = image.resize((w, h), resample=PIL.Image.LANCZOS) image = np.array(image).astype(np.float32) / 255.0 image = image[None].transpose(0, 3, 1, 2) image = torch.from_numpy(image) return 2.0 * image - 1.0 def preprocess_mask(mask): mask = mask.convert("L") w, h = mask.size w, h = map(lambda x: x - x % 32, (w, h)) # resize to integer multiple of 32 mask = mask.resize((w // 8, h // 8), resample=PIL.Image.BILINEAR) # LANCZOS) mask = np.array(mask).astype(np.float32) / 255.0 mask = np.tile(mask, (4, 1, 1)) mask = mask[None].transpose(0, 1, 2, 3) # what does this step do? mask = 1 - mask # repaint white, keep black mask = torch.from_numpy(mask) return mask # regular expression for dynamic prompt: # starts and ends with "{" and "}" # contains at least one variant divided by "|" # optional framgments divided by "$$" at start # if the first fragment is "E" or "e", enumerate all variants # if the second fragment is a number or two numbers, repeat the variants in the range # if the third fragment is a string, use it as a separator RE_DYNAMIC_PROMPT = re.compile(r"\{((e|E)\$\$)?(([\d\-]+)\$\$)?(([^\|\}]+?)\$\$)?(.+?((\|).+?)*?)\}") def handle_dynamic_prompt_variants(prompt, repeat_count): founds = list(RE_DYNAMIC_PROMPT.finditer(prompt)) if not founds: return [prompt] # make each replacement for each variant enumerating = False replacers = [] for found in founds: # if "e$$" is found, enumerate all variants found_enumerating = found.group(2) is not None enumerating = enumerating or found_enumerating separator = ", " if found.group(6) is None else found.group(6) variants = found.group(7).split("|") # parse count range count_range = found.group(4) if count_range is None: count_range = [1, 1] else: count_range = count_range.split("-") if len(count_range) == 1: count_range = [int(count_range[0]), int(count_range[0])] elif len(count_range) == 2: count_range = [int(count_range[0]), int(count_range[1])] else: logger.warning(f"invalid count range: {count_range}") count_range = [1, 1] if count_range[0] > count_range[1]: count_range = [count_range[1], count_range[0]] if count_range[0] < 0: count_range[0] = 0 if count_range[1] > len(variants): count_range[1] = len(variants) if found_enumerating: # make function to enumerate all combinations def make_replacer_enum(vari, cr, sep): def replacer(): values = [] for count in range(cr[0], cr[1] + 1): for comb in itertools.combinations(vari, count): values.append(sep.join(comb)) return values return replacer replacers.append(make_replacer_enum(variants, count_range, separator)) else: # make function to choose random combinations def make_replacer_single(vari, cr, sep): def replacer(): count = random.randint(cr[0], cr[1]) comb = random.sample(vari, count) return [sep.join(comb)] return replacer replacers.append(make_replacer_single(variants, count_range, separator)) # make each prompt if not enumerating: # if not enumerating, repeat the prompt, replace each variant randomly prompts = [] for _ in range(repeat_count): current = prompt for found, replacer in zip(founds, replacers): current = current.replace(found.group(0), replacer()[0], 1) prompts.append(current) else: # if enumerating, iterate all combinations for previous prompts prompts = [prompt] for found, replacer in zip(founds, replacers): if found.group(2) is not None: # make all combinations for existing prompts new_prompts = [] for current in prompts: replecements = replacer() for replecement in replecements: new_prompts.append(current.replace(found.group(0), replecement, 1)) prompts = new_prompts for found, replacer in zip(founds, replacers): # make random selection for existing prompts if found.group(2) is None: for i in range(len(prompts)): prompts[i] = prompts[i].replace(found.group(0), replacer()[0], 1) return prompts # endregion # def load_clip_l14_336(dtype): # logger.info(f"loading CLIP: {CLIP_ID_L14_336}") # text_encoder = CLIPTextModel.from_pretrained(CLIP_ID_L14_336, torch_dtype=dtype) # return text_encoder class BatchDataBase(NamedTuple): # バッチ分割が必要ないデータ step: int prompt: str negative_prompt: str seed: int init_image: Any mask_image: Any clip_prompt: str guide_image: Any raw_prompt: str class BatchDataExt(NamedTuple): # バッチ分割が必要なデータ width: int height: int steps: int scale: float negative_scale: float strength: float network_muls: Tuple[float] num_sub_prompts: int class BatchData(NamedTuple): return_latents: bool base: BatchDataBase ext: BatchDataExt def main(args): if args.fp16: dtype = torch.float16 elif args.bf16: dtype = torch.bfloat16 else: dtype = torch.float32 highres_fix = args.highres_fix_scale is not None # assert not highres_fix or args.image_path is None, f"highres_fix doesn't work with img2img / highres_fixはimg2imgと同時に使えません" if args.v2 and args.clip_skip is not None: logger.warning("v2 with clip_skip will be unexpected / v2でclip_skipを使用することは想定されていません") # モデルを読み込む if not os.path.isfile(args.ckpt): # ファイルがないならパターンで探し、一つだけ該当すればそれを使う files = glob.glob(args.ckpt) if len(files) == 1: args.ckpt = files[0] use_stable_diffusion_format = os.path.isfile(args.ckpt) if use_stable_diffusion_format: logger.info("load StableDiffusion checkpoint") text_encoder, vae, unet = model_util.load_models_from_stable_diffusion_checkpoint(args.v2, args.ckpt) else: logger.info("load Diffusers pretrained models") loading_pipe = StableDiffusionPipeline.from_pretrained(args.ckpt, safety_checker=None, torch_dtype=dtype) text_encoder = loading_pipe.text_encoder vae = loading_pipe.vae unet = loading_pipe.unet tokenizer = loading_pipe.tokenizer del loading_pipe # Diffusers U-Net to original U-Net original_unet = UNet2DConditionModel( unet.config.sample_size, unet.config.attention_head_dim, unet.config.cross_attention_dim, unet.config.use_linear_projection, unet.config.upcast_attention, ) original_unet.load_state_dict(unet.state_dict()) unet = original_unet unet: InferUNet2DConditionModel = InferUNet2DConditionModel(unet) # VAEを読み込む if args.vae is not None: vae = model_util.load_vae(args.vae, dtype) logger.info("additional VAE loaded") # # 置換するCLIPを読み込む # if args.replace_clip_l14_336: # text_encoder = load_clip_l14_336(dtype) # logger.info(f"large clip {CLIP_ID_L14_336} is loaded") if args.clip_guidance_scale > 0.0 or args.clip_image_guidance_scale: logger.info("prepare clip model") clip_model = CLIPModel.from_pretrained(CLIP_MODEL_PATH, torch_dtype=dtype) else: clip_model = None if args.vgg16_guidance_scale > 0.0: logger.info("prepare resnet model") vgg16_model = torchvision.models.vgg16(torchvision.models.VGG16_Weights.IMAGENET1K_V1) else: vgg16_model = None # xformers、Hypernetwork対応 if not args.diffusers_xformers: mem_eff = not (args.xformers or args.sdpa) replace_unet_modules(unet, mem_eff, args.xformers, args.sdpa) replace_vae_modules(vae, mem_eff, args.xformers, args.sdpa) # tokenizerを読み込む logger.info("loading tokenizer") if use_stable_diffusion_format: tokenizer = train_util.load_tokenizer(args) # schedulerを用意する sched_init_args = {} scheduler_num_noises_per_step = 1 if args.sampler == "ddim": scheduler_cls = DDIMScheduler scheduler_module = diffusers.schedulers.scheduling_ddim elif args.sampler == "ddpm": # ddpmはおかしくなるのでoptionから外してある scheduler_cls = DDPMScheduler scheduler_module = diffusers.schedulers.scheduling_ddpm elif args.sampler == "pndm": scheduler_cls = PNDMScheduler scheduler_module = diffusers.schedulers.scheduling_pndm elif args.sampler == "lms" or args.sampler == "k_lms": scheduler_cls = LMSDiscreteScheduler scheduler_module = diffusers.schedulers.scheduling_lms_discrete elif args.sampler == "euler" or args.sampler == "k_euler": scheduler_cls = EulerDiscreteScheduler scheduler_module = diffusers.schedulers.scheduling_euler_discrete elif args.sampler == "euler_a" or args.sampler == "k_euler_a": scheduler_cls = EulerAncestralDiscreteSchedulerGL scheduler_module = diffusers.schedulers.scheduling_euler_ancestral_discrete elif args.sampler == "dpmsolver" or args.sampler == "dpmsolver++": scheduler_cls = DPMSolverMultistepScheduler sched_init_args["algorithm_type"] = args.sampler scheduler_module = diffusers.schedulers.scheduling_dpmsolver_multistep elif args.sampler == "dpmsingle": scheduler_cls = DPMSolverSinglestepScheduler scheduler_module = diffusers.schedulers.scheduling_dpmsolver_singlestep elif args.sampler == "heun": scheduler_cls = HeunDiscreteScheduler scheduler_module = diffusers.schedulers.scheduling_heun_discrete elif args.sampler == "dpm_2" or args.sampler == "k_dpm_2": scheduler_cls = KDPM2DiscreteScheduler scheduler_module = diffusers.schedulers.scheduling_k_dpm_2_discrete elif args.sampler == "dpm_2_a" or args.sampler == "k_dpm_2_a": scheduler_cls = KDPM2AncestralDiscreteScheduler scheduler_module = diffusers.schedulers.scheduling_k_dpm_2_ancestral_discrete scheduler_num_noises_per_step = 2 if args.v_parameterization: sched_init_args["prediction_type"] = "v_prediction" # samplerの乱数をあらかじめ指定するための処理 # replace randn class NoiseManager: def __init__(self): self.sampler_noises = None self.sampler_noise_index = 0 def reset_sampler_noises(self, noises): self.sampler_noise_index = 0 self.sampler_noises = noises def randn(self, shape, device=None, dtype=None, layout=None, generator=None): # logger.info(f"replacing {shape} {len(self.sampler_noises)} {self.sampler_noise_index}") if self.sampler_noises is not None and self.sampler_noise_index < len(self.sampler_noises): noise = self.sampler_noises[self.sampler_noise_index] if shape != noise.shape: noise = None else: noise = None if noise == None: logger.warning(f"unexpected noise request: {self.sampler_noise_index}, {shape}") noise = torch.randn(shape, dtype=dtype, device=device, generator=generator) self.sampler_noise_index += 1 return noise class TorchRandReplacer: def __init__(self, noise_manager): self.noise_manager = noise_manager def __getattr__(self, item): if item == "randn": return self.noise_manager.randn if hasattr(torch, item): return getattr(torch, item) raise AttributeError("'{}' object has no attribute '{}'".format(type(self).__name__, item)) noise_manager = NoiseManager() if scheduler_module is not None: scheduler_module.torch = TorchRandReplacer(noise_manager) scheduler = scheduler_cls( num_train_timesteps=SCHEDULER_TIMESTEPS, beta_start=SCHEDULER_LINEAR_START, beta_end=SCHEDULER_LINEAR_END, beta_schedule=SCHEDLER_SCHEDULE, **sched_init_args, ) # clip_sample=Trueにする if hasattr(scheduler.config, "clip_sample") and scheduler.config.clip_sample is False: logger.info("set clip_sample to True") scheduler.config.clip_sample = True # deviceを決定する device = get_preferred_device() # custom pipelineをコピったやつを生成する if args.vae_slices: from library.slicing_vae import SlicingAutoencoderKL sli_vae = SlicingAutoencoderKL( act_fn="silu", block_out_channels=(128, 256, 512, 512), down_block_types=["DownEncoderBlock2D", "DownEncoderBlock2D", "DownEncoderBlock2D", "DownEncoderBlock2D"], in_channels=3, latent_channels=4, layers_per_block=2, norm_num_groups=32, out_channels=3, sample_size=512, up_block_types=["UpDecoderBlock2D", "UpDecoderBlock2D", "UpDecoderBlock2D", "UpDecoderBlock2D"], num_slices=args.vae_slices, ) sli_vae.load_state_dict(vae.state_dict()) # vaeのパラメータをコピーする vae = sli_vae del sli_vae vae.to(dtype).to(device) vae.eval() text_encoder.to(dtype).to(device) unet.to(dtype).to(device) text_encoder.eval() unet.eval() if clip_model is not None: clip_model.to(dtype).to(device) clip_model.eval() if vgg16_model is not None: vgg16_model.to(dtype).to(device) vgg16_model.eval() # networkを組み込む if args.network_module: networks = [] network_default_muls = [] network_pre_calc = args.network_pre_calc # merge関連の引数を統合する if args.network_merge: network_merge = len(args.network_module) # all networks are merged elif args.network_merge_n_models: network_merge = args.network_merge_n_models else: network_merge = 0 for i, network_module in enumerate(args.network_module): logger.info(f"import network module: {network_module}") imported_module = importlib.import_module(network_module) network_mul = 1.0 if args.network_mul is None or len(args.network_mul) <= i else args.network_mul[i] net_kwargs = {} if args.network_args and i < len(args.network_args): network_args = args.network_args[i] # TODO escape special chars network_args = network_args.split(";") for net_arg in network_args: key, value = net_arg.split("=") net_kwargs[key] = value if args.network_weights is None or len(args.network_weights) <= i: raise ValueError("No weight. Weight is required.") network_weight = args.network_weights[i] logger.info(f"load network weights from: {network_weight}") if model_util.is_safetensors(network_weight) and args.network_show_meta: from safetensors.torch import safe_open with safe_open(network_weight, framework="pt") as f: metadata = f.metadata() if metadata is not None: logger.info(f"metadata for: {network_weight}: {metadata}") network, weights_sd = imported_module.create_network_from_weights( network_mul, network_weight, vae, text_encoder, unet, for_inference=True, **net_kwargs ) if network is None: return mergeable = network.is_mergeable() if network_merge and not mergeable: logger.warning("network is not mergiable. ignore merge option.") if not mergeable or i >= network_merge: # not merging network.apply_to(text_encoder, unet) info = network.load_state_dict(weights_sd, False) # network.load_weightsを使うようにするとよい logger.info(f"weights are loaded: {info}") if args.opt_channels_last: network.to(memory_format=torch.channels_last) network.to(dtype).to(device) if network_pre_calc: logger.info("backup original weights") network.backup_weights() networks.append(network) network_default_muls.append(network_mul) else: network.merge_to(text_encoder, unet, weights_sd, dtype, device) else: networks = [] # upscalerの指定があれば取得する upscaler = None if args.highres_fix_upscaler: logger.info(f"import upscaler module {args.highres_fix_upscaler}") imported_module = importlib.import_module(args.highres_fix_upscaler) us_kwargs = {} if args.highres_fix_upscaler_args: for net_arg in args.highres_fix_upscaler_args.split(";"): key, value = net_arg.split("=") us_kwargs[key] = value logger.info("create upscaler") upscaler = imported_module.create_upscaler(**us_kwargs) upscaler.to(dtype).to(device) # ControlNetの処理 control_nets: List[ControlNetInfo] = [] if args.control_net_models: for i, model in enumerate(args.control_net_models): prep_type = None if not args.control_net_preps or len(args.control_net_preps) <= i else args.control_net_preps[i] weight = 1.0 if not args.control_net_weights or len(args.control_net_weights) <= i else args.control_net_weights[i] ratio = 1.0 if not args.control_net_ratios or len(args.control_net_ratios) <= i else args.control_net_ratios[i] ctrl_unet, ctrl_net = original_control_net.load_control_net(args.v2, unet, model) prep = original_control_net.load_preprocess(prep_type) control_nets.append(ControlNetInfo(ctrl_unet, ctrl_net, prep, weight, ratio)) if args.opt_channels_last: logger.info(f"set optimizing: channels last") text_encoder.to(memory_format=torch.channels_last) vae.to(memory_format=torch.channels_last) unet.to(memory_format=torch.channels_last) if clip_model is not None: clip_model.to(memory_format=torch.channels_last) if networks: for network in networks: network.to(memory_format=torch.channels_last) if vgg16_model is not None: vgg16_model.to(memory_format=torch.channels_last) for cn in control_nets: cn.unet.to(memory_format=torch.channels_last) cn.net.to(memory_format=torch.channels_last) pipe = PipelineLike( device, vae, text_encoder, tokenizer, unet, scheduler, args.clip_skip, clip_model, args.clip_guidance_scale, args.clip_image_guidance_scale, vgg16_model, args.vgg16_guidance_scale, args.vgg16_guidance_layer, ) pipe.set_control_nets(control_nets) logger.info("pipeline is ready.") if args.diffusers_xformers: pipe.enable_xformers_memory_efficient_attention() # Deep Shrink if args.ds_depth_1 is not None: unet.set_deep_shrink(args.ds_depth_1, args.ds_timesteps_1, args.ds_depth_2, args.ds_timesteps_2, args.ds_ratio) # Gradual Latent if args.gradual_latent_timesteps is not None: if args.gradual_latent_unsharp_params: us_params = args.gradual_latent_unsharp_params.split(",") us_ksize, us_sigma, us_strength = [float(v) for v in us_params[:3]] us_target_x = True if len(us_params) <= 3 else bool(int(us_params[3])) us_ksize = int(us_ksize) else: us_ksize, us_sigma, us_strength, us_target_x = None, None, None, None gradual_latent = GradualLatent( args.gradual_latent_ratio, args.gradual_latent_timesteps, args.gradual_latent_every_n_steps, args.gradual_latent_ratio_step, args.gradual_latent_s_noise, us_ksize, us_sigma, us_strength, us_target_x, ) pipe.set_gradual_latent(gradual_latent) # Extended Textual Inversion および Textual Inversionを処理する if args.XTI_embeddings: diffusers.models.UNet2DConditionModel.forward = unet_forward_XTI diffusers.models.unet_2d_blocks.CrossAttnDownBlock2D.forward = downblock_forward_XTI diffusers.models.unet_2d_blocks.CrossAttnUpBlock2D.forward = upblock_forward_XTI if args.textual_inversion_embeddings: token_ids_embeds = [] for embeds_file in args.textual_inversion_embeddings: if model_util.is_safetensors(embeds_file): from safetensors.torch import load_file data = load_file(embeds_file) else: data = torch.load(embeds_file, map_location="cpu") if "string_to_param" in data: data = data["string_to_param"] embeds = next(iter(data.values())) if type(embeds) != torch.Tensor: raise ValueError( f"weight file does not contains Tensor / 重みファイルのデータがTensorではありません: {embeds_file}" ) num_vectors_per_token = embeds.size()[0] token_string = os.path.splitext(os.path.basename(embeds_file))[0] token_strings = [token_string] + [f"{token_string}{i+1}" for i in range(num_vectors_per_token - 1)] # add new word to tokenizer, count is num_vectors_per_token num_added_tokens = tokenizer.add_tokens(token_strings) assert ( num_added_tokens == num_vectors_per_token ), f"tokenizer has same word to token string (filename). please rename the file / 指定した名前（ファイル名）のトークンが既に存在します。ファイルをリネームしてください: {embeds_file}" token_ids = tokenizer.convert_tokens_to_ids(token_strings) logger.info(f"Textual Inversion embeddings `{token_string}` loaded. Tokens are added: {token_ids}") assert ( min(token_ids) == token_ids[0] and token_ids[-1] == token_ids[0] + len(token_ids) - 1 ), f"token ids is not ordered" assert len(tokenizer) - 1 == token_ids[-1], f"token ids is not end of tokenize: {len(tokenizer)}" if num_vectors_per_token > 1: pipe.add_token_replacement(token_ids[0], token_ids) token_ids_embeds.append((token_ids, embeds)) text_encoder.resize_token_embeddings(len(tokenizer)) token_embeds = text_encoder.get_input_embeddings().weight.data for token_ids, embeds in token_ids_embeds: for token_id, embed in zip(token_ids, embeds): token_embeds[token_id] = embed if args.XTI_embeddings: XTI_layers = [ "IN01", "IN02", "IN04", "IN05", "IN07", "IN08", "MID", "OUT03", "OUT04", "OUT05", "OUT06", "OUT07", "OUT08", "OUT09", "OUT10", "OUT11", ] token_ids_embeds_XTI = [] for embeds_file in args.XTI_embeddings: if model_util.is_safetensors(embeds_file): from safetensors.torch import load_file data = load_file(embeds_file) else: data = torch.load(embeds_file, map_location="cpu") if set(data.keys()) != set(XTI_layers): raise ValueError("NOT XTI") embeds = torch.concat(list(data.values())) num_vectors_per_token = data["MID"].size()[0] token_string = os.path.splitext(os.path.basename(embeds_file))[0] token_strings = [token_string] + [f"{token_string}{i+1}" for i in range(num_vectors_per_token - 1)] # add new word to tokenizer, count is num_vectors_per_token num_added_tokens = tokenizer.add_tokens(token_strings) assert ( num_added_tokens == num_vectors_per_token ), f"tokenizer has same word to token string (filename). please rename the file / 指定した名前（ファイル名）のトークンが既に存在します。ファイルをリネームしてください: {embeds_file}" token_ids = tokenizer.convert_tokens_to_ids(token_strings) logger.info(f"XTI embeddings `{token_string}` loaded. Tokens are added: {token_ids}") # if num_vectors_per_token > 1: pipe.add_token_replacement(token_ids[0], token_ids) token_strings_XTI = [] for layer_name in XTI_layers: token_strings_XTI += [f"{t}_{layer_name}" for t in token_strings] tokenizer.add_tokens(token_strings_XTI) token_ids_XTI = tokenizer.convert_tokens_to_ids(token_strings_XTI) token_ids_embeds_XTI.append((token_ids_XTI, embeds)) for t in token_ids: t_XTI_dic = {} for i, layer_name in enumerate(XTI_layers): t_XTI_dic[layer_name] = t + (i + 1) * num_added_tokens pipe.add_token_replacement_XTI(t, t_XTI_dic) text_encoder.resize_token_embeddings(len(tokenizer)) token_embeds = text_encoder.get_input_embeddings().weight.data for token_ids, embeds in token_ids_embeds_XTI: for token_id, embed in zip(token_ids, embeds): token_embeds[token_id] = embed # promptを取得する if args.from_file is not None: logger.info(f"reading prompts from {args.from_file}") with open(args.from_file, "r", encoding="utf-8") as f: prompt_list = f.read().splitlines() prompt_list = [d for d in prompt_list if len(d.strip()) > 0 and d[0] != "#"] elif args.prompt is not None: prompt_list = [args.prompt] else: prompt_list = [] if args.interactive: args.n_iter = 1 # img2imgの前処理、画像の読み込みなど def load_images(path): if os.path.isfile(path): paths = [path] else: paths = ( glob.glob(os.path.join(path, "*.png")) + glob.glob(os.path.join(path, "*.jpg")) + glob.glob(os.path.join(path, "*.jpeg")) + glob.glob(os.path.join(path, "*.webp")) ) paths.sort() images = [] for p in paths: image = Image.open(p) if image.mode != "RGB": logger.info(f"convert image to RGB from {image.mode}: {p}") image = image.convert("RGB") images.append(image) return images def resize_images(imgs, size): resized = [] for img in imgs: r_img = img.resize(size, Image.Resampling.LANCZOS) if hasattr(img, "filename"): # filename属性がない場合があるらしい r_img.filename = img.filename resized.append(r_img) return resized if args.image_path is not None: logger.info(f"load image for img2img: {args.image_path}") init_images = load_images(args.image_path) assert len(init_images) > 0, f"No image / 画像がありません: {args.image_path}" logger.info(f"loaded {len(init_images)} images for img2img") else: init_images = None if args.mask_path is not None: logger.info(f"load mask for inpainting: {args.mask_path}") mask_images = load_images(args.mask_path) assert len(mask_images) > 0, f"No mask image / マスク画像がありません: {args.image_path}" logger.info(f"loaded {len(mask_images)} mask images for inpainting") else: mask_images = None # promptがないとき、画像のPngInfoから取得する if init_images is not None and len(prompt_list) == 0 and not args.interactive: logger.info("get prompts from images' meta data") for img in init_images: if "prompt" in img.text: prompt = img.text["prompt"] if "negative-prompt" in img.text: prompt += " --n " + img.text["negative-prompt"] prompt_list.append(prompt) # プロンプトと画像を一致させるため指定回数だけ繰り返す（画像を増幅する） l = [] for im in init_images: l.extend([im] * args.images_per_prompt) init_images = l if mask_images is not None: l = [] for im in mask_images: l.extend([im] * args.images_per_prompt) mask_images = l # 画像サイズにオプション指定があるときはリサイズする if args.W is not None and args.H is not None: # highres fix を考慮に入れる w, h = args.W, args.H if highres_fix: w = int(w * args.highres_fix_scale + 0.5) h = int(h * args.highres_fix_scale + 0.5) if init_images is not None: logger.info(f"resize img2img source images to {w}*{h}") init_images = resize_images(init_images, (w, h)) if mask_images is not None: logger.info(f"resize img2img mask images to {w}*{h}") mask_images = resize_images(mask_images, (w, h)) regional_network = False if networks and mask_images: # mask を領域情報として流用する、現在は一回のコマンド呼び出しで1枚だけ対応 regional_network = True logger.info("use mask as region") size = None for i, network in enumerate(networks): if (i < 3 and args.network_regional_mask_max_color_codes is None) or i < args.network_regional_mask_max_color_codes: np_mask = np.array(mask_images[0]) if args.network_regional_mask_max_color_codes: # カラーコードでマスクを指定する ch0 = (i + 1) & 1 ch1 = ((i + 1) >> 1) & 1 ch2 = ((i + 1) >> 2) & 1 np_mask = np.all(np_mask == np.array([ch0, ch1, ch2]) * 255, axis=2) np_mask = np_mask.astype(np.uint8) * 255 else: np_mask = np_mask[:, :, i] size = np_mask.shape else: np_mask = np.full(size, 255, dtype=np.uint8) mask = torch.from_numpy(np_mask.astype(np.float32) / 255.0) network.set_region(i, i == len(networks) - 1, mask) mask_images = None prev_image = None # for VGG16 guided if args.guide_image_path is not None: logger.info(f"load image for CLIP/VGG16/ControlNet guidance: {args.guide_image_path}") guide_images = [] for p in args.guide_image_path: guide_images.extend(load_images(p)) logger.info(f"loaded {len(guide_images)} guide images for guidance") if len(guide_images) == 0: logger.info( f"No guide image, use previous generated image. / ガイド画像がありません。直前に生成した画像を使います: {args.image_path}" ) guide_images = None else: guide_images = None # seed指定時はseedを決めておく if args.seed is not None: # dynamic promptを使うと足りなくなる→images_per_promptを適当に大きくしておいてもらう random.seed(args.seed) predefined_seeds = [random.randint(0, 0x7FFFFFFF) for _ in range(args.n_iter * len(prompt_list) * args.images_per_prompt)] if len(predefined_seeds) == 1: predefined_seeds[0] = args.seed else: predefined_seeds = None # デフォルト画像サイズを設定する：img2imgではこれらの値は無視される（またはW*Hにリサイズ済み） if args.W is None: args.W = 512 if args.H is None: args.H = 512 # 画像生成のループ os.makedirs(args.outdir, exist_ok=True) max_embeddings_multiples = 1 if args.max_embeddings_multiples is None else args.max_embeddings_multiples for gen_iter in range(args.n_iter): logger.info(f"iteration {gen_iter+1}/{args.n_iter}") iter_seed = random.randint(0, 0x7FFFFFFF) # shuffle prompt list if args.shuffle_prompts: random.shuffle(prompt_list) # バッチ処理の関数 def process_batch(batch: List[BatchData], highres_fix, highres_1st=False): batch_size = len(batch) # highres_fixの処理 if highres_fix and not highres_1st: # 1st stageのバッチを作成して呼び出す：サイズを小さくして呼び出す is_1st_latent = upscaler.support_latents() if upscaler else args.highres_fix_latents_upscaling logger.info("process 1st stage") batch_1st = [] for _, base, ext in batch: width_1st = int(ext.width * args.highres_fix_scale + 0.5) height_1st = int(ext.height * args.highres_fix_scale + 0.5) width_1st = width_1st - width_1st % 32 height_1st = height_1st - height_1st % 32 strength_1st = ext.strength if args.highres_fix_strength is None else args.highres_fix_strength ext_1st = BatchDataExt( width_1st, height_1st, args.highres_fix_steps, ext.scale, ext.negative_scale, strength_1st, ext.network_muls, ext.num_sub_prompts, ) batch_1st.append(BatchData(is_1st_latent, base, ext_1st)) pipe.set_enable_control_net(True) # 1st stageではControlNetを有効にする images_1st = process_batch(batch_1st, True, True) # 2nd stageのバッチを作成して以下処理する logger.info("process 2nd stage") width_2nd, height_2nd = batch[0].ext.width, batch[0].ext.height if upscaler: # upscalerを使って画像を拡大する lowreso_imgs = None if is_1st_latent else images_1st lowreso_latents = None if not is_1st_latent else images_1st # 戻り値はPIL.Image.Imageかtorch.Tensorのlatents batch_size = len(images_1st) vae_batch_size = ( batch_size if args.vae_batch_size is None else (max(1, int(batch_size * args.vae_batch_size)) if args.vae_batch_size < 1 else args.vae_batch_size) ) vae_batch_size = int(vae_batch_size) images_1st = upscaler.upscale( vae, lowreso_imgs, lowreso_latents, dtype, width_2nd, height_2nd, batch_size, vae_batch_size ) elif args.highres_fix_latents_upscaling: # latentを拡大する org_dtype = images_1st.dtype if images_1st.dtype == torch.bfloat16: images_1st = images_1st.to(torch.float) # interpolateがbf16をサポートしていない images_1st = torch.nn.functional.interpolate( images_1st, (batch[0].ext.height // 8, batch[0].ext.width // 8), mode="bilinear" ) # , antialias=True) images_1st = images_1st.to(org_dtype) else: # 画像をLANCZOSで拡大する images_1st = [image.resize((width_2nd, height_2nd), resample=PIL.Image.LANCZOS) for image in images_1st] batch_2nd = [] for i, (bd, image) in enumerate(zip(batch, images_1st)): bd_2nd = BatchData(False, BatchDataBase(*bd.base[0:3], bd.base.seed + 1, image, None, *bd.base[6:]), bd.ext) batch_2nd.append(bd_2nd) batch = batch_2nd if args.highres_fix_disable_control_net: pipe.set_enable_control_net(False) # オプション指定時、2nd stageではControlNetを無効にする # このバッチの情報を取り出す ( return_latents, (step_first, _, _, _, init_image, mask_image, _, guide_image, _), (width, height, steps, scale, negative_scale, strength, network_muls, num_sub_prompts), ) = batch[0] noise_shape = (LATENT_CHANNELS, height // DOWNSAMPLING_FACTOR, width // DOWNSAMPLING_FACTOR) prompts = [] negative_prompts = [] raw_prompts = [] start_code = torch.zeros((batch_size, *noise_shape), device=device, dtype=dtype) noises = [ torch.zeros((batch_size, *noise_shape), device=device, dtype=dtype) for _ in range(steps * scheduler_num_noises_per_step) ] seeds = [] clip_prompts = [] if init_image is not None: # img2img? i2i_noises = torch.zeros((batch_size, *noise_shape), device=device, dtype=dtype) init_images = [] if mask_image is not None: mask_images = [] else: mask_images = None else: i2i_noises = None init_images = None mask_images = None if guide_image is not None: # CLIP image guided? guide_images = [] else: guide_images = None # バッチ内の位置に関わらず同じ乱数を使うためにここで乱数を生成しておく。あわせてimage/maskがbatch内で同一かチェックする all_images_are_same = True all_masks_are_same = True all_guide_images_are_same = True for i, ( _, (_, prompt, negative_prompt, seed, init_image, mask_image, clip_prompt, guide_image, raw_prompt), _, ) in enumerate(batch): prompts.append(prompt) negative_prompts.append(negative_prompt) seeds.append(seed) clip_prompts.append(clip_prompt) raw_prompts.append(raw_prompt) if init_image is not None: init_images.append(init_image) if i > 0 and all_images_are_same: all_images_are_same = init_images[-2] is init_image if mask_image is not None: mask_images.append(mask_image) if i > 0 and all_masks_are_same: all_masks_are_same = mask_images[-2] is mask_image if guide_image is not None: if type(guide_image) is list: guide_images.extend(guide_image) all_guide_images_are_same = False else: guide_images.append(guide_image) if i > 0 and all_guide_images_are_same: all_guide_images_are_same = guide_images[-2] is guide_image # make start code torch.manual_seed(seed) start_code[i] = torch.randn(noise_shape, device=device, dtype=dtype) # make each noises for j in range(steps * scheduler_num_noises_per_step): noises[j][i] = torch.randn(noise_shape, device=device, dtype=dtype) if i2i_noises is not None: # img2img noise i2i_noises[i] = torch.randn(noise_shape, device=device, dtype=dtype) noise_manager.reset_sampler_noises(noises) # すべての画像が同じなら1枚だけpipeに渡すことでpipe側で処理を高速化する if init_images is not None and all_images_are_same: init_images = init_images[0] if mask_images is not None and all_masks_are_same: mask_images = mask_images[0] if guide_images is not None and all_guide_images_are_same: guide_images = guide_images[0] # ControlNet使用時はguide imageをリサイズする if control_nets: # TODO resampleのメソッド guide_images = guide_images if type(guide_images) == list else [guide_images] guide_images = [i.resize((width, height), resample=PIL.Image.LANCZOS) for i in guide_images] if len(guide_images) == 1: guide_images = guide_images[0] # generate if networks: # 追加ネットワークの処理 shared = {} for n, m in zip(networks, network_muls if network_muls else network_default_muls): n.set_multiplier(m) if regional_network: n.set_current_generation(batch_size, num_sub_prompts, width, height, shared) if not regional_network and network_pre_calc: for n in networks: n.restore_weights() for n in networks: n.pre_calculation() logger.info("pre-calculation... done") images = pipe( prompts, negative_prompts, init_images, mask_images, height, width, steps, scale, negative_scale, strength, latents=start_code, output_type="pil", max_embeddings_multiples=max_embeddings_multiples, img2img_noise=i2i_noises, vae_batch_size=args.vae_batch_size, return_latents=return_latents, clip_prompts=clip_prompts, clip_guide_images=guide_images, )[0] if highres_1st and not args.highres_fix_save_1st: # return images or latents return images # save image highres_prefix = ("0" if highres_1st else "1") if highres_fix else "" ts_str = time.strftime("%Y%m%d%H%M%S", time.localtime()) for i, (image, prompt, negative_prompts, seed, clip_prompt, raw_prompt) in enumerate( zip(images, prompts, negative_prompts, seeds, clip_prompts, raw_prompts) ): if highres_fix: seed -= 1 # record original seed metadata = PngInfo() metadata.add_text("prompt", prompt) metadata.add_text("seed", str(seed)) metadata.add_text("sampler", args.sampler) metadata.add_text("steps", str(steps)) metadata.add_text("scale", str(scale)) if negative_prompt is not None: metadata.add_text("negative-prompt", negative_prompt) if negative_scale is not None: metadata.add_text("negative-scale", str(negative_scale)) if clip_prompt is not None: metadata.add_text("clip-prompt", clip_prompt) if raw_prompt is not None: metadata.add_text("raw-prompt", raw_prompt) if args.use_original_file_name and init_images is not None: if type(init_images) is list: fln = os.path.splitext(os.path.basename(init_images[i % len(init_images)].filename))[0] + ".png" else: fln = os.path.splitext(os.path.basename(init_images.filename))[0] + ".png" elif args.sequential_file_name: fln = f"im_{highres_prefix}{step_first + i + 1:06d}.png" else: fln = f"im_{ts_str}_{highres_prefix}{i:03d}_{seed}.png" image.save(os.path.join(args.outdir, fln), pnginfo=metadata) if not args.no_preview and not highres_1st and args.interactive: try: import cv2 for prompt, image in zip(prompts, images): cv2.imshow(prompt[:128], np.array(image)[:, :, ::-1]) # プロンプトが長いと死ぬ cv2.waitKey() cv2.destroyAllWindows() except ImportError: logger.info( "opencv-python is not installed, cannot preview / opencv-pythonがインストールされていないためプレビューできません" ) return images # 画像生成のプロンプトが一周するまでのループ prompt_index = 0 global_step = 0 batch_data = [] while args.interactive or prompt_index < len(prompt_list): if len(prompt_list) == 0: # interactive valid = False while not valid: logger.info("") logger.info("Type prompt:") try: raw_prompt = input() except EOFError: break valid = len(raw_prompt.strip().split(" --")[0].strip()) > 0 if not valid: # EOF, end app break else: raw_prompt = prompt_list[prompt_index] # sd-dynamic-prompts like variants: # count is 1 (not dynamic) or images_per_prompt (no enumeration) or arbitrary (enumeration) raw_prompts = handle_dynamic_prompt_variants(raw_prompt, args.images_per_prompt) # repeat prompt for pi in range(args.images_per_prompt if len(raw_prompts) == 1 else len(raw_prompts)): raw_prompt = raw_prompts[pi] if len(raw_prompts) > 1 else raw_prompts[0] if pi == 0 or len(raw_prompts) > 1: # parse prompt: if prompt is not changed, skip parsing width = args.W height = args.H scale = args.scale negative_scale = args.negative_scale steps = args.steps seed = None seeds = None strength = 0.8 if args.strength is None else args.strength negative_prompt = "" clip_prompt = None network_muls = None # Deep Shrink ds_depth_1 = None # means no override ds_timesteps_1 = args.ds_timesteps_1 ds_depth_2 = args.ds_depth_2 ds_timesteps_2 = args.ds_timesteps_2 ds_ratio = args.ds_ratio # Gradual Latent gl_timesteps = None # means no override gl_ratio = args.gradual_latent_ratio gl_every_n_steps = args.gradual_latent_every_n_steps gl_ratio_step = args.gradual_latent_ratio_step gl_s_noise = args.gradual_latent_s_noise gl_unsharp_params = args.gradual_latent_unsharp_params prompt_args = raw_prompt.strip().split(" --") prompt = prompt_args[0] logger.info(f"prompt {prompt_index+1}/{len(prompt_list)}: {prompt}") for parg in prompt_args[1:]: try: m = re.match(r"w (\d+)", parg, re.IGNORECASE) if m: width = int(m.group(1)) logger.info(f"width: {width}") continue m = re.match(r"h (\d+)", parg, re.IGNORECASE) if m: height = int(m.group(1)) logger.info(f"height: {height}") continue m = re.match(r"s (\d+)", parg, re.IGNORECASE) if m: # steps steps = max(1, min(1000, int(m.group(1)))) logger.info(f"steps: {steps}") continue m = re.match(r"d ([\d,]+)", parg, re.IGNORECASE) if m: # seed seeds = [int(d) for d in m.group(1).split(",")] logger.info(f"seeds: {seeds}") continue m = re.match(r"l ([\d\.]+)", parg, re.IGNORECASE) if m: # scale scale = float(m.group(1)) logger.info(f"scale: {scale}") continue m = re.match(r"nl ([\d\.]+|none|None)", parg, re.IGNORECASE) if m: # negative scale if m.group(1).lower() == "none": negative_scale = None else: negative_scale = float(m.group(1)) logger.info(f"negative scale: {negative_scale}") continue m = re.match(r"t ([\d\.]+)", parg, re.IGNORECASE) if m: # strength strength = float(m.group(1)) logger.info(f"strength: {strength}") continue m = re.match(r"n (.+)", parg, re.IGNORECASE) if m: # negative prompt negative_prompt = m.group(1) logger.info(f"negative prompt: {negative_prompt}") continue m = re.match(r"c (.+)", parg, re.IGNORECASE) if m: # clip prompt clip_prompt = m.group(1) logger.info(f"clip prompt: {clip_prompt}") continue m = re.match(r"am ([\d\.\-,]+)", parg, re.IGNORECASE) if m: # network multiplies network_muls = [float(v) for v in m.group(1).split(",")] while len(network_muls) < len(networks): network_muls.append(network_muls[-1]) logger.info(f"network mul: {network_muls}") continue # Deep Shrink m = re.match(r"dsd1 ([\d\.]+)", parg, re.IGNORECASE) if m: # deep shrink depth 1 ds_depth_1 = int(m.group(1)) logger.info(f"deep shrink depth 1: {ds_depth_1}") continue m = re.match(r"dst1 ([\d\.]+)", parg, re.IGNORECASE) if m: # deep shrink timesteps 1 ds_timesteps_1 = int(m.group(1)) ds_depth_1 = ds_depth_1 if ds_depth_1 is not None else -1 # -1 means override logger.info(f"deep shrink timesteps 1: {ds_timesteps_1}") continue m = re.match(r"dsd2 ([\d\.]+)", parg, re.IGNORECASE) if m: # deep shrink depth 2 ds_depth_2 = int(m.group(1)) ds_depth_1 = ds_depth_1 if ds_depth_1 is not None else -1 # -1 means override logger.info(f"deep shrink depth 2: {ds_depth_2}") continue m = re.match(r"dst2 ([\d\.]+)", parg, re.IGNORECASE) if m: # deep shrink timesteps 2 ds_timesteps_2 = int(m.group(1)) ds_depth_1 = ds_depth_1 if ds_depth_1 is not None else -1 # -1 means override logger.info(f"deep shrink timesteps 2: {ds_timesteps_2}") continue m = re.match(r"dsr ([\d\.]+)", parg, re.IGNORECASE) if m: # deep shrink ratio ds_ratio = float(m.group(1)) ds_depth_1 = ds_depth_1 if ds_depth_1 is not None else -1 # -1 means override logger.info(f"deep shrink ratio: {ds_ratio}") continue # Gradual Latent m = re.match(r"glt ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent timesteps gl_timesteps = int(m.group(1)) logger.info(f"gradual latent timesteps: {gl_timesteps}") continue m = re.match(r"glr ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent ratio gl_ratio = float(m.group(1)) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent ratio: {ds_ratio}") continue m = re.match(r"gle ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent every n steps gl_every_n_steps = int(m.group(1)) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent every n steps: {gl_every_n_steps}") continue m = re.match(r"gls ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent ratio step gl_ratio_step = float(m.group(1)) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent ratio step: {gl_ratio_step}") continue m = re.match(r"glsn ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent s noise gl_s_noise = float(m.group(1)) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent s noise: {gl_s_noise}") continue m = re.match(r"glus ([\d\.\-,]+)", parg, re.IGNORECASE) if m: # gradual latent unsharp params gl_unsharp_params = m.group(1) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent unsharp params: {gl_unsharp_params}") continue except ValueError as ex: logger.info(f"Exception in parsing / 解析エラー: {parg}") logger.info(ex) # override Deep Shrink if ds_depth_1 is not None: if ds_depth_1 < 0: ds_depth_1 = args.ds_depth_1 or 3 unet.set_deep_shrink(ds_depth_1, ds_timesteps_1, ds_depth_2, ds_timesteps_2, ds_ratio) # override Gradual Latent if gl_timesteps is not None: if gl_timesteps < 0: gl_timesteps = args.gradual_latent_timesteps or 650 if gl_unsharp_params is not None: unsharp_params = gl_unsharp_params.split(",") us_ksize, us_sigma, us_strength = [float(v) for v in unsharp_params[:3]] logger.info(f'{unsharp_params}') us_target_x = True if len(unsharp_params) < 4 else bool(int(unsharp_params[3])) us_ksize = int(us_ksize) else: us_ksize, us_sigma, us_strength, us_target_x = None, None, None, None gradual_latent = GradualLatent( gl_ratio, gl_timesteps, gl_every_n_steps, gl_ratio_step, gl_s_noise, us_ksize, us_sigma, us_strength, us_target_x, ) pipe.set_gradual_latent(gradual_latent) # prepare seed if seeds is not None: # given in prompt # 数が足りないなら前のをそのまま使う if len(seeds) > 0: seed = seeds.pop(0) else: if predefined_seeds is not None: if len(predefined_seeds) > 0: seed = predefined_seeds.pop(0) else: logger.info("predefined seeds are exhausted") seed = None elif args.iter_same_seed: seed = iter_seed else: seed = None # 前のを消す if seed is None: seed = random.randint(0, 0x7FFFFFFF) if args.interactive: logger.info(f"seed: {seed}") # prepare init image, guide image and mask init_image = mask_image = guide_image = None # 同一イメージを使うとき、本当はlatentに変換しておくと無駄がないが面倒なのでとりあえず毎回処理する if init_images is not None: init_image = init_images[global_step % len(init_images)] # img2imgの場合は、基本的に元画像のサイズで生成する。highres fixの場合はargs.W, args.Hとscaleに従いリサイズ済みなので無視する # 32単位に丸めたやつにresizeされるので踏襲する if not highres_fix: width, height = init_image.size width = width - width % 32 height = height - height % 32 if width != init_image.size[0] or height != init_image.size[1]: logger.info( f"img2img image size is not divisible by 32 so aspect ratio is changed / img2imgの画像サイズが32で割り切れないためリサイズされます。画像が歪みます" ) if mask_images is not None: mask_image = mask_images[global_step % len(mask_images)] if guide_images is not None: if control_nets: # 複数件の場合あり c = len(control_nets) p = global_step % (len(guide_images) // c) guide_image = guide_images[p * c : p * c + c] else: guide_image = guide_images[global_step % len(guide_images)] elif args.clip_image_guidance_scale > 0 or args.vgg16_guidance_scale > 0: if prev_image is None: logger.info("Generate 1st image without guide image.") else: logger.info("Use previous image as guide image.") guide_image = prev_image if regional_network: num_sub_prompts = len(prompt.split(" AND ")) assert ( len(networks) <= num_sub_prompts ), "Number of networks must be less than or equal to number of sub prompts." else: num_sub_prompts = None b1 = BatchData( False, BatchDataBase( global_step, prompt, negative_prompt, seed, init_image, mask_image, clip_prompt, guide_image, raw_prompt ), BatchDataExt( width, height, steps, scale, negative_scale, strength, tuple(network_muls) if network_muls else None, num_sub_prompts, ), ) if len(batch_data) > 0 and batch_data[-1].ext != b1.ext: # バッチ分割必要？ process_batch(batch_data, highres_fix) batch_data.clear() batch_data.append(b1) if len(batch_data) == args.batch_size: prev_image = process_batch(batch_data, highres_fix)[0] batch_data.clear() global_step += 1 prompt_index += 1 if len(batch_data) > 0: process_batch(batch_data, highres_fix) batch_data.clear() logger.info("done!") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) parser.add_argument( "--v2", action="store_true", help="load Stable Diffusion v2.0 model / Stable Diffusion 2.0のモデルを読み込む" ) parser.add_argument( "--v_parameterization", action="store_true", help="enable v-parameterization training / v-parameterization学習を有効にする" ) parser.add_argument("--prompt", type=str, default=None, help="prompt / プロンプト") parser.add_argument( "--from_file", type=str, default=None, help="if specified, load prompts from this file / 指定時はプロンプトをファイルから読み込む", ) parser.add_argument( "--interactive", action="store_true", help="interactive mode (generates one image) / 対話モード（生成される画像は1枚になります）", ) parser.add_argument( "--no_preview", action="store_true", help="do not show generated image in interactive mode / 対話モードで画像を表示しない" ) parser.add_argument( "--image_path", type=str, default=None, help="image to inpaint or to generate from / img2imgまたはinpaintを行う元画像" ) parser.add_argument("--mask_path", type=str, default=None, help="mask in inpainting / inpaint時のマスク") parser.add_argument("--strength", type=float, default=None, help="img2img strength / img2img時のstrength") parser.add_argument("--images_per_prompt", type=int, default=1, help="number of images per prompt / プロンプトあたりの出力枚数") parser.add_argument("--outdir", type=str, default="outputs", help="dir to write results to / 生成画像の出力先") parser.add_argument( "--sequential_file_name", action="store_true", help="sequential output file name / 生成画像のファイル名を連番にする" ) parser.add_argument( "--use_original_file_name", action="store_true", help="prepend original file name in img2img / img2imgで元画像のファイル名を生成画像のファイル名の先頭に付ける", ) # parser.add_argument("--ddim_eta", type=float, default=0.0, help="ddim eta (eta=0.0 corresponds to deterministic sampling", ) parser.add_argument("--n_iter", type=int, default=1, help="sample this often / 繰り返し回数") parser.add_argument("--H", type=int, default=None, help="image height, in pixel space / 生成画像高さ") parser.add_argument("--W", type=int, default=None, help="image width, in pixel space / 生成画像幅") parser.add_argument("--batch_size", type=int, default=1, help="batch size / バッチサイズ") parser.add_argument( "--vae_batch_size", type=float, default=None, help="batch size for VAE, < 1.0 for ratio / VAE処理時のバッチサイズ、1未満の値の場合は通常バッチサイズの比率", ) parser.add_argument( "--vae_slices", type=int, default=None, help="number of slices to split image into for VAE to reduce VRAM usage, None for no splitting (default), slower if specified. 16 or 32 recommended / VAE処理時にVRAM使用量削減のため画像を分割するスライス数、Noneの場合は分割しない（デフォルト）、指定すると遅くなる。16か32程度を推奨", ) parser.add_argument("--steps", type=int, default=50, help="number of ddim sampling steps / サンプリングステップ数") parser.add_argument( "--sampler", type=str, default="ddim", choices=[ "ddim", "pndm", "lms", "euler", "euler_a", "heun", "dpm_2", "dpm_2_a", "dpmsolver", "dpmsolver++", "dpmsingle", "k_lms", "k_euler", "k_euler_a", "k_dpm_2", "k_dpm_2_a", ], help=f"sampler (scheduler) type / サンプラー（スケジューラ）の種類", ) parser.add_argument( "--scale", type=float, default=7.5, help="unconditional guidance scale: eps = eps(x, empty) + scale * (eps(x, cond) - eps(x, empty)) / guidance scale", ) parser.add_argument( "--ckpt", type=str, default=None, help="path to checkpoint of model / モデルのcheckpointファイルまたはディレクトリ" ) parser.add_argument( "--vae", type=str, default=None, help="path to checkpoint of vae to replace / VAEを入れ替える場合、VAEのcheckpointファイルまたはディレクトリ", ) parser.add_argument( "--tokenizer_cache_dir", type=str, default=None, help="directory for caching Tokenizer (for offline training) / Tokenizerをキャッシュするディレクトリ（ネット接続なしでの学習のため）", ) # parser.add_argument("--replace_clip_l14_336", action='store_true', # help="Replace CLIP (Text Encoder) to l/14@336 / CLIP(Text Encoder)をl/14@336に入れ替える") parser.add_argument( "--seed", type=int, default=None, help="seed, or seed of seeds in multiple generation / 1枚生成時のseed、または複数枚生成時の乱数seedを決めるためのseed", ) parser.add_argument( "--iter_same_seed", action="store_true", help="use same seed for all prompts in iteration if no seed specified / 乱数seedの指定がないとき繰り返し内はすべて同じseedを使う（プロンプト間の差異の比較用）", ) parser.add_argument( "--shuffle_prompts", action="store_true", help="shuffle prompts in iteration / 繰り返し内のプロンプトをシャッフルする", ) parser.add_argument("--fp16", action="store_true", help="use fp16 / fp16を指定し省メモリ化する") parser.add_argument("--bf16", action="store_true", help="use bfloat16 / bfloat16を指定し省メモリ化する") parser.add_argument("--xformers", action="store_true", help="use xformers / xformersを使用し高速化する") parser.add_argument("--sdpa", action="store_true", help="use sdpa in PyTorch 2 / sdpa") parser.add_argument( "--diffusers_xformers", action="store_true", help="use xformers by diffusers (Hypernetworks doesn't work) / Diffusersでxformersを使用する（Hypernetwork利用不可）", ) parser.add_argument( "--opt_channels_last", action="store_true", help="set channels last option to model / モデルにchannels lastを指定し最適化する", ) parser.add_argument( "--network_module", type=str, default=None, nargs="*", help="additional network module to use / 追加ネットワークを使う時そのモジュール名", ) parser.add_argument( "--network_weights", type=str, default=None, nargs="*", help="additional network weights to load / 追加ネットワークの重み" ) parser.add_argument( "--network_mul", type=float, default=None, nargs="*", help="additional network multiplier / 追加ネットワークの効果の倍率" ) parser.add_argument( "--network_args", type=str, default=None, nargs="*", help="additional arguments for network (key=value) / ネットワークへの追加の引数", ) parser.add_argument( "--network_show_meta", action="store_true", help="show metadata of network model / ネットワークモデルのメタデータを表示する" ) parser.add_argument( "--network_merge_n_models", type=int, default=None, help="merge this number of networks / この数だけネットワークをマージする", ) parser.add_argument( "--network_merge", action="store_true", help="merge network weights to original model / ネットワークの重みをマージする" ) parser.add_argument( "--network_pre_calc", action="store_true", help="pre-calculate network for generation / ネットワークのあらかじめ計算して生成する", ) parser.add_argument( "--network_regional_mask_max_color_codes", type=int, default=None, help="max color codes for regional mask (default is None, mask by channel) / regional maskの最大色数（デフォルトはNoneでチャンネルごとのマスク）", ) parser.add_argument( "--textual_inversion_embeddings", type=str, default=None, nargs="*", help="Embeddings files of Textual Inversion / Textual Inversionのembeddings", ) parser.add_argument( "--XTI_embeddings", type=str, default=None, nargs="*", help="Embeddings files of Extended Textual Inversion / Extended Textual Inversionのembeddings", ) parser.add_argument( "--clip_skip", type=int, default=None, help="layer number from bottom to use in CLIP / CLIPの後ろからn層目の出力を使う" ) parser.add_argument( "--max_embeddings_multiples", type=int, default=None, help="max embedding multiples, max token length is 75 * multiples / トークン長をデフォルトの何倍とするか 75*この値 がトークン長となる", ) parser.add_argument( "--clip_guidance_scale", type=float, default=0.0, help="enable CLIP guided SD, scale for guidance (DDIM, PNDM, LMS samplers only) / CLIP guided SDを有効にしてこのscaleを適用する（サンプラーはDDIM、PNDM、LMSのみ）", ) parser.add_argument( "--clip_image_guidance_scale", type=float, default=0.0, help="enable CLIP guided SD by image, scale for guidance / 画像によるCLIP guided SDを有効にしてこのscaleを適用する", ) parser.add_argument( "--vgg16_guidance_scale", type=float, default=0.0, help="enable VGG16 guided SD by image, scale for guidance / 画像によるVGG16 guided SDを有効にしてこのscaleを適用する", ) parser.add_argument( "--vgg16_guidance_layer", type=int, default=20, help="layer of VGG16 to calculate contents guide (1~30, 20 for conv4_2) / VGG16のcontents guideに使うレイヤー番号 (1~30、20はconv4_2)", ) parser.add_argument( "--guide_image_path", type=str, default=None, nargs="*", help="image to CLIP guidance / CLIP guided SDでガイドに使う画像" ) parser.add_argument( "--highres_fix_scale", type=float, default=None, help="enable highres fix, reso scale for 1st stage / highres fixを有効にして最初の解像度をこのscaleにする", ) parser.add_argument( "--highres_fix_steps", type=int, default=28, help="1st stage steps for highres fix / highres fixの最初のステージのステップ数", ) parser.add_argument( "--highres_fix_strength", type=float, default=None, help="1st stage img2img strength for highres fix / highres fixの最初のステージのimg2img時のstrength、省略時はstrengthと同じ", ) parser.add_argument( "--highres_fix_save_1st", action="store_true", help="save 1st stage images for highres fix / highres fixの最初のステージの画像を保存する", ) parser.add_argument( "--highres_fix_latents_upscaling", action="store_true", help="use latents upscaling for highres fix / highres fixでlatentで拡大する", ) parser.add_argument( "--highres_fix_upscaler", type=str, default=None, help="upscaler module for highres fix / highres fixで使うupscalerのモジュール名", ) parser.add_argument( "--highres_fix_upscaler_args", type=str, default=None, help="additional arguments for upscaler (key=value) / upscalerへの追加の引数", ) parser.add_argument( "--highres_fix_disable_control_net", action="store_true", help="disable ControlNet for highres fix / highres fixでControlNetを使わない", ) parser.add_argument( "--negative_scale", type=float, default=None, help="set another guidance scale for negative prompt / ネガティブプロンプトのscaleを指定する", ) parser.add_argument( "--control_net_models", type=str, default=None, nargs="*", help="ControlNet models to use / 使用するControlNetのモデル名" ) parser.add_argument( "--control_net_preps", type=str, default=None, nargs="*", help="ControlNet preprocess to use / 使用するControlNetのプリプロセス名", ) parser.add_argument("--control_net_weights", type=float, default=None, nargs="*", help="ControlNet weights / ControlNetの重み") parser.add_argument( "--control_net_ratios", type=float, default=None, nargs="*", help="ControlNet guidance ratio for steps / ControlNetでガイドするステップ比率", ) # parser.add_argument( # "--control_net_image_path", type=str, default=None, nargs="*", help="image for ControlNet guidance / ControlNetでガイドに使う画像" # ) # Deep Shrink parser.add_argument( "--ds_depth_1", type=int, default=None, help="Enable Deep Shrink with this depth 1, valid values are 0 to 3 / Deep Shrinkをこのdepthで有効にする", ) parser.add_argument( "--ds_timesteps_1", type=int, default=650, help="Apply Deep Shrink depth 1 until this timesteps / Deep Shrink depth 1を適用するtimesteps", ) parser.add_argument("--ds_depth_2", type=int, default=None, help="Deep Shrink depth 2 / Deep Shrinkのdepth 2") parser.add_argument( "--ds_timesteps_2", type=int, default=650, help="Apply Deep Shrink depth 2 until this timesteps / Deep Shrink depth 2を適用するtimesteps", ) parser.add_argument( "--ds_ratio", type=float, default=0.5, help="Deep Shrink ratio for downsampling / Deep Shrinkのdownsampling比率" ) # gradual latent parser.add_argument( "--gradual_latent_timesteps", type=int, default=None, help="enable Gradual Latent hires fix and apply upscaling from this timesteps / Gradual Latent hires fixをこのtimestepsで有効にし、このtimestepsからアップスケーリングを適用する", ) parser.add_argument( "--gradual_latent_ratio", type=float, default=0.5, help=" this size ratio, 0.5 means 1/2 / Gradual Latent hires fixをこのサイズ比率で有効にする、0.5は1/2を意味する", ) parser.add_argument( "--gradual_latent_ratio_step", type=float, default=0.125, help="step to increase ratio for Gradual Latent / Gradual Latentのratioをどのくらいずつ上げるか", ) parser.add_argument( "--gradual_latent_every_n_steps", type=int, default=3, help="steps to increase size of latents every this steps for Gradual Latent / Gradual Latentでlatentsのサイズをこのステップごとに上げる", ) parser.add_argument( "--gradual_latent_s_noise", type=float, default=1.0, help="s_noise for Gradual Latent / Gradual Latentのs_noise", ) parser.add_argument( "--gradual_latent_unsharp_params", type=str, default=None, help="unsharp mask parameters for Gradual Latent: ksize, sigma, strength, target-x (1 means True). `3,0.5,0.5,1` or `3,1.0,1.0,0` is recommended /" + " Gradual Latentのunsharp maskのパラメータ: ksize, sigma, strength, target-x. `3,0.5,0.5,1` または `3,1.0,1.0,0` が推奨", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() setup_logging(args, reset=True) main(args) ================================================ FILE: hunyuan_image_minimal_inference.py ================================================ import argparse import datetime import gc from importlib.util import find_spec import random import os import re import time import copy from types import ModuleType, SimpleNamespace from typing import Tuple, Optional, List, Any, Dict, Union import numpy as np import torch from safetensors.torch import load_file, save_file from safetensors import safe_open from tqdm import tqdm from diffusers.utils.torch_utils import randn_tensor from PIL import Image from library import hunyuan_image_models, hunyuan_image_text_encoder, hunyuan_image_utils from library import hunyuan_image_vae from library.hunyuan_image_vae import HunyuanVAE2D from library.device_utils import clean_memory_on_device, synchronize_device from library.safetensors_utils import mem_eff_save_file from networks import lora_hunyuan_image lycoris_available = find_spec("lycoris") is not None if lycoris_available: from lycoris.kohya import create_network_from_weights from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) class GenerationSettings: def __init__(self, device: torch.device, dit_weight_dtype: Optional[torch.dtype] = None): self.device = device self.dit_weight_dtype = dit_weight_dtype # not used currently because model may be optimized def parse_args() -> argparse.Namespace: """parse command line arguments""" parser = argparse.ArgumentParser(description="HunyuanImage inference script") parser.add_argument("--dit", type=str, default=None, help="DiT directory or path") parser.add_argument("--vae", type=str, default=None, help="VAE directory or path") parser.add_argument("--text_encoder", type=str, required=True, help="Text Encoder 1 (Qwen2.5-VL) directory or path") parser.add_argument("--byt5", type=str, default=None, help="ByT5 Text Encoder 2 directory or path") # LoRA parser.add_argument("--lora_weight", type=str, nargs="*", required=False, default=None, help="LoRA weight path") parser.add_argument("--lora_multiplier", type=float, nargs="*", default=1.0, help="LoRA multiplier") parser.add_argument("--include_patterns", type=str, nargs="*", default=None, help="LoRA module include patterns") parser.add_argument("--exclude_patterns", type=str, nargs="*", default=None, help="LoRA module exclude patterns") parser.add_argument( "--save_merged_model", type=str, default=None, help="Save merged model to path. If specified, no inference will be performed.", ) # inference parser.add_argument( "--guidance_scale", type=float, default=3.5, help="Guidance scale for classifier free guidance. Default is 3.5." ) parser.add_argument( "--apg_start_step_ocr", type=int, default=38, help="Starting step for Adaptive Projected Guidance (APG) for image with text. Default is 38. Should be less than infer_steps, usually near the end.", ) parser.add_argument( "--apg_start_step_general", type=int, default=5, help="Starting step for Adaptive Projected Guidance (APG) for general image. Default is 5. Should be less than infer_steps, usually near the beginning.", ) parser.add_argument( "--guidance_rescale", type=float, default=0.0, help="Guidance rescale factor for steps without APG, 0.0 to 1.0. Default is 0.0 (no rescale).", ) parser.add_argument( "--guidance_rescale_apg", type=float, default=0.0, help="Guidance rescale factor for steps with APG, 0.0 to 1.0. Default is 0.0 (no rescale).", ) parser.add_argument("--prompt", type=str, default=None, help="prompt for generation") parser.add_argument("--negative_prompt", type=str, default="", help="negative prompt for generation, default is empty string") parser.add_argument("--image_size", type=int, nargs=2, default=[2048, 2048], help="image size, height and width") parser.add_argument("--infer_steps", type=int, default=50, help="number of inference steps, default is 50") parser.add_argument("--save_path", type=str, required=True, help="path to save generated video") parser.add_argument("--seed", type=int, default=None, help="Seed for evaluation.") # Flow Matching parser.add_argument( "--flow_shift", type=float, default=5.0, help="Shift factor for flow matching schedulers. Default is 5.0.", ) parser.add_argument("--fp8", action="store_true", help="use fp8 for DiT model") parser.add_argument("--fp8_scaled", action="store_true", help="use scaled fp8 for DiT, only for fp8") parser.add_argument("--text_encoder_cpu", action="store_true", help="Inference on CPU for Text Encoders") parser.add_argument( "--vae_chunk_size", type=int, default=None, # default is None (no chunking) help="Chunk size for VAE decoding to reduce memory usage. Default is None (no chunking). 16 is recommended if enabled" " / メモリ使用量を減らすためのVAEデコードのチャンクサイズ。デフォルトはNone（チャンクなし）。有効にする場合は16程度を推奨。", ) parser.add_argument( "--device", type=str, default=None, help="device to use for inference. If None, use CUDA if available, otherwise use CPU" ) parser.add_argument( "--attn_mode", type=str, default="torch", choices=["flash", "torch", "sageattn", "xformers", "sdpa"], # "sdpa" for backward compatibility help="attention mode", ) parser.add_argument("--blocks_to_swap", type=int, default=0, help="number of blocks to swap in the model") parser.add_argument( "--output_type", type=str, default="images", choices=["images", "latent", "latent_images"], help="output type", ) parser.add_argument("--no_metadata", action="store_true", help="do not save metadata") parser.add_argument("--latent_path", type=str, nargs="*", default=None, help="path to latent for decode. no inference") parser.add_argument( "--lycoris", action="store_true", help=f"use lycoris for inference{'' if lycoris_available else ' (not available)'}" ) # arguments for batch and interactive modes parser.add_argument("--from_file", type=str, default=None, help="Read prompts from a file") parser.add_argument("--interactive", action="store_true", help="Interactive mode: read prompts from console") args = parser.parse_args() # Validate arguments if args.from_file and args.interactive: raise ValueError("Cannot use both --from_file and --interactive at the same time") if args.latent_path is None or len(args.latent_path) == 0: if args.prompt is None and not args.from_file and not args.interactive: raise ValueError("Either --prompt, --from_file or --interactive must be specified") if args.lycoris and not lycoris_available: raise ValueError("install lycoris: https://github.com/KohakuBlueleaf/LyCORIS") if args.attn_mode == "sdpa": args.attn_mode = "torch" # backward compatibility return args def parse_prompt_line(line: str) -> Dict[str, Any]: """Parse a prompt line into a dictionary of argument overrides Args: line: Prompt line with options Returns: Dict[str, Any]: Dictionary of argument overrides """ # TODO common function with hv_train_network.line_to_prompt_dict parts = line.split(" --") prompt = parts[0].strip() # Create dictionary of overrides overrides = {"prompt": prompt} for part in parts[1:]: if not part.strip(): continue option_parts = part.split(" ", 1) option = option_parts[0].strip() value = option_parts[1].strip() if len(option_parts) > 1 else "" # Map options to argument names if option == "w": overrides["image_size_width"] = int(value) elif option == "h": overrides["image_size_height"] = int(value) elif option == "d": overrides["seed"] = int(value) elif option == "s": overrides["infer_steps"] = int(value) elif option == "g" or option == "l": overrides["guidance_scale"] = float(value) elif option == "fs": overrides["flow_shift"] = float(value) # elif option == "i": # overrides["image_path"] = value # elif option == "im": # overrides["image_mask_path"] = value # elif option == "cn": # overrides["control_path"] = value elif option == "n": overrides["negative_prompt"] = value # elif option == "ci": # control_image_path # overrides["control_image_path"] = value return overrides def apply_overrides(args: argparse.Namespace, overrides: Dict[str, Any]) -> argparse.Namespace: """Apply overrides to args Args: args: Original arguments overrides: Dictionary of overrides Returns: argparse.Namespace: New arguments with overrides applied """ args_copy = copy.deepcopy(args) for key, value in overrides.items(): if key == "image_size_width": args_copy.image_size[1] = value elif key == "image_size_height": args_copy.image_size[0] = value else: setattr(args_copy, key, value) return args_copy def check_inputs(args: argparse.Namespace) -> Tuple[int, int]: """Validate video size and length Args: args: command line arguments Returns: Tuple[int, int]: (height, width) """ height = args.image_size[0] width = args.image_size[1] if height % 32 != 0 or width % 32 != 0: raise ValueError(f"`height` and `width` have to be divisible by 32 but are {height} and {width}.") return height, width # region Model def load_dit_model( args: argparse.Namespace, device: torch.device, dit_weight_dtype: Optional[torch.dtype] = None ) -> hunyuan_image_models.HYImageDiffusionTransformer: """load DiT model Args: args: command line arguments device: device to use dit_weight_dtype: data type for the model weights. None for as-is Returns: qwen_image_model.HYImageDiffusionTransformer: DiT model instance """ # If LyCORIS is enabled, we will load the model to CPU and then merge LoRA weights (static method) loading_device = "cpu" if args.blocks_to_swap == 0 and not args.lycoris: loading_device = device # load LoRA weights if not args.lycoris and args.lora_weight is not None and len(args.lora_weight) > 0: lora_weights_list = [] for lora_weight in args.lora_weight: logger.info(f"Loading LoRA weight from: {lora_weight}") lora_sd = load_file(lora_weight) # load on CPU, dtype is as is # lora_sd = filter_lora_state_dict(lora_sd, args.include_patterns, args.exclude_patterns) lora_weights_list.append(lora_sd) else: lora_weights_list = None loading_weight_dtype = dit_weight_dtype if args.fp8_scaled and not args.lycoris: loading_weight_dtype = None # we will load weights as-is and then optimize to fp8 model = hunyuan_image_models.load_hunyuan_image_model( device, args.dit, args.attn_mode, True, # enable split_attn to trim masked tokens loading_device, loading_weight_dtype, args.fp8_scaled and not args.lycoris, lora_weights_list=lora_weights_list, lora_multipliers=args.lora_multiplier, ) # merge LoRA weights if args.lycoris: if args.lora_weight is not None and len(args.lora_weight) > 0: merge_lora_weights(lora_hunyuan_image, model, args, device) if args.fp8_scaled: # load state dict as-is and optimize to fp8 state_dict = model.state_dict() # if no blocks to swap, we can move the weights to GPU after optimization on GPU (omit redundant CPU->GPU copy) move_to_device = args.blocks_to_swap == 0 # if blocks_to_swap > 0, we will keep the model on CPU state_dict = model.fp8_optimization(state_dict, device, move_to_device, use_scaled_mm=False) # args.fp8_fast) info = model.load_state_dict(state_dict, strict=True, assign=True) logger.info(f"Loaded FP8 optimized weights: {info}") # if we only want to save the model, we can skip the rest if args.save_merged_model: return None if not args.fp8_scaled: # simple cast to dit_weight_dtype target_dtype = None # load as-is (dit_weight_dtype == dtype of the weights in state_dict) target_device = None if dit_weight_dtype is not None: # in case of args.fp8 and not args.fp8_scaled logger.info(f"Convert model to {dit_weight_dtype}") target_dtype = dit_weight_dtype if args.blocks_to_swap == 0: logger.info(f"Move model to device: {device}") target_device = device model.to(target_device, target_dtype) # move and cast at the same time. this reduces redundant copy operations # if args.compile: # compile_backend, compile_mode, compile_dynamic, compile_fullgraph = args.compile_args # logger.info( # f"Torch Compiling[Backend: {compile_backend}; Mode: {compile_mode}; Dynamic: {compile_dynamic}; Fullgraph: {compile_fullgraph}]" # ) # torch._dynamo.config.cache_size_limit = 32 # for i in range(len(model.blocks)): # model.blocks[i] = torch.compile( # model.blocks[i], # backend=compile_backend, # mode=compile_mode, # dynamic=compile_dynamic.lower() in "true", # fullgraph=compile_fullgraph.lower() in "true", # ) if args.blocks_to_swap > 0: logger.info(f"Enable swap {args.blocks_to_swap} blocks to CPU from device: {device}") model.enable_block_swap(args.blocks_to_swap, device, supports_backward=False) model.move_to_device_except_swap_blocks(device) model.prepare_block_swap_before_forward() else: # make sure the model is on the right device model.to(device) model.eval().requires_grad_(False) clean_memory_on_device(device) return model def merge_lora_weights( lora_module: ModuleType, model: torch.nn.Module, lora_weights: List[str], lora_multipliers: List[float], include_patterns: Optional[List[str]], exclude_patterns: Optional[List[str]], device: torch.device, lycoris: bool = False, save_merged_model: Optional[str] = None, converter: Optional[callable] = None, ) -> None: """merge LoRA weights to the model Args: lora_module: LoRA module, e.g. lora_wan model: DiT model lora_weights: paths to LoRA weights lora_multipliers: multipliers for LoRA weights include_patterns: regex patterns to include LoRA modules exclude_patterns: regex patterns to exclude LoRA modules device: torch.device lycoris: use LyCORIS save_merged_model: path to save merged model, if specified, no inference will be performed converter: Optional[callable] = None """ if lora_weights is None or len(lora_weights) == 0: return for i, lora_weight in enumerate(lora_weights): if lora_multipliers is not None and len(lora_multipliers) > i: lora_multiplier = lora_multipliers[i] else: lora_multiplier = 1.0 logger.info(f"Loading LoRA weights from {lora_weight} with multiplier {lora_multiplier}") weights_sd = load_file(lora_weight) if converter is not None: weights_sd = converter(weights_sd) # apply include/exclude patterns original_key_count = len(weights_sd.keys()) if include_patterns is not None and len(include_patterns) > i: include_pattern = include_patterns[i] regex_include = re.compile(include_pattern) weights_sd = {k: v for k, v in weights_sd.items() if regex_include.search(k)} logger.info(f"Filtered keys with include pattern {include_pattern}: {original_key_count} -> {len(weights_sd.keys())}") if exclude_patterns is not None and len(exclude_patterns) > i: original_key_count_ex = len(weights_sd.keys()) exclude_pattern = exclude_patterns[i] regex_exclude = re.compile(exclude_pattern) weights_sd = {k: v for k, v in weights_sd.items() if not regex_exclude.search(k)} logger.info( f"Filtered keys with exclude pattern {exclude_pattern}: {original_key_count_ex} -> {len(weights_sd.keys())}" ) if len(weights_sd) != original_key_count: remaining_keys = list(set([k.split(".", 1)[0] for k in weights_sd.keys()])) remaining_keys.sort() logger.info(f"Remaining LoRA modules after filtering: {remaining_keys}") if len(weights_sd) == 0: logger.warning("No keys left after filtering.") if lycoris: lycoris_net, _ = create_network_from_weights( multiplier=lora_multiplier, file=None, weights_sd=weights_sd, unet=model, text_encoder=None, vae=None, for_inference=True, ) lycoris_net.merge_to(None, model, weights_sd, dtype=None, device=device) else: network = lora_module.create_arch_network_from_weights(lora_multiplier, weights_sd, unet=model, for_inference=True) network.merge_to(None, model, weights_sd, device=device, non_blocking=True) synchronize_device(device) logger.info("LoRA weights loaded") # save model here before casting to dit_weight_dtype if save_merged_model: logger.info(f"Saving merged model to {save_merged_model}") mem_eff_save_file(model.state_dict(), save_merged_model) # save_file needs a lot of memory logger.info("Merged model saved") # endregion def decode_latent(vae: HunyuanVAE2D, latent: torch.Tensor, device: torch.device) -> torch.Tensor: logger.info(f"Decoding image. Latent shape {latent.shape}, device {device}") vae.to(device) with torch.no_grad(): latent = latent / vae.scaling_factor # scale latent back to original range pixels = vae.decode(latent.to(device, dtype=vae.dtype)) pixels = pixels.to("cpu", dtype=torch.float32) # move to CPU and convert to float32 (bfloat16 is not supported by numpy) vae.to("cpu") logger.info(f"Decoded. Pixel shape {pixels.shape}") return pixels[0] # remove batch dimension def prepare_text_inputs( args: argparse.Namespace, device: torch.device, shared_models: Optional[Dict] = None ) -> Tuple[Dict[str, Any], Dict[str, Any]]: """Prepare text-related inputs for T2I: LLM encoding.""" # load text encoder: conds_cache holds cached encodings for prompts without padding conds_cache = {} vl_device = torch.device("cpu") if args.text_encoder_cpu else device if shared_models is not None: tokenizer_vlm = shared_models.get("tokenizer_vlm") text_encoder_vlm = shared_models.get("text_encoder_vlm") tokenizer_byt5 = shared_models.get("tokenizer_byt5") text_encoder_byt5 = shared_models.get("text_encoder_byt5") if "conds_cache" in shared_models: # Use shared cache if available conds_cache = shared_models["conds_cache"] # text_encoder is on device (batched inference) or CPU (interactive inference) else: # Load if not in shared_models vl_dtype = torch.bfloat16 # Default dtype for Text Encoder tokenizer_vlm, text_encoder_vlm = hunyuan_image_text_encoder.load_qwen2_5_vl( args.text_encoder, dtype=vl_dtype, device=vl_device, disable_mmap=True ) tokenizer_byt5, text_encoder_byt5 = hunyuan_image_text_encoder.load_byt5( args.byt5, dtype=torch.float16, device=vl_device, disable_mmap=True ) # Store original devices to move back later if they were shared. This does nothing if shared_models is None text_encoder_original_device = text_encoder_vlm.device if text_encoder_vlm else None # Ensure text_encoder is not None before proceeding if not text_encoder_vlm or not tokenizer_vlm or not tokenizer_byt5 or not text_encoder_byt5: raise ValueError("Text encoder or tokenizer is not loaded properly.") # Define a function to move models to device if needed # This is to avoid moving models if not needed, especially in interactive mode model_is_moved = False def move_models_to_device_if_needed(): nonlocal model_is_moved nonlocal shared_models if model_is_moved: return model_is_moved = True logger.info(f"Moving DiT and Text Encoder to appropriate device: {device} or CPU") if shared_models and "model" in shared_models: # DiT model is shared if args.blocks_to_swap > 0: logger.info("Waiting for 5 seconds to finish block swap") time.sleep(5) model = shared_models["model"] model.to("cpu") clean_memory_on_device(device) # clean memory on device before moving models text_encoder_vlm.to(vl_device) # If text_encoder_cpu is True, this will be CPU text_encoder_byt5.to(vl_device) logger.info("Encoding prompt with Text Encoder") prompt = args.prompt cache_key = prompt if cache_key in conds_cache: embed, mask, embed_byt5, mask_byt5, ocr_mask = conds_cache[cache_key] else: move_models_to_device_if_needed() with torch.no_grad(): embed, mask = hunyuan_image_text_encoder.get_qwen_prompt_embeds(tokenizer_vlm, text_encoder_vlm, prompt) ocr_mask, embed_byt5, mask_byt5 = hunyuan_image_text_encoder.get_glyph_prompt_embeds( tokenizer_byt5, text_encoder_byt5, prompt ) embed = embed.cpu() mask = mask.cpu() embed_byt5 = embed_byt5.cpu() mask_byt5 = mask_byt5.cpu() conds_cache[cache_key] = (embed, mask, embed_byt5, mask_byt5, ocr_mask) negative_prompt = args.negative_prompt cache_key = negative_prompt if cache_key in conds_cache: negative_embed, negative_mask, negative_embed_byt5, negative_mask_byt5, negative_ocr_mask = conds_cache[cache_key] else: move_models_to_device_if_needed() with torch.no_grad(): negative_embed, negative_mask = hunyuan_image_text_encoder.get_qwen_prompt_embeds( tokenizer_vlm, text_encoder_vlm, negative_prompt ) negative_ocr_mask, negative_embed_byt5, negative_mask_byt5 = hunyuan_image_text_encoder.get_glyph_prompt_embeds( tokenizer_byt5, text_encoder_byt5, negative_prompt ) negative_embed = negative_embed.cpu() negative_mask = negative_mask.cpu() negative_embed_byt5 = negative_embed_byt5.cpu() negative_mask_byt5 = negative_mask_byt5.cpu() conds_cache[cache_key] = (negative_embed, negative_mask, negative_embed_byt5, negative_mask_byt5, negative_ocr_mask) if not (shared_models and "text_encoder_vlm" in shared_models): # if loaded locally # There is a bug text_encoder is not freed from GPU memory when text encoder is fp8 del tokenizer_vlm, text_encoder_vlm, tokenizer_byt5, text_encoder_byt5 gc.collect() # This may force Text Encoder to be freed from GPU memory else: # if shared, move back to original device (likely CPU) if text_encoder_vlm: text_encoder_vlm.to(text_encoder_original_device) if text_encoder_byt5: text_encoder_byt5.to(text_encoder_original_device) clean_memory_on_device(device) arg_c = {"embed": embed, "mask": mask, "embed_byt5": embed_byt5, "mask_byt5": mask_byt5, "ocr_mask": ocr_mask, "prompt": prompt} arg_null = { "embed": negative_embed, "mask": negative_mask, "embed_byt5": negative_embed_byt5, "mask_byt5": negative_mask_byt5, "ocr_mask": negative_ocr_mask, "prompt": negative_prompt, } return arg_c, arg_null def generate( args: argparse.Namespace, gen_settings: GenerationSettings, shared_models: Optional[Dict] = None, precomputed_text_data: Optional[Dict] = None, ) -> torch.Tensor: """main function for generation Args: args: command line arguments shared_models: dictionary containing pre-loaded models (mainly for DiT) precomputed_image_data: Optional dictionary with precomputed image data precomputed_text_data: Optional dictionary with precomputed text data Returns: tuple: (HunyuanVAE2D model (vae) or None, torch.Tensor generated latent) """ device, dit_weight_dtype = (gen_settings.device, gen_settings.dit_weight_dtype) # prepare seed seed = args.seed if args.seed is not None else random.randint(0, 2**32 - 1) args.seed = seed # set seed to args for saving if precomputed_text_data is not None: logger.info("Using precomputed text data.") context = precomputed_text_data["context"] context_null = precomputed_text_data["context_null"] else: logger.info("No precomputed data. Preparing image and text inputs.") context, context_null = prepare_text_inputs(args, device, shared_models) if shared_models is None or "model" not in shared_models: # load DiT model model = load_dit_model(args, device, dit_weight_dtype) # if we only want to save the model, we can skip the rest if args.save_merged_model: return None if shared_models is not None: shared_models["model"] = model else: # use shared model logger.info("Using shared DiT model.") model: hunyuan_image_models.HYImageDiffusionTransformer = shared_models["model"] model.move_to_device_except_swap_blocks(device) # Handles block swap correctly model.prepare_block_swap_before_forward() return generate_body(args, model, context, context_null, device, seed) def generate_body( args: Union[argparse.Namespace, SimpleNamespace], model: hunyuan_image_models.HYImageDiffusionTransformer, context: Dict[str, Any], context_null: Optional[Dict[str, Any]], device: torch.device, seed: int, ) -> torch.Tensor: # set random generator seed_g = torch.Generator(device="cpu") seed_g.manual_seed(seed) height, width = check_inputs(args) logger.info(f"Image size: {height}x{width} (HxW), infer_steps: {args.infer_steps}") # image generation ###### logger.info(f"Prompt: {context['prompt']}") embed = context["embed"].to(device, dtype=torch.bfloat16) mask = context["mask"].to(device, dtype=torch.bfloat16) embed_byt5 = context["embed_byt5"].to(device, dtype=torch.bfloat16) mask_byt5 = context["mask_byt5"].to(device, dtype=torch.bfloat16) ocr_mask = context["ocr_mask"] # list of bool if context_null is None: context_null = context # dummy for unconditional negative_embed = context_null["embed"].to(device, dtype=torch.bfloat16) negative_mask = context_null["mask"].to(device, dtype=torch.bfloat16) negative_embed_byt5 = context_null["embed_byt5"].to(device, dtype=torch.bfloat16) negative_mask_byt5 = context_null["mask_byt5"].to(device, dtype=torch.bfloat16) # negative_ocr_mask = context_null["ocr_mask"] # list of bool # Prepare latent variables num_channels_latents = model.in_channels shape = (1, num_channels_latents, height // hunyuan_image_vae.VAE_SCALE_FACTOR, width // hunyuan_image_vae.VAE_SCALE_FACTOR) latents = randn_tensor(shape, generator=seed_g, device=device, dtype=torch.bfloat16) logger.info( f"Embed: {embed.shape}, embed byt5: {embed_byt5.shape}, negative_embed: {negative_embed.shape}, negative embed byt5: {negative_embed_byt5.shape}, latents: {latents.shape}" ) # Prepare timesteps timesteps, sigmas = hunyuan_image_utils.get_timesteps_sigmas(args.infer_steps, args.flow_shift, device) # Prepare Guider cfg_guider_ocr = hunyuan_image_utils.AdaptiveProjectedGuidance( guidance_scale=10.0, eta=0.0, adaptive_projected_guidance_rescale=10.0, adaptive_projected_guidance_momentum=-0.5, guidance_rescale=args.guidance_rescale_apg, ) cfg_guider_general = hunyuan_image_utils.AdaptiveProjectedGuidance( guidance_scale=10.0, eta=0.0, adaptive_projected_guidance_rescale=10.0, adaptive_projected_guidance_momentum=-0.5, guidance_rescale=args.guidance_rescale_apg, ) # Denoising loop do_cfg = args.guidance_scale != 1.0 # print(f"embed shape: {embed.shape}, mean: {embed.mean()}, std: {embed.std()}") # print(f"embed_byt5 shape: {embed_byt5.shape}, mean: {embed_byt5.mean()}, std: {embed_byt5.std()}") # print(f"negative_embed shape: {negative_embed.shape}, mean: {negative_embed.mean()}, std: {negative_embed.std()}") # print(f"negative_embed_byt5 shape: {negative_embed_byt5.shape}, mean: {negative_embed_byt5.mean()}, std: {negative_embed_byt5.std()}") # print(f"latents shape: {latents.shape}, mean: {latents.mean()}, std: {latents.std()}") # print(f"mask shape: {mask.shape}, sum: {mask.sum()}") # print(f"mask_byt5 shape: {mask_byt5.shape}, sum: {mask_byt5.sum()}") # print(f"negative_mask shape: {negative_mask.shape}, sum: {negative_mask.sum()}") # print(f"negative_mask_byt5 shape: {negative_mask_byt5.shape}, sum: {negative_mask_byt5.sum()}") autocast_enabled = args.fp8 with tqdm(total=len(timesteps), desc="Denoising steps") as pbar: for i, t in enumerate(timesteps): t_expand = t.expand(latents.shape[0]).to(torch.int64) with torch.no_grad(), torch.autocast(device_type=device.type, dtype=torch.bfloat16, enabled=autocast_enabled): noise_pred = model(latents, t_expand, embed, mask, embed_byt5, mask_byt5) if do_cfg: with torch.no_grad(), torch.autocast(device_type=device.type, dtype=torch.bfloat16, enabled=autocast_enabled): uncond_noise_pred = model( latents, t_expand, negative_embed, negative_mask, negative_embed_byt5, negative_mask_byt5 ) noise_pred = hunyuan_image_utils.apply_classifier_free_guidance( noise_pred, uncond_noise_pred, ocr_mask[0], args.guidance_scale, i, apg_start_step_ocr=args.apg_start_step_ocr, apg_start_step_general=args.apg_start_step_general, cfg_guider_ocr=cfg_guider_ocr, cfg_guider_general=cfg_guider_general, guidance_rescale=args.guidance_rescale, ) # ensure latents dtype is consistent latents = hunyuan_image_utils.step(latents, noise_pred, sigmas, i).to(latents.dtype) pbar.update() return latents def get_time_flag(): return datetime.datetime.fromtimestamp(time.time()).strftime("%Y%m%d-%H%M%S-%f")[:-3] def save_latent(latent: torch.Tensor, args: argparse.Namespace, height: int, width: int) -> str: """Save latent to file Args: latent: Latent tensor args: command line arguments height: height of frame width: width of frame Returns: str: Path to saved latent file """ save_path = args.save_path os.makedirs(save_path, exist_ok=True) time_flag = get_time_flag() seed = args.seed latent_path = f"{save_path}/{time_flag}_{seed}_latent.safetensors" if args.no_metadata: metadata = None else: metadata = { "seeds": f"{seed}", "prompt": f"{args.prompt}", "height": f"{height}", "width": f"{width}", "infer_steps": f"{args.infer_steps}", # "embedded_cfg_scale": f"{args.embedded_cfg_scale}", "guidance_scale": f"{args.guidance_scale}", } if args.negative_prompt is not None: metadata["negative_prompt"] = f"{args.negative_prompt}" sd = {"latent": latent.contiguous()} save_file(sd, latent_path, metadata=metadata) logger.info(f"Latent saved to: {latent_path}") return latent_path def save_images(sample: torch.Tensor, args: argparse.Namespace, original_base_name: Optional[str] = None) -> str: """Save images to directory Args: sample: Video tensor args: command line arguments original_base_name: Original base name (if latents are loaded from files) Returns: str: Path to saved images directory """ save_path = args.save_path os.makedirs(save_path, exist_ok=True) time_flag = get_time_flag() seed = args.seed original_name = "" if original_base_name is None else f"_{original_base_name}" image_name = f"{time_flag}_{seed}{original_name}" x = torch.clamp(sample, -1.0, 1.0) x = ((x + 1.0) * 127.5).to(torch.uint8).cpu().numpy() x = x.transpose(1, 2, 0) # C, H, W -> H, W, C image = Image.fromarray(x) image.save(os.path.join(save_path, f"{image_name}.png")) logger.info(f"Sample images saved to: {save_path}/{image_name}") return f"{save_path}/{image_name}" def save_output( args: argparse.Namespace, vae: HunyuanVAE2D, latent: torch.Tensor, device: torch.device, original_base_name: Optional[str] = None, ) -> None: """save output Args: args: command line arguments vae: VAE model latent: latent tensor device: device to use original_base_name: original base name (if latents are loaded from files) """ height, width = latent.shape[-2], latent.shape[-1] # BCTHW height *= hunyuan_image_vae.VAE_SCALE_FACTOR width *= hunyuan_image_vae.VAE_SCALE_FACTOR # print(f"Saving output. Latent shape {latent.shape}; pixel shape {height}x{width}") if args.output_type == "latent" or args.output_type == "latent_images": # save latent save_latent(latent, args, height, width) if args.output_type == "latent": return if vae is None: logger.error("VAE is None, cannot decode latents for saving video/images.") return if latent.ndim == 2: # S,C. For packed latents from other inference scripts latent = latent.unsqueeze(0) height, width = check_inputs(args) # Get height/width from args latent = latent.view( 1, vae.latent_channels, height // hunyuan_image_vae.VAE_SCALE_FACTOR, width // hunyuan_image_vae.VAE_SCALE_FACTOR ) image = decode_latent(vae, latent, device) if args.output_type == "images" or args.output_type == "latent_images": # save images if original_base_name is None: original_name = "" else: original_name = f"_{original_base_name}" save_images(image, args, original_name) def preprocess_prompts_for_batch(prompt_lines: List[str], base_args: argparse.Namespace) -> List[Dict]: """Process multiple prompts for batch mode Args: prompt_lines: List of prompt lines base_args: Base command line arguments Returns: List[Dict]: List of prompt data dictionaries """ prompts_data = [] for line in prompt_lines: line = line.strip() if not line or line.startswith("#"): # Skip empty lines and comments continue # Parse prompt line and create override dictionary prompt_data = parse_prompt_line(line) logger.info(f"Parsed prompt data: {prompt_data}") prompts_data.append(prompt_data) return prompts_data def load_shared_models(args: argparse.Namespace) -> Dict: """Load shared models for batch processing or interactive mode. Models are loaded to CPU to save memory. VAE is NOT loaded here. DiT model is also NOT loaded here, handled by process_batch_prompts or generate. Args: args: Base command line arguments Returns: Dict: Dictionary of shared models (text/image encoders) """ shared_models = {} # Load text encoders to CPU vl_dtype = torch.bfloat16 # Default dtype for Text Encoder tokenizer_vlm, text_encoder_vlm = hunyuan_image_text_encoder.load_qwen2_5_vl( args.text_encoder, dtype=vl_dtype, device="cpu", disable_mmap=True ) tokenizer_byt5, text_encoder_byt5 = hunyuan_image_text_encoder.load_byt5( args.byt5, dtype=torch.float16, device="cpu", disable_mmap=True ) shared_models["tokenizer_vlm"] = tokenizer_vlm shared_models["text_encoder_vlm"] = text_encoder_vlm shared_models["tokenizer_byt5"] = tokenizer_byt5 shared_models["text_encoder_byt5"] = text_encoder_byt5 return shared_models def process_batch_prompts(prompts_data: List[Dict], args: argparse.Namespace) -> None: """Process multiple prompts with model reuse and batched precomputation Args: prompts_data: List of prompt data dictionaries args: Base command line arguments """ if not prompts_data: logger.warning("No valid prompts found") return gen_settings = get_generation_settings(args) dit_weight_dtype = gen_settings.dit_weight_dtype device = gen_settings.device # 1. Prepare VAE logger.info("Loading VAE for batch generation...") vae_for_batch = hunyuan_image_vae.load_vae(args.vae, device="cpu", disable_mmap=True, chunk_size=args.vae_chunk_size) vae_for_batch.eval() all_prompt_args_list = [apply_overrides(args, pd) for pd in prompts_data] # Create all arg instances first for prompt_args in all_prompt_args_list: check_inputs(prompt_args) # Validate each prompt's height/width # 2. Precompute Text Data (Text Encoder) logger.info("Loading Text Encoder for batch text preprocessing...") # Text Encoder loaded to CPU by load_text_encoder vl_dtype = torch.bfloat16 # Default dtype for Text Encoder tokenizer_vlm, text_encoder_vlm_batch = hunyuan_image_text_encoder.load_qwen2_5_vl( args.text_encoder, dtype=vl_dtype, device="cpu", disable_mmap=True ) tokenizer_byt5, text_encoder_byt5_batch = hunyuan_image_text_encoder.load_byt5( args.byt5, dtype=torch.float16, device="cpu", disable_mmap=True ) # Text Encoder to device for this phase vl_device = torch.device("cpu") if args.text_encoder_cpu else device text_encoder_vlm_batch.to(vl_device) # Moved into prepare_text_inputs logic text_encoder_byt5_batch.to(vl_device) all_precomputed_text_data = [] conds_cache_batch = {} logger.info("Preprocessing text and LLM/TextEncoder encoding for all prompts...") temp_shared_models_txt = { "tokenizer_vlm": tokenizer_vlm, "text_encoder_vlm": text_encoder_vlm_batch, # on GPU if not text_encoder_cpu "tokenizer_byt5": tokenizer_byt5, "text_encoder_byt5": text_encoder_byt5_batch, # on GPU if not text_encoder_cpu "conds_cache": conds_cache_batch, } for i, prompt_args_item in enumerate(all_prompt_args_list): logger.info(f"Text preprocessing for prompt {i+1}/{len(all_prompt_args_list)}: {prompt_args_item.prompt}") # prepare_text_inputs will move text_encoders to device temporarily context, context_null = prepare_text_inputs(prompt_args_item, device, temp_shared_models_txt) text_data = {"context": context, "context_null": context_null} all_precomputed_text_data.append(text_data) # Models should be removed from device after prepare_text_inputs del tokenizer_vlm, text_encoder_vlm_batch, tokenizer_byt5, text_encoder_byt5_batch, temp_shared_models_txt, conds_cache_batch gc.collect() # Force cleanup of Text Encoder from GPU memory clean_memory_on_device(device) # 3. Load DiT Model once logger.info("Loading DiT model for batch generation...") # Use args from the first prompt for DiT loading (LoRA etc. should be consistent for a batch) first_prompt_args = all_prompt_args_list[0] dit_model = load_dit_model(first_prompt_args, device, dit_weight_dtype) # Load directly to target device if possible if first_prompt_args.save_merged_model: logger.info("Merged DiT model saved. Skipping generation.") shared_models_for_generate = {"model": dit_model} # Pass DiT via shared_models all_latents = [] logger.info("Generating latents for all prompts...") with torch.no_grad(): for i, prompt_args_item in enumerate(all_prompt_args_list): current_text_data = all_precomputed_text_data[i] height, width = check_inputs(prompt_args_item) # Get height/width for each prompt logger.info(f"Generating latent for prompt {i+1}/{len(all_prompt_args_list)}: {prompt_args_item.prompt}") try: # generate is called with precomputed data, so it won't load Text Encoders. # It will use the DiT model from shared_models_for_generate. latent = generate(prompt_args_item, gen_settings, shared_models_for_generate, current_text_data) if latent is None: # and prompt_args_item.save_merged_model: # Should be caught earlier continue # Save latent if needed (using data from precomputed_image_data for H/W) if prompt_args_item.output_type in ["latent", "latent_images"]: save_latent(latent, prompt_args_item, height, width) all_latents.append(latent) except Exception as e: logger.error(f"Error generating latent for prompt: {prompt_args_item.prompt}. Error: {e}", exc_info=True) all_latents.append(None) # Add placeholder for failed generations continue # Free DiT model logger.info("Releasing DiT model from memory...") if args.blocks_to_swap > 0: logger.info("Waiting for 5 seconds to finish block swap") time.sleep(5) del shared_models_for_generate["model"] del dit_model clean_memory_on_device(device) synchronize_device(device) # Ensure memory is freed before loading VAE for decoding # 4. Decode latents and save outputs (using vae_for_batch) if args.output_type != "latent": logger.info("Decoding latents to videos/images using batched VAE...") vae_for_batch.to(device) # Move VAE to device for decoding for i, latent in enumerate(all_latents): if latent is None: # Skip failed generations logger.warning(f"Skipping decoding for prompt {i+1} due to previous error.") continue current_args = all_prompt_args_list[i] logger.info(f"Decoding output {i+1}/{len(all_latents)} for prompt: {current_args.prompt}") # if args.output_type is "latent_images", we already saved latent above. # so we skip saving latent here. if current_args.output_type == "latent_images": current_args.output_type = "images" # save_output expects latent to be [BCTHW] or [CTHW]. generate returns [BCTHW] (batch size 1). # latent[0] is correct if generate returns it with batch dim. # The latent from generate is (1, C, T, H, W) save_output(current_args, vae_for_batch, latent, device) # Pass vae_for_batch vae_for_batch.to("cpu") # Move VAE back to CPU del vae_for_batch clean_memory_on_device(device) def process_interactive(args: argparse.Namespace) -> None: """Process prompts in interactive mode Args: args: Base command line arguments """ gen_settings = get_generation_settings(args) device = gen_settings.device shared_models = load_shared_models(args) shared_models["conds_cache"] = {} # Initialize empty cache for interactive mode vae = hunyuan_image_vae.load_vae(args.vae, device="cpu", disable_mmap=True, chunk_size=args.vae_chunk_size) vae.eval() print("Interactive mode. Enter prompts (Ctrl+D or Ctrl+Z (Windows) to exit):") try: import prompt_toolkit except ImportError: logger.warning("prompt_toolkit not found. Using basic input instead.") prompt_toolkit = None if prompt_toolkit: session = prompt_toolkit.PromptSession() def input_line(prompt: str) -> str: return session.prompt(prompt) else: def input_line(prompt: str) -> str: return input(prompt) try: while True: try: line = input_line("> ") if not line.strip(): continue if len(line.strip()) == 1 and line.strip() in ["\x04", "\x1a"]: # Ctrl+D or Ctrl+Z with prompt_toolkit raise EOFError # Exit on Ctrl+D or Ctrl+Z # Parse prompt prompt_data = parse_prompt_line(line) prompt_args = apply_overrides(args, prompt_data) # Generate latent # For interactive, precomputed data is None. shared_models contains text encoders. latent = generate(prompt_args, gen_settings, shared_models) # # If not one_frame_inference, move DiT model to CPU after generation # if prompt_args.blocks_to_swap > 0: # logger.info("Waiting for 5 seconds to finish block swap") # time.sleep(5) # model = shared_models.get("model") # model.to("cpu") # Move DiT model to CPU after generation # Save latent and video # returned_vae from generate will be used for decoding here. save_output(prompt_args, vae, latent, device) except KeyboardInterrupt: print("\nInterrupted. Continue (Ctrl+D or Ctrl+Z (Windows) to exit)") continue except EOFError: print("\nExiting interactive mode") def get_generation_settings(args: argparse.Namespace) -> GenerationSettings: device = torch.device(args.device) dit_weight_dtype = torch.bfloat16 # default if args.fp8_scaled: dit_weight_dtype = None # various precision weights, so don't cast to specific dtype elif args.fp8: dit_weight_dtype = torch.float8_e4m3fn logger.info(f"Using device: {device}, DiT weight weight precision: {dit_weight_dtype}") gen_settings = GenerationSettings(device=device, dit_weight_dtype=dit_weight_dtype) return gen_settings def main(): # Parse arguments args = parse_args() # Check if latents are provided latents_mode = args.latent_path is not None and len(args.latent_path) > 0 # Set device device = args.device if args.device is not None else "cuda" if torch.cuda.is_available() else "cpu" device = torch.device(device) logger.info(f"Using device: {device}") args.device = device if latents_mode: # Original latent decode mode original_base_names = [] latents_list = [] seeds = [] # assert len(args.latent_path) == 1, "Only one latent path is supported for now" for latent_path in args.latent_path: original_base_names.append(os.path.splitext(os.path.basename(latent_path))[0]) seed = 0 if os.path.splitext(latent_path)[1] != ".safetensors": latents = torch.load(latent_path, map_location="cpu") else: latents = load_file(latent_path)["latent"] with safe_open(latent_path, framework="pt") as f: metadata = f.metadata() if metadata is None: metadata = {} logger.info(f"Loaded metadata: {metadata}") if "seeds" in metadata: seed = int(metadata["seeds"]) if "height" in metadata and "width" in metadata: height = int(metadata["height"]) width = int(metadata["width"]) args.image_size = [height, width] seeds.append(seed) logger.info(f"Loaded latent from {latent_path}. Shape: {latents.shape}") if latents.ndim == 5: # [BCTHW] latents = latents.squeeze(0) # [CTHW] latents_list.append(latents) # latent = torch.stack(latents_list, dim=0) # [N, ...], must be same shape for i, latent in enumerate(latents_list): args.seed = seeds[i] vae = hunyuan_image_vae.load_vae(args.vae, device=device, disable_mmap=True, chunk_size=args.vae_chunk_size) vae.eval() save_output(args, vae, latent, device, original_base_names[i]) elif args.from_file: # Batch mode from file # Read prompts from file with open(args.from_file, "r", encoding="utf-8") as f: prompt_lines = f.readlines() # Process prompts prompts_data = preprocess_prompts_for_batch(prompt_lines, args) process_batch_prompts(prompts_data, args) elif args.interactive: # Interactive mode process_interactive(args) else: # Single prompt mode (original behavior) # Generate latent gen_settings = get_generation_settings(args) # For single mode, precomputed data is None, shared_models is None. # generate will load all necessary models (Text Encoders, DiT). latent = generate(args, gen_settings) # print(f"Generated latent shape: {latent.shape}") # if args.save_merged_model: # return clean_memory_on_device(device) # Save latent and video vae = hunyuan_image_vae.load_vae(args.vae, device="cpu", disable_mmap=True, chunk_size=args.vae_chunk_size) vae.eval() save_output(args, vae, latent, device) logger.info("Done!") if __name__ == "__main__": main() ================================================ FILE: hunyuan_image_train_network.py ================================================ import argparse import copy import gc from typing import Any, Optional, Union, cast import os import time from types import SimpleNamespace import numpy as np import torch import torch.nn as nn from PIL import Image from accelerate import Accelerator, PartialState from library import flux_utils, hunyuan_image_models, hunyuan_image_vae, strategy_base, train_util from library.device_utils import clean_memory_on_device, init_ipex init_ipex() import train_network from library import ( flux_train_utils, hunyuan_image_models, hunyuan_image_text_encoder, hunyuan_image_utils, hunyuan_image_vae, sd3_train_utils, strategy_base, strategy_hunyuan_image, train_util, ) from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) # region sampling # TODO commonize with flux_utils def sample_images( accelerator: Accelerator, args: argparse.Namespace, epoch, steps, dit: hunyuan_image_models.HYImageDiffusionTransformer, vae, text_encoders, sample_prompts_te_outputs, prompt_replacement=None, ): if steps == 0: if not args.sample_at_first: return else: if args.sample_every_n_steps is None and args.sample_every_n_epochs is None: return if args.sample_every_n_epochs is not None: # sample_every_n_steps は無視する if epoch is None or epoch % args.sample_every_n_epochs != 0: return else: if steps % args.sample_every_n_steps != 0 or epoch is not None: # steps is not divisible or end of epoch return logger.info("") logger.info(f"generating sample images at step / サンプル画像生成 ステップ: {steps}") if not os.path.isfile(args.sample_prompts) and sample_prompts_te_outputs is None: logger.error(f"No prompt file / プロンプトファイルがありません: {args.sample_prompts}") return distributed_state = PartialState() # for multi gpu distributed inference. this is a singleton, so it's safe to use it here # unwrap unet and text_encoder(s) dit = accelerator.unwrap_model(dit) dit = cast(hunyuan_image_models.HYImageDiffusionTransformer, dit) dit.switch_block_swap_for_inference() if text_encoders is not None: text_encoders = [(accelerator.unwrap_model(te) if te is not None else None) for te in text_encoders] # print([(te.parameters().__next__().device if te is not None else None) for te in text_encoders]) prompts = train_util.load_prompts(args.sample_prompts) save_dir = args.output_dir + "/sample" os.makedirs(save_dir, exist_ok=True) # save random state to restore later rng_state = torch.get_rng_state() cuda_rng_state = None try: cuda_rng_state = torch.cuda.get_rng_state() if torch.cuda.is_available() else None except Exception: pass if distributed_state.num_processes <= 1: # If only one device is available, just use the original prompt list. We don't need to care about the distribution of prompts. with torch.no_grad(), accelerator.autocast(): for prompt_dict in prompts: sample_image_inference( accelerator, args, dit, text_encoders, vae, save_dir, prompt_dict, epoch, steps, sample_prompts_te_outputs, prompt_replacement, ) else: # Creating list with N elements, where each element is a list of prompt_dicts, and N is the number of processes available (number of devices available) # prompt_dicts are assigned to lists based on order of processes, to attempt to time the image creation time to match enum order. Probably only works when steps and sampler are identical. per_process_prompts = [] # list of lists for i in range(distributed_state.num_processes): per_process_prompts.append(prompts[i :: distributed_state.num_processes]) with torch.no_grad(): with distributed_state.split_between_processes(per_process_prompts) as prompt_dict_lists: for prompt_dict in prompt_dict_lists[0]: sample_image_inference( accelerator, args, dit, text_encoders, vae, save_dir, prompt_dict, epoch, steps, sample_prompts_te_outputs, prompt_replacement, ) torch.set_rng_state(rng_state) if cuda_rng_state is not None: torch.cuda.set_rng_state(cuda_rng_state) dit.switch_block_swap_for_training() clean_memory_on_device(accelerator.device) def sample_image_inference( accelerator: Accelerator, args: argparse.Namespace, dit: hunyuan_image_models.HYImageDiffusionTransformer, text_encoders: Optional[list[nn.Module]], vae: hunyuan_image_vae.HunyuanVAE2D, save_dir, prompt_dict, epoch, steps, sample_prompts_te_outputs, prompt_replacement, ): assert isinstance(prompt_dict, dict) negative_prompt = prompt_dict.get("negative_prompt") sample_steps = prompt_dict.get("sample_steps", 20) width = prompt_dict.get("width", 512) height = prompt_dict.get("height", 512) cfg_scale = prompt_dict.get("scale", 3.5) seed = prompt_dict.get("seed") prompt: str = prompt_dict.get("prompt", "") flow_shift: float = prompt_dict.get("flow_shift", 5.0) # sampler_name: str = prompt_dict.get("sample_sampler", args.sample_sampler) if prompt_replacement is not None: prompt = prompt.replace(prompt_replacement[0], prompt_replacement[1]) if negative_prompt is not None: negative_prompt = negative_prompt.replace(prompt_replacement[0], prompt_replacement[1]) if seed is not None: torch.manual_seed(seed) torch.cuda.manual_seed(seed) else: # True random sample image generation torch.seed() torch.cuda.seed() if negative_prompt is None: negative_prompt = "" height = max(64, height - height % 16) # round to divisible by 16 width = max(64, width - width % 16) # round to divisible by 16 logger.info(f"prompt: {prompt}") if cfg_scale != 1.0: logger.info(f"negative_prompt: {negative_prompt}") elif negative_prompt != "": logger.info(f"negative prompt is ignored because scale is 1.0") logger.info(f"height: {height}") logger.info(f"width: {width}") logger.info(f"sample_steps: {sample_steps}") if cfg_scale != 1.0: logger.info(f"CFG scale: {cfg_scale}") logger.info(f"flow_shift: {flow_shift}") # logger.info(f"sample_sampler: {sampler_name}") if seed is not None: logger.info(f"seed: {seed}") # encode prompts tokenize_strategy = strategy_base.TokenizeStrategy.get_strategy() encoding_strategy = strategy_base.TextEncodingStrategy.get_strategy() def encode_prompt(prpt): text_encoder_conds = [] if sample_prompts_te_outputs and prpt in sample_prompts_te_outputs: text_encoder_conds = sample_prompts_te_outputs[prpt] # print(f"Using cached text encoder outputs for prompt: {prpt}") if text_encoders is not None: # print(f"Encoding prompt: {prpt}") tokens_and_masks = tokenize_strategy.tokenize(prpt) encoded_text_encoder_conds = encoding_strategy.encode_tokens(tokenize_strategy, text_encoders, tokens_and_masks) # if text_encoder_conds is not cached, use encoded_text_encoder_conds if len(text_encoder_conds) == 0: text_encoder_conds = encoded_text_encoder_conds else: # if encoded_text_encoder_conds is not None, update cached text_encoder_conds for i in range(len(encoded_text_encoder_conds)): if encoded_text_encoder_conds[i] is not None: text_encoder_conds[i] = encoded_text_encoder_conds[i] return text_encoder_conds vl_embed, vl_mask, byt5_embed, byt5_mask, ocr_mask = encode_prompt(prompt) arg_c = { "embed": vl_embed, "mask": vl_mask, "embed_byt5": byt5_embed, "mask_byt5": byt5_mask, "ocr_mask": ocr_mask, "prompt": prompt, } # encode negative prompts if cfg_scale != 1.0: neg_vl_embed, neg_vl_mask, neg_byt5_embed, neg_byt5_mask, neg_ocr_mask = encode_prompt(negative_prompt) arg_c_null = { "embed": neg_vl_embed, "mask": neg_vl_mask, "embed_byt5": neg_byt5_embed, "mask_byt5": neg_byt5_mask, "ocr_mask": neg_ocr_mask, "prompt": negative_prompt, } else: arg_c_null = None gen_args = SimpleNamespace( image_size=(height, width), infer_steps=sample_steps, flow_shift=flow_shift, guidance_scale=cfg_scale, fp8=args.fp8_scaled, apg_start_step_ocr=38, apg_start_step_general=5, guidance_rescale=0.0, guidance_rescale_apg=0.0, ) from hunyuan_image_minimal_inference import generate_body # import here to avoid circular import dit_is_training = dit.training dit.eval() x = generate_body(gen_args, dit, arg_c, arg_c_null, accelerator.device, seed) if dit_is_training: dit.train() clean_memory_on_device(accelerator.device) # latent to image org_vae_device = vae.device # will be on cpu vae.to(accelerator.device) # distributed_state.device is same as accelerator.device with torch.no_grad(): x = x / vae.scaling_factor x = vae.decode(x.to(vae.device, dtype=vae.dtype)) vae.to(org_vae_device) clean_memory_on_device(accelerator.device) x = x.clamp(-1, 1) x = x.permute(0, 2, 3, 1) image = Image.fromarray((127.5 * (x + 1.0)).float().cpu().numpy().astype(np.uint8)[0]) # adding accelerator.wait_for_everyone() here should sync up and ensure that sample images are saved in the same order as the original prompt list # but adding 'enum' to the filename should be enough ts_str = time.strftime("%Y%m%d%H%M%S", time.localtime()) num_suffix = f"e{epoch:06d}" if epoch is not None else f"{steps:06d}" seed_suffix = "" if seed is None else f"_{seed}" i: int = prompt_dict["enum"] img_filename = f"{'' if args.output_name is None else args.output_name + '_'}{num_suffix}_{i:02d}_{ts_str}{seed_suffix}.png" image.save(os.path.join(save_dir, img_filename)) # send images to wandb if enabled if "wandb" in [tracker.name for tracker in accelerator.trackers]: wandb_tracker = accelerator.get_tracker("wandb") import wandb # not to commit images to avoid inconsistency between training and logging steps wandb_tracker.log({f"sample_{i}": wandb.Image(image, caption=prompt)}, commit=False) # positive prompt as a caption # endregion class HunyuanImageNetworkTrainer(train_network.NetworkTrainer): def __init__(self): super().__init__() self.sample_prompts_te_outputs = None self.is_swapping_blocks: bool = False self.rotary_pos_emb_cache = {} def assert_extra_args( self, args, train_dataset_group: Union[train_util.DatasetGroup, train_util.MinimalDataset], val_dataset_group: Optional[train_util.DatasetGroup], ): super().assert_extra_args(args, train_dataset_group, val_dataset_group) # sdxl_train_util.verify_sdxl_training_args(args) if args.mixed_precision == "fp16": logger.warning( "mixed_precision bf16 is recommended for HunyuanImage-2.1 / HunyuanImage-2.1ではmixed_precision bf16が推奨されます" ) if (args.fp8_base or args.fp8_base_unet) and not args.fp8_scaled: logger.warning( "fp8_base and fp8_base_unet are not supported. Use fp8_scaled instead / fp8_baseとfp8_base_unetはサポートされていません。代わりにfp8_scaledを使用してください" ) if args.fp8_scaled and (args.fp8_base or args.fp8_base_unet): logger.info( "fp8_scaled is used, so fp8_base and fp8_base_unet are ignored / fp8_scaledが使われているので、fp8_baseとfp8_base_unetは無視されます" ) args.fp8_base = False args.fp8_base_unet = False if args.cache_text_encoder_outputs_to_disk and not args.cache_text_encoder_outputs: logger.warning( "cache_text_encoder_outputs_to_disk is enabled, so cache_text_encoder_outputs is also enabled / cache_text_encoder_outputs_to_diskが有効になっているため、cache_text_encoder_outputsも有効になります" ) args.cache_text_encoder_outputs = True if args.cache_text_encoder_outputs: assert ( train_dataset_group.is_text_encoder_output_cacheable() ), "when caching Text Encoder output, either caption_dropout_rate, shuffle_caption, token_warmup_step or caption_tag_dropout_rate cannot be used / Text Encoderの出力をキャッシュするときはcaption_dropout_rate, shuffle_caption, token_warmup_step, caption_tag_dropout_rateは使えません" train_dataset_group.verify_bucket_reso_steps(32) if val_dataset_group is not None: val_dataset_group.verify_bucket_reso_steps(32) def load_target_model(self, args, weight_dtype, accelerator): self.is_swapping_blocks = args.blocks_to_swap is not None and args.blocks_to_swap > 0 vl_dtype = torch.float8_e4m3fn if args.fp8_vl else torch.bfloat16 vl_device = "cpu" # loading to cpu and move to gpu later in cache_text_encoder_outputs_if_needed _, text_encoder_vlm = hunyuan_image_text_encoder.load_qwen2_5_vl( args.text_encoder, dtype=vl_dtype, device=vl_device, disable_mmap=args.disable_mmap_load_safetensors ) _, text_encoder_byt5 = hunyuan_image_text_encoder.load_byt5( args.byt5, dtype=torch.float16, device=vl_device, disable_mmap=args.disable_mmap_load_safetensors ) vae = hunyuan_image_vae.load_vae( args.vae, "cpu", disable_mmap=args.disable_mmap_load_safetensors, chunk_size=args.vae_chunk_size ) vae.to(dtype=torch.float16) # VAE is always fp16 vae.eval() model_version = hunyuan_image_utils.MODEL_VERSION_2_1 return model_version, [text_encoder_vlm, text_encoder_byt5], vae, None # unet will be loaded later def load_unet_lazily(self, args, weight_dtype, accelerator, text_encoders) -> tuple[nn.Module, list[nn.Module]]: if args.cache_text_encoder_outputs: logger.info("Replace text encoders with dummy models to save memory") # This doesn't free memory, so we move text encoders to meta device in cache_text_encoder_outputs_if_needed text_encoders = [flux_utils.dummy_clip_l() for _ in text_encoders] clean_memory_on_device(accelerator.device) gc.collect() loading_dtype = None if args.fp8_scaled else weight_dtype loading_device = "cpu" if self.is_swapping_blocks else accelerator.device attn_mode = "torch" if args.xformers: attn_mode = "xformers" if args.attn_mode is not None: attn_mode = args.attn_mode logger.info(f"Loading DiT model with attn_mode: {attn_mode}, split_attn: {args.split_attn}, fp8_scaled: {args.fp8_scaled}") model = hunyuan_image_models.load_hunyuan_image_model( accelerator.device, args.pretrained_model_name_or_path, attn_mode, args.split_attn, loading_device, loading_dtype, args.fp8_scaled, ) if self.is_swapping_blocks: # Swap blocks between CPU and GPU to reduce memory usage, in forward and backward passes. logger.info(f"enable block swap: blocks_to_swap={args.blocks_to_swap}") model.enable_block_swap(args.blocks_to_swap, accelerator.device, supports_backward=True) return model, text_encoders def get_tokenize_strategy(self, args): return strategy_hunyuan_image.HunyuanImageTokenizeStrategy(args.tokenizer_cache_dir) def get_tokenizers(self, tokenize_strategy: strategy_hunyuan_image.HunyuanImageTokenizeStrategy): return [tokenize_strategy.vlm_tokenizer, tokenize_strategy.byt5_tokenizer] def get_latents_caching_strategy(self, args): return strategy_hunyuan_image.HunyuanImageLatentsCachingStrategy(args.cache_latents_to_disk, args.vae_batch_size, False) def get_text_encoding_strategy(self, args): return strategy_hunyuan_image.HunyuanImageTextEncodingStrategy() def post_process_network(self, args, accelerator, network, text_encoders, unet): pass def get_models_for_text_encoding(self, args, accelerator, text_encoders): if args.cache_text_encoder_outputs: return None # no text encoders are needed for encoding because both are cached else: return text_encoders def get_text_encoders_train_flags(self, args, text_encoders): # HunyuanImage-2.1 does not support training VLM or byT5 return [False, False] def get_text_encoder_outputs_caching_strategy(self, args): if args.cache_text_encoder_outputs: return strategy_hunyuan_image.HunyuanImageTextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, args.text_encoder_batch_size, args.skip_cache_check, False ) else: return None def cache_text_encoder_outputs_if_needed( self, args, accelerator: Accelerator, unet, vae, text_encoders, dataset: train_util.DatasetGroup, weight_dtype ): vlm_device = "cpu" if args.text_encoder_cpu else accelerator.device if args.cache_text_encoder_outputs: if not args.lowram: # メモリ消費を減らす logger.info("move vae to cpu to save memory") org_vae_device = vae.device vae.to("cpu") clean_memory_on_device(accelerator.device) logger.info(f"move text encoders to {vlm_device} to encode and cache text encoder outputs") text_encoders[0].to(vlm_device) text_encoders[1].to(vlm_device) # VLM (bf16) and byT5 (fp16) are used for encoding, so we cannot use autocast here dataset.new_cache_text_encoder_outputs(text_encoders, accelerator) # cache sample prompts if args.sample_prompts is not None: logger.info(f"cache Text Encoder outputs for sample prompt: {args.sample_prompts}") tokenize_strategy: strategy_hunyuan_image.HunyuanImageTokenizeStrategy = ( strategy_base.TokenizeStrategy.get_strategy() ) text_encoding_strategy: strategy_hunyuan_image.HunyuanImageTextEncodingStrategy = ( strategy_base.TextEncodingStrategy.get_strategy() ) prompts = train_util.load_prompts(args.sample_prompts) sample_prompts_te_outputs = {} # key: prompt, value: text encoder outputs with accelerator.autocast(), torch.no_grad(): for prompt_dict in prompts: for p in [prompt_dict.get("prompt", ""), prompt_dict.get("negative_prompt", "")]: if p not in sample_prompts_te_outputs: logger.info(f"cache Text Encoder outputs for prompt: {p}") tokens_and_masks = tokenize_strategy.tokenize(p) sample_prompts_te_outputs[p] = text_encoding_strategy.encode_tokens( tokenize_strategy, text_encoders, tokens_and_masks ) self.sample_prompts_te_outputs = sample_prompts_te_outputs accelerator.wait_for_everyone() # text encoders are not needed for training, so we move to meta device logger.info("move text encoders to meta device to save memory") text_encoders = [te.to("meta") for te in text_encoders] clean_memory_on_device(accelerator.device) if not args.lowram: logger.info("move vae back to original device") vae.to(org_vae_device) else: # Text Encoderから毎回出力を取得するので、GPUに乗せておく text_encoders[0].to(vlm_device) text_encoders[1].to(vlm_device) def sample_images(self, accelerator, args, epoch, global_step, device, ae, tokenizer, text_encoder, flux): text_encoders = text_encoder # for compatibility text_encoders = self.get_models_for_text_encoding(args, accelerator, text_encoders) sample_images(accelerator, args, epoch, global_step, flux, ae, text_encoders, self.sample_prompts_te_outputs) def get_noise_scheduler(self, args: argparse.Namespace, device: torch.device) -> Any: noise_scheduler = sd3_train_utils.FlowMatchEulerDiscreteScheduler(num_train_timesteps=1000, shift=args.discrete_flow_shift) self.noise_scheduler_copy = copy.deepcopy(noise_scheduler) return noise_scheduler def encode_images_to_latents(self, args, vae: hunyuan_image_vae.HunyuanVAE2D, images): return vae.encode(images).sample() def shift_scale_latents(self, args, latents): # for encoding, we need to scale the latents return latents * hunyuan_image_vae.LATENT_SCALING_FACTOR def get_noise_pred_and_target( self, args, accelerator, noise_scheduler, latents, batch, text_encoder_conds, unet: hunyuan_image_models.HYImageDiffusionTransformer, network, weight_dtype, train_unet, is_train=True, ): # Sample noise that we'll add to the latents noise = torch.randn_like(latents) # get noisy model input and timesteps noisy_model_input, _, sigmas = flux_train_utils.get_noisy_model_input_and_timesteps( args, noise_scheduler, latents, noise, accelerator.device, weight_dtype ) # bfloat16 is too low precision for 0-1000 TODO fix get_noisy_model_input_and_timesteps timesteps = (sigmas[:, 0, 0, 0] * 1000).to(torch.int64) # print( # f"timestep: {timesteps}, noisy_model_input shape: {noisy_model_input.shape}, mean: {noisy_model_input.mean()}, std: {noisy_model_input.std()}" # ) if args.gradient_checkpointing: noisy_model_input.requires_grad_(True) for t in text_encoder_conds: if t is not None and t.dtype.is_floating_point: t.requires_grad_(True) # Predict the noise residual # ocr_mask is for inference only, so it is not used here vlm_embed, vlm_mask, byt5_embed, byt5_mask, ocr_mask = text_encoder_conds # print(f"embed shape: {vlm_embed.shape}, mean: {vlm_embed.mean()}, std: {vlm_embed.std()}") # print(f"embed_byt5 shape: {byt5_embed.shape}, mean: {byt5_embed.mean()}, std: {byt5_embed.std()}") # print(f"latents shape: {latents.shape}, mean: {latents.mean()}, std: {latents.std()}") # print(f"mask shape: {vlm_mask.shape}, sum: {vlm_mask.sum()}") # print(f"mask_byt5 shape: {byt5_mask.shape}, sum: {byt5_mask.sum()}") with torch.set_grad_enabled(is_train), accelerator.autocast(): model_pred = unet( noisy_model_input, timesteps, vlm_embed, vlm_mask, byt5_embed, byt5_mask # , self.rotary_pos_emb_cache ) # apply model prediction type model_pred, weighting = flux_train_utils.apply_model_prediction_type(args, model_pred, noisy_model_input, sigmas) # flow matching loss target = noise - latents # differential output preservation is not used for HunyuanImage-2.1 currently return model_pred, target, timesteps, weighting def post_process_loss(self, loss, args, timesteps, noise_scheduler): return loss def get_sai_model_spec(self, args): return train_util.get_sai_model_spec_dataclass(None, args, False, True, False, hunyuan_image="2.1").to_metadata_dict() def update_metadata(self, metadata, args): metadata["ss_logit_mean"] = args.logit_mean metadata["ss_logit_std"] = args.logit_std metadata["ss_mode_scale"] = args.mode_scale metadata["ss_timestep_sampling"] = args.timestep_sampling metadata["ss_sigmoid_scale"] = args.sigmoid_scale metadata["ss_model_prediction_type"] = args.model_prediction_type metadata["ss_discrete_flow_shift"] = args.discrete_flow_shift def is_text_encoder_not_needed_for_training(self, args): return args.cache_text_encoder_outputs and not self.is_train_text_encoder(args) def prepare_text_encoder_grad_ckpt_workaround(self, index, text_encoder): # do not support text encoder training for HunyuanImage-2.1 pass def cast_text_encoder(self, args): return False # VLM is bf16, byT5 is fp16, so do not cast to other dtype def cast_vae(self, args): return False # VAE is fp16, so do not cast to other dtype def cast_unet(self, args): return not args.fp8_scaled # if fp8_scaled is used, do not cast to other dtype def prepare_text_encoder_fp8(self, index, text_encoder, te_weight_dtype, weight_dtype): # fp8 text encoder for HunyuanImage-2.1 is not supported currently pass def on_validation_step_end(self, args, accelerator, network, text_encoders, unet, batch, weight_dtype): if self.is_swapping_blocks: # prepare for next forward: because backward pass is not called, we need to prepare it here accelerator.unwrap_model(unet).prepare_block_swap_before_forward() def prepare_unet_with_accelerator( self, args: argparse.Namespace, accelerator: Accelerator, unet: torch.nn.Module ) -> torch.nn.Module: if not self.is_swapping_blocks: return super().prepare_unet_with_accelerator(args, accelerator, unet) # if we doesn't swap blocks, we can move the model to device model: hunyuan_image_models.HYImageDiffusionTransformer = unet model = accelerator.prepare(model, device_placement=[not self.is_swapping_blocks]) accelerator.unwrap_model(model).move_to_device_except_swap_blocks(accelerator.device) # reduce peak memory usage accelerator.unwrap_model(model).prepare_block_swap_before_forward() return model def setup_parser() -> argparse.ArgumentParser: parser = train_network.setup_parser() train_util.add_dit_training_arguments(parser) parser.add_argument( "--text_encoder", type=str, help="path to Qwen2.5-VL (*.sft or *.safetensors), should be bfloat16 / Qwen2.5-VLのパス（*.sftまたは*.safetensors）、bfloat16が前提", ) parser.add_argument( "--byt5", type=str, help="path to byt5 (*.sft or *.safetensors), should be float16 / byt5のパス（*.sftまたは*.safetensors）、float16が前提", ) parser.add_argument( "--timestep_sampling", choices=["sigma", "uniform", "sigmoid", "shift", "flux_shift"], default="sigma", help="Method to sample timesteps: sigma-based, uniform random, sigmoid of random normal, shift of sigmoid and FLUX.1 shifting." " / タイムステップをサンプリングする方法：sigma、random uniform、random normalのsigmoid、sigmoidのシフト、FLUX.1のシフト。", ) parser.add_argument( "--sigmoid_scale", type=float, default=1.0, help='Scale factor for sigmoid timestep sampling (only used when timestep-sampling is "sigmoid"). / sigmoidタイムステップサンプリングの倍率（timestep-samplingが"sigmoid"の場合のみ有効）。', ) parser.add_argument( "--model_prediction_type", choices=["raw", "additive", "sigma_scaled"], default="raw", help="How to interpret and process the model prediction: " "raw (use as is), additive (add to noisy input), sigma_scaled (apply sigma scaling). Default is raw unlike FLUX.1." " / モデル予測の解釈と処理方法：" "raw（そのまま使用）、additive（ノイズ入力に加算）、sigma_scaled（シグマスケーリングを適用）。デフォルトはFLUX.1とは異なりrawです。", ) parser.add_argument( "--discrete_flow_shift", type=float, default=5.0, help="Discrete flow shift for the Euler Discrete Scheduler, default is 5.0. / Euler Discrete Schedulerの離散フローシフト、デフォルトは5.0。", ) parser.add_argument("--fp8_scaled", action="store_true", help="Use scaled fp8 for DiT / DiTにスケーリングされたfp8を使う") parser.add_argument("--fp8_vl", action="store_true", help="Use fp8 for VLM text encoder / VLMテキストエンコーダにfp8を使用する") parser.add_argument( "--text_encoder_cpu", action="store_true", help="Inference on CPU for Text Encoders / テキストエンコーダをCPUで推論する" ) parser.add_argument( "--vae_chunk_size", type=int, default=None, # default is None (no chunking) help="Chunk size for VAE decoding to reduce memory usage. Default is None (no chunking). 16 is recommended if enabled" " / メモリ使用量を減らすためのVAEデコードのチャンクサイズ。デフォルトはNone（チャンクなし）。有効にする場合は16程度を推奨。", ) parser.add_argument( "--attn_mode", choices=["torch", "xformers", "flash", "sageattn", "sdpa"], # "sdpa" is for backward compatibility default=None, help="Attention implementation to use. Default is None (torch). xformers requires --split_attn. sageattn does not support training (inference only). This option overrides --xformers or --sdpa." " / 使用するAttentionの実装。デフォルトはNone（torch）です。xformersは--split_attnの指定が必要です。sageattnはトレーニングをサポートしていません（推論のみ）。このオプションは--xformersまたは--sdpaを上書きします。", ) parser.add_argument( "--split_attn", action="store_true", help="split attention computation to reduce memory usage / メモリ使用量を減らすためにattention時にバッチを分割する", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) if args.attn_mode == "sdpa": args.attn_mode = "torch" # backward compatibility trainer = HunyuanImageNetworkTrainer() trainer.train(args) ================================================ FILE: library/__init__.py ================================================ ================================================ FILE: library/adafactor_fused.py ================================================ import math import torch from transformers import Adafactor # stochastic rounding for bfloat16 # The implementation was provided by 2kpr. Thank you very much! def copy_stochastic_(target: torch.Tensor, source: torch.Tensor): """ copies source into target using stochastic rounding Args: target: the target tensor with dtype=bfloat16 source: the target tensor with dtype=float32 """ # create a random 16 bit integer result = torch.randint_like(source, dtype=torch.int32, low=0, high=(1 << 16)) # add the random number to the lower 16 bit of the mantissa result.add_(source.view(dtype=torch.int32)) # mask off the lower 16 bit of the mantissa result.bitwise_and_(-65536) # -65536 = FFFF0000 as a signed int32 # copy the higher 16 bit into the target tensor target.copy_(result.view(dtype=torch.float32)) del result @torch.no_grad() def adafactor_step_param(self, p, group): if p.grad is None: return grad = p.grad if grad.dtype in {torch.float16, torch.bfloat16}: grad = grad.float() if grad.is_sparse: raise RuntimeError("Adafactor does not support sparse gradients.") state = self.state[p] grad_shape = grad.shape factored, use_first_moment = Adafactor._get_options(group, grad_shape) # State Initialization if len(state) == 0: state["step"] = 0 if use_first_moment: # Exponential moving average of gradient values state["exp_avg"] = torch.zeros_like(grad) if factored: state["exp_avg_sq_row"] = torch.zeros(grad_shape[:-1]).to(grad) state["exp_avg_sq_col"] = torch.zeros(grad_shape[:-2] + grad_shape[-1:]).to(grad) else: state["exp_avg_sq"] = torch.zeros_like(grad) state["RMS"] = 0 else: if use_first_moment: state["exp_avg"] = state["exp_avg"].to(grad) if factored: state["exp_avg_sq_row"] = state["exp_avg_sq_row"].to(grad) state["exp_avg_sq_col"] = state["exp_avg_sq_col"].to(grad) else: state["exp_avg_sq"] = state["exp_avg_sq"].to(grad) p_data_fp32 = p if p.dtype in {torch.float16, torch.bfloat16}: p_data_fp32 = p_data_fp32.float() state["step"] += 1 state["RMS"] = Adafactor._rms(p_data_fp32) lr = Adafactor._get_lr(group, state) beta2t = 1.0 - math.pow(state["step"], group["decay_rate"]) update = (grad**2) + group["eps"][0] if factored: exp_avg_sq_row = state["exp_avg_sq_row"] exp_avg_sq_col = state["exp_avg_sq_col"] exp_avg_sq_row.mul_(beta2t).add_(update.mean(dim=-1), alpha=(1.0 - beta2t)) exp_avg_sq_col.mul_(beta2t).add_(update.mean(dim=-2), alpha=(1.0 - beta2t)) # Approximation of exponential moving average of square of gradient update = Adafactor._approx_sq_grad(exp_avg_sq_row, exp_avg_sq_col) update.mul_(grad) else: exp_avg_sq = state["exp_avg_sq"] exp_avg_sq.mul_(beta2t).add_(update, alpha=(1.0 - beta2t)) update = exp_avg_sq.rsqrt().mul_(grad) update.div_((Adafactor._rms(update) / group["clip_threshold"]).clamp_(min=1.0)) update.mul_(lr) if use_first_moment: exp_avg = state["exp_avg"] exp_avg.mul_(group["beta1"]).add_(update, alpha=(1 - group["beta1"])) update = exp_avg if group["weight_decay"] != 0: p_data_fp32.add_(p_data_fp32, alpha=(-group["weight_decay"] * lr)) p_data_fp32.add_(-update) # if p.dtype in {torch.float16, torch.bfloat16}: # p.copy_(p_data_fp32) if p.dtype == torch.bfloat16: copy_stochastic_(p, p_data_fp32) elif p.dtype == torch.float16: p.copy_(p_data_fp32) @torch.no_grad() def adafactor_step(self, closure=None): """ Performs a single optimization step Arguments: closure (callable, optional): A closure that reevaluates the model and returns the loss. """ loss = None if closure is not None: loss = closure() for group in self.param_groups: for p in group["params"]: adafactor_step_param(self, p, group) return loss def patch_adafactor_fused(optimizer: Adafactor): optimizer.step_param = adafactor_step_param.__get__(optimizer) optimizer.step = adafactor_step.__get__(optimizer) ================================================ FILE: library/anima_models.py ================================================ # Anima Model Architecture # Original code: NVIDIA CORPORATION & AFFILIATES, licensed under Apache-2.0 import math from typing import Any, Optional, Tuple, Union import numpy as np import torch from einops import rearrange, repeat from einops.layers.torch import Rearrange from torch import nn import torch.nn.functional as F from torch.utils.checkpoint import checkpoint as torch_checkpoint from library import custom_offloading_utils, attention def to_device(x, device): if isinstance(x, torch.Tensor): return x.to(device) elif isinstance(x, (list, tuple)): return type(x)(to_device(elem, device) for elem in x) elif isinstance(x, dict): return {k: to_device(v, device) for k, v in x.items()} else: return x def to_cpu(x): if isinstance(x, torch.Tensor): return x.cpu() elif isinstance(x, (list, tuple)): return [to_cpu(elem) for elem in x] elif isinstance(x, dict): return {k: to_cpu(v) for k, v in x.items()} else: return x # Unsloth Offloaded Gradient Checkpointing # Based on Unsloth Zoo by Daniel Han-Chen & the Unsloth team try: from deepspeed.runtime.activation_checkpointing.checkpointing import detach_variable except ImportError: def detach_variable(inputs, device=None): """Detach tensors from computation graph, optionally moving to a device. Reimplementation of deepspeed.runtime.activation_checkpointing.checkpointing.detach_variable for environments without DeepSpeed installed. """ if isinstance(inputs, tuple): out = [] for inp in inputs: if not isinstance(inp, torch.Tensor): out.append(inp) continue requires_grad = inp.requires_grad if device is not None: x = inp.to(device=device) else: x = inp x = x.detach() x.requires_grad = requires_grad out.append(x) return tuple(out) else: raise RuntimeError( "Only tuple of tensors is supported. Got Unsupported input type: ", type(inputs).__name__, ) class UnslothOffloadedGradientCheckpointer(torch.autograd.Function): """Saves VRAM by offloading activations to CPU RAM using non-blocking transfers. Compared to standard cpu_offload_checkpointing which uses blocking transfers, this uses non_blocking=True to hide CPU<->GPU transfer latency behind compute. """ @staticmethod @torch.amp.custom_fwd(device_type="cuda") def forward(ctx, forward_function, hidden_states, *args): # Remember the original device for backward pass (multi-GPU support) ctx.input_device = hidden_states.device saved_hidden_states = hidden_states.to("cpu", non_blocking=True) with torch.no_grad(): output = forward_function(hidden_states, *args) ctx.save_for_backward(saved_hidden_states) ctx.forward_function = forward_function # NOTE: args stored directly on ctx (not via save_for_backward) because # the training loop holds references to these tensors, preventing GC. # Using save_for_backward for all args would add complexity for no benefit. ctx.args = args return output @staticmethod @torch.amp.custom_bwd(device_type="cuda") def backward(ctx, *grads): (hidden_states,) = ctx.saved_tensors hidden_states = hidden_states.to(ctx.input_device, non_blocking=True).detach() hidden_states.requires_grad_(True) args = detach_variable(ctx.args) inputs = (hidden_states,) + args with torch.enable_grad(): outputs = ctx.forward_function(*inputs) output_tensors = [] grad_tensors = [] for out, grad in zip( outputs if isinstance(outputs, tuple) else (outputs,), grads if isinstance(grads, tuple) else (grads,) ): if isinstance(out, torch.Tensor) and out.requires_grad: output_tensors.append(out) grad_tensors.append(grad) torch.autograd.backward(output_tensors, grad_tensors) return (None,) + tuple(inp.grad if isinstance(inp, torch.Tensor) else None for inp in inputs) @torch._disable_dynamo def unsloth_checkpoint(function, *args): """Wrapper for UnslothOffloadedGradientCheckpointer.""" return UnslothOffloadedGradientCheckpointer.apply(function, *args) from .utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) # Utility functions: RoPE for DiT def _rotate_half(x: torch.Tensor, interleaved: bool) -> torch.Tensor: if not interleaved: x1, x2 = torch.chunk(x, 2, dim=-1) return torch.cat((-x2, x1), dim=-1) x1 = x[:, :, :, ::2] x2 = x[:, :, :, 1::2] x_new = torch.stack((-x2, x1), dim=-1) return x_new.view(x_new.shape[0], x_new.shape[1], x_new.shape[2], -1) def _apply_rotary_pos_emb_base( t: torch.Tensor, freqs: torch.Tensor, start_positions: torch.Tensor = None, tensor_format: str = "sbhd", interleaved: bool = False, ) -> torch.Tensor: max_seq_len = freqs.shape[0] cur_seq_len = t.shape[1] if tensor_format == "bshd" else t.shape[0] if start_positions is not None: max_offset = torch.max(start_positions) assert max_offset + cur_seq_len <= max_seq_len, f"Rotary Embeddings only supported up to {max_seq_len} sequence length!" freqs = torch.concatenate([freqs[i : i + cur_seq_len] for i in start_positions], dim=1) assert cur_seq_len <= max_seq_len, f"Rotary Embeddings only supported up to {max_seq_len} sequence length!" freqs = freqs[:cur_seq_len] if tensor_format == "bshd": freqs = freqs.transpose(0, 1) cos_ = torch.cos(freqs).to(t.dtype) sin_ = torch.sin(freqs).to(t.dtype) rot_dim = freqs.shape[-1] t, t_pass = t[..., :rot_dim], t[..., rot_dim:] t = (t * cos_) + (_rotate_half(t, interleaved) * sin_) return torch.cat((t, t_pass), dim=-1) def apply_rotary_pos_emb( t: torch.Tensor, freqs: torch.Tensor, tensor_format: str = "sbhd", start_positions: Union[torch.Tensor, None] = None, interleaved: bool = False, fused: bool = False, cu_seqlens: Union[torch.Tensor, None] = None, cp_size: int = 1, ) -> torch.Tensor: assert not (cp_size > 1 and start_positions is not None), "start_positions != None with CP SIZE > 1 is not supported!" assert tensor_format != "thd" or cu_seqlens is not None, "cu_seqlens must not be None when tensor_format is 'thd'." assert fused == False if tensor_format == "thd": cu_seqlens = cu_seqlens // cp_size seqlens = (cu_seqlens[1:] - cu_seqlens[:-1]).tolist() return torch.cat( [ _apply_rotary_pos_emb_base( x.unsqueeze(1), freqs, start_positions=(start_positions[idx : idx + 1] if start_positions is not None else None), interleaved=interleaved, ) for idx, x in enumerate(torch.split(t, seqlens)) ] ).squeeze(1) if tensor_format == "sbhd": seqlen = t.size(0) elif tensor_format == "bshd": seqlen = t.size(1) else: raise ValueError(f"Unsupported tensor_format: {tensor_format}.") return _apply_rotary_pos_emb_base( t, freqs, start_positions, tensor_format, interleaved=interleaved, ) # Basic building blocks class RMSNorm(torch.nn.Module): """RMS Normalization for DiT blocks.""" def __init__(self, dim: int, eps: float = 1e-5) -> None: super().__init__() self.eps = eps self.weight = nn.Parameter(torch.ones(dim)) def reset_parameters(self) -> None: torch.nn.init.ones_(self.weight) def _norm(self, x: torch.Tensor) -> torch.Tensor: return x * torch.rsqrt(x.pow(2).mean(-1, keepdim=True) + self.eps) def forward(self, x: torch.Tensor) -> torch.Tensor: with torch.autocast(device_type=x.device.type, dtype=torch.float32): output = self._norm(x.float()).type_as(x) return output * self.weight class GPT2FeedForward(nn.Module): """GELU feedforward network.""" def __init__(self, d_model: int, d_ff: int) -> None: super().__init__() self.activation = nn.GELU() self.layer1 = nn.Linear(d_model, d_ff, bias=False) self.layer2 = nn.Linear(d_ff, d_model, bias=False) self._layer_id = None self._dim = d_model self._hidden_dim = d_ff self.init_weights() def init_weights(self) -> None: std = 1.0 / math.sqrt(self._dim) torch.nn.init.trunc_normal_(self.layer1.weight, std=std, a=-3 * std, b=3 * std) std = 1.0 / math.sqrt(self._hidden_dim) if self._layer_id is not None: std = std / math.sqrt(2 * (self._layer_id + 1)) torch.nn.init.trunc_normal_(self.layer2.weight, std=std, a=-3 * std, b=3 * std) def forward(self, x: torch.Tensor) -> torch.Tensor: x = self.layer1(x) x = self.activation(x) x = self.layer2(x) return x # Attention module for DiT class Attention(nn.Module): """Multi-head attention supporting both self-attention and cross-attention. Uses QK-norm (RMSNorm on q/k) and optional RoPE (only for self-attention). """ def __init__( self, query_dim: int, context_dim: Optional[int] = None, n_heads: int = 8, head_dim: int = 64, dropout: float = 0.0, qkv_format: str = "bshd", ) -> None: super().__init__() self.is_selfattn = context_dim is None context_dim = query_dim if context_dim is None else context_dim inner_dim = head_dim * n_heads self.n_heads = n_heads self.head_dim = head_dim self.qkv_format = qkv_format self.query_dim = query_dim self.context_dim = context_dim self.q_proj = nn.Linear(query_dim, inner_dim, bias=False) self.q_norm = RMSNorm(self.head_dim, eps=1e-6) self.k_proj = nn.Linear(context_dim, inner_dim, bias=False) self.k_norm = RMSNorm(self.head_dim, eps=1e-6) self.v_proj = nn.Linear(context_dim, inner_dim, bias=False) self.v_norm = nn.Identity() self.output_proj = nn.Linear(inner_dim, query_dim, bias=False) self.output_dropout = nn.Dropout(dropout) if dropout > 1e-4 else nn.Identity() self._query_dim = query_dim self._context_dim = context_dim self._inner_dim = inner_dim self.init_weights() def init_weights(self) -> None: std = 1.0 / math.sqrt(self._query_dim) torch.nn.init.trunc_normal_(self.q_proj.weight, std=std, a=-3 * std, b=3 * std) std = 1.0 / math.sqrt(self._context_dim) torch.nn.init.trunc_normal_(self.k_proj.weight, std=std, a=-3 * std, b=3 * std) torch.nn.init.trunc_normal_(self.v_proj.weight, std=std, a=-3 * std, b=3 * std) std = 1.0 / math.sqrt(self._inner_dim) torch.nn.init.trunc_normal_(self.output_proj.weight, std=std, a=-3 * std, b=3 * std) for layer in self.q_norm, self.k_norm, self.v_norm: if hasattr(layer, "reset_parameters"): layer.reset_parameters() def compute_qkv( self, x: torch.Tensor, context: Optional[torch.Tensor] = None, rope_emb: Optional[torch.Tensor] = None, ) -> tuple: q = self.q_proj(x) context = x if context is None else context k = self.k_proj(context) v = self.v_proj(context) q, k, v = map( lambda t: rearrange(t, "b ... (h d) -> b ... h d", h=self.n_heads, d=self.head_dim), (q, k, v), ) q = self.q_norm(q) k = self.k_norm(k) v = self.v_norm(v) if self.is_selfattn and rope_emb is not None: q = apply_rotary_pos_emb(q, rope_emb, tensor_format=self.qkv_format, fused=False) k = apply_rotary_pos_emb(k, rope_emb, tensor_format=self.qkv_format, fused=False) return q, k, v def forward( self, x: torch.Tensor, attn_params: attention.AttentionParams, context: Optional[torch.Tensor] = None, rope_emb: Optional[torch.Tensor] = None, ) -> torch.Tensor: q, k, v = self.compute_qkv(x, context, rope_emb=rope_emb) if q.dtype != v.dtype: if (not attn_params.supports_fp32 or attn_params.requires_same_dtype) and torch.is_autocast_enabled(): # FlashAttention requires fp16/bf16, xformers require same dtype; only cast when autocast is active. target_dtype = v.dtype # v has fp16/bf16 dtype q = q.to(target_dtype) k = k.to(target_dtype) # return self.compute_attention(q, k, v) qkv = [q, k, v] del q, k, v result = attention.attention(qkv, attn_params=attn_params) return self.output_dropout(self.output_proj(result)) # Positional Embeddings class VideoPositionEmb(nn.Module): def __init__(self) -> None: super().__init__() @property def seq_dim(self) -> int: return 1 def forward(self, x_B_T_H_W_C: torch.Tensor, fps: Optional[torch.Tensor]) -> torch.Tensor: B_T_H_W_C = x_B_T_H_W_C.shape embeddings = self.generate_embeddings(B_T_H_W_C, fps=fps) return embeddings def generate_embeddings(self, B_T_H_W_C: torch.Size, fps: Optional[torch.Tensor]) -> Any: raise NotImplementedError class VideoRopePosition3DEmb(VideoPositionEmb): """3D Rotary Position Embedding for video (T, H, W) dimensions.""" def __init__( self, *, head_dim: int, len_h: int, len_w: int, len_t: int, base_fps: int = 24, h_extrapolation_ratio: float = 1.0, w_extrapolation_ratio: float = 1.0, t_extrapolation_ratio: float = 1.0, enable_fps_modulation: bool = True, **kwargs, ): del kwargs super().__init__() self.register_buffer("seq", torch.arange(max(len_h, len_w, len_t), dtype=torch.float)) self.base_fps = base_fps self.max_h = len_h self.max_w = len_w self.max_t = len_t self.enable_fps_modulation = enable_fps_modulation dim = head_dim dim_h = dim // 6 * 2 dim_w = dim_h dim_t = dim - 2 * dim_h assert dim == dim_h + dim_w + dim_t, f"bad dim: {dim} != {dim_h} + {dim_w} + {dim_t}" self.register_buffer( "dim_spatial_range", torch.arange(0, dim_h, 2)[: (dim_h // 2)].float() / dim_h, persistent=True, ) self.register_buffer( "dim_temporal_range", torch.arange(0, dim_t, 2)[: (dim_t // 2)].float() / dim_t, persistent=True, ) self._dim_h = dim_h self._dim_t = dim_t self.h_ntk_factor = h_extrapolation_ratio ** (dim_h / (dim_h - 2)) self.w_ntk_factor = w_extrapolation_ratio ** (dim_w / (dim_w - 2)) self.t_ntk_factor = t_extrapolation_ratio ** (dim_t / (dim_t - 2)) self.reset_parameters() def reset_parameters(self) -> None: dim_h = self._dim_h dim_t = self._dim_t self.seq = torch.arange(max(self.max_h, self.max_w, self.max_t)).float().to(self.dim_spatial_range.device) self.dim_spatial_range = torch.arange(0, dim_h, 2)[: (dim_h // 2)].float().to(self.dim_spatial_range.device) / dim_h self.dim_temporal_range = torch.arange(0, dim_t, 2)[: (dim_t // 2)].float().to(self.dim_spatial_range.device) / dim_t def generate_embeddings( self, B_T_H_W_C: torch.Size, fps: Optional[torch.Tensor] = None, h_ntk_factor: Optional[float] = None, w_ntk_factor: Optional[float] = None, t_ntk_factor: Optional[float] = None, ) -> torch.Tensor: h_ntk_factor = h_ntk_factor if h_ntk_factor is not None else self.h_ntk_factor w_ntk_factor = w_ntk_factor if w_ntk_factor is not None else self.w_ntk_factor t_ntk_factor = t_ntk_factor if t_ntk_factor is not None else self.t_ntk_factor h_theta = 10000.0 * h_ntk_factor w_theta = 10000.0 * w_ntk_factor t_theta = 10000.0 * t_ntk_factor h_spatial_freqs = 1.0 / (h_theta**self.dim_spatial_range) w_spatial_freqs = 1.0 / (w_theta**self.dim_spatial_range) temporal_freqs = 1.0 / (t_theta**self.dim_temporal_range) B, T, H, W, _ = B_T_H_W_C assert ( H <= self.max_h and W <= self.max_w ), f"Input dimensions (H={H}, W={W}) exceed the maximum dimensions (max_h={self.max_h}, max_w={self.max_w})" half_emb_h = torch.outer(self.seq[:H], h_spatial_freqs) half_emb_w = torch.outer(self.seq[:W], w_spatial_freqs) if self.enable_fps_modulation: uniform_fps = (fps is None) or (fps.min() == fps.max()) assert ( uniform_fps or B == 1 or T == 1 ), "For video batch, batch size should be 1 for non-uniform fps. For image batch, T should be 1" if fps is None: assert T == 1, "T should be 1 for image batch." half_emb_t = torch.outer(self.seq[:T], temporal_freqs) else: half_emb_t = torch.outer(self.seq[:T] / fps[:1] * self.base_fps, temporal_freqs) else: half_emb_t = torch.outer(self.seq[:T], temporal_freqs) em_T_H_W_D = torch.cat( [ repeat(half_emb_t, "t d -> t h w d", h=H, w=W), repeat(half_emb_h, "h d -> t h w d", t=T, w=W), repeat(half_emb_w, "w d -> t h w d", t=T, h=H), ] * 2, dim=-1, ) return rearrange(em_T_H_W_D, "t h w d -> (t h w) 1 1 d").float() @property def seq_dim(self) -> int: return 0 class LearnablePosEmbAxis(VideoPositionEmb): """Learnable axis-decomposed positional embeddings.""" def __init__( self, *, interpolation: str, model_channels: int, len_h: int, len_w: int, len_t: int, **kwargs, ): del kwargs super().__init__() self.interpolation = interpolation assert self.interpolation in ["crop"], f"Unknown interpolation method {self.interpolation}" self.model_channels = model_channels self.pos_emb_h = nn.Parameter(torch.zeros(len_h, model_channels)) self.pos_emb_w = nn.Parameter(torch.zeros(len_w, model_channels)) self.pos_emb_t = nn.Parameter(torch.zeros(len_t, model_channels)) self.reset_parameters() def reset_parameters(self) -> None: std = 1.0 / math.sqrt(self.model_channels) torch.nn.init.trunc_normal_(self.pos_emb_h, std=std, a=-3 * std, b=3 * std) torch.nn.init.trunc_normal_(self.pos_emb_w, std=std, a=-3 * std, b=3 * std) torch.nn.init.trunc_normal_(self.pos_emb_t, std=std, a=-3 * std, b=3 * std) def generate_embeddings(self, B_T_H_W_C: torch.Size, fps: Optional[torch.Tensor]) -> torch.Tensor: B, T, H, W, _ = B_T_H_W_C if self.interpolation == "crop": emb_h_H = self.pos_emb_h[:H] emb_w_W = self.pos_emb_w[:W] emb_t_T = self.pos_emb_t[:T] emb = ( repeat(emb_t_T, "t d-> b t h w d", b=B, h=H, w=W) + repeat(emb_h_H, "h d-> b t h w d", b=B, t=T, w=W) + repeat(emb_w_W, "w d-> b t h w d", b=B, t=T, h=H) ) assert list(emb.shape)[:4] == [B, T, H, W], f"bad shape: {list(emb.shape)[:4]} != {B, T, H, W}" else: raise ValueError(f"Unknown interpolation method {self.interpolation}") norm = torch.linalg.vector_norm(emb, dim=-1, keepdim=True, dtype=torch.float32) norm = torch.add(1e-6, norm, alpha=np.sqrt(norm.numel() / emb.numel())) return emb / norm.to(emb.dtype) # Timestep Embedding class Timesteps(nn.Module): """Sinusoidal timestep features.""" def __init__(self, num_channels: int): super().__init__() self.num_channels = num_channels def forward(self, timesteps_B_T: torch.Tensor) -> torch.Tensor: assert timesteps_B_T.ndim == 2, f"Expected 2D input, got {timesteps_B_T.ndim}" in_dtype = timesteps_B_T.dtype timesteps = timesteps_B_T.flatten().float() half_dim = self.num_channels // 2 exponent = -math.log(10000) * torch.arange(half_dim, dtype=torch.float32, device=timesteps.device) exponent = exponent / (half_dim - 0.0) emb = torch.exp(exponent) emb = timesteps[:, None].float() * emb[None, :] sin_emb = torch.sin(emb) cos_emb = torch.cos(emb) emb = torch.cat([cos_emb, sin_emb], dim=-1) return rearrange(emb.to(dtype=in_dtype), "(b t) d -> b t d", b=timesteps_B_T.shape[0], t=timesteps_B_T.shape[1]) class TimestepEmbedding(nn.Module): """Projects timestep features to model dimension, with optional AdaLN-LoRA.""" def __init__(self, in_features: int, out_features: int, use_adaln_lora: bool = False): super().__init__() self.in_dim = in_features self.out_dim = out_features self.linear_1 = nn.Linear(in_features, out_features, bias=not use_adaln_lora) self.activation = nn.SiLU() self.use_adaln_lora = use_adaln_lora if use_adaln_lora: self.linear_2 = nn.Linear(out_features, 3 * out_features, bias=False) else: self.linear_2 = nn.Linear(out_features, out_features, bias=False) self.init_weights() def init_weights(self) -> None: std = 1.0 / math.sqrt(self.in_dim) torch.nn.init.trunc_normal_(self.linear_1.weight, std=std, a=-3 * std, b=3 * std) std = 1.0 / math.sqrt(self.out_dim) torch.nn.init.trunc_normal_(self.linear_2.weight, std=std, a=-3 * std, b=3 * std) def forward(self, sample: torch.Tensor) -> Tuple[torch.Tensor, Optional[torch.Tensor]]: emb = self.linear_1(sample) emb = self.activation(emb) emb = self.linear_2(emb) if self.use_adaln_lora: adaln_lora_B_T_3D = emb emb_B_T_D = sample else: adaln_lora_B_T_3D = None emb_B_T_D = emb return emb_B_T_D, adaln_lora_B_T_3D # Commented out Fourier Features (not used in Anima). Kept for reference. # class FourierFeatures(nn.Module): # """Fourier feature transform: [B] -> [B, D].""" # def __init__(self, num_channels: int, bandwidth: int = 1, normalize: bool = False): # super().__init__() # self.register_buffer("freqs", 2 * np.pi * bandwidth * torch.randn(num_channels), persistent=True) # self.register_buffer("phases", 2 * np.pi * torch.rand(num_channels), persistent=True) # self.gain = np.sqrt(2) if normalize else 1 # self.bandwidth = bandwidth # self.num_channels = num_channels # self.reset_parameters() # def reset_parameters(self) -> None: # generator = torch.Generator() # generator.manual_seed(0) # self.freqs = 2 * np.pi * self.bandwidth * torch.randn(self.num_channels, generator=generator).to(self.freqs.device) # self.phases = 2 * np.pi * torch.rand(self.num_channels, generator=generator).to(self.freqs.device) # def forward(self, x: torch.Tensor, gain: float = 1.0) -> torch.Tensor: # in_dtype = x.dtype # x = x.to(torch.float32).ger(self.freqs.to(torch.float32)).add(self.phases.to(torch.float32)) # x = x.cos().mul(self.gain * gain).to(in_dtype) # return x # Patch Embedding class PatchEmbed(nn.Module): """Patch embedding: (B, C, T, H, W) -> (B, T', H', W', D)""" def __init__( self, spatial_patch_size: int, temporal_patch_size: int, in_channels: int = 3, out_channels: int = 768, ): super().__init__() self.spatial_patch_size = spatial_patch_size self.temporal_patch_size = temporal_patch_size self.proj = nn.Sequential( Rearrange( "b c (t r) (h m) (w n) -> b t h w (c r m n)", r=temporal_patch_size, m=spatial_patch_size, n=spatial_patch_size, ), nn.Linear(in_channels * spatial_patch_size * spatial_patch_size * temporal_patch_size, out_channels, bias=False), ) self.dim = in_channels * spatial_patch_size * spatial_patch_size * temporal_patch_size self.init_weights() def init_weights(self) -> None: std = 1.0 / math.sqrt(self.dim) torch.nn.init.trunc_normal_(self.proj[1].weight, std=std, a=-3 * std, b=3 * std) def forward(self, x: torch.Tensor) -> torch.Tensor: assert x.dim() == 5 _, _, T, H, W = x.shape assert ( H % self.spatial_patch_size == 0 and W % self.spatial_patch_size == 0 ), f"H,W {(H, W)} should be divisible by spatial_patch_size {self.spatial_patch_size}" assert T % self.temporal_patch_size == 0 x = self.proj(x) return x # Final Layer class FinalLayer(nn.Module): """Final layer with AdaLN modulation + unpatchify.""" def __init__( self, hidden_size: int, spatial_patch_size: int, temporal_patch_size: int, out_channels: int, use_adaln_lora: bool = False, adaln_lora_dim: int = 256, ): super().__init__() self.layer_norm = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.linear = nn.Linear( hidden_size, spatial_patch_size * spatial_patch_size * temporal_patch_size * out_channels, bias=False ) self.hidden_size = hidden_size self.n_adaln_chunks = 2 self.use_adaln_lora = use_adaln_lora self.adaln_lora_dim = adaln_lora_dim if use_adaln_lora: self.adaln_modulation = nn.Sequential( nn.SiLU(), nn.Linear(hidden_size, adaln_lora_dim, bias=False), nn.Linear(adaln_lora_dim, self.n_adaln_chunks * hidden_size, bias=False), ) else: self.adaln_modulation = nn.Sequential(nn.SiLU(), nn.Linear(hidden_size, self.n_adaln_chunks * hidden_size, bias=False)) self.init_weights() def init_weights(self) -> None: std = 1.0 / math.sqrt(self.hidden_size) torch.nn.init.trunc_normal_(self.linear.weight, std=std, a=-3 * std, b=3 * std) if self.use_adaln_lora: torch.nn.init.trunc_normal_(self.adaln_modulation[1].weight, std=std, a=-3 * std, b=3 * std) torch.nn.init.zeros_(self.adaln_modulation[2].weight) else: torch.nn.init.zeros_(self.adaln_modulation[1].weight) self.layer_norm.reset_parameters() def forward( self, x_B_T_H_W_D: torch.Tensor, emb_B_T_D: torch.Tensor, adaln_lora_B_T_3D: Optional[torch.Tensor] = None, ): if self.use_adaln_lora: assert adaln_lora_B_T_3D is not None shift_B_T_D, scale_B_T_D = (self.adaln_modulation(emb_B_T_D) + adaln_lora_B_T_3D[:, :, : 2 * self.hidden_size]).chunk( 2, dim=-1 ) else: shift_B_T_D, scale_B_T_D = self.adaln_modulation(emb_B_T_D).chunk(2, dim=-1) shift_B_T_1_1_D = rearrange(shift_B_T_D, "b t d -> b t 1 1 d") scale_B_T_1_1_D = rearrange(scale_B_T_D, "b t d -> b t 1 1 d") x_B_T_H_W_D = self.layer_norm(x_B_T_H_W_D) * (1 + scale_B_T_1_1_D) + shift_B_T_1_1_D x_B_T_H_W_O = self.linear(x_B_T_H_W_D) return x_B_T_H_W_O # Transformer Block (DiT Block) class Block(nn.Module): """Transformer block with self-attention + cross-attention + MLP, each modulated by AdaLN. Each sublayer: x = x + gate * sublayer(norm(x) * (1 + scale) + shift) """ def __init__( self, x_dim: int, context_dim: int, num_heads: int, mlp_ratio: float = 4.0, use_adaln_lora: bool = False, adaln_lora_dim: int = 256, ): super().__init__() self.x_dim = x_dim self.layer_norm_self_attn = nn.LayerNorm(x_dim, elementwise_affine=False, eps=1e-6) self.self_attn = Attention( x_dim, None, num_heads, x_dim // num_heads, qkv_format="bshd", ) self.layer_norm_cross_attn = nn.LayerNorm(x_dim, elementwise_affine=False, eps=1e-6) self.cross_attn = Attention( x_dim, context_dim, num_heads, x_dim // num_heads, qkv_format="bshd", ) self.layer_norm_mlp = nn.LayerNorm(x_dim, elementwise_affine=False, eps=1e-6) self.mlp = GPT2FeedForward(x_dim, int(x_dim * mlp_ratio)) self.use_adaln_lora = use_adaln_lora if self.use_adaln_lora: self.adaln_modulation_self_attn = nn.Sequential( nn.SiLU(), nn.Linear(x_dim, adaln_lora_dim, bias=False), nn.Linear(adaln_lora_dim, 3 * x_dim, bias=False), ) self.adaln_modulation_cross_attn = nn.Sequential( nn.SiLU(), nn.Linear(x_dim, adaln_lora_dim, bias=False), nn.Linear(adaln_lora_dim, 3 * x_dim, bias=False), ) self.adaln_modulation_mlp = nn.Sequential( nn.SiLU(), nn.Linear(x_dim, adaln_lora_dim, bias=False), nn.Linear(adaln_lora_dim, 3 * x_dim, bias=False), ) else: self.adaln_modulation_self_attn = nn.Sequential(nn.SiLU(), nn.Linear(x_dim, 3 * x_dim, bias=False)) self.adaln_modulation_cross_attn = nn.Sequential(nn.SiLU(), nn.Linear(x_dim, 3 * x_dim, bias=False)) self.adaln_modulation_mlp = nn.Sequential(nn.SiLU(), nn.Linear(x_dim, 3 * x_dim, bias=False)) self.gradient_checkpointing = False self.cpu_offload_checkpointing = False self.unsloth_offload_checkpointing = False def enable_gradient_checkpointing(self, cpu_offload: bool = False, unsloth_offload: bool = False): self.gradient_checkpointing = True self.cpu_offload_checkpointing = cpu_offload if not unsloth_offload else False self.unsloth_offload_checkpointing = unsloth_offload def disable_gradient_checkpointing(self): self.gradient_checkpointing = False self.cpu_offload_checkpointing = False self.unsloth_offload_checkpointing = False def reset_parameters(self) -> None: self.layer_norm_self_attn.reset_parameters() self.layer_norm_cross_attn.reset_parameters() self.layer_norm_mlp.reset_parameters() if self.use_adaln_lora: std = 1.0 / math.sqrt(self.x_dim) torch.nn.init.trunc_normal_(self.adaln_modulation_self_attn[1].weight, std=std, a=-3 * std, b=3 * std) torch.nn.init.trunc_normal_(self.adaln_modulation_cross_attn[1].weight, std=std, a=-3 * std, b=3 * std) torch.nn.init.trunc_normal_(self.adaln_modulation_mlp[1].weight, std=std, a=-3 * std, b=3 * std) torch.nn.init.zeros_(self.adaln_modulation_self_attn[2].weight) torch.nn.init.zeros_(self.adaln_modulation_cross_attn[2].weight) torch.nn.init.zeros_(self.adaln_modulation_mlp[2].weight) else: torch.nn.init.zeros_(self.adaln_modulation_self_attn[1].weight) torch.nn.init.zeros_(self.adaln_modulation_cross_attn[1].weight) torch.nn.init.zeros_(self.adaln_modulation_mlp[1].weight) def init_weights(self) -> None: self.reset_parameters() self.self_attn.init_weights() self.cross_attn.init_weights() self.mlp.init_weights() def _forward( self, x_B_T_H_W_D: torch.Tensor, emb_B_T_D: torch.Tensor, crossattn_emb: torch.Tensor, attn_params: attention.AttentionParams, rope_emb_L_1_1_D: Optional[torch.Tensor] = None, adaln_lora_B_T_3D: Optional[torch.Tensor] = None, extra_per_block_pos_emb: Optional[torch.Tensor] = None, ) -> torch.Tensor: if extra_per_block_pos_emb is not None: x_B_T_H_W_D = x_B_T_H_W_D + extra_per_block_pos_emb # Compute AdaLN modulation parameters if self.use_adaln_lora: shift_self_attn_B_T_D, scale_self_attn_B_T_D, gate_self_attn_B_T_D = ( self.adaln_modulation_self_attn(emb_B_T_D) + adaln_lora_B_T_3D ).chunk(3, dim=-1) shift_cross_attn_B_T_D, scale_cross_attn_B_T_D, gate_cross_attn_B_T_D = ( self.adaln_modulation_cross_attn(emb_B_T_D) + adaln_lora_B_T_3D ).chunk(3, dim=-1) shift_mlp_B_T_D, scale_mlp_B_T_D, gate_mlp_B_T_D = (self.adaln_modulation_mlp(emb_B_T_D) + adaln_lora_B_T_3D).chunk( 3, dim=-1 ) else: shift_self_attn_B_T_D, scale_self_attn_B_T_D, gate_self_attn_B_T_D = self.adaln_modulation_self_attn(emb_B_T_D).chunk( 3, dim=-1 ) shift_cross_attn_B_T_D, scale_cross_attn_B_T_D, gate_cross_attn_B_T_D = self.adaln_modulation_cross_attn( emb_B_T_D ).chunk(3, dim=-1) shift_mlp_B_T_D, scale_mlp_B_T_D, gate_mlp_B_T_D = self.adaln_modulation_mlp(emb_B_T_D).chunk(3, dim=-1) # Reshape for broadcasting: (B, T, D) -> (B, T, 1, 1, D) shift_self_attn_B_T_1_1_D = rearrange(shift_self_attn_B_T_D, "b t d -> b t 1 1 d") scale_self_attn_B_T_1_1_D = rearrange(scale_self_attn_B_T_D, "b t d -> b t 1 1 d") gate_self_attn_B_T_1_1_D = rearrange(gate_self_attn_B_T_D, "b t d -> b t 1 1 d") shift_cross_attn_B_T_1_1_D = rearrange(shift_cross_attn_B_T_D, "b t d -> b t 1 1 d") scale_cross_attn_B_T_1_1_D = rearrange(scale_cross_attn_B_T_D, "b t d -> b t 1 1 d") gate_cross_attn_B_T_1_1_D = rearrange(gate_cross_attn_B_T_D, "b t d -> b t 1 1 d") shift_mlp_B_T_1_1_D = rearrange(shift_mlp_B_T_D, "b t d -> b t 1 1 d") scale_mlp_B_T_1_1_D = rearrange(scale_mlp_B_T_D, "b t d -> b t 1 1 d") gate_mlp_B_T_1_1_D = rearrange(gate_mlp_B_T_D, "b t d -> b t 1 1 d") B, T, H, W, D = x_B_T_H_W_D.shape def _adaln_fn(_x, _norm_layer, _scale, _shift): return _norm_layer(_x) * (1 + _scale) + _shift # 1. Self-attention normalized_x = _adaln_fn(x_B_T_H_W_D, self.layer_norm_self_attn, scale_self_attn_B_T_1_1_D, shift_self_attn_B_T_1_1_D) result = rearrange( self.self_attn( rearrange(normalized_x, "b t h w d -> b (t h w) d"), attn_params, None, rope_emb=rope_emb_L_1_1_D, ), "b (t h w) d -> b t h w d", t=T, h=H, w=W, ) x_B_T_H_W_D = x_B_T_H_W_D + gate_self_attn_B_T_1_1_D * result # 2. Cross-attention normalized_x = _adaln_fn(x_B_T_H_W_D, self.layer_norm_cross_attn, scale_cross_attn_B_T_1_1_D, shift_cross_attn_B_T_1_1_D) result = rearrange( self.cross_attn( rearrange(normalized_x, "b t h w d -> b (t h w) d"), attn_params, crossattn_emb, rope_emb=rope_emb_L_1_1_D, ), "b (t h w) d -> b t h w d", t=T, h=H, w=W, ) x_B_T_H_W_D = result * gate_cross_attn_B_T_1_1_D + x_B_T_H_W_D # 3. MLP normalized_x = _adaln_fn(x_B_T_H_W_D, self.layer_norm_mlp, scale_mlp_B_T_1_1_D, shift_mlp_B_T_1_1_D) result = self.mlp(normalized_x) x_B_T_H_W_D = x_B_T_H_W_D + gate_mlp_B_T_1_1_D * result return x_B_T_H_W_D def forward( self, x_B_T_H_W_D: torch.Tensor, emb_B_T_D: torch.Tensor, crossattn_emb: torch.Tensor, attn_params: attention.AttentionParams, rope_emb_L_1_1_D: Optional[torch.Tensor] = None, adaln_lora_B_T_3D: Optional[torch.Tensor] = None, extra_per_block_pos_emb: Optional[torch.Tensor] = None, ) -> torch.Tensor: if self.training and self.gradient_checkpointing: if self.unsloth_offload_checkpointing: # Unsloth: async non-blocking CPU RAM offload (fastest offload method) return unsloth_checkpoint( self._forward, x_B_T_H_W_D, emb_B_T_D, crossattn_emb, attn_params, rope_emb_L_1_1_D, adaln_lora_B_T_3D, extra_per_block_pos_emb, ) elif self.cpu_offload_checkpointing: # Standard cpu offload: blocking transfers def create_custom_forward(func): def custom_forward(*inputs): # Determine original device from first tensor input device = next(t.device for t in inputs if isinstance(t, torch.Tensor)) device_inputs = to_device(inputs, device) outputs = func(*device_inputs) return to_cpu(outputs) return custom_forward return torch_checkpoint( create_custom_forward(self._forward), x_B_T_H_W_D, emb_B_T_D, crossattn_emb, attn_params, rope_emb_L_1_1_D, adaln_lora_B_T_3D, extra_per_block_pos_emb, use_reentrant=False, ) else: # Standard gradient checkpointing (no offload) return torch_checkpoint( self._forward, x_B_T_H_W_D, emb_B_T_D, crossattn_emb, attn_params, rope_emb_L_1_1_D, adaln_lora_B_T_3D, extra_per_block_pos_emb, use_reentrant=False, ) else: return self._forward( x_B_T_H_W_D, emb_B_T_D, crossattn_emb, attn_params, rope_emb_L_1_1_D, adaln_lora_B_T_3D, extra_per_block_pos_emb, ) # Main DiT Model: MiniTrainDIT (renamed to Anima) class Anima(nn.Module): """Cosmos-Predict2 DiT model for image/video generation. 28 transformer blocks with AdaLN-LoRA modulation, 3D RoPE, and optional LLM Adapter. """ LATENT_CHANNELS = 16 def __init__( self, max_img_h: int, max_img_w: int, max_frames: int, in_channels: int, out_channels: int, patch_spatial: int, patch_temporal: int, concat_padding_mask: bool = True, model_channels: int = 768, num_blocks: int = 10, num_heads: int = 16, mlp_ratio: float = 4.0, crossattn_emb_channels: int = 1024, pos_emb_cls: str = "sincos", pos_emb_learnable: bool = False, pos_emb_interpolation: str = "crop", min_fps: int = 1, max_fps: int = 30, use_adaln_lora: bool = False, adaln_lora_dim: int = 256, rope_h_extrapolation_ratio: float = 1.0, rope_w_extrapolation_ratio: float = 1.0, rope_t_extrapolation_ratio: float = 1.0, extra_per_block_abs_pos_emb: bool = False, extra_h_extrapolation_ratio: float = 1.0, extra_w_extrapolation_ratio: float = 1.0, extra_t_extrapolation_ratio: float = 1.0, rope_enable_fps_modulation: bool = True, use_llm_adapter: bool = False, attn_mode: str = "torch", split_attn: bool = False, ) -> None: super().__init__() self.max_img_h = max_img_h self.max_img_w = max_img_w self.max_frames = max_frames self.in_channels = in_channels self.out_channels = out_channels self.patch_spatial = patch_spatial self.patch_temporal = patch_temporal self.num_heads = num_heads self.num_blocks = num_blocks self.model_channels = model_channels self.concat_padding_mask = concat_padding_mask self.pos_emb_cls = pos_emb_cls self.pos_emb_learnable = pos_emb_learnable self.pos_emb_interpolation = pos_emb_interpolation self.min_fps = min_fps self.max_fps = max_fps self.rope_h_extrapolation_ratio = rope_h_extrapolation_ratio self.rope_w_extrapolation_ratio = rope_w_extrapolation_ratio self.rope_t_extrapolation_ratio = rope_t_extrapolation_ratio self.extra_per_block_abs_pos_emb = extra_per_block_abs_pos_emb self.extra_h_extrapolation_ratio = extra_h_extrapolation_ratio self.extra_w_extrapolation_ratio = extra_w_extrapolation_ratio self.extra_t_extrapolation_ratio = extra_t_extrapolation_ratio self.rope_enable_fps_modulation = rope_enable_fps_modulation self.use_llm_adapter = use_llm_adapter self.attn_mode = attn_mode self.split_attn = split_attn # Block swap support self.blocks_to_swap = None self.offloader: Optional[custom_offloading_utils.ModelOffloader] = None self.build_patch_embed() self.build_pos_embed() self.use_adaln_lora = use_adaln_lora self.adaln_lora_dim = adaln_lora_dim self.t_embedder = nn.Sequential( Timesteps(model_channels), TimestepEmbedding(model_channels, model_channels, use_adaln_lora=use_adaln_lora), ) if self.use_llm_adapter: self.llm_adapter = LLMAdapter( source_dim=1024, target_dim=1024, model_dim=1024, num_layers=6, self_attn=True, ) self.blocks = nn.ModuleList( [ Block( x_dim=model_channels, context_dim=crossattn_emb_channels, num_heads=num_heads, mlp_ratio=mlp_ratio, use_adaln_lora=use_adaln_lora, adaln_lora_dim=adaln_lora_dim, ) for _ in range(num_blocks) ] ) self.final_layer = FinalLayer( hidden_size=self.model_channels, spatial_patch_size=self.patch_spatial, temporal_patch_size=self.patch_temporal, out_channels=self.out_channels, use_adaln_lora=self.use_adaln_lora, adaln_lora_dim=self.adaln_lora_dim, ) self.t_embedding_norm = RMSNorm(model_channels, eps=1e-6) self.init_weights() def init_weights(self) -> None: self.x_embedder.init_weights() self.pos_embedder.reset_parameters() if self.extra_per_block_abs_pos_emb: self.extra_pos_embedder.reset_parameters() self.t_embedder[1].init_weights() for block in self.blocks: block.init_weights() self.final_layer.init_weights() self.t_embedding_norm.reset_parameters() def enable_gradient_checkpointing(self, cpu_offload: bool = False, unsloth_offload: bool = False): for block in self.blocks: block.enable_gradient_checkpointing(cpu_offload=cpu_offload, unsloth_offload=unsloth_offload) def disable_gradient_checkpointing(self): for block in self.blocks: block.disable_gradient_checkpointing() @property def device(self): return next(self.parameters()).device @property def dtype(self): return next(self.parameters()).dtype def build_patch_embed(self) -> None: in_channels = self.in_channels + 1 if self.concat_padding_mask else self.in_channels self.x_embedder = PatchEmbed( spatial_patch_size=self.patch_spatial, temporal_patch_size=self.patch_temporal, in_channels=in_channels, out_channels=self.model_channels, ) def build_pos_embed(self) -> None: if self.pos_emb_cls == "rope3d": cls_type = VideoRopePosition3DEmb else: raise ValueError(f"Unknown pos_emb_cls {self.pos_emb_cls}") kwargs = dict( model_channels=self.model_channels, len_h=self.max_img_h // self.patch_spatial, len_w=self.max_img_w // self.patch_spatial, len_t=self.max_frames // self.patch_temporal, max_fps=self.max_fps, min_fps=self.min_fps, is_learnable=self.pos_emb_learnable, interpolation=self.pos_emb_interpolation, head_dim=self.model_channels // self.num_heads, h_extrapolation_ratio=self.rope_h_extrapolation_ratio, w_extrapolation_ratio=self.rope_w_extrapolation_ratio, t_extrapolation_ratio=self.rope_t_extrapolation_ratio, enable_fps_modulation=self.rope_enable_fps_modulation, ) self.pos_embedder = cls_type(**kwargs) if self.extra_per_block_abs_pos_emb: kwargs["h_extrapolation_ratio"] = self.extra_h_extrapolation_ratio kwargs["w_extrapolation_ratio"] = self.extra_w_extrapolation_ratio kwargs["t_extrapolation_ratio"] = self.extra_t_extrapolation_ratio self.extra_pos_embedder = LearnablePosEmbAxis(**kwargs) def prepare_embedded_sequence( self, x_B_C_T_H_W: torch.Tensor, fps: Optional[torch.Tensor] = None, padding_mask: Optional[torch.Tensor] = None, ) -> Tuple[torch.Tensor, Optional[torch.Tensor], Optional[torch.Tensor]]: from torchvision import transforms if self.concat_padding_mask: padding_mask = transforms.functional.resize( padding_mask, list(x_B_C_T_H_W.shape[-2:]), interpolation=transforms.InterpolationMode.NEAREST ) x_B_C_T_H_W = torch.cat([x_B_C_T_H_W, padding_mask.unsqueeze(1).repeat(1, 1, x_B_C_T_H_W.shape[2], 1, 1)], dim=1) x_B_T_H_W_D = self.x_embedder(x_B_C_T_H_W) if self.extra_per_block_abs_pos_emb: extra_pos_emb = self.extra_pos_embedder(x_B_T_H_W_D, fps=fps) else: extra_pos_emb = None if "rope" in self.pos_emb_cls.lower(): return x_B_T_H_W_D, self.pos_embedder(x_B_T_H_W_D, fps=fps), extra_pos_emb x_B_T_H_W_D = x_B_T_H_W_D + self.pos_embedder(x_B_T_H_W_D) return x_B_T_H_W_D, None, extra_pos_emb def unpatchify(self, x_B_T_H_W_M: torch.Tensor) -> torch.Tensor: x_B_C_Tt_Hp_Wp = rearrange( x_B_T_H_W_M, "B T H W (p1 p2 t C) -> B C (T t) (H p1) (W p2)", p1=self.patch_spatial, p2=self.patch_spatial, t=self.patch_temporal, ) return x_B_C_Tt_Hp_Wp def enable_block_swap(self, num_blocks: int, device: torch.device): self.blocks_to_swap = num_blocks assert ( self.blocks_to_swap <= self.num_blocks - 2 ), f"Cannot swap more than {self.num_blocks - 2} blocks. Requested: {self.blocks_to_swap} blocks." self.offloader = custom_offloading_utils.ModelOffloader(self.blocks, self.blocks_to_swap, device) logger.info(f"Anima: Block swap enabled. Swapping {num_blocks} blocks, total blocks: {self.num_blocks}, device: {device}.") def move_to_device_except_swap_blocks(self, device: torch.device): # Move all modules to device except blocks (which are managed by offloader) if self.blocks_to_swap: save_blocks = self.blocks self.blocks = None # Use None to skip .to() on blocks (consistent with flux_models.py) self.to(device) if self.blocks_to_swap: self.blocks = save_blocks def switch_block_swap_for_inference(self): if self.blocks_to_swap is None or self.blocks_to_swap == 0: return self.offloader.set_forward_only(True) self.prepare_block_swap_before_forward() print(f"Anima: Block swap set to forward only.") def switch_block_swap_for_training(self): if self.blocks_to_swap is None or self.blocks_to_swap == 0: return self.offloader.set_forward_only(False) self.prepare_block_swap_before_forward() print(f"Anima: Block swap set to forward and backward.") def prepare_block_swap_before_forward(self): if self.blocks_to_swap is None or self.blocks_to_swap == 0: return self.offloader.prepare_block_devices_before_forward(self.blocks) def forward_mini_train_dit( self, x_B_C_T_H_W: torch.Tensor, timesteps_B_T: torch.Tensor, crossattn_emb: torch.Tensor, fps: Optional[torch.Tensor] = None, padding_mask: Optional[torch.Tensor] = None, source_attention_mask: Optional[torch.Tensor] = None, t5_input_ids: Optional[torch.Tensor] = None, t5_attn_mask: Optional[torch.Tensor] = None, ) -> torch.Tensor: """ Args: x_B_C_T_H_W: (B, C, T, H, W) noisy latents timesteps_B_T: (B,) or (B, T) timesteps crossattn_emb: (B, N, D) cross-attention embeddings (or raw Qwen3 prompt_embeds if t5_input_ids provided) fps: Optional frames per second padding_mask: Optional padding mask source_attention_mask: Optional attention mask for Qwen3 embeddings (used with LLM adapter) t5_input_ids: Optional T5 token IDs (triggers LLM adapter when provided) t5_attn_mask: Optional T5 attention mask """ # Run LLM adapter inside forward for correct DDP gradient synchronization if t5_input_ids is not None and self.use_llm_adapter and hasattr(self, "llm_adapter"): crossattn_emb = self.llm_adapter( source_hidden_states=crossattn_emb, target_input_ids=t5_input_ids, target_attention_mask=t5_attn_mask, source_attention_mask=source_attention_mask, ) if t5_attn_mask is not None: crossattn_emb[~t5_attn_mask.bool()] = 0 x_B_T_H_W_D, rope_emb_L_1_1_D, extra_pos_emb = self.prepare_embedded_sequence( x_B_C_T_H_W, fps=fps, padding_mask=padding_mask, ) if timesteps_B_T.ndim == 1: timesteps_B_T = timesteps_B_T.unsqueeze(1) t_embedding_B_T_D, adaln_lora_B_T_3D = self.t_embedder(timesteps_B_T) t_embedding_B_T_D = self.t_embedding_norm(t_embedding_B_T_D) block_kwargs = { "rope_emb_L_1_1_D": rope_emb_L_1_1_D, "adaln_lora_B_T_3D": adaln_lora_B_T_3D, "extra_per_block_pos_emb": extra_pos_emb, } attn_params = attention.AttentionParams.create_attention_params(self.attn_mode, self.split_attn) for block_idx, block in enumerate(self.blocks): if self.blocks_to_swap: self.offloader.wait_for_block(block_idx) x_B_T_H_W_D = block(x_B_T_H_W_D, t_embedding_B_T_D, crossattn_emb, attn_params, **block_kwargs) if self.blocks_to_swap: self.offloader.submit_move_blocks(self.blocks, block_idx) x_B_T_H_W_O = self.final_layer(x_B_T_H_W_D, t_embedding_B_T_D, adaln_lora_B_T_3D=adaln_lora_B_T_3D) x_B_C_Tt_Hp_Wp = self.unpatchify(x_B_T_H_W_O) return x_B_C_Tt_Hp_Wp def forward( self, x: torch.Tensor, timesteps: torch.Tensor, context: Optional[torch.Tensor] = None, fps: Optional[torch.Tensor] = None, padding_mask: Optional[torch.Tensor] = None, target_input_ids: Optional[torch.Tensor] = None, target_attention_mask: Optional[torch.Tensor] = None, source_attention_mask: Optional[torch.Tensor] = None, **kwargs, ) -> torch.Tensor: context = self._preprocess_text_embeds(context, target_input_ids, target_attention_mask, source_attention_mask) return self.forward_mini_train_dit(x, timesteps, context, fps=fps, padding_mask=padding_mask, **kwargs) def _preprocess_text_embeds( self, source_hidden_states, target_input_ids, target_attention_mask=None, source_attention_mask=None ): if target_input_ids is not None: context = self.llm_adapter( source_hidden_states, target_input_ids, target_attention_mask=target_attention_mask, source_attention_mask=source_attention_mask, ) context[~target_attention_mask.bool()] = 0 # zero out padding tokens return context else: return source_hidden_states # LLM Adapter: Bridges Qwen3 embeddings to T5-compatible space class LLMAdapterRMSNorm(nn.Module): """RMSNorm specifically for the LLM Adapter (T5-style, no mean subtraction).""" def __init__(self, hidden_size, eps=1e-6): super().__init__() self.weight = nn.Parameter(torch.ones(hidden_size)) self.variance_epsilon = eps def forward(self, hidden_states): variance = hidden_states.to(torch.float32).pow(2).mean(-1, keepdim=True) hidden_states = hidden_states * torch.rsqrt(variance + self.variance_epsilon) if self.weight.dtype in [torch.float16, torch.bfloat16]: hidden_states = hidden_states.to(self.weight.dtype) return self.weight * hidden_states def _adapter_rotate_half(x): x1 = x[..., : x.shape[-1] // 2] x2 = x[..., x.shape[-1] // 2 :] return torch.cat((-x2, x1), dim=-1) def _adapter_apply_rotary_pos_emb(x, cos, sin, unsqueeze_dim=1): cos = cos.unsqueeze(unsqueeze_dim) sin = sin.unsqueeze(unsqueeze_dim) x_embed = (x * cos) + (_adapter_rotate_half(x) * sin) return x_embed class AdapterRotaryEmbedding(nn.Module): """Rotary embedding for LLM Adapter.""" def __init__(self, head_dim): super().__init__() self.rope_theta = 10000 inv_freq = 1.0 / (self.rope_theta ** (torch.arange(0, head_dim, 2, dtype=torch.int64).to(dtype=torch.float) / head_dim)) self.register_buffer("inv_freq", inv_freq, persistent=False) @torch.no_grad() def forward(self, x, position_ids): inv_freq_expanded = self.inv_freq[None, :, None].float().expand(position_ids.shape[0], -1, 1).to(x.device) position_ids_expanded = position_ids[:, None, :].float() device_type = x.device.type if isinstance(x.device.type, str) and x.device.type != "mps" else "cpu" with torch.autocast(device_type=device_type, enabled=False): freqs = (inv_freq_expanded.float() @ position_ids_expanded.float()).transpose(1, 2) emb = torch.cat((freqs, freqs), dim=-1) cos = emb.cos() sin = emb.sin() return cos.to(dtype=x.dtype), sin.to(dtype=x.dtype) class LLMAdapterAttention(nn.Module): """Attention module for LLM Adapter with QK-norm and separate RoPE for query/key.""" def __init__(self, query_dim, context_dim, n_heads, head_dim): super().__init__() inner_dim = head_dim * n_heads self.n_heads = n_heads self.head_dim = head_dim self.query_dim = query_dim self.context_dim = context_dim self.q_proj = nn.Linear(query_dim, inner_dim, bias=False) self.q_norm = LLMAdapterRMSNorm(self.head_dim) self.k_proj = nn.Linear(context_dim, inner_dim, bias=False) self.k_norm = LLMAdapterRMSNorm(self.head_dim) self.v_proj = nn.Linear(context_dim, inner_dim, bias=False) self.o_proj = nn.Linear(inner_dim, query_dim, bias=False) def forward(self, x, mask=None, context=None, position_embeddings=None, position_embeddings_context=None): context = x if context is None else context input_shape = x.shape[:-1] q_shape = (*input_shape, self.n_heads, self.head_dim) context_shape = context.shape[:-1] kv_shape = (*context_shape, self.n_heads, self.head_dim) query_states = self.q_norm(self.q_proj(x).view(q_shape)).transpose(1, 2) key_states = self.k_norm(self.k_proj(context).view(kv_shape)).transpose(1, 2) value_states = self.v_proj(context).view(kv_shape).transpose(1, 2) if position_embeddings is not None: assert position_embeddings_context is not None cos, sin = position_embeddings query_states = _adapter_apply_rotary_pos_emb(query_states, cos, sin) cos, sin = position_embeddings_context key_states = _adapter_apply_rotary_pos_emb(key_states, cos, sin) attn_output = F.scaled_dot_product_attention(query_states, key_states, value_states, attn_mask=mask) attn_output = attn_output.transpose(1, 2).reshape(*input_shape, -1).contiguous() attn_output = self.o_proj(attn_output) return attn_output class LLMAdapterTransformerBlock(nn.Module): """Transformer block for LLM Adapter: optional self-attn + cross-attn + MLP.""" def __init__(self, source_dim, model_dim, num_heads=16, mlp_ratio=4.0, self_attn=False, layer_norm=False): super().__init__() self.has_self_attn = self_attn if self.has_self_attn: self.norm_self_attn = nn.LayerNorm(model_dim) if layer_norm else LLMAdapterRMSNorm(model_dim) self.self_attn = LLMAdapterAttention( query_dim=model_dim, context_dim=model_dim, n_heads=num_heads, head_dim=model_dim // num_heads, ) self.norm_cross_attn = nn.LayerNorm(model_dim) if layer_norm else LLMAdapterRMSNorm(model_dim) self.cross_attn = LLMAdapterAttention( query_dim=model_dim, context_dim=source_dim, n_heads=num_heads, head_dim=model_dim // num_heads, ) self.norm_mlp = nn.LayerNorm(model_dim) if layer_norm else LLMAdapterRMSNorm(model_dim) self.mlp = nn.Sequential( nn.Linear(model_dim, int(model_dim * mlp_ratio)), nn.GELU(), nn.Linear(int(model_dim * mlp_ratio), model_dim) ) def forward( self, x, context, target_attention_mask=None, source_attention_mask=None, position_embeddings=None, position_embeddings_context=None, ): if self.has_self_attn: # Self-attention: target_attention_mask is not expected to be all zeros normed = self.norm_self_attn(x) attn_out = self.self_attn( normed, mask=target_attention_mask, position_embeddings=position_embeddings, position_embeddings_context=position_embeddings, ) x = x + attn_out normed = self.norm_cross_attn(x) attn_out = self.cross_attn( normed, mask=source_attention_mask, context=context, position_embeddings=position_embeddings, position_embeddings_context=position_embeddings_context, ) x = x + attn_out x = x + self.mlp(self.norm_mlp(x)) return x def init_weights(self): torch.nn.init.zeros_(self.mlp[2].weight) class LLMAdapter(nn.Module): """Bridge module: Qwen3 embeddings (source) → T5-compatible space (target). Uses T5 token IDs as target input, embeds them, and cross-attends to Qwen3 hidden states. """ def __init__( self, source_dim, target_dim, model_dim, num_layers=6, num_heads=16, embed=None, self_attn=False, layer_norm=False ): super().__init__() if embed is not None: self.embed = nn.Embedding.from_pretrained(embed.weight) else: self.embed = nn.Embedding(32128, target_dim) if model_dim != target_dim: self.in_proj = nn.Linear(target_dim, model_dim) else: self.in_proj = nn.Identity() self.rotary_emb = AdapterRotaryEmbedding(model_dim // num_heads) self.blocks = nn.ModuleList( [ LLMAdapterTransformerBlock(source_dim, model_dim, num_heads=num_heads, self_attn=self_attn, layer_norm=layer_norm) for _ in range(num_layers) ] ) self.out_proj = nn.Linear(model_dim, target_dim) self.norm = LLMAdapterRMSNorm(target_dim) def forward(self, source_hidden_states, target_input_ids, target_attention_mask=None, source_attention_mask=None): if target_attention_mask is not None: target_attention_mask = target_attention_mask.to(torch.bool) if target_attention_mask.ndim == 2: target_attention_mask = target_attention_mask.unsqueeze(1).unsqueeze(1) if source_attention_mask is not None: source_attention_mask = source_attention_mask.to(torch.bool) if source_attention_mask.ndim == 2: source_attention_mask = source_attention_mask.unsqueeze(1).unsqueeze(1) x = self.in_proj(self.embed(target_input_ids)) context = source_hidden_states position_ids = torch.arange(x.shape[1], device=x.device).unsqueeze(0) position_ids_context = torch.arange(context.shape[1], device=x.device).unsqueeze(0) position_embeddings = self.rotary_emb(x, position_ids) position_embeddings_context = self.rotary_emb(x, position_ids_context) for block in self.blocks: x = block( x, context, target_attention_mask=target_attention_mask, source_attention_mask=source_attention_mask, position_embeddings=position_embeddings, position_embeddings_context=position_embeddings_context, ) return self.norm(self.out_proj(x)) # Not used currently, but kept for reference # def get_dit_config(state_dict, key_prefix=""): # """Derive DiT configuration from state_dict weight shapes.""" # dit_config = {} # dit_config["max_img_h"] = 512 # dit_config["max_img_w"] = 512 # dit_config["max_frames"] = 128 # concat_padding_mask = True # dit_config["in_channels"] = (state_dict["{}x_embedder.proj.1.weight".format(key_prefix)].shape[1] // 4) - int( # concat_padding_mask # ) # dit_config["out_channels"] = 16 # dit_config["patch_spatial"] = 2 # dit_config["patch_temporal"] = 1 # dit_config["model_channels"] = state_dict["{}x_embedder.proj.1.weight".format(key_prefix)].shape[0] # dit_config["concat_padding_mask"] = concat_padding_mask # dit_config["crossattn_emb_channels"] = 1024 # dit_config["pos_emb_cls"] = "rope3d" # dit_config["pos_emb_learnable"] = True # dit_config["pos_emb_interpolation"] = "crop" # dit_config["min_fps"] = 1 # dit_config["max_fps"] = 30 # dit_config["use_adaln_lora"] = True # dit_config["adaln_lora_dim"] = 256 # if dit_config["model_channels"] == 2048: # dit_config["num_blocks"] = 28 # dit_config["num_heads"] = 16 # elif dit_config["model_channels"] == 5120: # dit_config["num_blocks"] = 36 # dit_config["num_heads"] = 40 # elif dit_config["model_channels"] == 1280: # dit_config["num_blocks"] = 20 # dit_config["num_heads"] = 20 # if dit_config["in_channels"] == 16: # dit_config["extra_per_block_abs_pos_emb"] = False # dit_config["rope_h_extrapolation_ratio"] = 4.0 # dit_config["rope_w_extrapolation_ratio"] = 4.0 # dit_config["rope_t_extrapolation_ratio"] = 1.0 # elif dit_config["in_channels"] == 17: # dit_config["extra_per_block_abs_pos_emb"] = False # dit_config["rope_h_extrapolation_ratio"] = 3.0 # dit_config["rope_w_extrapolation_ratio"] = 3.0 # dit_config["rope_t_extrapolation_ratio"] = 1.0 # dit_config["extra_h_extrapolation_ratio"] = 1.0 # dit_config["extra_w_extrapolation_ratio"] = 1.0 # dit_config["extra_t_extrapolation_ratio"] = 1.0 # dit_config["rope_enable_fps_modulation"] = False # return dit_config ================================================ FILE: library/anima_train_utils.py ================================================ # Anima Training Utilities import argparse import gc import math import os import time from typing import Optional import numpy as np import torch from accelerate import Accelerator from tqdm import tqdm from PIL import Image from library.device_utils import init_ipex, clean_memory_on_device, synchronize_device from library import anima_models, anima_utils, train_util, qwen_image_autoencoder_kl init_ipex() from .utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) # Anima-specific training arguments def add_anima_training_arguments(parser: argparse.ArgumentParser): """Add Anima-specific training arguments to the parser.""" parser.add_argument( "--qwen3", type=str, default=None, help="Path to Qwen3-0.6B model (safetensors file or directory)", ) parser.add_argument( "--llm_adapter_path", type=str, default=None, help="Path to separate LLM adapter weights. If None, adapter is loaded from DiT file if present", ) parser.add_argument( "--llm_adapter_lr", type=float, default=None, help="Learning rate for LLM adapter. None=same as base LR, 0=freeze adapter", ) parser.add_argument( "--self_attn_lr", type=float, default=None, help="Learning rate for self-attention layers. None=same as base LR, 0=freeze", ) parser.add_argument( "--cross_attn_lr", type=float, default=None, help="Learning rate for cross-attention layers. None=same as base LR, 0=freeze", ) parser.add_argument( "--mlp_lr", type=float, default=None, help="Learning rate for MLP layers. None=same as base LR, 0=freeze", ) parser.add_argument( "--mod_lr", type=float, default=None, help="Learning rate for AdaLN modulation layers. None=same as base LR, 0=freeze. Note: mod layers are not included in LoRA by default.", ) parser.add_argument( "--t5_tokenizer_path", type=str, default=None, help="Path to T5 tokenizer directory. If None, uses default configs/t5_old/", ) parser.add_argument( "--qwen3_max_token_length", type=int, default=512, help="Maximum token length for Qwen3 tokenizer (default: 512)", ) parser.add_argument( "--t5_max_token_length", type=int, default=512, help="Maximum token length for T5 tokenizer (default: 512)", ) parser.add_argument( "--discrete_flow_shift", type=float, default=1.0, help="Timestep distribution shift for rectified flow training (default: 1.0)", ) parser.add_argument( "--timestep_sampling", type=str, default="sigmoid", choices=["sigma", "uniform", "sigmoid", "shift", "flux_shift"], help="Timestep sampling method (default: sigmoid (logit normal))", ) parser.add_argument( "--sigmoid_scale", type=float, default=1.0, help="Scale factor for sigmoid (logit_normal) timestep sampling (default: 1.0)", ) parser.add_argument( "--attn_mode", choices=["torch", "xformers", "flash", "sageattn", "sdpa"], # "sdpa" is for backward compatibility default=None, help="Attention implementation to use. Default is None (torch). xformers requires --split_attn. sageattn does not support training (inference only). This option overrides --xformers or --sdpa." " / 使用するAttentionの実装。デフォルトはNone（torch）です。xformersは--split_attnの指定が必要です。sageattnはトレーニングをサポートしていません（推論のみ）。このオプションは--xformersまたは--sdpaを上書きします。", ) parser.add_argument( "--split_attn", action="store_true", help="split attention computation to reduce memory usage / メモリ使用量を減らすためにattention時にバッチを分割する", ) parser.add_argument( "--vae_chunk_size", type=int, default=None, help="Spatial chunk size for VAE encoding/decoding to reduce memory usage. Must be even number. If not specified, chunking is disabled (official behavior)." + " / メモリ使用量を減らすためのVAEエンコード/デコードの空間チャンクサイズ。偶数である必要があります。未指定の場合、チャンク処理は無効になります（公式の動作）。", ) parser.add_argument( "--vae_disable_cache", action="store_true", help="Disable internal VAE caching mechanism to reduce memory usage. Encoding / decoding will also be faster, but this differs from official behavior." + " / VAEのメモリ使用量を減らすために内部のキャッシュ機構を無効にします。エンコード/デコードも速くなりますが、公式の動作とは異なります。", ) # Loss weighting def compute_loss_weighting_for_anima(weighting_scheme: str, sigmas: torch.Tensor) -> torch.Tensor: """Compute loss weighting for Anima training. Same schemes as SD3 but can add Anima-specific ones if needed in future. """ if weighting_scheme == "sigma_sqrt": weighting = (sigmas**-2.0).float() elif weighting_scheme == "cosmap": bot = 1 - 2 * sigmas + 2 * sigmas**2 weighting = 2 / (math.pi * bot) elif weighting_scheme == "none" or weighting_scheme is None: weighting = torch.ones_like(sigmas) else: weighting = torch.ones_like(sigmas) return weighting # Parameter groups (6 groups with separate LRs) def get_anima_param_groups( dit, base_lr: float, self_attn_lr: Optional[float] = None, cross_attn_lr: Optional[float] = None, mlp_lr: Optional[float] = None, mod_lr: Optional[float] = None, llm_adapter_lr: Optional[float] = None, ): """Create parameter groups for Anima training with separate learning rates. Args: dit: Anima model base_lr: Base learning rate self_attn_lr: LR for self-attention layers (None = base_lr, 0 = freeze) cross_attn_lr: LR for cross-attention layers mlp_lr: LR for MLP layers mod_lr: LR for AdaLN modulation layers llm_adapter_lr: LR for LLM adapter Returns: List of parameter group dicts for optimizer """ if self_attn_lr is None: self_attn_lr = base_lr if cross_attn_lr is None: cross_attn_lr = base_lr if mlp_lr is None: mlp_lr = base_lr if mod_lr is None: mod_lr = base_lr if llm_adapter_lr is None: llm_adapter_lr = base_lr base_params = [] self_attn_params = [] cross_attn_params = [] mlp_params = [] mod_params = [] llm_adapter_params = [] for name, p in dit.named_parameters(): # Store original name for debugging p.original_name = name if "llm_adapter" in name: llm_adapter_params.append(p) elif ".self_attn" in name: self_attn_params.append(p) elif ".cross_attn" in name: cross_attn_params.append(p) elif ".mlp" in name: mlp_params.append(p) elif ".adaln_modulation" in name: mod_params.append(p) else: base_params.append(p) logger.info(f"Parameter groups:") logger.info(f" base_params: {len(base_params)} (lr={base_lr})") logger.info(f" self_attn_params: {len(self_attn_params)} (lr={self_attn_lr})") logger.info(f" cross_attn_params: {len(cross_attn_params)} (lr={cross_attn_lr})") logger.info(f" mlp_params: {len(mlp_params)} (lr={mlp_lr})") logger.info(f" mod_params: {len(mod_params)} (lr={mod_lr})") logger.info(f" llm_adapter_params: {len(llm_adapter_params)} (lr={llm_adapter_lr})") param_groups = [] for lr, params, name in [ (base_lr, base_params, "base"), (self_attn_lr, self_attn_params, "self_attn"), (cross_attn_lr, cross_attn_params, "cross_attn"), (mlp_lr, mlp_params, "mlp"), (mod_lr, mod_params, "mod"), (llm_adapter_lr, llm_adapter_params, "llm_adapter"), ]: if lr == 0: for p in params: p.requires_grad_(False) logger.info(f" Frozen {name} params ({len(params)} parameters)") elif len(params) > 0: param_groups.append({"params": params, "lr": lr}) total_trainable = sum(p.numel() for group in param_groups for p in group["params"] if p.requires_grad) logger.info(f"Total trainable parameters: {total_trainable:,}") return param_groups # Save functions def save_anima_model_on_train_end( args: argparse.Namespace, save_dtype: torch.dtype, epoch: int, global_step: int, dit: anima_models.Anima, ): """Save Anima model at the end of training.""" def sd_saver(ckpt_file, epoch_no, global_step): sai_metadata = train_util.get_sai_model_spec_dataclass( None, args, False, False, False, is_stable_diffusion_ckpt=True, anima="preview" ).to_metadata_dict() dit_sd = dit.state_dict() # Save with 'net.' prefix for ComfyUI compatibility anima_utils.save_anima_model(ckpt_file, dit_sd, sai_metadata, save_dtype) train_util.save_sd_model_on_train_end_common(args, True, True, epoch, global_step, sd_saver, None) def save_anima_model_on_epoch_end_or_stepwise( args: argparse.Namespace, on_epoch_end: bool, accelerator: Accelerator, save_dtype: torch.dtype, epoch: int, num_train_epochs: int, global_step: int, dit: anima_models.Anima, ): """Save Anima model at epoch end or specific steps.""" def sd_saver(ckpt_file, epoch_no, global_step): sai_metadata = train_util.get_sai_model_spec_dataclass( None, args, False, False, False, is_stable_diffusion_ckpt=True, anima="preview" ).to_metadata_dict() dit_sd = dit.state_dict() anima_utils.save_anima_model(ckpt_file, dit_sd, sai_metadata, save_dtype) train_util.save_sd_model_on_epoch_end_or_stepwise_common( args, on_epoch_end, accelerator, True, True, epoch, num_train_epochs, global_step, sd_saver, None, ) # Sampling (Euler discrete for rectified flow) def do_sample( height: int, width: int, seed: Optional[int], dit: anima_models.Anima, crossattn_emb: torch.Tensor, steps: int, dtype: torch.dtype, device: torch.device, guidance_scale: float = 1.0, flow_shift: float = 3.0, neg_crossattn_emb: Optional[torch.Tensor] = None, ) -> torch.Tensor: """Generate a sample using Euler discrete sampling for rectified flow. Args: height, width: Output image dimensions seed: Random seed (None for random) dit: Anima model crossattn_emb: Cross-attention embeddings (B, N, D) steps: Number of sampling steps dtype: Compute dtype device: Compute device guidance_scale: CFG scale (1.0 = no guidance) flow_shift: Flow shift parameter for rectified flow neg_crossattn_emb: Negative cross-attention embeddings for CFG Returns: Denoised latents """ # Latent shape: (1, 16, 1, H/8, W/8) for single image latent_h = height // 8 latent_w = width // 8 latent = torch.zeros(1, 16, 1, latent_h, latent_w, device=device, dtype=dtype) # Generate noise if seed is not None: generator = torch.manual_seed(seed) else: generator = None noise = torch.randn(latent.size(), dtype=torch.float32, generator=generator, device="cpu").to(dtype).to(device) # Timestep schedule: linear from 1.0 to 0.0 sigmas = torch.linspace(1.0, 0.0, steps + 1, device=device, dtype=dtype) flow_shift = float(flow_shift) if flow_shift != 1.0: sigmas = (sigmas * flow_shift) / (1 + (flow_shift - 1) * sigmas) # Start from pure noise x = noise.clone() # Padding mask (zeros = no padding) — resized in prepare_embedded_sequence to match latent dims padding_mask = torch.zeros(1, 1, latent_h, latent_w, dtype=dtype, device=device) use_cfg = guidance_scale > 1.0 and neg_crossattn_emb is not None for i in tqdm(range(steps), desc="Sampling"): sigma = sigmas[i] t = sigma.unsqueeze(0) # (1,) if use_cfg: # CFG: two separate passes to reduce memory usage pos_out = dit(x, t, crossattn_emb, padding_mask=padding_mask) pos_out = pos_out.float() neg_out = dit(x, t, neg_crossattn_emb, padding_mask=padding_mask) neg_out = neg_out.float() model_output = neg_out + guidance_scale * (pos_out - neg_out) else: model_output = dit(x, t, crossattn_emb, padding_mask=padding_mask) model_output = model_output.float() # Euler step: x_{t-1} = x_t - (sigma_t - sigma_{t-1}) * model_output dt = sigmas[i + 1] - sigma x = x + model_output * dt x = x.to(dtype) return x def sample_images( accelerator: Accelerator, args: argparse.Namespace, epoch, steps, dit: anima_models.Anima, vae, text_encoder, tokenize_strategy, text_encoding_strategy, sample_prompts_te_outputs=None, prompt_replacement=None, ): """Generate sample images during training. This is a simplified sampler for Anima - it generates images using the current model state. """ if steps == 0: if not args.sample_at_first: return else: if args.sample_every_n_steps is None and args.sample_every_n_epochs is None: return if args.sample_every_n_epochs is not None: if epoch is None or epoch % args.sample_every_n_epochs != 0: return else: if steps % args.sample_every_n_steps != 0 or epoch is not None: return logger.info(f"Generating sample images at step {steps}") if not os.path.isfile(args.sample_prompts) and sample_prompts_te_outputs is None: logger.error(f"No prompt file: {args.sample_prompts}") return # Unwrap models dit = accelerator.unwrap_model(dit) if text_encoder is not None: text_encoder = accelerator.unwrap_model(text_encoder) dit.switch_block_swap_for_inference() prompts = train_util.load_prompts(args.sample_prompts) save_dir = os.path.join(args.output_dir, "sample") os.makedirs(save_dir, exist_ok=True) # Save RNG state rng_state = torch.get_rng_state() cuda_rng_state = None try: cuda_rng_state = torch.cuda.get_rng_state() if torch.cuda.is_available() else None except Exception: pass with torch.no_grad(), accelerator.autocast(): for prompt_dict in prompts: dit.prepare_block_swap_before_forward() _sample_image_inference( accelerator, args, dit, text_encoder, vae, tokenize_strategy, text_encoding_strategy, save_dir, prompt_dict, epoch, steps, sample_prompts_te_outputs, prompt_replacement, ) # Restore RNG state torch.set_rng_state(rng_state) if cuda_rng_state is not None: torch.cuda.set_rng_state(cuda_rng_state) dit.switch_block_swap_for_training() clean_memory_on_device(accelerator.device) def _sample_image_inference( accelerator, args, dit, text_encoder, vae: qwen_image_autoencoder_kl.AutoencoderKLQwenImage, tokenize_strategy, text_encoding_strategy, save_dir, prompt_dict, epoch, steps, sample_prompts_te_outputs, prompt_replacement, ): """Generate a single sample image.""" prompt = prompt_dict.get("prompt", "") negative_prompt = prompt_dict.get("negative_prompt", "") sample_steps = prompt_dict.get("sample_steps", 30) width = prompt_dict.get("width", 512) height = prompt_dict.get("height", 512) scale = prompt_dict.get("scale", 7.5) seed = prompt_dict.get("seed") flow_shift = prompt_dict.get("flow_shift", 3.0) if prompt_replacement is not None: prompt = prompt.replace(prompt_replacement[0], prompt_replacement[1]) if negative_prompt: negative_prompt = negative_prompt.replace(prompt_replacement[0], prompt_replacement[1]) if seed is not None: torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) # seed all CUDA devices for multi-GPU height = max(64, height - height % 16) width = max(64, width - width % 16) logger.info( f" prompt: {prompt}, size: {width}x{height}, steps: {sample_steps}, scale: {scale}, flow_shift: {flow_shift}, seed: {seed}" ) # Encode prompt def encode_prompt(prpt): if sample_prompts_te_outputs and prpt in sample_prompts_te_outputs: return sample_prompts_te_outputs[prpt] if text_encoder is not None: tokens = tokenize_strategy.tokenize(prpt) encoded = text_encoding_strategy.encode_tokens(tokenize_strategy, [text_encoder], tokens) return encoded return None encoded = encode_prompt(prompt) if encoded is None: logger.warning("Cannot encode prompt, skipping sample") return prompt_embeds, attn_mask, t5_input_ids, t5_attn_mask = encoded # Convert to tensors if numpy if isinstance(prompt_embeds, np.ndarray): prompt_embeds = torch.from_numpy(prompt_embeds).unsqueeze(0) attn_mask = torch.from_numpy(attn_mask).unsqueeze(0) t5_input_ids = torch.from_numpy(t5_input_ids).unsqueeze(0) t5_attn_mask = torch.from_numpy(t5_attn_mask).unsqueeze(0) prompt_embeds = prompt_embeds.to(accelerator.device, dtype=dit.dtype) attn_mask = attn_mask.to(accelerator.device) t5_input_ids = t5_input_ids.to(accelerator.device, dtype=torch.long) t5_attn_mask = t5_attn_mask.to(accelerator.device) # Process through LLM adapter if available if dit.use_llm_adapter: crossattn_emb = dit.llm_adapter( source_hidden_states=prompt_embeds, target_input_ids=t5_input_ids, target_attention_mask=t5_attn_mask, source_attention_mask=attn_mask, ) crossattn_emb[~t5_attn_mask.bool()] = 0 else: crossattn_emb = prompt_embeds # Encode negative prompt for CFG neg_crossattn_emb = None if scale > 1.0 and negative_prompt is not None: neg_encoded = encode_prompt(negative_prompt) if neg_encoded is not None: neg_pe, neg_am, neg_t5_ids, neg_t5_am = neg_encoded if isinstance(neg_pe, np.ndarray): neg_pe = torch.from_numpy(neg_pe).unsqueeze(0) neg_am = torch.from_numpy(neg_am).unsqueeze(0) neg_t5_ids = torch.from_numpy(neg_t5_ids).unsqueeze(0) neg_t5_am = torch.from_numpy(neg_t5_am).unsqueeze(0) neg_pe = neg_pe.to(accelerator.device, dtype=dit.dtype) neg_am = neg_am.to(accelerator.device) neg_t5_ids = neg_t5_ids.to(accelerator.device, dtype=torch.long) neg_t5_am = neg_t5_am.to(accelerator.device) if dit.use_llm_adapter: neg_crossattn_emb = dit.llm_adapter( source_hidden_states=neg_pe, target_input_ids=neg_t5_ids, target_attention_mask=neg_t5_am, source_attention_mask=neg_am, ) neg_crossattn_emb[~neg_t5_am.bool()] = 0 else: neg_crossattn_emb = neg_pe # Generate sample clean_memory_on_device(accelerator.device) latents = do_sample( height, width, seed, dit, crossattn_emb, sample_steps, dit.dtype, accelerator.device, scale, flow_shift, neg_crossattn_emb ) # Decode latents gc.collect() synchronize_device(accelerator.device) clean_memory_on_device(accelerator.device) org_vae_device = vae.device vae.to(accelerator.device) decoded = vae.decode_to_pixels(latents) vae.to(org_vae_device) clean_memory_on_device(accelerator.device) # Convert to image image = decoded.float() image = torch.clamp((image + 1.0) / 2.0, min=0.0, max=1.0)[0] # Remove temporal dim if present if image.ndim == 4: image = image[:, 0, :, :] decoded_np = 255.0 * np.moveaxis(image.cpu().numpy(), 0, 2) decoded_np = decoded_np.astype(np.uint8) image = Image.fromarray(decoded_np) ts_str = time.strftime("%Y%m%d%H%M%S", time.localtime()) num_suffix = f"e{epoch:06d}" if epoch is not None else f"{steps:06d}" seed_suffix = "" if seed is None else f"_{seed}" i = prompt_dict.get("enum", 0) img_filename = f"{'' if args.output_name is None else args.output_name + '_'}{num_suffix}_{i:02d}_{ts_str}{seed_suffix}.png" image.save(os.path.join(save_dir, img_filename)) # Log to wandb if enabled if "wandb" in [tracker.name for tracker in accelerator.trackers]: wandb_tracker = accelerator.get_tracker("wandb") import wandb wandb_tracker.log({f"sample_{i}": wandb.Image(image, caption=prompt)}, commit=False) ================================================ FILE: library/anima_utils.py ================================================ # Anima model loading/saving utilities import os from typing import Dict, List, Optional, Union import torch from safetensors.torch import load_file, save_file from accelerate.utils import set_module_tensor_to_device # kept for potential future use from accelerate import init_empty_weights from library.fp8_optimization_utils import apply_fp8_monkey_patch from library.lora_utils import load_safetensors_with_lora_and_fp8 from library import anima_models from library.safetensors_utils import WeightTransformHooks from .utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) # Original Anima high-precision keys. Kept for reference, but not used currently. # # Keys that should stay in high precision (float32/bfloat16, not quantized) # KEEP_IN_HIGH_PRECISION = ["x_embedder", "t_embedder", "t_embedding_norm", "final_layer"] FP8_OPTIMIZATION_TARGET_KEYS = ["blocks", ""] # ".embed." excludes Embedding in LLMAdapter FP8_OPTIMIZATION_EXCLUDE_KEYS = ["_embedder", "norm", "adaln", "final_layer", ".embed."] def load_anima_model( device: Union[str, torch.device], dit_path: str, attn_mode: str, split_attn: bool, loading_device: Union[str, torch.device], dit_weight_dtype: Optional[torch.dtype], fp8_scaled: bool = False, lora_weights_list: Optional[List[Dict[str, torch.Tensor]]] = None, lora_multipliers: Optional[list[float]] = None, ) -> anima_models.Anima: """ Load Anima model from the specified checkpoint. Args: device (Union[str, torch.device]): Device for optimization or merging dit_path (str): Path to the DiT model checkpoint. attn_mode (str): Attention mode to use, e.g., "torch", "flash", etc. split_attn (bool): Whether to use split attention. loading_device (Union[str, torch.device]): Device to load the model weights on. dit_weight_dtype (Optional[torch.dtype]): Data type of the DiT weights. If None, it will be loaded as is (same as the state_dict) or scaled for fp8. if not None, model weights will be casted to this dtype. fp8_scaled (bool): Whether to use fp8 scaling for the model weights. lora_weights_list (Optional[List[Dict[str, torch.Tensor]]]): LoRA weights to apply, if any. lora_multipliers (Optional[List[float]]): LoRA multipliers for the weights, if any. """ # dit_weight_dtype is None for fp8_scaled assert ( not fp8_scaled and dit_weight_dtype is not None ) or dit_weight_dtype is None, "dit_weight_dtype should be None when fp8_scaled is True" device = torch.device(device) loading_device = torch.device(loading_device) # We currently support fixed DiT config for Anima models dit_config = { "max_img_h": 512, "max_img_w": 512, "max_frames": 128, "in_channels": 16, "out_channels": 16, "patch_spatial": 2, "patch_temporal": 1, "model_channels": 2048, "concat_padding_mask": True, "crossattn_emb_channels": 1024, "pos_emb_cls": "rope3d", "pos_emb_learnable": True, "pos_emb_interpolation": "crop", "min_fps": 1, "max_fps": 30, "use_adaln_lora": True, "adaln_lora_dim": 256, "num_blocks": 28, "num_heads": 16, "extra_per_block_abs_pos_emb": False, "rope_h_extrapolation_ratio": 4.0, "rope_w_extrapolation_ratio": 4.0, "rope_t_extrapolation_ratio": 1.0, "extra_h_extrapolation_ratio": 1.0, "extra_w_extrapolation_ratio": 1.0, "extra_t_extrapolation_ratio": 1.0, "rope_enable_fps_modulation": False, "use_llm_adapter": True, "attn_mode": attn_mode, "split_attn": split_attn, } with init_empty_weights(): model = anima_models.Anima(**dit_config) if dit_weight_dtype is not None: model.to(dit_weight_dtype) # load model weights with dynamic fp8 optimization and LoRA merging if needed logger.info(f"Loading DiT model from {dit_path}, device={loading_device}") rename_hooks = WeightTransformHooks(rename_hook=lambda k: k[len("net.") :] if k.startswith("net.") else k) sd = load_safetensors_with_lora_and_fp8( model_files=dit_path, lora_weights_list=lora_weights_list, lora_multipliers=lora_multipliers, fp8_optimization=fp8_scaled, calc_device=device, move_to_device=(loading_device == device), dit_weight_dtype=dit_weight_dtype, target_keys=FP8_OPTIMIZATION_TARGET_KEYS, exclude_keys=FP8_OPTIMIZATION_EXCLUDE_KEYS, weight_transform_hooks=rename_hooks, ) if fp8_scaled: apply_fp8_monkey_patch(model, sd, use_scaled_mm=False) if loading_device.type != "cpu": # make sure all the model weights are on the loading_device logger.info(f"Moving weights to {loading_device}") for key in sd.keys(): sd[key] = sd[key].to(loading_device) missing, unexpected = model.load_state_dict(sd, strict=False, assign=True) if missing: # Filter out expected missing buffers (initialized in __init__, not saved in checkpoint) unexpected_missing = [ k for k in missing if not any(buf_name in k for buf_name in ("seq", "dim_spatial_range", "dim_temporal_range", "inv_freq")) ] if unexpected_missing: # Raise error to avoid silent failures raise RuntimeError( f"Missing keys in checkpoint: {unexpected_missing[:10]}{'...' if len(unexpected_missing) > 10 else ''}" ) missing = {} # all missing keys were expected if unexpected: # Raise error to avoid silent failures raise RuntimeError(f"Unexpected keys in checkpoint: {unexpected[:5]}{'...' if len(unexpected) > 5 else ''}") logger.info(f"Loaded DiT model from {dit_path}, unexpected missing keys: {len(missing)}, unexpected keys: {len(unexpected)}") return model def load_qwen3_tokenizer(qwen3_path: str): """Load Qwen3 tokenizer only (without the text encoder model). Args: qwen3_path: Path to either a directory with model files or a safetensors file. If a directory, loads tokenizer from it directly. If a file, uses configs/qwen3_06b/ for tokenizer config. Returns: tokenizer """ from transformers import AutoTokenizer if os.path.isdir(qwen3_path): tokenizer = AutoTokenizer.from_pretrained(qwen3_path, local_files_only=True) else: config_dir = os.path.join(os.path.dirname(os.path.dirname(__file__)), "configs", "qwen3_06b") if not os.path.exists(config_dir): raise FileNotFoundError( f"Qwen3 config directory not found at {config_dir}. " "Expected configs/qwen3_06b/ with config.json, tokenizer.json, etc. " "You can download these from the Qwen3-0.6B HuggingFace repository." ) tokenizer = AutoTokenizer.from_pretrained(config_dir, local_files_only=True) if tokenizer.pad_token is None: tokenizer.pad_token = tokenizer.eos_token return tokenizer def load_qwen3_text_encoder( qwen3_path: str, dtype: torch.dtype = torch.bfloat16, device: str = "cpu", lora_weights: Optional[List[Dict[str, torch.Tensor]]] = None, lora_multipliers: Optional[List[float]] = None, ): """Load Qwen3-0.6B text encoder. Args: qwen3_path: Path to either a directory with model files or a safetensors file dtype: Model dtype device: Device to load to Returns: (text_encoder_model, tokenizer) """ import transformers from transformers import AutoTokenizer logger.info(f"Loading Qwen3 text encoder from {qwen3_path}") if os.path.isdir(qwen3_path): # Directory with full model tokenizer = AutoTokenizer.from_pretrained(qwen3_path, local_files_only=True) model = transformers.AutoModelForCausalLM.from_pretrained(qwen3_path, torch_dtype=dtype, local_files_only=True).model else: # Single safetensors file - use configs/qwen3_06b/ for config config_dir = os.path.join(os.path.dirname(os.path.dirname(__file__)), "configs", "qwen3_06b") if not os.path.exists(config_dir): raise FileNotFoundError( f"Qwen3 config directory not found at {config_dir}. " "Expected configs/qwen3_06b/ with config.json, tokenizer.json, etc. " "You can download these from the Qwen3-0.6B HuggingFace repository." ) tokenizer = AutoTokenizer.from_pretrained(config_dir, local_files_only=True) qwen3_config = transformers.Qwen3Config.from_pretrained(config_dir, local_files_only=True) model = transformers.Qwen3ForCausalLM(qwen3_config).model # Load weights if qwen3_path.endswith(".safetensors"): if lora_weights is None: state_dict = load_file(qwen3_path, device="cpu") else: state_dict = load_safetensors_with_lora_and_fp8( model_files=qwen3_path, lora_weights_list=lora_weights, lora_multipliers=lora_multipliers, fp8_optimization=False, calc_device=device, move_to_device=True, dit_weight_dtype=None, ) else: assert lora_weights is None, "LoRA weights merging is only supported for safetensors checkpoints" state_dict = torch.load(qwen3_path, map_location="cpu", weights_only=True) # Remove 'model.' prefix if present new_sd = {} for k, v in state_dict.items(): if k.startswith("model."): new_sd[k[len("model.") :]] = v else: new_sd[k] = v info = model.load_state_dict(new_sd, strict=False) logger.info(f"Loaded Qwen3 state dict: {info}") if tokenizer.pad_token is None: tokenizer.pad_token = tokenizer.eos_token model.config.use_cache = False model = model.requires_grad_(False).to(device, dtype=dtype) logger.info(f"Loaded Qwen3 text encoder. Parameters: {sum(p.numel() for p in model.parameters()):,}") return model, tokenizer def load_t5_tokenizer(t5_tokenizer_path: Optional[str] = None): """Load T5 tokenizer for LLM Adapter target tokens. Args: t5_tokenizer_path: Optional path to T5 tokenizer directory. If None, uses default configs. """ from transformers import T5TokenizerFast if t5_tokenizer_path is not None: return T5TokenizerFast.from_pretrained(t5_tokenizer_path, local_files_only=True) # Use bundled config config_dir = os.path.join(os.path.dirname(os.path.dirname(__file__)), "configs", "t5_old") if os.path.exists(config_dir): return T5TokenizerFast( vocab_file=os.path.join(config_dir, "spiece.model"), tokenizer_file=os.path.join(config_dir, "tokenizer.json"), ) raise FileNotFoundError( f"T5 tokenizer config directory not found at {config_dir}. " "Expected configs/t5_old/ with spiece.model and tokenizer.json. " "You can download these from the google/t5-v1_1-xxl HuggingFace repository." ) def save_anima_model( save_path: str, dit_state_dict: Dict[str, torch.Tensor], metadata: Dict[str, any], dtype: Optional[torch.dtype] = None ): """Save Anima DiT model with 'net.' prefix for ComfyUI compatibility. Args: save_path: Output path (.safetensors) dit_state_dict: State dict from dit.state_dict() metadata: Metadata dict to include in the safetensors file dtype: Optional dtype to cast to before saving """ prefixed_sd = {} for k, v in dit_state_dict.items(): if dtype is not None: # v = v.to(dtype) v = v.detach().clone().to("cpu").to(dtype) # Reduce GPU memory usage during save prefixed_sd["net." + k] = v.contiguous() if metadata is None: metadata = {} metadata["format"] = "pt" # For compatibility with the official .safetensors file save_file(prefixed_sd, save_path, metadata=metadata) # safetensors.save_file cosumes a lot of memory, but Anima is small enough logger.info(f"Saved Anima model to {save_path}") ================================================ FILE: library/attention.py ================================================ # Unified attention function supporting various implementations from dataclasses import dataclass import torch from typing import Optional, Union try: import flash_attn from flash_attn.flash_attn_interface import _flash_attn_forward from flash_attn.flash_attn_interface import flash_attn_varlen_func from flash_attn.flash_attn_interface import flash_attn_func except ImportError: flash_attn = None flash_attn_varlen_func = None _flash_attn_forward = None flash_attn_func = None try: from sageattention import sageattn_varlen, sageattn except ImportError: sageattn_varlen = None sageattn = None try: import xformers.ops as xops except ImportError: xops = None @dataclass class AttentionParams: attn_mode: Optional[str] = None split_attn: bool = False img_len: Optional[int] = None attention_mask: Optional[torch.Tensor] = None seqlens: Optional[torch.Tensor] = None cu_seqlens: Optional[torch.Tensor] = None max_seqlen: Optional[int] = None @property def supports_fp32(self) -> bool: return self.attn_mode not in ["flash"] @property def requires_same_dtype(self) -> bool: return self.attn_mode in ["xformers"] @staticmethod def create_attention_params(attn_mode: Optional[str], split_attn: bool) -> "AttentionParams": return AttentionParams(attn_mode, split_attn) @staticmethod def create_attention_params_from_mask( attn_mode: Optional[str], split_attn: bool, img_len: Optional[int], attention_mask: Optional[torch.Tensor] ) -> "AttentionParams": if attention_mask is None: # No attention mask provided: assume all tokens are valid return AttentionParams(attn_mode, split_attn, None, None, None, None, None) else: # Note: attention_mask is only for text tokens, not including image tokens seqlens = attention_mask.sum(dim=1).to(torch.int32) + img_len # [B] max_seqlen = attention_mask.shape[1] + img_len if split_attn: # cu_seqlens is not needed for split attention return AttentionParams(attn_mode, split_attn, img_len, attention_mask, seqlens, None, max_seqlen) # Convert attention mask to cumulative sequence lengths for flash attention batch_size = attention_mask.shape[0] cu_seqlens = torch.zeros([2 * batch_size + 1], dtype=torch.int32, device=attention_mask.device) for i in range(batch_size): cu_seqlens[2 * i + 1] = i * max_seqlen + seqlens[i] # end of valid tokens for query cu_seqlens[2 * i + 2] = (i + 1) * max_seqlen # end of all tokens for query # Expand attention mask to include image tokens attention_mask = torch.nn.functional.pad(attention_mask, (img_len, 0), value=1) # [B, img_len + L] if attn_mode == "xformers": seqlens_list = seqlens.cpu().tolist() attention_mask = xops.fmha.attn_bias.BlockDiagonalMask.from_seqlens( seqlens_list, seqlens_list, device=attention_mask.device ) elif attn_mode == "torch": attention_mask = attention_mask[:, None, None, :].to(torch.bool) # [B, 1, 1, img_len + L] return AttentionParams(attn_mode, split_attn, img_len, attention_mask, seqlens, cu_seqlens, max_seqlen) def attention( qkv_or_q: Union[torch.Tensor, list], k: Optional[torch.Tensor] = None, v: Optional[torch.Tensor] = None, attn_params: Optional[AttentionParams] = None, drop_rate: float = 0.0, ) -> torch.Tensor: """ Compute scaled dot-product attention with variable sequence lengths. Handles batches with different sequence lengths by splitting and processing each sequence individually. Args: qkv_or_q: Query tensor [B, L, H, D]. or list of such tensors. k: Key tensor [B, L, H, D]. v: Value tensor [B, L, H, D]. attn_params: Attention parameters including mask and sequence lengths. drop_rate: Attention dropout rate. Returns: Attention output tensor [B, L, H*D]. """ if isinstance(qkv_or_q, list): q, k, v = qkv_or_q q: torch.Tensor = q qkv_or_q.clear() del qkv_or_q else: q: torch.Tensor = qkv_or_q del qkv_or_q assert k is not None and v is not None, "k and v must be provided if qkv_or_q is a tensor" if attn_params is None: attn_params = AttentionParams.create_attention_params("torch", False) # If split attn is False, attention mask is provided and all sequence lengths are same, we can trim the sequence seqlen_trimmed = False if not attn_params.split_attn and attn_params.attention_mask is not None and attn_params.seqlens is not None: if torch.all(attn_params.seqlens == attn_params.seqlens[0]): seqlen = attn_params.seqlens[0].item() q = q[:, :seqlen] k = k[:, :seqlen] v = v[:, :seqlen] max_seqlen = attn_params.max_seqlen attn_params = AttentionParams.create_attention_params(attn_params.attn_mode, False) # do not in-place modify attn_params.max_seqlen = max_seqlen # keep max_seqlen for padding seqlen_trimmed = True # Determine tensor layout based on attention implementation if attn_params.attn_mode == "torch" or ( attn_params.attn_mode == "sageattn" and (attn_params.split_attn or attn_params.cu_seqlens is None) ): transpose_fn = lambda x: x.transpose(1, 2) # [B, H, L, D] for SDPA and sageattn with fixed length # pad on sequence length dimension pad_fn = lambda x, pad_to: torch.nn.functional.pad(x, (0, 0, 0, pad_to - x.shape[-2]), value=0) else: transpose_fn = lambda x: x # [B, L, H, D] for other implementations # pad on sequence length dimension pad_fn = lambda x, pad_to: torch.nn.functional.pad(x, (0, 0, 0, 0, 0, pad_to - x.shape[-3]), value=0) # Process each batch element with its valid sequence lengths if attn_params.split_attn: if attn_params.seqlens is None: # If no seqlens provided, assume all tokens are valid attn_params = AttentionParams.create_attention_params(attn_params.attn_mode, True) # do not in-place modify attn_params.seqlens = torch.tensor([q.shape[1]] * q.shape[0], device=q.device) attn_params.max_seqlen = q.shape[1] q = [transpose_fn(q[i : i + 1, : attn_params.seqlens[i]]) for i in range(len(q))] k = [transpose_fn(k[i : i + 1, : attn_params.seqlens[i]]) for i in range(len(k))] v = [transpose_fn(v[i : i + 1, : attn_params.seqlens[i]]) for i in range(len(v))] else: q = transpose_fn(q) k = transpose_fn(k) v = transpose_fn(v) if attn_params.attn_mode == "torch": if attn_params.split_attn: x = [] for i in range(len(q)): x_i = torch.nn.functional.scaled_dot_product_attention(q[i], k[i], v[i], dropout_p=drop_rate) q[i] = None k[i] = None v[i] = None x.append(pad_fn(x_i, attn_params.max_seqlen)) # B, H, L, D x = torch.cat(x, dim=0) del q, k, v else: x = torch.nn.functional.scaled_dot_product_attention(q, k, v, attn_mask=attn_params.attention_mask, dropout_p=drop_rate) del q, k, v elif attn_params.attn_mode == "xformers": if attn_params.split_attn: x = [] for i in range(len(q)): x_i = xops.memory_efficient_attention(q[i], k[i], v[i], p=drop_rate) q[i] = None k[i] = None v[i] = None x.append(pad_fn(x_i, attn_params.max_seqlen)) # B, L, H, D x = torch.cat(x, dim=0) del q, k, v else: x = xops.memory_efficient_attention(q, k, v, attn_bias=attn_params.attention_mask, p=drop_rate) del q, k, v elif attn_params.attn_mode == "sageattn": if attn_params.split_attn: x = [] for i in range(len(q)): # HND seems to cause an error x_i = sageattn(q[i], k[i], v[i]) # B, H, L, D. No dropout support q[i] = None k[i] = None v[i] = None x.append(pad_fn(x_i, attn_params.max_seqlen)) # B, H, L, D x = torch.cat(x, dim=0) del q, k, v elif attn_params.cu_seqlens is None: # all tokens are valid x = sageattn(q, k, v) # B, L, H, D. No dropout support del q, k, v else: # Reshape to [(bxs), a, d] batch_size, seqlen = q.shape[0], q.shape[1] q = q.view(q.shape[0] * q.shape[1], *q.shape[2:]) # [B*L, H, D] k = k.view(k.shape[0] * k.shape[1], *k.shape[2:]) # [B*L, H, D] v = v.view(v.shape[0] * v.shape[1], *v.shape[2:]) # [B*L, H, D] # Assume cu_seqlens_q == cu_seqlens_kv and max_seqlen_q == max_seqlen_kv. No dropout support x = sageattn_varlen( q, k, v, attn_params.cu_seqlens, attn_params.cu_seqlens, attn_params.max_seqlen, attn_params.max_seqlen ) del q, k, v # Reshape x with shape [(bxs), a, d] to [b, s, a, d] x = x.view(batch_size, seqlen, x.shape[-2], x.shape[-1]) # B, L, H, D elif attn_params.attn_mode == "flash": if attn_params.split_attn: x = [] for i in range(len(q)): # HND seems to cause an error x_i = flash_attn_func(q[i], k[i], v[i], drop_rate) # B, L, H, D q[i] = None k[i] = None v[i] = None x.append(pad_fn(x_i, attn_params.max_seqlen)) # B, L, H, D x = torch.cat(x, dim=0) del q, k, v elif attn_params.cu_seqlens is None: # all tokens are valid x = flash_attn_func(q, k, v, drop_rate) # B, L, H, D del q, k, v else: # Reshape to [(bxs), a, d] batch_size, seqlen = q.shape[0], q.shape[1] q = q.view(q.shape[0] * q.shape[1], *q.shape[2:]) # [B*L, H, D] k = k.view(k.shape[0] * k.shape[1], *k.shape[2:]) # [B*L, H, D] v = v.view(v.shape[0] * v.shape[1], *v.shape[2:]) # [B*L, H, D] # Assume cu_seqlens_q == cu_seqlens_kv and max_seqlen_q == max_seqlen_kv x = flash_attn_varlen_func( q, k, v, attn_params.cu_seqlens, attn_params.cu_seqlens, attn_params.max_seqlen, attn_params.max_seqlen, drop_rate ) del q, k, v # Reshape x with shape [(bxs), a, d] to [b, s, a, d] x = x.view(batch_size, seqlen, x.shape[-2], x.shape[-1]) # B, L, H, D else: # Currently only PyTorch SDPA and xformers are implemented raise ValueError(f"Unsupported attention mode: {attn_params.attn_mode}") x = transpose_fn(x) # [B, L, H, D] x = x.reshape(x.shape[0], x.shape[1], -1) # [B, L, H*D] if seqlen_trimmed: x = torch.nn.functional.pad(x, (0, 0, 0, attn_params.max_seqlen - x.shape[1]), value=0) # pad back to max_seqlen return x ================================================ FILE: library/attention_processors.py ================================================ import math from typing import Any from einops import rearrange import torch from diffusers.models.attention_processor import Attention # flash attention forwards and backwards # https://arxiv.org/abs/2205.14135 EPSILON = 1e-6 class FlashAttentionFunction(torch.autograd.function.Function): @staticmethod @torch.no_grad() def forward(ctx, q, k, v, mask, causal, q_bucket_size, k_bucket_size): """Algorithm 2 in the paper""" device = q.device dtype = q.dtype max_neg_value = -torch.finfo(q.dtype).max qk_len_diff = max(k.shape[-2] - q.shape[-2], 0) o = torch.zeros_like(q) all_row_sums = torch.zeros((*q.shape[:-1], 1), dtype=dtype, device=device) all_row_maxes = torch.full( (*q.shape[:-1], 1), max_neg_value, dtype=dtype, device=device ) scale = q.shape[-1] ** -0.5 if mask is None: mask = (None,) * math.ceil(q.shape[-2] / q_bucket_size) else: mask = rearrange(mask, "b n -> b 1 1 n") mask = mask.split(q_bucket_size, dim=-1) row_splits = zip( q.split(q_bucket_size, dim=-2), o.split(q_bucket_size, dim=-2), mask, all_row_sums.split(q_bucket_size, dim=-2), all_row_maxes.split(q_bucket_size, dim=-2), ) for ind, (qc, oc, row_mask, row_sums, row_maxes) in enumerate(row_splits): q_start_index = ind * q_bucket_size - qk_len_diff col_splits = zip( k.split(k_bucket_size, dim=-2), v.split(k_bucket_size, dim=-2), ) for k_ind, (kc, vc) in enumerate(col_splits): k_start_index = k_ind * k_bucket_size attn_weights = ( torch.einsum("... i d, ... j d -> ... i j", qc, kc) * scale ) if row_mask is not None: attn_weights.masked_fill_(~row_mask, max_neg_value) if causal and q_start_index < (k_start_index + k_bucket_size - 1): causal_mask = torch.ones( (qc.shape[-2], kc.shape[-2]), dtype=torch.bool, device=device ).triu(q_start_index - k_start_index + 1) attn_weights.masked_fill_(causal_mask, max_neg_value) block_row_maxes = attn_weights.amax(dim=-1, keepdims=True) attn_weights -= block_row_maxes exp_weights = torch.exp(attn_weights) if row_mask is not None: exp_weights.masked_fill_(~row_mask, 0.0) block_row_sums = exp_weights.sum(dim=-1, keepdims=True).clamp( min=EPSILON ) new_row_maxes = torch.maximum(block_row_maxes, row_maxes) exp_values = torch.einsum( "... i j, ... j d -> ... i d", exp_weights, vc ) exp_row_max_diff = torch.exp(row_maxes - new_row_maxes) exp_block_row_max_diff = torch.exp(block_row_maxes - new_row_maxes) new_row_sums = ( exp_row_max_diff * row_sums + exp_block_row_max_diff * block_row_sums ) oc.mul_((row_sums / new_row_sums) * exp_row_max_diff).add_( (exp_block_row_max_diff / new_row_sums) * exp_values ) row_maxes.copy_(new_row_maxes) row_sums.copy_(new_row_sums) ctx.args = (causal, scale, mask, q_bucket_size, k_bucket_size) ctx.save_for_backward(q, k, v, o, all_row_sums, all_row_maxes) return o @staticmethod @torch.no_grad() def backward(ctx, do): """Algorithm 4 in the paper""" causal, scale, mask, q_bucket_size, k_bucket_size = ctx.args q, k, v, o, l, m = ctx.saved_tensors device = q.device max_neg_value = -torch.finfo(q.dtype).max qk_len_diff = max(k.shape[-2] - q.shape[-2], 0) dq = torch.zeros_like(q) dk = torch.zeros_like(k) dv = torch.zeros_like(v) row_splits = zip( q.split(q_bucket_size, dim=-2), o.split(q_bucket_size, dim=-2), do.split(q_bucket_size, dim=-2), mask, l.split(q_bucket_size, dim=-2), m.split(q_bucket_size, dim=-2), dq.split(q_bucket_size, dim=-2), ) for ind, (qc, oc, doc, row_mask, lc, mc, dqc) in enumerate(row_splits): q_start_index = ind * q_bucket_size - qk_len_diff col_splits = zip( k.split(k_bucket_size, dim=-2), v.split(k_bucket_size, dim=-2), dk.split(k_bucket_size, dim=-2), dv.split(k_bucket_size, dim=-2), ) for k_ind, (kc, vc, dkc, dvc) in enumerate(col_splits): k_start_index = k_ind * k_bucket_size attn_weights = ( torch.einsum("... i d, ... j d -> ... i j", qc, kc) * scale ) if causal and q_start_index < (k_start_index + k_bucket_size - 1): causal_mask = torch.ones( (qc.shape[-2], kc.shape[-2]), dtype=torch.bool, device=device ).triu(q_start_index - k_start_index + 1) attn_weights.masked_fill_(causal_mask, max_neg_value) exp_attn_weights = torch.exp(attn_weights - mc) if row_mask is not None: exp_attn_weights.masked_fill_(~row_mask, 0.0) p = exp_attn_weights / lc dv_chunk = torch.einsum("... i j, ... i d -> ... j d", p, doc) dp = torch.einsum("... i d, ... j d -> ... i j", doc, vc) D = (doc * oc).sum(dim=-1, keepdims=True) ds = p * scale * (dp - D) dq_chunk = torch.einsum("... i j, ... j d -> ... i d", ds, kc) dk_chunk = torch.einsum("... i j, ... i d -> ... j d", ds, qc) dqc.add_(dq_chunk) dkc.add_(dk_chunk) dvc.add_(dv_chunk) return dq, dk, dv, None, None, None, None class FlashAttnProcessor: def __call__( self, attn: Attention, hidden_states, encoder_hidden_states=None, attention_mask=None, ) -> Any: q_bucket_size = 512 k_bucket_size = 1024 h = attn.heads q = attn.to_q(hidden_states) encoder_hidden_states = ( encoder_hidden_states if encoder_hidden_states is not None else hidden_states ) encoder_hidden_states = encoder_hidden_states.to(hidden_states.dtype) if hasattr(attn, "hypernetwork") and attn.hypernetwork is not None: context_k, context_v = attn.hypernetwork.forward( hidden_states, encoder_hidden_states ) context_k = context_k.to(hidden_states.dtype) context_v = context_v.to(hidden_states.dtype) else: context_k = encoder_hidden_states context_v = encoder_hidden_states k = attn.to_k(context_k) v = attn.to_v(context_v) del encoder_hidden_states, hidden_states q, k, v = map(lambda t: rearrange(t, "b n (h d) -> b h n d", h=h), (q, k, v)) out = FlashAttentionFunction.apply( q, k, v, attention_mask, False, q_bucket_size, k_bucket_size ) out = rearrange(out, "b h n d -> b n (h d)") out = attn.to_out[0](out) out = attn.to_out[1](out) return out ================================================ FILE: library/chroma_models.py ================================================ # copy from the official repo: https://github.com/lodestone-rock/flow/blob/master/src/models/chroma/model.py # and modified # licensed under Apache License 2.0 import math from dataclasses import dataclass import torch from einops import rearrange from torch import Tensor, nn import torch.nn.functional as F import torch.utils.checkpoint as ckpt from .flux_models import attention, rope, apply_rope, EmbedND, timestep_embedding, MLPEmbedder, RMSNorm, QKNorm, SelfAttention, Flux from . import custom_offloading_utils def distribute_modulations(tensor: torch.Tensor, depth_single_blocks, depth_double_blocks): """ Distributes slices of the tensor into the block_dict as ModulationOut objects. Args: tensor (torch.Tensor): Input tensor with shape [batch_size, vectors, dim]. """ batch_size, vectors, dim = tensor.shape block_dict = {} # HARD CODED VALUES! lookup table for the generated vectors # TODO: move this into chroma config! # Add 38 single mod blocks for i in range(depth_single_blocks): key = f"single_blocks.{i}.modulation.lin" block_dict[key] = None # Add 19 image double blocks for i in range(depth_double_blocks): key = f"double_blocks.{i}.img_mod.lin" block_dict[key] = None # Add 19 text double blocks for i in range(depth_double_blocks): key = f"double_blocks.{i}.txt_mod.lin" block_dict[key] = None # Add the final layer block_dict["final_layer.adaLN_modulation.1"] = None # 6.2b version # block_dict["lite_double_blocks.4.img_mod.lin"] = None # block_dict["lite_double_blocks.4.txt_mod.lin"] = None idx = 0 # Index to keep track of the vector slices for key in block_dict.keys(): if "single_blocks" in key: # Single block: 1 ModulationOut block_dict[key] = ModulationOut( shift=tensor[:, idx : idx + 1, :], scale=tensor[:, idx + 1 : idx + 2, :], gate=tensor[:, idx + 2 : idx + 3, :], ) idx += 3 # Advance by 3 vectors elif "img_mod" in key: # Double block: List of 2 ModulationOut double_block = [] for _ in range(2): # Create 2 ModulationOut objects double_block.append( ModulationOut( shift=tensor[:, idx : idx + 1, :], scale=tensor[:, idx + 1 : idx + 2, :], gate=tensor[:, idx + 2 : idx + 3, :], ) ) idx += 3 # Advance by 3 vectors per ModulationOut block_dict[key] = double_block elif "txt_mod" in key: # Double block: List of 2 ModulationOut double_block = [] for _ in range(2): # Create 2 ModulationOut objects double_block.append( ModulationOut( shift=tensor[:, idx : idx + 1, :], scale=tensor[:, idx + 1 : idx + 2, :], gate=tensor[:, idx + 2 : idx + 3, :], ) ) idx += 3 # Advance by 3 vectors per ModulationOut block_dict[key] = double_block elif "final_layer" in key: # Final layer: 1 ModulationOut block_dict[key] = [ tensor[:, idx : idx + 1, :], tensor[:, idx + 1 : idx + 2, :], ] idx += 2 # Advance by 3 vectors return block_dict class Approximator(nn.Module): def __init__(self, in_dim: int, out_dim: int, hidden_dim: int, n_layers=4): super().__init__() self.in_proj = nn.Linear(in_dim, hidden_dim, bias=True) self.layers = nn.ModuleList([MLPEmbedder(hidden_dim, hidden_dim) for x in range(n_layers)]) self.norms = nn.ModuleList([RMSNorm(hidden_dim) for x in range(n_layers)]) self.out_proj = nn.Linear(hidden_dim, out_dim) @property def device(self): # Get the device of the module (assumes all parameters are on the same device) return next(self.parameters()).device def enable_gradient_checkpointing(self): for layer in self.layers: layer.enable_gradient_checkpointing() def disable_gradient_checkpointing(self): for layer in self.layers: layer.disable_gradient_checkpointing() def forward(self, x: Tensor) -> Tensor: x = self.in_proj(x) for layer, norms in zip(self.layers, self.norms): x = x + layer(norms(x)) x = self.out_proj(x) return x @dataclass class ModulationOut: shift: Tensor scale: Tensor gate: Tensor def _modulation_shift_scale_fn(x, scale, shift): return (1 + scale) * x + shift def _modulation_gate_fn(x, gate, gate_params): return x + gate * gate_params class DoubleStreamBlock(nn.Module): def __init__( self, hidden_size: int, num_heads: int, mlp_ratio: float, qkv_bias: bool = False, ): super().__init__() mlp_hidden_dim = int(hidden_size * mlp_ratio) self.num_heads = num_heads self.hidden_size = hidden_size self.img_norm1 = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.img_attn = SelfAttention( dim=hidden_size, num_heads=num_heads, qkv_bias=qkv_bias, ) self.img_norm2 = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.img_mlp = nn.Sequential( nn.Linear(hidden_size, mlp_hidden_dim, bias=True), nn.GELU(approximate="tanh"), nn.Linear(mlp_hidden_dim, hidden_size, bias=True), ) self.txt_norm1 = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.txt_attn = SelfAttention( dim=hidden_size, num_heads=num_heads, qkv_bias=qkv_bias, ) self.txt_norm2 = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.txt_mlp = nn.Sequential( nn.Linear(hidden_size, mlp_hidden_dim, bias=True), nn.GELU(approximate="tanh"), nn.Linear(mlp_hidden_dim, hidden_size, bias=True), ) self.gradient_checkpointing = False @property def device(self): # Get the device of the module (assumes all parameters are on the same device) return next(self.parameters()).device def modulation_shift_scale_fn(self, x, scale, shift): return _modulation_shift_scale_fn(x, scale, shift) def modulation_gate_fn(self, x, gate, gate_params): return _modulation_gate_fn(x, gate, gate_params) def enable_gradient_checkpointing(self): self.gradient_checkpointing = True def disable_gradient_checkpointing(self): self.gradient_checkpointing = False def _forward( self, img: Tensor, txt: Tensor, pe: list[Tensor], distill_vec: list[ModulationOut], txt_seq_len: Tensor, ) -> tuple[Tensor, Tensor]: (img_mod1, img_mod2), (txt_mod1, txt_mod2) = distill_vec # prepare image for attention img_modulated = self.img_norm1(img) # replaced with compiled fn # img_modulated = (1 + img_mod1.scale) * img_modulated + img_mod1.shift img_modulated = self.modulation_shift_scale_fn(img_modulated, img_mod1.scale, img_mod1.shift) img_qkv = self.img_attn.qkv(img_modulated) del img_modulated img_q, img_k, img_v = rearrange(img_qkv, "B L (K H D) -> K B H L D", K=3, H=self.num_heads) del img_qkv img_q, img_k = self.img_attn.norm(img_q, img_k, img_v) # prepare txt for attention txt_modulated = self.txt_norm1(txt) # replaced with compiled fn # txt_modulated = (1 + txt_mod1.scale) * txt_modulated + txt_mod1.shift txt_modulated = self.modulation_shift_scale_fn(txt_modulated, txt_mod1.scale, txt_mod1.shift) txt_qkv = self.txt_attn.qkv(txt_modulated) del txt_modulated txt_q, txt_k, txt_v = rearrange(txt_qkv, "B L (K H D) -> K B H L D", K=3, H=self.num_heads) del txt_qkv txt_q, txt_k = self.txt_attn.norm(txt_q, txt_k, txt_v) # run actual attention: we split the batch into each element max_txt_len = torch.max(txt_seq_len).item() img_len = img_q.shape[-2] # max 64 txt_q = list(torch.chunk(txt_q, txt_q.shape[0], dim=0)) # list of [B, H, L, D] tensors txt_k = list(torch.chunk(txt_k, txt_k.shape[0], dim=0)) txt_v = list(torch.chunk(txt_v, txt_v.shape[0], dim=0)) img_q = list(torch.chunk(img_q, img_q.shape[0], dim=0)) img_k = list(torch.chunk(img_k, img_k.shape[0], dim=0)) img_v = list(torch.chunk(img_v, img_v.shape[0], dim=0)) txt_attn = [] img_attn = [] for i in range(txt.shape[0]): txt_q[i] = txt_q[i][:, :, : txt_seq_len[i]] q = torch.cat((img_q[i], txt_q[i]), dim=2) txt_q[i] = None img_q[i] = None txt_k[i] = txt_k[i][:, :, : txt_seq_len[i]] k = torch.cat((img_k[i], txt_k[i]), dim=2) txt_k[i] = None img_k[i] = None txt_v[i] = txt_v[i][:, :, : txt_seq_len[i]] v = torch.cat((img_v[i], txt_v[i]), dim=2) txt_v[i] = None img_v[i] = None attn = attention(q, k, v, pe=pe[i : i + 1, :, : q.shape[2]], attn_mask=None) # attn = (1, L, D) del q, k, v img_attn_i = attn[:, :img_len, :] txt_attn_i = torch.zeros((1, max_txt_len, attn.shape[-1]), dtype=attn.dtype, device=self.device) txt_attn_i[:, : txt_seq_len[i], :] = attn[:, img_len:, :] del attn txt_attn.append(txt_attn_i) img_attn.append(img_attn_i) txt_attn = torch.cat(txt_attn, dim=0) img_attn = torch.cat(img_attn, dim=0) # q = torch.cat((txt_q, img_q), dim=2) # k = torch.cat((txt_k, img_k), dim=2) # v = torch.cat((txt_v, img_v), dim=2) # attn = attention(q, k, v, pe=pe, attn_mask=mask) # txt_attn, img_attn = attn[:, : txt.shape[1]], attn[:, txt.shape[1] :] # calculate the img blocks # replaced with compiled fn # img = img + img_mod1.gate * self.img_attn.proj(img_attn) # img = img + img_mod2.gate * self.img_mlp((1 + img_mod2.scale) * self.img_norm2(img) + img_mod2.shift) img = self.modulation_gate_fn(img, img_mod1.gate, self.img_attn.proj(img_attn)) del img_attn, img_mod1 img = self.modulation_gate_fn( img, img_mod2.gate, self.img_mlp(self.modulation_shift_scale_fn(self.img_norm2(img), img_mod2.scale, img_mod2.shift)), ) del img_mod2 # calculate the txt blocks # replaced with compiled fn # txt = txt + txt_mod1.gate * self.txt_attn.proj(txt_attn) # txt = txt + txt_mod2.gate * self.txt_mlp((1 + txt_mod2.scale) * self.txt_norm2(txt) + txt_mod2.shift) txt = self.modulation_gate_fn(txt, txt_mod1.gate, self.txt_attn.proj(txt_attn)) del txt_attn, txt_mod1 txt = self.modulation_gate_fn( txt, txt_mod2.gate, self.txt_mlp(self.modulation_shift_scale_fn(self.txt_norm2(txt), txt_mod2.scale, txt_mod2.shift)), ) del txt_mod2 return img, txt def forward( self, img: Tensor, txt: Tensor, pe: Tensor, distill_vec: list[ModulationOut], txt_seq_len: Tensor, ) -> tuple[Tensor, Tensor]: if self.training and self.gradient_checkpointing: return ckpt.checkpoint(self._forward, img, txt, pe, distill_vec, txt_seq_len, use_reentrant=False) else: return self._forward(img, txt, pe, distill_vec, txt_seq_len) class SingleStreamBlock(nn.Module): """ A DiT block with parallel linear layers as described in https://arxiv.org/abs/2302.05442 and adapted modulation interface. """ def __init__( self, hidden_size: int, num_heads: int, mlp_ratio: float = 4.0, qk_scale: float | None = None, ): super().__init__() self.hidden_dim = hidden_size self.num_heads = num_heads head_dim = hidden_size // num_heads self.scale = qk_scale or head_dim**-0.5 self.mlp_hidden_dim = int(hidden_size * mlp_ratio) # qkv and mlp_in self.linear1 = nn.Linear(hidden_size, hidden_size * 3 + self.mlp_hidden_dim) # proj and mlp_out self.linear2 = nn.Linear(hidden_size + self.mlp_hidden_dim, hidden_size) self.norm = QKNorm(head_dim) self.hidden_size = hidden_size self.pre_norm = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.mlp_act = nn.GELU(approximate="tanh") self.gradient_checkpointing = False @property def device(self): # Get the device of the module (assumes all parameters are on the same device) return next(self.parameters()).device def modulation_shift_scale_fn(self, x, scale, shift): return _modulation_shift_scale_fn(x, scale, shift) def modulation_gate_fn(self, x, gate, gate_params): return _modulation_gate_fn(x, gate, gate_params) def enable_gradient_checkpointing(self): self.gradient_checkpointing = True def disable_gradient_checkpointing(self): self.gradient_checkpointing = False def _forward(self, x: Tensor, pe: list[Tensor], distill_vec: list[ModulationOut], txt_seq_len: Tensor) -> Tensor: mod = distill_vec # replaced with compiled fn # x_mod = (1 + mod.scale) * self.pre_norm(x) + mod.shift x_mod = self.modulation_shift_scale_fn(self.pre_norm(x), mod.scale, mod.shift) qkv, mlp = torch.split(self.linear1(x_mod), [3 * self.hidden_size, self.mlp_hidden_dim], dim=-1) del x_mod q, k, v = rearrange(qkv, "B L (K H D) -> K B H L D", K=3, H=self.num_heads) del qkv q, k = self.norm(q, k, v) # # compute attention # attn = attention(q, k, v, pe=pe, attn_mask=mask) # compute attention: we split the batch into each element max_txt_len = torch.max(txt_seq_len).item() img_len = q.shape[-2] - max_txt_len q = list(torch.chunk(q, q.shape[0], dim=0)) k = list(torch.chunk(k, k.shape[0], dim=0)) v = list(torch.chunk(v, v.shape[0], dim=0)) attn = [] for i in range(x.size(0)): q[i] = q[i][:, :, : img_len + txt_seq_len[i]] k[i] = k[i][:, :, : img_len + txt_seq_len[i]] v[i] = v[i][:, :, : img_len + txt_seq_len[i]] attn_trimmed = attention(q[i], k[i], v[i], pe=pe[i : i + 1, :, : img_len + txt_seq_len[i]], attn_mask=None) q[i] = None k[i] = None v[i] = None attn_i = torch.zeros((1, x.shape[1], attn_trimmed.shape[-1]), dtype=attn_trimmed.dtype, device=self.device) attn_i[:, : img_len + txt_seq_len[i], :] = attn_trimmed del attn_trimmed attn.append(attn_i) attn = torch.cat(attn, dim=0) # compute activation in mlp stream, cat again and run second linear layer mlp = self.mlp_act(mlp) output = self.linear2(torch.cat((attn, mlp), 2)) del attn, mlp # replaced with compiled fn # return x + mod.gate * output return self.modulation_gate_fn(x, mod.gate, output) def forward(self, x: Tensor, pe: Tensor, distill_vec: list[ModulationOut], txt_seq_len: Tensor) -> Tensor: if self.training and self.gradient_checkpointing: return ckpt.checkpoint(self._forward, x, pe, distill_vec, txt_seq_len, use_reentrant=False) else: return self._forward(x, pe, distill_vec, txt_seq_len) class LastLayer(nn.Module): def __init__( self, hidden_size: int, patch_size: int, out_channels: int, ): super().__init__() self.norm_final = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.linear = nn.Linear(hidden_size, patch_size * patch_size * out_channels, bias=True) @property def device(self): # Get the device of the module (assumes all parameters are on the same device) return next(self.parameters()).device def modulation_shift_scale_fn(self, x, scale, shift): return _modulation_shift_scale_fn(x, scale, shift) def forward(self, x: Tensor, distill_vec: list[Tensor]) -> Tensor: shift, scale = distill_vec shift = shift.squeeze(1) scale = scale.squeeze(1) # replaced with compiled fn # x = (1 + scale[:, None, :]) * self.norm_final(x) + shift[:, None, :] x = self.modulation_shift_scale_fn(self.norm_final(x), scale[:, None, :], shift[:, None, :]) x = self.linear(x) return x @dataclass class ChromaParams: in_channels: int context_in_dim: int hidden_size: int mlp_ratio: float num_heads: int depth: int depth_single_blocks: int axes_dim: list[int] theta: int qkv_bias: bool guidance_embed: bool approximator_in_dim: int approximator_depth: int approximator_hidden_size: int _use_compiled: bool chroma_params = ChromaParams( in_channels=64, context_in_dim=4096, hidden_size=3072, mlp_ratio=4.0, num_heads=24, depth=19, depth_single_blocks=38, axes_dim=[16, 56, 56], theta=10_000, qkv_bias=True, guidance_embed=True, approximator_in_dim=64, approximator_depth=5, approximator_hidden_size=5120, _use_compiled=False, ) def modify_mask_to_attend_padding(mask, max_seq_length, num_extra_padding=8): """ Modifies attention mask to allow attention to a few extra padding tokens. Args: mask: Original attention mask (1 for tokens to attend to, 0 for masked tokens) max_seq_length: Maximum sequence length of the model num_extra_padding: Number of padding tokens to unmask Returns: Modified mask """ # Get the actual sequence length from the mask seq_length = mask.sum(dim=-1) batch_size = mask.shape[0] modified_mask = mask.clone() for i in range(batch_size): current_seq_len = int(seq_length[i].item()) # Only add extra padding tokens if there's room if current_seq_len < max_seq_length: # Calculate how many padding tokens we can unmask available_padding = max_seq_length - current_seq_len tokens_to_unmask = min(num_extra_padding, available_padding) # Unmask the specified number of padding tokens right after the sequence modified_mask[i, current_seq_len : current_seq_len + tokens_to_unmask] = 1 return modified_mask class Chroma(Flux): """ Transformer model for flow matching on sequences. """ def __init__(self, params: ChromaParams): nn.Module.__init__(self) self.params = params self.in_channels = params.in_channels self.out_channels = self.in_channels if params.hidden_size % params.num_heads != 0: raise ValueError(f"Hidden size {params.hidden_size} must be divisible by num_heads {params.num_heads}") pe_dim = params.hidden_size // params.num_heads if sum(params.axes_dim) != pe_dim: raise ValueError(f"Got {params.axes_dim} but expected positional dim {pe_dim}") self.hidden_size = params.hidden_size self.num_heads = params.num_heads self.pe_embedder = EmbedND(dim=pe_dim, theta=params.theta, axes_dim=params.axes_dim) self.img_in = nn.Linear(self.in_channels, self.hidden_size, bias=True) # TODO: need proper mapping for this approximator output! # currently the mapping is hardcoded in distribute_modulations function self.distilled_guidance_layer = Approximator( params.approximator_in_dim, self.hidden_size, params.approximator_hidden_size, params.approximator_depth, ) self.txt_in = nn.Linear(params.context_in_dim, self.hidden_size) self.double_blocks = nn.ModuleList( [ DoubleStreamBlock( self.hidden_size, self.num_heads, mlp_ratio=params.mlp_ratio, qkv_bias=params.qkv_bias, ) for _ in range(params.depth) ] ) self.single_blocks = nn.ModuleList( [ SingleStreamBlock( self.hidden_size, self.num_heads, mlp_ratio=params.mlp_ratio, ) for _ in range(params.depth_single_blocks) ] ) self.final_layer = LastLayer( self.hidden_size, 1, self.out_channels, ) # TODO: move this hardcoded value to config # single layer has 3 modulation vectors # double layer has 6 modulation vectors for each expert # final layer has 2 modulation vectors self.mod_index_length = 3 * params.depth_single_blocks + 2 * 6 * params.depth + 2 self.depth_single_blocks = params.depth_single_blocks self.depth_double_blocks = params.depth # self.mod_index = torch.tensor(list(range(self.mod_index_length)), device=0) self.register_buffer( "mod_index", torch.tensor(list(range(self.mod_index_length)), device="cpu"), persistent=False, ) self.approximator_in_dim = params.approximator_in_dim self.blocks_to_swap = None self.offloader_double = None self.offloader_single = None self.num_double_blocks = len(self.double_blocks) self.num_single_blocks = len(self.single_blocks) # Initialize properties required by Flux parent class self.gradient_checkpointing = False self.cpu_offload_checkpointing = False def get_model_type(self) -> str: return "chroma" def enable_gradient_checkpointing(self, cpu_offload: bool = False): self.gradient_checkpointing = True self.cpu_offload_checkpointing = cpu_offload self.distilled_guidance_layer.enable_gradient_checkpointing() for block in self.double_blocks + self.single_blocks: block.enable_gradient_checkpointing() print(f"Chroma: Gradient checkpointing enabled.") def disable_gradient_checkpointing(self): self.gradient_checkpointing = False self.cpu_offload_checkpointing = False self.distilled_guidance_layer.disable_gradient_checkpointing() for block in self.double_blocks + self.single_blocks: block.disable_gradient_checkpointing() print("Chroma: Gradient checkpointing disabled.") def get_mod_vectors(self, timesteps: Tensor, guidance: Tensor | None = None, batch_size: int | None = None) -> Tensor: # We extract this logic from forward to clarify the propagation of the gradients # original comment: https://github.com/lodestone-rock/flow/blob/c76f63058980d0488826936025889e256a2e0458/src/models/chroma/model.py#L195 # print(f"Chroma get_input_vec: timesteps {timesteps}, guidance: {guidance}, batch_size: {batch_size}") distill_timestep = timestep_embedding(timesteps, self.approximator_in_dim // 4) # TODO: need to add toggle to omit this from schnell but that's not a priority distil_guidance = timestep_embedding(guidance, self.approximator_in_dim // 4) # get all modulation index modulation_index = timestep_embedding(self.mod_index, self.approximator_in_dim // 2) # we need to broadcast the modulation index here so each batch has all of the index modulation_index = modulation_index.unsqueeze(0).repeat(batch_size, 1, 1) # and we need to broadcast timestep and guidance along too timestep_guidance = torch.cat([distill_timestep, distil_guidance], dim=1).unsqueeze(1).repeat(1, self.mod_index_length, 1) # then and only then we could concatenate it together input_vec = torch.cat([timestep_guidance, modulation_index], dim=-1) mod_vectors = self.distilled_guidance_layer(input_vec) return mod_vectors def forward( self, img: Tensor, img_ids: Tensor, txt: Tensor, txt_ids: Tensor, timesteps: Tensor, y: Tensor, block_controlnet_hidden_states=None, block_controlnet_single_hidden_states=None, guidance: Tensor | None = None, txt_attention_mask: Tensor | None = None, attn_padding: int = 1, mod_vectors: Tensor | None = None, ) -> Tensor: # print( # f"Chroma forward: img shape {img.shape}, txt shape {txt.shape}, img_ids shape {img_ids.shape}, txt_ids shape {txt_ids.shape}" # ) # print(f"input_vec shape: {input_vec.shape if input_vec is not None else 'None'}") # print(f"timesteps: {timesteps}, guidance: {guidance}") if img.ndim != 3 or txt.ndim != 3: raise ValueError("Input img and txt tensors must have 3 dimensions.") # running on sequences img img = self.img_in(img) txt = self.txt_in(txt) if mod_vectors is None: # fallback to the original logic with torch.no_grad(): mod_vectors = self.get_mod_vectors(timesteps, guidance, img.shape[0]) mod_vectors_dict = distribute_modulations(mod_vectors, self.depth_single_blocks, self.depth_double_blocks) # calculate text length for each batch instead of masking txt_emb_len = txt.shape[1] txt_seq_len = txt_attention_mask[:, :txt_emb_len].sum(dim=-1).to(torch.int64) # (batch_size, ) txt_seq_len = torch.clip(txt_seq_len + attn_padding, 0, txt_emb_len) max_txt_len = torch.max(txt_seq_len).item() # max text length in the batch # print(f"max_txt_len: {max_txt_len}, txt_seq_len: {txt_seq_len}") # trim txt embedding to the text length txt = txt[:, :max_txt_len, :] # create positional encoding for the text and image ids = torch.cat((img_ids, txt_ids[:, :max_txt_len]), dim=1) # reverse order of ids for faster attention pe = self.pe_embedder(ids) # B, 1, seq_length, 64, 2, 2 for i, block in enumerate(self.double_blocks): if self.blocks_to_swap: self.offloader_double.wait_for_block(i) # the guidance replaced by FFN output img_mod = mod_vectors_dict.pop(f"double_blocks.{i}.img_mod.lin") txt_mod = mod_vectors_dict.pop(f"double_blocks.{i}.txt_mod.lin") double_mod = [img_mod, txt_mod] del img_mod, txt_mod img, txt = block(img=img, txt=txt, pe=pe, distill_vec=double_mod, txt_seq_len=txt_seq_len) del double_mod if self.blocks_to_swap: self.offloader_double.submit_move_blocks(self.double_blocks, i) img = torch.cat((img, txt), 1) del txt for i, block in enumerate(self.single_blocks): if self.blocks_to_swap: self.offloader_single.wait_for_block(i) single_mod = mod_vectors_dict.pop(f"single_blocks.{i}.modulation.lin") img = block(img, pe=pe, distill_vec=single_mod, txt_seq_len=txt_seq_len) del single_mod if self.blocks_to_swap: self.offloader_single.submit_move_blocks(self.single_blocks, i) img = img[:, :-max_txt_len, ...] final_mod = mod_vectors_dict["final_layer.adaLN_modulation.1"] img = self.final_layer(img, distill_vec=final_mod) # (N, T, patch_size ** 2 * out_channels) return img ================================================ FILE: library/config_util.py ================================================ import argparse from dataclasses import ( asdict, dataclass, ) import functools import random from textwrap import dedent, indent import json from pathlib import Path # from toolz import curry from typing import Dict, List, Optional, Sequence, Tuple, Union import toml import voluptuous from voluptuous import ( Any, ExactSequence, MultipleInvalid, Object, Required, Schema, ) from transformers import CLIPTokenizer from . import train_util from .train_util import ( DreamBoothSubset, FineTuningSubset, ControlNetSubset, DreamBoothDataset, FineTuningDataset, ControlNetDataset, DatasetGroup, ) from .utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) def add_config_arguments(parser: argparse.ArgumentParser): parser.add_argument( "--dataset_config", type=Path, default=None, help="config file for detail settings / 詳細な設定用の設定ファイル" ) # TODO: inherit Params class in Subset, Dataset @dataclass class BaseSubsetParams: image_dir: Optional[str] = None num_repeats: int = 1 shuffle_caption: bool = False caption_separator: str = (",",) keep_tokens: int = 0 keep_tokens_separator: str = (None,) secondary_separator: Optional[str] = None enable_wildcard: bool = False color_aug: bool = False flip_aug: bool = False face_crop_aug_range: Optional[Tuple[float, float]] = None random_crop: bool = False caption_prefix: Optional[str] = None caption_suffix: Optional[str] = None caption_dropout_rate: float = 0.0 caption_dropout_every_n_epochs: int = 0 caption_tag_dropout_rate: float = 0.0 token_warmup_min: int = 1 token_warmup_step: float = 0 custom_attributes: Optional[Dict[str, Any]] = None validation_seed: int = 0 validation_split: float = 0.0 resize_interpolation: Optional[str] = None @dataclass class DreamBoothSubsetParams(BaseSubsetParams): is_reg: bool = False class_tokens: Optional[str] = None caption_extension: str = ".caption" cache_info: bool = False alpha_mask: bool = False @dataclass class FineTuningSubsetParams(BaseSubsetParams): metadata_file: Optional[str] = None alpha_mask: bool = False @dataclass class ControlNetSubsetParams(BaseSubsetParams): conditioning_data_dir: str = None caption_extension: str = ".caption" cache_info: bool = False @dataclass class BaseDatasetParams: resolution: Optional[Tuple[int, int]] = None network_multiplier: float = 1.0 debug_dataset: bool = False validation_seed: Optional[int] = None validation_split: float = 0.0 resize_interpolation: Optional[str] = None @dataclass class DreamBoothDatasetParams(BaseDatasetParams): batch_size: int = 1 enable_bucket: bool = False min_bucket_reso: int = 256 max_bucket_reso: int = 1024 bucket_reso_steps: int = 64 bucket_no_upscale: bool = False prior_loss_weight: float = 1.0 @dataclass class FineTuningDatasetParams(BaseDatasetParams): batch_size: int = 1 enable_bucket: bool = False min_bucket_reso: int = 256 max_bucket_reso: int = 1024 bucket_reso_steps: int = 64 bucket_no_upscale: bool = False @dataclass class ControlNetDatasetParams(BaseDatasetParams): batch_size: int = 1 enable_bucket: bool = False min_bucket_reso: int = 256 max_bucket_reso: int = 1024 bucket_reso_steps: int = 64 bucket_no_upscale: bool = False @dataclass class SubsetBlueprint: params: Union[DreamBoothSubsetParams, FineTuningSubsetParams] @dataclass class DatasetBlueprint: is_dreambooth: bool is_controlnet: bool params: Union[DreamBoothDatasetParams, FineTuningDatasetParams] subsets: Sequence[SubsetBlueprint] @dataclass class DatasetGroupBlueprint: datasets: Sequence[DatasetBlueprint] @dataclass class Blueprint: dataset_group: DatasetGroupBlueprint class ConfigSanitizer: # @curry @staticmethod def __validate_and_convert_twodim(klass, value: Sequence) -> Tuple: Schema(ExactSequence([klass, klass]))(value) return tuple(value) # @curry @staticmethod def __validate_and_convert_scalar_or_twodim(klass, value: Union[float, Sequence]) -> Tuple: Schema(Any(klass, ExactSequence([klass, klass])))(value) try: Schema(klass)(value) return (value, value) except: return ConfigSanitizer.__validate_and_convert_twodim(klass, value) # subset schema SUBSET_ASCENDABLE_SCHEMA = { "color_aug": bool, "face_crop_aug_range": functools.partial(__validate_and_convert_twodim.__func__, float), "flip_aug": bool, "num_repeats": int, "random_crop": bool, "shuffle_caption": bool, "keep_tokens": int, "keep_tokens_separator": str, "secondary_separator": str, "caption_separator": str, "enable_wildcard": bool, "token_warmup_min": int, "token_warmup_step": Any(float, int), "caption_prefix": str, "caption_suffix": str, "custom_attributes": dict, "resize_interpolation": str, } # DO means DropOut DO_SUBSET_ASCENDABLE_SCHEMA = { "caption_dropout_every_n_epochs": int, "caption_dropout_rate": Any(float, int), "caption_tag_dropout_rate": Any(float, int), } # DB means DreamBooth DB_SUBSET_ASCENDABLE_SCHEMA = { "caption_extension": str, "class_tokens": str, "cache_info": bool, } DB_SUBSET_DISTINCT_SCHEMA = { Required("image_dir"): str, "is_reg": bool, "alpha_mask": bool, } # FT means FineTuning FT_SUBSET_DISTINCT_SCHEMA = { Required("metadata_file"): str, "image_dir": str, "alpha_mask": bool, } CN_SUBSET_ASCENDABLE_SCHEMA = { "caption_extension": str, "cache_info": bool, } CN_SUBSET_DISTINCT_SCHEMA = { Required("image_dir"): str, Required("conditioning_data_dir"): str, } # datasets schema DATASET_ASCENDABLE_SCHEMA = { "batch_size": int, "bucket_no_upscale": bool, "bucket_reso_steps": int, "enable_bucket": bool, "max_bucket_reso": int, "min_bucket_reso": int, "validation_seed": int, "validation_split": float, "resolution": functools.partial(__validate_and_convert_scalar_or_twodim.__func__, int), "network_multiplier": float, "resize_interpolation": str, } # options handled by argparse but not handled by user config ARGPARSE_SPECIFIC_SCHEMA = { "debug_dataset": bool, "max_token_length": Any(None, int), "prior_loss_weight": Any(float, int), } # for handling default None value of argparse ARGPARSE_NULLABLE_OPTNAMES = [ "face_crop_aug_range", "resolution", ] # prepare map because option name may differ among argparse and user config ARGPARSE_OPTNAME_TO_CONFIG_OPTNAME = { "train_batch_size": "batch_size", "dataset_repeats": "num_repeats", } def __init__(self, support_dreambooth: bool, support_finetuning: bool, support_controlnet: bool, support_dropout: bool) -> None: assert support_dreambooth or support_finetuning or support_controlnet, ( "Neither DreamBooth mode nor fine tuning mode nor controlnet mode specified. Please specify one mode or more." + " / DreamBooth モードか fine tuning モードか controlnet モードのどれも指定されていません。1つ以上指定してください。" ) self.db_subset_schema = self.__merge_dict( self.SUBSET_ASCENDABLE_SCHEMA, self.DB_SUBSET_DISTINCT_SCHEMA, self.DB_SUBSET_ASCENDABLE_SCHEMA, self.DO_SUBSET_ASCENDABLE_SCHEMA if support_dropout else {}, ) self.ft_subset_schema = self.__merge_dict( self.SUBSET_ASCENDABLE_SCHEMA, self.FT_SUBSET_DISTINCT_SCHEMA, self.DO_SUBSET_ASCENDABLE_SCHEMA if support_dropout else {}, ) self.cn_subset_schema = self.__merge_dict( self.SUBSET_ASCENDABLE_SCHEMA, self.CN_SUBSET_DISTINCT_SCHEMA, self.CN_SUBSET_ASCENDABLE_SCHEMA, self.DO_SUBSET_ASCENDABLE_SCHEMA if support_dropout else {}, ) self.db_dataset_schema = self.__merge_dict( self.DATASET_ASCENDABLE_SCHEMA, self.SUBSET_ASCENDABLE_SCHEMA, self.DB_SUBSET_ASCENDABLE_SCHEMA, self.DO_SUBSET_ASCENDABLE_SCHEMA if support_dropout else {}, {"subsets": [self.db_subset_schema]}, ) self.ft_dataset_schema = self.__merge_dict( self.DATASET_ASCENDABLE_SCHEMA, self.SUBSET_ASCENDABLE_SCHEMA, self.DO_SUBSET_ASCENDABLE_SCHEMA if support_dropout else {}, {"subsets": [self.ft_subset_schema]}, ) self.cn_dataset_schema = self.__merge_dict( self.DATASET_ASCENDABLE_SCHEMA, self.SUBSET_ASCENDABLE_SCHEMA, self.CN_SUBSET_ASCENDABLE_SCHEMA, self.DO_SUBSET_ASCENDABLE_SCHEMA if support_dropout else {}, {"subsets": [self.cn_subset_schema]}, ) if support_dreambooth and support_finetuning: def validate_flex_dataset(dataset_config: dict): subsets_config = dataset_config.get("subsets", []) if support_controlnet and all(["conditioning_data_dir" in subset for subset in subsets_config]): return Schema(self.cn_dataset_schema)(dataset_config) # check dataset meets FT style # NOTE: all FT subsets should have "metadata_file" elif all(["metadata_file" in subset for subset in subsets_config]): return Schema(self.ft_dataset_schema)(dataset_config) # check dataset meets DB style # NOTE: all DB subsets should have no "metadata_file" elif all(["metadata_file" not in subset for subset in subsets_config]): return Schema(self.db_dataset_schema)(dataset_config) else: raise voluptuous.Invalid( "DreamBooth subset and fine tuning subset cannot be mixed in the same dataset. Please split them into separate datasets. / DreamBoothのサブセットとfine tuninのサブセットを同一のデータセットに混在させることはできません。別々のデータセットに分割してください。" ) self.dataset_schema = validate_flex_dataset elif support_dreambooth: if support_controlnet: self.dataset_schema = self.cn_dataset_schema else: self.dataset_schema = self.db_dataset_schema elif support_finetuning: self.dataset_schema = self.ft_dataset_schema elif support_controlnet: self.dataset_schema = self.cn_dataset_schema self.general_schema = self.__merge_dict( self.DATASET_ASCENDABLE_SCHEMA, self.SUBSET_ASCENDABLE_SCHEMA, self.DB_SUBSET_ASCENDABLE_SCHEMA if support_dreambooth else {}, self.CN_SUBSET_ASCENDABLE_SCHEMA if support_controlnet else {}, self.DO_SUBSET_ASCENDABLE_SCHEMA if support_dropout else {}, ) self.user_config_validator = Schema( { "general": self.general_schema, "datasets": [self.dataset_schema], } ) self.argparse_schema = self.__merge_dict( self.general_schema, self.ARGPARSE_SPECIFIC_SCHEMA, {optname: Any(None, self.general_schema[optname]) for optname in self.ARGPARSE_NULLABLE_OPTNAMES}, {a_name: self.general_schema[c_name] for a_name, c_name in self.ARGPARSE_OPTNAME_TO_CONFIG_OPTNAME.items()}, ) self.argparse_config_validator = Schema(Object(self.argparse_schema), extra=voluptuous.ALLOW_EXTRA) def sanitize_user_config(self, user_config: dict) -> dict: try: return self.user_config_validator(user_config) except MultipleInvalid: # TODO: エラー発生時のメッセージをわかりやすくする logger.error("Invalid user config / ユーザ設定の形式が正しくないようです") raise # NOTE: In nature, argument parser result is not needed to be sanitize # However this will help us to detect program bug def sanitize_argparse_namespace(self, argparse_namespace: argparse.Namespace) -> argparse.Namespace: try: return self.argparse_config_validator(argparse_namespace) except MultipleInvalid: # XXX: this should be a bug logger.error( "Invalid cmdline parsed arguments. This should be a bug. / コマンドラインのパース結果が正しくないようです。プログラムのバグの可能性が高いです。" ) raise # NOTE: value would be overwritten by latter dict if there is already the same key @staticmethod def __merge_dict(*dict_list: dict) -> dict: merged = {} for schema in dict_list: # merged |= schema for k, v in schema.items(): merged[k] = v return merged class BlueprintGenerator: BLUEPRINT_PARAM_NAME_TO_CONFIG_OPTNAME = {} def __init__(self, sanitizer: ConfigSanitizer): self.sanitizer = sanitizer # runtime_params is for parameters which is only configurable on runtime, such as tokenizer def generate(self, user_config: dict, argparse_namespace: argparse.Namespace, **runtime_params) -> Blueprint: sanitized_user_config = self.sanitizer.sanitize_user_config(user_config) sanitized_argparse_namespace = self.sanitizer.sanitize_argparse_namespace(argparse_namespace) # convert argparse namespace to dict like config # NOTE: it is ok to have extra entries in dict optname_map = self.sanitizer.ARGPARSE_OPTNAME_TO_CONFIG_OPTNAME argparse_config = { optname_map.get(optname, optname): value for optname, value in vars(sanitized_argparse_namespace).items() } general_config = sanitized_user_config.get("general", {}) dataset_blueprints = [] for dataset_config in sanitized_user_config.get("datasets", []): # NOTE: if subsets have no "metadata_file", these are DreamBooth datasets/subsets subsets = dataset_config.get("subsets", []) is_dreambooth = all(["metadata_file" not in subset for subset in subsets]) is_controlnet = all(["conditioning_data_dir" in subset for subset in subsets]) if is_controlnet: subset_params_klass = ControlNetSubsetParams dataset_params_klass = ControlNetDatasetParams elif is_dreambooth: subset_params_klass = DreamBoothSubsetParams dataset_params_klass = DreamBoothDatasetParams else: subset_params_klass = FineTuningSubsetParams dataset_params_klass = FineTuningDatasetParams subset_blueprints = [] for subset_config in subsets: params = self.generate_params_by_fallbacks( subset_params_klass, [subset_config, dataset_config, general_config, argparse_config, runtime_params] ) subset_blueprints.append(SubsetBlueprint(params)) params = self.generate_params_by_fallbacks( dataset_params_klass, [dataset_config, general_config, argparse_config, runtime_params] ) dataset_blueprints.append(DatasetBlueprint(is_dreambooth, is_controlnet, params, subset_blueprints)) dataset_group_blueprint = DatasetGroupBlueprint(dataset_blueprints) return Blueprint(dataset_group_blueprint) @staticmethod def generate_params_by_fallbacks(param_klass, fallbacks: Sequence[dict]): name_map = BlueprintGenerator.BLUEPRINT_PARAM_NAME_TO_CONFIG_OPTNAME search_value = BlueprintGenerator.search_value default_params = asdict(param_klass()) param_names = default_params.keys() params = {name: search_value(name_map.get(name, name), fallbacks, default_params.get(name)) for name in param_names} return param_klass(**params) @staticmethod def search_value(key: str, fallbacks: Sequence[dict], default_value=None): for cand in fallbacks: value = cand.get(key) if value is not None: return value return default_value def generate_dataset_group_by_blueprint(dataset_group_blueprint: DatasetGroupBlueprint) -> Tuple[DatasetGroup, Optional[DatasetGroup]]: datasets: List[Union[DreamBoothDataset, FineTuningDataset, ControlNetDataset]] = [] for dataset_blueprint in dataset_group_blueprint.datasets: extra_dataset_params = {} if dataset_blueprint.is_controlnet: subset_klass = ControlNetSubset dataset_klass = ControlNetDataset elif dataset_blueprint.is_dreambooth: subset_klass = DreamBoothSubset dataset_klass = DreamBoothDataset # DreamBooth datasets support splitting training and validation datasets extra_dataset_params = {"is_training_dataset": True} else: subset_klass = FineTuningSubset dataset_klass = FineTuningDataset subsets = [subset_klass(**asdict(subset_blueprint.params)) for subset_blueprint in dataset_blueprint.subsets] dataset = dataset_klass(subsets=subsets, **asdict(dataset_blueprint.params), **extra_dataset_params) datasets.append(dataset) val_datasets: List[Union[DreamBoothDataset, FineTuningDataset, ControlNetDataset]] = [] for dataset_blueprint in dataset_group_blueprint.datasets: if dataset_blueprint.params.validation_split < 0.0 or dataset_blueprint.params.validation_split > 1.0: logging.warning(f"Dataset param `validation_split` ({dataset_blueprint.params.validation_split}) is not a valid number between 0.0 and 1.0, skipping validation split...") continue # if the dataset isn't setting a validation split, there is no current validation dataset if dataset_blueprint.params.validation_split == 0.0: continue extra_dataset_params = {} if dataset_blueprint.is_controlnet: subset_klass = ControlNetSubset dataset_klass = ControlNetDataset elif dataset_blueprint.is_dreambooth: subset_klass = DreamBoothSubset dataset_klass = DreamBoothDataset # DreamBooth datasets support splitting training and validation datasets extra_dataset_params = {"is_training_dataset": False} else: subset_klass = FineTuningSubset dataset_klass = FineTuningDataset subsets = [subset_klass(**asdict(subset_blueprint.params)) for subset_blueprint in dataset_blueprint.subsets] dataset = dataset_klass(subsets=subsets, **asdict(dataset_blueprint.params), **extra_dataset_params) val_datasets.append(dataset) def print_info(_datasets, dataset_type: str): info = "" for i, dataset in enumerate(_datasets): is_dreambooth = isinstance(dataset, DreamBoothDataset) is_controlnet = isinstance(dataset, ControlNetDataset) info += dedent(f"""\ [{dataset_type} {i}] batch_size: {dataset.batch_size} resolution: {(dataset.width, dataset.height)} resize_interpolation: {dataset.resize_interpolation} enable_bucket: {dataset.enable_bucket} """) if dataset.enable_bucket: info += indent(dedent(f"""\ min_bucket_reso: {dataset.min_bucket_reso} max_bucket_reso: {dataset.max_bucket_reso} bucket_reso_steps: {dataset.bucket_reso_steps} bucket_no_upscale: {dataset.bucket_no_upscale} \n"""), " ") else: info += "\n" for j, subset in enumerate(dataset.subsets): info += indent(dedent(f"""\ [Subset {j} of {dataset_type} {i}] image_dir: "{subset.image_dir}" image_count: {subset.img_count} num_repeats: {subset.num_repeats} shuffle_caption: {subset.shuffle_caption} keep_tokens: {subset.keep_tokens} caption_dropout_rate: {subset.caption_dropout_rate} caption_dropout_every_n_epochs: {subset.caption_dropout_every_n_epochs} caption_tag_dropout_rate: {subset.caption_tag_dropout_rate} caption_prefix: {subset.caption_prefix} caption_suffix: {subset.caption_suffix} color_aug: {subset.color_aug} flip_aug: {subset.flip_aug} face_crop_aug_range: {subset.face_crop_aug_range} random_crop: {subset.random_crop} token_warmup_min: {subset.token_warmup_min}, token_warmup_step: {subset.token_warmup_step}, alpha_mask: {subset.alpha_mask} resize_interpolation: {subset.resize_interpolation} custom_attributes: {subset.custom_attributes} """), " ") if is_dreambooth: info += indent(dedent(f"""\ is_reg: {subset.is_reg} class_tokens: {subset.class_tokens} caption_extension: {subset.caption_extension} \n"""), " ") elif not is_controlnet: info += indent(dedent(f"""\ metadata_file: {subset.metadata_file} \n"""), " ") logger.info(info) print_info(datasets, "Dataset") if len(val_datasets) > 0: print_info(val_datasets, "Validation Dataset") # make buckets first because it determines the length of dataset # and set the same seed for all datasets seed = random.randint(0, 2**31) # actual seed is seed + epoch_no for i, dataset in enumerate(datasets): logger.info(f"[Prepare dataset {i}]") dataset.make_buckets() dataset.set_seed(seed) for i, dataset in enumerate(val_datasets): logger.info(f"[Prepare validation dataset {i}]") dataset.make_buckets() dataset.set_seed(seed) return ( DatasetGroup(datasets), DatasetGroup(val_datasets) if val_datasets else None ) def generate_dreambooth_subsets_config_by_subdirs(train_data_dir: Optional[str] = None, reg_data_dir: Optional[str] = None): def extract_dreambooth_params(name: str) -> Tuple[int, str]: tokens = name.split("_") try: n_repeats = int(tokens[0]) except ValueError as e: logger.warning(f"ignore directory without repeats / 繰り返し回数のないディレクトリを無視します: {name}") return 0, "" caption_by_folder = "_".join(tokens[1:]) return n_repeats, caption_by_folder def generate(base_dir: Optional[str], is_reg: bool): if base_dir is None: return [] base_dir: Path = Path(base_dir) if not base_dir.is_dir(): return [] subsets_config = [] for subdir in base_dir.iterdir(): if not subdir.is_dir(): continue num_repeats, class_tokens = extract_dreambooth_params(subdir.name) if num_repeats < 1: continue subset_config = {"image_dir": str(subdir), "num_repeats": num_repeats, "is_reg": is_reg, "class_tokens": class_tokens} subsets_config.append(subset_config) return subsets_config subsets_config = [] subsets_config += generate(train_data_dir, False) subsets_config += generate(reg_data_dir, True) return subsets_config def generate_controlnet_subsets_config_by_subdirs( train_data_dir: Optional[str] = None, conditioning_data_dir: Optional[str] = None, caption_extension: str = ".txt" ): def generate(base_dir: Optional[str]): if base_dir is None: return [] base_dir: Path = Path(base_dir) if not base_dir.is_dir(): return [] subsets_config = [] subset_config = { "image_dir": train_data_dir, "conditioning_data_dir": conditioning_data_dir, "caption_extension": caption_extension, "num_repeats": 1, } subsets_config.append(subset_config) return subsets_config subsets_config = [] subsets_config += generate(train_data_dir) return subsets_config def load_user_config(file: str) -> dict: file: Path = Path(file) if not file.is_file(): raise ValueError(f"file not found / ファイルが見つかりません: {file}") if file.name.lower().endswith(".json"): try: with open(file, "r") as f: config = json.load(f) except Exception: logger.error( f"Error on parsing JSON config file. Please check the format. / JSON 形式の設定ファイルの読み込みに失敗しました。文法が正しいか確認してください。: {file}" ) raise elif file.name.lower().endswith(".toml"): try: config = toml.load(file) except Exception: logger.error( f"Error on parsing TOML config file. Please check the format. / TOML 形式の設定ファイルの読み込みに失敗しました。文法が正しいか確認してください。: {file}" ) raise else: raise ValueError(f"not supported config file format / 対応していない設定ファイルの形式です: {file}") return config # for config test if __name__ == "__main__": parser = argparse.ArgumentParser() parser.add_argument("--support_dreambooth", action="store_true") parser.add_argument("--support_finetuning", action="store_true") parser.add_argument("--support_controlnet", action="store_true") parser.add_argument("--support_dropout", action="store_true") parser.add_argument("dataset_config") config_args, remain = parser.parse_known_args() parser = argparse.ArgumentParser() train_util.add_dataset_arguments( parser, config_args.support_dreambooth, config_args.support_finetuning, config_args.support_dropout ) train_util.add_training_arguments(parser, config_args.support_dreambooth) argparse_namespace = parser.parse_args(remain) train_util.prepare_dataset_args(argparse_namespace, config_args.support_finetuning) logger.info("[argparse_namespace]") logger.info(f"{vars(argparse_namespace)}") user_config = load_user_config(config_args.dataset_config) logger.info("") logger.info("[user_config]") logger.info(f"{user_config}") sanitizer = ConfigSanitizer( config_args.support_dreambooth, config_args.support_finetuning, config_args.support_controlnet, config_args.support_dropout ) sanitized_user_config = sanitizer.sanitize_user_config(user_config) logger.info("") logger.info("[sanitized_user_config]") logger.info(f"{sanitized_user_config}") blueprint = BlueprintGenerator(sanitizer).generate(user_config, argparse_namespace) logger.info("") logger.info("[blueprint]") logger.info(f"{blueprint}") ================================================ FILE: library/custom_offloading_utils.py ================================================ from concurrent.futures import ThreadPoolExecutor import gc import time from typing import Any, Optional, Union, Callable, Tuple import torch import torch.nn as nn # Keep these functions here for portability, and private to avoid confusion with the ones in device_utils.py def _clean_memory_on_device(device: torch.device): r""" Clean memory on the specified device, will be called from training scripts. """ gc.collect() # device may "cuda" or "cuda:0", so we need to check the type of device if device.type == "cuda": torch.cuda.empty_cache() if device.type == "xpu": torch.xpu.empty_cache() if device.type == "mps": torch.mps.empty_cache() def _synchronize_device(device: torch.device): if device.type == "cuda": torch.cuda.synchronize() elif device.type == "xpu": torch.xpu.synchronize() elif device.type == "mps": torch.mps.synchronize() def swap_weight_devices_cuda(device: torch.device, layer_to_cpu: nn.Module, layer_to_cuda: nn.Module): assert layer_to_cpu.__class__ == layer_to_cuda.__class__ weight_swap_jobs: list[Tuple[nn.Module, nn.Module, torch.Tensor, torch.Tensor]] = [] # This is not working for all cases (e.g. SD3), so we need to find the corresponding modules # for module_to_cpu, module_to_cuda in zip(layer_to_cpu.modules(), layer_to_cuda.modules()): # print(module_to_cpu.__class__, module_to_cuda.__class__) # if hasattr(module_to_cpu, "weight") and module_to_cpu.weight is not None: # weight_swap_jobs.append((module_to_cpu, module_to_cuda, module_to_cpu.weight.data, module_to_cuda.weight.data)) modules_to_cpu = {k: v for k, v in layer_to_cpu.named_modules()} for module_to_cuda_name, module_to_cuda in layer_to_cuda.named_modules(): if hasattr(module_to_cuda, "weight") and module_to_cuda.weight is not None: module_to_cpu = modules_to_cpu.get(module_to_cuda_name, None) if module_to_cpu is not None and module_to_cpu.weight.shape == module_to_cuda.weight.shape: weight_swap_jobs.append((module_to_cpu, module_to_cuda, module_to_cpu.weight.data, module_to_cuda.weight.data)) else: if module_to_cuda.weight.data.device.type != device.type: # print( # f"Module {module_to_cuda_name} not found in CPU model or shape mismatch, so not swapping and moving to device" # ) module_to_cuda.weight.data = module_to_cuda.weight.data.to(device) torch.cuda.current_stream().synchronize() # this prevents the illegal loss value stream = torch.Stream(device="cuda") with torch.cuda.stream(stream): # cuda to cpu for module_to_cpu, module_to_cuda, cuda_data_view, cpu_data_view in weight_swap_jobs: cuda_data_view.record_stream(stream) module_to_cpu.weight.data = cuda_data_view.data.to("cpu", non_blocking=True) stream.synchronize() # cpu to cuda for module_to_cpu, module_to_cuda, cuda_data_view, cpu_data_view in weight_swap_jobs: cuda_data_view.copy_(module_to_cuda.weight.data, non_blocking=True) module_to_cuda.weight.data = cuda_data_view stream.synchronize() torch.cuda.current_stream().synchronize() # this prevents the illegal loss value def swap_weight_devices_no_cuda(device: torch.device, layer_to_cpu: nn.Module, layer_to_cuda: nn.Module): """ not tested """ assert layer_to_cpu.__class__ == layer_to_cuda.__class__ weight_swap_jobs: list[Tuple[nn.Module, nn.Module, torch.Tensor, torch.Tensor]] = [] for module_to_cpu, module_to_cuda in zip(layer_to_cpu.modules(), layer_to_cuda.modules()): if hasattr(module_to_cpu, "weight") and module_to_cpu.weight is not None: weight_swap_jobs.append((module_to_cpu, module_to_cuda, module_to_cpu.weight.data, module_to_cuda.weight.data)) # device to cpu for module_to_cpu, module_to_cuda, cuda_data_view, cpu_data_view in weight_swap_jobs: module_to_cpu.weight.data = cuda_data_view.data.to("cpu", non_blocking=True) _synchronize_device(device) # cpu to device for module_to_cpu, module_to_cuda, cuda_data_view, cpu_data_view in weight_swap_jobs: cuda_data_view.copy_(module_to_cuda.weight.data, non_blocking=True) module_to_cuda.weight.data = cuda_data_view _synchronize_device(device) def weighs_to_device(layer: nn.Module, device: torch.device): for module in layer.modules(): if hasattr(module, "weight") and module.weight is not None: module.weight.data = module.weight.data.to(device, non_blocking=True) class Offloader: """ common offloading class """ def __init__(self, num_blocks: int, blocks_to_swap: int, device: torch.device, debug: bool = False): self.num_blocks = num_blocks self.blocks_to_swap = blocks_to_swap self.device = device self.debug = debug self.thread_pool = ThreadPoolExecutor(max_workers=1) self.futures = {} self.cuda_available = device.type == "cuda" def swap_weight_devices(self, block_to_cpu: nn.Module, block_to_cuda: nn.Module): if self.cuda_available: swap_weight_devices_cuda(self.device, block_to_cpu, block_to_cuda) else: swap_weight_devices_no_cuda(self.device, block_to_cpu, block_to_cuda) def _submit_move_blocks(self, blocks, block_idx_to_cpu, block_idx_to_cuda): def move_blocks(bidx_to_cpu, block_to_cpu, bidx_to_cuda, block_to_cuda): if self.debug: start_time = time.perf_counter() print(f"Move block {bidx_to_cpu} to CPU and block {bidx_to_cuda} to {'CUDA' if self.cuda_available else 'device'}") self.swap_weight_devices(block_to_cpu, block_to_cuda) if self.debug: print(f"Moved blocks {bidx_to_cpu} and {bidx_to_cuda} in {time.perf_counter() - start_time:.2f}s") return bidx_to_cpu, bidx_to_cuda # , event block_to_cpu = blocks[block_idx_to_cpu] block_to_cuda = blocks[block_idx_to_cuda] self.futures[block_idx_to_cuda] = self.thread_pool.submit( move_blocks, block_idx_to_cpu, block_to_cpu, block_idx_to_cuda, block_to_cuda ) def _wait_blocks_move(self, block_idx): if block_idx not in self.futures: return if self.debug: print(f"Wait for block {block_idx}") start_time = time.perf_counter() future = self.futures.pop(block_idx) _, bidx_to_cuda = future.result() assert block_idx == bidx_to_cuda, f"Block index mismatch: {block_idx} != {bidx_to_cuda}" if self.debug: print(f"Waited for block {block_idx}: {time.perf_counter() - start_time:.2f}s") # Gradient tensors _grad_t = Union[tuple[torch.Tensor, ...], torch.Tensor] class ModelOffloader(Offloader): """ supports forward offloading """ def __init__( self, blocks: Union[list[nn.Module], nn.ModuleList], blocks_to_swap: int, device: torch.device, supports_backward: bool = True, debug: bool = False, ): super().__init__(len(blocks), blocks_to_swap, device, debug) self.supports_backward = supports_backward self.forward_only = not supports_backward # forward only offloading: can be changed to True for inference if self.supports_backward: # register backward hooks self.remove_handles = [] for i, block in enumerate(blocks): hook = self.create_backward_hook(blocks, i) if hook is not None: handle = block.register_full_backward_hook(hook) self.remove_handles.append(handle) def set_forward_only(self, forward_only: bool): # switching must wait for all pending transfers for block_idx in list(self.futures.keys()): self._wait_blocks_move(block_idx) self.forward_only = forward_only def __del__(self): if self.supports_backward: for handle in self.remove_handles: handle.remove() def create_backward_hook( self, blocks: Union[list[nn.Module], nn.ModuleList], block_index: int ) -> Optional[Callable[[nn.Module, _grad_t, _grad_t], Union[None, _grad_t]]]: # -1 for 0-based index num_blocks_propagated = self.num_blocks - block_index - 1 swapping = num_blocks_propagated > 0 and num_blocks_propagated <= self.blocks_to_swap waiting = block_index > 0 and block_index <= self.blocks_to_swap if not swapping and not waiting: return None # create hook block_idx_to_cpu = self.num_blocks - num_blocks_propagated block_idx_to_cuda = self.blocks_to_swap - num_blocks_propagated block_idx_to_wait = block_index - 1 def backward_hook(module: nn.Module, grad_input: _grad_t, grad_output: _grad_t): if self.debug: print(f"Backward hook for block {block_index}") if swapping: self._submit_move_blocks(blocks, block_idx_to_cpu, block_idx_to_cuda) if waiting: self._wait_blocks_move(block_idx_to_wait) return None return backward_hook def prepare_block_devices_before_forward(self, blocks: Union[list[nn.Module], nn.ModuleList]): if self.blocks_to_swap is None or self.blocks_to_swap == 0: return if self.debug: print(f"Prepare block devices before forward") # wait for all pending transfers for block_idx in list(self.futures.keys()): self._wait_blocks_move(block_idx) for b in blocks[0 : self.num_blocks - self.blocks_to_swap]: b.to(self.device) weighs_to_device(b, self.device) # make sure weights are on device for b in blocks[self.num_blocks - self.blocks_to_swap :]: b.to(self.device) # move block to device first. this makes sure that buffers (non weights) are on the device weighs_to_device(b, torch.device("cpu")) # make sure weights are on cpu _synchronize_device(self.device) _clean_memory_on_device(self.device) def wait_for_block(self, block_idx: int): if self.blocks_to_swap is None or self.blocks_to_swap == 0: return self._wait_blocks_move(block_idx) def submit_move_blocks(self, blocks: Union[list[nn.Module], nn.ModuleList], block_idx: int): # check if blocks_to_swap is enabled if self.blocks_to_swap is None or self.blocks_to_swap == 0: return # if backward is enabled, we do not swap blocks in forward pass more than blocks_to_swap, because it should be on GPU if not self.forward_only and block_idx >= self.blocks_to_swap: return block_idx_to_cpu = block_idx block_idx_to_cuda = self.num_blocks - self.blocks_to_swap + block_idx # this works for forward-only offloading. move upstream blocks to cuda block_idx_to_cuda = block_idx_to_cuda % self.num_blocks self._submit_move_blocks(blocks, block_idx_to_cpu, block_idx_to_cuda) # endregion # region cpu offload utils def to_device(x: Any, device: torch.device) -> Any: if isinstance(x, torch.Tensor): return x.to(device) elif isinstance(x, list): return [to_device(elem, device) for elem in x] elif isinstance(x, tuple): return tuple(to_device(elem, device) for elem in x) elif isinstance(x, dict): return {k: to_device(v, device) for k, v in x.items()} else: return x def to_cpu(x: Any) -> Any: """ Recursively moves torch.Tensor objects (and containers thereof) to CPU. Args: x: A torch.Tensor, or a (possibly nested) list, tuple, or dict containing tensors. Returns: The same structure as x, with all torch.Tensor objects moved to CPU. Non-tensor objects are returned unchanged. """ if isinstance(x, torch.Tensor): return x.cpu() elif isinstance(x, list): return [to_cpu(elem) for elem in x] elif isinstance(x, tuple): return tuple(to_cpu(elem) for elem in x) elif isinstance(x, dict): return {k: to_cpu(v) for k, v in x.items()} else: return x def create_cpu_offloading_wrapper(func: Callable, device: torch.device) -> Callable: """ Create a wrapper function that offloads inputs to CPU before calling the original function and moves outputs back to the specified device. Args: func: The original function to wrap. device: The device to move outputs back to. Returns: A wrapped function that offloads inputs to CPU and moves outputs back to the specified device. """ def wrapper(orig_func: Callable) -> Callable: def custom_forward(*inputs): nonlocal device, orig_func cuda_inputs = to_device(inputs, device) outputs = orig_func(*cuda_inputs) return to_cpu(outputs) return custom_forward return wrapper(func) # endregion ================================================ FILE: library/custom_train_functions.py ================================================ from diffusers.schedulers.scheduling_ddpm import DDPMScheduler import torch import argparse import random import re from torch.types import Number from typing import List, Optional, Union from .utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) def prepare_scheduler_for_custom_training(noise_scheduler, device): if hasattr(noise_scheduler, "all_snr"): return alphas_cumprod = noise_scheduler.alphas_cumprod sqrt_alphas_cumprod = torch.sqrt(alphas_cumprod) sqrt_one_minus_alphas_cumprod = torch.sqrt(1.0 - alphas_cumprod) alpha = sqrt_alphas_cumprod sigma = sqrt_one_minus_alphas_cumprod all_snr = (alpha / sigma) ** 2 noise_scheduler.all_snr = all_snr.to(device) def fix_noise_scheduler_betas_for_zero_terminal_snr(noise_scheduler): # fix beta: zero terminal SNR logger.info(f"fix noise scheduler betas: https://arxiv.org/abs/2305.08891") def enforce_zero_terminal_snr(betas): # Convert betas to alphas_bar_sqrt alphas = 1 - betas alphas_bar = alphas.cumprod(0) alphas_bar_sqrt = alphas_bar.sqrt() # Store old values. alphas_bar_sqrt_0 = alphas_bar_sqrt[0].clone() alphas_bar_sqrt_T = alphas_bar_sqrt[-1].clone() # Shift so last timestep is zero. alphas_bar_sqrt -= alphas_bar_sqrt_T # Scale so first timestep is back to old value. alphas_bar_sqrt *= alphas_bar_sqrt_0 / (alphas_bar_sqrt_0 - alphas_bar_sqrt_T) # Convert alphas_bar_sqrt to betas alphas_bar = alphas_bar_sqrt**2 alphas = alphas_bar[1:] / alphas_bar[:-1] alphas = torch.cat([alphas_bar[0:1], alphas]) betas = 1 - alphas return betas betas = noise_scheduler.betas betas = enforce_zero_terminal_snr(betas) alphas = 1.0 - betas alphas_cumprod = torch.cumprod(alphas, dim=0) # logger.info(f"original: {noise_scheduler.betas}") # logger.info(f"fixed: {betas}") noise_scheduler.betas = betas noise_scheduler.alphas = alphas noise_scheduler.alphas_cumprod = alphas_cumprod def apply_snr_weight(loss: torch.Tensor, timesteps: torch.IntTensor, noise_scheduler: DDPMScheduler, gamma: Number, v_prediction=False): snr = torch.stack([noise_scheduler.all_snr[t] for t in timesteps]) min_snr_gamma = torch.minimum(snr, torch.full_like(snr, gamma)) if v_prediction: snr_weight = torch.div(min_snr_gamma, snr + 1).float().to(loss.device) else: snr_weight = torch.div(min_snr_gamma, snr).float().to(loss.device) loss = loss * snr_weight return loss def scale_v_prediction_loss_like_noise_prediction(loss: torch.Tensor, timesteps: torch.IntTensor, noise_scheduler: DDPMScheduler): scale = get_snr_scale(timesteps, noise_scheduler) loss = loss * scale return loss def get_snr_scale(timesteps: torch.IntTensor, noise_scheduler: DDPMScheduler): snr_t = torch.stack([noise_scheduler.all_snr[t] for t in timesteps]) # batch_size snr_t = torch.minimum(snr_t, torch.ones_like(snr_t) * 1000) # if timestep is 0, snr_t is inf, so limit it to 1000 scale = snr_t / (snr_t + 1) # # show debug info # logger.info(f"timesteps: {timesteps}, snr_t: {snr_t}, scale: {scale}") return scale def add_v_prediction_like_loss(loss: torch.Tensor, timesteps: torch.IntTensor, noise_scheduler: DDPMScheduler, v_pred_like_loss: torch.Tensor): scale = get_snr_scale(timesteps, noise_scheduler) # logger.info(f"add v-prediction like loss: {v_pred_like_loss}, scale: {scale}, loss: {loss}, time: {timesteps}") loss = loss + loss / scale * v_pred_like_loss return loss def apply_debiased_estimation(loss: torch.Tensor, timesteps: torch.IntTensor, noise_scheduler: DDPMScheduler, v_prediction=False): snr_t = torch.stack([noise_scheduler.all_snr[t] for t in timesteps]) # batch_size snr_t = torch.minimum(snr_t, torch.ones_like(snr_t) * 1000) # if timestep is 0, snr_t is inf, so limit it to 1000 if v_prediction: weight = 1 / (snr_t + 1) else: weight = 1 / torch.sqrt(snr_t) loss = weight * loss return loss # TODO train_utilと分散しているのでどちらかに寄せる def add_custom_train_arguments(parser: argparse.ArgumentParser, support_weighted_captions: bool = True): parser.add_argument( "--min_snr_gamma", type=float, default=None, help="gamma for reducing the weight of high loss timesteps. Lower numbers have stronger effect. 5 is recommended by paper. / 低いタイムステップでの高いlossに対して重みを減らすためのgamma値、低いほど効果が強く、論文では5が推奨", ) parser.add_argument( "--scale_v_pred_loss_like_noise_pred", action="store_true", help="scale v-prediction loss like noise prediction loss / v-prediction lossをnoise prediction lossと同じようにスケーリングする", ) parser.add_argument( "--v_pred_like_loss", type=float, default=None, help="add v-prediction like loss multiplied by this value / v-prediction lossをこの値をかけたものをlossに加算する", ) parser.add_argument( "--debiased_estimation_loss", action="store_true", help="debiased estimation loss / debiased estimation loss", ) if support_weighted_captions: parser.add_argument( "--weighted_captions", action="store_true", default=False, help="Enable weighted captions in the standard style (token:1.3). No commas inside parens, or shuffle/dropout may break the decoder. / 「[token]」、「(token)」「(token:1.3)」のような重み付きキャプションを有効にする。カンマを括弧内に入れるとシャッフルやdropoutで重みづけがおかしくなるので注意", ) re_attention = re.compile( r""" \\\(| \\\)| \\\[| \\]| \\\\| \\| \(| \[| :([+-]?[.\d]+)\)| \)| ]| [^\\()\[\]:]+| : """, re.X, ) def parse_prompt_attention(text): """ Parses a string with attention tokens and returns a list of pairs: text and its associated weight. Accepted tokens are: (abc) - increases attention to abc by a multiplier of 1.1 (abc:3.12) - increases attention to abc by a multiplier of 3.12 [abc] - decreases attention to abc by a multiplier of 1.1 \( - literal character '(' \[ - literal character '[' \) - literal character ')' \] - literal character ']' \\ - literal character '\' anything else - just text >>> parse_prompt_attention('normal text') [['normal text', 1.0]] >>> parse_prompt_attention('an (important) word') [['an ', 1.0], ['important', 1.1], [' word', 1.0]] >>> parse_prompt_attention('(unbalanced') [['unbalanced', 1.1]] >>> parse_prompt_attention('\(literal\]') [['(literal]', 1.0]] >>> parse_prompt_attention('(unnecessary)(parens)') [['unnecessaryparens', 1.1]] >>> parse_prompt_attention('a (((house:1.3)) [on] a (hill:0.5), sun, (((sky))).') [['a ', 1.0], ['house', 1.5730000000000004], [' ', 1.1], ['on', 1.0], [' a ', 1.1], ['hill', 0.55], [', sun, ', 1.1], ['sky', 1.4641000000000006], ['.', 1.1]] """ res = [] round_brackets = [] square_brackets = [] round_bracket_multiplier = 1.1 square_bracket_multiplier = 1 / 1.1 def multiply_range(start_position, multiplier): for p in range(start_position, len(res)): res[p][1] *= multiplier for m in re_attention.finditer(text): text = m.group(0) weight = m.group(1) if text.startswith("\\"): res.append([text[1:], 1.0]) elif text == "(": round_brackets.append(len(res)) elif text == "[": square_brackets.append(len(res)) elif weight is not None and len(round_brackets) > 0: multiply_range(round_brackets.pop(), float(weight)) elif text == ")" and len(round_brackets) > 0: multiply_range(round_brackets.pop(), round_bracket_multiplier) elif text == "]" and len(square_brackets) > 0: multiply_range(square_brackets.pop(), square_bracket_multiplier) else: res.append([text, 1.0]) for pos in round_brackets: multiply_range(pos, round_bracket_multiplier) for pos in square_brackets: multiply_range(pos, square_bracket_multiplier) if len(res) == 0: res = [["", 1.0]] # merge runs of identical weights i = 0 while i + 1 < len(res): if res[i][1] == res[i + 1][1]: res[i][0] += res[i + 1][0] res.pop(i + 1) else: i += 1 return res def get_prompts_with_weights(tokenizer, prompt: List[str], max_length: int): r""" Tokenize a list of prompts and return its tokens with weights of each token. No padding, starting or ending token is included. """ tokens = [] weights = [] truncated = False for text in prompt: texts_and_weights = parse_prompt_attention(text) text_token = [] text_weight = [] for word, weight in texts_and_weights: # tokenize and discard the starting and the ending token token = tokenizer(word).input_ids[1:-1] text_token += token # copy the weight by length of token text_weight += [weight] * len(token) # stop if the text is too long (longer than truncation limit) if len(text_token) > max_length: truncated = True break # truncate if len(text_token) > max_length: truncated = True text_token = text_token[:max_length] text_weight = text_weight[:max_length] tokens.append(text_token) weights.append(text_weight) if truncated: logger.warning("Prompt was truncated. Try to shorten the prompt or increase max_embeddings_multiples") return tokens, weights def pad_tokens_and_weights(tokens, weights, max_length, bos, eos, no_boseos_middle=True, chunk_length=77): r""" Pad the tokens (with starting and ending tokens) and weights (with 1.0) to max_length. """ max_embeddings_multiples = (max_length - 2) // (chunk_length - 2) weights_length = max_length if no_boseos_middle else max_embeddings_multiples * chunk_length for i in range(len(tokens)): tokens[i] = [bos] + tokens[i] + [eos] * (max_length - 1 - len(tokens[i])) if no_boseos_middle: weights[i] = [1.0] + weights[i] + [1.0] * (max_length - 1 - len(weights[i])) else: w = [] if len(weights[i]) == 0: w = [1.0] * weights_length else: for j in range(max_embeddings_multiples): w.append(1.0) # weight for starting token in this chunk w += weights[i][j * (chunk_length - 2) : min(len(weights[i]), (j + 1) * (chunk_length - 2))] w.append(1.0) # weight for ending token in this chunk w += [1.0] * (weights_length - len(w)) weights[i] = w[:] return tokens, weights def get_unweighted_text_embeddings( tokenizer, text_encoder, text_input: torch.Tensor, chunk_length: int, clip_skip: int, eos: int, pad: int, no_boseos_middle: Optional[bool] = True, ): """ When the length of tokens is a multiple of the capacity of the text encoder, it should be split into chunks and sent to the text encoder individually. """ max_embeddings_multiples = (text_input.shape[1] - 2) // (chunk_length - 2) if max_embeddings_multiples > 1: text_embeddings = [] for i in range(max_embeddings_multiples): # extract the i-th chunk text_input_chunk = text_input[:, i * (chunk_length - 2) : (i + 1) * (chunk_length - 2) + 2].clone() # cover the head and the tail by the starting and the ending tokens text_input_chunk[:, 0] = text_input[0, 0] if pad == eos: # v1 text_input_chunk[:, -1] = text_input[0, -1] else: # v2 for j in range(len(text_input_chunk)): if text_input_chunk[j, -1] != eos and text_input_chunk[j, -1] != pad: # 最後に普通の文字がある text_input_chunk[j, -1] = eos if text_input_chunk[j, 1] == pad: # BOSだけであとはPAD text_input_chunk[j, 1] = eos if clip_skip is None or clip_skip == 1: text_embedding = text_encoder(text_input_chunk)[0] else: enc_out = text_encoder(text_input_chunk, output_hidden_states=True, return_dict=True) text_embedding = enc_out["hidden_states"][-clip_skip] text_embedding = text_encoder.text_model.final_layer_norm(text_embedding) if no_boseos_middle: if i == 0: # discard the ending token text_embedding = text_embedding[:, :-1] elif i == max_embeddings_multiples - 1: # discard the starting token text_embedding = text_embedding[:, 1:] else: # discard both starting and ending tokens text_embedding = text_embedding[:, 1:-1] text_embeddings.append(text_embedding) text_embeddings = torch.concat(text_embeddings, axis=1) else: if clip_skip is None or clip_skip == 1: text_embeddings = text_encoder(text_input)[0] else: enc_out = text_encoder(text_input, output_hidden_states=True, return_dict=True) text_embeddings = enc_out["hidden_states"][-clip_skip] text_embeddings = text_encoder.text_model.final_layer_norm(text_embeddings) return text_embeddings def get_weighted_text_embeddings( tokenizer, text_encoder, prompt: Union[str, List[str]], device, max_embeddings_multiples: Optional[int] = 3, no_boseos_middle: Optional[bool] = False, clip_skip=None, ): r""" Prompts can be assigned with local weights using brackets. For example, prompt 'A (very beautiful) masterpiece' highlights the words 'very beautiful', and the embedding tokens corresponding to the words get multiplied by a constant, 1.1. Also, to regularize of the embedding, the weighted embedding would be scaled to preserve the original mean. Args: prompt (`str` or `List[str]`): The prompt or prompts to guide the image generation. max_embeddings_multiples (`int`, *optional*, defaults to `3`): The max multiple length of prompt embeddings compared to the max output length of text encoder. no_boseos_middle (`bool`, *optional*, defaults to `False`): If the length of text token is multiples of the capacity of text encoder, whether reserve the starting and ending token in each of the chunk in the middle. skip_parsing (`bool`, *optional*, defaults to `False`): Skip the parsing of brackets. skip_weighting (`bool`, *optional*, defaults to `False`): Skip the weighting. When the parsing is skipped, it is forced True. """ max_length = (tokenizer.model_max_length - 2) * max_embeddings_multiples + 2 if isinstance(prompt, str): prompt = [prompt] prompt_tokens, prompt_weights = get_prompts_with_weights(tokenizer, prompt, max_length - 2) # round up the longest length of tokens to a multiple of (model_max_length - 2) max_length = max([len(token) for token in prompt_tokens]) max_embeddings_multiples = min( max_embeddings_multiples, (max_length - 1) // (tokenizer.model_max_length - 2) + 1, ) max_embeddings_multiples = max(1, max_embeddings_multiples) max_length = (tokenizer.model_max_length - 2) * max_embeddings_multiples + 2 # pad the length of tokens and weights bos = tokenizer.bos_token_id eos = tokenizer.eos_token_id pad = tokenizer.pad_token_id prompt_tokens, prompt_weights = pad_tokens_and_weights( prompt_tokens, prompt_weights, max_length, bos, eos, no_boseos_middle=no_boseos_middle, chunk_length=tokenizer.model_max_length, ) prompt_tokens = torch.tensor(prompt_tokens, dtype=torch.long, device=device) # get the embeddings text_embeddings = get_unweighted_text_embeddings( tokenizer, text_encoder, prompt_tokens, tokenizer.model_max_length, clip_skip, eos, pad, no_boseos_middle=no_boseos_middle, ) prompt_weights = torch.tensor(prompt_weights, dtype=text_embeddings.dtype, device=device) # assign weights to the prompts and normalize in the sense of mean previous_mean = text_embeddings.float().mean(axis=[-2, -1]).to(text_embeddings.dtype) text_embeddings = text_embeddings * prompt_weights.unsqueeze(-1) current_mean = text_embeddings.float().mean(axis=[-2, -1]).to(text_embeddings.dtype) text_embeddings = text_embeddings * (previous_mean / current_mean).unsqueeze(-1).unsqueeze(-1) return text_embeddings # https://wandb.ai/johnowhitaker/multires_noise/reports/Multi-Resolution-Noise-for-Diffusion-Model-Training--VmlldzozNjYyOTU2 def pyramid_noise_like(noise, device, iterations=6, discount=0.4) -> torch.FloatTensor: b, c, w, h = noise.shape # EDIT: w and h get over-written, rename for a different variant! u = torch.nn.Upsample(size=(w, h), mode="bilinear").to(device) for i in range(iterations): r = random.random() * 2 + 2 # Rather than always going 2x, wn, hn = max(1, int(w / (r**i))), max(1, int(h / (r**i))) noise += u(torch.randn(b, c, wn, hn).to(device)) * discount**i if wn == 1 or hn == 1: break # Lowest resolution is 1x1 return noise / noise.std() # Scaled back to roughly unit variance # https://www.crosslabs.org//blog/diffusion-with-offset-noise def apply_noise_offset(latents, noise, noise_offset, adaptive_noise_scale) -> torch.FloatTensor: if noise_offset is None: return noise if adaptive_noise_scale is not None: # latent shape: (batch_size, channels, height, width) # abs mean value for each channel latent_mean = torch.abs(latents.mean(dim=(2, 3), keepdim=True)) # multiply adaptive noise scale to the mean value and add it to the noise offset noise_offset = noise_offset + adaptive_noise_scale * latent_mean noise_offset = torch.clamp(noise_offset, 0.0, None) # in case of adaptive noise scale is negative noise = noise + noise_offset * torch.randn((latents.shape[0], latents.shape[1], 1, 1), device=latents.device) return noise def apply_masked_loss(loss, batch) -> torch.FloatTensor: if "conditioning_images" in batch: # conditioning image is -1 to 1. we need to convert it to 0 to 1 mask_image = batch["conditioning_images"].to(dtype=loss.dtype)[:, 0].unsqueeze(1) # use R channel mask_image = mask_image / 2 + 0.5 # print(f"conditioning_image: {mask_image.shape}") elif "alpha_masks" in batch and batch["alpha_masks"] is not None: # alpha mask is 0 to 1 mask_image = batch["alpha_masks"].to(dtype=loss.dtype).unsqueeze(1) # add channel dimension # print(f"mask_image: {mask_image.shape}, {mask_image.mean()}") else: return loss # resize to the same size as the loss mask_image = torch.nn.functional.interpolate(mask_image, size=loss.shape[2:], mode="area") loss = loss * mask_image return loss """ ########################################## # Perlin Noise def rand_perlin_2d(device, shape, res, fade=lambda t: 6 * t**5 - 15 * t**4 + 10 * t**3): delta = (res[0] / shape[0], res[1] / shape[1]) d = (shape[0] // res[0], shape[1] // res[1]) grid = ( torch.stack( torch.meshgrid(torch.arange(0, res[0], delta[0], device=device), torch.arange(0, res[1], delta[1], device=device)), dim=-1, ) % 1 ) angles = 2 * torch.pi * torch.rand(res[0] + 1, res[1] + 1, device=device) gradients = torch.stack((torch.cos(angles), torch.sin(angles)), dim=-1) tile_grads = ( lambda slice1, slice2: gradients[slice1[0] : slice1[1], slice2[0] : slice2[1]] .repeat_interleave(d[0], 0) .repeat_interleave(d[1], 1) ) dot = lambda grad, shift: ( torch.stack((grid[: shape[0], : shape[1], 0] + shift[0], grid[: shape[0], : shape[1], 1] + shift[1]), dim=-1) * grad[: shape[0], : shape[1]] ).sum(dim=-1) n00 = dot(tile_grads([0, -1], [0, -1]), [0, 0]) n10 = dot(tile_grads([1, None], [0, -1]), [-1, 0]) n01 = dot(tile_grads([0, -1], [1, None]), [0, -1]) n11 = dot(tile_grads([1, None], [1, None]), [-1, -1]) t = fade(grid[: shape[0], : shape[1]]) return 1.414 * torch.lerp(torch.lerp(n00, n10, t[..., 0]), torch.lerp(n01, n11, t[..., 0]), t[..., 1]) def rand_perlin_2d_octaves(device, shape, res, octaves=1, persistence=0.5): noise = torch.zeros(shape, device=device) frequency = 1 amplitude = 1 for _ in range(octaves): noise += amplitude * rand_perlin_2d(device, shape, (frequency * res[0], frequency * res[1])) frequency *= 2 amplitude *= persistence return noise def perlin_noise(noise, device, octaves): _, c, w, h = noise.shape perlin = lambda: rand_perlin_2d_octaves(device, (w, h), (4, 4), octaves) noise_perlin = [] for _ in range(c): noise_perlin.append(perlin()) noise_perlin = torch.stack(noise_perlin).unsqueeze(0) # (1, c, w, h) noise += noise_perlin # broadcast for each batch return noise / noise.std() # Scaled back to roughly unit variance """ ================================================ FILE: library/deepspeed_utils.py ================================================ import os import argparse import torch from accelerate import DeepSpeedPlugin, Accelerator from .utils import setup_logging from .device_utils import get_preferred_device setup_logging() import logging logger = logging.getLogger(__name__) def add_deepspeed_arguments(parser: argparse.ArgumentParser): # DeepSpeed Arguments. https://huggingface.co/docs/accelerate/usage_guides/deepspeed parser.add_argument("--deepspeed", action="store_true", help="enable deepspeed training") parser.add_argument("--zero_stage", type=int, default=2, choices=[0, 1, 2, 3], help="Possible options are 0,1,2,3.") parser.add_argument( "--offload_optimizer_device", type=str, default=None, choices=[None, "cpu", "nvme"], help="Possible options are none|cpu|nvme. Only applicable with ZeRO Stages 2 and 3.", ) parser.add_argument( "--offload_optimizer_nvme_path", type=str, default=None, help="Possible options are /nvme|/local_nvme. Only applicable with ZeRO Stage 3.", ) parser.add_argument( "--offload_param_device", type=str, default=None, choices=[None, "cpu", "nvme"], help="Possible options are none|cpu|nvme. Only applicable with ZeRO Stage 3.", ) parser.add_argument( "--offload_param_nvme_path", type=str, default=None, help="Possible options are /nvme|/local_nvme. Only applicable with ZeRO Stage 3.", ) parser.add_argument( "--zero3_init_flag", action="store_true", help="Flag to indicate whether to enable `deepspeed.zero.Init` for constructing massive models." "Only applicable with ZeRO Stage-3.", ) parser.add_argument( "--zero3_save_16bit_model", action="store_true", help="Flag to indicate whether to save 16-bit model. Only applicable with ZeRO Stage-3.", ) parser.add_argument( "--fp16_master_weights_and_gradients", action="store_true", help="fp16_master_and_gradients requires optimizer to support keeping fp16 master and gradients while keeping the optimizer states in fp32.", ) def prepare_deepspeed_args(args: argparse.Namespace): if not args.deepspeed: return # To avoid RuntimeError: DataLoader worker exited unexpectedly with exit code 1. args.max_data_loader_n_workers = 1 def prepare_deepspeed_plugin(args: argparse.Namespace): if not args.deepspeed: return None try: import deepspeed except ImportError as e: logger.error( "deepspeed is not installed. please install deepspeed in your environment with following command. DS_BUILD_OPS=0 pip install deepspeed" ) exit(1) deepspeed_plugin = DeepSpeedPlugin( zero_stage=args.zero_stage, gradient_accumulation_steps=args.gradient_accumulation_steps, gradient_clipping=args.max_grad_norm, offload_optimizer_device=args.offload_optimizer_device, offload_optimizer_nvme_path=args.offload_optimizer_nvme_path, offload_param_device=args.offload_param_device, offload_param_nvme_path=args.offload_param_nvme_path, zero3_init_flag=args.zero3_init_flag, zero3_save_16bit_model=args.zero3_save_16bit_model, ) deepspeed_plugin.deepspeed_config["train_micro_batch_size_per_gpu"] = args.train_batch_size deepspeed_plugin.deepspeed_config["train_batch_size"] = ( args.train_batch_size * args.gradient_accumulation_steps * int(os.environ["WORLD_SIZE"]) ) deepspeed_plugin.set_mixed_precision(args.mixed_precision) if args.mixed_precision.lower() == "fp16": deepspeed_plugin.deepspeed_config["fp16"]["initial_scale_power"] = 0 # preventing overflow. if args.full_fp16 or args.fp16_master_weights_and_gradients: if args.offload_optimizer_device == "cpu" and args.zero_stage == 2: deepspeed_plugin.deepspeed_config["fp16"]["fp16_master_weights_and_grads"] = True logger.info("[DeepSpeed] full fp16 enable.") else: logger.info( "[DeepSpeed]full fp16, fp16_master_weights_and_grads currently only supported using ZeRO-Offload with DeepSpeedCPUAdam on ZeRO-2 stage." ) if args.offload_optimizer_device is not None: logger.info("[DeepSpeed] start to manually build cpu_adam.") deepspeed.ops.op_builder.CPUAdamBuilder().load() logger.info("[DeepSpeed] building cpu_adam done.") return deepspeed_plugin # Accelerate library does not support multiple models for deepspeed. So, we need to wrap multiple models into a single model. def prepare_deepspeed_model(args: argparse.Namespace, **models): # remove None from models models = {k: v for k, v in models.items() if v is not None} class DeepSpeedWrapper(torch.nn.Module): def __init__(self, **kw_models) -> None: super().__init__() self.models = torch.nn.ModuleDict() wrap_model_forward_with_torch_autocast = args.mixed_precision != "no" for key, model in kw_models.items(): if isinstance(model, list): model = torch.nn.ModuleList(model) if wrap_model_forward_with_torch_autocast: model = self.__wrap_model_with_torch_autocast(model) assert isinstance( model, torch.nn.Module ), f"model must be an instance of torch.nn.Module, but got {key} is {type(model)}" self.models.update(torch.nn.ModuleDict({key: model})) def __wrap_model_with_torch_autocast(self, model): if isinstance(model, torch.nn.ModuleList): model = torch.nn.ModuleList([self.__wrap_model_forward_with_torch_autocast(m) for m in model]) else: model = self.__wrap_model_forward_with_torch_autocast(model) return model def __wrap_model_forward_with_torch_autocast(self, model): assert hasattr(model, "forward"), f"model must have a forward method." forward_fn = model.forward def forward(*args, **kwargs): try: device_type = model.device.type except AttributeError: logger.warning( "[DeepSpeed] model.device is not available. Using get_preferred_device() " "to determine the device_type for torch.autocast()." ) device_type = get_preferred_device().type with torch.autocast(device_type=device_type): return forward_fn(*args, **kwargs) model.forward = forward return model def get_models(self): return self.models ds_model = DeepSpeedWrapper(**models) return ds_model ================================================ FILE: library/device_utils.py ================================================ import functools import gc from typing import Optional, Union import torch try: # intel gpu support for pytorch older than 2.5 # ipex is not needed after pytorch 2.5 import intel_extension_for_pytorch as ipex # noqa except Exception: pass try: HAS_CUDA = torch.cuda.is_available() except Exception: HAS_CUDA = False try: HAS_MPS = torch.backends.mps.is_available() except Exception: HAS_MPS = False try: HAS_XPU = torch.xpu.is_available() except Exception: HAS_XPU = False def clean_memory(): gc.collect() if HAS_CUDA: torch.cuda.empty_cache() if HAS_XPU: torch.xpu.empty_cache() if HAS_MPS: torch.mps.empty_cache() def clean_memory_on_device(device: Optional[Union[str, torch.device]]): r""" Clean memory on the specified device, will be called from training scripts. """ gc.collect() if device is None: return if isinstance(device, str): device = torch.device(device) # device may "cuda" or "cuda:0", so we need to check the type of device if device.type == "cuda": torch.cuda.empty_cache() if device.type == "xpu": torch.xpu.empty_cache() if device.type == "mps": torch.mps.empty_cache() def synchronize_device(device: Optional[Union[str, torch.device]]): if device is None: return if isinstance(device, str): device = torch.device(device) if device.type == "cuda": torch.cuda.synchronize() elif device.type == "xpu": torch.xpu.synchronize() elif device.type == "mps": torch.mps.synchronize() @functools.lru_cache(maxsize=None) def get_preferred_device() -> torch.device: r""" Do not call this function from training scripts. Use accelerator.device instead. """ if HAS_CUDA: device = torch.device("cuda") elif HAS_XPU: device = torch.device("xpu") elif HAS_MPS: device = torch.device("mps") else: device = torch.device("cpu") print(f"get_preferred_device() -> {device}") return device def init_ipex(): """ Apply IPEX to CUDA hijacks using `library.ipex.ipex_init`. This function should run right after importing torch and before doing anything else. If xpu is not available, this function does nothing. """ try: if HAS_XPU: from library.ipex import ipex_init is_initialized, error_message = ipex_init() if not is_initialized: print("failed to initialize ipex:", error_message) else: return except Exception as e: print("failed to initialize ipex:", e) ================================================ FILE: library/flux_models.py ================================================ # copy from FLUX repo: https://github.com/black-forest-labs/flux # license: Apache-2.0 License import math import os import time from concurrent.futures import Future, ThreadPoolExecutor from dataclasses import dataclass from typing import Dict, List, Optional, Union from library import utils from library.device_utils import clean_memory_on_device, init_ipex init_ipex() import torch from einops import rearrange from torch import Tensor, nn from torch.utils.checkpoint import checkpoint from library import custom_offloading_utils # USE_REENTRANT = True @dataclass class FluxParams: in_channels: int vec_in_dim: int context_in_dim: int hidden_size: int mlp_ratio: float num_heads: int depth: int depth_single_blocks: int axes_dim: list[int] theta: int qkv_bias: bool guidance_embed: bool # region autoencoder @dataclass class AutoEncoderParams: resolution: int in_channels: int ch: int out_ch: int ch_mult: list[int] num_res_blocks: int z_channels: int scale_factor: float shift_factor: float def swish(x: Tensor) -> Tensor: return x * torch.sigmoid(x) class AttnBlock(nn.Module): def __init__(self, in_channels: int): super().__init__() self.in_channels = in_channels self.norm = nn.GroupNorm(num_groups=32, num_channels=in_channels, eps=1e-6, affine=True) self.q = nn.Conv2d(in_channels, in_channels, kernel_size=1) self.k = nn.Conv2d(in_channels, in_channels, kernel_size=1) self.v = nn.Conv2d(in_channels, in_channels, kernel_size=1) self.proj_out = nn.Conv2d(in_channels, in_channels, kernel_size=1) def attention(self, h_: Tensor) -> Tensor: h_ = self.norm(h_) q = self.q(h_) k = self.k(h_) v = self.v(h_) b, c, h, w = q.shape q = rearrange(q, "b c h w -> b 1 (h w) c").contiguous() k = rearrange(k, "b c h w -> b 1 (h w) c").contiguous() v = rearrange(v, "b c h w -> b 1 (h w) c").contiguous() h_ = nn.functional.scaled_dot_product_attention(q, k, v) return rearrange(h_, "b 1 (h w) c -> b c h w", h=h, w=w, c=c, b=b) def forward(self, x: Tensor) -> Tensor: return x + self.proj_out(self.attention(x)) class ResnetBlock(nn.Module): def __init__(self, in_channels: int, out_channels: int): super().__init__() self.in_channels = in_channels out_channels = in_channels if out_channels is None else out_channels self.out_channels = out_channels self.norm1 = nn.GroupNorm(num_groups=32, num_channels=in_channels, eps=1e-6, affine=True) self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=1, padding=1) self.norm2 = nn.GroupNorm(num_groups=32, num_channels=out_channels, eps=1e-6, affine=True) self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=1, padding=1) if self.in_channels != self.out_channels: self.nin_shortcut = nn.Conv2d(in_channels, out_channels, kernel_size=1, stride=1, padding=0) def forward(self, x): h = x h = self.norm1(h) h = swish(h) h = self.conv1(h) h = self.norm2(h) h = swish(h) h = self.conv2(h) if self.in_channels != self.out_channels: x = self.nin_shortcut(x) return x + h class Downsample(nn.Module): def __init__(self, in_channels: int): super().__init__() # no asymmetric padding in torch conv, must do it ourselves self.conv = nn.Conv2d(in_channels, in_channels, kernel_size=3, stride=2, padding=0) def forward(self, x: Tensor): pad = (0, 1, 0, 1) x = nn.functional.pad(x, pad, mode="constant", value=0) x = self.conv(x) return x class Upsample(nn.Module): def __init__(self, in_channels: int): super().__init__() self.conv = nn.Conv2d(in_channels, in_channels, kernel_size=3, stride=1, padding=1) def forward(self, x: Tensor): x = nn.functional.interpolate(x, scale_factor=2.0, mode="nearest") x = self.conv(x) return x class Encoder(nn.Module): def __init__( self, resolution: int, in_channels: int, ch: int, ch_mult: list[int], num_res_blocks: int, z_channels: int, ): super().__init__() self.ch = ch self.num_resolutions = len(ch_mult) self.num_res_blocks = num_res_blocks self.resolution = resolution self.in_channels = in_channels # downsampling self.conv_in = nn.Conv2d(in_channels, self.ch, kernel_size=3, stride=1, padding=1) curr_res = resolution in_ch_mult = (1,) + tuple(ch_mult) self.in_ch_mult = in_ch_mult self.down = nn.ModuleList() block_in = self.ch for i_level in range(self.num_resolutions): block = nn.ModuleList() attn = nn.ModuleList() block_in = ch * in_ch_mult[i_level] block_out = ch * ch_mult[i_level] for _ in range(self.num_res_blocks): block.append(ResnetBlock(in_channels=block_in, out_channels=block_out)) block_in = block_out down = nn.Module() down.block = block down.attn = attn if i_level != self.num_resolutions - 1: down.downsample = Downsample(block_in) curr_res = curr_res // 2 self.down.append(down) # middle self.mid = nn.Module() self.mid.block_1 = ResnetBlock(in_channels=block_in, out_channels=block_in) self.mid.attn_1 = AttnBlock(block_in) self.mid.block_2 = ResnetBlock(in_channels=block_in, out_channels=block_in) # end self.norm_out = nn.GroupNorm(num_groups=32, num_channels=block_in, eps=1e-6, affine=True) self.conv_out = nn.Conv2d(block_in, 2 * z_channels, kernel_size=3, stride=1, padding=1) def forward(self, x: Tensor) -> Tensor: # downsampling hs = [self.conv_in(x)] for i_level in range(self.num_resolutions): for i_block in range(self.num_res_blocks): h = self.down[i_level].block[i_block](hs[-1]) if len(self.down[i_level].attn) > 0: h = self.down[i_level].attn[i_block](h) hs.append(h) if i_level != self.num_resolutions - 1: hs.append(self.down[i_level].downsample(hs[-1])) # middle h = hs[-1] h = self.mid.block_1(h) h = self.mid.attn_1(h) h = self.mid.block_2(h) # end h = self.norm_out(h) h = swish(h) h = self.conv_out(h) return h class Decoder(nn.Module): def __init__( self, ch: int, out_ch: int, ch_mult: list[int], num_res_blocks: int, in_channels: int, resolution: int, z_channels: int, ): super().__init__() self.ch = ch self.num_resolutions = len(ch_mult) self.num_res_blocks = num_res_blocks self.resolution = resolution self.in_channels = in_channels self.ffactor = 2 ** (self.num_resolutions - 1) # compute in_ch_mult, block_in and curr_res at lowest res block_in = ch * ch_mult[self.num_resolutions - 1] curr_res = resolution // 2 ** (self.num_resolutions - 1) self.z_shape = (1, z_channels, curr_res, curr_res) # z to block_in self.conv_in = nn.Conv2d(z_channels, block_in, kernel_size=3, stride=1, padding=1) # middle self.mid = nn.Module() self.mid.block_1 = ResnetBlock(in_channels=block_in, out_channels=block_in) self.mid.attn_1 = AttnBlock(block_in) self.mid.block_2 = ResnetBlock(in_channels=block_in, out_channels=block_in) # upsampling self.up = nn.ModuleList() for i_level in reversed(range(self.num_resolutions)): block = nn.ModuleList() attn = nn.ModuleList() block_out = ch * ch_mult[i_level] for _ in range(self.num_res_blocks + 1): block.append(ResnetBlock(in_channels=block_in, out_channels=block_out)) block_in = block_out up = nn.Module() up.block = block up.attn = attn if i_level != 0: up.upsample = Upsample(block_in) curr_res = curr_res * 2 self.up.insert(0, up) # prepend to get consistent order # end self.norm_out = nn.GroupNorm(num_groups=32, num_channels=block_in, eps=1e-6, affine=True) self.conv_out = nn.Conv2d(block_in, out_ch, kernel_size=3, stride=1, padding=1) def forward(self, z: Tensor) -> Tensor: # z to block_in h = self.conv_in(z) # middle h = self.mid.block_1(h) h = self.mid.attn_1(h) h = self.mid.block_2(h) # upsampling for i_level in reversed(range(self.num_resolutions)): for i_block in range(self.num_res_blocks + 1): h = self.up[i_level].block[i_block](h) if len(self.up[i_level].attn) > 0: h = self.up[i_level].attn[i_block](h) if i_level != 0: h = self.up[i_level].upsample(h) # end h = self.norm_out(h) h = swish(h) h = self.conv_out(h) return h class DiagonalGaussian(nn.Module): def __init__(self, sample: bool = True, chunk_dim: int = 1): super().__init__() self.sample = sample self.chunk_dim = chunk_dim def forward(self, z: Tensor) -> Tensor: mean, logvar = torch.chunk(z, 2, dim=self.chunk_dim) if self.sample: std = torch.exp(0.5 * logvar) return mean + std * torch.randn_like(mean) else: return mean class AutoEncoder(nn.Module): def __init__(self, params: AutoEncoderParams): super().__init__() self.encoder = Encoder( resolution=params.resolution, in_channels=params.in_channels, ch=params.ch, ch_mult=params.ch_mult, num_res_blocks=params.num_res_blocks, z_channels=params.z_channels, ) self.decoder = Decoder( resolution=params.resolution, in_channels=params.in_channels, ch=params.ch, out_ch=params.out_ch, ch_mult=params.ch_mult, num_res_blocks=params.num_res_blocks, z_channels=params.z_channels, ) self.reg = DiagonalGaussian() self.scale_factor = params.scale_factor self.shift_factor = params.shift_factor @property def device(self) -> torch.device: return next(self.parameters()).device @property def dtype(self) -> torch.dtype: return next(self.parameters()).dtype def encode(self, x: Tensor) -> Tensor: z = self.reg(self.encoder(x)) z = self.scale_factor * (z - self.shift_factor) return z def decode(self, z: Tensor) -> Tensor: z = z / self.scale_factor + self.shift_factor return self.decoder(z) def forward(self, x: Tensor) -> Tensor: return self.decode(self.encode(x)) # endregion # region config @dataclass class ModelSpec: params: FluxParams ae_params: AutoEncoderParams ckpt_path: str | None ae_path: str | None # repo_id: str | None # repo_flow: str | None # repo_ae: str | None configs = { "dev": ModelSpec( # repo_id="black-forest-labs/FLUX.1-dev", # repo_flow="flux1-dev.sft", # repo_ae="ae.sft", ckpt_path=None, # os.getenv("FLUX_DEV"), params=FluxParams( in_channels=64, vec_in_dim=768, context_in_dim=4096, hidden_size=3072, mlp_ratio=4.0, num_heads=24, depth=19, depth_single_blocks=38, axes_dim=[16, 56, 56], theta=10_000, qkv_bias=True, guidance_embed=True, ), ae_path=None, # os.getenv("AE"), ae_params=AutoEncoderParams( resolution=256, in_channels=3, ch=128, out_ch=3, ch_mult=[1, 2, 4, 4], num_res_blocks=2, z_channels=16, scale_factor=0.3611, shift_factor=0.1159, ), ), "schnell": ModelSpec( # repo_id="black-forest-labs/FLUX.1-schnell", # repo_flow="flux1-schnell.sft", # repo_ae="ae.sft", ckpt_path=None, # os.getenv("FLUX_SCHNELL"), params=FluxParams( in_channels=64, vec_in_dim=768, context_in_dim=4096, hidden_size=3072, mlp_ratio=4.0, num_heads=24, depth=19, depth_single_blocks=38, axes_dim=[16, 56, 56], theta=10_000, qkv_bias=True, guidance_embed=False, ), ae_path=None, # os.getenv("AE"), ae_params=AutoEncoderParams( resolution=256, in_channels=3, ch=128, out_ch=3, ch_mult=[1, 2, 4, 4], num_res_blocks=2, z_channels=16, scale_factor=0.3611, shift_factor=0.1159, ), ), } # endregion # region math def attention(q: Tensor, k: Tensor, v: Tensor, pe: Tensor, attn_mask: Optional[Tensor] = None) -> Tensor: q, k = apply_rope(q, k, pe) x = torch.nn.functional.scaled_dot_product_attention(q, k, v, attn_mask=attn_mask) x = rearrange(x, "B H L D -> B L (H D)") return x def rope(pos: Tensor, dim: int, theta: int) -> Tensor: assert dim % 2 == 0 scale = torch.arange(0, dim, 2, dtype=torch.float64, device=pos.device) / dim omega = 1.0 / (theta**scale) out = torch.einsum("...n,d->...nd", pos, omega) out = torch.stack([torch.cos(out), -torch.sin(out), torch.sin(out), torch.cos(out)], dim=-1) out = rearrange(out, "b n d (i j) -> b n d i j", i=2, j=2) return out.float() def apply_rope(xq: Tensor, xk: Tensor, freqs_cis: Tensor) -> tuple[Tensor, Tensor]: xq_ = xq.float().reshape(*xq.shape[:-1], -1, 1, 2) xk_ = xk.float().reshape(*xk.shape[:-1], -1, 1, 2) xq_out = freqs_cis[..., 0] * xq_[..., 0] + freqs_cis[..., 1] * xq_[..., 1] xk_out = freqs_cis[..., 0] * xk_[..., 0] + freqs_cis[..., 1] * xk_[..., 1] return xq_out.reshape(*xq.shape).type_as(xq), xk_out.reshape(*xk.shape).type_as(xk) # endregion # region layers # for cpu_offload_checkpointing def to_cuda(x): if isinstance(x, torch.Tensor): return x.cuda() elif isinstance(x, (list, tuple)): return [to_cuda(elem) for elem in x] elif isinstance(x, dict): return {k: to_cuda(v) for k, v in x.items()} else: return x def to_cpu(x): if isinstance(x, torch.Tensor): return x.cpu() elif isinstance(x, (list, tuple)): return [to_cpu(elem) for elem in x] elif isinstance(x, dict): return {k: to_cpu(v) for k, v in x.items()} else: return x class EmbedND(nn.Module): def __init__(self, dim: int, theta: int, axes_dim: list[int]): super().__init__() self.dim = dim self.theta = theta self.axes_dim = axes_dim def forward(self, ids: Tensor) -> Tensor: n_axes = ids.shape[-1] emb = torch.cat( [rope(ids[..., i], self.axes_dim[i], self.theta) for i in range(n_axes)], dim=-3, ) return emb.unsqueeze(1) def timestep_embedding(t: Tensor, dim, max_period=10000, time_factor: float = 1000.0): """ Create sinusoidal timestep embeddings. :param t: a 1-D Tensor of N indices, one per batch element. These may be fractional. :param dim: the dimension of the output. :param max_period: controls the minimum frequency of the embeddings. :return: an (N, D) Tensor of positional embeddings. """ t = time_factor * t half = dim // 2 freqs = torch.exp(-math.log(max_period) * torch.arange(start=0, end=half, dtype=torch.float32) / half).to(t.device) args = t[:, None].float() * freqs[None] embedding = torch.cat([torch.cos(args), torch.sin(args)], dim=-1) if dim % 2: embedding = torch.cat([embedding, torch.zeros_like(embedding[:, :1])], dim=-1) if torch.is_floating_point(t): embedding = embedding.to(t) return embedding class MLPEmbedder(nn.Module): def __init__(self, in_dim: int, hidden_dim: int): super().__init__() self.in_layer = nn.Linear(in_dim, hidden_dim, bias=True) self.silu = nn.SiLU() self.out_layer = nn.Linear(hidden_dim, hidden_dim, bias=True) self.gradient_checkpointing = False def enable_gradient_checkpointing(self): self.gradient_checkpointing = True def disable_gradient_checkpointing(self): self.gradient_checkpointing = False def _forward(self, x: Tensor) -> Tensor: return self.out_layer(self.silu(self.in_layer(x))) def forward(self, *args, **kwargs): if self.training and self.gradient_checkpointing: return checkpoint(self._forward, *args, use_reentrant=False, **kwargs) else: return self._forward(*args, **kwargs) # def forward(self, x): # if self.training and self.gradient_checkpointing: # def create_custom_forward(func): # def custom_forward(*inputs): # return func(*inputs) # return custom_forward # return torch.utils.checkpoint.checkpoint(create_custom_forward(self._forward), x, use_reentrant=USE_REENTRANT) # else: # return self._forward(x) class RMSNorm(torch.nn.Module): def __init__(self, dim: int): super().__init__() self.scale = nn.Parameter(torch.ones(dim)) def forward(self, x: Tensor): x_dtype = x.dtype x = x.float() rrms = torch.rsqrt(torch.mean(x**2, dim=-1, keepdim=True) + 1e-6) # return (x * rrms).to(dtype=x_dtype) * self.scale return ((x * rrms) * self.scale.float()).to(dtype=x_dtype) class QKNorm(torch.nn.Module): def __init__(self, dim: int): super().__init__() self.query_norm = RMSNorm(dim) self.key_norm = RMSNorm(dim) def forward(self, q: Tensor, k: Tensor, v: Tensor) -> tuple[Tensor, Tensor]: q = self.query_norm(q) k = self.key_norm(k) return q.to(v), k.to(v) class SelfAttention(nn.Module): def __init__(self, dim: int, num_heads: int = 8, qkv_bias: bool = False): super().__init__() self.num_heads = num_heads head_dim = dim // num_heads self.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias) self.norm = QKNorm(head_dim) self.proj = nn.Linear(dim, dim) # this is not called from DoubleStreamBlock/SingleStreamBlock because they uses attention function directly def forward(self, x: Tensor, pe: Tensor) -> Tensor: qkv = self.qkv(x) q, k, v = rearrange(qkv, "B L (K H D) -> K B H L D", K=3, H=self.num_heads) q, k = self.norm(q, k, v) x = attention(q, k, v, pe=pe) x = self.proj(x) return x @dataclass class ModulationOut: shift: Tensor scale: Tensor gate: Tensor class Modulation(nn.Module): def __init__(self, dim: int, double: bool): super().__init__() self.is_double = double self.multiplier = 6 if double else 3 self.lin = nn.Linear(dim, self.multiplier * dim, bias=True) def forward(self, vec: Tensor) -> tuple[ModulationOut, ModulationOut | None]: out = self.lin(nn.functional.silu(vec))[:, None, :].chunk(self.multiplier, dim=-1) return ( ModulationOut(*out[:3]), ModulationOut(*out[3:]) if self.is_double else None, ) class DoubleStreamBlock(nn.Module): def __init__(self, hidden_size: int, num_heads: int, mlp_ratio: float, qkv_bias: bool = False): super().__init__() mlp_hidden_dim = int(hidden_size * mlp_ratio) self.num_heads = num_heads self.hidden_size = hidden_size self.img_mod = Modulation(hidden_size, double=True) self.img_norm1 = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.img_attn = SelfAttention(dim=hidden_size, num_heads=num_heads, qkv_bias=qkv_bias) self.img_norm2 = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.img_mlp = nn.Sequential( nn.Linear(hidden_size, mlp_hidden_dim, bias=True), nn.GELU(approximate="tanh"), nn.Linear(mlp_hidden_dim, hidden_size, bias=True), ) self.txt_mod = Modulation(hidden_size, double=True) self.txt_norm1 = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.txt_attn = SelfAttention(dim=hidden_size, num_heads=num_heads, qkv_bias=qkv_bias) self.txt_norm2 = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.txt_mlp = nn.Sequential( nn.Linear(hidden_size, mlp_hidden_dim, bias=True), nn.GELU(approximate="tanh"), nn.Linear(mlp_hidden_dim, hidden_size, bias=True), ) self.gradient_checkpointing = False self.cpu_offload_checkpointing = False def enable_gradient_checkpointing(self, cpu_offload: bool = False): self.gradient_checkpointing = True self.cpu_offload_checkpointing = cpu_offload def disable_gradient_checkpointing(self): self.gradient_checkpointing = False self.cpu_offload_checkpointing = False def _forward( self, img: Tensor, txt: Tensor, vec: Tensor, pe: Tensor, txt_attention_mask: Optional[Tensor] = None ) -> tuple[Tensor, Tensor]: img_mod1, img_mod2 = self.img_mod(vec) txt_mod1, txt_mod2 = self.txt_mod(vec) # prepare image for attention img_modulated = self.img_norm1(img) img_modulated = (1 + img_mod1.scale) * img_modulated + img_mod1.shift img_qkv = self.img_attn.qkv(img_modulated) img_q, img_k, img_v = rearrange(img_qkv, "B L (K H D) -> K B H L D", K=3, H=self.num_heads) img_q, img_k = self.img_attn.norm(img_q, img_k, img_v) # prepare txt for attention txt_modulated = self.txt_norm1(txt) txt_modulated = (1 + txt_mod1.scale) * txt_modulated + txt_mod1.shift txt_qkv = self.txt_attn.qkv(txt_modulated) txt_q, txt_k, txt_v = rearrange(txt_qkv, "B L (K H D) -> K B H L D", K=3, H=self.num_heads) txt_q, txt_k = self.txt_attn.norm(txt_q, txt_k, txt_v) # run actual attention q = torch.cat((txt_q, img_q), dim=2) k = torch.cat((txt_k, img_k), dim=2) v = torch.cat((txt_v, img_v), dim=2) # make attention mask if not None attn_mask = None if txt_attention_mask is not None: # F.scaled_dot_product_attention expects attn_mask to be bool for binary mask attn_mask = txt_attention_mask.to(torch.bool) # b, seq_len attn_mask = torch.cat( (attn_mask, torch.ones(attn_mask.shape[0], img.shape[1], device=attn_mask.device, dtype=torch.bool)), dim=1 ) # b, seq_len + img_len # broadcast attn_mask to all heads attn_mask = attn_mask[:, None, None, :].expand(-1, q.shape[1], q.shape[2], -1) attn = attention(q, k, v, pe=pe, attn_mask=attn_mask) txt_attn, img_attn = attn[:, : txt.shape[1]], attn[:, txt.shape[1] :] # calculate the img blocks img = img + img_mod1.gate * self.img_attn.proj(img_attn) img = img + img_mod2.gate * self.img_mlp((1 + img_mod2.scale) * self.img_norm2(img) + img_mod2.shift) # calculate the txt blocks txt = txt + txt_mod1.gate * self.txt_attn.proj(txt_attn) txt = txt + txt_mod2.gate * self.txt_mlp((1 + txt_mod2.scale) * self.txt_norm2(txt) + txt_mod2.shift) return img, txt def forward( self, img: Tensor, txt: Tensor, vec: Tensor, pe: Tensor, txt_attention_mask: Optional[Tensor] = None ) -> tuple[Tensor, Tensor]: if self.training and self.gradient_checkpointing: if not self.cpu_offload_checkpointing: return checkpoint(self._forward, img, txt, vec, pe, txt_attention_mask, use_reentrant=False) # cpu offload checkpointing def create_custom_forward(func): def custom_forward(*inputs): cuda_inputs = to_cuda(inputs) outputs = func(*cuda_inputs) return to_cpu(outputs) return custom_forward return torch.utils.checkpoint.checkpoint( create_custom_forward(self._forward), img, txt, vec, pe, txt_attention_mask, use_reentrant=False ) else: return self._forward(img, txt, vec, pe, txt_attention_mask) class SingleStreamBlock(nn.Module): """ A DiT block with parallel linear layers as described in https://arxiv.org/abs/2302.05442 and adapted modulation interface. """ def __init__( self, hidden_size: int, num_heads: int, mlp_ratio: float = 4.0, qk_scale: float | None = None, ): super().__init__() self.hidden_dim = hidden_size self.num_heads = num_heads head_dim = hidden_size // num_heads self.scale = qk_scale or head_dim**-0.5 self.mlp_hidden_dim = int(hidden_size * mlp_ratio) # qkv and mlp_in self.linear1 = nn.Linear(hidden_size, hidden_size * 3 + self.mlp_hidden_dim) # proj and mlp_out self.linear2 = nn.Linear(hidden_size + self.mlp_hidden_dim, hidden_size) self.norm = QKNorm(head_dim) self.hidden_size = hidden_size self.pre_norm = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.mlp_act = nn.GELU(approximate="tanh") self.modulation = Modulation(hidden_size, double=False) self.gradient_checkpointing = False self.cpu_offload_checkpointing = False def enable_gradient_checkpointing(self, cpu_offload: bool = False): self.gradient_checkpointing = True self.cpu_offload_checkpointing = cpu_offload def disable_gradient_checkpointing(self): self.gradient_checkpointing = False self.cpu_offload_checkpointing = False def _forward(self, x: Tensor, vec: Tensor, pe: Tensor, txt_attention_mask: Optional[Tensor] = None) -> Tensor: mod, _ = self.modulation(vec) x_mod = (1 + mod.scale) * self.pre_norm(x) + mod.shift qkv, mlp = torch.split(self.linear1(x_mod), [3 * self.hidden_size, self.mlp_hidden_dim], dim=-1) q, k, v = rearrange(qkv, "B L (K H D) -> K B H L D", K=3, H=self.num_heads) q, k = self.norm(q, k, v) # make attention mask if not None attn_mask = None if txt_attention_mask is not None: # F.scaled_dot_product_attention expects attn_mask to be bool for binary mask attn_mask = txt_attention_mask.to(torch.bool) # b, seq_len attn_mask = torch.cat( ( attn_mask, torch.ones( attn_mask.shape[0], x.shape[1] - txt_attention_mask.shape[1], device=attn_mask.device, dtype=torch.bool ), ), dim=1, ) # b, seq_len + img_len = x_len # broadcast attn_mask to all heads attn_mask = attn_mask[:, None, None, :].expand(-1, q.shape[1], q.shape[2], -1) # compute attention attn = attention(q, k, v, pe=pe, attn_mask=attn_mask) # compute activation in mlp stream, cat again and run second linear layer output = self.linear2(torch.cat((attn, self.mlp_act(mlp)), 2)) return x + mod.gate * output def forward(self, x: Tensor, vec: Tensor, pe: Tensor, txt_attention_mask: Optional[Tensor] = None) -> Tensor: if self.training and self.gradient_checkpointing: if not self.cpu_offload_checkpointing: return checkpoint(self._forward, x, vec, pe, txt_attention_mask, use_reentrant=False) # cpu offload checkpointing def create_custom_forward(func): def custom_forward(*inputs): cuda_inputs = to_cuda(inputs) outputs = func(*cuda_inputs) return to_cpu(outputs) return custom_forward return torch.utils.checkpoint.checkpoint( create_custom_forward(self._forward), x, vec, pe, txt_attention_mask, use_reentrant=False ) else: return self._forward(x, vec, pe, txt_attention_mask) class LastLayer(nn.Module): def __init__(self, hidden_size: int, patch_size: int, out_channels: int): super().__init__() self.norm_final = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.linear = nn.Linear(hidden_size, patch_size * patch_size * out_channels, bias=True) self.adaLN_modulation = nn.Sequential(nn.SiLU(), nn.Linear(hidden_size, 2 * hidden_size, bias=True)) def forward(self, x: Tensor, vec: Tensor) -> Tensor: shift, scale = self.adaLN_modulation(vec).chunk(2, dim=1) x = (1 + scale[:, None, :]) * self.norm_final(x) + shift[:, None, :] x = self.linear(x) return x # endregion class Flux(nn.Module): """ Transformer model for flow matching on sequences. """ def __init__(self, params: FluxParams): super().__init__() self.params = params self.in_channels = params.in_channels self.out_channels = self.in_channels if params.hidden_size % params.num_heads != 0: raise ValueError(f"Hidden size {params.hidden_size} must be divisible by num_heads {params.num_heads}") pe_dim = params.hidden_size // params.num_heads if sum(params.axes_dim) != pe_dim: raise ValueError(f"Got {params.axes_dim} but expected positional dim {pe_dim}") self.hidden_size = params.hidden_size self.num_heads = params.num_heads self.pe_embedder = EmbedND(dim=pe_dim, theta=params.theta, axes_dim=params.axes_dim) self.img_in = nn.Linear(self.in_channels, self.hidden_size, bias=True) self.time_in = MLPEmbedder(in_dim=256, hidden_dim=self.hidden_size) self.vector_in = MLPEmbedder(params.vec_in_dim, self.hidden_size) self.guidance_in = MLPEmbedder(in_dim=256, hidden_dim=self.hidden_size) if params.guidance_embed else nn.Identity() self.txt_in = nn.Linear(params.context_in_dim, self.hidden_size) self.double_blocks = nn.ModuleList( [ DoubleStreamBlock( self.hidden_size, self.num_heads, mlp_ratio=params.mlp_ratio, qkv_bias=params.qkv_bias, ) for _ in range(params.depth) ] ) self.single_blocks = nn.ModuleList( [ SingleStreamBlock(self.hidden_size, self.num_heads, mlp_ratio=params.mlp_ratio) for _ in range(params.depth_single_blocks) ] ) self.final_layer = LastLayer(self.hidden_size, 1, self.out_channels) self.gradient_checkpointing = False self.cpu_offload_checkpointing = False self.blocks_to_swap = None self.offloader_double = None self.offloader_single = None self.num_double_blocks = len(self.double_blocks) self.num_single_blocks = len(self.single_blocks) def get_model_type(self) -> str: return "flux" @property def device(self): return next(self.parameters()).device @property def dtype(self): return next(self.parameters()).dtype def enable_gradient_checkpointing(self, cpu_offload: bool = False): self.gradient_checkpointing = True self.cpu_offload_checkpointing = cpu_offload self.time_in.enable_gradient_checkpointing() self.vector_in.enable_gradient_checkpointing() if self.guidance_in.__class__ != nn.Identity: self.guidance_in.enable_gradient_checkpointing() for block in self.double_blocks + self.single_blocks: block.enable_gradient_checkpointing(cpu_offload=cpu_offload) print(f"FLUX: Gradient checkpointing enabled. CPU offload: {cpu_offload}") def disable_gradient_checkpointing(self): self.gradient_checkpointing = False self.cpu_offload_checkpointing = False self.time_in.disable_gradient_checkpointing() self.vector_in.disable_gradient_checkpointing() if self.guidance_in.__class__ != nn.Identity: self.guidance_in.disable_gradient_checkpointing() for block in self.double_blocks + self.single_blocks: block.disable_gradient_checkpointing() print("FLUX: Gradient checkpointing disabled.") def enable_block_swap(self, num_blocks: int, device: torch.device): self.blocks_to_swap = num_blocks double_blocks_to_swap = num_blocks // 2 single_blocks_to_swap = (num_blocks - double_blocks_to_swap) * 2 assert double_blocks_to_swap <= self.num_double_blocks - 2 and single_blocks_to_swap <= self.num_single_blocks - 2, ( f"Cannot swap more than {self.num_double_blocks - 2} double blocks and {self.num_single_blocks - 2} single blocks. " f"Requested {double_blocks_to_swap} double blocks and {single_blocks_to_swap} single blocks." ) self.offloader_double = custom_offloading_utils.ModelOffloader( self.double_blocks, double_blocks_to_swap, device # , debug=True ) self.offloader_single = custom_offloading_utils.ModelOffloader( self.single_blocks, single_blocks_to_swap, device # , debug=True ) print( f"FLUX: Block swap enabled. Swapping {num_blocks} blocks, double blocks: {double_blocks_to_swap}, single blocks: {single_blocks_to_swap}." ) def move_to_device_except_swap_blocks(self, device: torch.device): # assume model is on cpu. do not move blocks to device to reduce temporary memory usage if self.blocks_to_swap: save_double_blocks = self.double_blocks save_single_blocks = self.single_blocks self.double_blocks = None self.single_blocks = None self.to(device) if self.blocks_to_swap: self.double_blocks = save_double_blocks self.single_blocks = save_single_blocks def prepare_block_swap_before_forward(self): if self.blocks_to_swap is None or self.blocks_to_swap == 0: return self.offloader_double.prepare_block_devices_before_forward(self.double_blocks) self.offloader_single.prepare_block_devices_before_forward(self.single_blocks) def get_mod_vectors(self, timesteps: Tensor, guidance: Tensor | None = None, batch_size: int | None = None) -> Tensor: return None # FLUX.1 does not use mod_vectors, but Chroma does. def forward( self, img: Tensor, img_ids: Tensor, txt: Tensor, txt_ids: Tensor, timesteps: Tensor, y: Tensor, block_controlnet_hidden_states=None, block_controlnet_single_hidden_states=None, guidance: Tensor | None = None, txt_attention_mask: Tensor | None = None, mod_vectors: Tensor | None = None, ) -> Tensor: if img.ndim != 3 or txt.ndim != 3: raise ValueError("Input img and txt tensors must have 3 dimensions.") # running on sequences img img = self.img_in(img) vec = self.time_in(timestep_embedding(timesteps, 256)) if self.params.guidance_embed: if guidance is None: raise ValueError("Didn't get guidance strength for guidance distilled model.") vec = vec + self.guidance_in(timestep_embedding(guidance, 256)) vec = vec + self.vector_in(y) txt = self.txt_in(txt) ids = torch.cat((txt_ids, img_ids), dim=1) pe = self.pe_embedder(ids) if block_controlnet_hidden_states is not None: controlnet_depth = len(block_controlnet_hidden_states) if block_controlnet_single_hidden_states is not None: controlnet_single_depth = len(block_controlnet_single_hidden_states) if not self.blocks_to_swap: for block_idx, block in enumerate(self.double_blocks): img, txt = block(img=img, txt=txt, vec=vec, pe=pe, txt_attention_mask=txt_attention_mask) if block_controlnet_hidden_states is not None and controlnet_depth > 0: img = img + block_controlnet_hidden_states[block_idx % controlnet_depth] img = torch.cat((txt, img), 1) for block_idx, block in enumerate(self.single_blocks): img = block(img, vec=vec, pe=pe, txt_attention_mask=txt_attention_mask) if block_controlnet_single_hidden_states is not None and controlnet_single_depth > 0: img = img + block_controlnet_single_hidden_states[block_idx % controlnet_single_depth] else: for block_idx, block in enumerate(self.double_blocks): self.offloader_double.wait_for_block(block_idx) img, txt = block(img=img, txt=txt, vec=vec, pe=pe, txt_attention_mask=txt_attention_mask) if block_controlnet_hidden_states is not None and controlnet_depth > 0: img = img + block_controlnet_hidden_states[block_idx % controlnet_depth] self.offloader_double.submit_move_blocks(self.double_blocks, block_idx) img = torch.cat((txt, img), 1) for block_idx, block in enumerate(self.single_blocks): self.offloader_single.wait_for_block(block_idx) img = block(img, vec=vec, pe=pe, txt_attention_mask=txt_attention_mask) if block_controlnet_single_hidden_states is not None and controlnet_single_depth > 0: img = img + block_controlnet_single_hidden_states[block_idx % controlnet_single_depth] self.offloader_single.submit_move_blocks(self.single_blocks, block_idx) img = img[:, txt.shape[1] :, ...] if self.training and self.cpu_offload_checkpointing: img = img.to(self.device) vec = vec.to(self.device) img = self.final_layer(img, vec) # (N, T, patch_size ** 2 * out_channels) return img def zero_module(module): for p in module.parameters(): nn.init.zeros_(p) return module class ControlNetFlux(nn.Module): """ Transformer model for flow matching on sequences. """ def __init__(self, params: FluxParams, controlnet_depth=2, controlnet_single_depth=0): super().__init__() self.params = params self.in_channels = params.in_channels self.out_channels = self.in_channels if params.hidden_size % params.num_heads != 0: raise ValueError(f"Hidden size {params.hidden_size} must be divisible by num_heads {params.num_heads}") pe_dim = params.hidden_size // params.num_heads if sum(params.axes_dim) != pe_dim: raise ValueError(f"Got {params.axes_dim} but expected positional dim {pe_dim}") self.hidden_size = params.hidden_size self.num_heads = params.num_heads self.pe_embedder = EmbedND(dim=pe_dim, theta=params.theta, axes_dim=params.axes_dim) self.img_in = nn.Linear(self.in_channels, self.hidden_size, bias=True) self.time_in = MLPEmbedder(in_dim=256, hidden_dim=self.hidden_size) self.vector_in = MLPEmbedder(params.vec_in_dim, self.hidden_size) self.guidance_in = MLPEmbedder(in_dim=256, hidden_dim=self.hidden_size) if params.guidance_embed else nn.Identity() self.txt_in = nn.Linear(params.context_in_dim, self.hidden_size) self.double_blocks = nn.ModuleList( [ DoubleStreamBlock( self.hidden_size, self.num_heads, mlp_ratio=params.mlp_ratio, qkv_bias=params.qkv_bias, ) for _ in range(controlnet_depth) ] ) self.single_blocks = nn.ModuleList( [ SingleStreamBlock(self.hidden_size, self.num_heads, mlp_ratio=params.mlp_ratio) for _ in range(controlnet_single_depth) ] ) self.gradient_checkpointing = False self.cpu_offload_checkpointing = False self.blocks_to_swap = None self.offloader_double = None self.offloader_single = None self.num_double_blocks = len(self.double_blocks) self.num_single_blocks = len(self.single_blocks) # add ControlNet blocks self.controlnet_blocks = nn.ModuleList([]) for _ in range(controlnet_depth): controlnet_block = nn.Linear(self.hidden_size, self.hidden_size) controlnet_block = zero_module(controlnet_block) self.controlnet_blocks.append(controlnet_block) self.controlnet_blocks_for_single = nn.ModuleList([]) for _ in range(controlnet_single_depth): controlnet_block = nn.Linear(self.hidden_size, self.hidden_size) controlnet_block = zero_module(controlnet_block) self.controlnet_blocks_for_single.append(controlnet_block) self.pos_embed_input = nn.Linear(self.in_channels, self.hidden_size, bias=True) self.gradient_checkpointing = False self.input_hint_block = nn.Sequential( nn.Conv2d(3, 16, 3, padding=1), nn.SiLU(), nn.Conv2d(16, 16, 3, padding=1), nn.SiLU(), nn.Conv2d(16, 16, 3, padding=1, stride=2), nn.SiLU(), nn.Conv2d(16, 16, 3, padding=1), nn.SiLU(), nn.Conv2d(16, 16, 3, padding=1, stride=2), nn.SiLU(), nn.Conv2d(16, 16, 3, padding=1), nn.SiLU(), nn.Conv2d(16, 16, 3, padding=1, stride=2), nn.SiLU(), zero_module(nn.Conv2d(16, 16, 3, padding=1)), ) @property def device(self): return next(self.parameters()).device @property def dtype(self): return next(self.parameters()).dtype def enable_gradient_checkpointing(self, cpu_offload: bool = False): self.gradient_checkpointing = True self.cpu_offload_checkpointing = cpu_offload self.time_in.enable_gradient_checkpointing() self.vector_in.enable_gradient_checkpointing() if self.guidance_in.__class__ != nn.Identity: self.guidance_in.enable_gradient_checkpointing() for block in self.double_blocks + self.single_blocks: block.enable_gradient_checkpointing(cpu_offload=cpu_offload) print(f"FLUX: Gradient checkpointing enabled. CPU offload: {cpu_offload}") def disable_gradient_checkpointing(self): self.gradient_checkpointing = False self.cpu_offload_checkpointing = False self.time_in.disable_gradient_checkpointing() self.vector_in.disable_gradient_checkpointing() if self.guidance_in.__class__ != nn.Identity: self.guidance_in.disable_gradient_checkpointing() for block in self.double_blocks + self.single_blocks: block.disable_gradient_checkpointing() print("FLUX: Gradient checkpointing disabled.") def enable_block_swap(self, num_blocks: int, device: torch.device): self.blocks_to_swap = num_blocks double_blocks_to_swap = num_blocks // 2 single_blocks_to_swap = (num_blocks - double_blocks_to_swap) * 2 assert double_blocks_to_swap <= self.num_double_blocks - 2 and single_blocks_to_swap <= self.num_single_blocks - 2, ( f"Cannot swap more than {self.num_double_blocks - 2} double blocks and {self.num_single_blocks - 2} single blocks. " f"Requested {double_blocks_to_swap} double blocks and {single_blocks_to_swap} single blocks." ) self.offloader_double = custom_offloading_utils.ModelOffloader( self.double_blocks, double_blocks_to_swap, device # , debug=True ) self.offloader_single = custom_offloading_utils.ModelOffloader( self.single_blocks, single_blocks_to_swap, device # , debug=True ) print( f"FLUX: Block swap enabled. Swapping {num_blocks} blocks, double blocks: {double_blocks_to_swap}, single blocks: {single_blocks_to_swap}." ) def move_to_device_except_swap_blocks(self, device: torch.device): # assume model is on cpu. do not move blocks to device to reduce temporary memory usage if self.blocks_to_swap: save_double_blocks = self.double_blocks save_single_blocks = self.single_blocks self.double_blocks = nn.ModuleList() self.single_blocks = nn.ModuleList() self.to(device) if self.blocks_to_swap: self.double_blocks = save_double_blocks self.single_blocks = save_single_blocks def prepare_block_swap_before_forward(self): if self.blocks_to_swap is None or self.blocks_to_swap == 0: return self.offloader_double.prepare_block_devices_before_forward(self.double_blocks) self.offloader_single.prepare_block_devices_before_forward(self.single_blocks) def forward( self, img: Tensor, img_ids: Tensor, controlnet_cond: Tensor, txt: Tensor, txt_ids: Tensor, timesteps: Tensor, y: Tensor, guidance: Tensor | None = None, txt_attention_mask: Tensor | None = None, ) -> tuple[tuple[Tensor]]: if img.ndim != 3 or txt.ndim != 3: raise ValueError("Input img and txt tensors must have 3 dimensions.") # running on sequences img img = self.img_in(img) controlnet_cond = self.input_hint_block(controlnet_cond) controlnet_cond = rearrange(controlnet_cond, "b c (h ph) (w pw) -> b (h w) (c ph pw)", ph=2, pw=2) controlnet_cond = self.pos_embed_input(controlnet_cond) img = img + controlnet_cond vec = self.time_in(timestep_embedding(timesteps, 256)) if self.params.guidance_embed: if guidance is None: raise ValueError("Didn't get guidance strength for guidance distilled model.") vec = vec + self.guidance_in(timestep_embedding(guidance, 256)) vec = vec + self.vector_in(y) txt = self.txt_in(txt) ids = torch.cat((txt_ids, img_ids), dim=1) pe = self.pe_embedder(ids) block_samples = () block_single_samples = () if not self.blocks_to_swap: for block in self.double_blocks: img, txt = block(img=img, txt=txt, vec=vec, pe=pe, txt_attention_mask=txt_attention_mask) block_samples = block_samples + (img,) img = torch.cat((txt, img), 1) for block in self.single_blocks: img = block(img, vec=vec, pe=pe, txt_attention_mask=txt_attention_mask) block_single_samples = block_single_samples + (img,) else: for block_idx, block in enumerate(self.double_blocks): self.offloader_double.wait_for_block(block_idx) img, txt = block(img=img, txt=txt, vec=vec, pe=pe, txt_attention_mask=txt_attention_mask) block_samples = block_samples + (img,) self.offloader_double.submit_move_blocks(self.double_blocks, block_idx) img = torch.cat((txt, img), 1) for block_idx, block in enumerate(self.single_blocks): self.offloader_single.wait_for_block(block_idx) img = block(img, vec=vec, pe=pe, txt_attention_mask=txt_attention_mask) block_single_samples = block_single_samples + (img,) self.offloader_single.submit_move_blocks(self.single_blocks, block_idx) controlnet_block_samples = () controlnet_single_block_samples = () for block_sample, controlnet_block in zip(block_samples, self.controlnet_blocks): block_sample = controlnet_block(block_sample) controlnet_block_samples = controlnet_block_samples + (block_sample,) for block_sample, controlnet_block in zip(block_samples, self.controlnet_blocks_for_single): block_sample = controlnet_block(block_sample) controlnet_single_block_samples = controlnet_single_block_samples + (block_sample,) return controlnet_block_samples, controlnet_single_block_samples ================================================ FILE: library/flux_train_utils.py ================================================ import argparse import math import os import numpy as np import toml import json import time from typing import Callable, Dict, List, Optional, Tuple, Union import torch from accelerate import Accelerator, PartialState from transformers import CLIPTextModel from tqdm import tqdm from PIL import Image from safetensors.torch import save_file from library import flux_models, flux_utils, strategy_base, train_util from library.device_utils import init_ipex, clean_memory_on_device from library.safetensors_utils import mem_eff_save_file init_ipex() from .utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) # region sample images def sample_images( accelerator: Accelerator, args: argparse.Namespace, epoch, steps, flux, ae, text_encoders, sample_prompts_te_outputs, prompt_replacement=None, controlnet=None, ): if steps == 0: if not args.sample_at_first: return else: if args.sample_every_n_steps is None and args.sample_every_n_epochs is None: return if args.sample_every_n_epochs is not None: # sample_every_n_steps は無視する if epoch is None or epoch % args.sample_every_n_epochs != 0: return else: if steps % args.sample_every_n_steps != 0 or epoch is not None: # steps is not divisible or end of epoch return logger.info("") logger.info(f"generating sample images at step / サンプル画像生成 ステップ: {steps}") if not os.path.isfile(args.sample_prompts) and sample_prompts_te_outputs is None: logger.error(f"No prompt file / プロンプトファイルがありません: {args.sample_prompts}") return distributed_state = PartialState() # for multi gpu distributed inference. this is a singleton, so it's safe to use it here # unwrap unet and text_encoder(s) flux = accelerator.unwrap_model(flux) if text_encoders is not None: text_encoders = [(accelerator.unwrap_model(te) if te is not None else None) for te in text_encoders] if controlnet is not None: controlnet = accelerator.unwrap_model(controlnet) # print([(te.parameters().__next__().device if te is not None else None) for te in text_encoders]) prompts = train_util.load_prompts(args.sample_prompts) save_dir = args.output_dir + "/sample" os.makedirs(save_dir, exist_ok=True) # save random state to restore later rng_state = torch.get_rng_state() cuda_rng_state = None try: cuda_rng_state = torch.cuda.get_rng_state() if torch.cuda.is_available() else None except Exception: pass if distributed_state.num_processes <= 1: # If only one device is available, just use the original prompt list. We don't need to care about the distribution of prompts. with torch.no_grad(), accelerator.autocast(): for prompt_dict in prompts: sample_image_inference( accelerator, args, flux, text_encoders, ae, save_dir, prompt_dict, epoch, steps, sample_prompts_te_outputs, prompt_replacement, controlnet, ) else: # Creating list with N elements, where each element is a list of prompt_dicts, and N is the number of processes available (number of devices available) # prompt_dicts are assigned to lists based on order of processes, to attempt to time the image creation time to match enum order. Probably only works when steps and sampler are identical. per_process_prompts = [] # list of lists for i in range(distributed_state.num_processes): per_process_prompts.append(prompts[i :: distributed_state.num_processes]) with torch.no_grad(): with distributed_state.split_between_processes(per_process_prompts) as prompt_dict_lists: for prompt_dict in prompt_dict_lists[0]: sample_image_inference( accelerator, args, flux, text_encoders, ae, save_dir, prompt_dict, epoch, steps, sample_prompts_te_outputs, prompt_replacement, controlnet, ) torch.set_rng_state(rng_state) if cuda_rng_state is not None: torch.cuda.set_rng_state(cuda_rng_state) clean_memory_on_device(accelerator.device) def sample_image_inference( accelerator: Accelerator, args: argparse.Namespace, flux: flux_models.Flux, text_encoders: Optional[List[CLIPTextModel]], ae: flux_models.AutoEncoder, save_dir, prompt_dict, epoch, steps, sample_prompts_te_outputs, prompt_replacement, controlnet, ): assert isinstance(prompt_dict, dict) negative_prompt = prompt_dict.get("negative_prompt") sample_steps = prompt_dict.get("sample_steps", 20) width = prompt_dict.get("width", 512) height = prompt_dict.get("height", 512) emb_guidance_scale = prompt_dict.get("guidance_scale", 3.5) cfg_scale = prompt_dict.get("scale", 1.0) seed = prompt_dict.get("seed") controlnet_image = prompt_dict.get("controlnet_image") prompt: str = prompt_dict.get("prompt", "") # sampler_name: str = prompt_dict.get("sample_sampler", args.sample_sampler) if prompt_replacement is not None: prompt = prompt.replace(prompt_replacement[0], prompt_replacement[1]) if negative_prompt is not None: negative_prompt = negative_prompt.replace(prompt_replacement[0], prompt_replacement[1]) if seed is not None: torch.manual_seed(seed) torch.cuda.manual_seed(seed) else: # True random sample image generation torch.seed() torch.cuda.seed() if negative_prompt is None: negative_prompt = "" height = max(64, height - height % 16) # round to divisible by 16 width = max(64, width - width % 16) # round to divisible by 16 logger.info(f"prompt: {prompt}") if cfg_scale != 1.0: logger.info(f"negative_prompt: {negative_prompt}") elif negative_prompt != "": logger.info(f"negative prompt is ignored because scale is 1.0") logger.info(f"height: {height}") logger.info(f"width: {width}") logger.info(f"sample_steps: {sample_steps}") logger.info(f"embedded guidance scale: {emb_guidance_scale}") if cfg_scale != 1.0: logger.info(f"CFG scale: {cfg_scale}") # logger.info(f"sample_sampler: {sampler_name}") if seed is not None: logger.info(f"seed: {seed}") # encode prompts tokenize_strategy = strategy_base.TokenizeStrategy.get_strategy() encoding_strategy = strategy_base.TextEncodingStrategy.get_strategy() def encode_prompt(prpt): text_encoder_conds = [] if sample_prompts_te_outputs and prpt in sample_prompts_te_outputs: text_encoder_conds = sample_prompts_te_outputs[prpt] print(f"Using cached text encoder outputs for prompt: {prpt}") if text_encoders is not None: print(f"Encoding prompt: {prpt}") tokens_and_masks = tokenize_strategy.tokenize(prpt) # strategy has apply_t5_attn_mask option encoded_text_encoder_conds = encoding_strategy.encode_tokens(tokenize_strategy, text_encoders, tokens_and_masks) # if text_encoder_conds is not cached, use encoded_text_encoder_conds if len(text_encoder_conds) == 0: text_encoder_conds = encoded_text_encoder_conds else: # if encoded_text_encoder_conds is not None, update cached text_encoder_conds for i in range(len(encoded_text_encoder_conds)): if encoded_text_encoder_conds[i] is not None: text_encoder_conds[i] = encoded_text_encoder_conds[i] return text_encoder_conds l_pooled, t5_out, txt_ids, t5_attn_mask = encode_prompt(prompt) # encode negative prompts if cfg_scale != 1.0: neg_l_pooled, neg_t5_out, _, neg_t5_attn_mask = encode_prompt(negative_prompt) neg_t5_attn_mask = ( neg_t5_attn_mask.to(accelerator.device) if args.apply_t5_attn_mask and neg_t5_attn_mask is not None else None ) neg_cond = (cfg_scale, neg_l_pooled, neg_t5_out, neg_t5_attn_mask) else: neg_cond = None # sample image weight_dtype = ae.dtype # TOFO give dtype as argument packed_latent_height = height // 16 packed_latent_width = width // 16 noise = torch.randn( 1, packed_latent_height * packed_latent_width, 16 * 2 * 2, device=accelerator.device, dtype=weight_dtype, generator=torch.Generator(device=accelerator.device).manual_seed(seed) if seed is not None else None, ) timesteps = get_schedule(sample_steps, noise.shape[1], shift=True) # Chroma can use shift=True img_ids = flux_utils.prepare_img_ids(1, packed_latent_height, packed_latent_width).to(accelerator.device, weight_dtype) t5_attn_mask = t5_attn_mask.to(accelerator.device) if args.apply_t5_attn_mask else None if controlnet_image is not None: controlnet_image = Image.open(controlnet_image).convert("RGB") controlnet_image = controlnet_image.resize((width, height), Image.LANCZOS) controlnet_image = torch.from_numpy((np.array(controlnet_image) / 127.5) - 1) controlnet_image = controlnet_image.permute(2, 0, 1).unsqueeze(0).to(weight_dtype).to(accelerator.device) with accelerator.autocast(), torch.no_grad(): x = denoise( flux, noise, img_ids, t5_out, txt_ids, l_pooled, timesteps=timesteps, guidance=emb_guidance_scale, t5_attn_mask=t5_attn_mask, controlnet=controlnet, controlnet_img=controlnet_image, neg_cond=neg_cond, ) x = flux_utils.unpack_latents(x, packed_latent_height, packed_latent_width) # latent to image clean_memory_on_device(accelerator.device) org_vae_device = ae.device # will be on cpu ae.to(accelerator.device) # distributed_state.device is same as accelerator.device with accelerator.autocast(), torch.no_grad(): x = ae.decode(x) ae.to(org_vae_device) clean_memory_on_device(accelerator.device) x = x.clamp(-1, 1) x = x.permute(0, 2, 3, 1) image = Image.fromarray((127.5 * (x + 1.0)).float().cpu().numpy().astype(np.uint8)[0]) # adding accelerator.wait_for_everyone() here should sync up and ensure that sample images are saved in the same order as the original prompt list # but adding 'enum' to the filename should be enough ts_str = time.strftime("%Y%m%d%H%M%S", time.localtime()) num_suffix = f"e{epoch:06d}" if epoch is not None else f"{steps:06d}" seed_suffix = "" if seed is None else f"_{seed}" i: int = prompt_dict["enum"] img_filename = f"{'' if args.output_name is None else args.output_name + '_'}{num_suffix}_{i:02d}_{ts_str}{seed_suffix}.png" image.save(os.path.join(save_dir, img_filename)) # send images to wandb if enabled if "wandb" in [tracker.name for tracker in accelerator.trackers]: wandb_tracker = accelerator.get_tracker("wandb") import wandb # not to commit images to avoid inconsistency between training and logging steps wandb_tracker.log({f"sample_{i}": wandb.Image(image, caption=prompt)}, commit=False) # positive prompt as a caption def time_shift(mu: float, sigma: float, t: torch.Tensor): return math.exp(mu) / (math.exp(mu) + (1 / t - 1) ** sigma) def get_lin_function(x1: float = 256, y1: float = 0.5, x2: float = 4096, y2: float = 1.15) -> Callable[[float], float]: m = (y2 - y1) / (x2 - x1) b = y1 - m * x1 return lambda x: m * x + b def get_schedule( num_steps: int, image_seq_len: int, base_shift: float = 0.5, max_shift: float = 1.15, shift: bool = True, ) -> list[float]: # extra step for zero timesteps = torch.linspace(1, 0, num_steps + 1) # shifting the schedule to favor high timesteps for higher signal images if shift: # eastimate mu based on linear estimation between two points mu = get_lin_function(y1=base_shift, y2=max_shift)(image_seq_len) timesteps = time_shift(mu, 1.0, timesteps) return timesteps.tolist() def denoise( model: flux_models.Flux, img: torch.Tensor, img_ids: torch.Tensor, txt: torch.Tensor, # t5_out txt_ids: torch.Tensor, vec: torch.Tensor, # l_pooled timesteps: list[float], guidance: float = 4.0, t5_attn_mask: Optional[torch.Tensor] = None, controlnet: Optional[flux_models.ControlNetFlux] = None, controlnet_img: Optional[torch.Tensor] = None, neg_cond: Optional[Tuple[float, torch.Tensor, torch.Tensor, torch.Tensor]] = None, ): # this is ignored for schnell guidance_vec = torch.full((img.shape[0],), guidance, device=img.device, dtype=img.dtype) do_cfg = neg_cond is not None for t_curr, t_prev in zip(tqdm(timesteps[:-1]), timesteps[1:]): t_vec = torch.full((img.shape[0],), t_curr, dtype=img.dtype, device=img.device) model.prepare_block_swap_before_forward() if controlnet is not None: block_samples, block_single_samples = controlnet( img=img, img_ids=img_ids, controlnet_cond=controlnet_img, txt=txt, txt_ids=txt_ids, y=vec, timesteps=t_vec, guidance=guidance_vec, txt_attention_mask=t5_attn_mask, ) else: block_samples = None block_single_samples = None if not do_cfg: pred = model( img=img, img_ids=img_ids, txt=txt, txt_ids=txt_ids, y=vec, block_controlnet_hidden_states=block_samples, block_controlnet_single_hidden_states=block_single_samples, timesteps=t_vec, guidance=guidance_vec, txt_attention_mask=t5_attn_mask, ) img = img + (t_prev - t_curr) * pred else: cfg_scale, neg_l_pooled, neg_t5_out, neg_t5_attn_mask = neg_cond nc_c_t5_attn_mask = None if t5_attn_mask is None else torch.cat([neg_t5_attn_mask, t5_attn_mask], dim=0) # TODO is it ok to use the same block samples for both cond and uncond? block_samples = None if block_samples is None else torch.cat([block_samples, block_samples], dim=0) block_single_samples = ( None if block_single_samples is None else torch.cat([block_single_samples, block_single_samples], dim=0) ) nc_c_pred = model( img=torch.cat([img, img], dim=0), img_ids=torch.cat([img_ids, img_ids], dim=0), txt=torch.cat([neg_t5_out, txt], dim=0), txt_ids=torch.cat([txt_ids, txt_ids], dim=0), y=torch.cat([neg_l_pooled, vec], dim=0), block_controlnet_hidden_states=block_samples, block_controlnet_single_hidden_states=block_single_samples, timesteps=t_vec.repeat(2), guidance=guidance_vec.repeat(2), txt_attention_mask=nc_c_t5_attn_mask, ) neg_pred, pred = torch.chunk(nc_c_pred, 2, dim=0) pred = neg_pred + (pred - neg_pred) * cfg_scale img = img + (t_prev - t_curr) * pred model.prepare_block_swap_before_forward() return img # endregion # region train def get_sigmas(noise_scheduler, timesteps, device, n_dim=4, dtype=torch.float32): sigmas = noise_scheduler.sigmas.to(device=device, dtype=dtype) schedule_timesteps = noise_scheduler.timesteps.to(device) timesteps = timesteps.to(device) step_indices = [(schedule_timesteps == t).nonzero().item() for t in timesteps] sigma = sigmas[step_indices].flatten() return sigma def compute_density_for_timestep_sampling( weighting_scheme: str, batch_size: int, logit_mean: float = None, logit_std: float = None, mode_scale: float = None ): """Compute the density for sampling the timesteps when doing SD3 training. Courtesy: This was contributed by Rafie Walker in https://github.com/huggingface/diffusers/pull/8528. SD3 paper reference: https://arxiv.org/abs/2403.03206v1. """ if weighting_scheme == "logit_normal": # See 3.1 in the SD3 paper ($rf/lognorm(0.00,1.00)$). u = torch.normal(mean=logit_mean, std=logit_std, size=(batch_size,), device="cpu") u = torch.nn.functional.sigmoid(u) elif weighting_scheme == "mode": u = torch.rand(size=(batch_size,), device="cpu") u = 1 - u - mode_scale * (torch.cos(math.pi * u / 2) ** 2 - 1 + u) else: u = torch.rand(size=(batch_size,), device="cpu") return u def compute_loss_weighting_for_sd3(weighting_scheme: str, sigmas=None): """Computes loss weighting scheme for SD3 training. Courtesy: This was contributed by Rafie Walker in https://github.com/huggingface/diffusers/pull/8528. SD3 paper reference: https://arxiv.org/abs/2403.03206v1. """ if weighting_scheme == "sigma_sqrt": weighting = (sigmas**-2.0).float() elif weighting_scheme == "cosmap": bot = 1 - 2 * sigmas + 2 * sigmas**2 weighting = 2 / (math.pi * bot) else: weighting = torch.ones_like(sigmas) return weighting def get_noisy_model_input_and_timesteps( args, noise_scheduler, latents: torch.Tensor, noise: torch.Tensor, device, dtype ) -> Tuple[torch.Tensor, torch.Tensor, torch.Tensor]: bsz, h, w = latents.shape[0], latents.shape[-2], latents.shape[-1] assert bsz > 0, "Batch size not large enough" num_timesteps = noise_scheduler.config.num_train_timesteps if args.timestep_sampling == "uniform" or args.timestep_sampling == "sigmoid": # Simple random sigma-based noise sampling if args.timestep_sampling == "sigmoid": # https://github.com/XLabs-AI/x-flux/tree/main sigmas = torch.sigmoid(args.sigmoid_scale * torch.randn((bsz,), device=device)) else: sigmas = torch.rand((bsz,), device=device) timesteps = sigmas * num_timesteps elif args.timestep_sampling == "shift": shift = args.discrete_flow_shift sigmas = torch.randn(bsz, device=device) sigmas = sigmas * args.sigmoid_scale # larger scale for more uniform sampling sigmas = sigmas.sigmoid() sigmas = (sigmas * shift) / (1 + (shift - 1) * sigmas) timesteps = sigmas * num_timesteps elif args.timestep_sampling == "flux_shift": sigmas = torch.randn(bsz, device=device) sigmas = sigmas * args.sigmoid_scale # larger scale for more uniform sampling sigmas = sigmas.sigmoid() mu = get_lin_function(y1=0.5, y2=1.15)((h // 2) * (w // 2)) # we are pre-packed so must adjust for packed size sigmas = time_shift(mu, 1.0, sigmas) timesteps = sigmas * num_timesteps else: # Sample a random timestep for each image # for weighting schemes where we sample timesteps non-uniformly u = compute_density_for_timestep_sampling( weighting_scheme=args.weighting_scheme, batch_size=bsz, logit_mean=args.logit_mean, logit_std=args.logit_std, mode_scale=args.mode_scale, ) indices = (u * num_timesteps).long() timesteps = noise_scheduler.timesteps[indices].to(device=device) sigmas = get_sigmas(noise_scheduler, timesteps, device, n_dim=latents.ndim, dtype=dtype) # Broadcast sigmas to latent shape sigmas = sigmas.view(-1, 1, 1, 1) if latents.ndim == 4 else sigmas.view(-1, 1, 1, 1, 1) # Add noise to the latents according to the noise magnitude at each timestep # (this is the forward diffusion process) if args.ip_noise_gamma: xi = torch.randn_like(latents, device=latents.device, dtype=dtype) if args.ip_noise_gamma_random_strength: ip_noise_gamma = torch.rand(1, device=latents.device, dtype=dtype) * args.ip_noise_gamma else: ip_noise_gamma = args.ip_noise_gamma noisy_model_input = (1.0 - sigmas) * latents + sigmas * (noise + ip_noise_gamma * xi) else: noisy_model_input = (1.0 - sigmas) * latents + sigmas * noise return noisy_model_input.to(dtype), timesteps.to(dtype), sigmas def apply_model_prediction_type(args, model_pred, noisy_model_input, sigmas): weighting = None if args.model_prediction_type == "raw": pass elif args.model_prediction_type == "additive": # add the model_pred to the noisy_model_input model_pred = model_pred + noisy_model_input elif args.model_prediction_type == "sigma_scaled": # apply sigma scaling model_pred = model_pred * (-sigmas) + noisy_model_input # these weighting schemes use a uniform timestep sampling # and instead post-weight the loss weighting = compute_loss_weighting_for_sd3(weighting_scheme=args.weighting_scheme, sigmas=sigmas) return model_pred, weighting def save_models( ckpt_path: str, flux: flux_models.Flux, sai_metadata: Optional[dict], save_dtype: Optional[torch.dtype] = None, use_mem_eff_save: bool = False, ): state_dict = {} def update_sd(prefix, sd): for k, v in sd.items(): key = prefix + k if save_dtype is not None and v.dtype != save_dtype: v = v.detach().clone().to("cpu").to(save_dtype) state_dict[key] = v update_sd("", flux.state_dict()) if not use_mem_eff_save: save_file(state_dict, ckpt_path, metadata=sai_metadata) else: mem_eff_save_file(state_dict, ckpt_path, metadata=sai_metadata) def save_flux_model_on_train_end( args: argparse.Namespace, save_dtype: torch.dtype, epoch: int, global_step: int, flux: flux_models.Flux ): def sd_saver(ckpt_file, epoch_no, global_step): sai_metadata = train_util.get_sai_model_spec(None, args, False, False, False, is_stable_diffusion_ckpt=True, flux="dev") save_models(ckpt_file, flux, sai_metadata, save_dtype, args.mem_eff_save) train_util.save_sd_model_on_train_end_common(args, True, True, epoch, global_step, sd_saver, None) # epochとstepの保存、メタデータにepoch/stepが含まれ引数が同じになるため、統合している # on_epoch_end: Trueならepoch終了時、Falseならstep経過時 def save_flux_model_on_epoch_end_or_stepwise( args: argparse.Namespace, on_epoch_end: bool, accelerator, save_dtype: torch.dtype, epoch: int, num_train_epochs: int, global_step: int, flux: flux_models.Flux, ): def sd_saver(ckpt_file, epoch_no, global_step): sai_metadata = train_util.get_sai_model_spec(None, args, False, False, False, is_stable_diffusion_ckpt=True, flux="dev") save_models(ckpt_file, flux, sai_metadata, save_dtype, args.mem_eff_save) train_util.save_sd_model_on_epoch_end_or_stepwise_common( args, on_epoch_end, accelerator, True, True, epoch, num_train_epochs, global_step, sd_saver, None, ) # endregion def add_flux_train_arguments(parser: argparse.ArgumentParser): parser.add_argument( "--clip_l", type=str, help="path to clip_l (*.sft or *.safetensors), should be float16 / clip_lのパス（*.sftまたは*.safetensors）、float16が前提", ) parser.add_argument( "--t5xxl", type=str, help="path to t5xxl (*.sft or *.safetensors), should be float16 / t5xxlのパス（*.sftまたは*.safetensors）、float16が前提", ) parser.add_argument("--ae", type=str, help="path to ae (*.sft or *.safetensors) / aeのパス（*.sftまたは*.safetensors）") parser.add_argument( "--controlnet_model_name_or_path", type=str, default=None, help="path to controlnet (*.sft or *.safetensors) / controlnetのパス（*.sftまたは*.safetensors）", ) parser.add_argument( "--t5xxl_max_token_length", type=int, default=None, help="maximum token length for T5-XXL. if omitted, 256 for schnell and 512 for dev" " / T5-XXLの最大トークン長。省略された場合、schnellの場合は256、devの場合は512", ) parser.add_argument( "--apply_t5_attn_mask", action="store_true", help="apply attention mask to T5-XXL encode and FLUX double blocks / T5-XXLエンコードとFLUXダブルブロックにアテンションマスクを適用する", ) parser.add_argument( "--guidance_scale", type=float, default=3.5, help="the FLUX.1 dev variant is a guidance distilled model", ) parser.add_argument( "--timestep_sampling", choices=["sigma", "uniform", "sigmoid", "shift", "flux_shift"], default="sigma", help="Method to sample timesteps: sigma-based, uniform random, sigmoid of random normal, shift of sigmoid and FLUX.1 shifting." " / タイムステップをサンプリングする方法：sigma、random uniform、random normalのsigmoid、sigmoidのシフト、FLUX.1のシフト。", ) parser.add_argument( "--sigmoid_scale", type=float, default=1.0, help='Scale factor for sigmoid timestep sampling (only used when timestep-sampling is "sigmoid"). / sigmoidタイムステップサンプリングの倍率（timestep-samplingが"sigmoid"の場合のみ有効）。', ) parser.add_argument( "--model_prediction_type", choices=["raw", "additive", "sigma_scaled"], default="sigma_scaled", help="How to interpret and process the model prediction: " "raw (use as is), additive (add to noisy input), sigma_scaled (apply sigma scaling)." " / モデル予測の解釈と処理方法：" "raw（そのまま使用）、additive（ノイズ入力に加算）、sigma_scaled（シグマスケーリングを適用）。", ) parser.add_argument( "--discrete_flow_shift", type=float, default=3.0, help="Discrete flow shift for the Euler Discrete Scheduler, default is 3.0. / Euler Discrete Schedulerの離散フローシフト、デフォルトは3.0。", ) parser.add_argument( "--model_type", type=str, choices=["flux", "chroma"], default="flux", help="Model type to use for training / トレーニングに使用するモデルタイプ：flux or chroma (default: flux)", ) ================================================ FILE: library/flux_utils.py ================================================ import json import os from dataclasses import replace from typing import List, Optional, Tuple, Union import einops import torch from accelerate import init_empty_weights from safetensors import safe_open from safetensors.torch import load_file from transformers import CLIPConfig, CLIPTextModel, T5Config, T5EncoderModel from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) from library import flux_models from library.safetensors_utils import load_safetensors MODEL_VERSION_FLUX_V1 = "flux1" MODEL_NAME_DEV = "dev" MODEL_NAME_SCHNELL = "schnell" MODEL_VERSION_CHROMA = "chroma" def analyze_checkpoint_state(ckpt_path: str) -> Tuple[bool, bool, Tuple[int, int], List[str]]: """ チェックポイントの状態を分析し、DiffusersかBFLか、devかschnellか、ブロック数を計算して返す。 Args: ckpt_path (str): チェックポイントファイルまたはディレクトリのパス。 Returns: Tuple[bool, bool, Tuple[int, int], List[str]]: - bool: Diffusersかどうかを示すフラグ。 - bool: Schnellかどうかを示すフラグ。 - Tuple[int, int]: ダブルブロックとシングルブロックの数。 - List[str]: チェックポイントに含まれるキーのリスト。 """ # check the state dict: Diffusers or BFL, dev or schnell, number of blocks logger.info(f"Checking the state dict: Diffusers or BFL, dev or schnell") if os.path.isdir(ckpt_path): # if ckpt_path is a directory, it is Diffusers ckpt_path = os.path.join(ckpt_path, "transformer", "diffusion_pytorch_model-00001-of-00003.safetensors") if "00001-of-00003" in ckpt_path: ckpt_paths = [ckpt_path.replace("00001-of-00003", f"0000{i}-of-00003") for i in range(1, 4)] else: ckpt_paths = [ckpt_path] keys = [] for ckpt_path in ckpt_paths: with safe_open(ckpt_path, framework="pt") as f: keys.extend(f.keys()) # if the key has annoying prefix, remove it if keys[0].startswith("model.diffusion_model."): keys = [key.replace("model.diffusion_model.", "") for key in keys] is_diffusers = "transformer_blocks.0.attn.add_k_proj.bias" in keys is_schnell = not ("guidance_in.in_layer.bias" in keys or "time_text_embed.guidance_embedder.linear_1.bias" in keys) # check number of double and single blocks if not is_diffusers: max_double_block_index = max( [int(key.split(".")[1]) for key in keys if key.startswith("double_blocks.") and key.endswith(".img_attn.proj.bias")] ) max_single_block_index = max( [int(key.split(".")[1]) for key in keys if key.startswith("single_blocks.") and key.endswith(".modulation.lin.bias")] ) else: max_double_block_index = max( [ int(key.split(".")[1]) for key in keys if key.startswith("transformer_blocks.") and key.endswith(".attn.add_k_proj.bias") ] ) max_single_block_index = max( [ int(key.split(".")[1]) for key in keys if key.startswith("single_transformer_blocks.") and key.endswith(".attn.to_k.bias") ] ) num_double_blocks = max_double_block_index + 1 num_single_blocks = max_single_block_index + 1 return is_diffusers, is_schnell, (num_double_blocks, num_single_blocks), ckpt_paths def load_flow_model( ckpt_path: str, dtype: Optional[torch.dtype], device: Union[str, torch.device], disable_mmap: bool = False, model_type: str = "flux", ) -> Tuple[bool, flux_models.Flux]: if model_type == "flux": is_diffusers, is_schnell, (num_double_blocks, num_single_blocks), ckpt_paths = analyze_checkpoint_state(ckpt_path) name = MODEL_NAME_DEV if not is_schnell else MODEL_NAME_SCHNELL # build model logger.info(f"Building Flux model {name} from {'Diffusers' if is_diffusers else 'BFL'} checkpoint") with torch.device("meta"): params = flux_models.configs[name].params # set the number of blocks if params.depth != num_double_blocks: logger.info(f"Setting the number of double blocks from {params.depth} to {num_double_blocks}") params = replace(params, depth=num_double_blocks) if params.depth_single_blocks != num_single_blocks: logger.info(f"Setting the number of single blocks from {params.depth_single_blocks} to {num_single_blocks}") params = replace(params, depth_single_blocks=num_single_blocks) model = flux_models.Flux(params) if dtype is not None: model = model.to(dtype) # load_sft doesn't support torch.device logger.info(f"Loading state dict from {ckpt_path}") sd = {} for ckpt_path in ckpt_paths: sd.update(load_safetensors(ckpt_path, device=device, disable_mmap=disable_mmap, dtype=dtype)) # convert Diffusers to BFL if is_diffusers: logger.info("Converting Diffusers to BFL") sd = convert_diffusers_sd_to_bfl(sd, num_double_blocks, num_single_blocks) logger.info("Converted Diffusers to BFL") # if the key has annoying prefix, remove it for key in list(sd.keys()): new_key = key.replace("model.diffusion_model.", "") if new_key == key: break # the model doesn't have annoying prefix sd[new_key] = sd.pop(key) info = model.load_state_dict(sd, strict=False, assign=True) logger.info(f"Loaded Flux: {info}") return is_schnell, model elif model_type == "chroma": from . import chroma_models # build model logger.info("Building Chroma model") with torch.device("meta"): model = chroma_models.Chroma(chroma_models.chroma_params) if dtype is not None: model = model.to(dtype) # load_sft doesn't support torch.device logger.info(f"Loading state dict from {ckpt_path}") sd = load_safetensors(ckpt_path, device=str(device), disable_mmap=disable_mmap, dtype=dtype) # if the key has annoying prefix, remove it for key in list(sd.keys()): new_key = key.replace("model.diffusion_model.", "") if new_key == key: break # the model doesn't have annoying prefix sd[new_key] = sd.pop(key) info = model.load_state_dict(sd, strict=False, assign=True) logger.info(f"Loaded Chroma: {info}") is_schnell = False # Chroma is not schnell return is_schnell, model else: raise ValueError(f"Unsupported model_type: {model_type}. Supported types are 'flux' and 'chroma'.") def load_ae( ckpt_path: str, dtype: torch.dtype, device: Union[str, torch.device], disable_mmap: bool = False ) -> flux_models.AutoEncoder: logger.info("Building AutoEncoder") with torch.device("meta"): # dev and schnell have the same AE params ae = flux_models.AutoEncoder(flux_models.configs[MODEL_NAME_DEV].ae_params).to(dtype) logger.info(f"Loading state dict from {ckpt_path}") sd = load_safetensors(ckpt_path, device=str(device), disable_mmap=disable_mmap, dtype=dtype) info = ae.load_state_dict(sd, strict=False, assign=True) logger.info(f"Loaded AE: {info}") return ae def load_controlnet( ckpt_path: Optional[str], is_schnell: bool, dtype: torch.dtype, device: Union[str, torch.device], disable_mmap: bool = False ): logger.info("Building ControlNet") name = MODEL_NAME_DEV if not is_schnell else MODEL_NAME_SCHNELL with torch.device(device): controlnet = flux_models.ControlNetFlux(flux_models.configs[name].params).to(dtype) if ckpt_path is not None: logger.info(f"Loading state dict from {ckpt_path}") sd = load_safetensors(ckpt_path, device=str(device), disable_mmap=disable_mmap, dtype=dtype) info = controlnet.load_state_dict(sd, strict=False, assign=True) logger.info(f"Loaded ControlNet: {info}") return controlnet def dummy_clip_l() -> torch.nn.Module: """ Returns a dummy CLIP-L model with the output shape of (N, 77, 768). """ return DummyCLIPL() class DummyTextModel(torch.nn.Module): def __init__(self): super().__init__() self.embeddings = torch.nn.Parameter(torch.zeros(1)) class DummyCLIPL(torch.nn.Module): def __init__(self): super().__init__() self.output_shape = (77, 1) # Note: The original code had (77, 768), but we use (77, 1) for the dummy output # dtype and device from these parameters. train_network.py accesses them self.dummy_param = torch.nn.Parameter(torch.zeros(1)) self.dummy_param_2 = torch.nn.Parameter(torch.zeros(1)) self.dummy_param_3 = torch.nn.Parameter(torch.zeros(1)) self.text_model = DummyTextModel() @property def device(self): return self.dummy_param.device @property def dtype(self): return self.dummy_param.dtype def forward(self, *args, **kwargs): """ Returns a dummy output with the shape of (N, 77, 768). """ batch_size = args[0].shape[0] if args else 1 return {"pooler_output": torch.zeros(batch_size, *self.output_shape, device=self.device, dtype=self.dtype)} def load_clip_l( ckpt_path: Optional[str], dtype: torch.dtype, device: Union[str, torch.device], disable_mmap: bool = False, state_dict: Optional[dict] = None, ) -> CLIPTextModel: logger.info("Building CLIP-L") CLIPL_CONFIG = { "_name_or_path": "clip-vit-large-patch14/", "architectures": ["CLIPModel"], "initializer_factor": 1.0, "logit_scale_init_value": 2.6592, "model_type": "clip", "projection_dim": 768, # "text_config": { "_name_or_path": "", "add_cross_attention": False, "architectures": None, "attention_dropout": 0.0, "bad_words_ids": None, "bos_token_id": 0, "chunk_size_feed_forward": 0, "cross_attention_hidden_size": None, "decoder_start_token_id": None, "diversity_penalty": 0.0, "do_sample": False, "dropout": 0.0, "early_stopping": False, "encoder_no_repeat_ngram_size": 0, "eos_token_id": 2, "finetuning_task": None, "forced_bos_token_id": None, "forced_eos_token_id": None, "hidden_act": "quick_gelu", "hidden_size": 768, "id2label": {"0": "LABEL_0", "1": "LABEL_1"}, "initializer_factor": 1.0, "initializer_range": 0.02, "intermediate_size": 3072, "is_decoder": False, "is_encoder_decoder": False, "label2id": {"LABEL_0": 0, "LABEL_1": 1}, "layer_norm_eps": 1e-05, "length_penalty": 1.0, "max_length": 20, "max_position_embeddings": 77, "min_length": 0, "model_type": "clip_text_model", "no_repeat_ngram_size": 0, "num_attention_heads": 12, "num_beam_groups": 1, "num_beams": 1, "num_hidden_layers": 12, "num_return_sequences": 1, "output_attentions": False, "output_hidden_states": False, "output_scores": False, "pad_token_id": 1, "prefix": None, "problem_type": None, "projection_dim": 768, "pruned_heads": {}, "remove_invalid_values": False, "repetition_penalty": 1.0, "return_dict": True, "return_dict_in_generate": False, "sep_token_id": None, "task_specific_params": None, "temperature": 1.0, "tie_encoder_decoder": False, "tie_word_embeddings": True, "tokenizer_class": None, "top_k": 50, "top_p": 1.0, "torch_dtype": None, "torchscript": False, "transformers_version": "4.16.0.dev0", "use_bfloat16": False, "vocab_size": 49408, "hidden_act": "gelu", "hidden_size": 1280, "intermediate_size": 5120, "num_attention_heads": 20, "num_hidden_layers": 32, # }, # "text_config_dict": { "hidden_size": 768, "intermediate_size": 3072, "num_attention_heads": 12, "num_hidden_layers": 12, "projection_dim": 768, # }, # "torch_dtype": "float32", # "transformers_version": None, } config = CLIPConfig(**CLIPL_CONFIG) with init_empty_weights(): clip = CLIPTextModel._from_config(config) if state_dict is not None: sd = state_dict else: logger.info(f"Loading state dict from {ckpt_path}") sd = load_safetensors(ckpt_path, device=str(device), disable_mmap=disable_mmap, dtype=dtype) info = clip.load_state_dict(sd, strict=False, assign=True) logger.info(f"Loaded CLIP-L: {info}") return clip def load_t5xxl( ckpt_path: str, dtype: Optional[torch.dtype], device: Union[str, torch.device], disable_mmap: bool = False, state_dict: Optional[dict] = None, ) -> T5EncoderModel: T5_CONFIG_JSON = """ { "architectures": [ "T5EncoderModel" ], "classifier_dropout": 0.0, "d_ff": 10240, "d_kv": 64, "d_model": 4096, "decoder_start_token_id": 0, "dense_act_fn": "gelu_new", "dropout_rate": 0.1, "eos_token_id": 1, "feed_forward_proj": "gated-gelu", "initializer_factor": 1.0, "is_encoder_decoder": true, "is_gated_act": true, "layer_norm_epsilon": 1e-06, "model_type": "t5", "num_decoder_layers": 24, "num_heads": 64, "num_layers": 24, "output_past": true, "pad_token_id": 0, "relative_attention_max_distance": 128, "relative_attention_num_buckets": 32, "tie_word_embeddings": false, "torch_dtype": "float16", "transformers_version": "4.41.2", "use_cache": true, "vocab_size": 32128 } """ config = json.loads(T5_CONFIG_JSON) config = T5Config(**config) with init_empty_weights(): t5xxl = T5EncoderModel._from_config(config) if state_dict is not None: sd = state_dict else: logger.info(f"Loading state dict from {ckpt_path}") sd = load_safetensors(ckpt_path, device=str(device), disable_mmap=disable_mmap, dtype=dtype) info = t5xxl.load_state_dict(sd, strict=False, assign=True) logger.info(f"Loaded T5xxl: {info}") return t5xxl def get_t5xxl_actual_dtype(t5xxl: T5EncoderModel) -> torch.dtype: # nn.Embedding is the first layer, but it could be casted to bfloat16 or float32 return t5xxl.encoder.block[0].layer[0].SelfAttention.q.weight.dtype def prepare_img_ids(batch_size: int, packed_latent_height: int, packed_latent_width: int): img_ids = torch.zeros(packed_latent_height, packed_latent_width, 3) img_ids[..., 1] = img_ids[..., 1] + torch.arange(packed_latent_height)[:, None] img_ids[..., 2] = img_ids[..., 2] + torch.arange(packed_latent_width)[None, :] img_ids = einops.repeat(img_ids, "h w c -> b (h w) c", b=batch_size) return img_ids def unpack_latents(x: torch.Tensor, packed_latent_height: int, packed_latent_width: int) -> torch.Tensor: """ x: [b (h w) (c ph pw)] -> [b c (h ph) (w pw)], ph=2, pw=2 """ x = einops.rearrange(x, "b (h w) (c ph pw) -> b c (h ph) (w pw)", h=packed_latent_height, w=packed_latent_width, ph=2, pw=2) return x def pack_latents(x: torch.Tensor) -> torch.Tensor: """ x: [b c (h ph) (w pw)] -> [b (h w) (c ph pw)], ph=2, pw=2 """ x = einops.rearrange(x, "b c (h ph) (w pw) -> b (h w) (c ph pw)", ph=2, pw=2) return x # region Diffusers NUM_DOUBLE_BLOCKS = 19 NUM_SINGLE_BLOCKS = 38 BFL_TO_DIFFUSERS_MAP = { "time_in.in_layer.weight": ["time_text_embed.timestep_embedder.linear_1.weight"], "time_in.in_layer.bias": ["time_text_embed.timestep_embedder.linear_1.bias"], "time_in.out_layer.weight": ["time_text_embed.timestep_embedder.linear_2.weight"], "time_in.out_layer.bias": ["time_text_embed.timestep_embedder.linear_2.bias"], "vector_in.in_layer.weight": ["time_text_embed.text_embedder.linear_1.weight"], "vector_in.in_layer.bias": ["time_text_embed.text_embedder.linear_1.bias"], "vector_in.out_layer.weight": ["time_text_embed.text_embedder.linear_2.weight"], "vector_in.out_layer.bias": ["time_text_embed.text_embedder.linear_2.bias"], "guidance_in.in_layer.weight": ["time_text_embed.guidance_embedder.linear_1.weight"], "guidance_in.in_layer.bias": ["time_text_embed.guidance_embedder.linear_1.bias"], "guidance_in.out_layer.weight": ["time_text_embed.guidance_embedder.linear_2.weight"], "guidance_in.out_layer.bias": ["time_text_embed.guidance_embedder.linear_2.bias"], "txt_in.weight": ["context_embedder.weight"], "txt_in.bias": ["context_embedder.bias"], "img_in.weight": ["x_embedder.weight"], "img_in.bias": ["x_embedder.bias"], "double_blocks.().img_mod.lin.weight": ["norm1.linear.weight"], "double_blocks.().img_mod.lin.bias": ["norm1.linear.bias"], "double_blocks.().txt_mod.lin.weight": ["norm1_context.linear.weight"], "double_blocks.().txt_mod.lin.bias": ["norm1_context.linear.bias"], "double_blocks.().img_attn.qkv.weight": ["attn.to_q.weight", "attn.to_k.weight", "attn.to_v.weight"], "double_blocks.().img_attn.qkv.bias": ["attn.to_q.bias", "attn.to_k.bias", "attn.to_v.bias"], "double_blocks.().txt_attn.qkv.weight": ["attn.add_q_proj.weight", "attn.add_k_proj.weight", "attn.add_v_proj.weight"], "double_blocks.().txt_attn.qkv.bias": ["attn.add_q_proj.bias", "attn.add_k_proj.bias", "attn.add_v_proj.bias"], "double_blocks.().img_attn.norm.query_norm.scale": ["attn.norm_q.weight"], "double_blocks.().img_attn.norm.key_norm.scale": ["attn.norm_k.weight"], "double_blocks.().txt_attn.norm.query_norm.scale": ["attn.norm_added_q.weight"], "double_blocks.().txt_attn.norm.key_norm.scale": ["attn.norm_added_k.weight"], "double_blocks.().img_mlp.0.weight": ["ff.net.0.proj.weight"], "double_blocks.().img_mlp.0.bias": ["ff.net.0.proj.bias"], "double_blocks.().img_mlp.2.weight": ["ff.net.2.weight"], "double_blocks.().img_mlp.2.bias": ["ff.net.2.bias"], "double_blocks.().txt_mlp.0.weight": ["ff_context.net.0.proj.weight"], "double_blocks.().txt_mlp.0.bias": ["ff_context.net.0.proj.bias"], "double_blocks.().txt_mlp.2.weight": ["ff_context.net.2.weight"], "double_blocks.().txt_mlp.2.bias": ["ff_context.net.2.bias"], "double_blocks.().img_attn.proj.weight": ["attn.to_out.0.weight"], "double_blocks.().img_attn.proj.bias": ["attn.to_out.0.bias"], "double_blocks.().txt_attn.proj.weight": ["attn.to_add_out.weight"], "double_blocks.().txt_attn.proj.bias": ["attn.to_add_out.bias"], "single_blocks.().modulation.lin.weight": ["norm.linear.weight"], "single_blocks.().modulation.lin.bias": ["norm.linear.bias"], "single_blocks.().linear1.weight": ["attn.to_q.weight", "attn.to_k.weight", "attn.to_v.weight", "proj_mlp.weight"], "single_blocks.().linear1.bias": ["attn.to_q.bias", "attn.to_k.bias", "attn.to_v.bias", "proj_mlp.bias"], "single_blocks.().linear2.weight": ["proj_out.weight"], "single_blocks.().norm.query_norm.scale": ["attn.norm_q.weight"], "single_blocks.().norm.key_norm.scale": ["attn.norm_k.weight"], "single_blocks.().linear2.weight": ["proj_out.weight"], "single_blocks.().linear2.bias": ["proj_out.bias"], "final_layer.linear.weight": ["proj_out.weight"], "final_layer.linear.bias": ["proj_out.bias"], "final_layer.adaLN_modulation.1.weight": ["norm_out.linear.weight"], "final_layer.adaLN_modulation.1.bias": ["norm_out.linear.bias"], } def make_diffusers_to_bfl_map(num_double_blocks: int, num_single_blocks: int) -> dict[str, tuple[int, str]]: # make reverse map from diffusers map diffusers_to_bfl_map = {} # key: diffusers_key, value: (index, bfl_key) for b in range(num_double_blocks): for key, weights in BFL_TO_DIFFUSERS_MAP.items(): if key.startswith("double_blocks."): block_prefix = f"transformer_blocks.{b}." for i, weight in enumerate(weights): diffusers_to_bfl_map[f"{block_prefix}{weight}"] = (i, key.replace("()", f"{b}")) for b in range(num_single_blocks): for key, weights in BFL_TO_DIFFUSERS_MAP.items(): if key.startswith("single_blocks."): block_prefix = f"single_transformer_blocks.{b}." for i, weight in enumerate(weights): diffusers_to_bfl_map[f"{block_prefix}{weight}"] = (i, key.replace("()", f"{b}")) for key, weights in BFL_TO_DIFFUSERS_MAP.items(): if not (key.startswith("double_blocks.") or key.startswith("single_blocks.")): for i, weight in enumerate(weights): diffusers_to_bfl_map[weight] = (i, key) return diffusers_to_bfl_map def convert_diffusers_sd_to_bfl( diffusers_sd: dict[str, torch.Tensor], num_double_blocks: int = NUM_DOUBLE_BLOCKS, num_single_blocks: int = NUM_SINGLE_BLOCKS ) -> dict[str, torch.Tensor]: diffusers_to_bfl_map = make_diffusers_to_bfl_map(num_double_blocks, num_single_blocks) # iterate over three safetensors files to reduce memory usage flux_sd = {} for diffusers_key, tensor in diffusers_sd.items(): if diffusers_key in diffusers_to_bfl_map: index, bfl_key = diffusers_to_bfl_map[diffusers_key] if bfl_key not in flux_sd: flux_sd[bfl_key] = [] flux_sd[bfl_key].append((index, tensor)) else: logger.error(f"Error: Key not found in diffusers_to_bfl_map: {diffusers_key}") raise KeyError(f"Key not found in diffusers_to_bfl_map: {diffusers_key}") # concat tensors if multiple tensors are mapped to a single key, sort by index for key, values in flux_sd.items(): if len(values) == 1: flux_sd[key] = values[0][1] else: flux_sd[key] = torch.cat([value[1] for value in sorted(values, key=lambda x: x[0])]) # special case for final_layer.adaLN_modulation.1.weight and final_layer.adaLN_modulation.1.bias def swap_scale_shift(weight): shift, scale = weight.chunk(2, dim=0) new_weight = torch.cat([scale, shift], dim=0) return new_weight if "final_layer.adaLN_modulation.1.weight" in flux_sd: flux_sd["final_layer.adaLN_modulation.1.weight"] = swap_scale_shift(flux_sd["final_layer.adaLN_modulation.1.weight"]) if "final_layer.adaLN_modulation.1.bias" in flux_sd: flux_sd["final_layer.adaLN_modulation.1.bias"] = swap_scale_shift(flux_sd["final_layer.adaLN_modulation.1.bias"]) return flux_sd # endregion ================================================ FILE: library/fp8_optimization_utils.py ================================================ import os from typing import List, Optional, Union import torch import torch.nn as nn import torch.nn.functional as F import logging from tqdm import tqdm from library.device_utils import clean_memory_on_device from library.safetensors_utils import MemoryEfficientSafeOpen, TensorWeightAdapter, WeightTransformHooks from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) def calculate_fp8_maxval(exp_bits=4, mantissa_bits=3, sign_bits=1): """ Calculate the maximum representable value in FP8 format. Default is E4M3 format (4-bit exponent, 3-bit mantissa, 1-bit sign). Only supports E4M3 and E5M2 with sign bit. Args: exp_bits (int): Number of exponent bits mantissa_bits (int): Number of mantissa bits sign_bits (int): Number of sign bits (0 or 1) Returns: float: Maximum value representable in FP8 format """ assert exp_bits + mantissa_bits + sign_bits == 8, "Total bits must be 8" if exp_bits == 4 and mantissa_bits == 3 and sign_bits == 1: return torch.finfo(torch.float8_e4m3fn).max elif exp_bits == 5 and mantissa_bits == 2 and sign_bits == 1: return torch.finfo(torch.float8_e5m2).max else: raise ValueError(f"Unsupported FP8 format: E{exp_bits}M{mantissa_bits} with sign_bits={sign_bits}") # The following is a manual calculation method (wrong implementation for E5M2), kept for reference. """ # Calculate exponent bias bias = 2 ** (exp_bits - 1) - 1 # Calculate maximum mantissa value mantissa_max = 1.0 for i in range(mantissa_bits - 1): mantissa_max += 2 ** -(i + 1) # Calculate maximum value max_value = mantissa_max * (2 ** (2**exp_bits - 1 - bias)) return max_value """ def quantize_fp8(tensor, scale, fp8_dtype, max_value, min_value): """ Quantize a tensor to FP8 format using PyTorch's native FP8 dtype support. Args: tensor (torch.Tensor): Tensor to quantize scale (float or torch.Tensor): Scale factor fp8_dtype (torch.dtype): Target FP8 dtype (torch.float8_e4m3fn or torch.float8_e5m2) max_value (float): Maximum representable value in FP8 min_value (float): Minimum representable value in FP8 Returns: torch.Tensor: Quantized tensor in FP8 format """ tensor = tensor.to(torch.float32) # ensure tensor is in float32 for division # Create scaled tensor tensor = torch.div(tensor, scale).nan_to_num_(0.0) # handle NaN values, equivalent to nonzero_mask in previous function # Clamp tensor to range tensor = tensor.clamp_(min=min_value, max=max_value) # Convert to FP8 dtype tensor = tensor.to(fp8_dtype) return tensor def optimize_state_dict_with_fp8( state_dict: dict, calc_device: Union[str, torch.device], target_layer_keys: Optional[list[str]] = None, exclude_layer_keys: Optional[list[str]] = None, exp_bits: int = 4, mantissa_bits: int = 3, move_to_device: bool = False, quantization_mode: str = "block", block_size: Optional[int] = 64, ): """ Optimize Linear layer weights in a model's state dict to FP8 format. The state dict is modified in-place. This function is a static version of load_safetensors_with_fp8_optimization without loading from files. Args: state_dict (dict): State dict to optimize, replaced in-place calc_device (str): Device to quantize tensors on target_layer_keys (list, optional): Layer key patterns to target (None for all Linear layers) exclude_layer_keys (list, optional): Layer key patterns to exclude exp_bits (int): Number of exponent bits mantissa_bits (int): Number of mantissa bits move_to_device (bool): Move optimized tensors to the calculating device Returns: dict: FP8 optimized state dict """ if exp_bits == 4 and mantissa_bits == 3: fp8_dtype = torch.float8_e4m3fn elif exp_bits == 5 and mantissa_bits == 2: fp8_dtype = torch.float8_e5m2 else: raise ValueError(f"Unsupported FP8 format: E{exp_bits}M{mantissa_bits}") # Calculate FP8 max value max_value = calculate_fp8_maxval(exp_bits, mantissa_bits) min_value = -max_value # this function supports only signed FP8 # Create optimized state dict optimized_count = 0 # Enumerate tarket keys target_state_dict_keys = [] for key in state_dict.keys(): # Check if it's a weight key and matches target patterns is_target = (target_layer_keys is None or any(pattern in key for pattern in target_layer_keys)) and key.endswith(".weight") is_excluded = exclude_layer_keys is not None and any(pattern in key for pattern in exclude_layer_keys) is_target = is_target and not is_excluded if is_target and isinstance(state_dict[key], torch.Tensor): target_state_dict_keys.append(key) # Process each key for key in tqdm(target_state_dict_keys): value = state_dict[key] # Save original device and dtype original_device = value.device original_dtype = value.dtype # Move to calculation device if calc_device is not None: value = value.to(calc_device) quantized_weight, scale_tensor = quantize_weight(key, value, fp8_dtype, max_value, min_value, quantization_mode, block_size) # Add to state dict using original key for weight and new key for scale fp8_key = key # Maintain original key scale_key = key.replace(".weight", ".scale_weight") if not move_to_device: quantized_weight = quantized_weight.to(original_device) # keep scale shape: [1] or [out,1] or [out, num_blocks, 1]. We can determine the quantization mode from the shape of scale_weight in the patched model. scale_tensor = scale_tensor.to(dtype=original_dtype, device=quantized_weight.device) state_dict[fp8_key] = quantized_weight state_dict[scale_key] = scale_tensor optimized_count += 1 if calc_device is not None: # optimized_count % 10 == 0 and # free memory on calculation device clean_memory_on_device(calc_device) logger.info(f"Number of optimized Linear layers: {optimized_count}") return state_dict def quantize_weight( key: str, tensor: torch.Tensor, fp8_dtype: torch.dtype, max_value: float, min_value: float, quantization_mode: str = "block", block_size: int = 64, ): original_shape = tensor.shape # Determine quantization mode if quantization_mode == "block": if tensor.ndim != 2: quantization_mode = "tensor" # fallback to per-tensor else: out_features, in_features = tensor.shape if in_features % block_size != 0: quantization_mode = "channel" # fallback to per-channel logger.warning( f"Layer {key} with shape {tensor.shape} is not divisible by block_size {block_size}, fallback to per-channel quantization." ) else: num_blocks = in_features // block_size tensor = tensor.contiguous().view(out_features, num_blocks, block_size) # [out, num_blocks, block_size] elif quantization_mode == "channel": if tensor.ndim != 2: quantization_mode = "tensor" # fallback to per-tensor # Calculate scale factor (per-tensor or per-output-channel with percentile or max) # value shape is expected to be [out_features, in_features] for Linear weights if quantization_mode == "channel" or quantization_mode == "block": # row-wise percentile to avoid being dominated by outliers # result shape: [out_features, 1] or [out_features, num_blocks, 1] scale_dim = 1 if quantization_mode == "channel" else 2 abs_w = torch.abs(tensor) # shape: [out_features, 1] or [out_features, num_blocks, 1] row_max = torch.max(abs_w, dim=scale_dim, keepdim=True).values scale = row_max / max_value else: # per-tensor tensor_max = torch.max(torch.abs(tensor).view(-1)) scale = tensor_max / max_value # print(f"Optimizing {key} with scale: {scale}") # numerical safety scale = torch.clamp(scale, min=1e-8) scale = scale.to(torch.float32) # ensure scale is in float32 for division # Quantize weight to FP8 (scale can be scalar or [out,1], broadcasting works) quantized_weight = quantize_fp8(tensor, scale, fp8_dtype, max_value, min_value) # If block-wise, restore original shape if quantization_mode == "block": quantized_weight = quantized_weight.view(original_shape) # restore to original shape [out, in] return quantized_weight, scale def load_safetensors_with_fp8_optimization( model_files: List[str], calc_device: Union[str, torch.device], target_layer_keys=None, exclude_layer_keys=None, exp_bits=4, mantissa_bits=3, move_to_device=False, weight_hook=None, quantization_mode: str = "block", block_size: Optional[int] = 64, disable_numpy_memmap: bool = False, weight_transform_hooks: Optional[WeightTransformHooks] = None, ) -> dict: """ Load weight tensors from safetensors files and merge LoRA weights into the state dict with explicit FP8 optimization. Args: model_files (list[str]): List of model files to load calc_device (str or torch.device): Device to quantize tensors on target_layer_keys (list, optional): Layer key patterns to target for optimization (None for all Linear layers) exclude_layer_keys (list, optional): Layer key patterns to exclude from optimization exp_bits (int): Number of exponent bits mantissa_bits (int): Number of mantissa bits move_to_device (bool): Move optimized tensors to the calculating device weight_hook (callable, optional): Function to apply to each weight tensor before optimization quantization_mode (str): Quantization mode, "tensor", "channel", or "block" block_size (int, optional): Block size for block-wise quantization (used if quantization_mode is "block") disable_numpy_memmap (bool): Disable numpy memmap when loading safetensors weight_transform_hooks (WeightTransformHooks, optional): Hooks for weight transformation during loading Returns: dict: FP8 optimized state dict """ if exp_bits == 4 and mantissa_bits == 3: fp8_dtype = torch.float8_e4m3fn elif exp_bits == 5 and mantissa_bits == 2: fp8_dtype = torch.float8_e5m2 else: raise ValueError(f"Unsupported FP8 format: E{exp_bits}M{mantissa_bits}") # Calculate FP8 max value max_value = calculate_fp8_maxval(exp_bits, mantissa_bits) min_value = -max_value # this function supports only signed FP8 # Define function to determine if a key is a target key. target means fp8 optimization, not for weight hook. def is_target_key(key): # Check if weight key matches target patterns and does not match exclude patterns is_target = (target_layer_keys is None or any(pattern in key for pattern in target_layer_keys)) and key.endswith(".weight") is_excluded = exclude_layer_keys is not None and any(pattern in key for pattern in exclude_layer_keys) return is_target and not is_excluded # Create optimized state dict optimized_count = 0 # Process each file state_dict = {} for model_file in model_files: with MemoryEfficientSafeOpen(model_file, disable_numpy_memmap=disable_numpy_memmap) as original_f: f = TensorWeightAdapter(weight_transform_hooks, original_f) if weight_transform_hooks is not None else original_f keys = f.keys() for key in tqdm(keys, desc=f"Loading {os.path.basename(model_file)}", unit="key"): value = f.get_tensor(key) # Save original device original_device = value.device # usually cpu if weight_hook is not None: # Apply weight hook if provided value = weight_hook(key, value, keep_on_calc_device=(calc_device is not None)) if not is_target_key(key): target_device = calc_device if (calc_device is not None and move_to_device) else original_device value = value.to(target_device) state_dict[key] = value continue # Move to calculation device if calc_device is not None: value = value.to(calc_device) original_dtype = value.dtype if original_dtype.itemsize == 1: raise ValueError( f"Layer {key} is already in {original_dtype} format. `--fp8_scaled` optimization should not be applied. Please use fp16/bf16/float32 model weights." + f" / レイヤー {key} は既に{original_dtype}形式です。`--fp8_scaled` 最適化は適用できません。FP16/BF16/Float32のモデル重みを使用してください。" ) quantized_weight, scale_tensor = quantize_weight( key, value, fp8_dtype, max_value, min_value, quantization_mode, block_size ) # Add to state dict using original key for weight and new key for scale fp8_key = key # Maintain original key scale_key = key.replace(".weight", ".scale_weight") assert fp8_key != scale_key, "FP8 key and scale key must be different" if not move_to_device: quantized_weight = quantized_weight.to(original_device) # keep scale shape: [1] or [out,1] or [out, num_blocks, 1]. We can determine the quantization mode from the shape of scale_weight in the patched model. scale_tensor = scale_tensor.to(dtype=original_dtype, device=quantized_weight.device) state_dict[fp8_key] = quantized_weight state_dict[scale_key] = scale_tensor optimized_count += 1 if calc_device is not None and optimized_count % 10 == 0: # free memory on calculation device clean_memory_on_device(calc_device) logger.info(f"Number of optimized Linear layers: {optimized_count}") return state_dict def fp8_linear_forward_patch(self: nn.Linear, x, use_scaled_mm=False, max_value=None): """ Patched forward method for Linear layers with FP8 weights. Args: self: Linear layer instance x (torch.Tensor): Input tensor use_scaled_mm (bool): Use scaled_mm for FP8 Linear layers, requires SM 8.9+ (RTX 40 series) max_value (float): Maximum value for FP8 quantization. If None, no quantization is applied for input tensor. Returns: torch.Tensor: Result of linear transformation """ if use_scaled_mm: # **not tested** # _scaled_mm only works for per-tensor scale for now (per-channel scale does not work in certain cases) if self.scale_weight.ndim != 1: raise ValueError("scaled_mm only supports per-tensor scale_weight for now.") input_dtype = x.dtype original_weight_dtype = self.scale_weight.dtype target_dtype = self.weight.dtype # assert x.ndim == 3, "Input tensor must be 3D (batch_size, seq_len, hidden_dim)" if max_value is None: # no input quantization scale_x = torch.tensor(1.0, dtype=torch.float32, device=x.device) else: # calculate scale factor for input tensor scale_x = (torch.max(torch.abs(x.flatten())) / max_value).to(torch.float32) # quantize input tensor to FP8: this seems to consume a lot of memory fp8_max_value = torch.finfo(target_dtype).max fp8_min_value = torch.finfo(target_dtype).min x = quantize_fp8(x, scale_x, target_dtype, fp8_max_value, fp8_min_value) original_shape = x.shape x = x.reshape(-1, x.shape[-1]).to(target_dtype) weight = self.weight.t() scale_weight = self.scale_weight.to(torch.float32) if self.bias is not None: # float32 is not supported with bias in scaled_mm o = torch._scaled_mm(x, weight, out_dtype=original_weight_dtype, bias=self.bias, scale_a=scale_x, scale_b=scale_weight) else: o = torch._scaled_mm(x, weight, out_dtype=input_dtype, scale_a=scale_x, scale_b=scale_weight) o = o.reshape(original_shape[0], original_shape[1], -1) if len(original_shape) == 3 else o.reshape(original_shape[0], -1) return o.to(input_dtype) else: # Dequantize the weight original_dtype = self.scale_weight.dtype if self.scale_weight.ndim < 3: # per-tensor or per-channel quantization, we can broadcast dequantized_weight = self.weight.to(original_dtype) * self.scale_weight else: # block-wise quantization, need to reshape weight to match scale shape for broadcasting out_features, num_blocks, _ = self.scale_weight.shape dequantized_weight = self.weight.to(original_dtype).contiguous().view(out_features, num_blocks, -1) dequantized_weight = dequantized_weight * self.scale_weight dequantized_weight = dequantized_weight.view(self.weight.shape) # Perform linear transformation if self.bias is not None: output = F.linear(x, dequantized_weight, self.bias) else: output = F.linear(x, dequantized_weight) return output def apply_fp8_monkey_patch(model, optimized_state_dict, use_scaled_mm=False): """ Apply monkey patching to a model using FP8 optimized state dict. Args: model (nn.Module): Model instance to patch optimized_state_dict (dict): FP8 optimized state dict use_scaled_mm (bool): Use scaled_mm for FP8 Linear layers, requires SM 8.9+ (RTX 40 series) Returns: nn.Module: The patched model (same instance, modified in-place) """ # # Calculate FP8 float8_e5m2 max value # max_value = calculate_fp8_maxval(5, 2) max_value = None # do not quantize input tensor # Find all scale keys to identify FP8-optimized layers scale_keys = [k for k in optimized_state_dict.keys() if k.endswith(".scale_weight")] # Enumerate patched layers patched_module_paths = set() scale_shape_info = {} for scale_key in scale_keys: # Extract module path from scale key (remove .scale_weight) module_path = scale_key.rsplit(".scale_weight", 1)[0] patched_module_paths.add(module_path) # Store scale shape information scale_shape_info[module_path] = optimized_state_dict[scale_key].shape patched_count = 0 # Apply monkey patch to each layer with FP8 weights for name, module in model.named_modules(): # Check if this module has a corresponding scale_weight has_scale = name in patched_module_paths # Apply patch if it's a Linear layer with FP8 scale if isinstance(module, nn.Linear) and has_scale: # register the scale_weight as a buffer to load the state_dict # module.register_buffer("scale_weight", torch.tensor(1.0, dtype=module.weight.dtype)) scale_shape = scale_shape_info[name] module.register_buffer("scale_weight", torch.ones(scale_shape, dtype=module.weight.dtype)) # Create a new forward method with the patched version. def new_forward(self, x): return fp8_linear_forward_patch(self, x, use_scaled_mm, max_value) # Bind method to module module.forward = new_forward.__get__(module, type(module)) patched_count += 1 logger.info(f"Number of monkey-patched Linear layers: {patched_count}") return model ================================================ FILE: library/huggingface_util.py ================================================ from typing import Union, BinaryIO from huggingface_hub import HfApi from pathlib import Path import argparse import os from library.utils import fire_in_thread from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) def exists_repo(repo_id: str, repo_type: str, revision: str = "main", token: str = None): api = HfApi( token=token, ) try: api.repo_info(repo_id=repo_id, revision=revision, repo_type=repo_type) return True except: return False def upload( args: argparse.Namespace, src: Union[str, Path, bytes, BinaryIO], dest_suffix: str = "", force_sync_upload: bool = False, ): repo_id = args.huggingface_repo_id repo_type = args.huggingface_repo_type token = args.huggingface_token path_in_repo = args.huggingface_path_in_repo + dest_suffix if args.huggingface_path_in_repo is not None else None private = args.huggingface_repo_visibility is None or args.huggingface_repo_visibility != "public" api = HfApi(token=token) if not exists_repo(repo_id=repo_id, repo_type=repo_type, token=token): try: api.create_repo(repo_id=repo_id, repo_type=repo_type, private=private) except Exception as e: # とりあえずRepositoryNotFoundErrorは確認したが他にあると困るので logger.error("===========================================") logger.error(f"failed to create HuggingFace repo / HuggingFaceのリポジトリの作成に失敗しました : {e}") logger.error("===========================================") is_folder = (type(src) == str and os.path.isdir(src)) or (isinstance(src, Path) and src.is_dir()) def uploader(): try: if is_folder: api.upload_folder( repo_id=repo_id, repo_type=repo_type, folder_path=src, path_in_repo=path_in_repo, ) else: api.upload_file( repo_id=repo_id, repo_type=repo_type, path_or_fileobj=src, path_in_repo=path_in_repo, ) except Exception as e: # RuntimeErrorを確認済みだが他にあると困るので logger.error("===========================================") logger.error(f"failed to upload to HuggingFace / HuggingFaceへのアップロードに失敗しました : {e}") logger.error("===========================================") if args.async_upload and not force_sync_upload: fire_in_thread(uploader) else: uploader() def list_dir( repo_id: str, subfolder: str, repo_type: str, revision: str = "main", token: str = None, ): api = HfApi( token=token, ) repo_info = api.repo_info(repo_id=repo_id, revision=revision, repo_type=repo_type) file_list = [file for file in repo_info.siblings if file.rfilename.startswith(subfolder)] return file_list ================================================ FILE: library/hunyuan_image_models.py ================================================ # Original work: https://github.com/Tencent-Hunyuan/HunyuanImage-2.1 # Re-implemented for license compliance for sd-scripts. from typing import Dict, Optional, Tuple, Union import torch import torch.nn as nn from accelerate import init_empty_weights from library import custom_offloading_utils from library.attention import AttentionParams from library.fp8_optimization_utils import apply_fp8_monkey_patch from library.lora_utils import load_safetensors_with_lora_and_fp8 from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) from library.hunyuan_image_modules import ( SingleTokenRefiner, ByT5Mapper, PatchEmbed2D, TimestepEmbedder, MMDoubleStreamBlock, MMSingleStreamBlock, FinalLayer, ) from library.hunyuan_image_utils import get_nd_rotary_pos_embed FP8_OPTIMIZATION_TARGET_KEYS = ["double_blocks", "single_blocks"] # FP8_OPTIMIZATION_EXCLUDE_KEYS = ["norm", "_mod", "_emb"] # , "modulation" FP8_OPTIMIZATION_EXCLUDE_KEYS = ["norm", "_emb"] # , "modulation", "_mod" # full exclude 24.2GB # norm and _emb 19.7GB # fp8 cast 19.7GB # region DiT Model class HYImageDiffusionTransformer(nn.Module): """ HunyuanImage-2.1 Diffusion Transformer. A multimodal transformer for image generation with text conditioning, featuring separate double-stream and single-stream processing blocks. Args: attn_mode: Attention implementation mode ("torch" or "sageattn"). """ def __init__(self, attn_mode: str = "torch", split_attn: bool = False): super().__init__() # Fixed architecture parameters for HunyuanImage-2.1 self.patch_size = [1, 1] # 1x1 patch size (no spatial downsampling) self.in_channels = 64 # Input latent channels self.out_channels = 64 # Output latent channels self.unpatchify_channels = self.out_channels self.guidance_embed = False # Guidance embedding disabled self.rope_dim_list = [64, 64] # RoPE dimensions for 2D positional encoding self.rope_theta = 256 # RoPE frequency scaling self.use_attention_mask = True self.text_projection = "single_refiner" self.hidden_size = 3584 # Model dimension self.heads_num = 28 # Number of attention heads # Architecture configuration mm_double_blocks_depth = 20 # Double-stream transformer blocks mm_single_blocks_depth = 40 # Single-stream transformer blocks mlp_width_ratio = 4 # MLP expansion ratio text_states_dim = 3584 # Text encoder output dimension guidance_embed = False # No guidance embedding # Layer configuration mlp_act_type: str = "gelu_tanh" # MLP activation function qkv_bias: bool = True # Use bias in QKV projections qk_norm: bool = True # Apply QK normalization qk_norm_type: str = "rms" # RMS normalization type self.attn_mode = attn_mode self.split_attn = split_attn # ByT5 character-level text encoder mapping self.byt5_in = ByT5Mapper(in_dim=1472, out_dim=2048, hidden_dim=2048, out_dim1=self.hidden_size, use_residual=False) # Image latent patch embedding self.img_in = PatchEmbed2D(self.patch_size, self.in_channels, self.hidden_size) # Text token refinement with cross-attention self.txt_in = SingleTokenRefiner(text_states_dim, self.hidden_size, self.heads_num, depth=2) # Timestep embedding for diffusion process self.time_in = TimestepEmbedder(self.hidden_size, nn.SiLU) # MeanFlow not supported in this implementation self.time_r_in = None # Guidance embedding (disabled for non-distilled model) self.guidance_in = TimestepEmbedder(self.hidden_size, nn.SiLU) if guidance_embed else None # Double-stream blocks: separate image and text processing self.double_blocks = nn.ModuleList( [ MMDoubleStreamBlock( self.hidden_size, self.heads_num, mlp_width_ratio=mlp_width_ratio, mlp_act_type=mlp_act_type, qk_norm=qk_norm, qk_norm_type=qk_norm_type, qkv_bias=qkv_bias, ) for _ in range(mm_double_blocks_depth) ] ) # Single-stream blocks: joint processing of concatenated features self.single_blocks = nn.ModuleList( [ MMSingleStreamBlock( self.hidden_size, self.heads_num, mlp_width_ratio=mlp_width_ratio, mlp_act_type=mlp_act_type, qk_norm=qk_norm, qk_norm_type=qk_norm_type, ) for _ in range(mm_single_blocks_depth) ] ) self.final_layer = FinalLayer(self.hidden_size, self.patch_size, self.out_channels, nn.SiLU) self.gradient_checkpointing = False self.cpu_offload_checkpointing = False self.blocks_to_swap = None self.offloader_double = None self.offloader_single = None self.num_double_blocks = len(self.double_blocks) self.num_single_blocks = len(self.single_blocks) @property def device(self): return next(self.parameters()).device @property def dtype(self): return next(self.parameters()).dtype def enable_gradient_checkpointing(self, cpu_offload: bool = False): self.gradient_checkpointing = True self.cpu_offload_checkpointing = cpu_offload for block in self.double_blocks + self.single_blocks: block.enable_gradient_checkpointing(cpu_offload=cpu_offload) print(f"HunyuanImage-2.1: Gradient checkpointing enabled. CPU offload: {cpu_offload}") def disable_gradient_checkpointing(self): self.gradient_checkpointing = False self.cpu_offload_checkpointing = False for block in self.double_blocks + self.single_blocks: block.disable_gradient_checkpointing() print("HunyuanImage-2.1: Gradient checkpointing disabled.") def enable_block_swap(self, num_blocks: int, device: torch.device, supports_backward: bool = False): self.blocks_to_swap = num_blocks double_blocks_to_swap = num_blocks // 2 single_blocks_to_swap = (num_blocks - double_blocks_to_swap) * 2 assert double_blocks_to_swap <= self.num_double_blocks - 2 and single_blocks_to_swap <= self.num_single_blocks - 2, ( f"Cannot swap more than {self.num_double_blocks - 2} double blocks and {self.num_single_blocks - 2} single blocks. " f"Requested {double_blocks_to_swap} double blocks and {single_blocks_to_swap} single blocks." ) self.offloader_double = custom_offloading_utils.ModelOffloader( self.double_blocks, double_blocks_to_swap, device, supports_backward=supports_backward ) self.offloader_single = custom_offloading_utils.ModelOffloader( self.single_blocks, single_blocks_to_swap, device, supports_backward=supports_backward ) # , debug=True print( f"HunyuanImage-2.1: Block swap enabled. Swapping {num_blocks} blocks, double blocks: {double_blocks_to_swap}, single blocks: {single_blocks_to_swap}." ) def switch_block_swap_for_inference(self): if self.blocks_to_swap: self.offloader_double.set_forward_only(True) self.offloader_single.set_forward_only(True) self.prepare_block_swap_before_forward() print(f"HunyuanImage-2.1: Block swap set to forward only.") def switch_block_swap_for_training(self): if self.blocks_to_swap: self.offloader_double.set_forward_only(False) self.offloader_single.set_forward_only(False) self.prepare_block_swap_before_forward() print(f"HunyuanImage-2.1: Block swap set to forward and backward.") def move_to_device_except_swap_blocks(self, device: torch.device): # assume model is on cpu. do not move blocks to device to reduce temporary memory usage if self.blocks_to_swap: save_double_blocks = self.double_blocks save_single_blocks = self.single_blocks self.double_blocks = nn.ModuleList() self.single_blocks = nn.ModuleList() self.to(device) if self.blocks_to_swap: self.double_blocks = save_double_blocks self.single_blocks = save_single_blocks def prepare_block_swap_before_forward(self): if self.blocks_to_swap is None or self.blocks_to_swap == 0: return self.offloader_double.prepare_block_devices_before_forward(self.double_blocks) self.offloader_single.prepare_block_devices_before_forward(self.single_blocks) def get_rotary_pos_embed(self, rope_sizes): """ Generate 2D rotary position embeddings for image tokens. Args: rope_sizes: Tuple of (height, width) for spatial dimensions. Returns: Tuple of (freqs_cos, freqs_sin) tensors for rotary position encoding. """ freqs_cos, freqs_sin = get_nd_rotary_pos_embed(self.rope_dim_list, rope_sizes, theta=self.rope_theta) return freqs_cos, freqs_sin def reorder_txt_token( self, byt5_txt: torch.Tensor, txt: torch.Tensor, byt5_text_mask: torch.Tensor, text_mask: torch.Tensor ) -> Tuple[torch.Tensor, torch.Tensor, list[int]]: """ Combine and reorder ByT5 character-level and word-level text embeddings. Concatenates valid tokens from both encoders and creates appropriate masks. Args: byt5_txt: ByT5 character-level embeddings [B, L1, D]. txt: Word-level text embeddings [B, L2, D]. byt5_text_mask: Valid token mask for ByT5 [B, L1]. text_mask: Valid token mask for word tokens [B, L2]. Returns: Tuple of (reordered_embeddings, combined_mask, sequence_lengths). """ # Process each batch element separately to handle variable sequence lengths reorder_txt = [] reorder_mask = [] txt_lens = [] for i in range(text_mask.shape[0]): byt5_text_mask_i = byt5_text_mask[i].bool() text_mask_i = text_mask[i].bool() byt5_text_length = byt5_text_mask_i.sum() text_length = text_mask_i.sum() assert byt5_text_length == byt5_text_mask_i[:byt5_text_length].sum() assert text_length == text_mask_i[:text_length].sum() byt5_txt_i = byt5_txt[i] txt_i = txt[i] reorder_txt_i = torch.cat( [byt5_txt_i[:byt5_text_length], txt_i[:text_length], byt5_txt_i[byt5_text_length:], txt_i[text_length:]], dim=0 ) reorder_mask_i = torch.zeros( byt5_text_mask_i.shape[0] + text_mask_i.shape[0], dtype=torch.bool, device=byt5_text_mask_i.device ) reorder_mask_i[: byt5_text_length + text_length] = True reorder_txt.append(reorder_txt_i) reorder_mask.append(reorder_mask_i) txt_lens.append(byt5_text_length + text_length) reorder_txt = torch.stack(reorder_txt) reorder_mask = torch.stack(reorder_mask).to(dtype=torch.int64) return reorder_txt, reorder_mask, txt_lens def forward( self, hidden_states: torch.Tensor, timestep: torch.LongTensor, text_states: torch.Tensor, encoder_attention_mask: torch.Tensor, byt5_text_states: Optional[torch.Tensor] = None, byt5_text_mask: Optional[torch.Tensor] = None, rotary_pos_emb_cache: Optional[Dict[Tuple[int, int], Tuple[torch.Tensor, torch.Tensor]]] = None, ) -> torch.Tensor: """ Forward pass through the HunyuanImage diffusion transformer. Args: hidden_states: Input image latents [B, C, H, W]. timestep: Diffusion timestep [B]. text_states: Word-level text embeddings [B, L, D]. encoder_attention_mask: Text attention mask [B, L]. byt5_text_states: ByT5 character-level embeddings [B, L_byt5, D_byt5]. byt5_text_mask: ByT5 attention mask [B, L_byt5]. Returns: Tuple of (denoised_image, spatial_shape). """ img = x = hidden_states text_mask = encoder_attention_mask t = timestep txt = text_states # Calculate spatial dimensions for rotary position embeddings _, _, oh, ow = x.shape th, tw = oh, ow # Height and width (patch_size=[1,1] means no spatial downsampling) if rotary_pos_emb_cache is not None: if (th, tw) in rotary_pos_emb_cache: freqs_cis = rotary_pos_emb_cache[(th, tw)] freqs_cis = (freqs_cis[0].to(img.device), freqs_cis[1].to(img.device)) else: freqs_cis = self.get_rotary_pos_embed((th, tw)) rotary_pos_emb_cache[(th, tw)] = (freqs_cis[0].cpu(), freqs_cis[1].cpu()) else: freqs_cis = self.get_rotary_pos_embed((th, tw)) # Reshape image latents to sequence format: [B, C, H, W] -> [B, H*W, C] img = self.img_in(img) # Generate timestep conditioning vector vec = self.time_in(t) # MeanFlow and guidance embedding not used in this configuration # Process text tokens through refinement layers txt_attn_params = AttentionParams.create_attention_params_from_mask(self.attn_mode, self.split_attn, 0, text_mask) txt = self.txt_in(txt, t, txt_attn_params) # Integrate character-level ByT5 features with word-level tokens # Use variable length sequences with sequence lengths byt5_txt = self.byt5_in(byt5_text_states) txt, text_mask, txt_lens = self.reorder_txt_token(byt5_txt, txt, byt5_text_mask, text_mask) # Trim sequences to maximum length in the batch img_seq_len = img.shape[1] max_txt_len = max(txt_lens) txt = txt[:, :max_txt_len, :] text_mask = text_mask[:, :max_txt_len] attn_params = AttentionParams.create_attention_params_from_mask(self.attn_mode, self.split_attn, img_seq_len, text_mask) input_device = img.device # Process through double-stream blocks (separate image/text attention) for index, block in enumerate(self.double_blocks): if self.blocks_to_swap: self.offloader_double.wait_for_block(index) img, txt = block(img, txt, vec, freqs_cis, attn_params) if self.blocks_to_swap: self.offloader_double.submit_move_blocks(self.double_blocks, index) # Concatenate image and text tokens for joint processing x = torch.cat((img, txt), 1) # Process through single-stream blocks (joint attention) for index, block in enumerate(self.single_blocks): if self.blocks_to_swap: self.offloader_single.wait_for_block(index) x = block(x, vec, freqs_cis, attn_params) if self.blocks_to_swap: self.offloader_single.submit_move_blocks(self.single_blocks, index) x = x.to(input_device) vec = vec.to(input_device) img = x[:, :img_seq_len, ...] del x # Apply final projection to output space img = self.final_layer(img, vec) del vec # Reshape from sequence to spatial format: [B, L, C] -> [B, C, H, W] img = self.unpatchify_2d(img, th, tw) return img def unpatchify_2d(self, x, h, w): """ Convert sequence format back to spatial image format. Args: x: Input tensor [B, H*W, C]. h: Height dimension. w: Width dimension. Returns: Spatial tensor [B, C, H, W]. """ c = self.unpatchify_channels x = x.reshape(shape=(x.shape[0], h, w, c)) imgs = x.permute(0, 3, 1, 2) return imgs # endregion # region Model Utils def create_model(attn_mode: str, split_attn: bool, dtype: Optional[torch.dtype]) -> HYImageDiffusionTransformer: with init_empty_weights(): model = HYImageDiffusionTransformer(attn_mode=attn_mode, split_attn=split_attn) if dtype is not None: model.to(dtype) return model def load_hunyuan_image_model( device: Union[str, torch.device], dit_path: str, attn_mode: str, split_attn: bool, loading_device: Union[str, torch.device], dit_weight_dtype: Optional[torch.dtype], fp8_scaled: bool = False, lora_weights_list: Optional[Dict[str, torch.Tensor]] = None, lora_multipliers: Optional[list[float]] = None, ) -> HYImageDiffusionTransformer: """ Load a HunyuanImage model from the specified checkpoint. Args: device (Union[str, torch.device]): Device for optimization or merging dit_path (str): Path to the DiT model checkpoint. attn_mode (str): Attention mode to use, e.g., "torch", "flash", etc. split_attn (bool): Whether to use split attention. loading_device (Union[str, torch.device]): Device to load the model weights on. dit_weight_dtype (Optional[torch.dtype]): Data type of the DiT weights. If None, it will be loaded as is (same as the state_dict) or scaled for fp8. if not None, model weights will be casted to this dtype. fp8_scaled (bool): Whether to use fp8 scaling for the model weights. lora_weights_list (Optional[Dict[str, torch.Tensor]]): LoRA weights to apply, if any. lora_multipliers (Optional[List[float]]): LoRA multipliers for the weights, if any. """ # dit_weight_dtype is None for fp8_scaled assert (not fp8_scaled and dit_weight_dtype is not None) or (fp8_scaled and dit_weight_dtype is None) device = torch.device(device) loading_device = torch.device(loading_device) model = create_model(attn_mode, split_attn, dit_weight_dtype) # load model weights with dynamic fp8 optimization and LoRA merging if needed logger.info(f"Loading DiT model from {dit_path}, device={loading_device}") sd = load_safetensors_with_lora_and_fp8( model_files=dit_path, lora_weights_list=lora_weights_list, lora_multipliers=lora_multipliers, fp8_optimization=fp8_scaled, calc_device=device, move_to_device=(loading_device == device), dit_weight_dtype=dit_weight_dtype, target_keys=FP8_OPTIMIZATION_TARGET_KEYS, exclude_keys=FP8_OPTIMIZATION_EXCLUDE_KEYS, ) if fp8_scaled: apply_fp8_monkey_patch(model, sd, use_scaled_mm=False) if loading_device.type != "cpu": # make sure all the model weights are on the loading_device logger.info(f"Moving weights to {loading_device}") for key in sd.keys(): sd[key] = sd[key].to(loading_device) info = model.load_state_dict(sd, strict=True, assign=True) logger.info(f"Loaded DiT model from {dit_path}, info={info}") return model # endregion ================================================ FILE: library/hunyuan_image_modules.py ================================================ # Original work: https://github.com/Tencent-Hunyuan/HunyuanImage-2.1 # Re-implemented for license compliance for sd-scripts. from typing import Tuple, Callable import torch import torch.nn as nn from einops import rearrange from library import custom_offloading_utils from library.attention import AttentionParams, attention from library.hunyuan_image_utils import timestep_embedding, apply_rotary_emb, _to_tuple, apply_gate, modulate from library.attention import attention # region Modules class ByT5Mapper(nn.Module): """ Maps ByT5 character-level encoder outputs to transformer hidden space. Applies layer normalization, two MLP layers with GELU activation, and optional residual connection. Args: in_dim: Input dimension from ByT5 encoder (1472 for ByT5-large). out_dim: Intermediate dimension after first projection. hidden_dim: Hidden dimension for MLP layer. out_dim1: Final output dimension matching transformer hidden size. use_residual: Whether to add residual connection (requires in_dim == out_dim). """ def __init__(self, in_dim, out_dim, hidden_dim, out_dim1, use_residual=True): super().__init__() if use_residual: assert in_dim == out_dim self.layernorm = nn.LayerNorm(in_dim) self.fc1 = nn.Linear(in_dim, hidden_dim) self.fc2 = nn.Linear(hidden_dim, out_dim) self.fc3 = nn.Linear(out_dim, out_dim1) self.use_residual = use_residual self.act_fn = nn.GELU() def forward(self, x): """ Transform ByT5 embeddings to transformer space. Args: x: Input ByT5 embeddings [..., in_dim]. Returns: Transformed embeddings [..., out_dim1]. """ residual = x if self.use_residual else None x = self.layernorm(x) x = self.fc1(x) x = self.act_fn(x) x = self.fc2(x) x = self.act_fn(x) x = self.fc3(x) if self.use_residual: x = x + residual return x class PatchEmbed2D(nn.Module): """ 2D patch embedding layer for converting image latents to transformer tokens. Uses 2D convolution to project image patches to embedding space. For HunyuanImage-2.1, patch_size=[1,1] means no spatial downsampling. Args: patch_size: Spatial size of patches (int or tuple). in_chans: Number of input channels. embed_dim: Output embedding dimension. """ def __init__(self, patch_size=16, in_chans=3, embed_dim=768): super().__init__() self.patch_size = tuple(patch_size) self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=self.patch_size, stride=self.patch_size, bias=True) self.norm = nn.Identity() # No normalization layer used def forward(self, x): x = self.proj(x) x = x.flatten(2).transpose(1, 2) x = self.norm(x) return x class TimestepEmbedder(nn.Module): """ Embeds scalar diffusion timesteps into vector representations. Uses sinusoidal encoding followed by a two-layer MLP. Args: hidden_size: Output embedding dimension. act_layer: Activation function class (e.g., nn.SiLU). frequency_embedding_size: Dimension of sinusoidal encoding. max_period: Maximum period for sinusoidal frequencies. out_size: Output dimension (defaults to hidden_size). """ def __init__(self, hidden_size, act_layer, frequency_embedding_size=256, max_period=10000, out_size=None): super().__init__() self.frequency_embedding_size = frequency_embedding_size self.max_period = max_period if out_size is None: out_size = hidden_size self.mlp = nn.Sequential( nn.Linear(frequency_embedding_size, hidden_size, bias=True), act_layer(), nn.Linear(hidden_size, out_size, bias=True) ) def forward(self, t): t_freq = timestep_embedding(t, self.frequency_embedding_size, self.max_period).type(self.mlp[0].weight.dtype) return self.mlp(t_freq) class TextProjection(nn.Module): """ Projects text embeddings through a two-layer MLP. Used for context-aware representation computation in token refinement. Args: in_channels: Input feature dimension. hidden_size: Hidden and output dimension. act_layer: Activation function class. """ def __init__(self, in_channels, hidden_size, act_layer): super().__init__() self.linear_1 = nn.Linear(in_features=in_channels, out_features=hidden_size, bias=True) self.act_1 = act_layer() self.linear_2 = nn.Linear(in_features=hidden_size, out_features=hidden_size, bias=True) def forward(self, caption): hidden_states = self.linear_1(caption) hidden_states = self.act_1(hidden_states) hidden_states = self.linear_2(hidden_states) return hidden_states class MLP(nn.Module): """ Multi-layer perceptron with configurable activation and normalization. Standard two-layer MLP with optional dropout and intermediate normalization. Args: in_channels: Input feature dimension. hidden_channels: Hidden layer dimension (defaults to in_channels). out_features: Output dimension (defaults to in_channels). act_layer: Activation function class. norm_layer: Optional normalization layer class. bias: Whether to use bias (can be bool or tuple for each layer). drop: Dropout rate (can be float or tuple for each layer). use_conv: Whether to use convolution instead of linear (not supported). """ def __init__( self, in_channels, hidden_channels=None, out_features=None, act_layer=nn.GELU, norm_layer=None, bias=True, drop=0.0, use_conv=False, ): super().__init__() assert not use_conv, "Convolutional MLP not supported in this implementation." out_features = out_features or in_channels hidden_channels = hidden_channels or in_channels bias = _to_tuple(bias, 2) drop_probs = _to_tuple(drop, 2) self.fc1 = nn.Linear(in_channels, hidden_channels, bias=bias[0]) self.act = act_layer() self.drop1 = nn.Dropout(drop_probs[0]) self.norm = norm_layer(hidden_channels) if norm_layer is not None else nn.Identity() self.fc2 = nn.Linear(hidden_channels, out_features, bias=bias[1]) self.drop2 = nn.Dropout(drop_probs[1]) def forward(self, x): x = self.fc1(x) x = self.act(x) x = self.drop1(x) x = self.norm(x) x = self.fc2(x) x = self.drop2(x) return x class IndividualTokenRefinerBlock(nn.Module): """ Single transformer block for individual token refinement. Applies self-attention and MLP with adaptive layer normalization (AdaLN) conditioned on timestep and context information. Args: hidden_size: Model dimension. heads_num: Number of attention heads. mlp_width_ratio: MLP expansion ratio. mlp_drop_rate: MLP dropout rate. act_type: Activation function (only "silu" supported). qk_norm: QK normalization flag (must be False). qk_norm_type: QK normalization type (only "layer" supported). qkv_bias: Use bias in QKV projections. """ def __init__( self, hidden_size: int, heads_num: int, mlp_width_ratio: float = 4.0, mlp_drop_rate: float = 0.0, act_type: str = "silu", qk_norm: bool = False, qk_norm_type: str = "layer", qkv_bias: bool = True, ): super().__init__() assert qk_norm_type == "layer", "Only layer normalization supported for QK norm." assert act_type == "silu", "Only SiLU activation supported." assert not qk_norm, "QK normalization must be disabled." self.heads_num = heads_num mlp_hidden_dim = int(hidden_size * mlp_width_ratio) self.norm1 = nn.LayerNorm(hidden_size, elementwise_affine=True, eps=1e-6) self.self_attn_qkv = nn.Linear(hidden_size, hidden_size * 3, bias=qkv_bias) self.self_attn_q_norm = nn.Identity() self.self_attn_k_norm = nn.Identity() self.self_attn_proj = nn.Linear(hidden_size, hidden_size, bias=qkv_bias) self.norm2 = nn.LayerNorm(hidden_size, elementwise_affine=True, eps=1e-6) self.mlp = MLP(in_channels=hidden_size, hidden_channels=mlp_hidden_dim, act_layer=nn.SiLU, drop=mlp_drop_rate) self.adaLN_modulation = nn.Sequential( nn.SiLU(), nn.Linear(hidden_size, 2 * hidden_size, bias=True), ) def forward(self, x: torch.Tensor, c: torch.Tensor, attn_params: AttentionParams) -> torch.Tensor: """ Apply self-attention and MLP with adaptive conditioning. Args: x: Input token embeddings [B, L, C]. c: Combined conditioning vector [B, C]. attn_params: Attention parameters including sequence lengths. Returns: Refined token embeddings [B, L, C]. """ gate_msa, gate_mlp = self.adaLN_modulation(c).chunk(2, dim=1) norm_x = self.norm1(x) qkv = self.self_attn_qkv(norm_x) del norm_x q, k, v = rearrange(qkv, "B L (K H D) -> K B L H D", K=3, H=self.heads_num) del qkv q = self.self_attn_q_norm(q).to(v) k = self.self_attn_k_norm(k).to(v) qkv = [q, k, v] del q, k, v attn = attention(qkv, attn_params=attn_params) x = x + apply_gate(self.self_attn_proj(attn), gate_msa) x = x + apply_gate(self.mlp(self.norm2(x)), gate_mlp) return x class IndividualTokenRefiner(nn.Module): """ Stack of token refinement blocks with self-attention. Processes tokens individually with adaptive layer normalization. Args: hidden_size: Model dimension. heads_num: Number of attention heads. depth: Number of refinement blocks. mlp_width_ratio: MLP expansion ratio. mlp_drop_rate: MLP dropout rate. act_type: Activation function type. qk_norm: QK normalization flag. qk_norm_type: QK normalization type. qkv_bias: Use bias in QKV projections. """ def __init__( self, hidden_size: int, heads_num: int, depth: int, mlp_width_ratio: float = 4.0, mlp_drop_rate: float = 0.0, act_type: str = "silu", qk_norm: bool = False, qk_norm_type: str = "layer", qkv_bias: bool = True, ): super().__init__() self.blocks = nn.ModuleList( [ IndividualTokenRefinerBlock( hidden_size=hidden_size, heads_num=heads_num, mlp_width_ratio=mlp_width_ratio, mlp_drop_rate=mlp_drop_rate, act_type=act_type, qk_norm=qk_norm, qk_norm_type=qk_norm_type, qkv_bias=qkv_bias, ) for _ in range(depth) ] ) def forward(self, x: torch.Tensor, c: torch.LongTensor, attn_params: AttentionParams) -> torch.Tensor: """ Apply sequential token refinement. Args: x: Input token embeddings [B, L, C]. c: Combined conditioning vector [B, C]. attn_params: Attention parameters including sequence lengths. Returns: Refined token embeddings [B, L, C]. """ for block in self.blocks: x = block(x, c, attn_params) return x class SingleTokenRefiner(nn.Module): """ Text embedding refinement with timestep and context conditioning. Projects input text embeddings and applies self-attention refinement conditioned on diffusion timestep and aggregate text context. Args: in_channels: Input text embedding dimension. hidden_size: Transformer hidden dimension. heads_num: Number of attention heads. depth: Number of refinement blocks. """ def __init__(self, in_channels: int, hidden_size: int, heads_num: int, depth: int): # Fixed architecture parameters for HunyuanImage-2.1 mlp_drop_rate: float = 0.0 # No MLP dropout act_type: str = "silu" # SiLU activation mlp_width_ratio: float = 4.0 # 4x MLP expansion qk_norm: bool = False # No QK normalization qk_norm_type: str = "layer" # Layer norm type (unused) qkv_bias: bool = True # Use QKV bias super().__init__() self.input_embedder = nn.Linear(in_channels, hidden_size, bias=True) act_layer = nn.SiLU self.t_embedder = TimestepEmbedder(hidden_size, act_layer) self.c_embedder = TextProjection(in_channels, hidden_size, act_layer) self.individual_token_refiner = IndividualTokenRefiner( hidden_size=hidden_size, heads_num=heads_num, depth=depth, mlp_width_ratio=mlp_width_ratio, mlp_drop_rate=mlp_drop_rate, act_type=act_type, qk_norm=qk_norm, qk_norm_type=qk_norm_type, qkv_bias=qkv_bias, ) def forward(self, x: torch.Tensor, t: torch.LongTensor, attn_params: AttentionParams) -> torch.Tensor: """ Refine text embeddings with timestep conditioning. Args: x: Input text embeddings [B, L, in_channels]. t: Diffusion timestep [B]. attn_params: Attention parameters including sequence lengths. Returns: Refined embeddings [B, L, hidden_size]. """ timestep_aware_representations = self.t_embedder(t) # Compute context-aware representations by averaging valid tokens txt_lens = attn_params.seqlens # img_len is not used for SingleTokenRefiner context_aware_representations = torch.stack([x[i, : txt_lens[i]].mean(dim=0) for i in range(x.shape[0])], dim=0) # [B, C] context_aware_representations = self.c_embedder(context_aware_representations) c = timestep_aware_representations + context_aware_representations del timestep_aware_representations, context_aware_representations x = self.input_embedder(x) x = self.individual_token_refiner(x, c, attn_params) return x class FinalLayer(nn.Module): """ Final output projection layer with adaptive layer normalization. Projects transformer hidden states to output patch space with timestep-conditioned modulation. Args: hidden_size: Input hidden dimension. patch_size: Spatial patch size for output reshaping. out_channels: Number of output channels. act_layer: Activation function class. """ def __init__(self, hidden_size, patch_size, out_channels, act_layer): super().__init__() # Layer normalization without learnable parameters self.norm_final = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) out_size = (patch_size[0] * patch_size[1]) * out_channels self.linear = nn.Linear(hidden_size, out_size, bias=True) # Adaptive layer normalization modulation self.adaLN_modulation = nn.Sequential( act_layer(), nn.Linear(hidden_size, 2 * hidden_size, bias=True), ) def forward(self, x, c): shift, scale = self.adaLN_modulation(c).chunk(2, dim=1) x = modulate(self.norm_final(x), shift=shift, scale=scale) del shift, scale, c x = self.linear(x) return x class RMSNorm(nn.Module): """ Root Mean Square Layer Normalization. Normalizes input using RMS and applies learnable scaling. More efficient than LayerNorm as it doesn't compute mean. Args: dim: Input feature dimension. eps: Small value for numerical stability. """ def __init__(self, dim: int, eps: float = 1e-6): super().__init__() self.eps = eps self.weight = nn.Parameter(torch.ones(dim)) def _norm(self, x): """ Apply RMS normalization. Args: x: Input tensor. Returns: RMS normalized tensor. """ return x * torch.rsqrt(x.pow(2).mean(-1, keepdim=True) + self.eps) def reset_parameters(self): self.weight.fill_(1) def forward(self, x): """ Apply RMSNorm with learnable scaling. Args: x: Input tensor. Returns: Normalized and scaled tensor. """ output = self._norm(x.float()).type_as(x) del x # output = output * self.weight # fp8 support output = output * self.weight.to(output.dtype) return output # kept for reference, not used in current implementation # class LinearWarpforSingle(nn.Module): # """ # Linear layer wrapper for concatenating and projecting two inputs. # Used in single-stream blocks to combine attention output with MLP features. # Args: # in_dim: Input dimension (sum of both input feature dimensions). # out_dim: Output dimension. # bias: Whether to use bias in linear projection. # """ # def __init__(self, in_dim: int, out_dim: int, bias=False): # super().__init__() # self.fc = nn.Linear(in_dim, out_dim, bias=bias) # def forward(self, x, y): # """Concatenate inputs along feature dimension and project.""" # x = torch.cat([x.contiguous(), y.contiguous()], dim=2).contiguous() # return self.fc(x) class ModulateDiT(nn.Module): """ Timestep conditioning modulation layer. Projects timestep embeddings to multiple modulation parameters for adaptive layer normalization. Args: hidden_size: Input conditioning dimension. factor: Number of modulation parameters to generate. act_layer: Activation function class. """ def __init__(self, hidden_size: int, factor: int, act_layer: Callable): super().__init__() self.act = act_layer() self.linear = nn.Linear(hidden_size, factor * hidden_size, bias=True) def forward(self, x: torch.Tensor) -> torch.Tensor: return self.linear(self.act(x)) class MMDoubleStreamBlock(nn.Module): """ Multimodal double-stream transformer block. Processes image and text tokens separately with cross-modal attention. Each stream has its own normalization and MLP layers but shares attention computation for cross-modal interaction. Args: hidden_size: Model dimension. heads_num: Number of attention heads. mlp_width_ratio: MLP expansion ratio. mlp_act_type: MLP activation function (only "gelu_tanh" supported). qk_norm: QK normalization flag (must be True). qk_norm_type: QK normalization type (only "rms" supported). qkv_bias: Use bias in QKV projections. """ def __init__( self, hidden_size: int, heads_num: int, mlp_width_ratio: float, mlp_act_type: str = "gelu_tanh", qk_norm: bool = True, qk_norm_type: str = "rms", qkv_bias: bool = False, ): super().__init__() assert mlp_act_type == "gelu_tanh", "Only GELU-tanh activation supported." assert qk_norm_type == "rms", "Only RMS normalization supported." assert qk_norm, "QK normalization must be enabled." self.heads_num = heads_num head_dim = hidden_size // heads_num mlp_hidden_dim = int(hidden_size * mlp_width_ratio) # Image stream processing components self.img_mod = ModulateDiT(hidden_size, factor=6, act_layer=nn.SiLU) self.img_norm1 = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.img_attn_qkv = nn.Linear(hidden_size, hidden_size * 3, bias=qkv_bias) self.img_attn_q_norm = RMSNorm(head_dim, eps=1e-6) self.img_attn_k_norm = RMSNorm(head_dim, eps=1e-6) self.img_attn_proj = nn.Linear(hidden_size, hidden_size, bias=qkv_bias) self.img_norm2 = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.img_mlp = MLP(hidden_size, mlp_hidden_dim, act_layer=lambda: nn.GELU(approximate="tanh"), bias=True) # Text stream processing components self.txt_mod = ModulateDiT(hidden_size, factor=6, act_layer=nn.SiLU) self.txt_norm1 = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.txt_attn_qkv = nn.Linear(hidden_size, hidden_size * 3, bias=qkv_bias) self.txt_attn_q_norm = RMSNorm(head_dim, eps=1e-6) self.txt_attn_k_norm = RMSNorm(head_dim, eps=1e-6) self.txt_attn_proj = nn.Linear(hidden_size, hidden_size, bias=qkv_bias) self.txt_norm2 = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.txt_mlp = MLP(hidden_size, mlp_hidden_dim, act_layer=lambda: nn.GELU(approximate="tanh"), bias=True) self.gradient_checkpointing = False self.cpu_offload_checkpointing = False def enable_gradient_checkpointing(self, cpu_offload: bool = False): self.gradient_checkpointing = True self.cpu_offload_checkpointing = cpu_offload def disable_gradient_checkpointing(self): self.gradient_checkpointing = False self.cpu_offload_checkpointing = False def _forward( self, img: torch.Tensor, txt: torch.Tensor, vec: torch.Tensor, freqs_cis: tuple = None, attn_params: AttentionParams = None ) -> Tuple[torch.Tensor, torch.Tensor]: # Extract modulation parameters for image and text streams (img_mod1_shift, img_mod1_scale, img_mod1_gate, img_mod2_shift, img_mod2_scale, img_mod2_gate) = self.img_mod(vec).chunk( 6, dim=-1 ) (txt_mod1_shift, txt_mod1_scale, txt_mod1_gate, txt_mod2_shift, txt_mod2_scale, txt_mod2_gate) = self.txt_mod(vec).chunk( 6, dim=-1 ) # Process image stream for attention img_modulated = self.img_norm1(img) img_modulated = modulate(img_modulated, shift=img_mod1_shift, scale=img_mod1_scale) del img_mod1_shift, img_mod1_scale img_qkv = self.img_attn_qkv(img_modulated) del img_modulated img_q, img_k, img_v = img_qkv.chunk(3, dim=-1) del img_qkv img_q = rearrange(img_q, "B L (H D) -> B L H D", H=self.heads_num) img_k = rearrange(img_k, "B L (H D) -> B L H D", H=self.heads_num) img_v = rearrange(img_v, "B L (H D) -> B L H D", H=self.heads_num) # Apply QK-Norm if enabled img_q = self.img_attn_q_norm(img_q).to(img_v) img_k = self.img_attn_k_norm(img_k).to(img_v) # Apply rotary position embeddings to image tokens if freqs_cis is not None: img_q, img_k = apply_rotary_emb(img_q, img_k, freqs_cis, head_first=False) del freqs_cis # Process text stream for attention txt_modulated = self.txt_norm1(txt) txt_modulated = modulate(txt_modulated, shift=txt_mod1_shift, scale=txt_mod1_scale) txt_qkv = self.txt_attn_qkv(txt_modulated) del txt_modulated txt_q, txt_k, txt_v = txt_qkv.chunk(3, dim=-1) del txt_qkv txt_q = rearrange(txt_q, "B L (H D) -> B L H D", H=self.heads_num) txt_k = rearrange(txt_k, "B L (H D) -> B L H D", H=self.heads_num) txt_v = rearrange(txt_v, "B L (H D) -> B L H D", H=self.heads_num) # Apply QK-Norm if enabled txt_q = self.txt_attn_q_norm(txt_q).to(txt_v) txt_k = self.txt_attn_k_norm(txt_k).to(txt_v) # Concatenate image and text tokens for joint attention img_seq_len = img.shape[1] q = torch.cat([img_q, txt_q], dim=1) del img_q, txt_q k = torch.cat([img_k, txt_k], dim=1) del img_k, txt_k v = torch.cat([img_v, txt_v], dim=1) del img_v, txt_v qkv = [q, k, v] del q, k, v attn = attention(qkv, attn_params=attn_params) del qkv # Split attention outputs back to separate streams img_attn, txt_attn = (attn[:, :img_seq_len].contiguous(), attn[:, img_seq_len:].contiguous()) del attn # Apply attention projection and residual connection for image stream img = img + apply_gate(self.img_attn_proj(img_attn), gate=img_mod1_gate) del img_attn, img_mod1_gate # Apply MLP and residual connection for image stream img = img + apply_gate( self.img_mlp(modulate(self.img_norm2(img), shift=img_mod2_shift, scale=img_mod2_scale)), gate=img_mod2_gate, ) del img_mod2_shift, img_mod2_scale, img_mod2_gate # Apply attention projection and residual connection for text stream txt = txt + apply_gate(self.txt_attn_proj(txt_attn), gate=txt_mod1_gate) del txt_attn, txt_mod1_gate # Apply MLP and residual connection for text stream txt = txt + apply_gate( self.txt_mlp(modulate(self.txt_norm2(txt), shift=txt_mod2_shift, scale=txt_mod2_scale)), gate=txt_mod2_gate, ) del txt_mod2_shift, txt_mod2_scale, txt_mod2_gate return img, txt def forward( self, img: torch.Tensor, txt: torch.Tensor, vec: torch.Tensor, freqs_cis: tuple = None, attn_params: AttentionParams = None ) -> Tuple[torch.Tensor, torch.Tensor]: if self.gradient_checkpointing and self.training: forward_fn = self._forward if self.cpu_offload_checkpointing: forward_fn = custom_offloading_utils.cpu_offload_wrapper(forward_fn, self.img_attn_qkv.weight.device) return torch.utils.checkpoint.checkpoint(forward_fn, img, txt, vec, freqs_cis, attn_params, use_reentrant=False) else: return self._forward(img, txt, vec, freqs_cis, attn_params) class MMSingleStreamBlock(nn.Module): """ Multimodal single-stream transformer block. Processes concatenated image and text tokens jointly with shared attention. Uses parallel linear layers for efficiency and applies RoPE only to image tokens. Args: hidden_size: Model dimension. heads_num: Number of attention heads. mlp_width_ratio: MLP expansion ratio. mlp_act_type: MLP activation function (only "gelu_tanh" supported). qk_norm: QK normalization flag (must be True). qk_norm_type: QK normalization type (only "rms" supported). qk_scale: Attention scaling factor (computed automatically if None). """ def __init__( self, hidden_size: int, heads_num: int, mlp_width_ratio: float = 4.0, mlp_act_type: str = "gelu_tanh", qk_norm: bool = True, qk_norm_type: str = "rms", qk_scale: float = None, ): super().__init__() assert mlp_act_type == "gelu_tanh", "Only GELU-tanh activation supported." assert qk_norm_type == "rms", "Only RMS normalization supported." assert qk_norm, "QK normalization must be enabled." self.hidden_size = hidden_size self.heads_num = heads_num head_dim = hidden_size // heads_num mlp_hidden_dim = int(hidden_size * mlp_width_ratio) self.mlp_hidden_dim = mlp_hidden_dim self.scale = qk_scale or head_dim**-0.5 # Parallel linear projections for efficiency self.linear1 = nn.Linear(hidden_size, hidden_size * 3 + mlp_hidden_dim) # Combined output projection # self.linear2 = LinearWarpforSingle(hidden_size + mlp_hidden_dim, hidden_size, bias=True) # for reference self.linear2 = nn.Linear(hidden_size + mlp_hidden_dim, hidden_size, bias=True) # QK normalization layers self.q_norm = RMSNorm(head_dim, eps=1e-6) self.k_norm = RMSNorm(head_dim, eps=1e-6) self.pre_norm = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.mlp_act = nn.GELU(approximate="tanh") self.modulation = ModulateDiT(hidden_size, factor=3, act_layer=nn.SiLU) self.gradient_checkpointing = False self.cpu_offload_checkpointing = False def enable_gradient_checkpointing(self, cpu_offload: bool = False): self.gradient_checkpointing = True self.cpu_offload_checkpointing = cpu_offload def disable_gradient_checkpointing(self): self.gradient_checkpointing = False self.cpu_offload_checkpointing = False def _forward( self, x: torch.Tensor, vec: torch.Tensor, freqs_cis: Tuple[torch.Tensor, torch.Tensor] = None, attn_params: AttentionParams = None, ) -> torch.Tensor: # Extract modulation parameters mod_shift, mod_scale, mod_gate = self.modulation(vec).chunk(3, dim=-1) x_mod = modulate(self.pre_norm(x), shift=mod_shift, scale=mod_scale) # Compute Q, K, V, and MLP input qkv_mlp = self.linear1(x_mod) del x_mod q, k, v, mlp = qkv_mlp.split([self.hidden_size, self.hidden_size, self.hidden_size, self.mlp_hidden_dim], dim=-1) del qkv_mlp q = rearrange(q, "B L (H D) -> B L H D", H=self.heads_num) k = rearrange(k, "B L (H D) -> B L H D", H=self.heads_num) v = rearrange(v, "B L (H D) -> B L H D", H=self.heads_num) # Apply QK-Norm if enabled q = self.q_norm(q).to(v) k = self.k_norm(k).to(v) # Separate image and text tokens img_q, txt_q = q[:, : attn_params.img_len, :, :], q[:, attn_params.img_len :, :, :] del q img_k, txt_k = k[:, : attn_params.img_len, :, :], k[:, attn_params.img_len :, :, :] del k # Apply rotary position embeddings only to image tokens img_q, img_k = apply_rotary_emb(img_q, img_k, freqs_cis, head_first=False) del freqs_cis # Recombine and compute joint attention q = torch.cat([img_q, txt_q], dim=1) del img_q, txt_q k = torch.cat([img_k, txt_k], dim=1) del img_k, txt_k # v = torch.cat([img_v, txt_v], dim=1) # del img_v, txt_v qkv = [q, k, v] del q, k, v attn = attention(qkv, attn_params=attn_params) del qkv # Combine attention and MLP outputs, apply gating # output = self.linear2(attn, self.mlp_act(mlp)) mlp = self.mlp_act(mlp) output = torch.cat([attn, mlp], dim=2).contiguous() del attn, mlp output = self.linear2(output) return x + apply_gate(output, gate=mod_gate) def forward( self, x: torch.Tensor, vec: torch.Tensor, freqs_cis: Tuple[torch.Tensor, torch.Tensor] = None, attn_params: AttentionParams = None, ) -> torch.Tensor: if self.gradient_checkpointing and self.training: forward_fn = self._forward if self.cpu_offload_checkpointing: forward_fn = custom_offloading_utils.create_cpu_offloading_wrapper(forward_fn, self.linear1.weight.device) return torch.utils.checkpoint.checkpoint(forward_fn, x, vec, freqs_cis, attn_params, use_reentrant=False) else: return self._forward(x, vec, freqs_cis, attn_params) # endregion ================================================ FILE: library/hunyuan_image_text_encoder.py ================================================ import json import re from typing import Tuple, Optional, Union import torch from transformers import ( AutoTokenizer, Qwen2_5_VLConfig, Qwen2_5_VLForConditionalGeneration, Qwen2Tokenizer, T5ForConditionalGeneration, T5Config, T5Tokenizer, ) from transformers.models.t5.modeling_t5 import T5Stack from accelerate import init_empty_weights from library.safetensors_utils import load_safetensors from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) BYT5_TOKENIZER_PATH = "google/byt5-small" QWEN_2_5_VL_IMAGE_ID = "Qwen/Qwen2.5-VL-7B-Instruct" # Copy from Glyph-SDXL-V2 COLOR_IDX_JSON = """{"white": 0, "black": 1, "darkslategray": 2, "dimgray": 3, "darkolivegreen": 4, "midnightblue": 5, "saddlebrown": 6, "sienna": 7, "whitesmoke": 8, "darkslateblue": 9, "indianred": 10, "linen": 11, "maroon": 12, "khaki": 13, "sandybrown": 14, "gray": 15, "gainsboro": 16, "teal": 17, "peru": 18, "gold": 19, "snow": 20, "firebrick": 21, "crimson": 22, "chocolate": 23, "tomato": 24, "brown": 25, "goldenrod": 26, "antiquewhite": 27, "rosybrown": 28, "steelblue": 29, "floralwhite": 30, "seashell": 31, "darkgreen": 32, "oldlace": 33, "darkkhaki": 34, "burlywood": 35, "red": 36, "darkgray": 37, "orange": 38, "royalblue": 39, "seagreen": 40, "lightgray": 41, "tan": 42, "coral": 43, "beige": 44, "palevioletred": 45, "wheat": 46, "lavender": 47, "darkcyan": 48, "slateblue": 49, "slategray": 50, "orangered": 51, "silver": 52, "olivedrab": 53, "forestgreen": 54, "darkgoldenrod": 55, "ivory": 56, "darkorange": 57, "yellow": 58, "hotpink": 59, "ghostwhite": 60, "lightcoral": 61, "indigo": 62, "bisque": 63, "darkred": 64, "darksalmon": 65, "lightslategray": 66, "dodgerblue": 67, "lightpink": 68, "mistyrose": 69, "mediumvioletred": 70, "cadetblue": 71, "deeppink": 72, "salmon": 73, "palegoldenrod": 74, "blanchedalmond": 75, "lightseagreen": 76, "cornflowerblue": 77, "yellowgreen": 78, "greenyellow": 79, "navajowhite": 80, "papayawhip": 81, "mediumslateblue": 82, "purple": 83, "blueviolet": 84, "pink": 85, "cornsilk": 86, "lightsalmon": 87, "mediumpurple": 88, "moccasin": 89, "turquoise": 90, "mediumseagreen": 91, "lavenderblush": 92, "mediumblue": 93, "darkseagreen": 94, "mediumturquoise": 95, "paleturquoise": 96, "skyblue": 97, "lemonchiffon": 98, "olive": 99, "peachpuff": 100, "lightyellow": 101, "lightsteelblue": 102, "mediumorchid": 103, "plum": 104, "darkturquoise": 105, "aliceblue": 106, "mediumaquamarine": 107, "orchid": 108, "powderblue": 109, "blue": 110, "darkorchid": 111, "violet": 112, "lightskyblue": 113, "lightcyan": 114, "lightgoldenrodyellow": 115, "navy": 116, "thistle": 117, "honeydew": 118, "mintcream": 119, "lightblue": 120, "darkblue": 121, "darkmagenta": 122, "deepskyblue": 123, "magenta": 124, "limegreen": 125, "darkviolet": 126, "cyan": 127, "palegreen": 128, "aquamarine": 129, "lawngreen": 130, "lightgreen": 131, "azure": 132, "chartreuse": 133, "green": 134, "mediumspringgreen": 135, "lime": 136, "springgreen": 137}""" MULTILINGUAL_10_LANG_IDX_JSON = """{"en-Montserrat-Regular": 0, "en-Poppins-Italic": 1, "en-GlacialIndifference-Regular": 2, "en-OpenSans-ExtraBoldItalic": 3, "en-Montserrat-Bold": 4, "en-Now-Regular": 5, "en-Garet-Regular": 6, "en-LeagueSpartan-Bold": 7, "en-DMSans-Regular": 8, "en-OpenSauceOne-Regular": 9, "en-OpenSans-ExtraBold": 10, "en-KGPrimaryPenmanship": 11, "en-Anton-Regular": 12, "en-Aileron-BlackItalic": 13, "en-Quicksand-Light": 14, "en-Roboto-BoldItalic": 15, "en-TheSeasons-It": 16, "en-Kollektif": 17, "en-Inter-BoldItalic": 18, "en-Poppins-Medium": 19, "en-Poppins-Light": 20, "en-RoxboroughCF-RegularItalic": 21, "en-PlayfairDisplay-SemiBold": 22, "en-Agrandir-Italic": 23, "en-Lato-Regular": 24, "en-MoreSugarRegular": 25, "en-CanvaSans-RegularItalic": 26, "en-PublicSans-Italic": 27, "en-CodePro-NormalLC": 28, "en-Belleza-Regular": 29, "en-JosefinSans-Bold": 30, "en-HKGrotesk-Bold": 31, "en-Telegraf-Medium": 32, "en-BrittanySignatureRegular": 33, "en-Raleway-ExtraBoldItalic": 34, "en-Mont-RegularItalic": 35, "en-Arimo-BoldItalic": 36, "en-Lora-Italic": 37, "en-ArchivoBlack-Regular": 38, "en-Poppins": 39, "en-Barlow-Black": 40, "en-CormorantGaramond-Bold": 41, "en-LibreBaskerville-Regular": 42, "en-CanvaSchoolFontRegular": 43, "en-BebasNeueBold": 44, "en-LazydogRegular": 45, "en-FredokaOne-Regular": 46, "en-Horizon-Bold": 47, "en-Nourd-Regular": 48, "en-Hatton-Regular": 49, "en-Nunito-ExtraBoldItalic": 50, "en-CerebriSans-Regular": 51, "en-Montserrat-Light": 52, "en-TenorSans": 53, "en-Norwester-Regular": 54, "en-ClearSans-Bold": 55, "en-Cardo-Regular": 56, "en-Alice-Regular": 57, "en-Oswald-Regular": 58, "en-Gaegu-Bold": 59, "en-Muli-Black": 60, "en-TAN-PEARL-Regular": 61, "en-CooperHewitt-Book": 62, "en-Agrandir-Grand": 63, "en-BlackMango-Thin": 64, "en-DMSerifDisplay-Regular": 65, "en-Antonio-Bold": 66, "en-Sniglet-Regular": 67, "en-BeVietnam-Regular": 68, "en-NunitoSans10pt-BlackItalic": 69, "en-AbhayaLibre-ExtraBold": 70, "en-Rubik-Regular": 71, "en-PPNeueMachina-Regular": 72, "en-TAN - MON CHERI-Regular": 73, "en-Jua-Regular": 74, "en-Playlist-Script": 75, "en-SourceSansPro-BoldItalic": 76, "en-MoonTime-Regular": 77, "en-Eczar-ExtraBold": 78, "en-Gatwick-Regular": 79, "en-MonumentExtended-Regular": 80, "en-BarlowSemiCondensed-Regular": 81, "en-BarlowCondensed-Regular": 82, "en-Alegreya-Regular": 83, "en-DreamAvenue": 84, "en-RobotoCondensed-Italic": 85, "en-BobbyJones-Regular": 86, "en-Garet-ExtraBold": 87, "en-YesevaOne-Regular": 88, "en-Dosis-ExtraBold": 89, "en-LeagueGothic-Regular": 90, "en-OpenSans-Italic": 91, "en-TANAEGEAN-Regular": 92, "en-Maharlika-Regular": 93, "en-MarykateRegular": 94, "en-Cinzel-Regular": 95, "en-Agrandir-Wide": 96, "en-Chewy-Regular": 97, "en-BodoniFLF-BoldItalic": 98, "en-Nunito-BlackItalic": 99, "en-LilitaOne": 100, "en-HandyCasualCondensed-Regular": 101, "en-Ovo": 102, "en-Livvic-Regular": 103, "en-Agrandir-Narrow": 104, "en-CrimsonPro-Italic": 105, "en-AnonymousPro-Bold": 106, "en-NF-OneLittleFont-Bold": 107, "en-RedHatDisplay-BoldItalic": 108, "en-CodecPro-Regular": 109, "en-HalimunRegular": 110, "en-LibreFranklin-Black": 111, "en-TeXGyreTermes-BoldItalic": 112, "en-Shrikhand-Regular": 113, "en-TTNormsPro-Italic": 114, "en-Gagalin-Regular": 115, "en-OpenSans-Bold": 116, "en-GreatVibes-Regular": 117, "en-Breathing": 118, "en-HeroLight-Regular": 119, "en-KGPrimaryDots": 120, "en-Quicksand-Bold": 121, "en-Brice-ExtraLightSemiExpanded": 122, "en-Lato-BoldItalic": 123, "en-Fraunces9pt-Italic": 124, "en-AbrilFatface-Regular": 125, "en-BerkshireSwash-Regular": 126, "en-Atma-Bold": 127, "en-HolidayRegular": 128, "en-BebasNeueCyrillic": 129, "en-IntroRust-Base": 130, "en-Gistesy": 131, "en-BDScript-Regular": 132, "en-ApricotsRegular": 133, "en-Prompt-Black": 134, "en-TAN MERINGUE": 135, "en-Sukar Regular": 136, "en-GentySans-Regular": 137, "en-NeueEinstellung-Normal": 138, "en-Garet-Bold": 139, "en-FiraSans-Black": 140, "en-BantayogLight": 141, "en-NotoSerifDisplay-Black": 142, "en-TTChocolates-Regular": 143, "en-Ubuntu-Regular": 144, "en-Assistant-Bold": 145, "en-ABeeZee-Regular": 146, "en-LexendDeca-Regular": 147, "en-KingredSerif": 148, "en-Radley-Regular": 149, "en-BrownSugar": 150, "en-MigraItalic-ExtraboldItalic": 151, "en-ChildosArabic-Regular": 152, "en-PeaceSans": 153, "en-LondrinaSolid-Black": 154, "en-SpaceMono-BoldItalic": 155, "en-RobotoMono-Light": 156, "en-CourierPrime-Regular": 157, "en-Alata-Regular": 158, "en-Amsterdam-One": 159, "en-IreneFlorentina-Regular": 160, "en-CatchyMager": 161, "en-Alta_regular": 162, "en-ArticulatCF-Regular": 163, "en-Raleway-Regular": 164, "en-BrasikaDisplay": 165, "en-TANAngleton-Italic": 166, "en-NotoSerifDisplay-ExtraCondensedItalic": 167, "en-Bryndan Write": 168, "en-TTCommonsPro-It": 169, "en-AlexBrush-Regular": 170, "en-Antic-Regular": 171, "en-TTHoves-Bold": 172, "en-DroidSerif": 173, "en-AblationRegular": 174, "en-Marcellus-Regular": 175, "en-Sanchez-Italic": 176, "en-JosefinSans": 177, "en-Afrah-Regular": 178, "en-PinyonScript": 179, "en-TTInterphases-BoldItalic": 180, "en-Yellowtail-Regular": 181, "en-Gliker-Regular": 182, "en-BobbyJonesSoft-Regular": 183, "en-IBMPlexSans": 184, "en-Amsterdam-Three": 185, "en-Amsterdam-FourSlant": 186, "en-TTFors-Regular": 187, "en-Quattrocento": 188, "en-Sifonn-Basic": 189, "en-AlegreyaSans-Black": 190, "en-Daydream": 191, "en-AristotelicaProTx-Rg": 192, "en-NotoSerif": 193, "en-EBGaramond-Italic": 194, "en-HammersmithOne-Regular": 195, "en-RobotoSlab-Regular": 196, "en-DO-Sans-Regular": 197, "en-KGPrimaryDotsLined": 198, "en-Blinker-Regular": 199, "en-TAN NIMBUS": 200, "en-Blueberry-Regular": 201, "en-Rosario-Regular": 202, "en-Forum": 203, "en-MistrullyRegular": 204, "en-SourceSerifPro-Regular": 205, "en-Bugaki-Regular": 206, "en-CMUSerif-Roman": 207, "en-GulfsDisplay-NormalItalic": 208, "en-PTSans-Bold": 209, "en-Sensei-Medium": 210, "en-SquadaOne-Regular": 211, "en-Arapey-Italic": 212, "en-Parisienne-Regular": 213, "en-Aleo-Italic": 214, "en-QuicheDisplay-Italic": 215, "en-RocaOne-It": 216, "en-Funtastic-Regular": 217, "en-PTSerif-BoldItalic": 218, "en-Muller-RegularItalic": 219, "en-ArgentCF-Regular": 220, "en-Brightwall-Italic": 221, "en-Knewave-Regular": 222, "en-TYSerif-D": 223, "en-Agrandir-Tight": 224, "en-AlfaSlabOne-Regular": 225, "en-TANTangkiwood-Display": 226, "en-Kief-Montaser-Regular": 227, "en-Gotham-Book": 228, "en-JuliusSansOne-Regular": 229, "en-CocoGothic-Italic": 230, "en-SairaCondensed-Regular": 231, "en-DellaRespira-Regular": 232, "en-Questrial-Regular": 233, "en-BukhariScript-Regular": 234, "en-HelveticaWorld-Bold": 235, "en-TANKINDRED-Display": 236, "en-CinzelDecorative-Regular": 237, "en-Vidaloka-Regular": 238, "en-AlegreyaSansSC-Black": 239, "en-FeelingPassionate-Regular": 240, "en-QuincyCF-Regular": 241, "en-FiraCode-Regular": 242, "en-Genty-Regular": 243, "en-Nickainley-Normal": 244, "en-RubikOne-Regular": 245, "en-Gidole-Regular": 246, "en-Borsok": 247, "en-Gordita-RegularItalic": 248, "en-Scripter-Regular": 249, "en-Buffalo-Regular": 250, "en-KleinText-Regular": 251, "en-Creepster-Regular": 252, "en-Arvo-Bold": 253, "en-GabrielSans-NormalItalic": 254, "en-Heebo-Black": 255, "en-LexendExa-Regular": 256, "en-BrixtonSansTC-Regular": 257, "en-GildaDisplay-Regular": 258, "en-ChunkFive-Roman": 259, "en-Amaranth-BoldItalic": 260, "en-BubbleboddyNeue-Regular": 261, "en-MavenPro-Bold": 262, "en-TTDrugs-Italic": 263, "en-CyGrotesk-KeyRegular": 264, "en-VarelaRound-Regular": 265, "en-Ruda-Black": 266, "en-SafiraMarch": 267, "en-BloggerSans": 268, "en-TANHEADLINE-Regular": 269, "en-SloopScriptPro-Regular": 270, "en-NeueMontreal-Regular": 271, "en-Schoolbell-Regular": 272, "en-SigherRegular": 273, "en-InriaSerif-Regular": 274, "en-JetBrainsMono-Regular": 275, "en-MADEEvolveSans": 276, "en-Dekko": 277, "en-Handyman-Regular": 278, "en-Aileron-BoldItalic": 279, "en-Bright-Italic": 280, "en-Solway-Regular": 281, "en-Higuen-Regular": 282, "en-WedgesItalic": 283, "en-TANASHFORD-BOLD": 284, "en-IBMPlexMono": 285, "en-RacingSansOne-Regular": 286, "en-RegularBrush": 287, "en-OpenSans-LightItalic": 288, "en-SpecialElite-Regular": 289, "en-FuturaLTPro-Medium": 290, "en-MaragsaDisplay": 291, "en-BigShouldersDisplay-Regular": 292, "en-BDSans-Regular": 293, "en-RasputinRegular": 294, "en-Yvesyvesdrawing-BoldItalic": 295, "en-Bitter-Regular": 296, "en-LuckiestGuy-Regular": 297, "en-CanvaSchoolFontDotted": 298, "en-TTFirsNeue-Italic": 299, "en-Sunday-Regular": 300, "en-HKGothic-MediumItalic": 301, "en-CaveatBrush-Regular": 302, "en-HeliosExt": 303, "en-ArchitectsDaughter-Regular": 304, "en-Angelina": 305, "en-Calistoga-Regular": 306, "en-ArchivoNarrow-Regular": 307, "en-ObjectSans-MediumSlanted": 308, "en-AyrLucidityCondensed-Regular": 309, "en-Nexa-RegularItalic": 310, "en-Lustria-Regular": 311, "en-Amsterdam-TwoSlant": 312, "en-Virtual-Regular": 313, "en-Brusher-Regular": 314, "en-NF-Lepetitcochon-Regular": 315, "en-TANTWINKLE": 316, "en-LeJour-Serif": 317, "en-Prata-Regular": 318, "en-PPWoodland-Regular": 319, "en-PlayfairDisplay-BoldItalic": 320, "en-AmaticSC-Regular": 321, "en-Cabin-Regular": 322, "en-Manjari-Bold": 323, "en-MrDafoe-Regular": 324, "en-TTRamillas-Italic": 325, "en-Luckybones-Bold": 326, "en-DarkerGrotesque-Light": 327, "en-BellabooRegular": 328, "en-CormorantSC-Bold": 329, "en-GochiHand-Regular": 330, "en-Atteron": 331, "en-RocaTwo-Lt": 332, "en-ZCOOLXiaoWei-Regular": 333, "en-TANSONGBIRD": 334, "en-HeadingNow-74Regular": 335, "en-Luthier-BoldItalic": 336, "en-Oregano-Regular": 337, "en-AyrTropikaIsland-Int": 338, "en-Mali-Regular": 339, "en-DidactGothic-Regular": 340, "en-Lovelace-Regular": 341, "en-BakerieSmooth-Regular": 342, "en-CarterOne": 343, "en-HussarBd": 344, "en-OldStandard-Italic": 345, "en-TAN-ASTORIA-Display": 346, "en-rugratssans-Regular": 347, "en-BMHANNA": 348, "en-BetterSaturday": 349, "en-AdigianaToybox": 350, "en-Sailors": 351, "en-PlayfairDisplaySC-Italic": 352, "en-Etna-Regular": 353, "en-Revive80Signature": 354, "en-CAGenerated": 355, "en-Poppins-Regular": 356, "en-Jonathan-Regular": 357, "en-Pacifico-Regular": 358, "en-Saira-Black": 359, "en-Loubag-Regular": 360, "en-Decalotype-Black": 361, "en-Mansalva-Regular": 362, "en-Allura-Regular": 363, "en-ProximaNova-Bold": 364, "en-TANMIGNON-DISPLAY": 365, "en-ArsenicaAntiqua-Regular": 366, "en-BreulGroteskA-RegularItalic": 367, "en-HKModular-Bold": 368, "en-TANNightingale-Regular": 369, "en-AristotelicaProCndTxt-Rg": 370, "en-Aprila-Regular": 371, "en-Tomorrow-Regular": 372, "en-AngellaWhite": 373, "en-KaushanScript-Regular": 374, "en-NotoSans": 375, "en-LeJour-Script": 376, "en-BrixtonTC-Regular": 377, "en-OleoScript-Regular": 378, "en-Cakerolli-Regular": 379, "en-Lobster-Regular": 380, "en-FrunchySerif-Regular": 381, "en-PorcelainRegular": 382, "en-AlojaExtended": 383, "en-SergioTrendy-Italic": 384, "en-LovelaceText-Bold": 385, "en-Anaktoria": 386, "en-JimmyScript-Light": 387, "en-IBMPlexSerif": 388, "en-Marta": 389, "en-Mango-Regular": 390, "en-Overpass-Italic": 391, "en-Hagrid-Regular": 392, "en-ElikaGorica": 393, "en-Amiko-Regular": 394, "en-EFCOBrookshire-Regular": 395, "en-Caladea-Regular": 396, "en-MoonlightBold": 397, "en-Staatliches-Regular": 398, "en-Helios-Bold": 399, "en-Satisfy-Regular": 400, "en-NexaScript-Regular": 401, "en-Trocchi-Regular": 402, "en-March": 403, "en-IbarraRealNova-Regular": 404, "en-Nectarine-Regular": 405, "en-Overpass-Light": 406, "en-TruetypewriterPolyglOTT": 407, "en-Bangers-Regular": 408, "en-Lazord-BoldExpandedItalic": 409, "en-Chloe-Regular": 410, "en-BaskervilleDisplayPT-Regular": 411, "en-Bright-Regular": 412, "en-Vollkorn-Regular": 413, "en-Harmattan": 414, "en-SortsMillGoudy-Regular": 415, "en-Biryani-Bold": 416, "en-SugoProDisplay-Italic": 417, "en-Lazord-BoldItalic": 418, "en-Alike-Regular": 419, "en-PermanentMarker-Regular": 420, "en-Sacramento-Regular": 421, "en-HKGroteskPro-Italic": 422, "en-Aleo-BoldItalic": 423, "en-Noot": 424, "en-TANGARLAND-Regular": 425, "en-Twister": 426, "en-Arsenal-Italic": 427, "en-Bogart-Italic": 428, "en-BethEllen-Regular": 429, "en-Caveat-Regular": 430, "en-BalsamiqSans-Bold": 431, "en-BreeSerif-Regular": 432, "en-CodecPro-ExtraBold": 433, "en-Pierson-Light": 434, "en-CyGrotesk-WideRegular": 435, "en-Lumios-Marker": 436, "en-Comfortaa-Bold": 437, "en-TraceFontRegular": 438, "en-RTL-AdamScript-Regular": 439, "en-EastmanGrotesque-Italic": 440, "en-Kalam-Bold": 441, "en-ChauPhilomeneOne-Regular": 442, "en-Coiny-Regular": 443, "en-Lovera": 444, "en-Gellatio": 445, "en-TitilliumWeb-Bold": 446, "en-OilvareBase-Italic": 447, "en-Catamaran-Black": 448, "en-Anteb-Italic": 449, "en-SueEllenFrancisco": 450, "en-SweetApricot": 451, "en-BrightSunshine": 452, "en-IM_FELL_Double_Pica_Italic": 453, "en-Granaina-limpia": 454, "en-TANPARFAIT": 455, "en-AcherusGrotesque-Regular": 456, "en-AwesomeLathusca-Italic": 457, "en-Signika-Bold": 458, "en-Andasia": 459, "en-DO-AllCaps-Slanted": 460, "en-Zenaida-Regular": 461, "en-Fahkwang-Regular": 462, "en-Play-Regular": 463, "en-BERNIERRegular-Regular": 464, "en-PlumaThin-Regular": 465, "en-SportsWorld": 466, "en-Garet-Black": 467, "en-CarolloPlayscript-BlackItalic": 468, "en-Cheque-Regular": 469, "en-SEGO": 470, "en-BobbyJones-Condensed": 471, "en-NexaSlab-RegularItalic": 472, "en-DancingScript-Regular": 473, "en-PaalalabasDisplayWideBETA": 474, "en-Magnolia-Script": 475, "en-OpunMai-400It": 476, "en-MadelynFill-Regular": 477, "en-ZingRust-Base": 478, "en-FingerPaint-Regular": 479, "en-BostonAngel-Light": 480, "en-Gliker-RegularExpanded": 481, "en-Ahsing": 482, "en-Engagement-Regular": 483, "en-EyesomeScript": 484, "en-LibraSerifModern-Regular": 485, "en-London-Regular": 486, "en-AtkinsonHyperlegible-Regular": 487, "en-StadioNow-TextItalic": 488, "en-Aniyah": 489, "en-ITCAvantGardePro-Bold": 490, "en-Comica-Regular": 491, "en-Coustard-Regular": 492, "en-Brice-BoldCondensed": 493, "en-TANNEWYORK-Bold": 494, "en-TANBUSTER-Bold": 495, "en-Alatsi-Regular": 496, "en-TYSerif-Book": 497, "en-Jingleberry": 498, "en-Rajdhani-Bold": 499, "en-LobsterTwo-BoldItalic": 500, "en-BestLight-Medium": 501, "en-Hitchcut-Regular": 502, "en-GermaniaOne-Regular": 503, "en-Emitha-Script": 504, "en-LemonTuesday": 505, "en-Cubao_Free_Regular": 506, "en-MonterchiSerif-Regular": 507, "en-AllertaStencil-Regular": 508, "en-RTL-Sondos-Regular": 509, "en-HomemadeApple-Regular": 510, "en-CosmicOcto-Medium": 511, "cn-HelloFont-FangHuaTi": 0, "cn-HelloFont-ID-DianFangSong-Bold": 1, "cn-HelloFont-ID-DianFangSong": 2, "cn-HelloFont-ID-DianHei-CEJ": 3, "cn-HelloFont-ID-DianHei-DEJ": 4, "cn-HelloFont-ID-DianHei-EEJ": 5, "cn-HelloFont-ID-DianHei-FEJ": 6, "cn-HelloFont-ID-DianHei-GEJ": 7, "cn-HelloFont-ID-DianKai-Bold": 8, "cn-HelloFont-ID-DianKai": 9, "cn-HelloFont-WenYiHei": 10, "cn-Hellofont-ID-ChenYanXingKai": 11, "cn-Hellofont-ID-DaZiBao": 12, "cn-Hellofont-ID-DaoCaoRen": 13, "cn-Hellofont-ID-JianSong": 14, "cn-Hellofont-ID-JiangHuZhaoPaiHei": 15, "cn-Hellofont-ID-KeSong": 16, "cn-Hellofont-ID-LeYuanTi": 17, "cn-Hellofont-ID-Pinocchio": 18, "cn-Hellofont-ID-QiMiaoTi": 19, "cn-Hellofont-ID-QingHuaKai": 20, "cn-Hellofont-ID-QingHuaXingKai": 21, "cn-Hellofont-ID-ShanShuiXingKai": 22, "cn-Hellofont-ID-ShouXieQiShu": 23, "cn-Hellofont-ID-ShouXieTongZhenTi": 24, "cn-Hellofont-ID-TengLingTi": 25, "cn-Hellofont-ID-XiaoLiShu": 26, "cn-Hellofont-ID-XuanZhenSong": 27, "cn-Hellofont-ID-ZhongLingXingKai": 28, "cn-HellofontIDJiaoTangTi": 29, "cn-HellofontIDJiuZhuTi": 30, "cn-HuXiaoBao-SaoBao": 31, "cn-HuXiaoBo-NanShen": 32, "cn-HuXiaoBo-ZhenShuai": 33, "cn-SourceHanSansSC-Bold": 34, "cn-SourceHanSansSC-ExtraLight": 35, "cn-SourceHanSansSC-Heavy": 36, "cn-SourceHanSansSC-Light": 37, "cn-SourceHanSansSC-Medium": 38, "cn-SourceHanSansSC-Normal": 39, "cn-SourceHanSansSC-Regular": 40, "cn-SourceHanSerifSC-Bold": 41, "cn-SourceHanSerifSC-ExtraLight": 42, "cn-SourceHanSerifSC-Heavy": 43, "cn-SourceHanSerifSC-Light": 44, "cn-SourceHanSerifSC-Medium": 45, "cn-SourceHanSerifSC-Regular": 46, "cn-SourceHanSerifSC-SemiBold": 47, "cn-xiaowei": 48, "cn-AaJianHaoTi": 49, "cn-AlibabaPuHuiTi-Bold": 50, "cn-AlibabaPuHuiTi-Heavy": 51, "cn-AlibabaPuHuiTi-Light": 52, "cn-AlibabaPuHuiTi-Medium": 53, "cn-AlibabaPuHuiTi-Regular": 54, "cn-CanvaAcidBoldSC": 55, "cn-CanvaBreezeCN": 56, "cn-CanvaBumperCropSC": 57, "cn-CanvaCakeShopCN": 58, "cn-CanvaEndeavorBlackSC": 59, "cn-CanvaJoyHeiCN": 60, "cn-CanvaLiCN": 61, "cn-CanvaOrientalBrushCN": 62, "cn-CanvaPoster": 63, "cn-CanvaQinfuCalligraphyCN": 64, "cn-CanvaSweetHeartCN": 65, "cn-CanvaSwordLikeDreamCN": 66, "cn-CanvaTangyuanHandwritingCN": 67, "cn-CanvaWanderWorldCN": 68, "cn-CanvaWenCN": 69, "cn-DianZiChunYi": 70, "cn-GenSekiGothicTW-H": 71, "cn-GenWanMinTW-L": 72, "cn-GenYoMinTW-B": 73, "cn-GenYoMinTW-EL": 74, "cn-GenYoMinTW-H": 75, "cn-GenYoMinTW-M": 76, "cn-GenYoMinTW-R": 77, "cn-GenYoMinTW-SB": 78, "cn-HYQiHei-AZEJ": 79, "cn-HYQiHei-EES": 80, "cn-HanaMinA": 81, "cn-HappyZcool-2016": 82, "cn-HelloFont ZJ KeKouKeAiTi": 83, "cn-HelloFont-ID-BoBoTi": 84, "cn-HelloFont-ID-FuGuHei-25": 85, "cn-HelloFont-ID-FuGuHei-35": 86, "cn-HelloFont-ID-FuGuHei-45": 87, "cn-HelloFont-ID-FuGuHei-55": 88, "cn-HelloFont-ID-FuGuHei-65": 89, "cn-HelloFont-ID-FuGuHei-75": 90, "cn-HelloFont-ID-FuGuHei-85": 91, "cn-HelloFont-ID-HeiKa": 92, "cn-HelloFont-ID-HeiTang": 93, "cn-HelloFont-ID-JianSong-95": 94, "cn-HelloFont-ID-JueJiangHei-50": 95, "cn-HelloFont-ID-JueJiangHei-55": 96, "cn-HelloFont-ID-JueJiangHei-60": 97, "cn-HelloFont-ID-JueJiangHei-65": 98, "cn-HelloFont-ID-JueJiangHei-70": 99, "cn-HelloFont-ID-JueJiangHei-75": 100, "cn-HelloFont-ID-JueJiangHei-80": 101, "cn-HelloFont-ID-KuHeiTi": 102, "cn-HelloFont-ID-LingDongTi": 103, "cn-HelloFont-ID-LingLiTi": 104, "cn-HelloFont-ID-MuFengTi": 105, "cn-HelloFont-ID-NaiNaiJiangTi": 106, "cn-HelloFont-ID-PangDu": 107, "cn-HelloFont-ID-ReLieTi": 108, "cn-HelloFont-ID-RouRun": 109, "cn-HelloFont-ID-SaShuangShouXieTi": 110, "cn-HelloFont-ID-WangZheFengFan": 111, "cn-HelloFont-ID-YouQiTi": 112, "cn-Hellofont-ID-XiaLeTi": 113, "cn-Hellofont-ID-XianXiaTi": 114, "cn-HuXiaoBoKuHei": 115, "cn-IDDanMoXingKai": 116, "cn-IDJueJiangHei": 117, "cn-IDMeiLingTi": 118, "cn-IDQQSugar": 119, "cn-LiuJianMaoCao-Regular": 120, "cn-LongCang-Regular": 121, "cn-MaShanZheng-Regular": 122, "cn-PangMenZhengDao-3": 123, "cn-PangMenZhengDao-Cu": 124, "cn-PangMenZhengDao": 125, "cn-SentyCaramel": 126, "cn-SourceHanSerifSC": 127, "cn-WenCang-Regular": 128, "cn-WenQuanYiMicroHei": 129, "cn-XianErTi": 130, "cn-YRDZSTJF": 131, "cn-YS-HelloFont-BangBangTi": 132, "cn-ZCOOLKuaiLe-Regular": 133, "cn-ZCOOLQingKeHuangYou-Regular": 134, "cn-ZCOOLXiaoWei-Regular": 135, "cn-ZCOOL_KuHei": 136, "cn-ZhiMangXing-Regular": 137, "cn-baotuxiaobaiti": 138, "cn-jiangxizhuokai-Regular": 139, "cn-zcool-gdh": 140, "cn-zcoolqingkehuangyouti-Regular": 141, "cn-zcoolwenyiti": 142, "jp-04KanjyukuGothic": 0, "jp-07LightNovelPOP": 1, "jp-07NikumaruFont": 2, "jp-07YasashisaAntique": 3, "jp-07YasashisaGothic": 4, "jp-BokutachinoGothic2Bold": 5, "jp-BokutachinoGothic2Regular": 6, "jp-CHI_SpeedyRight_full_211128-Regular": 7, "jp-CHI_SpeedyRight_italic_full_211127-Regular": 8, "jp-CP-Font": 9, "jp-Canva_CezanneProN-B": 10, "jp-Canva_CezanneProN-M": 11, "jp-Canva_ChiaroStd-B": 12, "jp-Canva_CometStd-B": 13, "jp-Canva_DotMincho16Std-M": 14, "jp-Canva_GrecoStd-B": 15, "jp-Canva_GrecoStd-M": 16, "jp-Canva_LyraStd-DB": 17, "jp-Canva_MatisseHatsuhiPro-B": 18, "jp-Canva_MatisseHatsuhiPro-M": 19, "jp-Canva_ModeMinAStd-B": 20, "jp-Canva_NewCezanneProN-B": 21, "jp-Canva_NewCezanneProN-M": 22, "jp-Canva_PearlStd-L": 23, "jp-Canva_RaglanStd-UB": 24, "jp-Canva_RailwayStd-B": 25, "jp-Canva_ReggaeStd-B": 26, "jp-Canva_RocknRollStd-DB": 27, "jp-Canva_RodinCattleyaPro-B": 28, "jp-Canva_RodinCattleyaPro-M": 29, "jp-Canva_RodinCattleyaPro-UB": 30, "jp-Canva_RodinHimawariPro-B": 31, "jp-Canva_RodinHimawariPro-M": 32, "jp-Canva_RodinMariaPro-B": 33, "jp-Canva_RodinMariaPro-DB": 34, "jp-Canva_RodinProN-M": 35, "jp-Canva_ShadowTLStd-B": 36, "jp-Canva_StickStd-B": 37, "jp-Canva_TsukuAOldMinPr6N-B": 38, "jp-Canva_TsukuAOldMinPr6N-R": 39, "jp-Canva_UtrilloPro-DB": 40, "jp-Canva_UtrilloPro-M": 41, "jp-Canva_YurukaStd-UB": 42, "jp-FGUIGEN": 43, "jp-GlowSansJ-Condensed-Heavy": 44, "jp-GlowSansJ-Condensed-Light": 45, "jp-GlowSansJ-Normal-Bold": 46, "jp-GlowSansJ-Normal-Light": 47, "jp-HannariMincho": 48, "jp-HarenosoraMincho": 49, "jp-Jiyucho": 50, "jp-Kaiso-Makina-B": 51, "jp-Kaisotai-Next-UP-B": 52, "jp-KokoroMinchoutai": 53, "jp-Mamelon-3-Hi-Regular": 54, "jp-MotoyaAnemoneStd-W1": 55, "jp-MotoyaAnemoneStd-W5": 56, "jp-MotoyaAnticPro-W3": 57, "jp-MotoyaCedarStd-W3": 58, "jp-MotoyaCedarStd-W5": 59, "jp-MotoyaGochikaStd-W4": 60, "jp-MotoyaGochikaStd-W8": 61, "jp-MotoyaGothicMiyabiStd-W6": 62, "jp-MotoyaGothicStd-W3": 63, "jp-MotoyaGothicStd-W5": 64, "jp-MotoyaKoinStd-W3": 65, "jp-MotoyaKyotaiStd-W2": 66, "jp-MotoyaKyotaiStd-W4": 67, "jp-MotoyaMaruStd-W3": 68, "jp-MotoyaMaruStd-W5": 69, "jp-MotoyaMinchoMiyabiStd-W4": 70, "jp-MotoyaMinchoMiyabiStd-W6": 71, "jp-MotoyaMinchoModernStd-W4": 72, "jp-MotoyaMinchoModernStd-W6": 73, "jp-MotoyaMinchoStd-W3": 74, "jp-MotoyaMinchoStd-W5": 75, "jp-MotoyaReisyoStd-W2": 76, "jp-MotoyaReisyoStd-W6": 77, "jp-MotoyaTohitsuStd-W4": 78, "jp-MotoyaTohitsuStd-W6": 79, "jp-MtySousyokuEmBcJis-W6": 80, "jp-MtySousyokuLiBcJis-W6": 81, "jp-Mushin": 82, "jp-NotoSansJP-Bold": 83, "jp-NotoSansJP-Regular": 84, "jp-NudMotoyaAporoStd-W3": 85, "jp-NudMotoyaAporoStd-W5": 86, "jp-NudMotoyaCedarStd-W3": 87, "jp-NudMotoyaCedarStd-W5": 88, "jp-NudMotoyaMaruStd-W3": 89, "jp-NudMotoyaMaruStd-W5": 90, "jp-NudMotoyaMinchoStd-W5": 91, "jp-Ounen-mouhitsu": 92, "jp-Ronde-B-Square": 93, "jp-SMotoyaGyosyoStd-W5": 94, "jp-SMotoyaSinkaiStd-W3": 95, "jp-SMotoyaSinkaiStd-W5": 96, "jp-SourceHanSansJP-Bold": 97, "jp-SourceHanSansJP-Regular": 98, "jp-SourceHanSerifJP-Bold": 99, "jp-SourceHanSerifJP-Regular": 100, "jp-TazuganeGothicStdN-Bold": 101, "jp-TazuganeGothicStdN-Regular": 102, "jp-TelopMinProN-B": 103, "jp-Togalite-Bold": 104, "jp-Togalite-Regular": 105, "jp-TsukuMinPr6N-E": 106, "jp-TsukuMinPr6N-M": 107, "jp-mikachan_o": 108, "jp-nagayama_kai": 109, "jp-07LogoTypeGothic7": 110, "jp-07TetsubinGothic": 111, "jp-851CHIKARA-DZUYOKU-KANA-A": 112, "jp-ARMinchoJIS-Light": 113, "jp-ARMinchoJIS-Ultra": 114, "jp-ARPCrystalMinchoJIS-Medium": 115, "jp-ARPCrystalRGothicJIS-Medium": 116, "jp-ARShounanShinpitsuGyosyoJIS-Medium": 117, "jp-AozoraMincho-bold": 118, "jp-AozoraMinchoRegular": 119, "jp-ArialUnicodeMS-Bold": 120, "jp-ArialUnicodeMS": 121, "jp-CanvaBreezeJP": 122, "jp-CanvaLiCN": 123, "jp-CanvaLiJP": 124, "jp-CanvaOrientalBrushCN": 125, "jp-CanvaQinfuCalligraphyJP": 126, "jp-CanvaSweetHeartJP": 127, "jp-CanvaWenJP": 128, "jp-Corporate-Logo-Bold": 129, "jp-DelaGothicOne-Regular": 130, "jp-GN-Kin-iro_SansSerif": 131, "jp-GN-Koharuiro_Sunray": 132, "jp-GenEiGothicM-B": 133, "jp-GenEiGothicM-R": 134, "jp-GenJyuuGothic-Bold": 135, "jp-GenRyuMinTW-B": 136, "jp-GenRyuMinTW-R": 137, "jp-GenSekiGothicTW-B": 138, "jp-GenSekiGothicTW-R": 139, "jp-GenSenRoundedTW-B": 140, "jp-GenSenRoundedTW-R": 141, "jp-GenShinGothic-Bold": 142, "jp-GenShinGothic-Normal": 143, "jp-GenWanMinTW-L": 144, "jp-GenYoGothicTW-B": 145, "jp-GenYoGothicTW-R": 146, "jp-GenYoMinTW-B": 147, "jp-GenYoMinTW-R": 148, "jp-HGBouquet": 149, "jp-HanaMinA": 150, "jp-HanazomeFont": 151, "jp-HinaMincho-Regular": 152, "jp-Honoka-Antique-Maru": 153, "jp-Honoka-Mincho": 154, "jp-HuiFontP": 155, "jp-IPAexMincho": 156, "jp-JK-Gothic-L": 157, "jp-JK-Gothic-M": 158, "jp-JackeyFont": 159, "jp-KaiseiTokumin-Bold": 160, "jp-KaiseiTokumin-Regular": 161, "jp-Keifont": 162, "jp-KiwiMaru-Regular": 163, "jp-Koku-Mincho-Regular": 164, "jp-MotoyaLMaru-W3-90ms-RKSJ-H": 165, "jp-NewTegomin-Regular": 166, "jp-NicoKaku": 167, "jp-NicoMoji+": 168, "jp-Otsutome_font-Bold": 169, "jp-PottaOne-Regular": 170, "jp-RampartOne-Regular": 171, "jp-Senobi-Gothic-Bold": 172, "jp-Senobi-Gothic-Regular": 173, "jp-SmartFontUI-Proportional": 174, "jp-SoukouMincho": 175, "jp-TEST_Klee-DB": 176, "jp-TEST_Klee-M": 177, "jp-TEST_UDMincho-B": 178, "jp-TEST_UDMincho-L": 179, "jp-TT_Akakane-EB": 180, "jp-Tanuki-Permanent-Marker": 181, "jp-TrainOne-Regular": 182, "jp-TsunagiGothic-Black": 183, "jp-Ume-Hy-Gothic": 184, "jp-Ume-P-Mincho": 185, "jp-WenQuanYiMicroHei": 186, "jp-XANO-mincho-U32": 187, "jp-YOzFontM90-Regular": 188, "jp-Yomogi-Regular": 189, "jp-YujiBoku-Regular": 190, "jp-YujiSyuku-Regular": 191, "jp-ZenKakuGothicNew-Bold": 192, "jp-ZenKakuGothicNew-Regular": 193, "jp-ZenKurenaido-Regular": 194, "jp-ZenMaruGothic-Bold": 195, "jp-ZenMaruGothic-Regular": 196, "jp-darts-font": 197, "jp-irohakakuC-Bold": 198, "jp-irohakakuC-Medium": 199, "jp-irohakakuC-Regular": 200, "jp-katyou": 201, "jp-mplus-1m-bold": 202, "jp-mplus-1m-regular": 203, "jp-mplus-1p-bold": 204, "jp-mplus-1p-regular": 205, "jp-rounded-mplus-1p-bold": 206, "jp-rounded-mplus-1p-regular": 207, "jp-timemachine-wa": 208, "jp-ttf-GenEiLateMin-Medium": 209, "jp-uzura_font": 210, "kr-Arita-buri-Bold_OTF": 0, "kr-Arita-buri-HairLine_OTF": 1, "kr-Arita-buri-Light_OTF": 2, "kr-Arita-buri-Medium_OTF": 3, "kr-Arita-buri-SemiBold_OTF": 4, "kr-Canva_YDSunshineL": 5, "kr-Canva_YDSunshineM": 6, "kr-Canva_YoonGulimPro710": 7, "kr-Canva_YoonGulimPro730": 8, "kr-Canva_YoonGulimPro740": 9, "kr-Canva_YoonGulimPro760": 10, "kr-Canva_YoonGulimPro770": 11, "kr-Canva_YoonGulimPro790": 12, "kr-CreHappB": 13, "kr-CreHappL": 14, "kr-CreHappM": 15, "kr-CreHappS": 16, "kr-OTAuroraB": 17, "kr-OTAuroraL": 18, "kr-OTAuroraR": 19, "kr-OTDoldamgilB": 20, "kr-OTDoldamgilL": 21, "kr-OTDoldamgilR": 22, "kr-OTHamsterB": 23, "kr-OTHamsterL": 24, "kr-OTHamsterR": 25, "kr-OTHapchangdanB": 26, "kr-OTHapchangdanL": 27, "kr-OTHapchangdanR": 28, "kr-OTSupersizeBkBOX": 29, "kr-SourceHanSansKR-Bold": 30, "kr-SourceHanSansKR-ExtraLight": 31, "kr-SourceHanSansKR-Heavy": 32, "kr-SourceHanSansKR-Light": 33, "kr-SourceHanSansKR-Medium": 34, "kr-SourceHanSansKR-Normal": 35, "kr-SourceHanSansKR-Regular": 36, "kr-SourceHanSansSC-Bold": 37, "kr-SourceHanSansSC-ExtraLight": 38, "kr-SourceHanSansSC-Heavy": 39, "kr-SourceHanSansSC-Light": 40, "kr-SourceHanSansSC-Medium": 41, "kr-SourceHanSansSC-Normal": 42, "kr-SourceHanSansSC-Regular": 43, "kr-SourceHanSerifSC-Bold": 44, "kr-SourceHanSerifSC-SemiBold": 45, "kr-TDTDBubbleBubbleOTF": 46, "kr-TDTDConfusionOTF": 47, "kr-TDTDCuteAndCuteOTF": 48, "kr-TDTDEggTakOTF": 49, "kr-TDTDEmotionalLetterOTF": 50, "kr-TDTDGalapagosOTF": 51, "kr-TDTDHappyHourOTF": 52, "kr-TDTDLatteOTF": 53, "kr-TDTDMoonLightOTF": 54, "kr-TDTDParkForestOTF": 55, "kr-TDTDPencilOTF": 56, "kr-TDTDSmileOTF": 57, "kr-TDTDSproutOTF": 58, "kr-TDTDSunshineOTF": 59, "kr-TDTDWaferOTF": 60, "kr-777Chyaochyureu": 61, "kr-ArialUnicodeMS-Bold": 62, "kr-ArialUnicodeMS": 63, "kr-BMHANNA": 64, "kr-Baekmuk-Dotum": 65, "kr-BagelFatOne-Regular": 66, "kr-CoreBandi": 67, "kr-CoreBandiFace": 68, "kr-CoreBori": 69, "kr-DoHyeon-Regular": 70, "kr-Dokdo-Regular": 71, "kr-Gaegu-Bold": 72, "kr-Gaegu-Light": 73, "kr-Gaegu-Regular": 74, "kr-GamjaFlower-Regular": 75, "kr-GasoekOne-Regular": 76, "kr-GothicA1-Black": 77, "kr-GothicA1-Bold": 78, "kr-GothicA1-ExtraBold": 79, "kr-GothicA1-ExtraLight": 80, "kr-GothicA1-Light": 81, "kr-GothicA1-Medium": 82, "kr-GothicA1-Regular": 83, "kr-GothicA1-SemiBold": 84, "kr-GothicA1-Thin": 85, "kr-Gugi-Regular": 86, "kr-HiMelody-Regular": 87, "kr-Jua-Regular": 88, "kr-KirangHaerang-Regular": 89, "kr-NanumBrush": 90, "kr-NanumPen": 91, "kr-NanumSquareRoundB": 92, "kr-NanumSquareRoundEB": 93, "kr-NanumSquareRoundL": 94, "kr-NanumSquareRoundR": 95, "kr-SeH-CB": 96, "kr-SeH-CBL": 97, "kr-SeH-CEB": 98, "kr-SeH-CL": 99, "kr-SeH-CM": 100, "kr-SeN-CB": 101, "kr-SeN-CBL": 102, "kr-SeN-CEB": 103, "kr-SeN-CL": 104, "kr-SeN-CM": 105, "kr-Sunflower-Bold": 106, "kr-Sunflower-Light": 107, "kr-Sunflower-Medium": 108, "kr-TTClaytoyR": 109, "kr-TTDalpangiR": 110, "kr-TTMamablockR": 111, "kr-TTNauidongmuR": 112, "kr-TTOktapbangR": 113, "kr-UhBeeMiMi": 114, "kr-UhBeeMiMiBold": 115, "kr-UhBeeSe_hyun": 116, "kr-UhBeeSe_hyunBold": 117, "kr-UhBeenamsoyoung": 118, "kr-UhBeenamsoyoungBold": 119, "kr-WenQuanYiMicroHei": 120, "kr-YeonSung-Regular": 121}""" def add_special_token(tokenizer: T5Tokenizer, text_encoder: T5Stack): """ Add special tokens for color and font to tokenizer and text encoder. Args: tokenizer: Huggingface tokenizer. text_encoder: Huggingface T5 encoder. """ idx_font_dict = json.loads(MULTILINGUAL_10_LANG_IDX_JSON) idx_color_dict = json.loads(COLOR_IDX_JSON) font_token = [f"<{font_code[:2]}-font-{idx_font_dict[font_code]}>" for font_code in idx_font_dict] color_token = [f"" for i in range(len(idx_color_dict))] additional_special_tokens = [] additional_special_tokens += color_token additional_special_tokens += font_token tokenizer.add_tokens(additional_special_tokens, special_tokens=True) # Set mean_resizing=False to avoid PyTorch LAPACK dependency text_encoder.resize_token_embeddings(len(tokenizer), mean_resizing=False) def load_byt5( ckpt_path: str, dtype: Optional[torch.dtype], device: Union[str, torch.device], disable_mmap: bool = False, state_dict: Optional[dict] = None, ) -> Tuple[T5Stack, T5Tokenizer]: BYT5_CONFIG_JSON = """ { "_name_or_path": "/home/patrick/t5/byt5-small", "architectures": [ "T5ForConditionalGeneration" ], "d_ff": 3584, "d_kv": 64, "d_model": 1472, "decoder_start_token_id": 0, "dropout_rate": 0.1, "eos_token_id": 1, "feed_forward_proj": "gated-gelu", "gradient_checkpointing": false, "initializer_factor": 1.0, "is_encoder_decoder": true, "layer_norm_epsilon": 1e-06, "model_type": "t5", "num_decoder_layers": 4, "num_heads": 6, "num_layers": 12, "pad_token_id": 0, "relative_attention_num_buckets": 32, "tie_word_embeddings": false, "tokenizer_class": "ByT5Tokenizer", "transformers_version": "4.7.0.dev0", "use_cache": true, "vocab_size": 384 } """ logger.info(f"Loading BYT5 tokenizer from {BYT5_TOKENIZER_PATH}") byt5_tokenizer = AutoTokenizer.from_pretrained(BYT5_TOKENIZER_PATH) logger.info("Initializing BYT5 text encoder") config = json.loads(BYT5_CONFIG_JSON) config = T5Config(**config) with init_empty_weights(): byt5_text_encoder = T5ForConditionalGeneration._from_config(config).get_encoder() add_special_token(byt5_tokenizer, byt5_text_encoder) if state_dict is not None: sd = state_dict else: logger.info(f"Loading state dict from {ckpt_path}") sd = load_safetensors(ckpt_path, device, disable_mmap=disable_mmap, dtype=dtype) # remove "encoder." prefix sd = {k[len("encoder.") :] if k.startswith("encoder.") else k: v for k, v in sd.items()} sd["embed_tokens.weight"] = sd.pop("shared.weight") info = byt5_text_encoder.load_state_dict(sd, strict=True, assign=True) byt5_text_encoder.to(device) byt5_text_encoder.eval() logger.info(f"BYT5 text encoder loaded with info: {info}") return byt5_tokenizer, byt5_text_encoder def load_qwen2_5_vl( ckpt_path: str, dtype: Optional[torch.dtype], device: Union[str, torch.device], disable_mmap: bool = False, state_dict: Optional[dict] = None, ) -> tuple[Qwen2Tokenizer, Qwen2_5_VLForConditionalGeneration]: QWEN2_5_VL_CONFIG_JSON = """ { "architectures": [ "Qwen2_5_VLForConditionalGeneration" ], "attention_dropout": 0.0, "bos_token_id": 151643, "eos_token_id": 151645, "hidden_act": "silu", "hidden_size": 3584, "image_token_id": 151655, "initializer_range": 0.02, "intermediate_size": 18944, "max_position_embeddings": 128000, "max_window_layers": 28, "model_type": "qwen2_5_vl", "num_attention_heads": 28, "num_hidden_layers": 28, "num_key_value_heads": 4, "rms_norm_eps": 1e-06, "rope_scaling": { "mrope_section": [ 16, 24, 24 ], "rope_type": "default", "type": "default" }, "rope_theta": 1000000.0, "sliding_window": 32768, "text_config": { "architectures": [ "Qwen2_5_VLForConditionalGeneration" ], "attention_dropout": 0.0, "bos_token_id": 151643, "eos_token_id": 151645, "hidden_act": "silu", "hidden_size": 3584, "image_token_id": null, "initializer_range": 0.02, "intermediate_size": 18944, "layer_types": [ "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention", "full_attention" ], "max_position_embeddings": 128000, "max_window_layers": 28, "model_type": "qwen2_5_vl_text", "num_attention_heads": 28, "num_hidden_layers": 28, "num_key_value_heads": 4, "rms_norm_eps": 1e-06, "rope_scaling": { "mrope_section": [ 16, 24, 24 ], "rope_type": "default", "type": "default" }, "rope_theta": 1000000.0, "sliding_window": null, "torch_dtype": "float32", "use_cache": true, "use_sliding_window": false, "video_token_id": null, "vision_end_token_id": 151653, "vision_start_token_id": 151652, "vision_token_id": 151654, "vocab_size": 152064 }, "tie_word_embeddings": false, "torch_dtype": "bfloat16", "transformers_version": "4.53.1", "use_cache": true, "use_sliding_window": false, "video_token_id": 151656, "vision_config": { "depth": 32, "fullatt_block_indexes": [ 7, 15, 23, 31 ], "hidden_act": "silu", "hidden_size": 1280, "in_channels": 3, "in_chans": 3, "initializer_range": 0.02, "intermediate_size": 3420, "model_type": "qwen2_5_vl", "num_heads": 16, "out_hidden_size": 3584, "patch_size": 14, "spatial_merge_size": 2, "spatial_patch_size": 14, "temporal_patch_size": 2, "tokens_per_second": 2, "torch_dtype": "float32", "window_size": 112 }, "vision_end_token_id": 151653, "vision_start_token_id": 151652, "vision_token_id": 151654, "vocab_size": 152064 } """ config = json.loads(QWEN2_5_VL_CONFIG_JSON) config = Qwen2_5_VLConfig(**config) with init_empty_weights(): qwen2_5_vl = Qwen2_5_VLForConditionalGeneration._from_config(config) if state_dict is not None: sd = state_dict else: logger.info(f"Loading state dict from {ckpt_path}") sd = load_safetensors(ckpt_path, device, disable_mmap=disable_mmap, dtype=dtype) # convert prefixes for key in list(sd.keys()): if key.startswith("model."): new_key = key.replace("model.", "model.language_model.", 1) elif key.startswith("visual."): new_key = key.replace("visual.", "model.visual.", 1) else: continue if key not in sd: logger.warning(f"Key {key} not found in state dict, skipping.") continue sd[new_key] = sd.pop(key) info = qwen2_5_vl.load_state_dict(sd, strict=True, assign=True) logger.info(f"Loaded Qwen2.5-VL: {info}") qwen2_5_vl.to(device) qwen2_5_vl.eval() if dtype is not None: if dtype.itemsize == 1: # fp8 org_dtype = torch.bfloat16 # model weight is fp8 in loading, but original dtype is bfloat16 logger.info(f"prepare Qwen2.5-VL for fp8: set to {dtype} from {org_dtype}") qwen2_5_vl.to(dtype) # prepare LLM for fp8 def prepare_fp8(vl_model: Qwen2_5_VLForConditionalGeneration, target_dtype): def forward_hook(module): def forward(hidden_states): input_dtype = hidden_states.dtype hidden_states = hidden_states.to(torch.float32) variance = hidden_states.pow(2).mean(-1, keepdim=True) hidden_states = hidden_states * torch.rsqrt(variance + module.variance_epsilon) # return module.weight.to(input_dtype) * hidden_states.to(input_dtype) return (module.weight.to(torch.float32) * hidden_states.to(torch.float32)).to(input_dtype) return forward def decoder_forward_hook(module): def forward( hidden_states: torch.Tensor, attention_mask: Optional[torch.Tensor] = None, position_ids: Optional[torch.LongTensor] = None, past_key_value: Optional[tuple[torch.Tensor]] = None, output_attentions: Optional[bool] = False, use_cache: Optional[bool] = False, cache_position: Optional[torch.LongTensor] = None, position_embeddings: Optional[tuple[torch.Tensor, torch.Tensor]] = None, # necessary, but kept here for BC **kwargs, ) -> tuple[torch.FloatTensor, Optional[tuple[torch.FloatTensor, torch.FloatTensor]]]: residual = hidden_states hidden_states = module.input_layernorm(hidden_states) # Self Attention hidden_states, self_attn_weights = module.self_attn( hidden_states=hidden_states, attention_mask=attention_mask, position_ids=position_ids, past_key_value=past_key_value, output_attentions=output_attentions, use_cache=use_cache, cache_position=cache_position, position_embeddings=position_embeddings, **kwargs, ) input_dtype = hidden_states.dtype hidden_states = residual.to(torch.float32) + hidden_states.to(torch.float32) hidden_states = hidden_states.to(input_dtype) # Fully Connected residual = hidden_states hidden_states = module.post_attention_layernorm(hidden_states) hidden_states = module.mlp(hidden_states) hidden_states = residual + hidden_states outputs = (hidden_states,) if output_attentions: outputs += (self_attn_weights,) return outputs return forward for module in vl_model.modules(): if module.__class__.__name__ in ["Embedding"]: # print("set", module.__class__.__name__, "to", target_dtype) module.to(target_dtype) if module.__class__.__name__ in ["Qwen2RMSNorm"]: # print("set", module.__class__.__name__, "hooks") module.forward = forward_hook(module) if module.__class__.__name__ in ["Qwen2_5_VLDecoderLayer"]: # print("set", module.__class__.__name__, "hooks") module.forward = decoder_forward_hook(module) if module.__class__.__name__ in ["Qwen2_5_VisionRotaryEmbedding"]: # print("set", module.__class__.__name__, "hooks") module.to(target_dtype) prepare_fp8(qwen2_5_vl, org_dtype) else: logger.info(f"Setting Qwen2.5-VL to dtype: {dtype}") qwen2_5_vl.to(dtype) # Load tokenizer logger.info(f"Loading tokenizer from {QWEN_2_5_VL_IMAGE_ID}") tokenizer = Qwen2Tokenizer.from_pretrained(QWEN_2_5_VL_IMAGE_ID) return tokenizer, qwen2_5_vl TOKENIZER_MAX_LENGTH = 1024 PROMPT_TEMPLATE_ENCODE_START_IDX = 34 def get_qwen_prompt_embeds( tokenizer: Qwen2Tokenizer, vlm: Qwen2_5_VLForConditionalGeneration, prompt: Union[str, list[str]] = None ) -> Tuple[torch.Tensor, torch.Tensor]: input_ids, mask = get_qwen_tokens(tokenizer, prompt) return get_qwen_prompt_embeds_from_tokens(vlm, input_ids, mask) def get_qwen_tokens(tokenizer: Qwen2Tokenizer, prompt: Union[str, list[str]] = None) -> Tuple[torch.Tensor, torch.Tensor]: tokenizer_max_length = TOKENIZER_MAX_LENGTH # HunyuanImage-2.1 does not use "<|im_start|>assistant\n" in the prompt template prompt_template_encode = "<|im_start|>system\nDescribe the image by detailing the color, shape, size, texture, quantity, text, spatial relationships of the objects and background:<|im_end|>\n<|im_start|>user\n{}<|im_end|>" # \n<|im_start|>assistant\n" prompt_template_encode_start_idx = PROMPT_TEMPLATE_ENCODE_START_IDX # default_sample_size = 128 prompt = [prompt] if isinstance(prompt, str) else prompt template = prompt_template_encode drop_idx = prompt_template_encode_start_idx txt = [template.format(e) for e in prompt] txt_tokens = tokenizer(txt, max_length=tokenizer_max_length + drop_idx, padding=True, truncation=True, return_tensors="pt") return txt_tokens.input_ids, txt_tokens.attention_mask def get_qwen_prompt_embeds_from_tokens( vlm: Qwen2_5_VLForConditionalGeneration, input_ids: torch.Tensor, attention_mask: torch.Tensor ) -> Tuple[torch.Tensor, torch.Tensor]: tokenizer_max_length = TOKENIZER_MAX_LENGTH drop_idx = PROMPT_TEMPLATE_ENCODE_START_IDX device = vlm.device dtype = vlm.dtype input_ids = input_ids.to(device=device) attention_mask = attention_mask.to(device=device) if dtype.itemsize == 1: # fp8 with torch.no_grad(), torch.autocast(device_type=device.type, dtype=torch.bfloat16, enabled=True): encoder_hidden_states = vlm(input_ids=input_ids, attention_mask=attention_mask, output_hidden_states=True) else: with torch.no_grad(), torch.autocast(device_type=device.type, dtype=dtype, enabled=True): encoder_hidden_states = vlm(input_ids=input_ids, attention_mask=attention_mask, output_hidden_states=True) hidden_states = encoder_hidden_states.hidden_states[-3] # use the 3rd last layer's hidden states for HunyuanImage-2.1 if hidden_states.shape[1] > tokenizer_max_length + drop_idx: logger.warning(f"Hidden states shape {hidden_states.shape} exceeds max length {tokenizer_max_length + drop_idx}") # --- Unnecessary complicated processing, keep for reference --- # split_hidden_states = extract_masked_hidden(hidden_states, txt_tokens.attention_mask) # split_hidden_states = [e[drop_idx:] for e in split_hidden_states] # attn_mask_list = [torch.ones(e.size(0), dtype=torch.long, device=e.device) for e in split_hidden_states] # max_seq_len = max([e.size(0) for e in split_hidden_states]) # prompt_embeds = torch.stack([torch.cat([u, u.new_zeros(max_seq_len - u.size(0), u.size(1))]) for u in split_hidden_states]) # encoder_attention_mask = torch.stack([torch.cat([u, u.new_zeros(max_seq_len - u.size(0))]) for u in attn_mask_list]) # ---------------------------------------------------------- prompt_embeds = hidden_states[:, drop_idx:, :] encoder_attention_mask = attention_mask[:, drop_idx:] prompt_embeds = prompt_embeds.to(device=device) return prompt_embeds, encoder_attention_mask def format_prompt(texts, styles): """ Text "{text}" in {color}, {type}. """ prompt = "" for text, style in zip(texts, styles): # color and style are always None in official implementation, so we only use text text_prompt = f'Text "{text}"' text_prompt += ". " prompt = prompt + text_prompt return prompt BYT5_MAX_LENGTH = 128 def get_glyph_prompt_embeds( tokenizer: T5Tokenizer, text_encoder: T5Stack, prompt: Optional[str] = None ) -> Tuple[list[bool], torch.Tensor, torch.Tensor]: byt5_tokens, byt5_text_mask = get_byt5_text_tokens(tokenizer, prompt) return get_byt5_prompt_embeds_from_tokens(text_encoder, byt5_tokens, byt5_text_mask) def get_byt5_prompt_embeds_from_tokens( text_encoder: T5Stack, byt5_text_ids: Optional[torch.Tensor], byt5_text_mask: Optional[torch.Tensor] ) -> Tuple[list[bool], torch.Tensor, torch.Tensor]: byt5_max_length = BYT5_MAX_LENGTH if byt5_text_ids is None or byt5_text_mask is None or byt5_text_mask.sum() == 0: return ( [False], torch.zeros((1, byt5_max_length, 1472), device=text_encoder.device), torch.zeros((1, byt5_max_length), device=text_encoder.device, dtype=torch.int64), ) byt5_text_ids = byt5_text_ids.to(device=text_encoder.device) byt5_text_mask = byt5_text_mask.to(device=text_encoder.device) with torch.no_grad(), torch.autocast(device_type=text_encoder.device.type, dtype=text_encoder.dtype, enabled=True): byt5_prompt_embeds = text_encoder(byt5_text_ids, attention_mask=byt5_text_mask.float()) byt5_emb = byt5_prompt_embeds[0] return [True], byt5_emb, byt5_text_mask def get_byt5_text_tokens(tokenizer, prompt): if not prompt: return None, None try: text_prompt_texts = [] # pattern_quote_single = r"\'(.*?)\'" pattern_quote_double = r"\"(.*?)\"" pattern_quote_chinese_single = r"‘(.*?)’" pattern_quote_chinese_double = r"“(.*?)”" # matches_quote_single = re.findall(pattern_quote_single, prompt) matches_quote_double = re.findall(pattern_quote_double, prompt) matches_quote_chinese_single = re.findall(pattern_quote_chinese_single, prompt) matches_quote_chinese_double = re.findall(pattern_quote_chinese_double, prompt) # text_prompt_texts.extend(matches_quote_single) text_prompt_texts.extend(matches_quote_double) text_prompt_texts.extend(matches_quote_chinese_single) text_prompt_texts.extend(matches_quote_chinese_double) if not text_prompt_texts: return None, None text_prompt_style_list = [{"color": None, "font-family": None} for _ in range(len(text_prompt_texts))] glyph_text_formatted = format_prompt(text_prompt_texts, text_prompt_style_list) logger.info(f"Glyph text formatted: {glyph_text_formatted}") byt5_text_inputs = tokenizer( glyph_text_formatted, padding="max_length", max_length=BYT5_MAX_LENGTH, truncation=True, add_special_tokens=True, return_tensors="pt", ) byt5_text_ids = byt5_text_inputs.input_ids byt5_text_mask = byt5_text_inputs.attention_mask return byt5_text_ids, byt5_text_mask except Exception as e: logger.warning(f"Warning: Error in glyph encoding, using fallback: {e}") return None, None ================================================ FILE: library/hunyuan_image_utils.py ================================================ # Original work: https://github.com/Tencent-Hunyuan/HunyuanImage-2.1 # Re-implemented for license compliance for sd-scripts. import math from typing import Tuple, Union, Optional import torch from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) MODEL_VERSION_2_1 = "hunyuan-image-2.1" # region model def _to_tuple(x, dim=2): """ Convert int or sequence to tuple of specified dimension. Args: x: Int or sequence to convert. dim: Target dimension for tuple. Returns: Tuple of length dim. """ if isinstance(x, int) or isinstance(x, float): return (x,) * dim elif len(x) == dim: return x else: raise ValueError(f"Expected length {dim} or int, but got {x}") def get_meshgrid_nd(start, dim=2): """ Generate n-dimensional coordinate meshgrid from 0 to grid_size. Creates coordinate grids for each spatial dimension, useful for generating position embeddings. Args: start: Grid size for each dimension (int or tuple). dim: Number of spatial dimensions. Returns: Coordinate grid tensor [dim, *grid_size]. """ # Convert start to grid sizes num = _to_tuple(start, dim=dim) start = (0,) * dim stop = num # Generate coordinate arrays for each dimension axis_grid = [] for i in range(dim): a, b, n = start[i], stop[i], num[i] g = torch.linspace(a, b, n + 1, dtype=torch.float32)[:n] axis_grid.append(g) grid = torch.meshgrid(*axis_grid, indexing="ij") # dim x [W, H, D] grid = torch.stack(grid, dim=0) # [dim, W, H, D] return grid def get_nd_rotary_pos_embed(rope_dim_list, start, theta=10000.0): """ Generate n-dimensional rotary position embeddings for spatial tokens. Creates RoPE embeddings for multi-dimensional positional encoding, distributing head dimensions across spatial dimensions. Args: rope_dim_list: Dimensions allocated to each spatial axis (should sum to head_dim). start: Spatial grid size for each dimension. theta: Base frequency for RoPE computation. Returns: Tuple of (cos_freqs, sin_freqs) for rotary embedding [H*W, D/2]. """ grid = get_meshgrid_nd(start, dim=len(rope_dim_list)) # [3, W, H, D] / [2, W, H] # Generate RoPE embeddings for each spatial dimension embs = [] for i in range(len(rope_dim_list)): emb = get_1d_rotary_pos_embed(rope_dim_list[i], grid[i].reshape(-1), theta) # 2 x [WHD, rope_dim_list[i]] embs.append(emb) cos = torch.cat([emb[0] for emb in embs], dim=1) # (WHD, D/2) sin = torch.cat([emb[1] for emb in embs], dim=1) # (WHD, D/2) return cos, sin def get_1d_rotary_pos_embed( dim: int, pos: Union[torch.FloatTensor, int], theta: float = 10000.0 ) -> Tuple[torch.Tensor, torch.Tensor]: """ Generate 1D rotary position embeddings. Args: dim: Embedding dimension (must be even). pos: Position indices [S] or scalar for sequence length. theta: Base frequency for sinusoidal encoding. Returns: Tuple of (cos_freqs, sin_freqs) tensors [S, D]. """ if isinstance(pos, int): pos = torch.arange(pos).float() freqs = 1.0 / (theta ** (torch.arange(0, dim, 2)[: (dim // 2)].float() / dim)) # [D/2] freqs = torch.outer(pos, freqs) # [S, D/2] freqs_cos = freqs.cos().repeat_interleave(2, dim=1) # [S, D] freqs_sin = freqs.sin().repeat_interleave(2, dim=1) # [S, D] return freqs_cos, freqs_sin def timestep_embedding(t, dim, max_period=10000): """ Create sinusoidal timestep embeddings for diffusion models. Converts scalar timesteps to high-dimensional embeddings using sinusoidal encoding at different frequencies. Args: t: Timestep tensor [N]. dim: Output embedding dimension. max_period: Maximum period for frequency computation. Returns: Timestep embeddings [N, dim]. """ half = dim // 2 freqs = torch.exp(-math.log(max_period) * torch.arange(start=0, end=half, dtype=torch.float32) / half).to(device=t.device) args = t[:, None].float() * freqs[None] embedding = torch.cat([torch.cos(args), torch.sin(args)], dim=-1) if dim % 2: embedding = torch.cat([embedding, torch.zeros_like(embedding[:, :1])], dim=-1) return embedding def modulate(x, shift=None, scale=None): """ Apply adaptive layer normalization modulation. Applies scale and shift transformations for conditioning in adaptive layer normalization. Args: x: Input tensor to modulate. shift: Additive shift parameter (optional). scale: Multiplicative scale parameter (optional). Returns: Modulated tensor x * (1 + scale) + shift. """ if scale is None and shift is None: return x elif shift is None: return x * (1 + scale.unsqueeze(1)) elif scale is None: return x + shift.unsqueeze(1) else: return x * (1 + scale.unsqueeze(1)) + shift.unsqueeze(1) def apply_gate(x, gate=None, tanh=False): """ Apply gating mechanism to tensor. Multiplies input by gate values, optionally applying tanh activation. Used in residual connections for adaptive control. Args: x: Input tensor to gate. gate: Gating values (optional). tanh: Whether to apply tanh to gate values. Returns: Gated tensor x * gate (with optional tanh). """ if gate is None: return x if tanh: return x * gate.unsqueeze(1).tanh() else: return x * gate.unsqueeze(1) def reshape_for_broadcast( freqs_cis: Tuple[torch.Tensor, torch.Tensor], x: torch.Tensor, head_first=False, ): """ Reshape RoPE frequency tensors for broadcasting with attention tensors. Args: freqs_cis: Tuple of (cos_freqs, sin_freqs) tensors. x: Target tensor for broadcasting compatibility. head_first: Must be False (only supported layout). Returns: Reshaped (cos_freqs, sin_freqs) tensors ready for broadcasting. """ assert not head_first, "Only head_first=False layout supported." assert isinstance(freqs_cis, tuple), "Expected tuple of (cos, sin) frequency tensors." assert x.ndim > 1, f"x should have at least 2 dimensions, but got {x.ndim}" # Validate frequency tensor dimensions match target tensor assert freqs_cis[0].shape == ( x.shape[1], x.shape[-1], ), f"Frequency tensor shape {freqs_cis[0].shape} incompatible with target shape {x.shape}" shape = [d if i == 1 or i == x.ndim - 1 else 1 for i, d in enumerate(x.shape)] return freqs_cis[0].view(*shape), freqs_cis[1].view(*shape) def rotate_half(x): """ Rotate half the dimensions for RoPE computation. Splits the last dimension in half and applies a 90-degree rotation by swapping and negating components. Args: x: Input tensor [..., D] where D is even. Returns: Rotated tensor with same shape as input. """ x_real, x_imag = x.float().reshape(*x.shape[:-1], -1, 2).unbind(-1) # [B, S, H, D//2] return torch.stack([-x_imag, x_real], dim=-1).flatten(3) def apply_rotary_emb( xq: torch.Tensor, xk: torch.Tensor, freqs_cis: Tuple[torch.Tensor, torch.Tensor], head_first: bool = False ) -> Tuple[torch.Tensor, torch.Tensor]: """ Apply rotary position embeddings to query and key tensors. Args: xq: Query tensor [B, S, H, D]. xk: Key tensor [B, S, H, D]. freqs_cis: Tuple of (cos_freqs, sin_freqs) for rotation. head_first: Whether head dimension precedes sequence dimension. Returns: Tuple of rotated (query, key) tensors. """ device = xq.device dtype = xq.dtype cos, sin = reshape_for_broadcast(freqs_cis, xq, head_first) cos, sin = cos.to(device), sin.to(device) # Apply rotation: x' = x * cos + rotate_half(x) * sin xq_out = (xq.float() * cos + rotate_half(xq.float()) * sin).to(dtype) xk_out = (xk.float() * cos + rotate_half(xk.float()) * sin).to(dtype) return xq_out, xk_out # endregion # region inference def get_timesteps_sigmas(sampling_steps: int, shift: float, device: torch.device) -> Tuple[torch.Tensor, torch.Tensor]: """ Generate timesteps and sigmas for diffusion sampling. Args: sampling_steps: Number of sampling steps. shift: Sigma shift parameter for schedule modification. device: Target device for tensors. Returns: Tuple of (timesteps, sigmas) tensors. """ sigmas = torch.linspace(1, 0, sampling_steps + 1) sigmas = (shift * sigmas) / (1 + (shift - 1) * sigmas) sigmas = sigmas.to(torch.float32) timesteps = (sigmas[:-1] * 1000).to(dtype=torch.float32, device=device) return timesteps, sigmas def step(latents, noise_pred, sigmas, step_i): """ Perform a single diffusion sampling step. Args: latents: Current latent state. noise_pred: Predicted noise. sigmas: Noise schedule sigmas. step_i: Current step index. Returns: Updated latents after the step. """ return latents.float() - (sigmas[step_i] - sigmas[step_i + 1]) * noise_pred.float() # endregion # region AdaptiveProjectedGuidance class MomentumBuffer: """ Exponential moving average buffer for APG momentum. """ def __init__(self, momentum: float): self.momentum = momentum self.running_average = 0 def update(self, update_value: torch.Tensor): new_average = self.momentum * self.running_average self.running_average = update_value + new_average def normalized_guidance_apg( pred_cond: torch.Tensor, pred_uncond: torch.Tensor, guidance_scale: float, momentum_buffer: Optional[MomentumBuffer] = None, eta: float = 1.0, norm_threshold: float = 0.0, use_original_formulation: bool = False, ): """ Apply normalized adaptive projected guidance. Projects the guidance vector to reduce over-saturation while maintaining directional control by decomposing into parallel and orthogonal components. Args: pred_cond: Conditional prediction. pred_uncond: Unconditional prediction. guidance_scale: Guidance scale factor. momentum_buffer: Optional momentum buffer for temporal smoothing. eta: Scaling factor for parallel component. norm_threshold: Maximum norm for guidance vector clipping. use_original_formulation: Whether to use original APG formulation. Returns: Guided prediction tensor. """ diff = pred_cond - pred_uncond dim = [-i for i in range(1, len(diff.shape))] # All dimensions except batch # Apply momentum smoothing if available if momentum_buffer is not None: momentum_buffer.update(diff) diff = momentum_buffer.running_average # Apply norm clipping if threshold is set if norm_threshold > 0: diff_norm = diff.norm(p=2, dim=dim, keepdim=True) scale_factor = torch.minimum(torch.ones_like(diff_norm), norm_threshold / diff_norm) diff = diff * scale_factor # Project guidance vector into parallel and orthogonal components v0, v1 = diff.double(), pred_cond.double() v1 = torch.nn.functional.normalize(v1, dim=dim) v0_parallel = (v0 * v1).sum(dim=dim, keepdim=True) * v1 v0_orthogonal = v0 - v0_parallel diff_parallel, diff_orthogonal = v0_parallel.type_as(diff), v0_orthogonal.type_as(diff) # Combine components with different scaling normalized_update = diff_orthogonal + eta * diff_parallel pred = pred_cond if use_original_formulation else pred_uncond pred = pred + guidance_scale * normalized_update return pred class AdaptiveProjectedGuidance: """ Adaptive Projected Guidance for classifier-free guidance. Implements APG which projects the guidance vector to reduce over-saturation while maintaining directional control. """ def __init__( self, guidance_scale: float = 7.5, adaptive_projected_guidance_momentum: Optional[float] = None, adaptive_projected_guidance_rescale: float = 15.0, eta: float = 0.0, guidance_rescale: float = 0.0, use_original_formulation: bool = False, ): self.guidance_scale = guidance_scale self.adaptive_projected_guidance_momentum = adaptive_projected_guidance_momentum self.adaptive_projected_guidance_rescale = adaptive_projected_guidance_rescale self.eta = eta self.guidance_rescale = guidance_rescale self.use_original_formulation = use_original_formulation self.momentum_buffer = None def __call__(self, pred_cond: torch.Tensor, pred_uncond: Optional[torch.Tensor] = None, step=None) -> torch.Tensor: if step == 0 and self.adaptive_projected_guidance_momentum is not None: self.momentum_buffer = MomentumBuffer(self.adaptive_projected_guidance_momentum) pred = normalized_guidance_apg( pred_cond, pred_uncond, self.guidance_scale, self.momentum_buffer, self.eta, self.adaptive_projected_guidance_rescale, self.use_original_formulation, ) if self.guidance_rescale > 0.0: pred = rescale_noise_cfg(pred, pred_cond, self.guidance_rescale) return pred def rescale_noise_cfg(guided_noise, conditional_noise, rescale_factor=0.0): """ Rescale guided noise prediction to prevent overexposure and improve image quality. This implementation addresses the overexposure issue described in "Common Diffusion Noise Schedules and Sample Steps are Flawed" (https://arxiv.org/pdf/2305.08891.pdf) (Section 3.4). The rescaling preserves the statistical properties of the conditional prediction while reducing artifacts. Args: guided_noise (torch.Tensor): Noise prediction from classifier-free guidance. conditional_noise (torch.Tensor): Noise prediction from conditional model. rescale_factor (float): Interpolation factor between original and rescaled predictions. 0.0 = no rescaling, 1.0 = full rescaling. Returns: torch.Tensor: Rescaled noise prediction with reduced overexposure. """ if rescale_factor == 0.0: return guided_noise # Calculate standard deviation across spatial dimensions for both predictions spatial_dims = list(range(1, conditional_noise.ndim)) conditional_std = conditional_noise.std(dim=spatial_dims, keepdim=True) guided_std = guided_noise.std(dim=spatial_dims, keepdim=True) # Rescale guided noise to match conditional noise statistics std_ratio = conditional_std / guided_std rescaled_prediction = guided_noise * std_ratio # Interpolate between original and rescaled predictions final_prediction = rescale_factor * rescaled_prediction + (1.0 - rescale_factor) * guided_noise return final_prediction def apply_classifier_free_guidance( noise_pred_text: torch.Tensor, noise_pred_uncond: torch.Tensor, is_ocr: bool, guidance_scale: float, step: int, apg_start_step_ocr: int = 38, apg_start_step_general: int = 5, cfg_guider_ocr: AdaptiveProjectedGuidance = None, cfg_guider_general: AdaptiveProjectedGuidance = None, guidance_rescale: float = 0.0, ): """ Apply classifier-free guidance with OCR-aware APG for batch_size=1. Args: noise_pred_text: Conditional noise prediction tensor [1, ...]. noise_pred_uncond: Unconditional noise prediction tensor [1, ...]. is_ocr: Whether this sample requires OCR-specific guidance. guidance_scale: Guidance scale for CFG. step: Current diffusion step index. apg_start_step_ocr: Step to start APG for OCR regions. apg_start_step_general: Step to start APG for general regions. cfg_guider_ocr: APG guider for OCR regions. cfg_guider_general: APG guider for general regions. Returns: Guided noise prediction tensor [1, ...]. """ if guidance_scale == 1.0: return noise_pred_text # Select appropriate guider and start step based on OCR requirement if is_ocr: cfg_guider = cfg_guider_ocr apg_start_step = apg_start_step_ocr else: cfg_guider = cfg_guider_general apg_start_step = apg_start_step_general # Apply standard CFG or APG based on current step if step <= apg_start_step: # Standard classifier-free guidance noise_pred = noise_pred_uncond + guidance_scale * (noise_pred_text - noise_pred_uncond) if guidance_rescale > 0.0: # Based on 3.4. in https://arxiv.org/pdf/2305.08891.pdf noise_pred = rescale_noise_cfg(noise_pred, noise_pred_text, guidance_rescale) # Initialize APG guider state _ = cfg_guider(noise_pred_text, noise_pred_uncond, step=step) else: # Use APG for guidance noise_pred = cfg_guider(noise_pred_text, noise_pred_uncond, step=step) return noise_pred # endregion ================================================ FILE: library/hunyuan_image_vae.py ================================================ from typing import Optional, Tuple from einops import rearrange import numpy as np import torch from torch import Tensor, nn from torch.nn import Conv2d from diffusers.models.autoencoders.vae import DiagonalGaussianDistribution from library.safetensors_utils import load_safetensors from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) VAE_SCALE_FACTOR = 32 # 32x spatial compression LATENT_SCALING_FACTOR = 0.75289 # Latent scaling factor for Hunyuan Image-2.1 def swish(x: Tensor) -> Tensor: """Swish activation function: x * sigmoid(x).""" return x * torch.sigmoid(x) class AttnBlock(nn.Module): """Self-attention block using scaled dot-product attention.""" def __init__(self, in_channels: int, chunk_size: Optional[int] = None): super().__init__() self.in_channels = in_channels self.norm = nn.GroupNorm(num_groups=32, num_channels=in_channels, eps=1e-6, affine=True) if chunk_size is None or chunk_size <= 0: self.q = Conv2d(in_channels, in_channels, kernel_size=1) self.k = Conv2d(in_channels, in_channels, kernel_size=1) self.v = Conv2d(in_channels, in_channels, kernel_size=1) self.proj_out = Conv2d(in_channels, in_channels, kernel_size=1) else: self.q = ChunkedConv2d(in_channels, in_channels, kernel_size=1, chunk_size=chunk_size) self.k = ChunkedConv2d(in_channels, in_channels, kernel_size=1, chunk_size=chunk_size) self.v = ChunkedConv2d(in_channels, in_channels, kernel_size=1, chunk_size=chunk_size) self.proj_out = ChunkedConv2d(in_channels, in_channels, kernel_size=1, chunk_size=chunk_size) def attention(self, x: Tensor) -> Tensor: x = self.norm(x) q = self.q(x) k = self.k(x) v = self.v(x) b, c, h, w = q.shape q = rearrange(q, "b c h w -> b (h w) c").contiguous() k = rearrange(k, "b c h w -> b (h w) c").contiguous() v = rearrange(v, "b c h w -> b (h w) c").contiguous() x = nn.functional.scaled_dot_product_attention(q, k, v) return rearrange(x, "b (h w) c -> b c h w", h=h, w=w, c=c, b=b) def forward(self, x: Tensor) -> Tensor: return x + self.proj_out(self.attention(x)) class ChunkedConv2d(nn.Conv2d): """ Convolutional layer that processes input in chunks to reduce memory usage. Parameters ---------- chunk_size : int, optional Size of chunks to process at a time. Default is 64. """ def __init__(self, *args, **kwargs): if "chunk_size" in kwargs: self.chunk_size = kwargs.pop("chunk_size", 64) super().__init__(*args, **kwargs) assert self.padding_mode == "zeros", "Only 'zeros' padding mode is supported." assert self.dilation == (1, 1) and self.stride == (1, 1), "Only dilation=1 and stride=1 are supported." assert self.groups == 1, "Only groups=1 is supported." assert self.kernel_size[0] == self.kernel_size[1], "Only square kernels are supported." assert ( self.padding[0] == self.padding[1] and self.padding[0] == self.kernel_size[0] // 2 ), "Only kernel_size//2 padding is supported." self.original_padding = self.padding self.padding = (0, 0) # We handle padding manually in forward def forward(self, x: Tensor) -> Tensor: # If chunking is not needed, process normally. We chunk only along height dimension. if self.chunk_size is None or x.shape[1] <= self.chunk_size: self.padding = self.original_padding x = super().forward(x) self.padding = (0, 0) if torch.cuda.is_available(): torch.cuda.empty_cache() return x # Process input in chunks to reduce memory usage org_shape = x.shape # If kernel size is not 1, we need to use overlapping chunks overlap = self.kernel_size[0] // 2 # 1 for kernel size 3 step = self.chunk_size - overlap y = torch.zeros((org_shape[0], self.out_channels, org_shape[2], org_shape[3]), dtype=x.dtype, device=x.device) yi = 0 i = 0 while i < org_shape[2]: si = i if i == 0 else i - overlap ei = i + self.chunk_size # Check last chunk. If remaining part is small, include it in last chunk if ei > org_shape[2] or ei + step // 4 > org_shape[2]: ei = org_shape[2] chunk = x[:, :, : ei - si, :] x = x[:, :, ei - si - overlap * 2 :, :] # Pad chunk if needed: This is as the original Conv2d with padding if i == 0: # First chunk # Pad except bottom chunk = torch.nn.functional.pad(chunk, (overlap, overlap, overlap, 0), mode="constant", value=0) elif ei == org_shape[2]: # Last chunk # Pad except top chunk = torch.nn.functional.pad(chunk, (overlap, overlap, 0, overlap), mode="constant", value=0) else: # Pad left and right only chunk = torch.nn.functional.pad(chunk, (overlap, overlap), mode="constant", value=0) chunk = super().forward(chunk) y[:, :, yi : yi + chunk.shape[2], :] = chunk yi += chunk.shape[2] del chunk if ei == org_shape[2]: break i += step assert yi == org_shape[2], f"yi={yi}, org_shape[2]={org_shape[2]}" if torch.cuda.is_available(): torch.cuda.empty_cache() # This helps reduce peak memory usage, but slows down a bit return y class ResnetBlock(nn.Module): """ Residual block with two convolutions, group normalization, and swish activation. Includes skip connection with optional channel dimension matching. Parameters ---------- in_channels : int Number of input channels. out_channels : int Number of output channels. """ def __init__(self, in_channels: int, out_channels: int, chunk_size: Optional[int] = None): super().__init__() self.in_channels = in_channels self.out_channels = out_channels self.norm1 = nn.GroupNorm(num_groups=32, num_channels=in_channels, eps=1e-6, affine=True) self.norm2 = nn.GroupNorm(num_groups=32, num_channels=out_channels, eps=1e-6, affine=True) if chunk_size is None or chunk_size <= 0: self.conv1 = Conv2d(in_channels, out_channels, kernel_size=3, stride=1, padding=1) self.conv2 = Conv2d(out_channels, out_channels, kernel_size=3, stride=1, padding=1) # Skip connection projection for channel dimension mismatch if self.in_channels != self.out_channels: self.nin_shortcut = Conv2d(in_channels, out_channels, kernel_size=1, stride=1, padding=0) else: self.conv1 = ChunkedConv2d(in_channels, out_channels, kernel_size=3, stride=1, padding=1, chunk_size=chunk_size) self.conv2 = ChunkedConv2d(out_channels, out_channels, kernel_size=3, stride=1, padding=1, chunk_size=chunk_size) # Skip connection projection for channel dimension mismatch if self.in_channels != self.out_channels: self.nin_shortcut = ChunkedConv2d( in_channels, out_channels, kernel_size=1, stride=1, padding=0, chunk_size=chunk_size ) def forward(self, x: Tensor) -> Tensor: h = x # First convolution block h = self.norm1(h) h = swish(h) h = self.conv1(h) # Second convolution block h = self.norm2(h) h = swish(h) h = self.conv2(h) # Apply skip connection with optional projection if self.in_channels != self.out_channels: x = self.nin_shortcut(x) return x + h class Downsample(nn.Module): """ Spatial downsampling block that reduces resolution by 2x using convolution followed by pixel rearrangement. Includes skip connection with grouped averaging. Parameters ---------- in_channels : int Number of input channels. out_channels : int Number of output channels (must be divisible by 4). """ def __init__(self, in_channels: int, out_channels: int, chunk_size: Optional[int] = None): super().__init__() factor = 4 # 2x2 spatial reduction factor assert out_channels % factor == 0 if chunk_size is None or chunk_size <= 0: self.conv = Conv2d(in_channels, out_channels // factor, kernel_size=3, stride=1, padding=1) else: self.conv = ChunkedConv2d( in_channels, out_channels // factor, kernel_size=3, stride=1, padding=1, chunk_size=chunk_size ) self.group_size = factor * in_channels // out_channels def forward(self, x: Tensor) -> Tensor: # Apply convolution and rearrange pixels for 2x downsampling h = self.conv(x) h = rearrange(h, "b c (h r1) (w r2) -> b (r1 r2 c) h w", r1=2, r2=2) # Create skip connection with pixel rearrangement shortcut = rearrange(x, "b c (h r1) (w r2) -> b (r1 r2 c) h w", r1=2, r2=2) B, C, H, W = shortcut.shape shortcut = shortcut.view(B, h.shape[1], self.group_size, H, W).mean(dim=2) return h + shortcut class Upsample(nn.Module): """ Spatial upsampling block that increases resolution by 2x using convolution followed by pixel rearrangement. Includes skip connection with channel repetition. Parameters ---------- in_channels : int Number of input channels. out_channels : int Number of output channels. """ def __init__(self, in_channels: int, out_channels: int, chunk_size: Optional[int] = None): super().__init__() factor = 4 # 2x2 spatial expansion factor if chunk_size is None or chunk_size <= 0: self.conv = Conv2d(in_channels, out_channels * factor, kernel_size=3, stride=1, padding=1) else: self.conv = ChunkedConv2d(in_channels, out_channels * factor, kernel_size=3, stride=1, padding=1, chunk_size=chunk_size) self.repeats = factor * out_channels // in_channels def forward(self, x: Tensor) -> Tensor: # Apply convolution and rearrange pixels for 2x upsampling h = self.conv(x) h = rearrange(h, "b (r1 r2 c) h w -> b c (h r1) (w r2)", r1=2, r2=2) # Create skip connection with channel repetition shortcut = x.repeat_interleave(repeats=self.repeats, dim=1) shortcut = rearrange(shortcut, "b (r1 r2 c) h w -> b c (h r1) (w r2)", r1=2, r2=2) return h + shortcut class Encoder(nn.Module): """ VAE encoder that progressively downsamples input images to a latent representation. Uses residual blocks, attention, and spatial downsampling. Parameters ---------- in_channels : int Number of input image channels (e.g., 3 for RGB). z_channels : int Number of latent channels in the output. block_out_channels : Tuple[int, ...] Output channels for each downsampling block. num_res_blocks : int Number of residual blocks per downsampling stage. ffactor_spatial : int Total spatial downsampling factor (e.g., 32 for 32x compression). """ def __init__( self, in_channels: int, z_channels: int, block_out_channels: Tuple[int, ...], num_res_blocks: int, ffactor_spatial: int, chunk_size: Optional[int] = None, ): super().__init__() assert block_out_channels[-1] % (2 * z_channels) == 0 self.z_channels = z_channels self.block_out_channels = block_out_channels self.num_res_blocks = num_res_blocks if chunk_size is None or chunk_size <= 0: self.conv_in = Conv2d(in_channels, block_out_channels[0], kernel_size=3, stride=1, padding=1) else: self.conv_in = ChunkedConv2d( in_channels, block_out_channels[0], kernel_size=3, stride=1, padding=1, chunk_size=chunk_size ) self.down = nn.ModuleList() block_in = block_out_channels[0] # Build downsampling blocks for i_level, ch in enumerate(block_out_channels): block = nn.ModuleList() block_out = ch # Add residual blocks for this level for _ in range(self.num_res_blocks): block.append(ResnetBlock(in_channels=block_in, out_channels=block_out, chunk_size=chunk_size)) block_in = block_out down = nn.Module() down.block = block # Add spatial downsampling if needed add_spatial_downsample = bool(i_level < np.log2(ffactor_spatial)) if add_spatial_downsample: assert i_level < len(block_out_channels) - 1 block_out = block_out_channels[i_level + 1] down.downsample = Downsample(block_in, block_out, chunk_size=chunk_size) block_in = block_out self.down.append(down) # Middle blocks with attention self.mid = nn.Module() self.mid.block_1 = ResnetBlock(in_channels=block_in, out_channels=block_in, chunk_size=chunk_size) self.mid.attn_1 = AttnBlock(block_in, chunk_size=chunk_size) self.mid.block_2 = ResnetBlock(in_channels=block_in, out_channels=block_in, chunk_size=chunk_size) # Output layers self.norm_out = nn.GroupNorm(num_groups=32, num_channels=block_in, eps=1e-6, affine=True) if chunk_size is None or chunk_size <= 0: self.conv_out = Conv2d(block_in, 2 * z_channels, kernel_size=3, stride=1, padding=1) else: self.conv_out = ChunkedConv2d(block_in, 2 * z_channels, kernel_size=3, stride=1, padding=1, chunk_size=chunk_size) def forward(self, x: Tensor) -> Tensor: # Initial convolution h = self.conv_in(x) # Progressive downsampling through blocks for i_level in range(len(self.block_out_channels)): # Apply residual blocks at this level for i_block in range(self.num_res_blocks): h = self.down[i_level].block[i_block](h) # Apply spatial downsampling if available if hasattr(self.down[i_level], "downsample"): h = self.down[i_level].downsample(h) # Middle processing with attention h = self.mid.block_1(h) h = self.mid.attn_1(h) h = self.mid.block_2(h) # Final output layers with skip connection group_size = self.block_out_channels[-1] // (2 * self.z_channels) shortcut = rearrange(h, "b (c r) h w -> b c r h w", r=group_size).mean(dim=2) h = self.norm_out(h) h = swish(h) h = self.conv_out(h) h += shortcut return h class Decoder(nn.Module): """ VAE decoder that progressively upsamples latent representations back to images. Uses residual blocks, attention, and spatial upsampling. Parameters ---------- z_channels : int Number of latent channels in the input. out_channels : int Number of output image channels (e.g., 3 for RGB). block_out_channels : Tuple[int, ...] Output channels for each upsampling block. num_res_blocks : int Number of residual blocks per upsampling stage. ffactor_spatial : int Total spatial upsampling factor (e.g., 32 for 32x expansion). """ def __init__( self, z_channels: int, out_channels: int, block_out_channels: Tuple[int, ...], num_res_blocks: int, ffactor_spatial: int, chunk_size: Optional[int] = None, ): super().__init__() assert block_out_channels[0] % z_channels == 0 self.z_channels = z_channels self.block_out_channels = block_out_channels self.num_res_blocks = num_res_blocks block_in = block_out_channels[0] if chunk_size is None or chunk_size <= 0: self.conv_in = Conv2d(z_channels, block_in, kernel_size=3, stride=1, padding=1) else: self.conv_in = ChunkedConv2d(z_channels, block_in, kernel_size=3, stride=1, padding=1, chunk_size=chunk_size) # Middle blocks with attention self.mid = nn.Module() self.mid.block_1 = ResnetBlock(in_channels=block_in, out_channels=block_in, chunk_size=chunk_size) self.mid.attn_1 = AttnBlock(block_in, chunk_size=chunk_size) self.mid.block_2 = ResnetBlock(in_channels=block_in, out_channels=block_in, chunk_size=chunk_size) # Build upsampling blocks self.up = nn.ModuleList() for i_level, ch in enumerate(block_out_channels): block = nn.ModuleList() block_out = ch # Add residual blocks for this level (extra block for decoder) for _ in range(self.num_res_blocks + 1): block.append(ResnetBlock(in_channels=block_in, out_channels=block_out, chunk_size=chunk_size)) block_in = block_out up = nn.Module() up.block = block # Add spatial upsampling if needed add_spatial_upsample = bool(i_level < np.log2(ffactor_spatial)) if add_spatial_upsample: assert i_level < len(block_out_channels) - 1 block_out = block_out_channels[i_level + 1] up.upsample = Upsample(block_in, block_out, chunk_size=chunk_size) block_in = block_out self.up.append(up) # Output layers self.norm_out = nn.GroupNorm(num_groups=32, num_channels=block_in, eps=1e-6, affine=True) if chunk_size is None or chunk_size <= 0: self.conv_out = Conv2d(block_in, out_channels, kernel_size=3, stride=1, padding=1) else: self.conv_out = ChunkedConv2d(block_in, out_channels, kernel_size=3, stride=1, padding=1, chunk_size=chunk_size) def forward(self, z: Tensor) -> Tensor: # Initial processing with skip connection repeats = self.block_out_channels[0] // self.z_channels h = self.conv_in(z) + z.repeat_interleave(repeats=repeats, dim=1) # Middle processing with attention h = self.mid.block_1(h) h = self.mid.attn_1(h) h = self.mid.block_2(h) # Progressive upsampling through blocks for i_level in range(len(self.block_out_channels)): # Apply residual blocks at this level for i_block in range(self.num_res_blocks + 1): h = self.up[i_level].block[i_block](h) # Apply spatial upsampling if available if hasattr(self.up[i_level], "upsample"): h = self.up[i_level].upsample(h) # Final output layers h = self.norm_out(h) h = swish(h) h = self.conv_out(h) return h class HunyuanVAE2D(nn.Module): """ VAE model for Hunyuan Image-2.1 with spatial tiling support. This VAE uses a fixed architecture optimized for the Hunyuan Image-2.1 model, with 32x spatial compression and optional memory-efficient tiling for large images. """ def __init__(self, chunk_size: Optional[int] = None): super().__init__() # Fixed configuration for Hunyuan Image-2.1 block_out_channels = (128, 256, 512, 512, 1024, 1024) in_channels = 3 # RGB input out_channels = 3 # RGB output latent_channels = 64 layers_per_block = 2 ffactor_spatial = 32 # 32x spatial compression sample_size = 384 # Minimum sample size for tiling scaling_factor = LATENT_SCALING_FACTOR # 0.75289 # Latent scaling factor self.ffactor_spatial = ffactor_spatial self.scaling_factor = scaling_factor self.encoder = Encoder( in_channels=in_channels, z_channels=latent_channels, block_out_channels=block_out_channels, num_res_blocks=layers_per_block, ffactor_spatial=ffactor_spatial, chunk_size=chunk_size, ) self.decoder = Decoder( z_channels=latent_channels, out_channels=out_channels, block_out_channels=list(reversed(block_out_channels)), num_res_blocks=layers_per_block, ffactor_spatial=ffactor_spatial, chunk_size=chunk_size, ) # Spatial tiling configuration for memory efficiency self.use_spatial_tiling = False self.tile_sample_min_size = sample_size self.tile_latent_min_size = sample_size // ffactor_spatial self.tile_overlap_factor = 0.25 # 25% overlap between tiles @property def dtype(self): """Get the data type of the model parameters.""" return next(self.encoder.parameters()).dtype @property def device(self): """Get the device of the model parameters.""" return next(self.encoder.parameters()).device def enable_spatial_tiling(self, use_tiling: bool = True): """Enable or disable spatial tiling.""" self.use_spatial_tiling = use_tiling def disable_spatial_tiling(self): """Disable spatial tiling.""" self.use_spatial_tiling = False def enable_tiling(self, use_tiling: bool = True): """Enable or disable spatial tiling (alias for enable_spatial_tiling).""" self.enable_spatial_tiling(use_tiling) def disable_tiling(self): """Disable spatial tiling (alias for disable_spatial_tiling).""" self.disable_spatial_tiling() def blend_h(self, a: torch.Tensor, b: torch.Tensor, blend_extent: int) -> torch.Tensor: """ Blend two tensors horizontally with smooth transition. Parameters ---------- a : torch.Tensor Left tensor. b : torch.Tensor Right tensor. blend_extent : int Number of columns to blend. """ blend_extent = min(a.shape[-1], b.shape[-1], blend_extent) for x in range(blend_extent): b[:, :, :, x] = a[:, :, :, -blend_extent + x] * (1 - x / blend_extent) + b[:, :, :, x] * (x / blend_extent) return b def blend_v(self, a: torch.Tensor, b: torch.Tensor, blend_extent: int) -> torch.Tensor: """ Blend two tensors vertically with smooth transition. Parameters ---------- a : torch.Tensor Top tensor. b : torch.Tensor Bottom tensor. blend_extent : int Number of rows to blend. """ blend_extent = min(a.shape[-2], b.shape[-2], blend_extent) for y in range(blend_extent): b[:, :, y, :] = a[:, :, -blend_extent + y, :] * (1 - y / blend_extent) + b[:, :, y, :] * (y / blend_extent) return b def spatial_tiled_encode(self, x: torch.Tensor) -> torch.Tensor: """ Encode large images using spatial tiling to reduce memory usage. Tiles are processed independently and blended at boundaries. Parameters ---------- x : torch.Tensor Input tensor of shape (B, C, T, H, W) or (B, C, H, W). """ # Handle 5D input (B, C, T, H, W) by removing time dimension original_ndim = x.ndim if original_ndim == 5: x = x.squeeze(2) B, C, H, W = x.shape overlap_size = int(self.tile_sample_min_size * (1 - self.tile_overlap_factor)) blend_extent = int(self.tile_latent_min_size * self.tile_overlap_factor) row_limit = self.tile_latent_min_size - blend_extent rows = [] for i in range(0, H, overlap_size): row = [] for j in range(0, W, overlap_size): tile = x[:, :, i : i + self.tile_sample_min_size, j : j + self.tile_sample_min_size] tile = self.encoder(tile) row.append(tile) rows.append(row) result_rows = [] for i, row in enumerate(rows): result_row = [] for j, tile in enumerate(row): if i > 0: tile = self.blend_v(rows[i - 1][j], tile, blend_extent) if j > 0: tile = self.blend_h(row[j - 1], tile, blend_extent) result_row.append(tile[:, :, :row_limit, :row_limit]) result_rows.append(torch.cat(result_row, dim=-1)) moments = torch.cat(result_rows, dim=-2) return moments def spatial_tiled_decode(self, z: torch.Tensor) -> torch.Tensor: """ Decode large latents using spatial tiling to reduce memory usage. Tiles are processed independently and blended at boundaries. Parameters ---------- z : torch.Tensor Latent tensor of shape (B, C, H, W). """ B, C, H, W = z.shape overlap_size = int(self.tile_latent_min_size * (1 - self.tile_overlap_factor)) blend_extent = int(self.tile_sample_min_size * self.tile_overlap_factor) row_limit = self.tile_sample_min_size - blend_extent rows = [] for i in range(0, H, overlap_size): row = [] for j in range(0, W, overlap_size): tile = z[:, :, :, i : i + self.tile_latent_min_size, j : j + self.tile_latent_min_size] decoded = self.decoder(tile) row.append(decoded) rows.append(row) result_rows = [] for i, row in enumerate(rows): result_row = [] for j, tile in enumerate(row): if i > 0: tile = self.blend_v(rows[i - 1][j], tile, blend_extent) if j > 0: tile = self.blend_h(row[j - 1], tile, blend_extent) result_row.append(tile[:, :, :, :row_limit, :row_limit]) result_rows.append(torch.cat(result_row, dim=-1)) dec = torch.cat(result_rows, dim=-2) return dec def encode(self, x: Tensor) -> DiagonalGaussianDistribution: """ Encode input images to latent representation. Uses spatial tiling for large images if enabled. Parameters ---------- x : Tensor Input image tensor of shape (B, C, H, W) or (B, C, T, H, W). Returns ------- DiagonalGaussianDistribution Latent distribution with mean and logvar. """ # Handle 5D input (B, C, T, H, W) by removing time dimension original_ndim = x.ndim if original_ndim == 5: x = x.squeeze(2) # Use tiling for large images to reduce memory usage if self.use_spatial_tiling and (x.shape[-1] > self.tile_sample_min_size or x.shape[-2] > self.tile_sample_min_size): h = self.spatial_tiled_encode(x) else: h = self.encoder(x) # Restore time dimension if input was 5D if original_ndim == 5: h = h.unsqueeze(2) posterior = DiagonalGaussianDistribution(h) return posterior def decode(self, z: Tensor): """ Decode latent representation back to images. Uses spatial tiling for large latents if enabled. Parameters ---------- z : Tensor Latent tensor of shape (B, C, H, W) or (B, C, T, H, W). Returns ------- Tensor Decoded image tensor. """ # Handle 5D input (B, C, T, H, W) by removing time dimension original_ndim = z.ndim if original_ndim == 5: z = z.squeeze(2) # Use tiling for large latents to reduce memory usage if self.use_spatial_tiling and (z.shape[-1] > self.tile_latent_min_size or z.shape[-2] > self.tile_latent_min_size): decoded = self.spatial_tiled_decode(z) else: decoded = self.decoder(z) # Restore time dimension if input was 5D if original_ndim == 5: decoded = decoded.unsqueeze(2) return decoded def load_vae(vae_path: str, device: torch.device, disable_mmap: bool = False, chunk_size: Optional[int] = None) -> HunyuanVAE2D: logger.info(f"Initializing VAE with chunk_size={chunk_size}") vae = HunyuanVAE2D(chunk_size=chunk_size) logger.info(f"Loading VAE from {vae_path}") state_dict = load_safetensors(vae_path, device=device, disable_mmap=disable_mmap) info = vae.load_state_dict(state_dict, strict=True, assign=True) logger.info(f"Loaded VAE: {info}") vae.to(device) return vae ================================================ FILE: library/hypernetwork.py ================================================ import torch import torch.nn.functional as F from diffusers.models.attention_processor import ( Attention, AttnProcessor2_0, SlicedAttnProcessor, XFormersAttnProcessor ) try: import xformers.ops except: xformers = None loaded_networks = [] def apply_single_hypernetwork( hypernetwork, hidden_states, encoder_hidden_states ): context_k, context_v = hypernetwork.forward(hidden_states, encoder_hidden_states) return context_k, context_v def apply_hypernetworks(context_k, context_v, layer=None): if len(loaded_networks) == 0: return context_v, context_v for hypernetwork in loaded_networks: context_k, context_v = hypernetwork.forward(context_k, context_v) context_k = context_k.to(dtype=context_k.dtype) context_v = context_v.to(dtype=context_k.dtype) return context_k, context_v def xformers_forward( self: XFormersAttnProcessor, attn: Attention, hidden_states: torch.Tensor, encoder_hidden_states: torch.Tensor = None, attention_mask: torch.Tensor = None, ): batch_size, sequence_length, _ = ( hidden_states.shape if encoder_hidden_states is None else encoder_hidden_states.shape ) attention_mask = attn.prepare_attention_mask( attention_mask, sequence_length, batch_size ) query = attn.to_q(hidden_states) if encoder_hidden_states is None: encoder_hidden_states = hidden_states elif attn.norm_cross: encoder_hidden_states = attn.norm_encoder_hidden_states(encoder_hidden_states) context_k, context_v = apply_hypernetworks(hidden_states, encoder_hidden_states) key = attn.to_k(context_k) value = attn.to_v(context_v) query = attn.head_to_batch_dim(query).contiguous() key = attn.head_to_batch_dim(key).contiguous() value = attn.head_to_batch_dim(value).contiguous() hidden_states = xformers.ops.memory_efficient_attention( query, key, value, attn_bias=attention_mask, op=self.attention_op, scale=attn.scale, ) hidden_states = hidden_states.to(query.dtype) hidden_states = attn.batch_to_head_dim(hidden_states) # linear proj hidden_states = attn.to_out[0](hidden_states) # dropout hidden_states = attn.to_out[1](hidden_states) return hidden_states def sliced_attn_forward( self: SlicedAttnProcessor, attn: Attention, hidden_states: torch.Tensor, encoder_hidden_states: torch.Tensor = None, attention_mask: torch.Tensor = None, ): batch_size, sequence_length, _ = ( hidden_states.shape if encoder_hidden_states is None else encoder_hidden_states.shape ) attention_mask = attn.prepare_attention_mask( attention_mask, sequence_length, batch_size ) query = attn.to_q(hidden_states) dim = query.shape[-1] query = attn.head_to_batch_dim(query) if encoder_hidden_states is None: encoder_hidden_states = hidden_states elif attn.norm_cross: encoder_hidden_states = attn.norm_encoder_hidden_states(encoder_hidden_states) context_k, context_v = apply_hypernetworks(hidden_states, encoder_hidden_states) key = attn.to_k(context_k) value = attn.to_v(context_v) key = attn.head_to_batch_dim(key) value = attn.head_to_batch_dim(value) batch_size_attention, query_tokens, _ = query.shape hidden_states = torch.zeros( (batch_size_attention, query_tokens, dim // attn.heads), device=query.device, dtype=query.dtype, ) for i in range(batch_size_attention // self.slice_size): start_idx = i * self.slice_size end_idx = (i + 1) * self.slice_size query_slice = query[start_idx:end_idx] key_slice = key[start_idx:end_idx] attn_mask_slice = ( attention_mask[start_idx:end_idx] if attention_mask is not None else None ) attn_slice = attn.get_attention_scores(query_slice, key_slice, attn_mask_slice) attn_slice = torch.bmm(attn_slice, value[start_idx:end_idx]) hidden_states[start_idx:end_idx] = attn_slice hidden_states = attn.batch_to_head_dim(hidden_states) # linear proj hidden_states = attn.to_out[0](hidden_states) # dropout hidden_states = attn.to_out[1](hidden_states) return hidden_states def v2_0_forward( self: AttnProcessor2_0, attn: Attention, hidden_states, encoder_hidden_states=None, attention_mask=None, ): batch_size, sequence_length, _ = ( hidden_states.shape if encoder_hidden_states is None else encoder_hidden_states.shape ) inner_dim = hidden_states.shape[-1] if attention_mask is not None: attention_mask = attn.prepare_attention_mask( attention_mask, sequence_length, batch_size ) # scaled_dot_product_attention expects attention_mask shape to be # (batch, heads, source_length, target_length) attention_mask = attention_mask.view( batch_size, attn.heads, -1, attention_mask.shape[-1] ) query = attn.to_q(hidden_states) if encoder_hidden_states is None: encoder_hidden_states = hidden_states elif attn.norm_cross: encoder_hidden_states = attn.norm_encoder_hidden_states(encoder_hidden_states) context_k, context_v = apply_hypernetworks(hidden_states, encoder_hidden_states) key = attn.to_k(context_k) value = attn.to_v(context_v) head_dim = inner_dim // attn.heads query = query.view(batch_size, -1, attn.heads, head_dim).transpose(1, 2) key = key.view(batch_size, -1, attn.heads, head_dim).transpose(1, 2) value = value.view(batch_size, -1, attn.heads, head_dim).transpose(1, 2) # the output of sdp = (batch, num_heads, seq_len, head_dim) # TODO: add support for attn.scale when we move to Torch 2.1 hidden_states = F.scaled_dot_product_attention( query, key, value, attn_mask=attention_mask, dropout_p=0.0, is_causal=False ) hidden_states = hidden_states.transpose(1, 2).reshape( batch_size, -1, attn.heads * head_dim ) hidden_states = hidden_states.to(query.dtype) # linear proj hidden_states = attn.to_out[0](hidden_states) # dropout hidden_states = attn.to_out[1](hidden_states) return hidden_states def replace_attentions_for_hypernetwork(): import diffusers.models.attention_processor diffusers.models.attention_processor.XFormersAttnProcessor.__call__ = ( xformers_forward ) diffusers.models.attention_processor.SlicedAttnProcessor.__call__ = ( sliced_attn_forward ) diffusers.models.attention_processor.AttnProcessor2_0.__call__ = v2_0_forward ================================================ FILE: library/ipex/__init__.py ================================================ import os import sys import torch try: import intel_extension_for_pytorch as ipex # pylint: disable=import-error, unused-import has_ipex = True except Exception: has_ipex = False from .hijacks import ipex_hijacks torch_version = float(torch.__version__[:3]) # pylint: disable=protected-access, missing-function-docstring, line-too-long def ipex_init(): # pylint: disable=too-many-statements try: if hasattr(torch, "cuda") and hasattr(torch.cuda, "is_xpu_hijacked") and torch.cuda.is_xpu_hijacked: return True, "Skipping IPEX hijack" else: try: # force xpu device on torch compile and triton # import inductor utils to get around lazy import from torch._inductor import utils as torch_inductor_utils # pylint: disable=import-error, unused-import # noqa: F401 torch._inductor.utils.GPU_TYPES = ["xpu"] torch._inductor.utils.get_gpu_type = lambda *args, **kwargs: "xpu" from triton import backends as triton_backends # pylint: disable=import-error triton_backends.backends["nvidia"].driver.is_active = lambda *args, **kwargs: False except Exception: pass # Replace cuda with xpu: torch.cuda.current_device = torch.xpu.current_device torch.cuda.current_stream = torch.xpu.current_stream torch.cuda.device = torch.xpu.device torch.cuda.device_count = torch.xpu.device_count torch.cuda.device_of = torch.xpu.device_of torch.cuda.get_device_name = torch.xpu.get_device_name torch.cuda.get_device_properties = torch.xpu.get_device_properties torch.cuda.init = torch.xpu.init torch.cuda.is_available = torch.xpu.is_available torch.cuda.is_initialized = torch.xpu.is_initialized torch.cuda.is_current_stream_capturing = lambda: False torch.cuda.stream = torch.xpu.stream torch.cuda.Event = torch.xpu.Event torch.cuda.Stream = torch.xpu.Stream torch.Tensor.cuda = torch.Tensor.xpu torch.Tensor.is_cuda = torch.Tensor.is_xpu torch.nn.Module.cuda = torch.nn.Module.xpu torch.cuda.Optional = torch.xpu.Optional torch.cuda.__cached__ = torch.xpu.__cached__ torch.cuda.__loader__ = torch.xpu.__loader__ torch.cuda.streams = torch.xpu.streams torch.cuda.Any = torch.xpu.Any torch.cuda.__doc__ = torch.xpu.__doc__ torch.cuda.default_generators = torch.xpu.default_generators torch.cuda._get_device_index = torch.xpu._get_device_index torch.cuda.__path__ = torch.xpu.__path__ torch.cuda.set_stream = torch.xpu.set_stream torch.cuda.torch = torch.xpu.torch torch.cuda.Union = torch.xpu.Union torch.cuda.__annotations__ = torch.xpu.__annotations__ torch.cuda.__package__ = torch.xpu.__package__ torch.cuda.__builtins__ = torch.xpu.__builtins__ torch.cuda._lazy_init = torch.xpu._lazy_init torch.cuda.StreamContext = torch.xpu.StreamContext torch.cuda._lazy_call = torch.xpu._lazy_call torch.cuda.random = torch.xpu.random torch.cuda._device = torch.xpu._device torch.cuda.__name__ = torch.xpu.__name__ torch.cuda._device_t = torch.xpu._device_t torch.cuda.__spec__ = torch.xpu.__spec__ torch.cuda.__file__ = torch.xpu.__file__ # torch.cuda.is_current_stream_capturing = torch.xpu.is_current_stream_capturing if torch_version < 2.3: torch.cuda._initialization_lock = torch.xpu.lazy_init._initialization_lock torch.cuda._initialized = torch.xpu.lazy_init._initialized torch.cuda._is_in_bad_fork = torch.xpu.lazy_init._is_in_bad_fork torch.cuda._lazy_seed_tracker = torch.xpu.lazy_init._lazy_seed_tracker torch.cuda._queued_calls = torch.xpu.lazy_init._queued_calls torch.cuda._tls = torch.xpu.lazy_init._tls torch.cuda.threading = torch.xpu.lazy_init.threading torch.cuda.traceback = torch.xpu.lazy_init.traceback torch.cuda._lazy_new = torch.xpu._lazy_new torch.cuda.FloatTensor = torch.xpu.FloatTensor torch.cuda.FloatStorage = torch.xpu.FloatStorage torch.cuda.BFloat16Tensor = torch.xpu.BFloat16Tensor torch.cuda.BFloat16Storage = torch.xpu.BFloat16Storage torch.cuda.HalfTensor = torch.xpu.HalfTensor torch.cuda.HalfStorage = torch.xpu.HalfStorage torch.cuda.ByteTensor = torch.xpu.ByteTensor torch.cuda.ByteStorage = torch.xpu.ByteStorage torch.cuda.DoubleTensor = torch.xpu.DoubleTensor torch.cuda.DoubleStorage = torch.xpu.DoubleStorage torch.cuda.ShortTensor = torch.xpu.ShortTensor torch.cuda.ShortStorage = torch.xpu.ShortStorage torch.cuda.LongTensor = torch.xpu.LongTensor torch.cuda.LongStorage = torch.xpu.LongStorage torch.cuda.IntTensor = torch.xpu.IntTensor torch.cuda.IntStorage = torch.xpu.IntStorage torch.cuda.CharTensor = torch.xpu.CharTensor torch.cuda.CharStorage = torch.xpu.CharStorage torch.cuda.BoolTensor = torch.xpu.BoolTensor torch.cuda.BoolStorage = torch.xpu.BoolStorage torch.cuda.ComplexFloatStorage = torch.xpu.ComplexFloatStorage torch.cuda.ComplexDoubleStorage = torch.xpu.ComplexDoubleStorage else: torch.cuda._initialization_lock = torch.xpu._initialization_lock torch.cuda._initialized = torch.xpu._initialized torch.cuda._is_in_bad_fork = torch.xpu._is_in_bad_fork torch.cuda._lazy_seed_tracker = torch.xpu._lazy_seed_tracker torch.cuda._queued_calls = torch.xpu._queued_calls torch.cuda._tls = torch.xpu._tls torch.cuda.threading = torch.xpu.threading torch.cuda.traceback = torch.xpu.traceback if torch_version < 2.5: torch.cuda.os = torch.xpu.os torch.cuda.Device = torch.xpu.Device torch.cuda.warnings = torch.xpu.warnings torch.cuda.classproperty = torch.xpu.classproperty torch.UntypedStorage.cuda = torch.UntypedStorage.xpu if torch_version < 2.7: torch.cuda.Tuple = torch.xpu.Tuple torch.cuda.List = torch.xpu.List # Memory: if 'linux' in sys.platform and "WSL2" in os.popen("uname -a").read(): torch.xpu.empty_cache = lambda: None torch.cuda.empty_cache = torch.xpu.empty_cache if has_ipex: torch.cuda.memory_summary = torch.xpu.memory_summary torch.cuda.memory_snapshot = torch.xpu.memory_snapshot torch.cuda.memory = torch.xpu.memory torch.cuda.memory_stats = torch.xpu.memory_stats torch.cuda.memory_allocated = torch.xpu.memory_allocated torch.cuda.max_memory_allocated = torch.xpu.max_memory_allocated torch.cuda.memory_reserved = torch.xpu.memory_reserved torch.cuda.memory_cached = torch.xpu.memory_reserved torch.cuda.max_memory_reserved = torch.xpu.max_memory_reserved torch.cuda.max_memory_cached = torch.xpu.max_memory_reserved torch.cuda.reset_peak_memory_stats = torch.xpu.reset_peak_memory_stats torch.cuda.reset_max_memory_cached = torch.xpu.reset_peak_memory_stats torch.cuda.reset_max_memory_allocated = torch.xpu.reset_peak_memory_stats torch.cuda.memory_stats_as_nested_dict = torch.xpu.memory_stats_as_nested_dict torch.cuda.reset_accumulated_memory_stats = torch.xpu.reset_accumulated_memory_stats # RNG: torch.cuda.get_rng_state = torch.xpu.get_rng_state torch.cuda.get_rng_state_all = torch.xpu.get_rng_state_all torch.cuda.set_rng_state = torch.xpu.set_rng_state torch.cuda.set_rng_state_all = torch.xpu.set_rng_state_all torch.cuda.manual_seed = torch.xpu.manual_seed torch.cuda.manual_seed_all = torch.xpu.manual_seed_all torch.cuda.seed = torch.xpu.seed torch.cuda.seed_all = torch.xpu.seed_all torch.cuda.initial_seed = torch.xpu.initial_seed # C if torch_version < 2.3: torch._C._cuda_getCurrentRawStream = ipex._C._getCurrentRawStream ipex._C._DeviceProperties.multi_processor_count = ipex._C._DeviceProperties.gpu_subslice_count ipex._C._DeviceProperties.major = 12 ipex._C._DeviceProperties.minor = 1 ipex._C._DeviceProperties.L2_cache_size = 16*1024*1024 # A770 and A750 else: torch._C._cuda_getCurrentRawStream = torch._C._xpu_getCurrentRawStream torch._C._XpuDeviceProperties.multi_processor_count = torch._C._XpuDeviceProperties.gpu_subslice_count torch._C._XpuDeviceProperties.major = 12 torch._C._XpuDeviceProperties.minor = 1 torch._C._XpuDeviceProperties.L2_cache_size = 16*1024*1024 # A770 and A750 # Fix functions with ipex: # torch.xpu.mem_get_info always returns the total memory as free memory torch.xpu.mem_get_info = lambda device=None: [(torch.xpu.get_device_properties(device).total_memory - torch.xpu.memory_reserved(device)), torch.xpu.get_device_properties(device).total_memory] torch.cuda.mem_get_info = torch.xpu.mem_get_info torch._utils._get_available_device_type = lambda: "xpu" torch.has_cuda = True torch.cuda.has_half = True torch.cuda.is_bf16_supported = getattr(torch.xpu, "is_bf16_supported", lambda *args, **kwargs: True) torch.cuda.is_fp16_supported = lambda *args, **kwargs: True torch.backends.cuda.is_built = lambda *args, **kwargs: True torch.version.cuda = "12.1" torch.cuda.get_arch_list = getattr(torch.xpu, "get_arch_list", lambda: ["pvc", "dg2", "ats-m150"]) torch.cuda.get_device_capability = lambda *args, **kwargs: (12,1) torch.cuda.get_device_properties.major = 12 torch.cuda.get_device_properties.minor = 1 torch.cuda.get_device_properties.L2_cache_size = 16*1024*1024 # A770 and A750 torch.cuda.ipc_collect = lambda *args, **kwargs: None torch.cuda.utilization = lambda *args, **kwargs: 0 device_supports_fp64 = ipex_hijacks() try: from .diffusers import ipex_diffusers ipex_diffusers(device_supports_fp64=device_supports_fp64) except Exception: # pylint: disable=broad-exception-caught pass torch.cuda.is_xpu_hijacked = True except Exception as e: return False, e return True, None ================================================ FILE: library/ipex/attention.py ================================================ import os import torch from functools import cache, wraps # pylint: disable=protected-access, missing-function-docstring, line-too-long # ARC GPUs can't allocate more than 4GB to a single block so we slice the attention layers sdpa_slice_trigger_rate = float(os.environ.get('IPEX_SDPA_SLICE_TRIGGER_RATE', 1)) attention_slice_rate = float(os.environ.get('IPEX_ATTENTION_SLICE_RATE', 0.5)) # Find something divisible with the input_tokens @cache def find_split_size(original_size, slice_block_size, slice_rate=2): split_size = original_size while True: if (split_size * slice_block_size) <= slice_rate and original_size % split_size == 0: return split_size split_size = split_size - 1 if split_size <= 1: return 1 return split_size # Find slice sizes for SDPA @cache def find_sdpa_slice_sizes(query_shape, key_shape, query_element_size, slice_rate=2, trigger_rate=3): batch_size, attn_heads, query_len, _ = query_shape _, _, key_len, _ = key_shape slice_batch_size = attn_heads * (query_len * key_len) * query_element_size / 1024 / 1024 / 1024 split_batch_size = batch_size split_head_size = attn_heads split_query_size = query_len do_batch_split = False do_head_split = False do_query_split = False if batch_size * slice_batch_size >= trigger_rate: do_batch_split = True split_batch_size = find_split_size(batch_size, slice_batch_size, slice_rate=slice_rate) if split_batch_size * slice_batch_size > slice_rate: slice_head_size = split_batch_size * (query_len * key_len) * query_element_size / 1024 / 1024 / 1024 do_head_split = True split_head_size = find_split_size(attn_heads, slice_head_size, slice_rate=slice_rate) if split_head_size * slice_head_size > slice_rate: slice_query_size = split_batch_size * split_head_size * (key_len) * query_element_size / 1024 / 1024 / 1024 do_query_split = True split_query_size = find_split_size(query_len, slice_query_size, slice_rate=slice_rate) return do_batch_split, do_head_split, do_query_split, split_batch_size, split_head_size, split_query_size original_scaled_dot_product_attention = torch.nn.functional.scaled_dot_product_attention @wraps(torch.nn.functional.scaled_dot_product_attention) def dynamic_scaled_dot_product_attention(query, key, value, attn_mask=None, dropout_p=0.0, is_causal=False, **kwargs): if query.device.type != "xpu": return original_scaled_dot_product_attention(query, key, value, attn_mask=attn_mask, dropout_p=dropout_p, is_causal=is_causal, **kwargs) is_unsqueezed = False if query.dim() == 3: query = query.unsqueeze(0) is_unsqueezed = True if key.dim() == 3: key = key.unsqueeze(0) if value.dim() == 3: value = value.unsqueeze(0) do_batch_split, do_head_split, do_query_split, split_batch_size, split_head_size, split_query_size = find_sdpa_slice_sizes(query.shape, key.shape, query.element_size(), slice_rate=attention_slice_rate, trigger_rate=sdpa_slice_trigger_rate) # Slice SDPA if do_batch_split: batch_size, attn_heads, query_len, _ = query.shape _, _, _, head_dim = value.shape hidden_states = torch.zeros((batch_size, attn_heads, query_len, head_dim), device=query.device, dtype=query.dtype) if attn_mask is not None: attn_mask = attn_mask.expand((query.shape[0], query.shape[1], query.shape[2], key.shape[-2])) for ib in range(batch_size // split_batch_size): start_idx = ib * split_batch_size end_idx = (ib + 1) * split_batch_size if do_head_split: for ih in range(attn_heads // split_head_size): # pylint: disable=invalid-name start_idx_h = ih * split_head_size end_idx_h = (ih + 1) * split_head_size if do_query_split: for iq in range(query_len // split_query_size): # pylint: disable=invalid-name start_idx_q = iq * split_query_size end_idx_q = (iq + 1) * split_query_size hidden_states[start_idx:end_idx, start_idx_h:end_idx_h, start_idx_q:end_idx_q, :] = original_scaled_dot_product_attention( query[start_idx:end_idx, start_idx_h:end_idx_h, start_idx_q:end_idx_q, :], key[start_idx:end_idx, start_idx_h:end_idx_h, :, :], value[start_idx:end_idx, start_idx_h:end_idx_h, :, :], attn_mask=attn_mask[start_idx:end_idx, start_idx_h:end_idx_h, start_idx_q:end_idx_q, :] if attn_mask is not None else attn_mask, dropout_p=dropout_p, is_causal=is_causal, **kwargs ) else: hidden_states[start_idx:end_idx, start_idx_h:end_idx_h, :, :] = original_scaled_dot_product_attention( query[start_idx:end_idx, start_idx_h:end_idx_h, :, :], key[start_idx:end_idx, start_idx_h:end_idx_h, :, :], value[start_idx:end_idx, start_idx_h:end_idx_h, :, :], attn_mask=attn_mask[start_idx:end_idx, start_idx_h:end_idx_h, :, :] if attn_mask is not None else attn_mask, dropout_p=dropout_p, is_causal=is_causal, **kwargs ) else: hidden_states[start_idx:end_idx, :, :, :] = original_scaled_dot_product_attention( query[start_idx:end_idx, :, :, :], key[start_idx:end_idx, :, :, :], value[start_idx:end_idx, :, :, :], attn_mask=attn_mask[start_idx:end_idx, :, :, :] if attn_mask is not None else attn_mask, dropout_p=dropout_p, is_causal=is_causal, **kwargs ) torch.xpu.synchronize(query.device) else: hidden_states = original_scaled_dot_product_attention(query, key, value, attn_mask=attn_mask, dropout_p=dropout_p, is_causal=is_causal, **kwargs) if is_unsqueezed: hidden_states = hidden_states.squeeze(0) return hidden_states ================================================ FILE: library/ipex/diffusers.py ================================================ from functools import wraps import torch import diffusers # pylint: disable=import-error from diffusers.utils import torch_utils # pylint: disable=import-error, unused-import # noqa: F401 # pylint: disable=protected-access, missing-function-docstring, line-too-long # Diffusers FreeU # Diffusers is imported before ipex hijacks so fourier_filter needs hijacking too original_fourier_filter = diffusers.utils.torch_utils.fourier_filter @wraps(diffusers.utils.torch_utils.fourier_filter) def fourier_filter(x_in, threshold, scale): return_dtype = x_in.dtype return original_fourier_filter(x_in.to(dtype=torch.float32), threshold, scale).to(dtype=return_dtype) # fp64 error class FluxPosEmbed(torch.nn.Module): def __init__(self, theta: int, axes_dim): super().__init__() self.theta = theta self.axes_dim = axes_dim def forward(self, ids: torch.Tensor) -> torch.Tensor: n_axes = ids.shape[-1] cos_out = [] sin_out = [] pos = ids.float() for i in range(n_axes): cos, sin = diffusers.models.embeddings.get_1d_rotary_pos_embed( self.axes_dim[i], pos[:, i], theta=self.theta, repeat_interleave_real=True, use_real=True, freqs_dtype=torch.float32, ) cos_out.append(cos) sin_out.append(sin) freqs_cos = torch.cat(cos_out, dim=-1).to(ids.device) freqs_sin = torch.cat(sin_out, dim=-1).to(ids.device) return freqs_cos, freqs_sin def hidream_rope(pos: torch.Tensor, dim: int, theta: int) -> torch.Tensor: assert dim % 2 == 0, "The dimension must be even." return_device = pos.device pos = pos.to("cpu") scale = torch.arange(0, dim, 2, dtype=torch.float64, device=pos.device) / dim omega = 1.0 / (theta**scale) batch_size, seq_length = pos.shape out = torch.einsum("...n,d->...nd", pos, omega) cos_out = torch.cos(out) sin_out = torch.sin(out) stacked_out = torch.stack([cos_out, -sin_out, sin_out, cos_out], dim=-1) out = stacked_out.view(batch_size, -1, dim // 2, 2, 2) return out.to(return_device, dtype=torch.float32) def get_1d_sincos_pos_embed_from_grid(embed_dim, pos, output_type="np"): if output_type == "np": return diffusers.models.embeddings.get_1d_sincos_pos_embed_from_grid_np(embed_dim=embed_dim, pos=pos) if embed_dim % 2 != 0: raise ValueError("embed_dim must be divisible by 2") omega = torch.arange(embed_dim // 2, device=pos.device, dtype=torch.float32) omega /= embed_dim / 2.0 omega = 1.0 / 10000**omega # (D/2,) pos = pos.reshape(-1) # (M,) out = torch.outer(pos, omega) # (M, D/2), outer product emb_sin = torch.sin(out) # (M, D/2) emb_cos = torch.cos(out) # (M, D/2) emb = torch.concat([emb_sin, emb_cos], dim=1) # (M, D) return emb def apply_rotary_emb(x, freqs_cis, use_real: bool = True, use_real_unbind_dim: int = -1): if use_real: cos, sin = freqs_cis # [S, D] cos = cos[None, None] sin = sin[None, None] cos, sin = cos.to(x.device), sin.to(x.device) if use_real_unbind_dim == -1: # Used for flux, cogvideox, hunyuan-dit x_real, x_imag = x.reshape(*x.shape[:-1], -1, 2).unbind(-1) # [B, S, H, D//2] x_rotated = torch.stack([-x_imag, x_real], dim=-1).flatten(3) elif use_real_unbind_dim == -2: # Used for Stable Audio, OmniGen, CogView4 and Cosmos x_real, x_imag = x.reshape(*x.shape[:-1], 2, -1).unbind(-2) # [B, S, H, D//2] x_rotated = torch.cat([-x_imag, x_real], dim=-1) else: raise ValueError(f"`use_real_unbind_dim={use_real_unbind_dim}` but should be -1 or -2.") out = (x.float() * cos + x_rotated.float() * sin).to(x.dtype) return out else: # used for lumina # force cpu with Alchemist x_rotated = torch.view_as_complex(x.to("cpu").float().reshape(*x.shape[:-1], -1, 2)) freqs_cis = freqs_cis.to("cpu").unsqueeze(2) x_out = torch.view_as_real(x_rotated * freqs_cis).flatten(3) return x_out.type_as(x).to(x.device) def ipex_diffusers(device_supports_fp64=False): diffusers.utils.torch_utils.fourier_filter = fourier_filter if not device_supports_fp64: # get around lazy imports from diffusers.models import embeddings as diffusers_embeddings # pylint: disable=import-error, unused-import # noqa: F401 from diffusers.models import transformers as diffusers_transformers # pylint: disable=import-error, unused-import # noqa: F401 from diffusers.models import controlnets as diffusers_controlnets # pylint: disable=import-error, unused-import # noqa: F401 diffusers.models.embeddings.get_1d_sincos_pos_embed_from_grid = get_1d_sincos_pos_embed_from_grid diffusers.models.embeddings.FluxPosEmbed = FluxPosEmbed diffusers.models.embeddings.apply_rotary_emb = apply_rotary_emb diffusers.models.transformers.transformer_flux.FluxPosEmbed = FluxPosEmbed diffusers.models.transformers.transformer_lumina2.apply_rotary_emb = apply_rotary_emb diffusers.models.controlnets.controlnet_flux.FluxPosEmbed = FluxPosEmbed diffusers.models.transformers.transformer_hidream_image.rope = hidream_rope ================================================ FILE: library/ipex/hijacks.py ================================================ import os from functools import wraps from contextlib import nullcontext import torch import numpy as np torch_version = float(torch.__version__[:3]) current_xpu_device = f"xpu:{torch.xpu.current_device()}" device_supports_fp64 = torch.xpu.has_fp64_dtype() if hasattr(torch.xpu, "has_fp64_dtype") else torch.xpu.get_device_properties(current_xpu_device).has_fp64 if os.environ.get('IPEX_FORCE_ATTENTION_SLICE', '0') == '0': if (torch.xpu.get_device_properties(current_xpu_device).total_memory / 1024 / 1024 / 1024) > 4.1: try: x = torch.ones((33000,33000), dtype=torch.float32, device=current_xpu_device) del x torch.xpu.empty_cache() use_dynamic_attention = False except Exception: use_dynamic_attention = True else: use_dynamic_attention = True else: use_dynamic_attention = bool(os.environ.get('IPEX_FORCE_ATTENTION_SLICE', '0') == '1') # pylint: disable=protected-access, missing-function-docstring, line-too-long, unnecessary-lambda, no-else-return class DummyDataParallel(torch.nn.Module): # pylint: disable=missing-class-docstring, unused-argument, too-few-public-methods def __new__(cls, module, device_ids=None, output_device=None, dim=0): # pylint: disable=unused-argument if isinstance(device_ids, list) and len(device_ids) > 1: print("IPEX backend doesn't support DataParallel on multiple XPU devices") return module.to(f"xpu:{torch.xpu.current_device()}") def return_null_context(*args, **kwargs): # pylint: disable=unused-argument return nullcontext() @property def is_cuda(self): return self.device.type == "xpu" or self.device.type == "cuda" def check_device_type(device, device_type: str) -> bool: if device is None or type(device) not in {str, int, torch.device}: return False else: return bool(torch.device(device).type == device_type) def check_cuda(device) -> bool: return bool(isinstance(device, int) or check_device_type(device, "cuda")) def return_xpu(device): # keep the device instance type, aka return string if the input is string return f"xpu:{torch.xpu.current_device()}" if device is None else f"xpu:{device.split(':')[-1]}" if isinstance(device, str) and ":" in device else f"xpu:{device}" if isinstance(device, int) else torch.device(f"xpu:{device.index}" if device.index is not None else "xpu") if isinstance(device, torch.device) else "xpu" # Autocast original_autocast_init = torch.amp.autocast_mode.autocast.__init__ @wraps(torch.amp.autocast_mode.autocast.__init__) def autocast_init(self, device_type=None, dtype=None, enabled=True, cache_enabled=None): if device_type is None or check_cuda(device_type): return original_autocast_init(self, device_type="xpu", dtype=dtype, enabled=enabled, cache_enabled=cache_enabled) else: return original_autocast_init(self, device_type=device_type, dtype=dtype, enabled=enabled, cache_enabled=cache_enabled) original_grad_scaler_init = torch.amp.grad_scaler.GradScaler.__init__ @wraps(torch.amp.grad_scaler.GradScaler.__init__) def GradScaler_init(self, device: str = None, init_scale: float = 2.0**16, growth_factor: float = 2.0, backoff_factor: float = 0.5, growth_interval: int = 2000, enabled: bool = True): if device is None or check_cuda(device): return original_grad_scaler_init(self, device=return_xpu(device), init_scale=init_scale, growth_factor=growth_factor, backoff_factor=backoff_factor, growth_interval=growth_interval, enabled=enabled) else: return original_grad_scaler_init(self, device=device, init_scale=init_scale, growth_factor=growth_factor, backoff_factor=backoff_factor, growth_interval=growth_interval, enabled=enabled) original_is_autocast_enabled = torch.is_autocast_enabled @wraps(torch.is_autocast_enabled) def torch_is_autocast_enabled(device_type=None): if device_type is None or check_cuda(device_type): return original_is_autocast_enabled(return_xpu(device_type)) else: return original_is_autocast_enabled(device_type) original_get_autocast_dtype = torch.get_autocast_dtype @wraps(torch.get_autocast_dtype) def torch_get_autocast_dtype(device_type=None): if device_type is None or check_cuda(device_type) or check_device_type(device_type, "xpu"): return torch.bfloat16 else: return original_get_autocast_dtype(device_type) # Latent Antialias CPU Offload: # IPEX 2.5 and above has partial support but doesn't really work most of the time. original_interpolate = torch.nn.functional.interpolate @wraps(torch.nn.functional.interpolate) def interpolate(tensor, size=None, scale_factor=None, mode='nearest', align_corners=None, recompute_scale_factor=None, antialias=False): # pylint: disable=too-many-arguments if mode in {'bicubic', 'bilinear'}: return_device = tensor.device return_dtype = tensor.dtype return original_interpolate(tensor.to("cpu", dtype=torch.float32), size=size, scale_factor=scale_factor, mode=mode, align_corners=align_corners, recompute_scale_factor=recompute_scale_factor, antialias=antialias).to(return_device, dtype=return_dtype) else: return original_interpolate(tensor, size=size, scale_factor=scale_factor, mode=mode, align_corners=align_corners, recompute_scale_factor=recompute_scale_factor, antialias=antialias) # Diffusers Float64 (Alchemist GPUs doesn't support 64 bit): original_from_numpy = torch.from_numpy @wraps(torch.from_numpy) def from_numpy(ndarray): if ndarray.dtype == float: return original_from_numpy(ndarray.astype("float32")) else: return original_from_numpy(ndarray) original_as_tensor = torch.as_tensor @wraps(torch.as_tensor) def as_tensor(data, dtype=None, device=None): if check_cuda(device): device = return_xpu(device) if isinstance(data, np.ndarray) and data.dtype == float and not check_device_type(device, "cpu"): return original_as_tensor(data, dtype=torch.float32, device=device) else: return original_as_tensor(data, dtype=dtype, device=device) if not use_dynamic_attention: original_scaled_dot_product_attention = torch.nn.functional.scaled_dot_product_attention else: # 32 bit attention workarounds for Alchemist: try: from .attention import dynamic_scaled_dot_product_attention as original_scaled_dot_product_attention except Exception: # pylint: disable=broad-exception-caught original_scaled_dot_product_attention = torch.nn.functional.scaled_dot_product_attention @wraps(torch.nn.functional.scaled_dot_product_attention) def scaled_dot_product_attention(query, key, value, attn_mask=None, dropout_p=0.0, is_causal=False, **kwargs): if query.dtype != key.dtype: key = key.to(dtype=query.dtype) if query.dtype != value.dtype: value = value.to(dtype=query.dtype) if attn_mask is not None and query.dtype != attn_mask.dtype: attn_mask = attn_mask.to(dtype=query.dtype) return original_scaled_dot_product_attention(query, key, value, attn_mask=attn_mask, dropout_p=dropout_p, is_causal=is_causal, **kwargs) # Data Type Errors: original_torch_bmm = torch.bmm @wraps(torch.bmm) def torch_bmm(input, mat2, *, out=None): if input.dtype != mat2.dtype: mat2 = mat2.to(dtype=input.dtype) return original_torch_bmm(input, mat2, out=out) # Diffusers FreeU original_fft_fftn = torch.fft.fftn @wraps(torch.fft.fftn) def fft_fftn(input, s=None, dim=None, norm=None, *, out=None): return_dtype = input.dtype return original_fft_fftn(input.to(dtype=torch.float32), s=s, dim=dim, norm=norm, out=out).to(dtype=return_dtype) # Diffusers FreeU original_fft_ifftn = torch.fft.ifftn @wraps(torch.fft.ifftn) def fft_ifftn(input, s=None, dim=None, norm=None, *, out=None): return_dtype = input.dtype return original_fft_ifftn(input.to(dtype=torch.float32), s=s, dim=dim, norm=norm, out=out).to(dtype=return_dtype) # A1111 FP16 original_functional_group_norm = torch.nn.functional.group_norm @wraps(torch.nn.functional.group_norm) def functional_group_norm(input, num_groups, weight=None, bias=None, eps=1e-05): if weight is not None and input.dtype != weight.data.dtype: input = input.to(dtype=weight.data.dtype) if bias is not None and weight is not None and bias.data.dtype != weight.data.dtype: bias.data = bias.data.to(dtype=weight.data.dtype) return original_functional_group_norm(input, num_groups, weight=weight, bias=bias, eps=eps) # A1111 BF16 original_functional_layer_norm = torch.nn.functional.layer_norm @wraps(torch.nn.functional.layer_norm) def functional_layer_norm(input, normalized_shape, weight=None, bias=None, eps=1e-05): if weight is not None and input.dtype != weight.data.dtype: input = input.to(dtype=weight.data.dtype) if bias is not None and weight is not None and bias.data.dtype != weight.data.dtype: bias.data = bias.data.to(dtype=weight.data.dtype) return original_functional_layer_norm(input, normalized_shape, weight=weight, bias=bias, eps=eps) # Training original_functional_linear = torch.nn.functional.linear @wraps(torch.nn.functional.linear) def functional_linear(input, weight, bias=None): if input.dtype != weight.data.dtype: input = input.to(dtype=weight.data.dtype) if bias is not None and bias.data.dtype != weight.data.dtype: bias.data = bias.data.to(dtype=weight.data.dtype) return original_functional_linear(input, weight, bias=bias) original_functional_conv1d = torch.nn.functional.conv1d @wraps(torch.nn.functional.conv1d) def functional_conv1d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1): if input.dtype != weight.data.dtype: input = input.to(dtype=weight.data.dtype) if bias is not None and bias.data.dtype != weight.data.dtype: bias.data = bias.data.to(dtype=weight.data.dtype) return original_functional_conv1d(input, weight, bias=bias, stride=stride, padding=padding, dilation=dilation, groups=groups) original_functional_conv2d = torch.nn.functional.conv2d @wraps(torch.nn.functional.conv2d) def functional_conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1): if input.dtype != weight.data.dtype: input = input.to(dtype=weight.data.dtype) if bias is not None and bias.data.dtype != weight.data.dtype: bias.data = bias.data.to(dtype=weight.data.dtype) return original_functional_conv2d(input, weight, bias=bias, stride=stride, padding=padding, dilation=dilation, groups=groups) # LTX Video original_functional_conv3d = torch.nn.functional.conv3d @wraps(torch.nn.functional.conv3d) def functional_conv3d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1): if input.dtype != weight.data.dtype: input = input.to(dtype=weight.data.dtype) if bias is not None and bias.data.dtype != weight.data.dtype: bias.data = bias.data.to(dtype=weight.data.dtype) return original_functional_conv3d(input, weight, bias=bias, stride=stride, padding=padding, dilation=dilation, groups=groups) # SwinIR BF16: original_functional_pad = torch.nn.functional.pad @wraps(torch.nn.functional.pad) def functional_pad(input, pad, mode='constant', value=None): if mode == 'reflect' and input.dtype == torch.bfloat16: return original_functional_pad(input.to(torch.float32), pad, mode=mode, value=value).to(dtype=torch.bfloat16) else: return original_functional_pad(input, pad, mode=mode, value=value) original_torch_tensor = torch.tensor @wraps(torch.tensor) def torch_tensor(data, *args, dtype=None, device=None, **kwargs): global device_supports_fp64 if check_cuda(device): device = return_xpu(device) if not device_supports_fp64: if check_device_type(device, "xpu"): if dtype == torch.float64: dtype = torch.float32 elif dtype is None and (hasattr(data, "dtype") and (data.dtype == torch.float64 or data.dtype == float)): dtype = torch.float32 return original_torch_tensor(data, *args, dtype=dtype, device=device, **kwargs) torch.Tensor.original_Tensor_to = torch.Tensor.to @wraps(torch.Tensor.to) def Tensor_to(self, device=None, *args, **kwargs): if check_cuda(device): return self.original_Tensor_to(return_xpu(device), *args, **kwargs) else: return self.original_Tensor_to(device, *args, **kwargs) original_Tensor_cuda = torch.Tensor.cuda @wraps(torch.Tensor.cuda) def Tensor_cuda(self, device=None, *args, **kwargs): if device is None or check_cuda(device): return self.to(return_xpu(device), *args, **kwargs) else: return original_Tensor_cuda(self, device, *args, **kwargs) original_Tensor_pin_memory = torch.Tensor.pin_memory @wraps(torch.Tensor.pin_memory) def Tensor_pin_memory(self, device=None, *args, **kwargs): if device is None or check_cuda(device): return original_Tensor_pin_memory(self, return_xpu(device), *args, **kwargs) else: return original_Tensor_pin_memory(self, device, *args, **kwargs) original_UntypedStorage_init = torch.UntypedStorage.__init__ @wraps(torch.UntypedStorage.__init__) def UntypedStorage_init(*args, device=None, **kwargs): if check_cuda(device): return original_UntypedStorage_init(*args, device=return_xpu(device), **kwargs) else: return original_UntypedStorage_init(*args, device=device, **kwargs) if torch_version >= 2.4: original_UntypedStorage_to = torch.UntypedStorage.to @wraps(torch.UntypedStorage.to) def UntypedStorage_to(self, *args, device=None, **kwargs): if check_cuda(device): return original_UntypedStorage_to(self, *args, device=return_xpu(device), **kwargs) else: return original_UntypedStorage_to(self, *args, device=device, **kwargs) original_UntypedStorage_cuda = torch.UntypedStorage.cuda @wraps(torch.UntypedStorage.cuda) def UntypedStorage_cuda(self, device=None, non_blocking=False, **kwargs): if device is None or check_cuda(device): return self.to(device=return_xpu(device), non_blocking=non_blocking, **kwargs) else: return original_UntypedStorage_cuda(self, device=device, non_blocking=non_blocking, **kwargs) original_torch_empty = torch.empty @wraps(torch.empty) def torch_empty(*args, device=None, **kwargs): if check_cuda(device): return original_torch_empty(*args, device=return_xpu(device), **kwargs) else: return original_torch_empty(*args, device=device, **kwargs) original_torch_randn = torch.randn @wraps(torch.randn) def torch_randn(*args, device=None, dtype=None, **kwargs): if dtype is bytes: dtype = None if check_cuda(device): return original_torch_randn(*args, device=return_xpu(device), **kwargs) else: return original_torch_randn(*args, device=device, **kwargs) original_torch_ones = torch.ones @wraps(torch.ones) def torch_ones(*args, device=None, **kwargs): if check_cuda(device): return original_torch_ones(*args, device=return_xpu(device), **kwargs) else: return original_torch_ones(*args, device=device, **kwargs) original_torch_zeros = torch.zeros @wraps(torch.zeros) def torch_zeros(*args, device=None, **kwargs): if check_cuda(device): return original_torch_zeros(*args, device=return_xpu(device), **kwargs) else: return original_torch_zeros(*args, device=device, **kwargs) original_torch_full = torch.full @wraps(torch.full) def torch_full(*args, device=None, **kwargs): if check_cuda(device): return original_torch_full(*args, device=return_xpu(device), **kwargs) else: return original_torch_full(*args, device=device, **kwargs) original_torch_linspace = torch.linspace @wraps(torch.linspace) def torch_linspace(*args, device=None, **kwargs): if check_cuda(device): return original_torch_linspace(*args, device=return_xpu(device), **kwargs) else: return original_torch_linspace(*args, device=device, **kwargs) original_torch_eye = torch.eye @wraps(torch.eye) def torch_eye(*args, device=None, **kwargs): if check_cuda(device): return original_torch_eye(*args, device=return_xpu(device), **kwargs) else: return original_torch_eye(*args, device=device, **kwargs) original_torch_load = torch.load @wraps(torch.load) def torch_load(f, map_location=None, *args, **kwargs): if map_location is None or check_cuda(map_location): return original_torch_load(f, *args, map_location=return_xpu(map_location), **kwargs) else: return original_torch_load(f, *args, map_location=map_location, **kwargs) @wraps(torch.cuda.synchronize) def torch_cuda_synchronize(device=None): if check_cuda(device): return torch.xpu.synchronize(return_xpu(device)) else: return torch.xpu.synchronize(device) @wraps(torch.cuda.device) def torch_cuda_device(device): if check_cuda(device): return torch.xpu.device(return_xpu(device)) else: return torch.xpu.device(device) @wraps(torch.cuda.set_device) def torch_cuda_set_device(device): if check_cuda(device): torch.xpu.set_device(return_xpu(device)) else: torch.xpu.set_device(device) # torch.Generator has to be a class for isinstance checks original_torch_Generator = torch.Generator class torch_Generator(original_torch_Generator): def __new__(self, device=None): # can't hijack __init__ because of C override so use return super().__new__ if check_cuda(device): return super().__new__(self, return_xpu(device)) else: return super().__new__(self, device) # Hijack Functions: def ipex_hijacks(): global device_supports_fp64 if torch_version >= 2.4: torch.UntypedStorage.cuda = UntypedStorage_cuda torch.UntypedStorage.to = UntypedStorage_to torch.tensor = torch_tensor torch.Tensor.to = Tensor_to torch.Tensor.cuda = Tensor_cuda torch.Tensor.pin_memory = Tensor_pin_memory torch.UntypedStorage.__init__ = UntypedStorage_init torch.empty = torch_empty torch.randn = torch_randn torch.ones = torch_ones torch.zeros = torch_zeros torch.full = torch_full torch.linspace = torch_linspace torch.eye = torch_eye torch.load = torch_load torch.cuda.synchronize = torch_cuda_synchronize torch.cuda.device = torch_cuda_device torch.cuda.set_device = torch_cuda_set_device torch.Generator = torch_Generator torch._C.Generator = torch_Generator torch.backends.cuda.sdp_kernel = return_null_context torch.nn.DataParallel = DummyDataParallel torch.UntypedStorage.is_cuda = is_cuda torch.amp.autocast_mode.autocast.__init__ = autocast_init torch.nn.functional.interpolate = interpolate torch.nn.functional.scaled_dot_product_attention = scaled_dot_product_attention torch.nn.functional.group_norm = functional_group_norm torch.nn.functional.layer_norm = functional_layer_norm torch.nn.functional.linear = functional_linear torch.nn.functional.conv1d = functional_conv1d torch.nn.functional.conv2d = functional_conv2d torch.nn.functional.conv3d = functional_conv3d torch.nn.functional.pad = functional_pad torch.bmm = torch_bmm torch.fft.fftn = fft_fftn torch.fft.ifftn = fft_ifftn if not device_supports_fp64: torch.from_numpy = from_numpy torch.as_tensor = as_tensor # AMP: torch.amp.grad_scaler.GradScaler.__init__ = GradScaler_init torch.is_autocast_enabled = torch_is_autocast_enabled torch.get_autocast_gpu_dtype = torch_get_autocast_dtype torch.get_autocast_dtype = torch_get_autocast_dtype if hasattr(torch.xpu, "amp"): if not hasattr(torch.xpu.amp, "custom_fwd"): torch.xpu.amp.custom_fwd = torch.cuda.amp.custom_fwd torch.xpu.amp.custom_bwd = torch.cuda.amp.custom_bwd if not hasattr(torch.xpu.amp, "GradScaler"): torch.xpu.amp.GradScaler = torch.amp.grad_scaler.GradScaler torch.cuda.amp = torch.xpu.amp else: if not hasattr(torch.amp, "custom_fwd"): torch.amp.custom_fwd = torch.cuda.amp.custom_fwd torch.amp.custom_bwd = torch.cuda.amp.custom_bwd torch.cuda.amp = torch.amp if not hasattr(torch.cuda.amp, "common"): torch.cuda.amp.common = nullcontext() torch.cuda.amp.common.amp_definitely_not_available = lambda: False return device_supports_fp64 ================================================ FILE: library/jpeg_xl_util.py ================================================ # Modified from https://github.com/Fraetor/jxl_decode Original license: MIT # Added partial read support for up to 200x speedup import os from typing import List, Tuple class JXLBitstream: """ A stream of bits with methods for easy handling. """ def __init__(self, file, offset: int = 0, offsets: List[List[int]] = None): self.shift = 0 self.bitstream = bytearray() self.file = file self.offset = offset self.offsets = offsets if self.offsets: self.offset = self.offsets[0][1] self.previous_data_len = 0 self.index = 0 self.file.seek(self.offset) def get_bits(self, length: int = 1) -> int: if self.offsets and self.shift + length > self.previous_data_len + self.offsets[self.index][2]: self.partial_to_read_length = length if self.shift < self.previous_data_len + self.offsets[self.index][2]: self.partial_read(0, length) self.bitstream.extend(self.file.read(self.partial_to_read_length)) else: self.bitstream.extend(self.file.read(length)) bitmask = 2**length - 1 bits = (int.from_bytes(self.bitstream, "little") >> self.shift) & bitmask self.shift += length return bits def partial_read(self, current_length: int, length: int) -> None: self.previous_data_len += self.offsets[self.index][2] to_read_length = self.previous_data_len - (self.shift + current_length) self.bitstream.extend(self.file.read(to_read_length)) current_length += to_read_length self.partial_to_read_length -= to_read_length self.index += 1 self.file.seek(self.offsets[self.index][1]) if self.shift + length > self.previous_data_len + self.offsets[self.index][2]: self.partial_read(current_length, length) def decode_codestream(file, offset: int = 0, offsets: List[List[int]] = None) -> Tuple[int,int]: """ Decodes the actual codestream. JXL codestream specification: http://www-internal/2022/18181-1 """ # Convert codestream to int within an object to get some handy methods. codestream = JXLBitstream(file, offset=offset, offsets=offsets) # Skip signature codestream.get_bits(16) # SizeHeader div8 = codestream.get_bits(1) if div8: height = 8 * (1 + codestream.get_bits(5)) else: distribution = codestream.get_bits(2) match distribution: case 0: height = 1 + codestream.get_bits(9) case 1: height = 1 + codestream.get_bits(13) case 2: height = 1 + codestream.get_bits(18) case 3: height = 1 + codestream.get_bits(30) ratio = codestream.get_bits(3) if div8 and not ratio: width = 8 * (1 + codestream.get_bits(5)) elif not ratio: distribution = codestream.get_bits(2) match distribution: case 0: width = 1 + codestream.get_bits(9) case 1: width = 1 + codestream.get_bits(13) case 2: width = 1 + codestream.get_bits(18) case 3: width = 1 + codestream.get_bits(30) else: match ratio: case 1: width = height case 2: width = (height * 12) // 10 case 3: width = (height * 4) // 3 case 4: width = (height * 3) // 2 case 5: width = (height * 16) // 9 case 6: width = (height * 5) // 4 case 7: width = (height * 2) // 1 return width, height def decode_container(file) -> Tuple[int,int]: """ Parses the ISOBMFF container, extracts the codestream, and decodes it. JXL container specification: http://www-internal/2022/18181-2 """ def parse_box(file, file_start: int) -> dict: file.seek(file_start) LBox = int.from_bytes(file.read(4), "big") XLBox = None if 1 < LBox <= 8: raise ValueError(f"Invalid LBox at byte {file_start}.") if LBox == 1: file.seek(file_start + 8) XLBox = int.from_bytes(file.read(8), "big") if XLBox <= 16: raise ValueError(f"Invalid XLBox at byte {file_start}.") if XLBox: header_length = 16 box_length = XLBox else: header_length = 8 if LBox == 0: box_length = os.fstat(file.fileno()).st_size - file_start else: box_length = LBox file.seek(file_start + 4) box_type = file.read(4) file.seek(file_start) return { "length": box_length, "type": box_type, "offset": header_length, } file.seek(0) # Reject files missing required boxes. These two boxes are required to be at # the start and contain no values, so we can manually check there presence. # Signature box. (Redundant as has already been checked.) if file.read(12) != bytes.fromhex("0000000C 4A584C20 0D0A870A"): raise ValueError("Invalid signature box.") # File Type box. if file.read(20) != bytes.fromhex( "00000014 66747970 6A786C20 00000000 6A786C20" ): raise ValueError("Invalid file type box.") offset = 0 offsets = [] data_offset_not_found = True container_pointer = 32 file_size = os.fstat(file.fileno()).st_size while data_offset_not_found: box = parse_box(file, container_pointer) match box["type"]: case b"jxlc": offset = container_pointer + box["offset"] data_offset_not_found = False case b"jxlp": file.seek(container_pointer + box["offset"]) index = int.from_bytes(file.read(4), "big") offsets.append([index, container_pointer + box["offset"] + 4, box["length"] - box["offset"] - 4]) container_pointer += box["length"] if container_pointer >= file_size: data_offset_not_found = False if offsets: offsets.sort(key=lambda i: i[0]) file.seek(0) return decode_codestream(file, offset=offset, offsets=offsets) def get_jxl_size(path: str) -> Tuple[int,int]: with open(path, "rb") as file: if file.read(2) == bytes.fromhex("FF0A"): return decode_codestream(file) return decode_container(file) ================================================ FILE: library/lora_utils.py ================================================ import os import re from typing import Dict, List, Optional, Union import torch from tqdm import tqdm from library.device_utils import synchronize_device from library.fp8_optimization_utils import load_safetensors_with_fp8_optimization from library.safetensors_utils import MemoryEfficientSafeOpen, TensorWeightAdapter, WeightTransformHooks, get_split_weight_filenames from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) def filter_lora_state_dict( weights_sd: Dict[str, torch.Tensor], include_pattern: Optional[str] = None, exclude_pattern: Optional[str] = None, ) -> Dict[str, torch.Tensor]: # apply include/exclude patterns original_key_count = len(weights_sd.keys()) if include_pattern is not None: regex_include = re.compile(include_pattern) weights_sd = {k: v for k, v in weights_sd.items() if regex_include.search(k)} logger.info(f"Filtered keys with include pattern {include_pattern}: {original_key_count} -> {len(weights_sd.keys())}") if exclude_pattern is not None: original_key_count_ex = len(weights_sd.keys()) regex_exclude = re.compile(exclude_pattern) weights_sd = {k: v for k, v in weights_sd.items() if not regex_exclude.search(k)} logger.info(f"Filtered keys with exclude pattern {exclude_pattern}: {original_key_count_ex} -> {len(weights_sd.keys())}") if len(weights_sd) != original_key_count: remaining_keys = list(set([k.split(".", 1)[0] for k in weights_sd.keys()])) remaining_keys.sort() logger.info(f"Remaining LoRA modules after filtering: {remaining_keys}") if len(weights_sd) == 0: logger.warning("No keys left after filtering.") return weights_sd def load_safetensors_with_lora_and_fp8( model_files: Union[str, List[str]], lora_weights_list: Optional[List[Dict[str, torch.Tensor]]], lora_multipliers: Optional[List[float]], fp8_optimization: bool, calc_device: torch.device, move_to_device: bool = False, dit_weight_dtype: Optional[torch.dtype] = None, target_keys: Optional[List[str]] = None, exclude_keys: Optional[List[str]] = None, disable_numpy_memmap: bool = False, weight_transform_hooks: Optional[WeightTransformHooks] = None, ) -> dict[str, torch.Tensor]: """ Merge LoRA weights into the state dict of a model with fp8 optimization if needed. Args: model_files (Union[str, List[str]]): Path to the model file or list of paths. If the path matches a pattern like `00001-of-00004`, it will load all files with the same prefix. lora_weights_list (Optional[List[Dict[str, torch.Tensor]]]): List of dictionaries of LoRA weight tensors to load. lora_multipliers (Optional[List[float]]): List of multipliers for LoRA weights. fp8_optimization (bool): Whether to apply FP8 optimization. calc_device (torch.device): Device to calculate on. move_to_device (bool): Whether to move tensors to the calculation device after loading. target_keys (Optional[List[str]]): Keys to target for optimization. exclude_keys (Optional[List[str]]): Keys to exclude from optimization. disable_numpy_memmap (bool): Whether to disable numpy memmap when loading safetensors. weight_transform_hooks (Optional[WeightTransformHooks]): Hooks for transforming weights during loading. """ # if the file name ends with 00001-of-00004 etc, we need to load the files with the same prefix if isinstance(model_files, str): model_files = [model_files] extended_model_files = [] for model_file in model_files: split_filenames = get_split_weight_filenames(model_file) if split_filenames is not None: extended_model_files.extend(split_filenames) else: extended_model_files.append(model_file) model_files = extended_model_files logger.info(f"Loading model files: {model_files}") # load LoRA weights weight_hook = None if lora_weights_list is None or len(lora_weights_list) == 0: lora_weights_list = [] lora_multipliers = [] list_of_lora_weight_keys = [] else: list_of_lora_weight_keys = [] for lora_sd in lora_weights_list: lora_weight_keys = set(lora_sd.keys()) list_of_lora_weight_keys.append(lora_weight_keys) if lora_multipliers is None: lora_multipliers = [1.0] * len(lora_weights_list) while len(lora_multipliers) < len(lora_weights_list): lora_multipliers.append(1.0) if len(lora_multipliers) > len(lora_weights_list): lora_multipliers = lora_multipliers[: len(lora_weights_list)] # Merge LoRA weights into the state dict logger.info(f"Merging LoRA weights into state dict. multipliers: {lora_multipliers}") # make hook for LoRA merging def weight_hook_func(model_weight_key, model_weight: torch.Tensor, keep_on_calc_device=False): nonlocal list_of_lora_weight_keys, lora_weights_list, lora_multipliers, calc_device if not model_weight_key.endswith(".weight"): return model_weight original_device = model_weight.device if original_device != calc_device: model_weight = model_weight.to(calc_device) # to make calculation faster for lora_weight_keys, lora_sd, multiplier in zip(list_of_lora_weight_keys, lora_weights_list, lora_multipliers): # check if this weight has LoRA weights lora_name_without_prefix = model_weight_key.rsplit(".", 1)[0] # remove trailing ".weight" found = False for prefix in ["lora_unet_", ""]: lora_name = prefix + lora_name_without_prefix.replace(".", "_") down_key = lora_name + ".lora_down.weight" up_key = lora_name + ".lora_up.weight" alpha_key = lora_name + ".alpha" if down_key in lora_weight_keys and up_key in lora_weight_keys: found = True break if not found: continue # no LoRA weights for this model weight # get LoRA weights down_weight = lora_sd[down_key] up_weight = lora_sd[up_key] dim = down_weight.size()[0] alpha = lora_sd.get(alpha_key, dim) scale = alpha / dim down_weight = down_weight.to(calc_device) up_weight = up_weight.to(calc_device) original_dtype = model_weight.dtype if original_dtype.itemsize == 1: # fp8 # temporarily convert to float16 for calculation model_weight = model_weight.to(torch.float16) down_weight = down_weight.to(torch.float16) up_weight = up_weight.to(torch.float16) # W <- W + U * D if len(model_weight.size()) == 2: # linear if len(up_weight.size()) == 4: # use linear projection mismatch up_weight = up_weight.squeeze(3).squeeze(2) down_weight = down_weight.squeeze(3).squeeze(2) model_weight = model_weight + multiplier * (up_weight @ down_weight) * scale elif down_weight.size()[2:4] == (1, 1): # conv2d 1x1 model_weight = ( model_weight + multiplier * (up_weight.squeeze(3).squeeze(2) @ down_weight.squeeze(3).squeeze(2)).unsqueeze(2).unsqueeze(3) * scale ) else: # conv2d 3x3 conved = torch.nn.functional.conv2d(down_weight.permute(1, 0, 2, 3), up_weight).permute(1, 0, 2, 3) # logger.info(conved.size(), weight.size(), module.stride, module.padding) model_weight = model_weight + multiplier * conved * scale if original_dtype.itemsize == 1: # fp8 model_weight = model_weight.to(original_dtype) # convert back to original dtype # remove LoRA keys from set lora_weight_keys.remove(down_key) lora_weight_keys.remove(up_key) if alpha_key in lora_weight_keys: lora_weight_keys.remove(alpha_key) if not keep_on_calc_device and original_device != calc_device: model_weight = model_weight.to(original_device) # move back to original device return model_weight weight_hook = weight_hook_func state_dict = load_safetensors_with_fp8_optimization_and_hook( model_files, fp8_optimization, calc_device, move_to_device, dit_weight_dtype, target_keys, exclude_keys, weight_hook=weight_hook, disable_numpy_memmap=disable_numpy_memmap, weight_transform_hooks=weight_transform_hooks, ) for lora_weight_keys in list_of_lora_weight_keys: # check if all LoRA keys are used if len(lora_weight_keys) > 0: # if there are still LoRA keys left, it means they are not used in the model # this is a warning, not an error logger.warning(f"Warning: not all LoRA keys are used: {', '.join(lora_weight_keys)}") return state_dict def load_safetensors_with_fp8_optimization_and_hook( model_files: list[str], fp8_optimization: bool, calc_device: torch.device, move_to_device: bool = False, dit_weight_dtype: Optional[torch.dtype] = None, target_keys: Optional[List[str]] = None, exclude_keys: Optional[List[str]] = None, weight_hook: callable = None, disable_numpy_memmap: bool = False, weight_transform_hooks: Optional[WeightTransformHooks] = None, ) -> dict[str, torch.Tensor]: """ Load state dict from safetensors files and merge LoRA weights into the state dict with fp8 optimization if needed. """ if fp8_optimization: logger.info( f"Loading state dict with FP8 optimization. Dtype of weight: {dit_weight_dtype}, hook enabled: {weight_hook is not None}" ) # dit_weight_dtype is not used because we use fp8 optimization state_dict = load_safetensors_with_fp8_optimization( model_files, calc_device, target_keys, exclude_keys, move_to_device=move_to_device, weight_hook=weight_hook, disable_numpy_memmap=disable_numpy_memmap, weight_transform_hooks=weight_transform_hooks, ) else: logger.info( f"Loading state dict without FP8 optimization. Dtype of weight: {dit_weight_dtype}, hook enabled: {weight_hook is not None}" ) state_dict = {} for model_file in model_files: with MemoryEfficientSafeOpen(model_file, disable_numpy_memmap=disable_numpy_memmap) as original_f: f = TensorWeightAdapter(weight_transform_hooks, original_f) if weight_transform_hooks is not None else original_f for key in tqdm(f.keys(), desc=f"Loading {os.path.basename(model_file)}", leave=False): if weight_hook is None and move_to_device: value = f.get_tensor(key, device=calc_device, dtype=dit_weight_dtype) else: value = f.get_tensor(key) # we cannot directly load to device because get_tensor does non-blocking transfer if weight_hook is not None: value = weight_hook(key, value, keep_on_calc_device=move_to_device) if move_to_device: value = value.to(calc_device, dtype=dit_weight_dtype, non_blocking=True) elif dit_weight_dtype is not None: value = value.to(dit_weight_dtype) state_dict[key] = value if move_to_device: synchronize_device(calc_device) return state_dict ================================================ FILE: library/lpw_stable_diffusion.py ================================================ # copy from https://github.com/huggingface/diffusers/blob/main/examples/community/lpw_stable_diffusion.py # and modify to support SD2.x import inspect import re from typing import Callable, List, Optional, Union import numpy as np import PIL.Image import torch from packaging import version from transformers import CLIPFeatureExtractor, CLIPTextModel, CLIPTokenizer, CLIPVisionModelWithProjection import diffusers from diffusers import SchedulerMixin, StableDiffusionPipeline from diffusers.models import AutoencoderKL, UNet2DConditionModel from diffusers.pipelines.stable_diffusion import StableDiffusionPipelineOutput, StableDiffusionSafetyChecker from diffusers.utils import logging try: from diffusers.utils import PIL_INTERPOLATION except ImportError: if version.parse(version.parse(PIL.__version__).base_version) >= version.parse("9.1.0"): PIL_INTERPOLATION = { "linear": PIL.Image.Resampling.BILINEAR, "bilinear": PIL.Image.Resampling.BILINEAR, "bicubic": PIL.Image.Resampling.BICUBIC, "lanczos": PIL.Image.Resampling.LANCZOS, "nearest": PIL.Image.Resampling.NEAREST, } else: PIL_INTERPOLATION = { "linear": PIL.Image.LINEAR, "bilinear": PIL.Image.BILINEAR, "bicubic": PIL.Image.BICUBIC, "lanczos": PIL.Image.LANCZOS, "nearest": PIL.Image.NEAREST, } # ------------------------------------------------------------------------------ logger = logging.get_logger(__name__) # pylint: disable=invalid-name re_attention = re.compile( r""" \\\(| \\\)| \\\[| \\]| \\\\| \\| \(| \[| :([+-]?[.\d]+)\)| \)| ]| [^\\()\[\]:]+| : """, re.X, ) def parse_prompt_attention(text): """ Parses a string with attention tokens and returns a list of pairs: text and its associated weight. Accepted tokens are: (abc) - increases attention to abc by a multiplier of 1.1 (abc:3.12) - increases attention to abc by a multiplier of 3.12 [abc] - decreases attention to abc by a multiplier of 1.1 \( - literal character '(' \[ - literal character '[' \) - literal character ')' \] - literal character ']' \\ - literal character '\' anything else - just text >>> parse_prompt_attention('normal text') [['normal text', 1.0]] >>> parse_prompt_attention('an (important) word') [['an ', 1.0], ['important', 1.1], [' word', 1.0]] >>> parse_prompt_attention('(unbalanced') [['unbalanced', 1.1]] >>> parse_prompt_attention('\(literal\]') [['(literal]', 1.0]] >>> parse_prompt_attention('(unnecessary)(parens)') [['unnecessaryparens', 1.1]] >>> parse_prompt_attention('a (((house:1.3)) [on] a (hill:0.5), sun, (((sky))).') [['a ', 1.0], ['house', 1.5730000000000004], [' ', 1.1], ['on', 1.0], [' a ', 1.1], ['hill', 0.55], [', sun, ', 1.1], ['sky', 1.4641000000000006], ['.', 1.1]] """ res = [] round_brackets = [] square_brackets = [] round_bracket_multiplier = 1.1 square_bracket_multiplier = 1 / 1.1 def multiply_range(start_position, multiplier): for p in range(start_position, len(res)): res[p][1] *= multiplier for m in re_attention.finditer(text): text = m.group(0) weight = m.group(1) if text.startswith("\\"): res.append([text[1:], 1.0]) elif text == "(": round_brackets.append(len(res)) elif text == "[": square_brackets.append(len(res)) elif weight is not None and len(round_brackets) > 0: multiply_range(round_brackets.pop(), float(weight)) elif text == ")" and len(round_brackets) > 0: multiply_range(round_brackets.pop(), round_bracket_multiplier) elif text == "]" and len(square_brackets) > 0: multiply_range(square_brackets.pop(), square_bracket_multiplier) else: res.append([text, 1.0]) for pos in round_brackets: multiply_range(pos, round_bracket_multiplier) for pos in square_brackets: multiply_range(pos, square_bracket_multiplier) if len(res) == 0: res = [["", 1.0]] # merge runs of identical weights i = 0 while i + 1 < len(res): if res[i][1] == res[i + 1][1]: res[i][0] += res[i + 1][0] res.pop(i + 1) else: i += 1 return res def get_prompts_with_weights(pipe: StableDiffusionPipeline, prompt: List[str], max_length: int): r""" Tokenize a list of prompts and return its tokens with weights of each token. No padding, starting or ending token is included. """ tokens = [] weights = [] truncated = False for text in prompt: texts_and_weights = parse_prompt_attention(text) text_token = [] text_weight = [] for word, weight in texts_and_weights: # tokenize and discard the starting and the ending token token = pipe.tokenizer(word).input_ids[1:-1] text_token += token # copy the weight by length of token text_weight += [weight] * len(token) # stop if the text is too long (longer than truncation limit) if len(text_token) > max_length: truncated = True break # truncate if len(text_token) > max_length: truncated = True text_token = text_token[:max_length] text_weight = text_weight[:max_length] tokens.append(text_token) weights.append(text_weight) if truncated: logger.warning("Prompt was truncated. Try to shorten the prompt or increase max_embeddings_multiples") return tokens, weights def pad_tokens_and_weights(tokens, weights, max_length, bos, eos, no_boseos_middle=True, chunk_length=77): r""" Pad the tokens (with starting and ending tokens) and weights (with 1.0) to max_length. """ max_embeddings_multiples = (max_length - 2) // (chunk_length - 2) weights_length = max_length if no_boseos_middle else max_embeddings_multiples * chunk_length for i in range(len(tokens)): tokens[i] = [bos] + tokens[i] + [eos] * (max_length - 1 - len(tokens[i])) if no_boseos_middle: weights[i] = [1.0] + weights[i] + [1.0] * (max_length - 1 - len(weights[i])) else: w = [] if len(weights[i]) == 0: w = [1.0] * weights_length else: for j in range(max_embeddings_multiples): w.append(1.0) # weight for starting token in this chunk w += weights[i][j * (chunk_length - 2) : min(len(weights[i]), (j + 1) * (chunk_length - 2))] w.append(1.0) # weight for ending token in this chunk w += [1.0] * (weights_length - len(w)) weights[i] = w[:] return tokens, weights def get_unweighted_text_embeddings( pipe: StableDiffusionPipeline, text_input: torch.Tensor, chunk_length: int, clip_skip: int, eos: int, pad: int, no_boseos_middle: Optional[bool] = True, ): """ When the length of tokens is a multiple of the capacity of the text encoder, it should be split into chunks and sent to the text encoder individually. """ max_embeddings_multiples = (text_input.shape[1] - 2) // (chunk_length - 2) if max_embeddings_multiples > 1: text_embeddings = [] for i in range(max_embeddings_multiples): # extract the i-th chunk text_input_chunk = text_input[:, i * (chunk_length - 2) : (i + 1) * (chunk_length - 2) + 2].clone() # cover the head and the tail by the starting and the ending tokens text_input_chunk[:, 0] = text_input[0, 0] if pad == eos: # v1 text_input_chunk[:, -1] = text_input[0, -1] else: # v2 for j in range(len(text_input_chunk)): if text_input_chunk[j, -1] != eos and text_input_chunk[j, -1] != pad: # 最後に普通の文字がある text_input_chunk[j, -1] = eos if text_input_chunk[j, 1] == pad: # BOSだけであとはPAD text_input_chunk[j, 1] = eos if clip_skip is None or clip_skip == 1: text_embedding = pipe.text_encoder(text_input_chunk)[0] else: enc_out = pipe.text_encoder(text_input_chunk, output_hidden_states=True, return_dict=True) text_embedding = enc_out["hidden_states"][-clip_skip] text_embedding = pipe.text_encoder.text_model.final_layer_norm(text_embedding) if no_boseos_middle: if i == 0: # discard the ending token text_embedding = text_embedding[:, :-1] elif i == max_embeddings_multiples - 1: # discard the starting token text_embedding = text_embedding[:, 1:] else: # discard both starting and ending tokens text_embedding = text_embedding[:, 1:-1] text_embeddings.append(text_embedding) text_embeddings = torch.concat(text_embeddings, axis=1) else: if clip_skip is None or clip_skip == 1: text_embeddings = pipe.text_encoder(text_input)[0] else: enc_out = pipe.text_encoder(text_input, output_hidden_states=True, return_dict=True) text_embeddings = enc_out["hidden_states"][-clip_skip] text_embeddings = pipe.text_encoder.text_model.final_layer_norm(text_embeddings) return text_embeddings def get_weighted_text_embeddings( pipe: StableDiffusionPipeline, prompt: Union[str, List[str]], uncond_prompt: Optional[Union[str, List[str]]] = None, max_embeddings_multiples: Optional[int] = 3, no_boseos_middle: Optional[bool] = False, skip_parsing: Optional[bool] = False, skip_weighting: Optional[bool] = False, clip_skip=None, ): r""" Prompts can be assigned with local weights using brackets. For example, prompt 'A (very beautiful) masterpiece' highlights the words 'very beautiful', and the embedding tokens corresponding to the words get multiplied by a constant, 1.1. Also, to regularize of the embedding, the weighted embedding would be scaled to preserve the original mean. Args: pipe (`StableDiffusionPipeline`): Pipe to provide access to the tokenizer and the text encoder. prompt (`str` or `List[str]`): The prompt or prompts to guide the image generation. uncond_prompt (`str` or `List[str]`): The unconditional prompt or prompts for guide the image generation. If unconditional prompt is provided, the embeddings of prompt and uncond_prompt are concatenated. max_embeddings_multiples (`int`, *optional*, defaults to `3`): The max multiple length of prompt embeddings compared to the max output length of text encoder. no_boseos_middle (`bool`, *optional*, defaults to `False`): If the length of text token is multiples of the capacity of text encoder, whether reserve the starting and ending token in each of the chunk in the middle. skip_parsing (`bool`, *optional*, defaults to `False`): Skip the parsing of brackets. skip_weighting (`bool`, *optional*, defaults to `False`): Skip the weighting. When the parsing is skipped, it is forced True. """ max_length = (pipe.tokenizer.model_max_length - 2) * max_embeddings_multiples + 2 if isinstance(prompt, str): prompt = [prompt] if not skip_parsing: prompt_tokens, prompt_weights = get_prompts_with_weights(pipe, prompt, max_length - 2) if uncond_prompt is not None: if isinstance(uncond_prompt, str): uncond_prompt = [uncond_prompt] uncond_tokens, uncond_weights = get_prompts_with_weights(pipe, uncond_prompt, max_length - 2) else: prompt_tokens = [token[1:-1] for token in pipe.tokenizer(prompt, max_length=max_length, truncation=True).input_ids] prompt_weights = [[1.0] * len(token) for token in prompt_tokens] if uncond_prompt is not None: if isinstance(uncond_prompt, str): uncond_prompt = [uncond_prompt] uncond_tokens = [ token[1:-1] for token in pipe.tokenizer(uncond_prompt, max_length=max_length, truncation=True).input_ids ] uncond_weights = [[1.0] * len(token) for token in uncond_tokens] # round up the longest length of tokens to a multiple of (model_max_length - 2) max_length = max([len(token) for token in prompt_tokens]) if uncond_prompt is not None: max_length = max(max_length, max([len(token) for token in uncond_tokens])) max_embeddings_multiples = min( max_embeddings_multiples, (max_length - 1) // (pipe.tokenizer.model_max_length - 2) + 1, ) max_embeddings_multiples = max(1, max_embeddings_multiples) max_length = (pipe.tokenizer.model_max_length - 2) * max_embeddings_multiples + 2 # pad the length of tokens and weights bos = pipe.tokenizer.bos_token_id eos = pipe.tokenizer.eos_token_id pad = pipe.tokenizer.pad_token_id prompt_tokens, prompt_weights = pad_tokens_and_weights( prompt_tokens, prompt_weights, max_length, bos, eos, no_boseos_middle=no_boseos_middle, chunk_length=pipe.tokenizer.model_max_length, ) prompt_tokens = torch.tensor(prompt_tokens, dtype=torch.long, device=pipe.device) if uncond_prompt is not None: uncond_tokens, uncond_weights = pad_tokens_and_weights( uncond_tokens, uncond_weights, max_length, bos, eos, no_boseos_middle=no_boseos_middle, chunk_length=pipe.tokenizer.model_max_length, ) uncond_tokens = torch.tensor(uncond_tokens, dtype=torch.long, device=pipe.device) # get the embeddings text_embeddings = get_unweighted_text_embeddings( pipe, prompt_tokens, pipe.tokenizer.model_max_length, clip_skip, eos, pad, no_boseos_middle=no_boseos_middle, ) prompt_weights = torch.tensor(prompt_weights, dtype=text_embeddings.dtype, device=pipe.device) if uncond_prompt is not None: uncond_embeddings = get_unweighted_text_embeddings( pipe, uncond_tokens, pipe.tokenizer.model_max_length, clip_skip, eos, pad, no_boseos_middle=no_boseos_middle, ) uncond_weights = torch.tensor(uncond_weights, dtype=uncond_embeddings.dtype, device=pipe.device) # assign weights to the prompts and normalize in the sense of mean # TODO: should we normalize by chunk or in a whole (current implementation)? if (not skip_parsing) and (not skip_weighting): previous_mean = text_embeddings.float().mean(axis=[-2, -1]).to(text_embeddings.dtype) text_embeddings *= prompt_weights.unsqueeze(-1) current_mean = text_embeddings.float().mean(axis=[-2, -1]).to(text_embeddings.dtype) text_embeddings *= (previous_mean / current_mean).unsqueeze(-1).unsqueeze(-1) if uncond_prompt is not None: previous_mean = uncond_embeddings.float().mean(axis=[-2, -1]).to(uncond_embeddings.dtype) uncond_embeddings *= uncond_weights.unsqueeze(-1) current_mean = uncond_embeddings.float().mean(axis=[-2, -1]).to(uncond_embeddings.dtype) uncond_embeddings *= (previous_mean / current_mean).unsqueeze(-1).unsqueeze(-1) if uncond_prompt is not None: return text_embeddings, uncond_embeddings return text_embeddings, None def preprocess_image(image): w, h = image.size w, h = map(lambda x: x - x % 32, (w, h)) # resize to integer multiple of 32 image = image.resize((w, h), resample=PIL_INTERPOLATION["lanczos"]) image = np.array(image).astype(np.float32) / 255.0 image = image[None].transpose(0, 3, 1, 2) image = torch.from_numpy(image) return 2.0 * image - 1.0 def preprocess_mask(mask, scale_factor=8): mask = mask.convert("L") w, h = mask.size w, h = map(lambda x: x - x % 32, (w, h)) # resize to integer multiple of 32 mask = mask.resize((w // scale_factor, h // scale_factor), resample=PIL_INTERPOLATION["nearest"]) mask = np.array(mask).astype(np.float32) / 255.0 mask = np.tile(mask, (4, 1, 1)) mask = mask[None].transpose(0, 1, 2, 3) # what does this step do? mask = 1 - mask # repaint white, keep black mask = torch.from_numpy(mask) return mask def prepare_controlnet_image( image: PIL.Image.Image, width: int, height: int, batch_size: int, num_images_per_prompt: int, device: torch.device, dtype: torch.dtype, do_classifier_free_guidance: bool = False, guess_mode: bool = False, ): if not isinstance(image, torch.Tensor): if isinstance(image, PIL.Image.Image): image = [image] if isinstance(image[0], PIL.Image.Image): images = [] for image_ in image: image_ = image_.convert("RGB") image_ = image_.resize((width, height), resample=PIL_INTERPOLATION["lanczos"]) image_ = np.array(image_) image_ = image_[None, :] images.append(image_) image = images image = np.concatenate(image, axis=0) image = np.array(image).astype(np.float32) / 255.0 image = image.transpose(0, 3, 1, 2) image = torch.from_numpy(image) elif isinstance(image[0], torch.Tensor): image = torch.cat(image, dim=0) image_batch_size = image.shape[0] if image_batch_size == 1: repeat_by = batch_size else: # image batch size is the same as prompt batch size repeat_by = num_images_per_prompt image = image.repeat_interleave(repeat_by, dim=0) image = image.to(device=device, dtype=dtype) if do_classifier_free_guidance and not guess_mode: image = torch.cat([image] * 2) return image class StableDiffusionLongPromptWeightingPipeline(StableDiffusionPipeline): r""" Pipeline for text-to-image generation using Stable Diffusion without tokens length limit, and support parsing weighting in prompt. This model inherits from [`DiffusionPipeline`]. Check the superclass documentation for the generic methods the library implements for all the pipelines (such as downloading or saving, running on a particular device, etc.) Args: vae ([`AutoencoderKL`]): Variational Auto-Encoder (VAE) Model to encode and decode images to and from latent representations. text_encoder ([`CLIPTextModel`]): Frozen text-encoder. Stable Diffusion uses the text portion of [CLIP](https://huggingface.co/docs/transformers/model_doc/clip#transformers.CLIPTextModel), specifically the [clip-vit-large-patch14](https://huggingface.co/openai/clip-vit-large-patch14) variant. tokenizer (`CLIPTokenizer`): Tokenizer of class [CLIPTokenizer](https://huggingface.co/docs/transformers/v4.21.0/en/model_doc/clip#transformers.CLIPTokenizer). unet ([`UNet2DConditionModel`]): Conditional U-Net architecture to denoise the encoded image latents. scheduler ([`SchedulerMixin`]): A scheduler to be used in combination with `unet` to denoise the encoded image latents. Can be one of [`DDIMScheduler`], [`LMSDiscreteScheduler`], or [`PNDMScheduler`]. safety_checker ([`StableDiffusionSafetyChecker`]): Classification module that estimates whether generated images could be considered offensive or harmful. Please, refer to the [model card](https://huggingface.co/CompVis/stable-diffusion-v1-4) for details. feature_extractor ([`CLIPFeatureExtractor`]): Model that extracts features from generated images to be used as inputs for the `safety_checker`. """ # if version.parse(version.parse(diffusers.__version__).base_version) >= version.parse("0.9.0"): def __init__( self, vae: AutoencoderKL, text_encoder: CLIPTextModel, tokenizer: CLIPTokenizer, unet: UNet2DConditionModel, scheduler: SchedulerMixin, # clip_skip: int, safety_checker: StableDiffusionSafetyChecker, feature_extractor: CLIPFeatureExtractor, requires_safety_checker: bool = True, image_encoder: CLIPVisionModelWithProjection = None, clip_skip: int = 1, ): super().__init__( vae=vae, text_encoder=text_encoder, tokenizer=tokenizer, unet=unet, scheduler=scheduler, safety_checker=safety_checker, feature_extractor=feature_extractor, requires_safety_checker=requires_safety_checker, image_encoder=image_encoder, ) self.custom_clip_skip = clip_skip self.__init__additional__() def __init__additional__(self): if not hasattr(self, "vae_scale_factor"): setattr(self, "vae_scale_factor", 2 ** (len(self.vae.config.block_out_channels) - 1)) @property def _execution_device(self): r""" Returns the device on which the pipeline's models will be executed. After calling `pipeline.enable_sequential_cpu_offload()` the execution device can only be inferred from Accelerate's module hooks. """ if self.device != torch.device("meta") or not hasattr(self.unet, "_hf_hook"): return self.device for module in self.unet.modules(): if ( hasattr(module, "_hf_hook") and hasattr(module._hf_hook, "execution_device") and module._hf_hook.execution_device is not None ): return torch.device(module._hf_hook.execution_device) return self.device def _encode_prompt( self, prompt, device, num_images_per_prompt, do_classifier_free_guidance, negative_prompt, max_embeddings_multiples, ): r""" Encodes the prompt into text encoder hidden states. Args: prompt (`str` or `list(int)`): prompt to be encoded device: (`torch.device`): torch device num_images_per_prompt (`int`): number of images that should be generated per prompt do_classifier_free_guidance (`bool`): whether to use classifier free guidance or not negative_prompt (`str` or `List[str]`): The prompt or prompts not to guide the image generation. Ignored when not using guidance (i.e., ignored if `guidance_scale` is less than `1`). max_embeddings_multiples (`int`, *optional*, defaults to `3`): The max multiple length of prompt embeddings compared to the max output length of text encoder. """ batch_size = len(prompt) if isinstance(prompt, list) else 1 if negative_prompt is None: negative_prompt = [""] * batch_size elif isinstance(negative_prompt, str): negative_prompt = [negative_prompt] * batch_size if batch_size != len(negative_prompt): raise ValueError( f"`negative_prompt`: {negative_prompt} has batch size {len(negative_prompt)}, but `prompt`:" f" {prompt} has batch size {batch_size}. Please make sure that passed `negative_prompt` matches" " the batch size of `prompt`." ) text_embeddings, uncond_embeddings = get_weighted_text_embeddings( pipe=self, prompt=prompt, uncond_prompt=negative_prompt if do_classifier_free_guidance else None, max_embeddings_multiples=max_embeddings_multiples, clip_skip=self.custom_clip_skip, ) bs_embed, seq_len, _ = text_embeddings.shape text_embeddings = text_embeddings.repeat(1, num_images_per_prompt, 1) text_embeddings = text_embeddings.view(bs_embed * num_images_per_prompt, seq_len, -1) if do_classifier_free_guidance: bs_embed, seq_len, _ = uncond_embeddings.shape uncond_embeddings = uncond_embeddings.repeat(1, num_images_per_prompt, 1) uncond_embeddings = uncond_embeddings.view(bs_embed * num_images_per_prompt, seq_len, -1) text_embeddings = torch.cat([uncond_embeddings, text_embeddings]) return text_embeddings def check_inputs(self, prompt, height, width, strength, callback_steps): if not isinstance(prompt, str) and not isinstance(prompt, list): raise ValueError(f"`prompt` has to be of type `str` or `list` but is {type(prompt)}") if strength < 0 or strength > 1: raise ValueError(f"The value of strength should in [0.0, 1.0] but is {strength}") if height % 8 != 0 or width % 8 != 0: logger.info(f'{height} {width}') raise ValueError(f"`height` and `width` have to be divisible by 8 but are {height} and {width}.") if (callback_steps is None) or ( callback_steps is not None and (not isinstance(callback_steps, int) or callback_steps <= 0) ): raise ValueError( f"`callback_steps` has to be a positive integer but is {callback_steps} of type" f" {type(callback_steps)}." ) def get_timesteps(self, num_inference_steps, strength, device, is_text2img): if is_text2img: return self.scheduler.timesteps.to(device), num_inference_steps else: # get the original timestep using init_timestep offset = self.scheduler.config.get("steps_offset", 0) init_timestep = int(num_inference_steps * strength) + offset init_timestep = min(init_timestep, num_inference_steps) t_start = max(num_inference_steps - init_timestep + offset, 0) timesteps = self.scheduler.timesteps[t_start:].to(device) return timesteps, num_inference_steps - t_start def run_safety_checker(self, image, device, dtype): if self.safety_checker is not None: safety_checker_input = self.feature_extractor(self.numpy_to_pil(image), return_tensors="pt").to(device) image, has_nsfw_concept = self.safety_checker(images=image, clip_input=safety_checker_input.pixel_values.to(dtype)) else: has_nsfw_concept = None return image, has_nsfw_concept def decode_latents(self, latents): latents = 1 / 0.18215 * latents image = self.vae.decode(latents).sample image = (image / 2 + 0.5).clamp(0, 1) # we always cast to float32 as this does not cause significant overhead and is compatible with bfloat16 image = image.cpu().permute(0, 2, 3, 1).float().numpy() return image def prepare_extra_step_kwargs(self, generator, eta): # prepare extra kwargs for the scheduler step, since not all schedulers have the same signature # eta (η) is only used with the DDIMScheduler, it will be ignored for other schedulers. # eta corresponds to η in DDIM paper: https://arxiv.org/abs/2010.02502 # and should be between [0, 1] accepts_eta = "eta" in set(inspect.signature(self.scheduler.step).parameters.keys()) extra_step_kwargs = {} if accepts_eta: extra_step_kwargs["eta"] = eta # check if the scheduler accepts generator accepts_generator = "generator" in set(inspect.signature(self.scheduler.step).parameters.keys()) if accepts_generator: extra_step_kwargs["generator"] = generator return extra_step_kwargs def prepare_latents(self, image, timestep, batch_size, height, width, dtype, device, generator, latents=None): if image is None: shape = ( batch_size, self.unet.in_channels, height // self.vae_scale_factor, width // self.vae_scale_factor, ) if latents is None: if device.type == "mps": # randn does not work reproducibly on mps latents = torch.randn(shape, generator=generator, device="cpu", dtype=dtype).to(device) else: latents = torch.randn(shape, generator=generator, device=device, dtype=dtype) else: if latents.shape != shape: raise ValueError(f"Unexpected latents shape, got {latents.shape}, expected {shape}") latents = latents.to(device) # scale the initial noise by the standard deviation required by the scheduler latents = latents * self.scheduler.init_noise_sigma return latents, None, None else: init_latent_dist = self.vae.encode(image).latent_dist init_latents = init_latent_dist.sample(generator=generator) init_latents = 0.18215 * init_latents init_latents = torch.cat([init_latents] * batch_size, dim=0) init_latents_orig = init_latents shape = init_latents.shape # add noise to latents using the timesteps if device.type == "mps": noise = torch.randn(shape, generator=generator, device="cpu", dtype=dtype).to(device) else: noise = torch.randn(shape, generator=generator, device=device, dtype=dtype) latents = self.scheduler.add_noise(init_latents, noise, timestep) return latents, init_latents_orig, noise @torch.no_grad() def __call__( self, prompt: Union[str, List[str]], negative_prompt: Optional[Union[str, List[str]]] = None, image: Union[torch.FloatTensor, PIL.Image.Image] = None, mask_image: Union[torch.FloatTensor, PIL.Image.Image] = None, height: int = 512, width: int = 512, num_inference_steps: int = 50, guidance_scale: float = 7.5, strength: float = 0.8, num_images_per_prompt: Optional[int] = 1, eta: float = 0.0, generator: Optional[torch.Generator] = None, latents: Optional[torch.FloatTensor] = None, max_embeddings_multiples: Optional[int] = 3, output_type: Optional[str] = "pil", return_dict: bool = True, controlnet=None, controlnet_image=None, callback: Optional[Callable[[int, int, torch.FloatTensor], None]] = None, is_cancelled_callback: Optional[Callable[[], bool]] = None, callback_steps: int = 1, ): r""" Function invoked when calling the pipeline for generation. Args: prompt (`str` or `List[str]`): The prompt or prompts to guide the image generation. negative_prompt (`str` or `List[str]`, *optional*): The prompt or prompts not to guide the image generation. Ignored when not using guidance (i.e., ignored if `guidance_scale` is less than `1`). image (`torch.FloatTensor` or `PIL.Image.Image`): `Image`, or tensor representing an image batch, that will be used as the starting point for the process. mask_image (`torch.FloatTensor` or `PIL.Image.Image`): `Image`, or tensor representing an image batch, to mask `image`. White pixels in the mask will be replaced by noise and therefore repainted, while black pixels will be preserved. If `mask_image` is a PIL image, it will be converted to a single channel (luminance) before use. If it's a tensor, it should contain one color channel (L) instead of 3, so the expected shape would be `(B, H, W, 1)`. height (`int`, *optional*, defaults to 512): The height in pixels of the generated image. width (`int`, *optional*, defaults to 512): The width in pixels of the generated image. num_inference_steps (`int`, *optional*, defaults to 50): The number of denoising steps. More denoising steps usually lead to a higher quality image at the expense of slower inference. guidance_scale (`float`, *optional*, defaults to 7.5): Guidance scale as defined in [Classifier-Free Diffusion Guidance](https://arxiv.org/abs/2207.12598). `guidance_scale` is defined as `w` of equation 2. of [Imagen Paper](https://arxiv.org/pdf/2205.11487.pdf). Guidance scale is enabled by setting `guidance_scale > 1`. Higher guidance scale encourages to generate images that are closely linked to the text `prompt`, usually at the expense of lower image quality. strength (`float`, *optional*, defaults to 0.8): Conceptually, indicates how much to transform the reference `image`. Must be between 0 and 1. `image` will be used as a starting point, adding more noise to it the larger the `strength`. The number of denoising steps depends on the amount of noise initially added. When `strength` is 1, added noise will be maximum and the denoising process will run for the full number of iterations specified in `num_inference_steps`. A value of 1, therefore, essentially ignores `image`. num_images_per_prompt (`int`, *optional*, defaults to 1): The number of images to generate per prompt. eta (`float`, *optional*, defaults to 0.0): Corresponds to parameter eta (η) in the DDIM paper: https://arxiv.org/abs/2010.02502. Only applies to [`schedulers.DDIMScheduler`], will be ignored for others. generator (`torch.Generator`, *optional*): A [torch generator](https://pytorch.org/docs/stable/generated/torch.Generator.html) to make generation deterministic. latents (`torch.FloatTensor`, *optional*): Pre-generated noisy latents, sampled from a Gaussian distribution, to be used as inputs for image generation. Can be used to tweak the same generation with different prompts. If not provided, a latents tensor will ge generated by sampling using the supplied random `generator`. max_embeddings_multiples (`int`, *optional*, defaults to `3`): The max multiple length of prompt embeddings compared to the max output length of text encoder. output_type (`str`, *optional*, defaults to `"pil"`): The output format of the generate image. Choose between [PIL](https://pillow.readthedocs.io/en/stable/): `PIL.Image.Image` or `np.array`. return_dict (`bool`, *optional*, defaults to `True`): Whether or not to return a [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] instead of a plain tuple. controlnet (`diffusers.ControlNetModel`, *optional*): A controlnet model to be used for the inference. If not provided, controlnet will be disabled. controlnet_image (`torch.FloatTensor` or `PIL.Image.Image`, *optional*): `Image`, or tensor representing an image batch, to be used as the starting point for the controlnet inference. callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. The function will be called with the following arguments: `callback(step: int, timestep: int, latents: torch.FloatTensor)`. is_cancelled_callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. If the function returns `True`, the inference will be cancelled. callback_steps (`int`, *optional*, defaults to 1): The frequency at which the `callback` function will be called. If not specified, the callback will be called at every step. Returns: `None` if cancelled by `is_cancelled_callback`, [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] or `tuple`: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] if `return_dict` is True, otherwise a `tuple. When returning a tuple, the first element is a list with the generated images, and the second element is a list of `bool`s denoting whether the corresponding generated image likely represents "not-safe-for-work" (nsfw) content, according to the `safety_checker`. """ if controlnet is not None and controlnet_image is None: raise ValueError("controlnet_image must be provided if controlnet is not None.") # 0. Default height and width to unet height = height or self.unet.config.sample_size * self.vae_scale_factor width = width or self.unet.config.sample_size * self.vae_scale_factor # 1. Check inputs. Raise error if not correct self.check_inputs(prompt, height, width, strength, callback_steps) # 2. Define call parameters batch_size = 1 if isinstance(prompt, str) else len(prompt) device = self._execution_device # here `guidance_scale` is defined analog to the guidance weight `w` of equation (2) # of the Imagen paper: https://arxiv.org/pdf/2205.11487.pdf . `guidance_scale = 1` # corresponds to doing no classifier free guidance. do_classifier_free_guidance = guidance_scale > 1.0 # 3. Encode input prompt text_embeddings = self._encode_prompt( prompt, device, num_images_per_prompt, do_classifier_free_guidance, negative_prompt, max_embeddings_multiples, ) dtype = text_embeddings.dtype # 4. Preprocess image and mask if isinstance(image, PIL.Image.Image): image = preprocess_image(image) if image is not None: image = image.to(device=self.device, dtype=dtype) if isinstance(mask_image, PIL.Image.Image): mask_image = preprocess_mask(mask_image, self.vae_scale_factor) if mask_image is not None: mask = mask_image.to(device=self.device, dtype=dtype) mask = torch.cat([mask] * batch_size * num_images_per_prompt) else: mask = None if controlnet_image is not None: controlnet_image = prepare_controlnet_image( controlnet_image, width, height, batch_size, 1, self.device, controlnet.dtype, do_classifier_free_guidance, False ) # 5. set timesteps self.scheduler.set_timesteps(num_inference_steps, device=device) timesteps, num_inference_steps = self.get_timesteps(num_inference_steps, strength, device, image is None) latent_timestep = timesteps[:1].repeat(batch_size * num_images_per_prompt) # 6. Prepare latent variables latents, init_latents_orig, noise = self.prepare_latents( image, latent_timestep, batch_size * num_images_per_prompt, height, width, dtype, device, generator, latents, ) # 7. Prepare extra step kwargs. TODO: Logic should ideally just be moved out of the pipeline extra_step_kwargs = self.prepare_extra_step_kwargs(generator, eta) # 8. Denoising loop for i, t in enumerate(self.progress_bar(timesteps)): # expand the latents if we are doing classifier free guidance latent_model_input = torch.cat([latents] * 2) if do_classifier_free_guidance else latents latent_model_input = self.scheduler.scale_model_input(latent_model_input, t) unet_additional_args = {} if controlnet is not None: down_block_res_samples, mid_block_res_sample = controlnet( latent_model_input, t, encoder_hidden_states=text_embeddings, controlnet_cond=controlnet_image, conditioning_scale=1.0, guess_mode=False, return_dict=False, ) unet_additional_args["down_block_additional_residuals"] = down_block_res_samples unet_additional_args["mid_block_additional_residual"] = mid_block_res_sample # predict the noise residual noise_pred = self.unet(latent_model_input, t, encoder_hidden_states=text_embeddings, **unet_additional_args).sample # perform guidance if do_classifier_free_guidance: noise_pred_uncond, noise_pred_text = noise_pred.chunk(2) noise_pred = noise_pred_uncond + guidance_scale * (noise_pred_text - noise_pred_uncond) # compute the previous noisy sample x_t -> x_t-1 latents = self.scheduler.step(noise_pred, t, latents, **extra_step_kwargs).prev_sample if mask is not None: # masking init_latents_proper = self.scheduler.add_noise(init_latents_orig, noise, torch.tensor([t])) latents = (init_latents_proper * mask) + (latents * (1 - mask)) # call the callback, if provided if i % callback_steps == 0: if callback is not None: callback(i, t, latents) if is_cancelled_callback is not None and is_cancelled_callback(): return None return latents def latents_to_image(self, latents): # 9. Post-processing image = self.decode_latents(latents.to(self.vae.dtype)) image = self.numpy_to_pil(image) return image def text2img( self, prompt: Union[str, List[str]], negative_prompt: Optional[Union[str, List[str]]] = None, height: int = 512, width: int = 512, num_inference_steps: int = 50, guidance_scale: float = 7.5, num_images_per_prompt: Optional[int] = 1, eta: float = 0.0, generator: Optional[torch.Generator] = None, latents: Optional[torch.FloatTensor] = None, max_embeddings_multiples: Optional[int] = 3, output_type: Optional[str] = "pil", return_dict: bool = True, callback: Optional[Callable[[int, int, torch.FloatTensor], None]] = None, is_cancelled_callback: Optional[Callable[[], bool]] = None, callback_steps: int = 1, ): r""" Function for text-to-image generation. Args: prompt (`str` or `List[str]`): The prompt or prompts to guide the image generation. negative_prompt (`str` or `List[str]`, *optional*): The prompt or prompts not to guide the image generation. Ignored when not using guidance (i.e., ignored if `guidance_scale` is less than `1`). height (`int`, *optional*, defaults to 512): The height in pixels of the generated image. width (`int`, *optional*, defaults to 512): The width in pixels of the generated image. num_inference_steps (`int`, *optional*, defaults to 50): The number of denoising steps. More denoising steps usually lead to a higher quality image at the expense of slower inference. guidance_scale (`float`, *optional*, defaults to 7.5): Guidance scale as defined in [Classifier-Free Diffusion Guidance](https://arxiv.org/abs/2207.12598). `guidance_scale` is defined as `w` of equation 2. of [Imagen Paper](https://arxiv.org/pdf/2205.11487.pdf). Guidance scale is enabled by setting `guidance_scale > 1`. Higher guidance scale encourages to generate images that are closely linked to the text `prompt`, usually at the expense of lower image quality. num_images_per_prompt (`int`, *optional*, defaults to 1): The number of images to generate per prompt. eta (`float`, *optional*, defaults to 0.0): Corresponds to parameter eta (η) in the DDIM paper: https://arxiv.org/abs/2010.02502. Only applies to [`schedulers.DDIMScheduler`], will be ignored for others. generator (`torch.Generator`, *optional*): A [torch generator](https://pytorch.org/docs/stable/generated/torch.Generator.html) to make generation deterministic. latents (`torch.FloatTensor`, *optional*): Pre-generated noisy latents, sampled from a Gaussian distribution, to be used as inputs for image generation. Can be used to tweak the same generation with different prompts. If not provided, a latents tensor will ge generated by sampling using the supplied random `generator`. max_embeddings_multiples (`int`, *optional*, defaults to `3`): The max multiple length of prompt embeddings compared to the max output length of text encoder. output_type (`str`, *optional*, defaults to `"pil"`): The output format of the generate image. Choose between [PIL](https://pillow.readthedocs.io/en/stable/): `PIL.Image.Image` or `np.array`. return_dict (`bool`, *optional*, defaults to `True`): Whether or not to return a [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] instead of a plain tuple. callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. The function will be called with the following arguments: `callback(step: int, timestep: int, latents: torch.FloatTensor)`. is_cancelled_callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. If the function returns `True`, the inference will be cancelled. callback_steps (`int`, *optional*, defaults to 1): The frequency at which the `callback` function will be called. If not specified, the callback will be called at every step. Returns: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] or `tuple`: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] if `return_dict` is True, otherwise a `tuple. When returning a tuple, the first element is a list with the generated images, and the second element is a list of `bool`s denoting whether the corresponding generated image likely represents "not-safe-for-work" (nsfw) content, according to the `safety_checker`. """ return self.__call__( prompt=prompt, negative_prompt=negative_prompt, height=height, width=width, num_inference_steps=num_inference_steps, guidance_scale=guidance_scale, num_images_per_prompt=num_images_per_prompt, eta=eta, generator=generator, latents=latents, max_embeddings_multiples=max_embeddings_multiples, output_type=output_type, return_dict=return_dict, callback=callback, is_cancelled_callback=is_cancelled_callback, callback_steps=callback_steps, ) def img2img( self, image: Union[torch.FloatTensor, PIL.Image.Image], prompt: Union[str, List[str]], negative_prompt: Optional[Union[str, List[str]]] = None, strength: float = 0.8, num_inference_steps: Optional[int] = 50, guidance_scale: Optional[float] = 7.5, num_images_per_prompt: Optional[int] = 1, eta: Optional[float] = 0.0, generator: Optional[torch.Generator] = None, max_embeddings_multiples: Optional[int] = 3, output_type: Optional[str] = "pil", return_dict: bool = True, callback: Optional[Callable[[int, int, torch.FloatTensor], None]] = None, is_cancelled_callback: Optional[Callable[[], bool]] = None, callback_steps: int = 1, ): r""" Function for image-to-image generation. Args: image (`torch.FloatTensor` or `PIL.Image.Image`): `Image`, or tensor representing an image batch, that will be used as the starting point for the process. prompt (`str` or `List[str]`): The prompt or prompts to guide the image generation. negative_prompt (`str` or `List[str]`, *optional*): The prompt or prompts not to guide the image generation. Ignored when not using guidance (i.e., ignored if `guidance_scale` is less than `1`). strength (`float`, *optional*, defaults to 0.8): Conceptually, indicates how much to transform the reference `image`. Must be between 0 and 1. `image` will be used as a starting point, adding more noise to it the larger the `strength`. The number of denoising steps depends on the amount of noise initially added. When `strength` is 1, added noise will be maximum and the denoising process will run for the full number of iterations specified in `num_inference_steps`. A value of 1, therefore, essentially ignores `image`. num_inference_steps (`int`, *optional*, defaults to 50): The number of denoising steps. More denoising steps usually lead to a higher quality image at the expense of slower inference. This parameter will be modulated by `strength`. guidance_scale (`float`, *optional*, defaults to 7.5): Guidance scale as defined in [Classifier-Free Diffusion Guidance](https://arxiv.org/abs/2207.12598). `guidance_scale` is defined as `w` of equation 2. of [Imagen Paper](https://arxiv.org/pdf/2205.11487.pdf). Guidance scale is enabled by setting `guidance_scale > 1`. Higher guidance scale encourages to generate images that are closely linked to the text `prompt`, usually at the expense of lower image quality. num_images_per_prompt (`int`, *optional*, defaults to 1): The number of images to generate per prompt. eta (`float`, *optional*, defaults to 0.0): Corresponds to parameter eta (η) in the DDIM paper: https://arxiv.org/abs/2010.02502. Only applies to [`schedulers.DDIMScheduler`], will be ignored for others. generator (`torch.Generator`, *optional*): A [torch generator](https://pytorch.org/docs/stable/generated/torch.Generator.html) to make generation deterministic. max_embeddings_multiples (`int`, *optional*, defaults to `3`): The max multiple length of prompt embeddings compared to the max output length of text encoder. output_type (`str`, *optional*, defaults to `"pil"`): The output format of the generate image. Choose between [PIL](https://pillow.readthedocs.io/en/stable/): `PIL.Image.Image` or `np.array`. return_dict (`bool`, *optional*, defaults to `True`): Whether or not to return a [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] instead of a plain tuple. callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. The function will be called with the following arguments: `callback(step: int, timestep: int, latents: torch.FloatTensor)`. is_cancelled_callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. If the function returns `True`, the inference will be cancelled. callback_steps (`int`, *optional*, defaults to 1): The frequency at which the `callback` function will be called. If not specified, the callback will be called at every step. Returns: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] or `tuple`: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] if `return_dict` is True, otherwise a `tuple. When returning a tuple, the first element is a list with the generated images, and the second element is a list of `bool`s denoting whether the corresponding generated image likely represents "not-safe-for-work" (nsfw) content, according to the `safety_checker`. """ return self.__call__( prompt=prompt, negative_prompt=negative_prompt, image=image, num_inference_steps=num_inference_steps, guidance_scale=guidance_scale, strength=strength, num_images_per_prompt=num_images_per_prompt, eta=eta, generator=generator, max_embeddings_multiples=max_embeddings_multiples, output_type=output_type, return_dict=return_dict, callback=callback, is_cancelled_callback=is_cancelled_callback, callback_steps=callback_steps, ) def inpaint( self, image: Union[torch.FloatTensor, PIL.Image.Image], mask_image: Union[torch.FloatTensor, PIL.Image.Image], prompt: Union[str, List[str]], negative_prompt: Optional[Union[str, List[str]]] = None, strength: float = 0.8, num_inference_steps: Optional[int] = 50, guidance_scale: Optional[float] = 7.5, num_images_per_prompt: Optional[int] = 1, eta: Optional[float] = 0.0, generator: Optional[torch.Generator] = None, max_embeddings_multiples: Optional[int] = 3, output_type: Optional[str] = "pil", return_dict: bool = True, callback: Optional[Callable[[int, int, torch.FloatTensor], None]] = None, is_cancelled_callback: Optional[Callable[[], bool]] = None, callback_steps: int = 1, ): r""" Function for inpaint. Args: image (`torch.FloatTensor` or `PIL.Image.Image`): `Image`, or tensor representing an image batch, that will be used as the starting point for the process. This is the image whose masked region will be inpainted. mask_image (`torch.FloatTensor` or `PIL.Image.Image`): `Image`, or tensor representing an image batch, to mask `image`. White pixels in the mask will be replaced by noise and therefore repainted, while black pixels will be preserved. If `mask_image` is a PIL image, it will be converted to a single channel (luminance) before use. If it's a tensor, it should contain one color channel (L) instead of 3, so the expected shape would be `(B, H, W, 1)`. prompt (`str` or `List[str]`): The prompt or prompts to guide the image generation. negative_prompt (`str` or `List[str]`, *optional*): The prompt or prompts not to guide the image generation. Ignored when not using guidance (i.e., ignored if `guidance_scale` is less than `1`). strength (`float`, *optional*, defaults to 0.8): Conceptually, indicates how much to inpaint the masked area. Must be between 0 and 1. When `strength` is 1, the denoising process will be run on the masked area for the full number of iterations specified in `num_inference_steps`. `image` will be used as a reference for the masked area, adding more noise to that region the larger the `strength`. If `strength` is 0, no inpainting will occur. num_inference_steps (`int`, *optional*, defaults to 50): The reference number of denoising steps. More denoising steps usually lead to a higher quality image at the expense of slower inference. This parameter will be modulated by `strength`, as explained above. guidance_scale (`float`, *optional*, defaults to 7.5): Guidance scale as defined in [Classifier-Free Diffusion Guidance](https://arxiv.org/abs/2207.12598). `guidance_scale` is defined as `w` of equation 2. of [Imagen Paper](https://arxiv.org/pdf/2205.11487.pdf). Guidance scale is enabled by setting `guidance_scale > 1`. Higher guidance scale encourages to generate images that are closely linked to the text `prompt`, usually at the expense of lower image quality. num_images_per_prompt (`int`, *optional*, defaults to 1): The number of images to generate per prompt. eta (`float`, *optional*, defaults to 0.0): Corresponds to parameter eta (η) in the DDIM paper: https://arxiv.org/abs/2010.02502. Only applies to [`schedulers.DDIMScheduler`], will be ignored for others. generator (`torch.Generator`, *optional*): A [torch generator](https://pytorch.org/docs/stable/generated/torch.Generator.html) to make generation deterministic. max_embeddings_multiples (`int`, *optional*, defaults to `3`): The max multiple length of prompt embeddings compared to the max output length of text encoder. output_type (`str`, *optional*, defaults to `"pil"`): The output format of the generate image. Choose between [PIL](https://pillow.readthedocs.io/en/stable/): `PIL.Image.Image` or `np.array`. return_dict (`bool`, *optional*, defaults to `True`): Whether or not to return a [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] instead of a plain tuple. callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. The function will be called with the following arguments: `callback(step: int, timestep: int, latents: torch.FloatTensor)`. is_cancelled_callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. If the function returns `True`, the inference will be cancelled. callback_steps (`int`, *optional*, defaults to 1): The frequency at which the `callback` function will be called. If not specified, the callback will be called at every step. Returns: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] or `tuple`: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] if `return_dict` is True, otherwise a `tuple. When returning a tuple, the first element is a list with the generated images, and the second element is a list of `bool`s denoting whether the corresponding generated image likely represents "not-safe-for-work" (nsfw) content, according to the `safety_checker`. """ return self.__call__( prompt=prompt, negative_prompt=negative_prompt, image=image, mask_image=mask_image, num_inference_steps=num_inference_steps, guidance_scale=guidance_scale, strength=strength, num_images_per_prompt=num_images_per_prompt, eta=eta, generator=generator, max_embeddings_multiples=max_embeddings_multiples, output_type=output_type, return_dict=return_dict, callback=callback, is_cancelled_callback=is_cancelled_callback, callback_steps=callback_steps, ) ================================================ FILE: library/lumina_models.py ================================================ # Copyright Alpha VLLM/Lumina Image 2.0 and contributors # Copyright (c) Meta Platforms, Inc. and affiliates. # All rights reserved. # # Licensed under the Apache License, Version 2.0 (the "License"); # you may not use this file except in compliance with the License. # You may obtain a copy of the License at # # http://www.apache.org/licenses/LICENSE-2.0 # # Unless required by applicable law or agreed to in writing, software # distributed under the License is distributed on an "AS IS" BASIS, # WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. # See the License for the specific language governing permissions and # limitations under the License. # # References: # GLIDE: https://github.com/openai/glide-text2im # MAE: https://github.com/facebookresearch/mae/blob/main/models_mae.py # -------------------------------------------------------- import math from typing import List, Optional, Tuple from dataclasses import dataclass import torch from torch import Tensor from torch.utils.checkpoint import checkpoint import torch.nn as nn import torch.nn.functional as F from library import custom_offloading_utils try: from flash_attn import flash_attn_varlen_func from flash_attn.bert_padding import index_first_axis, pad_input, unpad_input # noqa except ImportError: # flash_attn may not be available but it is not required pass try: from sageattention import sageattn except ImportError: pass try: from apex.normalization import FusedRMSNorm as RMSNorm except ImportError: import warnings warnings.warn("Cannot import apex RMSNorm, switch to vanilla implementation") ############################################################################# # RMSNorm # ############################################################################# class RMSNorm(torch.nn.Module): def __init__(self, dim: int, eps: float = 1e-6): """ Initialize the RMSNorm normalization layer. Args: dim (int): The dimension of the input tensor. eps (float, optional): A small value added to the denominator for numerical stability. Default is 1e-6. Attributes: eps (float): A small value added to the denominator for numerical stability. weight (nn.Parameter): Learnable scaling parameter. """ super().__init__() self.eps = eps self.weight = nn.Parameter(torch.ones(dim)) def _norm(self, x) -> Tensor: """ Apply the RMSNorm normalization to the input tensor. Args: x (torch.Tensor): The input tensor. Returns: torch.Tensor: The normalized tensor. """ return x * torch.rsqrt(x.float().pow(2).mean(-1, keepdim=True) + self.eps) def forward(self, x: Tensor): """ Apply RMSNorm to the input tensor. Args: x (torch.Tensor): The input tensor. Returns: torch.Tensor: The normalized tensor. """ x_dtype = x.dtype # To handle float8 we need to convert the tensor to float x = x.float() rrms = torch.rsqrt(torch.mean(x**2, dim=-1, keepdim=True) + self.eps) return ((x * rrms) * self.weight.float()).to(dtype=x_dtype) @dataclass class LuminaParams: """Parameters for Lumina model configuration""" patch_size: int = 2 in_channels: int = 4 dim: int = 4096 n_layers: int = 30 n_refiner_layers: int = 2 n_heads: int = 24 n_kv_heads: int = 8 multiple_of: int = 256 axes_dims: List[int] = None axes_lens: List[int] = None qk_norm: bool = False ffn_dim_multiplier: Optional[float] = None norm_eps: float = 1e-5 scaling_factor: float = 1.0 cap_feat_dim: int = 32 def __post_init__(self): if self.axes_dims is None: self.axes_dims = [36, 36, 36] if self.axes_lens is None: self.axes_lens = [300, 512, 512] @classmethod def get_2b_config(cls) -> "LuminaParams": """Returns the configuration for the 2B parameter model""" return cls( patch_size=2, in_channels=16, # VAE channels dim=2304, n_layers=26, n_heads=24, n_kv_heads=8, axes_dims=[32, 32, 32], axes_lens=[300, 512, 512], qk_norm=True, cap_feat_dim=2304, # Gemma 2 hidden_size ) @classmethod def get_7b_config(cls) -> "LuminaParams": """Returns the configuration for the 7B parameter model""" return cls( patch_size=2, dim=4096, n_layers=32, n_heads=32, n_kv_heads=8, axes_dims=[64, 64, 64], axes_lens=[300, 512, 512], ) class GradientCheckpointMixin(nn.Module): def __init__(self, *args, **kwargs) -> None: super().__init__(*args, **kwargs) self.gradient_checkpointing = False self.cpu_offload_checkpointing = False def enable_gradient_checkpointing(self, cpu_offload: bool = False): self.gradient_checkpointing = True def disable_gradient_checkpointing(self, cpu_offload: bool = False): self.gradient_checkpointing = False def forward(self, *args, **kwargs): if self.training and self.gradient_checkpointing: return checkpoint(self._forward, *args, use_reentrant=False, **kwargs) else: return self._forward(*args, **kwargs) def modulate(x, scale): return x * (1 + scale.unsqueeze(1)) ############################################################################# # Embedding Layers for Timesteps and Class Labels # ############################################################################# class TimestepEmbedder(GradientCheckpointMixin): """ Embeds scalar timesteps into vector representations. """ def __init__(self, hidden_size, frequency_embedding_size=256): super().__init__() self.mlp = nn.Sequential( nn.Linear( frequency_embedding_size, hidden_size, bias=True, ), nn.SiLU(), nn.Linear( hidden_size, hidden_size, bias=True, ), ) nn.init.normal_(self.mlp[0].weight, std=0.02) nn.init.zeros_(self.mlp[0].bias) nn.init.normal_(self.mlp[2].weight, std=0.02) nn.init.zeros_(self.mlp[2].bias) self.frequency_embedding_size = frequency_embedding_size @staticmethod def timestep_embedding(t, dim, max_period=10000): """ Create sinusoidal timestep embeddings. :param t: a 1-D Tensor of N indices, one per batch element. These may be fractional. :param dim: the dimension of the output. :param max_period: controls the minimum frequency of the embeddings. :return: an (N, D) Tensor of positional embeddings. """ # https://github.com/openai/glide-text2im/blob/main/glide_text2im/nn.py half = dim // 2 freqs = torch.exp(-math.log(max_period) * torch.arange(start=0, end=half, dtype=torch.float32) / half).to(device=t.device) args = t[:, None].float() * freqs[None] embedding = torch.cat([torch.cos(args), torch.sin(args)], dim=-1) if dim % 2: embedding = torch.cat([embedding, torch.zeros_like(embedding[:, :1])], dim=-1) return embedding def _forward(self, t): t_freq = self.timestep_embedding(t, self.frequency_embedding_size) t_emb = self.mlp(t_freq.to(self.mlp[0].weight.dtype)) return t_emb def to_cuda(x): if isinstance(x, torch.Tensor): return x.cuda() elif isinstance(x, (list, tuple)): return [to_cuda(elem) for elem in x] elif isinstance(x, dict): return {k: to_cuda(v) for k, v in x.items()} else: return x def to_cpu(x): if isinstance(x, torch.Tensor): return x.cpu() elif isinstance(x, (list, tuple)): return [to_cpu(elem) for elem in x] elif isinstance(x, dict): return {k: to_cpu(v) for k, v in x.items()} else: return x ############################################################################# # Core NextDiT Model # ############################################################################# class JointAttention(nn.Module): """Multi-head attention module.""" def __init__( self, dim: int, n_heads: int, n_kv_heads: Optional[int], qk_norm: bool, use_flash_attn=False, use_sage_attn=False, ): """ Initialize the Attention module. Args: dim (int): Number of input dimensions. n_heads (int): Number of heads. n_kv_heads (Optional[int]): Number of kv heads, if using GQA. qk_norm (bool): Whether to use normalization for queries and keys. """ super().__init__() self.n_kv_heads = n_heads if n_kv_heads is None else n_kv_heads self.n_local_heads = n_heads self.n_local_kv_heads = self.n_kv_heads self.n_rep = self.n_local_heads // self.n_local_kv_heads self.head_dim = dim // n_heads self.qkv = nn.Linear( dim, (n_heads + self.n_kv_heads + self.n_kv_heads) * self.head_dim, bias=False, ) nn.init.xavier_uniform_(self.qkv.weight) self.out = nn.Linear( n_heads * self.head_dim, dim, bias=False, ) nn.init.xavier_uniform_(self.out.weight) if qk_norm: self.q_norm = RMSNorm(self.head_dim) self.k_norm = RMSNorm(self.head_dim) else: self.q_norm = self.k_norm = nn.Identity() self.use_flash_attn = use_flash_attn self.use_sage_attn = use_sage_attn if use_sage_attn : self.attention_processor = self.sage_attn else: # self.attention_processor = xformers.ops.memory_efficient_attention self.attention_processor = F.scaled_dot_product_attention def set_attention_processor(self, attention_processor): self.attention_processor = attention_processor def get_attention_processor(self): return self.attention_processor def forward( self, x: Tensor, x_mask: Tensor, freqs_cis: Tensor, ) -> Tensor: """ Args: x: x_mask: freqs_cis: """ bsz, seqlen, _ = x.shape dtype = x.dtype xq, xk, xv = torch.split( self.qkv(x), [ self.n_local_heads * self.head_dim, self.n_local_kv_heads * self.head_dim, self.n_local_kv_heads * self.head_dim, ], dim=-1, ) xq = xq.view(bsz, seqlen, self.n_local_heads, self.head_dim) xk = xk.view(bsz, seqlen, self.n_local_kv_heads, self.head_dim) xv = xv.view(bsz, seqlen, self.n_local_kv_heads, self.head_dim) xq = self.q_norm(xq) xk = self.k_norm(xk) xq = apply_rope(xq, freqs_cis=freqs_cis) xk = apply_rope(xk, freqs_cis=freqs_cis) xq, xk = xq.to(dtype), xk.to(dtype) softmax_scale = math.sqrt(1 / self.head_dim) if self.use_sage_attn: # Handle GQA (Grouped Query Attention) if needed n_rep = self.n_local_heads // self.n_local_kv_heads if n_rep > 1: xk = xk.unsqueeze(3).repeat(1, 1, 1, n_rep, 1).flatten(2, 3) xv = xv.unsqueeze(3).repeat(1, 1, 1, n_rep, 1).flatten(2, 3) output = self.sage_attn(xq, xk, xv, x_mask, softmax_scale) elif self.use_flash_attn: output = self.flash_attn(xq, xk, xv, x_mask, softmax_scale) else: n_rep = self.n_local_heads // self.n_local_kv_heads if n_rep > 1: xk = xk.unsqueeze(3).repeat(1, 1, 1, n_rep, 1).flatten(2, 3) xv = xv.unsqueeze(3).repeat(1, 1, 1, n_rep, 1).flatten(2, 3) output = ( self.attention_processor( xq.permute(0, 2, 1, 3), xk.permute(0, 2, 1, 3), xv.permute(0, 2, 1, 3), attn_mask=x_mask.bool().view(bsz, 1, 1, seqlen).expand(-1, self.n_local_heads, seqlen, -1), scale=softmax_scale, ) .permute(0, 2, 1, 3) .to(dtype) ) output = output.flatten(-2) return self.out(output) # copied from huggingface modeling_llama.py def _upad_input(self, query_layer, key_layer, value_layer, attention_mask, query_length): def _get_unpad_data(attention_mask): seqlens_in_batch = attention_mask.sum(dim=-1, dtype=torch.int32) indices = torch.nonzero(attention_mask.flatten(), as_tuple=False).flatten() max_seqlen_in_batch = seqlens_in_batch.max().item() cu_seqlens = F.pad(torch.cumsum(seqlens_in_batch, dim=0, dtype=torch.int32), (1, 0)) return ( indices, cu_seqlens, max_seqlen_in_batch, ) indices_k, cu_seqlens_k, max_seqlen_in_batch_k = _get_unpad_data(attention_mask) batch_size, kv_seq_len, num_key_value_heads, head_dim = key_layer.shape key_layer = index_first_axis( key_layer.reshape(batch_size * kv_seq_len, num_key_value_heads, head_dim), indices_k, ) value_layer = index_first_axis( value_layer.reshape(batch_size * kv_seq_len, num_key_value_heads, head_dim), indices_k, ) if query_length == kv_seq_len: query_layer = index_first_axis( query_layer.reshape(batch_size * kv_seq_len, self.n_local_heads, head_dim), indices_k, ) cu_seqlens_q = cu_seqlens_k max_seqlen_in_batch_q = max_seqlen_in_batch_k indices_q = indices_k elif query_length == 1: max_seqlen_in_batch_q = 1 cu_seqlens_q = torch.arange( batch_size + 1, dtype=torch.int32, device=query_layer.device ) # There is a memcpy here, that is very bad. indices_q = cu_seqlens_q[:-1] query_layer = query_layer.squeeze(1) else: # The -q_len: slice assumes left padding. attention_mask = attention_mask[:, -query_length:] query_layer, indices_q, cu_seqlens_q, max_seqlen_in_batch_q = unpad_input(query_layer, attention_mask) return ( query_layer, key_layer, value_layer, indices_q, (cu_seqlens_q, cu_seqlens_k), (max_seqlen_in_batch_q, max_seqlen_in_batch_k), ) def sage_attn(self, q: Tensor, k: Tensor, v: Tensor, x_mask: Tensor, softmax_scale: float): try: bsz = q.shape[0] seqlen = q.shape[1] # Transpose to SageAttention's expected HND layout: [batch, heads, seq_len, head_dim] q_transposed = q.permute(0, 2, 1, 3) k_transposed = k.permute(0, 2, 1, 3) v_transposed = v.permute(0, 2, 1, 3) # Fast path: if all tokens are valid, run batched SageAttention directly if x_mask.all(): output = sageattn( q_transposed, k_transposed, v_transposed, tensor_layout="HND", is_causal=False, sm_scale=softmax_scale, ) # output: [batch, heads, seq_len, head_dim] -> [batch, seq_len, heads, head_dim] output = output.permute(0, 2, 1, 3) else: # Slow path: per-batch loop to handle variable-length masking # SageAttention does not support attention masks natively outputs = [] for b in range(bsz): valid_indices = x_mask[b].nonzero(as_tuple=True)[0] if valid_indices.numel() == 0: outputs.append(torch.zeros( seqlen, self.n_local_heads, self.head_dim, device=q.device, dtype=q.dtype, )) continue batch_output_valid = sageattn( q_transposed[b:b+1, :, valid_indices, :], k_transposed[b:b+1, :, valid_indices, :], v_transposed[b:b+1, :, valid_indices, :], tensor_layout="HND", is_causal=False, sm_scale=softmax_scale, ) batch_output = torch.zeros( seqlen, self.n_local_heads, self.head_dim, device=q.device, dtype=q.dtype, ) batch_output[valid_indices] = batch_output_valid.squeeze(0).permute(1, 0, 2) outputs.append(batch_output) output = torch.stack(outputs, dim=0) except NameError as e: raise RuntimeError( f"Could not load Sage Attention. Please install https://github.com/thu-ml/SageAttention. / Sage Attention を読み込めませんでした。https://github.com/thu-ml/SageAttention をインストールしてください。 / {e}" ) return output def flash_attn( self, q: Tensor, k: Tensor, v: Tensor, x_mask: Tensor, softmax_scale, ) -> Tensor: bsz, seqlen, _, _ = q.shape try: # begin var_len flash attn ( query_states, key_states, value_states, indices_q, cu_seq_lens, max_seq_lens, ) = self._upad_input(q, k, v, x_mask, seqlen) cu_seqlens_q, cu_seqlens_k = cu_seq_lens max_seqlen_in_batch_q, max_seqlen_in_batch_k = max_seq_lens attn_output_unpad = flash_attn_varlen_func( query_states, key_states, value_states, cu_seqlens_q=cu_seqlens_q, cu_seqlens_k=cu_seqlens_k, max_seqlen_q=max_seqlen_in_batch_q, max_seqlen_k=max_seqlen_in_batch_k, dropout_p=0.0, causal=False, softmax_scale=softmax_scale, ) output = pad_input(attn_output_unpad, indices_q, bsz, seqlen) # end var_len_flash_attn return output except NameError as e: raise RuntimeError( f"Could not load flash attention. Please install flash_attn. / フラッシュアテンションを読み込めませんでした。flash_attn をインストールしてください。 / {e}" ) def apply_rope( x_in: torch.Tensor, freqs_cis: torch.Tensor, ) -> torch.Tensor: """ Apply rotary embeddings to input tensors using the given frequency tensor. This function applies rotary embeddings to the given query 'xq' and key 'xk' tensors using the provided frequency tensor 'freqs_cis'. The input tensors are reshaped as complex numbers, and the frequency tensor is reshaped for broadcasting compatibility. The resulting tensors contain rotary embeddings and are returned as real tensors. Args: x_in (torch.Tensor): Query or Key tensor to apply rotary embeddings. freqs_cis (torch.Tensor): Precomputed frequency tensor for complex exponentials. Returns: Tuple[torch.Tensor, torch.Tensor]: Tuple of modified query tensor and key tensor with rotary embeddings. """ with torch.autocast("cuda", enabled=False): x = torch.view_as_complex(x_in.float().reshape(*x_in.shape[:-1], -1, 2)) freqs_cis = freqs_cis.unsqueeze(2) x_out = torch.view_as_real(x * freqs_cis).flatten(3) return x_out.type_as(x_in) class FeedForward(nn.Module): def __init__( self, dim: int, hidden_dim: int, multiple_of: int, ffn_dim_multiplier: Optional[float], ): """ Initialize the FeedForward module. Args: dim (int): Input dimension. hidden_dim (int): Hidden dimension of the feedforward layer. multiple_of (int): Value to ensure hidden dimension is a multiple of this value. ffn_dim_multiplier (float, optional): Custom multiplier for hidden dimension. Defaults to None. """ super().__init__() # custom dim factor multiplier if ffn_dim_multiplier is not None: hidden_dim = int(ffn_dim_multiplier * hidden_dim) hidden_dim = multiple_of * ((hidden_dim + multiple_of - 1) // multiple_of) self.w1 = nn.Linear( dim, hidden_dim, bias=False, ) nn.init.xavier_uniform_(self.w1.weight) self.w2 = nn.Linear( hidden_dim, dim, bias=False, ) nn.init.xavier_uniform_(self.w2.weight) self.w3 = nn.Linear( dim, hidden_dim, bias=False, ) nn.init.xavier_uniform_(self.w3.weight) # @torch.compile def _forward_silu_gating(self, x1, x3): return F.silu(x1) * x3 def forward(self, x): return self.w2(self._forward_silu_gating(self.w1(x), self.w3(x))) class JointTransformerBlock(GradientCheckpointMixin): def __init__( self, layer_id: int, dim: int, n_heads: int, n_kv_heads: Optional[int], multiple_of: int, ffn_dim_multiplier: Optional[float], norm_eps: float, qk_norm: bool, modulation=True, use_flash_attn=False, use_sage_attn=False, ) -> None: """ Initialize a TransformerBlock. Args: layer_id (int): Identifier for the layer. dim (int): Embedding dimension of the input features. n_heads (int): Number of attention heads. n_kv_heads (Optional[int]): Number of attention heads in key and value features (if using GQA), or set to None for the same as query. multiple_of (int): Number of multiple of the hidden dimension. ffn_dim_multiplier (Optional[float]): Dimension multiplier for the feedforward layer. norm_eps (float): Epsilon value for normalization. qk_norm (bool): Whether to use normalization for queries and keys. modulation (bool): Whether to use modulation for the attention layer. """ super().__init__() self.dim = dim self.head_dim = dim // n_heads self.attention = JointAttention(dim, n_heads, n_kv_heads, qk_norm, use_flash_attn=use_flash_attn, use_sage_attn=use_sage_attn) self.feed_forward = FeedForward( dim=dim, hidden_dim=4 * dim, multiple_of=multiple_of, ffn_dim_multiplier=ffn_dim_multiplier, ) self.layer_id = layer_id self.attention_norm1 = RMSNorm(dim, eps=norm_eps) self.ffn_norm1 = RMSNorm(dim, eps=norm_eps) self.attention_norm2 = RMSNorm(dim, eps=norm_eps) self.ffn_norm2 = RMSNorm(dim, eps=norm_eps) self.modulation = modulation if modulation: self.adaLN_modulation = nn.Sequential( nn.SiLU(), nn.Linear( min(dim, 1024), 4 * dim, bias=True, ), ) nn.init.zeros_(self.adaLN_modulation[1].weight) nn.init.zeros_(self.adaLN_modulation[1].bias) def _forward( self, x: torch.Tensor, x_mask: torch.Tensor, pe: torch.Tensor, adaln_input: Optional[torch.Tensor] = None, ): """ Perform a forward pass through the TransformerBlock. Args: x (Tensor): Input tensor. pe (Tensor): Rope position embedding. Returns: Tensor: Output tensor after applying attention and feedforward layers. """ if self.modulation: assert adaln_input is not None scale_msa, gate_msa, scale_mlp, gate_mlp = self.adaLN_modulation(adaln_input).chunk(4, dim=1) x = x + gate_msa.unsqueeze(1).tanh() * self.attention_norm2( self.attention( modulate(self.attention_norm1(x), scale_msa), x_mask, pe, ) ) x = x + gate_mlp.unsqueeze(1).tanh() * self.ffn_norm2( self.feed_forward( modulate(self.ffn_norm1(x), scale_mlp), ) ) else: assert adaln_input is None x = x + self.attention_norm2( self.attention( self.attention_norm1(x), x_mask, pe, ) ) x = x + self.ffn_norm2( self.feed_forward( self.ffn_norm1(x), ) ) return x class FinalLayer(GradientCheckpointMixin): """ The final layer of NextDiT. """ def __init__(self, hidden_size, patch_size, out_channels): """ Initialize the FinalLayer. Args: hidden_size (int): Hidden size of the input features. patch_size (int): Patch size of the input features. out_channels (int): Number of output channels. """ super().__init__() self.norm_final = nn.LayerNorm( hidden_size, elementwise_affine=False, eps=1e-6, ) self.linear = nn.Linear( hidden_size, patch_size * patch_size * out_channels, bias=True, ) nn.init.zeros_(self.linear.weight) nn.init.zeros_(self.linear.bias) self.adaLN_modulation = nn.Sequential( nn.SiLU(), nn.Linear( min(hidden_size, 1024), hidden_size, bias=True, ), ) nn.init.zeros_(self.adaLN_modulation[1].weight) nn.init.zeros_(self.adaLN_modulation[1].bias) def forward(self, x, c): scale = self.adaLN_modulation(c) x = modulate(self.norm_final(x), scale) x = self.linear(x) return x class RopeEmbedder: def __init__( self, theta: float = 10000.0, axes_dims: List[int] = [16, 56, 56], axes_lens: List[int] = [1, 512, 512], ): super().__init__() self.theta = theta self.axes_dims = axes_dims self.axes_lens = axes_lens self.freqs_cis = NextDiT.precompute_freqs_cis(self.axes_dims, self.axes_lens, theta=self.theta) def __call__(self, ids: torch.Tensor): device = ids.device self.freqs_cis = [freqs_cis.to(ids.device) for freqs_cis in self.freqs_cis] result = [] for i in range(len(self.axes_dims)): freqs = self.freqs_cis[i].to(ids.device) index = ids[:, :, i : i + 1].repeat(1, 1, freqs.shape[-1]).to(torch.int64) result.append(torch.gather(freqs.unsqueeze(0).repeat(index.shape[0], 1, 1), dim=1, index=index)) return torch.cat(result, dim=-1) class NextDiT(nn.Module): """ Diffusion model with a Transformer backbone. """ def __init__( self, patch_size: int = 2, in_channels: int = 4, dim: int = 4096, n_layers: int = 32, n_refiner_layers: int = 2, n_heads: int = 32, n_kv_heads: Optional[int] = None, multiple_of: int = 256, ffn_dim_multiplier: Optional[float] = None, norm_eps: float = 1e-5, qk_norm: bool = False, cap_feat_dim: int = 5120, axes_dims: List[int] = [16, 56, 56], axes_lens: List[int] = [1, 512, 512], use_flash_attn=False, use_sage_attn=False, ) -> None: """ Initialize the NextDiT model. Args: patch_size (int): Patch size of the input features. in_channels (int): Number of input channels. dim (int): Hidden size of the input features. n_layers (int): Number of Transformer layers. n_refiner_layers (int): Number of refiner layers. n_heads (int): Number of attention heads. n_kv_heads (Optional[int]): Number of attention heads in key and value features (if using GQA), or set to None for the same as query. multiple_of (int): Multiple of the hidden size. ffn_dim_multiplier (Optional[float]): Dimension multiplier for the feedforward layer. norm_eps (float): Epsilon value for normalization. qk_norm (bool): Whether to use query key normalization. cap_feat_dim (int): Dimension of the caption features. axes_dims (List[int]): List of dimensions for the axes. axes_lens (List[int]): List of lengths for the axes. use_flash_attn (bool): Whether to use Flash Attention. use_sage_attn (bool): Whether to use Sage Attention. Sage Attention only supports inference. Returns: None """ super().__init__() self.in_channels = in_channels self.out_channels = in_channels self.patch_size = patch_size self.t_embedder = TimestepEmbedder(min(dim, 1024)) self.cap_embedder = nn.Sequential( RMSNorm(cap_feat_dim, eps=norm_eps), nn.Linear( cap_feat_dim, dim, bias=True, ), ) nn.init.trunc_normal_(self.cap_embedder[1].weight, std=0.02) nn.init.zeros_(self.cap_embedder[1].bias) self.context_refiner = nn.ModuleList( [ JointTransformerBlock( layer_id, dim, n_heads, n_kv_heads, multiple_of, ffn_dim_multiplier, norm_eps, qk_norm, modulation=False, ) for layer_id in range(n_refiner_layers) ] ) self.x_embedder = nn.Linear( in_features=patch_size * patch_size * in_channels, out_features=dim, bias=True, ) nn.init.xavier_uniform_(self.x_embedder.weight) nn.init.constant_(self.x_embedder.bias, 0.0) self.noise_refiner = nn.ModuleList( [ JointTransformerBlock( layer_id, dim, n_heads, n_kv_heads, multiple_of, ffn_dim_multiplier, norm_eps, qk_norm, modulation=True, ) for layer_id in range(n_refiner_layers) ] ) self.layers = nn.ModuleList( [ JointTransformerBlock( layer_id, dim, n_heads, n_kv_heads, multiple_of, ffn_dim_multiplier, norm_eps, qk_norm, use_flash_attn=use_flash_attn, use_sage_attn=use_sage_attn, ) for layer_id in range(n_layers) ] ) self.norm_final = RMSNorm(dim, eps=norm_eps) self.final_layer = FinalLayer(dim, patch_size, self.out_channels) assert (dim // n_heads) == sum(axes_dims) self.axes_dims = axes_dims self.axes_lens = axes_lens self.rope_embedder = RopeEmbedder(axes_dims=axes_dims, axes_lens=axes_lens) self.dim = dim self.n_heads = n_heads self.gradient_checkpointing = False self.cpu_offload_checkpointing = False # TODO: not yet supported self.blocks_to_swap = None # TODO: not yet supported @property def device(self): return next(self.parameters()).device @property def dtype(self): return next(self.parameters()).dtype def enable_gradient_checkpointing(self, cpu_offload: bool = False): self.gradient_checkpointing = True self.cpu_offload_checkpointing = cpu_offload self.t_embedder.enable_gradient_checkpointing() for block in self.layers + self.context_refiner + self.noise_refiner: block.enable_gradient_checkpointing(cpu_offload=cpu_offload) self.final_layer.enable_gradient_checkpointing() print(f"Lumina: Gradient checkpointing enabled. CPU offload: {cpu_offload}") def disable_gradient_checkpointing(self): self.gradient_checkpointing = False self.cpu_offload_checkpointing = False self.t_embedder.disable_gradient_checkpointing() for block in self.layers + self.context_refiner + self.noise_refiner: block.disable_gradient_checkpointing() self.final_layer.disable_gradient_checkpointing() print("Lumina: Gradient checkpointing disabled.") def unpatchify( self, x: Tensor, width: int, height: int, encoder_seq_lengths: List[int], seq_lengths: List[int], ) -> Tensor: """ Unpatchify the input tensor and embed the caption features. x: (N, T, patch_size**2 * C) imgs: (N, H, W, C) Args: x (Tensor): Input tensor. width (int): Width of the input tensor. height (int): Height of the input tensor. encoder_seq_lengths (List[int]): List of encoder sequence lengths. seq_lengths (List[int]): List of sequence lengths Returns: output: (N, C, H, W) """ pH = pW = self.patch_size output = [] for i, (encoder_seq_len, seq_len) in enumerate(zip(encoder_seq_lengths, seq_lengths)): output.append( x[i][encoder_seq_len:seq_len] .view(height // pH, width // pW, pH, pW, self.out_channels) .permute(4, 0, 2, 1, 3) .flatten(3, 4) .flatten(1, 2) ) output = torch.stack(output, dim=0) return output def patchify_and_embed( self, x: Tensor, cap_feats: Tensor, cap_mask: Tensor, t: Tensor, ) -> Tuple[Tensor, Tensor, Tensor, List[int], List[int]]: """ Patchify and embed the input image and caption features. Args: x: (N, C, H, W) image latents cap_feats: (N, C, D) caption features cap_mask: (N, C, D) caption attention mask t: (N), T timesteps Returns: Tuple[Tensor, Tensor, Tensor, List[int], List[int]]: return x, attention_mask, freqs_cis, l_effective_cap_len, seq_lengths """ bsz, channels, height, width = x.shape pH = pW = self.patch_size device = x.device l_effective_cap_len = cap_mask.sum(dim=1).tolist() encoder_seq_len = cap_mask.shape[1] image_seq_len = (height // self.patch_size) * (width // self.patch_size) seq_lengths = [cap_seq_len + image_seq_len for cap_seq_len in l_effective_cap_len] max_seq_len = max(seq_lengths) position_ids = torch.zeros(bsz, max_seq_len, 3, dtype=torch.int32, device=device) for i, (cap_len, seq_len) in enumerate(zip(l_effective_cap_len, seq_lengths)): H_tokens, W_tokens = height // pH, width // pW position_ids[i, :cap_len, 0] = torch.arange(cap_len, dtype=torch.int32, device=device) position_ids[i, cap_len:seq_len, 0] = cap_len row_ids = torch.arange(H_tokens, dtype=torch.int32, device=device).view(-1, 1).repeat(1, W_tokens).flatten() col_ids = torch.arange(W_tokens, dtype=torch.int32, device=device).view(1, -1).repeat(H_tokens, 1).flatten() position_ids[i, cap_len:seq_len, 1] = row_ids position_ids[i, cap_len:seq_len, 2] = col_ids # Get combined rotary embeddings freqs_cis = self.rope_embedder(position_ids) # Create separate rotary embeddings for captions and images cap_freqs_cis = torch.zeros( bsz, encoder_seq_len, freqs_cis.shape[-1], device=device, dtype=freqs_cis.dtype, ) img_freqs_cis = torch.zeros( bsz, image_seq_len, freqs_cis.shape[-1], device=device, dtype=freqs_cis.dtype, ) for i, (cap_len, seq_len) in enumerate(zip(l_effective_cap_len, seq_lengths)): cap_freqs_cis[i, :cap_len] = freqs_cis[i, :cap_len] img_freqs_cis[i, :image_seq_len] = freqs_cis[i, cap_len:seq_len] # Refine caption context for layer in self.context_refiner: cap_feats = layer(cap_feats, cap_mask, cap_freqs_cis) x = x.view(bsz, channels, height // pH, pH, width // pW, pW).permute(0, 2, 4, 3, 5, 1).flatten(3).flatten(1, 2) # x.shape[1] == image_seq_len after patchify, so this was assigning to itself. # The mask can be set without a loop since all samples have the same image_seq_len. x_mask = torch.ones(bsz, image_seq_len, dtype=torch.bool, device=device) x = self.x_embedder(x) # Refine image context for layer in self.noise_refiner: x = layer(x, x_mask, img_freqs_cis, t) joint_hidden_states = torch.zeros(bsz, max_seq_len, self.dim, device=device, dtype=x.dtype) attention_mask = torch.zeros(bsz, max_seq_len, dtype=torch.bool, device=device) for i, (cap_len, seq_len) in enumerate(zip(l_effective_cap_len, seq_lengths)): attention_mask[i, :seq_len] = True joint_hidden_states[i, :cap_len] = cap_feats[i, :cap_len] joint_hidden_states[i, cap_len:seq_len] = x[i] x = joint_hidden_states return x, attention_mask, freqs_cis, l_effective_cap_len, seq_lengths def forward(self, x: Tensor, t: Tensor, cap_feats: Tensor, cap_mask: Tensor) -> Tensor: """ Forward pass of NextDiT. Args: x: (N, C, H, W) image latents t: (N,) tensor of diffusion timesteps cap_feats: (N, L, D) caption features cap_mask: (N, L) caption attention mask Returns: x: (N, C, H, W) denoised latents """ _, _, height, width = x.shape # B, C, H, W t = self.t_embedder(t) # (N, D) cap_feats = self.cap_embedder(cap_feats) # (N, L, D) # todo check if able to batchify w.o. redundant compute x, mask, freqs_cis, l_effective_cap_len, seq_lengths = self.patchify_and_embed(x, cap_feats, cap_mask, t) if not self.blocks_to_swap: for layer in self.layers: x = layer(x, mask, freqs_cis, t) else: for block_idx, layer in enumerate(self.layers): self.offloader_main.wait_for_block(block_idx) x = layer(x, mask, freqs_cis, t) self.offloader_main.submit_move_blocks(self.layers, block_idx) x = self.final_layer(x, t) x = self.unpatchify(x, width, height, l_effective_cap_len, seq_lengths) return x def forward_with_cfg( self, x: Tensor, t: Tensor, cap_feats: Tensor, cap_mask: Tensor, cfg_scale: float, cfg_trunc: float = 0.25, renorm_cfg: float = 1.0, ): """ Forward pass of NextDiT, but also batches the unconditional forward pass for classifier-free guidance. """ # # https://github.com/openai/glide-text2im/blob/main/notebooks/text2im.ipynb half = x[: len(x) // 2] if t[0] < cfg_trunc: combined = torch.cat([half, half], dim=0) # [2, 16, 128, 128] assert ( cap_mask.shape[0] == combined.shape[0] ), f"caption attention mask shape: {cap_mask.shape[0]} latents shape: {combined.shape[0]}" model_out = self.forward(x, t, cap_feats, cap_mask) # [2, 16, 128, 128] # For exact reproducibility reasons, we apply classifier-free guidance on only # three channels by default. The standard approach to cfg applies it to all channels. # This can be done by uncommenting the following line and commenting-out the line following that. eps, rest = ( model_out[:, : self.in_channels], model_out[:, self.in_channels :], ) cond_eps, uncond_eps = torch.split(eps, len(eps) // 2, dim=0) half_eps = uncond_eps + cfg_scale * (cond_eps - uncond_eps) if float(renorm_cfg) > 0.0: ori_pos_norm = torch.linalg.vector_norm(cond_eps, dim=tuple(range(1, len(cond_eps.shape))), keepdim=True) max_new_norm = ori_pos_norm * float(renorm_cfg) new_pos_norm = torch.linalg.vector_norm(half_eps, dim=tuple(range(1, len(half_eps.shape))), keepdim=True) if new_pos_norm >= max_new_norm: half_eps = half_eps * (max_new_norm / new_pos_norm) else: combined = half model_out = self.forward( combined, t[: len(x) // 2], cap_feats[: len(x) // 2], cap_mask[: len(x) // 2], ) eps, rest = ( model_out[:, : self.in_channels], model_out[:, self.in_channels :], ) half_eps = eps output = torch.cat([half_eps, half_eps], dim=0) return output @staticmethod def precompute_freqs_cis( dim: List[int], end: List[int], theta: float = 10000.0, ) -> List[Tensor]: """ Precompute the frequency tensor for complex exponentials (cis) with given dimensions. This function calculates a frequency tensor with complex exponentials using the given dimension 'dim' and the end index 'end'. The 'theta' parameter scales the frequencies. The returned tensor contains complex values in complex64 data type. Args: dim (list): Dimension of the frequency tensor. end (list): End index for precomputing frequencies. theta (float, optional): Scaling factor for frequency computation. Defaults to 10000.0. Returns: List[torch.Tensor]: Precomputed frequency tensor with complex exponentials. """ freqs_cis = [] freqs_dtype = torch.float32 if torch.backends.mps.is_available() else torch.float64 for i, (d, e) in enumerate(zip(dim, end)): pos = torch.arange(e, dtype=freqs_dtype, device="cpu") freqs = 1.0 / (theta ** (torch.arange(0, d, 2, dtype=freqs_dtype, device="cpu") / d)) freqs = torch.outer(pos, freqs) freqs_cis_i = torch.polar(torch.ones_like(freqs), freqs) # [S, D/2] freqs_cis.append(freqs_cis_i) return freqs_cis def parameter_count(self) -> int: total_params = 0 def _recursive_count_params(module): nonlocal total_params for param in module.parameters(recurse=False): total_params += param.numel() for submodule in module.children(): _recursive_count_params(submodule) _recursive_count_params(self) return total_params def get_fsdp_wrap_module_list(self) -> List[nn.Module]: return list(self.layers) def get_checkpointing_wrap_module_list(self) -> List[nn.Module]: return list(self.layers) def enable_block_swap(self, blocks_to_swap: int, device: torch.device): """ Enable block swapping to reduce memory usage during inference. Args: num_blocks (int): Number of blocks to swap between CPU and device device (torch.device): Device to use for computation """ self.blocks_to_swap = blocks_to_swap # Calculate how many blocks to swap from main layers assert blocks_to_swap <= len(self.layers) - 2, ( f"Cannot swap more than {len(self.layers) - 2} main blocks. " f"Requested {blocks_to_swap} blocks." ) self.offloader_main = custom_offloading_utils.ModelOffloader( self.layers, blocks_to_swap, device, debug=False ) def move_to_device_except_swap_blocks(self, device: torch.device): """ Move the model to the device except for blocks that will be swapped. This reduces temporary memory usage during model loading. Args: device (torch.device): Device to move the model to """ if self.blocks_to_swap: save_layers = self.layers self.layers = nn.ModuleList([]) self.to(device) if self.blocks_to_swap: self.layers = save_layers def prepare_block_swap_before_forward(self): """ Prepare blocks for swapping before forward pass. """ if self.blocks_to_swap is None or self.blocks_to_swap == 0: return self.offloader_main.prepare_block_devices_before_forward(self.layers) ############################################################################# # NextDiT Configs # ############################################################################# def NextDiT_2B_GQA_patch2_Adaln_Refiner(params: Optional[LuminaParams] = None, **kwargs): if params is None: params = LuminaParams.get_2b_config() return NextDiT( patch_size=params.patch_size, in_channels=params.in_channels, dim=params.dim, n_layers=params.n_layers, n_heads=params.n_heads, n_kv_heads=params.n_kv_heads, axes_dims=params.axes_dims, axes_lens=params.axes_lens, qk_norm=params.qk_norm, ffn_dim_multiplier=params.ffn_dim_multiplier, norm_eps=params.norm_eps, cap_feat_dim=params.cap_feat_dim, **kwargs, ) def NextDiT_3B_GQA_patch2_Adaln_Refiner(**kwargs): return NextDiT( patch_size=2, dim=2592, n_layers=30, n_heads=24, n_kv_heads=8, axes_dims=[36, 36, 36], axes_lens=[300, 512, 512], **kwargs, ) def NextDiT_4B_GQA_patch2_Adaln_Refiner(**kwargs): return NextDiT( patch_size=2, dim=2880, n_layers=32, n_heads=24, n_kv_heads=8, axes_dims=[40, 40, 40], axes_lens=[300, 512, 512], **kwargs, ) def NextDiT_7B_GQA_patch2_Adaln_Refiner(**kwargs): return NextDiT( patch_size=2, dim=3840, n_layers=32, n_heads=32, n_kv_heads=8, axes_dims=[40, 40, 40], axes_lens=[300, 512, 512], **kwargs, ) ================================================ FILE: library/lumina_train_util.py ================================================ import inspect import argparse import math import os import numpy as np import time from typing import Callable, Dict, List, Optional, Tuple, Any, Union, Generator import torch from torch import Tensor from accelerate import Accelerator, PartialState from transformers import Gemma2Model from tqdm import tqdm from PIL import Image from safetensors.torch import save_file from library import lumina_models, strategy_base, strategy_lumina, train_util from library.flux_models import AutoEncoder from library.device_utils import init_ipex, clean_memory_on_device from library.sd3_train_utils import FlowMatchEulerDiscreteScheduler from library.safetensors_utils import mem_eff_save_file init_ipex() from .utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) # region sample images def batchify( prompt_dicts, batch_size=None ) -> Generator[list[dict[str, str]], None, None]: """ Group prompt dictionaries into batches with configurable batch size. Args: prompt_dicts (list): List of dictionaries containing prompt parameters. batch_size (int, optional): Number of prompts per batch. Defaults to None. Yields: list[dict[str, str]]: Batch of prompts. """ # Validate batch_size if batch_size is not None: if not isinstance(batch_size, int) or batch_size <= 0: raise ValueError("batch_size must be a positive integer or None") # Group prompts by their parameters batches = {} for prompt_dict in prompt_dicts: # Extract parameters width = int(prompt_dict.get("width", 1024)) height = int(prompt_dict.get("height", 1024)) height = max(64, height - height % 8) # round to divisible by 8 width = max(64, width - width % 8) # round to divisible by 8 guidance_scale = float(prompt_dict.get("scale", 3.5)) sample_steps = int(prompt_dict.get("sample_steps", 38)) cfg_trunc_ratio = float(prompt_dict.get("cfg_trunc_ratio", 0.25)) renorm_cfg = float(prompt_dict.get("renorm_cfg", 1.0)) seed = prompt_dict.get("seed", None) seed = int(seed) if seed is not None else None # Create a key based on the parameters key = ( width, height, guidance_scale, seed, sample_steps, cfg_trunc_ratio, renorm_cfg, ) # Add the prompt_dict to the corresponding batch if key not in batches: batches[key] = [] batches[key].append(prompt_dict) # Yield each batch with its parameters for key in batches: prompts = batches[key] if batch_size is None: # Yield the entire group as a single batch yield prompts else: # Split the group into batches of size `batch_size` start = 0 while start < len(prompts): end = start + batch_size batch = prompts[start:end] yield batch start = end @torch.no_grad() def sample_images( accelerator: Accelerator, args: argparse.Namespace, epoch: int, global_step: int, nextdit: lumina_models.NextDiT, vae: AutoEncoder, gemma2_model: Gemma2Model, sample_prompts_gemma2_outputs: dict[str, Tuple[Tensor, Tensor, Tensor]], prompt_replacement: Optional[Tuple[str, str]] = None, controlnet=None, ): """ Generate sample images using the NextDiT model. Args: accelerator (Accelerator): Accelerator instance. args (argparse.Namespace): Command-line arguments. epoch (int): Current epoch number. global_step (int): Current global step number. nextdit (lumina_models.NextDiT): The NextDiT model instance. vae (AutoEncoder): The VAE module. gemma2_model (Gemma2Model): The Gemma2 model instance. sample_prompts_gemma2_outputs (dict[str, Tuple[Tensor, Tensor, Tensor]]): Dictionary of tuples containing the encoded prompts, text masks, and timestep for each sample. prompt_replacement (Optional[Tuple[str, str]], optional): Tuple containing the prompt and negative prompt replacements. Defaults to None. controlnet (): ControlNet model, not yet supported Returns: None """ if global_step == 0: if not args.sample_at_first: return else: if args.sample_every_n_steps is None and args.sample_every_n_epochs is None: return if args.sample_every_n_epochs is not None: # sample_every_n_steps は無視する if epoch is None or epoch % args.sample_every_n_epochs != 0: return else: if ( global_step % args.sample_every_n_steps != 0 or epoch is not None ): # steps is not divisible or end of epoch return assert ( args.sample_prompts is not None ), "No sample prompts found. Provide `--sample_prompts` / サンプルプロンプトが見つかりません。`--sample_prompts` を指定してください" logger.info("") logger.info( f"generating sample images at step / サンプル画像生成 ステップ: {global_step}" ) if ( not os.path.isfile(args.sample_prompts) and sample_prompts_gemma2_outputs is None ): logger.error( f"No prompt file / プロンプトファイルがありません: {args.sample_prompts}" ) return distributed_state = ( PartialState() ) # for multi gpu distributed inference. this is a singleton, so it's safe to use it here # unwrap nextdit and gemma2_model nextdit = accelerator.unwrap_model(nextdit) if gemma2_model is not None: gemma2_model = accelerator.unwrap_model(gemma2_model) # if controlnet is not None: # controlnet = accelerator.unwrap_model(controlnet) # print([(te.parameters().__next__().device if te is not None else None) for te in text_encoders]) prompts = train_util.load_prompts(args.sample_prompts) save_dir = args.output_dir + "/sample" os.makedirs(save_dir, exist_ok=True) # save random state to restore later rng_state = torch.get_rng_state() cuda_rng_state = None try: cuda_rng_state = ( torch.cuda.get_rng_state() if torch.cuda.is_available() else None ) except Exception: pass batch_size = args.sample_batch_size or args.train_batch_size or 1 if distributed_state.num_processes <= 1: # If only one device is available, just use the original prompt list. We don't need to care about the distribution of prompts. # TODO: batch prompts together with buckets of image sizes for prompt_dicts in batchify(prompts, batch_size): sample_image_inference( accelerator, args, nextdit, gemma2_model, vae, save_dir, prompt_dicts, epoch, global_step, sample_prompts_gemma2_outputs, prompt_replacement, controlnet, ) else: # Creating list with N elements, where each element is a list of prompt_dicts, and N is the number of processes available (number of devices available) # prompt_dicts are assigned to lists based on order of processes, to attempt to time the image creation time to match enum order. Probably only works when steps and sampler are identical. per_process_prompts = [] # list of lists for i in range(distributed_state.num_processes): per_process_prompts.append(prompts[i :: distributed_state.num_processes]) with distributed_state.split_between_processes( per_process_prompts ) as prompt_dict_lists: # TODO: batch prompts together with buckets of image sizes for prompt_dicts in batchify(prompt_dict_lists[0], batch_size): sample_image_inference( accelerator, args, nextdit, gemma2_model, vae, save_dir, prompt_dicts, epoch, global_step, sample_prompts_gemma2_outputs, prompt_replacement, controlnet, ) torch.set_rng_state(rng_state) if cuda_rng_state is not None: torch.cuda.set_rng_state(cuda_rng_state) clean_memory_on_device(accelerator.device) @torch.no_grad() def sample_image_inference( accelerator: Accelerator, args: argparse.Namespace, nextdit: lumina_models.NextDiT, gemma2_model: list[Gemma2Model], vae: AutoEncoder, save_dir: str, prompt_dicts: list[Dict[str, str]], epoch: int, global_step: int, sample_prompts_gemma2_outputs: dict[str, Tuple[Tensor, Tensor, Tensor]], prompt_replacement: Optional[Tuple[str, str]] = None, controlnet=None, ): """ Generates sample images Args: accelerator (Accelerator): Accelerator object args (argparse.Namespace): Arguments object nextdit (lumina_models.NextDiT): NextDiT model gemma2_model (list[Gemma2Model]): Gemma2 model vae (AutoEncoder): VAE model save_dir (str): Directory to save images prompt_dict (Dict[str, str]): Prompt dictionary epoch (int): Epoch number steps (int): Number of steps to run sample_prompts_gemma2_outputs (List[Tuple[Tensor, Tensor, Tensor]]): List of tuples containing Gemma 2 outputs prompt_replacement (Optional[Tuple[str, str]], optional): Replacement for positive and negative prompt. Defaults to None. Returns: None """ # encode prompts tokenize_strategy = strategy_base.TokenizeStrategy.get_strategy() encoding_strategy = strategy_base.TextEncodingStrategy.get_strategy() assert isinstance(tokenize_strategy, strategy_lumina.LuminaTokenizeStrategy) assert isinstance(encoding_strategy, strategy_lumina.LuminaTextEncodingStrategy) text_conds = [] # assuming seed, width, height, sample steps, guidance are the same width = int(prompt_dicts[0].get("width", 1024)) height = int(prompt_dicts[0].get("height", 1024)) height = max(64, height - height % 8) # round to divisible by 8 width = max(64, width - width % 8) # round to divisible by 8 guidance_scale = float(prompt_dicts[0].get("scale", 3.5)) cfg_trunc_ratio = float(prompt_dicts[0].get("cfg_trunc_ratio", 0.25)) renorm_cfg = float(prompt_dicts[0].get("renorm_cfg", 1.0)) sample_steps = int(prompt_dicts[0].get("sample_steps", 36)) seed = prompt_dicts[0].get("seed", None) seed = int(seed) if seed is not None else None assert seed is None or seed > 0, f"Invalid seed {seed}" generator = torch.Generator(device=accelerator.device) if seed is not None: generator.manual_seed(seed) for prompt_dict in prompt_dicts: controlnet_image = prompt_dict.get("controlnet_image") prompt: str = prompt_dict.get("prompt", "") negative_prompt = prompt_dict.get("negative_prompt", "") # sampler_name: str = prompt_dict.get("sample_sampler", args.sample_sampler) if prompt_replacement is not None: prompt = prompt.replace(prompt_replacement[0], prompt_replacement[1]) if negative_prompt is not None: negative_prompt = negative_prompt.replace( prompt_replacement[0], prompt_replacement[1] ) if negative_prompt is None: negative_prompt = "" logger.info(f"prompt: {prompt}") logger.info(f"negative_prompt: {negative_prompt}") logger.info(f"height: {height}") logger.info(f"width: {width}") logger.info(f"sample_steps: {sample_steps}") logger.info(f"scale: {guidance_scale}") logger.info(f"trunc: {cfg_trunc_ratio}") logger.info(f"renorm: {renorm_cfg}") # logger.info(f"sample_sampler: {sampler_name}") # No need to add system prompt here, as it has been handled in the tokenize_strategy # Get sample prompts from cache, fallback to live encoding gemma2_conds = None neg_gemma2_conds = None if sample_prompts_gemma2_outputs and prompt in sample_prompts_gemma2_outputs: gemma2_conds = sample_prompts_gemma2_outputs[prompt] logger.info(f"Using cached Gemma2 outputs for prompt: {prompt}") if sample_prompts_gemma2_outputs and negative_prompt in sample_prompts_gemma2_outputs: neg_gemma2_conds = sample_prompts_gemma2_outputs[negative_prompt] logger.info(f"Using cached Gemma2 outputs for negative prompt: {negative_prompt}") # Only encode if not found in cache if gemma2_conds is None and gemma2_model is not None: tokens_and_masks = tokenize_strategy.tokenize(prompt) gemma2_conds = encoding_strategy.encode_tokens( tokenize_strategy, gemma2_model, tokens_and_masks ) if neg_gemma2_conds is None and gemma2_model is not None: tokens_and_masks = tokenize_strategy.tokenize(negative_prompt, is_negative=True) neg_gemma2_conds = encoding_strategy.encode_tokens( tokenize_strategy, gemma2_model, tokens_and_masks ) if gemma2_conds is None or neg_gemma2_conds is None: logger.error(f"Cannot generate sample: no cached outputs and no text encoder available for prompt: {prompt}") continue # Unpack Gemma2 outputs gemma2_hidden_states, _, gemma2_attn_mask = gemma2_conds neg_gemma2_hidden_states, _, neg_gemma2_attn_mask = neg_gemma2_conds text_conds.append( ( gemma2_hidden_states.squeeze(0), gemma2_attn_mask.squeeze(0), neg_gemma2_hidden_states.squeeze(0), neg_gemma2_attn_mask.squeeze(0), ) ) # Stack conditioning cond_hidden_states = torch.stack([text_cond[0] for text_cond in text_conds]).to( accelerator.device ) cond_attn_masks = torch.stack([text_cond[1] for text_cond in text_conds]).to( accelerator.device ) uncond_hidden_states = torch.stack([text_cond[2] for text_cond in text_conds]).to( accelerator.device ) uncond_attn_masks = torch.stack([text_cond[3] for text_cond in text_conds]).to( accelerator.device ) # sample image weight_dtype = vae.dtype # TOFO give dtype as argument latent_height = height // 8 latent_width = width // 8 latent_channels = 16 noise = torch.randn( 1, latent_channels, latent_height, latent_width, device=accelerator.device, dtype=weight_dtype, generator=generator, ) noise = noise.repeat(cond_hidden_states.shape[0], 1, 1, 1) scheduler = FlowMatchEulerDiscreteScheduler(shift=6.0) timesteps, num_inference_steps = retrieve_timesteps( scheduler, num_inference_steps=sample_steps ) # if controlnet_image is not None: # controlnet_image = Image.open(controlnet_image).convert("RGB") # controlnet_image = controlnet_image.resize((width, height), Image.LANCZOS) # controlnet_image = torch.from_numpy((np.array(controlnet_image) / 127.5) - 1) # controlnet_image = controlnet_image.permute(2, 0, 1).unsqueeze(0).to(weight_dtype).to(accelerator.device) with accelerator.autocast(): x = denoise( scheduler, nextdit, noise, cond_hidden_states, cond_attn_masks, uncond_hidden_states, uncond_attn_masks, timesteps=timesteps, guidance_scale=guidance_scale, cfg_trunc_ratio=cfg_trunc_ratio, renorm_cfg=renorm_cfg, ) # Latent to image clean_memory_on_device(accelerator.device) org_vae_device = vae.device # will be on cpu vae.to(accelerator.device) # distributed_state.device is same as accelerator.device for img, prompt_dict in zip(x, prompt_dicts): img = (img / vae.scale_factor) + vae.shift_factor with accelerator.autocast(): # Add a single batch image for the VAE to decode img = vae.decode(img.unsqueeze(0)) img = img.clamp(-1, 1) img = img.permute(0, 2, 3, 1) # B, H, W, C # Scale images back to 0 to 255 img = (127.5 * (img + 1.0)).float().cpu().numpy().astype(np.uint8) # Get single image image = Image.fromarray(img[0]) # adding accelerator.wait_for_everyone() here should sync up and ensure that sample images are saved in the same order as the original prompt list # but adding 'enum' to the filename should be enough ts_str = time.strftime("%Y%m%d%H%M%S", time.localtime()) num_suffix = f"e{epoch:06d}" if epoch is not None else f"{global_step:06d}" seed_suffix = "" if seed is None else f"_{seed}" i: int = int(prompt_dict.get("enum", 0)) img_filename = f"{'' if args.output_name is None else args.output_name + '_'}{num_suffix}_{i:02d}_{ts_str}{seed_suffix}.png" image.save(os.path.join(save_dir, img_filename)) # send images to wandb if enabled if "wandb" in [tracker.name for tracker in accelerator.trackers]: wandb_tracker = accelerator.get_tracker("wandb") import wandb # not to commit images to avoid inconsistency between training and logging steps wandb_tracker.log( {f"sample_{i}": wandb.Image(image, caption=prompt)}, commit=False ) # positive prompt as a caption vae.to(org_vae_device) clean_memory_on_device(accelerator.device) def time_shift(mu: float, sigma: float, t: torch.Tensor): """Apply time shifting to timesteps.""" t = math.exp(mu) / (math.exp(mu) + (1 / t - 1) ** sigma) return t def get_lin_function( x1: float = 256, x2: float = 4096, y1: float = 0.5, y2: float = 1.15 ) -> Callable[[float], float]: """ Get linear function for resolution-dependent shifting. Args: image_seq_len, x1 base_seq_len: int = 256, y2 max_seq_len: int = 4096, y1 base_shift: float = 0.5, y2 max_shift: float = 1.15, Return: Callable[[float], float]: linear function """ m = (y2 - y1) / (x2 - x1) b = y1 - m * x1 return lambda x: m * x + b def get_schedule( num_steps: int, image_seq_len: int, base_shift: float = 0.5, max_shift: float = 1.15, shift: bool = True, ) -> list[float]: """ Get timesteps schedule Args: num_steps (int): Number of steps in the schedule. image_seq_len (int): Sequence length of the image. base_shift (float, optional): Base shift value. Defaults to 0.5. max_shift (float, optional): Maximum shift value. Defaults to 1.15. shift (bool, optional): Whether to shift the schedule. Defaults to True. Return: List[float]: timesteps schedule """ timesteps = torch.linspace(1, 1 / num_steps, num_steps) # shifting the schedule to favor high timesteps for higher signal images if shift: # eastimate mu based on linear estimation between two points mu = get_lin_function(y1=base_shift, y2=max_shift, x1=256, x2=4096)( image_seq_len ) timesteps = torch.clamp(timesteps, min=1e-7).to(timesteps.device) timesteps = time_shift(mu, 1.0, timesteps) return timesteps.tolist() # Copied from diffusers.pipelines.stable_diffusion.pipeline_stable_diffusion.retrieve_timesteps def retrieve_timesteps( scheduler, num_inference_steps: Optional[int] = None, device: Optional[Union[str, torch.device]] = None, timesteps: Optional[List[int]] = None, sigmas: Optional[List[float]] = None, **kwargs, ) -> Tuple[torch.Tensor, int]: r""" Calls the scheduler's `set_timesteps` method and retrieves timesteps from the scheduler after the call. Handles custom timesteps. Any kwargs will be supplied to `scheduler.set_timesteps`. Args: scheduler (`SchedulerMixin`): The scheduler to get timesteps from. num_inference_steps (`int`): The number of diffusion steps used when generating samples with a pre-trained model. If used, `timesteps` must be `None`. device (`str` or `torch.device`, *optional*): The device to which the timesteps should be moved to. If `None`, the timesteps are not moved. timesteps (`List[int]`, *optional*): Custom timesteps used to override the timestep spacing strategy of the scheduler. If `timesteps` is passed, `num_inference_steps` and `sigmas` must be `None`. sigmas (`List[float]`, *optional*): Custom sigmas used to override the timestep spacing strategy of the scheduler. If `sigmas` is passed, `num_inference_steps` and `timesteps` must be `None`. Returns: `Tuple[torch.Tensor, int]`: A tuple where the first element is the timestep schedule from the scheduler and the second element is the number of inference steps. """ if timesteps is not None and sigmas is not None: raise ValueError( "Only one of `timesteps` or `sigmas` can be passed. Please choose one to set custom values" ) if timesteps is not None: accepts_timesteps = "timesteps" in set( inspect.signature(scheduler.set_timesteps).parameters.keys() ) if not accepts_timesteps: raise ValueError( f"The current scheduler class {scheduler.__class__}'s `set_timesteps` does not support custom" f" timestep schedules. Please check whether you are using the correct scheduler." ) scheduler.set_timesteps(timesteps=timesteps, device=device, **kwargs) timesteps = scheduler.timesteps num_inference_steps = len(timesteps) elif sigmas is not None: accept_sigmas = "sigmas" in set( inspect.signature(scheduler.set_timesteps).parameters.keys() ) if not accept_sigmas: raise ValueError( f"The current scheduler class {scheduler.__class__}'s `set_timesteps` does not support custom" f" sigmas schedules. Please check whether you are using the correct scheduler." ) scheduler.set_timesteps(sigmas=sigmas, device=device, **kwargs) timesteps = scheduler.timesteps num_inference_steps = len(timesteps) else: scheduler.set_timesteps(num_inference_steps, device=device, **kwargs) timesteps = scheduler.timesteps return timesteps, num_inference_steps def denoise( scheduler, model: lumina_models.NextDiT, img: Tensor, txt: Tensor, txt_mask: Tensor, neg_txt: Tensor, neg_txt_mask: Tensor, timesteps: Union[List[float], torch.Tensor], guidance_scale: float = 4.0, cfg_trunc_ratio: float = 0.25, renorm_cfg: float = 1.0, ): """ Denoise an image using the NextDiT model. Args: scheduler (): Noise scheduler model (lumina_models.NextDiT): The NextDiT model instance. img (Tensor): The input image latent tensor. txt (Tensor): The input text tensor. txt_mask (Tensor): The input text mask tensor. neg_txt (Tensor): The negative input txt tensor neg_txt_mask (Tensor): The negative input text mask tensor. timesteps (List[Union[float, torch.FloatTensor]]): A list of timesteps for the denoising process. guidance_scale (float, optional): The guidance scale for the denoising process. Defaults to 4.0. cfg_trunc_ratio (float, optional): The ratio of the timestep interval to apply normalization-based guidance scale. renorm_cfg (float, optional): The factor to limit the maximum norm after guidance. Default: 1.0 Returns: img (Tensor): Denoised latent tensor """ for i, t in enumerate(tqdm(timesteps)): model.prepare_block_swap_before_forward() # reverse the timestep since Lumina uses t=0 as the noise and t=1 as the image current_timestep = 1 - t / scheduler.config.num_train_timesteps # broadcast to batch dimension in a way that's compatible with ONNX/Core ML current_timestep = current_timestep * torch.ones( img.shape[0], device=img.device ) noise_pred_cond = model( img, current_timestep, cap_feats=txt, # Gemma2的hidden states作为caption features cap_mask=txt_mask.to(dtype=torch.int32), # Gemma2的attention mask ) # compute whether to apply classifier-free guidance based on current timestep if current_timestep[0] < cfg_trunc_ratio: model.prepare_block_swap_before_forward() noise_pred_uncond = model( img, current_timestep, cap_feats=neg_txt, # Gemma2的hidden states作为caption features cap_mask=neg_txt_mask.to(dtype=torch.int32), # Gemma2的attention mask ) noise_pred = noise_pred_uncond + guidance_scale * ( noise_pred_cond - noise_pred_uncond ) # apply normalization after classifier-free guidance if float(renorm_cfg) > 0.0: cond_norm = torch.linalg.vector_norm( noise_pred_cond, dim=tuple(range(1, len(noise_pred_cond.shape))), keepdim=True, ) max_new_norms = cond_norm * float(renorm_cfg) noise_norms = torch.linalg.vector_norm( noise_pred, dim=tuple(range(1, len(noise_pred.shape))), keepdim=True ) # Iterate through batch for i, (noise_norm, max_new_norm) in enumerate(zip(noise_norms, max_new_norms)): if noise_norm >= max_new_norm: noise_pred[i] = noise_pred[i] * (max_new_norm / noise_norm) else: noise_pred = noise_pred_cond img_dtype = img.dtype # compute the previous noisy sample x_t -> x_t-1 noise_pred = -noise_pred img = scheduler.step(noise_pred, t, img, return_dict=False)[0] # some platforms (eg. apple mps) misbehave due to a pytorch bug: https://github.com/pytorch/pytorch/pull/99272 if img.dtype != img_dtype: if torch.backends.mps.is_available(): img = img.to(img_dtype) model.prepare_block_swap_before_forward() return img # endregion # region train def get_sigmas( noise_scheduler: FlowMatchEulerDiscreteScheduler, timesteps: Tensor, device: torch.device, n_dim=4, dtype=torch.float32, ) -> Tensor: """ Get sigmas for timesteps Args: noise_scheduler (FlowMatchEulerDiscreteScheduler): The noise scheduler instance. timesteps (Tensor): A tensor of timesteps for the denoising process. device (torch.device): The device on which the tensors are stored. n_dim (int, optional): The number of dimensions for the output tensor. Defaults to 4. dtype (torch.dtype, optional): The data type for the output tensor. Defaults to torch.float32. Returns: sigmas (Tensor): The sigmas tensor. """ sigmas = noise_scheduler.sigmas.to(device=device, dtype=dtype) schedule_timesteps = noise_scheduler.timesteps.to(device) timesteps = timesteps.to(device) step_indices = [(schedule_timesteps == t).nonzero().item() for t in timesteps] sigma = sigmas[step_indices].flatten() while len(sigma.shape) < n_dim: sigma = sigma.unsqueeze(-1) return sigma def compute_density_for_timestep_sampling( weighting_scheme: str, batch_size: int, logit_mean: float = None, logit_std: float = None, mode_scale: float = None, ): """ Compute the density for sampling the timesteps when doing SD3 training. Courtesy: This was contributed by Rafie Walker in https://github.com/huggingface/diffusers/pull/8528. SD3 paper reference: https://arxiv.org/abs/2403.03206v1. Args: weighting_scheme (str): The weighting scheme to use. batch_size (int): The batch size for the sampling process. logit_mean (float, optional): The mean of the logit distribution. Defaults to None. logit_std (float, optional): The standard deviation of the logit distribution. Defaults to None. mode_scale (float, optional): The mode scale for the mode weighting scheme. Defaults to None. Returns: u (Tensor): The sampled timesteps. """ if weighting_scheme == "logit_normal": # See 3.1 in the SD3 paper ($rf/lognorm(0.00,1.00)$). u = torch.normal( mean=logit_mean, std=logit_std, size=(batch_size,), device="cpu" ) u = torch.nn.functional.sigmoid(u) elif weighting_scheme == "mode": u = torch.rand(size=(batch_size,), device="cpu") u = 1 - u - mode_scale * (torch.cos(math.pi * u / 2) ** 2 - 1 + u) else: u = torch.rand(size=(batch_size,), device="cpu") return u def compute_loss_weighting_for_sd3(weighting_scheme: str, sigmas=None) -> Tensor: """Computes loss weighting scheme for SD3 training. Courtesy: This was contributed by Rafie Walker in https://github.com/huggingface/diffusers/pull/8528. SD3 paper reference: https://arxiv.org/abs/2403.03206v1. Args: weighting_scheme (str): The weighting scheme to use. sigmas (Tensor, optional): The sigmas tensor. Defaults to None. Returns: u (Tensor): The sampled timesteps. """ if weighting_scheme == "sigma_sqrt": weighting = (sigmas**-2.0).float() elif weighting_scheme == "cosmap": bot = 1 - 2 * sigmas + 2 * sigmas**2 weighting = 2 / (math.pi * bot) else: weighting = torch.ones_like(sigmas) return weighting # mainly copied from flux_train_utils.get_noisy_model_input_and_timesteps def get_noisy_model_input_and_timesteps( args, noise_scheduler, latents: torch.Tensor, noise: torch.Tensor, device, dtype ) -> Tuple[torch.Tensor, torch.Tensor, torch.Tensor]: bsz, _, h, w = latents.shape assert bsz > 0, "Batch size not large enough" num_timesteps = noise_scheduler.config.num_train_timesteps if args.timestep_sampling == "uniform" or args.timestep_sampling == "sigmoid": # Simple random sigma-based noise sampling if args.timestep_sampling == "sigmoid": # https://github.com/XLabs-AI/x-flux/tree/main sigmas = torch.sigmoid(args.sigmoid_scale * torch.randn((bsz,), device=device)) else: sigmas = torch.rand((bsz,), device=device) timesteps = sigmas * num_timesteps elif args.timestep_sampling == "shift": shift = args.discrete_flow_shift sigmas = torch.randn(bsz, device=device) sigmas = sigmas * args.sigmoid_scale # larger scale for more uniform sampling sigmas = sigmas.sigmoid() sigmas = (sigmas * shift) / (1 + (shift - 1) * sigmas) timesteps = sigmas * num_timesteps elif args.timestep_sampling == "nextdit_shift": sigmas = torch.rand((bsz,), device=device) sigmas = torch.clamp(sigmas, min=1e-7).to(device) mu = get_lin_function(y1=0.5, y2=1.15)((h // 2) * (w // 2)) sigmas = time_shift(mu, 1.0, sigmas) timesteps = sigmas * num_timesteps elif args.timestep_sampling == "flux_shift": sigmas = torch.randn(bsz, device=device) sigmas = sigmas * args.sigmoid_scale # larger scale for more uniform sampling sigmas = sigmas.sigmoid() sigmas = torch.clamp(sigmas, min=1e-7).to(device) mu = get_lin_function(y1=0.5, y2=1.15)((h // 2) * (w // 2)) # we are pre-packed so must adjust for packed size sigmas = time_shift(mu, 1.0, sigmas) timesteps = sigmas * num_timesteps else: # Sample a random timestep for each image # for weighting schemes where we sample timesteps non-uniformly u = compute_density_for_timestep_sampling( weighting_scheme=args.weighting_scheme, batch_size=bsz, logit_mean=args.logit_mean, logit_std=args.logit_std, mode_scale=args.mode_scale, ) indices = (u * num_timesteps).long() timesteps = noise_scheduler.timesteps[indices].to(device=device) sigmas = get_sigmas(noise_scheduler, timesteps, device, n_dim=latents.ndim, dtype=dtype) # Broadcast sigmas to latent shape sigmas = sigmas.view(-1, 1, 1, 1) # Add noise to the latents according to the noise magnitude at each timestep # (this is the forward diffusion process) if args.ip_noise_gamma: xi = torch.randn_like(latents, device=latents.device, dtype=dtype) if args.ip_noise_gamma_random_strength: ip_noise_gamma = torch.rand(1, device=latents.device, dtype=dtype) * args.ip_noise_gamma else: ip_noise_gamma = args.ip_noise_gamma noisy_model_input = (1.0 - sigmas) * latents + sigmas * (noise + ip_noise_gamma * xi) else: noisy_model_input = (1.0 - sigmas) * latents + sigmas * noise return noisy_model_input.to(dtype), timesteps.to(dtype), sigmas def apply_model_prediction_type( args, model_pred: Tensor, noisy_model_input: Tensor, sigmas: Tensor ) -> Tuple[Tensor, Optional[Tensor]]: """ Apply model prediction type to the model prediction and the sigmas. Args: args (argparse.Namespace): Arguments. model_pred (Tensor): Model prediction. noisy_model_input (Tensor): Noisy model input. sigmas (Tensor): Sigmas. Return: Tuple[Tensor, Optional[Tensor]]: """ weighting = None if args.model_prediction_type == "raw": pass elif args.model_prediction_type == "additive": # add the model_pred to the noisy_model_input model_pred = model_pred + noisy_model_input elif args.model_prediction_type == "sigma_scaled": # apply sigma scaling model_pred = model_pred * (-sigmas) + noisy_model_input # these weighting schemes use a uniform timestep sampling # and instead post-weight the loss weighting = compute_loss_weighting_for_sd3( weighting_scheme=args.weighting_scheme, sigmas=sigmas ) return model_pred, weighting def save_models( ckpt_path: str, lumina: lumina_models.NextDiT, sai_metadata: Dict[str, Any], save_dtype: Optional[torch.dtype] = None, use_mem_eff_save: bool = False, ): """ Save the model to the checkpoint path. Args: ckpt_path (str): Path to the checkpoint. lumina (lumina_models.NextDiT): NextDIT model. sai_metadata (Optional[dict]): Metadata for the SAI model. save_dtype (Optional[torch.dtype]): Data Return: None """ state_dict = {} def update_sd(prefix, sd): for k, v in sd.items(): key = prefix + k if save_dtype is not None and v.dtype != save_dtype: v = v.detach().clone().to("cpu").to(save_dtype) state_dict[key] = v update_sd("", lumina.state_dict()) if not use_mem_eff_save: save_file(state_dict, ckpt_path, metadata=sai_metadata) else: mem_eff_save_file(state_dict, ckpt_path, metadata=sai_metadata) def save_lumina_model_on_train_end( args: argparse.Namespace, save_dtype: torch.dtype, epoch: int, global_step: int, lumina: lumina_models.NextDiT, ): def sd_saver(ckpt_file, epoch_no, global_step): sai_metadata = train_util.get_sai_model_spec( None, args, False, False, False, is_stable_diffusion_ckpt=True, lumina="lumina2", ) save_models(ckpt_file, lumina, sai_metadata, save_dtype, args.mem_eff_save) train_util.save_sd_model_on_train_end_common( args, True, True, epoch, global_step, sd_saver, None ) # epochとstepの保存、メタデータにepoch/stepが含まれ引数が同じになるため、統合してている # on_epoch_end: Trueならepoch終了時、Falseならstep経過時 def save_lumina_model_on_epoch_end_or_stepwise( args: argparse.Namespace, on_epoch_end: bool, accelerator: Accelerator, save_dtype: torch.dtype, epoch: int, num_train_epochs: int, global_step: int, lumina: lumina_models.NextDiT, ): """ Save the model to the checkpoint path. Args: args (argparse.Namespace): Arguments. save_dtype (torch.dtype): Data type. epoch (int): Epoch. global_step (int): Global step. lumina (lumina_models.NextDiT): NextDIT model. Return: None """ def sd_saver(ckpt_file: str, epoch_no: int, global_step: int): sai_metadata = train_util.get_sai_model_spec( {}, args, False, False, False, is_stable_diffusion_ckpt=True, lumina="lumina2", ) save_models(ckpt_file, lumina, sai_metadata, save_dtype, args.mem_eff_save) train_util.save_sd_model_on_epoch_end_or_stepwise_common( args, on_epoch_end, accelerator, True, True, epoch, num_train_epochs, global_step, sd_saver, None, ) # endregion def add_lumina_train_arguments(parser: argparse.ArgumentParser): parser.add_argument( "--gemma2", type=str, help="path to gemma2 model (*.sft or *.safetensors), should be float16 / gemma2のパス（*.sftまたは*.safetensors）、float16が前提", ) parser.add_argument( "--ae", type=str, help="path to ae (*.sft or *.safetensors) / aeのパス（*.sftまたは*.safetensors）", ) parser.add_argument( "--gemma2_max_token_length", type=int, default=None, help="maximum token length for Gemma2. if omitted, 256" " / Gemma2の最大トークン長。省略された場合、256になります", ) parser.add_argument( "--timestep_sampling", choices=["sigma", "uniform", "sigmoid", "shift", "nextdit_shift", "flux_shift"], default="shift", help="Method to sample timesteps: sigma-based, uniform random, sigmoid of random normal, shift of sigmoid, Flux.1 and NextDIT.1 shifting. Default is 'shift'." " / タイムステップをサンプリングする方法：sigma、random uniform、random normalのsigmoid、sigmoidのシフト、Flux.1、NextDIT.1のシフト。デフォルトは'shift'です。", ) parser.add_argument( "--sigmoid_scale", type=float, default=1.0, help='Scale factor for sigmoid timestep sampling (only used when timestep-sampling is "sigmoid"). / sigmoidタイムステップサンプリングの倍率（timestep-samplingが"sigmoid"の場合のみ有効）。', ) parser.add_argument( "--model_prediction_type", choices=["raw", "additive", "sigma_scaled"], default="raw", help="How to interpret and process the model prediction: " "raw (use as is), additive (add to noisy input), sigma_scaled (apply sigma scaling)." " / モデル予測の解釈と処理方法：" "raw（そのまま使用）、additive（ノイズ入力に加算）、sigma_scaled（シグマスケーリングを適用）。", ) parser.add_argument( "--discrete_flow_shift", type=float, default=6.0, help="Discrete flow shift for the Euler Discrete Scheduler, default is 6.0 / Euler Discrete Schedulerの離散フローシフト、デフォルトは6.0", ) parser.add_argument( "--use_flash_attn", action="store_true", help="Use Flash Attention for the model / モデルにFlash Attentionを使用する", ) parser.add_argument( "--use_sage_attn", action="store_true", help="Use Sage Attention for the model / モデルにSage Attentionを使用する", ) parser.add_argument( "--system_prompt", type=str, default="", help="System prompt to add to the prompt / プロンプトに追加するシステムプロンプト", ) parser.add_argument( "--sample_batch_size", type=int, default=None, help="Batch size to use for sampling, defaults to --training_batch_size value. Sample batches are bucketed by width, height, guidance scale, and seed / サンプリングに使用するバッチサイズ。デフォルトは --training_batch_size の値です。サンプルバッチは、幅、高さ、ガイダンススケール、シードによってバケット化されます", ) ================================================ FILE: library/lumina_util.py ================================================ import json import os from dataclasses import replace from typing import List, Optional, Tuple, Union import einops import torch from accelerate import init_empty_weights from safetensors import safe_open from safetensors.torch import load_file from transformers import Gemma2Config, Gemma2Model from library.utils import setup_logging from library import lumina_models, flux_models from library.safetensors_utils import load_safetensors import logging setup_logging() logger = logging.getLogger(__name__) MODEL_VERSION_LUMINA_V2 = "lumina2" def load_lumina_model( ckpt_path: str, dtype: Optional[torch.dtype], device: torch.device, disable_mmap: bool = False, use_flash_attn: bool = False, use_sage_attn: bool = False, ): """ Load the Lumina model from the checkpoint path. Args: ckpt_path (str): Path to the checkpoint. dtype (torch.dtype): The data type for the model. device (torch.device): The device to load the model on. disable_mmap (bool, optional): Whether to disable mmap. Defaults to False. use_flash_attn (bool, optional): Whether to use flash attention. Defaults to False. Returns: model (lumina_models.NextDiT): The loaded model. """ logger.info("Building Lumina") with torch.device("meta"): model = lumina_models.NextDiT_2B_GQA_patch2_Adaln_Refiner(use_flash_attn=use_flash_attn, use_sage_attn=use_sage_attn).to( dtype ) logger.info(f"Loading state dict from {ckpt_path}") state_dict = load_safetensors(ckpt_path, device=device, disable_mmap=disable_mmap, dtype=dtype) # Neta-Lumina support if "model.diffusion_model.cap_embedder.0.weight" in state_dict: # remove "model.diffusion_model." prefix filtered_state_dict = { k.replace("model.diffusion_model.", ""): v for k, v in state_dict.items() if k.startswith("model.diffusion_model.") } state_dict = filtered_state_dict info = model.load_state_dict(state_dict, strict=False, assign=True) logger.info(f"Loaded Lumina: {info}") return model def load_ae( ckpt_path: str, dtype: torch.dtype, device: Union[str, torch.device], disable_mmap: bool = False, ) -> flux_models.AutoEncoder: """ Load the AutoEncoder model from the checkpoint path. Args: ckpt_path (str): Path to the checkpoint. dtype (torch.dtype): The data type for the model. device (Union[str, torch.device]): The device to load the model on. disable_mmap (bool, optional): Whether to disable mmap. Defaults to False. Returns: ae (flux_models.AutoEncoder): The loaded model. """ logger.info("Building AutoEncoder") with torch.device("meta"): # dev and schnell have the same AE params ae = flux_models.AutoEncoder(flux_models.configs["schnell"].ae_params).to(dtype) logger.info(f"Loading state dict from {ckpt_path}") sd = load_safetensors(ckpt_path, device=device, disable_mmap=disable_mmap, dtype=dtype) # Neta-Lumina support if "vae.decoder.conv_in.bias" in sd: # remove "vae." prefix filtered_sd = {k.replace("vae.", ""): v for k, v in sd.items() if k.startswith("vae.")} sd = filtered_sd info = ae.load_state_dict(sd, strict=False, assign=True) logger.info(f"Loaded AE: {info}") return ae def load_gemma2( ckpt_path: Optional[str], dtype: torch.dtype, device: Union[str, torch.device], disable_mmap: bool = False, state_dict: Optional[dict] = None, ) -> Gemma2Model: """ Load the Gemma2 model from the checkpoint path. Args: ckpt_path (str): Path to the checkpoint. dtype (torch.dtype): The data type for the model. device (Union[str, torch.device]): The device to load the model on. disable_mmap (bool, optional): Whether to disable mmap. Defaults to False. state_dict (Optional[dict], optional): The state dict to load. Defaults to None. Returns: gemma2 (Gemma2Model): The loaded model """ logger.info("Building Gemma2") GEMMA2_CONFIG = { "_name_or_path": "google/gemma-2-2b", "architectures": ["Gemma2Model"], "attention_bias": False, "attention_dropout": 0.0, "attn_logit_softcapping": 50.0, "bos_token_id": 2, "cache_implementation": "hybrid", "eos_token_id": 1, "final_logit_softcapping": 30.0, "head_dim": 256, "hidden_act": "gelu_pytorch_tanh", "hidden_activation": "gelu_pytorch_tanh", "hidden_size": 2304, "initializer_range": 0.02, "intermediate_size": 9216, "max_position_embeddings": 8192, "model_type": "gemma2", "num_attention_heads": 8, "num_hidden_layers": 26, "num_key_value_heads": 4, "pad_token_id": 0, "query_pre_attn_scalar": 256, "rms_norm_eps": 1e-06, "rope_theta": 10000.0, "sliding_window": 4096, "torch_dtype": "float32", "transformers_version": "4.44.2", "use_cache": True, "vocab_size": 256000, } config = Gemma2Config(**GEMMA2_CONFIG) with init_empty_weights(): gemma2 = Gemma2Model._from_config(config) if state_dict is not None: sd = state_dict else: logger.info(f"Loading state dict from {ckpt_path}") sd = load_safetensors(ckpt_path, device=str(device), disable_mmap=disable_mmap, dtype=dtype) for key in list(sd.keys()): new_key = key.replace("model.", "") if new_key == key: break # the model doesn't have annoying prefix sd[new_key] = sd.pop(key) # Neta-Lumina support if "text_encoders.gemma2_2b.logit_scale" in sd: # remove "text_encoders.gemma2_2b.transformer.model." prefix filtered_sd = { k.replace("text_encoders.gemma2_2b.transformer.model.", ""): v for k, v in sd.items() if k.startswith("text_encoders.gemma2_2b.transformer.model.") } sd = filtered_sd info = gemma2.load_state_dict(sd, strict=False, assign=True) logger.info(f"Loaded Gemma2: {info}") return gemma2 def unpack_latents(x: torch.Tensor, packed_latent_height: int, packed_latent_width: int) -> torch.Tensor: """ x: [b (h w) (c ph pw)] -> [b c (h ph) (w pw)], ph=2, pw=2 """ x = einops.rearrange(x, "b (h w) (c ph pw) -> b c (h ph) (w pw)", h=packed_latent_height, w=packed_latent_width, ph=2, pw=2) return x def pack_latents(x: torch.Tensor) -> torch.Tensor: """ x: [b c (h ph) (w pw)] -> [b (h w) (c ph pw)], ph=2, pw=2 """ x = einops.rearrange(x, "b c (h ph) (w pw) -> b (h w) (c ph pw)", ph=2, pw=2) return x DIFFUSERS_TO_ALPHA_VLLM_MAP: dict[str, str] = { # Embedding layers "time_caption_embed.caption_embedder.0.weight": "cap_embedder.0.weight", "time_caption_embed.caption_embedder.1.weight": "cap_embedder.1.weight", "text_embedder.1.bias": "cap_embedder.1.bias", "patch_embedder.proj.weight": "x_embedder.weight", "patch_embedder.proj.bias": "x_embedder.bias", # Attention modulation "transformer_blocks.().adaln_modulation.1.weight": "layers.().adaLN_modulation.1.weight", "transformer_blocks.().adaln_modulation.1.bias": "layers.().adaLN_modulation.1.bias", # Final layers "final_adaln_modulation.1.weight": "final_layer.adaLN_modulation.1.weight", "final_adaln_modulation.1.bias": "final_layer.adaLN_modulation.1.bias", "final_linear.weight": "final_layer.linear.weight", "final_linear.bias": "final_layer.linear.bias", # Noise refiner "single_transformer_blocks.().adaln_modulation.1.weight": "noise_refiner.().adaLN_modulation.1.weight", "single_transformer_blocks.().adaln_modulation.1.bias": "noise_refiner.().adaLN_modulation.1.bias", "single_transformer_blocks.().attn.to_qkv.weight": "noise_refiner.().attention.qkv.weight", "single_transformer_blocks.().attn.to_out.0.weight": "noise_refiner.().attention.out.weight", # Normalization "transformer_blocks.().norm1.weight": "layers.().attention_norm1.weight", "transformer_blocks.().norm2.weight": "layers.().attention_norm2.weight", # FFN "transformer_blocks.().ff.net.0.proj.weight": "layers.().feed_forward.w1.weight", "transformer_blocks.().ff.net.2.weight": "layers.().feed_forward.w2.weight", "transformer_blocks.().ff.net.4.weight": "layers.().feed_forward.w3.weight", } def convert_diffusers_sd_to_alpha_vllm(sd: dict, num_double_blocks: int) -> dict: """Convert Diffusers checkpoint to Alpha-VLLM format""" logger.info("Converting Diffusers checkpoint to Alpha-VLLM format") new_sd = sd.copy() # Preserve original keys for diff_key, alpha_key in DIFFUSERS_TO_ALPHA_VLLM_MAP.items(): # Handle block-specific patterns if "()." in diff_key: for block_idx in range(num_double_blocks): block_alpha_key = alpha_key.replace("().", f"{block_idx}.") block_diff_key = diff_key.replace("().", f"{block_idx}.") # Search for and convert block-specific keys for input_key, value in list(sd.items()): if input_key == block_diff_key: new_sd[block_alpha_key] = value else: # Handle static keys if diff_key in sd: print(f"Replacing {diff_key} with {alpha_key}") new_sd[alpha_key] = sd[diff_key] else: print(f"Not found: {diff_key}") logger.info(f"Converted {len(new_sd)} keys to Alpha-VLLM format") return new_sd ================================================ FILE: library/model_util.py ================================================ # v1: split from train_db_fixed.py. # v2: support safetensors import math import os import torch from library.device_utils import init_ipex init_ipex() import diffusers from transformers import CLIPTextModel, CLIPTokenizer, CLIPTextConfig, logging from diffusers import AutoencoderKL, DDIMScheduler, StableDiffusionPipeline # , UNet2DConditionModel from safetensors.torch import load_file, save_file from library.original_unet import UNet2DConditionModel from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) # DiffUsers版StableDiffusionのモデルパラメータ NUM_TRAIN_TIMESTEPS = 1000 BETA_START = 0.00085 BETA_END = 0.0120 UNET_PARAMS_MODEL_CHANNELS = 320 UNET_PARAMS_CHANNEL_MULT = [1, 2, 4, 4] UNET_PARAMS_ATTENTION_RESOLUTIONS = [4, 2, 1] UNET_PARAMS_IMAGE_SIZE = 64 # fixed from old invalid value `32` UNET_PARAMS_IN_CHANNELS = 4 UNET_PARAMS_OUT_CHANNELS = 4 UNET_PARAMS_NUM_RES_BLOCKS = 2 UNET_PARAMS_CONTEXT_DIM = 768 UNET_PARAMS_NUM_HEADS = 8 # UNET_PARAMS_USE_LINEAR_PROJECTION = False VAE_PARAMS_Z_CHANNELS = 4 VAE_PARAMS_RESOLUTION = 256 VAE_PARAMS_IN_CHANNELS = 3 VAE_PARAMS_OUT_CH = 3 VAE_PARAMS_CH = 128 VAE_PARAMS_CH_MULT = [1, 2, 4, 4] VAE_PARAMS_NUM_RES_BLOCKS = 2 # V2 V2_UNET_PARAMS_ATTENTION_HEAD_DIM = [5, 10, 20, 20] V2_UNET_PARAMS_CONTEXT_DIM = 1024 # V2_UNET_PARAMS_USE_LINEAR_PROJECTION = True # Diffusersの設定を読み込むための参照モデル DIFFUSERS_REF_MODEL_ID_V1 = "runwayml/stable-diffusion-v1-5" DIFFUSERS_REF_MODEL_ID_V2 = "stabilityai/stable-diffusion-2-1" # region StableDiffusion->Diffusersの変換コード # convert_original_stable_diffusion_to_diffusers をコピーして修正している（ASL 2.0） def shave_segments(path, n_shave_prefix_segments=1): """ Removes segments. Positive values shave the first segments, negative shave the last segments. """ if n_shave_prefix_segments >= 0: return ".".join(path.split(".")[n_shave_prefix_segments:]) else: return ".".join(path.split(".")[:n_shave_prefix_segments]) def renew_resnet_paths(old_list, n_shave_prefix_segments=0): """ Updates paths inside resnets to the new naming scheme (local renaming) """ mapping = [] for old_item in old_list: new_item = old_item.replace("in_layers.0", "norm1") new_item = new_item.replace("in_layers.2", "conv1") new_item = new_item.replace("out_layers.0", "norm2") new_item = new_item.replace("out_layers.3", "conv2") new_item = new_item.replace("emb_layers.1", "time_emb_proj") new_item = new_item.replace("skip_connection", "conv_shortcut") new_item = shave_segments(new_item, n_shave_prefix_segments=n_shave_prefix_segments) mapping.append({"old": old_item, "new": new_item}) return mapping def renew_vae_resnet_paths(old_list, n_shave_prefix_segments=0): """ Updates paths inside resnets to the new naming scheme (local renaming) """ mapping = [] for old_item in old_list: new_item = old_item new_item = new_item.replace("nin_shortcut", "conv_shortcut") new_item = shave_segments(new_item, n_shave_prefix_segments=n_shave_prefix_segments) mapping.append({"old": old_item, "new": new_item}) return mapping def renew_attention_paths(old_list, n_shave_prefix_segments=0): """ Updates paths inside attentions to the new naming scheme (local renaming) """ mapping = [] for old_item in old_list: new_item = old_item # new_item = new_item.replace('norm.weight', 'group_norm.weight') # new_item = new_item.replace('norm.bias', 'group_norm.bias') # new_item = new_item.replace('proj_out.weight', 'proj_attn.weight') # new_item = new_item.replace('proj_out.bias', 'proj_attn.bias') # new_item = shave_segments(new_item, n_shave_prefix_segments=n_shave_prefix_segments) mapping.append({"old": old_item, "new": new_item}) return mapping def renew_vae_attention_paths(old_list, n_shave_prefix_segments=0): """ Updates paths inside attentions to the new naming scheme (local renaming) """ mapping = [] for old_item in old_list: new_item = old_item new_item = new_item.replace("norm.weight", "group_norm.weight") new_item = new_item.replace("norm.bias", "group_norm.bias") if diffusers.__version__ < "0.17.0": new_item = new_item.replace("q.weight", "query.weight") new_item = new_item.replace("q.bias", "query.bias") new_item = new_item.replace("k.weight", "key.weight") new_item = new_item.replace("k.bias", "key.bias") new_item = new_item.replace("v.weight", "value.weight") new_item = new_item.replace("v.bias", "value.bias") new_item = new_item.replace("proj_out.weight", "proj_attn.weight") new_item = new_item.replace("proj_out.bias", "proj_attn.bias") else: new_item = new_item.replace("q.weight", "to_q.weight") new_item = new_item.replace("q.bias", "to_q.bias") new_item = new_item.replace("k.weight", "to_k.weight") new_item = new_item.replace("k.bias", "to_k.bias") new_item = new_item.replace("v.weight", "to_v.weight") new_item = new_item.replace("v.bias", "to_v.bias") new_item = new_item.replace("proj_out.weight", "to_out.0.weight") new_item = new_item.replace("proj_out.bias", "to_out.0.bias") new_item = shave_segments(new_item, n_shave_prefix_segments=n_shave_prefix_segments) mapping.append({"old": old_item, "new": new_item}) return mapping def assign_to_checkpoint( paths, checkpoint, old_checkpoint, attention_paths_to_split=None, additional_replacements=None, config=None ): """ This does the final conversion step: take locally converted weights and apply a global renaming to them. It splits attention layers, and takes into account additional replacements that may arise. Assigns the weights to the new checkpoint. """ assert isinstance(paths, list), "Paths should be a list of dicts containing 'old' and 'new' keys." # Splits the attention layers into three variables. if attention_paths_to_split is not None: for path, path_map in attention_paths_to_split.items(): old_tensor = old_checkpoint[path] channels = old_tensor.shape[0] // 3 target_shape = (-1, channels) if len(old_tensor.shape) == 3 else (-1) num_heads = old_tensor.shape[0] // config["num_head_channels"] // 3 old_tensor = old_tensor.reshape((num_heads, 3 * channels // num_heads) + old_tensor.shape[1:]) query, key, value = old_tensor.split(channels // num_heads, dim=1) checkpoint[path_map["query"]] = query.reshape(target_shape) checkpoint[path_map["key"]] = key.reshape(target_shape) checkpoint[path_map["value"]] = value.reshape(target_shape) for path in paths: new_path = path["new"] # These have already been assigned if attention_paths_to_split is not None and new_path in attention_paths_to_split: continue # Global renaming happens here new_path = new_path.replace("middle_block.0", "mid_block.resnets.0") new_path = new_path.replace("middle_block.1", "mid_block.attentions.0") new_path = new_path.replace("middle_block.2", "mid_block.resnets.1") if additional_replacements is not None: for replacement in additional_replacements: new_path = new_path.replace(replacement["old"], replacement["new"]) # proj_attn.weight has to be converted from conv 1D to linear reshaping = False if diffusers.__version__ < "0.17.0": if "proj_attn.weight" in new_path: reshaping = True else: if ".attentions." in new_path and ".0.to_" in new_path and old_checkpoint[path["old"]].ndim > 2: reshaping = True if reshaping: checkpoint[new_path] = old_checkpoint[path["old"]][:, :, 0, 0] else: checkpoint[new_path] = old_checkpoint[path["old"]] def conv_attn_to_linear(checkpoint): keys = list(checkpoint.keys()) attn_keys = ["query.weight", "key.weight", "value.weight"] for key in keys: if ".".join(key.split(".")[-2:]) in attn_keys: if checkpoint[key].ndim > 2: checkpoint[key] = checkpoint[key][:, :, 0, 0] elif "proj_attn.weight" in key: if checkpoint[key].ndim > 2: checkpoint[key] = checkpoint[key][:, :, 0] def linear_transformer_to_conv(checkpoint): keys = list(checkpoint.keys()) tf_keys = ["proj_in.weight", "proj_out.weight"] for key in keys: if ".".join(key.split(".")[-2:]) in tf_keys: if checkpoint[key].ndim == 2: checkpoint[key] = checkpoint[key].unsqueeze(2).unsqueeze(2) def convert_ldm_unet_checkpoint(v2, checkpoint, config): """ Takes a state dict and a config, and returns a converted checkpoint. """ # extract state_dict for UNet unet_state_dict = {} unet_key = "model.diffusion_model." keys = list(checkpoint.keys()) for key in keys: if key.startswith(unet_key): unet_state_dict[key.replace(unet_key, "")] = checkpoint.pop(key) new_checkpoint = {} new_checkpoint["time_embedding.linear_1.weight"] = unet_state_dict["time_embed.0.weight"] new_checkpoint["time_embedding.linear_1.bias"] = unet_state_dict["time_embed.0.bias"] new_checkpoint["time_embedding.linear_2.weight"] = unet_state_dict["time_embed.2.weight"] new_checkpoint["time_embedding.linear_2.bias"] = unet_state_dict["time_embed.2.bias"] new_checkpoint["conv_in.weight"] = unet_state_dict["input_blocks.0.0.weight"] new_checkpoint["conv_in.bias"] = unet_state_dict["input_blocks.0.0.bias"] new_checkpoint["conv_norm_out.weight"] = unet_state_dict["out.0.weight"] new_checkpoint["conv_norm_out.bias"] = unet_state_dict["out.0.bias"] new_checkpoint["conv_out.weight"] = unet_state_dict["out.2.weight"] new_checkpoint["conv_out.bias"] = unet_state_dict["out.2.bias"] # Retrieves the keys for the input blocks only num_input_blocks = len({".".join(layer.split(".")[:2]) for layer in unet_state_dict if "input_blocks" in layer}) input_blocks = { layer_id: [key for key in unet_state_dict if f"input_blocks.{layer_id}." in key] for layer_id in range(num_input_blocks) } # Retrieves the keys for the middle blocks only num_middle_blocks = len({".".join(layer.split(".")[:2]) for layer in unet_state_dict if "middle_block" in layer}) middle_blocks = { layer_id: [key for key in unet_state_dict if f"middle_block.{layer_id}." in key] for layer_id in range(num_middle_blocks) } # Retrieves the keys for the output blocks only num_output_blocks = len({".".join(layer.split(".")[:2]) for layer in unet_state_dict if "output_blocks" in layer}) output_blocks = { layer_id: [key for key in unet_state_dict if f"output_blocks.{layer_id}." in key] for layer_id in range(num_output_blocks) } for i in range(1, num_input_blocks): block_id = (i - 1) // (config["layers_per_block"] + 1) layer_in_block_id = (i - 1) % (config["layers_per_block"] + 1) resnets = [key for key in input_blocks[i] if f"input_blocks.{i}.0" in key and f"input_blocks.{i}.0.op" not in key] attentions = [key for key in input_blocks[i] if f"input_blocks.{i}.1" in key] if f"input_blocks.{i}.0.op.weight" in unet_state_dict: new_checkpoint[f"down_blocks.{block_id}.downsamplers.0.conv.weight"] = unet_state_dict.pop( f"input_blocks.{i}.0.op.weight" ) new_checkpoint[f"down_blocks.{block_id}.downsamplers.0.conv.bias"] = unet_state_dict.pop(f"input_blocks.{i}.0.op.bias") paths = renew_resnet_paths(resnets) meta_path = {"old": f"input_blocks.{i}.0", "new": f"down_blocks.{block_id}.resnets.{layer_in_block_id}"} assign_to_checkpoint(paths, new_checkpoint, unet_state_dict, additional_replacements=[meta_path], config=config) if len(attentions): paths = renew_attention_paths(attentions) meta_path = {"old": f"input_blocks.{i}.1", "new": f"down_blocks.{block_id}.attentions.{layer_in_block_id}"} assign_to_checkpoint(paths, new_checkpoint, unet_state_dict, additional_replacements=[meta_path], config=config) resnet_0 = middle_blocks[0] attentions = middle_blocks[1] resnet_1 = middle_blocks[2] resnet_0_paths = renew_resnet_paths(resnet_0) assign_to_checkpoint(resnet_0_paths, new_checkpoint, unet_state_dict, config=config) resnet_1_paths = renew_resnet_paths(resnet_1) assign_to_checkpoint(resnet_1_paths, new_checkpoint, unet_state_dict, config=config) attentions_paths = renew_attention_paths(attentions) meta_path = {"old": "middle_block.1", "new": "mid_block.attentions.0"} assign_to_checkpoint(attentions_paths, new_checkpoint, unet_state_dict, additional_replacements=[meta_path], config=config) for i in range(num_output_blocks): block_id = i // (config["layers_per_block"] + 1) layer_in_block_id = i % (config["layers_per_block"] + 1) output_block_layers = [shave_segments(name, 2) for name in output_blocks[i]] output_block_list = {} for layer in output_block_layers: layer_id, layer_name = layer.split(".")[0], shave_segments(layer, 1) if layer_id in output_block_list: output_block_list[layer_id].append(layer_name) else: output_block_list[layer_id] = [layer_name] if len(output_block_list) > 1: resnets = [key for key in output_blocks[i] if f"output_blocks.{i}.0" in key] attentions = [key for key in output_blocks[i] if f"output_blocks.{i}.1" in key] resnet_0_paths = renew_resnet_paths(resnets) paths = renew_resnet_paths(resnets) meta_path = {"old": f"output_blocks.{i}.0", "new": f"up_blocks.{block_id}.resnets.{layer_in_block_id}"} assign_to_checkpoint(paths, new_checkpoint, unet_state_dict, additional_replacements=[meta_path], config=config) # オリジナル： # if ["conv.weight", "conv.bias"] in output_block_list.values(): # index = list(output_block_list.values()).index(["conv.weight", "conv.bias"]) # biasとweightの順番に依存しないようにする：もっといいやり方がありそうだが for l in output_block_list.values(): l.sort() if ["conv.bias", "conv.weight"] in output_block_list.values(): index = list(output_block_list.values()).index(["conv.bias", "conv.weight"]) new_checkpoint[f"up_blocks.{block_id}.upsamplers.0.conv.bias"] = unet_state_dict[ f"output_blocks.{i}.{index}.conv.bias" ] new_checkpoint[f"up_blocks.{block_id}.upsamplers.0.conv.weight"] = unet_state_dict[ f"output_blocks.{i}.{index}.conv.weight" ] # Clear attentions as they have been attributed above. if len(attentions) == 2: attentions = [] if len(attentions): paths = renew_attention_paths(attentions) meta_path = { "old": f"output_blocks.{i}.1", "new": f"up_blocks.{block_id}.attentions.{layer_in_block_id}", } assign_to_checkpoint(paths, new_checkpoint, unet_state_dict, additional_replacements=[meta_path], config=config) else: resnet_0_paths = renew_resnet_paths(output_block_layers, n_shave_prefix_segments=1) for path in resnet_0_paths: old_path = ".".join(["output_blocks", str(i), path["old"]]) new_path = ".".join(["up_blocks", str(block_id), "resnets", str(layer_in_block_id), path["new"]]) new_checkpoint[new_path] = unet_state_dict[old_path] # SDのv2では1*1のconv2dがlinearに変わっている # 誤って Diffusers 側を conv2d のままにしてしまったので、変換必要 if v2 and not config.get("use_linear_projection", False): linear_transformer_to_conv(new_checkpoint) return new_checkpoint def convert_ldm_vae_checkpoint(checkpoint, config): # extract state dict for VAE vae_state_dict = {} vae_key = "first_stage_model." keys = list(checkpoint.keys()) for key in keys: if key.startswith(vae_key): vae_state_dict[key.replace(vae_key, "")] = checkpoint.get(key) # if len(vae_state_dict) == 0: # # 渡されたcheckpointは.ckptから読み込んだcheckpointではなくvaeのstate_dict # vae_state_dict = checkpoint new_checkpoint = {} new_checkpoint["encoder.conv_in.weight"] = vae_state_dict["encoder.conv_in.weight"] new_checkpoint["encoder.conv_in.bias"] = vae_state_dict["encoder.conv_in.bias"] new_checkpoint["encoder.conv_out.weight"] = vae_state_dict["encoder.conv_out.weight"] new_checkpoint["encoder.conv_out.bias"] = vae_state_dict["encoder.conv_out.bias"] new_checkpoint["encoder.conv_norm_out.weight"] = vae_state_dict["encoder.norm_out.weight"] new_checkpoint["encoder.conv_norm_out.bias"] = vae_state_dict["encoder.norm_out.bias"] new_checkpoint["decoder.conv_in.weight"] = vae_state_dict["decoder.conv_in.weight"] new_checkpoint["decoder.conv_in.bias"] = vae_state_dict["decoder.conv_in.bias"] new_checkpoint["decoder.conv_out.weight"] = vae_state_dict["decoder.conv_out.weight"] new_checkpoint["decoder.conv_out.bias"] = vae_state_dict["decoder.conv_out.bias"] new_checkpoint["decoder.conv_norm_out.weight"] = vae_state_dict["decoder.norm_out.weight"] new_checkpoint["decoder.conv_norm_out.bias"] = vae_state_dict["decoder.norm_out.bias"] new_checkpoint["quant_conv.weight"] = vae_state_dict["quant_conv.weight"] new_checkpoint["quant_conv.bias"] = vae_state_dict["quant_conv.bias"] new_checkpoint["post_quant_conv.weight"] = vae_state_dict["post_quant_conv.weight"] new_checkpoint["post_quant_conv.bias"] = vae_state_dict["post_quant_conv.bias"] # Retrieves the keys for the encoder down blocks only num_down_blocks = len({".".join(layer.split(".")[:3]) for layer in vae_state_dict if "encoder.down" in layer}) down_blocks = {layer_id: [key for key in vae_state_dict if f"down.{layer_id}" in key] for layer_id in range(num_down_blocks)} # Retrieves the keys for the decoder up blocks only num_up_blocks = len({".".join(layer.split(".")[:3]) for layer in vae_state_dict if "decoder.up" in layer}) up_blocks = {layer_id: [key for key in vae_state_dict if f"up.{layer_id}" in key] for layer_id in range(num_up_blocks)} for i in range(num_down_blocks): resnets = [key for key in down_blocks[i] if f"down.{i}" in key and f"down.{i}.downsample" not in key] if f"encoder.down.{i}.downsample.conv.weight" in vae_state_dict: new_checkpoint[f"encoder.down_blocks.{i}.downsamplers.0.conv.weight"] = vae_state_dict.pop( f"encoder.down.{i}.downsample.conv.weight" ) new_checkpoint[f"encoder.down_blocks.{i}.downsamplers.0.conv.bias"] = vae_state_dict.pop( f"encoder.down.{i}.downsample.conv.bias" ) paths = renew_vae_resnet_paths(resnets) meta_path = {"old": f"down.{i}.block", "new": f"down_blocks.{i}.resnets"} assign_to_checkpoint(paths, new_checkpoint, vae_state_dict, additional_replacements=[meta_path], config=config) mid_resnets = [key for key in vae_state_dict if "encoder.mid.block" in key] num_mid_res_blocks = 2 for i in range(1, num_mid_res_blocks + 1): resnets = [key for key in mid_resnets if f"encoder.mid.block_{i}" in key] paths = renew_vae_resnet_paths(resnets) meta_path = {"old": f"mid.block_{i}", "new": f"mid_block.resnets.{i - 1}"} assign_to_checkpoint(paths, new_checkpoint, vae_state_dict, additional_replacements=[meta_path], config=config) mid_attentions = [key for key in vae_state_dict if "encoder.mid.attn" in key] paths = renew_vae_attention_paths(mid_attentions) meta_path = {"old": "mid.attn_1", "new": "mid_block.attentions.0"} assign_to_checkpoint(paths, new_checkpoint, vae_state_dict, additional_replacements=[meta_path], config=config) conv_attn_to_linear(new_checkpoint) for i in range(num_up_blocks): block_id = num_up_blocks - 1 - i resnets = [key for key in up_blocks[block_id] if f"up.{block_id}" in key and f"up.{block_id}.upsample" not in key] if f"decoder.up.{block_id}.upsample.conv.weight" in vae_state_dict: new_checkpoint[f"decoder.up_blocks.{i}.upsamplers.0.conv.weight"] = vae_state_dict[ f"decoder.up.{block_id}.upsample.conv.weight" ] new_checkpoint[f"decoder.up_blocks.{i}.upsamplers.0.conv.bias"] = vae_state_dict[ f"decoder.up.{block_id}.upsample.conv.bias" ] paths = renew_vae_resnet_paths(resnets) meta_path = {"old": f"up.{block_id}.block", "new": f"up_blocks.{i}.resnets"} assign_to_checkpoint(paths, new_checkpoint, vae_state_dict, additional_replacements=[meta_path], config=config) mid_resnets = [key for key in vae_state_dict if "decoder.mid.block" in key] num_mid_res_blocks = 2 for i in range(1, num_mid_res_blocks + 1): resnets = [key for key in mid_resnets if f"decoder.mid.block_{i}" in key] paths = renew_vae_resnet_paths(resnets) meta_path = {"old": f"mid.block_{i}", "new": f"mid_block.resnets.{i - 1}"} assign_to_checkpoint(paths, new_checkpoint, vae_state_dict, additional_replacements=[meta_path], config=config) mid_attentions = [key for key in vae_state_dict if "decoder.mid.attn" in key] paths = renew_vae_attention_paths(mid_attentions) meta_path = {"old": "mid.attn_1", "new": "mid_block.attentions.0"} assign_to_checkpoint(paths, new_checkpoint, vae_state_dict, additional_replacements=[meta_path], config=config) conv_attn_to_linear(new_checkpoint) return new_checkpoint def create_unet_diffusers_config(v2, use_linear_projection_in_v2=False): """ Creates a config for the diffusers based on the config of the LDM model. """ # unet_params = original_config.model.params.unet_config.params block_out_channels = [UNET_PARAMS_MODEL_CHANNELS * mult for mult in UNET_PARAMS_CHANNEL_MULT] down_block_types = [] resolution = 1 for i in range(len(block_out_channels)): block_type = "CrossAttnDownBlock2D" if resolution in UNET_PARAMS_ATTENTION_RESOLUTIONS else "DownBlock2D" down_block_types.append(block_type) if i != len(block_out_channels) - 1: resolution *= 2 up_block_types = [] for i in range(len(block_out_channels)): block_type = "CrossAttnUpBlock2D" if resolution in UNET_PARAMS_ATTENTION_RESOLUTIONS else "UpBlock2D" up_block_types.append(block_type) resolution //= 2 config = dict( sample_size=UNET_PARAMS_IMAGE_SIZE, in_channels=UNET_PARAMS_IN_CHANNELS, out_channels=UNET_PARAMS_OUT_CHANNELS, down_block_types=tuple(down_block_types), up_block_types=tuple(up_block_types), block_out_channels=tuple(block_out_channels), layers_per_block=UNET_PARAMS_NUM_RES_BLOCKS, cross_attention_dim=UNET_PARAMS_CONTEXT_DIM if not v2 else V2_UNET_PARAMS_CONTEXT_DIM, attention_head_dim=UNET_PARAMS_NUM_HEADS if not v2 else V2_UNET_PARAMS_ATTENTION_HEAD_DIM, # use_linear_projection=UNET_PARAMS_USE_LINEAR_PROJECTION if not v2 else V2_UNET_PARAMS_USE_LINEAR_PROJECTION, ) if v2 and use_linear_projection_in_v2: config["use_linear_projection"] = True return config def create_vae_diffusers_config(): """ Creates a config for the diffusers based on the config of the LDM model. """ # vae_params = original_config.model.params.first_stage_config.params.ddconfig # _ = original_config.model.params.first_stage_config.params.embed_dim block_out_channels = [VAE_PARAMS_CH * mult for mult in VAE_PARAMS_CH_MULT] down_block_types = ["DownEncoderBlock2D"] * len(block_out_channels) up_block_types = ["UpDecoderBlock2D"] * len(block_out_channels) config = dict( sample_size=VAE_PARAMS_RESOLUTION, in_channels=VAE_PARAMS_IN_CHANNELS, out_channels=VAE_PARAMS_OUT_CH, down_block_types=tuple(down_block_types), up_block_types=tuple(up_block_types), block_out_channels=tuple(block_out_channels), latent_channels=VAE_PARAMS_Z_CHANNELS, layers_per_block=VAE_PARAMS_NUM_RES_BLOCKS, ) return config def convert_ldm_clip_checkpoint_v1(checkpoint): keys = list(checkpoint.keys()) text_model_dict = {} for key in keys: if key.startswith("cond_stage_model.transformer"): text_model_dict[key[len("cond_stage_model.transformer.") :]] = checkpoint[key] # remove position_ids for newer transformer, which causes error :( if "text_model.embeddings.position_ids" in text_model_dict: text_model_dict.pop("text_model.embeddings.position_ids") return text_model_dict def convert_ldm_clip_checkpoint_v2(checkpoint, max_length): # 嫌になるくらい違うぞ！ def convert_key(key): if not key.startswith("cond_stage_model"): return None # common conversion key = key.replace("cond_stage_model.model.transformer.", "text_model.encoder.") key = key.replace("cond_stage_model.model.", "text_model.") if "resblocks" in key: # resblocks conversion key = key.replace(".resblocks.", ".layers.") if ".ln_" in key: key = key.replace(".ln_", ".layer_norm") elif ".mlp." in key: key = key.replace(".c_fc.", ".fc1.") key = key.replace(".c_proj.", ".fc2.") elif ".attn.out_proj" in key: key = key.replace(".attn.out_proj.", ".self_attn.out_proj.") elif ".attn.in_proj" in key: key = None # 特殊なので後で処理する else: raise ValueError(f"unexpected key in SD: {key}") elif ".positional_embedding" in key: key = key.replace(".positional_embedding", ".embeddings.position_embedding.weight") elif ".text_projection" in key: key = None # 使われない??? elif ".logit_scale" in key: key = None # 使われない??? elif ".token_embedding" in key: key = key.replace(".token_embedding.weight", ".embeddings.token_embedding.weight") elif ".ln_final" in key: key = key.replace(".ln_final", ".final_layer_norm") return key keys = list(checkpoint.keys()) new_sd = {} for key in keys: # remove resblocks 23 if ".resblocks.23." in key: continue new_key = convert_key(key) if new_key is None: continue new_sd[new_key] = checkpoint[key] # attnの変換 for key in keys: if ".resblocks.23." in key: continue if ".resblocks" in key and ".attn.in_proj_" in key: # 三つに分割 values = torch.chunk(checkpoint[key], 3) key_suffix = ".weight" if "weight" in key else ".bias" key_pfx = key.replace("cond_stage_model.model.transformer.resblocks.", "text_model.encoder.layers.") key_pfx = key_pfx.replace("_weight", "") key_pfx = key_pfx.replace("_bias", "") key_pfx = key_pfx.replace(".attn.in_proj", ".self_attn.") new_sd[key_pfx + "q_proj" + key_suffix] = values[0] new_sd[key_pfx + "k_proj" + key_suffix] = values[1] new_sd[key_pfx + "v_proj" + key_suffix] = values[2] # remove position_ids for newer transformer, which causes error :( ANOTHER_POSITION_IDS_KEY = "text_model.encoder.text_model.embeddings.position_ids" if ANOTHER_POSITION_IDS_KEY in new_sd: # waifu diffusion v1.4 del new_sd[ANOTHER_POSITION_IDS_KEY] if "text_model.embeddings.position_ids" in new_sd: del new_sd["text_model.embeddings.position_ids"] return new_sd # endregion # region Diffusers->StableDiffusion の変換コード # convert_diffusers_to_original_stable_diffusion をコピーして修正している（ASL 2.0） def conv_transformer_to_linear(checkpoint): keys = list(checkpoint.keys()) tf_keys = ["proj_in.weight", "proj_out.weight"] for key in keys: if ".".join(key.split(".")[-2:]) in tf_keys: if checkpoint[key].ndim > 2: checkpoint[key] = checkpoint[key][:, :, 0, 0] def convert_unet_state_dict_to_sd(v2, unet_state_dict): unet_conversion_map = [ # (stable-diffusion, HF Diffusers) ("time_embed.0.weight", "time_embedding.linear_1.weight"), ("time_embed.0.bias", "time_embedding.linear_1.bias"), ("time_embed.2.weight", "time_embedding.linear_2.weight"), ("time_embed.2.bias", "time_embedding.linear_2.bias"), ("input_blocks.0.0.weight", "conv_in.weight"), ("input_blocks.0.0.bias", "conv_in.bias"), ("out.0.weight", "conv_norm_out.weight"), ("out.0.bias", "conv_norm_out.bias"), ("out.2.weight", "conv_out.weight"), ("out.2.bias", "conv_out.bias"), ] unet_conversion_map_resnet = [ # (stable-diffusion, HF Diffusers) ("in_layers.0", "norm1"), ("in_layers.2", "conv1"), ("out_layers.0", "norm2"), ("out_layers.3", "conv2"), ("emb_layers.1", "time_emb_proj"), ("skip_connection", "conv_shortcut"), ] unet_conversion_map_layer = [] for i in range(4): # loop over downblocks/upblocks for j in range(2): # loop over resnets/attentions for downblocks hf_down_res_prefix = f"down_blocks.{i}.resnets.{j}." sd_down_res_prefix = f"input_blocks.{3*i + j + 1}.0." unet_conversion_map_layer.append((sd_down_res_prefix, hf_down_res_prefix)) if i < 3: # no attention layers in down_blocks.3 hf_down_atn_prefix = f"down_blocks.{i}.attentions.{j}." sd_down_atn_prefix = f"input_blocks.{3*i + j + 1}.1." unet_conversion_map_layer.append((sd_down_atn_prefix, hf_down_atn_prefix)) for j in range(3): # loop over resnets/attentions for upblocks hf_up_res_prefix = f"up_blocks.{i}.resnets.{j}." sd_up_res_prefix = f"output_blocks.{3*i + j}.0." unet_conversion_map_layer.append((sd_up_res_prefix, hf_up_res_prefix)) if i > 0: # no attention layers in up_blocks.0 hf_up_atn_prefix = f"up_blocks.{i}.attentions.{j}." sd_up_atn_prefix = f"output_blocks.{3*i + j}.1." unet_conversion_map_layer.append((sd_up_atn_prefix, hf_up_atn_prefix)) if i < 3: # no downsample in down_blocks.3 hf_downsample_prefix = f"down_blocks.{i}.downsamplers.0.conv." sd_downsample_prefix = f"input_blocks.{3*(i+1)}.0.op." unet_conversion_map_layer.append((sd_downsample_prefix, hf_downsample_prefix)) # no upsample in up_blocks.3 hf_upsample_prefix = f"up_blocks.{i}.upsamplers.0." sd_upsample_prefix = f"output_blocks.{3*i + 2}.{1 if i == 0 else 2}." unet_conversion_map_layer.append((sd_upsample_prefix, hf_upsample_prefix)) hf_mid_atn_prefix = "mid_block.attentions.0." sd_mid_atn_prefix = "middle_block.1." unet_conversion_map_layer.append((sd_mid_atn_prefix, hf_mid_atn_prefix)) for j in range(2): hf_mid_res_prefix = f"mid_block.resnets.{j}." sd_mid_res_prefix = f"middle_block.{2*j}." unet_conversion_map_layer.append((sd_mid_res_prefix, hf_mid_res_prefix)) # buyer beware: this is a *brittle* function, # and correct output requires that all of these pieces interact in # the exact order in which I have arranged them. mapping = {k: k for k in unet_state_dict.keys()} for sd_name, hf_name in unet_conversion_map: mapping[hf_name] = sd_name for k, v in mapping.items(): if "resnets" in k: for sd_part, hf_part in unet_conversion_map_resnet: v = v.replace(hf_part, sd_part) mapping[k] = v for k, v in mapping.items(): for sd_part, hf_part in unet_conversion_map_layer: v = v.replace(hf_part, sd_part) mapping[k] = v new_state_dict = {v: unet_state_dict[k] for k, v in mapping.items()} if v2: conv_transformer_to_linear(new_state_dict) return new_state_dict def controlnet_conversion_map(): unet_conversion_map = [ ("time_embed.0.weight", "time_embedding.linear_1.weight"), ("time_embed.0.bias", "time_embedding.linear_1.bias"), ("time_embed.2.weight", "time_embedding.linear_2.weight"), ("time_embed.2.bias", "time_embedding.linear_2.bias"), ("input_blocks.0.0.weight", "conv_in.weight"), ("input_blocks.0.0.bias", "conv_in.bias"), ("middle_block_out.0.weight", "controlnet_mid_block.weight"), ("middle_block_out.0.bias", "controlnet_mid_block.bias"), ] unet_conversion_map_resnet = [ ("in_layers.0", "norm1"), ("in_layers.2", "conv1"), ("out_layers.0", "norm2"), ("out_layers.3", "conv2"), ("emb_layers.1", "time_emb_proj"), ("skip_connection", "conv_shortcut"), ] unet_conversion_map_layer = [] for i in range(4): for j in range(2): hf_down_res_prefix = f"down_blocks.{i}.resnets.{j}." sd_down_res_prefix = f"input_blocks.{3*i + j + 1}.0." unet_conversion_map_layer.append((sd_down_res_prefix, hf_down_res_prefix)) if i < 3: hf_down_atn_prefix = f"down_blocks.{i}.attentions.{j}." sd_down_atn_prefix = f"input_blocks.{3*i + j + 1}.1." unet_conversion_map_layer.append((sd_down_atn_prefix, hf_down_atn_prefix)) if i < 3: hf_downsample_prefix = f"down_blocks.{i}.downsamplers.0.conv." sd_downsample_prefix = f"input_blocks.{3*(i+1)}.0.op." unet_conversion_map_layer.append((sd_downsample_prefix, hf_downsample_prefix)) hf_mid_atn_prefix = "mid_block.attentions.0." sd_mid_atn_prefix = "middle_block.1." unet_conversion_map_layer.append((sd_mid_atn_prefix, hf_mid_atn_prefix)) for j in range(2): hf_mid_res_prefix = f"mid_block.resnets.{j}." sd_mid_res_prefix = f"middle_block.{2*j}." unet_conversion_map_layer.append((sd_mid_res_prefix, hf_mid_res_prefix)) controlnet_cond_embedding_names = ["conv_in"] + [f"blocks.{i}" for i in range(6)] + ["conv_out"] for i, hf_prefix in enumerate(controlnet_cond_embedding_names): hf_prefix = f"controlnet_cond_embedding.{hf_prefix}." sd_prefix = f"input_hint_block.{i*2}." unet_conversion_map_layer.append((sd_prefix, hf_prefix)) for i in range(12): hf_prefix = f"controlnet_down_blocks.{i}." sd_prefix = f"zero_convs.{i}.0." unet_conversion_map_layer.append((sd_prefix, hf_prefix)) return unet_conversion_map, unet_conversion_map_resnet, unet_conversion_map_layer def convert_controlnet_state_dict_to_sd(controlnet_state_dict): unet_conversion_map, unet_conversion_map_resnet, unet_conversion_map_layer = controlnet_conversion_map() mapping = {k: k for k in controlnet_state_dict.keys()} for sd_name, diffusers_name in unet_conversion_map: mapping[diffusers_name] = sd_name for k, v in mapping.items(): if "resnets" in k: for sd_part, diffusers_part in unet_conversion_map_resnet: v = v.replace(diffusers_part, sd_part) mapping[k] = v for k, v in mapping.items(): for sd_part, diffusers_part in unet_conversion_map_layer: v = v.replace(diffusers_part, sd_part) mapping[k] = v new_state_dict = {v: controlnet_state_dict[k] for k, v in mapping.items()} return new_state_dict def convert_controlnet_state_dict_to_diffusers(controlnet_state_dict): unet_conversion_map, unet_conversion_map_resnet, unet_conversion_map_layer = controlnet_conversion_map() mapping = {k: k for k in controlnet_state_dict.keys()} for sd_name, diffusers_name in unet_conversion_map: mapping[sd_name] = diffusers_name for k, v in mapping.items(): for sd_part, diffusers_part in unet_conversion_map_layer: v = v.replace(sd_part, diffusers_part) mapping[k] = v for k, v in mapping.items(): if "resnets" in v: for sd_part, diffusers_part in unet_conversion_map_resnet: v = v.replace(sd_part, diffusers_part) mapping[k] = v new_state_dict = {v: controlnet_state_dict[k] for k, v in mapping.items()} return new_state_dict # ================# # VAE Conversion # # ================# def reshape_weight_for_sd(w): # convert HF linear weights to SD conv2d weights return w.reshape(*w.shape, 1, 1) def convert_vae_state_dict(vae_state_dict): vae_conversion_map = [ # (stable-diffusion, HF Diffusers) ("nin_shortcut", "conv_shortcut"), ("norm_out", "conv_norm_out"), ("mid.attn_1.", "mid_block.attentions.0."), ] for i in range(4): # down_blocks have two resnets for j in range(2): hf_down_prefix = f"encoder.down_blocks.{i}.resnets.{j}." sd_down_prefix = f"encoder.down.{i}.block.{j}." vae_conversion_map.append((sd_down_prefix, hf_down_prefix)) if i < 3: hf_downsample_prefix = f"down_blocks.{i}.downsamplers.0." sd_downsample_prefix = f"down.{i}.downsample." vae_conversion_map.append((sd_downsample_prefix, hf_downsample_prefix)) hf_upsample_prefix = f"up_blocks.{i}.upsamplers.0." sd_upsample_prefix = f"up.{3-i}.upsample." vae_conversion_map.append((sd_upsample_prefix, hf_upsample_prefix)) # up_blocks have three resnets # also, up blocks in hf are numbered in reverse from sd for j in range(3): hf_up_prefix = f"decoder.up_blocks.{i}.resnets.{j}." sd_up_prefix = f"decoder.up.{3-i}.block.{j}." vae_conversion_map.append((sd_up_prefix, hf_up_prefix)) # this part accounts for mid blocks in both the encoder and the decoder for i in range(2): hf_mid_res_prefix = f"mid_block.resnets.{i}." sd_mid_res_prefix = f"mid.block_{i+1}." vae_conversion_map.append((sd_mid_res_prefix, hf_mid_res_prefix)) if diffusers.__version__ < "0.17.0": vae_conversion_map_attn = [ # (stable-diffusion, HF Diffusers) ("norm.", "group_norm."), ("q.", "query."), ("k.", "key."), ("v.", "value."), ("proj_out.", "proj_attn."), ] else: vae_conversion_map_attn = [ # (stable-diffusion, HF Diffusers) ("norm.", "group_norm."), ("q.", "to_q."), ("k.", "to_k."), ("v.", "to_v."), ("proj_out.", "to_out.0."), ] mapping = {k: k for k in vae_state_dict.keys()} for k, v in mapping.items(): for sd_part, hf_part in vae_conversion_map: v = v.replace(hf_part, sd_part) mapping[k] = v for k, v in mapping.items(): if "attentions" in k: for sd_part, hf_part in vae_conversion_map_attn: v = v.replace(hf_part, sd_part) mapping[k] = v new_state_dict = {v: vae_state_dict[k] for k, v in mapping.items()} weights_to_convert = ["q", "k", "v", "proj_out"] for k, v in new_state_dict.items(): for weight_name in weights_to_convert: if f"mid.attn_1.{weight_name}.weight" in k: # logger.info(f"Reshaping {k} for SD format: shape {v.shape} -> {v.shape} x 1 x 1") new_state_dict[k] = reshape_weight_for_sd(v) return new_state_dict # endregion # region 自作のモデル読み書きなど def is_safetensors(path): return os.path.splitext(path)[1].lower() == ".safetensors" def load_checkpoint_with_text_encoder_conversion(ckpt_path, device="cpu"): # text encoderの格納形式が違うモデルに対応する ('text_model'がない) TEXT_ENCODER_KEY_REPLACEMENTS = [ ("cond_stage_model.transformer.embeddings.", "cond_stage_model.transformer.text_model.embeddings."), ("cond_stage_model.transformer.encoder.", "cond_stage_model.transformer.text_model.encoder."), ("cond_stage_model.transformer.final_layer_norm.", "cond_stage_model.transformer.text_model.final_layer_norm."), ] if is_safetensors(ckpt_path): checkpoint = None state_dict = load_file(ckpt_path) # , device) # may causes error else: checkpoint = torch.load(ckpt_path, map_location=device, weights_only=False) if "state_dict" in checkpoint: state_dict = checkpoint["state_dict"] else: state_dict = checkpoint checkpoint = None key_reps = [] for rep_from, rep_to in TEXT_ENCODER_KEY_REPLACEMENTS: for key in state_dict.keys(): if key.startswith(rep_from): new_key = rep_to + key[len(rep_from) :] key_reps.append((key, new_key)) for key, new_key in key_reps: state_dict[new_key] = state_dict[key] del state_dict[key] return checkpoint, state_dict # TODO dtype指定の動作が怪しいので確認する text_encoderを指定形式で作れるか未確認 def load_models_from_stable_diffusion_checkpoint(v2, ckpt_path, device="cpu", dtype=None, unet_use_linear_projection_in_v2=True): _, state_dict = load_checkpoint_with_text_encoder_conversion(ckpt_path, device) # Convert the UNet2DConditionModel model. unet_config = create_unet_diffusers_config(v2, unet_use_linear_projection_in_v2) converted_unet_checkpoint = convert_ldm_unet_checkpoint(v2, state_dict, unet_config) unet = UNet2DConditionModel(**unet_config).to(device) info = unet.load_state_dict(converted_unet_checkpoint) logger.info(f"loading u-net: {info}") # Convert the VAE model. vae_config = create_vae_diffusers_config() converted_vae_checkpoint = convert_ldm_vae_checkpoint(state_dict, vae_config) vae = AutoencoderKL(**vae_config).to(device) info = vae.load_state_dict(converted_vae_checkpoint) logger.info(f"loading vae: {info}") # convert text_model if v2: converted_text_encoder_checkpoint = convert_ldm_clip_checkpoint_v2(state_dict, 77) cfg = CLIPTextConfig( vocab_size=49408, hidden_size=1024, intermediate_size=4096, num_hidden_layers=23, num_attention_heads=16, max_position_embeddings=77, hidden_act="gelu", layer_norm_eps=1e-05, dropout=0.0, attention_dropout=0.0, initializer_range=0.02, initializer_factor=1.0, pad_token_id=1, bos_token_id=0, eos_token_id=2, model_type="clip_text_model", projection_dim=512, torch_dtype="float32", transformers_version="4.25.0.dev0", ) text_model = CLIPTextModel._from_config(cfg) info = text_model.load_state_dict(converted_text_encoder_checkpoint) else: converted_text_encoder_checkpoint = convert_ldm_clip_checkpoint_v1(state_dict) # logging.set_verbosity_error() # don't show annoying warning # text_model = CLIPTextModel.from_pretrained("openai/clip-vit-large-patch14").to(device) # logging.set_verbosity_warning() # logger.info(f"config: {text_model.config}") cfg = CLIPTextConfig( vocab_size=49408, hidden_size=768, intermediate_size=3072, num_hidden_layers=12, num_attention_heads=12, max_position_embeddings=77, hidden_act="quick_gelu", layer_norm_eps=1e-05, dropout=0.0, attention_dropout=0.0, initializer_range=0.02, initializer_factor=1.0, pad_token_id=1, bos_token_id=0, eos_token_id=2, model_type="clip_text_model", projection_dim=768, torch_dtype="float32", ) text_model = CLIPTextModel._from_config(cfg) info = text_model.load_state_dict(converted_text_encoder_checkpoint) logger.info(f"loading text encoder: {info}") return text_model, vae, unet def get_model_version_str_for_sd1_sd2(v2, v_parameterization): # only for reference version_str = "sd" if v2: version_str += "_v2" else: version_str += "_v1" if v_parameterization: version_str += "_v" return version_str def convert_text_encoder_state_dict_to_sd_v2(checkpoint, make_dummy_weights=False): def convert_key(key): # position_idsの除去 if ".position_ids" in key: return None # common key = key.replace("text_model.encoder.", "transformer.") key = key.replace("text_model.", "") if "layers" in key: # resblocks conversion key = key.replace(".layers.", ".resblocks.") if ".layer_norm" in key: key = key.replace(".layer_norm", ".ln_") elif ".mlp." in key: key = key.replace(".fc1.", ".c_fc.") key = key.replace(".fc2.", ".c_proj.") elif ".self_attn.out_proj" in key: key = key.replace(".self_attn.out_proj.", ".attn.out_proj.") elif ".self_attn." in key: key = None # 特殊なので後で処理する else: raise ValueError(f"unexpected key in DiffUsers model: {key}") elif ".position_embedding" in key: key = key.replace("embeddings.position_embedding.weight", "positional_embedding") elif ".token_embedding" in key: key = key.replace("embeddings.token_embedding.weight", "token_embedding.weight") elif "final_layer_norm" in key: key = key.replace("final_layer_norm", "ln_final") return key keys = list(checkpoint.keys()) new_sd = {} for key in keys: new_key = convert_key(key) if new_key is None: continue new_sd[new_key] = checkpoint[key] # attnの変換 for key in keys: if "layers" in key and "q_proj" in key: # 三つを結合 key_q = key key_k = key.replace("q_proj", "k_proj") key_v = key.replace("q_proj", "v_proj") value_q = checkpoint[key_q] value_k = checkpoint[key_k] value_v = checkpoint[key_v] value = torch.cat([value_q, value_k, value_v]) new_key = key.replace("text_model.encoder.layers.", "transformer.resblocks.") new_key = new_key.replace(".self_attn.q_proj.", ".attn.in_proj_") new_sd[new_key] = value # 最後の層などを捏造するか if make_dummy_weights: logger.info("make dummy weights for resblock.23, text_projection and logit scale.") keys = list(new_sd.keys()) for key in keys: if key.startswith("transformer.resblocks.22."): new_sd[key.replace(".22.", ".23.")] = new_sd[key].clone() # copyしないとsafetensorsの保存で落ちる # Diffusersに含まれない重みを作っておく new_sd["text_projection"] = torch.ones((1024, 1024), dtype=new_sd[keys[0]].dtype, device=new_sd[keys[0]].device) new_sd["logit_scale"] = torch.tensor(1) return new_sd def save_stable_diffusion_checkpoint( v2, output_file, text_encoder, unet, ckpt_path, epochs, steps, metadata, save_dtype=None, vae=None ): if ckpt_path is not None: # epoch/stepを参照する。またVAEがメモリ上にないときなど、もう一度VAEを含めて読み込む checkpoint, state_dict = load_checkpoint_with_text_encoder_conversion(ckpt_path) if checkpoint is None: # safetensors または state_dictのckpt checkpoint = {} strict = False else: strict = True if "state_dict" in state_dict: del state_dict["state_dict"] else: # 新しく作る assert vae is not None, "VAE is required to save a checkpoint without a given checkpoint" checkpoint = {} state_dict = {} strict = False def update_sd(prefix, sd): for k, v in sd.items(): key = prefix + k assert not strict or key in state_dict, f"Illegal key in save SD: {key}" if save_dtype is not None: v = v.detach().clone().to("cpu").to(save_dtype) state_dict[key] = v # Convert the UNet model unet_state_dict = convert_unet_state_dict_to_sd(v2, unet.state_dict()) update_sd("model.diffusion_model.", unet_state_dict) # Convert the text encoder model if v2: make_dummy = ckpt_path is None # 参照元のcheckpointがない場合は最後の層を前の層から複製して作るなどダミーの重みを入れる text_enc_dict = convert_text_encoder_state_dict_to_sd_v2(text_encoder.state_dict(), make_dummy) update_sd("cond_stage_model.model.", text_enc_dict) else: text_enc_dict = text_encoder.state_dict() update_sd("cond_stage_model.transformer.", text_enc_dict) # Convert the VAE if vae is not None: vae_dict = convert_vae_state_dict(vae.state_dict()) update_sd("first_stage_model.", vae_dict) # Put together new checkpoint key_count = len(state_dict.keys()) new_ckpt = {"state_dict": state_dict} # epoch and global_step are sometimes not int try: if "epoch" in checkpoint: epochs += checkpoint["epoch"] if "global_step" in checkpoint: steps += checkpoint["global_step"] except: pass new_ckpt["epoch"] = epochs new_ckpt["global_step"] = steps if is_safetensors(output_file): # TODO Tensor以外のdictの値を削除したほうがいいか save_file(state_dict, output_file, metadata) else: torch.save(new_ckpt, output_file) return key_count def save_diffusers_checkpoint(v2, output_dir, text_encoder, unet, pretrained_model_name_or_path, vae=None, use_safetensors=False): if pretrained_model_name_or_path is None: # load default settings for v1/v2 if v2: pretrained_model_name_or_path = DIFFUSERS_REF_MODEL_ID_V2 else: pretrained_model_name_or_path = DIFFUSERS_REF_MODEL_ID_V1 scheduler = DDIMScheduler.from_pretrained(pretrained_model_name_or_path, subfolder="scheduler") tokenizer = CLIPTokenizer.from_pretrained(pretrained_model_name_or_path, subfolder="tokenizer") if vae is None: vae = AutoencoderKL.from_pretrained(pretrained_model_name_or_path, subfolder="vae") # original U-Net cannot be saved, so we need to convert it to the Diffusers version # TODO this consumes a lot of memory diffusers_unet = diffusers.UNet2DConditionModel.from_pretrained(pretrained_model_name_or_path, subfolder="unet") diffusers_unet.load_state_dict(unet.state_dict()) pipeline = StableDiffusionPipeline( unet=diffusers_unet, text_encoder=text_encoder, vae=vae, scheduler=scheduler, tokenizer=tokenizer, safety_checker=None, feature_extractor=None, requires_safety_checker=None, ) pipeline.save_pretrained(output_dir, safe_serialization=use_safetensors) VAE_PREFIX = "first_stage_model." def load_vae(vae_id, dtype): logger.info(f"load VAE: {vae_id}") if os.path.isdir(vae_id) or not os.path.isfile(vae_id): # Diffusers local/remote try: vae = AutoencoderKL.from_pretrained(vae_id, subfolder=None, torch_dtype=dtype) except EnvironmentError as e: logger.error(f"exception occurs in loading vae: {e}") logger.error("retry with subfolder='vae'") vae = AutoencoderKL.from_pretrained(vae_id, subfolder="vae", torch_dtype=dtype) return vae # local vae_config = create_vae_diffusers_config() if vae_id.endswith(".bin"): # SD 1.5 VAE on Huggingface converted_vae_checkpoint = torch.load(vae_id, map_location="cpu") else: # StableDiffusion vae_model = load_file(vae_id, "cpu") if is_safetensors(vae_id) else torch.load(vae_id, map_location="cpu") vae_sd = vae_model["state_dict"] if "state_dict" in vae_model else vae_model # vae only or full model full_model = False for vae_key in vae_sd: if vae_key.startswith(VAE_PREFIX): full_model = True break if not full_model: sd = {} for key, value in vae_sd.items(): sd[VAE_PREFIX + key] = value vae_sd = sd del sd # Convert the VAE model. converted_vae_checkpoint = convert_ldm_vae_checkpoint(vae_sd, vae_config) vae = AutoencoderKL(**vae_config) vae.load_state_dict(converted_vae_checkpoint) return vae # endregion def make_bucket_resolutions(max_reso, min_size=256, max_size=1024, divisible=64): max_width, max_height = max_reso max_area = max_width * max_height resos = set() width = int(math.sqrt(max_area) // divisible) * divisible resos.add((width, width)) width = min_size while width <= max_size: height = min(max_size, int((max_area // width) // divisible) * divisible) if height >= min_size: resos.add((width, height)) resos.add((height, width)) # # make additional resos # if width >= height and width - divisible >= min_size: # resos.add((width - divisible, height)) # resos.add((height, width - divisible)) # if height >= width and height - divisible >= min_size: # resos.add((width, height - divisible)) # resos.add((height - divisible, width)) width += divisible resos = list(resos) resos.sort() return resos if __name__ == "__main__": resos = make_bucket_resolutions((512, 768)) logger.info(f"{len(resos)}") logger.info(f"{resos}") aspect_ratios = [w / h for w, h in resos] logger.info(f"{aspect_ratios}") ars = set() for ar in aspect_ratios: if ar in ars: logger.error(f"error! duplicate ar: {ar}") ars.add(ar) ================================================ FILE: library/original_unet.py ================================================ # Diffusers 0.10.2からStable Diffusionに必要な部分だけを持ってくる # 条件分岐等で不要な部分は削除している # コードの多くはDiffusersからコピーしている # 制約として、モデルのstate_dictがDiffusers 0.10.2のものと同じ形式である必要がある # Copy from Diffusers 0.10.2 for Stable Diffusion. Most of the code is copied from Diffusers. # Unnecessary parts are deleted by condition branching. # As a constraint, the state_dict of the model must be in the same format as that of Diffusers 0.10.2 """ v1.5とv2.1の相違点は - attention_head_dimがintかlist[int]か - cross_attention_dimが768か1024か - use_linear_projection: trueがない（=False, 1.5）かあるか - upcast_attentionがFalse(1.5)かTrue(2.1)か - （以下は多分無視していい） - sample_sizeが64か96か - dual_cross_attentionがあるかないか - num_class_embedsがあるかないか - only_cross_attentionがあるかないか v1.5 { "_class_name": "UNet2DConditionModel", "_diffusers_version": "0.6.0", "act_fn": "silu", "attention_head_dim": 8, "block_out_channels": [ 320, 640, 1280, 1280 ], "center_input_sample": false, "cross_attention_dim": 768, "down_block_types": [ "CrossAttnDownBlock2D", "CrossAttnDownBlock2D", "CrossAttnDownBlock2D", "DownBlock2D" ], "downsample_padding": 1, "flip_sin_to_cos": true, "freq_shift": 0, "in_channels": 4, "layers_per_block": 2, "mid_block_scale_factor": 1, "norm_eps": 1e-05, "norm_num_groups": 32, "out_channels": 4, "sample_size": 64, "up_block_types": [ "UpBlock2D", "CrossAttnUpBlock2D", "CrossAttnUpBlock2D", "CrossAttnUpBlock2D" ] } v2.1 { "_class_name": "UNet2DConditionModel", "_diffusers_version": "0.10.0.dev0", "act_fn": "silu", "attention_head_dim": [ 5, 10, 20, 20 ], "block_out_channels": [ 320, 640, 1280, 1280 ], "center_input_sample": false, "cross_attention_dim": 1024, "down_block_types": [ "CrossAttnDownBlock2D", "CrossAttnDownBlock2D", "CrossAttnDownBlock2D", "DownBlock2D" ], "downsample_padding": 1, "dual_cross_attention": false, "flip_sin_to_cos": true, "freq_shift": 0, "in_channels": 4, "layers_per_block": 2, "mid_block_scale_factor": 1, "norm_eps": 1e-05, "norm_num_groups": 32, "num_class_embeds": null, "only_cross_attention": false, "out_channels": 4, "sample_size": 96, "up_block_types": [ "UpBlock2D", "CrossAttnUpBlock2D", "CrossAttnUpBlock2D", "CrossAttnUpBlock2D" ], "use_linear_projection": true, "upcast_attention": true } """ import math from types import SimpleNamespace from typing import Dict, Optional, Tuple, Union import torch from torch import nn from torch.nn import functional as F from einops import rearrange from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) BLOCK_OUT_CHANNELS: Tuple[int] = (320, 640, 1280, 1280) TIMESTEP_INPUT_DIM = BLOCK_OUT_CHANNELS[0] TIME_EMBED_DIM = BLOCK_OUT_CHANNELS[0] * 4 IN_CHANNELS: int = 4 OUT_CHANNELS: int = 4 LAYERS_PER_BLOCK: int = 2 LAYERS_PER_BLOCK_UP: int = LAYERS_PER_BLOCK + 1 TIME_EMBED_FLIP_SIN_TO_COS: bool = True TIME_EMBED_FREQ_SHIFT: int = 0 NORM_GROUPS: int = 32 NORM_EPS: float = 1e-5 TRANSFORMER_NORM_NUM_GROUPS = 32 DOWN_BLOCK_TYPES = ["CrossAttnDownBlock2D", "CrossAttnDownBlock2D", "CrossAttnDownBlock2D", "DownBlock2D"] UP_BLOCK_TYPES = ["UpBlock2D", "CrossAttnUpBlock2D", "CrossAttnUpBlock2D", "CrossAttnUpBlock2D"] # region memory efficient attention # FlashAttentionを使うCrossAttention # based on https://github.com/lucidrains/memory-efficient-attention-pytorch/blob/main/memory_efficient_attention_pytorch/flash_attention.py # LICENSE MIT https://github.com/lucidrains/memory-efficient-attention-pytorch/blob/main/LICENSE # constants EPSILON = 1e-6 # helper functions def exists(val): return val is not None def default(val, d): return val if exists(val) else d # flash attention forwards and backwards # https://arxiv.org/abs/2205.14135 class FlashAttentionFunction(torch.autograd.Function): @staticmethod @torch.no_grad() def forward(ctx, q, k, v, mask, causal, q_bucket_size, k_bucket_size): """Algorithm 2 in the paper""" device = q.device dtype = q.dtype max_neg_value = -torch.finfo(q.dtype).max qk_len_diff = max(k.shape[-2] - q.shape[-2], 0) o = torch.zeros_like(q) all_row_sums = torch.zeros((*q.shape[:-1], 1), dtype=dtype, device=device) all_row_maxes = torch.full((*q.shape[:-1], 1), max_neg_value, dtype=dtype, device=device) scale = q.shape[-1] ** -0.5 if not exists(mask): mask = (None,) * math.ceil(q.shape[-2] / q_bucket_size) else: mask = rearrange(mask, "b n -> b 1 1 n") mask = mask.split(q_bucket_size, dim=-1) row_splits = zip( q.split(q_bucket_size, dim=-2), o.split(q_bucket_size, dim=-2), mask, all_row_sums.split(q_bucket_size, dim=-2), all_row_maxes.split(q_bucket_size, dim=-2), ) for ind, (qc, oc, row_mask, row_sums, row_maxes) in enumerate(row_splits): q_start_index = ind * q_bucket_size - qk_len_diff col_splits = zip( k.split(k_bucket_size, dim=-2), v.split(k_bucket_size, dim=-2), ) for k_ind, (kc, vc) in enumerate(col_splits): k_start_index = k_ind * k_bucket_size attn_weights = torch.einsum("... i d, ... j d -> ... i j", qc, kc) * scale if exists(row_mask): attn_weights.masked_fill_(~row_mask, max_neg_value) if causal and q_start_index < (k_start_index + k_bucket_size - 1): causal_mask = torch.ones((qc.shape[-2], kc.shape[-2]), dtype=torch.bool, device=device).triu( q_start_index - k_start_index + 1 ) attn_weights.masked_fill_(causal_mask, max_neg_value) block_row_maxes = attn_weights.amax(dim=-1, keepdims=True) attn_weights -= block_row_maxes exp_weights = torch.exp(attn_weights) if exists(row_mask): exp_weights.masked_fill_(~row_mask, 0.0) block_row_sums = exp_weights.sum(dim=-1, keepdims=True).clamp(min=EPSILON) new_row_maxes = torch.maximum(block_row_maxes, row_maxes) exp_values = torch.einsum("... i j, ... j d -> ... i d", exp_weights, vc) exp_row_max_diff = torch.exp(row_maxes - new_row_maxes) exp_block_row_max_diff = torch.exp(block_row_maxes - new_row_maxes) new_row_sums = exp_row_max_diff * row_sums + exp_block_row_max_diff * block_row_sums oc.mul_((row_sums / new_row_sums) * exp_row_max_diff).add_((exp_block_row_max_diff / new_row_sums) * exp_values) row_maxes.copy_(new_row_maxes) row_sums.copy_(new_row_sums) ctx.args = (causal, scale, mask, q_bucket_size, k_bucket_size) ctx.save_for_backward(q, k, v, o, all_row_sums, all_row_maxes) return o @staticmethod @torch.no_grad() def backward(ctx, do): """Algorithm 4 in the paper""" causal, scale, mask, q_bucket_size, k_bucket_size = ctx.args q, k, v, o, l, m = ctx.saved_tensors device = q.device max_neg_value = -torch.finfo(q.dtype).max qk_len_diff = max(k.shape[-2] - q.shape[-2], 0) dq = torch.zeros_like(q) dk = torch.zeros_like(k) dv = torch.zeros_like(v) row_splits = zip( q.split(q_bucket_size, dim=-2), o.split(q_bucket_size, dim=-2), do.split(q_bucket_size, dim=-2), mask, l.split(q_bucket_size, dim=-2), m.split(q_bucket_size, dim=-2), dq.split(q_bucket_size, dim=-2), ) for ind, (qc, oc, doc, row_mask, lc, mc, dqc) in enumerate(row_splits): q_start_index = ind * q_bucket_size - qk_len_diff col_splits = zip( k.split(k_bucket_size, dim=-2), v.split(k_bucket_size, dim=-2), dk.split(k_bucket_size, dim=-2), dv.split(k_bucket_size, dim=-2), ) for k_ind, (kc, vc, dkc, dvc) in enumerate(col_splits): k_start_index = k_ind * k_bucket_size attn_weights = torch.einsum("... i d, ... j d -> ... i j", qc, kc) * scale if causal and q_start_index < (k_start_index + k_bucket_size - 1): causal_mask = torch.ones((qc.shape[-2], kc.shape[-2]), dtype=torch.bool, device=device).triu( q_start_index - k_start_index + 1 ) attn_weights.masked_fill_(causal_mask, max_neg_value) exp_attn_weights = torch.exp(attn_weights - mc) if exists(row_mask): exp_attn_weights.masked_fill_(~row_mask, 0.0) p = exp_attn_weights / lc dv_chunk = torch.einsum("... i j, ... i d -> ... j d", p, doc) dp = torch.einsum("... i d, ... j d -> ... i j", doc, vc) D = (doc * oc).sum(dim=-1, keepdims=True) ds = p * scale * (dp - D) dq_chunk = torch.einsum("... i j, ... j d -> ... i d", ds, kc) dk_chunk = torch.einsum("... i j, ... i d -> ... j d", ds, qc) dqc.add_(dq_chunk) dkc.add_(dk_chunk) dvc.add_(dv_chunk) return dq, dk, dv, None, None, None, None # endregion def get_parameter_dtype(parameter: torch.nn.Module): return next(parameter.parameters()).dtype def get_parameter_device(parameter: torch.nn.Module): return next(parameter.parameters()).device def get_timestep_embedding( timesteps: torch.Tensor, embedding_dim: int, flip_sin_to_cos: bool = False, downscale_freq_shift: float = 1, scale: float = 1, max_period: int = 10000, ): """ This matches the implementation in Denoising Diffusion Probabilistic Models: Create sinusoidal timestep embeddings. :param timesteps: a 1-D Tensor of N indices, one per batch element. These may be fractional. :param embedding_dim: the dimension of the output. :param max_period: controls the minimum frequency of the embeddings. :return: an [N x dim] Tensor of positional embeddings. """ assert len(timesteps.shape) == 1, "Timesteps should be a 1d-array" half_dim = embedding_dim // 2 exponent = -math.log(max_period) * torch.arange(start=0, end=half_dim, dtype=torch.float32, device=timesteps.device) exponent = exponent / (half_dim - downscale_freq_shift) emb = torch.exp(exponent) emb = timesteps[:, None].float() * emb[None, :] # scale embeddings emb = scale * emb # concat sine and cosine embeddings emb = torch.cat([torch.sin(emb), torch.cos(emb)], dim=-1) # flip sine and cosine embeddings if flip_sin_to_cos: emb = torch.cat([emb[:, half_dim:], emb[:, :half_dim]], dim=-1) # zero pad if embedding_dim % 2 == 1: emb = torch.nn.functional.pad(emb, (0, 1, 0, 0)) return emb # Deep Shrink: We do not common this function, because minimize dependencies. def resize_like(x, target, mode="bicubic", align_corners=False): org_dtype = x.dtype if org_dtype == torch.bfloat16: x = x.to(torch.float32) if x.shape[-2:] != target.shape[-2:]: if mode == "nearest": x = F.interpolate(x, size=target.shape[-2:], mode=mode) else: x = F.interpolate(x, size=target.shape[-2:], mode=mode, align_corners=align_corners) if org_dtype == torch.bfloat16: x = x.to(org_dtype) return x class SampleOutput: def __init__(self, sample): self.sample = sample class TimestepEmbedding(nn.Module): def __init__(self, in_channels: int, time_embed_dim: int, act_fn: str = "silu", out_dim: int = None): super().__init__() self.linear_1 = nn.Linear(in_channels, time_embed_dim) self.act = None if act_fn == "silu": self.act = nn.SiLU() elif act_fn == "mish": self.act = nn.Mish() if out_dim is not None: time_embed_dim_out = out_dim else: time_embed_dim_out = time_embed_dim self.linear_2 = nn.Linear(time_embed_dim, time_embed_dim_out) def forward(self, sample): sample = self.linear_1(sample) if self.act is not None: sample = self.act(sample) sample = self.linear_2(sample) return sample class Timesteps(nn.Module): def __init__(self, num_channels: int, flip_sin_to_cos: bool, downscale_freq_shift: float): super().__init__() self.num_channels = num_channels self.flip_sin_to_cos = flip_sin_to_cos self.downscale_freq_shift = downscale_freq_shift def forward(self, timesteps): t_emb = get_timestep_embedding( timesteps, self.num_channels, flip_sin_to_cos=self.flip_sin_to_cos, downscale_freq_shift=self.downscale_freq_shift, ) return t_emb class ResnetBlock2D(nn.Module): def __init__( self, in_channels, out_channels, ): super().__init__() self.in_channels = in_channels self.out_channels = out_channels self.norm1 = torch.nn.GroupNorm(num_groups=NORM_GROUPS, num_channels=in_channels, eps=NORM_EPS, affine=True) self.conv1 = torch.nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=1, padding=1) self.time_emb_proj = torch.nn.Linear(TIME_EMBED_DIM, out_channels) self.norm2 = torch.nn.GroupNorm(num_groups=NORM_GROUPS, num_channels=out_channels, eps=NORM_EPS, affine=True) self.conv2 = torch.nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=1, padding=1) # if non_linearity == "swish": self.nonlinearity = lambda x: F.silu(x) self.use_in_shortcut = self.in_channels != self.out_channels self.conv_shortcut = None if self.use_in_shortcut: self.conv_shortcut = torch.nn.Conv2d(in_channels, out_channels, kernel_size=1, stride=1, padding=0) def forward(self, input_tensor, temb): hidden_states = input_tensor hidden_states = self.norm1(hidden_states) hidden_states = self.nonlinearity(hidden_states) hidden_states = self.conv1(hidden_states) temb = self.time_emb_proj(self.nonlinearity(temb))[:, :, None, None] hidden_states = hidden_states + temb hidden_states = self.norm2(hidden_states) hidden_states = self.nonlinearity(hidden_states) hidden_states = self.conv2(hidden_states) if self.conv_shortcut is not None: input_tensor = self.conv_shortcut(input_tensor) output_tensor = input_tensor + hidden_states return output_tensor class DownBlock2D(nn.Module): def __init__( self, in_channels: int, out_channels: int, add_downsample=True, ): super().__init__() self.has_cross_attention = False resnets = [] for i in range(LAYERS_PER_BLOCK): in_channels = in_channels if i == 0 else out_channels resnets.append( ResnetBlock2D( in_channels=in_channels, out_channels=out_channels, ) ) self.resnets = nn.ModuleList(resnets) if add_downsample: self.downsamplers = [Downsample2D(out_channels, out_channels=out_channels)] else: self.downsamplers = None self.gradient_checkpointing = False def set_use_memory_efficient_attention(self, xformers, mem_eff): pass def set_use_sdpa(self, sdpa): pass def forward(self, hidden_states, temb=None): output_states = () for resnet in self.resnets: if self.training and self.gradient_checkpointing: def create_custom_forward(module): def custom_forward(*inputs): return module(*inputs) return custom_forward hidden_states = torch.utils.checkpoint.checkpoint( create_custom_forward(resnet), hidden_states, temb, use_reentrant=False ) else: hidden_states = resnet(hidden_states, temb) output_states += (hidden_states,) if self.downsamplers is not None: for downsampler in self.downsamplers: hidden_states = downsampler(hidden_states) output_states += (hidden_states,) return hidden_states, output_states class Downsample2D(nn.Module): def __init__(self, channels, out_channels): super().__init__() self.channels = channels self.out_channels = out_channels self.conv = nn.Conv2d(self.channels, self.out_channels, 3, stride=2, padding=1) def forward(self, hidden_states): assert hidden_states.shape[1] == self.channels hidden_states = self.conv(hidden_states) return hidden_states class CrossAttention(nn.Module): def __init__( self, query_dim: int, cross_attention_dim: Optional[int] = None, heads: int = 8, dim_head: int = 64, upcast_attention: bool = False, ): super().__init__() inner_dim = dim_head * heads cross_attention_dim = cross_attention_dim if cross_attention_dim is not None else query_dim self.upcast_attention = upcast_attention self.scale = dim_head**-0.5 self.heads = heads self.to_q = nn.Linear(query_dim, inner_dim, bias=False) self.to_k = nn.Linear(cross_attention_dim, inner_dim, bias=False) self.to_v = nn.Linear(cross_attention_dim, inner_dim, bias=False) self.to_out = nn.ModuleList([]) self.to_out.append(nn.Linear(inner_dim, query_dim)) # no dropout here self.use_memory_efficient_attention_xformers = False self.use_memory_efficient_attention_mem_eff = False self.use_sdpa = False # Attention processor self.processor = None def set_use_memory_efficient_attention(self, xformers, mem_eff): self.use_memory_efficient_attention_xformers = xformers self.use_memory_efficient_attention_mem_eff = mem_eff def set_use_sdpa(self, sdpa): self.use_sdpa = sdpa def reshape_heads_to_batch_dim(self, tensor): batch_size, seq_len, dim = tensor.shape head_size = self.heads tensor = tensor.reshape(batch_size, seq_len, head_size, dim // head_size) tensor = tensor.permute(0, 2, 1, 3).reshape(batch_size * head_size, seq_len, dim // head_size) return tensor def reshape_batch_dim_to_heads(self, tensor): batch_size, seq_len, dim = tensor.shape head_size = self.heads tensor = tensor.reshape(batch_size // head_size, head_size, seq_len, dim) tensor = tensor.permute(0, 2, 1, 3).reshape(batch_size // head_size, seq_len, dim * head_size) return tensor def set_processor(self): return self.processor def get_processor(self): return self.processor def forward(self, hidden_states, context=None, mask=None, **kwargs): if self.processor is not None: ( hidden_states, encoder_hidden_states, attention_mask, ) = translate_attention_names_from_diffusers(hidden_states=hidden_states, context=context, mask=mask, **kwargs) return self.processor( attn=self, hidden_states=hidden_states, encoder_hidden_states=context, attention_mask=mask, **kwargs ) if self.use_memory_efficient_attention_xformers: return self.forward_memory_efficient_xformers(hidden_states, context, mask) if self.use_memory_efficient_attention_mem_eff: return self.forward_memory_efficient_mem_eff(hidden_states, context, mask) if self.use_sdpa: return self.forward_sdpa(hidden_states, context, mask) query = self.to_q(hidden_states) context = context if context is not None else hidden_states key = self.to_k(context) value = self.to_v(context) query = self.reshape_heads_to_batch_dim(query) key = self.reshape_heads_to_batch_dim(key) value = self.reshape_heads_to_batch_dim(value) hidden_states = self._attention(query, key, value) # linear proj hidden_states = self.to_out[0](hidden_states) # hidden_states = self.to_out[1](hidden_states) # no dropout return hidden_states def _attention(self, query, key, value): if self.upcast_attention: query = query.float() key = key.float() attention_scores = torch.baddbmm( torch.empty(query.shape[0], query.shape[1], key.shape[1], dtype=query.dtype, device=query.device), query, key.transpose(-1, -2), beta=0, alpha=self.scale, ) attention_probs = attention_scores.softmax(dim=-1) # cast back to the original dtype attention_probs = attention_probs.to(value.dtype) # compute attention output hidden_states = torch.bmm(attention_probs, value) # reshape hidden_states hidden_states = self.reshape_batch_dim_to_heads(hidden_states) return hidden_states # TODO support Hypernetworks def forward_memory_efficient_xformers(self, x, context=None, mask=None): import xformers.ops h = self.heads q_in = self.to_q(x) context = context if context is not None else x context = context.to(x.dtype) k_in = self.to_k(context) v_in = self.to_v(context) q, k, v = map(lambda t: rearrange(t, "b n (h d) -> b n h d", h=h), (q_in, k_in, v_in)) del q_in, k_in, v_in q = q.contiguous() k = k.contiguous() v = v.contiguous() out = xformers.ops.memory_efficient_attention(q, k, v, attn_bias=None) # 最適なのを選んでくれる out = rearrange(out, "b n h d -> b n (h d)", h=h) out = self.to_out[0](out) return out def forward_memory_efficient_mem_eff(self, x, context=None, mask=None): flash_func = FlashAttentionFunction q_bucket_size = 512 k_bucket_size = 1024 h = self.heads q = self.to_q(x) context = context if context is not None else x context = context.to(x.dtype) k = self.to_k(context) v = self.to_v(context) del context, x q, k, v = map(lambda t: rearrange(t, "b n (h d) -> b h n d", h=h), (q, k, v)) out = flash_func.apply(q, k, v, mask, False, q_bucket_size, k_bucket_size) out = rearrange(out, "b h n d -> b n (h d)") out = self.to_out[0](out) return out def forward_sdpa(self, x, context=None, mask=None): h = self.heads q_in = self.to_q(x) context = context if context is not None else x context = context.to(x.dtype) k_in = self.to_k(context) v_in = self.to_v(context) q, k, v = map(lambda t: rearrange(t, "b n (h d) -> b h n d", h=h), (q_in, k_in, v_in)) del q_in, k_in, v_in out = F.scaled_dot_product_attention(q, k, v, attn_mask=mask, dropout_p=0.0, is_causal=False) out = rearrange(out, "b h n d -> b n (h d)", h=h) out = self.to_out[0](out) return out def translate_attention_names_from_diffusers( hidden_states: torch.FloatTensor, context: Optional[torch.FloatTensor] = None, mask: Optional[torch.FloatTensor] = None, # HF naming encoder_hidden_states: Optional[torch.FloatTensor] = None, attention_mask: Optional[torch.FloatTensor] = None, ): # translate from hugging face diffusers context = context if context is not None else encoder_hidden_states # translate from hugging face diffusers mask = mask if mask is not None else attention_mask return hidden_states, context, mask # feedforward class GEGLU(nn.Module): r""" A variant of the gated linear unit activation function from https://arxiv.org/abs/2002.05202. Parameters: dim_in (`int`): The number of channels in the input. dim_out (`int`): The number of channels in the output. """ def __init__(self, dim_in: int, dim_out: int): super().__init__() self.proj = nn.Linear(dim_in, dim_out * 2) def gelu(self, gate): if gate.device.type != "mps": return F.gelu(gate) # mps: gelu is not implemented for float16 return F.gelu(gate.to(dtype=torch.float32)).to(dtype=gate.dtype) def forward(self, hidden_states): hidden_states, gate = self.proj(hidden_states).chunk(2, dim=-1) return hidden_states * self.gelu(gate) class FeedForward(nn.Module): def __init__( self, dim: int, ): super().__init__() inner_dim = int(dim * 4) # mult is always 4 self.net = nn.ModuleList([]) # project in self.net.append(GEGLU(dim, inner_dim)) # project dropout self.net.append(nn.Identity()) # nn.Dropout(0)) # dummy for dropout with 0 # project out self.net.append(nn.Linear(inner_dim, dim)) def forward(self, hidden_states): for module in self.net: hidden_states = module(hidden_states) return hidden_states class BasicTransformerBlock(nn.Module): def __init__( self, dim: int, num_attention_heads: int, attention_head_dim: int, cross_attention_dim: int, upcast_attention: bool = False ): super().__init__() # 1. Self-Attn self.attn1 = CrossAttention( query_dim=dim, cross_attention_dim=None, heads=num_attention_heads, dim_head=attention_head_dim, upcast_attention=upcast_attention, ) self.ff = FeedForward(dim) # 2. Cross-Attn self.attn2 = CrossAttention( query_dim=dim, cross_attention_dim=cross_attention_dim, heads=num_attention_heads, dim_head=attention_head_dim, upcast_attention=upcast_attention, ) self.norm1 = nn.LayerNorm(dim) self.norm2 = nn.LayerNorm(dim) # 3. Feed-forward self.norm3 = nn.LayerNorm(dim) def set_use_memory_efficient_attention(self, xformers: bool, mem_eff: bool): self.attn1.set_use_memory_efficient_attention(xformers, mem_eff) self.attn2.set_use_memory_efficient_attention(xformers, mem_eff) def set_use_sdpa(self, sdpa: bool): self.attn1.set_use_sdpa(sdpa) self.attn2.set_use_sdpa(sdpa) def forward(self, hidden_states, context=None, timestep=None): # 1. Self-Attention norm_hidden_states = self.norm1(hidden_states) hidden_states = self.attn1(norm_hidden_states) + hidden_states # 2. Cross-Attention norm_hidden_states = self.norm2(hidden_states) hidden_states = self.attn2(norm_hidden_states, context=context) + hidden_states # 3. Feed-forward hidden_states = self.ff(self.norm3(hidden_states)) + hidden_states return hidden_states class Transformer2DModel(nn.Module): def __init__( self, num_attention_heads: int = 16, attention_head_dim: int = 88, in_channels: Optional[int] = None, cross_attention_dim: Optional[int] = None, use_linear_projection: bool = False, upcast_attention: bool = False, ): super().__init__() self.in_channels = in_channels self.num_attention_heads = num_attention_heads self.attention_head_dim = attention_head_dim inner_dim = num_attention_heads * attention_head_dim self.use_linear_projection = use_linear_projection self.norm = torch.nn.GroupNorm(num_groups=TRANSFORMER_NORM_NUM_GROUPS, num_channels=in_channels, eps=1e-6, affine=True) if use_linear_projection: self.proj_in = nn.Linear(in_channels, inner_dim) else: self.proj_in = nn.Conv2d(in_channels, inner_dim, kernel_size=1, stride=1, padding=0) self.transformer_blocks = nn.ModuleList( [ BasicTransformerBlock( inner_dim, num_attention_heads, attention_head_dim, cross_attention_dim=cross_attention_dim, upcast_attention=upcast_attention, ) ] ) if use_linear_projection: self.proj_out = nn.Linear(in_channels, inner_dim) else: self.proj_out = nn.Conv2d(inner_dim, in_channels, kernel_size=1, stride=1, padding=0) def set_use_memory_efficient_attention(self, xformers, mem_eff): for transformer in self.transformer_blocks: transformer.set_use_memory_efficient_attention(xformers, mem_eff) def set_use_sdpa(self, sdpa): for transformer in self.transformer_blocks: transformer.set_use_sdpa(sdpa) def forward(self, hidden_states, encoder_hidden_states=None, timestep=None, return_dict: bool = True): # 1. Input batch, _, height, weight = hidden_states.shape residual = hidden_states hidden_states = self.norm(hidden_states) if not self.use_linear_projection: hidden_states = self.proj_in(hidden_states) inner_dim = hidden_states.shape[1] hidden_states = hidden_states.permute(0, 2, 3, 1).reshape(batch, height * weight, inner_dim) else: inner_dim = hidden_states.shape[1] hidden_states = hidden_states.permute(0, 2, 3, 1).reshape(batch, height * weight, inner_dim) hidden_states = self.proj_in(hidden_states) # 2. Blocks for block in self.transformer_blocks: hidden_states = block(hidden_states, context=encoder_hidden_states, timestep=timestep) # 3. Output if not self.use_linear_projection: hidden_states = hidden_states.reshape(batch, height, weight, inner_dim).permute(0, 3, 1, 2).contiguous() hidden_states = self.proj_out(hidden_states) else: hidden_states = self.proj_out(hidden_states) hidden_states = hidden_states.reshape(batch, height, weight, inner_dim).permute(0, 3, 1, 2).contiguous() output = hidden_states + residual if not return_dict: return (output,) return SampleOutput(sample=output) class CrossAttnDownBlock2D(nn.Module): def __init__( self, in_channels: int, out_channels: int, add_downsample=True, cross_attention_dim=1280, attn_num_head_channels=1, use_linear_projection=False, upcast_attention=False, ): super().__init__() self.has_cross_attention = True resnets = [] attentions = [] self.attn_num_head_channels = attn_num_head_channels for i in range(LAYERS_PER_BLOCK): in_channels = in_channels if i == 0 else out_channels resnets.append(ResnetBlock2D(in_channels=in_channels, out_channels=out_channels)) attentions.append( Transformer2DModel( attn_num_head_channels, out_channels // attn_num_head_channels, in_channels=out_channels, cross_attention_dim=cross_attention_dim, use_linear_projection=use_linear_projection, upcast_attention=upcast_attention, ) ) self.attentions = nn.ModuleList(attentions) self.resnets = nn.ModuleList(resnets) if add_downsample: self.downsamplers = nn.ModuleList([Downsample2D(out_channels, out_channels)]) else: self.downsamplers = None self.gradient_checkpointing = False def set_use_memory_efficient_attention(self, xformers, mem_eff): for attn in self.attentions: attn.set_use_memory_efficient_attention(xformers, mem_eff) def set_use_sdpa(self, sdpa): for attn in self.attentions: attn.set_use_sdpa(sdpa) def forward(self, hidden_states, temb=None, encoder_hidden_states=None): output_states = () for resnet, attn in zip(self.resnets, self.attentions): if self.training and self.gradient_checkpointing: def create_custom_forward(module, return_dict=None): def custom_forward(*inputs): if return_dict is not None: return module(*inputs, return_dict=return_dict) else: return module(*inputs) return custom_forward hidden_states = torch.utils.checkpoint.checkpoint( create_custom_forward(resnet), hidden_states, temb, use_reentrant=False ) hidden_states = torch.utils.checkpoint.checkpoint( create_custom_forward(attn, return_dict=False), hidden_states, encoder_hidden_states, use_reentrant=False )[0] else: hidden_states = resnet(hidden_states, temb) hidden_states = attn(hidden_states, encoder_hidden_states=encoder_hidden_states).sample output_states += (hidden_states,) if self.downsamplers is not None: for downsampler in self.downsamplers: hidden_states = downsampler(hidden_states) output_states += (hidden_states,) return hidden_states, output_states class UNetMidBlock2DCrossAttn(nn.Module): def __init__( self, in_channels: int, attn_num_head_channels=1, cross_attention_dim=1280, use_linear_projection=False, ): super().__init__() self.has_cross_attention = True self.attn_num_head_channels = attn_num_head_channels # Middle block has two resnets and one attention resnets = [ ResnetBlock2D( in_channels=in_channels, out_channels=in_channels, ), ResnetBlock2D( in_channels=in_channels, out_channels=in_channels, ), ] attentions = [ Transformer2DModel( attn_num_head_channels, in_channels // attn_num_head_channels, in_channels=in_channels, cross_attention_dim=cross_attention_dim, use_linear_projection=use_linear_projection, ) ] self.attentions = nn.ModuleList(attentions) self.resnets = nn.ModuleList(resnets) self.gradient_checkpointing = False def set_use_memory_efficient_attention(self, xformers, mem_eff): for attn in self.attentions: attn.set_use_memory_efficient_attention(xformers, mem_eff) def set_use_sdpa(self, sdpa): for attn in self.attentions: attn.set_use_sdpa(sdpa) def forward(self, hidden_states, temb=None, encoder_hidden_states=None): for i, resnet in enumerate(self.resnets): attn = None if i == 0 else self.attentions[i - 1] if self.training and self.gradient_checkpointing: def create_custom_forward(module, return_dict=None): def custom_forward(*inputs): if return_dict is not None: return module(*inputs, return_dict=return_dict) else: return module(*inputs) return custom_forward if attn is not None: hidden_states = torch.utils.checkpoint.checkpoint( create_custom_forward(attn, return_dict=False), hidden_states, encoder_hidden_states, use_reentrant=False )[0] hidden_states = torch.utils.checkpoint.checkpoint( create_custom_forward(resnet), hidden_states, temb, use_reentrant=False ) else: if attn is not None: hidden_states = attn(hidden_states, encoder_hidden_states).sample hidden_states = resnet(hidden_states, temb) return hidden_states class Upsample2D(nn.Module): def __init__(self, channels, out_channels): super().__init__() self.channels = channels self.out_channels = out_channels self.conv = nn.Conv2d(self.channels, self.out_channels, 3, padding=1) def forward(self, hidden_states, output_size): assert hidden_states.shape[1] == self.channels # Cast to float32 to as 'upsample_nearest2d_out_frame' op does not support bfloat16 # TODO(Suraj): Remove this cast once the issue is fixed in PyTorch # https://github.com/pytorch/pytorch/issues/86679 dtype = hidden_states.dtype if dtype == torch.bfloat16: hidden_states = hidden_states.to(torch.float32) # upsample_nearest_nhwc fails with large batch sizes. see https://github.com/huggingface/diffusers/issues/984 if hidden_states.shape[0] >= 64: hidden_states = hidden_states.contiguous() # if `output_size` is passed we force the interpolation output size and do not make use of `scale_factor=2` if output_size is None: hidden_states = F.interpolate(hidden_states, scale_factor=2.0, mode="nearest") else: hidden_states = F.interpolate(hidden_states, size=output_size, mode="nearest") # If the input is bfloat16, we cast back to bfloat16 if dtype == torch.bfloat16: hidden_states = hidden_states.to(dtype) hidden_states = self.conv(hidden_states) return hidden_states class UpBlock2D(nn.Module): def __init__( self, in_channels: int, prev_output_channel: int, out_channels: int, add_upsample=True, ): super().__init__() self.has_cross_attention = False resnets = [] for i in range(LAYERS_PER_BLOCK_UP): res_skip_channels = in_channels if (i == LAYERS_PER_BLOCK_UP - 1) else out_channels resnet_in_channels = prev_output_channel if i == 0 else out_channels resnets.append( ResnetBlock2D( in_channels=resnet_in_channels + res_skip_channels, out_channels=out_channels, ) ) self.resnets = nn.ModuleList(resnets) if add_upsample: self.upsamplers = nn.ModuleList([Upsample2D(out_channels, out_channels)]) else: self.upsamplers = None self.gradient_checkpointing = False def set_use_memory_efficient_attention(self, xformers, mem_eff): pass def set_use_sdpa(self, sdpa): pass def forward(self, hidden_states, res_hidden_states_tuple, temb=None, upsample_size=None): for resnet in self.resnets: # pop res hidden states res_hidden_states = res_hidden_states_tuple[-1] res_hidden_states_tuple = res_hidden_states_tuple[:-1] hidden_states = torch.cat([hidden_states, res_hidden_states], dim=1) if self.training and self.gradient_checkpointing: def create_custom_forward(module): def custom_forward(*inputs): return module(*inputs) return custom_forward hidden_states = torch.utils.checkpoint.checkpoint( create_custom_forward(resnet), hidden_states, temb, use_reentrant=False ) else: hidden_states = resnet(hidden_states, temb) if self.upsamplers is not None: for upsampler in self.upsamplers: hidden_states = upsampler(hidden_states, upsample_size) return hidden_states class CrossAttnUpBlock2D(nn.Module): def __init__( self, in_channels: int, out_channels: int, prev_output_channel: int, attn_num_head_channels=1, cross_attention_dim=1280, add_upsample=True, use_linear_projection=False, upcast_attention=False, ): super().__init__() resnets = [] attentions = [] self.has_cross_attention = True self.attn_num_head_channels = attn_num_head_channels for i in range(LAYERS_PER_BLOCK_UP): res_skip_channels = in_channels if (i == LAYERS_PER_BLOCK_UP - 1) else out_channels resnet_in_channels = prev_output_channel if i == 0 else out_channels resnets.append( ResnetBlock2D( in_channels=resnet_in_channels + res_skip_channels, out_channels=out_channels, ) ) attentions.append( Transformer2DModel( attn_num_head_channels, out_channels // attn_num_head_channels, in_channels=out_channels, cross_attention_dim=cross_attention_dim, use_linear_projection=use_linear_projection, upcast_attention=upcast_attention, ) ) self.attentions = nn.ModuleList(attentions) self.resnets = nn.ModuleList(resnets) if add_upsample: self.upsamplers = nn.ModuleList([Upsample2D(out_channels, out_channels)]) else: self.upsamplers = None self.gradient_checkpointing = False def set_use_memory_efficient_attention(self, xformers, mem_eff): for attn in self.attentions: attn.set_use_memory_efficient_attention(xformers, mem_eff) def set_use_sdpa(self, sdpa): for attn in self.attentions: attn.set_use_sdpa(sdpa) def forward( self, hidden_states, res_hidden_states_tuple, temb=None, encoder_hidden_states=None, upsample_size=None, ): for resnet, attn in zip(self.resnets, self.attentions): # pop res hidden states res_hidden_states = res_hidden_states_tuple[-1] res_hidden_states_tuple = res_hidden_states_tuple[:-1] hidden_states = torch.cat([hidden_states, res_hidden_states], dim=1) if self.training and self.gradient_checkpointing: def create_custom_forward(module, return_dict=None): def custom_forward(*inputs): if return_dict is not None: return module(*inputs, return_dict=return_dict) else: return module(*inputs) return custom_forward hidden_states = torch.utils.checkpoint.checkpoint( create_custom_forward(resnet), hidden_states, temb, use_reentrant=False ) hidden_states = torch.utils.checkpoint.checkpoint( create_custom_forward(attn, return_dict=False), hidden_states, encoder_hidden_states, use_reentrant=False )[0] else: hidden_states = resnet(hidden_states, temb) hidden_states = attn(hidden_states, encoder_hidden_states=encoder_hidden_states).sample if self.upsamplers is not None: for upsampler in self.upsamplers: hidden_states = upsampler(hidden_states, upsample_size) return hidden_states def get_down_block( down_block_type, in_channels, out_channels, add_downsample, attn_num_head_channels, cross_attention_dim, use_linear_projection, upcast_attention, ): if down_block_type == "DownBlock2D": return DownBlock2D( in_channels=in_channels, out_channels=out_channels, add_downsample=add_downsample, ) elif down_block_type == "CrossAttnDownBlock2D": return CrossAttnDownBlock2D( in_channels=in_channels, out_channels=out_channels, add_downsample=add_downsample, cross_attention_dim=cross_attention_dim, attn_num_head_channels=attn_num_head_channels, use_linear_projection=use_linear_projection, upcast_attention=upcast_attention, ) def get_up_block( up_block_type, in_channels, out_channels, prev_output_channel, add_upsample, attn_num_head_channels, cross_attention_dim=None, use_linear_projection=False, upcast_attention=False, ): if up_block_type == "UpBlock2D": return UpBlock2D( in_channels=in_channels, prev_output_channel=prev_output_channel, out_channels=out_channels, add_upsample=add_upsample, ) elif up_block_type == "CrossAttnUpBlock2D": return CrossAttnUpBlock2D( in_channels=in_channels, out_channels=out_channels, prev_output_channel=prev_output_channel, attn_num_head_channels=attn_num_head_channels, cross_attention_dim=cross_attention_dim, add_upsample=add_upsample, use_linear_projection=use_linear_projection, upcast_attention=upcast_attention, ) class UNet2DConditionModel(nn.Module): _supports_gradient_checkpointing = True def __init__( self, sample_size: Optional[int] = None, attention_head_dim: Union[int, Tuple[int]] = 8, cross_attention_dim: int = 1280, use_linear_projection: bool = False, upcast_attention: bool = False, **kwargs, ): super().__init__() assert sample_size is not None, "sample_size must be specified" logger.info( f"UNet2DConditionModel: {sample_size}, {attention_head_dim}, {cross_attention_dim}, {use_linear_projection}, {upcast_attention}" ) # 外部からの参照用に定義しておく self.in_channels = IN_CHANNELS self.out_channels = OUT_CHANNELS self.sample_size = sample_size self.prepare_config(sample_size=sample_size) # state_dictの書式が変わるのでmoduleの持ち方は変えられない # input self.conv_in = nn.Conv2d(IN_CHANNELS, BLOCK_OUT_CHANNELS[0], kernel_size=3, padding=(1, 1)) # time self.time_proj = Timesteps(BLOCK_OUT_CHANNELS[0], TIME_EMBED_FLIP_SIN_TO_COS, TIME_EMBED_FREQ_SHIFT) self.time_embedding = TimestepEmbedding(TIMESTEP_INPUT_DIM, TIME_EMBED_DIM) self.down_blocks = nn.ModuleList([]) self.mid_block = None self.up_blocks = nn.ModuleList([]) if isinstance(attention_head_dim, int): attention_head_dim = (attention_head_dim,) * 4 # down output_channel = BLOCK_OUT_CHANNELS[0] for i, down_block_type in enumerate(DOWN_BLOCK_TYPES): input_channel = output_channel output_channel = BLOCK_OUT_CHANNELS[i] is_final_block = i == len(BLOCK_OUT_CHANNELS) - 1 down_block = get_down_block( down_block_type, in_channels=input_channel, out_channels=output_channel, add_downsample=not is_final_block, attn_num_head_channels=attention_head_dim[i], cross_attention_dim=cross_attention_dim, use_linear_projection=use_linear_projection, upcast_attention=upcast_attention, ) self.down_blocks.append(down_block) # mid self.mid_block = UNetMidBlock2DCrossAttn( in_channels=BLOCK_OUT_CHANNELS[-1], attn_num_head_channels=attention_head_dim[-1], cross_attention_dim=cross_attention_dim, use_linear_projection=use_linear_projection, ) # count how many layers upsample the images self.num_upsamplers = 0 # up reversed_block_out_channels = list(reversed(BLOCK_OUT_CHANNELS)) reversed_attention_head_dim = list(reversed(attention_head_dim)) output_channel = reversed_block_out_channels[0] for i, up_block_type in enumerate(UP_BLOCK_TYPES): is_final_block = i == len(BLOCK_OUT_CHANNELS) - 1 prev_output_channel = output_channel output_channel = reversed_block_out_channels[i] input_channel = reversed_block_out_channels[min(i + 1, len(BLOCK_OUT_CHANNELS) - 1)] # add upsample block for all BUT final layer if not is_final_block: add_upsample = True self.num_upsamplers += 1 else: add_upsample = False up_block = get_up_block( up_block_type, in_channels=input_channel, out_channels=output_channel, prev_output_channel=prev_output_channel, add_upsample=add_upsample, attn_num_head_channels=reversed_attention_head_dim[i], cross_attention_dim=cross_attention_dim, use_linear_projection=use_linear_projection, upcast_attention=upcast_attention, ) self.up_blocks.append(up_block) prev_output_channel = output_channel # out self.conv_norm_out = nn.GroupNorm(num_channels=BLOCK_OUT_CHANNELS[0], num_groups=NORM_GROUPS, eps=NORM_EPS) self.conv_act = nn.SiLU() self.conv_out = nn.Conv2d(BLOCK_OUT_CHANNELS[0], OUT_CHANNELS, kernel_size=3, padding=1) # region diffusers compatibility def prepare_config(self, *args, **kwargs): self.config = SimpleNamespace(**kwargs) @property def dtype(self) -> torch.dtype: # `torch.dtype`: The dtype of the module (assuming that all the module parameters have the same dtype). return get_parameter_dtype(self) @property def device(self) -> torch.device: # `torch.device`: The device on which the module is (assuming that all the module parameters are on the same device). return get_parameter_device(self) def set_attention_slice(self, slice_size): raise NotImplementedError("Attention slicing is not supported for this model.") def is_gradient_checkpointing(self) -> bool: return any(hasattr(m, "gradient_checkpointing") and m.gradient_checkpointing for m in self.modules()) def enable_gradient_checkpointing(self): self.set_gradient_checkpointing(value=True) def disable_gradient_checkpointing(self): self.set_gradient_checkpointing(value=False) def set_use_memory_efficient_attention(self, xformers: bool, mem_eff: bool) -> None: modules = self.down_blocks + [self.mid_block] + self.up_blocks for module in modules: module.set_use_memory_efficient_attention(xformers, mem_eff) def set_use_sdpa(self, sdpa: bool) -> None: modules = self.down_blocks + [self.mid_block] + self.up_blocks for module in modules: module.set_use_sdpa(sdpa) def set_gradient_checkpointing(self, value=False): modules = self.down_blocks + [self.mid_block] + self.up_blocks for module in modules: logger.info(f"{module.__class__.__name__} {module.gradient_checkpointing} -> {value}") module.gradient_checkpointing = value # endregion def forward( self, sample: torch.FloatTensor, timestep: Union[torch.Tensor, float, int], encoder_hidden_states: torch.Tensor, class_labels: Optional[torch.Tensor] = None, return_dict: bool = True, down_block_additional_residuals: Optional[Tuple[torch.Tensor]] = None, mid_block_additional_residual: Optional[torch.Tensor] = None, ) -> Union[Dict, Tuple]: r""" Args: sample (`torch.FloatTensor`): (batch, channel, height, width) noisy inputs tensor timestep (`torch.FloatTensor` or `float` or `int`): (batch) timesteps encoder_hidden_states (`torch.FloatTensor`): (batch, sequence_length, feature_dim) encoder hidden states return_dict (`bool`, *optional*, defaults to `True`): Whether or not to return a dict instead of a plain tuple. Returns: `SampleOutput` or `tuple`: `SampleOutput` if `return_dict` is True, otherwise a `tuple`. When returning a tuple, the first element is the sample tensor. """ # By default samples have to be AT least a multiple of the overall upsampling factor. # The overall upsampling factor is equal to 2 ** (# num of upsampling layears). # However, the upsampling interpolation output size can be forced to fit any upsampling size # on the fly if necessary. # デフォルトではサンプルは「2^アップサンプルの数」、つまり64の倍数である必要がある # ただそれ以外のサイズにも対応できるように、必要ならアップサンプルのサイズを変更する # 多分画質が悪くなるので、64で割り切れるようにしておくのが良い default_overall_up_factor = 2**self.num_upsamplers # upsample size should be forwarded when sample is not a multiple of `default_overall_up_factor` # 64で割り切れないときはupsamplerにサイズを伝える forward_upsample_size = False upsample_size = None if any(s % default_overall_up_factor != 0 for s in sample.shape[-2:]): # logger.info("Forward upsample size to force interpolation output size.") forward_upsample_size = True # 1. time timesteps = timestep timesteps = self.handle_unusual_timesteps(sample, timesteps) # 変な時だけ処理 t_emb = self.time_proj(timesteps) # timesteps does not contain any weights and will always return f32 tensors # but time_embedding might actually be running in fp16. so we need to cast here. # there might be better ways to encapsulate this. # timestepsは重みを含まないので常にfloat32のテンソルを返す # しかしtime_embeddingはfp16で動いているかもしれないので、ここでキャストする必要がある # time_projでキャストしておけばいいんじゃね？ t_emb = t_emb.to(dtype=self.dtype) emb = self.time_embedding(t_emb) # 2. pre-process sample = self.conv_in(sample) down_block_res_samples = (sample,) for downsample_block in self.down_blocks: # downblockはforwardで必ずencoder_hidden_statesを受け取るようにしても良さそうだけど、 # まあこちらのほうがわかりやすいかもしれない if downsample_block.has_cross_attention: sample, res_samples = downsample_block( hidden_states=sample, temb=emb, encoder_hidden_states=encoder_hidden_states, ) else: sample, res_samples = downsample_block(hidden_states=sample, temb=emb) down_block_res_samples += res_samples # skip connectionにControlNetの出力を追加する if down_block_additional_residuals is not None: down_block_res_samples = list(down_block_res_samples) for i in range(len(down_block_res_samples)): down_block_res_samples[i] += down_block_additional_residuals[i] down_block_res_samples = tuple(down_block_res_samples) # 4. mid sample = self.mid_block(sample, emb, encoder_hidden_states=encoder_hidden_states) # ControlNetの出力を追加する if mid_block_additional_residual is not None: sample += mid_block_additional_residual # 5. up for i, upsample_block in enumerate(self.up_blocks): is_final_block = i == len(self.up_blocks) - 1 res_samples = down_block_res_samples[-len(upsample_block.resnets) :] down_block_res_samples = down_block_res_samples[: -len(upsample_block.resnets)] # skip connection # if we have not reached the final block and need to forward the upsample size, we do it here # 前述のように最後のブロック以外ではupsample_sizeを伝える if not is_final_block and forward_upsample_size: upsample_size = down_block_res_samples[-1].shape[2:] if upsample_block.has_cross_attention: sample = upsample_block( hidden_states=sample, temb=emb, res_hidden_states_tuple=res_samples, encoder_hidden_states=encoder_hidden_states, upsample_size=upsample_size, ) else: sample = upsample_block( hidden_states=sample, temb=emb, res_hidden_states_tuple=res_samples, upsample_size=upsample_size ) # 6. post-process sample = self.conv_norm_out(sample) sample = self.conv_act(sample) sample = self.conv_out(sample) if not return_dict: return (sample,) return SampleOutput(sample=sample) def handle_unusual_timesteps(self, sample, timesteps): r""" timestampsがTensorでない場合、Tensorに変換する。またOnnx/Core MLと互換性のあるようにbatchサイズまでbroadcastする。 """ if not torch.is_tensor(timesteps): # TODO: this requires sync between CPU and GPU. So try to pass timesteps as tensors if you can # This would be a good case for the `match` statement (Python 3.10+) is_mps = sample.device.type == "mps" if isinstance(timesteps, float): dtype = torch.float32 if is_mps else torch.float64 else: dtype = torch.int32 if is_mps else torch.int64 timesteps = torch.tensor([timesteps], dtype=dtype, device=sample.device) elif len(timesteps.shape) == 0: timesteps = timesteps[None].to(sample.device) # broadcast to batch dimension in a way that's compatible with ONNX/Core ML timesteps = timesteps.expand(sample.shape[0]) return timesteps class InferUNet2DConditionModel: def __init__(self, original_unet: UNet2DConditionModel): self.delegate = original_unet # override original model's forward method: because forward is not called by `__call__` # overriding `__call__` is not enough, because nn.Module.forward has a special handling self.delegate.forward = self.forward # override original model's up blocks' forward method for up_block in self.delegate.up_blocks: if up_block.__class__.__name__ == "UpBlock2D": def resnet_wrapper(func, block): def forward(*args, **kwargs): return func(block, *args, **kwargs) return forward up_block.forward = resnet_wrapper(self.up_block_forward, up_block) elif up_block.__class__.__name__ == "CrossAttnUpBlock2D": def cross_attn_up_wrapper(func, block): def forward(*args, **kwargs): return func(block, *args, **kwargs) return forward up_block.forward = cross_attn_up_wrapper(self.cross_attn_up_block_forward, up_block) # Deep Shrink self.ds_depth_1 = None self.ds_depth_2 = None self.ds_timesteps_1 = None self.ds_timesteps_2 = None self.ds_ratio = None # call original model's methods def __getattr__(self, name): return getattr(self.delegate, name) def __call__(self, *args, **kwargs): return self.delegate(*args, **kwargs) def set_deep_shrink(self, ds_depth_1, ds_timesteps_1=650, ds_depth_2=None, ds_timesteps_2=None, ds_ratio=0.5): if ds_depth_1 is None: logger.info("Deep Shrink is disabled.") self.ds_depth_1 = None self.ds_timesteps_1 = None self.ds_depth_2 = None self.ds_timesteps_2 = None self.ds_ratio = None else: logger.info( f"Deep Shrink is enabled: [depth={ds_depth_1}/{ds_depth_2}, timesteps={ds_timesteps_1}/{ds_timesteps_2}, ratio={ds_ratio}]" ) self.ds_depth_1 = ds_depth_1 self.ds_timesteps_1 = ds_timesteps_1 self.ds_depth_2 = ds_depth_2 if ds_depth_2 is not None else -1 self.ds_timesteps_2 = ds_timesteps_2 if ds_timesteps_2 is not None else 1000 self.ds_ratio = ds_ratio def up_block_forward(self, _self, hidden_states, res_hidden_states_tuple, temb=None, upsample_size=None): for resnet in _self.resnets: # pop res hidden states res_hidden_states = res_hidden_states_tuple[-1] res_hidden_states_tuple = res_hidden_states_tuple[:-1] # Deep Shrink if res_hidden_states.shape[-2:] != hidden_states.shape[-2:]: hidden_states = resize_like(hidden_states, res_hidden_states) hidden_states = torch.cat([hidden_states, res_hidden_states], dim=1) hidden_states = resnet(hidden_states, temb) if _self.upsamplers is not None: for upsampler in _self.upsamplers: hidden_states = upsampler(hidden_states, upsample_size) return hidden_states def cross_attn_up_block_forward( self, _self, hidden_states, res_hidden_states_tuple, temb=None, encoder_hidden_states=None, upsample_size=None, ): for resnet, attn in zip(_self.resnets, _self.attentions): # pop res hidden states res_hidden_states = res_hidden_states_tuple[-1] res_hidden_states_tuple = res_hidden_states_tuple[:-1] # Deep Shrink if res_hidden_states.shape[-2:] != hidden_states.shape[-2:]: hidden_states = resize_like(hidden_states, res_hidden_states) hidden_states = torch.cat([hidden_states, res_hidden_states], dim=1) hidden_states = resnet(hidden_states, temb) hidden_states = attn(hidden_states, encoder_hidden_states=encoder_hidden_states).sample if _self.upsamplers is not None: for upsampler in _self.upsamplers: hidden_states = upsampler(hidden_states, upsample_size) return hidden_states def forward( self, sample: torch.FloatTensor, timestep: Union[torch.Tensor, float, int], encoder_hidden_states: torch.Tensor, class_labels: Optional[torch.Tensor] = None, return_dict: bool = True, down_block_additional_residuals: Optional[Tuple[torch.Tensor]] = None, mid_block_additional_residual: Optional[torch.Tensor] = None, ) -> Union[Dict, Tuple]: r""" current implementation is a copy of `UNet2DConditionModel.forward()` with Deep Shrink. """ r""" Args: sample (`torch.FloatTensor`): (batch, channel, height, width) noisy inputs tensor timestep (`torch.FloatTensor` or `float` or `int`): (batch) timesteps encoder_hidden_states (`torch.FloatTensor`): (batch, sequence_length, feature_dim) encoder hidden states return_dict (`bool`, *optional*, defaults to `True`): Whether or not to return a dict instead of a plain tuple. Returns: `SampleOutput` or `tuple`: `SampleOutput` if `return_dict` is True, otherwise a `tuple`. When returning a tuple, the first element is the sample tensor. """ _self = self.delegate # By default samples have to be AT least a multiple of the overall upsampling factor. # The overall upsampling factor is equal to 2 ** (# num of upsampling layears). # However, the upsampling interpolation output size can be forced to fit any upsampling size # on the fly if necessary. # デフォルトではサンプルは「2^アップサンプルの数」、つまり64の倍数である必要がある # ただそれ以外のサイズにも対応できるように、必要ならアップサンプルのサイズを変更する # 多分画質が悪くなるので、64で割り切れるようにしておくのが良い default_overall_up_factor = 2**_self.num_upsamplers # upsample size should be forwarded when sample is not a multiple of `default_overall_up_factor` # 64で割り切れないときはupsamplerにサイズを伝える forward_upsample_size = False upsample_size = None if any(s % default_overall_up_factor != 0 for s in sample.shape[-2:]): # logger.info("Forward upsample size to force interpolation output size.") forward_upsample_size = True # 1. time timesteps = timestep timesteps = _self.handle_unusual_timesteps(sample, timesteps) # 変な時だけ処理 t_emb = _self.time_proj(timesteps) # timesteps does not contain any weights and will always return f32 tensors # but time_embedding might actually be running in fp16. so we need to cast here. # there might be better ways to encapsulate this. # timestepsは重みを含まないので常にfloat32のテンソルを返す # しかしtime_embeddingはfp16で動いているかもしれないので、ここでキャストする必要がある # time_projでキャストしておけばいいんじゃね？ t_emb = t_emb.to(dtype=_self.dtype) emb = _self.time_embedding(t_emb) # 2. pre-process sample = _self.conv_in(sample) down_block_res_samples = (sample,) for depth, downsample_block in enumerate(_self.down_blocks): # Deep Shrink if self.ds_depth_1 is not None: if (depth == self.ds_depth_1 and timesteps[0] >= self.ds_timesteps_1) or ( self.ds_depth_2 is not None and depth == self.ds_depth_2 and timesteps[0] < self.ds_timesteps_1 and timesteps[0] >= self.ds_timesteps_2 ): org_dtype = sample.dtype if org_dtype == torch.bfloat16: sample = sample.to(torch.float32) sample = F.interpolate(sample, scale_factor=self.ds_ratio, mode="bicubic", align_corners=False).to(org_dtype) # downblockはforwardで必ずencoder_hidden_statesを受け取るようにしても良さそうだけど、 # まあこちらのほうがわかりやすいかもしれない if downsample_block.has_cross_attention: sample, res_samples = downsample_block( hidden_states=sample, temb=emb, encoder_hidden_states=encoder_hidden_states, ) else: sample, res_samples = downsample_block(hidden_states=sample, temb=emb) down_block_res_samples += res_samples # skip connectionにControlNetの出力を追加する if down_block_additional_residuals is not None: down_block_res_samples = list(down_block_res_samples) for i in range(len(down_block_res_samples)): down_block_res_samples[i] += down_block_additional_residuals[i] down_block_res_samples = tuple(down_block_res_samples) # 4. mid sample = _self.mid_block(sample, emb, encoder_hidden_states=encoder_hidden_states) # ControlNetの出力を追加する if mid_block_additional_residual is not None: sample += mid_block_additional_residual # 5. up for i, upsample_block in enumerate(_self.up_blocks): is_final_block = i == len(_self.up_blocks) - 1 res_samples = down_block_res_samples[-len(upsample_block.resnets) :] down_block_res_samples = down_block_res_samples[: -len(upsample_block.resnets)] # skip connection # if we have not reached the final block and need to forward the upsample size, we do it here # 前述のように最後のブロック以外ではupsample_sizeを伝える if not is_final_block and forward_upsample_size: upsample_size = down_block_res_samples[-1].shape[2:] if upsample_block.has_cross_attention: sample = upsample_block( hidden_states=sample, temb=emb, res_hidden_states_tuple=res_samples, encoder_hidden_states=encoder_hidden_states, upsample_size=upsample_size, ) else: sample = upsample_block( hidden_states=sample, temb=emb, res_hidden_states_tuple=res_samples, upsample_size=upsample_size ) # 6. post-process sample = _self.conv_norm_out(sample) sample = _self.conv_act(sample) sample = _self.conv_out(sample) if not return_dict: return (sample,) return SampleOutput(sample=sample) ================================================ FILE: library/qwen_image_autoencoder_kl.py ================================================ # Copied and modified from Diffusers (via Musubi-Tuner). Original copyright notice follows. # Copyright 2025 The Qwen-Image Team, Wan Team and The HuggingFace Team. All rights reserved. # # Licensed under the Apache License, Version 2.0 (the "License"); # you may not use this file except in compliance with the License. # You may obtain a copy of the License at # # http://www.apache.org/licenses/LICENSE-2.0 # # Unless required by applicable law or agreed to in writing, software # distributed under the License is distributed on an "AS IS" BASIS, # WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. # See the License for the specific language governing permissions and # limitations under the License. # # We gratefully acknowledge the Wan Team for their outstanding contributions. # QwenImageVAE is further fine-tuned from the Wan Video VAE to achieve improved performance. # For more information about the Wan VAE, please refer to: # - GitHub: https://github.com/Wan-Video/Wan2.1 # - arXiv: https://arxiv.org/abs/2503.20314 import json from typing import Dict, List, Optional, Tuple, Union import torch import torch.nn as nn import torch.nn.functional as F import numpy as np from library.safetensors_utils import load_safetensors from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) CACHE_T = 2 SCALE_FACTOR = 8 # VAE downsampling factor # region diffusers-vae class DiagonalGaussianDistribution(object): def __init__(self, parameters: torch.Tensor, deterministic: bool = False): self.parameters = parameters self.mean, self.logvar = torch.chunk(parameters, 2, dim=1) self.logvar = torch.clamp(self.logvar, -30.0, 20.0) self.deterministic = deterministic self.std = torch.exp(0.5 * self.logvar) self.var = torch.exp(self.logvar) if self.deterministic: self.var = self.std = torch.zeros_like(self.mean, device=self.parameters.device, dtype=self.parameters.dtype) def sample(self, generator: Optional[torch.Generator] = None) -> torch.Tensor: # make sure sample is on the same device as the parameters and has same dtype if generator is not None and generator.device.type != self.parameters.device.type: rand_device = generator.device else: rand_device = self.parameters.device sample = torch.randn(self.mean.shape, generator=generator, device=rand_device, dtype=self.parameters.dtype).to( self.parameters.device ) x = self.mean + self.std * sample return x def kl(self, other: "DiagonalGaussianDistribution" = None) -> torch.Tensor: if self.deterministic: return torch.Tensor([0.0]) else: if other is None: return 0.5 * torch.sum( torch.pow(self.mean, 2) + self.var - 1.0 - self.logvar, dim=[1, 2, 3], ) else: return 0.5 * torch.sum( torch.pow(self.mean - other.mean, 2) / other.var + self.var / other.var - 1.0 - self.logvar + other.logvar, dim=[1, 2, 3], ) def nll(self, sample: torch.Tensor, dims: Tuple[int, ...] = [1, 2, 3]) -> torch.Tensor: if self.deterministic: return torch.Tensor([0.0]) logtwopi = np.log(2.0 * np.pi) return 0.5 * torch.sum( logtwopi + self.logvar + torch.pow(sample - self.mean, 2) / self.var, dim=dims, ) def mode(self) -> torch.Tensor: return self.mean # endregion diffusers-vae class ChunkedConv2d(nn.Conv2d): """ Convolutional layer that processes input in chunks to reduce memory usage. Parameters ---------- spatial_chunk_size : int, optional Size of chunks to process at a time. Default is None, which means no chunking. TODO: Commonize with similar implementation in hunyuan_image_vae.py """ def __init__(self, *args, **kwargs): if "spatial_chunk_size" in kwargs: self.spatial_chunk_size = kwargs.pop("spatial_chunk_size", None) else: self.spatial_chunk_size = None super().__init__(*args, **kwargs) assert self.padding_mode == "zeros", "Only 'zeros' padding mode is supported." assert self.dilation == (1, 1), "Only dilation=1 is supported." assert self.groups == 1, "Only groups=1 is supported." assert self.kernel_size[0] == self.kernel_size[1], "Only square kernels are supported." assert self.stride[0] == self.stride[1], "Only equal strides are supported." self.original_padding = self.padding self.padding = (0, 0) # We handle padding manually in forward def forward(self, x: torch.Tensor) -> torch.Tensor: # If chunking is not needed, process normally. We chunk only along height dimension. if ( self.spatial_chunk_size is None or x.shape[2] <= self.spatial_chunk_size + self.kernel_size[0] + self.spatial_chunk_size // 4 ): self.padding = self.original_padding x = super().forward(x) self.padding = (0, 0) return x # Process input in chunks to reduce memory usage org_shape = x.shape # If kernel size is not 1, we need to use overlapping chunks overlap = self.kernel_size[0] // 2 # 1 for kernel size 3 if self.original_padding[0] == 0: overlap = 0 # If stride > 1, QwenImageVAE pads manually with zeros before convolution, so we do not need to consider it here y_height = org_shape[2] // self.stride[0] y_width = org_shape[3] // self.stride[1] y = torch.zeros((org_shape[0], self.out_channels, y_height, y_width), dtype=x.dtype, device=x.device) yi = 0 i = 0 while i < org_shape[2]: si = i if i == 0 else i - overlap ei = i + self.spatial_chunk_size + overlap + self.stride[0] - 1 # Check last chunk. If remaining part is small, include it in last chunk if ei > org_shape[2] or ei + self.spatial_chunk_size // 4 > org_shape[2]: ei = org_shape[2] chunk = x[:, :, si:ei, :] # Pad chunk if needed: This is as the original Conv2d with padding if i == 0 and overlap > 0: # First chunk # Pad except bottom chunk = torch.nn.functional.pad(chunk, (overlap, overlap, overlap, 0), mode="constant", value=0) elif ei == org_shape[2] and overlap > 0: # Last chunk # Pad except top chunk = torch.nn.functional.pad(chunk, (overlap, overlap, 0, overlap), mode="constant", value=0) elif overlap > 0: # Middle chunks # Pad left and right only chunk = torch.nn.functional.pad(chunk, (overlap, overlap), mode="constant", value=0) # print(f"Processing chunk: org_shape={org_shape}, si={si}, ei={ei}, chunk.shape={chunk.shape}, overlap={overlap}") chunk = super().forward(chunk) # print(f" -> chunk after conv shape: {chunk.shape}") y[:, :, yi : yi + chunk.shape[2], :] = chunk yi += chunk.shape[2] del chunk if ei == org_shape[2]: break i += self.spatial_chunk_size assert yi == y_height, f"yi={yi}, y_height={y_height}" return y class QwenImageCausalConv3d(nn.Conv3d): r""" A custom 3D causal convolution layer with feature caching support. This layer extends the standard Conv3D layer by ensuring causality in the time dimension and handling feature caching for efficient inference. Args: in_channels (int): Number of channels in the input image out_channels (int): Number of channels produced by the convolution kernel_size (int or tuple): Size of the convolving kernel stride (int or tuple, optional): Stride of the convolution. Default: 1 padding (int or tuple, optional): Zero-padding added to all three sides of the input. Default: 0 """ def __init__( self, in_channels: int, out_channels: int, kernel_size: Union[int, Tuple[int, int, int]], stride: Union[int, Tuple[int, int, int]] = 1, padding: Union[int, Tuple[int, int, int]] = 0, spatial_chunk_size: Optional[int] = None, ) -> None: super().__init__( in_channels=in_channels, out_channels=out_channels, kernel_size=kernel_size, stride=stride, padding=padding, ) # Set up causal padding self._padding = (self.padding[2], self.padding[2], self.padding[1], self.padding[1], 2 * self.padding[0], 0) self.padding = (0, 0, 0) self.spatial_chunk_size = spatial_chunk_size self._supports_spatial_chunking = ( self.groups == 1 and self.dilation[1] == 1 and self.dilation[2] == 1 and self.stride[1] == 1 and self.stride[2] == 1 ) def _forward_chunked_height(self, x: torch.Tensor) -> torch.Tensor: chunk_size = self.spatial_chunk_size if chunk_size is None or chunk_size <= 0: return super().forward(x) if not self._supports_spatial_chunking: return super().forward(x) kernel_h = self.kernel_size[1] if kernel_h <= 1 or x.shape[3] <= chunk_size: return super().forward(x) receptive_h = kernel_h out_h = x.shape[3] - receptive_h + 1 if out_h <= 0: return super().forward(x) y0 = 0 out = None while y0 < out_h: y1 = min(y0 + chunk_size, out_h) in0 = y0 in1 = y1 + receptive_h - 1 out_chunk = super().forward(x[:, :, :, in0:in1, :]) if out is None: out_shape = list(out_chunk.shape) out_shape[3] = out_h out = out_chunk.new_empty(out_shape) out[:, :, :, y0:y1, :] = out_chunk y0 = y1 return out def forward(self, x, cache_x=None): padding = list(self._padding) if cache_x is not None and self._padding[4] > 0: cache_x = cache_x.to(x.device) x = torch.cat([cache_x, x], dim=2) padding[4] -= cache_x.shape[2] x = F.pad(x, padding) return self._forward_chunked_height(x) class QwenImageRMS_norm(nn.Module): r""" A custom RMS normalization layer. Args: dim (int): The number of dimensions to normalize over. channel_first (bool, optional): Whether the input tensor has channels as the first dimension. Default is True. images (bool, optional): Whether the input represents image data. Default is True. bias (bool, optional): Whether to include a learnable bias term. Default is False. """ def __init__(self, dim: int, channel_first: bool = True, images: bool = True, bias: bool = False) -> None: super().__init__() broadcastable_dims = (1, 1, 1) if not images else (1, 1) shape = (dim, *broadcastable_dims) if channel_first else (dim,) self.channel_first = channel_first self.scale = dim**0.5 self.gamma = nn.Parameter(torch.ones(shape)) self.bias = nn.Parameter(torch.zeros(shape)) if bias else 0.0 def forward(self, x): return F.normalize(x, dim=(1 if self.channel_first else -1)) * self.scale * self.gamma + self.bias class QwenImageUpsample(nn.Upsample): r""" Perform upsampling while ensuring the output tensor has the same data type as the input. Args: x (torch.Tensor): Input tensor to be upsampled. Returns: torch.Tensor: Upsampled tensor with the same data type as the input. """ def forward(self, x): return super().forward(x.float()).type_as(x) class QwenImageResample(nn.Module): r""" A custom resampling module for 2D and 3D data. Args: dim (int): The number of input/output channels. mode (str): The resampling mode. Must be one of: - 'none': No resampling (identity operation). - 'upsample2d': 2D upsampling with nearest-exact interpolation and convolution. - 'upsample3d': 3D upsampling with nearest-exact interpolation, convolution, and causal 3D convolution. - 'downsample2d': 2D downsampling with zero-padding and convolution. - 'downsample3d': 3D downsampling with zero-padding, convolution, and causal 3D convolution. """ def __init__(self, dim: int, mode: str) -> None: super().__init__() self.dim = dim self.mode = mode # layers if mode == "upsample2d": self.resample = nn.Sequential( QwenImageUpsample(scale_factor=(2.0, 2.0), mode="nearest-exact"), ChunkedConv2d(dim, dim // 2, 3, padding=1), ) elif mode == "upsample3d": self.resample = nn.Sequential( QwenImageUpsample(scale_factor=(2.0, 2.0), mode="nearest-exact"), ChunkedConv2d(dim, dim // 2, 3, padding=1), ) self.time_conv = QwenImageCausalConv3d(dim, dim * 2, (3, 1, 1), padding=(1, 0, 0)) elif mode == "downsample2d": self.resample = nn.Sequential(nn.ZeroPad2d((0, 1, 0, 1)), ChunkedConv2d(dim, dim, 3, stride=(2, 2))) elif mode == "downsample3d": self.resample = nn.Sequential(nn.ZeroPad2d((0, 1, 0, 1)), ChunkedConv2d(dim, dim, 3, stride=(2, 2))) self.time_conv = QwenImageCausalConv3d(dim, dim, (3, 1, 1), stride=(2, 1, 1), padding=(0, 0, 0)) else: self.resample = nn.Identity() def forward(self, x, feat_cache=None, feat_idx=[0]): b, c, t, h, w = x.size() if self.mode == "upsample3d": if feat_cache is not None: idx = feat_idx[0] if feat_cache[idx] is None: feat_cache[idx] = "Rep" feat_idx[0] += 1 else: cache_x = x[:, :, -CACHE_T:, :, :].clone() if cache_x.shape[2] < 2 and feat_cache[idx] is not None and feat_cache[idx] != "Rep": # cache last frame of last two chunk cache_x = torch.cat([feat_cache[idx][:, :, -1, :, :].unsqueeze(2).to(cache_x.device), cache_x], dim=2) if cache_x.shape[2] < 2 and feat_cache[idx] is not None and feat_cache[idx] == "Rep": cache_x = torch.cat([torch.zeros_like(cache_x).to(cache_x.device), cache_x], dim=2) if feat_cache[idx] == "Rep": x = self.time_conv(x) else: x = self.time_conv(x, feat_cache[idx]) feat_cache[idx] = cache_x feat_idx[0] += 1 x = x.reshape(b, 2, c, t, h, w) x = torch.stack((x[:, 0, :, :, :, :], x[:, 1, :, :, :, :]), 3) x = x.reshape(b, c, t * 2, h, w) t = x.shape[2] x = x.permute(0, 2, 1, 3, 4).reshape(b * t, c, h, w) x = self.resample(x) x = x.view(b, t, x.size(1), x.size(2), x.size(3)).permute(0, 2, 1, 3, 4) if self.mode == "downsample3d": if feat_cache is not None: idx = feat_idx[0] if feat_cache[idx] is None: feat_cache[idx] = x.clone() feat_idx[0] += 1 else: cache_x = x[:, :, -1:, :, :].clone() x = self.time_conv(torch.cat([feat_cache[idx][:, :, -1:, :, :], x], 2)) feat_cache[idx] = cache_x feat_idx[0] += 1 return x class QwenImageResidualBlock(nn.Module): r""" A custom residual block module. Args: in_dim (int): Number of input channels. out_dim (int): Number of output channels. dropout (float, optional): Dropout rate for the dropout layer. Default is 0.0. non_linearity (str, optional): Type of non-linearity to use. Default is "silu". """ def __init__( self, in_dim: int, out_dim: int, dropout: float = 0.0, non_linearity: str = "silu", ) -> None: assert non_linearity in ["silu"], "Only 'silu' non-linearity is supported currently." super().__init__() self.in_dim = in_dim self.out_dim = out_dim self.nonlinearity = nn.SiLU() # get_activation(non_linearity) # layers self.norm1 = QwenImageRMS_norm(in_dim, images=False) self.conv1 = QwenImageCausalConv3d(in_dim, out_dim, 3, padding=1) self.norm2 = QwenImageRMS_norm(out_dim, images=False) self.dropout = nn.Dropout(dropout) self.conv2 = QwenImageCausalConv3d(out_dim, out_dim, 3, padding=1) self.conv_shortcut = QwenImageCausalConv3d(in_dim, out_dim, 1) if in_dim != out_dim else nn.Identity() def forward(self, x, feat_cache=None, feat_idx=[0]): # Apply shortcut connection h = self.conv_shortcut(x) # First normalization and activation x = self.norm1(x) x = self.nonlinearity(x) if feat_cache is not None: idx = feat_idx[0] cache_x = x[:, :, -CACHE_T:, :, :].clone() if cache_x.shape[2] < 2 and feat_cache[idx] is not None: cache_x = torch.cat([feat_cache[idx][:, :, -1, :, :].unsqueeze(2).to(cache_x.device), cache_x], dim=2) x = self.conv1(x, feat_cache[idx]) feat_cache[idx] = cache_x feat_idx[0] += 1 else: x = self.conv1(x) # Second normalization and activation x = self.norm2(x) x = self.nonlinearity(x) # Dropout x = self.dropout(x) if feat_cache is not None: idx = feat_idx[0] cache_x = x[:, :, -CACHE_T:, :, :].clone() if cache_x.shape[2] < 2 and feat_cache[idx] is not None: cache_x = torch.cat([feat_cache[idx][:, :, -1, :, :].unsqueeze(2).to(cache_x.device), cache_x], dim=2) x = self.conv2(x, feat_cache[idx]) feat_cache[idx] = cache_x feat_idx[0] += 1 else: x = self.conv2(x) # Add residual connection return x + h class QwenImageAttentionBlock(nn.Module): r""" Causal self-attention with a single head. Args: dim (int): The number of channels in the input tensor. """ def __init__(self, dim): super().__init__() self.dim = dim # layers self.norm = QwenImageRMS_norm(dim) self.to_qkv = nn.Conv2d(dim, dim * 3, 1) self.proj = nn.Conv2d(dim, dim, 1) def forward(self, x): identity = x batch_size, channels, time, height, width = x.size() x = x.permute(0, 2, 1, 3, 4).reshape(batch_size * time, channels, height, width) x = self.norm(x) # compute query, key, value qkv = self.to_qkv(x) qkv = qkv.reshape(batch_size * time, 1, channels * 3, -1) qkv = qkv.permute(0, 1, 3, 2).contiguous() q, k, v = qkv.chunk(3, dim=-1) # apply attention x = F.scaled_dot_product_attention(q, k, v) x = x.squeeze(1).permute(0, 2, 1).reshape(batch_size * time, channels, height, width) # output projection x = self.proj(x) # Reshape back: [(b*t), c, h, w] -> [b, c, t, h, w] x = x.view(batch_size, time, channels, height, width) x = x.permute(0, 2, 1, 3, 4) return x + identity class QwenImageMidBlock(nn.Module): """ Middle block for QwenImageVAE encoder and decoder. Args: dim (int): Number of input/output channels. dropout (float): Dropout rate. non_linearity (str): Type of non-linearity to use. """ def __init__(self, dim: int, dropout: float = 0.0, non_linearity: str = "silu", num_layers: int = 1): super().__init__() self.dim = dim # Create the components resnets = [QwenImageResidualBlock(dim, dim, dropout, non_linearity)] attentions = [] for _ in range(num_layers): attentions.append(QwenImageAttentionBlock(dim)) resnets.append(QwenImageResidualBlock(dim, dim, dropout, non_linearity)) self.attentions = nn.ModuleList(attentions) self.resnets = nn.ModuleList(resnets) self.gradient_checkpointing = False def forward(self, x, feat_cache=None, feat_idx=[0]): # First residual block x = self.resnets[0](x, feat_cache, feat_idx) # Process through attention and residual blocks for attn, resnet in zip(self.attentions, self.resnets[1:]): if attn is not None: x = attn(x) x = resnet(x, feat_cache, feat_idx) return x class QwenImageEncoder3d(nn.Module): r""" A 3D encoder module. Args: dim (int): The base number of channels in the first layer. z_dim (int): The dimensionality of the latent space. dim_mult (list of int): Multipliers for the number of channels in each block. num_res_blocks (int): Number of residual blocks in each block. attn_scales (list of float): Scales at which to apply attention mechanisms. temperal_downsample (list of bool): Whether to downsample temporally in each block. dropout (float): Dropout rate for the dropout layers. input_channels (int): Number of input channels. non_linearity (str): Type of non-linearity to use. """ def __init__( self, dim=128, z_dim=4, dim_mult=[1, 2, 4, 4], num_res_blocks=2, attn_scales=[], temperal_downsample=[True, True, False], dropout=0.0, input_channels: int = 3, non_linearity: str = "silu", ): super().__init__() assert non_linearity in ["silu"], "Only 'silu' non-linearity is supported currently." self.dim = dim self.z_dim = z_dim self.dim_mult = dim_mult self.num_res_blocks = num_res_blocks self.attn_scales = attn_scales self.temperal_downsample = temperal_downsample self.nonlinearity = nn.SiLU() # get_activation(non_linearity) # dimensions dims = [dim * u for u in [1] + dim_mult] scale = 1.0 # init block self.conv_in = QwenImageCausalConv3d(input_channels, dims[0], 3, padding=1) # downsample blocks self.down_blocks = nn.ModuleList([]) for i, (in_dim, out_dim) in enumerate(zip(dims[:-1], dims[1:])): # residual (+attention) blocks for _ in range(num_res_blocks): self.down_blocks.append(QwenImageResidualBlock(in_dim, out_dim, dropout)) if scale in attn_scales: self.down_blocks.append(QwenImageAttentionBlock(out_dim)) in_dim = out_dim # downsample block if i != len(dim_mult) - 1: mode = "downsample3d" if temperal_downsample[i] else "downsample2d" self.down_blocks.append(QwenImageResample(out_dim, mode=mode)) scale /= 2.0 # middle blocks self.mid_block = QwenImageMidBlock(out_dim, dropout, non_linearity, num_layers=1) # output blocks self.norm_out = QwenImageRMS_norm(out_dim, images=False) self.conv_out = QwenImageCausalConv3d(out_dim, z_dim, 3, padding=1) self.gradient_checkpointing = False def forward(self, x, feat_cache=None, feat_idx=[0]): if feat_cache is not None: idx = feat_idx[0] cache_x = x[:, :, -CACHE_T:, :, :].clone() if cache_x.shape[2] < 2 and feat_cache[idx] is not None: # cache last frame of last two chunk cache_x = torch.cat([feat_cache[idx][:, :, -1, :, :].unsqueeze(2).to(cache_x.device), cache_x], dim=2) x = self.conv_in(x, feat_cache[idx]) feat_cache[idx] = cache_x feat_idx[0] += 1 else: x = self.conv_in(x) ## downsamples for layer in self.down_blocks: if feat_cache is not None: x = layer(x, feat_cache, feat_idx) else: x = layer(x) ## middle x = self.mid_block(x, feat_cache, feat_idx) ## head x = self.norm_out(x) x = self.nonlinearity(x) if feat_cache is not None: idx = feat_idx[0] cache_x = x[:, :, -CACHE_T:, :, :].clone() if cache_x.shape[2] < 2 and feat_cache[idx] is not None: # cache last frame of last two chunk cache_x = torch.cat([feat_cache[idx][:, :, -1, :, :].unsqueeze(2).to(cache_x.device), cache_x], dim=2) x = self.conv_out(x, feat_cache[idx]) feat_cache[idx] = cache_x feat_idx[0] += 1 else: x = self.conv_out(x) return x class QwenImageUpBlock(nn.Module): """ A block that handles upsampling for the QwenImageVAE decoder. Args: in_dim (int): Input dimension out_dim (int): Output dimension num_res_blocks (int): Number of residual blocks dropout (float): Dropout rate upsample_mode (str, optional): Mode for upsampling ('upsample2d' or 'upsample3d') non_linearity (str): Type of non-linearity to use """ def __init__( self, in_dim: int, out_dim: int, num_res_blocks: int, dropout: float = 0.0, upsample_mode: Optional[str] = None, non_linearity: str = "silu", ): super().__init__() self.in_dim = in_dim self.out_dim = out_dim # Create layers list resnets = [] # Add residual blocks and attention if needed current_dim = in_dim for _ in range(num_res_blocks + 1): resnets.append(QwenImageResidualBlock(current_dim, out_dim, dropout, non_linearity)) current_dim = out_dim self.resnets = nn.ModuleList(resnets) # Add upsampling layer if needed self.upsamplers = None if upsample_mode is not None: self.upsamplers = nn.ModuleList([QwenImageResample(out_dim, mode=upsample_mode)]) self.gradient_checkpointing = False def forward(self, x, feat_cache=None, feat_idx=[0]): """ Forward pass through the upsampling block. Args: x (torch.Tensor): Input tensor feat_cache (list, optional): Feature cache for causal convolutions feat_idx (list, optional): Feature index for cache management Returns: torch.Tensor: Output tensor """ for resnet in self.resnets: if feat_cache is not None: x = resnet(x, feat_cache, feat_idx) else: x = resnet(x) if self.upsamplers is not None: if feat_cache is not None: x = self.upsamplers[0](x, feat_cache, feat_idx) else: x = self.upsamplers[0](x) return x class QwenImageDecoder3d(nn.Module): r""" A 3D decoder module. Args: dim (int): The base number of channels in the first layer. z_dim (int): The dimensionality of the latent space. dim_mult (list of int): Multipliers for the number of channels in each block. num_res_blocks (int): Number of residual blocks in each block. attn_scales (list of float): Scales at which to apply attention mechanisms. temperal_upsample (list of bool): Whether to upsample temporally in each block. dropout (float): Dropout rate for the dropout layers. output_channels (int): Number of output channels. non_linearity (str): Type of non-linearity to use. """ def __init__( self, dim=128, z_dim=4, dim_mult=[1, 2, 4, 4], num_res_blocks=2, attn_scales=[], temperal_upsample=[False, True, True], dropout=0.0, output_channels: int = 3, non_linearity: str = "silu", ): super().__init__() assert non_linearity in ["silu"], "Only 'silu' non-linearity is supported currently." self.dim = dim self.z_dim = z_dim self.dim_mult = dim_mult self.num_res_blocks = num_res_blocks self.attn_scales = attn_scales self.temperal_upsample = temperal_upsample self.nonlinearity = nn.SiLU() # get_activation(non_linearity) # dimensions dims = [dim * u for u in [dim_mult[-1]] + dim_mult[::-1]] scale = 1.0 / 2 ** (len(dim_mult) - 2) # init block self.conv_in = QwenImageCausalConv3d(z_dim, dims[0], 3, padding=1) # middle blocks self.mid_block = QwenImageMidBlock(dims[0], dropout, non_linearity, num_layers=1) # upsample blocks self.up_blocks = nn.ModuleList([]) for i, (in_dim, out_dim) in enumerate(zip(dims[:-1], dims[1:])): # residual (+attention) blocks if i > 0: in_dim = in_dim // 2 # Determine if we need upsampling upsample_mode = None if i != len(dim_mult) - 1: upsample_mode = "upsample3d" if temperal_upsample[i] else "upsample2d" # Create and add the upsampling block up_block = QwenImageUpBlock( in_dim=in_dim, out_dim=out_dim, num_res_blocks=num_res_blocks, dropout=dropout, upsample_mode=upsample_mode, non_linearity=non_linearity, ) self.up_blocks.append(up_block) # Update scale for next iteration if upsample_mode is not None: scale *= 2.0 # output blocks self.norm_out = QwenImageRMS_norm(out_dim, images=False) self.conv_out = QwenImageCausalConv3d(out_dim, output_channels, 3, padding=1) self.gradient_checkpointing = False def forward(self, x, feat_cache=None, feat_idx=[0]): ## conv1 if feat_cache is not None: idx = feat_idx[0] cache_x = x[:, :, -CACHE_T:, :, :].clone() if cache_x.shape[2] < 2 and feat_cache[idx] is not None: # cache last frame of last two chunk cache_x = torch.cat([feat_cache[idx][:, :, -1, :, :].unsqueeze(2).to(cache_x.device), cache_x], dim=2) x = self.conv_in(x, feat_cache[idx]) feat_cache[idx] = cache_x feat_idx[0] += 1 else: x = self.conv_in(x) ## middle x = self.mid_block(x, feat_cache, feat_idx) ## upsamples for up_block in self.up_blocks: x = up_block(x, feat_cache, feat_idx) ## head x = self.norm_out(x) x = self.nonlinearity(x) if feat_cache is not None: idx = feat_idx[0] cache_x = x[:, :, -CACHE_T:, :, :].clone() if cache_x.shape[2] < 2 and feat_cache[idx] is not None: # cache last frame of last two chunk cache_x = torch.cat([feat_cache[idx][:, :, -1, :, :].unsqueeze(2).to(cache_x.device), cache_x], dim=2) x = self.conv_out(x, feat_cache[idx]) feat_cache[idx] = cache_x feat_idx[0] += 1 else: x = self.conv_out(x) return x class AutoencoderKLQwenImage(nn.Module): # ModelMixin, ConfigMixin, FromOriginalModelMixin): r""" A VAE model with KL loss for encoding videos into latents and decoding latent representations into videos. This model inherits from [`ModelMixin`]. Check the superclass documentation for it's generic methods implemented for all models (such as downloading or saving). """ _supports_gradient_checkpointing = False # @register_to_config def __init__( self, base_dim: int = 96, z_dim: int = 16, dim_mult: Tuple[int] = [1, 2, 4, 4], num_res_blocks: int = 2, attn_scales: List[float] = [], temperal_downsample: List[bool] = [False, True, True], dropout: float = 0.0, latents_mean: List[float] = [ -0.7571, -0.7089, -0.9113, 0.1075, -0.1745, 0.9653, -0.1517, 1.5508, 0.4134, -0.0715, 0.5517, -0.3632, -0.1922, -0.9497, 0.2503, -0.2921, ], latents_std: List[float] = [ 2.8184, 1.4541, 2.3275, 2.6558, 1.2196, 1.7708, 2.6052, 2.0743, 3.2687, 2.1526, 2.8652, 1.5579, 1.6382, 1.1253, 2.8251, 1.9160, ], input_channels: int = 3, spatial_chunk_size: Optional[int] = None, disable_cache: bool = False, ) -> None: super().__init__() self.z_dim = z_dim self.temperal_downsample = temperal_downsample self.temperal_upsample = temperal_downsample[::-1] self.latents_mean = latents_mean self.latents_std = latents_std self.encoder = QwenImageEncoder3d( base_dim, z_dim * 2, dim_mult, num_res_blocks, attn_scales, self.temperal_downsample, dropout, input_channels ) self.quant_conv = QwenImageCausalConv3d(z_dim * 2, z_dim * 2, 1) self.post_quant_conv = QwenImageCausalConv3d(z_dim, z_dim, 1) self.decoder = QwenImageDecoder3d( base_dim, z_dim, dim_mult, num_res_blocks, attn_scales, self.temperal_upsample, dropout, input_channels ) self.spatial_compression_ratio = 2 ** len(self.temperal_downsample) # When decoding a batch of video latents at a time, one can save memory by slicing across the batch dimension # to perform decoding of a single video latent at a time. self.use_slicing = False # When decoding spatially large video latents, the memory requirement is very high. By breaking the video latent # frames spatially into smaller tiles and performing multiple forward passes for decoding, and then blending the # intermediate tiles together, the memory requirement can be lowered. self.use_tiling = False # The minimal tile height and width for spatial tiling to be used self.tile_sample_min_height = 256 self.tile_sample_min_width = 256 # The minimal distance between two spatial tiles self.tile_sample_stride_height = 192 self.tile_sample_stride_width = 192 # Precompute and cache conv counts for encoder and decoder for clear_cache speedup self._cached_conv_counts = { "decoder": sum(isinstance(m, QwenImageCausalConv3d) for m in self.decoder.modules()) if self.decoder is not None else 0, "encoder": sum(isinstance(m, QwenImageCausalConv3d) for m in self.encoder.modules()) if self.encoder is not None else 0, } self.spatial_chunk_size = None if spatial_chunk_size is not None and spatial_chunk_size > 0: self.enable_spatial_chunking(spatial_chunk_size) self.cache_disabled = False if disable_cache: self.disable_cache() @property def dtype(self): return self.encoder.parameters().__next__().dtype @property def device(self): return self.encoder.parameters().__next__().device def enable_tiling( self, tile_sample_min_height: Optional[int] = None, tile_sample_min_width: Optional[int] = None, tile_sample_stride_height: Optional[float] = None, tile_sample_stride_width: Optional[float] = None, ) -> None: r""" Enable tiled VAE decoding. When this option is enabled, the VAE will split the input tensor into tiles to compute decoding and encoding in several steps. This is useful for saving a large amount of memory and to allow processing larger images. Args: tile_sample_min_height (`int`, *optional*): The minimum height required for a sample to be separated into tiles across the height dimension. tile_sample_min_width (`int`, *optional*): The minimum width required for a sample to be separated into tiles across the width dimension. tile_sample_stride_height (`int`, *optional*): The minimum amount of overlap between two consecutive vertical tiles. This is to ensure that there are no tiling artifacts produced across the height dimension. tile_sample_stride_width (`int`, *optional*): The stride between two consecutive horizontal tiles. This is to ensure that there are no tiling artifacts produced across the width dimension. """ self.use_tiling = True self.tile_sample_min_height = tile_sample_min_height or self.tile_sample_min_height self.tile_sample_min_width = tile_sample_min_width or self.tile_sample_min_width self.tile_sample_stride_height = tile_sample_stride_height or self.tile_sample_stride_height self.tile_sample_stride_width = tile_sample_stride_width or self.tile_sample_stride_width def disable_tiling(self) -> None: r""" Disable tiled VAE decoding. If `enable_tiling` was previously enabled, this method will go back to computing decoding in one step. """ self.use_tiling = False def enable_slicing(self) -> None: r""" Enable sliced VAE decoding. When this option is enabled, the VAE will split the input tensor in slices to compute decoding in several steps. This is useful to save some memory and allow larger batch sizes. """ self.use_slicing = True def disable_slicing(self) -> None: r""" Disable sliced VAE decoding. If `enable_slicing` was previously enabled, this method will go back to computing decoding in one step. """ self.use_slicing = False def enable_spatial_chunking(self, spatial_chunk_size: int) -> None: r""" Enable memory-efficient convolution by chunking all causal Conv3d layers only along height. """ if spatial_chunk_size is None or spatial_chunk_size <= 0: raise ValueError(f"`spatial_chunk_size` must be a positive integer, got {spatial_chunk_size}.") self.spatial_chunk_size = int(spatial_chunk_size) for module in self.modules(): if isinstance(module, QwenImageCausalConv3d): module.spatial_chunk_size = self.spatial_chunk_size elif isinstance(module, ChunkedConv2d): module.spatial_chunk_size = self.spatial_chunk_size def disable_spatial_chunking(self) -> None: r""" Disable memory-efficient convolution chunking on all causal Conv3d layers. """ self.spatial_chunk_size = None for module in self.modules(): if isinstance(module, QwenImageCausalConv3d): module.spatial_chunk_size = None elif isinstance(module, ChunkedConv2d): module.spatial_chunk_size = None def disable_cache(self) -> None: r""" Disable caching mechanism in encoder and decoder. """ self.cache_disabled = True self.clear_cache = lambda: None self._feat_map = None # Disable decoder cache self._enc_feat_map = None # Disable encoder cache def clear_cache(self): def _count_conv3d(model): count = 0 for m in model.modules(): if isinstance(m, QwenImageCausalConv3d): count += 1 return count self._conv_num = _count_conv3d(self.decoder) self._conv_idx = [0] self._feat_map = [None] * self._conv_num # cache encode self._enc_conv_num = _count_conv3d(self.encoder) self._enc_conv_idx = [0] self._enc_feat_map = [None] * self._enc_conv_num def _encode(self, x: torch.Tensor): _, _, num_frame, height, width = x.shape assert num_frame == 1 or not self.cache_disabled, "Caching must be enabled for encoding multiple frames." if self.use_tiling and (width > self.tile_sample_min_width or height > self.tile_sample_min_height): return self.tiled_encode(x) self.clear_cache() iter_ = 1 + (num_frame - 1) // 4 for i in range(iter_): self._enc_conv_idx = [0] if i == 0: out = self.encoder(x[:, :, :1, :, :], feat_cache=self._enc_feat_map, feat_idx=self._enc_conv_idx) else: out_ = self.encoder( x[:, :, 1 + 4 * (i - 1) : 1 + 4 * i, :, :], feat_cache=self._enc_feat_map, feat_idx=self._enc_conv_idx, ) out = torch.cat([out, out_], 2) enc = self.quant_conv(out) self.clear_cache() return enc # @apply_forward_hook def encode( self, x: torch.Tensor, return_dict: bool = True ) -> Union[Dict[str, torch.Tensor], Tuple[DiagonalGaussianDistribution]]: r""" Encode a batch of images into latents. Args: x (`torch.Tensor`): Input batch of images. return_dict (`bool`, *optional*, defaults to `True`): Whether to return a [`~models.autoencoder_kl.AutoencoderKLOutput`] instead of a plain tuple. Returns: The latent representations of the encoded videos. If `return_dict` is True, a dictionary is returned, otherwise a plain `tuple` is returned. """ if self.use_slicing and x.shape[0] > 1: encoded_slices = [self._encode(x_slice) for x_slice in x.split(1)] h = torch.cat(encoded_slices) else: h = self._encode(x) posterior = DiagonalGaussianDistribution(h) if not return_dict: return (posterior,) return {"latent_dist": posterior} def _decode(self, z: torch.Tensor, return_dict: bool = True): _, _, num_frame, height, width = z.shape assert num_frame == 1 or not self.cache_disabled, "Caching must be enabled for encoding multiple frames." tile_latent_min_height = self.tile_sample_min_height // self.spatial_compression_ratio tile_latent_min_width = self.tile_sample_min_width // self.spatial_compression_ratio if self.use_tiling and (width > tile_latent_min_width or height > tile_latent_min_height): return self.tiled_decode(z, return_dict=return_dict) self.clear_cache() x = self.post_quant_conv(z) for i in range(num_frame): self._conv_idx = [0] if i == 0: out = self.decoder(x[:, :, i : i + 1, :, :], feat_cache=self._feat_map, feat_idx=self._conv_idx) else: out_ = self.decoder(x[:, :, i : i + 1, :, :], feat_cache=self._feat_map, feat_idx=self._conv_idx) out = torch.cat([out, out_], 2) out = torch.clamp(out, min=-1.0, max=1.0) self.clear_cache() if not return_dict: return (out,) return {"sample": out} # @apply_forward_hook def decode(self, z: torch.Tensor, return_dict: bool = True) -> Union[Dict[str, torch.Tensor], torch.Tensor]: r""" Decode a batch of images. Args: z (`torch.Tensor`): Input batch of latent vectors. return_dict (`bool`, *optional*, defaults to `True`): Whether to return a [`~models.vae.DecoderOutput`] instead of a plain tuple. Returns: [`~models.vae.DecoderOutput`] or `tuple`: If return_dict is True, a [`~models.vae.DecoderOutput`] is returned, otherwise a plain `tuple` is returned. """ if self.use_slicing and z.shape[0] > 1: decoded_slices = [self._decode(z_slice)["sample"] for z_slice in z.split(1)] decoded = torch.cat(decoded_slices) else: decoded = self._decode(z)["sample"] if not return_dict: return (decoded,) return {"sample": decoded} def decode_to_pixels(self, latents: torch.Tensor) -> torch.Tensor: is_4d = latents.dim() == 4 if is_4d: latents = latents.unsqueeze(2) # [B, C, H, W] -> [B, C, 1, H, W] latents = latents.to(self.dtype) latents_mean = torch.tensor(self.latents_mean).view(1, self.z_dim, 1, 1, 1).to(latents.device, latents.dtype) latents_std = 1.0 / torch.tensor(self.latents_std).view(1, self.z_dim, 1, 1, 1).to(latents.device, latents.dtype) latents = latents / latents_std + latents_mean image = self.decode(latents, return_dict=False)[0] # -1 to 1 if is_4d: image = image.squeeze(2) # [B, C, 1, H, W] -> [B, C, H, W] return image.clamp(-1.0, 1.0) def encode_pixels_to_latents(self, pixels: torch.Tensor) -> torch.Tensor: """ Convert pixel values to latents and apply normalization using mean/std. Args: pixels (torch.Tensor): Input pixels in [0, 1] range with shape [B, C, H, W] or [B, C, T, H, W] Returns: torch.Tensor: Normalized latents """ # # Convert from [0, 1] to [-1, 1] range # pixels = (pixels * 2.0 - 1.0).clamp(-1.0, 1.0) # Handle 2D input by adding temporal dimension is_4d = pixels.dim() == 4 if is_4d: pixels = pixels.unsqueeze(2) # [B, C, H, W] -> [B, C, 1, H, W] pixels = pixels.to(self.dtype) # Encode to latent space posterior = self.encode(pixels, return_dict=False)[0] latents = posterior.mode() # Use mode instead of sampling for deterministic results # latents = posterior.sample() # Apply normalization using mean/std latents_mean = torch.tensor(self.latents_mean).view(1, self.z_dim, 1, 1, 1).to(latents.device, latents.dtype) latents_std = 1.0 / torch.tensor(self.latents_std).view(1, self.z_dim, 1, 1, 1).to(latents.device, latents.dtype) latents = (latents - latents_mean) * latents_std if is_4d: latents = latents.squeeze(2) # [B, C, 1, H, W] -> [B, C, H, W] return latents def blend_v(self, a: torch.Tensor, b: torch.Tensor, blend_extent: int) -> torch.Tensor: blend_extent = min(a.shape[-2], b.shape[-2], blend_extent) for y in range(blend_extent): b[:, :, :, y, :] = a[:, :, :, -blend_extent + y, :] * (1 - y / blend_extent) + b[:, :, :, y, :] * (y / blend_extent) return b def blend_h(self, a: torch.Tensor, b: torch.Tensor, blend_extent: int) -> torch.Tensor: blend_extent = min(a.shape[-1], b.shape[-1], blend_extent) for x in range(blend_extent): b[:, :, :, :, x] = a[:, :, :, :, -blend_extent + x] * (1 - x / blend_extent) + b[:, :, :, :, x] * (x / blend_extent) return b def tiled_encode(self, x: torch.Tensor) -> torch.Tensor: r"""Encode a batch of images using a tiled encoder. Args: x (`torch.Tensor`): Input batch of videos. Returns: `torch.Tensor`: The latent representation of the encoded videos. """ _, _, num_frames, height, width = x.shape latent_height = height // self.spatial_compression_ratio latent_width = width // self.spatial_compression_ratio tile_latent_min_height = self.tile_sample_min_height // self.spatial_compression_ratio tile_latent_min_width = self.tile_sample_min_width // self.spatial_compression_ratio tile_latent_stride_height = self.tile_sample_stride_height // self.spatial_compression_ratio tile_latent_stride_width = self.tile_sample_stride_width // self.spatial_compression_ratio blend_height = tile_latent_min_height - tile_latent_stride_height blend_width = tile_latent_min_width - tile_latent_stride_width # Split x into overlapping tiles and encode them separately. # The tiles have an overlap to avoid seams between tiles. rows = [] for i in range(0, height, self.tile_sample_stride_height): row = [] for j in range(0, width, self.tile_sample_stride_width): self.clear_cache() time = [] frame_range = 1 + (num_frames - 1) // 4 for k in range(frame_range): self._enc_conv_idx = [0] if k == 0: tile = x[:, :, :1, i : i + self.tile_sample_min_height, j : j + self.tile_sample_min_width] else: tile = x[ :, :, 1 + 4 * (k - 1) : 1 + 4 * k, i : i + self.tile_sample_min_height, j : j + self.tile_sample_min_width, ] tile = self.encoder(tile, feat_cache=self._enc_feat_map, feat_idx=self._enc_conv_idx) tile = self.quant_conv(tile) time.append(tile) row.append(torch.cat(time, dim=2)) rows.append(row) self.clear_cache() result_rows = [] for i, row in enumerate(rows): result_row = [] for j, tile in enumerate(row): # blend the above tile and the left tile # to the current tile and add the current tile to the result row if i > 0: tile = self.blend_v(rows[i - 1][j], tile, blend_height) if j > 0: tile = self.blend_h(row[j - 1], tile, blend_width) result_row.append(tile[:, :, :, :tile_latent_stride_height, :tile_latent_stride_width]) result_rows.append(torch.cat(result_row, dim=-1)) enc = torch.cat(result_rows, dim=3)[:, :, :, :latent_height, :latent_width] return enc def tiled_decode(self, z: torch.Tensor, return_dict: bool = True) -> Union[Dict[str, torch.Tensor], torch.Tensor]: r""" Decode a batch of images using a tiled decoder. Args: z (`torch.Tensor`): Input batch of latent vectors. return_dict (`bool`, *optional*, defaults to `True`): Whether or not to return a dictionary instead of a plain tuple. Returns: `dict` or `tuple`: If return_dict is True, a dictionary is returned, otherwise a plain `tuple` is returned. """ _, _, num_frames, height, width = z.shape sample_height = height * self.spatial_compression_ratio sample_width = width * self.spatial_compression_ratio tile_latent_min_height = self.tile_sample_min_height // self.spatial_compression_ratio tile_latent_min_width = self.tile_sample_min_width // self.spatial_compression_ratio tile_latent_stride_height = self.tile_sample_stride_height // self.spatial_compression_ratio tile_latent_stride_width = self.tile_sample_stride_width // self.spatial_compression_ratio blend_height = self.tile_sample_min_height - self.tile_sample_stride_height blend_width = self.tile_sample_min_width - self.tile_sample_stride_width # Split z into overlapping tiles and decode them separately. # The tiles have an overlap to avoid seams between tiles. rows = [] for i in range(0, height, tile_latent_stride_height): row = [] for j in range(0, width, tile_latent_stride_width): self.clear_cache() time = [] for k in range(num_frames): self._conv_idx = [0] tile = z[:, :, k : k + 1, i : i + tile_latent_min_height, j : j + tile_latent_min_width] tile = self.post_quant_conv(tile) decoded = self.decoder(tile, feat_cache=self._feat_map, feat_idx=self._conv_idx) time.append(decoded) row.append(torch.cat(time, dim=2)) rows.append(row) self.clear_cache() result_rows = [] for i, row in enumerate(rows): result_row = [] for j, tile in enumerate(row): # blend the above tile and the left tile # to the current tile and add the current tile to the result row if i > 0: tile = self.blend_v(rows[i - 1][j], tile, blend_height) if j > 0: tile = self.blend_h(row[j - 1], tile, blend_width) result_row.append(tile[:, :, :, : self.tile_sample_stride_height, : self.tile_sample_stride_width]) result_rows.append(torch.cat(result_row, dim=-1)) dec = torch.cat(result_rows, dim=3)[:, :, :, :sample_height, :sample_width] if not return_dict: return (dec,) return {"sample": dec} def forward( self, sample: torch.Tensor, sample_posterior: bool = False, return_dict: bool = True, generator: Optional[torch.Generator] = None, ) -> Union[Dict[str, torch.Tensor], torch.Tensor]: """ Args: sample (`torch.Tensor`): Input sample. return_dict (`bool`, *optional*, defaults to `True`): Whether or not to return a [`Dict[str, torch.Tensor]`] instead of a plain tuple. """ x = sample posterior = self.encode(x).latent_dist if sample_posterior: z = posterior.sample(generator=generator) else: z = posterior.mode() dec = self.decode(z, return_dict=return_dict) return dec # region utils # This region is not included in the original implementation. Added for musubi-tuner/sd-scripts. # Convert ComfyUI keys to standard keys if necessary def convert_comfyui_state_dict(sd): if "conv1.bias" not in sd: return sd # Key mapping from ComfyUI VAE to official VAE, auto-generated by a script key_map = { "conv1": "quant_conv", "conv2": "post_quant_conv", "decoder.conv1": "decoder.conv_in", "decoder.head.0": "decoder.norm_out", "decoder.head.2": "decoder.conv_out", "decoder.middle.0.residual.0": "decoder.mid_block.resnets.0.norm1", "decoder.middle.0.residual.2": "decoder.mid_block.resnets.0.conv1", "decoder.middle.0.residual.3": "decoder.mid_block.resnets.0.norm2", "decoder.middle.0.residual.6": "decoder.mid_block.resnets.0.conv2", "decoder.middle.1.norm": "decoder.mid_block.attentions.0.norm", "decoder.middle.1.proj": "decoder.mid_block.attentions.0.proj", "decoder.middle.1.to_qkv": "decoder.mid_block.attentions.0.to_qkv", "decoder.middle.2.residual.0": "decoder.mid_block.resnets.1.norm1", "decoder.middle.2.residual.2": "decoder.mid_block.resnets.1.conv1", "decoder.middle.2.residual.3": "decoder.mid_block.resnets.1.norm2", "decoder.middle.2.residual.6": "decoder.mid_block.resnets.1.conv2", "decoder.upsamples.0.residual.0": "decoder.up_blocks.0.resnets.0.norm1", "decoder.upsamples.0.residual.2": "decoder.up_blocks.0.resnets.0.conv1", "decoder.upsamples.0.residual.3": "decoder.up_blocks.0.resnets.0.norm2", "decoder.upsamples.0.residual.6": "decoder.up_blocks.0.resnets.0.conv2", "decoder.upsamples.1.residual.0": "decoder.up_blocks.0.resnets.1.norm1", "decoder.upsamples.1.residual.2": "decoder.up_blocks.0.resnets.1.conv1", "decoder.upsamples.1.residual.3": "decoder.up_blocks.0.resnets.1.norm2", "decoder.upsamples.1.residual.6": "decoder.up_blocks.0.resnets.1.conv2", "decoder.upsamples.10.residual.0": "decoder.up_blocks.2.resnets.2.norm1", "decoder.upsamples.10.residual.2": "decoder.up_blocks.2.resnets.2.conv1", "decoder.upsamples.10.residual.3": "decoder.up_blocks.2.resnets.2.norm2", "decoder.upsamples.10.residual.6": "decoder.up_blocks.2.resnets.2.conv2", "decoder.upsamples.11.resample.1": "decoder.up_blocks.2.upsamplers.0.resample.1", "decoder.upsamples.12.residual.0": "decoder.up_blocks.3.resnets.0.norm1", "decoder.upsamples.12.residual.2": "decoder.up_blocks.3.resnets.0.conv1", "decoder.upsamples.12.residual.3": "decoder.up_blocks.3.resnets.0.norm2", "decoder.upsamples.12.residual.6": "decoder.up_blocks.3.resnets.0.conv2", "decoder.upsamples.13.residual.0": "decoder.up_blocks.3.resnets.1.norm1", "decoder.upsamples.13.residual.2": "decoder.up_blocks.3.resnets.1.conv1", "decoder.upsamples.13.residual.3": "decoder.up_blocks.3.resnets.1.norm2", "decoder.upsamples.13.residual.6": "decoder.up_blocks.3.resnets.1.conv2", "decoder.upsamples.14.residual.0": "decoder.up_blocks.3.resnets.2.norm1", "decoder.upsamples.14.residual.2": "decoder.up_blocks.3.resnets.2.conv1", "decoder.upsamples.14.residual.3": "decoder.up_blocks.3.resnets.2.norm2", "decoder.upsamples.14.residual.6": "decoder.up_blocks.3.resnets.2.conv2", "decoder.upsamples.2.residual.0": "decoder.up_blocks.0.resnets.2.norm1", "decoder.upsamples.2.residual.2": "decoder.up_blocks.0.resnets.2.conv1", "decoder.upsamples.2.residual.3": "decoder.up_blocks.0.resnets.2.norm2", "decoder.upsamples.2.residual.6": "decoder.up_blocks.0.resnets.2.conv2", "decoder.upsamples.3.resample.1": "decoder.up_blocks.0.upsamplers.0.resample.1", "decoder.upsamples.3.time_conv": "decoder.up_blocks.0.upsamplers.0.time_conv", "decoder.upsamples.4.residual.0": "decoder.up_blocks.1.resnets.0.norm1", "decoder.upsamples.4.residual.2": "decoder.up_blocks.1.resnets.0.conv1", "decoder.upsamples.4.residual.3": "decoder.up_blocks.1.resnets.0.norm2", "decoder.upsamples.4.residual.6": "decoder.up_blocks.1.resnets.0.conv2", "decoder.upsamples.4.shortcut": "decoder.up_blocks.1.resnets.0.conv_shortcut", "decoder.upsamples.5.residual.0": "decoder.up_blocks.1.resnets.1.norm1", "decoder.upsamples.5.residual.2": "decoder.up_blocks.1.resnets.1.conv1", "decoder.upsamples.5.residual.3": "decoder.up_blocks.1.resnets.1.norm2", "decoder.upsamples.5.residual.6": "decoder.up_blocks.1.resnets.1.conv2", "decoder.upsamples.6.residual.0": "decoder.up_blocks.1.resnets.2.norm1", "decoder.upsamples.6.residual.2": "decoder.up_blocks.1.resnets.2.conv1", "decoder.upsamples.6.residual.3": "decoder.up_blocks.1.resnets.2.norm2", "decoder.upsamples.6.residual.6": "decoder.up_blocks.1.resnets.2.conv2", "decoder.upsamples.7.resample.1": "decoder.up_blocks.1.upsamplers.0.resample.1", "decoder.upsamples.7.time_conv": "decoder.up_blocks.1.upsamplers.0.time_conv", "decoder.upsamples.8.residual.0": "decoder.up_blocks.2.resnets.0.norm1", "decoder.upsamples.8.residual.2": "decoder.up_blocks.2.resnets.0.conv1", "decoder.upsamples.8.residual.3": "decoder.up_blocks.2.resnets.0.norm2", "decoder.upsamples.8.residual.6": "decoder.up_blocks.2.resnets.0.conv2", "decoder.upsamples.9.residual.0": "decoder.up_blocks.2.resnets.1.norm1", "decoder.upsamples.9.residual.2": "decoder.up_blocks.2.resnets.1.conv1", "decoder.upsamples.9.residual.3": "decoder.up_blocks.2.resnets.1.norm2", "decoder.upsamples.9.residual.6": "decoder.up_blocks.2.resnets.1.conv2", "encoder.conv1": "encoder.conv_in", "encoder.downsamples.0.residual.0": "encoder.down_blocks.0.norm1", "encoder.downsamples.0.residual.2": "encoder.down_blocks.0.conv1", "encoder.downsamples.0.residual.3": "encoder.down_blocks.0.norm2", "encoder.downsamples.0.residual.6": "encoder.down_blocks.0.conv2", "encoder.downsamples.1.residual.0": "encoder.down_blocks.1.norm1", "encoder.downsamples.1.residual.2": "encoder.down_blocks.1.conv1", "encoder.downsamples.1.residual.3": "encoder.down_blocks.1.norm2", "encoder.downsamples.1.residual.6": "encoder.down_blocks.1.conv2", "encoder.downsamples.10.residual.0": "encoder.down_blocks.10.norm1", "encoder.downsamples.10.residual.2": "encoder.down_blocks.10.conv1", "encoder.downsamples.10.residual.3": "encoder.down_blocks.10.norm2", "encoder.downsamples.10.residual.6": "encoder.down_blocks.10.conv2", "encoder.downsamples.2.resample.1": "encoder.down_blocks.2.resample.1", "encoder.downsamples.3.residual.0": "encoder.down_blocks.3.norm1", "encoder.downsamples.3.residual.2": "encoder.down_blocks.3.conv1", "encoder.downsamples.3.residual.3": "encoder.down_blocks.3.norm2", "encoder.downsamples.3.residual.6": "encoder.down_blocks.3.conv2", "encoder.downsamples.3.shortcut": "encoder.down_blocks.3.conv_shortcut", "encoder.downsamples.4.residual.0": "encoder.down_blocks.4.norm1", "encoder.downsamples.4.residual.2": "encoder.down_blocks.4.conv1", "encoder.downsamples.4.residual.3": "encoder.down_blocks.4.norm2", "encoder.downsamples.4.residual.6": "encoder.down_blocks.4.conv2", "encoder.downsamples.5.resample.1": "encoder.down_blocks.5.resample.1", "encoder.downsamples.5.time_conv": "encoder.down_blocks.5.time_conv", "encoder.downsamples.6.residual.0": "encoder.down_blocks.6.norm1", "encoder.downsamples.6.residual.2": "encoder.down_blocks.6.conv1", "encoder.downsamples.6.residual.3": "encoder.down_blocks.6.norm2", "encoder.downsamples.6.residual.6": "encoder.down_blocks.6.conv2", "encoder.downsamples.6.shortcut": "encoder.down_blocks.6.conv_shortcut", "encoder.downsamples.7.residual.0": "encoder.down_blocks.7.norm1", "encoder.downsamples.7.residual.2": "encoder.down_blocks.7.conv1", "encoder.downsamples.7.residual.3": "encoder.down_blocks.7.norm2", "encoder.downsamples.7.residual.6": "encoder.down_blocks.7.conv2", "encoder.downsamples.8.resample.1": "encoder.down_blocks.8.resample.1", "encoder.downsamples.8.time_conv": "encoder.down_blocks.8.time_conv", "encoder.downsamples.9.residual.0": "encoder.down_blocks.9.norm1", "encoder.downsamples.9.residual.2": "encoder.down_blocks.9.conv1", "encoder.downsamples.9.residual.3": "encoder.down_blocks.9.norm2", "encoder.downsamples.9.residual.6": "encoder.down_blocks.9.conv2", "encoder.head.0": "encoder.norm_out", "encoder.head.2": "encoder.conv_out", "encoder.middle.0.residual.0": "encoder.mid_block.resnets.0.norm1", "encoder.middle.0.residual.2": "encoder.mid_block.resnets.0.conv1", "encoder.middle.0.residual.3": "encoder.mid_block.resnets.0.norm2", "encoder.middle.0.residual.6": "encoder.mid_block.resnets.0.conv2", "encoder.middle.1.norm": "encoder.mid_block.attentions.0.norm", "encoder.middle.1.proj": "encoder.mid_block.attentions.0.proj", "encoder.middle.1.to_qkv": "encoder.mid_block.attentions.0.to_qkv", "encoder.middle.2.residual.0": "encoder.mid_block.resnets.1.norm1", "encoder.middle.2.residual.2": "encoder.mid_block.resnets.1.conv1", "encoder.middle.2.residual.3": "encoder.mid_block.resnets.1.norm2", "encoder.middle.2.residual.6": "encoder.mid_block.resnets.1.conv2", } new_state_dict = {} for key in sd.keys(): new_key = key key_without_suffix = key.rsplit(".", 1)[0] if key_without_suffix in key_map: new_key = key.replace(key_without_suffix, key_map[key_without_suffix]) new_state_dict[new_key] = sd[key] logger.info("Converted ComfyUI AutoencoderKL state dict keys to official format") return new_state_dict def load_vae( vae_path: str, input_channels: int = 3, device: Union[str, torch.device] = "cpu", disable_mmap: bool = False, spatial_chunk_size: Optional[int] = None, disable_cache: bool = False, ) -> AutoencoderKLQwenImage: """Load VAE from a given path.""" VAE_CONFIG_JSON = """ { "_class_name": "AutoencoderKLQwenImage", "_diffusers_version": "0.34.0.dev0", "attn_scales": [], "base_dim": 96, "dim_mult": [ 1, 2, 4, 4 ], "dropout": 0.0, "latents_mean": [ -0.7571, -0.7089, -0.9113, 0.1075, -0.1745, 0.9653, -0.1517, 1.5508, 0.4134, -0.0715, 0.5517, -0.3632, -0.1922, -0.9497, 0.2503, -0.2921 ], "latents_std": [ 2.8184, 1.4541, 2.3275, 2.6558, 1.2196, 1.7708, 2.6052, 2.0743, 3.2687, 2.1526, 2.8652, 1.5579, 1.6382, 1.1253, 2.8251, 1.916 ], "num_res_blocks": 2, "temperal_downsample": [ false, true, true ], "z_dim": 16 } """ logger.info("Initializing VAE") if spatial_chunk_size is not None and spatial_chunk_size % 2 != 0: spatial_chunk_size += 1 logger.warning(f"Adjusted spatial_chunk_size to the next even number: {spatial_chunk_size}") config = json.loads(VAE_CONFIG_JSON) vae = AutoencoderKLQwenImage( base_dim=config["base_dim"], z_dim=config["z_dim"], dim_mult=config["dim_mult"], num_res_blocks=config["num_res_blocks"], attn_scales=config["attn_scales"], temperal_downsample=config["temperal_downsample"], dropout=config["dropout"], latents_mean=config["latents_mean"], latents_std=config["latents_std"], input_channels=input_channels, spatial_chunk_size=spatial_chunk_size, disable_cache=disable_cache, ) logger.info(f"Loading VAE from {vae_path}") state_dict = load_safetensors(vae_path, device=device, disable_mmap=disable_mmap) # Convert ComfyUI VAE keys to official VAE keys state_dict = convert_comfyui_state_dict(state_dict) info = vae.load_state_dict(state_dict, strict=True, assign=True) logger.info(f"Loaded VAE: {info}") vae.to(device) return vae if __name__ == "__main__": # Debugging / testing code import argparse import glob import os import time from PIL import Image from library.device_utils import get_preferred_device, synchronize_device parser = argparse.ArgumentParser() parser.add_argument("--vae", type=str, required=True, help="Path to the VAE model file.") parser.add_argument("--input_image_dir", type=str, required=True, help="Path to the input image directory.") parser.add_argument("--output_image_dir", type=str, required=True, help="Path to the output image directory.") args = parser.parse_args() # Load VAE vae = load_vae(args.vae, device=get_preferred_device()) # Process images def encode_decode_image(image_path, output_path): image = Image.open(image_path).convert("RGB") # Crop to multiple of 8 width, height = image.size new_width = (width // 8) * 8 new_height = (height // 8) * 8 if new_width != width or new_height != height: image = image.crop((0, 0, new_width, new_height)) image_tensor = torch.tensor(np.array(image)).permute(2, 0, 1).unsqueeze(0).float() / 255.0 * 2 - 1 image_tensor = image_tensor.to(vae.dtype).to(vae.device) with torch.no_grad(): latents = vae.encode_pixels_to_latents(image_tensor) reconstructed = vae.decode_to_pixels(latents) diff = (image_tensor - reconstructed).abs().mean().item() print(f"Processed {image_path} (size: {image.size}), reconstruction diff: {diff}") reconstructed_image = ((reconstructed.squeeze(0).permute(1, 2, 0).float().cpu().numpy() + 1) / 2 * 255).astype(np.uint8) Image.fromarray(reconstructed_image).save(output_path) def process_directory(input_dir, output_dir): if get_preferred_device().type == "cuda": torch.cuda.empty_cache() torch.cuda.reset_max_memory_allocated() synchronize_device(get_preferred_device()) start_time = time.perf_counter() os.makedirs(output_dir, exist_ok=True) image_paths = glob.glob(os.path.join(input_dir, "*.jpg")) + glob.glob(os.path.join(input_dir, "*.png")) for image_path in image_paths: filename = os.path.basename(image_path) output_path = os.path.join(output_dir, filename) encode_decode_image(image_path, output_path) if get_preferred_device().type == "cuda": max_mem = torch.cuda.max_memory_allocated() / (1024**3) print(f"Max GPU memory allocated: {max_mem:.2f} GB") synchronize_device(get_preferred_device()) end_time = time.perf_counter() print(f"Processing time: {end_time - start_time:.2f} seconds") print("Starting image processing with default settings...") process_directory(args.input_image_dir, args.output_image_dir) print("Starting image processing with spatial chunking enabled with chunk size 64...") vae.enable_spatial_chunking(64) process_directory(args.input_image_dir, args.output_image_dir + "_chunked_64") print("Starting image processing with spatial chunking enabled with chunk size 16...") vae.enable_spatial_chunking(16) process_directory(args.input_image_dir, args.output_image_dir + "_chunked_16") print("Starting image processing without caching and chunking enabled with chunk size 64...") vae.enable_spatial_chunking(64) vae.disable_cache() process_directory(args.input_image_dir, args.output_image_dir + "_no_cache_chunked_64") print("Starting image processing without caching and chunking enabled with chunk size 16...") vae.disable_cache() process_directory(args.input_image_dir, args.output_image_dir + "_no_cache_chunked_16") print("Starting image processing without caching and chunking disabled...") vae.disable_spatial_chunking() process_directory(args.input_image_dir, args.output_image_dir + "_no_cache") print("Processing completed.") ================================================ FILE: library/safetensors_utils.py ================================================ from dataclasses import dataclass import os import re import numpy as np import torch import json import struct from typing import Dict, Any, Union, Optional from safetensors.torch import load_file from library.device_utils import synchronize_device def mem_eff_save_file(tensors: Dict[str, torch.Tensor], filename: str, metadata: Dict[str, Any] = None): """ memory efficient save file """ _TYPES = { torch.float64: "F64", torch.float32: "F32", torch.float16: "F16", torch.bfloat16: "BF16", torch.int64: "I64", torch.int32: "I32", torch.int16: "I16", torch.int8: "I8", torch.uint8: "U8", torch.bool: "BOOL", getattr(torch, "float8_e5m2", None): "F8_E5M2", getattr(torch, "float8_e4m3fn", None): "F8_E4M3", } _ALIGN = 256 def validate_metadata(metadata: Dict[str, Any]) -> Dict[str, str]: validated = {} for key, value in metadata.items(): if not isinstance(key, str): raise ValueError(f"Metadata key must be a string, got {type(key)}") if not isinstance(value, str): print(f"Warning: Metadata value for key '{key}' is not a string. Converting to string.") validated[key] = str(value) else: validated[key] = value return validated # print(f"Using memory efficient save file: {filename}") header = {} offset = 0 if metadata: header["__metadata__"] = validate_metadata(metadata) for k, v in tensors.items(): if v.numel() == 0: # empty tensor header[k] = {"dtype": _TYPES[v.dtype], "shape": list(v.shape), "data_offsets": [offset, offset]} else: size = v.numel() * v.element_size() header[k] = {"dtype": _TYPES[v.dtype], "shape": list(v.shape), "data_offsets": [offset, offset + size]} offset += size hjson = json.dumps(header).encode("utf-8") hjson += b" " * (-(len(hjson) + 8) % _ALIGN) with open(filename, "wb") as f: f.write(struct.pack(" Dict[str, str]: """Get metadata from the file. Returns: Dict[str, str]: Metadata dictionary. """ return self.header.get("__metadata__", {}) def _read_header(self): """Read and parse the header from the safetensors file. Returns: tuple: (header_dict, header_size) containing parsed header and its size. """ # Read header size (8 bytes, little-endian unsigned long long) header_size = struct.unpack("10MB) and the target device is CUDA, memory mapping with numpy.memmap is used to avoid intermediate copies. Args: key (str): Name of the tensor to load. device (Optional[torch.device]): Target device for the tensor. dtype (Optional[torch.dtype]): Target dtype for the tensor. Returns: torch.Tensor: The loaded tensor. Raises: KeyError: If the tensor key is not found in the file. """ if key not in self.header: raise KeyError(f"Tensor '{key}' not found in the file") metadata = self.header[key] offset_start, offset_end = metadata["data_offsets"] num_bytes = offset_end - offset_start original_dtype = self._get_torch_dtype(metadata["dtype"]) target_dtype = dtype if dtype is not None else original_dtype # Handle empty tensors if num_bytes == 0: return torch.empty(metadata["shape"], dtype=target_dtype, device=device) # Determine if we should use pinned memory for GPU transfer non_blocking = device is not None and device.type == "cuda" # Calculate absolute file offset tensor_offset = self.header_size + 8 + offset_start # adjust offset by header size # Memory mapping strategy for large tensors to GPU # Use memmap for large tensors to avoid intermediate copies. # If device is cpu, tensor is not copied to gpu, so using memmap locks the file, which is not desired. # So we only use memmap if device is not cpu. # If disable_numpy_memmap is True, skip numpy memory mapping to load with standard file read. if not self.disable_numpy_memmap and num_bytes > 10 * 1024 * 1024 and device is not None and device.type != "cpu": # Create memory map for zero-copy reading mm = np.memmap(self.filename, mode="c", dtype=np.uint8, offset=tensor_offset, shape=(num_bytes,)) byte_tensor = torch.from_numpy(mm) # zero copy del mm # Deserialize tensor (view and reshape) cpu_tensor = self._deserialize_tensor(byte_tensor, metadata) # view and reshape del byte_tensor # Transfer to target device and dtype gpu_tensor = cpu_tensor.to(device=device, dtype=target_dtype, non_blocking=non_blocking) del cpu_tensor return gpu_tensor # Standard file reading strategy for smaller tensors or CPU target # seek to the specified position self.file.seek(tensor_offset) # read directly into a numpy array by numpy.fromfile without intermediate copy numpy_array = np.fromfile(self.file, dtype=np.uint8, count=num_bytes) byte_tensor = torch.from_numpy(numpy_array) del numpy_array # deserialize (view and reshape) deserialized_tensor = self._deserialize_tensor(byte_tensor, metadata) del byte_tensor # cast to target dtype and move to device return deserialized_tensor.to(device=device, dtype=target_dtype, non_blocking=non_blocking) def _deserialize_tensor(self, byte_tensor: torch.Tensor, metadata: Dict): """Deserialize byte tensor to the correct shape and dtype. Args: byte_tensor (torch.Tensor): Raw byte tensor from file. metadata (Dict): Tensor metadata containing dtype and shape info. Returns: torch.Tensor: Deserialized tensor with correct shape and dtype. """ dtype = self._get_torch_dtype(metadata["dtype"]) shape = metadata["shape"] # Handle special float8 types if metadata["dtype"] in ["F8_E5M2", "F8_E4M3"]: return self._convert_float8(byte_tensor, metadata["dtype"], shape) # Standard conversion: view as target dtype and reshape return byte_tensor.view(dtype).reshape(shape) @staticmethod def _get_torch_dtype(dtype_str): """Convert string dtype to PyTorch dtype. Args: dtype_str (str): String representation of the dtype. Returns: torch.dtype: Corresponding PyTorch dtype. """ # Standard dtype mappings dtype_map = { "F64": torch.float64, "F32": torch.float32, "F16": torch.float16, "BF16": torch.bfloat16, "I64": torch.int64, "I32": torch.int32, "I16": torch.int16, "I8": torch.int8, "U8": torch.uint8, "BOOL": torch.bool, } # Add float8 types if available in PyTorch version if hasattr(torch, "float8_e5m2"): dtype_map["F8_E5M2"] = torch.float8_e5m2 if hasattr(torch, "float8_e4m3fn"): dtype_map["F8_E4M3"] = torch.float8_e4m3fn return dtype_map.get(dtype_str) @staticmethod def _convert_float8(byte_tensor, dtype_str, shape): """Convert byte tensor to float8 format if supported. Args: byte_tensor (torch.Tensor): Raw byte tensor. dtype_str (str): Float8 dtype string ("F8_E5M2" or "F8_E4M3"). shape (tuple): Target tensor shape. Returns: torch.Tensor: Tensor with float8 dtype. Raises: ValueError: If float8 type is not supported in current PyTorch version. """ # Convert to specific float8 types if available if dtype_str == "F8_E5M2" and hasattr(torch, "float8_e5m2"): return byte_tensor.view(torch.float8_e5m2).reshape(shape) elif dtype_str == "F8_E4M3" and hasattr(torch, "float8_e4m3fn"): return byte_tensor.view(torch.float8_e4m3fn).reshape(shape) else: # Float8 not supported in this PyTorch version raise ValueError(f"Unsupported float8 type: {dtype_str} (upgrade PyTorch to support float8 types)") def load_safetensors( path: str, device: Union[str, torch.device], disable_mmap: bool = False, dtype: Optional[torch.dtype] = None, disable_numpy_memmap: bool = False, ) -> dict[str, torch.Tensor]: if disable_mmap: # return safetensors.torch.load(open(path, "rb").read()) # use experimental loader # logger.info(f"Loading without mmap (experimental)") state_dict = {} device = torch.device(device) if device is not None else None with MemoryEfficientSafeOpen(path, disable_numpy_memmap=disable_numpy_memmap) as f: for key in f.keys(): state_dict[key] = f.get_tensor(key, device=device, dtype=dtype) synchronize_device(device) return state_dict else: try: state_dict = load_file(path, device=device) except: state_dict = load_file(path) # prevent device invalid Error if dtype is not None: for key in state_dict.keys(): state_dict[key] = state_dict[key].to(dtype=dtype) return state_dict def get_split_weight_filenames(file_path: str) -> Optional[list[str]]: """ Get the list of split weight filenames (full paths) if the file name ends with 00001-of-00004 etc. Returns None if the file is not split. """ basename = os.path.basename(file_path) match = re.match(r"^(.*?)(\d+)-of-(\d+)\.safetensors$", basename) if match: prefix = basename[: match.start(2)] count = int(match.group(3)) filenames = [] for i in range(count): filename = f"{prefix}{i + 1:05d}-of-{count:05d}.safetensors" filepath = os.path.join(os.path.dirname(file_path), filename) if os.path.exists(filepath): filenames.append(filepath) else: raise FileNotFoundError(f"File {filepath} not found") return filenames else: return None def load_split_weights( file_path: str, device: Union[str, torch.device] = "cpu", disable_mmap: bool = False, dtype: Optional[torch.dtype] = None ) -> Dict[str, torch.Tensor]: """ Load split weights from a file. If the file name ends with 00001-of-00004 etc, it will load all files with the same prefix. dtype is as is, no conversion is done. """ device = torch.device(device) # if the file name ends with 00001-of-00004 etc, we need to load the files with the same prefix split_filenames = get_split_weight_filenames(file_path) if split_filenames is not None: state_dict = {} for filename in split_filenames: state_dict.update(load_safetensors(filename, device=device, disable_mmap=disable_mmap, dtype=dtype)) else: state_dict = load_safetensors(file_path, device=device, disable_mmap=disable_mmap, dtype=dtype) return state_dict def find_key(safetensors_file: str, starts_with: Optional[str] = None, ends_with: Optional[str] = None) -> Optional[str]: """ Find a key in a safetensors file that starts with `starts_with` and ends with `ends_with`. If `starts_with` is None, it will match any key. If `ends_with` is None, it will match any key. Returns the first matching key or None if no key matches. """ with MemoryEfficientSafeOpen(safetensors_file) as f: for key in f.keys(): if (starts_with is None or key.startswith(starts_with)) and (ends_with is None or key.endswith(ends_with)): return key return None @dataclass class WeightTransformHooks: split_hook: Optional[callable] = None concat_hook: Optional[callable] = None rename_hook: Optional[callable] = None class TensorWeightAdapter: """ A wrapper for weight conversion hooks (split and concat) to be used with MemoryEfficientSafeOpen. This wrapper adapts the original MemoryEfficientSafeOpen to apply the provided split and concat hooks when loading tensors. split_hook: A callable that takes (original_key: str, original_tensor: torch.Tensor) and returns (new_keys: list[str], new_tensors: list[torch.Tensor]). concat_hook: A callable that takes (original_key: str, tensors: dict[str, torch.Tensor]) and returns (new_key: str, concatenated_tensor: torch.Tensor). rename_hook: A callable that takes (original_key: str) and returns (new_key: str). If tensors is None, the hook should return only the new keys (for split) or new key (for concat), without tensors. No need to implement __enter__ and __exit__ methods, as they are handled by the original MemoryEfficientSafeOpen. Do not use this wrapper as a context manager directly, like `with WeightConvertHookWrapper(...) as f:`. **concat_hook is not tested yet.** """ def __init__(self, weight_convert_hook: WeightTransformHooks, original_f: MemoryEfficientSafeOpen): self.original_f = original_f self.new_key_to_original_key_map: dict[str, Union[str, list[str]]] = ( {} ) # for split: new_key -> original_key; for concat: new_key -> list of original_keys; for direct mapping: new_key -> original_key self.concat_key_set = set() # set of concatenated keys self.split_key_set = set() # set of split keys self.new_keys = [] self.tensor_cache = {} # cache for split tensors self.split_hook = weight_convert_hook.split_hook self.concat_hook = weight_convert_hook.concat_hook self.rename_hook = weight_convert_hook.rename_hook for key in self.original_f.keys(): if self.split_hook is not None: converted_keys, _ = self.split_hook(key, None) # get new keys only if converted_keys is not None: for converted_key in converted_keys: self.new_key_to_original_key_map[converted_key] = key self.split_key_set.add(converted_key) self.new_keys.extend(converted_keys) continue # skip concat_hook if split_hook is applied if self.concat_hook is not None: converted_key, _ = self.concat_hook(key, None) # get new key only if converted_key is not None: if converted_key not in self.concat_key_set: # first time seeing this concatenated key self.concat_key_set.add(converted_key) self.new_key_to_original_key_map[converted_key] = [] self.new_keys.append(converted_key) # multiple original keys map to the same concatenated key self.new_key_to_original_key_map[converted_key].append(key) continue # skip to next key # direct mapping if self.rename_hook is not None: new_key = self.rename_hook(key) self.new_key_to_original_key_map[new_key] = key else: new_key = key self.new_keys.append(new_key) def keys(self) -> list[str]: return self.new_keys def get_tensor(self, new_key: str, device: Optional[torch.device] = None, dtype: Optional[torch.dtype] = None) -> torch.Tensor: # load tensor by new_key, applying split or concat hooks as needed if new_key not in self.new_key_to_original_key_map: # direct mapping return self.original_f.get_tensor(new_key, device=device, dtype=dtype) elif new_key in self.split_key_set: # split hook: split key is requested multiple times, so we cache the result original_key = self.new_key_to_original_key_map[new_key] if original_key not in self.tensor_cache: # not yet split original_tensor = self.original_f.get_tensor(original_key, device=device, dtype=dtype) new_keys, new_tensors = self.split_hook(original_key, original_tensor) # apply split hook for k, t in zip(new_keys, new_tensors): self.tensor_cache[k] = t return self.tensor_cache.pop(new_key) # return and remove from cache elif new_key in self.concat_key_set: # concat hook: concatenated key is requested only once, so we do not cache the result tensors = {} for original_key in self.new_key_to_original_key_map[new_key]: tensor = self.original_f.get_tensor(original_key, device=device, dtype=dtype) tensors[original_key] = tensor _, concatenated_tensors = self.concat_hook(self.new_key_to_original_key_map[new_key][0], tensors) # apply concat hook return concatenated_tensors else: # direct mapping original_key = self.new_key_to_original_key_map[new_key] return self.original_f.get_tensor(original_key, device=device, dtype=dtype) ================================================ FILE: library/sai_model_spec.py ================================================ # based on https://github.com/Stability-AI/ModelSpec import datetime import hashlib import argparse import base64 import logging import mimetypes import subprocess from dataclasses import dataclass, field from io import BytesIO import os from typing import Union import safetensors from library.utils import setup_logging setup_logging() logger = logging.getLogger(__name__) r""" # Metadata Example metadata = { # === Must === "modelspec.sai_model_spec": "1.0.0", # Required version ID for the spec "modelspec.architecture": "stable-diffusion-xl-v1-base", # Architecture, reference the ID of the original model of the arch to match the ID "modelspec.implementation": "sgm", "modelspec.title": "Example Model Version 1.0", # Clean, human-readable title. May use your own phrasing/language/etc # === Should === "modelspec.author": "Example Corp", # Your name or company name "modelspec.description": "This is my example model to show you how to do it!", # Describe the model in your own words/language/etc. Focus on what users need to know "modelspec.date": "2023-07-20", # ISO-8601 compliant date of when the model was created # === Can === "modelspec.license": "ExampleLicense-1.0", # eg CreativeML Open RAIL, etc. "modelspec.usage_hint": "Use keyword 'example'" # In your own language, very short hints about how the user should use the model } """ BASE_METADATA = { # === MUST === "modelspec.sai_model_spec": "1.0.1", "modelspec.architecture": None, "modelspec.implementation": None, "modelspec.title": None, "modelspec.resolution": None, # === SHOULD === "modelspec.description": None, "modelspec.author": None, "modelspec.date": None, "modelspec.hash_sha256": None, # === CAN=== "modelspec.implementation_version": None, "modelspec.license": None, "modelspec.usage_hint": None, "modelspec.thumbnail": None, "modelspec.tags": None, "modelspec.merged_from": None, "modelspec.trigger_phrase": None, "modelspec.prediction_type": None, "modelspec.timestep_range": None, "modelspec.encoder_layer": None, "modelspec.preprocessor": None, "modelspec.is_negative_embedding": None, "modelspec.unet_dtype": None, "modelspec.vae_dtype": None, } # 別に使うやつだけ定義 MODELSPEC_TITLE = "modelspec.title" ARCH_SD_V1 = "stable-diffusion-v1" ARCH_SD_V2_512 = "stable-diffusion-v2-512" ARCH_SD_V2_768_V = "stable-diffusion-v2-768-v" ARCH_SD_XL_V1_BASE = "stable-diffusion-xl-v1-base" ARCH_SD3_M = "stable-diffusion-3" # may be followed by "-m" or "-5-large" etc. # ARCH_SD3_UNKNOWN = "stable-diffusion-3" ARCH_FLUX_1_DEV = "flux-1-dev" ARCH_FLUX_1_SCHNELL = "flux-1-schnell" ARCH_FLUX_1_CHROMA = "chroma" # for Flux Chroma ARCH_FLUX_1_UNKNOWN = "flux-1" ARCH_LUMINA_2 = "lumina-2" ARCH_LUMINA_UNKNOWN = "lumina" ARCH_HUNYUAN_IMAGE_2_1 = "hunyuan-image-2.1" ARCH_HUNYUAN_IMAGE_UNKNOWN = "hunyuan-image" ARCH_ANIMA_PREVIEW = "anima-preview" ARCH_ANIMA_UNKNOWN = "anima-unknown" ADAPTER_LORA = "lora" ADAPTER_TEXTUAL_INVERSION = "textual-inversion" IMPL_STABILITY_AI = "https://github.com/Stability-AI/generative-models" IMPL_COMFY_UI = "https://github.com/comfyanonymous/ComfyUI" IMPL_DIFFUSERS = "diffusers" IMPL_FLUX = "https://github.com/black-forest-labs/flux" IMPL_CHROMA = "https://huggingface.co/lodestones/Chroma" IMPL_LUMINA = "https://github.com/Alpha-VLLM/Lumina-Image-2.0" IMPL_HUNYUAN_IMAGE = "https://github.com/Tencent-Hunyuan/HunyuanImage-2.1" IMPL_ANIMA = "https://huggingface.co/circlestone-labs/Anima" PRED_TYPE_EPSILON = "epsilon" PRED_TYPE_V = "v" @dataclass class ModelSpecMetadata: """ ModelSpec 1.0.1 compliant metadata for safetensors models. All fields correspond to modelspec.* keys in the final metadata. """ # === MUST === architecture: str implementation: str title: str resolution: str sai_model_spec: str = "1.0.1" # === SHOULD === description: str | None = None author: str | None = None date: str | None = None hash_sha256: str | None = None # === CAN === implementation_version: str | None = None license: str | None = None usage_hint: str | None = None thumbnail: str | None = None tags: str | None = None merged_from: str | None = None trigger_phrase: str | None = None prediction_type: str | None = None timestep_range: str | None = None encoder_layer: str | None = None preprocessor: str | None = None is_negative_embedding: str | None = None unet_dtype: str | None = None vae_dtype: str | None = None # === Additional metadata === additional_fields: dict[str, str] = field(default_factory=dict) def to_metadata_dict(self) -> dict[str, str]: """Convert dataclass to metadata dictionary with modelspec. prefixes.""" metadata = {} # Add all non-None fields with modelspec prefix for field_name, value in self.__dict__.items(): if field_name == "additional_fields": # Handle additional fields separately for key, val in value.items(): if key.startswith("modelspec."): metadata[key] = val else: metadata[f"modelspec.{key}"] = val elif value is not None: metadata[f"modelspec.{field_name}"] = value return metadata @classmethod def from_args(cls, args, **kwargs) -> "ModelSpecMetadata": """Create ModelSpecMetadata from argparse Namespace, extracting metadata_* fields.""" metadata_fields = {} # Extract all metadata_* attributes from args for attr_name in dir(args): if attr_name.startswith("metadata_") and not attr_name.startswith("metadata___"): value = getattr(args, attr_name, None) if value is not None: # Remove metadata_ prefix field_name = attr_name[9:] # len("metadata_") = 9 metadata_fields[field_name] = value # Handle known standard fields standard_fields = { "author": metadata_fields.pop("author", None), "description": metadata_fields.pop("description", None), "license": metadata_fields.pop("license", None), "tags": metadata_fields.pop("tags", None), } # Remove None values standard_fields = {k: v for k, v in standard_fields.items() if v is not None} # Merge with kwargs and remaining metadata fields all_fields = {**standard_fields, **kwargs} if metadata_fields: all_fields["additional_fields"] = metadata_fields return cls(**all_fields) def determine_architecture( v2: bool, v_parameterization: bool, sdxl: bool, lora: bool, textual_inversion: bool, model_config: dict[str, str] | None = None ) -> str: """Determine model architecture string from parameters.""" model_config = model_config or {} if sdxl: arch = ARCH_SD_XL_V1_BASE elif "sd3" in model_config: arch = ARCH_SD3_M + "-" + model_config["sd3"] elif "flux" in model_config: flux_type = model_config["flux"] if flux_type == "dev": arch = ARCH_FLUX_1_DEV elif flux_type == "schnell": arch = ARCH_FLUX_1_SCHNELL elif flux_type == "chroma": arch = ARCH_FLUX_1_CHROMA else: arch = ARCH_FLUX_1_UNKNOWN elif "lumina" in model_config: lumina_type = model_config["lumina"] if lumina_type == "lumina2": arch = ARCH_LUMINA_2 else: arch = ARCH_LUMINA_UNKNOWN elif "hunyuan_image" in model_config: hunyuan_image_type = model_config["hunyuan_image"] if hunyuan_image_type == "2.1": arch = ARCH_HUNYUAN_IMAGE_2_1 else: arch = ARCH_HUNYUAN_IMAGE_UNKNOWN elif "anima" in model_config: anima_type = model_config["anima"] if anima_type == "preview": arch = ARCH_ANIMA_PREVIEW else: arch = ARCH_ANIMA_UNKNOWN elif v2: arch = ARCH_SD_V2_768_V if v_parameterization else ARCH_SD_V2_512 else: arch = ARCH_SD_V1 # Add adapter suffix if lora: arch += f"/{ADAPTER_LORA}" elif textual_inversion: arch += f"/{ADAPTER_TEXTUAL_INVERSION}" return arch def determine_implementation( lora: bool, textual_inversion: bool, sdxl: bool, model_config: dict[str, str] | None = None, is_stable_diffusion_ckpt: bool | None = None, ) -> str: """Determine implementation string from parameters.""" model_config = model_config or {} if "flux" in model_config: if model_config["flux"] == "chroma": return IMPL_CHROMA else: return IMPL_FLUX elif "lumina" in model_config: return IMPL_LUMINA elif "anima" in model_config: return IMPL_ANIMA elif (lora and sdxl) or textual_inversion or is_stable_diffusion_ckpt: return IMPL_STABILITY_AI else: return IMPL_DIFFUSERS def get_implementation_version() -> str: """Get the current implementation version as sd-scripts/{commit_hash}.""" try: # Get the git commit hash result = subprocess.run( ["git", "rev-parse", "HEAD"], capture_output=True, text=True, cwd=os.path.dirname(os.path.dirname(__file__)), # Go up to sd-scripts root timeout=5, ) if result.returncode == 0: commit_hash = result.stdout.strip() return f"sd-scripts/{commit_hash}" else: logger.warning("Failed to get git commit hash, using fallback") return "sd-scripts/unknown" except (subprocess.TimeoutExpired, subprocess.SubprocessError, FileNotFoundError) as e: logger.warning(f"Could not determine git commit: {e}") return "sd-scripts/unknown" def file_to_data_url(file_path: str) -> str: """Convert a file path to a data URL for embedding in metadata.""" if not os.path.exists(file_path): raise FileNotFoundError(f"File not found: {file_path}") # Get MIME type mime_type, _ = mimetypes.guess_type(file_path) if mime_type is None: # Default to binary if we can't detect mime_type = "application/octet-stream" # Read file and encode as base64 with open(file_path, "rb") as f: file_data = f.read() encoded_data = base64.b64encode(file_data).decode("ascii") return f"data:{mime_type};base64,{encoded_data}" def determine_resolution( reso: Union[int, tuple[int, int]] | None = None, sdxl: bool = False, model_config: dict[str, str] | None = None, v2: bool = False, v_parameterization: bool = False, ) -> str: """Determine resolution string from parameters.""" model_config = model_config or {} if reso is not None: # Handle comma separated string if isinstance(reso, str): reso = tuple(map(int, reso.split(","))) # Handle single int if isinstance(reso, int): reso = (reso, reso) # Handle single-element tuple if len(reso) == 1: reso = (reso[0], reso[0]) else: # Determine default resolution based on model type if sdxl or "sd3" in model_config or "flux" in model_config or "lumina" in model_config or "anima" in model_config: reso = (1024, 1024) elif v2 and v_parameterization: reso = (768, 768) else: reso = (512, 512) return f"{reso[0]}x{reso[1]}" def load_bytes_in_safetensors(tensors): bytes = safetensors.torch.save(tensors) b = BytesIO(bytes) b.seek(0) header = b.read(8) n = int.from_bytes(header, "little") offset = n + 8 b.seek(offset) return b.read() def precalculate_safetensors_hashes(state_dict): # calculate each tensor one by one to reduce memory usage hash_sha256 = hashlib.sha256() for tensor in state_dict.values(): single_tensor_sd = {"tensor": tensor} bytes_for_tensor = load_bytes_in_safetensors(single_tensor_sd) hash_sha256.update(bytes_for_tensor) return f"0x{hash_sha256.hexdigest()}" def update_hash_sha256(metadata: dict, state_dict: dict): raise NotImplementedError def build_metadata_dataclass( state_dict: dict | None, v2: bool, v_parameterization: bool, sdxl: bool, lora: bool, textual_inversion: bool, timestamp: float, title: str | None = None, reso: int | tuple[int, int] | None = None, is_stable_diffusion_ckpt: bool | None = None, author: str | None = None, description: str | None = None, license: str | None = None, tags: str | None = None, merged_from: str | None = None, timesteps: tuple[int, int] | None = None, clip_skip: int | None = None, model_config: dict | None = None, optional_metadata: dict | None = None, ) -> ModelSpecMetadata: """ Build ModelSpec 1.0.1 compliant metadata dataclass. Args: model_config: Dict containing model type info, e.g. {"flux": "dev"}, {"sd3": "large"} optional_metadata: Dict of additional metadata fields to include """ # Use helper functions for complex logic architecture = determine_architecture(v2, v_parameterization, sdxl, lora, textual_inversion, model_config) if not lora and not textual_inversion and is_stable_diffusion_ckpt is None: is_stable_diffusion_ckpt = True # default is stable diffusion ckpt if not lora and not textual_inversion implementation = determine_implementation(lora, textual_inversion, sdxl, model_config, is_stable_diffusion_ckpt) if title is None: if lora: title = "LoRA" elif textual_inversion: title = "TextualInversion" else: title = "Checkpoint" title += f"@{timestamp}" # remove microsecond from time int_ts = int(timestamp) # time to iso-8601 compliant date date = datetime.datetime.fromtimestamp(int_ts).isoformat() # Use helper function for resolution resolution = determine_resolution(reso, sdxl, model_config, v2, v_parameterization) # Handle prediction type - Flux models don't use prediction_type model_config = model_config or {} prediction_type = None if "flux" not in model_config: if v_parameterization: prediction_type = PRED_TYPE_V else: prediction_type = PRED_TYPE_EPSILON # Handle timesteps timestep_range = None if timesteps is not None: if isinstance(timesteps, str) or isinstance(timesteps, int): timesteps = (timesteps, timesteps) if len(timesteps) == 1: timesteps = (timesteps[0], timesteps[0]) timestep_range = f"{timesteps[0]},{timesteps[1]}" # Handle encoder layer (clip skip) encoder_layer = None if clip_skip is not None: encoder_layer = f"{clip_skip}" # TODO: Implement hash calculation when memory-efficient method is available # hash_sha256 = None # if state_dict is not None: # hash_sha256 = precalculate_safetensors_hashes(state_dict) # Process thumbnail - convert file path to data URL if needed processed_optional_metadata = optional_metadata.copy() if optional_metadata else {} if "thumbnail" in processed_optional_metadata: thumbnail_value = processed_optional_metadata["thumbnail"] # Check if it's already a data URL or if it's a file path if thumbnail_value and not thumbnail_value.startswith("data:"): try: processed_optional_metadata["thumbnail"] = file_to_data_url(thumbnail_value) logger.info(f"Converted thumbnail file {thumbnail_value} to data URL") except FileNotFoundError as e: logger.warning(f"Thumbnail file not found, skipping: {e}") del processed_optional_metadata["thumbnail"] except Exception as e: logger.warning(f"Failed to convert thumbnail to data URL: {e}") del processed_optional_metadata["thumbnail"] # Automatically set implementation version if not provided if "implementation_version" not in processed_optional_metadata: processed_optional_metadata["implementation_version"] = get_implementation_version() # Create the dataclass metadata = ModelSpecMetadata( architecture=architecture, implementation=implementation, title=title, description=description, author=author, date=date, license=license, tags=tags, merged_from=merged_from, resolution=resolution, prediction_type=prediction_type, timestep_range=timestep_range, encoder_layer=encoder_layer, additional_fields=processed_optional_metadata, ) return metadata def build_metadata( state_dict: dict | None, v2: bool, v_parameterization: bool, sdxl: bool, lora: bool, textual_inversion: bool, timestamp: float, title: str | None = None, reso: int | tuple[int, int] | None = None, is_stable_diffusion_ckpt: bool | None = None, author: str | None = None, description: str | None = None, license: str | None = None, tags: str | None = None, merged_from: str | None = None, timesteps: tuple[int, int] | None = None, clip_skip: int | None = None, model_config: dict | None = None, optional_metadata: dict | None = None, ) -> dict[str, str]: """ Build ModelSpec 1.0.1 compliant metadata for safetensors models. Legacy function that returns dict - prefer build_metadata_dataclass for new code. Args: model_config: Dict containing model type info, e.g. {"flux": "dev"}, {"sd3": "large"} optional_metadata: Dict of additional metadata fields to include """ # Use the dataclass function and convert to dict metadata_obj = build_metadata_dataclass( state_dict=state_dict, v2=v2, v_parameterization=v_parameterization, sdxl=sdxl, lora=lora, textual_inversion=textual_inversion, timestamp=timestamp, title=title, reso=reso, is_stable_diffusion_ckpt=is_stable_diffusion_ckpt, author=author, description=description, license=license, tags=tags, merged_from=merged_from, timesteps=timesteps, clip_skip=clip_skip, model_config=model_config, optional_metadata=optional_metadata, ) return metadata_obj.to_metadata_dict() # region utils def get_title(metadata: dict) -> str | None: return metadata.get(MODELSPEC_TITLE, None) def load_metadata_from_safetensors(model: str) -> dict: if not model.endswith(".safetensors"): return {} with safetensors.safe_open(model, framework="pt") as f: metadata = f.metadata() if metadata is None: metadata = {} return metadata def build_merged_from(models: list[str]) -> str: def get_title(model: str): metadata = load_metadata_from_safetensors(model) title = metadata.get(MODELSPEC_TITLE, None) if title is None: title = os.path.splitext(os.path.basename(model))[0] # use filename return title titles = [get_title(model) for model in models] return ", ".join(titles) def add_model_spec_arguments(parser: argparse.ArgumentParser): """Add all ModelSpec metadata arguments to the parser.""" parser.add_argument( "--metadata_title", type=str, default=None, help="title for model metadata (default is output_name) / メタデータに書き込まれるモデルタイトル、省略時はoutput_name", ) parser.add_argument( "--metadata_author", type=str, default=None, help="author name for model metadata / メタデータに書き込まれるモデル作者名", ) parser.add_argument( "--metadata_description", type=str, default=None, help="description for model metadata / メタデータに書き込まれるモデル説明", ) parser.add_argument( "--metadata_license", type=str, default=None, help="license for model metadata / メタデータに書き込まれるモデルライセンス", ) parser.add_argument( "--metadata_tags", type=str, default=None, help="tags for model metadata, separated by comma / メタデータに書き込まれるモデルタグ、カンマ区切り", ) parser.add_argument( "--metadata_usage_hint", type=str, default=None, help="usage hint for model metadata / メタデータに書き込まれる使用方法のヒント", ) parser.add_argument( "--metadata_thumbnail", type=str, default=None, help="thumbnail image as data URL or file path (will be converted to data URL) for model metadata / メタデータに書き込まれるサムネイル画像（データURLまたはファイルパス、ファイルパスの場合はデータURLに変換されます）", ) parser.add_argument( "--metadata_merged_from", type=str, default=None, help="source models for merged model metadata / メタデータに書き込まれるマージ元モデル名", ) parser.add_argument( "--metadata_trigger_phrase", type=str, default=None, help="trigger phrase for model metadata / メタデータに書き込まれるトリガーフレーズ", ) parser.add_argument( "--metadata_preprocessor", type=str, default=None, help="preprocessor used for model metadata / メタデータに書き込まれる前処理手法", ) parser.add_argument( "--metadata_is_negative_embedding", type=str, default=None, help="whether this is a negative embedding for model metadata / メタデータに書き込まれるネガティブ埋め込みかどうか", ) # endregion r""" if __name__ == "__main__": import argparse import torch from safetensors.torch import load_file from library import train_util parser = argparse.ArgumentParser() parser.add_argument("--ckpt", type=str, required=True) args = parser.parse_args() print(f"Loading {args.ckpt}") state_dict = load_file(args.ckpt) print(f"Calculating metadata") metadata = get(state_dict, False, False, False, False, "sgm", False, False, "title", "date", 256, 1000, 0) print(metadata) del state_dict # by reference implementation with open(args.ckpt, mode="rb") as file_data: file_hash = hashlib.sha256() head_len = struct.unpack("Q", file_data.read(8)) # int64 header length prefix header = json.loads(file_data.read(head_len[0])) # header itself, json string content = ( file_data.read() ) # All other content is tightly packed tensors. Copy to RAM for simplicity, but you can avoid this read with a more careful FS-dependent impl. file_hash.update(content) # ===== Update the hash for modelspec ===== by_ref = f"0x{file_hash.hexdigest()}" print(by_ref) print("is same?", by_ref == metadata["modelspec.hash_sha256"]) """ ================================================ FILE: library/sd3_models.py ================================================ # some modules/classes are copied and modified from https://github.com/mcmonkey4eva/sd3-ref # the original code is licensed under the MIT License # and some module/classes are contributed from KohakuBlueleaf. Thanks for the contribution! from ast import Tuple from concurrent.futures import ThreadPoolExecutor from dataclasses import dataclass from functools import partial import math from types import SimpleNamespace from typing import Dict, List, Optional, Union import einops import numpy as np import torch import torch.nn as nn import torch.nn.functional as F from torch.utils.checkpoint import checkpoint from transformers import CLIPTokenizer, T5TokenizerFast from library import custom_offloading_utils from library.device_utils import clean_memory_on_device from .utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) memory_efficient_attention = None try: import xformers except: pass try: from xformers.ops import memory_efficient_attention except: memory_efficient_attention = None # region mmdit @dataclass class SD3Params: patch_size: int depth: int num_patches: int pos_embed_max_size: int adm_in_channels: int qk_norm: Optional[str] x_block_self_attn_layers: list[int] context_embedder_in_features: int context_embedder_out_features: int model_type: str def get_2d_sincos_pos_embed( embed_dim, grid_size, scaling_factor=None, offset=None, ): grid_h = np.arange(grid_size, dtype=np.float32) grid_w = np.arange(grid_size, dtype=np.float32) grid = np.meshgrid(grid_w, grid_h) # here w goes first grid = np.stack(grid, axis=0) if scaling_factor is not None: grid = grid / scaling_factor if offset is not None: grid = grid - offset grid = grid.reshape([2, 1, grid_size, grid_size]) pos_embed = get_2d_sincos_pos_embed_from_grid(embed_dim, grid) return pos_embed def get_2d_sincos_pos_embed_from_grid(embed_dim, grid): assert embed_dim % 2 == 0 # use half of dimensions to encode grid_h emb_h = get_1d_sincos_pos_embed_from_grid(embed_dim // 2, grid[0]) # (H*W, D/2) emb_w = get_1d_sincos_pos_embed_from_grid(embed_dim // 2, grid[1]) # (H*W, D/2) emb = np.concatenate([emb_h, emb_w], axis=1) # (H*W, D) return emb def get_scaled_2d_sincos_pos_embed(embed_dim, grid_size, cls_token=False, extra_tokens=0, sample_size=64, base_size=16): """ This function is contributed by KohakuBlueleaf. Thanks for the contribution! Creates scaled 2D sinusoidal positional embeddings that maintain consistent relative positions when the resolution differs from the training resolution. Args: embed_dim (int): Dimension of the positional embedding. grid_size (int or tuple): Size of the position grid (H, W). If int, assumes square grid. cls_token (bool): Whether to include class token. Defaults to False. extra_tokens (int): Number of extra tokens (e.g., cls_token). Defaults to 0. sample_size (int): Reference resolution (typically training resolution). Defaults to 64. base_size (int): Base grid size used during training. Defaults to 16. Returns: numpy.ndarray: Positional embeddings of shape (H*W, embed_dim) or (H*W + extra_tokens, embed_dim) if cls_token is True. """ # Convert grid_size to tuple if it's an integer if isinstance(grid_size, int): grid_size = (grid_size, grid_size) # Create normalized grid coordinates (0 to 1) grid_h = np.arange(grid_size[0], dtype=np.float32) / grid_size[0] grid_w = np.arange(grid_size[1], dtype=np.float32) / grid_size[1] # Calculate scaling factors for height and width # This ensures that the central region matches the original resolution's embeddings scale_h = base_size * grid_size[0] / (sample_size) scale_w = base_size * grid_size[1] / (sample_size) # Calculate shift values to center the original resolution's embedding region # This ensures that the central sample_size x sample_size region has similar # positional embeddings to the original resolution shift_h = 1 * scale_h * (grid_size[0] - sample_size) / (2 * grid_size[0]) shift_w = 1 * scale_w * (grid_size[1] - sample_size) / (2 * grid_size[1]) # Apply scaling and shifting to create the final grid coordinates grid_h = grid_h * scale_h - shift_h grid_w = grid_w * scale_w - shift_w # Create 2D grid using meshgrid (note: w goes first) grid = np.meshgrid(grid_w, grid_h) grid = np.stack(grid, axis=0) # # Calculate the starting indices for the central region # # This is used for debugging/visualization of the central region # st_h = (grid_size[0] - sample_size) // 2 # st_w = (grid_size[1] - sample_size) // 2 # print(grid[:, st_h : st_h + sample_size, st_w : st_w + sample_size]) # Reshape grid for positional embedding calculation grid = grid.reshape([2, 1, grid_size[1], grid_size[0]]) # Generate the sinusoidal positional embeddings pos_embed = get_2d_sincos_pos_embed_from_grid(embed_dim, grid) # Add zeros for extra tokens (e.g., [CLS] token) if required if cls_token and extra_tokens > 0: pos_embed = np.concatenate([np.zeros([extra_tokens, embed_dim]), pos_embed], axis=0) return pos_embed # if __name__ == "__main__": # # This is what you get when you load SD3.5 state dict # pos_emb = torch.from_numpy(get_scaled_2d_sincos_pos_embed( # 1536, [384, 384], sample_size=64, base_size=16 # )).float().unsqueeze(0) def get_1d_sincos_pos_embed_from_grid(embed_dim, pos): """ embed_dim: output dimension for each position pos: a list of positions to be encoded: size (M,) out: (M, D) """ assert embed_dim % 2 == 0 omega = np.arange(embed_dim // 2, dtype=np.float64) omega /= embed_dim / 2.0 omega = 1.0 / 10000**omega # (D/2,) pos = pos.reshape(-1) # (M,) out = np.einsum("m,d->md", pos, omega) # (M, D/2), outer product emb_sin = np.sin(out) # (M, D/2) emb_cos = np.cos(out) # (M, D/2) emb = np.concatenate([emb_sin, emb_cos], axis=1) # (M, D) return emb def get_1d_sincos_pos_embed_from_grid_torch( embed_dim, pos, device=None, dtype=torch.float32, ): omega = torch.arange(embed_dim // 2, device=device, dtype=dtype) omega *= 2.0 / embed_dim omega = 1.0 / 10000**omega out = torch.outer(pos.reshape(-1), omega) emb = torch.cat([out.sin(), out.cos()], dim=1) return emb def get_2d_sincos_pos_embed_torch( embed_dim, w, h, val_center=7.5, val_magnitude=7.5, device=None, dtype=torch.float32, ): small = min(h, w) val_h = (h / small) * val_magnitude val_w = (w / small) * val_magnitude grid_h, grid_w = torch.meshgrid( torch.linspace(-val_h + val_center, val_h + val_center, h, device=device, dtype=dtype), torch.linspace(-val_w + val_center, val_w + val_center, w, device=device, dtype=dtype), indexing="ij", ) emb_h = get_1d_sincos_pos_embed_from_grid_torch(embed_dim // 2, grid_h, device=device, dtype=dtype) emb_w = get_1d_sincos_pos_embed_from_grid_torch(embed_dim // 2, grid_w, device=device, dtype=dtype) emb = torch.cat([emb_w, emb_h], dim=1) # (H*W, D) return emb def modulate(x, shift, scale): if shift is None: shift = torch.zeros_like(scale) return x * (1 + scale.unsqueeze(1)) + shift.unsqueeze(1) def default(x, default_value): if x is None: return default_value return x def timestep_embedding(t, dim, max_period=10000): half = dim // 2 # freqs = torch.exp(-math.log(max_period) * torch.arange(start=0, end=half, dtype=torch.float32) / half).to( # device=t.device, dtype=t.dtype # ) freqs = torch.exp(-math.log(max_period) * torch.arange(start=0, end=half, dtype=torch.float32) / half).to(device=t.device) args = t[:, None].float() * freqs[None] embedding = torch.cat([torch.cos(args), torch.sin(args)], dim=-1) if dim % 2: embedding = torch.cat([embedding, torch.zeros_like(embedding[:, :1])], dim=-1) if torch.is_floating_point(t): embedding = embedding.to(dtype=t.dtype) return embedding class PatchEmbed(nn.Module): def __init__( self, img_size=256, patch_size=4, in_channels=3, embed_dim=512, norm_layer=None, flatten=True, bias=True, strict_img_size=True, dynamic_img_pad=False, ): # dynamic_img_pad and norm is omitted in SD3.5 super().__init__() self.patch_size = patch_size self.flatten = flatten self.strict_img_size = strict_img_size self.dynamic_img_pad = dynamic_img_pad if img_size is not None: self.img_size = img_size self.grid_size = img_size // patch_size self.num_patches = self.grid_size**2 else: self.img_size = None self.grid_size = None self.num_patches = None self.proj = nn.Conv2d(in_channels, embed_dim, patch_size, patch_size, bias=bias) self.norm = nn.Identity() if norm_layer is None else norm_layer(embed_dim) def forward(self, x): B, C, H, W = x.shape if self.dynamic_img_pad: # Pad input so we won't have partial patch pad_h = (self.patch_size - H % self.patch_size) % self.patch_size pad_w = (self.patch_size - W % self.patch_size) % self.patch_size x = nn.functional.pad(x, (0, pad_w, 0, pad_h), mode="reflect") x = self.proj(x) if self.flatten: x = x.flatten(2).transpose(1, 2) x = self.norm(x) return x # FinalLayer in mmdit.py class UnPatch(nn.Module): def __init__(self, hidden_size=512, patch_size=4, out_channels=3): super().__init__() self.patch_size = patch_size self.c = out_channels # eps is default in mmdit.py self.norm_final = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.linear = nn.Linear(hidden_size, patch_size**2 * out_channels) self.adaLN_modulation = nn.Sequential( nn.SiLU(), nn.Linear(hidden_size, 2 * hidden_size), ) def forward(self, x: torch.Tensor, cmod, H=None, W=None): b, n, _ = x.shape p = self.patch_size c = self.c if H is None and W is None: w = h = int(n**0.5) assert h * w == n else: h = H // p if H else n // (W // p) w = W // p if W else n // h assert h * w == n shift, scale = self.adaLN_modulation(cmod).chunk(2, dim=-1) x = modulate(self.norm_final(x), shift, scale) x = self.linear(x) x = x.view(b, h, w, p, p, c) x = x.permute(0, 5, 1, 3, 2, 4).contiguous() x = x.view(b, c, h * p, w * p) return x class MLP(nn.Module): def __init__( self, in_features, hidden_features=None, out_features=None, act_layer=lambda: nn.GELU(), norm_layer=None, bias=True, use_conv=False, ): super().__init__() out_features = out_features or in_features hidden_features = hidden_features or in_features self.use_conv = use_conv layer = partial(nn.Conv1d, kernel_size=1) if use_conv else nn.Linear self.fc1 = layer(in_features, hidden_features, bias=bias) self.fc2 = layer(hidden_features, out_features, bias=bias) self.act = act_layer() self.norm = norm_layer(hidden_features) if norm_layer else nn.Identity() def forward(self, x): x = self.fc1(x) x = self.act(x) x = self.norm(x) x = self.fc2(x) return x class TimestepEmbedding(nn.Module): def __init__(self, hidden_size, freq_embed_size=256): super().__init__() self.mlp = nn.Sequential( nn.Linear(freq_embed_size, hidden_size), nn.SiLU(), nn.Linear(hidden_size, hidden_size), ) self.freq_embed_size = freq_embed_size def forward(self, t, dtype=None, **kwargs): t_freq = timestep_embedding(t, self.freq_embed_size).to(dtype) t_emb = self.mlp(t_freq) return t_emb class Embedder(nn.Module): def __init__(self, input_dim, hidden_size): super().__init__() self.mlp = nn.Sequential( nn.Linear(input_dim, hidden_size), nn.SiLU(), nn.Linear(hidden_size, hidden_size), ) def forward(self, x): return self.mlp(x) def rmsnorm(x, eps=1e-6): return x * torch.rsqrt(x.pow(2).mean(-1, keepdim=True) + eps) class RMSNorm(torch.nn.Module): def __init__( self, dim: int, elementwise_affine: bool = False, eps: float = 1e-6, device=None, dtype=None, ): """ Initialize the RMSNorm normalization layer. Args: dim (int): The dimension of the input tensor. eps (float, optional): A small value added to the denominator for numerical stability. Default is 1e-6. Attributes: eps (float): A small value added to the denominator for numerical stability. weight (nn.Parameter): Learnable scaling parameter. """ super().__init__() self.eps = eps self.learnable_scale = elementwise_affine if self.learnable_scale: self.weight = nn.Parameter(torch.empty(dim, device=device, dtype=dtype)) else: self.register_parameter("weight", None) def forward(self, x): """ Forward pass through the RMSNorm layer. Args: x (torch.Tensor): The input tensor. Returns: torch.Tensor: The output tensor after applying RMSNorm. """ x = rmsnorm(x, eps=self.eps) if self.learnable_scale: return x * self.weight.to(device=x.device, dtype=x.dtype) else: return x class SwiGLUFeedForward(nn.Module): def __init__( self, dim: int, hidden_dim: int, multiple_of: int, ffn_dim_multiplier: float = None, ): super().__init__() hidden_dim = int(2 * hidden_dim / 3) # custom dim factor multiplier if ffn_dim_multiplier is not None: hidden_dim = int(ffn_dim_multiplier * hidden_dim) hidden_dim = multiple_of * ((hidden_dim + multiple_of - 1) // multiple_of) self.w1 = nn.Linear(dim, hidden_dim, bias=False) self.w2 = nn.Linear(hidden_dim, dim, bias=False) self.w3 = nn.Linear(dim, hidden_dim, bias=False) def forward(self, x): return self.w2(nn.functional.silu(self.w1(x)) * self.w3(x)) # Linears for SelfAttention in mmdit.py class AttentionLinears(nn.Module): def __init__( self, dim: int, num_heads: int = 8, qkv_bias: bool = False, pre_only: bool = False, qk_norm: Optional[str] = None, ): super().__init__() self.num_heads = num_heads self.head_dim = dim // num_heads self.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias) if not pre_only: self.proj = nn.Linear(dim, dim) self.pre_only = pre_only if qk_norm == "rms": self.ln_q = RMSNorm(self.head_dim, elementwise_affine=True, eps=1.0e-6) self.ln_k = RMSNorm(self.head_dim, elementwise_affine=True, eps=1.0e-6) elif qk_norm == "ln": self.ln_q = nn.LayerNorm(self.head_dim, elementwise_affine=True, eps=1.0e-6) self.ln_k = nn.LayerNorm(self.head_dim, elementwise_affine=True, eps=1.0e-6) elif qk_norm is None: self.ln_q = nn.Identity() self.ln_k = nn.Identity() else: raise ValueError(qk_norm) def pre_attention(self, x: torch.Tensor) -> torch.Tensor: """ output: q, k, v: [B, L, D] """ B, L, C = x.shape qkv: torch.Tensor = self.qkv(x) q, k, v = qkv.reshape(B, L, -1, self.head_dim).chunk(3, dim=2) q = self.ln_q(q).reshape(q.shape[0], q.shape[1], -1) k = self.ln_k(k).reshape(q.shape[0], q.shape[1], -1) return (q, k, v) def post_attention(self, x: torch.Tensor) -> torch.Tensor: assert not self.pre_only x = self.proj(x) return x MEMORY_LAYOUTS = { "torch": ( lambda x, head_dim: x.reshape(x.shape[0], x.shape[1], -1, head_dim).transpose(1, 2), lambda x: x.transpose(1, 2).reshape(x.shape[0], x.shape[2], -1), lambda x: (1, x, 1, 1), ), "xformers": ( lambda x, head_dim: x.reshape(x.shape[0], x.shape[1], -1, head_dim), lambda x: x.reshape(x.shape[0], x.shape[1], -1), lambda x: (1, 1, x, 1), ), "math": ( lambda x, head_dim: x.reshape(x.shape[0], x.shape[1], -1, head_dim).transpose(1, 2), lambda x: x.transpose(1, 2).reshape(x.shape[0], x.shape[2], -1), lambda x: (1, x, 1, 1), ), } # ATTN_FUNCTION = { # "torch": F.scaled_dot_product_attention, # "xformers": memory_efficient_attention, # } def vanilla_attention(q, k, v, mask, scale=None): if scale is None: scale = math.sqrt(q.size(-1)) scores = torch.bmm(q, k.transpose(-1, -2)) / scale if mask is not None: mask = einops.rearrange(mask, "b ... -> b (...)") max_neg_value = -torch.finfo(scores.dtype).max mask = einops.repeat(mask, "b j -> (b h) j", h=q.size(-3)) scores = scores.masked_fill(~mask, max_neg_value) p_attn = F.softmax(scores, dim=-1) return torch.bmm(p_attn, v) def attention(q, k, v, head_dim, mask=None, scale=None, mode="xformers"): """ q, k, v: [B, L, D] """ pre_attn_layout = MEMORY_LAYOUTS[mode][0] post_attn_layout = MEMORY_LAYOUTS[mode][1] q = pre_attn_layout(q, head_dim) k = pre_attn_layout(k, head_dim) v = pre_attn_layout(v, head_dim) # scores = ATTN_FUNCTION[mode](q, k.to(q), v.to(q), mask, scale=scale) if mode == "torch": assert scale is None scores = F.scaled_dot_product_attention(q, k.to(q), v.to(q), mask) # , scale=scale) elif mode == "xformers": scores = memory_efficient_attention(q, k.to(q), v.to(q), mask, scale=scale) else: scores = vanilla_attention(q, k.to(q), v.to(q), mask, scale=scale) scores = post_attn_layout(scores) return scores # DismantledBlock in mmdit.py class SingleDiTBlock(nn.Module): """ A DiT block with gated adaptive layer norm (adaLN) conditioning. """ def __init__( self, hidden_size: int, num_heads: int, mlp_ratio: float = 4.0, attn_mode: str = "xformers", qkv_bias: bool = False, pre_only: bool = False, rmsnorm: bool = False, scale_mod_only: bool = False, swiglu: bool = False, qk_norm: Optional[str] = None, x_block_self_attn: bool = False, **block_kwargs, ): super().__init__() assert attn_mode in MEMORY_LAYOUTS self.attn_mode = attn_mode if not rmsnorm: self.norm1 = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) else: self.norm1 = RMSNorm(hidden_size, elementwise_affine=False, eps=1e-6) self.attn = AttentionLinears(dim=hidden_size, num_heads=num_heads, qkv_bias=qkv_bias, pre_only=pre_only, qk_norm=qk_norm) self.x_block_self_attn = x_block_self_attn if self.x_block_self_attn: assert not pre_only assert not scale_mod_only self.attn2 = AttentionLinears(dim=hidden_size, num_heads=num_heads, qkv_bias=qkv_bias, pre_only=False, qk_norm=qk_norm) if not pre_only: if not rmsnorm: self.norm2 = nn.LayerNorm(hidden_size, elementwise_affine=False, eps=1e-6) else: self.norm2 = RMSNorm(hidden_size, elementwise_affine=False, eps=1e-6) mlp_hidden_dim = int(hidden_size * mlp_ratio) if not pre_only: if not swiglu: self.mlp = MLP( in_features=hidden_size, hidden_features=mlp_hidden_dim, act_layer=lambda: nn.GELU(approximate="tanh"), ) else: self.mlp = SwiGLUFeedForward( dim=hidden_size, hidden_dim=mlp_hidden_dim, multiple_of=256, ) self.scale_mod_only = scale_mod_only if self.x_block_self_attn: n_mods = 9 elif not scale_mod_only: n_mods = 6 if not pre_only else 2 else: n_mods = 4 if not pre_only else 1 self.adaLN_modulation = nn.Sequential(nn.SiLU(), nn.Linear(hidden_size, n_mods * hidden_size)) self.pre_only = pre_only def pre_attention(self, x: torch.Tensor, c: torch.Tensor) -> torch.Tensor: if not self.pre_only: if not self.scale_mod_only: (shift_msa, scale_msa, gate_msa, shift_mlp, scale_mlp, gate_mlp) = self.adaLN_modulation(c).chunk(6, dim=-1) else: shift_msa = None shift_mlp = None (scale_msa, gate_msa, scale_mlp, gate_mlp) = self.adaLN_modulation(c).chunk(4, dim=-1) qkv = self.attn.pre_attention(modulate(self.norm1(x), shift_msa, scale_msa)) return qkv, (x, gate_msa, shift_mlp, scale_mlp, gate_mlp) else: if not self.scale_mod_only: (shift_msa, scale_msa) = self.adaLN_modulation(c).chunk(2, dim=-1) else: shift_msa = None scale_msa = self.adaLN_modulation(c) qkv = self.attn.pre_attention(modulate(self.norm1(x), shift_msa, scale_msa)) return qkv, None def pre_attention_x(self, x: torch.Tensor, c: torch.Tensor) -> torch.Tensor: assert self.x_block_self_attn (shift_msa, scale_msa, gate_msa, shift_mlp, scale_mlp, gate_mlp, shift_msa2, scale_msa2, gate_msa2) = self.adaLN_modulation( c ).chunk(9, dim=1) x_norm = self.norm1(x) qkv = self.attn.pre_attention(modulate(x_norm, shift_msa, scale_msa)) qkv2 = self.attn2.pre_attention(modulate(x_norm, shift_msa2, scale_msa2)) return qkv, qkv2, (x, gate_msa, shift_mlp, scale_mlp, gate_mlp, gate_msa2) def post_attention(self, attn, x, gate_msa, shift_mlp, scale_mlp, gate_mlp): assert not self.pre_only x = x + gate_msa.unsqueeze(1) * self.attn.post_attention(attn) x = x + gate_mlp.unsqueeze(1) * self.mlp(modulate(self.norm2(x), shift_mlp, scale_mlp)) return x def post_attention_x(self, attn, attn2, x, gate_msa, shift_mlp, scale_mlp, gate_mlp, gate_msa2, attn1_dropout: float = 0.0): assert not self.pre_only if attn1_dropout > 0.0: # Use torch.bernoulli to implement dropout, only dropout the batch dimension attn1_dropout = torch.bernoulli(torch.full((attn.size(0), 1, 1), 1 - attn1_dropout, device=attn.device)) attn_ = gate_msa.unsqueeze(1) * self.attn.post_attention(attn) * attn1_dropout else: attn_ = gate_msa.unsqueeze(1) * self.attn.post_attention(attn) x = x + attn_ attn2_ = gate_msa2.unsqueeze(1) * self.attn2.post_attention(attn2) x = x + attn2_ mlp_ = gate_mlp.unsqueeze(1) * self.mlp(modulate(self.norm2(x), shift_mlp, scale_mlp)) x = x + mlp_ return x # JointBlock + block_mixing in mmdit.py class MMDiTBlock(nn.Module): def __init__(self, *args, **kwargs): super().__init__() pre_only = kwargs.pop("pre_only") x_block_self_attn = kwargs.pop("x_block_self_attn") self.context_block = SingleDiTBlock(*args, pre_only=pre_only, **kwargs) self.x_block = SingleDiTBlock(*args, pre_only=False, x_block_self_attn=x_block_self_attn, **kwargs) self.head_dim = self.x_block.attn.head_dim self.mode = self.x_block.attn_mode self.gradient_checkpointing = False def enable_gradient_checkpointing(self): self.gradient_checkpointing = True def _forward(self, context, x, c): ctx_qkv, ctx_intermediate = self.context_block.pre_attention(context, c) if self.x_block.x_block_self_attn: x_qkv, x_qkv2, x_intermediates = self.x_block.pre_attention_x(x, c) else: x_qkv, x_intermediates = self.x_block.pre_attention(x, c) ctx_len = ctx_qkv[0].size(1) q = torch.concat((ctx_qkv[0], x_qkv[0]), dim=1) k = torch.concat((ctx_qkv[1], x_qkv[1]), dim=1) v = torch.concat((ctx_qkv[2], x_qkv[2]), dim=1) attn = attention(q, k, v, head_dim=self.head_dim, mode=self.mode) ctx_attn_out = attn[:, :ctx_len] x_attn_out = attn[:, ctx_len:] if self.x_block.x_block_self_attn: x_q2, x_k2, x_v2 = x_qkv2 attn2 = attention(x_q2, x_k2, x_v2, self.x_block.attn2.num_heads, mode=self.mode) x = self.x_block.post_attention_x(x_attn_out, attn2, *x_intermediates) else: x = self.x_block.post_attention(x_attn_out, *x_intermediates) if not self.context_block.pre_only: context = self.context_block.post_attention(ctx_attn_out, *ctx_intermediate) else: context = None return context, x def forward(self, *args, **kwargs): if self.training and self.gradient_checkpointing: return checkpoint(self._forward, *args, use_reentrant=False, **kwargs) else: return self._forward(*args, **kwargs) class MMDiT(nn.Module): """ Diffusion model with a Transformer backbone. """ # prepare pos_embed for latent size * 2 POS_EMBED_MAX_RATIO = 1.5 def __init__( self, input_size: int = 32, patch_size: int = 2, in_channels: int = 4, depth: int = 28, # hidden_size: Optional[int] = None, # num_heads: Optional[int] = None, mlp_ratio: float = 4.0, learn_sigma: bool = False, adm_in_channels: Optional[int] = None, context_embedder_in_features: Optional[int] = None, context_embedder_out_features: Optional[int] = None, use_checkpoint: bool = False, register_length: int = 0, attn_mode: str = "torch", rmsnorm: bool = False, scale_mod_only: bool = False, swiglu: bool = False, out_channels: Optional[int] = None, pos_embed_scaling_factor: Optional[float] = None, pos_embed_offset: Optional[float] = None, pos_embed_max_size: Optional[int] = None, num_patches=None, qk_norm: Optional[str] = None, x_block_self_attn_layers: Optional[list[int]] = [], qkv_bias: bool = True, pos_emb_random_crop_rate: float = 0.0, use_scaled_pos_embed: bool = False, pos_embed_latent_sizes: Optional[list[int]] = None, model_type: str = "sd3m", ): super().__init__() self._model_type = model_type self.learn_sigma = learn_sigma self.in_channels = in_channels default_out_channels = in_channels * 2 if learn_sigma else in_channels self.out_channels = default(out_channels, default_out_channels) self.patch_size = patch_size self.pos_embed_scaling_factor = pos_embed_scaling_factor self.pos_embed_offset = pos_embed_offset self.pos_embed_max_size = pos_embed_max_size self.x_block_self_attn_layers = x_block_self_attn_layers self.pos_emb_random_crop_rate = pos_emb_random_crop_rate self.gradient_checkpointing = use_checkpoint # hidden_size = default(hidden_size, 64 * depth) # num_heads = default(num_heads, hidden_size // 64) # apply magic --> this defines a head_size of 64 self.hidden_size = 64 * depth num_heads = depth self.num_heads = num_heads self.enable_scaled_pos_embed(use_scaled_pos_embed, pos_embed_latent_sizes) self.x_embedder = PatchEmbed( input_size, patch_size, in_channels, self.hidden_size, bias=True, strict_img_size=self.pos_embed_max_size is None, ) self.t_embedder = TimestepEmbedding(self.hidden_size) self.y_embedder = None if adm_in_channels is not None: assert isinstance(adm_in_channels, int) self.y_embedder = Embedder(adm_in_channels, self.hidden_size) if context_embedder_in_features is not None: self.context_embedder = nn.Linear(context_embedder_in_features, context_embedder_out_features) else: self.context_embedder = nn.Identity() self.register_length = register_length if self.register_length > 0: self.register = nn.Parameter(torch.randn(1, register_length, self.hidden_size)) # num_patches = self.x_embedder.num_patches # Will use fixed sin-cos embedding: # just use a buffer already if num_patches is not None: self.register_buffer( "pos_embed", torch.empty(1, num_patches, self.hidden_size), ) else: self.pos_embed = None self.use_checkpoint = use_checkpoint self.joint_blocks = nn.ModuleList( [ MMDiTBlock( self.hidden_size, num_heads, mlp_ratio=mlp_ratio, attn_mode=attn_mode, qkv_bias=qkv_bias, pre_only=i == depth - 1, rmsnorm=rmsnorm, scale_mod_only=scale_mod_only, swiglu=swiglu, qk_norm=qk_norm, x_block_self_attn=(i in self.x_block_self_attn_layers), ) for i in range(depth) ] ) for block in self.joint_blocks: block.gradient_checkpointing = use_checkpoint self.final_layer = UnPatch(self.hidden_size, patch_size, self.out_channels) # self.initialize_weights() self.blocks_to_swap = None self.offloader = None self.num_blocks = len(self.joint_blocks) def enable_scaled_pos_embed(self, use_scaled_pos_embed: bool, latent_sizes: Optional[list[int]]): self.use_scaled_pos_embed = use_scaled_pos_embed if self.use_scaled_pos_embed: # # remove pos_embed to free up memory up to 0.4 GB -> this causes error because pos_embed is not saved # self.pos_embed = None # move pos_embed to CPU to free up memory up to 0.4 GB self.pos_embed = self.pos_embed.cpu() # remove duplicates and sort latent sizes in ascending order latent_sizes = list(set(latent_sizes)) latent_sizes = sorted(latent_sizes) patched_sizes = [latent_size // self.patch_size for latent_size in latent_sizes] # calculate value range for each latent area: this is used to determine the pos_emb size from the latent shape max_areas = [] for i in range(1, len(patched_sizes)): prev_area = patched_sizes[i - 1] ** 2 area = patched_sizes[i] ** 2 max_areas.append((prev_area + area) // 2) # area of the last latent size, if the latent size exceeds this, error will be raised max_areas.append(int((patched_sizes[-1] * MMDiT.POS_EMBED_MAX_RATIO) ** 2)) # print("max_areas", max_areas) self.resolution_area_to_latent_size = [(area, latent_size) for area, latent_size in zip(max_areas, patched_sizes)] self.resolution_pos_embeds = {} for patched_size in patched_sizes: grid_size = int(patched_size * MMDiT.POS_EMBED_MAX_RATIO) pos_embed = get_scaled_2d_sincos_pos_embed(self.hidden_size, grid_size, sample_size=patched_size) pos_embed = torch.from_numpy(pos_embed).float().unsqueeze(0) self.resolution_pos_embeds[patched_size] = pos_embed # print(f"pos_embed for {patched_size}x{patched_size} latent size: {pos_embed.shape}") else: self.resolution_area_to_latent_size = None self.resolution_pos_embeds = None @property def model_type(self): return self._model_type @property def device(self): return next(self.parameters()).device @property def dtype(self): return next(self.parameters()).dtype def enable_gradient_checkpointing(self): self.gradient_checkpointing = True for block in self.joint_blocks: block.enable_gradient_checkpointing() def disable_gradient_checkpointing(self): self.gradient_checkpointing = False for block in self.joint_blocks: block.disable_gradient_checkpointing() def initialize_weights(self): # TODO: Init context_embedder? # Initialize transformer layers: def _basic_init(module): if isinstance(module, nn.Linear): torch.nn.init.xavier_uniform_(module.weight) if module.bias is not None: nn.init.constant_(module.bias, 0) self.apply(_basic_init) # Initialize (and freeze) pos_embed by sin-cos embedding if self.pos_embed is not None: pos_embed = get_2d_sincos_pos_embed( self.pos_embed.shape[-1], int(self.pos_embed.shape[-2] ** 0.5), scaling_factor=self.pos_embed_scaling_factor, ) self.pos_embed.data.copy_(torch.from_numpy(pos_embed).float().unsqueeze(0)) # Initialize patch_embed like nn.Linear (instead of nn.Conv2d) w = self.x_embedder.proj.weight.data nn.init.xavier_uniform_(w.view([w.shape[0], -1])) nn.init.constant_(self.x_embedder.proj.bias, 0) if getattr(self, "y_embedder", None) is not None: nn.init.normal_(self.y_embedder.mlp[0].weight, std=0.02) nn.init.normal_(self.y_embedder.mlp[2].weight, std=0.02) # Initialize timestep embedding MLP: nn.init.normal_(self.t_embedder.mlp[0].weight, std=0.02) nn.init.normal_(self.t_embedder.mlp[2].weight, std=0.02) # Zero-out adaLN modulation layers in DiT blocks: for block in self.joint_blocks: nn.init.constant_(block.x_block.adaLN_modulation[-1].weight, 0) nn.init.constant_(block.x_block.adaLN_modulation[-1].bias, 0) nn.init.constant_(block.context_block.adaLN_modulation[-1].weight, 0) nn.init.constant_(block.context_block.adaLN_modulation[-1].bias, 0) # Zero-out output layers: nn.init.constant_(self.final_layer.adaLN_modulation[-1].weight, 0) nn.init.constant_(self.final_layer.adaLN_modulation[-1].bias, 0) nn.init.constant_(self.final_layer.linear.weight, 0) nn.init.constant_(self.final_layer.linear.bias, 0) def set_pos_emb_random_crop_rate(self, rate: float): self.pos_emb_random_crop_rate = rate def cropped_pos_embed(self, h, w, device=None, random_crop: bool = False): p = self.x_embedder.patch_size # patched size h = (h + 1) // p w = (w + 1) // p if self.pos_embed is None: # should not happen return get_2d_sincos_pos_embed_torch(self.hidden_size, w, h, device=device) assert self.pos_embed_max_size is not None assert h <= self.pos_embed_max_size, (h, self.pos_embed_max_size) assert w <= self.pos_embed_max_size, (w, self.pos_embed_max_size) if not random_crop: top = (self.pos_embed_max_size - h) // 2 left = (self.pos_embed_max_size - w) // 2 else: top = torch.randint(0, self.pos_embed_max_size - h + 1, (1,)).item() left = torch.randint(0, self.pos_embed_max_size - w + 1, (1,)).item() spatial_pos_embed = self.pos_embed.reshape( 1, self.pos_embed_max_size, self.pos_embed_max_size, self.pos_embed.shape[-1], ) spatial_pos_embed = spatial_pos_embed[:, top : top + h, left : left + w, :] spatial_pos_embed = spatial_pos_embed.reshape(1, -1, spatial_pos_embed.shape[-1]) return spatial_pos_embed def cropped_scaled_pos_embed(self, h, w, device=None, dtype=None, random_crop: bool = False): p = self.x_embedder.patch_size # patched size h = (h + 1) // p w = (w + 1) // p # select pos_embed size based on area area = h * w patched_size = None for area_, patched_size_ in self.resolution_area_to_latent_size: if area <= area_: patched_size = patched_size_ break if patched_size is None: # raise ValueError(f"Area {area} is too large for the given latent sizes {self.resolution_area_to_latent_size}.") # use largest latent size patched_size = self.resolution_area_to_latent_size[-1][1] pos_embed = self.resolution_pos_embeds[patched_size] pos_embed_size = round(math.sqrt(pos_embed.shape[1])) # max size, patched_size * POS_EMBED_MAX_RATIO if h > pos_embed_size or w > pos_embed_size: # # fallback to normal pos_embed # return self.cropped_pos_embed(h * p, w * p, device=device, random_crop=random_crop) # extend pos_embed size logger.warning( f"Add new pos_embed for size {h}x{w} as it exceeds the scaled pos_embed size {pos_embed_size}. Image is too tall or wide." ) patched_size = max(h, w) grid_size = int(patched_size * MMDiT.POS_EMBED_MAX_RATIO) pos_embed_size = grid_size pos_embed = get_scaled_2d_sincos_pos_embed(self.hidden_size, grid_size, sample_size=patched_size) pos_embed = torch.from_numpy(pos_embed).float().unsqueeze(0) self.resolution_pos_embeds[patched_size] = pos_embed logger.info(f"Added pos_embed for size {patched_size}x{patched_size}") # print(torch.allclose(pos_embed.to(torch.float32).cpu(), self.pos_embed.to(torch.float32).cpu(), atol=5e-2)) # diff = pos_embed.to(torch.float32).cpu() - self.pos_embed.to(torch.float32).cpu() # print(diff.abs().max(), diff.abs().mean()) # insert to resolution_area_to_latent_size, by adding and sorting area = pos_embed_size**2 self.resolution_area_to_latent_size.append((area, patched_size)) self.resolution_area_to_latent_size = sorted(self.resolution_area_to_latent_size) if not random_crop: top = (pos_embed_size - h) // 2 left = (pos_embed_size - w) // 2 else: top = torch.randint(0, pos_embed_size - h + 1, (1,)).item() left = torch.randint(0, pos_embed_size - w + 1, (1,)).item() if pos_embed.device != device: pos_embed = pos_embed.to(device) # which is better to update device, or transfer every time to device? -> 64x64 emb is 96*96*1536*4=56MB. It's okay to update device. self.resolution_pos_embeds[patched_size] = pos_embed # update device if pos_embed.dtype != dtype: pos_embed = pos_embed.to(dtype) self.resolution_pos_embeds[patched_size] = pos_embed # update dtype spatial_pos_embed = pos_embed.reshape(1, pos_embed_size, pos_embed_size, pos_embed.shape[-1]) spatial_pos_embed = spatial_pos_embed[:, top : top + h, left : left + w, :] spatial_pos_embed = spatial_pos_embed.reshape(1, -1, spatial_pos_embed.shape[-1]) # print( # f"patched size: {h}x{w}, pos_embed size: {pos_embed_size}, pos_embed shape: {pos_embed.shape}, top: {top}, left: {left}" # ) return spatial_pos_embed def enable_block_swap(self, num_blocks: int, device: torch.device): self.blocks_to_swap = num_blocks assert ( self.blocks_to_swap <= self.num_blocks - 2 ), f"Cannot swap more than {self.num_blocks - 2} blocks. Requested: {self.blocks_to_swap} blocks." self.offloader = custom_offloading_utils.ModelOffloader( self.joint_blocks, self.blocks_to_swap, device # , debug=True ) print(f"SD3: Block swap enabled. Swapping {num_blocks} blocks, total blocks: {self.num_blocks}, device: {device}.") def move_to_device_except_swap_blocks(self, device: torch.device): # assume model is on cpu. do not move blocks to device to reduce temporary memory usage if self.blocks_to_swap: save_blocks = self.joint_blocks self.joint_blocks = nn.ModuleList() self.to(device) if self.blocks_to_swap: self.joint_blocks = save_blocks def prepare_block_swap_before_forward(self): if self.blocks_to_swap is None or self.blocks_to_swap == 0: return self.offloader.prepare_block_devices_before_forward(self.joint_blocks) def forward( self, x: torch.Tensor, t: torch.Tensor, y: Optional[torch.Tensor] = None, context: Optional[torch.Tensor] = None, ) -> torch.Tensor: """ Forward pass of DiT. x: (N, C, H, W) tensor of spatial inputs (images or latent representations of images) t: (N,) tensor of diffusion timesteps y: (N, D) tensor of class labels """ pos_emb_random_crop = ( False if self.pos_emb_random_crop_rate == 0.0 else torch.rand(1).item() < self.pos_emb_random_crop_rate ) B, C, H, W = x.shape # x = self.x_embedder(x) + self.cropped_pos_embed(H, W, device=x.device, random_crop=pos_emb_random_crop).to(dtype=x.dtype) if not self.use_scaled_pos_embed: pos_embed = self.cropped_pos_embed(H, W, device=x.device, random_crop=pos_emb_random_crop).to(dtype=x.dtype) else: # print(f"Using scaled pos_embed for size {H}x{W}") pos_embed = self.cropped_scaled_pos_embed(H, W, device=x.device, dtype=x.dtype, random_crop=pos_emb_random_crop) x = self.x_embedder(x) + pos_embed del pos_embed c = self.t_embedder(t, dtype=x.dtype) # (N, D) if y is not None and self.y_embedder is not None: y = self.y_embedder(y) # (N, D) c = c + y # (N, D) if context is not None: context = self.context_embedder(context) if self.register_length > 0: context = torch.cat( (einops.repeat(self.register, "1 ... -> b ...", b=x.shape[0]), default(context, torch.Tensor([]).type_as(x))), 1 ) if not self.blocks_to_swap: for block in self.joint_blocks: context, x = block(context, x, c) else: for block_idx, block in enumerate(self.joint_blocks): self.offloader.wait_for_block(block_idx) context, x = block(context, x, c) self.offloader.submit_move_blocks(self.joint_blocks, block_idx) x = self.final_layer(x, c, H, W) # Our final layer combined UnPatchify return x[:, :, :H, :W] def create_sd3_mmdit(params: SD3Params, attn_mode: str = "torch") -> MMDiT: mmdit = MMDiT( input_size=None, pos_embed_max_size=params.pos_embed_max_size, patch_size=params.patch_size, in_channels=16, adm_in_channels=params.adm_in_channels, context_embedder_in_features=params.context_embedder_in_features, context_embedder_out_features=params.context_embedder_out_features, depth=params.depth, mlp_ratio=4, qk_norm=params.qk_norm, x_block_self_attn_layers=params.x_block_self_attn_layers, num_patches=params.num_patches, attn_mode=attn_mode, model_type=params.model_type, ) return mmdit # endregion # region VAE VAE_SCALE_FACTOR = 1.5305 VAE_SHIFT_FACTOR = 0.0609 def Normalize(in_channels, num_groups=32, dtype=torch.float32, device=None): return torch.nn.GroupNorm(num_groups=num_groups, num_channels=in_channels, eps=1e-6, affine=True, dtype=dtype, device=device) class ResnetBlock(torch.nn.Module): def __init__(self, *, in_channels, out_channels=None, dtype=torch.float32, device=None): super().__init__() self.in_channels = in_channels out_channels = in_channels if out_channels is None else out_channels self.out_channels = out_channels self.norm1 = Normalize(in_channels, dtype=dtype, device=device) self.conv1 = torch.nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=1, padding=1, dtype=dtype, device=device) self.norm2 = Normalize(out_channels, dtype=dtype, device=device) self.conv2 = torch.nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=1, padding=1, dtype=dtype, device=device) if self.in_channels != self.out_channels: self.nin_shortcut = torch.nn.Conv2d( in_channels, out_channels, kernel_size=1, stride=1, padding=0, dtype=dtype, device=device ) else: self.nin_shortcut = None self.swish = torch.nn.SiLU(inplace=True) def forward(self, x): hidden = x hidden = self.norm1(hidden) hidden = self.swish(hidden) hidden = self.conv1(hidden) hidden = self.norm2(hidden) hidden = self.swish(hidden) hidden = self.conv2(hidden) if self.in_channels != self.out_channels: x = self.nin_shortcut(x) return x + hidden class AttnBlock(torch.nn.Module): def __init__(self, in_channels, dtype=torch.float32, device=None): super().__init__() self.norm = Normalize(in_channels, dtype=dtype, device=device) self.q = torch.nn.Conv2d(in_channels, in_channels, kernel_size=1, stride=1, padding=0, dtype=dtype, device=device) self.k = torch.nn.Conv2d(in_channels, in_channels, kernel_size=1, stride=1, padding=0, dtype=dtype, device=device) self.v = torch.nn.Conv2d(in_channels, in_channels, kernel_size=1, stride=1, padding=0, dtype=dtype, device=device) self.proj_out = torch.nn.Conv2d(in_channels, in_channels, kernel_size=1, stride=1, padding=0, dtype=dtype, device=device) def forward(self, x): hidden = self.norm(x) q = self.q(hidden) k = self.k(hidden) v = self.v(hidden) b, c, h, w = q.shape q, k, v = map(lambda x: einops.rearrange(x, "b c h w -> b 1 (h w) c").contiguous(), (q, k, v)) hidden = torch.nn.functional.scaled_dot_product_attention(q, k, v) # scale is dim ** -0.5 per default hidden = einops.rearrange(hidden, "b 1 (h w) c -> b c h w", h=h, w=w, c=c, b=b) hidden = self.proj_out(hidden) return x + hidden class Downsample(torch.nn.Module): def __init__(self, in_channels, dtype=torch.float32, device=None): super().__init__() self.conv = torch.nn.Conv2d(in_channels, in_channels, kernel_size=3, stride=2, padding=0, dtype=dtype, device=device) def forward(self, x): pad = (0, 1, 0, 1) x = torch.nn.functional.pad(x, pad, mode="constant", value=0) x = self.conv(x) return x class Upsample(torch.nn.Module): def __init__(self, in_channels, dtype=torch.float32, device=None): super().__init__() self.conv = torch.nn.Conv2d(in_channels, in_channels, kernel_size=3, stride=1, padding=1, dtype=dtype, device=device) def forward(self, x): org_dtype = x.dtype if x.dtype == torch.bfloat16: x = x.to(torch.float32) x = torch.nn.functional.interpolate(x, scale_factor=2.0, mode="nearest") if x.dtype != org_dtype: x = x.to(org_dtype) x = self.conv(x) return x class VAEEncoder(torch.nn.Module): def __init__( self, ch=128, ch_mult=(1, 2, 4, 4), num_res_blocks=2, in_channels=3, z_channels=16, dtype=torch.float32, device=None ): super().__init__() self.num_resolutions = len(ch_mult) self.num_res_blocks = num_res_blocks # downsampling self.conv_in = torch.nn.Conv2d(in_channels, ch, kernel_size=3, stride=1, padding=1, dtype=dtype, device=device) in_ch_mult = (1,) + tuple(ch_mult) self.in_ch_mult = in_ch_mult self.down = torch.nn.ModuleList() for i_level in range(self.num_resolutions): block = torch.nn.ModuleList() attn = torch.nn.ModuleList() block_in = ch * in_ch_mult[i_level] block_out = ch * ch_mult[i_level] for i_block in range(num_res_blocks): block.append(ResnetBlock(in_channels=block_in, out_channels=block_out, dtype=dtype, device=device)) block_in = block_out down = torch.nn.Module() down.block = block down.attn = attn if i_level != self.num_resolutions - 1: down.downsample = Downsample(block_in, dtype=dtype, device=device) self.down.append(down) # middle self.mid = torch.nn.Module() self.mid.block_1 = ResnetBlock(in_channels=block_in, out_channels=block_in, dtype=dtype, device=device) self.mid.attn_1 = AttnBlock(block_in, dtype=dtype, device=device) self.mid.block_2 = ResnetBlock(in_channels=block_in, out_channels=block_in, dtype=dtype, device=device) # end self.norm_out = Normalize(block_in, dtype=dtype, device=device) self.conv_out = torch.nn.Conv2d(block_in, 2 * z_channels, kernel_size=3, stride=1, padding=1, dtype=dtype, device=device) self.swish = torch.nn.SiLU(inplace=True) def forward(self, x): # downsampling hs = [self.conv_in(x)] for i_level in range(self.num_resolutions): for i_block in range(self.num_res_blocks): h = self.down[i_level].block[i_block](hs[-1]) hs.append(h) if i_level != self.num_resolutions - 1: hs.append(self.down[i_level].downsample(hs[-1])) # middle h = hs[-1] h = self.mid.block_1(h) h = self.mid.attn_1(h) h = self.mid.block_2(h) # end h = self.norm_out(h) h = self.swish(h) h = self.conv_out(h) return h class VAEDecoder(torch.nn.Module): def __init__( self, ch=128, out_ch=3, ch_mult=(1, 2, 4, 4), num_res_blocks=2, resolution=256, z_channels=16, dtype=torch.float32, device=None, ): super().__init__() self.num_resolutions = len(ch_mult) self.num_res_blocks = num_res_blocks block_in = ch * ch_mult[self.num_resolutions - 1] curr_res = resolution // 2 ** (self.num_resolutions - 1) # z to block_in self.conv_in = torch.nn.Conv2d(z_channels, block_in, kernel_size=3, stride=1, padding=1, dtype=dtype, device=device) # middle self.mid = torch.nn.Module() self.mid.block_1 = ResnetBlock(in_channels=block_in, out_channels=block_in, dtype=dtype, device=device) self.mid.attn_1 = AttnBlock(block_in, dtype=dtype, device=device) self.mid.block_2 = ResnetBlock(in_channels=block_in, out_channels=block_in, dtype=dtype, device=device) # upsampling self.up = torch.nn.ModuleList() for i_level in reversed(range(self.num_resolutions)): block = torch.nn.ModuleList() block_out = ch * ch_mult[i_level] for i_block in range(self.num_res_blocks + 1): block.append(ResnetBlock(in_channels=block_in, out_channels=block_out, dtype=dtype, device=device)) block_in = block_out up = torch.nn.Module() up.block = block if i_level != 0: up.upsample = Upsample(block_in, dtype=dtype, device=device) curr_res = curr_res * 2 self.up.insert(0, up) # prepend to get consistent order # end self.norm_out = Normalize(block_in, dtype=dtype, device=device) self.conv_out = torch.nn.Conv2d(block_in, out_ch, kernel_size=3, stride=1, padding=1, dtype=dtype, device=device) self.swish = torch.nn.SiLU(inplace=True) def forward(self, z): # z to block_in hidden = self.conv_in(z) # middle hidden = self.mid.block_1(hidden) hidden = self.mid.attn_1(hidden) hidden = self.mid.block_2(hidden) # upsampling for i_level in reversed(range(self.num_resolutions)): for i_block in range(self.num_res_blocks + 1): hidden = self.up[i_level].block[i_block](hidden) if i_level != 0: hidden = self.up[i_level].upsample(hidden) # end hidden = self.norm_out(hidden) hidden = self.swish(hidden) hidden = self.conv_out(hidden) return hidden class SDVAE(torch.nn.Module): def __init__(self, dtype=torch.float32, device=None): super().__init__() self.encoder = VAEEncoder(dtype=dtype, device=device) self.decoder = VAEDecoder(dtype=dtype, device=device) @property def device(self): return next(self.parameters()).device @property def dtype(self): return next(self.parameters()).dtype # @torch.autocast("cuda", dtype=torch.float16) def decode(self, latent): return self.decoder(latent) # @torch.autocast("cuda", dtype=torch.float16) def encode(self, image): hidden = self.encoder(image) mean, logvar = torch.chunk(hidden, 2, dim=1) logvar = torch.clamp(logvar, -30.0, 20.0) std = torch.exp(0.5 * logvar) return mean + std * torch.randn_like(mean) @staticmethod def process_in(latent): return (latent - VAE_SHIFT_FACTOR) * VAE_SCALE_FACTOR @staticmethod def process_out(latent): return (latent / VAE_SCALE_FACTOR) + VAE_SHIFT_FACTOR # endregion ================================================ FILE: library/sd3_train_utils.py ================================================ import argparse import math import os import toml import json import time from typing import Dict, List, Optional, Tuple, Union import torch from safetensors.torch import save_file from accelerate import Accelerator, PartialState from tqdm import tqdm from PIL import Image from transformers import CLIPTextModelWithProjection, T5EncoderModel from library.device_utils import init_ipex, clean_memory_on_device init_ipex() # from transformers import CLIPTokenizer # from library import model_util # , sdxl_model_util, train_util, sdxl_original_unet # from library.sdxl_lpw_stable_diffusion import SdxlStableDiffusionLongPromptWeightingPipeline from .utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) from library import sd3_models, sd3_utils, strategy_base, train_util def save_models( ckpt_path: str, mmdit: Optional[sd3_models.MMDiT], vae: Optional[sd3_models.SDVAE], clip_l: Optional[CLIPTextModelWithProjection], clip_g: Optional[CLIPTextModelWithProjection], t5xxl: Optional[T5EncoderModel], sai_metadata: Optional[dict], save_dtype: Optional[torch.dtype] = None, ): r""" Save models to checkpoint file. Only supports unified checkpoint format. """ state_dict = {} def update_sd(prefix, sd): for k, v in sd.items(): key = prefix + k if save_dtype is not None: v = v.detach().clone().to("cpu").to(save_dtype) state_dict[key] = v update_sd("model.diffusion_model.", mmdit.state_dict()) update_sd("first_stage_model.", vae.state_dict()) # do not support unified checkpoint format for now # if clip_l is not None: # update_sd("text_encoders.clip_l.", clip_l.state_dict()) # if clip_g is not None: # update_sd("text_encoders.clip_g.", clip_g.state_dict()) # if t5xxl is not None: # update_sd("text_encoders.t5xxl.", t5xxl.state_dict()) save_file(state_dict, ckpt_path, metadata=sai_metadata) if clip_l is not None: clip_l_path = ckpt_path.replace(".safetensors", "_clip_l.safetensors") save_file(clip_l.state_dict(), clip_l_path) if clip_g is not None: clip_g_path = ckpt_path.replace(".safetensors", "_clip_g.safetensors") save_file(clip_g.state_dict(), clip_g_path) if t5xxl is not None: t5xxl_path = ckpt_path.replace(".safetensors", "_t5xxl.safetensors") t5xxl_state_dict = t5xxl.state_dict() # replace "shared.weight" with copy of it to avoid annoying shared tensor error on safetensors.save_file shared_weight = t5xxl_state_dict["shared.weight"] shared_weight_copy = shared_weight.detach().clone() t5xxl_state_dict["shared.weight"] = shared_weight_copy save_file(t5xxl_state_dict, t5xxl_path) def save_sd3_model_on_train_end( args: argparse.Namespace, save_dtype: torch.dtype, epoch: int, global_step: int, clip_l: Optional[CLIPTextModelWithProjection], clip_g: Optional[CLIPTextModelWithProjection], t5xxl: Optional[T5EncoderModel], mmdit: sd3_models.MMDiT, vae: sd3_models.SDVAE, ): def sd_saver(ckpt_file, epoch_no, global_step): sai_metadata = train_util.get_sai_model_spec( None, args, False, False, False, is_stable_diffusion_ckpt=True, sd3=mmdit.model_type ) save_models(ckpt_file, mmdit, vae, clip_l, clip_g, t5xxl, sai_metadata, save_dtype) train_util.save_sd_model_on_train_end_common(args, True, True, epoch, global_step, sd_saver, None) # epochとstepの保存、メタデータにepoch/stepが含まれ引数が同じになるため、統合している # on_epoch_end: Trueならepoch終了時、Falseならstep経過時 def save_sd3_model_on_epoch_end_or_stepwise( args: argparse.Namespace, on_epoch_end: bool, accelerator, save_dtype: torch.dtype, epoch: int, num_train_epochs: int, global_step: int, clip_l: Optional[CLIPTextModelWithProjection], clip_g: Optional[CLIPTextModelWithProjection], t5xxl: Optional[T5EncoderModel], mmdit: sd3_models.MMDiT, vae: sd3_models.SDVAE, ): def sd_saver(ckpt_file, epoch_no, global_step): sai_metadata = train_util.get_sai_model_spec( None, args, False, False, False, is_stable_diffusion_ckpt=True, sd3=mmdit.model_type ) save_models(ckpt_file, mmdit, vae, clip_l, clip_g, t5xxl, sai_metadata, save_dtype) train_util.save_sd_model_on_epoch_end_or_stepwise_common( args, on_epoch_end, accelerator, True, True, epoch, num_train_epochs, global_step, sd_saver, None, ) def add_sd3_training_arguments(parser: argparse.ArgumentParser): parser.add_argument( "--clip_l", type=str, required=False, help="CLIP-L model path. if not specified, use ckpt's state_dict / CLIP-Lモデルのパス。指定しない場合はckptのstate_dictを使用", ) parser.add_argument( "--clip_g", type=str, required=False, help="CLIP-G model path. if not specified, use ckpt's state_dict / CLIP-Gモデルのパス。指定しない場合はckptのstate_dictを使用", ) parser.add_argument( "--t5xxl", type=str, required=False, help="T5-XXL model path. if not specified, use ckpt's state_dict / T5-XXLモデルのパス。指定しない場合はckptのstate_dictを使用", ) parser.add_argument( "--save_clip", action="store_true", help="[DOES NOT WORK] unified checkpoint is not supported / 統合チェックポイントはまだサポートされていません", ) parser.add_argument( "--save_t5xxl", action="store_true", help="[DOES NOT WORK] unified checkpoint is not supported / 統合チェックポイントはまだサポートされていません", ) parser.add_argument( "--t5xxl_device", type=str, default=None, help="[DOES NOT WORK] not supported yet. T5-XXL device. if not specified, use accelerator's device / T5-XXLデバイス。指定しない場合はacceleratorのデバイスを使用", ) parser.add_argument( "--t5xxl_dtype", type=str, default=None, help="[DOES NOT WORK] not supported yet. T5-XXL dtype. if not specified, use default dtype (from mixed precision) / T5-XXL dtype。指定しない場合はデフォルトのdtype（mixed precisionから）を使用", ) parser.add_argument( "--t5xxl_max_token_length", type=int, default=256, help="maximum token length for T5-XXL. 256 is the default value / T5-XXLの最大トークン長。デフォルトは256", ) parser.add_argument( "--apply_lg_attn_mask", action="store_true", help="apply attention mask (zero embs) to CLIP-L and G / CLIP-LとGにアテンションマスク（ゼロ埋め）を適用する", ) parser.add_argument( "--apply_t5_attn_mask", action="store_true", help="apply attention mask (zero embs) to T5-XXL / T5-XXLにアテンションマスク（ゼロ埋め）を適用する", ) parser.add_argument( "--clip_l_dropout_rate", type=float, default=0.0, help="Dropout rate for CLIP-L encoder, default is 0.0 / CLIP-Lエンコーダのドロップアウト率、デフォルトは0.0", ) parser.add_argument( "--clip_g_dropout_rate", type=float, default=0.0, help="Dropout rate for CLIP-G encoder, default is 0.0 / CLIP-Gエンコーダのドロップアウト率、デフォルトは0.0", ) parser.add_argument( "--t5_dropout_rate", type=float, default=0.0, help="Dropout rate for T5 encoder, default is 0.0 / T5エンコーダのドロップアウト率、デフォルトは0.0", ) parser.add_argument( "--pos_emb_random_crop_rate", type=float, default=0.0, help="Random crop rate for positional embeddings, default is 0.0. Only for SD3.5M" " / 位置埋め込みのランダムクロップ率、デフォルトは0.0。SD3.5M以外では予期しない動作になります", ) parser.add_argument( "--enable_scaled_pos_embed", action="store_true", help="Scale position embeddings for each resolution during multi-resolution training. Only for SD3.5M" " / 複数解像度学習時に解像度ごとに位置埋め込みをスケーリングする。SD3.5M以外では予期しない動作になります", ) # Dependencies of Diffusers noise sampler has been removed for clarity in training parser.add_argument( "--training_shift", type=float, default=1.0, help="Discrete flow shift for training timestep distribution adjustment, applied in addition to the weighting scheme, default is 1.0. /タイムステップ分布のための離散フローシフト、重み付けスキームの上に適用される、デフォルトは1.0。", ) def verify_sdxl_training_args(args: argparse.Namespace, supportTextEncoderCaching: bool = True): assert not args.v2, "v2 cannot be enabled in SDXL training / SDXL学習ではv2を有効にすることはできません" if args.v_parameterization: logger.warning("v_parameterization will be unexpected / SDXL学習ではv_parameterizationは想定外の動作になります") if args.clip_skip is not None: logger.warning("clip_skip will be unexpected / SDXL学習ではclip_skipは動作しません") # if args.multires_noise_iterations: # logger.info( # f"Warning: SDXL has been trained with noise_offset={DEFAULT_NOISE_OFFSET}, but noise_offset is disabled due to multires_noise_iterations / SDXLはnoise_offset={DEFAULT_NOISE_OFFSET}で学習されていますが、multires_noise_iterationsが有効になっているためnoise_offsetは無効になります" # ) # else: # if args.noise_offset is None: # args.noise_offset = DEFAULT_NOISE_OFFSET # elif args.noise_offset != DEFAULT_NOISE_OFFSET: # logger.info( # f"Warning: SDXL has been trained with noise_offset={DEFAULT_NOISE_OFFSET} / SDXLはnoise_offset={DEFAULT_NOISE_OFFSET}で学習されています" # ) # logger.info(f"noise_offset is set to {args.noise_offset} / noise_offsetが{args.noise_offset}に設定されました") assert ( not hasattr(args, "weighted_captions") or not args.weighted_captions ), "weighted_captions cannot be enabled in SDXL training currently / SDXL学習では今のところweighted_captionsを有効にすることはできません" if supportTextEncoderCaching: if args.cache_text_encoder_outputs_to_disk and not args.cache_text_encoder_outputs: args.cache_text_encoder_outputs = True logger.warning( "cache_text_encoder_outputs is enabled because cache_text_encoder_outputs_to_disk is enabled / " + "cache_text_encoder_outputs_to_diskが有効になっているためcache_text_encoder_outputsが有効になりました" ) # temporary copied from sd3_minimal_inferece.py def get_all_sigmas(sampling: sd3_utils.ModelSamplingDiscreteFlow, steps): start = sampling.timestep(sampling.sigma_max) end = sampling.timestep(sampling.sigma_min) timesteps = torch.linspace(start, end, steps) sigs = [] for x in range(len(timesteps)): ts = timesteps[x] sigs.append(sampling.sigma(ts)) sigs += [0.0] return torch.FloatTensor(sigs) def max_denoise(model_sampling, sigmas): max_sigma = float(model_sampling.sigma_max) sigma = float(sigmas[0]) return math.isclose(max_sigma, sigma, rel_tol=1e-05) or sigma > max_sigma def do_sample( height: int, width: int, seed: int, cond: Tuple[torch.Tensor, torch.Tensor], neg_cond: Tuple[torch.Tensor, torch.Tensor], mmdit: sd3_models.MMDiT, steps: int, guidance_scale: float, dtype: torch.dtype, device: str, ): latent = torch.zeros(1, 16, height // 8, width // 8, device=device) latent = latent.to(dtype).to(device) # noise = get_noise(seed, latent).to(device) if seed is not None: generator = torch.manual_seed(seed) else: generator = None noise = ( torch.randn(latent.size(), dtype=torch.float32, layout=latent.layout, generator=generator, device="cpu") .to(latent.dtype) .to(device) ) model_sampling = sd3_utils.ModelSamplingDiscreteFlow(shift=3.0) # 3.0 is for SD3 sigmas = get_all_sigmas(model_sampling, steps).to(device) noise_scaled = model_sampling.noise_scaling(sigmas[0], noise, latent, max_denoise(model_sampling, sigmas)) c_crossattn = torch.cat([cond[0], neg_cond[0]]).to(device).to(dtype) y = torch.cat([cond[1], neg_cond[1]]).to(device).to(dtype) x = noise_scaled.to(device).to(dtype) # print(x.shape) # with torch.no_grad(): for i in tqdm(range(len(sigmas) - 1)): sigma_hat = sigmas[i] timestep = model_sampling.timestep(sigma_hat).float() timestep = torch.FloatTensor([timestep, timestep]).to(device) x_c_nc = torch.cat([x, x], dim=0) # print(x_c_nc.shape, timestep.shape, c_crossattn.shape, y.shape) mmdit.prepare_block_swap_before_forward() model_output = mmdit(x_c_nc, timestep, context=c_crossattn, y=y) model_output = model_output.float() batched = model_sampling.calculate_denoised(sigma_hat, model_output, x) pos_out, neg_out = batched.chunk(2) denoised = neg_out + (pos_out - neg_out) * guidance_scale # print(denoised.shape) # d = to_d(x, sigma_hat, denoised) dims_to_append = x.ndim - sigma_hat.ndim sigma_hat_dims = sigma_hat[(...,) + (None,) * dims_to_append] # print(dims_to_append, x.shape, sigma_hat.shape, denoised.shape, sigma_hat_dims.shape) """Converts a denoiser output to a Karras ODE derivative.""" d = (x - denoised) / sigma_hat_dims dt = sigmas[i + 1] - sigma_hat # Euler method x = x + d * dt x = x.to(dtype) mmdit.prepare_block_swap_before_forward() return x def sample_images( accelerator: Accelerator, args: argparse.Namespace, epoch, steps, mmdit, vae, text_encoders, sample_prompts_te_outputs, prompt_replacement=None, ): if steps == 0: if not args.sample_at_first: return else: if args.sample_every_n_steps is None and args.sample_every_n_epochs is None: return if args.sample_every_n_epochs is not None: # sample_every_n_steps は無視する if epoch is None or epoch % args.sample_every_n_epochs != 0: return else: if steps % args.sample_every_n_steps != 0 or epoch is not None: # steps is not divisible or end of epoch return logger.info("") logger.info(f"generating sample images at step / サンプル画像生成 ステップ: {steps}") if not os.path.isfile(args.sample_prompts) and sample_prompts_te_outputs is None: logger.error(f"No prompt file / プロンプトファイルがありません: {args.sample_prompts}") return distributed_state = PartialState() # for multi gpu distributed inference. this is a singleton, so it's safe to use it here # unwrap unet and text_encoder(s) mmdit = accelerator.unwrap_model(mmdit) text_encoders = None if text_encoders is None else [accelerator.unwrap_model(te) for te in text_encoders] # print([(te.parameters().__next__().device if te is not None else None) for te in text_encoders]) prompts = train_util.load_prompts(args.sample_prompts) save_dir = args.output_dir + "/sample" os.makedirs(save_dir, exist_ok=True) # save random state to restore later rng_state = torch.get_rng_state() cuda_rng_state = None try: cuda_rng_state = torch.cuda.get_rng_state() if torch.cuda.is_available() else None except Exception: pass if distributed_state.num_processes <= 1: # If only one device is available, just use the original prompt list. We don't need to care about the distribution of prompts. with torch.no_grad(), accelerator.autocast(): for prompt_dict in prompts: sample_image_inference( accelerator, args, mmdit, text_encoders, vae, save_dir, prompt_dict, epoch, steps, sample_prompts_te_outputs, prompt_replacement, ) else: # Creating list with N elements, where each element is a list of prompt_dicts, and N is the number of processes available (number of devices available) # prompt_dicts are assigned to lists based on order of processes, to attempt to time the image creation time to match enum order. Probably only works when steps and sampler are identical. per_process_prompts = [] # list of lists for i in range(distributed_state.num_processes): per_process_prompts.append(prompts[i :: distributed_state.num_processes]) with torch.no_grad(): with distributed_state.split_between_processes(per_process_prompts) as prompt_dict_lists: for prompt_dict in prompt_dict_lists[0]: sample_image_inference( accelerator, args, mmdit, text_encoders, vae, save_dir, prompt_dict, epoch, steps, sample_prompts_te_outputs, prompt_replacement, ) torch.set_rng_state(rng_state) if cuda_rng_state is not None: torch.cuda.set_rng_state(cuda_rng_state) clean_memory_on_device(accelerator.device) def sample_image_inference( accelerator: Accelerator, args: argparse.Namespace, mmdit: sd3_models.MMDiT, text_encoders: List[Union[CLIPTextModelWithProjection, T5EncoderModel]], vae: sd3_models.SDVAE, save_dir, prompt_dict, epoch, steps, sample_prompts_te_outputs, prompt_replacement, ): assert isinstance(prompt_dict, dict) negative_prompt = prompt_dict.get("negative_prompt") sample_steps = prompt_dict.get("sample_steps", 30) width = prompt_dict.get("width", 512) height = prompt_dict.get("height", 512) scale = prompt_dict.get("scale", 7.5) seed = prompt_dict.get("seed") # controlnet_image = prompt_dict.get("controlnet_image") prompt: str = prompt_dict.get("prompt", "") # sampler_name: str = prompt_dict.get("sample_sampler", args.sample_sampler) if prompt_replacement is not None: prompt = prompt.replace(prompt_replacement[0], prompt_replacement[1]) if negative_prompt is not None: negative_prompt = negative_prompt.replace(prompt_replacement[0], prompt_replacement[1]) if seed is not None: torch.manual_seed(seed) torch.cuda.manual_seed(seed) else: # True random sample image generation torch.seed() torch.cuda.seed() if negative_prompt is None: negative_prompt = "" height = max(64, height - height % 8) # round to divisible by 8 width = max(64, width - width % 8) # round to divisible by 8 logger.info(f"prompt: {prompt}") logger.info(f"negative_prompt: {negative_prompt}") logger.info(f"height: {height}") logger.info(f"width: {width}") logger.info(f"sample_steps: {sample_steps}") logger.info(f"scale: {scale}") # logger.info(f"sample_sampler: {sampler_name}") if seed is not None: logger.info(f"seed: {seed}") # encode prompts tokenize_strategy = strategy_base.TokenizeStrategy.get_strategy() encoding_strategy = strategy_base.TextEncodingStrategy.get_strategy() def encode_prompt(prpt): text_encoder_conds = [] if sample_prompts_te_outputs and prpt in sample_prompts_te_outputs: text_encoder_conds = sample_prompts_te_outputs[prpt] print(f"Using cached text encoder outputs for prompt: {prpt}") if text_encoders is not None: print(f"Encoding prompt: {prpt}") tokens_and_masks = tokenize_strategy.tokenize(prpt) # strategy has apply_t5_attn_mask option encoded_text_encoder_conds = encoding_strategy.encode_tokens(tokenize_strategy, text_encoders, tokens_and_masks) # if text_encoder_conds is not cached, use encoded_text_encoder_conds if len(text_encoder_conds) == 0: text_encoder_conds = encoded_text_encoder_conds else: # if encoded_text_encoder_conds is not None, update cached text_encoder_conds for i in range(len(encoded_text_encoder_conds)): if encoded_text_encoder_conds[i] is not None: text_encoder_conds[i] = encoded_text_encoder_conds[i] return text_encoder_conds lg_out, t5_out, pooled, l_attn_mask, g_attn_mask, t5_attn_mask = encode_prompt(prompt) cond = encoding_strategy.concat_encodings(lg_out, t5_out, pooled) # encode negative prompts lg_out, t5_out, pooled, l_attn_mask, g_attn_mask, t5_attn_mask = encode_prompt(negative_prompt) neg_cond = encoding_strategy.concat_encodings(lg_out, t5_out, pooled) # sample image clean_memory_on_device(accelerator.device) with accelerator.autocast(), torch.no_grad(): # mmdit may be fp8, so we need weight_dtype here. vae is always in that dtype. latents = do_sample(height, width, seed, cond, neg_cond, mmdit, sample_steps, scale, vae.dtype, accelerator.device) # latent to image clean_memory_on_device(accelerator.device) org_vae_device = vae.device # will be on cpu vae.to(accelerator.device) latents = vae.process_out(latents.to(vae.device, dtype=vae.dtype)) image = vae.decode(latents) vae.to(org_vae_device) clean_memory_on_device(accelerator.device) image = image.float() image = torch.clamp((image + 1.0) / 2.0, min=0.0, max=1.0)[0] decoded_np = 255.0 * np.moveaxis(image.cpu().numpy(), 0, 2) decoded_np = decoded_np.astype(np.uint8) image = Image.fromarray(decoded_np) # adding accelerator.wait_for_everyone() here should sync up and ensure that sample images are saved in the same order as the original prompt list # but adding 'enum' to the filename should be enough ts_str = time.strftime("%Y%m%d%H%M%S", time.localtime()) num_suffix = f"e{epoch:06d}" if epoch is not None else f"{steps:06d}" seed_suffix = "" if seed is None else f"_{seed}" i: int = prompt_dict["enum"] img_filename = f"{'' if args.output_name is None else args.output_name + '_'}{num_suffix}_{i:02d}_{ts_str}{seed_suffix}.png" image.save(os.path.join(save_dir, img_filename)) # send images to wandb if enabled if "wandb" in [tracker.name for tracker in accelerator.trackers]: wandb_tracker = accelerator.get_tracker("wandb") import wandb # not to commit images to avoid inconsistency between training and logging steps wandb_tracker.log({f"sample_{i}": wandb.Image(image, caption=prompt)}, commit=False) # positive prompt as a caption # region Diffusers from dataclasses import dataclass from typing import Optional, Tuple, Union import numpy as np import torch from diffusers.configuration_utils import ConfigMixin, register_to_config from diffusers.schedulers.scheduling_utils import SchedulerMixin from diffusers.utils.torch_utils import randn_tensor from diffusers.utils import BaseOutput @dataclass class FlowMatchEulerDiscreteSchedulerOutput(BaseOutput): """ Output class for the scheduler's `step` function output. Args: prev_sample (`torch.FloatTensor` of shape `(batch_size, num_channels, height, width)` for images): Computed sample `(x_{t-1})` of previous timestep. `prev_sample` should be used as next model input in the denoising loop. """ prev_sample: torch.FloatTensor class FlowMatchEulerDiscreteScheduler(SchedulerMixin, ConfigMixin): """ Euler scheduler. This model inherits from [`SchedulerMixin`] and [`ConfigMixin`]. Check the superclass documentation for the generic methods the library implements for all schedulers such as loading and saving. Args: num_train_timesteps (`int`, defaults to 1000): The number of diffusion steps to train the model. timestep_spacing (`str`, defaults to `"linspace"`): The way the timesteps should be scaled. Refer to Table 2 of the [Common Diffusion Noise Schedules and Sample Steps are Flawed](https://huggingface.co/papers/2305.08891) for more information. shift (`float`, defaults to 1.0): The shift value for the timestep schedule. """ _compatibles = [] order = 1 @register_to_config def __init__( self, num_train_timesteps: int = 1000, shift: float = 1.0, ): timesteps = np.linspace(1, num_train_timesteps, num_train_timesteps, dtype=np.float32)[::-1].copy() timesteps = torch.from_numpy(timesteps).to(dtype=torch.float32) sigmas = timesteps / num_train_timesteps sigmas = shift * sigmas / (1 + (shift - 1) * sigmas) self.timesteps = sigmas * num_train_timesteps self._step_index = None self._begin_index = None self.sigmas = sigmas.to("cpu") # to avoid too much CPU/GPU communication self.sigma_min = self.sigmas[-1].item() self.sigma_max = self.sigmas[0].item() @property def step_index(self): """ The index counter for current timestep. It will increase 1 after each scheduler step. """ return self._step_index @property def begin_index(self): """ The index for the first timestep. It should be set from pipeline with `set_begin_index` method. """ return self._begin_index # Copied from diffusers.schedulers.scheduling_dpmsolver_multistep.DPMSolverMultistepScheduler.set_begin_index def set_begin_index(self, begin_index: int = 0): """ Sets the begin index for the scheduler. This function should be run from pipeline before the inference. Args: begin_index (`int`): The begin index for the scheduler. """ self._begin_index = begin_index def scale_noise( self, sample: torch.FloatTensor, timestep: Union[float, torch.FloatTensor], noise: Optional[torch.FloatTensor] = None, ) -> torch.FloatTensor: """ Forward process in flow-matching Args: sample (`torch.FloatTensor`): The input sample. timestep (`int`, *optional*): The current timestep in the diffusion chain. Returns: `torch.FloatTensor`: A scaled input sample. """ if self.step_index is None: self._init_step_index(timestep) sigma = self.sigmas[self.step_index] sample = sigma * noise + (1.0 - sigma) * sample return sample def _sigma_to_t(self, sigma): return sigma * self.config.num_train_timesteps def set_timesteps(self, num_inference_steps: int, device: Union[str, torch.device] = None): """ Sets the discrete timesteps used for the diffusion chain (to be run before inference). Args: num_inference_steps (`int`): The number of diffusion steps used when generating samples with a pre-trained model. device (`str` or `torch.device`, *optional*): The device to which the timesteps should be moved to. If `None`, the timesteps are not moved. """ self.num_inference_steps = num_inference_steps timesteps = np.linspace(self._sigma_to_t(self.sigma_max), self._sigma_to_t(self.sigma_min), num_inference_steps) sigmas = timesteps / self.config.num_train_timesteps sigmas = self.config.shift * sigmas / (1 + (self.config.shift - 1) * sigmas) sigmas = torch.from_numpy(sigmas).to(dtype=torch.float32, device=device) timesteps = sigmas * self.config.num_train_timesteps self.timesteps = timesteps.to(device=device) self.sigmas = torch.cat([sigmas, torch.zeros(1, device=sigmas.device)]) self._step_index = None self._begin_index = None def index_for_timestep(self, timestep, schedule_timesteps=None): if schedule_timesteps is None: schedule_timesteps = self.timesteps indices = (schedule_timesteps == timestep).nonzero() # The sigma index that is taken for the **very** first `step` # is always the second index (or the last index if there is only 1) # This way we can ensure we don't accidentally skip a sigma in # case we start in the middle of the denoising schedule (e.g. for image-to-image) pos = 1 if len(indices) > 1 else 0 return indices[pos].item() def _init_step_index(self, timestep): if self.begin_index is None: if isinstance(timestep, torch.Tensor): timestep = timestep.to(self.timesteps.device) self._step_index = self.index_for_timestep(timestep) else: self._step_index = self._begin_index def step( self, model_output: torch.FloatTensor, timestep: Union[float, torch.FloatTensor], sample: torch.FloatTensor, s_churn: float = 0.0, s_tmin: float = 0.0, s_tmax: float = float("inf"), s_noise: float = 1.0, generator: Optional[torch.Generator] = None, return_dict: bool = True, ) -> Union[FlowMatchEulerDiscreteSchedulerOutput, Tuple]: """ Predict the sample from the previous timestep by reversing the SDE. This function propagates the diffusion process from the learned model outputs (most often the predicted noise). Args: model_output (`torch.FloatTensor`): The direct output from learned diffusion model. timestep (`float`): The current discrete timestep in the diffusion chain. sample (`torch.FloatTensor`): A current instance of a sample created by the diffusion process. s_churn (`float`): s_tmin (`float`): s_tmax (`float`): s_noise (`float`, defaults to 1.0): Scaling factor for noise added to the sample. generator (`torch.Generator`, *optional*): A random number generator. return_dict (`bool`): Whether or not to return a [`~schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput`] or tuple. Returns: [`~schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput`] or `tuple`: If return_dict is `True`, [`~schedulers.scheduling_euler_discrete.EulerDiscreteSchedulerOutput`] is returned, otherwise a tuple is returned where the first element is the sample tensor. """ if isinstance(timestep, int) or isinstance(timestep, torch.IntTensor) or isinstance(timestep, torch.LongTensor): raise ValueError( ( "Passing integer indices (e.g. from `enumerate(timesteps)`) as timesteps to" " `EulerDiscreteScheduler.step()` is not supported. Make sure to pass" " one of the `scheduler.timesteps` as a timestep." ), ) if self.step_index is None: self._init_step_index(timestep) # Upcast to avoid precision issues when computing prev_sample sample = sample.to(torch.float32) sigma = self.sigmas[self.step_index] gamma = min(s_churn / (len(self.sigmas) - 1), 2**0.5 - 1) if s_tmin <= sigma <= s_tmax else 0.0 noise = randn_tensor(model_output.shape, dtype=model_output.dtype, device=model_output.device, generator=generator) eps = noise * s_noise sigma_hat = sigma * (gamma + 1) if gamma > 0: sample = sample + eps * (sigma_hat**2 - sigma**2) ** 0.5 # 1. compute predicted original sample (x_0) from sigma-scaled predicted noise # NOTE: "original_sample" should not be an expected prediction_type but is left in for # backwards compatibility # if self.config.prediction_type == "vector_field": denoised = sample - model_output * sigma # 2. Convert to an ODE derivative derivative = (sample - denoised) / sigma_hat dt = self.sigmas[self.step_index + 1] - sigma_hat prev_sample = sample + derivative * dt # Cast sample back to model compatible dtype prev_sample = prev_sample.to(model_output.dtype) # upon completion increase step index by one self._step_index += 1 if not return_dict: return (prev_sample,) return FlowMatchEulerDiscreteSchedulerOutput(prev_sample=prev_sample) def __len__(self): return self.config.num_train_timesteps def get_sigmas(noise_scheduler, timesteps, device, n_dim=4, dtype=torch.float32): sigmas = noise_scheduler.sigmas.to(device=device, dtype=dtype) schedule_timesteps = noise_scheduler.timesteps.to(device) timesteps = timesteps.to(device) step_indices = [(schedule_timesteps == t).nonzero().item() for t in timesteps] sigma = sigmas[step_indices].flatten() while len(sigma.shape) < n_dim: sigma = sigma.unsqueeze(-1) return sigma def compute_density_for_timestep_sampling( weighting_scheme: str, batch_size: int, logit_mean: float = None, logit_std: float = None, mode_scale: float = None ): """Compute the density for sampling the timesteps when doing SD3 training. Courtesy: This was contributed by Rafie Walker in https://github.com/huggingface/diffusers/pull/8528. SD3 paper reference: https://arxiv.org/abs/2403.03206v1. """ if weighting_scheme == "logit_normal": # See 3.1 in the SD3 paper ($rf/lognorm(0.00,1.00)$). u = torch.normal(mean=logit_mean, std=logit_std, size=(batch_size,), device="cpu") u = torch.nn.functional.sigmoid(u) elif weighting_scheme == "mode": u = torch.rand(size=(batch_size,), device="cpu") u = 1 - u - mode_scale * (torch.cos(math.pi * u / 2) ** 2 - 1 + u) else: u = torch.rand(size=(batch_size,), device="cpu") return u def compute_loss_weighting_for_sd3(weighting_scheme: str, sigmas=None): """Computes loss weighting scheme for SD3 training. Courtesy: This was contributed by Rafie Walker in https://github.com/huggingface/diffusers/pull/8528. SD3 paper reference: https://arxiv.org/abs/2403.03206v1. """ if weighting_scheme == "sigma_sqrt": weighting = (sigmas**-2.0).float() elif weighting_scheme == "cosmap": bot = 1 - 2 * sigmas + 2 * sigmas**2 weighting = 2 / (math.pi * bot) else: weighting = torch.ones_like(sigmas) return weighting # endregion def get_noisy_model_input_and_timesteps(args, latents, noise, device, dtype) -> Tuple[torch.Tensor, torch.Tensor, torch.Tensor]: bsz = latents.shape[0] # Sample a random timestep for each image # for weighting schemes where we sample timesteps non-uniformly u = compute_density_for_timestep_sampling( weighting_scheme=args.weighting_scheme, batch_size=bsz, logit_mean=args.logit_mean, logit_std=args.logit_std, mode_scale=args.mode_scale, ) t_min = args.min_timestep if args.min_timestep is not None else 0 t_max = args.max_timestep if args.max_timestep is not None else 1000 shift = args.training_shift # weighting shift, value >1 will shift distribution to noisy side (focus more on overall structure), value <1 will shift towards less-noisy side (focus more on details) u = (u * shift) / (1 + (shift - 1) * u) indices = (u * (t_max - t_min) + t_min).long() timesteps = indices.to(device=device, dtype=dtype) # sigmas according to flowmatching sigmas = timesteps / 1000 sigmas = sigmas.view(-1, 1, 1, 1) noisy_model_input = sigmas * noise + (1.0 - sigmas) * latents return noisy_model_input, timesteps, sigmas ================================================ FILE: library/sd3_utils.py ================================================ from dataclasses import dataclass import math import re from typing import Dict, List, Optional, Union import torch import safetensors from safetensors.torch import load_file from accelerate import init_empty_weights from transformers import CLIPTextModel, CLIPTextModelWithProjection, CLIPConfig, CLIPTextConfig from .utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) from library import sd3_models # TODO move some of functions to model_util.py from library import sdxl_model_util # region models # TODO remove dependency on flux_utils from library.safetensors_utils import load_safetensors from library.flux_utils import load_t5xxl as flux_utils_load_t5xxl def analyze_state_dict_state(state_dict: Dict, prefix: str = ""): logger.info(f"Analyzing state dict state...") # analyze configs patch_size = state_dict[f"{prefix}x_embedder.proj.weight"].shape[2] depth = state_dict[f"{prefix}x_embedder.proj.weight"].shape[0] // 64 num_patches = state_dict[f"{prefix}pos_embed"].shape[1] pos_embed_max_size = round(math.sqrt(num_patches)) adm_in_channels = state_dict[f"{prefix}y_embedder.mlp.0.weight"].shape[1] context_shape = state_dict[f"{prefix}context_embedder.weight"].shape qk_norm = "rms" if f"{prefix}joint_blocks.0.context_block.attn.ln_k.weight" in state_dict.keys() else None # x_block_self_attn_layers.append(int(key.split(".x_block.attn2.ln_k.weight")[0].split(".")[-1])) x_block_self_attn_layers = [] re_attn = re.compile(r"\.(\d+)\.x_block\.attn2\.ln_k\.weight") for key in list(state_dict.keys()): m = re_attn.search(key) if m: x_block_self_attn_layers.append(int(m.group(1))) context_embedder_in_features = context_shape[1] context_embedder_out_features = context_shape[0] # only supports 3-5-large, medium or 3-medium. This is added after `stable-diffusion-3-`. if qk_norm is not None: if len(x_block_self_attn_layers) == 0: model_type = "5-large" else: model_type = "5-medium" else: model_type = "medium" params = sd3_models.SD3Params( patch_size=patch_size, depth=depth, num_patches=num_patches, pos_embed_max_size=pos_embed_max_size, adm_in_channels=adm_in_channels, qk_norm=qk_norm, x_block_self_attn_layers=x_block_self_attn_layers, context_embedder_in_features=context_embedder_in_features, context_embedder_out_features=context_embedder_out_features, model_type=model_type, ) logger.info(f"Analyzed state dict state: {params}") return params def load_mmdit( state_dict: Dict, dtype: Optional[Union[str, torch.dtype]], device: Union[str, torch.device], attn_mode: str = "torch" ) -> sd3_models.MMDiT: mmdit_sd = {} mmdit_prefix = "model.diffusion_model." for k in list(state_dict.keys()): if k.startswith(mmdit_prefix): mmdit_sd[k[len(mmdit_prefix) :]] = state_dict.pop(k) # load MMDiT logger.info("Building MMDit") params = analyze_state_dict_state(mmdit_sd) with init_empty_weights(): mmdit = sd3_models.create_sd3_mmdit(params, attn_mode) logger.info("Loading state dict...") info = mmdit.load_state_dict(mmdit_sd, strict=False, assign=True) logger.info(f"Loaded MMDiT: {info}") return mmdit def load_clip_l( clip_l_path: Optional[str], dtype: Optional[Union[str, torch.dtype]], device: Union[str, torch.device], disable_mmap: bool = False, state_dict: Optional[Dict] = None, ): clip_l_sd = None if clip_l_path is None: if "text_encoders.clip_l.transformer.text_model.embeddings.position_embedding.weight" in state_dict: # found clip_l: remove prefix "text_encoders.clip_l." logger.info("clip_l is included in the checkpoint") clip_l_sd = {} prefix = "text_encoders.clip_l." for k in list(state_dict.keys()): if k.startswith(prefix): clip_l_sd[k[len(prefix) :]] = state_dict.pop(k) elif clip_l_path is None: logger.info("clip_l is not included in the checkpoint and clip_l_path is not provided") return None # load clip_l logger.info("Building CLIP-L") config = CLIPTextConfig( vocab_size=49408, hidden_size=768, intermediate_size=3072, num_hidden_layers=12, num_attention_heads=12, max_position_embeddings=77, hidden_act="quick_gelu", layer_norm_eps=1e-05, dropout=0.0, attention_dropout=0.0, initializer_range=0.02, initializer_factor=1.0, pad_token_id=1, bos_token_id=0, eos_token_id=2, model_type="clip_text_model", projection_dim=768, # torch_dtype="float32", # transformers_version="4.25.0.dev0", ) with init_empty_weights(): clip = CLIPTextModelWithProjection(config) if clip_l_sd is None: logger.info(f"Loading state dict from {clip_l_path}") clip_l_sd = load_safetensors(clip_l_path, device=str(device), disable_mmap=disable_mmap, dtype=dtype) if "text_projection.weight" not in clip_l_sd: logger.info("Adding text_projection.weight to clip_l_sd") clip_l_sd["text_projection.weight"] = torch.eye(768, dtype=dtype, device=device) info = clip.load_state_dict(clip_l_sd, strict=False, assign=True) logger.info(f"Loaded CLIP-L: {info}") return clip def load_clip_g( clip_g_path: Optional[str], dtype: Optional[Union[str, torch.dtype]], device: Union[str, torch.device], disable_mmap: bool = False, state_dict: Optional[Dict] = None, ): clip_g_sd = None if state_dict is not None: if "text_encoders.clip_g.transformer.text_model.embeddings.position_embedding.weight" in state_dict: # found clip_g: remove prefix "text_encoders.clip_g." logger.info("clip_g is included in the checkpoint") clip_g_sd = {} prefix = "text_encoders.clip_g." for k in list(state_dict.keys()): if k.startswith(prefix): clip_g_sd[k[len(prefix) :]] = state_dict.pop(k) elif clip_g_path is None: logger.info("clip_g is not included in the checkpoint and clip_g_path is not provided") return None # load clip_g logger.info("Building CLIP-G") config = CLIPTextConfig( vocab_size=49408, hidden_size=1280, intermediate_size=5120, num_hidden_layers=32, num_attention_heads=20, max_position_embeddings=77, hidden_act="gelu", layer_norm_eps=1e-05, dropout=0.0, attention_dropout=0.0, initializer_range=0.02, initializer_factor=1.0, pad_token_id=1, bos_token_id=0, eos_token_id=2, model_type="clip_text_model", projection_dim=1280, # torch_dtype="float32", # transformers_version="4.25.0.dev0", ) with init_empty_weights(): clip = CLIPTextModelWithProjection(config) if clip_g_sd is None: logger.info(f"Loading state dict from {clip_g_path}") clip_g_sd = load_safetensors(clip_g_path, device=str(device), disable_mmap=disable_mmap, dtype=dtype) info = clip.load_state_dict(clip_g_sd, strict=False, assign=True) logger.info(f"Loaded CLIP-G: {info}") return clip def load_t5xxl( t5xxl_path: Optional[str], dtype: Optional[Union[str, torch.dtype]], device: Union[str, torch.device], disable_mmap: bool = False, state_dict: Optional[Dict] = None, ): t5xxl_sd = None if state_dict is not None: if "text_encoders.t5xxl.transformer.encoder.block.0.layer.0.SelfAttention.k.weight" in state_dict: # found t5xxl: remove prefix "text_encoders.t5xxl." logger.info("t5xxl is included in the checkpoint") t5xxl_sd = {} prefix = "text_encoders.t5xxl." for k in list(state_dict.keys()): if k.startswith(prefix): t5xxl_sd[k[len(prefix) :]] = state_dict.pop(k) elif t5xxl_path is None: logger.info("t5xxl is not included in the checkpoint and t5xxl_path is not provided") return None return flux_utils_load_t5xxl(t5xxl_path, dtype, device, disable_mmap, state_dict=t5xxl_sd) def load_vae( vae_path: Optional[str], vae_dtype: Optional[Union[str, torch.dtype]], device: Optional[Union[str, torch.device]], disable_mmap: bool = False, state_dict: Optional[Dict] = None, ): vae_sd = {} if vae_path: logger.info(f"Loading VAE from {vae_path}...") vae_sd = load_safetensors(vae_path, device, disable_mmap, dtype=vae_dtype) else: # remove prefix "first_stage_model." vae_sd = {} vae_prefix = "first_stage_model." for k in list(state_dict.keys()): if k.startswith(vae_prefix): vae_sd[k[len(vae_prefix) :]] = state_dict.pop(k) logger.info("Building VAE") vae = sd3_models.SDVAE(vae_dtype, device) logger.info("Loading state dict...") info = vae.load_state_dict(vae_sd) logger.info(f"Loaded VAE: {info}") vae.to(device=device, dtype=vae_dtype) # make sure it's in the right device and dtype return vae # endregion class ModelSamplingDiscreteFlow: """Helper for sampler scheduling (ie timestep/sigma calculations) for Discrete Flow models""" def __init__(self, shift=1.0): self.shift = shift timesteps = 1000 self.sigmas = self.sigma(torch.arange(1, timesteps + 1, 1)) @property def sigma_min(self): return self.sigmas[0] @property def sigma_max(self): return self.sigmas[-1] def timestep(self, sigma): return sigma * 1000 def sigma(self, timestep: torch.Tensor): timestep = timestep / 1000.0 if self.shift == 1.0: return timestep return self.shift * timestep / (1 + (self.shift - 1) * timestep) def calculate_denoised(self, sigma, model_output, model_input): sigma = sigma.view(sigma.shape[:1] + (1,) * (model_output.ndim - 1)) return model_input - model_output * sigma def noise_scaling(self, sigma, noise, latent_image, max_denoise=False): # assert max_denoise is False, "max_denoise not implemented" # max_denoise is always True, I'm not sure why it's there return sigma * noise + (1.0 - sigma) * latent_image ================================================ FILE: library/sdxl_lpw_stable_diffusion.py ================================================ # copy from https://github.com/huggingface/diffusers/blob/main/examples/community/lpw_stable_diffusion.py # and modify to support SD2.x import inspect import re from typing import Callable, List, Optional, Union import numpy as np import PIL.Image import torch from packaging import version from tqdm import tqdm from transformers import CLIPFeatureExtractor, CLIPTextModel, CLIPTokenizer from diffusers import SchedulerMixin, StableDiffusionPipeline from diffusers.models import AutoencoderKL from diffusers.pipelines.stable_diffusion import StableDiffusionSafetyChecker from diffusers.utils import logging from PIL import Image from library import ( sdxl_model_util, sdxl_train_util, strategy_base, strategy_sdxl, train_util, sdxl_original_unet, sdxl_original_control_net, ) try: from diffusers.utils import PIL_INTERPOLATION except ImportError: if version.parse(version.parse(PIL.__version__).base_version) >= version.parse("9.1.0"): PIL_INTERPOLATION = { "linear": PIL.Image.Resampling.BILINEAR, "bilinear": PIL.Image.Resampling.BILINEAR, "bicubic": PIL.Image.Resampling.BICUBIC, "lanczos": PIL.Image.Resampling.LANCZOS, "nearest": PIL.Image.Resampling.NEAREST, } else: PIL_INTERPOLATION = { "linear": PIL.Image.LINEAR, "bilinear": PIL.Image.BILINEAR, "bicubic": PIL.Image.BICUBIC, "lanczos": PIL.Image.LANCZOS, "nearest": PIL.Image.NEAREST, } # ------------------------------------------------------------------------------ logger = logging.get_logger(__name__) # pylint: disable=invalid-name re_attention = re.compile( r""" \\\(| \\\)| \\\[| \\]| \\\\| \\| \(| \[| :([+-]?[.\d]+)\)| \)| ]| [^\\()\[\]:]+| : """, re.X, ) def parse_prompt_attention(text): """ Parses a string with attention tokens and returns a list of pairs: text and its associated weight. Accepted tokens are: (abc) - increases attention to abc by a multiplier of 1.1 (abc:3.12) - increases attention to abc by a multiplier of 3.12 [abc] - decreases attention to abc by a multiplier of 1.1 \( - literal character '(' \[ - literal character '[' \) - literal character ')' \] - literal character ']' \\ - literal character '\' anything else - just text >>> parse_prompt_attention('normal text') [['normal text', 1.0]] >>> parse_prompt_attention('an (important) word') [['an ', 1.0], ['important', 1.1], [' word', 1.0]] >>> parse_prompt_attention('(unbalanced') [['unbalanced', 1.1]] >>> parse_prompt_attention('\(literal\]') [['(literal]', 1.0]] >>> parse_prompt_attention('(unnecessary)(parens)') [['unnecessaryparens', 1.1]] >>> parse_prompt_attention('a (((house:1.3)) [on] a (hill:0.5), sun, (((sky))).') [['a ', 1.0], ['house', 1.5730000000000004], [' ', 1.1], ['on', 1.0], [' a ', 1.1], ['hill', 0.55], [', sun, ', 1.1], ['sky', 1.4641000000000006], ['.', 1.1]] """ res = [] round_brackets = [] square_brackets = [] round_bracket_multiplier = 1.1 square_bracket_multiplier = 1 / 1.1 def multiply_range(start_position, multiplier): for p in range(start_position, len(res)): res[p][1] *= multiplier for m in re_attention.finditer(text): text = m.group(0) weight = m.group(1) if text.startswith("\\"): res.append([text[1:], 1.0]) elif text == "(": round_brackets.append(len(res)) elif text == "[": square_brackets.append(len(res)) elif weight is not None and len(round_brackets) > 0: multiply_range(round_brackets.pop(), float(weight)) elif text == ")" and len(round_brackets) > 0: multiply_range(round_brackets.pop(), round_bracket_multiplier) elif text == "]" and len(square_brackets) > 0: multiply_range(square_brackets.pop(), square_bracket_multiplier) else: res.append([text, 1.0]) for pos in round_brackets: multiply_range(pos, round_bracket_multiplier) for pos in square_brackets: multiply_range(pos, square_bracket_multiplier) if len(res) == 0: res = [["", 1.0]] # merge runs of identical weights i = 0 while i + 1 < len(res): if res[i][1] == res[i + 1][1]: res[i][0] += res[i + 1][0] res.pop(i + 1) else: i += 1 return res def get_prompts_with_weights(pipe: StableDiffusionPipeline, prompt: List[str], max_length: int): r""" Tokenize a list of prompts and return its tokens with weights of each token. No padding, starting or ending token is included. """ tokens = [] weights = [] truncated = False for text in prompt: texts_and_weights = parse_prompt_attention(text) text_token = [] text_weight = [] for word, weight in texts_and_weights: # tokenize and discard the starting and the ending token token = pipe.tokenizer(word).input_ids[1:-1] text_token += token # copy the weight by length of token text_weight += [weight] * len(token) # stop if the text is too long (longer than truncation limit) if len(text_token) > max_length: truncated = True break # truncate if len(text_token) > max_length: truncated = True text_token = text_token[:max_length] text_weight = text_weight[:max_length] tokens.append(text_token) weights.append(text_weight) if truncated: logger.warning("Prompt was truncated. Try to shorten the prompt or increase max_embeddings_multiples") return tokens, weights def pad_tokens_and_weights(tokens, weights, max_length, bos, eos, pad, no_boseos_middle=True, chunk_length=77): r""" Pad the tokens (with starting and ending tokens) and weights (with 1.0) to max_length. """ max_embeddings_multiples = (max_length - 2) // (chunk_length - 2) weights_length = max_length if no_boseos_middle else max_embeddings_multiples * chunk_length for i in range(len(tokens)): tokens[i] = [bos] + tokens[i] + [eos] + [pad] * (max_length - 2 - len(tokens[i])) if no_boseos_middle: weights[i] = [1.0] + weights[i] + [1.0] * (max_length - 1 - len(weights[i])) else: w = [] if len(weights[i]) == 0: w = [1.0] * weights_length else: for j in range(max_embeddings_multiples): w.append(1.0) # weight for starting token in this chunk w += weights[i][j * (chunk_length - 2) : min(len(weights[i]), (j + 1) * (chunk_length - 2))] w.append(1.0) # weight for ending token in this chunk w += [1.0] * (weights_length - len(w)) weights[i] = w[:] return tokens, weights def get_hidden_states(text_encoder, input_ids, is_sdxl_text_encoder2: bool, eos_token_id, device): if not is_sdxl_text_encoder2: # text_encoder1: same as SD1/2 enc_out = text_encoder(input_ids.to(text_encoder.device), output_hidden_states=True, return_dict=True) hidden_states = enc_out["hidden_states"][11] pool = None else: # text_encoder2 enc_out = text_encoder(input_ids.to(text_encoder.device), output_hidden_states=True, return_dict=True) hidden_states = enc_out["hidden_states"][-2] # penuultimate layer # pool = enc_out["text_embeds"] pool = train_util.pool_workaround(text_encoder, enc_out["last_hidden_state"], input_ids, eos_token_id) hidden_states = hidden_states.to(device) if pool is not None: pool = pool.to(device) return hidden_states, pool def get_unweighted_text_embeddings( pipe: StableDiffusionPipeline, text_input: torch.Tensor, chunk_length: int, clip_skip: int, eos: int, pad: int, is_sdxl_text_encoder2: bool, no_boseos_middle: Optional[bool] = True, ): """ When the length of tokens is a multiple of the capacity of the text encoder, it should be split into chunks and sent to the text encoder individually. """ max_embeddings_multiples = (text_input.shape[1] - 2) // (chunk_length - 2) text_pool = None if max_embeddings_multiples > 1: text_embeddings = [] for i in range(max_embeddings_multiples): # extract the i-th chunk text_input_chunk = text_input[:, i * (chunk_length - 2) : (i + 1) * (chunk_length - 2) + 2].clone() # cover the head and the tail by the starting and the ending tokens text_input_chunk[:, 0] = text_input[0, 0] if pad == eos: # v1 text_input_chunk[:, -1] = text_input[0, -1] else: # v2 for j in range(len(text_input_chunk)): if text_input_chunk[j, -1] != eos and text_input_chunk[j, -1] != pad: # 最後に普通の文字がある text_input_chunk[j, -1] = eos if text_input_chunk[j, 1] == pad: # BOSだけであとはPAD text_input_chunk[j, 1] = eos text_embedding, current_text_pool = get_hidden_states( pipe.text_encoder, text_input_chunk, is_sdxl_text_encoder2, eos, pipe.device ) if text_pool is None: text_pool = current_text_pool if no_boseos_middle: if i == 0: # discard the ending token text_embedding = text_embedding[:, :-1] elif i == max_embeddings_multiples - 1: # discard the starting token text_embedding = text_embedding[:, 1:] else: # discard both starting and ending tokens text_embedding = text_embedding[:, 1:-1] text_embeddings.append(text_embedding) text_embeddings = torch.concat(text_embeddings, axis=1) else: text_embeddings, text_pool = get_hidden_states(pipe.text_encoder, text_input, is_sdxl_text_encoder2, eos, pipe.device) return text_embeddings, text_pool def get_weighted_text_embeddings( pipe, # : SdxlStableDiffusionLongPromptWeightingPipeline, prompt: Union[str, List[str]], uncond_prompt: Optional[Union[str, List[str]]] = None, max_embeddings_multiples: Optional[int] = 3, no_boseos_middle: Optional[bool] = False, skip_parsing: Optional[bool] = False, skip_weighting: Optional[bool] = False, clip_skip=None, is_sdxl_text_encoder2=False, ): r""" Prompts can be assigned with local weights using brackets. For example, prompt 'A (very beautiful) masterpiece' highlights the words 'very beautiful', and the embedding tokens corresponding to the words get multiplied by a constant, 1.1. Also, to regularize of the embedding, the weighted embedding would be scaled to preserve the original mean. Args: pipe (`StableDiffusionPipeline`): Pipe to provide access to the tokenizer and the text encoder. prompt (`str` or `List[str]`): The prompt or prompts to guide the image generation. uncond_prompt (`str` or `List[str]`): The unconditional prompt or prompts for guide the image generation. If unconditional prompt is provided, the embeddings of prompt and uncond_prompt are concatenated. max_embeddings_multiples (`int`, *optional*, defaults to `3`): The max multiple length of prompt embeddings compared to the max output length of text encoder. no_boseos_middle (`bool`, *optional*, defaults to `False`): If the length of text token is multiples of the capacity of text encoder, whether reserve the starting and ending token in each of the chunk in the middle. skip_parsing (`bool`, *optional*, defaults to `False`): Skip the parsing of brackets. skip_weighting (`bool`, *optional*, defaults to `False`): Skip the weighting. When the parsing is skipped, it is forced True. """ max_length = (pipe.tokenizer.model_max_length - 2) * max_embeddings_multiples + 2 if isinstance(prompt, str): prompt = [prompt] if not skip_parsing: prompt_tokens, prompt_weights = get_prompts_with_weights(pipe, prompt, max_length - 2) if uncond_prompt is not None: if isinstance(uncond_prompt, str): uncond_prompt = [uncond_prompt] uncond_tokens, uncond_weights = get_prompts_with_weights(pipe, uncond_prompt, max_length - 2) else: prompt_tokens = [token[1:-1] for token in pipe.tokenizer(prompt, max_length=max_length, truncation=True).input_ids] prompt_weights = [[1.0] * len(token) for token in prompt_tokens] if uncond_prompt is not None: if isinstance(uncond_prompt, str): uncond_prompt = [uncond_prompt] uncond_tokens = [ token[1:-1] for token in pipe.tokenizer(uncond_prompt, max_length=max_length, truncation=True).input_ids ] uncond_weights = [[1.0] * len(token) for token in uncond_tokens] # round up the longest length of tokens to a multiple of (model_max_length - 2) max_length = max([len(token) for token in prompt_tokens]) if uncond_prompt is not None: max_length = max(max_length, max([len(token) for token in uncond_tokens])) max_embeddings_multiples = min( max_embeddings_multiples, (max_length - 1) // (pipe.tokenizer.model_max_length - 2) + 1, ) max_embeddings_multiples = max(1, max_embeddings_multiples) max_length = (pipe.tokenizer.model_max_length - 2) * max_embeddings_multiples + 2 # pad the length of tokens and weights bos = pipe.tokenizer.bos_token_id eos = pipe.tokenizer.eos_token_id pad = pipe.tokenizer.pad_token_id prompt_tokens, prompt_weights = pad_tokens_and_weights( prompt_tokens, prompt_weights, max_length, bos, eos, pad, no_boseos_middle=no_boseos_middle, chunk_length=pipe.tokenizer.model_max_length, ) prompt_tokens = torch.tensor(prompt_tokens, dtype=torch.long, device=pipe.device) if uncond_prompt is not None: uncond_tokens, uncond_weights = pad_tokens_and_weights( uncond_tokens, uncond_weights, max_length, bos, eos, pad, no_boseos_middle=no_boseos_middle, chunk_length=pipe.tokenizer.model_max_length, ) uncond_tokens = torch.tensor(uncond_tokens, dtype=torch.long, device=pipe.device) # get the embeddings text_embeddings, text_pool = get_unweighted_text_embeddings( pipe, prompt_tokens, pipe.tokenizer.model_max_length, clip_skip, eos, pad, is_sdxl_text_encoder2, no_boseos_middle=no_boseos_middle, ) prompt_weights = torch.tensor(prompt_weights, dtype=text_embeddings.dtype, device=pipe.device) if uncond_prompt is not None: uncond_embeddings, uncond_pool = get_unweighted_text_embeddings( pipe, uncond_tokens, pipe.tokenizer.model_max_length, clip_skip, eos, pad, is_sdxl_text_encoder2, no_boseos_middle=no_boseos_middle, ) uncond_weights = torch.tensor(uncond_weights, dtype=uncond_embeddings.dtype, device=pipe.device) # assign weights to the prompts and normalize in the sense of mean # TODO: should we normalize by chunk or in a whole (current implementation)? if (not skip_parsing) and (not skip_weighting): previous_mean = text_embeddings.float().mean(axis=[-2, -1]).to(text_embeddings.dtype) text_embeddings *= prompt_weights.unsqueeze(-1) current_mean = text_embeddings.float().mean(axis=[-2, -1]).to(text_embeddings.dtype) text_embeddings *= (previous_mean / current_mean).unsqueeze(-1).unsqueeze(-1) if uncond_prompt is not None: previous_mean = uncond_embeddings.float().mean(axis=[-2, -1]).to(uncond_embeddings.dtype) uncond_embeddings *= uncond_weights.unsqueeze(-1) current_mean = uncond_embeddings.float().mean(axis=[-2, -1]).to(uncond_embeddings.dtype) uncond_embeddings *= (previous_mean / current_mean).unsqueeze(-1).unsqueeze(-1) if uncond_prompt is not None: return text_embeddings, text_pool, uncond_embeddings, uncond_pool return text_embeddings, text_pool, None, None def preprocess_image(image): w, h = image.size w, h = map(lambda x: x - x % 32, (w, h)) # resize to integer multiple of 32 image = image.resize((w, h), resample=PIL_INTERPOLATION["lanczos"]) image = np.array(image).astype(np.float32) / 255.0 image = image[None].transpose(0, 3, 1, 2) image = torch.from_numpy(image) return 2.0 * image - 1.0 def preprocess_mask(mask, scale_factor=8): mask = mask.convert("L") w, h = mask.size w, h = map(lambda x: x - x % 32, (w, h)) # resize to integer multiple of 32 mask = mask.resize((w // scale_factor, h // scale_factor), resample=PIL_INTERPOLATION["nearest"]) mask = np.array(mask).astype(np.float32) / 255.0 mask = np.tile(mask, (4, 1, 1)) mask = mask[None].transpose(0, 1, 2, 3) # what does this step do? mask = 1 - mask # repaint white, keep black mask = torch.from_numpy(mask) return mask def prepare_controlnet_image( image: PIL.Image.Image, width: int, height: int, batch_size: int, num_images_per_prompt: int, device: torch.device, dtype: torch.dtype, do_classifier_free_guidance: bool = False, guess_mode: bool = False, ): if not isinstance(image, torch.Tensor): if isinstance(image, PIL.Image.Image): image = [image] if isinstance(image[0], PIL.Image.Image): images = [] for image_ in image: image_ = image_.convert("RGB") image_ = image_.resize((width, height), resample=PIL_INTERPOLATION["lanczos"]) image_ = np.array(image_) image_ = image_[None, :] images.append(image_) image = images image = np.concatenate(image, axis=0) image = np.array(image).astype(np.float32) / 255.0 image = image.transpose(0, 3, 1, 2) image = torch.from_numpy(image) elif isinstance(image[0], torch.Tensor): image = torch.cat(image, dim=0) image_batch_size = image.shape[0] if image_batch_size == 1: repeat_by = batch_size else: # image batch size is the same as prompt batch size repeat_by = num_images_per_prompt image = image.repeat_interleave(repeat_by, dim=0) image = image.to(device=device, dtype=dtype) if do_classifier_free_guidance and not guess_mode: image = torch.cat([image] * 2) return image class SdxlStableDiffusionLongPromptWeightingPipeline: r""" Pipeline for text-to-image generation using Stable Diffusion without tokens length limit, and support parsing weighting in prompt. This model inherits from [`DiffusionPipeline`]. Check the superclass documentation for the generic methods the library implements for all the pipelines (such as downloading or saving, running on a particular device, etc.) Args: vae ([`AutoencoderKL`]): Variational Auto-Encoder (VAE) Model to encode and decode images to and from latent representations. text_encoder ([`CLIPTextModel`]): Frozen text-encoder. Stable Diffusion uses the text portion of [CLIP](https://huggingface.co/docs/transformers/model_doc/clip#transformers.CLIPTextModel), specifically the [clip-vit-large-patch14](https://huggingface.co/openai/clip-vit-large-patch14) variant. tokenizer (`CLIPTokenizer`): Tokenizer of class [CLIPTokenizer](https://huggingface.co/docs/transformers/v4.21.0/en/model_doc/clip#transformers.CLIPTokenizer). unet ([`UNet2DConditionModel`]): Conditional U-Net architecture to denoise the encoded image latents. scheduler ([`SchedulerMixin`]): A scheduler to be used in combination with `unet` to denoise the encoded image latents. Can be one of [`DDIMScheduler`], [`LMSDiscreteScheduler`], or [`PNDMScheduler`]. safety_checker ([`StableDiffusionSafetyChecker`]): Classification module that estimates whether generated images could be considered offensive or harmful. Please, refer to the [model card](https://huggingface.co/CompVis/stable-diffusion-v1-4) for details. feature_extractor ([`CLIPFeatureExtractor`]): Model that extracts features from generated images to be used as inputs for the `safety_checker`. """ # if version.parse(version.parse(diffusers.__version__).base_version) >= version.parse("0.9.0"): def __init__( self, vae: AutoencoderKL, text_encoder: List[CLIPTextModel], tokenizer: List[CLIPTokenizer], unet: Union[sdxl_original_unet.SdxlUNet2DConditionModel, sdxl_original_control_net.SdxlControlledUNet], scheduler: SchedulerMixin, # clip_skip: int, safety_checker: StableDiffusionSafetyChecker, feature_extractor: CLIPFeatureExtractor, requires_safety_checker: bool = True, clip_skip: int = 1, ): # clip skip is ignored currently self.tokenizer = tokenizer[0] self.text_encoder = text_encoder[0] self.unet = unet self.scheduler = scheduler self.safety_checker = safety_checker self.feature_extractor = feature_extractor self.requires_safety_checker = requires_safety_checker self.vae = vae self.vae_scale_factor = 2 ** (len(self.vae.config.block_out_channels) - 1) self.progress_bar = lambda x: tqdm(x, leave=False) self.clip_skip = clip_skip self.tokenizers = tokenizer self.text_encoders = text_encoder # self.__init__additional__() # def __init__additional__(self): # if not hasattr(self, "vae_scale_factor"): # setattr(self, "vae_scale_factor", 2 ** (len(self.vae.config.block_out_channels) - 1)) def to(self, device=None, dtype=None): if device is not None: self.device = device # self.vae.to(device=self.device) if dtype is not None: self.dtype = dtype # do not move Text Encoders to device, because Text Encoder should be on CPU @property def _execution_device(self): r""" Returns the device on which the pipeline's models will be executed. After calling `pipeline.enable_sequential_cpu_offload()` the execution device can only be inferred from Accelerate's module hooks. """ if self.device != torch.device("meta") or not hasattr(self.unet, "_hf_hook"): return self.device for module in self.unet.modules(): if ( hasattr(module, "_hf_hook") and hasattr(module._hf_hook, "execution_device") and module._hf_hook.execution_device is not None ): return torch.device(module._hf_hook.execution_device) return self.device def check_inputs(self, prompt, height, width, strength, callback_steps): if not isinstance(prompt, str) and not isinstance(prompt, list): raise ValueError(f"`prompt` has to be of type `str` or `list` but is {type(prompt)}") if strength < 0 or strength > 1: raise ValueError(f"The value of strength should in [0.0, 1.0] but is {strength}") if height % 8 != 0 or width % 8 != 0: raise ValueError(f"`height` and `width` have to be divisible by 8 but are {height} and {width}.") if (callback_steps is None) or ( callback_steps is not None and (not isinstance(callback_steps, int) or callback_steps <= 0) ): raise ValueError( f"`callback_steps` has to be a positive integer but is {callback_steps} of type" f" {type(callback_steps)}." ) def get_timesteps(self, num_inference_steps, strength, device, is_text2img): if is_text2img: return self.scheduler.timesteps.to(device), num_inference_steps else: # get the original timestep using init_timestep offset = self.scheduler.config.get("steps_offset", 0) init_timestep = int(num_inference_steps * strength) + offset init_timestep = min(init_timestep, num_inference_steps) t_start = max(num_inference_steps - init_timestep + offset, 0) timesteps = self.scheduler.timesteps[t_start:].to(device) return timesteps, num_inference_steps - t_start def run_safety_checker(self, image, device, dtype): if self.safety_checker is not None: safety_checker_input = self.feature_extractor(self.numpy_to_pil(image), return_tensors="pt").to(device) image, has_nsfw_concept = self.safety_checker(images=image, clip_input=safety_checker_input.pixel_values.to(dtype)) else: has_nsfw_concept = None return image, has_nsfw_concept def decode_latents(self, latents): with torch.no_grad(): latents = 1 / sdxl_model_util.VAE_SCALE_FACTOR * latents # print("post_quant_conv dtype:", self.vae.post_quant_conv.weight.dtype) # torch.float32 # x = torch.nn.functional.conv2d(latents, self.vae.post_quant_conv.weight.detach(), stride=1, padding=0) # print("latents dtype:", latents.dtype, "x dtype:", x.dtype) # torch.float32, torch.float16 # self.vae.to("cpu") # self.vae.set_use_memory_efficient_attention_xformers(False) # image = self.vae.decode(latents.to("cpu")).sample image = self.vae.decode(latents.to(self.vae.dtype)).sample image = (image / 2 + 0.5).clamp(0, 1) # we always cast to float32 as this does not cause significant overhead and is compatible with bfloat16 image = image.cpu().permute(0, 2, 3, 1).float().numpy() return image def prepare_extra_step_kwargs(self, generator, eta): # prepare extra kwargs for the scheduler step, since not all schedulers have the same signature # eta (η) is only used with the DDIMScheduler, it will be ignored for other schedulers. # eta corresponds to η in DDIM paper: https://arxiv.org/abs/2010.02502 # and should be between [0, 1] accepts_eta = "eta" in set(inspect.signature(self.scheduler.step).parameters.keys()) extra_step_kwargs = {} if accepts_eta: extra_step_kwargs["eta"] = eta # check if the scheduler accepts generator accepts_generator = "generator" in set(inspect.signature(self.scheduler.step).parameters.keys()) if accepts_generator: extra_step_kwargs["generator"] = generator return extra_step_kwargs def prepare_latents(self, image, timestep, batch_size, height, width, dtype, device, generator, latents=None): if image is None: shape = ( batch_size, self.unet.in_channels, height // self.vae_scale_factor, width // self.vae_scale_factor, ) if latents is None: if device.type == "mps": # randn does not work reproducibly on mps latents = torch.randn(shape, generator=generator, device="cpu", dtype=dtype).to(device) else: latents = torch.randn(shape, generator=generator, device=device, dtype=dtype) else: if latents.shape != shape: raise ValueError(f"Unexpected latents shape, got {latents.shape}, expected {shape}") latents = latents.to(device) # scale the initial noise by the standard deviation required by the scheduler latents = latents * self.scheduler.init_noise_sigma return latents, None, None else: init_latent_dist = self.vae.encode(image).latent_dist init_latents = init_latent_dist.sample(generator=generator) init_latents = sdxl_model_util.VAE_SCALE_FACTOR * init_latents init_latents = torch.cat([init_latents] * batch_size, dim=0) init_latents_orig = init_latents shape = init_latents.shape # add noise to latents using the timesteps if device.type == "mps": noise = torch.randn(shape, generator=generator, device="cpu", dtype=dtype).to(device) else: noise = torch.randn(shape, generator=generator, device=device, dtype=dtype) latents = self.scheduler.add_noise(init_latents, noise, timestep) return latents, init_latents_orig, noise @torch.no_grad() def __call__( self, prompt: Union[str, List[str]], negative_prompt: Optional[Union[str, List[str]]] = None, image: Union[torch.FloatTensor, PIL.Image.Image] = None, mask_image: Union[torch.FloatTensor, PIL.Image.Image] = None, height: int = 512, width: int = 512, num_inference_steps: int = 50, guidance_scale: float = 7.5, strength: float = 0.8, num_images_per_prompt: Optional[int] = 1, eta: float = 0.0, generator: Optional[torch.Generator] = None, latents: Optional[torch.FloatTensor] = None, max_embeddings_multiples: Optional[int] = 3, output_type: Optional[str] = "pil", return_dict: bool = True, controlnet: sdxl_original_control_net.SdxlControlNet = None, controlnet_image=None, callback: Optional[Callable[[int, int, torch.FloatTensor], None]] = None, is_cancelled_callback: Optional[Callable[[], bool]] = None, callback_steps: int = 1, ): r""" Function invoked when calling the pipeline for generation. Args: prompt (`str` or `List[str]`): The prompt or prompts to guide the image generation. negative_prompt (`str` or `List[str]`, *optional*): The prompt or prompts not to guide the image generation. Ignored when not using guidance (i.e., ignored if `guidance_scale` is less than `1`). image (`torch.FloatTensor` or `PIL.Image.Image`): `Image`, or tensor representing an image batch, that will be used as the starting point for the process. mask_image (`torch.FloatTensor` or `PIL.Image.Image`): `Image`, or tensor representing an image batch, to mask `image`. White pixels in the mask will be replaced by noise and therefore repainted, while black pixels will be preserved. If `mask_image` is a PIL image, it will be converted to a single channel (luminance) before use. If it's a tensor, it should contain one color channel (L) instead of 3, so the expected shape would be `(B, H, W, 1)`. height (`int`, *optional*, defaults to 512): The height in pixels of the generated image. width (`int`, *optional*, defaults to 512): The width in pixels of the generated image. num_inference_steps (`int`, *optional*, defaults to 50): The number of denoising steps. More denoising steps usually lead to a higher quality image at the expense of slower inference. guidance_scale (`float`, *optional*, defaults to 7.5): Guidance scale as defined in [Classifier-Free Diffusion Guidance](https://arxiv.org/abs/2207.12598). `guidance_scale` is defined as `w` of equation 2. of [Imagen Paper](https://arxiv.org/pdf/2205.11487.pdf). Guidance scale is enabled by setting `guidance_scale > 1`. Higher guidance scale encourages to generate images that are closely linked to the text `prompt`, usually at the expense of lower image quality. strength (`float`, *optional*, defaults to 0.8): Conceptually, indicates how much to transform the reference `image`. Must be between 0 and 1. `image` will be used as a starting point, adding more noise to it the larger the `strength`. The number of denoising steps depends on the amount of noise initially added. When `strength` is 1, added noise will be maximum and the denoising process will run for the full number of iterations specified in `num_inference_steps`. A value of 1, therefore, essentially ignores `image`. num_images_per_prompt (`int`, *optional*, defaults to 1): The number of images to generate per prompt. eta (`float`, *optional*, defaults to 0.0): Corresponds to parameter eta (η) in the DDIM paper: https://arxiv.org/abs/2010.02502. Only applies to [`schedulers.DDIMScheduler`], will be ignored for others. generator (`torch.Generator`, *optional*): A [torch generator](https://pytorch.org/docs/stable/generated/torch.Generator.html) to make generation deterministic. latents (`torch.FloatTensor`, *optional*): Pre-generated noisy latents, sampled from a Gaussian distribution, to be used as inputs for image generation. Can be used to tweak the same generation with different prompts. If not provided, a latents tensor will ge generated by sampling using the supplied random `generator`. max_embeddings_multiples (`int`, *optional*, defaults to `3`): The max multiple length of prompt embeddings compared to the max output length of text encoder. output_type (`str`, *optional*, defaults to `"pil"`): The output format of the generate image. Choose between [PIL](https://pillow.readthedocs.io/en/stable/): `PIL.Image.Image` or `np.array`. return_dict (`bool`, *optional*, defaults to `True`): Whether or not to return a [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] instead of a plain tuple. controlnet (`diffusers.ControlNetModel`, *optional*): A controlnet model to be used for the inference. If not provided, controlnet will be disabled. controlnet_image (`torch.FloatTensor` or `PIL.Image.Image`, *optional*): `Image`, or tensor representing an image batch, to be used as the starting point for the controlnet inference. callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. The function will be called with the following arguments: `callback(step: int, timestep: int, latents: torch.FloatTensor)`. is_cancelled_callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. If the function returns `True`, the inference will be cancelled. callback_steps (`int`, *optional*, defaults to 1): The frequency at which the `callback` function will be called. If not specified, the callback will be called at every step. Returns: `None` if cancelled by `is_cancelled_callback`, [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] or `tuple`: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] if `return_dict` is True, otherwise a `tuple. When returning a tuple, the first element is a list with the generated images, and the second element is a list of `bool`s denoting whether the corresponding generated image likely represents "not-safe-for-work" (nsfw) content, according to the `safety_checker`. """ if controlnet is not None and controlnet_image is None: raise ValueError("controlnet_image must be provided if controlnet is not None.") # 0. Default height and width to unet height = height or self.unet.config.sample_size * self.vae_scale_factor width = width or self.unet.config.sample_size * self.vae_scale_factor # 1. Check inputs. Raise error if not correct self.check_inputs(prompt, height, width, strength, callback_steps) # 2. Define call parameters batch_size = 1 if isinstance(prompt, str) else len(prompt) device = self._execution_device # here `guidance_scale` is defined analog to the guidance weight `w` of equation (2) # of the Imagen paper: https://arxiv.org/pdf/2205.11487.pdf . `guidance_scale = 1` # corresponds to doing no classifier free guidance. do_classifier_free_guidance = guidance_scale > 1.0 # 3. Encode input prompt tokenize_strategy: strategy_sdxl.SdxlTokenizeStrategy = strategy_base.TokenizeStrategy.get_strategy() encoding_strategy: strategy_sdxl.SdxlTextEncodingStrategy = strategy_base.TextEncodingStrategy.get_strategy() text_input_ids, text_weights = tokenize_strategy.tokenize_with_weights(prompt) hidden_states_1, hidden_states_2, text_pool = encoding_strategy.encode_tokens_with_weights( tokenize_strategy, self.text_encoders, text_input_ids, text_weights ) text_embeddings = torch.cat([hidden_states_1, hidden_states_2], dim=-1) if do_classifier_free_guidance: input_ids, weights = tokenize_strategy.tokenize_with_weights(negative_prompt or "") hidden_states_1, hidden_states_2, uncond_pool = encoding_strategy.encode_tokens_with_weights( tokenize_strategy, self.text_encoders, input_ids, weights ) uncond_embeddings = torch.cat([hidden_states_1, hidden_states_2], dim=-1) else: uncond_embeddings = None uncond_pool = None unet_dtype = self.unet.dtype dtype = unet_dtype if hasattr(dtype, "itemsize") and dtype.itemsize == 1: # fp8 dtype = torch.float16 self.unet.to(dtype) # 4. Preprocess image and mask if isinstance(image, PIL.Image.Image): image = preprocess_image(image) if image is not None: image = image.to(device=self.device, dtype=dtype) if isinstance(mask_image, PIL.Image.Image): mask_image = preprocess_mask(mask_image, self.vae_scale_factor) if mask_image is not None: mask = mask_image.to(device=self.device, dtype=dtype) mask = torch.cat([mask] * batch_size * num_images_per_prompt) else: mask = None # ControlNet is not working yet in SDXL, but keep the code here for future use if controlnet_image is not None: controlnet_image = prepare_controlnet_image( controlnet_image, width, height, batch_size, 1, self.device, controlnet.dtype, do_classifier_free_guidance, False ) # 5. set timesteps self.scheduler.set_timesteps(num_inference_steps, device=device) timesteps, num_inference_steps = self.get_timesteps(num_inference_steps, strength, device, image is None) latent_timestep = timesteps[:1].repeat(batch_size * num_images_per_prompt) # 6. Prepare latent variables latents, init_latents_orig, noise = self.prepare_latents( image, latent_timestep, batch_size * num_images_per_prompt, height, width, dtype, device, generator, latents, ) # 7. Prepare extra step kwargs. TODO: Logic should ideally just be moved out of the pipeline extra_step_kwargs = self.prepare_extra_step_kwargs(generator, eta) # create size embs and concat embeddings for SDXL orig_size = torch.tensor([height, width]).repeat(batch_size * num_images_per_prompt, 1).to(device, dtype) crop_size = torch.zeros_like(orig_size) target_size = orig_size embs = sdxl_train_util.get_size_embeddings(orig_size, crop_size, target_size, device).to(device, dtype) # make conditionings text_pool = text_pool.to(device, dtype) if do_classifier_free_guidance: text_embedding = torch.cat([uncond_embeddings, text_embeddings]).to(device, dtype) uncond_pool = uncond_pool.to(device, dtype) cond_vector = torch.cat([text_pool, embs], dim=1).to(dtype) uncond_vector = torch.cat([uncond_pool, embs], dim=1).to(dtype) vector_embedding = torch.cat([uncond_vector, cond_vector]) else: text_embedding = text_embeddings.to(device, dtype) vector_embedding = torch.cat([text_pool, embs], dim=1) # 8. Denoising loop for i, t in enumerate(self.progress_bar(timesteps)): # expand the latents if we are doing classifier free guidance latent_model_input = torch.cat([latents] * 2) if do_classifier_free_guidance else latents latent_model_input = self.scheduler.scale_model_input(latent_model_input, t) # FIXME SD1 ControlNet is not working # predict the noise residual if controlnet is not None: input_resi_add, mid_add = controlnet(latent_model_input, t, text_embedding, vector_embedding, controlnet_image) noise_pred = self.unet(latent_model_input, t, text_embedding, vector_embedding, input_resi_add, mid_add) else: noise_pred = self.unet(latent_model_input, t, text_embedding, vector_embedding) noise_pred = noise_pred.to(dtype) # U-Net changes dtype in LoRA training # perform guidance if do_classifier_free_guidance: noise_pred_uncond, noise_pred_text = noise_pred.chunk(2) noise_pred = noise_pred_uncond + guidance_scale * (noise_pred_text - noise_pred_uncond) # compute the previous noisy sample x_t -> x_t-1 latents = self.scheduler.step(noise_pred, t, latents, **extra_step_kwargs).prev_sample if mask is not None: # masking init_latents_proper = self.scheduler.add_noise(init_latents_orig, noise, torch.tensor([t])) latents = (init_latents_proper * mask) + (latents * (1 - mask)) # call the callback, if provided if i % callback_steps == 0: if callback is not None: callback(i, t, latents) if is_cancelled_callback is not None and is_cancelled_callback(): return None self.unet.to(unet_dtype) return latents def latents_to_image(self, latents): # 9. Post-processing image = self.decode_latents(latents.to(self.vae.dtype)) image = self.numpy_to_pil(image) return image # copy from pil_utils.py def numpy_to_pil(self, images: np.ndarray) -> Image.Image: """ Convert a numpy image or a batch of images to a PIL image. """ if images.ndim == 3: images = images[None, ...] images = (images * 255).round().astype("uint8") if images.shape[-1] == 1: # special case for grayscale (single channel) images pil_images = [Image.fromarray(image.squeeze(), mode="L") for image in images] else: pil_images = [Image.fromarray(image) for image in images] return pil_images def text2img( self, prompt: Union[str, List[str]], negative_prompt: Optional[Union[str, List[str]]] = None, height: int = 512, width: int = 512, num_inference_steps: int = 50, guidance_scale: float = 7.5, num_images_per_prompt: Optional[int] = 1, eta: float = 0.0, generator: Optional[torch.Generator] = None, latents: Optional[torch.FloatTensor] = None, max_embeddings_multiples: Optional[int] = 3, output_type: Optional[str] = "pil", return_dict: bool = True, callback: Optional[Callable[[int, int, torch.FloatTensor], None]] = None, is_cancelled_callback: Optional[Callable[[], bool]] = None, callback_steps: int = 1, ): r""" Function for text-to-image generation. Args: prompt (`str` or `List[str]`): The prompt or prompts to guide the image generation. negative_prompt (`str` or `List[str]`, *optional*): The prompt or prompts not to guide the image generation. Ignored when not using guidance (i.e., ignored if `guidance_scale` is less than `1`). height (`int`, *optional*, defaults to 512): The height in pixels of the generated image. width (`int`, *optional*, defaults to 512): The width in pixels of the generated image. num_inference_steps (`int`, *optional*, defaults to 50): The number of denoising steps. More denoising steps usually lead to a higher quality image at the expense of slower inference. guidance_scale (`float`, *optional*, defaults to 7.5): Guidance scale as defined in [Classifier-Free Diffusion Guidance](https://arxiv.org/abs/2207.12598). `guidance_scale` is defined as `w` of equation 2. of [Imagen Paper](https://arxiv.org/pdf/2205.11487.pdf). Guidance scale is enabled by setting `guidance_scale > 1`. Higher guidance scale encourages to generate images that are closely linked to the text `prompt`, usually at the expense of lower image quality. num_images_per_prompt (`int`, *optional*, defaults to 1): The number of images to generate per prompt. eta (`float`, *optional*, defaults to 0.0): Corresponds to parameter eta (η) in the DDIM paper: https://arxiv.org/abs/2010.02502. Only applies to [`schedulers.DDIMScheduler`], will be ignored for others. generator (`torch.Generator`, *optional*): A [torch generator](https://pytorch.org/docs/stable/generated/torch.Generator.html) to make generation deterministic. latents (`torch.FloatTensor`, *optional*): Pre-generated noisy latents, sampled from a Gaussian distribution, to be used as inputs for image generation. Can be used to tweak the same generation with different prompts. If not provided, a latents tensor will ge generated by sampling using the supplied random `generator`. max_embeddings_multiples (`int`, *optional*, defaults to `3`): The max multiple length of prompt embeddings compared to the max output length of text encoder. output_type (`str`, *optional*, defaults to `"pil"`): The output format of the generate image. Choose between [PIL](https://pillow.readthedocs.io/en/stable/): `PIL.Image.Image` or `np.array`. return_dict (`bool`, *optional*, defaults to `True`): Whether or not to return a [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] instead of a plain tuple. callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. The function will be called with the following arguments: `callback(step: int, timestep: int, latents: torch.FloatTensor)`. is_cancelled_callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. If the function returns `True`, the inference will be cancelled. callback_steps (`int`, *optional*, defaults to 1): The frequency at which the `callback` function will be called. If not specified, the callback will be called at every step. Returns: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] or `tuple`: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] if `return_dict` is True, otherwise a `tuple. When returning a tuple, the first element is a list with the generated images, and the second element is a list of `bool`s denoting whether the corresponding generated image likely represents "not-safe-for-work" (nsfw) content, according to the `safety_checker`. """ return self.__call__( prompt=prompt, negative_prompt=negative_prompt, height=height, width=width, num_inference_steps=num_inference_steps, guidance_scale=guidance_scale, num_images_per_prompt=num_images_per_prompt, eta=eta, generator=generator, latents=latents, max_embeddings_multiples=max_embeddings_multiples, output_type=output_type, return_dict=return_dict, callback=callback, is_cancelled_callback=is_cancelled_callback, callback_steps=callback_steps, ) def img2img( self, image: Union[torch.FloatTensor, PIL.Image.Image], prompt: Union[str, List[str]], negative_prompt: Optional[Union[str, List[str]]] = None, strength: float = 0.8, num_inference_steps: Optional[int] = 50, guidance_scale: Optional[float] = 7.5, num_images_per_prompt: Optional[int] = 1, eta: Optional[float] = 0.0, generator: Optional[torch.Generator] = None, max_embeddings_multiples: Optional[int] = 3, output_type: Optional[str] = "pil", return_dict: bool = True, callback: Optional[Callable[[int, int, torch.FloatTensor], None]] = None, is_cancelled_callback: Optional[Callable[[], bool]] = None, callback_steps: int = 1, ): r""" Function for image-to-image generation. Args: image (`torch.FloatTensor` or `PIL.Image.Image`): `Image`, or tensor representing an image batch, that will be used as the starting point for the process. prompt (`str` or `List[str]`): The prompt or prompts to guide the image generation. negative_prompt (`str` or `List[str]`, *optional*): The prompt or prompts not to guide the image generation. Ignored when not using guidance (i.e., ignored if `guidance_scale` is less than `1`). strength (`float`, *optional*, defaults to 0.8): Conceptually, indicates how much to transform the reference `image`. Must be between 0 and 1. `image` will be used as a starting point, adding more noise to it the larger the `strength`. The number of denoising steps depends on the amount of noise initially added. When `strength` is 1, added noise will be maximum and the denoising process will run for the full number of iterations specified in `num_inference_steps`. A value of 1, therefore, essentially ignores `image`. num_inference_steps (`int`, *optional*, defaults to 50): The number of denoising steps. More denoising steps usually lead to a higher quality image at the expense of slower inference. This parameter will be modulated by `strength`. guidance_scale (`float`, *optional*, defaults to 7.5): Guidance scale as defined in [Classifier-Free Diffusion Guidance](https://arxiv.org/abs/2207.12598). `guidance_scale` is defined as `w` of equation 2. of [Imagen Paper](https://arxiv.org/pdf/2205.11487.pdf). Guidance scale is enabled by setting `guidance_scale > 1`. Higher guidance scale encourages to generate images that are closely linked to the text `prompt`, usually at the expense of lower image quality. num_images_per_prompt (`int`, *optional*, defaults to 1): The number of images to generate per prompt. eta (`float`, *optional*, defaults to 0.0): Corresponds to parameter eta (η) in the DDIM paper: https://arxiv.org/abs/2010.02502. Only applies to [`schedulers.DDIMScheduler`], will be ignored for others. generator (`torch.Generator`, *optional*): A [torch generator](https://pytorch.org/docs/stable/generated/torch.Generator.html) to make generation deterministic. max_embeddings_multiples (`int`, *optional*, defaults to `3`): The max multiple length of prompt embeddings compared to the max output length of text encoder. output_type (`str`, *optional*, defaults to `"pil"`): The output format of the generate image. Choose between [PIL](https://pillow.readthedocs.io/en/stable/): `PIL.Image.Image` or `np.array`. return_dict (`bool`, *optional*, defaults to `True`): Whether or not to return a [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] instead of a plain tuple. callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. The function will be called with the following arguments: `callback(step: int, timestep: int, latents: torch.FloatTensor)`. is_cancelled_callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. If the function returns `True`, the inference will be cancelled. callback_steps (`int`, *optional*, defaults to 1): The frequency at which the `callback` function will be called. If not specified, the callback will be called at every step. Returns: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] or `tuple`: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] if `return_dict` is True, otherwise a `tuple. When returning a tuple, the first element is a list with the generated images, and the second element is a list of `bool`s denoting whether the corresponding generated image likely represents "not-safe-for-work" (nsfw) content, according to the `safety_checker`. """ return self.__call__( prompt=prompt, negative_prompt=negative_prompt, image=image, num_inference_steps=num_inference_steps, guidance_scale=guidance_scale, strength=strength, num_images_per_prompt=num_images_per_prompt, eta=eta, generator=generator, max_embeddings_multiples=max_embeddings_multiples, output_type=output_type, return_dict=return_dict, callback=callback, is_cancelled_callback=is_cancelled_callback, callback_steps=callback_steps, ) def inpaint( self, image: Union[torch.FloatTensor, PIL.Image.Image], mask_image: Union[torch.FloatTensor, PIL.Image.Image], prompt: Union[str, List[str]], negative_prompt: Optional[Union[str, List[str]]] = None, strength: float = 0.8, num_inference_steps: Optional[int] = 50, guidance_scale: Optional[float] = 7.5, num_images_per_prompt: Optional[int] = 1, eta: Optional[float] = 0.0, generator: Optional[torch.Generator] = None, max_embeddings_multiples: Optional[int] = 3, output_type: Optional[str] = "pil", return_dict: bool = True, callback: Optional[Callable[[int, int, torch.FloatTensor], None]] = None, is_cancelled_callback: Optional[Callable[[], bool]] = None, callback_steps: int = 1, ): r""" Function for inpaint. Args: image (`torch.FloatTensor` or `PIL.Image.Image`): `Image`, or tensor representing an image batch, that will be used as the starting point for the process. This is the image whose masked region will be inpainted. mask_image (`torch.FloatTensor` or `PIL.Image.Image`): `Image`, or tensor representing an image batch, to mask `image`. White pixels in the mask will be replaced by noise and therefore repainted, while black pixels will be preserved. If `mask_image` is a PIL image, it will be converted to a single channel (luminance) before use. If it's a tensor, it should contain one color channel (L) instead of 3, so the expected shape would be `(B, H, W, 1)`. prompt (`str` or `List[str]`): The prompt or prompts to guide the image generation. negative_prompt (`str` or `List[str]`, *optional*): The prompt or prompts not to guide the image generation. Ignored when not using guidance (i.e., ignored if `guidance_scale` is less than `1`). strength (`float`, *optional*, defaults to 0.8): Conceptually, indicates how much to inpaint the masked area. Must be between 0 and 1. When `strength` is 1, the denoising process will be run on the masked area for the full number of iterations specified in `num_inference_steps`. `image` will be used as a reference for the masked area, adding more noise to that region the larger the `strength`. If `strength` is 0, no inpainting will occur. num_inference_steps (`int`, *optional*, defaults to 50): The reference number of denoising steps. More denoising steps usually lead to a higher quality image at the expense of slower inference. This parameter will be modulated by `strength`, as explained above. guidance_scale (`float`, *optional*, defaults to 7.5): Guidance scale as defined in [Classifier-Free Diffusion Guidance](https://arxiv.org/abs/2207.12598). `guidance_scale` is defined as `w` of equation 2. of [Imagen Paper](https://arxiv.org/pdf/2205.11487.pdf). Guidance scale is enabled by setting `guidance_scale > 1`. Higher guidance scale encourages to generate images that are closely linked to the text `prompt`, usually at the expense of lower image quality. num_images_per_prompt (`int`, *optional*, defaults to 1): The number of images to generate per prompt. eta (`float`, *optional*, defaults to 0.0): Corresponds to parameter eta (η) in the DDIM paper: https://arxiv.org/abs/2010.02502. Only applies to [`schedulers.DDIMScheduler`], will be ignored for others. generator (`torch.Generator`, *optional*): A [torch generator](https://pytorch.org/docs/stable/generated/torch.Generator.html) to make generation deterministic. max_embeddings_multiples (`int`, *optional*, defaults to `3`): The max multiple length of prompt embeddings compared to the max output length of text encoder. output_type (`str`, *optional*, defaults to `"pil"`): The output format of the generate image. Choose between [PIL](https://pillow.readthedocs.io/en/stable/): `PIL.Image.Image` or `np.array`. return_dict (`bool`, *optional*, defaults to `True`): Whether or not to return a [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] instead of a plain tuple. callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. The function will be called with the following arguments: `callback(step: int, timestep: int, latents: torch.FloatTensor)`. is_cancelled_callback (`Callable`, *optional*): A function that will be called every `callback_steps` steps during inference. If the function returns `True`, the inference will be cancelled. callback_steps (`int`, *optional*, defaults to 1): The frequency at which the `callback` function will be called. If not specified, the callback will be called at every step. Returns: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] or `tuple`: [`~pipelines.stable_diffusion.StableDiffusionPipelineOutput`] if `return_dict` is True, otherwise a `tuple. When returning a tuple, the first element is a list with the generated images, and the second element is a list of `bool`s denoting whether the corresponding generated image likely represents "not-safe-for-work" (nsfw) content, according to the `safety_checker`. """ return self.__call__( prompt=prompt, negative_prompt=negative_prompt, image=image, mask_image=mask_image, num_inference_steps=num_inference_steps, guidance_scale=guidance_scale, strength=strength, num_images_per_prompt=num_images_per_prompt, eta=eta, generator=generator, max_embeddings_multiples=max_embeddings_multiples, output_type=output_type, return_dict=return_dict, callback=callback, is_cancelled_callback=is_cancelled_callback, callback_steps=callback_steps, ) ================================================ FILE: library/sdxl_model_util.py ================================================ import torch import safetensors from accelerate import init_empty_weights from accelerate.utils.modeling import set_module_tensor_to_device from safetensors.torch import load_file, save_file from transformers import CLIPTextModel, CLIPTextConfig, CLIPTextModelWithProjection, CLIPTokenizer from typing import List from diffusers import AutoencoderKL, EulerDiscreteScheduler, UNet2DConditionModel from library import model_util from library import sdxl_original_unet from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) VAE_SCALE_FACTOR = 0.13025 MODEL_VERSION_SDXL_BASE_V1_0 = "sdxl_base_v1-0" # Diffusersの設定を読み込むための参照モデル DIFFUSERS_REF_MODEL_ID_SDXL = "stabilityai/stable-diffusion-xl-base-1.0" DIFFUSERS_SDXL_UNET_CONFIG = { "act_fn": "silu", "addition_embed_type": "text_time", "addition_embed_type_num_heads": 64, "addition_time_embed_dim": 256, "attention_head_dim": [5, 10, 20], "block_out_channels": [320, 640, 1280], "center_input_sample": False, "class_embed_type": None, "class_embeddings_concat": False, "conv_in_kernel": 3, "conv_out_kernel": 3, "cross_attention_dim": 2048, "cross_attention_norm": None, "down_block_types": ["DownBlock2D", "CrossAttnDownBlock2D", "CrossAttnDownBlock2D"], "downsample_padding": 1, "dual_cross_attention": False, "encoder_hid_dim": None, "encoder_hid_dim_type": None, "flip_sin_to_cos": True, "freq_shift": 0, "in_channels": 4, "layers_per_block": 2, "mid_block_only_cross_attention": None, "mid_block_scale_factor": 1, "mid_block_type": "UNetMidBlock2DCrossAttn", "norm_eps": 1e-05, "norm_num_groups": 32, "num_attention_heads": None, "num_class_embeds": None, "only_cross_attention": False, "out_channels": 4, "projection_class_embeddings_input_dim": 2816, "resnet_out_scale_factor": 1.0, "resnet_skip_time_act": False, "resnet_time_scale_shift": "default", "sample_size": 128, "time_cond_proj_dim": None, "time_embedding_act_fn": None, "time_embedding_dim": None, "time_embedding_type": "positional", "timestep_post_act": None, "transformer_layers_per_block": [1, 2, 10], "up_block_types": ["CrossAttnUpBlock2D", "CrossAttnUpBlock2D", "UpBlock2D"], "upcast_attention": False, "use_linear_projection": True, } def convert_sdxl_text_encoder_2_checkpoint(checkpoint, max_length): SDXL_KEY_PREFIX = "conditioner.embedders.1.model." # SD2のと、基本的には同じ。logit_scaleを後で使うので、それを追加で返す # logit_scaleはcheckpointの保存時に使用する def convert_key(key): # common conversion key = key.replace(SDXL_KEY_PREFIX + "transformer.", "text_model.encoder.") key = key.replace(SDXL_KEY_PREFIX, "text_model.") if "resblocks" in key: # resblocks conversion key = key.replace(".resblocks.", ".layers.") if ".ln_" in key: key = key.replace(".ln_", ".layer_norm") elif ".mlp." in key: key = key.replace(".c_fc.", ".fc1.") key = key.replace(".c_proj.", ".fc2.") elif ".attn.out_proj" in key: key = key.replace(".attn.out_proj.", ".self_attn.out_proj.") elif ".attn.in_proj" in key: key = None # 特殊なので後で処理する else: raise ValueError(f"unexpected key in SD: {key}") elif ".positional_embedding" in key: key = key.replace(".positional_embedding", ".embeddings.position_embedding.weight") elif ".text_projection" in key: key = key.replace("text_model.text_projection", "text_projection.weight") elif ".logit_scale" in key: key = None # 後で処理する elif ".token_embedding" in key: key = key.replace(".token_embedding.weight", ".embeddings.token_embedding.weight") elif ".ln_final" in key: key = key.replace(".ln_final", ".final_layer_norm") # ckpt from comfy has this key: text_model.encoder.text_model.embeddings.position_ids elif ".embeddings.position_ids" in key: key = None # remove this key: position_ids is not used in newer transformers return key keys = list(checkpoint.keys()) new_sd = {} for key in keys: new_key = convert_key(key) if new_key is None: continue new_sd[new_key] = checkpoint[key] # attnの変換 for key in keys: if ".resblocks" in key and ".attn.in_proj_" in key: # 三つに分割 values = torch.chunk(checkpoint[key], 3) key_suffix = ".weight" if "weight" in key else ".bias" key_pfx = key.replace(SDXL_KEY_PREFIX + "transformer.resblocks.", "text_model.encoder.layers.") key_pfx = key_pfx.replace("_weight", "") key_pfx = key_pfx.replace("_bias", "") key_pfx = key_pfx.replace(".attn.in_proj", ".self_attn.") new_sd[key_pfx + "q_proj" + key_suffix] = values[0] new_sd[key_pfx + "k_proj" + key_suffix] = values[1] new_sd[key_pfx + "v_proj" + key_suffix] = values[2] # logit_scale はDiffusersには含まれないが、保存時に戻したいので別途返す logit_scale = checkpoint.get(SDXL_KEY_PREFIX + "logit_scale", None) # temporary workaround for text_projection.weight.weight for Playground-v2 if "text_projection.weight.weight" in new_sd: logger.info("convert_sdxl_text_encoder_2_checkpoint: convert text_projection.weight.weight to text_projection.weight") new_sd["text_projection.weight"] = new_sd["text_projection.weight.weight"] del new_sd["text_projection.weight.weight"] return new_sd, logit_scale # load state_dict without allocating new tensors def _load_state_dict_on_device(model, state_dict, device, dtype=None): # dtype will use fp32 as default missing_keys = list(model.state_dict().keys() - state_dict.keys()) unexpected_keys = list(state_dict.keys() - model.state_dict().keys()) # similar to model.load_state_dict() if not missing_keys and not unexpected_keys: for k in list(state_dict.keys()): set_module_tensor_to_device(model, k, device, value=state_dict.pop(k), dtype=dtype) return "" # error_msgs error_msgs: List[str] = [] if missing_keys: error_msgs.insert(0, "Missing key(s) in state_dict: {}. ".format(", ".join('"{}"'.format(k) for k in missing_keys))) if unexpected_keys: error_msgs.insert(0, "Unexpected key(s) in state_dict: {}. ".format(", ".join('"{}"'.format(k) for k in unexpected_keys))) raise RuntimeError("Error(s) in loading state_dict for {}:\n\t{}".format(model.__class__.__name__, "\n\t".join(error_msgs))) def load_models_from_sdxl_checkpoint(model_version, ckpt_path, map_location, dtype=None, disable_mmap=False): # model_version is reserved for future use # dtype is used for full_fp16/bf16 integration. Text Encoder will remain fp32, because it runs on CPU when caching # Load the state dict if model_util.is_safetensors(ckpt_path): checkpoint = None if disable_mmap: state_dict = safetensors.torch.load(open(ckpt_path, "rb").read()) else: try: state_dict = load_file(ckpt_path, device=map_location) except: state_dict = load_file(ckpt_path) # prevent device invalid Error epoch = None global_step = None else: checkpoint = torch.load(ckpt_path, map_location=map_location) if "state_dict" in checkpoint: state_dict = checkpoint["state_dict"] epoch = checkpoint.get("epoch", 0) global_step = checkpoint.get("global_step", 0) else: state_dict = checkpoint epoch = 0 global_step = 0 checkpoint = None # U-Net logger.info("building U-Net") with init_empty_weights(): unet = sdxl_original_unet.SdxlUNet2DConditionModel() logger.info("loading U-Net from checkpoint") unet_sd = {} for k in list(state_dict.keys()): if k.startswith("model.diffusion_model."): unet_sd[k.replace("model.diffusion_model.", "")] = state_dict.pop(k) info = _load_state_dict_on_device(unet, unet_sd, device=map_location, dtype=dtype) logger.info(f"U-Net: {info}") # Text Encoders logger.info("building text encoders") # Text Encoder 1 is same to Stability AI's SDXL text_model1_cfg = CLIPTextConfig( vocab_size=49408, hidden_size=768, intermediate_size=3072, num_hidden_layers=12, num_attention_heads=12, max_position_embeddings=77, hidden_act="quick_gelu", layer_norm_eps=1e-05, dropout=0.0, attention_dropout=0.0, initializer_range=0.02, initializer_factor=1.0, pad_token_id=1, bos_token_id=0, eos_token_id=2, model_type="clip_text_model", projection_dim=768, # torch_dtype="float32", # transformers_version="4.25.0.dev0", ) with init_empty_weights(): text_model1 = CLIPTextModel._from_config(text_model1_cfg) # Text Encoder 2 is different from Stability AI's SDXL. SDXL uses open clip, but we use the model from HuggingFace. # Note: Tokenizer from HuggingFace is different from SDXL. We must use open clip's tokenizer. text_model2_cfg = CLIPTextConfig( vocab_size=49408, hidden_size=1280, intermediate_size=5120, num_hidden_layers=32, num_attention_heads=20, max_position_embeddings=77, hidden_act="gelu", layer_norm_eps=1e-05, dropout=0.0, attention_dropout=0.0, initializer_range=0.02, initializer_factor=1.0, pad_token_id=1, bos_token_id=0, eos_token_id=2, model_type="clip_text_model", projection_dim=1280, # torch_dtype="float32", # transformers_version="4.25.0.dev0", ) with init_empty_weights(): text_model2 = CLIPTextModelWithProjection(text_model2_cfg) logger.info("loading text encoders from checkpoint") te1_sd = {} te2_sd = {} for k in list(state_dict.keys()): if k.startswith("conditioner.embedders.0.transformer."): te1_sd[k.replace("conditioner.embedders.0.transformer.", "")] = state_dict.pop(k) elif k.startswith("conditioner.embedders.1.model."): te2_sd[k] = state_dict.pop(k) # 最新の transformers では position_ids を含むとエラーになるので削除 / remove position_ids for latest transformers if "text_model.embeddings.position_ids" in te1_sd: te1_sd.pop("text_model.embeddings.position_ids") info1 = _load_state_dict_on_device(text_model1, te1_sd, device=map_location) # remain fp32 logger.info(f"text encoder 1: {info1}") converted_sd, logit_scale = convert_sdxl_text_encoder_2_checkpoint(te2_sd, max_length=77) info2 = _load_state_dict_on_device(text_model2, converted_sd, device=map_location) # remain fp32 logger.info(f"text encoder 2: {info2}") # prepare vae logger.info("building VAE") vae_config = model_util.create_vae_diffusers_config() with init_empty_weights(): vae = AutoencoderKL(**vae_config) logger.info("loading VAE from checkpoint") converted_vae_checkpoint = model_util.convert_ldm_vae_checkpoint(state_dict, vae_config) info = _load_state_dict_on_device(vae, converted_vae_checkpoint, device=map_location, dtype=dtype) logger.info(f"VAE: {info}") ckpt_info = (epoch, global_step) if epoch is not None else None return text_model1, text_model2, vae, unet, logit_scale, ckpt_info def make_unet_conversion_map(): unet_conversion_map_layer = [] for i in range(3): # num_blocks is 3 in sdxl # loop over downblocks/upblocks for j in range(2): # loop over resnets/attentions for downblocks hf_down_res_prefix = f"down_blocks.{i}.resnets.{j}." sd_down_res_prefix = f"input_blocks.{3*i + j + 1}.0." unet_conversion_map_layer.append((sd_down_res_prefix, hf_down_res_prefix)) if i < 3: # no attention layers in down_blocks.3 hf_down_atn_prefix = f"down_blocks.{i}.attentions.{j}." sd_down_atn_prefix = f"input_blocks.{3*i + j + 1}.1." unet_conversion_map_layer.append((sd_down_atn_prefix, hf_down_atn_prefix)) for j in range(3): # loop over resnets/attentions for upblocks hf_up_res_prefix = f"up_blocks.{i}.resnets.{j}." sd_up_res_prefix = f"output_blocks.{3*i + j}.0." unet_conversion_map_layer.append((sd_up_res_prefix, hf_up_res_prefix)) # if i > 0: commentout for sdxl # no attention layers in up_blocks.0 hf_up_atn_prefix = f"up_blocks.{i}.attentions.{j}." sd_up_atn_prefix = f"output_blocks.{3*i + j}.1." unet_conversion_map_layer.append((sd_up_atn_prefix, hf_up_atn_prefix)) if i < 3: # no downsample in down_blocks.3 hf_downsample_prefix = f"down_blocks.{i}.downsamplers.0.conv." sd_downsample_prefix = f"input_blocks.{3*(i+1)}.0.op." unet_conversion_map_layer.append((sd_downsample_prefix, hf_downsample_prefix)) # no upsample in up_blocks.3 hf_upsample_prefix = f"up_blocks.{i}.upsamplers.0." sd_upsample_prefix = f"output_blocks.{3*i + 2}.{2}." # change for sdxl unet_conversion_map_layer.append((sd_upsample_prefix, hf_upsample_prefix)) hf_mid_atn_prefix = "mid_block.attentions.0." sd_mid_atn_prefix = "middle_block.1." unet_conversion_map_layer.append((sd_mid_atn_prefix, hf_mid_atn_prefix)) for j in range(2): hf_mid_res_prefix = f"mid_block.resnets.{j}." sd_mid_res_prefix = f"middle_block.{2*j}." unet_conversion_map_layer.append((sd_mid_res_prefix, hf_mid_res_prefix)) unet_conversion_map_resnet = [ # (stable-diffusion, HF Diffusers) ("in_layers.0.", "norm1."), ("in_layers.2.", "conv1."), ("out_layers.0.", "norm2."), ("out_layers.3.", "conv2."), ("emb_layers.1.", "time_emb_proj."), ("skip_connection.", "conv_shortcut."), ] unet_conversion_map = [] for sd, hf in unet_conversion_map_layer: if "resnets" in hf: for sd_res, hf_res in unet_conversion_map_resnet: unet_conversion_map.append((sd + sd_res, hf + hf_res)) else: unet_conversion_map.append((sd, hf)) for j in range(2): hf_time_embed_prefix = f"time_embedding.linear_{j+1}." sd_time_embed_prefix = f"time_embed.{j*2}." unet_conversion_map.append((sd_time_embed_prefix, hf_time_embed_prefix)) for j in range(2): hf_label_embed_prefix = f"add_embedding.linear_{j+1}." sd_label_embed_prefix = f"label_emb.0.{j*2}." unet_conversion_map.append((sd_label_embed_prefix, hf_label_embed_prefix)) unet_conversion_map.append(("input_blocks.0.0.", "conv_in.")) unet_conversion_map.append(("out.0.", "conv_norm_out.")) unet_conversion_map.append(("out.2.", "conv_out.")) return unet_conversion_map def convert_diffusers_unet_state_dict_to_sdxl(du_sd): unet_conversion_map = make_unet_conversion_map() conversion_map = {hf: sd for sd, hf in unet_conversion_map} return convert_unet_state_dict(du_sd, conversion_map) def convert_unet_state_dict(src_sd, conversion_map): converted_sd = {} for src_key, value in src_sd.items(): # さすがに全部回すのは時間がかかるので右から要素を削りつつprefixを探す src_key_fragments = src_key.split(".")[:-1] # remove weight/bias while len(src_key_fragments) > 0: src_key_prefix = ".".join(src_key_fragments) + "." if src_key_prefix in conversion_map: converted_prefix = conversion_map[src_key_prefix] converted_key = converted_prefix + src_key[len(src_key_prefix) :] converted_sd[converted_key] = value break src_key_fragments.pop(-1) assert len(src_key_fragments) > 0, f"key {src_key} not found in conversion map" return converted_sd def convert_sdxl_unet_state_dict_to_diffusers(sd): unet_conversion_map = make_unet_conversion_map() conversion_dict = {sd: hf for sd, hf in unet_conversion_map} return convert_unet_state_dict(sd, conversion_dict) def convert_text_encoder_2_state_dict_to_sdxl(checkpoint, logit_scale): def convert_key(key): # position_idsの除去 if ".position_ids" in key: return None # common key = key.replace("text_model.encoder.", "transformer.") key = key.replace("text_model.", "") if "layers" in key: # resblocks conversion key = key.replace(".layers.", ".resblocks.") if ".layer_norm" in key: key = key.replace(".layer_norm", ".ln_") elif ".mlp." in key: key = key.replace(".fc1.", ".c_fc.") key = key.replace(".fc2.", ".c_proj.") elif ".self_attn.out_proj" in key: key = key.replace(".self_attn.out_proj.", ".attn.out_proj.") elif ".self_attn." in key: key = None # 特殊なので後で処理する else: raise ValueError(f"unexpected key in DiffUsers model: {key}") elif ".position_embedding" in key: key = key.replace("embeddings.position_embedding.weight", "positional_embedding") elif ".token_embedding" in key: key = key.replace("embeddings.token_embedding.weight", "token_embedding.weight") elif "text_projection" in key: # no dot in key key = key.replace("text_projection.weight", "text_projection") elif "final_layer_norm" in key: key = key.replace("final_layer_norm", "ln_final") return key keys = list(checkpoint.keys()) new_sd = {} for key in keys: new_key = convert_key(key) if new_key is None: continue new_sd[new_key] = checkpoint[key] # attnの変換 for key in keys: if "layers" in key and "q_proj" in key: # 三つを結合 key_q = key key_k = key.replace("q_proj", "k_proj") key_v = key.replace("q_proj", "v_proj") value_q = checkpoint[key_q] value_k = checkpoint[key_k] value_v = checkpoint[key_v] value = torch.cat([value_q, value_k, value_v]) new_key = key.replace("text_model.encoder.layers.", "transformer.resblocks.") new_key = new_key.replace(".self_attn.q_proj.", ".attn.in_proj_") new_sd[new_key] = value if logit_scale is not None: new_sd["logit_scale"] = logit_scale return new_sd def save_stable_diffusion_checkpoint( output_file, text_encoder1, text_encoder2, unet, epochs, steps, ckpt_info, vae, logit_scale, metadata, save_dtype=None, ): state_dict = {} def update_sd(prefix, sd): for k, v in sd.items(): key = prefix + k if save_dtype is not None: v = v.detach().clone().to("cpu").to(save_dtype) state_dict[key] = v # Convert the UNet model update_sd("model.diffusion_model.", unet.state_dict()) # Convert the text encoders update_sd("conditioner.embedders.0.transformer.", text_encoder1.state_dict()) text_enc2_dict = convert_text_encoder_2_state_dict_to_sdxl(text_encoder2.state_dict(), logit_scale) update_sd("conditioner.embedders.1.model.", text_enc2_dict) # Convert the VAE vae_dict = model_util.convert_vae_state_dict(vae.state_dict()) update_sd("first_stage_model.", vae_dict) # Put together new checkpoint key_count = len(state_dict.keys()) new_ckpt = {"state_dict": state_dict} # epoch and global_step are sometimes not int if ckpt_info is not None: epochs += ckpt_info[0] steps += ckpt_info[1] new_ckpt["epoch"] = epochs new_ckpt["global_step"] = steps if model_util.is_safetensors(output_file): save_file(state_dict, output_file, metadata) else: torch.save(new_ckpt, output_file) return key_count def save_diffusers_checkpoint( output_dir, text_encoder1, text_encoder2, unet, pretrained_model_name_or_path, vae=None, use_safetensors=False, save_dtype=None ): from diffusers import StableDiffusionXLPipeline # convert U-Net unet_sd = unet.state_dict() du_unet_sd = convert_sdxl_unet_state_dict_to_diffusers(unet_sd) diffusers_unet = UNet2DConditionModel(**DIFFUSERS_SDXL_UNET_CONFIG) if save_dtype is not None: diffusers_unet.to(save_dtype) diffusers_unet.load_state_dict(du_unet_sd) # create pipeline to save if pretrained_model_name_or_path is None: pretrained_model_name_or_path = DIFFUSERS_REF_MODEL_ID_SDXL scheduler = EulerDiscreteScheduler.from_pretrained(pretrained_model_name_or_path, subfolder="scheduler") tokenizer1 = CLIPTokenizer.from_pretrained(pretrained_model_name_or_path, subfolder="tokenizer") tokenizer2 = CLIPTokenizer.from_pretrained(pretrained_model_name_or_path, subfolder="tokenizer_2") if vae is None: vae = AutoencoderKL.from_pretrained(pretrained_model_name_or_path, subfolder="vae") # prevent local path from being saved def remove_name_or_path(model): if hasattr(model, "config"): model.config._name_or_path = None model.config._name_or_path = None remove_name_or_path(diffusers_unet) remove_name_or_path(text_encoder1) remove_name_or_path(text_encoder2) remove_name_or_path(scheduler) remove_name_or_path(tokenizer1) remove_name_or_path(tokenizer2) remove_name_or_path(vae) pipeline = StableDiffusionXLPipeline( unet=diffusers_unet, text_encoder=text_encoder1, text_encoder_2=text_encoder2, vae=vae, scheduler=scheduler, tokenizer=tokenizer1, tokenizer_2=tokenizer2, ) if save_dtype is not None: pipeline.to(None, save_dtype) pipeline.save_pretrained(output_dir, safe_serialization=use_safetensors) ================================================ FILE: library/sdxl_original_control_net.py ================================================ # some parts are modified from Diffusers library (Apache License 2.0) import math from types import SimpleNamespace from typing import Any, Optional import torch import torch.utils.checkpoint from torch import nn from torch.nn import functional as F from einops import rearrange from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) from library import sdxl_original_unet from library.sdxl_model_util import convert_sdxl_unet_state_dict_to_diffusers, convert_diffusers_unet_state_dict_to_sdxl class ControlNetConditioningEmbedding(nn.Module): def __init__(self): super().__init__() dims = [16, 32, 96, 256] self.conv_in = nn.Conv2d(3, dims[0], kernel_size=3, padding=1) self.blocks = nn.ModuleList([]) for i in range(len(dims) - 1): channel_in = dims[i] channel_out = dims[i + 1] self.blocks.append(nn.Conv2d(channel_in, channel_in, kernel_size=3, padding=1)) self.blocks.append(nn.Conv2d(channel_in, channel_out, kernel_size=3, padding=1, stride=2)) self.conv_out = nn.Conv2d(dims[-1], 320, kernel_size=3, padding=1) nn.init.zeros_(self.conv_out.weight) # zero module weight nn.init.zeros_(self.conv_out.bias) # zero module bias def forward(self, x): x = self.conv_in(x) x = F.silu(x) for block in self.blocks: x = block(x) x = F.silu(x) x = self.conv_out(x) return x class SdxlControlNet(sdxl_original_unet.SdxlUNet2DConditionModel): def __init__(self, multiplier: Optional[float] = None, **kwargs): super().__init__(**kwargs) self.multiplier = multiplier # remove unet layers self.output_blocks = nn.ModuleList([]) del self.out self.controlnet_cond_embedding = ControlNetConditioningEmbedding() dims = [320, 320, 320, 320, 640, 640, 640, 1280, 1280] self.controlnet_down_blocks = nn.ModuleList([]) for dim in dims: self.controlnet_down_blocks.append(nn.Conv2d(dim, dim, kernel_size=1)) nn.init.zeros_(self.controlnet_down_blocks[-1].weight) # zero module weight nn.init.zeros_(self.controlnet_down_blocks[-1].bias) # zero module bias self.controlnet_mid_block = nn.Conv2d(1280, 1280, kernel_size=1) nn.init.zeros_(self.controlnet_mid_block.weight) # zero module weight nn.init.zeros_(self.controlnet_mid_block.bias) # zero module bias def init_from_unet(self, unet: sdxl_original_unet.SdxlUNet2DConditionModel): unet_sd = unet.state_dict() unet_sd = {k: v for k, v in unet_sd.items() if not k.startswith("out")} sd = super().state_dict() sd.update(unet_sd) info = super().load_state_dict(sd, strict=True, assign=True) return info def load_state_dict(self, state_dict: dict, strict: bool = True, assign: bool = True) -> Any: # convert state_dict to SAI format unet_sd = {} for k in list(state_dict.keys()): if not k.startswith("controlnet_"): unet_sd[k] = state_dict.pop(k) unet_sd = convert_diffusers_unet_state_dict_to_sdxl(unet_sd) state_dict.update(unet_sd) super().load_state_dict(state_dict, strict=strict, assign=assign) def state_dict(self, destination=None, prefix="", keep_vars=False): # convert state_dict to Diffusers format state_dict = super().state_dict(destination, prefix, keep_vars) control_net_sd = {} for k in list(state_dict.keys()): if k.startswith("controlnet_"): control_net_sd[k] = state_dict.pop(k) state_dict = convert_sdxl_unet_state_dict_to_diffusers(state_dict) state_dict.update(control_net_sd) return state_dict def forward( self, x: torch.Tensor, timesteps: Optional[torch.Tensor] = None, context: Optional[torch.Tensor] = None, y: Optional[torch.Tensor] = None, cond_image: Optional[torch.Tensor] = None, **kwargs, ) -> torch.Tensor: # broadcast timesteps to batch dimension timesteps = timesteps.expand(x.shape[0]) t_emb = sdxl_original_unet.get_timestep_embedding(timesteps, self.model_channels, downscale_freq_shift=0) t_emb = t_emb.to(x.dtype) emb = self.time_embed(t_emb) assert x.shape[0] == y.shape[0], f"batch size mismatch: {x.shape[0]} != {y.shape[0]}" assert x.dtype == y.dtype, f"dtype mismatch: {x.dtype} != {y.dtype}" emb = emb + self.label_emb(y) def call_module(module, h, emb, context): x = h for layer in module: if isinstance(layer, sdxl_original_unet.ResnetBlock2D): x = layer(x, emb) elif isinstance(layer, sdxl_original_unet.Transformer2DModel): x = layer(x, context) else: x = layer(x) return x h = x multiplier = self.multiplier if self.multiplier is not None else 1.0 hs = [] for i, module in enumerate(self.input_blocks): h = call_module(module, h, emb, context) if i == 0: h = self.controlnet_cond_embedding(cond_image) + h hs.append(self.controlnet_down_blocks[i](h) * multiplier) h = call_module(self.middle_block, h, emb, context) h = self.controlnet_mid_block(h) * multiplier return hs, h class SdxlControlledUNet(sdxl_original_unet.SdxlUNet2DConditionModel): """ This class is for training purpose only. """ def __init__(self, **kwargs): super().__init__(**kwargs) def forward(self, x, timesteps=None, context=None, y=None, input_resi_add=None, mid_add=None, **kwargs): # broadcast timesteps to batch dimension timesteps = timesteps.expand(x.shape[0]) hs = [] t_emb = sdxl_original_unet.get_timestep_embedding(timesteps, self.model_channels, downscale_freq_shift=0) t_emb = t_emb.to(x.dtype) emb = self.time_embed(t_emb) assert x.shape[0] == y.shape[0], f"batch size mismatch: {x.shape[0]} != {y.shape[0]}" assert x.dtype == y.dtype, f"dtype mismatch: {x.dtype} != {y.dtype}" emb = emb + self.label_emb(y) def call_module(module, h, emb, context): x = h for layer in module: if isinstance(layer, sdxl_original_unet.ResnetBlock2D): x = layer(x, emb) elif isinstance(layer, sdxl_original_unet.Transformer2DModel): x = layer(x, context) else: x = layer(x) return x h = x for module in self.input_blocks: h = call_module(module, h, emb, context) hs.append(h) h = call_module(self.middle_block, h, emb, context) h = h + mid_add for module in self.output_blocks: resi = hs.pop() + input_resi_add.pop() h = torch.cat([h, resi], dim=1) h = call_module(module, h, emb, context) h = h.type(x.dtype) h = call_module(self.out, h, emb, context) return h if __name__ == "__main__": import time logger.info("create unet") unet = SdxlControlledUNet() unet.to("cuda", torch.bfloat16) unet.set_use_sdpa(True) unet.set_gradient_checkpointing(True) unet.train() logger.info("create control_net") control_net = SdxlControlNet() control_net.to("cuda") control_net.set_use_sdpa(True) control_net.set_gradient_checkpointing(True) control_net.train() logger.info("Initialize control_net from unet") control_net.init_from_unet(unet) unet.requires_grad_(False) control_net.requires_grad_(True) # 使用メモリ量確認用の疑似学習ループ logger.info("preparing optimizer") # optimizer = torch.optim.SGD(unet.parameters(), lr=1e-3, nesterov=True, momentum=0.9) # not working import bitsandbytes optimizer = bitsandbytes.adam.Adam8bit(control_net.parameters(), lr=1e-3) # not working # optimizer = bitsandbytes.optim.RMSprop8bit(unet.parameters(), lr=1e-3) # working at 23.5 GB with torch2 # optimizer=bitsandbytes.optim.Adagrad8bit(unet.parameters(), lr=1e-3) # working at 23.5 GB with torch2 # import transformers # optimizer = transformers.optimization.Adafactor(unet.parameters(), relative_step=True) # working at 22.2GB with torch2 scaler = torch.cuda.amp.GradScaler(enabled=True) logger.info("start training") steps = 10 batch_size = 1 for step in range(steps): logger.info(f"step {step}") if step == 1: time_start = time.perf_counter() x = torch.randn(batch_size, 4, 128, 128).cuda() # 1024x1024 t = torch.randint(low=0, high=1000, size=(batch_size,), device="cuda") txt = torch.randn(batch_size, 77, 2048).cuda() vector = torch.randn(batch_size, sdxl_original_unet.ADM_IN_CHANNELS).cuda() cond_img = torch.rand(batch_size, 3, 1024, 1024).cuda() with torch.cuda.amp.autocast(enabled=True, dtype=torch.bfloat16): input_resi_add, mid_add = control_net(x, t, txt, vector, cond_img) output = unet(x, t, txt, vector, input_resi_add, mid_add) target = torch.randn_like(output) loss = torch.nn.functional.mse_loss(output, target) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update() optimizer.zero_grad(set_to_none=True) time_end = time.perf_counter() logger.info(f"elapsed time: {time_end - time_start} [sec] for last {steps - 1} steps") logger.info("finish training") sd = control_net.state_dict() from safetensors.torch import save_file save_file(sd, r"E:\Work\SD\Tmp\sdxl\ctrl\control_net.safetensors") ================================================ FILE: library/sdxl_original_unet.py ================================================ # Diffusersのコードをベースとした sd_xl_baseのU-Net # state dictの形式をSDXLに合わせてある """ target: sgm.modules.diffusionmodules.openaimodel.UNetModel params: adm_in_channels: 2816 num_classes: sequential use_checkpoint: True in_channels: 4 out_channels: 4 model_channels: 320 attention_resolutions: [4, 2] num_res_blocks: 2 channel_mult: [1, 2, 4] num_head_channels: 64 use_spatial_transformer: True use_linear_in_transformer: True transformer_depth: [1, 2, 10] # note: the first is unused (due to attn_res starting at 2) 32, 16, 8 --> 64, 32, 16 context_dim: 2048 spatial_transformer_attn_type: softmax-xformers legacy: False """ import math from types import SimpleNamespace from typing import Any, Optional import torch import torch.utils.checkpoint from torch import nn from torch.nn import functional as F from einops import rearrange from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) IN_CHANNELS: int = 4 OUT_CHANNELS: int = 4 ADM_IN_CHANNELS: int = 2816 CONTEXT_DIM: int = 2048 MODEL_CHANNELS: int = 320 TIME_EMBED_DIM = 320 * 4 USE_REENTRANT = True # region memory efficient attention # FlashAttentionを使うCrossAttention # based on https://github.com/lucidrains/memory-efficient-attention-pytorch/blob/main/memory_efficient_attention_pytorch/flash_attention.py # LICENSE MIT https://github.com/lucidrains/memory-efficient-attention-pytorch/blob/main/LICENSE # constants EPSILON = 1e-6 # helper functions def exists(val): return val is not None def default(val, d): return val if exists(val) else d # flash attention forwards and backwards # https://arxiv.org/abs/2205.14135 class FlashAttentionFunction(torch.autograd.Function): @staticmethod @torch.no_grad() def forward(ctx, q, k, v, mask, causal, q_bucket_size, k_bucket_size): """Algorithm 2 in the paper""" device = q.device dtype = q.dtype max_neg_value = -torch.finfo(q.dtype).max qk_len_diff = max(k.shape[-2] - q.shape[-2], 0) o = torch.zeros_like(q) all_row_sums = torch.zeros((*q.shape[:-1], 1), dtype=dtype, device=device) all_row_maxes = torch.full((*q.shape[:-1], 1), max_neg_value, dtype=dtype, device=device) scale = q.shape[-1] ** -0.5 if not exists(mask): mask = (None,) * math.ceil(q.shape[-2] / q_bucket_size) else: mask = rearrange(mask, "b n -> b 1 1 n") mask = mask.split(q_bucket_size, dim=-1) row_splits = zip( q.split(q_bucket_size, dim=-2), o.split(q_bucket_size, dim=-2), mask, all_row_sums.split(q_bucket_size, dim=-2), all_row_maxes.split(q_bucket_size, dim=-2), ) for ind, (qc, oc, row_mask, row_sums, row_maxes) in enumerate(row_splits): q_start_index = ind * q_bucket_size - qk_len_diff col_splits = zip( k.split(k_bucket_size, dim=-2), v.split(k_bucket_size, dim=-2), ) for k_ind, (kc, vc) in enumerate(col_splits): k_start_index = k_ind * k_bucket_size attn_weights = torch.einsum("... i d, ... j d -> ... i j", qc, kc) * scale if exists(row_mask): attn_weights.masked_fill_(~row_mask, max_neg_value) if causal and q_start_index < (k_start_index + k_bucket_size - 1): causal_mask = torch.ones((qc.shape[-2], kc.shape[-2]), dtype=torch.bool, device=device).triu( q_start_index - k_start_index + 1 ) attn_weights.masked_fill_(causal_mask, max_neg_value) block_row_maxes = attn_weights.amax(dim=-1, keepdims=True) attn_weights -= block_row_maxes exp_weights = torch.exp(attn_weights) if exists(row_mask): exp_weights.masked_fill_(~row_mask, 0.0) block_row_sums = exp_weights.sum(dim=-1, keepdims=True).clamp(min=EPSILON) new_row_maxes = torch.maximum(block_row_maxes, row_maxes) exp_values = torch.einsum("... i j, ... j d -> ... i d", exp_weights, vc) exp_row_max_diff = torch.exp(row_maxes - new_row_maxes) exp_block_row_max_diff = torch.exp(block_row_maxes - new_row_maxes) new_row_sums = exp_row_max_diff * row_sums + exp_block_row_max_diff * block_row_sums oc.mul_((row_sums / new_row_sums) * exp_row_max_diff).add_((exp_block_row_max_diff / new_row_sums) * exp_values) row_maxes.copy_(new_row_maxes) row_sums.copy_(new_row_sums) ctx.args = (causal, scale, mask, q_bucket_size, k_bucket_size) ctx.save_for_backward(q, k, v, o, all_row_sums, all_row_maxes) return o @staticmethod @torch.no_grad() def backward(ctx, do): """Algorithm 4 in the paper""" causal, scale, mask, q_bucket_size, k_bucket_size = ctx.args q, k, v, o, l, m = ctx.saved_tensors device = q.device max_neg_value = -torch.finfo(q.dtype).max qk_len_diff = max(k.shape[-2] - q.shape[-2], 0) dq = torch.zeros_like(q) dk = torch.zeros_like(k) dv = torch.zeros_like(v) row_splits = zip( q.split(q_bucket_size, dim=-2), o.split(q_bucket_size, dim=-2), do.split(q_bucket_size, dim=-2), mask, l.split(q_bucket_size, dim=-2), m.split(q_bucket_size, dim=-2), dq.split(q_bucket_size, dim=-2), ) for ind, (qc, oc, doc, row_mask, lc, mc, dqc) in enumerate(row_splits): q_start_index = ind * q_bucket_size - qk_len_diff col_splits = zip( k.split(k_bucket_size, dim=-2), v.split(k_bucket_size, dim=-2), dk.split(k_bucket_size, dim=-2), dv.split(k_bucket_size, dim=-2), ) for k_ind, (kc, vc, dkc, dvc) in enumerate(col_splits): k_start_index = k_ind * k_bucket_size attn_weights = torch.einsum("... i d, ... j d -> ... i j", qc, kc) * scale if causal and q_start_index < (k_start_index + k_bucket_size - 1): causal_mask = torch.ones((qc.shape[-2], kc.shape[-2]), dtype=torch.bool, device=device).triu( q_start_index - k_start_index + 1 ) attn_weights.masked_fill_(causal_mask, max_neg_value) exp_attn_weights = torch.exp(attn_weights - mc) if exists(row_mask): exp_attn_weights.masked_fill_(~row_mask, 0.0) p = exp_attn_weights / lc dv_chunk = torch.einsum("... i j, ... i d -> ... j d", p, doc) dp = torch.einsum("... i d, ... j d -> ... i j", doc, vc) D = (doc * oc).sum(dim=-1, keepdims=True) ds = p * scale * (dp - D) dq_chunk = torch.einsum("... i j, ... j d -> ... i d", ds, kc) dk_chunk = torch.einsum("... i j, ... i d -> ... j d", ds, qc) dqc.add_(dq_chunk) dkc.add_(dk_chunk) dvc.add_(dv_chunk) return dq, dk, dv, None, None, None, None # endregion def get_parameter_dtype(parameter: torch.nn.Module): return next(parameter.parameters()).dtype def get_parameter_device(parameter: torch.nn.Module): return next(parameter.parameters()).device def get_timestep_embedding( timesteps: torch.Tensor, embedding_dim: int, downscale_freq_shift: float = 1, scale: float = 1, max_period: int = 10000, ): """ This matches the implementation in Denoising Diffusion Probabilistic Models: Create sinusoidal timestep embeddings. :param timesteps: a 1-D Tensor of N indices, one per batch element. These may be fractional. :param embedding_dim: the dimension of the output. :param max_period: controls the minimum frequency of the embeddings. :return: an [N x dim] Tensor of positional embeddings. """ assert len(timesteps.shape) == 1, "Timesteps should be a 1d-array" half_dim = embedding_dim // 2 exponent = -math.log(max_period) * torch.arange(start=0, end=half_dim, dtype=torch.float32, device=timesteps.device) exponent = exponent / (half_dim - downscale_freq_shift) emb = torch.exp(exponent) emb = timesteps[:, None].float() * emb[None, :] # scale embeddings emb = scale * emb # concat sine and cosine embeddings: flipped from Diffusers original ver because always flip_sin_to_cos=True emb = torch.cat([torch.cos(emb), torch.sin(emb)], dim=-1) # zero pad if embedding_dim % 2 == 1: emb = torch.nn.functional.pad(emb, (0, 1, 0, 0)) return emb # Deep Shrink: We do not common this function, because minimize dependencies. def resize_like(x, target, mode="bicubic", align_corners=False): org_dtype = x.dtype if org_dtype == torch.bfloat16: x = x.to(torch.float32) if x.shape[-2:] != target.shape[-2:]: if mode == "nearest": x = F.interpolate(x, size=target.shape[-2:], mode=mode) else: x = F.interpolate(x, size=target.shape[-2:], mode=mode, align_corners=align_corners) if org_dtype == torch.bfloat16: x = x.to(org_dtype) return x class GroupNorm32(nn.GroupNorm): def forward(self, x): if self.weight.dtype != torch.float32: return super().forward(x) return super().forward(x.float()).type(x.dtype) class ResnetBlock2D(nn.Module): def __init__( self, in_channels, out_channels, ): super().__init__() self.in_channels = in_channels self.out_channels = out_channels self.in_layers = nn.Sequential( GroupNorm32(32, in_channels), nn.SiLU(), nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=1, padding=1), ) self.emb_layers = nn.Sequential(nn.SiLU(), nn.Linear(TIME_EMBED_DIM, out_channels)) self.out_layers = nn.Sequential( GroupNorm32(32, out_channels), nn.SiLU(), nn.Identity(), # to make state_dict compatible with original model nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=1, padding=1), ) if in_channels != out_channels: self.skip_connection = nn.Conv2d(in_channels, out_channels, kernel_size=1, stride=1, padding=0) else: self.skip_connection = nn.Identity() self.gradient_checkpointing = False def forward_body(self, x, emb): h = self.in_layers(x) emb_out = self.emb_layers(emb).type(h.dtype) h = h + emb_out[:, :, None, None] h = self.out_layers(h) x = self.skip_connection(x) return x + h def forward(self, x, emb): if self.training and self.gradient_checkpointing: # logger.info("ResnetBlock2D: gradient_checkpointing") def create_custom_forward(func): def custom_forward(*inputs): return func(*inputs) return custom_forward x = torch.utils.checkpoint.checkpoint(create_custom_forward(self.forward_body), x, emb, use_reentrant=USE_REENTRANT) else: x = self.forward_body(x, emb) return x class Downsample2D(nn.Module): def __init__(self, channels, out_channels): super().__init__() self.channels = channels self.out_channels = out_channels self.op = nn.Conv2d(self.channels, self.out_channels, 3, stride=2, padding=1) self.gradient_checkpointing = False def forward_body(self, hidden_states): assert hidden_states.shape[1] == self.channels hidden_states = self.op(hidden_states) return hidden_states def forward(self, hidden_states): if self.training and self.gradient_checkpointing: # logger.info("Downsample2D: gradient_checkpointing") def create_custom_forward(func): def custom_forward(*inputs): return func(*inputs) return custom_forward hidden_states = torch.utils.checkpoint.checkpoint( create_custom_forward(self.forward_body), hidden_states, use_reentrant=USE_REENTRANT ) else: hidden_states = self.forward_body(hidden_states) return hidden_states class CrossAttention(nn.Module): def __init__( self, query_dim: int, cross_attention_dim: Optional[int] = None, heads: int = 8, dim_head: int = 64, upcast_attention: bool = False, ): super().__init__() inner_dim = dim_head * heads cross_attention_dim = cross_attention_dim if cross_attention_dim is not None else query_dim self.upcast_attention = upcast_attention self.scale = dim_head**-0.5 self.heads = heads self.to_q = nn.Linear(query_dim, inner_dim, bias=False) self.to_k = nn.Linear(cross_attention_dim, inner_dim, bias=False) self.to_v = nn.Linear(cross_attention_dim, inner_dim, bias=False) self.to_out = nn.ModuleList([]) self.to_out.append(nn.Linear(inner_dim, query_dim)) # no dropout here self.use_memory_efficient_attention_xformers = False self.use_memory_efficient_attention_mem_eff = False self.use_sdpa = False def set_use_memory_efficient_attention(self, xformers, mem_eff): self.use_memory_efficient_attention_xformers = xformers self.use_memory_efficient_attention_mem_eff = mem_eff def set_use_sdpa(self, sdpa): self.use_sdpa = sdpa def reshape_heads_to_batch_dim(self, tensor): batch_size, seq_len, dim = tensor.shape head_size = self.heads tensor = tensor.reshape(batch_size, seq_len, head_size, dim // head_size) tensor = tensor.permute(0, 2, 1, 3).reshape(batch_size * head_size, seq_len, dim // head_size) return tensor def reshape_batch_dim_to_heads(self, tensor): batch_size, seq_len, dim = tensor.shape head_size = self.heads tensor = tensor.reshape(batch_size // head_size, head_size, seq_len, dim) tensor = tensor.permute(0, 2, 1, 3).reshape(batch_size // head_size, seq_len, dim * head_size) return tensor def forward(self, hidden_states, context=None, mask=None): if self.use_memory_efficient_attention_xformers: return self.forward_memory_efficient_xformers(hidden_states, context, mask) if self.use_memory_efficient_attention_mem_eff: return self.forward_memory_efficient_mem_eff(hidden_states, context, mask) if self.use_sdpa: return self.forward_sdpa(hidden_states, context, mask) query = self.to_q(hidden_states) context = context if context is not None else hidden_states key = self.to_k(context) value = self.to_v(context) query = self.reshape_heads_to_batch_dim(query) key = self.reshape_heads_to_batch_dim(key) value = self.reshape_heads_to_batch_dim(value) hidden_states = self._attention(query, key, value) # linear proj hidden_states = self.to_out[0](hidden_states) # hidden_states = self.to_out[1](hidden_states) # no dropout return hidden_states def _attention(self, query, key, value): if self.upcast_attention: query = query.float() key = key.float() attention_scores = torch.baddbmm( torch.empty(query.shape[0], query.shape[1], key.shape[1], dtype=query.dtype, device=query.device), query, key.transpose(-1, -2), beta=0, alpha=self.scale, ) attention_probs = attention_scores.softmax(dim=-1) # cast back to the original dtype attention_probs = attention_probs.to(value.dtype) # compute attention output hidden_states = torch.bmm(attention_probs, value) # reshape hidden_states hidden_states = self.reshape_batch_dim_to_heads(hidden_states) return hidden_states # TODO support Hypernetworks def forward_memory_efficient_xformers(self, x, context=None, mask=None): import xformers.ops h = self.heads q_in = self.to_q(x) context = context if context is not None else x context = context.to(x.dtype) k_in = self.to_k(context) v_in = self.to_v(context) q, k, v = map(lambda t: rearrange(t, "b n (h d) -> b n h d", h=h), (q_in, k_in, v_in)) del q_in, k_in, v_in q = q.contiguous() k = k.contiguous() v = v.contiguous() out = xformers.ops.memory_efficient_attention(q, k, v, attn_bias=None) # 最適なのを選んでくれる del q, k, v out = rearrange(out, "b n h d -> b n (h d)", h=h) out = self.to_out[0](out) return out def forward_memory_efficient_mem_eff(self, x, context=None, mask=None): flash_func = FlashAttentionFunction q_bucket_size = 512 k_bucket_size = 1024 h = self.heads q = self.to_q(x) context = context if context is not None else x context = context.to(x.dtype) k = self.to_k(context) v = self.to_v(context) del context, x q, k, v = map(lambda t: rearrange(t, "b n (h d) -> b h n d", h=h), (q, k, v)) out = flash_func.apply(q, k, v, mask, False, q_bucket_size, k_bucket_size) out = rearrange(out, "b h n d -> b n (h d)") out = self.to_out[0](out) return out def forward_sdpa(self, x, context=None, mask=None): h = self.heads q_in = self.to_q(x) context = context if context is not None else x context = context.to(x.dtype) k_in = self.to_k(context) v_in = self.to_v(context) q, k, v = map(lambda t: rearrange(t, "b n (h d) -> b h n d", h=h), (q_in, k_in, v_in)) del q_in, k_in, v_in out = F.scaled_dot_product_attention(q, k, v, attn_mask=mask, dropout_p=0.0, is_causal=False) out = rearrange(out, "b h n d -> b n (h d)", h=h) out = self.to_out[0](out) return out # feedforward class GEGLU(nn.Module): r""" A variant of the gated linear unit activation function from https://arxiv.org/abs/2002.05202. Parameters: dim_in (`int`): The number of channels in the input. dim_out (`int`): The number of channels in the output. """ def __init__(self, dim_in: int, dim_out: int): super().__init__() self.proj = nn.Linear(dim_in, dim_out * 2) def gelu(self, gate): if gate.device.type != "mps": return F.gelu(gate) # mps: gelu is not implemented for float16 return F.gelu(gate.to(dtype=torch.float32)).to(dtype=gate.dtype) def forward(self, hidden_states): hidden_states, gate = self.proj(hidden_states).chunk(2, dim=-1) return hidden_states * self.gelu(gate) class FeedForward(nn.Module): def __init__( self, dim: int, ): super().__init__() inner_dim = int(dim * 4) # mult is always 4 self.net = nn.ModuleList([]) # project in self.net.append(GEGLU(dim, inner_dim)) # project dropout self.net.append(nn.Identity()) # nn.Dropout(0)) # dummy for dropout with 0 # project out self.net.append(nn.Linear(inner_dim, dim)) def forward(self, hidden_states): for module in self.net: hidden_states = module(hidden_states) return hidden_states class BasicTransformerBlock(nn.Module): def __init__( self, dim: int, num_attention_heads: int, attention_head_dim: int, cross_attention_dim: int, upcast_attention: bool = False ): super().__init__() self.gradient_checkpointing = False # 1. Self-Attn self.attn1 = CrossAttention( query_dim=dim, cross_attention_dim=None, heads=num_attention_heads, dim_head=attention_head_dim, upcast_attention=upcast_attention, ) self.ff = FeedForward(dim) # 2. Cross-Attn self.attn2 = CrossAttention( query_dim=dim, cross_attention_dim=cross_attention_dim, heads=num_attention_heads, dim_head=attention_head_dim, upcast_attention=upcast_attention, ) self.norm1 = nn.LayerNorm(dim) self.norm2 = nn.LayerNorm(dim) # 3. Feed-forward self.norm3 = nn.LayerNorm(dim) def set_use_memory_efficient_attention(self, xformers: bool, mem_eff: bool): self.attn1.set_use_memory_efficient_attention(xformers, mem_eff) self.attn2.set_use_memory_efficient_attention(xformers, mem_eff) def set_use_sdpa(self, sdpa: bool): self.attn1.set_use_sdpa(sdpa) self.attn2.set_use_sdpa(sdpa) def forward_body(self, hidden_states, context=None, timestep=None): # 1. Self-Attention norm_hidden_states = self.norm1(hidden_states) hidden_states = self.attn1(norm_hidden_states) + hidden_states # 2. Cross-Attention norm_hidden_states = self.norm2(hidden_states) hidden_states = self.attn2(norm_hidden_states, context=context) + hidden_states # 3. Feed-forward hidden_states = self.ff(self.norm3(hidden_states)) + hidden_states return hidden_states def forward(self, hidden_states, context=None, timestep=None): if self.training and self.gradient_checkpointing: # logger.info("BasicTransformerBlock: checkpointing") def create_custom_forward(func): def custom_forward(*inputs): return func(*inputs) return custom_forward output = torch.utils.checkpoint.checkpoint( create_custom_forward(self.forward_body), hidden_states, context, timestep, use_reentrant=USE_REENTRANT ) else: output = self.forward_body(hidden_states, context, timestep) return output class Transformer2DModel(nn.Module): def __init__( self, num_attention_heads: int = 16, attention_head_dim: int = 88, in_channels: Optional[int] = None, cross_attention_dim: Optional[int] = None, use_linear_projection: bool = False, upcast_attention: bool = False, num_transformer_layers: int = 1, ): super().__init__() self.in_channels = in_channels self.num_attention_heads = num_attention_heads self.attention_head_dim = attention_head_dim inner_dim = num_attention_heads * attention_head_dim self.use_linear_projection = use_linear_projection self.norm = torch.nn.GroupNorm(num_groups=32, num_channels=in_channels, eps=1e-6, affine=True) # self.norm = GroupNorm32(32, in_channels, eps=1e-6, affine=True) if use_linear_projection: self.proj_in = nn.Linear(in_channels, inner_dim) else: self.proj_in = nn.Conv2d(in_channels, inner_dim, kernel_size=1, stride=1, padding=0) blocks = [] for _ in range(num_transformer_layers): blocks.append( BasicTransformerBlock( inner_dim, num_attention_heads, attention_head_dim, cross_attention_dim=cross_attention_dim, upcast_attention=upcast_attention, ) ) self.transformer_blocks = nn.ModuleList(blocks) if use_linear_projection: self.proj_out = nn.Linear(in_channels, inner_dim) else: self.proj_out = nn.Conv2d(inner_dim, in_channels, kernel_size=1, stride=1, padding=0) self.gradient_checkpointing = False def set_use_memory_efficient_attention(self, xformers, mem_eff): for transformer in self.transformer_blocks: transformer.set_use_memory_efficient_attention(xformers, mem_eff) def set_use_sdpa(self, sdpa): for transformer in self.transformer_blocks: transformer.set_use_sdpa(sdpa) def forward(self, hidden_states, encoder_hidden_states=None, timestep=None): # 1. Input batch, _, height, weight = hidden_states.shape residual = hidden_states hidden_states = self.norm(hidden_states) if not self.use_linear_projection: hidden_states = self.proj_in(hidden_states) inner_dim = hidden_states.shape[1] hidden_states = hidden_states.permute(0, 2, 3, 1).reshape(batch, height * weight, inner_dim) else: inner_dim = hidden_states.shape[1] hidden_states = hidden_states.permute(0, 2, 3, 1).reshape(batch, height * weight, inner_dim) hidden_states = self.proj_in(hidden_states) # 2. Blocks for block in self.transformer_blocks: hidden_states = block(hidden_states, context=encoder_hidden_states, timestep=timestep) # 3. Output if not self.use_linear_projection: hidden_states = hidden_states.reshape(batch, height, weight, inner_dim).permute(0, 3, 1, 2).contiguous() hidden_states = self.proj_out(hidden_states) else: hidden_states = self.proj_out(hidden_states) hidden_states = hidden_states.reshape(batch, height, weight, inner_dim).permute(0, 3, 1, 2).contiguous() output = hidden_states + residual return output class Upsample2D(nn.Module): def __init__(self, channels, out_channels): super().__init__() self.channels = channels self.out_channels = out_channels self.conv = nn.Conv2d(self.channels, self.out_channels, 3, padding=1) self.gradient_checkpointing = False def forward_body(self, hidden_states, output_size=None): assert hidden_states.shape[1] == self.channels # Cast to float32 to as 'upsample_nearest2d_out_frame' op does not support bfloat16 # TODO(Suraj): Remove this cast once the issue is fixed in PyTorch # https://github.com/pytorch/pytorch/issues/86679 dtype = hidden_states.dtype if dtype == torch.bfloat16: hidden_states = hidden_states.to(torch.float32) # upsample_nearest_nhwc fails with large batch sizes. see https://github.com/huggingface/diffusers/issues/984 if hidden_states.shape[0] >= 64: hidden_states = hidden_states.contiguous() # if `output_size` is passed we force the interpolation output size and do not make use of `scale_factor=2` if output_size is None: hidden_states = F.interpolate(hidden_states, scale_factor=2.0, mode="nearest") else: hidden_states = F.interpolate(hidden_states, size=output_size, mode="nearest") # If the input is bfloat16, we cast back to bfloat16 if dtype == torch.bfloat16: hidden_states = hidden_states.to(dtype) hidden_states = self.conv(hidden_states) return hidden_states def forward(self, hidden_states, output_size=None): if self.training and self.gradient_checkpointing: # logger.info("Upsample2D: gradient_checkpointing") def create_custom_forward(func): def custom_forward(*inputs): return func(*inputs) return custom_forward hidden_states = torch.utils.checkpoint.checkpoint( create_custom_forward(self.forward_body), hidden_states, output_size, use_reentrant=USE_REENTRANT ) else: hidden_states = self.forward_body(hidden_states, output_size) return hidden_states class SdxlUNet2DConditionModel(nn.Module): _supports_gradient_checkpointing = True def __init__( self, **kwargs, ): super().__init__() self.in_channels = IN_CHANNELS self.out_channels = OUT_CHANNELS self.model_channels = MODEL_CHANNELS self.time_embed_dim = TIME_EMBED_DIM self.adm_in_channels = ADM_IN_CHANNELS self.gradient_checkpointing = False # self.sample_size = sample_size # time embedding self.time_embed = nn.Sequential( nn.Linear(self.model_channels, self.time_embed_dim), nn.SiLU(), nn.Linear(self.time_embed_dim, self.time_embed_dim), ) # label embedding self.label_emb = nn.Sequential( nn.Sequential( nn.Linear(self.adm_in_channels, self.time_embed_dim), nn.SiLU(), nn.Linear(self.time_embed_dim, self.time_embed_dim), ) ) # input self.input_blocks = nn.ModuleList( [ nn.Sequential( nn.Conv2d(self.in_channels, self.model_channels, kernel_size=3, padding=(1, 1)), ) ] ) # level 0 for i in range(2): layers = [ ResnetBlock2D( in_channels=1 * self.model_channels, out_channels=1 * self.model_channels, ), ] self.input_blocks.append(nn.ModuleList(layers)) self.input_blocks.append( nn.Sequential( Downsample2D( channels=1 * self.model_channels, out_channels=1 * self.model_channels, ), ) ) # level 1 for i in range(2): layers = [ ResnetBlock2D( in_channels=(1 if i == 0 else 2) * self.model_channels, out_channels=2 * self.model_channels, ), Transformer2DModel( num_attention_heads=2 * self.model_channels // 64, attention_head_dim=64, in_channels=2 * self.model_channels, num_transformer_layers=2, use_linear_projection=True, cross_attention_dim=2048, ), ] self.input_blocks.append(nn.ModuleList(layers)) self.input_blocks.append( nn.Sequential( Downsample2D( channels=2 * self.model_channels, out_channels=2 * self.model_channels, ), ) ) # level 2 for i in range(2): layers = [ ResnetBlock2D( in_channels=(2 if i == 0 else 4) * self.model_channels, out_channels=4 * self.model_channels, ), Transformer2DModel( num_attention_heads=4 * self.model_channels // 64, attention_head_dim=64, in_channels=4 * self.model_channels, num_transformer_layers=10, use_linear_projection=True, cross_attention_dim=2048, ), ] self.input_blocks.append(nn.ModuleList(layers)) # mid self.middle_block = nn.ModuleList( [ ResnetBlock2D( in_channels=4 * self.model_channels, out_channels=4 * self.model_channels, ), Transformer2DModel( num_attention_heads=4 * self.model_channels // 64, attention_head_dim=64, in_channels=4 * self.model_channels, num_transformer_layers=10, use_linear_projection=True, cross_attention_dim=2048, ), ResnetBlock2D( in_channels=4 * self.model_channels, out_channels=4 * self.model_channels, ), ] ) # output self.output_blocks = nn.ModuleList([]) # level 2 for i in range(3): layers = [ ResnetBlock2D( in_channels=4 * self.model_channels + (4 if i <= 1 else 2) * self.model_channels, out_channels=4 * self.model_channels, ), Transformer2DModel( num_attention_heads=4 * self.model_channels // 64, attention_head_dim=64, in_channels=4 * self.model_channels, num_transformer_layers=10, use_linear_projection=True, cross_attention_dim=2048, ), ] if i == 2: layers.append( Upsample2D( channels=4 * self.model_channels, out_channels=4 * self.model_channels, ) ) self.output_blocks.append(nn.ModuleList(layers)) # level 1 for i in range(3): layers = [ ResnetBlock2D( in_channels=2 * self.model_channels + (4 if i == 0 else (2 if i == 1 else 1)) * self.model_channels, out_channels=2 * self.model_channels, ), Transformer2DModel( num_attention_heads=2 * self.model_channels // 64, attention_head_dim=64, in_channels=2 * self.model_channels, num_transformer_layers=2, use_linear_projection=True, cross_attention_dim=2048, ), ] if i == 2: layers.append( Upsample2D( channels=2 * self.model_channels, out_channels=2 * self.model_channels, ) ) self.output_blocks.append(nn.ModuleList(layers)) # level 0 for i in range(3): layers = [ ResnetBlock2D( in_channels=1 * self.model_channels + (2 if i == 0 else 1) * self.model_channels, out_channels=1 * self.model_channels, ), ] self.output_blocks.append(nn.ModuleList(layers)) # output self.out = nn.ModuleList( [GroupNorm32(32, self.model_channels), nn.SiLU(), nn.Conv2d(self.model_channels, self.out_channels, 3, padding=1)] ) # region diffusers compatibility def prepare_config(self): self.config = SimpleNamespace() @property def dtype(self) -> torch.dtype: # `torch.dtype`: The dtype of the module (assuming that all the module parameters have the same dtype). return get_parameter_dtype(self) @property def device(self) -> torch.device: # `torch.device`: The device on which the module is (assuming that all the module parameters are on the same device). return get_parameter_device(self) def set_attention_slice(self, slice_size): raise NotImplementedError("Attention slicing is not supported for this model.") def is_gradient_checkpointing(self) -> bool: return any(hasattr(m, "gradient_checkpointing") and m.gradient_checkpointing for m in self.modules()) def enable_gradient_checkpointing(self): self.gradient_checkpointing = True self.set_gradient_checkpointing(value=True) def disable_gradient_checkpointing(self): self.gradient_checkpointing = False self.set_gradient_checkpointing(value=False) def set_use_memory_efficient_attention(self, xformers: bool, mem_eff: bool) -> None: blocks = self.input_blocks + [self.middle_block] + self.output_blocks for block in blocks: for module in block: if hasattr(module, "set_use_memory_efficient_attention"): # logger.info(module.__class__.__name__) module.set_use_memory_efficient_attention(xformers, mem_eff) def set_use_sdpa(self, sdpa: bool) -> None: blocks = self.input_blocks + [self.middle_block] + self.output_blocks for block in blocks: for module in block: if hasattr(module, "set_use_sdpa"): module.set_use_sdpa(sdpa) def set_gradient_checkpointing(self, value=False): blocks = self.input_blocks + [self.middle_block] + self.output_blocks for block in blocks: for module in block.modules(): if hasattr(module, "gradient_checkpointing"): # logger.info(f{module.__class__.__name__} {module.gradient_checkpointing} -> {value}") module.gradient_checkpointing = value # endregion def forward(self, x, timesteps=None, context=None, y=None, **kwargs): # broadcast timesteps to batch dimension timesteps = timesteps.expand(x.shape[0]) hs = [] t_emb = get_timestep_embedding(timesteps, self.model_channels, downscale_freq_shift=0) # , repeat_only=False) t_emb = t_emb.to(x.dtype) emb = self.time_embed(t_emb) assert x.shape[0] == y.shape[0], f"batch size mismatch: {x.shape[0]} != {y.shape[0]}" assert x.dtype == y.dtype, f"dtype mismatch: {x.dtype} != {y.dtype}" # assert x.dtype == self.dtype emb = emb + self.label_emb(y) def call_module(module, h, emb, context): x = h for layer in module: # logger.info(layer.__class__.__name__, x.dtype, emb.dtype, context.dtype if context is not None else None) if isinstance(layer, ResnetBlock2D): x = layer(x, emb) elif isinstance(layer, Transformer2DModel): x = layer(x, context) else: x = layer(x) return x # h = x.type(self.dtype) h = x for module in self.input_blocks: h = call_module(module, h, emb, context) hs.append(h) h = call_module(self.middle_block, h, emb, context) for module in self.output_blocks: h = torch.cat([h, hs.pop()], dim=1) h = call_module(module, h, emb, context) h = h.type(x.dtype) h = call_module(self.out, h, emb, context) return h class InferSdxlUNet2DConditionModel: def __init__(self, original_unet: SdxlUNet2DConditionModel, **kwargs): self.delegate = original_unet # override original model's forward method: because forward is not called by `__call__` # overriding `__call__` is not enough, because nn.Module.forward has a special handling self.delegate.forward = self.forward # Deep Shrink self.ds_depth_1 = None self.ds_depth_2 = None self.ds_timesteps_1 = None self.ds_timesteps_2 = None self.ds_ratio = None # call original model's methods def __getattr__(self, name): return getattr(self.delegate, name) def __call__(self, *args, **kwargs): return self.delegate(*args, **kwargs) def set_deep_shrink(self, ds_depth_1, ds_timesteps_1=650, ds_depth_2=None, ds_timesteps_2=None, ds_ratio=0.5): if ds_depth_1 is None: logger.info("Deep Shrink is disabled.") self.ds_depth_1 = None self.ds_timesteps_1 = None self.ds_depth_2 = None self.ds_timesteps_2 = None self.ds_ratio = None else: logger.info( f"Deep Shrink is enabled: [depth={ds_depth_1}/{ds_depth_2}, timesteps={ds_timesteps_1}/{ds_timesteps_2}, ratio={ds_ratio}]" ) self.ds_depth_1 = ds_depth_1 self.ds_timesteps_1 = ds_timesteps_1 self.ds_depth_2 = ds_depth_2 if ds_depth_2 is not None else -1 self.ds_timesteps_2 = ds_timesteps_2 if ds_timesteps_2 is not None else 1000 self.ds_ratio = ds_ratio def forward(self, x, timesteps=None, context=None, y=None, input_resi_add=None, mid_add=None, **kwargs): r""" current implementation is a copy of `SdxlUNet2DConditionModel.forward()` with Deep Shrink and ControlNet. """ _self = self.delegate # broadcast timesteps to batch dimension timesteps = timesteps.expand(x.shape[0]) hs = [] t_emb = get_timestep_embedding(timesteps, _self.model_channels, downscale_freq_shift=0) # , repeat_only=False) t_emb = t_emb.to(x.dtype) emb = _self.time_embed(t_emb) assert x.shape[0] == y.shape[0], f"batch size mismatch: {x.shape[0]} != {y.shape[0]}" assert x.dtype == y.dtype, f"dtype mismatch: {x.dtype} != {y.dtype}" # assert x.dtype == _self.dtype emb = emb + _self.label_emb(y) def call_module(module, h, emb, context): x = h for layer in module: # print(layer.__class__.__name__, x.dtype, emb.dtype, context.dtype if context is not None else None) if isinstance(layer, ResnetBlock2D): x = layer(x, emb) elif isinstance(layer, Transformer2DModel): x = layer(x, context) else: x = layer(x) return x # h = x.type(self.dtype) h = x for depth, module in enumerate(_self.input_blocks): # Deep Shrink if self.ds_depth_1 is not None: if (depth == self.ds_depth_1 and timesteps[0] >= self.ds_timesteps_1) or ( self.ds_depth_2 is not None and depth == self.ds_depth_2 and timesteps[0] < self.ds_timesteps_1 and timesteps[0] >= self.ds_timesteps_2 ): # print("downsample", h.shape, self.ds_ratio) org_dtype = h.dtype if org_dtype == torch.bfloat16: h = h.to(torch.float32) h = F.interpolate(h, scale_factor=self.ds_ratio, mode="bicubic", align_corners=False).to(org_dtype) h = call_module(module, h, emb, context) hs.append(h) h = call_module(_self.middle_block, h, emb, context) if mid_add is not None: h = h + mid_add for module in _self.output_blocks: # Deep Shrink if self.ds_depth_1 is not None: if hs[-1].shape[-2:] != h.shape[-2:]: # print("upsample", h.shape, hs[-1].shape) h = resize_like(h, hs[-1]) resi = hs.pop() if input_resi_add is not None: resi = resi + input_resi_add.pop() h = torch.cat([h, resi], dim=1) h = call_module(module, h, emb, context) # Deep Shrink: in case of depth 0 if self.ds_depth_1 == 0 and h.shape[-2:] != x.shape[-2:]: # print("upsample", h.shape, x.shape) h = resize_like(h, x) h = h.type(x.dtype) h = call_module(_self.out, h, emb, context) return h if __name__ == "__main__": import time logger.info("create unet") unet = SdxlUNet2DConditionModel() unet.to("cuda") unet.set_use_memory_efficient_attention(True, False) unet.set_gradient_checkpointing(True) unet.train() # 使用メモリ量確認用の疑似学習ループ logger.info("preparing optimizer") # optimizer = torch.optim.SGD(unet.parameters(), lr=1e-3, nesterov=True, momentum=0.9) # not working # import bitsandbytes # optimizer = bitsandbytes.adam.Adam8bit(unet.parameters(), lr=1e-3) # not working # optimizer = bitsandbytes.optim.RMSprop8bit(unet.parameters(), lr=1e-3) # working at 23.5 GB with torch2 # optimizer=bitsandbytes.optim.Adagrad8bit(unet.parameters(), lr=1e-3) # working at 23.5 GB with torch2 import transformers optimizer = transformers.optimization.Adafactor(unet.parameters(), relative_step=True) # working at 22.2GB with torch2 scaler = torch.cuda.amp.GradScaler(enabled=True) logger.info("start training") steps = 10 batch_size = 1 for step in range(steps): logger.info(f"step {step}") if step == 1: time_start = time.perf_counter() x = torch.randn(batch_size, 4, 128, 128).cuda() # 1024x1024 t = torch.randint(low=0, high=10, size=(batch_size,), device="cuda") ctx = torch.randn(batch_size, 77, 2048).cuda() y = torch.randn(batch_size, ADM_IN_CHANNELS).cuda() with torch.cuda.amp.autocast(enabled=True): output = unet(x, t, ctx, y) target = torch.randn_like(output) loss = torch.nn.functional.mse_loss(output, target) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update() optimizer.zero_grad(set_to_none=True) time_end = time.perf_counter() logger.info(f"elapsed time: {time_end - time_start} [sec] for last {steps - 1} steps") ================================================ FILE: library/sdxl_train_util.py ================================================ import argparse import math import os from typing import Optional import torch from library.device_utils import init_ipex, clean_memory_on_device init_ipex() from accelerate import init_empty_weights from tqdm import tqdm from transformers import CLIPTokenizer from library import model_util, sdxl_model_util, train_util, sdxl_original_unet from .utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) TOKENIZER1_PATH = "openai/clip-vit-large-patch14" TOKENIZER2_PATH = "laion/CLIP-ViT-bigG-14-laion2B-39B-b160k" # DEFAULT_NOISE_OFFSET = 0.0357 def load_target_model(args, accelerator, model_version: str, weight_dtype): model_dtype = match_mixed_precision(args, weight_dtype) # prepare fp16/bf16 for pi in range(accelerator.state.num_processes): if pi == accelerator.state.local_process_index: logger.info(f"loading model for process {accelerator.state.local_process_index}/{accelerator.state.num_processes}") ( load_stable_diffusion_format, text_encoder1, text_encoder2, vae, unet, logit_scale, ckpt_info, ) = _load_target_model( args.pretrained_model_name_or_path, args.vae, model_version, weight_dtype, accelerator.device if args.lowram else "cpu", model_dtype, args.disable_mmap_load_safetensors, ) # work on low-ram device if args.lowram: text_encoder1.to(accelerator.device) text_encoder2.to(accelerator.device) unet.to(accelerator.device) vae.to(accelerator.device) clean_memory_on_device(accelerator.device) accelerator.wait_for_everyone() return load_stable_diffusion_format, text_encoder1, text_encoder2, vae, unet, logit_scale, ckpt_info def _load_target_model( name_or_path: str, vae_path: Optional[str], model_version: str, weight_dtype, device="cpu", model_dtype=None, disable_mmap=False ): # model_dtype only work with full fp16/bf16 name_or_path = os.readlink(name_or_path) if os.path.islink(name_or_path) else name_or_path load_stable_diffusion_format = os.path.isfile(name_or_path) # determine SD or Diffusers if load_stable_diffusion_format: logger.info(f"load StableDiffusion checkpoint: {name_or_path}") ( text_encoder1, text_encoder2, vae, unet, logit_scale, ckpt_info, ) = sdxl_model_util.load_models_from_sdxl_checkpoint(model_version, name_or_path, device, model_dtype, disable_mmap) else: # Diffusers model is loaded to CPU from diffusers import StableDiffusionXLPipeline variant = "fp16" if weight_dtype == torch.float16 else None logger.info(f"load Diffusers pretrained models: {name_or_path}, variant={variant}") try: try: pipe = StableDiffusionXLPipeline.from_pretrained( name_or_path, torch_dtype=model_dtype, variant=variant, tokenizer=None ) except EnvironmentError as ex: if variant is not None: logger.info("try to load fp32 model") pipe = StableDiffusionXLPipeline.from_pretrained(name_or_path, variant=None, tokenizer=None) else: raise ex except EnvironmentError as ex: logger.error( f"model is not found as a file or in Hugging Face, perhaps file name is wrong? / 指定したモデル名のファイル、またはHugging Faceのモデルが見つかりません。ファイル名が誤っているかもしれません: {name_or_path}" ) raise ex text_encoder1 = pipe.text_encoder text_encoder2 = pipe.text_encoder_2 # convert to fp32 for cache text_encoders outputs if text_encoder1.dtype != torch.float32: text_encoder1 = text_encoder1.to(dtype=torch.float32) if text_encoder2.dtype != torch.float32: text_encoder2 = text_encoder2.to(dtype=torch.float32) vae = pipe.vae unet = pipe.unet del pipe # Diffusers U-Net to original U-Net state_dict = sdxl_model_util.convert_diffusers_unet_state_dict_to_sdxl(unet.state_dict()) with init_empty_weights(): unet = sdxl_original_unet.SdxlUNet2DConditionModel() # overwrite unet sdxl_model_util._load_state_dict_on_device(unet, state_dict, device=device, dtype=model_dtype) logger.info("U-Net converted to original U-Net") logit_scale = None ckpt_info = None # VAEを読み込む if vae_path is not None: vae = model_util.load_vae(vae_path, weight_dtype) logger.info("additional VAE loaded") return load_stable_diffusion_format, text_encoder1, text_encoder2, vae, unet, logit_scale, ckpt_info def load_tokenizers(args: argparse.Namespace): logger.info("prepare tokenizers") original_paths = [TOKENIZER1_PATH, TOKENIZER2_PATH] tokeniers = [] for i, original_path in enumerate(original_paths): tokenizer: CLIPTokenizer = None if args.tokenizer_cache_dir: local_tokenizer_path = os.path.join(args.tokenizer_cache_dir, original_path.replace("/", "_")) if os.path.exists(local_tokenizer_path): logger.info(f"load tokenizer from cache: {local_tokenizer_path}") tokenizer = CLIPTokenizer.from_pretrained(local_tokenizer_path) if tokenizer is None: tokenizer = CLIPTokenizer.from_pretrained(original_path) if args.tokenizer_cache_dir and not os.path.exists(local_tokenizer_path): logger.info(f"save Tokenizer to cache: {local_tokenizer_path}") tokenizer.save_pretrained(local_tokenizer_path) if i == 1: tokenizer.pad_token_id = 0 # fix pad token id to make same as open clip tokenizer tokeniers.append(tokenizer) if hasattr(args, "max_token_length") and args.max_token_length is not None: logger.info(f"update token length: {args.max_token_length}") return tokeniers def match_mixed_precision(args, weight_dtype): if args.full_fp16: assert ( weight_dtype == torch.float16 ), "full_fp16 requires mixed precision='fp16' / full_fp16を使う場合はmixed_precision='fp16'を指定してください。" return weight_dtype elif args.full_bf16: assert ( weight_dtype == torch.bfloat16 ), "full_bf16 requires mixed precision='bf16' / full_bf16を使う場合はmixed_precision='bf16'を指定してください。" return weight_dtype else: return None def timestep_embedding(timesteps, dim, max_period=10000): """ Create sinusoidal timestep embeddings. :param timesteps: a 1-D Tensor of N indices, one per batch element. These may be fractional. :param dim: the dimension of the output. :param max_period: controls the minimum frequency of the embeddings. :return: an [N x dim] Tensor of positional embeddings. """ half = dim // 2 freqs = torch.exp(-math.log(max_period) * torch.arange(start=0, end=half, dtype=torch.float32) / half).to( device=timesteps.device ) args = timesteps[:, None].float() * freqs[None] embedding = torch.cat([torch.cos(args), torch.sin(args)], dim=-1) if dim % 2: embedding = torch.cat([embedding, torch.zeros_like(embedding[:, :1])], dim=-1) return embedding def get_timestep_embedding(x, outdim): assert len(x.shape) == 2 b, dims = x.shape[0], x.shape[1] x = torch.flatten(x) emb = timestep_embedding(x, outdim) emb = torch.reshape(emb, (b, dims * outdim)) return emb def get_size_embeddings(orig_size, crop_size, target_size, device): emb1 = get_timestep_embedding(orig_size, 256) emb2 = get_timestep_embedding(crop_size, 256) emb3 = get_timestep_embedding(target_size, 256) vector = torch.cat([emb1, emb2, emb3], dim=1).to(device) return vector def save_sd_model_on_train_end( args: argparse.Namespace, src_path: str, save_stable_diffusion_format: bool, use_safetensors: bool, save_dtype: torch.dtype, epoch: int, global_step: int, text_encoder1, text_encoder2, unet, vae, logit_scale, ckpt_info, ): def sd_saver(ckpt_file, epoch_no, global_step): sai_metadata = train_util.get_sai_model_spec(None, args, True, False, False, is_stable_diffusion_ckpt=True) sdxl_model_util.save_stable_diffusion_checkpoint( ckpt_file, text_encoder1, text_encoder2, unet, epoch_no, global_step, ckpt_info, vae, logit_scale, sai_metadata, save_dtype, ) def diffusers_saver(out_dir): sdxl_model_util.save_diffusers_checkpoint( out_dir, text_encoder1, text_encoder2, unet, src_path, vae, use_safetensors=use_safetensors, save_dtype=save_dtype, ) train_util.save_sd_model_on_train_end_common( args, save_stable_diffusion_format, use_safetensors, epoch, global_step, sd_saver, diffusers_saver ) # epochとstepの保存、メタデータにepoch/stepが含まれ引数が同じになるため、統合している # on_epoch_end: Trueならepoch終了時、Falseならstep経過時 def save_sd_model_on_epoch_end_or_stepwise( args: argparse.Namespace, on_epoch_end: bool, accelerator, src_path, save_stable_diffusion_format: bool, use_safetensors: bool, save_dtype: torch.dtype, epoch: int, num_train_epochs: int, global_step: int, text_encoder1, text_encoder2, unet, vae, logit_scale, ckpt_info, ): def sd_saver(ckpt_file, epoch_no, global_step): sai_metadata = train_util.get_sai_model_spec(None, args, True, False, False, is_stable_diffusion_ckpt=True) sdxl_model_util.save_stable_diffusion_checkpoint( ckpt_file, text_encoder1, text_encoder2, unet, epoch_no, global_step, ckpt_info, vae, logit_scale, sai_metadata, save_dtype, ) def diffusers_saver(out_dir): sdxl_model_util.save_diffusers_checkpoint( out_dir, text_encoder1, text_encoder2, unet, src_path, vae, use_safetensors=use_safetensors, save_dtype=save_dtype, ) train_util.save_sd_model_on_epoch_end_or_stepwise_common( args, on_epoch_end, accelerator, save_stable_diffusion_format, use_safetensors, epoch, num_train_epochs, global_step, sd_saver, diffusers_saver, ) def add_sdxl_training_arguments(parser: argparse.ArgumentParser, support_text_encoder_caching: bool = True): if support_text_encoder_caching: parser.add_argument( "--cache_text_encoder_outputs", action="store_true", help="cache text encoder outputs / text encoderの出力をキャッシュする", ) parser.add_argument( "--cache_text_encoder_outputs_to_disk", action="store_true", help="cache text encoder outputs to disk / text encoderの出力をディスクにキャッシュする", ) parser.add_argument( "--disable_mmap_load_safetensors", action="store_true", help="disable mmap load for safetensors. Speed up model loading in WSL environment / safetensorsのmmapロードを無効にする。WSL環境等でモデル読み込みを高速化できる", ) def verify_sdxl_training_args(args: argparse.Namespace, support_text_encoder_caching: bool = True): assert not args.v2, "v2 cannot be enabled in SDXL training / SDXL学習ではv2を有効にすることはできません" if args.clip_skip is not None: logger.warning("clip_skip will be unexpected / SDXL学習ではclip_skipは動作しません") # if args.multires_noise_iterations: # logger.info( # f"Warning: SDXL has been trained with noise_offset={DEFAULT_NOISE_OFFSET}, but noise_offset is disabled due to multires_noise_iterations / SDXLはnoise_offset={DEFAULT_NOISE_OFFSET}で学習されていますが、multires_noise_iterationsが有効になっているためnoise_offsetは無効になります" # ) # else: # if args.noise_offset is None: # args.noise_offset = DEFAULT_NOISE_OFFSET # elif args.noise_offset != DEFAULT_NOISE_OFFSET: # logger.info( # f"Warning: SDXL has been trained with noise_offset={DEFAULT_NOISE_OFFSET} / SDXLはnoise_offset={DEFAULT_NOISE_OFFSET}で学習されています" # ) # logger.info(f"noise_offset is set to {args.noise_offset} / noise_offsetが{args.noise_offset}に設定されました") # assert ( # not hasattr(args, "weighted_captions") or not args.weighted_captions # ), "weighted_captions cannot be enabled in SDXL training currently / SDXL学習では今のところweighted_captionsを有効にすることはできません" if support_text_encoder_caching: if args.cache_text_encoder_outputs_to_disk and not args.cache_text_encoder_outputs: args.cache_text_encoder_outputs = True logger.warning( "cache_text_encoder_outputs is enabled because cache_text_encoder_outputs_to_disk is enabled / " + "cache_text_encoder_outputs_to_diskが有効になっているためcache_text_encoder_outputsが有効になりました" ) def sample_images(*args, **kwargs): from library.sdxl_lpw_stable_diffusion import SdxlStableDiffusionLongPromptWeightingPipeline return train_util.sample_images_common(SdxlStableDiffusionLongPromptWeightingPipeline, *args, **kwargs) ================================================ FILE: library/slicing_vae.py ================================================ # Modified from Diffusers to reduce VRAM usage # Copyright 2022 The HuggingFace Team. All rights reserved. # # Licensed under the Apache License, Version 2.0 (the "License"); # you may not use this file except in compliance with the License. # You may obtain a copy of the License at # # http://www.apache.org/licenses/LICENSE-2.0 # # Unless required by applicable law or agreed to in writing, software # distributed under the License is distributed on an "AS IS" BASIS, # WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. # See the License for the specific language governing permissions and # limitations under the License. from dataclasses import dataclass from typing import Optional, Tuple, Union import numpy as np import torch import torch.nn as nn from diffusers.configuration_utils import ConfigMixin, register_to_config from diffusers.models.modeling_utils import ModelMixin from diffusers.models.unet_2d_blocks import UNetMidBlock2D, get_down_block, get_up_block from diffusers.models.vae import DecoderOutput, DiagonalGaussianDistribution from diffusers.models.autoencoder_kl import AutoencoderKLOutput from .utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) def slice_h(x, num_slices): # slice with pad 1 both sides: to eliminate side effect of padding of conv2d # Conv2dのpaddingの副作用を排除するために、両側にpad 1しながらHをスライスする # NCHWでもNHWCでもどちらでも動く size = (x.shape[2] + num_slices - 1) // num_slices sliced = [] for i in range(num_slices): if i == 0: sliced.append(x[:, :, : size + 1, :]) else: end = size * (i + 1) + 1 if x.shape[2] - end < 3: # if the last slice is too small, use the rest of the tensor 最後が細すぎるとconv2dできないので全部使う end = x.shape[2] sliced.append(x[:, :, size * i - 1 : end, :]) if end >= x.shape[2]: break return sliced def cat_h(sliced): # padding分を除いて結合する cat = [] for i, x in enumerate(sliced): if i == 0: cat.append(x[:, :, :-1, :]) elif i == len(sliced) - 1: cat.append(x[:, :, 1:, :]) else: cat.append(x[:, :, 1:-1, :]) del x x = torch.cat(cat, dim=2) return x def resblock_forward(_self, num_slices, input_tensor, temb, **kwargs): assert _self.upsample is None and _self.downsample is None assert _self.norm1.num_groups == _self.norm2.num_groups assert temb is None # make sure norms are on cpu org_device = input_tensor.device cpu_device = torch.device("cpu") _self.norm1.to(cpu_device) _self.norm2.to(cpu_device) # GroupNormがCPUでfp16で動かない対策 org_dtype = input_tensor.dtype if org_dtype == torch.float16: _self.norm1.to(torch.float32) _self.norm2.to(torch.float32) # すべてのテンソルをCPUに移動する input_tensor = input_tensor.to(cpu_device) hidden_states = input_tensor # どうもこれは結果が異なるようだ…… # def sliced_norm1(norm, x): # num_div = 4 if up_block_idx <= 2 else x.shape[1] // norm.num_groups # sliced_tensor = torch.chunk(x, num_div, dim=1) # sliced_weight = torch.chunk(norm.weight, num_div, dim=0) # sliced_bias = torch.chunk(norm.bias, num_div, dim=0) # logger.info(sliced_tensor[0].shape, num_div, sliced_weight[0].shape, sliced_bias[0].shape) # normed_tensor = [] # for i in range(num_div): # n = torch.group_norm(sliced_tensor[i], norm.num_groups, sliced_weight[i], sliced_bias[i], norm.eps) # normed_tensor.append(n) # del n # x = torch.cat(normed_tensor, dim=1) # return num_div, x # normを分割すると結果が変わるので、ここだけは分割しない。GPUで計算するとVRAMが足りなくなるので、CPUで計算する。幸いCPUでもそこまで遅くない if org_dtype == torch.float16: hidden_states = hidden_states.to(torch.float32) hidden_states = _self.norm1(hidden_states) # run on cpu if org_dtype == torch.float16: hidden_states = hidden_states.to(torch.float16) sliced = slice_h(hidden_states, num_slices) del hidden_states for i in range(len(sliced)): x = sliced[i] sliced[i] = None # 計算する部分だけGPUに移動する、以下同様 x = x.to(org_device) x = _self.nonlinearity(x) x = _self.conv1(x) x = x.to(cpu_device) sliced[i] = x del x hidden_states = cat_h(sliced) del sliced if org_dtype == torch.float16: hidden_states = hidden_states.to(torch.float32) hidden_states = _self.norm2(hidden_states) # run on cpu if org_dtype == torch.float16: hidden_states = hidden_states.to(torch.float16) sliced = slice_h(hidden_states, num_slices) del hidden_states for i in range(len(sliced)): x = sliced[i] sliced[i] = None x = x.to(org_device) x = _self.nonlinearity(x) x = _self.dropout(x) x = _self.conv2(x) x = x.to(cpu_device) sliced[i] = x del x hidden_states = cat_h(sliced) del sliced # make shortcut if _self.conv_shortcut is not None: sliced = list(torch.chunk(input_tensor, num_slices, dim=2)) # no padding in conv_shortcut パディングがないので普通にスライスする del input_tensor for i in range(len(sliced)): x = sliced[i] sliced[i] = None x = x.to(org_device) x = _self.conv_shortcut(x) x = x.to(cpu_device) sliced[i] = x del x input_tensor = torch.cat(sliced, dim=2) del sliced output_tensor = (input_tensor + hidden_states) / _self.output_scale_factor output_tensor = output_tensor.to(org_device) # 次のレイヤーがGPUで計算する return output_tensor class SlicingEncoder(nn.Module): def __init__( self, in_channels=3, out_channels=3, down_block_types=("DownEncoderBlock2D",), block_out_channels=(64,), layers_per_block=2, norm_num_groups=32, act_fn="silu", double_z=True, num_slices=2, ): super().__init__() self.layers_per_block = layers_per_block self.conv_in = torch.nn.Conv2d(in_channels, block_out_channels[0], kernel_size=3, stride=1, padding=1) self.mid_block = None self.down_blocks = nn.ModuleList([]) # down output_channel = block_out_channels[0] for i, down_block_type in enumerate(down_block_types): input_channel = output_channel output_channel = block_out_channels[i] is_final_block = i == len(block_out_channels) - 1 down_block = get_down_block( down_block_type, num_layers=self.layers_per_block, in_channels=input_channel, out_channels=output_channel, add_downsample=not is_final_block, resnet_eps=1e-6, downsample_padding=0, resnet_act_fn=act_fn, resnet_groups=norm_num_groups, attention_head_dim=output_channel, temb_channels=None, ) self.down_blocks.append(down_block) # mid self.mid_block = UNetMidBlock2D( in_channels=block_out_channels[-1], resnet_eps=1e-6, resnet_act_fn=act_fn, output_scale_factor=1, resnet_time_scale_shift="default", attention_head_dim=block_out_channels[-1], resnet_groups=norm_num_groups, temb_channels=None, ) self.mid_block.attentions[0].set_use_memory_efficient_attention_xformers(True) # とりあえずDiffusersのxformersを使う # out self.conv_norm_out = nn.GroupNorm(num_channels=block_out_channels[-1], num_groups=norm_num_groups, eps=1e-6) self.conv_act = nn.SiLU() conv_out_channels = 2 * out_channels if double_z else out_channels self.conv_out = nn.Conv2d(block_out_channels[-1], conv_out_channels, 3, padding=1) # replace forward of ResBlocks def wrapper(func, module, num_slices): def forward(*args, **kwargs): return func(module, num_slices, *args, **kwargs) return forward self.num_slices = num_slices div = num_slices / (2 ** (len(self.down_blocks) - 1)) # 深い層はそこまで分割しなくていいので適宜減らす # logger.info(f"initial divisor: {div}") if div >= 2: div = int(div) for resnet in self.mid_block.resnets: resnet.forward = wrapper(resblock_forward, resnet, div) # midblock doesn't have downsample for i, down_block in enumerate(self.down_blocks[::-1]): if div >= 2: div = int(div) # logger.info(f"down block: {i} divisor: {div}") for resnet in down_block.resnets: resnet.forward = wrapper(resblock_forward, resnet, div) if down_block.downsamplers is not None: # logger.info("has downsample") for downsample in down_block.downsamplers: downsample.forward = wrapper(self.downsample_forward, downsample, div * 2) div *= 2 def forward(self, x): sample = x del x org_device = sample.device cpu_device = torch.device("cpu") # sample = self.conv_in(sample) sample = sample.to(cpu_device) sliced = slice_h(sample, self.num_slices) del sample for i in range(len(sliced)): x = sliced[i] sliced[i] = None x = x.to(org_device) x = self.conv_in(x) x = x.to(cpu_device) sliced[i] = x del x sample = cat_h(sliced) del sliced sample = sample.to(org_device) # down for down_block in self.down_blocks: sample = down_block(sample) # middle sample = self.mid_block(sample) # post-process # ここも省メモリ化したいが、恐らくそこまでメモリを食わないので省略 sample = self.conv_norm_out(sample) sample = self.conv_act(sample) sample = self.conv_out(sample) return sample def downsample_forward(self, _self, num_slices, hidden_states): assert hidden_states.shape[1] == _self.channels assert _self.use_conv and _self.padding == 0 logger.info(f"downsample forward {num_slices} {hidden_states.shape}") org_device = hidden_states.device cpu_device = torch.device("cpu") hidden_states = hidden_states.to(cpu_device) pad = (0, 1, 0, 1) hidden_states = torch.nn.functional.pad(hidden_states, pad, mode="constant", value=0) # slice with even number because of stride 2 # strideが2なので偶数でスライスする # slice with pad 1 both sides: to eliminate side effect of padding of conv2d size = (hidden_states.shape[2] + num_slices - 1) // num_slices size = size + 1 if size % 2 == 1 else size sliced = [] for i in range(num_slices): if i == 0: sliced.append(hidden_states[:, :, : size + 1, :]) else: end = size * (i + 1) + 1 if hidden_states.shape[2] - end < 4: # if the last slice is too small, use the rest of the tensor end = hidden_states.shape[2] sliced.append(hidden_states[:, :, size * i - 1 : end, :]) if end >= hidden_states.shape[2]: break del hidden_states for i in range(len(sliced)): x = sliced[i] sliced[i] = None x = x.to(org_device) x = _self.conv(x) x = x.to(cpu_device) # ここだけ雰囲気が違うのはCopilotのせい if i == 0: hidden_states = x else: hidden_states = torch.cat([hidden_states, x], dim=2) hidden_states = hidden_states.to(org_device) # logger.info(f"downsample forward done {hidden_states.shape}") return hidden_states class SlicingDecoder(nn.Module): def __init__( self, in_channels=3, out_channels=3, up_block_types=("UpDecoderBlock2D",), block_out_channels=(64,), layers_per_block=2, norm_num_groups=32, act_fn="silu", num_slices=2, ): super().__init__() self.layers_per_block = layers_per_block self.conv_in = nn.Conv2d(in_channels, block_out_channels[-1], kernel_size=3, stride=1, padding=1) self.mid_block = None self.up_blocks = nn.ModuleList([]) # mid self.mid_block = UNetMidBlock2D( in_channels=block_out_channels[-1], resnet_eps=1e-6, resnet_act_fn=act_fn, output_scale_factor=1, resnet_time_scale_shift="default", attention_head_dim=block_out_channels[-1], resnet_groups=norm_num_groups, temb_channels=None, ) self.mid_block.attentions[0].set_use_memory_efficient_attention_xformers(True) # とりあえずDiffusersのxformersを使う # up reversed_block_out_channels = list(reversed(block_out_channels)) output_channel = reversed_block_out_channels[0] for i, up_block_type in enumerate(up_block_types): prev_output_channel = output_channel output_channel = reversed_block_out_channels[i] is_final_block = i == len(block_out_channels) - 1 up_block = get_up_block( up_block_type, num_layers=self.layers_per_block + 1, in_channels=prev_output_channel, out_channels=output_channel, prev_output_channel=None, add_upsample=not is_final_block, resnet_eps=1e-6, resnet_act_fn=act_fn, resnet_groups=norm_num_groups, attention_head_dim=output_channel, temb_channels=None, ) self.up_blocks.append(up_block) prev_output_channel = output_channel # out self.conv_norm_out = nn.GroupNorm(num_channels=block_out_channels[0], num_groups=norm_num_groups, eps=1e-6) self.conv_act = nn.SiLU() self.conv_out = nn.Conv2d(block_out_channels[0], out_channels, 3, padding=1) # replace forward of ResBlocks def wrapper(func, module, num_slices): def forward(*args, **kwargs): return func(module, num_slices, *args, **kwargs) return forward self.num_slices = num_slices div = num_slices / (2 ** (len(self.up_blocks) - 1)) logger.info(f"initial divisor: {div}") if div >= 2: div = int(div) for resnet in self.mid_block.resnets: resnet.forward = wrapper(resblock_forward, resnet, div) # midblock doesn't have upsample for i, up_block in enumerate(self.up_blocks): if div >= 2: div = int(div) # logger.info(f"up block: {i} divisor: {div}") for resnet in up_block.resnets: resnet.forward = wrapper(resblock_forward, resnet, div) if up_block.upsamplers is not None: # logger.info("has upsample") for upsample in up_block.upsamplers: upsample.forward = wrapper(self.upsample_forward, upsample, div * 2) div *= 2 def forward(self, z): sample = z del z sample = self.conv_in(sample) # middle sample = self.mid_block(sample) # up for i, up_block in enumerate(self.up_blocks): sample = up_block(sample) # post-process sample = self.conv_norm_out(sample) sample = self.conv_act(sample) # conv_out with slicing because of VRAM usage # conv_outはとてもVRAM使うのでスライスして対応 org_device = sample.device cpu_device = torch.device("cpu") sample = sample.to(cpu_device) sliced = slice_h(sample, self.num_slices) del sample for i in range(len(sliced)): x = sliced[i] sliced[i] = None x = x.to(org_device) x = self.conv_out(x) x = x.to(cpu_device) sliced[i] = x sample = cat_h(sliced) del sliced sample = sample.to(org_device) return sample def upsample_forward(self, _self, num_slices, hidden_states, output_size=None): assert hidden_states.shape[1] == _self.channels assert _self.use_conv_transpose == False and _self.use_conv org_dtype = hidden_states.dtype org_device = hidden_states.device cpu_device = torch.device("cpu") hidden_states = hidden_states.to(cpu_device) sliced = slice_h(hidden_states, num_slices) del hidden_states for i in range(len(sliced)): x = sliced[i] sliced[i] = None x = x.to(org_device) # Cast to float32 to as 'upsample_nearest2d_out_frame' op does not support bfloat16 # TODO(Suraj): Remove this cast once the issue is fixed in PyTorch # https://github.com/pytorch/pytorch/issues/86679 # PyTorch 2で直らないかね…… if org_dtype == torch.bfloat16: x = x.to(torch.float32) x = torch.nn.functional.interpolate(x, scale_factor=2.0, mode="nearest") if org_dtype == torch.bfloat16: x = x.to(org_dtype) x = _self.conv(x) # upsampleされてるのでpadは2になる if i == 0: x = x[:, :, :-2, :] elif i == num_slices - 1: x = x[:, :, 2:, :] else: x = x[:, :, 2:-2, :] x = x.to(cpu_device) sliced[i] = x del x hidden_states = torch.cat(sliced, dim=2) # logger.info(f"us hidden_states {hidden_states.shape}") del sliced hidden_states = hidden_states.to(org_device) return hidden_states class SlicingAutoencoderKL(ModelMixin, ConfigMixin): r"""Variational Autoencoder (VAE) model with KL loss from the paper Auto-Encoding Variational Bayes by Diederik P. Kingma and Max Welling. This model inherits from [`ModelMixin`]. Check the superclass documentation for the generic methods the library implements for all the model (such as downloading or saving, etc.) Parameters: in_channels (int, *optional*, defaults to 3): Number of channels in the input image. out_channels (int, *optional*, defaults to 3): Number of channels in the output. down_block_types (`Tuple[str]`, *optional*, defaults to : obj:`("DownEncoderBlock2D",)`): Tuple of downsample block types. up_block_types (`Tuple[str]`, *optional*, defaults to : obj:`("UpDecoderBlock2D",)`): Tuple of upsample block types. block_out_channels (`Tuple[int]`, *optional*, defaults to : obj:`(64,)`): Tuple of block output channels. act_fn (`str`, *optional*, defaults to `"silu"`): The activation function to use. latent_channels (`int`, *optional*, defaults to `4`): Number of channels in the latent space. sample_size (`int`, *optional*, defaults to `32`): TODO """ @register_to_config def __init__( self, in_channels: int = 3, out_channels: int = 3, down_block_types: Tuple[str] = ("DownEncoderBlock2D",), up_block_types: Tuple[str] = ("UpDecoderBlock2D",), block_out_channels: Tuple[int] = (64,), layers_per_block: int = 1, act_fn: str = "silu", latent_channels: int = 4, norm_num_groups: int = 32, sample_size: int = 32, num_slices: int = 16, ): super().__init__() # pass init params to Encoder self.encoder = SlicingEncoder( in_channels=in_channels, out_channels=latent_channels, down_block_types=down_block_types, block_out_channels=block_out_channels, layers_per_block=layers_per_block, act_fn=act_fn, norm_num_groups=norm_num_groups, double_z=True, num_slices=num_slices, ) # pass init params to Decoder self.decoder = SlicingDecoder( in_channels=latent_channels, out_channels=out_channels, up_block_types=up_block_types, block_out_channels=block_out_channels, layers_per_block=layers_per_block, norm_num_groups=norm_num_groups, act_fn=act_fn, num_slices=num_slices, ) self.quant_conv = torch.nn.Conv2d(2 * latent_channels, 2 * latent_channels, 1) self.post_quant_conv = torch.nn.Conv2d(latent_channels, latent_channels, 1) self.use_slicing = False def encode(self, x: torch.FloatTensor, return_dict: bool = True) -> AutoencoderKLOutput: h = self.encoder(x) moments = self.quant_conv(h) posterior = DiagonalGaussianDistribution(moments) if not return_dict: return (posterior,) return AutoencoderKLOutput(latent_dist=posterior) def _decode(self, z: torch.FloatTensor, return_dict: bool = True) -> Union[DecoderOutput, torch.FloatTensor]: z = self.post_quant_conv(z) dec = self.decoder(z) if not return_dict: return (dec,) return DecoderOutput(sample=dec) # これはバッチ方向のスライシング　紛らわしい def enable_slicing(self): r""" Enable sliced VAE decoding. When this option is enabled, the VAE will split the input tensor in slices to compute decoding in several steps. This is useful to save some memory and allow larger batch sizes. """ self.use_slicing = True def disable_slicing(self): r""" Disable sliced VAE decoding. If `enable_slicing` was previously invoked, this method will go back to computing decoding in one step. """ self.use_slicing = False def decode(self, z: torch.FloatTensor, return_dict: bool = True) -> Union[DecoderOutput, torch.FloatTensor]: if self.use_slicing and z.shape[0] > 1: decoded_slices = [self._decode(z_slice).sample for z_slice in z.split(1)] decoded = torch.cat(decoded_slices) else: decoded = self._decode(z).sample if not return_dict: return (decoded,) return DecoderOutput(sample=decoded) def forward( self, sample: torch.FloatTensor, sample_posterior: bool = False, return_dict: bool = True, generator: Optional[torch.Generator] = None, ) -> Union[DecoderOutput, torch.FloatTensor]: r""" Args: sample (`torch.FloatTensor`): Input sample. sample_posterior (`bool`, *optional*, defaults to `False`): Whether to sample from the posterior. return_dict (`bool`, *optional*, defaults to `True`): Whether or not to return a [`DecoderOutput`] instead of a plain tuple. """ x = sample posterior = self.encode(x).latent_dist if sample_posterior: z = posterior.sample(generator=generator) else: z = posterior.mode() dec = self.decode(z).sample if not return_dict: return (dec,) return DecoderOutput(sample=dec) ================================================ FILE: library/strategy_anima.py ================================================ # Anima Strategy Classes import os import random from typing import Any, List, Optional, Tuple, Union import numpy as np import torch from library import anima_utils, train_util from library.strategy_base import LatentsCachingStrategy, TextEncodingStrategy, TokenizeStrategy, TextEncoderOutputsCachingStrategy from library import qwen_image_autoencoder_kl from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) class AnimaTokenizeStrategy(TokenizeStrategy): """Tokenize strategy for Anima: dual tokenization with Qwen3 + T5. Qwen3 tokens are used for the text encoder. T5 tokens are used as target input IDs for the LLM Adapter (NOT encoded by T5). Can be initialized with either pre-loaded tokenizer objects or paths to load from. """ def __init__( self, qwen3_tokenizer=None, t5_tokenizer=None, qwen3_max_length: int = 512, t5_max_length: int = 512, qwen3_path: Optional[str] = None, t5_tokenizer_path: Optional[str] = None, ) -> None: # Load tokenizers from paths if not provided directly if qwen3_tokenizer is None: if qwen3_path is None: raise ValueError("Either qwen3_tokenizer or qwen3_path must be provided") qwen3_tokenizer = anima_utils.load_qwen3_tokenizer(qwen3_path) if t5_tokenizer is None: t5_tokenizer = anima_utils.load_t5_tokenizer(t5_tokenizer_path) self.qwen3_tokenizer = qwen3_tokenizer self.qwen3_max_length = qwen3_max_length self.t5_tokenizer = t5_tokenizer self.t5_max_length = t5_max_length def tokenize(self, text: Union[str, List[str]]) -> List[torch.Tensor]: text = [text] if isinstance(text, str) else text # Tokenize with Qwen3 qwen3_encoding = self.qwen3_tokenizer.batch_encode_plus( text, return_tensors="pt", truncation=True, padding="max_length", max_length=self.qwen3_max_length ) qwen3_input_ids = qwen3_encoding["input_ids"] qwen3_attn_mask = qwen3_encoding["attention_mask"] # Tokenize with T5 (for LLM Adapter target tokens) t5_encoding = self.t5_tokenizer.batch_encode_plus( text, return_tensors="pt", truncation=True, padding="max_length", max_length=self.t5_max_length ) t5_input_ids = t5_encoding["input_ids"] t5_attn_mask = t5_encoding["attention_mask"] return [qwen3_input_ids, qwen3_attn_mask, t5_input_ids, t5_attn_mask] class AnimaTextEncodingStrategy(TextEncodingStrategy): """Text encoding strategy for Anima. Encodes Qwen3 tokens through the Qwen3 text encoder to get hidden states. T5 tokens are passed through unchanged (only used by LLM Adapter). """ def __init__(self) -> None: super().__init__() def encode_tokens( self, tokenize_strategy: TokenizeStrategy, models: List[Any], tokens: List[torch.Tensor] ) -> List[torch.Tensor]: """Encode Qwen3 tokens and return embeddings + T5 token IDs. Args: models: [qwen3_text_encoder] tokens: [qwen3_input_ids, qwen3_attn_mask, t5_input_ids, t5_attn_mask] Returns: [prompt_embeds, attn_mask, t5_input_ids, t5_attn_mask] """ # Do not handle dropout here; handled dataset-side or in drop_cached_text_encoder_outputs() qwen3_text_encoder = models[0] qwen3_input_ids, qwen3_attn_mask, t5_input_ids, t5_attn_mask = tokens encoder_device = qwen3_text_encoder.device qwen3_input_ids = qwen3_input_ids.to(encoder_device) qwen3_attn_mask = qwen3_attn_mask.to(encoder_device) outputs = qwen3_text_encoder(input_ids=qwen3_input_ids, attention_mask=qwen3_attn_mask) prompt_embeds = outputs.last_hidden_state prompt_embeds[~qwen3_attn_mask.bool()] = 0 return [prompt_embeds, qwen3_attn_mask, t5_input_ids, t5_attn_mask] def drop_cached_text_encoder_outputs( self, prompt_embeds: torch.Tensor, attn_mask: torch.Tensor, t5_input_ids: torch.Tensor, t5_attn_mask: torch.Tensor, caption_dropout_rates: Optional[torch.Tensor] = None, ) -> List[torch.Tensor]: """Apply dropout to cached text encoder outputs. Called during training when using cached outputs. Replaces dropped items with pre-cached unconditional embeddings (from encoding "") to match diffusion-pipe-main behavior. """ if caption_dropout_rates is None or torch.all(caption_dropout_rates == 0.0).item(): return [prompt_embeds, attn_mask, t5_input_ids, t5_attn_mask] # Clone to avoid in-place modification of cached tensors prompt_embeds = prompt_embeds.clone() if attn_mask is not None: attn_mask = attn_mask.clone() if t5_input_ids is not None: t5_input_ids = t5_input_ids.clone() if t5_attn_mask is not None: t5_attn_mask = t5_attn_mask.clone() for i in range(prompt_embeds.shape[0]): if random.random() < caption_dropout_rates[i].item(): # Use pre-cached unconditional embeddings prompt_embeds[i] = 0 if attn_mask is not None: attn_mask[i] = 0 if t5_input_ids is not None: t5_input_ids[i, 0] = 1 # Set to token ID t5_input_ids[i, 1:] = 0 if t5_attn_mask is not None: t5_attn_mask[i, 0] = 1 t5_attn_mask[i, 1:] = 0 return [prompt_embeds, attn_mask, t5_input_ids, t5_attn_mask] class AnimaTextEncoderOutputsCachingStrategy(TextEncoderOutputsCachingStrategy): """Caching strategy for Anima text encoder outputs. Caches: prompt_embeds (float), attn_mask (int), t5_input_ids (int), t5_attn_mask (int) """ ANIMA_TEXT_ENCODER_OUTPUTS_NPZ_SUFFIX = "_anima_te.npz" def __init__( self, cache_to_disk: bool, batch_size: int, skip_disk_cache_validity_check: bool, is_partial: bool = False, ) -> None: super().__init__(cache_to_disk, batch_size, skip_disk_cache_validity_check, is_partial) def get_outputs_npz_path(self, image_abs_path: str) -> str: return os.path.splitext(image_abs_path)[0] + self.ANIMA_TEXT_ENCODER_OUTPUTS_NPZ_SUFFIX def is_disk_cached_outputs_expected(self, npz_path: str) -> bool: if not self.cache_to_disk: return False if not os.path.exists(npz_path): return False if self.skip_disk_cache_validity_check: return True try: npz = np.load(npz_path) if "prompt_embeds" not in npz: return False if "attn_mask" not in npz: return False if "t5_input_ids" not in npz: return False if "t5_attn_mask" not in npz: return False if "caption_dropout_rate" not in npz: return False except Exception as e: logger.error(f"Error loading file: {npz_path}") raise e return True def load_outputs_npz(self, npz_path: str) -> List[np.ndarray]: data = np.load(npz_path) prompt_embeds = data["prompt_embeds"] attn_mask = data["attn_mask"] t5_input_ids = data["t5_input_ids"] t5_attn_mask = data["t5_attn_mask"] caption_dropout_rate = data["caption_dropout_rate"] return [prompt_embeds, attn_mask, t5_input_ids, t5_attn_mask, caption_dropout_rate] def cache_batch_outputs( self, tokenize_strategy: TokenizeStrategy, models: List[Any], text_encoding_strategy: TextEncodingStrategy, infos: List, ): anima_text_encoding_strategy: AnimaTextEncodingStrategy = text_encoding_strategy captions = [info.caption for info in infos] tokens_and_masks = tokenize_strategy.tokenize(captions) with torch.no_grad(): prompt_embeds, attn_mask, t5_input_ids, t5_attn_mask = anima_text_encoding_strategy.encode_tokens( tokenize_strategy, models, tokens_and_masks ) # Convert to numpy for caching if prompt_embeds.dtype == torch.bfloat16: prompt_embeds = prompt_embeds.float() prompt_embeds = prompt_embeds.cpu().numpy() attn_mask = attn_mask.cpu().numpy() t5_input_ids = t5_input_ids.cpu().numpy().astype(np.int32) t5_attn_mask = t5_attn_mask.cpu().numpy().astype(np.int32) for i, info in enumerate(infos): prompt_embeds_i = prompt_embeds[i] attn_mask_i = attn_mask[i] t5_input_ids_i = t5_input_ids[i] t5_attn_mask_i = t5_attn_mask[i] caption_dropout_rate = torch.tensor(info.caption_dropout_rate, dtype=torch.float32) if self.cache_to_disk: np.savez( info.text_encoder_outputs_npz, prompt_embeds=prompt_embeds_i, attn_mask=attn_mask_i, t5_input_ids=t5_input_ids_i, t5_attn_mask=t5_attn_mask_i, caption_dropout_rate=caption_dropout_rate, ) else: info.text_encoder_outputs = (prompt_embeds_i, attn_mask_i, t5_input_ids_i, t5_attn_mask_i, caption_dropout_rate) class AnimaLatentsCachingStrategy(LatentsCachingStrategy): """Latent caching strategy for Anima using WanVAE. WanVAE produces 16-channel latents with spatial downscale 8x. Latent shape for images: (B, 16, 1, H/8, W/8) """ ANIMA_LATENTS_NPZ_SUFFIX = "_anima.npz" def __init__(self, cache_to_disk: bool, batch_size: int, skip_disk_cache_validity_check: bool) -> None: super().__init__(cache_to_disk, batch_size, skip_disk_cache_validity_check) @property def cache_suffix(self) -> str: return self.ANIMA_LATENTS_NPZ_SUFFIX def get_latents_npz_path(self, absolute_path: str, image_size: Tuple[int, int]) -> str: return os.path.splitext(absolute_path)[0] + f"_{image_size[0]:04d}x{image_size[1]:04d}" + self.ANIMA_LATENTS_NPZ_SUFFIX def is_disk_cached_latents_expected(self, bucket_reso: Tuple[int, int], npz_path: str, flip_aug: bool, alpha_mask: bool): return self._default_is_disk_cached_latents_expected(8, bucket_reso, npz_path, flip_aug, alpha_mask, multi_resolution=True) def load_latents_from_disk( self, npz_path: str, bucket_reso: Tuple[int, int] ) -> Tuple[Optional[np.ndarray], Optional[List[int]], Optional[List[int]], Optional[np.ndarray], Optional[np.ndarray]]: return self._default_load_latents_from_disk(8, npz_path, bucket_reso) def cache_batch_latents(self, vae, image_infos: List, flip_aug: bool, alpha_mask: bool, random_crop: bool): """Cache batch of latents using Qwen Image VAE. vae is expected to be the Qwen Image VAE (AutoencoderKLQwenImage). The encoding function handles the mean/std normalization. """ vae: qwen_image_autoencoder_kl.AutoencoderKLQwenImage = vae vae_device = vae.device vae_dtype = vae.dtype def encode_by_vae(img_tensor): """Encode image tensor to latents. img_tensor: (B, C, H, W) in [-1, 1] range (already normalized by IMAGE_TRANSFORMS) Qwen Image VAE accepts inputs in (B, C, H, W) or (B, C, 1, H, W) shape. Returns latents in (B, 16, 1, H/8, W/8) shape on CPU. """ latents = vae.encode_pixels_to_latents(img_tensor) # Keep 4D for input/output return latents.to("cpu") self._default_cache_batch_latents( encode_by_vae, vae_device, vae_dtype, image_infos, flip_aug, alpha_mask, random_crop, multi_resolution=True ) if not train_util.HIGH_VRAM: train_util.clean_memory_on_device(vae_device) ================================================ FILE: library/strategy_base.py ================================================ # base class for platform strategies. this file defines the interface for strategies import os import re from typing import Any, List, Optional, Tuple, Union, Callable import numpy as np import torch from transformers import CLIPTokenizer, CLIPTextModel, CLIPTextModelWithProjection # TODO remove circular import by moving ImageInfo to a separate file # from library.train_util import ImageInfo from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) class TokenizeStrategy: _strategy = None # strategy instance: actual strategy class _re_attention = re.compile( r"""\\\(| \\\)| \\\[| \\]| \\\\| \\| \(| \[| :([+-]?[.\d]+)\)| \)| ]| [^\\()\[\]:]+| : """, re.X, ) @classmethod def set_strategy(cls, strategy): if cls._strategy is not None: raise RuntimeError(f"Internal error. {cls.__name__} strategy is already set") cls._strategy = strategy @classmethod def get_strategy(cls) -> Optional["TokenizeStrategy"]: return cls._strategy def _load_tokenizer( self, model_class: Any, model_id: str, subfolder: Optional[str] = None, tokenizer_cache_dir: Optional[str] = None ) -> Any: tokenizer = None if tokenizer_cache_dir: local_tokenizer_path = os.path.join(tokenizer_cache_dir, model_id.replace("/", "_")) if os.path.exists(local_tokenizer_path): logger.info(f"load tokenizer from cache: {local_tokenizer_path}") tokenizer = model_class.from_pretrained(local_tokenizer_path) # same for v1 and v2 if tokenizer is None: tokenizer = model_class.from_pretrained(model_id, subfolder=subfolder) if tokenizer_cache_dir and not os.path.exists(local_tokenizer_path): logger.info(f"save Tokenizer to cache: {local_tokenizer_path}") tokenizer.save_pretrained(local_tokenizer_path) return tokenizer def tokenize(self, text: Union[str, List[str]]) -> List[torch.Tensor]: raise NotImplementedError def tokenize_with_weights(self, text: Union[str, List[str]]) -> Tuple[List[torch.Tensor], List[torch.Tensor]]: """ returns: [tokens1, tokens2, ...], [weights1, weights2, ...] """ raise NotImplementedError def _get_weighted_input_ids( self, tokenizer: CLIPTokenizer, text: str, max_length: Optional[int] = None ) -> Tuple[torch.Tensor, torch.Tensor]: """ max_length includes starting and ending tokens. """ def parse_prompt_attention(text): """ Parses a string with attention tokens and returns a list of pairs: text and its associated weight. Accepted tokens are: (abc) - increases attention to abc by a multiplier of 1.1 (abc:3.12) - increases attention to abc by a multiplier of 3.12 [abc] - decreases attention to abc by a multiplier of 1.1 \( - literal character '(' \[ - literal character '[' \) - literal character ')' \] - literal character ']' \\ - literal character '\' anything else - just text >>> parse_prompt_attention('normal text') [['normal text', 1.0]] >>> parse_prompt_attention('an (important) word') [['an ', 1.0], ['important', 1.1], [' word', 1.0]] >>> parse_prompt_attention('(unbalanced') [['unbalanced', 1.1]] >>> parse_prompt_attention('\(literal\]') [['(literal]', 1.0]] >>> parse_prompt_attention('(unnecessary)(parens)') [['unnecessaryparens', 1.1]] >>> parse_prompt_attention('a (((house:1.3)) [on] a (hill:0.5), sun, (((sky))).') [['a ', 1.0], ['house', 1.5730000000000004], [' ', 1.1], ['on', 1.0], [' a ', 1.1], ['hill', 0.55], [', sun, ', 1.1], ['sky', 1.4641000000000006], ['.', 1.1]] """ res = [] round_brackets = [] square_brackets = [] round_bracket_multiplier = 1.1 square_bracket_multiplier = 1 / 1.1 def multiply_range(start_position, multiplier): for p in range(start_position, len(res)): res[p][1] *= multiplier for m in TokenizeStrategy._re_attention.finditer(text): text = m.group(0) weight = m.group(1) if text.startswith("\\"): res.append([text[1:], 1.0]) elif text == "(": round_brackets.append(len(res)) elif text == "[": square_brackets.append(len(res)) elif weight is not None and len(round_brackets) > 0: multiply_range(round_brackets.pop(), float(weight)) elif text == ")" and len(round_brackets) > 0: multiply_range(round_brackets.pop(), round_bracket_multiplier) elif text == "]" and len(square_brackets) > 0: multiply_range(square_brackets.pop(), square_bracket_multiplier) else: res.append([text, 1.0]) for pos in round_brackets: multiply_range(pos, round_bracket_multiplier) for pos in square_brackets: multiply_range(pos, square_bracket_multiplier) if len(res) == 0: res = [["", 1.0]] # merge runs of identical weights i = 0 while i + 1 < len(res): if res[i][1] == res[i + 1][1]: res[i][0] += res[i + 1][0] res.pop(i + 1) else: i += 1 return res def get_prompts_with_weights(text: str, max_length: int): r""" Tokenize a list of prompts and return its tokens with weights of each token. max_length does not include starting and ending token. No padding, starting or ending token is included. """ truncated = False texts_and_weights = parse_prompt_attention(text) tokens = [] weights = [] for word, weight in texts_and_weights: # tokenize and discard the starting and the ending token token = tokenizer(word).input_ids[1:-1] tokens += token # copy the weight by length of token weights += [weight] * len(token) # stop if the text is too long (longer than truncation limit) if len(tokens) > max_length: truncated = True break # truncate if len(tokens) > max_length: truncated = True tokens = tokens[:max_length] weights = weights[:max_length] if truncated: logger.warning("Prompt was truncated. Try to shorten the prompt or increase max_embeddings_multiples") return tokens, weights def pad_tokens_and_weights(tokens, weights, max_length, bos, eos, pad): r""" Pad the tokens (with starting and ending tokens) and weights (with 1.0) to max_length. """ tokens = [bos] + tokens + [eos] + [pad] * (max_length - 2 - len(tokens)) weights = [1.0] + weights + [1.0] * (max_length - 1 - len(weights)) return tokens, weights if max_length is None: max_length = tokenizer.model_max_length tokens, weights = get_prompts_with_weights(text, max_length - 2) tokens, weights = pad_tokens_and_weights( tokens, weights, max_length, tokenizer.bos_token_id, tokenizer.eos_token_id, tokenizer.pad_token_id ) return torch.tensor(tokens).unsqueeze(0), torch.tensor(weights).unsqueeze(0) def _get_input_ids( self, tokenizer: CLIPTokenizer, text: str, max_length: Optional[int] = None, weighted: bool = False ) -> torch.Tensor: """ for SD1.5/2.0/SDXL TODO support batch input """ if max_length is None: max_length = tokenizer.model_max_length - 2 if weighted: input_ids, weights = self._get_weighted_input_ids(tokenizer, text, max_length) else: input_ids = tokenizer(text, padding="max_length", truncation=True, max_length=max_length, return_tensors="pt").input_ids if max_length > tokenizer.model_max_length: input_ids = input_ids.squeeze(0) iids_list = [] if tokenizer.pad_token_id == tokenizer.eos_token_id: # v1 # 77以上の時は " .... " でトータル227とかになっているので、"..."の三連に変換する # 1111氏のやつは , で区切る、とかしているようだが　とりあえず単純に for i in range(1, max_length - tokenizer.model_max_length + 2, tokenizer.model_max_length - 2): # (1, 152, 75) ids_chunk = ( input_ids[0].unsqueeze(0), input_ids[i : i + tokenizer.model_max_length - 2], input_ids[-1].unsqueeze(0), ) ids_chunk = torch.cat(ids_chunk) iids_list.append(ids_chunk) else: # v2 or SDXL # 77以上の時は " .... ..." でトータル227とかになっているので、"... ..."の三連に変換する for i in range(1, max_length - tokenizer.model_max_length + 2, tokenizer.model_max_length - 2): ids_chunk = ( input_ids[0].unsqueeze(0), # BOS input_ids[i : i + tokenizer.model_max_length - 2], input_ids[-1].unsqueeze(0), ) # PAD or EOS ids_chunk = torch.cat(ids_chunk) # 末尾が または の場合は、何もしなくてよい # 末尾が x の場合は末尾を に変える（x なら結果的に変化なし） if ids_chunk[-2] != tokenizer.eos_token_id and ids_chunk[-2] != tokenizer.pad_token_id: ids_chunk[-1] = tokenizer.eos_token_id # 先頭が ... の場合は ... に変える if ids_chunk[1] == tokenizer.pad_token_id: ids_chunk[1] = tokenizer.eos_token_id iids_list.append(ids_chunk) input_ids = torch.stack(iids_list) # 3,77 if weighted: weights = weights.squeeze(0) new_weights = torch.ones(input_ids.shape) for i in range(1, max_length - tokenizer.model_max_length + 2, tokenizer.model_max_length - 2): b = i // (tokenizer.model_max_length - 2) new_weights[b, 1 : 1 + tokenizer.model_max_length - 2] = weights[i : i + tokenizer.model_max_length - 2] weights = new_weights if weighted: return input_ids, weights return input_ids class TextEncodingStrategy: _strategy = None # strategy instance: actual strategy class @classmethod def set_strategy(cls, strategy): if cls._strategy is not None: raise RuntimeError(f"Internal error. {cls.__name__} strategy is already set") cls._strategy = strategy @classmethod def get_strategy(cls) -> Optional["TextEncodingStrategy"]: return cls._strategy def encode_tokens( self, tokenize_strategy: TokenizeStrategy, models: List[Any], tokens: List[torch.Tensor] ) -> List[torch.Tensor]: """ Encode tokens into embeddings and outputs. :param tokens: list of token tensors for each TextModel :return: list of output embeddings for each architecture """ raise NotImplementedError def encode_tokens_with_weights( self, tokenize_strategy: TokenizeStrategy, models: List[Any], tokens: List[torch.Tensor], weights: List[torch.Tensor] ) -> List[torch.Tensor]: """ Encode tokens into embeddings and outputs. :param tokens: list of token tensors for each TextModel :param weights: list of weight tensors for each TextModel :return: list of output embeddings for each architecture """ raise NotImplementedError class TextEncoderOutputsCachingStrategy: _strategy = None # strategy instance: actual strategy class def __init__( self, cache_to_disk: bool, batch_size: Optional[int], skip_disk_cache_validity_check: bool, is_partial: bool = False, is_weighted: bool = False, ) -> None: self._cache_to_disk = cache_to_disk self._batch_size = batch_size self.skip_disk_cache_validity_check = skip_disk_cache_validity_check self._is_partial = is_partial self._is_weighted = is_weighted @classmethod def set_strategy(cls, strategy): if cls._strategy is not None: raise RuntimeError(f"Internal error. {cls.__name__} strategy is already set") cls._strategy = strategy @classmethod def get_strategy(cls) -> Optional["TextEncoderOutputsCachingStrategy"]: return cls._strategy @property def cache_to_disk(self): return self._cache_to_disk @property def batch_size(self): return self._batch_size @property def is_partial(self): return self._is_partial @property def is_weighted(self): return self._is_weighted def get_outputs_npz_path(self, image_abs_path: str) -> str: raise NotImplementedError def load_outputs_npz(self, npz_path: str) -> List[np.ndarray]: raise NotImplementedError def is_disk_cached_outputs_expected(self, npz_path: str) -> bool: raise NotImplementedError def cache_batch_outputs( self, tokenize_strategy: TokenizeStrategy, models: List[Any], text_encoding_strategy: TextEncodingStrategy, batch: List ): raise NotImplementedError class LatentsCachingStrategy: # TODO commonize utillity functions to this class, such as npz handling etc. _strategy = None # strategy instance: actual strategy class def __init__(self, cache_to_disk: bool, batch_size: int, skip_disk_cache_validity_check: bool) -> None: self._cache_to_disk = cache_to_disk self._batch_size = batch_size self.skip_disk_cache_validity_check = skip_disk_cache_validity_check @classmethod def set_strategy(cls, strategy): if cls._strategy is not None: raise RuntimeError(f"Internal error. {cls.__name__} strategy is already set") cls._strategy = strategy @classmethod def get_strategy(cls) -> Optional["LatentsCachingStrategy"]: return cls._strategy @property def cache_to_disk(self): return self._cache_to_disk @property def batch_size(self): return self._batch_size @property def cache_suffix(self): raise NotImplementedError def get_image_size_from_disk_cache_path(self, absolute_path: str, npz_path: str) -> Tuple[Optional[int], Optional[int]]: w, h = os.path.splitext(npz_path)[0].split("_")[-2].split("x") return int(w), int(h) def get_latents_npz_path(self, absolute_path: str, image_size: Tuple[int, int]) -> str: raise NotImplementedError def is_disk_cached_latents_expected( self, bucket_reso: Tuple[int, int], npz_path: str, flip_aug: bool, alpha_mask: bool ) -> bool: raise NotImplementedError def cache_batch_latents(self, model: Any, batch: List, flip_aug: bool, alpha_mask: bool, random_crop: bool): raise NotImplementedError def _default_is_disk_cached_latents_expected( self, latents_stride: int, bucket_reso: Tuple[int, int], npz_path: str, flip_aug: bool, apply_alpha_mask: bool, multi_resolution: bool = False, ) -> bool: """ Args: latents_stride: stride of latents bucket_reso: resolution of the bucket npz_path: path to the npz file flip_aug: whether to flip images apply_alpha_mask: whether to apply alpha mask multi_resolution: whether to use multi-resolution latents Returns: bool """ if not self.cache_to_disk: return False if not os.path.exists(npz_path): return False if self.skip_disk_cache_validity_check: return True expected_latents_size = (bucket_reso[1] // latents_stride, bucket_reso[0] // latents_stride) # bucket_reso is (W, H) # e.g. "_32x64", HxW key_reso_suffix = f"_{expected_latents_size[0]}x{expected_latents_size[1]}" if multi_resolution else "" try: npz = np.load(npz_path) if "latents" + key_reso_suffix not in npz: return False if flip_aug and "latents_flipped" + key_reso_suffix not in npz: return False if apply_alpha_mask and "alpha_mask" + key_reso_suffix not in npz: return False except Exception as e: logger.error(f"Error loading file: {npz_path}") raise e return True # TODO remove circular dependency for ImageInfo def _default_cache_batch_latents( self, encode_by_vae: Callable, vae_device: torch.device, vae_dtype: torch.dtype, image_infos: List, flip_aug: bool, apply_alpha_mask: bool, random_crop: bool, multi_resolution: bool = False, ): """ Default implementation for cache_batch_latents. Image loading, VAE, flipping, alpha mask handling are common. Args: encode_by_vae: function to encode images by VAE vae_device: device to use for VAE vae_dtype: dtype to use for VAE image_infos: list of ImageInfo flip_aug: whether to flip images apply_alpha_mask: whether to apply alpha mask random_crop: whether to random crop images multi_resolution: whether to use multi-resolution latents Returns: None """ from library import train_util # import here to avoid circular import img_tensor, alpha_masks, original_sizes, crop_ltrbs = train_util.load_images_and_masks_for_caching( image_infos, apply_alpha_mask, random_crop ) img_tensor = img_tensor.to(device=vae_device, dtype=vae_dtype) with torch.no_grad(): latents_tensors = encode_by_vae(img_tensor).to("cpu") if flip_aug: img_tensor = torch.flip(img_tensor, dims=[3]) with torch.no_grad(): flipped_latents = encode_by_vae(img_tensor).to("cpu") else: flipped_latents = [None] * len(latents_tensors) # for info, latents, flipped_latent, alpha_mask in zip(image_infos, latents_tensors, flipped_latents, alpha_masks): for i in range(len(image_infos)): info = image_infos[i] latents = latents_tensors[i] flipped_latent = flipped_latents[i] alpha_mask = alpha_masks[i] original_size = original_sizes[i] crop_ltrb = crop_ltrbs[i] latents_size = latents.shape[-2:] # H, W (supports both 4D and 5D latents) key_reso_suffix = f"_{latents_size[0]}x{latents_size[1]}" if multi_resolution else "" # e.g. "_32x64", HxW if self.cache_to_disk: self.save_latents_to_disk( info.latents_npz, latents, original_size, crop_ltrb, flipped_latent, alpha_mask, key_reso_suffix ) else: info.latents_original_size = original_size info.latents_crop_ltrb = crop_ltrb info.latents = latents if flip_aug: info.latents_flipped = flipped_latent info.alpha_mask = alpha_mask def load_latents_from_disk( self, npz_path: str, bucket_reso: Tuple[int, int] ) -> Tuple[Optional[np.ndarray], Optional[List[int]], Optional[List[int]], Optional[np.ndarray], Optional[np.ndarray]]: """ for SD/SDXL Args: npz_path (str): Path to the npz file. bucket_reso (Tuple[int, int]): The resolution of the bucket. Returns: Tuple[ Optional[np.ndarray], Optional[List[int]], Optional[List[int]], Optional[np.ndarray], Optional[np.ndarray] ]: Latent np tensors, original size, crop (left top, right bottom), flipped latents, alpha mask """ return self._default_load_latents_from_disk(None, npz_path, bucket_reso) def _default_load_latents_from_disk( self, latents_stride: Optional[int], npz_path: str, bucket_reso: Tuple[int, int] ) -> Tuple[Optional[np.ndarray], Optional[List[int]], Optional[List[int]], Optional[np.ndarray], Optional[np.ndarray]]: """ Args: latents_stride (Optional[int]): Stride for latents. If None, load all latents. npz_path (str): Path to the npz file. bucket_reso (Tuple[int, int]): The resolution of the bucket. Returns: Tuple[ Optional[np.ndarray], Optional[List[int]], Optional[List[int]], Optional[np.ndarray], Optional[np.ndarray] ]: Latent np tensors, original size, crop (left top, right bottom), flipped latents, alpha mask """ if latents_stride is None: key_reso_suffix = "" else: latents_size = (bucket_reso[1] // latents_stride, bucket_reso[0] // latents_stride) # bucket_reso is (W, H) key_reso_suffix = f"_{latents_size[0]}x{latents_size[1]}" # e.g. "_32x64", HxW npz = np.load(npz_path) if "latents" + key_reso_suffix not in npz: raise ValueError(f"latents{key_reso_suffix} not found in {npz_path}") latents = npz["latents" + key_reso_suffix] original_size = npz["original_size" + key_reso_suffix].tolist() crop_ltrb = npz["crop_ltrb" + key_reso_suffix].tolist() flipped_latents = npz["latents_flipped" + key_reso_suffix] if "latents_flipped" + key_reso_suffix in npz else None alpha_mask = npz["alpha_mask" + key_reso_suffix] if "alpha_mask" + key_reso_suffix in npz else None return latents, original_size, crop_ltrb, flipped_latents, alpha_mask def save_latents_to_disk( self, npz_path, latents_tensor, original_size, crop_ltrb, flipped_latents_tensor=None, alpha_mask=None, key_reso_suffix="", ): """ Args: npz_path (str): Path to the npz file. latents_tensor (torch.Tensor): Latent tensor original_size (List[int]): Original size of the image crop_ltrb (List[int]): Crop left top right bottom flipped_latents_tensor (Optional[torch.Tensor]): Flipped latent tensor alpha_mask (Optional[torch.Tensor]): Alpha mask key_reso_suffix (str): Key resolution suffix Returns: None """ kwargs = {} if os.path.exists(npz_path): # load existing npz and update it npz = np.load(npz_path) for key in npz.files: kwargs[key] = npz[key] # TODO float() is needed if vae is in bfloat16. Remove it if vae is float16. kwargs["latents" + key_reso_suffix] = latents_tensor.float().cpu().numpy() kwargs["original_size" + key_reso_suffix] = np.array(original_size) kwargs["crop_ltrb" + key_reso_suffix] = np.array(crop_ltrb) if flipped_latents_tensor is not None: kwargs["latents_flipped" + key_reso_suffix] = flipped_latents_tensor.float().cpu().numpy() if alpha_mask is not None: kwargs["alpha_mask" + key_reso_suffix] = alpha_mask.float().cpu().numpy() np.savez(npz_path, **kwargs) ================================================ FILE: library/strategy_flux.py ================================================ import os import glob from typing import Any, List, Optional, Tuple, Union import torch import numpy as np from transformers import CLIPTokenizer, T5TokenizerFast from library import flux_utils, train_util from library.strategy_base import LatentsCachingStrategy, TextEncodingStrategy, TokenizeStrategy, TextEncoderOutputsCachingStrategy from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) CLIP_L_TOKENIZER_ID = "openai/clip-vit-large-patch14" T5_XXL_TOKENIZER_ID = "google/t5-v1_1-xxl" class FluxTokenizeStrategy(TokenizeStrategy): def __init__(self, t5xxl_max_length: int = 512, tokenizer_cache_dir: Optional[str] = None) -> None: self.t5xxl_max_length = t5xxl_max_length self.clip_l = self._load_tokenizer(CLIPTokenizer, CLIP_L_TOKENIZER_ID, tokenizer_cache_dir=tokenizer_cache_dir) self.t5xxl = self._load_tokenizer(T5TokenizerFast, T5_XXL_TOKENIZER_ID, tokenizer_cache_dir=tokenizer_cache_dir) def tokenize(self, text: Union[str, List[str]]) -> List[torch.Tensor]: text = [text] if isinstance(text, str) else text l_tokens = self.clip_l(text, max_length=77, padding="max_length", truncation=True, return_tensors="pt") t5_tokens = self.t5xxl(text, max_length=self.t5xxl_max_length, padding="max_length", truncation=True, return_tensors="pt") t5_attn_mask = t5_tokens["attention_mask"] l_tokens = l_tokens["input_ids"] t5_tokens = t5_tokens["input_ids"] return [l_tokens, t5_tokens, t5_attn_mask] class FluxTextEncodingStrategy(TextEncodingStrategy): def __init__(self, apply_t5_attn_mask: Optional[bool] = None) -> None: """ Args: apply_t5_attn_mask: Default value for apply_t5_attn_mask. """ self.apply_t5_attn_mask = apply_t5_attn_mask def encode_tokens( self, tokenize_strategy: TokenizeStrategy, models: List[Any], tokens: List[torch.Tensor], apply_t5_attn_mask: Optional[bool] = None, ) -> List[torch.Tensor]: # supports single model inference if apply_t5_attn_mask is None: apply_t5_attn_mask = self.apply_t5_attn_mask clip_l, t5xxl = models if len(models) == 2 else (models[0], None) l_tokens, t5_tokens = tokens[:2] t5_attn_mask = tokens[2] if len(tokens) > 2 else None # clip_l is None when using T5 only if clip_l is not None and l_tokens is not None: l_pooled = clip_l(l_tokens.to(clip_l.device))["pooler_output"] else: l_pooled = None # t5xxl is None when using CLIP only if t5xxl is not None and t5_tokens is not None: # t5_out is [b, max length, 4096] attention_mask = None if not apply_t5_attn_mask else t5_attn_mask.to(t5xxl.device) t5_out, _ = t5xxl(t5_tokens.to(t5xxl.device), attention_mask, return_dict=False, output_hidden_states=True) # if zero_pad_t5_output: # t5_out = t5_out * t5_attn_mask.to(t5_out.device).unsqueeze(-1) txt_ids = torch.zeros(t5_out.shape[0], t5_out.shape[1], 3, device=t5_out.device) else: t5_out = None txt_ids = None t5_attn_mask = None # caption may be dropped/shuffled, so t5_attn_mask should not be used to make sure the mask is same as the cached one return [l_pooled, t5_out, txt_ids, t5_attn_mask] # returns t5_attn_mask for attention mask in transformer class FluxTextEncoderOutputsCachingStrategy(TextEncoderOutputsCachingStrategy): FLUX_TEXT_ENCODER_OUTPUTS_NPZ_SUFFIX = "_flux_te.npz" def __init__( self, cache_to_disk: bool, batch_size: int, skip_disk_cache_validity_check: bool, is_partial: bool = False, apply_t5_attn_mask: bool = False, ) -> None: super().__init__(cache_to_disk, batch_size, skip_disk_cache_validity_check, is_partial) self.apply_t5_attn_mask = apply_t5_attn_mask self.warn_fp8_weights = False def get_outputs_npz_path(self, image_abs_path: str) -> str: return os.path.splitext(image_abs_path)[0] + FluxTextEncoderOutputsCachingStrategy.FLUX_TEXT_ENCODER_OUTPUTS_NPZ_SUFFIX def is_disk_cached_outputs_expected(self, npz_path: str): if not self.cache_to_disk: return False if not os.path.exists(npz_path): return False if self.skip_disk_cache_validity_check: return True try: npz = np.load(npz_path) if "l_pooled" not in npz: return False if "t5_out" not in npz: return False if "txt_ids" not in npz: return False if "t5_attn_mask" not in npz: return False if "apply_t5_attn_mask" not in npz: return False npz_apply_t5_attn_mask = npz["apply_t5_attn_mask"] if npz_apply_t5_attn_mask != self.apply_t5_attn_mask: return False except Exception as e: logger.error(f"Error loading file: {npz_path}") raise e return True def load_outputs_npz(self, npz_path: str) -> List[np.ndarray]: data = np.load(npz_path) l_pooled = data["l_pooled"] t5_out = data["t5_out"] txt_ids = data["txt_ids"] t5_attn_mask = data["t5_attn_mask"] # apply_t5_attn_mask should be same as self.apply_t5_attn_mask return [l_pooled, t5_out, txt_ids, t5_attn_mask] def cache_batch_outputs( self, tokenize_strategy: TokenizeStrategy, models: List[Any], text_encoding_strategy: TextEncodingStrategy, infos: List ): if not self.warn_fp8_weights: if flux_utils.get_t5xxl_actual_dtype(models[1]) == torch.float8_e4m3fn: logger.warning( "T5 model is using fp8 weights for caching. This may affect the quality of the cached outputs." " / T5モデルはfp8の重みを使用しています。これはキャッシュの品質に影響を与える可能性があります。" ) self.warn_fp8_weights = True flux_text_encoding_strategy: FluxTextEncodingStrategy = text_encoding_strategy captions = [info.caption for info in infos] tokens_and_masks = tokenize_strategy.tokenize(captions) with torch.no_grad(): # attn_mask is applied in text_encoding_strategy.encode_tokens if apply_t5_attn_mask is True l_pooled, t5_out, txt_ids, _ = flux_text_encoding_strategy.encode_tokens(tokenize_strategy, models, tokens_and_masks) if l_pooled.dtype == torch.bfloat16: l_pooled = l_pooled.float() if t5_out.dtype == torch.bfloat16: t5_out = t5_out.float() if txt_ids.dtype == torch.bfloat16: txt_ids = txt_ids.float() l_pooled = l_pooled.cpu().numpy() t5_out = t5_out.cpu().numpy() txt_ids = txt_ids.cpu().numpy() t5_attn_mask = tokens_and_masks[2].cpu().numpy() for i, info in enumerate(infos): l_pooled_i = l_pooled[i] t5_out_i = t5_out[i] txt_ids_i = txt_ids[i] t5_attn_mask_i = t5_attn_mask[i] apply_t5_attn_mask_i = self.apply_t5_attn_mask if self.cache_to_disk: np.savez( info.text_encoder_outputs_npz, l_pooled=l_pooled_i, t5_out=t5_out_i, txt_ids=txt_ids_i, t5_attn_mask=t5_attn_mask_i, apply_t5_attn_mask=apply_t5_attn_mask_i, ) else: # it's fine that attn mask is not None. it's overwritten before calling the model if necessary info.text_encoder_outputs = (l_pooled_i, t5_out_i, txt_ids_i, t5_attn_mask_i) class FluxLatentsCachingStrategy(LatentsCachingStrategy): FLUX_LATENTS_NPZ_SUFFIX = "_flux.npz" def __init__(self, cache_to_disk: bool, batch_size: int, skip_disk_cache_validity_check: bool) -> None: super().__init__(cache_to_disk, batch_size, skip_disk_cache_validity_check) @property def cache_suffix(self) -> str: return FluxLatentsCachingStrategy.FLUX_LATENTS_NPZ_SUFFIX def get_latents_npz_path(self, absolute_path: str, image_size: Tuple[int, int]) -> str: return ( os.path.splitext(absolute_path)[0] + f"_{image_size[0]:04d}x{image_size[1]:04d}" + FluxLatentsCachingStrategy.FLUX_LATENTS_NPZ_SUFFIX ) def is_disk_cached_latents_expected(self, bucket_reso: Tuple[int, int], npz_path: str, flip_aug: bool, alpha_mask: bool): return self._default_is_disk_cached_latents_expected(8, bucket_reso, npz_path, flip_aug, alpha_mask, multi_resolution=True) def load_latents_from_disk( self, npz_path: str, bucket_reso: Tuple[int, int] ) -> Tuple[Optional[np.ndarray], Optional[List[int]], Optional[List[int]], Optional[np.ndarray], Optional[np.ndarray]]: return self._default_load_latents_from_disk(8, npz_path, bucket_reso) # support multi-resolution # TODO remove circular dependency for ImageInfo def cache_batch_latents(self, vae, image_infos: List, flip_aug: bool, alpha_mask: bool, random_crop: bool): encode_by_vae = lambda img_tensor: vae.encode(img_tensor).to("cpu") vae_device = vae.device vae_dtype = vae.dtype self._default_cache_batch_latents( encode_by_vae, vae_device, vae_dtype, image_infos, flip_aug, alpha_mask, random_crop, multi_resolution=True ) if not train_util.HIGH_VRAM: train_util.clean_memory_on_device(vae.device) if __name__ == "__main__": # test code for FluxTokenizeStrategy # tokenizer = sd3_models.SD3Tokenizer() strategy = FluxTokenizeStrategy(256) text = "hello world" l_tokens, g_tokens, t5_tokens = strategy.tokenize(text) # print(l_tokens.shape) print(l_tokens) print(g_tokens) print(t5_tokens) texts = ["hello world", "the quick brown fox jumps over the lazy dog"] l_tokens_2 = strategy.clip_l(texts, max_length=77, padding="max_length", truncation=True, return_tensors="pt") g_tokens_2 = strategy.clip_g(texts, max_length=77, padding="max_length", truncation=True, return_tensors="pt") t5_tokens_2 = strategy.t5xxl( texts, max_length=strategy.t5xxl_max_length, padding="max_length", truncation=True, return_tensors="pt" ) print(l_tokens_2) print(g_tokens_2) print(t5_tokens_2) # compare print(torch.allclose(l_tokens, l_tokens_2["input_ids"][0])) print(torch.allclose(g_tokens, g_tokens_2["input_ids"][0])) print(torch.allclose(t5_tokens, t5_tokens_2["input_ids"][0])) text = ",".join(["hello world! this is long text"] * 50) l_tokens, g_tokens, t5_tokens = strategy.tokenize(text) print(l_tokens) print(g_tokens) print(t5_tokens) print(f"model max length l: {strategy.clip_l.model_max_length}") print(f"model max length g: {strategy.clip_g.model_max_length}") print(f"model max length t5: {strategy.t5xxl.model_max_length}") ================================================ FILE: library/strategy_hunyuan_image.py ================================================ import os from typing import Any, List, Optional, Tuple, Union import torch import numpy as np from transformers import AutoTokenizer, Qwen2Tokenizer from library import hunyuan_image_text_encoder, hunyuan_image_vae, train_util from library.strategy_base import LatentsCachingStrategy, TextEncodingStrategy, TokenizeStrategy, TextEncoderOutputsCachingStrategy from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) class HunyuanImageTokenizeStrategy(TokenizeStrategy): def __init__(self, tokenizer_cache_dir: Optional[str] = None) -> None: self.vlm_tokenizer = self._load_tokenizer( Qwen2Tokenizer, hunyuan_image_text_encoder.QWEN_2_5_VL_IMAGE_ID, tokenizer_cache_dir=tokenizer_cache_dir ) self.byt5_tokenizer = self._load_tokenizer( AutoTokenizer, hunyuan_image_text_encoder.BYT5_TOKENIZER_PATH, subfolder="", tokenizer_cache_dir=tokenizer_cache_dir ) def tokenize(self, text: Union[str, List[str]]) -> List[torch.Tensor]: text = [text] if isinstance(text, str) else text vlm_tokens, vlm_mask = hunyuan_image_text_encoder.get_qwen_tokens(self.vlm_tokenizer, text) # byt5_tokens, byt5_mask = hunyuan_image_text_encoder.get_byt5_text_tokens(self.byt5_tokenizer, text) byt5_tokens = [] byt5_mask = [] for t in text: tokens, mask = hunyuan_image_text_encoder.get_byt5_text_tokens(self.byt5_tokenizer, t) if tokens is None: tokens = torch.zeros((1, 1), dtype=torch.long) mask = torch.zeros((1, 1), dtype=torch.long) byt5_tokens.append(tokens) byt5_mask.append(mask) max_len = max([m.shape[1] for m in byt5_mask]) byt5_tokens = torch.cat([torch.nn.functional.pad(t, (0, max_len - t.shape[1]), value=0) for t in byt5_tokens], dim=0) byt5_mask = torch.cat([torch.nn.functional.pad(m, (0, max_len - m.shape[1]), value=0) for m in byt5_mask], dim=0) return [vlm_tokens, vlm_mask, byt5_tokens, byt5_mask] class HunyuanImageTextEncodingStrategy(TextEncodingStrategy): def __init__(self) -> None: pass def encode_tokens( self, tokenize_strategy: TokenizeStrategy, models: List[Any], tokens: List[torch.Tensor] ) -> List[torch.Tensor]: vlm_tokens, vlm_mask, byt5_tokens, byt5_mask = tokens qwen2vlm, byt5 = models # autocast and no_grad are handled in hunyuan_image_text_encoder vlm_embed, vlm_mask = hunyuan_image_text_encoder.get_qwen_prompt_embeds_from_tokens(qwen2vlm, vlm_tokens, vlm_mask) # ocr_mask, byt5_embed, byt5_mask = hunyuan_image_text_encoder.get_byt5_prompt_embeds_from_tokens( # byt5, byt5_tokens, byt5_mask # ) ocr_mask, byt5_embed, byt5_updated_mask = [], [], [] for i in range(byt5_tokens.shape[0]): ocr_m, byt5_e, byt5_m = hunyuan_image_text_encoder.get_byt5_prompt_embeds_from_tokens( byt5, byt5_tokens[i : i + 1], byt5_mask[i : i + 1] ) ocr_mask.append(torch.zeros((1,), dtype=torch.long) + (1 if ocr_m[0] else 0)) # 1 or 0 byt5_embed.append(byt5_e) byt5_updated_mask.append(byt5_m) ocr_mask = torch.cat(ocr_mask, dim=0).to(torch.bool) # [B] byt5_embed = torch.cat(byt5_embed, dim=0) byt5_updated_mask = torch.cat(byt5_updated_mask, dim=0) return [vlm_embed, vlm_mask, byt5_embed, byt5_updated_mask, ocr_mask] class HunyuanImageTextEncoderOutputsCachingStrategy(TextEncoderOutputsCachingStrategy): HUNYUAN_IMAGE_TEXT_ENCODER_OUTPUTS_NPZ_SUFFIX = "_hi_te.npz" def __init__( self, cache_to_disk: bool, batch_size: int, skip_disk_cache_validity_check: bool, is_partial: bool = False ) -> None: super().__init__(cache_to_disk, batch_size, skip_disk_cache_validity_check, is_partial) def get_outputs_npz_path(self, image_abs_path: str) -> str: return ( os.path.splitext(image_abs_path)[0] + HunyuanImageTextEncoderOutputsCachingStrategy.HUNYUAN_IMAGE_TEXT_ENCODER_OUTPUTS_NPZ_SUFFIX ) def is_disk_cached_outputs_expected(self, npz_path: str): if not self.cache_to_disk: return False if not os.path.exists(npz_path): return False if self.skip_disk_cache_validity_check: return True try: npz = np.load(npz_path) if "vlm_embed" not in npz: return False if "vlm_mask" not in npz: return False if "byt5_embed" not in npz: return False if "byt5_mask" not in npz: return False if "ocr_mask" not in npz: return False except Exception as e: logger.error(f"Error loading file: {npz_path}") raise e return True def load_outputs_npz(self, npz_path: str) -> List[np.ndarray]: data = np.load(npz_path) vln_embed = data["vlm_embed"] vlm_mask = data["vlm_mask"] byt5_embed = data["byt5_embed"] byt5_mask = data["byt5_mask"] ocr_mask = data["ocr_mask"] return [vln_embed, vlm_mask, byt5_embed, byt5_mask, ocr_mask] def cache_batch_outputs( self, tokenize_strategy: TokenizeStrategy, models: List[Any], text_encoding_strategy: TextEncodingStrategy, infos: List ): huyuan_image_text_encoding_strategy: HunyuanImageTextEncodingStrategy = text_encoding_strategy captions = [info.caption for info in infos] tokens_and_masks = tokenize_strategy.tokenize(captions) with torch.no_grad(): vlm_embed, vlm_mask, byt5_embed, byt5_mask, ocr_mask = huyuan_image_text_encoding_strategy.encode_tokens( tokenize_strategy, models, tokens_and_masks ) if vlm_embed.dtype == torch.bfloat16: vlm_embed = vlm_embed.float() if byt5_embed.dtype == torch.bfloat16: byt5_embed = byt5_embed.float() vlm_embed = vlm_embed.cpu().numpy() vlm_mask = vlm_mask.cpu().numpy() byt5_embed = byt5_embed.cpu().numpy() byt5_mask = byt5_mask.cpu().numpy() ocr_mask = ocr_mask.cpu().numpy() for i, info in enumerate(infos): vlm_embed_i = vlm_embed[i] vlm_mask_i = vlm_mask[i] byt5_embed_i = byt5_embed[i] byt5_mask_i = byt5_mask[i] ocr_mask_i = ocr_mask[i] if self.cache_to_disk: np.savez( info.text_encoder_outputs_npz, vlm_embed=vlm_embed_i, vlm_mask=vlm_mask_i, byt5_embed=byt5_embed_i, byt5_mask=byt5_mask_i, ocr_mask=ocr_mask_i, ) else: info.text_encoder_outputs = (vlm_embed_i, vlm_mask_i, byt5_embed_i, byt5_mask_i, ocr_mask_i) class HunyuanImageLatentsCachingStrategy(LatentsCachingStrategy): HUNYUAN_IMAGE_LATENTS_NPZ_SUFFIX = "_hi.npz" def __init__(self, cache_to_disk: bool, batch_size: int, skip_disk_cache_validity_check: bool) -> None: super().__init__(cache_to_disk, batch_size, skip_disk_cache_validity_check) @property def cache_suffix(self) -> str: return HunyuanImageLatentsCachingStrategy.HUNYUAN_IMAGE_LATENTS_NPZ_SUFFIX def get_latents_npz_path(self, absolute_path: str, image_size: Tuple[int, int]) -> str: return ( os.path.splitext(absolute_path)[0] + f"_{image_size[0]:04d}x{image_size[1]:04d}" + HunyuanImageLatentsCachingStrategy.HUNYUAN_IMAGE_LATENTS_NPZ_SUFFIX ) def is_disk_cached_latents_expected(self, bucket_reso: Tuple[int, int], npz_path: str, flip_aug: bool, alpha_mask: bool): return self._default_is_disk_cached_latents_expected(32, bucket_reso, npz_path, flip_aug, alpha_mask, multi_resolution=True) def load_latents_from_disk( self, npz_path: str, bucket_reso: Tuple[int, int] ) -> Tuple[Optional[np.ndarray], Optional[List[int]], Optional[List[int]], Optional[np.ndarray], Optional[np.ndarray]]: return self._default_load_latents_from_disk(32, npz_path, bucket_reso) # support multi-resolution # TODO remove circular dependency for ImageInfo def cache_batch_latents( self, vae: hunyuan_image_vae.HunyuanVAE2D, image_infos: List, flip_aug: bool, alpha_mask: bool, random_crop: bool ): # encode_by_vae = lambda img_tensor: vae.encode(img_tensor).sample() def encode_by_vae(img_tensor): # no_grad is handled in _default_cache_batch_latents nonlocal vae with torch.autocast(device_type=vae.device.type, dtype=vae.dtype): return vae.encode(img_tensor).sample() vae_device = vae.device vae_dtype = vae.dtype self._default_cache_batch_latents( encode_by_vae, vae_device, vae_dtype, image_infos, flip_aug, alpha_mask, random_crop, multi_resolution=True ) if not train_util.HIGH_VRAM: train_util.clean_memory_on_device(vae.device) ================================================ FILE: library/strategy_lumina.py ================================================ import glob import os from typing import Any, List, Optional, Tuple, Union import torch from transformers import AutoTokenizer, AutoModel, Gemma2Model, GemmaTokenizerFast from library import train_util from library.strategy_base import ( LatentsCachingStrategy, TokenizeStrategy, TextEncodingStrategy, TextEncoderOutputsCachingStrategy, ) import numpy as np from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) GEMMA_ID = "google/gemma-2-2b" class LuminaTokenizeStrategy(TokenizeStrategy): def __init__( self, system_prompt:str, max_length: Optional[int], tokenizer_cache_dir: Optional[str] = None ) -> None: self.tokenizer: GemmaTokenizerFast = AutoTokenizer.from_pretrained( GEMMA_ID, cache_dir=tokenizer_cache_dir ) self.tokenizer.padding_side = "right" if system_prompt is None: system_prompt = "" system_prompt_special_token = "" system_prompt = f"{system_prompt} {system_prompt_special_token} " if system_prompt else "" self.system_prompt = system_prompt if max_length is None: self.max_length = 256 else: self.max_length = max_length def tokenize( self, text: Union[str, List[str]], is_negative: bool = False ) -> Tuple[torch.Tensor, torch.Tensor]: """ Args: text (Union[str, List[str]]): Text to tokenize Returns: Tuple[torch.Tensor, torch.Tensor]: token input ids, attention_masks """ text = [text] if isinstance(text, str) else text # In training, we always add system prompt (is_negative=False) if not is_negative: # Add system prompt to the beginning of each text text = [self.system_prompt + t for t in text] encodings = self.tokenizer( text, max_length=self.max_length, return_tensors="pt", padding="max_length", truncation=True, pad_to_multiple_of=8, ) return (encodings.input_ids, encodings.attention_mask) def tokenize_with_weights( self, text: str | List[str] ) -> Tuple[torch.Tensor, torch.Tensor, List[torch.Tensor]]: """ Args: text (Union[str, List[str]]): Text to tokenize Returns: Tuple[torch.Tensor, torch.Tensor, List[torch.Tensor]]: token input ids, attention_masks, weights """ # Gemma doesn't support weighted prompts, return uniform weights tokens, attention_masks = self.tokenize(text) weights = [torch.ones_like(t) for t in tokens] return tokens, attention_masks, weights class LuminaTextEncodingStrategy(TextEncodingStrategy): def __init__(self) -> None: super().__init__() def encode_tokens( self, tokenize_strategy: TokenizeStrategy, models: List[Any], tokens: Tuple[torch.Tensor, torch.Tensor], ) -> Tuple[torch.Tensor, torch.Tensor, torch.Tensor]: """ Args: tokenize_strategy (LuminaTokenizeStrategy): Tokenize strategy models (List[Any]): Text encoders tokens (Tuple[torch.Tensor, torch.Tensor]): tokens, attention_masks Returns: Tuple[torch.Tensor, torch.Tensor, torch.Tensor]: hidden_states, input_ids, attention_masks """ text_encoder = models[0] # Check model or torch dynamo OptimizedModule assert isinstance(text_encoder, Gemma2Model) or isinstance(text_encoder._orig_mod, Gemma2Model), f"text encoder is not Gemma2Model {text_encoder.__class__.__name__}" input_ids, attention_masks = tokens outputs = text_encoder( input_ids=input_ids.to(text_encoder.device), attention_mask=attention_masks.to(text_encoder.device), output_hidden_states=True, return_dict=True, ) return outputs.hidden_states[-2], input_ids, attention_masks def encode_tokens_with_weights( self, tokenize_strategy: TokenizeStrategy, models: List[Any], tokens: Tuple[torch.Tensor, torch.Tensor], weights: List[torch.Tensor], ) -> Tuple[torch.Tensor, torch.Tensor, torch.Tensor]: """ Args: tokenize_strategy (LuminaTokenizeStrategy): Tokenize strategy models (List[Any]): Text encoders tokens (Tuple[torch.Tensor, torch.Tensor]): tokens, attention_masks weights_list (List[torch.Tensor]): Currently unused Returns: Tuple[torch.Tensor, torch.Tensor, torch.Tensor]: hidden_states, input_ids, attention_masks """ # For simplicity, use uniform weighting return self.encode_tokens(tokenize_strategy, models, tokens) class LuminaTextEncoderOutputsCachingStrategy(TextEncoderOutputsCachingStrategy): LUMINA_TEXT_ENCODER_OUTPUTS_NPZ_SUFFIX = "_lumina_te.npz" def __init__( self, cache_to_disk: bool, batch_size: int, skip_disk_cache_validity_check: bool, is_partial: bool = False, ) -> None: super().__init__( cache_to_disk, batch_size, skip_disk_cache_validity_check, is_partial, ) def get_outputs_npz_path(self, image_abs_path: str) -> str: return ( os.path.splitext(image_abs_path)[0] + LuminaTextEncoderOutputsCachingStrategy.LUMINA_TEXT_ENCODER_OUTPUTS_NPZ_SUFFIX ) def is_disk_cached_outputs_expected(self, npz_path: str) -> bool: """ Args: npz_path (str): Path to the npz file. Returns: bool: True if the npz file is expected to be cached. """ if not self.cache_to_disk: return False if not os.path.exists(npz_path): return False if self.skip_disk_cache_validity_check: return True try: npz = np.load(npz_path) if "hidden_state" not in npz: return False if "attention_mask" not in npz: return False if "input_ids" not in npz: return False except Exception as e: logger.error(f"Error loading file: {npz_path}") raise e return True def load_outputs_npz(self, npz_path: str) -> List[np.ndarray]: """ Load outputs from a npz file Returns: List[np.ndarray]: hidden_state, input_ids, attention_mask """ data = np.load(npz_path) hidden_state = data["hidden_state"] attention_mask = data["attention_mask"] input_ids = data["input_ids"] return [hidden_state, input_ids, attention_mask] @torch.no_grad() def cache_batch_outputs( self, tokenize_strategy: TokenizeStrategy, models: List[Any], text_encoding_strategy: TextEncodingStrategy, batch: List[train_util.ImageInfo], ) -> None: """ Args: tokenize_strategy (LuminaTokenizeStrategy): Tokenize strategy models (List[Any]): Text encoders text_encoding_strategy (LuminaTextEncodingStrategy): infos (List): List of ImageInfo Returns: None """ assert isinstance(text_encoding_strategy, LuminaTextEncodingStrategy) assert isinstance(tokenize_strategy, LuminaTokenizeStrategy) captions = [info.caption for info in batch] if self.is_weighted: tokens, attention_masks, weights_list = ( tokenize_strategy.tokenize_with_weights(captions) ) hidden_state, input_ids, attention_masks = ( text_encoding_strategy.encode_tokens_with_weights( tokenize_strategy, models, (tokens, attention_masks), weights_list, ) ) else: tokens = tokenize_strategy.tokenize(captions) hidden_state, input_ids, attention_masks = ( text_encoding_strategy.encode_tokens( tokenize_strategy, models, tokens ) ) if hidden_state.dtype != torch.float32: hidden_state = hidden_state.float() hidden_state = hidden_state.cpu().numpy() attention_mask = attention_masks.cpu().numpy() # (B, S) input_ids = input_ids.cpu().numpy() # (B, S) for i, info in enumerate(batch): hidden_state_i = hidden_state[i] attention_mask_i = attention_mask[i] input_ids_i = input_ids[i] if self.cache_to_disk: assert info.text_encoder_outputs_npz is not None, f"Text encoder cache outputs to disk not found for image {info.image_key}" np.savez( info.text_encoder_outputs_npz, hidden_state=hidden_state_i, attention_mask=attention_mask_i, input_ids=input_ids_i, ) else: info.text_encoder_outputs = [ hidden_state_i, input_ids_i, attention_mask_i, ] class LuminaLatentsCachingStrategy(LatentsCachingStrategy): LUMINA_LATENTS_NPZ_SUFFIX = "_lumina.npz" def __init__( self, cache_to_disk: bool, batch_size: int, skip_disk_cache_validity_check: bool ) -> None: super().__init__(cache_to_disk, batch_size, skip_disk_cache_validity_check) @property def cache_suffix(self) -> str: return LuminaLatentsCachingStrategy.LUMINA_LATENTS_NPZ_SUFFIX def get_latents_npz_path( self, absolute_path: str, image_size: Tuple[int, int] ) -> str: return ( os.path.splitext(absolute_path)[0] + f"_{image_size[0]:04d}x{image_size[1]:04d}" + LuminaLatentsCachingStrategy.LUMINA_LATENTS_NPZ_SUFFIX ) def is_disk_cached_latents_expected( self, bucket_reso: Tuple[int, int], npz_path: str, flip_aug: bool, alpha_mask: bool, ) -> bool: """ Args: bucket_reso (Tuple[int, int]): The resolution of the bucket. npz_path (str): Path to the npz file. flip_aug (bool): Whether to flip the image. alpha_mask (bool): Whether to apply """ return self._default_is_disk_cached_latents_expected( 8, bucket_reso, npz_path, flip_aug, alpha_mask, multi_resolution=True ) def load_latents_from_disk( self, npz_path: str, bucket_reso: Tuple[int, int] ) -> Tuple[ Optional[np.ndarray], Optional[List[int]], Optional[List[int]], Optional[np.ndarray], Optional[np.ndarray], ]: """ Args: npz_path (str): Path to the npz file. bucket_reso (Tuple[int, int]): The resolution of the bucket. Returns: Tuple[ Optional[np.ndarray], Optional[List[int]], Optional[List[int]], Optional[np.ndarray], Optional[np.ndarray], ]: Tuple of latent tensors, attention_mask, input_ids, latents, latents_unet """ return self._default_load_latents_from_disk( 8, npz_path, bucket_reso ) # support multi-resolution # TODO remove circular dependency for ImageInfo def cache_batch_latents( self, model, batch: List, flip_aug: bool, alpha_mask: bool, random_crop: bool, ): encode_by_vae = lambda img_tensor: model.encode(img_tensor).to("cpu") vae_device = model.device vae_dtype = model.dtype self._default_cache_batch_latents( encode_by_vae, vae_device, vae_dtype, batch, flip_aug, alpha_mask, random_crop, multi_resolution=True, ) if not train_util.HIGH_VRAM: train_util.clean_memory_on_device(model.device) ================================================ FILE: library/strategy_sd.py ================================================ import glob import os from typing import Any, List, Optional, Tuple, Union import torch from transformers import CLIPTokenizer from library import train_util from library.strategy_base import LatentsCachingStrategy, TokenizeStrategy, TextEncodingStrategy from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) TOKENIZER_ID = "openai/clip-vit-large-patch14" V2_STABLE_DIFFUSION_ID = "stabilityai/stable-diffusion-2" # ここからtokenizerだけ使う v2とv2.1はtokenizer仕様は同じ class SdTokenizeStrategy(TokenizeStrategy): def __init__(self, v2: bool, max_length: Optional[int], tokenizer_cache_dir: Optional[str] = None) -> None: """ max_length does not include and (None, 75, 150, 225) """ logger.info(f"Using {'v2' if v2 else 'v1'} tokenizer") if v2: self.tokenizer = self._load_tokenizer( CLIPTokenizer, V2_STABLE_DIFFUSION_ID, subfolder="tokenizer", tokenizer_cache_dir=tokenizer_cache_dir ) else: self.tokenizer = self._load_tokenizer(CLIPTokenizer, TOKENIZER_ID, tokenizer_cache_dir=tokenizer_cache_dir) if max_length is None: self.max_length = self.tokenizer.model_max_length else: self.max_length = max_length + 2 def tokenize(self, text: Union[str, List[str]]) -> List[torch.Tensor]: text = [text] if isinstance(text, str) else text return [torch.stack([self._get_input_ids(self.tokenizer, t, self.max_length) for t in text], dim=0)] def tokenize_with_weights(self, text: str | List[str]) -> Tuple[List[torch.Tensor], List[torch.Tensor]]: text = [text] if isinstance(text, str) else text tokens_list = [] weights_list = [] for t in text: tokens, weights = self._get_input_ids(self.tokenizer, t, self.max_length, weighted=True) tokens_list.append(tokens) weights_list.append(weights) return [torch.stack(tokens_list, dim=0)], [torch.stack(weights_list, dim=0)] class SdTextEncodingStrategy(TextEncodingStrategy): def __init__(self, clip_skip: Optional[int] = None) -> None: self.clip_skip = clip_skip def encode_tokens( self, tokenize_strategy: TokenizeStrategy, models: List[Any], tokens: List[torch.Tensor] ) -> List[torch.Tensor]: text_encoder = models[0] tokens = tokens[0] sd_tokenize_strategy = tokenize_strategy # type: SdTokenizeStrategy # tokens: b,n,77 b_size = tokens.size()[0] max_token_length = tokens.size()[1] * tokens.size()[2] model_max_length = sd_tokenize_strategy.tokenizer.model_max_length tokens = tokens.reshape((-1, model_max_length)) # batch_size*3, 77 tokens = tokens.to(text_encoder.device) if self.clip_skip is None: encoder_hidden_states = text_encoder(tokens)[0] else: enc_out = text_encoder(tokens, output_hidden_states=True, return_dict=True) encoder_hidden_states = enc_out["hidden_states"][-self.clip_skip] encoder_hidden_states = text_encoder.text_model.final_layer_norm(encoder_hidden_states) # bs*3, 77, 768 or 1024 encoder_hidden_states = encoder_hidden_states.reshape((b_size, -1, encoder_hidden_states.shape[-1])) if max_token_length != model_max_length: v1 = sd_tokenize_strategy.tokenizer.pad_token_id == sd_tokenize_strategy.tokenizer.eos_token_id if not v1: # v2: ... ... の三連を ... ... へ戻す　正直この実装でいいのかわからん states_list = [encoder_hidden_states[:, 0].unsqueeze(1)] # for i in range(1, max_token_length, model_max_length): chunk = encoder_hidden_states[:, i : i + model_max_length - 2] # の後から 最後の前まで if i > 0: for j in range(len(chunk)): if tokens[j, 1] == sd_tokenize_strategy.tokenizer.eos_token: # 空、つまり ...のパターン chunk[j, 0] = chunk[j, 1] # 次の の値をコピーする states_list.append(chunk) # の後から の前まで states_list.append(encoder_hidden_states[:, -1].unsqueeze(1)) # か のどちらか encoder_hidden_states = torch.cat(states_list, dim=1) else: # v1: ... の三連を ... へ戻す states_list = [encoder_hidden_states[:, 0].unsqueeze(1)] # for i in range(1, max_token_length, model_max_length): states_list.append(encoder_hidden_states[:, i : i + model_max_length - 2]) # の後から の前まで states_list.append(encoder_hidden_states[:, -1].unsqueeze(1)) # encoder_hidden_states = torch.cat(states_list, dim=1) return [encoder_hidden_states] def encode_tokens_with_weights( self, tokenize_strategy: TokenizeStrategy, models: List[Any], tokens_list: List[torch.Tensor], weights_list: List[torch.Tensor], ) -> List[torch.Tensor]: encoder_hidden_states = self.encode_tokens(tokenize_strategy, models, tokens_list)[0] weights = weights_list[0].to(encoder_hidden_states.device) # apply weights if weights.shape[1] == 1: # no max_token_length # weights: ((b, 1, 77), (b, 1, 77)), hidden_states: (b, 77, 768), (b, 77, 768) encoder_hidden_states = encoder_hidden_states * weights.squeeze(1).unsqueeze(2) else: # weights: ((b, n, 77), (b, n, 77)), hidden_states: (b, n*75+2, 768), (b, n*75+2, 768) for i in range(weights.shape[1]): encoder_hidden_states[:, i * 75 + 1 : i * 75 + 76] = encoder_hidden_states[:, i * 75 + 1 : i * 75 + 76] * weights[ :, i, 1:-1 ].unsqueeze(-1) return [encoder_hidden_states] class SdSdxlLatentsCachingStrategy(LatentsCachingStrategy): # sd and sdxl share the same strategy. we can make them separate, but the difference is only the suffix. # and we keep the old npz for the backward compatibility. SD_OLD_LATENTS_NPZ_SUFFIX = ".npz" SD_LATENTS_NPZ_SUFFIX = "_sd.npz" SDXL_LATENTS_NPZ_SUFFIX = "_sdxl.npz" def __init__(self, sd: bool, cache_to_disk: bool, batch_size: int, skip_disk_cache_validity_check: bool) -> None: super().__init__(cache_to_disk, batch_size, skip_disk_cache_validity_check) self.sd = sd self.suffix = ( SdSdxlLatentsCachingStrategy.SD_LATENTS_NPZ_SUFFIX if sd else SdSdxlLatentsCachingStrategy.SDXL_LATENTS_NPZ_SUFFIX ) @property def cache_suffix(self) -> str: return self.suffix def get_latents_npz_path(self, absolute_path: str, image_size: Tuple[int, int]) -> str: # support old .npz old_npz_file = os.path.splitext(absolute_path)[0] + SdSdxlLatentsCachingStrategy.SD_OLD_LATENTS_NPZ_SUFFIX if os.path.exists(old_npz_file): return old_npz_file return os.path.splitext(absolute_path)[0] + f"_{image_size[0]:04d}x{image_size[1]:04d}" + self.suffix def is_disk_cached_latents_expected(self, bucket_reso: Tuple[int, int], npz_path: str, flip_aug: bool, alpha_mask: bool): return self._default_is_disk_cached_latents_expected(8, bucket_reso, npz_path, flip_aug, alpha_mask) # TODO remove circular dependency for ImageInfo def cache_batch_latents(self, vae, image_infos: List, flip_aug: bool, alpha_mask: bool, random_crop: bool): encode_by_vae = lambda img_tensor: vae.encode(img_tensor).latent_dist.sample() vae_device = vae.device vae_dtype = vae.dtype self._default_cache_batch_latents(encode_by_vae, vae_device, vae_dtype, image_infos, flip_aug, alpha_mask, random_crop) if not train_util.HIGH_VRAM: train_util.clean_memory_on_device(vae.device) ================================================ FILE: library/strategy_sd3.py ================================================ import os import glob import random from typing import Any, List, Optional, Tuple, Union import torch import numpy as np from transformers import CLIPTokenizer, T5TokenizerFast, CLIPTextModel, CLIPTextModelWithProjection, T5EncoderModel from library import sd3_utils, train_util from library import sd3_models from library.strategy_base import LatentsCachingStrategy, TextEncodingStrategy, TokenizeStrategy, TextEncoderOutputsCachingStrategy from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) CLIP_L_TOKENIZER_ID = "openai/clip-vit-large-patch14" CLIP_G_TOKENIZER_ID = "laion/CLIP-ViT-bigG-14-laion2B-39B-b160k" T5_XXL_TOKENIZER_ID = "google/t5-v1_1-xxl" class Sd3TokenizeStrategy(TokenizeStrategy): def __init__(self, t5xxl_max_length: int = 256, tokenizer_cache_dir: Optional[str] = None) -> None: self.t5xxl_max_length = t5xxl_max_length self.clip_l = self._load_tokenizer(CLIPTokenizer, CLIP_L_TOKENIZER_ID, tokenizer_cache_dir=tokenizer_cache_dir) self.clip_g = self._load_tokenizer(CLIPTokenizer, CLIP_G_TOKENIZER_ID, tokenizer_cache_dir=tokenizer_cache_dir) self.t5xxl = self._load_tokenizer(T5TokenizerFast, T5_XXL_TOKENIZER_ID, tokenizer_cache_dir=tokenizer_cache_dir) self.clip_g.pad_token_id = 0 # use 0 as pad token for clip_g def tokenize(self, text: Union[str, List[str]]) -> List[torch.Tensor]: text = [text] if isinstance(text, str) else text l_tokens = self.clip_l(text, max_length=77, padding="max_length", truncation=True, return_tensors="pt") g_tokens = self.clip_g(text, max_length=77, padding="max_length", truncation=True, return_tensors="pt") t5_tokens = self.t5xxl(text, max_length=self.t5xxl_max_length, padding="max_length", truncation=True, return_tensors="pt") l_attn_mask = l_tokens["attention_mask"] g_attn_mask = g_tokens["attention_mask"] t5_attn_mask = t5_tokens["attention_mask"] l_tokens = l_tokens["input_ids"] g_tokens = g_tokens["input_ids"] t5_tokens = t5_tokens["input_ids"] return [l_tokens, g_tokens, t5_tokens, l_attn_mask, g_attn_mask, t5_attn_mask] class Sd3TextEncodingStrategy(TextEncodingStrategy): def __init__( self, apply_lg_attn_mask: Optional[bool] = None, apply_t5_attn_mask: Optional[bool] = None, l_dropout_rate: float = 0.0, g_dropout_rate: float = 0.0, t5_dropout_rate: float = 0.0, ) -> None: """ Args: apply_t5_attn_mask: Default value for apply_t5_attn_mask. """ self.apply_lg_attn_mask = apply_lg_attn_mask self.apply_t5_attn_mask = apply_t5_attn_mask self.l_dropout_rate = l_dropout_rate self.g_dropout_rate = g_dropout_rate self.t5_dropout_rate = t5_dropout_rate def encode_tokens( self, tokenize_strategy: TokenizeStrategy, models: List[Any], tokens: List[torch.Tensor], apply_lg_attn_mask: Optional[bool] = False, apply_t5_attn_mask: Optional[bool] = False, enable_dropout: bool = True, ) -> List[torch.Tensor]: """ returned embeddings are not masked """ clip_l, clip_g, t5xxl = models clip_l: Optional[CLIPTextModel] clip_g: Optional[CLIPTextModelWithProjection] t5xxl: Optional[T5EncoderModel] if apply_lg_attn_mask is None: apply_lg_attn_mask = self.apply_lg_attn_mask if apply_t5_attn_mask is None: apply_t5_attn_mask = self.apply_t5_attn_mask l_tokens, g_tokens, t5_tokens, l_attn_mask, g_attn_mask, t5_attn_mask = tokens # dropout: if enable_dropout is False, dropout is not applied. dropout means zeroing out embeddings if l_tokens is None or clip_l is None: assert g_tokens is None, "g_tokens must be None if l_tokens is None" lg_out = None lg_pooled = None l_attn_mask = None g_attn_mask = None else: assert g_tokens is not None, "g_tokens must not be None if l_tokens is not None" # drop some members of the batch: we do not call clip_l and clip_g for dropped members batch_size, l_seq_len = l_tokens.shape g_seq_len = g_tokens.shape[1] non_drop_l_indices = [] non_drop_g_indices = [] for i in range(l_tokens.shape[0]): drop_l = enable_dropout and (self.l_dropout_rate > 0.0 and random.random() < self.l_dropout_rate) drop_g = enable_dropout and (self.g_dropout_rate > 0.0 and random.random() < self.g_dropout_rate) if not drop_l: non_drop_l_indices.append(i) if not drop_g: non_drop_g_indices.append(i) # filter out dropped members if len(non_drop_l_indices) > 0 and len(non_drop_l_indices) < batch_size: l_tokens = l_tokens[non_drop_l_indices] l_attn_mask = l_attn_mask[non_drop_l_indices] if len(non_drop_g_indices) > 0 and len(non_drop_g_indices) < batch_size: g_tokens = g_tokens[non_drop_g_indices] g_attn_mask = g_attn_mask[non_drop_g_indices] # call clip_l for non-dropped members if len(non_drop_l_indices) > 0: nd_l_attn_mask = l_attn_mask.to(clip_l.device) prompt_embeds = clip_l( l_tokens.to(clip_l.device), nd_l_attn_mask if apply_lg_attn_mask else None, output_hidden_states=True ) nd_l_pooled = prompt_embeds[0] nd_l_out = prompt_embeds.hidden_states[-2] if len(non_drop_g_indices) > 0: nd_g_attn_mask = g_attn_mask.to(clip_g.device) prompt_embeds = clip_g( g_tokens.to(clip_g.device), nd_g_attn_mask if apply_lg_attn_mask else None, output_hidden_states=True ) nd_g_pooled = prompt_embeds[0] nd_g_out = prompt_embeds.hidden_states[-2] # fill in the dropped members if len(non_drop_l_indices) == batch_size: l_pooled = nd_l_pooled l_out = nd_l_out else: # model output is always float32 because of the models are wrapped with Accelerator l_pooled = torch.zeros((batch_size, 768), device=clip_l.device, dtype=torch.float32) l_out = torch.zeros((batch_size, l_seq_len, 768), device=clip_l.device, dtype=torch.float32) l_attn_mask = torch.zeros((batch_size, l_seq_len), device=clip_l.device, dtype=l_attn_mask.dtype) if len(non_drop_l_indices) > 0: l_pooled[non_drop_l_indices] = nd_l_pooled l_out[non_drop_l_indices] = nd_l_out l_attn_mask[non_drop_l_indices] = nd_l_attn_mask if len(non_drop_g_indices) == batch_size: g_pooled = nd_g_pooled g_out = nd_g_out else: g_pooled = torch.zeros((batch_size, 1280), device=clip_g.device, dtype=torch.float32) g_out = torch.zeros((batch_size, g_seq_len, 1280), device=clip_g.device, dtype=torch.float32) g_attn_mask = torch.zeros((batch_size, g_seq_len), device=clip_g.device, dtype=g_attn_mask.dtype) if len(non_drop_g_indices) > 0: g_pooled[non_drop_g_indices] = nd_g_pooled g_out[non_drop_g_indices] = nd_g_out g_attn_mask[non_drop_g_indices] = nd_g_attn_mask lg_pooled = torch.cat((l_pooled, g_pooled), dim=-1) lg_out = torch.cat([l_out, g_out], dim=-1) if t5xxl is None or t5_tokens is None: t5_out = None t5_attn_mask = None else: # drop some members of the batch: we do not call t5xxl for dropped members batch_size, t5_seq_len = t5_tokens.shape non_drop_t5_indices = [] for i in range(t5_tokens.shape[0]): drop_t5 = enable_dropout and (self.t5_dropout_rate > 0.0 and random.random() < self.t5_dropout_rate) if not drop_t5: non_drop_t5_indices.append(i) # filter out dropped members if len(non_drop_t5_indices) > 0 and len(non_drop_t5_indices) < batch_size: t5_tokens = t5_tokens[non_drop_t5_indices] t5_attn_mask = t5_attn_mask[non_drop_t5_indices] # call t5xxl for non-dropped members if len(non_drop_t5_indices) > 0: nd_t5_attn_mask = t5_attn_mask.to(t5xxl.device) nd_t5_out, _ = t5xxl( t5_tokens.to(t5xxl.device), nd_t5_attn_mask if apply_t5_attn_mask else None, return_dict=False, output_hidden_states=True, ) # fill in the dropped members if len(non_drop_t5_indices) == batch_size: t5_out = nd_t5_out else: t5_out = torch.zeros((batch_size, t5_seq_len, 4096), device=t5xxl.device, dtype=torch.float32) t5_attn_mask = torch.zeros((batch_size, t5_seq_len), device=t5xxl.device, dtype=t5_attn_mask.dtype) if len(non_drop_t5_indices) > 0: t5_out[non_drop_t5_indices] = nd_t5_out t5_attn_mask[non_drop_t5_indices] = nd_t5_attn_mask # masks are used for attention masking in transformer return [lg_out, t5_out, lg_pooled, l_attn_mask, g_attn_mask, t5_attn_mask] def drop_cached_text_encoder_outputs( self, lg_out: torch.Tensor, t5_out: torch.Tensor, lg_pooled: torch.Tensor, l_attn_mask: torch.Tensor, g_attn_mask: torch.Tensor, t5_attn_mask: torch.Tensor, ) -> Tuple[torch.Tensor, torch.Tensor, torch.Tensor, torch.Tensor, torch.Tensor, torch.Tensor]: # dropout: if enable_dropout is True, dropout is not applied. dropout means zeroing out embeddings if lg_out is not None: for i in range(lg_out.shape[0]): drop_l = self.l_dropout_rate > 0.0 and random.random() < self.l_dropout_rate if drop_l: lg_out[i, :, :768] = torch.zeros_like(lg_out[i, :, :768]) lg_pooled[i, :768] = torch.zeros_like(lg_pooled[i, :768]) if l_attn_mask is not None: l_attn_mask[i] = torch.zeros_like(l_attn_mask[i]) drop_g = self.g_dropout_rate > 0.0 and random.random() < self.g_dropout_rate if drop_g: lg_out[i, :, 768:] = torch.zeros_like(lg_out[i, :, 768:]) lg_pooled[i, 768:] = torch.zeros_like(lg_pooled[i, 768:]) if g_attn_mask is not None: g_attn_mask[i] = torch.zeros_like(g_attn_mask[i]) if t5_out is not None: for i in range(t5_out.shape[0]): drop_t5 = self.t5_dropout_rate > 0.0 and random.random() < self.t5_dropout_rate if drop_t5: t5_out[i] = torch.zeros_like(t5_out[i]) if t5_attn_mask is not None: t5_attn_mask[i] = torch.zeros_like(t5_attn_mask[i]) return [lg_out, t5_out, lg_pooled, l_attn_mask, g_attn_mask, t5_attn_mask] def concat_encodings( self, lg_out: torch.Tensor, t5_out: Optional[torch.Tensor], lg_pooled: torch.Tensor ) -> Tuple[torch.Tensor, torch.Tensor]: lg_out = torch.nn.functional.pad(lg_out, (0, 4096 - lg_out.shape[-1])) if t5_out is None: t5_out = torch.zeros((lg_out.shape[0], 77, 4096), device=lg_out.device, dtype=lg_out.dtype) return torch.cat([lg_out, t5_out], dim=-2), lg_pooled class Sd3TextEncoderOutputsCachingStrategy(TextEncoderOutputsCachingStrategy): SD3_TEXT_ENCODER_OUTPUTS_NPZ_SUFFIX = "_sd3_te.npz" def __init__( self, cache_to_disk: bool, batch_size: int, skip_disk_cache_validity_check: bool, is_partial: bool = False, apply_lg_attn_mask: bool = False, apply_t5_attn_mask: bool = False, ) -> None: super().__init__(cache_to_disk, batch_size, skip_disk_cache_validity_check, is_partial) self.apply_lg_attn_mask = apply_lg_attn_mask self.apply_t5_attn_mask = apply_t5_attn_mask def get_outputs_npz_path(self, image_abs_path: str) -> str: return os.path.splitext(image_abs_path)[0] + Sd3TextEncoderOutputsCachingStrategy.SD3_TEXT_ENCODER_OUTPUTS_NPZ_SUFFIX def is_disk_cached_outputs_expected(self, npz_path: str): if not self.cache_to_disk: return False if not os.path.exists(npz_path): return False if self.skip_disk_cache_validity_check: return True try: npz = np.load(npz_path) if "lg_out" not in npz: return False if "lg_pooled" not in npz: return False if "clip_l_attn_mask" not in npz or "clip_g_attn_mask" not in npz: # necessary even if not used return False if "apply_lg_attn_mask" not in npz: return False if "t5_out" not in npz: return False if "t5_attn_mask" not in npz: return False npz_apply_lg_attn_mask = npz["apply_lg_attn_mask"] if npz_apply_lg_attn_mask != self.apply_lg_attn_mask: return False if "apply_t5_attn_mask" not in npz: return False npz_apply_t5_attn_mask = npz["apply_t5_attn_mask"] if npz_apply_t5_attn_mask != self.apply_t5_attn_mask: return False except Exception as e: logger.error(f"Error loading file: {npz_path}") raise e return True def load_outputs_npz(self, npz_path: str) -> List[np.ndarray]: data = np.load(npz_path) lg_out = data["lg_out"] lg_pooled = data["lg_pooled"] t5_out = data["t5_out"] l_attn_mask = data["clip_l_attn_mask"] g_attn_mask = data["clip_g_attn_mask"] t5_attn_mask = data["t5_attn_mask"] # apply_t5_attn_mask and apply_lg_attn_mask are same as self.apply_t5_attn_mask and self.apply_lg_attn_mask return [lg_out, t5_out, lg_pooled, l_attn_mask, g_attn_mask, t5_attn_mask] def cache_batch_outputs( self, tokenize_strategy: TokenizeStrategy, models: List[Any], text_encoding_strategy: TextEncodingStrategy, infos: List ): sd3_text_encoding_strategy: Sd3TextEncodingStrategy = text_encoding_strategy captions = [info.caption for info in infos] tokens_and_masks = tokenize_strategy.tokenize(captions) with torch.no_grad(): # always disable dropout during caching lg_out, t5_out, lg_pooled, l_attn_mask, g_attn_mask, t5_attn_mask = sd3_text_encoding_strategy.encode_tokens( tokenize_strategy, models, tokens_and_masks, apply_lg_attn_mask=self.apply_lg_attn_mask, apply_t5_attn_mask=self.apply_t5_attn_mask, enable_dropout=False, ) if lg_out.dtype == torch.bfloat16: lg_out = lg_out.float() if lg_pooled.dtype == torch.bfloat16: lg_pooled = lg_pooled.float() if t5_out.dtype == torch.bfloat16: t5_out = t5_out.float() lg_out = lg_out.cpu().numpy() lg_pooled = lg_pooled.cpu().numpy() t5_out = t5_out.cpu().numpy() l_attn_mask = tokens_and_masks[3].cpu().numpy() g_attn_mask = tokens_and_masks[4].cpu().numpy() t5_attn_mask = tokens_and_masks[5].cpu().numpy() for i, info in enumerate(infos): lg_out_i = lg_out[i] t5_out_i = t5_out[i] lg_pooled_i = lg_pooled[i] l_attn_mask_i = l_attn_mask[i] g_attn_mask_i = g_attn_mask[i] t5_attn_mask_i = t5_attn_mask[i] apply_lg_attn_mask = self.apply_lg_attn_mask apply_t5_attn_mask = self.apply_t5_attn_mask if self.cache_to_disk: np.savez( info.text_encoder_outputs_npz, lg_out=lg_out_i, lg_pooled=lg_pooled_i, t5_out=t5_out_i, clip_l_attn_mask=l_attn_mask_i, clip_g_attn_mask=g_attn_mask_i, t5_attn_mask=t5_attn_mask_i, apply_lg_attn_mask=apply_lg_attn_mask, apply_t5_attn_mask=apply_t5_attn_mask, ) else: # it's fine that attn mask is not None. it's overwritten before calling the model if necessary info.text_encoder_outputs = (lg_out_i, t5_out_i, lg_pooled_i, l_attn_mask_i, g_attn_mask_i, t5_attn_mask_i) class Sd3LatentsCachingStrategy(LatentsCachingStrategy): SD3_LATENTS_NPZ_SUFFIX = "_sd3.npz" def __init__(self, cache_to_disk: bool, batch_size: int, skip_disk_cache_validity_check: bool) -> None: super().__init__(cache_to_disk, batch_size, skip_disk_cache_validity_check) @property def cache_suffix(self) -> str: return Sd3LatentsCachingStrategy.SD3_LATENTS_NPZ_SUFFIX def get_latents_npz_path(self, absolute_path: str, image_size: Tuple[int, int]) -> str: return ( os.path.splitext(absolute_path)[0] + f"_{image_size[0]:04d}x{image_size[1]:04d}" + Sd3LatentsCachingStrategy.SD3_LATENTS_NPZ_SUFFIX ) def is_disk_cached_latents_expected(self, bucket_reso: Tuple[int, int], npz_path: str, flip_aug: bool, alpha_mask: bool): return self._default_is_disk_cached_latents_expected(8, bucket_reso, npz_path, flip_aug, alpha_mask, multi_resolution=True) def load_latents_from_disk( self, npz_path: str, bucket_reso: Tuple[int, int] ) -> Tuple[Optional[np.ndarray], Optional[List[int]], Optional[List[int]], Optional[np.ndarray], Optional[np.ndarray]]: return self._default_load_latents_from_disk(8, npz_path, bucket_reso) # support multi-resolution # TODO remove circular dependency for ImageInfo def cache_batch_latents(self, vae, image_infos: List, flip_aug: bool, alpha_mask: bool, random_crop: bool): encode_by_vae = lambda img_tensor: vae.encode(img_tensor).to("cpu") vae_device = vae.device vae_dtype = vae.dtype self._default_cache_batch_latents( encode_by_vae, vae_device, vae_dtype, image_infos, flip_aug, alpha_mask, random_crop, multi_resolution=True ) if not train_util.HIGH_VRAM: train_util.clean_memory_on_device(vae.device) ================================================ FILE: library/strategy_sdxl.py ================================================ import os from typing import Any, List, Optional, Tuple, Union import numpy as np import torch from transformers import CLIPTokenizer, CLIPTextModel, CLIPTextModelWithProjection from library.strategy_base import TokenizeStrategy, TextEncodingStrategy, TextEncoderOutputsCachingStrategy from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) TOKENIZER1_PATH = "openai/clip-vit-large-patch14" TOKENIZER2_PATH = "laion/CLIP-ViT-bigG-14-laion2B-39B-b160k" class SdxlTokenizeStrategy(TokenizeStrategy): def __init__(self, max_length: Optional[int], tokenizer_cache_dir: Optional[str] = None) -> None: self.tokenizer1 = self._load_tokenizer(CLIPTokenizer, TOKENIZER1_PATH, tokenizer_cache_dir=tokenizer_cache_dir) self.tokenizer2 = self._load_tokenizer(CLIPTokenizer, TOKENIZER2_PATH, tokenizer_cache_dir=tokenizer_cache_dir) self.tokenizer2.pad_token_id = 0 # use 0 as pad token for tokenizer2 if max_length is None: self.max_length = self.tokenizer1.model_max_length else: self.max_length = max_length + 2 def tokenize(self, text: Union[str, List[str]]) -> List[torch.Tensor]: text = [text] if isinstance(text, str) else text return ( torch.stack([self._get_input_ids(self.tokenizer1, t, self.max_length) for t in text], dim=0), torch.stack([self._get_input_ids(self.tokenizer2, t, self.max_length) for t in text], dim=0), ) def tokenize_with_weights(self, text: str | List[str]) -> Tuple[List[torch.Tensor]]: text = [text] if isinstance(text, str) else text tokens1_list, tokens2_list = [], [] weights1_list, weights2_list = [], [] for t in text: tokens1, weights1 = self._get_input_ids(self.tokenizer1, t, self.max_length, weighted=True) tokens2, weights2 = self._get_input_ids(self.tokenizer2, t, self.max_length, weighted=True) tokens1_list.append(tokens1) tokens2_list.append(tokens2) weights1_list.append(weights1) weights2_list.append(weights2) return [torch.stack(tokens1_list, dim=0), torch.stack(tokens2_list, dim=0)], [ torch.stack(weights1_list, dim=0), torch.stack(weights2_list, dim=0), ] class SdxlTextEncodingStrategy(TextEncodingStrategy): def __init__(self) -> None: pass def _pool_workaround( self, text_encoder: CLIPTextModelWithProjection, last_hidden_state: torch.Tensor, input_ids: torch.Tensor, eos_token_id: int ): r""" workaround for CLIP's pooling bug: it returns the hidden states for the max token id as the pooled output instead of the hidden states for the EOS token If we use Textual Inversion, we need to use the hidden states for the EOS token as the pooled output Original code from CLIP's pooling function: \# text_embeds.shape = [batch_size, sequence_length, transformer.width] \# take features from the eot embedding (eot_token is the highest number in each sequence) \# casting to torch.int for onnx compatibility: argmax doesn't support int64 inputs with opset 14 pooled_output = last_hidden_state[ torch.arange(last_hidden_state.shape[0], device=last_hidden_state.device), input_ids.to(dtype=torch.int, device=last_hidden_state.device).argmax(dim=-1), ] """ # input_ids: b*n,77 # find index for EOS token # Following code is not working if one of the input_ids has multiple EOS tokens (very odd case) # eos_token_index = torch.where(input_ids == eos_token_id)[1] # eos_token_index = eos_token_index.to(device=last_hidden_state.device) # Create a mask where the EOS tokens are eos_token_mask = (input_ids == eos_token_id).int() # Use argmax to find the last index of the EOS token for each element in the batch eos_token_index = torch.argmax(eos_token_mask, dim=1) # this will be 0 if there is no EOS token, it's fine eos_token_index = eos_token_index.to(device=last_hidden_state.device) # get hidden states for EOS token pooled_output = last_hidden_state[ torch.arange(last_hidden_state.shape[0], device=last_hidden_state.device), eos_token_index ] # apply projection: projection may be of different dtype than last_hidden_state pooled_output = text_encoder.text_projection(pooled_output.to(text_encoder.text_projection.weight.dtype)) pooled_output = pooled_output.to(last_hidden_state.dtype) return pooled_output def _get_hidden_states_sdxl( self, input_ids1: torch.Tensor, input_ids2: torch.Tensor, tokenizer1: CLIPTokenizer, tokenizer2: CLIPTokenizer, text_encoder1: Union[CLIPTextModel, torch.nn.Module], text_encoder2: Union[CLIPTextModelWithProjection, torch.nn.Module], unwrapped_text_encoder2: Optional[CLIPTextModelWithProjection] = None, ): # input_ids: b,n,77 -> b*n, 77 b_size = input_ids1.size()[0] if input_ids1.size()[1] == 1: max_token_length = None else: max_token_length = input_ids1.size()[1] * input_ids1.size()[2] input_ids1 = input_ids1.reshape((-1, tokenizer1.model_max_length)) # batch_size*n, 77 input_ids2 = input_ids2.reshape((-1, tokenizer2.model_max_length)) # batch_size*n, 77 input_ids1 = input_ids1.to(text_encoder1.device) input_ids2 = input_ids2.to(text_encoder2.device) # text_encoder1 enc_out = text_encoder1(input_ids1, output_hidden_states=True, return_dict=True) hidden_states1 = enc_out["hidden_states"][11] # text_encoder2 enc_out = text_encoder2(input_ids2, output_hidden_states=True, return_dict=True) hidden_states2 = enc_out["hidden_states"][-2] # penuultimate layer # pool2 = enc_out["text_embeds"] unwrapped_text_encoder2 = unwrapped_text_encoder2 or text_encoder2 pool2 = self._pool_workaround(unwrapped_text_encoder2, enc_out["last_hidden_state"], input_ids2, tokenizer2.eos_token_id) # b*n, 77, 768 or 1280 -> b, n*77, 768 or 1280 n_size = 1 if max_token_length is None else max_token_length // 75 hidden_states1 = hidden_states1.reshape((b_size, -1, hidden_states1.shape[-1])) hidden_states2 = hidden_states2.reshape((b_size, -1, hidden_states2.shape[-1])) if max_token_length is not None: # bs*3, 77, 768 or 1024 # encoder1: ... の三連を ... へ戻す states_list = [hidden_states1[:, 0].unsqueeze(1)] # for i in range(1, max_token_length, tokenizer1.model_max_length): states_list.append(hidden_states1[:, i : i + tokenizer1.model_max_length - 2]) # の後から の前まで states_list.append(hidden_states1[:, -1].unsqueeze(1)) # hidden_states1 = torch.cat(states_list, dim=1) # v2: ... ... の三連を ... ... へ戻す　正直この実装でいいのかわからん states_list = [hidden_states2[:, 0].unsqueeze(1)] # for i in range(1, max_token_length, tokenizer2.model_max_length): chunk = hidden_states2[:, i : i + tokenizer2.model_max_length - 2] # の後から 最後の前まで # this causes an error: # RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation # if i > 1: # for j in range(len(chunk)): # batch_size # if input_ids2[n_index + j * n_size, 1] == tokenizer2.eos_token_id: # 空、つまり ...のパターン # chunk[j, 0] = chunk[j, 1] # 次の の値をコピーする states_list.append(chunk) # の後から の前まで states_list.append(hidden_states2[:, -1].unsqueeze(1)) # か のどちらか hidden_states2 = torch.cat(states_list, dim=1) # pool はnの最初のものを使う pool2 = pool2[::n_size] return hidden_states1, hidden_states2, pool2 def encode_tokens( self, tokenize_strategy: TokenizeStrategy, models: List[Any], tokens: List[torch.Tensor] ) -> List[torch.Tensor]: """ Args: tokenize_strategy: TokenizeStrategy models: List of models, [text_encoder1, text_encoder2, unwrapped text_encoder2 (optional)]. If text_encoder2 is wrapped by accelerate, unwrapped_text_encoder2 is required tokens: List of tokens, for text_encoder1 and text_encoder2 """ if len(models) == 2: text_encoder1, text_encoder2 = models unwrapped_text_encoder2 = None else: text_encoder1, text_encoder2, unwrapped_text_encoder2 = models tokens1, tokens2 = tokens sdxl_tokenize_strategy = tokenize_strategy # type: SdxlTokenizeStrategy tokenizer1, tokenizer2 = sdxl_tokenize_strategy.tokenizer1, sdxl_tokenize_strategy.tokenizer2 hidden_states1, hidden_states2, pool2 = self._get_hidden_states_sdxl( tokens1, tokens2, tokenizer1, tokenizer2, text_encoder1, text_encoder2, unwrapped_text_encoder2 ) return [hidden_states1, hidden_states2, pool2] def encode_tokens_with_weights( self, tokenize_strategy: TokenizeStrategy, models: List[Any], tokens_list: List[torch.Tensor], weights_list: List[torch.Tensor], ) -> List[torch.Tensor]: hidden_states1, hidden_states2, pool2 = self.encode_tokens(tokenize_strategy, models, tokens_list) weights_list = [weights.to(hidden_states1.device) for weights in weights_list] # apply weights if weights_list[0].shape[1] == 1: # no max_token_length # weights: ((b, 1, 77), (b, 1, 77)), hidden_states: (b, 77, 768), (b, 77, 768) hidden_states1 = hidden_states1 * weights_list[0].squeeze(1).unsqueeze(2) hidden_states2 = hidden_states2 * weights_list[1].squeeze(1).unsqueeze(2) else: # weights: ((b, n, 77), (b, n, 77)), hidden_states: (b, n*75+2, 768), (b, n*75+2, 768) for weight, hidden_states in zip(weights_list, [hidden_states1, hidden_states2]): for i in range(weight.shape[1]): hidden_states[:, i * 75 + 1 : i * 75 + 76] = hidden_states[:, i * 75 + 1 : i * 75 + 76] * weight[ :, i, 1:-1 ].unsqueeze(-1) return [hidden_states1, hidden_states2, pool2] class SdxlTextEncoderOutputsCachingStrategy(TextEncoderOutputsCachingStrategy): SDXL_TEXT_ENCODER_OUTPUTS_NPZ_SUFFIX = "_te_outputs.npz" def __init__( self, cache_to_disk: bool, batch_size: int, skip_disk_cache_validity_check: bool, is_partial: bool = False, is_weighted: bool = False, ) -> None: super().__init__(cache_to_disk, batch_size, skip_disk_cache_validity_check, is_partial, is_weighted) def get_outputs_npz_path(self, image_abs_path: str) -> str: return os.path.splitext(image_abs_path)[0] + SdxlTextEncoderOutputsCachingStrategy.SDXL_TEXT_ENCODER_OUTPUTS_NPZ_SUFFIX def is_disk_cached_outputs_expected(self, npz_path: str): if not self.cache_to_disk: return False if not os.path.exists(npz_path): return False if self.skip_disk_cache_validity_check: return True try: npz = np.load(npz_path) if "hidden_state1" not in npz or "hidden_state2" not in npz or "pool2" not in npz: return False except Exception as e: logger.error(f"Error loading file: {npz_path}") raise e return True def load_outputs_npz(self, npz_path: str) -> List[np.ndarray]: data = np.load(npz_path) hidden_state1 = data["hidden_state1"] hidden_state2 = data["hidden_state2"] pool2 = data["pool2"] return [hidden_state1, hidden_state2, pool2] def cache_batch_outputs( self, tokenize_strategy: TokenizeStrategy, models: List[Any], text_encoding_strategy: TextEncodingStrategy, infos: List ): sdxl_text_encoding_strategy = text_encoding_strategy # type: SdxlTextEncodingStrategy captions = [info.caption for info in infos] if self.is_weighted: tokens_list, weights_list = tokenize_strategy.tokenize_with_weights(captions) with torch.no_grad(): hidden_state1, hidden_state2, pool2 = sdxl_text_encoding_strategy.encode_tokens_with_weights( tokenize_strategy, models, tokens_list, weights_list ) else: tokens1, tokens2 = tokenize_strategy.tokenize(captions) with torch.no_grad(): hidden_state1, hidden_state2, pool2 = sdxl_text_encoding_strategy.encode_tokens( tokenize_strategy, models, [tokens1, tokens2] ) if hidden_state1.dtype == torch.bfloat16: hidden_state1 = hidden_state1.float() if hidden_state2.dtype == torch.bfloat16: hidden_state2 = hidden_state2.float() if pool2.dtype == torch.bfloat16: pool2 = pool2.float() hidden_state1 = hidden_state1.cpu().numpy() hidden_state2 = hidden_state2.cpu().numpy() pool2 = pool2.cpu().numpy() for i, info in enumerate(infos): hidden_state1_i = hidden_state1[i] hidden_state2_i = hidden_state2[i] pool2_i = pool2[i] if self.cache_to_disk: np.savez( info.text_encoder_outputs_npz, hidden_state1=hidden_state1_i, hidden_state2=hidden_state2_i, pool2=pool2_i, ) else: info.text_encoder_outputs = [hidden_state1_i, hidden_state2_i, pool2_i] ================================================ FILE: library/train_util.py ================================================ # common functions for training import argparse import ast import asyncio from concurrent.futures import Future, ThreadPoolExecutor import datetime import importlib import json import logging import pathlib import re import shutil import time import typing from typing import Any, Callable, Dict, List, NamedTuple, Optional, Sequence, Tuple, Union from accelerate import Accelerator, InitProcessGroupKwargs, DistributedDataParallelKwargs, PartialState import glob import math import os import random import hashlib import subprocess from io import BytesIO import toml # from concurrent.futures import ThreadPoolExecutor, as_completed from tqdm import tqdm from packaging.version import Version import torch from library.device_utils import init_ipex, clean_memory_on_device from library.strategy_base import LatentsCachingStrategy, TokenizeStrategy, TextEncoderOutputsCachingStrategy, TextEncodingStrategy init_ipex() from torch.nn.parallel import DistributedDataParallel as DDP from torch.optim import Optimizer from torchvision import transforms from transformers import CLIPTokenizer, CLIPTextModel, CLIPTextModelWithProjection import transformers from diffusers.optimization import ( SchedulerType as DiffusersSchedulerType, TYPE_TO_SCHEDULER_FUNCTION as DIFFUSERS_TYPE_TO_SCHEDULER_FUNCTION, ) from transformers.optimization import SchedulerType, TYPE_TO_SCHEDULER_FUNCTION from diffusers import ( StableDiffusionPipeline, DDPMScheduler, EulerAncestralDiscreteScheduler, DPMSolverMultistepScheduler, DPMSolverSinglestepScheduler, LMSDiscreteScheduler, PNDMScheduler, DDIMScheduler, EulerDiscreteScheduler, HeunDiscreteScheduler, KDPM2DiscreteScheduler, KDPM2AncestralDiscreteScheduler, AutoencoderKL, ) from library import custom_train_functions, sd3_utils from library.original_unet import UNet2DConditionModel from huggingface_hub import hf_hub_download import numpy as np from PIL import Image import imagesize import cv2 import safetensors.torch from library.lpw_stable_diffusion import StableDiffusionLongPromptWeightingPipeline from library.sdxl_lpw_stable_diffusion import SdxlStableDiffusionLongPromptWeightingPipeline import library.model_util as model_util import library.huggingface_util as huggingface_util import library.sai_model_spec as sai_model_spec import library.deepspeed_utils as deepspeed_utils from library.utils import setup_logging, resize_image, validate_interpolation_fn setup_logging() import logging logger = logging.getLogger(__name__) # from library.attention_processors import FlashAttnProcessor # from library.hypernetwork import replace_attentions_for_hypernetwork from library.original_unet import UNet2DConditionModel HIGH_VRAM = False # checkpointファイル名 EPOCH_STATE_NAME = "{}-{:06d}-state" EPOCH_FILE_NAME = "{}-{:06d}" EPOCH_DIFFUSERS_DIR_NAME = "{}-{:06d}" LAST_STATE_NAME = "{}-state" DEFAULT_EPOCH_NAME = "epoch" DEFAULT_LAST_OUTPUT_NAME = "last" DEFAULT_STEP_NAME = "at" STEP_STATE_NAME = "{}-step{:08d}-state" STEP_FILE_NAME = "{}-step{:08d}" STEP_DIFFUSERS_DIR_NAME = "{}-step{:08d}" # region dataset IMAGE_EXTENSIONS = [".png", ".jpg", ".jpeg", ".webp", ".bmp", ".PNG", ".JPG", ".JPEG", ".WEBP", ".BMP"] try: import pillow_avif IMAGE_EXTENSIONS.extend([".avif", ".AVIF"]) except: pass # JPEG-XL on Linux try: from jxlpy import JXLImagePlugin from library.jpeg_xl_util import get_jxl_size IMAGE_EXTENSIONS.extend([".jxl", ".JXL"]) except: pass # JPEG-XL on Linux and Windows try: import pillow_jxl from library.jpeg_xl_util import get_jxl_size IMAGE_EXTENSIONS.extend([".jxl", ".JXL"]) except: pass IMAGE_TRANSFORMS = transforms.Compose( [ transforms.ToTensor(), transforms.Normalize([0.5], [0.5]), ] ) TEXT_ENCODER_OUTPUTS_CACHE_SUFFIX = "_te_outputs.npz" TEXT_ENCODER_OUTPUTS_CACHE_SUFFIX_SD3 = "_sd3_te.npz" def split_train_val( paths: List[str], sizes: List[Optional[Tuple[int, int]]], is_training_dataset: bool, validation_split: float, validation_seed: int | None, ) -> Tuple[List[str], List[Optional[Tuple[int, int]]]]: """ Split the dataset into train and validation Shuffle the dataset based on the validation_seed or the current random seed. For example if the split of 0.2 of 100 images. [0:80] = 80 training images [80:] = 20 validation images """ dataset = list(zip(paths, sizes)) if validation_seed is not None: logging.info(f"Using validation seed: {validation_seed}") prevstate = random.getstate() random.seed(validation_seed) random.shuffle(dataset) random.setstate(prevstate) else: random.shuffle(dataset) paths, sizes = zip(*dataset) paths = list(paths) sizes = list(sizes) # Split the dataset between training and validation if is_training_dataset: # Training dataset we split to the first part split = math.ceil(len(paths) * (1 - validation_split)) return paths[0:split], sizes[0:split] else: # Validation dataset we split to the second part split = len(paths) - round(len(paths) * validation_split) return paths[split:], sizes[split:] class ImageInfo: def __init__( self, image_key: str, num_repeats: int, caption: str, is_reg: bool, absolute_path: str, caption_dropout_rate: float = 0.0 ) -> None: self.image_key: str = image_key self.num_repeats: int = num_repeats self.caption: str = caption self.is_reg: bool = is_reg self.absolute_path: str = absolute_path self.caption_dropout_rate: float = caption_dropout_rate self.image_size: Tuple[int, int] = None self.resized_size: Tuple[int, int] = None self.bucket_reso: Tuple[int, int] = None self.latents: Optional[torch.Tensor] = None self.latents_flipped: Optional[torch.Tensor] = None self.latents_npz: Optional[str] = None # set in cache_latents self.latents_original_size: Optional[Tuple[int, int]] = None # original image size, not latents size self.latents_crop_ltrb: Optional[Tuple[int, int]] = ( None # crop left top right bottom in original pixel size, not latents size ) self.cond_img_path: Optional[str] = None self.image: Optional[Image.Image] = None # optional, original PIL Image self.text_encoder_outputs_npz: Optional[str] = None # filename. set in cache_text_encoder_outputs # new self.text_encoder_outputs: Optional[List[torch.Tensor]] = None # old self.text_encoder_outputs1: Optional[torch.Tensor] = None self.text_encoder_outputs2: Optional[torch.Tensor] = None self.text_encoder_pool2: Optional[torch.Tensor] = None self.alpha_mask: Optional[torch.Tensor] = None # alpha mask can be flipped in runtime self.resize_interpolation: Optional[str] = None class BucketManager: def __init__(self, no_upscale, max_reso, min_size, max_size, reso_steps) -> None: if max_size is not None: if max_reso is not None: assert max_size >= max_reso[0], "the max_size should be larger than the width of max_reso" assert max_size >= max_reso[1], "the max_size should be larger than the height of max_reso" if min_size is not None: assert max_size >= min_size, "the max_size should be larger than the min_size" self.no_upscale = no_upscale if max_reso is None: self.max_reso = None self.max_area = None else: self.max_reso = max_reso self.max_area = max_reso[0] * max_reso[1] self.min_size = min_size self.max_size = max_size self.reso_steps = reso_steps self.resos = [] self.reso_to_id = {} self.buckets = [] # 前処理時は (image_key, image, original size, crop left/top)、学習時は image_key def add_image(self, reso, image_or_info): bucket_id = self.reso_to_id[reso] self.buckets[bucket_id].append(image_or_info) def shuffle(self): for bucket in self.buckets: random.shuffle(bucket) def sort(self): # 解像度順にソートする（表示時、メタデータ格納時の見栄えをよくするためだけ）。bucketsも入れ替えてreso_to_idも振り直す sorted_resos = self.resos.copy() sorted_resos.sort() sorted_buckets = [] sorted_reso_to_id = {} for i, reso in enumerate(sorted_resos): bucket_id = self.reso_to_id[reso] sorted_buckets.append(self.buckets[bucket_id]) sorted_reso_to_id[reso] = i self.resos = sorted_resos self.buckets = sorted_buckets self.reso_to_id = sorted_reso_to_id def make_buckets(self): resos = model_util.make_bucket_resolutions(self.max_reso, self.min_size, self.max_size, self.reso_steps) self.set_predefined_resos(resos) def set_predefined_resos(self, resos): # 規定サイズから選ぶ場合の解像度、aspect ratioの情報を格納しておく self.predefined_resos = resos.copy() self.predefined_resos_set = set(resos) self.predefined_aspect_ratios = np.array([w / h for w, h in resos]) def add_if_new_reso(self, reso): if reso not in self.reso_to_id: bucket_id = len(self.resos) self.reso_to_id[reso] = bucket_id self.resos.append(reso) self.buckets.append([]) # logger.info(reso, bucket_id, len(self.buckets)) def round_to_steps(self, x): x = int(x + 0.5) return x - x % self.reso_steps def select_bucket(self, image_width, image_height): aspect_ratio = image_width / image_height if not self.no_upscale: # 拡大および縮小を行う # 同じaspect ratioがあるかもしれないので（fine tuningで、no_upscale=Trueで前処理した場合）、解像度が同じものを優先する reso = (image_width, image_height) if reso in self.predefined_resos_set: pass else: ar_errors = self.predefined_aspect_ratios - aspect_ratio predefined_bucket_id = np.abs(ar_errors).argmin() # 当該解像度以外でaspect ratio errorが最も少ないもの reso = self.predefined_resos[predefined_bucket_id] ar_reso = reso[0] / reso[1] if aspect_ratio > ar_reso: # 横が長い→縦を合わせる scale = reso[1] / image_height else: scale = reso[0] / image_width resized_size = (int(image_width * scale + 0.5), int(image_height * scale + 0.5)) # logger.info(f"use predef, {image_width}, {image_height}, {reso}, {resized_size}") else: # 縮小のみを行う if image_width * image_height > self.max_area: # 画像が大きすぎるのでアスペクト比を保ったまま縮小することを前提にbucketを決める resized_width = math.sqrt(self.max_area * aspect_ratio) resized_height = self.max_area / resized_width assert abs(resized_width / resized_height - aspect_ratio) < 1e-2, "aspect is illegal" # リサイズ後の短辺または長辺をreso_steps単位にする：aspect ratioの差が少ないほうを選ぶ # 元のbucketingと同じロジック b_width_rounded = self.round_to_steps(resized_width) b_height_in_wr = self.round_to_steps(b_width_rounded / aspect_ratio) ar_width_rounded = b_width_rounded / b_height_in_wr b_height_rounded = self.round_to_steps(resized_height) b_width_in_hr = self.round_to_steps(b_height_rounded * aspect_ratio) ar_height_rounded = b_width_in_hr / b_height_rounded # logger.info(b_width_rounded, b_height_in_wr, ar_width_rounded) # logger.info(b_width_in_hr, b_height_rounded, ar_height_rounded) if abs(ar_width_rounded - aspect_ratio) < abs(ar_height_rounded - aspect_ratio): resized_size = (b_width_rounded, int(b_width_rounded / aspect_ratio + 0.5)) else: resized_size = (int(b_height_rounded * aspect_ratio + 0.5), b_height_rounded) # logger.info(resized_size) else: resized_size = (image_width, image_height) # リサイズは不要 # 画像のサイズ未満をbucketのサイズとする（paddingせずにcroppingする） bucket_width = resized_size[0] - resized_size[0] % self.reso_steps bucket_height = resized_size[1] - resized_size[1] % self.reso_steps # logger.info(f"use arbitrary {image_width}, {image_height}, {resized_size}, {bucket_width}, {bucket_height}") reso = (bucket_width, bucket_height) self.add_if_new_reso(reso) ar_error = (reso[0] / reso[1]) - aspect_ratio return reso, resized_size, ar_error @staticmethod def get_crop_ltrb(bucket_reso: Tuple[int, int], image_size: Tuple[int, int]): # Stability AIの前処理に合わせてcrop left/topを計算する。crop rightはflipのaugmentationのために求める # Calculate crop left/top according to the preprocessing of Stability AI. Crop right is calculated for flip augmentation. bucket_ar = bucket_reso[0] / bucket_reso[1] image_ar = image_size[0] / image_size[1] if bucket_ar > image_ar: # bucketのほうが横長→縦を合わせる resized_width = bucket_reso[1] * image_ar resized_height = bucket_reso[1] else: resized_width = bucket_reso[0] resized_height = bucket_reso[0] / image_ar crop_left = (bucket_reso[0] - resized_width) // 2 crop_top = (bucket_reso[1] - resized_height) // 2 crop_right = crop_left + resized_width crop_bottom = crop_top + resized_height return crop_left, crop_top, crop_right, crop_bottom class BucketBatchIndex(NamedTuple): bucket_index: int bucket_batch_size: int batch_index: int class AugHelper: # albumentationsへの依存をなくしたがとりあえず同じinterfaceを持たせる def __init__(self): pass def color_aug(self, image: np.ndarray): # self.color_aug_method = albu.OneOf( # [ # albu.HueSaturationValue(8, 0, 0, p=0.5), # albu.RandomGamma((95, 105), p=0.5), # ], # p=0.33, # ) hue_shift_limit = 8 # remove dependency to albumentations if random.random() <= 0.33: if random.random() > 0.5: # hue shift hsv_img = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) hue_shift = random.uniform(-hue_shift_limit, hue_shift_limit) if hue_shift < 0: hue_shift = 180 + hue_shift hsv_img[:, :, 0] = (hsv_img[:, :, 0] + hue_shift) % 180 image = cv2.cvtColor(hsv_img, cv2.COLOR_HSV2BGR) else: # random gamma gamma = random.uniform(0.95, 1.05) image = np.clip(image**gamma, 0, 255).astype(np.uint8) return {"image": image} def get_augmentor(self, use_color_aug: bool): # -> Optional[Callable[[np.ndarray], Dict[str, np.ndarray]]]: return self.color_aug if use_color_aug else None class BaseSubset: def __init__( self, image_dir: Optional[str], alpha_mask: Optional[bool], num_repeats: int, shuffle_caption: bool, caption_separator: str, keep_tokens: int, keep_tokens_separator: str, secondary_separator: Optional[str], enable_wildcard: bool, color_aug: bool, flip_aug: bool, face_crop_aug_range: Optional[Tuple[float, float]], random_crop: bool, caption_dropout_rate: float, caption_dropout_every_n_epochs: int, caption_tag_dropout_rate: float, caption_prefix: Optional[str], caption_suffix: Optional[str], token_warmup_min: int, token_warmup_step: Union[float, int], custom_attributes: Optional[Dict[str, Any]] = None, validation_seed: Optional[int] = None, validation_split: Optional[float] = 0.0, resize_interpolation: Optional[str] = None, ) -> None: self.image_dir = image_dir self.alpha_mask = alpha_mask if alpha_mask is not None else False self.num_repeats = num_repeats self.shuffle_caption = shuffle_caption self.caption_separator = caption_separator self.keep_tokens = keep_tokens self.keep_tokens_separator = keep_tokens_separator self.secondary_separator = secondary_separator self.enable_wildcard = enable_wildcard self.color_aug = color_aug self.flip_aug = flip_aug self.face_crop_aug_range = face_crop_aug_range self.random_crop = random_crop self.caption_dropout_rate = caption_dropout_rate self.caption_dropout_every_n_epochs = caption_dropout_every_n_epochs self.caption_tag_dropout_rate = caption_tag_dropout_rate self.caption_prefix = caption_prefix self.caption_suffix = caption_suffix self.token_warmup_min = token_warmup_min # step=0におけるタグの数 self.token_warmup_step = token_warmup_step # N（N<1ならN*max_train_steps）ステップ目でタグの数が最大になる self.custom_attributes = custom_attributes if custom_attributes is not None else {} self.img_count = 0 self.validation_seed = validation_seed self.validation_split = validation_split self.resize_interpolation = resize_interpolation class DreamBoothSubset(BaseSubset): def __init__( self, image_dir: str, is_reg: bool, class_tokens: Optional[str], caption_extension: str, cache_info: bool, alpha_mask: bool, num_repeats, shuffle_caption, caption_separator: str, keep_tokens, keep_tokens_separator, secondary_separator, enable_wildcard, color_aug, flip_aug, face_crop_aug_range, random_crop, caption_dropout_rate, caption_dropout_every_n_epochs, caption_tag_dropout_rate, caption_prefix, caption_suffix, token_warmup_min, token_warmup_step, custom_attributes: Optional[Dict[str, Any]] = None, validation_seed: Optional[int] = None, validation_split: Optional[float] = 0.0, resize_interpolation: Optional[str] = None, ) -> None: assert image_dir is not None, "image_dir must be specified / image_dirは指定が必須です" super().__init__( image_dir, alpha_mask, num_repeats, shuffle_caption, caption_separator, keep_tokens, keep_tokens_separator, secondary_separator, enable_wildcard, color_aug, flip_aug, face_crop_aug_range, random_crop, caption_dropout_rate, caption_dropout_every_n_epochs, caption_tag_dropout_rate, caption_prefix, caption_suffix, token_warmup_min, token_warmup_step, custom_attributes=custom_attributes, validation_seed=validation_seed, validation_split=validation_split, resize_interpolation=resize_interpolation, ) self.is_reg = is_reg self.class_tokens = class_tokens self.caption_extension = caption_extension if self.caption_extension and not self.caption_extension.startswith("."): self.caption_extension = "." + self.caption_extension self.cache_info = cache_info def __eq__(self, other) -> bool: if not isinstance(other, DreamBoothSubset): return NotImplemented return self.image_dir == other.image_dir class FineTuningSubset(BaseSubset): def __init__( self, image_dir, metadata_file: str, alpha_mask: bool, num_repeats, shuffle_caption, caption_separator, keep_tokens, keep_tokens_separator, secondary_separator, enable_wildcard, color_aug, flip_aug, face_crop_aug_range, random_crop, caption_dropout_rate, caption_dropout_every_n_epochs, caption_tag_dropout_rate, caption_prefix, caption_suffix, token_warmup_min, token_warmup_step, custom_attributes: Optional[Dict[str, Any]] = None, validation_seed: Optional[int] = None, validation_split: Optional[float] = 0.0, resize_interpolation: Optional[str] = None, ) -> None: assert metadata_file is not None, "metadata_file must be specified / metadata_fileは指定が必須です" super().__init__( image_dir, alpha_mask, num_repeats, shuffle_caption, caption_separator, keep_tokens, keep_tokens_separator, secondary_separator, enable_wildcard, color_aug, flip_aug, face_crop_aug_range, random_crop, caption_dropout_rate, caption_dropout_every_n_epochs, caption_tag_dropout_rate, caption_prefix, caption_suffix, token_warmup_min, token_warmup_step, custom_attributes=custom_attributes, validation_seed=validation_seed, validation_split=validation_split, resize_interpolation=resize_interpolation, ) self.metadata_file = metadata_file def __eq__(self, other) -> bool: if not isinstance(other, FineTuningSubset): return NotImplemented return self.metadata_file == other.metadata_file class ControlNetSubset(BaseSubset): def __init__( self, image_dir: str, conditioning_data_dir: str, caption_extension: str, cache_info: bool, num_repeats, shuffle_caption, caption_separator, keep_tokens, keep_tokens_separator, secondary_separator, enable_wildcard, color_aug, flip_aug, face_crop_aug_range, random_crop, caption_dropout_rate, caption_dropout_every_n_epochs, caption_tag_dropout_rate, caption_prefix, caption_suffix, token_warmup_min, token_warmup_step, custom_attributes: Optional[Dict[str, Any]] = None, validation_seed: Optional[int] = None, validation_split: Optional[float] = 0.0, resize_interpolation: Optional[str] = None, ) -> None: assert image_dir is not None, "image_dir must be specified / image_dirは指定が必須です" super().__init__( image_dir, False, # alpha_mask num_repeats, shuffle_caption, caption_separator, keep_tokens, keep_tokens_separator, secondary_separator, enable_wildcard, color_aug, flip_aug, face_crop_aug_range, random_crop, caption_dropout_rate, caption_dropout_every_n_epochs, caption_tag_dropout_rate, caption_prefix, caption_suffix, token_warmup_min, token_warmup_step, custom_attributes=custom_attributes, validation_seed=validation_seed, validation_split=validation_split, resize_interpolation=resize_interpolation, ) self.conditioning_data_dir = conditioning_data_dir self.caption_extension = caption_extension if self.caption_extension and not self.caption_extension.startswith("."): self.caption_extension = "." + self.caption_extension self.cache_info = cache_info def __eq__(self, other) -> bool: if not isinstance(other, ControlNetSubset): return NotImplemented return self.image_dir == other.image_dir and self.conditioning_data_dir == other.conditioning_data_dir class BaseDataset(torch.utils.data.Dataset): def __init__( self, resolution: Optional[Tuple[int, int]], network_multiplier: float, debug_dataset: bool, resize_interpolation: Optional[str] = None, ) -> None: super().__init__() # width/height is used when enable_bucket==False self.width, self.height = (None, None) if resolution is None else resolution self.network_multiplier = network_multiplier self.debug_dataset = debug_dataset self.subsets: List[Union[DreamBoothSubset, FineTuningSubset]] = [] self.token_padding_disabled = False self.tag_frequency = {} self.XTI_layers = None self.token_strings = None self.enable_bucket = False self.bucket_manager: BucketManager = None # not initialized self.min_bucket_reso = None self.max_bucket_reso = None self.bucket_reso_steps = None self.bucket_no_upscale = None self.bucket_info = None # for metadata self.current_epoch: int = 0 # インスタンスがepochごとに新しく作られるようなので外側から渡さないとダメ self.current_step: int = 0 self.max_train_steps: int = 0 self.seed: int = 0 # augmentation self.aug_helper = AugHelper() self.image_transforms = IMAGE_TRANSFORMS if resize_interpolation is not None: assert validate_interpolation_fn( resize_interpolation ), f'Resize interpolation "{resize_interpolation}" is not a valid interpolation' self.resize_interpolation = resize_interpolation self.image_data: Dict[str, ImageInfo] = {} self.image_to_subset: Dict[str, Union[DreamBoothSubset, FineTuningSubset]] = {} self.replacements = {} # caching self.caching_mode = None # None, 'latents', 'text' self.tokenize_strategy = None self.text_encoder_output_caching_strategy = None self.latents_caching_strategy = None def set_current_strategies(self): self.tokenize_strategy = TokenizeStrategy.get_strategy() self.text_encoder_output_caching_strategy = TextEncoderOutputsCachingStrategy.get_strategy() self.latents_caching_strategy = LatentsCachingStrategy.get_strategy() def adjust_min_max_bucket_reso_by_steps( self, resolution: Tuple[int, int], min_bucket_reso: int, max_bucket_reso: int, bucket_reso_steps: int ) -> Tuple[int, int]: # make min/max bucket reso to be multiple of bucket_reso_steps if min_bucket_reso % bucket_reso_steps != 0: adjusted_min_bucket_reso = min_bucket_reso - min_bucket_reso % bucket_reso_steps logger.warning( f"min_bucket_reso is adjusted to be multiple of bucket_reso_steps" f" / min_bucket_resoがbucket_reso_stepsの倍数になるように調整されました: {min_bucket_reso} -> {adjusted_min_bucket_reso}" ) min_bucket_reso = adjusted_min_bucket_reso if max_bucket_reso % bucket_reso_steps != 0: adjusted_max_bucket_reso = max_bucket_reso + bucket_reso_steps - max_bucket_reso % bucket_reso_steps logger.warning( f"max_bucket_reso is adjusted to be multiple of bucket_reso_steps" f" / max_bucket_resoがbucket_reso_stepsの倍数になるように調整されました: {max_bucket_reso} -> {adjusted_max_bucket_reso}" ) max_bucket_reso = adjusted_max_bucket_reso assert ( min(resolution) >= min_bucket_reso ), f"min_bucket_reso must be equal or less than resolution / min_bucket_resoは最小解像度より大きくできません。解像度を大きくするかmin_bucket_resoを小さくしてください" assert ( max(resolution) <= max_bucket_reso ), f"max_bucket_reso must be equal or greater than resolution / max_bucket_resoは最大解像度より小さくできません。解像度を小さくするかmin_bucket_resoを大きくしてください" return min_bucket_reso, max_bucket_reso def set_seed(self, seed): self.seed = seed def set_caching_mode(self, mode): self.caching_mode = mode def set_current_epoch(self, epoch): if not self.current_epoch == epoch: # epochが切り替わったらバケツをシャッフルする if epoch > self.current_epoch: logger.info("epoch is incremented. current_epoch: {}, epoch: {}".format(self.current_epoch, epoch)) num_epochs = epoch - self.current_epoch for _ in range(num_epochs): self.current_epoch += 1 self.shuffle_buckets() # self.current_epoch seem to be set to 0 again in the next epoch. it may be caused by skipped_dataloader? else: logger.warning("epoch is not incremented. current_epoch: {}, epoch: {}".format(self.current_epoch, epoch)) self.current_epoch = epoch def set_current_step(self, step): self.current_step = step def set_max_train_steps(self, max_train_steps): self.max_train_steps = max_train_steps def set_tag_frequency(self, dir_name, captions): frequency_for_dir = self.tag_frequency.get(dir_name, {}) self.tag_frequency[dir_name] = frequency_for_dir for caption in captions: for tag in caption.split(","): tag = tag.strip() if tag: tag = tag.lower() frequency = frequency_for_dir.get(tag, 0) frequency_for_dir[tag] = frequency + 1 def disable_token_padding(self): self.token_padding_disabled = True def enable_XTI(self, layers=None, token_strings=None): self.XTI_layers = layers self.token_strings = token_strings def add_replacement(self, str_from, str_to): self.replacements[str_from] = str_to def process_caption(self, subset: BaseSubset, caption): # caption に prefix/suffix を付ける if subset.caption_prefix: caption = subset.caption_prefix + " " + caption if subset.caption_suffix: caption = caption + " " + subset.caption_suffix # dropoutの決定：tag dropがこのメソッド内にあるのでここで行うのが良い is_drop_out = subset.caption_dropout_rate > 0 and random.random() < subset.caption_dropout_rate is_drop_out = ( is_drop_out or subset.caption_dropout_every_n_epochs > 0 and self.current_epoch % subset.caption_dropout_every_n_epochs == 0 ) if is_drop_out: caption = "" else: # process wildcards if subset.enable_wildcard: # if caption is multiline, random choice one line if "\n" in caption: caption = random.choice(caption.split("\n")) # wildcard is like '{aaa|bbb|ccc...}' # escape the curly braces like {{ or }} replacer1 = "⦅" replacer2 = "⦆" while replacer1 in caption or replacer2 in caption: replacer1 += "⦅" replacer2 += "⦆" caption = caption.replace("{{", replacer1).replace("}}", replacer2) # replace the wildcard def replace_wildcard(match): return random.choice(match.group(1).split("|")) caption = re.sub(r"\{([^}]+)\}", replace_wildcard, caption) # unescape the curly braces caption = caption.replace(replacer1, "{").replace(replacer2, "}") else: # if caption is multiline, use the first line caption = caption.split("\n")[0] if subset.shuffle_caption or subset.token_warmup_step > 0 or subset.caption_tag_dropout_rate > 0: fixed_tokens = [] flex_tokens = [] fixed_suffix_tokens = [] if ( hasattr(subset, "keep_tokens_separator") and subset.keep_tokens_separator and subset.keep_tokens_separator in caption ): fixed_part, flex_part = caption.split(subset.keep_tokens_separator, 1) if subset.keep_tokens_separator in flex_part: flex_part, fixed_suffix_part = flex_part.split(subset.keep_tokens_separator, 1) fixed_suffix_tokens = [t.strip() for t in fixed_suffix_part.split(subset.caption_separator) if t.strip()] fixed_tokens = [t.strip() for t in fixed_part.split(subset.caption_separator) if t.strip()] flex_tokens = [t.strip() for t in flex_part.split(subset.caption_separator) if t.strip()] else: tokens = [t.strip() for t in caption.strip().split(subset.caption_separator)] flex_tokens = tokens[:] if subset.keep_tokens > 0: fixed_tokens = flex_tokens[: subset.keep_tokens] flex_tokens = tokens[subset.keep_tokens :] if subset.token_warmup_step < 1: # 初回に上書きする subset.token_warmup_step = math.floor(subset.token_warmup_step * self.max_train_steps) if subset.token_warmup_step and self.current_step < subset.token_warmup_step: tokens_len = ( math.floor( (self.current_step) * ((len(flex_tokens) - subset.token_warmup_min) / (subset.token_warmup_step)) ) + subset.token_warmup_min ) flex_tokens = flex_tokens[:tokens_len] def dropout_tags(tokens): if subset.caption_tag_dropout_rate <= 0: return tokens l = [] for token in tokens: if random.random() >= subset.caption_tag_dropout_rate: l.append(token) return l if subset.shuffle_caption: random.shuffle(flex_tokens) flex_tokens = dropout_tags(flex_tokens) caption = ", ".join(fixed_tokens + flex_tokens + fixed_suffix_tokens) # process secondary separator if subset.secondary_separator: caption = caption.replace(subset.secondary_separator, subset.caption_separator) # textual inversion対応 for str_from, str_to in self.replacements.items(): if str_from == "": # replace all if type(str_to) == list: caption = random.choice(str_to) else: caption = str_to else: caption = caption.replace(str_from, str_to) return caption def get_input_ids(self, caption, tokenizer=None): if tokenizer is None: tokenizer = self.tokenizers[0] input_ids = tokenizer( caption, padding="max_length", truncation=True, max_length=self.tokenizer_max_length, return_tensors="pt" ).input_ids if self.tokenizer_max_length > tokenizer.model_max_length: input_ids = input_ids.squeeze(0) iids_list = [] if tokenizer.pad_token_id == tokenizer.eos_token_id: # v1 # 77以上の時は " .... " でトータル227とかになっているので、"..."の三連に変換する # 1111氏のやつは , で区切る、とかしているようだが　とりあえず単純に for i in range( 1, self.tokenizer_max_length - tokenizer.model_max_length + 2, tokenizer.model_max_length - 2 ): # (1, 152, 75) ids_chunk = ( input_ids[0].unsqueeze(0), input_ids[i : i + tokenizer.model_max_length - 2], input_ids[-1].unsqueeze(0), ) ids_chunk = torch.cat(ids_chunk) iids_list.append(ids_chunk) else: # v2 or SDXL # 77以上の時は " .... ..." でトータル227とかになっているので、"... ..."の三連に変換する for i in range(1, self.tokenizer_max_length - tokenizer.model_max_length + 2, tokenizer.model_max_length - 2): ids_chunk = ( input_ids[0].unsqueeze(0), # BOS input_ids[i : i + tokenizer.model_max_length - 2], input_ids[-1].unsqueeze(0), ) # PAD or EOS ids_chunk = torch.cat(ids_chunk) # 末尾が または の場合は、何もしなくてよい # 末尾が x の場合は末尾を に変える（x なら結果的に変化なし） if ids_chunk[-2] != tokenizer.eos_token_id and ids_chunk[-2] != tokenizer.pad_token_id: ids_chunk[-1] = tokenizer.eos_token_id # 先頭が ... の場合は ... に変える if ids_chunk[1] == tokenizer.pad_token_id: ids_chunk[1] = tokenizer.eos_token_id iids_list.append(ids_chunk) input_ids = torch.stack(iids_list) # 3,77 return input_ids def register_image(self, info: ImageInfo, subset: BaseSubset): self.image_data[info.image_key] = info self.image_to_subset[info.image_key] = subset def make_buckets(self): """ bucketingを行わない場合も呼び出し必須（ひとつだけbucketを作る） min_size and max_size are ignored when enable_bucket is False """ logger.info("loading image sizes.") for info in tqdm(self.image_data.values()): if info.image_size is None: info.image_size = self.get_image_size(info.absolute_path) # # run in parallel # max_workers = min(os.cpu_count(), len(self.image_data)) # TODO consider multi-gpu (processes) # with ThreadPoolExecutor(max_workers) as executor: # futures = [] # for info in tqdm(self.image_data.values(), desc="loading image sizes"): # if info.image_size is None: # def get_and_set_image_size(info): # info.image_size = self.get_image_size(info.absolute_path) # futures.append(executor.submit(get_and_set_image_size, info)) # # consume futures to reduce memory usage and prevent Ctrl-C hang # if len(futures) >= max_workers: # for future in futures: # future.result() # futures = [] # for future in futures: # future.result() if self.enable_bucket: logger.info("make buckets") else: logger.info("prepare dataset") # bucketを作成し、画像をbucketに振り分ける if self.enable_bucket: if self.bucket_manager is None: # fine tuningの場合でmetadataに定義がある場合は、すでに初期化済み self.bucket_manager = BucketManager( self.bucket_no_upscale, (self.width, self.height), self.min_bucket_reso, self.max_bucket_reso, self.bucket_reso_steps, ) if not self.bucket_no_upscale: self.bucket_manager.make_buckets() else: logger.warning( "min_bucket_reso and max_bucket_reso are ignored if bucket_no_upscale is set, because bucket reso is defined by image size automatically / bucket_no_upscaleが指定された場合は、bucketの解像度は画像サイズから自動計算されるため、min_bucket_resoとmax_bucket_resoは無視されます" ) img_ar_errors = [] for image_info in self.image_data.values(): image_width, image_height = image_info.image_size image_info.bucket_reso, image_info.resized_size, ar_error = self.bucket_manager.select_bucket( image_width, image_height ) # logger.info(image_info.image_key, image_info.bucket_reso) img_ar_errors.append(abs(ar_error)) self.bucket_manager.sort() else: self.bucket_manager = BucketManager(False, (self.width, self.height), None, None, None) self.bucket_manager.set_predefined_resos([(self.width, self.height)]) # ひとつの固定サイズbucketのみ for image_info in self.image_data.values(): image_width, image_height = image_info.image_size image_info.bucket_reso, image_info.resized_size, _ = self.bucket_manager.select_bucket(image_width, image_height) for image_info in self.image_data.values(): for _ in range(image_info.num_repeats): self.bucket_manager.add_image(image_info.bucket_reso, image_info.image_key) # bucket情報を表示、格納する if self.enable_bucket: self.bucket_info = {"buckets": {}} logger.info("number of images (including repeats) / 各bucketの画像枚数（繰り返し回数を含む）") for i, (reso, bucket) in enumerate(zip(self.bucket_manager.resos, self.bucket_manager.buckets)): count = len(bucket) if count > 0: self.bucket_info["buckets"][i] = {"resolution": reso, "count": len(bucket)} logger.info(f"bucket {i}: resolution {reso}, count: {len(bucket)}") if len(img_ar_errors) == 0: mean_img_ar_error = 0 # avoid NaN else: img_ar_errors = np.array(img_ar_errors) mean_img_ar_error = np.mean(np.abs(img_ar_errors)) self.bucket_info["mean_img_ar_error"] = mean_img_ar_error logger.info(f"mean ar error (without repeats): {mean_img_ar_error}") # データ参照用indexを作る。このindexはdatasetのshuffleに用いられる self.buckets_indices: List[BucketBatchIndex] = [] for bucket_index, bucket in enumerate(self.bucket_manager.buckets): batch_count = int(math.ceil(len(bucket) / self.batch_size)) for batch_index in range(batch_count): self.buckets_indices.append(BucketBatchIndex(bucket_index, self.batch_size, batch_index)) self.shuffle_buckets() self._length = len(self.buckets_indices) def shuffle_buckets(self): # set random seed for this epoch random.seed(self.seed + self.current_epoch) random.shuffle(self.buckets_indices) self.bucket_manager.shuffle() def verify_bucket_reso_steps(self, min_steps: int): assert self.bucket_reso_steps is None or self.bucket_reso_steps % min_steps == 0, ( f"bucket_reso_steps is {self.bucket_reso_steps}. it must be divisible by {min_steps}.\n" + f"bucket_reso_stepsが{self.bucket_reso_steps}です。{min_steps}で割り切れる必要があります" ) def is_latent_cacheable(self): return all([not subset.color_aug and not subset.random_crop for subset in self.subsets]) def is_text_encoder_output_cacheable(self, cache_supports_dropout: bool = False): return all( [ not ( subset.caption_dropout_rate > 0 and not cache_supports_dropout or subset.shuffle_caption or subset.token_warmup_step > 0 or subset.caption_tag_dropout_rate > 0 ) for subset in self.subsets ] ) def new_cache_latents(self, model: Any, accelerator: Accelerator): r""" a brand new method to cache latents. This method caches latents with caching strategy. normal cache_latents method is used by default, but this method is used when caching strategy is specified. """ logger.info("caching latents with caching strategy.") caching_strategy = LatentsCachingStrategy.get_strategy() image_infos = list(self.image_data.values()) # sort by resolution image_infos.sort(key=lambda info: info.bucket_reso[0] * info.bucket_reso[1]) # split by resolution and some conditions class Condition: def __init__(self, reso, flip_aug, alpha_mask, random_crop): self.reso = reso self.flip_aug = flip_aug self.alpha_mask = alpha_mask self.random_crop = random_crop def __eq__(self, other): return ( other is not None and self.reso == other.reso and self.flip_aug == other.flip_aug and self.alpha_mask == other.alpha_mask and self.random_crop == other.random_crop ) batch: List[ImageInfo] = [] current_condition = None # support multiple-gpus num_processes = accelerator.num_processes process_index = accelerator.process_index # define a function to submit a batch to cache def submit_batch(batch, cond): for info in batch: if info.image is not None and isinstance(info.image, Future): info.image = info.image.result() # future to image caching_strategy.cache_batch_latents(model, batch, cond.flip_aug, cond.alpha_mask, cond.random_crop) # remove image from memory for info in batch: info.image = None # define ThreadPoolExecutor to load images in parallel max_workers = min(os.cpu_count(), len(image_infos)) max_workers = max(1, max_workers // num_processes) # consider multi-gpu max_workers = min(max_workers, caching_strategy.batch_size) # max_workers should be less than batch_size executor = ThreadPoolExecutor(max_workers) try: # iterate images logger.info("caching latents...") for i, info in enumerate(tqdm(image_infos)): subset = self.image_to_subset[info.image_key] if info.latents_npz is not None: # fine tuning dataset continue # check disk cache exists and size of latents if caching_strategy.cache_to_disk: # info.latents_npz = os.path.splitext(info.absolute_path)[0] + file_suffix info.latents_npz = caching_strategy.get_latents_npz_path(info.absolute_path, info.image_size) # if the modulo of num_processes is not equal to process_index, skip caching # this makes each process cache different latents if i % num_processes != process_index: continue # print(f"{process_index}/{num_processes} {i}/{len(image_infos)} {info.latents_npz}") cache_available = caching_strategy.is_disk_cached_latents_expected( info.bucket_reso, info.latents_npz, subset.flip_aug, subset.alpha_mask ) if cache_available: # do not add to batch continue # if batch is not empty and condition is changed, flush the batch. Note that current_condition is not None if batch is not empty condition = Condition(info.bucket_reso, subset.flip_aug, subset.alpha_mask, subset.random_crop) if len(batch) > 0 and current_condition != condition: submit_batch(batch, current_condition) batch = [] if condition != current_condition and HIGH_VRAM: # even with high VRAM, if shape is changed clean_memory_on_device(accelerator.device) if info.image is None: # load image in parallel info.image = executor.submit(load_image, info.absolute_path, condition.alpha_mask) batch.append(info) current_condition = condition # if number of data in batch is enough, flush the batch if len(batch) >= caching_strategy.batch_size: submit_batch(batch, current_condition) batch = [] # current_condition = None # keep current_condition to avoid next `clean_memory_on_device` call if len(batch) > 0: submit_batch(batch, current_condition) finally: executor.shutdown() def cache_latents(self, vae, vae_batch_size=1, cache_to_disk=False, is_main_process=True, file_suffix=".npz"): # マルチGPUには対応していないので、そちらはtools/cache_latents.pyを使うこと logger.info("caching latents.") image_infos = list(self.image_data.values()) # sort by resolution image_infos.sort(key=lambda info: info.bucket_reso[0] * info.bucket_reso[1]) # split by resolution and some conditions class Condition: def __init__(self, reso, flip_aug, alpha_mask, random_crop): self.reso = reso self.flip_aug = flip_aug self.alpha_mask = alpha_mask self.random_crop = random_crop def __eq__(self, other): return ( self.reso == other.reso and self.flip_aug == other.flip_aug and self.alpha_mask == other.alpha_mask and self.random_crop == other.random_crop ) batches: List[Tuple[Condition, List[ImageInfo]]] = [] batch: List[ImageInfo] = [] current_condition = None logger.info("checking cache validity...") for info in tqdm(image_infos): subset = self.image_to_subset[info.image_key] if info.latents_npz is not None: # fine tuning dataset continue # check disk cache exists and size of latents if cache_to_disk: info.latents_npz = os.path.splitext(info.absolute_path)[0] + file_suffix if not is_main_process: # store to info only continue cache_available = is_disk_cached_latents_is_expected( info.bucket_reso, info.latents_npz, subset.flip_aug, subset.alpha_mask ) if cache_available: # do not add to batch continue # if batch is not empty and condition is changed, flush the batch. Note that current_condition is not None if batch is not empty condition = Condition(info.bucket_reso, subset.flip_aug, subset.alpha_mask, subset.random_crop) if len(batch) > 0 and current_condition != condition: batches.append((current_condition, batch)) batch = [] batch.append(info) current_condition = condition # if number of data in batch is enough, flush the batch if len(batch) >= vae_batch_size: batches.append((current_condition, batch)) batch = [] current_condition = None if len(batch) > 0: batches.append((current_condition, batch)) if cache_to_disk and not is_main_process: # if cache to disk, don't cache latents in non-main process, set to info only return # iterate batches: batch doesn't have image, image will be loaded in cache_batch_latents and discarded logger.info("caching latents...") for condition, batch in tqdm(batches, smoothing=1, total=len(batches)): cache_batch_latents(vae, cache_to_disk, batch, condition.flip_aug, condition.alpha_mask, condition.random_crop) def new_cache_text_encoder_outputs(self, models: List[Any], accelerator: Accelerator): r""" a brand new method to cache text encoder outputs. This method caches text encoder outputs with caching strategy. """ tokenize_strategy = TokenizeStrategy.get_strategy() text_encoding_strategy = TextEncodingStrategy.get_strategy() caching_strategy = TextEncoderOutputsCachingStrategy.get_strategy() batch_size = caching_strategy.batch_size or self.batch_size logger.info("caching Text Encoder outputs with caching strategy.") image_infos = list(self.image_data.values()) # split by resolution batches = [] batch = [] # support multiple-gpus num_processes = accelerator.num_processes process_index = accelerator.process_index logger.info("checking cache validity...") for i, info in enumerate(tqdm(image_infos)): # check disk cache exists and size of text encoder outputs if caching_strategy.cache_to_disk: te_out_npz = caching_strategy.get_outputs_npz_path(info.absolute_path) info.text_encoder_outputs_npz = te_out_npz # set npz filename regardless of cache availability # if the modulo of num_processes is not equal to process_index, skip caching # this makes each process cache different text encoder outputs if i % num_processes != process_index: continue cache_available = caching_strategy.is_disk_cached_outputs_expected(te_out_npz) if cache_available: # do not add to batch continue batch.append(info) # if number of data in batch is enough, flush the batch if len(batch) >= batch_size: batches.append(batch) batch = [] if len(batch) > 0: batches.append(batch) if len(batches) == 0: logger.info("no Text Encoder outputs to cache") return # iterate batches logger.info("caching Text Encoder outputs...") for batch in tqdm(batches, smoothing=1, total=len(batches)): # cache_batch_latents(vae, cache_to_disk, batch, subset.flip_aug, subset.alpha_mask, subset.random_crop) caching_strategy.cache_batch_outputs(tokenize_strategy, models, text_encoding_strategy, batch) # if weight_dtype is specified, Text Encoder itself and output will be converted to the dtype # this method is only for SDXL, but it should be implemented here because it needs to be a method of dataset # to support SD1/2, it needs a flag for v2, but it is postponed def cache_text_encoder_outputs( self, tokenizers, text_encoders, device, output_dtype, cache_to_disk=False, is_main_process=True ): assert len(tokenizers) == 2, "only support SDXL" return self.cache_text_encoder_outputs_common( tokenizers, text_encoders, [device, device], output_dtype, [output_dtype], cache_to_disk, is_main_process ) # same as above, but for SD3 def cache_text_encoder_outputs_sd3( self, tokenizer, text_encoders, devices, output_dtype, te_dtypes, cache_to_disk=False, is_main_process=True, batch_size=None ): return self.cache_text_encoder_outputs_common( [tokenizer], text_encoders, devices, output_dtype, te_dtypes, cache_to_disk, is_main_process, TEXT_ENCODER_OUTPUTS_CACHE_SUFFIX_SD3, batch_size, ) def cache_text_encoder_outputs_common( self, tokenizers, text_encoders, devices, output_dtype, te_dtypes, cache_to_disk=False, is_main_process=True, file_suffix=TEXT_ENCODER_OUTPUTS_CACHE_SUFFIX, batch_size=None, ): # latentsのキャッシュと同様に、ディスクへのキャッシュに対応する # またマルチGPUには対応していないので、そちらはtools/cache_latents.pyを使うこと logger.info("caching text encoder outputs.") tokenize_strategy = TokenizeStrategy.get_strategy() if batch_size is None: batch_size = self.batch_size image_infos = list(self.image_data.values()) logger.info("checking cache existence...") image_infos_to_cache = [] for info in tqdm(image_infos): # subset = self.image_to_subset[info.image_key] if cache_to_disk: te_out_npz = os.path.splitext(info.absolute_path)[0] + file_suffix info.text_encoder_outputs_npz = te_out_npz if not is_main_process: # store to info only continue if os.path.exists(te_out_npz): # TODO check varidity of cache here continue image_infos_to_cache.append(info) if cache_to_disk and not is_main_process: # if cache to disk, don't cache latents in non-main process, set to info only return # prepare tokenizers and text encoders for text_encoder, device, te_dtype in zip(text_encoders, devices, te_dtypes): text_encoder.to(device) if te_dtype is not None: text_encoder.to(dtype=te_dtype) # create batch is_sd3 = len(tokenizers) == 1 batch = [] batches = [] for info in image_infos_to_cache: if not is_sd3: input_ids1 = self.get_input_ids(info.caption, tokenizers[0]) input_ids2 = self.get_input_ids(info.caption, tokenizers[1]) batch.append((info, input_ids1, input_ids2)) else: l_tokens, g_tokens, t5_tokens = tokenize_strategy.tokenize(info.caption) batch.append((info, l_tokens, g_tokens, t5_tokens)) if len(batch) >= batch_size: batches.append(batch) batch = [] if len(batch) > 0: batches.append(batch) # iterate batches: call text encoder and cache outputs for memory or disk logger.info("caching text encoder outputs...") if not is_sd3: for batch in tqdm(batches): infos, input_ids1, input_ids2 = zip(*batch) input_ids1 = torch.stack(input_ids1, dim=0) input_ids2 = torch.stack(input_ids2, dim=0) cache_batch_text_encoder_outputs( infos, tokenizers, text_encoders, self.max_token_length, cache_to_disk, input_ids1, input_ids2, output_dtype ) else: for batch in tqdm(batches): infos, l_tokens, g_tokens, t5_tokens = zip(*batch) # stack tokens # l_tokens = [tokens[0] for tokens in l_tokens] # g_tokens = [tokens[0] for tokens in g_tokens] # t5_tokens = [tokens[0] for tokens in t5_tokens] cache_batch_text_encoder_outputs_sd3( infos, tokenizers[0], text_encoders, self.max_token_length, cache_to_disk, (l_tokens, g_tokens, t5_tokens), output_dtype, ) def get_image_size(self, image_path): if image_path.endswith(".jxl") or image_path.endswith(".JXL"): return get_jxl_size(image_path) # return imagesize.get(image_path) image_size = imagesize.get(image_path) if image_size[0] <= 0: # imagesize doesn't work for some images, so use PIL as a fallback try: with Image.open(image_path) as img: image_size = img.size except Exception as e: logger.warning(f"failed to get image size: {image_path}, error: {e}") image_size = (0, 0) return image_size def load_image_with_face_info(self, subset: BaseSubset, image_path: str, alpha_mask=False): img = load_image(image_path, alpha_mask) face_cx = face_cy = face_w = face_h = 0 if subset.face_crop_aug_range is not None: tokens = os.path.splitext(os.path.basename(image_path))[0].split("_") if len(tokens) >= 5: face_cx = int(tokens[-4]) face_cy = int(tokens[-3]) face_w = int(tokens[-2]) face_h = int(tokens[-1]) return img, face_cx, face_cy, face_w, face_h # いい感じに切り出す def crop_target(self, subset: BaseSubset, image, face_cx, face_cy, face_w, face_h): height, width = image.shape[0:2] if height == self.height and width == self.width: return image # 画像サイズはsizeより大きいのでリサイズする face_size = max(face_w, face_h) size = min(self.height, self.width) # 短いほう min_scale = max(self.height / height, self.width / width) # 画像がモデル入力サイズぴったりになる倍率（最小の倍率） min_scale = min(1.0, max(min_scale, size / (face_size * subset.face_crop_aug_range[1]))) # 指定した顔最小サイズ max_scale = min(1.0, max(min_scale, size / (face_size * subset.face_crop_aug_range[0]))) # 指定した顔最大サイズ if min_scale >= max_scale: # range指定がmin==max scale = min_scale else: scale = random.uniform(min_scale, max_scale) nh = int(height * scale + 0.5) nw = int(width * scale + 0.5) assert nh >= self.height and nw >= self.width, f"internal error. small scale {scale}, {width}*{height}" image = resize_image(image, width, height, nw, nh, subset.resize_interpolation) face_cx = int(face_cx * scale + 0.5) face_cy = int(face_cy * scale + 0.5) height, width = nh, nw # 顔を中心として448*640とかへ切り出す for axis, (target_size, length, face_p) in enumerate(zip((self.height, self.width), (height, width), (face_cy, face_cx))): p1 = face_p - target_size // 2 # 顔を中心に持ってくるための切り出し位置 if subset.random_crop: # 背景も含めるために顔を中心に置く確率を高めつつずらす range = max(length - face_p, face_p) # 画像の端から顔中心までの距離の長いほう p1 = p1 + (random.randint(0, range) + random.randint(0, range)) - range # -range ~ +range までのいい感じの乱数 else: # range指定があるときのみ、すこしだけランダムに（わりと適当） if subset.face_crop_aug_range[0] != subset.face_crop_aug_range[1]: if face_size > size // 10 and face_size >= 40: p1 = p1 + random.randint(-face_size // 20, +face_size // 20) p1 = max(0, min(p1, length - target_size)) if axis == 0: image = image[p1 : p1 + target_size, :] else: image = image[:, p1 : p1 + target_size] return image def __len__(self): return self._length def __getitem__(self, index): bucket = self.bucket_manager.buckets[self.buckets_indices[index].bucket_index] bucket_batch_size = self.buckets_indices[index].bucket_batch_size image_index = self.buckets_indices[index].batch_index * bucket_batch_size if self.caching_mode is not None: # return batch for latents/text encoder outputs caching return self.get_item_for_caching(bucket, bucket_batch_size, image_index) loss_weights = [] captions = [] input_ids_list = [] latents_list = [] alpha_mask_list = [] images = [] original_sizes_hw = [] crop_top_lefts = [] target_sizes_hw = [] flippeds = [] # 変数名が微妙 text_encoder_outputs_list = [] custom_attributes = [] for image_key in bucket[image_index : image_index + bucket_batch_size]: image_info = self.image_data[image_key] subset = self.image_to_subset[image_key] custom_attributes.append(subset.custom_attributes) # in case of fine tuning, is_reg is always False loss_weights.append(self.prior_loss_weight if image_info.is_reg else 1.0) flipped = subset.flip_aug and random.random() < 0.5 # not flipped or flipped with 50% chance # image/latentsを処理する if image_info.latents is not None: # cache_latents=Trueの場合 original_size = image_info.latents_original_size crop_ltrb = image_info.latents_crop_ltrb # calc values later if flipped if not flipped: latents = image_info.latents alpha_mask = image_info.alpha_mask else: latents = image_info.latents_flipped alpha_mask = None if image_info.alpha_mask is None else torch.flip(image_info.alpha_mask, [1]) image = None elif image_info.latents_npz is not None: # FineTuningDatasetまたはcache_latents_to_disk=Trueの場合 latents, original_size, crop_ltrb, flipped_latents, alpha_mask = ( self.latents_caching_strategy.load_latents_from_disk(image_info.latents_npz, image_info.bucket_reso) ) if flipped: latents = flipped_latents alpha_mask = None if alpha_mask is None else alpha_mask[:, ::-1].copy() # copy to avoid negative stride problem del flipped_latents latents = torch.FloatTensor(latents) if alpha_mask is not None: alpha_mask = torch.FloatTensor(alpha_mask) image = None else: # 画像を読み込み、必要ならcropする img, face_cx, face_cy, face_w, face_h = self.load_image_with_face_info( subset, image_info.absolute_path, subset.alpha_mask ) im_h, im_w = img.shape[0:2] if self.enable_bucket: img, original_size, crop_ltrb = trim_and_resize_if_required( subset.random_crop, img, image_info.bucket_reso, image_info.resized_size, resize_interpolation=image_info.resize_interpolation, ) else: if face_cx > 0: # 顔位置情報あり img = self.crop_target(subset, img, face_cx, face_cy, face_w, face_h) elif im_h > self.height or im_w > self.width: assert ( subset.random_crop ), f"image too large, but cropping and bucketing are disabled / 画像サイズが大きいのでface_crop_aug_rangeかrandom_crop、またはbucketを有効にしてください: {image_info.absolute_path}" if im_h > self.height: p = random.randint(0, im_h - self.height) img = img[p : p + self.height] if im_w > self.width: p = random.randint(0, im_w - self.width) img = img[:, p : p + self.width] im_h, im_w = img.shape[0:2] assert ( im_h == self.height and im_w == self.width ), f"image size is small / 画像サイズが小さいようです: {image_info.absolute_path}" original_size = [im_w, im_h] crop_ltrb = (0, 0, 0, 0) # augmentation aug = self.aug_helper.get_augmentor(subset.color_aug) if aug is not None: # augment RGB channels only img_rgb = img[:, :, :3] img_rgb = aug(image=img_rgb)["image"] img[:, :, :3] = img_rgb if flipped: img = img[:, ::-1, :].copy() # copy to avoid negative stride problem if subset.alpha_mask: if img.shape[2] == 4: alpha_mask = img[:, :, 3] # [H,W] alpha_mask = alpha_mask.astype(np.float32) / 255.0 # 0.0~1.0 alpha_mask = torch.FloatTensor(alpha_mask) else: alpha_mask = torch.ones((img.shape[0], img.shape[1]), dtype=torch.float32) else: alpha_mask = None img = img[:, :, :3] # remove alpha channel latents = None image = self.image_transforms(img) # -1.0~1.0のtorch.Tensorになる del img images.append(image) latents_list.append(latents) alpha_mask_list.append(alpha_mask) target_size = (image.shape[2], image.shape[1]) if image is not None else (latents.shape[2] * 8, latents.shape[1] * 8) if not flipped: crop_left_top = (crop_ltrb[0], crop_ltrb[1]) else: # crop_ltrb[2] is right, so target_size[0] - crop_ltrb[2] is left in flipped image crop_left_top = (target_size[0] - crop_ltrb[2], crop_ltrb[1]) original_sizes_hw.append((int(original_size[1]), int(original_size[0]))) crop_top_lefts.append((int(crop_left_top[1]), int(crop_left_top[0]))) target_sizes_hw.append((int(target_size[1]), int(target_size[0]))) flippeds.append(flipped) # captionとtext encoder outputを処理する caption = image_info.caption # default tokenization_required = ( self.text_encoder_output_caching_strategy is None or self.text_encoder_output_caching_strategy.is_partial ) text_encoder_outputs = None input_ids = None if image_info.text_encoder_outputs is not None: # cached text_encoder_outputs = image_info.text_encoder_outputs elif image_info.text_encoder_outputs_npz is not None: # on disk text_encoder_outputs = self.text_encoder_output_caching_strategy.load_outputs_npz( image_info.text_encoder_outputs_npz ) else: tokenization_required = True text_encoder_outputs_list.append(text_encoder_outputs) if tokenization_required: caption = self.process_caption(subset, image_info.caption) input_ids = [ids[0] for ids in self.tokenize_strategy.tokenize(caption)] # remove batch dimension # if self.XTI_layers: # caption_layer = [] # for layer in self.XTI_layers: # token_strings_from = " ".join(self.token_strings) # token_strings_to = " ".join([f"{x}_{layer}" for x in self.token_strings]) # caption_ = caption.replace(token_strings_from, token_strings_to) # caption_layer.append(caption_) # captions.append(caption_layer) # else: # captions.append(caption) # if not self.token_padding_disabled: # this option might be omitted in future # # TODO get_input_ids must support SD3 # if self.XTI_layers: # token_caption = self.get_input_ids(caption_layer, self.tokenizers[0]) # else: # token_caption = self.get_input_ids(caption, self.tokenizers[0]) # input_ids_list.append(token_caption) # if len(self.tokenizers) > 1: # if self.XTI_layers: # token_caption2 = self.get_input_ids(caption_layer, self.tokenizers[1]) # else: # token_caption2 = self.get_input_ids(caption, self.tokenizers[1]) # input_ids2_list.append(token_caption2) input_ids_list.append(input_ids) captions.append(caption) def none_or_stack_elements(tensors_list, converter): # [[clip_l, clip_g, t5xxl], [clip_l, clip_g, t5xxl], ...] -> [torch.stack(clip_l), torch.stack(clip_g), torch.stack(t5xxl)] if len(tensors_list) == 0 or tensors_list[0] == None or len(tensors_list[0]) == 0 or tensors_list[0][0] is None: return None # old implementation without padding: all elements must have same length # return [torch.stack([converter(x[i]) for x in tensors_list]) for i in range(len(tensors_list[0]))] # new implementation with padding support result = [] for i in range(len(tensors_list[0])): tensors = [x[i] for x in tensors_list] if tensors[0].ndim == 0: # scalar value: e.g. ocr mask result.append(torch.stack([converter(x[i]) for x in tensors_list])) continue min_len = min([len(x) for x in tensors]) max_len = max([len(x) for x in tensors]) if min_len == max_len: # no padding result.append(torch.stack([converter(x) for x in tensors])) else: # padding tensors = [converter(x) for x in tensors] if tensors[0].ndim == 1: # input_ids or mask result.append(torch.stack([(torch.nn.functional.pad(x, (0, max_len - x.shape[0]))) for x in tensors])) else: # text encoder outputs result.append(torch.stack([(torch.nn.functional.pad(x, (0, 0, 0, max_len - x.shape[0]))) for x in tensors])) return result # set example example = {} example["custom_attributes"] = custom_attributes # may be list of empty dict example["loss_weights"] = torch.FloatTensor(loss_weights) example["text_encoder_outputs_list"] = none_or_stack_elements(text_encoder_outputs_list, torch.FloatTensor) example["input_ids_list"] = none_or_stack_elements(input_ids_list, lambda x: x) # if one of alpha_masks is not None, we need to replace None with ones none_or_not = [x is None for x in alpha_mask_list] if all(none_or_not): example["alpha_masks"] = None elif any(none_or_not): for i in range(len(alpha_mask_list)): if alpha_mask_list[i] is None: if images[i] is not None: alpha_mask_list[i] = torch.ones((images[i].shape[1], images[i].shape[2]), dtype=torch.float32) else: alpha_mask_list[i] = torch.ones( (latents_list[i].shape[1] * 8, latents_list[i].shape[2] * 8), dtype=torch.float32 ) example["alpha_masks"] = torch.stack(alpha_mask_list) else: example["alpha_masks"] = torch.stack(alpha_mask_list) if images[0] is not None: images = torch.stack(images) images = images.to(memory_format=torch.contiguous_format).float() else: images = None example["images"] = images example["latents"] = torch.stack(latents_list) if latents_list[0] is not None else None example["captions"] = captions example["original_sizes_hw"] = torch.stack([torch.LongTensor(x) for x in original_sizes_hw]) example["crop_top_lefts"] = torch.stack([torch.LongTensor(x) for x in crop_top_lefts]) example["target_sizes_hw"] = torch.stack([torch.LongTensor(x) for x in target_sizes_hw]) example["flippeds"] = flippeds example["network_multipliers"] = torch.FloatTensor([self.network_multiplier] * len(captions)) if self.debug_dataset: example["image_keys"] = bucket[image_index : image_index + self.batch_size] return example def get_item_for_caching(self, bucket, bucket_batch_size, image_index): captions = [] images = [] input_ids1_list = [] input_ids2_list = [] absolute_paths = [] resized_sizes = [] bucket_reso = None flip_aug = None alpha_mask = None random_crop = None for image_key in bucket[image_index : image_index + bucket_batch_size]: image_info = self.image_data[image_key] subset = self.image_to_subset[image_key] if flip_aug is None: flip_aug = subset.flip_aug alpha_mask = subset.alpha_mask random_crop = subset.random_crop bucket_reso = image_info.bucket_reso else: # TODO そもそも混在してても動くようにしたほうがいい assert flip_aug == subset.flip_aug, "flip_aug must be same in a batch" assert alpha_mask == subset.alpha_mask, "alpha_mask must be same in a batch" assert random_crop == subset.random_crop, "random_crop must be same in a batch" assert bucket_reso == image_info.bucket_reso, "bucket_reso must be same in a batch" caption = image_info.caption # TODO cache some patterns of dropping, shuffling, etc. if self.caching_mode == "latents": image = load_image(image_info.absolute_path) else: image = None if self.caching_mode == "text": input_ids1 = self.get_input_ids(caption, self.tokenizers[0]) input_ids2 = self.get_input_ids(caption, self.tokenizers[1]) else: input_ids1 = None input_ids2 = None captions.append(caption) images.append(image) input_ids1_list.append(input_ids1) input_ids2_list.append(input_ids2) absolute_paths.append(image_info.absolute_path) resized_sizes.append(image_info.resized_size) example = {} if images[0] is None: images = None example["images"] = images example["captions"] = captions example["input_ids1_list"] = input_ids1_list example["input_ids2_list"] = input_ids2_list example["absolute_paths"] = absolute_paths example["resized_sizes"] = resized_sizes example["flip_aug"] = flip_aug example["alpha_mask"] = alpha_mask example["random_crop"] = random_crop example["bucket_reso"] = bucket_reso return example class DreamBoothDataset(BaseDataset): IMAGE_INFO_CACHE_FILE = "metadata_cache.json" # The is_training_dataset defines the type of dataset, training or validation # if is_training_dataset is True -> training dataset # if is_training_dataset is False -> validation dataset def __init__( self, subsets: Sequence[DreamBoothSubset], is_training_dataset: bool, batch_size: int, resolution, network_multiplier: float, enable_bucket: bool, min_bucket_reso: int, max_bucket_reso: int, bucket_reso_steps: int, bucket_no_upscale: bool, prior_loss_weight: float, debug_dataset: bool, validation_split: float, validation_seed: Optional[int], resize_interpolation: Optional[str], ) -> None: super().__init__(resolution, network_multiplier, debug_dataset, resize_interpolation) assert resolution is not None, f"resolution is required / resolution（解像度）指定は必須です" self.batch_size = batch_size self.size = min(self.width, self.height) # 短いほう self.prior_loss_weight = prior_loss_weight self.latents_cache = None self.is_training_dataset = is_training_dataset self.validation_seed = validation_seed self.validation_split = validation_split self.enable_bucket = enable_bucket if self.enable_bucket: min_bucket_reso, max_bucket_reso = self.adjust_min_max_bucket_reso_by_steps( resolution, min_bucket_reso, max_bucket_reso, bucket_reso_steps ) self.min_bucket_reso = min_bucket_reso self.max_bucket_reso = max_bucket_reso self.bucket_reso_steps = bucket_reso_steps self.bucket_no_upscale = bucket_no_upscale else: self.min_bucket_reso = None self.max_bucket_reso = None self.bucket_reso_steps = None # この情報は使われない self.bucket_no_upscale = False def read_caption(img_path, caption_extension, enable_wildcard): # captionの候補ファイル名を作る base_name = os.path.splitext(img_path)[0] base_name_face_det = base_name tokens = base_name.split("_") if len(tokens) >= 5: base_name_face_det = "_".join(tokens[:-4]) cap_paths = [base_name + caption_extension, base_name_face_det + caption_extension] caption = None for cap_path in cap_paths: if os.path.isfile(cap_path): with open(cap_path, "rt", encoding="utf-8") as f: try: lines = f.readlines() except UnicodeDecodeError as e: logger.error(f"illegal char in file (not UTF-8) / ファイルにUTF-8以外の文字があります: {cap_path}") raise e assert len(lines) > 0, f"caption file is empty / キャプションファイルが空です: {cap_path}" if enable_wildcard: caption = "\n".join([line.strip() for line in lines if line.strip() != ""]) # 空行を除く、改行で連結 else: caption = lines[0].strip() break return caption def load_dreambooth_dir(subset: DreamBoothSubset): if not os.path.isdir(subset.image_dir): logger.warning(f"not directory: {subset.image_dir}") return [], [], [] info_cache_file = os.path.join(subset.image_dir, self.IMAGE_INFO_CACHE_FILE) use_cached_info_for_subset = subset.cache_info if use_cached_info_for_subset: logger.info( f"using cached image info for this subset / このサブセットで、キャッシュされた画像情報を使います: {info_cache_file}" ) if not os.path.isfile(info_cache_file): logger.warning( f"image info file not found. You can ignore this warning if this is the first time to use this subset" + " / キャッシュファイルが見つかりませんでした。初回実行時はこの警告を無視してください: {metadata_file}" ) use_cached_info_for_subset = False if use_cached_info_for_subset: # json: {`img_path`:{"caption": "caption...", "resolution": [width, height]}, ...} with open(info_cache_file, "r", encoding="utf-8") as f: metas = json.load(f) img_paths = list(metas.keys()) sizes: List[Optional[Tuple[int, int]]] = [meta["resolution"] for meta in metas.values()] # we may need to check image size and existence of image files, but it takes time, so user should check it before training else: img_paths = glob_images(subset.image_dir, "*") sizes: List[Optional[Tuple[int, int]]] = [None] * len(img_paths) # new caching: get image size from cache files strategy = LatentsCachingStrategy.get_strategy() if strategy is not None: logger.info("get image size from name of cache files") # make image path to npz path mapping npz_paths = glob.glob(os.path.join(subset.image_dir, "*" + strategy.cache_suffix)) npz_paths.sort( key=lambda item: item.rsplit("_", maxsplit=2)[0] ) # sort by name excluding resolution and cache_suffix npz_path_index = 0 size_set_count = 0 for i, img_path in enumerate(tqdm(img_paths)): l = len(os.path.splitext(img_path)[0]) # remove extension found = False while npz_path_index < len(npz_paths): # until found or end of npz_paths # npz_paths are sorted, so if npz_path > img_path, img_path is not found if npz_paths[npz_path_index][:l] > img_path[:l]: break if npz_paths[npz_path_index][:l] == img_path[:l]: # found found = True break npz_path_index += 1 # next npz_path if found: w, h = strategy.get_image_size_from_disk_cache_path(img_path, npz_paths[npz_path_index]) else: w, h = None, None if w is not None and h is not None: sizes[i] = (w, h) size_set_count += 1 logger.info(f"set image size from cache files: {size_set_count}/{len(img_paths)}") # We want to create a training and validation split. This should be improved in the future # to allow a clearer distinction between training and validation. This can be seen as a # short-term solution to limit what is necessary to implement validation datasets # # We split the dataset for the subset based on if we are doing a validation split # The self.is_training_dataset defines the type of dataset, training or validation # if self.is_training_dataset is True -> training dataset # if self.is_training_dataset is False -> validation dataset if self.validation_split > 0.0: # For regularization images we do not want to split this dataset. if subset.is_reg is True: # Skip any validation dataset for regularization images if self.is_training_dataset is False: img_paths = [] sizes = [] # Otherwise the img_paths remain as original img_paths and no split # required for training images dataset of regularization images else: img_paths, sizes = split_train_val( img_paths, sizes, self.is_training_dataset, self.validation_split, self.validation_seed ) logger.info(f"found directory {subset.image_dir} contains {len(img_paths)} image files") if use_cached_info_for_subset: captions = [meta["caption"] for meta in metas.values()] missing_captions = [img_path for img_path, caption in zip(img_paths, captions) if caption is None or caption == ""] else: # 画像ファイルごとにプロンプトを読み込み、もしあればそちらを使う captions = [] missing_captions = [] for img_path in tqdm(img_paths, desc="read caption"): cap_for_img = read_caption(img_path, subset.caption_extension, subset.enable_wildcard) if cap_for_img is None and subset.class_tokens is None: logger.warning( f"neither caption file nor class tokens are found. use empty caption for {img_path} / キャプションファイルもclass tokenも見つかりませんでした。空のキャプションを使用します: {img_path}" ) captions.append("") missing_captions.append(img_path) else: if cap_for_img is None: captions.append(subset.class_tokens) missing_captions.append(img_path) else: captions.append(cap_for_img) self.set_tag_frequency(os.path.basename(subset.image_dir), captions) # タグ頻度を記録 if missing_captions: number_of_missing_captions = len(missing_captions) number_of_missing_captions_to_show = 5 remaining_missing_captions = number_of_missing_captions - number_of_missing_captions_to_show logger.warning( f"No caption file found for {number_of_missing_captions} images. Training will continue without captions for these images. If class token exists, it will be used. / {number_of_missing_captions}枚の画像にキャプションファイルが見つかりませんでした。これらの画像についてはキャプションなしで学習を続行します。class tokenが存在する場合はそれを使います。" ) for i, missing_caption in enumerate(missing_captions): if i >= number_of_missing_captions_to_show: logger.warning(missing_caption + f"... and {remaining_missing_captions} more") break logger.warning(missing_caption) if not use_cached_info_for_subset and subset.cache_info: logger.info(f"cache image info for / 画像情報をキャッシュします : {info_cache_file}") sizes = [self.get_image_size(img_path) for img_path in tqdm(img_paths, desc="get image size")] matas = {} for img_path, caption, size in zip(img_paths, captions, sizes): matas[img_path] = {"caption": caption, "resolution": list(size)} with open(info_cache_file, "w", encoding="utf-8") as f: json.dump(matas, f, ensure_ascii=False, indent=2) logger.info(f"cache image info done for / 画像情報を出力しました : {info_cache_file}") # if sizes are not set, image size will be read in make_buckets return img_paths, captions, sizes logger.info("prepare images.") num_train_images = 0 num_reg_images = 0 reg_infos: List[Tuple[ImageInfo, DreamBoothSubset]] = [] for subset in subsets: num_repeats = subset.num_repeats if self.is_training_dataset else 1 if num_repeats < 1: logger.warning( f"ignore subset with image_dir='{subset.image_dir}': num_repeats is less than 1 / num_repeatsが1を下回っているためサブセットを無視します: {num_repeats}" ) continue if subset in self.subsets: logger.warning( f"ignore duplicated subset with image_dir='{subset.image_dir}': use the first one / 既にサブセットが登録されているため、重複した後発のサブセットを無視します" ) continue img_paths, captions, sizes = load_dreambooth_dir(subset) if len(img_paths) < 1: logger.warning( f"ignore subset with image_dir='{subset.image_dir}': no images found / 画像が見つからないためサブセットを無視します" ) continue if subset.is_reg: num_reg_images += num_repeats * len(img_paths) else: num_train_images += num_repeats * len(img_paths) for img_path, caption, size in zip(img_paths, captions, sizes): info = ImageInfo(img_path, num_repeats, caption, subset.is_reg, img_path, subset.caption_dropout_rate) info.resize_interpolation = ( subset.resize_interpolation if subset.resize_interpolation is not None else self.resize_interpolation ) if size is not None: info.image_size = size if subset.is_reg: reg_infos.append((info, subset)) else: self.register_image(info, subset) subset.img_count = len(img_paths) self.subsets.append(subset) images_split_name = "train" if self.is_training_dataset else "validation" logger.info(f"{num_train_images} {images_split_name} images with repeats.") self.num_train_images = num_train_images logger.info(f"{num_reg_images} reg images with repeats.") if num_train_images < num_reg_images: logger.warning("some of reg images are not used / 正則化画像の数が多いので、一部使用されない正則化画像があります") if num_reg_images == 0: logger.warning("no regularization images / 正則化画像が見つかりませんでした") else: # num_repeatsを計算する：どうせ大した数ではないのでループで処理する n = 0 first_loop = True while n < num_train_images: for info, subset in reg_infos: if first_loop: self.register_image(info, subset) n += info.num_repeats else: info.num_repeats += 1 # rewrite registered info n += 1 if n >= num_train_images: break first_loop = False self.num_reg_images = num_reg_images class FineTuningDataset(BaseDataset): def __init__( self, subsets: Sequence[FineTuningSubset], batch_size: int, resolution, network_multiplier: float, enable_bucket: bool, min_bucket_reso: int, max_bucket_reso: int, bucket_reso_steps: int, bucket_no_upscale: bool, debug_dataset: bool, validation_seed: int, validation_split: float, resize_interpolation: Optional[str], ) -> None: super().__init__(resolution, network_multiplier, debug_dataset, resize_interpolation) self.batch_size = batch_size self.size = min(self.width, self.height) # 短いほう self.latents_cache = None self.enable_bucket = enable_bucket if self.enable_bucket: min_bucket_reso, max_bucket_reso = self.adjust_min_max_bucket_reso_by_steps( resolution, min_bucket_reso, max_bucket_reso, bucket_reso_steps ) self.min_bucket_reso = min_bucket_reso self.max_bucket_reso = max_bucket_reso self.bucket_reso_steps = bucket_reso_steps self.bucket_no_upscale = bucket_no_upscale else: self.min_bucket_reso = None self.max_bucket_reso = None self.bucket_reso_steps = None # この情報は使われない self.bucket_no_upscale = False self.num_train_images = 0 self.num_reg_images = 0 for subset in subsets: if subset.num_repeats < 1: logger.warning( f"ignore subset with metadata_file='{subset.metadata_file}': num_repeats is less than 1 / num_repeatsが1を下回っているためサブセットを無視します: {subset.num_repeats}" ) continue if subset in self.subsets: logger.warning( f"ignore duplicated subset with metadata_file='{subset.metadata_file}': use the first one / 既にサブセットが登録されているため、重複した後発のサブセットを無視します" ) continue # メタデータを読み込む if os.path.exists(subset.metadata_file): if subset.metadata_file.endswith(".jsonl"): logger.info(f"loading existing JSOL metadata: {subset.metadata_file}") # optional JSONL format # {"image_path": "/path/to/image1.jpg", "caption": "A caption for image1", "image_size": [width, height]} metadata = {} with open(subset.metadata_file, "rt", encoding="utf-8") as f: for line in f: line_md = json.loads(line) image_md = {"caption": line_md.get("caption", "")} if "image_size" in line_md: image_md["image_size"] = line_md["image_size"] if "tags" in line_md: image_md["tags"] = line_md["tags"] metadata[line_md["image_path"]] = image_md else: # standard JSON format logger.info(f"loading existing metadata: {subset.metadata_file}") with open(subset.metadata_file, "rt", encoding="utf-8") as f: metadata = json.load(f) else: raise ValueError(f"no metadata / メタデータファイルがありません: {subset.metadata_file}") if len(metadata) < 1: logger.warning( f"ignore subset with '{subset.metadata_file}': no image entries found / 画像に関するデータが見つからないためサブセットを無視します" ) continue # Add full path for image image_dirs = set() if subset.image_dir is not None: image_dirs.add(subset.image_dir) for image_key in metadata.keys(): if not os.path.isabs(image_key): assert ( subset.image_dir is not None ), f"image_dir is required when image paths are relative / 画像パスが相対パスの場合、image_dirの指定が必要です: {image_key}" abs_path = os.path.join(subset.image_dir, image_key) else: abs_path = image_key image_dirs.add(os.path.dirname(abs_path)) metadata[image_key]["abs_path"] = abs_path # Enumerate existing npz files strategy = LatentsCachingStrategy.get_strategy() npz_paths = [] for image_dir in image_dirs: npz_paths.extend(glob.glob(os.path.join(image_dir, "*" + strategy.cache_suffix))) npz_paths = sorted(npz_paths, key=lambda item: len(os.path.basename(item)), reverse=True) # longer paths first # Match image filename longer to shorter because some images share same prefix image_keys_sorted_by_length_desc = sorted(metadata.keys(), key=len, reverse=True) # Collect tags and sizes tags_list = [] size_set_from_metadata = 0 size_set_from_cache_filename = 0 for image_key in image_keys_sorted_by_length_desc: img_md = metadata[image_key] caption = img_md.get("caption") tags = img_md.get("tags") image_size = img_md.get("image_size") abs_path = img_md.get("abs_path") # search npz if image_size is not given npz_path = None if image_size is None: image_without_ext = os.path.splitext(image_key)[0] for candidate in npz_paths: if candidate.startswith(image_without_ext): npz_path = candidate break if npz_path is not None: npz_paths.remove(npz_path) # remove to avoid matching same file (share prefix) abs_path = npz_path if caption is None: caption = "" if subset.enable_wildcard: # tags must be single line (split by caption separator) if tags is not None: tags = tags.replace("\n", subset.caption_separator) # add tags to each line of caption if tags is not None: caption = "\n".join( [f"{line}{subset.caption_separator}{tags}" for line in caption.split("\n") if line.strip() != ""] ) tags_list.append(tags) else: # use as is if tags is not None and len(tags) > 0: if len(caption) > 0: caption = caption + subset.caption_separator caption = caption + tags tags_list.append(tags) if caption is None: caption = "" image_info = ImageInfo(image_key, subset.num_repeats, caption, False, abs_path, subset.caption_dropout_rate) image_info.resize_interpolation = ( subset.resize_interpolation if subset.resize_interpolation is not None else self.resize_interpolation ) if image_size is not None: image_info.image_size = tuple(image_size) # width, height size_set_from_metadata += 1 elif npz_path is not None: # get image size from npz filename w, h = strategy.get_image_size_from_disk_cache_path(abs_path, npz_path) image_info.image_size = (w, h) size_set_from_cache_filename += 1 self.register_image(image_info, subset) if size_set_from_cache_filename > 0: logger.info( f"set image size from cache files: {size_set_from_cache_filename}/{len(image_keys_sorted_by_length_desc)}" ) if size_set_from_metadata > 0: logger.info(f"set image size from metadata: {size_set_from_metadata}/{len(image_keys_sorted_by_length_desc)}") self.num_train_images += len(metadata) * subset.num_repeats # TODO do not record tag freq when no tag self.set_tag_frequency(os.path.basename(subset.metadata_file), tags_list) subset.img_count = len(metadata) self.subsets.append(subset) class ControlNetDataset(BaseDataset): def __init__( self, subsets: Sequence[ControlNetSubset], batch_size: int, resolution, network_multiplier: float, enable_bucket: bool, min_bucket_reso: int, max_bucket_reso: int, bucket_reso_steps: int, bucket_no_upscale: bool, debug_dataset: bool, validation_split: float, validation_seed: Optional[int], resize_interpolation: Optional[str] = None, ) -> None: super().__init__(resolution, network_multiplier, debug_dataset, resize_interpolation) db_subsets = [] for subset in subsets: assert ( not subset.random_crop ), "random_crop is not supported in ControlNetDataset / random_cropはControlNetDatasetではサポートされていません" db_subset = DreamBoothSubset( subset.image_dir, False, None, subset.caption_extension, subset.cache_info, False, subset.num_repeats, subset.shuffle_caption, subset.caption_separator, subset.keep_tokens, subset.keep_tokens_separator, subset.secondary_separator, subset.enable_wildcard, subset.color_aug, subset.flip_aug, subset.face_crop_aug_range, subset.random_crop, subset.caption_dropout_rate, subset.caption_dropout_every_n_epochs, subset.caption_tag_dropout_rate, subset.caption_prefix, subset.caption_suffix, subset.token_warmup_min, subset.token_warmup_step, resize_interpolation=subset.resize_interpolation, ) db_subsets.append(db_subset) self.dreambooth_dataset_delegate = DreamBoothDataset( db_subsets, True, batch_size, resolution, network_multiplier, enable_bucket, min_bucket_reso, max_bucket_reso, bucket_reso_steps, bucket_no_upscale, 1.0, debug_dataset, validation_split, validation_seed, resize_interpolation, ) # config_util等から参照される値をいれておく（若干微妙なのでなんとかしたい） self.image_data = self.dreambooth_dataset_delegate.image_data self.batch_size = batch_size self.num_train_images = self.dreambooth_dataset_delegate.num_train_images self.num_reg_images = self.dreambooth_dataset_delegate.num_reg_images self.validation_split = validation_split self.validation_seed = validation_seed self.resize_interpolation = resize_interpolation # assert all conditioning data exists missing_imgs = [] cond_imgs_with_pair = set() for image_key, info in self.dreambooth_dataset_delegate.image_data.items(): db_subset = self.dreambooth_dataset_delegate.image_to_subset[image_key] subset = None for s in subsets: if s.image_dir == db_subset.image_dir: subset = s break assert subset is not None, "internal error: subset not found" if not os.path.isdir(subset.conditioning_data_dir): logger.warning(f"not directory: {subset.conditioning_data_dir}") continue img_basename = os.path.splitext(os.path.basename(info.absolute_path))[0] ctrl_img_path = glob_images(subset.conditioning_data_dir, img_basename) if len(ctrl_img_path) < 1: missing_imgs.append(img_basename) continue ctrl_img_path = ctrl_img_path[0] ctrl_img_path = os.path.abspath(ctrl_img_path) # normalize path info.cond_img_path = ctrl_img_path cond_imgs_with_pair.add(os.path.splitext(ctrl_img_path)[0]) # remove extension because Windows is case insensitive extra_imgs = [] for subset in subsets: conditioning_img_paths = glob_images(subset.conditioning_data_dir, "*") conditioning_img_paths = [os.path.abspath(p) for p in conditioning_img_paths] # normalize path extra_imgs.extend([p for p in conditioning_img_paths if os.path.splitext(p)[0] not in cond_imgs_with_pair]) assert ( len(missing_imgs) == 0 ), f"missing conditioning data for {len(missing_imgs)} images / 制御用画像が見つかりませんでした: {missing_imgs}" assert ( len(extra_imgs) == 0 ), f"extra conditioning data for {len(extra_imgs)} images / 余分な制御用画像があります: {extra_imgs}" self.conditioning_image_transforms = IMAGE_TRANSFORMS def set_current_strategies(self): return self.dreambooth_dataset_delegate.set_current_strategies() def make_buckets(self): self.dreambooth_dataset_delegate.make_buckets() self.bucket_manager = self.dreambooth_dataset_delegate.bucket_manager self.buckets_indices = self.dreambooth_dataset_delegate.buckets_indices def cache_latents(self, vae, vae_batch_size=1, cache_to_disk=False, is_main_process=True): return self.dreambooth_dataset_delegate.cache_latents(vae, vae_batch_size, cache_to_disk, is_main_process) def new_cache_latents(self, model: Any, accelerator: Accelerator): return self.dreambooth_dataset_delegate.new_cache_latents(model, accelerator) def new_cache_text_encoder_outputs(self, models: List[Any], is_main_process: bool): return self.dreambooth_dataset_delegate.new_cache_text_encoder_outputs(models, is_main_process) def __len__(self): return self.dreambooth_dataset_delegate.__len__() def __getitem__(self, index): example = self.dreambooth_dataset_delegate[index] bucket = self.dreambooth_dataset_delegate.bucket_manager.buckets[ self.dreambooth_dataset_delegate.buckets_indices[index].bucket_index ] bucket_batch_size = self.dreambooth_dataset_delegate.buckets_indices[index].bucket_batch_size image_index = self.dreambooth_dataset_delegate.buckets_indices[index].batch_index * bucket_batch_size conditioning_images = [] for i, image_key in enumerate(bucket[image_index : image_index + bucket_batch_size]): image_info = self.dreambooth_dataset_delegate.image_data[image_key] target_size_hw = example["target_sizes_hw"][i] original_size_hw = example["original_sizes_hw"][i] crop_top_left = example["crop_top_lefts"][i] flipped = example["flippeds"][i] cond_img = load_image(image_info.cond_img_path) if self.dreambooth_dataset_delegate.enable_bucket: assert ( cond_img.shape[0] == original_size_hw[0] and cond_img.shape[1] == original_size_hw[1] ), f"size of conditioning image is not match / 画像サイズが合いません: {image_info.absolute_path}" cond_img = resize_image( cond_img, original_size_hw[1], original_size_hw[0], target_size_hw[1], target_size_hw[0], self.resize_interpolation, ) # TODO support random crop # 現在サポートしているcropはrandomではなく中央のみ h, w = target_size_hw ct = (cond_img.shape[0] - h) // 2 cl = (cond_img.shape[1] - w) // 2 cond_img = cond_img[ct : ct + h, cl : cl + w] else: # assert ( # cond_img.shape[0] == self.height and cond_img.shape[1] == self.width # ), f"image size is small / 画像サイズが小さいようです: {image_info.absolute_path}" # resize to target if cond_img.shape[0] != target_size_hw[0] or cond_img.shape[1] != target_size_hw[1]: cond_img = resize_image( cond_img, cond_img.shape[0], cond_img.shape[1], target_size_hw[1], target_size_hw[0], self.resize_interpolation, ) if flipped: cond_img = cond_img[:, ::-1, :].copy() # copy to avoid negative stride cond_img = self.conditioning_image_transforms(cond_img) conditioning_images.append(cond_img) example["conditioning_images"] = torch.stack(conditioning_images).to(memory_format=torch.contiguous_format).float() return example # behave as Dataset mock class DatasetGroup(torch.utils.data.ConcatDataset): def __init__(self, datasets: Sequence[Union[DreamBoothDataset, FineTuningDataset]]): self.datasets: List[Union[DreamBoothDataset, FineTuningDataset]] super().__init__(datasets) self.image_data = {} self.num_train_images = 0 self.num_reg_images = 0 # simply concat together # TODO: handling image_data key duplication among dataset # In practical, this is not the big issue because image_data is accessed from outside of dataset only for debug_dataset. for dataset in datasets: self.image_data.update(dataset.image_data) self.num_train_images += dataset.num_train_images self.num_reg_images += dataset.num_reg_images def add_replacement(self, str_from, str_to): for dataset in self.datasets: dataset.add_replacement(str_from, str_to) # def make_buckets(self): # for dataset in self.datasets: # dataset.make_buckets() def set_text_encoder_output_caching_strategy(self, strategy: TextEncoderOutputsCachingStrategy): """ DataLoader is run in multiple processes, so we need to set the strategy manually. """ for dataset in self.datasets: dataset.set_text_encoder_output_caching_strategy(strategy) def enable_XTI(self, *args, **kwargs): for dataset in self.datasets: dataset.enable_XTI(*args, **kwargs) def cache_latents(self, vae, vae_batch_size=1, cache_to_disk=False, is_main_process=True, file_suffix=".npz"): for i, dataset in enumerate(self.datasets): logger.info(f"[Dataset {i}]") dataset.cache_latents(vae, vae_batch_size, cache_to_disk, is_main_process, file_suffix) def new_cache_latents(self, model: Any, accelerator: Accelerator): for i, dataset in enumerate(self.datasets): logger.info(f"[Dataset {i}]") dataset.new_cache_latents(model, accelerator) accelerator.wait_for_everyone() def cache_text_encoder_outputs( self, tokenizers, text_encoders, device, weight_dtype, cache_to_disk=False, is_main_process=True ): for i, dataset in enumerate(self.datasets): logger.info(f"[Dataset {i}]") dataset.cache_text_encoder_outputs(tokenizers, text_encoders, device, weight_dtype, cache_to_disk, is_main_process) def cache_text_encoder_outputs_sd3( self, tokenizer, text_encoders, device, output_dtype, te_dtypes, cache_to_disk=False, is_main_process=True, batch_size=None ): for i, dataset in enumerate(self.datasets): logger.info(f"[Dataset {i}]") dataset.cache_text_encoder_outputs_sd3( tokenizer, text_encoders, device, output_dtype, te_dtypes, cache_to_disk, is_main_process, batch_size ) def new_cache_text_encoder_outputs(self, models: List[Any], accelerator: Accelerator): for i, dataset in enumerate(self.datasets): logger.info(f"[Dataset {i}]") dataset.new_cache_text_encoder_outputs(models, accelerator) accelerator.wait_for_everyone() def set_caching_mode(self, caching_mode): for dataset in self.datasets: dataset.set_caching_mode(caching_mode) def verify_bucket_reso_steps(self, min_steps: int): for dataset in self.datasets: dataset.verify_bucket_reso_steps(min_steps) def get_resolutions(self) -> List[Tuple[int, int]]: return [(dataset.width, dataset.height) for dataset in self.datasets] def is_latent_cacheable(self) -> bool: return all([dataset.is_latent_cacheable() for dataset in self.datasets]) def is_text_encoder_output_cacheable(self, cache_supports_dropout: bool = False) -> bool: return all([dataset.is_text_encoder_output_cacheable(cache_supports_dropout) for dataset in self.datasets]) def set_current_strategies(self): for dataset in self.datasets: dataset.set_current_strategies() def set_current_epoch(self, epoch): for dataset in self.datasets: dataset.set_current_epoch(epoch) def set_current_step(self, step): for dataset in self.datasets: dataset.set_current_step(step) def set_max_train_steps(self, max_train_steps): for dataset in self.datasets: dataset.set_max_train_steps(max_train_steps) def disable_token_padding(self): for dataset in self.datasets: dataset.disable_token_padding() def is_disk_cached_latents_is_expected(reso, npz_path: str, flip_aug: bool, alpha_mask: bool): expected_latents_size = (reso[1] // 8, reso[0] // 8) # bucket_resoはWxHなので注意 if not os.path.exists(npz_path): return False try: npz = np.load(npz_path) if "latents" not in npz or "original_size" not in npz or "crop_ltrb" not in npz: # old ver? return False if npz["latents"].shape[1:3] != expected_latents_size: return False if flip_aug: if "latents_flipped" not in npz: return False if npz["latents_flipped"].shape[1:3] != expected_latents_size: return False if alpha_mask: if "alpha_mask" not in npz: return False if (npz["alpha_mask"].shape[1], npz["alpha_mask"].shape[0]) != reso: # HxW => WxH != reso return False else: if "alpha_mask" in npz: return False except Exception as e: logger.error(f"Error loading file: {npz_path}") raise e return True # 戻り値は、latents_tensor, (original_size width, original_size height), (crop left, crop top) # TODO update to use CachingStrategy # def load_latents_from_disk( # npz_path, # ) -> Tuple[Optional[np.ndarray], Optional[List[int]], Optional[List[int]], Optional[np.ndarray], Optional[np.ndarray]]: # npz = np.load(npz_path) # if "latents" not in npz: # raise ValueError(f"error: npz is old format. please re-generate {npz_path}") # latents = npz["latents"] # original_size = npz["original_size"].tolist() # crop_ltrb = npz["crop_ltrb"].tolist() # flipped_latents = npz["latents_flipped"] if "latents_flipped" in npz else None # alpha_mask = npz["alpha_mask"] if "alpha_mask" in npz else None # return latents, original_size, crop_ltrb, flipped_latents, alpha_mask # def save_latents_to_disk(npz_path, latents_tensor, original_size, crop_ltrb, flipped_latents_tensor=None, alpha_mask=None): # kwargs = {} # if flipped_latents_tensor is not None: # kwargs["latents_flipped"] = flipped_latents_tensor.float().cpu().numpy() # if alpha_mask is not None: # kwargs["alpha_mask"] = alpha_mask.float().cpu().numpy() # np.savez( # npz_path, # latents=latents_tensor.float().cpu().numpy(), # original_size=np.array(original_size), # crop_ltrb=np.array(crop_ltrb), # **kwargs, # ) def debug_dataset(train_dataset, show_input_ids=False): logger.info(f"Total dataset length (steps) / データセットの長さ（ステップ数）: {len(train_dataset)}") logger.info( "`S` for next step, `E` for next epoch no. , Escape for exit. / Sキーで次のステップ、Eキーで次のエポック、Escキーで中断、終了します" ) epoch = 1 while True: logger.info(f"") logger.info(f"epoch: {epoch}") steps = (epoch - 1) * len(train_dataset) + 1 indices = list(range(len(train_dataset))) random.shuffle(indices) k = 0 for i, idx in enumerate(indices): train_dataset.set_current_epoch(epoch) train_dataset.set_current_step(steps) logger.info(f"steps: {steps} ({i + 1}/{len(train_dataset)})") example = train_dataset[idx] if example["latents"] is not None: logger.info(f"sample has latents from npz file: {example['latents'].size()}") for j, (ik, cap, lw, orgsz, crptl, trgsz, flpdz) in enumerate( zip( example["image_keys"], example["captions"], example["loss_weights"], # example["input_ids"], example["original_sizes_hw"], example["crop_top_lefts"], example["target_sizes_hw"], example["flippeds"], ) ): logger.info( f'{ik}, size: {train_dataset.image_data[ik].image_size}, loss weight: {lw}, caption: "{cap}", original size: {orgsz}, crop top left: {crptl}, target size: {trgsz}, flipped: {flpdz}' ) if "network_multipliers" in example: logger.info(f"network multiplier: {example['network_multipliers'][j]}") if "custom_attributes" in example: logger.info(f"custom attributes: {example['custom_attributes'][j]}") # if show_input_ids: # logger.info(f"input ids: {iid}") # if "input_ids2" in example: # logger.info(f"input ids2: {example['input_ids2'][j]}") if example["images"] is not None: im = example["images"][j] logger.info(f"image size: {im.size()}") im = ((im.numpy() + 1.0) * 127.5).astype(np.uint8) im = np.transpose(im, (1, 2, 0)) # c,H,W -> H,W,c im = im[:, :, ::-1] # RGB -> BGR (OpenCV) if "conditioning_images" in example: cond_img = example["conditioning_images"][j] logger.info(f"conditioning image size: {cond_img.size()}") cond_img = ((cond_img.numpy() + 1.0) * 127.5).astype(np.uint8) cond_img = np.transpose(cond_img, (1, 2, 0)) cond_img = cond_img[:, :, ::-1] if os.name == "nt": cv2.imshow("cond_img", cond_img) if "alpha_masks" in example and example["alpha_masks"] is not None: alpha_mask = example["alpha_masks"][j] logger.info(f"alpha mask size: {alpha_mask.size()}") alpha_mask = (alpha_mask.numpy() * 255.0).astype(np.uint8) if os.name == "nt": cv2.imshow("alpha_mask", alpha_mask) if os.name == "nt": # only windows cv2.imshow("img", im) k = cv2.waitKey() cv2.destroyAllWindows() if k == 27 or k == ord("s") or k == ord("e"): break steps += 1 if k == ord("e"): break if k == 27 or (example["images"] is None and i >= 8): k = 27 break if k == 27: break epoch += 1 def glob_images(directory, base="*"): img_paths = [] for ext in IMAGE_EXTENSIONS: if base == "*": img_paths.extend(glob.glob(os.path.join(glob.escape(directory), base + ext))) else: img_paths.extend(glob.glob(glob.escape(os.path.join(directory, base + ext)))) img_paths = list(set(img_paths)) # 重複を排除 img_paths.sort() return img_paths def glob_images_pathlib(dir_path, recursive): image_paths = [] if recursive: for ext in IMAGE_EXTENSIONS: image_paths += list(dir_path.rglob("*" + ext)) else: for ext in IMAGE_EXTENSIONS: image_paths += list(dir_path.glob("*" + ext)) image_paths = list(set(image_paths)) # 重複を排除 image_paths.sort() return image_paths class MinimalDataset(BaseDataset): def __init__(self, resolution, network_multiplier, debug_dataset=False): super().__init__(resolution, network_multiplier, debug_dataset) self.num_train_images = 0 # update in subclass self.num_reg_images = 0 # update in subclass self.datasets = [self] self.batch_size = 1 # update in subclass self.subsets = [self] self.num_repeats = 1 # update in subclass if needed self.img_count = 1 # update in subclass if needed self.bucket_info = {} self.is_reg = False self.image_dir = "dummy" # for metadata def verify_bucket_reso_steps(self, min_steps: int): pass def is_latent_cacheable(self) -> bool: return False def __len__(self): raise NotImplementedError # override to avoid shuffling buckets def set_current_epoch(self, epoch): self.current_epoch = epoch def __getitem__(self, idx): r""" The subclass may have image_data for debug_dataset, which is a dict of ImageInfo objects. Returns: example like this: for i in range(batch_size): image_key = ... # whatever hashable image_keys.append(image_key) image = ... # PIL Image img_tensor = self.image_transforms(img) images.append(img_tensor) caption = ... # str input_ids = self.get_input_ids(caption) input_ids_list.append(input_ids) captions.append(caption) images = torch.stack(images, dim=0) input_ids_list = torch.stack(input_ids_list, dim=0) example = { "images": images, "input_ids": input_ids_list, "captions": captions, # for debug_dataset "latents": None, "image_keys": image_keys, # for debug_dataset "loss_weights": torch.ones(batch_size, dtype=torch.float32), } return example """ raise NotImplementedError def get_resolutions(self) -> List[Tuple[int, int]]: return [] def load_arbitrary_dataset(args, tokenizer=None) -> MinimalDataset: module = ".".join(args.dataset_class.split(".")[:-1]) dataset_class = args.dataset_class.split(".")[-1] module = importlib.import_module(module) dataset_class = getattr(module, dataset_class) train_dataset_group: MinimalDataset = dataset_class(tokenizer, args.max_token_length, args.resolution, args.debug_dataset) return train_dataset_group def load_image(image_path, alpha=False): try: with Image.open(image_path) as image: if alpha: if not image.mode == "RGBA": image = image.convert("RGBA") else: if not image.mode == "RGB": image = image.convert("RGB") img = np.array(image, np.uint8) return img except (IOError, OSError) as e: logger.error(f"Error loading file: {image_path}") raise e # 画像を読み込む。戻り値はnumpy.ndarray,(original width, original height),(crop left, crop top, crop right, crop bottom) def trim_and_resize_if_required( random_crop: bool, image: np.ndarray, reso, resized_size: Tuple[int, int], resize_interpolation: Optional[str] = None ) -> Tuple[np.ndarray, Tuple[int, int], Tuple[int, int, int, int]]: image_height, image_width = image.shape[0:2] original_size = (image_width, image_height) # size before resize if image_width != resized_size[0] or image_height != resized_size[1]: image = resize_image(image, image_width, image_height, resized_size[0], resized_size[1], resize_interpolation) image_height, image_width = image.shape[0:2] if image_width > reso[0]: trim_size = image_width - reso[0] p = trim_size // 2 if not random_crop else random.randint(0, trim_size) # logger.info(f"w {trim_size} {p}") image = image[:, p : p + reso[0]] if image_height > reso[1]: trim_size = image_height - reso[1] p = trim_size // 2 if not random_crop else random.randint(0, trim_size) # logger.info(f"h {trim_size} {p}) image = image[p : p + reso[1]] # random cropの場合のcropされた値をどうcrop left/topに反映するべきか全くアイデアがない # I have no idea how to reflect the cropped value in crop left/top in the case of random crop crop_ltrb = BucketManager.get_crop_ltrb(reso, original_size) assert image.shape[0] == reso[1] and image.shape[1] == reso[0], f"internal error, illegal trimmed size: {image.shape}, {reso}" return image, original_size, crop_ltrb # for new_cache_latents def load_images_and_masks_for_caching( image_infos: List[ImageInfo], use_alpha_mask: bool, random_crop: bool ) -> Tuple[torch.Tensor, List[np.ndarray], List[Tuple[int, int]], List[Tuple[int, int, int, int]]]: r""" requires image_infos to have: [absolute_path or image], bucket_reso, resized_size returns: image_tensor, alpha_masks, original_sizes, crop_ltrbs image_tensor: torch.Tensor = torch.Size([B, 3, H, W]), ...], normalized to [-1, 1] alpha_masks: List[np.ndarray] = [np.ndarray([H, W]), ...], normalized to [0, 1] original_sizes: List[Tuple[int, int]] = [(W, H), ...] crop_ltrbs: List[Tuple[int, int, int, int]] = [(L, T, R, B), ...] """ images: List[torch.Tensor] = [] alpha_masks: List[np.ndarray] = [] original_sizes: List[Tuple[int, int]] = [] crop_ltrbs: List[Tuple[int, int, int, int]] = [] for info in image_infos: image = load_image(info.absolute_path, use_alpha_mask) if info.image is None else np.array(info.image, np.uint8) # TODO 画像のメタデータが壊れていて、メタデータから割り当てたbucketと実際の画像サイズが一致しない場合があるのでチェック追加要 image, original_size, crop_ltrb = trim_and_resize_if_required( random_crop, image, info.bucket_reso, info.resized_size, resize_interpolation=info.resize_interpolation ) original_sizes.append(original_size) crop_ltrbs.append(crop_ltrb) if use_alpha_mask: if image.shape[2] == 4: alpha_mask = image[:, :, 3] # [H,W] alpha_mask = alpha_mask.astype(np.float32) / 255.0 alpha_mask = torch.FloatTensor(alpha_mask) # [H,W] else: alpha_mask = torch.ones_like(image[:, :, 0], dtype=torch.float32) # [H,W] else: alpha_mask = None alpha_masks.append(alpha_mask) image = image[:, :, :3] # remove alpha channel if exists image = IMAGE_TRANSFORMS(image) images.append(image) img_tensor = torch.stack(images, dim=0) return img_tensor, alpha_masks, original_sizes, crop_ltrbs def cache_batch_latents( vae: AutoencoderKL, cache_to_disk: bool, image_infos: List[ImageInfo], flip_aug: bool, use_alpha_mask: bool, random_crop: bool ) -> None: r""" requires image_infos to have: absolute_path, bucket_reso, resized_size, latents_npz optionally requires image_infos to have: image if cache_to_disk is True, set info.latents_npz flipped latents is also saved if flip_aug is True if cache_to_disk is False, set info.latents latents_flipped is also set if flip_aug is True latents_original_size and latents_crop_ltrb are also set """ images = [] alpha_masks: List[np.ndarray] = [] for info in image_infos: image = load_image(info.absolute_path, use_alpha_mask) if info.image is None else np.array(info.image, np.uint8) # TODO 画像のメタデータが壊れていて、メタデータから割り当てたbucketと実際の画像サイズが一致しない場合があるのでチェック追加要 image, original_size, crop_ltrb = trim_and_resize_if_required( random_crop, image, info.bucket_reso, info.resized_size, resize_interpolation=info.resize_interpolation ) info.latents_original_size = original_size info.latents_crop_ltrb = crop_ltrb if use_alpha_mask: if image.shape[2] == 4: alpha_mask = image[:, :, 3] # [H,W] alpha_mask = alpha_mask.astype(np.float32) / 255.0 alpha_mask = torch.FloatTensor(alpha_mask) # [H,W] else: alpha_mask = torch.ones_like(image[:, :, 0], dtype=torch.float32) # [H,W] else: alpha_mask = None alpha_masks.append(alpha_mask) image = image[:, :, :3] # remove alpha channel if exists image = IMAGE_TRANSFORMS(image) images.append(image) img_tensors = torch.stack(images, dim=0) img_tensors = img_tensors.to(device=vae.device, dtype=vae.dtype) with torch.no_grad(): latents = vae.encode(img_tensors).latent_dist.sample().to("cpu") if flip_aug: img_tensors = torch.flip(img_tensors, dims=[3]) with torch.no_grad(): flipped_latents = vae.encode(img_tensors).latent_dist.sample().to("cpu") else: flipped_latents = [None] * len(latents) for info, latent, flipped_latent, alpha_mask in zip(image_infos, latents, flipped_latents, alpha_masks): # check NaN if torch.isnan(latents).any() or (flipped_latent is not None and torch.isnan(flipped_latent).any()): raise RuntimeError(f"NaN detected in latents: {info.absolute_path}") if cache_to_disk: # save_latents_to_disk( # info.latents_npz, # latent, # info.latents_original_size, # info.latents_crop_ltrb, # flipped_latent, # alpha_mask, # ) pass else: info.latents = latent if flip_aug: info.latents_flipped = flipped_latent info.alpha_mask = alpha_mask if not HIGH_VRAM: clean_memory_on_device(vae.device) def cache_batch_text_encoder_outputs( image_infos, tokenizers, text_encoders, max_token_length, cache_to_disk, input_ids1, input_ids2, dtype ): input_ids1 = input_ids1.to(text_encoders[0].device) input_ids2 = input_ids2.to(text_encoders[1].device) with torch.no_grad(): b_hidden_state1, b_hidden_state2, b_pool2 = get_hidden_states_sdxl( max_token_length, input_ids1, input_ids2, tokenizers[0], tokenizers[1], text_encoders[0], text_encoders[1], dtype, ) # ここでcpuに移動しておかないと、上書きされてしまう b_hidden_state1 = b_hidden_state1.detach().to("cpu") # b,n*75+2,768 b_hidden_state2 = b_hidden_state2.detach().to("cpu") # b,n*75+2,1280 b_pool2 = b_pool2.detach().to("cpu") # b,1280 for info, hidden_state1, hidden_state2, pool2 in zip(image_infos, b_hidden_state1, b_hidden_state2, b_pool2): if cache_to_disk: save_text_encoder_outputs_to_disk(info.text_encoder_outputs_npz, hidden_state1, hidden_state2, pool2) else: info.text_encoder_outputs1 = hidden_state1 info.text_encoder_outputs2 = hidden_state2 info.text_encoder_pool2 = pool2 def cache_batch_text_encoder_outputs_sd3( image_infos, tokenizer, text_encoders, max_token_length, cache_to_disk, input_ids, output_dtype ): # make input_ids for each text encoder l_tokens, g_tokens, t5_tokens = input_ids clip_l, clip_g, t5xxl = text_encoders with torch.no_grad(): b_lg_out, b_t5_out, b_pool = sd3_utils.get_cond_from_tokens( l_tokens, g_tokens, t5_tokens, clip_l, clip_g, t5xxl, "cpu", output_dtype ) b_lg_out = b_lg_out.detach() b_t5_out = b_t5_out.detach() b_pool = b_pool.detach() for info, lg_out, t5_out, pool in zip(image_infos, b_lg_out, b_t5_out, b_pool): # debug: NaN check if torch.isnan(lg_out).any() or torch.isnan(t5_out).any() or torch.isnan(pool).any(): raise RuntimeError(f"NaN detected in text encoder outputs: {info.absolute_path}") if cache_to_disk: save_text_encoder_outputs_to_disk(info.text_encoder_outputs_npz, lg_out, t5_out, pool) else: info.text_encoder_outputs1 = lg_out info.text_encoder_outputs2 = t5_out info.text_encoder_pool2 = pool def save_text_encoder_outputs_to_disk(npz_path, hidden_state1, hidden_state2, pool2): np.savez( npz_path, hidden_state1=hidden_state1.cpu().float().numpy(), hidden_state2=hidden_state2.cpu().float().numpy(), pool2=pool2.cpu().float().numpy(), ) def load_text_encoder_outputs_from_disk(npz_path): with np.load(npz_path) as f: hidden_state1 = torch.from_numpy(f["hidden_state1"]) hidden_state2 = torch.from_numpy(f["hidden_state2"]) if "hidden_state2" in f else None pool2 = torch.from_numpy(f["pool2"]) if "pool2" in f else None return hidden_state1, hidden_state2, pool2 # endregion # region モジュール入れ替え部 """ 高速化のためのモジュール入れ替え """ # FlashAttentionを使うCrossAttention # based on https://github.com/lucidrains/memory-efficient-attention-pytorch/blob/main/memory_efficient_attention_pytorch/flash_attention.py # LICENSE MIT https://github.com/lucidrains/memory-efficient-attention-pytorch/blob/main/LICENSE # constants EPSILON = 1e-6 # helper functions def exists(val): return val is not None def default(val, d): return val if exists(val) else d def model_hash(filename): """Old model hash used by stable-diffusion-webui""" try: with open(filename, "rb") as file: m = hashlib.sha256() file.seek(0x100000) m.update(file.read(0x10000)) return m.hexdigest()[0:8] except FileNotFoundError: return "NOFILE" except IsADirectoryError: # Linux? return "IsADirectory" except PermissionError: # Windows return "IsADirectory" def calculate_sha256(filename): """New model hash used by stable-diffusion-webui""" try: hash_sha256 = hashlib.sha256() blksize = 1024 * 1024 with open(filename, "rb") as f: for chunk in iter(lambda: f.read(blksize), b""): hash_sha256.update(chunk) return hash_sha256.hexdigest() except FileNotFoundError: return "NOFILE" except IsADirectoryError: # Linux? return "IsADirectory" except PermissionError: # Windows return "IsADirectory" def precalculate_safetensors_hashes(tensors, metadata): """Precalculate the model hashes needed by sd-webui-additional-networks to save time on indexing the model later.""" # Because writing user metadata to the file can change the result of # sd_models.model_hash(), only retain the training metadata for purposes of # calculating the hash, as they are meant to be immutable metadata = {k: v for k, v in metadata.items() if k.startswith("ss_")} bytes = safetensors.torch.save(tensors, metadata) b = BytesIO(bytes) model_hash = addnet_hash_safetensors(b) legacy_hash = addnet_hash_legacy(b) return model_hash, legacy_hash def addnet_hash_legacy(b): """Old model hash used by sd-webui-additional-networks for .safetensors format files""" m = hashlib.sha256() b.seek(0x100000) m.update(b.read(0x10000)) return m.hexdigest()[0:8] def addnet_hash_safetensors(b): """New model hash used by sd-webui-additional-networks for .safetensors format files""" hash_sha256 = hashlib.sha256() blksize = 1024 * 1024 b.seek(0) header = b.read(8) n = int.from_bytes(header, "little") offset = n + 8 b.seek(offset) for chunk in iter(lambda: b.read(blksize), b""): hash_sha256.update(chunk) return hash_sha256.hexdigest() def get_git_revision_hash() -> str: try: return subprocess.check_output(["git", "rev-parse", "HEAD"], cwd=os.path.dirname(__file__)).decode("ascii").strip() except: return "(unknown)" # def replace_unet_modules(unet: diffusers.models.unet_2d_condition.UNet2DConditionModel, mem_eff_attn, xformers): # replace_attentions_for_hypernetwork() # # unet is not used currently, but it is here for future use # unet.enable_xformers_memory_efficient_attention() # return # if mem_eff_attn: # unet.set_attn_processor(FlashAttnProcessor()) # elif xformers: # unet.enable_xformers_memory_efficient_attention() # def replace_unet_cross_attn_to_xformers(): # logger.info("CrossAttention.forward has been replaced to enable xformers.") # try: # import xformers.ops # except ImportError: # raise ImportError("No xformers / xformersがインストールされていないようです") # def forward_xformers(self, x, context=None, mask=None): # h = self.heads # q_in = self.to_q(x) # context = default(context, x) # context = context.to(x.dtype) # if hasattr(self, "hypernetwork") and self.hypernetwork is not None: # context_k, context_v = self.hypernetwork.forward(x, context) # context_k = context_k.to(x.dtype) # context_v = context_v.to(x.dtype) # else: # context_k = context # context_v = context # k_in = self.to_k(context_k) # v_in = self.to_v(context_v) # q, k, v = map(lambda t: rearrange(t, "b n (h d) -> b n h d", h=h), (q_in, k_in, v_in)) # del q_in, k_in, v_in # q = q.contiguous() # k = k.contiguous() # v = v.contiguous() # out = xformers.ops.memory_efficient_attention(q, k, v, attn_bias=None) # 最適なのを選んでくれる # out = rearrange(out, "b n h d -> b n (h d)", h=h) # # diffusers 0.7.0~ # out = self.to_out[0](out) # out = self.to_out[1](out) # return out # diffusers.models.attention.CrossAttention.forward = forward_xformers def replace_unet_modules(unet: UNet2DConditionModel, mem_eff_attn, xformers, sdpa): if mem_eff_attn: logger.info("Enable memory efficient attention for U-Net") unet.set_use_memory_efficient_attention(False, True) elif xformers: logger.info("Enable xformers for U-Net") try: import xformers.ops except ImportError: raise ImportError("No xformers / xformersがインストールされていないようです") unet.set_use_memory_efficient_attention(True, False) elif sdpa: logger.info("Enable SDPA for U-Net") unet.set_use_sdpa(True) """ def replace_vae_modules(vae: diffusers.models.AutoencoderKL, mem_eff_attn, xformers): # vae is not used currently, but it is here for future use if mem_eff_attn: replace_vae_attn_to_memory_efficient() elif xformers: # とりあえずDiffusersのxformersを使う。AttentionがあるのはMidBlockのみ logger.info("Use Diffusers xformers for VAE") vae.encoder.mid_block.attentions[0].set_use_memory_efficient_attention_xformers(True) vae.decoder.mid_block.attentions[0].set_use_memory_efficient_attention_xformers(True) def replace_vae_attn_to_memory_efficient(): logger.info("AttentionBlock.forward has been replaced to FlashAttention (not xformers)") flash_func = FlashAttentionFunction def forward_flash_attn(self, hidden_states): logger.info("forward_flash_attn") q_bucket_size = 512 k_bucket_size = 1024 residual = hidden_states batch, channel, height, width = hidden_states.shape # norm hidden_states = self.group_norm(hidden_states) hidden_states = hidden_states.view(batch, channel, height * width).transpose(1, 2) # proj to q, k, v query_proj = self.query(hidden_states) key_proj = self.key(hidden_states) value_proj = self.value(hidden_states) query_proj, key_proj, value_proj = map( lambda t: rearrange(t, "b n (h d) -> b h n d", h=self.num_heads), (query_proj, key_proj, value_proj) ) out = flash_func.apply(query_proj, key_proj, value_proj, None, False, q_bucket_size, k_bucket_size) out = rearrange(out, "b h n d -> b n (h d)") # compute next hidden_states hidden_states = self.proj_attn(hidden_states) hidden_states = hidden_states.transpose(-1, -2).reshape(batch, channel, height, width) # res connect and rescale hidden_states = (hidden_states + residual) / self.rescale_output_factor return hidden_states diffusers.models.attention.AttentionBlock.forward = forward_flash_attn """ # endregion # region arguments def load_metadata_from_safetensors(safetensors_file: str) -> dict: """r This method locks the file. see https://github.com/huggingface/safetensors/issues/164 If the file isn't .safetensors or doesn't have metadata, return empty dict. """ if os.path.splitext(safetensors_file)[1] != ".safetensors": return {} with safetensors.safe_open(safetensors_file, framework="pt", device="cpu") as f: metadata = f.metadata() if metadata is None: metadata = {} return metadata # this metadata is referred from train_network and various scripts, so we wrote here SS_METADATA_KEY_V2 = "ss_v2" SS_METADATA_KEY_BASE_MODEL_VERSION = "ss_base_model_version" SS_METADATA_KEY_NETWORK_MODULE = "ss_network_module" SS_METADATA_KEY_NETWORK_DIM = "ss_network_dim" SS_METADATA_KEY_NETWORK_ALPHA = "ss_network_alpha" SS_METADATA_KEY_NETWORK_ARGS = "ss_network_args" SS_METADATA_MINIMUM_KEYS = [ SS_METADATA_KEY_V2, SS_METADATA_KEY_BASE_MODEL_VERSION, SS_METADATA_KEY_NETWORK_MODULE, SS_METADATA_KEY_NETWORK_DIM, SS_METADATA_KEY_NETWORK_ALPHA, SS_METADATA_KEY_NETWORK_ARGS, ] def build_minimum_network_metadata( v2: Optional[str], base_model: Optional[str], network_module: str, network_dim: str, network_alpha: str, network_args: Optional[dict], ): # old LoRA doesn't have base_model metadata = { SS_METADATA_KEY_NETWORK_MODULE: network_module, SS_METADATA_KEY_NETWORK_DIM: network_dim, SS_METADATA_KEY_NETWORK_ALPHA: network_alpha, } if v2 is not None: metadata[SS_METADATA_KEY_V2] = v2 if base_model is not None: metadata[SS_METADATA_KEY_BASE_MODEL_VERSION] = base_model if network_args is not None: metadata[SS_METADATA_KEY_NETWORK_ARGS] = json.dumps(network_args) return metadata def get_sai_model_spec( state_dict: dict, args: argparse.Namespace, sdxl: bool, lora: bool, textual_inversion: bool, is_stable_diffusion_ckpt: Optional[bool] = None, # None for TI and LoRA sd3: str = None, flux: str = None, # "dev", "schnell" or "chroma" lumina: str = None, optional_metadata: dict[str, str] | None = None, ): timestamp = time.time() v2 = args.v2 v_parameterization = args.v_parameterization reso = args.resolution title = args.metadata_title if args.metadata_title is not None else args.output_name if args.min_timestep is not None or args.max_timestep is not None: min_time_step = args.min_timestep if args.min_timestep is not None else 0 max_time_step = args.max_timestep if args.max_timestep is not None else 1000 timesteps = (min_time_step, max_time_step) else: timesteps = None # Convert individual model parameters to model_config dict # TODO: Update calls to this function to pass in the model config model_config = {} if sd3 is not None: model_config["sd3"] = sd3 if flux is not None: model_config["flux"] = flux if lumina is not None: model_config["lumina"] = lumina # Extract metadata_* fields from args and merge with optional_metadata extracted_metadata = {} # Extract all metadata_* attributes from args for attr_name in dir(args): if attr_name.startswith("metadata_") and not attr_name.startswith("metadata___"): value = getattr(args, attr_name, None) if value is not None: # Remove metadata_ prefix and exclude already handled fields field_name = attr_name[9:] # len("metadata_") = 9 if field_name not in ["title", "author", "description", "license", "tags"]: extracted_metadata[field_name] = value # Merge extracted metadata with provided optional_metadata all_optional_metadata = {**extracted_metadata} if optional_metadata: all_optional_metadata.update(optional_metadata) metadata = sai_model_spec.build_metadata( state_dict, v2, v_parameterization, sdxl, lora, textual_inversion, timestamp, title=title, reso=reso, is_stable_diffusion_ckpt=is_stable_diffusion_ckpt, author=args.metadata_author, description=args.metadata_description, license=args.metadata_license, tags=args.metadata_tags, timesteps=timesteps, clip_skip=args.clip_skip, # None or int model_config=model_config, optional_metadata=all_optional_metadata if all_optional_metadata else None, ) return metadata def get_sai_model_spec_dataclass( state_dict: dict, args: argparse.Namespace, sdxl: bool, lora: bool, textual_inversion: bool, is_stable_diffusion_ckpt: Optional[bool] = None, sd3: str = None, flux: str = None, lumina: str = None, hunyuan_image: str = None, anima: str = None, optional_metadata: dict[str, str] | None = None, ) -> sai_model_spec.ModelSpecMetadata: """ Get ModelSpec metadata as a dataclass - preferred for new code. Automatically extracts metadata_* fields from args. """ timestamp = time.time() v2 = args.v2 v_parameterization = args.v_parameterization reso = args.resolution title = args.metadata_title if args.metadata_title is not None else args.output_name if args.min_timestep is not None or args.max_timestep is not None: min_time_step = args.min_timestep if args.min_timestep is not None else 0 max_time_step = args.max_timestep if args.max_timestep is not None else 1000 timesteps = (min_time_step, max_time_step) else: timesteps = None # Convert individual model parameters to model_config dict model_config = {} if sd3 is not None: model_config["sd3"] = sd3 if flux is not None: model_config["flux"] = flux if lumina is not None: model_config["lumina"] = lumina if hunyuan_image is not None: model_config["hunyuan_image"] = hunyuan_image if anima is not None: model_config["anima"] = anima # Use the dataclass function directly return sai_model_spec.build_metadata_dataclass( state_dict, v2, v_parameterization, sdxl, lora, textual_inversion, timestamp, title=title, reso=reso, is_stable_diffusion_ckpt=is_stable_diffusion_ckpt, author=args.metadata_author, description=args.metadata_description, license=args.metadata_license, tags=args.metadata_tags, timesteps=timesteps, clip_skip=args.clip_skip, model_config=model_config, optional_metadata=optional_metadata, ) def add_sd_models_arguments(parser: argparse.ArgumentParser): # for pretrained models parser.add_argument( "--v2", action="store_true", help="load Stable Diffusion v2.0 model / Stable Diffusion 2.0のモデルを読み込む" ) parser.add_argument( "--v_parameterization", action="store_true", help="enable v-parameterization training / v-parameterization学習を有効にする" ) parser.add_argument( "--pretrained_model_name_or_path", type=str, default=None, help="pretrained model to train, directory to Diffusers model or StableDiffusion checkpoint / 学習元モデル、Diffusers形式モデルのディレクトリまたはStableDiffusionのckptファイル", ) parser.add_argument( "--tokenizer_cache_dir", type=str, default=None, help="directory for caching Tokenizer (for offline training) / Tokenizerをキャッシュするディレクトリ（ネット接続なしでの学習のため）", ) def add_optimizer_arguments(parser: argparse.ArgumentParser): def int_or_float(value): if value.endswith("%"): try: return float(value[:-1]) / 100.0 except ValueError: raise argparse.ArgumentTypeError(f"Value '{value}' is not a valid percentage") try: float_value = float(value) if float_value >= 1: return int(value) return float(value) except ValueError: raise argparse.ArgumentTypeError(f"'{value}' is not an int or float") parser.add_argument( "--optimizer_type", type=str, default="", help="Optimizer to use / オプティマイザの種類: AdamW (default), AdamW8bit, PagedAdamW, PagedAdamW8bit, PagedAdamW32bit, " "Lion8bit, PagedLion8bit, Lion, SGDNesterov, SGDNesterov8bit, " "DAdaptation(DAdaptAdamPreprint), DAdaptAdaGrad, DAdaptAdam, DAdaptAdan, DAdaptAdanIP, DAdaptLion, DAdaptSGD, " "AdaFactor. " "Also, you can use any optimizer by specifying the full path to the class, like 'bitsandbytes.optim.AdEMAMix8bit' or 'bitsandbytes.optim.PagedAdEMAMix8bit'.", ) # backward compatibility parser.add_argument( "--use_8bit_adam", action="store_true", help="use 8bit AdamW optimizer (requires bitsandbytes) / 8bit Adamオプティマイザを使う（bitsandbytesのインストールが必要）", ) parser.add_argument( "--use_lion_optimizer", action="store_true", help="use Lion optimizer (requires lion-pytorch) / Lionオプティマイザを使う（ lion-pytorch のインストールが必要）", ) parser.add_argument("--learning_rate", type=float, default=2.0e-6, help="learning rate / 学習率") parser.add_argument( "--max_grad_norm", default=1.0, type=float, help="Max gradient norm, 0 for no clipping / 勾配正規化の最大norm、0でclippingを行わない", ) parser.add_argument( "--optimizer_args", type=str, default=None, nargs="*", help='additional arguments for optimizer (like "weight_decay=0.01 betas=0.9,0.999 ...") / オプティマイザの追加引数（例： "weight_decay=0.01 betas=0.9,0.999 ..."）', ) # parser.add_argument( # "--optimizer_schedulefree_wrapper", # action="store_true", # help="use schedulefree_wrapper any optimizer / 任意のオプティマイザにschedulefree_wrapperを使用", # ) # parser.add_argument( # "--schedulefree_wrapper_args", # type=str, # default=None, # nargs="*", # help='additional arguments for schedulefree_wrapper (like "momentum=0.9 weight_decay_at_y=0.1 ...") / オプティマイザの追加引数（例： "momentum=0.9 weight_decay_at_y=0.1 ..."）', # ) parser.add_argument("--lr_scheduler_type", type=str, default="", help="custom scheduler module / 使用するスケジューラ") parser.add_argument( "--lr_scheduler_args", type=str, default=None, nargs="*", help='additional arguments for scheduler (like "T_max=100") / スケジューラの追加引数（例： "T_max100"）', ) parser.add_argument( "--lr_scheduler", type=str, default="constant", help="scheduler to use for learning rate / 学習率のスケジューラ: linear, cosine, cosine_with_restarts, polynomial, constant (default), constant_with_warmup, adafactor", ) parser.add_argument( "--lr_warmup_steps", type=int_or_float, default=0, help="Int number of steps for the warmup in the lr scheduler (default is 0) or float with ratio of train steps" " / 学習率のスケジューラをウォームアップするステップ数（デフォルト0）、または学習ステップの比率（1未満のfloat値の場合）", ) parser.add_argument( "--lr_decay_steps", type=int_or_float, default=0, help="Int number of steps for the decay in the lr scheduler (default is 0) or float (<1) with ratio of train steps" " / 学習率のスケジューラを減衰させるステップ数（デフォルト0）、または学習ステップの比率（1未満のfloat値の場合）", ) parser.add_argument( "--lr_scheduler_num_cycles", type=int, default=1, help="Number of restarts for cosine scheduler with restarts / cosine with restartsスケジューラでのリスタート回数", ) parser.add_argument( "--lr_scheduler_power", type=float, default=1, help="Polynomial power for polynomial scheduler / polynomialスケジューラでのpolynomial power", ) parser.add_argument( "--fused_backward_pass", action="store_true", help="Combines backward pass and optimizer step to reduce VRAM usage. Only available in SDXL, SD3 and FLUX" " / バックワードパスとオプティマイザステップを組み合わせてVRAMの使用量を削減します。SDXL、SD3、FLUXでのみ利用可能", ) parser.add_argument( "--lr_scheduler_timescale", type=int, default=None, help="Inverse sqrt timescale for inverse sqrt scheduler,defaults to `num_warmup_steps`" + " / 逆平方根スケジューラのタイムスケール、デフォルトは`num_warmup_steps`", ) parser.add_argument( "--lr_scheduler_min_lr_ratio", type=float, default=None, help="The minimum learning rate as a ratio of the initial learning rate for cosine with min lr scheduler and warmup decay scheduler" + " / 初期学習率の比率としての最小学習率を指定する、cosine with min lr と warmup decay スケジューラ で有効", ) def add_training_arguments(parser: argparse.ArgumentParser, support_dreambooth: bool): parser.add_argument( "--output_dir", type=str, default=None, help="directory to output trained model / 学習後のモデル出力先ディレクトリ" ) parser.add_argument( "--output_name", type=str, default=None, help="base name of trained model file / 学習後のモデルの拡張子を除くファイル名" ) parser.add_argument( "--huggingface_repo_id", type=str, default=None, help="huggingface repo name to upload / huggingfaceにアップロードするリポジトリ名", ) parser.add_argument( "--huggingface_repo_type", type=str, default=None, help="huggingface repo type to upload / huggingfaceにアップロードするリポジトリの種類", ) parser.add_argument( "--huggingface_path_in_repo", type=str, default=None, help="huggingface model path to upload files / huggingfaceにアップロードするファイルのパス", ) parser.add_argument("--huggingface_token", type=str, default=None, help="huggingface token / huggingfaceのトークン") parser.add_argument( "--huggingface_repo_visibility", type=str, default=None, help="huggingface repository visibility ('public' for public, 'private' or None for private) / huggingfaceにアップロードするリポジトリの公開設定（'public'で公開、'private'またはNoneで非公開）", ) parser.add_argument( "--save_state_to_huggingface", action="store_true", help="save state to huggingface / huggingfaceにstateを保存する" ) parser.add_argument( "--resume_from_huggingface", action="store_true", help="resume from huggingface (ex: --resume {repo_id}/{path_in_repo}:{revision}:{repo_type}) / huggingfaceから学習を再開する(例: --resume {repo_id}/{path_in_repo}:{revision}:{repo_type})", ) parser.add_argument( "--async_upload", action="store_true", help="upload to huggingface asynchronously / huggingfaceに非同期でアップロードする", ) parser.add_argument( "--save_precision", type=str, default=None, choices=[None, "float", "fp16", "bf16"], help="precision in saving / 保存時に精度を変更して保存する", ) parser.add_argument( "--save_every_n_epochs", type=int, default=None, help="save checkpoint every N epochs / 学習中のモデルを指定エポックごとに保存する", ) parser.add_argument( "--save_every_n_steps", type=int, default=None, help="save checkpoint every N steps / 学習中のモデルを指定ステップごとに保存する", ) parser.add_argument( "--save_n_epoch_ratio", type=int, default=None, help="save checkpoint N epoch ratio (for example 5 means save at least 5 files total) / 学習中のモデルを指定のエポック割合で保存する（たとえば5を指定すると最低5個のファイルが保存される）", ) parser.add_argument( "--save_last_n_epochs", type=int, default=None, help="save last N checkpoints when saving every N epochs (remove older checkpoints) / 指定エポックごとにモデルを保存するとき最大Nエポック保存する（古いチェックポイントは削除する）", ) parser.add_argument( "--save_last_n_epochs_state", type=int, default=None, help="save last N checkpoints of state (overrides the value of --save_last_n_epochs)/ 最大Nエポックstateを保存する（--save_last_n_epochsの指定を上書きする）", ) parser.add_argument( "--save_last_n_steps", type=int, default=None, help="save checkpoints until N steps elapsed (remove older checkpoints if N steps elapsed) / 指定ステップごとにモデルを保存するとき、このステップ数経過するまで保存する（このステップ数経過したら削除する）", ) parser.add_argument( "--save_last_n_steps_state", type=int, default=None, help="save states until N steps elapsed (remove older states if N steps elapsed, overrides --save_last_n_steps) / 指定ステップごとにstateを保存するとき、このステップ数経過するまで保存する（このステップ数経過したら削除する。--save_last_n_stepsを上書きする）", ) parser.add_argument( "--save_state", action="store_true", help="save training state additionally (including optimizer states etc.) when saving model / optimizerなど学習状態も含めたstateをモデル保存時に追加で保存する", ) parser.add_argument( "--save_state_on_train_end", action="store_true", help="save training state (including optimizer states etc.) on train end / optimizerなど学習状態も含めたstateを学習完了時に保存する", ) parser.add_argument("--resume", type=str, default=None, help="saved state to resume training / 学習再開するモデルのstate") parser.add_argument("--train_batch_size", type=int, default=1, help="batch size for training / 学習時のバッチサイズ") parser.add_argument( "--max_token_length", type=int, default=None, choices=[None, 150, 225], help="max token length of text encoder (default for 75, 150 or 225) / text encoderのトークンの最大長（未指定で75、150または225が指定可）", ) parser.add_argument( "--mem_eff_attn", action="store_true", help="use memory efficient attention for CrossAttention / CrossAttentionに省メモリ版attentionを使う", ) parser.add_argument( "--torch_compile", action="store_true", help="use torch.compile (requires PyTorch 2.0) / torch.compile を使う" ) parser.add_argument( "--dynamo_backend", type=str, default="inductor", # available backends: # https://github.com/huggingface/accelerate/blob/d1abd59114ada8ba673e1214218cb2878c13b82d/src/accelerate/utils/dataclasses.py#L376-L388C5 # https://pytorch.org/docs/stable/torch.compiler.html choices=[ "eager", "aot_eager", "inductor", "aot_ts_nvfuser", "nvprims_nvfuser", "cudagraphs", "ofi", "fx2trt", "onnxrt", "tensort", "ipex", "tvm", ], help="dynamo backend type (default is inductor) / dynamoのbackendの種類（デフォルトは inductor）", ) parser.add_argument("--xformers", action="store_true", help="use xformers for CrossAttention / CrossAttentionにxformersを使う") parser.add_argument( "--sdpa", action="store_true", help="use sdpa for CrossAttention (requires PyTorch 2.0) / CrossAttentionにsdpaを使う（PyTorch 2.0が必要）", ) parser.add_argument( "--vae", type=str, default=None, help="path to checkpoint of vae to replace / VAEを入れ替える場合、VAEのcheckpointファイルまたはディレクトリ", ) parser.add_argument("--max_train_steps", type=int, default=1600, help="training steps / 学習ステップ数") parser.add_argument( "--max_train_epochs", type=int, default=None, help="training epochs (overrides max_train_steps) / 学習エポック数（max_train_stepsを上書きします）", ) parser.add_argument( "--max_data_loader_n_workers", type=int, default=8, help="max num workers for DataLoader (lower is less main RAM usage, faster epoch start and slower data loading) / DataLoaderの最大プロセス数（小さい値ではメインメモリの使用量が減りエポック間の待ち時間が減りますが、データ読み込みは遅くなります）", ) parser.add_argument( "--persistent_data_loader_workers", action="store_true", help="persistent DataLoader workers (useful for reduce time gap between epoch, but may use more memory) / DataLoader のワーカーを持続させる (エポック間の時間差を少なくするのに有効だが、より多くのメモリを消費する可能性がある)", ) parser.add_argument("--seed", type=int, default=None, help="random seed for training / 学習時の乱数のseed") parser.add_argument( "--gradient_checkpointing", action="store_true", help="enable gradient checkpointing / gradient checkpointingを有効にする" ) parser.add_argument( "--gradient_accumulation_steps", type=int, default=1, help="Number of updates steps to accumulate before performing a backward/update pass / 学習時に逆伝播をする前に勾配を合計するステップ数", ) parser.add_argument( "--mixed_precision", type=str, default="no", choices=["no", "fp16", "bf16"], help="use mixed precision / 混合精度を使う場合、その精度", ) parser.add_argument( "--full_fp16", action="store_true", help="fp16 training including gradients, some models are not supported / 勾配も含めてfp16で学習する、一部のモデルではサポートされていません", ) parser.add_argument( "--full_bf16", action="store_true", help="bf16 training including gradients, some models are not supported / 勾配も含めてbf16で学習する、一部のモデルではサポートされていません", ) # TODO move to SDXL training, because it is not supported by SD1/2 parser.add_argument( "--fp8_base", action="store_true", help="use fp8 for base model, some models are not supported / base modelにfp8を使う、一部のモデルではサポートされていません", ) parser.add_argument( "--ddp_timeout", type=int, default=None, help="DDP timeout (min, None for default of accelerate) / DDPのタイムアウト（分、Noneでaccelerateのデフォルト）", ) parser.add_argument( "--ddp_gradient_as_bucket_view", action="store_true", help="enable gradient_as_bucket_view for DDP / DDPでgradient_as_bucket_viewを有効にする", ) parser.add_argument( "--ddp_static_graph", action="store_true", help="enable static_graph for DDP / DDPでstatic_graphを有効にする", ) parser.add_argument( "--clip_skip", type=int, default=None, help="use output of nth layer from back of text encoder (n>=1) / text encoderの後ろからn番目の層の出力を用いる（nは1以上）", ) parser.add_argument( "--logging_dir", type=str, default=None, help="enable logging and output TensorBoard log to this directory / ログ出力を有効にしてこのディレクトリにTensorBoard用のログを出力する", ) parser.add_argument( "--log_with", type=str, default=None, choices=["tensorboard", "wandb", "all"], help="what logging tool(s) to use (if 'all', TensorBoard and WandB are both used) / ログ出力に使用するツール (allを指定するとTensorBoardとWandBの両方が使用される)", ) parser.add_argument( "--log_prefix", type=str, default=None, help="add prefix for each log directory / ログディレクトリ名の先頭に追加する文字列" ) parser.add_argument( "--log_tracker_name", type=str, default=None, help="name of tracker to use for logging, default is script-specific default name / ログ出力に使用するtrackerの名前、省略時はスクリプトごとのデフォルト名", ) parser.add_argument( "--wandb_run_name", type=str, default=None, help="The name of the specific wandb session / wandb ログに表示される特定の実行の名前", ) parser.add_argument( "--log_tracker_config", type=str, default=None, help="path to tracker config file to use for logging / ログ出力に使用するtrackerの設定ファイルのパス", ) parser.add_argument( "--wandb_api_key", type=str, default=None, help="specify WandB API key to log in before starting training (optional). / WandB APIキーを指定して学習開始前にログインする（オプション）", ) parser.add_argument("--log_config", action="store_true", help="log training configuration / 学習設定をログに出力する") parser.add_argument( "--noise_offset", type=float, default=None, help="enable noise offset with this value (if enabled, around 0.1 is recommended) / Noise offsetを有効にしてこの値を設定する（有効にする場合は0.1程度を推奨）", ) parser.add_argument( "--noise_offset_random_strength", action="store_true", help="use random strength between 0~noise_offset for noise offset. / noise offsetにおいて、0からnoise_offsetの間でランダムな強度を使用します。", ) parser.add_argument( "--multires_noise_iterations", type=int, default=None, help="enable multires noise with this number of iterations (if enabled, around 6-10 is recommended) / Multires noiseを有効にしてこのイテレーション数を設定する（有効にする場合は6-10程度を推奨）", ) parser.add_argument( "--ip_noise_gamma", type=float, default=None, help="enable input perturbation noise. used for regularization. recommended value: around 0.1 (from arxiv.org/abs/2301.11706) " + "/ input perturbation noiseを有効にする。正則化に使用される。推奨値: 0.1程度 (arxiv.org/abs/2301.11706 より)", ) parser.add_argument( "--ip_noise_gamma_random_strength", action="store_true", help="Use random strength between 0~ip_noise_gamma for input perturbation noise." + "/ input perturbation noiseにおいて、0からip_noise_gammaの間でランダムな強度を使用します。", ) # parser.add_argument( # "--perlin_noise", # type=int, # default=None, # help="enable perlin noise and set the octaves / perlin noiseを有効にしてoctavesをこの値に設定する", # ) parser.add_argument( "--multires_noise_discount", type=float, default=0.3, help="set discount value for multires noise (has no effect without --multires_noise_iterations) / Multires noiseのdiscount値を設定する（--multires_noise_iterations指定時のみ有効）", ) parser.add_argument( "--adaptive_noise_scale", type=float, default=None, help="add `latent mean absolute value * this value` to noise_offset (disabled if None, default) / latentの平均値の絶対値 * この値をnoise_offsetに加算する（Noneの場合は無効、デフォルト）", ) parser.add_argument( "--zero_terminal_snr", action="store_true", help="fix noise scheduler betas to enforce zero terminal SNR / noise schedulerのbetasを修正して、zero terminal SNRを強制する", ) parser.add_argument( "--min_timestep", type=int, default=None, help="set minimum time step for U-Net training (0~999, default is 0) / U-Net学習時のtime stepの最小値を設定する（0~999で指定、省略時はデフォルト値(0)） ", ) parser.add_argument( "--max_timestep", type=int, default=None, help="set maximum time step for U-Net training (1~1000, default is 1000) / U-Net学習時のtime stepの最大値を設定する（1~1000で指定、省略時はデフォルト値(1000)）", ) parser.add_argument( "--loss_type", type=str, default="l2", choices=["l1", "l2", "huber", "smooth_l1"], help="The type of loss function to use (L1, L2, Huber, or smooth L1), default is L2 / 使用する損失関数の種類（L1、L2、Huber、またはsmooth L1）、デフォルトはL2", ) parser.add_argument( "--huber_schedule", type=str, default="snr", choices=["constant", "exponential", "snr"], help="The scheduling method for Huber loss (constant, exponential, or SNR-based). Only used when loss_type is 'huber' or 'smooth_l1'. default is snr" + " / Huber損失のスケジューリング方法（constant、exponential、またはSNRベース）。loss_typeが'huber'または'smooth_l1'の場合に有効、デフォルトは snr", ) parser.add_argument( "--huber_c", type=float, default=0.1, help="The Huber loss decay parameter. Only used if one of the huber loss modes (huber or smooth l1) is selected with loss_type. default is 0.1" " / Huber損失の減衰パラメータ。loss_typeがhuberまたはsmooth l1の場合に有効。デフォルトは0.1", ) parser.add_argument( "--huber_scale", type=float, default=1.0, help="The Huber loss scale parameter. Only used if one of the huber loss modes (huber or smooth l1) is selected with loss_type. default is 1.0" " / Huber損失のスケールパラメータ。loss_typeがhuberまたはsmooth l1の場合に有効。デフォルトは1.0", ) parser.add_argument( "--lowram", action="store_true", help="enable low RAM optimization. e.g. load models to VRAM instead of RAM (for machines which have bigger VRAM than RAM such as Colab and Kaggle) / メインメモリが少ない環境向け最適化を有効にする。たとえばVRAMにモデルを読み込む等（ColabやKaggleなどRAMに比べてVRAMが多い環境向け）", ) parser.add_argument( "--highvram", action="store_true", help="disable low VRAM optimization. e.g. do not clear CUDA cache after each latent caching (for machines which have bigger VRAM) " + "/ VRAMが少ない環境向け最適化を無効にする。たとえば各latentのキャッシュ後のCUDAキャッシュクリアを行わない等（VRAMが多い環境向け）", ) parser.add_argument( "--sample_every_n_steps", type=int, default=None, help="generate sample images every N steps / 学習中のモデルで指定ステップごとにサンプル出力する", ) parser.add_argument( "--sample_at_first", action="store_true", help="generate sample images before training / 学習前にサンプル出力する" ) parser.add_argument( "--sample_every_n_epochs", type=int, default=None, help="generate sample images every N epochs (overwrites n_steps) / 学習中のモデルで指定エポックごとにサンプル出力する（ステップ数指定を上書きします）", ) parser.add_argument( "--sample_prompts", type=str, default=None, help="file for prompts to generate sample images / 学習中モデルのサンプル出力用プロンプトのファイル", ) parser.add_argument( "--sample_sampler", type=str, default="ddim", choices=[ "ddim", "pndm", "lms", "euler", "euler_a", "heun", "dpm_2", "dpm_2_a", "dpmsolver", "dpmsolver++", "dpmsingle", "k_lms", "k_euler", "k_euler_a", "k_dpm_2", "k_dpm_2_a", ], help=f"sampler (scheduler) type for sample images / サンプル出力時のサンプラー（スケジューラ）の種類", ) parser.add_argument( "--config_file", type=str, default=None, help="using .toml instead of args to pass hyperparameter / ハイパーパラメータを引数ではなく.tomlファイルで渡す", ) parser.add_argument( "--output_config", action="store_true", help="output command line args to given .toml file / 引数を.tomlファイルに出力する" ) if support_dreambooth: # DreamBooth training parser.add_argument( "--prior_loss_weight", type=float, default=1.0, help="loss weight for regularization images / 正則化画像のlossの重み" ) def add_masked_loss_arguments(parser: argparse.ArgumentParser): parser.add_argument( "--conditioning_data_dir", type=str, default=None, help="conditioning data directory / 条件付けデータのディレクトリ", ) parser.add_argument( "--masked_loss", action="store_true", help="apply mask for calculating loss. conditioning_data_dir is required for dataset. / 損失計算時にマスクを適用する。datasetにはconditioning_data_dirが必要", ) def add_dit_training_arguments(parser: argparse.ArgumentParser): # Text encoder related arguments parser.add_argument( "--cache_text_encoder_outputs", action="store_true", help="cache text encoder outputs / text encoderの出力をキャッシュする" ) parser.add_argument( "--cache_text_encoder_outputs_to_disk", action="store_true", help="cache text encoder outputs to disk / text encoderの出力をディスクにキャッシュする", ) parser.add_argument( "--text_encoder_batch_size", type=int, default=None, help="text encoder batch size (default: None, use dataset's batch size)" + " / text encoderのバッチサイズ（デフォルト: None, データセットのバッチサイズを使用）", ) # Model loading optimization parser.add_argument( "--disable_mmap_load_safetensors", action="store_true", help="disable mmap load for safetensors. Speed up model loading in WSL environment / safetensorsのmmapロードを無効にする。WSL環境等でモデル読み込みを高速化できる", ) # Training arguments. partial copy from Diffusers parser.add_argument( "--weighting_scheme", type=str, default="uniform", choices=["sigma_sqrt", "logit_normal", "mode", "cosmap", "none", "uniform"], help="weighting scheme for timestep distribution. Default is uniform, uniform and none are the same behavior" " / タイムステップ分布の重み付けスキーム、デフォルトはuniform、uniform と none は同じ挙動", ) parser.add_argument( "--logit_mean", type=float, default=0.0, help="mean to use when using the `'logit_normal'` weighting scheme / `'logit_normal'`重み付けスキームを使用する場合の平均", ) parser.add_argument( "--logit_std", type=float, default=1.0, help="std to use when using the `'logit_normal'` weighting scheme / `'logit_normal'`重み付けスキームを使用する場合のstd", ) parser.add_argument( "--mode_scale", type=float, default=1.29, help="Scale of mode weighting scheme. Only effective when using the `'mode'` as the `weighting_scheme` / モード重み付けスキームのスケール", ) # offloading parser.add_argument( "--blocks_to_swap", type=int, default=None, help="[EXPERIMENTAL] " "Sets the number of blocks to swap during the forward and backward passes." "Increasing this number lowers the overall VRAM used during training at the expense of training speed (s/it)." " / 順伝播および逆伝播中にスワップするブロックの数を設定します。" "この数を増やすと、トレーニング中のVRAM使用量が減りますが、トレーニング速度（s/it）も低下します。", ) def get_sanitized_config_or_none(args: argparse.Namespace): # if `--log_config` is enabled, return args for logging. if not, return None. # when `--log_config is enabled, filter out sensitive values from args # if wandb is not enabled, the log is not exposed to the public, but it is fine to filter out sensitive values to be safe if not args.log_config: return None sensitive_args = ["wandb_api_key", "huggingface_token"] sensitive_path_args = [ "pretrained_model_name_or_path", "vae", "tokenizer_cache_dir", "train_data_dir", "conditioning_data_dir", "reg_data_dir", "output_dir", "logging_dir", ] filtered_args = {} for k, v in vars(args).items(): # filter out sensitive values and convert to string if necessary if k not in sensitive_args + sensitive_path_args: # Accelerate values need to have type `bool`,`str`, `float`, `int`, or `None`. if v is None or isinstance(v, bool) or isinstance(v, str) or isinstance(v, float) or isinstance(v, int): filtered_args[k] = v # accelerate does not support lists elif isinstance(v, list): filtered_args[k] = f"{v}" # accelerate does not support objects elif isinstance(v, object): filtered_args[k] = f"{v}" return filtered_args # verify command line args for training def verify_command_line_training_args(args: argparse.Namespace): # if wandb is enabled, the command line is exposed to the public # check whether sensitive options are included in the command line arguments # if so, warn or inform the user to move them to the configuration file # wandbが有効な場合、コマンドラインが公開される # 学習用のコマンドライン引数に敏感なオプションが含まれているかどうかを確認し、 # 含まれている場合は設定ファイルに移動するようにユーザーに警告または通知する wandb_enabled = args.log_with is not None and args.log_with != "tensorboard" # "all" or "wandb" if not wandb_enabled: return sensitive_args = ["wandb_api_key", "huggingface_token"] sensitive_path_args = [ "pretrained_model_name_or_path", "vae", "tokenizer_cache_dir", "train_data_dir", "conditioning_data_dir", "reg_data_dir", "output_dir", "logging_dir", ] for arg in sensitive_args: if getattr(args, arg, None) is not None: logger.warning( f"wandb is enabled, but option `{arg}` is included in the command line. Because the command line is exposed to the public, it is recommended to move it to the `.toml` file." + f" / wandbが有効で、かつオプション `{arg}` がコマンドラインに含まれています。コマンドラインは公開されるため、`.toml`ファイルに移動することをお勧めします。" ) # if path is absolute, it may include sensitive information for arg in sensitive_path_args: if getattr(args, arg, None) is not None and os.path.isabs(getattr(args, arg)): logger.info( f"wandb is enabled, but option `{arg}` is included in the command line and it is an absolute path. Because the command line is exposed to the public, it is recommended to move it to the `.toml` file or use relative path." + f" / wandbが有効で、かつオプション `{arg}` がコマンドラインに含まれており、絶対パスです。コマンドラインは公開されるため、`.toml`ファイルに移動するか、相対パスを使用することをお勧めします。" ) if getattr(args, "config_file", None) is not None: logger.info( f"wandb is enabled, but option `config_file` is included in the command line. Because the command line is exposed to the public, please be careful about the information included in the path." + f" / wandbが有効で、かつオプション `config_file` がコマンドラインに含まれています。コマンドラインは公開されるため、パスに含まれる情報にご注意ください。" ) # other sensitive options if args.huggingface_repo_id is not None and args.huggingface_repo_visibility != "public": logger.info( f"wandb is enabled, but option huggingface_repo_id is included in the command line and huggingface_repo_visibility is not 'public'. Because the command line is exposed to the public, it is recommended to move it to the `.toml` file." + f" / wandbが有効で、かつオプション huggingface_repo_id がコマンドラインに含まれており、huggingface_repo_visibility が 'public' ではありません。コマンドラインは公開されるため、`.toml`ファイルに移動することをお勧めします。" ) def enable_high_vram(args: argparse.Namespace): if args.highvram: logger.info("highvram is enabled / highvramが有効です") global HIGH_VRAM HIGH_VRAM = True def verify_training_args(args: argparse.Namespace): r""" Verify training arguments. Also reflect highvram option to global variable 学習用引数を検証する。あわせて highvram オプションの指定をグローバル変数に反映する """ enable_high_vram(args) if args.v2 and args.clip_skip is not None: logger.warning("v2 with clip_skip will be unexpected / v2でclip_skipを使用することは想定されていません") if args.cache_latents_to_disk and not args.cache_latents: args.cache_latents = True logger.warning( "cache_latents_to_disk is enabled, so cache_latents is also enabled / cache_latents_to_diskが有効なため、cache_latentsを有効にします" ) # noise_offset, perlin_noise, multires_noise_iterations cannot be enabled at the same time # # Listを使って数えてもいいけど並べてしまえ # if args.noise_offset is not None and args.multires_noise_iterations is not None: # raise ValueError( # "noise_offset and multires_noise_iterations cannot be enabled at the same time / noise_offsetとmultires_noise_iterationsを同時に有効にできません" # ) # if args.noise_offset is not None and args.perlin_noise is not None: # raise ValueError("noise_offset and perlin_noise cannot be enabled at the same time / noise_offsetとperlin_noiseは同時に有効にできません") # if args.perlin_noise is not None and args.multires_noise_iterations is not None: # raise ValueError( # "perlin_noise and multires_noise_iterations cannot be enabled at the same time / perlin_noiseとmultires_noise_iterationsを同時に有効にできません" # ) if args.adaptive_noise_scale is not None and args.noise_offset is None: raise ValueError("adaptive_noise_scale requires noise_offset / adaptive_noise_scaleを使用するにはnoise_offsetが必要です") if args.scale_v_pred_loss_like_noise_pred and not args.v_parameterization: raise ValueError( "scale_v_pred_loss_like_noise_pred can be enabled only with v_parameterization / scale_v_pred_loss_like_noise_predはv_parameterizationが有効なときのみ有効にできます" ) if args.v_pred_like_loss and args.v_parameterization: raise ValueError( "v_pred_like_loss cannot be enabled with v_parameterization / v_pred_like_lossはv_parameterizationが有効なときには有効にできません" ) if args.zero_terminal_snr and not args.v_parameterization: logger.warning( f"zero_terminal_snr is enabled, but v_parameterization is not enabled. training will be unexpected" + " / zero_terminal_snrが有効ですが、v_parameterizationが有効ではありません。学習結果は想定外になる可能性があります" ) if args.sample_every_n_epochs is not None and args.sample_every_n_epochs <= 0: logger.warning( "sample_every_n_epochs is less than or equal to 0, so it will be disabled / sample_every_n_epochsに0以下の値が指定されたため無効になります" ) args.sample_every_n_epochs = None if args.sample_every_n_steps is not None and args.sample_every_n_steps <= 0: logger.warning( "sample_every_n_steps is less than or equal to 0, so it will be disabled / sample_every_n_stepsに0以下の値が指定されたため無効になります" ) args.sample_every_n_steps = None def add_dataset_arguments( parser: argparse.ArgumentParser, support_dreambooth: bool, support_caption: bool, support_caption_dropout: bool ): # dataset common parser.add_argument( "--train_data_dir", type=str, default=None, help="directory for train images / 学習画像データのディレクトリ" ) parser.add_argument( "--cache_info", action="store_true", help="cache meta information (caption and image size) for faster dataset loading. only available for DreamBooth" + " / メタ情報（キャプションとサイズ）をキャッシュしてデータセット読み込みを高速化する。DreamBooth方式のみ有効", ) parser.add_argument( "--shuffle_caption", action="store_true", help="shuffle separated caption / 区切られたcaptionの各要素をshuffleする" ) parser.add_argument("--caption_separator", type=str, default=",", help="separator for caption / captionの区切り文字") parser.add_argument( "--caption_extension", type=str, default=".caption", help="extension of caption files / 読み込むcaptionファイルの拡張子" ) parser.add_argument( "--caption_extention", type=str, default=None, help="extension of caption files (backward compatibility) / 読み込むcaptionファイルの拡張子（スペルミスを残してあります）", ) parser.add_argument( "--keep_tokens", type=int, default=0, help="keep heading N tokens when shuffling caption tokens (token means comma separated strings) / captionのシャッフル時に、先頭からこの個数のトークンをシャッフルしないで残す（トークンはカンマ区切りの各部分を意味する）", ) parser.add_argument( "--keep_tokens_separator", type=str, default="", help="A custom separator to divide the caption into fixed and flexible parts. Tokens before this separator will not be shuffled. If not specified, '--keep_tokens' will be used to determine the fixed number of tokens." + " / captionを固定部分と可変部分に分けるためのカスタム区切り文字。この区切り文字より前のトークンはシャッフルされない。指定しない場合、'--keep_tokens'が固定部分のトークン数として使用される。", ) parser.add_argument( "--secondary_separator", type=str, default=None, help="a secondary separator for caption. This separator is replaced to caption_separator after dropping/shuffling caption" + " / captionのセカンダリ区切り文字。この区切り文字はcaptionのドロップやシャッフル後にcaption_separatorに置き換えられる", ) parser.add_argument( "--enable_wildcard", action="store_true", help="enable wildcard for caption (e.g. '{image|picture|rendition}') / captionのワイルドカードを有効にする（例：'{image|picture|rendition}'）", ) parser.add_argument( "--caption_prefix", type=str, default=None, help="prefix for caption text / captionのテキストの先頭に付ける文字列", ) parser.add_argument( "--caption_suffix", type=str, default=None, help="suffix for caption text / captionのテキストの末尾に付ける文字列", ) parser.add_argument( "--color_aug", action="store_true", help="enable weak color augmentation / 学習時に色合いのaugmentationを有効にする" ) parser.add_argument( "--flip_aug", action="store_true", help="enable horizontal flip augmentation / 学習時に左右反転のaugmentationを有効にする" ) parser.add_argument( "--face_crop_aug_range", type=str, default=None, help="enable face-centered crop augmentation and its range (e.g. 2.0,4.0) / 学習時に顔を中心とした切り出しaugmentationを有効にするときは倍率を指定する（例：2.0,4.0）", ) parser.add_argument( "--random_crop", action="store_true", help="enable random crop (for style training in face-centered crop augmentation) / ランダムな切り出しを有効にする（顔を中心としたaugmentationを行うときに画風の学習用に指定する）", ) parser.add_argument( "--debug_dataset", action="store_true", help="show images for debugging (do not train) / デバッグ用に学習データを画面表示する（学習は行わない）", ) parser.add_argument( "--resolution", type=str, default=None, help="resolution in training ('size' or 'width,height') / 学習時の画像解像度（'サイズ'指定、または'幅,高さ'指定）", ) parser.add_argument( "--cache_latents", action="store_true", help="cache latents to main memory to reduce VRAM usage (augmentations must be disabled) / VRAM削減のためにlatentをメインメモリにcacheする（augmentationは使用不可） ", ) parser.add_argument( "--vae_batch_size", type=int, default=1, help="batch size for caching latents / latentのcache時のバッチサイズ" ) parser.add_argument( "--cache_latents_to_disk", action="store_true", help="cache latents to disk to reduce VRAM usage (augmentations must be disabled) / VRAM削減のためにlatentをディスクにcacheする（augmentationは使用不可）", ) parser.add_argument( "--skip_cache_check", action="store_true", help="skip the content validation of cache (latent and text encoder output). Cache file existence check is always performed, and cache processing is performed if the file does not exist" " / cacheの内容の検証をスキップする（latentとテキストエンコーダの出力）。キャッシュファイルの存在確認は常に行われ、ファイルがなければキャッシュ処理が行われる", ) parser.add_argument( "--enable_bucket", action="store_true", help="enable buckets for multi aspect ratio training / 複数解像度学習のためのbucketを有効にする", ) parser.add_argument( "--min_bucket_reso", type=int, default=256, help="minimum resolution for buckets, must be divisible by bucket_reso_steps " " / bucketの最小解像度、bucket_reso_stepsで割り切れる必要があります", ) parser.add_argument( "--max_bucket_reso", type=int, default=1024, help="maximum resolution for buckets, must be divisible by bucket_reso_steps " " / bucketの最大解像度、bucket_reso_stepsで割り切れる必要があります", ) parser.add_argument( "--bucket_reso_steps", type=int, default=64, help="steps of resolution for buckets, divisible by 8 is recommended / bucketの解像度の単位、8で割り切れる値を推奨します", ) parser.add_argument( "--bucket_no_upscale", action="store_true", help="make bucket for each image without upscaling / 画像を拡大せずbucketを作成します", ) parser.add_argument( "--resize_interpolation", type=str, default=None, choices=["lanczos", "nearest", "bilinear", "linear", "bicubic", "cubic", "area"], help="Resize interpolation when required. Default: area Options: lanczos, nearest, bilinear, bicubic, area / 必要に応じてサイズ補間を変更します。デフォルト: area オプション: lanczos, nearest, bilinear, bicubic, area", ) parser.add_argument( "--token_warmup_min", type=int, default=1, help="start learning at N tags (token means comma separated strinfloatgs) / タグ数をN個から増やしながら学習する", ) parser.add_argument( "--token_warmup_step", type=float, default=0, help="tag length reaches maximum on N steps (or N*max_train_steps if N<1) / N（N<1ならN*max_train_steps）ステップでタグ長が最大になる。デフォルトは0（最初から最大）", ) parser.add_argument( "--alpha_mask", action="store_true", help="use alpha channel as mask for training / 画像のアルファチャンネルをlossのマスクに使用する", ) parser.add_argument( "--dataset_class", type=str, default=None, help="dataset class for arbitrary dataset (package.module.Class) / 任意のデータセットを用いるときのクラス名 (package.module.Class)", ) if support_caption_dropout: # Textual Inversion はcaptionのdropoutをsupportしない # いわゆるtensorのDropoutと紛らわしいのでprefixにcaptionを付けておく　every_n_epochsは他と平仄を合わせてdefault Noneに parser.add_argument( "--caption_dropout_rate", type=float, default=0.0, help="Rate out dropout caption(0.0~1.0) / captionをdropoutする割合" ) parser.add_argument( "--caption_dropout_every_n_epochs", type=int, default=0, help="Dropout all captions every N epochs / captionを指定エポックごとにdropoutする", ) parser.add_argument( "--caption_tag_dropout_rate", type=float, default=0.0, help="Rate out dropout comma separated tokens(0.0~1.0) / カンマ区切りのタグをdropoutする割合", ) if support_dreambooth: # DreamBooth dataset parser.add_argument( "--reg_data_dir", type=str, default=None, help="directory for regularization images / 正則化画像データのディレクトリ" ) if support_caption: # caption dataset parser.add_argument( "--in_json", type=str, default=None, help="json metadata for dataset / データセットのmetadataのjsonファイル" ) parser.add_argument( "--dataset_repeats", type=int, default=1, help="repeat dataset when training with captions / キャプションでの学習時にデータセットを繰り返す回数", ) def add_sd_saving_arguments(parser: argparse.ArgumentParser): parser.add_argument( "--save_model_as", type=str, default=None, choices=[None, "ckpt", "safetensors", "diffusers", "diffusers_safetensors"], help="format to save the model (default is same to original) / モデル保存時の形式（未指定時は元モデルと同じ）", ) parser.add_argument( "--use_safetensors", action="store_true", help="use safetensors format to save (if save_model_as is not specified) / checkpoint、モデルをsafetensors形式で保存する（save_model_as未指定時）", ) def read_config_from_file(args: argparse.Namespace, parser: argparse.ArgumentParser): if not args.config_file: return args config_path = args.config_file + ".toml" if not args.config_file.endswith(".toml") else args.config_file if args.output_config: # check if config file exists if os.path.exists(config_path): logger.error(f"Config file already exists. Aborting... / 出力先の設定ファイルが既に存在します: {config_path}") exit(1) # convert args to dictionary args_dict = vars(args) # remove unnecessary keys for key in ["config_file", "output_config", "wandb_api_key"]: if key in args_dict: del args_dict[key] # get default args from parser default_args = vars(parser.parse_args([])) # remove default values: cannot use args_dict.items directly because it will be changed during iteration for key, value in list(args_dict.items()): if key in default_args and value == default_args[key]: del args_dict[key] # convert Path to str in dictionary for key, value in args_dict.items(): if isinstance(value, pathlib.Path): args_dict[key] = str(value) # convert to toml and output to file with open(config_path, "w") as f: toml.dump(args_dict, f) logger.info(f"Saved config file / 設定ファイルを保存しました: {config_path}") exit(0) if not os.path.exists(config_path): logger.info(f"{config_path} not found.") exit(1) logger.info(f"Loading settings from {config_path}...") with open(config_path, "r", encoding="utf-8") as f: config_dict = toml.load(f) # combine all sections into one ignore_nesting_dict = {} for section_name, section_dict in config_dict.items(): # if value is not dict, save key and value as is if not isinstance(section_dict, dict): ignore_nesting_dict[section_name] = section_dict continue # if value is dict, save all key and value into one dict for key, value in section_dict.items(): ignore_nesting_dict[key] = value config_args = argparse.Namespace(**ignore_nesting_dict) args = parser.parse_args(namespace=config_args) args.config_file = os.path.splitext(args.config_file)[0] return args # endregion # region utils def resume_from_local_or_hf_if_specified(accelerator, args): if not args.resume: return if not args.resume_from_huggingface: logger.info(f"resume training from local state: {args.resume}") accelerator.load_state(args.resume) return logger.info(f"resume training from huggingface state: {args.resume}") repo_id = args.resume.split("/")[0] + "/" + args.resume.split("/")[1] path_in_repo = "/".join(args.resume.split("/")[2:]) revision = None repo_type = None if ":" in path_in_repo: divided = path_in_repo.split(":") if len(divided) == 2: path_in_repo, revision = divided repo_type = "model" else: path_in_repo, revision, repo_type = divided logger.info(f"Downloading state from huggingface: {repo_id}/{path_in_repo}@{revision}") list_files = huggingface_util.list_dir( repo_id=repo_id, subfolder=path_in_repo, revision=revision, token=args.huggingface_token, repo_type=repo_type, ) async def download(filename) -> str: def task(): return hf_hub_download( repo_id=repo_id, filename=filename, revision=revision, repo_type=repo_type, token=args.huggingface_token, ) return await asyncio.get_event_loop().run_in_executor(None, task) loop = asyncio.get_event_loop() results = loop.run_until_complete(asyncio.gather(*[download(filename=filename.rfilename) for filename in list_files])) if len(results) == 0: raise ValueError( "No files found in the specified repo id/path/revision / 指定されたリポジトリID/パス/リビジョンにファイルが見つかりませんでした" ) dirname = os.path.dirname(results[0]) accelerator.load_state(dirname) def get_optimizer(args, trainable_params) -> tuple[str, str, object]: # "Optimizer to use: AdamW, AdamW8bit, Lion, SGDNesterov, SGDNesterov8bit, PagedAdamW, PagedAdamW8bit, PagedAdamW32bit, Lion8bit, PagedLion8bit, AdEMAMix8bit, PagedAdEMAMix8bit, DAdaptation(DAdaptAdamPreprint), DAdaptAdaGrad, DAdaptAdam, DAdaptAdan, DAdaptAdanIP, DAdaptLion, DAdaptSGD, Adafactor" optimizer_type = args.optimizer_type if args.use_8bit_adam: assert ( not args.use_lion_optimizer ), "both option use_8bit_adam and use_lion_optimizer are specified / use_8bit_adamとuse_lion_optimizerの両方のオプションが指定されています" assert ( optimizer_type is None or optimizer_type == "" ), "both option use_8bit_adam and optimizer_type are specified / use_8bit_adamとoptimizer_typeの両方のオプションが指定されています" optimizer_type = "AdamW8bit" elif args.use_lion_optimizer: assert ( optimizer_type is None or optimizer_type == "" ), "both option use_lion_optimizer and optimizer_type are specified / use_lion_optimizerとoptimizer_typeの両方のオプションが指定されています" optimizer_type = "Lion" if optimizer_type is None or optimizer_type == "": optimizer_type = "AdamW" optimizer_type = optimizer_type.lower() if args.fused_backward_pass: assert ( optimizer_type == "Adafactor".lower() ), "fused_backward_pass currently only works with optimizer_type Adafactor / fused_backward_passは現在optimizer_type Adafactorでのみ機能します" assert ( args.gradient_accumulation_steps == 1 ), "fused_backward_pass does not work with gradient_accumulation_steps > 1 / fused_backward_passはgradient_accumulation_steps>1では機能しません" # 引数を分解する optimizer_kwargs = {} if args.optimizer_args is not None and len(args.optimizer_args) > 0: for arg in args.optimizer_args: key, value = arg.split("=") value = ast.literal_eval(value) # value = value.split(",") # for i in range(len(value)): # if value[i].lower() == "true" or value[i].lower() == "false": # value[i] = value[i].lower() == "true" # else: # value[i] = ast.float(value[i]) # if len(value) == 1: # value = value[0] # else: # value = tuple(value) optimizer_kwargs[key] = value # logger.info(f"optkwargs {optimizer}_{kwargs}") lr = args.learning_rate optimizer = None optimizer_class = None if optimizer_type == "Lion".lower(): try: import lion_pytorch except ImportError: raise ImportError("No lion_pytorch / lion_pytorch がインストールされていないようです") logger.info(f"use Lion optimizer | {optimizer_kwargs}") optimizer_class = lion_pytorch.Lion optimizer = optimizer_class(trainable_params, lr=lr, **optimizer_kwargs) elif optimizer_type.endswith("8bit".lower()): try: import bitsandbytes as bnb except ImportError: raise ImportError("No bitsandbytes / bitsandbytesがインストールされていないようです") if optimizer_type == "AdamW8bit".lower(): logger.info(f"use 8-bit AdamW optimizer | {optimizer_kwargs}") optimizer_class = bnb.optim.AdamW8bit optimizer = optimizer_class(trainable_params, lr=lr, **optimizer_kwargs) elif optimizer_type == "SGDNesterov8bit".lower(): logger.info(f"use 8-bit SGD with Nesterov optimizer | {optimizer_kwargs}") if "momentum" not in optimizer_kwargs: logger.warning( f"8-bit SGD with Nesterov must be with momentum, set momentum to 0.9 / 8-bit SGD with Nesterovはmomentum指定が必須のため0.9に設定します" ) optimizer_kwargs["momentum"] = 0.9 optimizer_class = bnb.optim.SGD8bit optimizer = optimizer_class(trainable_params, lr=lr, nesterov=True, **optimizer_kwargs) elif optimizer_type == "Lion8bit".lower(): logger.info(f"use 8-bit Lion optimizer | {optimizer_kwargs}") try: optimizer_class = bnb.optim.Lion8bit except AttributeError: raise AttributeError( "No Lion8bit. The version of bitsandbytes installed seems to be old. Please install 0.38.0 or later. / Lion8bitが定義されていません。インストールされているbitsandbytesのバージョンが古いようです。0.38.0以上をインストールしてください" ) elif optimizer_type == "PagedAdamW8bit".lower(): logger.info(f"use 8-bit PagedAdamW optimizer | {optimizer_kwargs}") try: optimizer_class = bnb.optim.PagedAdamW8bit except AttributeError: raise AttributeError( "No PagedAdamW8bit. The version of bitsandbytes installed seems to be old. Please install 0.39.0 or later. / PagedAdamW8bitが定義されていません。インストールされているbitsandbytesのバージョンが古いようです。0.39.0以上をインストールしてください" ) elif optimizer_type == "PagedLion8bit".lower(): logger.info(f"use 8-bit Paged Lion optimizer | {optimizer_kwargs}") try: optimizer_class = bnb.optim.PagedLion8bit except AttributeError: raise AttributeError( "No PagedLion8bit. The version of bitsandbytes installed seems to be old. Please install 0.39.0 or later. / PagedLion8bitが定義されていません。インストールされているbitsandbytesのバージョンが古いようです。0.39.0以上をインストールしてください" ) if optimizer_class is not None: optimizer = optimizer_class(trainable_params, lr=lr, **optimizer_kwargs) elif optimizer_type == "PagedAdamW".lower(): logger.info(f"use PagedAdamW optimizer | {optimizer_kwargs}") try: import bitsandbytes as bnb except ImportError: raise ImportError("No bitsandbytes / bitsandbytesがインストールされていないようです") try: optimizer_class = bnb.optim.PagedAdamW except AttributeError: raise AttributeError( "No PagedAdamW. The version of bitsandbytes installed seems to be old. Please install 0.39.0 or later. / PagedAdamWが定義されていません。インストールされているbitsandbytesのバージョンが古いようです。0.39.0以上をインストールしてください" ) optimizer = optimizer_class(trainable_params, lr=lr, **optimizer_kwargs) elif optimizer_type == "PagedAdamW32bit".lower(): logger.info(f"use 32-bit PagedAdamW optimizer | {optimizer_kwargs}") try: import bitsandbytes as bnb except ImportError: raise ImportError("No bitsandbytes / bitsandbytesがインストールされていないようです") try: optimizer_class = bnb.optim.PagedAdamW32bit except AttributeError: raise AttributeError( "No PagedAdamW32bit. The version of bitsandbytes installed seems to be old. Please install 0.39.0 or later. / PagedAdamW32bitが定義されていません。インストールされているbitsandbytesのバージョンが古いようです。0.39.0以上をインストールしてください" ) optimizer = optimizer_class(trainable_params, lr=lr, **optimizer_kwargs) elif optimizer_type == "SGDNesterov".lower(): logger.info(f"use SGD with Nesterov optimizer | {optimizer_kwargs}") if "momentum" not in optimizer_kwargs: logger.info( f"SGD with Nesterov must be with momentum, set momentum to 0.9 / SGD with Nesterovはmomentum指定が必須のため0.9に設定します" ) optimizer_kwargs["momentum"] = 0.9 optimizer_class = torch.optim.SGD optimizer = optimizer_class(trainable_params, lr=lr, nesterov=True, **optimizer_kwargs) elif optimizer_type.startswith("DAdapt".lower()) or optimizer_type == "Prodigy".lower(): # check lr and lr_count, and logger.info warning actual_lr = lr lr_count = 1 if type(trainable_params) == list and type(trainable_params[0]) == dict: lrs = set() actual_lr = trainable_params[0].get("lr", actual_lr) for group in trainable_params: lrs.add(group.get("lr", actual_lr)) lr_count = len(lrs) if actual_lr <= 0.1: logger.warning( f"learning rate is too low. If using D-Adaptation or Prodigy, set learning rate around 1.0 / 学習率が低すぎるようです。D-AdaptationまたはProdigyの使用時は1.0前後の値を指定してください: lr={actual_lr}" ) logger.warning("recommend option: lr=1.0 / 推奨は1.0です") if lr_count > 1: logger.warning( f"when multiple learning rates are specified with dadaptation (e.g. for Text Encoder and U-Net), only the first one will take effect / D-AdaptationまたはProdigyで複数の学習率を指定した場合（Text EncoderとU-Netなど）、最初の学習率のみが有効になります: lr={actual_lr}" ) if optimizer_type.startswith("DAdapt".lower()): # DAdaptation family # check dadaptation is installed try: import dadaptation import dadaptation.experimental as experimental except ImportError: raise ImportError("No dadaptation / dadaptation がインストールされていないようです") # set optimizer if optimizer_type == "DAdaptation".lower() or optimizer_type == "DAdaptAdamPreprint".lower(): optimizer_class = experimental.DAdaptAdamPreprint logger.info(f"use D-Adaptation AdamPreprint optimizer | {optimizer_kwargs}") elif optimizer_type == "DAdaptAdaGrad".lower(): optimizer_class = dadaptation.DAdaptAdaGrad logger.info(f"use D-Adaptation AdaGrad optimizer | {optimizer_kwargs}") elif optimizer_type == "DAdaptAdam".lower(): optimizer_class = dadaptation.DAdaptAdam logger.info(f"use D-Adaptation Adam optimizer | {optimizer_kwargs}") elif optimizer_type == "DAdaptAdan".lower(): optimizer_class = dadaptation.DAdaptAdan logger.info(f"use D-Adaptation Adan optimizer | {optimizer_kwargs}") elif optimizer_type == "DAdaptAdanIP".lower(): optimizer_class = experimental.DAdaptAdanIP logger.info(f"use D-Adaptation AdanIP optimizer | {optimizer_kwargs}") elif optimizer_type == "DAdaptLion".lower(): optimizer_class = dadaptation.DAdaptLion logger.info(f"use D-Adaptation Lion optimizer | {optimizer_kwargs}") elif optimizer_type == "DAdaptSGD".lower(): optimizer_class = dadaptation.DAdaptSGD logger.info(f"use D-Adaptation SGD optimizer | {optimizer_kwargs}") else: raise ValueError(f"Unknown optimizer type: {optimizer_type}") optimizer = optimizer_class(trainable_params, lr=lr, **optimizer_kwargs) else: # Prodigy # check Prodigy is installed try: import prodigyopt except ImportError: raise ImportError("No Prodigy / Prodigy がインストールされていないようです") logger.info(f"use Prodigy optimizer | {optimizer_kwargs}") optimizer_class = prodigyopt.Prodigy optimizer = optimizer_class(trainable_params, lr=lr, **optimizer_kwargs) elif optimizer_type == "Adafactor".lower(): # 引数を確認して適宜補正する if "relative_step" not in optimizer_kwargs: optimizer_kwargs["relative_step"] = True # default if not optimizer_kwargs["relative_step"] and optimizer_kwargs.get("warmup_init", False): logger.info( f"set relative_step to True because warmup_init is True / warmup_initがTrueのためrelative_stepをTrueにします" ) optimizer_kwargs["relative_step"] = True logger.info(f"use Adafactor optimizer | {optimizer_kwargs}") if optimizer_kwargs["relative_step"]: logger.info(f"relative_step is true / relative_stepがtrueです") if lr != 0.0: logger.warning(f"learning rate is used as initial_lr / 指定したlearning rateはinitial_lrとして使用されます") args.learning_rate = None # trainable_paramsがgroupだった時の処理：lrを削除する if type(trainable_params) == list and type(trainable_params[0]) == dict: has_group_lr = False for group in trainable_params: p = group.pop("lr", None) has_group_lr = has_group_lr or (p is not None) if has_group_lr: # 一応argsを無効にしておく TODO 依存関係が逆転してるのであまり望ましくない logger.warning(f"unet_lr and text_encoder_lr are ignored / unet_lrとtext_encoder_lrは無視されます") args.unet_lr = None args.text_encoder_lr = None if args.lr_scheduler != "adafactor": logger.info(f"use adafactor_scheduler / スケジューラにadafactor_schedulerを使用します") args.lr_scheduler = f"adafactor:{lr}" # ちょっと微妙だけど lr = None else: if args.max_grad_norm != 0.0: logger.warning( f"because max_grad_norm is set, clip_grad_norm is enabled. consider set to 0 / max_grad_normが設定されているためclip_grad_normが有効になります。0に設定して無効にしたほうがいいかもしれません" ) if args.lr_scheduler != "constant_with_warmup": logger.warning(f"constant_with_warmup will be good / スケジューラはconstant_with_warmupが良いかもしれません") if optimizer_kwargs.get("clip_threshold", 1.0) != 1.0: logger.warning(f"clip_threshold=1.0 will be good / clip_thresholdは1.0が良いかもしれません") optimizer_class = transformers.optimization.Adafactor optimizer = optimizer_class(trainable_params, lr=lr, **optimizer_kwargs) elif optimizer_type == "AdamW".lower(): logger.info(f"use AdamW optimizer | {optimizer_kwargs}") optimizer_class = torch.optim.AdamW optimizer = optimizer_class(trainable_params, lr=lr, **optimizer_kwargs) elif optimizer_type.endswith("schedulefree".lower()): try: import schedulefree as sf except ImportError: raise ImportError("No schedulefree / schedulefreeがインストールされていないようです") if optimizer_type == "RAdamScheduleFree".lower(): optimizer_class = sf.RAdamScheduleFree logger.info(f"use RAdamScheduleFree optimizer | {optimizer_kwargs}") elif optimizer_type == "AdamWScheduleFree".lower(): optimizer_class = sf.AdamWScheduleFree logger.info(f"use AdamWScheduleFree optimizer | {optimizer_kwargs}") elif optimizer_type == "SGDScheduleFree".lower(): optimizer_class = sf.SGDScheduleFree logger.info(f"use SGDScheduleFree optimizer | {optimizer_kwargs}") else: optimizer_class = None if optimizer_class is not None: optimizer = optimizer_class(trainable_params, lr=lr, **optimizer_kwargs) if optimizer is None: # 任意のoptimizerを使う case_sensitive_optimizer_type = args.optimizer_type # not lower logger.info(f"use {case_sensitive_optimizer_type} | {optimizer_kwargs}") if "." not in case_sensitive_optimizer_type: # from torch.optim optimizer_module = torch.optim else: # from other library values = case_sensitive_optimizer_type.split(".") optimizer_module = importlib.import_module(".".join(values[:-1])) case_sensitive_optimizer_type = values[-1] optimizer_class = getattr(optimizer_module, case_sensitive_optimizer_type) optimizer = optimizer_class(trainable_params, lr=lr, **optimizer_kwargs) """ # wrap any of above optimizer with schedulefree, if optimizer is not schedulefree if args.optimizer_schedulefree_wrapper and not optimizer_type.endswith("schedulefree".lower()): try: import schedulefree as sf except ImportError: raise ImportError("No schedulefree / schedulefreeがインストールされていないようです") schedulefree_wrapper_kwargs = {} if args.schedulefree_wrapper_args is not None and len(args.schedulefree_wrapper_args) > 0: for arg in args.schedulefree_wrapper_args: key, value = arg.split("=") value = ast.literal_eval(value) schedulefree_wrapper_kwargs[key] = value sf_wrapper = sf.ScheduleFreeWrapper(optimizer, **schedulefree_wrapper_kwargs) sf_wrapper.train() # make optimizer as train mode # we need to make optimizer as a subclass of torch.optim.Optimizer, we make another Proxy class over SFWrapper class OptimizerProxy(torch.optim.Optimizer): def __init__(self, sf_wrapper): self._sf_wrapper = sf_wrapper def __getattr__(self, name): return getattr(self._sf_wrapper, name) # override properties @property def state(self): return self._sf_wrapper.state @state.setter def state(self, state): self._sf_wrapper.state = state @property def param_groups(self): return self._sf_wrapper.param_groups @param_groups.setter def param_groups(self, param_groups): self._sf_wrapper.param_groups = param_groups @property def defaults(self): return self._sf_wrapper.defaults @defaults.setter def defaults(self, defaults): self._sf_wrapper.defaults = defaults def add_param_group(self, param_group): self._sf_wrapper.add_param_group(param_group) def load_state_dict(self, state_dict): self._sf_wrapper.load_state_dict(state_dict) def state_dict(self): return self._sf_wrapper.state_dict() def zero_grad(self): self._sf_wrapper.zero_grad() def step(self, closure=None): self._sf_wrapper.step(closure) def train(self): self._sf_wrapper.train() def eval(self): self._sf_wrapper.eval() # isinstance チェックをパスするためのメソッド def __instancecheck__(self, instance): return isinstance(instance, (type(self), Optimizer)) optimizer = OptimizerProxy(sf_wrapper) logger.info(f"wrap optimizer with ScheduleFreeWrapper | {schedulefree_wrapper_kwargs}") """ # for logging optimizer_name = optimizer_class.__module__ + "." + optimizer_class.__name__ optimizer_args = ",".join([f"{k}={v}" for k, v in optimizer_kwargs.items()]) if hasattr(optimizer, "train") and callable(optimizer.train): # make optimizer as train mode before training for schedulefree optimizer. the optimizer will be in eval mode in sampling and saving. optimizer.train() return optimizer_name, optimizer_args, optimizer def get_optimizer_train_eval_fn(optimizer: Optimizer, args: argparse.Namespace) -> Tuple[Callable, Callable]: if not is_schedulefree_optimizer(optimizer, args): # return dummy func return lambda: None, lambda: None # get train and eval functions from optimizer train_fn = optimizer.train eval_fn = optimizer.eval return train_fn, eval_fn def is_schedulefree_optimizer(optimizer: Optimizer, args: argparse.Namespace) -> bool: return args.optimizer_type.lower().endswith("schedulefree".lower()) # or args.optimizer_schedulefree_wrapper def get_dummy_scheduler(optimizer: Optimizer) -> Any: # dummy scheduler for schedulefree optimizer. supports only empty step(), get_last_lr() and optimizers. # this scheduler is used for logging only. # this isn't be wrapped by accelerator because of this class is not a subclass of torch.optim.lr_scheduler._LRScheduler class DummyScheduler: def __init__(self, optimizer: Optimizer): self.optimizer = optimizer def step(self): pass def get_last_lr(self): return [group["lr"] for group in self.optimizer.param_groups] return DummyScheduler(optimizer) # Modified version of get_scheduler() function from diffusers.optimizer.get_scheduler # Add some checking and features to the original function. def get_scheduler_fix(args, optimizer: Optimizer, num_processes: int): """ Unified API to get any scheduler from its name. """ # if schedulefree optimizer, return dummy scheduler if is_schedulefree_optimizer(optimizer, args): return get_dummy_scheduler(optimizer) name = args.lr_scheduler num_training_steps = args.max_train_steps * num_processes # * args.gradient_accumulation_steps num_warmup_steps: Optional[int] = ( int(args.lr_warmup_steps * num_training_steps) if isinstance(args.lr_warmup_steps, float) else args.lr_warmup_steps ) num_decay_steps: Optional[int] = ( int(args.lr_decay_steps * num_training_steps) if isinstance(args.lr_decay_steps, float) else args.lr_decay_steps ) num_stable_steps = num_training_steps - num_warmup_steps - num_decay_steps num_cycles = args.lr_scheduler_num_cycles power = args.lr_scheduler_power timescale = args.lr_scheduler_timescale min_lr_ratio = args.lr_scheduler_min_lr_ratio lr_scheduler_kwargs = {} # get custom lr_scheduler kwargs if args.lr_scheduler_args is not None and len(args.lr_scheduler_args) > 0: for arg in args.lr_scheduler_args: key, value = arg.split("=") value = ast.literal_eval(value) lr_scheduler_kwargs[key] = value def wrap_check_needless_num_warmup_steps(return_vals): if num_warmup_steps is not None and num_warmup_steps != 0: raise ValueError(f"{name} does not require `num_warmup_steps`. Set None or 0.") return return_vals # using any lr_scheduler from other library if args.lr_scheduler_type: lr_scheduler_type = args.lr_scheduler_type logger.info(f"use {lr_scheduler_type} | {lr_scheduler_kwargs} as lr_scheduler") if "." not in lr_scheduler_type: # default to use torch.optim lr_scheduler_module = torch.optim.lr_scheduler else: values = lr_scheduler_type.split(".") lr_scheduler_module = importlib.import_module(".".join(values[:-1])) lr_scheduler_type = values[-1] lr_scheduler_class = getattr(lr_scheduler_module, lr_scheduler_type) lr_scheduler = lr_scheduler_class(optimizer, **lr_scheduler_kwargs) return wrap_check_needless_num_warmup_steps(lr_scheduler) if name.startswith("adafactor"): assert ( type(optimizer) == transformers.optimization.Adafactor ), f"adafactor scheduler must be used with Adafactor optimizer / adafactor schedulerはAdafactorオプティマイザと同時に使ってください" initial_lr = float(name.split(":")[1]) # logger.info(f"adafactor scheduler init lr {initial_lr}") return wrap_check_needless_num_warmup_steps(transformers.optimization.AdafactorSchedule(optimizer, initial_lr)) if name == DiffusersSchedulerType.PIECEWISE_CONSTANT.value: name = DiffusersSchedulerType(name) schedule_func = DIFFUSERS_TYPE_TO_SCHEDULER_FUNCTION[name] return schedule_func(optimizer, **lr_scheduler_kwargs) # step_rules and last_epoch are given as kwargs name = SchedulerType(name) schedule_func = TYPE_TO_SCHEDULER_FUNCTION[name] if name == SchedulerType.CONSTANT: return wrap_check_needless_num_warmup_steps(schedule_func(optimizer, **lr_scheduler_kwargs)) # All other schedulers require `num_warmup_steps` if num_warmup_steps is None: raise ValueError(f"{name} requires `num_warmup_steps`, please provide that argument.") if name == SchedulerType.CONSTANT_WITH_WARMUP: return schedule_func(optimizer, num_warmup_steps=num_warmup_steps, **lr_scheduler_kwargs) if name == SchedulerType.INVERSE_SQRT: return schedule_func(optimizer, num_warmup_steps=num_warmup_steps, timescale=timescale, **lr_scheduler_kwargs) # All other schedulers require `num_training_steps` if num_training_steps is None: raise ValueError(f"{name} requires `num_training_steps`, please provide that argument.") if name == SchedulerType.COSINE_WITH_RESTARTS: return schedule_func( optimizer, num_warmup_steps=num_warmup_steps, num_training_steps=num_training_steps, num_cycles=num_cycles, **lr_scheduler_kwargs, ) if name == SchedulerType.POLYNOMIAL: return schedule_func( optimizer, num_warmup_steps=num_warmup_steps, num_training_steps=num_training_steps, power=power, **lr_scheduler_kwargs ) if name == SchedulerType.COSINE_WITH_MIN_LR: return schedule_func( optimizer, num_warmup_steps=num_warmup_steps, num_training_steps=num_training_steps, num_cycles=num_cycles / 2, min_lr_rate=min_lr_ratio, **lr_scheduler_kwargs, ) # these schedulers do not require `num_decay_steps` if name == SchedulerType.LINEAR or name == SchedulerType.COSINE: return schedule_func( optimizer, num_warmup_steps=num_warmup_steps, num_training_steps=num_training_steps, **lr_scheduler_kwargs, ) # All other schedulers require `num_decay_steps` if num_decay_steps is None: raise ValueError(f"{name} requires `num_decay_steps`, please provide that argument.") if name == SchedulerType.WARMUP_STABLE_DECAY: return schedule_func( optimizer, num_warmup_steps=num_warmup_steps, num_stable_steps=num_stable_steps, num_decay_steps=num_decay_steps, num_cycles=num_cycles / 2, min_lr_ratio=min_lr_ratio if min_lr_ratio is not None else 0.0, **lr_scheduler_kwargs, ) return schedule_func( optimizer, num_warmup_steps=num_warmup_steps, num_training_steps=num_training_steps, num_decay_steps=num_decay_steps, **lr_scheduler_kwargs, ) def prepare_dataset_args(args: argparse.Namespace, support_metadata: bool): # backward compatibility if args.caption_extention is not None: args.caption_extension = args.caption_extention args.caption_extention = None # assert args.resolution is not None, f"resolution is required / resolution（解像度）を指定してください" if args.resolution is not None: args.resolution = tuple([int(r) for r in args.resolution.split(",")]) if len(args.resolution) == 1: args.resolution = (args.resolution[0], args.resolution[0]) assert ( len(args.resolution) == 2 ), f"resolution must be 'size' or 'width,height' / resolution（解像度）は'サイズ'または'幅','高さ'で指定してください: {args.resolution}" if args.face_crop_aug_range is not None: args.face_crop_aug_range = tuple([float(r) for r in args.face_crop_aug_range.split(",")]) assert ( len(args.face_crop_aug_range) == 2 and args.face_crop_aug_range[0] <= args.face_crop_aug_range[1] ), f"face_crop_aug_range must be two floats / face_crop_aug_rangeは'下限,上限'で指定してください: {args.face_crop_aug_range}" else: args.face_crop_aug_range = None if support_metadata: if args.in_json is not None and (args.color_aug or args.random_crop): logger.warning( f"latents in npz is ignored when color_aug or random_crop is True / color_augまたはrandom_cropを有効にした場合、npzファイルのlatentsは無視されます" ) def prepare_accelerator(args: argparse.Namespace): """ this function also prepares deepspeed plugin """ if args.logging_dir is None: logging_dir = None else: log_prefix = "" if args.log_prefix is None else args.log_prefix logging_dir = args.logging_dir + "/" + log_prefix + time.strftime("%Y%m%d%H%M%S", time.localtime()) if args.log_with is None: if logging_dir is not None: log_with = "tensorboard" else: log_with = None else: log_with = args.log_with if log_with in ["tensorboard", "all"]: if logging_dir is None: raise ValueError( "logging_dir is required when log_with is tensorboard / Tensorboardを使う場合、logging_dirを指定してください" ) if log_with in ["wandb", "all"]: try: import wandb except ImportError: raise ImportError("No wandb / wandb がインストールされていないようです") if logging_dir is not None: os.makedirs(logging_dir, exist_ok=True) os.environ["WANDB_DIR"] = logging_dir if args.wandb_api_key is not None: wandb.login(key=args.wandb_api_key) # torch.compile のオプション。 NO の場合は torch.compile は使わない dynamo_backend = "NO" if args.torch_compile: dynamo_backend = args.dynamo_backend kwargs_handlers = [ ( InitProcessGroupKwargs( backend="gloo" if os.name == "nt" or not torch.cuda.is_available() else "nccl", init_method=( "env://?use_libuv=False" if os.name == "nt" and Version(torch.__version__) >= Version("2.4.0") else None ), timeout=datetime.timedelta(minutes=args.ddp_timeout) if args.ddp_timeout else None, ) if torch.cuda.device_count() > 1 else None ), ( DistributedDataParallelKwargs( gradient_as_bucket_view=args.ddp_gradient_as_bucket_view, static_graph=args.ddp_static_graph ) if args.ddp_gradient_as_bucket_view or args.ddp_static_graph else None ), ] kwargs_handlers = [i for i in kwargs_handlers if i is not None] deepspeed_plugin = deepspeed_utils.prepare_deepspeed_plugin(args) accelerator = Accelerator( gradient_accumulation_steps=args.gradient_accumulation_steps, mixed_precision=args.mixed_precision, log_with=log_with, project_dir=logging_dir, kwargs_handlers=kwargs_handlers, dynamo_backend=dynamo_backend, deepspeed_plugin=deepspeed_plugin, ) print("accelerator device:", accelerator.device) return accelerator def prepare_dtype(args: argparse.Namespace): weight_dtype = torch.float32 if args.mixed_precision == "fp16": weight_dtype = torch.float16 elif args.mixed_precision == "bf16": weight_dtype = torch.bfloat16 save_dtype = None if args.save_precision == "fp16": save_dtype = torch.float16 elif args.save_precision == "bf16": save_dtype = torch.bfloat16 elif args.save_precision == "float": save_dtype = torch.float32 return weight_dtype, save_dtype def _load_target_model(args: argparse.Namespace, weight_dtype, device="cpu", unet_use_linear_projection_in_v2=False): name_or_path = args.pretrained_model_name_or_path name_or_path = os.path.realpath(name_or_path) if os.path.islink(name_or_path) else name_or_path load_stable_diffusion_format = os.path.isfile(name_or_path) # determine SD or Diffusers if load_stable_diffusion_format: logger.info(f"load StableDiffusion checkpoint: {name_or_path}") text_encoder, vae, unet = model_util.load_models_from_stable_diffusion_checkpoint( args.v2, name_or_path, device, unet_use_linear_projection_in_v2=unet_use_linear_projection_in_v2 ) else: # Diffusers model is loaded to CPU logger.info(f"load Diffusers pretrained models: {name_or_path}") try: pipe = StableDiffusionPipeline.from_pretrained(name_or_path, tokenizer=None, safety_checker=None) except EnvironmentError as ex: logger.error( f"model is not found as a file or in Hugging Face, perhaps file name is wrong? / 指定したモデル名のファイル、またはHugging Faceのモデルが見つかりません。ファイル名が誤っているかもしれません: {name_or_path}" ) raise ex text_encoder = pipe.text_encoder vae = pipe.vae unet = pipe.unet del pipe # Diffusers U-Net to original U-Net # TODO *.ckpt/*.safetensorsのv2と同じ形式にここで変換すると良さそう # logger.info(f"unet config: {unet.config}") original_unet = UNet2DConditionModel( unet.config.sample_size, unet.config.attention_head_dim, unet.config.cross_attention_dim, unet.config.use_linear_projection, unet.config.upcast_attention, ) original_unet.load_state_dict(unet.state_dict()) unet = original_unet logger.info("U-Net converted to original U-Net") # VAEを読み込む if args.vae is not None: vae = model_util.load_vae(args.vae, weight_dtype) logger.info("additional VAE loaded") return text_encoder, vae, unet, load_stable_diffusion_format def load_target_model(args, weight_dtype, accelerator, unet_use_linear_projection_in_v2=False): for pi in range(accelerator.state.num_processes): if pi == accelerator.state.local_process_index: logger.info(f"loading model for process {accelerator.state.local_process_index}/{accelerator.state.num_processes}") text_encoder, vae, unet, load_stable_diffusion_format = _load_target_model( args, weight_dtype, accelerator.device if args.lowram else "cpu", unet_use_linear_projection_in_v2=unet_use_linear_projection_in_v2, ) # work on low-ram device if args.lowram: text_encoder.to(accelerator.device) unet.to(accelerator.device) vae.to(accelerator.device) clean_memory_on_device(accelerator.device) accelerator.wait_for_everyone() return text_encoder, vae, unet, load_stable_diffusion_format def patch_accelerator_for_fp16_training(accelerator): from accelerate import DistributedType if accelerator.distributed_type == DistributedType.DEEPSPEED: return org_unscale_grads = accelerator.scaler._unscale_grads_ def _unscale_grads_replacer(optimizer, inv_scale, found_inf, allow_fp16): return org_unscale_grads(optimizer, inv_scale, found_inf, True) accelerator.scaler._unscale_grads_ = _unscale_grads_replacer def get_hidden_states(args: argparse.Namespace, input_ids, tokenizer, text_encoder, weight_dtype=None): # with no_token_padding, the length is not max length, return result immediately if input_ids.size()[-1] != tokenizer.model_max_length: return text_encoder(input_ids)[0] # input_ids: b,n,77 b_size = input_ids.size()[0] input_ids = input_ids.reshape((-1, tokenizer.model_max_length)) # batch_size*3, 77 if args.clip_skip is None: encoder_hidden_states = text_encoder(input_ids)[0] else: enc_out = text_encoder(input_ids, output_hidden_states=True, return_dict=True) encoder_hidden_states = enc_out["hidden_states"][-args.clip_skip] encoder_hidden_states = text_encoder.text_model.final_layer_norm(encoder_hidden_states) # bs*3, 77, 768 or 1024 encoder_hidden_states = encoder_hidden_states.reshape((b_size, -1, encoder_hidden_states.shape[-1])) if args.max_token_length is not None: if args.v2: # v2: ... ... の三連を ... ... へ戻す　正直この実装でいいのかわからん states_list = [encoder_hidden_states[:, 0].unsqueeze(1)] # for i in range(1, args.max_token_length, tokenizer.model_max_length): chunk = encoder_hidden_states[:, i : i + tokenizer.model_max_length - 2] # の後から 最後の前まで if i > 0: for j in range(len(chunk)): if input_ids[j, 1] == tokenizer.eos_token: # 空、つまり ...のパターン chunk[j, 0] = chunk[j, 1] # 次の の値をコピーする states_list.append(chunk) # の後から の前まで states_list.append(encoder_hidden_states[:, -1].unsqueeze(1)) # か のどちらか encoder_hidden_states = torch.cat(states_list, dim=1) else: # v1: ... の三連を ... へ戻す states_list = [encoder_hidden_states[:, 0].unsqueeze(1)] # for i in range(1, args.max_token_length, tokenizer.model_max_length): states_list.append( encoder_hidden_states[:, i : i + tokenizer.model_max_length - 2] ) # の後から の前まで states_list.append(encoder_hidden_states[:, -1].unsqueeze(1)) # encoder_hidden_states = torch.cat(states_list, dim=1) if weight_dtype is not None: # this is required for additional network training encoder_hidden_states = encoder_hidden_states.to(weight_dtype) return encoder_hidden_states def pool_workaround( text_encoder: CLIPTextModelWithProjection, last_hidden_state: torch.Tensor, input_ids: torch.Tensor, eos_token_id: int ): r""" workaround for CLIP's pooling bug: it returns the hidden states for the max token id as the pooled output instead of the hidden states for the EOS token If we use Textual Inversion, we need to use the hidden states for the EOS token as the pooled output Original code from CLIP's pooling function: \# text_embeds.shape = [batch_size, sequence_length, transformer.width] \# take features from the eot embedding (eot_token is the highest number in each sequence) \# casting to torch.int for onnx compatibility: argmax doesn't support int64 inputs with opset 14 pooled_output = last_hidden_state[ torch.arange(last_hidden_state.shape[0], device=last_hidden_state.device), input_ids.to(dtype=torch.int, device=last_hidden_state.device).argmax(dim=-1), ] """ # input_ids: b*n,77 # find index for EOS token # Following code is not working if one of the input_ids has multiple EOS tokens (very odd case) # eos_token_index = torch.where(input_ids == eos_token_id)[1] # eos_token_index = eos_token_index.to(device=last_hidden_state.device) # Create a mask where the EOS tokens are eos_token_mask = (input_ids == eos_token_id).int() # Use argmax to find the last index of the EOS token for each element in the batch eos_token_index = torch.argmax(eos_token_mask, dim=1) # this will be 0 if there is no EOS token, it's fine eos_token_index = eos_token_index.to(device=last_hidden_state.device) # get hidden states for EOS token pooled_output = last_hidden_state[torch.arange(last_hidden_state.shape[0], device=last_hidden_state.device), eos_token_index] # apply projection: projection may be of different dtype than last_hidden_state pooled_output = text_encoder.text_projection(pooled_output.to(text_encoder.text_projection.weight.dtype)) pooled_output = pooled_output.to(last_hidden_state.dtype) return pooled_output def get_hidden_states_sdxl( max_token_length: int, input_ids1: torch.Tensor, input_ids2: torch.Tensor, tokenizer1: CLIPTokenizer, tokenizer2: CLIPTokenizer, text_encoder1: CLIPTextModel, text_encoder2: CLIPTextModelWithProjection, weight_dtype: Optional[str] = None, accelerator: Optional[Accelerator] = None, ): # input_ids: b,n,77 -> b*n, 77 b_size = input_ids1.size()[0] input_ids1 = input_ids1.reshape((-1, tokenizer1.model_max_length)) # batch_size*n, 77 input_ids2 = input_ids2.reshape((-1, tokenizer2.model_max_length)) # batch_size*n, 77 # text_encoder1 enc_out = text_encoder1(input_ids1, output_hidden_states=True, return_dict=True) hidden_states1 = enc_out["hidden_states"][11] # text_encoder2 enc_out = text_encoder2(input_ids2, output_hidden_states=True, return_dict=True) hidden_states2 = enc_out["hidden_states"][-2] # penuultimate layer # pool2 = enc_out["text_embeds"] unwrapped_text_encoder2 = text_encoder2 if accelerator is None else accelerator.unwrap_model(text_encoder2) pool2 = pool_workaround(unwrapped_text_encoder2, enc_out["last_hidden_state"], input_ids2, tokenizer2.eos_token_id) # b*n, 77, 768 or 1280 -> b, n*77, 768 or 1280 n_size = 1 if max_token_length is None else max_token_length // 75 hidden_states1 = hidden_states1.reshape((b_size, -1, hidden_states1.shape[-1])) hidden_states2 = hidden_states2.reshape((b_size, -1, hidden_states2.shape[-1])) if max_token_length is not None: # bs*3, 77, 768 or 1024 # encoder1: ... の三連を ... へ戻す states_list = [hidden_states1[:, 0].unsqueeze(1)] # for i in range(1, max_token_length, tokenizer1.model_max_length): states_list.append(hidden_states1[:, i : i + tokenizer1.model_max_length - 2]) # の後から の前まで states_list.append(hidden_states1[:, -1].unsqueeze(1)) # hidden_states1 = torch.cat(states_list, dim=1) # v2: ... ... の三連を ... ... へ戻す　正直この実装でいいのかわからん states_list = [hidden_states2[:, 0].unsqueeze(1)] # for i in range(1, max_token_length, tokenizer2.model_max_length): chunk = hidden_states2[:, i : i + tokenizer2.model_max_length - 2] # の後から 最後の前まで # this causes an error: # RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation # if i > 1: # for j in range(len(chunk)): # batch_size # if input_ids2[n_index + j * n_size, 1] == tokenizer2.eos_token_id: # 空、つまり ...のパターン # chunk[j, 0] = chunk[j, 1] # 次の の値をコピーする states_list.append(chunk) # の後から の前まで states_list.append(hidden_states2[:, -1].unsqueeze(1)) # か のどちらか hidden_states2 = torch.cat(states_list, dim=1) # pool はnの最初のものを使う pool2 = pool2[::n_size] if weight_dtype is not None: # this is required for additional network training hidden_states1 = hidden_states1.to(weight_dtype) hidden_states2 = hidden_states2.to(weight_dtype) return hidden_states1, hidden_states2, pool2 def default_if_none(value, default): return default if value is None else value def get_epoch_ckpt_name(args: argparse.Namespace, ext: str, epoch_no: int): model_name = default_if_none(args.output_name, DEFAULT_EPOCH_NAME) return EPOCH_FILE_NAME.format(model_name, epoch_no) + ext def get_step_ckpt_name(args: argparse.Namespace, ext: str, step_no: int): model_name = default_if_none(args.output_name, DEFAULT_STEP_NAME) return STEP_FILE_NAME.format(model_name, step_no) + ext def get_last_ckpt_name(args: argparse.Namespace, ext: str): model_name = default_if_none(args.output_name, DEFAULT_LAST_OUTPUT_NAME) return model_name + ext def get_remove_epoch_no(args: argparse.Namespace, epoch_no: int): if args.save_last_n_epochs is None: return None remove_epoch_no = epoch_no - args.save_every_n_epochs * args.save_last_n_epochs if remove_epoch_no < 0: return None return remove_epoch_no def get_remove_step_no(args: argparse.Namespace, step_no: int): if args.save_last_n_steps is None: return None # last_n_steps前のstep_noから、save_every_n_stepsの倍数のstep_noを計算して削除する # save_every_n_steps=10, save_last_n_steps=30の場合、50step目には30step分残し、10step目を削除する remove_step_no = step_no - args.save_last_n_steps - 1 remove_step_no = remove_step_no - (remove_step_no % args.save_every_n_steps) if remove_step_no < 0: return None return remove_step_no # epochとstepの保存、メタデータにepoch/stepが含まれ引数が同じになるため、統合している # on_epoch_end: Trueならepoch終了時、Falseならstep経過時 def save_sd_model_on_epoch_end_or_stepwise( args: argparse.Namespace, on_epoch_end: bool, accelerator, src_path: str, save_stable_diffusion_format: bool, use_safetensors: bool, save_dtype: torch.dtype, epoch: int, num_train_epochs: int, global_step: int, text_encoder, unet, vae, ): def sd_saver(ckpt_file, epoch_no, global_step): sai_metadata = get_sai_model_spec(None, args, False, False, False, is_stable_diffusion_ckpt=True) model_util.save_stable_diffusion_checkpoint( args.v2, ckpt_file, text_encoder, unet, src_path, epoch_no, global_step, sai_metadata, save_dtype, vae ) def diffusers_saver(out_dir): model_util.save_diffusers_checkpoint( args.v2, out_dir, text_encoder, unet, src_path, vae=vae, use_safetensors=use_safetensors ) save_sd_model_on_epoch_end_or_stepwise_common( args, on_epoch_end, accelerator, save_stable_diffusion_format, use_safetensors, epoch, num_train_epochs, global_step, sd_saver, diffusers_saver, ) def save_sd_model_on_epoch_end_or_stepwise_common( args: argparse.Namespace, on_epoch_end: bool, accelerator, save_stable_diffusion_format: bool, use_safetensors: bool, epoch: int, num_train_epochs: int, global_step: int, sd_saver, diffusers_saver, ): if on_epoch_end: epoch_no = epoch + 1 saving = epoch_no % args.save_every_n_epochs == 0 and epoch_no < num_train_epochs if not saving: return model_name = default_if_none(args.output_name, DEFAULT_EPOCH_NAME) remove_no = get_remove_epoch_no(args, epoch_no) else: # 保存するか否かは呼び出し側で判断済み model_name = default_if_none(args.output_name, DEFAULT_STEP_NAME) epoch_no = epoch # 例: 最初のepochの途中で保存したら0になる、SDモデルに保存される remove_no = get_remove_step_no(args, global_step) os.makedirs(args.output_dir, exist_ok=True) if save_stable_diffusion_format: ext = ".safetensors" if use_safetensors else ".ckpt" if on_epoch_end: ckpt_name = get_epoch_ckpt_name(args, ext, epoch_no) else: ckpt_name = get_step_ckpt_name(args, ext, global_step) ckpt_file = os.path.join(args.output_dir, ckpt_name) logger.info("") logger.info(f"saving checkpoint: {ckpt_file}") sd_saver(ckpt_file, epoch_no, global_step) if args.huggingface_repo_id is not None: huggingface_util.upload(args, ckpt_file, "/" + ckpt_name) # remove older checkpoints if remove_no is not None: if on_epoch_end: remove_ckpt_name = get_epoch_ckpt_name(args, ext, remove_no) else: remove_ckpt_name = get_step_ckpt_name(args, ext, remove_no) remove_ckpt_file = os.path.join(args.output_dir, remove_ckpt_name) if os.path.exists(remove_ckpt_file): logger.info(f"removing old checkpoint: {remove_ckpt_file}") os.remove(remove_ckpt_file) else: if on_epoch_end: out_dir = os.path.join(args.output_dir, EPOCH_DIFFUSERS_DIR_NAME.format(model_name, epoch_no)) else: out_dir = os.path.join(args.output_dir, STEP_DIFFUSERS_DIR_NAME.format(model_name, global_step)) logger.info("") logger.info(f"saving model: {out_dir}") diffusers_saver(out_dir) if args.huggingface_repo_id is not None: huggingface_util.upload(args, out_dir, "/" + model_name) # remove older checkpoints if remove_no is not None: if on_epoch_end: remove_out_dir = os.path.join(args.output_dir, EPOCH_DIFFUSERS_DIR_NAME.format(model_name, remove_no)) else: remove_out_dir = os.path.join(args.output_dir, STEP_DIFFUSERS_DIR_NAME.format(model_name, remove_no)) if os.path.exists(remove_out_dir): logger.info(f"removing old model: {remove_out_dir}") shutil.rmtree(remove_out_dir) if args.save_state: if on_epoch_end: save_and_remove_state_on_epoch_end(args, accelerator, epoch_no) else: save_and_remove_state_stepwise(args, accelerator, global_step) def save_and_remove_state_on_epoch_end(args: argparse.Namespace, accelerator, epoch_no): model_name = default_if_none(args.output_name, DEFAULT_EPOCH_NAME) logger.info("") logger.info(f"saving state at epoch {epoch_no}") os.makedirs(args.output_dir, exist_ok=True) state_dir = os.path.join(args.output_dir, EPOCH_STATE_NAME.format(model_name, epoch_no)) accelerator.save_state(state_dir) if args.save_state_to_huggingface: logger.info("uploading state to huggingface.") huggingface_util.upload(args, state_dir, "/" + EPOCH_STATE_NAME.format(model_name, epoch_no)) last_n_epochs = args.save_last_n_epochs_state if args.save_last_n_epochs_state else args.save_last_n_epochs if last_n_epochs is not None: remove_epoch_no = epoch_no - args.save_every_n_epochs * last_n_epochs state_dir_old = os.path.join(args.output_dir, EPOCH_STATE_NAME.format(model_name, remove_epoch_no)) if os.path.exists(state_dir_old): logger.info(f"removing old state: {state_dir_old}") shutil.rmtree(state_dir_old) def save_and_remove_state_stepwise(args: argparse.Namespace, accelerator, step_no): model_name = default_if_none(args.output_name, DEFAULT_STEP_NAME) logger.info("") logger.info(f"saving state at step {step_no}") os.makedirs(args.output_dir, exist_ok=True) state_dir = os.path.join(args.output_dir, STEP_STATE_NAME.format(model_name, step_no)) accelerator.save_state(state_dir) if args.save_state_to_huggingface: logger.info("uploading state to huggingface.") huggingface_util.upload(args, state_dir, "/" + STEP_STATE_NAME.format(model_name, step_no)) last_n_steps = args.save_last_n_steps_state if args.save_last_n_steps_state else args.save_last_n_steps if last_n_steps is not None: # last_n_steps前のstep_noから、save_every_n_stepsの倍数のstep_noを計算して削除する remove_step_no = step_no - last_n_steps - 1 remove_step_no = remove_step_no - (remove_step_no % args.save_every_n_steps) if remove_step_no > 0: state_dir_old = os.path.join(args.output_dir, STEP_STATE_NAME.format(model_name, remove_step_no)) if os.path.exists(state_dir_old): logger.info(f"removing old state: {state_dir_old}") shutil.rmtree(state_dir_old) def save_state_on_train_end(args: argparse.Namespace, accelerator): model_name = default_if_none(args.output_name, DEFAULT_LAST_OUTPUT_NAME) logger.info("") logger.info("saving last state.") os.makedirs(args.output_dir, exist_ok=True) state_dir = os.path.join(args.output_dir, LAST_STATE_NAME.format(model_name)) accelerator.save_state(state_dir) if args.save_state_to_huggingface: logger.info("uploading last state to huggingface.") huggingface_util.upload(args, state_dir, "/" + LAST_STATE_NAME.format(model_name)) def save_sd_model_on_train_end( args: argparse.Namespace, src_path: str, save_stable_diffusion_format: bool, use_safetensors: bool, save_dtype: torch.dtype, epoch: int, global_step: int, text_encoder, unet, vae, ): def sd_saver(ckpt_file, epoch_no, global_step): sai_metadata = get_sai_model_spec(None, args, False, False, False, is_stable_diffusion_ckpt=True) model_util.save_stable_diffusion_checkpoint( args.v2, ckpt_file, text_encoder, unet, src_path, epoch_no, global_step, sai_metadata, save_dtype, vae ) def diffusers_saver(out_dir): model_util.save_diffusers_checkpoint( args.v2, out_dir, text_encoder, unet, src_path, vae=vae, use_safetensors=use_safetensors ) save_sd_model_on_train_end_common( args, save_stable_diffusion_format, use_safetensors, epoch, global_step, sd_saver, diffusers_saver ) def save_sd_model_on_train_end_common( args: argparse.Namespace, save_stable_diffusion_format: bool, use_safetensors: bool, epoch: int, global_step: int, sd_saver, diffusers_saver, ): model_name = default_if_none(args.output_name, DEFAULT_LAST_OUTPUT_NAME) if save_stable_diffusion_format: os.makedirs(args.output_dir, exist_ok=True) ckpt_name = model_name + (".safetensors" if use_safetensors else ".ckpt") ckpt_file = os.path.join(args.output_dir, ckpt_name) logger.info(f"save trained model as StableDiffusion checkpoint to {ckpt_file}") sd_saver(ckpt_file, epoch, global_step) if args.huggingface_repo_id is not None: huggingface_util.upload(args, ckpt_file, "/" + ckpt_name, force_sync_upload=True) else: out_dir = os.path.join(args.output_dir, model_name) os.makedirs(out_dir, exist_ok=True) logger.info(f"save trained model as Diffusers to {out_dir}") diffusers_saver(out_dir) if args.huggingface_repo_id is not None: huggingface_util.upload(args, out_dir, "/" + model_name, force_sync_upload=True) def get_timesteps(min_timestep: int, max_timestep: int, b_size: int, device: torch.device) -> torch.Tensor: if min_timestep < max_timestep: timesteps = torch.randint(min_timestep, max_timestep, (b_size,), device="cpu") else: timesteps = torch.full((b_size,), max_timestep, device="cpu") timesteps = timesteps.long().to(device) return timesteps def get_noise_noisy_latents_and_timesteps( args, noise_scheduler, latents: torch.FloatTensor ) -> Tuple[torch.FloatTensor, torch.FloatTensor, torch.IntTensor]: # Sample noise that we'll add to the latents noise = torch.randn_like(latents, device=latents.device) if args.noise_offset: if args.noise_offset_random_strength: noise_offset = torch.rand(1, device=latents.device) * args.noise_offset else: noise_offset = args.noise_offset noise = custom_train_functions.apply_noise_offset(latents, noise, noise_offset, args.adaptive_noise_scale) if args.multires_noise_iterations: noise = custom_train_functions.pyramid_noise_like( noise, latents.device, args.multires_noise_iterations, args.multires_noise_discount ) # Sample a random timestep for each image b_size = latents.shape[0] min_timestep = 0 if args.min_timestep is None else args.min_timestep max_timestep = noise_scheduler.config.num_train_timesteps if args.max_timestep is None else args.max_timestep timesteps = get_timesteps(min_timestep, max_timestep, b_size, latents.device) # Add noise to the latents according to the noise magnitude at each timestep # (this is the forward diffusion process) if args.ip_noise_gamma: if args.ip_noise_gamma_random_strength: strength = torch.rand(1, device=latents.device) * args.ip_noise_gamma else: strength = args.ip_noise_gamma noisy_latents = noise_scheduler.add_noise(latents, noise + strength * torch.randn_like(latents), timesteps) else: noisy_latents = noise_scheduler.add_noise(latents, noise, timesteps) # This moves the alphas_cumprod back to the CPU after it is moved in noise_scheduler.add_noise noise_scheduler.alphas_cumprod = noise_scheduler.alphas_cumprod.cpu() return noise, noisy_latents, timesteps def get_huber_threshold_if_needed(args, timesteps: torch.Tensor, noise_scheduler) -> Optional[torch.Tensor]: if not (args.loss_type == "huber" or args.loss_type == "smooth_l1"): return None b_size = timesteps.shape[0] if args.huber_schedule == "exponential": alpha = -math.log(args.huber_c) / noise_scheduler.config.num_train_timesteps result = torch.exp(-alpha * timesteps) * args.huber_scale elif args.huber_schedule == "snr": if not hasattr(noise_scheduler, "alphas_cumprod"): raise NotImplementedError("Huber schedule 'snr' is not supported with the current model.") alphas_cumprod = torch.index_select(noise_scheduler.alphas_cumprod, 0, timesteps.cpu()) sigmas = ((1.0 - alphas_cumprod) / alphas_cumprod) ** 0.5 result = (1 - args.huber_c) / (1 + sigmas) ** 2 + args.huber_c result = result.to(timesteps.device) elif args.huber_schedule == "constant": result = torch.full((b_size,), args.huber_c * args.huber_scale, device=timesteps.device) else: raise NotImplementedError(f"Unknown Huber loss schedule {args.huber_schedule}!") return result def conditional_loss( model_pred: torch.Tensor, target: torch.Tensor, loss_type: str, reduction: str, huber_c: Optional[torch.Tensor] = None ): """ NOTE: if you're using the scheduled version, huber_c has to depend on the timesteps already """ if loss_type == "l2": loss = torch.nn.functional.mse_loss(model_pred, target, reduction=reduction) elif loss_type == "l1": loss = torch.nn.functional.l1_loss(model_pred, target, reduction=reduction) elif loss_type == "huber": if huber_c is None: raise NotImplementedError("huber_c not implemented correctly") # Reshape huber_c to broadcast with model_pred (supports 4D and 5D tensors) huber_c = huber_c.view(-1, *([1] * (model_pred.ndim - 1))) loss = 2 * huber_c * (torch.sqrt((model_pred - target) ** 2 + huber_c**2) - huber_c) if reduction == "mean": loss = torch.mean(loss) elif reduction == "sum": loss = torch.sum(loss) elif loss_type == "smooth_l1": if huber_c is None: raise NotImplementedError("huber_c not implemented correctly") # Reshape huber_c to broadcast with model_pred (supports 4D and 5D tensors) huber_c = huber_c.view(-1, *([1] * (model_pred.ndim - 1))) loss = 2 * (torch.sqrt((model_pred - target) ** 2 + huber_c**2) - huber_c) if reduction == "mean": loss = torch.mean(loss) elif reduction == "sum": loss = torch.sum(loss) else: raise NotImplementedError(f"Unsupported Loss Type: {loss_type}") return loss def append_lr_to_logs(logs, lr_scheduler, optimizer_type, including_unet=True): names = [] if including_unet: names.append("unet") names.append("text_encoder1") names.append("text_encoder2") names.append("text_encoder3") # SD3 append_lr_to_logs_with_names(logs, lr_scheduler, optimizer_type, names) def append_lr_to_logs_with_names(logs, lr_scheduler, optimizer_type, names): lrs = lr_scheduler.get_last_lr() for lr_index in range(len(lrs)): name = names[lr_index] logs["lr/" + name] = float(lrs[lr_index]) if optimizer_type.lower().startswith("DAdapt".lower()) or optimizer_type.lower() == "Prodigy".lower(): logs["lr/d*lr/" + name] = ( lr_scheduler.optimizers[-1].param_groups[lr_index]["d"] * lr_scheduler.optimizers[-1].param_groups[lr_index]["lr"] ) # scheduler: SCHEDULER_LINEAR_START = 0.00085 SCHEDULER_LINEAR_END = 0.0120 SCHEDULER_TIMESTEPS = 1000 SCHEDLER_SCHEDULE = "scaled_linear" def get_my_scheduler( *, sample_sampler: str, v_parameterization: bool, ): sched_init_args = {} if sample_sampler == "ddim": scheduler_cls = DDIMScheduler elif sample_sampler == "ddpm": # ddpmはおかしくなるのでoptionから外してある scheduler_cls = DDPMScheduler elif sample_sampler == "pndm": scheduler_cls = PNDMScheduler elif sample_sampler == "lms" or sample_sampler == "k_lms": scheduler_cls = LMSDiscreteScheduler elif sample_sampler == "euler" or sample_sampler == "k_euler": scheduler_cls = EulerDiscreteScheduler elif sample_sampler == "euler_a" or sample_sampler == "k_euler_a": scheduler_cls = EulerAncestralDiscreteScheduler elif sample_sampler == "dpmsolver" or sample_sampler == "dpmsolver++": scheduler_cls = DPMSolverMultistepScheduler sched_init_args["algorithm_type"] = sample_sampler elif sample_sampler == "dpmsingle": scheduler_cls = DPMSolverSinglestepScheduler elif sample_sampler == "heun": scheduler_cls = HeunDiscreteScheduler elif sample_sampler == "dpm_2" or sample_sampler == "k_dpm_2": scheduler_cls = KDPM2DiscreteScheduler elif sample_sampler == "dpm_2_a" or sample_sampler == "k_dpm_2_a": scheduler_cls = KDPM2AncestralDiscreteScheduler else: scheduler_cls = DDIMScheduler if v_parameterization: sched_init_args["prediction_type"] = "v_prediction" scheduler = scheduler_cls( num_train_timesteps=SCHEDULER_TIMESTEPS, beta_start=SCHEDULER_LINEAR_START, beta_end=SCHEDULER_LINEAR_END, beta_schedule=SCHEDLER_SCHEDULE, **sched_init_args, ) # clip_sample=Trueにする if hasattr(scheduler.config, "clip_sample") and scheduler.config.clip_sample is False: # logger.info("set clip_sample to True") scheduler.config.clip_sample = True return scheduler def sample_images(*args, **kwargs): return sample_images_common(StableDiffusionLongPromptWeightingPipeline, *args, **kwargs) def line_to_prompt_dict(line: str) -> dict: # subset of gen_img_diffusers prompt_args = line.split(" --") prompt_dict = {} prompt_dict["prompt"] = prompt_args[0] for parg in prompt_args: try: m = re.match(r"w (\d+)", parg, re.IGNORECASE) if m: prompt_dict["width"] = int(m.group(1)) continue m = re.match(r"h (\d+)", parg, re.IGNORECASE) if m: prompt_dict["height"] = int(m.group(1)) continue m = re.match(r"d (\d+)", parg, re.IGNORECASE) if m: prompt_dict["seed"] = int(m.group(1)) continue m = re.match(r"s (\d+)", parg, re.IGNORECASE) if m: # steps prompt_dict["sample_steps"] = max(1, min(1000, int(m.group(1)))) continue m = re.match(r"l ([\d\.]+)", parg, re.IGNORECASE) if m: # scale prompt_dict["scale"] = float(m.group(1)) continue m = re.match(r"g ([\d\.]+)", parg, re.IGNORECASE) if m: # guidance scale prompt_dict["guidance_scale"] = float(m.group(1)) continue m = re.match(r"n (.+)", parg, re.IGNORECASE) if m: # negative prompt prompt_dict["negative_prompt"] = m.group(1) continue m = re.match(r"ss (.+)", parg, re.IGNORECASE) if m: prompt_dict["sample_sampler"] = m.group(1) continue m = re.match(r"cn (.+)", parg, re.IGNORECASE) if m: prompt_dict["controlnet_image"] = m.group(1) continue m = re.match(r"ctr (.+)", parg, re.IGNORECASE) if m: prompt_dict["cfg_trunc_ratio"] = float(m.group(1)) continue m = re.match(r"rcfg (.+)", parg, re.IGNORECASE) if m: prompt_dict["renorm_cfg"] = float(m.group(1)) continue m = re.match(r"fs (.+)", parg, re.IGNORECASE) if m: prompt_dict["flow_shift"] = m.group(1) continue except ValueError as ex: logger.error(f"Exception in parsing / 解析エラー: {parg}") logger.error(ex) return prompt_dict def load_prompts(prompt_file: str) -> List[Dict]: # read prompts if prompt_file.endswith(".txt"): with open(prompt_file, "r", encoding="utf-8") as f: lines = f.readlines() prompts = [line.strip() for line in lines if len(line.strip()) > 0 and line[0] != "#"] elif prompt_file.endswith(".toml"): with open(prompt_file, "r", encoding="utf-8") as f: data = toml.load(f) prompts = [dict(**data["prompt"], **subset) for subset in data["prompt"]["subset"]] elif prompt_file.endswith(".json"): with open(prompt_file, "r", encoding="utf-8") as f: prompts = json.load(f) # preprocess prompts for i in range(len(prompts)): prompt_dict = prompts[i] if isinstance(prompt_dict, str): from library.train_util import line_to_prompt_dict prompt_dict = line_to_prompt_dict(prompt_dict) prompts[i] = prompt_dict assert isinstance(prompt_dict, dict) # Adds an enumerator to the dict based on prompt position. Used later to name image files. Also cleanup of extra data in original prompt dict. prompt_dict["enum"] = i prompt_dict.pop("subset", None) return prompts def sample_images_common( pipe_class, accelerator: Accelerator, args: argparse.Namespace, epoch: int, steps: int, device, vae, tokenizer, text_encoder, unet_wrapped, prompt_replacement=None, controlnet=None, ): """ StableDiffusionLongPromptWeightingPipelineの改造版を使うようにしたので、clip skipおよびプロンプトの重みづけに対応した TODO Use strategies here """ if steps == 0: if not args.sample_at_first: return else: if args.sample_every_n_steps is None and args.sample_every_n_epochs is None: return if args.sample_every_n_epochs is not None: # sample_every_n_steps は無視する if epoch is None or epoch % args.sample_every_n_epochs != 0: return else: if steps % args.sample_every_n_steps != 0 or epoch is not None: # steps is not divisible or end of epoch return logger.info("") logger.info(f"generating sample images at step / サンプル画像生成 ステップ: {steps}") if not os.path.isfile(args.sample_prompts): logger.error(f"No prompt file / プロンプトファイルがありません: {args.sample_prompts}") return distributed_state = PartialState() # for multi gpu distributed inference. this is a singleton, so it's safe to use it here org_vae_device = vae.device # CPUにいるはず vae.to(distributed_state.device) # distributed_state.device is same as accelerator.device # unwrap unet and text_encoder(s) unet = accelerator.unwrap_model(unet_wrapped) if isinstance(text_encoder, (list, tuple)): text_encoder = [accelerator.unwrap_model(te) for te in text_encoder] else: text_encoder = accelerator.unwrap_model(text_encoder) # read prompts if args.sample_prompts.endswith(".txt"): with open(args.sample_prompts, "r", encoding="utf-8") as f: lines = f.readlines() prompts = [line.strip() for line in lines if len(line.strip()) > 0 and line[0] != "#"] elif args.sample_prompts.endswith(".toml"): with open(args.sample_prompts, "r", encoding="utf-8") as f: data = toml.load(f) prompts = [dict(**data["prompt"], **subset) for subset in data["prompt"]["subset"]] elif args.sample_prompts.endswith(".json"): with open(args.sample_prompts, "r", encoding="utf-8") as f: prompts = json.load(f) default_scheduler = get_my_scheduler(sample_sampler=args.sample_sampler, v_parameterization=args.v_parameterization) pipeline = pipe_class( text_encoder=text_encoder, vae=vae, unet=unet, tokenizer=tokenizer, scheduler=default_scheduler, safety_checker=None, feature_extractor=None, requires_safety_checker=False, clip_skip=args.clip_skip, ) pipeline.to(distributed_state.device) save_dir = args.output_dir + "/sample" os.makedirs(save_dir, exist_ok=True) # preprocess prompts for i in range(len(prompts)): prompt_dict = prompts[i] if isinstance(prompt_dict, str): prompt_dict = line_to_prompt_dict(prompt_dict) prompts[i] = prompt_dict assert isinstance(prompt_dict, dict) # Adds an enumerator to the dict based on prompt position. Used later to name image files. Also cleanup of extra data in original prompt dict. prompt_dict["enum"] = i prompt_dict.pop("subset", None) # save random state to restore later rng_state = torch.get_rng_state() cuda_rng_state = None try: cuda_rng_state = torch.cuda.get_rng_state() if torch.cuda.is_available() else None except Exception: pass if distributed_state.num_processes <= 1: # If only one device is available, just use the original prompt list. We don't need to care about the distribution of prompts. with torch.no_grad(): for prompt_dict in prompts: sample_image_inference( accelerator, args, pipeline, save_dir, prompt_dict, epoch, steps, prompt_replacement, controlnet=controlnet ) else: # Creating list with N elements, where each element is a list of prompt_dicts, and N is the number of processes available (number of devices available) # prompt_dicts are assigned to lists based on order of processes, to attempt to time the image creation time to match enum order. Probably only works when steps and sampler are identical. per_process_prompts = [] # list of lists for i in range(distributed_state.num_processes): per_process_prompts.append(prompts[i :: distributed_state.num_processes]) with torch.no_grad(): with distributed_state.split_between_processes(per_process_prompts) as prompt_dict_lists: for prompt_dict in prompt_dict_lists[0]: sample_image_inference( accelerator, args, pipeline, save_dir, prompt_dict, epoch, steps, prompt_replacement, controlnet=controlnet ) # clear pipeline and cache to reduce vram usage del pipeline torch.set_rng_state(rng_state) if torch.cuda.is_available() and cuda_rng_state is not None: torch.cuda.set_rng_state(cuda_rng_state) vae.to(org_vae_device) clean_memory_on_device(accelerator.device) def sample_image_inference( accelerator: Accelerator, args: argparse.Namespace, pipeline: Union[StableDiffusionLongPromptWeightingPipeline, SdxlStableDiffusionLongPromptWeightingPipeline], save_dir, prompt_dict, epoch, steps, prompt_replacement, controlnet=None, ): assert isinstance(prompt_dict, dict) negative_prompt = prompt_dict.get("negative_prompt") sample_steps = prompt_dict.get("sample_steps", 30) width = prompt_dict.get("width", 512) height = prompt_dict.get("height", 512) scale = prompt_dict.get("scale", 7.5) seed = prompt_dict.get("seed") controlnet_image = prompt_dict.get("controlnet_image") prompt: str = prompt_dict.get("prompt", "") sampler_name: str = prompt_dict.get("sample_sampler", args.sample_sampler) if prompt_replacement is not None: prompt = prompt.replace(prompt_replacement[0], prompt_replacement[1]) if negative_prompt is not None: negative_prompt = negative_prompt.replace(prompt_replacement[0], prompt_replacement[1]) if seed is not None: torch.manual_seed(seed) if torch.cuda.is_available(): torch.cuda.manual_seed(seed) else: # True random sample image generation torch.seed() if torch.cuda.is_available(): torch.cuda.seed() scheduler = get_my_scheduler( sample_sampler=sampler_name, v_parameterization=args.v_parameterization, ) pipeline.scheduler = scheduler if controlnet_image is not None: controlnet_image = Image.open(controlnet_image).convert("RGB") controlnet_image = controlnet_image.resize((width, height), Image.LANCZOS) height = max(64, height - height % 8) # round to divisible by 8 width = max(64, width - width % 8) # round to divisible by 8 logger.info(f"prompt: {prompt}") logger.info(f"negative_prompt: {negative_prompt}") logger.info(f"height: {height}") logger.info(f"width: {width}") logger.info(f"sample_steps: {sample_steps}") logger.info(f"scale: {scale}") logger.info(f"sample_sampler: {sampler_name}") if seed is not None: logger.info(f"seed: {seed}") with accelerator.autocast(), torch.no_grad(): latents = pipeline( prompt=prompt, height=height, width=width, num_inference_steps=sample_steps, guidance_scale=scale, negative_prompt=negative_prompt, controlnet=controlnet, controlnet_image=controlnet_image, ) if torch.cuda.is_available(): with torch.cuda.device(torch.cuda.current_device()): torch.cuda.empty_cache() image = pipeline.latents_to_image(latents)[0] # adding accelerator.wait_for_everyone() here should sync up and ensure that sample images are saved in the same order as the original prompt list # but adding 'enum' to the filename should be enough ts_str = time.strftime("%Y%m%d%H%M%S", time.localtime()) num_suffix = f"e{epoch:06d}" if epoch is not None else f"{steps:06d}" seed_suffix = "" if seed is None else f"_{seed}" i: int = prompt_dict["enum"] img_filename = f"{'' if args.output_name is None else args.output_name + '_'}{num_suffix}_{i:02d}_{ts_str}{seed_suffix}.png" image.save(os.path.join(save_dir, img_filename)) # send images to wandb if enabled if "wandb" in [tracker.name for tracker in accelerator.trackers]: wandb_tracker = accelerator.get_tracker("wandb") import wandb # not to commit images to avoid inconsistency between training and logging steps wandb_tracker.log({f"sample_{i}": wandb.Image(image, caption=prompt)}, commit=False) # positive prompt as a caption def init_trackers(accelerator: Accelerator, args: argparse.Namespace, default_tracker_name: str): """ Initialize experiment trackers with tracker specific behaviors """ if accelerator.is_main_process: init_kwargs = {} if args.wandb_run_name: init_kwargs["wandb"] = {"name": args.wandb_run_name} if args.log_tracker_config is not None: init_kwargs = toml.load(args.log_tracker_config) accelerator.init_trackers( default_tracker_name if args.log_tracker_name is None else args.log_tracker_name, config=get_sanitized_config_or_none(args), init_kwargs=init_kwargs, ) if "wandb" in [tracker.name for tracker in accelerator.trackers]: import wandb wandb_tracker = accelerator.get_tracker("wandb", unwrap=True) # Define specific metrics to handle validation and epochs "steps" wandb_tracker.define_metric("epoch", hidden=True) wandb_tracker.define_metric("val_step", hidden=True) wandb_tracker.define_metric("global_step", hidden=True) # endregion # region 前処理用 class ImageLoadingDataset(torch.utils.data.Dataset): def __init__(self, image_paths): self.images = image_paths def __len__(self): return len(self.images) def __getitem__(self, idx): img_path = self.images[idx] try: image = Image.open(img_path).convert("RGB") # convert to tensor temporarily so dataloader will accept it tensor_pil = transforms.functional.pil_to_tensor(image) except Exception as e: logger.error(f"Could not load image path / 画像を読み込めません: {img_path}, error: {e}") return None return (tensor_pil, img_path) # endregion # collate_fn用 epoch,stepはmultiprocessing.Value class collator_class: def __init__(self, epoch, step, dataset): self.current_epoch = epoch self.current_step = step self.dataset = dataset # not used if worker_info is not None, in case of multiprocessing def __call__(self, examples): worker_info = torch.utils.data.get_worker_info() # worker_info is None in the main process if worker_info is not None: dataset = worker_info.dataset else: dataset = self.dataset # set epoch and step dataset.set_current_epoch(self.current_epoch.value) dataset.set_current_step(self.current_step.value) return examples[0] class LossRecorder: def __init__(self): self.loss_list: List[float] = [] self.loss_total: float = 0.0 def add(self, *, epoch: int, step: int, loss: float) -> None: if epoch == 0: self.loss_list.append(loss) else: while len(self.loss_list) <= step: self.loss_list.append(0.0) self.loss_total -= self.loss_list[step] self.loss_list[step] = loss self.loss_total += loss @property def moving_average(self) -> float: losses = len(self.loss_list) if losses == 0: return 0 return self.loss_total / losses ================================================ FILE: library/utils.py ================================================ import logging import sys import threading from typing import * import torch import torch.nn as nn from torchvision import transforms from diffusers import EulerAncestralDiscreteScheduler import diffusers.schedulers.scheduling_euler_ancestral_discrete from diffusers.schedulers.scheduling_euler_ancestral_discrete import EulerAncestralDiscreteSchedulerOutput import cv2 from PIL import Image import numpy as np def fire_in_thread(f, *args, **kwargs): threading.Thread(target=f, args=args, kwargs=kwargs).start() # region Logging def add_logging_arguments(parser): parser.add_argument( "--console_log_level", type=str, default=None, choices=["DEBUG", "INFO", "WARNING", "ERROR", "CRITICAL"], help="Set the logging level, default is INFO / ログレベルを設定する。デフォルトはINFO", ) parser.add_argument( "--console_log_file", type=str, default=None, help="Log to a file instead of stderr / 標準エラー出力ではなくファイルにログを出力する", ) parser.add_argument("--console_log_simple", action="store_true", help="Simple log output / シンプルなログ出力") def setup_logging(args=None, log_level=None, reset=False): if logging.root.handlers: if reset: # remove all handlers for handler in logging.root.handlers[:]: logging.root.removeHandler(handler) else: return # log_level can be set by the caller or by the args, the caller has priority. If not set, use INFO if log_level is None and args is not None: log_level = args.console_log_level if log_level is None: log_level = "INFO" log_level = getattr(logging, log_level) msg_init = None if args is not None and args.console_log_file: handler = logging.FileHandler(args.console_log_file, mode="w") else: handler = None if not args or not args.console_log_simple: try: from rich.logging import RichHandler from rich.console import Console from rich.logging import RichHandler handler = RichHandler(console=Console(stderr=True)) except ImportError: # print("rich is not installed, using basic logging") msg_init = "rich is not installed, using basic logging" if handler is None: handler = logging.StreamHandler(sys.stdout) # same as print handler.propagate = False formatter = logging.Formatter( fmt="%(message)s", datefmt="%Y-%m-%d %H:%M:%S", ) handler.setFormatter(formatter) logging.root.setLevel(log_level) logging.root.addHandler(handler) if msg_init is not None: logger = logging.getLogger(__name__) logger.info(msg_init) setup_logging() logger = logging.getLogger(__name__) # endregion # region PyTorch utils def swap_weight_devices(layer_to_cpu: nn.Module, layer_to_cuda: nn.Module): assert layer_to_cpu.__class__ == layer_to_cuda.__class__ weight_swap_jobs = [] for module_to_cpu, module_to_cuda in zip(layer_to_cpu.modules(), layer_to_cuda.modules()): if hasattr(module_to_cpu, "weight") and module_to_cpu.weight is not None: weight_swap_jobs.append((module_to_cpu, module_to_cuda, module_to_cpu.weight.data, module_to_cuda.weight.data)) torch.cuda.current_stream().synchronize() # this prevents the illegal loss value stream = torch.cuda.Stream() with torch.cuda.stream(stream): # cuda to cpu for module_to_cpu, module_to_cuda, cuda_data_view, cpu_data_view in weight_swap_jobs: cuda_data_view.record_stream(stream) module_to_cpu.weight.data = cuda_data_view.data.to("cpu", non_blocking=True) stream.synchronize() # cpu to cuda for module_to_cpu, module_to_cuda, cuda_data_view, cpu_data_view in weight_swap_jobs: cuda_data_view.copy_(module_to_cuda.weight.data, non_blocking=True) module_to_cuda.weight.data = cuda_data_view stream.synchronize() torch.cuda.current_stream().synchronize() # this prevents the illegal loss value def weighs_to_device(layer: nn.Module, device: torch.device): for module in layer.modules(): if hasattr(module, "weight") and module.weight is not None: module.weight.data = module.weight.data.to(device, non_blocking=True) def str_to_dtype(s: Optional[str], default_dtype: Optional[torch.dtype] = None) -> torch.dtype: """ Convert a string to a torch.dtype Args: s: string representation of the dtype default_dtype: default dtype to return if s is None Returns: torch.dtype: the corresponding torch.dtype Raises: ValueError: if the dtype is not supported Examples: >>> str_to_dtype("float32") torch.float32 >>> str_to_dtype("fp32") torch.float32 >>> str_to_dtype("float16") torch.float16 >>> str_to_dtype("fp16") torch.float16 >>> str_to_dtype("bfloat16") torch.bfloat16 >>> str_to_dtype("bf16") torch.bfloat16 >>> str_to_dtype("fp8") torch.float8_e4m3fn >>> str_to_dtype("fp8_e4m3fn") torch.float8_e4m3fn >>> str_to_dtype("fp8_e4m3fnuz") torch.float8_e4m3fnuz >>> str_to_dtype("fp8_e5m2") torch.float8_e5m2 >>> str_to_dtype("fp8_e5m2fnuz") torch.float8_e5m2fnuz """ if s is None: return default_dtype if s in ["bf16", "bfloat16"]: return torch.bfloat16 elif s in ["fp16", "float16"]: return torch.float16 elif s in ["fp32", "float32", "float"]: return torch.float32 elif s in ["fp8_e4m3fn", "e4m3fn", "float8_e4m3fn"]: return torch.float8_e4m3fn elif s in ["fp8_e4m3fnuz", "e4m3fnuz", "float8_e4m3fnuz"]: return torch.float8_e4m3fnuz elif s in ["fp8_e5m2", "e5m2", "float8_e5m2"]: return torch.float8_e5m2 elif s in ["fp8_e5m2fnuz", "e5m2fnuz", "float8_e5m2fnuz"]: return torch.float8_e5m2fnuz elif s in ["fp8", "float8"]: return torch.float8_e4m3fn # default fp8 else: raise ValueError(f"Unsupported dtype: {s}") # endregion # region Image utils def pil_resize(image, size, interpolation): has_alpha = image.shape[2] == 4 if len(image.shape) == 3 else False if has_alpha: pil_image = Image.fromarray(cv2.cvtColor(image, cv2.COLOR_BGRA2RGBA)) else: pil_image = Image.fromarray(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)) resized_pil = pil_image.resize(size, resample=interpolation) # Convert back to cv2 format if has_alpha: resized_cv2 = cv2.cvtColor(np.array(resized_pil), cv2.COLOR_RGBA2BGRA) else: resized_cv2 = cv2.cvtColor(np.array(resized_pil), cv2.COLOR_RGB2BGR) return resized_cv2 def resize_image( image: np.ndarray, width: int, height: int, resized_width: int, resized_height: int, resize_interpolation: Optional[str] = None, ): """ Resize image with resize interpolation. Default interpolation to AREA if image is smaller, else LANCZOS. Args: image: numpy.ndarray width: int Original image width height: int Original image height resized_width: int Resized image width resized_height: int Resized image height resize_interpolation: Optional[str] Resize interpolation method "lanczos", "area", "bilinear", "bicubic", "nearest", "box" Returns: image """ # Ensure all size parameters are actual integers width = int(width) height = int(height) resized_width = int(resized_width) resized_height = int(resized_height) if resize_interpolation is None: if width >= resized_width and height >= resized_height: resize_interpolation = "area" else: resize_interpolation = "lanczos" # we use PIL for lanczos (for backward compatibility) and box, cv2 for others use_pil = resize_interpolation in ["lanczos", "lanczos4", "box"] resized_size = (resized_width, resized_height) if use_pil: interpolation = get_pil_interpolation(resize_interpolation) image = pil_resize(image, resized_size, interpolation=interpolation) logger.debug(f"resize image using {resize_interpolation} (PIL)") else: interpolation = get_cv2_interpolation(resize_interpolation) image = cv2.resize(image, resized_size, interpolation=interpolation) logger.debug(f"resize image using {resize_interpolation} (cv2)") return image def get_cv2_interpolation(interpolation: Optional[str]) -> Optional[int]: """ Convert interpolation value to cv2 interpolation integer https://docs.opencv.org/3.4/da/d54/group__imgproc__transform.html#ga5bb5a1fea74ea38e1a5445ca803ff121 """ if interpolation is None: return None if interpolation == "lanczos" or interpolation == "lanczos4": # Lanczos interpolation over 8x8 neighborhood return cv2.INTER_LANCZOS4 elif interpolation == "nearest": # Bit exact nearest neighbor interpolation. This will produce same results as the nearest neighbor method in PIL, scikit-image or Matlab. return cv2.INTER_NEAREST_EXACT elif interpolation == "bilinear" or interpolation == "linear": # bilinear interpolation return cv2.INTER_LINEAR elif interpolation == "bicubic" or interpolation == "cubic": # bicubic interpolation return cv2.INTER_CUBIC elif interpolation == "area": # resampling using pixel area relation. It may be a preferred method for image decimation, as it gives moire'-free results. But when the image is zoomed, it is similar to the INTER_NEAREST method. return cv2.INTER_AREA elif interpolation == "box": # resampling using pixel area relation. It may be a preferred method for image decimation, as it gives moire'-free results. But when the image is zoomed, it is similar to the INTER_NEAREST method. return cv2.INTER_AREA else: return None def get_pil_interpolation(interpolation: Optional[str]) -> Optional[Image.Resampling]: """ Convert interpolation value to PIL interpolation https://pillow.readthedocs.io/en/stable/handbook/concepts.html#concept-filters """ if interpolation is None: return None if interpolation == "lanczos": return Image.Resampling.LANCZOS elif interpolation == "nearest": # Pick one nearest pixel from the input image. Ignore all other input pixels. return Image.Resampling.NEAREST elif interpolation == "bilinear" or interpolation == "linear": # For resize calculate the output pixel value using linear interpolation on all pixels that may contribute to the output value. For other transformations linear interpolation over a 2x2 environment in the input image is used. return Image.Resampling.BILINEAR elif interpolation == "bicubic" or interpolation == "cubic": # For resize calculate the output pixel value using cubic interpolation on all pixels that may contribute to the output value. For other transformations cubic interpolation over a 4x4 environment in the input image is used. return Image.Resampling.BICUBIC elif interpolation == "area": # Image.Resampling.BOX may be more appropriate if upscaling # Area interpolation is related to cv2.INTER_AREA # Produces a sharper image than Resampling.BILINEAR, doesn’t have dislocations on local level like with Resampling.BOX. return Image.Resampling.HAMMING elif interpolation == "box": # Each pixel of source image contributes to one pixel of the destination image with identical weights. For upscaling is equivalent of Resampling.NEAREST. return Image.Resampling.BOX else: return None def validate_interpolation_fn(interpolation_str: str) -> bool: """ Check if a interpolation function is supported """ return interpolation_str in ["lanczos", "nearest", "bilinear", "linear", "bicubic", "cubic", "area", "box"] # endregion # TODO make inf_utils.py # region Gradual Latent hires fix class GradualLatent: def __init__( self, ratio, start_timesteps, every_n_steps, ratio_step, s_noise=1.0, gaussian_blur_ksize=None, gaussian_blur_sigma=0.5, gaussian_blur_strength=0.5, unsharp_target_x=True, ): self.ratio = ratio self.start_timesteps = start_timesteps self.every_n_steps = every_n_steps self.ratio_step = ratio_step self.s_noise = s_noise self.gaussian_blur_ksize = gaussian_blur_ksize self.gaussian_blur_sigma = gaussian_blur_sigma self.gaussian_blur_strength = gaussian_blur_strength self.unsharp_target_x = unsharp_target_x def __str__(self) -> str: return ( f"GradualLatent(ratio={self.ratio}, start_timesteps={self.start_timesteps}, " + f"every_n_steps={self.every_n_steps}, ratio_step={self.ratio_step}, s_noise={self.s_noise}, " + f"gaussian_blur_ksize={self.gaussian_blur_ksize}, gaussian_blur_sigma={self.gaussian_blur_sigma}, gaussian_blur_strength={self.gaussian_blur_strength}, " + f"unsharp_target_x={self.unsharp_target_x})" ) def apply_unshark_mask(self, x: torch.Tensor): if self.gaussian_blur_ksize is None: return x blurred = transforms.functional.gaussian_blur(x, self.gaussian_blur_ksize, self.gaussian_blur_sigma) # mask = torch.sigmoid((x - blurred) * self.gaussian_blur_strength) mask = (x - blurred) * self.gaussian_blur_strength sharpened = x + mask return sharpened def interpolate(self, x: torch.Tensor, resized_size, unsharp=True): org_dtype = x.dtype if org_dtype == torch.bfloat16: x = x.float() x = torch.nn.functional.interpolate(x, size=resized_size, mode="bicubic", align_corners=False).to(dtype=org_dtype) # apply unsharp mask / アンシャープマスクを適用する if unsharp and self.gaussian_blur_ksize: x = self.apply_unshark_mask(x) return x class EulerAncestralDiscreteSchedulerGL(EulerAncestralDiscreteScheduler): def __init__(self, *args, **kwargs): super().__init__(*args, **kwargs) self.resized_size = None self.gradual_latent = None def set_gradual_latent_params(self, size, gradual_latent: GradualLatent): self.resized_size = size self.gradual_latent = gradual_latent def step( self, model_output: torch.FloatTensor, timestep: Union[float, torch.FloatTensor], sample: torch.FloatTensor, generator: Optional[torch.Generator] = None, return_dict: bool = True, ) -> Union[EulerAncestralDiscreteSchedulerOutput, Tuple]: """ Predict the sample from the previous timestep by reversing the SDE. This function propagates the diffusion process from the learned model outputs (most often the predicted noise). Args: model_output (`torch.FloatTensor`): The direct output from learned diffusion model. timestep (`float`): The current discrete timestep in the diffusion chain. sample (`torch.FloatTensor`): A current instance of a sample created by the diffusion process. generator (`torch.Generator`, *optional*): A random number generator. return_dict (`bool`): Whether or not to return a [`~schedulers.scheduling_euler_ancestral_discrete.EulerAncestralDiscreteSchedulerOutput`] or tuple. Returns: [`~schedulers.scheduling_euler_ancestral_discrete.EulerAncestralDiscreteSchedulerOutput`] or `tuple`: If return_dict is `True`, [`~schedulers.scheduling_euler_ancestral_discrete.EulerAncestralDiscreteSchedulerOutput`] is returned, otherwise a tuple is returned where the first element is the sample tensor. """ if isinstance(timestep, int) or isinstance(timestep, torch.IntTensor) or isinstance(timestep, torch.LongTensor): raise ValueError( ( "Passing integer indices (e.g. from `enumerate(timesteps)`) as timesteps to" " `EulerDiscreteScheduler.step()` is not supported. Make sure to pass" " one of the `scheduler.timesteps` as a timestep." ), ) if not self.is_scale_input_called: # logger.warning( print( "The `scale_model_input` function should be called before `step` to ensure correct denoising. " "See `StableDiffusionPipeline` for a usage example." ) if self.step_index is None: self._init_step_index(timestep) sigma = self.sigmas[self.step_index] # 1. compute predicted original sample (x_0) from sigma-scaled predicted noise if self.config.prediction_type == "epsilon": pred_original_sample = sample - sigma * model_output elif self.config.prediction_type == "v_prediction": # * c_out + input * c_skip pred_original_sample = model_output * (-sigma / (sigma**2 + 1) ** 0.5) + (sample / (sigma**2 + 1)) elif self.config.prediction_type == "sample": raise NotImplementedError("prediction_type not implemented yet: sample") else: raise ValueError( f"prediction_type given as {self.config.prediction_type} must be one of `epsilon`, or `v_prediction`" ) sigma_from = self.sigmas[self.step_index] sigma_to = self.sigmas[self.step_index + 1] sigma_up = (sigma_to**2 * (sigma_from**2 - sigma_to**2) / sigma_from**2) ** 0.5 sigma_down = (sigma_to**2 - sigma_up**2) ** 0.5 # 2. Convert to an ODE derivative derivative = (sample - pred_original_sample) / sigma dt = sigma_down - sigma device = model_output.device if self.resized_size is None: prev_sample = sample + derivative * dt noise = diffusers.schedulers.scheduling_euler_ancestral_discrete.randn_tensor( model_output.shape, dtype=model_output.dtype, device=device, generator=generator ) s_noise = 1.0 else: print("resized_size", self.resized_size, "model_output.shape", model_output.shape, "sample.shape", sample.shape) s_noise = self.gradual_latent.s_noise if self.gradual_latent.unsharp_target_x: prev_sample = sample + derivative * dt prev_sample = self.gradual_latent.interpolate(prev_sample, self.resized_size) else: sample = self.gradual_latent.interpolate(sample, self.resized_size) derivative = self.gradual_latent.interpolate(derivative, self.resized_size, unsharp=False) prev_sample = sample + derivative * dt noise = diffusers.schedulers.scheduling_euler_ancestral_discrete.randn_tensor( (model_output.shape[0], model_output.shape[1], self.resized_size[0], self.resized_size[1]), dtype=model_output.dtype, device=device, generator=generator, ) prev_sample = prev_sample + noise * sigma_up * s_noise # upon completion increase step index by one self._step_index += 1 if not return_dict: return (prev_sample,) return EulerAncestralDiscreteSchedulerOutput(prev_sample=prev_sample, pred_original_sample=pred_original_sample) # endregion ================================================ FILE: lumina_minimal_inference.py ================================================ # Minimum Inference Code for Lumina # Based on flux_minimal_inference.py import logging import argparse import math import os import random import time from typing import Optional import einops import numpy as np import torch from accelerate import Accelerator from PIL import Image from safetensors.torch import load_file from tqdm import tqdm from transformers import Gemma2Model from library.flux_models import AutoEncoder from library import ( device_utils, lumina_models, lumina_train_util, lumina_util, sd3_train_utils, strategy_lumina, ) import networks.lora_lumina as lora_lumina from library.device_utils import get_preferred_device, init_ipex from library.utils import setup_logging, str_to_dtype init_ipex() setup_logging() logger = logging.getLogger(__name__) def generate_image( model: lumina_models.NextDiT, gemma2: Gemma2Model, ae: AutoEncoder, prompt: str, system_prompt: str, seed: Optional[int], image_width: int, image_height: int, steps: int, guidance_scale: float, negative_prompt: Optional[str], args: argparse.Namespace, cfg_trunc_ratio: float = 0.25, renorm_cfg: float = 1.0, ): # # 0. Prepare arguments # device = get_preferred_device() if args.device: device = torch.device(args.device) dtype = str_to_dtype(args.dtype) ae_dtype = str_to_dtype(args.ae_dtype) gemma2_dtype = str_to_dtype(args.gemma2_dtype) # # 1. Prepare models # # model.to(device, dtype=dtype) model.to(dtype) model.eval() gemma2.to(device, dtype=gemma2_dtype) gemma2.eval() ae.to(ae_dtype) ae.eval() # # 2. Encode prompts # logger.info("Encoding prompts...") tokenize_strategy = strategy_lumina.LuminaTokenizeStrategy(system_prompt, args.gemma2_max_token_length) encoding_strategy = strategy_lumina.LuminaTextEncodingStrategy() tokens_and_masks = tokenize_strategy.tokenize(prompt) with torch.no_grad(): gemma2_conds = encoding_strategy.encode_tokens(tokenize_strategy, [gemma2], tokens_and_masks) tokens_and_masks = tokenize_strategy.tokenize( negative_prompt, is_negative=True and not args.add_system_prompt_to_negative_prompt ) with torch.no_grad(): neg_gemma2_conds = encoding_strategy.encode_tokens(tokenize_strategy, [gemma2], tokens_and_masks) # Unpack Gemma2 outputs prompt_hidden_states, _, prompt_attention_mask = gemma2_conds uncond_hidden_states, _, uncond_attention_mask = neg_gemma2_conds if args.offload: print("Offloading models to CPU to save VRAM...") gemma2.to("cpu") device_utils.clean_memory() model.to(device) # # 3. Prepare latents # seed = seed if seed is not None else random.randint(0, 2**32 - 1) logger.info(f"Seed: {seed}") torch.manual_seed(seed) latent_height = image_height // 8 latent_width = image_width // 8 latent_channels = 16 latents = torch.randn( (1, latent_channels, latent_height, latent_width), device=device, dtype=dtype, generator=torch.Generator(device=device).manual_seed(seed), ) # # 4. Denoise # logger.info("Denoising...") scheduler = sd3_train_utils.FlowMatchEulerDiscreteScheduler(num_train_timesteps=1000, shift=args.discrete_flow_shift) scheduler.set_timesteps(steps, device=device) timesteps = scheduler.timesteps # # compare with lumina_train_util.retrieve_timesteps # lumina_timestep = lumina_train_util.retrieve_timesteps(scheduler, num_inference_steps=steps) # print(f"Using timesteps: {timesteps}") # print(f"vs Lumina timesteps: {lumina_timestep}") # should be the same with torch.autocast(device_type=device.type, dtype=dtype), torch.no_grad(): latents = lumina_train_util.denoise( scheduler, model, latents.to(device), prompt_hidden_states.to(device), prompt_attention_mask.to(device), uncond_hidden_states.to(device), uncond_attention_mask.to(device), timesteps, guidance_scale, cfg_trunc_ratio, renorm_cfg, ) if args.offload: model.to("cpu") device_utils.clean_memory() ae.to(device) # # 5. Decode latents # logger.info("Decoding image...") # latents = latents / ae.scale_factor + ae.shift_factor with torch.no_grad(): image = ae.decode(latents.to(ae_dtype)) image = (image / 2 + 0.5).clamp(0, 1) image = image.cpu().permute(0, 2, 3, 1).float().numpy() image = (image * 255).round().astype("uint8") # # 6. Save image # pil_image = Image.fromarray(image[0]) output_dir = args.output_dir os.makedirs(output_dir, exist_ok=True) ts_str = time.strftime("%Y%m%d%H%M%S", time.localtime()) seed_suffix = f"_{seed}" output_path = os.path.join(output_dir, f"image_{ts_str}{seed_suffix}.png") pil_image.save(output_path) logger.info(f"Image saved to {output_path}") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument( "--pretrained_model_name_or_path", type=str, default=None, required=True, help="Lumina DiT model path / Lumina DiTモデルのパス", ) parser.add_argument( "--gemma2_path", type=str, default=None, required=True, help="Gemma2 model path / Gemma2モデルのパス", ) parser.add_argument( "--ae_path", type=str, default=None, required=True, help="Autoencoder model path / Autoencoderモデルのパス", ) parser.add_argument("--prompt", type=str, default="A beautiful sunset over the mountains", help="Prompt for image generation") parser.add_argument("--negative_prompt", type=str, default="", help="Negative prompt for image generation, default is empty") parser.add_argument("--output_dir", type=str, default="outputs", help="Output directory for generated images") parser.add_argument("--seed", type=int, default=None, help="Random seed") parser.add_argument("--steps", type=int, default=36, help="Number of inference steps") parser.add_argument("--guidance_scale", type=float, default=3.5, help="Guidance scale for classifier-free guidance") parser.add_argument("--image_width", type=int, default=1024, help="Image width") parser.add_argument("--image_height", type=int, default=1024, help="Image height") parser.add_argument("--dtype", type=str, default="bf16", help="Data type for model (bf16, fp16, float)") parser.add_argument("--gemma2_dtype", type=str, default="bf16", help="Data type for Gemma2 (bf16, fp16, float)") parser.add_argument("--ae_dtype", type=str, default="bf16", help="Data type for Autoencoder (bf16, fp16, float)") parser.add_argument("--device", type=str, default=None, help="Device to use (e.g., 'cuda:0')") parser.add_argument("--offload", action="store_true", help="Offload models to CPU to save VRAM") parser.add_argument("--system_prompt", type=str, default="", help="System prompt for Gemma2 model") parser.add_argument("--add_system_prompt_to_negative_prompt", action="store_true", help="Add system prompt to negative prompt") parser.add_argument( "--gemma2_max_token_length", type=int, default=256, help="Max token length for Gemma2 tokenizer", ) parser.add_argument( "--discrete_flow_shift", type=float, default=6.0, help="Shift value for FlowMatchEulerDiscreteScheduler", ) parser.add_argument( "--cfg_trunc_ratio", type=float, default=0.25, help="The ratio of the timestep interval to apply normalization-based guidance scale. For example, 0.25 means the first 25%% of timesteps will be guided.", ) parser.add_argument( "--renorm_cfg", type=float, default=1.0, help="The factor to limit the maximum norm after guidance. Default: 1.0, 0.0 means no renormalization.", ) parser.add_argument( "--use_flash_attn", action="store_true", help="Use flash attention for Lumina model", ) parser.add_argument( "--use_sage_attn", action="store_true", help="Use sage attention for Lumina model", ) parser.add_argument( "--lora_weights", type=str, nargs="*", default=[], help="LoRA weights, each argument is a `path;multiplier` (semi-colon separated)", ) parser.add_argument("--merge_lora_weights", action="store_true", help="Merge LoRA weights to model") parser.add_argument( "--interactive", action="store_true", help="Enable interactive mode for generating multiple images / 対話モードで複数の画像を生成する", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() logger.info("Loading models...") device = get_preferred_device() if args.device: device = torch.device(args.device) # Load Lumina DiT model model = lumina_util.load_lumina_model( args.pretrained_model_name_or_path, dtype=None, # Load in fp32 and then convert device="cpu", use_flash_attn=args.use_flash_attn, use_sage_attn=args.use_sage_attn, ) # Load Gemma2 gemma2 = lumina_util.load_gemma2(args.gemma2_path, dtype=None, device="cpu") # Load Autoencoder ae = lumina_util.load_ae(args.ae_path, dtype=None, device="cpu") # LoRA lora_models = [] for weights_file in args.lora_weights: if ";" in weights_file: weights_file, multiplier = weights_file.split(";") multiplier = float(multiplier) else: multiplier = 1.0 weights_sd = load_file(weights_file) lora_model, _ = lora_lumina.create_network_from_weights(multiplier, None, ae, [gemma2], model, weights_sd, True) if args.merge_lora_weights: lora_model.merge_to([gemma2], model, weights_sd) else: lora_model.apply_to([gemma2], model) info = lora_model.load_state_dict(weights_sd, strict=True) logger.info(f"Loaded LoRA weights from {weights_file}: {info}") lora_model.to(device) lora_model.set_multiplier(multiplier) lora_model.eval() lora_models.append(lora_model) if not args.interactive: generate_image( model, gemma2, ae, args.prompt, args.system_prompt, args.seed, args.image_width, args.image_height, args.steps, args.guidance_scale, args.negative_prompt, args, args.cfg_trunc_ratio, args.renorm_cfg, ) else: # Interactive mode loop image_width = args.image_width image_height = args.image_height steps = args.steps guidance_scale = args.guidance_scale cfg_trunc_ratio = args.cfg_trunc_ratio renorm_cfg = args.renorm_cfg print("Entering interactive mode.") while True: print( "\nEnter prompt (or 'exit'). Options: --w --h --s --d --g --n --ctr --rcfg --m " ) user_input = input() if user_input.lower() == "exit": break if not user_input: continue # Parse options options = user_input.split("--") prompt = options[0].strip() # Set defaults for each generation seed = None # New random seed each time unless specified negative_prompt = args.negative_prompt # Reset to default for opt in options[1:]: try: opt = opt.strip() if not opt: continue key, value = (opt.split(None, 1) + [""])[:2] if key == "w": image_width = int(value) elif key == "h": image_height = int(value) elif key == "s": steps = int(value) elif key == "d": seed = int(value) elif key == "g": guidance_scale = float(value) elif key == "n": negative_prompt = value if value != "-" else "" elif key == "ctr": cfg_trunc_ratio = float(value) elif key == "rcfg": renorm_cfg = float(value) elif key == "m": multipliers = value.split(",") if len(multipliers) != len(lora_models): logger.error(f"Invalid number of multipliers, expected {len(lora_models)}") continue for i, lora_model in enumerate(lora_models): lora_model.set_multiplier(float(multipliers[i].strip())) else: logger.warning(f"Unknown option: --{key}") except (ValueError, IndexError) as e: logger.error(f"Invalid value for option --{key}: '{value}'. Error: {e}") generate_image( model, gemma2, ae, prompt, args.system_prompt, seed, image_width, image_height, steps, guidance_scale, negative_prompt, args, cfg_trunc_ratio, renorm_cfg, ) logger.info("Done.") ================================================ FILE: lumina_train.py ================================================ # training with captions # Swap blocks between CPU and GPU: # This implementation is inspired by and based on the work of 2kpr. # Many thanks to 2kpr for the original concept and implementation of memory-efficient offloading. # The original idea has been adapted and extended to fit the current project's needs. # Key features: # - CPU offloading during forward and backward passes # - Use of fused optimizer and grad_hook for efficient gradient processing # - Per-block fused optimizer instances import argparse import copy import math import os from multiprocessing import Value import toml from tqdm import tqdm import torch from library.device_utils import init_ipex, clean_memory_on_device init_ipex() from accelerate.utils import set_seed from library import ( deepspeed_utils, lumina_train_util, lumina_util, strategy_base, strategy_lumina, sai_model_spec ) from library.sd3_train_utils import FlowMatchEulerDiscreteScheduler import library.train_util as train_util from library.utils import setup_logging, add_logging_arguments setup_logging() import logging logger = logging.getLogger(__name__) import library.config_util as config_util # import library.sdxl_train_util as sdxl_train_util from library.config_util import ( ConfigSanitizer, BlueprintGenerator, ) from library.custom_train_functions import apply_masked_loss, add_custom_train_arguments def train(args): train_util.verify_training_args(args) train_util.prepare_dataset_args(args, True) # sdxl_train_util.verify_sdxl_training_args(args) deepspeed_utils.prepare_deepspeed_args(args) setup_logging(args, reset=True) # temporary: backward compatibility for deprecated options. remove in the future if not args.skip_cache_check: args.skip_cache_check = args.skip_latents_validity_check # assert ( # not args.weighted_captions # ), "weighted_captions is not supported currently / weighted_captionsは現在サポートされていません" if args.cache_text_encoder_outputs_to_disk and not args.cache_text_encoder_outputs: logger.warning( "cache_text_encoder_outputs_to_disk is enabled, so cache_text_encoder_outputs is also enabled / cache_text_encoder_outputs_to_diskが有効になっているため、cache_text_encoder_outputsも有効になります" ) args.cache_text_encoder_outputs = True if args.cpu_offload_checkpointing and not args.gradient_checkpointing: logger.warning( "cpu_offload_checkpointing is enabled, so gradient_checkpointing is also enabled / cpu_offload_checkpointingが有効になっているため、gradient_checkpointingも有効になります" ) args.gradient_checkpointing = True # assert ( # args.blocks_to_swap is None or args.blocks_to_swap == 0 # ) or not args.cpu_offload_checkpointing, "blocks_to_swap is not supported with cpu_offload_checkpointing / blocks_to_swapはcpu_offload_checkpointingと併用できません" cache_latents = args.cache_latents use_dreambooth_method = args.in_json is None if args.seed is not None: set_seed(args.seed) # 乱数系列を初期化する # prepare caching strategy: this must be set before preparing dataset. because dataset may use this strategy for initialization. if args.cache_latents: latents_caching_strategy = strategy_lumina.LuminaLatentsCachingStrategy( args.cache_latents_to_disk, args.vae_batch_size, args.skip_cache_check ) strategy_base.LatentsCachingStrategy.set_strategy(latents_caching_strategy) # データセットを準備する if args.dataset_class is None: blueprint_generator = BlueprintGenerator( ConfigSanitizer(True, True, args.masked_loss, True) ) if args.dataset_config is not None: logger.info(f"Load dataset config from {args.dataset_config}") user_config = config_util.load_user_config(args.dataset_config) ignored = ["train_data_dir", "in_json"] if any(getattr(args, attr) is not None for attr in ignored): logger.warning( "ignore following options because config file is found: {0} / 設定ファイルが利用されるため以下のオプションは無視されます: {0}".format( ", ".join(ignored) ) ) else: if use_dreambooth_method: logger.info("Using DreamBooth method.") user_config = { "datasets": [ { "subsets": config_util.generate_dreambooth_subsets_config_by_subdirs( args.train_data_dir, args.reg_data_dir ) } ] } else: logger.info("Training with captions.") user_config = { "datasets": [ { "subsets": [ { "image_dir": args.train_data_dir, "metadata_file": args.in_json, } ] } ] } blueprint = blueprint_generator.generate(user_config, args) train_dataset_group, val_dataset_group = ( config_util.generate_dataset_group_by_blueprint(blueprint.dataset_group) ) else: train_dataset_group = train_util.load_arbitrary_dataset(args) val_dataset_group = None current_epoch = Value("i", 0) current_step = Value("i", 0) ds_for_collator = ( train_dataset_group if args.max_data_loader_n_workers == 0 else None ) collator = train_util.collator_class(current_epoch, current_step, ds_for_collator) train_dataset_group.verify_bucket_reso_steps(16) # TODO これでいいか確認 if args.debug_dataset: if args.cache_text_encoder_outputs: strategy_base.TextEncoderOutputsCachingStrategy.set_strategy( strategy_lumina.LuminaTextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, args.text_encoder_batch_size, args.skip_cache_check, False, ) ) strategy_base.TokenizeStrategy.set_strategy( strategy_lumina.LuminaTokenizeStrategy(args.system_prompt) ) train_dataset_group.set_current_strategies() train_util.debug_dataset(train_dataset_group, True) return if len(train_dataset_group) == 0: logger.error( "No data found. Please verify the metadata file and train_data_dir option. / 画像がありません。メタデータおよびtrain_data_dirオプションを確認してください。" ) return if cache_latents: assert ( train_dataset_group.is_latent_cacheable() ), "when caching latents, either color_aug or random_crop cannot be used / latentをキャッシュするときはcolor_augとrandom_cropは使えません" if args.cache_text_encoder_outputs: assert ( train_dataset_group.is_text_encoder_output_cacheable() ), "when caching text encoder output, either caption_dropout_rate, shuffle_caption, token_warmup_step or caption_tag_dropout_rate cannot be used / text encoderの出力をキャッシュするときはcaption_dropout_rate, shuffle_caption, token_warmup_step, caption_tag_dropout_rateは使えません" # acceleratorを準備する logger.info("prepare accelerator") accelerator = train_util.prepare_accelerator(args) # mixed precisionに対応した型を用意しておき適宜castする weight_dtype, save_dtype = train_util.prepare_dtype(args) # モデルを読み込む # load VAE for caching latents ae = None if cache_latents: ae = lumina_util.load_ae( args.ae, weight_dtype, "cpu", args.disable_mmap_load_safetensors ) ae.to(accelerator.device, dtype=weight_dtype) ae.requires_grad_(False) ae.eval() train_dataset_group.new_cache_latents(ae, accelerator) ae.to("cpu") # if no sampling, vae can be deleted clean_memory_on_device(accelerator.device) accelerator.wait_for_everyone() # prepare tokenize strategy if args.gemma2_max_token_length is None: gemma2_max_token_length = 256 else: gemma2_max_token_length = args.gemma2_max_token_length lumina_tokenize_strategy = strategy_lumina.LuminaTokenizeStrategy( args.system_prompt, gemma2_max_token_length ) strategy_base.TokenizeStrategy.set_strategy(lumina_tokenize_strategy) # load gemma2 for caching text encoder outputs gemma2 = lumina_util.load_gemma2( args.gemma2, weight_dtype, "cpu", args.disable_mmap_load_safetensors ) gemma2.eval() gemma2.requires_grad_(False) text_encoding_strategy = strategy_lumina.LuminaTextEncodingStrategy() strategy_base.TextEncodingStrategy.set_strategy(text_encoding_strategy) # cache text encoder outputs sample_prompts_te_outputs = None if args.cache_text_encoder_outputs: # Text Encodes are eval and no grad here gemma2.to(accelerator.device) text_encoder_caching_strategy = ( strategy_lumina.LuminaTextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, args.text_encoder_batch_size, False, False, ) ) strategy_base.TextEncoderOutputsCachingStrategy.set_strategy( text_encoder_caching_strategy ) with accelerator.autocast(): train_dataset_group.new_cache_text_encoder_outputs([gemma2], accelerator) # cache sample prompt's embeddings to free text encoder's memory if args.sample_prompts is not None: logger.info( f"cache Text Encoder outputs for sample prompt: {args.sample_prompts}" ) text_encoding_strategy: strategy_lumina.LuminaTextEncodingStrategy = ( strategy_base.TextEncodingStrategy.get_strategy() ) prompts = train_util.load_prompts(args.sample_prompts) sample_prompts_te_outputs = {} # key: prompt, value: text encoder outputs with accelerator.autocast(), torch.no_grad(): for prompt_dict in prompts: for i, p in enumerate([ prompt_dict.get("prompt", ""), prompt_dict.get("negative_prompt", ""), ]): if p not in sample_prompts_te_outputs: logger.info(f"cache Text Encoder outputs for prompt: {p}") tokens_and_masks = lumina_tokenize_strategy.tokenize(p, i == 1) # i == 1 means negative prompt sample_prompts_te_outputs[p] = ( text_encoding_strategy.encode_tokens( lumina_tokenize_strategy, [gemma2], tokens_and_masks, ) ) accelerator.wait_for_everyone() # now we can delete Text Encoders to free memory gemma2 = None clean_memory_on_device(accelerator.device) # load lumina nextdit = lumina_util.load_lumina_model( args.pretrained_model_name_or_path, weight_dtype, torch.device("cpu"), disable_mmap=args.disable_mmap_load_safetensors, use_flash_attn=args.use_flash_attn, ) if args.gradient_checkpointing: nextdit.enable_gradient_checkpointing( cpu_offload=args.cpu_offload_checkpointing ) nextdit.requires_grad_(True) # block swap # backward compatibility # if args.blocks_to_swap is None: # blocks_to_swap = args.double_blocks_to_swap or 0 # if args.single_blocks_to_swap is not None: # blocks_to_swap += args.single_blocks_to_swap // 2 # if blocks_to_swap > 0: # logger.warning( # "double_blocks_to_swap and single_blocks_to_swap are deprecated. Use blocks_to_swap instead." # " / double_blocks_to_swapとsingle_blocks_to_swapは非推奨です。blocks_to_swapを使ってください。" # ) # logger.info( # f"double_blocks_to_swap={args.double_blocks_to_swap} and single_blocks_to_swap={args.single_blocks_to_swap} are converted to blocks_to_swap={blocks_to_swap}." # ) # args.blocks_to_swap = blocks_to_swap # del blocks_to_swap # is_swapping_blocks = args.blocks_to_swap is not None and args.blocks_to_swap > 0 # if is_swapping_blocks: # # Swap blocks between CPU and GPU to reduce memory usage, in forward and backward passes. # # This idea is based on 2kpr's great work. Thank you! # logger.info(f"enable block swap: blocks_to_swap={args.blocks_to_swap}") # flux.enable_block_swap(args.blocks_to_swap, accelerator.device) if not cache_latents: # load VAE here if not cached ae = lumina_util.load_ae(args.ae, weight_dtype, "cpu") ae.requires_grad_(False) ae.eval() ae.to(accelerator.device, dtype=weight_dtype) training_models = [] params_to_optimize = [] training_models.append(nextdit) name_and_params = list(nextdit.named_parameters()) # single param group for now params_to_optimize.append( {"params": [p for _, p in name_and_params], "lr": args.learning_rate} ) param_names = [[n for n, _ in name_and_params]] # calculate number of trainable parameters n_params = 0 for group in params_to_optimize: for p in group["params"]: n_params += p.numel() accelerator.print(f"number of trainable parameters: {n_params}") # 学習に必要なクラスを準備する accelerator.print("prepare optimizer, data loader etc.") if args.blockwise_fused_optimizers: # fused backward pass: https://pytorch.org/tutorials/intermediate/optimizer_step_in_backward_tutorial.html # Instead of creating an optimizer for all parameters as in the tutorial, we create an optimizer for each block of parameters. # This balances memory usage and management complexity. # split params into groups. currently different learning rates are not supported grouped_params = [] param_group = {} for group in params_to_optimize: named_parameters = [(n, p) for n, p in nextdit.named_parameters() if p.requires_grad] assert len(named_parameters) == len( group["params"] ), f"number of trainable parameters ({len(named_parameters)}) does not match optimizer group ({len(group['params'])})" for p, np in zip(group["params"], named_parameters): # determine target layer and block index for each parameter # Lumina NextDiT architecture: # - "layers.{i}.*" : main transformer blocks (e.g. 32 blocks for 2B) # - "context_refiner.{i}.*" : context refiner blocks (2 blocks) # - "noise_refiner.{i}.*" : noise refiner blocks (2 blocks) # - others: t_embedder, cap_embedder, x_embedder, norm_final, final_layer block_type = "other" if np[0].startswith("layers."): block_index = int(np[0].split(".")[1]) block_type = "main" elif np[0].startswith("context_refiner.") or np[0].startswith("noise_refiner."): # All refiner blocks (context + noise) grouped together block_index = -1 block_type = "refiner" else: block_index = -1 param_group_key = (block_type, block_index) if param_group_key not in param_group: param_group[param_group_key] = [] param_group[param_group_key].append(p) block_types_and_indices = [] for param_group_key, param_group in param_group.items(): block_types_and_indices.append(param_group_key) grouped_params.append({"params": param_group, "lr": args.learning_rate}) num_params = 0 for p in param_group: num_params += p.numel() accelerator.print(f"block {param_group_key}: {num_params} parameters") # prepare optimizers for each group optimizers = [] for group in grouped_params: _, _, optimizer = train_util.get_optimizer(args, trainable_params=[group]) optimizers.append(optimizer) optimizer = optimizers[0] # avoid error in the following code logger.info( f"using {len(optimizers)} optimizers for blockwise fused optimizers" ) if train_util.is_schedulefree_optimizer(optimizers[0], args): raise ValueError( "Schedule-free optimizer is not supported with blockwise fused optimizers" ) optimizer_train_fn = lambda: None # dummy function optimizer_eval_fn = lambda: None # dummy function else: _, _, optimizer = train_util.get_optimizer( args, trainable_params=params_to_optimize ) optimizer_train_fn, optimizer_eval_fn = train_util.get_optimizer_train_eval_fn( optimizer, args ) # prepare dataloader # strategies are set here because they cannot be referenced in another process. Copy them with the dataset # some strategies can be None train_dataset_group.set_current_strategies() # DataLoaderのプロセス数：0 は persistent_workers が使えないので注意 n_workers = min( args.max_data_loader_n_workers, os.cpu_count() ) # cpu_count or max_data_loader_n_workers train_dataloader = torch.utils.data.DataLoader( train_dataset_group, batch_size=1, shuffle=True, collate_fn=collator, num_workers=n_workers, persistent_workers=args.persistent_data_loader_workers, ) # 学習ステップ数を計算する if args.max_train_epochs is not None: args.max_train_steps = args.max_train_epochs * math.ceil( len(train_dataloader) / accelerator.num_processes / args.gradient_accumulation_steps ) accelerator.print( f"override steps. steps for {args.max_train_epochs} epochs is / 指定エポックまでのステップ数: {args.max_train_steps}" ) # データセット側にも学習ステップを送信 train_dataset_group.set_max_train_steps(args.max_train_steps) # lr schedulerを用意する if args.blockwise_fused_optimizers: # prepare lr schedulers for each optimizer lr_schedulers = [ train_util.get_scheduler_fix(args, optimizer, accelerator.num_processes) for optimizer in optimizers ] lr_scheduler = lr_schedulers[0] # avoid error in the following code else: lr_scheduler = train_util.get_scheduler_fix( args, optimizer, accelerator.num_processes ) # 実験的機能：勾配も含めたfp16/bf16学習を行う　モデル全体をfp16/bf16にする if args.full_fp16: assert ( args.mixed_precision == "fp16" ), "full_fp16 requires mixed precision='fp16' / full_fp16を使う場合はmixed_precision='fp16'を指定してください。" accelerator.print("enable full fp16 training.") nextdit.to(weight_dtype) if gemma2 is not None: gemma2.to(weight_dtype) elif args.full_bf16: assert ( args.mixed_precision == "bf16" ), "full_bf16 requires mixed precision='bf16' / full_bf16を使う場合はmixed_precision='bf16'を指定してください。" accelerator.print("enable full bf16 training.") nextdit.to(weight_dtype) if gemma2 is not None: gemma2.to(weight_dtype) # if we don't cache text encoder outputs, move them to device if not args.cache_text_encoder_outputs: gemma2.to(accelerator.device) clean_memory_on_device(accelerator.device) is_swapping_blocks = args.blocks_to_swap is not None and args.blocks_to_swap > 0 if args.deepspeed: ds_model = deepspeed_utils.prepare_deepspeed_model(args, nextdit=nextdit) # most of ZeRO stage uses optimizer partitioning, so we have to prepare optimizer and ds_model at the same time. # pull/1139#issuecomment-1986790007 ds_model, optimizer, train_dataloader, lr_scheduler = accelerator.prepare( ds_model, optimizer, train_dataloader, lr_scheduler ) training_models = [ds_model] else: # accelerator does some magic # if we doesn't swap blocks, we can move the model to device nextdit = accelerator.prepare( nextdit, device_placement=[not is_swapping_blocks] ) if is_swapping_blocks: accelerator.unwrap_model(nextdit).move_to_device_except_swap_blocks( accelerator.device ) # reduce peak memory usage optimizer, train_dataloader, lr_scheduler = accelerator.prepare( optimizer, train_dataloader, lr_scheduler ) # 実験的機能：勾配も含めたfp16学習を行う　PyTorchにパッチを当ててfp16でのgrad scaleを有効にする if args.full_fp16: # During deepseed training, accelerate not handles fp16/bf16|mixed precision directly via scaler. Let deepspeed engine do. # -> But we think it's ok to patch accelerator even if deepspeed is enabled. train_util.patch_accelerator_for_fp16_training(accelerator) # resumeする train_util.resume_from_local_or_hf_if_specified(accelerator, args) if args.fused_backward_pass: # use fused optimizer for backward pass: other optimizers will be supported in the future import library.adafactor_fused library.adafactor_fused.patch_adafactor_fused(optimizer) for param_group, param_name_group in zip(optimizer.param_groups, param_names): for parameter, param_name in zip(param_group["params"], param_name_group): if parameter.requires_grad: def create_grad_hook(p_name, p_group): def grad_hook(tensor: torch.Tensor): if accelerator.sync_gradients and args.max_grad_norm != 0.0: accelerator.clip_grad_norm_(tensor, args.max_grad_norm) optimizer.step_param(tensor, p_group) tensor.grad = None return grad_hook parameter.register_post_accumulate_grad_hook( create_grad_hook(param_name, param_group) ) elif args.blockwise_fused_optimizers: # prepare for additional optimizers and lr schedulers for i in range(1, len(optimizers)): optimizers[i] = accelerator.prepare(optimizers[i]) lr_schedulers[i] = accelerator.prepare(lr_schedulers[i]) # counters are used to determine when to step the optimizer global optimizer_hooked_count global num_parameters_per_group global parameter_optimizer_map optimizer_hooked_count = {} num_parameters_per_group = [0] * len(optimizers) parameter_optimizer_map = {} for opt_idx, optimizer in enumerate(optimizers): for param_group in optimizer.param_groups: for parameter in param_group["params"]: if parameter.requires_grad: def grad_hook(parameter: torch.Tensor): if accelerator.sync_gradients and args.max_grad_norm != 0.0: accelerator.clip_grad_norm_( parameter, args.max_grad_norm ) i = parameter_optimizer_map[parameter] optimizer_hooked_count[i] += 1 if optimizer_hooked_count[i] == num_parameters_per_group[i]: optimizers[i].step() optimizers[i].zero_grad(set_to_none=True) parameter.register_post_accumulate_grad_hook(grad_hook) parameter_optimizer_map[parameter] = opt_idx num_parameters_per_group[opt_idx] += 1 # epoch数を計算する num_update_steps_per_epoch = math.ceil( len(train_dataloader) / args.gradient_accumulation_steps ) num_train_epochs = math.ceil(args.max_train_steps / num_update_steps_per_epoch) if (args.save_n_epoch_ratio is not None) and (args.save_n_epoch_ratio > 0): args.save_every_n_epochs = ( math.floor(num_train_epochs / args.save_n_epoch_ratio) or 1 ) # 学習する # total_batch_size = args.train_batch_size * accelerator.num_processes * args.gradient_accumulation_steps accelerator.print("running training / 学習開始") accelerator.print( f" num examples / サンプル数: {train_dataset_group.num_train_images}" ) accelerator.print( f" num batches per epoch / 1epochのバッチ数: {len(train_dataloader)}" ) accelerator.print(f" num epochs / epoch数: {num_train_epochs}") accelerator.print( f" batch size per device / バッチサイズ: {', '.join([str(d.batch_size) for d in train_dataset_group.datasets])}" ) # accelerator.print( # f" total train batch size (with parallel & distributed & accumulation) / 総バッチサイズ（並列学習、勾配合計含む）: {total_batch_size}" # ) accelerator.print( f" gradient accumulation steps / 勾配を合計するステップ数 = {args.gradient_accumulation_steps}" ) accelerator.print( f" total optimization steps / 学習ステップ数: {args.max_train_steps}" ) progress_bar = tqdm( range(args.max_train_steps), smoothing=0, disable=not accelerator.is_local_main_process, desc="steps", ) global_step = 0 noise_scheduler = FlowMatchEulerDiscreteScheduler( num_train_timesteps=1000, shift=args.discrete_flow_shift ) noise_scheduler_copy = copy.deepcopy(noise_scheduler) if accelerator.is_main_process: init_kwargs = {} if args.wandb_run_name: init_kwargs["wandb"] = {"name": args.wandb_run_name} if args.log_tracker_config is not None: init_kwargs = toml.load(args.log_tracker_config) accelerator.init_trackers( "finetuning" if args.log_tracker_name is None else args.log_tracker_name, config=train_util.get_sanitized_config_or_none(args), init_kwargs=init_kwargs, ) if is_swapping_blocks: accelerator.unwrap_model(nextdit).prepare_block_swap_before_forward() # For --sample_at_first optimizer_eval_fn() lumina_train_util.sample_images( accelerator, args, 0, global_step, nextdit, ae, gemma2, sample_prompts_te_outputs, ) optimizer_train_fn() if len(accelerator.trackers) > 0: # log empty object to commit the sample images to wandb accelerator.log({}, step=0) loss_recorder = train_util.LossRecorder() epoch = 0 # avoid error when max_train_steps is 0 for epoch in range(num_train_epochs): accelerator.print(f"\nepoch {epoch+1}/{num_train_epochs}") current_epoch.value = epoch + 1 for m in training_models: m.train() for step, batch in enumerate(train_dataloader): current_step.value = global_step if args.blockwise_fused_optimizers: optimizer_hooked_count = { i: 0 for i in range(len(optimizers)) } # reset counter for each step with accelerator.accumulate(*training_models): if "latents" in batch and batch["latents"] is not None: latents = batch["latents"].to( accelerator.device, dtype=weight_dtype ) else: with torch.no_grad(): # encode images to latents. images are [-1, 1] latents = ae.encode(batch["images"].to(ae.dtype)).to( accelerator.device, dtype=weight_dtype ) # NaNが含まれていれば警告を表示し0に置き換える if torch.any(torch.isnan(latents)): accelerator.print("NaN found in latents, replacing with zeros") latents = torch.nan_to_num(latents, 0, out=latents) text_encoder_outputs_list = batch.get("text_encoder_outputs_list", None) if text_encoder_outputs_list is not None: text_encoder_conds = text_encoder_outputs_list else: # not cached or training, so get from text encoders tokens_and_masks = batch["input_ids_list"] with torch.no_grad(): input_ids = [ ids.to(accelerator.device) for ids in batch["input_ids_list"] ] text_encoder_conds = text_encoding_strategy.encode_tokens( lumina_tokenize_strategy, [gemma2], input_ids, ) if args.full_fp16: text_encoder_conds = [ c.to(weight_dtype) for c in text_encoder_conds ] # TODO support some features for noise implemented in get_noise_noisy_latents_and_timesteps # Sample noise that we'll add to the latents noise = torch.randn_like(latents) # get noisy model input and timesteps noisy_model_input, timesteps, sigmas = ( lumina_train_util.get_noisy_model_input_and_timesteps( args, noise_scheduler_copy, latents, noise, accelerator.device, weight_dtype, ) ) # call model gemma2_hidden_states, input_ids, gemma2_attn_mask = text_encoder_conds with accelerator.autocast(): # YiYi notes: divide it by 1000 for now because we scale it by 1000 in the transformer model (we should not keep it but I want to keep the inputs same for the model for testing) model_pred = nextdit( x=noisy_model_input, # image latents (B, C, H, W) t=1 - timesteps / 1000, # timesteps需要除以1000来匹配模型预期 cap_feats=gemma2_hidden_states, # Gemma2的hidden states作为caption features cap_mask=gemma2_attn_mask.to( dtype=torch.int32 ), # Gemma2的attention mask ) # apply model prediction type model_pred, weighting = lumina_train_util.apply_model_prediction_type( args, model_pred, noisy_model_input, sigmas ) # flow matching loss target = latents - noise # calculate loss huber_c = train_util.get_huber_threshold_if_needed( args, 1000 - timesteps, noise_scheduler ) loss = train_util.conditional_loss( model_pred.float(), target.float(), args.loss_type, "none", huber_c ) if weighting is not None: loss = loss * weighting if args.masked_loss or ( "alpha_masks" in batch and batch["alpha_masks"] is not None ): loss = apply_masked_loss(loss, batch) loss = loss.mean([1, 2, 3]) loss_weights = batch["loss_weights"] # 各sampleごとのweight loss = loss * loss_weights loss = loss.mean() # backward accelerator.backward(loss) if not (args.fused_backward_pass or args.blockwise_fused_optimizers): if accelerator.sync_gradients and args.max_grad_norm != 0.0: params_to_clip = [] for m in training_models: params_to_clip.extend(m.parameters()) accelerator.clip_grad_norm_(params_to_clip, args.max_grad_norm) optimizer.step() lr_scheduler.step() optimizer.zero_grad(set_to_none=True) else: # optimizer.step() and optimizer.zero_grad() are called in the optimizer hook lr_scheduler.step() if args.blockwise_fused_optimizers: for i in range(1, len(optimizers)): lr_schedulers[i].step() # Checks if the accelerator has performed an optimization step behind the scenes if accelerator.sync_gradients: progress_bar.update(1) global_step += 1 optimizer_eval_fn() lumina_train_util.sample_images( accelerator, args, None, global_step, nextdit, ae, gemma2, sample_prompts_te_outputs, ) # 指定ステップごとにモデルを保存 if ( args.save_every_n_steps is not None and global_step % args.save_every_n_steps == 0 ): accelerator.wait_for_everyone() if accelerator.is_main_process: lumina_train_util.save_lumina_model_on_epoch_end_or_stepwise( args, False, accelerator, save_dtype, epoch, num_train_epochs, global_step, accelerator.unwrap_model(nextdit), ) optimizer_train_fn() current_loss = loss.detach().item() # 平均なのでbatch sizeは関係ないはず if len(accelerator.trackers) > 0: logs = {"loss": current_loss} train_util.append_lr_to_logs( logs, lr_scheduler, args.optimizer_type, including_unet=True ) accelerator.log(logs, step=global_step) loss_recorder.add(epoch=epoch, step=step, loss=current_loss) avr_loss: float = loss_recorder.moving_average logs = {"avr_loss": avr_loss} # , "lr": lr_scheduler.get_last_lr()[0]} progress_bar.set_postfix(**logs) if global_step >= args.max_train_steps: break if len(accelerator.trackers) > 0: logs = {"loss/epoch": loss_recorder.moving_average} accelerator.log(logs, step=epoch + 1) accelerator.wait_for_everyone() optimizer_eval_fn() if args.save_every_n_epochs is not None: if accelerator.is_main_process: lumina_train_util.save_lumina_model_on_epoch_end_or_stepwise( args, True, accelerator, save_dtype, epoch, num_train_epochs, global_step, accelerator.unwrap_model(nextdit), ) lumina_train_util.sample_images( accelerator, args, epoch + 1, global_step, nextdit, ae, gemma2, sample_prompts_te_outputs, ) optimizer_train_fn() is_main_process = accelerator.is_main_process # if is_main_process: nextdit = accelerator.unwrap_model(nextdit) accelerator.end_training() optimizer_eval_fn() if args.save_state or args.save_state_on_train_end: train_util.save_state_on_train_end(args, accelerator) del accelerator # この後メモリを使うのでこれは消す if is_main_process: lumina_train_util.save_lumina_model_on_train_end( args, save_dtype, epoch, global_step, nextdit ) logger.info("model saved.") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) train_util.add_sd_models_arguments(parser) # TODO split this sai_model_spec.add_model_spec_arguments(parser) train_util.add_dataset_arguments(parser, True, True, True) train_util.add_training_arguments(parser, False) train_util.add_masked_loss_arguments(parser) deepspeed_utils.add_deepspeed_arguments(parser) train_util.add_sd_saving_arguments(parser) train_util.add_optimizer_arguments(parser) config_util.add_config_arguments(parser) add_custom_train_arguments(parser) # TODO remove this from here train_util.add_dit_training_arguments(parser) lumina_train_util.add_lumina_train_arguments(parser) parser.add_argument( "--mem_eff_save", action="store_true", help="[EXPERIMENTAL] use memory efficient custom model saving method / メモリ効率の良い独自のモデル保存方法を使う", ) parser.add_argument( "--fused_optimizer_groups", type=int, default=None, help="**this option is not working** will be removed in the future / このオプションは動作しません。将来削除されます", ) parser.add_argument( "--blockwise_fused_optimizers", action="store_true", help="enable blockwise optimizers for fused backward pass and optimizer step / fused backward passとoptimizer step のためブロック単位のoptimizerを有効にする", ) parser.add_argument( "--skip_latents_validity_check", action="store_true", help="[Deprecated] use 'skip_cache_check' instead / 代わりに 'skip_cache_check' を使用してください", ) parser.add_argument( "--cpu_offload_checkpointing", action="store_true", help="[EXPERIMENTAL] enable offloading of tensors to CPU during checkpointing / チェックポイント時にテンソルをCPUにオフロードする", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) train(args) ================================================ FILE: lumina_train_network.py ================================================ import argparse import copy from typing import Any, Tuple import torch from library.device_utils import clean_memory_on_device, init_ipex init_ipex() from torch import Tensor from accelerate import Accelerator import train_network from library import ( lumina_models, lumina_util, lumina_train_util, sd3_train_utils, strategy_base, strategy_lumina, train_util, ) from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) class LuminaNetworkTrainer(train_network.NetworkTrainer): def __init__(self): super().__init__() self.sample_prompts_te_outputs = None self.is_swapping_blocks: bool = False def assert_extra_args(self, args, train_dataset_group, val_dataset_group): super().assert_extra_args(args, train_dataset_group, val_dataset_group) if args.cache_text_encoder_outputs_to_disk and not args.cache_text_encoder_outputs: logger.warning("Enabling cache_text_encoder_outputs due to disk caching") args.cache_text_encoder_outputs = True train_dataset_group.verify_bucket_reso_steps(16) if val_dataset_group is not None: val_dataset_group.verify_bucket_reso_steps(16) self.train_gemma2 = not args.network_train_unet_only def load_target_model(self, args, weight_dtype, accelerator): loading_dtype = None if args.fp8_base else weight_dtype model = lumina_util.load_lumina_model( args.pretrained_model_name_or_path, loading_dtype, torch.device("cpu"), disable_mmap=args.disable_mmap_load_safetensors, use_flash_attn=args.use_flash_attn, use_sage_attn=args.use_sage_attn, ) if args.fp8_base: # check dtype of model if model.dtype == torch.float8_e4m3fnuz or model.dtype == torch.float8_e5m2 or model.dtype == torch.float8_e5m2fnuz: raise ValueError(f"Unsupported fp8 model dtype: {model.dtype}") elif model.dtype == torch.float8_e4m3fn: logger.info("Loaded fp8 Lumina 2 model") else: logger.info( "Cast Lumina 2 model to fp8. This may take a while. You can reduce the time by using fp8 checkpoint." " / Lumina 2モデルをfp8に変換しています。これには時間がかかる場合があります。fp8チェックポイントを使用することで時間を短縮できます。" ) model.to(torch.float8_e4m3fn) if args.blocks_to_swap: logger.info(f"Lumina 2: Enabling block swap: {args.blocks_to_swap}") model.enable_block_swap(args.blocks_to_swap, accelerator.device) self.is_swapping_blocks = True gemma2 = lumina_util.load_gemma2(args.gemma2, weight_dtype, "cpu") gemma2.eval() ae = lumina_util.load_ae(args.ae, weight_dtype, "cpu") return lumina_util.MODEL_VERSION_LUMINA_V2, [gemma2], ae, model def get_tokenize_strategy(self, args): return strategy_lumina.LuminaTokenizeStrategy(args.system_prompt, args.gemma2_max_token_length, args.tokenizer_cache_dir) def get_tokenizers(self, tokenize_strategy: strategy_lumina.LuminaTokenizeStrategy): return [tokenize_strategy.tokenizer] def get_latents_caching_strategy(self, args): return strategy_lumina.LuminaLatentsCachingStrategy(args.cache_latents_to_disk, args.vae_batch_size, False) def get_text_encoding_strategy(self, args): return strategy_lumina.LuminaTextEncodingStrategy() def get_text_encoders_train_flags(self, args, text_encoders): return [self.train_gemma2] def get_text_encoder_outputs_caching_strategy(self, args): if args.cache_text_encoder_outputs: # if the text encoders is trained, we need tokenization, so is_partial is True return strategy_lumina.LuminaTextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, args.text_encoder_batch_size, args.skip_cache_check, is_partial=self.train_gemma2, ) else: return None def cache_text_encoder_outputs_if_needed( self, args, accelerator: Accelerator, unet, vae, text_encoders, dataset, weight_dtype, ): if args.cache_text_encoder_outputs: if not args.lowram: # メモリ消費を減らす logger.info("move vae and unet to cpu to save memory") org_vae_device = vae.device org_unet_device = unet.device vae.to("cpu") unet.to("cpu") clean_memory_on_device(accelerator.device) # When TE is not be trained, it will not be prepared so we need to use explicit autocast logger.info("move text encoders to gpu") # Lumina uses a single text encoder (Gemma2) at index 0. # Check original dtype BEFORE casting to preserve fp8 detection. gemma2_original_dtype = text_encoders[0].dtype text_encoders[0].to(accelerator.device) if gemma2_original_dtype == torch.float8_e4m3fn: # Model was loaded as fp8 — apply fp8 optimization self.prepare_text_encoder_fp8(0, text_encoders[0], gemma2_original_dtype, weight_dtype) else: # Otherwise, cast to target dtype text_encoders[0].to(weight_dtype) with accelerator.autocast(): dataset.new_cache_text_encoder_outputs(text_encoders, accelerator) # cache sample prompts if args.sample_prompts is not None: logger.info(f"cache Text Encoder outputs for sample prompts: {args.sample_prompts}") tokenize_strategy = strategy_base.TokenizeStrategy.get_strategy() text_encoding_strategy = strategy_base.TextEncodingStrategy.get_strategy() assert isinstance(tokenize_strategy, strategy_lumina.LuminaTokenizeStrategy) assert isinstance(text_encoding_strategy, strategy_lumina.LuminaTextEncodingStrategy) sample_prompts = train_util.load_prompts(args.sample_prompts) sample_prompts_te_outputs = {} # key: prompt, value: text encoder outputs with accelerator.autocast(), torch.no_grad(): for prompt_dict in sample_prompts: prompts = [ prompt_dict.get("prompt", ""), prompt_dict.get("negative_prompt", ""), ] for i, prompt in enumerate(prompts): if prompt in sample_prompts_te_outputs: continue logger.info(f"cache Text Encoder outputs for prompt: {prompt}") tokens_and_masks = tokenize_strategy.tokenize(prompt, i == 1) # i == 1 means negative prompt sample_prompts_te_outputs[prompt] = text_encoding_strategy.encode_tokens( tokenize_strategy, text_encoders, tokens_and_masks, ) self.sample_prompts_te_outputs = sample_prompts_te_outputs accelerator.wait_for_everyone() # move back to cpu if not self.is_train_text_encoder(args): logger.info("move Gemma 2 back to cpu") text_encoders[0].to("cpu") clean_memory_on_device(accelerator.device) if not args.lowram: logger.info("move vae and unet back to original device") vae.to(org_vae_device) unet.to(org_unet_device) else: # Text Encoderから毎回出力を取得するので、GPUに乗せておく text_encoders[0].to(accelerator.device, dtype=weight_dtype) def sample_images( self, accelerator, args, epoch, global_step, device, vae, tokenizer, text_encoder, lumina, ): lumina_train_util.sample_images( accelerator, args, epoch, global_step, lumina, vae, self.get_models_for_text_encoding(args, accelerator, text_encoder), self.sample_prompts_te_outputs, ) # Remaining methods maintain similar structure to flux implementation # with Lumina-specific model calls and strategies def get_noise_scheduler(self, args: argparse.Namespace, device: torch.device) -> Any: noise_scheduler = sd3_train_utils.FlowMatchEulerDiscreteScheduler(num_train_timesteps=1000, shift=args.discrete_flow_shift) self.noise_scheduler_copy = copy.deepcopy(noise_scheduler) return noise_scheduler def encode_images_to_latents(self, args, vae, images): return vae.encode(images) # not sure, they use same flux vae def shift_scale_latents(self, args, latents): return latents def get_noise_pred_and_target( self, args, accelerator: Accelerator, noise_scheduler, latents, batch, text_encoder_conds: Tuple[Tensor, Tensor, Tensor], # (hidden_states, input_ids, attention_masks) dit: lumina_models.NextDiT, network, weight_dtype, train_unet, is_train=True, ): assert isinstance(noise_scheduler, sd3_train_utils.FlowMatchEulerDiscreteScheduler) noise = torch.randn_like(latents) # get noisy model input and timesteps noisy_model_input, timesteps, sigmas = lumina_train_util.get_noisy_model_input_and_timesteps( args, noise_scheduler, latents, noise, accelerator.device, weight_dtype ) # ensure the hidden state will require grad if args.gradient_checkpointing: noisy_model_input.requires_grad_(True) for t in text_encoder_conds: if t is not None and t.dtype.is_floating_point: t.requires_grad_(True) # Unpack Gemma2 outputs gemma2_hidden_states, input_ids, gemma2_attn_mask = text_encoder_conds def call_dit(img, gemma2_hidden_states, gemma2_attn_mask, timesteps): with torch.set_grad_enabled(is_train), accelerator.autocast(): # NextDiT forward expects (x, t, cap_feats, cap_mask) model_pred = dit( x=img, # image latents (B, C, H, W) t=1 - timesteps / 1000, # timesteps需要除以1000来匹配模型预期 cap_feats=gemma2_hidden_states, # Gemma2的hidden states作为caption features cap_mask=gemma2_attn_mask.to(dtype=torch.int32), # Gemma2的attention mask ) return model_pred model_pred = call_dit( img=noisy_model_input, gemma2_hidden_states=gemma2_hidden_states, gemma2_attn_mask=gemma2_attn_mask, timesteps=timesteps, ) # apply model prediction type model_pred, weighting = lumina_train_util.apply_model_prediction_type(args, model_pred, noisy_model_input, sigmas) # flow matching loss target = latents - noise # differential output preservation if "custom_attributes" in batch: diff_output_pr_indices = [] for i, custom_attributes in enumerate(batch["custom_attributes"]): if "diff_output_preservation" in custom_attributes and custom_attributes["diff_output_preservation"]: diff_output_pr_indices.append(i) if len(diff_output_pr_indices) > 0: network.set_multiplier(0.0) with torch.no_grad(): model_pred_prior = call_dit( img=noisy_model_input[diff_output_pr_indices], gemma2_hidden_states=gemma2_hidden_states[diff_output_pr_indices], timesteps=timesteps[diff_output_pr_indices], gemma2_attn_mask=(gemma2_attn_mask[diff_output_pr_indices]), ) network.set_multiplier(1.0) # model_pred_prior = lumina_util.unpack_latents( # model_pred_prior, packed_latent_height, packed_latent_width # ) model_pred_prior, _ = lumina_train_util.apply_model_prediction_type( args, model_pred_prior, noisy_model_input[diff_output_pr_indices], sigmas[diff_output_pr_indices] if sigmas is not None else None, ) target[diff_output_pr_indices] = model_pred_prior.to(target.dtype) return model_pred, target, timesteps, weighting def post_process_loss(self, loss, args, timesteps, noise_scheduler): return loss def get_sai_model_spec(self, args): return train_util.get_sai_model_spec(None, args, False, True, False, lumina="lumina2") def update_metadata(self, metadata, args): metadata["ss_weighting_scheme"] = args.weighting_scheme metadata["ss_logit_mean"] = args.logit_mean metadata["ss_logit_std"] = args.logit_std metadata["ss_mode_scale"] = args.mode_scale metadata["ss_timestep_sampling"] = args.timestep_sampling metadata["ss_sigmoid_scale"] = args.sigmoid_scale metadata["ss_model_prediction_type"] = args.model_prediction_type metadata["ss_discrete_flow_shift"] = args.discrete_flow_shift def is_text_encoder_not_needed_for_training(self, args): return args.cache_text_encoder_outputs and not self.is_train_text_encoder(args) def prepare_text_encoder_grad_ckpt_workaround(self, index, text_encoder): text_encoder.embed_tokens.requires_grad_(True) def prepare_text_encoder_fp8(self, index, text_encoder, te_weight_dtype, weight_dtype): logger.info(f"prepare Gemma2 for fp8: set to {te_weight_dtype}, set embeddings to {weight_dtype}") text_encoder.to(te_weight_dtype) # fp8 text_encoder.embed_tokens.to(dtype=weight_dtype) def prepare_unet_with_accelerator( self, args: argparse.Namespace, accelerator: Accelerator, unet: torch.nn.Module ) -> torch.nn.Module: if not self.is_swapping_blocks: return super().prepare_unet_with_accelerator(args, accelerator, unet) # if we doesn't swap blocks, we can move the model to device nextdit = unet assert isinstance(nextdit, lumina_models.NextDiT) nextdit = accelerator.prepare(nextdit, device_placement=[not self.is_swapping_blocks]) accelerator.unwrap_model(nextdit).move_to_device_except_swap_blocks(accelerator.device) # reduce peak memory usage accelerator.unwrap_model(nextdit).prepare_block_swap_before_forward() return nextdit def on_validation_step_end(self, args, accelerator, network, text_encoders, unet, batch, weight_dtype): if self.is_swapping_blocks: # prepare for next forward: because backward pass is not called, we need to prepare it here accelerator.unwrap_model(unet).prepare_block_swap_before_forward() def setup_parser() -> argparse.ArgumentParser: parser = train_network.setup_parser() train_util.add_dit_training_arguments(parser) lumina_train_util.add_lumina_train_arguments(parser) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) trainer = LuminaNetworkTrainer() trainer.train(args) ================================================ FILE: networks/check_lora_weights.py ================================================ import argparse import os import torch from safetensors.torch import load_file from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) def main(file): logger.info(f"loading: {file}") if os.path.splitext(file)[1] == ".safetensors": sd = load_file(file) else: sd = torch.load(file, map_location="cpu") values = [] keys = list(sd.keys()) for key in keys: if "lora_up" in key or "lora_down" in key or "lora_A" in key or "lora_B" in key or "oft_" in key: values.append((key, sd[key])) print(f"number of LoRA modules: {len(values)}") if args.show_all_keys: for key in [k for k in keys if k not in values]: values.append((key, sd[key])) print(f"number of all modules: {len(values)}") for key, value in values: value = value.to(torch.float32) print(f"{key},{str(tuple(value.size())).replace(', ', '-')},{torch.mean(torch.abs(value))},{torch.min(torch.abs(value))}") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument("file", type=str, help="model file to check / 重みを確認するモデルファイル") parser.add_argument("-s", "--show_all_keys", action="store_true", help="show all keys / 全てのキーを表示する") return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() main(args.file) ================================================ FILE: networks/control_net_lllite.py ================================================ import os from typing import Optional, List, Type import torch from library import sdxl_original_unet from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) # input_blocksに適用するかどうか / if True, input_blocks are not applied SKIP_INPUT_BLOCKS = False # output_blocksに適用するかどうか / if True, output_blocks are not applied SKIP_OUTPUT_BLOCKS = True # conv2dに適用するかどうか / if True, conv2d are not applied SKIP_CONV2D = False # transformer_blocksのみに適用するかどうか。Trueの場合、ResBlockには適用されない # if True, only transformer_blocks are applied, and ResBlocks are not applied TRANSFORMER_ONLY = True # if True, SKIP_CONV2D is ignored because conv2d is not used in transformer_blocks # Trueならattn1とattn2にのみ適用し、ffなどには適用しない / if True, apply only to attn1 and attn2, not to ff etc. ATTN1_2_ONLY = True # Trueならattn1のQKV、attn2のQにのみ適用する、ATTN1_2_ONLY指定時のみ有効 / if True, apply only to attn1 QKV and attn2 Q, only valid when ATTN1_2_ONLY is specified ATTN_QKV_ONLY = True # Trueならattn1やffなどにのみ適用し、attn2などには適用しない / if True, apply only to attn1 and ff, not to attn2 # ATTN1_2_ONLYと同時にTrueにできない / cannot be True at the same time as ATTN1_2_ONLY ATTN1_ETC_ONLY = False # True # transformer_blocksの最大インデックス。Noneなら全てのtransformer_blocksに適用 # max index of transformer_blocks. if None, apply to all transformer_blocks TRANSFORMER_MAX_BLOCK_INDEX = None class LLLiteModule(torch.nn.Module): def __init__(self, depth, cond_emb_dim, name, org_module, mlp_dim, dropout=None, multiplier=1.0): super().__init__() self.is_conv2d = org_module.__class__.__name__ == "Conv2d" self.lllite_name = name self.cond_emb_dim = cond_emb_dim self.org_module = [org_module] self.dropout = dropout self.multiplier = multiplier if self.is_conv2d: in_dim = org_module.in_channels else: in_dim = org_module.in_features # conditioning1はconditioning imageを embedding する。timestepごとに呼ばれない # conditioning1 embeds conditioning image. it is not called for each timestep modules = [] modules.append(torch.nn.Conv2d(3, cond_emb_dim // 2, kernel_size=4, stride=4, padding=0)) # to latent (from VAE) size if depth == 1: modules.append(torch.nn.ReLU(inplace=True)) modules.append(torch.nn.Conv2d(cond_emb_dim // 2, cond_emb_dim, kernel_size=2, stride=2, padding=0)) elif depth == 2: modules.append(torch.nn.ReLU(inplace=True)) modules.append(torch.nn.Conv2d(cond_emb_dim // 2, cond_emb_dim, kernel_size=4, stride=4, padding=0)) elif depth == 3: # kernel size 8は大きすぎるので、4にする / kernel size 8 is too large, so set it to 4 modules.append(torch.nn.ReLU(inplace=True)) modules.append(torch.nn.Conv2d(cond_emb_dim // 2, cond_emb_dim // 2, kernel_size=4, stride=4, padding=0)) modules.append(torch.nn.ReLU(inplace=True)) modules.append(torch.nn.Conv2d(cond_emb_dim // 2, cond_emb_dim, kernel_size=2, stride=2, padding=0)) self.conditioning1 = torch.nn.Sequential(*modules) # downで入力の次元数を削減する。LoRAにヒントを得ていることにする # midでconditioning image embeddingと入力を結合する # upで元の次元数に戻す # これらはtimestepごとに呼ばれる # reduce the number of input dimensions with down. inspired by LoRA # combine conditioning image embedding and input with mid # restore to the original dimension with up # these are called for each timestep if self.is_conv2d: self.down = torch.nn.Sequential( torch.nn.Conv2d(in_dim, mlp_dim, kernel_size=1, stride=1, padding=0), torch.nn.ReLU(inplace=True), ) self.mid = torch.nn.Sequential( torch.nn.Conv2d(mlp_dim + cond_emb_dim, mlp_dim, kernel_size=1, stride=1, padding=0), torch.nn.ReLU(inplace=True), ) self.up = torch.nn.Sequential( torch.nn.Conv2d(mlp_dim, in_dim, kernel_size=1, stride=1, padding=0), ) else: # midの前にconditioningをreshapeすること / reshape conditioning before mid self.down = torch.nn.Sequential( torch.nn.Linear(in_dim, mlp_dim), torch.nn.ReLU(inplace=True), ) self.mid = torch.nn.Sequential( torch.nn.Linear(mlp_dim + cond_emb_dim, mlp_dim), torch.nn.ReLU(inplace=True), ) self.up = torch.nn.Sequential( torch.nn.Linear(mlp_dim, in_dim), ) # Zero-Convにする / set to Zero-Conv torch.nn.init.zeros_(self.up[0].weight) # zero conv self.depth = depth # 1~3 self.cond_emb = None self.batch_cond_only = False # Trueなら推論時のcondにのみ適用する / if True, apply only to cond at inference self.use_zeros_for_batch_uncond = False # Trueならuncondのconditioningを0にする / if True, set uncond conditioning to 0 # batch_cond_onlyとuse_zeros_for_batch_uncondはどちらも適用すると生成画像の色味がおかしくなるので実際には使えそうにない # Controlの種類によっては使えるかも # both batch_cond_only and use_zeros_for_batch_uncond make the color of the generated image strange, so it doesn't seem to be usable in practice # it may be available depending on the type of Control def set_cond_image(self, cond_image): r""" 中でモデルを呼び出すので必要ならwith torch.no_grad()で囲む / call the model inside, so if necessary, surround it with torch.no_grad() """ if cond_image is None: self.cond_emb = None return # timestepごとに呼ばれないので、あらかじめ計算しておく / it is not called for each timestep, so calculate it in advance # logger.info(f"C {self.lllite_name}, cond_image.shape={cond_image.shape}") cx = self.conditioning1(cond_image) if not self.is_conv2d: # reshape / b,c,h,w -> b,h*w,c n, c, h, w = cx.shape cx = cx.view(n, c, h * w).permute(0, 2, 1) self.cond_emb = cx def set_batch_cond_only(self, cond_only, zeros): self.batch_cond_only = cond_only self.use_zeros_for_batch_uncond = zeros def apply_to(self): self.org_forward = self.org_module[0].forward self.org_module[0].forward = self.forward def forward(self, x): r""" 学習用の便利forward。元のモジュールのforwardを呼び出す / convenient forward for training. call the forward of the original module """ if self.multiplier == 0.0 or self.cond_emb is None: return self.org_forward(x) cx = self.cond_emb if not self.batch_cond_only and x.shape[0] // 2 == cx.shape[0]: # inference only cx = cx.repeat(2, 1, 1, 1) if self.is_conv2d else cx.repeat(2, 1, 1) if self.use_zeros_for_batch_uncond: cx[0::2] = 0.0 # uncond is zero # logger.info(f"C {self.lllite_name}, x.shape={x.shape}, cx.shape={cx.shape}") # downで入力の次元数を削減し、conditioning image embeddingと結合する # 加算ではなくchannel方向に結合することで、うまいこと混ぜてくれることを期待している # down reduces the number of input dimensions and combines it with conditioning image embedding # we expect that it will mix well by combining in the channel direction instead of adding cx = torch.cat([cx, self.down(x if not self.batch_cond_only else x[1::2])], dim=1 if self.is_conv2d else 2) cx = self.mid(cx) if self.dropout is not None and self.training: cx = torch.nn.functional.dropout(cx, p=self.dropout) cx = self.up(cx) * self.multiplier # residual (x) を加算して元のforwardを呼び出す / add residual (x) and call the original forward if self.batch_cond_only: zx = torch.zeros_like(x) zx[1::2] += cx cx = zx x = self.org_forward(x + cx) # ここで元のモジュールを呼び出す / call the original module here return x class ControlNetLLLite(torch.nn.Module): UNET_TARGET_REPLACE_MODULE = ["Transformer2DModel"] UNET_TARGET_REPLACE_MODULE_CONV2D_3X3 = ["ResnetBlock2D", "Downsample2D", "Upsample2D"] def __init__( self, unet: sdxl_original_unet.SdxlUNet2DConditionModel, cond_emb_dim: int = 16, mlp_dim: int = 16, dropout: Optional[float] = None, varbose: Optional[bool] = False, multiplier: Optional[float] = 1.0, ) -> None: super().__init__() # self.unets = [unet] def create_modules( root_module: torch.nn.Module, target_replace_modules: List[torch.nn.Module], module_class: Type[object], ) -> List[torch.nn.Module]: prefix = "lllite_unet" modules = [] for name, module in root_module.named_modules(): if module.__class__.__name__ in target_replace_modules: for child_name, child_module in module.named_modules(): is_linear = child_module.__class__.__name__ == "Linear" is_conv2d = child_module.__class__.__name__ == "Conv2d" if is_linear or (is_conv2d and not SKIP_CONV2D): # block indexからdepthを計算: depthはconditioningのサイズやチャネルを計算するのに使う # block index to depth: depth is using to calculate conditioning size and channels block_name, index1, index2 = (name + "." + child_name).split(".")[:3] index1 = int(index1) if block_name == "input_blocks": if SKIP_INPUT_BLOCKS: continue depth = 1 if index1 <= 2 else (2 if index1 <= 5 else 3) elif block_name == "middle_block": depth = 3 elif block_name == "output_blocks": if SKIP_OUTPUT_BLOCKS: continue depth = 3 if index1 <= 2 else (2 if index1 <= 5 else 1) if int(index2) >= 2: depth -= 1 else: raise NotImplementedError() lllite_name = prefix + "." + name + "." + child_name lllite_name = lllite_name.replace(".", "_") if TRANSFORMER_MAX_BLOCK_INDEX is not None: p = lllite_name.find("transformer_blocks") if p >= 0: tf_index = int(lllite_name[p:].split("_")[2]) if tf_index > TRANSFORMER_MAX_BLOCK_INDEX: continue # time embは適用外とする # attn2のconditioning (CLIPからの入力) はshapeが違うので適用できない # time emb is not applied # attn2 conditioning (input from CLIP) cannot be applied because the shape is different if "emb_layers" in lllite_name or ( "attn2" in lllite_name and ("to_k" in lllite_name or "to_v" in lllite_name) ): continue if ATTN1_2_ONLY: if not ("attn1" in lllite_name or "attn2" in lllite_name): continue if ATTN_QKV_ONLY: if "to_out" in lllite_name: continue if ATTN1_ETC_ONLY: if "proj_out" in lllite_name: pass elif "attn1" in lllite_name and ( "to_k" in lllite_name or "to_v" in lllite_name or "to_out" in lllite_name ): pass elif "ff_net_2" in lllite_name: pass else: continue module = module_class( depth, cond_emb_dim, lllite_name, child_module, mlp_dim, dropout=dropout, multiplier=multiplier, ) modules.append(module) return modules target_modules = ControlNetLLLite.UNET_TARGET_REPLACE_MODULE if not TRANSFORMER_ONLY: target_modules = target_modules + ControlNetLLLite.UNET_TARGET_REPLACE_MODULE_CONV2D_3X3 # create module instances self.unet_modules: List[LLLiteModule] = create_modules(unet, target_modules, LLLiteModule) logger.info(f"create ControlNet LLLite for U-Net: {len(self.unet_modules)} modules.") def forward(self, x): return x # dummy def set_cond_image(self, cond_image): r""" 中でモデルを呼び出すので必要ならwith torch.no_grad()で囲む / call the model inside, so if necessary, surround it with torch.no_grad() """ for module in self.unet_modules: module.set_cond_image(cond_image) def set_batch_cond_only(self, cond_only, zeros): for module in self.unet_modules: module.set_batch_cond_only(cond_only, zeros) def set_multiplier(self, multiplier): for module in self.unet_modules: module.multiplier = multiplier def load_weights(self, file): if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu") info = self.load_state_dict(weights_sd, False) return info def apply_to(self): logger.info("applying LLLite for U-Net...") for module in self.unet_modules: module.apply_to() self.add_module(module.lllite_name, module) # マージできるかどうかを返す def is_mergeable(self): return False def merge_to(self, text_encoder, unet, weights_sd, dtype, device): raise NotImplementedError() def enable_gradient_checkpointing(self): # not supported pass def prepare_optimizer_params(self): self.requires_grad_(True) return self.parameters() def prepare_grad_etc(self): self.requires_grad_(True) def on_epoch_start(self): self.train() def get_trainable_params(self): return self.parameters() def save_weights(self, file, dtype, metadata): if metadata is not None and len(metadata) == 0: metadata = None state_dict = self.state_dict() if dtype is not None: for key in list(state_dict.keys()): v = state_dict[key] v = v.detach().clone().to("cpu").to(dtype) state_dict[key] = v if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import save_file save_file(state_dict, file, metadata) else: torch.save(state_dict, file) if __name__ == "__main__": # デバッグ用 / for debug # sdxl_original_unet.USE_REENTRANT = False # test shape etc logger.info("create unet") unet = sdxl_original_unet.SdxlUNet2DConditionModel() unet.to("cuda").to(torch.float16) logger.info("create ControlNet-LLLite") control_net = ControlNetLLLite(unet, 32, 64) control_net.apply_to() control_net.to("cuda") logger.info(control_net) # logger.info number of parameters logger.info(f"number of parameters {sum(p.numel() for p in control_net.parameters() if p.requires_grad)}") input() unet.set_use_memory_efficient_attention(True, False) unet.set_gradient_checkpointing(True) unet.train() # for gradient checkpointing control_net.train() # # visualize # import torchviz # logger.info("run visualize") # controlnet.set_control(conditioning_image) # output = unet(x, t, ctx, y) # logger.info("make_dot") # image = torchviz.make_dot(output, params=dict(controlnet.named_parameters())) # logger.info("render") # image.format = "svg" # "png" # image.render("NeuralNet") # すごく時間がかかるので注意 / be careful because it takes a long time # input() import bitsandbytes optimizer = bitsandbytes.adam.Adam8bit(control_net.prepare_optimizer_params(), 1e-3) scaler = torch.cuda.amp.GradScaler(enabled=True) logger.info("start training") steps = 10 sample_param = [p for p in control_net.named_parameters() if "up" in p[0]][0] for step in range(steps): logger.info(f"step {step}") batch_size = 1 conditioning_image = torch.rand(batch_size, 3, 1024, 1024).cuda() * 2.0 - 1.0 x = torch.randn(batch_size, 4, 128, 128).cuda() t = torch.randint(low=0, high=10, size=(batch_size,)).cuda() ctx = torch.randn(batch_size, 77, 2048).cuda() y = torch.randn(batch_size, sdxl_original_unet.ADM_IN_CHANNELS).cuda() with torch.cuda.amp.autocast(enabled=True): control_net.set_cond_image(conditioning_image) output = unet(x, t, ctx, y) target = torch.randn_like(output) loss = torch.nn.functional.mse_loss(output, target) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update() optimizer.zero_grad(set_to_none=True) logger.info(f"{sample_param}") # from safetensors.torch import save_file # save_file(control_net.state_dict(), "logs/control_net.safetensors") ================================================ FILE: networks/control_net_lllite_for_train.py ================================================ # cond_imageをU-Netのforwardで渡すバージョンのControlNet-LLLite検証用実装 # ControlNet-LLLite implementation for verification with cond_image passed in U-Net's forward import os import re from typing import Optional, List, Type import torch from library import sdxl_original_unet from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) # input_blocksに適用するかどうか / if True, input_blocks are not applied SKIP_INPUT_BLOCKS = False # output_blocksに適用するかどうか / if True, output_blocks are not applied SKIP_OUTPUT_BLOCKS = True # conv2dに適用するかどうか / if True, conv2d are not applied SKIP_CONV2D = False # transformer_blocksのみに適用するかどうか。Trueの場合、ResBlockには適用されない # if True, only transformer_blocks are applied, and ResBlocks are not applied TRANSFORMER_ONLY = True # if True, SKIP_CONV2D is ignored because conv2d is not used in transformer_blocks # Trueならattn1とattn2にのみ適用し、ffなどには適用しない / if True, apply only to attn1 and attn2, not to ff etc. ATTN1_2_ONLY = True # Trueならattn1のQKV、attn2のQにのみ適用する、ATTN1_2_ONLY指定時のみ有効 / if True, apply only to attn1 QKV and attn2 Q, only valid when ATTN1_2_ONLY is specified ATTN_QKV_ONLY = True # Trueならattn1やffなどにのみ適用し、attn2などには適用しない / if True, apply only to attn1 and ff, not to attn2 # ATTN1_2_ONLYと同時にTrueにできない / cannot be True at the same time as ATTN1_2_ONLY ATTN1_ETC_ONLY = False # True # transformer_blocksの最大インデックス。Noneなら全てのtransformer_blocksに適用 # max index of transformer_blocks. if None, apply to all transformer_blocks TRANSFORMER_MAX_BLOCK_INDEX = None ORIGINAL_LINEAR = torch.nn.Linear ORIGINAL_CONV2D = torch.nn.Conv2d def add_lllite_modules(module: torch.nn.Module, in_dim: int, depth, cond_emb_dim, mlp_dim) -> None: # conditioning1はconditioning imageを embedding する。timestepごとに呼ばれない # conditioning1 embeds conditioning image. it is not called for each timestep modules = [] modules.append(ORIGINAL_CONV2D(3, cond_emb_dim // 2, kernel_size=4, stride=4, padding=0)) # to latent (from VAE) size if depth == 1: modules.append(torch.nn.ReLU(inplace=True)) modules.append(ORIGINAL_CONV2D(cond_emb_dim // 2, cond_emb_dim, kernel_size=2, stride=2, padding=0)) elif depth == 2: modules.append(torch.nn.ReLU(inplace=True)) modules.append(ORIGINAL_CONV2D(cond_emb_dim // 2, cond_emb_dim, kernel_size=4, stride=4, padding=0)) elif depth == 3: # kernel size 8は大きすぎるので、4にする / kernel size 8 is too large, so set it to 4 modules.append(torch.nn.ReLU(inplace=True)) modules.append(ORIGINAL_CONV2D(cond_emb_dim // 2, cond_emb_dim // 2, kernel_size=4, stride=4, padding=0)) modules.append(torch.nn.ReLU(inplace=True)) modules.append(ORIGINAL_CONV2D(cond_emb_dim // 2, cond_emb_dim, kernel_size=2, stride=2, padding=0)) module.lllite_conditioning1 = torch.nn.Sequential(*modules) # downで入力の次元数を削減する。LoRAにヒントを得ていることにする # midでconditioning image embeddingと入力を結合する # upで元の次元数に戻す # これらはtimestepごとに呼ばれる # reduce the number of input dimensions with down. inspired by LoRA # combine conditioning image embedding and input with mid # restore to the original dimension with up # these are called for each timestep module.lllite_down = torch.nn.Sequential( ORIGINAL_LINEAR(in_dim, mlp_dim), torch.nn.ReLU(inplace=True), ) module.lllite_mid = torch.nn.Sequential( ORIGINAL_LINEAR(mlp_dim + cond_emb_dim, mlp_dim), torch.nn.ReLU(inplace=True), ) module.lllite_up = torch.nn.Sequential( ORIGINAL_LINEAR(mlp_dim, in_dim), ) # Zero-Convにする / set to Zero-Conv torch.nn.init.zeros_(module.lllite_up[0].weight) # zero conv class LLLiteLinear(ORIGINAL_LINEAR): def __init__(self, in_features: int, out_features: int, **kwargs): super().__init__(in_features, out_features, **kwargs) self.enabled = False def set_lllite(self, depth, cond_emb_dim, name, mlp_dim, dropout=None, multiplier=1.0): self.enabled = True self.lllite_name = name self.cond_emb_dim = cond_emb_dim self.dropout = dropout self.multiplier = multiplier # ignored in_dim = self.in_features add_lllite_modules(self, in_dim, depth, cond_emb_dim, mlp_dim) self.cond_image = None def set_cond_image(self, cond_image): self.cond_image = cond_image def forward(self, x): if not self.enabled: return super().forward(x) cx = self.lllite_conditioning1(self.cond_image) # make forward and backward compatible # reshape / b,c,h,w -> b,h*w,c n, c, h, w = cx.shape cx = cx.view(n, c, h * w).permute(0, 2, 1) cx = torch.cat([cx, self.lllite_down(x)], dim=2) cx = self.lllite_mid(cx) if self.dropout is not None and self.training: cx = torch.nn.functional.dropout(cx, p=self.dropout) cx = self.lllite_up(cx) * self.multiplier x = super().forward(x + cx) # ここで元のモジュールを呼び出す / call the original module here return x class LLLiteConv2d(ORIGINAL_CONV2D): def __init__(self, in_channels: int, out_channels: int, kernel_size, **kwargs): super().__init__(in_channels, out_channels, kernel_size, **kwargs) self.enabled = False def set_lllite(self, depth, cond_emb_dim, name, mlp_dim, dropout=None, multiplier=1.0): self.enabled = True self.lllite_name = name self.cond_emb_dim = cond_emb_dim self.dropout = dropout self.multiplier = multiplier # ignored in_dim = self.in_channels add_lllite_modules(self, in_dim, depth, cond_emb_dim, mlp_dim) self.cond_image = None self.cond_emb = None def set_cond_image(self, cond_image): self.cond_image = cond_image self.cond_emb = None def forward(self, x): # , cond_image=None): if not self.enabled: return super().forward(x) cx = self.lllite_conditioning1(self.cond_image) cx = torch.cat([cx, self.down(x)], dim=1) cx = self.mid(cx) if self.dropout is not None and self.training: cx = torch.nn.functional.dropout(cx, p=self.dropout) cx = self.up(cx) * self.multiplier x = super().forward(x + cx) # ここで元のモジュールを呼び出す / call the original module here return x class SdxlUNet2DConditionModelControlNetLLLite(sdxl_original_unet.SdxlUNet2DConditionModel): UNET_TARGET_REPLACE_MODULE = ["Transformer2DModel"] UNET_TARGET_REPLACE_MODULE_CONV2D_3X3 = ["ResnetBlock2D", "Downsample2D", "Upsample2D"] LLLITE_PREFIX = "lllite_unet" def __init__(self, **kwargs): super().__init__(**kwargs) def apply_lllite( self, cond_emb_dim: int = 16, mlp_dim: int = 16, dropout: Optional[float] = None, varbose: Optional[bool] = False, multiplier: Optional[float] = 1.0, ) -> None: def apply_to_modules( root_module: torch.nn.Module, target_replace_modules: List[torch.nn.Module], ) -> List[torch.nn.Module]: prefix = "lllite_unet" modules = [] for name, module in root_module.named_modules(): if module.__class__.__name__ in target_replace_modules: for child_name, child_module in module.named_modules(): is_linear = child_module.__class__.__name__ == "LLLiteLinear" is_conv2d = child_module.__class__.__name__ == "LLLiteConv2d" if is_linear or (is_conv2d and not SKIP_CONV2D): # block indexからdepthを計算: depthはconditioningのサイズやチャネルを計算するのに使う # block index to depth: depth is using to calculate conditioning size and channels block_name, index1, index2 = (name + "." + child_name).split(".")[:3] index1 = int(index1) if block_name == "input_blocks": if SKIP_INPUT_BLOCKS: continue depth = 1 if index1 <= 2 else (2 if index1 <= 5 else 3) elif block_name == "middle_block": depth = 3 elif block_name == "output_blocks": if SKIP_OUTPUT_BLOCKS: continue depth = 3 if index1 <= 2 else (2 if index1 <= 5 else 1) if int(index2) >= 2: depth -= 1 else: raise NotImplementedError() lllite_name = prefix + "." + name + "." + child_name lllite_name = lllite_name.replace(".", "_") if TRANSFORMER_MAX_BLOCK_INDEX is not None: p = lllite_name.find("transformer_blocks") if p >= 0: tf_index = int(lllite_name[p:].split("_")[2]) if tf_index > TRANSFORMER_MAX_BLOCK_INDEX: continue # time embは適用外とする # attn2のconditioning (CLIPからの入力) はshapeが違うので適用できない # time emb is not applied # attn2 conditioning (input from CLIP) cannot be applied because the shape is different if "emb_layers" in lllite_name or ( "attn2" in lllite_name and ("to_k" in lllite_name or "to_v" in lllite_name) ): continue if ATTN1_2_ONLY: if not ("attn1" in lllite_name or "attn2" in lllite_name): continue if ATTN_QKV_ONLY: if "to_out" in lllite_name: continue if ATTN1_ETC_ONLY: if "proj_out" in lllite_name: pass elif "attn1" in lllite_name and ( "to_k" in lllite_name or "to_v" in lllite_name or "to_out" in lllite_name ): pass elif "ff_net_2" in lllite_name: pass else: continue child_module.set_lllite(depth, cond_emb_dim, lllite_name, mlp_dim, dropout, multiplier) modules.append(child_module) return modules target_modules = SdxlUNet2DConditionModelControlNetLLLite.UNET_TARGET_REPLACE_MODULE if not TRANSFORMER_ONLY: target_modules = target_modules + SdxlUNet2DConditionModelControlNetLLLite.UNET_TARGET_REPLACE_MODULE_CONV2D_3X3 # create module instances self.lllite_modules = apply_to_modules(self, target_modules) logger.info(f"enable ControlNet LLLite for U-Net: {len(self.lllite_modules)} modules.") # def prepare_optimizer_params(self): def prepare_params(self): train_params = [] non_train_params = [] for name, p in self.named_parameters(): if "lllite" in name: train_params.append(p) else: non_train_params.append(p) logger.info(f"count of trainable parameters: {len(train_params)}") logger.info(f"count of non-trainable parameters: {len(non_train_params)}") for p in non_train_params: p.requires_grad_(False) # without this, an error occurs in the optimizer # RuntimeError: element 0 of tensors does not require grad and does not have a grad_fn non_train_params[0].requires_grad_(True) for p in train_params: p.requires_grad_(True) return train_params # def prepare_grad_etc(self): # self.requires_grad_(True) # def on_epoch_start(self): # self.train() def get_trainable_params(self): return [p[1] for p in self.named_parameters() if "lllite" in p[0]] def save_lllite_weights(self, file, dtype, metadata): if metadata is not None and len(metadata) == 0: metadata = None org_state_dict = self.state_dict() # copy LLLite keys from org_state_dict to state_dict with key conversion state_dict = {} for key in org_state_dict.keys(): # split with ".lllite" pos = key.find(".lllite") if pos < 0: continue lllite_key = SdxlUNet2DConditionModelControlNetLLLite.LLLITE_PREFIX + "." + key[:pos] lllite_key = lllite_key.replace(".", "_") + key[pos:] lllite_key = lllite_key.replace(".lllite_", ".") state_dict[lllite_key] = org_state_dict[key] if dtype is not None: for key in list(state_dict.keys()): v = state_dict[key] v = v.detach().clone().to("cpu").to(dtype) state_dict[key] = v if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import save_file save_file(state_dict, file, metadata) else: torch.save(state_dict, file) def load_lllite_weights(self, file, non_lllite_unet_sd=None): r""" LLLiteの重みを読み込まない（initされた値を使う）場合はfileにNoneを指定する。 この場合、non_lllite_unet_sdにはU-Netのstate_dictを指定する。 If you do not want to load LLLite weights (use initialized values), specify None for file. In this case, specify the state_dict of U-Net for non_lllite_unet_sd. """ if not file: state_dict = self.state_dict() for key in non_lllite_unet_sd: if key in state_dict: state_dict[key] = non_lllite_unet_sd[key] info = self.load_state_dict(state_dict, False) return info if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu") # module_name = module_name.replace("_block", "@blocks") # module_name = module_name.replace("_layer", "@layer") # module_name = module_name.replace("to_", "to@") # module_name = module_name.replace("time_embed", "time@embed") # module_name = module_name.replace("label_emb", "label@emb") # module_name = module_name.replace("skip_connection", "skip@connection") # module_name = module_name.replace("proj_in", "proj@in") # module_name = module_name.replace("proj_out", "proj@out") pattern = re.compile(r"(_block|_layer|to_|time_embed|label_emb|skip_connection|proj_in|proj_out)") # convert to lllite with U-Net state dict state_dict = non_lllite_unet_sd.copy() if non_lllite_unet_sd is not None else {} for key in weights_sd.keys(): # split with "." pos = key.find(".") if pos < 0: continue module_name = key[:pos] weight_name = key[pos + 1 :] # exclude "." module_name = module_name.replace(SdxlUNet2DConditionModelControlNetLLLite.LLLITE_PREFIX + "_", "") # これはうまくいかない。逆変換を考えなかった設計が悪い / this does not work well. bad design because I didn't think about inverse conversion # module_name = module_name.replace("_", ".") # ださいけどSDXLのU-Netの "_" を "@" に変換する / ugly but convert "_" of SDXL U-Net to "@" matches = pattern.findall(module_name) if matches is not None: for m in matches: logger.info(f"{module_name} {m}") module_name = module_name.replace(m, m.replace("_", "@")) module_name = module_name.replace("_", ".") module_name = module_name.replace("@", "_") lllite_key = module_name + ".lllite_" + weight_name state_dict[lllite_key] = weights_sd[key] info = self.load_state_dict(state_dict, False) return info def forward(self, x, timesteps=None, context=None, y=None, cond_image=None, **kwargs): for m in self.lllite_modules: m.set_cond_image(cond_image) return super().forward(x, timesteps, context, y, **kwargs) def replace_unet_linear_and_conv2d(): logger.info("replace torch.nn.Linear and torch.nn.Conv2d to LLLiteLinear and LLLiteConv2d in U-Net") sdxl_original_unet.torch.nn.Linear = LLLiteLinear sdxl_original_unet.torch.nn.Conv2d = LLLiteConv2d if __name__ == "__main__": # デバッグ用 / for debug # sdxl_original_unet.USE_REENTRANT = False replace_unet_linear_and_conv2d() # test shape etc logger.info("create unet") unet = SdxlUNet2DConditionModelControlNetLLLite() logger.info("enable ControlNet-LLLite") unet.apply_lllite(32, 64, None, False, 1.0) unet.to("cuda") # .to(torch.float16) # from safetensors.torch import load_file # model_sd = load_file(r"E:\Work\SD\Models\sdxl\sd_xl_base_1.0_0.9vae.safetensors") # unet_sd = {} # # copy U-Net keys from unet_state_dict to state_dict # prefix = "model.diffusion_model." # for key in model_sd.keys(): # if key.startswith(prefix): # converted_key = key[len(prefix) :] # unet_sd[converted_key] = model_sd[key] # info = unet.load_lllite_weights("r:/lllite_from_unet.safetensors", unet_sd) # logger.info(info) # logger.info(unet) # logger.info number of parameters params = unet.prepare_params() logger.info(f"number of parameters {sum(p.numel() for p in params)}") # logger.info("type any key to continue") # input() unet.set_use_memory_efficient_attention(True, False) unet.set_gradient_checkpointing(True) unet.train() # for gradient checkpointing # # visualize # import torchviz # logger.info("run visualize") # controlnet.set_control(conditioning_image) # output = unet(x, t, ctx, y) # logger.info("make_dot") # image = torchviz.make_dot(output, params=dict(controlnet.named_parameters())) # logger.info("render") # image.format = "svg" # "png" # image.render("NeuralNet") # すごく時間がかかるので注意 / be careful because it takes a long time # input() import bitsandbytes optimizer = bitsandbytes.adam.Adam8bit(params, 1e-3) scaler = torch.cuda.amp.GradScaler(enabled=True) logger.info("start training") steps = 10 batch_size = 1 sample_param = [p for p in unet.named_parameters() if ".lllite_up." in p[0]][0] for step in range(steps): logger.info(f"step {step}") conditioning_image = torch.rand(batch_size, 3, 1024, 1024).cuda() * 2.0 - 1.0 x = torch.randn(batch_size, 4, 128, 128).cuda() t = torch.randint(low=0, high=10, size=(batch_size,)).cuda() ctx = torch.randn(batch_size, 77, 2048).cuda() y = torch.randn(batch_size, sdxl_original_unet.ADM_IN_CHANNELS).cuda() with torch.cuda.amp.autocast(enabled=True, dtype=torch.bfloat16): output = unet(x, t, ctx, y, conditioning_image) target = torch.randn_like(output) loss = torch.nn.functional.mse_loss(output, target) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update() optimizer.zero_grad(set_to_none=True) logger.info(sample_param) # from safetensors.torch import save_file # logger.info("save weights") # unet.save_lllite_weights("r:/lllite_from_unet.safetensors", torch.float16, None) ================================================ FILE: networks/convert_anima_lora_to_comfy.py ================================================ import argparse from safetensors.torch import save_file from safetensors import safe_open from library import train_util from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) COMFYUI_DIT_PREFIX = "diffusion_model." COMFYUI_QWEN3_PREFIX = "text_encoders.qwen3_06b.transformer.model." def main(args): # load source safetensors logger.info(f"Loading source file {args.src_path}") state_dict = {} with safe_open(args.src_path, framework="pt") as f: metadata = f.metadata() for k in f.keys(): state_dict[k] = f.get_tensor(k) logger.info(f"Converting...") keys = list(state_dict.keys()) count = 0 for k in keys: if not args.reverse: is_dit_lora = k.startswith("lora_unet_") module_and_weight_name = "_".join(k.split("_")[2:]) # Remove `lora_unet_`or `lora_te_` prefix # Split at the first dot, e.g., "block1_linear.weight" -> "block1_linear", "weight" module_name, weight_name = module_and_weight_name.split(".", 1) # Weight name conversion: lora_up/lora_down to lora_A/lora_B if weight_name.startswith("lora_up"): weight_name = weight_name.replace("lora_up", "lora_B") elif weight_name.startswith("lora_down"): weight_name = weight_name.replace("lora_down", "lora_A") else: # Keep other weight names as-is: e.g. alpha pass # Module name conversion: convert dots to underscores original_module_name = module_name.replace("_", ".") # Convert to dot notation # Convert back illegal dots in module names # DiT original_module_name = original_module_name.replace("llm.adapter", "llm_adapter") original_module_name = original_module_name.replace(".linear.", ".linear_") original_module_name = original_module_name.replace("t.embedding.norm", "t_embedding_norm") original_module_name = original_module_name.replace("x.embedder", "x_embedder") original_module_name = original_module_name.replace("adaln.modulation.cross_attn", "adaln_modulation_cross_attn") original_module_name = original_module_name.replace("adaln.modulation.mlp", "adaln_modulation_mlp") original_module_name = original_module_name.replace("cross.attn", "cross_attn") original_module_name = original_module_name.replace("k.proj", "k_proj") original_module_name = original_module_name.replace("k.norm", "k_norm") original_module_name = original_module_name.replace("q.proj", "q_proj") original_module_name = original_module_name.replace("q.norm", "q_norm") original_module_name = original_module_name.replace("v.proj", "v_proj") original_module_name = original_module_name.replace("o.proj", "o_proj") original_module_name = original_module_name.replace("output.proj", "output_proj") original_module_name = original_module_name.replace("self.attn", "self_attn") original_module_name = original_module_name.replace("final.layer", "final_layer") original_module_name = original_module_name.replace("adaln.modulation", "adaln_modulation") original_module_name = original_module_name.replace("norm.cross.attn", "norm_cross_attn") original_module_name = original_module_name.replace("norm.mlp", "norm_mlp") original_module_name = original_module_name.replace("norm.self.attn", "norm_self_attn") original_module_name = original_module_name.replace("out.proj", "out_proj") # Qwen3 original_module_name = original_module_name.replace("embed.tokens", "embed_tokens") original_module_name = original_module_name.replace("input.layernorm", "input_layernorm") original_module_name = original_module_name.replace("down.proj", "down_proj") original_module_name = original_module_name.replace("gate.proj", "gate_proj") original_module_name = original_module_name.replace("up.proj", "up_proj") original_module_name = original_module_name.replace("post.attention.layernorm", "post_attention_layernorm") # Prefix conversion new_prefix = COMFYUI_DIT_PREFIX if is_dit_lora else COMFYUI_QWEN3_PREFIX new_k = f"{new_prefix}{original_module_name}.{weight_name}" else: if k.startswith(COMFYUI_DIT_PREFIX): is_dit_lora = True module_and_weight_name = k[len(COMFYUI_DIT_PREFIX) :] elif k.startswith(COMFYUI_QWEN3_PREFIX): is_dit_lora = False module_and_weight_name = k[len(COMFYUI_QWEN3_PREFIX) :] else: logger.warning(f"Skipping unrecognized key {k}") continue # Get weight name if ".lora_" in module_and_weight_name: module_name, weight_name = module_and_weight_name.rsplit(".lora_", 1) weight_name = "lora_" + weight_name else: module_name, weight_name = module_and_weight_name.rsplit(".", 1) # Keep other weight names as-is: e.g. alpha # Weight name conversion: lora_A/lora_B to lora_up/lora_down # Note: we only convert lora_A and lora_B weights, other weights are kept as-is if weight_name.startswith("lora_B"): weight_name = weight_name.replace("lora_B", "lora_up") elif weight_name.startswith("lora_A"): weight_name = weight_name.replace("lora_A", "lora_down") # Module name conversion: convert dots to underscores module_name = module_name.replace(".", "_") # Convert to underscore notation # Prefix conversion prefix = "lora_unet_" if is_dit_lora else "lora_te_" new_k = f"{prefix}{module_name}.{weight_name}" state_dict[new_k] = state_dict.pop(k) count += 1 logger.info(f"Converted {count} keys") if count == 0: logger.warning("No keys were converted. Please check if the source file is in the expected format.") elif count > 0 and count < len(keys): logger.warning( f"Only {count} out of {len(keys)} keys were converted. Please check if there are unexpected keys in the source file." ) # Calculate hash if metadata is not None: logger.info(f"Calculating hashes and creating metadata...") model_hash, legacy_hash = train_util.precalculate_safetensors_hashes(state_dict, metadata) metadata["sshs_model_hash"] = model_hash metadata["sshs_legacy_hash"] = legacy_hash # save destination safetensors logger.info(f"Saving destination file {args.dst_path}") save_file(state_dict, args.dst_path, metadata=metadata) if __name__ == "__main__": parser = argparse.ArgumentParser(description="Convert LoRA format") parser.add_argument( "src_path", type=str, default=None, help="source path, sd-scripts format (or ComfyUI compatible format if --reverse is set, only supported for LoRAs converted by this script)", ) parser.add_argument( "dst_path", type=str, default=None, help="destination path, ComfyUI compatible format (or sd-scripts format if --reverse is set)", ) parser.add_argument("--reverse", action="store_true", help="reverse conversion direction") args = parser.parse_args() main(args) ================================================ FILE: networks/convert_flux_lora.py ================================================ # convert key mapping and data format from some LoRA format to another """ Original LoRA format: Based on Black Forest Labs, QKV and MLP are unified into one module alpha is scalar for each LoRA module 0 to 18 lora_unet_double_blocks_0_img_attn_proj.alpha torch.Size([]) lora_unet_double_blocks_0_img_attn_proj.lora_down.weight torch.Size([4, 3072]) lora_unet_double_blocks_0_img_attn_proj.lora_up.weight torch.Size([3072, 4]) lora_unet_double_blocks_0_img_attn_qkv.alpha torch.Size([]) lora_unet_double_blocks_0_img_attn_qkv.lora_down.weight torch.Size([4, 3072]) lora_unet_double_blocks_0_img_attn_qkv.lora_up.weight torch.Size([9216, 4]) lora_unet_double_blocks_0_img_mlp_0.alpha torch.Size([]) lora_unet_double_blocks_0_img_mlp_0.lora_down.weight torch.Size([4, 3072]) lora_unet_double_blocks_0_img_mlp_0.lora_up.weight torch.Size([12288, 4]) lora_unet_double_blocks_0_img_mlp_2.alpha torch.Size([]) lora_unet_double_blocks_0_img_mlp_2.lora_down.weight torch.Size([4, 12288]) lora_unet_double_blocks_0_img_mlp_2.lora_up.weight torch.Size([3072, 4]) lora_unet_double_blocks_0_img_mod_lin.alpha torch.Size([]) lora_unet_double_blocks_0_img_mod_lin.lora_down.weight torch.Size([4, 3072]) lora_unet_double_blocks_0_img_mod_lin.lora_up.weight torch.Size([18432, 4]) lora_unet_double_blocks_0_txt_attn_proj.alpha torch.Size([]) lora_unet_double_blocks_0_txt_attn_proj.lora_down.weight torch.Size([4, 3072]) lora_unet_double_blocks_0_txt_attn_proj.lora_up.weight torch.Size([3072, 4]) lora_unet_double_blocks_0_txt_attn_qkv.alpha torch.Size([]) lora_unet_double_blocks_0_txt_attn_qkv.lora_down.weight torch.Size([4, 3072]) lora_unet_double_blocks_0_txt_attn_qkv.lora_up.weight torch.Size([9216, 4]) lora_unet_double_blocks_0_txt_mlp_0.alpha torch.Size([]) lora_unet_double_blocks_0_txt_mlp_0.lora_down.weight torch.Size([4, 3072]) lora_unet_double_blocks_0_txt_mlp_0.lora_up.weight torch.Size([12288, 4]) lora_unet_double_blocks_0_txt_mlp_2.alpha torch.Size([]) lora_unet_double_blocks_0_txt_mlp_2.lora_down.weight torch.Size([4, 12288]) lora_unet_double_blocks_0_txt_mlp_2.lora_up.weight torch.Size([3072, 4]) lora_unet_double_blocks_0_txt_mod_lin.alpha torch.Size([]) lora_unet_double_blocks_0_txt_mod_lin.lora_down.weight torch.Size([4, 3072]) lora_unet_double_blocks_0_txt_mod_lin.lora_up.weight torch.Size([18432, 4]) 0 to 37 lora_unet_single_blocks_0_linear1.alpha torch.Size([]) lora_unet_single_blocks_0_linear1.lora_down.weight torch.Size([4, 3072]) lora_unet_single_blocks_0_linear1.lora_up.weight torch.Size([21504, 4]) lora_unet_single_blocks_0_linear2.alpha torch.Size([]) lora_unet_single_blocks_0_linear2.lora_down.weight torch.Size([4, 15360]) lora_unet_single_blocks_0_linear2.lora_up.weight torch.Size([3072, 4]) lora_unet_single_blocks_0_modulation_lin.alpha torch.Size([]) lora_unet_single_blocks_0_modulation_lin.lora_down.weight torch.Size([4, 3072]) lora_unet_single_blocks_0_modulation_lin.lora_up.weight torch.Size([9216, 4]) """ """ ai-toolkit: Based on Diffusers, QKV and MLP are separated into 3 modules. A is down, B is up. No alpha for each LoRA module. 0 to 18 transformer.transformer_blocks.0.attn.add_k_proj.lora_A.weight torch.Size([16, 3072]) transformer.transformer_blocks.0.attn.add_k_proj.lora_B.weight torch.Size([3072, 16]) transformer.transformer_blocks.0.attn.add_q_proj.lora_A.weight torch.Size([16, 3072]) transformer.transformer_blocks.0.attn.add_q_proj.lora_B.weight torch.Size([3072, 16]) transformer.transformer_blocks.0.attn.add_v_proj.lora_A.weight torch.Size([16, 3072]) transformer.transformer_blocks.0.attn.add_v_proj.lora_B.weight torch.Size([3072, 16]) transformer.transformer_blocks.0.attn.to_add_out.lora_A.weight torch.Size([16, 3072]) transformer.transformer_blocks.0.attn.to_add_out.lora_B.weight torch.Size([3072, 16]) transformer.transformer_blocks.0.attn.to_k.lora_A.weight torch.Size([16, 3072]) transformer.transformer_blocks.0.attn.to_k.lora_B.weight torch.Size([3072, 16]) transformer.transformer_blocks.0.attn.to_out.0.lora_A.weight torch.Size([16, 3072]) transformer.transformer_blocks.0.attn.to_out.0.lora_B.weight torch.Size([3072, 16]) transformer.transformer_blocks.0.attn.to_q.lora_A.weight torch.Size([16, 3072]) transformer.transformer_blocks.0.attn.to_q.lora_B.weight torch.Size([3072, 16]) transformer.transformer_blocks.0.attn.to_v.lora_A.weight torch.Size([16, 3072]) transformer.transformer_blocks.0.attn.to_v.lora_B.weight torch.Size([3072, 16]) transformer.transformer_blocks.0.ff.net.0.proj.lora_A.weight torch.Size([16, 3072]) transformer.transformer_blocks.0.ff.net.0.proj.lora_B.weight torch.Size([12288, 16]) transformer.transformer_blocks.0.ff.net.2.lora_A.weight torch.Size([16, 12288]) transformer.transformer_blocks.0.ff.net.2.lora_B.weight torch.Size([3072, 16]) transformer.transformer_blocks.0.ff_context.net.0.proj.lora_A.weight torch.Size([16, 3072]) transformer.transformer_blocks.0.ff_context.net.0.proj.lora_B.weight torch.Size([12288, 16]) transformer.transformer_blocks.0.ff_context.net.2.lora_A.weight torch.Size([16, 12288]) transformer.transformer_blocks.0.ff_context.net.2.lora_B.weight torch.Size([3072, 16]) transformer.transformer_blocks.0.norm1.linear.lora_A.weight torch.Size([16, 3072]) transformer.transformer_blocks.0.norm1.linear.lora_B.weight torch.Size([18432, 16]) transformer.transformer_blocks.0.norm1_context.linear.lora_A.weight torch.Size([16, 3072]) transformer.transformer_blocks.0.norm1_context.linear.lora_B.weight torch.Size([18432, 16]) 0 to 37 transformer.single_transformer_blocks.0.attn.to_k.lora_A.weight torch.Size([16, 3072]) transformer.single_transformer_blocks.0.attn.to_k.lora_B.weight torch.Size([3072, 16]) transformer.single_transformer_blocks.0.attn.to_q.lora_A.weight torch.Size([16, 3072]) transformer.single_transformer_blocks.0.attn.to_q.lora_B.weight torch.Size([3072, 16]) transformer.single_transformer_blocks.0.attn.to_v.lora_A.weight torch.Size([16, 3072]) transformer.single_transformer_blocks.0.attn.to_v.lora_B.weight torch.Size([3072, 16]) transformer.single_transformer_blocks.0.norm.linear.lora_A.weight torch.Size([16, 3072]) transformer.single_transformer_blocks.0.norm.linear.lora_B.weight torch.Size([9216, 16]) transformer.single_transformer_blocks.0.proj_mlp.lora_A.weight torch.Size([16, 3072]) transformer.single_transformer_blocks.0.proj_mlp.lora_B.weight torch.Size([12288, 16]) transformer.single_transformer_blocks.0.proj_out.lora_A.weight torch.Size([16, 15360]) transformer.single_transformer_blocks.0.proj_out.lora_B.weight torch.Size([3072, 16]) """ """ xlabs: Unknown format. 0 to 18 double_blocks.0.processor.proj_lora1.down.weight torch.Size([16, 3072]) double_blocks.0.processor.proj_lora1.up.weight torch.Size([3072, 16]) double_blocks.0.processor.proj_lora2.down.weight torch.Size([16, 3072]) double_blocks.0.processor.proj_lora2.up.weight torch.Size([3072, 16]) double_blocks.0.processor.qkv_lora1.down.weight torch.Size([16, 3072]) double_blocks.0.processor.qkv_lora1.up.weight torch.Size([9216, 16]) double_blocks.0.processor.qkv_lora2.down.weight torch.Size([16, 3072]) double_blocks.0.processor.qkv_lora2.up.weight torch.Size([9216, 16]) """ import argparse from safetensors.torch import save_file from safetensors import safe_open import torch from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) def convert_to_sd_scripts(sds_sd, ait_sd, sds_key, ait_key): ait_down_key = ait_key + ".lora_A.weight" if ait_down_key not in ait_sd: return ait_up_key = ait_key + ".lora_B.weight" down_weight = ait_sd.pop(ait_down_key) sds_sd[sds_key + ".lora_down.weight"] = down_weight sds_sd[sds_key + ".lora_up.weight"] = ait_sd.pop(ait_up_key) rank = down_weight.shape[0] sds_sd[sds_key + ".alpha"] = torch.scalar_tensor(rank, dtype=down_weight.dtype, device=down_weight.device) def convert_to_sd_scripts_cat(sds_sd, ait_sd, sds_key, ait_keys): ait_down_keys = [k + ".lora_A.weight" for k in ait_keys] if ait_down_keys[0] not in ait_sd: return ait_up_keys = [k + ".lora_B.weight" for k in ait_keys] down_weights = [ait_sd.pop(k) for k in ait_down_keys] up_weights = [ait_sd.pop(k) for k in ait_up_keys] # lora_down is concatenated along dim=0, so rank is multiplied by the number of splits rank = down_weights[0].shape[0] num_splits = len(ait_keys) sds_sd[sds_key + ".lora_down.weight"] = torch.cat(down_weights, dim=0) merged_up_weights = torch.zeros( (sum(w.shape[0] for w in up_weights), rank * num_splits), dtype=up_weights[0].dtype, device=up_weights[0].device, ) i = 0 for j, up_weight in enumerate(up_weights): merged_up_weights[i : i + up_weight.shape[0], j * rank : (j + 1) * rank] = up_weight i += up_weight.shape[0] sds_sd[sds_key + ".lora_up.weight"] = merged_up_weights # set alpha to new_rank new_rank = rank * num_splits sds_sd[sds_key + ".alpha"] = torch.scalar_tensor(new_rank, dtype=down_weights[0].dtype, device=down_weights[0].device) def convert_ai_toolkit_to_sd_scripts(ait_sd): sds_sd = {} for i in range(19): convert_to_sd_scripts( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_img_attn_proj", f"transformer.transformer_blocks.{i}.attn.to_out.0" ) convert_to_sd_scripts_cat( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_img_attn_qkv", [ f"transformer.transformer_blocks.{i}.attn.to_q", f"transformer.transformer_blocks.{i}.attn.to_k", f"transformer.transformer_blocks.{i}.attn.to_v", ], ) convert_to_sd_scripts( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_img_mlp_0", f"transformer.transformer_blocks.{i}.ff.net.0.proj" ) convert_to_sd_scripts( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_img_mlp_2", f"transformer.transformer_blocks.{i}.ff.net.2" ) convert_to_sd_scripts( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_img_mod_lin", f"transformer.transformer_blocks.{i}.norm1.linear" ) convert_to_sd_scripts( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_txt_attn_proj", f"transformer.transformer_blocks.{i}.attn.to_add_out" ) convert_to_sd_scripts_cat( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_txt_attn_qkv", [ f"transformer.transformer_blocks.{i}.attn.add_q_proj", f"transformer.transformer_blocks.{i}.attn.add_k_proj", f"transformer.transformer_blocks.{i}.attn.add_v_proj", ], ) convert_to_sd_scripts( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_txt_mlp_0", f"transformer.transformer_blocks.{i}.ff_context.net.0.proj" ) convert_to_sd_scripts( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_txt_mlp_2", f"transformer.transformer_blocks.{i}.ff_context.net.2" ) convert_to_sd_scripts( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_txt_mod_lin", f"transformer.transformer_blocks.{i}.norm1_context.linear" ) for i in range(38): convert_to_sd_scripts_cat( sds_sd, ait_sd, f"lora_unet_single_blocks_{i}_linear1", [ f"transformer.single_transformer_blocks.{i}.attn.to_q", f"transformer.single_transformer_blocks.{i}.attn.to_k", f"transformer.single_transformer_blocks.{i}.attn.to_v", f"transformer.single_transformer_blocks.{i}.proj_mlp", ], ) convert_to_sd_scripts( sds_sd, ait_sd, f"lora_unet_single_blocks_{i}_linear2", f"transformer.single_transformer_blocks.{i}.proj_out" ) convert_to_sd_scripts( sds_sd, ait_sd, f"lora_unet_single_blocks_{i}_modulation_lin", f"transformer.single_transformer_blocks.{i}.norm.linear" ) if len(ait_sd) > 0: logger.warning(f"Unsuppored keys for sd-scripts: {ait_sd.keys()}") return sds_sd def convert_to_ai_toolkit(sds_sd, ait_sd, sds_key, ait_key): if sds_key + ".lora_down.weight" not in sds_sd: return down_weight = sds_sd.pop(sds_key + ".lora_down.weight") # scale weight by alpha and dim rank = down_weight.shape[0] alpha = sds_sd.pop(sds_key + ".alpha").item() # alpha is scalar scale = alpha / rank # LoRA is scaled by 'alpha / rank' in forward pass, so we need to scale it back here # print(f"rank: {rank}, alpha: {alpha}, scale: {scale}") # calculate scale_down and scale_up to keep the same value. if scale is 4, scale_down is 2 and scale_up is 2 scale_down = scale scale_up = 1.0 while scale_down * 2 < scale_up: scale_down *= 2 scale_up /= 2 # print(f"scale: {scale}, scale_down: {scale_down}, scale_up: {scale_up}") ait_sd[ait_key + ".lora_A.weight"] = down_weight * scale_down ait_sd[ait_key + ".lora_B.weight"] = sds_sd.pop(sds_key + ".lora_up.weight") * scale_up def convert_to_ai_toolkit_cat(sds_sd, ait_sd, sds_key, ait_keys, dims=None): if sds_key + ".lora_down.weight" not in sds_sd: return down_weight = sds_sd.pop(sds_key + ".lora_down.weight") up_weight = sds_sd.pop(sds_key + ".lora_up.weight") sd_lora_rank = down_weight.shape[0] # scale weight by alpha and dim alpha = sds_sd.pop(sds_key + ".alpha") scale = alpha / sd_lora_rank # calculate scale_down and scale_up scale_down = scale scale_up = 1.0 while scale_down * 2 < scale_up: scale_down *= 2 scale_up /= 2 down_weight = down_weight * scale_down up_weight = up_weight * scale_up # calculate dims if not provided num_splits = len(ait_keys) if dims is None: dims = [up_weight.shape[0] // num_splits] * num_splits else: assert sum(dims) == up_weight.shape[0] # check upweight is sparse or not is_sparse = False if sd_lora_rank % num_splits == 0: ait_rank = sd_lora_rank // num_splits is_sparse = True i = 0 for j in range(len(dims)): for k in range(len(dims)): if j == k: continue is_sparse = is_sparse and torch.all(up_weight[i : i + dims[j], k * ait_rank : (k + 1) * ait_rank] == 0) i += dims[j] if is_sparse: logger.info(f"weight is sparse: {sds_key}") # make ai-toolkit weight ait_down_keys = [k + ".lora_A.weight" for k in ait_keys] ait_up_keys = [k + ".lora_B.weight" for k in ait_keys] if not is_sparse: # down_weight is copied to each split ait_sd.update({k: down_weight for k in ait_down_keys}) # up_weight is split to each split ait_sd.update({k: v for k, v in zip(ait_up_keys, torch.split(up_weight, dims, dim=0))}) else: # down_weight is chunked to each split ait_sd.update({k: v for k, v in zip(ait_down_keys, torch.chunk(down_weight, num_splits, dim=0))}) # up_weight is sparse: only non-zero values are copied to each split i = 0 for j in range(len(dims)): ait_sd[ait_up_keys[j]] = up_weight[i : i + dims[j], j * ait_rank : (j + 1) * ait_rank].contiguous() i += dims[j] def convert_sd_scripts_to_ai_toolkit(sds_sd): ait_sd = {} for i in range(19): convert_to_ai_toolkit( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_img_attn_proj", f"transformer.transformer_blocks.{i}.attn.to_out.0" ) convert_to_ai_toolkit_cat( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_img_attn_qkv", [ f"transformer.transformer_blocks.{i}.attn.to_q", f"transformer.transformer_blocks.{i}.attn.to_k", f"transformer.transformer_blocks.{i}.attn.to_v", ], ) convert_to_ai_toolkit( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_img_mlp_0", f"transformer.transformer_blocks.{i}.ff.net.0.proj" ) convert_to_ai_toolkit( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_img_mlp_2", f"transformer.transformer_blocks.{i}.ff.net.2" ) convert_to_ai_toolkit( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_img_mod_lin", f"transformer.transformer_blocks.{i}.norm1.linear" ) convert_to_ai_toolkit( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_txt_attn_proj", f"transformer.transformer_blocks.{i}.attn.to_add_out" ) convert_to_ai_toolkit_cat( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_txt_attn_qkv", [ f"transformer.transformer_blocks.{i}.attn.add_q_proj", f"transformer.transformer_blocks.{i}.attn.add_k_proj", f"transformer.transformer_blocks.{i}.attn.add_v_proj", ], ) convert_to_ai_toolkit( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_txt_mlp_0", f"transformer.transformer_blocks.{i}.ff_context.net.0.proj" ) convert_to_ai_toolkit( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_txt_mlp_2", f"transformer.transformer_blocks.{i}.ff_context.net.2" ) convert_to_ai_toolkit( sds_sd, ait_sd, f"lora_unet_double_blocks_{i}_txt_mod_lin", f"transformer.transformer_blocks.{i}.norm1_context.linear" ) for i in range(38): convert_to_ai_toolkit_cat( sds_sd, ait_sd, f"lora_unet_single_blocks_{i}_linear1", [ f"transformer.single_transformer_blocks.{i}.attn.to_q", f"transformer.single_transformer_blocks.{i}.attn.to_k", f"transformer.single_transformer_blocks.{i}.attn.to_v", f"transformer.single_transformer_blocks.{i}.proj_mlp", ], dims=[3072, 3072, 3072, 12288], ) convert_to_ai_toolkit( sds_sd, ait_sd, f"lora_unet_single_blocks_{i}_linear2", f"transformer.single_transformer_blocks.{i}.proj_out" ) convert_to_ai_toolkit( sds_sd, ait_sd, f"lora_unet_single_blocks_{i}_modulation_lin", f"transformer.single_transformer_blocks.{i}.norm.linear" ) if len(sds_sd) > 0: logger.warning(f"Unsuppored keys for ai-toolkit: {sds_sd.keys()}") return ait_sd def main(args): # load source safetensors logger.info(f"Loading source file {args.src_path}") state_dict = {} with safe_open(args.src_path, framework="pt") as f: metadata = f.metadata() for k in f.keys(): state_dict[k] = f.get_tensor(k) logger.info(f"Converting {args.src} to {args.dst} format") if args.src == "ai-toolkit" and args.dst == "sd-scripts": state_dict = convert_ai_toolkit_to_sd_scripts(state_dict) elif args.src == "sd-scripts" and args.dst == "ai-toolkit": state_dict = convert_sd_scripts_to_ai_toolkit(state_dict) # eliminate 'shared tensors' for k in list(state_dict.keys()): state_dict[k] = state_dict[k].detach().clone() else: raise NotImplementedError(f"Conversion from {args.src} to {args.dst} is not supported") # save destination safetensors logger.info(f"Saving destination file {args.dst_path}") save_file(state_dict, args.dst_path, metadata=metadata) if __name__ == "__main__": parser = argparse.ArgumentParser(description="Convert LoRA format") parser.add_argument("--src", type=str, default="ai-toolkit", help="source format, ai-toolkit or sd-scripts") parser.add_argument("--dst", type=str, default="sd-scripts", help="destination format, ai-toolkit or sd-scripts") parser.add_argument("--src_path", type=str, default=None, help="source path") parser.add_argument("--dst_path", type=str, default=None, help="destination path") args = parser.parse_args() main(args) ================================================ FILE: networks/convert_hunyuan_image_lora_to_comfy.py ================================================ import argparse from safetensors.torch import save_file from safetensors import safe_open import torch from library import train_util from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) def main(args): # load source safetensors logger.info(f"Loading source file {args.src_path}") state_dict = {} with safe_open(args.src_path, framework="pt") as f: metadata = f.metadata() for k in f.keys(): state_dict[k] = f.get_tensor(k) logger.info(f"Converting...") # Key mapping tables: (sd-scripts format, ComfyUI format) double_blocks_mappings = [ ("img_mlp_fc1", "img_mlp_0"), ("img_mlp_fc2", "img_mlp_2"), ("img_mod_linear", "img_mod_lin"), ("txt_mlp_fc1", "txt_mlp_0"), ("txt_mlp_fc2", "txt_mlp_2"), ("txt_mod_linear", "txt_mod_lin"), ] single_blocks_mappings = [ ("modulation_linear", "modulation_lin"), ] keys = list(state_dict.keys()) count = 0 for k in keys: new_k = k if "double_blocks" in k: mappings = double_blocks_mappings elif "single_blocks" in k: mappings = single_blocks_mappings else: continue # Apply mappings based on conversion direction for src_key, dst_key in mappings: if args.reverse: # ComfyUI to sd-scripts: swap src and dst new_k = new_k.replace(dst_key, src_key) else: # sd-scripts to ComfyUI: use as-is new_k = new_k.replace(src_key, dst_key) if new_k != k: state_dict[new_k] = state_dict.pop(k) count += 1 # print(f"Renamed {k} to {new_k}") logger.info(f"Converted {count} keys") # Calculate hash if metadata is not None: logger.info(f"Calculating hashes and creating metadata...") model_hash, legacy_hash = train_util.precalculate_safetensors_hashes(state_dict, metadata) metadata["sshs_model_hash"] = model_hash metadata["sshs_legacy_hash"] = legacy_hash # save destination safetensors logger.info(f"Saving destination file {args.dst_path}") save_file(state_dict, args.dst_path, metadata=metadata) if __name__ == "__main__": parser = argparse.ArgumentParser(description="Convert LoRA format") parser.add_argument("src_path", type=str, default=None, help="source path, sd-scripts format") parser.add_argument("dst_path", type=str, default=None, help="destination path, ComfyUI format") parser.add_argument("--reverse", action="store_true", help="reverse conversion direction") args = parser.parse_args() main(args) ================================================ FILE: networks/dylora.py ================================================ # some codes are copied from: # https://github.com/huawei-noah/KD-NLP/blob/main/DyLoRA/ # Copyright (C) 2022. Huawei Technologies Co., Ltd. All rights reserved. # Changes made to the original code: # 2022.08.20 - Integrate the DyLoRA layer for the LoRA Linear layer # ------------------------------------------------------------------------------------------ # Copyright (c) Microsoft Corporation. All rights reserved. # Licensed under the MIT License (MIT). See LICENSE in the repo root for license information. # ------------------------------------------------------------------------------------------ import math import os import random from typing import Dict, List, Optional, Tuple, Type, Union from diffusers import AutoencoderKL from transformers import CLIPTextModel import torch from torch import nn from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) class DyLoRAModule(torch.nn.Module): """ replaces forward method of the original Linear, instead of replacing the original Linear module. """ # NOTE: support dropout in future def __init__(self, lora_name, org_module: torch.nn.Module, multiplier=1.0, lora_dim=4, alpha=1, unit=1): super().__init__() self.lora_name = lora_name self.lora_dim = lora_dim self.unit = unit assert self.lora_dim % self.unit == 0, "rank must be a multiple of unit" if org_module.__class__.__name__ == "Conv2d": in_dim = org_module.in_channels out_dim = org_module.out_channels else: in_dim = org_module.in_features out_dim = org_module.out_features if type(alpha) == torch.Tensor: alpha = alpha.detach().float().numpy() # without casting, bf16 causes error alpha = self.lora_dim if alpha is None or alpha == 0 else alpha self.scale = alpha / self.lora_dim self.register_buffer("alpha", torch.tensor(alpha)) # 定数として扱える self.is_conv2d = org_module.__class__.__name__ == "Conv2d" self.is_conv2d_3x3 = self.is_conv2d and org_module.kernel_size == (3, 3) if self.is_conv2d and self.is_conv2d_3x3: kernel_size = org_module.kernel_size self.stride = org_module.stride self.padding = org_module.padding self.lora_A = nn.ParameterList([org_module.weight.new_zeros((1, in_dim, *kernel_size)) for _ in range(self.lora_dim)]) self.lora_B = nn.ParameterList([org_module.weight.new_zeros((out_dim, 1, 1, 1)) for _ in range(self.lora_dim)]) else: self.lora_A = nn.ParameterList([org_module.weight.new_zeros((1, in_dim)) for _ in range(self.lora_dim)]) self.lora_B = nn.ParameterList([org_module.weight.new_zeros((out_dim, 1)) for _ in range(self.lora_dim)]) # same as microsoft's for lora in self.lora_A: torch.nn.init.kaiming_uniform_(lora, a=math.sqrt(5)) for lora in self.lora_B: torch.nn.init.zeros_(lora) self.multiplier = multiplier self.org_module = org_module # remove in applying def apply_to(self): self.org_forward = self.org_module.forward self.org_module.forward = self.forward del self.org_module def forward(self, x): result = self.org_forward(x) # specify the dynamic rank trainable_rank = random.randint(0, self.lora_dim - 1) trainable_rank = trainable_rank - trainable_rank % self.unit # make sure the rank is a multiple of unit # 一部のパラメータを固定して、残りのパラメータを学習する for i in range(0, trainable_rank): self.lora_A[i].requires_grad = False self.lora_B[i].requires_grad = False for i in range(trainable_rank, trainable_rank + self.unit): self.lora_A[i].requires_grad = True self.lora_B[i].requires_grad = True for i in range(trainable_rank + self.unit, self.lora_dim): self.lora_A[i].requires_grad = False self.lora_B[i].requires_grad = False lora_A = torch.cat(tuple(self.lora_A), dim=0) lora_B = torch.cat(tuple(self.lora_B), dim=1) # calculate with lora_A and lora_B if self.is_conv2d_3x3: ab = torch.nn.functional.conv2d(x, lora_A, stride=self.stride, padding=self.padding) ab = torch.nn.functional.conv2d(ab, lora_B) else: ab = x if self.is_conv2d: ab = ab.reshape(ab.size(0), ab.size(1), -1).transpose(1, 2) # (N, C, H, W) -> (N, H*W, C) ab = torch.nn.functional.linear(ab, lora_A) ab = torch.nn.functional.linear(ab, lora_B) if self.is_conv2d: ab = ab.transpose(1, 2).reshape(ab.size(0), -1, *x.size()[2:]) # (N, H*W, C) -> (N, C, H, W) # 最後の項は、低rankをより大きくするためのスケーリング（じゃないかな） result = result + ab * self.scale * math.sqrt(self.lora_dim / (trainable_rank + self.unit)) # NOTE weightに加算してからlinear/conv2dを呼んだほうが速いかも return result def state_dict(self, destination=None, prefix="", keep_vars=False): # state dictを通常のLoRAと同じにする: # nn.ParameterListは `.lora_A.0` みたいな名前になるので、forwardと同様にcatして入れ替える sd = super().state_dict(destination=destination, prefix=prefix, keep_vars=keep_vars) lora_A_weight = torch.cat(tuple(self.lora_A), dim=0) if self.is_conv2d and not self.is_conv2d_3x3: lora_A_weight = lora_A_weight.unsqueeze(-1).unsqueeze(-1) lora_B_weight = torch.cat(tuple(self.lora_B), dim=1) if self.is_conv2d and not self.is_conv2d_3x3: lora_B_weight = lora_B_weight.unsqueeze(-1).unsqueeze(-1) sd[self.lora_name + ".lora_down.weight"] = lora_A_weight if keep_vars else lora_A_weight.detach() sd[self.lora_name + ".lora_up.weight"] = lora_B_weight if keep_vars else lora_B_weight.detach() i = 0 while True: key_a = f"{self.lora_name}.lora_A.{i}" key_b = f"{self.lora_name}.lora_B.{i}" if key_a in sd: sd.pop(key_a) sd.pop(key_b) else: break i += 1 return sd def _load_from_state_dict(self, state_dict, prefix, local_metadata, strict, missing_keys, unexpected_keys, error_msgs): # 通常のLoRAと同じstate dictを読み込めるようにする：この方法はchatGPTに聞いた lora_A_weight = state_dict.pop(self.lora_name + ".lora_down.weight", None) lora_B_weight = state_dict.pop(self.lora_name + ".lora_up.weight", None) if lora_A_weight is None or lora_B_weight is None: if strict: raise KeyError(f"{self.lora_name}.lora_down/up.weight is not found") else: return if self.is_conv2d and not self.is_conv2d_3x3: lora_A_weight = lora_A_weight.squeeze(-1).squeeze(-1) lora_B_weight = lora_B_weight.squeeze(-1).squeeze(-1) state_dict.update( {f"{self.lora_name}.lora_A.{i}": nn.Parameter(lora_A_weight[i].unsqueeze(0)) for i in range(lora_A_weight.size(0))} ) state_dict.update( {f"{self.lora_name}.lora_B.{i}": nn.Parameter(lora_B_weight[:, i].unsqueeze(1)) for i in range(lora_B_weight.size(1))} ) super()._load_from_state_dict(state_dict, prefix, local_metadata, strict, missing_keys, unexpected_keys, error_msgs) def create_network( multiplier: float, network_dim: Optional[int], network_alpha: Optional[float], vae: AutoencoderKL, text_encoder: Union[CLIPTextModel, List[CLIPTextModel]], unet, **kwargs, ): if network_dim is None: network_dim = 4 # default if network_alpha is None: network_alpha = 1.0 # extract dim/alpha for conv2d, and block dim conv_dim = kwargs.get("conv_dim", None) conv_alpha = kwargs.get("conv_alpha", None) unit = kwargs.get("unit", None) if conv_dim is not None: conv_dim = int(conv_dim) assert conv_dim == network_dim, "conv_dim must be same as network_dim" if conv_alpha is None: conv_alpha = 1.0 else: conv_alpha = float(conv_alpha) if unit is not None: unit = int(unit) else: unit = 1 network = DyLoRANetwork( text_encoder, unet, multiplier=multiplier, lora_dim=network_dim, alpha=network_alpha, apply_to_conv=conv_dim is not None, unit=unit, varbose=True, ) loraplus_lr_ratio = kwargs.get("loraplus_lr_ratio", None) loraplus_unet_lr_ratio = kwargs.get("loraplus_unet_lr_ratio", None) loraplus_text_encoder_lr_ratio = kwargs.get("loraplus_text_encoder_lr_ratio", None) loraplus_lr_ratio = float(loraplus_lr_ratio) if loraplus_lr_ratio is not None else None loraplus_unet_lr_ratio = float(loraplus_unet_lr_ratio) if loraplus_unet_lr_ratio is not None else None loraplus_text_encoder_lr_ratio = float(loraplus_text_encoder_lr_ratio) if loraplus_text_encoder_lr_ratio is not None else None if loraplus_lr_ratio is not None or loraplus_unet_lr_ratio is not None or loraplus_text_encoder_lr_ratio is not None: network.set_loraplus_lr_ratio(loraplus_lr_ratio, loraplus_unet_lr_ratio, loraplus_text_encoder_lr_ratio) return network # Create network from weights for inference, weights are not loaded here (because can be merged) def create_network_from_weights(multiplier, file, vae, text_encoder, unet, weights_sd=None, for_inference=False, **kwargs): if weights_sd is None: if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file, safe_open weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu") # get dim/alpha mapping modules_dim = {} modules_alpha = {} for key, value in weights_sd.items(): if "." not in key: continue lora_name = key.split(".")[0] if "alpha" in key: modules_alpha[lora_name] = value elif "lora_down" in key: dim = value.size()[0] modules_dim[lora_name] = dim # logger.info(f"{lora_name} {value.size()} {dim}") # support old LoRA without alpha for key in modules_dim.keys(): if key not in modules_alpha: modules_alpha = modules_dim[key] module_class = DyLoRAModule network = DyLoRANetwork( text_encoder, unet, multiplier=multiplier, modules_dim=modules_dim, modules_alpha=modules_alpha, module_class=module_class ) return network, weights_sd class DyLoRANetwork(torch.nn.Module): UNET_TARGET_REPLACE_MODULE = ["Transformer2DModel"] UNET_TARGET_REPLACE_MODULE_CONV2D_3X3 = ["ResnetBlock2D", "Downsample2D", "Upsample2D"] TEXT_ENCODER_TARGET_REPLACE_MODULE = ["CLIPAttention", "CLIPSdpaAttention", "CLIPMLP"] LORA_PREFIX_UNET = "lora_unet" LORA_PREFIX_TEXT_ENCODER = "lora_te" def __init__( self, text_encoder, unet, multiplier=1.0, lora_dim=4, alpha=1, apply_to_conv=False, modules_dim=None, modules_alpha=None, unit=1, module_class=DyLoRAModule, varbose=False, ) -> None: super().__init__() self.multiplier = multiplier self.lora_dim = lora_dim self.alpha = alpha self.apply_to_conv = apply_to_conv self.loraplus_lr_ratio = None self.loraplus_unet_lr_ratio = None self.loraplus_text_encoder_lr_ratio = None if modules_dim is not None: logger.info("create LoRA network from weights") else: logger.info(f"create LoRA network. base dim (rank): {lora_dim}, alpha: {alpha}, unit: {unit}") if self.apply_to_conv: logger.info("apply LoRA to Conv2d with kernel size (3,3).") # create module instances def create_modules(is_unet, root_module: torch.nn.Module, target_replace_modules) -> List[DyLoRAModule]: prefix = DyLoRANetwork.LORA_PREFIX_UNET if is_unet else DyLoRANetwork.LORA_PREFIX_TEXT_ENCODER loras = [] for name, module in root_module.named_modules(): if module.__class__.__name__ in target_replace_modules: for child_name, child_module in module.named_modules(): is_linear = child_module.__class__.__name__ == "Linear" is_conv2d = child_module.__class__.__name__ == "Conv2d" is_conv2d_1x1 = is_conv2d and child_module.kernel_size == (1, 1) if is_linear or is_conv2d: lora_name = prefix + "." + name + "." + child_name lora_name = lora_name.replace(".", "_") dim = None alpha = None if modules_dim is not None: if lora_name in modules_dim: dim = modules_dim[lora_name] alpha = modules_alpha[lora_name] else: if is_linear or is_conv2d_1x1 or apply_to_conv: dim = self.lora_dim alpha = self.alpha if dim is None or dim == 0: continue # dropout and fan_in_fan_out is default lora = module_class(lora_name, child_module, self.multiplier, dim, alpha, unit) loras.append(lora) return loras text_encoders = text_encoder if type(text_encoder) == list else [text_encoder] self.text_encoder_loras = [] for i, text_encoder in enumerate(text_encoders): if len(text_encoders) > 1: index = i + 1 logger.info(f"create LoRA for Text Encoder {index}") else: index = None logger.info("create LoRA for Text Encoder") text_encoder_loras = create_modules(False, text_encoder, DyLoRANetwork.TEXT_ENCODER_TARGET_REPLACE_MODULE) self.text_encoder_loras.extend(text_encoder_loras) # self.text_encoder_loras = create_modules(False, text_encoder, DyLoRANetwork.TEXT_ENCODER_TARGET_REPLACE_MODULE) logger.info(f"create LoRA for Text Encoder: {len(self.text_encoder_loras)} modules.") # extend U-Net target modules if conv2d 3x3 is enabled, or load from weights target_modules = DyLoRANetwork.UNET_TARGET_REPLACE_MODULE if modules_dim is not None or self.apply_to_conv: target_modules += DyLoRANetwork.UNET_TARGET_REPLACE_MODULE_CONV2D_3X3 self.unet_loras = create_modules(True, unet, target_modules) logger.info(f"create LoRA for U-Net: {len(self.unet_loras)} modules.") def set_loraplus_lr_ratio(self, loraplus_lr_ratio, loraplus_unet_lr_ratio, loraplus_text_encoder_lr_ratio): self.loraplus_lr_ratio = loraplus_lr_ratio self.loraplus_unet_lr_ratio = loraplus_unet_lr_ratio self.loraplus_text_encoder_lr_ratio = loraplus_text_encoder_lr_ratio logger.info(f"LoRA+ UNet LR Ratio: {self.loraplus_unet_lr_ratio or self.loraplus_lr_ratio}") logger.info(f"LoRA+ Text Encoder LR Ratio: {self.loraplus_text_encoder_lr_ratio or self.loraplus_lr_ratio}") def set_multiplier(self, multiplier): self.multiplier = multiplier for lora in self.text_encoder_loras + self.unet_loras: lora.multiplier = self.multiplier def load_weights(self, file): if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu") info = self.load_state_dict(weights_sd, False) return info def apply_to(self, text_encoder, unet, apply_text_encoder=True, apply_unet=True): if apply_text_encoder: logger.info("enable LoRA for text encoder") else: self.text_encoder_loras = [] if apply_unet: logger.info("enable LoRA for U-Net") else: self.unet_loras = [] for lora in self.text_encoder_loras + self.unet_loras: lora.apply_to() self.add_module(lora.lora_name, lora) """ def merge_to(self, text_encoder, unet, weights_sd, dtype, device): apply_text_encoder = apply_unet = False for key in weights_sd.keys(): if key.startswith(DyLoRANetwork.LORA_PREFIX_TEXT_ENCODER): apply_text_encoder = True elif key.startswith(DyLoRANetwork.LORA_PREFIX_UNET): apply_unet = True if apply_text_encoder: logger.info("enable LoRA for text encoder") else: self.text_encoder_loras = [] if apply_unet: logger.info("enable LoRA for U-Net") else: self.unet_loras = [] for lora in self.text_encoder_loras + self.unet_loras: sd_for_lora = {} for key in weights_sd.keys(): if key.startswith(lora.lora_name): sd_for_lora[key[len(lora.lora_name) + 1 :]] = weights_sd[key] lora.merge_to(sd_for_lora, dtype, device) logger.info(f"weights are merged") """ # 二つのText Encoderに別々の学習率を設定できるようにするといいかも def prepare_optimizer_params(self, text_encoder_lr, unet_lr, default_lr): self.requires_grad_(True) all_params = [] def assemble_params(loras, lr, ratio): param_groups = {"lora": {}, "plus": {}} for lora in loras: for name, param in lora.named_parameters(): if ratio is not None and "lora_B" in name: param_groups["plus"][f"{lora.lora_name}.{name}"] = param else: param_groups["lora"][f"{lora.lora_name}.{name}"] = param params = [] for key in param_groups.keys(): param_data = {"params": param_groups[key].values()} if len(param_data["params"]) == 0: continue if lr is not None: if key == "plus": param_data["lr"] = lr * ratio else: param_data["lr"] = lr if param_data.get("lr", None) == 0 or param_data.get("lr", None) is None: continue params.append(param_data) return params if self.text_encoder_loras: params = assemble_params( self.text_encoder_loras, text_encoder_lr if text_encoder_lr is not None else default_lr, self.loraplus_text_encoder_lr_ratio or self.loraplus_lr_ratio, ) all_params.extend(params) if self.unet_loras: params = assemble_params( self.unet_loras, default_lr if unet_lr is None else unet_lr, self.loraplus_unet_lr_ratio or self.loraplus_lr_ratio ) all_params.extend(params) return all_params def enable_gradient_checkpointing(self): # not supported pass def prepare_grad_etc(self, text_encoder, unet): self.requires_grad_(True) def on_epoch_start(self, text_encoder, unet): self.train() def get_trainable_params(self): return self.parameters() def save_weights(self, file, dtype, metadata): if metadata is not None and len(metadata) == 0: metadata = None state_dict = self.state_dict() if dtype is not None: for key in list(state_dict.keys()): v = state_dict[key] v = v.detach().clone().to("cpu").to(dtype) state_dict[key] = v if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import save_file from library import train_util # Precalculate model hashes to save time on indexing if metadata is None: metadata = {} model_hash, legacy_hash = train_util.precalculate_safetensors_hashes(state_dict, metadata) metadata["sshs_model_hash"] = model_hash metadata["sshs_legacy_hash"] = legacy_hash save_file(state_dict, file, metadata) else: torch.save(state_dict, file) # mask is a tensor with values from 0 to 1 def set_region(self, sub_prompt_index, is_last_network, mask): pass def set_current_generation(self, batch_size, num_sub_prompts, width, height, shared): pass ================================================ FILE: networks/extract_lora_from_dylora.py ================================================ # Convert LoRA to different rank approximation (should only be used to go to lower rank) # This code is based off the extract_lora_from_models.py file which is based on https://github.com/cloneofsimo/lora/blob/develop/lora_diffusion/cli_svd.py # Thanks to cloneofsimo import argparse import math import os import torch from safetensors.torch import load_file, save_file, safe_open from tqdm import tqdm from library import train_util, model_util import numpy as np from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) def load_state_dict(file_name): if model_util.is_safetensors(file_name): sd = load_file(file_name) with safe_open(file_name, framework="pt") as f: metadata = f.metadata() else: sd = torch.load(file_name, map_location="cpu") metadata = None return sd, metadata def save_to_file(file_name, model, metadata): if model_util.is_safetensors(file_name): save_file(model, file_name, metadata) else: torch.save(model, file_name) def split_lora_model(lora_sd, unit): max_rank = 0 # Extract loaded lora dim and alpha for key, value in lora_sd.items(): if "lora_down" in key: rank = value.size()[0] if rank > max_rank: max_rank = rank logger.info(f"Max rank: {max_rank}") rank = unit split_models = [] new_alpha = None while rank < max_rank: logger.info(f"Splitting rank {rank}") new_sd = {} for key, value in lora_sd.items(): if "lora_down" in key: new_sd[key] = value[:rank].contiguous() elif "lora_up" in key: new_sd[key] = value[:, :rank].contiguous() else: # なぜかscaleするとおかしくなる…… # this_rank = lora_sd[key.replace("alpha", "lora_down.weight")].size()[0] # scale = math.sqrt(this_rank / rank) # rank is > unit # logger.info(key, value.size(), this_rank, rank, value, scale) # new_alpha = value * scale # always same # new_sd[key] = new_alpha new_sd[key] = value split_models.append((new_sd, rank, new_alpha)) rank += unit return max_rank, split_models def split(args): logger.info("loading Model...") lora_sd, metadata = load_state_dict(args.model) logger.info("Splitting Model...") original_rank, split_models = split_lora_model(lora_sd, args.unit) comment = metadata.get("ss_training_comment", "") for state_dict, new_rank, new_alpha in split_models: # update metadata if metadata is None: new_metadata = {} else: new_metadata = metadata.copy() new_metadata["ss_training_comment"] = f"split from DyLoRA, rank {original_rank} to {new_rank}; {comment}" new_metadata["ss_network_dim"] = str(new_rank) # new_metadata["ss_network_alpha"] = str(new_alpha.float().numpy()) model_hash, legacy_hash = train_util.precalculate_safetensors_hashes(state_dict, metadata) metadata["sshs_model_hash"] = model_hash metadata["sshs_legacy_hash"] = legacy_hash filename, ext = os.path.splitext(args.save_to) model_file_name = filename + f"-{new_rank:04d}{ext}" logger.info(f"saving model to: {model_file_name}") save_to_file(model_file_name, state_dict, new_metadata) def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument("--unit", type=int, default=None, help="size of rank to split into / rankを分割するサイズ") parser.add_argument( "--save_to", type=str, default=None, help="destination base file name: ckpt or safetensors file / 保存先のファイル名のbase、ckptまたはsafetensors", ) parser.add_argument( "--model", type=str, default=None, help="DyLoRA model to resize at to new rank: ckpt or safetensors file / 読み込むDyLoRAモデル、ckptまたはsafetensors", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() split(args) ================================================ FILE: networks/extract_lora_from_models.py ================================================ # extract approximating LoRA by svd from two SD models # The code is based on https://github.com/cloneofsimo/lora/blob/develop/lora_diffusion/cli_svd.py # Thanks to cloneofsimo! import argparse import json import os import time import torch from safetensors.torch import load_file, save_file from tqdm import tqdm from library import sai_model_spec, model_util, sdxl_model_util import lora from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) # CLAMP_QUANTILE = 0.99 # MIN_DIFF = 1e-1 def save_to_file(file_name, model, state_dict, dtype): if dtype is not None: for key in list(state_dict.keys()): if type(state_dict[key]) == torch.Tensor: state_dict[key] = state_dict[key].to(dtype) if os.path.splitext(file_name)[1] == ".safetensors": save_file(model, file_name) else: torch.save(model, file_name) def svd( model_org=None, model_tuned=None, save_to=None, dim=4, v2=None, sdxl=None, conv_dim=None, v_parameterization=None, device=None, save_precision=None, clamp_quantile=0.99, min_diff=0.01, no_metadata=False, load_precision=None, load_original_model_to=None, load_tuned_model_to=None, ): def str_to_dtype(p): if p == "float": return torch.float if p == "fp16": return torch.float16 if p == "bf16": return torch.bfloat16 return None assert v2 != sdxl or (not v2 and not sdxl), "v2 and sdxl cannot be specified at the same time / v2とsdxlは同時に指定できません" if v_parameterization is None: v_parameterization = v2 load_dtype = str_to_dtype(load_precision) if load_precision else None save_dtype = str_to_dtype(save_precision) work_device = "cpu" # load models if not sdxl: logger.info(f"loading original SD model : {model_org}") text_encoder_o, _, unet_o = model_util.load_models_from_stable_diffusion_checkpoint(v2, model_org) text_encoders_o = [text_encoder_o] if load_dtype is not None: text_encoder_o = text_encoder_o.to(load_dtype) unet_o = unet_o.to(load_dtype) logger.info(f"loading tuned SD model : {model_tuned}") text_encoder_t, _, unet_t = model_util.load_models_from_stable_diffusion_checkpoint(v2, model_tuned) text_encoders_t = [text_encoder_t] if load_dtype is not None: text_encoder_t = text_encoder_t.to(load_dtype) unet_t = unet_t.to(load_dtype) model_version = model_util.get_model_version_str_for_sd1_sd2(v2, v_parameterization) else: device_org = load_original_model_to if load_original_model_to else "cpu" device_tuned = load_tuned_model_to if load_tuned_model_to else "cpu" logger.info(f"loading original SDXL model : {model_org}") text_encoder_o1, text_encoder_o2, _, unet_o, _, _ = sdxl_model_util.load_models_from_sdxl_checkpoint( sdxl_model_util.MODEL_VERSION_SDXL_BASE_V1_0, model_org, device_org ) text_encoders_o = [text_encoder_o1, text_encoder_o2] if load_dtype is not None: text_encoder_o1 = text_encoder_o1.to(load_dtype) text_encoder_o2 = text_encoder_o2.to(load_dtype) unet_o = unet_o.to(load_dtype) logger.info(f"loading original SDXL model : {model_tuned}") text_encoder_t1, text_encoder_t2, _, unet_t, _, _ = sdxl_model_util.load_models_from_sdxl_checkpoint( sdxl_model_util.MODEL_VERSION_SDXL_BASE_V1_0, model_tuned, device_tuned ) text_encoders_t = [text_encoder_t1, text_encoder_t2] if load_dtype is not None: text_encoder_t1 = text_encoder_t1.to(load_dtype) text_encoder_t2 = text_encoder_t2.to(load_dtype) unet_t = unet_t.to(load_dtype) model_version = sdxl_model_util.MODEL_VERSION_SDXL_BASE_V1_0 # create LoRA network to extract weights: Use dim (rank) as alpha if conv_dim is None: kwargs = {} else: kwargs = {"conv_dim": conv_dim, "conv_alpha": conv_dim} lora_network_o = lora.create_network(1.0, dim, dim, None, text_encoders_o, unet_o, **kwargs) lora_network_t = lora.create_network(1.0, dim, dim, None, text_encoders_t, unet_t, **kwargs) assert len(lora_network_o.text_encoder_loras) == len( lora_network_t.text_encoder_loras ), f"model version is different (SD1.x vs SD2.x) / それぞれのモデルのバージョンが違います（SD1.xベースとSD2.xベース） " # get diffs diffs = {} text_encoder_different = False for i, (lora_o, lora_t) in enumerate(zip(lora_network_o.text_encoder_loras, lora_network_t.text_encoder_loras)): lora_name = lora_o.lora_name module_o = lora_o.org_module module_t = lora_t.org_module diff = module_t.weight.to(work_device) - module_o.weight.to(work_device) # clear weight to save memory module_o.weight = None module_t.weight = None # Text Encoder might be same if not text_encoder_different and torch.max(torch.abs(diff)) > min_diff: text_encoder_different = True logger.info(f"Text encoder is different. {torch.max(torch.abs(diff))} > {min_diff}") diffs[lora_name] = diff # clear target Text Encoder to save memory for text_encoder in text_encoders_t: del text_encoder if not text_encoder_different: logger.warning("Text encoder is same. Extract U-Net only.") lora_network_o.text_encoder_loras = [] diffs = {} # clear diffs for i, (lora_o, lora_t) in enumerate(zip(lora_network_o.unet_loras, lora_network_t.unet_loras)): lora_name = lora_o.lora_name module_o = lora_o.org_module module_t = lora_t.org_module diff = module_t.weight.to(work_device) - module_o.weight.to(work_device) # clear weight to save memory module_o.weight = None module_t.weight = None diffs[lora_name] = diff # clear LoRA network, target U-Net to save memory del lora_network_o del lora_network_t del unet_t # make LoRA with svd logger.info("calculating by svd") lora_weights = {} with torch.no_grad(): for lora_name, mat in tqdm(list(diffs.items())): if args.device: mat = mat.to(args.device) mat = mat.to(torch.float) # calc by float # if conv_dim is None, diffs do not include LoRAs for conv2d-3x3 conv2d = len(mat.size()) == 4 kernel_size = None if not conv2d else mat.size()[2:4] conv2d_3x3 = conv2d and kernel_size != (1, 1) rank = dim if not conv2d_3x3 or conv_dim is None else conv_dim out_dim, in_dim = mat.size()[0:2] if device: mat = mat.to(device) # logger.info(lora_name, mat.size(), mat.device, rank, in_dim, out_dim) rank = min(rank, in_dim, out_dim) # LoRA rank cannot exceed the original dim if conv2d: if conv2d_3x3: mat = mat.flatten(start_dim=1) else: mat = mat.squeeze() U, S, Vh = torch.linalg.svd(mat) U = U[:, :rank] S = S[:rank] U = U @ torch.diag(S) Vh = Vh[:rank, :] dist = torch.cat([U.flatten(), Vh.flatten()]) hi_val = torch.quantile(dist, clamp_quantile) low_val = -hi_val U = U.clamp(low_val, hi_val) Vh = Vh.clamp(low_val, hi_val) if conv2d: U = U.reshape(out_dim, rank, 1, 1) Vh = Vh.reshape(rank, in_dim, kernel_size[0], kernel_size[1]) U = U.to(work_device, dtype=save_dtype).contiguous() Vh = Vh.to(work_device, dtype=save_dtype).contiguous() lora_weights[lora_name] = (U, Vh) # make state dict for LoRA lora_sd = {} for lora_name, (up_weight, down_weight) in lora_weights.items(): lora_sd[lora_name + ".lora_up.weight"] = up_weight lora_sd[lora_name + ".lora_down.weight"] = down_weight lora_sd[lora_name + ".alpha"] = torch.tensor(down_weight.size()[0]) # load state dict to LoRA and save it lora_network_save, lora_sd = lora.create_network_from_weights(1.0, None, None, text_encoders_o, unet_o, weights_sd=lora_sd) lora_network_save.apply_to(text_encoders_o, unet_o) # create internal module references for state_dict info = lora_network_save.load_state_dict(lora_sd) logger.info(f"Loading extracted LoRA weights: {info}") dir_name = os.path.dirname(save_to) if dir_name and not os.path.exists(dir_name): os.makedirs(dir_name, exist_ok=True) # minimum metadata net_kwargs = {} if conv_dim is not None: net_kwargs["conv_dim"] = str(conv_dim) net_kwargs["conv_alpha"] = str(float(conv_dim)) metadata = { "ss_v2": str(v2), "ss_base_model_version": model_version, "ss_network_module": "networks.lora", "ss_network_dim": str(dim), "ss_network_alpha": str(float(dim)), "ss_network_args": json.dumps(net_kwargs), } if not no_metadata: title = os.path.splitext(os.path.basename(save_to))[0] sai_metadata = sai_model_spec.build_metadata(None, v2, v_parameterization, sdxl, True, False, time.time(), title=title) metadata.update(sai_metadata) lora_network_save.save_weights(save_to, save_dtype, metadata) logger.info(f"LoRA weights are saved to: {save_to}") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument("--v2", action="store_true", help="load Stable Diffusion v2.x model / Stable Diffusion 2.xのモデルを読み込む") parser.add_argument( "--v_parameterization", action="store_true", default=None, help="make LoRA metadata for v-parameterization (default is same to v2) / 作成するLoRAのメタデータにv-parameterization用と設定する（省略時はv2と同じ）", ) parser.add_argument( "--sdxl", action="store_true", help="load Stable Diffusion SDXL base model / Stable Diffusion SDXL baseのモデルを読み込む" ) parser.add_argument( "--load_precision", type=str, default=None, choices=[None, "float", "fp16", "bf16"], help="precision in loading, model default if omitted / 読み込み時に精度を変更して読み込む、省略時はモデルファイルによる" ) parser.add_argument( "--save_precision", type=str, default=None, choices=[None, "float", "fp16", "bf16"], help="precision in saving, same to merging if omitted / 保存時に精度を変更して保存する、省略時はfloat", ) parser.add_argument( "--model_org", type=str, default=None, required=True, help="Stable Diffusion original model: ckpt or safetensors file / 元モデル、ckptまたはsafetensors", ) parser.add_argument( "--model_tuned", type=str, default=None, required=True, help="Stable Diffusion tuned model, LoRA is difference of `original to tuned`: ckpt or safetensors file / 派生モデル（生成されるLoRAは元→派生の差分になります）、ckptまたはsafetensors", ) parser.add_argument( "--save_to", type=str, default=None, required=True, help="destination file name: ckpt or safetensors file / 保存先のファイル名、ckptまたはsafetensors", ) parser.add_argument("--dim", type=int, default=4, help="dimension (rank) of LoRA (default 4) / LoRAの次元数（rank）（デフォルト4）") parser.add_argument( "--conv_dim", type=int, default=None, help="dimension (rank) of LoRA for Conv2d-3x3 (default None, disabled) / LoRAのConv2d-3x3の次元数（rank）（デフォルトNone、適用なし）", ) parser.add_argument("--device", type=str, default=None, help="device to use, cuda for GPU / 計算を行うデバイス、cuda でGPUを使う") parser.add_argument( "--clamp_quantile", type=float, default=0.99, help="Quantile clamping value, float, (0-1). Default = 0.99 / 値をクランプするための分位点、float、(0-1)。デフォルトは0.99", ) parser.add_argument( "--min_diff", type=float, default=0.01, help="Minimum difference between finetuned model and base to consider them different enough to extract, float, (0-1). Default = 0.01 /" + "LoRAを抽出するために元モデルと派生モデルの差分の最小値、float、(0-1)。デフォルトは0.01", ) parser.add_argument( "--no_metadata", action="store_true", help="do not save sai modelspec metadata (minimum ss_metadata for LoRA is saved) / " + "sai modelspecのメタデータを保存しない（LoRAの最低限のss_metadataは保存される）", ) parser.add_argument( "--load_original_model_to", type=str, default=None, help="location to load original model, cpu or cuda, cuda:0, etc, default is cpu, only for SDXL / 元モデル読み込み先、cpuまたはcuda、cuda:0など、省略時はcpu、SDXLのみ有効", ) parser.add_argument( "--load_tuned_model_to", type=str, default=None, help="location to load tuned model, cpu or cuda, cuda:0, etc, default is cpu, only for SDXL / 派生モデル読み込み先、cpuまたはcuda、cuda:0など、省略時はcpu、SDXLのみ有効", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() svd(**vars(args)) ================================================ FILE: networks/flux_extract_lora.py ================================================ # extract approximating LoRA by svd from two FLUX models # The code is based on https://github.com/cloneofsimo/lora/blob/develop/lora_diffusion/cli_svd.py # Thanks to cloneofsimo! import argparse import json import os import time import torch from safetensors.torch import load_file, save_file from safetensors import safe_open from tqdm import tqdm from library import flux_utils, sai_model_spec from library.safetensors_utils import MemoryEfficientSafeOpen from library.utils import setup_logging from networks import lora_flux setup_logging() import logging logger = logging.getLogger(__name__) # CLAMP_QUANTILE = 0.99 # MIN_DIFF = 1e-1 def save_to_file(file_name, state_dict, metadata, dtype): if dtype is not None: for key in list(state_dict.keys()): if type(state_dict[key]) == torch.Tensor: state_dict[key] = state_dict[key].to(dtype) save_file(state_dict, file_name, metadata=metadata) def svd( model_org=None, model_tuned=None, save_to=None, dim=4, device=None, save_precision=None, clamp_quantile=0.99, min_diff=0.01, no_metadata=False, mem_eff_safe_open=False, ): def str_to_dtype(p): if p == "float": return torch.float if p == "fp16": return torch.float16 if p == "bf16": return torch.bfloat16 return None calc_dtype = torch.float save_dtype = str_to_dtype(save_precision) store_device = "cpu" # open models lora_weights = {} if not mem_eff_safe_open: # use original safetensors.safe_open open_fn = lambda fn: safe_open(fn, framework="pt") else: logger.info("Using memory efficient safe_open") open_fn = lambda fn: MemoryEfficientSafeOpen(fn) with open_fn(model_org) as f_org: # filter keys keys = [] for key in f_org.keys(): if not ("single_block" in key or "double_block" in key): continue if ".bias" in key: continue if "norm" in key: continue keys.append(key) with open_fn(model_tuned) as f_tuned: for key in tqdm(keys): # get tensors and calculate difference value_o = f_org.get_tensor(key) value_t = f_tuned.get_tensor(key) mat = value_t.to(calc_dtype) - value_o.to(calc_dtype) del value_o, value_t # extract LoRA weights if device: mat = mat.to(device) out_dim, in_dim = mat.size()[0:2] rank = min(dim, in_dim, out_dim) # LoRA rank cannot exceed the original dim mat = mat.squeeze() U, S, Vh = torch.linalg.svd(mat) U = U[:, :rank] S = S[:rank] U = U @ torch.diag(S) Vh = Vh[:rank, :] dist = torch.cat([U.flatten(), Vh.flatten()]) hi_val = torch.quantile(dist, clamp_quantile) low_val = -hi_val U = U.clamp(low_val, hi_val) Vh = Vh.clamp(low_val, hi_val) U = U.to(store_device, dtype=save_dtype).contiguous() Vh = Vh.to(store_device, dtype=save_dtype).contiguous() # print(f"key: {key}, U: {U.size()}, Vh: {Vh.size()}") lora_weights[key] = (U, Vh) del mat, U, S, Vh # make state dict for LoRA lora_sd = {} for key, (up_weight, down_weight) in lora_weights.items(): lora_name = key.replace(".weight", "").replace(".", "_") lora_name = lora_flux.LoRANetwork.LORA_PREFIX_FLUX + "_" + lora_name lora_sd[lora_name + ".lora_up.weight"] = up_weight lora_sd[lora_name + ".lora_down.weight"] = down_weight lora_sd[lora_name + ".alpha"] = torch.tensor(down_weight.size()[0]) # same as rank # minimum metadata net_kwargs = {} metadata = { "ss_v2": str(False), "ss_base_model_version": flux_utils.MODEL_VERSION_FLUX_V1, "ss_network_module": "networks.lora_flux", "ss_network_dim": str(dim), "ss_network_alpha": str(float(dim)), "ss_network_args": json.dumps(net_kwargs), } if not no_metadata: title = os.path.splitext(os.path.basename(save_to))[0] sai_metadata = sai_model_spec.build_metadata( lora_sd, False, False, False, True, False, time.time(), title, model_config={"flux": "dev"} ) metadata.update(sai_metadata) save_to_file(save_to, lora_sd, metadata, save_dtype) logger.info(f"LoRA weights saved to {save_to}") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument( "--save_precision", type=str, default=None, choices=[None, "float", "fp16", "bf16"], help="precision in saving, same to merging if omitted / 保存時に精度を変更して保存する、省略時はfloat", ) parser.add_argument( "--model_org", type=str, default=None, required=True, help="Original model: safetensors file / 元モデル、safetensors", ) parser.add_argument( "--model_tuned", type=str, default=None, required=True, help="Tuned model, LoRA is difference of `original to tuned`: safetensors file / 派生モデル（生成されるLoRAは元→派生の差分になります）、ckptまたはsafetensors", ) parser.add_argument( "--mem_eff_safe_open", action="store_true", help="use memory efficient safe_open. This is an experimental feature, use only when memory is not enough." " / メモリ効率の良いsafe_openを使用する。実装は実験的なものなので、メモリが足りない場合のみ使用してください。", ) parser.add_argument( "--save_to", type=str, default=None, required=True, help="destination file name: safetensors file / 保存先のファイル名、safetensors", ) parser.add_argument( "--dim", type=int, default=4, help="dimension (rank) of LoRA (default 4) / LoRAの次元数（rank）（デフォルト4）" ) parser.add_argument( "--device", type=str, default=None, help="device to use, cuda for GPU / 計算を行うデバイス、cuda でGPUを使う" ) parser.add_argument( "--clamp_quantile", type=float, default=0.99, help="Quantile clamping value, float, (0-1). Default = 0.99 / 値をクランプするための分位点、float、(0-1)。デフォルトは0.99", ) # parser.add_argument( # "--min_diff", # type=float, # default=0.01, # help="Minimum difference between finetuned model and base to consider them different enough to extract, float, (0-1). Default = 0.01 /" # + "LoRAを抽出するために元モデルと派生モデルの差分の最小値、float、(0-1)。デフォルトは0.01", # ) parser.add_argument( "--no_metadata", action="store_true", help="do not save sai modelspec metadata (minimum ss_metadata for LoRA is saved) / " + "sai modelspecのメタデータを保存しない（LoRAの最低限のss_metadataは保存される）", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() svd(**vars(args)) ================================================ FILE: networks/flux_merge_lora.py ================================================ import argparse import math import os import time from typing import Any, Dict, Union import torch from safetensors import safe_open from safetensors.torch import load_file, save_file from tqdm import tqdm from library.utils import setup_logging, str_to_dtype from library.safetensors_utils import MemoryEfficientSafeOpen, mem_eff_save_file setup_logging() import logging logger = logging.getLogger(__name__) import lora_flux as lora_flux from library import sai_model_spec, train_util def load_state_dict(file_name, dtype): if os.path.splitext(file_name)[1] == ".safetensors": sd = load_file(file_name) metadata = train_util.load_metadata_from_safetensors(file_name) else: sd = torch.load(file_name, map_location="cpu") metadata = {} for key in list(sd.keys()): if type(sd[key]) == torch.Tensor: sd[key] = sd[key].to(dtype) return sd, metadata def save_to_file(file_name, state_dict: Dict[str, Union[Any, torch.Tensor]], dtype, metadata, mem_eff_save=False): if dtype is not None: logger.info(f"converting to {dtype}...") for key in tqdm(list(state_dict.keys())): if type(state_dict[key]) == torch.Tensor and state_dict[key].dtype.is_floating_point: state_dict[key] = state_dict[key].to(dtype) logger.info(f"saving to: {file_name}") if mem_eff_save: mem_eff_save_file(state_dict, file_name, metadata=metadata) else: save_file(state_dict, file_name, metadata=metadata) def merge_to_flux_model( loading_device, working_device, flux_path: str, clip_l_path: str, t5xxl_path: str, models, ratios, merge_dtype, save_dtype, mem_eff_load_save=False, ): # create module map without loading state_dict lora_name_to_module_key = {} if flux_path is not None: logger.info(f"loading keys from FLUX.1 model: {flux_path}") with safe_open(flux_path, framework="pt", device=loading_device) as flux_file: keys = list(flux_file.keys()) for key in keys: if key.endswith(".weight"): module_name = ".".join(key.split(".")[:-1]) lora_name = lora_flux.LoRANetwork.LORA_PREFIX_FLUX + "_" + module_name.replace(".", "_") lora_name_to_module_key[lora_name] = key lora_name_to_clip_l_key = {} if clip_l_path is not None: logger.info(f"loading keys from clip_l model: {clip_l_path}") with safe_open(clip_l_path, framework="pt", device=loading_device) as clip_l_file: keys = list(clip_l_file.keys()) for key in keys: if key.endswith(".weight"): module_name = ".".join(key.split(".")[:-1]) lora_name = lora_flux.LoRANetwork.LORA_PREFIX_TEXT_ENCODER_CLIP + "_" + module_name.replace(".", "_") lora_name_to_clip_l_key[lora_name] = key lora_name_to_t5xxl_key = {} if t5xxl_path is not None: logger.info(f"loading keys from t5xxl model: {t5xxl_path}") with safe_open(t5xxl_path, framework="pt", device=loading_device) as t5xxl_file: keys = list(t5xxl_file.keys()) for key in keys: if key.endswith(".weight"): module_name = ".".join(key.split(".")[:-1]) lora_name = lora_flux.LoRANetwork.LORA_PREFIX_TEXT_ENCODER_T5 + "_" + module_name.replace(".", "_") lora_name_to_t5xxl_key[lora_name] = key flux_state_dict = {} clip_l_state_dict = {} t5xxl_state_dict = {} if mem_eff_load_save: if flux_path is not None: with MemoryEfficientSafeOpen(flux_path) as flux_file: for key in tqdm(flux_file.keys()): flux_state_dict[key] = flux_file.get_tensor(key).to(loading_device) # dtype is not changed if clip_l_path is not None: with MemoryEfficientSafeOpen(clip_l_path) as clip_l_file: for key in tqdm(clip_l_file.keys()): clip_l_state_dict[key] = clip_l_file.get_tensor(key).to(loading_device) if t5xxl_path is not None: with MemoryEfficientSafeOpen(t5xxl_path) as t5xxl_file: for key in tqdm(t5xxl_file.keys()): t5xxl_state_dict[key] = t5xxl_file.get_tensor(key).to(loading_device) else: if flux_path is not None: flux_state_dict = load_file(flux_path, device=loading_device) if clip_l_path is not None: clip_l_state_dict = load_file(clip_l_path, device=loading_device) if t5xxl_path is not None: t5xxl_state_dict = load_file(t5xxl_path, device=loading_device) for model, ratio in zip(models, ratios): logger.info(f"loading: {model}") lora_sd, _ = load_state_dict(model, merge_dtype) # loading on CPU logger.info(f"merging...") for key in tqdm(list(lora_sd.keys())): if "lora_down" in key: lora_name = key[: key.rfind(".lora_down")] up_key = key.replace("lora_down", "lora_up") alpha_key = key[: key.index("lora_down")] + "alpha" if lora_name in lora_name_to_module_key: module_weight_key = lora_name_to_module_key[lora_name] state_dict = flux_state_dict elif lora_name in lora_name_to_clip_l_key: module_weight_key = lora_name_to_clip_l_key[lora_name] state_dict = clip_l_state_dict elif lora_name in lora_name_to_t5xxl_key: module_weight_key = lora_name_to_t5xxl_key[lora_name] state_dict = t5xxl_state_dict else: logger.warning( f"no module found for LoRA weight: {key}. Skipping..." f"LoRAの重みに対応するモジュールが見つかりませんでした。スキップします。" ) continue down_weight = lora_sd.pop(key) up_weight = lora_sd.pop(up_key) dim = down_weight.size()[0] alpha = lora_sd.pop(alpha_key, dim) scale = alpha / dim # W <- W + U * D weight = state_dict[module_weight_key] weight = weight.to(working_device, merge_dtype) up_weight = up_weight.to(working_device, merge_dtype) down_weight = down_weight.to(working_device, merge_dtype) # logger.info(module_name, down_weight.size(), up_weight.size()) if len(weight.size()) == 2: # linear weight = weight + ratio * (up_weight @ down_weight) * scale elif down_weight.size()[2:4] == (1, 1): # conv2d 1x1 weight = ( weight + ratio * (up_weight.squeeze(3).squeeze(2) @ down_weight.squeeze(3).squeeze(2)).unsqueeze(2).unsqueeze(3) * scale ) else: # conv2d 3x3 conved = torch.nn.functional.conv2d(down_weight.permute(1, 0, 2, 3), up_weight).permute(1, 0, 2, 3) # logger.info(conved.size(), weight.size(), module.stride, module.padding) weight = weight + ratio * conved * scale state_dict[module_weight_key] = weight.to(loading_device, save_dtype) del up_weight del down_weight del weight if len(lora_sd) > 0: logger.warning(f"Unused keys in LoRA model: {list(lora_sd.keys())}") return flux_state_dict, clip_l_state_dict, t5xxl_state_dict def merge_to_flux_model_diffusers( loading_device, working_device, flux_model, models, ratios, merge_dtype, save_dtype, mem_eff_load_save=False ): logger.info(f"loading keys from FLUX.1 model: {flux_model}") if mem_eff_load_save: flux_state_dict = {} with MemoryEfficientSafeOpen(flux_model) as flux_file: for key in tqdm(flux_file.keys()): flux_state_dict[key] = flux_file.get_tensor(key).to(loading_device) # dtype is not changed else: flux_state_dict = load_file(flux_model, device=loading_device) def create_key_map(n_double_layers, n_single_layers): key_map = {} for index in range(n_double_layers): prefix_from = f"transformer_blocks.{index}" prefix_to = f"double_blocks.{index}" for end in ("weight", "bias"): k = f"{prefix_from}.attn." qkv_img = f"{prefix_to}.img_attn.qkv.{end}" qkv_txt = f"{prefix_to}.txt_attn.qkv.{end}" key_map[f"{k}to_q.{end}"] = qkv_img key_map[f"{k}to_k.{end}"] = qkv_img key_map[f"{k}to_v.{end}"] = qkv_img key_map[f"{k}add_q_proj.{end}"] = qkv_txt key_map[f"{k}add_k_proj.{end}"] = qkv_txt key_map[f"{k}add_v_proj.{end}"] = qkv_txt block_map = { "attn.to_out.0.weight": "img_attn.proj.weight", "attn.to_out.0.bias": "img_attn.proj.bias", "norm1.linear.weight": "img_mod.lin.weight", "norm1.linear.bias": "img_mod.lin.bias", "norm1_context.linear.weight": "txt_mod.lin.weight", "norm1_context.linear.bias": "txt_mod.lin.bias", "attn.to_add_out.weight": "txt_attn.proj.weight", "attn.to_add_out.bias": "txt_attn.proj.bias", "ff.net.0.proj.weight": "img_mlp.0.weight", "ff.net.0.proj.bias": "img_mlp.0.bias", "ff.net.2.weight": "img_mlp.2.weight", "ff.net.2.bias": "img_mlp.2.bias", "ff_context.net.0.proj.weight": "txt_mlp.0.weight", "ff_context.net.0.proj.bias": "txt_mlp.0.bias", "ff_context.net.2.weight": "txt_mlp.2.weight", "ff_context.net.2.bias": "txt_mlp.2.bias", "attn.norm_q.weight": "img_attn.norm.query_norm.scale", "attn.norm_k.weight": "img_attn.norm.key_norm.scale", "attn.norm_added_q.weight": "txt_attn.norm.query_norm.scale", "attn.norm_added_k.weight": "txt_attn.norm.key_norm.scale", } for k, v in block_map.items(): key_map[f"{prefix_from}.{k}"] = f"{prefix_to}.{v}" for index in range(n_single_layers): prefix_from = f"single_transformer_blocks.{index}" prefix_to = f"single_blocks.{index}" for end in ("weight", "bias"): k = f"{prefix_from}.attn." qkv = f"{prefix_to}.linear1.{end}" key_map[f"{k}to_q.{end}"] = qkv key_map[f"{k}to_k.{end}"] = qkv key_map[f"{k}to_v.{end}"] = qkv key_map[f"{prefix_from}.proj_mlp.{end}"] = qkv block_map = { "norm.linear.weight": "modulation.lin.weight", "norm.linear.bias": "modulation.lin.bias", "proj_out.weight": "linear2.weight", "proj_out.bias": "linear2.bias", "attn.norm_q.weight": "norm.query_norm.scale", "attn.norm_k.weight": "norm.key_norm.scale", } for k, v in block_map.items(): key_map[f"{prefix_from}.{k}"] = f"{prefix_to}.{v}" # add as-is keys values = list([(v if isinstance(v, str) else v[0]) for v in set(key_map.values())]) values.sort() key_map.update({v: v for v in values}) return key_map key_map = create_key_map(18, 38) # 18 double layers, 38 single layers def find_matching_key(flux_dict, lora_key): lora_key = lora_key.replace("diffusion_model.", "") lora_key = lora_key.replace("transformer.", "") lora_key = lora_key.replace("lora_A", "lora_down").replace("lora_B", "lora_up") lora_key = lora_key.replace("single_transformer_blocks", "single_blocks") lora_key = lora_key.replace("transformer_blocks", "double_blocks") double_block_map = { "attn.to_out.0": "img_attn.proj", "norm1.linear": "img_mod.lin", "norm1_context.linear": "txt_mod.lin", "attn.to_add_out": "txt_attn.proj", "ff.net.0.proj": "img_mlp.0", "ff.net.2": "img_mlp.2", "ff_context.net.0.proj": "txt_mlp.0", "ff_context.net.2": "txt_mlp.2", "attn.norm_q": "img_attn.norm.query_norm", "attn.norm_k": "img_attn.norm.key_norm", "attn.norm_added_q": "txt_attn.norm.query_norm", "attn.norm_added_k": "txt_attn.norm.key_norm", "attn.to_q": "img_attn.qkv", "attn.to_k": "img_attn.qkv", "attn.to_v": "img_attn.qkv", "attn.add_q_proj": "txt_attn.qkv", "attn.add_k_proj": "txt_attn.qkv", "attn.add_v_proj": "txt_attn.qkv", } single_block_map = { "norm.linear": "modulation.lin", "proj_out": "linear2", "attn.norm_q": "norm.query_norm", "attn.norm_k": "norm.key_norm", "attn.to_q": "linear1", "attn.to_k": "linear1", "attn.to_v": "linear1", "proj_mlp": "linear1", } # same key exists in both single_block_map and double_block_map, so we must care about single/double # print("lora_key before double_block_map", lora_key) for old, new in double_block_map.items(): if "double" in lora_key: lora_key = lora_key.replace(old, new) # print("lora_key before single_block_map", lora_key) for old, new in single_block_map.items(): if "single" in lora_key: lora_key = lora_key.replace(old, new) # print("lora_key after mapping", lora_key) if lora_key in key_map: flux_key = key_map[lora_key] logger.info(f"Found matching key: {flux_key}") return flux_key # If not found in key_map, try partial matching potential_key = lora_key + ".weight" logger.info(f"Searching for key: {potential_key}") matches = [k for k in flux_dict.keys() if potential_key in k] if matches: logger.info(f"Found matching key: {matches[0]}") return matches[0] return None merged_keys = set() for model, ratio in zip(models, ratios): logger.info(f"loading: {model}") lora_sd, _ = load_state_dict(model, merge_dtype) logger.info("merging...") for key in lora_sd.keys(): if "lora_down" in key or "lora_A" in key: lora_name = key[: key.rfind(".lora_down" if "lora_down" in key else ".lora_A")] up_key = key.replace("lora_down", "lora_up").replace("lora_A", "lora_B") alpha_key = key[: key.index("lora_down" if "lora_down" in key else "lora_A")] + "alpha" logger.info(f"Processing LoRA key: {lora_name}") flux_key = find_matching_key(flux_state_dict, lora_name) if flux_key is None: logger.warning(f"no module found for LoRA weight: {key}") continue logger.info(f"Merging LoRA key {lora_name} into Flux key {flux_key}") down_weight = lora_sd[key] up_weight = lora_sd[up_key] dim = down_weight.size()[0] alpha = lora_sd.get(alpha_key, dim) scale = alpha / dim weight = flux_state_dict[flux_key] weight = weight.to(working_device, merge_dtype) up_weight = up_weight.to(working_device, merge_dtype) down_weight = down_weight.to(working_device, merge_dtype) # print(up_weight.size(), down_weight.size(), weight.size()) if lora_name.startswith("transformer."): if "qkv" in flux_key or "linear1" in flux_key: # combined qkv or qkv+mlp update = ratio * (up_weight @ down_weight) * scale # print(update.shape) if "img_attn" in flux_key or "txt_attn" in flux_key: q, k, v = torch.chunk(weight, 3, dim=0) if "to_q" in lora_name or "add_q_proj" in lora_name: q += update.reshape(q.shape) elif "to_k" in lora_name or "add_k_proj" in lora_name: k += update.reshape(k.shape) elif "to_v" in lora_name or "add_v_proj" in lora_name: v += update.reshape(v.shape) weight = torch.cat([q, k, v], dim=0) elif "linear1" in flux_key: q, k, v = torch.chunk(weight[: int(update.shape[-1] * 3)], 3, dim=0) mlp = weight[int(update.shape[-1] * 3) :] # print(q.shape, k.shape, v.shape, mlp.shape) if "to_q" in lora_name: q += update.reshape(q.shape) elif "to_k" in lora_name: k += update.reshape(k.shape) elif "to_v" in lora_name: v += update.reshape(v.shape) elif "proj_mlp" in lora_name: mlp += update.reshape(mlp.shape) weight = torch.cat([q, k, v, mlp], dim=0) else: if len(weight.size()) == 2: weight = weight + ratio * (up_weight @ down_weight) * scale elif down_weight.size()[2:4] == (1, 1): weight = ( weight + ratio * (up_weight.squeeze(3).squeeze(2) @ down_weight.squeeze(3).squeeze(2)).unsqueeze(2).unsqueeze(3) * scale ) else: conved = torch.nn.functional.conv2d(down_weight.permute(1, 0, 2, 3), up_weight).permute(1, 0, 2, 3) weight = weight + ratio * conved * scale else: if len(weight.size()) == 2: weight = weight + ratio * (up_weight @ down_weight) * scale elif down_weight.size()[2:4] == (1, 1): weight = ( weight + ratio * (up_weight.squeeze(3).squeeze(2) @ down_weight.squeeze(3).squeeze(2)).unsqueeze(2).unsqueeze(3) * scale ) else: conved = torch.nn.functional.conv2d(down_weight.permute(1, 0, 2, 3), up_weight).permute(1, 0, 2, 3) weight = weight + ratio * conved * scale flux_state_dict[flux_key] = weight.to(loading_device, save_dtype) merged_keys.add(flux_key) del up_weight del down_weight del weight logger.info(f"Merged keys: {sorted(list(merged_keys))}") return flux_state_dict def merge_lora_models(models, ratios, merge_dtype, concat=False, shuffle=False): base_alphas = {} # alpha for merged model base_dims = {} merged_sd = {} base_model = None for model, ratio in zip(models, ratios): logger.info(f"loading: {model}") lora_sd, lora_metadata = load_state_dict(model, merge_dtype) if lora_metadata is not None: if base_model is None: base_model = lora_metadata.get(train_util.SS_METADATA_KEY_BASE_MODEL_VERSION, None) # get alpha and dim alphas = {} # alpha for current model dims = {} # dims for current model for key in lora_sd.keys(): if "alpha" in key: lora_module_name = key[: key.rfind(".alpha")] alpha = float(lora_sd[key].detach().numpy()) alphas[lora_module_name] = alpha if lora_module_name not in base_alphas: base_alphas[lora_module_name] = alpha elif "lora_down" in key: lora_module_name = key[: key.rfind(".lora_down")] dim = lora_sd[key].size()[0] dims[lora_module_name] = dim if lora_module_name not in base_dims: base_dims[lora_module_name] = dim for lora_module_name in dims.keys(): if lora_module_name not in alphas: alpha = dims[lora_module_name] alphas[lora_module_name] = alpha if lora_module_name not in base_alphas: base_alphas[lora_module_name] = alpha logger.info(f"dim: {list(set(dims.values()))}, alpha: {list(set(alphas.values()))}") # merge logger.info("merging...") for key in tqdm(lora_sd.keys()): if "alpha" in key: continue if "lora_up" in key and concat: concat_dim = 1 elif "lora_down" in key and concat: concat_dim = 0 else: concat_dim = None lora_module_name = key[: key.rfind(".lora_")] base_alpha = base_alphas[lora_module_name] alpha = alphas[lora_module_name] scale = math.sqrt(alpha / base_alpha) * ratio scale = abs(scale) if "lora_up" in key else scale # マイナスの重みに対応する。 if key in merged_sd: assert ( merged_sd[key].size() == lora_sd[key].size() or concat_dim is not None ), "weights shape mismatch, different dims? / 重みのサイズが合いません。dimが異なる可能性があります。" if concat_dim is not None: merged_sd[key] = torch.cat([merged_sd[key], lora_sd[key] * scale], dim=concat_dim) else: merged_sd[key] = merged_sd[key] + lora_sd[key] * scale else: merged_sd[key] = lora_sd[key] * scale # set alpha to sd for lora_module_name, alpha in base_alphas.items(): key = lora_module_name + ".alpha" merged_sd[key] = torch.tensor(alpha) if shuffle: key_down = lora_module_name + ".lora_down.weight" key_up = lora_module_name + ".lora_up.weight" dim = merged_sd[key_down].shape[0] perm = torch.randperm(dim) merged_sd[key_down] = merged_sd[key_down][perm] merged_sd[key_up] = merged_sd[key_up][:, perm] logger.info("merged model") logger.info(f"dim: {list(set(base_dims.values()))}, alpha: {list(set(base_alphas.values()))}") # check all dims are same dims_list = list(set(base_dims.values())) alphas_list = list(set(base_alphas.values())) all_same_dims = True all_same_alphas = True for dims in dims_list: if dims != dims_list[0]: all_same_dims = False break for alphas in alphas_list: if alphas != alphas_list[0]: all_same_alphas = False break # build minimum metadata dims = f"{dims_list[0]}" if all_same_dims else "Dynamic" alphas = f"{alphas_list[0]}" if all_same_alphas else "Dynamic" metadata = train_util.build_minimum_network_metadata(str(False), base_model, "networks.lora", dims, alphas, None) return merged_sd, metadata def merge(args): if args.models is None: args.models = [] if args.ratios is None: args.ratios = [] assert len(args.models) == len( args.ratios ), "number of models must be equal to number of ratios / モデルの数と重みの数は合わせてください" merge_dtype = str_to_dtype(args.precision) save_dtype = str_to_dtype(args.save_precision) if save_dtype is None: save_dtype = merge_dtype assert ( args.save_to or args.clip_l_save_to or args.t5xxl_save_to ), "save_to or clip_l_save_to or t5xxl_save_to must be specified / save_toまたはclip_l_save_toまたはt5xxl_save_toを指定してください" dest_dir = os.path.dirname(args.save_to or args.clip_l_save_to or args.t5xxl_save_to) if not os.path.exists(dest_dir): logger.info(f"creating directory: {dest_dir}") os.makedirs(dest_dir) if args.flux_model is not None or args.clip_l is not None or args.t5xxl is not None: if not args.diffusers: assert (args.clip_l is None and args.clip_l_save_to is None) or ( args.clip_l is not None and args.clip_l_save_to is not None ), "clip_l_save_to must be specified if clip_l is specified / clip_lが指定されている場合はclip_l_save_toも指定してください" assert (args.t5xxl is None and args.t5xxl_save_to is None) or ( args.t5xxl is not None and args.t5xxl_save_to is not None ), "t5xxl_save_to must be specified if t5xxl is specified / t5xxlが指定されている場合はt5xxl_save_toも指定してください" flux_state_dict, clip_l_state_dict, t5xxl_state_dict = merge_to_flux_model( args.loading_device, args.working_device, args.flux_model, args.clip_l, args.t5xxl, args.models, args.ratios, merge_dtype, save_dtype, args.mem_eff_load_save, ) else: assert ( args.clip_l is None and args.t5xxl is None ), "clip_l and t5xxl are not supported with --diffusers / clip_l、t5xxlはDiffusersではサポートされていません" flux_state_dict = merge_to_flux_model_diffusers( args.loading_device, args.working_device, args.flux_model, args.models, args.ratios, merge_dtype, save_dtype, args.mem_eff_load_save, ) clip_l_state_dict = None t5xxl_state_dict = None if args.no_metadata or (flux_state_dict is None or len(flux_state_dict) == 0): sai_metadata = None else: merged_from = sai_model_spec.build_merged_from([args.flux_model] + args.models) title = os.path.splitext(os.path.basename(args.save_to))[0] sai_metadata = sai_model_spec.build_metadata( None, False, False, False, False, False, time.time(), title=title, merged_from=merged_from, model_config={"flux": "dev"}, ) if flux_state_dict is not None and len(flux_state_dict) > 0: logger.info(f"saving FLUX model to: {args.save_to}") save_to_file(args.save_to, flux_state_dict, save_dtype, sai_metadata, args.mem_eff_load_save) if clip_l_state_dict is not None and len(clip_l_state_dict) > 0: logger.info(f"saving clip_l model to: {args.clip_l_save_to}") save_to_file(args.clip_l_save_to, clip_l_state_dict, save_dtype, None, args.mem_eff_load_save) if t5xxl_state_dict is not None and len(t5xxl_state_dict) > 0: logger.info(f"saving t5xxl model to: {args.t5xxl_save_to}") save_to_file(args.t5xxl_save_to, t5xxl_state_dict, save_dtype, None, args.mem_eff_load_save) else: flux_state_dict, metadata = merge_lora_models(args.models, args.ratios, merge_dtype, args.concat, args.shuffle) logger.info("calculating hashes and creating metadata...") model_hash, legacy_hash = train_util.precalculate_safetensors_hashes(flux_state_dict, metadata) metadata["sshs_model_hash"] = model_hash metadata["sshs_legacy_hash"] = legacy_hash if not args.no_metadata: merged_from = sai_model_spec.build_merged_from(args.models) title = os.path.splitext(os.path.basename(args.save_to))[0] sai_metadata = sai_model_spec.build_metadata( flux_state_dict, False, False, False, True, False, time.time(), title=title, merged_from=merged_from, model_config={"flux": "dev"}, ) metadata.update(sai_metadata) logger.info(f"saving model to: {args.save_to}") save_to_file(args.save_to, flux_state_dict, save_dtype, metadata) def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument( "--save_precision", type=str, default=None, help="precision in saving, same to merging if omitted. supported types: " "float32, fp16, bf16, fp8 (same as fp8_e4m3fn), fp8_e4m3fn, fp8_e4m3fnuz, fp8_e5m2, fp8_e5m2fnuz" " / 保存時に精度を変更して保存する、省略時はマージ時の精度と同じ", ) parser.add_argument( "--precision", type=str, default="float", help="precision in merging (float is recommended) / マージの計算時の精度（floatを推奨）", ) parser.add_argument( "--flux_model", type=str, default=None, help="FLUX.1 model to load, merge LoRA models if omitted / 読み込むモデル、指定しない場合はLoRAモデルをマージする", ) parser.add_argument( "--clip_l", type=str, default=None, help="path to clip_l (*.sft or *.safetensors), should be float16 / clip_lのパス（*.sftまたは*.safetensors）", ) parser.add_argument( "--t5xxl", type=str, default=None, help="path to t5xxl (*.sft or *.safetensors), should be float16 / t5xxlのパス（*.sftまたは*.safetensors）", ) parser.add_argument( "--mem_eff_load_save", action="store_true", help="use custom memory efficient load and save functions for FLUX.1 model" " / カスタムのメモリ効率の良い読み込みと保存関数をFLUX.1モデルに使用する", ) parser.add_argument( "--loading_device", type=str, default="cpu", help="device to load FLUX.1 model. LoRA models are loaded on CPU / FLUX.1モデルを読み込むデバイス。LoRAモデルはCPUで読み込まれます", ) parser.add_argument( "--working_device", type=str, default="cpu", help="device to work (merge). Merging LoRA models are done on CPU." + " / 作業（マージ）するデバイス。LoRAモデルのマージはCPUで行われます。", ) parser.add_argument( "--save_to", type=str, default=None, help="destination file name: safetensors file / 保存先のファイル名、safetensorsファイル", ) parser.add_argument( "--clip_l_save_to", type=str, default=None, help="destination file name for clip_l: safetensors file / clip_lの保存先のファイル名、safetensorsファイル", ) parser.add_argument( "--t5xxl_save_to", type=str, default=None, help="destination file name for t5xxl: safetensors file / t5xxlの保存先のファイル名、safetensorsファイル", ) parser.add_argument( "--models", type=str, nargs="*", help="LoRA models to merge: safetensors file / マージするLoRAモデル、safetensorsファイル", ) parser.add_argument("--ratios", type=float, nargs="*", help="ratios for each model / それぞれのLoRAモデルの比率") parser.add_argument( "--no_metadata", action="store_true", help="do not save sai modelspec metadata (minimum ss_metadata for LoRA is saved) / " + "sai modelspecのメタデータを保存しない（LoRAの最低限のss_metadataは保存される）", ) parser.add_argument( "--concat", action="store_true", help="concat lora instead of merge (The dim(rank) of the output LoRA is the sum of the input dims) / " + "マージの代わりに結合する（LoRAのdim(rank)は入力dimの合計になる）", ) parser.add_argument( "--shuffle", action="store_true", help="shuffle lora weight./ " + "LoRAの重みをシャッフルする", ) parser.add_argument( "--diffusers", action="store_true", help="merge Diffusers (?) LoRA models / Diffusers (?) LoRAモデルをマージする", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() merge(args) ================================================ FILE: networks/lora.py ================================================ # LoRA network module # reference: # https://github.com/microsoft/LoRA/blob/main/loralib/layers.py # https://github.com/cloneofsimo/lora/blob/master/lora_diffusion/lora.py import math import os from typing import Dict, List, Optional, Tuple, Type, Union from diffusers import AutoencoderKL from transformers import CLIPTextModel import numpy as np import torch import re from library.utils import setup_logging from library.sdxl_original_unet import SdxlUNet2DConditionModel setup_logging() import logging logger = logging.getLogger(__name__) RE_UPDOWN = re.compile(r"(up|down)_blocks_(\d+)_(resnets|upsamplers|downsamplers|attentions)_(\d+)_") class LoRAModule(torch.nn.Module): """ replaces forward method of the original Linear, instead of replacing the original Linear module. """ def __init__( self, lora_name, org_module: torch.nn.Module, multiplier=1.0, lora_dim=4, alpha=1, dropout=None, rank_dropout=None, module_dropout=None, ): """if alpha == 0 or None, alpha is rank (no scaling).""" super().__init__() self.lora_name = lora_name if org_module.__class__.__name__ == "Conv2d": in_dim = org_module.in_channels out_dim = org_module.out_channels else: in_dim = org_module.in_features out_dim = org_module.out_features # if limit_rank: # self.lora_dim = min(lora_dim, in_dim, out_dim) # if self.lora_dim != lora_dim: # logger.info(f"{lora_name} dim (rank) is changed to: {self.lora_dim}") # else: self.lora_dim = lora_dim if org_module.__class__.__name__ == "Conv2d": kernel_size = org_module.kernel_size stride = org_module.stride padding = org_module.padding self.lora_down = torch.nn.Conv2d(in_dim, self.lora_dim, kernel_size, stride, padding, bias=False) self.lora_up = torch.nn.Conv2d(self.lora_dim, out_dim, (1, 1), (1, 1), bias=False) else: self.lora_down = torch.nn.Linear(in_dim, self.lora_dim, bias=False) self.lora_up = torch.nn.Linear(self.lora_dim, out_dim, bias=False) if type(alpha) == torch.Tensor: alpha = alpha.detach().float().numpy() # without casting, bf16 causes error alpha = self.lora_dim if alpha is None or alpha == 0 else alpha self.scale = alpha / self.lora_dim self.register_buffer("alpha", torch.tensor(alpha)) # 定数として扱える # same as microsoft's torch.nn.init.kaiming_uniform_(self.lora_down.weight, a=math.sqrt(5)) torch.nn.init.zeros_(self.lora_up.weight) self.multiplier = multiplier self.org_module = org_module # remove in applying self.dropout = dropout self.rank_dropout = rank_dropout self.module_dropout = module_dropout def apply_to(self): self.org_forward = self.org_module.forward self.org_module.forward = self.forward del self.org_module def forward(self, x): org_forwarded = self.org_forward(x) # module dropout if self.module_dropout is not None and self.training: if torch.rand(1) < self.module_dropout: return org_forwarded lx = self.lora_down(x) # normal dropout if self.dropout is not None and self.training: lx = torch.nn.functional.dropout(lx, p=self.dropout) # rank dropout if self.rank_dropout is not None and self.training: mask = torch.rand((lx.size(0), self.lora_dim), device=lx.device) > self.rank_dropout if len(lx.size()) == 3: mask = mask.unsqueeze(1) # for Text Encoder elif len(lx.size()) == 4: mask = mask.unsqueeze(-1).unsqueeze(-1) # for Conv2d lx = lx * mask # scaling for rank dropout: treat as if the rank is changed # maskから計算することも考えられるが、augmentation的な効果を期待してrank_dropoutを用いる scale = self.scale * (1.0 / (1.0 - self.rank_dropout)) # redundant for readability else: scale = self.scale lx = self.lora_up(lx) return org_forwarded + lx * self.multiplier * scale class LoRAInfModule(LoRAModule): def __init__( self, lora_name, org_module: torch.nn.Module, multiplier=1.0, lora_dim=4, alpha=1, **kwargs, ): # no dropout for inference super().__init__(lora_name, org_module, multiplier, lora_dim, alpha) self.org_module_ref = [org_module] # 後から参照できるように self.enabled = True # check regional or not by lora_name self.text_encoder = False if lora_name.startswith("lora_te_"): self.regional = False self.use_sub_prompt = True self.text_encoder = True elif "attn2_to_k" in lora_name or "attn2_to_v" in lora_name: self.regional = False self.use_sub_prompt = True elif "time_emb" in lora_name: self.regional = False self.use_sub_prompt = False else: self.regional = True self.use_sub_prompt = False self.network: LoRANetwork = None def set_network(self, network): self.network = network # freezeしてマージする def merge_to(self, sd, dtype, device): # get up/down weight up_weight = sd["lora_up.weight"].to(torch.float).to(device) down_weight = sd["lora_down.weight"].to(torch.float).to(device) # extract weight from org_module org_sd = self.org_module.state_dict() weight = org_sd["weight"].to(torch.float) # merge weight if len(weight.size()) == 2: # linear weight = weight + self.multiplier * (up_weight @ down_weight) * self.scale elif down_weight.size()[2:4] == (1, 1): # conv2d 1x1 weight = ( weight + self.multiplier * (up_weight.squeeze(3).squeeze(2) @ down_weight.squeeze(3).squeeze(2)).unsqueeze(2).unsqueeze(3) * self.scale ) else: # conv2d 3x3 conved = torch.nn.functional.conv2d(down_weight.permute(1, 0, 2, 3), up_weight).permute(1, 0, 2, 3) # logger.info(conved.size(), weight.size(), module.stride, module.padding) weight = weight + self.multiplier * conved * self.scale # set weight to org_module org_sd["weight"] = weight.to(dtype) self.org_module.load_state_dict(org_sd) # 復元できるマージのため、このモジュールのweightを返す def get_weight(self, multiplier=None): if multiplier is None: multiplier = self.multiplier # get up/down weight from module up_weight = self.lora_up.weight.to(torch.float) down_weight = self.lora_down.weight.to(torch.float) # pre-calculated weight if len(down_weight.size()) == 2: # linear weight = self.multiplier * (up_weight @ down_weight) * self.scale elif down_weight.size()[2:4] == (1, 1): # conv2d 1x1 weight = ( self.multiplier * (up_weight.squeeze(3).squeeze(2) @ down_weight.squeeze(3).squeeze(2)).unsqueeze(2).unsqueeze(3) * self.scale ) else: # conv2d 3x3 conved = torch.nn.functional.conv2d(down_weight.permute(1, 0, 2, 3), up_weight).permute(1, 0, 2, 3) weight = self.multiplier * conved * self.scale return weight def set_region(self, region): self.region = region self.region_mask = None def default_forward(self, x): # logger.info(f"default_forward {self.lora_name} {x.size()}") return self.org_forward(x) + self.lora_up(self.lora_down(x)) * self.multiplier * self.scale def forward(self, x): if not self.enabled: return self.org_forward(x) if self.network is None or self.network.sub_prompt_index is None: return self.default_forward(x) if not self.regional and not self.use_sub_prompt: return self.default_forward(x) if self.regional: return self.regional_forward(x) else: return self.sub_prompt_forward(x) def get_mask_for_x(self, x): # calculate size from shape of x if len(x.size()) == 4: h, w = x.size()[2:4] area = h * w else: area = x.size()[1] mask = self.network.mask_dic.get(area, None) if mask is None or len(x.size()) == 2: # emb_layers in SDXL doesn't have mask # if "emb" not in self.lora_name: # print(f"mask is None for resolution {self.lora_name}, {area}, {x.size()}") mask_size = (1, x.size()[1]) if len(x.size()) == 2 else (1, *x.size()[1:-1], 1) return torch.ones(mask_size, dtype=x.dtype, device=x.device) / self.network.num_sub_prompts if len(x.size()) == 3: mask = torch.reshape(mask, (1, -1, 1)) return mask def regional_forward(self, x): if "attn2_to_out" in self.lora_name: return self.to_out_forward(x) if self.network.mask_dic is None: # sub_prompt_index >= 3 return self.default_forward(x) # apply mask for LoRA result lx = self.lora_up(self.lora_down(x)) * self.multiplier * self.scale mask = self.get_mask_for_x(lx) # print("regional", self.lora_name, self.network.sub_prompt_index, lx.size(), mask.size()) # if mask.ndim > lx.ndim: # in some resolution, lx is 2d and mask is 3d (the reason is not checked) # mask = mask.squeeze(-1) lx = lx * mask x = self.org_forward(x) x = x + lx if "attn2_to_q" in self.lora_name and self.network.is_last_network: x = self.postp_to_q(x) return x def postp_to_q(self, x): # repeat x to num_sub_prompts has_real_uncond = x.size()[0] // self.network.batch_size == 3 qc = self.network.batch_size # uncond qc += self.network.batch_size * self.network.num_sub_prompts # cond if has_real_uncond: qc += self.network.batch_size # real_uncond query = torch.zeros((qc, x.size()[1], x.size()[2]), device=x.device, dtype=x.dtype) query[: self.network.batch_size] = x[: self.network.batch_size] for i in range(self.network.batch_size): qi = self.network.batch_size + i * self.network.num_sub_prompts query[qi : qi + self.network.num_sub_prompts] = x[self.network.batch_size + i] if has_real_uncond: query[-self.network.batch_size :] = x[-self.network.batch_size :] # logger.info(f"postp_to_q {self.lora_name} {x.size()} {query.size()} {self.network.num_sub_prompts}") return query def sub_prompt_forward(self, x): if x.size()[0] == self.network.batch_size: # if uncond in text_encoder, do not apply LoRA return self.org_forward(x) emb_idx = self.network.sub_prompt_index if not self.text_encoder: emb_idx += self.network.batch_size # apply sub prompt of X lx = x[emb_idx :: self.network.num_sub_prompts] lx = self.lora_up(self.lora_down(lx)) * self.multiplier * self.scale # logger.info(f"sub_prompt_forward {self.lora_name} {x.size()} {lx.size()} {emb_idx}") x = self.org_forward(x) x[emb_idx :: self.network.num_sub_prompts] += lx return x def to_out_forward(self, x): # logger.info(f"to_out_forward {self.lora_name} {x.size()} {self.network.is_last_network}") if self.network.is_last_network: masks = [None] * self.network.num_sub_prompts self.network.shared[self.lora_name] = (None, masks) else: lx, masks = self.network.shared[self.lora_name] # call own LoRA x1 = x[self.network.batch_size + self.network.sub_prompt_index :: self.network.num_sub_prompts] lx1 = self.lora_up(self.lora_down(x1)) * self.multiplier * self.scale if self.network.is_last_network: lx = torch.zeros( (self.network.num_sub_prompts * self.network.batch_size, *lx1.size()[1:]), device=lx1.device, dtype=lx1.dtype ) self.network.shared[self.lora_name] = (lx, masks) # logger.info(f"to_out_forward {lx.size()} {lx1.size()} {self.network.sub_prompt_index} {self.network.num_sub_prompts}") lx[self.network.sub_prompt_index :: self.network.num_sub_prompts] += lx1 masks[self.network.sub_prompt_index] = self.get_mask_for_x(lx1) # if not last network, return x and masks x = self.org_forward(x) if not self.network.is_last_network: return x lx, masks = self.network.shared.pop(self.lora_name) # if last network, combine separated x with mask weighted sum has_real_uncond = x.size()[0] // self.network.batch_size == self.network.num_sub_prompts + 2 out = torch.zeros((self.network.batch_size * (3 if has_real_uncond else 2), *x.size()[1:]), device=x.device, dtype=x.dtype) out[: self.network.batch_size] = x[: self.network.batch_size] # uncond if has_real_uncond: out[-self.network.batch_size :] = x[-self.network.batch_size :] # real_uncond # logger.info(f"to_out_forward {self.lora_name} {self.network.sub_prompt_index} {self.network.num_sub_prompts}") # if num_sub_prompts > num of LoRAs, fill with zero for i in range(len(masks)): if masks[i] is None: masks[i] = torch.zeros_like(masks[0]) mask = torch.cat(masks) mask_sum = torch.sum(mask, dim=0) + 1e-4 for i in range(self.network.batch_size): # 1枚の画像ごとに処理する lx1 = lx[i * self.network.num_sub_prompts : (i + 1) * self.network.num_sub_prompts] lx1 = lx1 * mask lx1 = torch.sum(lx1, dim=0) xi = self.network.batch_size + i * self.network.num_sub_prompts x1 = x[xi : xi + self.network.num_sub_prompts] x1 = x1 * mask x1 = torch.sum(x1, dim=0) x1 = x1 / mask_sum x1 = x1 + lx1 out[self.network.batch_size + i] = x1 # logger.info(f"to_out_forward {x.size()} {out.size()} {has_real_uncond}") return out def parse_block_lr_kwargs(is_sdxl: bool, nw_kwargs: Dict) -> Optional[List[float]]: down_lr_weight = nw_kwargs.get("down_lr_weight", None) mid_lr_weight = nw_kwargs.get("mid_lr_weight", None) up_lr_weight = nw_kwargs.get("up_lr_weight", None) # 以上のいずれにも設定がない場合は無効としてNoneを返す if down_lr_weight is None and mid_lr_weight is None and up_lr_weight is None: return None # extract learning rate weight for each block if down_lr_weight is not None: # if some parameters are not set, use zero if "," in down_lr_weight: down_lr_weight = [(float(s) if s else 0.0) for s in down_lr_weight.split(",")] if mid_lr_weight is not None: mid_lr_weight = [(float(s) if s else 0.0) for s in mid_lr_weight.split(",")] if up_lr_weight is not None: if "," in up_lr_weight: up_lr_weight = [(float(s) if s else 0.0) for s in up_lr_weight.split(",")] return get_block_lr_weight( is_sdxl, down_lr_weight, mid_lr_weight, up_lr_weight, float(nw_kwargs.get("block_lr_zero_threshold", 0.0)) ) def create_network( multiplier: float, network_dim: Optional[int], network_alpha: Optional[float], vae: AutoencoderKL, text_encoder: Union[CLIPTextModel, List[CLIPTextModel]], unet, neuron_dropout: Optional[float] = None, **kwargs, ): # if unet is an instance of SdxlUNet2DConditionModel or subclass, set is_sdxl to True is_sdxl = unet is not None and issubclass(unet.__class__, SdxlUNet2DConditionModel) if network_dim is None: network_dim = 4 # default if network_alpha is None: network_alpha = 1.0 # extract dim/alpha for conv2d, and block dim conv_dim = kwargs.get("conv_dim", None) conv_alpha = kwargs.get("conv_alpha", None) if conv_dim is not None: conv_dim = int(conv_dim) if conv_alpha is None: conv_alpha = 1.0 else: conv_alpha = float(conv_alpha) # block dim/alpha/lr block_dims = kwargs.get("block_dims", None) block_lr_weight = parse_block_lr_kwargs(is_sdxl, kwargs) # 以上のいずれかに指定があればblockごとのdim(rank)を有効にする if block_dims is not None or block_lr_weight is not None: block_alphas = kwargs.get("block_alphas", None) conv_block_dims = kwargs.get("conv_block_dims", None) conv_block_alphas = kwargs.get("conv_block_alphas", None) block_dims, block_alphas, conv_block_dims, conv_block_alphas = get_block_dims_and_alphas( is_sdxl, block_dims, block_alphas, network_dim, network_alpha, conv_block_dims, conv_block_alphas, conv_dim, conv_alpha ) # remove block dim/alpha without learning rate block_dims, block_alphas, conv_block_dims, conv_block_alphas = remove_block_dims_and_alphas( is_sdxl, block_dims, block_alphas, conv_block_dims, conv_block_alphas, block_lr_weight ) else: block_alphas = None conv_block_dims = None conv_block_alphas = None # rank/module dropout rank_dropout = kwargs.get("rank_dropout", None) if rank_dropout is not None: rank_dropout = float(rank_dropout) module_dropout = kwargs.get("module_dropout", None) if module_dropout is not None: module_dropout = float(module_dropout) # すごく引数が多いな ( ^ω^)･･･ network = LoRANetwork( text_encoder, unet, multiplier=multiplier, lora_dim=network_dim, alpha=network_alpha, dropout=neuron_dropout, rank_dropout=rank_dropout, module_dropout=module_dropout, conv_lora_dim=conv_dim, conv_alpha=conv_alpha, block_dims=block_dims, block_alphas=block_alphas, conv_block_dims=conv_block_dims, conv_block_alphas=conv_block_alphas, varbose=True, is_sdxl=is_sdxl, ) loraplus_lr_ratio = kwargs.get("loraplus_lr_ratio", None) loraplus_unet_lr_ratio = kwargs.get("loraplus_unet_lr_ratio", None) loraplus_text_encoder_lr_ratio = kwargs.get("loraplus_text_encoder_lr_ratio", None) loraplus_lr_ratio = float(loraplus_lr_ratio) if loraplus_lr_ratio is not None else None loraplus_unet_lr_ratio = float(loraplus_unet_lr_ratio) if loraplus_unet_lr_ratio is not None else None loraplus_text_encoder_lr_ratio = float(loraplus_text_encoder_lr_ratio) if loraplus_text_encoder_lr_ratio is not None else None if loraplus_lr_ratio is not None or loraplus_unet_lr_ratio is not None or loraplus_text_encoder_lr_ratio is not None: network.set_loraplus_lr_ratio(loraplus_lr_ratio, loraplus_unet_lr_ratio, loraplus_text_encoder_lr_ratio) if block_lr_weight is not None: network.set_block_lr_weight(block_lr_weight) return network # このメソッドは外部から呼び出される可能性を考慮しておく # network_dim, network_alpha にはデフォルト値が入っている。 # block_dims, block_alphas は両方ともNoneまたは両方とも値が入っている # conv_dim, conv_alpha は両方ともNoneまたは両方とも値が入っている def get_block_dims_and_alphas( is_sdxl, block_dims, block_alphas, network_dim, network_alpha, conv_block_dims, conv_block_alphas, conv_dim, conv_alpha ): if not is_sdxl: num_total_blocks = LoRANetwork.NUM_OF_BLOCKS * 2 + LoRANetwork.NUM_OF_MID_BLOCKS else: # 1+9+3+9+1=23, no LoRA for emb_layers (0) num_total_blocks = 1 + LoRANetwork.SDXL_NUM_OF_BLOCKS * 2 + LoRANetwork.SDXL_NUM_OF_MID_BLOCKS + 1 def parse_ints(s): return [int(i) for i in s.split(",")] def parse_floats(s): return [float(i) for i in s.split(",")] # block_dimsとblock_alphasをパースする。必ず値が入る if block_dims is not None: block_dims = parse_ints(block_dims) assert len(block_dims) == num_total_blocks, ( f"block_dims must have {num_total_blocks} elements but {len(block_dims)} elements are given" + f" / block_dimsは{num_total_blocks}個指定してください（指定された個数: {len(block_dims)}）" ) else: logger.warning( f"block_dims is not specified. all dims are set to {network_dim} / block_dimsが指定されていません。すべてのdimは{network_dim}になります" ) block_dims = [network_dim] * num_total_blocks if block_alphas is not None: block_alphas = parse_floats(block_alphas) assert ( len(block_alphas) == num_total_blocks ), f"block_alphas must have {num_total_blocks} elements / block_alphasは{num_total_blocks}個指定してください" else: logger.warning( f"block_alphas is not specified. all alphas are set to {network_alpha} / block_alphasが指定されていません。すべてのalphaは{network_alpha}になります" ) block_alphas = [network_alpha] * num_total_blocks # conv_block_dimsとconv_block_alphasを、指定がある場合のみパースする。指定がなければconv_dimとconv_alphaを使う if conv_block_dims is not None: conv_block_dims = parse_ints(conv_block_dims) assert ( len(conv_block_dims) == num_total_blocks ), f"conv_block_dims must have {num_total_blocks} elements / conv_block_dimsは{num_total_blocks}個指定してください" if conv_block_alphas is not None: conv_block_alphas = parse_floats(conv_block_alphas) assert ( len(conv_block_alphas) == num_total_blocks ), f"conv_block_alphas must have {num_total_blocks} elements / conv_block_alphasは{num_total_blocks}個指定してください" else: if conv_alpha is None: conv_alpha = 1.0 logger.warning( f"conv_block_alphas is not specified. all alphas are set to {conv_alpha} / conv_block_alphasが指定されていません。すべてのalphaは{conv_alpha}になります" ) conv_block_alphas = [conv_alpha] * num_total_blocks else: if conv_dim is not None: logger.warning( f"conv_dim/alpha for all blocks are set to {conv_dim} and {conv_alpha} / すべてのブロックのconv_dimとalphaは{conv_dim}および{conv_alpha}になります" ) conv_block_dims = [conv_dim] * num_total_blocks conv_block_alphas = [conv_alpha] * num_total_blocks else: conv_block_dims = None conv_block_alphas = None return block_dims, block_alphas, conv_block_dims, conv_block_alphas # 層別学習率用に層ごとの学習率に対する倍率を定義する、外部から呼び出せるようにclass外に出しておく # 戻り値は block ごとの倍率のリスト def get_block_lr_weight( is_sdxl, down_lr_weight: Union[str, List[float]], mid_lr_weight: List[float], up_lr_weight: Union[str, List[float]], zero_threshold: float, ) -> Optional[List[float]]: # パラメータ未指定時は何もせず、今までと同じ動作とする if up_lr_weight is None and mid_lr_weight is None and down_lr_weight is None: return None if not is_sdxl: max_len_for_down_or_up = LoRANetwork.NUM_OF_BLOCKS max_len_for_mid = LoRANetwork.NUM_OF_MID_BLOCKS else: max_len_for_down_or_up = LoRANetwork.SDXL_NUM_OF_BLOCKS max_len_for_mid = LoRANetwork.SDXL_NUM_OF_MID_BLOCKS def get_list(name_with_suffix) -> List[float]: import math tokens = name_with_suffix.split("+") name = tokens[0] base_lr = float(tokens[1]) if len(tokens) > 1 else 0.0 if name == "cosine": return [ math.sin(math.pi * (i / (max_len_for_down_or_up - 1)) / 2) + base_lr for i in reversed(range(max_len_for_down_or_up)) ] elif name == "sine": return [math.sin(math.pi * (i / (max_len_for_down_or_up - 1)) / 2) + base_lr for i in range(max_len_for_down_or_up)] elif name == "linear": return [i / (max_len_for_down_or_up - 1) + base_lr for i in range(max_len_for_down_or_up)] elif name == "reverse_linear": return [i / (max_len_for_down_or_up - 1) + base_lr for i in reversed(range(max_len_for_down_or_up))] elif name == "zeros": return [0.0 + base_lr] * max_len_for_down_or_up else: logger.error( "Unknown lr_weight argument %s is used. Valid arguments: / 不明なlr_weightの引数 %s が使われました。有効な引数:\n\tcosine, sine, linear, reverse_linear, zeros" % (name) ) return None if type(down_lr_weight) == str: down_lr_weight = get_list(down_lr_weight) if type(up_lr_weight) == str: up_lr_weight = get_list(up_lr_weight) if (up_lr_weight != None and len(up_lr_weight) > max_len_for_down_or_up) or ( down_lr_weight != None and len(down_lr_weight) > max_len_for_down_or_up ): logger.warning("down_weight or up_weight is too long. Parameters after %d-th are ignored." % max_len_for_down_or_up) logger.warning("down_weightもしくはup_weightが長すぎます。%d個目以降のパラメータは無視されます。" % max_len_for_down_or_up) up_lr_weight = up_lr_weight[:max_len_for_down_or_up] down_lr_weight = down_lr_weight[:max_len_for_down_or_up] if mid_lr_weight != None and len(mid_lr_weight) > max_len_for_mid: logger.warning("mid_weight is too long. Parameters after %d-th are ignored." % max_len_for_mid) logger.warning("mid_weightが長すぎます。%d個目以降のパラメータは無視されます。" % max_len_for_mid) mid_lr_weight = mid_lr_weight[:max_len_for_mid] if (up_lr_weight != None and len(up_lr_weight) < max_len_for_down_or_up) or ( down_lr_weight != None and len(down_lr_weight) < max_len_for_down_or_up ): logger.warning("down_weight or up_weight is too short. Parameters after %d-th are filled with 1." % max_len_for_down_or_up) logger.warning( "down_weightもしくはup_weightが短すぎます。%d個目までの不足したパラメータは1で補われます。" % max_len_for_down_or_up ) if down_lr_weight != None and len(down_lr_weight) < max_len_for_down_or_up: down_lr_weight = down_lr_weight + [1.0] * (max_len_for_down_or_up - len(down_lr_weight)) if up_lr_weight != None and len(up_lr_weight) < max_len_for_down_or_up: up_lr_weight = up_lr_weight + [1.0] * (max_len_for_down_or_up - len(up_lr_weight)) if mid_lr_weight != None and len(mid_lr_weight) < max_len_for_mid: logger.warning("mid_weight is too short. Parameters after %d-th are filled with 1." % max_len_for_mid) logger.warning("mid_weightが短すぎます。%d個目までの不足したパラメータは1で補われます。" % max_len_for_mid) mid_lr_weight = mid_lr_weight + [1.0] * (max_len_for_mid - len(mid_lr_weight)) if (up_lr_weight != None) or (mid_lr_weight != None) or (down_lr_weight != None): logger.info("apply block learning rate / 階層別学習率を適用します。") if down_lr_weight != None: down_lr_weight = [w if w > zero_threshold else 0 for w in down_lr_weight] logger.info(f"down_lr_weight (shallower -> deeper, 浅い層->深い層): {down_lr_weight}") else: down_lr_weight = [1.0] * max_len_for_down_or_up logger.info("down_lr_weight: all 1.0, すべて1.0") if mid_lr_weight != None: mid_lr_weight = [w if w > zero_threshold else 0 for w in mid_lr_weight] logger.info(f"mid_lr_weight: {mid_lr_weight}") else: mid_lr_weight = [1.0] * max_len_for_mid logger.info("mid_lr_weight: all 1.0, すべて1.0") if up_lr_weight != None: up_lr_weight = [w if w > zero_threshold else 0 for w in up_lr_weight] logger.info(f"up_lr_weight (deeper -> shallower, 深い層->浅い層): {up_lr_weight}") else: up_lr_weight = [1.0] * max_len_for_down_or_up logger.info("up_lr_weight: all 1.0, すべて1.0") lr_weight = down_lr_weight + mid_lr_weight + up_lr_weight if is_sdxl: lr_weight = [1.0] + lr_weight + [1.0] # add 1.0 for emb_layers and out assert (not is_sdxl and len(lr_weight) == LoRANetwork.NUM_OF_BLOCKS * 2 + LoRANetwork.NUM_OF_MID_BLOCKS) or ( is_sdxl and len(lr_weight) == 1 + LoRANetwork.SDXL_NUM_OF_BLOCKS * 2 + LoRANetwork.SDXL_NUM_OF_MID_BLOCKS + 1 ), f"lr_weight length is invalid: {len(lr_weight)}" return lr_weight # lr_weightが0のblockをblock_dimsから除外する、外部から呼び出す可能性を考慮しておく def remove_block_dims_and_alphas( is_sdxl, block_dims, block_alphas, conv_block_dims, conv_block_alphas, block_lr_weight: Optional[List[float]] ): if block_lr_weight is not None: for i, lr in enumerate(block_lr_weight): if lr == 0: block_dims[i] = 0 if conv_block_dims is not None: conv_block_dims[i] = 0 return block_dims, block_alphas, conv_block_dims, conv_block_alphas # 外部から呼び出す可能性を考慮しておく def get_block_index(lora_name: str, is_sdxl: bool = False) -> int: block_idx = -1 # invalid lora name if not is_sdxl: m = RE_UPDOWN.search(lora_name) if m: g = m.groups() i = int(g[1]) j = int(g[3]) if g[2] == "resnets": idx = 3 * i + j elif g[2] == "attentions": idx = 3 * i + j elif g[2] == "upsamplers" or g[2] == "downsamplers": idx = 3 * i + 2 if g[0] == "down": block_idx = 1 + idx # 0に該当するLoRAは存在しない elif g[0] == "up": block_idx = LoRANetwork.NUM_OF_BLOCKS + 1 + idx elif "mid_block_" in lora_name: block_idx = LoRANetwork.NUM_OF_BLOCKS # idx=12 else: # copy from sdxl_train if lora_name.startswith("lora_unet_"): name = lora_name[len("lora_unet_") :] if name.startswith("time_embed_") or name.startswith("label_emb_"): # No LoRA block_idx = 0 # 0 elif name.startswith("input_blocks_"): # 1-9 block_idx = 1 + int(name.split("_")[2]) elif name.startswith("middle_block_"): # 10-12 block_idx = 10 + int(name.split("_")[2]) elif name.startswith("output_blocks_"): # 13-21 block_idx = 13 + int(name.split("_")[2]) elif name.startswith("out_"): # 22, out, no LoRA block_idx = 22 return block_idx def convert_diffusers_to_sai_if_needed(weights_sd): # only supports U-Net LoRA modules found_up_down_blocks = False for k in list(weights_sd.keys()): if "down_blocks" in k: found_up_down_blocks = True break if "up_blocks" in k: found_up_down_blocks = True break if not found_up_down_blocks: return from library.sdxl_model_util import make_unet_conversion_map unet_conversion_map = make_unet_conversion_map() unet_conversion_map = {hf.replace(".", "_")[:-1]: sd.replace(".", "_")[:-1] for sd, hf in unet_conversion_map} # # add extra conversion # unet_conversion_map["up_blocks_1_upsamplers_0"] = "lora_unet_output_blocks_2_2_conv" logger.info(f"Converting LoRA keys from Diffusers to SAI") lora_unet_prefix = "lora_unet_" for k in list(weights_sd.keys()): if not k.startswith(lora_unet_prefix): continue unet_module_name = k[len(lora_unet_prefix) :].split(".")[0] # search for conversion: this is slow because the algorithm is O(n^2), but the number of keys is small for hf_module_name, sd_module_name in unet_conversion_map.items(): if hf_module_name in unet_module_name: new_key = ( lora_unet_prefix + unet_module_name.replace(hf_module_name, sd_module_name) + k[len(lora_unet_prefix) + len(unet_module_name) :] ) weights_sd[new_key] = weights_sd.pop(k) found = True break if not found: logger.warning(f"Key {k} is not found in unet_conversion_map") # Create network from weights for inference, weights are not loaded here (because can be merged) def create_network_from_weights(multiplier, file, vae, text_encoder, unet, weights_sd=None, for_inference=False, **kwargs): # if unet is an instance of SdxlUNet2DConditionModel or subclass, set is_sdxl to True is_sdxl = unet is not None and issubclass(unet.__class__, SdxlUNet2DConditionModel) if weights_sd is None: if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file, safe_open weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu") # if keys are Diffusers based, convert to SAI based if is_sdxl: convert_diffusers_to_sai_if_needed(weights_sd) # get dim/alpha mapping modules_dim = {} modules_alpha = {} for key, value in weights_sd.items(): if "." not in key: continue lora_name = key.split(".")[0] if "alpha" in key: modules_alpha[lora_name] = value elif "lora_down" in key: dim = value.size()[0] modules_dim[lora_name] = dim # logger.info(lora_name, value.size(), dim) # support old LoRA without alpha for key in modules_dim.keys(): if key not in modules_alpha: modules_alpha[key] = modules_dim[key] module_class = LoRAInfModule if for_inference else LoRAModule network = LoRANetwork( text_encoder, unet, multiplier=multiplier, modules_dim=modules_dim, modules_alpha=modules_alpha, module_class=module_class, is_sdxl=is_sdxl, ) # block lr block_lr_weight = parse_block_lr_kwargs(is_sdxl, kwargs) if block_lr_weight is not None: network.set_block_lr_weight(block_lr_weight) return network, weights_sd class LoRANetwork(torch.nn.Module): NUM_OF_BLOCKS = 12 # フルモデル相当でのup,downの層の数 NUM_OF_MID_BLOCKS = 1 SDXL_NUM_OF_BLOCKS = 9 # SDXLのモデルでのinput/outputの層の数 total=1(base) 9(input) + 3(mid) + 9(output) + 1(out) = 23 SDXL_NUM_OF_MID_BLOCKS = 3 UNET_TARGET_REPLACE_MODULE = ["Transformer2DModel"] UNET_TARGET_REPLACE_MODULE_CONV2D_3X3 = ["ResnetBlock2D", "Downsample2D", "Upsample2D"] TEXT_ENCODER_TARGET_REPLACE_MODULE = ["CLIPAttention", "CLIPSdpaAttention", "CLIPMLP"] LORA_PREFIX_UNET = "lora_unet" LORA_PREFIX_TEXT_ENCODER = "lora_te" # SDXL: must starts with LORA_PREFIX_TEXT_ENCODER LORA_PREFIX_TEXT_ENCODER1 = "lora_te1" LORA_PREFIX_TEXT_ENCODER2 = "lora_te2" def __init__( self, text_encoder: Union[List[CLIPTextModel], CLIPTextModel], unet, multiplier: float = 1.0, lora_dim: int = 4, alpha: float = 1, dropout: Optional[float] = None, rank_dropout: Optional[float] = None, module_dropout: Optional[float] = None, conv_lora_dim: Optional[int] = None, conv_alpha: Optional[float] = None, block_dims: Optional[List[int]] = None, block_alphas: Optional[List[float]] = None, conv_block_dims: Optional[List[int]] = None, conv_block_alphas: Optional[List[float]] = None, modules_dim: Optional[Dict[str, int]] = None, modules_alpha: Optional[Dict[str, int]] = None, module_class: Type[object] = LoRAModule, varbose: Optional[bool] = False, is_sdxl: Optional[bool] = False, ) -> None: """ LoRA network: すごく引数が多いが、パターンは以下の通り 1. lora_dimとalphaを指定 2. lora_dim、alpha、conv_lora_dim、conv_alphaを指定 3. block_dimsとblock_alphasを指定 : Conv2d3x3には適用しない 4. block_dims、block_alphas、conv_block_dims、conv_block_alphasを指定 : Conv2d3x3にも適用する 5. modules_dimとmodules_alphaを指定 (推論用) """ super().__init__() self.multiplier = multiplier self.lora_dim = lora_dim self.alpha = alpha self.conv_lora_dim = conv_lora_dim self.conv_alpha = conv_alpha self.dropout = dropout self.rank_dropout = rank_dropout self.module_dropout = module_dropout self.loraplus_lr_ratio = None self.loraplus_unet_lr_ratio = None self.loraplus_text_encoder_lr_ratio = None if modules_dim is not None: logger.info(f"create LoRA network from weights") elif block_dims is not None: logger.info(f"create LoRA network from block_dims") logger.info( f"neuron dropout: p={self.dropout}, rank dropout: p={self.rank_dropout}, module dropout: p={self.module_dropout}" ) logger.info(f"block_dims: {block_dims}") logger.info(f"block_alphas: {block_alphas}") if conv_block_dims is not None: logger.info(f"conv_block_dims: {conv_block_dims}") logger.info(f"conv_block_alphas: {conv_block_alphas}") else: logger.info(f"create LoRA network. base dim (rank): {lora_dim}, alpha: {alpha}") logger.info( f"neuron dropout: p={self.dropout}, rank dropout: p={self.rank_dropout}, module dropout: p={self.module_dropout}" ) if self.conv_lora_dim is not None: logger.info( f"apply LoRA to Conv2d with kernel size (3,3). dim (rank): {self.conv_lora_dim}, alpha: {self.conv_alpha}" ) # create module instances def create_modules( is_unet: bool, text_encoder_idx: Optional[int], # None, 1, 2 root_module: torch.nn.Module, target_replace_modules: List[torch.nn.Module], ) -> List[LoRAModule]: prefix = ( self.LORA_PREFIX_UNET if is_unet else ( self.LORA_PREFIX_TEXT_ENCODER if text_encoder_idx is None else (self.LORA_PREFIX_TEXT_ENCODER1 if text_encoder_idx == 1 else self.LORA_PREFIX_TEXT_ENCODER2) ) ) loras = [] skipped = [] for name, module in root_module.named_modules(): if module.__class__.__name__ in target_replace_modules: for child_name, child_module in module.named_modules(): is_linear = child_module.__class__.__name__ == "Linear" is_conv2d = child_module.__class__.__name__ == "Conv2d" is_conv2d_1x1 = is_conv2d and child_module.kernel_size == (1, 1) if is_linear or is_conv2d: lora_name = prefix + "." + name + "." + child_name lora_name = lora_name.replace(".", "_") dim = None alpha = None if modules_dim is not None: # モジュール指定あり if lora_name in modules_dim: dim = modules_dim[lora_name] alpha = modules_alpha[lora_name] elif is_unet and block_dims is not None: # U-Netでblock_dims指定あり block_idx = get_block_index(lora_name, is_sdxl) if is_linear or is_conv2d_1x1: dim = block_dims[block_idx] alpha = block_alphas[block_idx] elif conv_block_dims is not None: dim = conv_block_dims[block_idx] alpha = conv_block_alphas[block_idx] else: # 通常、すべて対象とする if is_linear or is_conv2d_1x1: dim = self.lora_dim alpha = self.alpha elif self.conv_lora_dim is not None: dim = self.conv_lora_dim alpha = self.conv_alpha if dim is None or dim == 0: # skipした情報を出力 if is_linear or is_conv2d_1x1 or (self.conv_lora_dim is not None or conv_block_dims is not None): skipped.append(lora_name) continue lora = module_class( lora_name, child_module, self.multiplier, dim, alpha, dropout=dropout, rank_dropout=rank_dropout, module_dropout=module_dropout, ) loras.append(lora) return loras, skipped text_encoders = text_encoder if type(text_encoder) == list else [text_encoder] # create LoRA for text encoder # 毎回すべてのモジュールを作るのは無駄なので要検討 self.text_encoder_loras = [] skipped_te = [] for i, text_encoder in enumerate(text_encoders): if len(text_encoders) > 1: index = i + 1 logger.info(f"create LoRA for Text Encoder {index}:") else: index = None logger.info(f"create LoRA for Text Encoder:") text_encoder_loras, skipped = create_modules(False, index, text_encoder, LoRANetwork.TEXT_ENCODER_TARGET_REPLACE_MODULE) self.text_encoder_loras.extend(text_encoder_loras) skipped_te += skipped logger.info(f"create LoRA for Text Encoder: {len(self.text_encoder_loras)} modules.") # extend U-Net target modules if conv2d 3x3 is enabled, or load from weights target_modules = LoRANetwork.UNET_TARGET_REPLACE_MODULE if modules_dim is not None or self.conv_lora_dim is not None or conv_block_dims is not None: target_modules += LoRANetwork.UNET_TARGET_REPLACE_MODULE_CONV2D_3X3 self.unet_loras, skipped_un = create_modules(True, None, unet, target_modules) logger.info(f"create LoRA for U-Net: {len(self.unet_loras)} modules.") skipped = skipped_te + skipped_un if varbose and len(skipped) > 0: logger.warning( f"because block_lr_weight is 0 or dim (rank) is 0, {len(skipped)} LoRA modules are skipped / block_lr_weightまたはdim (rank)が0の為、次の{len(skipped)}個のLoRAモジュールはスキップされます:" ) for name in skipped: logger.info(f"\t{name}") self.block_lr_weight = None self.block_lr = False # assertion names = set() for lora in self.text_encoder_loras + self.unet_loras: assert lora.lora_name not in names, f"duplicated lora name: {lora.lora_name}" names.add(lora.lora_name) def set_multiplier(self, multiplier): self.multiplier = multiplier for lora in self.text_encoder_loras + self.unet_loras: lora.multiplier = self.multiplier def set_enabled(self, is_enabled): for lora in self.text_encoder_loras + self.unet_loras: lora.enabled = is_enabled def load_weights(self, file): if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu") info = self.load_state_dict(weights_sd, False) return info def apply_to(self, text_encoder, unet, apply_text_encoder=True, apply_unet=True): if apply_text_encoder: logger.info(f"enable LoRA for text encoder: {len(self.text_encoder_loras)} modules") else: self.text_encoder_loras = [] if apply_unet: logger.info(f"enable LoRA for U-Net: {len(self.unet_loras)} modules") else: self.unet_loras = [] for lora in self.text_encoder_loras + self.unet_loras: lora.apply_to() self.add_module(lora.lora_name, lora) # マージできるかどうかを返す def is_mergeable(self): return True # TODO refactor to common function with apply_to def merge_to(self, text_encoder, unet, weights_sd, dtype, device): apply_text_encoder = apply_unet = False for key in weights_sd.keys(): if key.startswith(LoRANetwork.LORA_PREFIX_TEXT_ENCODER): apply_text_encoder = True elif key.startswith(LoRANetwork.LORA_PREFIX_UNET): apply_unet = True if apply_text_encoder: logger.info("enable LoRA for text encoder") else: self.text_encoder_loras = [] if apply_unet: logger.info("enable LoRA for U-Net") else: self.unet_loras = [] for lora in self.text_encoder_loras + self.unet_loras: sd_for_lora = {} for key in weights_sd.keys(): if key.startswith(lora.lora_name): sd_for_lora[key[len(lora.lora_name) + 1 :]] = weights_sd[key] lora.merge_to(sd_for_lora, dtype, device) logger.info(f"weights are merged") # 層別学習率用に層ごとの学習率に対する倍率を定義する　引数の順番が逆だがとりあえず気にしない def set_block_lr_weight(self, block_lr_weight: Optional[List[float]]): self.block_lr = True self.block_lr_weight = block_lr_weight def get_lr_weight(self, block_idx: int) -> float: if not self.block_lr or self.block_lr_weight is None: return 1.0 return self.block_lr_weight[block_idx] def set_loraplus_lr_ratio(self, loraplus_lr_ratio, loraplus_unet_lr_ratio, loraplus_text_encoder_lr_ratio): self.loraplus_lr_ratio = loraplus_lr_ratio self.loraplus_unet_lr_ratio = loraplus_unet_lr_ratio self.loraplus_text_encoder_lr_ratio = loraplus_text_encoder_lr_ratio logger.info(f"LoRA+ UNet LR Ratio: {self.loraplus_unet_lr_ratio or self.loraplus_lr_ratio}") logger.info(f"LoRA+ Text Encoder LR Ratio: {self.loraplus_text_encoder_lr_ratio or self.loraplus_lr_ratio}") # 二つのText Encoderに別々の学習率を設定できるようにするといいかも def prepare_optimizer_params(self, text_encoder_lr, unet_lr, default_lr): # TODO warn if optimizer is not compatible with LoRA+ (but it will cause error so we don't need to check it here?) # if ( # self.loraplus_lr_ratio is not None # or self.loraplus_text_encoder_lr_ratio is not None # or self.loraplus_unet_lr_ratio is not None # ): # assert ( # optimizer_type.lower() != "prodigy" and "dadapt" not in optimizer_type.lower() # ), "LoRA+ and Prodigy/DAdaptation is not supported / LoRA+とProdigy/DAdaptationの組み合わせはサポートされていません" self.requires_grad_(True) all_params = [] lr_descriptions = [] def assemble_params(loras, lr, ratio): param_groups = {"lora": {}, "plus": {}} for lora in loras: for name, param in lora.named_parameters(): if ratio is not None and "lora_up" in name: param_groups["plus"][f"{lora.lora_name}.{name}"] = param else: param_groups["lora"][f"{lora.lora_name}.{name}"] = param params = [] descriptions = [] for key in param_groups.keys(): param_data = {"params": param_groups[key].values()} if len(param_data["params"]) == 0: continue if lr is not None: if key == "plus": param_data["lr"] = lr * ratio else: param_data["lr"] = lr if param_data.get("lr", None) == 0 or param_data.get("lr", None) is None: logger.info("NO LR skipping!") continue params.append(param_data) descriptions.append("plus" if key == "plus" else "") return params, descriptions if self.text_encoder_loras: params, descriptions = assemble_params( self.text_encoder_loras, text_encoder_lr if text_encoder_lr is not None else default_lr, self.loraplus_text_encoder_lr_ratio or self.loraplus_lr_ratio, ) all_params.extend(params) lr_descriptions.extend(["textencoder" + (" " + d if d else "") for d in descriptions]) if self.unet_loras: if self.block_lr: is_sdxl = False for lora in self.unet_loras: if "input_blocks" in lora.lora_name or "output_blocks" in lora.lora_name: is_sdxl = True break # 学習率のグラフをblockごとにしたいので、blockごとにloraを分類 block_idx_to_lora = {} for lora in self.unet_loras: idx = get_block_index(lora.lora_name, is_sdxl) if idx not in block_idx_to_lora: block_idx_to_lora[idx] = [] block_idx_to_lora[idx].append(lora) # blockごとにパラメータを設定する for idx, block_loras in block_idx_to_lora.items(): params, descriptions = assemble_params( block_loras, (unet_lr if unet_lr is not None else default_lr) * self.get_lr_weight(idx), self.loraplus_unet_lr_ratio or self.loraplus_lr_ratio, ) all_params.extend(params) lr_descriptions.extend([f"unet_block{idx}" + (" " + d if d else "") for d in descriptions]) else: params, descriptions = assemble_params( self.unet_loras, unet_lr if unet_lr is not None else default_lr, self.loraplus_unet_lr_ratio or self.loraplus_lr_ratio, ) all_params.extend(params) lr_descriptions.extend(["unet" + (" " + d if d else "") for d in descriptions]) return all_params, lr_descriptions def enable_gradient_checkpointing(self): # not supported pass def prepare_grad_etc(self, text_encoder, unet): self.requires_grad_(True) def on_epoch_start(self, text_encoder, unet): self.train() def get_trainable_params(self): return self.parameters() def save_weights(self, file, dtype, metadata): if metadata is not None and len(metadata) == 0: metadata = None state_dict = self.state_dict() if dtype is not None: for key in list(state_dict.keys()): v = state_dict[key] v = v.detach().clone().to("cpu").to(dtype) state_dict[key] = v if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import save_file from library import train_util # Precalculate model hashes to save time on indexing if metadata is None: metadata = {} model_hash, legacy_hash = train_util.precalculate_safetensors_hashes(state_dict, metadata) metadata["sshs_model_hash"] = model_hash metadata["sshs_legacy_hash"] = legacy_hash save_file(state_dict, file, metadata) else: torch.save(state_dict, file) # mask is a tensor with values from 0 to 1 def set_region(self, sub_prompt_index, is_last_network, mask): if mask.max() == 0: mask = torch.ones_like(mask) self.mask = mask self.sub_prompt_index = sub_prompt_index self.is_last_network = is_last_network for lora in self.text_encoder_loras + self.unet_loras: lora.set_network(self) def set_current_generation(self, batch_size, num_sub_prompts, width, height, shared, ds_ratio=None): self.batch_size = batch_size self.num_sub_prompts = num_sub_prompts self.current_size = (height, width) self.shared = shared # create masks mask = self.mask mask_dic = {} mask = mask.unsqueeze(0).unsqueeze(1) # b(1),c(1),h,w ref_weight = self.text_encoder_loras[0].lora_down.weight if self.text_encoder_loras else self.unet_loras[0].lora_down.weight dtype = ref_weight.dtype device = ref_weight.device def resize_add(mh, mw): # logger.info(mh, mw, mh * mw) m = torch.nn.functional.interpolate(mask, (mh, mw), mode="bilinear") # doesn't work in bf16 m = m.to(device, dtype=dtype) mask_dic[mh * mw] = m h = height // 8 w = width // 8 for _ in range(4): resize_add(h, w) if h % 2 == 1 or w % 2 == 1: # add extra shape if h/w is not divisible by 2 resize_add(h + h % 2, w + w % 2) # deep shrink if ds_ratio is not None: hd = int(h * ds_ratio) wd = int(w * ds_ratio) resize_add(hd, wd) h = (h + 1) // 2 w = (w + 1) // 2 self.mask_dic = mask_dic def backup_weights(self): # 重みのバックアップを行う loras: List[LoRAInfModule] = self.text_encoder_loras + self.unet_loras for lora in loras: org_module = lora.org_module_ref[0] if not hasattr(org_module, "_lora_org_weight"): sd = org_module.state_dict() org_module._lora_org_weight = sd["weight"].detach().clone() org_module._lora_restored = True def restore_weights(self): # 重みのリストアを行う loras: List[LoRAInfModule] = self.text_encoder_loras + self.unet_loras for lora in loras: org_module = lora.org_module_ref[0] if not org_module._lora_restored: sd = org_module.state_dict() sd["weight"] = org_module._lora_org_weight org_module.load_state_dict(sd) org_module._lora_restored = True def pre_calculation(self): # 事前計算を行う loras: List[LoRAInfModule] = self.text_encoder_loras + self.unet_loras for lora in loras: org_module = lora.org_module_ref[0] sd = org_module.state_dict() org_weight = sd["weight"] lora_weight = lora.get_weight().to(org_weight.device, dtype=org_weight.dtype) sd["weight"] = org_weight + lora_weight assert sd["weight"].shape == org_weight.shape org_module.load_state_dict(sd) org_module._lora_restored = False lora.enabled = False def apply_max_norm_regularization(self, max_norm_value, device): downkeys = [] upkeys = [] alphakeys = [] norms = [] keys_scaled = 0 state_dict = self.state_dict() for key in state_dict.keys(): if "lora_down" in key and "weight" in key: downkeys.append(key) upkeys.append(key.replace("lora_down", "lora_up")) alphakeys.append(key.replace("lora_down.weight", "alpha")) for i in range(len(downkeys)): down = state_dict[downkeys[i]].to(device) up = state_dict[upkeys[i]].to(device) alpha = state_dict[alphakeys[i]].to(device) dim = down.shape[0] scale = alpha / dim if up.shape[2:] == (1, 1) and down.shape[2:] == (1, 1): updown = (up.squeeze(2).squeeze(2) @ down.squeeze(2).squeeze(2)).unsqueeze(2).unsqueeze(3) elif up.shape[2:] == (3, 3) or down.shape[2:] == (3, 3): updown = torch.nn.functional.conv2d(down.permute(1, 0, 2, 3), up).permute(1, 0, 2, 3) else: updown = up @ down updown *= scale norm = updown.norm().clamp(min=max_norm_value / 2) desired = torch.clamp(norm, max=max_norm_value) ratio = desired.cpu() / norm.cpu() sqrt_ratio = ratio**0.5 if ratio != 1: keys_scaled += 1 state_dict[upkeys[i]] *= sqrt_ratio state_dict[downkeys[i]] *= sqrt_ratio scalednorm = updown.norm() * ratio norms.append(scalednorm.item()) return keys_scaled, sum(norms) / len(norms), max(norms) ================================================ FILE: networks/lora_anima.py ================================================ # LoRA network module for Anima import ast import os import re from typing import Dict, List, Optional, Tuple, Type, Union import torch from library.utils import setup_logging from networks.lora_flux import LoRAModule, LoRAInfModule import logging setup_logging() logger = logging.getLogger(__name__) def create_network( multiplier: float, network_dim: Optional[int], network_alpha: Optional[float], vae, text_encoders: list, unet, neuron_dropout: Optional[float] = None, **kwargs, ): if network_dim is None: network_dim = 4 if network_alpha is None: network_alpha = 1.0 # train LLM adapter train_llm_adapter = kwargs.get("train_llm_adapter", "false") if train_llm_adapter is not None: train_llm_adapter = True if train_llm_adapter.lower() == "true" else False exclude_patterns = kwargs.get("exclude_patterns", None) if exclude_patterns is None: exclude_patterns = [] else: exclude_patterns = ast.literal_eval(exclude_patterns) if not isinstance(exclude_patterns, list): exclude_patterns = [exclude_patterns] # add default exclude patterns exclude_patterns.append(r".*(_modulation|_norm|_embedder|final_layer).*") # regular expression for module selection: exclude and include include_patterns = kwargs.get("include_patterns", None) if include_patterns is not None: include_patterns = ast.literal_eval(include_patterns) if not isinstance(include_patterns, list): include_patterns = [include_patterns] # rank/module dropout rank_dropout = kwargs.get("rank_dropout", None) if rank_dropout is not None: rank_dropout = float(rank_dropout) module_dropout = kwargs.get("module_dropout", None) if module_dropout is not None: module_dropout = float(module_dropout) # verbose verbose = kwargs.get("verbose", "false") if verbose is not None: verbose = True if verbose.lower() == "true" else False # regex-specific learning rates / dimensions def parse_kv_pairs(kv_pair_str: str, is_int: bool) -> Dict[str, float]: """ Parse a string of key-value pairs separated by commas. """ pairs = {} for pair in kv_pair_str.split(","): pair = pair.strip() if not pair: continue if "=" not in pair: logger.warning(f"Invalid format: {pair}, expected 'key=value'") continue key, value = pair.split("=", 1) key = key.strip() value = value.strip() try: pairs[key] = int(value) if is_int else float(value) except ValueError: logger.warning(f"Invalid value for {key}: {value}") return pairs network_reg_lrs = kwargs.get("network_reg_lrs", None) if network_reg_lrs is not None: reg_lrs = parse_kv_pairs(network_reg_lrs, is_int=False) else: reg_lrs = None network_reg_dims = kwargs.get("network_reg_dims", None) if network_reg_dims is not None: reg_dims = parse_kv_pairs(network_reg_dims, is_int=True) else: reg_dims = None network = LoRANetwork( text_encoders, unet, multiplier=multiplier, lora_dim=network_dim, alpha=network_alpha, dropout=neuron_dropout, rank_dropout=rank_dropout, module_dropout=module_dropout, train_llm_adapter=train_llm_adapter, exclude_patterns=exclude_patterns, include_patterns=include_patterns, reg_dims=reg_dims, reg_lrs=reg_lrs, verbose=verbose, ) loraplus_lr_ratio = kwargs.get("loraplus_lr_ratio", None) loraplus_unet_lr_ratio = kwargs.get("loraplus_unet_lr_ratio", None) loraplus_text_encoder_lr_ratio = kwargs.get("loraplus_text_encoder_lr_ratio", None) loraplus_lr_ratio = float(loraplus_lr_ratio) if loraplus_lr_ratio is not None else None loraplus_unet_lr_ratio = float(loraplus_unet_lr_ratio) if loraplus_unet_lr_ratio is not None else None loraplus_text_encoder_lr_ratio = float(loraplus_text_encoder_lr_ratio) if loraplus_text_encoder_lr_ratio is not None else None if loraplus_lr_ratio is not None or loraplus_unet_lr_ratio is not None or loraplus_text_encoder_lr_ratio is not None: network.set_loraplus_lr_ratio(loraplus_lr_ratio, loraplus_unet_lr_ratio, loraplus_text_encoder_lr_ratio) return network def create_network_from_weights(multiplier, file, ae, text_encoders, unet, weights_sd=None, for_inference=False, **kwargs): if weights_sd is None: if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu") modules_dim = {} modules_alpha = {} train_llm_adapter = False for key, value in weights_sd.items(): if "." not in key: continue lora_name = key.split(".")[0] if "alpha" in key: modules_alpha[lora_name] = value elif "lora_down" in key: dim = value.size()[0] modules_dim[lora_name] = dim if "llm_adapter" in lora_name: train_llm_adapter = True module_class = LoRAInfModule if for_inference else LoRAModule network = LoRANetwork( text_encoders, unet, multiplier=multiplier, modules_dim=modules_dim, modules_alpha=modules_alpha, module_class=module_class, train_llm_adapter=train_llm_adapter, ) return network, weights_sd class LoRANetwork(torch.nn.Module): # Target modules: DiT blocks, embedders, final layer. embedders and final layer are excluded by default. ANIMA_TARGET_REPLACE_MODULE = ["Block", "PatchEmbed", "TimestepEmbedding", "FinalLayer"] # Target modules: LLM Adapter blocks ANIMA_ADAPTER_TARGET_REPLACE_MODULE = ["LLMAdapterTransformerBlock"] # Target modules for text encoder (Qwen3) TEXT_ENCODER_TARGET_REPLACE_MODULE = ["Qwen3Attention", "Qwen3MLP", "Qwen3SdpaAttention", "Qwen3FlashAttention2"] LORA_PREFIX_ANIMA = "lora_unet" # ComfyUI compatible LORA_PREFIX_TEXT_ENCODER = "lora_te" # Qwen3 def __init__( self, text_encoders: list, unet, multiplier: float = 1.0, lora_dim: int = 4, alpha: float = 1, dropout: Optional[float] = None, rank_dropout: Optional[float] = None, module_dropout: Optional[float] = None, module_class: Type[object] = LoRAModule, modules_dim: Optional[Dict[str, int]] = None, modules_alpha: Optional[Dict[str, int]] = None, train_llm_adapter: bool = False, exclude_patterns: Optional[List[str]] = None, include_patterns: Optional[List[str]] = None, reg_dims: Optional[Dict[str, int]] = None, reg_lrs: Optional[Dict[str, float]] = None, verbose: Optional[bool] = False, ) -> None: super().__init__() self.multiplier = multiplier self.lora_dim = lora_dim self.alpha = alpha self.dropout = dropout self.rank_dropout = rank_dropout self.module_dropout = module_dropout self.train_llm_adapter = train_llm_adapter self.reg_dims = reg_dims self.reg_lrs = reg_lrs self.loraplus_lr_ratio = None self.loraplus_unet_lr_ratio = None self.loraplus_text_encoder_lr_ratio = None if modules_dim is not None: logger.info("create LoRA network from weights") else: logger.info(f"create LoRA network. base dim (rank): {lora_dim}, alpha: {alpha}") logger.info( f"neuron dropout: p={self.dropout}, rank dropout: p={self.rank_dropout}, module dropout: p={self.module_dropout}" ) # compile regular expression if specified def str_to_re_patterns(patterns: Optional[List[str]]) -> List[re.Pattern]: re_patterns = [] if patterns is not None: for pattern in patterns: try: re_pattern = re.compile(pattern) except re.error as e: logger.error(f"Invalid pattern '{pattern}': {e}") continue re_patterns.append(re_pattern) return re_patterns exclude_re_patterns = str_to_re_patterns(exclude_patterns) include_re_patterns = str_to_re_patterns(include_patterns) # create module instances def create_modules( is_unet: bool, text_encoder_idx: Optional[int], root_module: torch.nn.Module, target_replace_modules: List[str], default_dim: Optional[int] = None, ) -> Tuple[List[LoRAModule], List[str]]: prefix = self.LORA_PREFIX_ANIMA if is_unet else self.LORA_PREFIX_TEXT_ENCODER loras = [] skipped = [] for name, module in root_module.named_modules(): if target_replace_modules is None or module.__class__.__name__ in target_replace_modules: if target_replace_modules is None: module = root_module for child_name, child_module in module.named_modules(): is_linear = child_module.__class__.__name__ == "Linear" is_conv2d = child_module.__class__.__name__ == "Conv2d" is_conv2d_1x1 = is_conv2d and child_module.kernel_size == (1, 1) if is_linear or is_conv2d: original_name = (name + "." if name else "") + child_name lora_name = f"{prefix}.{original_name}".replace(".", "_") # exclude/include filter (fullmatch: pattern must match the entire original_name) excluded = any(pattern.fullmatch(original_name) for pattern in exclude_re_patterns) included = any(pattern.fullmatch(original_name) for pattern in include_re_patterns) if excluded and not included: if verbose: logger.info(f"exclude: {original_name}") continue dim = None alpha_val = None if modules_dim is not None: if lora_name in modules_dim: dim = modules_dim[lora_name] alpha_val = modules_alpha[lora_name] else: if self.reg_dims is not None: for reg, d in self.reg_dims.items(): if re.fullmatch(reg, original_name): dim = d alpha_val = self.alpha logger.info(f"Module {original_name} matched with regex '{reg}' -> dim: {dim}") break # fallback to default dim if not matched by reg_dims or reg_dims is not specified if dim is None: if is_linear or is_conv2d_1x1: dim = default_dim if default_dim is not None else self.lora_dim alpha_val = self.alpha if dim is None or dim == 0: if is_linear or is_conv2d_1x1: skipped.append(lora_name) continue lora = module_class( lora_name, child_module, self.multiplier, dim, alpha_val, dropout=dropout, rank_dropout=rank_dropout, module_dropout=module_dropout, ) lora.original_name = original_name loras.append(lora) if target_replace_modules is None: break return loras, skipped # Create LoRA for text encoders (Qwen3 - typically not trained for Anima) self.text_encoder_loras: List[Union[LoRAModule, LoRAInfModule]] = [] skipped_te = [] if text_encoders is not None: for i, text_encoder in enumerate(text_encoders): if text_encoder is None: continue logger.info(f"create LoRA for Text Encoder {i+1}:") te_loras, te_skipped = create_modules(False, i, text_encoder, LoRANetwork.TEXT_ENCODER_TARGET_REPLACE_MODULE) logger.info(f"create LoRA for Text Encoder {i+1}: {len(te_loras)} modules.") self.text_encoder_loras.extend(te_loras) skipped_te += te_skipped # Create LoRA for DiT blocks target_modules = list(LoRANetwork.ANIMA_TARGET_REPLACE_MODULE) if train_llm_adapter: target_modules.extend(LoRANetwork.ANIMA_ADAPTER_TARGET_REPLACE_MODULE) self.unet_loras: List[Union[LoRAModule, LoRAInfModule]] self.unet_loras, skipped_un = create_modules(True, None, unet, target_modules) logger.info(f"create LoRA for Anima DiT: {len(self.unet_loras)} modules.") if verbose: for lora in self.unet_loras: logger.info(f"\t{lora.lora_name:60} {lora.lora_dim}, {lora.alpha}") skipped = skipped_te + skipped_un if verbose and len(skipped) > 0: logger.warning(f"dim (rank) is 0, {len(skipped)} LoRA modules are skipped:") for name in skipped: logger.info(f"\t{name}") # assertion: no duplicate names names = set() for lora in self.text_encoder_loras + self.unet_loras: assert lora.lora_name not in names, f"duplicated lora name: {lora.lora_name}" names.add(lora.lora_name) def set_multiplier(self, multiplier): self.multiplier = multiplier for lora in self.text_encoder_loras + self.unet_loras: lora.multiplier = self.multiplier def set_enabled(self, is_enabled): for lora in self.text_encoder_loras + self.unet_loras: lora.enabled = is_enabled def load_weights(self, file): if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu") info = self.load_state_dict(weights_sd, False) return info def apply_to(self, text_encoders, unet, apply_text_encoder=True, apply_unet=True): if apply_text_encoder: logger.info(f"enable LoRA for text encoder: {len(self.text_encoder_loras)} modules") else: self.text_encoder_loras = [] if apply_unet: logger.info(f"enable LoRA for DiT: {len(self.unet_loras)} modules") else: self.unet_loras = [] for lora in self.text_encoder_loras + self.unet_loras: lora.apply_to() self.add_module(lora.lora_name, lora) def is_mergeable(self): return True def merge_to(self, text_encoders, unet, weights_sd, dtype=None, device=None): apply_text_encoder = apply_unet = False for key in weights_sd.keys(): if key.startswith(LoRANetwork.LORA_PREFIX_TEXT_ENCODER): apply_text_encoder = True elif key.startswith(LoRANetwork.LORA_PREFIX_ANIMA): apply_unet = True if apply_text_encoder: logger.info("enable LoRA for text encoder") else: self.text_encoder_loras = [] if apply_unet: logger.info("enable LoRA for DiT") else: self.unet_loras = [] for lora in self.text_encoder_loras + self.unet_loras: sd_for_lora = {} for key in weights_sd.keys(): if key.startswith(lora.lora_name): sd_for_lora[key[len(lora.lora_name) + 1 :]] = weights_sd[key] lora.merge_to(sd_for_lora, dtype, device) logger.info("weights are merged") def set_loraplus_lr_ratio(self, loraplus_lr_ratio, loraplus_unet_lr_ratio, loraplus_text_encoder_lr_ratio): self.loraplus_lr_ratio = loraplus_lr_ratio self.loraplus_unet_lr_ratio = loraplus_unet_lr_ratio self.loraplus_text_encoder_lr_ratio = loraplus_text_encoder_lr_ratio logger.info(f"LoRA+ UNet LR Ratio: {self.loraplus_unet_lr_ratio or self.loraplus_lr_ratio}") logger.info(f"LoRA+ Text Encoder LR Ratio: {self.loraplus_text_encoder_lr_ratio or self.loraplus_lr_ratio}") def prepare_optimizer_params_with_multiple_te_lrs(self, text_encoder_lr, unet_lr, default_lr): if text_encoder_lr is None or (isinstance(text_encoder_lr, list) and len(text_encoder_lr) == 0): text_encoder_lr = [default_lr] elif isinstance(text_encoder_lr, float) or isinstance(text_encoder_lr, int): text_encoder_lr = [float(text_encoder_lr)] elif len(text_encoder_lr) == 1: pass # already a list with one element self.requires_grad_(True) all_params = [] lr_descriptions = [] def assemble_params(loras, lr, loraplus_ratio): param_groups = {"lora": {}, "plus": {}} reg_groups = {} reg_lrs_list = list(self.reg_lrs.items()) if self.reg_lrs is not None else [] for lora in loras: matched_reg_lr = None for i, (regex_str, reg_lr) in enumerate(reg_lrs_list): if re.fullmatch(regex_str, lora.original_name): matched_reg_lr = (i, reg_lr) logger.info(f"Module {lora.original_name} matched regex '{regex_str}' -> LR {reg_lr}") break for name, param in lora.named_parameters(): if matched_reg_lr is not None: reg_idx, reg_lr = matched_reg_lr group_key = f"reg_lr_{reg_idx}" if group_key not in reg_groups: reg_groups[group_key] = {"lora": {}, "plus": {}, "lr": reg_lr} if loraplus_ratio is not None and "lora_up" in name: reg_groups[group_key]["plus"][f"{lora.lora_name}.{name}"] = param else: reg_groups[group_key]["lora"][f"{lora.lora_name}.{name}"] = param continue if loraplus_ratio is not None and "lora_up" in name: param_groups["plus"][f"{lora.lora_name}.{name}"] = param else: param_groups["lora"][f"{lora.lora_name}.{name}"] = param params = [] descriptions = [] for group_key, group in reg_groups.items(): reg_lr = group["lr"] for key in ("lora", "plus"): param_data = {"params": group[key].values()} if len(param_data["params"]) == 0: continue if key == "plus": param_data["lr"] = reg_lr * loraplus_ratio if loraplus_ratio is not None else reg_lr else: param_data["lr"] = reg_lr if param_data.get("lr", None) == 0 or param_data.get("lr", None) is None: logger.info("NO LR skipping!") continue params.append(param_data) desc = f"reg_lr_{group_key.split('_')[-1]}" descriptions.append(desc + (" plus" if key == "plus" else "")) for key in param_groups.keys(): param_data = {"params": param_groups[key].values()} if len(param_data["params"]) == 0: continue if lr is not None: if key == "plus": param_data["lr"] = lr * loraplus_ratio else: param_data["lr"] = lr if param_data.get("lr", None) == 0 or param_data.get("lr", None) is None: logger.info("NO LR skipping!") continue params.append(param_data) descriptions.append("plus" if key == "plus" else "") return params, descriptions if self.text_encoder_loras: loraplus_ratio = self.loraplus_text_encoder_lr_ratio or self.loraplus_lr_ratio te1_loras = [lora for lora in self.text_encoder_loras if lora.lora_name.startswith(self.LORA_PREFIX_TEXT_ENCODER)] if len(te1_loras) > 0: logger.info(f"Text Encoder 1 (Qwen3): {len(te1_loras)} modules, LR {text_encoder_lr[0]}") params, descriptions = assemble_params(te1_loras, text_encoder_lr[0], loraplus_ratio) all_params.extend(params) lr_descriptions.extend(["textencoder 1" + (" " + d if d else "") for d in descriptions]) if self.unet_loras: params, descriptions = assemble_params( self.unet_loras, unet_lr if unet_lr is not None else default_lr, self.loraplus_unet_lr_ratio or self.loraplus_lr_ratio, ) all_params.extend(params) lr_descriptions.extend(["unet" + (" " + d if d else "") for d in descriptions]) return all_params, lr_descriptions def enable_gradient_checkpointing(self): pass # not supported def prepare_grad_etc(self, text_encoder, unet): self.requires_grad_(True) def on_epoch_start(self, text_encoder, unet): self.train() def get_trainable_params(self): return self.parameters() def save_weights(self, file, dtype, metadata): if metadata is not None and len(metadata) == 0: metadata = None state_dict = self.state_dict() if dtype is not None: for key in list(state_dict.keys()): v = state_dict[key] v = v.detach().clone().to("cpu").to(dtype) state_dict[key] = v if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import save_file from library import train_util if metadata is None: metadata = {} model_hash, legacy_hash = train_util.precalculate_safetensors_hashes(state_dict, metadata) metadata["sshs_model_hash"] = model_hash metadata["sshs_legacy_hash"] = legacy_hash save_file(state_dict, file, metadata) else: torch.save(state_dict, file) def backup_weights(self): loras: List[LoRAInfModule] = self.text_encoder_loras + self.unet_loras for lora in loras: org_module = lora.org_module_ref[0] if not hasattr(org_module, "_lora_org_weight"): sd = org_module.state_dict() org_module._lora_org_weight = sd["weight"].detach().clone() org_module._lora_restored = True def restore_weights(self): loras: List[LoRAInfModule] = self.text_encoder_loras + self.unet_loras for lora in loras: org_module = lora.org_module_ref[0] if not org_module._lora_restored: sd = org_module.state_dict() sd["weight"] = org_module._lora_org_weight org_module.load_state_dict(sd) org_module._lora_restored = True def pre_calculation(self): loras: List[LoRAInfModule] = self.text_encoder_loras + self.unet_loras for lora in loras: org_module = lora.org_module_ref[0] sd = org_module.state_dict() org_weight = sd["weight"] lora_weight = lora.get_weight().to(org_weight.device, dtype=org_weight.dtype) sd["weight"] = org_weight + lora_weight assert sd["weight"].shape == org_weight.shape org_module.load_state_dict(sd) org_module._lora_restored = False lora.enabled = False def apply_max_norm_regularization(self, max_norm_value, device): downkeys = [] upkeys = [] alphakeys = [] norms = [] keys_scaled = 0 state_dict = self.state_dict() for key in state_dict.keys(): if "lora_down" in key and "weight" in key: downkeys.append(key) upkeys.append(key.replace("lora_down", "lora_up")) alphakeys.append(key.replace("lora_down.weight", "alpha")) for i in range(len(downkeys)): down = state_dict[downkeys[i]].to(device) up = state_dict[upkeys[i]].to(device) alpha = state_dict[alphakeys[i]].to(device) dim = down.shape[0] scale = alpha / dim if up.shape[2:] == (1, 1) and down.shape[2:] == (1, 1): updown = (up.squeeze(2).squeeze(2) @ down.squeeze(2).squeeze(2)).unsqueeze(2).unsqueeze(3) elif up.shape[2:] == (3, 3) or down.shape[2:] == (3, 3): updown = torch.nn.functional.conv2d(down.permute(1, 0, 2, 3), up).permute(1, 0, 2, 3) else: updown = up @ down updown *= scale norm = updown.norm().clamp(min=max_norm_value / 2) desired = torch.clamp(norm, max=max_norm_value) ratio = desired.cpu() / norm.cpu() sqrt_ratio = ratio**0.5 if ratio != 1: keys_scaled += 1 state_dict[upkeys[i]] *= sqrt_ratio state_dict[downkeys[i]] *= sqrt_ratio scalednorm = updown.norm() * ratio norms.append(scalednorm.item()) return keys_scaled, sum(norms) / len(norms), max(norms) ================================================ FILE: networks/lora_diffusers.py ================================================ # Diffusersで動くLoRA。このファイル単独で完結する。 # LoRA module for Diffusers. This file works independently. import bisect import math import random from typing import Any, Dict, List, Mapping, Optional, Union from diffusers import UNet2DConditionModel import numpy as np from tqdm import tqdm from transformers import CLIPTextModel import torch from library.device_utils import init_ipex, get_preferred_device init_ipex() from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) def make_unet_conversion_map() -> Dict[str, str]: unet_conversion_map_layer = [] for i in range(3): # num_blocks is 3 in sdxl # loop over downblocks/upblocks for j in range(2): # loop over resnets/attentions for downblocks hf_down_res_prefix = f"down_blocks.{i}.resnets.{j}." sd_down_res_prefix = f"input_blocks.{3*i + j + 1}.0." unet_conversion_map_layer.append((sd_down_res_prefix, hf_down_res_prefix)) if i < 3: # no attention layers in down_blocks.3 hf_down_atn_prefix = f"down_blocks.{i}.attentions.{j}." sd_down_atn_prefix = f"input_blocks.{3*i + j + 1}.1." unet_conversion_map_layer.append((sd_down_atn_prefix, hf_down_atn_prefix)) for j in range(3): # loop over resnets/attentions for upblocks hf_up_res_prefix = f"up_blocks.{i}.resnets.{j}." sd_up_res_prefix = f"output_blocks.{3*i + j}.0." unet_conversion_map_layer.append((sd_up_res_prefix, hf_up_res_prefix)) # if i > 0: commentout for sdxl # no attention layers in up_blocks.0 hf_up_atn_prefix = f"up_blocks.{i}.attentions.{j}." sd_up_atn_prefix = f"output_blocks.{3*i + j}.1." unet_conversion_map_layer.append((sd_up_atn_prefix, hf_up_atn_prefix)) if i < 3: # no downsample in down_blocks.3 hf_downsample_prefix = f"down_blocks.{i}.downsamplers.0.conv." sd_downsample_prefix = f"input_blocks.{3*(i+1)}.0.op." unet_conversion_map_layer.append((sd_downsample_prefix, hf_downsample_prefix)) # no upsample in up_blocks.3 hf_upsample_prefix = f"up_blocks.{i}.upsamplers.0." sd_upsample_prefix = f"output_blocks.{3*i + 2}.{2}." # change for sdxl unet_conversion_map_layer.append((sd_upsample_prefix, hf_upsample_prefix)) hf_mid_atn_prefix = "mid_block.attentions.0." sd_mid_atn_prefix = "middle_block.1." unet_conversion_map_layer.append((sd_mid_atn_prefix, hf_mid_atn_prefix)) for j in range(2): hf_mid_res_prefix = f"mid_block.resnets.{j}." sd_mid_res_prefix = f"middle_block.{2*j}." unet_conversion_map_layer.append((sd_mid_res_prefix, hf_mid_res_prefix)) unet_conversion_map_resnet = [ # (stable-diffusion, HF Diffusers) ("in_layers.0.", "norm1."), ("in_layers.2.", "conv1."), ("out_layers.0.", "norm2."), ("out_layers.3.", "conv2."), ("emb_layers.1.", "time_emb_proj."), ("skip_connection.", "conv_shortcut."), ] unet_conversion_map = [] for sd, hf in unet_conversion_map_layer: if "resnets" in hf: for sd_res, hf_res in unet_conversion_map_resnet: unet_conversion_map.append((sd + sd_res, hf + hf_res)) else: unet_conversion_map.append((sd, hf)) for j in range(2): hf_time_embed_prefix = f"time_embedding.linear_{j+1}." sd_time_embed_prefix = f"time_embed.{j*2}." unet_conversion_map.append((sd_time_embed_prefix, hf_time_embed_prefix)) for j in range(2): hf_label_embed_prefix = f"add_embedding.linear_{j+1}." sd_label_embed_prefix = f"label_emb.0.{j*2}." unet_conversion_map.append((sd_label_embed_prefix, hf_label_embed_prefix)) unet_conversion_map.append(("input_blocks.0.0.", "conv_in.")) unet_conversion_map.append(("out.0.", "conv_norm_out.")) unet_conversion_map.append(("out.2.", "conv_out.")) sd_hf_conversion_map = {sd.replace(".", "_")[:-1]: hf.replace(".", "_")[:-1] for sd, hf in unet_conversion_map} return sd_hf_conversion_map UNET_CONVERSION_MAP = make_unet_conversion_map() class LoRAModule(torch.nn.Module): """ replaces forward method of the original Linear, instead of replacing the original Linear module. """ def __init__( self, lora_name, org_module: torch.nn.Module, multiplier=1.0, lora_dim=4, alpha=1, ): """if alpha == 0 or None, alpha is rank (no scaling).""" super().__init__() self.lora_name = lora_name if org_module.__class__.__name__ == "Conv2d" or org_module.__class__.__name__ == "LoRACompatibleConv": in_dim = org_module.in_channels out_dim = org_module.out_channels else: in_dim = org_module.in_features out_dim = org_module.out_features self.lora_dim = lora_dim if org_module.__class__.__name__ == "Conv2d" or org_module.__class__.__name__ == "LoRACompatibleConv": kernel_size = org_module.kernel_size stride = org_module.stride padding = org_module.padding self.lora_down = torch.nn.Conv2d(in_dim, self.lora_dim, kernel_size, stride, padding, bias=False) self.lora_up = torch.nn.Conv2d(self.lora_dim, out_dim, (1, 1), (1, 1), bias=False) else: self.lora_down = torch.nn.Linear(in_dim, self.lora_dim, bias=False) self.lora_up = torch.nn.Linear(self.lora_dim, out_dim, bias=False) if type(alpha) == torch.Tensor: alpha = alpha.detach().float().numpy() # without casting, bf16 causes error alpha = self.lora_dim if alpha is None or alpha == 0 else alpha self.scale = alpha / self.lora_dim self.register_buffer("alpha", torch.tensor(alpha)) # 勾配計算に含めない / not included in gradient calculation # same as microsoft's torch.nn.init.kaiming_uniform_(self.lora_down.weight, a=math.sqrt(5)) torch.nn.init.zeros_(self.lora_up.weight) self.multiplier = multiplier self.org_module = [org_module] self.enabled = True self.network: LoRANetwork = None self.org_forward = None # override org_module's forward method def apply_to(self, multiplier=None): if multiplier is not None: self.multiplier = multiplier if self.org_forward is None: self.org_forward = self.org_module[0].forward self.org_module[0].forward = self.forward # restore org_module's forward method def unapply_to(self): if self.org_forward is not None: self.org_module[0].forward = self.org_forward # forward with lora # scale is used LoRACompatibleConv, but we ignore it because we have multiplier def forward(self, x, scale=1.0): if not self.enabled: return self.org_forward(x) return self.org_forward(x) + self.lora_up(self.lora_down(x)) * self.multiplier * self.scale def set_network(self, network): self.network = network # merge lora weight to org weight def merge_to(self, multiplier=1.0): # get lora weight lora_weight = self.get_weight(multiplier) # get org weight org_sd = self.org_module[0].state_dict() org_weight = org_sd["weight"] weight = org_weight + lora_weight.to(org_weight.device, dtype=org_weight.dtype) # set weight to org_module org_sd["weight"] = weight self.org_module[0].load_state_dict(org_sd) # restore org weight from lora weight def restore_from(self, multiplier=1.0): # get lora weight lora_weight = self.get_weight(multiplier) # get org weight org_sd = self.org_module[0].state_dict() org_weight = org_sd["weight"] weight = org_weight - lora_weight.to(org_weight.device, dtype=org_weight.dtype) # set weight to org_module org_sd["weight"] = weight self.org_module[0].load_state_dict(org_sd) # return lora weight def get_weight(self, multiplier=None): if multiplier is None: multiplier = self.multiplier # get up/down weight from module up_weight = self.lora_up.weight.to(torch.float) down_weight = self.lora_down.weight.to(torch.float) # pre-calculated weight if len(down_weight.size()) == 2: # linear weight = self.multiplier * (up_weight @ down_weight) * self.scale elif down_weight.size()[2:4] == (1, 1): # conv2d 1x1 weight = ( self.multiplier * (up_weight.squeeze(3).squeeze(2) @ down_weight.squeeze(3).squeeze(2)).unsqueeze(2).unsqueeze(3) * self.scale ) else: # conv2d 3x3 conved = torch.nn.functional.conv2d(down_weight.permute(1, 0, 2, 3), up_weight).permute(1, 0, 2, 3) weight = self.multiplier * conved * self.scale return weight # Create network from weights for inference, weights are not loaded here def create_network_from_weights( text_encoder: Union[CLIPTextModel, List[CLIPTextModel]], unet: UNet2DConditionModel, weights_sd: Dict, multiplier: float = 1.0 ): # get dim/alpha mapping modules_dim = {} modules_alpha = {} for key, value in weights_sd.items(): if "." not in key: continue lora_name = key.split(".")[0] if "alpha" in key: modules_alpha[lora_name] = value elif "lora_down" in key: dim = value.size()[0] modules_dim[lora_name] = dim # logger.info(f"{lora_name} {value.size()} {dim}") # support old LoRA without alpha for key in modules_dim.keys(): if key not in modules_alpha: modules_alpha[key] = modules_dim[key] return LoRANetwork(text_encoder, unet, multiplier=multiplier, modules_dim=modules_dim, modules_alpha=modules_alpha) def merge_lora_weights(pipe, weights_sd: Dict, multiplier: float = 1.0): text_encoders = [pipe.text_encoder, pipe.text_encoder_2] if hasattr(pipe, "text_encoder_2") else [pipe.text_encoder] unet = pipe.unet lora_network = create_network_from_weights(text_encoders, unet, weights_sd, multiplier=multiplier) lora_network.load_state_dict(weights_sd) lora_network.merge_to(multiplier=multiplier) # block weightや学習に対応しない簡易版 / simple version without block weight and training class LoRANetwork(torch.nn.Module): UNET_TARGET_REPLACE_MODULE = ["Transformer2DModel"] UNET_TARGET_REPLACE_MODULE_CONV2D_3X3 = ["ResnetBlock2D", "Downsample2D", "Upsample2D"] TEXT_ENCODER_TARGET_REPLACE_MODULE = ["CLIPAttention", "CLIPSdpaAttention", "CLIPMLP"] LORA_PREFIX_UNET = "lora_unet" LORA_PREFIX_TEXT_ENCODER = "lora_te" # SDXL: must starts with LORA_PREFIX_TEXT_ENCODER LORA_PREFIX_TEXT_ENCODER1 = "lora_te1" LORA_PREFIX_TEXT_ENCODER2 = "lora_te2" def __init__( self, text_encoder: Union[List[CLIPTextModel], CLIPTextModel], unet: UNet2DConditionModel, multiplier: float = 1.0, modules_dim: Optional[Dict[str, int]] = None, modules_alpha: Optional[Dict[str, int]] = None, varbose: Optional[bool] = False, ) -> None: super().__init__() self.multiplier = multiplier logger.info("create LoRA network from weights") # convert SDXL Stability AI's U-Net modules to Diffusers converted = self.convert_unet_modules(modules_dim, modules_alpha) if converted: logger.info(f"converted {converted} Stability AI's U-Net LoRA modules to Diffusers (SDXL)") # create module instances def create_modules( is_unet: bool, text_encoder_idx: Optional[int], # None, 1, 2 root_module: torch.nn.Module, target_replace_modules: List[torch.nn.Module], ) -> List[LoRAModule]: prefix = ( self.LORA_PREFIX_UNET if is_unet else ( self.LORA_PREFIX_TEXT_ENCODER if text_encoder_idx is None else (self.LORA_PREFIX_TEXT_ENCODER1 if text_encoder_idx == 1 else self.LORA_PREFIX_TEXT_ENCODER2) ) ) loras = [] skipped = [] for name, module in root_module.named_modules(): if module.__class__.__name__ in target_replace_modules: for child_name, child_module in module.named_modules(): is_linear = ( child_module.__class__.__name__ == "Linear" or child_module.__class__.__name__ == "LoRACompatibleLinear" ) is_conv2d = ( child_module.__class__.__name__ == "Conv2d" or child_module.__class__.__name__ == "LoRACompatibleConv" ) if is_linear or is_conv2d: lora_name = prefix + "." + name + "." + child_name lora_name = lora_name.replace(".", "_") if lora_name not in modules_dim: # logger.info(f"skipped {lora_name} (not found in modules_dim)") skipped.append(lora_name) continue dim = modules_dim[lora_name] alpha = modules_alpha[lora_name] lora = LoRAModule( lora_name, child_module, self.multiplier, dim, alpha, ) loras.append(lora) return loras, skipped text_encoders = text_encoder if type(text_encoder) == list else [text_encoder] # create LoRA for text encoder # 毎回すべてのモジュールを作るのは無駄なので要検討 / it is wasteful to create all modules every time, need to consider self.text_encoder_loras: List[LoRAModule] = [] skipped_te = [] for i, text_encoder in enumerate(text_encoders): if len(text_encoders) > 1: index = i + 1 else: index = None text_encoder_loras, skipped = create_modules(False, index, text_encoder, LoRANetwork.TEXT_ENCODER_TARGET_REPLACE_MODULE) self.text_encoder_loras.extend(text_encoder_loras) skipped_te += skipped logger.info(f"create LoRA for Text Encoder: {len(self.text_encoder_loras)} modules.") if len(skipped_te) > 0: logger.warning(f"skipped {len(skipped_te)} modules because of missing weight for text encoder.") # extend U-Net target modules to include Conv2d 3x3 target_modules = LoRANetwork.UNET_TARGET_REPLACE_MODULE + LoRANetwork.UNET_TARGET_REPLACE_MODULE_CONV2D_3X3 self.unet_loras: List[LoRAModule] self.unet_loras, skipped_un = create_modules(True, None, unet, target_modules) logger.info(f"create LoRA for U-Net: {len(self.unet_loras)} modules.") if len(skipped_un) > 0: logger.warning(f"skipped {len(skipped_un)} modules because of missing weight for U-Net.") # assertion names = set() for lora in self.text_encoder_loras + self.unet_loras: names.add(lora.lora_name) for lora_name in modules_dim.keys(): assert lora_name in names, f"{lora_name} is not found in created LoRA modules." # make to work load_state_dict for lora in self.text_encoder_loras + self.unet_loras: self.add_module(lora.lora_name, lora) # SDXL: convert SDXL Stability AI's U-Net modules to Diffusers def convert_unet_modules(self, modules_dim, modules_alpha): converted_count = 0 not_converted_count = 0 map_keys = list(UNET_CONVERSION_MAP.keys()) map_keys.sort() for key in list(modules_dim.keys()): if key.startswith(LoRANetwork.LORA_PREFIX_UNET + "_"): search_key = key.replace(LoRANetwork.LORA_PREFIX_UNET + "_", "") position = bisect.bisect_right(map_keys, search_key) map_key = map_keys[position - 1] if search_key.startswith(map_key): new_key = key.replace(map_key, UNET_CONVERSION_MAP[map_key]) modules_dim[new_key] = modules_dim[key] modules_alpha[new_key] = modules_alpha[key] del modules_dim[key] del modules_alpha[key] converted_count += 1 else: not_converted_count += 1 assert ( converted_count == 0 or not_converted_count == 0 ), f"some modules are not converted: {converted_count} converted, {not_converted_count} not converted" return converted_count def set_multiplier(self, multiplier): self.multiplier = multiplier for lora in self.text_encoder_loras + self.unet_loras: lora.multiplier = self.multiplier def apply_to(self, multiplier=1.0, apply_text_encoder=True, apply_unet=True): if apply_text_encoder: logger.info("enable LoRA for text encoder") for lora in self.text_encoder_loras: lora.apply_to(multiplier) if apply_unet: logger.info("enable LoRA for U-Net") for lora in self.unet_loras: lora.apply_to(multiplier) def unapply_to(self): for lora in self.text_encoder_loras + self.unet_loras: lora.unapply_to() def merge_to(self, multiplier=1.0): logger.info("merge LoRA weights to original weights") for lora in tqdm(self.text_encoder_loras + self.unet_loras): lora.merge_to(multiplier) logger.info(f"weights are merged") def restore_from(self, multiplier=1.0): logger.info("restore LoRA weights from original weights") for lora in tqdm(self.text_encoder_loras + self.unet_loras): lora.restore_from(multiplier) logger.info(f"weights are restored") def load_state_dict(self, state_dict: Mapping[str, Any], strict: bool = True): # convert SDXL Stability AI's state dict to Diffusers' based state dict map_keys = list(UNET_CONVERSION_MAP.keys()) # prefix of U-Net modules map_keys.sort() for key in list(state_dict.keys()): if key.startswith(LoRANetwork.LORA_PREFIX_UNET + "_"): search_key = key.replace(LoRANetwork.LORA_PREFIX_UNET + "_", "") position = bisect.bisect_right(map_keys, search_key) map_key = map_keys[position - 1] if search_key.startswith(map_key): new_key = key.replace(map_key, UNET_CONVERSION_MAP[map_key]) state_dict[new_key] = state_dict[key] del state_dict[key] # in case of V2, some weights have different shape, so we need to convert them # because V2 LoRA is based on U-Net created by use_linear_projection=False my_state_dict = self.state_dict() for key in state_dict.keys(): if state_dict[key].size() != my_state_dict[key].size(): # logger.info(f"convert {key} from {state_dict[key].size()} to {my_state_dict[key].size()}") state_dict[key] = state_dict[key].view(my_state_dict[key].size()) return super().load_state_dict(state_dict, strict) if __name__ == "__main__": # sample code to use LoRANetwork import os import argparse from diffusers import StableDiffusionPipeline, StableDiffusionXLPipeline import torch device = get_preferred_device() parser = argparse.ArgumentParser() parser.add_argument("--model_id", type=str, default=None, help="model id for huggingface") parser.add_argument("--lora_weights", type=str, default=None, help="path to LoRA weights") parser.add_argument("--sdxl", action="store_true", help="use SDXL model") parser.add_argument("--prompt", type=str, default="A photo of cat", help="prompt text") parser.add_argument("--negative_prompt", type=str, default="", help="negative prompt text") parser.add_argument("--seed", type=int, default=0, help="random seed") args = parser.parse_args() image_prefix = args.model_id.replace("/", "_") + "_" # load Diffusers model logger.info(f"load model from {args.model_id}") pipe: Union[StableDiffusionPipeline, StableDiffusionXLPipeline] if args.sdxl: # use_safetensors=True does not work with 0.18.2 pipe = StableDiffusionXLPipeline.from_pretrained(args.model_id, variant="fp16", torch_dtype=torch.float16) else: pipe = StableDiffusionPipeline.from_pretrained(args.model_id, variant="fp16", torch_dtype=torch.float16) pipe.to(device) pipe.set_use_memory_efficient_attention_xformers(True) text_encoders = [pipe.text_encoder, pipe.text_encoder_2] if args.sdxl else [pipe.text_encoder] # load LoRA weights logger.info(f"load LoRA weights from {args.lora_weights}") if os.path.splitext(args.lora_weights)[1] == ".safetensors": from safetensors.torch import load_file lora_sd = load_file(args.lora_weights) else: lora_sd = torch.load(args.lora_weights) # create by LoRA weights and load weights logger.info(f"create LoRA network") lora_network: LoRANetwork = create_network_from_weights(text_encoders, pipe.unet, lora_sd, multiplier=1.0) logger.info(f"load LoRA network weights") lora_network.load_state_dict(lora_sd) lora_network.to(device, dtype=pipe.unet.dtype) # required to apply_to. merge_to works without this # 必要があれば、元のモデルの重みをバックアップしておく # back-up unet/text encoder weights if necessary def detach_and_move_to_cpu(state_dict): for k, v in state_dict.items(): state_dict[k] = v.detach().cpu() return state_dict org_unet_sd = pipe.unet.state_dict() detach_and_move_to_cpu(org_unet_sd) org_text_encoder_sd = pipe.text_encoder.state_dict() detach_and_move_to_cpu(org_text_encoder_sd) if args.sdxl: org_text_encoder_2_sd = pipe.text_encoder_2.state_dict() detach_and_move_to_cpu(org_text_encoder_2_sd) def seed_everything(seed): torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) np.random.seed(seed) random.seed(seed) # create image with original weights logger.info(f"create image with original weights") seed_everything(args.seed) image = pipe(args.prompt, negative_prompt=args.negative_prompt).images[0] image.save(image_prefix + "original.png") # apply LoRA network to the model: slower than merge_to, but can be reverted easily logger.info(f"apply LoRA network to the model") lora_network.apply_to(multiplier=1.0) logger.info(f"create image with applied LoRA") seed_everything(args.seed) image = pipe(args.prompt, negative_prompt=args.negative_prompt).images[0] image.save(image_prefix + "applied_lora.png") # unapply LoRA network to the model logger.info(f"unapply LoRA network to the model") lora_network.unapply_to() logger.info(f"create image with unapplied LoRA") seed_everything(args.seed) image = pipe(args.prompt, negative_prompt=args.negative_prompt).images[0] image.save(image_prefix + "unapplied_lora.png") # merge LoRA network to the model: faster than apply_to, but requires back-up of original weights (or unmerge_to) logger.info(f"merge LoRA network to the model") lora_network.merge_to(multiplier=1.0) logger.info(f"create image with LoRA") seed_everything(args.seed) image = pipe(args.prompt, negative_prompt=args.negative_prompt).images[0] image.save(image_prefix + "merged_lora.png") # restore (unmerge) LoRA weights: numerically unstable # マージされた重みを元に戻す。計算誤差のため、元の重みと完全に一致しないことがあるかもしれない # 保存したstate_dictから元の重みを復元するのが確実 logger.info(f"restore (unmerge) LoRA weights") lora_network.restore_from(multiplier=1.0) logger.info(f"create image without LoRA") seed_everything(args.seed) image = pipe(args.prompt, negative_prompt=args.negative_prompt).images[0] image.save(image_prefix + "unmerged_lora.png") # restore original weights logger.info(f"restore original weights") pipe.unet.load_state_dict(org_unet_sd) pipe.text_encoder.load_state_dict(org_text_encoder_sd) if args.sdxl: pipe.text_encoder_2.load_state_dict(org_text_encoder_2_sd) logger.info(f"create image with restored original weights") seed_everything(args.seed) image = pipe(args.prompt, negative_prompt=args.negative_prompt).images[0] image.save(image_prefix + "restore_original.png") # use convenience function to merge LoRA weights logger.info(f"merge LoRA weights with convenience function") merge_lora_weights(pipe, lora_sd, multiplier=1.0) logger.info(f"create image with merged LoRA weights") seed_everything(args.seed) image = pipe(args.prompt, negative_prompt=args.negative_prompt).images[0] image.save(image_prefix + "convenience_merged_lora.png") ================================================ FILE: networks/lora_fa.py ================================================ # LoRA network module # reference: # https://github.com/microsoft/LoRA/blob/main/loralib/layers.py # https://github.com/cloneofsimo/lora/blob/master/lora_diffusion/lora.py # temporary implementation of LoRA-FA: https://arxiv.org/abs/2308.03303 # need to be refactored and merged to lora.py import math import os from typing import Dict, List, Optional, Tuple, Type, Union from diffusers import AutoencoderKL from transformers import CLIPTextModel import numpy as np import torch import re from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) RE_UPDOWN = re.compile(r"(up|down)_blocks_(\d+)_(resnets|upsamplers|downsamplers|attentions)_(\d+)_") class LoRAModule(torch.nn.Module): """ replaces forward method of the original Linear, instead of replacing the original Linear module. """ def __init__( self, lora_name, org_module: torch.nn.Module, multiplier=1.0, lora_dim=4, alpha=1, dropout=None, rank_dropout=None, module_dropout=None, ): """if alpha == 0 or None, alpha is rank (no scaling).""" super().__init__() self.lora_name = lora_name if org_module.__class__.__name__ == "Conv2d": in_dim = org_module.in_channels out_dim = org_module.out_channels else: in_dim = org_module.in_features out_dim = org_module.out_features # if limit_rank: # self.lora_dim = min(lora_dim, in_dim, out_dim) # if self.lora_dim != lora_dim: # logger.info(f"{lora_name} dim (rank) is changed to: {self.lora_dim}") # else: self.lora_dim = lora_dim if org_module.__class__.__name__ == "Conv2d": kernel_size = org_module.kernel_size stride = org_module.stride padding = org_module.padding self.lora_down = torch.nn.Conv2d(in_dim, self.lora_dim, kernel_size, stride, padding, bias=False) self.lora_up = torch.nn.Conv2d(self.lora_dim, out_dim, (1, 1), (1, 1), bias=False) else: self.lora_down = torch.nn.Linear(in_dim, self.lora_dim, bias=False) self.lora_up = torch.nn.Linear(self.lora_dim, out_dim, bias=False) if type(alpha) == torch.Tensor: alpha = alpha.detach().float().numpy() # without casting, bf16 causes error alpha = self.lora_dim if alpha is None or alpha == 0 else alpha self.scale = alpha / self.lora_dim self.register_buffer("alpha", torch.tensor(alpha)) # 定数として扱える # # same as microsoft's # torch.nn.init.kaiming_uniform_(self.lora_down.weight, a=math.sqrt(5)) # according to the paper, initialize LoRA-A (down) as normal distribution torch.nn.init.normal_(self.lora_down.weight, std=math.sqrt(2.0 / (in_dim + self.lora_dim))) torch.nn.init.zeros_(self.lora_up.weight) self.multiplier = multiplier self.org_module = org_module # remove in applying self.dropout = dropout self.rank_dropout = rank_dropout self.module_dropout = module_dropout def get_trainable_params(self): params = self.named_parameters() trainable_params = [] for param in params: if param[0] == "lora_up.weight": # up only trainable_params.append(param[1]) return trainable_params def requires_grad_(self, requires_grad: bool = True): self.lora_up.requires_grad_(requires_grad) self.lora_down.requires_grad_(False) return self def apply_to(self): self.org_forward = self.org_module.forward self.org_module.forward = self.forward del self.org_module def forward(self, x): org_forwarded = self.org_forward(x) # module dropout if self.module_dropout is not None and self.training: if torch.rand(1) < self.module_dropout: return org_forwarded lx = self.lora_down(x) # normal dropout if self.dropout is not None and self.training: lx = torch.nn.functional.dropout(lx, p=self.dropout) # rank dropout if self.rank_dropout is not None and self.training: mask = torch.rand((lx.size(0), self.lora_dim), device=lx.device) > self.rank_dropout if len(lx.size()) == 3: mask = mask.unsqueeze(1) # for Text Encoder elif len(lx.size()) == 4: mask = mask.unsqueeze(-1).unsqueeze(-1) # for Conv2d lx = lx * mask # scaling for rank dropout: treat as if the rank is changed # maskから計算することも考えられるが、augmentation的な効果を期待してrank_dropoutを用いる scale = self.scale * (1.0 / (1.0 - self.rank_dropout)) # redundant for readability else: scale = self.scale lx = self.lora_up(lx) return org_forwarded + lx * self.multiplier * scale class LoRAInfModule(LoRAModule): def __init__( self, lora_name, org_module: torch.nn.Module, multiplier=1.0, lora_dim=4, alpha=1, **kwargs, ): # no dropout for inference super().__init__(lora_name, org_module, multiplier, lora_dim, alpha) self.org_module_ref = [org_module] # 後から参照できるように self.enabled = True # check regional or not by lora_name self.text_encoder = False if lora_name.startswith("lora_te_"): self.regional = False self.use_sub_prompt = True self.text_encoder = True elif "attn2_to_k" in lora_name or "attn2_to_v" in lora_name: self.regional = False self.use_sub_prompt = True elif "time_emb" in lora_name: self.regional = False self.use_sub_prompt = False else: self.regional = True self.use_sub_prompt = False self.network: LoRANetwork = None def set_network(self, network): self.network = network # freezeしてマージする def merge_to(self, sd, dtype, device): # get up/down weight up_weight = sd["lora_up.weight"].to(torch.float).to(device) down_weight = sd["lora_down.weight"].to(torch.float).to(device) # extract weight from org_module org_sd = self.org_module.state_dict() weight = org_sd["weight"].to(torch.float) # merge weight if len(weight.size()) == 2: # linear weight = weight + self.multiplier * (up_weight @ down_weight) * self.scale elif down_weight.size()[2:4] == (1, 1): # conv2d 1x1 weight = ( weight + self.multiplier * (up_weight.squeeze(3).squeeze(2) @ down_weight.squeeze(3).squeeze(2)).unsqueeze(2).unsqueeze(3) * self.scale ) else: # conv2d 3x3 conved = torch.nn.functional.conv2d(down_weight.permute(1, 0, 2, 3), up_weight).permute(1, 0, 2, 3) # logger.info(conved.size(), weight.size(), module.stride, module.padding) weight = weight + self.multiplier * conved * self.scale # set weight to org_module org_sd["weight"] = weight.to(dtype) self.org_module.load_state_dict(org_sd) # 復元できるマージのため、このモジュールのweightを返す def get_weight(self, multiplier=None): if multiplier is None: multiplier = self.multiplier # get up/down weight from module up_weight = self.lora_up.weight.to(torch.float) down_weight = self.lora_down.weight.to(torch.float) # pre-calculated weight if len(down_weight.size()) == 2: # linear weight = self.multiplier * (up_weight @ down_weight) * self.scale elif down_weight.size()[2:4] == (1, 1): # conv2d 1x1 weight = ( self.multiplier * (up_weight.squeeze(3).squeeze(2) @ down_weight.squeeze(3).squeeze(2)).unsqueeze(2).unsqueeze(3) * self.scale ) else: # conv2d 3x3 conved = torch.nn.functional.conv2d(down_weight.permute(1, 0, 2, 3), up_weight).permute(1, 0, 2, 3) weight = self.multiplier * conved * self.scale return weight def set_region(self, region): self.region = region self.region_mask = None def default_forward(self, x): # logger.info("default_forward", self.lora_name, x.size()) return self.org_forward(x) + self.lora_up(self.lora_down(x)) * self.multiplier * self.scale def forward(self, x): if not self.enabled: return self.org_forward(x) if self.network is None or self.network.sub_prompt_index is None: return self.default_forward(x) if not self.regional and not self.use_sub_prompt: return self.default_forward(x) if self.regional: return self.regional_forward(x) else: return self.sub_prompt_forward(x) def get_mask_for_x(self, x): # calculate size from shape of x if len(x.size()) == 4: h, w = x.size()[2:4] area = h * w else: area = x.size()[1] mask = self.network.mask_dic[area] if mask is None: raise ValueError(f"mask is None for resolution {area}") if len(x.size()) != 4: mask = torch.reshape(mask, (1, -1, 1)) return mask def regional_forward(self, x): if "attn2_to_out" in self.lora_name: return self.to_out_forward(x) if self.network.mask_dic is None: # sub_prompt_index >= 3 return self.default_forward(x) # apply mask for LoRA result lx = self.lora_up(self.lora_down(x)) * self.multiplier * self.scale mask = self.get_mask_for_x(lx) # logger.info("regional", self.lora_name, self.network.sub_prompt_index, lx.size(), mask.size()) lx = lx * mask x = self.org_forward(x) x = x + lx if "attn2_to_q" in self.lora_name and self.network.is_last_network: x = self.postp_to_q(x) return x def postp_to_q(self, x): # repeat x to num_sub_prompts has_real_uncond = x.size()[0] // self.network.batch_size == 3 qc = self.network.batch_size # uncond qc += self.network.batch_size * self.network.num_sub_prompts # cond if has_real_uncond: qc += self.network.batch_size # real_uncond query = torch.zeros((qc, x.size()[1], x.size()[2]), device=x.device, dtype=x.dtype) query[: self.network.batch_size] = x[: self.network.batch_size] for i in range(self.network.batch_size): qi = self.network.batch_size + i * self.network.num_sub_prompts query[qi : qi + self.network.num_sub_prompts] = x[self.network.batch_size + i] if has_real_uncond: query[-self.network.batch_size :] = x[-self.network.batch_size :] # logger.info("postp_to_q", self.lora_name, x.size(), query.size(), self.network.num_sub_prompts) return query def sub_prompt_forward(self, x): if x.size()[0] == self.network.batch_size: # if uncond in text_encoder, do not apply LoRA return self.org_forward(x) emb_idx = self.network.sub_prompt_index if not self.text_encoder: emb_idx += self.network.batch_size # apply sub prompt of X lx = x[emb_idx :: self.network.num_sub_prompts] lx = self.lora_up(self.lora_down(lx)) * self.multiplier * self.scale # logger.info("sub_prompt_forward", self.lora_name, x.size(), lx.size(), emb_idx) x = self.org_forward(x) x[emb_idx :: self.network.num_sub_prompts] += lx return x def to_out_forward(self, x): # logger.info("to_out_forward", self.lora_name, x.size(), self.network.is_last_network) if self.network.is_last_network: masks = [None] * self.network.num_sub_prompts self.network.shared[self.lora_name] = (None, masks) else: lx, masks = self.network.shared[self.lora_name] # call own LoRA x1 = x[self.network.batch_size + self.network.sub_prompt_index :: self.network.num_sub_prompts] lx1 = self.lora_up(self.lora_down(x1)) * self.multiplier * self.scale if self.network.is_last_network: lx = torch.zeros( (self.network.num_sub_prompts * self.network.batch_size, *lx1.size()[1:]), device=lx1.device, dtype=lx1.dtype ) self.network.shared[self.lora_name] = (lx, masks) # logger.info("to_out_forward", lx.size(), lx1.size(), self.network.sub_prompt_index, self.network.num_sub_prompts) lx[self.network.sub_prompt_index :: self.network.num_sub_prompts] += lx1 masks[self.network.sub_prompt_index] = self.get_mask_for_x(lx1) # if not last network, return x and masks x = self.org_forward(x) if not self.network.is_last_network: return x lx, masks = self.network.shared.pop(self.lora_name) # if last network, combine separated x with mask weighted sum has_real_uncond = x.size()[0] // self.network.batch_size == self.network.num_sub_prompts + 2 out = torch.zeros((self.network.batch_size * (3 if has_real_uncond else 2), *x.size()[1:]), device=x.device, dtype=x.dtype) out[: self.network.batch_size] = x[: self.network.batch_size] # uncond if has_real_uncond: out[-self.network.batch_size :] = x[-self.network.batch_size :] # real_uncond # logger.info("to_out_forward", self.lora_name, self.network.sub_prompt_index, self.network.num_sub_prompts) # for i in range(len(masks)): # if masks[i] is None: # masks[i] = torch.zeros_like(masks[-1]) mask = torch.cat(masks) mask_sum = torch.sum(mask, dim=0) + 1e-4 for i in range(self.network.batch_size): # 1枚の画像ごとに処理する lx1 = lx[i * self.network.num_sub_prompts : (i + 1) * self.network.num_sub_prompts] lx1 = lx1 * mask lx1 = torch.sum(lx1, dim=0) xi = self.network.batch_size + i * self.network.num_sub_prompts x1 = x[xi : xi + self.network.num_sub_prompts] x1 = x1 * mask x1 = torch.sum(x1, dim=0) x1 = x1 / mask_sum x1 = x1 + lx1 out[self.network.batch_size + i] = x1 # logger.info("to_out_forward", x.size(), out.size(), has_real_uncond) return out def parse_block_lr_kwargs(nw_kwargs): down_lr_weight = nw_kwargs.get("down_lr_weight", None) mid_lr_weight = nw_kwargs.get("mid_lr_weight", None) up_lr_weight = nw_kwargs.get("up_lr_weight", None) # 以上のいずれにも設定がない場合は無効としてNoneを返す if down_lr_weight is None and mid_lr_weight is None and up_lr_weight is None: return None, None, None # extract learning rate weight for each block if down_lr_weight is not None: # if some parameters are not set, use zero if "," in down_lr_weight: down_lr_weight = [(float(s) if s else 0.0) for s in down_lr_weight.split(",")] if mid_lr_weight is not None: mid_lr_weight = float(mid_lr_weight) if up_lr_weight is not None: if "," in up_lr_weight: up_lr_weight = [(float(s) if s else 0.0) for s in up_lr_weight.split(",")] down_lr_weight, mid_lr_weight, up_lr_weight = get_block_lr_weight( down_lr_weight, mid_lr_weight, up_lr_weight, float(nw_kwargs.get("block_lr_zero_threshold", 0.0)) ) return down_lr_weight, mid_lr_weight, up_lr_weight def create_network( multiplier: float, network_dim: Optional[int], network_alpha: Optional[float], vae: AutoencoderKL, text_encoder: Union[CLIPTextModel, List[CLIPTextModel]], unet, neuron_dropout: Optional[float] = None, **kwargs, ): if network_dim is None: network_dim = 4 # default if network_alpha is None: network_alpha = 1.0 # extract dim/alpha for conv2d, and block dim conv_dim = kwargs.get("conv_dim", None) conv_alpha = kwargs.get("conv_alpha", None) if conv_dim is not None: conv_dim = int(conv_dim) if conv_alpha is None: conv_alpha = 1.0 else: conv_alpha = float(conv_alpha) # block dim/alpha/lr block_dims = kwargs.get("block_dims", None) down_lr_weight, mid_lr_weight, up_lr_weight = parse_block_lr_kwargs(kwargs) # 以上のいずれかに指定があればblockごとのdim(rank)を有効にする if block_dims is not None or down_lr_weight is not None or mid_lr_weight is not None or up_lr_weight is not None: block_alphas = kwargs.get("block_alphas", None) conv_block_dims = kwargs.get("conv_block_dims", None) conv_block_alphas = kwargs.get("conv_block_alphas", None) block_dims, block_alphas, conv_block_dims, conv_block_alphas = get_block_dims_and_alphas( block_dims, block_alphas, network_dim, network_alpha, conv_block_dims, conv_block_alphas, conv_dim, conv_alpha ) # remove block dim/alpha without learning rate block_dims, block_alphas, conv_block_dims, conv_block_alphas = remove_block_dims_and_alphas( block_dims, block_alphas, conv_block_dims, conv_block_alphas, down_lr_weight, mid_lr_weight, up_lr_weight ) else: block_alphas = None conv_block_dims = None conv_block_alphas = None # rank/module dropout rank_dropout = kwargs.get("rank_dropout", None) if rank_dropout is not None: rank_dropout = float(rank_dropout) module_dropout = kwargs.get("module_dropout", None) if module_dropout is not None: module_dropout = float(module_dropout) # すごく引数が多いな ( ^ω^)･･･ network = LoRANetwork( text_encoder, unet, multiplier=multiplier, lora_dim=network_dim, alpha=network_alpha, dropout=neuron_dropout, rank_dropout=rank_dropout, module_dropout=module_dropout, conv_lora_dim=conv_dim, conv_alpha=conv_alpha, block_dims=block_dims, block_alphas=block_alphas, conv_block_dims=conv_block_dims, conv_block_alphas=conv_block_alphas, varbose=True, ) if up_lr_weight is not None or mid_lr_weight is not None or down_lr_weight is not None: network.set_block_lr_weight(up_lr_weight, mid_lr_weight, down_lr_weight) return network # このメソッドは外部から呼び出される可能性を考慮しておく # network_dim, network_alpha にはデフォルト値が入っている。 # block_dims, block_alphas は両方ともNoneまたは両方とも値が入っている # conv_dim, conv_alpha は両方ともNoneまたは両方とも値が入っている def get_block_dims_and_alphas( block_dims, block_alphas, network_dim, network_alpha, conv_block_dims, conv_block_alphas, conv_dim, conv_alpha ): num_total_blocks = LoRANetwork.NUM_OF_BLOCKS * 2 + 1 def parse_ints(s): return [int(i) for i in s.split(",")] def parse_floats(s): return [float(i) for i in s.split(",")] # block_dimsとblock_alphasをパースする。必ず値が入る if block_dims is not None: block_dims = parse_ints(block_dims) assert ( len(block_dims) == num_total_blocks ), f"block_dims must have {num_total_blocks} elements / block_dimsは{num_total_blocks}個指定してください" else: logger.warning(f"block_dims is not specified. all dims are set to {network_dim} / block_dimsが指定されていません。すべてのdimは{network_dim}になります") block_dims = [network_dim] * num_total_blocks if block_alphas is not None: block_alphas = parse_floats(block_alphas) assert ( len(block_alphas) == num_total_blocks ), f"block_alphas must have {num_total_blocks} elements / block_alphasは{num_total_blocks}個指定してください" else: logger.warning( f"block_alphas is not specified. all alphas are set to {network_alpha} / block_alphasが指定されていません。すべてのalphaは{network_alpha}になります" ) block_alphas = [network_alpha] * num_total_blocks # conv_block_dimsとconv_block_alphasを、指定がある場合のみパースする。指定がなければconv_dimとconv_alphaを使う if conv_block_dims is not None: conv_block_dims = parse_ints(conv_block_dims) assert ( len(conv_block_dims) == num_total_blocks ), f"conv_block_dims must have {num_total_blocks} elements / conv_block_dimsは{num_total_blocks}個指定してください" if conv_block_alphas is not None: conv_block_alphas = parse_floats(conv_block_alphas) assert ( len(conv_block_alphas) == num_total_blocks ), f"conv_block_alphas must have {num_total_blocks} elements / conv_block_alphasは{num_total_blocks}個指定してください" else: if conv_alpha is None: conv_alpha = 1.0 logger.warning( f"conv_block_alphas is not specified. all alphas are set to {conv_alpha} / conv_block_alphasが指定されていません。すべてのalphaは{conv_alpha}になります" ) conv_block_alphas = [conv_alpha] * num_total_blocks else: if conv_dim is not None: logger.warning( f"conv_dim/alpha for all blocks are set to {conv_dim} and {conv_alpha} / すべてのブロックのconv_dimとalphaは{conv_dim}および{conv_alpha}になります" ) conv_block_dims = [conv_dim] * num_total_blocks conv_block_alphas = [conv_alpha] * num_total_blocks else: conv_block_dims = None conv_block_alphas = None return block_dims, block_alphas, conv_block_dims, conv_block_alphas # 層別学習率用に層ごとの学習率に対する倍率を定義する、外部から呼び出される可能性を考慮しておく def get_block_lr_weight( down_lr_weight, mid_lr_weight, up_lr_weight, zero_threshold ) -> Tuple[List[float], List[float], List[float]]: # パラメータ未指定時は何もせず、今までと同じ動作とする if up_lr_weight is None and mid_lr_weight is None and down_lr_weight is None: return None, None, None max_len = LoRANetwork.NUM_OF_BLOCKS # フルモデル相当でのup,downの層の数 def get_list(name_with_suffix) -> List[float]: import math tokens = name_with_suffix.split("+") name = tokens[0] base_lr = float(tokens[1]) if len(tokens) > 1 else 0.0 if name == "cosine": return [math.sin(math.pi * (i / (max_len - 1)) / 2) + base_lr for i in reversed(range(max_len))] elif name == "sine": return [math.sin(math.pi * (i / (max_len - 1)) / 2) + base_lr for i in range(max_len)] elif name == "linear": return [i / (max_len - 1) + base_lr for i in range(max_len)] elif name == "reverse_linear": return [i / (max_len - 1) + base_lr for i in reversed(range(max_len))] elif name == "zeros": return [0.0 + base_lr] * max_len else: logger.error( "Unknown lr_weight argument %s is used. Valid arguments: / 不明なlr_weightの引数 %s が使われました。有効な引数:\n\tcosine, sine, linear, reverse_linear, zeros" % (name) ) return None if type(down_lr_weight) == str: down_lr_weight = get_list(down_lr_weight) if type(up_lr_weight) == str: up_lr_weight = get_list(up_lr_weight) if (up_lr_weight != None and len(up_lr_weight) > max_len) or (down_lr_weight != None and len(down_lr_weight) > max_len): logger.warning("down_weight or up_weight is too long. Parameters after %d-th are ignored." % max_len) logger.warning("down_weightもしくはup_weightが長すぎます。%d個目以降のパラメータは無視されます。" % max_len) up_lr_weight = up_lr_weight[:max_len] down_lr_weight = down_lr_weight[:max_len] if (up_lr_weight != None and len(up_lr_weight) < max_len) or (down_lr_weight != None and len(down_lr_weight) < max_len): logger.warning("down_weight or up_weight is too short. Parameters after %d-th are filled with 1." % max_len) logger.warning("down_weightもしくはup_weightが短すぎます。%d個目までの不足したパラメータは1で補われます。" % max_len) if down_lr_weight != None and len(down_lr_weight) < max_len: down_lr_weight = down_lr_weight + [1.0] * (max_len - len(down_lr_weight)) if up_lr_weight != None and len(up_lr_weight) < max_len: up_lr_weight = up_lr_weight + [1.0] * (max_len - len(up_lr_weight)) if (up_lr_weight != None) or (mid_lr_weight != None) or (down_lr_weight != None): logger.info("apply block learning rate / 階層別学習率を適用します。") if down_lr_weight != None: down_lr_weight = [w if w > zero_threshold else 0 for w in down_lr_weight] logger.info(f"down_lr_weight (shallower -> deeper, 浅い層->深い層): {down_lr_weight}") else: logger.info("down_lr_weight: all 1.0, すべて1.0") if mid_lr_weight != None: mid_lr_weight = mid_lr_weight if mid_lr_weight > zero_threshold else 0 logger.info(f"mid_lr_weight: {mid_lr_weight}") else: logger.info("mid_lr_weight: 1.0") if up_lr_weight != None: up_lr_weight = [w if w > zero_threshold else 0 for w in up_lr_weight] logger.info(f"up_lr_weight (deeper -> shallower, 深い層->浅い層): {up_lr_weight}") else: logger.info("up_lr_weight: all 1.0, すべて1.0") return down_lr_weight, mid_lr_weight, up_lr_weight # lr_weightが0のblockをblock_dimsから除外する、外部から呼び出す可能性を考慮しておく def remove_block_dims_and_alphas( block_dims, block_alphas, conv_block_dims, conv_block_alphas, down_lr_weight, mid_lr_weight, up_lr_weight ): # set 0 to block dim without learning rate to remove the block if down_lr_weight != None: for i, lr in enumerate(down_lr_weight): if lr == 0: block_dims[i] = 0 if conv_block_dims is not None: conv_block_dims[i] = 0 if mid_lr_weight != None: if mid_lr_weight == 0: block_dims[LoRANetwork.NUM_OF_BLOCKS] = 0 if conv_block_dims is not None: conv_block_dims[LoRANetwork.NUM_OF_BLOCKS] = 0 if up_lr_weight != None: for i, lr in enumerate(up_lr_weight): if lr == 0: block_dims[LoRANetwork.NUM_OF_BLOCKS + 1 + i] = 0 if conv_block_dims is not None: conv_block_dims[LoRANetwork.NUM_OF_BLOCKS + 1 + i] = 0 return block_dims, block_alphas, conv_block_dims, conv_block_alphas # 外部から呼び出す可能性を考慮しておく def get_block_index(lora_name: str) -> int: block_idx = -1 # invalid lora name m = RE_UPDOWN.search(lora_name) if m: g = m.groups() i = int(g[1]) j = int(g[3]) if g[2] == "resnets": idx = 3 * i + j elif g[2] == "attentions": idx = 3 * i + j elif g[2] == "upsamplers" or g[2] == "downsamplers": idx = 3 * i + 2 if g[0] == "down": block_idx = 1 + idx # 0に該当するLoRAは存在しない elif g[0] == "up": block_idx = LoRANetwork.NUM_OF_BLOCKS + 1 + idx elif "mid_block_" in lora_name: block_idx = LoRANetwork.NUM_OF_BLOCKS # idx=12 return block_idx # Create network from weights for inference, weights are not loaded here (because can be merged) def create_network_from_weights(multiplier, file, vae, text_encoder, unet, weights_sd=None, for_inference=False, **kwargs): if weights_sd is None: if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file, safe_open weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu") # get dim/alpha mapping modules_dim = {} modules_alpha = {} for key, value in weights_sd.items(): if "." not in key: continue lora_name = key.split(".")[0] if "alpha" in key: modules_alpha[lora_name] = value elif "lora_down" in key: dim = value.size()[0] modules_dim[lora_name] = dim # logger.info(lora_name, value.size(), dim) # support old LoRA without alpha for key in modules_dim.keys(): if key not in modules_alpha: modules_alpha[key] = modules_dim[key] module_class = LoRAInfModule if for_inference else LoRAModule network = LoRANetwork( text_encoder, unet, multiplier=multiplier, modules_dim=modules_dim, modules_alpha=modules_alpha, module_class=module_class ) # block lr down_lr_weight, mid_lr_weight, up_lr_weight = parse_block_lr_kwargs(kwargs) if up_lr_weight is not None or mid_lr_weight is not None or down_lr_weight is not None: network.set_block_lr_weight(up_lr_weight, mid_lr_weight, down_lr_weight) return network, weights_sd class LoRANetwork(torch.nn.Module): NUM_OF_BLOCKS = 12 # フルモデル相当でのup,downの層の数 UNET_TARGET_REPLACE_MODULE = ["Transformer2DModel"] UNET_TARGET_REPLACE_MODULE_CONV2D_3X3 = ["ResnetBlock2D", "Downsample2D", "Upsample2D"] TEXT_ENCODER_TARGET_REPLACE_MODULE = ["CLIPAttention", "CLIPSdpaAttention", "CLIPMLP"] LORA_PREFIX_UNET = "lora_unet" LORA_PREFIX_TEXT_ENCODER = "lora_te" # SDXL: must starts with LORA_PREFIX_TEXT_ENCODER LORA_PREFIX_TEXT_ENCODER1 = "lora_te1" LORA_PREFIX_TEXT_ENCODER2 = "lora_te2" def __init__( self, text_encoder: Union[List[CLIPTextModel], CLIPTextModel], unet, multiplier: float = 1.0, lora_dim: int = 4, alpha: float = 1, dropout: Optional[float] = None, rank_dropout: Optional[float] = None, module_dropout: Optional[float] = None, conv_lora_dim: Optional[int] = None, conv_alpha: Optional[float] = None, block_dims: Optional[List[int]] = None, block_alphas: Optional[List[float]] = None, conv_block_dims: Optional[List[int]] = None, conv_block_alphas: Optional[List[float]] = None, modules_dim: Optional[Dict[str, int]] = None, modules_alpha: Optional[Dict[str, int]] = None, module_class: Type[object] = LoRAModule, varbose: Optional[bool] = False, ) -> None: """ LoRA network: すごく引数が多いが、パターンは以下の通り 1. lora_dimとalphaを指定 2. lora_dim、alpha、conv_lora_dim、conv_alphaを指定 3. block_dimsとblock_alphasを指定 : Conv2d3x3には適用しない 4. block_dims、block_alphas、conv_block_dims、conv_block_alphasを指定 : Conv2d3x3にも適用する 5. modules_dimとmodules_alphaを指定 (推論用) """ super().__init__() self.multiplier = multiplier self.lora_dim = lora_dim self.alpha = alpha self.conv_lora_dim = conv_lora_dim self.conv_alpha = conv_alpha self.dropout = dropout self.rank_dropout = rank_dropout self.module_dropout = module_dropout if modules_dim is not None: logger.info(f"create LoRA network from weights") elif block_dims is not None: logger.info(f"create LoRA network from block_dims") logger.info(f"neuron dropout: p={self.dropout}, rank dropout: p={self.rank_dropout}, module dropout: p={self.module_dropout}") logger.info(f"block_dims: {block_dims}") logger.info(f"block_alphas: {block_alphas}") if conv_block_dims is not None: logger.info(f"conv_block_dims: {conv_block_dims}") logger.info(f"conv_block_alphas: {conv_block_alphas}") else: logger.info(f"create LoRA network. base dim (rank): {lora_dim}, alpha: {alpha}") logger.info(f"neuron dropout: p={self.dropout}, rank dropout: p={self.rank_dropout}, module dropout: p={self.module_dropout}") if self.conv_lora_dim is not None: logger.info(f"apply LoRA to Conv2d with kernel size (3,3). dim (rank): {self.conv_lora_dim}, alpha: {self.conv_alpha}") # create module instances def create_modules( is_unet: bool, text_encoder_idx: Optional[int], # None, 1, 2 root_module: torch.nn.Module, target_replace_modules: List[torch.nn.Module], ) -> List[LoRAModule]: prefix = ( self.LORA_PREFIX_UNET if is_unet else ( self.LORA_PREFIX_TEXT_ENCODER if text_encoder_idx is None else (self.LORA_PREFIX_TEXT_ENCODER1 if text_encoder_idx == 1 else self.LORA_PREFIX_TEXT_ENCODER2) ) ) loras = [] skipped = [] for name, module in root_module.named_modules(): if module.__class__.__name__ in target_replace_modules: for child_name, child_module in module.named_modules(): is_linear = child_module.__class__.__name__ == "Linear" is_conv2d = child_module.__class__.__name__ == "Conv2d" is_conv2d_1x1 = is_conv2d and child_module.kernel_size == (1, 1) if is_linear or is_conv2d: lora_name = prefix + "." + name + "." + child_name lora_name = lora_name.replace(".", "_") dim = None alpha = None if modules_dim is not None: # モジュール指定あり if lora_name in modules_dim: dim = modules_dim[lora_name] alpha = modules_alpha[lora_name] elif is_unet and block_dims is not None: # U-Netでblock_dims指定あり block_idx = get_block_index(lora_name) if is_linear or is_conv2d_1x1: dim = block_dims[block_idx] alpha = block_alphas[block_idx] elif conv_block_dims is not None: dim = conv_block_dims[block_idx] alpha = conv_block_alphas[block_idx] else: # 通常、すべて対象とする if is_linear or is_conv2d_1x1: dim = self.lora_dim alpha = self.alpha elif self.conv_lora_dim is not None: dim = self.conv_lora_dim alpha = self.conv_alpha if dim is None or dim == 0: # skipした情報を出力 if is_linear or is_conv2d_1x1 or (self.conv_lora_dim is not None or conv_block_dims is not None): skipped.append(lora_name) continue lora = module_class( lora_name, child_module, self.multiplier, dim, alpha, dropout=dropout, rank_dropout=rank_dropout, module_dropout=module_dropout, ) loras.append(lora) return loras, skipped text_encoders = text_encoder if type(text_encoder) == list else [text_encoder] # create LoRA for text encoder # 毎回すべてのモジュールを作るのは無駄なので要検討 self.text_encoder_loras = [] skipped_te = [] for i, text_encoder in enumerate(text_encoders): if len(text_encoders) > 1: index = i + 1 logger.info(f"create LoRA for Text Encoder {index}:") else: index = None logger.info(f"create LoRA for Text Encoder:") text_encoder_loras, skipped = create_modules(False, index, text_encoder, LoRANetwork.TEXT_ENCODER_TARGET_REPLACE_MODULE) self.text_encoder_loras.extend(text_encoder_loras) skipped_te += skipped logger.info(f"create LoRA for Text Encoder: {len(self.text_encoder_loras)} modules.") # extend U-Net target modules if conv2d 3x3 is enabled, or load from weights target_modules = LoRANetwork.UNET_TARGET_REPLACE_MODULE if modules_dim is not None or self.conv_lora_dim is not None or conv_block_dims is not None: target_modules += LoRANetwork.UNET_TARGET_REPLACE_MODULE_CONV2D_3X3 self.unet_loras, skipped_un = create_modules(True, None, unet, target_modules) logger.info(f"create LoRA for U-Net: {len(self.unet_loras)} modules.") skipped = skipped_te + skipped_un if varbose and len(skipped) > 0: logger.warning( f"because block_lr_weight is 0 or dim (rank) is 0, {len(skipped)} LoRA modules are skipped / block_lr_weightまたはdim (rank)が0の為、次の{len(skipped)}個のLoRAモジュールはスキップされます:" ) for name in skipped: logger.info(f"\t{name}") self.up_lr_weight: List[float] = None self.down_lr_weight: List[float] = None self.mid_lr_weight: float = None self.block_lr = False # assertion names = set() for lora in self.text_encoder_loras + self.unet_loras: assert lora.lora_name not in names, f"duplicated lora name: {lora.lora_name}" names.add(lora.lora_name) def set_multiplier(self, multiplier): self.multiplier = multiplier for lora in self.text_encoder_loras + self.unet_loras: lora.multiplier = self.multiplier def load_weights(self, file): if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu") info = self.load_state_dict(weights_sd, False) return info def apply_to(self, text_encoder, unet, apply_text_encoder=True, apply_unet=True): if apply_text_encoder: logger.info("enable LoRA for text encoder") else: self.text_encoder_loras = [] if apply_unet: logger.info("enable LoRA for U-Net") else: self.unet_loras = [] for lora in self.text_encoder_loras + self.unet_loras: lora.apply_to() self.add_module(lora.lora_name, lora) # マージできるかどうかを返す def is_mergeable(self): return True # TODO refactor to common function with apply_to def merge_to(self, text_encoder, unet, weights_sd, dtype, device): apply_text_encoder = apply_unet = False for key in weights_sd.keys(): if key.startswith(LoRANetwork.LORA_PREFIX_TEXT_ENCODER): apply_text_encoder = True elif key.startswith(LoRANetwork.LORA_PREFIX_UNET): apply_unet = True if apply_text_encoder: logger.info("enable LoRA for text encoder") else: self.text_encoder_loras = [] if apply_unet: logger.info("enable LoRA for U-Net") else: self.unet_loras = [] for lora in self.text_encoder_loras + self.unet_loras: sd_for_lora = {} for key in weights_sd.keys(): if key.startswith(lora.lora_name): sd_for_lora[key[len(lora.lora_name) + 1 :]] = weights_sd[key] lora.merge_to(sd_for_lora, dtype, device) logger.info(f"weights are merged") # 層別学習率用に層ごとの学習率に対する倍率を定義する　引数の順番が逆だがとりあえず気にしない def set_block_lr_weight( self, up_lr_weight: List[float] = None, mid_lr_weight: float = None, down_lr_weight: List[float] = None, ): self.block_lr = True self.down_lr_weight = down_lr_weight self.mid_lr_weight = mid_lr_weight self.up_lr_weight = up_lr_weight def get_lr_weight(self, lora: LoRAModule) -> float: lr_weight = 1.0 block_idx = get_block_index(lora.lora_name) if block_idx < 0: return lr_weight if block_idx < LoRANetwork.NUM_OF_BLOCKS: if self.down_lr_weight != None: lr_weight = self.down_lr_weight[block_idx] elif block_idx == LoRANetwork.NUM_OF_BLOCKS: if self.mid_lr_weight != None: lr_weight = self.mid_lr_weight elif block_idx > LoRANetwork.NUM_OF_BLOCKS: if self.up_lr_weight != None: lr_weight = self.up_lr_weight[block_idx - LoRANetwork.NUM_OF_BLOCKS - 1] return lr_weight # 二つのText Encoderに別々の学習率を設定できるようにするといいかも def prepare_optimizer_params(self, text_encoder_lr, unet_lr, default_lr): self.requires_grad_(True) all_params = [] def enumerate_params(loras: List[LoRAModule]): params = [] for lora in loras: # params.extend(lora.parameters()) params.extend(lora.get_trainable_params()) return params if self.text_encoder_loras: param_data = {"params": enumerate_params(self.text_encoder_loras)} if text_encoder_lr is not None: param_data["lr"] = text_encoder_lr all_params.append(param_data) if self.unet_loras: if self.block_lr: # 学習率のグラフをblockごとにしたいので、blockごとにloraを分類 block_idx_to_lora = {} for lora in self.unet_loras: idx = get_block_index(lora.lora_name) if idx not in block_idx_to_lora: block_idx_to_lora[idx] = [] block_idx_to_lora[idx].append(lora) # blockごとにパラメータを設定する for idx, block_loras in block_idx_to_lora.items(): param_data = {"params": enumerate_params(block_loras)} if unet_lr is not None: param_data["lr"] = unet_lr * self.get_lr_weight(block_loras[0]) elif default_lr is not None: param_data["lr"] = default_lr * self.get_lr_weight(block_loras[0]) if ("lr" in param_data) and (param_data["lr"] == 0): continue all_params.append(param_data) else: param_data = {"params": enumerate_params(self.unet_loras)} if unet_lr is not None: param_data["lr"] = unet_lr all_params.append(param_data) return all_params def enable_gradient_checkpointing(self): # not supported pass def prepare_grad_etc(self, text_encoder, unet): self.requires_grad_(True) def on_epoch_start(self, text_encoder, unet): self.train() def get_trainable_params(self): return self.parameters() def save_weights(self, file, dtype, metadata): if metadata is not None and len(metadata) == 0: metadata = None state_dict = self.state_dict() if dtype is not None: for key in list(state_dict.keys()): v = state_dict[key] v = v.detach().clone().to("cpu").to(dtype) state_dict[key] = v if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import save_file from library import train_util # Precalculate model hashes to save time on indexing if metadata is None: metadata = {} model_hash, legacy_hash = train_util.precalculate_safetensors_hashes(state_dict, metadata) metadata["sshs_model_hash"] = model_hash metadata["sshs_legacy_hash"] = legacy_hash save_file(state_dict, file, metadata) else: torch.save(state_dict, file) # mask is a tensor with values from 0 to 1 def set_region(self, sub_prompt_index, is_last_network, mask): if mask.max() == 0: mask = torch.ones_like(mask) self.mask = mask self.sub_prompt_index = sub_prompt_index self.is_last_network = is_last_network for lora in self.text_encoder_loras + self.unet_loras: lora.set_network(self) def set_current_generation(self, batch_size, num_sub_prompts, width, height, shared): self.batch_size = batch_size self.num_sub_prompts = num_sub_prompts self.current_size = (height, width) self.shared = shared # create masks mask = self.mask mask_dic = {} mask = mask.unsqueeze(0).unsqueeze(1) # b(1),c(1),h,w ref_weight = self.text_encoder_loras[0].lora_down.weight if self.text_encoder_loras else self.unet_loras[0].lora_down.weight dtype = ref_weight.dtype device = ref_weight.device def resize_add(mh, mw): # logger.info(mh, mw, mh * mw) m = torch.nn.functional.interpolate(mask, (mh, mw), mode="bilinear") # doesn't work in bf16 m = m.to(device, dtype=dtype) mask_dic[mh * mw] = m h = height // 8 w = width // 8 for _ in range(4): resize_add(h, w) if h % 2 == 1 or w % 2 == 1: # add extra shape if h/w is not divisible by 2 resize_add(h + h % 2, w + w % 2) h = (h + 1) // 2 w = (w + 1) // 2 self.mask_dic = mask_dic def backup_weights(self): # 重みのバックアップを行う loras: List[LoRAInfModule] = self.text_encoder_loras + self.unet_loras for lora in loras: org_module = lora.org_module_ref[0] if not hasattr(org_module, "_lora_org_weight"): sd = org_module.state_dict() org_module._lora_org_weight = sd["weight"].detach().clone() org_module._lora_restored = True def restore_weights(self): # 重みのリストアを行う loras: List[LoRAInfModule] = self.text_encoder_loras + self.unet_loras for lora in loras: org_module = lora.org_module_ref[0] if not org_module._lora_restored: sd = org_module.state_dict() sd["weight"] = org_module._lora_org_weight org_module.load_state_dict(sd) org_module._lora_restored = True def pre_calculation(self): # 事前計算を行う loras: List[LoRAInfModule] = self.text_encoder_loras + self.unet_loras for lora in loras: org_module = lora.org_module_ref[0] sd = org_module.state_dict() org_weight = sd["weight"] lora_weight = lora.get_weight().to(org_weight.device, dtype=org_weight.dtype) sd["weight"] = org_weight + lora_weight assert sd["weight"].shape == org_weight.shape org_module.load_state_dict(sd) org_module._lora_restored = False lora.enabled = False def apply_max_norm_regularization(self, max_norm_value, device): downkeys = [] upkeys = [] alphakeys = [] norms = [] keys_scaled = 0 state_dict = self.state_dict() for key in state_dict.keys(): if "lora_down" in key and "weight" in key: downkeys.append(key) upkeys.append(key.replace("lora_down", "lora_up")) alphakeys.append(key.replace("lora_down.weight", "alpha")) for i in range(len(downkeys)): down = state_dict[downkeys[i]].to(device) up = state_dict[upkeys[i]].to(device) alpha = state_dict[alphakeys[i]].to(device) dim = down.shape[0] scale = alpha / dim if up.shape[2:] == (1, 1) and down.shape[2:] == (1, 1): updown = (up.squeeze(2).squeeze(2) @ down.squeeze(2).squeeze(2)).unsqueeze(2).unsqueeze(3) elif up.shape[2:] == (3, 3) or down.shape[2:] == (3, 3): updown = torch.nn.functional.conv2d(down.permute(1, 0, 2, 3), up).permute(1, 0, 2, 3) else: updown = up @ down updown *= scale norm = updown.norm().clamp(min=max_norm_value / 2) desired = torch.clamp(norm, max=max_norm_value) ratio = desired.cpu() / norm.cpu() sqrt_ratio = ratio**0.5 if ratio != 1: keys_scaled += 1 state_dict[upkeys[i]] *= sqrt_ratio state_dict[downkeys[i]] *= sqrt_ratio scalednorm = updown.norm() * ratio norms.append(scalednorm.item()) return keys_scaled, sum(norms) / len(norms), max(norms) ================================================ FILE: networks/lora_flux.py ================================================ # temporary minimum implementation of LoRA # FLUX doesn't have Conv2d, so we ignore it # TODO commonize with the original implementation # LoRA network module # reference: # https://github.com/microsoft/LoRA/blob/main/loralib/layers.py # https://github.com/cloneofsimo/lora/blob/master/lora_diffusion/lora.py import math import os from contextlib import contextmanager from typing import Dict, List, Optional, Tuple, Type, Union from diffusers import AutoencoderKL from transformers import CLIPTextModel import numpy as np import torch from torch import Tensor import re from library.utils import setup_logging from library.sdxl_original_unet import SdxlUNet2DConditionModel setup_logging() import logging logger = logging.getLogger(__name__) NUM_DOUBLE_BLOCKS = 19 NUM_SINGLE_BLOCKS = 38 class LoRAModule(torch.nn.Module): """ replaces forward method of the original Linear, instead of replacing the original Linear module. """ def __init__( self, lora_name, org_module: torch.nn.Module, multiplier=1.0, lora_dim=4, alpha=1, dropout=None, rank_dropout=None, module_dropout=None, split_dims: Optional[List[int]] = None, ggpo_beta: Optional[float] = None, ggpo_sigma: Optional[float] = None, ): """ if alpha == 0 or None, alpha is rank (no scaling). split_dims is used to mimic the split qkv of FLUX as same as Diffusers """ super().__init__() self.lora_name = lora_name if org_module.__class__.__name__ == "Conv2d": in_dim = org_module.in_channels out_dim = org_module.out_channels else: in_dim = org_module.in_features out_dim = org_module.out_features self.lora_dim = lora_dim self.split_dims = split_dims if split_dims is None: if org_module.__class__.__name__ == "Conv2d": kernel_size = org_module.kernel_size stride = org_module.stride padding = org_module.padding self.lora_down = torch.nn.Conv2d(in_dim, self.lora_dim, kernel_size, stride, padding, bias=False) self.lora_up = torch.nn.Conv2d(self.lora_dim, out_dim, (1, 1), (1, 1), bias=False) else: self.lora_down = torch.nn.Linear(in_dim, self.lora_dim, bias=False) self.lora_up = torch.nn.Linear(self.lora_dim, out_dim, bias=False) torch.nn.init.kaiming_uniform_(self.lora_down.weight, a=math.sqrt(5)) torch.nn.init.zeros_(self.lora_up.weight) else: # conv2d not supported assert sum(split_dims) == out_dim, "sum of split_dims must be equal to out_dim" assert org_module.__class__.__name__ == "Linear", "split_dims is only supported for Linear" # print(f"split_dims: {split_dims}") self.lora_down = torch.nn.ModuleList( [torch.nn.Linear(in_dim, self.lora_dim, bias=False) for _ in range(len(split_dims))] ) self.lora_up = torch.nn.ModuleList([torch.nn.Linear(self.lora_dim, split_dim, bias=False) for split_dim in split_dims]) for lora_down in self.lora_down: torch.nn.init.kaiming_uniform_(lora_down.weight, a=math.sqrt(5)) for lora_up in self.lora_up: torch.nn.init.zeros_(lora_up.weight) if type(alpha) == torch.Tensor: alpha = alpha.detach().float().numpy() # without casting, bf16 causes error alpha = self.lora_dim if alpha is None or alpha == 0 else alpha self.scale = alpha / self.lora_dim self.register_buffer("alpha", torch.tensor(alpha)) # 定数として扱える # same as microsoft's self.multiplier = multiplier self.org_module = org_module # remove in applying self.dropout = dropout self.rank_dropout = rank_dropout self.module_dropout = module_dropout self.ggpo_sigma = ggpo_sigma self.ggpo_beta = ggpo_beta if self.ggpo_beta is not None and self.ggpo_sigma is not None: self.combined_weight_norms = None self.grad_norms = None self.perturbation_norm_factor = 1.0 / math.sqrt(org_module.weight.shape[0]) self.initialize_norm_cache(org_module.weight) self.org_module_shape: tuple[int] = org_module.weight.shape def apply_to(self): self.org_forward = self.org_module.forward self.org_module.forward = self.forward del self.org_module def forward(self, x): org_forwarded = self.org_forward(x) # module dropout if self.module_dropout is not None and self.training: if torch.rand(1) < self.module_dropout: return org_forwarded if self.split_dims is None: lx = self.lora_down(x) # normal dropout if self.dropout is not None and self.training: lx = torch.nn.functional.dropout(lx, p=self.dropout) # rank dropout if self.rank_dropout is not None and self.training: mask = torch.rand((lx.size(0), self.lora_dim), device=lx.device) > self.rank_dropout if len(lx.size()) == 3: mask = mask.unsqueeze(1) # for Text Encoder elif len(lx.size()) == 4: mask = mask.unsqueeze(-1).unsqueeze(-1) # for Conv2d lx = lx * mask # scaling for rank dropout: treat as if the rank is changed # maskから計算することも考えられるが、augmentation的な効果を期待してrank_dropoutを用いる scale = self.scale * (1.0 / (1.0 - self.rank_dropout)) # redundant for readability else: scale = self.scale lx = self.lora_up(lx) # LoRA Gradient-Guided Perturbation Optimization if ( self.training and self.ggpo_sigma is not None and self.ggpo_beta is not None and self.combined_weight_norms is not None and self.grad_norms is not None ): with torch.no_grad(): perturbation_scale = (self.ggpo_sigma * torch.sqrt(self.combined_weight_norms**2)) + ( self.ggpo_beta * (self.grad_norms**2) ) perturbation_scale_factor = (perturbation_scale * self.perturbation_norm_factor).to(self.device) perturbation = torch.randn(self.org_module_shape, dtype=self.dtype, device=self.device) perturbation.mul_(perturbation_scale_factor) perturbation_output = x @ perturbation.T # Result: (batch × n) return org_forwarded + (self.multiplier * scale * lx) + perturbation_output else: return org_forwarded + lx * self.multiplier * scale else: lxs = [lora_down(x) for lora_down in self.lora_down] # normal dropout if self.dropout is not None and self.training: lxs = [torch.nn.functional.dropout(lx, p=self.dropout) for lx in lxs] # rank dropout if self.rank_dropout is not None and self.training: masks = [torch.rand((lx.size(0), self.lora_dim), device=lx.device) > self.rank_dropout for lx in lxs] for i in range(len(lxs)): if len(lx.size()) == 3: masks[i] = masks[i].unsqueeze(1) elif len(lx.size()) == 4: masks[i] = masks[i].unsqueeze(-1).unsqueeze(-1) lxs[i] = lxs[i] * masks[i] # scaling for rank dropout: treat as if the rank is changed scale = self.scale * (1.0 / (1.0 - self.rank_dropout)) # redundant for readability else: scale = self.scale lxs = [lora_up(lx) for lora_up, lx in zip(self.lora_up, lxs)] return org_forwarded + torch.cat(lxs, dim=-1) * self.multiplier * scale @torch.no_grad() def initialize_norm_cache(self, org_module_weight: Tensor): # Choose a reasonable sample size n_rows = org_module_weight.shape[0] sample_size = min(1000, n_rows) # Cap at 1000 samples or use all if smaller # Sample random indices across all rows indices = torch.randperm(n_rows)[:sample_size] # Convert to a supported data type first, then index # Use float32 for indexing operations weights_float32 = org_module_weight.to(dtype=torch.float32) sampled_weights = weights_float32[indices].to(device=self.device) # Calculate sampled norms sampled_norms = torch.norm(sampled_weights, dim=1, keepdim=True) # Store the mean norm as our estimate self.org_weight_norm_estimate = sampled_norms.mean() # Optional: store standard deviation for confidence intervals self.org_weight_norm_std = sampled_norms.std() # Free memory del sampled_weights, weights_float32 @torch.no_grad() def validate_norm_approximation(self, org_module_weight: Tensor, verbose=True): # Calculate the true norm (this will be slow but it's just for validation) true_norms = [] chunk_size = 1024 # Process in chunks to avoid OOM for i in range(0, org_module_weight.shape[0], chunk_size): end_idx = min(i + chunk_size, org_module_weight.shape[0]) chunk = org_module_weight[i:end_idx].to(device=self.device, dtype=self.dtype) chunk_norms = torch.norm(chunk, dim=1, keepdim=True) true_norms.append(chunk_norms.cpu()) del chunk true_norms = torch.cat(true_norms, dim=0) true_mean_norm = true_norms.mean().item() # Compare with our estimate estimated_norm = self.org_weight_norm_estimate.item() # Calculate error metrics absolute_error = abs(true_mean_norm - estimated_norm) relative_error = absolute_error / true_mean_norm * 100 # as percentage if verbose: logger.info(f"True mean norm: {true_mean_norm:.6f}") logger.info(f"Estimated norm: {estimated_norm:.6f}") logger.info(f"Absolute error: {absolute_error:.6f}") logger.info(f"Relative error: {relative_error:.2f}%") return { "true_mean_norm": true_mean_norm, "estimated_norm": estimated_norm, "absolute_error": absolute_error, "relative_error": relative_error, } @torch.no_grad() def update_norms(self): # Not running GGPO so not currently running update norms if self.ggpo_beta is None or self.ggpo_sigma is None: return # only update norms when we are training if self.training is False: return module_weights = self.lora_up.weight @ self.lora_down.weight module_weights.mul(self.scale) self.weight_norms = torch.norm(module_weights, dim=1, keepdim=True) self.combined_weight_norms = torch.sqrt( (self.org_weight_norm_estimate**2) + torch.sum(module_weights**2, dim=1, keepdim=True) ) @torch.no_grad() def update_grad_norms(self): if self.training is False: print(f"skipping update_grad_norms for {self.lora_name}") return lora_down_grad = None lora_up_grad = None for name, param in self.named_parameters(): if name == "lora_down.weight": lora_down_grad = param.grad elif name == "lora_up.weight": lora_up_grad = param.grad # Calculate gradient norms if we have both gradients if lora_down_grad is not None and lora_up_grad is not None: with torch.autocast(self.device.type): approx_grad = self.scale * ((self.lora_up.weight @ lora_down_grad) + (lora_up_grad @ self.lora_down.weight)) self.grad_norms = torch.norm(approx_grad, dim=1, keepdim=True) @property def device(self): return next(self.parameters()).device @property def dtype(self): return next(self.parameters()).dtype class LoRAInfModule(LoRAModule): def __init__( self, lora_name, org_module: torch.nn.Module, multiplier=1.0, lora_dim=4, alpha=1, **kwargs, ): # no dropout for inference super().__init__(lora_name, org_module, multiplier, lora_dim, alpha) self.org_module_ref = [org_module] # 後から参照できるように self.enabled = True self.network: LoRANetwork = None def set_network(self, network): self.network = network # freezeしてマージする def merge_to(self, sd, dtype, device): # extract weight from org_module org_sd = self.org_module.state_dict() weight = org_sd["weight"] org_dtype = weight.dtype org_device = weight.device weight = weight.to(torch.float) # calc in float if dtype is None: dtype = org_dtype if device is None: device = org_device if self.split_dims is None: # get up/down weight down_weight = sd["lora_down.weight"].to(torch.float).to(device) up_weight = sd["lora_up.weight"].to(torch.float).to(device) # merge weight if len(weight.size()) == 2: # linear weight = weight + self.multiplier * (up_weight @ down_weight) * self.scale elif down_weight.size()[2:4] == (1, 1): # conv2d 1x1 weight = ( weight + self.multiplier * (up_weight.squeeze(3).squeeze(2) @ down_weight.squeeze(3).squeeze(2)).unsqueeze(2).unsqueeze(3) * self.scale ) else: # conv2d 3x3 conved = torch.nn.functional.conv2d(down_weight.permute(1, 0, 2, 3), up_weight).permute(1, 0, 2, 3) # logger.info(conved.size(), weight.size(), module.stride, module.padding) weight = weight + self.multiplier * conved * self.scale # set weight to org_module org_sd["weight"] = weight.to(dtype) self.org_module.load_state_dict(org_sd) else: # split_dims total_dims = sum(self.split_dims) for i in range(len(self.split_dims)): # get up/down weight down_weight = sd[f"lora_down.{i}.weight"].to(torch.float).to(device) # (rank, in_dim) up_weight = sd[f"lora_up.{i}.weight"].to(torch.float).to(device) # (split dim, rank) # pad up_weight -> (total_dims, rank) padded_up_weight = torch.zeros((total_dims, up_weight.size(0)), device=device, dtype=torch.float) padded_up_weight[sum(self.split_dims[:i]) : sum(self.split_dims[: i + 1])] = up_weight # merge weight weight = weight + self.multiplier * (up_weight @ down_weight) * self.scale # set weight to org_module org_sd["weight"] = weight.to(dtype) self.org_module.load_state_dict(org_sd) # 復元できるマージのため、このモジュールのweightを返す def get_weight(self, multiplier=None): if multiplier is None: multiplier = self.multiplier # get up/down weight from module up_weight = self.lora_up.weight.to(torch.float) down_weight = self.lora_down.weight.to(torch.float) # pre-calculated weight if len(down_weight.size()) == 2: # linear weight = self.multiplier * (up_weight @ down_weight) * self.scale elif down_weight.size()[2:4] == (1, 1): # conv2d 1x1 weight = ( self.multiplier * (up_weight.squeeze(3).squeeze(2) @ down_weight.squeeze(3).squeeze(2)).unsqueeze(2).unsqueeze(3) * self.scale ) else: # conv2d 3x3 conved = torch.nn.functional.conv2d(down_weight.permute(1, 0, 2, 3), up_weight).permute(1, 0, 2, 3) weight = self.multiplier * conved * self.scale return weight def set_region(self, region): self.region = region self.region_mask = None def default_forward(self, x): # logger.info(f"default_forward {self.lora_name} {x.size()}") if self.split_dims is None: lx = self.lora_down(x) lx = self.lora_up(lx) return self.org_forward(x) + lx * self.multiplier * self.scale else: lxs = [lora_down(x) for lora_down in self.lora_down] lxs = [lora_up(lx) for lora_up, lx in zip(self.lora_up, lxs)] return self.org_forward(x) + torch.cat(lxs, dim=-1) * self.multiplier * self.scale def forward(self, x): if not self.enabled: return self.org_forward(x) return self.default_forward(x) def create_network( multiplier: float, network_dim: Optional[int], network_alpha: Optional[float], ae: AutoencoderKL, text_encoders: List[CLIPTextModel], flux, neuron_dropout: Optional[float] = None, **kwargs, ): if network_dim is None: network_dim = 4 # default if network_alpha is None: network_alpha = 1.0 # extract dim/alpha for conv2d, and block dim conv_dim = kwargs.get("conv_dim", None) conv_alpha = kwargs.get("conv_alpha", None) if conv_dim is not None: conv_dim = int(conv_dim) if conv_alpha is None: conv_alpha = 1.0 else: conv_alpha = float(conv_alpha) # attn dim, mlp dim: only for DoubleStreamBlock. SingleStreamBlock is not supported because of combined qkv img_attn_dim = kwargs.get("img_attn_dim", None) txt_attn_dim = kwargs.get("txt_attn_dim", None) img_mlp_dim = kwargs.get("img_mlp_dim", None) txt_mlp_dim = kwargs.get("txt_mlp_dim", None) img_mod_dim = kwargs.get("img_mod_dim", None) txt_mod_dim = kwargs.get("txt_mod_dim", None) single_dim = kwargs.get("single_dim", None) # SingleStreamBlock single_mod_dim = kwargs.get("single_mod_dim", None) # SingleStreamBlock if img_attn_dim is not None: img_attn_dim = int(img_attn_dim) if txt_attn_dim is not None: txt_attn_dim = int(txt_attn_dim) if img_mlp_dim is not None: img_mlp_dim = int(img_mlp_dim) if txt_mlp_dim is not None: txt_mlp_dim = int(txt_mlp_dim) if img_mod_dim is not None: img_mod_dim = int(img_mod_dim) if txt_mod_dim is not None: txt_mod_dim = int(txt_mod_dim) if single_dim is not None: single_dim = int(single_dim) if single_mod_dim is not None: single_mod_dim = int(single_mod_dim) type_dims = [img_attn_dim, txt_attn_dim, img_mlp_dim, txt_mlp_dim, img_mod_dim, txt_mod_dim, single_dim, single_mod_dim] if all([d is None for d in type_dims]): type_dims = None # in_dims [img, time, vector, guidance, txt] in_dims = kwargs.get("in_dims", None) if in_dims is not None: in_dims = in_dims.strip() if in_dims.startswith("[") and in_dims.endswith("]"): in_dims = in_dims[1:-1] in_dims = [int(d) for d in in_dims.split(",")] # is it better to use ast.literal_eval? assert len(in_dims) == 5, f"invalid in_dims: {in_dims}, must be 5 dimensions (img, time, vector, guidance, txt)" # double/single train blocks def parse_block_selection(selection: str, total_blocks: int) -> List[bool]: """ Parse a block selection string and return a list of booleans. Args: selection (str): A string specifying which blocks to select. total_blocks (int): The total number of blocks available. Returns: List[bool]: A list of booleans indicating which blocks are selected. """ if selection == "all": return [True] * total_blocks if selection == "none" or selection == "": return [False] * total_blocks selected = [False] * total_blocks ranges = selection.split(",") for r in ranges: if "-" in r: start, end = map(str.strip, r.split("-")) start = int(start) end = int(end) assert 0 <= start < total_blocks, f"invalid start index: {start}" assert 0 <= end < total_blocks, f"invalid end index: {end}" assert start <= end, f"invalid range: {start}-{end}" for i in range(start, end + 1): selected[i] = True else: index = int(r) assert 0 <= index < total_blocks, f"invalid index: {index}" selected[index] = True return selected train_double_block_indices = kwargs.get("train_double_block_indices", None) train_single_block_indices = kwargs.get("train_single_block_indices", None) if train_double_block_indices is not None: train_double_block_indices = parse_block_selection(train_double_block_indices, NUM_DOUBLE_BLOCKS) if train_single_block_indices is not None: train_single_block_indices = parse_block_selection(train_single_block_indices, NUM_SINGLE_BLOCKS) # rank/module dropout rank_dropout = kwargs.get("rank_dropout", None) if rank_dropout is not None: rank_dropout = float(rank_dropout) module_dropout = kwargs.get("module_dropout", None) if module_dropout is not None: module_dropout = float(module_dropout) # single or double blocks train_blocks = kwargs.get("train_blocks", None) # None (default), "all" (same as None), "single", "double" if train_blocks is not None: assert train_blocks in ["all", "single", "double"], f"invalid train_blocks: {train_blocks}" # split qkv split_qkv = kwargs.get("split_qkv", False) if split_qkv is not None: split_qkv = True if split_qkv == "True" else False ggpo_beta = kwargs.get("ggpo_beta", None) ggpo_sigma = kwargs.get("ggpo_sigma", None) if ggpo_beta is not None: ggpo_beta = float(ggpo_beta) if ggpo_sigma is not None: ggpo_sigma = float(ggpo_sigma) # train T5XXL train_t5xxl = kwargs.get("train_t5xxl", False) if train_t5xxl is not None: train_t5xxl = True if train_t5xxl == "True" else False # verbose verbose = kwargs.get("verbose", False) if verbose is not None: verbose = True if verbose == "True" else False # regex-specific learning rates def parse_kv_pairs(kv_pair_str: str, is_int: bool) -> Dict[str, float]: """ Parse a string of key-value pairs separated by commas. """ pairs = {} for pair in kv_pair_str.split(","): pair = pair.strip() if not pair: continue if "=" not in pair: logger.warning(f"Invalid format: {pair}, expected 'key=value'") continue key, value = pair.split("=", 1) key = key.strip() value = value.strip() try: pairs[key] = int(value) if is_int else float(value) except ValueError: logger.warning(f"Invalid value for {key}: {value}") return pairs # parse regular expression based learning rates network_reg_lrs = kwargs.get("network_reg_lrs", None) if network_reg_lrs is not None: reg_lrs = parse_kv_pairs(network_reg_lrs, is_int=False) else: reg_lrs = None # regex-specific dimensions (ranks) network_reg_dims = kwargs.get("network_reg_dims", None) if network_reg_dims is not None: reg_dims = parse_kv_pairs(network_reg_dims, is_int=True) else: reg_dims = None # すごく引数が多いな ( ^ω^)･･･ network = LoRANetwork( text_encoders, flux, multiplier=multiplier, lora_dim=network_dim, alpha=network_alpha, dropout=neuron_dropout, rank_dropout=rank_dropout, module_dropout=module_dropout, conv_lora_dim=conv_dim, conv_alpha=conv_alpha, train_blocks=train_blocks, split_qkv=split_qkv, train_t5xxl=train_t5xxl, type_dims=type_dims, in_dims=in_dims, train_double_block_indices=train_double_block_indices, train_single_block_indices=train_single_block_indices, reg_dims=reg_dims, ggpo_beta=ggpo_beta, ggpo_sigma=ggpo_sigma, reg_lrs=reg_lrs, verbose=verbose, ) loraplus_lr_ratio = kwargs.get("loraplus_lr_ratio", None) loraplus_unet_lr_ratio = kwargs.get("loraplus_unet_lr_ratio", None) loraplus_text_encoder_lr_ratio = kwargs.get("loraplus_text_encoder_lr_ratio", None) loraplus_lr_ratio = float(loraplus_lr_ratio) if loraplus_lr_ratio is not None else None loraplus_unet_lr_ratio = float(loraplus_unet_lr_ratio) if loraplus_unet_lr_ratio is not None else None loraplus_text_encoder_lr_ratio = float(loraplus_text_encoder_lr_ratio) if loraplus_text_encoder_lr_ratio is not None else None if loraplus_lr_ratio is not None or loraplus_unet_lr_ratio is not None or loraplus_text_encoder_lr_ratio is not None: network.set_loraplus_lr_ratio(loraplus_lr_ratio, loraplus_unet_lr_ratio, loraplus_text_encoder_lr_ratio) return network # Create network from weights for inference, weights are not loaded here (because can be merged) def create_network_from_weights(multiplier, file, ae, text_encoders, flux, weights_sd=None, for_inference=False, **kwargs): if weights_sd is None: if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file, safe_open weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu") # get dim/alpha mapping, and train t5xxl modules_dim = {} modules_alpha = {} train_t5xxl = None for key, value in weights_sd.items(): if "." not in key: continue lora_name = key.split(".")[0] if "alpha" in key: modules_alpha[lora_name] = value elif "lora_down" in key: dim = value.size()[0] modules_dim[lora_name] = dim # logger.info(lora_name, value.size(), dim) if train_t5xxl is None or train_t5xxl is False: train_t5xxl = "lora_te3" in lora_name if train_t5xxl is None: train_t5xxl = False split_qkv = False # split_qkv is not needed to care, because state_dict is qkv combined module_class = LoRAInfModule if for_inference else LoRAModule network = LoRANetwork( text_encoders, flux, multiplier=multiplier, modules_dim=modules_dim, modules_alpha=modules_alpha, module_class=module_class, split_qkv=split_qkv, train_t5xxl=train_t5xxl, ) return network, weights_sd class LoRANetwork(torch.nn.Module): # FLUX_TARGET_REPLACE_MODULE = ["DoubleStreamBlock", "SingleStreamBlock"] FLUX_TARGET_REPLACE_MODULE_DOUBLE = ["DoubleStreamBlock"] FLUX_TARGET_REPLACE_MODULE_SINGLE = ["SingleStreamBlock"] TEXT_ENCODER_TARGET_REPLACE_MODULE = ["CLIPAttention", "CLIPSdpaAttention", "CLIPMLP", "T5Attention", "T5DenseGatedActDense"] LORA_PREFIX_FLUX = "lora_unet" # make ComfyUI compatible LORA_PREFIX_TEXT_ENCODER_CLIP = "lora_te1" LORA_PREFIX_TEXT_ENCODER_T5 = "lora_te3" # make ComfyUI compatible @classmethod def get_qkv_mlp_split_dims(cls) -> List[int]: return [3072] * 3 + [12288] def __init__( self, text_encoders: Union[List[CLIPTextModel], CLIPTextModel], unet, multiplier: float = 1.0, lora_dim: int = 4, alpha: float = 1, dropout: Optional[float] = None, rank_dropout: Optional[float] = None, module_dropout: Optional[float] = None, conv_lora_dim: Optional[int] = None, conv_alpha: Optional[float] = None, module_class: Type[object] = LoRAModule, modules_dim: Optional[Dict[str, int]] = None, modules_alpha: Optional[Dict[str, int]] = None, train_blocks: Optional[str] = None, split_qkv: bool = False, train_t5xxl: bool = False, type_dims: Optional[List[int]] = None, in_dims: Optional[List[int]] = None, train_double_block_indices: Optional[List[bool]] = None, train_single_block_indices: Optional[List[bool]] = None, reg_dims: Optional[Dict[str, int]] = None, ggpo_beta: Optional[float] = None, ggpo_sigma: Optional[float] = None, reg_lrs: Optional[Dict[str, float]] = None, verbose: Optional[bool] = False, ) -> None: super().__init__() self.multiplier = multiplier self.lora_dim = lora_dim self.alpha = alpha self.conv_lora_dim = conv_lora_dim self.conv_alpha = conv_alpha self.dropout = dropout self.rank_dropout = rank_dropout self.module_dropout = module_dropout self.train_blocks = train_blocks if train_blocks is not None else "all" self.split_qkv = split_qkv self.train_t5xxl = train_t5xxl self.type_dims = type_dims self.in_dims = in_dims self.train_double_block_indices = train_double_block_indices self.train_single_block_indices = train_single_block_indices self.reg_dims = reg_dims self.reg_lrs = reg_lrs self.loraplus_lr_ratio = None self.loraplus_unet_lr_ratio = None self.loraplus_text_encoder_lr_ratio = None if modules_dim is not None: logger.info(f"create LoRA network from weights") self.in_dims = [0] * 5 # create in_dims # verbose = True else: logger.info(f"create LoRA network. base dim (rank): {lora_dim}, alpha: {alpha}") logger.info( f"neuron dropout: p={self.dropout}, rank dropout: p={self.rank_dropout}, module dropout: p={self.module_dropout}" ) # if self.conv_lora_dim is not None: # logger.info( # f"apply LoRA to Conv2d with kernel size (3,3). dim (rank): {self.conv_lora_dim}, alpha: {self.conv_alpha}" # ) if ggpo_beta is not None and ggpo_sigma is not None: logger.info(f"LoRA-GGPO training sigma: {ggpo_sigma} beta: {ggpo_beta}") if self.split_qkv: logger.info(f"split qkv for LoRA") if self.train_blocks is not None: logger.info(f"train {self.train_blocks} blocks only") if train_t5xxl: logger.info(f"train T5XXL as well") # create module instances def create_modules( is_flux: bool, text_encoder_idx: Optional[int], root_module: torch.nn.Module, target_replace_modules: List[str], filter: Optional[str] = None, default_dim: Optional[int] = None, ) -> List[LoRAModule]: prefix = ( self.LORA_PREFIX_FLUX if is_flux else (self.LORA_PREFIX_TEXT_ENCODER_CLIP if text_encoder_idx == 0 else self.LORA_PREFIX_TEXT_ENCODER_T5) ) loras = [] skipped = [] for name, module in root_module.named_modules(): if target_replace_modules is None or module.__class__.__name__ in target_replace_modules: if target_replace_modules is None: # dirty hack for all modules module = root_module # search all modules for child_name, child_module in module.named_modules(): is_linear = child_module.__class__.__name__ == "Linear" is_conv2d = child_module.__class__.__name__ == "Conv2d" is_conv2d_1x1 = is_conv2d and child_module.kernel_size == (1, 1) if is_linear or is_conv2d: lora_name = prefix + "." + (name + "." if name else "") + child_name lora_name = lora_name.replace(".", "_") if filter is not None and not filter in lora_name: continue dim = None alpha = None if modules_dim is not None: # モジュール指定あり if lora_name in modules_dim: dim = modules_dim[lora_name] alpha = modules_alpha[lora_name] elif self.reg_dims is not None: for reg, d in self.reg_dims.items(): if re.search(reg, lora_name): dim = d alpha = self.alpha logger.info(f"LoRA {lora_name} matched with regex {reg}, using dim: {dim}") break # if modules_dim is None, we use default lora_dim. if modules_dim is not None, we use the specified dim (no default) if dim is None and modules_dim is None: if is_linear or is_conv2d_1x1: dim = default_dim if default_dim is not None else self.lora_dim alpha = self.alpha if is_flux and type_dims is not None: identifier = [ ("img_attn",), ("txt_attn",), ("img_mlp",), ("txt_mlp",), ("img_mod",), ("txt_mod",), ("single_blocks", "linear"), ("modulation",), ] for i, d in enumerate(type_dims): if d is not None and all([id in lora_name for id in identifier[i]]): dim = d # may be 0 for skip break if ( is_flux and dim and ( self.train_double_block_indices is not None or self.train_single_block_indices is not None ) and ("double" in lora_name or "single" in lora_name) ): # "lora_unet_double_blocks_0_..." or "lora_unet_single_blocks_0_..." block_index = int(lora_name.split("_")[4]) # bit dirty if ( "double" in lora_name and self.train_double_block_indices is not None and not self.train_double_block_indices[block_index] ): dim = 0 elif ( "single" in lora_name and self.train_single_block_indices is not None and not self.train_single_block_indices[block_index] ): dim = 0 elif self.conv_lora_dim is not None: dim = self.conv_lora_dim alpha = self.conv_alpha if dim is None or dim == 0: # skipした情報を出力 if is_linear or is_conv2d_1x1 or (self.conv_lora_dim is not None): skipped.append(lora_name) continue # qkv split split_dims = None if is_flux and split_qkv: if "double" in lora_name and "qkv" in lora_name: (split_dims,) = self.get_qkv_mlp_split_dims()[:3] # qkv only elif "single" in lora_name and "linear1" in lora_name: split_dims = self.get_qkv_mlp_split_dims() # qkv + mlp lora = module_class( lora_name, child_module, self.multiplier, dim, alpha, dropout=dropout, rank_dropout=rank_dropout, module_dropout=module_dropout, split_dims=split_dims, ggpo_beta=ggpo_beta, ggpo_sigma=ggpo_sigma, ) loras.append(lora) if target_replace_modules is None: break # all modules are searched return loras, skipped # create LoRA for text encoder # 毎回すべてのモジュールを作るのは無駄なので要検討 self.text_encoder_loras: List[Union[LoRAModule, LoRAInfModule]] = [] skipped_te = [] for i, text_encoder in enumerate(text_encoders): index = i if text_encoder is None: logger.info(f"Text Encoder {index+1} is None, skipping LoRA creation for this encoder.") continue if not train_t5xxl and index > 0: # 0: CLIP, 1: T5XXL, so we skip T5XXL if train_t5xxl is False break logger.info(f"create LoRA for Text Encoder {index+1}:") text_encoder_loras, skipped = create_modules(False, index, text_encoder, LoRANetwork.TEXT_ENCODER_TARGET_REPLACE_MODULE) logger.info(f"create LoRA for Text Encoder {index+1}: {len(text_encoder_loras)} modules.") self.text_encoder_loras.extend(text_encoder_loras) skipped_te += skipped # create LoRA for U-Net if self.train_blocks == "all": target_replace_modules = LoRANetwork.FLUX_TARGET_REPLACE_MODULE_DOUBLE + LoRANetwork.FLUX_TARGET_REPLACE_MODULE_SINGLE elif self.train_blocks == "single": target_replace_modules = LoRANetwork.FLUX_TARGET_REPLACE_MODULE_SINGLE elif self.train_blocks == "double": target_replace_modules = LoRANetwork.FLUX_TARGET_REPLACE_MODULE_DOUBLE self.unet_loras: List[Union[LoRAModule, LoRAInfModule]] self.unet_loras, skipped_un = create_modules(True, None, unet, target_replace_modules) # img, time, vector, guidance, txt if self.in_dims: for filter, in_dim in zip(["_img_in", "_time_in", "_vector_in", "_guidance_in", "_txt_in"], self.in_dims): loras, _ = create_modules(True, None, unet, None, filter=filter, default_dim=in_dim) self.unet_loras.extend(loras) logger.info(f"create LoRA for FLUX {self.train_blocks} blocks: {len(self.unet_loras)} modules.") if verbose: for lora in self.unet_loras: logger.info(f"\t{lora.lora_name:50} {lora.lora_dim}, {lora.alpha}") skipped = skipped_te + skipped_un if verbose and len(skipped) > 0: logger.warning( f"because dim (rank) is 0, {len(skipped)} LoRA modules are skipped / dim (rank)が0の為、次の{len(skipped)}個のLoRAモジュールはスキップされます:" ) for name in skipped: logger.info(f"\t{name}") # assertion names = set() for lora in self.text_encoder_loras + self.unet_loras: assert lora.lora_name not in names, f"duplicated lora name: {lora.lora_name}" names.add(lora.lora_name) def set_multiplier(self, multiplier): self.multiplier = multiplier for lora in self.text_encoder_loras + self.unet_loras: lora.multiplier = self.multiplier def set_enabled(self, is_enabled): for lora in self.text_encoder_loras + self.unet_loras: lora.enabled = is_enabled def update_norms(self): for lora in self.text_encoder_loras + self.unet_loras: lora.update_norms() def update_grad_norms(self): for lora in self.text_encoder_loras + self.unet_loras: lora.update_grad_norms() def grad_norms(self) -> Tensor | None: grad_norms = [] for lora in self.text_encoder_loras + self.unet_loras: if hasattr(lora, "grad_norms") and lora.grad_norms is not None: grad_norms.append(lora.grad_norms.mean(dim=0)) return torch.stack(grad_norms) if len(grad_norms) > 0 else None def weight_norms(self) -> Tensor | None: weight_norms = [] for lora in self.text_encoder_loras + self.unet_loras: if hasattr(lora, "weight_norms") and lora.weight_norms is not None: weight_norms.append(lora.weight_norms.mean(dim=0)) return torch.stack(weight_norms) if len(weight_norms) > 0 else None def combined_weight_norms(self) -> Tensor | None: combined_weight_norms = [] for lora in self.text_encoder_loras + self.unet_loras: if hasattr(lora, "combined_weight_norms") and lora.combined_weight_norms is not None: combined_weight_norms.append(lora.combined_weight_norms.mean(dim=0)) return torch.stack(combined_weight_norms) if len(combined_weight_norms) > 0 else None def load_weights(self, file): if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu") info = self.load_state_dict(weights_sd, False) return info def load_state_dict(self, state_dict, strict=True): # override to convert original weight to split qkv if not self.split_qkv: return super().load_state_dict(state_dict, strict) # split qkv for key in list(state_dict.keys()): if "double" in key and "qkv" in key: split_dims = self.get_qkv_mlp_split_dims()[:3] # qkv only elif "single" in key and "linear1" in key: split_dims = self.get_qkv_mlp_split_dims() # qkv + mlp else: continue weight = state_dict[key] lora_name = key.split(".")[0] if "lora_down" in key and "weight" in key: # dense weight (rank*3, in_dim) split_weight = torch.chunk(weight, len(split_dims), dim=0) for i, split_w in enumerate(split_weight): state_dict[f"{lora_name}.lora_down.{i}.weight"] = split_w del state_dict[key] # print(f"split {key}: {weight.shape} to {[w.shape for w in split_weight]}") elif "lora_up" in key and "weight" in key: # sparse weight (out_dim=sum(split_dims), rank*3) rank = weight.size(1) // len(split_dims) i = 0 for j in range(len(split_dims)): state_dict[f"{lora_name}.lora_up.{j}.weight"] = weight[i : i + split_dims[j], j * rank : (j + 1) * rank] i += split_dims[j] del state_dict[key] # # check is sparse # i = 0 # is_zero = True # for j in range(len(split_dims)): # for k in range(len(split_dims)): # if j == k: # continue # is_zero = is_zero and torch.all(weight[i : i + split_dims[j], k * rank : (k + 1) * rank] == 0) # i += split_dims[j] # if not is_zero: # logger.warning(f"weight is not sparse: {key}") # else: # logger.info(f"weight is sparse: {key}") # print( # f"split {key}: {weight.shape} to {[state_dict[k].shape for k in [f'{lora_name}.lora_up.{j}.weight' for j in range(len(split_dims))]]}" # ) # alpha is unchanged return super().load_state_dict(state_dict, strict) def state_dict(self, destination=None, prefix="", keep_vars=False): if not self.split_qkv: return super().state_dict(destination, prefix, keep_vars) # merge qkv state_dict = super().state_dict(destination, prefix, keep_vars) new_state_dict = {} for key in list(state_dict.keys()): if "double" in key and "qkv" in key: split_dims = self.get_qkv_mlp_split_dims()[:3] # qkv only elif "single" in key and "linear1" in key: split_dims = self.get_qkv_mlp_split_dims() # qkv + mlp else: new_state_dict[key] = state_dict[key] continue if key not in state_dict: continue # already merged lora_name = key.split(".")[0] # (rank, in_dim) * 3 down_weights = [state_dict.pop(f"{lora_name}.lora_down.{i}.weight") for i in range(len(split_dims))] # (split dim, rank) * 3 up_weights = [state_dict.pop(f"{lora_name}.lora_up.{i}.weight") for i in range(len(split_dims))] alpha = state_dict.pop(f"{lora_name}.alpha") # merge down weight down_weight = torch.cat(down_weights, dim=0) # (rank, split_dim) * 3 -> (rank*3, sum of split_dim) # merge up weight (sum of split_dim, rank*3) rank = up_weights[0].size(1) up_weight = torch.zeros((sum(split_dims), down_weight.size(0)), device=down_weight.device, dtype=down_weight.dtype) i = 0 for j in range(len(split_dims)): up_weight[i : i + split_dims[j], j * rank : (j + 1) * rank] = up_weights[j] i += split_dims[j] new_state_dict[f"{lora_name}.lora_down.weight"] = down_weight new_state_dict[f"{lora_name}.lora_up.weight"] = up_weight new_state_dict[f"{lora_name}.alpha"] = alpha # print( # f"merged {lora_name}: {lora_name}, {[w.shape for w in down_weights]}, {[w.shape for w in up_weights]} to {down_weight.shape}, {up_weight.shape}" # ) print(f"new key: {lora_name}.lora_down.weight, {lora_name}.lora_up.weight, {lora_name}.alpha") return new_state_dict def apply_to(self, text_encoders, flux, apply_text_encoder=True, apply_unet=True): if apply_text_encoder: logger.info(f"enable LoRA for text encoder: {len(self.text_encoder_loras)} modules") else: self.text_encoder_loras = [] if apply_unet: logger.info(f"enable LoRA for U-Net: {len(self.unet_loras)} modules") else: self.unet_loras = [] for lora in self.text_encoder_loras + self.unet_loras: lora.apply_to() self.add_module(lora.lora_name, lora) # マージできるかどうかを返す def is_mergeable(self): return True # TODO refactor to common function with apply_to def merge_to(self, text_encoders, flux, weights_sd, dtype=None, device=None): apply_text_encoder = apply_unet = False for key in weights_sd.keys(): if key.startswith(LoRANetwork.LORA_PREFIX_TEXT_ENCODER_CLIP) or key.startswith(LoRANetwork.LORA_PREFIX_TEXT_ENCODER_T5): apply_text_encoder = True elif key.startswith(LoRANetwork.LORA_PREFIX_FLUX): apply_unet = True if apply_text_encoder: logger.info("enable LoRA for text encoder") else: self.text_encoder_loras = [] if apply_unet: logger.info("enable LoRA for U-Net") else: self.unet_loras = [] for lora in self.text_encoder_loras + self.unet_loras: sd_for_lora = {} for key in weights_sd.keys(): if key.startswith(lora.lora_name): sd_for_lora[key[len(lora.lora_name) + 1 :]] = weights_sd[key] lora.merge_to(sd_for_lora, dtype, device) logger.info(f"weights are merged") def set_loraplus_lr_ratio(self, loraplus_lr_ratio, loraplus_unet_lr_ratio, loraplus_text_encoder_lr_ratio): self.loraplus_lr_ratio = loraplus_lr_ratio self.loraplus_unet_lr_ratio = loraplus_unet_lr_ratio self.loraplus_text_encoder_lr_ratio = loraplus_text_encoder_lr_ratio logger.info(f"LoRA+ UNet LR Ratio: {self.loraplus_unet_lr_ratio or self.loraplus_lr_ratio}") logger.info(f"LoRA+ Text Encoder LR Ratio: {self.loraplus_text_encoder_lr_ratio or self.loraplus_lr_ratio}") def prepare_optimizer_params_with_multiple_te_lrs(self, text_encoder_lr, unet_lr, default_lr): # make sure text_encoder_lr as list of two elements # if float, use the same value for both text encoders if text_encoder_lr is None or (isinstance(text_encoder_lr, list) and len(text_encoder_lr) == 0): text_encoder_lr = [default_lr, default_lr] elif isinstance(text_encoder_lr, float) or isinstance(text_encoder_lr, int): text_encoder_lr = [float(text_encoder_lr), float(text_encoder_lr)] elif len(text_encoder_lr) == 1: text_encoder_lr = [text_encoder_lr[0], text_encoder_lr[0]] self.requires_grad_(True) all_params = [] lr_descriptions = [] reg_lrs_list = list(self.reg_lrs.items()) if self.reg_lrs is not None else [] def assemble_params(loras, lr, loraplus_ratio): param_groups = {"lora": {}, "plus": {}} # regular expression param groups: {"reg_lr_0": {"lora": {}, "plus": {}}, ...} reg_groups = {} for lora in loras: # check if this lora matches any regex learning rate matched_reg_lr = None for i, (regex_str, reg_lr) in enumerate(reg_lrs_list): try: if re.search(regex_str, lora.lora_name): matched_reg_lr = (i, reg_lr) logger.info(f"Module {lora.lora_name} matched regex '{regex_str}' -> LR {reg_lr}") break except re.error: # regex error should have been caught during parsing, but just in case continue for name, param in lora.named_parameters(): param_key = f"{lora.lora_name}.{name}" is_plus = loraplus_ratio is not None and "lora_up" in name if matched_reg_lr is not None: # use regex-specific learning rate reg_idx, reg_lr = matched_reg_lr group_key = f"reg_lr_{reg_idx}" if group_key not in reg_groups: reg_groups[group_key] = {"lora": {}, "plus": {}, "lr": reg_lr} if is_plus: reg_groups[group_key]["plus"][param_key] = param else: reg_groups[group_key]["lora"][param_key] = param else: # use default learning rate if is_plus: param_groups["plus"][param_key] = param else: param_groups["lora"][param_key] = param params = [] descriptions = [] # process regex-specific groups first (higher priority) for group_key in sorted(reg_groups.keys()): group = reg_groups[group_key] reg_lr = group["lr"] for param_type in ["lora", "plus"]: if len(group[param_type]) == 0: continue param_data = {"params": group[param_type].values()} if param_type == "plus" and loraplus_ratio is not None: param_data["lr"] = reg_lr * loraplus_ratio else: param_data["lr"] = reg_lr if param_data.get("lr", None) == 0 or param_data.get("lr", None) is None: continue params.append(param_data) desc = f"reg_lr_{group_key.split('_')[-1]}" if param_type == "plus": desc += " plus" descriptions.append(desc) # process default groups for key in param_groups.keys(): param_data = {"params": param_groups[key].values()} if len(param_data["params"]) == 0: continue if lr is not None: if key == "plus": param_data["lr"] = lr * loraplus_ratio else: param_data["lr"] = lr if param_data.get("lr", None) == 0 or param_data.get("lr", None) is None: logger.info("NO LR skipping!") continue params.append(param_data) descriptions.append("plus" if key == "plus" else "") return params, descriptions if self.text_encoder_loras: loraplus_lr_ratio = self.loraplus_text_encoder_lr_ratio or self.loraplus_lr_ratio # split text encoder loras for te1 and te3 te1_loras = [lora for lora in self.text_encoder_loras if lora.lora_name.startswith(self.LORA_PREFIX_TEXT_ENCODER_CLIP)] te3_loras = [lora for lora in self.text_encoder_loras if lora.lora_name.startswith(self.LORA_PREFIX_TEXT_ENCODER_T5)] if len(te1_loras) > 0: logger.info(f"Text Encoder 1 (CLIP-L): {len(te1_loras)} modules, LR {text_encoder_lr[0]}") params, descriptions = assemble_params(te1_loras, text_encoder_lr[0], loraplus_lr_ratio) all_params.extend(params) lr_descriptions.extend(["textencoder 1 " + (" " + d if d else "") for d in descriptions]) if len(te3_loras) > 0: logger.info(f"Text Encoder 2 (T5XXL): {len(te3_loras)} modules, LR {text_encoder_lr[1]}") params, descriptions = assemble_params(te3_loras, text_encoder_lr[1], loraplus_lr_ratio) all_params.extend(params) lr_descriptions.extend(["textencoder 2 " + (" " + d if d else "") for d in descriptions]) if self.unet_loras: params, descriptions = assemble_params( self.unet_loras, unet_lr if unet_lr is not None else default_lr, self.loraplus_unet_lr_ratio or self.loraplus_lr_ratio, ) all_params.extend(params) lr_descriptions.extend(["unet" + (" " + d if d else "") for d in descriptions]) return all_params, lr_descriptions def enable_gradient_checkpointing(self): # not supported pass def prepare_grad_etc(self, text_encoder, unet): self.requires_grad_(True) def on_epoch_start(self, text_encoder, unet): self.train() def get_trainable_params(self): return self.parameters() def save_weights(self, file, dtype, metadata): if metadata is not None and len(metadata) == 0: metadata = None state_dict = self.state_dict() if dtype is not None: for key in list(state_dict.keys()): v = state_dict[key] v = v.detach().clone().to("cpu").to(dtype) state_dict[key] = v if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import save_file from library import train_util # Precalculate model hashes to save time on indexing if metadata is None: metadata = {} model_hash, legacy_hash = train_util.precalculate_safetensors_hashes(state_dict, metadata) metadata["sshs_model_hash"] = model_hash metadata["sshs_legacy_hash"] = legacy_hash save_file(state_dict, file, metadata) else: torch.save(state_dict, file) def backup_weights(self): # 重みのバックアップを行う loras: List[LoRAInfModule] = self.text_encoder_loras + self.unet_loras for lora in loras: org_module = lora.org_module_ref[0] if not hasattr(org_module, "_lora_org_weight"): sd = org_module.state_dict() org_module._lora_org_weight = sd["weight"].detach().clone() org_module._lora_restored = True def restore_weights(self): # 重みのリストアを行う loras: List[LoRAInfModule] = self.text_encoder_loras + self.unet_loras for lora in loras: org_module = lora.org_module_ref[0] if not org_module._lora_restored: sd = org_module.state_dict() sd["weight"] = org_module._lora_org_weight org_module.load_state_dict(sd) org_module._lora_restored = True def pre_calculation(self): # 事前計算を行う loras: List[LoRAInfModule] = self.text_encoder_loras + self.unet_loras for lora in loras: org_module = lora.org_module_ref[0] sd = org_module.state_dict() org_weight = sd["weight"] lora_weight = lora.get_weight().to(org_weight.device, dtype=org_weight.dtype) sd["weight"] = org_weight + lora_weight assert sd["weight"].shape == org_weight.shape org_module.load_state_dict(sd) org_module._lora_restored = False lora.enabled = False def apply_max_norm_regularization(self, max_norm_value, device): downkeys = [] upkeys = [] alphakeys = [] norms = [] keys_scaled = 0 state_dict = self.state_dict() for key in state_dict.keys(): if "lora_down" in key and "weight" in key: downkeys.append(key) upkeys.append(key.replace("lora_down", "lora_up")) alphakeys.append(key.replace("lora_down.weight", "alpha")) for i in range(len(downkeys)): down = state_dict[downkeys[i]].to(device) up = state_dict[upkeys[i]].to(device) alpha = state_dict[alphakeys[i]].to(device) dim = down.shape[0] scale = alpha / dim if up.shape[2:] == (1, 1) and down.shape[2:] == (1, 1): updown = (up.squeeze(2).squeeze(2) @ down.squeeze(2).squeeze(2)).unsqueeze(2).unsqueeze(3) elif up.shape[2:] == (3, 3) or down.shape[2:] == (3, 3): updown = torch.nn.functional.conv2d(down.permute(1, 0, 2, 3), up).permute(1, 0, 2, 3) else: updown = up @ down updown *= scale norm = updown.norm().clamp(min=max_norm_value / 2) desired = torch.clamp(norm, max=max_norm_value) ratio = desired.cpu() / norm.cpu() sqrt_ratio = ratio**0.5 if ratio != 1: keys_scaled += 1 state_dict[upkeys[i]] *= sqrt_ratio state_dict[downkeys[i]] *= sqrt_ratio scalednorm = updown.norm() * ratio norms.append(scalednorm.item()) return keys_scaled, sum(norms) / len(norms), max(norms) ================================================ FILE: networks/lora_hunyuan_image.py ================================================ # temporary minimum implementation of LoRA # FLUX doesn't have Conv2d, so we ignore it # TODO commonize with the original implementation # LoRA network module # reference: # https://github.com/microsoft/LoRA/blob/main/loralib/layers.py # https://github.com/cloneofsimo/lora/blob/master/lora_diffusion/lora.py import os from typing import Dict, List, Optional, Type, Union import torch import torch.nn as nn from torch import Tensor import re from networks import lora_flux from library.hunyuan_image_vae import HunyuanVAE2D from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) NUM_DOUBLE_BLOCKS = 20 NUM_SINGLE_BLOCKS = 40 def create_network( multiplier: float, network_dim: Optional[int], network_alpha: Optional[float], vae: HunyuanVAE2D, text_encoders: List[nn.Module], flux, neuron_dropout: Optional[float] = None, **kwargs, ): if network_dim is None: network_dim = 4 # default if network_alpha is None: network_alpha = 1.0 # extract dim/alpha for conv2d, and block dim conv_dim = kwargs.get("conv_dim", None) conv_alpha = kwargs.get("conv_alpha", None) if conv_dim is not None: conv_dim = int(conv_dim) if conv_alpha is None: conv_alpha = 1.0 else: conv_alpha = float(conv_alpha) # rank/module dropout rank_dropout = kwargs.get("rank_dropout", None) if rank_dropout is not None: rank_dropout = float(rank_dropout) module_dropout = kwargs.get("module_dropout", None) if module_dropout is not None: module_dropout = float(module_dropout) # split qkv split_qkv = kwargs.get("split_qkv", False) if split_qkv is not None: split_qkv = True if split_qkv == "True" else False ggpo_beta = kwargs.get("ggpo_beta", None) ggpo_sigma = kwargs.get("ggpo_sigma", None) if ggpo_beta is not None: ggpo_beta = float(ggpo_beta) if ggpo_sigma is not None: ggpo_sigma = float(ggpo_sigma) # verbose verbose = kwargs.get("verbose", False) if verbose is not None: verbose = True if verbose == "True" else False # regex-specific learning rates def parse_kv_pairs(kv_pair_str: str, is_int: bool) -> Dict[str, float]: """ Parse a string of key-value pairs separated by commas. """ pairs = {} for pair in kv_pair_str.split(","): pair = pair.strip() if not pair: continue if "=" not in pair: logger.warning(f"Invalid format: {pair}, expected 'key=value'") continue key, value = pair.split("=", 1) key = key.strip() value = value.strip() try: pairs[key] = int(value) if is_int else float(value) except ValueError: logger.warning(f"Invalid value for {key}: {value}") return pairs # parse regular expression based learning rates network_reg_lrs = kwargs.get("network_reg_lrs", None) if network_reg_lrs is not None: reg_lrs = parse_kv_pairs(network_reg_lrs, is_int=False) else: reg_lrs = None # regex-specific dimensions (ranks) network_reg_dims = kwargs.get("network_reg_dims", None) if network_reg_dims is not None: reg_dims = parse_kv_pairs(network_reg_dims, is_int=True) else: reg_dims = None # Too many arguments ( ^ω^)･･･ network = HunyuanImageLoRANetwork( text_encoders, flux, multiplier=multiplier, lora_dim=network_dim, alpha=network_alpha, dropout=neuron_dropout, rank_dropout=rank_dropout, module_dropout=module_dropout, conv_lora_dim=conv_dim, conv_alpha=conv_alpha, split_qkv=split_qkv, reg_dims=reg_dims, ggpo_beta=ggpo_beta, ggpo_sigma=ggpo_sigma, reg_lrs=reg_lrs, verbose=verbose, ) loraplus_lr_ratio = kwargs.get("loraplus_lr_ratio", None) loraplus_unet_lr_ratio = kwargs.get("loraplus_unet_lr_ratio", None) loraplus_text_encoder_lr_ratio = kwargs.get("loraplus_text_encoder_lr_ratio", None) loraplus_lr_ratio = float(loraplus_lr_ratio) if loraplus_lr_ratio is not None else None loraplus_unet_lr_ratio = float(loraplus_unet_lr_ratio) if loraplus_unet_lr_ratio is not None else None loraplus_text_encoder_lr_ratio = float(loraplus_text_encoder_lr_ratio) if loraplus_text_encoder_lr_ratio is not None else None if loraplus_lr_ratio is not None or loraplus_unet_lr_ratio is not None or loraplus_text_encoder_lr_ratio is not None: network.set_loraplus_lr_ratio(loraplus_lr_ratio, loraplus_unet_lr_ratio, loraplus_text_encoder_lr_ratio) return network # Create network from weights for inference, weights are not loaded here (because can be merged) def create_network_from_weights(multiplier, file, ae, text_encoders, flux, weights_sd=None, for_inference=False, **kwargs): if weights_sd is None: if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file, safe_open weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu") # get dim/alpha mapping, and train t5xxl modules_dim = {} modules_alpha = {} for key, value in weights_sd.items(): if "." not in key: continue lora_name = key.split(".")[0] if "alpha" in key: modules_alpha[lora_name] = value elif "lora_down" in key: dim = value.size()[0] modules_dim[lora_name] = dim # logger.info(lora_name, value.size(), dim) split_qkv = False # split_qkv is not needed to care, because state_dict is qkv combined module_class = lora_flux.LoRAInfModule if for_inference else lora_flux.LoRAModule network = HunyuanImageLoRANetwork( text_encoders, flux, multiplier=multiplier, modules_dim=modules_dim, modules_alpha=modules_alpha, module_class=module_class, split_qkv=split_qkv, ) return network, weights_sd class HunyuanImageLoRANetwork(lora_flux.LoRANetwork): TARGET_REPLACE_MODULE_DOUBLE = ["MMDoubleStreamBlock"] TARGET_REPLACE_MODULE_SINGLE = ["MMSingleStreamBlock"] LORA_PREFIX_HUNYUAN_IMAGE_DIT = "lora_unet" # make ComfyUI compatible @classmethod def get_qkv_mlp_split_dims(cls) -> List[int]: return [3584] * 3 + [14336] def __init__( self, text_encoders: list[nn.Module], unet, multiplier: float = 1.0, lora_dim: int = 4, alpha: float = 1, dropout: Optional[float] = None, rank_dropout: Optional[float] = None, module_dropout: Optional[float] = None, conv_lora_dim: Optional[int] = None, conv_alpha: Optional[float] = None, module_class: Type[object] = lora_flux.LoRAModule, modules_dim: Optional[Dict[str, int]] = None, modules_alpha: Optional[Dict[str, int]] = None, split_qkv: bool = False, reg_dims: Optional[Dict[str, int]] = None, ggpo_beta: Optional[float] = None, ggpo_sigma: Optional[float] = None, reg_lrs: Optional[Dict[str, float]] = None, verbose: Optional[bool] = False, ) -> None: nn.Module.__init__(self) self.multiplier = multiplier self.lora_dim = lora_dim self.alpha = alpha self.conv_lora_dim = conv_lora_dim self.conv_alpha = conv_alpha self.dropout = dropout self.rank_dropout = rank_dropout self.module_dropout = module_dropout self.split_qkv = split_qkv self.reg_dims = reg_dims self.reg_lrs = reg_lrs self.loraplus_lr_ratio = None self.loraplus_unet_lr_ratio = None self.loraplus_text_encoder_lr_ratio = None if modules_dim is not None: logger.info(f"create LoRA network from weights") self.in_dims = [0] * 5 # create in_dims # verbose = True else: logger.info(f"create LoRA network. base dim (rank): {lora_dim}, alpha: {alpha}") logger.info( f"neuron dropout: p={self.dropout}, rank dropout: p={self.rank_dropout}, module dropout: p={self.module_dropout}" ) # if self.conv_lora_dim is not None: # logger.info( # f"apply LoRA to Conv2d with kernel size (3,3). dim (rank): {self.conv_lora_dim}, alpha: {self.conv_alpha}" # ) if ggpo_beta is not None and ggpo_sigma is not None: logger.info(f"LoRA-GGPO training sigma: {ggpo_sigma} beta: {ggpo_beta}") if self.split_qkv: logger.info(f"split qkv for LoRA") # create module instances def create_modules( is_dit: bool, text_encoder_idx: Optional[int], root_module: torch.nn.Module, target_replace_modules: List[str], filter: Optional[str] = None, default_dim: Optional[int] = None, ) -> List[lora_flux.LoRAModule]: assert is_dit, "only DIT is supported now" prefix = self.LORA_PREFIX_HUNYUAN_IMAGE_DIT loras = [] skipped = [] for name, module in root_module.named_modules(): if target_replace_modules is None or module.__class__.__name__ in target_replace_modules: if target_replace_modules is None: # dirty hack for all modules module = root_module # search all modules for child_name, child_module in module.named_modules(): is_linear = child_module.__class__.__name__ == "Linear" is_conv2d = child_module.__class__.__name__ == "Conv2d" is_conv2d_1x1 = is_conv2d and child_module.kernel_size == (1, 1) if is_linear or is_conv2d: lora_name = prefix + "." + (name + "." if name else "") + child_name lora_name = lora_name.replace(".", "_") if filter is not None and not filter in lora_name: continue dim = None alpha = None if modules_dim is not None: # モジュール指定あり if lora_name in modules_dim: dim = modules_dim[lora_name] alpha = modules_alpha[lora_name] elif self.reg_dims is not None: for reg, d in self.reg_dims.items(): if re.search(reg, lora_name): dim = d alpha = self.alpha logger.info(f"LoRA {lora_name} matched with regex {reg}, using dim: {dim}") break # if modules_dim is None, we use default lora_dim. if modules_dim is not None, we use the specified dim (no default) if dim is None and modules_dim is None: if is_linear or is_conv2d_1x1: dim = default_dim if default_dim is not None else self.lora_dim alpha = self.alpha elif self.conv_lora_dim is not None: dim = self.conv_lora_dim alpha = self.conv_alpha if dim is None or dim == 0: # skipした情報を出力 if is_linear or is_conv2d_1x1 or (self.conv_lora_dim is not None): skipped.append(lora_name) continue # qkv split split_dims = None if is_dit and split_qkv: if "double" in lora_name and "qkv" in lora_name: split_dims = self.get_qkv_mlp_split_dims()[:3] # qkv only elif "single" in lora_name and "linear1" in lora_name: split_dims = self.get_qkv_mlp_split_dims() # qkv + mlp lora = module_class( lora_name, child_module, self.multiplier, dim, alpha, dropout=dropout, rank_dropout=rank_dropout, module_dropout=module_dropout, split_dims=split_dims, ggpo_beta=ggpo_beta, ggpo_sigma=ggpo_sigma, ) loras.append(lora) if target_replace_modules is None: break # all modules are searched return loras, skipped # create LoRA for U-Net target_replace_modules = ( HunyuanImageLoRANetwork.TARGET_REPLACE_MODULE_DOUBLE + HunyuanImageLoRANetwork.TARGET_REPLACE_MODULE_SINGLE ) self.unet_loras: List[Union[lora_flux.LoRAModule, lora_flux.LoRAInfModule]] self.unet_loras, skipped_un = create_modules(True, None, unet, target_replace_modules) self.text_encoder_loras = [] logger.info(f"create LoRA for HunyuanImage-2.1: {len(self.unet_loras)} modules.") if verbose: for lora in self.unet_loras: logger.info(f"\t{lora.lora_name:50} {lora.lora_dim}, {lora.alpha}") skipped = skipped_un if verbose and len(skipped) > 0: logger.warning( f"because dim (rank) is 0, {len(skipped)} LoRA modules are skipped / dim (rank)が0の為、次の{len(skipped)}個のLoRAモジュールはスキップされます:" ) for name in skipped: logger.info(f"\t{name}") # assertion names = set() for lora in self.text_encoder_loras + self.unet_loras: assert lora.lora_name not in names, f"duplicated lora name: {lora.lora_name}" names.add(lora.lora_name) ================================================ FILE: networks/lora_interrogator.py ================================================ from tqdm import tqdm from library import model_util import library.train_util as train_util import argparse from transformers import CLIPTokenizer import torch from library.device_utils import init_ipex, get_preferred_device init_ipex() import library.model_util as model_util import lora from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) TOKENIZER_PATH = "openai/clip-vit-large-patch14" V2_STABLE_DIFFUSION_PATH = "stabilityai/stable-diffusion-2" # ここからtokenizerだけ使う DEVICE = get_preferred_device() def interrogate(args): weights_dtype = torch.float16 # いろいろ準備する logger.info(f"loading SD model: {args.sd_model}") args.pretrained_model_name_or_path = args.sd_model args.vae = None text_encoder, vae, unet, _ = train_util._load_target_model(args,weights_dtype, DEVICE) logger.info(f"loading LoRA: {args.model}") network, weights_sd = lora.create_network_from_weights(1.0, args.model, vae, text_encoder, unet) # text encoder向けの重みがあるかチェックする：本当はlora側でやるのがいい has_te_weight = False for key in weights_sd.keys(): if 'lora_te' in key: has_te_weight = True break if not has_te_weight: logger.error("This LoRA does not have modules for Text Encoder, cannot interrogate / このLoRAはText Encoder向けのモジュールがないため調査できません") return del vae logger.info("loading tokenizer") if args.v2: tokenizer: CLIPTokenizer = CLIPTokenizer.from_pretrained(V2_STABLE_DIFFUSION_PATH, subfolder="tokenizer") else: tokenizer: CLIPTokenizer = CLIPTokenizer.from_pretrained(TOKENIZER_PATH) # , model_max_length=max_token_length + 2) text_encoder.to(DEVICE, dtype=weights_dtype) text_encoder.eval() unet.to(DEVICE, dtype=weights_dtype) unet.eval() # U-Netは呼び出さないので不要だけど # トークンをひとつひとつ当たっていく token_id_start = 0 token_id_end = max(tokenizer.all_special_ids) logger.info(f"interrogate tokens are: {token_id_start} to {token_id_end}") def get_all_embeddings(text_encoder): embs = [] with torch.no_grad(): for token_id in tqdm(range(token_id_start, token_id_end + 1, args.batch_size)): batch = [] for tid in range(token_id, min(token_id_end + 1, token_id + args.batch_size)): tokens = [tokenizer.bos_token_id, tid, tokenizer.eos_token_id] # tokens = [tid] # こちらは結果がいまひとつ batch.append(tokens) # batch_embs = text_encoder(torch.tensor(batch).to(DEVICE))[0].to("cpu") # bos/eosも含めたほうが差が出るようだ [:, 1] # clip skip対応 batch = torch.tensor(batch).to(DEVICE) if args.clip_skip is None: encoder_hidden_states = text_encoder(batch)[0] else: enc_out = text_encoder(batch, output_hidden_states=True, return_dict=True) encoder_hidden_states = enc_out['hidden_states'][-args.clip_skip] encoder_hidden_states = text_encoder.text_model.final_layer_norm(encoder_hidden_states) encoder_hidden_states = encoder_hidden_states.to("cpu") embs.extend(encoder_hidden_states) return torch.stack(embs) logger.info("get original text encoder embeddings.") orig_embs = get_all_embeddings(text_encoder) network.apply_to(text_encoder, unet, True, len(network.unet_loras) > 0) info = network.load_state_dict(weights_sd, strict=False) logger.info(f"Loading LoRA weights: {info}") network.to(DEVICE, dtype=weights_dtype) network.eval() del unet logger.info("You can ignore warning messages start with '_IncompatibleKeys' (LoRA model does not have alpha because trained by older script) / '_IncompatibleKeys'の警告は無視して構いません（以前のスクリプトで学習されたLoRAモデルのためalphaの定義がありません）") logger.info("get text encoder embeddings with lora.") lora_embs = get_all_embeddings(text_encoder) # 比べる：とりあえず単純に差分の絶対値で logger.info("comparing...") diffs = {} for i, (orig_emb, lora_emb) in enumerate(zip(orig_embs, tqdm(lora_embs))): diff = torch.mean(torch.abs(orig_emb - lora_emb)) # diff = torch.mean(torch.cosine_similarity(orig_emb, lora_emb, dim=1)) # うまく検出できない diff = float(diff.detach().to('cpu').numpy()) diffs[token_id_start + i] = diff diffs_sorted = sorted(diffs.items(), key=lambda x: -x[1]) # 結果を表示する print("top 100:") for i, (token, diff) in enumerate(diffs_sorted[:100]): # if diff < 1e-6: # break string = tokenizer.convert_tokens_to_string(tokenizer.convert_ids_to_tokens([token])) print(f"[{i:3d}]: {token:5d} {string:<20s}: {diff:.5f}") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument("--v2", action='store_true', help='load Stable Diffusion v2.x model / Stable Diffusion 2.xのモデルを読み込む') parser.add_argument("--sd_model", type=str, default=None, help="Stable Diffusion model to load: ckpt or safetensors file / 読み込むSDのモデル、ckptまたはsafetensors") parser.add_argument("--model", type=str, default=None, help="LoRA model to interrogate: ckpt or safetensors file / 調査するLoRAモデル、ckptまたはsafetensors") parser.add_argument("--batch_size", type=int, default=16, help="batch size for processing with Text Encoder / Text Encoderで処理するときのバッチサイズ") parser.add_argument("--clip_skip", type=int, default=None, help="use output of nth layer from back of text encoder (n>=1) / text encoderの後ろからn番目の層の出力を用いる（nは1以上）") return parser if __name__ == '__main__': parser = setup_parser() args = parser.parse_args() interrogate(args) ================================================ FILE: networks/lora_lumina.py ================================================ # temporary minimum implementation of LoRA # Lumina 2 does not have Conv2d, so ignore # TODO commonize with the original implementation # LoRA network module # reference: # https://github.com/microsoft/LoRA/blob/main/loralib/layers.py # https://github.com/cloneofsimo/lora/blob/master/lora_diffusion/lora.py import math import os from typing import Dict, List, Optional, Tuple, Type, Union from diffusers.models.autoencoders.autoencoder_kl import AutoencoderKL from transformers import CLIPTextModel import torch from torch import Tensor, nn from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) class LoRAModule(torch.nn.Module): """ replaces forward method of the original Linear, instead of replacing the original Linear module. """ def __init__( self, lora_name: str, org_module: nn.Module, multiplier: float =1.0, lora_dim: int = 4, alpha: Optional[float | int | Tensor] = 1, dropout: Optional[float] = None, rank_dropout: Optional[float] = None, module_dropout: Optional[float] = None, split_dims: Optional[List[int]] = None, ): """ if alpha == 0 or None, alpha is rank (no scaling). split_dims is used to mimic the split qkv of lumina as same as Diffusers """ super().__init__() self.lora_name = lora_name if org_module.__class__.__name__ == "Conv2d": in_dim = org_module.in_channels out_dim = org_module.out_channels else: in_dim = org_module.in_features out_dim = org_module.out_features assert isinstance(in_dim, int) assert isinstance(out_dim, int) self.lora_dim = lora_dim self.split_dims = split_dims if split_dims is None: if org_module.__class__.__name__ == "Conv2d": kernel_size = org_module.kernel_size stride = org_module.stride padding = org_module.padding self.lora_down = nn.Conv2d(in_dim, self.lora_dim, kernel_size, stride, padding, bias=False) self.lora_up = nn.Conv2d(self.lora_dim, out_dim, (1, 1), (1, 1), bias=False) else: self.lora_down = nn.Linear(in_dim, self.lora_dim, bias=False) self.lora_up = nn.Linear(self.lora_dim, out_dim, bias=False) nn.init.kaiming_uniform_(self.lora_down.weight, a=math.sqrt(5)) nn.init.zeros_(self.lora_up.weight) else: # conv2d not supported assert sum(split_dims) == out_dim, "sum of split_dims must be equal to out_dim" assert org_module.__class__.__name__ == "Linear", "split_dims is only supported for Linear" # print(f"split_dims: {split_dims}") self.lora_down = nn.ModuleList( [nn.Linear(in_dim, self.lora_dim, bias=False) for _ in range(len(split_dims))] ) self.lora_up = nn.ModuleList([torch.nn.Linear(self.lora_dim, split_dim, bias=False) for split_dim in split_dims]) for lora_down in self.lora_down: nn.init.kaiming_uniform_(lora_down.weight, a=math.sqrt(5)) for lora_up in self.lora_up: nn.init.zeros_(lora_up.weight) if isinstance(alpha, Tensor): alpha = alpha.detach().cpu().float().item() # without casting, bf16 causes error alpha = self.lora_dim if alpha is None or alpha == 0 else alpha self.scale = alpha / self.lora_dim self.register_buffer("alpha", torch.tensor(alpha)) # 定数として扱える # same as microsoft's self.multiplier = multiplier self.org_module = org_module # remove in applying self.dropout = dropout self.rank_dropout = rank_dropout self.module_dropout = module_dropout def apply_to(self): self.org_forward = self.org_module.forward self.org_module.forward = self.forward del self.org_module def forward(self, x): org_forwarded = self.org_forward(x) # module dropout if self.module_dropout is not None and self.training: if torch.rand(1) < self.module_dropout: return org_forwarded if self.split_dims is None: lx = self.lora_down(x) # normal dropout if self.dropout is not None and self.training: lx = torch.nn.functional.dropout(lx, p=self.dropout) # rank dropout if self.rank_dropout is not None and self.training: mask = torch.rand((lx.size(0), self.lora_dim), device=lx.device) > self.rank_dropout if len(lx.size()) == 3: mask = mask.unsqueeze(1) # for Text Encoder elif len(lx.size()) == 4: mask = mask.unsqueeze(-1).unsqueeze(-1) # for Conv2d lx = lx * mask # scaling for rank dropout: treat as if the rank is changed # maskから計算することも考えられるが、augmentation的な効果を期待してrank_dropoutを用いる scale = self.scale * (1.0 / (1.0 - self.rank_dropout)) # redundant for readability else: scale = self.scale lx = self.lora_up(lx) return org_forwarded + lx * self.multiplier * scale else: lxs = [lora_down(x) for lora_down in self.lora_down] # normal dropout if self.dropout is not None and self.training: lxs = [torch.nn.functional.dropout(lx, p=self.dropout) for lx in lxs] # rank dropout if self.rank_dropout is not None and self.training: masks = [torch.rand((lx.size(0), self.lora_dim), device=lx.device) > self.rank_dropout for lx in lxs] for i in range(len(lxs)): if len(lxs[i].size()) == 3: masks[i] = masks[i].unsqueeze(1) elif len(lxs[i].size()) == 4: masks[i] = masks[i].unsqueeze(-1).unsqueeze(-1) lxs[i] = lxs[i] * masks[i] # scaling for rank dropout: treat as if the rank is changed scale = self.scale * (1.0 / (1.0 - self.rank_dropout)) # redundant for readability else: scale = self.scale lxs = [lora_up(lx) for lora_up, lx in zip(self.lora_up, lxs)] return org_forwarded + torch.cat(lxs, dim=-1) * self.multiplier * scale class LoRAInfModule(LoRAModule): def __init__( self, lora_name, org_module: torch.nn.Module, multiplier=1.0, lora_dim=4, alpha=1, **kwargs, ): # no dropout for inference super().__init__(lora_name, org_module, multiplier, lora_dim, alpha) self.org_module_ref = [org_module] # 後から参照できるように self.enabled = True self.network: LoRANetwork = None def set_network(self, network): self.network = network # freezeしてマージする def merge_to(self, sd, dtype, device): # extract weight from org_module org_sd = self.org_module.state_dict() weight = org_sd["weight"] org_dtype = weight.dtype org_device = weight.device weight = weight.to(torch.float) # calc in float if dtype is None: dtype = org_dtype if device is None: device = org_device if self.split_dims is None: # get up/down weight down_weight = sd["lora_down.weight"].to(torch.float).to(device) up_weight = sd["lora_up.weight"].to(torch.float).to(device) # merge weight if len(weight.size()) == 2: # linear weight = weight + self.multiplier * (up_weight @ down_weight) * self.scale elif down_weight.size()[2:4] == (1, 1): # conv2d 1x1 weight = ( weight + self.multiplier * (up_weight.squeeze(3).squeeze(2) @ down_weight.squeeze(3).squeeze(2)).unsqueeze(2).unsqueeze(3) * self.scale ) else: # conv2d 3x3 conved = torch.nn.functional.conv2d(down_weight.permute(1, 0, 2, 3), up_weight).permute(1, 0, 2, 3) # logger.info(conved.size(), weight.size(), module.stride, module.padding) weight = weight + self.multiplier * conved * self.scale # set weight to org_module org_sd["weight"] = weight.to(dtype) self.org_module.load_state_dict(org_sd) else: # split_dims: merge each split's LoRA into the correct slice of the fused QKV weight for i in range(len(self.split_dims)): # get up/down weight down_weight = sd[f"lora_down.{i}.weight"].to(torch.float).to(device) # (rank, in_dim) up_weight = sd[f"lora_up.{i}.weight"].to(torch.float).to(device) # (split_dim, rank) # merge into the correct slice of the fused weight start = sum(self.split_dims[:i]) end = sum(self.split_dims[:i + 1]) weight[start:end] += self.multiplier * (up_weight @ down_weight) * self.scale # set weight to org_module org_sd["weight"] = weight.to(dtype) self.org_module.load_state_dict(org_sd) # 復元できるマージのため、このモジュールのweightを返す def get_weight(self, multiplier=None): if multiplier is None: multiplier = self.multiplier # Handle split_dims case where lora_down/lora_up are ModuleList if self.split_dims is not None: # Each sub-module produces a partial weight; concatenate along output dim weights = [] for lora_up, lora_down in zip(self.lora_up, self.lora_down): up_w = lora_up.weight.to(torch.float) down_w = lora_down.weight.to(torch.float) weights.append(up_w @ down_w) weight = self.multiplier * torch.cat(weights, dim=0) * self.scale return weight # get up/down weight from module up_weight = self.lora_up.weight.to(torch.float) down_weight = self.lora_down.weight.to(torch.float) # pre-calculated weight if len(down_weight.size()) == 2: # linear weight = self.multiplier * (up_weight @ down_weight) * self.scale elif down_weight.size()[2:4] == (1, 1): # conv2d 1x1 weight = ( self.multiplier * (up_weight.squeeze(3).squeeze(2) @ down_weight.squeeze(3).squeeze(2)).unsqueeze(2).unsqueeze(3) * self.scale ) else: # conv2d 3x3 conved = torch.nn.functional.conv2d(down_weight.permute(1, 0, 2, 3), up_weight).permute(1, 0, 2, 3) weight = self.multiplier * conved * self.scale return weight def set_region(self, region): self.region = region self.region_mask = None def default_forward(self, x): # logger.info(f"default_forward {self.lora_name} {x.size()}") if self.split_dims is None: lx = self.lora_down(x) lx = self.lora_up(lx) return self.org_forward(x) + lx * self.multiplier * self.scale else: lxs = [lora_down(x) for lora_down in self.lora_down] lxs = [lora_up(lx) for lora_up, lx in zip(self.lora_up, lxs)] return self.org_forward(x) + torch.cat(lxs, dim=-1) * self.multiplier * self.scale def forward(self, x): if not self.enabled: return self.org_forward(x) return self.default_forward(x) def create_network( multiplier: float, network_dim: Optional[int], network_alpha: Optional[float], ae: AutoencoderKL, text_encoders: List[CLIPTextModel], lumina, neuron_dropout: Optional[float] = None, **kwargs, ): if network_dim is None: network_dim = 4 # default if network_alpha is None: network_alpha = 1.0 # extract dim/alpha for conv2d, and block dim conv_dim = kwargs.get("conv_dim", None) conv_alpha = kwargs.get("conv_alpha", None) if conv_dim is not None: conv_dim = int(conv_dim) if conv_alpha is None: conv_alpha = 1.0 else: conv_alpha = float(conv_alpha) # attn dim, mlp dim for JointTransformerBlock attn_dim = kwargs.get("attn_dim", None) # attention dimension mlp_dim = kwargs.get("mlp_dim", None) # MLP dimension mod_dim = kwargs.get("mod_dim", None) # modulation dimension refiner_dim = kwargs.get("refiner_dim", None) # refiner blocks dimension if attn_dim is not None: attn_dim = int(attn_dim) if mlp_dim is not None: mlp_dim = int(mlp_dim) if mod_dim is not None: mod_dim = int(mod_dim) if refiner_dim is not None: refiner_dim = int(refiner_dim) type_dims = [attn_dim, mlp_dim, mod_dim, refiner_dim] if all([d is None for d in type_dims]): type_dims = None # embedder_dims for embedders embedder_dims = kwargs.get("embedder_dims", None) if embedder_dims is not None: embedder_dims = embedder_dims.strip() if embedder_dims.startswith("[") and embedder_dims.endswith("]"): embedder_dims = embedder_dims[1:-1] embedder_dims = [int(d) for d in embedder_dims.split(",")] assert len(embedder_dims) == 3, f"invalid embedder_dims: {embedder_dims}, must be 3 dimensions (x_embedder, t_embedder, cap_embedder)" # rank/module dropout rank_dropout = kwargs.get("rank_dropout", None) if rank_dropout is not None: rank_dropout = float(rank_dropout) module_dropout = kwargs.get("module_dropout", None) if module_dropout is not None: module_dropout = float(module_dropout) # single or double blocks train_blocks = kwargs.get("train_blocks", None) # None (default), "all" (same as None), "transformer", "refiners", "noise_refiner", "context_refiner" if train_blocks is not None: assert train_blocks in ["all", "transformer", "refiners", "noise_refiner", "context_refiner"], f"invalid train_blocks: {train_blocks}" # split qkv split_qkv = kwargs.get("split_qkv", False) if split_qkv is not None: split_qkv = True if split_qkv == "True" else False # verbose verbose = kwargs.get("verbose", False) if verbose is not None: verbose = True if verbose == "True" else False # すごく引数が多いな ( ^ω^)･･･ network = LoRANetwork( text_encoders, lumina, multiplier=multiplier, lora_dim=network_dim, alpha=network_alpha, dropout=neuron_dropout, rank_dropout=rank_dropout, module_dropout=module_dropout, conv_lora_dim=conv_dim, conv_alpha=conv_alpha, train_blocks=train_blocks, split_qkv=split_qkv, type_dims=type_dims, embedder_dims=embedder_dims, verbose=verbose, ) loraplus_lr_ratio = kwargs.get("loraplus_lr_ratio", None) loraplus_unet_lr_ratio = kwargs.get("loraplus_unet_lr_ratio", None) loraplus_text_encoder_lr_ratio = kwargs.get("loraplus_text_encoder_lr_ratio", None) loraplus_lr_ratio = float(loraplus_lr_ratio) if loraplus_lr_ratio is not None else None loraplus_unet_lr_ratio = float(loraplus_unet_lr_ratio) if loraplus_unet_lr_ratio is not None else None loraplus_text_encoder_lr_ratio = float(loraplus_text_encoder_lr_ratio) if loraplus_text_encoder_lr_ratio is not None else None if loraplus_lr_ratio is not None or loraplus_unet_lr_ratio is not None or loraplus_text_encoder_lr_ratio is not None: network.set_loraplus_lr_ratio(loraplus_lr_ratio, loraplus_unet_lr_ratio, loraplus_text_encoder_lr_ratio) return network # Create network from weights for inference, weights are not loaded here (because can be merged) def create_network_from_weights(multiplier, file, ae, text_encoders, lumina, weights_sd=None, for_inference=False, **kwargs): # if unet is an instance of SdxlUNet2DConditionModel or subclass, set is_sdxl to True if weights_sd is None: if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file, safe_open weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu", weights_only=False) # get dim/alpha mapping, and train t5xxl modules_dim = {} modules_alpha = {} for key, value in weights_sd.items(): if "." not in key: continue lora_name = key.split(".")[0] if "alpha" in key: modules_alpha[lora_name] = value elif "lora_down" in key: dim = value.size()[0] modules_dim[lora_name] = dim # logger.info(lora_name, value.size(), dim) # # split qkv # double_qkv_rank = None # single_qkv_rank = None # rank = None # for lora_name, dim in modules_dim.items(): # if "double" in lora_name and "qkv" in lora_name: # double_qkv_rank = dim # elif "single" in lora_name and "linear1" in lora_name: # single_qkv_rank = dim # elif rank is None: # rank = dim # if double_qkv_rank is not None and single_qkv_rank is not None and rank is not None: # break # split_qkv = (double_qkv_rank is not None and double_qkv_rank != rank) or ( # single_qkv_rank is not None and single_qkv_rank != rank # ) split_qkv = False # split_qkv is not needed to care, because state_dict is qkv combined module_class = LoRAInfModule if for_inference else LoRAModule network = LoRANetwork( text_encoders, lumina, multiplier=multiplier, modules_dim=modules_dim, modules_alpha=modules_alpha, module_class=module_class, split_qkv=split_qkv, ) return network, weights_sd class LoRANetwork(torch.nn.Module): LUMINA_TARGET_REPLACE_MODULE = ["JointTransformerBlock", "FinalLayer"] TEXT_ENCODER_TARGET_REPLACE_MODULE = ["Gemma2Attention", "Gemma2FlashAttention2", "Gemma2SdpaAttention", "Gemma2MLP"] LORA_PREFIX_LUMINA = "lora_unet" LORA_PREFIX_TEXT_ENCODER = "lora_te" # Simplified prefix since we only have one text encoder def __init__( self, text_encoders, # Now this will be a single Gemma2 model unet, multiplier: float = 1.0, lora_dim: int = 4, alpha: float = 1, dropout: Optional[float] = None, rank_dropout: Optional[float] = None, module_dropout: Optional[float] = None, conv_lora_dim: Optional[int] = None, conv_alpha: Optional[float] = None, module_class: Type[LoRAModule] = LoRAModule, modules_dim: Optional[Dict[str, int]] = None, modules_alpha: Optional[Dict[str, int]] = None, train_blocks: Optional[str] = None, split_qkv: bool = False, type_dims: Optional[List[int]] = None, embedder_dims: Optional[List[int]] = None, train_block_indices: Optional[List[bool]] = None, verbose: Optional[bool] = False, ) -> None: super().__init__() self.multiplier = multiplier self.lora_dim = lora_dim self.alpha = alpha self.conv_lora_dim = conv_lora_dim self.conv_alpha = conv_alpha self.dropout = dropout self.rank_dropout = rank_dropout self.module_dropout = module_dropout self.train_blocks = train_blocks if train_blocks is not None else "all" self.split_qkv = split_qkv self.type_dims = type_dims self.embedder_dims = embedder_dims self.train_block_indices = train_block_indices self.loraplus_lr_ratio = None self.loraplus_unet_lr_ratio = None self.loraplus_text_encoder_lr_ratio = None if modules_dim is not None: logger.info(f"create LoRA network from weights") self.embedder_dims = [0] * 5 # create embedder_dims # verbose = True else: logger.info(f"create LoRA network. base dim (rank): {lora_dim}, alpha: {alpha}") logger.info( f"neuron dropout: p={self.dropout}, rank dropout: p={self.rank_dropout}, module dropout: p={self.module_dropout}" ) # if self.conv_lora_dim is not None: # logger.info( # f"apply LoRA to Conv2d with kernel size (3,3). dim (rank): {self.conv_lora_dim}, alpha: {self.conv_alpha}" # ) if self.split_qkv: logger.info(f"split qkv for LoRA") if self.train_blocks is not None: logger.info(f"train {self.train_blocks} blocks only") # create module instances def create_modules( is_lumina: bool, root_module: torch.nn.Module, target_replace_modules: Optional[List[str]], filter: Optional[str] = None, default_dim: Optional[int] = None, ) -> List[LoRAModule]: prefix = self.LORA_PREFIX_LUMINA if is_lumina else self.LORA_PREFIX_TEXT_ENCODER loras = [] skipped = [] for name, module in root_module.named_modules(): if target_replace_modules is None or module.__class__.__name__ in target_replace_modules: if target_replace_modules is None: # for handling embedders module = root_module for child_name, child_module in module.named_modules(): is_linear = child_module.__class__.__name__ == "Linear" lora_name = prefix + "." + (name + "." if name else "") + child_name lora_name = lora_name.replace(".", "_") # Only Linear is supported if not is_linear: skipped.append(lora_name) continue if filter is not None and filter not in lora_name: continue dim = default_dim if default_dim is not None else self.lora_dim alpha = self.alpha # Set dim/alpha to modules dim/alpha if modules_dim is not None and modules_alpha is not None: # network from weights if lora_name in modules_dim: dim = modules_dim[lora_name] alpha = modules_alpha[lora_name] else: dim = 0 # skip if not found else: # Set dims to type_dims if is_lumina and type_dims is not None: identifier = [ ("attention",), # attention layers ("mlp",), # MLP layers ("modulation",), # modulation layers ("refiner",), # refiner blocks ] for i, d in enumerate(type_dims): if d is not None and all([id in lora_name for id in identifier[i]]): dim = d # may be 0 for skip break # Drop blocks if we are only training some blocks if ( is_lumina and dim and ( self.train_block_indices is not None ) and ("layer" in lora_name) ): # "lora_unet_layers_0_..." or "lora_unet_cap_refiner_0_..." or or "lora_unet_noise_refiner_0_..." block_index = int(lora_name.split("_")[3]) # bit dirty if ( "layer" in lora_name and self.train_block_indices is not None and not self.train_block_indices[block_index] ): dim = 0 if dim is None or dim == 0: # skipした情報を出力 skipped.append(lora_name) continue lora = module_class( lora_name, child_module, self.multiplier, dim, alpha, dropout=dropout, rank_dropout=rank_dropout, module_dropout=module_dropout, ) loras.append(lora) if target_replace_modules is None: break # all modules are searched return loras, skipped # create LoRA for text encoder (Gemma2) self.text_encoder_loras: List[Union[LoRAModule, LoRAInfModule]] = [] skipped_te = [] logger.info(f"create LoRA for Gemma2 Text Encoder:") text_encoder_loras, skipped = create_modules(False, text_encoders[0], LoRANetwork.TEXT_ENCODER_TARGET_REPLACE_MODULE) logger.info(f"create LoRA for Gemma2 Text Encoder: {len(text_encoder_loras)} modules.") self.text_encoder_loras.extend(text_encoder_loras) skipped_te += skipped # create LoRA for U-Net target_replace_modules = LoRANetwork.LUMINA_TARGET_REPLACE_MODULE # Filter by block type using name-based filtering in create_modules # All block types use JointTransformerBlock, so we filter by module path name block_filter = None # None means no filtering (train all) if self.train_blocks == "all": block_filter = None elif self.train_blocks == "transformer": block_filter = "layers_" # main transformer blocks: "lora_unet_layers_N_..." elif self.train_blocks == "noise_refiner": block_filter = "noise_refiner" elif self.train_blocks == "context_refiner": block_filter = "context_refiner" elif self.train_blocks == "refiners": block_filter = None # handled below with two calls self.unet_loras: List[Union[LoRAModule, LoRAInfModule]] if self.train_blocks == "refiners": # Refiners = noise_refiner + context_refiner, need two calls noise_loras, skipped_noise = create_modules(True, unet, target_replace_modules, filter="noise_refiner") context_loras, skipped_context = create_modules(True, unet, target_replace_modules, filter="context_refiner") self.unet_loras = noise_loras + context_loras skipped_un = skipped_noise + skipped_context else: self.unet_loras, skipped_un = create_modules(True, unet, target_replace_modules, filter=block_filter) # Handle embedders if self.embedder_dims: for filter, embedder_dim in zip(["x_embedder", "t_embedder", "cap_embedder"], self.embedder_dims): loras, _ = create_modules(True, unet, None, filter=filter, default_dim=embedder_dim) self.unet_loras.extend(loras) logger.info(f"create LoRA for Lumina blocks: {len(self.unet_loras)} modules.") if verbose: for lora in self.unet_loras: logger.info(f"\t{lora.lora_name:50} {lora.lora_dim}, {lora.alpha}") skipped = skipped_te + skipped_un if verbose and len(skipped) > 0: logger.warning( f"because dim (rank) is 0, {len(skipped)} LoRA modules are skipped / dim (rank)が0の為、次の{len(skipped)}個のLoRAモジュールはスキップされます:" ) for name in skipped: logger.info(f"\t{name}") # assertion names = set() for lora in self.text_encoder_loras + self.unet_loras: assert lora.lora_name not in names, f"duplicated lora name: {lora.lora_name}" names.add(lora.lora_name) def set_multiplier(self, multiplier): self.multiplier = multiplier for lora in self.text_encoder_loras + self.unet_loras: lora.multiplier = self.multiplier def set_enabled(self, is_enabled): for lora in self.text_encoder_loras + self.unet_loras: lora.enabled = is_enabled def load_weights(self, file): if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu", weights_only=False) info = self.load_state_dict(weights_sd, False) return info def load_state_dict(self, state_dict, strict=True): # override to convert original weight to split qkv if not self.split_qkv: return super().load_state_dict(state_dict, strict) # # split qkv # for key in list(state_dict.keys()): # if "double" in key and "qkv" in key: # split_dims = [3072] * 3 # elif "single" in key and "linear1" in key: # split_dims = [3072] * 3 + [12288] # else: # continue # weight = state_dict[key] # lora_name = key.split(".")[0] # if key not in state_dict: # continue # already merged # # (rank, in_dim) * 3 # down_weights = [state_dict.pop(f"{lora_name}.lora_down.{i}.weight") for i in range(len(split_dims))] # # (split dim, rank) * 3 # up_weights = [state_dict.pop(f"{lora_name}.lora_up.{i}.weight") for i in range(len(split_dims))] # alpha = state_dict.pop(f"{lora_name}.alpha") # # merge down weight # down_weight = torch.cat(down_weights, dim=0) # (rank, split_dim) * 3 -> (rank*3, sum of split_dim) # # merge up weight (sum of split_dim, rank*3) # rank = up_weights[0].size(1) # up_weight = torch.zeros((sum(split_dims), down_weight.size(0)), device=down_weight.device, dtype=down_weight.dtype) # i = 0 # for j in range(len(split_dims)): # up_weight[i : i + split_dims[j], j * rank : (j + 1) * rank] = up_weights[j] # i += split_dims[j] # state_dict[f"{lora_name}.lora_down.weight"] = down_weight # state_dict[f"{lora_name}.lora_up.weight"] = up_weight # state_dict[f"{lora_name}.alpha"] = alpha # # print( # # f"merged {lora_name}: {lora_name}, {[w.shape for w in down_weights]}, {[w.shape for w in up_weights]} to {down_weight.shape}, {up_weight.shape}" # # ) # print(f"new key: {lora_name}.lora_down.weight, {lora_name}.lora_up.weight, {lora_name}.alpha") return super().load_state_dict(state_dict, strict) def state_dict(self, destination=None, prefix="", keep_vars=False): if not self.split_qkv: return super().state_dict(destination=destination, prefix=prefix, keep_vars=keep_vars) # merge qkv state_dict = super().state_dict(destination=destination, prefix=prefix, keep_vars=keep_vars) new_state_dict = {} for key in list(state_dict.keys()): if "qkv" in key: # Lumina 2B: dim=2304, n_heads=24, n_kv_heads=8, head_dim=96 # Q=24*96=2304, K=8*96=768, V=8*96=768 split_dims = [2304, 768, 768] else: new_state_dict[key] = state_dict[key] continue if key not in state_dict: continue # already merged lora_name = key.split(".")[0] # (rank, in_dim) * 3 down_weights = [state_dict.pop(f"{lora_name}.lora_down.{i}.weight") for i in range(len(split_dims))] # (split dim, rank) * 3 up_weights = [state_dict.pop(f"{lora_name}.lora_up.{i}.weight") for i in range(len(split_dims))] alpha = state_dict.pop(f"{lora_name}.alpha") # merge down weight down_weight = torch.cat(down_weights, dim=0) # (rank, split_dim) * 3 -> (rank*3, sum of split_dim) # merge up weight (sum of split_dim, rank*3) rank = up_weights[0].size(1) up_weight = torch.zeros((sum(split_dims), down_weight.size(0)), device=down_weight.device, dtype=down_weight.dtype) i = 0 for j in range(len(split_dims)): up_weight[i : i + split_dims[j], j * rank : (j + 1) * rank] = up_weights[j] i += split_dims[j] new_state_dict[f"{lora_name}.lora_down.weight"] = down_weight new_state_dict[f"{lora_name}.lora_up.weight"] = up_weight new_state_dict[f"{lora_name}.alpha"] = alpha # print( # f"merged {lora_name}: {lora_name}, {[w.shape for w in down_weights]}, {[w.shape for w in up_weights]} to {down_weight.shape}, {up_weight.shape}" # ) print(f"new key: {lora_name}.lora_down.weight, {lora_name}.lora_up.weight, {lora_name}.alpha") return new_state_dict def apply_to(self, text_encoders, flux, apply_text_encoder=True, apply_unet=True): if apply_text_encoder: logger.info(f"enable LoRA for text encoder: {len(self.text_encoder_loras)} modules") else: self.text_encoder_loras = [] if apply_unet: logger.info(f"enable LoRA for U-Net: {len(self.unet_loras)} modules") else: self.unet_loras = [] for lora in self.text_encoder_loras + self.unet_loras: lora.apply_to() self.add_module(lora.lora_name, lora) # マージできるかどうかを返す def is_mergeable(self): return True # TODO refactor to common function with apply_to def merge_to(self, text_encoders, flux, weights_sd, dtype=None, device=None): apply_text_encoder = apply_unet = False for key in weights_sd.keys(): if key.startswith(LoRANetwork.LORA_PREFIX_TEXT_ENCODER): apply_text_encoder = True elif key.startswith(LoRANetwork.LORA_PREFIX_LUMINA): apply_unet = True if apply_text_encoder: logger.info("enable LoRA for text encoder") else: self.text_encoder_loras = [] if apply_unet: logger.info("enable LoRA for U-Net") else: self.unet_loras = [] for lora in self.text_encoder_loras + self.unet_loras: sd_for_lora = {} for key in weights_sd.keys(): if key.startswith(lora.lora_name): sd_for_lora[key[len(lora.lora_name) + 1 :]] = weights_sd[key] lora.merge_to(sd_for_lora, dtype, device) logger.info(f"weights are merged") def set_loraplus_lr_ratio(self, loraplus_lr_ratio, loraplus_unet_lr_ratio, loraplus_text_encoder_lr_ratio): self.loraplus_lr_ratio = loraplus_lr_ratio self.loraplus_unet_lr_ratio = loraplus_unet_lr_ratio self.loraplus_text_encoder_lr_ratio = loraplus_text_encoder_lr_ratio logger.info(f"LoRA+ UNet LR Ratio: {self.loraplus_unet_lr_ratio or self.loraplus_lr_ratio}") logger.info(f"LoRA+ Text Encoder LR Ratio: {self.loraplus_text_encoder_lr_ratio or self.loraplus_lr_ratio}") def prepare_optimizer_params_with_multiple_te_lrs(self, text_encoder_lr, unet_lr, default_lr): # make sure text_encoder_lr as list of two elements # if float, use the same value for both text encoders if text_encoder_lr is None or (isinstance(text_encoder_lr, list) and len(text_encoder_lr) == 0): text_encoder_lr = [default_lr, default_lr] elif isinstance(text_encoder_lr, float) or isinstance(text_encoder_lr, int): text_encoder_lr = [float(text_encoder_lr), float(text_encoder_lr)] elif len(text_encoder_lr) == 1: text_encoder_lr = [text_encoder_lr[0], text_encoder_lr[0]] self.requires_grad_(True) all_params = [] lr_descriptions = [] def assemble_params(loras, lr, loraplus_ratio): param_groups = {"lora": {}, "plus": {}} for lora in loras: for name, param in lora.named_parameters(): if loraplus_ratio is not None and "lora_up" in name: param_groups["plus"][f"{lora.lora_name}.{name}"] = param else: param_groups["lora"][f"{lora.lora_name}.{name}"] = param params = [] descriptions = [] for key in param_groups.keys(): param_data = {"params": param_groups[key].values()} if len(param_data["params"]) == 0: continue if lr is not None: if key == "plus": param_data["lr"] = lr * loraplus_ratio else: param_data["lr"] = lr if param_data.get("lr", None) == 0 or param_data.get("lr", None) is None: logger.info("NO LR skipping!") continue params.append(param_data) descriptions.append("plus" if key == "plus" else "") return params, descriptions if self.text_encoder_loras: loraplus_lr_ratio = self.loraplus_text_encoder_lr_ratio or self.loraplus_lr_ratio # split text encoder loras for te1 and te3 te_loras = [lora for lora in self.text_encoder_loras] if len(te_loras) > 0: logger.info(f"Text Encoder: {len(te_loras)} modules, LR {text_encoder_lr[0]}") params, descriptions = assemble_params(te_loras, text_encoder_lr[0], loraplus_lr_ratio) all_params.extend(params) lr_descriptions.extend(["textencoder " + (" " + d if d else "") for d in descriptions]) if self.unet_loras: params, descriptions = assemble_params( self.unet_loras, unet_lr if unet_lr is not None else default_lr, self.loraplus_unet_lr_ratio or self.loraplus_lr_ratio, ) all_params.extend(params) lr_descriptions.extend(["unet" + (" " + d if d else "") for d in descriptions]) return all_params, lr_descriptions def enable_gradient_checkpointing(self): # not supported pass def prepare_grad_etc(self, text_encoder, unet): self.requires_grad_(True) def on_epoch_start(self, text_encoder, unet): self.train() def get_trainable_params(self): return self.parameters() def save_weights(self, file, dtype, metadata): if metadata is not None and len(metadata) == 0: metadata = None state_dict = self.state_dict() if dtype is not None: for key in list(state_dict.keys()): v = state_dict[key] v = v.detach().clone().to("cpu").to(dtype) state_dict[key] = v if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import save_file from library import train_util # Precalculate model hashes to save time on indexing if metadata is None: metadata = {} model_hash, legacy_hash = train_util.precalculate_safetensors_hashes(state_dict, metadata) metadata["sshs_model_hash"] = model_hash metadata["sshs_legacy_hash"] = legacy_hash save_file(state_dict, file, metadata) else: torch.save(state_dict, file) def backup_weights(self): # 重みのバックアップを行う loras: List[LoRAInfModule] = self.text_encoder_loras + self.unet_loras for lora in loras: org_module = lora.org_module_ref[0] if not hasattr(org_module, "_lora_org_weight"): sd = org_module.state_dict() org_module._lora_org_weight = sd["weight"].detach().clone() org_module._lora_restored = True def restore_weights(self): # 重みのリストアを行う loras: List[LoRAInfModule] = self.text_encoder_loras + self.unet_loras for lora in loras: org_module = lora.org_module_ref[0] if not org_module._lora_restored: sd = org_module.state_dict() sd["weight"] = org_module._lora_org_weight org_module.load_state_dict(sd) org_module._lora_restored = True def pre_calculation(self): # 事前計算を行う loras: List[LoRAInfModule] = self.text_encoder_loras + self.unet_loras for lora in loras: org_module = lora.org_module_ref[0] sd = org_module.state_dict() org_weight = sd["weight"] lora_weight = lora.get_weight().to(org_weight.device, dtype=org_weight.dtype) sd["weight"] = org_weight + lora_weight assert sd["weight"].shape == org_weight.shape org_module.load_state_dict(sd) org_module._lora_restored = False lora.enabled = False def apply_max_norm_regularization(self, max_norm_value, device): downkeys = [] upkeys = [] alphakeys = [] norms = [] keys_scaled = 0 state_dict = self.state_dict() for key in state_dict.keys(): if "lora_down" in key and "weight" in key: downkeys.append(key) upkeys.append(key.replace("lora_down", "lora_up")) alphakeys.append(key.replace("lora_down.weight", "alpha")) for i in range(len(downkeys)): down = state_dict[downkeys[i]].to(device) up = state_dict[upkeys[i]].to(device) alpha = state_dict[alphakeys[i]].to(device) dim = down.shape[0] scale = alpha / dim if up.shape[2:] == (1, 1) and down.shape[2:] == (1, 1): updown = (up.squeeze(2).squeeze(2) @ down.squeeze(2).squeeze(2)).unsqueeze(2).unsqueeze(3) elif up.shape[2:] == (3, 3) or down.shape[2:] == (3, 3): updown = torch.nn.functional.conv2d(down.permute(1, 0, 2, 3), up).permute(1, 0, 2, 3) else: updown = up @ down updown *= scale norm = updown.norm().clamp(min=max_norm_value / 2) desired = torch.clamp(norm, max=max_norm_value) ratio = desired.cpu() / norm.cpu() sqrt_ratio = ratio**0.5 if ratio != 1: keys_scaled += 1 state_dict[upkeys[i]] *= sqrt_ratio state_dict[downkeys[i]] *= sqrt_ratio scalednorm = updown.norm() * ratio norms.append(scalednorm.item()) return keys_scaled, sum(norms) / len(norms), max(norms) ================================================ FILE: networks/lora_sd3.py ================================================ # temporary minimum implementation of LoRA # SD3 doesn't have Conv2d, so we ignore it # TODO commonize with the original/SD3/FLUX implementation # LoRA network module # reference: # https://github.com/microsoft/LoRA/blob/main/loralib/layers.py # https://github.com/cloneofsimo/lora/blob/master/lora_diffusion/lora.py import math import os from typing import Dict, List, Optional, Tuple, Type, Union from transformers import CLIPTextModelWithProjection, T5EncoderModel import numpy as np import torch from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) from networks.lora_flux import LoRAModule, LoRAInfModule from library import sd3_models def create_network( multiplier: float, network_dim: Optional[int], network_alpha: Optional[float], vae: sd3_models.SDVAE, text_encoders: List[Union[CLIPTextModelWithProjection, T5EncoderModel]], mmdit, neuron_dropout: Optional[float] = None, **kwargs, ): if network_dim is None: network_dim = 4 # default if network_alpha is None: network_alpha = 1.0 # extract dim/alpha for conv2d, and block dim conv_dim = kwargs.get("conv_dim", None) conv_alpha = kwargs.get("conv_alpha", None) if conv_dim is not None: conv_dim = int(conv_dim) if conv_alpha is None: conv_alpha = 1.0 else: conv_alpha = float(conv_alpha) # attn dim, mlp dim: only for DoubleStreamBlock. SingleStreamBlock is not supported because of combined qkv context_attn_dim = kwargs.get("context_attn_dim", None) context_mlp_dim = kwargs.get("context_mlp_dim", None) context_mod_dim = kwargs.get("context_mod_dim", None) x_attn_dim = kwargs.get("x_attn_dim", None) x_mlp_dim = kwargs.get("x_mlp_dim", None) x_mod_dim = kwargs.get("x_mod_dim", None) if context_attn_dim is not None: context_attn_dim = int(context_attn_dim) if context_mlp_dim is not None: context_mlp_dim = int(context_mlp_dim) if context_mod_dim is not None: context_mod_dim = int(context_mod_dim) if x_attn_dim is not None: x_attn_dim = int(x_attn_dim) if x_mlp_dim is not None: x_mlp_dim = int(x_mlp_dim) if x_mod_dim is not None: x_mod_dim = int(x_mod_dim) type_dims = [context_attn_dim, context_mlp_dim, context_mod_dim, x_attn_dim, x_mlp_dim, x_mod_dim] if all([d is None for d in type_dims]): type_dims = None # emb_dims [context_embedder, t_embedder, x_embedder, y_embedder, final_mod, final_linear] emb_dims = kwargs.get("emb_dims", None) if emb_dims is not None: emb_dims = emb_dims.strip() if emb_dims.startswith("[") and emb_dims.endswith("]"): emb_dims = emb_dims[1:-1] emb_dims = [int(d) for d in emb_dims.split(",")] # is it better to use ast.literal_eval? assert len(emb_dims) == 6, f"invalid emb_dims: {emb_dims}, must be 6 dimensions (context, t, x, y, final_mod, final_linear)" # double/single train blocks def parse_block_selection(selection: str, total_blocks: int) -> List[bool]: """ Parse a block selection string and return a list of booleans. Args: selection (str): A string specifying which blocks to select. total_blocks (int): The total number of blocks available. Returns: List[bool]: A list of booleans indicating which blocks are selected. """ if selection == "all": return [True] * total_blocks if selection == "none" or selection == "": return [False] * total_blocks selected = [False] * total_blocks ranges = selection.split(",") for r in ranges: if "-" in r: start, end = map(str.strip, r.split("-")) start = int(start) end = int(end) assert 0 <= start < total_blocks, f"invalid start index: {start}" assert 0 <= end < total_blocks, f"invalid end index: {end}" assert start <= end, f"invalid range: {start}-{end}" for i in range(start, end + 1): selected[i] = True else: index = int(r) assert 0 <= index < total_blocks, f"invalid index: {index}" selected[index] = True return selected train_block_indices = kwargs.get("train_block_indices", None) if train_block_indices is not None: train_block_indices = parse_block_selection(train_block_indices, 999) # 999 is a dummy number # rank/module dropout rank_dropout = kwargs.get("rank_dropout", None) if rank_dropout is not None: rank_dropout = float(rank_dropout) module_dropout = kwargs.get("module_dropout", None) if module_dropout is not None: module_dropout = float(module_dropout) # split qkv split_qkv = kwargs.get("split_qkv", False) if split_qkv is not None: split_qkv = True if split_qkv == "True" else False # train T5XXL train_t5xxl = kwargs.get("train_t5xxl", False) if train_t5xxl is not None: train_t5xxl = True if train_t5xxl == "True" else False # verbose verbose = kwargs.get("verbose", False) if verbose is not None: verbose = True if verbose == "True" else False # すごく引数が多いな ( ^ω^)･･･ network = LoRANetwork( text_encoders, mmdit, multiplier=multiplier, lora_dim=network_dim, alpha=network_alpha, dropout=neuron_dropout, rank_dropout=rank_dropout, module_dropout=module_dropout, conv_lora_dim=conv_dim, conv_alpha=conv_alpha, split_qkv=split_qkv, train_t5xxl=train_t5xxl, type_dims=type_dims, emb_dims=emb_dims, train_block_indices=train_block_indices, verbose=verbose, ) loraplus_lr_ratio = kwargs.get("loraplus_lr_ratio", None) loraplus_unet_lr_ratio = kwargs.get("loraplus_unet_lr_ratio", None) loraplus_text_encoder_lr_ratio = kwargs.get("loraplus_text_encoder_lr_ratio", None) loraplus_lr_ratio = float(loraplus_lr_ratio) if loraplus_lr_ratio is not None else None loraplus_unet_lr_ratio = float(loraplus_unet_lr_ratio) if loraplus_unet_lr_ratio is not None else None loraplus_text_encoder_lr_ratio = float(loraplus_text_encoder_lr_ratio) if loraplus_text_encoder_lr_ratio is not None else None if loraplus_lr_ratio is not None or loraplus_unet_lr_ratio is not None or loraplus_text_encoder_lr_ratio is not None: network.set_loraplus_lr_ratio(loraplus_lr_ratio, loraplus_unet_lr_ratio, loraplus_text_encoder_lr_ratio) return network # Create network from weights for inference, weights are not loaded here (because can be merged) def create_network_from_weights(multiplier, file, ae, text_encoders, mmdit, weights_sd=None, for_inference=False, **kwargs): # if unet is an instance of SdxlUNet2DConditionModel or subclass, set is_sdxl to True if weights_sd is None: if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file, safe_open weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu") # get dim/alpha mapping, and train t5xxl modules_dim = {} modules_alpha = {} train_t5xxl = None for key, value in weights_sd.items(): if "." not in key: continue lora_name = key.split(".")[0] if "alpha" in key: modules_alpha[lora_name] = value elif "lora_down" in key: dim = value.size()[0] modules_dim[lora_name] = dim # logger.info(lora_name, value.size(), dim) if train_t5xxl is None or train_t5xxl is False: train_t5xxl = "lora_te3" in lora_name if train_t5xxl is None: train_t5xxl = False split_qkv = False # split_qkv is not needed to care, because state_dict is qkv combined module_class = LoRAInfModule if for_inference else LoRAModule network = LoRANetwork( text_encoders, mmdit, multiplier=multiplier, modules_dim=modules_dim, modules_alpha=modules_alpha, module_class=module_class, split_qkv=split_qkv, train_t5xxl=train_t5xxl, ) return network, weights_sd class LoRANetwork(torch.nn.Module): SD3_TARGET_REPLACE_MODULE = ["SingleDiTBlock"] TEXT_ENCODER_TARGET_REPLACE_MODULE = ["CLIPAttention", "CLIPSdpaAttention", "CLIPMLP", "T5Attention", "T5DenseGatedActDense"] LORA_PREFIX_SD3 = "lora_unet" # make ComfyUI compatible LORA_PREFIX_TEXT_ENCODER_CLIP_L = "lora_te1" LORA_PREFIX_TEXT_ENCODER_CLIP_G = "lora_te2" LORA_PREFIX_TEXT_ENCODER_T5 = "lora_te3" # make ComfyUI compatible def __init__( self, text_encoders: List[Union[CLIPTextModelWithProjection, T5EncoderModel]], unet: sd3_models.MMDiT, multiplier: float = 1.0, lora_dim: int = 4, alpha: float = 1, dropout: Optional[float] = None, rank_dropout: Optional[float] = None, module_dropout: Optional[float] = None, conv_lora_dim: Optional[int] = None, conv_alpha: Optional[float] = None, module_class: Type[object] = LoRAModule, modules_dim: Optional[Dict[str, int]] = None, modules_alpha: Optional[Dict[str, int]] = None, split_qkv: bool = False, train_t5xxl: bool = False, type_dims: Optional[List[int]] = None, emb_dims: Optional[List[int]] = None, train_block_indices: Optional[List[bool]] = None, verbose: Optional[bool] = False, ) -> None: super().__init__() self.multiplier = multiplier self.lora_dim = lora_dim self.alpha = alpha self.conv_lora_dim = conv_lora_dim self.conv_alpha = conv_alpha self.dropout = dropout self.rank_dropout = rank_dropout self.module_dropout = module_dropout self.split_qkv = split_qkv self.train_t5xxl = train_t5xxl self.type_dims = type_dims self.emb_dims = emb_dims self.train_block_indices = train_block_indices self.loraplus_lr_ratio = None self.loraplus_unet_lr_ratio = None self.loraplus_text_encoder_lr_ratio = None if modules_dim is not None: logger.info(f"create LoRA network from weights") self.emb_dims = [0] * 6 # create emb_dims # verbose = True else: logger.info(f"create LoRA network. base dim (rank): {lora_dim}, alpha: {alpha}") logger.info( f"neuron dropout: p={self.dropout}, rank dropout: p={self.rank_dropout}, module dropout: p={self.module_dropout}" ) # if self.conv_lora_dim is not None: # logger.info( # f"apply LoRA to Conv2d with kernel size (3,3). dim (rank): {self.conv_lora_dim}, alpha: {self.conv_alpha}" # ) qkv_dim = 0 if self.split_qkv: logger.info(f"split qkv for LoRA") qkv_dim = unet.joint_blocks[0].context_block.attn.qkv.weight.size(0) if train_t5xxl: logger.info(f"train T5XXL as well") # create module instances def create_modules( is_mmdit: bool, text_encoder_idx: Optional[int], root_module: torch.nn.Module, target_replace_modules: List[str], filter: Optional[str] = None, default_dim: Optional[int] = None, include_conv2d_if_filter: bool = False, ) -> List[LoRAModule]: prefix = ( self.LORA_PREFIX_SD3 if is_mmdit else [self.LORA_PREFIX_TEXT_ENCODER_CLIP_L, self.LORA_PREFIX_TEXT_ENCODER_CLIP_G, self.LORA_PREFIX_TEXT_ENCODER_T5][ text_encoder_idx ] ) loras = [] skipped = [] for name, module in root_module.named_modules(): if target_replace_modules is None or module.__class__.__name__ in target_replace_modules: if target_replace_modules is None: # dirty hack for all modules module = root_module # search all modules for child_name, child_module in module.named_modules(): is_linear = child_module.__class__.__name__ == "Linear" is_conv2d = child_module.__class__.__name__ == "Conv2d" is_conv2d_1x1 = is_conv2d and child_module.kernel_size == (1, 1) if is_linear or is_conv2d: lora_name = prefix + "." + (name + "." if name else "") + child_name lora_name = lora_name.replace(".", "_") force_incl_conv2d = False if filter is not None: if not filter in lora_name: continue force_incl_conv2d = include_conv2d_if_filter dim = None alpha = None if modules_dim is not None: # モジュール指定あり if lora_name in modules_dim: dim = modules_dim[lora_name] alpha = modules_alpha[lora_name] else: # 通常、すべて対象とする if is_linear or is_conv2d_1x1: dim = default_dim if default_dim is not None else self.lora_dim alpha = self.alpha if is_mmdit and type_dims is not None: # type_dims = [context_attn_dim, context_mlp_dim, context_mod_dim, x_attn_dim, x_mlp_dim, x_mod_dim] identifier = [ ("context_block", "attn"), ("context_block", "mlp"), ("context_block", "adaLN_modulation"), ("x_block", "attn"), ("x_block", "mlp"), ("x_block", "adaLN_modulation"), ] for i, d in enumerate(type_dims): if d is not None and all([id in lora_name for id in identifier[i]]): dim = d # may be 0 for skip break if is_mmdit and dim and self.train_block_indices is not None and "joint_blocks" in lora_name: # "lora_unet_joint_blocks_0_x_block_attn_proj..." block_index = int(lora_name.split("_")[4]) # bit dirty if self.train_block_indices is not None and not self.train_block_indices[block_index]: dim = 0 elif self.conv_lora_dim is not None: dim = self.conv_lora_dim alpha = self.conv_alpha elif force_incl_conv2d: # x_embedder dim = default_dim if default_dim is not None else self.lora_dim alpha = self.alpha if dim is None or dim == 0: # skipした情報を出力 if is_linear or is_conv2d_1x1 or (self.conv_lora_dim is not None): skipped.append(lora_name) continue # qkv split split_dims = None if is_mmdit and split_qkv: if "joint_blocks" in lora_name and "qkv" in lora_name: split_dims = [qkv_dim // 3] * 3 lora = module_class( lora_name, child_module, self.multiplier, dim, alpha, dropout=dropout, rank_dropout=rank_dropout, module_dropout=module_dropout, split_dims=split_dims, ) loras.append(lora) if target_replace_modules is None: break # all modules are searched return loras, skipped # create LoRA for text encoder # 毎回すべてのモジュールを作るのは無駄なので要検討 self.text_encoder_loras: List[Union[LoRAModule, LoRAInfModule]] = [] skipped_te = [] for i, text_encoder in enumerate(text_encoders): index = i if not train_t5xxl and index >= 2: # 0: CLIP-L, 1: CLIP-G, 2: T5XXL, so we skip T5XXL if train_t5xxl is False break logger.info(f"create LoRA for Text Encoder {index+1}:") text_encoder_loras, skipped = create_modules(False, index, text_encoder, LoRANetwork.TEXT_ENCODER_TARGET_REPLACE_MODULE) logger.info(f"create LoRA for Text Encoder {index+1}: {len(text_encoder_loras)} modules.") self.text_encoder_loras.extend(text_encoder_loras) skipped_te += skipped # create LoRA for U-Net self.unet_loras: List[Union[LoRAModule, LoRAInfModule]] self.unet_loras, skipped_un = create_modules(True, None, unet, LoRANetwork.SD3_TARGET_REPLACE_MODULE) # emb_dims [context_embedder, t_embedder, x_embedder, y_embedder, final_mod, final_linear] if self.emb_dims: for filter, in_dim in zip( [ "context_embedder", "_t_embedder", # don't use "t_embedder" because it's used in "context_embedder" "x_embedder", "y_embedder", "final_layer_adaLN_modulation", "final_layer_linear", ], self.emb_dims, ): # x_embedder is conv2d, so we need to include it loras, _ = create_modules( True, None, unet, None, filter=filter, default_dim=in_dim, include_conv2d_if_filter=filter == "x_embedder" ) # if len(loras) > 0: # logger.info(f"create LoRA for {filter}: {len(loras)} modules.") self.unet_loras.extend(loras) logger.info(f"create LoRA for SD3 MMDiT: {len(self.unet_loras)} modules.") if verbose: for lora in self.unet_loras: logger.info(f"\t{lora.lora_name:50} {lora.lora_dim}, {lora.alpha}") skipped = skipped_te + skipped_un if verbose and len(skipped) > 0: logger.warning( f"because dim (rank) is 0, {len(skipped)} LoRA modules are skipped / dim (rank)が0の為、次の{len(skipped)}個のLoRAモジュールはスキップされます:" ) for name in skipped: logger.info(f"\t{name}") # assertion names = set() for lora in self.text_encoder_loras + self.unet_loras: assert lora.lora_name not in names, f"duplicated lora name: {lora.lora_name}" names.add(lora.lora_name) def set_multiplier(self, multiplier): self.multiplier = multiplier for lora in self.text_encoder_loras + self.unet_loras: lora.multiplier = self.multiplier def set_enabled(self, is_enabled): for lora in self.text_encoder_loras + self.unet_loras: lora.enabled = is_enabled def load_weights(self, file): if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu") info = self.load_state_dict(weights_sd, False) return info def load_state_dict(self, state_dict, strict=True): # override to convert original weight to split qkv if not self.split_qkv: return super().load_state_dict(state_dict, strict) # split qkv for key in list(state_dict.keys()): if not ("joint_blocks" in key and "qkv" in key): continue weight = state_dict[key] lora_name = key.split(".")[0] if "lora_down" in key and "weight" in key: # dense weight (rank*3, in_dim) split_weight = torch.chunk(weight, 3, dim=0) for i, split_w in enumerate(split_weight): state_dict[f"{lora_name}.lora_down.{i}.weight"] = split_w del state_dict[key] # print(f"split {key}: {weight.shape} to {[w.shape for w in split_weight]}") elif "lora_up" in key and "weight" in key: # sparse weight (out_dim=sum(split_dims), rank*3) rank = weight.size(1) // 3 i = 0 split_dim = weight.shape[0] // 3 for j in range(3): state_dict[f"{lora_name}.lora_up.{j}.weight"] = weight[i : i + split_dim, j * rank : (j + 1) * rank] i += split_dim del state_dict[key] # alpha is unchanged return super().load_state_dict(state_dict, strict) def state_dict(self, destination=None, prefix="", keep_vars=False): if not self.split_qkv: return super().state_dict(destination, prefix, keep_vars) # merge qkv state_dict = super().state_dict(destination, prefix, keep_vars) new_state_dict = {} for key in list(state_dict.keys()): if not ("joint_blocks" in key and "qkv" in key): new_state_dict[key] = state_dict[key] continue if key not in state_dict: continue # already merged lora_name = key.split(".")[0] # (rank, in_dim) * 3 down_weights = [state_dict.pop(f"{lora_name}.lora_down.{i}.weight") for i in range(3)] # (split dim, rank) * 3 up_weights = [state_dict.pop(f"{lora_name}.lora_up.{i}.weight") for i in range(3)] alpha = state_dict.pop(f"{lora_name}.alpha") # merge down weight down_weight = torch.cat(down_weights, dim=0) # (rank, split_dim) * 3 -> (rank*3, sum of split_dim) # merge up weight (sum of split_dim, rank*3) split_dim, rank = up_weights[0].size() qkv_dim = split_dim * 3 up_weight = torch.zeros((qkv_dim, down_weight.size(0)), device=down_weight.device, dtype=down_weight.dtype) i = 0 for j in range(3): up_weight[i : i + split_dim, j * rank : (j + 1) * rank] = up_weights[j] i += split_dim new_state_dict[f"{lora_name}.lora_down.weight"] = down_weight new_state_dict[f"{lora_name}.lora_up.weight"] = up_weight new_state_dict[f"{lora_name}.alpha"] = alpha # print( # f"merged {lora_name}: {lora_name}, {[w.shape for w in down_weights]}, {[w.shape for w in up_weights]} to {down_weight.shape}, {up_weight.shape}" # ) print(f"new key: {lora_name}.lora_down.weight, {lora_name}.lora_up.weight, {lora_name}.alpha") return new_state_dict def apply_to(self, text_encoders, mmdit, apply_text_encoder=True, apply_unet=True): if apply_text_encoder: logger.info(f"enable LoRA for text encoder: {len(self.text_encoder_loras)} modules") else: self.text_encoder_loras = [] if apply_unet: logger.info(f"enable LoRA for U-Net: {len(self.unet_loras)} modules") else: self.unet_loras = [] for lora in self.text_encoder_loras + self.unet_loras: lora.apply_to() self.add_module(lora.lora_name, lora) # マージできるかどうかを返す def is_mergeable(self): return True # TODO refactor to common function with apply_to def merge_to(self, text_encoders, mmdit, weights_sd, dtype=None, device=None): apply_text_encoder = apply_unet = False for key in weights_sd.keys(): if ( key.startswith(LoRANetwork.LORA_PREFIX_TEXT_ENCODER_CLIP_L) or key.startswith(LoRANetwork.LORA_PREFIX_TEXT_ENCODER_CLIP_G) or key.startswith(LoRANetwork.LORA_PREFIX_TEXT_ENCODER_T5) ): apply_text_encoder = True elif key.startswith(LoRANetwork.LORA_PREFIX_SD3): apply_unet = True if apply_text_encoder: logger.info("enable LoRA for text encoder") else: self.text_encoder_loras = [] if apply_unet: logger.info("enable LoRA for U-Net") else: self.unet_loras = [] for lora in self.text_encoder_loras + self.unet_loras: sd_for_lora = {} for key in weights_sd.keys(): if key.startswith(lora.lora_name): sd_for_lora[key[len(lora.lora_name) + 1 :]] = weights_sd[key] lora.merge_to(sd_for_lora, dtype, device) logger.info(f"weights are merged") def set_loraplus_lr_ratio(self, loraplus_lr_ratio, loraplus_unet_lr_ratio, loraplus_text_encoder_lr_ratio): self.loraplus_lr_ratio = loraplus_lr_ratio self.loraplus_unet_lr_ratio = loraplus_unet_lr_ratio self.loraplus_text_encoder_lr_ratio = loraplus_text_encoder_lr_ratio logger.info(f"LoRA+ UNet LR Ratio: {self.loraplus_unet_lr_ratio or self.loraplus_lr_ratio}") logger.info(f"LoRA+ Text Encoder LR Ratio: {self.loraplus_text_encoder_lr_ratio or self.loraplus_lr_ratio}") def prepare_optimizer_params_with_multiple_te_lrs(self, text_encoder_lr, unet_lr, default_lr): # make sure text_encoder_lr as list of three elements # if float, use the same value for all three if text_encoder_lr is None or (isinstance(text_encoder_lr, list) and len(text_encoder_lr) == 0): text_encoder_lr = [default_lr, default_lr, default_lr] elif isinstance(text_encoder_lr, float) or isinstance(text_encoder_lr, int): text_encoder_lr = [float(text_encoder_lr), float(text_encoder_lr), float(text_encoder_lr)] elif len(text_encoder_lr) == 1: text_encoder_lr = [text_encoder_lr[0], text_encoder_lr[0], text_encoder_lr[0]] elif len(text_encoder_lr) == 2: text_encoder_lr = [text_encoder_lr[0], text_encoder_lr[1], text_encoder_lr[1]] self.requires_grad_(True) all_params = [] lr_descriptions = [] def assemble_params(loras, lr, loraplus_ratio): param_groups = {"lora": {}, "plus": {}} for lora in loras: for name, param in lora.named_parameters(): if loraplus_ratio is not None and "lora_up" in name: param_groups["plus"][f"{lora.lora_name}.{name}"] = param else: param_groups["lora"][f"{lora.lora_name}.{name}"] = param params = [] descriptions = [] for key in param_groups.keys(): param_data = {"params": param_groups[key].values()} if len(param_data["params"]) == 0: continue if lr is not None: if key == "plus": param_data["lr"] = lr * loraplus_ratio else: param_data["lr"] = lr if param_data.get("lr", None) == 0 or param_data.get("lr", None) is None: logger.info("NO LR skipping!") continue params.append(param_data) descriptions.append("plus" if key == "plus" else "") return params, descriptions if self.text_encoder_loras: loraplus_lr_ratio = self.loraplus_text_encoder_lr_ratio or self.loraplus_lr_ratio # split text encoder loras for te1 and te3 te1_loras = [ lora for lora in self.text_encoder_loras if lora.lora_name.startswith(self.LORA_PREFIX_TEXT_ENCODER_CLIP_L) ] te2_loras = [ lora for lora in self.text_encoder_loras if lora.lora_name.startswith(self.LORA_PREFIX_TEXT_ENCODER_CLIP_G) ] te3_loras = [lora for lora in self.text_encoder_loras if lora.lora_name.startswith(self.LORA_PREFIX_TEXT_ENCODER_T5)] if len(te1_loras) > 0: logger.info(f"Text Encoder 1 (CLIP-L): {len(te1_loras)} modules, LR {text_encoder_lr[0]}") params, descriptions = assemble_params(te1_loras, text_encoder_lr[0], loraplus_lr_ratio) all_params.extend(params) lr_descriptions.extend(["textencoder 1 " + (" " + d if d else "") for d in descriptions]) if len(te2_loras) > 0: logger.info(f"Text Encoder 2 (CLIP-G): {len(te2_loras)} modules, LR {text_encoder_lr[1]}") params, descriptions = assemble_params(te2_loras, text_encoder_lr[1], loraplus_lr_ratio) all_params.extend(params) lr_descriptions.extend(["textencoder 1 " + (" " + d if d else "") for d in descriptions]) if len(te3_loras) > 0: logger.info(f"Text Encoder 3 (T5XXL): {len(te3_loras)} modules, LR {text_encoder_lr[2]}") params, descriptions = assemble_params(te3_loras, text_encoder_lr[2], loraplus_lr_ratio) all_params.extend(params) lr_descriptions.extend(["textencoder 3 " + (" " + d if d else "") for d in descriptions]) if self.unet_loras: params, descriptions = assemble_params( self.unet_loras, unet_lr if unet_lr is not None else default_lr, self.loraplus_unet_lr_ratio or self.loraplus_lr_ratio, ) all_params.extend(params) lr_descriptions.extend(["unet" + (" " + d if d else "") for d in descriptions]) return all_params, lr_descriptions def enable_gradient_checkpointing(self): # not supported pass def prepare_grad_etc(self, text_encoder, unet): self.requires_grad_(True) def on_epoch_start(self, text_encoder, unet): self.train() def get_trainable_params(self): return self.parameters() def save_weights(self, file, dtype, metadata): if metadata is not None and len(metadata) == 0: metadata = None state_dict = self.state_dict() if dtype is not None: for key in list(state_dict.keys()): v = state_dict[key] v = v.detach().clone().to("cpu").to(dtype) state_dict[key] = v if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import save_file from library import train_util # Precalculate model hashes to save time on indexing if metadata is None: metadata = {} model_hash, legacy_hash = train_util.precalculate_safetensors_hashes(state_dict, metadata) metadata["sshs_model_hash"] = model_hash metadata["sshs_legacy_hash"] = legacy_hash save_file(state_dict, file, metadata) else: torch.save(state_dict, file) def backup_weights(self): # 重みのバックアップを行う loras: List[LoRAInfModule] = self.text_encoder_loras + self.unet_loras for lora in loras: org_module = lora.org_module_ref[0] if not hasattr(org_module, "_lora_org_weight"): sd = org_module.state_dict() org_module._lora_org_weight = sd["weight"].detach().clone() org_module._lora_restored = True def restore_weights(self): # 重みのリストアを行う loras: List[LoRAInfModule] = self.text_encoder_loras + self.unet_loras for lora in loras: org_module = lora.org_module_ref[0] if not org_module._lora_restored: sd = org_module.state_dict() sd["weight"] = org_module._lora_org_weight org_module.load_state_dict(sd) org_module._lora_restored = True def pre_calculation(self): # 事前計算を行う loras: List[LoRAInfModule] = self.text_encoder_loras + self.unet_loras for lora in loras: org_module = lora.org_module_ref[0] sd = org_module.state_dict() org_weight = sd["weight"] lora_weight = lora.get_weight().to(org_weight.device, dtype=org_weight.dtype) sd["weight"] = org_weight + lora_weight assert sd["weight"].shape == org_weight.shape org_module.load_state_dict(sd) org_module._lora_restored = False lora.enabled = False def apply_max_norm_regularization(self, max_norm_value, device): downkeys = [] upkeys = [] alphakeys = [] norms = [] keys_scaled = 0 state_dict = self.state_dict() for key in state_dict.keys(): if "lora_down" in key and "weight" in key: downkeys.append(key) upkeys.append(key.replace("lora_down", "lora_up")) alphakeys.append(key.replace("lora_down.weight", "alpha")) for i in range(len(downkeys)): down = state_dict[downkeys[i]].to(device) up = state_dict[upkeys[i]].to(device) alpha = state_dict[alphakeys[i]].to(device) dim = down.shape[0] scale = alpha / dim if up.shape[2:] == (1, 1) and down.shape[2:] == (1, 1): updown = (up.squeeze(2).squeeze(2) @ down.squeeze(2).squeeze(2)).unsqueeze(2).unsqueeze(3) elif up.shape[2:] == (3, 3) or down.shape[2:] == (3, 3): updown = torch.nn.functional.conv2d(down.permute(1, 0, 2, 3), up).permute(1, 0, 2, 3) else: updown = up @ down updown *= scale norm = updown.norm().clamp(min=max_norm_value / 2) desired = torch.clamp(norm, max=max_norm_value) ratio = desired.cpu() / norm.cpu() sqrt_ratio = ratio**0.5 if ratio != 1: keys_scaled += 1 state_dict[upkeys[i]] *= sqrt_ratio state_dict[downkeys[i]] *= sqrt_ratio scalednorm = updown.norm() * ratio norms.append(scalednorm.item()) return keys_scaled, sum(norms) / len(norms), max(norms) ================================================ FILE: networks/merge_lora.py ================================================ import math import argparse import os import time import torch from safetensors.torch import load_file, save_file from library import sai_model_spec, train_util import library.model_util as model_util import lora from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) def load_state_dict(file_name, dtype): if os.path.splitext(file_name)[1] == ".safetensors": sd = load_file(file_name) metadata = train_util.load_metadata_from_safetensors(file_name) else: sd = torch.load(file_name, map_location="cpu") metadata = {} for key in list(sd.keys()): if type(sd[key]) == torch.Tensor: sd[key] = sd[key].to(dtype) return sd, metadata def save_to_file(file_name, model, state_dict, dtype, metadata): if dtype is not None: for key in list(state_dict.keys()): if type(state_dict[key]) == torch.Tensor: state_dict[key] = state_dict[key].to(dtype) if os.path.splitext(file_name)[1] == ".safetensors": save_file(model, file_name, metadata=metadata) else: torch.save(model, file_name) def merge_to_sd_model(text_encoder, unet, models, ratios, merge_dtype): text_encoder.to(merge_dtype) unet.to(merge_dtype) # create module map name_to_module = {} for i, root_module in enumerate([text_encoder, unet]): if i == 0: prefix = lora.LoRANetwork.LORA_PREFIX_TEXT_ENCODER target_replace_modules = lora.LoRANetwork.TEXT_ENCODER_TARGET_REPLACE_MODULE else: prefix = lora.LoRANetwork.LORA_PREFIX_UNET target_replace_modules = ( lora.LoRANetwork.UNET_TARGET_REPLACE_MODULE + lora.LoRANetwork.UNET_TARGET_REPLACE_MODULE_CONV2D_3X3 ) for name, module in root_module.named_modules(): if module.__class__.__name__ in target_replace_modules: for child_name, child_module in module.named_modules(): if child_module.__class__.__name__ == "Linear" or child_module.__class__.__name__ == "Conv2d": lora_name = prefix + "." + name + "." + child_name lora_name = lora_name.replace(".", "_") name_to_module[lora_name] = child_module for model, ratio in zip(models, ratios): logger.info(f"loading: {model}") lora_sd, _ = load_state_dict(model, merge_dtype) logger.info(f"merging...") for key in lora_sd.keys(): if "lora_down" in key: up_key = key.replace("lora_down", "lora_up") alpha_key = key[: key.index("lora_down")] + "alpha" # find original module for this lora module_name = ".".join(key.split(".")[:-2]) # remove trailing ".lora_down.weight" if module_name not in name_to_module: logger.info(f"no module found for LoRA weight: {key}") continue module = name_to_module[module_name] # logger.info(f"apply {key} to {module}") down_weight = lora_sd[key] up_weight = lora_sd[up_key] dim = down_weight.size()[0] alpha = lora_sd.get(alpha_key, dim) scale = alpha / dim # W <- W + U * D weight = module.weight if len(weight.size()) == 2: # linear if len(up_weight.size()) == 4: # use linear projection mismatch up_weight = up_weight.squeeze(3).squeeze(2) down_weight = down_weight.squeeze(3).squeeze(2) weight = weight + ratio * (up_weight @ down_weight) * scale elif down_weight.size()[2:4] == (1, 1): # conv2d 1x1 weight = ( weight + ratio * (up_weight.squeeze(3).squeeze(2) @ down_weight.squeeze(3).squeeze(2)).unsqueeze(2).unsqueeze(3) * scale ) else: # conv2d 3x3 conved = torch.nn.functional.conv2d(down_weight.permute(1, 0, 2, 3), up_weight).permute(1, 0, 2, 3) # logger.info(conved.size(), weight.size(), module.stride, module.padding) weight = weight + ratio * conved * scale module.weight = torch.nn.Parameter(weight) def merge_lora_models(models, ratios, merge_dtype, concat=False, shuffle=False): base_alphas = {} # alpha for merged model base_dims = {} merged_sd = {} v2 = None base_model = None for model, ratio in zip(models, ratios): logger.info(f"loading: {model}") lora_sd, lora_metadata = load_state_dict(model, merge_dtype) if lora_metadata is not None: if v2 is None: v2 = lora_metadata.get(train_util.SS_METADATA_KEY_V2, None) # return string if base_model is None: base_model = lora_metadata.get(train_util.SS_METADATA_KEY_BASE_MODEL_VERSION, None) # get alpha and dim alphas = {} # alpha for current model dims = {} # dims for current model for key in lora_sd.keys(): if "alpha" in key: lora_module_name = key[: key.rfind(".alpha")] alpha = float(lora_sd[key].detach().numpy()) alphas[lora_module_name] = alpha if lora_module_name not in base_alphas: base_alphas[lora_module_name] = alpha elif "lora_down" in key: lora_module_name = key[: key.rfind(".lora_down")] dim = lora_sd[key].size()[0] dims[lora_module_name] = dim if lora_module_name not in base_dims: base_dims[lora_module_name] = dim for lora_module_name in dims.keys(): if lora_module_name not in alphas: alpha = dims[lora_module_name] alphas[lora_module_name] = alpha if lora_module_name not in base_alphas: base_alphas[lora_module_name] = alpha logger.info(f"dim: {list(set(dims.values()))}, alpha: {list(set(alphas.values()))}") # merge logger.info(f"merging...") for key in lora_sd.keys(): if "alpha" in key: continue if "lora_up" in key and concat: concat_dim = 1 elif "lora_down" in key and concat: concat_dim = 0 else: concat_dim = None lora_module_name = key[: key.rfind(".lora_")] base_alpha = base_alphas[lora_module_name] alpha = alphas[lora_module_name] scale = math.sqrt(alpha / base_alpha) * ratio scale = abs(scale) if "lora_up" in key else scale # マイナスの重みに対応する。 if key in merged_sd: assert ( merged_sd[key].size() == lora_sd[key].size() or concat_dim is not None ), f"weights shape mismatch merging v1 and v2, different dims? / 重みのサイズが合いません。v1とv2、または次元数の異なるモデルはマージできません" if concat_dim is not None: merged_sd[key] = torch.cat([merged_sd[key], lora_sd[key] * scale], dim=concat_dim) else: merged_sd[key] = merged_sd[key] + lora_sd[key] * scale else: merged_sd[key] = lora_sd[key] * scale # set alpha to sd for lora_module_name, alpha in base_alphas.items(): key = lora_module_name + ".alpha" merged_sd[key] = torch.tensor(alpha) if shuffle: key_down = lora_module_name + ".lora_down.weight" key_up = lora_module_name + ".lora_up.weight" dim = merged_sd[key_down].shape[0] perm = torch.randperm(dim) merged_sd[key_down] = merged_sd[key_down][perm] merged_sd[key_up] = merged_sd[key_up][:,perm] logger.info("merged model") logger.info(f"dim: {list(set(base_dims.values()))}, alpha: {list(set(base_alphas.values()))}") # check all dims are same dims_list = list(set(base_dims.values())) alphas_list = list(set(base_alphas.values())) all_same_dims = True all_same_alphas = True for dims in dims_list: if dims != dims_list[0]: all_same_dims = False break for alphas in alphas_list: if alphas != alphas_list[0]: all_same_alphas = False break # build minimum metadata dims = f"{dims_list[0]}" if all_same_dims else "Dynamic" alphas = f"{alphas_list[0]}" if all_same_alphas else "Dynamic" metadata = train_util.build_minimum_network_metadata(v2, base_model, "networks.lora", dims, alphas, None) return merged_sd, metadata, v2 == "True" def merge(args): assert len(args.models) == len(args.ratios), f"number of models must be equal to number of ratios / モデルの数と重みの数は合わせてください" def str_to_dtype(p): if p == "float": return torch.float if p == "fp16": return torch.float16 if p == "bf16": return torch.bfloat16 return None merge_dtype = str_to_dtype(args.precision) save_dtype = str_to_dtype(args.save_precision) if save_dtype is None: save_dtype = merge_dtype if args.sd_model is not None: logger.info(f"loading SD model: {args.sd_model}") text_encoder, vae, unet = model_util.load_models_from_stable_diffusion_checkpoint(args.v2, args.sd_model) merge_to_sd_model(text_encoder, unet, args.models, args.ratios, merge_dtype) if args.no_metadata: sai_metadata = None else: merged_from = sai_model_spec.build_merged_from([args.sd_model] + args.models) title = os.path.splitext(os.path.basename(args.save_to))[0] sai_metadata = sai_model_spec.build_metadata( None, args.v2, args.v2, False, False, False, time.time(), title=title, merged_from=merged_from, is_stable_diffusion_ckpt=True, ) if args.v2: # TODO read sai modelspec logger.warning( "Cannot determine if model is for v-prediction, so save metadata as v-prediction / modelがv-prediction用か否か不明なため、仮にv-prediction用としてmetadataを保存します" ) logger.info(f"saving SD model to: {args.save_to}") model_util.save_stable_diffusion_checkpoint( args.v2, args.save_to, text_encoder, unet, args.sd_model, 0, 0, sai_metadata, save_dtype, vae ) else: state_dict, metadata, v2 = merge_lora_models(args.models, args.ratios, merge_dtype, args.concat, args.shuffle) logger.info(f"calculating hashes and creating metadata...") model_hash, legacy_hash = train_util.precalculate_safetensors_hashes(state_dict, metadata) metadata["sshs_model_hash"] = model_hash metadata["sshs_legacy_hash"] = legacy_hash if not args.no_metadata: merged_from = sai_model_spec.build_merged_from(args.models) title = os.path.splitext(os.path.basename(args.save_to))[0] sai_metadata = sai_model_spec.build_metadata( state_dict, v2, v2, False, True, False, time.time(), title=title, merged_from=merged_from ) if v2: # TODO read sai modelspec logger.warning( "Cannot determine if LoRA is for v-prediction, so save metadata as v-prediction / LoRAがv-prediction用か否か不明なため、仮にv-prediction用としてmetadataを保存します" ) metadata.update(sai_metadata) logger.info(f"saving model to: {args.save_to}") save_to_file(args.save_to, state_dict, state_dict, save_dtype, metadata) def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument("--v2", action="store_true", help="load Stable Diffusion v2.x model / Stable Diffusion 2.xのモデルを読み込む") parser.add_argument( "--save_precision", type=str, default=None, choices=[None, "float", "fp16", "bf16"], help="precision in saving, same to merging if omitted / 保存時に精度を変更して保存する、省略時はマージ時の精度と同じ", ) parser.add_argument( "--precision", type=str, default="float", choices=["float", "fp16", "bf16"], help="precision in merging (float is recommended) / マージの計算時の精度（floatを推奨）", ) parser.add_argument( "--sd_model", type=str, default=None, help="Stable Diffusion model to load: ckpt or safetensors file, merge LoRA models if omitted / 読み込むモデル、ckptまたはsafetensors。省略時はLoRAモデル同士をマージする", ) parser.add_argument( "--save_to", type=str, default=None, help="destination file name: ckpt or safetensors file / 保存先のファイル名、ckptまたはsafetensors" ) parser.add_argument( "--models", type=str, nargs="*", help="LoRA models to merge: ckpt or safetensors file / マージするLoRAモデル、ckptまたはsafetensors" ) parser.add_argument("--ratios", type=float, nargs="*", help="ratios for each model / それぞれのLoRAモデルの比率") parser.add_argument( "--no_metadata", action="store_true", help="do not save sai modelspec metadata (minimum ss_metadata for LoRA is saved) / " + "sai modelspecのメタデータを保存しない（LoRAの最低限のss_metadataは保存される）", ) parser.add_argument( "--concat", action="store_true", help="concat lora instead of merge (The dim(rank) of the output LoRA is the sum of the input dims) / " + "マージの代わりに結合する（LoRAのdim(rank)は入力dimの合計になる）", ) parser.add_argument( "--shuffle", action="store_true", help="shuffle lora weight./ " + "LoRAの重みをシャッフルする", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() merge(args) ================================================ FILE: networks/merge_lora_old.py ================================================ import argparse import os import torch from safetensors.torch import load_file, save_file import library.model_util as model_util import lora from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) def load_state_dict(file_name, dtype): if os.path.splitext(file_name)[1] == '.safetensors': sd = load_file(file_name) else: sd = torch.load(file_name, map_location='cpu') for key in list(sd.keys()): if type(sd[key]) == torch.Tensor: sd[key] = sd[key].to(dtype) return sd def save_to_file(file_name, model, state_dict, dtype): if dtype is not None: for key in list(state_dict.keys()): if type(state_dict[key]) == torch.Tensor: state_dict[key] = state_dict[key].to(dtype) if os.path.splitext(file_name)[1] == '.safetensors': save_file(model, file_name) else: torch.save(model, file_name) def merge_to_sd_model(text_encoder, unet, models, ratios, merge_dtype): text_encoder.to(merge_dtype) unet.to(merge_dtype) # create module map name_to_module = {} for i, root_module in enumerate([text_encoder, unet]): if i == 0: prefix = lora.LoRANetwork.LORA_PREFIX_TEXT_ENCODER target_replace_modules = lora.LoRANetwork.TEXT_ENCODER_TARGET_REPLACE_MODULE else: prefix = lora.LoRANetwork.LORA_PREFIX_UNET target_replace_modules = lora.LoRANetwork.UNET_TARGET_REPLACE_MODULE for name, module in root_module.named_modules(): if module.__class__.__name__ in target_replace_modules: for child_name, child_module in module.named_modules(): if child_module.__class__.__name__ == "Linear" or (child_module.__class__.__name__ == "Conv2d" and child_module.kernel_size == (1, 1)): lora_name = prefix + '.' + name + '.' + child_name lora_name = lora_name.replace('.', '_') name_to_module[lora_name] = child_module for model, ratio in zip(models, ratios): logger.info(f"loading: {model}") lora_sd = load_state_dict(model, merge_dtype) logger.info(f"merging...") for key in lora_sd.keys(): if "lora_down" in key: up_key = key.replace("lora_down", "lora_up") alpha_key = key[:key.index("lora_down")] + 'alpha' # find original module for this lora module_name = '.'.join(key.split('.')[:-2]) # remove trailing ".lora_down.weight" if module_name not in name_to_module: logger.info(f"no module found for LoRA weight: {key}") continue module = name_to_module[module_name] # logger.info(f"apply {key} to {module}") down_weight = lora_sd[key] up_weight = lora_sd[up_key] dim = down_weight.size()[0] alpha = lora_sd.get(alpha_key, dim) scale = alpha / dim # W <- W + U * D weight = module.weight if len(weight.size()) == 2: # linear weight = weight + ratio * (up_weight @ down_weight) * scale else: # conv2d weight = weight + ratio * (up_weight.squeeze(3).squeeze(2) @ down_weight.squeeze(3).squeeze(2)).unsqueeze(2).unsqueeze(3) * scale module.weight = torch.nn.Parameter(weight) def merge_lora_models(models, ratios, merge_dtype): merged_sd = {} alpha = None dim = None for model, ratio in zip(models, ratios): logger.info(f"loading: {model}") lora_sd = load_state_dict(model, merge_dtype) logger.info(f"merging...") for key in lora_sd.keys(): if 'alpha' in key: if key in merged_sd: assert merged_sd[key] == lora_sd[key], f"alpha mismatch / alphaが異なる場合、現時点ではマージできません" else: alpha = lora_sd[key].detach().numpy() merged_sd[key] = lora_sd[key] else: if key in merged_sd: assert merged_sd[key].size() == lora_sd[key].size( ), f"weights shape mismatch merging v1 and v2, different dims? / 重みのサイズが合いません。v1とv2、または次元数の異なるモデルはマージできません" merged_sd[key] = merged_sd[key] + lora_sd[key] * ratio else: if "lora_down" in key: dim = lora_sd[key].size()[0] merged_sd[key] = lora_sd[key] * ratio logger.info(f"dim (rank): {dim}, alpha: {alpha}") if alpha is None: alpha = dim return merged_sd, dim, alpha def merge(args): assert len(args.models) == len(args.ratios), f"number of models must be equal to number of ratios / モデルの数と重みの数は合わせてください" def str_to_dtype(p): if p == 'float': return torch.float if p == 'fp16': return torch.float16 if p == 'bf16': return torch.bfloat16 return None merge_dtype = str_to_dtype(args.precision) save_dtype = str_to_dtype(args.save_precision) if save_dtype is None: save_dtype = merge_dtype if args.sd_model is not None: logger.info(f"loading SD model: {args.sd_model}") text_encoder, vae, unet = model_util.load_models_from_stable_diffusion_checkpoint(args.v2, args.sd_model) merge_to_sd_model(text_encoder, unet, args.models, args.ratios, merge_dtype) logger.info("") logger.info(f"saving SD model to: {args.save_to}") model_util.save_stable_diffusion_checkpoint(args.v2, args.save_to, text_encoder, unet, args.sd_model, 0, 0, save_dtype, vae) else: state_dict, _, _ = merge_lora_models(args.models, args.ratios, merge_dtype) logger.info(f"") logger.info(f"saving model to: {args.save_to}") save_to_file(args.save_to, state_dict, state_dict, save_dtype) def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument("--v2", action='store_true', help='load Stable Diffusion v2.x model / Stable Diffusion 2.xのモデルを読み込む') parser.add_argument("--save_precision", type=str, default=None, choices=[None, "float", "fp16", "bf16"], help="precision in saving, same to merging if omitted / 保存時に精度を変更して保存する、省略時はマージ時の精度と同じ") parser.add_argument("--precision", type=str, default="float", choices=["float", "fp16", "bf16"], help="precision in merging (float is recommended) / マージの計算時の精度（floatを推奨）") parser.add_argument("--sd_model", type=str, default=None, help="Stable Diffusion model to load: ckpt or safetensors file, merge LoRA models if omitted / 読み込むモデル、ckptまたはsafetensors。省略時はLoRAモデル同士をマージする") parser.add_argument("--save_to", type=str, default=None, help="destination file name: ckpt or safetensors file / 保存先のファイル名、ckptまたはsafetensors") parser.add_argument("--models", type=str, nargs='*', help="LoRA models to merge: ckpt or safetensors file / マージするLoRAモデル、ckptまたはsafetensors") parser.add_argument("--ratios", type=float, nargs='*', help="ratios for each model / それぞれのLoRAモデルの比率") return parser if __name__ == '__main__': parser = setup_parser() args = parser.parse_args() merge(args) ================================================ FILE: networks/oft.py ================================================ # OFT network module import math import os from typing import Dict, List, Optional, Tuple, Type, Union from diffusers import AutoencoderKL import einops from transformers import CLIPTextModel import numpy as np import torch import torch.nn.functional as F import re from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) RE_UPDOWN = re.compile(r"(up|down)_blocks_(\d+)_(resnets|upsamplers|downsamplers|attentions)_(\d+)_") class OFTModule(torch.nn.Module): """ replaces forward method of the original Linear, instead of replacing the original Linear module. """ def __init__( self, oft_name, org_module: torch.nn.Module, multiplier=1.0, dim=4, alpha=1, ): """ dim -> num blocks alpha -> constraint """ super().__init__() self.oft_name = oft_name self.num_blocks = dim if "Linear" in org_module.__class__.__name__: out_dim = org_module.out_features elif "Conv" in org_module.__class__.__name__: out_dim = org_module.out_channels if type(alpha) == torch.Tensor: alpha = alpha.detach().numpy() # constraint in original paper is alpha * out_dim * out_dim, but we use alpha * out_dim for backward compatibility # original alpha is 1e-5, so we use 1e-2 or 1e-4 for alpha self.constraint = alpha * out_dim self.register_buffer("alpha", torch.tensor(alpha)) self.block_size = out_dim // self.num_blocks self.oft_blocks = torch.nn.Parameter(torch.zeros(self.num_blocks, self.block_size, self.block_size)) self.I = torch.eye(self.block_size).unsqueeze(0).repeat(self.num_blocks, 1, 1) # cpu self.out_dim = out_dim self.shape = org_module.weight.shape self.multiplier = multiplier self.org_module = [org_module] # moduleにならないようにlistに入れる def apply_to(self): self.org_forward = self.org_module[0].forward self.org_module[0].forward = self.forward def get_weight(self, multiplier=None): if multiplier is None: multiplier = self.multiplier block_Q = self.oft_blocks - self.oft_blocks.transpose(1, 2) norm_Q = torch.norm(block_Q.flatten()) new_norm_Q = torch.clamp(norm_Q, max=self.constraint) block_Q = block_Q * ((new_norm_Q + 1e-8) / (norm_Q + 1e-8)) if self.I.device != block_Q.device: self.I = self.I.to(block_Q.device) I = self.I block_R = torch.matmul(I + block_Q, (I - block_Q).float().inverse()) block_R_weighted = self.multiplier * (block_R - I) + I return block_R_weighted def forward(self, x, scale=None): if self.multiplier == 0.0: return self.org_forward(x) org_module = self.org_module[0] org_dtype = x.dtype R = self.get_weight().to(torch.float32) W = org_module.weight.to(torch.float32) if len(W.shape) == 4: # Conv2d W_reshaped = einops.rearrange(W, "(k n) ... -> k n ...", k=self.num_blocks, n=self.block_size) RW = torch.einsum("k n m, k n ... -> k m ...", R, W_reshaped) RW = einops.rearrange(RW, "k m ... -> (k m) ...") result = F.conv2d( x, RW.to(org_dtype), org_module.bias, org_module.stride, org_module.padding, org_module.dilation, org_module.groups ) else: # Linear W_reshaped = einops.rearrange(W, "(k n) m -> k n m", k=self.num_blocks, n=self.block_size) RW = torch.einsum("k n m, k n p -> k m p", R, W_reshaped) RW = einops.rearrange(RW, "k m p -> (k m) p") result = F.linear(x, RW.to(org_dtype), org_module.bias) return result class OFTInfModule(OFTModule): def __init__( self, oft_name, org_module: torch.nn.Module, multiplier=1.0, dim=4, alpha=1, **kwargs, ): # no dropout for inference super().__init__(oft_name, org_module, multiplier, dim, alpha) self.enabled = True self.network: OFTNetwork = None def set_network(self, network): self.network = network def forward(self, x, scale=None): if not self.enabled: return self.org_forward(x) return super().forward(x, scale) def merge_to(self, multiplier=None): # get org weight org_sd = self.org_module[0].state_dict() org_weight = org_sd["weight"].to(torch.float32) R = self.get_weight(multiplier).to(torch.float32) weight = org_weight.reshape(self.num_blocks, self.block_size, -1) weight = torch.einsum("k n m, k n ... -> k m ...", R, weight) weight = weight.reshape(org_weight.shape) # convert back to original dtype weight = weight.to(org_sd["weight"].dtype) # set weight to org_module org_sd["weight"] = weight self.org_module[0].load_state_dict(org_sd) def create_network( multiplier: float, network_dim: Optional[int], network_alpha: Optional[float], vae: AutoencoderKL, text_encoder: Union[CLIPTextModel, List[CLIPTextModel]], unet, neuron_dropout: Optional[float] = None, **kwargs, ): if network_dim is None: network_dim = 4 # default if network_alpha is None: # should be set logger.info( "network_alpha is not set, use default value 1e-3 / network_alphaが設定されていないのでデフォルト値 1e-3 を使用します" ) network_alpha = 1e-3 elif network_alpha >= 1: logger.warning( "network_alpha is too large (>=1, maybe default value is too large), please consider to set smaller value like 1e-3" " / network_alphaが大きすぎるようです(>=1, デフォルト値が大きすぎる可能性があります)。1e-3のような小さな値を推奨" ) enable_all_linear = kwargs.get("enable_all_linear", None) enable_conv = kwargs.get("enable_conv", None) if enable_all_linear is not None: enable_all_linear = bool(enable_all_linear) if enable_conv is not None: enable_conv = bool(enable_conv) network = OFTNetwork( text_encoder, unet, multiplier=multiplier, dim=network_dim, alpha=network_alpha, enable_all_linear=enable_all_linear, enable_conv=enable_conv, varbose=True, ) return network # Create network from weights for inference, weights are not loaded here (because can be merged) def create_network_from_weights(multiplier, file, vae, text_encoder, unet, weights_sd=None, for_inference=False, **kwargs): if weights_sd is None: if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file, safe_open weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu") # check dim, alpha and if weights have for conv2d dim = None alpha = None has_conv2d = None all_linear = None for name, param in weights_sd.items(): if name.endswith(".alpha"): if alpha is None: alpha = param.item() else: if dim is None: dim = param.size()[0] if has_conv2d is None and "in_layers_2" in name: has_conv2d = True if all_linear is None and "_ff_" in name: all_linear = True if dim is not None and alpha is not None and has_conv2d is not None and all_linear is not None: break if has_conv2d is None: has_conv2d = False if all_linear is None: all_linear = False module_class = OFTInfModule if for_inference else OFTModule network = OFTNetwork( text_encoder, unet, multiplier=multiplier, dim=dim, alpha=alpha, enable_all_linear=all_linear, enable_conv=has_conv2d, module_class=module_class, ) return network, weights_sd class OFTNetwork(torch.nn.Module): UNET_TARGET_REPLACE_MODULE_ATTN_ONLY = ["CrossAttention"] UNET_TARGET_REPLACE_MODULE_ALL_LINEAR = ["Transformer2DModel"] UNET_TARGET_REPLACE_MODULE_CONV2D_3X3 = ["ResnetBlock2D", "Downsample2D", "Upsample2D"] OFT_PREFIX_UNET = "oft_unet" # これ変えないほうがいいかな def __init__( self, text_encoder: Union[List[CLIPTextModel], CLIPTextModel], unet, multiplier: float = 1.0, dim: int = 4, alpha: float = 1, enable_all_linear: Optional[bool] = False, enable_conv: Optional[bool] = False, module_class: Type[object] = OFTModule, varbose: Optional[bool] = False, ) -> None: super().__init__() self.multiplier = multiplier self.dim = dim self.alpha = alpha logger.info( f"create OFT network. num blocks: {self.dim}, constraint: {self.alpha}, multiplier: {self.multiplier}, enable_conv: {enable_conv}, enable_all_linear: {enable_all_linear}" ) # create module instances def create_modules( root_module: torch.nn.Module, target_replace_modules: List[torch.nn.Module], ) -> List[OFTModule]: prefix = self.OFT_PREFIX_UNET ofts = [] for name, module in root_module.named_modules(): if module.__class__.__name__ in target_replace_modules: for child_name, child_module in module.named_modules(): is_linear = "Linear" in child_module.__class__.__name__ is_conv2d = "Conv2d" in child_module.__class__.__name__ is_conv2d_1x1 = is_conv2d and child_module.kernel_size == (1, 1) if is_linear or is_conv2d_1x1 or (is_conv2d and enable_conv): oft_name = prefix + "." + name + "." + child_name oft_name = oft_name.replace(".", "_") # logger.info(oft_name) oft = module_class( oft_name, child_module, self.multiplier, dim, alpha, ) ofts.append(oft) return ofts # extend U-Net target modules if conv2d 3x3 is enabled, or load from weights if enable_all_linear: target_modules = OFTNetwork.UNET_TARGET_REPLACE_MODULE_ALL_LINEAR else: target_modules = OFTNetwork.UNET_TARGET_REPLACE_MODULE_ATTN_ONLY if enable_conv: target_modules += OFTNetwork.UNET_TARGET_REPLACE_MODULE_CONV2D_3X3 self.unet_ofts: List[OFTModule] = create_modules(unet, target_modules) logger.info(f"create OFT for U-Net: {len(self.unet_ofts)} modules.") # assertion names = set() for oft in self.unet_ofts: assert oft.oft_name not in names, f"duplicated oft name: {oft.oft_name}" names.add(oft.oft_name) def set_multiplier(self, multiplier): self.multiplier = multiplier for oft in self.unet_ofts: oft.multiplier = self.multiplier def load_weights(self, file): if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu") info = self.load_state_dict(weights_sd, False) return info def apply_to(self, text_encoder, unet, apply_text_encoder=True, apply_unet=True): assert apply_unet, "apply_unet must be True" for oft in self.unet_ofts: oft.apply_to() self.add_module(oft.oft_name, oft) # マージできるかどうかを返す def is_mergeable(self): return True # TODO refactor to common function with apply_to def merge_to(self, text_encoder, unet, weights_sd, dtype, device): logger.info("enable OFT for U-Net") for oft in self.unet_ofts: sd_for_lora = {} for key in weights_sd.keys(): if key.startswith(oft.oft_name): sd_for_lora[key[len(oft.oft_name) + 1 :]] = weights_sd[key] oft.load_state_dict(sd_for_lora, False) oft.merge_to() logger.info(f"weights are merged") # 二つのText Encoderに別々の学習率を設定できるようにするといいかも def prepare_optimizer_params(self, text_encoder_lr, unet_lr, default_lr): self.requires_grad_(True) all_params = [] def enumerate_params(ofts): params = [] for oft in ofts: params.extend(oft.parameters()) # logger.info num of params num_params = 0 for p in params: num_params += p.numel() logger.info(f"OFT params: {num_params}") return params param_data = {"params": enumerate_params(self.unet_ofts)} if unet_lr is not None: param_data["lr"] = unet_lr all_params.append(param_data) return all_params def enable_gradient_checkpointing(self): # not supported pass def prepare_grad_etc(self, text_encoder, unet): self.requires_grad_(True) def on_epoch_start(self, text_encoder, unet): self.train() def get_trainable_params(self): return self.parameters() def save_weights(self, file, dtype, metadata): if metadata is not None and len(metadata) == 0: metadata = None state_dict = self.state_dict() if dtype is not None: for key in list(state_dict.keys()): v = state_dict[key] v = v.detach().clone().to("cpu").to(dtype) state_dict[key] = v if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import save_file from library import train_util # Precalculate model hashes to save time on indexing if metadata is None: metadata = {} model_hash, legacy_hash = train_util.precalculate_safetensors_hashes(state_dict, metadata) metadata["sshs_model_hash"] = model_hash metadata["sshs_legacy_hash"] = legacy_hash save_file(state_dict, file, metadata) else: torch.save(state_dict, file) def backup_weights(self): # 重みのバックアップを行う ofts: List[OFTInfModule] = self.unet_ofts for oft in ofts: org_module = oft.org_module[0] if not hasattr(org_module, "_lora_org_weight"): sd = org_module.state_dict() org_module._lora_org_weight = sd["weight"].detach().clone() org_module._lora_restored = True def restore_weights(self): # 重みのリストアを行う ofts: List[OFTInfModule] = self.unet_ofts for oft in ofts: org_module = oft.org_module[0] if not org_module._lora_restored: sd = org_module.state_dict() sd["weight"] = org_module._lora_org_weight org_module.load_state_dict(sd) org_module._lora_restored = True def pre_calculation(self): # 事前計算を行う ofts: List[OFTInfModule] = self.unet_ofts for oft in ofts: org_module = oft.org_module[0] oft.merge_to() # sd = org_module.state_dict() # org_weight = sd["weight"] # lora_weight = oft.get_weight().to(org_weight.device, dtype=org_weight.dtype) # sd["weight"] = org_weight + lora_weight # assert sd["weight"].shape == org_weight.shape # org_module.load_state_dict(sd) org_module._lora_restored = False oft.enabled = False ================================================ FILE: networks/oft_flux.py ================================================ # OFT network module import math import os from typing import Dict, List, Optional, Tuple, Type, Union from diffusers import AutoencoderKL import einops from transformers import CLIPTextModel import numpy as np import torch import torch.nn.functional as F import re from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) class OFTModule(torch.nn.Module): """ replaces forward method of the original Linear, instead of replacing the original Linear module. """ def __init__( self, oft_name, org_module: torch.nn.Module, multiplier=1.0, dim=4, alpha=1, split_dims: Optional[List[int]] = None, ): """ dim -> num blocks alpha -> constraint split_dims is used to mimic the split qkv of FLUX as same as Diffusers """ super().__init__() self.oft_name = oft_name self.num_blocks = dim if type(alpha) == torch.Tensor: alpha = alpha.detach().numpy() self.register_buffer("alpha", torch.tensor(alpha)) # No conv2d in FLUX # if "Linear" in org_module.__class__.__name__: self.out_dim = org_module.out_features # elif "Conv" in org_module.__class__.__name__: # out_dim = org_module.out_channels if split_dims is None: split_dims = [self.out_dim] else: assert sum(split_dims) == self.out_dim, "sum of split_dims must be equal to out_dim" self.split_dims = split_dims # assert all dim is divisible by num_blocks for split_dim in self.split_dims: assert split_dim % self.num_blocks == 0, "split_dim must be divisible by num_blocks" self.constraint = [alpha * split_dim for split_dim in self.split_dims] self.block_size = [split_dim // self.num_blocks for split_dim in self.split_dims] self.oft_blocks = torch.nn.ParameterList( [torch.nn.Parameter(torch.zeros(self.num_blocks, block_size, block_size)) for block_size in self.block_size] ) self.I = [torch.eye(block_size).unsqueeze(0).repeat(self.num_blocks, 1, 1) for block_size in self.block_size] self.shape = org_module.weight.shape self.multiplier = multiplier self.org_module = [org_module] # moduleにならないようにlistに入れる def apply_to(self): self.org_forward = self.org_module[0].forward self.org_module[0].forward = self.forward def get_weight(self, multiplier=None): if multiplier is None: multiplier = self.multiplier if self.I[0].device != self.oft_blocks[0].device: self.I = [I.to(self.oft_blocks[0].device) for I in self.I] block_R_weighted_list = [] for i in range(len(self.oft_blocks)): block_Q = self.oft_blocks[i] - self.oft_blocks[i].transpose(1, 2) norm_Q = torch.norm(block_Q.flatten()) new_norm_Q = torch.clamp(norm_Q, max=self.constraint[i]) block_Q = block_Q * ((new_norm_Q + 1e-8) / (norm_Q + 1e-8)) I = self.I[i] block_R = torch.matmul(I + block_Q, (I - block_Q).float().inverse()) block_R_weighted = self.multiplier * (block_R - I) + I block_R_weighted_list.append(block_R_weighted) return block_R_weighted_list def forward(self, x, scale=None): if self.multiplier == 0.0: return self.org_forward(x) org_module = self.org_module[0] org_dtype = x.dtype R = self.get_weight() W = org_module.weight.to(torch.float32) B = org_module.bias.to(torch.float32) # split W to match R results = [] d2 = 0 for i in range(len(R)): d1 = d2 d2 += self.split_dims[i] W1 = W[d1:d2] W_reshaped = einops.rearrange(W1, "(k n) m -> k n m", k=self.num_blocks, n=self.block_size[i]) RW_1 = torch.einsum("k n m, k n p -> k m p", R[i], W_reshaped) RW_1 = einops.rearrange(RW_1, "k m p -> (k m) p") B1 = B[d1:d2] result = F.linear(x, RW_1.to(org_dtype), B1.to(org_dtype)) results.append(result) result = torch.cat(results, dim=-1) return result class OFTInfModule(OFTModule): def __init__( self, oft_name, org_module: torch.nn.Module, multiplier=1.0, dim=4, alpha=1, split_dims: Optional[List[int]] = None, **kwargs, ): # no dropout for inference super().__init__(oft_name, org_module, multiplier, dim, alpha, split_dims) self.enabled = True self.network: OFTNetwork = None def set_network(self, network): self.network = network def forward(self, x, scale=None): if not self.enabled: return self.org_forward(x) return super().forward(x, scale) def merge_to(self, multiplier=None): # get org weight org_sd = self.org_module[0].state_dict() W = org_sd["weight"].to(torch.float32) R = self.get_weight(multiplier).to(torch.float32) d2 = 0 W_list = [] for i in range(len(self.oft_blocks)): d1 = d2 d2 += self.split_dims[i] W1 = W[d1:d2] W_reshaped = einops.rearrange(W1, "(k n) m -> k n m", k=self.num_blocks, n=self.block_size[i]) W1 = torch.einsum("k n m, k n p -> k m p", R[i], W_reshaped) W1 = einops.rearrange(W1, "k m p -> (k m) p") W_list.append(W1) W = torch.cat(W_list, dim=-1) # convert back to original dtype W = W.to(org_sd["weight"].dtype) # set weight to org_module org_sd["weight"] = W self.org_module[0].load_state_dict(org_sd) def create_network( multiplier: float, network_dim: Optional[int], network_alpha: Optional[float], vae: AutoencoderKL, text_encoder: Union[CLIPTextModel, List[CLIPTextModel]], unet, neuron_dropout: Optional[float] = None, **kwargs, ): if network_dim is None: network_dim = 4 # default if network_alpha is None: # should be set logger.info( "network_alpha is not set, use default value 1e-3 / network_alphaが設定されていないのでデフォルト値 1e-3 を使用します" ) network_alpha = 1e-3 elif network_alpha >= 1: logger.warning( "network_alpha is too large (>=1, maybe default value is too large), please consider to set smaller value like 1e-3" " / network_alphaが大きすぎるようです(>=1, デフォルト値が大きすぎる可能性があります)。1e-3のような小さな値を推奨" ) # attn only or all linear (FFN) layers enable_all_linear = kwargs.get("enable_all_linear", None) # enable_conv = kwargs.get("enable_conv", None) if enable_all_linear is not None: enable_all_linear = bool(enable_all_linear) # if enable_conv is not None: # enable_conv = bool(enable_conv) network = OFTNetwork( text_encoder, unet, multiplier=multiplier, dim=network_dim, alpha=network_alpha, enable_all_linear=enable_all_linear, varbose=True, ) return network # Create network from weights for inference, weights are not loaded here (because can be merged) def create_network_from_weights(multiplier, file, vae, text_encoder, unet, weights_sd=None, for_inference=False, **kwargs): if weights_sd is None: if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file, safe_open weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu") # check dim, alpha and if weights have for conv2d dim = None alpha = None all_linear = None for name, param in weights_sd.items(): if name.endswith(".alpha"): if alpha is None: alpha = param.item() elif "qkv" in name: continue # ignore qkv else: if dim is None: dim = param.size()[0] if all_linear is None and "_mlp" in name: all_linear = True if dim is not None and alpha is not None and all_linear is not None: break if all_linear is None: all_linear = False module_class = OFTInfModule if for_inference else OFTModule network = OFTNetwork( text_encoder, unet, multiplier=multiplier, dim=dim, alpha=alpha, enable_all_linear=all_linear, module_class=module_class, ) return network, weights_sd class OFTNetwork(torch.nn.Module): FLUX_TARGET_REPLACE_MODULE_ALL_LINEAR = ["DoubleStreamBlock", "SingleStreamBlock"] FLUX_TARGET_REPLACE_MODULE_ATTN_ONLY = ["SelfAttention"] OFT_PREFIX_UNET = "oft_unet" def __init__( self, text_encoder: Union[List[CLIPTextModel], CLIPTextModel], unet, multiplier: float = 1.0, dim: int = 4, alpha: float = 1, enable_all_linear: Optional[bool] = False, module_class: Union[Type[OFTModule], Type[OFTInfModule]] = OFTModule, varbose: Optional[bool] = False, ) -> None: super().__init__() self.train_t5xxl = False # make compatible with LoRA self.multiplier = multiplier self.dim = dim self.alpha = alpha logger.info( f"create OFT network. num blocks: {self.dim}, constraint: {self.alpha}, multiplier: {self.multiplier}, enable_all_linear: {enable_all_linear}" ) # create module instances def create_modules( root_module: torch.nn.Module, target_replace_modules: List[torch.nn.Module], ) -> List[OFTModule]: prefix = self.OFT_PREFIX_UNET ofts = [] for name, module in root_module.named_modules(): if module.__class__.__name__ in target_replace_modules: for child_name, child_module in module.named_modules(): is_linear = "Linear" in child_module.__class__.__name__ if is_linear: oft_name = prefix + "." + name + "." + child_name oft_name = oft_name.replace(".", "_") # logger.info(oft_name) if "double" in oft_name and "qkv" in oft_name: split_dims = [3072] * 3 elif "single" in oft_name and "linear1" in oft_name: split_dims = [3072] * 3 + [12288] else: split_dims = None oft = module_class(oft_name, child_module, self.multiplier, dim, alpha, split_dims) ofts.append(oft) return ofts # extend U-Net target modules if conv2d 3x3 is enabled, or load from weights if enable_all_linear: target_modules = OFTNetwork.FLUX_TARGET_REPLACE_MODULE_ALL_LINEAR else: target_modules = OFTNetwork.FLUX_TARGET_REPLACE_MODULE_ATTN_ONLY self.unet_ofts: List[OFTModule] = create_modules(unet, target_modules) logger.info(f"create OFT for Flux: {len(self.unet_ofts)} modules.") # assertion names = set() for oft in self.unet_ofts: assert oft.oft_name not in names, f"duplicated oft name: {oft.oft_name}" names.add(oft.oft_name) def set_multiplier(self, multiplier): self.multiplier = multiplier for oft in self.unet_ofts: oft.multiplier = self.multiplier def load_weights(self, file): if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file weights_sd = load_file(file) else: weights_sd = torch.load(file, map_location="cpu") info = self.load_state_dict(weights_sd, False) return info def apply_to(self, text_encoder, unet, apply_text_encoder=True, apply_unet=True): assert apply_unet, "apply_unet must be True" for oft in self.unet_ofts: oft.apply_to() self.add_module(oft.oft_name, oft) # マージできるかどうかを返す def is_mergeable(self): return True # TODO refactor to common function with apply_to def merge_to(self, text_encoder, unet, weights_sd, dtype, device): logger.info("enable OFT for U-Net") for oft in self.unet_ofts: sd_for_lora = {} for key in weights_sd.keys(): if key.startswith(oft.oft_name): sd_for_lora[key[len(oft.oft_name) + 1 :]] = weights_sd[key] oft.load_state_dict(sd_for_lora, False) oft.merge_to() logger.info(f"weights are merged") # 二つのText Encoderに別々の学習率を設定できるようにするといいかも def prepare_optimizer_params(self, text_encoder_lr, unet_lr, default_lr): self.requires_grad_(True) all_params = [] def enumerate_params(ofts): params = [] for oft in ofts: params.extend(oft.parameters()) # logger.info num of params num_params = 0 for p in params: num_params += p.numel() logger.info(f"OFT params: {num_params}") return params param_data = {"params": enumerate_params(self.unet_ofts)} if unet_lr is not None: param_data["lr"] = unet_lr all_params.append(param_data) return all_params def enable_gradient_checkpointing(self): # not supported pass def prepare_grad_etc(self, text_encoder, unet): self.requires_grad_(True) def on_epoch_start(self, text_encoder, unet): self.train() def get_trainable_params(self): return self.parameters() def save_weights(self, file, dtype, metadata): if metadata is not None and len(metadata) == 0: metadata = None state_dict = self.state_dict() if dtype is not None: for key in list(state_dict.keys()): v = state_dict[key] v = v.detach().clone().to("cpu").to(dtype) state_dict[key] = v if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import save_file from library import train_util # Precalculate model hashes to save time on indexing if metadata is None: metadata = {} model_hash, legacy_hash = train_util.precalculate_safetensors_hashes(state_dict, metadata) metadata["sshs_model_hash"] = model_hash metadata["sshs_legacy_hash"] = legacy_hash save_file(state_dict, file, metadata) else: torch.save(state_dict, file) def backup_weights(self): # 重みのバックアップを行う ofts: List[OFTInfModule] = self.unet_ofts for oft in ofts: org_module = oft.org_module[0] if not hasattr(org_module, "_lora_org_weight"): sd = org_module.state_dict() org_module._lora_org_weight = sd["weight"].detach().clone() org_module._lora_restored = True def restore_weights(self): # 重みのリストアを行う ofts: List[OFTInfModule] = self.unet_ofts for oft in ofts: org_module = oft.org_module[0] if not org_module._lora_restored: sd = org_module.state_dict() sd["weight"] = org_module._lora_org_weight org_module.load_state_dict(sd) org_module._lora_restored = True def pre_calculation(self): # 事前計算を行う ofts: List[OFTInfModule] = self.unet_ofts for oft in ofts: org_module = oft.org_module[0] oft.merge_to() # sd = org_module.state_dict() # org_weight = sd["weight"] # lora_weight = oft.get_weight().to(org_weight.device, dtype=org_weight.dtype) # sd["weight"] = org_weight + lora_weight # assert sd["weight"].shape == org_weight.shape # org_module.load_state_dict(sd) org_module._lora_restored = False oft.enabled = False ================================================ FILE: networks/resize_lora.py ================================================ # Convert LoRA to different rank approximation (should only be used to go to lower rank) # This code is based off the extract_lora_from_models.py file which is based on https://github.com/cloneofsimo/lora/blob/develop/lora_diffusion/cli_svd.py # Thanks to cloneofsimo import os import argparse import torch from safetensors.torch import load_file, save_file, safe_open from tqdm import tqdm import numpy as np from library import train_util from library import model_util from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) MIN_SV = 1e-6 LORA_DOWN_UP_FORMATS = [ ("lora_down", "lora_up"), # sd-scripts LoRA ("lora_A", "lora_B"), # PEFT LoRA ("down", "up"), # ControlLoRA ] # Model save and load functions def load_state_dict(file_name, dtype): if model_util.is_safetensors(file_name): sd = load_file(file_name) with safe_open(file_name, framework="pt") as f: metadata = f.metadata() else: sd = torch.load(file_name, map_location="cpu") metadata = None for key in list(sd.keys()): if type(sd[key]) == torch.Tensor: sd[key] = sd[key].to(dtype) return sd, metadata def save_to_file(file_name, state_dict, metadata): if model_util.is_safetensors(file_name): save_file(state_dict, file_name, metadata) else: torch.save(state_dict, file_name) # Indexing functions def index_sv_cumulative(S, target): original_sum = float(torch.sum(S)) cumulative_sums = torch.cumsum(S, dim=0) / original_sum index = int(torch.searchsorted(cumulative_sums, target)) + 1 index = max(1, min(index, len(S) - 1)) return index def index_sv_fro(S, target): S_squared = S.pow(2) S_fro_sq = float(torch.sum(S_squared)) sum_S_squared = torch.cumsum(S_squared, dim=0) / S_fro_sq index = int(torch.searchsorted(sum_S_squared, target**2)) + 1 index = max(1, min(index, len(S) - 1)) return index def index_sv_ratio(S, target): max_sv = S[0] min_sv = max_sv / target index = int(torch.sum(S > min_sv).item()) index = max(1, min(index, len(S) - 1)) return index # Modified from Kohaku-blueleaf's extract/merge functions def extract_conv(weight, lora_rank, dynamic_method, dynamic_param, device, scale=1): out_size, in_size, kernel_size, _ = weight.size() U, S, Vh = torch.linalg.svd(weight.reshape(out_size, -1).to(device)) param_dict = rank_resize(S, lora_rank, dynamic_method, dynamic_param, scale) lora_rank = param_dict["new_rank"] U = U[:, :lora_rank] S = S[:lora_rank] U = U @ torch.diag(S) Vh = Vh[:lora_rank, :] param_dict["lora_down"] = Vh.reshape(lora_rank, in_size, kernel_size, kernel_size).cpu() param_dict["lora_up"] = U.reshape(out_size, lora_rank, 1, 1).cpu() del U, S, Vh, weight return param_dict def extract_linear(weight, lora_rank, dynamic_method, dynamic_param, device, scale=1): out_size, in_size = weight.size() U, S, Vh = torch.linalg.svd(weight.to(device)) param_dict = rank_resize(S, lora_rank, dynamic_method, dynamic_param, scale) lora_rank = param_dict["new_rank"] U = U[:, :lora_rank] S = S[:lora_rank] U = U @ torch.diag(S) Vh = Vh[:lora_rank, :] param_dict["lora_down"] = Vh.reshape(lora_rank, in_size).cpu() param_dict["lora_up"] = U.reshape(out_size, lora_rank).cpu() del U, S, Vh, weight return param_dict def merge_conv(lora_down, lora_up, device): in_rank, in_size, kernel_size, k_ = lora_down.shape out_size, out_rank, _, _ = lora_up.shape assert in_rank == out_rank and kernel_size == k_, f"rank {in_rank} {out_rank} or kernel {kernel_size} {k_} mismatch" lora_down = lora_down.to(device) lora_up = lora_up.to(device) merged = lora_up.reshape(out_size, -1) @ lora_down.reshape(in_rank, -1) weight = merged.reshape(out_size, in_size, kernel_size, kernel_size) del lora_up, lora_down return weight def merge_linear(lora_down, lora_up, device): in_rank, in_size = lora_down.shape out_size, out_rank = lora_up.shape assert in_rank == out_rank, f"rank {in_rank} {out_rank} mismatch" lora_down = lora_down.to(device) lora_up = lora_up.to(device) weight = lora_up @ lora_down del lora_up, lora_down return weight # Calculate new rank def rank_resize(S, rank, dynamic_method, dynamic_param, scale=1): param_dict = {} if dynamic_method == "sv_ratio": # Calculate new dim and alpha based off ratio new_rank = index_sv_ratio(S, dynamic_param) + 1 new_alpha = float(scale * new_rank) elif dynamic_method == "sv_cumulative": # Calculate new dim and alpha based off cumulative sum new_rank = index_sv_cumulative(S, dynamic_param) + 1 new_alpha = float(scale * new_rank) elif dynamic_method == "sv_fro": # Calculate new dim and alpha based off sqrt sum of squares new_rank = index_sv_fro(S, dynamic_param) + 1 new_alpha = float(scale * new_rank) else: new_rank = rank new_alpha = float(scale * new_rank) if S[0] <= MIN_SV: # Zero matrix, set dim to 1 new_rank = 1 new_alpha = float(scale * new_rank) elif new_rank > rank: # cap max rank at rank new_rank = rank new_alpha = float(scale * new_rank) # Calculate resize info s_sum = torch.sum(torch.abs(S)) s_rank = torch.sum(torch.abs(S[:new_rank])) S_squared = S.pow(2) s_fro = torch.sqrt(torch.sum(S_squared)) s_red_fro = torch.sqrt(torch.sum(S_squared[:new_rank])) fro_percent = float(s_red_fro / s_fro) param_dict["new_rank"] = new_rank param_dict["new_alpha"] = new_alpha param_dict["sum_retained"] = (s_rank) / s_sum param_dict["fro_retained"] = fro_percent param_dict["max_ratio"] = S[0] / S[new_rank - 1] return param_dict def resize_lora_model(lora_sd, new_rank, new_conv_rank, save_dtype, device, dynamic_method, dynamic_param, verbose): max_old_rank = None new_alpha = None verbose_str = "\n" fro_list = [] if dynamic_method: logger.info( f"Dynamically determining new alphas and dims based off {dynamic_method}: {dynamic_param}, max rank is {new_rank}" ) lora_down_weight = None lora_up_weight = None o_lora_sd = lora_sd.copy() block_down_name = None block_up_name = None with torch.no_grad(): for key, value in tqdm(lora_sd.items()): key_parts = key.split(".") block_down_name = None for _format in LORA_DOWN_UP_FORMATS: # Currently we only match lora_down_name in the last two parts of key # because ("down", "up") are general words and may appear in block_down_name if len(key_parts) >= 2 and _format[0] == key_parts[-2]: block_down_name = ".".join(key_parts[:-2]) lora_down_name = "." + _format[0] lora_up_name = "." + _format[1] weight_name = "." + key_parts[-1] break if len(key_parts) >= 1 and _format[0] == key_parts[-1]: block_down_name = ".".join(key_parts[:-1]) lora_down_name = "." + _format[0] lora_up_name = "." + _format[1] weight_name = "" break if block_down_name is None: # This parameter is not lora_down continue # Now weight_name can be ".weight" or "" # Find corresponding lora_up and alpha block_up_name = block_down_name lora_down_weight = value lora_up_weight = lora_sd.get(block_up_name + lora_up_name + weight_name, None) lora_alpha = lora_sd.get(block_down_name + ".alpha", None) weights_loaded = lora_down_weight is not None and lora_up_weight is not None if weights_loaded: conv2d = len(lora_down_weight.size()) == 4 old_rank = lora_down_weight.size()[0] max_old_rank = max(max_old_rank or 0, old_rank) if lora_alpha is None: scale = 1.0 else: scale = lora_alpha / old_rank if conv2d: full_weight_matrix = merge_conv(lora_down_weight, lora_up_weight, device) param_dict = extract_conv(full_weight_matrix, new_conv_rank, dynamic_method, dynamic_param, device, scale) else: full_weight_matrix = merge_linear(lora_down_weight, lora_up_weight, device) param_dict = extract_linear(full_weight_matrix, new_rank, dynamic_method, dynamic_param, device, scale) if verbose: max_ratio = param_dict["max_ratio"] sum_retained = param_dict["sum_retained"] fro_retained = param_dict["fro_retained"] if not np.isnan(fro_retained): fro_list.append(float(fro_retained)) verbose_str += f"{block_down_name:75} | " verbose_str += ( f"sum(S) retained: {sum_retained:.1%}, fro retained: {fro_retained:.1%}, max(S) ratio: {max_ratio:0.1f}" ) if verbose and dynamic_method: verbose_str += f", dynamic | dim: {param_dict['new_rank']}, alpha: {param_dict['new_alpha']}\n" else: verbose_str += "\n" new_alpha = param_dict["new_alpha"] o_lora_sd[block_down_name + lora_down_name + weight_name] = param_dict["lora_down"].to(save_dtype).contiguous() o_lora_sd[block_up_name + lora_up_name + weight_name] = param_dict["lora_up"].to(save_dtype).contiguous() o_lora_sd[block_down_name + ".alpha"] = torch.tensor(param_dict["new_alpha"]).to(save_dtype) block_down_name = None block_up_name = None lora_down_weight = None lora_up_weight = None weights_loaded = False del param_dict if verbose: print(verbose_str) print(f"Average Frobenius norm retention: {np.mean(fro_list):.2%} | std: {np.std(fro_list):0.3f}") logger.info("resizing complete") return o_lora_sd, max_old_rank, new_alpha def resize(args): if args.save_to is None or not ( args.save_to.endswith(".ckpt") or args.save_to.endswith(".pt") or args.save_to.endswith(".pth") or args.save_to.endswith(".safetensors") ): raise Exception("The --save_to argument must be specified and must be a .ckpt , .pt, .pth or .safetensors file.") args.new_conv_rank = args.new_conv_rank if args.new_conv_rank is not None else args.new_rank def str_to_dtype(p): if p == "float": return torch.float if p == "fp16": return torch.float16 if p == "bf16": return torch.bfloat16 return None if args.dynamic_method and not args.dynamic_param: raise Exception("If using dynamic_method, then dynamic_param is required") merge_dtype = str_to_dtype("float") # matmul method above only seems to work in float32 save_dtype = str_to_dtype(args.save_precision) if save_dtype is None: save_dtype = merge_dtype logger.info("loading Model...") lora_sd, metadata = load_state_dict(args.model, merge_dtype) logger.info("Resizing Lora...") state_dict, old_dim, new_alpha = resize_lora_model( lora_sd, args.new_rank, args.new_conv_rank, save_dtype, args.device, args.dynamic_method, args.dynamic_param, args.verbose ) # update metadata if metadata is None: metadata = {} comment = metadata.get("ss_training_comment", "") if not args.dynamic_method: conv_desc = "" if args.new_rank == args.new_conv_rank else f" (conv: {args.new_conv_rank})" metadata["ss_training_comment"] = f"dimension is resized from {old_dim} to {args.new_rank}{conv_desc}; {comment}" metadata["ss_network_dim"] = str(args.new_rank) metadata["ss_network_alpha"] = str(new_alpha) else: metadata["ss_training_comment"] = ( f"Dynamic resize with {args.dynamic_method}: {args.dynamic_param} from {old_dim}; {comment}" ) metadata["ss_network_dim"] = "Dynamic" metadata["ss_network_alpha"] = "Dynamic" # cast to save_dtype before calculating hashes for key in list(state_dict.keys()): value = state_dict[key] if type(value) == torch.Tensor and value.dtype.is_floating_point and value.dtype != save_dtype: state_dict[key] = value.to(save_dtype) model_hash, legacy_hash = train_util.precalculate_safetensors_hashes(state_dict, metadata) metadata["sshs_model_hash"] = model_hash metadata["sshs_legacy_hash"] = legacy_hash logger.info(f"saving model to: {args.save_to}") save_to_file(args.save_to, state_dict, metadata) def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument( "--save_precision", type=str, default=None, choices=[None, "float", "fp16", "bf16"], help="precision in saving, float if omitted / 保存時の精度、未指定時はfloat", ) parser.add_argument("--new_rank", type=int, default=4, help="Specify rank of output LoRA / 出力するLoRAのrank (dim)") parser.add_argument( "--new_conv_rank", type=int, default=None, help="Specify rank of output LoRA for Conv2d 3x3, None for same as new_rank / 出力するConv2D 3x3 LoRAのrank (dim)、Noneでnew_rankと同じ", ) parser.add_argument( "--save_to", type=str, default=None, help="destination file name: ckpt or safetensors file / 保存先のファイル名、ckptまたはsafetensors", ) parser.add_argument( "--model", type=str, default=None, help="LoRA model to resize at to new rank: ckpt or safetensors file / 読み込むLoRAモデル、ckptまたはsafetensors", ) parser.add_argument( "--device", type=str, default=None, help="device to use, cuda for GPU / 計算を行うデバイス、cuda でGPUを使う" ) parser.add_argument( "--verbose", action="store_true", help="Display verbose resizing information / rank変更時の詳細情報を出力する" ) parser.add_argument( "--dynamic_method", type=str, default=None, choices=[None, "sv_ratio", "sv_fro", "sv_cumulative"], help="Specify dynamic resizing method, --new_rank is used as a hard limit for max rank", ) parser.add_argument("--dynamic_param", type=float, default=None, help="Specify target for dynamic reduction") return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() resize(args) ================================================ FILE: networks/sdxl_merge_lora.py ================================================ import itertools import math import argparse import os import time import concurrent.futures import torch from safetensors.torch import load_file, save_file from tqdm import tqdm from library import sai_model_spec, sdxl_model_util, train_util import library.model_util as model_util import lora import oft from svd_merge_lora import format_lbws, get_lbw_block_index, LAYER26 from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) def load_state_dict(file_name, dtype): if os.path.splitext(file_name)[1] == ".safetensors": sd = load_file(file_name) metadata = train_util.load_metadata_from_safetensors(file_name) else: sd = torch.load(file_name, map_location="cpu") metadata = {} for key in list(sd.keys()): if type(sd[key]) == torch.Tensor: sd[key] = sd[key].to(dtype) return sd, metadata def save_to_file(file_name, model, metadata): if os.path.splitext(file_name)[1] == ".safetensors": save_file(model, file_name, metadata=metadata) else: torch.save(model, file_name) def detect_method_from_training_model(models, dtype): for model in models: # TODO It is better to use key names to detect the method lora_sd, _ = load_state_dict(model, dtype) for key in tqdm(lora_sd.keys()): if "lora_up" in key or "lora_down" in key: return "LoRA" elif "oft_blocks" in key: return "OFT" def merge_to_sd_model(text_encoder1, text_encoder2, unet, models, ratios, lbws, merge_dtype): text_encoder1.to(merge_dtype) text_encoder2.to(merge_dtype) unet.to(merge_dtype) # detect the method: OFT or LoRA_module method = detect_method_from_training_model(models, merge_dtype) logger.info(f"method:{method}") if lbws: lbws, _, LBW_TARGET_IDX = format_lbws(lbws) else: LBW_TARGET_IDX = [] # create module map name_to_module = {} for i, root_module in enumerate([text_encoder1, text_encoder2, unet]): if method == "LoRA": if i <= 1: if i == 0: prefix = lora.LoRANetwork.LORA_PREFIX_TEXT_ENCODER1 else: prefix = lora.LoRANetwork.LORA_PREFIX_TEXT_ENCODER2 target_replace_modules = lora.LoRANetwork.TEXT_ENCODER_TARGET_REPLACE_MODULE else: prefix = lora.LoRANetwork.LORA_PREFIX_UNET target_replace_modules = ( lora.LoRANetwork.UNET_TARGET_REPLACE_MODULE + lora.LoRANetwork.UNET_TARGET_REPLACE_MODULE_CONV2D_3X3 ) elif method == "OFT": prefix = oft.OFTNetwork.OFT_PREFIX_UNET # ALL_LINEAR includes ATTN_ONLY, so we don't need to specify ATTN_ONLY target_replace_modules = ( oft.OFTNetwork.UNET_TARGET_REPLACE_MODULE_ALL_LINEAR + oft.OFTNetwork.UNET_TARGET_REPLACE_MODULE_CONV2D_3X3 ) for name, module in root_module.named_modules(): if module.__class__.__name__ in target_replace_modules: for child_name, child_module in module.named_modules(): if child_module.__class__.__name__ == "Linear" or child_module.__class__.__name__ == "Conv2d": lora_name = prefix + "." + name + "." + child_name lora_name = lora_name.replace(".", "_") name_to_module[lora_name] = child_module for model, ratio, lbw in itertools.zip_longest(models, ratios, lbws): logger.info(f"loading: {model}") lora_sd, _ = load_state_dict(model, merge_dtype) logger.info(f"merging...") if lbw: lbw_weights = [1] * 26 for index, value in zip(LBW_TARGET_IDX, lbw): lbw_weights[index] = value logger.info(f"lbw: {dict(zip(LAYER26.keys(), lbw_weights))}") if method == "LoRA": for key in tqdm(lora_sd.keys()): if "lora_down" in key: up_key = key.replace("lora_down", "lora_up") alpha_key = key[: key.index("lora_down")] + "alpha" # find original module for this lora module_name = ".".join(key.split(".")[:-2]) # remove trailing ".lora_down.weight" if module_name not in name_to_module: logger.info(f"no module found for LoRA weight: {key}") continue module = name_to_module[module_name] # logger.info(f"apply {key} to {module}") down_weight = lora_sd[key] up_weight = lora_sd[up_key] dim = down_weight.size()[0] alpha = lora_sd.get(alpha_key, dim) scale = alpha / dim if lbw: index = get_lbw_block_index(key, True) is_lbw_target = index in LBW_TARGET_IDX if is_lbw_target: scale *= lbw_weights[index] # keyがlbwの対象であれば、lbwの重みを掛ける # W <- W + U * D weight = module.weight # logger.info(module_name, down_weight.size(), up_weight.size()) if len(weight.size()) == 2: # linear weight = weight + ratio * (up_weight @ down_weight) * scale elif down_weight.size()[2:4] == (1, 1): # conv2d 1x1 weight = ( weight + ratio * (up_weight.squeeze(3).squeeze(2) @ down_weight.squeeze(3).squeeze(2)).unsqueeze(2).unsqueeze(3) * scale ) else: # conv2d 3x3 conved = torch.nn.functional.conv2d(down_weight.permute(1, 0, 2, 3), up_weight).permute(1, 0, 2, 3) # logger.info(conved.size(), weight.size(), module.stride, module.padding) weight = weight + ratio * conved * scale module.weight = torch.nn.Parameter(weight) elif method == "OFT": device = torch.device("cuda" if torch.cuda.is_available() else "cpu") for key in tqdm(lora_sd.keys()): if "oft_blocks" in key: oft_blocks = lora_sd[key] dim = oft_blocks.shape[0] break for key in tqdm(lora_sd.keys()): if "alpha" in key: oft_blocks = lora_sd[key] alpha = oft_blocks.item() break def merge_to(key): if "alpha" in key: return # find original module for this OFT module_name = ".".join(key.split(".")[:-1]) if module_name not in name_to_module: logger.info(f"no module found for OFT weight: {key}") return module = name_to_module[module_name] # logger.info(f"apply {key} to {module}") oft_blocks = lora_sd[key] if isinstance(module, torch.nn.Linear): out_dim = module.out_features elif isinstance(module, torch.nn.Conv2d): out_dim = module.out_channels num_blocks = dim block_size = out_dim // dim constraint = (0 if alpha is None else alpha) * out_dim multiplier = 1 if lbw: index = get_lbw_block_index(key, False) is_lbw_target = index in LBW_TARGET_IDX if is_lbw_target: multiplier *= lbw_weights[index] block_Q = oft_blocks - oft_blocks.transpose(1, 2) norm_Q = torch.norm(block_Q.flatten()) new_norm_Q = torch.clamp(norm_Q, max=constraint) block_Q = block_Q * ((new_norm_Q + 1e-8) / (norm_Q + 1e-8)) I = torch.eye(block_size, device=oft_blocks.device).unsqueeze(0).repeat(num_blocks, 1, 1) block_R = torch.matmul(I + block_Q, (I - block_Q).inverse()) block_R_weighted = multiplier * block_R + (1 - multiplier) * I R = torch.block_diag(*block_R_weighted) # get org weight org_sd = module.state_dict() org_weight = org_sd["weight"].to(device) R = R.to(org_weight.device, dtype=org_weight.dtype) if org_weight.dim() == 4: weight = torch.einsum("oihw, op -> pihw", org_weight, R) else: weight = torch.einsum("oi, op -> pi", org_weight, R) weight = weight.contiguous() # Make Tensor contiguous; required due to ThreadPoolExecutor module.weight = torch.nn.Parameter(weight) # TODO multi-threading may cause OOM on CPU if cpu_count is too high and RAM is not enough max_workers = 1 if device.type != "cpu" else None # avoid OOM on GPU with concurrent.futures.ThreadPoolExecutor(max_workers=max_workers) as executor: list(tqdm(executor.map(merge_to, lora_sd.keys()), total=len(lora_sd.keys()))) def merge_lora_models(models, ratios, lbws, merge_dtype, concat=False, shuffle=False): base_alphas = {} # alpha for merged model base_dims = {} # detect the method: OFT or LoRA_module method = detect_method_from_training_model(models, merge_dtype) if method == "OFT": raise ValueError( "OFT model is not supported for merging OFT models. / OFTモデルはOFTモデル同士のマージには対応していません" ) if lbws: lbws, _, LBW_TARGET_IDX = format_lbws(lbws) else: LBW_TARGET_IDX = [] merged_sd = {} v2 = None base_model = None for model, ratio, lbw in itertools.zip_longest(models, ratios, lbws): logger.info(f"loading: {model}") lora_sd, lora_metadata = load_state_dict(model, merge_dtype) if lbw: lbw_weights = [1] * 26 for index, value in zip(LBW_TARGET_IDX, lbw): lbw_weights[index] = value logger.info(f"lbw: {dict(zip(LAYER26.keys(), lbw_weights))}") if lora_metadata is not None: if v2 is None: v2 = lora_metadata.get(train_util.SS_METADATA_KEY_V2, None) # returns string, SDXLはv2がないのでFalseのはず if base_model is None: base_model = lora_metadata.get(train_util.SS_METADATA_KEY_BASE_MODEL_VERSION, None) # get alpha and dim alphas = {} # alpha for current model dims = {} # dims for current model for key in lora_sd.keys(): if "alpha" in key: lora_module_name = key[: key.rfind(".alpha")] alpha = float(lora_sd[key].detach().numpy()) alphas[lora_module_name] = alpha if lora_module_name not in base_alphas: base_alphas[lora_module_name] = alpha elif "lora_down" in key: lora_module_name = key[: key.rfind(".lora_down")] dim = lora_sd[key].size()[0] dims[lora_module_name] = dim if lora_module_name not in base_dims: base_dims[lora_module_name] = dim for lora_module_name in dims.keys(): if lora_module_name not in alphas: alpha = dims[lora_module_name] alphas[lora_module_name] = alpha if lora_module_name not in base_alphas: base_alphas[lora_module_name] = alpha logger.info(f"dim: {list(set(dims.values()))}, alpha: {list(set(alphas.values()))}") # merge logger.info(f"merging...") for key in tqdm(lora_sd.keys()): if "alpha" in key: continue if "lora_up" in key and concat: concat_dim = 1 elif "lora_down" in key and concat: concat_dim = 0 else: concat_dim = None lora_module_name = key[: key.rfind(".lora_")] base_alpha = base_alphas[lora_module_name] alpha = alphas[lora_module_name] scale = math.sqrt(alpha / base_alpha) * ratio scale = abs(scale) if "lora_up" in key else scale # マイナスの重みに対応する。 if lbw: index = get_lbw_block_index(key, True) is_lbw_target = index in LBW_TARGET_IDX if is_lbw_target: scale *= lbw_weights[index] # keyがlbwの対象であれば、lbwの重みを掛ける if key in merged_sd: assert ( merged_sd[key].size() == lora_sd[key].size() or concat_dim is not None ), f"weights shape mismatch merging v1 and v2, different dims? / 重みのサイズが合いません。v1とv2、または次元数の異なるモデルはマージできません" if concat_dim is not None: merged_sd[key] = torch.cat([merged_sd[key], lora_sd[key] * scale], dim=concat_dim) else: merged_sd[key] = merged_sd[key] + lora_sd[key] * scale else: merged_sd[key] = lora_sd[key] * scale # set alpha to sd for lora_module_name, alpha in base_alphas.items(): key = lora_module_name + ".alpha" merged_sd[key] = torch.tensor(alpha) if shuffle: key_down = lora_module_name + ".lora_down.weight" key_up = lora_module_name + ".lora_up.weight" dim = merged_sd[key_down].shape[0] perm = torch.randperm(dim) merged_sd[key_down] = merged_sd[key_down][perm] merged_sd[key_up] = merged_sd[key_up][:, perm] logger.info("merged model") logger.info(f"dim: {list(set(base_dims.values()))}, alpha: {list(set(base_alphas.values()))}") # check all dims are same dims_list = list(set(base_dims.values())) alphas_list = list(set(base_alphas.values())) all_same_dims = True all_same_alphas = True for dims in dims_list: if dims != dims_list[0]: all_same_dims = False break for alphas in alphas_list: if alphas != alphas_list[0]: all_same_alphas = False break # build minimum metadata dims = f"{dims_list[0]}" if all_same_dims else "Dynamic" alphas = f"{alphas_list[0]}" if all_same_alphas else "Dynamic" metadata = train_util.build_minimum_network_metadata(v2, base_model, "networks.lora", dims, alphas, None) return merged_sd, metadata def merge(args): assert len(args.models) == len( args.ratios ), f"number of models must be equal to number of ratios / モデルの数と重みの数は合わせてください" if args.lbws: assert len(args.models) == len( args.lbws ), f"number of models must be equal to number of ratios / モデルの数と層別適用率の数は合わせてください" else: args.lbws = [] # zip_longestで扱えるようにlbws未使用時には空のリストにしておく def str_to_dtype(p): if p == "float": return torch.float if p == "fp16": return torch.float16 if p == "bf16": return torch.bfloat16 return None merge_dtype = str_to_dtype(args.precision) save_dtype = str_to_dtype(args.save_precision) if save_dtype is None: save_dtype = merge_dtype if args.sd_model is not None: logger.info(f"loading SD model: {args.sd_model}") ( text_model1, text_model2, vae, unet, logit_scale, ckpt_info, ) = sdxl_model_util.load_models_from_sdxl_checkpoint(sdxl_model_util.MODEL_VERSION_SDXL_BASE_V1_0, args.sd_model, "cpu") merge_to_sd_model(text_model1, text_model2, unet, args.models, args.ratios, args.lbws, merge_dtype) if args.no_metadata: sai_metadata = None else: merged_from = sai_model_spec.build_merged_from([args.sd_model] + args.models) title = os.path.splitext(os.path.basename(args.save_to))[0] sai_metadata = sai_model_spec.build_metadata( None, False, False, True, False, False, time.time(), title=title, merged_from=merged_from ) logger.info(f"saving SD model to: {args.save_to}") sdxl_model_util.save_stable_diffusion_checkpoint( args.save_to, text_model1, text_model2, unet, 0, 0, ckpt_info, vae, logit_scale, sai_metadata, save_dtype ) else: state_dict, metadata = merge_lora_models(args.models, args.ratios, args.lbws, merge_dtype, args.concat, args.shuffle) # cast to save_dtype before calculating hashes for key in list(state_dict.keys()): value = state_dict[key] if type(value) == torch.Tensor and value.dtype.is_floating_point and value.dtype != save_dtype: state_dict[key] = value.to(save_dtype) logger.info(f"calculating hashes and creating metadata...") model_hash, legacy_hash = train_util.precalculate_safetensors_hashes(state_dict, metadata) metadata["sshs_model_hash"] = model_hash metadata["sshs_legacy_hash"] = legacy_hash if not args.no_metadata: merged_from = sai_model_spec.build_merged_from(args.models) title = os.path.splitext(os.path.basename(args.save_to))[0] sai_metadata = sai_model_spec.build_metadata( state_dict, False, False, True, True, False, time.time(), title=title, merged_from=merged_from ) metadata.update(sai_metadata) logger.info(f"saving model to: {args.save_to}") save_to_file(args.save_to, state_dict, metadata) def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument( "--save_precision", type=str, default=None, choices=[None, "float", "fp16", "bf16"], help="precision in saving, same to merging if omitted / 保存時に精度を変更して保存する、省略時はマージ時の精度と同じ", ) parser.add_argument( "--precision", type=str, default="float", choices=["float", "fp16", "bf16"], help="precision in merging (float is recommended) / マージの計算時の精度（floatを推奨）", ) parser.add_argument( "--sd_model", type=str, default=None, help="Stable Diffusion model to load: ckpt or safetensors file, merge LoRA models if omitted / 読み込むモデル、ckptまたはsafetensors。省略時はLoRAモデル同士をマージする", ) parser.add_argument( "--save_to", type=str, default=None, help="destination file name: ckpt or safetensors file / 保存先のファイル名、ckptまたはsafetensors", ) parser.add_argument( "--models", type=str, nargs="*", help="LoRA models to merge: ckpt or safetensors file / マージするLoRAモデル、ckptまたはsafetensors", ) parser.add_argument("--ratios", type=float, nargs="*", help="ratios for each model / それぞれのLoRAモデルの比率") parser.add_argument("--lbws", type=str, nargs="*", help="lbw for each model / それぞれのLoRAモデルの層別適用率") parser.add_argument( "--no_metadata", action="store_true", help="do not save sai modelspec metadata (minimum ss_metadata for LoRA is saved) / " + "sai modelspecのメタデータを保存しない（LoRAの最低限のss_metadataは保存される）", ) parser.add_argument( "--concat", action="store_true", help="concat lora instead of merge (The dim(rank) of the output LoRA is the sum of the input dims) / " + "マージの代わりに結合する（LoRAのdim(rank)は入力dimの合計になる）", ) parser.add_argument( "--shuffle", action="store_true", help="shuffle lora weight./ " + "LoRAの重みをシャッフルする", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() merge(args) ================================================ FILE: networks/svd_merge_lora.py ================================================ import argparse import itertools import json import os import re import time import torch from safetensors.torch import load_file, save_file from tqdm import tqdm from library import sai_model_spec, train_util import library.model_util as model_util import lora from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) CLAMP_QUANTILE = 0.99 ACCEPTABLE = [12, 17, 20, 26] SDXL_LAYER_NUM = [12, 20] LAYER12 = { "BASE": True, "IN00": False, "IN01": False, "IN02": False, "IN03": False, "IN04": True, "IN05": True, "IN06": False, "IN07": True, "IN08": True, "IN09": False, "IN10": False, "IN11": False, "MID": True, "OUT00": True, "OUT01": True, "OUT02": True, "OUT03": True, "OUT04": True, "OUT05": True, "OUT06": False, "OUT07": False, "OUT08": False, "OUT09": False, "OUT10": False, "OUT11": False, } LAYER17 = { "BASE": True, "IN00": False, "IN01": True, "IN02": True, "IN03": False, "IN04": True, "IN05": True, "IN06": False, "IN07": True, "IN08": True, "IN09": False, "IN10": False, "IN11": False, "MID": True, "OUT00": False, "OUT01": False, "OUT02": False, "OUT03": True, "OUT04": True, "OUT05": True, "OUT06": True, "OUT07": True, "OUT08": True, "OUT09": True, "OUT10": True, "OUT11": True, } LAYER20 = { "BASE": True, "IN00": True, "IN01": True, "IN02": True, "IN03": True, "IN04": True, "IN05": True, "IN06": True, "IN07": True, "IN08": True, "IN09": False, "IN10": False, "IN11": False, "MID": True, "OUT00": True, "OUT01": True, "OUT02": True, "OUT03": True, "OUT04": True, "OUT05": True, "OUT06": True, "OUT07": True, "OUT08": True, "OUT09": False, "OUT10": False, "OUT11": False, } LAYER26 = { "BASE": True, "IN00": True, "IN01": True, "IN02": True, "IN03": True, "IN04": True, "IN05": True, "IN06": True, "IN07": True, "IN08": True, "IN09": True, "IN10": True, "IN11": True, "MID": True, "OUT00": True, "OUT01": True, "OUT02": True, "OUT03": True, "OUT04": True, "OUT05": True, "OUT06": True, "OUT07": True, "OUT08": True, "OUT09": True, "OUT10": True, "OUT11": True, } assert len([v for v in LAYER12.values() if v]) == 12 assert len([v for v in LAYER17.values() if v]) == 17 assert len([v for v in LAYER20.values() if v]) == 20 assert len([v for v in LAYER26.values() if v]) == 26 RE_UPDOWN = re.compile(r"(up|down)_blocks_(\d+)_(resnets|upsamplers|downsamplers|attentions)_(\d+)_") def get_lbw_block_index(lora_name: str, is_sdxl: bool = False) -> int: # lbw block index is 0-based, but 0 for text encoder, so we return 0 for text encoder if "text_model_encoder_" in lora_name: # LoRA for text encoder return 0 # lbw block index is 1-based for U-Net, and no "input_blocks.0" in CompVis SD, so "input_blocks.1" have index 2 block_idx = -1 # invalid lora name if not is_sdxl: NUM_OF_BLOCKS = 12 # up/down blocks m = RE_UPDOWN.search(lora_name) if m: g = m.groups() up_down = g[0] i = int(g[1]) j = int(g[3]) if up_down == "down": if g[2] == "resnets" or g[2] == "attentions": idx = 3 * i + j + 1 elif g[2] == "downsamplers": idx = 3 * (i + 1) else: return block_idx # invalid lora name elif up_down == "up": if g[2] == "resnets" or g[2] == "attentions": idx = 3 * i + j elif g[2] == "upsamplers": idx = 3 * i + 2 else: return block_idx # invalid lora name if g[0] == "down": block_idx = 1 + idx # 1-based index, down block index elif g[0] == "up": block_idx = 1 + NUM_OF_BLOCKS + 1 + idx # 1-based index, num blocks, mid block, up block index elif "mid_block_" in lora_name: block_idx = 1 + NUM_OF_BLOCKS # 1-based index, num blocks, mid block else: # SDXL: some numbers are skipped if lora_name.startswith("lora_unet_"): name = lora_name[len("lora_unet_") :] if name.startswith("time_embed_") or name.startswith("label_emb_"): # 1, No LoRA in sd-scripts block_idx = 1 elif name.startswith("input_blocks_"): # 1-8 to 2-9 block_idx = 1 + int(name.split("_")[2]) elif name.startswith("middle_block_"): # 13 block_idx = 13 elif name.startswith("output_blocks_"): # 0-8 to 14-22 block_idx = 14 + int(name.split("_")[2]) elif name.startswith("out_"): # 23, No LoRA in sd-scripts block_idx = 23 return block_idx def load_state_dict(file_name, dtype): if os.path.splitext(file_name)[1] == ".safetensors": sd = load_file(file_name) metadata = train_util.load_metadata_from_safetensors(file_name) else: sd = torch.load(file_name, map_location="cpu") metadata = {} for key in list(sd.keys()): if type(sd[key]) == torch.Tensor: sd[key] = sd[key].to(dtype) return sd, metadata def save_to_file(file_name, state_dict, metadata): if os.path.splitext(file_name)[1] == ".safetensors": save_file(state_dict, file_name, metadata=metadata) else: torch.save(state_dict, file_name) def format_lbws(lbws): try: # lbwは"[1,1,1,1,1,1,1,1,1,1,1,1]"のような文字列で与えられることを期待している lbws = [json.loads(lbw) for lbw in lbws] except Exception: raise ValueError(f"format of lbws are must be json / 層別適用率はJSON形式で書いてください") assert all(isinstance(lbw, list) for lbw in lbws), f"lbws are must be list / 層別適用率はリストにしてください" assert len(set(len(lbw) for lbw in lbws)) == 1, "all lbws should have the same length / 層別適用率は同じ長さにしてください" assert all( len(lbw) in ACCEPTABLE for lbw in lbws ), f"length of lbw are must be in {ACCEPTABLE} / 層別適用率の長さは{ACCEPTABLE}のいずれかにしてください" assert all( all(isinstance(weight, (int, float)) for weight in lbw) for lbw in lbws ), f"values of lbs are must be numbers / 層別適用率の値はすべて数値にしてください" layer_num = len(lbws[0]) is_sdxl = True if layer_num in SDXL_LAYER_NUM else False FLAGS = { "12": LAYER12.values(), "17": LAYER17.values(), "20": LAYER20.values(), "26": LAYER26.values(), }[str(layer_num)] LBW_TARGET_IDX = [i for i, flag in enumerate(FLAGS) if flag] return lbws, is_sdxl, LBW_TARGET_IDX def merge_lora_models(models, ratios, lbws, new_rank, new_conv_rank, device, merge_dtype): logger.info(f"new rank: {new_rank}, new conv rank: {new_conv_rank}") merged_sd = {} v2 = None # This is meaning LoRA Metadata v2, Not meaning SD2 base_model = None if lbws: lbws, is_sdxl, LBW_TARGET_IDX = format_lbws(lbws) else: is_sdxl = False LBW_TARGET_IDX = [] for model, ratio, lbw in itertools.zip_longest(models, ratios, lbws): logger.info(f"loading: {model}") lora_sd, lora_metadata = load_state_dict(model, merge_dtype) if lora_metadata is not None: if v2 is None: v2 = lora_metadata.get(train_util.SS_METADATA_KEY_V2, None) # return string if base_model is None: base_model = lora_metadata.get(train_util.SS_METADATA_KEY_BASE_MODEL_VERSION, None) if lbw: lbw_weights = [1] * 26 for index, value in zip(LBW_TARGET_IDX, lbw): lbw_weights[index] = value logger.info(f"lbw: {dict(zip(LAYER26.keys(), lbw_weights))}") # merge logger.info(f"merging...") for key in tqdm(list(lora_sd.keys())): if "lora_down" not in key: continue lora_module_name = key[: key.rfind(".lora_down")] down_weight = lora_sd[key] network_dim = down_weight.size()[0] up_weight = lora_sd[lora_module_name + ".lora_up.weight"] alpha = lora_sd.get(lora_module_name + ".alpha", network_dim) in_dim = down_weight.size()[1] out_dim = up_weight.size()[0] conv2d = len(down_weight.size()) == 4 kernel_size = None if not conv2d else down_weight.size()[2:4] # logger.info(lora_module_name, network_dim, alpha, in_dim, out_dim, kernel_size) # make original weight if not exist if lora_module_name not in merged_sd: weight = torch.zeros((out_dim, in_dim, *kernel_size) if conv2d else (out_dim, in_dim), dtype=merge_dtype) else: weight = merged_sd[lora_module_name] if device: weight = weight.to(device) # merge to weight if device: up_weight = up_weight.to(device) down_weight = down_weight.to(device) # W <- W + U * D scale = alpha / network_dim if lbw: index = get_lbw_block_index(key, is_sdxl) is_lbw_target = index in LBW_TARGET_IDX if is_lbw_target: scale *= lbw_weights[index] # keyがlbwの対象であれば、lbwの重みを掛ける if device: # and isinstance(scale, torch.Tensor): scale = scale.to(device) if not conv2d: # linear weight = weight + ratio * (up_weight @ down_weight) * scale elif kernel_size == (1, 1): weight = ( weight + ratio * (up_weight.squeeze(3).squeeze(2) @ down_weight.squeeze(3).squeeze(2)).unsqueeze(2).unsqueeze(3) * scale ) else: conved = torch.nn.functional.conv2d(down_weight.permute(1, 0, 2, 3), up_weight).permute(1, 0, 2, 3) weight = weight + ratio * conved * scale merged_sd[lora_module_name] = weight.to("cpu") # extract from merged weights logger.info("extract new lora...") merged_lora_sd = {} with torch.no_grad(): for lora_module_name, mat in tqdm(list(merged_sd.items())): if device: mat = mat.to(device) conv2d = len(mat.size()) == 4 kernel_size = None if not conv2d else mat.size()[2:4] conv2d_3x3 = conv2d and kernel_size != (1, 1) out_dim, in_dim = mat.size()[0:2] if conv2d: if conv2d_3x3: mat = mat.flatten(start_dim=1) else: mat = mat.squeeze() module_new_rank = new_conv_rank if conv2d_3x3 else new_rank module_new_rank = min(module_new_rank, in_dim, out_dim) # LoRA rank cannot exceed the original dim U, S, Vh = torch.linalg.svd(mat) U = U[:, :module_new_rank] S = S[:module_new_rank] U = U @ torch.diag(S) Vh = Vh[:module_new_rank, :] dist = torch.cat([U.flatten(), Vh.flatten()]) hi_val = torch.quantile(dist, CLAMP_QUANTILE) low_val = -hi_val U = U.clamp(low_val, hi_val) Vh = Vh.clamp(low_val, hi_val) if conv2d: U = U.reshape(out_dim, module_new_rank, 1, 1) Vh = Vh.reshape(module_new_rank, in_dim, kernel_size[0], kernel_size[1]) up_weight = U down_weight = Vh merged_lora_sd[lora_module_name + ".lora_up.weight"] = up_weight.to("cpu").contiguous() merged_lora_sd[lora_module_name + ".lora_down.weight"] = down_weight.to("cpu").contiguous() merged_lora_sd[lora_module_name + ".alpha"] = torch.tensor(module_new_rank, device="cpu") # build minimum metadata dims = f"{new_rank}" alphas = f"{new_rank}" if new_conv_rank is not None: network_args = {"conv_dim": new_conv_rank, "conv_alpha": new_conv_rank} else: network_args = None metadata = train_util.build_minimum_network_metadata(v2, base_model, "networks.lora", dims, alphas, network_args) return merged_lora_sd, metadata, v2 == "True", base_model def merge(args): assert len(args.models) == len( args.ratios ), f"number of models must be equal to number of ratios / モデルの数と重みの数は合わせてください" if args.lbws: assert len(args.models) == len( args.lbws ), f"number of models must be equal to number of ratios / モデルの数と層別適用率の数は合わせてください" else: args.lbws = [] # zip_longestで扱えるようにlbws未使用時には空のリストにしておく def str_to_dtype(p): if p == "float": return torch.float if p == "fp16": return torch.float16 if p == "bf16": return torch.bfloat16 return None merge_dtype = str_to_dtype(args.precision) save_dtype = str_to_dtype(args.save_precision) if save_dtype is None: save_dtype = merge_dtype new_conv_rank = args.new_conv_rank if args.new_conv_rank is not None else args.new_rank state_dict, metadata, v2, base_model = merge_lora_models( args.models, args.ratios, args.lbws, args.new_rank, new_conv_rank, args.device, merge_dtype ) # cast to save_dtype before calculating hashes for key in list(state_dict.keys()): value = state_dict[key] if type(value) == torch.Tensor and value.dtype.is_floating_point and value.dtype != save_dtype: state_dict[key] = value.to(save_dtype) logger.info(f"calculating hashes and creating metadata...") model_hash, legacy_hash = train_util.precalculate_safetensors_hashes(state_dict, metadata) metadata["sshs_model_hash"] = model_hash metadata["sshs_legacy_hash"] = legacy_hash if not args.no_metadata: is_sdxl = base_model is not None and base_model.lower().startswith("sdxl") merged_from = sai_model_spec.build_merged_from(args.models) title = os.path.splitext(os.path.basename(args.save_to))[0] sai_metadata = sai_model_spec.build_metadata( state_dict, v2, v2, is_sdxl, True, False, time.time(), title=title, merged_from=merged_from ) if v2: # TODO read sai modelspec logger.warning( "Cannot determine if LoRA is for v-prediction, so save metadata as v-prediction / LoRAがv-prediction用か否か不明なため、仮にv-prediction用としてmetadataを保存します" ) metadata.update(sai_metadata) logger.info(f"saving model to: {args.save_to}") save_to_file(args.save_to, state_dict, metadata) def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument( "--save_precision", type=str, default=None, choices=[None, "float", "fp16", "bf16"], help="precision in saving, same to merging if omitted / 保存時に精度を変更して保存する、省略時はマージ時の精度と同じ", ) parser.add_argument( "--precision", type=str, default="float", choices=["float", "fp16", "bf16"], help="precision in merging (float is recommended) / マージの計算時の精度（floatを推奨）", ) parser.add_argument( "--save_to", type=str, default=None, help="destination file name: ckpt or safetensors file / 保存先のファイル名、ckptまたはsafetensors", ) parser.add_argument( "--models", type=str, nargs="*", help="LoRA models to merge: ckpt or safetensors file / マージするLoRAモデル、ckptまたはsafetensors", ) parser.add_argument("--ratios", type=float, nargs="*", help="ratios for each model / それぞれのLoRAモデルの比率") parser.add_argument("--lbws", type=str, nargs="*", help="lbw for each model / それぞれのLoRAモデルの層別適用率") parser.add_argument("--new_rank", type=int, default=4, help="Specify rank of output LoRA / 出力するLoRAのrank (dim)") parser.add_argument( "--new_conv_rank", type=int, default=None, help="Specify rank of output LoRA for Conv2d 3x3, None for same as new_rank / 出力するConv2D 3x3 LoRAのrank (dim)、Noneでnew_rankと同じ", ) parser.add_argument( "--device", type=str, default=None, help="device to use, cuda for GPU / 計算を行うデバイス、cuda でGPUを使う" ) parser.add_argument( "--no_metadata", action="store_true", help="do not save sai modelspec metadata (minimum ss_metadata for LoRA is saved) / " + "sai modelspecのメタデータを保存しない（LoRAの最低限のss_metadataは保存される）", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() merge(args) ================================================ FILE: pytest.ini ================================================ [pytest] minversion = 6.0 testpaths = tests filterwarnings = ignore::DeprecationWarning ignore::UserWarning ignore::FutureWarning pythonpath = . ================================================ FILE: pytorch_lightning/__init__.py ================================================ ================================================ FILE: pytorch_lightning/callbacks/__init__.py ================================================ ================================================ FILE: pytorch_lightning/callbacks/model_checkpoint.py ================================================ # dummy module for pytorch_lightning class ModelCheckpoint: pass ================================================ FILE: requirements.txt ================================================ accelerate==1.6.0 transformers==4.54.1 diffusers[torch]==0.32.1 ftfy==6.3.1 # albumentations==1.3.0 opencv-python==4.10.0.84 einops==0.7.0 # pytorch-lightning==1.9.0 bitsandbytes lion-pytorch==0.2.3 schedulefree==1.4 pytorch-optimizer==3.10.0 prodigy-plus-schedule-free==1.9.2 prodigyopt==1.1.2 tensorboard safetensors==0.4.5 # gradio==3.16.2 # altair==4.2.2 # easygui==0.98.3 toml==0.10.2 voluptuous==0.15.2 huggingface-hub==0.34.3 # for Image utils imagesize==1.4.1 numpy # <=2.0 # for BLIP captioning # requests==2.28.2 # timm==0.6.12 # fairscale==0.4.13 # for WD14 captioning (tensorflow) # tensorflow==2.10.1 # for WD14 captioning (onnx) # onnx==1.15.0 # onnxruntime-gpu==1.17.1 # onnxruntime==1.17.1 # for cuda 12.1(default 11.8) # onnxruntime-gpu --extra-index-url https://aiinfra.pkgs.visualstudio.com/PublicPackages/_packaging/onnxruntime-cuda-12/pypi/simple/ # this is for onnx: # protobuf==3.20.3 # open clip for SDXL # open-clip-torch==2.20.0 # For logging rich==14.1.0 # for T5XXL tokenizer (SD3/FLUX) sentencepiece==0.2.1 # for kohya_ss library -e . ================================================ FILE: sd3_minimal_inference.py ================================================ # Minimum Inference Code for SD3 import argparse import datetime import math import os import random from typing import Optional, Tuple import numpy as np import torch from safetensors.torch import safe_open, load_file import torch.amp from tqdm import tqdm from PIL import Image from transformers import CLIPTextModelWithProjection, T5EncoderModel from library.device_utils import init_ipex, get_preferred_device from networks import lora_sd3 init_ipex() from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) from library import sd3_models, sd3_utils, strategy_sd3 from library.safetensors_utils import load_safetensors def get_noise(seed, latent, device="cpu"): # generator = torch.manual_seed(seed) generator = torch.Generator(device) generator.manual_seed(seed) return torch.randn(latent.size(), dtype=latent.dtype, layout=latent.layout, generator=generator, device=device) def get_sigmas(sampling: sd3_utils.ModelSamplingDiscreteFlow, steps): start = sampling.timestep(sampling.sigma_max) end = sampling.timestep(sampling.sigma_min) timesteps = torch.linspace(start, end, steps) sigs = [] for x in range(len(timesteps)): ts = timesteps[x] sigs.append(sampling.sigma(ts)) sigs += [0.0] return torch.FloatTensor(sigs) def max_denoise(model_sampling, sigmas): max_sigma = float(model_sampling.sigma_max) sigma = float(sigmas[0]) return math.isclose(max_sigma, sigma, rel_tol=1e-05) or sigma > max_sigma def do_sample( height: int, width: int, initial_latent: Optional[torch.Tensor], seed: int, cond: Tuple[torch.Tensor, torch.Tensor], neg_cond: Tuple[torch.Tensor, torch.Tensor], mmdit: sd3_models.MMDiT, steps: int, cfg_scale: float, dtype: torch.dtype, device: str, ): if initial_latent is None: # latent = torch.ones(1, 16, height // 8, width // 8, device=device) * 0.0609 # this seems to be a bug in the original code. thanks to furusu for pointing it out latent = torch.zeros(1, 16, height // 8, width // 8, device=device) else: latent = initial_latent latent = latent.to(dtype).to(device) noise = get_noise(seed, latent, device) model_sampling = sd3_utils.ModelSamplingDiscreteFlow(shift=3.0) # 3.0 is for SD3 sigmas = get_sigmas(model_sampling, steps).to(device) # sigmas = sigmas[int(steps * (1 - denoise)) :] # do not support i2i # conditioning = fix_cond(conditioning) # neg_cond = fix_cond(neg_cond) # extra_args = {"cond": cond, "uncond": neg_cond, "cond_scale": guidance_scale} noise_scaled = model_sampling.noise_scaling(sigmas[0], noise, latent, max_denoise(model_sampling, sigmas)) c_crossattn = torch.cat([cond[0], neg_cond[0]]).to(device).to(dtype) y = torch.cat([cond[1], neg_cond[1]]).to(device).to(dtype) x = noise_scaled.to(device).to(dtype) # print(x.shape) with torch.no_grad(): for i in tqdm(range(len(sigmas) - 1)): sigma_hat = sigmas[i] timestep = model_sampling.timestep(sigma_hat).float() timestep = torch.FloatTensor([timestep, timestep]).to(device) x_c_nc = torch.cat([x, x], dim=0) # print(x_c_nc.shape, timestep.shape, c_crossattn.shape, y.shape) with torch.autocast(device_type=device.type, dtype=dtype): model_output = mmdit(x_c_nc, timestep, context=c_crossattn, y=y) model_output = model_output.float() batched = model_sampling.calculate_denoised(sigma_hat, model_output, x) pos_out, neg_out = batched.chunk(2) denoised = neg_out + (pos_out - neg_out) * cfg_scale # print(denoised.shape) # d = to_d(x, sigma_hat, denoised) dims_to_append = x.ndim - sigma_hat.ndim sigma_hat_dims = sigma_hat[(...,) + (None,) * dims_to_append] # print(dims_to_append, x.shape, sigma_hat.shape, denoised.shape, sigma_hat_dims.shape) """Converts a denoiser output to a Karras ODE derivative.""" d = (x - denoised) / sigma_hat_dims dt = sigmas[i + 1] - sigma_hat # Euler method x = x + d * dt x = x.to(dtype) latent = x latent = vae.process_out(latent) return latent def generate_image( mmdit: sd3_models.MMDiT, vae: sd3_models.SDVAE, clip_l: CLIPTextModelWithProjection, clip_g: CLIPTextModelWithProjection, t5xxl: T5EncoderModel, steps: int, prompt: str, seed: int, target_width: int, target_height: int, device: str, negative_prompt: str, cfg_scale: float, ): # prepare embeddings logger.info("Encoding prompts...") # TODO support one-by-one offloading clip_l.to(device) clip_g.to(device) t5xxl.to(device) with torch.autocast(device_type=device.type, dtype=mmdit.dtype), torch.no_grad(): tokens_and_masks = tokenize_strategy.tokenize(prompt) lg_out, t5_out, pooled, l_attn_mask, g_attn_mask, t5_attn_mask = encoding_strategy.encode_tokens( tokenize_strategy, [clip_l, clip_g, t5xxl], tokens_and_masks, args.apply_lg_attn_mask, args.apply_t5_attn_mask ) cond = encoding_strategy.concat_encodings(lg_out, t5_out, pooled) tokens_and_masks = tokenize_strategy.tokenize(negative_prompt) lg_out, t5_out, pooled, neg_l_attn_mask, neg_g_attn_mask, neg_t5_attn_mask = encoding_strategy.encode_tokens( tokenize_strategy, [clip_l, clip_g, t5xxl], tokens_and_masks, args.apply_lg_attn_mask, args.apply_t5_attn_mask ) neg_cond = encoding_strategy.concat_encodings(lg_out, t5_out, pooled) # attn masks are not used currently if args.offload: clip_l.to("cpu") clip_g.to("cpu") t5xxl.to("cpu") # generate image logger.info("Generating image...") mmdit.to(device) latent_sampled = do_sample(target_height, target_width, None, seed, cond, neg_cond, mmdit, steps, cfg_scale, sd3_dtype, device) if args.offload: mmdit.to("cpu") # latent to image vae.to(device) with torch.no_grad(): image = vae.decode(latent_sampled) if args.offload: vae.to("cpu") image = image.float() image = torch.clamp((image + 1.0) / 2.0, min=0.0, max=1.0)[0] decoded_np = 255.0 * np.moveaxis(image.cpu().numpy(), 0, 2) decoded_np = decoded_np.astype(np.uint8) out_image = Image.fromarray(decoded_np) # save image output_dir = args.output_dir os.makedirs(output_dir, exist_ok=True) output_path = os.path.join(output_dir, f"{datetime.datetime.now().strftime('%Y%m%d_%H%M%S')}.png") out_image.save(output_path) logger.info(f"Saved image to {output_path}") if __name__ == "__main__": target_height = 1024 target_width = 1024 # steps = 50 # 28 # 50 # cfg_scale = 5 # seed = 1 # None # 1 device = get_preferred_device() parser = argparse.ArgumentParser() parser.add_argument("--ckpt_path", type=str, required=True) parser.add_argument("--clip_g", type=str, required=False) parser.add_argument("--clip_l", type=str, required=False) parser.add_argument("--t5xxl", type=str, required=False) parser.add_argument("--t5xxl_token_length", type=int, default=256, help="t5xxl token length, default: 256") parser.add_argument("--apply_lg_attn_mask", action="store_true") parser.add_argument("--apply_t5_attn_mask", action="store_true") parser.add_argument("--prompt", type=str, default="A photo of a cat") # parser.add_argument("--prompt2", type=str, default=None) # do not support different prompts for text encoders parser.add_argument("--negative_prompt", type=str, default="") parser.add_argument("--cfg_scale", type=float, default=5.0) parser.add_argument("--offload", action="store_true", help="Offload to CPU") parser.add_argument("--output_dir", type=str, default=".") # parser.add_argument("--do_not_use_t5xxl", action="store_true") # parser.add_argument("--attn_mode", type=str, default="torch", help="torch (SDPA) or xformers. default: torch") parser.add_argument("--fp16", action="store_true") parser.add_argument("--bf16", action="store_true") parser.add_argument("--seed", type=int, default=1) parser.add_argument("--steps", type=int, default=50) parser.add_argument( "--lora_weights", type=str, nargs="*", default=[], help="LoRA weights, only supports networks.lora_sd3, each argument is a `path;multiplier` (semi-colon separated)", ) parser.add_argument("--merge_lora_weights", action="store_true", help="Merge LoRA weights to model") parser.add_argument("--width", type=int, default=target_width) parser.add_argument("--height", type=int, default=target_height) parser.add_argument("--interactive", action="store_true") args = parser.parse_args() seed = args.seed steps = args.steps sd3_dtype = torch.float32 if args.fp16: sd3_dtype = torch.float16 elif args.bf16: sd3_dtype = torch.bfloat16 loading_device = "cpu" if args.offload else device # load state dict logger.info(f"Loading SD3 models from {args.ckpt_path}...") # state_dict = load_file(args.ckpt_path) state_dict = load_safetensors(args.ckpt_path, loading_device, disable_mmap=True, dtype=sd3_dtype) # load text encoders clip_l = sd3_utils.load_clip_l(args.clip_l, sd3_dtype, loading_device, state_dict=state_dict) clip_g = sd3_utils.load_clip_g(args.clip_g, sd3_dtype, loading_device, state_dict=state_dict) t5xxl = sd3_utils.load_t5xxl(args.t5xxl, sd3_dtype, loading_device, state_dict=state_dict) # MMDiT and VAE vae = sd3_utils.load_vae(None, sd3_dtype, loading_device, state_dict=state_dict) mmdit = sd3_utils.load_mmdit(state_dict, sd3_dtype, loading_device) clip_l.to(sd3_dtype) clip_g.to(sd3_dtype) t5xxl.to(sd3_dtype) vae.to(sd3_dtype) mmdit.to(sd3_dtype) if not args.offload: # make sure to move to the device: some tensors are created in the constructor on the CPU clip_l.to(device) clip_g.to(device) t5xxl.to(device) vae.to(device) mmdit.to(device) clip_l.eval() clip_g.eval() t5xxl.eval() mmdit.eval() vae.eval() # load tokenizers logger.info("Loading tokenizers...") tokenize_strategy = strategy_sd3.Sd3TokenizeStrategy(args.t5xxl_token_length) encoding_strategy = strategy_sd3.Sd3TextEncodingStrategy() # LoRA lora_models: list[lora_sd3.LoRANetwork] = [] for weights_file in args.lora_weights: if ";" in weights_file: weights_file, multiplier = weights_file.split(";") multiplier = float(multiplier) else: multiplier = 1.0 weights_sd = load_file(weights_file) module = lora_sd3 lora_model, _ = module.create_network_from_weights(multiplier, None, vae, [clip_l, clip_g, t5xxl], mmdit, weights_sd, True) if args.merge_lora_weights: lora_model.merge_to([clip_l, clip_g, t5xxl], mmdit, weights_sd) else: lora_model.apply_to([clip_l, clip_g, t5xxl], mmdit) info = lora_model.load_state_dict(weights_sd, strict=True) logger.info(f"Loaded LoRA weights from {weights_file}: {info}") lora_model.eval() lora_model.to(device) lora_models.append(lora_model) if not args.interactive: generate_image( mmdit, vae, clip_l, clip_g, t5xxl, args.steps, args.prompt, args.seed, args.width, args.height, device, args.negative_prompt, args.cfg_scale, ) else: # loop for interactive width = args.width height = args.height steps = None cfg_scale = args.cfg_scale while True: print( "Enter prompt (empty to exit). Options: --w --h --s --d " " --n , `--n -` for empty negative prompt" "Options are kept for the next prompt. Current options:" f" width={width}, height={height}, steps={steps}, seed={seed}, cfg_scale={cfg_scale}" ) prompt = input() if prompt == "": break # parse options options = prompt.split("--") prompt = options[0].strip() seed = None negative_prompt = None for opt in options[1:]: try: opt = opt.strip() if opt.startswith("w"): width = int(opt[1:].strip()) elif opt.startswith("h"): height = int(opt[1:].strip()) elif opt.startswith("s"): steps = int(opt[1:].strip()) elif opt.startswith("d"): seed = int(opt[1:].strip()) elif opt.startswith("m"): mutipliers = opt[1:].strip().split(",") if len(mutipliers) != len(lora_models): logger.error(f"Invalid number of multipliers, expected {len(lora_models)}") continue for i, lora_model in enumerate(lora_models): lora_model.set_multiplier(float(mutipliers[i])) elif opt.startswith("n"): negative_prompt = opt[1:].strip() if negative_prompt == "-": negative_prompt = "" elif opt.startswith("c"): cfg_scale = float(opt[1:].strip()) except ValueError as e: logger.error(f"Invalid option: {opt}, {e}") generate_image( mmdit, vae, clip_l, clip_g, t5xxl, steps if steps is not None else args.steps, prompt, seed if seed is not None else args.seed, width, height, device, negative_prompt if negative_prompt is not None else args.negative_prompt, cfg_scale, ) logger.info("Done!") ================================================ FILE: sd3_train.py ================================================ # training with captions import argparse from concurrent.futures import ThreadPoolExecutor import copy import math import os from multiprocessing import Value from typing import List import toml from tqdm import tqdm import torch from library import utils from library.device_utils import init_ipex, clean_memory_on_device from library.safetensors_utils import load_safetensors init_ipex() from accelerate.utils import set_seed from diffusers import DDPMScheduler from library import deepspeed_utils, sd3_models, sd3_train_utils, sd3_utils, strategy_base, strategy_sd3 import library.sai_model_spec as sai_model_spec from library.sdxl_train_util import match_mixed_precision # , sdxl_model_util import library.train_util as train_util from library.utils import setup_logging, add_logging_arguments setup_logging() import logging logger = logging.getLogger(__name__) import library.config_util as config_util # import library.sdxl_train_util as sdxl_train_util from library.config_util import ( ConfigSanitizer, BlueprintGenerator, ) from library.custom_train_functions import apply_masked_loss, add_custom_train_arguments # from library.custom_train_functions import ( # apply_snr_weight, # prepare_scheduler_for_custom_training, # scale_v_prediction_loss_like_noise_prediction, # add_v_prediction_like_loss, # apply_debiased_estimation, # apply_masked_loss, # ) def train(args): train_util.verify_training_args(args) train_util.prepare_dataset_args(args, True) # sdxl_train_util.verify_sdxl_training_args(args) deepspeed_utils.prepare_deepspeed_args(args) setup_logging(args, reset=True) # temporary: backward compatibility for deprecated options. remove in the future if not args.skip_cache_check: args.skip_cache_check = args.skip_latents_validity_check # assert ( # not args.weighted_captions # ), "weighted_captions is not supported currently / weighted_captionsは現在サポートされていません" # assert ( # not args.train_text_encoder or not args.cache_text_encoder_outputs # ), "cache_text_encoder_outputs is not supported when training text encoder / text encoderを学習するときはcache_text_encoder_outputsはサポートされていません" if args.cache_text_encoder_outputs_to_disk and not args.cache_text_encoder_outputs: logger.warning( "cache_text_encoder_outputs_to_disk is enabled, so cache_text_encoder_outputs is also enabled / cache_text_encoder_outputs_to_diskが有効になっているため、cache_text_encoder_outputsも有効になります" ) args.cache_text_encoder_outputs = True assert not args.train_text_encoder or (args.use_t5xxl_cache_only or not args.cache_text_encoder_outputs), ( "when training text encoder, text encoder outputs must not be cached (except for T5XXL)" + " / text encoderの学習時はtext encoderの出力はキャッシュできません（t5xxlのみキャッシュすることは可能です）" ) if args.use_t5xxl_cache_only and not args.cache_text_encoder_outputs: logger.warning( "use_t5xxl_cache_only is enabled, so cache_text_encoder_outputs is automatically enabled." + " / use_t5xxl_cache_onlyが有効なため、cache_text_encoder_outputsも自動的に有効になります" ) args.cache_text_encoder_outputs = True if args.train_t5xxl: assert ( args.train_text_encoder ), "when training T5XXL, text encoder (CLIP-L/G) must be trained / T5XXLを学習するときはtext encoder (CLIP-L/G)も学習する必要があります" assert ( not args.cache_text_encoder_outputs ), "when training T5XXL, t5xxl output must not be cached / T5XXLを学習するときはt5xxlの出力をキャッシュできません" cache_latents = args.cache_latents use_dreambooth_method = args.in_json is None if args.seed is not None: set_seed(args.seed) # 乱数系列を初期化する # prepare caching strategy: this must be set before preparing dataset. because dataset may use this strategy for initialization. if args.cache_latents: latents_caching_strategy = strategy_sd3.Sd3LatentsCachingStrategy( args.cache_latents_to_disk, args.vae_batch_size, args.skip_cache_check ) strategy_base.LatentsCachingStrategy.set_strategy(latents_caching_strategy) # データセットを準備する if args.dataset_class is None: blueprint_generator = BlueprintGenerator(ConfigSanitizer(True, True, args.masked_loss, True)) if args.dataset_config is not None: logger.info(f"Load dataset config from {args.dataset_config}") user_config = config_util.load_user_config(args.dataset_config) ignored = ["train_data_dir", "in_json"] if any(getattr(args, attr) is not None for attr in ignored): logger.warning( "ignore following options because config file is found: {0} / 設定ファイルが利用されるため以下のオプションは無視されます: {0}".format( ", ".join(ignored) ) ) else: if use_dreambooth_method: logger.info("Using DreamBooth method.") user_config = { "datasets": [ { "subsets": config_util.generate_dreambooth_subsets_config_by_subdirs( args.train_data_dir, args.reg_data_dir ) } ] } else: logger.info("Training with captions.") user_config = { "datasets": [ { "subsets": [ { "image_dir": args.train_data_dir, "metadata_file": args.in_json, } ] } ] } blueprint = blueprint_generator.generate(user_config, args) train_dataset_group, val_dataset_group = config_util.generate_dataset_group_by_blueprint(blueprint.dataset_group) else: train_dataset_group = train_util.load_arbitrary_dataset(args) val_dataset_group = None current_epoch = Value("i", 0) current_step = Value("i", 0) ds_for_collator = train_dataset_group if args.max_data_loader_n_workers == 0 else None collator = train_util.collator_class(current_epoch, current_step, ds_for_collator) train_dataset_group.verify_bucket_reso_steps(8) # TODO これでいいか確認 if args.debug_dataset: if args.cache_text_encoder_outputs: strategy_base.TextEncoderOutputsCachingStrategy.set_strategy( strategy_sd3.Sd3TextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, args.text_encoder_batch_size, False, False, False, False, ) ) train_dataset_group.set_current_strategies() train_util.debug_dataset(train_dataset_group, True) return if len(train_dataset_group) == 0: logger.error( "No data found. Please verify the metadata file and train_data_dir option. / 画像がありません。メタデータおよびtrain_data_dirオプションを確認してください。" ) return if cache_latents: assert ( train_dataset_group.is_latent_cacheable() ), "when caching latents, either color_aug or random_crop cannot be used / latentをキャッシュするときはcolor_augとrandom_cropは使えません" if args.cache_text_encoder_outputs: assert ( train_dataset_group.is_text_encoder_output_cacheable() ), "when caching text encoder output, either caption_dropout_rate, shuffle_caption, token_warmup_step or caption_tag_dropout_rate cannot be used / text encoderの出力をキャッシュするときはcaption_dropout_rate, shuffle_caption, token_warmup_step, caption_tag_dropout_rateは使えません" # acceleratorを準備する logger.info("prepare accelerator") accelerator = train_util.prepare_accelerator(args) # mixed precisionに対応した型を用意しておき適宜castする weight_dtype, save_dtype = train_util.prepare_dtype(args) # モデルを読み込む # t5xxl_dtype = weight_dtype model_dtype = match_mixed_precision(args, weight_dtype) # None (default) or fp16/bf16 (full_xxxx) if args.clip_l is None: sd3_state_dict = load_safetensors( args.pretrained_model_name_or_path, "cpu", args.disable_mmap_load_safetensors, model_dtype ) else: sd3_state_dict = None # load tokenizer and prepare tokenize strategy sd3_tokenize_strategy = strategy_sd3.Sd3TokenizeStrategy(args.t5xxl_max_token_length) strategy_base.TokenizeStrategy.set_strategy(sd3_tokenize_strategy) # load clip_l, clip_g, t5xxl for caching text encoder outputs # clip_l = sd3_train_utils.load_target_model("clip_l", args, sd3_state_dict, accelerator, attn_mode, clip_dtype, device_to_load) # clip_g = sd3_train_utils.load_target_model("clip_g", args, sd3_state_dict, accelerator, attn_mode, clip_dtype, device_to_load) clip_l = sd3_utils.load_clip_l(args.clip_l, weight_dtype, "cpu", args.disable_mmap_load_safetensors, state_dict=sd3_state_dict) clip_g = sd3_utils.load_clip_g(args.clip_g, weight_dtype, "cpu", args.disable_mmap_load_safetensors, state_dict=sd3_state_dict) t5xxl = sd3_utils.load_t5xxl(args.t5xxl, weight_dtype, "cpu", args.disable_mmap_load_safetensors, state_dict=sd3_state_dict) assert clip_l is not None and clip_g is not None and t5xxl is not None, "clip_l, clip_g, t5xxl must be specified" # prepare text encoding strategy text_encoding_strategy = strategy_sd3.Sd3TextEncodingStrategy( args.apply_lg_attn_mask, args.apply_t5_attn_mask, args.clip_l_dropout_rate, args.clip_g_dropout_rate, args.t5_dropout_rate ) strategy_base.TextEncodingStrategy.set_strategy(text_encoding_strategy) # 学習を準備する：モデルを適切な状態にする train_clip = False train_t5xxl = False if args.train_text_encoder: accelerator.print("enable text encoder training") if args.gradient_checkpointing: clip_l.gradient_checkpointing_enable() clip_g.gradient_checkpointing_enable() if args.train_t5xxl: t5xxl.gradient_checkpointing_enable() lr_te1 = args.learning_rate_te1 if args.learning_rate_te1 is not None else args.learning_rate # 0 means not train lr_te2 = args.learning_rate_te2 if args.learning_rate_te2 is not None else args.learning_rate # 0 means not train lr_t5xxl = args.learning_rate_te3 if args.learning_rate_te3 is not None else args.learning_rate # 0 means not train train_clip = lr_te1 != 0 or lr_te2 != 0 train_t5xxl = lr_t5xxl != 0 and args.train_t5xxl clip_l.to(weight_dtype) clip_g.to(weight_dtype) t5xxl.to(weight_dtype) clip_l.requires_grad_(train_clip) clip_g.requires_grad_(train_clip) t5xxl.requires_grad_(train_t5xxl) else: print("disable text encoder training") clip_l.to(weight_dtype) clip_g.to(weight_dtype) t5xxl.to(weight_dtype) clip_l.requires_grad_(False) clip_g.requires_grad_(False) t5xxl.requires_grad_(False) lr_te1 = 0 lr_te2 = 0 lr_t5xxl = 0 # cache text encoder outputs sample_prompts_te_outputs = None if args.cache_text_encoder_outputs: clip_l.to(accelerator.device) clip_g.to(accelerator.device) t5xxl.to(accelerator.device) clip_l.eval() clip_g.eval() t5xxl.eval() text_encoder_caching_strategy = strategy_sd3.Sd3TextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, args.text_encoder_batch_size, args.skip_cache_check, train_clip or args.use_t5xxl_cache_only, # if clip is trained or t5xxl is cached, caching is partial args.apply_lg_attn_mask, args.apply_t5_attn_mask, ) strategy_base.TextEncoderOutputsCachingStrategy.set_strategy(text_encoder_caching_strategy) with accelerator.autocast(): train_dataset_group.new_cache_text_encoder_outputs([clip_l, clip_g, t5xxl], accelerator) # cache sample prompt's embeddings to free text encoder's memory if args.sample_prompts is not None: logger.info(f"cache Text Encoder outputs for sample prompt: {args.sample_prompts}") prompts = train_util.load_prompts(args.sample_prompts) sample_prompts_te_outputs = {} # key: prompt, value: text encoder outputs with accelerator.autocast(), torch.no_grad(): for prompt_dict in prompts: for p in [prompt_dict.get("prompt", ""), prompt_dict.get("negative_prompt", "")]: if p not in sample_prompts_te_outputs: logger.info(f"cache Text Encoder outputs for prompt: {p}") tokens_and_masks = sd3_tokenize_strategy.tokenize(p) sample_prompts_te_outputs[p] = text_encoding_strategy.encode_tokens( sd3_tokenize_strategy, [clip_l, clip_g, t5xxl], tokens_and_masks, args.apply_lg_attn_mask, args.apply_t5_attn_mask, enable_dropout=False, ) accelerator.wait_for_everyone() # now we can delete Text Encoders to free memory if not args.use_t5xxl_cache_only: clip_l = None clip_g = None t5xxl = None clean_memory_on_device(accelerator.device) # load VAE for caching latents if sd3_state_dict is None: logger.info(f"load state dict for MMDiT and VAE from {args.pretrained_model_name_or_path}") sd3_state_dict = load_safetensors( args.pretrained_model_name_or_path, "cpu", args.disable_mmap_load_safetensors, model_dtype ) vae = sd3_utils.load_vae(args.vae, weight_dtype, "cpu", args.disable_mmap_load_safetensors, state_dict=sd3_state_dict) if cache_latents: # vae = sd3_train_utils.load_target_model("vae", args, sd3_state_dict, accelerator, attn_mode, vae_dtype, device_to_load) vae.to(accelerator.device, dtype=weight_dtype) vae.requires_grad_(False) vae.eval() train_dataset_group.new_cache_latents(vae, accelerator) vae.to("cpu") # if no sampling, vae can be deleted clean_memory_on_device(accelerator.device) accelerator.wait_for_everyone() # load MMDIT mmdit = sd3_utils.load_mmdit(sd3_state_dict, model_dtype, "cpu") # attn_mode = "xformers" if args.xformers else "torch" # assert ( # attn_mode == "torch" # ), f"attn_mode {attn_mode} is not supported yet. Please use `--sdpa` instead of `--xformers`. / attn_mode {attn_mode} はサポートされていません。`--xformers`の代わりに`--sdpa`を使ってください。" mmdit.set_pos_emb_random_crop_rate(args.pos_emb_random_crop_rate) # set resolutions for positional embeddings if args.enable_scaled_pos_embed: resolutions = train_dataset_group.get_resolutions() latent_sizes = [round(math.sqrt(res[0] * res[1])) // 8 for res in resolutions] # 8 is stride for latent latent_sizes = list(set(latent_sizes)) # remove duplicates logger.info(f"Prepare scaled positional embeddings for resolutions: {resolutions}, sizes: {latent_sizes}") mmdit.enable_scaled_pos_embed(True, latent_sizes) if args.gradient_checkpointing: mmdit.enable_gradient_checkpointing() train_mmdit = args.learning_rate != 0 mmdit.requires_grad_(train_mmdit) if not train_mmdit: mmdit.to(accelerator.device, dtype=weight_dtype) # because of mmdit will not be prepared # block swap is_swapping_blocks = args.blocks_to_swap is not None and args.blocks_to_swap > 0 if is_swapping_blocks: # Swap blocks between CPU and GPU to reduce memory usage, in forward and backward passes. # This idea is based on 2kpr's great work. Thank you! logger.info(f"enable block swap: blocks_to_swap={args.blocks_to_swap}") mmdit.enable_block_swap(args.blocks_to_swap, accelerator.device) if not cache_latents: # move to accelerator device vae.requires_grad_(False) vae.eval() vae.to(accelerator.device, dtype=weight_dtype) mmdit.requires_grad_(train_mmdit) if not train_mmdit: mmdit.to(accelerator.device, dtype=weight_dtype) # because of unet is not prepared if args.num_last_block_to_freeze: # freeze last n blocks of MM-DIT block_name = "x_block" filtered_blocks = [(name, param) for name, param in mmdit.named_parameters() if block_name in name] accelerator.print(f"filtered_blocks: {len(filtered_blocks)}") num_blocks_to_freeze = min(len(filtered_blocks), args.num_last_block_to_freeze) accelerator.print(f"freeze_blocks: {num_blocks_to_freeze}") start_freezing_from = max(0, len(filtered_blocks) - num_blocks_to_freeze) for i in range(start_freezing_from, len(filtered_blocks)): _, param = filtered_blocks[i] param.requires_grad = False training_models = [] params_to_optimize = [] param_names = [] training_models.append(mmdit) params_to_optimize.append({"params": list(filter(lambda p: p.requires_grad, mmdit.parameters())), "lr": args.learning_rate}) param_names.append([n for n, _ in mmdit.named_parameters()]) if train_clip: if lr_te1 > 0: training_models.append(clip_l) params_to_optimize.append({"params": list(clip_l.parameters()), "lr": args.learning_rate_te1 or args.learning_rate}) param_names.append([n for n, _ in clip_l.named_parameters()]) if lr_te2 > 0: training_models.append(clip_g) params_to_optimize.append({"params": list(clip_g.parameters()), "lr": args.learning_rate_te2 or args.learning_rate}) param_names.append([n for n, _ in clip_g.named_parameters()]) if train_t5xxl: training_models.append(t5xxl) params_to_optimize.append({"params": list(t5xxl.parameters()), "lr": args.learning_rate_te3 or args.learning_rate}) param_names.append([n for n, _ in t5xxl.named_parameters()]) # calculate number of trainable parameters n_params = 0 for group in params_to_optimize: for p in group["params"]: n_params += p.numel() accelerator.print(f"train mmdit: {train_mmdit} , clip:{train_clip}, t5xxl:{train_t5xxl}") accelerator.print(f"number of models: {len(training_models)}") accelerator.print(f"number of trainable parameters: {n_params}") # 学習に必要なクラスを準備する accelerator.print("prepare optimizer, data loader etc.") if args.blockwise_fused_optimizers: # fused backward pass: https://pytorch.org/tutorials/intermediate/optimizer_step_in_backward_tutorial.html # Instead of creating an optimizer for all parameters as in the tutorial, we create an optimizer for each block of parameters. # This balances memory usage and management complexity. # split params into groups for mmdit. clip_l, clip_g, t5xxl are in each group grouped_params = [] param_group = {} group = params_to_optimize[0] named_parameters = list(mmdit.named_parameters()) assert len(named_parameters) == len(group["params"]), "number of parameters does not match" for p, np in zip(group["params"], named_parameters): # determine target layer and block index for each parameter block_type = "other" # joint or other if np[0].startswith("joint_blocks"): block_idx = int(np[0].split(".")[1]) block_type = "joint" else: block_idx = -1 param_group_key = (block_type, block_idx) if param_group_key not in param_group: param_group[param_group_key] = [] param_group[param_group_key].append(p) block_types_and_indices = [] for param_group_key, param_group in param_group.items(): block_types_and_indices.append(param_group_key) grouped_params.append({"params": param_group, "lr": args.learning_rate}) num_params = 0 for p in param_group: num_params += p.numel() accelerator.print(f"block {param_group_key}: {num_params} parameters") grouped_params.extend(params_to_optimize[1:]) # add clip_l, clip_g, t5xxl if they are trained # prepare optimizers for each group optimizers = [] for group in grouped_params: _, _, optimizer = train_util.get_optimizer(args, trainable_params=[group]) optimizers.append(optimizer) optimizer = optimizers[0] # avoid error in the following code logger.info(f"using {len(optimizers)} optimizers for blockwise fused optimizers") if train_util.is_schedulefree_optimizer(optimizers[0], args): raise ValueError("Schedule-free optimizer is not supported with blockwise fused optimizers") optimizer_train_fn = lambda: None # dummy function optimizer_eval_fn = lambda: None # dummy function else: _, _, optimizer = train_util.get_optimizer(args, trainable_params=params_to_optimize) optimizer_train_fn, optimizer_eval_fn = train_util.get_optimizer_train_eval_fn(optimizer, args) # prepare dataloader # strategies are set here because they cannot be referenced in another process. Copy them with the dataset # some strategies can be None train_dataset_group.set_current_strategies() # DataLoaderのプロセス数：0 は persistent_workers が使えないので注意 n_workers = min(args.max_data_loader_n_workers, os.cpu_count()) # cpu_count or max_data_loader_n_workers train_dataloader = torch.utils.data.DataLoader( train_dataset_group, batch_size=1, shuffle=True, collate_fn=collator, num_workers=n_workers, persistent_workers=args.persistent_data_loader_workers, ) # 学習ステップ数を計算する if args.max_train_epochs is not None: args.max_train_steps = args.max_train_epochs * math.ceil( len(train_dataloader) / accelerator.num_processes / args.gradient_accumulation_steps ) accelerator.print( f"override steps. steps for {args.max_train_epochs} epochs is / 指定エポックまでのステップ数: {args.max_train_steps}" ) # データセット側にも学習ステップを送信 train_dataset_group.set_max_train_steps(args.max_train_steps) # lr schedulerを用意する if args.blockwise_fused_optimizers: # prepare lr schedulers for each optimizer lr_schedulers = [train_util.get_scheduler_fix(args, optimizer, accelerator.num_processes) for optimizer in optimizers] lr_scheduler = lr_schedulers[0] # avoid error in the following code else: lr_scheduler = train_util.get_scheduler_fix(args, optimizer, accelerator.num_processes) # 実験的機能：勾配も含めたfp16/bf16学習を行う　モデル全体をfp16/bf16にする if args.full_fp16: assert ( args.mixed_precision == "fp16" ), "full_fp16 requires mixed precision='fp16' / full_fp16を使う場合はmixed_precision='fp16'を指定してください。" accelerator.print("enable full fp16 training.") mmdit.to(weight_dtype) if clip_l is not None: clip_l.to(weight_dtype) if clip_g is not None: clip_g.to(weight_dtype) if t5xxl is not None: t5xxl.to(weight_dtype) elif args.full_bf16: assert ( args.mixed_precision == "bf16" ), "full_bf16 requires mixed precision='bf16' / full_bf16を使う場合はmixed_precision='bf16'を指定してください。" accelerator.print("enable full bf16 training.") mmdit.to(weight_dtype) if clip_l is not None: clip_l.to(weight_dtype) if clip_g is not None: clip_g.to(weight_dtype) if t5xxl is not None: t5xxl.to(weight_dtype) # TODO check if this is necessary. SD3 uses pool for clip_l and clip_g # # freeze last layer and final_layer_norm in te1 since we use the output of the penultimate layer # if train_clip_l: # clip_l.text_model.encoder.layers[-1].requires_grad_(False) # clip_l.text_model.final_layer_norm.requires_grad_(False) # move Text Encoders to GPU if not caching outputs if not args.cache_text_encoder_outputs: # make sure Text Encoders are on GPU # TODO support CPU for text encoders clip_l.to(accelerator.device) clip_g.to(accelerator.device) if t5xxl is not None: t5xxl.to(accelerator.device) clean_memory_on_device(accelerator.device) if args.deepspeed: ds_model = deepspeed_utils.prepare_deepspeed_model( args, mmdit=mmdit, clip_l=clip_l if train_clip else None, clip_g=clip_g if train_clip else None ) # most of ZeRO stage uses optimizer partitioning, so we have to prepare optimizer and ds_model at the same time. # pull/1139#issuecomment-1986790007 ds_model, optimizer, train_dataloader, lr_scheduler = accelerator.prepare( ds_model, optimizer, train_dataloader, lr_scheduler ) training_models = [ds_model] else: # acceleratorがなんかよろしくやってくれるらしい if train_mmdit: mmdit = accelerator.prepare(mmdit, device_placement=[not is_swapping_blocks]) if is_swapping_blocks: accelerator.unwrap_model(mmdit).move_to_device_except_swap_blocks(accelerator.device) # reduce peak memory usage if train_clip: clip_l = accelerator.prepare(clip_l) clip_g = accelerator.prepare(clip_g) if train_t5xxl: t5xxl = accelerator.prepare(t5xxl) optimizer, train_dataloader, lr_scheduler = accelerator.prepare(optimizer, train_dataloader, lr_scheduler) # 実験的機能：勾配も含めたfp16学習を行う　PyTorchにパッチを当ててfp16でのgrad scaleを有効にする if args.full_fp16: # During deepseed training, accelerate not handles fp16/bf16|mixed precision directly via scaler. Let deepspeed engine do. # -> But we think it's ok to patch accelerator even if deepspeed is enabled. train_util.patch_accelerator_for_fp16_training(accelerator) # resumeする train_util.resume_from_local_or_hf_if_specified(accelerator, args) if args.fused_backward_pass: # use fused optimizer for backward pass: other optimizers will be supported in the future import library.adafactor_fused library.adafactor_fused.patch_adafactor_fused(optimizer) for param_group, param_name_group in zip(optimizer.param_groups, param_names): for parameter, param_name in zip(param_group["params"], param_name_group): if parameter.requires_grad: def create_grad_hook(p_name, p_group): def grad_hook(tensor: torch.Tensor): if accelerator.sync_gradients and args.max_grad_norm != 0.0: accelerator.clip_grad_norm_(tensor, args.max_grad_norm) optimizer.step_param(tensor, p_group) tensor.grad = None return grad_hook parameter.register_post_accumulate_grad_hook(create_grad_hook(param_name, param_group)) elif args.blockwise_fused_optimizers: # prepare for additional optimizers and lr schedulers for i in range(1, len(optimizers)): optimizers[i] = accelerator.prepare(optimizers[i]) lr_schedulers[i] = accelerator.prepare(lr_schedulers[i]) # counters are used to determine when to step the optimizer global optimizer_hooked_count global num_parameters_per_group global parameter_optimizer_map optimizer_hooked_count = {} num_parameters_per_group = [0] * len(optimizers) parameter_optimizer_map = {} for opt_idx, optimizer in enumerate(optimizers): for param_group in optimizer.param_groups: for parameter in param_group["params"]: if parameter.requires_grad: def grad_hook(parameter: torch.Tensor): if accelerator.sync_gradients and args.max_grad_norm != 0.0: accelerator.clip_grad_norm_(parameter, args.max_grad_norm) i = parameter_optimizer_map[parameter] optimizer_hooked_count[i] += 1 if optimizer_hooked_count[i] == num_parameters_per_group[i]: optimizers[i].step() optimizers[i].zero_grad(set_to_none=True) parameter.register_post_accumulate_grad_hook(grad_hook) parameter_optimizer_map[parameter] = opt_idx num_parameters_per_group[opt_idx] += 1 # epoch数を計算する num_update_steps_per_epoch = math.ceil(len(train_dataloader) / args.gradient_accumulation_steps) num_train_epochs = math.ceil(args.max_train_steps / num_update_steps_per_epoch) if (args.save_n_epoch_ratio is not None) and (args.save_n_epoch_ratio > 0): args.save_every_n_epochs = math.floor(num_train_epochs / args.save_n_epoch_ratio) or 1 # 学習する # total_batch_size = args.train_batch_size * accelerator.num_processes * args.gradient_accumulation_steps accelerator.print("running training / 学習開始") accelerator.print(f" num examples / サンプル数: {train_dataset_group.num_train_images}") accelerator.print(f" num batches per epoch / 1epochのバッチ数: {len(train_dataloader)}") accelerator.print(f" num epochs / epoch数: {num_train_epochs}") accelerator.print( f" batch size per device / バッチサイズ: {', '.join([str(d.batch_size) for d in train_dataset_group.datasets])}" ) # accelerator.print( # f" total train batch size (with parallel & distributed & accumulation) / 総バッチサイズ（並列学習、勾配合計含む）: {total_batch_size}" # ) accelerator.print(f" gradient accumulation steps / 勾配を合計するステップ数 = {args.gradient_accumulation_steps}") accelerator.print(f" total optimization steps / 学習ステップ数: {args.max_train_steps}") progress_bar = tqdm(range(args.max_train_steps), smoothing=0, disable=not accelerator.is_local_main_process, desc="steps") global_step = 0 # only used to get timesteps, etc. TODO manage timesteps etc. separately dummy_scheduler = sd3_train_utils.FlowMatchEulerDiscreteScheduler(num_train_timesteps=1000, shift=3.0) if accelerator.is_main_process: init_kwargs = {} if args.wandb_run_name: init_kwargs["wandb"] = {"name": args.wandb_run_name} if args.log_tracker_config is not None: init_kwargs = toml.load(args.log_tracker_config) accelerator.init_trackers( "finetuning" if args.log_tracker_name is None else args.log_tracker_name, config=train_util.get_sanitized_config_or_none(args), init_kwargs=init_kwargs, ) if is_swapping_blocks: accelerator.unwrap_model(mmdit).prepare_block_swap_before_forward() # For --sample_at_first optimizer_eval_fn() sd3_train_utils.sample_images(accelerator, args, 0, global_step, mmdit, vae, [clip_l, clip_g, t5xxl], sample_prompts_te_outputs) optimizer_train_fn() if len(accelerator.trackers) > 0: # log empty object to commit the sample images to wandb accelerator.log({}, step=0) # show model device and dtype logger.info( f"mmdit device: {accelerator.unwrap_model(mmdit).device}, dtype: {accelerator.unwrap_model(mmdit).dtype}" if mmdit else "mmdit is None" ) logger.info( f"clip_l device: {accelerator.unwrap_model(clip_l).device}, dtype: {accelerator.unwrap_model(clip_l).dtype}" if clip_l else "clip_l is None" ) logger.info( f"clip_g device: {accelerator.unwrap_model(clip_g).device}, dtype: {accelerator.unwrap_model(clip_g).dtype}" if clip_g else "clip_g is None" ) logger.info( f"t5xxl device: {accelerator.unwrap_model(t5xxl).device}, dtype: {accelerator.unwrap_model(t5xxl).dtype}" if t5xxl else "t5xxl is None" ) logger.info( f"vae device: {accelerator.unwrap_model(vae).device}, dtype: {accelerator.unwrap_model(vae).dtype}" if vae is not None else "vae is None" ) loss_recorder = train_util.LossRecorder() epoch = 0 # avoid error when max_train_steps is 0 for epoch in range(num_train_epochs): accelerator.print(f"\nepoch {epoch+1}/{num_train_epochs}") current_epoch.value = epoch + 1 for m in training_models: m.train() for step, batch in enumerate(train_dataloader): current_step.value = global_step if args.blockwise_fused_optimizers: optimizer_hooked_count = {i: 0 for i in range(len(optimizers))} # reset counter for each step with accelerator.accumulate(*training_models): if "latents" in batch and batch["latents"] is not None: latents = batch["latents"].to(accelerator.device, dtype=weight_dtype) else: with torch.no_grad(): # encode images to latents. images are [-1, 1] latents = vae.encode(batch["images"].to(vae.device, dtype=vae.dtype)).to( accelerator.device, dtype=weight_dtype ) # NaNが含まれていれば警告を表示し0に置き換える if torch.any(torch.isnan(latents)): accelerator.print("NaN found in latents, replacing with zeros") latents = torch.nan_to_num(latents, 0, out=latents) # latents = latents * sdxl_model_util.VAE_SCALE_FACTOR latents = sd3_models.SDVAE.process_in(latents) text_encoder_outputs_list = batch.get("text_encoder_outputs_list", None) if text_encoder_outputs_list is not None: text_encoder_outputs_list = text_encoding_strategy.drop_cached_text_encoder_outputs(*text_encoder_outputs_list) lg_out, t5_out, lg_pooled, l_attn_mask, g_attn_mask, t5_attn_mask = text_encoder_outputs_list if args.use_t5xxl_cache_only: lg_out = None lg_pooled = None else: lg_out = None t5_out = None lg_pooled = None l_attn_mask = None g_attn_mask = None t5_attn_mask = None if lg_out is None: # not cached or training, so get from text encoders input_ids_clip_l, input_ids_clip_g, _, l_attn_mask, g_attn_mask, _ = batch["input_ids_list"] with torch.set_grad_enabled(train_clip): # TODO support weighted captions # text models in sd3_models require "cpu" for input_ids input_ids_clip_l = input_ids_clip_l.to("cpu") input_ids_clip_g = input_ids_clip_g.to("cpu") lg_out, _, lg_pooled, l_attn_mask, g_attn_mask, _ = text_encoding_strategy.encode_tokens( sd3_tokenize_strategy, [clip_l, clip_g, None], [input_ids_clip_l, input_ids_clip_g, None, l_attn_mask, g_attn_mask, None], ) if t5_out is None: _, _, input_ids_t5xxl, _, _, t5_attn_mask = batch["input_ids_list"] with torch.set_grad_enabled(train_t5xxl): input_ids_t5xxl = input_ids_t5xxl.to("cpu") _, t5_out, _, _, _, t5_attn_mask = text_encoding_strategy.encode_tokens( sd3_tokenize_strategy, [None, None, t5xxl], [None, None, input_ids_t5xxl, None, None, t5_attn_mask] ) context, lg_pooled = text_encoding_strategy.concat_encodings(lg_out, t5_out, lg_pooled) # TODO support some features for noise implemented in get_noise_noisy_latents_and_timesteps # Sample noise that we'll add to the latents noise = torch.randn_like(latents) # bsz = latents.shape[0] # get noisy model input and timesteps noisy_model_input, timesteps, sigmas = sd3_train_utils.get_noisy_model_input_and_timesteps( args, latents, noise, accelerator.device, weight_dtype ) # debug: NaN check for all inputs if torch.any(torch.isnan(noisy_model_input)): accelerator.print("NaN found in noisy_model_input, replacing with zeros") noisy_model_input = torch.nan_to_num(noisy_model_input, 0, out=noisy_model_input) if torch.any(torch.isnan(context)): accelerator.print("NaN found in context, replacing with zeros") context = torch.nan_to_num(context, 0, out=context) if torch.any(torch.isnan(lg_pooled)): accelerator.print("NaN found in pool, replacing with zeros") lg_pooled = torch.nan_to_num(lg_pooled, 0, out=lg_pooled) # call model with accelerator.autocast(): # TODO support attention mask model_pred = mmdit(noisy_model_input, timesteps, context=context, y=lg_pooled) # Follow: Section 5 of https://arxiv.org/abs/2206.00364. # Preconditioning of the model outputs. model_pred = model_pred * (-sigmas) + noisy_model_input # these weighting schemes use a uniform timestep sampling # and instead post-weight the loss weighting = sd3_train_utils.compute_loss_weighting_for_sd3(weighting_scheme=args.weighting_scheme, sigmas=sigmas) # flow matching loss target = latents # # Compute regular loss. TODO simplify this # loss = torch.mean( # (weighting.float() * (model_pred.float() - target.float()) ** 2).reshape(target.shape[0], -1), # 1, # ) # calculate loss huber_c = train_util.get_huber_threshold_if_needed(args, timesteps, dummy_scheduler) loss = train_util.conditional_loss(model_pred.float(), target.float(), args.loss_type, "none", huber_c) if args.masked_loss or ("alpha_masks" in batch and batch["alpha_masks"] is not None): loss = apply_masked_loss(loss, batch) loss = loss.mean([1, 2, 3]) if weighting is not None: loss = loss * weighting loss_weights = batch["loss_weights"] # 各sampleごとのweight loss = loss * loss_weights loss = loss.mean() accelerator.backward(loss) if not (args.fused_backward_pass or args.blockwise_fused_optimizers): if accelerator.sync_gradients and args.max_grad_norm != 0.0: params_to_clip = [] for m in training_models: params_to_clip.extend(m.parameters()) accelerator.clip_grad_norm_(params_to_clip, args.max_grad_norm) optimizer.step() lr_scheduler.step() optimizer.zero_grad(set_to_none=True) else: # optimizer.step() and optimizer.zero_grad() are called in the optimizer hook lr_scheduler.step() if args.blockwise_fused_optimizers: for i in range(1, len(optimizers)): lr_schedulers[i].step() # Checks if the accelerator has performed an optimization step behind the scenes if accelerator.sync_gradients: progress_bar.update(1) global_step += 1 optimizer_eval_fn() sd3_train_utils.sample_images( accelerator, args, None, global_step, mmdit, vae, [clip_l, clip_g, t5xxl], sample_prompts_te_outputs ) # 指定ステップごとにモデルを保存 if args.save_every_n_steps is not None and global_step % args.save_every_n_steps == 0: accelerator.wait_for_everyone() if accelerator.is_main_process: sd3_train_utils.save_sd3_model_on_epoch_end_or_stepwise( args, False, accelerator, save_dtype, epoch, num_train_epochs, global_step, accelerator.unwrap_model(clip_l) if train_clip else None, accelerator.unwrap_model(clip_g) if train_clip else None, accelerator.unwrap_model(t5xxl) if train_t5xxl else None, accelerator.unwrap_model(mmdit) if train_mmdit else None, vae, ) optimizer_train_fn() current_loss = loss.detach().item() # 平均なのでbatch sizeは関係ないはず if len(accelerator.trackers) > 0: logs = {"loss": current_loss} train_util.append_lr_to_logs(logs, lr_scheduler, args.optimizer_type, including_unet=train_mmdit) accelerator.log(logs, step=global_step) loss_recorder.add(epoch=epoch, step=step, loss=current_loss) avr_loss: float = loss_recorder.moving_average logs = {"avr_loss": avr_loss} # , "lr": lr_scheduler.get_last_lr()[0]} progress_bar.set_postfix(**logs) if global_step >= args.max_train_steps: break if len(accelerator.trackers) > 0: logs = {"loss/epoch": loss_recorder.moving_average} accelerator.log(logs, step=epoch + 1) accelerator.wait_for_everyone() optimizer_eval_fn() if args.save_every_n_epochs is not None: if accelerator.is_main_process: sd3_train_utils.save_sd3_model_on_epoch_end_or_stepwise( args, True, accelerator, save_dtype, epoch, num_train_epochs, global_step, accelerator.unwrap_model(clip_l) if train_clip else None, accelerator.unwrap_model(clip_g) if train_clip else None, accelerator.unwrap_model(t5xxl) if train_t5xxl else None, accelerator.unwrap_model(mmdit) if train_mmdit else None, vae, ) sd3_train_utils.sample_images( accelerator, args, epoch + 1, global_step, mmdit, vae, [clip_l, clip_g, t5xxl], sample_prompts_te_outputs ) is_main_process = accelerator.is_main_process # if is_main_process: mmdit = accelerator.unwrap_model(mmdit) clip_l = accelerator.unwrap_model(clip_l) clip_g = accelerator.unwrap_model(clip_g) if t5xxl is not None: t5xxl = accelerator.unwrap_model(t5xxl) accelerator.end_training() optimizer_eval_fn() if args.save_state or args.save_state_on_train_end: train_util.save_state_on_train_end(args, accelerator) del accelerator # この後メモリを使うのでこれは消す if is_main_process: sd3_train_utils.save_sd3_model_on_train_end( args, save_dtype, epoch, global_step, clip_l if train_clip else None, clip_g if train_clip else None, t5xxl if train_t5xxl else None, mmdit if train_mmdit else None, vae, ) logger.info("model saved.") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) train_util.add_sd_models_arguments(parser) sai_model_spec.add_model_spec_arguments(parser) train_util.add_dataset_arguments(parser, True, True, True) train_util.add_training_arguments(parser, False) train_util.add_masked_loss_arguments(parser) deepspeed_utils.add_deepspeed_arguments(parser) train_util.add_sd_saving_arguments(parser) train_util.add_optimizer_arguments(parser) config_util.add_config_arguments(parser) add_custom_train_arguments(parser) train_util.add_dit_training_arguments(parser) sd3_train_utils.add_sd3_training_arguments(parser) parser.add_argument( "--train_text_encoder", action="store_true", help="train text encoder (CLIP-L and G) / text encoderも学習する" ) parser.add_argument("--train_t5xxl", action="store_true", help="train T5-XXL / T5-XXLも学習する") parser.add_argument( "--use_t5xxl_cache_only", action="store_true", help="cache T5-XXL outputs only / T5-XXLの出力のみキャッシュする" ) parser.add_argument( "--learning_rate_te1", type=float, default=None, help="learning rate for text encoder 1 (ViT-L) / text encoder 1 (ViT-L)の学習率", ) parser.add_argument( "--learning_rate_te2", type=float, default=None, help="learning rate for text encoder 2 (BiG-G) / text encoder 2 (BiG-G)の学習率", ) parser.add_argument( "--learning_rate_te3", type=float, default=None, help="learning rate for text encoder 3 (T5-XXL) / text encoder 3 (T5-XXL)の学習率", ) # parser.add_argument( # "--diffusers_xformers", action="store_true", help="use xformers by diffusers / Diffusersでxformersを使用する" # ) # parser.add_argument( # "--no_half_vae", # action="store_true", # help="do not use fp16/bf16 VAE in mixed precision (use float VAE) / mixed precisionでも fp16/bf16 VAEを使わずfloat VAEを使う", # ) # parser.add_argument( # "--block_lr", # type=str, # default=None, # help=f"learning rates for each block of U-Net, comma-separated, {UNET_NUM_BLOCKS_FOR_BLOCK_LR} values / " # + f"U-Netの各ブロックの学習率、カンマ区切り、{UNET_NUM_BLOCKS_FOR_BLOCK_LR}個の値", # ) parser.add_argument( "--blockwise_fused_optimizers", action="store_true", help="enable blockwise optimizers for fused backward pass and optimizer step / fused backward passとoptimizer step のためブロック単位のoptimizerを有効にする", ) parser.add_argument( "--fused_optimizer_groups", type=int, default=None, help="[DOES NOT WORK] number of optimizer groups for fused backward pass and optimizer step / fused backward passとoptimizer stepのためのoptimizerグループ数", ) parser.add_argument( "--skip_latents_validity_check", action="store_true", help="[Deprecated] use 'skip_cache_check' instead / 代わりに 'skip_cache_check' を使用してください", ) parser.add_argument( "--num_last_block_to_freeze", type=int, default=None, help="freeze last n blocks of MM-DIT / MM-DITの最後のnブロックを凍結する", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) train(args) ================================================ FILE: sd3_train_network.py ================================================ import argparse import copy import math import random from typing import Any, Optional, Union import torch from accelerate import Accelerator from library import sd3_models, strategy_sd3, utils from library.device_utils import init_ipex, clean_memory_on_device from library.safetensors_utils import load_safetensors init_ipex() from library import flux_models, flux_train_utils, flux_utils, sd3_train_utils, sd3_utils, strategy_base, strategy_sd3, train_util import train_network from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) class Sd3NetworkTrainer(train_network.NetworkTrainer): def __init__(self): super().__init__() self.sample_prompts_te_outputs = None def assert_extra_args( self, args, train_dataset_group: Union[train_util.DatasetGroup, train_util.MinimalDataset], val_dataset_group: Optional[train_util.DatasetGroup], ): # super().assert_extra_args(args, train_dataset_group) # sdxl_train_util.verify_sdxl_training_args(args) if args.fp8_base_unet: args.fp8_base = True # if fp8_base_unet is enabled, fp8_base is also enabled for SD3 if args.cache_text_encoder_outputs_to_disk and not args.cache_text_encoder_outputs: logger.warning( "cache_text_encoder_outputs_to_disk is enabled, so cache_text_encoder_outputs is also enabled / cache_text_encoder_outputs_to_diskが有効になっているため、cache_text_encoder_outputsも有効になります" ) args.cache_text_encoder_outputs = True if args.cache_text_encoder_outputs: assert ( train_dataset_group.is_text_encoder_output_cacheable() ), "when caching Text Encoder output, either caption_dropout_rate, shuffle_caption, token_warmup_step or caption_tag_dropout_rate cannot be used / Text Encoderの出力をキャッシュするときはcaption_dropout_rate, shuffle_caption, token_warmup_step, caption_tag_dropout_rateは使えません" # prepare CLIP-L/CLIP-G/T5XXL training flags self.train_clip = not args.network_train_unet_only self.train_t5xxl = False # default is False even if args.network_train_unet_only is False if args.max_token_length is not None: logger.warning("max_token_length is not used in Flux training / max_token_lengthはFluxのトレーニングでは使用されません") assert ( args.blocks_to_swap is None or args.blocks_to_swap == 0 ) or not args.cpu_offload_checkpointing, "blocks_to_swap is not supported with cpu_offload_checkpointing / blocks_to_swapはcpu_offload_checkpointingと併用できません" train_dataset_group.verify_bucket_reso_steps(32) # TODO check this if val_dataset_group is not None: val_dataset_group.verify_bucket_reso_steps(32) # TODO check this # enumerate resolutions from dataset for positional embeddings resolutions = train_dataset_group.get_resolutions() if val_dataset_group is not None: resolutions = resolutions + val_dataset_group.get_resolutions() self.resolutions = resolutions def load_target_model(self, args, weight_dtype, accelerator): # currently offload to cpu for some models # if the file is fp8 and we are using fp8_base, we can load it as is (fp8) loading_dtype = None if args.fp8_base else weight_dtype # if we load to cpu, flux.to(fp8) takes a long time, so we should load to gpu in future state_dict = load_safetensors( args.pretrained_model_name_or_path, "cpu", disable_mmap=args.disable_mmap_load_safetensors, dtype=loading_dtype ) mmdit = sd3_utils.load_mmdit(state_dict, loading_dtype, "cpu") self.model_type = mmdit.model_type mmdit.set_pos_emb_random_crop_rate(args.pos_emb_random_crop_rate) # set resolutions for positional embeddings if args.enable_scaled_pos_embed: latent_sizes = [round(math.sqrt(res[0] * res[1])) // 8 for res in self.resolutions] # 8 is stride for latent latent_sizes = list(set(latent_sizes)) # remove duplicates logger.info(f"Prepare scaled positional embeddings for resolutions: {self.resolutions}, sizes: {latent_sizes}") mmdit.enable_scaled_pos_embed(True, latent_sizes) if args.fp8_base: # check dtype of model if mmdit.dtype == torch.float8_e4m3fnuz or mmdit.dtype == torch.float8_e5m2 or mmdit.dtype == torch.float8_e5m2fnuz: raise ValueError(f"Unsupported fp8 model dtype: {mmdit.dtype}") elif mmdit.dtype == torch.float8_e4m3fn: logger.info("Loaded fp8 SD3 model") else: logger.info( "Cast SD3 model to fp8. This may take a while. You can reduce the time by using fp8 checkpoint." " / SD3モデルをfp8に変換しています。これには時間がかかる場合があります。fp8チェックポイントを使用することで時間を短縮できます。" ) mmdit.to(torch.float8_e4m3fn) self.is_swapping_blocks = args.blocks_to_swap is not None and args.blocks_to_swap > 0 if self.is_swapping_blocks: # Swap blocks between CPU and GPU to reduce memory usage, in forward and backward passes. logger.info(f"enable block swap: blocks_to_swap={args.blocks_to_swap}") mmdit.enable_block_swap(args.blocks_to_swap, accelerator.device) clip_l = sd3_utils.load_clip_l( args.clip_l, weight_dtype, "cpu", disable_mmap=args.disable_mmap_load_safetensors, state_dict=state_dict ) clip_l.eval() clip_g = sd3_utils.load_clip_g( args.clip_g, weight_dtype, "cpu", disable_mmap=args.disable_mmap_load_safetensors, state_dict=state_dict ) clip_g.eval() # if the file is fp8 and we are using fp8_base (not unet), we can load it as is (fp8) if args.fp8_base and not args.fp8_base_unet: loading_dtype = None # as is else: loading_dtype = weight_dtype # loading t5xxl to cpu takes a long time, so we should load to gpu in future t5xxl = sd3_utils.load_t5xxl( args.t5xxl, loading_dtype, "cpu", disable_mmap=args.disable_mmap_load_safetensors, state_dict=state_dict ) t5xxl.eval() if args.fp8_base and not args.fp8_base_unet: # check dtype of model if t5xxl.dtype == torch.float8_e4m3fnuz or t5xxl.dtype == torch.float8_e5m2 or t5xxl.dtype == torch.float8_e5m2fnuz: raise ValueError(f"Unsupported fp8 model dtype: {t5xxl.dtype}") elif t5xxl.dtype == torch.float8_e4m3fn: logger.info("Loaded fp8 T5XXL model") vae = sd3_utils.load_vae( args.vae, weight_dtype, "cpu", disable_mmap=args.disable_mmap_load_safetensors, state_dict=state_dict ) return mmdit.model_type, [clip_l, clip_g, t5xxl], vae, mmdit def get_tokenize_strategy(self, args): logger.info(f"t5xxl_max_token_length: {args.t5xxl_max_token_length}") return strategy_sd3.Sd3TokenizeStrategy(args.t5xxl_max_token_length, args.tokenizer_cache_dir) def get_tokenizers(self, tokenize_strategy: strategy_sd3.Sd3TokenizeStrategy): return [tokenize_strategy.clip_l, tokenize_strategy.clip_g, tokenize_strategy.t5xxl] def get_latents_caching_strategy(self, args): latents_caching_strategy = strategy_sd3.Sd3LatentsCachingStrategy( args.cache_latents_to_disk, args.vae_batch_size, args.skip_cache_check ) return latents_caching_strategy def get_text_encoding_strategy(self, args): return strategy_sd3.Sd3TextEncodingStrategy( args.apply_lg_attn_mask, args.apply_t5_attn_mask, args.clip_l_dropout_rate, args.clip_g_dropout_rate, args.t5_dropout_rate, ) def post_process_network(self, args, accelerator, network, text_encoders, unet): # check t5xxl is trained or not self.train_t5xxl = network.train_t5xxl if self.train_t5xxl and args.cache_text_encoder_outputs: raise ValueError( "T5XXL is trained, so cache_text_encoder_outputs cannot be used / T5XXL学習時はcache_text_encoder_outputsは使用できません" ) def get_models_for_text_encoding(self, args, accelerator, text_encoders): if args.cache_text_encoder_outputs: if self.train_clip and not self.train_t5xxl: return text_encoders[0:2] + [None] # only CLIP-L/CLIP-G is needed for encoding because T5XXL is cached else: return None # no text encoders are needed for encoding because both are cached else: return text_encoders # CLIP-L, CLIP-G and T5XXL are needed for encoding def get_text_encoders_train_flags(self, args, text_encoders): return [self.train_clip, self.train_clip, self.train_t5xxl] def get_text_encoder_outputs_caching_strategy(self, args): if args.cache_text_encoder_outputs: # if the text encoders is trained, we need tokenization, so is_partial is True return strategy_sd3.Sd3TextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, args.text_encoder_batch_size, args.skip_cache_check, is_partial=self.train_clip or self.train_t5xxl, apply_lg_attn_mask=args.apply_lg_attn_mask, apply_t5_attn_mask=args.apply_t5_attn_mask, ) else: return None def cache_text_encoder_outputs_if_needed( self, args, accelerator: Accelerator, unet, vae, text_encoders, dataset: train_util.DatasetGroup, weight_dtype ): if args.cache_text_encoder_outputs: if not args.lowram: # メモリ消費を減らす logger.info("move vae and unet to cpu to save memory") org_vae_device = vae.device org_unet_device = unet.device vae.to("cpu") unet.to("cpu") clean_memory_on_device(accelerator.device) # When TE is not be trained, it will not be prepared so we need to use explicit autocast logger.info("move text encoders to gpu") text_encoders[0].to(accelerator.device, dtype=weight_dtype) # always not fp8 text_encoders[1].to(accelerator.device, dtype=weight_dtype) # always not fp8 text_encoders[2].to(accelerator.device) # may be fp8 if text_encoders[2].dtype == torch.float8_e4m3fn: # if we load fp8 weights, the model is already fp8, so we use it as is self.prepare_text_encoder_fp8(2, text_encoders[2], text_encoders[2].dtype, weight_dtype) else: # otherwise, we need to convert it to target dtype text_encoders[2].to(weight_dtype) with accelerator.autocast(): dataset.new_cache_text_encoder_outputs(text_encoders, accelerator) # cache sample prompts if args.sample_prompts is not None: logger.info(f"cache Text Encoder outputs for sample prompt: {args.sample_prompts}") tokenize_strategy: strategy_sd3.Sd3TokenizeStrategy = strategy_base.TokenizeStrategy.get_strategy() text_encoding_strategy: strategy_sd3.Sd3TextEncodingStrategy = strategy_base.TextEncodingStrategy.get_strategy() prompts = train_util.load_prompts(args.sample_prompts) sample_prompts_te_outputs = {} # key: prompt, value: text encoder outputs with accelerator.autocast(), torch.no_grad(): for prompt_dict in prompts: for p in [prompt_dict.get("prompt", ""), prompt_dict.get("negative_prompt", "")]: if p not in sample_prompts_te_outputs: logger.info(f"cache Text Encoder outputs for prompt: {p}") tokens_and_masks = tokenize_strategy.tokenize(p) sample_prompts_te_outputs[p] = text_encoding_strategy.encode_tokens( tokenize_strategy, text_encoders, tokens_and_masks, args.apply_lg_attn_mask, args.apply_t5_attn_mask, ) self.sample_prompts_te_outputs = sample_prompts_te_outputs accelerator.wait_for_everyone() # move back to cpu if not self.is_train_text_encoder(args): logger.info("move CLIP-L back to cpu") text_encoders[0].to("cpu") logger.info("move CLIP-G back to cpu") text_encoders[1].to("cpu") logger.info("move t5XXL back to cpu") text_encoders[2].to("cpu") clean_memory_on_device(accelerator.device) if not args.lowram: logger.info("move vae and unet back to original device") vae.to(org_vae_device) unet.to(org_unet_device) else: # Text Encoderから毎回出力を取得するので、GPUに乗せておく text_encoders[0].to(accelerator.device, dtype=weight_dtype) text_encoders[1].to(accelerator.device, dtype=weight_dtype) text_encoders[2].to(accelerator.device) # def call_unet(self, args, accelerator, unet, noisy_latents, timesteps, text_conds, batch, weight_dtype): # noisy_latents = noisy_latents.to(weight_dtype) # TODO check why noisy_latents is not weight_dtype # # get size embeddings # orig_size = batch["original_sizes_hw"] # crop_size = batch["crop_top_lefts"] # target_size = batch["target_sizes_hw"] # embs = sdxl_train_util.get_size_embeddings(orig_size, crop_size, target_size, accelerator.device).to(weight_dtype) # # concat embeddings # encoder_hidden_states1, encoder_hidden_states2, pool2 = text_conds # vector_embedding = torch.cat([pool2, embs], dim=1).to(weight_dtype) # text_embedding = torch.cat([encoder_hidden_states1, encoder_hidden_states2], dim=2).to(weight_dtype) # noise_pred = unet(noisy_latents, timesteps, text_embedding, vector_embedding) # return noise_pred def sample_images(self, accelerator, args, epoch, global_step, device, vae, tokenizer, text_encoder, mmdit): text_encoders = text_encoder # for compatibility text_encoders = self.get_models_for_text_encoding(args, accelerator, text_encoders) sd3_train_utils.sample_images( accelerator, args, epoch, global_step, mmdit, vae, text_encoders, self.sample_prompts_te_outputs ) def get_noise_scheduler(self, args: argparse.Namespace, device: torch.device) -> Any: # this scheduler is not used in training, but used to get num_train_timesteps etc. noise_scheduler = sd3_train_utils.FlowMatchEulerDiscreteScheduler(num_train_timesteps=1000, shift=args.training_shift) return noise_scheduler def encode_images_to_latents(self, args, vae, images): return vae.encode(images) def shift_scale_latents(self, args, latents): return sd3_models.SDVAE.process_in(latents) def get_noise_pred_and_target( self, args, accelerator, noise_scheduler, latents, batch, text_encoder_conds, unet: flux_models.Flux, network, weight_dtype, train_unet, is_train=True, ): # Sample noise that we'll add to the latents noise = torch.randn_like(latents) # get noisy model input and timesteps noisy_model_input, timesteps, sigmas = sd3_train_utils.get_noisy_model_input_and_timesteps( args, latents, noise, accelerator.device, weight_dtype ) # ensure the hidden state will require grad if args.gradient_checkpointing: noisy_model_input.requires_grad_(True) for t in text_encoder_conds: if t is not None and t.dtype.is_floating_point: t.requires_grad_(True) # Predict the noise residual lg_out, t5_out, lg_pooled, l_attn_mask, g_attn_mask, t5_attn_mask = text_encoder_conds text_encoding_strategy = strategy_base.TextEncodingStrategy.get_strategy() context, lg_pooled = text_encoding_strategy.concat_encodings(lg_out, t5_out, lg_pooled) if not args.apply_lg_attn_mask: l_attn_mask = None g_attn_mask = None if not args.apply_t5_attn_mask: t5_attn_mask = None # call model with torch.set_grad_enabled(is_train), accelerator.autocast(): # TODO support attention mask model_pred = unet(noisy_model_input, timesteps, context=context, y=lg_pooled) # Follow: Section 5 of https://arxiv.org/abs/2206.00364. # Preconditioning of the model outputs. model_pred = model_pred * (-sigmas) + noisy_model_input # these weighting schemes use a uniform timestep sampling # and instead post-weight the loss weighting = sd3_train_utils.compute_loss_weighting_for_sd3(weighting_scheme=args.weighting_scheme, sigmas=sigmas) # flow matching loss target = latents # differential output preservation if "custom_attributes" in batch: diff_output_pr_indices = [] for i, custom_attributes in enumerate(batch["custom_attributes"]): if "diff_output_preservation" in custom_attributes and custom_attributes["diff_output_preservation"]: diff_output_pr_indices.append(i) if len(diff_output_pr_indices) > 0: network.set_multiplier(0.0) with torch.no_grad(), accelerator.autocast(): model_pred_prior = unet( noisy_model_input[diff_output_pr_indices], timesteps[diff_output_pr_indices], context=context[diff_output_pr_indices], y=lg_pooled[diff_output_pr_indices], ) network.set_multiplier(1.0) # may be overwritten by "network_multipliers" in the next step model_pred_prior = model_pred_prior * (-sigmas[diff_output_pr_indices]) + noisy_model_input[diff_output_pr_indices] # weighting for differential output preservation is not needed because it is already applied target[diff_output_pr_indices] = model_pred_prior.to(target.dtype) return model_pred, target, timesteps, weighting def post_process_loss(self, loss, args, timesteps, noise_scheduler): return loss def get_sai_model_spec(self, args): return train_util.get_sai_model_spec(None, args, False, True, False, sd3=self.model_type) def update_metadata(self, metadata, args): metadata["ss_apply_lg_attn_mask"] = args.apply_lg_attn_mask metadata["ss_apply_t5_attn_mask"] = args.apply_t5_attn_mask metadata["ss_weighting_scheme"] = args.weighting_scheme metadata["ss_logit_mean"] = args.logit_mean metadata["ss_logit_std"] = args.logit_std metadata["ss_mode_scale"] = args.mode_scale def is_text_encoder_not_needed_for_training(self, args): return args.cache_text_encoder_outputs and not self.is_train_text_encoder(args) def prepare_text_encoder_grad_ckpt_workaround(self, index, text_encoder): if index == 0 or index == 1: # CLIP-L/CLIP-G return super().prepare_text_encoder_grad_ckpt_workaround(index, text_encoder) else: # T5XXL text_encoder.encoder.embed_tokens.requires_grad_(True) def prepare_text_encoder_fp8(self, index, text_encoder, te_weight_dtype, weight_dtype): if index == 0 or index == 1: # CLIP-L/CLIP-G clip_type = "CLIP-L" if index == 0 else "CLIP-G" logger.info(f"prepare CLIP-{clip_type} for fp8: set to {te_weight_dtype}, set embeddings to {weight_dtype}") text_encoder.to(te_weight_dtype) # fp8 text_encoder.text_model.embeddings.to(dtype=weight_dtype) else: # T5XXL def prepare_fp8(text_encoder, target_dtype): def forward_hook(module): def forward(hidden_states): hidden_gelu = module.act(module.wi_0(hidden_states)) hidden_linear = module.wi_1(hidden_states) hidden_states = hidden_gelu * hidden_linear hidden_states = module.dropout(hidden_states) hidden_states = module.wo(hidden_states) return hidden_states return forward for module in text_encoder.modules(): if module.__class__.__name__ in ["T5LayerNorm", "Embedding"]: # print("set", module.__class__.__name__, "to", target_dtype) module.to(target_dtype) if module.__class__.__name__ in ["T5DenseGatedActDense"]: # print("set", module.__class__.__name__, "hooks") module.forward = forward_hook(module) if flux_utils.get_t5xxl_actual_dtype(text_encoder) == torch.float8_e4m3fn and text_encoder.dtype == weight_dtype: logger.info(f"T5XXL already prepared for fp8") else: logger.info(f"prepare T5XXL for fp8: set to {te_weight_dtype}, set embeddings to {weight_dtype}, add hooks") text_encoder.to(te_weight_dtype) # fp8 prepare_fp8(text_encoder, weight_dtype) def on_step_start(self, args, accelerator, network, text_encoders, unet, batch, weight_dtype, is_train=True): # drop cached text encoder outputs: in validation, we drop cached outputs deterministically by fixed seed text_encoder_outputs_list = batch.get("text_encoder_outputs_list", None) if text_encoder_outputs_list is not None: text_encodoing_strategy: strategy_sd3.Sd3TextEncodingStrategy = strategy_base.TextEncodingStrategy.get_strategy() text_encoder_outputs_list = text_encodoing_strategy.drop_cached_text_encoder_outputs(*text_encoder_outputs_list) batch["text_encoder_outputs_list"] = text_encoder_outputs_list def on_validation_step_end(self, args, accelerator, network, text_encoders, unet, batch, weight_dtype): if self.is_swapping_blocks: # prepare for next forward: because backward pass is not called, we need to prepare it here accelerator.unwrap_model(unet).prepare_block_swap_before_forward() def prepare_unet_with_accelerator( self, args: argparse.Namespace, accelerator: Accelerator, unet: torch.nn.Module ) -> torch.nn.Module: if not self.is_swapping_blocks: return super().prepare_unet_with_accelerator(args, accelerator, unet) # if we doesn't swap blocks, we can move the model to device mmdit: sd3_models.MMDiT = unet mmdit = accelerator.prepare(mmdit, device_placement=[not self.is_swapping_blocks]) accelerator.unwrap_model(mmdit).move_to_device_except_swap_blocks(accelerator.device) # reduce peak memory usage accelerator.unwrap_model(mmdit).prepare_block_swap_before_forward() return mmdit def setup_parser() -> argparse.ArgumentParser: parser = train_network.setup_parser() train_util.add_dit_training_arguments(parser) sd3_train_utils.add_sd3_training_arguments(parser) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) trainer = Sd3NetworkTrainer() trainer.train(args) ================================================ FILE: sdxl_gen_img.py ================================================ import itertools import json from typing import Any, List, NamedTuple, Optional, Tuple, Union, Callable import glob import importlib import inspect import time import zipfile from diffusers.utils import deprecate from diffusers.configuration_utils import FrozenDict import argparse import math import os import random import re import diffusers # Compatible import for diffusers old/new UNet path try: from diffusers.models.unet_2d_condition import UNet2DConditionModel except ImportError: from diffusers.models.unets.unet_2d_condition import UNet2DConditionModel import numpy as np import torch from library.device_utils import init_ipex, clean_memory, get_preferred_device init_ipex() import torchvision from diffusers import ( AutoencoderKL, DDPMScheduler, EulerAncestralDiscreteScheduler, DPMSolverMultistepScheduler, DPMSolverSinglestepScheduler, LMSDiscreteScheduler, PNDMScheduler, DDIMScheduler, EulerDiscreteScheduler, HeunDiscreteScheduler, KDPM2DiscreteScheduler, KDPM2AncestralDiscreteScheduler, # UNet2DConditionModel, StableDiffusionPipeline, ) from einops import rearrange from tqdm import tqdm from torchvision import transforms from transformers import CLIPTextModel, CLIPTokenizer, CLIPVisionModelWithProjection, CLIPImageProcessor import PIL from PIL import Image from PIL.PngImagePlugin import PngInfo import library.model_util as model_util import library.train_util as train_util import library.sdxl_model_util as sdxl_model_util import library.sdxl_train_util as sdxl_train_util from networks.lora import LoRANetwork from library.sdxl_original_unet import InferSdxlUNet2DConditionModel from library.original_unet import FlashAttentionFunction from networks.control_net_lllite import ControlNetLLLite from library.utils import GradualLatent, EulerAncestralDiscreteSchedulerGL from library.utils import setup_logging, add_logging_arguments setup_logging() import logging logger = logging.getLogger(__name__) # scheduler: SCHEDULER_LINEAR_START = 0.00085 SCHEDULER_LINEAR_END = 0.0120 SCHEDULER_TIMESTEPS = 1000 SCHEDLER_SCHEDULE = "scaled_linear" # その他の設定 LATENT_CHANNELS = 4 DOWNSAMPLING_FACTOR = 8 CLIP_VISION_MODEL = "laion/CLIP-ViT-bigG-14-laion2B-39B-b160k" # region モジュール入れ替え部 """ 高速化のためのモジュール入れ替え """ def replace_unet_modules(unet: UNet2DConditionModel, mem_eff_attn, xformers, sdpa): if mem_eff_attn: logger.info("Enable memory efficient attention for U-Net") # これはDiffusersのU-Netではなく自前のU-Netなので置き換えなくても良い unet.set_use_memory_efficient_attention(False, True) elif xformers: logger.info("Enable xformers for U-Net") try: import xformers.ops except ImportError: raise ImportError("No xformers / xformersがインストールされていないようです") unet.set_use_memory_efficient_attention(True, False) elif sdpa: logger.info("Enable SDPA for U-Net") unet.set_use_memory_efficient_attention(False, False) unet.set_use_sdpa(True) # TODO common train_util.py def replace_vae_modules(vae: diffusers.models.AutoencoderKL, mem_eff_attn, xformers, sdpa): if mem_eff_attn: replace_vae_attn_to_memory_efficient() elif xformers: # replace_vae_attn_to_xformers() # 解像度によってxformersがエラーを出す？ vae.set_use_memory_efficient_attention_xformers(True) # とりあえずこっちを使う elif sdpa: replace_vae_attn_to_sdpa() def replace_vae_attn_to_memory_efficient(): logger.info("VAE Attention.forward has been replaced to FlashAttention (not xformers)") flash_func = FlashAttentionFunction def forward_flash_attn(self, hidden_states, **kwargs): q_bucket_size = 512 k_bucket_size = 1024 residual = hidden_states batch, channel, height, width = hidden_states.shape # norm hidden_states = self.group_norm(hidden_states) hidden_states = hidden_states.view(batch, channel, height * width).transpose(1, 2) # proj to q, k, v query_proj = self.to_q(hidden_states) key_proj = self.to_k(hidden_states) value_proj = self.to_v(hidden_states) query_proj, key_proj, value_proj = map( lambda t: rearrange(t, "b n (h d) -> b h n d", h=self.heads), (query_proj, key_proj, value_proj) ) out = flash_func.apply(query_proj, key_proj, value_proj, None, False, q_bucket_size, k_bucket_size) out = rearrange(out, "b h n d -> b n (h d)") # compute next hidden_states # linear proj hidden_states = self.to_out[0](hidden_states) # dropout hidden_states = self.to_out[1](hidden_states) hidden_states = hidden_states.transpose(-1, -2).reshape(batch, channel, height, width) # res connect and rescale hidden_states = (hidden_states + residual) / self.rescale_output_factor return hidden_states def forward_flash_attn_0_14(self, hidden_states, **kwargs): if not hasattr(self, "to_q"): self.to_q = self.query self.to_k = self.key self.to_v = self.value self.to_out = [self.proj_attn, torch.nn.Identity()] self.heads = self.num_heads return forward_flash_attn(self, hidden_states, **kwargs) if diffusers.__version__ < "0.15.0": diffusers.models.attention.AttentionBlock.forward = forward_flash_attn_0_14 else: diffusers.models.attention_processor.Attention.forward = forward_flash_attn def replace_vae_attn_to_xformers(): logger.info("VAE: Attention.forward has been replaced to xformers") import xformers.ops def forward_xformers(self, hidden_states, **kwargs): residual = hidden_states batch, channel, height, width = hidden_states.shape # norm hidden_states = self.group_norm(hidden_states) hidden_states = hidden_states.view(batch, channel, height * width).transpose(1, 2) # proj to q, k, v query_proj = self.to_q(hidden_states) key_proj = self.to_k(hidden_states) value_proj = self.to_v(hidden_states) query_proj, key_proj, value_proj = map( lambda t: rearrange(t, "b n (h d) -> b h n d", h=self.heads), (query_proj, key_proj, value_proj) ) query_proj = query_proj.contiguous() key_proj = key_proj.contiguous() value_proj = value_proj.contiguous() out = xformers.ops.memory_efficient_attention(query_proj, key_proj, value_proj, attn_bias=None) out = rearrange(out, "b h n d -> b n (h d)") # compute next hidden_states # linear proj hidden_states = self.to_out[0](hidden_states) # dropout hidden_states = self.to_out[1](hidden_states) hidden_states = hidden_states.transpose(-1, -2).reshape(batch, channel, height, width) # res connect and rescale hidden_states = (hidden_states + residual) / self.rescale_output_factor return hidden_states def forward_xformers_0_14(self, hidden_states, **kwargs): if not hasattr(self, "to_q"): self.to_q = self.query self.to_k = self.key self.to_v = self.value self.to_out = [self.proj_attn, torch.nn.Identity()] self.heads = self.num_heads return forward_xformers(self, hidden_states, **kwargs) if diffusers.__version__ < "0.15.0": diffusers.models.attention.AttentionBlock.forward = forward_xformers_0_14 else: diffusers.models.attention_processor.Attention.forward = forward_xformers def replace_vae_attn_to_sdpa(): logger.info("VAE: Attention.forward has been replaced to sdpa") def forward_sdpa(self, hidden_states, **kwargs): residual = hidden_states batch, channel, height, width = hidden_states.shape # norm hidden_states = self.group_norm(hidden_states) hidden_states = hidden_states.view(batch, channel, height * width).transpose(1, 2) # proj to q, k, v query_proj = self.to_q(hidden_states) key_proj = self.to_k(hidden_states) value_proj = self.to_v(hidden_states) query_proj, key_proj, value_proj = map( lambda t: rearrange(t, "b n (h d) -> b n h d", h=self.heads), (query_proj, key_proj, value_proj) ) out = torch.nn.functional.scaled_dot_product_attention( query_proj, key_proj, value_proj, attn_mask=None, dropout_p=0.0, is_causal=False ) out = rearrange(out, "b n h d -> b n (h d)") # compute next hidden_states # linear proj hidden_states = self.to_out[0](hidden_states) # dropout hidden_states = self.to_out[1](hidden_states) hidden_states = hidden_states.transpose(-1, -2).reshape(batch, channel, height, width) # res connect and rescale hidden_states = (hidden_states + residual) / self.rescale_output_factor return hidden_states def forward_sdpa_0_14(self, hidden_states, **kwargs): if not hasattr(self, "to_q"): self.to_q = self.query self.to_k = self.key self.to_v = self.value self.to_out = [self.proj_attn, torch.nn.Identity()] self.heads = self.num_heads return forward_sdpa(self, hidden_states, **kwargs) if diffusers.__version__ < "0.15.0": diffusers.models.attention.AttentionBlock.forward = forward_sdpa_0_14 else: diffusers.models.attention_processor.Attention.forward = forward_sdpa # endregion # region 画像生成の本体：lpw_stable_diffusion.py （ASL）からコピーして修正 # https://github.com/huggingface/diffusers/blob/main/examples/community/lpw_stable_diffusion.py # Pipelineだけ独立して使えないのと機能追加するのとでコピーして修正 class PipelineLike: def __init__( self, device, vae: AutoencoderKL, text_encoders: List[CLIPTextModel], tokenizers: List[CLIPTokenizer], unet: InferSdxlUNet2DConditionModel, scheduler: Union[DDIMScheduler, PNDMScheduler, LMSDiscreteScheduler], clip_skip: int, ): super().__init__() self.device = device self.clip_skip = clip_skip if hasattr(scheduler.config, "steps_offset") and scheduler.config.steps_offset != 1: deprecation_message = ( f"The configuration file of this scheduler: {scheduler} is outdated. `steps_offset`" f" should be set to 1 instead of {scheduler.config.steps_offset}. Please make sure " "to update the config accordingly as leaving `steps_offset` might led to incorrect results" " in future versions. If you have downloaded this checkpoint from the Hugging Face Hub," " it would be very nice if you could open a Pull request for the `scheduler/scheduler_config.json`" " file" ) deprecate("steps_offset!=1", "1.0.0", deprecation_message, standard_warn=False) new_config = dict(scheduler.config) new_config["steps_offset"] = 1 scheduler._internal_dict = FrozenDict(new_config) if hasattr(scheduler.config, "clip_sample") and scheduler.config.clip_sample is True: deprecation_message = ( f"The configuration file of this scheduler: {scheduler} has not set the configuration `clip_sample`." " `clip_sample` should be set to False in the configuration file. Please make sure to update the" " config accordingly as not setting `clip_sample` in the config might lead to incorrect results in" " future versions. If you have downloaded this checkpoint from the Hugging Face Hub, it would be very" " nice if you could open a Pull request for the `scheduler/scheduler_config.json` file" ) deprecate("clip_sample not set", "1.0.0", deprecation_message, standard_warn=False) new_config = dict(scheduler.config) new_config["clip_sample"] = False scheduler._internal_dict = FrozenDict(new_config) self.vae = vae self.text_encoders = text_encoders self.tokenizers = tokenizers self.unet: InferSdxlUNet2DConditionModel = unet self.scheduler = scheduler self.safety_checker = None self.clip_vision_model: CLIPVisionModelWithProjection = None self.clip_vision_processor: CLIPImageProcessor = None self.clip_vision_strength = 0.0 # Textual Inversion self.token_replacements_list = [] for _ in range(len(self.text_encoders)): self.token_replacements_list.append({}) # ControlNet # not supported yet self.control_nets: List[ControlNetLLLite] = [] self.control_net_enabled = True # control_netsが空ならTrueでもFalseでもControlNetは動作しない self.gradual_latent: GradualLatent = None # Textual Inversion def add_token_replacement(self, text_encoder_index, target_token_id, rep_token_ids): self.token_replacements_list[text_encoder_index][target_token_id] = rep_token_ids def set_enable_control_net(self, en: bool): self.control_net_enabled = en def get_token_replacer(self, tokenizer): tokenizer_index = self.tokenizers.index(tokenizer) token_replacements = self.token_replacements_list[tokenizer_index] def replace_tokens(tokens): # logger.info("replace_tokens", tokens, "=>", token_replacements) if isinstance(tokens, torch.Tensor): tokens = tokens.tolist() new_tokens = [] for token in tokens: if token in token_replacements: replacement = token_replacements[token] new_tokens.extend(replacement) else: new_tokens.append(token) return new_tokens return replace_tokens def set_control_nets(self, ctrl_nets): self.control_nets = ctrl_nets def set_gradual_latent(self, gradual_latent): if gradual_latent is None: logger.info("gradual_latent is disabled") self.gradual_latent = None else: logger.info(f"gradual_latent is enabled: {gradual_latent}") self.gradual_latent = gradual_latent # (ds_ratio, start_timesteps, every_n_steps, ratio_step) @torch.no_grad() def __call__( self, prompt: Union[str, List[str]], negative_prompt: Optional[Union[str, List[str]]] = None, init_image: Union[torch.FloatTensor, PIL.Image.Image, List[PIL.Image.Image]] = None, mask_image: Union[torch.FloatTensor, PIL.Image.Image, List[PIL.Image.Image]] = None, height: int = 1024, width: int = 1024, original_height: int = None, original_width: int = None, original_height_negative: int = None, original_width_negative: int = None, crop_top: int = 0, crop_left: int = 0, num_inference_steps: int = 50, guidance_scale: float = 7.5, negative_scale: float = None, strength: float = 0.8, # num_images_per_prompt: Optional[int] = 1, eta: float = 0.0, generator: Optional[torch.Generator] = None, latents: Optional[torch.FloatTensor] = None, max_embeddings_multiples: Optional[int] = 3, output_type: Optional[str] = "pil", vae_batch_size: float = None, return_latents: bool = False, # return_dict: bool = True, callback: Optional[Callable[[int, int, torch.FloatTensor], None]] = None, is_cancelled_callback: Optional[Callable[[], bool]] = None, callback_steps: Optional[int] = 1, img2img_noise=None, clip_guide_images=None, **kwargs, ): # TODO support secondary prompt num_images_per_prompt = 1 # fixed because already prompt is repeated if isinstance(prompt, str): batch_size = 1 prompt = [prompt] elif isinstance(prompt, list): batch_size = len(prompt) else: raise ValueError(f"`prompt` has to be of type `str` or `list` but is {type(prompt)}") reginonal_network = " AND " in prompt[0] vae_batch_size = ( batch_size if vae_batch_size is None else (int(vae_batch_size) if vae_batch_size >= 1 else max(1, int(batch_size * vae_batch_size))) ) if strength < 0 or strength > 1: raise ValueError(f"The value of strength should in [0.0, 1.0] but is {strength}") if height % 8 != 0 or width % 8 != 0: raise ValueError(f"`height` and `width` have to be divisible by 8 but are {height} and {width}.") if (callback_steps is None) or ( callback_steps is not None and (not isinstance(callback_steps, int) or callback_steps <= 0) ): raise ValueError( f"`callback_steps` has to be a positive integer but is {callback_steps} of type" f" {type(callback_steps)}." ) # get prompt text embeddings # here `guidance_scale` is defined analog to the guidance weight `w` of equation (2) # of the Imagen paper: https://arxiv.org/pdf/2205.11487.pdf . `guidance_scale = 1` # corresponds to doing no classifier free guidance. do_classifier_free_guidance = guidance_scale > 1.0 if not do_classifier_free_guidance and negative_scale is not None: logger.info(f"negative_scale is ignored if guidance scalle <= 1.0") negative_scale = None # get unconditional embeddings for classifier free guidance if negative_prompt is None: negative_prompt = [""] * batch_size elif isinstance(negative_prompt, str): negative_prompt = [negative_prompt] * batch_size if batch_size != len(negative_prompt): raise ValueError( f"`negative_prompt`: {negative_prompt} has batch size {len(negative_prompt)}, but `prompt`:" f" {prompt} has batch size {batch_size}. Please make sure that passed `negative_prompt` matches" " the batch size of `prompt`." ) tes_text_embs = [] tes_uncond_embs = [] tes_real_uncond_embs = [] for tokenizer, text_encoder in zip(self.tokenizers, self.text_encoders): token_replacer = self.get_token_replacer(tokenizer) # use last text_pool, because it is from text encoder 2 text_embeddings, text_pool, uncond_embeddings, uncond_pool, _ = get_weighted_text_embeddings( tokenizer, text_encoder, prompt=prompt, uncond_prompt=negative_prompt if do_classifier_free_guidance else None, max_embeddings_multiples=max_embeddings_multiples, clip_skip=self.clip_skip, token_replacer=token_replacer, device=self.device, **kwargs, ) tes_text_embs.append(text_embeddings) tes_uncond_embs.append(uncond_embeddings) if negative_scale is not None: _, real_uncond_embeddings, _ = get_weighted_text_embeddings( token_replacer, prompt=prompt, # こちらのトークン長に合わせてuncondを作るので75トークン超で必須 uncond_prompt=[""] * batch_size, max_embeddings_multiples=max_embeddings_multiples, clip_skip=self.clip_skip, token_replacer=token_replacer, device=self.device, **kwargs, ) tes_real_uncond_embs.append(real_uncond_embeddings) # concat text encoder outputs text_embeddings = tes_text_embs[0] uncond_embeddings = tes_uncond_embs[0] for i in range(1, len(tes_text_embs)): text_embeddings = torch.cat([text_embeddings, tes_text_embs[i]], dim=2) # n,77,2048 if do_classifier_free_guidance: uncond_embeddings = torch.cat([uncond_embeddings, tes_uncond_embs[i]], dim=2) # n,77,2048 if do_classifier_free_guidance: if negative_scale is None: text_embeddings = torch.cat([uncond_embeddings, text_embeddings]) else: text_embeddings = torch.cat([uncond_embeddings, text_embeddings, real_uncond_embeddings]) if self.control_nets: # ControlNetのhintにguide imageを流用する if isinstance(clip_guide_images, PIL.Image.Image): clip_guide_images = [clip_guide_images] if isinstance(clip_guide_images[0], PIL.Image.Image): clip_guide_images = [preprocess_image(im) for im in clip_guide_images] clip_guide_images = torch.cat(clip_guide_images) if isinstance(clip_guide_images, list): clip_guide_images = torch.stack(clip_guide_images) clip_guide_images = clip_guide_images.to(self.device, dtype=text_embeddings.dtype) # create size embs if original_height is None: original_height = height if original_width is None: original_width = width if original_height_negative is None: original_height_negative = original_height if original_width_negative is None: original_width_negative = original_width if crop_top is None: crop_top = 0 if crop_left is None: crop_left = 0 emb1 = sdxl_train_util.get_timestep_embedding(torch.FloatTensor([original_height, original_width]).unsqueeze(0), 256) uc_emb1 = sdxl_train_util.get_timestep_embedding( torch.FloatTensor([original_height_negative, original_width_negative]).unsqueeze(0), 256 ) emb2 = sdxl_train_util.get_timestep_embedding(torch.FloatTensor([crop_top, crop_left]).unsqueeze(0), 256) emb3 = sdxl_train_util.get_timestep_embedding(torch.FloatTensor([height, width]).unsqueeze(0), 256) c_vector = torch.cat([emb1, emb2, emb3], dim=1).to(self.device, dtype=text_embeddings.dtype).repeat(batch_size, 1) uc_vector = torch.cat([uc_emb1, emb2, emb3], dim=1).to(self.device, dtype=text_embeddings.dtype).repeat(batch_size, 1) if reginonal_network: # use last pool for conditioning num_sub_prompts = len(text_pool) // batch_size text_pool = text_pool[num_sub_prompts - 1 :: num_sub_prompts] # last subprompt if init_image is not None and self.clip_vision_model is not None: logger.info(f"encode by clip_vision_model and apply clip_vision_strength={self.clip_vision_strength}") vision_input = self.clip_vision_processor(init_image, return_tensors="pt", device=self.device) pixel_values = vision_input["pixel_values"].to(self.device, dtype=text_embeddings.dtype) clip_vision_embeddings = self.clip_vision_model(pixel_values=pixel_values, output_hidden_states=True, return_dict=True) clip_vision_embeddings = clip_vision_embeddings.image_embeds if len(clip_vision_embeddings) == 1 and batch_size > 1: clip_vision_embeddings = clip_vision_embeddings.repeat((batch_size, 1)) clip_vision_embeddings = clip_vision_embeddings * self.clip_vision_strength assert clip_vision_embeddings.shape == text_pool.shape, f"{clip_vision_embeddings.shape} != {text_pool.shape}" text_pool = clip_vision_embeddings # replace: same as ComfyUI (?) c_vector = torch.cat([text_pool, c_vector], dim=1) if do_classifier_free_guidance: uc_vector = torch.cat([uncond_pool, uc_vector], dim=1) vector_embeddings = torch.cat([uc_vector, c_vector]) else: vector_embeddings = c_vector # set timesteps self.scheduler.set_timesteps(num_inference_steps, self.device) latents_dtype = text_embeddings.dtype init_latents_orig = None mask = None if init_image is None: # get the initial random noise unless the user supplied it # Unlike in other pipelines, latents need to be generated in the target device # for 1-to-1 results reproducibility with the CompVis implementation. # However this currently doesn't work in `mps`. latents_shape = ( batch_size * num_images_per_prompt, self.unet.in_channels, height // 8, width // 8, ) if latents is None: if self.device.type == "mps": # randn does not exist on mps latents = torch.randn( latents_shape, generator=generator, device="cpu", dtype=latents_dtype, ).to(self.device) else: latents = torch.randn( latents_shape, generator=generator, device=self.device, dtype=latents_dtype, ) else: if latents.shape != latents_shape: raise ValueError(f"Unexpected latents shape, got {latents.shape}, expected {latents_shape}") latents = latents.to(self.device) timesteps = self.scheduler.timesteps.to(self.device) # scale the initial noise by the standard deviation required by the scheduler latents = latents * self.scheduler.init_noise_sigma else: # image to tensor if isinstance(init_image, PIL.Image.Image): init_image = [init_image] if isinstance(init_image[0], PIL.Image.Image): init_image = [preprocess_image(im) for im in init_image] init_image = torch.cat(init_image) if isinstance(init_image, list): init_image = torch.stack(init_image) # mask image to tensor if mask_image is not None: if isinstance(mask_image, PIL.Image.Image): mask_image = [mask_image] if isinstance(mask_image[0], PIL.Image.Image): mask_image = torch.cat([preprocess_mask(im) for im in mask_image]) # H*W, 0 for repaint # encode the init image into latents and scale the latents init_image = init_image.to(device=self.device, dtype=latents_dtype) if init_image.size()[-2:] == (height // 8, width // 8): init_latents = init_image else: if vae_batch_size >= batch_size: init_latent_dist = self.vae.encode(init_image.to(self.vae.dtype)).latent_dist init_latents = init_latent_dist.sample(generator=generator) else: clean_memory() init_latents = [] for i in tqdm(range(0, min(batch_size, len(init_image)), vae_batch_size)): init_latent_dist = self.vae.encode( (init_image[i : i + vae_batch_size] if vae_batch_size > 1 else init_image[i].unsqueeze(0)).to( self.vae.dtype ) ).latent_dist init_latents.append(init_latent_dist.sample(generator=generator)) init_latents = torch.cat(init_latents) init_latents = sdxl_model_util.VAE_SCALE_FACTOR * init_latents if len(init_latents) == 1: init_latents = init_latents.repeat((batch_size, 1, 1, 1)) init_latents_orig = init_latents # preprocess mask if mask_image is not None: mask = mask_image.to(device=self.device, dtype=latents_dtype) if len(mask) == 1: mask = mask.repeat((batch_size, 1, 1, 1)) # check sizes if not mask.shape == init_latents.shape: raise ValueError("The mask and init_image should be the same size!") # get the original timestep using init_timestep offset = self.scheduler.config.get("steps_offset", 0) init_timestep = int(num_inference_steps * strength) + offset init_timestep = min(init_timestep, num_inference_steps) timesteps = self.scheduler.timesteps[-init_timestep] timesteps = torch.tensor([timesteps] * batch_size * num_images_per_prompt, device=self.device) # add noise to latents using the timesteps latents = self.scheduler.add_noise(init_latents, img2img_noise, timesteps) t_start = max(num_inference_steps - init_timestep + offset, 0) timesteps = self.scheduler.timesteps[t_start:].to(self.device) # prepare extra kwargs for the scheduler step, since not all schedulers have the same signature # eta (η) is only used with the DDIMScheduler, it will be ignored for other schedulers. # eta corresponds to η in DDIM paper: https://arxiv.org/abs/2010.02502 # and should be between [0, 1] accepts_eta = "eta" in set(inspect.signature(self.scheduler.step).parameters.keys()) extra_step_kwargs = {} if accepts_eta: extra_step_kwargs["eta"] = eta num_latent_input = (3 if negative_scale is not None else 2) if do_classifier_free_guidance else 1 if self.control_nets: # guided_hints = original_control_net.get_guided_hints(self.control_nets, num_latent_input, batch_size, clip_guide_images) if self.control_net_enabled: for control_net, _ in self.control_nets: with torch.no_grad(): control_net.set_cond_image(clip_guide_images) else: for control_net, _ in self.control_nets: control_net.set_cond_image(None) each_control_net_enabled = [self.control_net_enabled] * len(self.control_nets) # # first, we downscale the latents to the half of the size # # 最初に1/2に縮小する # height, width = latents.shape[-2:] # # latents = torch.nn.functional.interpolate(latents.float(), scale_factor=0.5, mode="bicubic", align_corners=False).to( # # latents.dtype # # ) # latents = latents[:, :, ::2, ::2] # current_scale = 0.5 # # how much to increase the scale at each step: .125 seems to work well (because it's 1/8?) # # 各ステップに拡大率をどのくらい増やすか：.125がよさそう（たぶん1/8なので） # scale_step = 0.125 # # timesteps at which to start increasing the scale: 1000 seems to be enough # # 拡大を開始するtimesteps: 1000で十分そうである # start_timesteps = 1000 # # how many steps to wait before increasing the scale again # # small values leads to blurry images (because the latents are blurry after the upscale, so some denoising might be needed) # # large values leads to flat images # # 何ステップごとに拡大するか # # 小さいとボケる（拡大後のlatentsはボケた感じになるので、そこから数stepのdenoiseが必要と思われる） # # 大きすぎると細部が書き込まれずのっぺりした感じになる # every_n_steps = 5 # scale_step = input("scale step:") # scale_step = float(scale_step) # start_timesteps = input("start timesteps:") # start_timesteps = int(start_timesteps) # every_n_steps = input("every n steps:") # every_n_steps = int(every_n_steps) # # for i, t in enumerate(tqdm(timesteps)): # i = 0 # last_step = 0 # while i < len(timesteps): # t = timesteps[i] # print(f"[{i}] t={t}") # print(i, t, current_scale, latents.shape) # if t < start_timesteps and current_scale < 1.0 and i % every_n_steps == 0: # if i == last_step: # pass # else: # print("upscale") # current_scale = min(current_scale + scale_step, 1.0) # h = int(height * current_scale) // 8 * 8 # w = int(width * current_scale) // 8 * 8 # latents = torch.nn.functional.interpolate(latents.float(), size=(h, w), mode="bicubic", align_corners=False).to( # latents.dtype # ) # last_step = i # i = max(0, i - every_n_steps + 1) # diff = timesteps[i] - timesteps[last_step] # # resized_init_noise = torch.nn.functional.interpolate( # # init_noise.float(), size=(h, w), mode="bicubic", align_corners=False # # ).to(latents.dtype) # # latents = self.scheduler.add_noise(latents, resized_init_noise, diff) # latents = self.scheduler.add_noise(latents, torch.randn_like(latents), diff * 4) # # latents += torch.randn_like(latents) / 100 * diff # continue enable_gradual_latent = False if self.gradual_latent: if not hasattr(self.scheduler, "set_gradual_latent_params"): logger.info("gradual_latent is not supported for this scheduler. Ignoring.") logger.info(f'{self.scheduler.__class__.__name__}') else: enable_gradual_latent = True step_elapsed = 1000 current_ratio = self.gradual_latent.ratio # first, we downscale the latents to the specified ratio / 最初に指定された比率にlatentsをダウンスケールする height, width = latents.shape[-2:] org_dtype = latents.dtype if org_dtype == torch.bfloat16: latents = latents.float() latents = torch.nn.functional.interpolate( latents, scale_factor=current_ratio, mode="bicubic", align_corners=False ).to(org_dtype) # apply unsharp mask / アンシャープマスクを適用する if self.gradual_latent.gaussian_blur_ksize: latents = self.gradual_latent.apply_unshark_mask(latents) for i, t in enumerate(tqdm(timesteps)): resized_size = None if enable_gradual_latent: # gradually upscale the latents / latentsを徐々にアップスケールする if ( t < self.gradual_latent.start_timesteps and current_ratio < 1.0 and step_elapsed >= self.gradual_latent.every_n_steps ): current_ratio = min(current_ratio + self.gradual_latent.ratio_step, 1.0) # make divisible by 8 because size of latents must be divisible at bottom of UNet h = int(height * current_ratio) // 8 * 8 w = int(width * current_ratio) // 8 * 8 resized_size = (h, w) self.scheduler.set_gradual_latent_params(resized_size, self.gradual_latent) step_elapsed = 0 else: self.scheduler.set_gradual_latent_params(None, None) step_elapsed += 1 # expand the latents if we are doing classifier free guidance latent_model_input = latents.repeat((num_latent_input, 1, 1, 1)) latent_model_input = self.scheduler.scale_model_input(latent_model_input, t) # disable control net if ratio is set if self.control_nets and self.control_net_enabled: for j, ((control_net, ratio), enabled) in enumerate(zip(self.control_nets, each_control_net_enabled)): if not enabled or ratio >= 1.0: continue if ratio < i / len(timesteps): logger.info(f"ControlNet {j} is disabled (ratio={ratio} at {i} / {len(timesteps)})") control_net.set_cond_image(None) each_control_net_enabled[j] = False # predict the noise residual # TODO Diffusers' ControlNet # if self.control_nets and self.control_net_enabled: # if reginonal_network: # num_sub_and_neg_prompts = len(text_embeddings) // batch_size # text_emb_last = text_embeddings[num_sub_and_neg_prompts - 2 :: num_sub_and_neg_prompts] # last subprompt # else: # text_emb_last = text_embeddings # # not working yet # noise_pred = original_control_net.call_unet_and_control_net( # i, # num_latent_input, # self.unet, # self.control_nets, # guided_hints, # i / len(timesteps), # latent_model_input, # t, # text_emb_last, # ).sample # else: noise_pred = self.unet(latent_model_input, t, text_embeddings, vector_embeddings) # perform guidance if do_classifier_free_guidance: if negative_scale is None: noise_pred_uncond, noise_pred_text = noise_pred.chunk(num_latent_input) # uncond by negative prompt noise_pred = noise_pred_uncond + guidance_scale * (noise_pred_text - noise_pred_uncond) else: noise_pred_negative, noise_pred_text, noise_pred_uncond = noise_pred.chunk( num_latent_input ) # uncond is real uncond noise_pred = ( noise_pred_uncond + guidance_scale * (noise_pred_text - noise_pred_uncond) - negative_scale * (noise_pred_negative - noise_pred_uncond) ) # compute the previous noisy sample x_t -> x_t-1 latents = self.scheduler.step(noise_pred, t, latents, **extra_step_kwargs).prev_sample if mask is not None: # masking init_latents_proper = self.scheduler.add_noise(init_latents_orig, img2img_noise, torch.tensor([t])) latents = (init_latents_proper * mask) + (latents * (1 - mask)) # call the callback, if provided if i % callback_steps == 0: if callback is not None: callback(i, t, latents) if is_cancelled_callback is not None and is_cancelled_callback(): return None i += 1 if return_latents: return latents latents = 1 / sdxl_model_util.VAE_SCALE_FACTOR * latents if vae_batch_size >= batch_size: image = self.vae.decode(latents.to(self.vae.dtype)).sample else: clean_memory() images = [] for i in tqdm(range(0, batch_size, vae_batch_size)): images.append( self.vae.decode( (latents[i : i + vae_batch_size] if vae_batch_size > 1 else latents[i].unsqueeze(0)).to(self.vae.dtype) ).sample ) image = torch.cat(images) image = (image / 2 + 0.5).clamp(0, 1) # we always cast to float32 as this does not cause significant overhead and is compatible with bfloa16 image = image.cpu().permute(0, 2, 3, 1).float().numpy() clean_memory() if output_type == "pil": # image = self.numpy_to_pil(image) image = (image * 255).round().astype("uint8") image = [Image.fromarray(im) for im in image] return image # return StableDiffusionPipelineOutput(images=image, nsfw_content_detected=has_nsfw_concept) re_attention = re.compile( r""" \\\(| \\\)| \\\[| \\]| \\\\| \\| \(| \[| :([+-]?[.\d]+)\)| \)| ]| [^\\()\[\]:]+| : """, re.X, ) def parse_prompt_attention(text): """ Parses a string with attention tokens and returns a list of pairs: text and its associated weight. Accepted tokens are: (abc) - increases attention to abc by a multiplier of 1.1 (abc:3.12) - increases attention to abc by a multiplier of 3.12 [abc] - decreases attention to abc by a multiplier of 1.1 \( - literal character '(' \[ - literal character '[' \) - literal character ')' \] - literal character ']' \\ - literal character '\' anything else - just text >>> parse_prompt_attention('normal text') [['normal text', 1.0]] >>> parse_prompt_attention('an (important) word') [['an ', 1.0], ['important', 1.1], [' word', 1.0]] >>> parse_prompt_attention('(unbalanced') [['unbalanced', 1.1]] >>> parse_prompt_attention('\(literal\]') [['(literal]', 1.0]] >>> parse_prompt_attention('(unnecessary)(parens)') [['unnecessaryparens', 1.1]] >>> parse_prompt_attention('a (((house:1.3)) [on] a (hill:0.5), sun, (((sky))).') [['a ', 1.0], ['house', 1.5730000000000004], [' ', 1.1], ['on', 1.0], [' a ', 1.1], ['hill', 0.55], [', sun, ', 1.1], ['sky', 1.4641000000000006], ['.', 1.1]] """ res = [] round_brackets = [] square_brackets = [] round_bracket_multiplier = 1.1 square_bracket_multiplier = 1 / 1.1 def multiply_range(start_position, multiplier): for p in range(start_position, len(res)): res[p][1] *= multiplier # keep break as separate token text = text.replace("BREAK", "\\BREAK\\") for m in re_attention.finditer(text): text = m.group(0) weight = m.group(1) if text.startswith("\\"): res.append([text[1:], 1.0]) elif text == "(": round_brackets.append(len(res)) elif text == "[": square_brackets.append(len(res)) elif weight is not None and len(round_brackets) > 0: multiply_range(round_brackets.pop(), float(weight)) elif text == ")" and len(round_brackets) > 0: multiply_range(round_brackets.pop(), round_bracket_multiplier) elif text == "]" and len(square_brackets) > 0: multiply_range(square_brackets.pop(), square_bracket_multiplier) else: res.append([text, 1.0]) for pos in round_brackets: multiply_range(pos, round_bracket_multiplier) for pos in square_brackets: multiply_range(pos, square_bracket_multiplier) if len(res) == 0: res = [["", 1.0]] # merge runs of identical weights i = 0 while i + 1 < len(res): if res[i][1] == res[i + 1][1] and res[i][0].strip() != "BREAK" and res[i + 1][0].strip() != "BREAK": res[i][0] += res[i + 1][0] res.pop(i + 1) else: i += 1 return res def get_prompts_with_weights(tokenizer: CLIPTokenizer, token_replacer, prompt: List[str], max_length: int): r""" Tokenize a list of prompts and return its tokens with weights of each token. No padding, starting or ending token is included. """ tokens = [] weights = [] truncated = False for text in prompt: texts_and_weights = parse_prompt_attention(text) text_token = [] text_weight = [] for word, weight in texts_and_weights: if word.strip() == "BREAK": # pad until next multiple of tokenizer's max token length pad_len = tokenizer.model_max_length - (len(text_token) % tokenizer.model_max_length) logger.info(f"BREAK pad_len: {pad_len}") for i in range(pad_len): # v2のときEOSをつけるべきかどうかわからないぜ # if i == 0: # text_token.append(tokenizer.eos_token_id) # else: text_token.append(tokenizer.pad_token_id) text_weight.append(1.0) continue # tokenize and discard the starting and the ending token token = tokenizer(word).input_ids[1:-1] token = token_replacer(token) # for Textual Inversion text_token += token # copy the weight by length of token text_weight += [weight] * len(token) # stop if the text is too long (longer than truncation limit) if len(text_token) > max_length: truncated = True break # truncate if len(text_token) > max_length: truncated = True text_token = text_token[:max_length] text_weight = text_weight[:max_length] tokens.append(text_token) weights.append(text_weight) if truncated: logger.warning("warning: Prompt was truncated. Try to shorten the prompt or increase max_embeddings_multiples") return tokens, weights def pad_tokens_and_weights(tokens, weights, max_length, bos, eos, pad, no_boseos_middle=True, chunk_length=77): r""" Pad the tokens (with starting and ending tokens) and weights (with 1.0) to max_length. """ max_embeddings_multiples = (max_length - 2) // (chunk_length - 2) weights_length = max_length if no_boseos_middle else max_embeddings_multiples * chunk_length for i in range(len(tokens)): tokens[i] = [bos] + tokens[i] + [eos] + [pad] * (max_length - 2 - len(tokens[i])) if no_boseos_middle: weights[i] = [1.0] + weights[i] + [1.0] * (max_length - 1 - len(weights[i])) else: w = [] if len(weights[i]) == 0: w = [1.0] * weights_length else: for j in range(max_embeddings_multiples): w.append(1.0) # weight for starting token in this chunk w += weights[i][j * (chunk_length - 2) : min(len(weights[i]), (j + 1) * (chunk_length - 2))] w.append(1.0) # weight for ending token in this chunk w += [1.0] * (weights_length - len(w)) weights[i] = w[:] return tokens, weights def get_unweighted_text_embeddings( text_encoder: CLIPTextModel, text_input: torch.Tensor, chunk_length: int, clip_skip: int, eos: int, pad: int, no_boseos_middle: Optional[bool] = True, ): """ When the length of tokens is a multiple of the capacity of the text encoder, it should be split into chunks and sent to the text encoder individually. """ max_embeddings_multiples = (text_input.shape[1] - 2) // (chunk_length - 2) if max_embeddings_multiples > 1: text_embeddings = [] pool = None for i in range(max_embeddings_multiples): # extract the i-th chunk text_input_chunk = text_input[:, i * (chunk_length - 2) : (i + 1) * (chunk_length - 2) + 2].clone() # cover the head and the tail by the starting and the ending tokens text_input_chunk[:, 0] = text_input[0, 0] if pad == eos: # v1 text_input_chunk[:, -1] = text_input[0, -1] else: # v2 for j in range(len(text_input_chunk)): if text_input_chunk[j, -1] != eos and text_input_chunk[j, -1] != pad: # 最後に普通の文字がある text_input_chunk[j, -1] = eos if text_input_chunk[j, 1] == pad: # BOSだけであとはPAD text_input_chunk[j, 1] = eos # -2 is same for Text Encoder 1 and 2 enc_out = text_encoder(text_input_chunk, output_hidden_states=True, return_dict=True) text_embedding = enc_out["hidden_states"][-2] if pool is None: pool = enc_out.get("text_embeds", None) # use 1st chunk, if provided if pool is not None: pool = train_util.pool_workaround(text_encoder, enc_out["last_hidden_state"], text_input_chunk, eos) if no_boseos_middle: if i == 0: # discard the ending token text_embedding = text_embedding[:, :-1] elif i == max_embeddings_multiples - 1: # discard the starting token text_embedding = text_embedding[:, 1:] else: # discard both starting and ending tokens text_embedding = text_embedding[:, 1:-1] text_embeddings.append(text_embedding) text_embeddings = torch.concat(text_embeddings, axis=1) else: enc_out = text_encoder(text_input, output_hidden_states=True, return_dict=True) text_embeddings = enc_out["hidden_states"][-2] pool = enc_out.get("text_embeds", None) # text encoder 1 doesn't return this if pool is not None: pool = train_util.pool_workaround(text_encoder, enc_out["last_hidden_state"], text_input, eos) return text_embeddings, pool def get_weighted_text_embeddings( tokenizer: CLIPTokenizer, text_encoder: CLIPTextModel, prompt: Union[str, List[str]], uncond_prompt: Optional[Union[str, List[str]]] = None, max_embeddings_multiples: Optional[int] = 1, no_boseos_middle: Optional[bool] = False, skip_parsing: Optional[bool] = False, skip_weighting: Optional[bool] = False, clip_skip=None, token_replacer=None, device=None, **kwargs, ): max_length = (tokenizer.model_max_length - 2) * max_embeddings_multiples + 2 if isinstance(prompt, str): prompt = [prompt] # split the prompts with "AND". each prompt must have the same number of splits new_prompts = [] for p in prompt: new_prompts.extend(p.split(" AND ")) prompt = new_prompts if not skip_parsing: prompt_tokens, prompt_weights = get_prompts_with_weights(tokenizer, token_replacer, prompt, max_length - 2) if uncond_prompt is not None: if isinstance(uncond_prompt, str): uncond_prompt = [uncond_prompt] uncond_tokens, uncond_weights = get_prompts_with_weights(tokenizer, token_replacer, uncond_prompt, max_length - 2) else: prompt_tokens = [token[1:-1] for token in tokenizer(prompt, max_length=max_length, truncation=True).input_ids] prompt_weights = [[1.0] * len(token) for token in prompt_tokens] if uncond_prompt is not None: if isinstance(uncond_prompt, str): uncond_prompt = [uncond_prompt] uncond_tokens = [token[1:-1] for token in tokenizer(uncond_prompt, max_length=max_length, truncation=True).input_ids] uncond_weights = [[1.0] * len(token) for token in uncond_tokens] # round up the longest length of tokens to a multiple of (model_max_length - 2) max_length = max([len(token) for token in prompt_tokens]) if uncond_prompt is not None: max_length = max(max_length, max([len(token) for token in uncond_tokens])) max_embeddings_multiples = min( max_embeddings_multiples, (max_length - 1) // (tokenizer.model_max_length - 2) + 1, ) max_embeddings_multiples = max(1, max_embeddings_multiples) max_length = (tokenizer.model_max_length - 2) * max_embeddings_multiples + 2 # pad the length of tokens and weights bos = tokenizer.bos_token_id eos = tokenizer.eos_token_id pad = tokenizer.pad_token_id prompt_tokens, prompt_weights = pad_tokens_and_weights( prompt_tokens, prompt_weights, max_length, bos, eos, pad, no_boseos_middle=no_boseos_middle, chunk_length=tokenizer.model_max_length, ) prompt_tokens = torch.tensor(prompt_tokens, dtype=torch.long, device=device) if uncond_prompt is not None: uncond_tokens, uncond_weights = pad_tokens_and_weights( uncond_tokens, uncond_weights, max_length, bos, eos, pad, no_boseos_middle=no_boseos_middle, chunk_length=tokenizer.model_max_length, ) uncond_tokens = torch.tensor(uncond_tokens, dtype=torch.long, device=device) # get the embeddings text_embeddings, text_pool = get_unweighted_text_embeddings( text_encoder, prompt_tokens, tokenizer.model_max_length, clip_skip, eos, pad, no_boseos_middle=no_boseos_middle, ) prompt_weights = torch.tensor(prompt_weights, dtype=text_embeddings.dtype, device=device) if uncond_prompt is not None: uncond_embeddings, uncond_pool = get_unweighted_text_embeddings( text_encoder, uncond_tokens, tokenizer.model_max_length, clip_skip, eos, pad, no_boseos_middle=no_boseos_middle, ) uncond_weights = torch.tensor(uncond_weights, dtype=uncond_embeddings.dtype, device=device) # assign weights to the prompts and normalize in the sense of mean # TODO: should we normalize by chunk or in a whole (current implementation)? # →全体でいいんじゃないかな if (not skip_parsing) and (not skip_weighting): previous_mean = text_embeddings.float().mean(axis=[-2, -1]).to(text_embeddings.dtype) text_embeddings *= prompt_weights.unsqueeze(-1) current_mean = text_embeddings.float().mean(axis=[-2, -1]).to(text_embeddings.dtype) text_embeddings *= (previous_mean / current_mean).unsqueeze(-1).unsqueeze(-1) if uncond_prompt is not None: previous_mean = uncond_embeddings.float().mean(axis=[-2, -1]).to(uncond_embeddings.dtype) uncond_embeddings *= uncond_weights.unsqueeze(-1) current_mean = uncond_embeddings.float().mean(axis=[-2, -1]).to(uncond_embeddings.dtype) uncond_embeddings *= (previous_mean / current_mean).unsqueeze(-1).unsqueeze(-1) if uncond_prompt is not None: return text_embeddings, text_pool, uncond_embeddings, uncond_pool, prompt_tokens return text_embeddings, text_pool, None, None, prompt_tokens def preprocess_image(image): w, h = image.size w, h = map(lambda x: x - x % 32, (w, h)) # resize to integer multiple of 32 image = image.resize((w, h), resample=PIL.Image.LANCZOS) image = np.array(image).astype(np.float32) / 255.0 image = image[None].transpose(0, 3, 1, 2) image = torch.from_numpy(image) return 2.0 * image - 1.0 def preprocess_mask(mask): mask = mask.convert("L") w, h = mask.size w, h = map(lambda x: x - x % 32, (w, h)) # resize to integer multiple of 32 mask = mask.resize((w // 8, h // 8), resample=PIL.Image.BILINEAR) # LANCZOS) mask = np.array(mask).astype(np.float32) / 255.0 mask = np.tile(mask, (4, 1, 1)) mask = mask[None].transpose(0, 1, 2, 3) # what does this step do? mask = 1 - mask # repaint white, keep black mask = torch.from_numpy(mask) return mask # regular expression for dynamic prompt: # starts and ends with "{" and "}" # contains at least one variant divided by "|" # optional framgments divided by "$$" at start # if the first fragment is "E" or "e", enumerate all variants # if the second fragment is a number or two numbers, repeat the variants in the range # if the third fragment is a string, use it as a separator RE_DYNAMIC_PROMPT = re.compile(r"\{((e|E)\$\$)?(([\d\-]+)\$\$)?(([^\|\}]+?)\$\$)?(.+?((\|).+?)*?)\}") def handle_dynamic_prompt_variants(prompt, repeat_count): founds = list(RE_DYNAMIC_PROMPT.finditer(prompt)) if not founds: return [prompt] # make each replacement for each variant enumerating = False replacers = [] for found in founds: # if "e$$" is found, enumerate all variants found_enumerating = found.group(2) is not None enumerating = enumerating or found_enumerating separator = ", " if found.group(6) is None else found.group(6) variants = found.group(7).split("|") # parse count range count_range = found.group(4) if count_range is None: count_range = [1, 1] else: count_range = count_range.split("-") if len(count_range) == 1: count_range = [int(count_range[0]), int(count_range[0])] elif len(count_range) == 2: count_range = [int(count_range[0]), int(count_range[1])] else: logger.warning(f"invalid count range: {count_range}") count_range = [1, 1] if count_range[0] > count_range[1]: count_range = [count_range[1], count_range[0]] if count_range[0] < 0: count_range[0] = 0 if count_range[1] > len(variants): count_range[1] = len(variants) if found_enumerating: # make function to enumerate all combinations def make_replacer_enum(vari, cr, sep): def replacer(): values = [] for count in range(cr[0], cr[1] + 1): for comb in itertools.combinations(vari, count): values.append(sep.join(comb)) return values return replacer replacers.append(make_replacer_enum(variants, count_range, separator)) else: # make function to choose random combinations def make_replacer_single(vari, cr, sep): def replacer(): count = random.randint(cr[0], cr[1]) comb = random.sample(vari, count) return [sep.join(comb)] return replacer replacers.append(make_replacer_single(variants, count_range, separator)) # make each prompt if not enumerating: # if not enumerating, repeat the prompt, replace each variant randomly prompts = [] for _ in range(repeat_count): current = prompt for found, replacer in zip(founds, replacers): current = current.replace(found.group(0), replacer()[0], 1) prompts.append(current) else: # if enumerating, iterate all combinations for previous prompts prompts = [prompt] for found, replacer in zip(founds, replacers): if found.group(2) is not None: # make all combinations for existing prompts new_prompts = [] for current in prompts: replecements = replacer() for replecement in replecements: new_prompts.append(current.replace(found.group(0), replecement, 1)) prompts = new_prompts for found, replacer in zip(founds, replacers): # make random selection for existing prompts if found.group(2) is None: for i in range(len(prompts)): prompts[i] = prompts[i].replace(found.group(0), replacer()[0], 1) return prompts # endregion # def load_clip_l14_336(dtype): # logger.info(f"loading CLIP: {CLIP_ID_L14_336}") # text_encoder = CLIPTextModel.from_pretrained(CLIP_ID_L14_336, torch_dtype=dtype) # return text_encoder class BatchDataBase(NamedTuple): # バッチ分割が必要ないデータ step: int prompt: str negative_prompt: str seed: int init_image: Any mask_image: Any clip_prompt: str guide_image: Any raw_prompt: str class BatchDataExt(NamedTuple): # バッチ分割が必要なデータ width: int height: int original_width: int original_height: int original_width_negative: int original_height_negative: int crop_left: int crop_top: int steps: int scale: float negative_scale: float strength: float network_muls: Tuple[float] num_sub_prompts: int class BatchData(NamedTuple): return_latents: bool base: BatchDataBase ext: BatchDataExt def main(args): if args.fp16: dtype = torch.float16 elif args.bf16: dtype = torch.bfloat16 else: dtype = torch.float32 highres_fix = args.highres_fix_scale is not None # assert not highres_fix or args.image_path is None, f"highres_fix doesn't work with img2img / highres_fixはimg2imgと同時に使えません" # モデルを読み込む if not os.path.isfile(args.ckpt): # ファイルがないならパターンで探し、一つだけ該当すればそれを使う files = glob.glob(args.ckpt) if len(files) == 1: args.ckpt = files[0] (_, text_encoder1, text_encoder2, vae, unet, _, _) = sdxl_train_util._load_target_model( args.ckpt, args.vae, sdxl_model_util.MODEL_VERSION_SDXL_BASE_V1_0, dtype ) unet: InferSdxlUNet2DConditionModel = InferSdxlUNet2DConditionModel(unet) # xformers、Hypernetwork対応 if not args.diffusers_xformers: mem_eff = not (args.xformers or args.sdpa) replace_unet_modules(unet, mem_eff, args.xformers, args.sdpa) replace_vae_modules(vae, mem_eff, args.xformers, args.sdpa) # tokenizerを読み込む logger.info("loading tokenizer") tokenizer1, tokenizer2 = sdxl_train_util.load_tokenizers(args) # schedulerを用意する sched_init_args = {} has_steps_offset = True has_clip_sample = True scheduler_num_noises_per_step = 1 if args.sampler == "ddim": scheduler_cls = DDIMScheduler scheduler_module = diffusers.schedulers.scheduling_ddim elif args.sampler == "ddpm": # ddpmはおかしくなるのでoptionから外してある scheduler_cls = DDPMScheduler scheduler_module = diffusers.schedulers.scheduling_ddpm elif args.sampler == "pndm": scheduler_cls = PNDMScheduler scheduler_module = diffusers.schedulers.scheduling_pndm has_clip_sample = False elif args.sampler == "lms" or args.sampler == "k_lms": scheduler_cls = LMSDiscreteScheduler scheduler_module = diffusers.schedulers.scheduling_lms_discrete has_clip_sample = False elif args.sampler == "euler" or args.sampler == "k_euler": scheduler_cls = EulerDiscreteScheduler scheduler_module = diffusers.schedulers.scheduling_euler_discrete has_clip_sample = False elif args.sampler == "euler_a" or args.sampler == "k_euler_a": scheduler_cls = EulerAncestralDiscreteSchedulerGL scheduler_module = diffusers.schedulers.scheduling_euler_ancestral_discrete has_clip_sample = False elif args.sampler == "dpmsolver" or args.sampler == "dpmsolver++": scheduler_cls = DPMSolverMultistepScheduler sched_init_args["algorithm_type"] = args.sampler scheduler_module = diffusers.schedulers.scheduling_dpmsolver_multistep has_clip_sample = False elif args.sampler == "dpmsingle": scheduler_cls = DPMSolverSinglestepScheduler scheduler_module = diffusers.schedulers.scheduling_dpmsolver_singlestep has_clip_sample = False has_steps_offset = False elif args.sampler == "heun": scheduler_cls = HeunDiscreteScheduler scheduler_module = diffusers.schedulers.scheduling_heun_discrete has_clip_sample = False elif args.sampler == "dpm_2" or args.sampler == "k_dpm_2": scheduler_cls = KDPM2DiscreteScheduler scheduler_module = diffusers.schedulers.scheduling_k_dpm_2_discrete has_clip_sample = False elif args.sampler == "dpm_2_a" or args.sampler == "k_dpm_2_a": scheduler_cls = KDPM2AncestralDiscreteScheduler scheduler_module = diffusers.schedulers.scheduling_k_dpm_2_ancestral_discrete scheduler_num_noises_per_step = 2 has_clip_sample = False # 警告を出さないようにする if has_steps_offset: sched_init_args["steps_offset"] = 1 if has_clip_sample: sched_init_args["clip_sample"] = False # samplerの乱数をあらかじめ指定するための処理 # replace randn class NoiseManager: def __init__(self): self.sampler_noises = None self.sampler_noise_index = 0 def reset_sampler_noises(self, noises): self.sampler_noise_index = 0 self.sampler_noises = noises def randn(self, shape, device=None, dtype=None, layout=None, generator=None): # logger.info("replacing", shape, len(self.sampler_noises), self.sampler_noise_index) if self.sampler_noises is not None and self.sampler_noise_index < len(self.sampler_noises): noise = self.sampler_noises[self.sampler_noise_index] if shape != noise.shape: noise = None else: noise = None if noise == None: logger.warning(f"unexpected noise request: {self.sampler_noise_index}, {shape}") noise = torch.randn(shape, dtype=dtype, device=device, generator=generator) self.sampler_noise_index += 1 return noise class TorchRandReplacer: def __init__(self, noise_manager): self.noise_manager = noise_manager def __getattr__(self, item): if item == "randn": return self.noise_manager.randn if hasattr(torch, item): return getattr(torch, item) raise AttributeError("'{}' object has no attribute '{}'".format(type(self).__name__, item)) noise_manager = NoiseManager() if scheduler_module is not None: scheduler_module.torch = TorchRandReplacer(noise_manager) scheduler = scheduler_cls( num_train_timesteps=SCHEDULER_TIMESTEPS, beta_start=SCHEDULER_LINEAR_START, beta_end=SCHEDULER_LINEAR_END, beta_schedule=SCHEDLER_SCHEDULE, **sched_init_args, ) # ↓以下は結局PipeでFalseに設定されるので意味がなかった # # clip_sample=Trueにする # if hasattr(scheduler.config, "clip_sample") and scheduler.config.clip_sample is False: # logger.info("set clip_sample to True") # scheduler.config.clip_sample = True # deviceを決定する device = get_preferred_device() # custom pipelineをコピったやつを生成する if args.vae_slices: from library.slicing_vae import SlicingAutoencoderKL sli_vae = SlicingAutoencoderKL( act_fn="silu", block_out_channels=(128, 256, 512, 512), down_block_types=["DownEncoderBlock2D", "DownEncoderBlock2D", "DownEncoderBlock2D", "DownEncoderBlock2D"], in_channels=3, latent_channels=4, layers_per_block=2, norm_num_groups=32, out_channels=3, sample_size=512, up_block_types=["UpDecoderBlock2D", "UpDecoderBlock2D", "UpDecoderBlock2D", "UpDecoderBlock2D"], num_slices=args.vae_slices, ) sli_vae.load_state_dict(vae.state_dict()) # vaeのパラメータをコピーする vae = sli_vae del sli_vae vae_dtype = dtype if args.no_half_vae: logger.info("set vae_dtype to float32") vae_dtype = torch.float32 vae.to(vae_dtype).to(device) vae.eval() text_encoder1.to(dtype).to(device) text_encoder2.to(dtype).to(device) unet.to(dtype).to(device) text_encoder1.eval() text_encoder2.eval() unet.eval() # networkを組み込む if args.network_module: networks = [] network_default_muls = [] network_pre_calc = args.network_pre_calc # merge関連の引数を統合する if args.network_merge: network_merge = len(args.network_module) # all networks are merged elif args.network_merge_n_models: network_merge = args.network_merge_n_models else: network_merge = 0 logger.info(f"network_merge: {network_merge}") for i, network_module in enumerate(args.network_module): logger.info(f"import network module: {network_module}") imported_module = importlib.import_module(network_module) network_mul = 1.0 if args.network_mul is None or len(args.network_mul) <= i else args.network_mul[i] net_kwargs = {} if args.network_args and i < len(args.network_args): network_args = args.network_args[i] # TODO escape special chars network_args = network_args.split(";") for net_arg in network_args: key, value = net_arg.split("=") net_kwargs[key] = value if args.network_weights is None or len(args.network_weights) <= i: raise ValueError("No weight. Weight is required.") network_weight = args.network_weights[i] logger.info(f"load network weights from: {network_weight}") if model_util.is_safetensors(network_weight) and args.network_show_meta: from safetensors.torch import safe_open with safe_open(network_weight, framework="pt") as f: metadata = f.metadata() if metadata is not None: logger.info(f"metadata for: {network_weight}: {metadata}") network, weights_sd = imported_module.create_network_from_weights( network_mul, network_weight, vae, [text_encoder1, text_encoder2], unet, for_inference=True, **net_kwargs ) if network is None: return mergeable = network.is_mergeable() if network_merge and not mergeable: logger.warning("network is not mergiable. ignore merge option.") if not mergeable or i >= network_merge: # not merging network.apply_to([text_encoder1, text_encoder2], unet) info = network.load_state_dict(weights_sd, False) # network.load_weightsを使うようにするとよい logger.info(f"weights are loaded: {info}") if args.opt_channels_last: network.to(memory_format=torch.channels_last) network.to(dtype).to(device) if network_pre_calc: logger.info("backup original weights") network.backup_weights() networks.append(network) network_default_muls.append(network_mul) else: network.merge_to([text_encoder1, text_encoder2], unet, weights_sd, dtype, device) else: networks = [] # upscalerの指定があれば取得する upscaler = None if args.highres_fix_upscaler: logger.info(f"import upscaler module: {args.highres_fix_upscaler}") imported_module = importlib.import_module(args.highres_fix_upscaler) us_kwargs = {} if args.highres_fix_upscaler_args: for net_arg in args.highres_fix_upscaler_args.split(";"): key, value = net_arg.split("=") us_kwargs[key] = value logger.info("create upscaler") upscaler = imported_module.create_upscaler(**us_kwargs) upscaler.to(dtype).to(device) # ControlNetの処理 control_nets: List[Tuple[ControlNetLLLite, float]] = [] # if args.control_net_models: # for i, model in enumerate(args.control_net_models): # prep_type = None if not args.control_net_preps or len(args.control_net_preps) <= i else args.control_net_preps[i] # weight = 1.0 if not args.control_net_weights or len(args.control_net_weights) <= i else args.control_net_weights[i] # ratio = 1.0 if not args.control_net_ratios or len(args.control_net_ratios) <= i else args.control_net_ratios[i] # ctrl_unet, ctrl_net = original_control_net.load_control_net(False, unet, model) # prep = original_control_net.load_preprocess(prep_type) # control_nets.append(ControlNetInfo(ctrl_unet, ctrl_net, prep, weight, ratio)) if args.control_net_lllite_models: for i, model_file in enumerate(args.control_net_lllite_models): logger.info(f"loading ControlNet-LLLite: {model_file}") from safetensors.torch import load_file state_dict = load_file(model_file) mlp_dim = None cond_emb_dim = None for key, value in state_dict.items(): if mlp_dim is None and "down.0.weight" in key: mlp_dim = value.shape[0] elif cond_emb_dim is None and "conditioning1.0" in key: cond_emb_dim = value.shape[0] * 2 if mlp_dim is not None and cond_emb_dim is not None: break assert mlp_dim is not None and cond_emb_dim is not None, f"invalid control net: {model_file}" multiplier = ( 1.0 if not args.control_net_multipliers or len(args.control_net_multipliers) <= i else args.control_net_multipliers[i] ) ratio = 1.0 if not args.control_net_ratios or len(args.control_net_ratios) <= i else args.control_net_ratios[i] control_net = ControlNetLLLite(unet, cond_emb_dim, mlp_dim, multiplier=multiplier) control_net.apply_to() control_net.load_state_dict(state_dict) control_net.to(dtype).to(device) control_net.set_batch_cond_only(False, False) control_nets.append((control_net, ratio)) if args.opt_channels_last: logger.info(f"set optimizing: channels last") text_encoder1.to(memory_format=torch.channels_last) text_encoder2.to(memory_format=torch.channels_last) vae.to(memory_format=torch.channels_last) unet.to(memory_format=torch.channels_last) if networks: for network in networks: network.to(memory_format=torch.channels_last) for cn in control_nets: cn.to(memory_format=torch.channels_last) # cn.unet.to(memory_format=torch.channels_last) # cn.net.to(memory_format=torch.channels_last) pipe = PipelineLike( device, vae, [text_encoder1, text_encoder2], [tokenizer1, tokenizer2], unet, scheduler, args.clip_skip, ) pipe.set_control_nets(control_nets) logger.info("pipeline is ready.") if args.diffusers_xformers: pipe.enable_xformers_memory_efficient_attention() # Deep Shrink if args.ds_depth_1 is not None: unet.set_deep_shrink(args.ds_depth_1, args.ds_timesteps_1, args.ds_depth_2, args.ds_timesteps_2, args.ds_ratio) # Gradual Latent if args.gradual_latent_timesteps is not None: if args.gradual_latent_unsharp_params: us_params = args.gradual_latent_unsharp_params.split(",") us_ksize, us_sigma, us_strength = [float(v) for v in us_params[:3]] us_target_x = True if len(us_params) <= 3 else bool(int(us_params[3])) us_ksize = int(us_ksize) else: us_ksize, us_sigma, us_strength, us_target_x = None, None, None, None gradual_latent = GradualLatent( args.gradual_latent_ratio, args.gradual_latent_timesteps, args.gradual_latent_every_n_steps, args.gradual_latent_ratio_step, args.gradual_latent_s_noise, us_ksize, us_sigma, us_strength, us_target_x, ) pipe.set_gradual_latent(gradual_latent) # Textual Inversionを処理する if args.textual_inversion_embeddings: token_ids_embeds1 = [] token_ids_embeds2 = [] for embeds_file in args.textual_inversion_embeddings: if model_util.is_safetensors(embeds_file): from safetensors.torch import load_file data = load_file(embeds_file) else: data = torch.load(embeds_file, map_location="cpu") if "string_to_param" in data: data = data["string_to_param"] embeds1 = data["clip_l"] # text encoder 1 embeds2 = data["clip_g"] # text encoder 2 num_vectors_per_token = embeds1.size()[0] token_string = os.path.splitext(os.path.basename(embeds_file))[0] token_strings = [token_string] + [f"{token_string}{i+1}" for i in range(num_vectors_per_token - 1)] # add new word to tokenizer, count is num_vectors_per_token num_added_tokens1 = tokenizer1.add_tokens(token_strings) num_added_tokens2 = tokenizer2.add_tokens(token_strings) assert num_added_tokens1 == num_vectors_per_token and num_added_tokens2 == num_vectors_per_token, ( f"tokenizer has same word to token string (filename): {embeds_file}" + f" / 指定した名前（ファイル名）のトークンが既に存在します: {embeds_file}" ) token_ids1 = tokenizer1.convert_tokens_to_ids(token_strings) token_ids2 = tokenizer2.convert_tokens_to_ids(token_strings) logger.info(f"Textual Inversion embeddings `{token_string}` loaded. Tokens are added: {token_ids1} and {token_ids2}") assert ( min(token_ids1) == token_ids1[0] and token_ids1[-1] == token_ids1[0] + len(token_ids1) - 1 ), f"token ids1 is not ordered" assert ( min(token_ids2) == token_ids2[0] and token_ids2[-1] == token_ids2[0] + len(token_ids2) - 1 ), f"token ids2 is not ordered" assert len(tokenizer1) - 1 == token_ids1[-1], f"token ids 1 is not end of tokenize: {len(tokenizer1)}" assert len(tokenizer2) - 1 == token_ids2[-1], f"token ids 2 is not end of tokenize: {len(tokenizer2)}" if num_vectors_per_token > 1: pipe.add_token_replacement(0, token_ids1[0], token_ids1) # hoge -> hoge, hogea, hogeb, ... pipe.add_token_replacement(1, token_ids2[0], token_ids2) token_ids_embeds1.append((token_ids1, embeds1)) token_ids_embeds2.append((token_ids2, embeds2)) text_encoder1.resize_token_embeddings(len(tokenizer1)) text_encoder2.resize_token_embeddings(len(tokenizer2)) token_embeds1 = text_encoder1.get_input_embeddings().weight.data token_embeds2 = text_encoder2.get_input_embeddings().weight.data for token_ids, embeds in token_ids_embeds1: for token_id, embed in zip(token_ids, embeds): token_embeds1[token_id] = embed for token_ids, embeds in token_ids_embeds2: for token_id, embed in zip(token_ids, embeds): token_embeds2[token_id] = embed # promptを取得する if args.from_file is not None: logger.info(f"reading prompts from {args.from_file}") with open(args.from_file, "r", encoding="utf-8") as f: prompt_list = f.read().splitlines() prompt_list = [d for d in prompt_list if len(d.strip()) > 0 and d[0] != "#"] elif args.prompt is not None: prompt_list = [args.prompt] else: prompt_list = [] if args.interactive: args.n_iter = 1 # img2imgの前処理、画像の読み込みなど def load_images(path): if os.path.isfile(path): paths = [path] else: paths = ( glob.glob(os.path.join(path, "*.png")) + glob.glob(os.path.join(path, "*.jpg")) + glob.glob(os.path.join(path, "*.jpeg")) + glob.glob(os.path.join(path, "*.webp")) ) paths.sort() images = [] for p in paths: image = Image.open(p) if image.mode != "RGB": logger.info(f"convert image to RGB from {image.mode}: {p}") image = image.convert("RGB") images.append(image) return images def resize_images(imgs, size): resized = [] for img in imgs: r_img = img.resize(size, Image.Resampling.LANCZOS) if hasattr(img, "filename"): # filename属性がない場合があるらしい r_img.filename = img.filename resized.append(r_img) return resized if args.image_path is not None: logger.info(f"load image for img2img: {args.image_path}") init_images = load_images(args.image_path) assert len(init_images) > 0, f"No image / 画像がありません: {args.image_path}" logger.info(f"loaded {len(init_images)} images for img2img") # CLIP Vision if args.clip_vision_strength is not None: logger.info(f"load CLIP Vision model: {CLIP_VISION_MODEL}") vision_model = CLIPVisionModelWithProjection.from_pretrained(CLIP_VISION_MODEL, projection_dim=1280) vision_model.to(device, dtype) processor = CLIPImageProcessor.from_pretrained(CLIP_VISION_MODEL) pipe.clip_vision_model = vision_model pipe.clip_vision_processor = processor pipe.clip_vision_strength = args.clip_vision_strength logger.info(f"CLIP Vision model loaded.") else: init_images = None if args.mask_path is not None: logger.info(f"load mask for inpainting: {args.mask_path}") mask_images = load_images(args.mask_path) assert len(mask_images) > 0, f"No mask image / マスク画像がありません: {args.image_path}" logger.info(f"loaded {len(mask_images)} mask images for inpainting") else: mask_images = None # promptがないとき、画像のPngInfoから取得する if init_images is not None and len(prompt_list) == 0 and not args.interactive: logger.info("get prompts from images' metadata") for img in init_images: if "prompt" in img.text: prompt = img.text["prompt"] if "negative-prompt" in img.text: prompt += " --n " + img.text["negative-prompt"] prompt_list.append(prompt) # プロンプトと画像を一致させるため指定回数だけ繰り返す（画像を増幅する） l = [] for im in init_images: l.extend([im] * args.images_per_prompt) init_images = l if mask_images is not None: l = [] for im in mask_images: l.extend([im] * args.images_per_prompt) mask_images = l # 画像サイズにオプション指定があるときはリサイズする if args.W is not None and args.H is not None: # highres fix を考慮に入れる w, h = args.W, args.H if highres_fix: w = int(w * args.highres_fix_scale + 0.5) h = int(h * args.highres_fix_scale + 0.5) if init_images is not None: logger.info(f"resize img2img source images to {w}*{h}") init_images = resize_images(init_images, (w, h)) if mask_images is not None: logger.info(f"resize img2img mask images to {w}*{h}") mask_images = resize_images(mask_images, (w, h)) regional_network = False if networks and mask_images: # mask を領域情報として流用する、現在は一回のコマンド呼び出しで1枚だけ対応 regional_network = True logger.info("use mask as region") size = None for i, network in enumerate(networks): if (i < 3 and args.network_regional_mask_max_color_codes is None) or i < args.network_regional_mask_max_color_codes: np_mask = np.array(mask_images[0]) if args.network_regional_mask_max_color_codes: # カラーコードでマスクを指定する ch0 = (i + 1) & 1 ch1 = ((i + 1) >> 1) & 1 ch2 = ((i + 1) >> 2) & 1 np_mask = np.all(np_mask == np.array([ch0, ch1, ch2]) * 255, axis=2) np_mask = np_mask.astype(np.uint8) * 255 else: np_mask = np_mask[:, :, i] size = np_mask.shape else: np_mask = np.full(size, 255, dtype=np.uint8) mask = torch.from_numpy(np_mask.astype(np.float32) / 255.0) network.set_region(i, i == len(networks) - 1, mask) mask_images = None prev_image = None # for VGG16 guided if args.guide_image_path is not None: logger.info(f"load image for ControlNet guidance: {args.guide_image_path}") guide_images = [] for p in args.guide_image_path: guide_images.extend(load_images(p)) logger.info(f"loaded {len(guide_images)} guide images for guidance") if len(guide_images) == 0: logger.warning( f"No guide image, use previous generated image. / ガイド画像がありません。直前に生成した画像を使います: {args.image_path}" ) guide_images = None else: guide_images = None # seed指定時はseedを決めておく if args.seed is not None: # dynamic promptを使うと足りなくなる→images_per_promptを適当に大きくしておいてもらう random.seed(args.seed) predefined_seeds = [random.randint(0, 0x7FFFFFFF) for _ in range(args.n_iter * len(prompt_list) * args.images_per_prompt)] if len(predefined_seeds) == 1: predefined_seeds[0] = args.seed else: predefined_seeds = None # デフォルト画像サイズを設定する：img2imgではこれらの値は無視される（またはW*Hにリサイズ済み） if args.W is None: args.W = 1024 if args.H is None: args.H = 1024 # 画像生成のループ os.makedirs(args.outdir, exist_ok=True) max_embeddings_multiples = 1 if args.max_embeddings_multiples is None else args.max_embeddings_multiples for gen_iter in range(args.n_iter): logger.info(f"iteration {gen_iter+1}/{args.n_iter}") iter_seed = random.randint(0, 0x7FFFFFFF) # バッチ処理の関数 def process_batch(batch: List[BatchData], highres_fix, highres_1st=False): batch_size = len(batch) # highres_fixの処理 if highres_fix and not highres_1st: # 1st stageのバッチを作成して呼び出す：サイズを小さくして呼び出す is_1st_latent = upscaler.support_latents() if upscaler else args.highres_fix_latents_upscaling logger.info("process 1st stage") batch_1st = [] for _, base, ext in batch: def scale_and_round(x): if x is None: return None return int(x * args.highres_fix_scale + 0.5) width_1st = scale_and_round(ext.width) height_1st = scale_and_round(ext.height) width_1st = width_1st - width_1st % 32 height_1st = height_1st - height_1st % 32 original_width_1st = scale_and_round(ext.original_width) original_height_1st = scale_and_round(ext.original_height) original_width_negative_1st = scale_and_round(ext.original_width_negative) original_height_negative_1st = scale_and_round(ext.original_height_negative) crop_left_1st = scale_and_round(ext.crop_left) crop_top_1st = scale_and_round(ext.crop_top) strength_1st = ext.strength if args.highres_fix_strength is None else args.highres_fix_strength ext_1st = BatchDataExt( width_1st, height_1st, original_width_1st, original_height_1st, original_width_negative_1st, original_height_negative_1st, crop_left_1st, crop_top_1st, args.highres_fix_steps, ext.scale, ext.negative_scale, strength_1st, ext.network_muls, ext.num_sub_prompts, ) batch_1st.append(BatchData(is_1st_latent, base, ext_1st)) pipe.set_enable_control_net(True) # 1st stageではControlNetを有効にする images_1st = process_batch(batch_1st, True, True) # 2nd stageのバッチを作成して以下処理する logger.info("process 2nd stage") width_2nd, height_2nd = batch[0].ext.width, batch[0].ext.height if upscaler: # upscalerを使って画像を拡大する lowreso_imgs = None if is_1st_latent else images_1st lowreso_latents = None if not is_1st_latent else images_1st # 戻り値はPIL.Image.Imageかtorch.Tensorのlatents batch_size = len(images_1st) vae_batch_size = ( batch_size if args.vae_batch_size is None else (max(1, int(batch_size * args.vae_batch_size)) if args.vae_batch_size < 1 else args.vae_batch_size) ) vae_batch_size = int(vae_batch_size) images_1st = upscaler.upscale( vae, lowreso_imgs, lowreso_latents, dtype, width_2nd, height_2nd, batch_size, vae_batch_size ) elif args.highres_fix_latents_upscaling: # latentを拡大する org_dtype = images_1st.dtype if images_1st.dtype == torch.bfloat16: images_1st = images_1st.to(torch.float) # interpolateがbf16をサポートしていない images_1st = torch.nn.functional.interpolate( images_1st, (batch[0].ext.height // 8, batch[0].ext.width // 8), mode="bilinear" ) # , antialias=True) images_1st = images_1st.to(org_dtype) else: # 画像をLANCZOSで拡大する images_1st = [image.resize((width_2nd, height_2nd), resample=PIL.Image.LANCZOS) for image in images_1st] batch_2nd = [] for i, (bd, image) in enumerate(zip(batch, images_1st)): bd_2nd = BatchData(False, BatchDataBase(*bd.base[0:3], bd.base.seed + 1, image, None, *bd.base[6:]), bd.ext) batch_2nd.append(bd_2nd) batch = batch_2nd if args.highres_fix_disable_control_net: pipe.set_enable_control_net(False) # オプション指定時、2nd stageではControlNetを無効にする # このバッチの情報を取り出す ( return_latents, (step_first, _, _, _, init_image, mask_image, _, guide_image, _), ( width, height, original_width, original_height, original_width_negative, original_height_negative, crop_left, crop_top, steps, scale, negative_scale, strength, network_muls, num_sub_prompts, ), ) = batch[0] noise_shape = (LATENT_CHANNELS, height // DOWNSAMPLING_FACTOR, width // DOWNSAMPLING_FACTOR) prompts = [] negative_prompts = [] raw_prompts = [] start_code = torch.zeros((batch_size, *noise_shape), device=device, dtype=dtype) noises = [ torch.zeros((batch_size, *noise_shape), device=device, dtype=dtype) for _ in range(steps * scheduler_num_noises_per_step) ] seeds = [] clip_prompts = [] if init_image is not None: # img2img? i2i_noises = torch.zeros((batch_size, *noise_shape), device=device, dtype=dtype) init_images = [] if mask_image is not None: mask_images = [] else: mask_images = None else: i2i_noises = None init_images = None mask_images = None if guide_image is not None: # CLIP image guided? guide_images = [] else: guide_images = None # バッチ内の位置に関わらず同じ乱数を使うためにここで乱数を生成しておく。あわせてimage/maskがbatch内で同一かチェックする all_images_are_same = True all_masks_are_same = True all_guide_images_are_same = True for i, ( _, (_, prompt, negative_prompt, seed, init_image, mask_image, clip_prompt, guide_image, raw_prompt), _, ) in enumerate(batch): prompts.append(prompt) negative_prompts.append(negative_prompt) seeds.append(seed) clip_prompts.append(clip_prompt) raw_prompts.append(raw_prompt) if init_image is not None: init_images.append(init_image) if i > 0 and all_images_are_same: all_images_are_same = init_images[-2] is init_image if mask_image is not None: mask_images.append(mask_image) if i > 0 and all_masks_are_same: all_masks_are_same = mask_images[-2] is mask_image if guide_image is not None: if type(guide_image) is list: guide_images.extend(guide_image) all_guide_images_are_same = False else: guide_images.append(guide_image) if i > 0 and all_guide_images_are_same: all_guide_images_are_same = guide_images[-2] is guide_image # make start code torch.manual_seed(seed) start_code[i] = torch.randn(noise_shape, device=device, dtype=dtype) # make each noises for j in range(steps * scheduler_num_noises_per_step): noises[j][i] = torch.randn(noise_shape, device=device, dtype=dtype) if i2i_noises is not None: # img2img noise i2i_noises[i] = torch.randn(noise_shape, device=device, dtype=dtype) noise_manager.reset_sampler_noises(noises) # すべての画像が同じなら1枚だけpipeに渡すことでpipe側で処理を高速化する if init_images is not None and all_images_are_same: init_images = init_images[0] if mask_images is not None and all_masks_are_same: mask_images = mask_images[0] if guide_images is not None and all_guide_images_are_same: guide_images = guide_images[0] # ControlNet使用時はguide imageをリサイズする if control_nets: # TODO resampleのメソッド guide_images = guide_images if type(guide_images) == list else [guide_images] guide_images = [i.resize((width, height), resample=PIL.Image.LANCZOS) for i in guide_images] if len(guide_images) == 1: guide_images = guide_images[0] # generate if networks: # 追加ネットワークの処理 shared = {} for n, m in zip(networks, network_muls if network_muls else network_default_muls): n.set_multiplier(m) if regional_network: n.set_current_generation(batch_size, num_sub_prompts, width, height, shared) if not regional_network and network_pre_calc: for n in networks: n.restore_weights() for n in networks: n.pre_calculation() logger.info("pre-calculation... done") images = pipe( prompts, negative_prompts, init_images, mask_images, height, width, original_height, original_width, original_height_negative, original_width_negative, crop_top, crop_left, steps, scale, negative_scale, strength, latents=start_code, output_type="pil", max_embeddings_multiples=max_embeddings_multiples, img2img_noise=i2i_noises, vae_batch_size=args.vae_batch_size, return_latents=return_latents, clip_prompts=clip_prompts, clip_guide_images=guide_images, ) if highres_1st and not args.highres_fix_save_1st: # return images or latents return images # save image highres_prefix = ("0" if highres_1st else "1") if highres_fix else "" ts_str = time.strftime("%Y%m%d%H%M%S", time.localtime()) for i, (image, prompt, negative_prompts, seed, clip_prompt, raw_prompt) in enumerate( zip(images, prompts, negative_prompts, seeds, clip_prompts, raw_prompts) ): if highres_fix: seed -= 1 # record original seed metadata = PngInfo() metadata.add_text("prompt", prompt) metadata.add_text("seed", str(seed)) metadata.add_text("sampler", args.sampler) metadata.add_text("steps", str(steps)) metadata.add_text("scale", str(scale)) if negative_prompt is not None: metadata.add_text("negative-prompt", negative_prompt) if negative_scale is not None: metadata.add_text("negative-scale", str(negative_scale)) if clip_prompt is not None: metadata.add_text("clip-prompt", clip_prompt) if raw_prompt is not None: metadata.add_text("raw-prompt", raw_prompt) metadata.add_text("original-height", str(original_height)) metadata.add_text("original-width", str(original_width)) metadata.add_text("original-height-negative", str(original_height_negative)) metadata.add_text("original-width-negative", str(original_width_negative)) metadata.add_text("crop-top", str(crop_top)) metadata.add_text("crop-left", str(crop_left)) if args.use_original_file_name and init_images is not None: if type(init_images) is list: fln = os.path.splitext(os.path.basename(init_images[i % len(init_images)].filename))[0] + ".png" else: fln = os.path.splitext(os.path.basename(init_images.filename))[0] + ".png" elif args.sequential_file_name: fln = f"im_{highres_prefix}{step_first + i + 1:06d}.png" else: fln = f"im_{ts_str}_{highres_prefix}{i:03d}_{seed}.png" image.save(os.path.join(args.outdir, fln), pnginfo=metadata) if not args.no_preview and not highres_1st and args.interactive: try: import cv2 for prompt, image in zip(prompts, images): cv2.imshow(prompt[:128], np.array(image)[:, :, ::-1]) # プロンプトが長いと死ぬ cv2.waitKey() cv2.destroyAllWindows() except ImportError: logger.error( "opencv-python is not installed, cannot preview / opencv-pythonがインストールされていないためプレビューできません" ) return images # 画像生成のプロンプトが一周するまでのループ prompt_index = 0 global_step = 0 batch_data = [] while args.interactive or prompt_index < len(prompt_list): if len(prompt_list) == 0: # interactive valid = False while not valid: logger.info("") logger.info("Type prompt:") try: raw_prompt = input() except EOFError: break valid = len(raw_prompt.strip().split(" --")[0].strip()) > 0 if not valid: # EOF, end app break else: raw_prompt = prompt_list[prompt_index] # sd-dynamic-prompts like variants: # count is 1 (not dynamic) or images_per_prompt (no enumeration) or arbitrary (enumeration) raw_prompts = handle_dynamic_prompt_variants(raw_prompt, args.images_per_prompt) # repeat prompt for pi in range(args.images_per_prompt if len(raw_prompts) == 1 else len(raw_prompts)): raw_prompt = raw_prompts[pi] if len(raw_prompts) > 1 else raw_prompts[0] if pi == 0 or len(raw_prompts) > 1: # parse prompt: if prompt is not changed, skip parsing width = args.W height = args.H original_width = args.original_width original_height = args.original_height original_width_negative = args.original_width_negative original_height_negative = args.original_height_negative crop_top = args.crop_top crop_left = args.crop_left scale = args.scale negative_scale = args.negative_scale steps = args.steps seed = None seeds = None strength = 0.8 if args.strength is None else args.strength negative_prompt = "" clip_prompt = None network_muls = None # Deep Shrink ds_depth_1 = None # means no override ds_timesteps_1 = args.ds_timesteps_1 ds_depth_2 = args.ds_depth_2 ds_timesteps_2 = args.ds_timesteps_2 ds_ratio = args.ds_ratio # Gradual Latent gl_timesteps = None # means no override gl_ratio = args.gradual_latent_ratio gl_every_n_steps = args.gradual_latent_every_n_steps gl_ratio_step = args.gradual_latent_ratio_step gl_s_noise = args.gradual_latent_s_noise gl_unsharp_params = args.gradual_latent_unsharp_params prompt_args = raw_prompt.strip().split(" --") prompt = prompt_args[0] logger.info(f"prompt {prompt_index+1}/{len(prompt_list)}: {prompt}") for parg in prompt_args[1:]: try: m = re.match(r"w (\d+)", parg, re.IGNORECASE) if m: width = int(m.group(1)) logger.info(f"width: {width}") continue m = re.match(r"h (\d+)", parg, re.IGNORECASE) if m: height = int(m.group(1)) logger.info(f"height: {height}") continue m = re.match(r"ow (\d+)", parg, re.IGNORECASE) if m: original_width = int(m.group(1)) logger.info(f"original width: {original_width}") continue m = re.match(r"oh (\d+)", parg, re.IGNORECASE) if m: original_height = int(m.group(1)) logger.info(f"original height: {original_height}") continue m = re.match(r"nw (\d+)", parg, re.IGNORECASE) if m: original_width_negative = int(m.group(1)) logger.info(f"original width negative: {original_width_negative}") continue m = re.match(r"nh (\d+)", parg, re.IGNORECASE) if m: original_height_negative = int(m.group(1)) logger.info(f"original height negative: {original_height_negative}") continue m = re.match(r"ct (\d+)", parg, re.IGNORECASE) if m: crop_top = int(m.group(1)) logger.info(f"crop top: {crop_top}") continue m = re.match(r"cl (\d+)", parg, re.IGNORECASE) if m: crop_left = int(m.group(1)) logger.info(f"crop left: {crop_left}") continue m = re.match(r"s (\d+)", parg, re.IGNORECASE) if m: # steps steps = max(1, min(1000, int(m.group(1)))) logger.info(f"steps: {steps}") continue m = re.match(r"d ([\d,]+)", parg, re.IGNORECASE) if m: # seed seeds = [int(d) for d in m.group(1).split(",")] logger.info(f"seeds: {seeds}") continue m = re.match(r"l ([\d\.]+)", parg, re.IGNORECASE) if m: # scale scale = float(m.group(1)) logger.info(f"scale: {scale}") continue m = re.match(r"nl ([\d\.]+|none|None)", parg, re.IGNORECASE) if m: # negative scale if m.group(1).lower() == "none": negative_scale = None else: negative_scale = float(m.group(1)) logger.info(f"negative scale: {negative_scale}") continue m = re.match(r"t ([\d\.]+)", parg, re.IGNORECASE) if m: # strength strength = float(m.group(1)) logger.info(f"strength: {strength}") continue m = re.match(r"n (.+)", parg, re.IGNORECASE) if m: # negative prompt negative_prompt = m.group(1) logger.info(f"negative prompt: {negative_prompt}") continue m = re.match(r"c (.+)", parg, re.IGNORECASE) if m: # clip prompt clip_prompt = m.group(1) logger.info(f"clip prompt: {clip_prompt}") continue m = re.match(r"am ([\d\.\-,]+)", parg, re.IGNORECASE) if m: # network multiplies network_muls = [float(v) for v in m.group(1).split(",")] while len(network_muls) < len(networks): network_muls.append(network_muls[-1]) logger.info(f"network mul: {network_muls}") continue # Deep Shrink m = re.match(r"dsd1 ([\d\.]+)", parg, re.IGNORECASE) if m: # deep shrink depth 1 ds_depth_1 = int(m.group(1)) logger.info(f"deep shrink depth 1: {ds_depth_1}") continue m = re.match(r"dst1 ([\d\.]+)", parg, re.IGNORECASE) if m: # deep shrink timesteps 1 ds_timesteps_1 = int(m.group(1)) ds_depth_1 = ds_depth_1 if ds_depth_1 is not None else -1 # -1 means override logger.info(f"deep shrink timesteps 1: {ds_timesteps_1}") continue m = re.match(r"dsd2 ([\d\.]+)", parg, re.IGNORECASE) if m: # deep shrink depth 2 ds_depth_2 = int(m.group(1)) ds_depth_1 = ds_depth_1 if ds_depth_1 is not None else -1 # -1 means override logger.info(f"deep shrink depth 2: {ds_depth_2}") continue m = re.match(r"dst2 ([\d\.]+)", parg, re.IGNORECASE) if m: # deep shrink timesteps 2 ds_timesteps_2 = int(m.group(1)) ds_depth_1 = ds_depth_1 if ds_depth_1 is not None else -1 # -1 means override logger.info(f"deep shrink timesteps 2: {ds_timesteps_2}") continue m = re.match(r"dsr ([\d\.]+)", parg, re.IGNORECASE) if m: # deep shrink ratio ds_ratio = float(m.group(1)) ds_depth_1 = ds_depth_1 if ds_depth_1 is not None else -1 # -1 means override logger.info(f"deep shrink ratio: {ds_ratio}") continue # Gradual Latent m = re.match(r"glt ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent timesteps gl_timesteps = int(m.group(1)) logger.info(f"gradual latent timesteps: {gl_timesteps}") continue m = re.match(r"glr ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent ratio gl_ratio = float(m.group(1)) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent ratio: {ds_ratio}") continue m = re.match(r"gle ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent every n steps gl_every_n_steps = int(m.group(1)) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent every n steps: {gl_every_n_steps}") continue m = re.match(r"gls ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent ratio step gl_ratio_step = float(m.group(1)) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent ratio step: {gl_ratio_step}") continue m = re.match(r"glsn ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent s noise gl_s_noise = float(m.group(1)) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent s noise: {gl_s_noise}") continue m = re.match(r"glus ([\d\.\-,]+)", parg, re.IGNORECASE) if m: # gradual latent unsharp params gl_unsharp_params = m.group(1) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent unsharp params: {gl_unsharp_params}") continue # Gradual Latent m = re.match(r"glt ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent timesteps gl_timesteps = int(m.group(1)) logger.info(f"gradual latent timesteps: {gl_timesteps}") continue m = re.match(r"glr ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent ratio gl_ratio = float(m.group(1)) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent ratio: {ds_ratio}") continue m = re.match(r"gle ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent every n steps gl_every_n_steps = int(m.group(1)) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent every n steps: {gl_every_n_steps}") continue m = re.match(r"gls ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent ratio step gl_ratio_step = float(m.group(1)) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent ratio step: {gl_ratio_step}") continue m = re.match(r"glsn ([\d\.]+)", parg, re.IGNORECASE) if m: # gradual latent s noise gl_s_noise = float(m.group(1)) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent s noise: {gl_s_noise}") continue m = re.match(r"glus ([\d\.\-,]+)", parg, re.IGNORECASE) if m: # gradual latent unsharp params gl_unsharp_params = m.group(1) gl_timesteps = gl_timesteps if gl_timesteps is not None else -1 # -1 means override logger.info(f"gradual latent unsharp params: {gl_unsharp_params}") continue except ValueError as ex: logger.error(f"Exception in parsing / 解析エラー: {parg}") logger.error(f"{ex}") # override Deep Shrink if ds_depth_1 is not None: if ds_depth_1 < 0: ds_depth_1 = args.ds_depth_1 or 3 unet.set_deep_shrink(ds_depth_1, ds_timesteps_1, ds_depth_2, ds_timesteps_2, ds_ratio) # override Gradual Latent if gl_timesteps is not None: if gl_timesteps < 0: gl_timesteps = args.gradual_latent_timesteps or 650 if gl_unsharp_params is not None: unsharp_params = gl_unsharp_params.split(",") us_ksize, us_sigma, us_strength = [float(v) for v in unsharp_params[:3]] us_target_x = True if len(unsharp_params) < 4 else bool(int(unsharp_params[3])) us_ksize = int(us_ksize) else: us_ksize, us_sigma, us_strength, us_target_x = None, None, None, None gradual_latent = GradualLatent( gl_ratio, gl_timesteps, gl_every_n_steps, gl_ratio_step, gl_s_noise, us_ksize, us_sigma, us_strength, us_target_x, ) pipe.set_gradual_latent(gradual_latent) # prepare seed if seeds is not None: # given in prompt # 数が足りないなら前のをそのまま使う if len(seeds) > 0: seed = seeds.pop(0) else: if predefined_seeds is not None: if len(predefined_seeds) > 0: seed = predefined_seeds.pop(0) else: logger.error("predefined seeds are exhausted") seed = None elif args.iter_same_seed: seeds = iter_seed else: seed = None # 前のを消す if seed is None: seed = random.randint(0, 0x7FFFFFFF) if args.interactive: logger.info(f"seed: {seed}") # prepare init image, guide image and mask init_image = mask_image = guide_image = None # 同一イメージを使うとき、本当はlatentに変換しておくと無駄がないが面倒なのでとりあえず毎回処理する if init_images is not None: init_image = init_images[global_step % len(init_images)] # img2imgの場合は、基本的に元画像のサイズで生成する。highres fixの場合はargs.W, args.Hとscaleに従いリサイズ済みなので無視する # 32単位に丸めたやつにresizeされるので踏襲する if not highres_fix: width, height = init_image.size width = width - width % 32 height = height - height % 32 if width != init_image.size[0] or height != init_image.size[1]: logger.warning( f"img2img image size is not divisible by 32 so aspect ratio is changed / img2imgの画像サイズが32で割り切れないためリサイズされます。画像が歪みます" ) if mask_images is not None: mask_image = mask_images[global_step % len(mask_images)] if guide_images is not None: if control_nets: # 複数件の場合あり c = len(control_nets) p = global_step % (len(guide_images) // c) guide_image = guide_images[p * c : p * c + c] else: guide_image = guide_images[global_step % len(guide_images)] if regional_network: num_sub_prompts = len(prompt.split(" AND ")) assert ( len(networks) <= num_sub_prompts ), "Number of networks must be less than or equal to number of sub prompts." else: num_sub_prompts = None b1 = BatchData( False, BatchDataBase( global_step, prompt, negative_prompt, seed, init_image, mask_image, clip_prompt, guide_image, raw_prompt ), BatchDataExt( width, height, original_width, original_height, original_width_negative, original_height_negative, crop_left, crop_top, steps, scale, negative_scale, strength, tuple(network_muls) if network_muls else None, num_sub_prompts, ), ) if len(batch_data) > 0 and batch_data[-1].ext != b1.ext: # バッチ分割必要？ process_batch(batch_data, highres_fix) batch_data.clear() batch_data.append(b1) if len(batch_data) == args.batch_size: prev_image = process_batch(batch_data, highres_fix)[0] batch_data.clear() global_step += 1 prompt_index += 1 if len(batch_data) > 0: process_batch(batch_data, highres_fix) batch_data.clear() logger.info("done!") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) parser.add_argument("--prompt", type=str, default=None, help="prompt / プロンプト") parser.add_argument( "--from_file", type=str, default=None, help="if specified, load prompts from this file / 指定時はプロンプトをファイルから読み込む", ) parser.add_argument( "--interactive", action="store_true", help="interactive mode (generates one image) / 対話モード（生成される画像は1枚になります）", ) parser.add_argument( "--no_preview", action="store_true", help="do not show generated image in interactive mode / 対話モードで画像を表示しない" ) parser.add_argument( "--image_path", type=str, default=None, help="image to inpaint or to generate from / img2imgまたはinpaintを行う元画像" ) parser.add_argument("--mask_path", type=str, default=None, help="mask in inpainting / inpaint時のマスク") parser.add_argument("--strength", type=float, default=None, help="img2img strength / img2img時のstrength") parser.add_argument("--images_per_prompt", type=int, default=1, help="number of images per prompt / プロンプトあたりの出力枚数") parser.add_argument("--outdir", type=str, default="outputs", help="dir to write results to / 生成画像の出力先") parser.add_argument( "--sequential_file_name", action="store_true", help="sequential output file name / 生成画像のファイル名を連番にする" ) parser.add_argument( "--use_original_file_name", action="store_true", help="prepend original file name in img2img / img2imgで元画像のファイル名を生成画像のファイル名の先頭に付ける", ) # parser.add_argument("--ddim_eta", type=float, default=0.0, help="ddim eta (eta=0.0 corresponds to deterministic sampling", ) parser.add_argument("--n_iter", type=int, default=1, help="sample this often / 繰り返し回数") parser.add_argument("--H", type=int, default=None, help="image height, in pixel space / 生成画像高さ") parser.add_argument("--W", type=int, default=None, help="image width, in pixel space / 生成画像幅") parser.add_argument( "--original_height", type=int, default=None, help="original height for SDXL conditioning / SDXLの条件付けに用いるoriginal heightの値", ) parser.add_argument( "--original_width", type=int, default=None, help="original width for SDXL conditioning / SDXLの条件付けに用いるoriginal widthの値", ) parser.add_argument( "--original_height_negative", type=int, default=None, help="original height for SDXL unconditioning / SDXLのネガティブ条件付けに用いるoriginal heightの値", ) parser.add_argument( "--original_width_negative", type=int, default=None, help="original width for SDXL unconditioning / SDXLのネガティブ条件付けに用いるoriginal widthの値", ) parser.add_argument( "--crop_top", type=int, default=None, help="crop top for SDXL conditioning / SDXLの条件付けに用いるcrop topの値" ) parser.add_argument( "--crop_left", type=int, default=None, help="crop left for SDXL conditioning / SDXLの条件付けに用いるcrop leftの値" ) parser.add_argument("--batch_size", type=int, default=1, help="batch size / バッチサイズ") parser.add_argument( "--vae_batch_size", type=float, default=None, help="batch size for VAE, < 1.0 for ratio / VAE処理時のバッチサイズ、1未満の値の場合は通常バッチサイズの比率", ) parser.add_argument( "--vae_slices", type=int, default=None, help="number of slices to split image into for VAE to reduce VRAM usage, None for no splitting (default), slower if specified. 16 or 32 recommended / VAE処理時にVRAM使用量削減のため画像を分割するスライス数、Noneの場合は分割しない（デフォルト）、指定すると遅くなる。16か32程度を推奨", ) parser.add_argument( "--no_half_vae", action="store_true", help="do not use fp16/bf16 precision for VAE / VAE処理時にfp16/bf16を使わない" ) parser.add_argument("--steps", type=int, default=50, help="number of ddim sampling steps / サンプリングステップ数") parser.add_argument( "--sampler", type=str, default="ddim", choices=[ "ddim", "pndm", "lms", "euler", "euler_a", "heun", "dpm_2", "dpm_2_a", "dpmsolver", "dpmsolver++", "dpmsingle", "k_lms", "k_euler", "k_euler_a", "k_dpm_2", "k_dpm_2_a", ], help=f"sampler (scheduler) type / サンプラー（スケジューラ）の種類", ) parser.add_argument( "--scale", type=float, default=7.5, help="unconditional guidance scale: eps = eps(x, empty) + scale * (eps(x, cond) - eps(x, empty)) / guidance scale", ) parser.add_argument( "--ckpt", type=str, default=None, help="path to checkpoint of model / モデルのcheckpointファイルまたはディレクトリ" ) parser.add_argument( "--vae", type=str, default=None, help="path to checkpoint of vae to replace / VAEを入れ替える場合、VAEのcheckpointファイルまたはディレクトリ", ) parser.add_argument( "--tokenizer_cache_dir", type=str, default=None, help="directory for caching Tokenizer (for offline training) / Tokenizerをキャッシュするディレクトリ（ネット接続なしでの学習のため）", ) # parser.add_argument("--replace_clip_l14_336", action='store_true', # help="Replace CLIP (Text Encoder) to l/14@336 / CLIP(Text Encoder)をl/14@336に入れ替える") parser.add_argument( "--seed", type=int, default=None, help="seed, or seed of seeds in multiple generation / 1枚生成時のseed、または複数枚生成時の乱数seedを決めるためのseed", ) parser.add_argument( "--iter_same_seed", action="store_true", help="use same seed for all prompts in iteration if no seed specified / 乱数seedの指定がないとき繰り返し内はすべて同じseedを使う（プロンプト間の差異の比較用）", ) parser.add_argument("--fp16", action="store_true", help="use fp16 / fp16を指定し省メモリ化する") parser.add_argument("--bf16", action="store_true", help="use bfloat16 / bfloat16を指定し省メモリ化する") parser.add_argument("--xformers", action="store_true", help="use xformers / xformersを使用し高速化する") parser.add_argument("--sdpa", action="store_true", help="use sdpa in PyTorch 2 / sdpa") parser.add_argument( "--diffusers_xformers", action="store_true", help="use xformers by diffusers (Hypernetworks doesn't work) / Diffusersでxformersを使用する（Hypernetwork利用不可）", ) parser.add_argument( "--opt_channels_last", action="store_true", help="set channels last option to model / モデルにchannels lastを指定し最適化する", ) parser.add_argument( "--network_module", type=str, default=None, nargs="*", help="additional network module to use / 追加ネットワークを使う時そのモジュール名", ) parser.add_argument( "--network_weights", type=str, default=None, nargs="*", help="additional network weights to load / 追加ネットワークの重み" ) parser.add_argument( "--network_mul", type=float, default=None, nargs="*", help="additional network multiplier / 追加ネットワークの効果の倍率" ) parser.add_argument( "--network_args", type=str, default=None, nargs="*", help="additional arguments for network (key=value) / ネットワークへの追加の引数", ) parser.add_argument( "--network_show_meta", action="store_true", help="show metadata of network model / ネットワークモデルのメタデータを表示する" ) parser.add_argument( "--network_merge_n_models", type=int, default=None, help="merge this number of networks / この数だけネットワークをマージする", ) parser.add_argument( "--network_merge", action="store_true", help="merge network weights to original model / ネットワークの重みをマージする" ) parser.add_argument( "--network_pre_calc", action="store_true", help="pre-calculate network for generation / ネットワークのあらかじめ計算して生成する", ) parser.add_argument( "--network_regional_mask_max_color_codes", type=int, default=None, help="max color codes for regional mask (default is None, mask by channel) / regional maskの最大色数（デフォルトはNoneでチャンネルごとのマスク）", ) parser.add_argument( "--textual_inversion_embeddings", type=str, default=None, nargs="*", help="Embeddings files of Textual Inversion / Textual Inversionのembeddings", ) parser.add_argument( "--clip_skip", type=int, default=None, help="layer number from bottom to use in CLIP / CLIPの後ろからn層目の出力を使う" ) parser.add_argument( "--max_embeddings_multiples", type=int, default=None, help="max embedding multiples, max token length is 75 * multiples / トークン長をデフォルトの何倍とするか 75*この値 がトークン長となる", ) parser.add_argument( "--guide_image_path", type=str, default=None, nargs="*", help="image to CLIP guidance / CLIP guided SDでガイドに使う画像" ) parser.add_argument( "--highres_fix_scale", type=float, default=None, help="enable highres fix, reso scale for 1st stage / highres fixを有効にして最初の解像度をこのscaleにする", ) parser.add_argument( "--highres_fix_steps", type=int, default=28, help="1st stage steps for highres fix / highres fixの最初のステージのステップ数", ) parser.add_argument( "--highres_fix_strength", type=float, default=None, help="1st stage img2img strength for highres fix / highres fixの最初のステージのimg2img時のstrength、省略時はstrengthと同じ", ) parser.add_argument( "--highres_fix_save_1st", action="store_true", help="save 1st stage images for highres fix / highres fixの最初のステージの画像を保存する", ) parser.add_argument( "--highres_fix_latents_upscaling", action="store_true", help="use latents upscaling for highres fix / highres fixでlatentで拡大する", ) parser.add_argument( "--highres_fix_upscaler", type=str, default=None, help="upscaler module for highres fix / highres fixで使うupscalerのモジュール名", ) parser.add_argument( "--highres_fix_upscaler_args", type=str, default=None, help="additional arguments for upscaler (key=value) / upscalerへの追加の引数", ) parser.add_argument( "--highres_fix_disable_control_net", action="store_true", help="disable ControlNet for highres fix / highres fixでControlNetを使わない", ) parser.add_argument( "--negative_scale", type=float, default=None, help="set another guidance scale for negative prompt / ネガティブプロンプトのscaleを指定する", ) parser.add_argument( "--control_net_lllite_models", type=str, default=None, nargs="*", help="ControlNet models to use / 使用するControlNetのモデル名", ) # parser.add_argument( # "--control_net_models", type=str, default=None, nargs="*", help="ControlNet models to use / 使用するControlNetのモデル名" # ) # parser.add_argument( # "--control_net_preps", type=str, default=None, nargs="*", help="ControlNet preprocess to use / 使用するControlNetのプリプロセス名" # ) parser.add_argument( "--control_net_multipliers", type=float, default=None, nargs="*", help="ControlNet multiplier / ControlNetの適用率" ) parser.add_argument( "--control_net_ratios", type=float, default=None, nargs="*", help="ControlNet guidance ratio for steps / ControlNetでガイドするステップ比率", ) parser.add_argument( "--clip_vision_strength", type=float, default=None, help="enable CLIP Vision Conditioning for img2img with this strength / img2imgでCLIP Vision Conditioningを有効にしてこのstrengthで処理する", ) # Deep Shrink parser.add_argument( "--ds_depth_1", type=int, default=None, help="Enable Deep Shrink with this depth 1, valid values are 0 to 8 / Deep Shrinkをこのdepthで有効にする", ) parser.add_argument( "--ds_timesteps_1", type=int, default=650, help="Apply Deep Shrink depth 1 until this timesteps / Deep Shrink depth 1を適用するtimesteps", ) parser.add_argument("--ds_depth_2", type=int, default=None, help="Deep Shrink depth 2 / Deep Shrinkのdepth 2") parser.add_argument( "--ds_timesteps_2", type=int, default=650, help="Apply Deep Shrink depth 2 until this timesteps / Deep Shrink depth 2を適用するtimesteps", ) parser.add_argument( "--ds_ratio", type=float, default=0.5, help="Deep Shrink ratio for downsampling / Deep Shrinkのdownsampling比率" ) # gradual latent parser.add_argument( "--gradual_latent_timesteps", type=int, default=None, help="enable Gradual Latent hires fix and apply upscaling from this timesteps / Gradual Latent hires fixをこのtimestepsで有効にし、このtimestepsからアップスケーリングを適用する", ) parser.add_argument( "--gradual_latent_ratio", type=float, default=0.5, help=" this size ratio, 0.5 means 1/2 / Gradual Latent hires fixをこのサイズ比率で有効にする、0.5は1/2を意味する", ) parser.add_argument( "--gradual_latent_ratio_step", type=float, default=0.125, help="step to increase ratio for Gradual Latent / Gradual Latentのratioをどのくらいずつ上げるか", ) parser.add_argument( "--gradual_latent_every_n_steps", type=int, default=3, help="steps to increase size of latents every this steps for Gradual Latent / Gradual Latentでlatentsのサイズをこのステップごとに上げる", ) parser.add_argument( "--gradual_latent_s_noise", type=float, default=1.0, help="s_noise for Gradual Latent / Gradual Latentのs_noise", ) parser.add_argument( "--gradual_latent_unsharp_params", type=str, default=None, help="unsharp mask parameters for Gradual Latent: ksize, sigma, strength, target-x (1 means True). `3,0.5,0.5,1` or `3,1.0,1.0,0` is recommended /" + " Gradual Latentのunsharp maskのパラメータ: ksize, sigma, strength, target-x. `3,0.5,0.5,1` または `3,1.0,1.0,0` が推奨", ) # # parser.add_argument( # "--control_net_image_path", type=str, default=None, nargs="*", help="image for ControlNet guidance / ControlNetでガイドに使う画像" # ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() setup_logging(args, reset=True) main(args) ================================================ FILE: sdxl_minimal_inference.py ================================================ # 手元で推論を行うための最低限のコード。HuggingFace／DiffusersのCLIP、schedulerとVAEを使う # Minimal code for performing inference at local. Use HuggingFace/Diffusers CLIP, scheduler and VAE import argparse import datetime import math import os import random from einops import repeat import numpy as np import torch from library.device_utils import init_ipex, get_preferred_device init_ipex() from tqdm import tqdm from transformers import CLIPTokenizer from diffusers import EulerDiscreteScheduler from PIL import Image # import open_clip from safetensors.torch import load_file from library import model_util, sdxl_model_util import networks.lora as lora from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) # scheduler: このあたりの設定はSD1/2と同じでいいらしい # scheduler: The settings around here seem to be the same as SD1/2 SCHEDULER_LINEAR_START = 0.00085 SCHEDULER_LINEAR_END = 0.0120 SCHEDULER_TIMESTEPS = 1000 SCHEDLER_SCHEDULE = "scaled_linear" # Time EmbeddingはDiffusersからのコピー # Time Embedding is copied from Diffusers def timestep_embedding(timesteps, dim, max_period=10000, repeat_only=False): """ Create sinusoidal timestep embeddings. :param timesteps: a 1-D Tensor of N indices, one per batch element. These may be fractional. :param dim: the dimension of the output. :param max_period: controls the minimum frequency of the embeddings. :return: an [N x dim] Tensor of positional embeddings. """ if not repeat_only: half = dim // 2 freqs = torch.exp(-math.log(max_period) * torch.arange(start=0, end=half, dtype=torch.float32) / half).to( device=timesteps.device ) args = timesteps[:, None].float() * freqs[None] embedding = torch.cat([torch.cos(args), torch.sin(args)], dim=-1) if dim % 2: embedding = torch.cat([embedding, torch.zeros_like(embedding[:, :1])], dim=-1) else: embedding = repeat(timesteps, "b -> b d", d=dim) return embedding def get_timestep_embedding(x, outdim): assert len(x.shape) == 2 b, dims = x.shape[0], x.shape[1] # x = rearrange(x, "b d -> (b d)") x = torch.flatten(x) emb = timestep_embedding(x, outdim) # emb = rearrange(emb, "(b d) d2 -> b (d d2)", b=b, d=dims, d2=outdim) emb = torch.reshape(emb, (b, dims * outdim)) return emb if __name__ == "__main__": # 画像生成条件を変更する場合はここを変更 / change here to change image generation conditions # SDXLの追加のvector embeddingへ渡す値 / Values to pass to additional vector embedding of SDXL target_height = 1024 target_width = 1024 original_height = target_height original_width = target_width crop_top = 0 crop_left = 0 steps = 50 guidance_scale = 7 seed = None # 1 DEVICE = get_preferred_device() DTYPE = torch.float16 # bfloat16 may work parser = argparse.ArgumentParser() parser.add_argument("--ckpt_path", type=str, required=True) parser.add_argument("--prompt", type=str, default="A photo of a cat") parser.add_argument("--prompt2", type=str, default=None) parser.add_argument("--negative_prompt", type=str, default="") parser.add_argument("--output_dir", type=str, default=".") parser.add_argument( "--lora_weights", type=str, nargs="*", default=[], help="LoRA weights, only supports networks.lora, each argument is a `path;multiplier` (semi-colon separated)", ) parser.add_argument("--interactive", action="store_true") args = parser.parse_args() if args.prompt2 is None: args.prompt2 = args.prompt # HuggingFaceのmodel id text_encoder_1_name = "openai/clip-vit-large-patch14" text_encoder_2_name = "laion/CLIP-ViT-bigG-14-laion2B-39B-b160k" # checkpointを読み込む。モデル変換についてはそちらの関数を参照 # Load checkpoint. For model conversion, see this function # 本体RAMが少ない場合はGPUにロードするといいかも # If the main RAM is small, it may be better to load it on the GPU text_model1, text_model2, vae, unet, _, _ = sdxl_model_util.load_models_from_sdxl_checkpoint( sdxl_model_util.MODEL_VERSION_SDXL_BASE_V1_0, args.ckpt_path, "cpu" ) # Text Encoder 1はSDXL本体でもHuggingFaceのものを使っている # In SDXL, Text Encoder 1 is also using HuggingFace's # Text Encoder 2はSDXL本体ではopen_clipを使っている # それを使ってもいいが、SD2のDiffusers版に合わせる形で、HuggingFaceのものを使う # 重みの変換コードはSD2とほぼ同じ # In SDXL, Text Encoder 2 is using open_clip # It's okay to use it, but to match the Diffusers version of SD2, use HuggingFace's # The weight conversion code is almost the same as SD2 # VAEの構造はSDXLもSD1/2と同じだが、重みは異なるようだ。何より謎のscale値が違う # fp16でNaNが出やすいようだ # The structure of VAE is the same as SD1/2, but the weights seem to be different. Above all, the mysterious scale value is different. # NaN seems to be more likely to occur in fp16 unet.to(DEVICE, dtype=DTYPE) unet.eval() vae_dtype = DTYPE if DTYPE == torch.float16: logger.info("use float32 for vae") vae_dtype = torch.float32 vae.to(DEVICE, dtype=vae_dtype) vae.eval() text_model1.to(DEVICE, dtype=DTYPE) text_model1.eval() text_model2.to(DEVICE, dtype=DTYPE) text_model2.eval() unet.set_use_memory_efficient_attention(True, False) if torch.__version__ >= "2.0.0": # PyTorch 2.0.0 以上対応のxformersなら以下が使える vae.set_use_memory_efficient_attention_xformers(True) # Tokenizers tokenizer1 = CLIPTokenizer.from_pretrained(text_encoder_1_name) # tokenizer2 = lambda x: open_clip.tokenize(x, context_length=77) tokenizer2 = CLIPTokenizer.from_pretrained(text_encoder_2_name) # LoRA for weights_file in args.lora_weights: if ";" in weights_file: weights_file, multiplier = weights_file.split(";") multiplier = float(multiplier) else: multiplier = 1.0 lora_model, weights_sd = lora.create_network_from_weights( multiplier, weights_file, vae, [text_model1, text_model2], unet, None, True ) lora_model.merge_to([text_model1, text_model2], unet, weights_sd, DTYPE, DEVICE) # scheduler scheduler = EulerDiscreteScheduler( num_train_timesteps=SCHEDULER_TIMESTEPS, beta_start=SCHEDULER_LINEAR_START, beta_end=SCHEDULER_LINEAR_END, beta_schedule=SCHEDLER_SCHEDULE, ) def generate_image(prompt, prompt2, negative_prompt, seed=None): # 将来的にサイズ情報も変えられるようにする / Make it possible to change the size information in the future # prepare embedding with torch.no_grad(): # vector emb1 = get_timestep_embedding(torch.FloatTensor([original_height, original_width]).unsqueeze(0), 256) emb2 = get_timestep_embedding(torch.FloatTensor([crop_top, crop_left]).unsqueeze(0), 256) emb3 = get_timestep_embedding(torch.FloatTensor([target_height, target_width]).unsqueeze(0), 256) # logger.info("emb1", emb1.shape) c_vector = torch.cat([emb1, emb2, emb3], dim=1).to(DEVICE, dtype=DTYPE) uc_vector = c_vector.clone().to( DEVICE, dtype=DTYPE ) # ちょっとここ正しいかどうかわからない I'm not sure if this is right # crossattn # Text Encoderを二つ呼ぶ関数 Function to call two Text Encoders def call_text_encoder(text, text2): # text encoder 1 batch_encoding = tokenizer1( text, truncation=True, return_length=True, return_overflowing_tokens=False, padding="max_length", return_tensors="pt", ) tokens = batch_encoding["input_ids"].to(DEVICE) with torch.no_grad(): enc_out = text_model1(tokens, output_hidden_states=True, return_dict=True) text_embedding1 = enc_out["hidden_states"][11] # text_embedding = pipe.text_encoder.text_model.final_layer_norm(text_embedding) # layer normは通さないらしい # text encoder 2 # tokens = tokenizer2(text2).to(DEVICE) tokens = tokenizer2( text, truncation=True, return_length=True, return_overflowing_tokens=False, padding="max_length", return_tensors="pt", ) tokens = batch_encoding["input_ids"].to(DEVICE) with torch.no_grad(): enc_out = text_model2(tokens, output_hidden_states=True, return_dict=True) text_embedding2_penu = enc_out["hidden_states"][-2] # logger.info("hidden_states2", text_embedding2_penu.shape) text_embedding2_pool = enc_out["text_embeds"] # do not support Textual Inversion # 連結して終了 concat and finish text_embedding = torch.cat([text_embedding1, text_embedding2_penu], dim=2) return text_embedding, text_embedding2_pool # cond c_ctx, c_ctx_pool = call_text_encoder(prompt, prompt2) # logger.info(c_ctx.shape, c_ctx_p.shape, c_vector.shape) c_vector = torch.cat([c_ctx_pool, c_vector], dim=1) # uncond uc_ctx, uc_ctx_pool = call_text_encoder(negative_prompt, negative_prompt) uc_vector = torch.cat([uc_ctx_pool, uc_vector], dim=1) text_embeddings = torch.cat([uc_ctx, c_ctx]) vector_embeddings = torch.cat([uc_vector, c_vector]) # メモリ使用量を減らすにはここでText Encoderを削除するかCPUへ移動する if seed is not None: random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) # # random generator for initial noise # generator = torch.Generator(device="cuda").manual_seed(seed) generator = None else: generator = None # get the initial random noise unless the user supplied it # SDXLはCPUでlatentsを作成しているので一応合わせておく、Diffusersはtarget deviceでlatentsを作成している # SDXL creates latents in CPU, Diffusers creates latents in target device latents_shape = (1, 4, target_height // 8, target_width // 8) latents = torch.randn( latents_shape, generator=generator, device="cpu", dtype=torch.float32, ).to(DEVICE, dtype=DTYPE) # scale the initial noise by the standard deviation required by the scheduler latents = latents * scheduler.init_noise_sigma # set timesteps scheduler.set_timesteps(steps, DEVICE) # このへんはDiffusersからのコピペ # Copy from Diffusers timesteps = scheduler.timesteps.to(DEVICE) # .to(DTYPE) num_latent_input = 2 with torch.no_grad(): for i, t in enumerate(tqdm(timesteps)): # expand the latents if we are doing classifier free guidance latent_model_input = latents.repeat((num_latent_input, 1, 1, 1)) latent_model_input = scheduler.scale_model_input(latent_model_input, t) noise_pred = unet(latent_model_input, t, text_embeddings, vector_embeddings) noise_pred_uncond, noise_pred_text = noise_pred.chunk(num_latent_input) # uncond by negative prompt noise_pred = noise_pred_uncond + guidance_scale * (noise_pred_text - noise_pred_uncond) # compute the previous noisy sample x_t -> x_t-1 # latents = scheduler.step(noise_pred, t, latents, **extra_step_kwargs).prev_sample latents = scheduler.step(noise_pred, t, latents).prev_sample # latents = 1 / 0.18215 * latents latents = 1 / sdxl_model_util.VAE_SCALE_FACTOR * latents latents = latents.to(vae_dtype) image = vae.decode(latents).sample image = (image / 2 + 0.5).clamp(0, 1) # we always cast to float32 as this does not cause significant overhead and is compatible with bfloa16 image = image.cpu().permute(0, 2, 3, 1).float().numpy() # image = self.numpy_to_pil(image) image = (image * 255).round().astype("uint8") image = [Image.fromarray(im) for im in image] # 保存して終了 save and finish timestamp = datetime.datetime.now().strftime("%Y%m%d-%H%M%S") for i, img in enumerate(image): img.save(os.path.join(args.output_dir, f"image_{timestamp}_{i:03d}.png")) if not args.interactive: generate_image(args.prompt, args.prompt2, args.negative_prompt, seed) else: # loop for interactive while True: prompt = input("prompt: ") if prompt == "": break prompt2 = input("prompt2: ") if prompt2 == "": prompt2 = prompt negative_prompt = input("negative prompt: ") seed = input("seed: ") if seed == "": seed = None else: seed = int(seed) generate_image(prompt, prompt2, negative_prompt, seed) logger.info("Done!") ================================================ FILE: sdxl_train.py ================================================ # training with captions import argparse import math import os from multiprocessing import Value from typing import List import toml from tqdm import tqdm import torch from library.device_utils import init_ipex, clean_memory_on_device init_ipex() from accelerate.utils import set_seed from diffusers import DDPMScheduler from library import deepspeed_utils, sdxl_model_util, strategy_base, strategy_sd, strategy_sdxl, sai_model_spec import library.train_util as train_util from library.utils import setup_logging, add_logging_arguments setup_logging() import logging logger = logging.getLogger(__name__) import library.config_util as config_util import library.sdxl_train_util as sdxl_train_util from library.config_util import ( ConfigSanitizer, BlueprintGenerator, ) import library.custom_train_functions as custom_train_functions from library.custom_train_functions import ( apply_snr_weight, prepare_scheduler_for_custom_training, scale_v_prediction_loss_like_noise_prediction, add_v_prediction_like_loss, apply_debiased_estimation, apply_masked_loss, ) from library.sdxl_original_unet import SdxlUNet2DConditionModel UNET_NUM_BLOCKS_FOR_BLOCK_LR = 23 def get_block_params_to_optimize(unet: SdxlUNet2DConditionModel, block_lrs: List[float]) -> List[dict]: block_params = [[] for _ in range(len(block_lrs))] for i, (name, param) in enumerate(unet.named_parameters()): if name.startswith("time_embed.") or name.startswith("label_emb."): block_index = 0 # 0 elif name.startswith("input_blocks."): # 1-9 block_index = 1 + int(name.split(".")[1]) elif name.startswith("middle_block."): # 10-12 block_index = 10 + int(name.split(".")[1]) elif name.startswith("output_blocks."): # 13-21 block_index = 13 + int(name.split(".")[1]) elif name.startswith("out."): # 22 block_index = 22 else: raise ValueError(f"unexpected parameter name: {name}") block_params[block_index].append(param) params_to_optimize = [] for i, params in enumerate(block_params): if block_lrs[i] == 0: # 0のときは学習しない do not optimize when lr is 0 continue params_to_optimize.append({"params": params, "lr": block_lrs[i]}) return params_to_optimize def append_block_lr_to_logs(block_lrs, logs, lr_scheduler, optimizer_type): names = [] block_index = 0 while block_index < UNET_NUM_BLOCKS_FOR_BLOCK_LR + 2: if block_index < UNET_NUM_BLOCKS_FOR_BLOCK_LR: if block_lrs[block_index] == 0: block_index += 1 continue names.append(f"block{block_index}") elif block_index == UNET_NUM_BLOCKS_FOR_BLOCK_LR: names.append("text_encoder1") elif block_index == UNET_NUM_BLOCKS_FOR_BLOCK_LR + 1: names.append("text_encoder2") block_index += 1 train_util.append_lr_to_logs_with_names(logs, lr_scheduler, optimizer_type, names) def train(args): train_util.verify_training_args(args) train_util.prepare_dataset_args(args, True) sdxl_train_util.verify_sdxl_training_args(args) deepspeed_utils.prepare_deepspeed_args(args) setup_logging(args, reset=True) assert ( not args.weighted_captions or not args.cache_text_encoder_outputs ), "weighted_captions is not supported when caching text encoder outputs / cache_text_encoder_outputsを使うときはweighted_captionsはサポートされていません" assert ( not args.train_text_encoder or not args.cache_text_encoder_outputs ), "cache_text_encoder_outputs is not supported when training text encoder / text encoderを学習するときはcache_text_encoder_outputsはサポートされていません" if args.block_lr: block_lrs = [float(lr) for lr in args.block_lr.split(",")] assert ( len(block_lrs) == UNET_NUM_BLOCKS_FOR_BLOCK_LR ), f"block_lr must have {UNET_NUM_BLOCKS_FOR_BLOCK_LR} values / block_lrは{UNET_NUM_BLOCKS_FOR_BLOCK_LR}個の値を指定してください" else: block_lrs = None cache_latents = args.cache_latents use_dreambooth_method = args.in_json is None if args.seed is not None: set_seed(args.seed) # 乱数系列を初期化する tokenize_strategy = strategy_sdxl.SdxlTokenizeStrategy(args.max_token_length, args.tokenizer_cache_dir) strategy_base.TokenizeStrategy.set_strategy(tokenize_strategy) tokenizers = [tokenize_strategy.tokenizer1, tokenize_strategy.tokenizer2] # will be removed in the future # prepare caching strategy: this must be set before preparing dataset. because dataset may use this strategy for initialization. if args.cache_latents: latents_caching_strategy = strategy_sd.SdSdxlLatentsCachingStrategy( False, args.cache_latents_to_disk, args.vae_batch_size, args.skip_cache_check ) strategy_base.LatentsCachingStrategy.set_strategy(latents_caching_strategy) # データセットを準備する if args.dataset_class is None: blueprint_generator = BlueprintGenerator(ConfigSanitizer(True, True, args.masked_loss, True)) if args.dataset_config is not None: logger.info(f"Load dataset config from {args.dataset_config}") user_config = config_util.load_user_config(args.dataset_config) ignored = ["train_data_dir", "in_json"] if any(getattr(args, attr) is not None for attr in ignored): logger.warning( "ignore following options because config file is found: {0} / 設定ファイルが利用されるため以下のオプションは無視されます: {0}".format( ", ".join(ignored) ) ) else: if use_dreambooth_method: logger.info("Using DreamBooth method.") user_config = { "datasets": [ { "subsets": config_util.generate_dreambooth_subsets_config_by_subdirs( args.train_data_dir, args.reg_data_dir ) } ] } else: logger.info("Training with captions.") user_config = { "datasets": [ { "subsets": [ { "image_dir": args.train_data_dir, "metadata_file": args.in_json, } ] } ] } blueprint = blueprint_generator.generate(user_config, args) train_dataset_group, val_dataset_group = config_util.generate_dataset_group_by_blueprint(blueprint.dataset_group) else: train_dataset_group = train_util.load_arbitrary_dataset(args) val_dataset_group = None current_epoch = Value("i", 0) current_step = Value("i", 0) ds_for_collator = train_dataset_group if args.max_data_loader_n_workers == 0 else None collator = train_util.collator_class(current_epoch, current_step, ds_for_collator) train_dataset_group.verify_bucket_reso_steps(32) if args.debug_dataset: train_util.debug_dataset(train_dataset_group, True) return if len(train_dataset_group) == 0: logger.error( "No data found. Please verify the metadata file and train_data_dir option. / 画像がありません。メタデータおよびtrain_data_dirオプションを確認してください。" ) return if cache_latents: assert ( train_dataset_group.is_latent_cacheable() ), "when caching latents, either color_aug or random_crop cannot be used / latentをキャッシュするときはcolor_augとrandom_cropは使えません" if args.cache_text_encoder_outputs: assert ( train_dataset_group.is_text_encoder_output_cacheable() ), "when caching text encoder output, either caption_dropout_rate, shuffle_caption, token_warmup_step or caption_tag_dropout_rate cannot be used / text encoderの出力をキャッシュするときはcaption_dropout_rate, shuffle_caption, token_warmup_step, caption_tag_dropout_rateは使えません" # acceleratorを準備する logger.info("prepare accelerator") accelerator = train_util.prepare_accelerator(args) # mixed precisionに対応した型を用意しておき適宜castする weight_dtype, save_dtype = train_util.prepare_dtype(args) vae_dtype = torch.float32 if args.no_half_vae else weight_dtype # モデルを読み込む ( load_stable_diffusion_format, text_encoder1, text_encoder2, vae, unet, logit_scale, ckpt_info, ) = sdxl_train_util.load_target_model(args, accelerator, "sdxl", weight_dtype) # logit_scale = logit_scale.to(accelerator.device, dtype=weight_dtype) # verify load/save model formats if load_stable_diffusion_format: src_stable_diffusion_ckpt = args.pretrained_model_name_or_path src_diffusers_model_path = None else: src_stable_diffusion_ckpt = None src_diffusers_model_path = args.pretrained_model_name_or_path if args.save_model_as is None: save_stable_diffusion_format = load_stable_diffusion_format use_safetensors = args.use_safetensors else: save_stable_diffusion_format = args.save_model_as.lower() == "ckpt" or args.save_model_as.lower() == "safetensors" use_safetensors = args.use_safetensors or ("safetensors" in args.save_model_as.lower()) # assert save_stable_diffusion_format, "save_model_as must be ckpt or safetensors / save_model_asはckptかsafetensorsである必要があります" # Diffusers版のxformers使用フラグを設定する関数 def set_diffusers_xformers_flag(model, valid): def fn_recursive_set_mem_eff(module: torch.nn.Module): if hasattr(module, "set_use_memory_efficient_attention_xformers"): module.set_use_memory_efficient_attention_xformers(valid) for child in module.children(): fn_recursive_set_mem_eff(child) fn_recursive_set_mem_eff(model) # モデルに xformers とか memory efficient attention を組み込む if args.diffusers_xformers: # もうU-Netを独自にしたので動かないけどVAEのxformersは動くはず accelerator.print("Use xformers by Diffusers") # set_diffusers_xformers_flag(unet, True) set_diffusers_xformers_flag(vae, True) else: # Windows版のxformersはfloatで学習できなかったりするのでxformersを使わない設定も可能にしておく必要がある accelerator.print("Disable Diffusers' xformers") train_util.replace_unet_modules(unet, args.mem_eff_attn, args.xformers, args.sdpa) if torch.__version__ >= "2.0.0": # PyTorch 2.0.0 以上対応のxformersなら以下が使える vae.set_use_memory_efficient_attention_xformers(args.xformers) # 学習を準備する if cache_latents: vae.to(accelerator.device, dtype=vae_dtype) vae.requires_grad_(False) vae.eval() train_dataset_group.new_cache_latents(vae, accelerator) vae.to("cpu") clean_memory_on_device(accelerator.device) accelerator.wait_for_everyone() # 学習を準備する：モデルを適切な状態にする if args.gradient_checkpointing: unet.enable_gradient_checkpointing() train_unet = args.learning_rate != 0 train_text_encoder1 = False train_text_encoder2 = False text_encoding_strategy = strategy_sdxl.SdxlTextEncodingStrategy() strategy_base.TextEncodingStrategy.set_strategy(text_encoding_strategy) if args.train_text_encoder: # TODO each option for two text encoders? accelerator.print("enable text encoder training") if args.gradient_checkpointing: text_encoder1.gradient_checkpointing_enable() text_encoder2.gradient_checkpointing_enable() lr_te1 = args.learning_rate_te1 if args.learning_rate_te1 is not None else args.learning_rate # 0 means not train lr_te2 = args.learning_rate_te2 if args.learning_rate_te2 is not None else args.learning_rate # 0 means not train train_text_encoder1 = lr_te1 != 0 train_text_encoder2 = lr_te2 != 0 # caching one text encoder output is not supported if not train_text_encoder1: text_encoder1.to(weight_dtype) if not train_text_encoder2: text_encoder2.to(weight_dtype) text_encoder1.requires_grad_(train_text_encoder1) text_encoder2.requires_grad_(train_text_encoder2) text_encoder1.train(train_text_encoder1) text_encoder2.train(train_text_encoder2) else: text_encoder1.to(weight_dtype) text_encoder2.to(weight_dtype) text_encoder1.requires_grad_(False) text_encoder2.requires_grad_(False) text_encoder1.eval() text_encoder2.eval() # TextEncoderの出力をキャッシュする if args.cache_text_encoder_outputs: # Text Encodes are eval and no grad text_encoder_output_caching_strategy = strategy_sdxl.SdxlTextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, None, False, is_weighted=args.weighted_captions ) strategy_base.TextEncoderOutputsCachingStrategy.set_strategy(text_encoder_output_caching_strategy) text_encoder1.to(accelerator.device) text_encoder2.to(accelerator.device) with accelerator.autocast(): train_dataset_group.new_cache_text_encoder_outputs([text_encoder1, text_encoder2], accelerator) accelerator.wait_for_everyone() if not cache_latents: vae.requires_grad_(False) vae.eval() vae.to(accelerator.device, dtype=vae_dtype) unet.requires_grad_(train_unet) if not train_unet: unet.to(accelerator.device, dtype=weight_dtype) # because of unet is not prepared training_models = [] params_to_optimize = [] if train_unet: training_models.append(unet) if block_lrs is None: params_to_optimize.append({"params": list(unet.parameters()), "lr": args.learning_rate}) else: params_to_optimize.extend(get_block_params_to_optimize(unet, block_lrs)) if train_text_encoder1: training_models.append(text_encoder1) params_to_optimize.append({"params": list(text_encoder1.parameters()), "lr": args.learning_rate_te1 or args.learning_rate}) if train_text_encoder2: training_models.append(text_encoder2) params_to_optimize.append({"params": list(text_encoder2.parameters()), "lr": args.learning_rate_te2 or args.learning_rate}) # calculate number of trainable parameters n_params = 0 for group in params_to_optimize: for p in group["params"]: n_params += p.numel() accelerator.print(f"train unet: {train_unet}, text_encoder1: {train_text_encoder1}, text_encoder2: {train_text_encoder2}") accelerator.print(f"number of models: {len(training_models)}") accelerator.print(f"number of trainable parameters: {n_params}") # 学習に必要なクラスを準備する accelerator.print("prepare optimizer, data loader etc.") if args.fused_optimizer_groups: # fused backward pass: https://pytorch.org/tutorials/intermediate/optimizer_step_in_backward_tutorial.html # Instead of creating an optimizer for all parameters as in the tutorial, we create an optimizer for each group of parameters. # This balances memory usage and management complexity. # calculate total number of parameters n_total_params = sum(len(params["params"]) for params in params_to_optimize) params_per_group = math.ceil(n_total_params / args.fused_optimizer_groups) # split params into groups, keeping the learning rate the same for all params in a group # this will increase the number of groups if the learning rate is different for different params (e.g. U-Net and text encoders) grouped_params = [] param_group = [] param_group_lr = -1 for group in params_to_optimize: lr = group["lr"] for p in group["params"]: # if the learning rate is different for different params, start a new group if lr != param_group_lr: if param_group: grouped_params.append({"params": param_group, "lr": param_group_lr}) param_group = [] param_group_lr = lr param_group.append(p) # if the group has enough parameters, start a new group if len(param_group) == params_per_group: grouped_params.append({"params": param_group, "lr": param_group_lr}) param_group = [] param_group_lr = -1 if param_group: grouped_params.append({"params": param_group, "lr": param_group_lr}) # prepare optimizers for each group optimizers = [] for group in grouped_params: _, _, optimizer = train_util.get_optimizer(args, trainable_params=[group]) optimizers.append(optimizer) optimizer = optimizers[0] # avoid error in the following code logger.info(f"using {len(optimizers)} optimizers for fused optimizer groups") else: _, _, optimizer = train_util.get_optimizer(args, trainable_params=params_to_optimize) # prepare dataloader # strategies are set here because they cannot be referenced in another process. Copy them with the dataset # some strategies can be None train_dataset_group.set_current_strategies() # DataLoaderのプロセス数：0 は persistent_workers が使えないので注意 n_workers = min(args.max_data_loader_n_workers, os.cpu_count()) # cpu_count or max_data_loader_n_workers train_dataloader = torch.utils.data.DataLoader( train_dataset_group, batch_size=1, shuffle=True, collate_fn=collator, num_workers=n_workers, persistent_workers=args.persistent_data_loader_workers, ) # 学習ステップ数を計算する if args.max_train_epochs is not None: args.max_train_steps = args.max_train_epochs * math.ceil( len(train_dataloader) / accelerator.num_processes / args.gradient_accumulation_steps ) accelerator.print( f"override steps. steps for {args.max_train_epochs} epochs is / 指定エポックまでのステップ数: {args.max_train_steps}" ) # データセット側にも学習ステップを送信 train_dataset_group.set_max_train_steps(args.max_train_steps) # lr schedulerを用意する if args.fused_optimizer_groups: # prepare lr schedulers for each optimizer lr_schedulers = [train_util.get_scheduler_fix(args, optimizer, accelerator.num_processes) for optimizer in optimizers] lr_scheduler = lr_schedulers[0] # avoid error in the following code else: lr_scheduler = train_util.get_scheduler_fix(args, optimizer, accelerator.num_processes) # 実験的機能：勾配も含めたfp16/bf16学習を行う　モデル全体をfp16/bf16にする if args.full_fp16: assert ( args.mixed_precision == "fp16" ), "full_fp16 requires mixed precision='fp16' / full_fp16を使う場合はmixed_precision='fp16'を指定してください。" accelerator.print("enable full fp16 training.") unet.to(weight_dtype) text_encoder1.to(weight_dtype) text_encoder2.to(weight_dtype) elif args.full_bf16: assert ( args.mixed_precision == "bf16" ), "full_bf16 requires mixed precision='bf16' / full_bf16を使う場合はmixed_precision='bf16'を指定してください。" accelerator.print("enable full bf16 training.") unet.to(weight_dtype) text_encoder1.to(weight_dtype) text_encoder2.to(weight_dtype) # freeze last layer and final_layer_norm in te1 since we use the output of the penultimate layer if train_text_encoder1: text_encoder1.text_model.encoder.layers[-1].requires_grad_(False) text_encoder1.text_model.final_layer_norm.requires_grad_(False) if args.deepspeed: ds_model = deepspeed_utils.prepare_deepspeed_model( args, unet=unet if train_unet else None, text_encoder1=text_encoder1 if train_text_encoder1 else None, text_encoder2=text_encoder2 if train_text_encoder2 else None, ) # most of ZeRO stage uses optimizer partitioning, so we have to prepare optimizer and ds_model at the same time. # pull/1139#issuecomment-1986790007 ds_model, optimizer, train_dataloader, lr_scheduler = accelerator.prepare( ds_model, optimizer, train_dataloader, lr_scheduler ) training_models = [ds_model] else: # acceleratorがなんかよろしくやってくれるらしい if train_unet: unet = accelerator.prepare(unet) if train_text_encoder1: text_encoder1 = accelerator.prepare(text_encoder1) if train_text_encoder2: text_encoder2 = accelerator.prepare(text_encoder2) optimizer, train_dataloader, lr_scheduler = accelerator.prepare(optimizer, train_dataloader, lr_scheduler) # TextEncoderの出力をキャッシュするときにはCPUへ移動する if args.cache_text_encoder_outputs: # move Text Encoders for sampling images. Text Encoder doesn't work on CPU with fp16 text_encoder1.to("cpu", dtype=torch.float32) text_encoder2.to("cpu", dtype=torch.float32) clean_memory_on_device(accelerator.device) else: # make sure Text Encoders are on GPU text_encoder1.to(accelerator.device) text_encoder2.to(accelerator.device) # 実験的機能：勾配も含めたfp16学習を行う　PyTorchにパッチを当ててfp16でのgrad scaleを有効にする if args.full_fp16: # During deepseed training, accelerate not handles fp16/bf16|mixed precision directly via scaler. Let deepspeed engine do. # -> But we think it's ok to patch accelerator even if deepspeed is enabled. train_util.patch_accelerator_for_fp16_training(accelerator) # resumeする train_util.resume_from_local_or_hf_if_specified(accelerator, args) if args.fused_backward_pass: # use fused optimizer for backward pass: other optimizers will be supported in the future import library.adafactor_fused library.adafactor_fused.patch_adafactor_fused(optimizer) for param_group in optimizer.param_groups: for parameter in param_group["params"]: if parameter.requires_grad: def __grad_hook(tensor: torch.Tensor, param_group=param_group): if accelerator.sync_gradients and args.max_grad_norm != 0.0: accelerator.clip_grad_norm_(tensor, args.max_grad_norm) optimizer.step_param(tensor, param_group) tensor.grad = None parameter.register_post_accumulate_grad_hook(__grad_hook) elif args.fused_optimizer_groups: # prepare for additional optimizers and lr schedulers for i in range(1, len(optimizers)): optimizers[i] = accelerator.prepare(optimizers[i]) lr_schedulers[i] = accelerator.prepare(lr_schedulers[i]) # counters are used to determine when to step the optimizer global optimizer_hooked_count global num_parameters_per_group global parameter_optimizer_map optimizer_hooked_count = {} num_parameters_per_group = [0] * len(optimizers) parameter_optimizer_map = {} for opt_idx, optimizer in enumerate(optimizers): for param_group in optimizer.param_groups: for parameter in param_group["params"]: if parameter.requires_grad: def optimizer_hook(parameter: torch.Tensor): if accelerator.sync_gradients and args.max_grad_norm != 0.0: accelerator.clip_grad_norm_(parameter, args.max_grad_norm) i = parameter_optimizer_map[parameter] optimizer_hooked_count[i] += 1 if optimizer_hooked_count[i] == num_parameters_per_group[i]: optimizers[i].step() optimizers[i].zero_grad(set_to_none=True) parameter.register_post_accumulate_grad_hook(optimizer_hook) parameter_optimizer_map[parameter] = opt_idx num_parameters_per_group[opt_idx] += 1 # epoch数を計算する num_update_steps_per_epoch = math.ceil(len(train_dataloader) / args.gradient_accumulation_steps) num_train_epochs = math.ceil(args.max_train_steps / num_update_steps_per_epoch) if (args.save_n_epoch_ratio is not None) and (args.save_n_epoch_ratio > 0): args.save_every_n_epochs = math.floor(num_train_epochs / args.save_n_epoch_ratio) or 1 # 学習する # total_batch_size = args.train_batch_size * accelerator.num_processes * args.gradient_accumulation_steps accelerator.print("running training / 学習開始") accelerator.print(f" num examples / サンプル数: {train_dataset_group.num_train_images}") accelerator.print(f" num batches per epoch / 1epochのバッチ数: {len(train_dataloader)}") accelerator.print(f" num epochs / epoch数: {num_train_epochs}") accelerator.print( f" batch size per device / バッチサイズ: {', '.join([str(d.batch_size) for d in train_dataset_group.datasets])}" ) # accelerator.print( # f" total train batch size (with parallel & distributed & accumulation) / 総バッチサイズ（並列学習、勾配合計含む）: {total_batch_size}" # ) accelerator.print(f" gradient accumulation steps / 勾配を合計するステップ数 = {args.gradient_accumulation_steps}") accelerator.print(f" total optimization steps / 学習ステップ数: {args.max_train_steps}") progress_bar = tqdm(range(args.max_train_steps), smoothing=0, disable=not accelerator.is_local_main_process, desc="steps") global_step = 0 noise_scheduler = DDPMScheduler( beta_start=0.00085, beta_end=0.012, beta_schedule="scaled_linear", num_train_timesteps=1000, clip_sample=False ) prepare_scheduler_for_custom_training(noise_scheduler, accelerator.device) if args.zero_terminal_snr: custom_train_functions.fix_noise_scheduler_betas_for_zero_terminal_snr(noise_scheduler) if accelerator.is_main_process: init_kwargs = {} if args.wandb_run_name: init_kwargs["wandb"] = {"name": args.wandb_run_name} if args.log_tracker_config is not None: init_kwargs = toml.load(args.log_tracker_config) accelerator.init_trackers( "finetuning" if args.log_tracker_name is None else args.log_tracker_name, config=train_util.get_sanitized_config_or_none(args), init_kwargs=init_kwargs, ) # For --sample_at_first sdxl_train_util.sample_images( accelerator, args, 0, global_step, accelerator.device, vae, tokenizers, [text_encoder1, text_encoder2], unet ) if len(accelerator.trackers) > 0: # log empty object to commit the sample images to wandb accelerator.log({}, step=0) loss_recorder = train_util.LossRecorder() for epoch in range(num_train_epochs): accelerator.print(f"\nepoch {epoch+1}/{num_train_epochs}") current_epoch.value = epoch + 1 for m in training_models: m.train() for step, batch in enumerate(train_dataloader): current_step.value = global_step if args.fused_optimizer_groups: optimizer_hooked_count = {i: 0 for i in range(len(optimizers))} # reset counter for each step with accelerator.accumulate(*training_models): if "latents" in batch and batch["latents"] is not None: latents = batch["latents"].to(accelerator.device).to(dtype=weight_dtype) else: with torch.no_grad(): # latentに変換 latents = vae.encode(batch["images"].to(vae_dtype)).latent_dist.sample().to(weight_dtype) # NaNが含まれていれば警告を表示し0に置き換える if torch.any(torch.isnan(latents)): accelerator.print("NaN found in latents, replacing with zeros") latents = torch.nan_to_num(latents, 0, out=latents) latents = latents * sdxl_model_util.VAE_SCALE_FACTOR text_encoder_outputs_list = batch.get("text_encoder_outputs_list", None) if text_encoder_outputs_list is not None: # Text Encoder outputs are cached encoder_hidden_states1, encoder_hidden_states2, pool2 = text_encoder_outputs_list encoder_hidden_states1 = encoder_hidden_states1.to(accelerator.device, dtype=weight_dtype) encoder_hidden_states2 = encoder_hidden_states2.to(accelerator.device, dtype=weight_dtype) pool2 = pool2.to(accelerator.device, dtype=weight_dtype) else: input_ids1, input_ids2 = batch["input_ids_list"] with torch.set_grad_enabled(args.train_text_encoder): # Get the text embedding for conditioning if args.weighted_captions: input_ids_list, weights_list = tokenize_strategy.tokenize_with_weights(batch["captions"]) encoder_hidden_states1, encoder_hidden_states2, pool2 = ( text_encoding_strategy.encode_tokens_with_weights( tokenize_strategy, [text_encoder1, text_encoder2, accelerator.unwrap_model(text_encoder2)], input_ids_list, weights_list, ) ) else: input_ids1 = input_ids1.to(accelerator.device) input_ids2 = input_ids2.to(accelerator.device) encoder_hidden_states1, encoder_hidden_states2, pool2 = text_encoding_strategy.encode_tokens( tokenize_strategy, [text_encoder1, text_encoder2, accelerator.unwrap_model(text_encoder2)], [input_ids1, input_ids2], ) if args.full_fp16: encoder_hidden_states1 = encoder_hidden_states1.to(weight_dtype) encoder_hidden_states2 = encoder_hidden_states2.to(weight_dtype) pool2 = pool2.to(weight_dtype) # get size embeddings orig_size = batch["original_sizes_hw"] crop_size = batch["crop_top_lefts"] target_size = batch["target_sizes_hw"] embs = sdxl_train_util.get_size_embeddings(orig_size, crop_size, target_size, accelerator.device).to(weight_dtype) # concat embeddings vector_embedding = torch.cat([pool2, embs], dim=1).to(weight_dtype) text_embedding = torch.cat([encoder_hidden_states1, encoder_hidden_states2], dim=2).to(weight_dtype) # Sample noise, sample a random timestep for each image, and add noise to the latents, # with noise offset and/or multires noise if specified noise, noisy_latents, timesteps = train_util.get_noise_noisy_latents_and_timesteps(args, noise_scheduler, latents) noisy_latents = noisy_latents.to(weight_dtype) # TODO check why noisy_latents is not weight_dtype # Predict the noise residual with accelerator.autocast(): noise_pred = unet(noisy_latents, timesteps, text_embedding, vector_embedding) if args.v_parameterization: # v-parameterization training target = noise_scheduler.get_velocity(latents, noise, timesteps) else: target = noise huber_c = train_util.get_huber_threshold_if_needed(args, timesteps, noise_scheduler) if ( args.min_snr_gamma or args.scale_v_pred_loss_like_noise_pred or args.v_pred_like_loss or args.debiased_estimation_loss or args.masked_loss ): # do not mean over batch dimension for snr weight or scale v-pred loss loss = train_util.conditional_loss(noise_pred.float(), target.float(), args.loss_type, "none", huber_c) if args.masked_loss or ("alpha_masks" in batch and batch["alpha_masks"] is not None): loss = apply_masked_loss(loss, batch) loss = loss.mean([1, 2, 3]) if args.min_snr_gamma: loss = apply_snr_weight(loss, timesteps, noise_scheduler, args.min_snr_gamma, args.v_parameterization) if args.scale_v_pred_loss_like_noise_pred: loss = scale_v_prediction_loss_like_noise_prediction(loss, timesteps, noise_scheduler) if args.v_pred_like_loss: loss = add_v_prediction_like_loss(loss, timesteps, noise_scheduler, args.v_pred_like_loss) if args.debiased_estimation_loss: loss = apply_debiased_estimation(loss, timesteps, noise_scheduler, args.v_parameterization) loss = loss.mean() # mean over batch dimension else: loss = train_util.conditional_loss(noise_pred.float(), target.float(), args.loss_type, "mean", huber_c) accelerator.backward(loss) if not (args.fused_backward_pass or args.fused_optimizer_groups): if accelerator.sync_gradients and args.max_grad_norm != 0.0: params_to_clip = [] for m in training_models: params_to_clip.extend(m.parameters()) accelerator.clip_grad_norm_(params_to_clip, args.max_grad_norm) optimizer.step() lr_scheduler.step() optimizer.zero_grad(set_to_none=True) else: # optimizer.step() and optimizer.zero_grad() are called in the optimizer hook lr_scheduler.step() if args.fused_optimizer_groups: for i in range(1, len(optimizers)): lr_schedulers[i].step() # Checks if the accelerator has performed an optimization step behind the scenes if accelerator.sync_gradients: progress_bar.update(1) global_step += 1 sdxl_train_util.sample_images( accelerator, args, None, global_step, accelerator.device, vae, tokenizers, [text_encoder1, text_encoder2], unet, ) # 指定ステップごとにモデルを保存 if args.save_every_n_steps is not None and global_step % args.save_every_n_steps == 0: accelerator.wait_for_everyone() if accelerator.is_main_process: src_path = src_stable_diffusion_ckpt if save_stable_diffusion_format else src_diffusers_model_path sdxl_train_util.save_sd_model_on_epoch_end_or_stepwise( args, False, accelerator, src_path, save_stable_diffusion_format, use_safetensors, save_dtype, epoch, num_train_epochs, global_step, accelerator.unwrap_model(text_encoder1), accelerator.unwrap_model(text_encoder2), accelerator.unwrap_model(unet), vae, logit_scale, ckpt_info, ) current_loss = loss.detach().item() # 平均なのでbatch sizeは関係ないはず if len(accelerator.trackers) > 0: logs = {"loss": current_loss} if block_lrs is None: train_util.append_lr_to_logs(logs, lr_scheduler, args.optimizer_type, including_unet=train_unet) else: append_block_lr_to_logs(block_lrs, logs, lr_scheduler, args.optimizer_type) # U-Net is included in block_lrs accelerator.log(logs, step=global_step) loss_recorder.add(epoch=epoch, step=step, loss=current_loss) avr_loss: float = loss_recorder.moving_average logs = {"avr_loss": avr_loss} # , "lr": lr_scheduler.get_last_lr()[0]} progress_bar.set_postfix(**logs) if global_step >= args.max_train_steps: break if len(accelerator.trackers) > 0: logs = {"loss/epoch": loss_recorder.moving_average} accelerator.log(logs, step=epoch + 1) accelerator.wait_for_everyone() if args.save_every_n_epochs is not None: if accelerator.is_main_process: src_path = src_stable_diffusion_ckpt if save_stable_diffusion_format else src_diffusers_model_path sdxl_train_util.save_sd_model_on_epoch_end_or_stepwise( args, True, accelerator, src_path, save_stable_diffusion_format, use_safetensors, save_dtype, epoch, num_train_epochs, global_step, accelerator.unwrap_model(text_encoder1), accelerator.unwrap_model(text_encoder2), accelerator.unwrap_model(unet), vae, logit_scale, ckpt_info, ) sdxl_train_util.sample_images( accelerator, args, epoch + 1, global_step, accelerator.device, vae, tokenizers, [text_encoder1, text_encoder2], unet, ) is_main_process = accelerator.is_main_process # if is_main_process: unet = accelerator.unwrap_model(unet) text_encoder1 = accelerator.unwrap_model(text_encoder1) text_encoder2 = accelerator.unwrap_model(text_encoder2) accelerator.end_training() if args.save_state or args.save_state_on_train_end: train_util.save_state_on_train_end(args, accelerator) del accelerator # この後メモリを使うのでこれは消す if is_main_process: src_path = src_stable_diffusion_ckpt if save_stable_diffusion_format else src_diffusers_model_path sdxl_train_util.save_sd_model_on_train_end( args, src_path, save_stable_diffusion_format, use_safetensors, save_dtype, epoch, global_step, text_encoder1, text_encoder2, unet, vae, logit_scale, ckpt_info, ) logger.info("model saved.") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) train_util.add_sd_models_arguments(parser) sai_model_spec.add_model_spec_arguments(parser) train_util.add_dataset_arguments(parser, True, True, True) train_util.add_training_arguments(parser, False) train_util.add_masked_loss_arguments(parser) deepspeed_utils.add_deepspeed_arguments(parser) train_util.add_sd_saving_arguments(parser) train_util.add_optimizer_arguments(parser) config_util.add_config_arguments(parser) custom_train_functions.add_custom_train_arguments(parser) sdxl_train_util.add_sdxl_training_arguments(parser) parser.add_argument( "--learning_rate_te1", type=float, default=None, help="learning rate for text encoder 1 (ViT-L) / text encoder 1 (ViT-L)の学習率", ) parser.add_argument( "--learning_rate_te2", type=float, default=None, help="learning rate for text encoder 2 (BiG-G) / text encoder 2 (BiG-G)の学習率", ) parser.add_argument( "--diffusers_xformers", action="store_true", help="use xformers by diffusers / Diffusersでxformersを使用する" ) parser.add_argument("--train_text_encoder", action="store_true", help="train text encoder / text encoderも学習する") parser.add_argument( "--no_half_vae", action="store_true", help="do not use fp16/bf16 VAE in mixed precision (use float VAE) / mixed precisionでも fp16/bf16 VAEを使わずfloat VAEを使う", ) parser.add_argument( "--block_lr", type=str, default=None, help=f"learning rates for each block of U-Net, comma-separated, {UNET_NUM_BLOCKS_FOR_BLOCK_LR} values / " + f"U-Netの各ブロックの学習率、カンマ区切り、{UNET_NUM_BLOCKS_FOR_BLOCK_LR}個の値", ) parser.add_argument( "--fused_optimizer_groups", type=int, default=None, help="number of optimizers for fused backward pass and optimizer step / fused backward passとoptimizer stepのためのoptimizer数", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) train(args) ================================================ FILE: sdxl_train_control_net.py ================================================ import argparse import math import os import random from multiprocessing import Value import toml from tqdm import tqdm import torch from library.device_utils import init_ipex, clean_memory_on_device init_ipex() from accelerate.utils import set_seed from accelerate import init_empty_weights from diffusers import DDPMScheduler from diffusers.utils.torch_utils import is_compiled_module from safetensors.torch import load_file from library import ( deepspeed_utils, sai_model_spec, sdxl_model_util, sdxl_train_util, strategy_base, strategy_sd, strategy_sdxl, sai_model_spec ) import library.train_util as train_util import library.config_util as config_util from library.config_util import ( ConfigSanitizer, BlueprintGenerator, ) import library.huggingface_util as huggingface_util import library.custom_train_functions as custom_train_functions from library.custom_train_functions import ( add_v_prediction_like_loss, apply_snr_weight, prepare_scheduler_for_custom_training, scale_v_prediction_loss_like_noise_prediction, apply_debiased_estimation, ) from library.sdxl_original_control_net import SdxlControlNet, SdxlControlledUNet from library.utils import setup_logging, add_logging_arguments setup_logging() import logging logger = logging.getLogger(__name__) # TODO 他のスクリプトと共通化する def generate_step_logs(args: argparse.Namespace, current_loss, avr_loss, lr_scheduler): logs = { "loss/current": current_loss, "loss/average": avr_loss, "lr": lr_scheduler.get_last_lr()[0], } if args.optimizer_type.lower().startswith("DAdapt".lower()): logs["lr/d*lr"] = lr_scheduler.optimizers[-1].param_groups[0]["d"] * lr_scheduler.optimizers[-1].param_groups[0]["lr"] return logs def train(args): train_util.verify_training_args(args) train_util.prepare_dataset_args(args, True) sdxl_train_util.verify_sdxl_training_args(args) setup_logging(args, reset=True) cache_latents = args.cache_latents use_user_config = args.dataset_config is not None if args.seed is None: args.seed = random.randint(0, 2**32) set_seed(args.seed) tokenize_strategy = strategy_sdxl.SdxlTokenizeStrategy(args.max_token_length, args.tokenizer_cache_dir) strategy_base.TokenizeStrategy.set_strategy(tokenize_strategy) tokenizer1, tokenizer2 = tokenize_strategy.tokenizer1, tokenize_strategy.tokenizer2 # this is used for sampling images # prepare caching strategy: this must be set before preparing dataset. because dataset may use this strategy for initialization. latents_caching_strategy = strategy_sd.SdSdxlLatentsCachingStrategy( False, args.cache_latents_to_disk, args.vae_batch_size, args.skip_cache_check ) strategy_base.LatentsCachingStrategy.set_strategy(latents_caching_strategy) # データセットを準備する blueprint_generator = BlueprintGenerator(ConfigSanitizer(False, False, True, True)) if use_user_config: logger.info(f"Load dataset config from {args.dataset_config}") user_config = config_util.load_user_config(args.dataset_config) ignored = ["train_data_dir", "conditioning_data_dir"] if any(getattr(args, attr) is not None for attr in ignored): logger.warning( "ignore following options because config file is found: {0} / 設定ファイルが利用されるため以下のオプションは無視されます: {0}".format( ", ".join(ignored) ) ) else: user_config = { "datasets": [ { "subsets": config_util.generate_controlnet_subsets_config_by_subdirs( args.train_data_dir, args.conditioning_data_dir, args.caption_extension, ) } ] } blueprint = blueprint_generator.generate(user_config, args) train_dataset_group, val_dataset_group = config_util.generate_dataset_group_by_blueprint(blueprint.dataset_group) current_epoch = Value("i", 0) current_step = Value("i", 0) ds_for_collator = train_dataset_group if args.max_data_loader_n_workers == 0 else None collator = train_util.collator_class(current_epoch, current_step, ds_for_collator) train_dataset_group.verify_bucket_reso_steps(32) if args.debug_dataset: train_dataset_group.set_current_strategies() # dasaset needs to know the strategies explicitly train_util.debug_dataset(train_dataset_group) return if len(train_dataset_group) == 0: logger.error( "No data found. Please verify arguments (train_data_dir must be the parent of folders with images) / 画像がありません。引数指定を確認してください（train_data_dirには画像があるフォルダではなく、画像があるフォルダの親フォルダを指定する必要があります）" ) return if cache_latents: assert ( train_dataset_group.is_latent_cacheable() ), "when caching latents, either color_aug or random_crop cannot be used / latentをキャッシュするときはcolor_augとrandom_cropは使えません" else: logger.warning( "WARNING: random_crop is not supported yet for ControlNet training / ControlNetの学習ではrandom_cropはまだサポートされていません" ) if args.cache_text_encoder_outputs: assert ( train_dataset_group.is_text_encoder_output_cacheable() ), "when caching Text Encoder output, either caption_dropout_rate, shuffle_caption, token_warmup_step or caption_tag_dropout_rate cannot be used / Text Encoderの出力をキャッシュするときはcaption_dropout_rate, shuffle_caption, token_warmup_step, caption_tag_dropout_rateは使えません" # acceleratorを準備する logger.info("prepare accelerator") accelerator = train_util.prepare_accelerator(args) is_main_process = accelerator.is_main_process def unwrap_model(model): model = accelerator.unwrap_model(model) model = model._orig_mod if is_compiled_module(model) else model return model # mixed precisionに対応した型を用意しておき適宜castする weight_dtype, save_dtype = train_util.prepare_dtype(args) vae_dtype = torch.float32 if args.no_half_vae else weight_dtype # モデルを読み込む ( load_stable_diffusion_format, text_encoder1, text_encoder2, vae, unet, logit_scale, ckpt_info, ) = sdxl_train_util.load_target_model(args, accelerator, sdxl_model_util.MODEL_VERSION_SDXL_BASE_V1_0, weight_dtype) unet.to(accelerator.device) # reduce main memory usage # convert U-Net to Controlled U-Net logger.info("convert U-Net to Controlled U-Net") unet_sd = unet.state_dict() with init_empty_weights(): unet = SdxlControlledUNet() unet.load_state_dict(unet_sd, strict=True, assign=True) del unet_sd # make control net logger.info("make ControlNet") if args.controlnet_model_name_or_path: with init_empty_weights(): control_net = SdxlControlNet() logger.info(f"load ControlNet from {args.controlnet_model_name_or_path}") filename = args.controlnet_model_name_or_path if os.path.splitext(filename)[1] == ".safetensors": state_dict = load_file(filename) else: state_dict = torch.load(filename) info = control_net.load_state_dict(state_dict, strict=True, assign=True) logger.info(f"ControlNet loaded from {filename}: {info}") else: control_net = SdxlControlNet() logger.info("initialize ControlNet from U-Net") info = control_net.init_from_unet(unet) logger.info(f"ControlNet initialized from U-Net: {info}") # 学習を準備する if cache_latents: vae.to(accelerator.device, dtype=vae_dtype) vae.requires_grad_(False) vae.eval() train_dataset_group.new_cache_latents(vae, accelerator) vae.to("cpu") clean_memory_on_device(accelerator.device) accelerator.wait_for_everyone() text_encoding_strategy = strategy_sdxl.SdxlTextEncodingStrategy() strategy_base.TextEncodingStrategy.set_strategy(text_encoding_strategy) # TextEncoderの出力をキャッシュする if args.cache_text_encoder_outputs: # Text Encodes are eval and no grad text_encoder_output_caching_strategy = strategy_sdxl.SdxlTextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, None, False ) strategy_base.TextEncoderOutputsCachingStrategy.set_strategy(text_encoder_output_caching_strategy) text_encoder1.to(accelerator.device) text_encoder2.to(accelerator.device) with accelerator.autocast(): train_dataset_group.new_cache_text_encoder_outputs([text_encoder1, text_encoder2], accelerator) accelerator.wait_for_everyone() # モデルに xformers とか memory efficient attention を組み込む # train_util.replace_unet_modules(unet, args.mem_eff_attn, args.xformers, args.sdpa) if args.xformers: unet.set_use_memory_efficient_attention(True, False) control_net.set_use_memory_efficient_attention(True, False) elif args.sdpa: unet.set_use_sdpa(True) control_net.set_use_sdpa(True) if args.gradient_checkpointing: unet.enable_gradient_checkpointing() control_net.enable_gradient_checkpointing() # 学習に必要なクラスを準備する accelerator.print("prepare optimizer, data loader etc.") trainable_params = [] ctrlnet_params = [] unet_params = [] for name, param in control_net.named_parameters(): if name.startswith("controlnet_"): ctrlnet_params.append(param) else: unet_params.append(param) trainable_params.append({"params": ctrlnet_params, "lr": args.control_net_lr}) trainable_params.append({"params": unet_params, "lr": args.learning_rate}) all_params = ctrlnet_params + unet_params logger.info(f"trainable params count: {len(all_params)}") logger.info(f"number of trainable parameters: {sum(p.numel() for p in all_params)}") _, _, optimizer = train_util.get_optimizer(args, trainable_params) # prepare dataloader # strategies are set here because they cannot be referenced in another process. Copy them with the dataset # some strategies can be None train_dataset_group.set_current_strategies() # DataLoaderのプロセス数：0 は persistent_workers が使えないので注意 n_workers = min(args.max_data_loader_n_workers, os.cpu_count()) # cpu_count or max_data_loader_n_workers train_dataloader = torch.utils.data.DataLoader( train_dataset_group, batch_size=1, shuffle=True, collate_fn=collator, num_workers=n_workers, persistent_workers=args.persistent_data_loader_workers, ) # 学習ステップ数を計算する if args.max_train_epochs is not None: args.max_train_steps = args.max_train_epochs * math.ceil( len(train_dataloader) / accelerator.num_processes / args.gradient_accumulation_steps ) accelerator.print( f"override steps. steps for {args.max_train_epochs} epochs is / 指定エポックまでのステップ数: {args.max_train_steps}" ) # データセット側にも学習ステップを送信 train_dataset_group.set_max_train_steps(args.max_train_steps) # lr schedulerを用意する lr_scheduler = train_util.get_scheduler_fix(args, optimizer, accelerator.num_processes) # 実験的機能：勾配も含めたfp16/bf16学習を行う　モデル全体をfp16/bf16にする if args.full_fp16: assert ( args.mixed_precision == "fp16" ), "full_fp16 requires mixed precision='fp16' / full_fp16を使う場合はmixed_precision='fp16'を指定してください。" accelerator.print("enable full fp16 training.") control_net.to(weight_dtype) elif args.full_bf16: assert ( args.mixed_precision == "bf16" ), "full_bf16 requires mixed precision='bf16' / full_bf16を使う場合はmixed_precision='bf16'を指定してください。" accelerator.print("enable full bf16 training.") control_net.to(weight_dtype) # acceleratorがなんかよろしくやってくれるらしい control_net, optimizer, train_dataloader, lr_scheduler = accelerator.prepare( control_net, optimizer, train_dataloader, lr_scheduler ) if args.fused_backward_pass: # use fused optimizer for backward pass: other optimizers will be supported in the future import library.adafactor_fused library.adafactor_fused.patch_adafactor_fused(optimizer) for param_group in optimizer.param_groups: for parameter in param_group["params"]: if parameter.requires_grad: def __grad_hook(tensor: torch.Tensor, param_group=param_group): if accelerator.sync_gradients and args.max_grad_norm != 0.0: accelerator.clip_grad_norm_(tensor, args.max_grad_norm) optimizer.step_param(tensor, param_group) tensor.grad = None parameter.register_post_accumulate_grad_hook(__grad_hook) unet.requires_grad_(False) text_encoder1.requires_grad_(False) text_encoder2.requires_grad_(False) unet.to(accelerator.device, dtype=weight_dtype) unet.eval() control_net.train() # TextEncoderの出力をキャッシュするときにはCPUへ移動する if args.cache_text_encoder_outputs: # move Text Encoders for sampling images. Text Encoder doesn't work on CPU with fp16 text_encoder1.to("cpu", dtype=torch.float32) text_encoder2.to("cpu", dtype=torch.float32) clean_memory_on_device(accelerator.device) else: # make sure Text Encoders are on GPU text_encoder1.to(accelerator.device) text_encoder2.to(accelerator.device) if not cache_latents: vae.requires_grad_(False) vae.eval() vae.to(accelerator.device, dtype=vae_dtype) # 実験的機能：勾配も含めたfp16学習を行う　PyTorchにパッチを当ててfp16でのgrad scaleを有効にする if args.full_fp16: train_util.patch_accelerator_for_fp16_training(accelerator) # resumeする train_util.resume_from_local_or_hf_if_specified(accelerator, args) # epoch数を計算する num_update_steps_per_epoch = math.ceil(len(train_dataloader) / args.gradient_accumulation_steps) num_train_epochs = math.ceil(args.max_train_steps / num_update_steps_per_epoch) if (args.save_n_epoch_ratio is not None) and (args.save_n_epoch_ratio > 0): args.save_every_n_epochs = math.floor(num_train_epochs / args.save_n_epoch_ratio) or 1 # 学習する # TODO: find a way to handle total batch size when there are multiple datasets accelerator.print("running training / 学習開始") accelerator.print(f" num train images * repeats / 学習画像の数×繰り返し回数: {train_dataset_group.num_train_images}") accelerator.print(f" num reg images / 正則化画像の数: {train_dataset_group.num_reg_images}") accelerator.print(f" num batches per epoch / 1epochのバッチ数: {len(train_dataloader)}") accelerator.print(f" num epochs / epoch数: {num_train_epochs}") accelerator.print( f" batch size per device / バッチサイズ: {', '.join([str(d.batch_size) for d in train_dataset_group.datasets])}" ) # logger.info(f" total train batch size (with parallel & distributed & accumulation) / 総バッチサイズ（並列学習、勾配合計含む）: {total_batch_size}") accelerator.print(f" gradient accumulation steps / 勾配を合計するステップ数 = {args.gradient_accumulation_steps}") accelerator.print(f" total optimization steps / 学習ステップ数: {args.max_train_steps}") progress_bar = tqdm(range(args.max_train_steps), smoothing=0, disable=not accelerator.is_local_main_process, desc="steps") global_step = 0 noise_scheduler = DDPMScheduler( beta_start=0.00085, beta_end=0.012, beta_schedule="scaled_linear", num_train_timesteps=1000, clip_sample=False ) prepare_scheduler_for_custom_training(noise_scheduler, accelerator.device) if args.zero_terminal_snr: custom_train_functions.fix_noise_scheduler_betas_for_zero_terminal_snr(noise_scheduler) if accelerator.is_main_process: init_kwargs = {} if args.wandb_run_name: init_kwargs["wandb"] = {"name": args.wandb_run_name} if args.log_tracker_config is not None: init_kwargs = toml.load(args.log_tracker_config) accelerator.init_trackers( ("sdxl_control_net_train" if args.log_tracker_name is None else args.log_tracker_name), config=train_util.get_sanitized_config_or_none(args), init_kwargs=init_kwargs, ) loss_recorder = train_util.LossRecorder() del train_dataset_group # function for saving/removing def save_model(ckpt_name, model, force_sync_upload=False): os.makedirs(args.output_dir, exist_ok=True) ckpt_file = os.path.join(args.output_dir, ckpt_name) accelerator.print(f"\nsaving checkpoint: {ckpt_file}") sai_metadata = train_util.get_sai_model_spec(None, args, True, True, False) sai_metadata["modelspec.architecture"] = sai_model_spec.ARCH_SD_XL_V1_BASE + "/controlnet" state_dict = model.state_dict() if save_dtype is not None: for key in list(state_dict.keys()): v = state_dict[key] v = v.detach().clone().to("cpu").to(save_dtype) state_dict[key] = v if os.path.splitext(ckpt_file)[1] == ".safetensors": from safetensors.torch import save_file save_file(state_dict, ckpt_file, sai_metadata) else: torch.save(state_dict, ckpt_file) if args.huggingface_repo_id is not None: huggingface_util.upload(args, ckpt_file, "/" + ckpt_name, force_sync_upload=force_sync_upload) def remove_model(old_ckpt_name): old_ckpt_file = os.path.join(args.output_dir, old_ckpt_name) if os.path.exists(old_ckpt_file): accelerator.print(f"removing old checkpoint: {old_ckpt_file}") os.remove(old_ckpt_file) # For --sample_at_first sdxl_train_util.sample_images( accelerator, args, 0, global_step, accelerator.device, vae, [tokenizer1, tokenizer2], [text_encoder1, text_encoder2, unwrap_model(text_encoder2)], unet, controlnet=control_net, ) # training loop for epoch in range(num_train_epochs): accelerator.print(f"\nepoch {epoch+1}/{num_train_epochs}") current_epoch.value = epoch + 1 control_net.train() for step, batch in enumerate(train_dataloader): current_step.value = global_step with accelerator.accumulate(control_net): with torch.no_grad(): if "latents" in batch and batch["latents"] is not None: latents = batch["latents"].to(accelerator.device).to(dtype=weight_dtype) else: # latentに変換 latents = vae.encode(batch["images"].to(dtype=vae_dtype)).latent_dist.sample().to(dtype=weight_dtype) # NaNが含まれていれば警告を表示し0に置き換える if torch.any(torch.isnan(latents)): accelerator.print("NaN found in latents, replacing with zeros") latents = torch.nan_to_num(latents, 0, out=latents) latents = latents * sdxl_model_util.VAE_SCALE_FACTOR text_encoder_outputs_list = batch.get("text_encoder_outputs_list", None) if text_encoder_outputs_list is not None: # Text Encoder outputs are cached encoder_hidden_states1, encoder_hidden_states2, pool2 = text_encoder_outputs_list encoder_hidden_states1 = encoder_hidden_states1.to(accelerator.device, dtype=weight_dtype) encoder_hidden_states2 = encoder_hidden_states2.to(accelerator.device, dtype=weight_dtype) pool2 = pool2.to(accelerator.device, dtype=weight_dtype) else: input_ids1, input_ids2 = batch["input_ids_list"] with torch.no_grad(): input_ids1 = input_ids1.to(accelerator.device) input_ids2 = input_ids2.to(accelerator.device) encoder_hidden_states1, encoder_hidden_states2, pool2 = text_encoding_strategy.encode_tokens( tokenize_strategy, [text_encoder1, text_encoder2, unwrap_model(text_encoder2)], [input_ids1, input_ids2] ) if args.full_fp16: encoder_hidden_states1 = encoder_hidden_states1.to(weight_dtype) encoder_hidden_states2 = encoder_hidden_states2.to(weight_dtype) pool2 = pool2.to(weight_dtype) # get size embeddings orig_size = batch["original_sizes_hw"] crop_size = batch["crop_top_lefts"] target_size = batch["target_sizes_hw"] embs = sdxl_train_util.get_size_embeddings(orig_size, crop_size, target_size, accelerator.device).to(weight_dtype) # concat embeddings vector_embedding = torch.cat([pool2, embs], dim=1).to(weight_dtype) text_embedding = torch.cat([encoder_hidden_states1, encoder_hidden_states2], dim=2).to(weight_dtype) # Sample noise, sample a random timestep for each image, and add noise to the latents, # with noise offset and/or multires noise if specified noise, noisy_latents, timesteps = train_util.get_noise_noisy_latents_and_timesteps(args, noise_scheduler, latents) controlnet_image = batch["conditioning_images"].to(dtype=weight_dtype) # '-1 to +1' to '0 to 1' controlnet_image = (controlnet_image + 1) / 2 with accelerator.autocast(): input_resi_add, mid_add = control_net( noisy_latents, timesteps, text_embedding, vector_embedding, controlnet_image ) noise_pred = unet(noisy_latents, timesteps, text_embedding, vector_embedding, input_resi_add, mid_add) if args.v_parameterization: # v-parameterization training target = noise_scheduler.get_velocity(latents, noise, timesteps) else: target = noise huber_c = train_util.get_huber_threshold_if_needed(args, timesteps, noise_scheduler) loss = train_util.conditional_loss(noise_pred.float(), target.float(), args.loss_type, "none", huber_c) loss = loss.mean([1, 2, 3]) loss_weights = batch["loss_weights"] # 各sampleごとのweight loss = loss * loss_weights if args.min_snr_gamma: loss = apply_snr_weight(loss, timesteps, noise_scheduler, args.min_snr_gamma, args.v_parameterization) if args.scale_v_pred_loss_like_noise_pred: loss = scale_v_prediction_loss_like_noise_prediction(loss, timesteps, noise_scheduler) if args.v_pred_like_loss: loss = add_v_prediction_like_loss(loss, timesteps, noise_scheduler, args.v_pred_like_loss) if args.debiased_estimation_loss: loss = apply_debiased_estimation(loss, timesteps, noise_scheduler) loss = loss.mean() # 平均なのでbatch_sizeで割る必要なし accelerator.backward(loss) if not args.fused_backward_pass: if accelerator.sync_gradients and args.max_grad_norm != 0.0: params_to_clip = control_net.parameters() accelerator.clip_grad_norm_(params_to_clip, args.max_grad_norm) optimizer.step() lr_scheduler.step() optimizer.zero_grad(set_to_none=True) else: # optimizer.step() and optimizer.zero_grad() are called in the optimizer hook lr_scheduler.step() # Checks if the accelerator has performed an optimization step behind the scenes if accelerator.sync_gradients: progress_bar.update(1) global_step += 1 sdxl_train_util.sample_images( accelerator, args, None, global_step, accelerator.device, vae, [tokenizer1, tokenizer2], [text_encoder1, text_encoder2, unwrap_model(text_encoder2)], unet, controlnet=control_net, ) # 指定ステップごとにモデルを保存 if args.save_every_n_steps is not None and global_step % args.save_every_n_steps == 0: accelerator.wait_for_everyone() if accelerator.is_main_process: ckpt_name = train_util.get_step_ckpt_name(args, "." + args.save_model_as, global_step) save_model(ckpt_name, unwrap_model(control_net)) if args.save_state: train_util.save_and_remove_state_stepwise(args, accelerator, global_step) remove_step_no = train_util.get_remove_step_no(args, global_step) if remove_step_no is not None: remove_ckpt_name = train_util.get_step_ckpt_name(args, "." + args.save_model_as, remove_step_no) remove_model(remove_ckpt_name) current_loss = loss.detach().item() loss_recorder.add(epoch=epoch, step=step, loss=current_loss) avr_loss: float = loss_recorder.moving_average logs = {"avr_loss": avr_loss} # , "lr": lr_scheduler.get_last_lr()[0]} progress_bar.set_postfix(**logs) if len(accelerator.trackers) > 0: logs = generate_step_logs(args, current_loss, avr_loss, lr_scheduler) accelerator.log(logs, step=global_step) if global_step >= args.max_train_steps: break if len(accelerator.trackers) > 0: logs = {"loss/epoch": loss_recorder.moving_average} accelerator.log(logs, step=epoch + 1) accelerator.wait_for_everyone() # 指定エポックごとにモデルを保存 if args.save_every_n_epochs is not None: saving = (epoch + 1) % args.save_every_n_epochs == 0 and (epoch + 1) < num_train_epochs if is_main_process and saving: ckpt_name = train_util.get_epoch_ckpt_name(args, "." + args.save_model_as, epoch + 1) save_model(ckpt_name, unwrap_model(control_net)) remove_epoch_no = train_util.get_remove_epoch_no(args, epoch + 1) if remove_epoch_no is not None: remove_ckpt_name = train_util.get_epoch_ckpt_name(args, "." + args.save_model_as, remove_epoch_no) remove_model(remove_ckpt_name) if args.save_state: train_util.save_and_remove_state_on_epoch_end(args, accelerator, epoch + 1) sdxl_train_util.sample_images( accelerator, args, epoch + 1, global_step, accelerator.device, vae, [tokenizer1, tokenizer2], [text_encoder1, text_encoder2, unwrap_model(text_encoder2)], unet, controlnet=control_net, ) # end of epoch if is_main_process: control_net = unwrap_model(control_net) accelerator.end_training() if is_main_process and (args.save_state or args.save_state_on_train_end): train_util.save_state_on_train_end(args, accelerator) if is_main_process: ckpt_name = train_util.get_last_ckpt_name(args, "." + args.save_model_as) save_model(ckpt_name, control_net, force_sync_upload=True) logger.info("model saved.") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) train_util.add_sd_models_arguments(parser) sai_model_spec.add_model_spec_arguments(parser) train_util.add_dataset_arguments(parser, False, True, True) train_util.add_training_arguments(parser, False) # train_util.add_masked_loss_arguments(parser) deepspeed_utils.add_deepspeed_arguments(parser) # train_util.add_sd_saving_arguments(parser) train_util.add_optimizer_arguments(parser) config_util.add_config_arguments(parser) custom_train_functions.add_custom_train_arguments(parser) sdxl_train_util.add_sdxl_training_arguments(parser) parser.add_argument( "--controlnet_model_name_or_path", type=str, default=None, help="controlnet model name or path / controlnetのモデル名またはパス", ) parser.add_argument( "--conditioning_data_dir", type=str, default=None, help="conditioning data directory / 条件付けデータのディレクトリ", ) parser.add_argument( "--save_model_as", type=str, default="safetensors", choices=[None, "ckpt", "pt", "safetensors"], help="format to save the model (default is .safetensors) / モデル保存時の形式（デフォルトはsafetensors）", ) parser.add_argument( "--no_half_vae", action="store_true", help="do not use fp16/bf16 VAE in mixed precision (use float VAE) / mixed precisionでも fp16/bf16 VAEを使わずfloat VAEを使う", ) parser.add_argument( "--control_net_lr", type=float, default=1e-4, help="learning rate for controlnet modules / controlnetモジュールの学習率", ) return parser if __name__ == "__main__": # sdxl_original_unet.USE_REENTRANT = False parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) train(args) ================================================ FILE: sdxl_train_control_net_lllite.py ================================================ # cond_imageをU-Netのforwardで渡すバージョンのControlNet-LLLite検証用学習コード # training code for ControlNet-LLLite with passing cond_image to U-Net's forward import argparse import json import math import os import random import time from multiprocessing import Value from types import SimpleNamespace import toml from tqdm import tqdm import torch from library.device_utils import init_ipex, clean_memory_on_device init_ipex() from torch.nn.parallel import DistributedDataParallel as DDP from accelerate.utils import set_seed import accelerate from diffusers import DDPMScheduler, ControlNetModel from safetensors.torch import load_file from library import ( deepspeed_utils, sai_model_spec, sdxl_model_util, sdxl_original_unet, sdxl_train_util, strategy_base, strategy_sd, strategy_sdxl, sai_model_spec, ) import library.model_util as model_util import library.train_util as train_util import library.config_util as config_util from library.config_util import ( ConfigSanitizer, BlueprintGenerator, ) import library.huggingface_util as huggingface_util import library.custom_train_functions as custom_train_functions from library.custom_train_functions import ( add_v_prediction_like_loss, apply_snr_weight, prepare_scheduler_for_custom_training, pyramid_noise_like, apply_noise_offset, scale_v_prediction_loss_like_noise_prediction, apply_debiased_estimation, ) import networks.control_net_lllite_for_train as control_net_lllite_for_train from library.utils import setup_logging, add_logging_arguments setup_logging() import logging logger = logging.getLogger(__name__) # TODO 他のスクリプトと共通化する def generate_step_logs(args: argparse.Namespace, current_loss, avr_loss, lr_scheduler): logs = { "loss/current": current_loss, "loss/average": avr_loss, "lr": lr_scheduler.get_last_lr()[0], } if args.optimizer_type.lower().startswith("DAdapt".lower()): logs["lr/d*lr"] = lr_scheduler.optimizers[-1].param_groups[0]["d"] * lr_scheduler.optimizers[-1].param_groups[0]["lr"] return logs def train(args): train_util.verify_training_args(args) train_util.prepare_dataset_args(args, True) sdxl_train_util.verify_sdxl_training_args(args) setup_logging(args, reset=True) cache_latents = args.cache_latents use_user_config = args.dataset_config is not None if args.seed is None: args.seed = random.randint(0, 2**32) set_seed(args.seed) tokenize_strategy = strategy_sdxl.SdxlTokenizeStrategy(args.max_token_length, args.tokenizer_cache_dir) strategy_base.TokenizeStrategy.set_strategy(tokenize_strategy) # prepare caching strategy: this must be set before preparing dataset. because dataset may use this strategy for initialization. latents_caching_strategy = strategy_sd.SdSdxlLatentsCachingStrategy( False, args.cache_latents_to_disk, args.vae_batch_size, args.skip_cache_check ) strategy_base.LatentsCachingStrategy.set_strategy(latents_caching_strategy) # データセットを準備する blueprint_generator = BlueprintGenerator(ConfigSanitizer(False, False, True, True)) if use_user_config: logger.info(f"Load dataset config from {args.dataset_config}") user_config = config_util.load_user_config(args.dataset_config) ignored = ["train_data_dir", "conditioning_data_dir"] if any(getattr(args, attr) is not None for attr in ignored): logger.warning( "ignore following options because config file is found: {0} / 設定ファイルが利用されるため以下のオプションは無視されます: {0}".format( ", ".join(ignored) ) ) else: user_config = { "datasets": [ { "subsets": config_util.generate_controlnet_subsets_config_by_subdirs( args.train_data_dir, args.conditioning_data_dir, args.caption_extension, ) } ] } blueprint = blueprint_generator.generate(user_config, args) train_dataset_group, val_dataset_group = config_util.generate_dataset_group_by_blueprint(blueprint.dataset_group) current_epoch = Value("i", 0) current_step = Value("i", 0) ds_for_collator = train_dataset_group if args.max_data_loader_n_workers == 0 else None collator = train_util.collator_class(current_epoch, current_step, ds_for_collator) train_dataset_group.verify_bucket_reso_steps(32) if args.debug_dataset: train_util.debug_dataset(train_dataset_group) return if len(train_dataset_group) == 0: logger.error( "No data found. Please verify arguments (train_data_dir must be the parent of folders with images) / 画像がありません。引数指定を確認してください（train_data_dirには画像があるフォルダではなく、画像があるフォルダの親フォルダを指定する必要があります）" ) return if cache_latents: assert ( train_dataset_group.is_latent_cacheable() ), "when caching latents, either color_aug or random_crop cannot be used / latentをキャッシュするときはcolor_augとrandom_cropは使えません" else: logger.warning( "WARNING: random_crop is not supported yet for ControlNet training / ControlNetの学習ではrandom_cropはまだサポートされていません" ) if args.cache_text_encoder_outputs: assert ( train_dataset_group.is_text_encoder_output_cacheable() ), "when caching Text Encoder output, either caption_dropout_rate, shuffle_caption, token_warmup_step or caption_tag_dropout_rate cannot be used / Text Encoderの出力をキャッシュするときはcaption_dropout_rate, shuffle_caption, token_warmup_step, caption_tag_dropout_rateは使えません" # acceleratorを準備する logger.info("prepare accelerator") accelerator = train_util.prepare_accelerator(args) is_main_process = accelerator.is_main_process # mixed precisionに対応した型を用意しておき適宜castする weight_dtype, save_dtype = train_util.prepare_dtype(args) vae_dtype = torch.float32 if args.no_half_vae else weight_dtype # モデルを読み込む ( load_stable_diffusion_format, text_encoder1, text_encoder2, vae, unet, logit_scale, ckpt_info, ) = sdxl_train_util.load_target_model(args, accelerator, sdxl_model_util.MODEL_VERSION_SDXL_BASE_V1_0, weight_dtype) # 学習を準備する if cache_latents: vae.to(accelerator.device, dtype=vae_dtype) vae.requires_grad_(False) vae.eval() train_dataset_group.new_cache_latents(vae, accelerator) vae.to("cpu") clean_memory_on_device(accelerator.device) accelerator.wait_for_everyone() text_encoding_strategy = strategy_sdxl.SdxlTextEncodingStrategy() strategy_base.TextEncodingStrategy.set_strategy(text_encoding_strategy) # TextEncoderの出力をキャッシュする if args.cache_text_encoder_outputs: # Text Encodes are eval and no grad text_encoder_output_caching_strategy = strategy_sdxl.SdxlTextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, None, False ) strategy_base.TextEncoderOutputsCachingStrategy.set_strategy(text_encoder_output_caching_strategy) text_encoder1.to(accelerator.device) text_encoder2.to(accelerator.device) with accelerator.autocast(): train_dataset_group.new_cache_text_encoder_outputs([text_encoder1, text_encoder2], accelerator) accelerator.wait_for_everyone() # prepare ControlNet-LLLite control_net_lllite_for_train.replace_unet_linear_and_conv2d() if args.network_weights is not None: accelerator.print(f"initialize U-Net with ControlNet-LLLite") with accelerate.init_empty_weights(): unet_lllite = control_net_lllite_for_train.SdxlUNet2DConditionModelControlNetLLLite() unet_lllite.to(accelerator.device, dtype=weight_dtype) unet_sd = unet.state_dict() info = unet_lllite.load_lllite_weights(args.network_weights, unet_sd) accelerator.print(f"load ControlNet-LLLite weights from {args.network_weights}: {info}") else: # cosumes large memory, so send to GPU before creating the LLLite model accelerator.print("sending U-Net to GPU") unet.to(accelerator.device, dtype=weight_dtype) unet_sd = unet.state_dict() # init LLLite weights accelerator.print(f"initialize U-Net with ControlNet-LLLite") if args.lowram: with accelerate.init_on_device(accelerator.device): unet_lllite = control_net_lllite_for_train.SdxlUNet2DConditionModelControlNetLLLite() else: unet_lllite = control_net_lllite_for_train.SdxlUNet2DConditionModelControlNetLLLite() unet_lllite.to(weight_dtype) info = unet_lllite.load_lllite_weights(None, unet_sd) accelerator.print(f"init U-Net with ControlNet-LLLite weights: {info}") del unet_sd, unet unet: control_net_lllite_for_train.SdxlUNet2DConditionModelControlNetLLLite = unet_lllite del unet_lllite unet.apply_lllite(args.cond_emb_dim, args.network_dim, args.network_dropout) # モデルに xformers とか memory efficient attention を組み込む train_util.replace_unet_modules(unet, args.mem_eff_attn, args.xformers, args.sdpa) if args.gradient_checkpointing: unet.enable_gradient_checkpointing() # 学習に必要なクラスを準備する accelerator.print("prepare optimizer, data loader etc.") trainable_params = list(unet.prepare_params()) logger.info(f"trainable params count: {len(trainable_params)}") logger.info(f"number of trainable parameters: {sum(p.numel() for p in trainable_params if p.requires_grad)}") _, _, optimizer = train_util.get_optimizer(args, trainable_params) # prepare dataloader # strategies are set here because they cannot be referenced in another process. Copy them with the dataset # some strategies can be None train_dataset_group.set_current_strategies() # DataLoaderのプロセス数：0 は persistent_workers が使えないので注意 n_workers = min(args.max_data_loader_n_workers, os.cpu_count()) # cpu_count or max_data_loader_n_workers train_dataloader = torch.utils.data.DataLoader( train_dataset_group, batch_size=1, shuffle=True, collate_fn=collator, num_workers=n_workers, persistent_workers=args.persistent_data_loader_workers, ) # 学習ステップ数を計算する if args.max_train_epochs is not None: args.max_train_steps = args.max_train_epochs * math.ceil( len(train_dataloader) / accelerator.num_processes / args.gradient_accumulation_steps ) accelerator.print( f"override steps. steps for {args.max_train_epochs} epochs is / 指定エポックまでのステップ数: {args.max_train_steps}" ) # データセット側にも学習ステップを送信 train_dataset_group.set_max_train_steps(args.max_train_steps) # lr schedulerを用意する lr_scheduler = train_util.get_scheduler_fix(args, optimizer, accelerator.num_processes) # 実験的機能：勾配も含めたfp16/bf16学習を行う　モデル全体をfp16/bf16にする # if args.full_fp16: # assert ( # args.mixed_precision == "fp16" # ), "full_fp16 requires mixed precision='fp16' / full_fp16を使う場合はmixed_precision='fp16'を指定してください。" # accelerator.print("enable full fp16 training.") # unet.to(weight_dtype) # elif args.full_bf16: # assert ( # args.mixed_precision == "bf16" # ), "full_bf16 requires mixed precision='bf16' / full_bf16を使う場合はmixed_precision='bf16'を指定してください。" # accelerator.print("enable full bf16 training.") # unet.to(weight_dtype) unet.to(weight_dtype) # acceleratorがなんかよろしくやってくれるらしい unet, optimizer, train_dataloader, lr_scheduler = accelerator.prepare(unet, optimizer, train_dataloader, lr_scheduler) if isinstance(unet, DDP): unet._set_static_graph() # avoid error for multiple use of the parameter if args.gradient_checkpointing: unet.train() # according to TI example in Diffusers, train is required -> これオリジナルのU-Netしたので本当は外せる else: unet.eval() # TextEncoderの出力をキャッシュするときにはCPUへ移動する if args.cache_text_encoder_outputs: # move Text Encoders for sampling images. Text Encoder doesn't work on CPU with fp16 text_encoder1.to("cpu", dtype=torch.float32) text_encoder2.to("cpu", dtype=torch.float32) clean_memory_on_device(accelerator.device) else: # make sure Text Encoders are on GPU text_encoder1.to(accelerator.device) text_encoder2.to(accelerator.device) if not cache_latents: vae.requires_grad_(False) vae.eval() vae.to(accelerator.device, dtype=vae_dtype) # 実験的機能：勾配も含めたfp16学習を行う　PyTorchにパッチを当ててfp16でのgrad scaleを有効にする if args.full_fp16: train_util.patch_accelerator_for_fp16_training(accelerator) # resumeする train_util.resume_from_local_or_hf_if_specified(accelerator, args) # epoch数を計算する num_update_steps_per_epoch = math.ceil(len(train_dataloader) / args.gradient_accumulation_steps) num_train_epochs = math.ceil(args.max_train_steps / num_update_steps_per_epoch) if (args.save_n_epoch_ratio is not None) and (args.save_n_epoch_ratio > 0): args.save_every_n_epochs = math.floor(num_train_epochs / args.save_n_epoch_ratio) or 1 # 学習する # TODO: find a way to handle total batch size when there are multiple datasets accelerator.print("running training / 学習開始") accelerator.print(f" num train images * repeats / 学習画像の数×繰り返し回数: {train_dataset_group.num_train_images}") accelerator.print(f" num reg images / 正則化画像の数: {train_dataset_group.num_reg_images}") accelerator.print(f" num batches per epoch / 1epochのバッチ数: {len(train_dataloader)}") accelerator.print(f" num epochs / epoch数: {num_train_epochs}") accelerator.print( f" batch size per device / バッチサイズ: {', '.join([str(d.batch_size) for d in train_dataset_group.datasets])}" ) # logger.info(f" total train batch size (with parallel & distributed & accumulation) / 総バッチサイズ（並列学習、勾配合計含む）: {total_batch_size}") accelerator.print(f" gradient accumulation steps / 勾配を合計するステップ数 = {args.gradient_accumulation_steps}") accelerator.print(f" total optimization steps / 学習ステップ数: {args.max_train_steps}") progress_bar = tqdm(range(args.max_train_steps), smoothing=0, disable=not accelerator.is_local_main_process, desc="steps") global_step = 0 noise_scheduler = DDPMScheduler( beta_start=0.00085, beta_end=0.012, beta_schedule="scaled_linear", num_train_timesteps=1000, clip_sample=False ) prepare_scheduler_for_custom_training(noise_scheduler, accelerator.device) if args.zero_terminal_snr: custom_train_functions.fix_noise_scheduler_betas_for_zero_terminal_snr(noise_scheduler) if accelerator.is_main_process: init_kwargs = {} if args.wandb_run_name: init_kwargs["wandb"] = {"name": args.wandb_run_name} if args.log_tracker_config is not None: init_kwargs = toml.load(args.log_tracker_config) accelerator.init_trackers( "lllite_control_net_train" if args.log_tracker_name is None else args.log_tracker_name, config=train_util.get_sanitized_config_or_none(args), init_kwargs=init_kwargs, ) loss_recorder = train_util.LossRecorder() del train_dataset_group # function for saving/removing def save_model( ckpt_name, unwrapped_nw: control_net_lllite_for_train.SdxlUNet2DConditionModelControlNetLLLite, steps, epoch_no, force_sync_upload=False, ): os.makedirs(args.output_dir, exist_ok=True) ckpt_file = os.path.join(args.output_dir, ckpt_name) accelerator.print(f"\nsaving checkpoint: {ckpt_file}") sai_metadata = train_util.get_sai_model_spec(None, args, True, True, False) sai_metadata["modelspec.architecture"] = sai_model_spec.ARCH_SD_XL_V1_BASE + "/control-net-lllite" unwrapped_nw.save_lllite_weights(ckpt_file, save_dtype, sai_metadata) if args.huggingface_repo_id is not None: huggingface_util.upload(args, ckpt_file, "/" + ckpt_name, force_sync_upload=force_sync_upload) def remove_model(old_ckpt_name): old_ckpt_file = os.path.join(args.output_dir, old_ckpt_name) if os.path.exists(old_ckpt_file): accelerator.print(f"removing old checkpoint: {old_ckpt_file}") os.remove(old_ckpt_file) # training loop for epoch in range(num_train_epochs): accelerator.print(f"\nepoch {epoch+1}/{num_train_epochs}") current_epoch.value = epoch + 1 for step, batch in enumerate(train_dataloader): current_step.value = global_step with accelerator.accumulate(unet): with torch.no_grad(): if "latents" in batch and batch["latents"] is not None: latents = batch["latents"].to(accelerator.device).to(dtype=weight_dtype) else: # latentに変換 latents = vae.encode(batch["images"].to(dtype=vae_dtype)).latent_dist.sample().to(dtype=weight_dtype) # NaNが含まれていれば警告を表示し0に置き換える if torch.any(torch.isnan(latents)): accelerator.print("NaN found in latents, replacing with zeros") latents = torch.nan_to_num(latents, 0, out=latents) latents = latents * sdxl_model_util.VAE_SCALE_FACTOR text_encoder_outputs_list = batch.get("text_encoder_outputs_list", None) if text_encoder_outputs_list is not None: # Text Encoder outputs are cached encoder_hidden_states1, encoder_hidden_states2, pool2 = text_encoder_outputs_list encoder_hidden_states1 = encoder_hidden_states1.to(accelerator.device, dtype=weight_dtype) encoder_hidden_states2 = encoder_hidden_states2.to(accelerator.device, dtype=weight_dtype) pool2 = pool2.to(accelerator.device, dtype=weight_dtype) else: input_ids1, input_ids2 = batch["input_ids_list"] with torch.no_grad(): input_ids1 = input_ids1.to(accelerator.device) input_ids2 = input_ids2.to(accelerator.device) encoder_hidden_states1, encoder_hidden_states2, pool2 = text_encoding_strategy.encode_tokens( tokenize_strategy, [text_encoder1, text_encoder2], [input_ids1, input_ids2] ) if args.full_fp16: encoder_hidden_states1 = encoder_hidden_states1.to(weight_dtype) encoder_hidden_states2 = encoder_hidden_states2.to(weight_dtype) pool2 = pool2.to(weight_dtype) # get size embeddings orig_size = batch["original_sizes_hw"] crop_size = batch["crop_top_lefts"] target_size = batch["target_sizes_hw"] embs = sdxl_train_util.get_size_embeddings(orig_size, crop_size, target_size, accelerator.device).to(weight_dtype) # concat embeddings vector_embedding = torch.cat([pool2, embs], dim=1).to(weight_dtype) text_embedding = torch.cat([encoder_hidden_states1, encoder_hidden_states2], dim=2).to(weight_dtype) # Sample noise, sample a random timestep for each image, and add noise to the latents, # with noise offset and/or multires noise if specified noise, noisy_latents, timesteps = train_util.get_noise_noisy_latents_and_timesteps(args, noise_scheduler, latents) noisy_latents = noisy_latents.to(weight_dtype) # TODO check why noisy_latents is not weight_dtype controlnet_image = batch["conditioning_images"].to(dtype=weight_dtype) with accelerator.autocast(): # conditioning imageをControlNetに渡す / pass conditioning image to ControlNet # 内部でcond_embに変換される / it will be converted to cond_emb inside # それらの値を使いつつ、U-Netでノイズを予測する / predict noise with U-Net using those values noise_pred = unet(noisy_latents, timesteps, text_embedding, vector_embedding, controlnet_image) if args.v_parameterization: # v-parameterization training target = noise_scheduler.get_velocity(latents, noise, timesteps) else: target = noise huber_c = train_util.get_huber_threshold_if_needed(args, timesteps, noise_scheduler) loss = train_util.conditional_loss(noise_pred.float(), target.float(), args.loss_type, "none", huber_c) loss = loss.mean([1, 2, 3]) loss_weights = batch["loss_weights"] # 各sampleごとのweight loss = loss * loss_weights if args.min_snr_gamma: loss = apply_snr_weight(loss, timesteps, noise_scheduler, args.min_snr_gamma, args.v_parameterization) if args.scale_v_pred_loss_like_noise_pred: loss = scale_v_prediction_loss_like_noise_prediction(loss, timesteps, noise_scheduler) if args.v_pred_like_loss: loss = add_v_prediction_like_loss(loss, timesteps, noise_scheduler, args.v_pred_like_loss) if args.debiased_estimation_loss: loss = apply_debiased_estimation(loss, timesteps, noise_scheduler, args.v_parameterization) loss = loss.mean() # 平均なのでbatch_sizeで割る必要なし accelerator.backward(loss) if accelerator.sync_gradients and args.max_grad_norm != 0.0: params_to_clip = accelerator.unwrap_model(unet).get_trainable_params() accelerator.clip_grad_norm_(params_to_clip, args.max_grad_norm) optimizer.step() lr_scheduler.step() optimizer.zero_grad(set_to_none=True) # Checks if the accelerator has performed an optimization step behind the scenes if accelerator.sync_gradients: progress_bar.update(1) global_step += 1 # sdxl_train_util.sample_images(accelerator, args, None, global_step, accelerator.device, vae, tokenizer, text_encoder, unet) # 指定ステップごとにモデルを保存 if args.save_every_n_steps is not None and global_step % args.save_every_n_steps == 0: accelerator.wait_for_everyone() if accelerator.is_main_process: ckpt_name = train_util.get_step_ckpt_name(args, "." + args.save_model_as, global_step) save_model(ckpt_name, accelerator.unwrap_model(unet), global_step, epoch) if args.save_state: train_util.save_and_remove_state_stepwise(args, accelerator, global_step) remove_step_no = train_util.get_remove_step_no(args, global_step) if remove_step_no is not None: remove_ckpt_name = train_util.get_step_ckpt_name(args, "." + args.save_model_as, remove_step_no) remove_model(remove_ckpt_name) current_loss = loss.detach().item() loss_recorder.add(epoch=epoch, step=step, loss=current_loss) avr_loss: float = loss_recorder.moving_average logs = {"avr_loss": avr_loss} # , "lr": lr_scheduler.get_last_lr()[0]} progress_bar.set_postfix(**logs) if len(accelerator.trackers) > 0: logs = generate_step_logs(args, current_loss, avr_loss, lr_scheduler) accelerator.log(logs, step=global_step) if global_step >= args.max_train_steps: break if len(accelerator.trackers) > 0: logs = {"loss/epoch": loss_recorder.moving_average} accelerator.log(logs, step=epoch + 1) accelerator.wait_for_everyone() # 指定エポックごとにモデルを保存 if args.save_every_n_epochs is not None: saving = (epoch + 1) % args.save_every_n_epochs == 0 and (epoch + 1) < num_train_epochs if is_main_process and saving: ckpt_name = train_util.get_epoch_ckpt_name(args, "." + args.save_model_as, epoch + 1) save_model(ckpt_name, accelerator.unwrap_model(unet), global_step, epoch + 1) remove_epoch_no = train_util.get_remove_epoch_no(args, epoch + 1) if remove_epoch_no is not None: remove_ckpt_name = train_util.get_epoch_ckpt_name(args, "." + args.save_model_as, remove_epoch_no) remove_model(remove_ckpt_name) if args.save_state: train_util.save_and_remove_state_on_epoch_end(args, accelerator, epoch + 1) # self.sample_images(accelerator, args, epoch + 1, global_step, accelerator.device, vae, tokenizer, text_encoder, unet) # end of epoch if is_main_process: unet = accelerator.unwrap_model(unet) accelerator.end_training() if is_main_process and (args.save_state or args.save_state_on_train_end): train_util.save_state_on_train_end(args, accelerator) if is_main_process: ckpt_name = train_util.get_last_ckpt_name(args, "." + args.save_model_as) save_model(ckpt_name, unet, global_step, num_train_epochs, force_sync_upload=True) logger.info("model saved.") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) train_util.add_sd_models_arguments(parser) sai_model_spec.add_model_spec_arguments(parser) train_util.add_dataset_arguments(parser, False, True, True) train_util.add_training_arguments(parser, False) deepspeed_utils.add_deepspeed_arguments(parser) train_util.add_optimizer_arguments(parser) config_util.add_config_arguments(parser) custom_train_functions.add_custom_train_arguments(parser) sdxl_train_util.add_sdxl_training_arguments(parser) parser.add_argument( "--save_model_as", type=str, default="safetensors", choices=[None, "ckpt", "pt", "safetensors"], help="format to save the model (default is .safetensors) / モデル保存時の形式（デフォルトはsafetensors）", ) parser.add_argument( "--cond_emb_dim", type=int, default=None, help="conditioning embedding dimension / 条件付け埋め込みの次元数" ) parser.add_argument( "--network_weights", type=str, default=None, help="pretrained weights for network / 学習するネットワークの初期重み" ) parser.add_argument("--network_dim", type=int, default=None, help="network dimensions (rank) / モジュールの次元数") parser.add_argument( "--network_dropout", type=float, default=None, help="Drops neurons out of training every step (0 or None is default behavior (no dropout), 1 would drop all neurons) / 訓練時に毎ステップでニューロンをdropする（0またはNoneはdropoutなし、1は全ニューロンをdropout）", ) parser.add_argument( "--conditioning_data_dir", type=str, default=None, help="conditioning data directory / 条件付けデータのディレクトリ", ) parser.add_argument( "--no_half_vae", action="store_true", help="do not use fp16/bf16 VAE in mixed precision (use float VAE) / mixed precisionでも fp16/bf16 VAEを使わずfloat VAEを使う", ) return parser if __name__ == "__main__": # sdxl_original_unet.USE_REENTRANT = False parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) train(args) ================================================ FILE: sdxl_train_control_net_lllite_old.py ================================================ import argparse import json import math import os import random import time from multiprocessing import Value from types import SimpleNamespace import toml from tqdm import tqdm import torch from library.device_utils import init_ipex, clean_memory_on_device init_ipex() from torch.nn.parallel import DistributedDataParallel as DDP from accelerate.utils import set_seed from diffusers import DDPMScheduler, ControlNetModel from safetensors.torch import load_file from library import deepspeed_utils, sai_model_spec, sdxl_model_util, sdxl_original_unet, sdxl_train_util import library.model_util as model_util import library.train_util as train_util import library.config_util as config_util import library.sai_model_spec as sai_model_spec from library.config_util import ( ConfigSanitizer, BlueprintGenerator, ) import library.huggingface_util as huggingface_util import library.custom_train_functions as custom_train_functions from library.custom_train_functions import ( add_v_prediction_like_loss, apply_snr_weight, prepare_scheduler_for_custom_training, pyramid_noise_like, apply_noise_offset, scale_v_prediction_loss_like_noise_prediction, apply_debiased_estimation, ) import networks.control_net_lllite as control_net_lllite from library.utils import setup_logging, add_logging_arguments setup_logging() import logging logger = logging.getLogger(__name__) # TODO 他のスクリプトと共通化する def generate_step_logs(args: argparse.Namespace, current_loss, avr_loss, lr_scheduler): logs = { "loss/current": current_loss, "loss/average": avr_loss, "lr": lr_scheduler.get_last_lr()[0], } if args.optimizer_type.lower().startswith("DAdapt".lower()): logs["lr/d*lr"] = lr_scheduler.optimizers[-1].param_groups[0]["d"] * lr_scheduler.optimizers[-1].param_groups[0]["lr"] return logs def train(args): train_util.verify_training_args(args) train_util.prepare_dataset_args(args, True) sdxl_train_util.verify_sdxl_training_args(args) setup_logging(args, reset=True) cache_latents = args.cache_latents use_user_config = args.dataset_config is not None if args.seed is None: args.seed = random.randint(0, 2**32) set_seed(args.seed) tokenizer1, tokenizer2 = sdxl_train_util.load_tokenizers(args) # データセットを準備する blueprint_generator = BlueprintGenerator(ConfigSanitizer(False, False, True, True)) if use_user_config: logger.info(f"Load dataset config from {args.dataset_config}") user_config = config_util.load_user_config(args.dataset_config) ignored = ["train_data_dir", "conditioning_data_dir"] if any(getattr(args, attr) is not None for attr in ignored): logger.warning( "ignore following options because config file is found: {0} / 設定ファイルが利用されるため以下のオプションは無視されます: {0}".format( ", ".join(ignored) ) ) else: user_config = { "datasets": [ { "subsets": config_util.generate_controlnet_subsets_config_by_subdirs( args.train_data_dir, args.conditioning_data_dir, args.caption_extension, ) } ] } blueprint = blueprint_generator.generate(user_config, args, tokenizer=[tokenizer1, tokenizer2]) train_dataset_group, val_dataset_group = config_util.generate_dataset_group_by_blueprint(blueprint.dataset_group) current_epoch = Value("i", 0) current_step = Value("i", 0) ds_for_collator = train_dataset_group if args.max_data_loader_n_workers == 0 else None collator = train_util.collator_class(current_epoch, current_step, ds_for_collator) train_dataset_group.verify_bucket_reso_steps(32) if args.debug_dataset: train_util.debug_dataset(train_dataset_group) return if len(train_dataset_group) == 0: logger.error( "No data found. Please verify arguments (train_data_dir must be the parent of folders with images) / 画像がありません。引数指定を確認してください（train_data_dirには画像があるフォルダではなく、画像があるフォルダの親フォルダを指定する必要があります）" ) return if cache_latents: assert ( train_dataset_group.is_latent_cacheable() ), "when caching latents, either color_aug or random_crop cannot be used / latentをキャッシュするときはcolor_augとrandom_cropは使えません" else: logger.warning( "WARNING: random_crop is not supported yet for ControlNet training / ControlNetの学習ではrandom_cropはまだサポートされていません" ) if args.cache_text_encoder_outputs: assert ( train_dataset_group.is_text_encoder_output_cacheable() ), "when caching Text Encoder output, either caption_dropout_rate, shuffle_caption, token_warmup_step or caption_tag_dropout_rate cannot be used / Text Encoderの出力をキャッシュするときはcaption_dropout_rate, shuffle_caption, token_warmup_step, caption_tag_dropout_rateは使えません" # acceleratorを準備する logger.info("prepare accelerator") accelerator = train_util.prepare_accelerator(args) is_main_process = accelerator.is_main_process # mixed precisionに対応した型を用意しておき適宜castする weight_dtype, save_dtype = train_util.prepare_dtype(args) vae_dtype = torch.float32 if args.no_half_vae else weight_dtype # モデルを読み込む ( load_stable_diffusion_format, text_encoder1, text_encoder2, vae, unet, logit_scale, ckpt_info, ) = sdxl_train_util.load_target_model(args, accelerator, sdxl_model_util.MODEL_VERSION_SDXL_BASE_V1_0, weight_dtype) # モデルに xformers とか memory efficient attention を組み込む train_util.replace_unet_modules(unet, args.mem_eff_attn, args.xformers, args.sdpa) # 学習を準備する if cache_latents: vae.to(accelerator.device, dtype=vae_dtype) vae.requires_grad_(False) vae.eval() with torch.no_grad(): train_dataset_group.cache_latents( vae, args.vae_batch_size, args.cache_latents_to_disk, accelerator.is_main_process, ) vae.to("cpu") clean_memory_on_device(accelerator.device) accelerator.wait_for_everyone() # TextEncoderの出力をキャッシュする if args.cache_text_encoder_outputs: # Text Encodes are eval and no grad with torch.no_grad(): train_dataset_group.cache_text_encoder_outputs( (tokenizer1, tokenizer2), (text_encoder1, text_encoder2), accelerator.device, None, args.cache_text_encoder_outputs_to_disk, accelerator.is_main_process, ) accelerator.wait_for_everyone() # prepare ControlNet network = control_net_lllite.ControlNetLLLite(unet, args.cond_emb_dim, args.network_dim, args.network_dropout) network.apply_to() if args.network_weights is not None: info = network.load_weights(args.network_weights) accelerator.print(f"load ControlNet weights from {args.network_weights}: {info}") if args.gradient_checkpointing: unet.enable_gradient_checkpointing() network.enable_gradient_checkpointing() # may have no effect # 学習に必要なクラスを準備する accelerator.print("prepare optimizer, data loader etc.") trainable_params = list(network.prepare_optimizer_params()) logger.info(f"trainable params count: {len(trainable_params)}") logger.info(f"number of trainable parameters: {sum(p.numel() for p in trainable_params if p.requires_grad)}") _, _, optimizer = train_util.get_optimizer(args, trainable_params) # dataloaderを準備する # DataLoaderのプロセス数：0 は persistent_workers が使えないので注意 n_workers = min(args.max_data_loader_n_workers, os.cpu_count()) # cpu_count or max_data_loader_n_workers train_dataloader = torch.utils.data.DataLoader( train_dataset_group, batch_size=1, shuffle=True, collate_fn=collator, num_workers=n_workers, persistent_workers=args.persistent_data_loader_workers, ) # 学習ステップ数を計算する if args.max_train_epochs is not None: args.max_train_steps = args.max_train_epochs * math.ceil( len(train_dataloader) / accelerator.num_processes / args.gradient_accumulation_steps ) accelerator.print( f"override steps. steps for {args.max_train_epochs} epochs is / 指定エポックまでのステップ数: {args.max_train_steps}" ) # データセット側にも学習ステップを送信 train_dataset_group.set_max_train_steps(args.max_train_steps) # lr schedulerを用意する lr_scheduler = train_util.get_scheduler_fix(args, optimizer, accelerator.num_processes) # 実験的機能：勾配も含めたfp16/bf16学習を行う　モデル全体をfp16/bf16にする if args.full_fp16: assert ( args.mixed_precision == "fp16" ), "full_fp16 requires mixed precision='fp16' / full_fp16を使う場合はmixed_precision='fp16'を指定してください。" accelerator.print("enable full fp16 training.") unet.to(weight_dtype) network.to(weight_dtype) elif args.full_bf16: assert ( args.mixed_precision == "bf16" ), "full_bf16 requires mixed precision='bf16' / full_bf16を使う場合はmixed_precision='bf16'を指定してください。" accelerator.print("enable full bf16 training.") unet.to(weight_dtype) network.to(weight_dtype) # acceleratorがなんかよろしくやってくれるらしい unet, network, optimizer, train_dataloader, lr_scheduler = accelerator.prepare( unet, network, optimizer, train_dataloader, lr_scheduler ) network: control_net_lllite.ControlNetLLLite if args.gradient_checkpointing: unet.train() # according to TI example in Diffusers, train is required -> これオリジナルのU-Netしたので本当は外せる else: unet.eval() network.prepare_grad_etc() # TextEncoderの出力をキャッシュするときにはCPUへ移動する if args.cache_text_encoder_outputs: # move Text Encoders for sampling images. Text Encoder doesn't work on CPU with fp16 text_encoder1.to("cpu", dtype=torch.float32) text_encoder2.to("cpu", dtype=torch.float32) clean_memory_on_device(accelerator.device) else: # make sure Text Encoders are on GPU text_encoder1.to(accelerator.device) text_encoder2.to(accelerator.device) if not cache_latents: vae.requires_grad_(False) vae.eval() vae.to(accelerator.device, dtype=vae_dtype) # 実験的機能：勾配も含めたfp16学習を行う　PyTorchにパッチを当ててfp16でのgrad scaleを有効にする if args.full_fp16: train_util.patch_accelerator_for_fp16_training(accelerator) # resumeする train_util.resume_from_local_or_hf_if_specified(accelerator, args) # epoch数を計算する num_update_steps_per_epoch = math.ceil(len(train_dataloader) / args.gradient_accumulation_steps) num_train_epochs = math.ceil(args.max_train_steps / num_update_steps_per_epoch) if (args.save_n_epoch_ratio is not None) and (args.save_n_epoch_ratio > 0): args.save_every_n_epochs = math.floor(num_train_epochs / args.save_n_epoch_ratio) or 1 # 学習する # TODO: find a way to handle total batch size when there are multiple datasets accelerator.print("running training / 学習開始") accelerator.print(f" num train images * repeats / 学習画像の数×繰り返し回数: {train_dataset_group.num_train_images}") accelerator.print(f" num reg images / 正則化画像の数: {train_dataset_group.num_reg_images}") accelerator.print(f" num batches per epoch / 1epochのバッチ数: {len(train_dataloader)}") accelerator.print(f" num epochs / epoch数: {num_train_epochs}") accelerator.print( f" batch size per device / バッチサイズ: {', '.join([str(d.batch_size) for d in train_dataset_group.datasets])}" ) # logger.info(f" total train batch size (with parallel & distributed & accumulation) / 総バッチサイズ（並列学習、勾配合計含む）: {total_batch_size}") accelerator.print(f" gradient accumulation steps / 勾配を合計するステップ数 = {args.gradient_accumulation_steps}") accelerator.print(f" total optimization steps / 学習ステップ数: {args.max_train_steps}") progress_bar = tqdm(range(args.max_train_steps), smoothing=0, disable=not accelerator.is_local_main_process, desc="steps") global_step = 0 noise_scheduler = DDPMScheduler( beta_start=0.00085, beta_end=0.012, beta_schedule="scaled_linear", num_train_timesteps=1000, clip_sample=False ) prepare_scheduler_for_custom_training(noise_scheduler, accelerator.device) if args.zero_terminal_snr: custom_train_functions.fix_noise_scheduler_betas_for_zero_terminal_snr(noise_scheduler) if accelerator.is_main_process: init_kwargs = {} if args.log_tracker_config is not None: init_kwargs = toml.load(args.log_tracker_config) accelerator.init_trackers( "lllite_control_net_train" if args.log_tracker_name is None else args.log_tracker_name, config=train_util.get_sanitized_config_or_none(args), init_kwargs=init_kwargs, ) loss_recorder = train_util.LossRecorder() del train_dataset_group # function for saving/removing def save_model(ckpt_name, unwrapped_nw, steps, epoch_no, force_sync_upload=False): os.makedirs(args.output_dir, exist_ok=True) ckpt_file = os.path.join(args.output_dir, ckpt_name) accelerator.print(f"\nsaving checkpoint: {ckpt_file}") sai_metadata = train_util.get_sai_model_spec(None, args, True, True, False) sai_metadata["modelspec.architecture"] = sai_model_spec.ARCH_SD_XL_V1_BASE + "/control-net-lllite" unwrapped_nw.save_weights(ckpt_file, save_dtype, sai_metadata) if args.huggingface_repo_id is not None: huggingface_util.upload(args, ckpt_file, "/" + ckpt_name, force_sync_upload=force_sync_upload) def remove_model(old_ckpt_name): old_ckpt_file = os.path.join(args.output_dir, old_ckpt_name) if os.path.exists(old_ckpt_file): accelerator.print(f"removing old checkpoint: {old_ckpt_file}") os.remove(old_ckpt_file) # training loop for epoch in range(num_train_epochs): accelerator.print(f"\nepoch {epoch+1}/{num_train_epochs}") current_epoch.value = epoch + 1 network.on_epoch_start() # train() for step, batch in enumerate(train_dataloader): current_step.value = global_step with accelerator.accumulate(network): with torch.no_grad(): if "latents" in batch and batch["latents"] is not None: latents = batch["latents"].to(accelerator.device).to(dtype=weight_dtype) else: # latentに変換 latents = vae.encode(batch["images"].to(dtype=vae_dtype)).latent_dist.sample().to(dtype=weight_dtype) # NaNが含まれていれば警告を表示し0に置き換える if torch.any(torch.isnan(latents)): accelerator.print("NaN found in latents, replacing with zeros") latents = torch.nan_to_num(latents, 0, out=latents) latents = latents * sdxl_model_util.VAE_SCALE_FACTOR if "text_encoder_outputs1_list" not in batch or batch["text_encoder_outputs1_list"] is None: input_ids1 = batch["input_ids"] input_ids2 = batch["input_ids2"] with torch.no_grad(): # Get the text embedding for conditioning input_ids1 = input_ids1.to(accelerator.device) input_ids2 = input_ids2.to(accelerator.device) encoder_hidden_states1, encoder_hidden_states2, pool2 = train_util.get_hidden_states_sdxl( args.max_token_length, input_ids1, input_ids2, tokenizer1, tokenizer2, text_encoder1, text_encoder2, None if not args.full_fp16 else weight_dtype, ) else: encoder_hidden_states1 = batch["text_encoder_outputs1_list"].to(accelerator.device).to(weight_dtype) encoder_hidden_states2 = batch["text_encoder_outputs2_list"].to(accelerator.device).to(weight_dtype) pool2 = batch["text_encoder_pool2_list"].to(accelerator.device).to(weight_dtype) # get size embeddings orig_size = batch["original_sizes_hw"] crop_size = batch["crop_top_lefts"] target_size = batch["target_sizes_hw"] embs = sdxl_train_util.get_size_embeddings(orig_size, crop_size, target_size, accelerator.device).to(weight_dtype) # concat embeddings vector_embedding = torch.cat([pool2, embs], dim=1).to(weight_dtype) text_embedding = torch.cat([encoder_hidden_states1, encoder_hidden_states2], dim=2).to(weight_dtype) # Sample noise, sample a random timestep for each image, and add noise to the latents, # with noise offset and/or multires noise if specified noise, noisy_latents, timesteps = train_util.get_noise_noisy_latents_and_timesteps(args, noise_scheduler, latents) noisy_latents = noisy_latents.to(weight_dtype) # TODO check why noisy_latents is not weight_dtype controlnet_image = batch["conditioning_images"].to(dtype=weight_dtype) with accelerator.autocast(): # conditioning imageをControlNetに渡す / pass conditioning image to ControlNet # 内部でcond_embに変換される / it will be converted to cond_emb inside network.set_cond_image(controlnet_image) # それらの値を使いつつ、U-Netでノイズを予測する / predict noise with U-Net using those values noise_pred = unet(noisy_latents, timesteps, text_embedding, vector_embedding) if args.v_parameterization: # v-parameterization training target = noise_scheduler.get_velocity(latents, noise, timesteps) else: target = noise huber_c = train_util.get_huber_threshold_if_needed(args, timesteps, noise_scheduler) loss = train_util.conditional_loss(noise_pred.float(), target.float(), args.loss_type, "none", huber_c) loss = loss.mean([1, 2, 3]) loss_weights = batch["loss_weights"] # 各sampleごとのweight loss = loss * loss_weights if args.min_snr_gamma: loss = apply_snr_weight(loss, timesteps, noise_scheduler, args.min_snr_gamma, args.v_parameterization) if args.scale_v_pred_loss_like_noise_pred: loss = scale_v_prediction_loss_like_noise_prediction(loss, timesteps, noise_scheduler) if args.v_pred_like_loss: loss = add_v_prediction_like_loss(loss, timesteps, noise_scheduler, args.v_pred_like_loss) if args.debiased_estimation_loss: loss = apply_debiased_estimation(loss, timesteps, noise_scheduler, args.v_parameterization) loss = loss.mean() # 平均なのでbatch_sizeで割る必要なし accelerator.backward(loss) if accelerator.sync_gradients and args.max_grad_norm != 0.0: params_to_clip = network.get_trainable_params() accelerator.clip_grad_norm_(params_to_clip, args.max_grad_norm) optimizer.step() lr_scheduler.step() optimizer.zero_grad(set_to_none=True) # Checks if the accelerator has performed an optimization step behind the scenes if accelerator.sync_gradients: progress_bar.update(1) global_step += 1 # sdxl_train_util.sample_images(accelerator, args, None, global_step, accelerator.device, vae, tokenizer, text_encoder, unet) # 指定ステップごとにモデルを保存 if args.save_every_n_steps is not None and global_step % args.save_every_n_steps == 0: accelerator.wait_for_everyone() if accelerator.is_main_process: ckpt_name = train_util.get_step_ckpt_name(args, "." + args.save_model_as, global_step) save_model(ckpt_name, accelerator.unwrap_model(network), global_step, epoch) if args.save_state: train_util.save_and_remove_state_stepwise(args, accelerator, global_step) remove_step_no = train_util.get_remove_step_no(args, global_step) if remove_step_no is not None: remove_ckpt_name = train_util.get_step_ckpt_name(args, "." + args.save_model_as, remove_step_no) remove_model(remove_ckpt_name) current_loss = loss.detach().item() loss_recorder.add(epoch=epoch, step=step, loss=current_loss) avr_loss: float = loss_recorder.moving_average logs = {"avr_loss": avr_loss} # , "lr": lr_scheduler.get_last_lr()[0]} progress_bar.set_postfix(**logs) if len(accelerator.trackers) > 0: logs = generate_step_logs(args, current_loss, avr_loss, lr_scheduler) accelerator.log(logs, step=global_step) if global_step >= args.max_train_steps: break if len(accelerator.trackers) > 0: logs = {"loss/epoch": loss_recorder.moving_average} accelerator.log(logs, step=epoch + 1) accelerator.wait_for_everyone() # 指定エポックごとにモデルを保存 if args.save_every_n_epochs is not None: saving = (epoch + 1) % args.save_every_n_epochs == 0 and (epoch + 1) < num_train_epochs if is_main_process and saving: ckpt_name = train_util.get_epoch_ckpt_name(args, "." + args.save_model_as, epoch + 1) save_model(ckpt_name, accelerator.unwrap_model(network), global_step, epoch + 1) remove_epoch_no = train_util.get_remove_epoch_no(args, epoch + 1) if remove_epoch_no is not None: remove_ckpt_name = train_util.get_epoch_ckpt_name(args, "." + args.save_model_as, remove_epoch_no) remove_model(remove_ckpt_name) if args.save_state: train_util.save_and_remove_state_on_epoch_end(args, accelerator, epoch + 1) # self.sample_images(accelerator, args, epoch + 1, global_step, accelerator.device, vae, tokenizer, text_encoder, unet) # end of epoch if is_main_process: network = accelerator.unwrap_model(network) accelerator.end_training() if is_main_process and args.save_state: train_util.save_state_on_train_end(args, accelerator) if is_main_process: ckpt_name = train_util.get_last_ckpt_name(args, "." + args.save_model_as) save_model(ckpt_name, network, global_step, num_train_epochs, force_sync_upload=True) logger.info("model saved.") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) train_util.add_sd_models_arguments(parser) sai_model_spec.add_model_spec_arguments(parser) train_util.add_dataset_arguments(parser, False, True, True) train_util.add_training_arguments(parser, False) deepspeed_utils.add_deepspeed_arguments(parser) train_util.add_optimizer_arguments(parser) config_util.add_config_arguments(parser) custom_train_functions.add_custom_train_arguments(parser) sdxl_train_util.add_sdxl_training_arguments(parser) parser.add_argument( "--save_model_as", type=str, default="safetensors", choices=[None, "ckpt", "pt", "safetensors"], help="format to save the model (default is .safetensors) / モデル保存時の形式（デフォルトはsafetensors）", ) parser.add_argument( "--cond_emb_dim", type=int, default=None, help="conditioning embedding dimension / 条件付け埋め込みの次元数" ) parser.add_argument( "--network_weights", type=str, default=None, help="pretrained weights for network / 学習するネットワークの初期重み" ) parser.add_argument("--network_dim", type=int, default=None, help="network dimensions (rank) / モジュールの次元数") parser.add_argument( "--network_dropout", type=float, default=None, help="Drops neurons out of training every step (0 or None is default behavior (no dropout), 1 would drop all neurons) / 訓練時に毎ステップでニューロンをdropする（0またはNoneはdropoutなし、1は全ニューロンをdropout）", ) parser.add_argument( "--conditioning_data_dir", type=str, default=None, help="conditioning data directory / 条件付けデータのディレクトリ", ) parser.add_argument( "--no_half_vae", action="store_true", help="do not use fp16/bf16 VAE in mixed precision (use float VAE) / mixed precisionでも fp16/bf16 VAEを使わずfloat VAEを使う", ) return parser if __name__ == "__main__": # sdxl_original_unet.USE_REENTRANT = False parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) train(args) ================================================ FILE: sdxl_train_network.py ================================================ import argparse from typing import List, Optional, Union import torch from accelerate import Accelerator from library.device_utils import init_ipex, clean_memory_on_device init_ipex() from library import sdxl_model_util, sdxl_train_util, strategy_base, strategy_sd, strategy_sdxl, train_util import train_network from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) class SdxlNetworkTrainer(train_network.NetworkTrainer): def __init__(self): super().__init__() self.vae_scale_factor = sdxl_model_util.VAE_SCALE_FACTOR self.is_sdxl = True def assert_extra_args( self, args, train_dataset_group: Union[train_util.DatasetGroup, train_util.MinimalDataset], val_dataset_group: Optional[train_util.DatasetGroup], ): sdxl_train_util.verify_sdxl_training_args(args) if args.cache_text_encoder_outputs: assert ( train_dataset_group.is_text_encoder_output_cacheable() ), "when caching Text Encoder output, either caption_dropout_rate, shuffle_caption, token_warmup_step or caption_tag_dropout_rate cannot be used / Text Encoderの出力をキャッシュするときはcaption_dropout_rate, shuffle_caption, token_warmup_step, caption_tag_dropout_rateは使えません" assert ( args.network_train_unet_only or not args.cache_text_encoder_outputs ), "network for Text Encoder cannot be trained with caching Text Encoder outputs / Text Encoderの出力をキャッシュしながらText Encoderのネットワークを学習することはできません" train_dataset_group.verify_bucket_reso_steps(32) if val_dataset_group is not None: val_dataset_group.verify_bucket_reso_steps(32) def load_target_model(self, args, weight_dtype, accelerator): ( load_stable_diffusion_format, text_encoder1, text_encoder2, vae, unet, logit_scale, ckpt_info, ) = sdxl_train_util.load_target_model(args, accelerator, sdxl_model_util.MODEL_VERSION_SDXL_BASE_V1_0, weight_dtype) self.load_stable_diffusion_format = load_stable_diffusion_format self.logit_scale = logit_scale self.ckpt_info = ckpt_info # モデルに xformers とか memory efficient attention を組み込む train_util.replace_unet_modules(unet, args.mem_eff_attn, args.xformers, args.sdpa) if torch.__version__ >= "2.0.0": # PyTorch 2.0.0 以上対応のxformersなら以下が使える vae.set_use_memory_efficient_attention_xformers(args.xformers) return sdxl_model_util.MODEL_VERSION_SDXL_BASE_V1_0, [text_encoder1, text_encoder2], vae, unet def get_tokenize_strategy(self, args): return strategy_sdxl.SdxlTokenizeStrategy(args.max_token_length, args.tokenizer_cache_dir) def get_tokenizers(self, tokenize_strategy: strategy_sdxl.SdxlTokenizeStrategy): return [tokenize_strategy.tokenizer1, tokenize_strategy.tokenizer2] def get_latents_caching_strategy(self, args): latents_caching_strategy = strategy_sd.SdSdxlLatentsCachingStrategy( False, args.cache_latents_to_disk, args.vae_batch_size, args.skip_cache_check ) return latents_caching_strategy def get_text_encoding_strategy(self, args): return strategy_sdxl.SdxlTextEncodingStrategy() def get_models_for_text_encoding(self, args, accelerator, text_encoders): return text_encoders + [accelerator.unwrap_model(text_encoders[-1])] def get_text_encoder_outputs_caching_strategy(self, args): if args.cache_text_encoder_outputs: return strategy_sdxl.SdxlTextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, None, args.skip_cache_check, is_weighted=args.weighted_captions ) else: return None def cache_text_encoder_outputs_if_needed( self, args, accelerator: Accelerator, unet, vae, text_encoders, dataset: train_util.DatasetGroup, weight_dtype ): if args.cache_text_encoder_outputs: if not args.lowram: # メモリ消費を減らす logger.info("move vae and unet to cpu to save memory") org_vae_device = vae.device org_unet_device = unet.device vae.to("cpu") unet.to("cpu") clean_memory_on_device(accelerator.device) # When TE is not be trained, it will not be prepared so we need to use explicit autocast text_encoders[0].to(accelerator.device, dtype=weight_dtype) text_encoders[1].to(accelerator.device, dtype=weight_dtype) with accelerator.autocast(): dataset.new_cache_text_encoder_outputs(text_encoders + [accelerator.unwrap_model(text_encoders[-1])], accelerator) accelerator.wait_for_everyone() text_encoders[0].to("cpu", dtype=torch.float32) # Text Encoder doesn't work with fp16 on CPU text_encoders[1].to("cpu", dtype=torch.float32) clean_memory_on_device(accelerator.device) if not args.lowram: logger.info("move vae and unet back to original device") vae.to(org_vae_device) unet.to(org_unet_device) else: # Text Encoderから毎回出力を取得するので、GPUに乗せておく text_encoders[0].to(accelerator.device, dtype=weight_dtype) text_encoders[1].to(accelerator.device, dtype=weight_dtype) def get_text_cond(self, args, accelerator, batch, tokenizers, text_encoders, weight_dtype): if "text_encoder_outputs1_list" not in batch or batch["text_encoder_outputs1_list"] is None: input_ids1 = batch["input_ids"] input_ids2 = batch["input_ids2"] with torch.enable_grad(): # Get the text embedding for conditioning # TODO support weighted captions # if args.weighted_captions: # encoder_hidden_states = get_weighted_text_embeddings( # tokenizer, # text_encoder, # batch["captions"], # accelerator.device, # args.max_token_length // 75 if args.max_token_length else 1, # clip_skip=args.clip_skip, # ) # else: input_ids1 = input_ids1.to(accelerator.device) input_ids2 = input_ids2.to(accelerator.device) encoder_hidden_states1, encoder_hidden_states2, pool2 = train_util.get_hidden_states_sdxl( args.max_token_length, input_ids1, input_ids2, tokenizers[0], tokenizers[1], text_encoders[0], text_encoders[1], None if not args.full_fp16 else weight_dtype, accelerator=accelerator, ) else: encoder_hidden_states1 = batch["text_encoder_outputs1_list"].to(accelerator.device).to(weight_dtype) encoder_hidden_states2 = batch["text_encoder_outputs2_list"].to(accelerator.device).to(weight_dtype) pool2 = batch["text_encoder_pool2_list"].to(accelerator.device).to(weight_dtype) # # verify that the text encoder outputs are correct # ehs1, ehs2, p2 = train_util.get_hidden_states_sdxl( # args.max_token_length, # batch["input_ids"].to(text_encoders[0].device), # batch["input_ids2"].to(text_encoders[0].device), # tokenizers[0], # tokenizers[1], # text_encoders[0], # text_encoders[1], # None if not args.full_fp16 else weight_dtype, # ) # b_size = encoder_hidden_states1.shape[0] # assert ((encoder_hidden_states1.to("cpu") - ehs1.to(dtype=weight_dtype)).abs().max() > 1e-2).sum() <= b_size * 2 # assert ((encoder_hidden_states2.to("cpu") - ehs2.to(dtype=weight_dtype)).abs().max() > 1e-2).sum() <= b_size * 2 # assert ((pool2.to("cpu") - p2.to(dtype=weight_dtype)).abs().max() > 1e-2).sum() <= b_size * 2 # logger.info("text encoder outputs verified") return encoder_hidden_states1, encoder_hidden_states2, pool2 def call_unet( self, args, accelerator, unet, noisy_latents, timesteps, text_conds, batch, weight_dtype, indices: Optional[List[int]] = None, ): noisy_latents = noisy_latents.to(weight_dtype) # TODO check why noisy_latents is not weight_dtype # get size embeddings orig_size = batch["original_sizes_hw"] crop_size = batch["crop_top_lefts"] target_size = batch["target_sizes_hw"] embs = sdxl_train_util.get_size_embeddings(orig_size, crop_size, target_size, accelerator.device).to(weight_dtype) # concat embeddings encoder_hidden_states1, encoder_hidden_states2, pool2 = text_conds vector_embedding = torch.cat([pool2, embs], dim=1).to(weight_dtype) text_embedding = torch.cat([encoder_hidden_states1, encoder_hidden_states2], dim=2).to(weight_dtype) if indices is not None and len(indices) > 0: noisy_latents = noisy_latents[indices] timesteps = timesteps[indices] text_embedding = text_embedding[indices] vector_embedding = vector_embedding[indices] noise_pred = unet(noisy_latents, timesteps, text_embedding, vector_embedding) return noise_pred def sample_images(self, accelerator, args, epoch, global_step, device, vae, tokenizer, text_encoder, unet): sdxl_train_util.sample_images(accelerator, args, epoch, global_step, device, vae, tokenizer, text_encoder, unet) def setup_parser() -> argparse.ArgumentParser: parser = train_network.setup_parser() sdxl_train_util.add_sdxl_training_arguments(parser) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) trainer = SdxlNetworkTrainer() trainer.train(args) ================================================ FILE: sdxl_train_textual_inversion.py ================================================ import argparse import os from typing import Optional, Union import regex import torch from library.device_utils import init_ipex init_ipex() from library import sdxl_model_util, sdxl_train_util, strategy_sd, strategy_sdxl, train_util import train_textual_inversion class SdxlTextualInversionTrainer(train_textual_inversion.TextualInversionTrainer): def __init__(self): super().__init__() self.vae_scale_factor = sdxl_model_util.VAE_SCALE_FACTOR self.is_sdxl = True def assert_extra_args(self, args, train_dataset_group: Union[train_util.DatasetGroup, train_util.MinimalDataset], val_dataset_group: Optional[train_util.DatasetGroup]): # super().assert_extra_args(args, train_dataset_group) # do not call parent because it checks reso steps with 64 sdxl_train_util.verify_sdxl_training_args(args, support_text_encoder_caching=False) train_dataset_group.verify_bucket_reso_steps(32) if val_dataset_group is not None: val_dataset_group.verify_bucket_reso_steps(32) def load_target_model(self, args, weight_dtype, accelerator): ( load_stable_diffusion_format, text_encoder1, text_encoder2, vae, unet, logit_scale, ckpt_info, ) = sdxl_train_util.load_target_model(args, accelerator, sdxl_model_util.MODEL_VERSION_SDXL_BASE_V1_0, weight_dtype) self.load_stable_diffusion_format = load_stable_diffusion_format self.logit_scale = logit_scale self.ckpt_info = ckpt_info return sdxl_model_util.MODEL_VERSION_SDXL_BASE_V1_0, [text_encoder1, text_encoder2], vae, unet def get_tokenize_strategy(self, args): return strategy_sdxl.SdxlTokenizeStrategy(args.max_token_length, args.tokenizer_cache_dir) def get_tokenizers(self, tokenize_strategy: strategy_sdxl.SdxlTokenizeStrategy): return [tokenize_strategy.tokenizer1, tokenize_strategy.tokenizer2] def get_latents_caching_strategy(self, args): latents_caching_strategy = strategy_sd.SdSdxlLatentsCachingStrategy( False, args.cache_latents_to_disk, args.vae_batch_size, args.skip_cache_check ) return latents_caching_strategy def get_text_encoding_strategy(self, args): return strategy_sdxl.SdxlTextEncodingStrategy() def call_unet(self, args, accelerator, unet, noisy_latents, timesteps, text_conds, batch, weight_dtype): noisy_latents = noisy_latents.to(weight_dtype) # TODO check why noisy_latents is not weight_dtype # get size embeddings orig_size = batch["original_sizes_hw"] crop_size = batch["crop_top_lefts"] target_size = batch["target_sizes_hw"] embs = sdxl_train_util.get_size_embeddings(orig_size, crop_size, target_size, accelerator.device).to(weight_dtype) # concat embeddings encoder_hidden_states1, encoder_hidden_states2, pool2 = text_conds vector_embedding = torch.cat([pool2, embs], dim=1).to(weight_dtype) text_embedding = torch.cat([encoder_hidden_states1, encoder_hidden_states2], dim=2).to(weight_dtype) noise_pred = unet(noisy_latents, timesteps, text_embedding, vector_embedding) return noise_pred def sample_images( self, accelerator, args, epoch, global_step, device, vae, tokenizers, text_encoders, unet, prompt_replacement ): sdxl_train_util.sample_images( accelerator, args, epoch, global_step, device, vae, tokenizers, text_encoders, unet, prompt_replacement ) def save_weights(self, file, updated_embs, save_dtype, metadata): state_dict = {"clip_l": updated_embs[0], "clip_g": updated_embs[1]} if save_dtype is not None: for key in list(state_dict.keys()): v = state_dict[key] v = v.detach().clone().to("cpu").to(save_dtype) state_dict[key] = v if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import save_file save_file(state_dict, file, metadata) else: torch.save(state_dict, file) def load_weights(self, file): if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file data = load_file(file) else: data = torch.load(file, map_location="cpu") emb_l = data.get("clip_l", None) # ViT-L text encoder 1 emb_g = data.get("clip_g", None) # BiG-G text encoder 2 assert ( emb_l is not None or emb_g is not None ), f"weight file does not contains weights for text encoder 1 or 2 / 重みファイルにテキストエンコーダー1または2の重みが含まれていません: {file}" return [emb_l, emb_g] def setup_parser() -> argparse.ArgumentParser: parser = train_textual_inversion.setup_parser() sdxl_train_util.add_sdxl_training_arguments(parser, support_text_encoder_caching=False) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) trainer = SdxlTextualInversionTrainer() trainer.train(args) ================================================ FILE: setup.py ================================================ from setuptools import setup, find_packages setup(name = "library", packages = find_packages()) ================================================ FILE: tests/README.md ================================================ # Tests ## Install ``` pip install pytest ``` ## Usage ``` pytest ``` ## Contribution Pytest is configured to run tests in this directory. It might be a good idea to add tests closer in the code, as well as doctests. Tests are functions starting with `test_` and files with the pattern `test_*.py`. ``` def test_x(): assert 1 == 2, "Invalid test response" ``` ## Resources ### pytest - https://docs.pytest.org/en/stable/index.html - https://docs.pytest.org/en/stable/how-to/assert.html - https://docs.pytest.org/en/stable/how-to/doctest.html ### PyTorch testing - https://circleci.com/blog/testing-pytorch-model-with-pytest/ - https://pytorch.org/docs/stable/testing.html - https://github.com/pytorch/pytorch/wiki/Running-and-writing-tests - https://github.com/huggingface/pytorch-image-models/tree/main/tests - https://github.com/pytorch/pytorch/tree/main/test ================================================ FILE: tests/library/test_flux_train_utils.py ================================================ import pytest import torch from unittest.mock import MagicMock, patch from library.flux_train_utils import ( get_noisy_model_input_and_timesteps, ) # Mock classes and functions class MockNoiseScheduler: def __init__(self, num_train_timesteps=1000): self.config = MagicMock() self.config.num_train_timesteps = num_train_timesteps self.timesteps = torch.arange(num_train_timesteps, dtype=torch.long) # Create fixtures for commonly used objects @pytest.fixture def args(): args = MagicMock() args.timestep_sampling = "uniform" args.weighting_scheme = "uniform" args.logit_mean = 0.0 args.logit_std = 1.0 args.mode_scale = 1.0 args.sigmoid_scale = 1.0 args.discrete_flow_shift = 3.1582 args.ip_noise_gamma = None args.ip_noise_gamma_random_strength = False return args @pytest.fixture def noise_scheduler(): return MockNoiseScheduler(num_train_timesteps=1000) @pytest.fixture def latents(): return torch.randn(2, 4, 8, 8) @pytest.fixture def noise(): return torch.randn(2, 4, 8, 8) @pytest.fixture def device(): # return "cuda" if torch.cuda.is_available() else "cpu" return "cpu" # Mock the required functions @pytest.fixture(autouse=True) def mock_functions(): with ( patch("torch.sigmoid", side_effect=torch.sigmoid), patch("torch.rand", side_effect=torch.rand), patch("torch.randn", side_effect=torch.randn), ): yield # Test different timestep sampling methods def test_uniform_sampling(args, noise_scheduler, latents, noise, device): args.timestep_sampling = "uniform" dtype = torch.float32 noisy_input, timesteps, sigmas = get_noisy_model_input_and_timesteps(args, noise_scheduler, latents, noise, device, dtype) assert noisy_input.shape == latents.shape assert timesteps.shape == (latents.shape[0],) assert sigmas.shape == (latents.shape[0], 1, 1, 1) assert noisy_input.dtype == dtype assert timesteps.dtype == dtype def test_sigmoid_sampling(args, noise_scheduler, latents, noise, device): args.timestep_sampling = "sigmoid" args.sigmoid_scale = 1.0 dtype = torch.float32 noisy_input, timesteps, sigmas = get_noisy_model_input_and_timesteps(args, noise_scheduler, latents, noise, device, dtype) assert noisy_input.shape == latents.shape assert timesteps.shape == (latents.shape[0],) assert sigmas.shape == (latents.shape[0], 1, 1, 1) def test_shift_sampling(args, noise_scheduler, latents, noise, device): args.timestep_sampling = "shift" args.sigmoid_scale = 1.0 args.discrete_flow_shift = 3.1582 dtype = torch.float32 noisy_input, timesteps, sigmas = get_noisy_model_input_and_timesteps(args, noise_scheduler, latents, noise, device, dtype) assert noisy_input.shape == latents.shape assert timesteps.shape == (latents.shape[0],) assert sigmas.shape == (latents.shape[0], 1, 1, 1) def test_flux_shift_sampling(args, noise_scheduler, latents, noise, device): args.timestep_sampling = "flux_shift" args.sigmoid_scale = 1.0 dtype = torch.float32 noisy_input, timesteps, sigmas = get_noisy_model_input_and_timesteps(args, noise_scheduler, latents, noise, device, dtype) assert noisy_input.shape == latents.shape assert timesteps.shape == (latents.shape[0],) assert sigmas.shape == (latents.shape[0], 1, 1, 1) def test_weighting_scheme(args, noise_scheduler, latents, noise, device): # Mock the necessary functions for this specific test with patch("library.flux_train_utils.compute_density_for_timestep_sampling", return_value=torch.tensor([0.3, 0.7], device=device)), \ patch("library.flux_train_utils.get_sigmas", return_value=torch.tensor([[0.3], [0.7]], device=device).view(-1, 1, 1, 1)): args.timestep_sampling = "other" # Will trigger the weighting scheme path args.weighting_scheme = "uniform" args.logit_mean = 0.0 args.logit_std = 1.0 args.mode_scale = 1.0 dtype = torch.float32 noisy_input, timesteps, sigmas = get_noisy_model_input_and_timesteps( args, noise_scheduler, latents, noise, device, dtype ) assert noisy_input.shape == latents.shape assert timesteps.shape == (latents.shape[0],) assert sigmas.shape == (latents.shape[0], 1, 1, 1) # Test IP noise options def test_with_ip_noise(args, noise_scheduler, latents, noise, device): args.ip_noise_gamma = 0.5 args.ip_noise_gamma_random_strength = False dtype = torch.float32 noisy_input, timesteps, sigmas = get_noisy_model_input_and_timesteps(args, noise_scheduler, latents, noise, device, dtype) assert noisy_input.shape == latents.shape assert timesteps.shape == (latents.shape[0],) assert sigmas.shape == (latents.shape[0], 1, 1, 1) def test_with_random_ip_noise(args, noise_scheduler, latents, noise, device): args.ip_noise_gamma = 0.1 args.ip_noise_gamma_random_strength = True dtype = torch.float32 noisy_input, timesteps, sigmas = get_noisy_model_input_and_timesteps(args, noise_scheduler, latents, noise, device, dtype) assert noisy_input.shape == latents.shape assert timesteps.shape == (latents.shape[0],) assert sigmas.shape == (latents.shape[0], 1, 1, 1) # Test different data types def test_float16_dtype(args, noise_scheduler, latents, noise, device): dtype = torch.float16 noisy_input, timesteps, sigmas = get_noisy_model_input_and_timesteps(args, noise_scheduler, latents, noise, device, dtype) assert noisy_input.dtype == dtype assert timesteps.dtype == dtype # Test different batch sizes def test_different_batch_size(args, noise_scheduler, device): latents = torch.randn(5, 4, 8, 8) # batch size of 5 noise = torch.randn(5, 4, 8, 8) dtype = torch.float32 noisy_input, timesteps, sigmas = get_noisy_model_input_and_timesteps(args, noise_scheduler, latents, noise, device, dtype) assert noisy_input.shape == latents.shape assert timesteps.shape == (5,) assert sigmas.shape == (5, 1, 1, 1) # Test different image sizes def test_different_image_size(args, noise_scheduler, device): latents = torch.randn(2, 4, 16, 16) # larger image size noise = torch.randn(2, 4, 16, 16) dtype = torch.float32 noisy_input, timesteps, sigmas = get_noisy_model_input_and_timesteps(args, noise_scheduler, latents, noise, device, dtype) assert noisy_input.shape == latents.shape assert timesteps.shape == (2,) assert sigmas.shape == (2, 1, 1, 1) # Test edge cases def test_zero_batch_size(args, noise_scheduler, device): with pytest.raises(AssertionError): # expecting an error with zero batch size latents = torch.randn(0, 4, 8, 8) noise = torch.randn(0, 4, 8, 8) dtype = torch.float32 get_noisy_model_input_and_timesteps(args, noise_scheduler, latents, noise, device, dtype) def test_different_timestep_count(args, device): noise_scheduler = MockNoiseScheduler(num_train_timesteps=500) # different timestep count latents = torch.randn(2, 4, 8, 8) noise = torch.randn(2, 4, 8, 8) dtype = torch.float32 noisy_input, timesteps, sigmas = get_noisy_model_input_and_timesteps(args, noise_scheduler, latents, noise, device, dtype) assert noisy_input.shape == latents.shape assert timesteps.shape == (2,) # Check that timesteps are within the proper range assert torch.all(timesteps < 500) ================================================ FILE: tests/library/test_lumina_models.py ================================================ import pytest import torch from library.lumina_models import ( LuminaParams, to_cuda, to_cpu, RopeEmbedder, TimestepEmbedder, modulate, NextDiT, ) cuda_required = pytest.mark.skipif(not torch.cuda.is_available(), reason="CUDA not available") def test_lumina_params(): # Test default configuration default_params = LuminaParams() assert default_params.patch_size == 2 assert default_params.in_channels == 4 assert default_params.axes_dims == [36, 36, 36] assert default_params.axes_lens == [300, 512, 512] # Test 2B config config_2b = LuminaParams.get_2b_config() assert config_2b.dim == 2304 assert config_2b.in_channels == 16 assert config_2b.n_layers == 26 assert config_2b.n_heads == 24 assert config_2b.cap_feat_dim == 2304 # Test 7B config config_7b = LuminaParams.get_7b_config() assert config_7b.dim == 4096 assert config_7b.n_layers == 32 assert config_7b.n_heads == 32 assert config_7b.axes_dims == [64, 64, 64] @cuda_required def test_to_cuda_to_cpu(): # Test tensor conversion x = torch.tensor([1, 2, 3]) x_cuda = to_cuda(x) x_cpu = to_cpu(x_cuda) assert x.cpu().tolist() == x_cpu.tolist() # Test list conversion list_data = [torch.tensor([1]), torch.tensor([2])] list_cuda = to_cuda(list_data) assert all(tensor.device.type == "cuda" for tensor in list_cuda) list_cpu = to_cpu(list_cuda) assert all(not tensor.device.type == "cuda" for tensor in list_cpu) # Test dict conversion dict_data = {"a": torch.tensor([1]), "b": torch.tensor([2])} dict_cuda = to_cuda(dict_data) assert all(tensor.device.type == "cuda" for tensor in dict_cuda.values()) dict_cpu = to_cpu(dict_cuda) assert all(not tensor.device.type == "cuda" for tensor in dict_cpu.values()) def test_timestep_embedder(): # Test initialization hidden_size = 256 freq_emb_size = 128 embedder = TimestepEmbedder(hidden_size, freq_emb_size) assert embedder.frequency_embedding_size == freq_emb_size # Test timestep embedding t = torch.tensor([0.5, 1.0, 2.0]) emb_dim = freq_emb_size embeddings = TimestepEmbedder.timestep_embedding(t, emb_dim) assert embeddings.shape == (3, emb_dim) assert embeddings.dtype == torch.float32 # Ensure embeddings are unique for different input times assert not torch.allclose(embeddings[0], embeddings[1]) # Test forward pass t_emb = embedder(t) assert t_emb.shape == (3, hidden_size) def test_rope_embedder_simple(): rope_embedder = RopeEmbedder() batch_size, seq_len = 2, 10 # Create position_ids with valid ranges for each axis position_ids = torch.stack( [ torch.zeros(batch_size, seq_len, dtype=torch.int64), # First axis: only 0 is valid torch.randint(0, 512, (batch_size, seq_len), dtype=torch.int64), # Second axis: 0-511 torch.randint(0, 512, (batch_size, seq_len), dtype=torch.int64), # Third axis: 0-511 ], dim=-1, ) freqs_cis = rope_embedder(position_ids) # RoPE embeddings work in pairs, so output dimension is half of total axes_dims expected_dim = sum(rope_embedder.axes_dims) // 2 # 128 // 2 = 64 assert freqs_cis.shape == (batch_size, seq_len, expected_dim) def test_modulate(): # Test modulation with different scales x = torch.tensor([[1.0, 2.0], [3.0, 4.0]]) scale = torch.tensor([1.5, 2.0]) modulated_x = modulate(x, scale) # Check that modulation scales correctly # The function does x * (1 + scale), so: # For scale [1.5, 2.0], (1 + scale) = [2.5, 3.0] expected_x = torch.tensor([[2.5 * 1.0, 2.5 * 2.0], [3.0 * 3.0, 3.0 * 4.0]]) # Which equals: [[2.5, 5.0], [9.0, 12.0]] assert torch.allclose(modulated_x, expected_x) def test_nextdit_parameter_count_optimized(): # The constraint is: (dim // n_heads) == sum(axes_dims) # So for dim=120, n_heads=4: 120//4 = 30, so sum(axes_dims) must = 30 model_small = NextDiT( patch_size=2, in_channels=4, # Smaller dim=120, # 120 // 4 = 30 n_layers=2, # Much fewer layers n_heads=4, # Fewer heads n_kv_heads=2, axes_dims=[10, 10, 10], # sum = 30 axes_lens=[10, 32, 32], # Smaller ) param_count_small = model_small.parameter_count() assert param_count_small > 0 # For dim=192, n_heads=6: 192//6 = 32, so sum(axes_dims) must = 32 model_medium = NextDiT( patch_size=2, in_channels=4, dim=192, # 192 // 6 = 32 n_layers=4, # More layers n_heads=6, n_kv_heads=3, axes_dims=[10, 11, 11], # sum = 32 axes_lens=[10, 32, 32], ) param_count_medium = model_medium.parameter_count() assert param_count_medium > param_count_small print(f"Small model: {param_count_small:,} parameters") print(f"Medium model: {param_count_medium:,} parameters") @torch.no_grad() def test_precompute_freqs_cis(): # Test precompute_freqs_cis dim = [16, 56, 56] end = [1, 512, 512] theta = 10000.0 freqs_cis = NextDiT.precompute_freqs_cis(dim, end, theta) # Check number of frequency tensors assert len(freqs_cis) == len(dim) # Check each frequency tensor for i, (d, e) in enumerate(zip(dim, end)): assert freqs_cis[i].shape == (e, d // 2) assert freqs_cis[i].dtype == torch.complex128 @torch.no_grad() def test_nextdit_patchify_and_embed(): """Test the patchify_and_embed method which is crucial for training""" # Create a small NextDiT model for testing # The constraint is: (dim // n_heads) == sum(axes_dims) # For dim=120, n_heads=4: 120//4 = 30, so sum(axes_dims) must = 30 model = NextDiT( patch_size=2, in_channels=4, dim=120, # 120 // 4 = 30 n_layers=1, # Minimal layers for faster testing n_refiner_layers=1, # Minimal refiner layers n_heads=4, n_kv_heads=2, axes_dims=[10, 10, 10], # sum = 30 axes_lens=[10, 32, 32], cap_feat_dim=120, # Match dim for consistency ) # Prepare test inputs batch_size = 2 height, width = 64, 64 # Must be divisible by patch_size (2) caption_seq_len = 8 # Create mock inputs x = torch.randn(batch_size, 4, height, width) # Image latents cap_feats = torch.randn(batch_size, caption_seq_len, 120) # Caption features cap_mask = torch.ones(batch_size, caption_seq_len, dtype=torch.bool) # All valid tokens # Make second batch have shorter caption cap_mask[1, 6:] = False # Only first 6 tokens are valid for second batch t = torch.randn(batch_size, 120) # Timestep embeddings # Call patchify_and_embed joint_hidden_states, attention_mask, freqs_cis, l_effective_cap_len, seq_lengths = model.patchify_and_embed( x, cap_feats, cap_mask, t ) # Validate outputs image_seq_len = (height // 2) * (width // 2) # patch_size = 2 expected_seq_lengths = [caption_seq_len + image_seq_len, 6 + image_seq_len] # Second batch has shorter caption max_seq_len = max(expected_seq_lengths) # Check joint hidden states shape assert joint_hidden_states.shape == (batch_size, max_seq_len, 120) assert joint_hidden_states.dtype == torch.float32 # Check attention mask shape and values assert attention_mask.shape == (batch_size, max_seq_len) assert attention_mask.dtype == torch.bool # First batch should have all positions valid up to its sequence length assert torch.all(attention_mask[0, : expected_seq_lengths[0]]) assert torch.all(~attention_mask[0, expected_seq_lengths[0] :]) # Second batch should have all positions valid up to its sequence length assert torch.all(attention_mask[1, : expected_seq_lengths[1]]) assert torch.all(~attention_mask[1, expected_seq_lengths[1] :]) # Check freqs_cis shape assert freqs_cis.shape == (batch_size, max_seq_len, sum(model.axes_dims) // 2) # Check effective caption lengths assert l_effective_cap_len == [caption_seq_len, 6] # Check sequence lengths assert seq_lengths == expected_seq_lengths # Validate that the joint hidden states contain non-zero values where attention mask is True for i in range(batch_size): valid_positions = attention_mask[i] # Check that valid positions have meaningful data (not all zeros) valid_data = joint_hidden_states[i][valid_positions] assert not torch.allclose(valid_data, torch.zeros_like(valid_data)) # Check that invalid positions are zeros if valid_positions.sum() < max_seq_len: invalid_data = joint_hidden_states[i][~valid_positions] assert torch.allclose(invalid_data, torch.zeros_like(invalid_data)) @torch.no_grad() def test_nextdit_patchify_and_embed_edge_cases(): """Test edge cases for patchify_and_embed""" # Create minimal model model = NextDiT( patch_size=2, in_channels=4, dim=60, # 60 // 3 = 20 n_layers=1, n_refiner_layers=1, n_heads=3, n_kv_heads=1, axes_dims=[8, 6, 6], # sum = 20 axes_lens=[10, 16, 16], cap_feat_dim=60, ) # Test with empty captions (all masked) batch_size = 1 height, width = 32, 32 caption_seq_len = 4 x = torch.randn(batch_size, 4, height, width) cap_feats = torch.randn(batch_size, caption_seq_len, 60) cap_mask = torch.zeros(batch_size, caption_seq_len, dtype=torch.bool) # All tokens masked t = torch.randn(batch_size, 60) joint_hidden_states, attention_mask, freqs_cis, l_effective_cap_len, seq_lengths = model.patchify_and_embed( x, cap_feats, cap_mask, t ) # With all captions masked, effective length should be 0 assert l_effective_cap_len == [0] # Sequence length should just be the image sequence length image_seq_len = (height // 2) * (width // 2) assert seq_lengths == [image_seq_len] # Joint hidden states should only contain image data assert joint_hidden_states.shape == (batch_size, image_seq_len, 60) assert attention_mask.shape == (batch_size, image_seq_len) assert torch.all(attention_mask[0]) # All image positions should be valid ================================================ FILE: tests/library/test_lumina_train_util.py ================================================ import pytest import torch import math from library.lumina_train_util import ( batchify, time_shift, get_lin_function, get_schedule, compute_density_for_timestep_sampling, get_sigmas, compute_loss_weighting_for_sd3, get_noisy_model_input_and_timesteps, apply_model_prediction_type, retrieve_timesteps, ) from library.sd3_train_utils import FlowMatchEulerDiscreteScheduler def test_batchify(): # Test case with no batch size specified prompts = [{"prompt": "test1"}, {"prompt": "test2"}, {"prompt": "test3"}] batchified = list(batchify(prompts)) assert len(batchified) == 1 assert len(batchified[0]) == 3 # Test case with batch size specified batchified_sized = list(batchify(prompts, batch_size=2)) assert len(batchified_sized) == 2 assert len(batchified_sized[0]) == 2 assert len(batchified_sized[1]) == 1 # Test batching with prompts having same parameters prompts_with_params = [ {"prompt": "test1", "width": 512, "height": 512}, {"prompt": "test2", "width": 512, "height": 512}, {"prompt": "test3", "width": 1024, "height": 1024}, ] batchified_params = list(batchify(prompts_with_params)) assert len(batchified_params) == 2 # Test invalid batch size with pytest.raises(ValueError): list(batchify(prompts, batch_size=0)) with pytest.raises(ValueError): list(batchify(prompts, batch_size=-1)) def test_time_shift(): # Test standard parameters t = torch.tensor([0.5]) mu = 1.0 sigma = 1.0 result = time_shift(mu, sigma, t) assert 0 <= result <= 1 # Test with edge cases t_edges = torch.tensor([0.0, 1.0]) result_edges = time_shift(1.0, 1.0, t_edges) # Check that results are bounded within [0, 1] assert torch.all(result_edges >= 0) assert torch.all(result_edges <= 1) def test_get_lin_function(): # Default parameters func = get_lin_function() assert func(256) == 0.5 assert func(4096) == 1.15 # Custom parameters custom_func = get_lin_function(x1=100, x2=1000, y1=0.1, y2=0.9) assert custom_func(100) == 0.1 assert custom_func(1000) == 0.9 def test_get_schedule(): # Basic schedule schedule = get_schedule(num_steps=10, image_seq_len=256) assert len(schedule) == 10 assert all(0 <= x <= 1 for x in schedule) # Test different sequence lengths short_schedule = get_schedule(num_steps=5, image_seq_len=128) long_schedule = get_schedule(num_steps=15, image_seq_len=1024) assert len(short_schedule) == 5 assert len(long_schedule) == 15 # Test with shift disabled unshifted_schedule = get_schedule(num_steps=10, image_seq_len=256, shift=False) assert torch.allclose(torch.tensor(unshifted_schedule), torch.linspace(1, 1 / 10, 10)) def test_compute_density_for_timestep_sampling(): # Test uniform sampling uniform_samples = compute_density_for_timestep_sampling("uniform", batch_size=100) assert len(uniform_samples) == 100 assert torch.all((uniform_samples >= 0) & (uniform_samples <= 1)) # Test logit normal sampling logit_normal_samples = compute_density_for_timestep_sampling("logit_normal", batch_size=100, logit_mean=0.0, logit_std=1.0) assert len(logit_normal_samples) == 100 assert torch.all((logit_normal_samples >= 0) & (logit_normal_samples <= 1)) # Test mode sampling mode_samples = compute_density_for_timestep_sampling("mode", batch_size=100, mode_scale=0.5) assert len(mode_samples) == 100 assert torch.all((mode_samples >= 0) & (mode_samples <= 1)) def test_get_sigmas(): # Create a mock noise scheduler scheduler = FlowMatchEulerDiscreteScheduler(num_train_timesteps=1000) device = torch.device("cpu") # Test with default parameters timesteps = torch.tensor([100, 500, 900]) sigmas = get_sigmas(scheduler, timesteps, device) # Check shape and basic properties assert sigmas.shape[0] == 3 assert torch.all(sigmas >= 0) # Test with different n_dim sigmas_4d = get_sigmas(scheduler, timesteps, device, n_dim=4) assert sigmas_4d.ndim == 4 # Test with different dtype sigmas_float16 = get_sigmas(scheduler, timesteps, device, dtype=torch.float16) assert sigmas_float16.dtype == torch.float16 def test_compute_loss_weighting_for_sd3(): # Prepare some mock sigmas sigmas = torch.tensor([0.1, 0.5, 1.0]) # Test sigma_sqrt weighting sqrt_weighting = compute_loss_weighting_for_sd3("sigma_sqrt", sigmas) assert torch.allclose(sqrt_weighting, 1 / (sigmas**2), rtol=1e-5) # Test cosmap weighting cosmap_weighting = compute_loss_weighting_for_sd3("cosmap", sigmas) bot = 1 - 2 * sigmas + 2 * sigmas**2 expected_cosmap = 2 / (math.pi * bot) assert torch.allclose(cosmap_weighting, expected_cosmap, rtol=1e-5) # Test default weighting default_weighting = compute_loss_weighting_for_sd3("unknown", sigmas) assert torch.all(default_weighting == 1) def test_apply_model_prediction_type(): # Create mock args and tensors class MockArgs: model_prediction_type = "raw" weighting_scheme = "sigma_sqrt" args = MockArgs() model_pred = torch.tensor([1.0, 2.0, 3.0]) noisy_model_input = torch.tensor([0.5, 1.0, 1.5]) sigmas = torch.tensor([0.1, 0.5, 1.0]) # Test raw prediction type raw_pred, raw_weighting = apply_model_prediction_type(args, model_pred, noisy_model_input, sigmas) assert torch.all(raw_pred == model_pred) assert raw_weighting is None # Test additive prediction type args.model_prediction_type = "additive" additive_pred, _ = apply_model_prediction_type(args, model_pred, noisy_model_input, sigmas) assert torch.all(additive_pred == model_pred + noisy_model_input) # Test sigma scaled prediction type args.model_prediction_type = "sigma_scaled" sigma_scaled_pred, sigma_weighting = apply_model_prediction_type(args, model_pred, noisy_model_input, sigmas) assert torch.all(sigma_scaled_pred == model_pred * (-sigmas) + noisy_model_input) assert sigma_weighting is not None def test_retrieve_timesteps(): # Create a mock scheduler scheduler = FlowMatchEulerDiscreteScheduler(num_train_timesteps=1000) # Test with num_inference_steps timesteps, n_steps = retrieve_timesteps(scheduler, num_inference_steps=50) assert len(timesteps) == 50 assert n_steps == 50 # Test error handling with simultaneous timesteps and sigmas with pytest.raises(ValueError): retrieve_timesteps(scheduler, timesteps=[1, 2, 3], sigmas=[0.1, 0.2, 0.3]) def test_get_noisy_model_input_and_timesteps(): # Create a mock args and setup class MockArgs: timestep_sampling = "uniform" weighting_scheme = "sigma_sqrt" sigmoid_scale = 1.0 discrete_flow_shift = 6.0 ip_noise_gamma = True ip_noise_gamma_random_strength = 0.01 args = MockArgs() scheduler = FlowMatchEulerDiscreteScheduler(num_train_timesteps=1000) device = torch.device("cpu") # Prepare mock latents and noise latents = torch.randn(4, 16, 64, 64) noise = torch.randn_like(latents) # Test uniform sampling noisy_input, timesteps, sigmas = get_noisy_model_input_and_timesteps(args, scheduler, latents, noise, device, torch.float32) # Validate output shapes and types assert noisy_input.shape == latents.shape assert timesteps.shape[0] == latents.shape[0] assert noisy_input.dtype == torch.float32 assert timesteps.dtype == torch.float32 # Test different sampling methods sampling_methods = ["sigmoid", "shift", "nextdit_shift"] for method in sampling_methods: args.timestep_sampling = method noisy_input, timesteps, _ = get_noisy_model_input_and_timesteps(args, scheduler, latents, noise, device, torch.float32) assert noisy_input.shape == latents.shape assert timesteps.shape[0] == latents.shape[0] ================================================ FILE: tests/library/test_lumina_util.py ================================================ import torch from torch.nn.modules import conv from library import lumina_util def test_unpack_latents(): # Create a test tensor # Shape: [batch, height*width, channels*patch_height*patch_width] x = torch.randn(2, 4, 16) # 2 batches, 4 tokens, 16 channels packed_latent_height = 2 packed_latent_width = 2 # Unpack the latents unpacked = lumina_util.unpack_latents(x, packed_latent_height, packed_latent_width) # Check output shape # Expected shape: [batch, channels, height*patch_height, width*patch_width] assert unpacked.shape == (2, 4, 4, 4) def test_pack_latents(): # Create a test tensor # Shape: [batch, channels, height*patch_height, width*patch_width] x = torch.randn(2, 4, 4, 4) # Pack the latents packed = lumina_util.pack_latents(x) # Check output shape # Expected shape: [batch, height*width, channels*patch_height*patch_width] assert packed.shape == (2, 4, 16) def test_convert_diffusers_sd_to_alpha_vllm(): num_double_blocks = 2 # Predefined test cases based on the actual conversion map test_cases = [ # Static key conversions with possible list mappings { "original_keys": ["time_caption_embed.caption_embedder.0.weight"], "original_pattern": ["time_caption_embed.caption_embedder.0.weight"], "expected_converted_keys": ["cap_embedder.0.weight"], }, { "original_keys": ["patch_embedder.proj.weight"], "original_pattern": ["patch_embedder.proj.weight"], "expected_converted_keys": ["x_embedder.weight"], }, { "original_keys": ["transformer_blocks.0.norm1.weight"], "original_pattern": ["transformer_blocks.().norm1.weight"], "expected_converted_keys": ["layers.0.attention_norm1.weight"], }, ] for test_case in test_cases: for original_key, original_pattern, expected_converted_key in zip( test_case["original_keys"], test_case["original_pattern"], test_case["expected_converted_keys"] ): # Create test state dict test_sd = {original_key: torch.randn(10, 10)} # Convert the state dict converted_sd = lumina_util.convert_diffusers_sd_to_alpha_vllm(test_sd, num_double_blocks) # Verify conversion (handle both string and list keys) # Find the correct converted key match_found = False if expected_converted_key in converted_sd: # Verify tensor preservation assert torch.allclose(converted_sd[expected_converted_key], test_sd[original_key], atol=1e-6), ( f"Tensor mismatch for {original_key}" ) match_found = True break assert match_found, f"Failed to convert {original_key}" # Ensure original key is also present assert original_key in converted_sd # Test with block-specific keys block_specific_cases = [ { "original_pattern": "transformer_blocks.().norm1.weight", "converted_pattern": "layers.().attention_norm1.weight", } ] for case in block_specific_cases: for block_idx in range(2): # Test multiple block indices # Prepare block-specific keys block_original_key = case["original_pattern"].replace("()", str(block_idx)) block_converted_key = case["converted_pattern"].replace("()", str(block_idx)) print(block_original_key, block_converted_key) # Create test state dict test_sd = {block_original_key: torch.randn(10, 10)} # Convert the state dict converted_sd = lumina_util.convert_diffusers_sd_to_alpha_vllm(test_sd, num_double_blocks) # Verify conversion # assert block_converted_key in converted_sd, f"Failed to convert block key {block_original_key}" assert torch.allclose(converted_sd[block_converted_key], test_sd[block_original_key], atol=1e-6), ( f"Tensor mismatch for block key {block_original_key}" ) # Ensure original key is also present assert block_original_key in converted_sd ================================================ FILE: tests/library/test_sai_model_spec.py ================================================ """Tests for sai_model_spec module.""" import pytest import time from library import sai_model_spec class MockArgs: """Mock argparse.Namespace for testing.""" def __init__(self, **kwargs): # Default values self.v2 = False self.v_parameterization = False self.resolution = 512 self.metadata_title = None self.metadata_author = None self.metadata_description = None self.metadata_license = None self.metadata_tags = None self.min_timestep = None self.max_timestep = None self.clip_skip = None self.output_name = "test_output" # Override with provided values for key, value in kwargs.items(): setattr(self, key, value) class TestModelSpecMetadata: """Test the ModelSpecMetadata dataclass.""" def test_creation_and_conversion(self): """Test creating dataclass and converting to metadata dict.""" metadata = sai_model_spec.ModelSpecMetadata( architecture="stable-diffusion-v1", implementation="diffusers", title="Test Model", resolution="512x512", author="Test Author", description=None, # Test None exclusion ) assert metadata.architecture == "stable-diffusion-v1" assert metadata.sai_model_spec == "1.0.1" metadata_dict = metadata.to_metadata_dict() assert "modelspec.architecture" in metadata_dict assert "modelspec.author" in metadata_dict assert "modelspec.description" not in metadata_dict # None values excluded assert metadata_dict["modelspec.sai_model_spec"] == "1.0.1" def test_additional_fields_handling(self): """Test handling of additional metadata fields.""" additional = {"custom_field": "custom_value", "modelspec.prefixed": "prefixed_value"} metadata = sai_model_spec.ModelSpecMetadata( architecture="stable-diffusion-v1", implementation="diffusers", title="Test Model", resolution="512x512", additional_fields=additional, ) metadata_dict = metadata.to_metadata_dict() assert "modelspec.custom_field" in metadata_dict assert "modelspec.prefixed" in metadata_dict assert metadata_dict["modelspec.custom_field"] == "custom_value" def test_from_args_extraction(self): """Test creating ModelSpecMetadata from args with metadata_* fields.""" args = MockArgs(metadata_author="Test Author", metadata_trigger_phrase="anime style", metadata_usage_hint="Use CFG 7.5") metadata = sai_model_spec.ModelSpecMetadata.from_args( args, architecture="stable-diffusion-v1", implementation="diffusers", title="Test Model", resolution="512x512", ) assert metadata.author == "Test Author" assert metadata.additional_fields["trigger_phrase"] == "anime style" assert metadata.additional_fields["usage_hint"] == "Use CFG 7.5" class TestArchitectureDetection: """Test architecture detection for different model types.""" @pytest.mark.parametrize( "config,expected", [ ({"v2": False, "v_parameterization": False, "sdxl": True}, "stable-diffusion-xl-v1-base"), ({"v2": False, "v_parameterization": False, "sdxl": False, "model_config": {"flux": "dev"}}, "flux-1-dev"), ({"v2": False, "v_parameterization": False, "sdxl": False, "model_config": {"flux": "chroma"}}, "chroma"), ( {"v2": False, "v_parameterization": False, "sdxl": False, "model_config": {"sd3": "large"}}, "stable-diffusion-3-large", ), ({"v2": True, "v_parameterization": True, "sdxl": False}, "stable-diffusion-v2-768-v"), ({"v2": False, "v_parameterization": False, "sdxl": False}, "stable-diffusion-v1"), ], ) def test_architecture_detection(self, config, expected): """Test architecture detection for various model configurations.""" model_config = config.pop("model_config", None) arch = sai_model_spec.determine_architecture(lora=False, textual_inversion=False, model_config=model_config, **config) assert arch == expected def test_adapter_suffixes(self): """Test LoRA and textual inversion suffixes.""" lora_arch = sai_model_spec.determine_architecture( v2=False, v_parameterization=False, sdxl=True, lora=True, textual_inversion=False ) assert lora_arch == "stable-diffusion-xl-v1-base/lora" ti_arch = sai_model_spec.determine_architecture( v2=False, v_parameterization=False, sdxl=False, lora=False, textual_inversion=True ) assert ti_arch == "stable-diffusion-v1/textual-inversion" class TestImplementationDetection: """Test implementation detection for different model types.""" @pytest.mark.parametrize( "config,expected", [ ({"model_config": {"flux": "dev"}}, "https://github.com/black-forest-labs/flux"), ({"model_config": {"flux": "chroma"}}, "https://huggingface.co/lodestones/Chroma"), ({"model_config": {"lumina": "lumina2"}}, "https://github.com/Alpha-VLLM/Lumina-Image-2.0"), ({"lora": True, "sdxl": True}, "https://github.com/Stability-AI/generative-models"), ({"lora": True, "sdxl": False}, "diffusers"), ], ) def test_implementation_detection(self, config, expected): """Test implementation detection for various configurations.""" model_config = config.pop("model_config", None) impl = sai_model_spec.determine_implementation( lora=config.get("lora", False), textual_inversion=False, sdxl=config.get("sdxl", False), model_config=model_config ) assert impl == expected class TestResolutionHandling: """Test resolution parsing and defaults.""" @pytest.mark.parametrize( "input_reso,expected", [ ((768, 1024), "768x1024"), (768, "768x768"), ("768,1024", "768x1024"), ], ) def test_explicit_resolution_formats(self, input_reso, expected): """Test different resolution input formats.""" res = sai_model_spec.determine_resolution(reso=input_reso) assert res == expected @pytest.mark.parametrize( "config,expected", [ ({"sdxl": True}, "1024x1024"), ({"model_config": {"flux": "dev"}}, "1024x1024"), ({"v2": True, "v_parameterization": True}, "768x768"), ({}, "512x512"), # Default SD v1 ], ) def test_default_resolutions(self, config, expected): """Test default resolution detection.""" model_config = config.pop("model_config", None) res = sai_model_spec.determine_resolution(model_config=model_config, **config) assert res == expected class TestThumbnailProcessing: """Test thumbnail data URL processing.""" def test_file_to_data_url(self): """Test converting file to data URL.""" import tempfile import os # Create a tiny test PNG (1x1 pixel) test_png_data = b"\x89PNG\r\n\x1a\n\x00\x00\x00\rIHDR\x00\x00\x00\x01\x00\x00\x00\x01\x08\x02\x00\x00\x00\x90wS\xde\x00\x00\x00\x0cIDATx\x9cc\xff\xff\xff\x00\x00\x00\x04\x00\x01\x9d\xb3\xa7c\x00\x00\x00\x00IEND\xaeB`\x82" with tempfile.NamedTemporaryFile(suffix=".png", delete=False) as f: f.write(test_png_data) temp_path = f.name try: data_url = sai_model_spec.file_to_data_url(temp_path) # Check format assert data_url.startswith("data:image/png;base64,") # Check it's a reasonable length (base64 encoded) assert len(data_url) > 50 # Verify we can decode it back import base64 encoded_part = data_url.split(",", 1)[1] decoded_data = base64.b64decode(encoded_part) assert decoded_data == test_png_data finally: os.unlink(temp_path) def test_file_to_data_url_nonexistent_file(self): """Test error handling for nonexistent files.""" import pytest with pytest.raises(FileNotFoundError): sai_model_spec.file_to_data_url("/nonexistent/file.png") def test_thumbnail_processing_in_metadata(self): """Test thumbnail processing in build_metadata_dataclass.""" import tempfile import os # Create a test image file test_png_data = b"\x89PNG\r\n\x1a\n\x00\x00\x00\rIHDR\x00\x00\x00\x01\x00\x00\x00\x01\x08\x02\x00\x00\x00\x90wS\xde\x00\x00\x00\x0cIDATx\x9cc\xff\xff\xff\x00\x00\x00\x04\x00\x01\x9d\xb3\xa7c\x00\x00\x00\x00IEND\xaeB`\x82" with tempfile.NamedTemporaryFile(suffix=".png", delete=False) as f: f.write(test_png_data) temp_path = f.name try: timestamp = time.time() # Test with file path - should be converted to data URL metadata = sai_model_spec.build_metadata_dataclass( state_dict=None, v2=False, v_parameterization=False, sdxl=False, lora=False, textual_inversion=False, timestamp=timestamp, title="Test Model", optional_metadata={"thumbnail": temp_path}, ) # Should be converted to data URL assert "thumbnail" in metadata.additional_fields assert metadata.additional_fields["thumbnail"].startswith("data:image/png;base64,") finally: os.unlink(temp_path) def test_thumbnail_data_url_passthrough(self): """Test that existing data URLs are passed through unchanged.""" timestamp = time.time() existing_data_url = ( "data:image/png;base64,iVBORw0KGgoAAAANSUhEUgAAAAEAAAABCAYAAAAfFcSJAAAADUlEQVR42mP8/5+hHgAHggJ/PchI7wAAAABJRU5ErkJggg==" ) metadata = sai_model_spec.build_metadata_dataclass( state_dict=None, v2=False, v_parameterization=False, sdxl=False, lora=False, textual_inversion=False, timestamp=timestamp, title="Test Model", optional_metadata={"thumbnail": existing_data_url}, ) # Should be unchanged assert metadata.additional_fields["thumbnail"] == existing_data_url def test_thumbnail_invalid_file_handling(self): """Test graceful handling of invalid thumbnail files.""" timestamp = time.time() metadata = sai_model_spec.build_metadata_dataclass( state_dict=None, v2=False, v_parameterization=False, sdxl=False, lora=False, textual_inversion=False, timestamp=timestamp, title="Test Model", optional_metadata={"thumbnail": "/nonexistent/file.png"}, ) # Should be removed from additional_fields due to error assert "thumbnail" not in metadata.additional_fields class TestBuildMetadataIntegration: """Test the complete metadata building workflow.""" def test_sdxl_model_workflow(self): """Test complete workflow for SDXL model.""" timestamp = time.time() metadata = sai_model_spec.build_metadata_dataclass( state_dict=None, v2=False, v_parameterization=False, sdxl=True, lora=False, textual_inversion=False, timestamp=timestamp, title="Test SDXL Model", ) assert metadata.architecture == "stable-diffusion-xl-v1-base" assert metadata.implementation == "https://github.com/Stability-AI/generative-models" assert metadata.resolution == "1024x1024" assert metadata.prediction_type == "epsilon" def test_flux_model_workflow(self): """Test complete workflow for Flux model.""" timestamp = time.time() metadata = sai_model_spec.build_metadata_dataclass( state_dict=None, v2=False, v_parameterization=False, sdxl=False, lora=False, textual_inversion=False, timestamp=timestamp, title="Test Flux Model", model_config={"flux": "dev"}, optional_metadata={"trigger_phrase": "anime style"}, ) assert metadata.architecture == "flux-1-dev" assert metadata.implementation == "https://github.com/black-forest-labs/flux" assert metadata.prediction_type is None # Flux doesn't use prediction_type assert metadata.additional_fields["trigger_phrase"] == "anime style" def test_legacy_function_compatibility(self): """Test that legacy build_metadata function works correctly.""" timestamp = time.time() metadata_dict = sai_model_spec.build_metadata( state_dict=None, v2=False, v_parameterization=False, sdxl=True, lora=False, textual_inversion=False, timestamp=timestamp, title="Test Model", ) assert isinstance(metadata_dict, dict) assert metadata_dict["modelspec.sai_model_spec"] == "1.0.1" assert metadata_dict["modelspec.architecture"] == "stable-diffusion-xl-v1-base" ================================================ FILE: tests/library/test_strategy_lumina.py ================================================ import os import tempfile import torch import numpy as np from unittest.mock import patch from transformers import Gemma2Model from library.strategy_lumina import ( LuminaTokenizeStrategy, LuminaTextEncodingStrategy, LuminaTextEncoderOutputsCachingStrategy, LuminaLatentsCachingStrategy, ) class SimpleMockGemma2Model: """Lightweight mock that avoids initializing the actual Gemma2Model""" def __init__(self, hidden_size=2304): self.device = torch.device("cpu") self._hidden_size = hidden_size self._orig_mod = self # For dynamic compilation compatibility def __call__(self, input_ids, attention_mask, output_hidden_states=False, return_dict=False): # Create a mock output object with hidden states batch_size, seq_len = input_ids.shape hidden_size = self._hidden_size class MockOutput: def __init__(self, hidden_states): self.hidden_states = hidden_states mock_hidden_states = [ torch.randn(batch_size, seq_len, hidden_size, device=input_ids.device) for _ in range(3) # Mimic multiple layers of hidden states ] return MockOutput(mock_hidden_states) def test_lumina_tokenize_strategy(): # Test default initialization try: tokenize_strategy = LuminaTokenizeStrategy("dummy system prompt", max_length=None) except OSError as e: # If the tokenizer is not found (due to gated repo), we can skip the test print(f"Skipping LuminaTokenizeStrategy test due to OSError: {e}") return assert tokenize_strategy.max_length == 256 assert tokenize_strategy.tokenizer.padding_side == "right" # Test tokenization of a single string text = "Hello" tokens, attention_mask = tokenize_strategy.tokenize(text) assert tokens.ndim == 2 assert attention_mask.ndim == 2 assert tokens.shape == attention_mask.shape assert tokens.shape[1] == 256 # max_length # Test tokenize_with_weights tokens, attention_mask, weights = tokenize_strategy.tokenize_with_weights(text) assert len(weights) == 1 assert torch.all(weights[0] == 1) def test_lumina_text_encoding_strategy(): # Create strategies try: tokenize_strategy = LuminaTokenizeStrategy("dummy system prompt", max_length=None) except OSError as e: # If the tokenizer is not found (due to gated repo), we can skip the test print(f"Skipping LuminaTokenizeStrategy test due to OSError: {e}") return encoding_strategy = LuminaTextEncodingStrategy() # Create a mock model mock_model = SimpleMockGemma2Model() # Patch the isinstance check to accept our simple mock original_isinstance = isinstance with patch("library.strategy_lumina.isinstance") as mock_isinstance: def custom_isinstance(obj, class_or_tuple): if obj is mock_model and class_or_tuple is Gemma2Model: return True if hasattr(obj, "_orig_mod") and obj._orig_mod is mock_model and class_or_tuple is Gemma2Model: return True return original_isinstance(obj, class_or_tuple) mock_isinstance.side_effect = custom_isinstance # Prepare sample text text = "Test encoding strategy" tokens, attention_mask = tokenize_strategy.tokenize(text) # Perform encoding hidden_states, input_ids, attention_masks = encoding_strategy.encode_tokens( tokenize_strategy, [mock_model], (tokens, attention_mask) ) # Validate outputs assert original_isinstance(hidden_states, torch.Tensor) assert original_isinstance(input_ids, torch.Tensor) assert original_isinstance(attention_masks, torch.Tensor) # Check the shape of the second-to-last hidden state assert hidden_states.ndim == 3 # Test weighted encoding (which falls back to standard encoding for Lumina) weights = [torch.ones_like(tokens)] hidden_states_w, input_ids_w, attention_masks_w = encoding_strategy.encode_tokens_with_weights( tokenize_strategy, [mock_model], (tokens, attention_mask), weights ) # For the mock, we can't guarantee identical outputs since each call returns random tensors # Instead, check that the outputs have the same shape and are tensors assert hidden_states_w.shape == hidden_states.shape assert original_isinstance(hidden_states_w, torch.Tensor) assert torch.allclose(input_ids, input_ids_w) # Input IDs should be the same assert torch.allclose(attention_masks, attention_masks_w) # Attention masks should be the same def test_lumina_text_encoder_outputs_caching_strategy(): # Create a temporary directory for caching with tempfile.TemporaryDirectory() as tmpdir: # Create a cache file path cache_file = os.path.join(tmpdir, "test_outputs.npz") # Create the caching strategy caching_strategy = LuminaTextEncoderOutputsCachingStrategy( cache_to_disk=True, batch_size=1, skip_disk_cache_validity_check=False, ) # Create a mock class for ImageInfo class MockImageInfo: def __init__(self, caption, cache_path): self.caption = caption self.text_encoder_outputs_npz = cache_path # Create a sample input info image_info = MockImageInfo("Test caption", cache_file) # Simulate a batch batch = [image_info] # Create mock strategies and model try: tokenize_strategy = LuminaTokenizeStrategy("dummy system prompt", max_length=None) except OSError as e: # If the tokenizer is not found (due to gated repo), we can skip the test print(f"Skipping LuminaTokenizeStrategy test due to OSError: {e}") return encoding_strategy = LuminaTextEncodingStrategy() mock_model = SimpleMockGemma2Model() # Patch the isinstance check to accept our simple mock original_isinstance = isinstance with patch("library.strategy_lumina.isinstance") as mock_isinstance: def custom_isinstance(obj, class_or_tuple): if obj is mock_model and class_or_tuple is Gemma2Model: return True if hasattr(obj, "_orig_mod") and obj._orig_mod is mock_model and class_or_tuple is Gemma2Model: return True return original_isinstance(obj, class_or_tuple) mock_isinstance.side_effect = custom_isinstance # Call cache_batch_outputs caching_strategy.cache_batch_outputs(tokenize_strategy, [mock_model], encoding_strategy, batch) # Verify the npz file was created assert os.path.exists(cache_file), f"Cache file not created at {cache_file}" # Verify the is_disk_cached_outputs_expected method assert caching_strategy.is_disk_cached_outputs_expected(cache_file) # Test loading from npz loaded_data = caching_strategy.load_outputs_npz(cache_file) assert len(loaded_data) == 3 # hidden_state, input_ids, attention_mask def test_lumina_latents_caching_strategy(): # Create a temporary directory for caching with tempfile.TemporaryDirectory() as tmpdir: # Prepare a mock absolute path abs_path = os.path.join(tmpdir, "test_image.png") # Use smaller image size for faster testing image_size = (64, 64) # Create a smaller dummy image for testing test_image = np.random.randint(0, 255, (64, 64, 3), dtype=np.uint8) # Create the caching strategy caching_strategy = LuminaLatentsCachingStrategy(cache_to_disk=True, batch_size=1, skip_disk_cache_validity_check=False) # Create a simple mock VAE class MockVAE: def __init__(self): self.device = torch.device("cpu") self.dtype = torch.float32 def encode(self, x): # Return smaller encoded tensor for faster processing encoded = torch.randn(1, 4, 8, 8, device=x.device) return type("EncodedLatents", (), {"to": lambda *args, **kwargs: encoded}) # Prepare a mock batch class MockImageInfo: def __init__(self, path, image): self.absolute_path = path self.image = image self.image_path = path self.bucket_reso = image_size self.resized_size = image_size self.resize_interpolation = "lanczos" # Specify full path to the latents npz file self.latents_npz = os.path.join(tmpdir, f"{os.path.splitext(os.path.basename(path))[0]}_0064x0064_lumina.npz") batch = [MockImageInfo(abs_path, test_image)] # Call cache_batch_latents mock_vae = MockVAE() caching_strategy.cache_batch_latents(mock_vae, batch, flip_aug=False, alpha_mask=False, random_crop=False) # Generate the expected npz path npz_path = caching_strategy.get_latents_npz_path(abs_path, image_size) # Verify the file was created assert os.path.exists(npz_path), f"NPZ file not created at {npz_path}" # Verify is_disk_cached_latents_expected assert caching_strategy.is_disk_cached_latents_expected(image_size, npz_path, False, False) # Test loading from disk loaded_data = caching_strategy.load_latents_from_disk(npz_path, image_size) assert len(loaded_data) == 5 # Check for 5 expected elements ================================================ FILE: tests/manual_test_anima_cache.py ================================================ """ Diagnostic script to test Anima latent & text encoder caching independently. Usage: python manual_test_anima_cache.py \ --image_dir /path/to/images \ --qwen3_path /path/to/qwen3 \ --vae_path /path/to/vae.safetensors \ [--t5_tokenizer_path /path/to/t5] \ [--cache_to_disk] The image_dir should contain pairs of: image1.png + image1.txt image2.jpg + image2.txt ... """ import argparse import glob import os import sys import traceback import numpy as np import torch from PIL import Image from torchvision import transforms # Helpers IMAGE_EXTENSIONS = {".png", ".jpg", ".jpeg", ".webp", ".bmp", ".tiff"} IMAGE_TRANSFORMS = transforms.Compose( [ transforms.ToTensor(), # [0,1] transforms.Normalize([0.5], [0.5]), # [-1,1] ] ) def find_image_caption_pairs(image_dir: str): """Find (image_path, caption_text) pairs from a directory.""" pairs = [] for f in sorted(os.listdir(image_dir)): ext = os.path.splitext(f)[1].lower() if ext not in IMAGE_EXTENSIONS: continue img_path = os.path.join(image_dir, f) txt_path = os.path.splitext(img_path)[0] + ".txt" if os.path.exists(txt_path): with open(txt_path, "r", encoding="utf-8") as fh: caption = fh.read().strip() else: caption = "" pairs.append((img_path, caption)) return pairs def print_tensor_info(name: str, t, indent=2): prefix = " " * indent if t is None: print(f"{prefix}{name}: None") return if isinstance(t, np.ndarray): print(f"{prefix}{name}: numpy {t.dtype} shape={t.shape} " f"min={t.min():.4f} max={t.max():.4f} mean={t.mean():.4f}") elif isinstance(t, torch.Tensor): print( f"{prefix}{name}: torch {t.dtype} shape={tuple(t.shape)} " f"min={t.min().item():.4f} max={t.max().item():.4f} mean={t.float().mean().item():.4f}" ) else: print(f"{prefix}{name}: type={type(t)} value={t}") # Test 1: Latent Cache def test_latent_cache(args, pairs): print("\n" + "=" * 70) print("TEST 1: LATENT CACHING (VAE encode -> cache -> reload)") print("=" * 70) from library import qwen_image_autoencoder_kl # Load VAE print("\n[1.1] Loading VAE...") device = "cuda" if torch.cuda.is_available() else "cpu" vae_dtype = torch.float32 vae = qwen_image_autoencoder_kl.load_vae(args.vae_path, dtype=vae_dtype, device=device) print(f" VAE loaded on {device}, dtype={vae_dtype}") for img_path, caption in pairs: print(f"\n[1.2] Processing: {os.path.basename(img_path)}") # Load image img = Image.open(img_path).convert("RGB") img_np = np.array(img) print(f" Raw image: {img_np.shape} dtype={img_np.dtype} " f"min={img_np.min()} max={img_np.max()}") # Apply IMAGE_TRANSFORMS (same as sd-scripts training) img_tensor = IMAGE_TRANSFORMS(img_np) print( f" After IMAGE_TRANSFORMS: shape={tuple(img_tensor.shape)} " f"min={img_tensor.min():.4f} max={img_tensor.max():.4f}" ) # Check range is [-1, 1] if img_tensor.min() < -1.01 or img_tensor.max() > 1.01: print(" ** WARNING: tensor out of [-1, 1] range!") else: print(" OK: tensor in [-1, 1] range") # Encode with VAE img_batch = img_tensor.unsqueeze(0).to(device, dtype=vae_dtype) # (1, C, H, W) img_5d = img_batch.unsqueeze(2) # (1, C, 1, H, W) - add temporal dim print(f" VAE input: shape={tuple(img_5d.shape)} dtype={img_5d.dtype}") with torch.no_grad(): latents = vae.encode_pixels_to_latents(img_5d) latents_cpu = latents.cpu() print_tensor_info("Encoded latents", latents_cpu) # Check for NaN/Inf if torch.any(torch.isnan(latents_cpu)): print(" ** ERROR: NaN in latents!") elif torch.any(torch.isinf(latents_cpu)): print(" ** ERROR: Inf in latents!") else: print(" OK: no NaN/Inf") # Test disk cache round-trip if args.cache_to_disk: npz_path = os.path.splitext(img_path)[0] + "_test_latent.npz" latents_np = latents_cpu.float().numpy() h, w = img_np.shape[:2] np.savez( npz_path, latents=latents_np, original_size=np.array([w, h]), crop_ltrb=np.array([0, 0, 0, 0]), ) print(f" Saved to: {npz_path}") # Reload loaded = np.load(npz_path) loaded_latents = loaded["latents"] print_tensor_info("Reloaded latents", loaded_latents) # Compare diff = np.abs(latents_np - loaded_latents).max() print(f" Max diff (save vs load): {diff:.2e}") if diff > 1e-5: print(" ** WARNING: latent cache round-trip has significant diff!") else: print(" OK: round-trip matches") os.remove(npz_path) print(f" Cleaned up {npz_path}") vae.to("cpu") del vae torch.cuda.empty_cache() if torch.cuda.is_available() else None print("\n[1.3] Latent cache test DONE.") # Test 2: Text Encoder Output Cache def test_text_encoder_cache(args, pairs): # TODO Rewrite this print("\n" + "=" * 70) print("TEST 2: TEXT ENCODER OUTPUT CACHING") print("=" * 70) from library import anima_utils # Load tokenizers print("\n[2.1] Loading tokenizers...") qwen3_tokenizer = anima_utils.load_qwen3_tokenizer(args.qwen3_path) t5_tokenizer = anima_utils.load_t5_tokenizer(getattr(args, "t5_tokenizer_path", None)) print(f" Qwen3 tokenizer vocab: {qwen3_tokenizer.vocab_size}") print(f" T5 tokenizer vocab: {t5_tokenizer.vocab_size}") # Load text encoder print("\n[2.2] Loading Qwen3 text encoder...") device = "cuda" if torch.cuda.is_available() else "cpu" te_dtype = torch.bfloat16 if device == "cuda" else torch.float32 qwen3_model, _ = anima_utils.load_qwen3_text_encoder(args.qwen3_path, dtype=te_dtype, device=device) qwen3_model.eval() # Create strategy objects from library.strategy_anima import AnimaTokenizeStrategy, AnimaTextEncodingStrategy tokenize_strategy = AnimaTokenizeStrategy( qwen3_tokenizer=qwen3_tokenizer, t5_tokenizer=t5_tokenizer, qwen3_max_length=args.qwen3_max_length, t5_max_length=args.t5_max_length, ) text_encoding_strategy = AnimaTextEncodingStrategy() captions = [cap for _, cap in pairs] print(f"\n[2.3] Tokenizing {len(captions)} captions...") for i, cap in enumerate(captions): print(f" [{i}] \"{cap[:80]}{'...' if len(cap) > 80 else ''}\"") tokens_and_masks = tokenize_strategy.tokenize(captions) qwen3_input_ids, qwen3_attn_mask, t5_input_ids, t5_attn_mask = tokens_and_masks print(f"\n Tokenization results:") print_tensor_info("qwen3_input_ids", qwen3_input_ids) print_tensor_info("qwen3_attn_mask", qwen3_attn_mask) print_tensor_info("t5_input_ids", t5_input_ids) print_tensor_info("t5_attn_mask", t5_attn_mask) # Encode print(f"\n[2.4] Encoding with Qwen3 text encoder...") with torch.no_grad(): prompt_embeds, attn_mask, t5_ids_out, t5_mask_out = text_encoding_strategy.encode_tokens( tokenize_strategy, [qwen3_model], tokens_and_masks ) print(f" Encoding results:") print_tensor_info("prompt_embeds", prompt_embeds) print_tensor_info("attn_mask", attn_mask) print_tensor_info("t5_input_ids", t5_ids_out) print_tensor_info("t5_attn_mask", t5_mask_out) # Check for NaN/Inf if torch.any(torch.isnan(prompt_embeds)): print(" ** ERROR: NaN in prompt_embeds!") elif torch.any(torch.isinf(prompt_embeds)): print(" ** ERROR: Inf in prompt_embeds!") else: print(" OK: no NaN/Inf in prompt_embeds") # Test cache round-trip (simulate what AnimaTextEncoderOutputsCachingStrategy does) print(f"\n[2.5] Testing cache round-trip (encode -> numpy -> npz -> reload -> tensor)...") # Convert to numpy (same as cache_batch_outputs in strategy_anima.py) pe_cpu = prompt_embeds.cpu() if pe_cpu.dtype == torch.bfloat16: pe_cpu = pe_cpu.float() pe_np = pe_cpu.numpy() am_np = attn_mask.cpu().numpy() t5_ids_np = t5_ids_out.cpu().numpy().astype(np.int32) t5_mask_np = t5_mask_out.cpu().numpy().astype(np.int32) print(f" Numpy conversions:") print_tensor_info("prompt_embeds_np", pe_np) print_tensor_info("attn_mask_np", am_np) print_tensor_info("t5_input_ids_np", t5_ids_np) print_tensor_info("t5_attn_mask_np", t5_mask_np) if args.cache_to_disk: npz_path = os.path.join(args.image_dir, "_test_te_cache.npz") # Save per-sample (simulating cache_batch_outputs) for i in range(len(captions)): sample_npz = os.path.splitext(pairs[i][0])[0] + "_test_te.npz" np.savez( sample_npz, prompt_embeds=pe_np[i], attn_mask=am_np[i], t5_input_ids=t5_ids_np[i], t5_attn_mask=t5_mask_np[i], ) print(f" Saved: {sample_npz}") # Reload (simulating load_outputs_npz) data = np.load(sample_npz) print(f" Reloaded keys: {list(data.keys())}") print_tensor_info(" loaded prompt_embeds", data["prompt_embeds"], indent=4) print_tensor_info(" loaded attn_mask", data["attn_mask"], indent=4) print_tensor_info(" loaded t5_input_ids", data["t5_input_ids"], indent=4) print_tensor_info(" loaded t5_attn_mask", data["t5_attn_mask"], indent=4) # Check diff diff_pe = np.abs(pe_np[i] - data["prompt_embeds"]).max() diff_t5 = np.abs(t5_ids_np[i] - data["t5_input_ids"]).max() print(f" Max diff prompt_embeds: {diff_pe:.2e}") print(f" Max diff t5_input_ids: {diff_t5:.2e}") if diff_pe > 1e-5 or diff_t5 > 0: print(" ** WARNING: cache round-trip mismatch!") else: print(" OK: round-trip matches") os.remove(sample_npz) print(f" Cleaned up {sample_npz}") # Test in-memory cache round-trip (simulating what __getitem__ does) print(f"\n[2.6] Testing in-memory cache simulation (tuple -> none_or_stack_elements -> batch)...") # Simulate per-sample storage (like info.text_encoder_outputs = tuple) per_sample_cached = [] for i in range(len(captions)): per_sample_cached.append((pe_np[i], am_np[i], t5_ids_np[i], t5_mask_np[i])) # Simulate none_or_stack_elements with torch.FloatTensor converter # This is what train_util.py __getitem__ does at line 1784 stacked = [] for elem_idx in range(4): arrays = [sample[elem_idx] for sample in per_sample_cached] stacked.append(torch.stack([torch.FloatTensor(a) for a in arrays])) print(f" Stacked batch (like batch['text_encoder_outputs_list']):") names = ["prompt_embeds", "attn_mask", "t5_input_ids", "t5_attn_mask"] for name, tensor in zip(names, stacked): print_tensor_info(name, tensor) # Check condition: len(text_encoder_conds) == 0 or text_encoder_conds[0] is None text_encoder_conds = stacked cond_check_1 = len(text_encoder_conds) == 0 cond_check_2 = text_encoder_conds[0] is None print(f"\n Condition check (should both be False when caching works):") print(f" len(text_encoder_conds) == 0 : {cond_check_1}") print(f" text_encoder_conds[0] is None: {cond_check_2}") if not cond_check_1 and not cond_check_2: print(" OK: cached text encoder outputs would be used") else: print(" ** BUG: code would try to re-encode (and crash on None input_ids_list)!") # Test unpack for get_noise_pred_and_target (line 311) print(f"\n[2.7] Testing unpack: prompt_embeds, attn_mask, t5_input_ids, t5_attn_mask = text_encoder_conds") try: pe_batch, am_batch, t5_ids_batch, t5_mask_batch = text_encoder_conds print(f" Unpack OK") print_tensor_info("prompt_embeds", pe_batch) print_tensor_info("attn_mask", am_batch) print_tensor_info("t5_input_ids", t5_ids_batch) print_tensor_info("t5_attn_mask", t5_mask_batch) # Check t5_input_ids are integers (they were converted to FloatTensor!) if t5_ids_batch.dtype != torch.long and t5_ids_batch.dtype != torch.int32: print(f"\n ** NOTE: t5_input_ids dtype is {t5_ids_batch.dtype}, will be cast to long at line 316") t5_ids_long = t5_ids_batch.to(dtype=torch.long) # Check if any precision was lost diff = (t5_ids_batch - t5_ids_long.float()).abs().max() print(f" Float->Long precision loss: {diff:.2e}") if diff > 0.5: print(" ** ERROR: token IDs corrupted by float conversion!") else: print(" OK: float->long conversion is lossless for these IDs") except Exception as e: print(f" ** ERROR unpacking: {e}") traceback.print_exc() # Test drop_cached_text_encoder_outputs print(f"\n[2.8] Testing drop_cached_text_encoder_outputs (caption dropout)...") dropout_strategy = AnimaTextEncodingStrategy( dropout_rate=0.5, # high rate to ensure some drops ) dropped = dropout_strategy.drop_cached_text_encoder_outputs(*stacked) print(f" Returned {len(dropped)} tensors") for name, tensor in zip(names, dropped): print_tensor_info(f"dropped_{name}", tensor) # Check which items were dropped for i in range(len(captions)): is_zero = (dropped[0][i].abs().sum() == 0).item() print(f" Sample {i}: {'DROPPED' if is_zero else 'KEPT'}") qwen3_model.to("cpu") del qwen3_model torch.cuda.empty_cache() if torch.cuda.is_available() else None print("\n[2.8] Text encoder cache test DONE.") # Test 3: Full batch simulation def test_full_batch_simulation(args, pairs): print("\n" + "=" * 70) print("TEST 3: FULL BATCH SIMULATION (mimics process_batch flow)") print("=" * 70) from library import anima_utils from library.strategy_anima import AnimaTokenizeStrategy, AnimaTextEncodingStrategy device = "cuda" if torch.cuda.is_available() else "cpu" te_dtype = torch.bfloat16 if device == "cuda" else torch.float32 vae_dtype = torch.float32 # Load all models print("\n[3.1] Loading models...") qwen3_tokenizer = anima_utils.load_qwen3_tokenizer(args.qwen3_path) t5_tokenizer = anima_utils.load_t5_tokenizer(getattr(args, "t5_tokenizer_path", None)) qwen3_model, _ = anima_utils.load_qwen3_text_encoder(args.qwen3_path, dtype=te_dtype, device=device) qwen3_model.eval() vae, _, _, vae_scale = anima_utils.load_anima_vae(args.vae_path, dtype=vae_dtype, device=device) tokenize_strategy = AnimaTokenizeStrategy( qwen3_tokenizer=qwen3_tokenizer, t5_tokenizer=t5_tokenizer, qwen3_max_length=args.qwen3_max_length, t5_max_length=args.t5_max_length, ) text_encoding_strategy = AnimaTextEncodingStrategy(dropout_rate=0.0) captions = [cap for _, cap in pairs] # --- Simulate caching phase --- print("\n[3.2] Simulating text encoder caching phase...") tokens_and_masks = tokenize_strategy.tokenize(captions) with torch.no_grad(): te_outputs = text_encoding_strategy.encode_tokens( tokenize_strategy, [qwen3_model], tokens_and_masks, enable_dropout=False, ) prompt_embeds, attn_mask, t5_input_ids, t5_attn_mask = te_outputs # Convert to numpy (same as cache_batch_outputs) pe_np = prompt_embeds.cpu().float().numpy() am_np = attn_mask.cpu().numpy() t5_ids_np = t5_input_ids.cpu().numpy().astype(np.int32) t5_mask_np = t5_attn_mask.cpu().numpy().astype(np.int32) # Per-sample storage (like info.text_encoder_outputs) per_sample_te = [(pe_np[i], am_np[i], t5_ids_np[i], t5_mask_np[i]) for i in range(len(captions))] print(f"\n[3.3] Simulating latent caching phase...") per_sample_latents = [] for img_path, _ in pairs: img = Image.open(img_path).convert("RGB") img_np = np.array(img) img_tensor = IMAGE_TRANSFORMS(img_np).unsqueeze(0).unsqueeze(2) # (1,C,1,H,W) img_tensor = img_tensor.to(device, dtype=vae_dtype) with torch.no_grad(): lat = vae.encode(img_tensor, vae_scale).cpu() per_sample_latents.append(lat.squeeze(0)) # (C,1,H,W) print(f" {os.path.basename(img_path)}: latent shape={tuple(lat.shape)}") # --- Simulate batch construction (__getitem__) --- print(f"\n[3.4] Simulating batch construction...") # Use first image's latents only (images may have different resolutions) latents_batch = per_sample_latents[0].unsqueeze(0) # (1,C,1,H,W) print(f" Using first image latent for simulation: shape={tuple(latents_batch.shape)}") # Stack text encoder outputs (none_or_stack_elements) text_encoder_outputs_list = [] for elem_idx in range(4): arrays = [s[elem_idx] for s in per_sample_te] text_encoder_outputs_list.append(torch.stack([torch.FloatTensor(a) for a in arrays])) # input_ids_list is None when caching input_ids_list = None batch = { "latents": latents_batch, "text_encoder_outputs_list": text_encoder_outputs_list, "input_ids_list": input_ids_list, "loss_weights": torch.ones(len(captions)), } print(f" batch keys: {list(batch.keys())}") print(f" batch['latents']: shape={tuple(batch['latents'].shape)}") print(f" batch['text_encoder_outputs_list']: {len(batch['text_encoder_outputs_list'])} tensors") print(f" batch['input_ids_list']: {batch['input_ids_list']}") # --- Simulate process_batch logic --- print(f"\n[3.5] Simulating process_batch logic...") text_encoder_conds = [] te_out = batch.get("text_encoder_outputs_list", None) if te_out is not None: text_encoder_conds = te_out print(f" text_encoder_conds loaded from cache: {len(text_encoder_conds)} tensors") else: print(f" text_encoder_conds: empty (no cache)") # The critical condition train_text_encoder_TRUE = True # OLD behavior (base class default, no override) train_text_encoder_FALSE = False # NEW behavior (with is_train_text_encoder override) cond_old = len(text_encoder_conds) == 0 or text_encoder_conds[0] is None or train_text_encoder_TRUE cond_new = len(text_encoder_conds) == 0 or text_encoder_conds[0] is None or train_text_encoder_FALSE print(f"\n === CRITICAL CONDITION CHECK ===") print(f" len(text_encoder_conds) == 0 : {len(text_encoder_conds) == 0}") print(f" text_encoder_conds[0] is None: {text_encoder_conds[0] is None}") print(f" train_text_encoder (OLD=True) : {train_text_encoder_TRUE}") print(f" train_text_encoder (NEW=False): {train_text_encoder_FALSE}") print(f"") print(f" Condition with OLD behavior (no override): {cond_old}") msg = ( "ENTERS re-encode block -> accesses batch['input_ids_list'] -> CRASH!" if cond_old else "SKIPS re-encode block -> uses cache -> OK" ) print(f" -> {msg}") print(f" Condition with NEW behavior (override): {cond_new}") print(f" -> {'ENTERS re-encode block' if cond_new else 'SKIPS re-encode block -> uses cache -> OK'}") if cond_old and not cond_new: print(f"\n ** CONFIRMED: the is_train_text_encoder override fixes the crash **") # Simulate the rest of process_batch print(f"\n[3.6] Simulating get_noise_pred_and_target unpack...") try: pe, am, t5_ids, t5_mask = text_encoder_conds pe = pe.to(device, dtype=te_dtype) am = am.to(device) t5_ids = t5_ids.to(device, dtype=torch.long) t5_mask = t5_mask.to(device) print(f" Unpack + device transfer OK:") print_tensor_info("prompt_embeds", pe) print_tensor_info("attn_mask", am) print_tensor_info("t5_input_ids", t5_ids) print_tensor_info("t5_attn_mask", t5_mask) # Verify t5_input_ids didn't get corrupted by float conversion t5_ids_orig = torch.tensor(t5_ids_np, dtype=torch.long, device=device) id_match = torch.all(t5_ids == t5_ids_orig).item() print(f"\n t5_input_ids integrity (float->long roundtrip): {'OK' if id_match else '** MISMATCH **'}") if not id_match: diff_count = (t5_ids != t5_ids_orig).sum().item() print(f" {diff_count} token IDs differ!") # Show example idx = torch.where(t5_ids != t5_ids_orig) if len(idx[0]) > 0: i, j = idx[0][0].item(), idx[1][0].item() print(f" Example: position [{i},{j}] original={t5_ids_orig[i,j].item()} loaded={t5_ids[i,j].item()}") except Exception as e: print(f" ** ERROR: {e}") traceback.print_exc() # Cleanup vae.to("cpu") qwen3_model.to("cpu") del vae, qwen3_model torch.cuda.empty_cache() if torch.cuda.is_available() else None print("\n[3.7] Full batch simulation DONE.") # Main def main(): parser = argparse.ArgumentParser(description="Test Anima caching mechanisms") parser.add_argument("--image_dir", type=str, required=True, help="Directory with image+txt pairs") parser.add_argument("--qwen3_path", type=str, required=True, help="Path to Qwen3 model (directory or safetensors)") parser.add_argument("--vae_path", type=str, required=True, help="Path to WanVAE safetensors") parser.add_argument("--t5_tokenizer_path", type=str, default=None, help="Path to T5 tokenizer (optional, uses bundled config)") parser.add_argument("--qwen3_max_length", type=int, default=512) parser.add_argument("--t5_max_length", type=int, default=512) parser.add_argument("--cache_to_disk", action="store_true", help="Also test disk cache round-trip") parser.add_argument("--skip_latent", action="store_true", help="Skip latent cache test") parser.add_argument("--skip_text", action="store_true", help="Skip text encoder cache test") parser.add_argument("--skip_full", action="store_true", help="Skip full batch simulation") args = parser.parse_args() # Find pairs pairs = find_image_caption_pairs(args.image_dir) if len(pairs) == 0: print(f"ERROR: No image+txt pairs found in {args.image_dir}") print("Expected: image.png + image.txt, image.jpg + image.txt, etc.") sys.exit(1) print(f"Found {len(pairs)} image-caption pairs:") for img_path, cap in pairs: print(f" {os.path.basename(img_path)}: \"{cap[:60]}{'...' if len(cap) > 60 else ''}\"") results = {} if not args.skip_latent: try: test_latent_cache(args, pairs) results["latent_cache"] = "PASS" except Exception as e: print(f"\n** LATENT CACHE TEST FAILED: {e}") traceback.print_exc() results["latent_cache"] = f"FAIL: {e}" if not args.skip_text: try: test_text_encoder_cache(args, pairs) results["text_encoder_cache"] = "PASS" except Exception as e: print(f"\n** TEXT ENCODER CACHE TEST FAILED: {e}") traceback.print_exc() results["text_encoder_cache"] = f"FAIL: {e}" if not args.skip_full: try: test_full_batch_simulation(args, pairs) results["full_batch_sim"] = "PASS" except Exception as e: print(f"\n** FULL BATCH SIMULATION FAILED: {e}") traceback.print_exc() results["full_batch_sim"] = f"FAIL: {e}" # Summary print("\n" + "=" * 70) print("SUMMARY") print("=" * 70) for test, result in results.items(): status = "OK" if result == "PASS" else "FAIL" print(f" [{status}] {test}: {result}") print() if __name__ == "__main__": main() ================================================ FILE: tests/manual_test_anima_real_training.py ================================================ """ Test script that actually runs anima_train.py and anima_train_network.py for a few steps to verify --cache_text_encoder_outputs works. Usage: python test_anima_real_training.py \ --image_dir /path/to/images_with_txt \ --dit_path /path/to/dit.safetensors \ --qwen3_path /path/to/qwen3 \ --vae_path /path/to/vae.safetensors \ [--t5_tokenizer_path /path/to/t5] \ [--resolution 512] This will run 4 tests: 1. anima_train.py (full finetune, no cache) 2. anima_train.py (full finetune, --cache_text_encoder_outputs) 3. anima_train_network.py (LoRA, no cache) 4. anima_train_network.py (LoRA, --cache_text_encoder_outputs) Each test runs only 2 training steps then stops. """ import argparse import os import subprocess import sys import tempfile import shutil def create_dataset_toml(image_dir: str, resolution: int, toml_path: str): """Create a minimal dataset toml config.""" content = f"""[general] resolution = {resolution} enable_bucket = true bucket_reso_steps = 8 min_bucket_reso = 256 max_bucket_reso = 1024 [[datasets]] batch_size = 1 [[datasets.subsets]] image_dir = "{image_dir}" num_repeats = 1 caption_extension = ".txt" """ with open(toml_path, "w", encoding="utf-8") as f: f.write(content) return toml_path def run_test(test_name: str, cmd: list, timeout: int = 300) -> dict: """Run a training command and capture result.""" print(f"\n{'=' * 70}") print(f"TEST: {test_name}") print(f"{'=' * 70}") print(f"Command: {' '.join(cmd)}\n") try: result = subprocess.run( cmd, capture_output=True, text=True, timeout=timeout, cwd=os.path.dirname(os.path.abspath(__file__)), ) stdout = result.stdout stderr = result.stderr returncode = result.returncode # Print last N lines of output all_output = stdout + "\n" + stderr lines = all_output.strip().split("\n") print(f"--- Last 30 lines of output ---") for line in lines[-30:]: print(f" {line}") print(f"--- End output ---\n") if returncode == 0: print(f"RESULT: PASS (exit code 0)") return {"status": "PASS", "detail": "completed successfully"} else: # Check if it's a known error if "TypeError: 'NoneType' object is not iterable" in all_output: print(f"RESULT: FAIL - input_ids_list is None (the cache_text_encoder_outputs bug)") return {"status": "FAIL", "detail": "input_ids_list is None - cache TE outputs bug"} elif "steps: 0%" in all_output and "Error" in all_output: # Find the actual error error_lines = [l for l in lines if "Error" in l or "Traceback" in l or "raise" in l.lower()] detail = error_lines[-1] if error_lines else f"exit code {returncode}" print(f"RESULT: FAIL - {detail}") return {"status": "FAIL", "detail": detail} else: print(f"RESULT: FAIL (exit code {returncode})") return {"status": "FAIL", "detail": f"exit code {returncode}"} except subprocess.TimeoutExpired: print(f"RESULT: TIMEOUT (>{timeout}s)") return {"status": "TIMEOUT", "detail": f"exceeded {timeout}s"} except Exception as e: print(f"RESULT: ERROR - {e}") return {"status": "ERROR", "detail": str(e)} def main(): parser = argparse.ArgumentParser(description="Test Anima real training with cache flags") parser.add_argument("--image_dir", type=str, required=True, help="Directory with image+txt pairs") parser.add_argument("--dit_path", type=str, required=True, help="Path to Anima DiT safetensors") parser.add_argument("--qwen3_path", type=str, required=True, help="Path to Qwen3 model") parser.add_argument("--vae_path", type=str, required=True, help="Path to WanVAE safetensors") parser.add_argument("--t5_tokenizer_path", type=str, default=None) parser.add_argument("--resolution", type=int, default=512) parser.add_argument("--timeout", type=int, default=300, help="Timeout per test in seconds (default: 300)") parser.add_argument("--only", type=str, default=None, choices=["finetune", "lora"], help="Only run finetune or lora tests") args = parser.parse_args() # Validate paths for name, path in [("image_dir", args.image_dir), ("dit_path", args.dit_path), ("qwen3_path", args.qwen3_path), ("vae_path", args.vae_path)]: if not os.path.exists(path): print(f"ERROR: {name} does not exist: {path}") sys.exit(1) # Create temp dir for outputs tmp_dir = tempfile.mkdtemp(prefix="anima_test_") print(f"Temp directory: {tmp_dir}") # Create dataset toml toml_path = os.path.join(tmp_dir, "dataset.toml") create_dataset_toml(args.image_dir, args.resolution, toml_path) print(f"Dataset config: {toml_path}") output_dir = os.path.join(tmp_dir, "output") os.makedirs(output_dir, exist_ok=True) python = sys.executable # Common args for both scripts common_anima_args = [ "--dit_path", args.dit_path, "--qwen3_path", args.qwen3_path, "--vae_path", args.vae_path, "--pretrained_model_name_or_path", args.dit_path, # required by base parser "--output_dir", output_dir, "--output_name", "test", "--dataset_config", toml_path, "--max_train_steps", "2", "--learning_rate", "1e-5", "--mixed_precision", "bf16", "--save_every_n_steps", "999", # don't save "--max_data_loader_n_workers", "0", # single process for clarity "--logging_dir", os.path.join(tmp_dir, "logs"), "--cache_latents", ] if args.t5_tokenizer_path: common_anima_args += ["--t5_tokenizer_path", args.t5_tokenizer_path] results = {} # TEST 1: anima_train.py - NO cache_text_encoder_outputs if args.only is None or args.only == "finetune": cmd = [python, "anima_train.py"] + common_anima_args + [ "--optimizer_type", "AdamW8bit", ] results["finetune_no_cache"] = run_test( "anima_train.py (full finetune, NO text encoder cache)", cmd, args.timeout, ) # TEST 2: anima_train.py - WITH cache_text_encoder_outputs cmd = [python, "anima_train.py"] + common_anima_args + [ "--optimizer_type", "AdamW8bit", "--cache_text_encoder_outputs", ] results["finetune_with_cache"] = run_test( "anima_train.py (full finetune, WITH --cache_text_encoder_outputs)", cmd, args.timeout, ) # TEST 3: anima_train_network.py - NO cache_text_encoder_outputs if args.only is None or args.only == "lora": lora_args = common_anima_args + [ "--optimizer_type", "AdamW8bit", "--network_module", "networks.lora_anima", "--network_dim", "4", "--network_alpha", "1", ] cmd = [python, "anima_train_network.py"] + lora_args results["lora_no_cache"] = run_test( "anima_train_network.py (LoRA, NO text encoder cache)", cmd, args.timeout, ) # TEST 4: anima_train_network.py - WITH cache_text_encoder_outputs cmd = [python, "anima_train_network.py"] + lora_args + [ "--cache_text_encoder_outputs", ] results["lora_with_cache"] = run_test( "anima_train_network.py (LoRA, WITH --cache_text_encoder_outputs)", cmd, args.timeout, ) # SUMMARY print(f"\n{'=' * 70}") print("SUMMARY") print(f"{'=' * 70}") all_pass = True for test_name, result in results.items(): status = result["status"] icon = "OK" if status == "PASS" else "FAIL" if status != "PASS": all_pass = False print(f" [{icon:4s}] {test_name}: {result['detail']}") print(f"\nTemp directory (can delete): {tmp_dir}") # Cleanup try: shutil.rmtree(tmp_dir) print("Temp directory cleaned up.") except Exception: print(f"Note: could not clean up {tmp_dir}") if all_pass: print("\nAll tests PASSED!") else: print("\nSome tests FAILED!") sys.exit(1) if __name__ == "__main__": main() ================================================ FILE: tests/test_custom_offloading_utils.py ================================================ import pytest import torch import torch.nn as nn from unittest.mock import patch, MagicMock from library.custom_offloading_utils import ( _synchronize_device, swap_weight_devices_cuda, swap_weight_devices_no_cuda, weighs_to_device, Offloader, ModelOffloader ) class TransformerBlock(nn.Module): def __init__(self, block_idx: int): super().__init__() self.block_idx = block_idx self.linear1 = nn.Linear(10, 5) self.linear2 = nn.Linear(5, 10) self.seq = nn.Sequential(nn.SiLU(), nn.Linear(10, 10)) def forward(self, x): x = self.linear1(x) x = torch.relu(x) x = self.linear2(x) x = self.seq(x) return x class SimpleModel(nn.Module): def __init__(self, num_blocks=16): super().__init__() self.blocks = nn.ModuleList([ TransformerBlock(i) for i in range(num_blocks)]) def forward(self, x): for block in self.blocks: x = block(x) return x @property def device(self): return next(self.parameters()).device # Device Synchronization Tests @patch('torch.cuda.synchronize') @pytest.mark.skipif(not torch.cuda.is_available(), reason="CUDA not available") def test_cuda_synchronize(mock_cuda_sync): device = torch.device('cuda') _synchronize_device(device) mock_cuda_sync.assert_called_once() @patch('torch.xpu.synchronize') @pytest.mark.skipif(not torch.xpu.is_available(), reason="XPU not available") def test_xpu_synchronize(mock_xpu_sync): device = torch.device('xpu') _synchronize_device(device) mock_xpu_sync.assert_called_once() @patch('torch.mps.synchronize') @pytest.mark.skipif(not torch.xpu.is_available(), reason="MPS not available") def test_mps_synchronize(mock_mps_sync): device = torch.device('mps') _synchronize_device(device) mock_mps_sync.assert_called_once() # Weights to Device Tests def test_weights_to_device(): # Create a simple model with weights model = nn.Sequential( nn.Linear(10, 5), nn.ReLU(), nn.Linear(5, 2) ) # Start with CPU tensors device = torch.device('cpu') for module in model.modules(): if hasattr(module, "weight") and module.weight is not None: assert module.weight.device == device # Move to mock CUDA device mock_device = torch.device('cuda') with patch('torch.Tensor.to', return_value=torch.zeros(1).to(device)): weighs_to_device(model, mock_device) # Since we mocked the to() function, we can only verify modules were processed # but can't check actual device movement # Swap Weight Devices Tests @pytest.mark.skipif(not torch.cuda.is_available(), reason="CUDA not available") def test_swap_weight_devices_cuda(): device = torch.device('cuda') layer_to_cpu = SimpleModel() layer_to_cuda = SimpleModel() # Move layer to CUDA to move to CPU layer_to_cpu.to(device) with patch('torch.Tensor.to', return_value=torch.zeros(1)): with patch('torch.Tensor.copy_'): swap_weight_devices_cuda(device, layer_to_cpu, layer_to_cuda) assert layer_to_cpu.device.type == 'cpu' assert layer_to_cuda.device.type == 'cuda' @patch('library.custom_offloading_utils._synchronize_device') def test_swap_weight_devices_no_cuda(mock_sync_device): device = torch.device('cpu') layer_to_cpu = SimpleModel() layer_to_cuda = SimpleModel() with patch('torch.Tensor.to', return_value=torch.zeros(1)): with patch('torch.Tensor.copy_'): swap_weight_devices_no_cuda(device, layer_to_cpu, layer_to_cuda) # Verify _synchronize_device was called twice assert mock_sync_device.call_count == 2 # Offloader Tests @pytest.fixture def offloader(): device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') return Offloader( num_blocks=4, blocks_to_swap=2, device=device, debug=False ) def test_offloader_init(offloader): assert offloader.num_blocks == 4 assert offloader.blocks_to_swap == 2 assert hasattr(offloader, 'thread_pool') assert offloader.futures == {} assert offloader.cuda_available == (offloader.device.type == 'cuda') @patch('library.custom_offloading_utils.swap_weight_devices_cuda') @patch('library.custom_offloading_utils.swap_weight_devices_no_cuda') def test_swap_weight_devices(mock_no_cuda, mock_cuda, offloader: Offloader): block_to_cpu = SimpleModel() block_to_cuda = SimpleModel() # Force test for CUDA device offloader.cuda_available = True offloader.swap_weight_devices(block_to_cpu, block_to_cuda) mock_cuda.assert_called_once_with(offloader.device, block_to_cpu, block_to_cuda) mock_no_cuda.assert_not_called() # Reset mocks mock_cuda.reset_mock() mock_no_cuda.reset_mock() # Force test for non-CUDA device offloader.cuda_available = False offloader.swap_weight_devices(block_to_cpu, block_to_cuda) mock_no_cuda.assert_called_once_with(offloader.device, block_to_cpu, block_to_cuda) mock_cuda.assert_not_called() @patch('library.custom_offloading_utils.Offloader.swap_weight_devices') def test_submit_move_blocks(mock_swap, offloader): blocks = [SimpleModel() for _ in range(4)] block_idx_to_cpu = 0 block_idx_to_cuda = 2 # Mock the thread pool to execute synchronously future = MagicMock() future.result.return_value = (block_idx_to_cpu, block_idx_to_cuda) offloader.thread_pool.submit = MagicMock(return_value=future) offloader._submit_move_blocks(blocks, block_idx_to_cpu, block_idx_to_cuda) # Check that the future is stored with the correct key assert block_idx_to_cuda in offloader.futures def test_wait_blocks_move(offloader): block_idx = 2 # Test with no future for the block offloader._wait_blocks_move(block_idx) # Should not raise # Create a fake future and test waiting future = MagicMock() future.result.return_value = (0, block_idx) offloader.futures[block_idx] = future offloader._wait_blocks_move(block_idx) # Check that the future was removed assert block_idx not in offloader.futures future.result.assert_called_once() # ModelOffloader Tests @pytest.fixture def model_offloader(): device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') blocks_to_swap = 2 blocks = SimpleModel(4).blocks return ModelOffloader( blocks=blocks, blocks_to_swap=blocks_to_swap, device=device, debug=False ) def test_model_offloader_init(model_offloader): assert model_offloader.num_blocks == 4 assert model_offloader.blocks_to_swap == 2 assert hasattr(model_offloader, 'thread_pool') assert model_offloader.futures == {} assert len(model_offloader.remove_handles) > 0 # Should have registered hooks def test_create_backward_hook(): device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') blocks_to_swap = 2 blocks = SimpleModel(4).blocks model_offloader = ModelOffloader( blocks=blocks, blocks_to_swap=blocks_to_swap, device=device, debug=False ) # Test hook creation for swapping case (block 0) hook_swap = model_offloader.create_backward_hook(blocks, 0) assert hook_swap is None # Test hook creation for waiting case (block 1) hook_wait = model_offloader.create_backward_hook(blocks, 1) assert hook_wait is not None # Test hook creation for no action case (block 3) hook_none = model_offloader.create_backward_hook(blocks, 3) assert hook_none is None @patch('library.custom_offloading_utils.ModelOffloader._submit_move_blocks') @patch('library.custom_offloading_utils.ModelOffloader._wait_blocks_move') def test_backward_hook_execution(mock_wait, mock_submit): device = torch.device('cuda' if torch.cuda.is_available() else 'cpu') blocks_to_swap = 2 model = SimpleModel(4) blocks = model.blocks model_offloader = ModelOffloader( blocks=blocks, blocks_to_swap=blocks_to_swap, device=device, debug=False ) # Test swapping hook (block 1) hook_swap = model_offloader.create_backward_hook(blocks, 1) assert hook_swap is not None hook_swap(model, torch.zeros(1), torch.zeros(1)) mock_submit.assert_called_once() mock_submit.reset_mock() # Test waiting hook (block 2) hook_wait = model_offloader.create_backward_hook(blocks, 2) assert hook_wait is not None hook_wait(model, torch.zeros(1), torch.zeros(1)) assert mock_wait.call_count == 2 @patch('library.custom_offloading_utils.weighs_to_device') @patch('library.custom_offloading_utils._synchronize_device') @patch('library.custom_offloading_utils._clean_memory_on_device') def test_prepare_block_devices_before_forward(mock_clean, mock_sync, mock_weights_to_device, model_offloader): model = SimpleModel(4) blocks = model.blocks with patch.object(nn.Module, 'to'): model_offloader.prepare_block_devices_before_forward(blocks) # Check that weighs_to_device was called for each block assert mock_weights_to_device.call_count == 4 # Check that _synchronize_device and _clean_memory_on_device were called mock_sync.assert_called_once_with(model_offloader.device) mock_clean.assert_called_once_with(model_offloader.device) @patch('library.custom_offloading_utils.ModelOffloader._wait_blocks_move') def test_wait_for_block(mock_wait, model_offloader): # Test with blocks_to_swap=0 model_offloader.blocks_to_swap = 0 model_offloader.wait_for_block(1) mock_wait.assert_not_called() # Test with blocks_to_swap=2 model_offloader.blocks_to_swap = 2 block_idx = 1 model_offloader.wait_for_block(block_idx) mock_wait.assert_called_once_with(block_idx) @patch('library.custom_offloading_utils.ModelOffloader._submit_move_blocks') def test_submit_move_blocks(mock_submit, model_offloader): model = SimpleModel() blocks = model.blocks # Test with blocks_to_swap=0 model_offloader.blocks_to_swap = 0 model_offloader.submit_move_blocks(blocks, 1) mock_submit.assert_not_called() mock_submit.reset_mock() model_offloader.blocks_to_swap = 2 # Test within swap range block_idx = 1 model_offloader.submit_move_blocks(blocks, block_idx) mock_submit.assert_called_once() mock_submit.reset_mock() # Test outside swap range block_idx = 3 model_offloader.submit_move_blocks(blocks, block_idx) mock_submit.assert_not_called() # Integration test for offloading in a realistic scenario @pytest.mark.skipif(not torch.cuda.is_available(), reason="CUDA not available") def test_offloading_integration(): device = torch.device('cuda') # Create a mini model with 4 blocks model = SimpleModel(5) model.to(device) blocks = model.blocks # Initialize model offloader offloader = ModelOffloader( blocks=blocks, blocks_to_swap=2, device=device, debug=True ) # Prepare blocks for forward pass offloader.prepare_block_devices_before_forward(blocks) # Simulate forward pass with offloading input_tensor = torch.randn(1, 10, device=device) x = input_tensor for i, block in enumerate(blocks): # Wait for the current block to be ready offloader.wait_for_block(i) # Process through the block x = block(x) # Schedule moving weights for future blocks offloader.submit_move_blocks(blocks, i) # Verify we get a valid output assert x.shape == (1, 10) assert not torch.isnan(x).any() # Error handling tests def test_offloader_assertion_error(): with pytest.raises(AssertionError): device = torch.device('cpu') layer_to_cpu = SimpleModel() layer_to_cuda = nn.Linear(10, 5) # Different class swap_weight_devices_cuda(device, layer_to_cpu, layer_to_cuda) if __name__ == "__main__": # Run all tests when file is executed directly import sys # Configure pytest command line arguments pytest_args = [ "-v", # Verbose output "--color=yes", # Colored output __file__, # Run tests in this file ] # Add optional arguments from command line if len(sys.argv) > 1: pytest_args.extend(sys.argv[1:]) # Print info about test execution print(f"Running tests with PyTorch {torch.__version__}") print(f"CUDA available: {torch.cuda.is_available()}") if torch.cuda.is_available(): print(f"CUDA device: {torch.cuda.get_device_name(0)}") # Run the tests sys.exit(pytest.main(pytest_args)) ================================================ FILE: tests/test_fine_tune.py ================================================ import fine_tune def test_syntax(): # Very simply testing that the train_network imports without syntax errors assert True ================================================ FILE: tests/test_flux_train.py ================================================ import flux_train def test_syntax(): # Very simply testing that the train_network imports without syntax errors assert True ================================================ FILE: tests/test_flux_train_network.py ================================================ import flux_train_network def test_syntax(): # Very simply testing that the flux_train_network imports without syntax errors assert True ================================================ FILE: tests/test_lumina_train_network.py ================================================ import pytest import torch from unittest.mock import MagicMock, patch import argparse from library import lumina_models, lumina_util from lumina_train_network import LuminaNetworkTrainer @pytest.fixture def lumina_trainer(): return LuminaNetworkTrainer() @pytest.fixture def mock_args(): args = MagicMock() args.pretrained_model_name_or_path = "test_path" args.disable_mmap_load_safetensors = False args.use_flash_attn = False args.use_sage_attn = False args.fp8_base = False args.blocks_to_swap = None args.gemma2 = "test_gemma2_path" args.ae = "test_ae_path" args.cache_text_encoder_outputs = True args.cache_text_encoder_outputs_to_disk = False args.network_train_unet_only = False return args @pytest.fixture def mock_accelerator(): accelerator = MagicMock() accelerator.device = torch.device("cpu") accelerator.prepare.side_effect = lambda x, **kwargs: x accelerator.unwrap_model.side_effect = lambda x: x return accelerator def test_assert_extra_args(lumina_trainer, mock_args): train_dataset_group = MagicMock() train_dataset_group.verify_bucket_reso_steps = MagicMock() val_dataset_group = MagicMock() val_dataset_group.verify_bucket_reso_steps = MagicMock() # Test with default settings lumina_trainer.assert_extra_args(mock_args, train_dataset_group, val_dataset_group) # Verify verify_bucket_reso_steps was called for both groups assert train_dataset_group.verify_bucket_reso_steps.call_count > 0 assert val_dataset_group.verify_bucket_reso_steps.call_count > 0 # Check text encoder output caching assert lumina_trainer.train_gemma2 is (not mock_args.network_train_unet_only) assert mock_args.cache_text_encoder_outputs is True def test_load_target_model(lumina_trainer, mock_args, mock_accelerator): # Patch lumina_util methods with ( patch("library.lumina_util.load_lumina_model") as mock_load_lumina_model, patch("library.lumina_util.load_gemma2") as mock_load_gemma2, patch("library.lumina_util.load_ae") as mock_load_ae, ): # Create mock models mock_model = MagicMock(spec=lumina_models.NextDiT) mock_model.dtype = torch.float32 mock_gemma2 = MagicMock() mock_ae = MagicMock() mock_load_lumina_model.return_value = mock_model mock_load_gemma2.return_value = mock_gemma2 mock_load_ae.return_value = mock_ae # Test load_target_model version, gemma2_list, ae, model = lumina_trainer.load_target_model(mock_args, torch.float32, mock_accelerator) # Verify calls and return values assert version == lumina_util.MODEL_VERSION_LUMINA_V2 assert gemma2_list == [mock_gemma2] assert ae == mock_ae assert model == mock_model # Verify load calls mock_load_lumina_model.assert_called_once() mock_load_gemma2.assert_called_once() mock_load_ae.assert_called_once() def test_get_strategies(lumina_trainer, mock_args): # Test tokenize strategy try: tokenize_strategy = lumina_trainer.get_tokenize_strategy(mock_args) assert tokenize_strategy.__class__.__name__ == "LuminaTokenizeStrategy" except OSError as e: # If the tokenizer is not found (due to gated repo), we can skip the test print(f"Skipping LuminaTokenizeStrategy test due to OSError: {e}") # Test latents caching strategy latents_strategy = lumina_trainer.get_latents_caching_strategy(mock_args) assert latents_strategy.__class__.__name__ == "LuminaLatentsCachingStrategy" # Test text encoding strategy text_encoding_strategy = lumina_trainer.get_text_encoding_strategy(mock_args) assert text_encoding_strategy.__class__.__name__ == "LuminaTextEncodingStrategy" def test_text_encoder_output_caching_strategy(lumina_trainer, mock_args): # Call assert_extra_args to set train_gemma2 train_dataset_group = MagicMock() train_dataset_group.verify_bucket_reso_steps = MagicMock() val_dataset_group = MagicMock() val_dataset_group.verify_bucket_reso_steps = MagicMock() lumina_trainer.assert_extra_args(mock_args, train_dataset_group, val_dataset_group) # With text encoder caching enabled mock_args.skip_cache_check = False mock_args.text_encoder_batch_size = 16 strategy = lumina_trainer.get_text_encoder_outputs_caching_strategy(mock_args) assert strategy.__class__.__name__ == "LuminaTextEncoderOutputsCachingStrategy" assert strategy.cache_to_disk is False # based on mock_args # With text encoder caching disabled mock_args.cache_text_encoder_outputs = False strategy = lumina_trainer.get_text_encoder_outputs_caching_strategy(mock_args) assert strategy is None def test_noise_scheduler(lumina_trainer, mock_args): device = torch.device("cpu") noise_scheduler = lumina_trainer.get_noise_scheduler(mock_args, device) assert noise_scheduler.__class__.__name__ == "FlowMatchEulerDiscreteScheduler" assert noise_scheduler.num_train_timesteps == 1000 assert hasattr(lumina_trainer, "noise_scheduler_copy") def test_sai_model_spec(lumina_trainer, mock_args): with patch("library.train_util.get_sai_model_spec") as mock_get_spec: mock_get_spec.return_value = "test_spec" spec = lumina_trainer.get_sai_model_spec(mock_args) assert spec == "test_spec" mock_get_spec.assert_called_once_with(None, mock_args, False, True, False, lumina="lumina2") def test_update_metadata(lumina_trainer, mock_args): metadata = {} lumina_trainer.update_metadata(metadata, mock_args) assert "ss_weighting_scheme" in metadata assert "ss_logit_mean" in metadata assert "ss_logit_std" in metadata assert "ss_mode_scale" in metadata assert "ss_timestep_sampling" in metadata assert "ss_sigmoid_scale" in metadata assert "ss_model_prediction_type" in metadata assert "ss_discrete_flow_shift" in metadata def test_is_text_encoder_not_needed_for_training(lumina_trainer, mock_args): # Test with text encoder output caching, but not training text encoder mock_args.cache_text_encoder_outputs = True with patch.object(lumina_trainer, "is_train_text_encoder", return_value=False): result = lumina_trainer.is_text_encoder_not_needed_for_training(mock_args) assert result is True # Test with text encoder output caching and training text encoder with patch.object(lumina_trainer, "is_train_text_encoder", return_value=True): result = lumina_trainer.is_text_encoder_not_needed_for_training(mock_args) assert result is False # Test with no text encoder output caching mock_args.cache_text_encoder_outputs = False result = lumina_trainer.is_text_encoder_not_needed_for_training(mock_args) assert result is False ================================================ FILE: tests/test_optimizer.py ================================================ from unittest.mock import patch from library.train_util import get_optimizer from train_network import setup_parser import torch from torch.nn import Parameter # Optimizer libraries import bitsandbytes as bnb from lion_pytorch import lion_pytorch import schedulefree import dadaptation import dadaptation.experimental as dadapt_experimental import prodigyopt import schedulefree as sf import transformers def test_default_get_optimizer(): with patch("sys.argv", [""]): parser = setup_parser() args = parser.parse_args() params_t = torch.tensor([1.5, 1.5]) param = Parameter(params_t) optimizer_name, optimizer_args, optimizer = get_optimizer(args, [param]) assert optimizer_name == "torch.optim.adamw.AdamW" assert optimizer_args == "" assert isinstance(optimizer, torch.optim.AdamW) def test_get_schedulefree_optimizer(): with patch("sys.argv", ["", "--optimizer_type", "AdamWScheduleFree"]): parser = setup_parser() args = parser.parse_args() params_t = torch.tensor([1.5, 1.5]) param = Parameter(params_t) optimizer_name, optimizer_args, optimizer = get_optimizer(args, [param]) assert optimizer_name == "schedulefree.adamw_schedulefree.AdamWScheduleFree" assert optimizer_args == "" assert isinstance(optimizer, schedulefree.adamw_schedulefree.AdamWScheduleFree) def test_all_supported_optimizers(): optimizers = [ { "name": "bitsandbytes.optim.adamw.AdamW8bit", "alias": "AdamW8bit", "instance": bnb.optim.AdamW8bit, }, { "name": "lion_pytorch.lion_pytorch.Lion", "alias": "Lion", "instance": lion_pytorch.Lion, }, { "name": "torch.optim.adamw.AdamW", "alias": "AdamW", "instance": torch.optim.AdamW, }, { "name": "bitsandbytes.optim.lion.Lion8bit", "alias": "Lion8bit", "instance": bnb.optim.Lion8bit, }, { "name": "bitsandbytes.optim.adamw.PagedAdamW8bit", "alias": "PagedAdamW8bit", "instance": bnb.optim.PagedAdamW8bit, }, { "name": "bitsandbytes.optim.lion.PagedLion8bit", "alias": "PagedLion8bit", "instance": bnb.optim.PagedLion8bit, }, { "name": "bitsandbytes.optim.adamw.PagedAdamW", "alias": "PagedAdamW", "instance": bnb.optim.PagedAdamW, }, { "name": "bitsandbytes.optim.adamw.PagedAdamW32bit", "alias": "PagedAdamW32bit", "instance": bnb.optim.PagedAdamW32bit, }, {"name": "torch.optim.sgd.SGD", "alias": "SGD", "instance": torch.optim.SGD}, { "name": "dadaptation.experimental.dadapt_adam_preprint.DAdaptAdamPreprint", "alias": "DAdaptAdamPreprint", "instance": dadapt_experimental.DAdaptAdamPreprint, }, { "name": "dadaptation.dadapt_adagrad.DAdaptAdaGrad", "alias": "DAdaptAdaGrad", "instance": dadaptation.DAdaptAdaGrad, }, { "name": "dadaptation.dadapt_adan.DAdaptAdan", "alias": "DAdaptAdan", "instance": dadaptation.DAdaptAdan, }, { "name": "dadaptation.experimental.dadapt_adan_ip.DAdaptAdanIP", "alias": "DAdaptAdanIP", "instance": dadapt_experimental.DAdaptAdanIP, }, { "name": "dadaptation.dadapt_lion.DAdaptLion", "alias": "DAdaptLion", "instance": dadaptation.DAdaptLion, }, { "name": "dadaptation.dadapt_sgd.DAdaptSGD", "alias": "DAdaptSGD", "instance": dadaptation.DAdaptSGD, }, { "name": "prodigyopt.prodigy.Prodigy", "alias": "Prodigy", "instance": prodigyopt.Prodigy, }, { "name": "transformers.optimization.Adafactor", "alias": "Adafactor", "instance": transformers.optimization.Adafactor, }, { "name": "schedulefree.adamw_schedulefree.AdamWScheduleFree", "alias": "AdamWScheduleFree", "instance": sf.AdamWScheduleFree, }, { "name": "schedulefree.sgd_schedulefree.SGDScheduleFree", "alias": "SGDScheduleFree", "instance": sf.SGDScheduleFree, }, ] for opt in optimizers: with patch("sys.argv", ["", "--optimizer_type", opt.get("alias")]): parser = setup_parser() args = parser.parse_args() params_t = torch.tensor([1.5, 1.5]) param = Parameter(params_t) optimizer_name, _, optimizer = get_optimizer(args, [param]) assert optimizer_name == opt.get("name") instance = opt.get("instance") assert instance is not None assert isinstance(optimizer, instance) ================================================ FILE: tests/test_sd3_train.py ================================================ import sd3_train def test_syntax(): # Very simply testing that the train_network imports without syntax errors assert True ================================================ FILE: tests/test_sd3_train_network.py ================================================ import sd3_train_network def test_syntax(): # Very simply testing that the flux_train_network imports without syntax errors assert True ================================================ FILE: tests/test_sdxl_train.py ================================================ import sdxl_train def test_syntax(): # Very simply testing that the train_network imports without syntax errors assert True ================================================ FILE: tests/test_sdxl_train_network.py ================================================ import sdxl_train_network def test_syntax(): # Very simply testing that the train_network imports without syntax errors assert True ================================================ FILE: tests/test_train.py ================================================ import train_db def test_syntax(): # Very simply testing that the train_network imports without syntax errors assert True ================================================ FILE: tests/test_train_network.py ================================================ import train_network def test_syntax(): # Very simply testing that the train_network imports without syntax errors assert True ================================================ FILE: tests/test_train_textual_inversion.py ================================================ import train_textual_inversion def test_syntax(): # Very simply testing that the train_network imports without syntax errors assert True ================================================ FILE: tests/test_validation.py ================================================ from library.train_util import split_train_val def test_split_train_val(): paths = ["path1", "path2", "path3", "path4", "path5", "path6", "path7"] sizes = [(1, 1), (2, 2), None, (4, 4), (5, 5), (6, 6), None] result_paths, result_sizes = split_train_val(paths, sizes, True, 0.2, 1234) assert result_paths == ["path2", "path3", "path6", "path5", "path1", "path4"], result_paths assert result_sizes == [(2, 2), None, (6, 6), (5, 5), (1, 1), (4, 4)], result_sizes result_paths, result_sizes = split_train_val(paths, sizes, False, 0.2, 1234) assert result_paths == ["path7"], result_paths assert result_sizes == [None], result_sizes if __name__ == "__main__": test_split_train_val() ================================================ FILE: tools/cache_latents.py ================================================ # latentsのdiskへの事前キャッシュを行う / cache latents to disk import argparse import math from multiprocessing import Value import os from accelerate.utils import set_seed import torch from tqdm import tqdm from library import config_util, flux_train_utils, flux_utils, strategy_base, strategy_flux, strategy_sd, strategy_sdxl from library import train_util from library import sdxl_train_util import library.sai_model_spec as sai_model_spec from library.config_util import ( ConfigSanitizer, BlueprintGenerator, ) from library.utils import setup_logging, add_logging_arguments setup_logging() import logging logger = logging.getLogger(__name__) def set_tokenize_strategy(is_sd: bool, is_sdxl: bool, is_flux: bool, args: argparse.Namespace) -> None: if is_flux: _, is_schnell, _ = flux_utils.check_flux_state_dict_diffusers_schnell(args.pretrained_model_name_or_path) else: is_schnell = False if is_sd: tokenize_strategy = strategy_sd.SdTokenizeStrategy(args.v2, args.max_token_length, args.tokenizer_cache_dir) elif is_sdxl: tokenize_strategy = strategy_sdxl.SdxlTokenizeStrategy(args.max_token_length, args.tokenizer_cache_dir) else: if args.t5xxl_max_token_length is None: if is_schnell: t5xxl_max_token_length = 256 else: t5xxl_max_token_length = 512 else: t5xxl_max_token_length = args.t5xxl_max_token_length logger.info(f"t5xxl_max_token_length: {t5xxl_max_token_length}") tokenize_strategy = strategy_flux.FluxTokenizeStrategy(t5xxl_max_token_length, args.tokenizer_cache_dir) strategy_base.TokenizeStrategy.set_strategy(tokenize_strategy) def cache_to_disk(args: argparse.Namespace) -> None: setup_logging(args, reset=True) train_util.prepare_dataset_args(args, True) train_util.enable_high_vram(args) # assert args.cache_latents_to_disk, "cache_latents_to_disk must be True / cache_latents_to_diskはTrueである必要があります" args.cache_latents = True args.cache_latents_to_disk = True use_dreambooth_method = args.in_json is None if args.seed is not None: set_seed(args.seed) # 乱数系列を初期化する is_sd = not args.sdxl and not args.flux is_sdxl = args.sdxl is_flux = args.flux set_tokenize_strategy(is_sd, is_sdxl, is_flux, args) if is_sd or is_sdxl: latents_caching_strategy = strategy_sd.SdSdxlLatentsCachingStrategy(is_sd, True, args.vae_batch_size, args.skip_cache_check) else: latents_caching_strategy = strategy_flux.FluxLatentsCachingStrategy(True, args.vae_batch_size, args.skip_cache_check) strategy_base.LatentsCachingStrategy.set_strategy(latents_caching_strategy) # データセットを準備する use_user_config = args.dataset_config is not None if args.dataset_class is None: blueprint_generator = BlueprintGenerator(ConfigSanitizer(True, True, args.masked_loss, True)) if use_user_config: logger.info(f"Loading dataset config from {args.dataset_config}") user_config = config_util.load_user_config(args.dataset_config) ignored = ["train_data_dir", "reg_data_dir", "in_json"] if any(getattr(args, attr) is not None for attr in ignored): logger.warning( "ignoring the following options because config file is found: {0} / 設定ファイルが利用されるため以下のオプションは無視されます: {0}".format( ", ".join(ignored) ) ) else: if use_dreambooth_method: logger.info("Using DreamBooth method.") user_config = { "datasets": [ { "subsets": config_util.generate_dreambooth_subsets_config_by_subdirs( args.train_data_dir, args.reg_data_dir ) } ] } else: logger.info("Training with captions.") user_config = { "datasets": [ { "subsets": [ { "image_dir": args.train_data_dir, "metadata_file": args.in_json, } ] } ] } blueprint = blueprint_generator.generate(user_config, args) train_dataset_group, val_dataset_group = config_util.generate_dataset_group_by_blueprint(blueprint.dataset_group) else: # use arbitrary dataset class train_dataset_group = train_util.load_arbitrary_dataset(args) val_dataset_group = None # acceleratorを準備する logger.info("prepare accelerator") args.deepspeed = False accelerator = train_util.prepare_accelerator(args) # mixed precisionに対応した型を用意しておき適宜castする weight_dtype, _ = train_util.prepare_dtype(args) vae_dtype = torch.float32 if args.no_half_vae else weight_dtype # モデルを読み込む logger.info("load model") if is_sd: _, vae, _, _ = train_util.load_target_model(args, weight_dtype, accelerator) elif is_sdxl: (_, _, _, vae, _, _, _) = sdxl_train_util.load_target_model(args, accelerator, "sdxl", weight_dtype) else: vae = flux_utils.load_ae(args.ae, weight_dtype, "cpu", disable_mmap=args.disable_mmap_load_safetensors) if is_sd or is_sdxl: if torch.__version__ >= "2.0.0": # PyTorch 2.0.0 以上対応のxformersなら以下が使える vae.set_use_memory_efficient_attention_xformers(args.xformers) vae.to(accelerator.device, dtype=vae_dtype) vae.requires_grad_(False) vae.eval() # cache latents with dataset # TODO use DataLoader to speed up train_dataset_group.new_cache_latents(vae, accelerator) accelerator.wait_for_everyone() accelerator.print(f"Finished caching latents to disk.") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) train_util.add_sd_models_arguments(parser) sai_model_spec.add_model_spec_arguments(parser) train_util.add_training_arguments(parser, True) train_util.add_dataset_arguments(parser, True, True, True) train_util.add_masked_loss_arguments(parser) config_util.add_config_arguments(parser) train_util.add_dit_training_arguments(parser) flux_train_utils.add_flux_train_arguments(parser) parser.add_argument("--sdxl", action="store_true", help="Use SDXL model / SDXLモデルを使用する") parser.add_argument("--flux", action="store_true", help="Use FLUX model / FLUXモデルを使用する") parser.add_argument( "--no_half_vae", action="store_true", help="do not use fp16/bf16 VAE in mixed precision (use float VAE) / mixed precisionでも fp16/bf16 VAEを使わずfloat VAEを使う", ) parser.add_argument( "--skip_existing", action="store_true", help="[Deprecated] This option does not work. Existing .npz files are always checked. Use `--skip_cache_check` to skip the check." " / [非推奨] このオプションは機能しません。既存の .npz は常に検証されます。`--skip_cache_check` で検証をスキップできます。", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() args = train_util.read_config_from_file(args, parser) cache_to_disk(args) ================================================ FILE: tools/cache_text_encoder_outputs.py ================================================ # text encoder出力のdiskへの事前キャッシュを行う / cache text encoder outputs to disk in advance import argparse import math from multiprocessing import Value import os from accelerate.utils import set_seed import torch from tqdm import tqdm from library import ( config_util, flux_train_utils, flux_utils, sdxl_model_util, strategy_base, strategy_flux, strategy_sd, strategy_sdxl, ) from library import train_util from library import sdxl_train_util from library import utils import library.sai_model_spec as sai_model_spec from library.config_util import ( ConfigSanitizer, BlueprintGenerator, ) from library.utils import setup_logging, add_logging_arguments from cache_latents import set_tokenize_strategy setup_logging() import logging logger = logging.getLogger(__name__) def cache_to_disk(args: argparse.Namespace) -> None: setup_logging(args, reset=True) train_util.prepare_dataset_args(args, True) train_util.enable_high_vram(args) args.cache_text_encoder_outputs = True args.cache_text_encoder_outputs_to_disk = True use_dreambooth_method = args.in_json is None if args.seed is not None: set_seed(args.seed) # 乱数系列を初期化する is_sd = not args.sdxl and not args.flux is_sdxl = args.sdxl is_flux = args.flux assert ( is_sdxl or is_flux ), "Cache text encoder outputs to disk is only supported for SDXL and FLUX models / テキストエンコーダ出力のディスクキャッシュはSDXLまたはFLUXでのみ有効です" assert ( is_sdxl or args.weighted_captions is None ), "Weighted captions are only supported for SDXL models / 重み付きキャプションはSDXLモデルでのみ有効です" set_tokenize_strategy(is_sd, is_sdxl, is_flux, args) # データセットを準備する use_user_config = args.dataset_config is not None if args.dataset_class is None: blueprint_generator = BlueprintGenerator(ConfigSanitizer(True, True, args.masked_loss, True)) if use_user_config: logger.info(f"Loading dataset config from {args.dataset_config}") user_config = config_util.load_user_config(args.dataset_config) ignored = ["train_data_dir", "reg_data_dir", "in_json"] if any(getattr(args, attr) is not None for attr in ignored): logger.warning( "ignoring the following options because config file is found: {0} / 設定ファイルが利用されるため以下のオプションは無視されます: {0}".format( ", ".join(ignored) ) ) else: if use_dreambooth_method: logger.info("Using DreamBooth method.") user_config = { "datasets": [ { "subsets": config_util.generate_dreambooth_subsets_config_by_subdirs( args.train_data_dir, args.reg_data_dir ) } ] } else: logger.info("Training with captions.") user_config = { "datasets": [ { "subsets": [ { "image_dir": args.train_data_dir, "metadata_file": args.in_json, } ] } ] } blueprint = blueprint_generator.generate(user_config, args) train_dataset_group, val_dataset_group = config_util.generate_dataset_group_by_blueprint(blueprint.dataset_group) else: # use arbitrary dataset class train_dataset_group = train_util.load_arbitrary_dataset(args) val_dataset_group = None # acceleratorを準備する logger.info("prepare accelerator") args.deepspeed = False accelerator = train_util.prepare_accelerator(args) # mixed precisionに対応した型を用意しておき適宜castする weight_dtype, _ = train_util.prepare_dtype(args) t5xxl_dtype = utils.str_to_dtype(args.t5xxl_dtype, weight_dtype) # モデルを読み込む logger.info("load model") if is_sdxl: _, text_encoder1, text_encoder2, _, _, _, _ = sdxl_train_util.load_target_model( args, accelerator, sdxl_model_util.MODEL_VERSION_SDXL_BASE_V1_0, weight_dtype ) text_encoder1.to(accelerator.device, weight_dtype) text_encoder2.to(accelerator.device, weight_dtype) text_encoders = [text_encoder1, text_encoder2] else: clip_l = flux_utils.load_clip_l( args.clip_l, weight_dtype, accelerator.device, disable_mmap=args.disable_mmap_load_safetensors ) t5xxl = flux_utils.load_t5xxl(args.t5xxl, None, accelerator.device, disable_mmap=args.disable_mmap_load_safetensors) if t5xxl.dtype == torch.float8_e4m3fnuz or t5xxl.dtype == torch.float8_e5m2 or t5xxl.dtype == torch.float8_e5m2fnuz: raise ValueError(f"Unsupported fp8 model dtype: {t5xxl.dtype}") elif t5xxl.dtype == torch.float8_e4m3fn: logger.info("Loaded fp8 T5XXL model") if t5xxl_dtype != t5xxl_dtype: if t5xxl.dtype == torch.float8_e4m3fn and t5xxl_dtype.itemsize() >= 2: logger.warning( "The loaded model is fp8, but the specified T5XXL dtype is larger than fp8. This may cause a performance drop." " / ロードされたモデルはfp8ですが、指定されたT5XXLのdtypeがfp8より高精度です。精度低下が発生する可能性があります。" ) logger.info(f"Casting T5XXL model to {t5xxl_dtype}") t5xxl.to(t5xxl_dtype) text_encoders = [clip_l, t5xxl] for text_encoder in text_encoders: text_encoder.requires_grad_(False) text_encoder.eval() # build text encoder outputs caching strategy if is_sdxl: text_encoder_outputs_caching_strategy = strategy_sdxl.SdxlTextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, None, args.skip_cache_check, is_weighted=args.weighted_captions ) else: text_encoder_outputs_caching_strategy = strategy_flux.FluxTextEncoderOutputsCachingStrategy( args.cache_text_encoder_outputs_to_disk, args.text_encoder_batch_size, args.skip_cache_check, is_partial=False, apply_t5_attn_mask=args.apply_t5_attn_mask, ) strategy_base.TextEncoderOutputsCachingStrategy.set_strategy(text_encoder_outputs_caching_strategy) # build text encoding strategy if is_sdxl: text_encoding_strategy = strategy_sdxl.SdxlTextEncodingStrategy() else: text_encoding_strategy = strategy_flux.FluxTextEncodingStrategy(args.apply_t5_attn_mask) strategy_base.TextEncodingStrategy.set_strategy(text_encoding_strategy) # cache text encoder outputs train_dataset_group.new_cache_text_encoder_outputs(text_encoders, accelerator) accelerator.wait_for_everyone() accelerator.print(f"Finished caching text encoder outputs to disk.") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) train_util.add_sd_models_arguments(parser) sai_model_spec.add_model_spec_arguments(parser) train_util.add_training_arguments(parser, True) train_util.add_dataset_arguments(parser, True, True, True) train_util.add_masked_loss_arguments(parser) config_util.add_config_arguments(parser) train_util.add_dit_training_arguments(parser) flux_train_utils.add_flux_train_arguments(parser) parser.add_argument("--sdxl", action="store_true", help="Use SDXL model / SDXLモデルを使用する") parser.add_argument("--flux", action="store_true", help="Use FLUX model / FLUXモデルを使用する") parser.add_argument( "--t5xxl_dtype", type=str, default=None, help="T5XXL model dtype, default: None (use mixed precision dtype) / T5XXLモデルのdtype, デフォルト: None (mixed precisionのdtypeを使用)", ) parser.add_argument( "--skip_existing", action="store_true", help="[Deprecated] This option does not work. Existing .npz files are always checked. Use `--skip_cache_check` to skip the check." " / [非推奨] このオプションは機能しません。既存の .npz は常に検証されます。`--skip_cache_check` で検証をスキップできます。", ) parser.add_argument( "--weighted_captions", action="store_true", default=False, help="Enable weighted captions in the standard style (token:1.3). No commas inside parens, or shuffle/dropout may break the decoder. / 「[token]」、「(token)」「(token:1.3)」のような重み付きキャプションを有効にする。カンマを括弧内に入れるとシャッフルやdropoutで重みづけがおかしくなるので注意", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() args = train_util.read_config_from_file(args, parser) cache_to_disk(args) ================================================ FILE: tools/canny.py ================================================ import argparse import cv2 import logging from library.utils import setup_logging setup_logging() logger = logging.getLogger(__name__) def canny(args): img = cv2.imread(args.input) img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) canny_img = cv2.Canny(img, args.thres1, args.thres2) # canny_img = 255 - canny_img cv2.imwrite(args.output, canny_img) logger.info("done!") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument("--input", type=str, default=None, help="input path") parser.add_argument("--output", type=str, default=None, help="output path") parser.add_argument("--thres1", type=int, default=32, help="thres1") parser.add_argument("--thres2", type=int, default=224, help="thres2") return parser if __name__ == '__main__': parser = setup_parser() args = parser.parse_args() canny(args) ================================================ FILE: tools/convert_diffusers20_original_sd.py ================================================ # convert Diffusers v1.x/v2.0 model to original Stable Diffusion import argparse import os import torch from diffusers import StableDiffusionPipeline import library.model_util as model_util from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) def convert(args): # 引数を確認する load_dtype = torch.float16 if args.fp16 else None save_dtype = None if args.fp16 or args.save_precision_as == "fp16": save_dtype = torch.float16 elif args.bf16 or args.save_precision_as == "bf16": save_dtype = torch.bfloat16 elif args.float or args.save_precision_as == "float": save_dtype = torch.float is_load_ckpt = os.path.isfile(args.model_to_load) is_save_ckpt = len(os.path.splitext(args.model_to_save)[1]) > 0 assert not is_load_ckpt or args.v1 != args.v2, "v1 or v2 is required to load checkpoint / checkpointの読み込みにはv1/v2指定が必要です" # assert ( # is_save_ckpt or args.reference_model is not None # ), f"reference model is required to save as Diffusers / Diffusers形式での保存には参照モデルが必要です" # モデルを読み込む msg = "checkpoint" if is_load_ckpt else ("Diffusers" + (" as fp16" if args.fp16 else "")) logger.info(f"loading {msg}: {args.model_to_load}") if is_load_ckpt: v2_model = args.v2 text_encoder, vae, unet = model_util.load_models_from_stable_diffusion_checkpoint( v2_model, args.model_to_load, unet_use_linear_projection_in_v2=args.unet_use_linear_projection ) else: pipe = StableDiffusionPipeline.from_pretrained( args.model_to_load, torch_dtype=load_dtype, tokenizer=None, safety_checker=None, variant=args.variant ) text_encoder = pipe.text_encoder vae = pipe.vae unet = pipe.unet if args.v1 == args.v2: # 自動判定する v2_model = unet.config.cross_attention_dim == 1024 logger.info("checking model version: model is " + ("v2" if v2_model else "v1")) else: v2_model = not args.v1 # 変換して保存する msg = ("checkpoint" + ("" if save_dtype is None else f" in {save_dtype}")) if is_save_ckpt else "Diffusers" logger.info(f"converting and saving as {msg}: {args.model_to_save}") if is_save_ckpt: original_model = args.model_to_load if is_load_ckpt else None key_count = model_util.save_stable_diffusion_checkpoint( v2_model, args.model_to_save, text_encoder, unet, original_model, args.epoch, args.global_step, None if args.metadata is None else eval(args.metadata), save_dtype=save_dtype, vae=vae, ) logger.info(f"model saved. total converted state_dict keys: {key_count}") else: logger.info( f"copy scheduler/tokenizer config from: {args.reference_model if args.reference_model is not None else 'default model'}" ) model_util.save_diffusers_checkpoint( v2_model, args.model_to_save, text_encoder, unet, args.reference_model, vae, args.use_safetensors ) logger.info("model saved.") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument( "--v1", action="store_true", help="load v1.x model (v1 or v2 is required to load checkpoint) / 1.xのモデルを読み込む" ) parser.add_argument( "--v2", action="store_true", help="load v2.0 model (v1 or v2 is required to load checkpoint) / 2.0のモデルを読み込む" ) parser.add_argument( "--unet_use_linear_projection", action="store_true", help="When saving v2 model as Diffusers, set U-Net config to `use_linear_projection=true` (to match stabilityai's model) / Diffusers形式でv2モデルを保存するときにU-Netの設定を`use_linear_projection=true`にする（stabilityaiのモデルと合わせる）", ) parser.add_argument( "--fp16", action="store_true", help="load as fp16 (Diffusers only) and save as fp16 (checkpoint only) / fp16形式で読み込み（Diffusers形式のみ対応）、保存する（checkpointのみ対応）", ) parser.add_argument("--bf16", action="store_true", help="save as bf16 (checkpoint only) / bf16形式で保存する（checkpointのみ対応）") parser.add_argument( "--float", action="store_true", help="save as float (checkpoint only) / float(float32)形式で保存する（checkpointのみ対応）" ) parser.add_argument( "--save_precision_as", type=str, default="no", choices=["fp16", "bf16", "float"], help="save precision, do not specify with --fp16/--bf16/--float / 保存する精度、--fp16/--bf16/--floatと併用しないでください", ) parser.add_argument("--epoch", type=int, default=0, help="epoch to write to checkpoint / checkpointに記録するepoch数の値") parser.add_argument( "--global_step", type=int, default=0, help="global_step to write to checkpoint / checkpointに記録するglobal_stepの値" ) parser.add_argument( "--metadata", type=str, default=None, help='モデルに保存されるメタデータ、Pythonの辞書形式で指定 / metadata: metadata written in to the model in Python Dictionary. Example metadata: \'{"name": "model_name", "resolution": "512x512"}\'', ) parser.add_argument( "--variant", type=str, default=None, help="読む込むDiffusersのvariantを指定する、例: fp16 / variant: Diffusers variant to load. Example: fp16", ) parser.add_argument( "--reference_model", type=str, default=None, help="scheduler/tokenizerのコピー元Diffusersモデル、Diffusers形式で保存するときに使用される、省略時は`runwayml/stable-diffusion-v1-5` または `stabilityai/stable-diffusion-2-1` / reference Diffusers model to copy scheduler/tokenizer config from, used when saving as Diffusers format, default is `runwayml/stable-diffusion-v1-5` or `stabilityai/stable-diffusion-2-1`", ) parser.add_argument( "--use_safetensors", action="store_true", help="use safetensors format to save Diffusers model (checkpoint depends on the file extension) / Duffusersモデルをsafetensors形式で保存する（checkpointは拡張子で自動判定）", ) parser.add_argument( "model_to_load", type=str, default=None, help="model to load: checkpoint file or Diffusers model's directory / 読み込むモデル、checkpointかDiffusers形式モデルのディレクトリ", ) parser.add_argument( "model_to_save", type=str, default=None, help="model to save: checkpoint (with extension) or Diffusers model's directory (without extension) / 変換後のモデル、拡張子がある場合はcheckpoint、ない場合はDiffusesモデルとして保存", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() convert(args) ================================================ FILE: tools/convert_diffusers_to_flux.py ================================================ # This script converts the diffusers of a Flux model to a safetensors file of a Flux.1 model. # It is based on the implementation by 2kpr. Thanks to 2kpr! # Major changes: # - Iterates over three safetensors files to reduce memory usage, not loading all tensors at once. # - Makes reverse map from diffusers map to avoid loading all tensors. # - Removes dependency on .json file for weights mapping. # - Adds support for custom memory efficient load and save functions. # - Supports saving with different precision. # - Supports .safetensors file as input. # Copyright 2024 2kpr. All rights reserved. # # Licensed under the Apache License, Version 2.0 (the "License"); # you may not use this file except in compliance with the License. # You may obtain a copy of the License at # # http://www.apache.org/licenses/LICENSE-2.0 # # Unless required by applicable law or agreed to in writing, software # distributed under the License is distributed on an "AS IS" BASIS, # WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. # See the License for the specific language governing permissions and import argparse import os from pathlib import Path import safetensors from safetensors.torch import safe_open import torch from tqdm import tqdm from library import flux_utils from library.utils import setup_logging, str_to_dtype from library.safetensors_utils import MemoryEfficientSafeOpen, mem_eff_save_file setup_logging() import logging logger = logging.getLogger(__name__) def convert(args): # if diffusers_path is folder, get safetensors file diffusers_path = Path(args.diffusers_path) if diffusers_path.is_dir(): diffusers_path = Path.joinpath(diffusers_path, "transformer", "diffusion_pytorch_model-00001-of-00003.safetensors") flux_path = Path(args.save_to) if not os.path.exists(flux_path.parent): os.makedirs(flux_path.parent) if not diffusers_path.exists(): logger.error(f"Error: Missing transformer safetensors file: {diffusers_path}") return mem_eff_flag = args.mem_eff_load_save save_dtype = str_to_dtype(args.save_precision) if args.save_precision is not None else None # make reverse map from diffusers map diffusers_to_bfl_map = flux_utils.make_diffusers_to_bfl_map(19, 38) # iterate over three safetensors files to reduce memory usage flux_sd = {} for i in range(3): # replace 00001 with 0000i current_diffusers_path = Path(str(diffusers_path).replace("00001", f"0000{i+1}")) logger.info(f"Loading diffusers file: {current_diffusers_path}") open_func = MemoryEfficientSafeOpen if mem_eff_flag else (lambda x: safe_open(x, framework="pt")) with open_func(current_diffusers_path) as f: for diffusers_key in tqdm(f.keys()): if diffusers_key in diffusers_to_bfl_map: tensor = f.get_tensor(diffusers_key).to("cpu") if save_dtype is not None: tensor = tensor.to(save_dtype) index, bfl_key = diffusers_to_bfl_map[diffusers_key] if bfl_key not in flux_sd: flux_sd[bfl_key] = [] flux_sd[bfl_key].append((index, tensor)) else: logger.error(f"Error: Key not found in diffusers_to_bfl_map: {diffusers_key}") return # concat tensors if multiple tensors are mapped to a single key, sort by index for key, values in flux_sd.items(): if len(values) == 1: flux_sd[key] = values[0][1] else: flux_sd[key] = torch.cat([value[1] for value in sorted(values, key=lambda x: x[0])]) # special case for final_layer.adaLN_modulation.1.weight and final_layer.adaLN_modulation.1.bias def swap_scale_shift(weight): shift, scale = weight.chunk(2, dim=0) new_weight = torch.cat([scale, shift], dim=0) return new_weight if "final_layer.adaLN_modulation.1.weight" in flux_sd: flux_sd["final_layer.adaLN_modulation.1.weight"] = swap_scale_shift(flux_sd["final_layer.adaLN_modulation.1.weight"]) if "final_layer.adaLN_modulation.1.bias" in flux_sd: flux_sd["final_layer.adaLN_modulation.1.bias"] = swap_scale_shift(flux_sd["final_layer.adaLN_modulation.1.bias"]) # save flux_sd to safetensors file logger.info(f"Saving Flux safetensors file: {flux_path}") if mem_eff_flag: mem_eff_save_file(flux_sd, flux_path) else: safetensors.torch.save_file(flux_sd, flux_path) logger.info("Conversion completed.") def setup_parser(): parser = argparse.ArgumentParser() parser.add_argument( "--diffusers_path", default=None, type=str, required=True, help="Path to the original Flux diffusers folder or *-00001-of-00003.safetensors file." " / 元のFlux diffusersフォルダーまたは*-00001-of-00003.safetensorsファイルへのパス", ) parser.add_argument( "--save_to", default=None, type=str, required=True, help="Output path for the Flux safetensors file. / Flux safetensorsファイルの出力先", ) parser.add_argument( "--mem_eff_load_save", action="store_true", help="use custom memory efficient load and save functions for FLUX.1 model" " / カスタムのメモリ効率の良い読み込みと保存関数をFLUX.1モデルに使用する", ) parser.add_argument( "--save_precision", type=str, default=None, help="precision in saving, default is same as loading precision" "float32, fp16, bf16, fp8 (same as fp8_e4m3fn), fp8_e4m3fn, fp8_e4m3fnuz, fp8_e5m2, fp8_e5m2fnuz" " / 保存時に精度を変更して保存する、デフォルトは読み込み時と同じ精度", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() convert(args) ================================================ FILE: tools/detect_face_rotate.py ================================================ # このスクリプトのライセンスは、train_dreambooth.pyと同じくApache License 2.0とします # (c) 2022 Kohya S. @kohya_ss # 横長の画像から顔検出して正立するように回転し、そこを中心に正方形に切り出す # v2: extract max face if multiple faces are found # v3: add crop_ratio option # v4: add multiple faces extraction and min/max size import argparse import math import cv2 import glob import os from anime_face_detector import create_detector from tqdm import tqdm import numpy as np from library.utils import setup_logging, resize_image setup_logging() import logging logger = logging.getLogger(__name__) KP_REYE = 11 KP_LEYE = 19 SCORE_THRES = 0.90 def detect_faces(detector, image, min_size): preds = detector(image) # bgr # logger.info(len(preds)) faces = [] for pred in preds: bb = pred['bbox'] score = bb[-1] if score < SCORE_THRES: continue left, top, right, bottom = bb[:4] cx = int((left + right) / 2) cy = int((top + bottom) / 2) fw = int(right - left) fh = int(bottom - top) lex, ley = pred['keypoints'][KP_LEYE, 0:2] rex, rey = pred['keypoints'][KP_REYE, 0:2] angle = math.atan2(ley - rey, lex - rex) angle = angle / math.pi * 180 faces.append((cx, cy, fw, fh, angle)) faces.sort(key=lambda x: max(x[2], x[3]), reverse=True) # 大きい順 return faces def rotate_image(image, angle, cx, cy): h, w = image.shape[0:2] rot_mat = cv2.getRotationMatrix2D((cx, cy), angle, 1.0) # # 回転する分、すこし画像サイズを大きくする→とりあえず無効化 # nh = max(h, int(w * math.sin(angle))) # nw = max(w, int(h * math.sin(angle))) # if nh > h or nw > w: # pad_y = nh - h # pad_t = pad_y // 2 # pad_x = nw - w # pad_l = pad_x // 2 # m = np.array([[0, 0, pad_l], # [0, 0, pad_t]]) # rot_mat = rot_mat + m # h, w = nh, nw # cx += pad_l # cy += pad_t result = cv2.warpAffine(image, rot_mat, (w, h), flags=cv2.INTER_LINEAR, borderMode=cv2.BORDER_REFLECT) return result, cx, cy def process(args): assert (not args.resize_fit) or args.resize_face_size is None, f"resize_fit and resize_face_size can't be specified both / resize_fitとresize_face_sizeはどちらか片方しか指定できません" assert args.crop_ratio is None or args.resize_face_size is None, f"crop_ratio指定時はresize_face_sizeは指定できません" # アニメ顔検出モデルを読み込む logger.info("loading face detector.") detector = create_detector('yolov3') # cropの引数を解析する if args.crop_size is None: crop_width = crop_height = None else: tokens = args.crop_size.split(',') assert len(tokens) == 2, f"crop_size must be 'width,height' / crop_sizeは'幅,高さ'で指定してください" crop_width, crop_height = [int(t) for t in tokens] if args.crop_ratio is None: crop_h_ratio = crop_v_ratio = None else: tokens = args.crop_ratio.split(',') assert len(tokens) == 2, f"crop_ratio must be 'horizontal,vertical' / crop_ratioは'幅,高さ'の倍率で指定してください" crop_h_ratio, crop_v_ratio = [float(t) for t in tokens] # 画像を処理する logger.info("processing.") output_extension = ".png" os.makedirs(args.dst_dir, exist_ok=True) paths = glob.glob(os.path.join(args.src_dir, "*.png")) + glob.glob(os.path.join(args.src_dir, "*.jpg")) + \ glob.glob(os.path.join(args.src_dir, "*.webp")) for path in tqdm(paths): basename = os.path.splitext(os.path.basename(path))[0] # image = cv2.imread(path) # 日本語ファイル名でエラーになる image = cv2.imdecode(np.fromfile(path, np.uint8), cv2.IMREAD_UNCHANGED) if len(image.shape) == 2: image = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR) if image.shape[2] == 4: logger.warning(f"image has alpha. ignore / 画像の透明度が設定されているため無視します: {path}") image = image[:, :, :3].copy() # copyをしないと内部的に透明度情報が付いたままになるらしい h, w = image.shape[:2] faces = detect_faces(detector, image, args.multiple_faces) for i, face in enumerate(faces): cx, cy, fw, fh, angle = face face_size = max(fw, fh) if args.min_size is not None and face_size < args.min_size: continue if args.max_size is not None and face_size >= args.max_size: continue face_suffix = f"_{i+1:02d}" if args.multiple_faces else "" # オプション指定があれば回転する face_img = image if args.rotate: face_img, cx, cy = rotate_image(face_img, angle, cx, cy) # オプション指定があれば顔を中心に切り出す if crop_width is not None or crop_h_ratio is not None: cur_crop_width, cur_crop_height = crop_width, crop_height if crop_h_ratio is not None: cur_crop_width = int(face_size * crop_h_ratio + .5) cur_crop_height = int(face_size * crop_v_ratio + .5) # リサイズを必要なら行う scale = 1.0 if args.resize_face_size is not None: # 顔サイズを基準にリサイズする scale = args.resize_face_size / face_size if scale < cur_crop_width / w: logger.warning( f"image width too small in face size based resizing / 顔を基準にリサイズすると画像の幅がcrop sizeより小さい（顔が相対的に大きすぎる）ので顔サイズが変わります: {path}") scale = cur_crop_width / w if scale < cur_crop_height / h: logger.warning( f"image height too small in face size based resizing / 顔を基準にリサイズすると画像の高さがcrop sizeより小さい（顔が相対的に大きすぎる）ので顔サイズが変わります: {path}") scale = cur_crop_height / h elif crop_h_ratio is not None: # 倍率指定の時にはリサイズしない pass else: # 切り出しサイズ指定あり if w < cur_crop_width: logger.warning(f"image width too small/ 画像の幅がcrop sizeより小さいので画質が劣化します: {path}") scale = cur_crop_width / w if h < cur_crop_height: logger.warning(f"image height too small/ 画像の高さがcrop sizeより小さいので画質が劣化します: {path}") scale = cur_crop_height / h if args.resize_fit: scale = max(cur_crop_width / w, cur_crop_height / h) if scale != 1.0: rw = int(w * scale + .5) rh = int(h * scale + .5) face_img = resize_image(face_img, w, h, rw, rh) cx = int(cx * scale + .5) cy = int(cy * scale + .5) fw = int(fw * scale + .5) fh = int(fh * scale + .5) cur_crop_width = min(cur_crop_width, face_img.shape[1]) cur_crop_height = min(cur_crop_height, face_img.shape[0]) x = cx - cur_crop_width // 2 cx = cur_crop_width // 2 if x < 0: cx = cx + x x = 0 elif x + cur_crop_width > w: cx = cx + (x + cur_crop_width - w) x = w - cur_crop_width face_img = face_img[:, x:x+cur_crop_width] y = cy - cur_crop_height // 2 cy = cur_crop_height // 2 if y < 0: cy = cy + y y = 0 elif y + cur_crop_height > h: cy = cy + (y + cur_crop_height - h) y = h - cur_crop_height face_img = face_img[y:y + cur_crop_height] # # debug # logger.info(path, cx, cy, angle) # crp = cv2.resize(image, (image.shape[1]//8, image.shape[0]//8)) # cv2.imshow("image", crp) # if cv2.waitKey() == 27: # break # cv2.destroyAllWindows() # debug if args.debug: cv2.rectangle(face_img, (cx-fw//2, cy-fh//2), (cx+fw//2, cy+fh//2), (255, 0, 255), fw//20) _, buf = cv2.imencode(output_extension, face_img) with open(os.path.join(args.dst_dir, f"{basename}{face_suffix}_{cx:04d}_{cy:04d}_{fw:04d}_{fh:04d}{output_extension}"), "wb") as f: buf.tofile(f) def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() parser.add_argument("--src_dir", type=str, help="directory to load images / 画像を読み込むディレクトリ") parser.add_argument("--dst_dir", type=str, help="directory to save images / 画像を保存するディレクトリ") parser.add_argument("--rotate", action="store_true", help="rotate images to align faces / 顔が正立するように画像を回転する") parser.add_argument("--resize_fit", action="store_true", help="resize to fit smaller side after cropping / 切り出し後の画像の短辺がcrop_sizeにあうようにリサイズする") parser.add_argument("--resize_face_size", type=int, default=None, help="resize image before cropping by face size / 切り出し前に顔がこのサイズになるようにリサイズする") parser.add_argument("--crop_size", type=str, default=None, help="crop images with 'width,height' pixels, face centered / 顔を中心として'幅,高さ'のサイズで切り出す") parser.add_argument("--crop_ratio", type=str, default=None, help="crop images with 'horizontal,vertical' ratio to face, face centered / 顔を中心として顔サイズの'幅倍率,高さ倍率'のサイズで切り出す") parser.add_argument("--min_size", type=int, default=None, help="minimum face size to output (included) / 処理対象とする顔の最小サイズ（この値以上）") parser.add_argument("--max_size", type=int, default=None, help="maximum face size to output (excluded) / 処理対象とする顔の最大サイズ（この値未満）") parser.add_argument("--multiple_faces", action="store_true", help="output each faces / 複数の顔が見つかった場合、それぞれを切り出す") parser.add_argument("--debug", action="store_true", help="render rect for face / 処理後画像の顔位置に矩形を描画します") return parser if __name__ == '__main__': parser = setup_parser() args = parser.parse_args() process(args) ================================================ FILE: tools/latent_upscaler.py ================================================ # 外部から簡単にupscalerを呼ぶためのスクリプト # 単体で動くようにモデル定義も含めている import argparse import glob import os import cv2 from diffusers import AutoencoderKL from typing import Dict, List import numpy as np import torch from library.device_utils import init_ipex, get_preferred_device init_ipex() from torch import nn from tqdm import tqdm from PIL import Image from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) class ResidualBlock(nn.Module): def __init__(self, in_channels, out_channels=None, kernel_size=3, stride=1, padding=1): super(ResidualBlock, self).__init__() if out_channels is None: out_channels = in_channels self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size, stride, padding, bias=False) self.bn1 = nn.BatchNorm2d(out_channels) self.relu1 = nn.ReLU(inplace=True) self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size, stride, padding, bias=False) self.bn2 = nn.BatchNorm2d(out_channels) self.relu2 = nn.ReLU(inplace=True) # このReLUはresidualに足す前にかけるほうがいいかも # initialize weights self._initialize_weights() def _initialize_weights(self): for m in self.modules(): if isinstance(m, nn.Conv2d): nn.init.kaiming_normal_(m.weight, mode="fan_out", nonlinearity="relu") if m.bias is not None: nn.init.constant_(m.bias, 0) elif isinstance(m, nn.BatchNorm2d): nn.init.constant_(m.weight, 1) nn.init.constant_(m.bias, 0) elif isinstance(m, nn.Linear): nn.init.normal_(m.weight, 0, 0.01) nn.init.constant_(m.bias, 0) def forward(self, x): residual = x out = self.conv1(x) out = self.bn1(out) out = self.relu1(out) out = self.conv2(out) out = self.bn2(out) out += residual out = self.relu2(out) return out class Upscaler(nn.Module): def __init__(self): super(Upscaler, self).__init__() # define layers # latent has 4 channels self.conv1 = nn.Conv2d(4, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False) self.bn1 = nn.BatchNorm2d(128) self.relu1 = nn.ReLU(inplace=True) # resblocks # 数の暴力で20個：次元数を増やすよりもブロックを増やしたほうがreceptive fieldが広がるはずだぞ self.resblock1 = ResidualBlock(128) self.resblock2 = ResidualBlock(128) self.resblock3 = ResidualBlock(128) self.resblock4 = ResidualBlock(128) self.resblock5 = ResidualBlock(128) self.resblock6 = ResidualBlock(128) self.resblock7 = ResidualBlock(128) self.resblock8 = ResidualBlock(128) self.resblock9 = ResidualBlock(128) self.resblock10 = ResidualBlock(128) self.resblock11 = ResidualBlock(128) self.resblock12 = ResidualBlock(128) self.resblock13 = ResidualBlock(128) self.resblock14 = ResidualBlock(128) self.resblock15 = ResidualBlock(128) self.resblock16 = ResidualBlock(128) self.resblock17 = ResidualBlock(128) self.resblock18 = ResidualBlock(128) self.resblock19 = ResidualBlock(128) self.resblock20 = ResidualBlock(128) # last convs self.conv2 = nn.Conv2d(128, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False) self.bn2 = nn.BatchNorm2d(64) self.relu2 = nn.ReLU(inplace=True) self.conv3 = nn.Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False) self.bn3 = nn.BatchNorm2d(64) self.relu3 = nn.ReLU(inplace=True) # final conv: output 4 channels self.conv_final = nn.Conv2d(64, 4, kernel_size=(1, 1), stride=(1, 1), padding=(0, 0)) # initialize weights self._initialize_weights() def _initialize_weights(self): for m in self.modules(): if isinstance(m, nn.Conv2d): nn.init.kaiming_normal_(m.weight, mode="fan_out", nonlinearity="relu") if m.bias is not None: nn.init.constant_(m.bias, 0) elif isinstance(m, nn.BatchNorm2d): nn.init.constant_(m.weight, 1) nn.init.constant_(m.bias, 0) elif isinstance(m, nn.Linear): nn.init.normal_(m.weight, 0, 0.01) nn.init.constant_(m.bias, 0) # initialize final conv weights to 0: 流行りのzero conv nn.init.constant_(self.conv_final.weight, 0) def forward(self, x): inp = x x = self.conv1(x) x = self.bn1(x) x = self.relu1(x) # いくつかのresblockを通した後に、residualを足すことで精度向上と学習速度向上が見込めるはず residual = x x = self.resblock1(x) x = self.resblock2(x) x = self.resblock3(x) x = self.resblock4(x) x = x + residual residual = x x = self.resblock5(x) x = self.resblock6(x) x = self.resblock7(x) x = self.resblock8(x) x = x + residual residual = x x = self.resblock9(x) x = self.resblock10(x) x = self.resblock11(x) x = self.resblock12(x) x = x + residual residual = x x = self.resblock13(x) x = self.resblock14(x) x = self.resblock15(x) x = self.resblock16(x) x = x + residual residual = x x = self.resblock17(x) x = self.resblock18(x) x = self.resblock19(x) x = self.resblock20(x) x = x + residual x = self.conv2(x) x = self.bn2(x) x = self.relu2(x) x = self.conv3(x) x = self.bn3(x) # ここにreluを入れないほうがいい気がする x = self.conv_final(x) # network estimates the difference between the input and the output x = x + inp return x def support_latents(self) -> bool: return False def upscale( self, vae: AutoencoderKL, lowreso_images: List[Image.Image], lowreso_latents: torch.Tensor, dtype: torch.dtype, width: int, height: int, batch_size: int = 1, vae_batch_size: int = 1, ): # assertion assert lowreso_images is not None, "Upscaler requires lowreso image" # make upsampled image with lanczos4 upsampled_images = [] for lowreso_image in lowreso_images: upsampled_image = np.array(lowreso_image.resize((width, height), Image.LANCZOS)) upsampled_images.append(upsampled_image) # convert to tensor: this tensor is too large to be converted to cuda upsampled_images = [torch.from_numpy(upsampled_image).permute(2, 0, 1).float() for upsampled_image in upsampled_images] upsampled_images = torch.stack(upsampled_images, dim=0) upsampled_images = upsampled_images.to(dtype) # normalize to [-1, 1] upsampled_images = upsampled_images / 127.5 - 1.0 # convert upsample images to latents with batch size # logger.info("Encoding upsampled (LANCZOS4) images...") upsampled_latents = [] for i in tqdm(range(0, upsampled_images.shape[0], vae_batch_size)): batch = upsampled_images[i : i + vae_batch_size].to(vae.device) with torch.no_grad(): batch = vae.encode(batch).latent_dist.sample() upsampled_latents.append(batch) upsampled_latents = torch.cat(upsampled_latents, dim=0) # upscale (refine) latents with this model with batch size logger.info("Upscaling latents...") upscaled_latents = [] for i in range(0, upsampled_latents.shape[0], batch_size): with torch.no_grad(): upscaled_latents.append(self.forward(upsampled_latents[i : i + batch_size])) upscaled_latents = torch.cat(upscaled_latents, dim=0) return upscaled_latents * 0.18215 # external interface: returns a model def create_upscaler(**kwargs): weights = kwargs["weights"] model = Upscaler() logger.info(f"Loading weights from {weights}...") if os.path.splitext(weights)[1] == ".safetensors": from safetensors.torch import load_file sd = load_file(weights) else: sd = torch.load(weights, map_location=torch.device("cpu")) model.load_state_dict(sd) return model # another interface: upscale images with a model for given images from command line def upscale_images(args: argparse.Namespace): DEVICE = get_preferred_device() us_dtype = torch.float16 # TODO: support fp32/bf16 os.makedirs(args.output_dir, exist_ok=True) # load VAE with Diffusers assert args.vae_path is not None, "VAE path is required" logger.info(f"Loading VAE from {args.vae_path}...") vae = AutoencoderKL.from_pretrained(args.vae_path, subfolder="vae") vae.to(DEVICE, dtype=us_dtype) # prepare model logger.info("Preparing model...") upscaler: Upscaler = create_upscaler(weights=args.weights) # logger.info("Loading weights from", args.weights) # upscaler.load_state_dict(torch.load(args.weights)) upscaler.eval() upscaler.to(DEVICE, dtype=us_dtype) # load images image_paths = glob.glob(args.image_pattern) images = [] for image_path in image_paths: image = Image.open(image_path) image = image.convert("RGB") # make divisible by 8 width = image.width height = image.height if width % 8 != 0: width = width - (width % 8) if height % 8 != 0: height = height - (height % 8) if width != image.width or height != image.height: image = image.crop((0, 0, width, height)) images.append(image) # debug output if args.debug: for image, image_path in zip(images, image_paths): image_debug = image.resize((image.width * 2, image.height * 2), Image.LANCZOS) basename = os.path.basename(image_path) basename_wo_ext, ext = os.path.splitext(basename) dest_file_name = os.path.join(args.output_dir, f"{basename_wo_ext}_lanczos4{ext}") image_debug.save(dest_file_name) # upscale logger.info("Upscaling...") upscaled_latents = upscaler.upscale( vae, images, None, us_dtype, width * 2, height * 2, batch_size=args.batch_size, vae_batch_size=args.vae_batch_size ) upscaled_latents /= 0.18215 # decode with batch logger.info("Decoding...") upscaled_images = [] for i in tqdm(range(0, upscaled_latents.shape[0], args.vae_batch_size)): with torch.no_grad(): batch = vae.decode(upscaled_latents[i : i + args.vae_batch_size]).sample batch = batch.to("cpu") upscaled_images.append(batch) upscaled_images = torch.cat(upscaled_images, dim=0) # tensor to numpy upscaled_images = upscaled_images.permute(0, 2, 3, 1).numpy() upscaled_images = (upscaled_images + 1.0) * 127.5 upscaled_images = upscaled_images.clip(0, 255).astype(np.uint8) upscaled_images = upscaled_images[..., ::-1] # save images for i, image in enumerate(upscaled_images): basename = os.path.basename(image_paths[i]) basename_wo_ext, ext = os.path.splitext(basename) dest_file_name = os.path.join(args.output_dir, f"{basename_wo_ext}_upscaled{ext}") cv2.imwrite(dest_file_name, image) if __name__ == "__main__": parser = argparse.ArgumentParser() parser.add_argument("--vae_path", type=str, default=None, help="VAE path") parser.add_argument("--weights", type=str, default=None, help="Weights path") parser.add_argument("--image_pattern", type=str, default=None, help="Image pattern") parser.add_argument("--output_dir", type=str, default=".", help="Output directory") parser.add_argument("--batch_size", type=int, default=4, help="Batch size") parser.add_argument("--vae_batch_size", type=int, default=1, help="VAE batch size") parser.add_argument("--debug", action="store_true", help="Debug mode") args = parser.parse_args() upscale_images(args) ================================================ FILE: tools/merge_models.py ================================================ import argparse import os import torch from safetensors import safe_open from safetensors.torch import load_file, save_file from tqdm import tqdm from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) def is_unet_key(key): # VAE or TextEncoder, the last one is for SDXL return not ("first_stage_model" in key or "cond_stage_model" in key or "conditioner." in key) TEXT_ENCODER_KEY_REPLACEMENTS = [ ("cond_stage_model.transformer.embeddings.", "cond_stage_model.transformer.text_model.embeddings."), ("cond_stage_model.transformer.encoder.", "cond_stage_model.transformer.text_model.encoder."), ("cond_stage_model.transformer.final_layer_norm.", "cond_stage_model.transformer.text_model.final_layer_norm."), ] # support for models with different text encoder keys def replace_text_encoder_key(key): for rep_from, rep_to in TEXT_ENCODER_KEY_REPLACEMENTS: if key.startswith(rep_from): return True, rep_to + key[len(rep_from) :] return False, key def merge(args): if args.precision == "fp16": dtype = torch.float16 elif args.precision == "bf16": dtype = torch.bfloat16 else: dtype = torch.float if args.saving_precision == "fp16": save_dtype = torch.float16 elif args.saving_precision == "bf16": save_dtype = torch.bfloat16 else: save_dtype = torch.float # check if all models are safetensors for model in args.models: if not model.endswith("safetensors"): logger.info(f"Model {model} is not a safetensors model") exit() if not os.path.isfile(model): logger.info(f"Model {model} does not exist") exit() assert args.ratios is None or len(args.models) == len(args.ratios), "ratios must be the same length as models" # load and merge ratio = 1.0 / len(args.models) # default supplementary_key_ratios = {} # [key] = ratio, for keys not in all models, add later merged_sd = None first_model_keys = set() # check missing keys in other models for i, model in enumerate(args.models): if args.ratios is not None: ratio = args.ratios[i] if merged_sd is None: # load first model logger.info(f"Loading model {model}, ratio = {ratio}...") merged_sd = {} with safe_open(model, framework="pt", device=args.device) as f: for key in tqdm(f.keys()): value = f.get_tensor(key) _, key = replace_text_encoder_key(key) first_model_keys.add(key) if not is_unet_key(key) and args.unet_only: supplementary_key_ratios[key] = 1.0 # use first model's value for VAE or TextEncoder continue value = ratio * value.to(dtype) # first model's value * ratio merged_sd[key] = value logger.info(f"Model has {len(merged_sd)} keys " + ("(UNet only)" if args.unet_only else "")) continue # load other models logger.info(f"Loading model {model}, ratio = {ratio}...") with safe_open(model, framework="pt", device=args.device) as f: model_keys = f.keys() for key in tqdm(model_keys): _, new_key = replace_text_encoder_key(key) if new_key not in merged_sd: if args.show_skipped and new_key not in first_model_keys: logger.info(f"Skip: {new_key}") continue value = f.get_tensor(key) merged_sd[new_key] = merged_sd[new_key] + ratio * value.to(dtype) # enumerate keys not in this model model_keys = set(model_keys) for key in merged_sd.keys(): if key in model_keys: continue logger.warning(f"Key {key} not in model {model}, use first model's value") if key in supplementary_key_ratios: supplementary_key_ratios[key] += ratio else: supplementary_key_ratios[key] = ratio # add supplementary keys' value (including VAE and TextEncoder) if len(supplementary_key_ratios) > 0: logger.info("add first model's value") with safe_open(args.models[0], framework="pt", device=args.device) as f: for key in tqdm(f.keys()): _, new_key = replace_text_encoder_key(key) if new_key not in supplementary_key_ratios: continue if is_unet_key(new_key): # not VAE or TextEncoder logger.warning(f"Key {new_key} not in all models, ratio = {supplementary_key_ratios[new_key]}") value = f.get_tensor(key) # original key if new_key not in merged_sd: merged_sd[new_key] = supplementary_key_ratios[new_key] * value.to(dtype) else: merged_sd[new_key] = merged_sd[new_key] + supplementary_key_ratios[new_key] * value.to(dtype) # save output_file = args.output if not output_file.endswith(".safetensors"): output_file = output_file + ".safetensors" logger.info(f"Saving to {output_file}...") # convert to save_dtype for k in merged_sd.keys(): merged_sd[k] = merged_sd[k].to(save_dtype) save_file(merged_sd, output_file) logger.info("Done!") if __name__ == "__main__": parser = argparse.ArgumentParser(description="Merge models") parser.add_argument("--models", nargs="+", type=str, help="Models to merge") parser.add_argument("--output", type=str, help="Output model") parser.add_argument("--ratios", nargs="+", type=float, help="Ratios of models, default is equal, total = 1.0") parser.add_argument("--unet_only", action="store_true", help="Only merge unet") parser.add_argument("--device", type=str, default="cpu", help="Device to use, default is cpu") parser.add_argument( "--precision", type=str, default="float", choices=["float", "fp16", "bf16"], help="Calculation precision, default is float" ) parser.add_argument( "--saving_precision", type=str, default="float", choices=["float", "fp16", "bf16"], help="Saving precision, default is float", ) parser.add_argument("--show_skipped", action="store_true", help="Show skipped keys (keys not in first model)") args = parser.parse_args() merge(args) ================================================ FILE: tools/merge_sd3_safetensors.py ================================================ import argparse import os import gc from typing import Dict, Optional, Union import torch from safetensors.torch import safe_open from library.utils import setup_logging from library.utils import str_to_dtype from library.safetensors_utils import load_safetensors, mem_eff_save_file setup_logging() import logging logger = logging.getLogger(__name__) def merge_safetensors( dit_path: str, vae_path: Optional[str] = None, clip_l_path: Optional[str] = None, clip_g_path: Optional[str] = None, t5xxl_path: Optional[str] = None, output_path: str = "merged_model.safetensors", device: str = "cpu", save_precision: Optional[str] = None, ): """ Merge multiple safetensors files into a single file Args: dit_path: Path to the DiT/MMDiT model vae_path: Path to the VAE model clip_l_path: Path to the CLIP-L model clip_g_path: Path to the CLIP-G model t5xxl_path: Path to the T5-XXL model output_path: Path to save the merged model device: Device to load tensors to save_precision: Target dtype for model weights (e.g. 'fp16', 'bf16') """ logger.info("Starting to merge safetensors files...") # Convert save_precision string to torch dtype if specified if save_precision: target_dtype = str_to_dtype(save_precision) else: target_dtype = None # 1. Get DiT metadata if available metadata = None try: with safe_open(dit_path, framework="pt") as f: metadata = f.metadata() # may be None if metadata: logger.info(f"Found metadata in DiT model: {metadata}") except Exception as e: logger.warning(f"Failed to read metadata from DiT model: {e}") # 2. Create empty merged state dict merged_state_dict = {} # 3. Load and merge each model with memory management # DiT/MMDiT - prefix: model.diffusion_model. # This state dict may have VAE keys. logger.info(f"Loading DiT model from {dit_path}") dit_state_dict = load_safetensors(dit_path, device=device, disable_mmap=True, dtype=target_dtype) logger.info(f"Adding DiT model with {len(dit_state_dict)} keys") for key, value in dit_state_dict.items(): if key.startswith("model.diffusion_model.") or key.startswith("first_stage_model."): merged_state_dict[key] = value else: merged_state_dict[f"model.diffusion_model.{key}"] = value # Free memory del dit_state_dict gc.collect() # VAE - prefix: first_stage_model. # May be omitted if VAE is already included in DiT model. if vae_path: logger.info(f"Loading VAE model from {vae_path}") vae_state_dict = load_safetensors(vae_path, device=device, disable_mmap=True, dtype=target_dtype) logger.info(f"Adding VAE model with {len(vae_state_dict)} keys") for key, value in vae_state_dict.items(): if key.startswith("first_stage_model."): merged_state_dict[key] = value else: merged_state_dict[f"first_stage_model.{key}"] = value # Free memory del vae_state_dict gc.collect() # CLIP-L - prefix: text_encoders.clip_l. if clip_l_path: logger.info(f"Loading CLIP-L model from {clip_l_path}") clip_l_state_dict = load_safetensors(clip_l_path, device=device, disable_mmap=True, dtype=target_dtype) logger.info(f"Adding CLIP-L model with {len(clip_l_state_dict)} keys") for key, value in clip_l_state_dict.items(): if key.startswith("text_encoders.clip_l.transformer."): merged_state_dict[key] = value else: merged_state_dict[f"text_encoders.clip_l.transformer.{key}"] = value # Free memory del clip_l_state_dict gc.collect() # CLIP-G - prefix: text_encoders.clip_g. if clip_g_path: logger.info(f"Loading CLIP-G model from {clip_g_path}") clip_g_state_dict = load_safetensors(clip_g_path, device=device, disable_mmap=True, dtype=target_dtype) logger.info(f"Adding CLIP-G model with {len(clip_g_state_dict)} keys") for key, value in clip_g_state_dict.items(): if key.startswith("text_encoders.clip_g.transformer."): merged_state_dict[key] = value else: merged_state_dict[f"text_encoders.clip_g.transformer.{key}"] = value # Free memory del clip_g_state_dict gc.collect() # T5-XXL - prefix: text_encoders.t5xxl. if t5xxl_path: logger.info(f"Loading T5-XXL model from {t5xxl_path}") t5xxl_state_dict = load_safetensors(t5xxl_path, device=device, disable_mmap=True, dtype=target_dtype) logger.info(f"Adding T5-XXL model with {len(t5xxl_state_dict)} keys") for key, value in t5xxl_state_dict.items(): if key.startswith("text_encoders.t5xxl.transformer."): merged_state_dict[key] = value else: merged_state_dict[f"text_encoders.t5xxl.transformer.{key}"] = value # Free memory del t5xxl_state_dict gc.collect() # 4. Save merged state dict logger.info(f"Saving merged model to {output_path} with {len(merged_state_dict)} keys total") mem_eff_save_file(merged_state_dict, output_path, metadata) logger.info("Successfully merged safetensors files") def main(): parser = argparse.ArgumentParser(description="Merge Stable Diffusion 3.5 model components into a single safetensors file") parser.add_argument("--dit", required=True, help="Path to the DiT/MMDiT model") parser.add_argument("--vae", help="Path to the VAE model. May be omitted if VAE is included in DiT model") parser.add_argument("--clip_l", help="Path to the CLIP-L model") parser.add_argument("--clip_g", help="Path to the CLIP-G model") parser.add_argument("--t5xxl", help="Path to the T5-XXL model") parser.add_argument("--output", default="merged_model.safetensors", help="Path to save the merged model") parser.add_argument("--device", default="cpu", help="Device to load tensors to") parser.add_argument("--save_precision", type=str, help="Precision to save the model in (e.g., 'fp16', 'bf16', 'float16', etc.)") args = parser.parse_args() merge_safetensors( dit_path=args.dit, vae_path=args.vae, clip_l_path=args.clip_l, clip_g_path=args.clip_g, t5xxl_path=args.t5xxl, output_path=args.output, device=args.device, save_precision=args.save_precision, ) if __name__ == "__main__": main() ================================================ FILE: tools/original_control_net.py ================================================ from typing import List, NamedTuple, Any import numpy as np import cv2 import torch from safetensors.torch import load_file from library.original_unet import UNet2DConditionModel, SampleOutput import library.model_util as model_util from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) class ControlNetInfo(NamedTuple): unet: Any net: Any prep: Any weight: float ratio: float class ControlNet(torch.nn.Module): def __init__(self) -> None: super().__init__() # make control model self.control_model = torch.nn.Module() dims = [320, 320, 320, 320, 640, 640, 640, 1280, 1280, 1280, 1280, 1280] zero_convs = torch.nn.ModuleList() for i, dim in enumerate(dims): sub_list = torch.nn.ModuleList([torch.nn.Conv2d(dim, dim, 1)]) zero_convs.append(sub_list) self.control_model.add_module("zero_convs", zero_convs) middle_block_out = torch.nn.Conv2d(1280, 1280, 1) self.control_model.add_module("middle_block_out", torch.nn.ModuleList([middle_block_out])) dims = [16, 16, 32, 32, 96, 96, 256, 320] strides = [1, 1, 2, 1, 2, 1, 2, 1] prev_dim = 3 input_hint_block = torch.nn.Sequential() for i, (dim, stride) in enumerate(zip(dims, strides)): input_hint_block.append(torch.nn.Conv2d(prev_dim, dim, 3, stride, 1)) if i < len(dims) - 1: input_hint_block.append(torch.nn.SiLU()) prev_dim = dim self.control_model.add_module("input_hint_block", input_hint_block) def load_control_net(v2, unet, model): device = unet.device # control sdからキー変換しつつU-Netに対応する部分のみ取り出し、DiffusersのU-Netに読み込む # state dictを読み込む logger.info(f"ControlNet: loading control SD model : {model}") if model_util.is_safetensors(model): ctrl_sd_sd = load_file(model) else: ctrl_sd_sd = torch.load(model, map_location="cpu") ctrl_sd_sd = ctrl_sd_sd.pop("state_dict", ctrl_sd_sd) # 重みをU-Netに読み込めるようにする。ControlNetはSD版のstate dictなので、それを読み込む is_difference = "difference" in ctrl_sd_sd logger.info(f"ControlNet: loading difference: {is_difference}") # ControlNetには存在しないキーがあるので、まず現在のU-NetでSD版の全keyを作っておく # またTransfer Controlの元weightとなる ctrl_unet_sd_sd = model_util.convert_unet_state_dict_to_sd(v2, unet.state_dict()) # 元のU-Netに影響しないようにコピーする。またprefixが付いていないので付ける for key in list(ctrl_unet_sd_sd.keys()): ctrl_unet_sd_sd["model.diffusion_model." + key] = ctrl_unet_sd_sd.pop(key).clone() zero_conv_sd = {} for key in list(ctrl_sd_sd.keys()): if key.startswith("control_"): unet_key = "model.diffusion_" + key[len("control_") :] if unet_key not in ctrl_unet_sd_sd: # zero conv zero_conv_sd[key] = ctrl_sd_sd[key] continue if is_difference: # Transfer Control ctrl_unet_sd_sd[unet_key] += ctrl_sd_sd[key].to(device, dtype=unet.dtype) else: ctrl_unet_sd_sd[unet_key] = ctrl_sd_sd[key].to(device, dtype=unet.dtype) unet_config = model_util.create_unet_diffusers_config(v2) ctrl_unet_du_sd = model_util.convert_ldm_unet_checkpoint(v2, ctrl_unet_sd_sd, unet_config) # DiffUsers版ControlNetのstate dict # ControlNetのU-Netを作成する ctrl_unet = UNet2DConditionModel(**unet_config) info = ctrl_unet.load_state_dict(ctrl_unet_du_sd) logger.info(f"ControlNet: loading Control U-Net: {info}") # U-Net以外のControlNetを作成する # TODO support middle only ctrl_net = ControlNet() info = ctrl_net.load_state_dict(zero_conv_sd) logger.info("ControlNet: loading ControlNet: {info}") ctrl_unet.to(unet.device, dtype=unet.dtype) ctrl_net.to(unet.device, dtype=unet.dtype) return ctrl_unet, ctrl_net def load_preprocess(prep_type: str): if prep_type is None or prep_type.lower() == "none": return None if prep_type.startswith("canny"): args = prep_type.split("_") th1 = int(args[1]) if len(args) >= 2 else 63 th2 = int(args[2]) if len(args) >= 3 else 191 def canny(img): img = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY) return cv2.Canny(img, th1, th2) return canny logger.info(f"Unsupported prep type: {prep_type}") return None def preprocess_ctrl_net_hint_image(image): image = np.array(image).astype(np.float32) / 255.0 # ControlNetのサンプルはcv2を使っているが、読み込みはGradioなので実はRGBになっている # image = image[:, :, ::-1].copy() # rgb to bgr image = image[None].transpose(0, 3, 1, 2) # nchw image = torch.from_numpy(image) return image # 0 to 1 def get_guided_hints(control_nets: List[ControlNetInfo], num_latent_input, b_size, hints): guided_hints = [] for i, cnet_info in enumerate(control_nets): # hintは 1枚目の画像のcnet1, 1枚目の画像のcnet2, 1枚目の画像のcnet3, 2枚目の画像のcnet1, 2枚目の画像のcnet2 ... と並んでいること b_hints = [] if len(hints) == 1: # すべて同じ画像をhintとして使う hint = hints[0] if cnet_info.prep is not None: hint = cnet_info.prep(hint) hint = preprocess_ctrl_net_hint_image(hint) b_hints = [hint for _ in range(b_size)] else: for bi in range(b_size): hint = hints[(bi * len(control_nets) + i) % len(hints)] if cnet_info.prep is not None: hint = cnet_info.prep(hint) hint = preprocess_ctrl_net_hint_image(hint) b_hints.append(hint) b_hints = torch.cat(b_hints, dim=0) b_hints = b_hints.to(cnet_info.unet.device, dtype=cnet_info.unet.dtype) guided_hint = cnet_info.net.control_model.input_hint_block(b_hints) guided_hints.append(guided_hint) return guided_hints def call_unet_and_control_net( step, num_latent_input, original_unet, control_nets: List[ControlNetInfo], guided_hints, current_ratio, sample, timestep, encoder_hidden_states, encoder_hidden_states_for_control_net, ): # ControlNet # 複数のControlNetの場合は、出力をマージするのではなく交互に適用する cnet_cnt = len(control_nets) cnet_idx = step % cnet_cnt cnet_info = control_nets[cnet_idx] # logger.info(current_ratio, cnet_info.prep, cnet_info.weight, cnet_info.ratio) if cnet_info.ratio < current_ratio: return original_unet(sample, timestep, encoder_hidden_states) guided_hint = guided_hints[cnet_idx] # gradual latent support: match the size of guided_hint to the size of sample if guided_hint.shape[-2:] != sample.shape[-2:]: # print(f"guided_hint.shape={guided_hint.shape}, sample.shape={sample.shape}") org_dtype = guided_hint.dtype if org_dtype == torch.bfloat16: guided_hint = guided_hint.to(torch.float32) guided_hint = torch.nn.functional.interpolate(guided_hint, size=sample.shape[-2:], mode="bicubic") if org_dtype == torch.bfloat16: guided_hint = guided_hint.to(org_dtype) guided_hint = guided_hint.repeat((num_latent_input, 1, 1, 1)) outs = unet_forward( True, cnet_info.net, cnet_info.unet, guided_hint, None, sample, timestep, encoder_hidden_states_for_control_net ) outs = [o * cnet_info.weight for o in outs] # U-Net return unet_forward(False, cnet_info.net, original_unet, None, outs, sample, timestep, encoder_hidden_states) """ # これはmergeのバージョン # ControlNet cnet_outs_list = [] for i, cnet_info in enumerate(control_nets): # logger.info(current_ratio, cnet_info.prep, cnet_info.weight, cnet_info.ratio) if cnet_info.ratio < current_ratio: continue guided_hint = guided_hints[i] outs = unet_forward(True, cnet_info.net, cnet_info.unet, guided_hint, None, sample, timestep, encoder_hidden_states) for i in range(len(outs)): outs[i] *= cnet_info.weight cnet_outs_list.append(outs) count = len(cnet_outs_list) if count == 0: return original_unet(sample, timestep, encoder_hidden_states) # sum of controlnets for i in range(1, count): cnet_outs_list[0] += cnet_outs_list[i] # U-Net return unet_forward(False, cnet_info.net, original_unet, None, cnet_outs_list[0], sample, timestep, encoder_hidden_states) """ def unet_forward( is_control_net, control_net: ControlNet, unet: UNet2DConditionModel, guided_hint, ctrl_outs, sample, timestep, encoder_hidden_states, ): # copy from UNet2DConditionModel default_overall_up_factor = 2**unet.num_upsamplers forward_upsample_size = False upsample_size = None if any(s % default_overall_up_factor != 0 for s in sample.shape[-2:]): logger.info("Forward upsample size to force interpolation output size.") forward_upsample_size = True # 1. time timesteps = timestep if not torch.is_tensor(timesteps): # TODO: this requires sync between CPU and GPU. So try to pass timesteps as tensors if you can # This would be a good case for the `match` statement (Python 3.10+) is_mps = sample.device.type == "mps" if isinstance(timestep, float): dtype = torch.float32 if is_mps else torch.float64 else: dtype = torch.int32 if is_mps else torch.int64 timesteps = torch.tensor([timesteps], dtype=dtype, device=sample.device) elif len(timesteps.shape) == 0: timesteps = timesteps[None].to(sample.device) # broadcast to batch dimension in a way that's compatible with ONNX/Core ML timesteps = timesteps.expand(sample.shape[0]) t_emb = unet.time_proj(timesteps) # timesteps does not contain any weights and will always return f32 tensors # but time_embedding might actually be running in fp16. so we need to cast here. # there might be better ways to encapsulate this. t_emb = t_emb.to(dtype=unet.dtype) emb = unet.time_embedding(t_emb) outs = [] # output of ControlNet zc_idx = 0 # 2. pre-process sample = unet.conv_in(sample) if is_control_net: sample += guided_hint outs.append(control_net.control_model.zero_convs[zc_idx][0](sample)) # , emb, encoder_hidden_states)) zc_idx += 1 # 3. down down_block_res_samples = (sample,) for downsample_block in unet.down_blocks: if downsample_block.has_cross_attention: sample, res_samples = downsample_block( hidden_states=sample, temb=emb, encoder_hidden_states=encoder_hidden_states, ) else: sample, res_samples = downsample_block(hidden_states=sample, temb=emb) if is_control_net: for rs in res_samples: outs.append(control_net.control_model.zero_convs[zc_idx][0](rs)) # , emb, encoder_hidden_states)) zc_idx += 1 down_block_res_samples += res_samples # 4. mid sample = unet.mid_block(sample, emb, encoder_hidden_states=encoder_hidden_states) if is_control_net: outs.append(control_net.control_model.middle_block_out[0](sample)) return outs if not is_control_net: sample += ctrl_outs.pop() # 5. up for i, upsample_block in enumerate(unet.up_blocks): is_final_block = i == len(unet.up_blocks) - 1 res_samples = down_block_res_samples[-len(upsample_block.resnets) :] down_block_res_samples = down_block_res_samples[: -len(upsample_block.resnets)] if not is_control_net and len(ctrl_outs) > 0: res_samples = list(res_samples) apply_ctrl_outs = ctrl_outs[-len(res_samples) :] ctrl_outs = ctrl_outs[: -len(res_samples)] for j in range(len(res_samples)): res_samples[j] = res_samples[j] + apply_ctrl_outs[j] res_samples = tuple(res_samples) # if we have not reached the final block and need to forward the # upsample size, we do it here if not is_final_block and forward_upsample_size: upsample_size = down_block_res_samples[-1].shape[2:] if upsample_block.has_cross_attention: sample = upsample_block( hidden_states=sample, temb=emb, res_hidden_states_tuple=res_samples, encoder_hidden_states=encoder_hidden_states, upsample_size=upsample_size, ) else: sample = upsample_block( hidden_states=sample, temb=emb, res_hidden_states_tuple=res_samples, upsample_size=upsample_size ) # 6. post-process sample = unet.conv_norm_out(sample) sample = unet.conv_act(sample) sample = unet.conv_out(sample) return SampleOutput(sample=sample) ================================================ FILE: tools/resize_images_to_resolution.py ================================================ import glob import os import cv2 import argparse import shutil import math from PIL import Image import numpy as np from library.utils import setup_logging, resize_image setup_logging() import logging logger = logging.getLogger(__name__) def resize_images(src_img_folder, dst_img_folder, max_resolution="512x512", divisible_by=2, interpolation=None, save_as_png=False, copy_associated_files=False): # Split the max_resolution string by "," and strip any whitespaces max_resolutions = [res.strip() for res in max_resolution.split(',')] # # Calculate max_pixels from max_resolution string # max_pixels = int(max_resolution.split("x")[0]) * int(max_resolution.split("x")[1]) # Create destination folder if it does not exist if not os.path.exists(dst_img_folder): os.makedirs(dst_img_folder) # Iterate through all files in src_img_folder img_exts = (".png", ".jpg", ".jpeg", ".webp", ".bmp") # copy from train_util.py for filename in os.listdir(src_img_folder): # Check if the image is png, jpg or webp etc... if not filename.endswith(img_exts): # Copy the file to the destination folder if not png, jpg or webp etc (.txt or .caption or etc.) shutil.copy(os.path.join(src_img_folder, filename), os.path.join(dst_img_folder, filename)) continue # Load image # img = cv2.imread(os.path.join(src_img_folder, filename)) image = Image.open(os.path.join(src_img_folder, filename)) if not image.mode == "RGB": image = image.convert("RGB") img = np.array(image, np.uint8) base, _ = os.path.splitext(filename) for max_resolution in max_resolutions: # Calculate max_pixels from max_resolution string max_pixels = int(max_resolution.split("x")[0]) * int(max_resolution.split("x")[1]) # Calculate current number of pixels current_pixels = img.shape[0] * img.shape[1] # Check if the image needs resizing if current_pixels > max_pixels: # Calculate scaling factor scale_factor = max_pixels / current_pixels # Calculate new dimensions new_height = int(img.shape[0] * math.sqrt(scale_factor)) new_width = int(img.shape[1] * math.sqrt(scale_factor)) img = resize_image(img, img.shape[0], img.shape[1], new_height, new_width, interpolation) else: new_height, new_width = img.shape[0:2] # Calculate the new height and width that are divisible by divisible_by (with/without resizing) new_height = new_height if new_height % divisible_by == 0 else new_height - new_height % divisible_by new_width = new_width if new_width % divisible_by == 0 else new_width - new_width % divisible_by # Center crop the image to the calculated dimensions y = int((img.shape[0] - new_height) / 2) x = int((img.shape[1] - new_width) / 2) img = img[y:y + new_height, x:x + new_width] # Split filename into base and extension new_filename = base + '+' + max_resolution + ('.png' if save_as_png else '.jpg') # Save resized image in dst_img_folder # cv2.imwrite(os.path.join(dst_img_folder, new_filename), img, [cv2.IMWRITE_JPEG_QUALITY, 100]) image = Image.fromarray(img) image.save(os.path.join(dst_img_folder, new_filename), quality=100) proc = "Resized" if current_pixels > max_pixels else "Saved" logger.info(f"{proc} image: {filename} with size {img.shape[0]}x{img.shape[1]} as {new_filename}") # If other files with same basename, copy them with resolution suffix if copy_associated_files: asoc_files = glob.glob(os.path.join(src_img_folder, base + ".*")) for asoc_file in asoc_files: ext = os.path.splitext(asoc_file)[1] if ext in img_exts: continue for max_resolution in max_resolutions: new_asoc_file = base + '+' + max_resolution + ext logger.info(f"Copy {asoc_file} as {new_asoc_file}") shutil.copy(os.path.join(src_img_folder, asoc_file), os.path.join(dst_img_folder, new_asoc_file)) def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser( description='Resize images in a folder to a specified max resolution(s) / 指定されたフォルダ内の画像を指定した最大画像サイズ（面積）以下にアスペクト比を維持したままリサイズします') parser.add_argument('src_img_folder', type=str, help='Source folder containing the images / 元画像のフォルダ') parser.add_argument('dst_img_folder', type=str, help='Destination folder to save the resized images / リサイズ後の画像を保存するフォルダ') parser.add_argument('--max_resolution', type=str, help='Maximum resolution(s) in the format "512x512,384x384, etc, etc" / 最大画像サイズをカンマ区切りで指定 ("512x512,384x384, etc, etc" など)', default="512x512,384x384,256x256,128x128") parser.add_argument('--divisible_by', type=int, help='Ensure new dimensions are divisible by this value / リサイズ後の画像のサイズをこの値で割り切れるようにします', default=1) parser.add_argument('--interpolation', type=str, choices=['area', 'cubic', 'lanczos4', 'nearest', 'linear', 'box'], default=None, help='Interpolation method for resizing. Default to area if smaller, lanczos if larger / サイズ変更の補間方法。小さい場合はデフォルトでエリア、大きい場合はランチョスになります。') parser.add_argument('--save_as_png', action='store_true', help='Save as png format / png形式で保存') parser.add_argument('--copy_associated_files', action='store_true', help='Copy files with same base name to images (captions etc) / 画像と同じファイル名（拡張子を除く）のファイルもコピーする') return parser def main(): parser = setup_parser() args = parser.parse_args() resize_images(args.src_img_folder, args.dst_img_folder, args.max_resolution, args.divisible_by, args.interpolation, args.save_as_png, args.copy_associated_files) if __name__ == '__main__': main() ================================================ FILE: tools/show_metadata.py ================================================ import json import argparse from safetensors import safe_open from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) parser = argparse.ArgumentParser() parser.add_argument("--model", type=str, required=True) args = parser.parse_args() with safe_open(args.model, framework="pt") as f: metadata = f.metadata() if metadata is None: logger.error("No metadata found") else: # metadata is json dict, but not pretty printed # sort by key and pretty print print(json.dumps(metadata, indent=4, sort_keys=True)) ================================================ FILE: train_control_net.py ================================================ import argparse import json import math import os import random import time from multiprocessing import Value # from omegaconf import OmegaConf import toml from tqdm import tqdm import torch from library import deepspeed_utils, strategy_base, strategy_sd from library.device_utils import init_ipex, clean_memory_on_device init_ipex() from torch.nn.parallel import DistributedDataParallel as DDP from accelerate.utils import set_seed from diffusers import DDPMScheduler, ControlNetModel from safetensors.torch import load_file import library.model_util as model_util import library.train_util as train_util import library.config_util as config_util import library.sai_model_spec as sai_model_spec from library.config_util import ( ConfigSanitizer, BlueprintGenerator, ) import library.huggingface_util as huggingface_util import library.custom_train_functions as custom_train_functions from library.custom_train_functions import ( apply_snr_weight, pyramid_noise_like, apply_noise_offset, ) from library.utils import setup_logging, add_logging_arguments setup_logging() import logging logger = logging.getLogger(__name__) # TODO 他のスクリプトと共通化する def generate_step_logs(args: argparse.Namespace, current_loss, avr_loss, lr_scheduler): logs = { "loss/current": current_loss, "loss/average": avr_loss, "lr": lr_scheduler.get_last_lr()[0], } if args.optimizer_type.lower().startswith("DAdapt".lower()): logs["lr/d*lr"] = lr_scheduler.optimizers[-1].param_groups[0]["d"] * lr_scheduler.optimizers[-1].param_groups[0]["lr"] return logs def train(args): # session_id = random.randint(0, 2**32) # training_started_at = time.time() train_util.verify_training_args(args) train_util.prepare_dataset_args(args, True) setup_logging(args, reset=True) cache_latents = args.cache_latents use_user_config = args.dataset_config is not None if args.seed is None: args.seed = random.randint(0, 2**32) set_seed(args.seed) tokenize_strategy = strategy_sd.SdTokenizeStrategy(args.v2, args.max_token_length, args.tokenizer_cache_dir) strategy_base.TokenizeStrategy.set_strategy(tokenize_strategy) tokenizer = tokenize_strategy.tokenizer # prepare caching strategy: this must be set before preparing dataset. because dataset may use this strategy for initialization. latents_caching_strategy = strategy_sd.SdSdxlLatentsCachingStrategy( True, args.cache_latents_to_disk, args.vae_batch_size, False ) strategy_base.LatentsCachingStrategy.set_strategy(latents_caching_strategy) # データセットを準備する blueprint_generator = BlueprintGenerator(ConfigSanitizer(False, False, True, True)) if use_user_config: logger.info(f"Load dataset config from {args.dataset_config}") user_config = config_util.load_user_config(args.dataset_config) ignored = ["train_data_dir", "conditioning_data_dir"] if any(getattr(args, attr) is not None for attr in ignored): logger.warning( "ignore following options because config file is found: {0} / 設定ファイルが利用されるため以下のオプションは無視されます: {0}".format( ", ".join(ignored) ) ) else: user_config = { "datasets": [ { "subsets": config_util.generate_controlnet_subsets_config_by_subdirs( args.train_data_dir, args.conditioning_data_dir, args.caption_extension, ) } ] } blueprint = blueprint_generator.generate(user_config, args) train_dataset_group, val_dataset_group = config_util.generate_dataset_group_by_blueprint(blueprint.dataset_group) current_epoch = Value("i", 0) current_step = Value("i", 0) ds_for_collator = train_dataset_group if args.max_data_loader_n_workers == 0 else None collator = train_util.collator_class(current_epoch, current_step, ds_for_collator) train_dataset_group.verify_bucket_reso_steps(64) if args.debug_dataset: train_util.debug_dataset(train_dataset_group) return if len(train_dataset_group) == 0: logger.error( "No data found. Please verify arguments (train_data_dir must be the parent of folders with images) / 画像がありません。引数指定を確認してください（train_data_dirには画像があるフォルダではなく、画像があるフォルダの親フォルダを指定する必要があります）" ) return if cache_latents: assert ( train_dataset_group.is_latent_cacheable() ), "when caching latents, either color_aug or random_crop cannot be used / latentをキャッシュするときはcolor_augとrandom_cropは使えません" # acceleratorを準備する logger.info("prepare accelerator") accelerator = train_util.prepare_accelerator(args) is_main_process = accelerator.is_main_process # mixed precisionに対応した型を用意しておき適宜castする weight_dtype, save_dtype = train_util.prepare_dtype(args) # モデルを読み込む text_encoder, vae, unet, _ = train_util.load_target_model( args, weight_dtype, accelerator, unet_use_linear_projection_in_v2=True ) # DiffusersのControlNetが使用するデータを準備する if args.v2: unet.config = { "act_fn": "silu", "attention_head_dim": [5, 10, 20, 20], "block_out_channels": [320, 640, 1280, 1280], "center_input_sample": False, "cross_attention_dim": 1024, "down_block_types": ["CrossAttnDownBlock2D", "CrossAttnDownBlock2D", "CrossAttnDownBlock2D", "DownBlock2D"], "downsample_padding": 1, "dual_cross_attention": False, "flip_sin_to_cos": True, "freq_shift": 0, "in_channels": 4, "layers_per_block": 2, "mid_block_scale_factor": 1, "mid_block_type": "UNetMidBlock2DCrossAttn", "norm_eps": 1e-05, "norm_num_groups": 32, "num_attention_heads": [5, 10, 20, 20], "num_class_embeds": None, "only_cross_attention": False, "out_channels": 4, "sample_size": 96, "up_block_types": ["UpBlock2D", "CrossAttnUpBlock2D", "CrossAttnUpBlock2D", "CrossAttnUpBlock2D"], "use_linear_projection": True, "upcast_attention": True, "only_cross_attention": False, "downsample_padding": 1, "use_linear_projection": True, "class_embed_type": None, "num_class_embeds": None, "resnet_time_scale_shift": "default", "projection_class_embeddings_input_dim": None, } else: unet.config = { "act_fn": "silu", "attention_head_dim": 8, "block_out_channels": [320, 640, 1280, 1280], "center_input_sample": False, "cross_attention_dim": 768, "down_block_types": ["CrossAttnDownBlock2D", "CrossAttnDownBlock2D", "CrossAttnDownBlock2D", "DownBlock2D"], "downsample_padding": 1, "flip_sin_to_cos": True, "freq_shift": 0, "in_channels": 4, "layers_per_block": 2, "mid_block_scale_factor": 1, "mid_block_type": "UNetMidBlock2DCrossAttn", "norm_eps": 1e-05, "norm_num_groups": 32, "num_attention_heads": 8, "out_channels": 4, "sample_size": 64, "up_block_types": ["UpBlock2D", "CrossAttnUpBlock2D", "CrossAttnUpBlock2D", "CrossAttnUpBlock2D"], "only_cross_attention": False, "downsample_padding": 1, "use_linear_projection": False, "class_embed_type": None, "num_class_embeds": None, "upcast_attention": False, "resnet_time_scale_shift": "default", "projection_class_embeddings_input_dim": None, } # unet.config = OmegaConf.create(unet.config) # make unet.config iterable and accessible by attribute class CustomConfig: def __init__(self, **kwargs): self.__dict__.update(kwargs) def __getattr__(self, name): if name in self.__dict__: return self.__dict__[name] else: raise AttributeError(f"'{self.__class__.__name__}' object has no attribute '{name}'") def __contains__(self, name): return name in self.__dict__ unet.config = CustomConfig(**unet.config) controlnet = ControlNetModel.from_unet(unet) if args.controlnet_model_name_or_path: filename = args.controlnet_model_name_or_path if os.path.isfile(filename): if os.path.splitext(filename)[1] == ".safetensors": state_dict = load_file(filename) else: state_dict = torch.load(filename) state_dict = model_util.convert_controlnet_state_dict_to_diffusers(state_dict) controlnet.load_state_dict(state_dict) elif os.path.isdir(filename): controlnet = ControlNetModel.from_pretrained(filename) # モデルに xformers とか memory efficient attention を組み込む train_util.replace_unet_modules(unet, args.mem_eff_attn, args.xformers, args.sdpa) # 学習を準備する if cache_latents: vae.to(accelerator.device, dtype=weight_dtype) vae.requires_grad_(False) vae.eval() with torch.no_grad(): train_dataset_group.new_cache_latents(vae, accelerator) vae.to("cpu") clean_memory_on_device(accelerator.device) accelerator.wait_for_everyone() if args.gradient_checkpointing: unet.enable_gradient_checkpointing() controlnet.enable_gradient_checkpointing() # 学習に必要なクラスを準備する accelerator.print("prepare optimizer, data loader etc.") trainable_params = list(controlnet.parameters()) _, _, optimizer = train_util.get_optimizer(args, trainable_params) # dataloaderを準備する # DataLoaderのプロセス数：0 は persistent_workers が使えないので注意 train_dataset_group.set_current_strategies() n_workers = min(args.max_data_loader_n_workers, os.cpu_count()) # cpu_count or max_data_loader_n_workers train_dataloader = torch.utils.data.DataLoader( train_dataset_group, batch_size=1, shuffle=True, collate_fn=collator, num_workers=n_workers, persistent_workers=args.persistent_data_loader_workers, ) # 学習ステップ数を計算する if args.max_train_epochs is not None: args.max_train_steps = args.max_train_epochs * math.ceil( len(train_dataloader) / accelerator.num_processes / args.gradient_accumulation_steps ) accelerator.print( f"override steps. steps for {args.max_train_epochs} epochs is / 指定エポックまでのステップ数: {args.max_train_steps}" ) # データセット側にも学習ステップを送信 train_dataset_group.set_max_train_steps(args.max_train_steps) # lr schedulerを用意する lr_scheduler = train_util.get_scheduler_fix(args, optimizer, accelerator.num_processes) # 実験的機能：勾配も含めたfp16学習を行う　モデル全体をfp16にする if args.full_fp16: assert ( args.mixed_precision == "fp16" ), "full_fp16 requires mixed precision='fp16' / full_fp16を使う場合はmixed_precision='fp16'を指定してください。" accelerator.print("enable full fp16 training.") controlnet.to(weight_dtype) # acceleratorがなんかよろしくやってくれるらしい controlnet, optimizer, train_dataloader, lr_scheduler = accelerator.prepare( controlnet, optimizer, train_dataloader, lr_scheduler ) if args.fused_backward_pass: import library.adafactor_fused library.adafactor_fused.patch_adafactor_fused(optimizer) for param_group in optimizer.param_groups: for parameter in param_group["params"]: if parameter.requires_grad: def __grad_hook(tensor: torch.Tensor, param_group=param_group): if accelerator.sync_gradients and args.max_grad_norm != 0.0: accelerator.clip_grad_norm_(tensor, args.max_grad_norm) optimizer.step_param(tensor, param_group) tensor.grad = None parameter.register_post_accumulate_grad_hook(__grad_hook) unet.requires_grad_(False) text_encoder.requires_grad_(False) unet.to(accelerator.device) text_encoder.to(accelerator.device) # transform DDP after prepare controlnet = controlnet.module if isinstance(controlnet, DDP) else controlnet controlnet.train() if not cache_latents: vae.requires_grad_(False) vae.eval() vae.to(accelerator.device, dtype=weight_dtype) # 実験的機能：勾配も含めたfp16学習を行う　PyTorchにパッチを当ててfp16でのgrad scaleを有効にする if args.full_fp16: train_util.patch_accelerator_for_fp16_training(accelerator) # resumeする train_util.resume_from_local_or_hf_if_specified(accelerator, args) # epoch数を計算する num_update_steps_per_epoch = math.ceil(len(train_dataloader) / args.gradient_accumulation_steps) num_train_epochs = math.ceil(args.max_train_steps / num_update_steps_per_epoch) if (args.save_n_epoch_ratio is not None) and (args.save_n_epoch_ratio > 0): args.save_every_n_epochs = math.floor(num_train_epochs / args.save_n_epoch_ratio) or 1 # 学習する # TODO: find a way to handle total batch size when there are multiple datasets accelerator.print("running training / 学習開始") accelerator.print(f" num train images * repeats / 学習画像の数×繰り返し回数: {train_dataset_group.num_train_images}") accelerator.print(f" num reg images / 正則化画像の数: {train_dataset_group.num_reg_images}") accelerator.print(f" num batches per epoch / 1epochのバッチ数: {len(train_dataloader)}") accelerator.print(f" num epochs / epoch数: {num_train_epochs}") accelerator.print( f" batch size per device / バッチサイズ: {', '.join([str(d.batch_size) for d in train_dataset_group.datasets])}" ) # logger.info(f" total train batch size (with parallel & distributed & accumulation) / 総バッチサイズ（並列学習、勾配合計含む）: {total_batch_size}") accelerator.print(f" gradient accumulation steps / 勾配を合計するステップ数 = {args.gradient_accumulation_steps}") accelerator.print(f" total optimization steps / 学習ステップ数: {args.max_train_steps}") progress_bar = tqdm( range(args.max_train_steps), smoothing=0, disable=not accelerator.is_local_main_process, desc="steps", ) global_step = 0 noise_scheduler = DDPMScheduler( beta_start=0.00085, beta_end=0.012, beta_schedule="scaled_linear", num_train_timesteps=1000, clip_sample=False, ) if accelerator.is_main_process: init_kwargs = {} if args.wandb_run_name: init_kwargs["wandb"] = {"name": args.wandb_run_name} if args.log_tracker_config is not None: init_kwargs = toml.load(args.log_tracker_config) accelerator.init_trackers( "controlnet_train" if args.log_tracker_name is None else args.log_tracker_name, config=train_util.get_sanitized_config_or_none(args), init_kwargs=init_kwargs, ) loss_recorder = train_util.LossRecorder() del train_dataset_group # function for saving/removing def save_model(ckpt_name, model, force_sync_upload=False): os.makedirs(args.output_dir, exist_ok=True) ckpt_file = os.path.join(args.output_dir, ckpt_name) accelerator.print(f"\nsaving checkpoint: {ckpt_file}") state_dict = model_util.convert_controlnet_state_dict_to_sd(model.state_dict()) if save_dtype is not None: for key in list(state_dict.keys()): v = state_dict[key] v = v.detach().clone().to("cpu").to(save_dtype) state_dict[key] = v if os.path.splitext(ckpt_file)[1] == ".safetensors": from safetensors.torch import save_file save_file(state_dict, ckpt_file) else: torch.save(state_dict, ckpt_file) if args.huggingface_repo_id is not None: huggingface_util.upload(args, ckpt_file, "/" + ckpt_name, force_sync_upload=force_sync_upload) def remove_model(old_ckpt_name): old_ckpt_file = os.path.join(args.output_dir, old_ckpt_name) if os.path.exists(old_ckpt_file): accelerator.print(f"removing old checkpoint: {old_ckpt_file}") os.remove(old_ckpt_file) # For --sample_at_first train_util.sample_images( accelerator, args, 0, global_step, accelerator.device, vae, tokenizer, text_encoder, unet, controlnet=controlnet ) if len(accelerator.trackers) > 0: # log empty object to commit the sample images to wandb accelerator.log({}, step=0) # training loop for epoch in range(num_train_epochs): if is_main_process: accelerator.print(f"\nepoch {epoch+1}/{num_train_epochs}") current_epoch.value = epoch + 1 for step, batch in enumerate(train_dataloader): current_step.value = global_step with accelerator.accumulate(controlnet): with torch.no_grad(): if "latents" in batch and batch["latents"] is not None: latents = batch["latents"].to(accelerator.device).to(dtype=weight_dtype) else: # latentに変換 latents = vae.encode(batch["images"].to(dtype=weight_dtype)).latent_dist.sample() latents = latents * 0.18215 b_size = latents.shape[0] input_ids = batch["input_ids_list"][0].to(accelerator.device) encoder_hidden_states = train_util.get_hidden_states(args, input_ids, tokenizer, text_encoder, weight_dtype) # Sample noise that we'll add to the latents noise = torch.randn_like(latents, device=latents.device) if args.noise_offset: noise = apply_noise_offset(latents, noise, args.noise_offset, args.adaptive_noise_scale) elif args.multires_noise_iterations: noise = pyramid_noise_like( noise, latents.device, args.multires_noise_iterations, args.multires_noise_discount, ) # Sample a random timestep for each image timesteps = train_util.get_timesteps(0, noise_scheduler.config.num_train_timesteps, b_size, latents.device) # Add noise to the latents according to the noise magnitude at each timestep # (this is the forward diffusion process) noisy_latents = noise_scheduler.add_noise(latents, noise, timesteps) controlnet_image = batch["conditioning_images"].to(dtype=weight_dtype) with accelerator.autocast(): down_block_res_samples, mid_block_res_sample = controlnet( noisy_latents, timesteps, encoder_hidden_states=encoder_hidden_states, controlnet_cond=controlnet_image, return_dict=False, ) # Predict the noise residual noise_pred = unet( noisy_latents, timesteps, encoder_hidden_states, down_block_additional_residuals=[sample.to(dtype=weight_dtype) for sample in down_block_res_samples], mid_block_additional_residual=mid_block_res_sample.to(dtype=weight_dtype), ).sample if args.v_parameterization: # v-parameterization training target = noise_scheduler.get_velocity(latents, noise, timesteps) else: target = noise huber_c = train_util.get_huber_threshold_if_needed(args, timesteps, noise_scheduler) loss = train_util.conditional_loss(noise_pred.float(), target.float(), args.loss_type, "none", huber_c) loss = loss.mean([1, 2, 3]) loss_weights = batch["loss_weights"] # 各sampleごとのweight loss = loss * loss_weights if args.min_snr_gamma: loss = apply_snr_weight(loss, timesteps, noise_scheduler, args.min_snr_gamma, args.v_parameterization) loss = loss.mean() # 平均なのでbatch_sizeで割る必要なし accelerator.backward(loss) if not args.fused_backward_pass: if accelerator.sync_gradients and args.max_grad_norm != 0.0: params_to_clip = controlnet.parameters() accelerator.clip_grad_norm_(params_to_clip, args.max_grad_norm) optimizer.step() lr_scheduler.step() optimizer.zero_grad(set_to_none=True) else: # optimizer.step() and optimizer.zero_grad() are called in the optimizer hook lr_scheduler.step() # Checks if the accelerator has performed an optimization step behind the scenes if accelerator.sync_gradients: progress_bar.update(1) global_step += 1 train_util.sample_images( accelerator, args, None, global_step, accelerator.device, vae, tokenizer, text_encoder, unet, controlnet=controlnet, ) # 指定ステップごとにモデルを保存 if args.save_every_n_steps is not None and global_step % args.save_every_n_steps == 0: accelerator.wait_for_everyone() if accelerator.is_main_process: ckpt_name = train_util.get_step_ckpt_name(args, "." + args.save_model_as, global_step) save_model( ckpt_name, accelerator.unwrap_model(controlnet), ) if args.save_state: train_util.save_and_remove_state_stepwise(args, accelerator, global_step) remove_step_no = train_util.get_remove_step_no(args, global_step) if remove_step_no is not None: remove_ckpt_name = train_util.get_step_ckpt_name(args, "." + args.save_model_as, remove_step_no) remove_model(remove_ckpt_name) current_loss = loss.detach().item() loss_recorder.add(epoch=epoch, step=step, loss=current_loss) avr_loss: float = loss_recorder.moving_average logs = {"avr_loss": avr_loss} # , "lr": lr_scheduler.get_last_lr()[0]} progress_bar.set_postfix(**logs) if len(accelerator.trackers) > 0: logs = generate_step_logs(args, current_loss, avr_loss, lr_scheduler) accelerator.log(logs, step=global_step) if global_step >= args.max_train_steps: break if len(accelerator.trackers) > 0: logs = {"loss/epoch": loss_recorder.moving_average} accelerator.log(logs, step=epoch + 1) accelerator.wait_for_everyone() # 指定エポックごとにモデルを保存 if args.save_every_n_epochs is not None: saving = (epoch + 1) % args.save_every_n_epochs == 0 and (epoch + 1) < num_train_epochs if is_main_process and saving: ckpt_name = train_util.get_epoch_ckpt_name(args, "." + args.save_model_as, epoch + 1) save_model(ckpt_name, accelerator.unwrap_model(controlnet)) remove_epoch_no = train_util.get_remove_epoch_no(args, epoch + 1) if remove_epoch_no is not None: remove_ckpt_name = train_util.get_epoch_ckpt_name(args, "." + args.save_model_as, remove_epoch_no) remove_model(remove_ckpt_name) if args.save_state: train_util.save_and_remove_state_on_epoch_end(args, accelerator, epoch + 1) train_util.sample_images( accelerator, args, epoch + 1, global_step, accelerator.device, vae, tokenizer, text_encoder, unet, controlnet=controlnet, ) # end of epoch if is_main_process: controlnet = accelerator.unwrap_model(controlnet) accelerator.end_training() if is_main_process and (args.save_state or args.save_state_on_train_end): train_util.save_state_on_train_end(args, accelerator) # del accelerator # この後メモリを使うのでこれは消す→printで使うので消さずにおく if is_main_process: ckpt_name = train_util.get_last_ckpt_name(args, "." + args.save_model_as) save_model(ckpt_name, controlnet, force_sync_upload=True) logger.info("model saved.") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) train_util.add_sd_models_arguments(parser) train_util.add_dataset_arguments(parser, False, True, True) train_util.add_training_arguments(parser, False) deepspeed_utils.add_deepspeed_arguments(parser) train_util.add_optimizer_arguments(parser) config_util.add_config_arguments(parser) custom_train_functions.add_custom_train_arguments(parser) parser.add_argument( "--save_model_as", type=str, default="safetensors", choices=[None, "ckpt", "pt", "safetensors"], help="format to save the model (default is .safetensors) / モデル保存時の形式（デフォルトはsafetensors）", ) parser.add_argument( "--controlnet_model_name_or_path", type=str, default=None, help="controlnet model name or path / controlnetのモデル名またはパス", ) parser.add_argument( "--conditioning_data_dir", type=str, default=None, help="conditioning data directory / 条件付けデータのディレクトリ", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) train(args) ================================================ FILE: train_controlnet.py ================================================ from library.utils import setup_logging setup_logging() import logging logger = logging.getLogger(__name__) from library import train_util from train_control_net import setup_parser, train if __name__ == "__main__": logger.warning( "The module 'train_controlnet.py' is deprecated. Please use 'train_control_net.py' instead" " / 'train_controlnet.py'は非推奨です。代わりに'train_control_net.py'を使用してください。" ) parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) train(args) ================================================ FILE: train_db.py ================================================ # DreamBooth training # XXX dropped option: fine_tune import argparse import itertools import math import os from multiprocessing import Value import toml from tqdm import tqdm import torch from library import deepspeed_utils, strategy_base from library.device_utils import init_ipex, clean_memory_on_device init_ipex() from accelerate.utils import set_seed from diffusers import DDPMScheduler import library.train_util as train_util import library.config_util as config_util import library.sai_model_spec as sai_model_spec from library.config_util import ( ConfigSanitizer, BlueprintGenerator, ) import library.custom_train_functions as custom_train_functions from library.custom_train_functions import ( apply_snr_weight, get_weighted_text_embeddings, prepare_scheduler_for_custom_training, pyramid_noise_like, apply_noise_offset, scale_v_prediction_loss_like_noise_prediction, apply_debiased_estimation, apply_masked_loss, ) from library.utils import setup_logging, add_logging_arguments import library.strategy_sd as strategy_sd setup_logging() import logging logger = logging.getLogger(__name__) # perlin_noise, def train(args): train_util.verify_training_args(args) train_util.prepare_dataset_args(args, False) deepspeed_utils.prepare_deepspeed_args(args) setup_logging(args, reset=True) cache_latents = args.cache_latents if args.seed is not None: set_seed(args.seed) # 乱数系列を初期化する tokenize_strategy = strategy_sd.SdTokenizeStrategy(args.v2, args.max_token_length, args.tokenizer_cache_dir) strategy_base.TokenizeStrategy.set_strategy(tokenize_strategy) # prepare caching strategy: this must be set before preparing dataset. because dataset may use this strategy for initialization. latents_caching_strategy = strategy_sd.SdSdxlLatentsCachingStrategy( False, args.cache_latents_to_disk, args.vae_batch_size, args.skip_cache_check ) strategy_base.LatentsCachingStrategy.set_strategy(latents_caching_strategy) # データセットを準備する if args.dataset_class is None: blueprint_generator = BlueprintGenerator(ConfigSanitizer(True, False, args.masked_loss, True)) if args.dataset_config is not None: logger.info(f"Load dataset config from {args.dataset_config}") user_config = config_util.load_user_config(args.dataset_config) ignored = ["train_data_dir", "reg_data_dir"] if any(getattr(args, attr) is not None for attr in ignored): logger.warning( "ignore following options because config file is found: {0} / 設定ファイルが利用されるため以下のオプションは無視されます: {0}".format( ", ".join(ignored) ) ) else: user_config = { "datasets": [ {"subsets": config_util.generate_dreambooth_subsets_config_by_subdirs(args.train_data_dir, args.reg_data_dir)} ] } blueprint = blueprint_generator.generate(user_config, args) train_dataset_group, val_dataset_group = config_util.generate_dataset_group_by_blueprint(blueprint.dataset_group) else: train_dataset_group = train_util.load_arbitrary_dataset(args) val_dataset_group = None current_epoch = Value("i", 0) current_step = Value("i", 0) ds_for_collator = train_dataset_group if args.max_data_loader_n_workers == 0 else None collator = train_util.collator_class(current_epoch, current_step, ds_for_collator) if args.no_token_padding: train_dataset_group.disable_token_padding() train_dataset_group.verify_bucket_reso_steps(64) if args.debug_dataset: train_util.debug_dataset(train_dataset_group) return if cache_latents: assert ( train_dataset_group.is_latent_cacheable() ), "when caching latents, either color_aug or random_crop cannot be used / latentをキャッシュするときはcolor_augとrandom_cropは使えません" # acceleratorを準備する logger.info("prepare accelerator") if args.gradient_accumulation_steps > 1: logger.warning( f"gradient_accumulation_steps is {args.gradient_accumulation_steps}. accelerate does not support gradient_accumulation_steps when training multiple models (U-Net and Text Encoder), so something might be wrong" ) logger.warning( f"gradient_accumulation_stepsが{args.gradient_accumulation_steps}に設定されています。accelerateは複数モデル（U-NetおよびText Encoder）の学習時にgradient_accumulation_stepsをサポートしていないため結果は未知数です" ) accelerator = train_util.prepare_accelerator(args) # mixed precisionに対応した型を用意しておき適宜castする weight_dtype, save_dtype = train_util.prepare_dtype(args) vae_dtype = torch.float32 if args.no_half_vae else weight_dtype # モデルを読み込む text_encoder, vae, unet, load_stable_diffusion_format = train_util.load_target_model(args, weight_dtype, accelerator) # verify load/save model formats if load_stable_diffusion_format: src_stable_diffusion_ckpt = args.pretrained_model_name_or_path src_diffusers_model_path = None else: src_stable_diffusion_ckpt = None src_diffusers_model_path = args.pretrained_model_name_or_path if args.save_model_as is None: save_stable_diffusion_format = load_stable_diffusion_format use_safetensors = args.use_safetensors else: save_stable_diffusion_format = args.save_model_as.lower() == "ckpt" or args.save_model_as.lower() == "safetensors" use_safetensors = args.use_safetensors or ("safetensors" in args.save_model_as.lower()) # モデルに xformers とか memory efficient attention を組み込む train_util.replace_unet_modules(unet, args.mem_eff_attn, args.xformers, args.sdpa) # 学習を準備する if cache_latents: vae.to(accelerator.device, dtype=vae_dtype) vae.requires_grad_(False) vae.eval() train_dataset_group.new_cache_latents(vae, accelerator) vae.to("cpu") clean_memory_on_device(accelerator.device) accelerator.wait_for_everyone() text_encoding_strategy = strategy_sd.SdTextEncodingStrategy(args.clip_skip) strategy_base.TextEncodingStrategy.set_strategy(text_encoding_strategy) # 学習を準備する：モデルを適切な状態にする train_text_encoder = args.stop_text_encoder_training is None or args.stop_text_encoder_training >= 0 unet.requires_grad_(True) # 念のため追加 text_encoder.requires_grad_(train_text_encoder) if not train_text_encoder: accelerator.print("Text Encoder is not trained.") if args.gradient_checkpointing: unet.enable_gradient_checkpointing() text_encoder.gradient_checkpointing_enable() if not cache_latents: vae.requires_grad_(False) vae.eval() vae.to(accelerator.device, dtype=weight_dtype) # 学習に必要なクラスを準備する accelerator.print("prepare optimizer, data loader etc.") if train_text_encoder: if args.learning_rate_te is None: # wightout list, adamw8bit is crashed trainable_params = list(itertools.chain(unet.parameters(), text_encoder.parameters())) else: trainable_params = [ {"params": list(unet.parameters()), "lr": args.learning_rate}, {"params": list(text_encoder.parameters()), "lr": args.learning_rate_te}, ] else: trainable_params = unet.parameters() _, _, optimizer = train_util.get_optimizer(args, trainable_params) # prepare dataloader # strategies are set here because they cannot be referenced in another process. Copy them with the dataset # some strategies can be None train_dataset_group.set_current_strategies() n_workers = min(args.max_data_loader_n_workers, os.cpu_count()) # cpu_count or max_data_loader_n_workers train_dataloader = torch.utils.data.DataLoader( train_dataset_group, batch_size=1, shuffle=True, collate_fn=collator, num_workers=n_workers, persistent_workers=args.persistent_data_loader_workers, ) # 学習ステップ数を計算する if args.max_train_epochs is not None: args.max_train_steps = args.max_train_epochs * math.ceil( len(train_dataloader) / accelerator.num_processes / args.gradient_accumulation_steps ) accelerator.print( f"override steps. steps for {args.max_train_epochs} epochs is / 指定エポックまでのステップ数: {args.max_train_steps}" ) # データセット側にも学習ステップを送信 train_dataset_group.set_max_train_steps(args.max_train_steps) if args.stop_text_encoder_training is None: args.stop_text_encoder_training = args.max_train_steps + 1 # do not stop until end # lr schedulerを用意する TODO gradient_accumulation_stepsの扱いが何かおかしいかもしれない。後で確認する lr_scheduler = train_util.get_scheduler_fix(args, optimizer, accelerator.num_processes) # 実験的機能：勾配も含めたfp16学習を行う　モデル全体をfp16にする if args.full_fp16: assert ( args.mixed_precision == "fp16" ), "full_fp16 requires mixed precision='fp16' / full_fp16を使う場合はmixed_precision='fp16'を指定してください。" accelerator.print("enable full fp16 training.") unet.to(weight_dtype) text_encoder.to(weight_dtype) # acceleratorがなんかよろしくやってくれるらしい if args.deepspeed: if args.train_text_encoder: ds_model = deepspeed_utils.prepare_deepspeed_model(args, unet=unet, text_encoder=text_encoder) else: ds_model = deepspeed_utils.prepare_deepspeed_model(args, unet=unet) ds_model, optimizer, train_dataloader, lr_scheduler = accelerator.prepare( ds_model, optimizer, train_dataloader, lr_scheduler ) training_models = [ds_model] else: if train_text_encoder: unet, text_encoder, optimizer, train_dataloader, lr_scheduler = accelerator.prepare( unet, text_encoder, optimizer, train_dataloader, lr_scheduler ) training_models = [unet, text_encoder] else: unet, optimizer, train_dataloader, lr_scheduler = accelerator.prepare(unet, optimizer, train_dataloader, lr_scheduler) training_models = [unet] if not train_text_encoder: text_encoder.to(accelerator.device, dtype=weight_dtype) # to avoid 'cpu' vs 'cuda' error # 実験的機能：勾配も含めたfp16学習を行う　PyTorchにパッチを当ててfp16でのgrad scaleを有効にする if args.full_fp16: train_util.patch_accelerator_for_fp16_training(accelerator) # resumeする train_util.resume_from_local_or_hf_if_specified(accelerator, args) # epoch数を計算する num_update_steps_per_epoch = math.ceil(len(train_dataloader) / args.gradient_accumulation_steps) num_train_epochs = math.ceil(args.max_train_steps / num_update_steps_per_epoch) if (args.save_n_epoch_ratio is not None) and (args.save_n_epoch_ratio > 0): args.save_every_n_epochs = math.floor(num_train_epochs / args.save_n_epoch_ratio) or 1 # 学習する total_batch_size = args.train_batch_size * accelerator.num_processes * args.gradient_accumulation_steps accelerator.print("running training / 学習開始") accelerator.print(f" num train images * repeats / 学習画像の数×繰り返し回数: {train_dataset_group.num_train_images}") accelerator.print(f" num reg images / 正則化画像の数: {train_dataset_group.num_reg_images}") accelerator.print(f" num batches per epoch / 1epochのバッチ数: {len(train_dataloader)}") accelerator.print(f" num epochs / epoch数: {num_train_epochs}") accelerator.print(f" batch size per device / バッチサイズ: {args.train_batch_size}") accelerator.print( f" total train batch size (with parallel & distributed & accumulation) / 総バッチサイズ（並列学習、勾配合計含む）: {total_batch_size}" ) accelerator.print(f" gradient ccumulation steps / 勾配を合計するステップ数 = {args.gradient_accumulation_steps}") accelerator.print(f" total optimization steps / 学習ステップ数: {args.max_train_steps}") progress_bar = tqdm(range(args.max_train_steps), smoothing=0, disable=not accelerator.is_local_main_process, desc="steps") global_step = 0 noise_scheduler = DDPMScheduler( beta_start=0.00085, beta_end=0.012, beta_schedule="scaled_linear", num_train_timesteps=1000, clip_sample=False ) prepare_scheduler_for_custom_training(noise_scheduler, accelerator.device) if args.zero_terminal_snr: custom_train_functions.fix_noise_scheduler_betas_for_zero_terminal_snr(noise_scheduler) if accelerator.is_main_process: init_kwargs = {} if args.wandb_run_name: init_kwargs["wandb"] = {"name": args.wandb_run_name} if args.log_tracker_config is not None: init_kwargs = toml.load(args.log_tracker_config) accelerator.init_trackers( "dreambooth" if args.log_tracker_name is None else args.log_tracker_name, config=train_util.get_sanitized_config_or_none(args), init_kwargs=init_kwargs, ) # For --sample_at_first train_util.sample_images( accelerator, args, 0, global_step, accelerator.device, vae, tokenize_strategy.tokenizer, text_encoder, unet ) if len(accelerator.trackers) > 0: # log empty object to commit the sample images to wandb accelerator.log({}, step=0) loss_recorder = train_util.LossRecorder() for epoch in range(num_train_epochs): accelerator.print(f"\nepoch {epoch+1}/{num_train_epochs}") current_epoch.value = epoch + 1 # 指定したステップ数までText Encoderを学習する：epoch最初の状態 unet.train() # train==True is required to enable gradient_checkpointing if args.gradient_checkpointing or global_step < args.stop_text_encoder_training: text_encoder.train() for step, batch in enumerate(train_dataloader): current_step.value = global_step # 指定したステップ数でText Encoderの学習を止める if global_step == args.stop_text_encoder_training: accelerator.print(f"stop text encoder training at step {global_step}") if not args.gradient_checkpointing: text_encoder.train(False) text_encoder.requires_grad_(False) if len(training_models) == 2: training_models = training_models[0] # remove text_encoder from training_models with accelerator.accumulate(*training_models): with torch.no_grad(): # latentに変換 if cache_latents: latents = batch["latents"].to(accelerator.device).to(dtype=weight_dtype) else: latents = vae.encode(batch["images"].to(dtype=weight_dtype)).latent_dist.sample() latents = latents * 0.18215 b_size = latents.shape[0] # Get the text embedding for conditioning with torch.set_grad_enabled(global_step < args.stop_text_encoder_training): if args.weighted_captions: input_ids_list, weights_list = tokenize_strategy.tokenize_with_weights(batch["captions"]) encoder_hidden_states = text_encoding_strategy.encode_tokens_with_weights( tokenize_strategy, [text_encoder], input_ids_list, weights_list )[0] else: input_ids = batch["input_ids_list"][0].to(accelerator.device) encoder_hidden_states = text_encoding_strategy.encode_tokens( tokenize_strategy, [text_encoder], [input_ids] )[0] if args.full_fp16: encoder_hidden_states = encoder_hidden_states.to(weight_dtype) # Sample noise, sample a random timestep for each image, and add noise to the latents, # with noise offset and/or multires noise if specified noise, noisy_latents, timesteps = train_util.get_noise_noisy_latents_and_timesteps(args, noise_scheduler, latents) # Predict the noise residual with accelerator.autocast(): noise_pred = unet(noisy_latents, timesteps, encoder_hidden_states).sample if args.v_parameterization: # v-parameterization training target = noise_scheduler.get_velocity(latents, noise, timesteps) else: target = noise huber_c = train_util.get_huber_threshold_if_needed(args, timesteps, noise_scheduler) loss = train_util.conditional_loss(noise_pred.float(), target.float(), args.loss_type, "none", huber_c) if args.masked_loss or ("alpha_masks" in batch and batch["alpha_masks"] is not None): loss = apply_masked_loss(loss, batch) loss = loss.mean([1, 2, 3]) loss_weights = batch["loss_weights"] # 各sampleごとのweight loss = loss * loss_weights if args.min_snr_gamma: loss = apply_snr_weight(loss, timesteps, noise_scheduler, args.min_snr_gamma, args.v_parameterization) if args.scale_v_pred_loss_like_noise_pred: loss = scale_v_prediction_loss_like_noise_prediction(loss, timesteps, noise_scheduler) if args.debiased_estimation_loss: loss = apply_debiased_estimation(loss, timesteps, noise_scheduler, args.v_parameterization) loss = loss.mean() # 平均なのでbatch_sizeで割る必要なし accelerator.backward(loss) if accelerator.sync_gradients and args.max_grad_norm != 0.0: if train_text_encoder: params_to_clip = itertools.chain(unet.parameters(), text_encoder.parameters()) else: params_to_clip = unet.parameters() accelerator.clip_grad_norm_(params_to_clip, args.max_grad_norm) optimizer.step() lr_scheduler.step() optimizer.zero_grad(set_to_none=True) # Checks if the accelerator has performed an optimization step behind the scenes if accelerator.sync_gradients: progress_bar.update(1) global_step += 1 train_util.sample_images( accelerator, args, None, global_step, accelerator.device, vae, tokenize_strategy.tokenizer, text_encoder, unet ) # 指定ステップごとにモデルを保存 if args.save_every_n_steps is not None and global_step % args.save_every_n_steps == 0: accelerator.wait_for_everyone() if accelerator.is_main_process: src_path = src_stable_diffusion_ckpt if save_stable_diffusion_format else src_diffusers_model_path train_util.save_sd_model_on_epoch_end_or_stepwise( args, False, accelerator, src_path, save_stable_diffusion_format, use_safetensors, save_dtype, epoch, num_train_epochs, global_step, accelerator.unwrap_model(text_encoder), accelerator.unwrap_model(unet), vae, ) current_loss = loss.detach().item() if len(accelerator.trackers) > 0: logs = {"loss": current_loss} train_util.append_lr_to_logs(logs, lr_scheduler, args.optimizer_type, including_unet=True) accelerator.log(logs, step=global_step) loss_recorder.add(epoch=epoch, step=step, loss=current_loss) avr_loss: float = loss_recorder.moving_average logs = {"avr_loss": avr_loss} # , "lr": lr_scheduler.get_last_lr()[0]} progress_bar.set_postfix(**logs) if global_step >= args.max_train_steps: break if len(accelerator.trackers) > 0: logs = {"loss/epoch": loss_recorder.moving_average} accelerator.log(logs, step=epoch + 1) accelerator.wait_for_everyone() if args.save_every_n_epochs is not None: if accelerator.is_main_process: # checking for saving is in util src_path = src_stable_diffusion_ckpt if save_stable_diffusion_format else src_diffusers_model_path train_util.save_sd_model_on_epoch_end_or_stepwise( args, True, accelerator, src_path, save_stable_diffusion_format, use_safetensors, save_dtype, epoch, num_train_epochs, global_step, accelerator.unwrap_model(text_encoder), accelerator.unwrap_model(unet), vae, ) train_util.sample_images( accelerator, args, epoch + 1, global_step, accelerator.device, vae, tokenize_strategy.tokenizer, text_encoder, unet ) is_main_process = accelerator.is_main_process if is_main_process: unet = accelerator.unwrap_model(unet) text_encoder = accelerator.unwrap_model(text_encoder) accelerator.end_training() if is_main_process and (args.save_state or args.save_state_on_train_end): train_util.save_state_on_train_end(args, accelerator) del accelerator # この後メモリを使うのでこれは消す if is_main_process: src_path = src_stable_diffusion_ckpt if save_stable_diffusion_format else src_diffusers_model_path train_util.save_sd_model_on_train_end( args, src_path, save_stable_diffusion_format, use_safetensors, save_dtype, epoch, global_step, text_encoder, unet, vae ) logger.info("model saved.") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) train_util.add_sd_models_arguments(parser) sai_model_spec.add_model_spec_arguments(parser) train_util.add_dataset_arguments(parser, True, False, True) train_util.add_training_arguments(parser, True) train_util.add_masked_loss_arguments(parser) deepspeed_utils.add_deepspeed_arguments(parser) train_util.add_sd_saving_arguments(parser) train_util.add_optimizer_arguments(parser) config_util.add_config_arguments(parser) custom_train_functions.add_custom_train_arguments(parser) parser.add_argument( "--learning_rate_te", type=float, default=None, help="learning rate for text encoder, default is same as unet / Text Encoderの学習率、デフォルトはunetと同じ", ) parser.add_argument( "--no_token_padding", action="store_true", help="disable token padding (same as Diffuser's DreamBooth) / トークンのpaddingを無効にする（Diffusers版DreamBoothと同じ動作）", ) parser.add_argument( "--stop_text_encoder_training", type=int, default=None, help="steps to stop text encoder training, -1 for no training / Text Encoderの学習を止めるステップ数、-1で最初から学習しない", ) parser.add_argument( "--no_half_vae", action="store_true", help="do not use fp16/bf16 VAE in mixed precision (use float VAE) / mixed precisionでも fp16/bf16 VAEを使わずfloat VAEを使う", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) train(args) ================================================ FILE: train_network.py ================================================ import gc import importlib import argparse import math import os import typing from typing import Any, List, Union, Optional import sys import random import time import json from multiprocessing import Value import numpy as np from tqdm import tqdm import torch import torch.nn as nn from torch.types import Number from library.device_utils import init_ipex, clean_memory_on_device init_ipex() from accelerate.utils import set_seed from accelerate import Accelerator from diffusers import DDPMScheduler from diffusers.models.autoencoders.autoencoder_kl import AutoencoderKL from library import deepspeed_utils, model_util, sai_model_spec, strategy_base, strategy_sd, sai_model_spec import library.train_util as train_util from library.train_util import DreamBoothDataset import library.config_util as config_util from library.config_util import ( ConfigSanitizer, BlueprintGenerator, ) import library.huggingface_util as huggingface_util import library.custom_train_functions as custom_train_functions from library.custom_train_functions import ( apply_snr_weight, get_weighted_text_embeddings, prepare_scheduler_for_custom_training, scale_v_prediction_loss_like_noise_prediction, add_v_prediction_like_loss, apply_debiased_estimation, apply_masked_loss, ) from library.utils import setup_logging, add_logging_arguments setup_logging() import logging logger = logging.getLogger(__name__) class NetworkTrainer: def __init__(self): self.vae_scale_factor = 0.18215 self.is_sdxl = False # TODO 他のスクリプトと共通化する def generate_step_logs( self, args: argparse.Namespace, current_loss, avr_loss, lr_scheduler, lr_descriptions, optimizer=None, keys_scaled=None, mean_norm=None, maximum_norm=None, mean_grad_norm=None, mean_combined_norm=None, ): logs = {"loss/current": current_loss, "loss/average": avr_loss} if keys_scaled is not None: logs["max_norm/keys_scaled"] = keys_scaled logs["max_norm/max_key_norm"] = maximum_norm if mean_norm is not None: logs["norm/avg_key_norm"] = mean_norm if mean_grad_norm is not None: logs["norm/avg_grad_norm"] = mean_grad_norm if mean_combined_norm is not None: logs["norm/avg_combined_norm"] = mean_combined_norm lrs = lr_scheduler.get_last_lr() for i, lr in enumerate(lrs): if lr_descriptions is not None: lr_desc = lr_descriptions[i] else: idx = i - (0 if args.network_train_unet_only else -1) if idx == -1: lr_desc = "textencoder" else: if len(lrs) > 2: lr_desc = f"group{idx}" else: lr_desc = "unet" logs[f"lr/{lr_desc}"] = lr if args.optimizer_type.lower().startswith("DAdapt".lower()) or args.optimizer_type.lower() == "Prodigy".lower(): # tracking d*lr value logs[f"lr/d*lr/{lr_desc}"] = ( lr_scheduler.optimizers[-1].param_groups[i]["d"] * lr_scheduler.optimizers[-1].param_groups[i]["lr"] ) if ( args.optimizer_type.lower().endswith("ProdigyPlusScheduleFree".lower()) and optimizer is not None ): # tracking d*lr value of unet. logs["lr/d*lr"] = optimizer.param_groups[0]["d"] * optimizer.param_groups[0]["lr"] else: idx = 0 if not args.network_train_unet_only: logs["lr/textencoder"] = float(lrs[0]) idx = 1 for i in range(idx, len(lrs)): logs[f"lr/group{i}"] = float(lrs[i]) if args.optimizer_type.lower().startswith("DAdapt".lower()) or args.optimizer_type.lower() == "Prodigy".lower(): logs[f"lr/d*lr/group{i}"] = ( lr_scheduler.optimizers[-1].param_groups[i]["d"] * lr_scheduler.optimizers[-1].param_groups[i]["lr"] ) if args.optimizer_type.lower().endswith("ProdigyPlusScheduleFree".lower()) and optimizer is not None: logs[f"lr/d*lr/group{i}"] = optimizer.param_groups[i]["d"] * optimizer.param_groups[i]["lr"] return logs def step_logging(self, accelerator: Accelerator, logs: dict, global_step: int, epoch: int): self.accelerator_logging(accelerator, logs, global_step, global_step, epoch) def epoch_logging(self, accelerator: Accelerator, logs: dict, global_step: int, epoch: int): self.accelerator_logging(accelerator, logs, epoch, global_step, epoch) def val_logging(self, accelerator: Accelerator, logs: dict, global_step: int, epoch: int, val_step: int): self.accelerator_logging(accelerator, logs, global_step + val_step, global_step, epoch, val_step) def accelerator_logging( self, accelerator: Accelerator, logs: dict, step_value: int, global_step: int, epoch: int, val_step: Optional[int] = None ): """ step_value is for tensorboard, other values are for wandb """ tensorboard_tracker = None wandb_tracker = None other_trackers = [] for tracker in accelerator.trackers: if tracker.name == "tensorboard": tensorboard_tracker = accelerator.get_tracker("tensorboard") elif tracker.name == "wandb": wandb_tracker = accelerator.get_tracker("wandb") else: other_trackers.append(accelerator.get_tracker(tracker.name)) if tensorboard_tracker is not None: tensorboard_tracker.log(logs, step=step_value) if wandb_tracker is not None: logs["global_step"] = global_step logs["epoch"] = epoch if val_step is not None: logs["val_step"] = val_step wandb_tracker.log(logs) for tracker in other_trackers: tracker.log(logs, step=step_value) def assert_extra_args( self, args, train_dataset_group: Union[train_util.DatasetGroup, train_util.MinimalDataset], val_dataset_group: Optional[train_util.DatasetGroup], ): train_dataset_group.verify_bucket_reso_steps(64) if val_dataset_group is not None: val_dataset_group.verify_bucket_reso_steps(64) def load_target_model(self, args, weight_dtype, accelerator) -> tuple[str, nn.Module, nn.Module, Optional[nn.Module]]: text_encoder, vae, unet, _ = train_util.load_target_model(args, weight_dtype, accelerator) # モデルに xformers とか memory efficient attention を組み込む train_util.replace_unet_modules(unet, args.mem_eff_attn, args.xformers, args.sdpa) if torch.__version__ >= "2.0.0": # PyTorch 2.0.0 以上対応のxformersなら以下が使える vae.set_use_memory_efficient_attention_xformers(args.xformers) return model_util.get_model_version_str_for_sd1_sd2(args.v2, args.v_parameterization), text_encoder, vae, unet def load_unet_lazily(self, args, weight_dtype, accelerator, text_encoders) -> tuple[nn.Module, List[nn.Module]]: raise NotImplementedError() def get_tokenize_strategy(self, args): return strategy_sd.SdTokenizeStrategy(args.v2, args.max_token_length, args.tokenizer_cache_dir) def get_tokenizers(self, tokenize_strategy: strategy_sd.SdTokenizeStrategy) -> List[Any]: return [tokenize_strategy.tokenizer] def get_latents_caching_strategy(self, args): latents_caching_strategy = strategy_sd.SdSdxlLatentsCachingStrategy( True, args.cache_latents_to_disk, args.vae_batch_size, args.skip_cache_check ) return latents_caching_strategy def get_text_encoding_strategy(self, args): return strategy_sd.SdTextEncodingStrategy(args.clip_skip) def get_text_encoder_outputs_caching_strategy(self, args): return None def get_models_for_text_encoding(self, args, accelerator, text_encoders): """ Returns a list of models that will be used for text encoding. SDXL uses wrapped and unwrapped models. FLUX.1 and SD3 may cache some outputs of the text encoder, so return the models that will be used for encoding (not cached). """ return text_encoders # returns a list of bool values indicating whether each text encoder should be trained def get_text_encoders_train_flags(self, args, text_encoders): return [True] * len(text_encoders) if self.is_train_text_encoder(args) else [False] * len(text_encoders) def is_train_text_encoder(self, args): return not args.network_train_unet_only def cache_text_encoder_outputs_if_needed(self, args, accelerator, unet, vae, text_encoders, dataset, weight_dtype): for t_enc in text_encoders: t_enc.to(accelerator.device, dtype=weight_dtype) def call_unet(self, args, accelerator, unet, noisy_latents, timesteps, text_conds, batch, weight_dtype, **kwargs): noise_pred = unet(noisy_latents, timesteps, text_conds[0]).sample return noise_pred def all_reduce_network(self, accelerator, network): for param in network.parameters(): if param.grad is not None: param.grad = accelerator.reduce(param.grad, reduction="mean") def sample_images(self, accelerator, args, epoch, global_step, device, vae, tokenizers, text_encoder, unet): train_util.sample_images(accelerator, args, epoch, global_step, device, vae, tokenizers[0], text_encoder, unet) # region SD/SDXL def post_process_network(self, args, accelerator, network, text_encoders, unet): pass def get_noise_scheduler(self, args: argparse.Namespace, device: torch.device) -> Any: noise_scheduler = DDPMScheduler( beta_start=0.00085, beta_end=0.012, beta_schedule="scaled_linear", num_train_timesteps=1000, clip_sample=False ) prepare_scheduler_for_custom_training(noise_scheduler, device) if args.zero_terminal_snr: custom_train_functions.fix_noise_scheduler_betas_for_zero_terminal_snr(noise_scheduler) return noise_scheduler def encode_images_to_latents(self, args, vae: AutoencoderKL, images: torch.FloatTensor) -> torch.FloatTensor: return vae.encode(images).latent_dist.sample() def shift_scale_latents(self, args, latents: torch.FloatTensor) -> torch.FloatTensor: return latents * self.vae_scale_factor def get_noise_pred_and_target( self, args, accelerator, noise_scheduler, latents, batch, text_encoder_conds, unet, network, weight_dtype, train_unet, is_train=True, ): # Sample noise, sample a random timestep for each image, and add noise to the latents, # with noise offset and/or multires noise if specified noise, noisy_latents, timesteps = train_util.get_noise_noisy_latents_and_timesteps(args, noise_scheduler, latents) # ensure the hidden state will require grad if args.gradient_checkpointing: for x in noisy_latents: x.requires_grad_(True) for t in text_encoder_conds: t.requires_grad_(True) # Predict the noise residual with torch.set_grad_enabled(is_train), accelerator.autocast(): noise_pred = self.call_unet( args, accelerator, unet, noisy_latents.requires_grad_(train_unet), timesteps, text_encoder_conds, batch, weight_dtype, ) if args.v_parameterization: # v-parameterization training target = noise_scheduler.get_velocity(latents, noise, timesteps) else: target = noise # differential output preservation if "custom_attributes" in batch: diff_output_pr_indices = [] for i, custom_attributes in enumerate(batch["custom_attributes"]): if "diff_output_preservation" in custom_attributes and custom_attributes["diff_output_preservation"]: diff_output_pr_indices.append(i) if len(diff_output_pr_indices) > 0: network.set_multiplier(0.0) with torch.no_grad(), accelerator.autocast(): noise_pred_prior = self.call_unet( args, accelerator, unet, noisy_latents, timesteps, text_encoder_conds, batch, weight_dtype, indices=diff_output_pr_indices, ) network.set_multiplier(1.0) # may be overwritten by "network_multipliers" in the next step target[diff_output_pr_indices] = noise_pred_prior.to(target.dtype) return noise_pred, target, timesteps, None def post_process_loss(self, loss, args, timesteps: torch.IntTensor, noise_scheduler) -> torch.FloatTensor: if args.min_snr_gamma: loss = apply_snr_weight(loss, timesteps, noise_scheduler, args.min_snr_gamma, args.v_parameterization) if args.scale_v_pred_loss_like_noise_pred: loss = scale_v_prediction_loss_like_noise_prediction(loss, timesteps, noise_scheduler) if args.v_pred_like_loss: loss = add_v_prediction_like_loss(loss, timesteps, noise_scheduler, args.v_pred_like_loss) if args.debiased_estimation_loss: loss = apply_debiased_estimation(loss, timesteps, noise_scheduler, args.v_parameterization) return loss def get_sai_model_spec(self, args): return train_util.get_sai_model_spec(None, args, self.is_sdxl, True, False) def update_metadata(self, metadata, args): pass def is_text_encoder_not_needed_for_training(self, args): return False # use for sample images def prepare_text_encoder_grad_ckpt_workaround(self, index, text_encoder): # set top parameter requires_grad = True for gradient checkpointing works text_encoder.text_model.embeddings.requires_grad_(True) def prepare_text_encoder_fp8(self, index, text_encoder, te_weight_dtype, weight_dtype): text_encoder.text_model.embeddings.to(dtype=weight_dtype) def prepare_unet_with_accelerator( self, args: argparse.Namespace, accelerator: Accelerator, unet: torch.nn.Module ) -> torch.nn.Module: return accelerator.prepare(unet) def on_step_start(self, args, accelerator, network, text_encoders, unet, batch, weight_dtype, is_train: bool = True): pass def on_validation_step_end(self, args, accelerator, network, text_encoders, unet, batch, weight_dtype): pass # endregion def process_batch( self, batch, text_encoders, unet, network, vae, noise_scheduler, vae_dtype, weight_dtype, accelerator, args, text_encoding_strategy: strategy_base.TextEncodingStrategy, tokenize_strategy: strategy_base.TokenizeStrategy, is_train=True, train_text_encoder=True, train_unet=True, ) -> torch.Tensor: """ Process a batch for the network """ with torch.no_grad(): if "latents" in batch and batch["latents"] is not None: latents = typing.cast(torch.FloatTensor, batch["latents"].to(accelerator.device)) else: # latentに変換 if args.vae_batch_size is None or len(batch["images"]) <= args.vae_batch_size: latents = self.encode_images_to_latents(args, vae, batch["images"].to(accelerator.device, dtype=vae_dtype)) else: chunks = [ batch["images"][i : i + args.vae_batch_size] for i in range(0, len(batch["images"]), args.vae_batch_size) ] list_latents = [] for chunk in chunks: with torch.no_grad(): chunk = self.encode_images_to_latents(args, vae, chunk.to(accelerator.device, dtype=vae_dtype)) list_latents.append(chunk) latents = torch.cat(list_latents, dim=0) # NaNが含まれていれば警告を表示し0に置き換える if torch.any(torch.isnan(latents)): accelerator.print("NaN found in latents, replacing with zeros") latents = typing.cast(torch.FloatTensor, torch.nan_to_num(latents, 0, out=latents)) latents = self.shift_scale_latents(args, latents) text_encoder_conds = [] text_encoder_outputs_list = batch.get("text_encoder_outputs_list", None) if text_encoder_outputs_list is not None: text_encoder_conds = text_encoder_outputs_list # List of text encoder outputs if len(text_encoder_conds) == 0 or text_encoder_conds[0] is None or train_text_encoder: # TODO this does not work if 'some text_encoders are trained' and 'some are not and not cached' with torch.set_grad_enabled(is_train and train_text_encoder), accelerator.autocast(): # Get the text embedding for conditioning if args.weighted_captions: input_ids_list, weights_list = tokenize_strategy.tokenize_with_weights(batch["captions"]) encoded_text_encoder_conds = text_encoding_strategy.encode_tokens_with_weights( tokenize_strategy, self.get_models_for_text_encoding(args, accelerator, text_encoders), input_ids_list, weights_list, ) else: input_ids = [ids.to(accelerator.device) for ids in batch["input_ids_list"]] encoded_text_encoder_conds = text_encoding_strategy.encode_tokens( tokenize_strategy, self.get_models_for_text_encoding(args, accelerator, text_encoders), input_ids, ) if args.full_fp16: encoded_text_encoder_conds = [c.to(weight_dtype) for c in encoded_text_encoder_conds] # if text_encoder_conds is not cached, use encoded_text_encoder_conds if len(text_encoder_conds) == 0: text_encoder_conds = encoded_text_encoder_conds else: # if encoded_text_encoder_conds is not None, update cached text_encoder_conds for i in range(len(encoded_text_encoder_conds)): if encoded_text_encoder_conds[i] is not None: text_encoder_conds[i] = encoded_text_encoder_conds[i] # sample noise, call unet, get target noise_pred, target, timesteps, weighting = self.get_noise_pred_and_target( args, accelerator, noise_scheduler, latents, batch, text_encoder_conds, unet, network, weight_dtype, train_unet, is_train=is_train, ) huber_c = train_util.get_huber_threshold_if_needed(args, timesteps, noise_scheduler) loss = train_util.conditional_loss(noise_pred.float(), target.float(), args.loss_type, "none", huber_c) if weighting is not None: loss = loss * weighting if args.masked_loss or ("alpha_masks" in batch and batch["alpha_masks"] is not None): loss = apply_masked_loss(loss, batch) loss = loss.mean(dim=list(range(1, loss.ndim))) # mean over all dims except batch loss_weights = batch["loss_weights"] # 各sampleごとのweight loss = loss * loss_weights loss = self.post_process_loss(loss, args, timesteps, noise_scheduler) return loss.mean() def cast_text_encoder(self, args): return True # default for other than HunyuanImage def cast_vae(self, args): return True # default for other than HunyuanImage def cast_unet(self, args): return True # default for other than HunyuanImage def train(self, args): session_id = random.randint(0, 2**32) training_started_at = time.time() train_util.verify_training_args(args) train_util.prepare_dataset_args(args, True) deepspeed_utils.prepare_deepspeed_args(args) setup_logging(args, reset=True) cache_latents = args.cache_latents use_dreambooth_method = args.in_json is None use_user_config = args.dataset_config is not None if args.seed is None: args.seed = random.randint(0, 2**32) set_seed(args.seed) tokenize_strategy = self.get_tokenize_strategy(args) strategy_base.TokenizeStrategy.set_strategy(tokenize_strategy) tokenizers = self.get_tokenizers(tokenize_strategy) # will be removed after sample_image is refactored # prepare caching strategy: this must be set before preparing dataset. because dataset may use this strategy for initialization. latents_caching_strategy = self.get_latents_caching_strategy(args) strategy_base.LatentsCachingStrategy.set_strategy(latents_caching_strategy) # データセットを準備する if args.dataset_class is None: blueprint_generator = BlueprintGenerator(ConfigSanitizer(True, True, args.masked_loss, True)) if use_user_config: logger.info(f"Loading dataset config from {args.dataset_config}") user_config = config_util.load_user_config(args.dataset_config) ignored = ["train_data_dir", "reg_data_dir", "in_json"] if any(getattr(args, attr) is not None for attr in ignored): logger.warning( "ignoring the following options because config file is found: {0} / 設定ファイルが利用されるため以下のオプションは無視されます: {0}".format( ", ".join(ignored) ) ) else: if use_dreambooth_method: logger.info("Using DreamBooth method.") user_config = { "datasets": [ { "subsets": config_util.generate_dreambooth_subsets_config_by_subdirs( args.train_data_dir, args.reg_data_dir ) } ] } else: logger.info("Training with captions.") user_config = { "datasets": [ { "subsets": [ { "image_dir": args.train_data_dir, "metadata_file": args.in_json, } ] } ] } blueprint = blueprint_generator.generate(user_config, args) train_dataset_group, val_dataset_group = config_util.generate_dataset_group_by_blueprint(blueprint.dataset_group) else: # use arbitrary dataset class train_dataset_group = train_util.load_arbitrary_dataset(args) val_dataset_group = None # placeholder until validation dataset supported for arbitrary current_epoch = Value("i", 0) current_step = Value("i", 0) ds_for_collator = train_dataset_group if args.max_data_loader_n_workers == 0 else None collator = train_util.collator_class(current_epoch, current_step, ds_for_collator) if args.debug_dataset: train_dataset_group.set_current_strategies() # dataset needs to know the strategies explicitly train_util.debug_dataset(train_dataset_group) if val_dataset_group is not None: val_dataset_group.set_current_strategies() # dataset needs to know the strategies explicitly train_util.debug_dataset(val_dataset_group) return if len(train_dataset_group) == 0: logger.error( "No data found. Please verify arguments (train_data_dir must be the parent of folders with images) / 画像がありません。引数指定を確認してください（train_data_dirには画像があるフォルダではなく、画像があるフォルダの親フォルダを指定する必要があります）" ) return if cache_latents: assert ( train_dataset_group.is_latent_cacheable() ), "when caching latents, either color_aug or random_crop cannot be used / latentをキャッシュするときはcolor_augとrandom_cropは使えません" if val_dataset_group is not None: assert ( val_dataset_group.is_latent_cacheable() ), "when caching latents, either color_aug or random_crop cannot be used / latentをキャッシュするときはcolor_augとrandom_cropは使えません" self.assert_extra_args(args, train_dataset_group, val_dataset_group) # may change some args # acceleratorを準備する logger.info("preparing accelerator") accelerator = train_util.prepare_accelerator(args) is_main_process = accelerator.is_main_process # mixed precisionに対応した型を用意しておき適宜castする weight_dtype, save_dtype = train_util.prepare_dtype(args) vae_dtype = (torch.float32 if args.no_half_vae else weight_dtype) if self.cast_vae(args) else None # load target models: unet may be None for lazy loading model_version, text_encoder, vae, unet = self.load_target_model(args, weight_dtype, accelerator) if vae_dtype is None: vae_dtype = vae.dtype logger.info(f"vae_dtype is set to {vae_dtype} by the model since cast_vae() is false") # text_encoder is List[CLIPTextModel] or CLIPTextModel text_encoders = text_encoder if isinstance(text_encoder, list) else [text_encoder] # prepare dataset for latents caching if needed if cache_latents: vae.to(accelerator.device, dtype=vae_dtype) vae.requires_grad_(False) vae.eval() train_dataset_group.new_cache_latents(vae, accelerator) if val_dataset_group is not None: val_dataset_group.new_cache_latents(vae, accelerator) vae.to("cpu") clean_memory_on_device(accelerator.device) accelerator.wait_for_everyone() # 必要ならテキストエンコーダーの出力をキャッシュする: Text Encoderはcpuまたはgpuへ移される # cache text encoder outputs if needed: Text Encoder is moved to cpu or gpu text_encoding_strategy = self.get_text_encoding_strategy(args) strategy_base.TextEncodingStrategy.set_strategy(text_encoding_strategy) text_encoder_outputs_caching_strategy = self.get_text_encoder_outputs_caching_strategy(args) if text_encoder_outputs_caching_strategy is not None: strategy_base.TextEncoderOutputsCachingStrategy.set_strategy(text_encoder_outputs_caching_strategy) self.cache_text_encoder_outputs_if_needed(args, accelerator, unet, vae, text_encoders, train_dataset_group, weight_dtype) if val_dataset_group is not None: self.cache_text_encoder_outputs_if_needed(args, accelerator, unet, vae, text_encoders, val_dataset_group, weight_dtype) if unet is None: # lazy load unet if needed. text encoders may be freed or replaced with dummy models for saving memory unet, text_encoders = self.load_unet_lazily(args, weight_dtype, accelerator, text_encoders) # 差分追加学習のためにモデルを読み込む sys.path.append(os.path.dirname(__file__)) accelerator.print("import network module:", args.network_module) network_module = importlib.import_module(args.network_module) if args.base_weights is not None: # base_weights が指定されている場合は、指定された重みを読み込みマージする for i, weight_path in enumerate(args.base_weights): if args.base_weights_multiplier is None or len(args.base_weights_multiplier) <= i: multiplier = 1.0 else: multiplier = args.base_weights_multiplier[i] accelerator.print(f"merging module: {weight_path} with multiplier {multiplier}") module, weights_sd = network_module.create_network_from_weights( multiplier, weight_path, vae, text_encoder, unet, for_inference=True ) module.merge_to(text_encoder, unet, weights_sd, weight_dtype, accelerator.device if args.lowram else "cpu") accelerator.print(f"all weights merged: {', '.join(args.base_weights)}") # prepare network net_kwargs = {} if args.network_args is not None: for net_arg in args.network_args: key, value = net_arg.split("=", 1) net_kwargs[key] = value # if a new network is added in future, add if ~ then blocks for each network (;'∀') if args.dim_from_weights: network, _ = network_module.create_network_from_weights(1, args.network_weights, vae, text_encoder, unet, **net_kwargs) else: if "dropout" not in net_kwargs: # workaround for LyCORIS (;^ω^) net_kwargs["dropout"] = args.network_dropout network = network_module.create_network( 1.0, args.network_dim, args.network_alpha, vae, text_encoder, unet, neuron_dropout=args.network_dropout, **net_kwargs, ) if network is None: return network_has_multiplier = hasattr(network, "set_multiplier") # TODO remove `hasattr` by setting up methods if not defined in the network like below (hacky but will work): # if not hasattr(network, "prepare_network"): # network.prepare_network = lambda args: None if hasattr(network, "prepare_network"): network.prepare_network(args) if args.scale_weight_norms and not hasattr(network, "apply_max_norm_regularization"): logger.warning( "warning: scale_weight_norms is specified but the network does not support it / scale_weight_normsが指定されていますが、ネットワークが対応していません" ) args.scale_weight_norms = False self.post_process_network(args, accelerator, network, text_encoders, unet) # apply network to unet and text_encoder train_unet = not args.network_train_text_encoder_only train_text_encoder = self.is_train_text_encoder(args) network.apply_to(text_encoder, unet, train_text_encoder, train_unet) if args.network_weights is not None: # FIXME consider alpha of weights: this assumes that the alpha is not changed info = network.load_weights(args.network_weights) accelerator.print(f"load network weights from {args.network_weights}: {info}") if args.gradient_checkpointing: if args.cpu_offload_checkpointing: unet.enable_gradient_checkpointing(cpu_offload=True) else: unet.enable_gradient_checkpointing() for t_enc, flag in zip(text_encoders, self.get_text_encoders_train_flags(args, text_encoders)): if flag: if t_enc.supports_gradient_checkpointing: t_enc.gradient_checkpointing_enable() del t_enc network.enable_gradient_checkpointing() # may have no effect # 学習に必要なクラスを準備する accelerator.print("prepare optimizer, data loader etc.") # make backward compatibility for text_encoder_lr support_multiple_lrs = hasattr(network, "prepare_optimizer_params_with_multiple_te_lrs") if support_multiple_lrs: text_encoder_lr = args.text_encoder_lr else: # toml backward compatibility if args.text_encoder_lr is None or isinstance(args.text_encoder_lr, float) or isinstance(args.text_encoder_lr, int): text_encoder_lr = args.text_encoder_lr else: text_encoder_lr = None if len(args.text_encoder_lr) == 0 else args.text_encoder_lr[0] try: if support_multiple_lrs: results = network.prepare_optimizer_params_with_multiple_te_lrs(text_encoder_lr, args.unet_lr, args.learning_rate) else: results = network.prepare_optimizer_params(text_encoder_lr, args.unet_lr, args.learning_rate) if type(results) is tuple: trainable_params = results[0] lr_descriptions = results[1] else: trainable_params = results lr_descriptions = None except TypeError as e: trainable_params = network.prepare_optimizer_params(text_encoder_lr, args.unet_lr) lr_descriptions = None # if len(trainable_params) == 0: # accelerator.print("no trainable parameters found / 学習可能なパラメータが見つかりませんでした") # for params in trainable_params: # for k, v in params.items(): # if type(v) == float: # pass # else: # v = len(v) # accelerator.print(f"trainable_params: {k} = {v}") optimizer_name, optimizer_args, optimizer = train_util.get_optimizer(args, trainable_params) optimizer_train_fn, optimizer_eval_fn = train_util.get_optimizer_train_eval_fn(optimizer, args) # prepare dataloader # strategies are set here because they cannot be referenced in another process. Copy them with the dataset # some strategies can be None train_dataset_group.set_current_strategies() if val_dataset_group is not None: val_dataset_group.set_current_strategies() # DataLoaderのプロセス数：0 は persistent_workers が使えないので注意 n_workers = min(args.max_data_loader_n_workers, os.cpu_count()) # cpu_count or max_data_loader_n_workers train_dataloader = torch.utils.data.DataLoader( train_dataset_group, batch_size=1, shuffle=True, collate_fn=collator, num_workers=n_workers, persistent_workers=args.persistent_data_loader_workers, ) val_dataloader = torch.utils.data.DataLoader( val_dataset_group if val_dataset_group is not None else [], shuffle=False, batch_size=1, collate_fn=collator, num_workers=n_workers, persistent_workers=args.persistent_data_loader_workers, ) # 学習ステップ数を計算する if args.max_train_epochs is not None: args.max_train_steps = args.max_train_epochs * math.ceil( len(train_dataloader) / accelerator.num_processes / args.gradient_accumulation_steps ) accelerator.print( f"override steps. steps for {args.max_train_epochs} epochs is / 指定エポックまでのステップ数: {args.max_train_steps}" ) # データセット側にも学習ステップを送信 train_dataset_group.set_max_train_steps(args.max_train_steps) # lr schedulerを用意する lr_scheduler = train_util.get_scheduler_fix(args, optimizer, accelerator.num_processes) # 実験的機能：勾配も含めたfp16/bf16学習を行う　モデル全体をfp16/bf16にする if args.full_fp16: assert ( args.mixed_precision == "fp16" ), "full_fp16 requires mixed precision='fp16' / full_fp16を使う場合はmixed_precision='fp16'を指定してください。" accelerator.print("enable full fp16 training.") network.to(weight_dtype) elif args.full_bf16: assert ( args.mixed_precision == "bf16" ), "full_bf16 requires mixed precision='bf16' / full_bf16を使う場合はmixed_precision='bf16'を指定してください。" accelerator.print("enable full bf16 training.") network.to(weight_dtype) unet_weight_dtype = te_weight_dtype = weight_dtype # Experimental Feature: Put base model into fp8 to save vram if args.fp8_base or args.fp8_base_unet: assert torch.__version__ >= "2.1.0", "fp8_base requires torch>=2.1.0 / fp8を使う場合はtorch>=2.1.0が必要です。" assert ( args.mixed_precision != "no" ), "fp8_base requires mixed precision='fp16' or 'bf16' / fp8を使う場合はmixed_precision='fp16'または'bf16'が必要です。" accelerator.print("enable fp8 training for U-Net.") unet_weight_dtype = torch.float8_e4m3fn if not args.fp8_base_unet: accelerator.print("enable fp8 training for Text Encoder.") te_weight_dtype = weight_dtype if args.fp8_base_unet else torch.float8_e4m3fn # unet.to(accelerator.device) # this makes faster `to(dtype)` below, but consumes 23 GB VRAM # unet.to(dtype=unet_weight_dtype) # without moving to gpu, this takes a lot of time and main memory # logger.info(f"set U-Net weight dtype to {unet_weight_dtype}, device to {accelerator.device}") # unet.to(accelerator.device, dtype=unet_weight_dtype) # this seems to be safer than above logger.info(f"set U-Net weight dtype to {unet_weight_dtype}") unet.to(dtype=unet_weight_dtype) # do not move to device because unet is not prepared by accelerator unet.requires_grad_(False) if self.cast_unet(args): unet.to(dtype=unet_weight_dtype) for i, t_enc in enumerate(text_encoders): t_enc.requires_grad_(False) # in case of cpu, dtype is already set to fp32 because cpu does not support fp8/fp16/bf16 if t_enc.device.type != "cpu" and self.cast_text_encoder(args): t_enc.to(dtype=te_weight_dtype) # nn.Embedding not support FP8 if te_weight_dtype != weight_dtype: self.prepare_text_encoder_fp8(i, t_enc, te_weight_dtype, weight_dtype) # acceleratorがなんかよろしくやってくれるらしい / accelerator will do something good if args.deepspeed: flags = self.get_text_encoders_train_flags(args, text_encoders) ds_model = deepspeed_utils.prepare_deepspeed_model( args, unet=unet if train_unet else None, text_encoder1=text_encoders[0] if flags[0] else None, text_encoder2=(text_encoders[1] if flags[1] else None) if len(text_encoders) > 1 else None, network=network, ) ds_model, optimizer, train_dataloader, val_dataloader, lr_scheduler = accelerator.prepare( ds_model, optimizer, train_dataloader, val_dataloader, lr_scheduler ) training_model = ds_model else: if train_unet: # default implementation is: unet = accelerator.prepare(unet) unet = self.prepare_unet_with_accelerator(args, accelerator, unet) # accelerator does some magic here else: # move to device because unet is not prepared by accelerator unet.to(accelerator.device, dtype=unet_weight_dtype if self.cast_unet(args) else None) if train_text_encoder: text_encoders = [ (accelerator.prepare(t_enc) if flag else t_enc) for t_enc, flag in zip(text_encoders, self.get_text_encoders_train_flags(args, text_encoders)) ] if len(text_encoders) > 1: text_encoder = text_encoders else: text_encoder = text_encoders[0] else: pass # if text_encoder is not trained, no need to prepare. and device and dtype are already set network, optimizer, train_dataloader, val_dataloader, lr_scheduler = accelerator.prepare( network, optimizer, train_dataloader, val_dataloader, lr_scheduler ) training_model = network if args.gradient_checkpointing: # according to TI example in Diffusers, train is required unet.train() for i, (t_enc, frag) in enumerate(zip(text_encoders, self.get_text_encoders_train_flags(args, text_encoders))): t_enc.train() # set top parameter requires_grad = True for gradient checkpointing works if frag: self.prepare_text_encoder_grad_ckpt_workaround(i, t_enc) else: unet.eval() for t_enc in text_encoders: t_enc.eval() del t_enc accelerator.unwrap_model(network).prepare_grad_etc(text_encoder, unet) if not cache_latents: # キャッシュしない場合はVAEを使うのでVAEを準備する vae.requires_grad_(False) vae.eval() vae.to(accelerator.device, dtype=vae_dtype) # 実験的機能：勾配も含めたfp16学習を行う　PyTorchにパッチを当ててfp16でのgrad scaleを有効にする if args.full_fp16: train_util.patch_accelerator_for_fp16_training(accelerator) # before resuming make hook for saving/loading to save/load the network weights only def save_model_hook(models, weights, output_dir): # pop weights of other models than network to save only network weights # only main process or deepspeed https://github.com/huggingface/diffusers/issues/2606 if accelerator.is_main_process or args.deepspeed: remove_indices = [] for i, model in enumerate(models): if not isinstance(model, type(accelerator.unwrap_model(network))): remove_indices.append(i) for i in reversed(remove_indices): if len(weights) > i: weights.pop(i) # print(f"save model hook: {len(weights)} weights will be saved") # save current ecpoch and step train_state_file = os.path.join(output_dir, "train_state.json") # +1 is needed because the state is saved before current_step is set from global_step logger.info(f"save train state to {train_state_file} at epoch {current_epoch.value} step {current_step.value+1}") with open(train_state_file, "w", encoding="utf-8") as f: json.dump({"current_epoch": current_epoch.value, "current_step": current_step.value + 1}, f) steps_from_state = None def load_model_hook(models, input_dir): # remove models except network remove_indices = [] for i, model in enumerate(models): if not isinstance(model, type(accelerator.unwrap_model(network))): remove_indices.append(i) for i in reversed(remove_indices): models.pop(i) # print(f"load model hook: {len(models)} models will be loaded") # load current epoch and step to nonlocal steps_from_state train_state_file = os.path.join(input_dir, "train_state.json") if os.path.exists(train_state_file): with open(train_state_file, "r", encoding="utf-8") as f: data = json.load(f) steps_from_state = data["current_step"] logger.info(f"load train state from {train_state_file}: {data}") accelerator.register_save_state_pre_hook(save_model_hook) accelerator.register_load_state_pre_hook(load_model_hook) # resumeする train_util.resume_from_local_or_hf_if_specified(accelerator, args) # epoch数を計算する num_update_steps_per_epoch = math.ceil(len(train_dataloader) / args.gradient_accumulation_steps) num_train_epochs = math.ceil(args.max_train_steps / num_update_steps_per_epoch) if (args.save_n_epoch_ratio is not None) and (args.save_n_epoch_ratio > 0): args.save_every_n_epochs = math.floor(num_train_epochs / args.save_n_epoch_ratio) or 1 # 学習する # TODO: find a way to handle total batch size when there are multiple datasets total_batch_size = args.train_batch_size * accelerator.num_processes * args.gradient_accumulation_steps accelerator.print("running training / 学習開始") accelerator.print(f" num train images * repeats / 学習画像の数×繰り返し回数: {train_dataset_group.num_train_images}") accelerator.print( f" num validation images * repeats / 学習画像の数×繰り返し回数: {val_dataset_group.num_train_images if val_dataset_group is not None else 0}" ) accelerator.print(f" num reg images / 正則化画像の数: {train_dataset_group.num_reg_images}") accelerator.print(f" num batches per epoch / 1epochのバッチ数: {len(train_dataloader)}") accelerator.print(f" num epochs / epoch数: {num_train_epochs}") accelerator.print( f" batch size per device / バッチサイズ: {', '.join([str(d.batch_size) for d in train_dataset_group.datasets])}" ) # accelerator.print(f" total train batch size (with parallel & distributed & accumulation) / 総バッチサイズ（並列学習、勾配合計含む）: {total_batch_size}") accelerator.print(f" gradient accumulation steps / 勾配を合計するステップ数 = {args.gradient_accumulation_steps}") accelerator.print(f" total optimization steps / 学習ステップ数: {args.max_train_steps}") # TODO refactor metadata creation and move to util metadata = { "ss_session_id": session_id, # random integer indicating which group of epochs the model came from "ss_training_started_at": training_started_at, # unix timestamp "ss_output_name": args.output_name, "ss_learning_rate": args.learning_rate, "ss_text_encoder_lr": text_encoder_lr, "ss_unet_lr": args.unet_lr, "ss_num_train_images": train_dataset_group.num_train_images, "ss_num_validation_images": val_dataset_group.num_train_images if val_dataset_group is not None else 0, "ss_num_reg_images": train_dataset_group.num_reg_images, "ss_num_batches_per_epoch": len(train_dataloader), "ss_num_epochs": num_train_epochs, "ss_gradient_checkpointing": args.gradient_checkpointing, "ss_gradient_accumulation_steps": args.gradient_accumulation_steps, "ss_max_train_steps": args.max_train_steps, "ss_lr_warmup_steps": args.lr_warmup_steps, "ss_lr_scheduler": args.lr_scheduler, "ss_network_module": args.network_module, "ss_network_dim": args.network_dim, # None means default because another network than LoRA may have another default dim "ss_network_alpha": args.network_alpha, # some networks may not have alpha "ss_network_dropout": args.network_dropout, # some networks may not have dropout "ss_mixed_precision": args.mixed_precision, "ss_full_fp16": bool(args.full_fp16), "ss_v2": bool(args.v2), "ss_base_model_version": model_version, "ss_clip_skip": args.clip_skip, "ss_max_token_length": args.max_token_length, "ss_cache_latents": bool(args.cache_latents), "ss_seed": args.seed, "ss_lowram": args.lowram, "ss_noise_offset": args.noise_offset, "ss_multires_noise_iterations": args.multires_noise_iterations, "ss_multires_noise_discount": args.multires_noise_discount, "ss_adaptive_noise_scale": args.adaptive_noise_scale, "ss_zero_terminal_snr": args.zero_terminal_snr, "ss_training_comment": args.training_comment, # will not be updated after training "ss_sd_scripts_commit_hash": train_util.get_git_revision_hash(), "ss_optimizer": optimizer_name + (f"({optimizer_args})" if len(optimizer_args) > 0 else ""), "ss_max_grad_norm": args.max_grad_norm, "ss_caption_dropout_rate": args.caption_dropout_rate, "ss_caption_dropout_every_n_epochs": args.caption_dropout_every_n_epochs, "ss_caption_tag_dropout_rate": args.caption_tag_dropout_rate, "ss_face_crop_aug_range": args.face_crop_aug_range, "ss_prior_loss_weight": args.prior_loss_weight, "ss_min_snr_gamma": args.min_snr_gamma, "ss_scale_weight_norms": args.scale_weight_norms, "ss_ip_noise_gamma": args.ip_noise_gamma, "ss_debiased_estimation": bool(args.debiased_estimation_loss), "ss_noise_offset_random_strength": args.noise_offset_random_strength, "ss_ip_noise_gamma_random_strength": args.ip_noise_gamma_random_strength, "ss_loss_type": args.loss_type, "ss_huber_schedule": args.huber_schedule, "ss_huber_scale": args.huber_scale, "ss_huber_c": args.huber_c, "ss_fp8_base": bool(args.fp8_base), "ss_fp8_base_unet": bool(args.fp8_base_unet), "ss_validation_seed": args.validation_seed, "ss_validation_split": args.validation_split, "ss_max_validation_steps": args.max_validation_steps, "ss_validate_every_n_epochs": args.validate_every_n_epochs, "ss_validate_every_n_steps": args.validate_every_n_steps, "ss_resize_interpolation": args.resize_interpolation, } self.update_metadata(metadata, args) # architecture specific metadata if use_user_config: # save metadata of multiple datasets # NOTE: pack "ss_datasets" value as json one time # or should also pack nested collections as json? datasets_metadata = [] tag_frequency = {} # merge tag frequency for metadata editor dataset_dirs_info = {} # merge subset dirs for metadata editor for dataset in train_dataset_group.datasets: is_dreambooth_dataset = isinstance(dataset, DreamBoothDataset) dataset_metadata = { "is_dreambooth": is_dreambooth_dataset, "batch_size_per_device": dataset.batch_size, "num_train_images": dataset.num_train_images, # includes repeating "num_reg_images": dataset.num_reg_images, "resolution": (dataset.width, dataset.height), "enable_bucket": bool(dataset.enable_bucket), "min_bucket_reso": dataset.min_bucket_reso, "max_bucket_reso": dataset.max_bucket_reso, "tag_frequency": dataset.tag_frequency, "bucket_info": dataset.bucket_info, "resize_interpolation": dataset.resize_interpolation, } subsets_metadata = [] for subset in dataset.subsets: subset_metadata = { "img_count": subset.img_count, "num_repeats": subset.num_repeats, "color_aug": bool(subset.color_aug), "flip_aug": bool(subset.flip_aug), "random_crop": bool(subset.random_crop), "shuffle_caption": bool(subset.shuffle_caption), "keep_tokens": subset.keep_tokens, "keep_tokens_separator": subset.keep_tokens_separator, "secondary_separator": subset.secondary_separator, "enable_wildcard": bool(subset.enable_wildcard), "caption_prefix": subset.caption_prefix, "caption_suffix": subset.caption_suffix, "resize_interpolation": subset.resize_interpolation, } image_dir_or_metadata_file = None if subset.image_dir: image_dir = os.path.basename(subset.image_dir) subset_metadata["image_dir"] = image_dir image_dir_or_metadata_file = image_dir if is_dreambooth_dataset: subset_metadata["class_tokens"] = subset.class_tokens subset_metadata["is_reg"] = subset.is_reg if subset.is_reg: image_dir_or_metadata_file = None # not merging reg dataset else: metadata_file = os.path.basename(subset.metadata_file) subset_metadata["metadata_file"] = metadata_file image_dir_or_metadata_file = metadata_file # may overwrite subsets_metadata.append(subset_metadata) # merge dataset dir: not reg subset only # TODO update additional-network extension to show detailed dataset config from metadata if image_dir_or_metadata_file is not None: # datasets may have a certain dir multiple times v = image_dir_or_metadata_file i = 2 while v in dataset_dirs_info: v = image_dir_or_metadata_file + f" ({i})" i += 1 image_dir_or_metadata_file = v dataset_dirs_info[image_dir_or_metadata_file] = { "n_repeats": subset.num_repeats, "img_count": subset.img_count, } dataset_metadata["subsets"] = subsets_metadata datasets_metadata.append(dataset_metadata) # merge tag frequency: for ds_dir_name, ds_freq_for_dir in dataset.tag_frequency.items(): # あるディレクトリが複数のdatasetで使用されている場合、一度だけ数える # もともと繰り返し回数を指定しているので、キャプション内でのタグの出現回数と、それが学習で何度使われるかは一致しない # なので、ここで複数datasetの回数を合算してもあまり意味はない if ds_dir_name in tag_frequency: continue tag_frequency[ds_dir_name] = ds_freq_for_dir metadata["ss_datasets"] = json.dumps(datasets_metadata) metadata["ss_tag_frequency"] = json.dumps(tag_frequency) metadata["ss_dataset_dirs"] = json.dumps(dataset_dirs_info) else: # conserving backward compatibility when using train_dataset_dir and reg_dataset_dir assert ( len(train_dataset_group.datasets) == 1 ), f"There should be a single dataset but {len(train_dataset_group.datasets)} found. This seems to be a bug. / データセットは1個だけ存在するはずですが、実際には{len(train_dataset_group.datasets)}個でした。プログラムのバグかもしれません。" dataset = train_dataset_group.datasets[0] dataset_dirs_info = {} reg_dataset_dirs_info = {} if use_dreambooth_method: for subset in dataset.subsets: info = reg_dataset_dirs_info if subset.is_reg else dataset_dirs_info info[os.path.basename(subset.image_dir)] = {"n_repeats": subset.num_repeats, "img_count": subset.img_count} else: for subset in dataset.subsets: dataset_dirs_info[os.path.basename(subset.metadata_file)] = { "n_repeats": subset.num_repeats, "img_count": subset.img_count, } metadata.update( { "ss_batch_size_per_device": args.train_batch_size, "ss_total_batch_size": total_batch_size, "ss_resolution": args.resolution, "ss_color_aug": bool(args.color_aug), "ss_flip_aug": bool(args.flip_aug), "ss_random_crop": bool(args.random_crop), "ss_shuffle_caption": bool(args.shuffle_caption), "ss_enable_bucket": bool(dataset.enable_bucket), "ss_bucket_no_upscale": bool(dataset.bucket_no_upscale), "ss_min_bucket_reso": dataset.min_bucket_reso, "ss_max_bucket_reso": dataset.max_bucket_reso, "ss_keep_tokens": args.keep_tokens, "ss_dataset_dirs": json.dumps(dataset_dirs_info), "ss_reg_dataset_dirs": json.dumps(reg_dataset_dirs_info), "ss_tag_frequency": json.dumps(dataset.tag_frequency), "ss_bucket_info": json.dumps(dataset.bucket_info), } ) # add extra args if args.network_args: metadata["ss_network_args"] = json.dumps(net_kwargs) # model name and hash if args.pretrained_model_name_or_path is not None: sd_model_name = args.pretrained_model_name_or_path if os.path.exists(sd_model_name): metadata["ss_sd_model_hash"] = train_util.model_hash(sd_model_name) metadata["ss_new_sd_model_hash"] = train_util.calculate_sha256(sd_model_name) sd_model_name = os.path.basename(sd_model_name) metadata["ss_sd_model_name"] = sd_model_name if args.vae is not None: vae_name = args.vae if os.path.exists(vae_name): metadata["ss_vae_hash"] = train_util.model_hash(vae_name) metadata["ss_new_vae_hash"] = train_util.calculate_sha256(vae_name) vae_name = os.path.basename(vae_name) metadata["ss_vae_name"] = vae_name metadata = {k: str(v) for k, v in metadata.items()} # make minimum metadata for filtering minimum_metadata = {} for key in train_util.SS_METADATA_MINIMUM_KEYS: if key in metadata: minimum_metadata[key] = metadata[key] # calculate steps to skip when resuming or starting from a specific step initial_step = 0 if args.initial_epoch is not None or args.initial_step is not None: # if initial_epoch or initial_step is specified, steps_from_state is ignored even when resuming if steps_from_state is not None: logger.warning( "steps from the state is ignored because initial_step is specified / initial_stepが指定されているため、stateからのステップ数は無視されます" ) if args.initial_step is not None: initial_step = args.initial_step else: # num steps per epoch is calculated by num_processes and gradient_accumulation_steps initial_step = (args.initial_epoch - 1) * math.ceil( len(train_dataloader) / accelerator.num_processes / args.gradient_accumulation_steps ) else: # if initial_epoch and initial_step are not specified, steps_from_state is used when resuming if steps_from_state is not None: initial_step = steps_from_state steps_from_state = None if initial_step > 0: assert ( args.max_train_steps > initial_step ), f"max_train_steps should be greater than initial step / max_train_stepsは初期ステップより大きい必要があります: {args.max_train_steps} vs {initial_step}" epoch_to_start = 0 if initial_step > 0: if args.skip_until_initial_step: # if skip_until_initial_step is specified, load data and discard it to ensure the same data is used if not args.resume: logger.info( f"initial_step is specified but not resuming. lr scheduler will be started from the beginning / initial_stepが指定されていますがresumeしていないため、lr schedulerは最初から始まります" ) logger.info(f"skipping {initial_step} steps / {initial_step}ステップをスキップします") initial_step *= args.gradient_accumulation_steps # set epoch to start to make initial_step less than len(train_dataloader) epoch_to_start = initial_step // math.ceil(len(train_dataloader) / args.gradient_accumulation_steps) else: # if not, only epoch no is skipped for informative purpose epoch_to_start = initial_step // math.ceil(len(train_dataloader) / args.gradient_accumulation_steps) initial_step = 0 # do not skip global_step = 0 noise_scheduler = self.get_noise_scheduler(args, accelerator.device) train_util.init_trackers(accelerator, args, "network_train") loss_recorder = train_util.LossRecorder() val_step_loss_recorder = train_util.LossRecorder() val_epoch_loss_recorder = train_util.LossRecorder() del train_dataset_group if val_dataset_group is not None: del val_dataset_group # callback for step start if hasattr(accelerator.unwrap_model(network), "on_step_start"): on_step_start_for_network = accelerator.unwrap_model(network).on_step_start else: on_step_start_for_network = lambda *args, **kwargs: None # function for saving/removing def save_model(ckpt_name, unwrapped_nw, steps, epoch_no, force_sync_upload=False): os.makedirs(args.output_dir, exist_ok=True) ckpt_file = os.path.join(args.output_dir, ckpt_name) accelerator.print(f"\nsaving checkpoint: {ckpt_file}") metadata["ss_training_finished_at"] = str(time.time()) metadata["ss_steps"] = str(steps) metadata["ss_epoch"] = str(epoch_no) metadata_to_save = minimum_metadata if args.no_metadata else metadata sai_metadata = self.get_sai_model_spec(args) metadata_to_save.update(sai_metadata) unwrapped_nw.save_weights(ckpt_file, save_dtype, metadata_to_save) if args.huggingface_repo_id is not None: huggingface_util.upload(args, ckpt_file, "/" + ckpt_name, force_sync_upload=force_sync_upload) def remove_model(old_ckpt_name): old_ckpt_file = os.path.join(args.output_dir, old_ckpt_name) if os.path.exists(old_ckpt_file): accelerator.print(f"removing old checkpoint: {old_ckpt_file}") os.remove(old_ckpt_file) # if text_encoder is not needed for training, delete it to save memory. # TODO this can be automated after SDXL sample prompt cache is implemented if self.is_text_encoder_not_needed_for_training(args): logger.info("text_encoder is not needed for training. deleting to save memory.") for t_enc in text_encoders: del t_enc text_encoders = [] text_encoder = None gc.collect() clean_memory_on_device(accelerator.device) # For --sample_at_first optimizer_eval_fn() self.sample_images(accelerator, args, 0, global_step, accelerator.device, vae, tokenizers, text_encoder, unet) optimizer_train_fn() is_tracking = len(accelerator.trackers) > 0 if is_tracking: # log empty object to commit the sample images to wandb accelerator.log({}, step=0) # training loop if initial_step > 0: # only if skip_until_initial_step is specified for skip_epoch in range(epoch_to_start): # skip epochs logger.info(f"skipping epoch {skip_epoch+1} because initial_step (multiplied) is {initial_step}") initial_step -= len(train_dataloader) global_step = initial_step # log device and dtype for each model logger.info(f"unet dtype: {unet_weight_dtype}, device: {unet.device}") for i, t_enc in enumerate(text_encoders): params_itr = t_enc.parameters() params_itr.__next__() # skip the first parameter params_itr.__next__() # skip the second parameter. because CLIP first two parameters are embeddings param_3rd = params_itr.__next__() logger.info(f"text_encoder [{i}] dtype: {param_3rd.dtype}, device: {t_enc.device}") clean_memory_on_device(accelerator.device) progress_bar = tqdm( range(args.max_train_steps - initial_step), smoothing=0, disable=not accelerator.is_local_main_process, desc="steps" ) validation_steps = ( min(args.max_validation_steps, len(val_dataloader)) if args.max_validation_steps is not None else len(val_dataloader) ) NUM_VALIDATION_TIMESTEPS = 4 # 200, 400, 600, 800 TODO make this configurable min_timestep = 0 if args.min_timestep is None else args.min_timestep max_timestep = noise_scheduler.config.num_train_timesteps if args.max_timestep is None else args.max_timestep validation_timesteps = np.linspace(min_timestep, max_timestep, (NUM_VALIDATION_TIMESTEPS + 2), dtype=int)[1:-1] validation_total_steps = validation_steps * len(validation_timesteps) original_args_min_timestep = args.min_timestep original_args_max_timestep = args.max_timestep def switch_rng_state(seed: int) -> tuple[torch.ByteTensor, Optional[torch.ByteTensor], tuple]: cpu_rng_state = torch.get_rng_state() if accelerator.device.type == "cuda": gpu_rng_state = torch.cuda.get_rng_state() elif accelerator.device.type == "xpu": gpu_rng_state = torch.xpu.get_rng_state() elif accelerator.device.type == "mps": gpu_rng_state = torch.cuda.get_rng_state() else: gpu_rng_state = None python_rng_state = random.getstate() torch.manual_seed(seed) random.seed(seed) return (cpu_rng_state, gpu_rng_state, python_rng_state) def restore_rng_state(rng_states: tuple[torch.ByteTensor, Optional[torch.ByteTensor], tuple]): cpu_rng_state, gpu_rng_state, python_rng_state = rng_states torch.set_rng_state(cpu_rng_state) if gpu_rng_state is not None: if accelerator.device.type == "cuda": torch.cuda.set_rng_state(gpu_rng_state) elif accelerator.device.type == "xpu": torch.xpu.set_rng_state(gpu_rng_state) elif accelerator.device.type == "mps": torch.cuda.set_rng_state(gpu_rng_state) random.setstate(python_rng_state) for epoch in range(epoch_to_start, num_train_epochs): accelerator.print(f"\nepoch {epoch+1}/{num_train_epochs}\n") current_epoch.value = epoch + 1 metadata["ss_epoch"] = str(epoch + 1) accelerator.unwrap_model(network).on_epoch_start(text_encoder, unet) # network.train() is called here # TRAINING skipped_dataloader = None if initial_step > 0: skipped_dataloader = accelerator.skip_first_batches(train_dataloader, initial_step - 1) initial_step = 1 for step, batch in enumerate(skipped_dataloader or train_dataloader): current_step.value = global_step if initial_step > 0: initial_step -= 1 continue with accelerator.accumulate(training_model): on_step_start_for_network(text_encoder, unet) # preprocess batch for each model self.on_step_start(args, accelerator, network, text_encoders, unet, batch, weight_dtype, is_train=True) loss = self.process_batch( batch, text_encoders, unet, network, vae, noise_scheduler, vae_dtype, weight_dtype, accelerator, args, text_encoding_strategy, tokenize_strategy, is_train=True, train_text_encoder=train_text_encoder, train_unet=train_unet, ) accelerator.backward(loss) if accelerator.sync_gradients: self.all_reduce_network(accelerator, network) # sync DDP grad manually if args.max_grad_norm != 0.0: params_to_clip = accelerator.unwrap_model(network).get_trainable_params() accelerator.clip_grad_norm_(params_to_clip, args.max_grad_norm) if hasattr(network, "update_grad_norms"): network.update_grad_norms() if hasattr(network, "update_norms"): network.update_norms() optimizer.step() lr_scheduler.step() optimizer.zero_grad(set_to_none=True) if args.scale_weight_norms: keys_scaled, mean_norm, maximum_norm = accelerator.unwrap_model(network).apply_max_norm_regularization( args.scale_weight_norms, accelerator.device ) mean_grad_norm = None mean_combined_norm = None max_mean_logs = {"Keys Scaled": keys_scaled, "Average key norm": mean_norm} else: if hasattr(network, "weight_norms"): weight_norms = network.weight_norms() mean_norm = weight_norms.mean().item() if weight_norms is not None else None grad_norms = network.grad_norms() mean_grad_norm = grad_norms.mean().item() if grad_norms is not None else None combined_weight_norms = network.combined_weight_norms() mean_combined_norm = combined_weight_norms.mean().item() if combined_weight_norms is not None else None maximum_norm = weight_norms.max().item() if weight_norms is not None else None keys_scaled = None max_mean_logs = {} else: keys_scaled, mean_norm, maximum_norm = None, None, None mean_grad_norm = None mean_combined_norm = None max_mean_logs = {} # Checks if the accelerator has performed an optimization step behind the scenes if accelerator.sync_gradients: progress_bar.update(1) global_step += 1 optimizer_eval_fn() self.sample_images( accelerator, args, None, global_step, accelerator.device, vae, tokenizers, text_encoder, unet ) progress_bar.unpause() # 指定ステップごとにモデルを保存 if args.save_every_n_steps is not None and global_step % args.save_every_n_steps == 0: accelerator.wait_for_everyone() if accelerator.is_main_process: ckpt_name = train_util.get_step_ckpt_name(args, "." + args.save_model_as, global_step) save_model(ckpt_name, accelerator.unwrap_model(network), global_step, epoch) if args.save_state: train_util.save_and_remove_state_stepwise(args, accelerator, global_step) remove_step_no = train_util.get_remove_step_no(args, global_step) if remove_step_no is not None: remove_ckpt_name = train_util.get_step_ckpt_name(args, "." + args.save_model_as, remove_step_no) remove_model(remove_ckpt_name) optimizer_train_fn() current_loss = loss.detach().item() loss_recorder.add(epoch=epoch, step=step, loss=current_loss) avr_loss: float = loss_recorder.moving_average logs = {"avr_loss": avr_loss} # , "lr": lr_scheduler.get_last_lr()[0]} progress_bar.set_postfix(**{**max_mean_logs, **logs}) if is_tracking: logs = self.generate_step_logs( args, current_loss, avr_loss, lr_scheduler, lr_descriptions, optimizer, keys_scaled, mean_norm, maximum_norm, mean_grad_norm, mean_combined_norm, ) self.step_logging(accelerator, logs, global_step, epoch + 1) # VALIDATION PER STEP: global_step is already incremented # for example, if validate_every_n_steps=100, validate at step 100, 200, 300, ... should_validate_step = args.validate_every_n_steps is not None and global_step % args.validate_every_n_steps == 0 if accelerator.sync_gradients and validation_steps > 0 and should_validate_step: optimizer_eval_fn() accelerator.unwrap_model(network).eval() rng_states = switch_rng_state(args.validation_seed if args.validation_seed is not None else args.seed) val_progress_bar = tqdm( range(validation_total_steps), smoothing=0, disable=not accelerator.is_local_main_process, desc="validation steps", ) val_timesteps_step = 0 for val_step, batch in enumerate(val_dataloader): if val_step >= validation_steps: break for timestep in validation_timesteps: self.on_step_start(args, accelerator, network, text_encoders, unet, batch, weight_dtype, is_train=False) args.min_timestep = args.max_timestep = timestep # dirty hack to change timestep loss = self.process_batch( batch, text_encoders, unet, network, vae, noise_scheduler, vae_dtype, weight_dtype, accelerator, args, text_encoding_strategy, tokenize_strategy, is_train=False, train_text_encoder=train_text_encoder, # this is needed for validation because Text Encoders must be called if train_text_encoder is True train_unet=train_unet, ) current_loss = loss.detach().item() val_step_loss_recorder.add(epoch=epoch, step=val_timesteps_step, loss=current_loss) val_progress_bar.update(1) val_progress_bar.set_postfix( {"val_avg_loss": val_step_loss_recorder.moving_average, "timestep": timestep} ) # if is_tracking: # logs = {f"loss/validation/step_current_{timestep}": current_loss} # self.val_logging(accelerator, logs, global_step, epoch + 1, val_step) self.on_validation_step_end(args, accelerator, network, text_encoders, unet, batch, weight_dtype) val_timesteps_step += 1 if is_tracking: loss_validation_divergence = val_step_loss_recorder.moving_average - loss_recorder.moving_average logs = { "loss/validation/step_average": val_step_loss_recorder.moving_average, "loss/validation/step_divergence": loss_validation_divergence, } self.step_logging(accelerator, logs, global_step, epoch=epoch + 1) restore_rng_state(rng_states) args.min_timestep = original_args_min_timestep args.max_timestep = original_args_max_timestep optimizer_train_fn() accelerator.unwrap_model(network).train() progress_bar.unpause() if global_step >= args.max_train_steps: break # EPOCH VALIDATION should_validate_epoch = ( (epoch + 1) % args.validate_every_n_epochs == 0 if args.validate_every_n_epochs is not None else True ) if should_validate_epoch and len(val_dataloader) > 0: optimizer_eval_fn() accelerator.unwrap_model(network).eval() rng_states = switch_rng_state(args.validation_seed if args.validation_seed is not None else args.seed) val_progress_bar = tqdm( range(validation_total_steps), smoothing=0, disable=not accelerator.is_local_main_process, desc="epoch validation steps", ) val_timesteps_step = 0 for val_step, batch in enumerate(val_dataloader): if val_step >= validation_steps: break for timestep in validation_timesteps: args.min_timestep = args.max_timestep = timestep # temporary, for batch processing self.on_step_start(args, accelerator, network, text_encoders, unet, batch, weight_dtype, is_train=False) loss = self.process_batch( batch, text_encoders, unet, network, vae, noise_scheduler, vae_dtype, weight_dtype, accelerator, args, text_encoding_strategy, tokenize_strategy, is_train=False, train_text_encoder=train_text_encoder, train_unet=train_unet, ) current_loss = loss.detach().item() val_epoch_loss_recorder.add(epoch=epoch, step=val_timesteps_step, loss=current_loss) val_progress_bar.update(1) val_progress_bar.set_postfix( {"val_epoch_avg_loss": val_epoch_loss_recorder.moving_average, "timestep": timestep} ) # if is_tracking: # logs = {f"loss/validation/epoch_current_{timestep}": current_loss} # self.val_logging(accelerator, logs, global_step, epoch + 1, val_step) self.on_validation_step_end(args, accelerator, network, text_encoders, unet, batch, weight_dtype) val_timesteps_step += 1 if is_tracking: avr_loss: float = val_epoch_loss_recorder.moving_average loss_validation_divergence = val_epoch_loss_recorder.moving_average - loss_recorder.moving_average logs = { "loss/validation/epoch_average": avr_loss, "loss/validation/epoch_divergence": loss_validation_divergence, } self.epoch_logging(accelerator, logs, global_step, epoch + 1) restore_rng_state(rng_states) args.min_timestep = original_args_min_timestep args.max_timestep = original_args_max_timestep optimizer_train_fn() accelerator.unwrap_model(network).train() progress_bar.unpause() # END OF EPOCH if is_tracking: logs = {"loss/epoch_average": loss_recorder.moving_average} self.epoch_logging(accelerator, logs, global_step, epoch + 1) accelerator.wait_for_everyone() # 指定エポックごとにモデルを保存 optimizer_eval_fn() if args.save_every_n_epochs is not None: saving = (epoch + 1) % args.save_every_n_epochs == 0 and (epoch + 1) < num_train_epochs if is_main_process and saving: ckpt_name = train_util.get_epoch_ckpt_name(args, "." + args.save_model_as, epoch + 1) save_model(ckpt_name, accelerator.unwrap_model(network), global_step, epoch + 1) remove_epoch_no = train_util.get_remove_epoch_no(args, epoch + 1) if remove_epoch_no is not None: remove_ckpt_name = train_util.get_epoch_ckpt_name(args, "." + args.save_model_as, remove_epoch_no) remove_model(remove_ckpt_name) if args.save_state: train_util.save_and_remove_state_on_epoch_end(args, accelerator, epoch + 1) self.sample_images(accelerator, args, epoch + 1, global_step, accelerator.device, vae, tokenizers, text_encoder, unet) progress_bar.unpause() optimizer_train_fn() # end of epoch # metadata["ss_epoch"] = str(num_train_epochs) metadata["ss_training_finished_at"] = str(time.time()) if is_main_process: network = accelerator.unwrap_model(network) accelerator.end_training() optimizer_eval_fn() if is_main_process and (args.save_state or args.save_state_on_train_end): train_util.save_state_on_train_end(args, accelerator) if is_main_process: ckpt_name = train_util.get_last_ckpt_name(args, "." + args.save_model_as) save_model(ckpt_name, network, global_step, num_train_epochs, force_sync_upload=True) logger.info("model saved.") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) train_util.add_sd_models_arguments(parser) sai_model_spec.add_model_spec_arguments(parser) train_util.add_dataset_arguments(parser, True, True, True) train_util.add_training_arguments(parser, True) train_util.add_masked_loss_arguments(parser) deepspeed_utils.add_deepspeed_arguments(parser) train_util.add_optimizer_arguments(parser) config_util.add_config_arguments(parser) custom_train_functions.add_custom_train_arguments(parser) parser.add_argument( "--cpu_offload_checkpointing", action="store_true", help="[EXPERIMENTAL] enable offloading of tensors to CPU during checkpointing for U-Net or DiT, if supported" " / 勾配チェックポイント時にテンソルをCPUにオフロードする（U-NetまたはDiTのみ、サポートされている場合）", ) parser.add_argument( "--no_metadata", action="store_true", help="do not save metadata in output model / メタデータを出力先モデルに保存しない" ) parser.add_argument( "--save_model_as", type=str, default="safetensors", choices=[None, "ckpt", "pt", "safetensors"], help="format to save the model (default is .safetensors) / モデル保存時の形式（デフォルトはsafetensors）", ) parser.add_argument("--unet_lr", type=float, default=None, help="learning rate for U-Net / U-Netの学習率") parser.add_argument( "--text_encoder_lr", type=float, default=None, nargs="*", help="learning rate for Text Encoder, can be multiple / Text Encoderの学習率、複数指定可能", ) parser.add_argument( "--fp8_base_unet", action="store_true", help="use fp8 for U-Net (or DiT), Text Encoder is fp16 or bf16" " / U-Net（またはDiT）にfp8を使用する。Text Encoderはfp16またはbf16", ) parser.add_argument( "--network_weights", type=str, default=None, help="pretrained weights for network / 学習するネットワークの初期重み" ) parser.add_argument( "--network_module", type=str, default=None, help="network module to train / 学習対象のネットワークのモジュール" ) parser.add_argument( "--network_dim", type=int, default=None, help="network dimensions (depends on each network) / モジュールの次元数（ネットワークにより定義は異なります）", ) parser.add_argument( "--network_alpha", type=float, default=1, help="alpha for LoRA weight scaling, default 1 (same as network_dim for same behavior as old version) / LoRaの重み調整のalpha値、デフォルト1（旧バージョンと同じ動作をするにはnetwork_dimと同じ値を指定）", ) parser.add_argument( "--network_dropout", type=float, default=None, help="Drops neurons out of training every step (0 or None is default behavior (no dropout), 1 would drop all neurons) / 訓練時に毎ステップでニューロンをdropする（0またはNoneはdropoutなし、1は全ニューロンをdropout）", ) parser.add_argument( "--network_args", type=str, default=None, nargs="*", help="additional arguments for network (key=value) / ネットワークへの追加の引数", ) parser.add_argument( "--network_train_unet_only", action="store_true", help="only training U-Net part / U-Net関連部分のみ学習する" ) parser.add_argument( "--network_train_text_encoder_only", action="store_true", help="only training Text Encoder part / Text Encoder関連部分のみ学習する", ) parser.add_argument( "--training_comment", type=str, default=None, help="arbitrary comment string stored in metadata / メタデータに記録する任意のコメント文字列", ) parser.add_argument( "--dim_from_weights", action="store_true", help="automatically determine dim (rank) from network_weights / dim (rank)をnetwork_weightsで指定した重みから自動で決定する", ) parser.add_argument( "--scale_weight_norms", type=float, default=None, help="Scale the weight of each key pair to help prevent overtraing via exploding gradients. (1 is a good starting point) / 重みの値をスケーリングして勾配爆発を防ぐ（1が初期値としては適当）", ) parser.add_argument( "--base_weights", type=str, default=None, nargs="*", help="network weights to merge into the model before training / 学習前にあらかじめモデルにマージするnetworkの重みファイル", ) parser.add_argument( "--base_weights_multiplier", type=float, default=None, nargs="*", help="multiplier for network weights to merge into the model before training / 学習前にあらかじめモデルにマージするnetworkの重みの倍率", ) parser.add_argument( "--no_half_vae", action="store_true", help="do not use fp16/bf16 VAE in mixed precision (use float VAE) / mixed precisionでも fp16/bf16 VAEを使わずfloat VAEを使う", ) parser.add_argument( "--skip_until_initial_step", action="store_true", help="skip training until initial_step is reached / initial_stepに到達するまで学習をスキップする", ) parser.add_argument( "--initial_epoch", type=int, default=None, help="initial epoch number, 1 means first epoch (same as not specifying). NOTE: initial_epoch/step doesn't affect to lr scheduler. Which means lr scheduler will start from 0 without `--resume`." + " / 初期エポック数、1で最初のエポック（未指定時と同じ）。注意：initial_epoch/stepはlr schedulerに影響しないため、`--resume`しない場合はlr schedulerは0から始まる", ) parser.add_argument( "--initial_step", type=int, default=None, help="initial step number including all epochs, 0 means first step (same as not specifying). overwrites initial_epoch." + " / 初期ステップ数、全エポックを含むステップ数、0で最初のステップ（未指定時と同じ）。initial_epochを上書きする", ) parser.add_argument( "--validation_seed", type=int, default=None, help="Validation seed for shuffling validation dataset, training `--seed` used otherwise / 検証データセットをシャッフルするための検証シード、それ以外の場合はトレーニング `--seed` を使用する", ) parser.add_argument( "--validation_split", type=float, default=0.0, help="Split for validation images out of the training dataset / 学習画像から検証画像に分割する割合", ) parser.add_argument( "--validate_every_n_steps", type=int, default=None, help="Run validation on validation dataset every N steps. By default, validation will only occur every epoch if a validation dataset is available / 検証データセットの検証をNステップごとに実行します。デフォルトでは、検証データセットが利用可能な場合にのみ、検証はエポックごとに実行されます", ) parser.add_argument( "--validate_every_n_epochs", type=int, default=None, help="Run validation dataset every N epochs. By default, validation will run every epoch if a validation dataset is available / 検証データセットをNエポックごとに実行します。デフォルトでは、検証データセットが利用可能な場合、検証はエポックごとに実行されます", ) parser.add_argument( "--max_validation_steps", type=int, default=None, help="Max number of validation dataset items processed. By default, validation will run the entire validation dataset / 処理される検証データセット項目の最大数。デフォルトでは、検証は検証データセット全体を実行します", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) trainer = NetworkTrainer() trainer.train(args) ================================================ FILE: train_textual_inversion.py ================================================ import argparse import math import os from multiprocessing import Value from typing import Any, List, Optional, Union import toml from tqdm import tqdm import torch from library.device_utils import init_ipex, clean_memory_on_device init_ipex() from accelerate.utils import set_seed from diffusers import DDPMScheduler from transformers import CLIPTokenizer from library import deepspeed_utils, model_util, strategy_base, strategy_sd, sai_model_spec import library.train_util as train_util import library.huggingface_util as huggingface_util import library.config_util as config_util from library.config_util import ( ConfigSanitizer, BlueprintGenerator, ) import library.custom_train_functions as custom_train_functions from library.custom_train_functions import ( apply_snr_weight, prepare_scheduler_for_custom_training, scale_v_prediction_loss_like_noise_prediction, add_v_prediction_like_loss, apply_debiased_estimation, apply_masked_loss, ) from library.utils import setup_logging, add_logging_arguments setup_logging() import logging logger = logging.getLogger(__name__) imagenet_templates_small = [ "a photo of a {}", "a rendering of a {}", "a cropped photo of the {}", "the photo of a {}", "a photo of a clean {}", "a photo of a dirty {}", "a dark photo of the {}", "a photo of my {}", "a photo of the cool {}", "a close-up photo of a {}", "a bright photo of the {}", "a cropped photo of a {}", "a photo of the {}", "a good photo of the {}", "a photo of one {}", "a close-up photo of the {}", "a rendition of the {}", "a photo of the clean {}", "a rendition of a {}", "a photo of a nice {}", "a good photo of a {}", "a photo of the nice {}", "a photo of the small {}", "a photo of the weird {}", "a photo of the large {}", "a photo of a cool {}", "a photo of a small {}", ] imagenet_style_templates_small = [ "a painting in the style of {}", "a rendering in the style of {}", "a cropped painting in the style of {}", "the painting in the style of {}", "a clean painting in the style of {}", "a dirty painting in the style of {}", "a dark painting in the style of {}", "a picture in the style of {}", "a cool painting in the style of {}", "a close-up painting in the style of {}", "a bright painting in the style of {}", "a cropped painting in the style of {}", "a good painting in the style of {}", "a close-up painting in the style of {}", "a rendition in the style of {}", "a nice painting in the style of {}", "a small painting in the style of {}", "a weird painting in the style of {}", "a large painting in the style of {}", ] class TextualInversionTrainer: def __init__(self): self.vae_scale_factor = 0.18215 self.is_sdxl = False def assert_extra_args(self, args, train_dataset_group: Union[train_util.DatasetGroup, train_util.MinimalDataset], val_dataset_group: Optional[train_util.DatasetGroup]): train_dataset_group.verify_bucket_reso_steps(64) if val_dataset_group is not None: val_dataset_group.verify_bucket_reso_steps(64) def load_target_model(self, args, weight_dtype, accelerator): text_encoder, vae, unet, _ = train_util.load_target_model(args, weight_dtype, accelerator) return model_util.get_model_version_str_for_sd1_sd2(args.v2, args.v_parameterization), [text_encoder], vae, unet def get_tokenize_strategy(self, args): return strategy_sd.SdTokenizeStrategy(args.v2, args.max_token_length, args.tokenizer_cache_dir) def get_tokenizers(self, tokenize_strategy: strategy_sd.SdTokenizeStrategy) -> List[Any]: return [tokenize_strategy.tokenizer] def get_latents_caching_strategy(self, args): latents_caching_strategy = strategy_sd.SdSdxlLatentsCachingStrategy( True, args.cache_latents_to_disk, args.vae_batch_size, args.skip_cache_check ) return latents_caching_strategy def assert_token_string(self, token_string, tokenizers: CLIPTokenizer): pass def get_text_encoding_strategy(self, args): return strategy_sd.SdTextEncodingStrategy(args.clip_skip) def get_models_for_text_encoding(self, args, accelerator, text_encoders) -> List[Any]: return text_encoders def call_unet(self, args, accelerator, unet, noisy_latents, timesteps, text_conds, batch, weight_dtype): noise_pred = unet(noisy_latents, timesteps, text_conds[0]).sample return noise_pred def sample_images( self, accelerator, args, epoch, global_step, device, vae, tokenizers, text_encoders, unet, prompt_replacement ): train_util.sample_images( accelerator, args, epoch, global_step, device, vae, tokenizers[0], text_encoders[0], unet, prompt_replacement ) def save_weights(self, file, updated_embs, save_dtype, metadata): state_dict = {"emb_params": updated_embs[0]} if save_dtype is not None: for key in list(state_dict.keys()): v = state_dict[key] v = v.detach().clone().to("cpu").to(save_dtype) state_dict[key] = v if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import save_file save_file(state_dict, file, metadata) else: torch.save(state_dict, file) # can be loaded in Web UI def load_weights(self, file): if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file data = load_file(file) else: # compatible to Web UI's file format data = torch.load(file, map_location="cpu") if type(data) != dict: raise ValueError(f"weight file is not dict / 重みファイルがdict形式ではありません: {file}") if "string_to_param" in data: # textual inversion embeddings data = data["string_to_param"] if hasattr(data, "_parameters"): # support old PyTorch? data = getattr(data, "_parameters") emb = next(iter(data.values())) if type(emb) != torch.Tensor: raise ValueError(f"weight file does not contains Tensor / 重みファイルのデータがTensorではありません: {file}") if len(emb.size()) == 1: emb = emb.unsqueeze(0) return [emb] def train(self, args): if args.output_name is None: args.output_name = args.token_string use_template = args.use_object_template or args.use_style_template train_util.verify_training_args(args) train_util.prepare_dataset_args(args, True) setup_logging(args, reset=True) cache_latents = args.cache_latents if args.seed is not None: set_seed(args.seed) tokenize_strategy = self.get_tokenize_strategy(args) strategy_base.TokenizeStrategy.set_strategy(tokenize_strategy) tokenizers = self.get_tokenizers(tokenize_strategy) # will be removed after sample_image is refactored # prepare caching strategy: this must be set before preparing dataset. because dataset may use this strategy for initialization. latents_caching_strategy = self.get_latents_caching_strategy(args) strategy_base.LatentsCachingStrategy.set_strategy(latents_caching_strategy) # acceleratorを準備する logger.info("prepare accelerator") accelerator = train_util.prepare_accelerator(args) # mixed precisionに対応した型を用意しておき適宜castする weight_dtype, save_dtype = train_util.prepare_dtype(args) vae_dtype = torch.float32 if args.no_half_vae else weight_dtype # モデルを読み込む model_version, text_encoders, vae, unet = self.load_target_model(args, weight_dtype, accelerator) # Convert the init_word to token_id init_token_ids_list = [] if args.init_word is not None: for i, tokenizer in enumerate(tokenizers): init_token_ids = tokenizer.encode(args.init_word, add_special_tokens=False) if len(init_token_ids) > 1 and len(init_token_ids) != args.num_vectors_per_token: accelerator.print( f"token length for init words is not same to num_vectors_per_token, init words is repeated or truncated / " + f"初期化単語のトークン長がnum_vectors_per_tokenと合わないため、繰り返しまたは切り捨てが発生します: tokenizer {i+1}, length {len(init_token_ids)}" ) init_token_ids_list.append(init_token_ids) else: init_token_ids_list = [None] * len(tokenizers) # tokenizerに新しい単語を追加する。追加する単語の数はnum_vectors_per_token # token_stringが hoge の場合、"hoge", "hoge1", "hoge2", ... が追加される # add new word to tokenizer, count is num_vectors_per_token # if token_string is hoge, "hoge", "hoge1", "hoge2", ... are added self.assert_token_string(args.token_string, tokenizers) token_strings = [args.token_string] + [f"{args.token_string}{i+1}" for i in range(args.num_vectors_per_token - 1)] token_ids_list = [] token_embeds_list = [] for i, (tokenizer, text_encoder, init_token_ids) in enumerate(zip(tokenizers, text_encoders, init_token_ids_list)): num_added_tokens = tokenizer.add_tokens(token_strings) assert ( num_added_tokens == args.num_vectors_per_token ), f"tokenizer has same word to token string. please use another one / 指定したargs.token_stringは既に存在します。別の単語を使ってください: tokenizer {i+1}, {args.token_string}" token_ids = tokenizer.convert_tokens_to_ids(token_strings) accelerator.print(f"tokens are added for tokenizer {i+1}: {token_ids}") assert ( min(token_ids) == token_ids[0] and token_ids[-1] == token_ids[0] + len(token_ids) - 1 ), f"token ids is not ordered : tokenizer {i+1}, {token_ids}" assert ( len(tokenizer) - 1 == token_ids[-1] ), f"token ids is not end of tokenize: tokenizer {i+1}, {token_ids}, {len(tokenizer)}" token_ids_list.append(token_ids) # Resize the token embeddings as we are adding new special tokens to the tokenizer text_encoder.resize_token_embeddings(len(tokenizer)) # Initialise the newly added placeholder token with the embeddings of the initializer token token_embeds = text_encoder.get_input_embeddings().weight.data if init_token_ids is not None: for i, token_id in enumerate(token_ids): token_embeds[token_id] = token_embeds[init_token_ids[i % len(init_token_ids)]] # accelerator.print(token_id, token_embeds[token_id].mean(), token_embeds[token_id].min()) token_embeds_list.append(token_embeds) # load weights if args.weights is not None: embeddings_list = self.load_weights(args.weights) assert len(token_ids) == len( embeddings_list[0] ), f"num_vectors_per_token is mismatch for weights / 指定した重みとnum_vectors_per_tokenの値が異なります: {len(embeddings)}" # accelerator.print(token_ids, embeddings.size()) for token_ids, embeddings, token_embeds in zip(token_ids_list, embeddings_list, token_embeds_list): for token_id, embedding in zip(token_ids, embeddings): token_embeds[token_id] = embedding # accelerator.print(token_id, token_embeds[token_id].mean(), token_embeds[token_id].min()) accelerator.print(f"weighs loaded") accelerator.print(f"create embeddings for {args.num_vectors_per_token} tokens, for {args.token_string}") # データセットを準備する if args.dataset_class is None: blueprint_generator = BlueprintGenerator(ConfigSanitizer(True, True, args.masked_loss, False)) if args.dataset_config is not None: accelerator.print(f"Load dataset config from {args.dataset_config}") user_config = config_util.load_user_config(args.dataset_config) ignored = ["train_data_dir", "reg_data_dir", "in_json"] if any(getattr(args, attr) is not None for attr in ignored): accelerator.print( "ignore following options because config file is found: {0} / 設定ファイルが利用されるため以下のオプションは無視されます: {0}".format( ", ".join(ignored) ) ) else: use_dreambooth_method = args.in_json is None if use_dreambooth_method: accelerator.print("Use DreamBooth method.") user_config = { "datasets": [ { "subsets": config_util.generate_dreambooth_subsets_config_by_subdirs( args.train_data_dir, args.reg_data_dir ) } ] } else: logger.info("Train with captions.") user_config = { "datasets": [ { "subsets": [ { "image_dir": args.train_data_dir, "metadata_file": args.in_json, } ] } ] } blueprint = blueprint_generator.generate(user_config, args) train_dataset_group, val_dataset_group = config_util.generate_dataset_group_by_blueprint(blueprint.dataset_group) else: train_dataset_group = train_util.load_arbitrary_dataset(args) val_dataset_group = None self.assert_extra_args(args, train_dataset_group, val_dataset_group) current_epoch = Value("i", 0) current_step = Value("i", 0) ds_for_collator = train_dataset_group if args.max_data_loader_n_workers == 0 else None collator = train_util.collator_class(current_epoch, current_step, ds_for_collator) # make captions: tokenstring tokenstring1 tokenstring2 ...tokenstringn という文字列に書き換える超乱暴な実装 if use_template: accelerator.print(f"use template for training captions. is object: {args.use_object_template}") templates = imagenet_templates_small if args.use_object_template else imagenet_style_templates_small replace_to = " ".join(token_strings) captions = [] for tmpl in templates: captions.append(tmpl.format(replace_to)) train_dataset_group.add_replacement("", captions) # サンプル生成用 if args.num_vectors_per_token > 1: prompt_replacement = (args.token_string, replace_to) else: prompt_replacement = None else: # サンプル生成用 if args.num_vectors_per_token > 1: replace_to = " ".join(token_strings) train_dataset_group.add_replacement(args.token_string, replace_to) prompt_replacement = (args.token_string, replace_to) else: prompt_replacement = None if args.debug_dataset: train_util.debug_dataset(train_dataset_group, show_input_ids=True) return if len(train_dataset_group) == 0: accelerator.print("No data found. Please verify arguments / 画像がありません。引数指定を確認してください") return if cache_latents: assert ( train_dataset_group.is_latent_cacheable() ), "when caching latents, either color_aug or random_crop cannot be used / latentをキャッシュするときはcolor_augとrandom_cropは使えません" # モデルに xformers とか memory efficient attention を組み込む train_util.replace_unet_modules(unet, args.mem_eff_attn, args.xformers, args.sdpa) if torch.__version__ >= "2.0.0": # PyTorch 2.0.0 以上対応のxformersなら以下が使える vae.set_use_memory_efficient_attention_xformers(args.xformers) # 学習を準備する if cache_latents: vae.to(accelerator.device, dtype=vae_dtype) vae.requires_grad_(False) vae.eval() train_dataset_group.new_cache_latents(vae, accelerator) clean_memory_on_device(accelerator.device) accelerator.wait_for_everyone() if args.gradient_checkpointing: unet.enable_gradient_checkpointing() for text_encoder in text_encoders: text_encoder.gradient_checkpointing_enable() # 学習に必要なクラスを準備する accelerator.print("prepare optimizer, data loader etc.") trainable_params = [] for text_encoder in text_encoders: trainable_params += text_encoder.get_input_embeddings().parameters() _, _, optimizer = train_util.get_optimizer(args, trainable_params) # prepare dataloader # strategies are set here because they cannot be referenced in another process. Copy them with the dataset # some strategies can be None train_dataset_group.set_current_strategies() # DataLoaderのプロセス数：0 は persistent_workers が使えないので注意 n_workers = min(args.max_data_loader_n_workers, os.cpu_count()) # cpu_count or max_data_loader_n_workers train_dataloader = torch.utils.data.DataLoader( train_dataset_group, batch_size=1, shuffle=True, collate_fn=collator, num_workers=n_workers, persistent_workers=args.persistent_data_loader_workers, ) # 学習ステップ数を計算する if args.max_train_epochs is not None: args.max_train_steps = args.max_train_epochs * math.ceil( len(train_dataloader) / accelerator.num_processes / args.gradient_accumulation_steps ) accelerator.print( f"override steps. steps for {args.max_train_epochs} epochs is / 指定エポックまでのステップ数: {args.max_train_steps}" ) # データセット側にも学習ステップを送信 train_dataset_group.set_max_train_steps(args.max_train_steps) # lr schedulerを用意する lr_scheduler = train_util.get_scheduler_fix(args, optimizer, accelerator.num_processes) # acceleratorがなんかよろしくやってくれるらしい optimizer, train_dataloader, lr_scheduler = accelerator.prepare(optimizer, train_dataloader, lr_scheduler) text_encoders = [accelerator.prepare(text_encoder) for text_encoder in text_encoders] index_no_updates_list = [] orig_embeds_params_list = [] for tokenizer, token_ids, text_encoder in zip(tokenizers, token_ids_list, text_encoders): index_no_updates = torch.arange(len(tokenizer)) < token_ids[0] index_no_updates_list.append(index_no_updates) # accelerator.print(len(index_no_updates), torch.sum(index_no_updates)) orig_embeds_params = accelerator.unwrap_model(text_encoder).get_input_embeddings().weight.data.detach().clone() orig_embeds_params_list.append(orig_embeds_params) # Freeze all parameters except for the token embeddings in text encoder text_encoder.requires_grad_(True) unwrapped_text_encoder = accelerator.unwrap_model(text_encoder) unwrapped_text_encoder.text_model.encoder.requires_grad_(False) unwrapped_text_encoder.text_model.final_layer_norm.requires_grad_(False) unwrapped_text_encoder.text_model.embeddings.position_embedding.requires_grad_(False) # text_encoder.text_model.embeddings.token_embedding.requires_grad_(True) unet.requires_grad_(False) unet.to(accelerator.device, dtype=weight_dtype) if args.gradient_checkpointing: # according to TI example in Diffusers, train is required # TODO U-Netをオリジナルに置き換えたのでいらないはずなので、後で確認して消す unet.train() else: unet.eval() text_encoding_strategy = self.get_text_encoding_strategy(args) strategy_base.TextEncodingStrategy.set_strategy(text_encoding_strategy) if not cache_latents: # キャッシュしない場合はVAEを使うのでVAEを準備する vae.requires_grad_(False) vae.eval() vae.to(accelerator.device, dtype=vae_dtype) # 実験的機能：勾配も含めたfp16学習を行う　PyTorchにパッチを当ててfp16でのgrad scaleを有効にする if args.full_fp16: train_util.patch_accelerator_for_fp16_training(accelerator) for text_encoder in text_encoders: text_encoder.to(weight_dtype) if args.full_bf16: for text_encoder in text_encoders: text_encoder.to(weight_dtype) # resumeする train_util.resume_from_local_or_hf_if_specified(accelerator, args) # epoch数を計算する num_update_steps_per_epoch = math.ceil(len(train_dataloader) / args.gradient_accumulation_steps) num_train_epochs = math.ceil(args.max_train_steps / num_update_steps_per_epoch) if (args.save_n_epoch_ratio is not None) and (args.save_n_epoch_ratio > 0): args.save_every_n_epochs = math.floor(num_train_epochs / args.save_n_epoch_ratio) or 1 # 学習する total_batch_size = args.train_batch_size * accelerator.num_processes * args.gradient_accumulation_steps accelerator.print("running training / 学習開始") accelerator.print(f" num train images * repeats / 学習画像の数×繰り返し回数: {train_dataset_group.num_train_images}") accelerator.print(f" num reg images / 正則化画像の数: {train_dataset_group.num_reg_images}") accelerator.print(f" num batches per epoch / 1epochのバッチ数: {len(train_dataloader)}") accelerator.print(f" num epochs / epoch数: {num_train_epochs}") accelerator.print(f" batch size per device / バッチサイズ: {args.train_batch_size}") accelerator.print( f" total train batch size (with parallel & distributed & accumulation) / 総バッチサイズ（並列学習、勾配合計含む）: {total_batch_size}" ) accelerator.print(f" gradient ccumulation steps / 勾配を合計するステップ数 = {args.gradient_accumulation_steps}") accelerator.print(f" total optimization steps / 学習ステップ数: {args.max_train_steps}") progress_bar = tqdm(range(args.max_train_steps), smoothing=0, disable=not accelerator.is_local_main_process, desc="steps") global_step = 0 noise_scheduler = DDPMScheduler( beta_start=0.00085, beta_end=0.012, beta_schedule="scaled_linear", num_train_timesteps=1000, clip_sample=False ) prepare_scheduler_for_custom_training(noise_scheduler, accelerator.device) if args.zero_terminal_snr: custom_train_functions.fix_noise_scheduler_betas_for_zero_terminal_snr(noise_scheduler) if accelerator.is_main_process: init_kwargs = {} if args.wandb_run_name: init_kwargs["wandb"] = {"name": args.wandb_run_name} if args.log_tracker_config is not None: init_kwargs = toml.load(args.log_tracker_config) accelerator.init_trackers( "textual_inversion" if args.log_tracker_name is None else args.log_tracker_name, config=train_util.get_sanitized_config_or_none(args), init_kwargs=init_kwargs, ) # function for saving/removing def save_model(ckpt_name, embs_list, steps, epoch_no, force_sync_upload=False): os.makedirs(args.output_dir, exist_ok=True) ckpt_file = os.path.join(args.output_dir, ckpt_name) accelerator.print(f"\nsaving checkpoint: {ckpt_file}") sai_metadata = train_util.get_sai_model_spec(None, args, self.is_sdxl, False, True) self.save_weights(ckpt_file, embs_list, save_dtype, sai_metadata) if args.huggingface_repo_id is not None: huggingface_util.upload(args, ckpt_file, "/" + ckpt_name, force_sync_upload=force_sync_upload) def remove_model(old_ckpt_name): old_ckpt_file = os.path.join(args.output_dir, old_ckpt_name) if os.path.exists(old_ckpt_file): accelerator.print(f"removing old checkpoint: {old_ckpt_file}") os.remove(old_ckpt_file) # For --sample_at_first self.sample_images( accelerator, args, 0, global_step, accelerator.device, vae, tokenizers, text_encoders, unet, prompt_replacement, ) if len(accelerator.trackers) > 0: # log empty object to commit the sample images to wandb accelerator.log({}, step=0) # training loop for epoch in range(num_train_epochs): accelerator.print(f"\nepoch {epoch+1}/{num_train_epochs}") current_epoch.value = epoch + 1 for text_encoder in text_encoders: text_encoder.train() loss_total = 0 for step, batch in enumerate(train_dataloader): current_step.value = global_step with accelerator.accumulate(text_encoders[0]): with torch.no_grad(): if "latents" in batch and batch["latents"] is not None: latents = batch["latents"].to(accelerator.device).to(dtype=weight_dtype) else: # latentに変換 latents = vae.encode(batch["images"].to(dtype=vae_dtype)).latent_dist.sample().to(dtype=weight_dtype) latents = latents * self.vae_scale_factor # Get the text embedding for conditioning input_ids = [ids.to(accelerator.device) for ids in batch["input_ids_list"]] text_encoder_conds = text_encoding_strategy.encode_tokens( tokenize_strategy, self.get_models_for_text_encoding(args, accelerator, text_encoders), input_ids ) if args.full_fp16: text_encoder_conds = [c.to(weight_dtype) for c in text_encoder_conds] # Sample noise, sample a random timestep for each image, and add noise to the latents, # with noise offset and/or multires noise if specified noise, noisy_latents, timesteps = train_util.get_noise_noisy_latents_and_timesteps( args, noise_scheduler, latents ) # Predict the noise residual with accelerator.autocast(): noise_pred = self.call_unet( args, accelerator, unet, noisy_latents, timesteps, text_encoder_conds, batch, weight_dtype ) if args.v_parameterization: # v-parameterization training target = noise_scheduler.get_velocity(latents, noise, timesteps) else: target = noise huber_c = train_util.get_huber_threshold_if_needed(args, timesteps, noise_scheduler) loss = train_util.conditional_loss(noise_pred.float(), target.float(), args.loss_type, "none", huber_c) if args.masked_loss or ("alpha_masks" in batch and batch["alpha_masks"] is not None): loss = apply_masked_loss(loss, batch) loss = loss.mean([1, 2, 3]) loss_weights = batch["loss_weights"] # 各sampleごとのweight loss = loss * loss_weights if args.min_snr_gamma: loss = apply_snr_weight(loss, timesteps, noise_scheduler, args.min_snr_gamma, args.v_parameterization) if args.scale_v_pred_loss_like_noise_pred: loss = scale_v_prediction_loss_like_noise_prediction(loss, timesteps, noise_scheduler) if args.v_pred_like_loss: loss = add_v_prediction_like_loss(loss, timesteps, noise_scheduler, args.v_pred_like_loss) if args.debiased_estimation_loss: loss = apply_debiased_estimation(loss, timesteps, noise_scheduler, args.v_parameterization) loss = loss.mean() # 平均なのでbatch_sizeで割る必要なし accelerator.backward(loss) if accelerator.sync_gradients and args.max_grad_norm != 0.0: params_to_clip = accelerator.unwrap_model(text_encoder).get_input_embeddings().parameters() accelerator.clip_grad_norm_(params_to_clip, args.max_grad_norm) optimizer.step() lr_scheduler.step() optimizer.zero_grad(set_to_none=True) # Let's make sure we don't update any embedding weights besides the newly added token with torch.no_grad(): for text_encoder, orig_embeds_params, index_no_updates in zip( text_encoders, orig_embeds_params_list, index_no_updates_list ): # if full_fp16/bf16, input_embeddings_weight is fp16/bf16, orig_embeds_params is fp32 input_embeddings_weight = accelerator.unwrap_model(text_encoder).get_input_embeddings().weight input_embeddings_weight[index_no_updates] = orig_embeds_params.to(input_embeddings_weight.dtype)[ index_no_updates ] # Checks if the accelerator has performed an optimization step behind the scenes if accelerator.sync_gradients: progress_bar.update(1) global_step += 1 self.sample_images( accelerator, args, None, global_step, accelerator.device, vae, tokenizers, text_encoders, unet, prompt_replacement, ) # 指定ステップごとにモデルを保存 if args.save_every_n_steps is not None and global_step % args.save_every_n_steps == 0: accelerator.wait_for_everyone() if accelerator.is_main_process: updated_embs_list = [] for text_encoder, token_ids in zip(text_encoders, token_ids_list): updated_embs = ( accelerator.unwrap_model(text_encoder) .get_input_embeddings() .weight[token_ids] .data.detach() .clone() ) updated_embs_list.append(updated_embs) ckpt_name = train_util.get_step_ckpt_name(args, "." + args.save_model_as, global_step) save_model(ckpt_name, updated_embs_list, global_step, epoch) if args.save_state: train_util.save_and_remove_state_stepwise(args, accelerator, global_step) remove_step_no = train_util.get_remove_step_no(args, global_step) if remove_step_no is not None: remove_ckpt_name = train_util.get_step_ckpt_name(args, "." + args.save_model_as, remove_step_no) remove_model(remove_ckpt_name) current_loss = loss.detach().item() if len(accelerator.trackers) > 0: logs = {"loss": current_loss, "lr": float(lr_scheduler.get_last_lr()[0])} if ( args.optimizer_type.lower().startswith("DAdapt".lower()) or args.optimizer_type.lower() == "Prodigy".lower() ): # tracking d*lr value logs["lr/d*lr"] = ( lr_scheduler.optimizers[0].param_groups[0]["d"] * lr_scheduler.optimizers[0].param_groups[0]["lr"] ) accelerator.log(logs, step=global_step) loss_total += current_loss avr_loss = loss_total / (step + 1) logs = {"loss": avr_loss} # , "lr": lr_scheduler.get_last_lr()[0]} progress_bar.set_postfix(**logs) if global_step >= args.max_train_steps: break if len(accelerator.trackers) > 0: logs = {"loss/epoch": loss_total / len(train_dataloader)} accelerator.log(logs, step=epoch + 1) accelerator.wait_for_everyone() updated_embs_list = [] for text_encoder, token_ids in zip(text_encoders, token_ids_list): updated_embs = accelerator.unwrap_model(text_encoder).get_input_embeddings().weight[token_ids].data.detach().clone() updated_embs_list.append(updated_embs) if args.save_every_n_epochs is not None: saving = (epoch + 1) % args.save_every_n_epochs == 0 and (epoch + 1) < num_train_epochs if accelerator.is_main_process and saving: ckpt_name = train_util.get_epoch_ckpt_name(args, "." + args.save_model_as, epoch + 1) save_model(ckpt_name, updated_embs_list, epoch + 1, global_step) remove_epoch_no = train_util.get_remove_epoch_no(args, epoch + 1) if remove_epoch_no is not None: remove_ckpt_name = train_util.get_epoch_ckpt_name(args, "." + args.save_model_as, remove_epoch_no) remove_model(remove_ckpt_name) if args.save_state: train_util.save_and_remove_state_on_epoch_end(args, accelerator, epoch + 1) self.sample_images( accelerator, args, epoch + 1, global_step, accelerator.device, vae, tokenizers, text_encoders, unet, prompt_replacement, ) accelerator.log({}) # end of epoch is_main_process = accelerator.is_main_process if is_main_process: text_encoder = accelerator.unwrap_model(text_encoder) updated_embs = text_encoder.get_input_embeddings().weight[token_ids].data.detach().clone() accelerator.end_training() if is_main_process and (args.save_state or args.save_state_on_train_end): train_util.save_state_on_train_end(args, accelerator) if is_main_process: ckpt_name = train_util.get_last_ckpt_name(args, "." + args.save_model_as) save_model(ckpt_name, updated_embs_list, global_step, num_train_epochs, force_sync_upload=True) logger.info("model saved.") def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) train_util.add_sd_models_arguments(parser) sai_model_spec.add_model_spec_arguments(parser) train_util.add_dataset_arguments(parser, True, True, False) train_util.add_training_arguments(parser, True) train_util.add_masked_loss_arguments(parser) deepspeed_utils.add_deepspeed_arguments(parser) train_util.add_optimizer_arguments(parser) config_util.add_config_arguments(parser) custom_train_functions.add_custom_train_arguments(parser, False) parser.add_argument( "--save_model_as", type=str, default="pt", choices=[None, "ckpt", "pt", "safetensors"], help="format to save the model (default is .pt) / モデル保存時の形式（デフォルトはpt）", ) parser.add_argument( "--weights", type=str, default=None, help="embedding weights to initialize / 学習するネットワークの初期重み" ) parser.add_argument( "--num_vectors_per_token", type=int, default=1, help="number of vectors per token / トークンに割り当てるembeddingsの要素数" ) parser.add_argument( "--token_string", type=str, default=None, help="token string used in training, must not exist in tokenizer / 学習時に使用されるトークン文字列、tokenizerに存在しない文字であること", ) parser.add_argument( "--init_word", type=str, default=None, help="words to initialize vector / ベクトルを初期化に使用する単語、複数可" ) parser.add_argument( "--use_object_template", action="store_true", help="ignore caption and use default templates for object / キャプションは使わずデフォルトの物体用テンプレートで学習する", ) parser.add_argument( "--use_style_template", action="store_true", help="ignore caption and use default templates for stype / キャプションは使わずデフォルトのスタイル用テンプレートで学習する", ) parser.add_argument( "--no_half_vae", action="store_true", help="do not use fp16/bf16 VAE in mixed precision (use float VAE) / mixed precisionでも fp16/bf16 VAEを使わずfloat VAEを使う", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) trainer = TextualInversionTrainer() trainer.train(args) ================================================ FILE: train_textual_inversion_XTI.py ================================================ import importlib import argparse import math import os import toml from multiprocessing import Value from tqdm import tqdm import torch from library import deepspeed_utils from library.device_utils import init_ipex, clean_memory_on_device init_ipex() from accelerate.utils import set_seed import diffusers from diffusers import DDPMScheduler import library import library.train_util as train_util import library.huggingface_util as huggingface_util import library.config_util as config_util import library.sai_model_spec as sai_model_spec from library.config_util import ( ConfigSanitizer, BlueprintGenerator, ) import library.custom_train_functions as custom_train_functions from library.custom_train_functions import ( apply_snr_weight, prepare_scheduler_for_custom_training, pyramid_noise_like, apply_noise_offset, scale_v_prediction_loss_like_noise_prediction, apply_debiased_estimation, apply_masked_loss, ) import library.original_unet as original_unet from XTI_hijack import unet_forward_XTI, downblock_forward_XTI, upblock_forward_XTI from library.utils import setup_logging, add_logging_arguments setup_logging() import logging logger = logging.getLogger(__name__) imagenet_templates_small = [ "a photo of a {}", "a rendering of a {}", "a cropped photo of the {}", "the photo of a {}", "a photo of a clean {}", "a photo of a dirty {}", "a dark photo of the {}", "a photo of my {}", "a photo of the cool {}", "a close-up photo of a {}", "a bright photo of the {}", "a cropped photo of a {}", "a photo of the {}", "a good photo of the {}", "a photo of one {}", "a close-up photo of the {}", "a rendition of the {}", "a photo of the clean {}", "a rendition of a {}", "a photo of a nice {}", "a good photo of a {}", "a photo of the nice {}", "a photo of the small {}", "a photo of the weird {}", "a photo of the large {}", "a photo of a cool {}", "a photo of a small {}", ] imagenet_style_templates_small = [ "a painting in the style of {}", "a rendering in the style of {}", "a cropped painting in the style of {}", "the painting in the style of {}", "a clean painting in the style of {}", "a dirty painting in the style of {}", "a dark painting in the style of {}", "a picture in the style of {}", "a cool painting in the style of {}", "a close-up painting in the style of {}", "a bright painting in the style of {}", "a cropped painting in the style of {}", "a good painting in the style of {}", "a close-up painting in the style of {}", "a rendition in the style of {}", "a nice painting in the style of {}", "a small painting in the style of {}", "a weird painting in the style of {}", "a large painting in the style of {}", ] def train(args): if args.output_name is None: args.output_name = args.token_string use_template = args.use_object_template or args.use_style_template setup_logging(args, reset=True) train_util.verify_training_args(args) train_util.prepare_dataset_args(args, True) if args.sample_every_n_steps is not None or args.sample_every_n_epochs is not None: logger.warning( "sample_every_n_steps and sample_every_n_epochs are not supported in this script currently / sample_every_n_stepsとsample_every_n_epochsは現在このスクリプトではサポートされていません" ) assert ( args.dataset_class is None ), "dataset_class is not supported in this script currently / dataset_classは現在このスクリプトではサポートされていません" cache_latents = args.cache_latents if args.seed is not None: set_seed(args.seed) tokenizer = train_util.load_tokenizer(args) # acceleratorを準備する logger.info("prepare accelerator") accelerator = train_util.prepare_accelerator(args) # mixed precisionに対応した型を用意しておき適宜castする weight_dtype, save_dtype = train_util.prepare_dtype(args) # モデルを読み込む text_encoder, vae, unet, _ = train_util.load_target_model(args, weight_dtype, accelerator) # Convert the init_word to token_id if args.init_word is not None: init_token_ids = tokenizer.encode(args.init_word, add_special_tokens=False) if len(init_token_ids) > 1 and len(init_token_ids) != args.num_vectors_per_token: logger.warning( f"token length for init words is not same to num_vectors_per_token, init words is repeated or truncated / 初期化単語のトークン長がnum_vectors_per_tokenと合わないため、繰り返しまたは切り捨てが発生します: length {len(init_token_ids)}" ) else: init_token_ids = None # add new word to tokenizer, count is num_vectors_per_token token_strings = [args.token_string] + [f"{args.token_string}{i+1}" for i in range(args.num_vectors_per_token - 1)] num_added_tokens = tokenizer.add_tokens(token_strings) assert ( num_added_tokens == args.num_vectors_per_token ), f"tokenizer has same word to token string. please use another one / 指定したargs.token_stringは既に存在します。別の単語を使ってください: {args.token_string}" token_ids = tokenizer.convert_tokens_to_ids(token_strings) logger.info(f"tokens are added: {token_ids}") assert min(token_ids) == token_ids[0] and token_ids[-1] == token_ids[0] + len(token_ids) - 1, f"token ids is not ordered" assert len(tokenizer) - 1 == token_ids[-1], f"token ids is not end of tokenize: {len(tokenizer)}" token_strings_XTI = [] XTI_layers = [ "IN01", "IN02", "IN04", "IN05", "IN07", "IN08", "MID", "OUT03", "OUT04", "OUT05", "OUT06", "OUT07", "OUT08", "OUT09", "OUT10", "OUT11", ] for layer_name in XTI_layers: token_strings_XTI += [f"{t}_{layer_name}" for t in token_strings] tokenizer.add_tokens(token_strings_XTI) token_ids_XTI = tokenizer.convert_tokens_to_ids(token_strings_XTI) logger.info(f"tokens are added (XTI): {token_ids_XTI}") # Resize the token embeddings as we are adding new special tokens to the tokenizer text_encoder.resize_token_embeddings(len(tokenizer)) # Initialise the newly added placeholder token with the embeddings of the initializer token token_embeds = text_encoder.get_input_embeddings().weight.data if init_token_ids is not None: for i, token_id in enumerate(token_ids_XTI): token_embeds[token_id] = token_embeds[init_token_ids[(i // 16) % len(init_token_ids)]] # logger.info(token_id, token_embeds[token_id].mean(), token_embeds[token_id].min()) # load weights if args.weights is not None: embeddings = load_weights(args.weights) assert len(token_ids) == len( embeddings ), f"num_vectors_per_token is mismatch for weights / 指定した重みとnum_vectors_per_tokenの値が異なります: {len(embeddings)}" # logger.info(token_ids, embeddings.size()) for token_id, embedding in zip(token_ids_XTI, embeddings): token_embeds[token_id] = embedding # logger.info(token_id, token_embeds[token_id].mean(), token_embeds[token_id].min()) logger.info(f"weighs loaded") logger.info(f"create embeddings for {args.num_vectors_per_token} tokens, for {args.token_string}") # データセットを準備する blueprint_generator = BlueprintGenerator(ConfigSanitizer(True, True, args.masked_loss, False)) if args.dataset_config is not None: logger.info(f"Load dataset config from {args.dataset_config}") user_config = config_util.load_user_config(args.dataset_config) ignored = ["train_data_dir", "reg_data_dir", "in_json"] if any(getattr(args, attr) is not None for attr in ignored): logger.info( "ignore following options because config file is found: {0} / 設定ファイルが利用されるため以下のオプションは無視されます: {0}".format( ", ".join(ignored) ) ) else: use_dreambooth_method = args.in_json is None if use_dreambooth_method: logger.info("Use DreamBooth method.") user_config = { "datasets": [ {"subsets": config_util.generate_dreambooth_subsets_config_by_subdirs(args.train_data_dir, args.reg_data_dir)} ] } else: logger.info("Train with captions.") user_config = { "datasets": [ { "subsets": [ { "image_dir": args.train_data_dir, "metadata_file": args.in_json, } ] } ] } blueprint = blueprint_generator.generate(user_config, args, tokenizer=tokenizer) train_dataset_group, val_dataset_group = config_util.generate_dataset_group_by_blueprint(blueprint.dataset_group) train_dataset_group.enable_XTI(XTI_layers, token_strings=token_strings) current_epoch = Value("i", 0) current_step = Value("i", 0) ds_for_collator = train_dataset_group if args.max_data_loader_n_workers == 0 else None collator = train_util.collator_class(current_epoch, current_step, ds_for_collator) # make captions: tokenstring tokenstring1 tokenstring2 ...tokenstringn という文字列に書き換える超乱暴な実装 if use_template: logger.info(f"use template for training captions. is object: {args.use_object_template}") templates = imagenet_templates_small if args.use_object_template else imagenet_style_templates_small replace_to = " ".join(token_strings) captions = [] for tmpl in templates: captions.append(tmpl.format(replace_to)) train_dataset_group.add_replacement("", captions) if args.num_vectors_per_token > 1: prompt_replacement = (args.token_string, replace_to) else: prompt_replacement = None else: if args.num_vectors_per_token > 1: replace_to = " ".join(token_strings) train_dataset_group.add_replacement(args.token_string, replace_to) prompt_replacement = (args.token_string, replace_to) else: prompt_replacement = None if args.debug_dataset: train_util.debug_dataset(train_dataset_group, show_input_ids=True) return if len(train_dataset_group) == 0: logger.error("No data found. Please verify arguments / 画像がありません。引数指定を確認してください") return if cache_latents: assert ( train_dataset_group.is_latent_cacheable() ), "when caching latents, either color_aug or random_crop cannot be used / latentをキャッシュするときはcolor_augとrandom_cropは使えません" # モデルに xformers とか memory efficient attention を組み込む train_util.replace_unet_modules(unet, args.mem_eff_attn, args.xformers, args.sdpa) original_unet.UNet2DConditionModel.forward = unet_forward_XTI original_unet.CrossAttnDownBlock2D.forward = downblock_forward_XTI original_unet.CrossAttnUpBlock2D.forward = upblock_forward_XTI # 学習を準備する if cache_latents: vae.to(accelerator.device, dtype=weight_dtype) vae.requires_grad_(False) vae.eval() with torch.no_grad(): train_dataset_group.cache_latents(vae, args.vae_batch_size, args.cache_latents_to_disk, accelerator.is_main_process) vae.to("cpu") clean_memory_on_device(accelerator.device) accelerator.wait_for_everyone() if args.gradient_checkpointing: unet.enable_gradient_checkpointing() text_encoder.gradient_checkpointing_enable() # 学習に必要なクラスを準備する logger.info("prepare optimizer, data loader etc.") trainable_params = text_encoder.get_input_embeddings().parameters() _, _, optimizer = train_util.get_optimizer(args, trainable_params) # dataloaderを準備する # DataLoaderのプロセス数：0 は persistent_workers が使えないので注意 n_workers = min(args.max_data_loader_n_workers, os.cpu_count()) # cpu_count or max_data_loader_n_workers train_dataloader = torch.utils.data.DataLoader( train_dataset_group, batch_size=1, shuffle=True, collate_fn=collator, num_workers=n_workers, persistent_workers=args.persistent_data_loader_workers, ) # 学習ステップ数を計算する if args.max_train_epochs is not None: args.max_train_steps = args.max_train_epochs * math.ceil( len(train_dataloader) / accelerator.num_processes / args.gradient_accumulation_steps ) logger.info( f"override steps. steps for {args.max_train_epochs} epochs is / 指定エポックまでのステップ数: {args.max_train_steps}" ) # データセット側にも学習ステップを送信 train_dataset_group.set_max_train_steps(args.max_train_steps) # lr schedulerを用意する lr_scheduler = train_util.get_scheduler_fix(args, optimizer, accelerator.num_processes) # acceleratorがなんかよろしくやってくれるらしい text_encoder, optimizer, train_dataloader, lr_scheduler = accelerator.prepare( text_encoder, optimizer, train_dataloader, lr_scheduler ) index_no_updates = torch.arange(len(tokenizer)) < token_ids_XTI[0] # logger.info(len(index_no_updates), torch.sum(index_no_updates)) orig_embeds_params = accelerator.unwrap_model(text_encoder).get_input_embeddings().weight.data.detach().clone() # Freeze all parameters except for the token embeddings in text encoder text_encoder.requires_grad_(True) text_encoder.text_model.encoder.requires_grad_(False) text_encoder.text_model.final_layer_norm.requires_grad_(False) text_encoder.text_model.embeddings.position_embedding.requires_grad_(False) # text_encoder.text_model.embeddings.token_embedding.requires_grad_(True) unet.requires_grad_(False) unet.to(accelerator.device, dtype=weight_dtype) if args.gradient_checkpointing: # according to TI example in Diffusers, train is required unet.train() else: unet.eval() if not cache_latents: vae.requires_grad_(False) vae.eval() vae.to(accelerator.device, dtype=weight_dtype) # 実験的機能：勾配も含めたfp16学習を行う　PyTorchにパッチを当ててfp16でのgrad scaleを有効にする if args.full_fp16: train_util.patch_accelerator_for_fp16_training(accelerator) text_encoder.to(weight_dtype) # resumeする train_util.resume_from_local_or_hf_if_specified(accelerator, args) # epoch数を計算する num_update_steps_per_epoch = math.ceil(len(train_dataloader) / args.gradient_accumulation_steps) num_train_epochs = math.ceil(args.max_train_steps / num_update_steps_per_epoch) if (args.save_n_epoch_ratio is not None) and (args.save_n_epoch_ratio > 0): args.save_every_n_epochs = math.floor(num_train_epochs / args.save_n_epoch_ratio) or 1 # 学習する total_batch_size = args.train_batch_size * accelerator.num_processes * args.gradient_accumulation_steps logger.info("running training / 学習開始") logger.info(f" num train images * repeats / 学習画像の数×繰り返し回数: {train_dataset_group.num_train_images}") logger.info(f" num reg images / 正則化画像の数: {train_dataset_group.num_reg_images}") logger.info(f" num batches per epoch / 1epochのバッチ数: {len(train_dataloader)}") logger.info(f" num epochs / epoch数: {num_train_epochs}") logger.info(f" batch size per device / バッチサイズ: {args.train_batch_size}") logger.info( f" total train batch size (with parallel & distributed & accumulation) / 総バッチサイズ（並列学習、勾配合計含む）: {total_batch_size}" ) logger.info(f" gradient ccumulation steps / 勾配を合計するステップ数 = {args.gradient_accumulation_steps}") logger.info(f" total optimization steps / 学習ステップ数: {args.max_train_steps}") progress_bar = tqdm(range(args.max_train_steps), smoothing=0, disable=not accelerator.is_local_main_process, desc="steps") global_step = 0 noise_scheduler = DDPMScheduler( beta_start=0.00085, beta_end=0.012, beta_schedule="scaled_linear", num_train_timesteps=1000, clip_sample=False ) prepare_scheduler_for_custom_training(noise_scheduler, accelerator.device) if args.zero_terminal_snr: custom_train_functions.fix_noise_scheduler_betas_for_zero_terminal_snr(noise_scheduler) if accelerator.is_main_process: init_kwargs = {} if args.wandb_run_name: init_kwargs["wandb"] = {"name": args.wandb_run_name} if args.log_tracker_config is not None: init_kwargs = toml.load(args.log_tracker_config) accelerator.init_trackers( "textual_inversion" if args.log_tracker_name is None else args.log_tracker_name, config=train_util.get_sanitized_config_or_none(args), init_kwargs=init_kwargs, ) # function for saving/removing def save_model(ckpt_name, embs, steps, epoch_no, force_sync_upload=False): os.makedirs(args.output_dir, exist_ok=True) ckpt_file = os.path.join(args.output_dir, ckpt_name) logger.info("") logger.info(f"saving checkpoint: {ckpt_file}") save_weights(ckpt_file, embs, save_dtype) if args.huggingface_repo_id is not None: huggingface_util.upload(args, ckpt_file, "/" + ckpt_name, force_sync_upload=force_sync_upload) def remove_model(old_ckpt_name): old_ckpt_file = os.path.join(args.output_dir, old_ckpt_name) if os.path.exists(old_ckpt_file): logger.info(f"removing old checkpoint: {old_ckpt_file}") os.remove(old_ckpt_file) # training loop for epoch in range(num_train_epochs): logger.info("") logger.info(f"epoch {epoch+1}/{num_train_epochs}") current_epoch.value = epoch + 1 text_encoder.train() loss_total = 0 for step, batch in enumerate(train_dataloader): current_step.value = global_step with accelerator.accumulate(text_encoder): with torch.no_grad(): if "latents" in batch and batch["latents"] is not None: latents = batch["latents"].to(accelerator.device).to(dtype=weight_dtype) else: # latentに変換 latents = vae.encode(batch["images"].to(dtype=weight_dtype)).latent_dist.sample() latents = latents * 0.18215 b_size = latents.shape[0] # Get the text embedding for conditioning input_ids = batch["input_ids"].to(accelerator.device) # weight_dtype) use float instead of fp16/bf16 because text encoder is float encoder_hidden_states = torch.stack( [ train_util.get_hidden_states(args, s, tokenizer, text_encoder, weight_dtype) for s in torch.split(input_ids, 1, dim=1) ] ) # Sample noise, sample a random timestep for each image, and add noise to the latents, # with noise offset and/or multires noise if specified noise, noisy_latents, timesteps = train_util.get_noise_noisy_latents_and_timesteps(args, noise_scheduler, latents) # Predict the noise residual with accelerator.autocast(): noise_pred = unet(noisy_latents, timesteps, encoder_hidden_states=encoder_hidden_states).sample if args.v_parameterization: # v-parameterization training target = noise_scheduler.get_velocity(latents, noise, timesteps) else: target = noise huber_c = train_util.get_huber_threshold_if_needed(args, timesteps, noise_scheduler) loss = train_util.conditional_loss(noise_pred.float(), target.float(), args.loss_type, "none", huber_c) if args.masked_loss or ("alpha_masks" in batch and batch["alpha_masks"] is not None): loss = apply_masked_loss(loss, batch) loss = loss.mean([1, 2, 3]) loss_weights = batch["loss_weights"] # 各sampleごとのweight loss = loss * loss_weights if args.min_snr_gamma: loss = apply_snr_weight(loss, timesteps, noise_scheduler, args.min_snr_gamma, args.v_parameterization) if args.scale_v_pred_loss_like_noise_pred: loss = scale_v_prediction_loss_like_noise_prediction(loss, timesteps, noise_scheduler) if args.debiased_estimation_loss: loss = apply_debiased_estimation(loss, timesteps, noise_scheduler, args.v_parameterization) loss = loss.mean() # 平均なのでbatch_sizeで割る必要なし accelerator.backward(loss) if accelerator.sync_gradients and args.max_grad_norm != 0.0: params_to_clip = text_encoder.get_input_embeddings().parameters() accelerator.clip_grad_norm_(params_to_clip, args.max_grad_norm) optimizer.step() lr_scheduler.step() optimizer.zero_grad(set_to_none=True) # Let's make sure we don't update any embedding weights besides the newly added token with torch.no_grad(): accelerator.unwrap_model(text_encoder).get_input_embeddings().weight[index_no_updates] = orig_embeds_params[ index_no_updates ] # Checks if the accelerator has performed an optimization step behind the scenes if accelerator.sync_gradients: progress_bar.update(1) global_step += 1 # TODO: fix sample_images # train_util.sample_images( # accelerator, args, None, global_step, accelerator.device, vae, tokenizer, text_encoder, unet, prompt_replacement # ) # 指定ステップごとにモデルを保存 if args.save_every_n_steps is not None and global_step % args.save_every_n_steps == 0: accelerator.wait_for_everyone() if accelerator.is_main_process: updated_embs = ( accelerator.unwrap_model(text_encoder) .get_input_embeddings() .weight[token_ids_XTI] .data.detach() .clone() ) ckpt_name = train_util.get_step_ckpt_name(args, "." + args.save_model_as, global_step) save_model(ckpt_name, updated_embs, global_step, epoch) if args.save_state: train_util.save_and_remove_state_stepwise(args, accelerator, global_step) remove_step_no = train_util.get_remove_step_no(args, global_step) if remove_step_no is not None: remove_ckpt_name = train_util.get_step_ckpt_name(args, "." + args.save_model_as, remove_step_no) remove_model(remove_ckpt_name) current_loss = loss.detach().item() if len(accelerator.trackers) > 0: logs = {"loss": current_loss, "lr": float(lr_scheduler.get_last_lr()[0])} if ( args.optimizer_type.lower().startswith("DAdapt".lower()) or args.optimizer_type.lower() == "Prodigy".lower() ): # tracking d*lr value logs["lr/d*lr"] = ( lr_scheduler.optimizers[0].param_groups[0]["d"] * lr_scheduler.optimizers[0].param_groups[0]["lr"] ) accelerator.log(logs, step=global_step) loss_total += current_loss avr_loss = loss_total / (step + 1) logs = {"loss": avr_loss} # , "lr": lr_scheduler.get_last_lr()[0]} progress_bar.set_postfix(**logs) if global_step >= args.max_train_steps: break if len(accelerator.trackers) > 0: logs = {"loss/epoch": loss_total / len(train_dataloader)} accelerator.log(logs, step=epoch + 1) accelerator.wait_for_everyone() updated_embs = accelerator.unwrap_model(text_encoder).get_input_embeddings().weight[token_ids_XTI].data.detach().clone() if args.save_every_n_epochs is not None: saving = (epoch + 1) % args.save_every_n_epochs == 0 and (epoch + 1) < num_train_epochs if accelerator.is_main_process and saving: ckpt_name = train_util.get_epoch_ckpt_name(args, "." + args.save_model_as, epoch + 1) save_model(ckpt_name, updated_embs, epoch + 1, global_step) remove_epoch_no = train_util.get_remove_epoch_no(args, epoch + 1) if remove_epoch_no is not None: remove_ckpt_name = train_util.get_epoch_ckpt_name(args, "." + args.save_model_as, remove_epoch_no) remove_model(remove_ckpt_name) if args.save_state: train_util.save_and_remove_state_on_epoch_end(args, accelerator, epoch + 1) # TODO: fix sample_images # train_util.sample_images( # accelerator, args, epoch + 1, global_step, accelerator.device, vae, tokenizer, text_encoder, unet, prompt_replacement # ) # end of epoch is_main_process = accelerator.is_main_process if is_main_process: text_encoder = accelerator.unwrap_model(text_encoder) accelerator.end_training() if is_main_process and (args.save_state or args.save_state_on_train_end): train_util.save_state_on_train_end(args, accelerator) updated_embs = text_encoder.get_input_embeddings().weight[token_ids_XTI].data.detach().clone() del accelerator # この後メモリを使うのでこれは消す if is_main_process: ckpt_name = train_util.get_last_ckpt_name(args, "." + args.save_model_as) save_model(ckpt_name, updated_embs, global_step, num_train_epochs, force_sync_upload=True) logger.info("model saved.") def save_weights(file, updated_embs, save_dtype): updated_embs = updated_embs.reshape(16, -1, updated_embs.shape[-1]) updated_embs = updated_embs.chunk(16) XTI_layers = [ "IN01", "IN02", "IN04", "IN05", "IN07", "IN08", "MID", "OUT03", "OUT04", "OUT05", "OUT06", "OUT07", "OUT08", "OUT09", "OUT10", "OUT11", ] state_dict = {} for i, layer_name in enumerate(XTI_layers): state_dict[layer_name] = updated_embs[i].squeeze(0).detach().clone().to("cpu").to(save_dtype) # if save_dtype is not None: # for key in list(state_dict.keys()): # v = state_dict[key] # v = v.detach().clone().to("cpu").to(save_dtype) # state_dict[key] = v if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import save_file save_file(state_dict, file) else: torch.save(state_dict, file) # can be loaded in Web UI def load_weights(file): if os.path.splitext(file)[1] == ".safetensors": from safetensors.torch import load_file data = load_file(file) else: raise ValueError(f"NOT XTI: {file}") if len(data.values()) != 16: raise ValueError(f"NOT XTI: {file}") emb = torch.concat([x for x in data.values()]) return emb def setup_parser() -> argparse.ArgumentParser: parser = argparse.ArgumentParser() add_logging_arguments(parser) train_util.add_sd_models_arguments(parser) sai_model_spec.add_model_spec_arguments(parser) train_util.add_dataset_arguments(parser, True, True, False) train_util.add_training_arguments(parser, True) train_util.add_masked_loss_arguments(parser) deepspeed_utils.add_deepspeed_arguments(parser) train_util.add_optimizer_arguments(parser) config_util.add_config_arguments(parser) custom_train_functions.add_custom_train_arguments(parser, False) parser.add_argument( "--save_model_as", type=str, default="pt", choices=[None, "ckpt", "pt", "safetensors"], help="format to save the model (default is .pt) / モデル保存時の形式（デフォルトはpt）", ) parser.add_argument( "--weights", type=str, default=None, help="embedding weights to initialize / 学習するネットワークの初期重み" ) parser.add_argument( "--num_vectors_per_token", type=int, default=1, help="number of vectors per token / トークンに割り当てるembeddingsの要素数" ) parser.add_argument( "--token_string", type=str, default=None, help="token string used in training, must not exist in tokenizer / 学習時に使用されるトークン文字列、tokenizerに存在しない文字であること", ) parser.add_argument( "--init_word", type=str, default=None, help="words to initialize vector / ベクトルを初期化に使用する単語、複数可" ) parser.add_argument( "--use_object_template", action="store_true", help="ignore caption and use default templates for object / キャプションは使わずデフォルトの物体用テンプレートで学習する", ) parser.add_argument( "--use_style_template", action="store_true", help="ignore caption and use default templates for stype / キャプションは使わずデフォルトのスタイル用テンプレートで学習する", ) return parser if __name__ == "__main__": parser = setup_parser() args = parser.parse_args() train_util.verify_command_line_training_args(args) args = train_util.read_config_from_file(args, parser) train(args)